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
1 l3 H7 P4 {( s% K2 E, c8 D# ?摘 要:
0 {0 W5 R! N6 K. @3 w& P( F5 @ ?5 K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 j+ x4 W, j$ G0 m9 |
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" f* p8 H! @: D" ]6 F
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
) q9 K+ X q0 ~! 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
# e* d; r4 M; ~' ?( N& 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
' k# u, h( K8 @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。+ \0 H6 C5 [) Y! D
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 O( y' \7 A; ]( ~ g
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, p8 p: _" Z1 E, F. u) \( m. b Q
特征建立支持向量机分类器模型。- l* g4 e# B; B* D9 l1 A1 U" O
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9 `; } p- l, d7 p
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。
/ J% ~0 T- ?2 U0 O. ]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
8 Q$ I! y0 R2 u* j" P' l" e5 ]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。2 Y- Y, R" k6 ~; z& }
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 F# W7 H, H4 n, T- }7 d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( l* Z2 n1 u7 h7 m8 H
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6 s% u1 Q9 Q2 L8 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" t5 M; [, n6 j9 o
一类神经元具体样本,并给出了一种新的神经元命名方案。# F2 k$ B: D/ }* q
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
" R* S! w% w* S- z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 u4 t0 \( N' v并利用统计中的典型相关分析给出了改进的模型。
; U6 T. m7 y& F3 f0 ?9 V, P7 o9 {1 v+ L8 n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 g/ N4 c5 }8 r8 f, u7 M+ R
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;+ o) F" q* d3 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。$ o5 \4 T0 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
' L, E; Z) Y* r, J/ s9 P) |8 [参赛队号 10701001( M( ?! T) J' T: Z
队员姓名 何立火 朱明敏 侯伟龙
: ]1 @" g/ u6 N' V/ `% J, X
10701001C.rar
(835.75 KB, 下载次数: 123)
|
zan
|