醫(yī)學(xué)數(shù)學(xué)建模與應(yīng)用智慧樹知到期末考試答案2024年

醫(yī)學(xué)數(shù)學(xué)建模與應(yīng)用智慧樹知到期末考試答案2024年醫(yī)學(xué)數(shù)學(xué)建模與應(yīng)用利用自相關(guān)圖判斷一個(gè)時(shí)間序列的平穩(wěn)性，下列說法正確的是（）

A:自相關(guān)系數(shù)很快衰減為零B:自相關(guān)系數(shù)衰減為零的速度緩慢C:在相關(guān)圖上，呈現(xiàn)明顯的三角對稱性D:自相關(guān)系數(shù)一直為正答案:自相關(guān)系數(shù)很快衰減為零檢查異常值常用的統(tǒng)計(jì)圖是（）。

A:折線圖B:箱圖C:散點(diǎn)圖D:柱狀圖答案:箱圖二室模型中央室初始時(shí)刻血藥濃度是0的情況（）。

A:肌肉注射B:恒速靜脈注射C:口服D:快速靜脈注射答案:恒速靜脈注射###口服###肌肉注射用Matlab自帶的支持向量機(jī)函數(shù)進(jìn)行模型訓(xùn)練時(shí)，在模型參數(shù)中可設(shè)置核函數(shù)KernelFunction，以下參數(shù)值屬于設(shè)置非線性核函數(shù)的是（）

A:rbf（徑向基）B:polynomial（多項(xiàng)式）C:gaussian（高斯）D:linear（線性）答案:gaussian(高斯)###rbf(徑向基)###polynomial(多項(xiàng)式)關(guān)于判別分析前對用于判別的數(shù)據(jù)指標(biāo)的準(zhǔn)備正確的有（）

A:有時(shí)需要對指標(biāo)消除量綱B:指標(biāo)要根據(jù)與判別目標(biāo)的關(guān)聯(lián)性來選取C:用于判別分析的指標(biāo)越多越好D:指標(biāo)值的獲取包括圖像識(shí)別、文本識(shí)別和數(shù)據(jù)庫技術(shù)等答案:指標(biāo)要根據(jù)與判別目標(biāo)的關(guān)聯(lián)性來選取###有時(shí)需要對指標(biāo)消除量綱###指標(biāo)值的獲取包括圖像識(shí)別、文本識(shí)別和數(shù)據(jù)庫技術(shù)等下列哪些是首先提出“人工智能”概念的科學(xué)家（）

A:馬文·明斯基（MarvinMinsky）B:赫伯特·西蒙（HerbertSimon）C:克勞德·香農(nóng)（ClaudeShannon）D:艾倫·紐厄爾（AllenNewell）答案:赫伯特·西蒙(HerbertSimon)###馬文·明斯基(MarvinMinsky)###克勞德·香農(nóng)(ClaudeShannon)###艾倫·紐厄爾(AllenNewell)反映兩個(gè)變量間的相關(guān)關(guān)系的統(tǒng)計(jì)量有（）。

A:變異系數(shù)B:相關(guān)系數(shù)C:方差D:協(xié)方差答案:協(xié)方差###相關(guān)系數(shù)神經(jīng)網(wǎng)絡(luò)模型在編程使用時(shí)典型的三步流程為（）

A:檢驗(yàn)網(wǎng)絡(luò)B:訓(xùn)練網(wǎng)絡(luò)C:網(wǎng)絡(luò)仿真D:創(chuàng)建網(wǎng)絡(luò)答案:創(chuàng)建網(wǎng)絡(luò)###訓(xùn)練網(wǎng)絡(luò)###網(wǎng)絡(luò)仿真數(shù)據(jù)擬合和數(shù)據(jù)插值的區(qū)別在于（）

A:數(shù)據(jù)擬合許多較少的數(shù)據(jù)點(diǎn)，數(shù)據(jù)插值需要較多的數(shù)據(jù)點(diǎn)B:數(shù)據(jù)擬合函數(shù)類型少，數(shù)據(jù)插值函數(shù)類型多C:數(shù)據(jù)擬合可用來做長期預(yù)測，數(shù)據(jù)插值適合做對內(nèi)預(yù)測或短期預(yù)測D:數(shù)據(jù)擬合是使得擬合函數(shù)曲線反映數(shù)據(jù)點(diǎn)的發(fā)展趨勢，數(shù)據(jù)插值是使得插值函數(shù)曲線穿過數(shù)據(jù)點(diǎn)答案:數(shù)據(jù)擬合是使得擬合函數(shù)曲線反映數(shù)據(jù)點(diǎn)的發(fā)展趨勢,數(shù)據(jù)插值是使得插值函數(shù)曲線穿過數(shù)據(jù)點(diǎn)###數(shù)據(jù)擬合可用來做長期預(yù)測,數(shù)據(jù)插值適合做對內(nèi)預(yù)測或短期預(yù)測建立主成分分析模型，需要滿足的條件有（）。

A:各個(gè)主成分的方差依次遞減B:各個(gè)主成分的系數(shù)構(gòu)成一個(gè)單位向量C:各個(gè)主成分相互獨(dú)立D:各個(gè)主成分互不相關(guān)答案:各個(gè)主成分的方差依次遞減###各個(gè)主成分互不相關(guān)###各個(gè)主成分的系數(shù)構(gòu)成一個(gè)單位向量在Matlab中使用神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)分類或判別的方式包括（）

A:調(diào)用軟件自帶的各類神經(jīng)網(wǎng)絡(luò)對應(yīng)的函數(shù)B:打開分類器或模式識(shí)別工具箱（app）C:其他都不對D:自編程序搭建網(wǎng)絡(luò)并設(shè)定網(wǎng)絡(luò)參數(shù)以實(shí)現(xiàn)運(yùn)算答案:自編程序搭建網(wǎng)絡(luò)并設(shè)定網(wǎng)絡(luò)參數(shù)以實(shí)現(xiàn)運(yùn)算###調(diào)用軟件自帶的各類神經(jīng)網(wǎng)絡(luò)對應(yīng)的函數(shù)###打開分類器或模式識(shí)別工具箱(app)經(jīng)典的傳染病模型有哪些（）

A:SIR模型B:SEIR模型C:SIRS模型D:SIS模型答案:SIS模型###SIR模型###SIRS模型###SEIR模型下列科學(xué)家是因?yàn)檠芯砍鲞@些科研成果而獲得諾貝爾獎(jiǎng)的。（）

A:科馬克，創(chuàng)立電腦輔助X射線斷層攝影(CT成像)技術(shù)理論B:薛定諤，生命是什么C:孟得爾，發(fā)現(xiàn)遺傳學(xué)規(guī)律D:普里高津，耗散結(jié)構(gòu)理論答案:普里高津,耗散結(jié)構(gòu)理論###科馬克,創(chuàng)立電腦輔助X射線斷層攝影(CT成像)技術(shù)理論白噪聲{εt}滿足的條件是（）。

A:白噪聲是平穩(wěn)時(shí)間序列B:對于任一時(shí)刻t,有E(εt)=0C:對于任一時(shí)刻t,有D(εt)=σ2D:任意s≠t,有cov(εs,εt)=0答案:對于任一時(shí)刻t,有E(εt)=0###對于任一時(shí)刻t,有D(εt)=σ2###任意s≠t,有cov(εs,εt)=0###白噪聲是平穩(wěn)時(shí)間序列主成分分析的用途有（）。

A:可以降維B:可以用來評價(jià)C:可以判別樣品屬于哪一類D:可以消除共線性，做主成分回歸答案:可以降維###可以用來評價(jià)###可以消除共線性,做主成分回歸用程序?qū)崿F(xiàn)BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用時(shí)，往往需要設(shè)置的結(jié)構(gòu)及參數(shù)包括（）

A:隱藏層層數(shù)及神經(jīng)元個(gè)數(shù)B:學(xué)習(xí)率C:隱藏層神經(jīng)元激活函數(shù)類型D:最大訓(xùn)練步數(shù)（次數(shù)）答案:學(xué)習(xí)率###隱藏層層數(shù)及神經(jīng)元個(gè)數(shù)###隱藏層神經(jīng)元激活函數(shù)類型###最大訓(xùn)練步數(shù)(次數(shù))下列是貝葉斯判別法的判別準(zhǔn)則為（）。

A:離差最大B:距離最小C:后驗(yàn)概率最大D:錯(cuò)判的平均損失最小答案:后驗(yàn)概率最大###錯(cuò)判的平均損失最小如果Q-Q圖中樣本點(diǎn)均勻地落在一條直線的附近，可以判斷數(shù)據(jù)服從正態(tài)分布。（）

A:對B:錯(cuò)答案:對模糊判別指的是對歸屬于某一類別的判別值不是0或1這樣的邏輯值，而是區(qū)間[0，1]上的一個(gè)概率值。（）

A:錯(cuò)B:對答案:對統(tǒng)計(jì)圖中的散點(diǎn)圖主要用來觀察變量之間的相關(guān)關(guān)系。（）

A:對B:錯(cuò)答案:對主成分分析法是將原來變量做線性組合，重新組合成一組新的，互相獨(dú)立的幾個(gè)綜合變量。（）

A:錯(cuò)B:對答案:錯(cuò)中國微醫(yī)集團(tuán)公司于2018年推出了集大數(shù)據(jù)、人工智能和生物醫(yī)藥技術(shù)為一體的，包含微醫(yī)云和華佗云兩個(gè)智能醫(yī)藥線上平臺(tái)。（）

A:對B:錯(cuò)答案:對一室模型三種用藥函數(shù)增減性一樣。（）

A:對B:錯(cuò)答案:錯(cuò)數(shù)據(jù)中只要有缺失值，不管多或少，都可以采用直接刪除的方法，對模型的結(jié)果都不造成任何影響。（）

A:對B:錯(cuò)答案:錯(cuò)神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)分為前向、層內(nèi)互連、全連接三種。（）

A:錯(cuò)B:對答案:錯(cuò)“回歸”最早是由英國生物學(xué)家、統(tǒng)計(jì)學(xué)家Galton在研究兒子身高與父親身高之間的遺傳問題時(shí)提出的。（）

A:錯(cuò)B:對答案:對對于評價(jià)判別模型效果的三級指標(biāo)，其值越大，則該模型效果越好。（）

A:錯(cuò)誤B:正確答案:正確Matlab中一維插值的命令vq=interp1(x,v,xq,’method’)當(dāng)用于數(shù)據(jù)加密時(shí)，則xq往往賦比原始數(shù)據(jù)中橫坐標(biāo)x更密集的取值。（）

A:對B:錯(cuò)答案:對二室模型三種模型差別主要是初始條件不同。（）

A:對B:錯(cuò)答案:對導(dǎo)數(shù)表示瞬時(shí)變化率。（）

A:錯(cuò)B:對答案:對模型Xt=εt-0.6εt-1是一階自回歸模型AR（1）。（）

A:對B:錯(cuò)答案:錯(cuò)卡爾·皮爾遜（KarlPearson）于1900年創(chuàng)立生物統(tǒng)計(jì)學(xué)，開創(chuàng)了統(tǒng)計(jì)學(xué)在生物醫(yī)學(xué)上的應(yīng)用研究，打破了數(shù)學(xué)在生物醫(yī)學(xué)上應(yīng)用等于零的局面。（）

A:錯(cuò)B:對答案:錯(cuò)Hopfield網(wǎng)絡(luò)是典型的全連接的反饋網(wǎng)絡(luò)，具有聯(lián)想記憶功能。（）

A:對B:錯(cuò)答案:對二維插值時(shí)，只能對網(wǎng)格型數(shù)據(jù)點(diǎn)進(jìn)行插值，無法對散點(diǎn)型數(shù)據(jù)進(jìn)行插值。（）

A:錯(cuò)B:對答案:錯(cuò)標(biāo)準(zhǔn)化變量的協(xié)方差陣與原變量的相關(guān)系數(shù)陣相同。（）

A:錯(cuò)誤B:正確答案:正確當(dāng)變量間的量綱不同時(shí)，作主成分分析前需要將數(shù)據(jù)標(biāo)準(zhǔn)化，在matlab中，將數(shù)據(jù)標(biāo)準(zhǔn)化的函數(shù)是score()。（）

A:錯(cuò)B:對答案:對這個(gè)微分方程組表示SIRS模型。其中λ是日接觸率，μ是日治愈率。（）

A:正確B:錯(cuò)誤答案:正確在某個(gè)判別分析模型中，有200個(gè)訓(xùn)練樣本，若用一次十折交叉驗(yàn)證法對該模型的效果進(jìn)行檢驗(yàn)，則需要建立多少次判別函數(shù)（）

A:20次B:1次C:200次D:10次答案:AI參考:正確答案是D：10次。\n\n在十折交叉驗(yàn)證法中，每次將數(shù)據(jù)集分為10個(gè)子集，每個(gè)子集有20個(gè)樣本，因此需要建立10個(gè)判別函數(shù)。在總共200個(gè)樣本的情況下，需要用這10個(gè)判別函數(shù)來評估模型的性能。因此，答案是D，即需要建立10次判別函數(shù)。'若零均值平穩(wěn)序列{▽Xi}，其樣本相關(guān)系數(shù)ACF呈現(xiàn)二階截尾性，其樣本偏相關(guān)系數(shù)PACF呈現(xiàn)拖尾性，則可初步認(rèn)為對{Xi}應(yīng)該建立（）。

A:ARIMA(2,1,0)B:MA(2)C:ARIMA(0,1,2)D:ARIMA(2,1,2)答案:AI參考:答案：A\n推理過程：\n首先看偏相關(guān)，根據(jù)題意，{X}是零均值的平穩(wěn)序列，所以它是白噪聲，那么{X}的偏自相關(guān)函數(shù)(PACF)應(yīng)該是無限接近于零的，也就是不存在拖尾，因此排除選項(xiàng)B。\n再看自相關(guān)，ACF存在二階截尾說明它是有限的，而且從樣本分布來看ACF與PACF的相關(guān)性是很強(qiáng)的，因此ARIMA模型中AR階數(shù)應(yīng)該等于截尾階數(shù)，所以選項(xiàng)C不正確。\n最后看AR階數(shù)，由于樣本ACF呈現(xiàn)二階截尾性，所以AR階數(shù)應(yīng)該是2，因此選項(xiàng)D不正確。\n綜上可知，答案為A。\n注：本題主要考察了自回歸綜合移動(dòng)平均模型(ARIMA)的模型特征，需牢記。另外這個(gè)概念也叫Q(p)模型的概念特征：{Rt-q}自相關(guān)到Q函數(shù)一樣有一個(gè)二階拖尾特性即在一個(gè)或多個(gè)數(shù)據(jù)點(diǎn)的數(shù)量基礎(chǔ)上減弱而不是沒有時(shí)點(diǎn)效果。\n注：本題中ACF和PACF都是樣本相關(guān)系數(shù)，不是樣本函數(shù)。樣本函數(shù)是樣本圖像。\n注：本題中“截尾”是指樣本ACF和PACF在某一階后不再隨時(shí)間變化而變化，而是保持為零或某一常數(shù)。\n注：本題中“拖尾”是指樣本ACF和PACF隨時(shí)間變化而變化，且在某一階后不再隨時(shí)間變化而變化。\n注：本題中“零均值平穩(wěn)序列”是指時(shí)間序列的均值和方差都是常數(shù)，且序列之間是相互獨(dú)立的。\n注：本題中“白噪聲”是指時(shí)間序列中沒有任何有用的信息或結(jié)構(gòu)，即它是一個(gè)完全隨機(jī)的信號。\n注：選項(xiàng)中括號內(nèi)的數(shù)字為自回歸系數(shù)個(gè)數(shù)(AR階數(shù))，與所建立的ARIMA模型中AR項(xiàng)個(gè)數(shù)相對應(yīng)。ARIMA(p,d,q)表示AR(p)移動(dòng)平均M(q)過程的一個(gè)模型(d為差分階數(shù))。ARIMA模型是時(shí)間序列分析中最常用的模型之一，主要用于預(yù)測時(shí)間序列數(shù)據(jù)。ARIMA模型通過建立自回歸模型和滑動(dòng)平均模型來描述時(shí)間序列數(shù)據(jù)的特性，從而進(jìn)行預(yù)測。ARIMA模型的優(yōu)點(diǎn)在于它能夠處理非平穩(wěn)時(shí)間序列數(shù)據(jù)，并且可以有效地捕捉時(shí)間序列數(shù)據(jù)的長期依賴關(guān)系。'若峰度等于0，則數(shù)據(jù)分布是（）。

A:對稱峰B:與正態(tài)分布的陡緩程度相同C:尖頂峰D:平頂峰答案:AI參考:正確答案是B：與正態(tài)分布的陡緩程度相同。峰度為0表示數(shù)據(jù)分布與正態(tài)分布的陡緩程度相同。'關(guān)于LVQ神經(jīng)網(wǎng)絡(luò)模型，下列說法錯(cuò)誤的是（）

A:輸入層與競爭層相連接B:可實(shí)現(xiàn)判別分析C:輸出層采用S形激活函數(shù)D:是一種有監(jiān)督的神經(jīng)網(wǎng)絡(luò)模型答案:AI參考:選項(xiàng)D是錯(cuò)誤的。LVQ（LocalVelocity-Weighted）神經(jīng)網(wǎng)絡(luò)是一種自組織神經(jīng)網(wǎng)絡(luò)，它不需要大量的有監(jiān)督樣本，而是在神經(jīng)元之間的競爭過程中，實(shí)現(xiàn)特征學(xué)習(xí)。輸入層與競爭層相連接，通過競爭層實(shí)現(xiàn)判別分析，輸出層采用S形激活函數(shù)。因此，LVQ神經(jīng)網(wǎng)絡(luò)是一種自組織、無監(jiān)督的神經(jīng)網(wǎng)絡(luò)模型。\n\n因此，關(guān)于LVQ神經(jīng)網(wǎng)絡(luò)模型，下列說法錯(cuò)誤的是D:是一種有監(jiān)督的神經(jīng)網(wǎng)絡(luò)模型。'根據(jù)n個(gè)數(shù)據(jù)點(diǎn)來擬合函數(shù)中的參數(shù)時(shí)，以下哪個(gè)說法是正確的（）

A:要求出合適的參數(shù)的值，使得偏差平方和最小B:其他都不對C:要求出合適的參數(shù)的值，使得D:要求出合適的參數(shù)的值，使得偏差和最小答案:AI參考:正確答案是A：要求出合適的參數(shù)的值，使得偏差平方和最小。\n\n根據(jù)題意，我們需要根據(jù)給定的數(shù)據(jù)點(diǎn)擬合一個(gè)函數(shù)，并要求出合適的參數(shù)值，使得偏差平方和最小。偏差平方和是衡量擬合優(yōu)度的一個(gè)指標(biāo)，越小說明擬合越好。因此，選項(xiàng)A的說法是正確的。選項(xiàng)B、C、D都與題目要求不符。'中央室包括（）。

A:脂肪B:心C:皮膚D:肌肉答案:AI參考:正確答案是C：皮膚。\n中央室包括心和肌肉，通常只有一種器官的組織組成；選項(xiàng)A屬于組織細(xì)胞中的脂肪組織；選項(xiàng)B為心血管組織，也屬于心；選項(xiàng)D屬于肌肉組織，肌纖維呈細(xì)長形。中央室明顯屬于上皮組織。只有C皮膚是器官，包括上皮組織、結(jié)締組織、肌肉組織、神經(jīng)組織等構(gòu)成，所以答案是C。'中國科學(xué)家楊煥明院士團(tuán)隊(duì)的研究項(xiàng)目屬于（）研究方向的。

A:心腦血管疾病的預(yù)測B:流行病的規(guī)律與預(yù)測C:氨基酸DNA序列的分析D:藥效學(xué)中的動(dòng)力學(xué)分析答案:AI參考:正確答案是C：氨基酸DNA序列的分析。\n\n中國科學(xué)家楊煥明院士團(tuán)隊(duì)的研究項(xiàng)目屬于氨基酸DNA序列的分析研究方向。該團(tuán)隊(duì)利用生物信息學(xué)方法，對人類基因組中的氨基酸DNA序列進(jìn)行分析，以揭示人類基因組的遺傳結(jié)構(gòu)和功能。這一研究對于人類健康和疾病的預(yù)測、診斷和治療具有重要意義。選項(xiàng)A、B、D均與該團(tuán)隊(duì)的研究項(xiàng)目不符。'判斷數(shù)據(jù)分布是尖頂峰還是平頂峰的為（）。

A:中位數(shù)B:協(xié)方差C:偏度D:峰度答案:AI參考:正確答案是D：峰度。峰度用來描述數(shù)據(jù)分布的峰態(tài)，峰度大于3時(shí)，分布比正態(tài)分布更陡峭，即尖峰態(tài)；峰度小于3時(shí)，分布比正態(tài)分布更平緩，即平峰態(tài)。\n\n所以答案是D峰度。'二室模型中建立的微分方程是（）

A:兩個(gè)二階微分方程形成的方程組B:一個(gè)一階微分方程C:兩個(gè)一階微分方程形成的方程組D:一個(gè)二階微分方程答案:AI參考:正確選項(xiàng)是【C:兩個(gè)一階微分方程形成的方程組】。\n\n二室模型中通常會(huì)建立多個(gè)微分方程來描述不同生理過程或物質(zhì)轉(zhuǎn)運(yùn)過程，這些微分方程通常是一階微分方程組。因此，選項(xiàng)C“兩個(gè)一階微分方程形成的方程組”是正確的描述。選項(xiàng)A和D中的描述都過于籠統(tǒng)，無法準(zhǔn)確反映二室模型中的微分方程形式。選項(xiàng)B中的描述也不準(zhǔn)確，因?yàn)槲⒎址匠掏ǔ２恢挥幸粋€(gè)一階形式。'用Matlab中的fitcsvm函數(shù)對訓(xùn)練樣本進(jìn)行訓(xùn)練，得到支持向量機(jī)后，與之配套的用于判別的函數(shù)名稱為（）

A:checkB:pridictC:findD:train答案:AI參考:對于使用Matlab中的fitcsvm函數(shù)對訓(xùn)練樣本進(jìn)行訓(xùn)練得到支持向量機(jī)后，與之配套的用于判別的函數(shù)名稱為B：pridict。這個(gè)函數(shù)用于對訓(xùn)練好的支持向量機(jī)進(jìn)行預(yù)測，可以輸入測試樣本的數(shù)據(jù)，得到相應(yīng)的預(yù)測結(jié)果。其他選項(xiàng)中，A、C、D都不符合題意。'matlab中，求平均值的函數(shù)是（）。

A:mean()B:mode()C:var()D:cov()答案:AI參考:正確答案是A:mean()。在MATLAB中，求平均值的函數(shù)是mean()。B選項(xiàng)mode()是求眾數(shù)的函數(shù)，C選項(xiàng)var()是求方差的函數(shù)，D選項(xiàng)cov()是求協(xié)方差的函數(shù)。'當(dāng)兩個(gè)變量有不同量綱或測量尺度相差太大時(shí)，哪個(gè)統(tǒng)計(jì)量可以描述兩個(gè)變量間的離散程度（）。

A:變異系數(shù)B:眾數(shù)C:四分位數(shù)間距D:極差答案:AI參考:正確答案是變異系數(shù)。變異系數(shù)是用來描述兩個(gè)變量間離散程度的一個(gè)統(tǒng)計(jì)量，它需要先求出兩個(gè)變量的標(biāo)準(zhǔn)差，再求出平均值，最后計(jì)算標(biāo)準(zhǔn)差與平均值的比值。這樣就可以消除不同量綱或測量尺度相差太大的影響，使得結(jié)果更加準(zhǔn)確。因此，當(dāng)兩個(gè)變量有不同量綱或測量尺度相差太大時(shí)，變異系數(shù)可以描述兩個(gè)變量間的離散程度。'用Matlab的命令vq=interp1(x,v,xq,’method’)進(jìn)行一維插值時(shí)，若想采用三次樣條插值，則method處應(yīng)選擇以下的（）

A:linearB:splineC:nearestD:Cubic答案:AI參考:在Matlab的命令vq=interp1(x,v,xq,’method’)中，若想進(jìn)行三次樣條插值，則method處應(yīng)選擇“Cubic”。選項(xiàng)D是正確的。樣條插值是一種常用的插值方法，它通過構(gòu)造一個(gè)三次多項(xiàng)式來逼近給定的數(shù)據(jù)點(diǎn)，從而實(shí)現(xiàn)對數(shù)據(jù)的平滑插值。三次樣條插值在許多科學(xué)和工程應(yīng)用中都非常有用。'以下不屬于有監(jiān)督的分類方法有（）

A:BP神經(jīng)網(wǎng)絡(luò)B:聚類分析C:支持向量機(jī)SVMD:距離判別法答案:AI參考:不屬于有監(jiān)督的分類方法的是B：聚類分析。聚類分析是一種無監(jiān)督的分類方法，它是在沒有先驗(yàn)知識(shí)的情況下，自動(dòng)地將數(shù)據(jù)分為若干類，而在每一類中數(shù)據(jù)之間有某種內(nèi)在的聯(lián)系。而有監(jiān)督的分類方法需要預(yù)先知道數(shù)據(jù)的類別，然后用某種算法對數(shù)據(jù)進(jìn)行訓(xùn)練，使其趨于最優(yōu)，最后將訓(xùn)練好的模型用于對新數(shù)據(jù)的分類。其他三個(gè)選項(xiàng)A、C、D都是屬于有監(jiān)督的分類方法，其中A是反向傳播神經(jīng)網(wǎng)絡(luò)，是一種常用的監(jiān)督學(xué)習(xí)方法，用于訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)；C是支持向量機(jī)，通過在特