TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol. 12, No. 8, August 201 4, pp. 5793 ~ 5800   DOI: 10.115 9 1 /telkomni ka. v 12i8.622 5          5793     Re cei v ed Ma rch 2 1 , 2014;  Re vised Ma y 6, 2014; Acce pted May 2 7 , 2014   Brain Emotional Learn i ng for Classification Problem      Re za Mah d i Hadi* 1 , Saee d Shokri 1 , Omid Sojodishijani 2   1 Departme n t of Computer En g i ne erin g, Scien c e and R e se ar ch Branch, Isla mic Azad Un iv ersit y  Qazvi n,  Iran  2 F a cult y  of Co mputer Eng i n e e rin g , Qazvin b r anch, Islamic  Azad Un iversit y  Qazvin, Iran   *Corres p o ndi n g  author, e-ma i l : reza.mh67 @ g mail.c o m      A b st r a ct   Emoti o n a l l ear nin g  is new  tool i n  the fie l d of  machi ne  lear nin g  that the ins p ir ed fro m  li mbi c   system . The v a rious  m o dels  of em otio nal learning (BEL)  have been succ e ssfully utili z ed  in m a ny  learning  prob le ms. F o r exa m p l e, contr o l a ppl icatio ns  and  pred ictio n  pro b le ms. In  this pa per a  new  architectu r e   base d  o n  a br a i n e m otion a l l e arni ng  mo del t hat can  be  use d  in cl assific a ti on pr obl e m  (B ELC). T h is  mo del   is suita b l e  for  hig h  d i mens io nal c l assific a ti on  app licati ons . T o  eval uate  the  prop ose d   meth od  hav e  bee n   compar e it w i th the Multi l aye r  Pe rceptron ( M LP), K-Neare s t Neigh bor (K NN), Naiv e Ba yes classifi er a n d   Brain E m otion a l L earn i ng-B a sed Pattern  R e cog n i z e r  (BE L PR)  meth ods . T he obtai ne d  results sh ow  the   effectiveness  a nd efficie n cy of  the propos ed  meth od for cla ssificatio n  prob le ms.     Ke y w ords : bra i n e m oti ona l le arni ng, classifi cation, or b i tofrontal cortex, a m yg da la, mach ine l earn i n g         Copy right  ©  2014 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion  No wad a ys cl assificatio n  method s hav e been  wid e l y used in t he area of  sci en ce,  engin eeri ng, indu stry, busi ness and me dicin e  [1]. Numero us meth ods have b e en pro p o s ed  for  cla ssifi cation  pro b lem s  t hat can  be  refe r to  st atistical  an d  mathem atical metho d s  and   intelligen ce -b ase d  meth od s. They  ca n  be catego ri ze d as: i ndu ctive or tran sd uctive, statistica l- based or non-stati s tical–based,  supervi s ed or unsuperv ised methods [2]. Artifici al intelligence- based mod e l s often bio-inspi r ed, such as ne ural  networks a nd evolution a ry com puti ng  techni que s  h a ve a l ong  tradition  of bei ng u s e d  a s  d a ta-d riven  ap proa ch es for  compl e x  syst em  modelin g. Neural n e two r ks a r e one  of the pow e r ful cla ssifie r s method  which have b een   extensively u s ed fo r cla s sification p u rp o s e s . Emotion a l learni ng ba sed  comp utat ional mod e ls  [3 - 5] is a fairly n e w a r ea i n  m a chi ne lea r ni ng that  of bio - inspired mo d e ls. Recently, resea r chers  in  artificial i n tell igen ce try  to  present  co mputat ional   model s of  Li mbic System  (LS ) . The  fi rst a   comp utationa l model  of t he LS  mod e l  wa s  pro p o s ed by  Lucas  [4]. Furthe rmore,  nume r ous  method s of e m otional le arning  have  be en propo se d  for variou s  appli c ation s . Lucas  et al. [6]  explicitly dete r mine d the re ward sig nal a nd pr o p o s ed  the Brain Em otional Lea rni ng (BEL) b a se   controlle r whi c h ha s b een  su ccessfully modified an d  utilized in va ri ous  cont rol a pplication s  [7, 8]  and p r edi ctio n pro b lem s  [9, 10]. In this model, the re ward si gnal i s  vital for upda ting the learni ng   weig hts of  sy stem. BEL i s  a sim p le  co mpositio n of  Amygdala a n d  Orbitofront al co rtex in t h e   brain. An othe r mod e l in spi r ed  emotion a l  learning  i s   brain  emotio nal lea r nin g   based intelli g ent  controlle r (BE L BIC) [6] th at ha s b een  p r oven to  overcome u n certai nty and  co mp lexity issu es  of  other intellig e n t controll ers.  In the BELBIC algor ith m , the emotion a l deci s ion m a kin g  is neith er  compl e tely cognitive n o r  behavio ral. T h is  emotion a l  co ntrolle r i s   widely  used i n  differe nt fie l ds  su ch a s  d e cision m a ki ng  and  cont rol  engin eeri n g  appli c ation s  and  rob o tics [8, 11]. Ot her  model s,  su ch  as Brain E m otional  Lea rning  Ba se d   Fuzzy Infere nce  System  (BELFIS) [12] . All  reviewed BE L mo dels a r e ba se d o n   monotoni c  re inforceme n t l earni ng  and   need  an  inp u t  reward extra c ted fro m  in put data [13] . In this  pap er a ne w a r chite c ture  ba sed o n  a b r ain   emotional le a r ning mo del that can be u s ed in cl assifi cation p r obl e m  (BELC). O t her model s  are   develop ed ba sed o n  brai n  emotional le arnin g  for cl a ssifi cation p r oblem s. Such as [17] that is   prop osed bra i n  em otional  learni ng -ba s e d   patte rn re cogni zer  (BEL PR)  to  solve multiple  in put – multiple o u tp ut cla s sificati on a nd  ch ao tic time  se rie s  p r e d iction   probl em s. Also, in  [18] t he  prop osed  a  classifier (ELi EC)  ba sed  o n  b r ain  em oti onal l earning  that  can  be   con s id ere d  a s  a n   ensemble  cl assificatio n   with a  different in teg r atio n me cha n ism and  co mb ination al gori t hm.  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 8, August 2014:  579 3 –  5800   5794 Nume ro us  efforts h a ve b een p u t into  developi ng  regul ari z ation  method s to  increa se th e  gene rali zatio n   of supe rvised cla ssifi cat i on  alg o ri thm s  a nd  red u ce the time  complexity of  the  learni ng procedure. The p r ope rtie s of emotional lea r ning a s  low  computation a l compl e xity and  fast training,  and its sim p licity has m ade it a  powerful metho d o logy in sup e rvise d  learn i ng.  Whe r e the g r adient ba se d  method s an d evolutiona ry algorith m s a r e hard to be  use d  due to t heir  high computa t ional com p le xity.  The pap er i s  orga nized a s  follows: the brain  em otiona l learnin g  is p r esented in S e ction s   2 and  propo sed meth od i s  pre s e n ted in  Section  3 .Section  4 p r e s ents the  Experime n tal re sults  whe r e th e  propo sed  meth od i s   com pared  with m u ltilayer perce ptron (MLP),  K - Nea r e s t  Neig hbor  (KN N ), Naiv e   Bay e s cla s s i fier  and  BELPR. In mult ilayer pe rcep tron a r e va ri ous ve rsion s  of  backp rop agat ion al gorith m ; the g r adie n t  desce nt  ba ckpro pag atio n (GDBP) [1 6]. And finally  c o nc lus i on s  ar e  ma de  in  Se c t io n  5 .       2. Brain Emotional Learni ng  The emotion a l  learnin g  method is an inte lligent algorit hm in the field of machine  learni ng  that develop ed to red u ce  the compl e xity of co mputations a nd re duce the time com p lexity in   learni ng p r ob lems [3, 4]. Emotional le arnin g  is in spired f r om li mbic  system.  The emotio nal   learni ng m o d e ls that first i n trodu ce d by  More n an d B a lke n iu s in hi s Ph.D. the s i s  an d devel o ped   a netwo rk  re pre s entatio n as a computa t ional model  t hat mimics the amygdala, the orbitof r ont al  cortex, the th alamu s , the sensory input  cortex, and,  g enerally, those parts  of the brain tho ught  to   be  re spon sibl e for p r o c e s sing e m otion s  [4, 5]. Lim b i c   system  is t he  cent ral  ba se  of em otio nal  intelligen ce t hat ha s several  sub m o dule s  that e a ch  ha s its  spe c ial fu ncti onality and t h e   emotional  lea r ning  o c curs  mainly in th e  amy gdal a. T w o im po rtant  pa rts  of the  limbic  syste m ,  amygdala a n d  orbito -front al cort ex  (OF C ), are re sp o n sibl e for pr o c e ssi ng the e m otional si gn als.  The main fea t ure of the limbic sy stem is that  the we ights of amyg dala ca nnot d e crea se (call e d   monotoni c le arnin g ).   Figure 1  sh ows the  gra phical mo del  of t he  se n s ory  sig nal  and l earning  network  con n e c tion m odel in side th e brain [3]. In Thalamu s , some poo r pre - processin g  o n  sen s o r y inp u t  sign als  such as noi se red u c tion or  filteri ng can   be  do ne in  this pa rt. The a m ygd a la, is very  well  placed to re ceive stimuli from all sen s o r y cortice s   an d the orbitofrontal co rtex  is thoug ht to inhibit  inapp rop r iate  respon se s from the amyg dala, ba sed  on the conte x t giv en by the hipp ocam pus  [3].   Table s  and Fi gure s  a r e pre s ente d  ce nter, as  sho w n b e low a nd cite d in the manu script.           Figure 1. Gra phical Model  of the Brain Emotional Le arning Pro c e ss  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Brain Em otional Lea rnin g for Cla s sificati on Probl em  (Re z a Mah d i Hadi )  5795 The follo win g  limbic sy ste m  structu r e s  are  currentl y  thought to  be  mo st inv o lved in  emotion:   a) Amygdala   b) Hipp ocampu s  c) Forni c ate  gyrus  d) Hypothal amu s   e) Orbitofrontal  cortex     a ) Amy gdala  The  amygdal a is pa rt of  the limbi c sy stem  [3]  whi c h  ba sed  on  the  brai n e m otiona l   learni ng (BEL) creates  e m otional  i n te lligen ce.  Am ygdala  re cei v es pla s tic conne ction s  from  sen s o r y co rt ex and thal amus  and t he internal reinforce  cau s ed  by external  reward  and  puni shme nt [3]. The amy gdala  are rel a ted in  det e c ting and  lea r ning of  our surroun ding s  are  importa nt an d have  emoti onal  signifi ca nce. T her e a r e  several in puts to th e a m ygdala th at are   comin g  st raig ht from the  sensory a r ea s.  Out puts from  the amygdal a are th e con d itioned  sign als  to the OFC, a nd the emotio nal co nditioni ng.  b) Orbito fro n tal Cor t e x   Biological Fo undatio ns  Worki ng  clo s el y with the a m ygdala i s  t he o r bitofro n tal co rtex  (OF C ), which  will evaluate  the acti vity of the amygdal a  in context.  T he orbitofront al co rtex (OF C )  is  a regi on o f   asso ciation cortex of  the   huma n   b r ain  involved in  cog n itive pro c e s ses su ch   as  deci s io n ma king. It is critically en gage d in em otio n a l pro c e s sin g  and i nhibit o ry co ntrol f o r  behavio r mo nitoring  by a ssi gnin g  valu e in de cisi on  makin g  me chani sm whereas  orbitof r o n tal  cortex  le sion s a r e  kno w n  to h a ve a b n o rmal  be havi o r  and  emoti onal i r regul arities. Th e m a in   function  of orbitofrontal  co rtex is th oug ht to be  in hi bitory when e v er the e m oti onal  rea c tion  is  assume d to  be i n conv enient  due  to reinforcement, in  fact o r bitofro n tal cortex  ha s  interconn ecti ons  with hipp ocam pu s, an d also it  ha s bidire ction a l conne ction s  wi th amygdala.   In Figure  1, there i s  on e A node for e v ery st imulu s  X, including  one for the  thalamic  stimulu s . The r e is al so on e  O node for e a ch of the  sti m uli, except for the  thalami c  nod e. There is  one  output n ode E th at is  comm on fo r  all the o u tput s of th e mo de l. The E n ode  simply  sum s   the  outputs from  the A no des  and the n   subt ract s the  inhi bitory outp u ts from the  O  n ode s. The  re sult  is the output from the mod e l. In other word s, E can b e  obtaine d fro m :       ∑ ∑               ( 1 )     One of amygdala inp u ts is called th alamic  con n e c tion and  cal c ulate d  as the    ma x  min       overall Sen s ory Input   as equatio n. Like wise, the   node   sum s  the o u t puts from   , except    and then subtract s from in hibit o ry output s from the    node s. The le arnin g  rul e  of the amygdala  is given as:                 (2)     ∆   m a x   0 , ∑           ( 3 )     Whe r e  the weig ht in the amygdal a con n e c tion is,   is the lea r ning  step i n  the   amygdala, an d    is  the valu e of reward si gnal. The term    in (3) is fo r making the learni ng   cha nge s mo n o tonic, implyi ng that the a m ygdala  wei ght ca n neve r  be de crea se d. This  rule i s  for  modelin g the  incapability  of unlea rni n g  the em otion  sign al p r evio usly lea r n ed i n  the a m ygd a la.  Similarly, the learni ng rule in the orbitofrontal co rtex is given a s :                   ( 4 )       ∆    ′              (5)     Whe r e   is the weight in the  orbitofro n tal con n e c tion, a nd  is the lea r ning ste p  in the   orbitofrontal cortex. Also  ′   is :    Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 8, August 2014:  579 3 –  5800   5796   ′ ∑ ∑               ( 6 )     In Figure 1, the top is the  orbitofro n tal,  the bottom right is the a m ygdala, and  the left  contai ns the  thalamic a n d  sen s ory cort ical mod u le s. The sen s o r y inputs   ente r  the thalami c   part, whe r e a  thalamic in pu t to the amyg dala is  calcul ated as the m a ximum or mi nimum or me an  over all in put s. A prima r y reward sig nal     enters both  the amygdal o i d  and o r bitof r ontal p a rt s.  In fact, by re ceiving th e sensory inp u t  , the model  calcul ates th e internal  sig n a l s of amygd a l a   ( ) and orbitofrontal co rtex ( ). Since the a m ygdala d o e s  not have th e cap ability to unlea rn a n y  emotional  respon se th at it  ever l earned,  inhibiti o n  of   any ina p p r op riate  re spo n se is the  duty  of  the orbitofron tal cortex. T he amygd a la  part re ceive s  input s from  the thalamu s  and f r om t he  corti c al  are a s , while the  orbitofrontal  part  re ce ive s  inp u ts f r o m  the  corti c al area s an d  the   amygdala o n l y .  Table s  and Fi gure s  a r e pre s ente d  ce nter, as  sho w n b e low a nd cite d in the manu script.       3. Proposed  Model   In this  sectio n, the struct ure  of pro p o s ed  method  i s  introdu ced.  In this p ape r a n e w  architectu re  based on a brain em otio nal learni ng  model that can be used in classification  probl em (BEL C). Prop osed  method can  be use d  in  cl assificatio n  and pre d ictio n  probl em s. In the  cla ssifi cation  probl ems  re quire s a trai ning data s et.  Every insta n ce in  any  dataset use d  b y   machi ne lea r ning alg o rith ms is  rep r e s ented u s ing t he sa me set of feature s  [1 4]. In the BELC  model, a n y feature  of the  data s et i s  in put patterns  model. T he i nput p a ttern  is illu strate d  by  vec t or :          , ,…, ,…,     1 ,2, … ,             ( 7 )        , ,…, ,…,        1 ,2, … ,             (8)     Whe r e   is th e instan ce si ze and m is the feature si ze and   is a n  instan ce a nd    determi ne s the lab e l cla ss of  . Als o     is cal c ulate  by    ma x  min      . Where the t r ainin g  data s et are n o rm al ized b e fore e n tering to  model bet we en [-1.0, +1. 0 ]. Figure 2  illustrated t he pro p o s ed  method ba sed on BEL for   cla ssifi cation  probl em s. Ou tputs of the model can be o b tained fro m :          ∑ ∑              ( 9 )     Whe r e the a c tivation function ca n be:         ∗ 1                      ( 1 0 )          ∗ 1              (11 )     Also, the val ues  of amyg dala ( )  an d Orbitofrontal cortex ( ) are  cal c ulated  b y   followin g  equ ations:                    ( 1 2 )                    ( 1 3 )     Output of am ygdala  ( ) that is u s e d  for  adju s ting the  plasti c  conn ection  wei ght s an d   output of Orb i tofrontal co rtex ( ) that is use d  for inha biti ng the amygdala output . Update the  weig hts are calcul ated by followin g  equ a t ions:           m a x   0 , ∑             ( 1 4 )     Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Brain Em otional Lea rnin g for Cla s sificati on Probl em  (Re z a Mah d i Hadi )  5797        ′              (15 )     The value    a nd    are the  best weig ht   and   during  training and    is a   rand om num ber. Find the  best value s     and    simply calcul ated by followin g  equ a t ions:                          ( 1 6 )                       ∑ ∑             ( 1 7 )                     ( 1 8 )                     ( 1 9 )           Figure 2. Gra phical model  of the BELC      The   and   values  ca use  a fast conv erge nce toward s the  be st wei ght  coeffici ents.  The m odel  al so  nee ds a  ta rget  asso ci at ed to  input  pa ttern to  adju s t  the  wei ghts.  Let  Rw b e  target  value ( ) to pattern (   ).                1 ,2, … ,             ( 2 0 )     The value  ′  are cal c ulate d  by this equati on:      ′      ∑ ∑           ( 2 1 )     The value pa rameters in propo sed meth od sh own in the followi ng table.       Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 8, August 2014:  579 3 –  5800   5798 Table 1. Meth odParamete r s  Parameters  Value   Number of  epoch  100     21 0      11 0    Rw Function         4. Experimental Re sult  In this  s e c t ion, we tes t  the  BELC method to  clas sif y  sev e ral dat a s e t s that have obtained   from the Univ ersity of Calif ornia, Irvine  (UCI)  m a chin e learni ng re posito r y [15].  Every instance  in any data s et use d  by  machi ne le arning alg o rith ms is  re pre s ented u s in g the sam e  se t of  feature s . Th e features m a y be  contin uou s, cate go rical  or bin a ry. Table 2  shows the  m a in  cha r a c teri stics of the data s ets. Th e de vel oped m e th od wa s  comp ared  with G D BP MLP, KNN,  Naive Baye s cla ssifie r  an d  BELPR. Also, to evaluate the BELC i n  the cla s sification p r o b le ms,  mean  squ a re error  (MS E ) and a ccura cy are  p e rform a n c e  measures th at are g ene rally  expre s sed a s  follows:         ∑                ( 2 2 )                           ( 2 3 )     For all of the learni ng ste p , the training set  contain s  7 0 % of the data and the testing set   contai ns 3 0 %.      Table 2. Data sets  Datase t   Attrib ute c harac t eristics   Insta n ces  Attrib ute  Classes   Iris Real  150  4  3  Glass Real  214  9  7  Sonar  Real  208  60  2  Pim a  Integer,  R eal  768  8  2      Table 3. Accu racy of Cla s si fication Resul t  for Iris Data set duri ng 10  Run s   M e t h od  Accuracy ( % )   Ma x  Me a n   BELC 0.97  0.85  BELPR 0.78  0.70  GDBP M L P   0.97  0.91  KNN 1.00  0.95  Bayesian  0.97  0.02      Table 4. Accu racy of Cla s si fication Resul t  for Glass Da taset du ring 1 0  Run s   M e t h od  Accuracy ( % )   Ma x  Me a n   BELC 0.84  0.75  BELPR 0.71  0.68  GDBP M L P   0.76  0.76  KNN 0.84  0.82  Bayesian  0.96  0.86      Table 5. Accu racy of Cla s si fication Resul t  for Sonar Dataset du ring  10 Ru ns  M e t h od  Accuracy ( % )   Ma x  Me a n   BELC 0.86  0.73  BELPR 0.74  0.70  GDBP M L P   0.85  0.79  KNN 0.86  0.75  Bayesian  0.79  0.74  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Brain Em otional Lea rnin g for Cla s sificati on Probl em  (Re z a Mah d i Hadi )  5799 Table 6. Accu racy of Cla s si fication Resul t  for Pima Dataset du ring 1 0  Run s   M e t h od  Accuracy ( % )   Ma x  Me a n   BELC 0.79  0.74  BELPR 0.82  0.75  GDBP M L P   0.81  0.79  KNN 0.78  0.72  Bayesian  0.78  0.72          Figure 3. Maximum Accura cy Comp ari s o n  betwe en th e BELC, BELPR, GDBP MLP, KNN and  Bayes i an          Figure 4. Minimum MSE Compa r ison be tween the BE LC, BELPR, GDBP MLP, KNN an d  Bayes i an       4. Conclusio n   This pap er p r esents  a ne w cla ssifie r   t hat  is  inspire d  by the  brai n emotio nal l earni ng   (BELC). Ho wever, the BE LC differs  fro m  other  meth ods i n  the  wa y that the cla ssifie r s are fe d .   The p e rfo r m ance of BEL C i s  evalu a ted by  cl a s sifying seve ral  ben c hm ark data  set s   and   comp ared  wi th differe nt cl assifier meth od. Th e  re su lts indi cate  a  fairly g o od   perfo rman ce   of  BELC for c l ass i fic a tion.      Referen ces   [1]  Sheik hol esl a mi  N, et al. A ppl ying  brai n em oti ona l  le arn i ng  a l gorit hm for mu ltivaria bl e co ntrol of H V A C   s y stems.  Jour n a l of Intelli ge nt and F u zz y  Sys t ems . 20 06; 17 (1): 35-46.   [2]  G holi pour   A, Caro Luc as, Dani al   Sha h m i rzadi.  Pr ed icti ng  geo mag net ic activity  in d e x by  bra i n  emotio nal l ear nin g . WSEAS  T r ansactions on S y stem s. 2004; 3(1): 296-299.   [3]  Sutikno T ,  F a cta M, Arab Mar k ade h G . R. Progress i n  Artifi cial Intel l i genc e T e chniqu es: from Brain t o   Emotion.  TEL K OMNIKA . 2011 ; 9(2): 201-20 2 .   [4]  Caro  Luc as, D ani al S h a h mirz adi,  Nima  Sh ei khol eslam i .  Introduc ing  BELBI C: bra i n  e m oti ona l l ear nin g   base d  inte lli ge nt controll er . Intellig ent Autom a tion & Soft Co mputin g. 200 4; 10(1): 11-2 1 .  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 8, August 2014:  579 3 –  5800   5800 [5]  Lucas, C a ro, R a sou l  M Mil a si,  Babak  N Ara a b i. Intell ig ent M ode lin g a nd  Co ntrol Of W a shi ng Mac h in e   Using   L o cal l y  Lin ear Neur o ‐ F u zz y  ( L l n f) Mode lin g A nd  Modifi ed Br ain  Emotio nal  L e a rni ng B a se d   Intelli gent C ont roller (Be l b i c).  Asian Jo urn a l of Control.  20 0 6 ; 8(4): 393-4 0 0 .  [6]  Gholi pour  A,  C L u cas, D   Shahm irzad i .  Purpos eful pr edicti on of  sp ace  w e ath e r phe nome n a   b y   simulat ed emot ion a l le arni ng.  Internati o n a l Jo urna l of Model li ng an d Si mu lat i on.  20 04; 24( 2 ) : 65-72.   [7]  LeD ou x, Jose ph E.  E m otio n circuits i n  the br ain . F O CUS: T he Journa l of Life lo ng L earn i n g   i n   Ps y c h i atr y .  20 09; 7(2): 27 4-2 74.   [8]  Kotsiantis, S o tiris B, Ioan nis   D Z ahar akis,  Pana yi otis E  Pintel as.  Ma chin e le arn i ng:  a revi ew  of   classificati on a nd co mb ini ng t e chn i qu es . Artificial Intel lig enc e Revi e w . 200 6; 26(3): 15 9-1 90.   [9]  Lotfi, Ehsan, MR Akbarza de h T .   Brain Emotion a l Le arn i n g -Base d  Pattern Reco gni z e r . Cy be r n e t i cs  and S y stems. 201 3; 44(5): 40 2-42 1.  [10]  Hua ng, Guo y o ng, Z i yan g  Z h e n , Dao bo W a n g .  Brain  emotio nal l ear nin g  b a s ed i n tell ige n t control l er fo r   nonlinear syst em . Inte lli gent  Information  T e chnolog y A pplic atio n. IIT A ' 08. Secon d  Internatio na l   S y mp osi u m on . IEEE. 2008; 2.  [11]  Mahd i Ha di, R e za, Sae i d S h okri, Pe yma n   A y u b i.  Ur mi a L a ke l e vel for e c a sting  usin g Br ain E m otion a l   Lear nin g  (BEL ) . Computer a nd Kno w l e dg e  Engin eeri ng (I CCKE), 3th Internati ona l eCo n ferenc e on.   IEEE. 2013.   [12]  Mohamm d i Mil a si R, C Luc as, B Nadj ar- A rrabi.  Spe e d  control of a n  interior  per mane nt magn et   synchro nous   motor  us ing  B E LBIC (br a in  e m oti o n a l  le arni ng  base d   intel l i ge nt contr o ll er ) . Automation  Con g ress. Pro c eed ings. Worl d. IEEE. 2004; 16.   [13] Parsap oor,  Ma hbo ob eh, Urba n Bilstrup.  Bra i n Emotio nal  L earn i ng B a sed  F u zz y  Inferen c e Syst e m   (BELFIS) for Solar  Ac tivity  Forecasting .  T ools  w i th   Artificial Int e ll i genc e (ICT AI). IEEE 24th   Internatio na l C onfere n ce o n . IEEE. 2012; 16.   [14]  Pasrap oor, M a hbo ob eh, Ur ba n Bi lstrup.  A n  Emoti o n a l Le ar nin g -ins pire d  E n se mb le Class i f ier  (EL i EC).   Co mp uter Scie nce an d Info r m ation Syste m s  (F edCSIS).  Federate d  Co nfer ence o n . IEEE. 2013.   [15]  J Moren, C Bal k eni us. Emotio n and  Le arni ng -A Computati o nal Mo del   of the Am ygda la, P h .D.  T hesis,   Lun d Univ ersit y , S w e den. 2 0 02.   [16]  CC Blak e, C  Merz. UCI Re posit or y  of Ma chin e Le arn i ng  Datab a ses. D ept. Informatio n  & Com pute r   Sciences, Univ. California,  Irvine. 1998. Avai lable: http://arc hi ve.ics.uci.edu/ml/.  [17] C Balk eni us, J Moren.  A co mputatio na l  mod e l of e m otio nal  cond ition i n g  in  the bra i n . Proc. Workshop  Ground ing Em otion Ad aptiv e S y st, Z u rich, Sw itz e rla nd. 19 9 8 .  [18]  NNg, S i n  Ch u n , Shu  H ung   Leu ng, A ndre w   L u k. F a st  conver gent  ge ner a lize d  back - prop agati o n   alg o rithm  w i th  constant le arn i ng rate.  Neur al  Processin g  Le tters.  1999; 9(1 ) : 13-23.         Evaluation Warning : The document was created with Spire.PDF for Python.