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
$ q5 M& ~; h% P1 O7 b' C摘 要：
: y) v( q7 D9 L% ], K) l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
4 a \1 w; B5 I7 d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 d( s" A9 Q; k4 a1 e: ]( b
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: w0 `# l3 m; O) P( ?. g8 H1 W
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 Y% m6 A) E# T" 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
- A# W7 d# x) f% ]* m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。6 T4 b& `% n% M' W+ T
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
9 V: J( l. M' E0 V+ u1 ~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) w H r. P9 S( O2 U, t$ y b1 V i
特征建立支持向量机分类器模型。6 G4 q5 r0 w+ g. R4 f
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+ o! @; b* g7 Z% eSVM 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。$ l1 v+ }! d! Z' 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; F. V/ L" O6 e& q6 D$ I2 J# ^
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。6 v; f& ~* ?" Y: L0 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0 K3 j/ J) ~+ ~9 y
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
5 ^0 d4 x8 P/ Z9 L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
7 ^9 p9 N7 @: X6 U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
1 u4 e' l. ?) |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 B. C2 n! z. M/ g! T: c: h
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
: V9 P/ A5 N; }+ Z x5 z: Y' U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 D2 J- Z) i! c
并利用统计中的典型相关分析给出了改进的模型。 U: z5 l, x+ K. {0 B0 H/ p
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
; [/ J: N1 K6 q+ e( b 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；# w( `3 t" V j2 Y+ f& C
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。
/ \' N, ` s& R, O" x0 Y/ y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
* o" S. A, W( S) v1 w1 a参赛队号 10701001
" K. |; {! o. `9 f! L# L; k. B3 u队员姓名 何立火 朱明敏 侯伟龙$ P+ n0 k" O: _/ o# U
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
