模糊大脑情感学习神经网络开发与控制、分类及自适应滤波各类系统应用

The purpose of this project is to develop more general brain emotional learning neural networks and apply them to deal with control systems, classification problems, and adaptive filtering systems. Brain emotional learning controller (BELC) is a mathematical model to imitate the perception and emotion factors. BELC also contains the emotion factor such that it can mimic the intelligence of human being more precisely. This project will develop a fuzzy BELC (FBELC) by introducing the fuzzy inference system into BELC. Next, this project will propose a self-organizing FBELC, which can automatically add or prune the fuzzy rules to achieve the most efficient structure. The project will consider the application of FBLEC for the medical disease classification. The project will develop a cerebellar model based emotional learning controller (CMELC) by introducing a cerebellar model articulation controller into the structure of emotional learning controller, and compare it with the FBLEC. The applications will be on the bankrupt prediction of companies and adaptive filter design of audio signal. Then, the hardware design and implementation of CMELC will be proposed. The hardware realization will be implemented by using embedded. Moreover, this hardware implemented controller will be applied to control a magnetic ball levitation system and a biped robot. The proposed emotion-based controllers will be compared with non-emotion-based controllers to further realize the benefit and importance of the emotion factor.

项目研究目的是开发更广义的大脑情感学习神经网络，并应用于控制、分类及适应滤波各类系统。大脑情感学习神经网络的实现通过建立数学模型模仿人类大脑的感知与情感。该神经网络即具有学习能力，还加入了情感因素来达到更加优化的智能型算法，并且更近似于人类大脑思考逻辑。项目首先建构一个导入模糊理论的大脑情感学习神经网络。该神经网络具有自组织架构可增加或减少模糊规则数以达到最有效率的模糊神经网络架构。该控制器应用于医学辨识分类问题并研究网络参数学习速度与收敛性。项目还将模糊小脑模型神经网络引入大脑情感学习模型，建构新的模糊小脑模型情感学习神经网络，并与模糊大脑情感学习神经网络性能做分析，应用于公司破产预测与适应性滤波器设计。之后将该神经网络与嵌入式开发系统的结合应用于磁浮球系统及人形机器人的控制中。大脑情感学习神经网络的研究结果将与不含情感因素的其它神经网络作比较，更深入了解加入情感因素的优劣及其效能差别。

项目研究目的是开发更广义的大脑情感学习神经网络，并应用于多种类型的机器人控制系统，以及在股票预测与自适应滤波器等其他领域中。大脑情感学习神经网络不但具有较好的学习能力，还加入了情感因素来达到更加优化的智能型算法。项目主要研究包含了：1）建构了多种大脑情感学习神经网络：2）整合了模糊小脑情感模型的来提升大脑情感学习网络模型的模糊推理能力；3）整合了2型模糊集到大脑情感学习网络中；4）引入人类发展特征到机器人动作控制中；5）具有自组织架构可增加或减少模糊规则数以达到最有效率的模糊神经网络架构；6）实现多种机器人运动控制特别是书写动作控制中；以及7）在股票预测和滤波器中的应用和在医学辨识分类问题。特别要提到的是，项目探索出了多种高效率的大脑情感学习模型，这些模型具有更高效的学习速度，更精确的控制与分类表现，适用于更广泛的应用领域。在学术上建立起了一条大脑情感学习网络的成熟研究路线：从神经网络的改进到调节方法，再到实际控制器的部署与应用；其次，建立起了大脑情感学习网络的利用稳定性及收敛性分析方法，能在不同应用中快速的建立起收敛方法；最后，实现了神经网络的自组织与自调整的新方法，使得神经网络控制的使用更加高效。