ارائه یک مدل محاسباتی هوش اجتماعی بر اساس یادگیری هیجانی در آمیگدلا

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,136

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

MHAA01_031

تاریخ نمایه سازی: 17 اسفند 1393

چکیده مقاله:

امروزه شبکههای عصبی به عنوان ابزاری قدرتمند جهت حل بسیاری از مسائل مورد استفاده قرار میگیرند، هر چه مدل محاسباتی شبکه عصبی ارائه شده به مدل عصبی جانداران شباهت بیشتری داشته باشد، مدل محاسباتیقویتری خواهد بود. مدل محاسباتی یادگیری هیجانی در آمیگدلا که الهام گرفته از بخش لیمبیک مغز پستانداران است، توسط مورن برای اولین بار ارائه شد. ما در این مقاله از ترکیبی از چند سیستم لیمبیک به عنوان چند موجودزنده استفاده خواهیم کرد بطوریکه اجتماع این موجودات زنده و جمع خروجی هر سیستم لیمبیک با توجه به ضریب اعمالی مربوطه، هوش اجتماعی را تشکیل خواهد داد. مدل ارائه شده با مدلهایی از جمله شبکه عصبی پس انتشار پیشخور ، شبکه عصبی پس انتشار المن و مدل محاسباتی یادگیری هیجانی در آمیگدلا جهت پیشبینی سری زمانی آشوب مک گلاس مورد مقایسه گرفته و از نتایج حاصل از پیشبینی به این نتیجه میرسیم که مدل محاسباتی هوش اجتماعی بر اساس یادگیری هیجانی در آمیگدلا، خطای کمتری را چه در الگوهای آموزش و چه در الگوهای تست در پیش بینی سری زمانی آشوب مک گلاس از خود نشان میدهد.

کلیدواژه ها:

هوش ماشین ، هوش اجتماعی ، یادگیری هیجانی در آمیگدلا ، سری زمانی آشوب مک گلاس

نویسندگان

علی رضا فلاحی آذر

دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران، گروه کامپیوتر

سعید ستایشی

دانشگاه صنعتی امیرکبیر، دانشکده مهندسی هستهای

یوسف شرفی

دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران، گروه کامپیوتر

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • McCulloch, Warren; Walter Pitts (1943). "A Logical Calculus of Ideas ...
  • Rosenblatt, F. (1958). "The Perceptron: A Probalistic Model For Information ...
  • Widrow, B., 6 Stearns, S. D. (1985). Adaptive signal processing. ...
  • Minsky, M.; S. Papert (1969). An Introduction to Computational Geometry. ...
  • Section V of Grossberg, S. (1974) Classical and instrumental learning ...
  • G.A. Carpenter, S. Grossberg, The ART of adaptive pattern recognition ...
  • IEEE Transactions on Computers 21 (3) (1988) 77-88. NFR. [Out ...
  • Anderson, J.A. and Rosenfeld, E., (Eds.), (1988). Neuroc omputing : ...
  • J.A. Anderson, and S. Lehmkuhle (Eds.) (1985), Synaptic modification, neuron ...
  • Anderson, J.R. (1987). Methodologies for studying human knowledge. Behavioral and ...
  • T. Kohonen, E. Oja, O. Simula, A. Visa, J. Kangas, ...
  • T. Kohonen, Self-Organizing Maps, Springer, New York, 1995. ...
  • Werbos, P.J. (1975). Beyond Regression: New Tools for Prediction and ...
  • Moren, J., & Balkenius, , (2000). A computational model of ...
  • Moren, J. (2002). Emotion and learning a computational model of ...
  • Friedenberg, J., & Silverman, , (2011). Cognitive science: an introduction ...
  • "The neurobiology of love" by S. Zeki in FEBS Lett. ...
  • Rumelhart, D. E., Hinton, G. E, & Williams, R.) (1988). ...
  • Hagan, M. T. Demuth, H. B., & Beale, M. H. ...
  • J. Elman "Finding structure in time! Cognitive Science, vol. 14. ...
  • M. C. Mackey and L Glass (1977), Science, 197:287-289 ...
  • نمایش کامل مراجع