本文關鍵詞：基于集成極限學習機的神經(jīng)元分類算法研究

  更多相關文章： 神經(jīng)元分類 稀疏主成分分析 極限學習機 正則化 Adaboost

【摘要】：神經(jīng)元是大腦結構中最基本的單位,想要了解大腦的結構和功能,就要先對神經(jīng)元進行研究。由于神經(jīng)元結構復雜,種類繁多,想要了解神經(jīng)元,首先就要解決神經(jīng)元的分類問題。從現(xiàn)代神經(jīng)科學開始以來,神經(jīng)元的分類問題一直備受爭議。近幾年的實驗進展加快了數(shù)據(jù)采集的速度,由此產(chǎn)生了大量關于神經(jīng)元的形態(tài)、生理和分子特性的數(shù)據(jù),這些數(shù)據(jù)鼓勵研究者們努力通過強大的機器學習技術,實現(xiàn)自動化的神經(jīng)元分類。為了實現(xiàn)對于神經(jīng)元的有效分類,本文從神經(jīng)元的形態(tài)結構入手,對神經(jīng)元的分類方法進行研究。具體工作如下:(1)采用稀疏主成分分析算法提取神經(jīng)元的主要形態(tài)特征。在對神經(jīng)元分類的研究中,由于神經(jīng)元結構復雜,形態(tài)特征較多,在對神經(jīng)元的形態(tài)特征進行分析時,首先需要對其進行降維。稀疏主成分分析算法可以有效的對高維數(shù)據(jù)進行降維,降維后得到的主要特征不僅能夠包含原始數(shù)據(jù)的大部分信息,而且由于部分因子載荷稀疏至零,能夠利于研究者對稀疏主成分給出具有實際意義的分析。(2)采用極限學習機算法對神經(jīng)元進行分類。為了能夠準確且快速的實現(xiàn)神經(jīng)元的分類,本文采用極限學習機算法對神經(jīng)元進行分類,并與傳統(tǒng)的支持向量機、BP神經(jīng)網(wǎng)絡進行對比。實驗結果證明極限學習機能夠?qū)ι窠?jīng)元進行有效的分類,且分類精度以及訓練速度都要優(yōu)于支持向量機和BP神經(jīng)網(wǎng)絡。(3)提出了正則在線極限學習機以及基于Adaboost集成的正則在線極限學習機算法,并用于對神經(jīng)元進行分類。為了得到更加準確的分類效果,本文對在線極限學習機進行了改進,引入正則化因子,提出了正則在線極限學習機(ROS-ELM),分析了正則化因子對在線極限學習機性能的影響。在此基礎上,采用Adaoost算法對正則在線學習機進行集成,得到了更加優(yōu)化的ROS-ELM_Adaboost算法。采用ROS-ELM_Adaboost算法設計神經(jīng)元的分類模型,并通過對比實驗證明了本文提出的兩種算法的優(yōu)勢。
【學位授予單位】：東華大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：R338;TP18

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前4條

1 吳平;宋淑亮;王允山;梁浩;王偉莉;吉愛國;;神經(jīng)元遷移的細胞和分子機制[J];生命的化學;2010年02期

2 許鐵 ,汪濤;神經(jīng)元100周年[J];生理科學進展;1992年01期

3 馬立濤;破解記憶之謎[J];廈門科技;2002年01期

4 ;[J];;年期

中國重要會議論文全文數(shù)據(jù)庫 前1條

1 陳國斌;沈行良;;神經(jīng)元的間室模型假設[A];中國生物醫(yī)學工程進展——2007中國生物醫(yī)學工程聯(lián)合學術年會論文集（下冊）[C];2007年

中國重要報紙全文數(shù)據(jù)庫 前1條

1 秦篤烈;科學家發(fā)現(xiàn)大腦神經(jīng)細胞記憶結構變化[N];科技日報;2002年

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 陸博;神經(jīng)元的混合模式振蕩及動力學研究[D];華南理工大學;2016年

中國碩士學位論文全文數(shù)據(jù)庫 前1條

1 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

，

本文編號：1278825