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
& j8 {) _( h# \6 ^5 m& L摘 要：
8 E( `7 E: h+ C, }7 v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
, ^, i5 u* }' |3 U5 O- 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7 C$ _0 P, o* 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3 F7 y- i* Q4 i( X; p% c
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
. p+ o4 ^+ F2 Z# ~% A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. R' c& i, g! k" n
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。, k, H( U/ r# T$ u* d' s, b
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
5 ^5 \ @6 H P7 V5 F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4 J7 X. F; T1 ]0 c' h$ U* G% Q& d2 i
特征建立支持向量机分类器模型。' \6 d8 D S/ ^- 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$ `; \6 ~" ~8 y, i5 Y: X7 X
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。
1 {; O1 ~+ l; T8 P2 R) }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
* f2 C. j/ U6 n' M( l1 N; L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。4 E/ [4 Y2 {; s- ]
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
% ^ j; U+ A* n8 O, p+ z- U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% I: E1 `, c% _" P/ 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) o+ t' {& A& e" j
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
" \4 D) E* q) ^, b% ^2 |一类神经元具体样本，并给出了一种新的神经元命名方案。9 q+ k; z5 I" n) J7 W- n
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 d) X# {( E6 o' 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，3 c* O, y' l4 l2 R
并利用统计中的典型相关分析给出了改进的模型。
* B" w( K) e4 [6 s2 B: r- ?* P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
* K& w U$ d5 k5 c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；
% S, F8 X& z# ]# W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. e; i2 A5 \/ t( V2 t
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4 ]+ T. R1 ?+ L" @
参赛队号 10701001
. ]! U! O5 O8 h. J队员姓名 何立火 朱明敏 侯伟龙
# V" E+ D. s. x
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
