唐 詹 潘建国

（上海师范大学信息与机电工程学院 上海 201400）

1 引言

数据分类技术是数据挖掘领域中最重要的技术之一，迄今为止已有大量的数据分类算法被相继提出，包括朴素贝叶斯、决策树、Logistic回归以及BP神经网络等方法［1］。然而，随着数据复杂度的增加，尤其对于维度较高的数据，传统分类方法已难以满足对不同类型数据进行快速、准确分类的要求［2］。

大脑情感学习（Brain Emotional Learning，BEL）模型是一种模拟人类情感反应的神经网络模型，于2001年由瑞典隆德大学的Moren［3］提出，其计算复杂度较低，运算速度快，可以克服传统神经网络训练时间长的缺点，在自动控制和模式识别中有着较为广泛的应用［4～5］，在无人机姿态控制中也有一定应用［6］，近年来也开始应用于分类和预测问题［7］。

Lotfi等［8］率先提出将遗传算法（Genetic Algorithm，GA）应用于BEL模型的训练，替代原始的简单训练算法，取得了较为理想的实验结果，遗传算法开始成为训练BEL模型的一种重要手段，也展现了BEL模型在分类问题上的优秀能力。

Sharafi等［9］提出了一种基于区间知识改进的BEL模型的方法，该方法利用区间知识来改变BEL模型杏仁体和眶额皮质的权值，在混沌时间序列预测问题上取得了良好的效果。

Muhammad等［10］结合模糊神经网络对BEL模型做出改进并应用于模式识别和分类问题中，其分类准确性有了进一步的提高，但局部最优问题仍然制约着训练速度，且分类准确率不够理想，其对噪声的敏感性也不适用于物联网数据分类。而Javadi B等［11］基于大脑情感学习和模糊推理系统的融合算法，对脑电图频谱图像进行分类，取得了较高的正确率，由于从图像中提取的纹理特征产生了巨大的矩阵数据，还使用了局部线性嵌入算法（LLA）来减少大矩阵，以降低输入维度。……