توسعه ماشين يادگيري هيجاني مغز با الهام از ماشين يادگير مفروط ترتيبي آنلاين حافظه‌دار بازگشتي مبتني بر شبكه‌هاي عصبي

پيش‌بيني داده‌ها در قالب سري‌هاي زماني آشوبي و پيچيده يكي از مهم‌ترين مسائل اساسي در حوزه‌هاي مختلف علمي و صنعتي است. مدل‌هاي داده محور همانند شبكه‎‌هاي عصبي مصنوعي و عصبي فازي در مقايسه با ساير مدل‌ها به دليل ويژگي‌هاي خاص بيشتر مورد توجه قرار گرفته‌اند. به منظور توسعه و بهبود اين مدل‌ها از مفاهيم سيستم ليمبيك مغز پستانداران استفاده مي‌شود. بر اين اساس ماشين يادگيري هيجاني معرفي مي‌شود. در اين مقاله، ماشين يادگير مفروط ترتيبي آنلاين به عنوان مولفه اصلي در مراكز پردازشي ماشين يادگيري هيجاني مغز استفاده مي‌شود. به منظور تعامل بين مراكز پردازشي، ماشين يادگير مفروط ترتيبي آنلاين به صورت يك شبكه حافظه‌دار بازگشتي با قابليت انتقال يادگيري طراحي مي‌شود. مدل پيشنهاي ماشين يادگيري هيجاني مغز مبتني بر ماشين يادگير مفروط ترتيبي آنلاين حافظه‌دار بازگشتي ناميده مي‌شود. به منظور بررسي و مقايسه كارآيي مدل پيشنهادي، پارامترهاي اوليه مدل‌‌ها بازاي داده‌هاي سري‌هاي زماني مكي‌گلاس و لورنز در شرايط يكسان تنظيم مي‌شوند. مدل‌هاي مختلف بر اساس معيارهاي قابل اندازه‌گيري معتبر در پيش‌بيني مسائل رگرسيون مورد ارزيابي و مقايسه قرار مي‌گيرند. نتايج شبيه‌سازي‌ نشان مي‌دهد كه مدل پيشنهادي با تابع فعال‌ساز سيگمويد تك قطبي و دوقطبي به ترتيب براي داده‌هاي تست سري زماني مكي‌گلاس و لورنز داراي بيشترين معيار كارايي نسبت به مدل‌هاي آنلاين مشابه است. همچنين براي داده هاي آموزش داراي كارايي قابل قبولي نسبت به مدل‌هاي مشابه مي باشد.