【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)元進行分類這一課題是該研究的基礎所在。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,通過查找相關文獻及軟件所附相關說明對各個特征的統(tǒng)計值予以選擇;其次,對數(shù)據(jù)進行質量分析和特征分析,采用PCA和LDA兩種降維方法對提取的形態(tài)特征進行降維,并分別對降維后的新特征進行分析,再針對每種降維方法分別使用支持向量機、決策樹、隨機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。結果表明,不論采用哪種降維方法構建分類模型,其分類效果都比較理想。基于PCA降維后,支持向量機的分類效果是最好的,隨機森林稍次之,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,支持向量機分類效果比隨機森林和決策樹的分類效果要稍好一些,然而,支持向量機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。基于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降維方法分別構建的分類模型中,支持向量機分類效果最好。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)元結構與功能的認識,促進了神經(jīng)信息學的發(fā)展。
【學位授予單位】：華中科技大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：C81
【圖文】：

華 中 科 技 大 學 碩 士 學 位 論 文性可分支持向量機化和支持向量個數(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)點分開的直線線性可分支持向量機就對應于正確劃分數(shù)據(jù)并且間隔最大的

20圖 2-2 隨機森林分類算法的流程圖2.3 分類器效果評價指標在模型的構建完成后，必須評估模型的效果，并根據(jù)評估的結果來對模型的參數(shù)或算法進行調整，以獲得滿意的結果。準確率是評估一個模型最簡單和最常用的指標，但是，如果在沒有任何前提條件下使用準確率作為評估指標，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，當比較不同模型的性能時，利用不同的性能度量通常會導致不同的評估結果。下面是對本文將會用到的一些評價指標簡單介紹：

華 中 科 技 大 學 碩 士 學 位 論 文3 神經(jīng)元基本介紹與數(shù)據(jù)預處理元的基本介紹元是大腦神經(jīng)系統(tǒng)中結構以及功能的最基本的單位，它由細胞體和突成[31]，細胞體的作用是聯(lián)絡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胞體，而軸突只有一條，，它的作用是接受外部刺激并由細胞體傳遞出去。神經(jīng)元的結構圖如

【參考文獻】

相關期刊論文 前10條

1 藺想紅;張玉平;李志強;王佩青;;三維神經(jīng)元幾何形態(tài)生成算法研究進展[J];計算機工程;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)學建模競賽C題論文[J];數(shù)學的實踐與認識;2012年04期

3 鄧中浩;吳賢盛;楊沖;陳龍;;多元統(tǒng)計在神經(jīng)元分類中的應用[J];高等函授學報(自然科學版);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)特征分類中的應用[J];浙江大學學報(農業(yè)與生命科學版);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)學的實踐與認識;2011年14期

7 許景飛;湯紹春;崔丹丹;牛善洲;;基于支持向量機的神經(jīng)元形態(tài)分類[J];數(shù)學的實踐與認識;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];吉林大學學報(信息科學版);2011年03期

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

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

相關碩士學位論文 前5條

1 胡瑋;基于改進鄰域粗糙集和隨機森林算法的糖尿病預測研究[D];首都經(jīng)濟貿易大學;2018年

2 江萬;移動流量中基于用戶訪問序列的表示學習及其應用[D];北京郵電大學;2018年

3 李佳;基于集成極限學習機的神經(jīng)元分類算法研究[D];東華大學;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用[D];重慶大學;2013年

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

本文編號：2756440