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& Y# h' s& ]4 F, t7 g0 V1 b
摘 要:5 Q% g8 t/ _* d1 M9 T: {/ k: 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
; c8 M4 z) `. U$ L4 K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
; E" q. Q3 I" X: |# a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) x. g& z% h1 p- J. A
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3 ?1 _# m0 Q+ L7 n( 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
& t' i& i6 q3 v: n3 Y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。$ ~: C0 m* `$ }" g, 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
" E0 T/ x2 u7 U* g+ r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
3 B+ `* x- o# s6 J% k( J: p特征建立支持向量机分类器模型。# Z2 W/ R7 k- y- J8 l) H
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 [7 t, y- j( c$ Q, Z( J5 USVM 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。2 [$ x! E& @9 i0 n" 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
$ F. l3 @: G& q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。. u4 E$ W/ D) ]4 z: o
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
$ |9 S( X& }0 k, ~* n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
?# j, X9 T! L4 f4 t! Q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' {, Q4 H: S! d1 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
0 K1 G& H6 |9 a* Y! j2 e4 G一类神经元具体样本,并给出了一种新的神经元命名方案。 D- P; X* ^& _" r0 g' d! s0 W
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+ v. O$ ?- [9 _* h( A- e+ }
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,
% b8 K( c! |% Z; J2 s5 M并利用统计中的典型相关分析给出了改进的模型。: d9 p+ E+ C3 b/ X8 V' `( L1 h0 L
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: R8 E% z2 |4 a6 W4 G* x v
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;+ }: C% W( V6 p2 Y
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。
" o- R( d2 b2 U& _4 K& u, U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+ {: }% y6 Z! Z+ E1 m6 y6 C- J% {
参赛队号 10701001
7 [- ]2 m4 f; M队员姓名 何立火 朱明敏 侯伟龙! X: k. S; u7 X9 Q+ x
10701001C.rar
(835.75 KB, 下载次数: 123)
|
zan
|