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 N- R# L& ?! O6 F$ M4 D G摘 要：; P: i) a, f& U1 P2 x$ K$ _4 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
0 l/ j9 f$ \! X5 i/ W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
8 D4 r2 `1 C* N V! A `( ?/ ], {* c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7 H8 m( g. z- Z4 Q H) S
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3 Q$ G: `8 Z0 }
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
, k2 h% D1 e8 T6 |# W- Z1 J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。3 m# b* K3 C' p$ x* Y
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! ^* |: |0 u7 [) h: b
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- M# R) E) g0 t$ ~' S
特征建立支持向量机分类器模型。
' x8 d' F. u4 B! T$ w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( B" s7 O6 p# ^# X f
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。/ f; \( a1 o1 Q& Z! W. g& P& K, j) {
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# I6 Y Y, y3 ?* L& |8 B
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 J* N& D) z/ r# Q: h7 D
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
. M" K3 J. ]1 Z+ C9 @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
! w0 ?5 Q( q! v9 {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( z, _6 T& T$ C( 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( b1 Y0 ?6 H6 J8 A# I0 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。
. \1 L. A8 P+ w5 V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8 Q6 C: H6 Q( I
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 ^/ V; I( N, m& e* g: D, A3 Z
并利用统计中的典型相关分析给出了改进的模型。& s( c/ ?7 j1 S6 r) \9 v x) n
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4 o4 {5 @3 C/ i3 Y$ f8 i! }
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；
0 h. M5 V6 b" g7 j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。
6 ~7 _3 o( |6 @! K& I# d; j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% m6 k" o( \0 A* L! v! i3 e% W0 ^
参赛队号 10701001
5 U! u5 B, Q+ f, x8 I1 {" B9 B队员姓名 何立火 朱明敏 侯伟龙
7 H( v0 H9 Q( P
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
