论文部分内容阅读
如何对神经元进行准确的分类与识别一直是人类脑计划的重要难题。目前对神经元的分类主要通过几何形态识别和电位发放两种方法，而电位发放是利用其电位发放模式进行区分的，方法比较复杂。研究表明，神经元的几何形态分类方法对揭示神经元的结构和功能都具有重要意义。因此，前期学者对神经元的几何形态进行了大量研究，但其研究重点往往放在神经元几何特征的计算上，而这仅仅是神经元基于几何形态分类的前提。目前已有学者开始运用一些简单的统计方法对神经元进行分类，但对神经元的生长会对神经元几何形态产生的影响并没有深刻的研究。
为了更精确的对神经元进行分类，本文除了应用成熟度较高的常规统计方法外，对神经元生长存在的大量不确定现象，采用了刘宝碇教授提出的不确定理论中的不确定分布模拟，为神经元的分类和生长模拟供了一种新的理论基础。
本文研究的对象是神经元的分类及其生长模拟，主要内容包括以下几个方面1.对比传统的主成分分析法和系统聚类法，建立了基于BP神经网络的神经元分类模型，对未知神经元进行了较好的分类；
2.采用上一章的神经元4级分类标准，同时建立基于树形结构的分类模型，对不同动物的同一类神经元进行了准确分类；
3.建立了基于不确定理论的生长模拟系统，能够较好的实现对运动神经元生长的模拟，并分析了神经元在不同生长时期对神经几何形态的影响。
论文的主要创新工作如下：
1.深入分析神经元形态特征并利用主成分分析理论提取主成分特征，设计了四级分类体系，提出了新的神经元分类标准和分类方法；
2.采用基于树形结构的分类模型，将神经元分类细化到不同动物的同一类神经元；
3.从不确定理论的角度，引入不确定空间的不确定变量和不确定分布，建立了基于不确定理论的神经元生长模拟系统，进一步推广并拓宽了不确定理论的应用领域；
4.提出扁度这个新概念，为今后继续研究神经元分类问题提供方向。