神经元的形态分类和识别

madio

题 目 神经元的形态分类和识别
. C% Y# h# u8 q6 e7 f摘 要：
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
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
4 L7 g, I9 H" U* j) 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
0 s: s1 V7 }. ^9 |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 O; k8 u1 `$ k/ Q/ U* ~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
; Y- [6 ]4 \9 [  q7 v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。
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
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
0 l2 t+ s5 A* ~* y$ s特征建立支持向量机分类器模型。
/ I- A6 ~1 `/ 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
, i* d2 d* h! n0 t  V" `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。
0 r  u+ w' R7 ]1 R; N: }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
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。
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
* `: P. s- W, A: d5 G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
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
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
一类神经元具体样本，并给出了一种新的神经元命名方案。
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
$ v: T& Z( R3 V& X' b! 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，
并利用统计中的典型相关分析给出了改进的模型。
1 y" B/ E9 u$ X4 n: E6 A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
" R$ q5 v$ E) c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；
) H& |/ y) O# u; H+ Z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。
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
- z' y( B3 {; z+ v参赛队号 10701001
1 l3 Y" d; p+ d8 c9 r7 j8 V队员姓名 何立火 朱明敏 侯伟龙
9 ?9 l& D6 F/ |) i- ` 10701001C.rar (835.75 KB, 下载次数: 123)

2012-9-15 07:57 上传

点击文件名下载附件
下载积分: 体力 -2 点

连续可位

刚刚需要一些论文看看，楼主谢谢啦！

btuzi

谢谢分享