公安机关特殊职位(AI科目)考试公务员题库(南宁2026年)

公安机关特殊职位(AI科目)考试公务员题库(南宁2026年)第一部分单项选择题（共30题，每题1.0分，共30分）1.在Python数据分析库Pandas中，用于读取CSV文件并返回DataFrame对象的函数是？A.pd.read_csv()B.pd.read_table()C.pd.load_csv()D.pd.to_csv()2.某公安监控系统需要对人脸图像进行预处理，以下哪种操作主要用于减少图像数据中的噪声干扰？A.图像锐化B.直方图均衡化C.高斯模糊D.边缘检测3.在机器学习中，用于衡量模型在二分类问题中性能的指标，公式为TPA.精确率B.召回率C.特异度D.准确率4.神经网络中的反向传播算法主要用于？A.计算激活值B.初始化权重C.计算梯度并更新权重D.增加数据量5.在深度学习框架PyTorch中，用于将模型设置为训练模式的代码是？A.model.eval()B.model.train()C.model.fit()D.modelpile()6.南宁某交通路口车流量数据服从正态分布N(μ,)，若A.2.5%B.5.0%C.16.0%D.32.0%7.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B.减少模型参数C.防止过拟合D.增加图像的分辨率8.下列关于决策树算法中“信息增益”的描述，正确的是？A.信息增益越大，特征的不确定性越大B.信息增益越大，该特征对分类的贡献越小C.ID3算法使用信息增益作为特征选择的标准D.C4.5算法使用基尼系数作为特征选择的标准9.在警务大数据处理中，Hadoop生态系统中用于负责资源管理和任务调度的组件是？A.HDFSB.MapReduceC.YARND.ZooKeeper10.针对嫌疑人轨迹预测问题，若使用长短期记忆网络（LSTM），其主要解决传统RNN的什么问题？A.梯度消失和梯度爆炸B.计算量过大C.无法处理非线性数据D.过拟合严重11.以下哪种正则化方法通过在损失函数中增加权重绝对值的惩罚项来防止过拟合？A.L2正则化B.L1正则化C.DropoutD.数据增强12.在目标检测任务中，mAP（meanAveragePrecision）指标中的AP指的是？A.所有类别的平均准确率B.单个类别的平均精度C.所有类别的平均召回率D.单个类别的平均召回率13.SQL语言中，用于从“案件信息表”中查询案发地点在“青秀区”的所有记录的语句是？A.SELECT*FROM案件信息表WHERE案发地点='青秀区'B.UPDATE案件信息表SET案发地点='青秀区'C.DELETEFROM案件信息表WHERE案发地点='青秀区'D.INSERTINTO案件信息表VALUES('青秀区')14.在图像识别任务中，数据增强技术通常包括旋转、裁剪、翻转以及？A.降噪B.调整亮度/对比度C.灰度化D.二值化15.某二分类模型的混淆矩阵显示：TP=90,FN=10,FP=30,TN=150。则该模型的准确率是？A.90%B.85.7%C.75%D.80%16.支持向量机（SVM）中，核函数的主要作用是？A.增加样本数量B.将低维数据映射到高维空间，使其线性可分C.加速训练过程D.处理缺失值17.在南宁“天网”工程中，对于视频流的结构化描述，通常不包含以下哪项信息？A.行人性别B.行人年龄C.行人银行卡密码D.车辆颜色18.关联规则挖掘算法Apriori的核心思想是通过什么方式减少候选项集的数量？A.深度优先搜索B.广度优先搜索C.频繁项集的先验性质D.随机采样19.下列关于主成分分析（PCA）的描述，错误的是？A.PCA是一种无监督降维算法B.PCA试图找到数据方差最大的方向C.PCA降维后的特征具有可解释性D.PCA对数据的缩放敏感20.在使用K-Means聚类算法分析社区治安热点时，K值的选择通常借助哪个指标来确定？A.轮廓系数B.均方误差C.对数似然函数D.F1分数21.下列激活函数中，计算过程中引入了指数运算，容易导致梯度消失的是？A.ReLUB.LeakyReLUC.SigmoidD.ELU22.在自然语言处理（NLP）中，Word2Vec模型的主要目的是？A.文本分类B.将词映射为稠密向量C.命名实体识别D.机器翻译23.用于评估回归模型性能的指标，公式为(的是？A.MAEB.MSEC.RMSED.24.图神经网络（GNN）最适合处理以下哪种类型的数据？A.图像数据B.时间序列数据C.图结构数据（如社交网络、资金流向图）D.文本数据25.在警务云存储架构中，对象存储通常用于存储？A.结构化数据库记录B.非结构化数据（如视频、图片文件）C.索引文件D.日志文件26.梯度下降算法中，学习率过大可能导致？A.收敛速度过慢B.无法收敛，甚至震荡发散C.陷入局部最优D.过拟合27.生成对抗网络由生成器和什么组成？A.判别器B.编码器C.解码器D.分类器28.下列关于时间序列分析中ARIMA模型的描述，正确的是？A.ARIMA模型只能处理平稳时间序列B.ARIMA模型包含自回归项、差分和移动平均项C.ARIMA模型不需要参数调优D.ARIMA模型无法预测未来趋势29.在进行公安情报分析时，数据脱敏的主要目的是？A.提高数据查询速度B.降低数据存储空间C.保护公民隐私和敏感信息安全D.修复数据错误30.人工智能伦理中，算法偏见可能导致的主要社会问题是？A.计算资源浪费B.模型训练时间延长C.歧视与不公D.准确率下降第二部分多项选择题（共15题，每题2.0分，共30分。多选、少选、错选均不得分）31.下列属于深度学习常用优化算法的有？A.SGDB.AdamC.RMSpropD.Adagrad32.在处理警务视频监控数据时，常用的目标检测算法包括？A.YOLO系列B.SSDC.FasterR-CNND.NaiveBayes33.数据清洗过程中，处理缺失值的方法包括？A.删除缺失记录B.均值/中位数填充C.使用插值法D.训练模型预测填充34.关于卷积神经网络（CNN）中的卷积层，说法正确的有？A.局部感知野降低了参数数量B.权值共享进一步减少了模型参数C.卷积核的深度必须与输入特征图的深度一致D.输出特征图的大小只与卷积核大小有关35.下列哪些技术属于自然语言处理（NLP）在公安领域的应用？A.110警情文本自动分类B.涉恐敏感词识别C.语音转文字D.人脸识别36.下列关于过拟合的描述，正确的有？A.训练集准确率很高，测试集准确率很低B.模型过于复杂C.增加训练数据可以缓解过拟合D.使用L2正则化可以缓解过拟合37.常用的距离度量方法包括？A.欧氏距离B.曼哈顿距离C.余弦相似度D.编辑距离38.在构建智慧交通系统时，涉及的技术点包括？A.车牌识别B.车流量统计D.违章行为检测C.犯罪心理画像39.Python中用于科学计算的库有？A.NumPyB.SciPyC.MatplotlibD.TensorFlow40.下列属于NoSQL数据库的有？A.MongoDBB.RedisC.MySQLD.PostgreSQL41.图像分割技术可以应用于公安业务的哪些场景？A.视频监控中的人体轮廓提取B.车辆损毁程度评估C.指纹纹理分割D.嫌疑人面部特征点定位42.特征工程中，特征标准化的方法包括？A.Min-Max标准化B.Z-Score标准化C.对数变换D.独热编码43.关于循环神经网络（RNN），下列说法正确的有？A.适合处理序列数据B.当前时刻的输出依赖于当前输入和上一时刻的隐藏状态C.无法处理变长序列D.常用于语音识别、机器翻译44.公安大数据平台建设中，数据治理的主要任务包括？A.数据标准管理B.数据质量管理C.数据安全管理D.数据生命周期管理45.下列算法属于集成学习方法的有？A.RandomForestB.XGBoostC.LightGBMD.KNN第三部分判断题（共15题，每题1.0分，共15分。正确的选A，错误的选B）46.在深度学习中，BatchNormalization（BN）层通常放在激活函数之前。47.感知机可以解决异或（XOR）问题。48.k-近邻算法（KNN）是一种惰性学习算法，训练阶段时间复杂度为0。49.TF-IDF值越高，表示该词在文档中的重要性越低。50.Logistic回归虽然名字里有“回归”，但实际上是一种分类算法。51.在使用深度学习进行图像识别时，预训练模型通常比从头开始训练效果更好，且收敛更快。52.结构化数据是指可以用二维表结构来逻辑表达和实现的数据，如Excel表格数据。53.强化学习的核心要素包括Agent、Environment、Reward、State和Action。54.PCA降维后的数据保留了原始数据的所有信息。55.混淆矩阵只能用于评估二分类模型的性能。56.在Python中，列表和NumPy数组都可以进行向量化运算，且效率相同。57.SupportVectorMachine(SVM)对于小样本数据的分类效果通常不如神经网络。58.随机森林中的树是深度学习模型。59.在警务预测性警务中，只要历史数据足够多，模型就能100%准确预测未来的犯罪行为。60.GAN（生成对抗网络）中的生成器旨在生成真实的数据分布，而判别器旨在区分真实数据和生成数据。第四部分填空题（共15题，每题1.0分，共15分）61.给定矩阵A=[1262.在概率论中，如果事件A和事件B互斥，且P(A)63.在卷积神经网络中，若输入图像大小为224×224，卷积核大小为3×64.常用的线性分类器包括逻辑回归和。65.在聚类算法中，DBSCAN是一种基于的聚类算法。66.衡量信息量的单位通常是。67.在神经网络中，防止过拟合的Dropout技术是在训练过程中随机神经元。68.Python中，用于矩阵乘法运算的符号是（在NumPy数组中）。69.在目标检测中，非极大值抑制（NMS）的主要作用是。70.梯度下降算法中，沿着梯度的方向更新参数，可以使损失函数值减小。71.随机森林属于Bagging集成策略，而GBDT属于集成策略。72.在图像处理中，将彩色图像转换为灰度图像的常用公式是Gr73.LDA（潜在狄利克雷分配）模型是用于主题建模的学习算法。74.时间序列数据具有趋势性、季节性和。75.若一个模型的偏差很高，方差很低，通常称之为。第五部分简答题（共4题，每题5.0分，共20分）76.请简述在公安视频人脸识别应用中，相比于传统的基于手工特征（如LBP、HOG）的方法，基于深度学习（如CNN）的方法主要有哪些优势？77.请解释什么是“维度灾难”，并列举两种解决维度灾难的方法。78.请简述K-Means聚类算法的基本步骤。79.在警务大数据分析中，经常需要处理不平衡数据集（例如诈骗交易极少，正常交易极多）。请列举两种处理不平衡数据集的方法。第六部分计算与证明题（共2题，每题10.0分，共20分）80.假设某辖区通过算法预测发生盗窃案件的概率。已知：(1)该辖区总户数为1000户。(2)算法预测为高风险（Positive）的有200户，预测为低风险（Negative）的有800户。(3)在预测为高风险的200户中，实际发生盗窃的有150户（TP），未发生的50户（FP）。(4)在预测为低风险的800户中，实际发生盗窃的有20户（FN），未发生的780户（TN）。请计算：(1)该算法的准确率。(2)该算法的精确率。(3)该算法的召回率。(4)该算法的F1-Score。（注：F1-Score公式为F181.已知逻辑回归模型的假设函数为(x)=，其中θ=[]=[−(1)请计算z=(2)请计算样本x被预测为正类的概率P(y=(3)如果分类阈值为0.5，该样本被预测为哪一类？第七部分综合案例分析题（共2题，第82题15分，第83题20分，共35分）82.【案例分析：智慧交通信号灯控制】南宁市某重点路口在早晚高峰期间经常发生拥堵。为了缓解拥堵，交管部门计划引入基于强化学习的智能信号灯控制系统。背景数据：1.系统可以实时获取各个方向的车辆排队长度、平均车速、以及当前信号灯的状态。2.目标是最大程度减少车辆平均等待时间和路口吞吐量。3.环境状态（State）定义为：S=,,,,4.动作（Action）定义为：切换信号灯相位（如东西直行、南北直行等）或保持当前相位。5.奖励（Reward）设计为：R=−(Δ+α·问题：(1)请结合强化学习的基本框架，指出本案例中的Agent、Environment分别是什么？(2)在训练初期，Agent由于缺乏经验，探索策略容易陷入局部最优或收敛慢。请列举两种常见的探索策略（ExplorationStrategy），并简述其原理。(3)假设采用DQN（DeepQ-Network）算法来解决该问题，请简述DQN相比传统Q-Learning的主要改进点是什么？为什么在这个连续状态空间的交通场景中适合使用DQN？83.【案例分析：电信诈骗资金流向分析】近年来，电信诈骗案件频发，犯罪分子通常利用多层级的银行账户和第三方支付账户进行资金转移（洗钱），以切断追踪链条。南宁市公安局希望利用图神经网络（GNN）技术构建“资金流向图谱”来识别涉案账户。数据描述：1.节点：银行账户、第三方支付账户。节点特征包括：账户余额、交易频率、注册时间、开户地、历史风险标签。2.边：交易记录。边特征包括：交易金额、交易时间、交易类型（转入/转出）。3.已知部分账户被标注为“诈骗账户”（正样本）和“正常账户”（负样本）。问题：(1)在构建图数据时，处理交易时间这一动态特征存在挑战。请提出一种方法，将时序交易数据转换为适合GNN输入的静态或动态图结构。(2)如果采用图卷积网络（GCN）进行节点分类（判断账户是否为诈骗账户），请简述GCN的一层传播更新公式中，聚合邻居特征和更新自身特征的大致物理意义。(3)在实际办案中，往往只有极少数账户被确认为诈骗账户（标签缺失），且存在大量正常账户。针对这种标签极度不平衡的情况，除了常规的重采样和损失函数加权外，请从算法模型或图数据处理的角度，提出一种改进思路。(4)假设模型输出了某个账户为“诈骗账户”的概率为0.95，但该账户此前无任何犯罪记录。作为技术人员，你应该如何向办案民警解释这一结果，并提供哪些可视化或可解释性分析手段来辅助决策？***参考答案及详细解析第一部分单项选择题1.A2.C3.B4.C5.B6.A解析：Z==27.D解析：池化层通过下采样降低维度，不会增加分辨率。8.C9.C10.A11.B12.B13.A14.B15.B解析：Ac16.B17.C解析：视频结构化描述的是视觉表象特征，无法获取隐私数据如密码。18.C19.C解析：PCA降维后的特征是原始特征的线性组合，丢失了原始特征的物理含义，可解释性变差。20.A21.C22.B23.B24.C25.B26.B27.A28.B解析：ARIMA模型通过差分使非平稳序列平稳化。29.C30.C第二部分多项选择题31.ABCD32.ABC解析：NaiveBayes是分类算法，不是目标检测算法。33.ABCD34.ABC解析：输出特征图大小还受步长和填充影响。35.ABC解析：人脸识别属于计算机视觉，不属于NLP。36.ABCD37.ABCD38.ABD解析：犯罪心理画像属于犯罪心理学范畴，不属于智慧交通技术点。39.AB解析：Matplotlib用于绘图，TensorFlow用于深度学习框架，SciPy用于科学计算。前三者广义上都是科学计算生态的一部分，但核心计算库通常指NumPy和SciPy。40.AB解析：MySQL和PostgreSQL是关系型数据库。41.ABCD42.AB解析：对数变换通常用于将偏态分布转为正态分布，独热编码用于处理类别特征，都不属于标准化（Scaling）。43.ABD解析：RNN可以处理变长序列。44.ABCD45.ABC解析：KNN不是集成学习方法。第三部分判断题46.A解析：尽管有争议，但在BN原始论文及主流实现（如TensorFlow默认）中，BN层通常在卷积/全连接层之后，激活函数之前。47.B解析：单层感知机无法解决非线性问题（如XOR），需要多层神经网络。48.A49.B解析：TF-IDF值越高，词越重要。50.A51.A52.A53.A54.B解析：PCA降维会丢失部分信息（通常是方差较小的特征方向），保留的是主要信息。55.B解析：混淆矩阵可以扩展到多分类问题。56.B解析：NumPy数组底层是C语言实现，向量化运算效率远高于Python原生列表。57.B解析：SVM在小样本下表现往往优于深度学习，深度学习通常依赖大数据。58.B解析：随机森林中的树通常是CART决策树，属于传统机器学习模型，不是深度学习模型。59.B解析：犯罪行为受多种复杂因素影响，不可能100%准确预测。60.A第四部分填空题61.5解析：迹为对角线元素之和1+62.063.224,224解析：输出大小公式(W64.支持向量机(SVM)65.密度66.比特67.抑制/失活/丢弃68.@69.去除重复框/筛选最佳检测框70.负/反71.Boosting72.0.11473.非监督74.周期性75.欠拟合第五部分简答题76.答案要点：(1)特征自动提取：深度学习（CNN）能自动从原始像素中学习到高层语义特征（如纹理、形状、部件），而手工特征依赖专家经验，表达能力有限。(2)鲁棒性强：对光照变化、遮挡、姿态偏移等复杂环境具有更好的适应性和鲁棒性。(3)端到端训练：特征提取和分类可以联合优化，使得整体性能更优；而传统方法中特征提取和分类通常是分离的两个阶段。(4)大数据驱动：随着警务大数据的积累，深度学习模型能利用海量数据持续提升性能。77.答案要点：定义：在特征空间中，随着维度的增加，数据点变得越来越稀疏，导致计算复杂度急剧上升，且所有样本点间的距离趋于相等，使得基于距离的算法（如KNN）失效，模型性能下降的现象。解决方法：(1)特征选择：从原始特征中选择最相关的特征子集（如过滤法、包装法）。(2)特征提取/降维：将高维数据映射到低维空间（如PCA、LDA、t-SNE、自编码器）。78.答案要点：(1)初始化：随机选择K个样本点作为初始聚类中心。(2)分配样本：计算每个样本到K个中心的距离，将样本分配到距离最近的中心所属的簇。(3)更新中心：重新计算每个簇内所有样本的均值，将该均值作为新的聚类中心。(4)迭代：重复步骤(2)和(3)，直到聚类中心不再发生变化或达到最大迭代次数。79.答案要点：(1)数据层面的重采样：过采样：增加少数类样本（如SMOTE算法合成新样本）。欠采样：减少多数类样本（随机丢弃或聚类采样）。(2)算法层面的改进：代价敏感学习：在损失函数中，给少数类样本赋予更高的权重，使模型更加关注少数类。集成学习：使用EasyEnsemble、BalanceCascade等专门针对不平衡数据的集成算法。第六部分计算与证明题80.解答：(1)准确率：A(2)精确率：P(3)召回率：R(4)F1-Score：F81.解答：(1)计算z：x=[−2(2)计算概率：((3)判别类别：因为P(第七部分综合案例分析题82.解答：(1)Agent与Environment：Agent（智能体）：智能信号灯控制算法/系统。Environment（环境）：实际的交通路口，包括车辆、行人、道路物理结构以及信号灯硬件设施。(2)探索策略：ϵ-Greedy策略：以概率ϵ随机选择一个动作（探索），以概率1−Softmax策略：根据动作值（Q值）的大小计算概率，值大的动作被选中的概率高，但依然有可能选中小值的动作，概率分布通常基于Boltzmann分布。UpperConfidenceBound(UCB)：根据动作的潜在收益（平均值+不确定性边界）来选择动作，平衡利用和探索。(3)DQN改进点及适用性：改进点：传统Q-Learning使用Q表存储