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
3 X/ J- X. ?. q/ q8 E! w摘 要：2 B4 s6 U3 c! K& f% R$ U1 T, e; `
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
: N% j: z9 a$ p* N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
3 b* J) Z' u7 S) t" X! p$ j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
# R: F6 n4 F1 Y: z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
6 j' L# ~9 B1 e) v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' {, E4 d- w- V- ^1 n& d4 `
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。( I& L! m5 @# v- m: q$ `* d
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
: ]! }! ?$ t. g" v* L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2 b0 J$ ?- ~5 U8 I9 S# S1 G6 ?4 ~
特征建立支持向量机分类器模型。$ s- P' j7 c% Q; j9 p# S
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' H. H6 \9 W2 K; B
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。
& y0 K% {# B9 X- k, @) i0 `3 o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
; l+ m( J+ u: X, 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。7 o8 c1 E b) o+ `- Q3 m/ w
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, n9 @+ A% T8 [
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
3 k2 K6 g" r+ J% Y1 x- U( S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9 c' {" b# L0 ~. q. l
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 v/ t# N% N0 m+ b& g
一类神经元具体样本，并给出了一种新的神经元命名方案。
, X5 G/ {4 d$ H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
- j( ?0 K3 k. k6 L! z# g5 H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，
5 A7 C. n% t Z# S" |+ W并利用统计中的典型相关分析给出了改进的模型。
1 r, A$ n8 N& ~& W: \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, B1 [. O- g' ^9 T1 H1 a: C8 D/ u
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；8 t! N2 d) w: {/ k# i
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。
. k1 ]! }( z& v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
+ W4 W5 Q ^% X5 z' H. s参赛队号 10701001
" r! H5 E3 Q; G+ ~* ]8 u3 G队员姓名 何立火 朱明敏 侯伟龙+ f* E/ B) c, c- _' S
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
