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

Facial images are the most popular biometrics in automated identification systems. Different methods have been introduced to evaluate the quality of these images. FICV is a common benchmark to evaluate facial images quality using ISO / ICAO compliancy assessment algorithms. In this work, a new model has been introduced based on brain functionality for Facial Image Quality Assessment, using Face Image ISO Compliance Verification (FICV) benchmark. We have used the Hierarchical Max-pooling (HMAX) model for brain functionality simulation and evaluated its performance. Based on the accuracy of compliancy verification, Equal Error Rate of ICAO requirements, has been classified and from those with higher error rate in the past researches, nine ICAO requirements have been used to assess the compliancy of the face images quality to the standard. To evaluate the quality of facial images, first, image patches were generated for key and non-key face components by using Viola-Jones algorithm. For simulating the brain function, HMAX method has been applied to these patches. In the HMAX model, a multi-resolution spatial pooling has been used, which encodes local and public spatial information for generating image discriminative signatures. In the proposed model, the way of storing and fetching information is similar to the function of the brain. For training and testing the model, AR and PUT databases were used. The results has been evaluated by FICV assessment factors, showing lower Equal Error Rate and rejection rate, compared to the existing methods. 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

در این مقاله، یک الگوریتم طبقه‌بندی نیمه‌نظارتی جمعی با استفاده از معیار انتخاب مبتنی بر آستانه امتياز اطمينان تحت عنوان SSE-CBS در محیط‌های غیر ایستا ارائه می‌شود. رویکرد پیشنهادی از داده‌های دارای برچسب و فاقد برچسب با هدف مقابله با انواع تغییر مفهوم در جریان داده‌ها استفاده می‌کند. SSE-CBS مکانیزم مشهور وزن‌دهی بر اساس دقت الگوریتم‌های جمعی مبتنی بر بلوک را با ماهیت افزایشی الگوریتم درخت هافدینگ تلفیق می‌کند. الگوریتم پیشنهادی به طور تجربی با 8 رویکرد منطبق بر جدیدترین دستاوردها، از جمله مدل‌های طبقه‌بندی نظارتی، نیمه‌نظارتی، منفرد و الگوریتم‌های جمعی مبتنی بر بلوک روی مجموعه داده‌های متنوع مقایسه شده است. بر اساس نتایج تجربی، SSE-CBS بهترین میانگین دقت طبقه‌بندی را نسبت به سایر رویکردهای نیمه‌نظارتی داراست و قادر است در محیط‌های دارای تغییر مفهوم با محدودیت داده برچسب‌دار عملکرد مناسبی داشته باشد. پرونده مقاله

رديابي اهداف متحرك یکی از کاربردهای شبكه‌های حسگر است. در طراحی یک الگوریتم ردیابیِ هدف متحرک دو مسأله کاهش انرژی مصرفی و بهبود کیفیت ردیابی حایز اهمیت است. یکی از راهکارهای کاهش مصرف انرژی، تشکیل خوشه ردیاب است و دو چالش مهم در تشکیل خوشه ردیاب زمان و چگونگی تشکیل آن است. به منظور کاهش تعداد پیام‌های مبادله‌شده برای تشکیل خوشه ردیاب، یک مکانیزم حراج تطبیق داده می‌شود. پیشنهاد هر حسگر در حراج با هدف برقراری موازنه‌ای مناسب میان طول عمر شبکه و دقت ردیابی به صورت پویا و مستقل ارائه می‌شود. از این گذشته، از آنجایی که خوشه ردیاب می‌بایست قبل از رسیدن هدف به ناحیه مورد نظر تشکیل شود (خصوصاً زمانی که سرعت هدف بالا است) جلوگیری از تأخیر در تشکیل خوشه ردیاب چالشی دیگر است. عدم توجه به چالش مذکور منجر به افزایش نرخ گمشدگی هدف و به تبع آن اتلاف انرژی می‌شود. برای غلبه بر این مشکل، پیش‌بینی موقعیت هدف در دو گام بعد توسط شبکه عصبی و تشکیل هم‌زمان خوشه‌های ردیاب در یک و دو گام بعد را پیشنهاد می‌دهیم. نتایج حاصل از شبیه‌سازی نشان‌دهنده عملکرد مناسب‌تر الگوریتم پیشنهادی در مقایسه با الگوریتم AASA است. پرونده مقاله

امروزه، سیستمهاي طبقهبندي کننده یادگیر درکاربردهاي متنوع در رباتیک مانند رباتهاي حسي، رباتهاي انساننما، سامانه هاي امداد و جات هوشمند وکنترل ربانهاي فیزیکي در محیطهاي گسسته و پیوسته، مورد توجه قرار گرفته است. معمولا از ترکیب یک الگوریتم تکاملي یا روشهاي شهودي با یک فرایند یادگیري براي جستجو در فضاي قوانین موجود در انتساب کنش مناسب یک دستهبند استفاده مي شود. چالش مهم براي بالا بردن سرعت و دقت در رسیدن به هدف در مسائل هزار تو، بکارگیري و انتخاب کنشي است که محرک بجاي برخورد تکراري به موانع اطراف، در مسیر درست قرار گیرد. بدین منظور در این مقاله یک الگوریتم طبقه بندي کننده یادگیر هوشمند سیستمهاي طبقه بند یادگیر مبتني بر دقت) XCS ( مبتني بر حافظه محدود بکار گرفته شده است که با توجه به ورودي و کنشهاي اعمال شده به محیط و عکس العمل محرک، قوانین بهینه شناسایي شده و در اولویت انتخاب با احتمال بیشتري در مراحل بعدي، به عنوان مجموعه دستهبند جدید به الگوریتم سیستمهاي طبقه بند یادگیر مبتني بر دقت (XCS) اضافه گردد. از جمله دستاوردهاي این روش مي توان به کاهش تعداد مراحل لازم و افزایش سرعت در رسیدن محرک به هدف در مقایسه با الگوریتم سیستمهاي طبقه بند یادگیر مبتني بر دقت (XCS) پایه داشت . پرونده مقاله