فهرست نشریات علمی دسترسی آزاد ایران

پیش‌بینی داده‌ها در قالب سری‌های زمانی آشوبی و پیچیده یکی از مهم‌تری 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 است.