發(fā)布時間：2020-07-15 11:32

【摘要】：大腦是控制生命活動的重要器官,而神經(jīng)元作為大腦的基本單位,可將各種外界信息傳遞給大腦,是信息傳遞真正的核心,因此對神經(jīng)元的研究是十分必要的,而根據(jù)神經(jīng)元的幾何形態(tài)特征對不同物種的神經(jīng)元進(jìn)行分類這一課題是該研究的基礎(chǔ)所在。然而,迄今為止,這一課題仍未得到較好的解決。本文主要是從神經(jīng)元的形態(tài)特征出發(fā),對人類、黑猩猩和猴子這三個物種的錐體神經(jīng)元進(jìn)行分類。首先,利用L-Measure軟件提取三個物種的錐體神經(jīng)元形態(tài)特征,通過查找相關(guān)文獻(xiàn)及軟件所附相關(guān)說明對各個特征的統(tǒng)計值予以選擇;其次,對數(shù)據(jù)進(jìn)行質(zhì)量分析和特征分析,采用PCA和LDA兩種降維方法對提取的形態(tài)特征進(jìn)行降維,并分別對降維后的新特征進(jìn)行分析,再針對每種降維方法分別使用支持向量機(jī)、決策樹、隨機(jī)森林三種分類算法來對三個物種的錐體神經(jīng)元分類;最后,分析比較不同降維方法及不同分類算法對錐體神經(jīng)元分類效果的影響。結(jié)果表明,不論采用哪種降維方法構(gòu)建分類模型,其分類效果都比較理想�；�于PCA降維后,支持向量機(jī)的分類效果是最好的,隨機(jī)森林稍次之,決策樹最差,而三種分類算法均是對人類錐體神經(jīng)元分類效果最好,其次是猴子錐體神經(jīng)元,最差的是黑猩猩錐體神經(jīng)元;基于LDA降維后,支持向量機(jī)分類效果比隨機(jī)森林和決策樹的分類效果要稍好一些,然而,支持向量機(jī)和決策樹對黑猩猩錐體神經(jīng)元分類效果最好,其次是猴子錐體神經(jīng)元,人類錐體神經(jīng)元最差�；�于PCA降維后,三種分類算法的分類效果都比基于LDA降維后的分類效果好,并且,采用PCA和LDA降維方法分別構(gòu)建的分類模型中,支持向量機(jī)分類效果最好。這些降維法及分類算法的研究可為基于空間形態(tài)特征對不同物種的其他神經(jīng)元分類提供依據(jù),加深了人們對神經(jīng)元結(jié)構(gòu)與功能的認(rèn)識,促進(jìn)了神經(jīng)信息學(xué)的發(fā)展。
【學(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：C81
【圖文】：

華 中 科 技 大 學(xué) 碩 士 學(xué) 位 論 文性可分支持向量機(jī)化和支持向量個數(shù)據(jù)樣本，如果它能夠被一個線性函數(shù)分開，那么就稱該。線性函數(shù)在二維平面上是一條直線，在三維空間中就是一果不考慮空間的維數(shù)，則這種線性函數(shù)被稱為超平面。我們單例子，圖 2-1 中的(a)是已有的數(shù)據(jù)樣本，紅色和藍(lán)色分別數(shù)據(jù)顯然能夠線性可分，很明顯能將這兩類數(shù)據(jù)點(diǎn)分開的直線線性可分支持向量機(jī)就對應(yīng)于正確劃分?jǐn)?shù)據(jù)并且間隔最大的

20圖 2-2 隨機(jī)森林分類算法的流程圖2.3 分類器效果評價指標(biāo)在模型的構(gòu)建完成后，必須評估模型的效果，并根據(jù)評估的結(jié)果來對模型的參數(shù)或算法進(jìn)行調(diào)整，以獲得滿意的結(jié)果。準(zhǔn)確率是評估一個模型最簡單和最常用的指標(biāo)，但是，如果在沒有任何前提條件下使用準(zhǔn)確率作為評估指標(biāo)，則其通常無法反映一個模型性能的優(yōu)劣。所以，對一個模型來說，我們需要從它的不同方面去判斷其性能，當(dāng)比較不同模型的性能時，利用不同的性能度量通常會導(dǎo)致不同的評估結(jié)果。下面是對本文將會用到的一些評價指標(biāo)簡單介紹：

華 中 科 技 大 學(xué) 碩 士 學(xué) 位 論 文3 神經(jīng)元基本介紹與數(shù)據(jù)預(yù)處理元的基本介紹元是大腦神經(jīng)系統(tǒng)中結(jié)構(gòu)以及功能的最基本的單位，它由細(xì)胞體和突成[31]，細(xì)胞體的作用是聯(lián)絡(luò)與整合輸入的信息并將信息傳出，其中含起包括樹突和軸突兩種類型，樹突有多條且較短，它的分布呈樹枝狀把來自其他神經(jīng)元軸突傳來的脈沖傳遞給細(xì)胞體，而軸突只有一條，，它的作用是接受外部刺激并由細(xì)胞體傳遞出去。神經(jīng)元的結(jié)構(gòu)圖如

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 藺想紅;張玉平;李志強(qiáng);王佩青;;三維神經(jīng)元幾何形態(tài)生成算法研究進(jìn)展[J];計算機(jī)工程;2015年02期

2 孟凡順;徐會君;王立艷;劉晨;;神經(jīng)元的形態(tài)分類和識別——2010年全國研究生數(shù)學(xué)建模競賽C題論文[J];數(shù)學(xué)的實踐與認(rèn)識;2012年04期

3 鄧中浩;吳賢盛;楊沖;陳龍;;多元統(tǒng)計在神經(jīng)元分類中的應(yīng)用[J];高等函授學(xué)報(自然科學(xué)版);2011年06期

4 陸良虎;畢碩本;葛薦;閆蕎蕎;顏堅;;基于AdaBoost的神經(jīng)元形態(tài)分類的研究[J];系統(tǒng)仿真學(xué)報;2011年10期

5 張靜;鄧仕槐;郭航;沈飛;古維剛;李元偉;;聚類分析在神經(jīng)元形態(tài)特征分類中的應(yīng)用[J];浙江大學(xué)學(xué)報(農(nóng)業(yè)與生命科學(xué)版);2011年05期

6 呂冬妮;康彩;臺流臣;何力軍;;神經(jīng)元的形態(tài)分類和識別[J];數(shù)學(xué)的實踐與認(rèn)識;2011年14期

7 許景飛;湯紹春;崔丹丹;牛善洲;;基于支持向量機(jī)的神經(jīng)元形態(tài)分類[J];數(shù)學(xué)的實踐與認(rèn)識;2011年14期

8 尚小晶;劉小梅;李成鳳;李陽;田彥濤;;神經(jīng)元的幾何形態(tài)分類[J];吉林大學(xué)學(xué)報(信息科學(xué)版);2011年03期

9 王曉慧;;線性判別分析與主成分分析及其相關(guān)研究評述[J];中山大學(xué)研究生學(xué)刊(自然科學(xué)、醫(yī)學(xué)版);2007年04期

10 王松,張銘;人類腦計劃與感覺實驗室項目[J];高等函授學(xué)報(自然科學(xué)版);2003年05期

相關(guān)碩士學(xué)位論文 前5條

1 胡瑋;基于改進(jìn)鄰域粗糙集和隨機(jī)森林算法的糖尿病預(yù)測研究[D];首都經(jīng)濟(jì)貿(mào)易大學(xué);2018年

2 江萬;移動流量中基于用戶訪問序列的表示學(xué)習(xí)及其應(yīng)用[D];北京郵電大學(xué);2018年

3 李佳;基于集成極限學(xué)習(xí)機(jī)的神經(jīng)元分類算法研究[D];東華大學(xué);2017年

4 陳多;數(shù)據(jù)降維方法研究及在人臉性別識別中的應(yīng)用[D];重慶大學(xué);2013年

5 徐小轉(zhuǎn);神經(jīng)元的形態(tài)分類算法研究[D];華東師范大學(xué);2011年

本文編號：2756440