Abstract:
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.
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.