Speech emotion signals are the quickest and most neutral method in individuals’ relationships, leading researchers to develop speech emotion signal as a quick and efficient technique to communicate between man and machine. This paper introduces a new classification method using multi-constraints partitioning approach on emotional speech signals. To classify the rate of speech emotion signals, the features vectors are extracted using Mel frequency Cepstrum coefficient (MFCC) and auto correlation function coefficient (ACFC) and a combination of these two models. This study found the way that features’ number and fusion method can impress in the rate of emotional speech recognition. The proposed model has been compared with MLP model of recognition. Results revealed that the proposed algorithm has a powerful capability to identify and explore human emotion. پرونده مقاله

به دلیل اهمیت تخلیه سریع شهر هنگام وقوع حوادث طبیعی یا غیر طبیعی، اعمال یک سیاست کنترلی بهینه برای جلوگیری از بروز تراکم و توقف وسایل نقلیه امری لازم و ضروری است. روش‌های موجود برای مدیریت ترافیک در شرایط بحران کمتر به استفاده از رویکردهای هوش مصنوعی پرداخته‌اند و به همین دلیل، هدف اصلی مؤلفین در این پژوهش ارائه یک رویکرد کنترلی بهینه و هوشمند برای ترافیک تخلیه شهر است. در این رویکرد از سیستم استنتاج فازی برای تصمیم‌گیری هر عامل و از آتوماتای احتمالی برای بهینه‌کردن عملکرد عامل‌ها با توجه به ترجیحات هر کدام از آنها در طول زمان استفاده شده است. برای بررسی میزان موفقیت رویکرد کنترلی پیشنهادی، شبیه‌سازی مبتنی بر عامل در محیط‌های RStudio و NetLogo و با استفاده از بسته‌های RNetlogo و frbs در زبان R انجام شده است. نتایج شبیه‌سازی نشان‌دهنده توزیع بار ترافیک، استفاده حداکثری از ظرفیت معابر و پیش‌گیری از بروز تراکم توسط رویکرد پیشنهادی است. با توجه به فناوری‌های ارتباطی نظیر GPS، گوشی‌های تلفن همراه هوشمند، سیستم‌های پرداخت عوارض خودکار الکترونیکی در معابر و ... که در سال‌های اخیر گسترش یافته‌اند، امکان پیاده‌سازی روش کنترل ترافیک بحران پیشنهادی در عمل نیز وجود خواهد داشت. پرونده مقاله