2026年信阳学院新生考试试题及答案

2026年信阳学院新生考试试题及答案考试时长：120分钟满分：100分班级：__________姓名：__________学号：__________得分：__________一、单选题（总共10题，每题2分，总分20分）1.下列哪项不属于人工智能的核心技术领域？A.机器学习B.自然语言处理C.大数据分析D.生物遗传算法2.在神经网络中，用于计算输入层与隐藏层之间加权和的数学运算称为？A.激活函数B.反向传播C.权重更新D.矩阵乘法3.以下哪种算法不属于监督学习范畴？A.决策树B.支持向量机C.K-均值聚类D.线性回归4.在深度学习模型中，Dropout技术的核心目的是？A.增加模型参数B.降低过拟合风险C.提高计算效率D.减少数据维度5.下列哪种数据结构最适合实现LRU（最近最少使用）缓存算法？A.队列B.哈希表C.双向链表D.树形结构6.在自然语言处理中，词嵌入（WordEmbedding）的主要作用是？A.分词B.词性标注C.向量化表示D.句法分析7.以下哪个不是强化学习的核心要素？A.状态（State）B.动作（Action）C.奖励（Reward）D.决策树8.在卷积神经网络（CNN）中，池化层的主要作用是？A.增加特征维度B.降低计算复杂度C.提高模型泛化能力D.增强特征提取9.以下哪种技术不属于迁移学习范畴？A.预训练模型微调B.特征提取器复用C.数据增强D.跨领域知识迁移10.在机器学习模型评估中，F1分数主要用于衡量？A.精确率与召回率的平衡B.模型训练速度C.参数数量D.计算资源消耗二、填空题（总共10题，每题2分，总分20分）1.人工智能的三大基本能力包括______、______和______。2.神经网络中，用于传递信息的节点称为______。3.决策树算法的常见剪枝策略有______和______。4.在深度学习中，ReLU激活函数的表达式为______。5.LSTMs（长短期记忆网络）通过______单元解决梯度消失问题。6.朴素贝叶斯分类器的核心假设是特征之间______。7.在图神经网络（GNN）中，信息传播的基本单元是______。8.强化学习中，Q-learning算法的目标是最大化______值。9.在自然语言处理中，BERT模型采用______预训练策略。10.机器学习中的过拟合现象通常表现为______和______。三、判断题（总共10题，每题2分，总分20分）1.卷积神经网络（CNN）只能用于图像识别任务。（×）2.支持向量机（SVM）通过寻找最优超平面进行分类。（√）3.深度学习模型必须包含至少一个隐藏层。（√）4.逻辑回归模型属于非参数模型。（×）5.在强化学习中，智能体总是能获得即时奖励。（×）6.词嵌入（WordEmbedding）可以完全消除语义歧义。（×）7.随机森林算法属于集成学习方法。（√）8.神经网络的反向传播算法需要存储中间梯度。（√）9.迁移学习可以完全替代从头训练模型。（×）10.F1分数在处理类别不平衡问题时表现优于准确率。（√）四、简答题（总共4题，每题4分，总分16分）1.简述机器学习模型过拟合的常见原因及解决方法。2.解释什么是注意力机制（AttentionMechanism）及其在自然语言处理中的应用。3.描述深度学习模型训练过程中，反向传播算法的基本流程。4.比较并说明监督学习与强化学习的主要区别。五、应用题（总共4题，每题6分，总分24分）1.假设你正在开发一个图像分类模型，现有数据集包含1000张猫和狗的图片，但猫的图片数量是狗的两倍。请说明如何通过数据增强和类别权重调整来缓解类别不平衡问题。2.设计一个简单的线性回归模型，输入特征为房屋面积（平方米）和房间数量，输出为房屋价格（万元）。假设训练数据如下：|面积（平方米）|房间数量|价格（万元）||--------------|---------|------------||60|2|300||80|3|450||100|3|600|请计算模型的最优参数（权重和偏置）。3.在自然语言处理任务中，假设你使用BERT模型进行文本分类，请简述如何进行模型微调（Fine-tuning）并说明关键步骤。4.设计一个简单的Q-learning算法框架，用于解决以下迷宫问题：迷宫布局（S为起点，G为终点，W为墙壁）：```S---W---G||||W---W---```智能体初始位置为S，目标到达G，允许的动作有上、下、左、右，请说明如何更新Q值表。【标准答案及解析】一、单选题1.D解析：生物遗传算法属于进化计算的范畴，与人工智能的核心技术（机器学习、自然语言处理、大数据分析）无直接关联。2.D解析：神经网络中，输入层与隐藏层之间的加权和计算通过矩阵乘法实现，其他选项均为后续处理步骤或结果。3.C解析：K-均值聚类属于无监督学习，其余均为监督学习算法。4.B解析：Dropout通过随机丢弃神经元，降低模型对特定训练样本的依赖，从而缓解过拟合。5.C解析：双向链表支持高效的前后指针操作，适合实现LRU缓存的双向移动需求。6.C解析：词嵌入将文本转换为向量表示，便于模型处理语义信息。7.D解析：决策树属于监督学习工具，不属于强化学习要素。8.B解析：池化层通过下采样降低特征图分辨率，减少计算量。9.C解析：数据增强属于模型训练技术，不属于迁移学习本身。10.A解析：F1分数是精确率和召回率的调和平均，用于平衡两者表现。二、填空题1.学习、推理、规划解析：人工智能三大基本能力涵盖认知核心功能。2.神经元解析：神经网络的基本单元。3.基于剪枝、基于置信度解析：决策树剪枝的两种常见策略。4.f(x)=max(0,x)解析：ReLU函数的表达式。5.隐藏解析：LSTM通过隐藏状态传递长期依赖信息。6.独立同分布解析：朴素贝叶斯假设特征条件独立。7.节点解析：GNN通过节点间信息传递实现图结构学习。8.总期望回报解析：Q-learning的目标是最大化未来总奖励。9.自监督解析：BERT采用自监督预训练方式。10.模型复杂度高、训练集拟合过度解析：过拟合的表现。三、判断题1.×解析：CNN也可用于目标检测、语义分割等任务。2.√解析：SVM通过最大化间隔进行分类。3.√解析：深度学习模型至少包含输入和输出层，中间至少一个隐藏层。4.×解析：逻辑回归属于参数模型，需要学习参数。5.×解析：强化学习中可能存在延迟奖励。6.×解析：词嵌入无法完全消除语义歧义，如一词多义。7.√解析：随机森林通过集成多棵决策树提升性能。8.√解析：反向传播需要存储中间梯度进行链式求导。9.×解析：迁移学习通常作为补充而非完全替代。10.√解析：F1分数对类别不平衡更鲁棒。四、简答题1.过拟合原因：模型复杂度过高、训练数据不足、噪声干扰。解决方法：增加数据量、正则化（L1/L2）、早停（EarlyStopping）、简化模型结构。2.注意力机制：动态选择输入序列中关键部分进行加权聚合。应用：BERT通过自注意力机制捕捉长距离依赖，机器翻译中动态对齐源目标句。3.反向传播流程：（1）前向传播计算损失；（2）计算梯度（链式法则）；（3）更新参数（梯度下降）；（4）重复迭代直至收敛。4.监督学习：使用标注数据学习输入-输出映射，目标明确。强化学习：通过试错与环境交互学习最优策略，目标为最大化累积奖励。五、应用题1.类别不平衡解决方案：数据增强：对数量较少的狗图片进行旋转、翻转等扩充；类别权重：调整损失函数中类别权重，如猫权重设为2，狗设为1。2.线性回归参数计算：模型：y=wx+b数据：60×w+b=30080×w+b=450100×w+b=600解得：w=3,b=1803.BERT微调步骤：（1）加载预训练模型；（2）替换顶层分类层；（3）冻结预训练层参数；（4）使用任务数据微调；（5）评估并保存模型