@article { author = {Golshan, Mehdi and tashnelab, Mohammad and Sharifi, Arash}, title = {An Improved Brain Emotional Learning Model Inspired By Online Recurrent Memory Sequential Fuzzy Extreme Learning Machine Based On TSK Fuzzy Inference System}, journal = {Fuzzy Systems and its Applications}, volume = {4}, number = {1}, pages = {47-78}, year = {2021}, publisher = {Iranian Fuzzy Systems Association}, issn = {2717-4409}, eissn = {2717-3984}, doi = {10.22034/jfsa.2021.137240}, abstract = {Prediction models and classification algorithms are widely used in many science and technology. Among their various methods, Well-known data-driven methods such as neural networks and neuro-fuzzy models because of their characteristics have been considered by many researchers. To develop and overcome the weak points of these models, the concepts of the human brain biological systems are used. Therefore, the brain's emotional limbic system is used to develop these models. Brain Emotional Learning (BEL) is an emotional artificial neural network based on the interaction of the thalamus, cortex, amygdala, and orbitofrontal components. This learning machine has different architectures and learning algorithms. In this paper, the online fuzzy extreme learning machine is used as the amygdala and orbitofrontal component in the brain emotional learning machine. To interact between the main components of the brain emotional learning machine, online recurrent memory sequential fuzzy extreme learning machine with different memory depth and transfer learning ability is used. The final design machine is called Brain Emotional Learning based on Online Recurrent Memory Sequential Fuzzy Extreme Learning Machine (BEL-ORMS-FELM). The proposed cognitive machine is designed based on learning the training data one-by-one but also chunk-by-chunk (with fixed or varying length) and it can discard training data that has already been trained. Performance comparison of the proposed method is done with other similar learning methods on the benchmark problems of chaotic time series. The results of analysis and simulations show that the performance and accuracy of the proposed method are higher than other methods.}, keywords = {Brain Emotional Learning,Online Sequential Extreme Learning Machine,Recurrent Memory Networks,Takagi Sugeno Kang Neurofuzzy Networks}, title_fa = {بهبود ماشین یادگیر هیجانی مغز با الهام از ماشین یادگیر محدود فازی آنلاین حافظه‌دار بازگشی مبتنی بر سیستم عصبی فازی تاکاگی‌سوگنو}, abstract_fa = {الگوریتم‌های مختلف طبقه‌بندی و مدل‌های پیش‌بینی در بسیاری از علوم و تکنولوژی بطور گسترده استفاده می‌شوند. در میان روش‌های مختلف آن‌ها، روش‌های داده-محور مشهور شامل مدل‌های شبکه‎‌های عصبی مصنوعی و فازی عصبی بدلیل ویژگی‌هایشان مورد توجه بسیاری از محققین قرار گرفته است. به منظور توسعه و غلبه بر معایب این مدل‌ها، از مفاهیم سیستم‌های بیولوژیکی مغز انسان استفاده می‌شود. بر این اساس از سیستم لیمبیک مغز هیجانی جهت توسعه این مدل‌های استفاده می‌شود. یادگیر هیجانی مغز یک شبکه عصبی مصنوعی هیجانی مبتنی بر تعامل مولفه‌های تالاموس، کورتکس، آمیگدلا و اوربیتوفرانتال است.. این ماشین یادگیر معماری و الگوریتم‎های یادگیری متفاوتی دارد.در این مقاله از ماشین یادگیر محدود فازی آنلاین به عنوان اجزای تشکیل دهنده آمیگدلا و اوربیتوفرانتال در ماشین یادگیر هیجانی مغز استفاده می‌شود. به منظور تعامل میان اجزای اصلی ماشین یادگیر هیجانی مغز، از ماشین یادگیر محدود فازی آنلاین حافظه‌دار بازگشتی با عمق حافظه مختلف با قابلیت انتقال یادگیری استفاده می‌شود. ماشین طراحی شده نهایی، ماشین یادگیر هیجانی مبتنی بر ماشین یادگیر محدود فازی حافظه‌دار بازگشتی آنلاین نامیده می‌شود. ماشین شناختی ارائه شده بر اساس یادگیری داده‌های آموزش به صورت الگو- الگو یا دسته-دسته (با طول ثابت و متغییر) طراحی شده است و می‌تواند داده‌های آموزشی را که قبلا آموزش دیده‌اند را کنار بگذارد. مقایسه کارآیی روش پیشنهادی با روش‌های یادگیری مشابه بر روی مسائل سری‌های زمانی آشوبی انجام می‌شود. نتایج تجزیه و تحلیل و شبیه‌سازی نشان می دهد که کارایی و دقت روش پیشنهادی بیشتر از سایر روش‌ها است.}, keywords_fa = {ماشین یادگیر هیجانی مغز,ماشین یادگیر محدود آنلاین,شبکه‌های حافظه‌دار بازگشتی,شبکه‌های نرو فازی تاکاگی‌سوگنو}, url = {https://jfsa.fuzzy.ir/article_137240.html}, eprint = {https://jfsa.fuzzy.ir/article_137240_faf7855f4147457fc04f7593d243ced7.pdf} }