情绪在人类决策过程中起着重要作用,因此,在我们对人类React进行建模的过程中,应将其嵌入推理过程中。 阿德南·卡什曼(Adnan Khashman)等。 提出了一种情感反向传播(EmBP)学习算法,并将其成功应用于几种实际的模式识别任务。 但是,EmBP的情感输入值的设计不合理,因此可能导致其整个实现失败。 为了改善这一弱点,我们提出了一种新颖的基于自组织图的情绪神经网络(EmSOM)学习算法。 与EmBP相反,EmSOM的情感输入值是基于其相应关联的SOM块确定的,此外,在其设计中还考虑了网络层次结构,从而在一定程度上改善了EmBP的不足。 此外,我们将稀疏在线SOM(SOR-SOM)算法纳入了我们的情感神经网络学习算法,并建立了基于稀疏在线关系的基于SOM的情感神经网络(Em-SOR-SOM)混合模型,从而使SOR-可以利用SOM进一步提高模型的识别性能。 我们将EmSOM和Em-SOR-SOM算法与SBP和EmBP以及其他几种最新算法进行了比较,并通过在ORL人脸数据库和三个基准信用数据集上进行的实验对这些算法的有效性和效率进行了数值验证。