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% f9 [0 h5 @, u( `. h- V7 v% Y6 C
摘 要：
" k" F$ V) i6 l3 C+ b$ R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9 ~) e; z! e( s0 m9 Y
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% M$ V3 ~, X- M9 Q3 {+ K
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
( U* f5 m! y* V8 ^; p1 K0 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& f s7 m; u t( l, z* f1 }* p: @
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
% S6 @5 m' j0 [2 A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。2 F y8 B) j! N
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
% v7 d9 _. l& C# P% C& I$ P a; o' J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
" \) M$ O% V+ l1 c$ E+ [特征建立支持向量机分类器模型。
0 x4 l- T/ A) l9 z4 C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 f0 e8 E- b' HSVM 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。
# M! r+ X* ~3 S( e# f# 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
& G) `" F/ n( w' J* l# e/ }# D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。
. d& E# A, G. |- 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# T' x1 L% t7 Y f7 i6 A d4 Z
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
# Y9 }5 A! O- H2 n, H. u% Z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$ i- _8 D' W; C* A
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* K" m1 d; a) M/ [* M
一类神经元具体样本，并给出了一种新的神经元命名方案。) c& P; u$ P( c2 A; S$ b
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; t; P4 b5 N$ n6 U; I
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，
) G1 t8 }# H' }并利用统计中的典型相关分析给出了改进的模型。
* B& R) j0 M6 ~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& N1 v9 r: H% J# \" 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；
6 c% W. G+ Y W4 d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。
+ }* _- S0 c6 I& v" ~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) W: p+ @' t0 M" ]. V# g
参赛队号 10701001
& m2 E; O0 Z& W$ @队员姓名 何立火 朱明敏 侯伟龙8 g# z6 h( ]' v0 G+ j3 L
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
