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
, Q- i ]8 }4 _摘 要：. K: S m& [2 s. e6 n
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
2 w; l. U6 p5 M9 c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
r# ?3 a/ Q7 \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2 q- |4 b6 j6 ~. c
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% O K' F4 d! l! J# t, t
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9 A9 B4 w$ H2 f) R
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。
1 i4 |0 ^& j% L8 F5 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7 v) w. T5 }+ c" d7 h; z* E
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2 A" P: o' i. t& F; H; h: y, `1 t
特征建立支持向量机分类器模型。
$ w# O/ A9 k! \" H9 L+ 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) m$ s0 D; n' G5 q$ H; W, e
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。
( Y% P5 _* ~" w& G3 ~5 D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
: n9 h0 @1 F- F, p; ]2 [% \( H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。
5 ^2 ]. ~* ~1 a& Z% x% _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. j; p/ U) P4 Z/ [5 c9 d( E3 ~
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
& r9 W2 X$ o& r9 h# V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
# Y( }, q# u7 C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
( e( y' S8 t5 a' A! A2 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。
0 | W8 m6 S# x2 j" R3 L9 ^& `/ e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
4 g% T6 v" {1 d) K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，
/ t; c' R: V4 H. {8 C5 H" L并利用统计中的典型相关分析给出了改进的模型。. l. v( d4 l! O5 O9 u' F
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- B, N( g' V5 S
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；1 [; v7 q1 K, d7 W+ I. 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。
7 I7 u k! n, a9 n2 c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
7 J2 M2 ] O. i2 j# w# I3 D# c1 r参赛队号 10701001
9 x: e5 l$ X. u; U6 U4 E2 v队员姓名 何立火 朱明敏 侯伟龙
9 A8 c q7 p9 F4 C2 c
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
