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1 E$ d* [ p( u9 Z9 t8 ]
摘 要：
2 P) R. P; K3 I3 F/ N- @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* o; d1 ]# {! p* I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% k3 E" N7 I% b# u: Y& u
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& L3 n0 z% H( ]3 [- m9 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 u. Y t% k( U! u+ r
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2 ]8 y- e n- S* N; a. P
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 u/ x# B5 ^+ g% W- V# D! Q* K# n1 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
3 W6 r' V; R8 L$ o+ y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
$ D3 W6 h0 K4 _1 E特征建立支持向量机分类器模型。
0 e) t) \0 }# z% h, ]# h+ J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( C3 X9 d1 v( T! k) ~- R
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。
1 q) ^' i; k: h |6 W* L8 [' `) w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: I+ s1 ~+ [. U [, Q$ m7 X
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。
% @4 w' E! H0 ?+ w$ j! H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- w/ o3 W: t/ R) q2 S
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
: U, B1 a% s' D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
* X( q& D) V) ^3 \: 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6 `! Z; C$ v: a2 ~0 ?& k) B
一类神经元具体样本，并给出了一种新的神经元命名方案。% E" j0 g3 q6 S. I) o4 o
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% J7 C& B. r- g2 E) f. i4 T% o G
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，4 s; t' E d6 J$ E
并利用统计中的典型相关分析给出了改进的模型。
: v2 y( t, C1 J/ P; V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
# @, h& _7 @2 C" y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；
/ N: x0 N& i! X; A: H. J2 h5 N. b' l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。
2 [2 \3 @( F( y; i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, Q5 C: i( q! @' L8 h
参赛队号 10701001
) j6 a& y) z2 m! j# a队员姓名 何立火 朱明敏 侯伟龙
3 \ P3 ?5 d# T2 c. T% K- W7 }
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
