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
: s) T i- Y3 r' }# e摘 要： i) [! u p9 L6 o/ q2 K5 A
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# d6 O; n. z" A' E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. `3 V6 k4 {( N U, W1 w
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 W+ k" Y8 o& l! n! X- p$ ]! t8 }
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
! a% H! k5 ~, ?# B e! d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
+ C; e5 L$ U5 U# H; p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。4 ]" u7 n' G. C8 m) L: q. C0 P
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/ a$ d- y* Z% M" n: P/ K3 \
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
( e4 d! H, e7 A2 D O特征建立支持向量机分类器模型。
# Y6 E/ y9 [+ G+ D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* O( _/ k8 d" w- ? r8 h
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。3 _ K7 D0 l* S2 g# W; G: u
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
- B+ j6 B+ C9 v: F W1 F3 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。
( P) ~( _7 F; }( ~$ g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
- ^1 N& X2 Z5 {% |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
% }- g3 R5 F9 B5 `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1 G( E! a" v; W3 \/ |4 k. U+ s% O
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8 N. _2 n" k4 D: V" ]$ \
一类神经元具体样本，并给出了一种新的神经元命名方案。
1 ^* w7 k: X" X3 L& z. |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2 j* x2 d s% L& B+ c9 S
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，
/ S! s/ V- y7 ?$ f' t! b! O并利用统计中的典型相关分析给出了改进的模型。& B W9 {$ e- z k) o
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
/ D5 @/ X! o' Q" k. _& _# n( I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；
/ D6 f. W* f( h3 W0 W- r* x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。
0 k4 }2 K% E8 L& p/ O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( w8 }) ~; M5 h' `& n! @
参赛队号 10701001
& l1 Q. H2 G; N8 L( E) O) T( Y队员姓名 何立火 朱明敏 侯伟龙1 ?3 A% {2 I1 h+ |9 i% M
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
