2026年信息与智能考试题及答案

2026年信息与智能考试题及答案一、单项选择题（本大题共15小题，每小题2分，共30分。在每小题给出的四个选项中，只有一项是符合题目要求的）1.在信息论中，对于离散信源X，其信息熵H(A.比特B.奈特C.哈特利D.焦耳2.在深度学习的卷积神经网络（CNN）中，池化层的主要作用不包括（）。A.降低特征图的维度，减少计算量B.引入非线性变换C.防止过拟合D.提取显著特征3.下列排序算法中，最坏情况下时间复杂度为O(A.归并排序B.快速排序C.堆排序D.基数排序4.在关系型数据库中，若事务T对数据对象A加了共享锁（S锁），则其他事务对A（）。A.只能加共享锁，不能加排他锁B.只能加排他锁，不能加共享锁C.既不能加共享锁，也不能加排他锁D.可以加共享锁，也可以加排他锁5.在自然语言处理（NLP）的Transformer模型中，引入“位置编码”的主要原因是（）。A.增加模型的参数数量以提高表达能力B.因为Self-Attention机制本身无法捕捉序列中的顺序信息C.为了解决梯度消失问题D.为了加速模型的训练过程6.某二叉树的前序遍历序列为：A,B,D,E,C,F，中序遍历序列为：D,B,E,A,F,C。则该二叉树的后序遍历序列为（）。A.D,E,B,F,C,AB.E,D,B,F,C,AC.D,E,F,B,C,AD.E,D,F,B,C,A7.在机器学习中，用于解决分类问题时，逻辑回归通常使用的激活函数是（）。A.ReLUB.SigmoidC.TanhD.Softmax8.根据香农采样定理，若模拟信号的最高频率为，为了不失真地恢复原始信号，采样频率至少应为（）。A.B.2C.4D.0.59.在图论中，使用Dijkstra算法求解单源最短路径时，要求图中边的权值（）。A.必须为非负数B.必须为正整数C.可以为负数，但不能有负权回路D.可以为任意实数10.大数据技术的“4V”特征中，Volume指的是（）。A.数据处理速度快B.数据价值密度低C.数据类型繁多D.数据体量巨大11.在操作系统的进程管理中，死锁产生的四个必要条件之一是“循环等待”。下列资源分配图中，存在死锁的是（）。A.进程P1等待R1，进程P2等待R2B.进程P1持有R1等待R2，进程P2持有R2等待R1C.进程P1持有R1，进程P2持有R2D.进程P1等待R1，进程P2持有R112.在Python语言中，关于生成器和列表的区别，下列说法正确的是（）。A.生成器生成所有的值并存储在内存中，列表则是一边计算一边迭代B.列表推导式使用圆括号，生成器表达式使用方括号C.生成器节省内存，适合处理大量数据D.生成器可以多次迭代，列表只能迭代一次13.支持向量机（SVM）中，核函数的主要作用是（）。A.将数据从低维空间映射到高维空间，使其线性可分B.增加样本的数量C.减少特征的数量D.加速梯度下降的收敛速度14.在计算机视觉中，图像在经过卷积操作后，若不使用Padding且步长为1，输出特征图的尺寸计算公式为（）。（设输入尺寸为n，卷积核尺寸为k）A.nB.nC.nD.+15.下列关于知识图谱的描述，错误的是（）。A.知识图谱本质上是一种语义网络B.知识图谱的基本单元是实体和关系C.Google知识图谱仅包含结构化数据D.知识图谱在智能问答和推荐系统中有广泛应用二、多项选择题（本大题共10小题，每小题3分，共30分。在每小题给出的四个选项中，有多项是符合题目要求的。全部选对得3分，选对但不全得1分，有选错得0分）16.下列属于人工智能三大主流学派的是（）。A.符号主义B.连接主义C.行为主义D.逻辑主义17.在深度学习中，防止过拟合的常用方法包括（）。A.DropoutB.早停法C.增加网络层数D.数据增强18.以下关于TCP/IP协议簇的描述，正确的有（）。A.TCP协议提供面向连接的、可靠的服务B.UDP协议提供无连接的、不可靠的服务C.IP协议位于网络层D.HTTP协议位于传输层19.在Pandas数据分析库中，DataFrame对象常用的操作包括（）。A.`read_csv()`用于读取CSV文件B.`groupby()`用于数据分组C.`merge()`用于数据合并D.`describe()`用于生成描述性统计20.下列关于决策树算法的描述，正确的有（）。A.ID3算法使用信息增益作为特征选择标准B.C4.5算法使用信息增益率作为特征选择标准C.CART算法既可以用于分类，也可以用于回归D.决策树不需要进行特征归一化处理21.在设计模式中，属于创建型模式的有（）。A.单例模式B.工厂方法模式C.观察者模式D.装饰器模式22.下列哪些算法属于聚类算法？（）A.K-MeansB.DBSCANC.支持向量机D.层次聚类23.关于正则表达式，下列匹配规则描述正确的有（）。A.``匹配前面的子表达式零次或多次A.``匹配前面的子表达式零次或多次B.`+`匹配前面的子表达式一次或多次C.`?`匹配前面的子表达式零次或一次D.`^`匹配字符串的结束位置24.在分布式系统理论中，CAP定理指的是（）。A.一致性B.可用性C.分区容错性D.完整性25.下列关于梯度下降算法的描述，正确的有（）。A.批量梯度下降在每次迭代时使用所有样本B.随机梯度下降在每次迭代时只使用一个样本C.小批量梯度下降是前两者的折衷D.随机梯度下降一定能收敛到全局最优解三、填空题（本大题共10小题，每小题2分，共20分）26.在二进制补码运算中，一个8位二进制数`10000000`表示的十进制数是________。27.在深度学习中，为了解决梯度消失问题，常用的激活函数是________，其表达式为f(28.信息论基础中，若信道容量为C，信道的带宽为B，信噪比为S/29.在SQL语言中，若要查询表`students`中所有姓“王”的学生信息，查询语句应为`SELECTFROMstudentsWHEREnameLIKE'________';`29.在SQL语言中，若要查询表`students`中所有姓“王”的学生信息，查询语句应为`SELECTFROMstudentsWHEREnameLIKE'________';`30.在图算法中，对于一个包含V个顶点和E条边的连通图，其生成树包含________条边。31.在Python中，`__init__`方法被称为类的________方法，用于初始化对象的属性。32.在循环神经网络（RNN）中，为了解决长距离依赖问题，引入了长短期记忆网络（LSTM），其中核心组件包括遗忘门、输入门和________。33.数据结构中，栈是一种遵循________原则的线性表。34.在主成分分析（PCA）中，我们通过________矩阵的特征值分解来找到数据的主成分。35.在计算机网络安全中，________攻击是指攻击者通过伪造来自受信任源地的IP数据包来发起攻击。四、简答题（本大题共4小题，每小题10分，共40分）36.简述卷积神经网络（CNN）中卷积层、池化层和全连接层的主要功能及特点。37.请解释机器学习中的“偏差”与“方差”的概念，并说明它们与模型复杂度的关系（即偏差-方差权衡）。38.简述数据库事务的ACID特性，并解释其含义。39.什么是过拟合？请列举至少三种解决过拟合的方法，并简要说明原理。五、计算与分析题（本大题共3小题，共30分）40.（本题10分）已知一个离散信源X的概率空间为：(XP(1)计算该信源的信息熵H(X)(2)若对该信源进行二元霍夫曼编码，请写出编码过程及结果，并计算平均码长和编码效率。41.（本题10分）现有一个简单的全连接神经网络，输入层有2个神经元,，隐藏层有1个神经元h，输出层有1个神经元y。网络参数如下：输入到隐藏层的权重：=0.1,=隐藏层到输出层的权重：=0.5，偏置=激活函数均为Sigmoid函数：σ(损失函数为均方误差：Lo给定输入样本(=1,(1)请进行一次前向传播，计算预测输出和损失值。(2)请写出反向传播计算输出层梯度的表达式（不需要计算出最终数值，写出推导过程即可）。42.（本题10分）给定数据集S=(1)请使用快速排序算法对该数据集进行升序排序，请写出第一趟划分后的结果（选取第一个元素作为基准Pivot）。(2)简述快速排序算法在最好情况和最坏情况下的时间复杂度，并解释原因。参考答案与解析一、单项选择题1.A解析：信息论中，当对数底为2时，单位为比特；底为e时，单位为奈特；底为10时，单位为哈特利。2.B解析：池化层的主要作用是降维、减少参数和计算量、防止过拟合。它不包含可学习的参数，主要进行下采样操作。虽然它能间接帮助特征提取，但引入非线性变换通常由激活函数完成，池化本身是线性操作（如最大值或平均值）。3.B解析：归并排序和堆排序的最坏时间复杂度均为O(nlog4.A解析：共享锁（读锁）允许多个事务同时读取，但不允许其他事务加排他锁（写锁）进行修改。5.B解析：Transformer模型完全基于注意力机制，抛弃了RNN/CNN的循环或卷积结构。Self-Attention机制是并行计算所有位置的词之间的关系，本身不包含位置信息，因此必须显式加入位置编码以注入序列顺序信息。6.**A6.**A解析：前序：A(根)->左子树(BDE)->右子树(CF)中序：左子树(DBE)->A(根)->右子树(FC)重建左子树：前序：B,D,E中序：D,B,EB为根，左为D，右为E。重建右子树：前序：C,F中序：F,CC为根，左为F。后序遍历：左->右->根。左子树后序：D,E,B右子树后序：F,C整体后序：D,E,B,F,C,A。7.B解析：逻辑回归虽然名字带“回归”，但主要用于二分类问题。其输出需要映射到(0,1)区间表示概率，因此使用Sigmoid函数。对于多分类问题，通常使用Softmax。8.B解析：奈奎斯特-香农采样定理指出，采样频率必须大于信号中最高频率的2倍才能无失真恢复。9.A解析：Dijkstra算法是一种贪心算法，它要求图中边的权值非负。如果存在负权边，Dijkstra算法可能无法得到正确结果。处理负权边通常使用Bellman-Ford算法。10.D解析：4V指Volume（大量）、Velocity（高速）、Variety（多样）、Value（低价值密度）。11.B解析：死锁的循环等待条件是指存在一个进程的等待链,,...,，其中等待占有的资源，...，等待12.C解析：生成器是惰性计算的，不会一次性生成所有值存储在内存中，而是按需生成，因此节省内存，适合大数据流处理。列表会占用内存存储所有元素。生成器通常只能迭代一次。13.A解析：核函数技巧允许我们在低维空间计算高维空间的内积，从而将线性不可分的数据映射到高维空间使其线性可分，而无需显式地进行高维映射计算。14.A解析：输出尺寸Outp15.C解析：Google知识图谱不仅包含结构化数据（如Freebase），还整合了半结构化和非结构化数据（如网页文本），通过抽取技术构建。二、多项选择题16.ABC解析：人工智能三大主流学派是符号主义（逻辑主义）、连接主义（仿生/神经网络）和行为主义（进化/控制论）。逻辑主义通常包含在符号主义中。17.ABD解析：Dropout通过随机丢弃神经元防止共适应；早停法在验证集误差上升时停止训练；数据增强通过增加样本多样性提高泛化能力。增加网络层数通常会增加模型复杂度，更容易导致过拟合而非防止。18.ABC解析：HTTP是超文本传输协议，位于应用层，不是传输层。TCP/UDP位于传输层，IP位于网络层。19.BCD解析：`read_csv()`是Pandas模块的全局函数，不是DataFrame对象的方法（虽然可以通过pd调用）。`groupby`,`merge`,`describe`都是DataFrame对象的实例方法。20.ABCD解析：ID3使用信息增益；C4.5使用信息增益率；CART分类使用基尼系数，回归使用均方误差，故既可分类也可回归；决策树基于树结构，对特征缩放不敏感，不需要归一化。21.AB解析：单例模式和工厂方法模式属于创建型模式。观察者模式属于行为型模式，装饰器模式属于结构型模式。22.ABD解析：K-Means、DBSCAN、层次聚类均为聚类算法。支持向量机（SVM）是监督学习算法，用于分类和回归。23.ABC解析：`^`在正则表达式中通常匹配字符串的开始位置（在多行模式下匹配行首），`$`匹配结束位置。24.ABC解析：CAP定理指出在分布式系统中，一致性、可用性、分区容错性三者不可兼得。25.ABC解析：批量、随机、小批量梯度下降的区别在于每次迭代使用的样本数量。SGD由于随机性，可能会震荡，且对于非凸函数（如神经网络），不能保证收敛到全局最优解，容易陷入局部最优。三、填空题26.-128解析：8位补码中，`10000000`是-128的特殊表示（-128没有对应的原码，补码规定为10000000）。27.ReLU解析：ReLU（线性整流单元）能有效缓解深层网络中的梯度消失问题。28.C=B\log_2(1+S/N)解析：这是著名的香农信道容量公式。29.王%解析：SQL中`%`是通配符，代表任意多个字符。30.V-1解析：生成树是包含所有顶点的极小连通子图，边数为顶点数减1。31.构造解析：`__init__`是Python类的构造函数，在实例化对象时自动调用。32.输出门**解析单元包括遗忘门、输入门、细胞状态更新和输出门。**解析单元包括遗忘门、输入门、细胞状态更新和输出门。33.后进先出(LIFO)解析：栈只允许在一端（栈顶）进行插入和删除操作。34.协方差解析：PCA通过对协方差矩阵进行特征值分解，选取最大的特征值对应的特征向量作为主成分方向。35.IP欺骗解析：攻击者通过修改IP包头中的源IP地址，伪装成可信主机。四、简答题36.答：(1)卷积层：功能：通过卷积核在输入数据上滑动进行特征提取，自动学习图像或数据的局部特征（如边缘、纹理）。特点：局部连接、权值共享，大大减少了模型的参数数量，并具有平移不变性。(2)池化层：功能：对特征图进行下采样，通常取局部区域的最大值或平均值。特点：降低特征图的维度（长宽），减少计算量和参数，同时在一定程度上保持特征的不变性，防止过拟合。(3)全连接层：功能：将前面层提取到的分布式特征映射到样本标记空间，通常位于网络的末端，用于整合特征并输出最终结果（分类或回归）。特点：每个神经元与前一层的所有神经元相连，参数量通常较大。37.答：偏差：指模型预测值的平均值与真实值之间的差异。高偏差意味着模型对训练数据的拟合不足，可能欠拟合，无法捕捉数据的潜在规律。方差：指模型对于不同训练集的敏感程度。高方差意味着模型对训练数据中的随机噪声也进行了拟合，导致模型在训练集上表现很好，但在测试集上表现很差，即过拟合。偏差-方差权衡：随着模型复杂度的增加，偏差通常会逐渐减小（模型拟合能力增强），但方差会逐渐增加（模型对噪声更敏感）。我们的目标是找到平衡点，使得总误差（偏差^2+方差+不可约误差）最小。通常，简单的模型（如线性回归）具有高偏差低方差，复杂的模型（如高阶多项式、深度神经网络）具有低偏差高方差。38.答：数据库事务的ACID特性是确保数据库可靠性的基石：原子性：事务中的操作要么全部成功，要么全部失败回滚。不会出现只执行了一部分的情况。一致性：事务执行前后，数据库的完整性约束没有被破坏，数据库从一个一致性状态变换到另一个一致性状态。隔离性：并发执行的事务之间互不干扰，一个事务的中间状态对其他事务不可见。通常通过锁或多版本并发控制（MVCC）实现。持久性：一旦事务提交，其对数据库的修改就是永久性的，即使系统发生故障也不会丢失。39.答：过拟合定义：指模型在训练数据上表现非常好，误差很低，但在未见过的新数据（测试集）上表现较差，泛化能力弱。这通常是因为模型过于复杂，学习了训练数据中的噪声和特例。解决方法：1.正则化：在损失函数中加入L1或L2正则项，限制权值的大小，使模型更平滑，避免参数过大。2.Dropout：在训练过程中随机“丢弃”一部分神经元，防止神经元之间产生复杂的共适应关系，增强模型的鲁棒性。3.早停法：在训练过程中监控验证集的误差，当验证集误差不再下降甚至开始上升时，提前停止训练，防止模型过度拟合训练数据。4.数据增强：通过旋转、缩放、加噪等方式人为增加训练样本的数量和多样性，使模型学到更通用的特征。五、计算与分析题40.解：(1)计算信息熵H公式：H\begin{aligned}H(X)&=-[0.5×log_20.5+0.25×log_20.25+0.25×log_20.25]&=-[0.5×(-1)+0.25×(-2)+0.25×(-2)]&=-[-0.50.50.5]&=1.5(比特)\end{aligned}H(X)&=-[0.5×log_20.5+0.25×log_20.25+0.25×log_20.25]&=-[0.5×(-1)+0.25×(-2)+0.25×(-2)]&=-[-0.50.50.5]&=1.5(比特)$$(2)霍夫曼编码步骤：1.将概率按从小到大排序：(0.25,),(0.25,),(0.5,)。2.取最小的两个节点(0.25,)和(0.25,)合并，概率相加得0.5，新节点记为。3.剩余节点排序