基于多元统计分析的神经元特征提取及分类研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1. 绪论 | 第8-12页 |
| 1.1 论文研究背景 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 本文研究的目的、意义与内容 | 第10-12页 |
| 2. 理论知识 | 第12-26页 |
| 2.1 因子分析 | 第12-16页 |
| 2.1.1 因子分析的数学模型 | 第12-13页 |
| 2.1.2 相关性分析 | 第13-14页 |
| 2.1.3 因子的提取 | 第14-16页 |
| 2.2 聚类分析 | 第16-21页 |
| 2.2.1 聚类分析的基本思想 | 第16页 |
| 2.2.2 样品观测值的标准化 | 第16-17页 |
| 2.2.3 距离定义 | 第17-21页 |
| 2.3 判别分析 | 第21-26页 |
| 2.3.1 距离判别法 | 第21-22页 |
| 2.3.2 Bayes判别法 | 第22-26页 |
| 3. 数据预处理及特征空间优化设计 | 第26-49页 |
| 3.1 数据的采集 | 第26-28页 |
| 3.2 数据预处理 | 第28-33页 |
| 3.2.1 数据转换 | 第28-30页 |
| 3.2.2 特征提取 | 第30-33页 |
| 3.3 几何形态特征空间的优化设计 | 第33-49页 |
| 3.3.1 特征选择 | 第33-38页 |
| 3.3.2 特征组合优化 | 第38-49页 |
| 4. 聚类分析及判别分析在神经元分类中的应用 | 第49-57页 |
| 4.1 聚类分析 | 第49-53页 |
| 4.1.1 数据标准化 | 第50页 |
| 4.1.2 距离构造 | 第50-51页 |
| 4.1.3 聚类过程 | 第51-53页 |
| 4.2 BAYES判别分析 | 第53-57页 |
| 4.2.1 判别函数构造 | 第53-56页 |
| 4.2.2 结果检验 | 第56-57页 |
| 5. 总结与展望 | 第57-58页 |
| 5.1 总结 | 第57页 |
| 5.2 展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-61页 |
