TA的每日心情 | 奋斗
2024-7-1 22:21 |
|---|
签到天数: 2014 天 [LV.Master]伴坛终老
- 自我介绍
- 数学中国站长
 群组: 数学建模培训课堂1 群组: 数学中国美赛辅助报名 群组: Matlab讨论组 群组: 2013认证赛A题讨论群组 群组: 2013认证赛C题讨论群组 |
题 目 神经元的形态分类和识别
6 A0 A+ W, ]( f% f0 S8 D" n摘 要：
s' g; l6 Q6 d本文主要利用支持向量机(SVM)理论、聚类分析理论、主成分分析与典型相2 Z5 i- ?; e* @. `( A3 Y$ y
关分析等有关知识，分析和解决了基于神经元空间几何形态特征的特征提取、样- G$ D9 C+ s. l
本分类、类间和类内样本形态特征的显著性分析，并根据分类的结果，给出了基& a2 m" v8 @2 T3 S: o! y# I1 A
于神经元形态特征的命名方案；最后建立了以神经元的几何拓扑空间结构为隐变5 m3 g2 \1 y' J7 D6 m9 @- o
量的隐马尔科夫模型(HMM)，从而预测神经元形态随时间的生长变化规律，给( N' O" |) O+ w* X- b1 k
出了预测模型的实时性和有效性，得到了比较好的仿真结果。
X1 G- `# {3 e9 d2 W/ w. T. g问题一首先提取神经元的 43 种几何形态特征，然后采用主成分分析法，在
2 o5 h7 ~1 h5 H7 o! d6 J0 ?这些形态特征中提取6 种对神经元形态特征有较强解释力的几何特征，最后以此
7 Y' |" y) V- _$ c6 E/ l特征建立支持向量机分类器模型。% R# G" l- }# \ E
问题二首先主观标记附录 B 中神经元的类型；然后利用问题一中所建立的+ w0 |3 @# `: n9 K' t* j5 N# a
SVM 分类器模型对其进行分类，并进行主客观的交叉验证，达到90%的准确率。
% V" u5 n2 f6 s验证了所建立模型在解决非线性及高维模式识别中表现出极大优势。最后根据对
/ v6 @1 _7 f8 _* m# n5 }3 f: j分类结果中误分的神经元的几何特征的研究，建议引入新的神经元名称。
; o/ e+ r: X0 }1 b% X+ F问题三考虑到待分类神经元的类别数未知，用层次聚类方法进行神经元的未' s5 v0 V) r6 ]1 m: w7 x
知类型数目的聚类，得到谱系聚类图；然后根据R2 统计量的方法确定待分类神
; ]. _. s( q4 J2 ?; Q$ |: i经元样本分为8 类最合适；最后在已经确定类别数目的情况下，针对层次聚类算) H9 {6 T1 |6 z# {. |
法的时间复杂度较高、容易陷入局部最优解等问题，采用k 均值聚类算法确定每6 n& E, ?% |: a! ]0 t+ I
一类神经元具体样本，并给出了一种新的神经元命名方案。
7 s* [* b! Z( b+ B9 D. f问题四从分类的逆向思维出发，基于样本间的分离度准则，建立了一种不同
# d3 y7 l1 M+ T) g4 N: J4 S/ [物种神经元的区分方法，同时给出了不同物种同一神经元差异较大的形态特征，
$ R1 B$ B8 a& h. f4 E并利用统计中的典型相关分析给出了改进的模型。
2 Y% {# S+ Z+ n! K7 Q7 Y- F/ w/ b, M; U问题五针对神经元的实际形态是随时间的流逝不断发生变化的问题，建立了) i9 e# j( n/ S& j3 E$ y& n5 x
以神经元的几何拓扑空间结构为隐变量的HMM，其显状态为神经元的几何特征；' I2 F6 g5 S$ ?9 n! b. a
利用已有的数据预测出神经元显式的状态，并预测神经元形态的生长变化规律。
% z) c2 _! I3 J$ @8 e& y关键词 神经元几何特征 支持向量机 主成分分析 k 均值隐马尔科夫模型
- b9 `% q3 ]. |: L' d. j参赛队号 10701001
! e$ o7 j ?5 J. M4 l队员姓名 何立火 朱明敏 侯伟龙6 `4 f7 {, R6 @8 ?: O
10701001C.rar
(835.75 KB, 下载次数: 123)
|
zan
|
IP卡
狗仔卡
发表于 2012-9-15 07:57
转播
淘帖
分享
收藏
支持
反对
微信
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
抢沙发
显身卡
发表于 2013-1-4 14:44
