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! t4 I; m+ u' k3 S, H7 }$ u
摘 要：8 p( z: N' r% Z$ Z+ k1 M
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
1 p6 j% f R/ j1 |, J3 W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9 V$ s1 K8 T8 J( N
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6 T& Q* g8 K r
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# V. x# e( V# s9 b4 f
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: L! X7 O$ x, b( h1 M& q9 a% {0 ^
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。
" _ [% z( G0 S, @3 K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
1 ~: I% B( H2 x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
) w. e+ r$ M: [特征建立支持向量机分类器模型。: n# K* T8 `# t. @. _ {
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. ~0 q" G/ N5 j) n+ f! d6 a% C
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。
* L/ w# @. Q" Z3 p( C+ t0 K/ o3 L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$ x( m2 ~0 A; x: c) [* a
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。0 |1 F; `" B) J( r2 w& h
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 k( K0 l1 _. ~, u/ c
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
. T4 q* y- T9 F: _, I+ B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
k9 O1 A6 j5 A m( 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
1 l3 u( f3 L, }( y5 z一类神经元具体样本，并给出了一种新的神经元命名方案。- c6 c4 b, H) 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
9 K% c* K1 Q& W# d5 y' Y# F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，* Z5 s5 K Y3 |, J% t
并利用统计中的典型相关分析给出了改进的模型。- c/ P% g. `- h
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
3 F7 F8 k1 P) j+ S! D! R- c! L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；: I" `3 x) [% G L5 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。- ~ a' h' O, v( E e! 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
9 Q" Y( E% @& `! a; f" R1 y参赛队号 10701001& _6 M" Y3 T( o8 B ~7 [! Q4 o& {
队员姓名 何立火 朱明敏 侯伟龙1 {8 @2 Q: v) T" m! G" [
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
