1.3 大脑情感学习模型的研究现状

目前，大脑情感学习模型在智能控制中取得了良好的应用，在复杂数据分析中也表现出了一定的优势。

1.3.1 智能控制应用

自大脑情感学习模型被提出以来，基于大脑情感学习模型的智能控制器被广泛用于控制领域，并取得了较好的控制效果。

国外方面，2004年，Lucas等人首先将大脑情感学习模型用在了电力系统的调节上，提出了基于大脑情感学习模型的智能控制器（Brain Emotional Learning Based Intelligent Controller, BELBIC），用于电力系统的暂态稳定调节和电压调节。实验结果表明，基于大脑情感学习模型的智能控制器具有较广的参数设计空间，可以减小超调量，缩短响应时间。随后，Mehrabian等人建立了大脑情感学习模型工具箱，并将其用于空调系统的智能控制器中，代替了传统的通风装置控制器，改进了空气温度调节器的结构与功能，实验验证了该方法的有效性。Jamali等人实现了基于大脑情感学习模型的嵌入式可编程控制器，并将其用于室内桥式起重机的控制，取得了良好的控制效果。Valikhani等人在双馈式感应发电机的矢量控制中采用了基于大脑情感学习模型的智能控制器。文献[10]提出了将基于大脑情感学习模型的智能控制器用于抗震控制，通过动态抵消地壳运动的影响，提高建筑物对地震活动的弹性，减少地震引起的振动影响。文献[11]提出了基于大脑情感学习模型的不确定时滞非线性系统控制，用于弹性关节远程手术机器人，可以使机械手操作的精细度得到明显的改善。

国内方面，大脑情感学习研究起步较晚。2013年，有研究者实现了在自适应液压伺服控制系统中采用大脑情感学习控制器。同年，发表了在四轮驱动机器人中采用大脑情感学习控制器进行速度补偿控制的相关论文。2014年，有研究者成功将大脑情感学习控制器用于步进电机的控制。针对传统比例微分控制在解决高精度非线性控制问题时的效果不理想，研究者在两关节机器人运动控制中采用了大脑情感学习控制器，有效抵抗了关节机器人受摩擦、打滑等非线性因素的影响，从而提高了系统控制精度和响应速度。为了改善无人驾驶车辆的性能，一种基于大脑情感学习模型的间接自适应大脑情感神经鲁棒控制器被提出，Lyapunov理论证明了该控制器的稳定性，仿真结果表明，该控制器在响应速度、跟踪误差和鲁棒性方面取得了良好的效果。

为了满足复杂系统的控制要求，一些集成了智能算法的大脑情感学习模型被相继提出。Valipour等人将粒子群优化算法引入大脑情感学习模型，为系统的稳定控制找到了新的解决方案，倒立摆系统实验结果表明，该方法可以有效减小误差，鲁棒性明显提高。Hsu等人将模糊理论引入大脑情感学习模型，采用梯度下降法和大脑情感学习方法，在线优化控制器参数。Lin和Pham将模糊理论引入大脑情感学习模型，用于控制音频信号和图像信号安全通信中的加密和解密处理，音频信号和图像信号的仿真实验证实了控制器的有效性。叶荣冠和郑飞杰设计了模糊大脑情感学习模型，用于双足机器人的容错控制，仿真结果表明，该方法在双足机器人出现系统故障和外部扰动的情况下，仍能保持正常运行。

1.3.2 数据分析应用

在数据分析领域，大脑情感学习模型的应用主要包括数据预测、数据分类及模式识别。

在数据预测方面，大脑情感学习模型可用于天气预测、地磁风暴预测、风力预测、水位预测及短时交通流预测等。2008年，Babaie等人建立了基于大脑情感学习网络的预测模型，根据地磁指数对地磁扰动和地磁风暴进行预测，获得了较好的效果。Sharafi等人以区间知识为基础，提出一种改进的大脑情感学习模型，利用区间知识更新杏仁体和眶额皮质的权重，在混沌时间序列预测实验中表明，改进模型的预测精度和收敛速度明显提高。

在数据分类方面，大脑情感学习模型也取得了广泛的应用。2012年，Ghanbari等人采用基于大脑情感学习模型的自适应分类器对脑电信号进行分类，并将分类结果与支持向量机及另外两种神经网络进行比较，结果体现了基于大脑情感学习模型的自适应分类器的优越性。Razavi等人提出了一种基于大脑情感学习模型的动态分类器，用于脑电信号的分析处理，并将该分类器成功应用于基于脑电信号的脑机接口中。Zhou等人将模糊理论引入大脑情感学习模型，用于解决乳腺肿瘤分类问题。Asad等人结合模糊算法提出了监督式大脑情感学习模型，用于解决多分类问题，从分类正确率上显示了该模型的有效性。高佳倩等人将小波函数和模糊推理相结合，构成基于小波函数的模糊大脑情感学习分类器，利用小波函数的时频局部化特性，快速精确地逼近信号，实验结果表明该分类器的分类正确率高于传统算法。

在模式识别方面，研究者们将大脑情感学习模型用于语音识别、人脸识别等的研究。例如，基于大脑情感学习模型的模式识别器，在12个加利福尼亚大学尔湾分校（University of California, Irvine, UCI）数据集上的实验结果表明，大脑情感学习模型的分类结果较多层感知器在分类正确率和运算速度上具有明显优势；Motamed等人在结合了神经模糊推理系统和多层感知器的基础上，提出了基于集成大脑情感学习模型的语音识别器，该方法模拟了大脑处理语言信息的过程，实验结果表明该方法在人类语音情感识别中有效Farhoudi等人提出了一种改进的大脑情感学习模型用于语音信号识别，该模型利用误差反向传播理论来训练大脑情感学习模型，在柏林语音数据集上的实验结果表明，大脑情感学习模型的性能优于隐马尔可夫模型、k-近邻分类器及支持向量机；Farhoudi等人还在多模态情绪识别中提出了一种基于深度学习和大脑情感学习的视听融合模型，该模型采用卷积神经网络和循环神经网络构成，可以输入高度抽象的视听特征，实验结果证明该模型有效。

上述研究表明，大脑情感学习模型在智能控制工程中的应用较早，目前正在进一步推广。在数据预测、数据分类及模式识别等方面，大脑情感学习模型在近些年得到了迅速发展，其性能还有很大的改善空间。