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
9 T: l! p* w. d! G摘 要：
" P( [+ k2 w. Z" G7 s: w* ^: N" B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! h( C& b! {) V- 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2 B. W/ R" o4 ~ H' T# M
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 y5 Z5 S9 `! j) O9 l# g ] v
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+ z( H+ j. j/ W z( |) X" c5 P* W
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2 ?* u& y [2 H/ M. O/ R7 m* 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。! e, Y) V/ j1 l6 v
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
+ b* O& ^4 N7 r8 n* z( \8 p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
. P5 i% ~3 S' X0 E$ _4 j) y) i特征建立支持向量机分类器模型。. S7 X) S8 _# G7 E2 Z! ?
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
# H$ i4 |. S: ^8 @% zSVM 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。: S3 O6 m% J. D x
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" c, n! G6 ~. C/ J# R
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。
' r; h! F# w* b% T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
6 ~/ M" Y- H G8 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2 E7 ?/ v3 z$ k0 c8 c
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5 O- [0 k/ G/ ?' {) ~
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4 i7 X' c6 U2 [, P% m6 n) Q
一类神经元具体样本，并给出了一种新的神经元命名方案。3 O' y9 V) Q, e7 a& r `5 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
- ]9 w k" r/ ]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，
+ ^! w% x$ `' {9 l) M- A/ [' Y并利用统计中的典型相关分析给出了改进的模型。
* [; ]: s7 ?1 W2 D, H* [8 k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1 R6 I1 @! t- c. h( c% s! h
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；# Y: x3 Y. K$ q; e* y6 g, ]
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。
; S8 M) n% K* t: }' B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3 s8 {) \1 G4 i) z2 ~, I0 i
参赛队号 10701001
2 l' b, g. u+ c* H* \队员姓名 何立火 朱明敏 侯伟龙
; N6 E5 s$ y1 p; T, _- N
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
