基于集成极限学习机的神经元分类算法研究

发布时间：2017-12-11 14:31

  本文关键词：基于集成极限学习机的神经元分类算法研究

  更多相关文章： 神经元分类 稀疏主成分分析 极限学习机 正则化 Adaboost

【摘要】：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-ELM_Adaboost算法。采用ROS-ELM_Adaboost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。
【学位授予单位】：东华大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：R338;TP18

【相似文献】

中国期刊全文数据库 前4条

1 吴平;宋淑亮;王允山;梁浩;王伟莉;吉爱国;;神经元迁移的细胞和分子机制[J];生命的化学;2010年02期

2 许铁 ,汪涛;神经元100周年[J];生理科学进展;1992年01期

3 马立涛;破解记忆之谜[J];厦门科技;2002年01期

4 ;[J];;年期

中国重要会议论文全文数据库 前1条

1 陈国斌;沈行良;;神经元的间室模型假设[A];中国生物医学工程进展——2007中国生物医学工程联合学术年会论文集（下册）[C];2007年

中国重要报纸全文数据库 前1条

1 秦笃烈;科学家发现大脑神经细胞记忆结构变化[N];科技日报;2002年

中国博士学位论文全文数据库 前1条

1 陆博;神经元的混合模式振荡及动力学研究[D];华南理工大学;2016年

中国硕士学位论文全文数据库 前1条

1 李佳;基于集成极限学习机的神经元分类算法研究[D];东华大学;2017年

，

本文编号：1278825