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/ h8 c6 a+ J. `5 w0 ^- c
摘 要：
; r3 X0 G& i% z0 f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, f7 W0 c( |: n7 Q& 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
7 p9 |$ l+ d3 P5 C: y/ l, B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$ N/ q* u8 T3 Y [0 O. N! i6 H
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
1 t4 n, e: l9 c( P5 k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$ ]% c0 Q' {$ R$ H6 U% x% [- g
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。
+ U$ f" A3 z f9 p, @; M1 \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
* c6 K4 ^; A8 @. a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 e0 ^0 {9 o2 V' m* A' p' w特征建立支持向量机分类器模型。
" c; e8 a8 {$ f& b3 f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# T) R3 G$ u; g* ]7 w2 |; }# l
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 [* Q6 B }* S) C# s# 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
: f0 _1 u. U8 q4 |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。 A/ m- `! j+ ?8 L& A9 h% l+ [
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
" H# E0 u1 B) f5 p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
/ O: w* R4 w* `; a: |$ Z# {! u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
; x! Z1 o6 U$ X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; a& ^6 Q1 l J8 e2 `$ a5 w
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 ~8 w& N- K V9 I! }
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
" Q1 w" V2 X1 ?* ]0 t/ w. t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，
- U9 x5 l" t# Y$ h4 |并利用统计中的典型相关分析给出了改进的模型。
& g: p8 K9 U$ m7 j& C/ M! K+ V& g- V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7 K" P8 f3 z4 u# L4 ~" H# t; w; y
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；
* ^- B2 D" T$ b& D& |$ ~- K* h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。
9 @( m8 e6 \. p) p* D. u3 L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 @+ t0 B7 h% @$ \ A% u. y参赛队号 10701001% M9 l$ Z n3 }" l9 c' V
队员姓名 何立火 朱明敏 侯伟龙6 K/ C3 J1 G/ C1 a5 `
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
