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
O6 D1 ]* M* {; T$ L" _摘 要：! f+ V' c' Q( ~* _9 }
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7 e% q6 ]/ ~1 |. V( ]
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 w6 _3 h- l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
4 |' }* n+ @. i4 g1 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
5 w: A/ z4 J I( C8 G) l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
& e& y0 S4 o% w+ x/ c7 e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。
4 |+ B' x" E. K9 V0 Z& l6 z- g# h3 j' m, M% q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1 j% E! ]2 T8 {
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 ^7 Z. C& n" A5 x
特征建立支持向量机分类器模型。+ I2 ^/ t$ h5 ] Z3 r7 }
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
) P' }5 h' H* U) _4 w5 E: P+ }8 Q0 rSVM 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。
] e1 m# n3 h1 c: X3 M7 f- Y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2 @8 ^% R" Z3 q( F
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。
" b% M, V9 W: i9 K2 S+ {9 `) q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 u, Y' f% N7 w+ N
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
, d% G. X2 Q" v3 K( p% q: O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
& R" V' c1 p, l$ D, o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! \8 G, W1 e9 [: n* X) b5 A
一类神经元具体样本，并给出了一种新的神经元命名方案。
- C9 w# ?) r7 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: r ? h% U4 U3 k; Z
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，+ I0 I- m, h# r: y% l
并利用统计中的典型相关分析给出了改进的模型。
) ?) [# S1 E: X2 k7 }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* U/ W- h0 u8 W5 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；6 d, A, a- P. R8 O
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。
0 H8 l" g' S; {: I" \& k# P4 d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
# m1 N6 J$ {4 x9 m5 m$ s参赛队号 10701001+ i5 s/ K% B9 m9 ?0 M' |
队员姓名 何立火 朱明敏 侯伟龙
6 z* k2 D T0 i. [) L
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
