توسعه ماشین یادگیری هیجانی مغز با الهام از ماشین یادگیر مفروط ترتیبی آنلاین حافظه‌دار بازگشتی مبتنی بر شبکه‌های عصبی

پیش‌بینی داده‌ها در قالب سری‌های زمانی آشوبی و پیچیده یکی از مهم‌ترین مسائل اساسی در حوزه‌های مختلف علمی و صنعتی است. مدل‌های داده محور همانند شبکه‎‌های عصبی مصنوعی و عصبی فازی در مقایسه با سایر مدل‌ها به دلیل ویژگی‌های خاص بیشتر مورد توجه قرار گرفته‌اند. به منظور توسعه و بهبود این مدل‌ها از مفاهیم سیستم لیمبیک مغز پستانداران استفاده می‌شود. بر این اساس ماشین یادگیری هیجانی معرفی می‌شود. در این مقاله، ماشین یادگیر مفروط ترتیبی آنلاین به عنوان مولفه اصلی در مراکز پردازشی ماشین یادگیری هیجانی مغز استفاده می‌شود. به منظور تعامل بین مراکز پردازشی، ماشین یادگیر مفروط ترتیبی آنلاین به صورت یک شبکه حافظه‌دار بازگشتی با قابلیت انتقال یادگیری طراحی می‌شود. مدل پیشنهای ماشین یادگیری هیجانی مغز مبتنی بر ماشین یادگیر مفروط ترتیبی آنلاین حافظه‌دار بازگشتی نامیده می‌شود. به منظور بررسی و مقایسه کارآیی مدل پیشنهادی، پارامترهای اولیه مدل‌‌ها بازای داده‌های سری‌های زمانی مکی‌گلاس و لورنز در شرایط یکسان تنظیم می‌شوند. مدل‌های مختلف بر اساس معیارهای قابل اندازه‌گیری معتبر در پیش‌بینی مسائل رگرسیون مورد ارزیابی و مقایسه قرار می‌گیرند. نتایج شبیه‌سازی‌ نشان می‌دهد که مدل پیشنهادی با تابع فعال‌ساز سیگموید تک قطبی و دوقطبی به ترتیب برای داده‌های تست سری زمانی مکی‌گلاس و لورنز دارای بیشترین معیار کارایی نسبت به مدل‌های آنلاین مشابه است. همچنین برای داده های آموزش دارای کارایی قابل قبولی نسبت به مدل‌های مشابه می باشد.

a modified brain emotional learning model inspired by online recurrent memory sequential extreme learning machine based on neural networks

predicting data, in the form of complex and chaotic time series, is one of the fundamental issues in various scientific and industrial fields. data-driven models such as artificial neural networks and fuzzy neural networks compared to other models have been received more attention due to their special features. to develop and improve these models, the concepts of the mammalian brain limbic system are used. therefore, the brain emotional learning machine is introduced. in this paper, the online sequential extreme learning machine is used as the main component in the processing centers of the brain emotional learning machine. to interact between processing centers, the online sequential extreme learning machine is designed in the form of a recurrent memory network with transfer learning ability. the proposed model is named the brain emotional learning based on recurrent memory online extreme learning machine (bel-orms-elm). to evaluate and compare the efficiency of the proposed model, the initial parameters of the models are adjusted according to the mackey-glass and lorenz time series data under the same conditions. different models are evaluated and compared based on the valid measurable criteria in regression problems prediction. the simulation results show that the proposed model with sigmoid and hyperbolic tangent activation function for mackey-glass and lorenz time series test data has the highest performance criteria compared to similar online models. it also has acceptable performance for training data compared to similar models.