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) _/ U; m4 t* E; I
摘 要：8 q- s! S4 H, H/ Y& T, T
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
( H6 I. K6 u6 ~- D0 D! ~, u2 g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
- ]0 M+ r( _; \6 \) C; \* F+ u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 u- a9 Y8 L% Q8 n. P
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7 {) u" z5 {# [7 w$ M \5 }. U6 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
& G* d N; v' q: D/ | t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。5 X! J i, o; j- D7 a
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4 V _3 t3 v4 R8 T- y% E/ X3 {
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) W1 _3 K# p9 V6 }
特征建立支持向量机分类器模型。4 ]# B$ G" O X4 ~! u' d/ P) Z
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1 n% @( Z- t3 ^/ } b5 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。
+ s1 F' U8 t- F& Z; e0 a2 g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
7 V0 E' M& h$ w' k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; t0 p4 w Z/ Z: Q! t3 E) U4 a+ B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 n9 R/ H7 Q% I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
, m# p$ u: {' C/ r$ a$ {# z9 v& t. J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7 {5 n$ X- m1 I1 Q E* r
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
* B9 i: j" a4 X4 p n一类神经元具体样本，并给出了一种新的神经元命名方案。) l# a' B' y! ~ p6 j) X' l) L7 ^
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
- z7 A& ?! k- D3 w1 g; m4 w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，6 Q2 `' P( j k( f7 A
并利用统计中的典型相关分析给出了改进的模型。7 W9 |- {& x7 c- C
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
! j% D4 `3 j8 E) f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；
0 k: k3 E4 l0 a' V1 t& q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。; q) T( \" T, m
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# \) _! B- D' _! ]5 M2 w: {5 ?( G
参赛队号 10701001
; H% D4 x s1 c& K; {队员姓名 何立火 朱明敏 侯伟龙
7 P& {3 p* i( W) @' r
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
