Resumen

Identificar el estado oculto es importante para resolver problemas con estado oculto. Demostramos que cualquier proceso de decisión de Markov parcialmente observable (POMDP) puede ser representado por un modelo de transición de estado oculto mínimo y en bucle, y proponemos un algoritmo heurístico de construcción de modelos de transición de estado. Se propone una nueva red de memoria asociativa espacio-temporal (STAMN) para realizar el modelo mínimo de transición de estados ocultos en bucle. STAMN utiliza el decaimiento de la neuroactividad para realizar la memoria a corto plazo, los pesos de conexión entre los diferentes nodos para representar la memoria a largo plazo, los potenciales presinápticos y el mecanismo de activación sincronizada para completar la identificación y el recuerdo simultáneamente. Por último, ofrecemos ilustraciones empíricas del STAMN y comparamos el rendimiento del modelo STAMN con el de otros métodos.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva
• Subjects:Artificial intelligence Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience
• Palabras claves:modelo de transición de estado, memoria de términos, estado oculto, mecanismo de activación sincronizada, transición de estado oculto, stamn, red de memoria asociativa, decisión de markov observable, proceso de decisión de markov, decaimiento de la neuroactividad
• Keywords:state transition model, terms memory, hidden state, synchronized activation mechanism, hidden state transition, stamn, associative memory network, observable markov decision, markov decision process, neuroactivity decay