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。