استخراج دانش در محیط های آشوب (رهیافت ساختار یادگیری هیجانی مغز)

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.