✖


Jump to content

БЕЛЬБИК

    Add links

    В последние годы использование биологических методов, таких как эволюционный алгоритм, все чаще применяется для решения и анализа сложных вычислительных задач. BELBIC (Интеллектуальный контроллер на основе эмоционального обучения мозга) — один из таких контроллеров , предложенный Каро Лукасом , Даниалом Шахмирзади и Нимой Шейхолеслами и использующий сетевую модель, разработанную Мореном и Балкениусом, для имитации тех частей мозга, которые, как известно, вызывают эмоции (а именно , миндалевидное тело орбитофронтальная кора , таламус и сенсорная кора). [1]

    Эмоции и обучение

    [ редактировать ]

    Традиционно изучение обучения в биологических системах проводилось за счет игнорирования его менее известных аналогов: мотивации и эмоций . Однако эти явления невозможно разделить. [2] Мотивация — это двигатель, который заставляет любую систему что-либо делать — без нее нет смысла действовать. Эмоции показывают, насколько успешным был выбранный курс действий и следовало ли вместо этого предпринять другой набор действий — они являются постоянной обратной связью с системой обучения. С другой стороны, обучение гарантирует, что мотивация и эмоциональные подсистемы способны адаптироваться к постоянно меняющимся условиям. [3]

    Таким образом, при изучении биологических организмов эмоции заняли видное место как неотъемлемая часть любой биологически вдохновленной системы. Но какую пользу любой живой организм получает от своих эмоций? Крайне важно ответить на этот вопрос, поскольку мы пытаемся все чаще использовать биологические методы для решения вычислительных задач.

    У каждого существа есть врожденные способности, позволяющие ему выжить в мире. Он может идентифицировать еду, убежище, партнеров и опасность. Но этих «простых сопоставлений между стимулами и реакциями будет недостаточно, чтобы уберечь организмы от проблем». [4] Например, если данное животное знает, что его хищник обладает качествами A, B и C, оно избежит всех существ, обладающих этими качествами. И таким образом тратить большую часть своей энергии и ресурсов на несуществующую опасность.

    Мы не можем ожидать, что эволюция предоставит более совершенные алгоритмы оценки опасности, потому что хищник также эволюционирует с такой же скоростью. Таким образом, биологические системы должны быть оснащены способностью к обучению. Этот механизм обучения и переобучения позволяет им адаптироваться к очень сложным и сложным ситуациям. [3]

    Обучающийся организм

    Для эффективного обучения каждому обучающемуся организму необходима оценка текущей ситуации, а также обратная связь о том, насколько полезными были результаты обучения. [4] По большей части эти механизмы оценки являются встроенными. И поэтому мы сталкиваемся с новой проблемой: хотя существа принимают соответствующие меры в реальном времени на основе своих оценок, эти встроенные процедуры оценки разрабатываются в ходе эволюции. Но всем существам в течение жизни необходимо освоить новые методы оценки, так же как они учатся правильным реакциям.

    Именно здесь в игру вступает способность обуславливать эмоциональные реакции. Биологические организмы связывают врожденные эмоциональные стимулы с другими стимулами, с которыми они сталкиваются в мире, и, таким образом, при необходимости придают им эмоциональное значение. [4] Можно отслеживать, что эти оценки действуют в очень определенное время, в определенных местах или когда они сопровождаются другими конкретными стимулами.

    Есть еще одна причина, почему эти наблюдения так важны, — создание искусственных систем. Эти системы не развиваются с течением времени, но с самого начала проектируются с определенными возможностями. Таким образом, их адаптивность должна быть встроена.

    Вычислительная модель

    [ редактировать ]
    Лимбическая система мозга
    Миндалевидное тело в человеческом мозге

    Модель – это упрощенное описание явления. Он воплощает в жизнь некоторые аспекты этого явления, упуская из виду другие. Какие аспекты сохраняются в модели, а какие упускаются из виду, во многом зависит от темы исследования. Таким образом, характер модели зависит от цели, которую планирует достичь исследователь. Вычислительная модель — это модель, которую можно математически проанализировать, протестировать и смоделировать с помощью компьютерных систем. [4]

    Для построения вычислительной модели эмоционального обучения в мозге требуется тщательный анализ миндалевидного тела и орбитофронтальной коры, а также взаимодействия между ними: [5]

    У млекопитающих эмоциональные реакции обрабатываются в части мозга, называемой лимбической системой , которая находится в коре головного мозга . Основными компонентами лимбической системы являются миндалевидное тело , орбитофронтальная кора , таламус и сенсорная кора.

    Миндалевидное тело — это область миндалевидной формы, расположенная таким образом, что она может сообщаться со всеми другими кортикальными слоями лимбической системы. Первичная аффективная обработка системы происходит в миндалевидном теле. То есть в этой области происходит связь между стимулом и его эмоциональным последствием. [4]

    Было высказано предположение, что обучение происходит в два основных этапа. [6] Во-первых, конкретный стимул коррелирует с эмоциональной реакцией. Этим стимулом может быть бесконечное количество явлений: от наблюдения за лицом до обнаружения запаха, звука и т. д. Во-вторых, это эмоциональное последствие формирует связь между стимулом и реакцией. [6] Этот анализ весьма влиятельный отчасти потому, что он был одним из первых, кто предположил, что эмоции играют ключевую роль в обучении. [5] В более поздних исследованиях было показано, что связь между стимулом и его эмоциональными последствиями происходит в миндалевидном теле. [3] [7] «В этой области тщательно анализируемые представления стимулов в коре связаны с эмоциональной ценностью. Следовательно, эмоции являются свойствами стимулов». [5]

    Таким образом, задача миндалевидного тела состоит в том, чтобы присвоить первичное эмоциональное значение каждому стимулу, который сочетается с первичным подкреплением. [7] – подкрепление – это награда и наказание, которые получает млекопитающее. Этой задаче помогает орбитофронтальный комплекс. «С точки зрения теории обучения, миндалевидное тело, по-видимому, отвечает за представление первичного подкрепления, в то время как орбитофронтальная кора участвует в обнаружении пропуска подкрепления». [5]

    Первое, что мы замечаем в вычислительной модели, разработанной Мореном и Балкениусом, — это то, что в мозгу существует довольно много взаимодействующих систем обучения, которые занимаются эмоциональным обучением. Вычислительная модель представлена ​​ниже, где:

    • Th : Таламус
    • CX : Сенсорная кора головного мозга
    • A : Входные структуры в миндалевидном теле.
    • E : Выходные структуры в миндалевидном теле.
    • O : Орбитофронтальная кора.
    • Rew/Pun : внешние сигналы, обозначающие представление награды и наказания.
    • CR/UR : условный ответ/безусловный ответ.
    • V : Сила ассоциаций от коркового представительства к миндалевидному телу, которая изменяется в результате обучения.
    • W : Тормозная связь орбитофронтальной коры с миндалевидным телом, которая изменяется во время обучения.

    На этом изображении показано, что сенсорная информация поступает через таламус TH . В биологических системах таламус берет на себя задачу инициировать процесс ответа на раздражители. Это происходит путем передачи сигнала миндалевидному телу и сенсорной коре. [8]

    Затем этот сигнал анализируется в кортикальной области – CX . В биологических системах сенсорная кора распределяет поступающие сигналы соответствующим образом между миндалевидным телом и орбитофронтальной корой. [9] Это сенсорное представление в CX затем отправляется в миндалевидное тело через путь V. A

    Это основной путь обучения в данной модели. Награда и наказание поступают в миндалевидное тело, чтобы укрепить связь между миндалевидным телом и проводящим путем. На более позднем этапе, если подобное представление активируется в коре головного мозга, E активируется и вызывает эмоциональную реакцию.

    O , орбитофронтальная кора, работает на основе разницы между воспринимаемым (то есть ожидаемым) вознаграждением/наказанием и фактически полученным вознаграждением/наказанием. Это воспринимаемое вознаграждение/наказание вырабатывается в мозге с течением времени с помощью механизмов обучения и достигает орбитофронтальной коры через сенсорную кору и миндалевидное тело. С другой стороны, полученная награда/наказание исходит от внешнего мира и является фактической наградой/наказанием, которое только что получил вид. Если эти два идентичны, вывод будет таким же, как и всегда, через E . В противном случае орбитофронтальная кора подавляет и сдерживает эмоциональные реакции, освобождая место для дальнейшего обучения. Таким образом, путь W активируется только в таких условиях.

    Контроллер

    [ редактировать ]

    В большинстве промышленных процессов, содержащих сложные нелинейности, алгоритмы управления используются для создания линеаризованных моделей. [10] Одна из причин заключается в том, что эти линейные модели разрабатываются с использованием простых методов на основе данных испытаний процесса.

    Однако если процесс очень сложный и нелинейный, подверженный частым возмущениям, потребуется нелинейная модель. [10] В таких ситуациях все чаще используются биологически мотивированные интеллектуальные контроллеры. Среди них нечеткая логика , нейронные сети и генетические алгоритмы являются одними из наиболее широко используемых инструментов в приложениях управления с очень сложными нелинейными настройками. [11] [12]

    BELBIC — один из таких нелинейных контроллеров — нейроморфный контроллер, основанный на модели вычислительного обучения, показанной выше, для выполнения управляющего воздействия. Эта модель используется во многом как алгоритм в приложениях в области техники управления. В этих новых подходах интеллект не передается системе извне, а фактически приобретается самой системой. [1] [10]

    Эта простая модель использовалась в качестве с обратной связью контроллера для решения задач проектирования систем управления. Одной из причин такого использования в технике управления является убеждение многих экспертов в этой области в том, что слишком много внимания уделяется полностью рациональным совещательным подходам, тогда как во многих реальных обстоятельствах нам предоставляется только ограниченная рациональность . Такие факторы, как вычислительная сложность, множественность целей и преобладание неопределенности, приводят к желанию получить более специальные, практические подходы. Эмоциональное принятие решений вполне способно решить эти проблемы, поскольку оно не является ни полностью когнитивным, ни полностью поведенческим. [13]

    BELBIC, который является контроллером без модели, страдает тем же недостатком, что и все интеллектуальные контроллеры без модели: его нельзя применять к нестабильным системам или системам с нестабильной точкой равновесия. Это естественный результат метода проб и ошибок процедуры обучения, т.е. поиск подходящих управляющих сигналов может привести к нестабильности. [14] [15] За счет интеграции систем имитационного обучения и нечеткого вывода BELBIC обобщается, чтобы иметь возможность управлять нестабильными системами. [14] [15]

    Приложения

    [ редактировать ]

    На сегодняшний день BELBIC и его модифицированные версии протестированы в следующих приложениях: [16]

    См. также

    [ редактировать ]

    Ссылки

    [ редактировать ]
    1. ^ Jump up to: а б Лукас, К.; Шахмирзади, Д.; Шейхолеслами, Н. (2004), «Представляем BELBIC: интеллектуальный контроллер, основанный на эмоциональном обучении мозга», Intelligent Automation and Soft Computing , 10 : 11–22, doi : 10.1080/10798587.2004.10642862 , S2CID   12854189
    2. ^ Леду, Дж. Э. (1995), «В поисках эмоциональной системы в мозге: переход от страха к эмоциям и сознанию», в Газзаниге, М. С. (редактор), « Когнитивные нейронауки» , Хиллсдейл, Нью-Джерси: Лоуренс Эрлбаум, стр. . 1049–1061
    3. ^ Jump up to: а б с Леду, Дж. Э. (1996), Эмоциональный мозг , Саймон и Шустер, Нью-Йорк
    4. ^ Jump up to: а б с д и Морен, Ян (2002). Эмоции и обучение (Диссертация). Лундский университет.
    5. ^ Jump up to: а б с д Морен, Дж.; Балкениус, К. (2000). Вычислительная модель эмоционального обучения в миндалевидном теле . Учеб. 6-я Международная конференция по моделированию адаптивного поведения, Кембридж, Массачусетс, MIT Press.
    6. ^ Jump up to: а б Мауэр, Огайо (1973) [1960], Теория обучения и поведения , Нью-Йорк: Wiley
    7. ^ Jump up to: а б Роллс, Э.Т. (1995), «Теория эмоций и сознания и ее применение к пониманию нейронной основы эмоций», в Газзаниге, MS (редактор), The Cognitive Neurosciences , Хиллсдейл, Нью-Джерси: Лоуренс Эрлбаум, стр. 127. –155
    8. ^ Келли, JP (1991), Нейронная основа восприятия и движения, Принципы нейронауки , Лондон: Прентис Холл
    9. ^ Шахмирзади, Д. (август 2005 г.). Вычислительное моделирование лимбической системы мозга и его применение в технике управления (магистерская диссертация). Техасский университет A&M. hdl : 1969.1/2601 .
    10. ^ Jump up to: а б с Рухани, Х.; Джалили, М.; Арааби, Б.Н.; Эпплер, В.; Лукас, К. (2006), «Интеллектуальный контроллер, основанный на эмоциональном обучении мозга, примененный к нейрофаззи-модели микротеплообменника», Expert Systems with Applications , 32 (3): 911–918, doi : 10.1016/j.eswa.2006.01. 047
    11. ^ Jump up to: а б Мехрабян, Арканзас; Лукас, К. (2007), «Интеллектуальное адаптивное управление нелинейными системами на основе эмоционального подхода к обучению», Международный журнал по инструментам искусственного интеллекта , 16 (1): 69–85, doi : 10.1142/S0218213007003205
    12. ^ Jump up to: а б Мехрабян, Арканзас; Лукас, К. (2006), «Интеллектуальный надежный адаптивный контроллер на основе эмоционального обучения для стабильных неопределенных нелинейных систем», Международный журнал вычислительной разведки , 2 (4): 246–252
    13. ^ Мехрабян, Арканзас; Лукас, К.; Рошанян, Дж. (2006), «Управление аэрокосмической ракетой-носителем: интеллектуальный адаптивный подход», Aerospace Science and Technology , 10 (2): 149–155, Bibcode : 2006AeST...10..149M , doi : 10.1016/j .ast.2005.11.002
    14. ^ Jump up to: а б с Джаван Роштхари, М.; Арами, А.; Лукас, К. (2010), «Эмоциональный контроллер на основе имитационного обучения для неизвестных систем с нестабильным равновесием» (PDF) , Международный журнал интеллектуальных вычислений и кибернетики , 3 (2): 334–359, doi : 10.1108/17563781011049232 , заархивировано из оригинал (PDF) от 10 июня 2015 г. , получено 26 сентября 2012 г.
    15. ^ Jump up to: а б с д Джаван Роштхари, М.; Арами, А.; Лукас, К. (2009). Эмоциональный контроль системы перевернутого маятника. Мягкое переключение от подражательного к эмоциональному обучению . 4-я Международная конференция по автономным роботам и агентам (ICARA 09). стр. 651–656.
    16. ^ Лукас, К. (2011). «BELBIC и его промышленное применение: на пути к разработке встроенного нейроэмоционального контроля». В Маджиде Фатхи; Александр Холланд; Фазель Ансари; Кристиан Вебер (ред.). Интегрированные системы, дизайн и технологии 2010 . Берлин: Шпрингер. стр. 203–214. дои : 10.1007/978-3-642-17384-4_17 . ISBN  978-3-642-17383-7 .
    17. ^ Шейхолеслами, Н.; Шахмирзади, Д.; Семсар, Э.; Лукас, К.; Язданпанах, MJ (2005), «Применение алгоритма эмоционального обучения мозга для многопараметрического управления системами отопления, вентиляции и кондиционирования», Intelligent and Fuzzy Systems , 16 : 1–12
    18. ^ Шахмирзади, Д.; Лангари, Р. (2005), «Стабильность системы обучения миндалевидного тела с использованием алгоритма межклеточного картирования», Международный журнал вычислительной разведки.
    19. ^ Шарбафи, Массачусетс; Лукас, К.; Тороги Хагигат, А.; Амиргиасванд, О.; Агазаде, О. (2006), «Использование эмоционального обучения в среде моделирования спасения», Transactions of Engineering, Computing and Technology , 13 : 333–337.
    20. ^ Миласи, РМ; Лукас, К.; Арааби, Б.Н. (2005). Интеллектуальное моделирование и управление стиральными машинами с использованием моделирования LLNF и модифицированного BELBIC . Учеб. Конференция IEEE по управлению и автоматизации. стр. 812–817.
    21. ^ Лукас, К.; Могими, С. Применение BELBIC (интеллектуального контроллера, основанного на эмоциональном обучении мозга) в системе автоматического приземления . WSEAS AIKED'03 (2003).
    22. ^ Рашиди, Ф.; Рашиди, М.; Хашеми А. Применение интеллектуальных контроллеров для регулирования скорости двигателей постоянного тока
    23. ^ Джалили, М. «Применение интеллектуального контроллера, основанного на эмоциональном обучении мозга (BELBIC), для активного управления очередью». Конспекты лекций по информатике . Том. 3037/2004. стр. 662–665.
    24. ^ Мехрабян, Арканзас; Лукас, К.; Рошанян, Дж. (2008), «Проектирование автопилота аэрокосмической ракеты-носителя на основе оптимизированного алгоритма эмоционального обучения», Cybernetics and Systems , 39 (3): 1–18, doi : 10.1080/01969720801944364 , S2CID   28928524
    25. ^ Голипур, А.; Лукас, К.; Шахмирзади, Д. (2003). Прогнозирование индекса геомагнитной активности с помощью алгоритма эмоционального обучения мозга . WSEAS AIKED'03 (2003).
    26. ^ Лотфи, Э.; Акбарзаде-Т., MR (2012). «Контролируемое эмоциональное обучение мозга» . Международная совместная конференция по нейронным сетям 2012 года (IJCNN) . Международная совместная конференция по нейронным сетям 2012 года (IJCNN). стр. 1–6. дои : 10.1109/IJCNN.2012.6252391 . ISBN  978-1-4673-1490-9 . S2CID   6159346 .
    27. ^ Jump up to: а б http://www.bitools.ir} [ постоянная мертвая ссылка ]
    28. ^ Лотфи, Э.; Кешаварц., А. (2014), «Классификация микрочипов экспрессии генов с использованием PCA – BEL», Computers in Biology and Medicine , 54 : 180–187, doi : 10.1016/j.compbiomed.2014.09.008 , PMID   25282708
    29. ^ Зандеш, Г; Могани, Дж; Лукас, К; Шахмирзади, Д; Арааби, Б.Н.; Намаки, О; Корд, Х. (январь 2004 г.). «Регулирование скорости вентильного реактивного двигателя с использованием BELBIC». Транзакции WSEAS в системах . 3 : 1–7.
    30. ^ Джалили, М. «Интеллектуальное управление микротеплообменником с помощью локально-линейного идентификатора и эмоционального контроллера». Конспекты лекций по информатике . Том. 3578/2005. стр. 179–186.
    31. ^ Джамали, MR; Арами А., «Эмоциональный контроль в реальном времени для предотвращения раскачивания и управления позиционированием мостового крана SIMO», Международный журнал инновационных вычислений, информации и контроля , 4 (5/2008): 2333–2344
    32. ^ Арами, А.; Джаван Роштхари, М.; Лукас, К. (2008). Быстрый интеллектуальный контроллер без модели, основанный на слитых эмоциях: практический пример реализации . 16-я Средиземноморская конференция по управлению и автоматизации (MED08). стр. 596–602.
    33. ^ Джафарзаде, С.; Мирхейдари, Р.; Джахед-Мотлах, MR; Бархордари, М., «Проект интеллектуального управления автопилотом для модели вертолета с 2 степенями свободы», Международный журнал компьютеров, коммуникаций и управления , 3 (Труды ICCCC 2008): 337–342
    34. ^ Джафарзаде, С.; Мирхейдари, Р.; Джахед-Мотлах, MR; Бархордари, М., «Проектирование ПИД-контроллеров и контроллеров BELBIC для решения задачи отслеживания пути», Международный журнал компьютеров, коммуникаций и управления , 3 (Труды ICCCC 2008): 343–348
    35. ^ Джафари, М.; Шахри, AM; Сураки, С.Б. (1 августа 2013 г.). «Управление ориентацией квадротора с помощью интеллектуального контроллера, основанного на эмоциональном обучении мозга». 2013 13-я Иранская конференция по нечетким системам (IFSC) . стр. 1–5. дои : 10.1109/IFSC.2013.6675672 . ISBN  978-1-4799-1228-5 . S2CID   2173266 .
    36. ^ Джафари, М.; Шахри, А. Мохаммед; Шураки, С.Б. (1 февраля 2013 г.). «Регулирование скорости цифровой сервосистемы с использованием интеллектуального контроллера, основанного на эмоциональном обучении мозга». 4-я ежегодная международная конференция по силовой электронике, приводным системам и технологиям . стр. 311–314. дои : 10.1109/PEDSTC.2013.6506724 . ISBN  978-1-4673-4484-5 . S2CID   36370603 .
    37. ^ Джафари, М.; Сюй, Х.; Каррильо, LRG (май 2017 г.). «Интеллектуальный контроллер на основе эмоционального обучения мозга для объединения мультиагентных систем» . Американская конференция по контролю (ACC) 2017 г. стр. 1996–2001 гг. дои : 10.23919/ACC.2017.7963245 . ISBN  978-1-5090-5992-8 . S2CID   11687828 .
    38. ^ Джафари, Мохаммед; Сюй, Хао (01 марта 2019 г.). «Биологическое распределенное отказоустойчивое управление скоплением для многоагентной системы в присутствии неопределенной динамики и неизвестного возмущения» . Инженерные применения искусственного интеллекта . 79 : 1–12. дои : 10.1016/j.engappai.2018.12.001 . ISSN   0952-1976 . S2CID   58371458 .
    39. ^ Джафари, Мохаммед; Гасемхани, Амир; Сарфи, Вахид; Ливани, Ханиф; Ян, Лей; Сюй, Хао (24 июня 2019 г.). «Биологически вдохновленный адаптивный интеллектуальный вторичный контроль для MG в условиях кибернесовершенства» . Киберфизические системы IET: теория и приложения . 4 (4): 341–352. дои : 10.1049/iet-cps.2018.5003 . ISSN   2398-3396 .
    40. ^ Садегие, А.; Сазгар, Х.; Гударзи, К.; Лукас, К. (2012), «Идентификация и управление положением сервогидравлического поворотного привода в реальном времени с помощью нейробиологически мотивированного алгоритма» , ISA Transactions , 51 (1): 208–219, doi : 10.1016/j. isatra.2011.09.006 , ISSN   0019-0578 , PMID   22015061
    [ редактировать ]
    Retrieved from "https://en.wikipedia.org/w/index.php?title=BELBIC&oldid=1235167541"
    Arc.Ask3.Ru: конец переведенного документа.
    Arc.Ask3.Ru
    Номер скриншота №: d86fcf54eca893b35a0f3fbbf889c92f__1721251560
    URL1:https://arc.ask3.ru/arc/aa/d8/2f/d86fcf54eca893b35a0f3fbbf889c92f.html
    Заголовок, (Title) документа по адресу, URL1:
    BELBIC - Wikipedia
    Данный printscreen веб страницы (снимок веб страницы, скриншот веб страницы), визуально-программная копия документа расположенного по адресу URL1 и сохраненная в файл, имеет: квалифицированную, усовершенствованную (подтверждены: метки времени, валидность сертификата), открепленную ЭЦП (приложена к данному файлу), что может быть использовано для подтверждения содержания и факта существования документа в этот момент времени. Права на данный скриншот принадлежат администрации Ask3.ru, использование в качестве доказательства только с письменного разрешения правообладателя скриншота. Администрация Ask3.ru не несет ответственности за информацию размещенную на данном скриншоте. Права на прочие зарегистрированные элементы любого права, изображенные на снимках принадлежат их владельцам. Качество перевода предоставляется как есть. Любые претензии, иски не могут быть предъявлены. Если вы не согласны с любым пунктом перечисленным выше, вы не можете использовать данный сайт и информация размещенную на нем (сайте/странице), немедленно покиньте данный сайт. В случае нарушения любого пункта перечисленного выше, штраф 55! (Пятьдесят пять факториал, Денежную единицу (имеющую самостоятельную стоимость) можете выбрать самостоятельно, выплаичвается товарами в течение 7 дней с момента нарушения.)