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# `' `; z. |/ l8 U
摘 要：; {% b& ~7 b2 c1 `( i$ g+ X. \
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5 q$ `! I7 }0 q. H( [& 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9 Z0 a3 N. o+ A( y7 ^" _
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
" N5 W( {* @% |3 U; [7 `$ q2 y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+ C/ M3 z. T: ~9 V7 p, w
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$ H! z }9 V" U 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。
7 y. k8 O$ i+ P& |6 y( F8 F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
! E. d1 d/ \0 J2 }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 B# g6 z. l" c5 |6 w5 P
特征建立支持向量机分类器模型。
- y6 Z9 u) m; U; x* }2 A9 t# 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; g; x* Q8 c; K! T' W& m
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。
7 \/ b+ U7 E- F- e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8 j* @+ s0 M+ Q# B$ ~" g4 P. C
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。
8 P/ I7 E* z/ B7 d* R, a. I- }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3 k$ B' |0 e1 O8 {, I% `
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
: o4 ~0 K, z# M- D. Q+ ^4 H, s0 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
" z2 C" S0 A6 j1 z3 p$ y( d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: F- p- A& C# }! a t3 o4 Q
一类神经元具体样本，并给出了一种新的神经元命名方案。
" p7 R* p L0 S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
6 C! Q6 M5 q. N" l& X* ?+ n, ~& C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，
9 g* K) Q1 E& ?4 U0 ~& g1 g4 e3 ]并利用统计中的典型相关分析给出了改进的模型。
6 u$ [7 @7 d4 z1 G4 [: P% P9 }8 }5 f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
, B( l- d9 e* B: P {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；
, y: Y/ O7 R z( Y3 B8 u) F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。% X- [3 W2 L: t, y# H
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
# {. X% ^. l3 c' G! n: F# R! Y参赛队号 10701001
. }, A L, B0 [: t4 l; O# U0 j$ T队员姓名 何立火 朱明敏 侯伟龙
. T! o# n6 |* h) b2 x
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
