一种优化大脑情感学习模型的方法技术

本发明专利技术公开了一种优化大脑情感学习模型的方法。大脑情感学习模型模拟了大脑中杏仁体和眶额皮质之间的情感学习机制，该模型具有计算复杂度低、运算速度快的特点。本发明专利技术将自适应遗传算法引入改进大脑情感学习模型中，用适应度函数评估模型输出，优化改进大脑情感学习模型中杏仁体和眶额皮质单元的权值与阈值。该方法既利用了自适应遗传算法的全局搜索能力，又利用了大脑情感学习算法的快速局部搜索能力引导遗传算法向最优解快速逼近，从而提高了大脑情感学习模型的在数据分析上的快速性与准确性。

【技术实现步骤摘要】
一种优化大脑情感学习模型的方法
本专利技术涉及机器学习与智能计算领域，特别涉及一种采用自适应遗传算法优化大脑情感学习模型的方法。
技术介绍
数据的分类或预测可以为系统的下一步决策提供指导。因此，数据分类或预测在机器学习、数据挖掘及模式识别等方面应用广泛。人工神经网络以其良好的自学习、自适应性能在数据分析中得到了广泛的应用。然而，随着数据复杂度的增加，传统的BP学习算法因训练时间长、收敛速度慢等缺点难以满足对数据进行快速、准确分析的要求。2000年，Morén根据神经解剖学的研究成果提出了基于大脑情感学习(BrainEmotionalLearning，BEL)的计算模型，该模型根据大脑中杏仁体和眶额皮质之间交互的神经生物学原理建立，模拟了情感刺激在大脑短反射通路中引起快速情感反应的机制。BEL模型计算复杂度低，运算速度快，可以克服传统神经网络的缺点，近年来在数据分析中表现出了一定的优势。在BEL模型中，杏仁体和眶额皮质间的权值调节方法对大脑情感学习效果起着决定性的作用。Morén提出了一种基于奖励信号的强化学习方法调节权值，但该方法导致模型的通用性不强。后来有学者将广泛用于参数优化的遗传算法(GeneticAlgorithm,GA)引入BEL模型，实现杏仁体和眶额皮质权值的优化调整，并将优化后的BEL模型用于数据分析，该方法虽然增强了BEL模型的通用性。然而，基本遗传算法在寻优过程中存在一定的随机性和盲目性，在搜索后期群体进化速度减慢甚至不进化，最终可能找不到最优解。这是由于基本遗传算法的参数设置固定，尤其是固定的交叉概率和变异概率，导致遗传算法在求解问题时灵活度不高，搜索速度慢。
技术实现思路
本专利技术为了克服上述现有技术存在的缺陷，提出了一种采用可变交叉概率和变异概率的自适应遗传算法(AdaptiveGeneticAlgorithm)来优化大脑情感学习模型的方法。此外，进一步改进大脑情感学习模型结构。为解决上述技术问题，本专利技术所采用的技术方案是：一种优化大脑情感学习模型的方法，包括以下步骤：1)根据训练样本特征建立基于大脑情感学习模型的改进神经网络；2)初始化改进神经网络中杏仁体和眶额皮质单元的权值与阈值；3)采用遗传算法中的轮盘赌法和最优个体保存策略进行选择、自适应交叉和自适应变异操作，优化改进神经网络中杏仁体和眶额皮质的权值与阈值；4)将优化后的权值与阈值组合更新至改进神经网络中，得到最佳网络结构；5)采用大脑情感学习算法分别计算杏仁体输出、眶额皮质输出及在杏仁体和眶额皮质的共同作用下的最佳网络总体输出，得到数据分类或预测结果。步骤1)的具体实现过程包括：1)建立基于大脑情感学习模型的三层神经网络，输入层的节点数m由训练样本的特征数确定，输出层的节点数n由输入样本的可分类数确定，初始隐含层节点数n1由经验公式得到，其中，a为[1,10]常数；2)将基本大脑情感学习模型中的奖励信号去掉，采用自适应遗传算法学习代替基于奖励信号的强化学习，实现对大脑情感学习模型的三层神经网络中杏仁体和眶额皮质权值与阈值的优化调整：以三层神经网络输入层、隐含层、输出层的权值和阈值构成染色体，通过自适应遗传算法训练网络，选出最优染色体，染色体基因位上的值对应优化后的神经网络参数；3)在大脑情感学习模型基础上，根据大脑中杏仁体和眶额皮质间的交互机制，，在神经网络隐含层的杏仁体和眶额皮质神经元中添加阈值，即得到基于大脑情感学习模型的改进神经网络。杏仁体和眶额皮质神经元的阈值取值范围为[-1,1].步骤3)的具体实现过程包括：1)将改进神经网络的权值与阈值顺序分布在染色体基因序列上；染色体编码形式为：Ch＝[v1,...,vm+1,w1,...,wm,bo,ba]，其中，v1,...,vm+1表示杏仁体各节点间的权值，ba为杏仁体神经元阈值，w1,...,wm表示眶额皮质各节点间的权值，bo眶额皮质神经元阈值，则每条染色体包含的基因数为2m+3；2)初始化染色体中的权值与阈值，采用大脑情感学习算法计算改进后的大脑情感学习网络输出E，计算公式为：E＝Ea-Eo其中，Ea表示杏仁体输出，Eo表示眶额皮质输出，Si表示输入的训练样本，Ath表示通过丘脑传递给杏仁体的信号，Ath＝max(S1,S2,...,Sm)；3)采用适应度函数评估染色体，适应度函数定义为：其中，Chk表示第k种输入模式下染色体中权值与阈值的分配；Ek为第k种输入模式下大脑情感学习网络的实际输出；Tk为对应第k种输入模式的期望输出，N代表训练样本的数量；4)利用改进神经网络的实际输出Ek与目标值Tk计算出染色体适应度值F,如果当前的适应度值F与上一次迭代的适应度值F的误差大于允许误差阈值，则不满足适应度的要求，则采用遗传算法中的选择、自适应交叉和变异操作来改变染色体，实现其基因位上权值与阈值的更新；然后按步骤2)中的公式计算改进神经网络输出E，然后利用步骤3)中适应度函数评价染色体适应度值，直到当前迭代结果与上一次迭代结果的误差小于误差阈值，则得到了最佳染色体，即优化后的权值与阈值的组合；根据权利要求4所述的优化大脑情感学习模型的方法，其特征在于，所述误差阈值取值为0.0001～0.001。与现有技术相比，本专利技术所具有的有益效果为：1.大脑情感学习模型是一种新颖的类神经网络模型，本专利技术充分利用大脑情感学习模型计算复杂度低、训练速度快的特点，结合自适应遗传算法的搜索功能进一步优化大脑情感学习网络，增强了网络的识别能力；2.大脑情感学习网络的学习中，相比基于奖励信号的强化学习方法，基于遗传算法的学习方法可以根据训练样本灵活设计网络结构，从而更有效地学习样本特征，提高了模型的通用性。3.通过改进遗传算子，采用自适应交叉和变异方式，可以在很大程度上避免标准遗传算法的局部收敛即“早熟”现象的发生，从而增强了算法的全局和局部搜索能力。本专利技术用于机器学习、模式识别与数据挖掘等领域，可以大大提高数据分析的快速性与准确性。附图说明图1为大脑情感学习模型的基本结构框图；图2为基于大脑情感学习模型的改进预测网络结构；图3为基于大脑情感学习模型的改进分类网络结构；图4为基于自适应遗传算法优化大脑情感学习网络的流程图；图5(a)～图5(c)为BreastCancer数据集AGA-BEL算法分类结果；图5(a)为适应度函数输出曲线；图5(b)为训练集分类混淆矩阵；图5(c)为测试集分类混淆矩阵；图6(a)～图6(c)为时间序列Dst数据集AGA-BEL算法回归预测结果；图6(a)为均方差输出曲线；图6(b)为训练数据线性相关性分析；图6(c)为测试数据线性相关性分析。具体实施方式本专利技术包括分类实施例和预测实施例各一例。分类测试集选取标准机器学习数据库UCI(https://archive.ics.uci.edu)中的BreastCancer数据集，预测测试集选取世界数据中心(WorldDataCenterforGeomagnetism,Kyoto,Japan)地磁数据共享平台的Dst数据集。下面结合附图说明本专利技术中提出的数据分析方法。大脑情感学习模型的基本结构如图1所示，该模型主要由丘脑、感官皮质、眶额皮质和杏仁体四大部分组成，其中，杏仁体和眶额皮质是两大主要部分。杏仁体中的各个输入节本文档来自技高网...

【技术保护点】
一种优化大脑情感学习模型的方法，其特征在于，包括以下步骤：1)根据训练样本特征建立基于大脑情感学习模型的改进神经网络；2)初始化改进神经网络中杏仁体和眶额皮质单元的权值与阈值；3)采用遗传算法中的轮盘赌法和最优个体保存策略进行选择、自适应交叉和自适应变异操作，优化改进神经网络中杏仁体和眶额皮质的权值与阈值；4)将优化后的权值与阈值更新至改进神经网络中，得到最佳网络结构；5)采用大脑情感学习算法分别计算杏仁体输出、眶额皮质输出及在杏仁体和眶额皮质的共同作用下的最佳网络总体输出，得到数据分类或预测结果。

【技术特征摘要】
1.一种优化大脑情感学习模型的方法，其特征在于，包括以下步骤：1)根据训练样本特征建立基于大脑情感学习模型的改进神经网络；2)初始化改进神经网络中杏仁体和眶额皮质单元的权值与阈值；3)采用遗传算法中的轮盘赌法和最优个体保存策略进行选择、自适应交叉和自适应变异操作，优化改进神经网络中杏仁体和眶额皮质的权值与阈值；4)将优化后的权值与阈值更新至改进神经网络中，得到最佳网络结构；5)采用大脑情感学习算法分别计算杏仁体输出、眶额皮质输出及在杏仁体和眶额皮质的共同作用下的最佳网络总体输出，得到数据分类或预测结果。2.根据权利要求1所述的优化大脑情感学习模型的方法，其特征在于，步骤1)的具体实现过程包括：1)建立基于大脑情感学习模型的三层神经网络，输入层的节点数m由训练样本的特征数确定，输出层的节点数n由输入样本的可分类数确定，初始隐含层节点数n1由经验公式得到，其中，a为[1,10]常数；2)将大脑情感学习模型中的奖励信号去掉，采用自适应遗传算法学习代替基于奖励信号的强化学习，实现对大脑情感学习模型的三层神经网络中杏仁体和眶额皮质权值与阈值的优化调整：以神经网络输入层、隐含层、输出层的权值和阈值构成染色体，通过自适应遗传算法训练网络，选出最优染色体，染色体基因位上的值对应改进后的神经网络参数；3)在大脑情感学习模型基础上，根据大脑中杏仁体和眶额皮质间的交互机制，，在三层神经网络隐含层的杏仁体和眶额皮质神经元中添加阈值，即得到基于大脑情感学习模型的改进神经网络。3.根据权利要求1所述的优化大脑情感学习模型的方法，其特征在于，杏仁体和眶额皮质神经元的阈值取值范围为[-1,1]。4.根据权利要求1所述的优化大脑情感学习模型的方法，其特征在于，步骤3)的具体实现过程包括：1)将改进神经网络的权值与阈值顺序分布...

【专利技术属性】
技术研发人员：谭冠政，梅英，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南,43