توسعه ماشین یادگیری هیجانی مغز با الهام از ماشین یادگیر مفروط ترتیبی آنلاین حافظه دار بازگشتی مبتنی بر شبکه های عصبی

پیش بینی داده ها در قالب سری های زمانی آشوبی و پیچیده یکی از مهم تری مسائل اساسی در حوزه های مختلف علمی و صنعتی است. مدل های داده محور همانند شبکه‎ های عصبی مصنوعی و عصبی فازی در مقایسه با سایر مدل ها به دلیل ویژگی های خاص بیشتر مورد توجه قرار گرفته اند. به منظور توسعه و بهبود این مدل ها از مفاهیم سیستم لیمبیک مغز پستانداران استفاده می شود. بر این اساس ماشین یادگیری هیجانی معرفی می شود. در این مقاله، ماشین یادگیر مفروط ترتیبی آنلاین به عنوان مولفه اصلی در مراکز پردازشی ماشین یادگیری هیجانی مغز استفاده می شود. به منظور تعامل بین مراکز پردازشی، ماشین یادگیر مفروط ترتیبی آنلاین به صورت یک شبکه حافظه دار بازگشتی با قابلیت انتقال یادگیری طراحی می شود. مدل پیشنهای ماشین یادگیری هیجانی مغز مبتنی بر ماشین یادگیر مفروط ترتیبی آنلاین حافظه دار بازگشتی نامیده می شود. به منظور بررسی و مقایسه کارآیی مدل پیشنهادی، پارامترهای اولیه مدل ها بازای داده های سری های زمانی مکی گلاس و لورنز در شرایط یکسان تنظیم می شوند. مدل های مختلف بر اساس معیارهای قابل اندازه گیری معتبر در پیش بینی مسائل رگرسیون مورد ارزیابی و مقایسه قرار می گیرند. نتایج شبیه سازی نشان می دهد که مدل پیشنهادی با تابع فعال ساز سیگموید تک قطبی و دوقطبی به ترتیب برای داده های تست سری زمانی مکی گلاس و لورنز دارای بیشترین معیار کارایی نسبت به مدل های آنلاین مشابه است. همچنین برای داده های آموزش دارای کارایی قابل قبولی نسبت به مدل های مشابه است.

کلیدواژه ها:

ماشین یادگیری هیجانی مغز ، ماشین یادگیر مفروط ترتیبی آنلاین ، شبکه های حافظه دار بازگشتی ، شبکه های عصبی