[其它]2010年全国研究生数学建模竞赛二等奖论文.docVIP

全国第七届研究生数学建模竞赛 题 目 神经元形态识别和分类数学模型 摘 要： 采用由生物衍生而成的人工神经网络方法来解决生物神经元的分类问题，本身就体现了一种科学性。本文围绕神经元形态识别和分类问题，首先，建立了基于仿生模式识别的人工神经网络的数学模型，给出了一种基于仿生模式识别的人工神经网络分类方法；其次，根据神经元的空间几何特征，采用特征空间几何元素命名法对题目中给出的样本神经元进行了重新命名；再次，利用该人工神经网络的预测特性，对神经元的生长变化进行了合理的预测。 第一，采用L-Measure软件对题目中的神经元空间几何数据进行计算，得到表征对应神经元几何特征的20个特征指标，作为基础数据；第二，利用特征空间中样本集合的拓扑性质，运用基于仿生模式识别的人工神经网络分类方法，以题目附录A给定的5类（中间神经元可以又细分3类）神经元44个样本的特征指标作为训练样本，运用人工神经网络对上述表征44个样本神经元的特征指标进行训练，得到能够完全识别这44个样本的人工神经网络，从而把研究神经元形态识别和分类问题转换为特征识别问题；第三，利用训练好的网络对题目附录C中的7个神经元样本中进行分类识别，最低识别率为97%，说明构建的人工神经网络对该样本的识别率非常好；第四，利用训练好的网络将题目附录B中的20个神经元进行分类，发现样本4、12、19、20不能准确分入已知的某一类。因此，可以认为这四个样本属于某类未知的神经元，需要引入新的命名方法进行命名；第五，在前四步的基础上，提取相应的神经元特征指标，采用特征空间几何元素命名法对神经元进行命名。第六，改变基于仿生模式识别的人工神经网络的训练样本数据，将猪的普肯野神经元和鼠的普肯野神经元定义为不同类别的神经元对网络进行训练，然后对其进行测试，结果表明该网络能够完全区分这两类普肯野神经元，且识别率较高，超过95%。 本模型的主要优点是分类准确率高、速度快、通用性好；不足有两点：一是必须通过增大训练样本数量才能改善网络的分类准确率；二是人工神经网络参数的选取对网络的影响较大。 关键词：仿生模式识别，特征识别，高维空间覆盖，人工神经网络 参赛队号 队员姓名 中山大学承办问题的重述 大脑是生物体内结构和功能最复杂的组织，作为大脑构造基本单位的神经元，其几何形态特征是一个很重要的方面。对神经元特性的认识，最基本问题是神经元的分类。如何识别区分不同类别的神经元，这个问题目前科学上仍没有解决。生物解剖区别神经元主要通过几何形态和电位发放两个因素。在本题目中只考虑神经元的几何形态，研究如何利用神经元的空间几何特征，通过数学建模给出神经元的一个空间形态分类方法，将神经元比较准确地分类识别，需要解决的具体问题包括： （1）利用附录A中和附录C中样本神经元的空间几何数据，寻找出附录C中5类神经元的几何特征（中间神经元可以又细分3类），给出一个神经元空间形态分类的方法。 （2）对附录B中另外的20个神经元形态数据进行分类，根据分类结果，判断是否有必要引入或定义新的神经元名称。 （3）提出一种分类方法将所有神经元按几何特征进行分类，并为生物学家为神经元命名提出建议。 （4）按照提出的神经元形态分类方法，确定在不同动物神经系统中同一类神经元的形态特征是否存在有区别。以附件A中猪的普肯野神经元和鼠的普肯野神经元为例进行论证。 （5）建立的合理模型预测神经元形态的生长变化，并阐明神经元形态变化对确定的几何形态特征的影响。 模型的假设与符号说明 2.1模型的假设 （1）任意的神经元属于任意类的概率相等。 （2）题目中所给的样本信息量足够大，足以表征需要判断的神经元。 2.2符号的说明 表示第个神经元的表示个神经元的个特征向量； 表示中任两点之间的欧氏距离矩阵； 表示由组成的一个矩阵； 表示个神经元的个特征向量的平均值； 表示的方差矩阵； 表示奇异值分解中的酉阵； 表示奇异值分解中的酉阵； 分别表示矩阵的第个奇异值； 表示矩阵的左奇异值向量； 表示矩阵的右奇异值向量； 表示实数集合； 表示根据值的大小选取前2个特征值所对应的2个正交归一的特征向量； 表示将原20维特征向量压缩为2维后的新特征向量； 表示降维后个神经元的个新特征向量； 表示人工神经网络[1]中神经元的输入矢量； 表示人工神经网络中神经元的权值矢量； 表示与之间的函数关系， 表示人工神经网络中的阈值； 表示人工神经网络中的判别函数； 表示由维空间中两点确定的一条有限一维线段； 表示维空间中的到的欧式距离； 表示某类神经元所有构网样本点的集合； 表示某类神经元所有构网样本点的总数； 表示某类神经元所有构网样本点； 表示20维特征空间中欧式距离最小的