本文關鍵詞：基于多元統(tǒng)計分析的神經元特征提取及分類研究，由筆耕文化傳播整理發(fā)布。

【摘要】：神經科學和腦科學迅速崛起是三十年內自然科學發(fā)展的重大事件之一,并且越來越多的事實證明,神經科學可能會引發(fā)自二十一世紀以來生命科學迅猛發(fā)展的又一高潮。本文利用多元統(tǒng)計方法,以神經元幾何形態(tài)特征數(shù)據(jù)為研究對象,對神經元分類問題進行了研究。本文數(shù)據(jù)來源為NeuroMorpho.Org數(shù)據(jù)庫,所用的62個神經元的原始數(shù)據(jù)均以標準的SWC文件格式描述。本文首先使用L-Measure從原始數(shù)據(jù)中提取神經元的43個幾何形態(tài)特征,并從每個特征的7個指標中選取一個有研究意義指標,或者將幾個有研究意義的指標加權組合成一個指標進行分析,然后,構造離散系數(shù)篩選標準,選擇出27個幾何特征,應用因子分析對27個幾何特征進行降維,使27個幾何特征轉化為6個綜合特征因子:(1)神經元的緊密情況;(2)神經元的的大小情況;(3)神經元的分叉情況;(4)神經元的胞體的相關情況;(5)神經元分支與總支間的情況;(6)神經元分叉點間的情況。針對每個神經元的上述6個綜合特征因子,應用聚類分析對神經元進行分類,經過特征選擇的聚類結果與根據(jù)神經元功能的分類結果基本一致,而未進行特征選擇的聚類結果正確率相對較低,且所得譜系圖不易區(qū)分神經元類別,分析比較可得進行特征選擇的聚類結果優(yōu)于未進行特征選擇的結果。針對每個神經元的6個綜合特征因子,本文還應用判別分析進行研究,選取70%的神經元作為訓練樣本,求得了七類神經元相應的判別函數(shù),通過對30%測試樣本檢驗,誤判率為0.053,效果較好。
【關鍵詞】：特征提取 特征選擇 因子分析 聚類分析 判別分析
【學位授予單位】：西安建筑科技大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：R338;O212.4
【目錄】：

• 摘要3-4
• Abstract4-8
• 1. 緒論8-12
• 1.1 論文研究背景8-9
• 1.2 國內外研究現(xiàn)狀9-10
• 1.3 本文研究的目的、意義與內容10-12
• 2. 理論知識12-26
• 2.1 因子分析12-16
• 2.1.1 因子分析的數(shù)學模型12-13
• 2.1.2 相關性分析13-14
• 2.1.3 因子的提取14-16
• 2.2 聚類分析16-21
• 2.2.1 聚類分析的基本思想16
• 2.2.2 樣品觀測值的標準化16-17
• 2.2.3 距離定義17-21
• 2.3 判別分析21-26
• 2.3.1 距離判別法21-22
• 2.3.2 Bayes判別法22-26
• 3. 數(shù)據(jù)預處理及特征空間優(yōu)化設計26-49
• 3.1 數(shù)據(jù)的采集26-28
• 3.2 數(shù)據(jù)預處理28-33
• 3.2.1 數(shù)據(jù)轉換28-30
• 3.2.2 特征提取30-33
• 3.3 幾何形態(tài)特征空間的優(yōu)化設計33-49
• 3.3.1 特征選擇33-38
• 3.3.2 特征組合優(yōu)化38-49
• 4. 聚類分析及判別分析在神經元分類中的應用49-57
• 4.1 聚類分析49-53
• 4.1.1 數(shù)據(jù)標準化50
• 4.1.2 距離構造50-51
• 4.1.3 聚類過程51-53
• 4.2 BAYES判別分析53-57
• 4.2.1 判別函數(shù)構造53-56
• 4.2.2 結果檢驗56-57
• 5. 總結與展望57-58
• 5.1 總結57
• 5.2 展望57-58
• 致謝58-59
• 參考文獻59-61

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 鄧中浩;吳賢盛;楊沖;陳龍;;多元統(tǒng)計在神經元分類中的應用[J];高等函授學報(自然科學版);2011年06期

  本文關鍵詞：基于多元統(tǒng)計分析的神經元特征提取及分類研究，，由筆耕文化傳播整理發(fā)布。

本文編號：251965