TELKOM NIKA , Vol.9, No.2, August 20 11, pp. 201 ~202   ISSN: 1693-6 930   accredited by D G HE (DIKTI ), Decree No: 51/Dikti/Kep/2010       201       Progress in A r tificial Intellig ence Techniques: from  Brain to Em otion  (Tole Sutikno)  Progress in Artificial Int e lligence   Techn i ques: from  Brain to Emotion      Tole Sutikno 1 , Mochammad Fac t a 2 , G.R. Arab M a r kadeh 3   1 Departme n t of Electrical En gi neer ing, Un iver sitas Ahmad D ahl an, Yog y a k arta, Indon esia   2 Departme n t of Electrical En gi neer ing, Un iver sitas Dip one go ro, Semaran g , Indon esi a   3 Departme n t of Electrical En gi neer ing, Un iver sit y  Sh ahrek or d, Shahrek ord,  Iran  E-mail: tole@ e e.uad.ac.i d       Artificial Intelligen ce (AI) te chni que s, e.g .  ex pert s y s t em (ES), fuz zy  logic (FL ) , artificial   neural network  (ANN),  geneti c  algo rithm (G A ) , particl e swa r m optimizati on (PSO)  a nd  biologi cally i n spi r ed  (BI)  have re ce ntly been a ppli ed wi dely in  power  elect r oni cs and  motor  drives. Th e aim of the AI  is to model natural o r   huma n  intelligen ce  in a comp uter to think smartly  like a hum an  [1], [2].    The  next form of AI i s  the embedded A I  cont roller system whi c h  has ability  in  l earni ng,   self-o rg ani zin g , and  self-adaptin g. Ha d bee n abl e  to solve  co mmon a nd  compl e x con t rol  probl em, the AI technique  in comp utatio nal intelli gen ce applied in  wide ap plication of indust r i a l   pro c e s s cont rol, roboti cs,  automate d   planni ng a n d  sche duling,  game s , hyp e rme d ia, ima ge  pro c e ssi ng,  pattern s re cognition (ha ndwriting,  sp eech, and facial ), l ogisti cs, data mi ning,   medici ne an d  healthcare, space and di a gno stic techn o logy [1].    Each  AI meth od h a s its  own uni que ne ss and  c haracte ristics. T he E S  and  FL te chniqu e s   tend to mimi c the beh aviou r al natu r e  of the hum an  b r ain an d ba se  on the  rule s; the NN is  mo re  gene ric in  n a ture a nd te nds to patte rn directly to the biologi cal NN. The  GAs and t he  evolutiona ry comp utation  t e ch niqu es are ba se d o n  p r inci ple s  of  g enetics. Ba si cally, GA  sol v es  optimizatio n  probl em s through a  se arching p r o c e ss  to  find the fittest as  a su rv ivor for the b e st  solutio n s. Am ong  all the  sub b r an ch es  of AI, the NN and  FL  app ear to  be  mo st u s e s  for hi gh- perfo rman ce  motor d r ive s . Ho weve r t here  are  ma ny other fe e d  forward an d re cu rre nt  NN  topologi es which requi re   systemat i c  exploratio n for their a ppl ication s  [3]. In advance, the  powerful intel ligent control  and e s timatio n  tech ni qu es  are  dynami c a lly develope d  throu gh hyb r id  AI systems  such  as n e u r o – fuzzy, neuro –gen et ic, and  neuro–fu zzy –gen etic sy st ems. Th e PSO   as a po pulati on-b a sed sto c ha stic o p timizati on te chni que ha s be e n  develop ed  sin c e 19 95 a nd  inspi r ed by  so cial be hav ior of bird flocking  o r  fish sch oolin g  [4]. PSO  as evolutio n a ry  comp utation t e ch niqu es  sh are s  ma ny si milaritie s  with  GA, but PSO offer ea sy  impleme n tation   with few adju s table gai ns.  PSO is con s i dere d  as a f a st-d evelopi n g  resea r ch to pic and a ppli e d   su ccessfully in optimizat io n function, a r tificial neu ral  netwo rk  traini ng, and fu zzy  system control  [5]. The biol ogical di spo s itions of a n i m als a nd mi mics  bio m e cha n ism s  h a ve inspi r ed t he BI  system. Since 1990 s, the NN tech nol ogy has be co me one of most attra c tive topics for the   sci entific com m unity, and growth  rapi dly in diffe rent an d variou s app lication s  [1], [2], [5].    Re cently, re searche r s hav e develop ed  a com put atio nal model of  emotional le a r ning in   mammalia n b r ain. Ba sed  o n  the  cog n itively motive op en loo p  mo d e l, brai n emo t ional lea r nin g   based intellig ent cont rolle r (BELBIC) was intro d u c ed  for the first time in 2004 [ 6 ]. Basically, the  brain  emotio n a l learning  (B EL) is divided  into  two  part s : amygd a la  and o r bitofro n tal co rtex. T h e   amygdala i s   a pa rt of the  brain th at mu st be  re spo n s ible  fo r  p r o c essing emoti ons prim arly and   corre s p ond  with the orbit o frontal corte x , thal amus, and sensory  input co rtex  in the network  model. T he o r bitofro n tal  cortex receive s  in puts from  the  corti c al  area s  and  th e amygd a la  and  respon sibl es  for the  rea c tion to  chan g e  the  c onting ency  of em otions. E r ror of  the  expe cte d   reward o r  pu nishm ent a n d  the lo ss  of le arnin g  in th e  amygdala  will  be ma nag ed  by orbitof r on tal  c o rtex [1], [2],  [5] .   Duri ng the p a st few years, the BELBIC  ha s been  su ccessfully employed for makin g   deci s io ns an d controlling  in a simple li near  system s and non -lin ear sy stem s su ch a s  spe ed  control of a  p e rma nent m a gnet syn c h r o nou s moto r (PMSM), auto m atic voltag e  reg u lator (A VR)  system, flight  control, posi t ion tracking  and swin g da mping control  of single inp u t multi output  overhe ad t r a v eling  cra ne,  wa shin g ma chine, a u to mot i ve su sp en sio n  control  syst em, micro - he at  Evaluation Warning : The document was created with Spire.PDF for Python.
                           ISSN: 16 93-6 930     TELKOM NIKA   Vol. 9, No. 2, August 20 11 :  201 – 20 2     202 excha nge r, v entilating  and  air conditio n i ng  cont rol [1] ,  [2], [5]. In furthe r d e velo pment, BELB I C   was implemented on fiel d  program m abl e gate array  (FPGA) for  controlling  a mobile crane  in  a  model free a nd embe dde d manne r. In 2008, BELBI C method fo r elect r ical drive control  was  started  an d  a supe rior cont rol  ch ara c teri stic  wa s bo rn  with fast  resp on se, si mple   impleme n tation, and ro bu stness to distu r ban ce s [7].   In [1], the co ntrolle r was  use d  for first  time to  cont rol a n  IM d r i v e and i n vest igated it s  indep ende nt  of the pa ram e ters variatio ns, e s pe cia lly  rotor re si sta n ce.  Al so th e co ntroll er  wa s  impleme n ted  for som e  other ele c tri c  d r ives  su ccessfully [8]. Ba sed o n  the a bove mentio ned   eviden ce of the emotio nal  cont rol ap proache s in co mputer  and  c ontrol e ngin e e ring, it can  be   con c lu ded th at the ap plication of e m ot ion in  sy ste m s coul d  by its  sim p le an d  uniq ue co n t rol  desi gn, overcome the probl ems of non -li near  sy stem,  manufa c turi n g  imperfe ctio ns, acce ptabl y.  The  results i ndicate the  ability of BELBI C to  cont rol unknown non-linear  dynami c   system s. The  impleme n tation of the em otional  controller sho w s good co ntrol perfo rman ce in   terms o r  robu stne ss an d a daptability in   high  auto  l earning fe ature.   Flexibility is o ne of BELBI C’s  cha r a c teri stics and it ha s the cap a city to choo se th e most-favo u r ed respon se . Therefo r e, the   BELBIC can  be ea sily ado pted for niche  mechat roni cs and in du stri al appli c ation s .    Among st sel e cted  pa pers in thi s   editio n , seve nth of  them  are  a p p roved  to  prese n t AI  techni que s in  various a ppli c ation s . The s e pape rs a r e  expecte d to enco u ra ge the  rese arch of AI  impleme n tation to create a  better tech no logy for the future.       Referen ces   [1]  Markad eh GR A, Dar y ab eig i   E, Lucas C, R ahma n   MA. Spee d a nd F l u x  Contro l of Ind u ction M o to r s   Using Em otio n a l Intel lig ent  Contro ller.  IEE E  T r ansactio n s  on   Ind u stry Applic atio ns.  201 1; 47(3):   112 6-11 35.   [2]  Z a rchi HA, Da r y a b e i gi E, Ma rkade h GRA, Soltan i J.  Emo t iona l control l e r  (BELBIC) ba sed DT C for  Encod e rless Synchro n o u s Reluct ance  M o tor  driv es . Po w e r E l ectronics, Drive S y stems a n d  T e chnolog ies Confer ence  (P EDST C) .  T ehran, Iran. 201 1; 478- 483.   [3]  Bose BK. Nonli near Net w o r k Appl icatio ns in  Po w e r Electro n i cs and Motor  Drives-An Intro ductio n  an d   Perspective.  IEEE Trans. on Ind. Electronics . 2007; 54( 1): 14-33.   [4]  Kenn ed y J, Eberh a rt RC.  Particle Sw arm Opti mi z a t i on . In: Proceed ings-IEEE  Internation a l   Confer ence  on  Neura l  Net w or ks (ICNN).  Perth, Australia. 1 9 95; IV: 1942– 1 948.   [5]  Dorrah HT , El-Garh y  AM, El- S him y  ME. PS O-BELBIC Scheme F o r T w o- Cou p le d Distil l a tion C o lum   Process.  Journ a l of Advanc ed  Researc h . 201 1; 2: 73-83   [6]  Lucas  C, Sha h mirzad i D,  a nd Sh eik hol esl a mi  N. Intro d u c ing BE LBIC:  Brain Em otio n a l L ear nin g   Based Intelligent Control.  Int. J. Intell. Au tomat. Soft Com p ut.  2004; 10(1):  11– 22.   [7]  Rahm an MA,  Milasi  RM,  Lu cas C, Arr abi  BN , a n d  Ra d w a n  T S . Implem entatio n  of Emotio n a l   Contro ller  for I n terior  Perma n ent Ma gn et S y nchro nous  Mot o r Driv e.  IEEE  T r ans. Ind.  A ppl . 20 08;  44(5): 14 66 –14 76.   [8]  Dar y a bei gi E, Markad eh GR A, Lucas C.  Em otional controller (BE L BIC)  for Electric Drives - A review .  36 th  Annu al C onfere n ce o n  IEEE Industria l  Electr onics S o ciet y  (IECON ). Glendal e, Arizon a. 201 0;   290 1-29 07.     Evaluation Warning : The document was created with Spire.PDF for Python.