题 目 基于多分类器集成的神经元特征选择及分类

摘 要：

本文在多个常用分类模型的基础上，通过对于神经元空间几何形态的深入分析，提出了鲁棒的对神经元几何特征选择和多分类的模型。

对于问题 1：我们根据题目给定的数据集 A 和 C 建立训练数据集。通过深入分析数据文件的各个分布和题目给定的几个几何特征描述。我们从离散化的神经元文件中抽象出 43 个空间几何特征进行分析。并提出差分特征选择模型选择出了对各类神经元判别能力强的特征集合，并将差分 KNN、决策树和 SVM 进行集成， 达到稳定分类的目的。

对于问题 2：通过差分特征选择以及多分类器系统可以将正常数据进行正确的分类，为了发现新神经元个体，我们引入类边界距离参数，实验证明，能够有效的找出潜在的神经元的新类别。

对于问题 3：通过扩充多分类器系统的训练集以及采用反馈学习的策略，可以不断完善神经元类别的知识库，增加分类鲁棒性，对于新类型神经元，采用启发式的命名方式，可以有效的给一些新类别神经元命名。

对于问题 4：采用差分特征选择模型可以很有效的选择出不同物种同种神经元的强判别特征集合，通过真实数据验证了差分选择模型的鲁棒性。

对于问题 5：基于 Burke 算法建立 Markov M 随机采样仿真生长模型,通过对训练集实验数据的拟合实现对模型参数的估计。实验表明该生长模型可以针对某一特定神经元做出合理的生长预测。

[关键词]:神经元分类、多分类集成、差分特征选择、生长模型、边界距离