讲座4-国防科大吴孟达.pptx

神经元形态分类与识别 ——2010年研究生数学建模竞赛C题 吴孟达 2015-6; ;（2）附录B另外有20个神经元形态数据，能否判定它们属于什么类型的神经元。在给出的数据中，是否有必要引入或定义新的神经元名称。 （3）神经元的形态复杂多样，神经元的识别分类问题至今仍没有解决，你是否可以提出一个神经元分类方法，将所有神经元按几何特征分类。你能否给生物学家神经元的命名提出建议。 ; 神经元的形态非常复杂，不同的参数从不同的角度刻画了神经元的形态特征，简单几个特征参数不能完整的描述神经元的形态特征，选取神经元形态的20个特征参数，刻画一个神经元的空间形态。 降低维数——主成分分析 形态分类——BP神经网络; 1.1 神经元空间形态特征的提取与计算 选取神经元的胞体表面积(B1)、干的数目(B2)、分叉数目(B3)、分支数目(B4)、宽度(B5)、高度(B6)、深度(B7)、直径(B8)、长度(B9)、表面积(B10)、体积(B11)、殴氏距离(B12)、路径距离(B13)、分叉级数(B14)、压缩比(B15)、破碎程度(B16)、非对称分化(B17)、罗尔比率(B18)、近端分叉角(B19)、远端分叉角(B20)等20个特征参数，分别从神经元的干的数目、分叉数目、分支数目、宽度、高度、深度、直径、长度、对称性、分叉角等多方面来刻画一个神经元的空间形态。;1.2 神经元形态特征主成分的提取 主要步骤如下： 对数据进行如下标准化变换 得标准化阵Z。 对标准化阵Z，求相关矩阵 解相关矩阵R的特征方程，得到p个特征根，确定主成分。 将标准化后的指标向量转换为主成分。 对m个主成分进行综合评价。;; 成分;;;2.1 BP神经网络模型 人工神经网络（Artificial Neural Network, ANN）提供了一种健壮且实用的方法从样例中学习的函数。ANN适合具有以下特点的问题： 样本实例用“属性-值”表示； 目标函数的输出是离散值或实数值组成的向量； 训练数据可能包含错误； 可容忍长时间的训练； 可能需要快速求出目标函数值。;; BP网络是一种典型的多层前向神经网络，包含输入层、隐含层和输出层，激活函数采用S型函数。在网络训练方面，BP网络采用反向传播算法更新网络连接权值，整个学习过程循环执行以下三个步骤： 通过网络将输入向前传播； 通过网络将敏感性反向传播； 使用近似的最速下降法更新权值和偏置值。 ; 2.2 基于BP网络的分类模型 从上一节维数下降模型的结果可以得出，四个主成分特征可以基本反映全部的指标信息。因此，设计的分类模型输入层元素个数为4（Nin=4）。设计的神经网络分类模型输出层元素个数为3（Nout=3），最多可以表征8种神经元空间形态类别。表5给出了网络输出结果与神经元形态类别的对应关系。;类别; Kolmogorov定理指出，BP网络隐含层神经元个数可以通过以下公式计算出，其中，h为[1, 10]之间的常数。 或 ;; 2.3 模型检验 为了检验基于BP神经网络的神经元形态分类模型是否满足分类要求，利用Neuronmorpho.org网站上的4个测试数据对该模型进行检验。另外，为了消除特殊性，整个检验过程包括十次检验，检验结果全部正确，表明本文提出的基于BP神经网络的神经元形态分类模型可以有效准确地判定这4个测试样本的类型，为之后对未知神经元的分类提供了有效的工具。;三、神经元形态分类模型的应用;神经元类型;附录B数据文件; 我们将提出一种基于主成分分析理论的神经元分类方法，该方法仍然只利用神经元的几何形态特征，而不考虑其物理特性。 ; 4.1 神经元分类方法新思考 在自然分类系统中，分类学家将生物划分为由高到低的七个级别，分别是界—门—纲—目—科—属—种。每一种生物都可以通过该分类系统找到其在生物界中的分类地位，这反映了该生物的分类属性以及与其他生物之间的亲缘关系。 人在生物界中分类地位是：动物界—脊索动物门—脊椎动物亚门—哺乳动物纲—真兽亚纲—灵长目—类人猿亚目—人科—人属—人种。; 借鉴自然分类系统对生物分类的思想，按照神经元的几何形态特征对神经元分类的思想是：按照等级从高到低对神经元进行分类，等级越低表示分类越精细，涵盖的神经元数目更少。 神经元的20个形态特征信息可