뇌 감정 학습 기반 장기 혼돈 예측 모델

본 논문은 포유류 뇌의 감정 학습 시스템을 모방한 새로운 혼돈 시계열 예측 모델인 BELPM(Brain Emotional Learning‑Based Prediction Model)을 제안한다. 서론에서는 혼돈 시스템 예측에 데이터‑드리븐 모델이 널리 사용되고 있으나, 모델 복잡도와 학습 파라미터 수가 증가하면 충분한 학습 데이터가 필요하다는 VC 이론의 한계를 지적한다. 따라서 제한된 학습 샘플에서도 높은 일반화 성능을 보이는 경량 모델의 필요성을 강조한다. 두 번째 섹션에서는 감정 학습의 신경생물학적 배경을 상세히 서술한다. 림빅계의 주요 구성요소인 시상, 감각 피질, 편도체, 전전두 피질의 기능을 정리하고, 각각이 감정 자극의 인코딩, 평가, 기억, 보상 조절에 어떻게 기여하는지를 설명한다. 이어서 기존의 감정 기반 모델(EMA, Cathexis, BELBIC 등)과 그 응용 분야(로봇 제어, 기후 예측, 금융 예측 등)를 리뷰한다. 특히, 편도체‑전전두 피질 서브시스템이 간단한 선형 뉴런 구조와 피드백 보상 메커니즘으로 구현된 점을 강조한다. 세 번째 섹션에서는 BELPM의 구조와 학습 알고리즘을 구체적으로 제시한다. 입력 벡터는 시상‑감각 피질 단계에서 전처리된 후, 가중치‑k‑최근접 이웃(Wk‑NN) 방식을 통해 지역 모델을 구성한다. 각 지역 모델은 편도체와 전전두 피질을 모사하는 두 개의 선형 서브네트워크로 이루어지며, 최종 출력은 편도체 출력에서 전전두 피질 출력을 뺀 값으로 정의된다. 학습은 두 단계로 진행된다. 첫 번째 단계는 최급강하법(SD)을 이용해 전체 파라미터(가중치, 편도체·전전두 피질 가중치)를 손실 함수의 기울기에 따라 업데이트한다. 두 번째 단계에서는 각 서브네트워크의 파라미터를 최소제곱추정(LSE)으로 재계산해 지역 선형 근사의 정확성을 높인다. 이중 최적화는 파라미터 수를 입력 차원과 이웃 수에만 의존하게 하여, 차원 저주와 과적합 위험을 최소화한다. 네 번째 섹션에서는 실험 설계와 결과를 제시한다. 두 개의 표준 혼돈 데이터셋인 Lorenz와 Henon을 사용했으며, 각각 10‑step, 20‑step 장기 예측을 수행했다. 비교 대상은 RBF, GRNN, ANFIS, MLP, LLNF 등 기존의 대표적인 비선형 예측 모델이다. 실험 결과, BELPM은 훈련 샘플을 30 %~50 % 수준으로 제한했음에도 불구하고, RMSE와 MAE 측면에서 기존 모델보다 평균 15 %~25 % 우수한 성능을 보였다. 또한, 학습 및 예측 시간은 ANFIS와 MLP에 비해 30 %~40 % 감소했으며, 메모리 사용량도 현저히 낮았다. 특히, k 값(이웃 수)을 5~7로 설정했을 때 가장 좋은 균형을 이루었으며, k가 지나치게 크면 과적합, 작으면 모델 복잡도가 부족해 성능이 저하되는 경향을 확인했다. 마지막으로 결론에서는 BELPM이 감정 학습 메커니즘을 효율적인 기계학습 구조로 전환함으로써, 제한된 데이터 환경에서도 장기 혼돈 예측에 강인한 성능을 제공한다는 점을 강조한다. 향후 연구 방향으로는 고차원 데이터에 대한 근사 최근접 이웃 검색 기법 적용, 다중 감정 신호(긍정·부정) 통합, 실시간 제어 시스템과의 연계, 그리고 비정상적(노이즈가 큰) 시계열에 대한 강인성 강화 등을 제시한다.