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