استخراج دانش در محیط های آشوب (رهیافت ساختار یادگیری هیجانی مغز)

نویسندگان
امیدمهدی عبادتی
حوری رضوی
مرضیه خاکستری
دانشگاه خوارزمی
10.52547/jde.1.1.57
چکیده
یکی از دغدغه های امروز دانشمندان درحوزه یادگیری ماشین، تحلیل داده های مربوط به سیستم های آشوب گونه است. توانایی طبقه بندی و استخراج دانش نهفته در این نوع داده ها ما را قادر می سازد تا سیستم های پیش بینی کننده قدرتمندی برای حوزه های مختلف مهندسی و اقتصاد فراهم آوریم.تاکنون روش های گوناگونی برای پردازش این نوع داده ها به کار گرفته شده اند که از آن جمله می توان به الگوریتم های تکاملی، شبکه های عصبی و ... اشاره کرد. با این وجود هنوز به راه حلی کامل و ایده آل برای پردازش داده های آشوب گونه نرسیده ایم. در این شرایط پرداختن به الگوریتم هایی جدید که بتوانند ما را در این مسیر یاری کنند ضروری به نظر می رسد. به همین دلیل ما دراین مقاله یک روش جدید محاسباتی بر گرفته از سیستم یادگیری هیجانی مغز ارائه می کنیم. این روش با استفاده از ساختار یادگیری تقویتیبه خوبی قادر است تا با دینامیک حاکم بر داده ها کنار آمده و نظم و دانش موجود در داده های آشوب گونه را کشف کند. در این راستا، الگوریتم پیشنهادی خود را برای طبقه بندی سیگنال های مغزی که یکی از انواع سیستم های آشوب گونه هستند به کار گرفتیم و در نهایت با مقایسه نتایج آن با دو الگوریتم مطرح دیگر موفقیت آن را به اثبات رساندیم.
کلیدواژه‌ها
یادگیری هیجانی مغز
واسط مغز و کامپیوتر
طبقه بندی
محیط آشوب گونه

عنوان مقاله English

Knowledge extraction in chaotic systems (By application of Brain Emotional Learning structure)

نویسندگان English

Omidmehdi Ebadati
Hori Razavi
Marziye Khakestari
Kharazmi University
چکیده English

Todays, analysis of chaotic systems is one of the crucial challenges of researchers in machine learning field. The ability of classification and extracting implicit knowledge of such kind of data enables us to provide powerful prediction systems in various fields of engineering and economics.

So far, various methods such as evolutionary algorithms, neural networks and etc. have been employed to process this type of data.However, an ideal and universal solution to that has not been reached. In these circumstances, addressing new algorithms that can help in this direction seems necessary. For this purpose, we present a new computational algorithm based brain emotional learning in this paper. This method used the reinforcement learning to govern dynamic data and find the rules and extract knowledge in chaotic systems. To do so, we apply our algorithm for classification of brain signals (one of chaotic systems).At the end, we prove the efficiency by comparing the results of the proposed algorithm with two other famous one.

کلیدواژه‌ها English

Brain Emotional Learning
Brain and Computer Interface
classification
Chaotic environment
Alpaydin E (2010),Introduction to machine learning, 2nd edition, MIT press, Cambridge, 1-50.
Babaie T, Karimizandi R, Lucas C (2008), "Learning based brain emotional intelligence as a new aspect for development of an alarm system", Soft Computing, vol. 12, pp. 857-873.
DevaneyR(1992),A First Course in Chaotic Dynamical Systems.
Fellous J.M., Armony J, LeDoux J (2003), Emotion and computational neuroscience, MIT Press.
Hoffmann U, Jean-Marc V, Touradj E, Karin D (2008), "An efficient P300- based brain -computer interface for disabled subjects", Neuroscience methods, vol. 167, no. 1, p. 115-125.
Maclean P (1952), "Some psychiatric implications of physiological studies on frontotemporal portion of limbic system", Electroencephalogram Clinical Neurophysiology, vol. 4, no. 4, pp. 407-418.
Minsky W.T, Papert S (1969), Perceptrons, MIT Press, Cambridge.
Mitchell T.M (1997),Machine Learning, MC-Graw-Hill, New York.
Moren J, Balkenius C (2000), "A computational model of emotional learning in the amygdala", in: J. Mayer, A. Berthoz, D. Floreano, H. Roitblat, S. Wilson (Eds.) From animals to animats 6, MIT, Cambridge, pp. 383-391.
Ott, E (2002),Chaos in Dynamical Systems. Cambridge University Press New, York.
Papez J (1995), "A proposed mechanism of emotion", Journal of Neuropsychiatry Clinical Neuroscience, vol. 7, no. 1, pp. 103-112.
Roberts A.C (2006), “Primate Orbitofrontal cortex and adaptive behavior”, Trends in cognitive sciences, 10(2), 83-90.
Roger Jang J.S (1993), "ANFIS: adaptive network-based fuzzy inference systems", IEEE transaction systems man and cybernetics, vol. 23, pp. 665-685.
Rolls E (1995), "A theory of emotion and consciousness, and its application to understanding the neural basis of emotion", in: Michaeh Gazzaniga S (Ed) The cognitive neurosciences, MIT, Cambridge, pp. 1091-1106.
Rosenblatt F (1962), Principles of Neurodynamics, Spartan Books, New York.
Takagi T, Sugeno M (1983), "Derivation of fuzzy control rules from human operator’s control actions", in: Proceeding of the IFAC symp on fuzzy information, knowledge representation and decision analysis, pp. 55-60.