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* n& ?4 ~8 v6 D: A7 ]- Q$ b
摘 要：
0 x" y! \/ s/ Q& m1 S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
8 P( |7 `- H# e5 _. e# X- \8 o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 T m* U! N: f2 g, d- g8 ]2 y9 p
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 S+ L' g! V- `3 E
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$ N/ s9 N+ S- g) 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+ s. a" `; y0 i b
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。
& l2 z/ ?9 C( E+ g- }& K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/ U( O7 d( `0 \3 i0 L5 D
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
. T! z1 i3 e S特征建立支持向量机分类器模型。
* X, ?' f2 F! D z5 `% @- h: ^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
8 j" k& ^2 q/ E* [6 ySVM 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。
% C; C/ `0 N3 `! c- R6 _6 Y2 V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+ B# X! |1 v- F( u1 K) 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。7 h9 `' {( Q% i3 r# W4 o9 l6 p
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
0 r5 o2 F0 v4 M2 Q" f5 g 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1 ?1 I1 U/ ^' M8 a# 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
2 }. y% F) N5 N8 Q+ ~. [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
$ O8 ^7 {/ f2 H( y/ [( K一类神经元具体样本，并给出了一种新的神经元命名方案。6 s( x6 q ]0 N
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
# n5 K2 z% N4 h+ R# z& Z9 ~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，! l( @! b$ E+ g* Z" K* I" y
并利用统计中的典型相关分析给出了改进的模型。" U) |* a3 h+ @ M2 [! B* Z9 M
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
% I" o1 a2 S: y! M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；
, l0 ?0 L( t/ i0 V# 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。
5 i& G6 o- G' J9 N& j: 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
( ]( U- H; F T* H! j7 Y参赛队号 10701001" X. X* g4 Q" _; m7 A x* x
队员姓名 何立火 朱明敏 侯伟龙2 ?2 N* m5 `& r4 {7 o6 }. b
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
