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5 D- q5 e6 j1 i4 O4 v( {
摘 要：6 `% Q- v+ s8 k1 X; o
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
& f. R8 z' M" B$ s9 A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+ _% B* E4 |5 H7 r& c% v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
8 y% G) ^8 G1 a" Q2 u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
2 Q4 p# M: L4 M& \0 \6 C5 b4 T J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
: w% u8 `+ h4 o `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。0 z; @' b8 k3 W5 x1 Z( u% o
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
' G) U, v, C9 y8 B3 n; e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/ u; B- P1 X! P, [6 m' F
特征建立支持向量机分类器模型。7 j8 X+ ~$ p$ h7 B9 u
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9 ^( s0 s" v/ g( e- g/ O
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。
; ]+ ^# b: @( \8 S$ i: e4 P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. q* K3 r- B5 Z
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。
3 M. Y) W/ p% E' o* f3 _$ 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
- U8 P; G1 q& p7 g% c1 [8 h p; C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+ ?4 W2 m! \$ b0 k, {
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
" s; n$ _* D- F. G* T6 j9 L% U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- t- l" k0 u: J
一类神经元具体样本，并给出了一种新的神经元命名方案。
! u& C. O A& M/ k2 l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
$ i- S! O5 C' p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，
3 N) O9 P$ v L" s并利用统计中的典型相关分析给出了改进的模型。/ w+ l- h. ]1 [& e1 f: Q
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
8 B- f" J; j$ k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；
. s8 \% Y) M1 D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。; [1 b! U: O& ~$ G" |. ]
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
' k \" R( f! K( d) t参赛队号 10701001* X* K' h6 l" `6 I! S4 K# W9 ^5 I% `
队员姓名 何立火 朱明敏 侯伟龙
8 Q& j! I# }) r/ m4 X* |* W
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
