检索结果-南通市图书馆

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

神经元的形态分类和识别

数学的实践与认识 2011年第14期41卷 156-164页

作者：吕冬妮康彩台流臣何力军宁夏大学物理电气信息学院宁夏银川750021

对神经元特性的认识,最基本问题是神经元的分类.神经元的形态复杂多样,神经元的识别分类问题有相当的困难.对提供的参考数据进行统计分析,将其转化成对应每类神经元的空间形态的指标参数,然后对每个指标进行定性分析和对比分析,确定对... 详细信息

对神经元特性的认识,最基本问题是神经元的分类.神经元的形态复杂多样,神经元的识别分类问题有相当的困难.对提供的参考数据进行统计分析,将其转化成对应每类神经元的空间形态的指标参数,然后对每个指标进行定性分析和对比分析,确定对各类型神经元细胞识别起关键作用的指标,利用层次分析法、图形截面、几何相似性等分析方法建立神经元的分类模型.分类模型能够将附录提供的神经元进行准确的分类.数据分析采用开源科学计算软件Scilab进行处理,运行环境为Scilab5.2,部分代码采用C#基于VS2008开发.

关键词：神经元分类数学建模 Scilab 分类法

内侧内嗅皮层第五层的神经元分类与内部连接模式

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

内侧内嗅皮层第五层的神经元分类与内部连接模式

作者：闫凯月哈尔滨工业大学

学位级别：硕士

神经元具有多种分子、形态、连接和功能特性。管理这种复杂性的唯一现实方法是将神经元分组,然后对其进行系统和重复性的分析,从而为理解大脑环路的结构、功能和发育铺平道路。内侧内嗅皮层（MEC）的第五层（L5）分为a、b两个亚层（L5a... 详细信息

神经元具有多种分子、形态、连接和功能特性。管理这种复杂性的唯一现实方法是将神经元分组,然后对其进行系统和重复性的分析,从而为理解大脑环路的结构、功能和发育铺平道路。内侧内嗅皮层（MEC）的第五层（L5）分为a、b两个亚层（L5a和L5b）,其中,L5b接收来自海马的输入,而L5a产生主要的内嗅输出。但是目前L5的神经元的种类还没有系统的分类,L5a到L5b的连接模式也并不清楚因此,本课题旨在研究MEC L5a和L5b神经元分类和内部连接,明确L5a和L5b神经元的连接方向和概率等,使海马-MEC-端脑环路信息流完整。首先,本课题先进行信号采集,同时向神经元注射生物胞素进行表征,重构以后进行人工分类,并基于形态学使用密度热图分析方案,验证人工分类的科学性。在电生理层面,我们先提取28个电生理参数,在形态学分类的基础上提取对应的电生理参数的相对重要性,得到能够区分不同类别细胞的主要电生理参数。而后用三电极膜片钳记录神经元连接,探索L5的内部连接模式。研究结果显示,根据形态学特点,L5神经元可分为6类,而且L5a中有一类神经元外侧的基底树突密度更高,长度更长。凹陷比、动作电位阈值和输入阻抗这三个参数是能区分这6类神经元的主要电生理参数;L5a锥体神经元自连接的概率约为10.8%（13/120）;L5b锥体神经元到L5a锥体神经元的连接概率约为2.3%（1/43）;此外还发现L5a锥体神经元到L5b锥体神经元的连接率约为7.0%（3/43）。L5中至少含有反馈抑制和发散两种环路模式。综上所述,本课题发现了外侧基底树突长度更长密度更高的大锥体神经元,且找到了L5b向L5a投射的直接证据,从而明确L5神经元的内部连接模式,计算了锥体神经元之间的连接概率,完善了海马-MEC-端脑环路上最重要的一环,为MEC的深层研究及海马-MEC-端脑神经环路的相关研究奠定了很好的研究基础。

关键词：内侧内嗅皮层锥体神经元神经元分类神经环路

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于集成极限学习机的神经元分类算法研究

基于集成极限学习机的神经元分类算法研究

作者：李佳东华大学

学位级别：硕士

神经元是大脑结构中最基本的单位,想要了解大脑的结构和功能,就要先对神经元进行研究。由于神经元结构复杂,种类繁多,想要了解神经元,首先就要解决神经元的分类问题。从现代神经科学开始以来,神经元的分类问题一直备受争议。近几年的实... 详细信息

神经元是大脑结构中最基本的单位,想要了解大脑的结构和功能,就要先对神经元进行研究。由于神经元结构复杂,种类繁多,想要了解神经元,首先就要解决神经元的分类问题。从现代神经科学开始以来,神经元的分类问题一直备受争议。近几年的实验进展加快了数据采集的速度,由此产生了大量关于神经元的形态、生理和分子特性的数据,这些数据鼓励研究者们努力通过强大的机器学习技术,实现自动化的神经元分类。为了实现对于神经元的有效分类,本文从神经元的形态结构入手,对神经元的分类方法进行研究。具体工作如下:(1)采用稀疏主成分分析算法提取神经元的主要形态特征。在对神经元分类的研究中,由于神经元结构复杂,形态特征较多,在对神经元的形态特征进行分析时,首先需要对其进行降维。稀疏主成分分析算法可以有效的对高维数据进行降维,降维后得到的主要特征不仅能够包含原始数据的大部分信息,而且由于部分因子载荷稀疏至零,能够利于研究者对稀疏主成分给出具有实际意义的分析。(2)采用极限学习机算法对神经元进行分类。为了能够准确且快速的实现神经元的分类,本文采用极限学习机算法对神经元进行分类,并与传统的支持向量机、BP神经网络进行对比。实验结果证明极限学习机能够对神经元进行有效的分类,且分类精度以及训练速度都要优于支持向量机和BP神经网络。(3)提出了正则在线极限学习机以及基于Adaboost集成的正则在线极限学习机算法,并用于对神经元进行分类。为了得到更加准确的分类效果,本文对在线极限学习机进行了改进,引入正则化因子,提出了正则在线极限学习机(ROS-ELM),分析了正则化因子对在线极限学习机性能的影响。在此基础上,采用Adaoost算法对正则在线学习机进行集成,得到了更加优化的ROS-ELMdaboost算法。采用ROS-ELMdaboost算法设计神经元的分类模型,并通过对比实验证明了本文提出的两种算法的优势。

关键词：神经元分类稀疏主成分分析极限学习机正则化 Adaboost

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于形态特征的神经元分类

基于形态特征的神经元分类

作者：宣蓓蓓华中科技大学

学位级别：硕士

大脑是控制生命活动的重要器官,而神经元作为大脑的基本单位,可将各种外界信息传递给大脑,是信息传递真正的核心,因此对神经元的研究是十分必要的,而根据神经元的几何形态特征对不同物种的神经元进行分类这一课题是该研究的基础所在。然... 详细信息

大脑是控制生命活动的重要器官,而神经元作为大脑的基本单位,可将各种外界信息传递给大脑,是信息传递真正的核心,因此对神经元的研究是十分必要的,而根据神经元的几何形态特征对不同物种的神经元进行分类这一课题是该研究的基础所在。然而,迄今为止,这一课题仍未得到较好的解决。本文主要是从神经元的形态特征出发,对人类、黑猩猩和猴子这三个物种的锥体神经元进行分类。首先,利用L-Measure软件提取三个物种的锥体神经元形态特征,通过查找相关文献及软件所附相关说明对各个特征的统计值予以选择;其次,对数据进行质量分析和特征分析,采用PCA和LDA两种降维方法对提取的形态特征进行降维,并分别对降维后的新特征进行分析,再针对每种降维方法分别使用支持向量机、决策树、随机森林三种分类算法来对三个物种的锥体神经元分类;最后,分析比较不同降维方法及不同分类算法对锥体神经元分类效果的影响。结果表明,不论采用哪种降维方法构建分类模型,其分类效果都比较理想。基于PCA降维后,支持向量机的分类效果是最好的,随机森林稍次之,决策树最差,而三种分类算法均是对人类锥体神经元分类效果最好,其次是猴子锥体神经元,最差的是黑猩猩锥体神经元;基于LDA降维后,支持向量机分类效果比随机森林和决策树的分类效果要稍好一些,然而,支持向量机和决策树对黑猩猩锥体神经元分类效果最好,其次是猴子锥体神经元,人类锥体神经元最差。基于PCA降维后,三种分类算法的分类效果都比基于LDA降维后的分类效果好,并且,采用PCA和LDA降维方法分别构建的分类模型中,支持向量机分类效果最好。这些降维法及分类算法的研究可为基于空间形态特征对不同物种的其他神经元分类提供依据,加深了人们对神经元结构与功能的认识,促进了神经信息学的发展。

关键词：神经元分类主成分分析线性判别分析支持向量机决策树随机森林

基于深度学习网络的神经元自适应投影分类方法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

电子学报 2020年第7期48卷 1321-1329页

作者：蔺想红郑鉴洋王向文马慧芳西北师范大学计算机科学与工程学院甘肃兰州730070

传统的基于几何形态的神经元分类方法依赖于神经元空间结构特征的提取与选择,会损失大量有用的神经元分类信息.应用自适应投影算法将三维神经元进行转换,不需要提取神经元的几何特征,提出了一种基于深度学习网络的神经元几何形态分类方... 详细信息

传统的基于几何形态的神经元分类方法依赖于神经元空间结构特征的提取与选择,会损失大量有用的神经元分类信息.应用自适应投影算法将三维神经元进行转换,不需要提取神经元的几何特征,提出了一种基于深度学习网络的神经元几何形态分类方法.该方法将原始神经元数据进行三维体素重建,经过自适应投影过程构成二维神经元图像数据,并构建了基于双卷积门限循环神经网络的深度学习模型对神经元进行分类.将该方法应用于三种神经元分类数据集,通过与基于特征提取的神经元分类方法相比,实验结果表明该方法具有更高的分类准确率和良好的适应能力.

关键词：神经元分类自适应投影卷积神经网络门限循环单元

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于神经元空间形态的分类方法研究

基于神经元空间形态的分类方法研究

作者：李梦瑶华中科技大学

学位级别：硕士

人类大脑计划的目的是为全世界的神经信息学数据库构造统一标准跨学科融合分析的大量数据,使人们对大脑的认识更迅速。"大脑计划"的成果将有助于人类彻底理解大脑的运行方式,进一步阐明意识的发生、思维过程等一系列科学谜题,也为各种... 详细信息

人类大脑计划的目的是为全世界的神经信息学数据库构造统一标准跨学科融合分析的大量数据,使人们对大脑的认识更迅速。"大脑计划"的成果将有助于人类彻底理解大脑的运行方式,进一步阐明意识的发生、思维过程等一系列科学谜题,也为各种大脑疾病的治疗打下坚实基础。我国也在大力发展中国特色的"中国脑计划"。大脑构造的基本单位是神经元,对其研究尤为基础和重要。根据空间形态区分不同类别的神经元是其中的一个重要课题,但这个问题目前仍没有很好地解决。本文从神经元的外部直观特征--空间形态入手,运用现在主流的模式识别方法对神经元进行分类。从神经元数据库收集大脑皮层区域最常见的四类神经元数据:中间神经元、氨基丁酸能神经元、硝基能神经元、锥体神经元。数据以SWC格式存储,所以先计算神经元空间形态属性,得到43个属性特征。然后进行特征选择,选取了22个特征。之后采用特征选取和分类同时进行的几种模式识别方法——决策树、贝叶斯网络、人工神经网络、支持向量机进行神经元分类,最后进行结果分析。结果表明,三种方法都比较理想。决策树的分类方法最佳,人工神经网络次之,支持向量机紧跟其后,贝叶斯网络稍差。决策树准确率为99.55%。决策树采用CART算法,用基尼系数作为不纯度选取变量克服了选择变量时偏向于选择取值多的变量的不足。所以对样本能做出适用而且效果良好的结果。神经网络准确率为99.22%。采用BP算法,并行分布处理能力强,能充分逼近复杂的非线性关系。但不同参数设置会影响分类效果。支持向量机准确率为99.116%,它处理高维数据效果很好,但核函数选择不当导致支持向量机分类性能变差。贝叶斯网络准确率为90.38%,分类效果也还不错。但神经元变量间因果关系不明显,所以降低了分类效果。这些分类方法的研究可以对更多不同类别的神经元进行比较准确的分类,以及对未知神经元进行预测,为功能研究奠定基础,可运用于医学等相关领域。

关键词：神经元分类决策树贝叶斯网络人工神经网络支持向量机

基于深度学习网络的神经元几何形态分类方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习网络的神经元几何形态分类方法研究

作者：郑鉴洋西北师范大学

学位级别：硕士

大脑的结构和功能非常复杂,人类脑计划结合神经科学与信息科学对大脑的结构特征和认知功能进行研究,其目标是利用现代化信息工具,建立神经信息学数据库的通用标准,并在不同层次上对神经信息学数据进行检索、分析、整合和建模。神经元作... 详细信息

大脑的结构和功能非常复杂,人类脑计划结合神经科学与信息科学对大脑的结构特征和认知功能进行研究,其目标是利用现代化信息工具,建立神经信息学数据库的通用标准,并在不同层次上对神经信息学数据进行检索、分析、整合和建模。神经元作为神经系统的基本组成和计算单元,具有丰富多样的空间几何形态结构,根据神经元的几何形态对神经元的类型进行合理划分,可以更好地了解神经元的特征和信息传递过程,同时理解大脑的结构与功能关系。然而神经元具有种类和特征数量多、极为复杂的特点,使得目前对神经元进行准确的几何形态分类仍然非常困难。深度学习是一种能够从复杂的数据中自动提取出抽象、非线性的高维特征,从而解决问题的机器学习算法。深度学习在图像理解、语音识别、自然语言处理等领域取得了重大进展,为复杂模式识别问题提供了全新的计算方式。本文使用所提出的深度学习网络模型来对不同的神经元数据做特征学习和提取,以更好地进行神经元的几何形态分类研究。首先,构建了神经元几何形态分类研究中的神经元分类数据集,当选取的神经元差异较大时会导致神经元几何形态分类难度过低、泛化能力验证不足的问题,本文构建了线虫和斑马鱼体内不同神经元种类数据集,以验证本文提出方法的分类准确率和泛化性。这两种神经元数据集中的神经元具有较高的几何形态相似性,要对其进行准确的分类非常具有挑战性。其次,为了实现对神经元几何形态的有效分类,先对全连接深度神经网络和深度残差神经网络进行研究,将深度残差神经网络中的跳跃连接思想应用到全连接深度神经网络中,接着使用局部累加的思想来改进深度残差神经网络,提出基于局部累加连接深度神经网络的神经元分类方法。将该方法应用于两种神经元数据集的几何形态分类,并分析模型相关参数对分类性能的影响。通过和所选用的多个经典的机器学习方法进行对比,实验结果表明该方法具有更高的分类准确率。最后,传统的基于几何形态的神经元分类方法依赖于神经元空间结构特征的提取与选择,会损失大量有用的神经元分类信息。应用三维神经元的几何形态信息,提出了一种基于深度学习网络的神经元几何形态分类方法。该方法的特点是不需要提取神经元的几何形态量化特征,可以直接对卷积型深度学习模型输入神经元图像信息来实现神经元几何形态的分类识别。该方法将原始神经元数据进行三维体素重建,经过自适应投影过程构成二维神经元图像数据,并构建了基于双卷积门限循环神经网络的深度学习模型对神经元进行分类。将该方法应用于两种神经元分类数据集,通过与基于特征提取的神经元分类方法相比,实验结果表明该方法具有更高的分类准确率和良好的适应能力。

关键词：神经元分类深度学习几何形态特征局部累加连接体素重建自适应投影

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

支持向量机在神经元空间结构分类中的应用

支持向量机在神经元空间结构分类中的应用

作者：曾捷重庆交通大学

学位级别：硕士

大脑是人类生物体中结构和功能最为复杂的组织，其中包含有成千上万的神经元细胞。为了研究人类的大脑就必须要研究他的组成--神经元细胞，要研究神经元细胞就要知道神经元细胞是怎么回事，是如何分类的。如何快速准确的对神经元细胞进... 详细信息

大脑是人类生物体中结构和功能最为复杂的组织，其中包含有成千上万的神经元细胞。为了研究人类的大脑就必须要研究他的组成--神经元细胞，要研究神经元细胞就要知道神经元细胞是怎么回事，是如何分类的。如何快速准确的对神经元细胞进行分类是一项非常重要的工作。这个工作将直接影响人们对神经元细胞的认知和理解，是非常有意义和有价值的。本文以研究神经元细胞为主，以神经元细胞的空间结构入手。通过其空间结构的固有特点来对它进行分类。在神经元细胞的空间结构上采用各种方法相结合处理，最后通过支持向量机对其进行分类。论文的主要创新点如下：（1）根据神经元细胞其空间结构自身的特点，提出了神经元细胞空间结构的新特征分形维数，并给出了分形维数的计算方法，拓展了神经元细胞的特征范围。之后通过实验验证，证实分形维数作为神经元细胞的特征是有效和有用的。（2）根据数据源的不平衡数据问题，采用了针对其问题的相应处理办法。通过比较三种不同方法的优劣，选择有效和合适的处理方法。（3）使用信噪比指标对神经元细胞空间结构进行特征选择。因为神经元细胞空间结构自身的特点，其特征较多，采用信噪比指标进行选择特征计算便利并且易于理解。（4）在前期的数据预处理完成后，通过采用支持向量机决策树的多分类方法，对神经元细胞进行分类。依靠选择不同的核函数和设置其合适的参数，在实验下对其进行了相应的验证，得出了分类效果最佳的结果。最后，综合各种方法得出的分类效果最高能达到86.7%的正确率，这说明综合应用各种方法并通过支持向量机进行的分类对于区分神经元细胞是有明显效果的。

关键词：分形几何不平衡数据信噪比指标支持向量机神经元分类

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

多元统计在神经元分类中的应用

高等函授学报（自然科学版） 2011年第6期24卷 94-96页

作者：邓中浩吴贤盛杨冲陈龙华中师范大学数学与统计学学院湖北武汉430079

根据神经信息学数据库建立共同的标准,采用多元统计的方法研究神经元的分类问题,首先用L-Measure[1-2]软件计算出神经元形态指标值,由于每个指标包含4个统计值,本文按变易系数最大原则进行选取,接着用主成分分析缩减神经元指标为5个主... 详细信息

根据神经信息学数据库建立共同的标准,采用多元统计的方法研究神经元的分类问题,首先用L-Measure[1-2]软件计算出神经元形态指标值,由于每个指标包含4个统计值,本文按变易系数最大原则进行选取,接着用主成分分析缩减神经元指标为5个主成分指标,进行聚类分析,并比较形态分类与神经元按功能上的分类的差异,得出形态分类的效果比较理想,与神经元功能分类基本一致。

关键词：神经元分类指标选取主成分分析聚类分析