类脑智能技术是当前国际重要的科技前沿，研究类脑智能技术对发展新型信息产业意义重大。本书介绍了一种新颖的类脑模型—大脑情感学习模型，并介绍了其学习算法、改进技术及应用。大脑情感学习模型根据哺乳动物大脑边缘系统的结构建立，在模拟生物智能行为上表现出了良好的自适应性能，模型结构简单，运算速度快。本书共9章，分为3篇：基础篇、改进篇和应用篇。基础篇主要介绍大脑情感学习模型的研究现状、神经生理学基础与学习算法；改进篇主要介绍大脑情感学习模型的改进技术，通过加入监督学习和竞争学习机制改进模型性能；应用篇主要介绍将改进的大脑情感学习模型用于混沌时间序列预测、疾病诊断、表情识别及人机情感交互等领域的例子。本书可以作为研究生、高校教师及工程技术人员的自学和参考用书，也适合对类脑模型研究感兴趣的研究人员和工程技术人员阅读。

近些年，随着信息技术的发展，类脑智能成为人工智能和计算机科学领域的研究热点。研究者们借鉴脑科学、认知科学和神经生理学等知识，试图让机器模拟大脑的信息处理方式和认知行为，使机器具有更高的智能。于是，类脑智能技术诞生了。目前，借鉴大脑的信息处理机制和神经编码原理，类脑神经网络模型、类脑芯片、类脑智能机器人及脑机接口等得以出现，类脑智能技术正蓬勃发展。 本书介绍的大脑情感学习模型（Brain Emotional Learning，BEL）是一个新颖的类脑模型，由学者Morén受神经生理学研究的启发而提出。大脑情感学习模型根据哺乳动物大脑边缘系统的结构建立，不完全地模拟了杏仁体和眶额皮质之间的情感学习机制。与传统人工神经网络相比，大脑情感学习模型在模拟生物智能行为上表现出了良好的自适应性，并且其结构简单、计算复杂度低、运算速度快，但大脑情感学习模型存在通用性不足的问题。 本书主要围绕大脑情感学习模型的优化方法及应用展开研究，结合智能优化技术，对大脑情感学习模型进行了改进，提出了监督型大脑情感学习网络和竞争型大脑情感学习网络，并通过典型实例验证了大脑情感学习模型的性能。 本书的特色有以下3点。 （1）内容新颖，本书以一种新颖的类脑模型——大脑情感学习模型为主线进行介绍。 （2）结构合理，基础篇、改进篇和应用篇3部分层层递进，注重理论与实践结合。 （3）深度与广度适中，根据读者群体，本书先介绍大脑情感学习模型的神经生理学基础后介绍应用实例，符合认知规律。 本书共9章，分为3篇，系统地介绍了大脑情感学习模型的原理、改进技术和应用。基础篇包括第1～3章，主要介绍大脑情感学习模型的研究现状、神经生理学基础和学习算法；改进篇包括第4～5章，主要介绍大脑情感学习模型的改进技术，通过加入监督学习和竞争学习机制改进模型性能；应用篇包括第6～9章，主要介绍将改进后的大脑情感学习模型用于混沌时间序列预测、疾病诊断、表情识别及人机情感交互等领域。 本书一方面向读者介绍了一种基于大脑情感学习机制的类脑神经网络，丰富了现有人工神经网络的理论；另一方面提供了一种快速有效的数据分析方法，可为智能系统的下一步决策提供依据。 本书是作者从事湖南省自然科学基金项目（编号：2020JJ4060）和湖南文理学院博士启动项目的研究成果，感谢湖南文理学院和湖南省自然科学基金的基金资助。本书可以作为研究生、高校教师及工程技术人员的自学和参考用书，也适合对类脑模型研究感兴趣的研究人员和工程技术人员阅读。本书在编写的过程中，参考并引用了相关文献资料的观点和素材，在此向相关文献作者表示感谢。同时，感谢读者对本书的支持。 由于类脑智能研究涉及神经科学、认知科学、计算机科学和人工智能技术等领域，大脑情感学习模型作为一个新颖的类脑模型，在理论方法和应用技术上还有待进一步探索。限于作者水平，书中难免存在不足之处，恳请有关专家和读者批评指正（电子邮件请发至63641214@qq.com）。

第1篇 大脑情感学习模型基础篇 第1章 大脑情感学习模型概述 2 1.1 类脑智能 2 1.2 大脑情感学习模型 4 1.3 大脑情感学习模型的研究现状 5 1.3.1 智能控制应用 5 1.3.2 数据分析应用 7 1.4 大脑情感学习模型的特点 8 1.5 本章小结 8 第2章 神经生理学基础 9 2.1 大脑边缘系统 9 2.2 大脑反射通路 11 2.3 大脑神经网络结构 11 2.4 大脑神经网络学习 13 2.5 本章小结 14 第3章 大脑情感学习算法 15 3.1 强化学习 15 3.2 大脑情感学习 16 3.3 大脑情感学习模型权值调节 18 3.3.1 杏仁体权值调节 18 3.3.2 眶额皮质权值调节 19 3.4 稳定性分析 19 3.4.1 杏仁体稳定性分析 20 3.4.2 眶额皮质稳定性分析 20 3.5 大脑情感学习模型的局限性 20 3.6 本章小结 22 第2篇 大脑情感学习模型改进篇 第4章 监督型大脑情感学习网络 24 4.1 人工神经网络 24 4.1.1 人工神经元 24 4.1.2 人工神经网络分类 26 4.1.3 人工神经网络学习方式 27 4.2 构建监督型大脑情感学习网络 29 4.2.1 SBEL网络结构 29 4.2.2 SBEL算法 30 4.2.3 SBEL算法流程 32 4.3 实验与分析 33 4.3.1 数据集与预处理 33 4.3.2 分类性能评价 34 4.3.3 实验结果 36 4.3.4 比较与分析 39 4.4 本章小结 40 第5章 竞争型大脑情感学习网络 41 5.1 生物学基础 41 5.2 “赢者通吃”竞争机制 42 5.3 构建竞争型大脑情感学习网络 43 5.3.1 CBEL网络结构 43 5.3.2 CBEL算法 44 5.3.3 CBEL算法流程 45 5.4 实验与分析 45 5.4.1 实验设置 46 5.4.2 实验结果 46 5.4.3 比较与分析 49 5.5 本章小结 50 第3篇 大脑情感学习模型应用篇 第6章 混沌时间序列预测 52 6.1 数据预测步骤 52 6.2 大脑情感学习预测模型 54 6.3 自适应遗传算法优化 56 6.3.1 染色体编码 56 6.3.2 适应度函数 57 6.3.3 遗传算子 57 6.3.4 AGA-BEL算法步骤 58 6.4 预测仿真实验 58 6.4.1 Lorenz混沌时间序列预测 58 6.4.2 磁暴环电流指数Dst预测 63 6.5 本章小结 69 第7章 疾病诊断 70 7.1 计算机辅助疾病诊断的步骤 71 7.2 疾病诊断BEL网络 72 7.2.1 网络结构 72 7.2.2 算法 72 7.3 模型优化 74 7.3.1 改进的自适应遗传算法 74 7.3.2 遗传操作 75 7.3.3 IAGA-SBEL算法步骤 77 7.4 实验与分析 78 7.4.1 乳腺癌诊断 78 7.4.2 心脏病诊断 82 7.4.3 淋巴疾病诊断 84 7.5 本章小结 86 第8章 表情识别 87 8.1 表情识别步骤 88 8.1.1 人脸检测与预处理 88 8.1.2 表情特征提取 88 8.1.3 表情分类 89 8.2 表情识别网络 91 8.3 粒子群算法优化 93 8.3.1 改进粒子群算法 93 8.3.2 优化操作 95 8.3.3 IPSO-CBEL算法步骤 96 8.4 实验与分析 97 8.4.1 JAFFE表情识别 98 8.4.2 Cohn-Kanade表情识别 101 8.5 本章小结 105 第9章 基于表情的人机情感交互 106 9.1 面部表情合成方法 106 9.1.1 基于网格变形的表情合成 106 9.1.2 基于数据驱动的表情合成 107 9.2 表情合成要素 107 9.2.1 表情肌 107 9.2.2 面部行为编码系统 108 9.2.3 Candide模型 109 9.3 纹理贴图 110 9.3.1 纹理坐标归一化 110 9.3.2 表情合成 110 9.4 人机情感交互 112 9.4.1 人机交互虚拟仿真 113 9.4.2 人机交互真实场景 114 9.5 本章小结 116 总结与展望 117 附录A 119 参考文献 120