_id
stringlengths 40
40
| text
stringlengths 0
9.21k
|
|---|---|
2b211f9553ec78ff17fa3ebe16c0a036ef33c54b | মাৰ্কো এ ৰড্ৰিগেজ এ টি এণ্ড টি ইন্টাৰেক্টিভৰ গ্ৰাফ চিষ্টেম আৰ্কিটেক্ট। তেওঁক [email protected] ত যোগাযোগ কৰিব পাৰি। পিটাৰ ন্যুবাৰ্গ হৈছে নিঅ টেকন লজিৰ চিফ অপাৰেটিং অফিচাৰ। তেওঁক peter.neubauer<at>neotechnology.comত যোগাযোগ কৰিব পাৰি। গ্ৰাফ হৈছে বিন্দু (অৰ্থাৎ, শীৰ্ষ) আৰু ৰেখা (অৰ্থাৎ, প্ৰান্ত) ৰ দ্বাৰা গঠিত এটা তথ্য গাঁথনি। গ্ৰাফৰ বিন্দু আৰু ৰেখাসমূহক জটিলভাৱে সংগঠিত কৰিব পাৰি। গ্ৰাফৰ বস্তুসমূহ আৰু সিহঁতৰ সম্পৰ্কবোৰক বুজোৱাৰ ক্ষমতা, আচৰিতভাৱে বহুতো বস্তুকে গ্ৰাফ হিচাপে মডেলিং কৰাৰ অনুমতি দিয়ে। ছফ্টৱেৰ পেকেটবোৰক সংযোগ কৰা নিৰ্ভৰশীলতাসমূহৰ পৰা আৰম্ভ কৰি কাঠৰ দণ্ডবোৰলৈ যি ঘৰ এটাৰ ফ্ৰেমিং প্ৰদান কৰে, প্ৰায় সকলোতে ইয়াৰ সৈতে মিল থকা গ্ৰাফ প্ৰতিনিধিত্ব আছে। অৱশ্যে, এটা বস্তুক এটা গ্ৰাফ হিচাপে প্ৰতিনিধিত্ব কৰাটো সম্ভৱ হ লেও তাৰ অৰ্থ এইটো নহয় যে ইয়াৰ গ্ৰাফ প্ৰতিনিধিত্ব উপযোগী হ ব। যদি এজন মডেলাৰে গ্ৰাফ সংৰক্ষণ আৰু প্ৰক্ৰিয়া কৰা বিভিন্ন সঁজুলি আৰু এলগৰিথম ব্যৱহাৰ কৰিব পাৰে, তেন্তে এনে মেপিং মূল্যবান। এই প্ৰবন্ধত কম্পিউটিংত গ্ৰাফৰ জগতখন অন্বেষণ কৰা হৈছে আৰু গ্ৰাফিক মডেলবোৰ উপযোগী হোৱাৰ পৰিস্থিতিসমূহ প্ৰকাশ কৰা হৈছে। |
0c5e3186822a3d10d5377b741f36b6478d0a8667 | কৃত্ৰিম বুদ্ধিমত্তাৰ এটা কেন্দ্ৰীয় সমস্যা হৈছে আংশিকভাৱে পৰ্যবেক্ষণযোগ্য পৰিৱেশত অনিশ্চয়তাৰ অধীনত ভৱিষ্যতৰ পুৰস্কাৰৰ সৰ্বাধিকতা প্ৰদানৰ পৰিকল্পনা কৰা। এই প্ৰবন্ধত আমি এটা নতুন অ্যালগৰিথমৰ প্ৰস্তাৱ আৰু প্ৰদৰ্শন কৰিছো যি এনে এক পৰিৱেশৰ মডেলক ক্ৰিয়া-পৰ্যবেক্ষণৰ জোড়াৰ ক্ৰমৰ পৰা প্ৰত্যক্ষভাৱে সঠিকভাৱে শিকিব পাৰে। তাৰ পিছত আমি পৰ্যবেক্ষণৰ পৰা কাৰ্য্যকৰীলৈ চক্ৰটো বন্ধ কৰি লওঁ, শিকোৱা মডেলত পৰিকল্পনা কৰি আৰু মূল পৰিৱেশত প্ৰায় অনুকূল নীতি পুনৰুদ্ধাৰ কৰি। বিশেষকৈ, আমি এটা প্ৰিডিচিটিভ ষ্টেট ৰেপ্ৰেজেন্টেচনৰ (PSR) পাৰামিটাৰবোৰ শিকাৰ বাবে এটা দক্ষ আৰু পৰিসংখ্যাগতভাৱে ধাৰাবাহিক বৰ্ণালীমূলক এলগৰিথম উপস্থাপন কৰোঁ। আমি এটা উচ্চ-মাত্রিক, দৃষ্টিভংগীৰ ভিত্তিত ম বাইল ৰবট পৰিকল্পনাৰ কামৰ এটা মডেল শিকি, আৰু তাৰ পিছত শিকি লোৱা PSR ত প্ৰায়োগিক বিন্দু-ভিত্তিক পৰিকল্পনাৰ কাম কৰি, এলগৰিথমটো প্ৰদৰ্শন কৰো। আমাৰ ফলাফলৰ বিশ্লেষণে দেখুৱাইছে যে এলগৰিথমটোৱে এটা অৱস্থা স্থান শিকিব পাৰে যিটো পৰিৱেশৰ গুৰুত্বপূৰ্ণ বৈশিষ্ট্যসমূহ দক্ষতাৰে ধৰা পেলায়। এই প্ৰতিনিধিত্বই কম সংখ্যক পাৰামিটাৰৰে সঠিক ভৱিষ্যদ্বাণী কৰিব পাৰে, আৰু সফল আৰু দক্ষ পৰিকল্পনা সক্ষম কৰে। |
16611312448f5897c7a84e2f590617f4fa3847c4 | গোপন মাৰকভ মডেল (HMMs) হৈছে বিচ্ছিন্ন সময় শৃংখলাৰ মডেলিংৰ বাবে আটাইতকৈ মৌলিক আৰু বহুলভাৱে ব্যৱহৃত পৰিসংখ্যাগত সঁজুলি। সাধাৰণতে, এওঁলোকক সমুদ্ৰৰচ হুইৰষ্টিক ব্যৱহাৰ কৰি শিকোৱা হয় (যেনে বাউম-ৱেলচ/ই এম এলগৰিথম), যিটো সাধাৰণ স্থানীয় অপ্টিমাম সমস্যাৰ দ্বাৰা ভুগি থাকে। সাধাৰণতে এই মডেলবোৰক অন্তৰ্নিহিত বিতৰণৰ নমুনাৰ সৈতে শিকিবলৈ কঠিন বুলি জনা যায়, আমি প্ৰাকৃতিক বিভাজনৰ অৱস্থাত এইচএমএম শিকিবলৈ প্ৰমাণিতভাৱে কাৰ্যকৰী এলগৰিথম (নমুনা আৰু গণনামূলক জটিলতাৰ ক্ষেত্ৰত) প্ৰদান কৰোঁ। এই অৱস্থাটো মিশ্ৰণ বিতৰণৰ শিক্ষণৰ বাবে বিবেচনা কৰা পৃথকীকৰণ অৱস্থাৰ সৈতে প্ৰায় সমান্তৰাল (য ত, একেদৰে, এই মডেলসমূহ সাধাৰণভাৱে শিকিবলৈ কঠিন) । তদুপৰি, আমাৰ নমুনা পৰিপূৰকতাৰ ফলাফল স্পষ্টভাৱে পৃথক (বিভিন্ন) পৰ্যবেক্ষণৰ সংখ্যাৰ ওপৰত নিৰ্ভৰ নকৰে - ই অন্তৰ্নিহিত HMM ৰ বৰ্ণালীগত বৈশিষ্ট্যৰ জৰিয়তে এই সংখ্যাৰ ওপৰত নিৰ্ভৰ কৰে। এইটোৱে আলগোৰিদিমটো বিশেষভাৱে বহু সংখ্যক পৰ্যবেক্ষণৰ সৈতে ছেটিংছবোৰত প্ৰযোজ্য কৰে, যেনে প্ৰাকৃতিক ভাষা প্ৰক্ৰিয়াকৰণত য ত পৰ্যবেক্ষণৰ স্থান কেতিয়াবা এটা ভাষাৰ শব্দ হয়। অৱশেষত, অ্যালগৰিদমটো বিশেষভাৱে সৰল, কেৱল একক r মান বিভাজন আৰু মেট্ৰিক্সৰ গুণিতকৰণৰ ওপৰত নিৰ্ভৰ কৰে। |
8ad6fda2d41dd823d2569797c8c7353dad31b371 | আমি এটা এট্ৰিবিউট-বেছড এনক্ৰিপচন (এ বি ই) আঁচনি নিৰ্মাণ কৰো যিয়ে ব্যৱহাৰকাৰীৰ ব্যক্তিগত চাবিটো কোনো এক্সেছ সূত্ৰৰ আওতাত কোনো এট্ৰিবিউটৰ ওপৰত প্ৰকাশ কৰিবলৈ অনুমতি দিয়ে। পূৰ্বৰ এ.বি.ই. আঁচনিসমূহ কেৱল একক প্ৰৱেশাধিকাৰ গাঁথনি প্ৰকাশ কৰিবলৈ সীমিত আছিল। আমি আমাৰ স্কীমৰ বাবে সিদ্ধান্তমূলক দ্বি-ৰেখিক ডিফি-হেলমেন (বিডিএইচ) অনুমানৰ ওপৰত ভিত্তি কৰি সুৰক্ষাৰ প্ৰমাণ প্ৰদান কৰোঁ। তদুপৰি, আমাৰ নতুন আঁচনিৰ কাৰ্যক্ষমতা বৰ্তমানৰ, কম স্পষ্টীকৰণযুক্ত আঁচনিৰ সৈতে তুলনা কৰিলে ভাল হয়। |
4f3dbfec5c67f0fb0602d9c803a391bc2f6ee4c7 | এটা ২০ গিগাহাৰ্জ ফেজ-লকড লুপ ৪.৯ পিএছ/ছাব পিপি/০.৬৫ পিএছ/ছাব আৰএমএছ/জিটাৰ আৰু ১০ মেগাহাৰ্জ অফছেটত -১১৩.৫ ডিবিচি/এইচজি ফেজ গোলমালৰ সৈতে প্ৰদৰ্শন কৰা হৈছে। এটা আধা-নিয়ন্ত্ৰিত নমুনা-ফিডফৰৱাৰ্ড লুপ ফিল্টাৰ যি কেৱল এটা চুইচ আৰু ইনভাৰ্টাৰৰ সৈতে প্ৰতিৰোধক প্ৰতিস্থাপন কৰে, ৰেফাৰেন্স স্প ৰক -44.0dBc লৈ নিম্নে ৰাখে। এটা ডিজাইন পুনৰাবৃত্তি প্ৰক্ৰিয়াৰ আভাস দিয়া হৈছে যি এটা সংযুক্ত মাইক্ৰোষ্ট্ৰীপ ৰিজ নেটৰ সৈতে এটা ঋণাত্মক-জি/সাব এম/অচচিলটৰ ফেজ গোলমালক সৰ্বনিম্ন কৰে। ফ্লিপ-ফ্লপ তৈয়াৰীতকৈ স্পন্দিত লটচৰ দ্বাৰা নিৰ্মিত স্থিৰ ফ্ৰিক্বেঞ্চ ডিভাইডাৰবোৰে দ্ৰুতগতিত কাম কৰে আৰু প্ৰায় ২ঃ১ ফ্ৰিক্বেঞ্চ ৰেঞ্জ লাভ কৰে। ০.১৩-/স্পল মিউ/মিটাৰ চিএমঅ এচত নিৰ্মিত পৰ্যায়-লকড লুপটো ১৭.৬ৰ পৰা ১৯.৪ গিগাহাৰ্জত কাম কৰে আৰু ৪৮০ এমডব্লিউ বিচ্ছিন্ন কৰে। |
1fcaf7ddcadda724d67684d66856c107375f448b | আমি প্ৰবন্ধ শ্ৰেণীবিভাজনৰ বাবে এটা নতুন কনভলুশ্যনেল নিউৰেল নেটৱৰ্ক (চি এন এন) মডেল প্ৰদৰ্শন কৰিছো যিয়ে যৌথভাৱে নথিপত্ৰ আৰু তেওঁলোকৰ গঠনমূলক বাক্যসমূহৰ লেবেল ব্যৱহাৰ কৰে। বিশেষকৈ, আমি এনে পৰিস্থিতি বিবেচনা কৰো য ত টোকা দিয়াসকলে স্পষ্টভাৱে বাক্য (বা টুকুৰাৰ অংশ) চিহ্নিত কৰে যি তেওঁলোকৰ সামগ্ৰিক নথি শ্ৰেণীবিভাজনক সমৰ্থন কৰে, অৰ্থাৎ, তেওঁলোকে যুক্তি প্ৰদান কৰে। আমাৰ মডেলত এনে নিৰীক্ষণৰ ব্যৱহাৰ এক পৰ্যায়বৰ্ধিত পদ্ধতিৰ জৰিয়তে কৰা হৈছে য ত প্ৰতিটো নথি ইয়াৰ উপাদান বাক্যসমূহৰ ভেক্টৰ প্ৰতিনিধিত্বৰ এক ৰেখীয় সংমিশ্ৰণৰ দ্বাৰা প্ৰতিনিধিত্ব কৰা হয়। আমি এটা বাক্য-স্তৰৰ কনভলুশ্যনেল মডেলৰ প্ৰস্তাৱ দিওঁ যিয়ে এটা নিৰ্দিষ্ট বাক্য এটা যুক্তিযুক্ত হোৱাৰ সম্ভাৱনা অনুমান কৰে, আৰু তাৰ পিছত আমি এই অনুমানৰ অনুপাতে সংগ্ৰহিত নথি প্ৰতিনিধিত্বলৈ প্ৰতিটো বাক্যৰ অৱদান স্কেল কৰো। নথিপত্ৰ লেবেল আৰু সংযুক্ত যুক্তিযুক্ততাৰে পাঁচটা শ্ৰেণীবিভাজনৰ তথ্যৰ ওপৰত কৰা পৰীক্ষাই প্ৰমাণ কৰে যে আমাৰ পদ্ধতিয়ে দৃঢ় ভিত্তি ৰেখাক অতিক্ৰম কৰে। তদুপৰি, আমাৰ মডেলটোৱে স্বাভাৱিকতে ইয়াৰ ভৱিষ্যদ্বাণীসমূহৰ ব্যাখ্যা প্ৰদান কৰে। |
20b41b2a0d8ee71efd3986b4baeed24eba904350 | উদ্দেশ্যঃ- বিকাশশীল দেশসমূহত প্ৰণালীবদ্ধ সাহিত্য পৰ্যালোচনা আৰু মেটা-বিশ্লেষণৰ জৰিয়তে মাতৃৰ বিষণ্ণতা আৰু শিশুৰ বিকাশৰ মাজৰ সম্পৰ্ক অনুসন্ধান কৰা। ৬টা ডাটাবেছ অনুসন্ধান কৰি ২০১০ চনলৈকে প্ৰকাশিত মাতৃৰ হতাশা আৰু শিশুৰ বিকাশৰ ওপৰত গৱেষণা কৰা হৈছিল। মানক মেটা- বিশ্লেষণ পদ্ধতি অনুসৰণ কৰা হৈছিল আৰু হতাশাগ্ৰস্ত মাতৃৰ সন্তানসকলৰ ওজন কম আৰু হ্ৰাস পোৱাৰ বাবে সমষ্টিগত সম্ভাৱনা অনুপাত (ORs) সকলো অধ্যয়নৰ বাবে আৰু অধ্যয়নৰ ডিজাইন, মাতৃৰ হতাশাৰ সংস্পৰ্শ আৰু ফলাফলৰ ভৰিবলীৰ ক্ষেত্ৰত কঠোৰ চৰ্ত পূৰণ কৰা অধ্যয়নৰ উপ- গোটৰ বাবে এলোমেলো প্ৰভাৱ মডেল ব্যৱহাৰ কৰি গণনা কৰা হৈছিল। নিৰ্বাচিত অধ্যয়নৰ বাবে জনসংখ্যাজনিত বিপদাশংকা (PAR) অনুমান কৰা হৈছিল। ফলাফল ১১ খন দেশৰ মুঠ ১৩,৯২৩ টা মাতৃ আৰু সন্তানৰ যুটীয়া অধ্যয়নৰ সৈতে ১৭ টা অধ্যয়নে অন্তৰ্ভুক্তিকৰণ চৰ্ত পূৰণ কৰিছিল। হতাশা বা হতাশাগ্ৰস্ততাৰ লক্ষণ থকা মাতৃৰ সন্তান কম ওজনৰ (OR: 1. 5; 95% বিশ্বাসৰ ব্যৱধান, CI: 1. 2- 1. 8) বা ক্ৰমাগতভাৱে বৃদ্ধি পোৱা (OR: 1. 4; 95% CI: 1. 2- 1. 7) হোৱাৰ সম্ভাৱনা বেছি আছিল। তিনিটা অনুদৈৰ্ঘ্য অধ্যয়নৰ উপ- বিশ্লেষণে এটা শক্তিশালী প্ৰভাৱ দেখুৱায়ঃ কম ওজনৰ বাবে OR আছিল 2. 2 (95% CI: 1. 5- 3. 2) আৰু stuntingৰ বাবে, 2. 0 (95% CI: 1. 0- 3. 9) । নিৰ্বাচিত অধ্যয়নৰ বাবে PAR য়ে সূচিত কৰে যে যদি শিশু জনসংখ্যাৰ মাতৃৰ হতাশাগ্ৰস্ত লক্ষণবোৰৰ সম্পূৰ্ণ সংস্পৰ্শ নাথাকে তেন্তে ২৩- ২৯% কম শিশু কম ওজনৰ বা স্তন্যপায়ী হ ব। উপসংহাৰ মাতৃৰ হতাশাৰ ফলত প্ৰাথমিক শৈশৱত কম ওজনৰ আৰু হ্ৰাস পোৱা প্ৰবৃদ্ধিৰ সৈতে সম্পৰ্কিত আছিল। ইয়াৰ কাৰণ আৰু কাৰকসমূহ চিনাক্ত কৰিবলৈ কঠোৰ পৰিকল্পিত অধ্যয়নৰ প্ৰয়োজন। মাতৃৰ হতাশাৰ প্ৰাৰম্ভিক চিনাক্তকৰণ, চিকিৎসা আৰু প্ৰতিৰোধে উন্নয়নশীল দেশসমূহত শিশুৰ বিকাশৰ হাৰ হ্ৰাস কৰাত সহায় কৰিব পাৰে। |
c596f88ccba5b7d5276ac6a9b68972fd7d14d959 | বাস্তৱিক বস্তুৰ ভৌতিক জগতক তথ্য প্ৰযুক্তিৰ ভাৰ্চুৱেল জগতৰ সৈতে সংযুক্ত কৰি, ইণ্টাৰনেট অৱ থিংছে উদ্যোগ জগত আৰু সমাজ উভয়কে যথেষ্ট পৰিৱৰ্তন কৰাৰ সম্ভাৱনা আছে। অৱশ্যে, এই শব্দটো বিভিন্ন সম্প্ৰদায়ৰ দ্বাৰা ভিন্নভাৱে বুজি পোৱা হয়, বিশেষকৈ যিহেতু ইআইটি এনেধৰণৰ প্ৰযুক্তি নহয় কিন্তু বিভিন্ন অভিযান্ত্ৰিক ক্ষেত্ৰৰ সৈতে সম্পৰ্কিত ভিন্ন প্ৰকাৰৰ প্ৰযুক্তিৰ সন্মিলনক প্ৰতিনিধিত্ব কৰে। সাধাৰণ বুজাবুজিৰ বাবে কি প্ৰয়োজন হ ব সেয়া হ ল ইন্টাৰনেট অৱ থিংছৰ বাবে এটা ড মেইন মডেল, মূল ধাৰণা আৰু তেওঁলোকৰ সম্পৰ্ক নিৰ্ধাৰণ কৰা, আৰু সাধাৰণ অভিধান আৰু শ্ৰেণীবিভাজন হিচাপে সেৱা কৰা আৰু এইদৰে ইণ্টাৰনেট অৱ থিংছৰ পৰৱৰ্তী বৈজ্ঞানিক বক্তৃতা আৰু বিকাশৰ বাবে এক আধাৰ হিচাপে। আমি দেখুৱাব যে এনে এটা ড মেইন মডেল থকাটো কংক্ৰিট আই অ টি চিষ্টেম স্থাপত্যৰ ডিজাইনত সহায়ক হয়, কিয়নো ই এটা টেমপ্লেট প্ৰদান কৰে আৰু সেইদৰে ব্যৱহাৰৰ ক্ষেত্ৰত বিশ্লেষণৰ গাঁথনি নিৰ্ধাৰণ কৰে। |
5a9f4dc3e5d7c70d58c9512d7193d079c3331273 | আমি ৩ ডি লোক ট্ৰেকিংৰ বাবে মানৱ ভংগীম আৰু গতিৰ পূৰ্বৰ ব্যৱহাৰৰ বাবে গাউছীয় প্ৰক্ৰিয়া গতিশীল মডেল (জিপিডিএম) ৰ ব্যৱহাৰৰ পোষকতা কৰোঁ। জিপিডিএমে মানৱ গতিৰ তথ্যৰ এটা নিম্ন-মাত্রিক অন্তৰ্ভুক্তিকৰণ প্ৰদান কৰে, যাৰ ঘনত্বৰ ফাংচনটোৱে প্ৰশিক্ষণ তথ্যৰ ওচৰত থকা অৱস্থান আৰু গতিৰ উচ্চ সম্ভাৱনা প্ৰদান কৰে। বেইচিয়ান মডেলৰ গড় হিচাপত জিপিডিএমক তুলনামূলকভাৱে কম পৰিমাণৰ তথ্যৰ পৰা শিকিব পাৰি, আৰু ই প্ৰশিক্ষণ ছেটৰ বাহিৰৰ গতিবোৰলৈ সাধাৰণীকৰণ কৰে। ইয়াত আমি জিপিডিএমক সংশোধন কৰো যাতে শৈলীগত ভিন্নতাৰ সৈতে গতিৰ পৰা শিকিব পাৰি। ফলস্বৰূপে পোৱা প্ৰিঅ ৰবোৰ মানুহৰ বিভিন্ন ধৰণৰ খোজৰ শৈলীৰ ট্ৰেকিংৰ বাবে কাৰ্যকৰী হয়, দুৰ্বল আৰু শব্দযুক্ত ছবিৰ জোখ আৰু গুৰুত্বপূৰ্ণ অ ক্কলুচনৰ সত্ত্বেও। |
c3f2d101b616d82d07ca2cc4cb8ed0cb53fde21f | আমি আমাৰ বৰ্তমানৰ CD আৰু EMD মানসমূহ ৰেণ্ডাৰড ডাটাছেটত প্ৰতিবেদন কৰা মানসমূহৰ বাবে প্ৰসংগ প্ৰদান কৰিবলৈ মানৱ অধ্যয়ন চলাইছিলো। আমি মানুহৰ মাজত এটা জিইউআই টুল দিছিলো যাতে তেওঁ ছবিৰ পৰা এটা ত্ৰিভুজীয়া জাল সৃষ্টি কৰিব পাৰে। এই সঁজুলি (চিত্ৰ ১) ব্যৱহাৰকাৰীক 3D ত মেছ সম্পাদনা কৰিবলৈ আৰু মডেল কৰা অবজেক্টটো ইনপুট ইমেজলৈ পুনৰ সংযোজিত কৰিবলৈ সক্ষম কৰে। মুঠতে ১৬ টা মডেল আমাৰ বৈধকৰণ ছেটৰ ইনপুট ইমেজসমূহৰ পৰা সৃষ্টি কৰা হয়। N = 1024 পইণ্ট প্ৰতিটো মডেলৰ পৰা নমুনা লোৱা হয়। |
32791996c1040b9dcc34e71a05d72e5c649eeff9 | সাধাৰণ দৈনন্দিন কাৰ্যকলাপৰ সময়ত হৃদযন্ত্ৰৰ অস্বাভাৱিক বৈদ্যুতিক আচৰণ চিনাক্ত কৰিবলৈ ক্লিনিকাল অনুশীলনত এম্বুলেটৰী ইলেক্ট্ৰ কাৰ্ডিঅ গ্ৰাফী ক্ৰমশঃ ব্যৱহাৰ কৰা হৈছে। এই নিৰীক্ষণৰ উপযোগিতা শ্বাস-প্ৰশ্বাসৰ পৰা আহৰণ কৰি উন্নত কৰিব পাৰি, যিটো পূৰ্বে ৰোগীসকল স্থিৰ অৱস্থাত থকা ৰাতিপুৱা এপ্নিয়া অধ্যয়নৰ ওপৰত ভিত্তি কৰি কৰা হৈছিল, বা চাপ পৰীক্ষাৰ বাবে মাল্টিলেড ইচিজি প্ৰণালীৰ ব্যৱহাৰ। আমি একক-লিড পোৰ্টেবল ইচিজি মনিটৰৰ পৰা আহৰণ কৰা ছয়টা শ্বাস-প্ৰশ্বাসৰ মাপকক এম্বুলেটৰী নাক কানুলা শ্বাস-প্ৰশ্বাস মনিটৰৰ পৰা প্ৰাপ্ত একে সময়তে জোখা শ্বাস-প্ৰশ্বাসৰ বায়ুৰ প্ৰবাহৰ সৈতে তুলনা কৰিছিলো। দৈনন্দিন জীৱনৰ কাৰ্যকলাপ (লগোৱা, বহি থকা, থিয় হৈ থকা, খোজকাঢ়ি যোৱা, জগিং কৰা, দৌৰা আৰু ষ্টেৰাইলত উঠা) আৰু ছয়টা ৰাতিৰ অধ্যয়নৰ সৈতে দহটা নিয়ন্ত্ৰিত ১ ঘন্টীয়া ৰেকৰ্ডিং কৰা হৈছিল। সৰ্বশ্ৰেষ্ঠ পদ্ধতিটো আছিল ০.২-০.৮ Hz বেণ্ডপাছ ফিল্টাৰ আৰু RR ব্যৱধানৰ দীঘল আৰু চুটি কৰাৰ ওপৰত ভিত্তি কৰি RR কৌশল। গড় ভুলৰ হাৰ আছিল +mn4 প্ৰতি মিনিটত শ্বাস (bpm) (সকলো কাৰ্য্যকলাপ), +mn2 প্ৰতি মিনিটত শ্বাস (লগোৱা আৰু বহি থকা), আৰু +mn1 প্ৰতি মিনিটত শ্বাস (ৰাতিশ্বাসেৰে কৰা অধ্যয়ন) । সম্পূৰ্ণ ই.চি.জি. তৰংগ আকৃতিৰ পৰা আহৰণ কৰা শ্ৰেষ্ঠ কৌশলটোৰ সৈতে তুলনা কৰি কেৱল হাৰ্ট ৰেট তথ্য ব্যৱহাৰ কৰি (আৰ.আৰ. কৌশল) পৰিসংখ্যাগতভাৱে একে ধৰণৰ ফলাফল পোৱা যায় যি তথ্য সংগ্ৰহ প্ৰক্ৰিয়াটো সৰল কৰে। অধ্যয়নত দেখুওৱা হৈছে যে একক-প্ৰধান ইচিজিৰ পৰা গতিশীল কাৰ্যকলাপৰ অধীনত শ্বাস-প্ৰশ্বাস প্ৰাপ্ত কৰিব পাৰি পৰম্পৰাগত পদ্ধতিৰ পৰা গুৰুত্বপূৰ্ণ পাৰ্থক্য অবিহনে। |
7eac1eb85b919667c785b9ac4085d8ca68998d20 | ২. কি হৈছে? ই-শিক্ষা আৰু ম বাইল শিক্ষাৰ মাজত পাৰ্থক্য ম বাইল শিক্ষণৰ মূল্য আৰু লাভালাভ ম বাইল শিক্ষণৰ প্ৰত্যাহ্বান আৰু বাধাসমূহ: অধ্যয়নে দেখুৱাইছে যে দূৰশিক্ষাৰ ৰূপত ম বাইল শিক্ষণে সমাজলৈ বহুতো লাভ কঢ়িয়াই আনিছে। ইয়াৰ ভিতৰত আছেঃ প্ৰয়োজনত প্ৰশিক্ষণ, যিকোনো সময়তে প্ৰশিক্ষণ, যিকোনো স্থানত প্ৰশিক্ষণ, শিক্ষাৰ্থীক কেন্দ্ৰ কৰি থকা সামগ্ৰী, কৰ্মক্ষেত্ৰত পুনৰ প্ৰৱেশৰ সমস্যা দূৰ কৰা, কৰদাতাসকলৰ প্ৰশিক্ষণ, আৰু বিশ্ববিদ্যালয়ৰ বক্তৃতা আৰু প্ৰশিক্ষণ কেন্দ্ৰসমূহত অধিবেশন অনুষ্ঠিত কৰি সম্পূৰ্ণভাৱে ব্যস্ত থকা লোকসকলৰ প্ৰশিক্ষণ, আৰু শিক্ষণ আৰু শিক্ষণৰ ঔদ্যোগিকীকৰণ। আৰু লগতে, নোটবুক, ম বাইল টেবলেট, আইপড টাচ আৰু আইপেড ম বাইল শিক্ষাৰ বাবে অতি জনপ্ৰিয় যন্ত্ৰ কাৰণ তেওঁলোকৰ ব্যয় আৰু এপ্সমূহৰ উপলব্ধতা। ---------------------------------------- মোৰ নাম হ ল শিক্ষা আৰু প্ৰশিক্ষণ হৈছে প্ৰক্ৰিয়া যাৰ দ্বাৰা এক প্ৰজন্মৰ পৰা আন প্ৰজন্মলৈ জ্ঞান, জ্ঞান আৰু দক্ষতা প্ৰদান কৰা হয়। বৰ্তমান সময়ত শিক্ষা আৰু প্ৰশিক্ষণৰ দুটা ৰূপ আছেঃ পৰম্পৰাগত শিক্ষা আৰু দূৰ শিক্ষা। মোবাইল লাৰ্ণিং বা "এম-লাৰ্ণিং"য়ে মোবাইল ডিভাইচৰ জৰিয়তে শিক্ষণ প্ৰক্ৰিয়া সমৰ্থন কৰাৰ আধুনিক উপায় আগবঢ়ায়, যেনে হেণ্ডহেল্ড আৰু টেবলেট কম্পিউটাৰ, এমপি৩ প্লেয়াৰ, স্মাৰ্ট ফোন আৰু ম বাইল ফোন। এই নথিখনে শিক্ষাৰ উদ্দেশ্যে ম বাইল লাৰ্নিংৰ বিষয়টো প্ৰৱৰ্তন কৰে। ইয়াত মোবাইল ডিভাইচসমূহে শিক্ষা আৰু শিক্ষণ প্ৰক্ৰিয়াত কেনে প্ৰভাৱ পেলাইছে সেই বিষয়ে বিশ্লেষণ কৰা হৈছে আৰু মোবাইল ডিভাইচসমূহত ডিজিটেল মাধ্যমৰ ব্যৱহাৰৰ দ্বাৰা প্ৰদত্ত সুযোগসমূহো বিশ্লেষণ কৰা হৈছে। এই প্ৰবন্ধৰ মূল উদ্দেশ্য হৈছে ম বাইল শিক্ষণৰ বৰ্তমান অৱস্থা, ইয়াৰ লাভালাভ, প্ৰত্যাহ্বান আৰু শিক্ষণ আৰু শিক্ষণক সমৰ্থন কৰাৰ ক্ষেত্ৰত ইয়াৰ বাধাসমূহৰ বিষয়ে বৰ্ণনা কৰা। এই প্ৰবন্ধৰ বাবে তথ্যসমূহ ২০১৩ চনৰ জানুৱাৰীৰ পৰা মাৰ্চলৈকে গ্ৰন্থাগাৰিক আৰু ইণ্টাৰনেট অনুসন্ধানৰ জৰিয়তে সংগ্ৰহ কৰা হৈছিল। এই প্ৰবন্ধত চাৰিটা মূল বিষয়ৰ ওপৰত আলোকপাত কৰা হ ব: ম বাইল শিক্ষণৰ বিশ্লেষণ |
57820e6f974d198bf4bbdf26ae7e1063bac190c3 | |
8e393c18974baa8d5d704edaf116f009cb919463 | উচ্চ গতিৰ SerDes এ উচ্চ গতিৰ পৰিচালনা, তীব্ৰ সমীকৰণ প্ৰণালী, কম শক্তিৰ ব্যৱহাৰ, সৰু অঞ্চল আৰু দৃঢ়তাকে ধৰি একাধিক প্ৰত্যাহ্বান পূৰণ কৰিব লাগিব। নতুন মানদণ্ড পূৰণ কৰিবলৈ, যেনে OIF CEI-25G-LR, CEI-28G-MR/SR/VSR, IEEE802.3bj আৰু 32G-FC, ডাটা ৰেট ২৫ৰ পৰা ২৮Gb/s লৈ বৃদ্ধি কৰা হৈছে, যি পূৰ্বৰ প্ৰজন্মৰ SerDes ৰ তুলনাত ৭৫% তকৈ অধিক। একক চিপত একত্ৰিত কেইবাশতাধিক লেনযুক্ত SerDes প্ৰয়োগৰ বাবে, উচ্চ কাৰ্যক্ষমতা বজাই ৰাখি শক্তিৰ ব্যৱহাৰ অতি গুৰুত্বপূৰ্ণ কাৰক। 28Gb/s বা তাতকৈ অধিক ডাটা ৰেটত পূৰ্বৰ কেইবাটাও কাম আছে [1-2]। তেওঁলোকে সমালোচনামূলক সময়সীমা পূৰণ কৰিবলৈ এটা অৰুণ DFE ব্যৱহাৰ কৰে, কিন্তু অৰুণ DFE গাঁথনিয়ে DFE ছেকাৰৰ সংখ্যা বৃদ্ধি কৰে, সামগ্ৰিক শক্তি আৰু ডাই এলেকা বৃদ্ধি কৰে। এই প্ৰত্যাহ্বানসমূহ মোকাবিলা কৰিবলৈ আমি বিভিন্ন চিৰকিট আৰু স্থাপত্য কৌশল প্ৰৱৰ্তন কৰিছো। এনালগ ফ্ৰণ্ট-এণ্ড (AFE) এ এক-পৰ্যায়ৰ আৰ্কিটেকচাৰ আৰু ট্ৰান্স-ইম্পেডেন্স এম্প্লিফায়াৰত (TIA) কমপেক্ট অন-চিপ প্যাছিভ ইণ্ডাক্টৰ ব্যৱহাৰ কৰে, যিয়ে ১৫dB বুষ্ট প্ৰদান কৰে। বুষ্টটো অভিযোজিত আৰু ইয়াৰ অভিযোজন চক্ৰটো এটা গ্ৰুপ-ডীলেড অভিযোজন (জিডিএ) এলগৰিথমৰ ব্যৱহাৰৰ দ্বাৰা সিদ্ধান্ত-ফিডবেক ইকুৱেলাইজাৰ (ডিএফই) অভিযোজন চক্ৰৰ পৰা বিচ্ছিন্ন কৰা হয়। ডিএফইৰ আধা-ৰাইট 1-টেপ আনল্ড গঠন আছে যাৰ শক্তি আৰু এলেকা হ্ৰাসৰ বাবে 2 টা মুঠ ত্ৰুটি লটচ আছে। এটা দু-স্তৰীয় সংবেদনশীল-বৰ্ধক-ভিত্তিক ছেক্ৰেটৰ দ্বাৰা ১৫mV আৰু DFE টাইমিং বন্ধৰ সংবেদনশীলতা প্ৰাপ্ত কৰা হয়। আমি এটা উচ্চ গতিৰ ঘড়ী বাফাৰো প্ৰস্তুত কৰিছো য ত নতুন এক্টিভ ইণ্ডাক্টৰ চাৰ্কিট ব্যৱহাৰ কৰা হৈছে। এই সক্ৰিয়-ইণ্ডাক্টৰ চাৰ্কিটত চাৰ্কিট অপাৰেটিং পইণ্টবোৰ অনুকূলিতকৰণ কৰিবলৈ আউটপুট-কমন-মোড ভল্টেজ নিয়ন্ত্ৰণ কৰাৰ ক্ষমতা আছে। |
505c58c2c100e7512b7f7d906a9d4af72f6e8415 | পৃষ্ঠা ২ জটিল অভিযোজিত প্ৰণালী জন এইচ হল্যান্ড, ক্ৰিষ্টফাৰ লেংটন, আৰু ষ্টুৱাৰ্ট ডব্লিউ উইলছন, উপদেষ্টা প্ৰাকৃতিক আৰু কৃত্ৰিম প্ৰণালীসমূহৰ অভিযোজনঃ জীৱবিজ্ঞান, নিয়ন্ত্ৰণ আৰু কৃত্ৰিম বুদ্ধিমত্তাৰ প্ৰয়োগৰ সৈতে এক প্ৰাৰম্ভিক বিশ্লেষণ, এম আই টি প্ৰেছ সংস্কৰণ জন এইচ হল্যান্ড স্বায়ত্তশাসিত প্ৰণালীসমূহৰ অনুশীলনৰ দিশেঃ ফ্ৰান্সিস্কো জে. ভাৰেলা আৰু পল বৰ্গিনৰ দ্বাৰা সম্পাদিত কৃত্ৰিম জীৱনৰ প্ৰথম ইউৰোপীয় সন্মিলনৰ প্ৰক্ৰিয়া জেনেটিক প্ৰগ্ৰামিংঃ প্ৰাকৃতিক নিৰ্বাচনৰ মাধ্যমত কম্পিউটাৰৰ প্ৰগ্ৰামিংৰ বিষয়ে জন আৰ কোজা |
3a46c11ad7afed8defbb368e478dbf94c24f43a3 | বৃহৎ পৰিমাণৰ তথ্য প্ৰক্ৰিয়াকৰণৰ ওপৰত নিৰ্ভৰশীল বৈজ্ঞানিক সমস্যাৰ বাবে বহু ক্ষেত্ৰত বিভিন্ন প্ৰত্যাহ্বান অতিক্ৰম কৰাৰ প্ৰয়োজন হয়ঃ বৃহৎ পৰিমাণৰ তথ্য বিতৰণ ব্যৱস্থাপনা, তথ্য সংগ্ৰহৰ সমলসমূহৰ সৈতে তথ্যৰ সম-সংস্থাপন আৰু সময়সূচী, আৰু বৃহৎ পৰিমাণৰ তথ্য সংৰক্ষণ আৰু স্থানান্তৰ। আমি তথ্য-নিবিড় প্ৰয়োগৰ বাবে দুটা বিশিষ্ট প্যাৰাডাইমৰ পৰিৱেশ তন্ত্ৰ বিশ্লেষণ কৰো, যাক উচ্চ-প্ৰদৰ্শন কম্পিউটিং আৰু এপাচে-হডুপ প্যাৰাডাইম বুলি কোৱা হয়। আমি এটা ভিত্তি, সাধাৰণ শব্দকৰণ আৰু কাৰ্য্যকৰী কাৰক প্ৰস্তাৱ কৰো য ত দুয়োটা দৃষ্টিকোণৰ দুটা পদ্ধতি বিশ্লেষণ কৰিব পাৰি। আমি "বিগ ডাটা গ্ৰেজ"ৰ ধাৰণা আৰু ইয়াৰ বিভিন্ন দিশৰ বিষয়ে আলোচনা কৰিম, যিবোৰ দুটা দৃষ্টান্তৰ মাজত পোৱা অতি সাধাৰণ এপ্লিকেচন ৱৰ্কলোডসমূহ বুজিবলৈ আৰু বৰ্ণনা কৰিবলৈ সহায়ক হ ব। ইয়াৰ পিছত আমি এই দুই প্ৰকাৰৰ পদ্ধতিৰ প্ৰধান বৈশিষ্ট্যসমূহৰ বিষয়ে আলোচনা কৰিম আৰু দুয়োটা পদ্ধতিৰ তুলনা কৰিম। আমি এই প্ৰকাৰৰ পদ্ধতিসমূহৰ সাধাৰণ প্ৰয়োগ/প্ৰণালীসমূহ পৰীক্ষা কৰিম, বৰ্তমানৰ "আৰ্কিটেকচাৰ"ৰ কাৰণসমূহ ব্যাখ্যা কৰিম আৰু এই প্ৰকাৰৰ পদ্ধতিসমূহ ব্যৱহাৰ কৰা কিছুমান সাধাৰণ কামৰ বোজা সম্পৰ্কে আলোচনা কৰিম। উল্লেখযোগ্য ছফ্টৱেৰ পার্থক্যৰ সত্ত্বেও, আমি বিশ্বাস কৰো যে আৰ্হিগত সাদৃশ্য আছে। আমি বিভিন্ন স্তৰ আৰু উপাদানসমূহৰ মাজত বিভিন্ন ৰূপায়ণৰ সম্ভাৱ্য একত্ৰীকৰণৰ বিষয়ে আলোচনা কৰো। আমাৰ তুলনা দুটা দৃষ্টান্তৰ সম্পূৰ্ণ গুণগত বিশ্লেষণৰ পৰা আধা-পৰিমাণগত পদ্ধতিৰ দিশলৈ আগবাঢ়িছে। আমি এটা সৰল আৰু বহুলভাৱে ব্যৱহৃত অ গ্ৰ (কে-মিডেন ক্লাষ্টাৰিং) ব্যৱহাৰ কৰো, দুয়োটা প্ৰকাৰৰ বিভিন্ন কাৰ্য্যকৰীকৰণক সামৰি বিভিন্ন প্ৰতিনিধি প্লেটফৰ্মত ইয়াৰ কাৰ্য্যকৰীতা বৰ্ণনা কৰো। আমাৰ পৰীক্ষাসমূহে এই দুই ধাৰণাৰ মাজত থকা পাৰস্পৰিক শক্তিৰ বিষয়ে এক অন্তৰ্দৃষ্টি প্ৰদান কৰে। আমি প্ৰস্তাৱ দিছো যে অগ্ৰৰ সমষ্টিটো দুটা দৃষ্টান্তক বিভিন্ন মাত্ৰা প্ৰদান কৰি মূল্যায়ন কৰাৰ বাবে এক প্ৰমাপ হিচাপে কাম কৰিব। |
dc7024840a4ba7ab634517fae53e77695ff5dda9 | এই প্ৰবন্ধত আমি মানৱ কাৰ্যকলাপৰ চিনাক্তকৰণৰ বাবে এক নতুন শক্তি দক্ষ পদ্ধতিৰ প্ৰস্তাৱ দিছো য ত স্মাৰ্টফোনক পৰিধানযোগ্য সংবেদক যন্ত্ৰ হিচাপে ব্যৱহাৰ কৰা হৈছে, যাৰ লক্ষ্য হৈছে সহায়ক জীৱন প্ৰণালী ব্যৱহাৰ কৰা, যেনে বিকলাংগ আৰু বৃদ্ধসকলৰ বাবে দূৰৱৰ্তী ৰোগীৰ কাৰ্যকলাপ নিৰীক্ষণ কৰা। এই পদ্ধতিটোৱে ফিক্সড-পইন্ট অংকনিতিক ব্যৱহাৰ কৰি এটা সংশোধিত মাল্টিক্লাস ছাপোৰ্ট ভেক্টৰ মেচিন (SVM) লাৰ্ণিং এলগৰিথমৰ প্ৰস্তাৱ দিয়ে, যি তুলনামূলকভাৱে তুলনামূলকভাৱে তুলনামূলকভাৱে তুলনামূলকভাৱে তুলনামূলকভাৱে তুলনামূলকভাৱে তুলনামূলকভাৱে তুলনামূলকভাৱে তুলনামূলকভাৱে তুলনামূলকভাৱে তুলনামূলকভাৱে তুলনামূলকভাৱে তুলনামূলকভাৱে তুলনামূলকভাৱে তুলনামূলকভাৱে তুলনামূলকভাৱে তুলনামূলকভাৱে তুলনামূলকভাৱে তুলনামূলকভাৱে তুলনামূলকভাৱে তুলনামূলকভাৱে তুলনামূলকভাৱে তুলনামূলকভাৱে তুলনামূলকভাৱে তুলনামূলকভাৱে তুলনামূলকভাৱে ভাল। পৰীক্ষাসমূহে চিনাক্তকৰণ কাৰ্যক্ষমতা আৰু বেটাৰী ব্যৱহাৰৰ ক্ষেত্ৰত এই পদ্ধতি আৰু পৰম্পৰাগত SVM ৰ মাজত তুলনামূলক ফলাফল দেখুৱায়, প্ৰস্তাৱিত পদ্ধতিৰ সুবিধাৱলী আলোকপাত কৰে। |
f4cdd1d15112a3458746b58a276d97e79d8f495d | ইয়াৰ ইনপুটৰ প্ৰতি সন্মান ৰাখি নিউৰেল নেটৱৰ্কৰ আউটপুটৰ গ্ৰেডিয়েন্ট মানক নিয়মীয়া কৰা এটা শক্তিশালী কৌশল, যিটো কেইবাবাৰো পুনৰ আৱিষ্কাৰ কৰা হৈছে। এই প্ৰবন্ধত প্ৰমাণ কৰা হৈছে যে আধুনিক গভীৰ নিউৰেল নেটৱৰ্ক ব্যৱহাৰ কৰি গ্ৰেডিয়েন্ট নিয়মীয়াকৰণে দৃষ্টিৰ কামত শ্ৰেণীবিভাজনৰ সঠিকতা উন্নত কৰিব পাৰে, বিশেষকৈ যেতিয়া প্ৰশিক্ষণৰ তথ্যৰ পৰিমাণ কম হয়। আমি আমাৰ নিয়মীয়াকৰণকাৰীসকলক ইয়াকোবিয়ান ভিত্তিক নিয়মীয়াকৰণকাৰীসকলৰ এটা বৃহত্তৰ শ্ৰেণীৰ সদস্য হিচাপে পৰিচয় দিছো। আমি বাস্তৱ আৰু কৃত্ৰিম তথ্যৰ ওপৰত অভিজ্ঞতাৰে প্ৰদৰ্শন কৰিছো যে শিক্ষণ প্ৰক্ৰিয়াই প্ৰশিক্ষণ বিন্দুৰ বাহিৰে নিয়ন্ত্ৰিত গ্ৰেডিয়েণ্টৰ দিশলৈ লৈ যায় আৰু ভালকৈ সাধাৰণীকৰণ কৰিব পৰা সমাধানৰ ফলাফল দিয়ে। |
984df1f081fbd623600ec45635e5d9a4811c0aef | দুটা ভিভাল্ডী এণ্টেনা এৰেজ প্ৰদৰ্শন কৰা হৈছে। প্ৰথমটো হৈছে ইটা/কংক্ৰিটৰ দেৱালৰ ইমেজিংৰ বাবে STW এপ্লিকেচনৰ বাবে ১.২ৰ পৰা ৪ গিগাহাৰ্টজ বেণ্ড সামৰি লোৱা ৮-উপাদানৰ কপাৰযুক্ত স্লট এৰেজ। দ্বিতীয়টো হৈছে শুকান দেৱালৰ মাজেৰে প্ৰৱেশ কৰাৰ সময়ত উচ্চ ৰিজলিউশ্যন ইমেজিংৰ বাবে ৮-১০.৬ গিগাহাৰ্টছত কাৰ্য্য কৰা ১৬-এলিমেন্ট এণ্টিপ ডাল এৰেজ। দুয়োটা ডিজাইনৰ ওপৰত ভিত্তি কৰি, আৰু ভিভাল্ডী এণ্টেনা এৰেজ খোৱাবলৈ মাইক্ৰোষ্ট্ৰীপলৈ সুচল বহল বেণ্ড স্লট ব্যৱহাৰ কৰি, 1-10 গিগাহৰ্টছ ফ্ৰিক্বেঞ্চ বেণ্ড ক ভাৰ কৰিব পাৰি। বিকল্পভাৱে, এই ডিজাইনটো ১-৩ গিগাহাৰ্টছ বা ৮-১০ গিগাহাৰ্টছ বেণ্ড ক ভাৰ কৰিবলৈ এটা পুনৰ কনফিগাৰযোগ্য গাঁথনিত ব্যৱহাৰ কৰিব পাৰি। পৰীক্ষামূলক আৰু পৰিমাপ কৰা ফলাফল সম্পূৰ্ণ হৈছে আৰু বিশদভাৱে আলোচনা কৰা হ ব। এই ডিজাইনসমূহে কমপেক্ট, পুনৰ সংৰূপণযোগ্য আৰু পৰ্টেবল চিষ্টেমৰ বিকাশত যথেষ্ট প্ৰভাৱ পেলাব। |
e3f4fdf6d2f10ebe4cfc6d0544afa63976527d60 | এই প্ৰবন্ধত ৰেডিঅ জ্যোতিৰ্বিজ্ঞান যন্ত্ৰৰ বাবে ৩২৪-উপাদানৰ ২-ডি ব্ৰডছাইড এৰেজ উপস্থাপন কৰা হৈছে যি দুটা পাৰস্পৰিক অৰ্টোগ নেল পলাৰাইজেশ্যনৰ প্ৰতি সংবেদনশীল। এই এৰেজটো ক্ৰুচফৰ্ম ইউনিটৰে গঠিত, য ত চাৰিটা ভিভাল্ডী এণ্টেনাৰ এটা গোট আছে, যিবোৰ এটা ক্ৰুচ আকৃতিৰ গাঁথনিত স্থাপন কৰা হৈছে। এই এৰেজত ব্যৱহৃত ভিভাল্ডী এণ্টেনাই ৩ গিগাহৰ্টছত ৮৭.৫° আৰু ৬ গিগাহৰ্টছত ৪৪.২°ৰ সমমিতিযুক্ত মূল বেত্ৰৰ সৈতে এক বিক্ৰিয়াৰ তীব্ৰতাৰ বৈশিষ্ট্য প্ৰদৰ্শন কৰে। মাপ কৰা সৰ্বাধিক পাৰ্শ্ব/বেকলোব স্তৰটো মূল পোহৰৰ স্তৰৰ তলত ১০.৩ ডিচিবি। এই এৰেজটো ৫.৪ গিগাহাৰ্টছৰ উচ্চ ফ্ৰেক্টিভত গ্ৰীটিং লব গঠনৰ অবিহনে কাম কৰিব পাৰে। |
1a090df137014acab572aa5dc23449b270db64b4 | |
9ae252d3b0821303f8d63ba9daf10030c9c97d37 | আমি প্ৰাকৃতিক দৃশ্যৰ শ্ৰেণীবিভাগৰ শিকন আৰু চিনাক্তকৰণৰ এক অভিনৱ পদ্ধতিৰ প্ৰস্তাৱ দিছো। পূৰ্বৰ কামৰ বিপৰীতে, এই প্ৰকল্পত বিশেষজ্ঞসকলে প্ৰশিক্ষণ সমষ্টিৰ বিষয়ে টোকা লিখা প্ৰয়োজন নহয়। আমি স্থানীয় অঞ্চলৰ সংকলন দ্বাৰা এটা দৃশ্যৰ ছবি প্ৰতিনিধিত্ব কৰো, যিবোৰক নিৰীক্ষণহীন শিক্ষাৰ দ্বাৰা প্ৰাপ্ত কোডৱৰ্ড হিচাপে চিহ্নিত কৰা হয়। প্ৰতিটো অঞ্চল এটা "থিম"ৰ অংশ হিচাপে প্ৰতিনিধিত্ব কৰা হয়। পূৰ্বৰ কামত, বিশেষজ্ঞসকলৰ হাতৰ টোকাসমূহৰ পৰা এনে বিষয়বোৰ শিকোৱা হৈছিল, আনহাতে আমাৰ পদ্ধতিয়ে বিষয়বস্তুৰ বিতৰণ আৰু লগতে নিৰীক্ষণ অবিহনে বিষয়বস্তুৰ ওপৰত কোডৱৰ্ড বিতৰণ শিকায়। আমি ১৩ টা শ্ৰেণীৰ জটিল দৃশ্যৰ বৃহৎ সংখ্যক বিষয়ত সন্তোষজনক শ্ৰেণীবিভাজনৰ প্ৰদৰ্শনী প্ৰতিবেদন কৰিছো। |
fa6cbc948677d29ecce76f1a49cea01a75686619 | এই প্ৰবন্ধত, আমি বাস্তৱ জগতৰ দৃশ্যসমূহৰ স্বীকৃতিৰ এক কম্পিউটেশ্যনেল মডেলৰ প্ৰস্তাৱ দিছো যি পৃথক বস্তু বা অঞ্চলৰ বিভাজন আৰু প্ৰক্ৰিয়াকৰণক আঁতৰাই দিয়ে। এই প্ৰক্ৰিয়াটো দৃশ্যৰ অতি নিম্ন মাত্রিক প্ৰতিনিধিত্বৰ ওপৰত আধাৰিত, যাক আমি স্পেচিয়েল এনভেলপ বুলি কওঁ। আমি এক সংকলন প্ৰস্তাৱ কৰো য ত দৃশ্যৰ প্ৰাধান্যপূৰ্ণ স্থানিক গাঁথনিৰ প্ৰতিনিধিত্ব কৰা এক সংকলন উপলব্ধিৰ মাত্ৰা (প্ৰাকৃতিকতা, উন্মুক্ততা, কঠোৰতা, সম্প্ৰসাৰণ, কঠোৰতা) । তাৰ পিছত, আমি দেখুৱাম যে এই পৰিমাপবোৰ স্পেকট্ৰেল আৰু ঘোৰভাৱে স্থানীয় তথ্য ব্যৱহাৰ কৰি নিৰ্ভৰযোগ্যভাৱে অনুমান কৰিব পাৰি। এই মডেলটোৱে এটা বহুমুখী স্থান সৃষ্টি কৰে য ত অৰ্থগত শ্ৰেণীত (যেনে, ৰাস্তা, ঘাইপথ, উপকূল) সদস্যতা ভাগ কৰা দৃশ্যবোৰ একেলগে বন্ধ কৰা হয়। স্থানিক খামৰ মডেলৰ কাৰ্য্যক্ষমতাই দেখুৱায় যে বস্তুৰ আকৃতি বা পৰিচয়ৰ বিষয়ে নিৰ্দিষ্ট তথ্য দৃশ্য শ্ৰেণীবিভাজনৰ বাবে প্ৰয়োজনীয় নহয় আৰু দৃশ্যৰ এক সামগ্ৰিক প্ৰতিনিধিত্বৰ মডেলিংয়ে ইয়াৰ সম্ভাৱ্য অৰ্থগত শ্ৰেণীৰ বিষয়ে অৱগত কৰে। |
1ac52b7d8db223029388551b2db25657ed8c9852 | এই প্ৰবন্ধত, আমি বহুতো একেধৰণৰ ভৱিষ্যদ্বাণীমূলক কামৰ পৰা গঠিত সমস্যাৰ বাবে এটা মেচিন লাৰ্ণিং সমাধানৰ প্ৰস্তাৱ দিছো। প্ৰত্যেকটো পৃথক কামৰেই অতিৰিক্ত কাৰ্যকৰী হোৱাৰ উচ্চ সম্ভাৱনা থাকে। আমি এই বিপদ হ্ৰাস কৰিবলৈ দুটা প্ৰকাৰৰ কামৰ মাজত জ্ঞান হস্তান্তৰক একত্ৰিত কৰোঃ বহু-কাৰ্যকৰণ শিকন আৰু শ্ৰেণীবদ্ধ বেইচিয়ান মডেলিং। বহু কাৰ্য্যক শিকাৰ ভিত্তি হৈছে এই ধাৰণাটোৰ ওপৰত যে হাতত থকা কাৰ্য্যটোৰ বাবে কিছুমান বৈশিষ্ট আছে। এই বৈশিষ্ট্যবোৰ বিচাৰি উলিয়াবলৈ আমি দুটা স্তৰৰ এটা বিশাল নিউৰ নেল নেটৱৰ্ক প্ৰশিক্ষণ দিওঁ। প্ৰত্যেক টাস্কৰ নিজৰ আউটপুট থাকে, কিন্তু ইনপুটৰ পৰা লুকাই থকা এককসমূহলৈ সকলো আন টাস্কৰ সৈতে ভাগ কৰে। এই পদ্ধতিত, সম্ভাব্য ব্যাখ্যামূলক ভেরিয়েবলৰ এটা বৃহৎ সমষ্টি (নেটৱর্ক ইনপুট) সৰু আৰু সহজেই পৰিচালনা কৰিব পৰা বৈশিষ্ট্যৰ সমষ্টি (লুকি থকা এককসমূহ) লৈ হ্রাস কৰা হয়। এই বৈশিষ্ট্যসমূহৰ সমষ্টি আৰু উপযুক্ত স্কেল ৰূপান্তৰ কৰাৰ পিছত, আমি ধাৰণা কৰো যে কামবোৰ বিনিময়যোগ্য। এই অনুমানই এটা পৰ্যায়বৰ্ধিত বেইচিয়ান বিশ্লেষণৰ অনুমতি দিয়ে য ত হাইপাৰপাৰামিটাৰবোৰ তথ্যৰ পৰা অনুমান কৰিব পাৰি। এই হাইপাৰ-ৰেমেটাৰে নিয়মীয়াকৰণকাৰী হিচাপে কাম কৰে আৰু অতিৰিক্ত ৰক্তচাপ ৰোধ কৰে। আমি বৰ্ণনা কৰো যে কেনেকৈ সময় শৃংখলাৰ অস্থিৰতাৰ বিৰুদ্ধে ব্যৱস্থাটো শক্তিশালী কৰিব পাৰি আৰু অধিক উন্নতিৰ বাবে নিৰ্দেশনা প্ৰদান কৰা হয়। আমি বাতৰি কাকতৰ বিক্ৰীৰ ভৱিষ্যদ্বাণী সম্পৰ্কে এটা ডাটাবেছত আমাৰ ধাৰণাটো প্ৰদৰ্শন কৰিছো। |
1e56ed3d2c855f848ffd91baa90f661772a279e1 | আমি প্ৰস্তাৱ দিছো যে পাঠ্য আৰু বিচ্ছিন্ন তথ্যৰ অন্যান্য সংগ্ৰহসমূহৰ বাবে এটা সৃষ্টিশীল মডেল যি সাধাৰণীকৰণ বা উন্নত কৰে পূৰ্বৰ কেইবাটাও মডেলৰ ওপৰত, য ত অন্তৰ্ভুক্ত আছে নিভ বেজ/উনিগ্ৰাম, অনগ্ৰামৰ মিশ্ৰণ [6] আৰু হফমেনৰ দৃষ্টিভংগী মডেল, যাক সম্ভাব্যতাবাদী লটেণ্ট ছেমেণ্টিক ইনডেক্সিং (pLSI) [3] বুলিও জনা যায়। পাঠ্য মডেলিংৰ ক্ষেত্ৰত, আমাৰ মডেলটোৱে ধাৰণা কৰে যে প্ৰতিটো নথি বিষয়ৰ মিশ্ৰণ হিচাপে সৃষ্টি কৰা হয়, য ত ধাৰাবাহিক-মূল্যযুক্ত মিশ্ৰণ অনুপাতবোৰ এটা লুকাই থকা ডেৰিক্লেট এলোমেলো ভৰলুৱাৰ দৰে বিতৰণ কৰা হয়। অনুমান আৰু শিকন কাৰ্য্যকৰীভাৱে বৈকল্পিক এলগৰিথমৰ জৰিয়তে কৰা হয়। আমি এই মডেলৰ প্ৰয়োগৰ ওপৰত প্ৰামাণিক ফলাফল প্ৰদৰ্শন কৰো পাঠ মডেলিং, সহযোগিতামূলক ফিল্টাৰিং, আৰু পাঠ শ্ৰেণীবিভাজনৰ সমস্যাসমূহ। |
e990a41e8f09e0ef4695c39af351bf25f333eefa | |
1f8116db538169de3553b1091e82107f7594301a | |
539ea86fa738afd939fb18566107c971461f8548 | গঠনমূলক আউটপুট স্থানৰ সৈতে ম্যাপিং (ষ্ট্ৰিং, ট্ৰী, পাৰ্টিচন আদি) শ্ৰেণীবিভাজন এলগৰিথমৰ সম্প্ৰসাৰণৰ সহায়ত সাধাৰণ গ্ৰাফিকাল গাঁথনি (যেনে, ৰেখীয় শৃংখলা) ব্যৱহাৰ কৰি শিকিব পাৰি য ত অনুসন্ধান আৰু পৰিমাপকৰ অনুমান সঠিকভাৱে কৰিব পাৰি। দুৰ্ভাগ্যবশতঃ, বহুতো জটিল সমস্যাৰ ক্ষেত্ৰত, এইটো বিৰল যে সঠিক অনুসন্ধান বা পেৰামিটাৰ অনুমান ট্ৰেচেবল হয়। সঠিক মডেল শিকিবলৈ আৰু হেউৰিষ্টিক মাধ্যমৰ জৰিয়তে অনুসন্ধান কৰাৰ পৰিৱৰ্তে, আমি এই অসুবিধা গ্ৰহণ কৰোঁ আৰু প্ৰায়োগিক অনুসন্ধানৰ ক্ষেত্ৰত গাঁথনিবদ্ধ আউটপুট সমস্যাটো ব্যৱহাৰ কৰোঁ। আমি অনুসন্ধান অপ্টিমাইজেশ্যনৰ দৰে শিকাৰ বাবে এটা ফ্ৰেমৱৰ্ক আৰু সংযোজন থী-অ ৰেম আৰু সীমাৰেখাৰ সৈতে দুটা পাৰামিটাৰ আপডেট প্ৰদৰ্শন কৰোঁ। অভিজ্ঞতাৰ প্ৰমাণে দেখুৱাইছে যে শিকন আৰু ডিকোডিংৰ বাবে আমাৰ একত্ৰিত পদ্ধতিয়ে কম কম্পিউটেশ্যনেল খৰচত সঠিক মডেলক অতিক্ৰম কৰিব পাৰে। |
1219fb39b46aabd74879a7d6d3c724fb4e55aeae | আমি প্ৰযুক্তিগত উদ্যমিতা সন্দৰ্ভত এক দৃষ্টিভংগী গঢ়ি তুলিছো য ত বিভিন্ন ধৰণৰ অভিনেতা-অভিনেত্ৰীক সামৰি লোৱা হৈছে। প্ৰত্যেকজন অভিনেতা প্ৰযুক্তিৰ সৈতে জড়িত হয় আৰু এই প্ৰক্ৰিয়াত, ইনপুট সৃষ্টি কৰে যাৰ ফলত উদ্ভৱ হোৱা প্ৰযুক্তিগত পথৰ ৰূপান্তৰ ঘটে। প্ৰযুক্তিগত পথত ইনপুটৰ অবিৰত সংগ্ৰহ এটা গতি সৃষ্টি কৰে যি বিতৰণ কৰা অভিনেতাসকলৰ কাৰ্যকলাপক সক্ষম আৰু সীমাবদ্ধ কৰে। আন কথাত, এজেঞ্চী কেৱল বিতৰণ কৰা নহয়, ই অন্তৰ্ভুক্তও হয়। আমি এই দৃষ্টিভংগীৰ ব্যাখ্যা ডেন্মাৰ্ক আৰু আমেৰিকা যুক্তৰাষ্ট্ৰত বায়ু টাৰ্বাইন উদ্ভৱ হোৱাৰ প্ৰক্ৰিয়াৰ তুলনামূলক অধ্যয়নৰ জৰিয়তে আগবঢ়াইছো। আমাৰ তুলনামূলক অধ্যয়নৰ জৰিয়তে, আমি ব্ৰিক লেজ আৰু ব্ৰেকথ্ৰু ক প্ৰযুক্তিগত পথ নিৰ্মাণত অভিনেতাসকলৰ জড়িততাৰ বিপৰীত দৃষ্টিভংগী হিচাপে আৱিষ্কাৰ কৰিছো। © ২০০২ এলেছভিয়েৰ চাইন্স বি.ভি. সকলো অধিকাৰ সংৰক্ষিত |
2266636d87e44590ade738b92377d1fe1bc5c970 | |
2af586c64c32baeb445992e0ea6b76bbbbc30c7f | |
0e8b8e0c37b0ebc9c36b99103a487dbbbdf9ee97 | |
2c03df8b48bf3fa39054345bafabfeff15bfd11d | গভীৰ স্নায়ু নেটৱৰ্ক প্ৰশিক্ষণ দিয়া কঠিন। আমি এটা অৱশিষ্ট শিক্ষণ কাঠামো প্ৰদৰ্শন কৰিছো যি পূৰ্বৰ তুলনাত যথেষ্ট গভীৰ নেটৱৰ্কৰ প্ৰশিক্ষণ সহজ কৰিব। আমি স্পষ্টভাৱে স্তৰবোৰক পুনঃ গঠন কৰো যাতে স্তৰৰ ইনপুটৰ সৈতে অৱশিষ্ট কাৰ্য্যবোৰ শিকিব পাৰি, আনুসন্ধিকৰণহীন কাৰ্য্যবোৰ শিকাৰ পৰিৱৰ্তে। আমি ব্যাপক প্ৰমাণ আগবঢ়াইছো যে এই অৱশিষ্ট নেটৱৰ্কবোৰ অপ্টিমাইজ কৰাটো সহজ আৰু যথেষ্ট গভীৰতাৰ পৰা সঠিকতা লাভ কৰিব পাৰে। ImageNet ডাটা ছেটত আমি ১৫২ স্তৰ পৰ্যন্ত গভীৰতা থকা অৱশিষ্ট জালবোৰ মূল্যায়ন কৰো - VGG জালতকৈ ৮ গুণ গভীৰ কিন্তু এতিয়াও কম জটিলতা থকা। এই অৱশিষ্ট জালসমূহৰ সমষ্টিয়ে ইমেজনেট পৰীক্ষাৰ ছেটত ৩.৫৭% ত্ৰুটি লাভ কৰে। এই ফলাফলৰ দ্বাৰা ILSVRC 2015 শ্ৰেণীবিভাজন কাৰ্যত প্ৰথম স্থান লাভ কৰে। আমি চিফাৰ-১০ৰ ১০০ আৰু ১০০০ স্তৰৰ বিশ্লেষণো আগবঢ়াইছো। বহুতো চাক্ষুষ স্বীকৃতিৰ কামৰ বাবে প্ৰতিনিধিত্বৰ গভীৰতা কেন্দ্ৰীয় গুৰুত্বপূৰ্ণ। আমাৰ অতি গভীৰ প্ৰতিনিধিত্বৰ বাবে, আমি COCO অবজেক্ট ডিটেকচন ডাটা ছেটত ২৮% আপেক্ষিক উন্নতি লাভ কৰিছো। আইএলএছভিআৰচি আৰু ক কো ২০১৫ প্ৰতিযোগিতাত আমাৰ প্ৰদৰ্শনৰ আধাৰ হৈছে গভীৰ অৱশিষ্ট নেটৱৰ্কসমূহ, য ত আমি ইমেজনেট চিনাক্তকৰণ, ইমেজনেট স্থানীয়কৰণ, ক কো চিনাক্তকৰণ আৰু ক কো বিভাজন কাৰ্য্যত প্ৰথম স্থান লাভ কৰিছিলো। |
5763c2c62463c61926c7e192dcc340c4691ee3aa | আমি এটা ছবিৰ অতি-উত্তৰ (এছআৰ) ৰ বাবে গভীৰ শিক্ষণ পদ্ধতিৰ প্ৰস্তাৱ দিছো। আমাৰ পদ্ধতিয়ে নিম্ন/উচ্চ-উত্তৰ ছবিৰ মাজত এক সমাপ্তি-পৰ্যন্ত মেপিং প্ৰত্যক্ষভাৱে শিকায়। মেপিংক গভীৰ কনভলুশ্যনেল নিউৰেল নেটৱৰ্ক (চি এন এন) [15] ৰূপে প্ৰতিনিধিত্ব কৰা হয় যি নিম্ন ৰিজ লিউছন ইমেজক ইনপুট হিচাপে গ্ৰহণ কৰে আৰু উচ্চ ৰিজ লিউছন এটাৰ আউটপুট দিয়ে। আমি আৰু দেখুৱাম যে পৰম্পৰাগত বিৰল-কোডিং-ভিত্তিক SR পদ্ধতিসমূহক গভীৰ কোৱলশ্যনেল নেটৱৰ্ক হিচাপেও দেখা যায়। কিন্তু পৰম্পৰাগত পদ্ধতিৰ বিপৰীতে, য ত প্ৰতিটো উপাদান পৃথকে-পৃথকে সামৰি লোৱা হয়, আমাৰ পদ্ধতিয়ে সকলো স্তৰকে একেলগে অপ্টিমাইজ কৰে। আমাৰ গভীৰ চি এন এনৰ এটা হালধীয়া গঠন আছে, তথাপি অত্যাধুনিক পুনৰুদ্ধাৰৰ গুণাগুণ প্ৰদৰ্শন কৰে, আৰু ব্যৱহাৰিক অনলাইন ব্যৱহাৰৰ বাবে দ্ৰুত গতি অৰ্জন কৰে। |
2db168f14f3169b8939b843b9f4caf78c3884fb3 | এই পত্ৰখনত, এটা ব্ৰডবেণ্ড ব ণ্ড ত্ৰিভুজীয় সৰ্বমুখী এণ্টেনা RF শক্তি আহৰণৰ বাবে উপস্থাপন কৰা হৈছে। এণ্টেনাৰ এটা বেণ্ডউইথ আছে VSWR ≤ 2 ৰ বাবে 850 MHz ৰ পৰা 1.94 GHz লৈ। এণ্টেনাটো অনুভূমিক আৰু উল্লম্ব দুয়োটা পলাৰাইজড ঢৌ গ্ৰহণ কৰিবলৈ ডিজাইন কৰা হৈছে আৰু গোটেই বেণ্ডউইথত এক স্থিৰ ৰেডিয়েচন পট্ৰন আছে। এণ্টেনাটো শক্তি সংগ্ৰহ প্ৰয়োগৰ বাবেও অনুকূলিত কৰা হৈছে আৰু ই 100 Ω ইনপুট ইম্পেড্যান্সৰ বাবে ডিজাইন কৰা হৈছে যাতে এটা প্যাছিভ ভল্টেজ এম্প্লিফিকেচন আৰু ইম্পেড্যান্স ৰেক্টাইফায়াৰৰ সৈতে মিলি যায়। ৫০০ ওহম লোডৰ বাবে ৯৮০ আৰু ১৮০০ মেগাহাৰ্টছত ৬০% আৰু ১৭% ৰ শীৰ্ষ দক্ষতা প্ৰাপ্ত কৰা হয়। সকলো বেণ্ড একেলগে সংগ্ৰহ কৰাৰ সময়ত এটা কোষৰ স্থানত, মুক্ত চাৰ্কিটৰ বাবে ৩.৭৬ ভল্টৰ এটা ভল্টেজ আৰু ৪.৩ কে ওহ্মৰ এটা লোডৰ বাবে ১.৩৮ ভল্টৰ এটা ভল্টেজ ২৫ মিটাৰ দূৰত্বত ৰেক্টেনাৰ দুটা উপাদানৰ এটা এৰেজ ব্যৱহাৰ কৰি প্ৰাপ্ত কৰা হয়। |
484ac571356251355d3e24dcb23bdd6d0911bd94 | সাম্প্ৰতিক বৈজ্ঞানিক আৰু প্ৰযুক্তিগত অগ্ৰগতিয়ে গ্ৰাফৰ দৰে মডেল কৰা গাঁথনিগত নিদৰ্শনসমূহৰ প্ৰাচুৰ্যতা প্ৰত্যক্ষ কৰিছে। ফলস্বৰূপে, বৃহৎ গ্ৰাফ ডাটাবেছত গ্ৰাফ অন্তৰ্ভুক্তকৰণৰ প্ৰশ্নবোৰ কাৰ্যকৰীভাৱে প্ৰক্ৰিয়া কৰা বিশেষভাৱে আগ্ৰহজনক। গ্ৰাফ ডাটাবেছ G আৰু কোৱাৰী গ্ৰাফ q দিয়া হ লে গ্ৰাফ কন্টেইনমেণ্ট কোৱাৰীয়ে G ৰ সকলো গ্ৰাফ যিসমূহত q উপগ্ৰাফ হিচাপে থাকে সেইবোৰ প্ৰাপ্ত কৰিব লাগে। G ত থকা গ্ৰাফৰ বিশাল সংখ্যাৰ বাবে আৰু উপগ্ৰাফ আইছ মৰ্ফিজম পৰীক্ষাৰ বাবে জটিলতাৰ প্ৰকৃতিৰ বাবে, সৰ্বাত্মক কুৱেৰী প্ৰক্ৰিয়াকৰণ ব্যয় হ্ৰাস কৰিবলৈ উচ্চ-মানৰ গ্ৰাফ সূচীবদ্ধকৰণ ব্যৱস্থা ব্যৱহাৰ কৰা বাঞ্ছনীয়। এই প্ৰবন্ধত আমি গ্ৰাফ ডাটাবেছৰ সঘন বৃক্ষ-বৈশিষ্ট্যৰ ওপৰত ভিত্তি কৰি এটা নতুন ব্যয়-প্ৰভাৱী গ্ৰাফ সূচী পদ্ধতিৰ প্ৰস্তাৱ দিছো। আমি তিনিটা গুৰুত্বপূৰ্ণ দিশৰ পৰা বৃক্ষৰ কাৰ্যকৰীতা আৰু দক্ষতা বিশ্লেষণ কৰোঃ বৈশিষ্ট্য আকাৰ, বৈশিষ্ট্য নিৰ্বাচন ব্যয়, আৰু ছাঁটাই ক্ষমতা। বৰ্তমানৰ গ্ৰাফ-ভিত্তিক সূচী পদ্ধতিতকৈ ভাল ছাঁটনিৰ ক্ষমতা লাভ কৰিবলৈ, আমি ঘন ঘন বৃক্ষ-বৈশিষ্ট্যৰ (Tree) উপৰিও, চাহিদা অনুসৰি কম সংখ্যক বৈষম্যমূলক গ্ৰাফ (∆) নিৰ্বাচন কৰো, পূৰ্বে ব্যয়বহুল গ্ৰাফ খনন প্ৰক্ৰিয়া অবিহনে। আমাৰ অধ্যয়নে প্ৰমাণ কৰে যে (Tree+∆) গ্ৰাফৰ অন্তৰ্ভুক্তকৰণ প্ৰশ্নৰ সমস্যা সমাধানৰ বাবে সূচীকৰণ উদ্দেশ্যৰ বাবে গ্ৰাফতকৈ ভাল পছন্দ, (Tree+∆ ≥Graph) চিহ্নিত। ইয়াৰ দুটা অৰ্থ আছে: (1) (Tree+∆) ৰ দ্বাৰা সূচক নিৰ্মাণ কাৰ্য্যকৰী, আৰু (2) (Tree+∆) ৰ দ্বাৰা গ্ৰাফ কন্টেইনমেন্ট কুৱেৰী প্ৰক্ৰিয়া কাৰ্য্যকৰী। আমাৰ পৰীক্ষামূলক অধ্যয়নে প্ৰমাণ কৰে যে (Tree+∆) ৰ এটা সংক্ষিপ্ত সূচকৰ গাঁথনি আছে, সূচকৰ নিৰ্মাণত এক আকাৰৰ ভাল প্ৰদৰ্শন অৰ্জন কৰে, আৰু আটাইতকৈ গুৰুত্বপূৰ্ণ, গ্ৰাফ-ভিত্তিক সূচক পদ্ধতিৰ ওপৰত অত্যাধুনিক প্ৰদৰ্শন কৰেঃ gIndex আৰু C-Tree, গ্ৰাফ কন্টেইনমেন্ট কুৱেৰী প্ৰক্ৰিয়াকৰণত। |
22749899b50c5113516b9820f875a580910aa746 | L1 আৰু L2 দুয়োটা বেণ্ড GPS সংকেত গ্ৰহণৰ বাবে বিকশিত এটা সৰু স্লট-লোড পেচ এণ্টেনাৰ ডিজাইন আলোচনা কৰা হৈছে। দ্বৈত বেণ্ড কভাৰেজটো L2 বেণ্ডত পেচ মোড আৰু L1 বেণ্ডত শ্লট মোড ব্যৱহাৰ কৰি প্ৰাপ্ত কৰা হয়। উচ্চ ডাই ইলেক্ট্ৰিক উপাদান আৰু স্লট লাইন ব্যৱহাৰ কৰি এণ্টেনাৰ আকাৰ ২৫.৪ মিমি ব্যাসাৰ্ধলৈ হ্ৰাস কৰা হয়। RHCP দুটা অৰ্ট গ নেল মোডৰ সমন্বয়ৰ দ্বাৰা এটা সৰু 0°-90° হাইব্ৰিড চিপৰ জৰিয়তে প্ৰাপ্ত কৰা হয়। পেচ আৰু স্লট দুয়োটা মোডেই এণ্টেনাৰ ফালে সুবিধাজনকভাৱে অৱস্থিত একক প্ৰক্সিমিটি ছেণ্ডাৰ ভাগ কৰে (চিত্ৰ ১) । এই প্ৰবন্ধত ডিজাইন প্ৰক্ৰিয়াৰ লগতে অনুকৰণ এণ্টেনাৰ কাৰ্যক্ষমতাৰ বিষয়ে আলোচনা কৰা হৈছে। |
afbe59950a7d452ce0a3f412ee865f1e1d94d9ef | শক্তিশালী শিক্ষণ (Reinforcement learning) ৰ জৰিয়তে স্বয়ংচালিত ৰবটবোৰে অতি কম মানুহৰ হস্তক্ষেপৰ সৈতে আচৰণগত দক্ষতাৰ বৃহৎ সংকলন শিকিব পাৰিব। অৱশ্যে, ৰ ব টিক এপ্লিকেশ্যনবোৰে প্ৰায়ে প্ৰকৃত শাৰীৰিক প্ৰণালীৰ বাবে ব্যৱহাৰিক প্ৰশিক্ষণ সময় লাভৰ সপক্ষে শিক্ষণ প্ৰক্ৰিয়াৰ স্বায়ত্তশাসনক আপোচ কৰে। ইয়াৰ ভিতৰত সাধাৰণতে হস্তনিৰ্মিত নীতি প্ৰতিনিধিত্ব আৰু মানৱ-সৰঞ্জামিত প্ৰদৰ্শন অন্তৰ্ভুক্ত কৰা হয়। গভীৰ শক্তিবৰ্ধন শিকণ সাধাৰণ উদ্দেশ্যৰ নিউৰ নেল নেটৱৰ্ক নীতিৰ প্ৰশিক্ষণৰ দ্বাৰা এই সীমাবদ্ধতা দূৰ কৰে, কিন্তু প্ৰত্যক্ষ গভীৰ শক্তিবৰ্ধন শিকণ এলগৰিথমৰ প্ৰয়োগসমূহ এতিয়ালৈকে তেওঁলোকৰ আপাতদৃষ্টিত উচ্চ নমুনা জটিলতাৰ বাবে অনুকৰণ কৰা ছেটিংছ আৰু তুলনামূলকভাৱে সহজ কামত সীমাবদ্ধ হৈ আছে। এই প্ৰবন্ধত আমি দেখুৱাম যে গভীৰ Q-কাৰ্যকৰ্তাৰ অ-নীতি প্ৰশিক্ষণৰ ওপৰত ভিত্তি কৰি শেহতীয়া গভীৰ শক্তিবৰ্ধন শিকাৰ এলগৰিথম জটিল 3D প্ৰক্ৰিয়াকৰণ কাৰ্য্যলৈ স্কেল কৰিব পাৰে আৰু প্ৰকৃত শাৰীৰিক ৰবটসমূহত প্ৰশিক্ষণ দিবলৈ যথেষ্ট দক্ষতাৰে গভীৰ স্নায়ু নেটৱৰ্ক নীতি শিকিব পাৰে। আমি দেখুৱাম যে প্ৰশিক্ষণৰ সময়বোৰ অধিক হ্ৰাস কৰিব পাৰি বহুতো ৰবটত সমান্তৰালভাৱে অ্যালগৰিদম স্থাপন কৰি যিয়ে তেওঁলোকৰ নীতি আপডেটবোৰ এছিংক্ৰ নভাৱে একত্ৰিত কৰে। আমাৰ পৰীক্ষামূলক মূল্যায়নে দেখুৱাইছে যে আমাৰ পদ্ধতিয়ে বিভিন্ন ধৰণৰ 3D হস্তক্ষেপ দক্ষতা অনুকৰণত শিকিব পাৰে আৰু কোনো পূৰ্বৰ প্ৰদৰ্শন বা হাতেৰে ডিজাইন কৰা প্ৰতিনিধিত্ব অবিহনে বাস্তৱ ৰবটত জটিল দুৱাৰ খোলাৰ দক্ষতা শিকিব পাৰে। |
b8aa8b5d06c98a900d8cea61864669b28c3ac0fc | এই প্ৰবন্ধত যান-বাহন পৰিৱেশত ভেহিকুলাৰ বিলম্ব সহনশীল নেটৱৰ্ক (VDTN) ৰ ৰুটিং প্ৰট কলৰ বাবে প্ৰস্তাৱিত ৰুটিং প্ৰট কলৰ এক বিস্তৃত জৰীপ উপস্থাপন কৰা হৈছে। ডিটিএন বিভিন্ন কাৰ্য্যকৰী পৰিৱেশত ব্যৱহাৰ কৰা হয়, য ত বিঘ্ন আৰু সংযোগ বিচ্ছিন্নতা আৰু উচ্চ বিলম্বৰ সৈতে, যেনে ভেহিকুলাৰ এড-হক নেটৱৰ্ক (ভানেট) । আমি এটা বিশেষ ধৰণৰ VANETৰ ওপৰত গুৰুত্ব দিছো য ত যান-বাহনৰ চলাচল সীমিত আৰু যোগাযোগকাৰী পক্ষসমূহৰ মাজত প্ৰত্যক্ষ এণ্ড-টু-এণ্ড পথ সদায় বিদ্যমান নহয়। এই ক্ষেত্ৰত যোগাযোগ ব্যৱস্থাটো যান-বাহনৰ বিলম্ব সহনশীল নেটৱৰ্কৰ (VDTN) শ্ৰেণীত পৰে। RSU (Road Side Unit) ৰ সীমিত প্ৰচাৰ পৰিসৰৰ বাবে, VDTN ত দূৰৱৰ্তী বাহনসমূহে RSU লৈ প্ৰত্যক্ষভাৱে সংযোগ কৰিব নোৱাৰে আৰু সেয়ে পেকেটবোৰ ৰিলে কৰিবলৈ মধ্যৱৰ্তী বাহনৰ ওপৰত নিৰ্ভৰ কৰিবলগীয়া হয়। বাৰ্তা ৰিলে প্ৰক্ৰিয়াৰ সময়ত, উচ্চ-বিভাজিত VANET ত সম্পূৰ্ণ এণ্ড-টু-এণ্ড পথৰ অস্তিত্ব নাথাকিব পাৰে। সেয়েহে, মধ্যৱৰ্তী বাহনসমূহে বাৰ্তাসমূহক সুবিধাজনকভাৱে বুফাৰ আৰু ফৰৱাৰ্ড কৰিব লাগিব। বুফাৰ, কাৰে আৰু ফৰৱাৰ্ডৰ জৰিয়তে, বাৰ্তাটো অৱশেষত গন্তব্যস্থানলৈ প্ৰদান কৰিব পাৰি যদিও উৎস আৰু গন্তব্যস্থানৰ মাজত এণ্ড-টু-এণ্ড সংযোগ কেতিয়াও নাথাকে। DTN ৰ ৰুটিং প্ৰট কলৰ প্ৰধান উদ্দেশ্য হৈছে শেষৰ পৰা শেষলৈ বিলম্ব হ্ৰাস কৰাৰ সময়ত গন্তব্য স্থানলৈ প্ৰদানৰ সম্ভাৱনা বৃদ্ধি কৰা। লগতে, যানবাহন নেটৱৰ্কৰ DTN ৰুটিংৰ বাবে যানবাহন ট্ৰাফিক মডেল গুৰুত্বপূৰ্ণ কিয়নো DTN ৰুটিং প্ৰট কলৰ কাৰ্যক্ষমতা নেটৱৰ্কৰ জনসংখ্যা আৰু গতিশীলতা মডেলৰ সৈতে ঘনিষ্ঠভাৱে সম্পৰ্কিত। ২০১৪ এলেছভিয়াৰ বি.ভি. সকলো অধিকাৰ সংৰক্ষিত। |
4555fd3622908e2170e4ffdd717b83518b123b09 | এই প্ৰবন্ধত এণ্টেনা এটাৰ পাৰামিটাৰসমূহত প্ৰভাৱ দেখুওৱা হৈছে যেতিয়া এণ্টেনাটো এটা ধাতব প্লেটৰ ওচৰত অনুভূমিকভাৱে স্থাপন কৰা হয়। প্লেটটোৰ আকাৰ সীমিত আৰু আয়তক্ষেত্ৰাকাৰ আকৃতিৰ। এটা ভাঁজযুক্ত ডাইপল এণ্টেনা ব্যৱহাৰ কৰা হয় আৰু ইয়াক প্লেটৰ ওপৰত সমতুল্যভাৱে স্থাপন কৰা হয়। এণ্টেনাৰ পাৰামিটাৰসমূহৰ প্লেটৰ আকাৰ আৰু প্লেট আৰু এণ্টেনাৰ মাজৰ দূৰত্বৰ ওপৰত নিৰ্ভৰশীলতা অনুকৰণ কৰিবলৈ FEM (ফিনিট এলিমেণ্ট পদ্ধতি) ব্যৱহাৰ কৰা হয়। মেটেল প্লেটৰ উপস্থিতি, যদিহে ই সঠিক দূৰত্বত থাকে, তেন্তে ই এণ্টেনাৰ আচৰণত অতি ডাঙৰ পৰিৱৰ্তন ঘটায়। প্লেটটো যিমান ডাঙৰ, বিশেষকৈ বহল, তেনেকৈ ৰেডিয়েশ্যন পট্ৰ নৰ ল ববোৰ তীক্ষ্ণ আৰু সংকীৰ্ণ হয়। এণ্টেনাৰ উচ্চতাই নিৰ্ধাৰণ কৰে যে ৰেডিয়েশ্যন পট্ৰামৰ কিমানটা ল ব আছে। এণ্টেনাৰ উচ্চতা বৃদ্ধিৰ লগে লগে এণ্টেনাৰ পৰিমাপকৰ সংখ্যা, যাৰ ভিতৰত আছে প্ৰতিবন্ধকতা, নিৰ্দেশকতা আৰু সন্মুখৰ পৰা পিছলৈ অনুপাত, সময়ে সময়ে সলনি হয়। ধাতব প্লেটৰ প্ৰভাৱত এণ্টেনাৰ ৰিজ নান্স ফ্ৰেক্ভেন্সিও সলনি হয়। |
d70cd3d2fe0a194321ee92c305976873b883d529 | এটা ব্ৰডবেণ্ড 57.7-84.2 GHz ফেজ শিফ্টাৰ এটা কমপেক্ট লেংজ কপলাৰ ব্যৱহাৰ কৰি ইন-ফেজ আৰু স্কোৱাড্ৰেচাৰ সংকেত উৎপন্ন কৰিবলৈ উপস্থাপন কৰা হৈছে। লেংজ কপলাৰটোৰ পিছত দুটা বেলুন ট্ৰেন্সফৰ্মাৰ থাকে যিয়ে আই কিউ ভেক্টৰক ডিফাৰেন্সিয়েল আই আৰু কিউ সংকেতৰে প্ৰণয়ন কৰে। প্ৰয়োগ কৰা ফেজ শিফ্টাৰে গড় ৬ ডিবি অন্তৰ্ভুক্তি ক্ষতি আৰু ৫ ডিবি লাভৰ বৈকল্পিকতা প্ৰদৰ্শন কৰে। পৰিমাপ কৰা গড় rms পৰ্যায় আৰু লাভৰ ত্ৰুটি ক্ৰমে ৭ ডিগ্ৰী আৰু ১ ডিচিবি। ফেজ শিফ্টাৰটো গ্ল বেলফাউণ্ড্ৰিজৰ ৪৫-এনএম এছঅ আই চিএমঅ এচ প্ৰযুক্তিৰ দ্বাৰা ট্ৰাপ-সমৃদ্ধ ছাবষ্ট্ৰেটৰ ব্যৱহাৰ কৰি প্ৰয়োগ কৰা হৈছে। চিপৰ এলেকা ৩৮৫ μm × ২৮৫ μm আৰু ফেজ শিফ্টাৰ ১৭ mWতকৈ কম ব্যৱহাৰ কৰে। লেখকৰ জ্ঞানৰ মতে, এইটো হৈছে প্ৰথম ফেজ শিফ্টাৰ যি ৬০ গিগাহাৰ্টছ বেণ্ড আৰু ই-বেণ্ড দুয়োটা ফ্ৰেক্সিয়েৰে ৩৭% ভ্ৰুক্ৰীয় বেণ্ডউইডথৰ সৈতে আচ্ছাদন কৰে। |
eb58118b9db1e95f9792f39c3780dbba3bb966cb | এই প্ৰবন্ধত ষ্ট্ৰ ক বা পাৰ্কিছন ছ ৰোগত আক্ৰান্ত ৰোগীৰ ক্ষেত্ৰত পৰিমাণগত পৰিমাপ লাভ কৰিবলৈ আৰু স্থানিক-সময়িক গতিৰ ধৰণসমূহৰ পৰা ক্লিনিকাল সূচকসমূহ অনুসন্ধান কৰিবলৈ এটা পৰিধানযোগ্য অৱক্ষয়ী পৰিমাপ প্ৰণালী আৰু ইয়াৰ সৈতে সংযুক্ত স্থানিক-সময়িক গতিৰ বিশ্লেষণ এলগৰিথমৰ বিষয়ে আলোচনা কৰা হৈছে। এই পৰিধানযোগ্য প্ৰণালীটো এটা মাইক্ৰ কন্ট্ৰলাৰ, এটা ত্ৰিঅক্ষীয় ত্বৰণমাপক, এটা ত্ৰিঅক্ষীয় জাইৰস্কোপ আৰু এটা আৰএফ ৱায়াৰলেছ ট্ৰান্সমিচন মডিউলৰ দ্বাৰা গঠিত। স্পেচিয়েট ম্পৰেল গেইট এনালাইছিছ এলগৰিথম, য ত ইনাৰ্চিয়েল চিগনেল অধিগ্ৰহণ, চিগনেল প্ৰিপ্ৰচেছিং, গেইট ফেজ ডিটেকচন আৰু আঙুলীৰ গতিৰ পৰিসৰৰ অনুমান পদ্ধতি অন্তৰ্ভুক্ত থাকে, ইয়াক ত্বৰণ আৰু কৌণিক বেগৰ পৰা গেইটৰ বৈশিষ্ট্য আহৰণৰ বাবে বিকশিত কৰা হৈছে। সঠিকভাৱে গলখাতৰ গতিৰ পৰিসৰ অনুমান কৰিবলৈ আমি একত্ৰিত ত্বৰণ আৰু কোণীয় বেগসমূহক এক পৰিপূৰক ফিল্টাৰত সংযুক্ত কৰিছো যাতে নিষ্ক্ৰিয় সংকেতৰ সংহতকৰণ ত্ৰুটিৰ সংগ্ৰহ হ্ৰাস কৰিব পৰা যায়। সকলো ২৪ জন অংশগ্ৰহণকাৰীয়ে তেওঁলোকৰ ভৰিৰ ওপৰত এই ব্যৱস্থাটো স্থাপন কৰি ১০ মিটাৰ দৈৰ্ঘ্যৰ এটা সৰল ৰেখাত সাধাৰণ গতিত খোজকাঢ়িছিল আৰু প্ৰস্তাৱিত ব্যৱস্থা আৰু এলগৰিথমৰ কাৰ্যকৰীতা প্ৰমাণ কৰিবলৈ তেওঁলোকৰ খোজৰ ৰেকৰ্ডিং সংগ্ৰহ কৰা হৈছিল। পৰীক্ষামূলক ফলাফলৰ পৰা দেখা গৈছে যে পৰিকল্পিত স্থানিক-কালীন পদব্ৰজে বিশ্লেষণ এলগৰিথমৰ সৈতে প্ৰস্তাৱিত অৱক্ষয়ী জোখৰ প্ৰণালীটো স্বয়ংক্ৰিয়ভাৱে স্থানিক-কালীন পদব্ৰজে তথ্য বিশ্লেষণৰ বাবে এক আশাব্যঞ্জক সঁজুলি, যি ষ্ট্ৰোক বা পাৰ্কিছন ছ ৰোগৰ চিনাক্তকৰণৰ বাবে চিকিৎসা কাৰ্য্যকৰীতা নিৰীক্ষণৰ বাবে ক্লিনিকেল সূচক হিচাপে কাম কৰে। |
7e7f14f325d7e8d70e20ca22800ad87cfbf339ff | এই প্ৰকাশনত পুনঃপ্ৰকাশিত প্ৰবন্ধ আছে যাৰ বাবে আই ই ই ইৰ কপিৰাইট নাই। এই প্ৰবন্ধসমূহৰ সম্পূৰ্ণ পাঠ IEEE Xplore ত উপলব্ধ নহয়। |
002a8b9ef513d46dc8dcce85c04a87ae6a221b4c | আমি প্ৰত্যাৱৰ্তন আৰু শ্ৰেণীবিভাজনৰ বাবে এটা নতুন শ্ৰেণীৰ সমৰ্থন ভেক্টৰ এলগৰিথমৰ প্ৰস্তাৱ দিছো। এই এলগৰিথমবোৰত, এটা পৰিমাপে এজনক সহায়ক ভেক্টৰৰ সংখ্যা কাৰ্যকৰীভাৱে নিয়ন্ত্ৰণ কৰিবলৈ দিয়ে। যদিও ই নিজে নিজে উপযোগী হ ব পাৰে, পৰ্যাপ্তীকৰণৰ অতিৰিক্ত লাভ হ ল যে ই আমাক এলগৰিদমৰ আন এটা মুক্ত পৰ্যাপ্তিক দূৰ কৰিবলৈ সক্ষম কৰেঃ ৰিগ্ৰেছন ক্ষেত্ৰত সঠিকতা পৰ্যাপ্ততা, আৰু শ্ৰেণীবিভাজনৰ ক্ষেত্ৰত নিয়মীয়াকৰণ ধ্ৰুবক C। আমি অ্যালগৰিদমৰ বিৱৰণ দিওঁ, কিছুমান তাত্ত্বিক ফলাফল দিওঁ, যিবোৰৰ অৰ্থ আৰু নিৰ্বাচন সম্পৰ্কীয় আৰু পৰীক্ষামূলক ফলাফলৰ প্ৰতিবেদন দিওঁ। |
0911bcf6bfff20a84a56b9d448bcb3d72a1eb093 | এটা অ ট এনকোডাৰৰ নিয়মীয়া প্ৰশিক্ষণৰ ফলত সাধাৰণতে লুকাই থকা একক পক্ষপাতৰ সৃষ্টি হয় যিয়ে বৃহৎ ঋণাত্মক মান গ্ৰহণ কৰে। আমি দেখুৱাম যে নেতিবাচক পক্ষপাত এটা গোপন স্তৰ ব্যৱহাৰ কৰাৰ এটা স্বাভাৱিক ফলাফল যাৰ দায়িত্ব হ ল ইনপুট ডাটা প্ৰতিনিধিত্ব কৰা আৰু প্ৰতিনিধিত্বৰ ক্ষীপ্ৰতা নিশ্চিত কৰা এটা নিৰ্বাচন ব্যৱস্থা হিচাপে কাৰ্য কৰা। আমি দেখুৱাই দিওঁ যে নেতিবাচক পক্ষপাতৰ ফলত তথ্য বিতৰণৰ শিকনত বাধা আহে যাৰ অন্তৰ্নিহিত মাত্ৰাধিকতা উচ্চ। আমি এটা নতুন সক্ৰিয়কৰণ কাৰ্য্যও প্ৰস্তাৱ কৰিছো যি লুকাই থকা স্তৰৰ দুটা ভূমিকা পৃথক কৰে আৰু যি আমাক অতি উচ্চ আভ্যন্তৰীণ মাত্ৰাৱলী থকা তথ্যৰ উপস্থাপন শিকিবলৈ অনুমতি দিয়ে, য ত সাধাৰণ অটো এনকোডাৰবোৰ বিফল হয়। যিহেতু decoupled সক্ৰিয়কৰণ কাৰ্য্যটো এটা অন্তৰ্নিহিত নিয়মীয়াকৰণকাৰী হিচাপে কাম কৰে, মডেলটোক প্ৰশিক্ষণ তথ্যৰ পুনৰ্নিৰ্মাণ ত্ৰুটি কম কৰি প্ৰশিক্ষণ দিব পাৰি, কোনো অতিৰিক্ত নিয়মীয়াকৰণৰ প্ৰয়োজন নোহোৱাকৈ। |
27f9b805de1f125273a88786d2383621e60c6094 | এই প্ৰবন্ধত আমি গতি নিয়ন্ত্ৰণ আৰু স্থিতি অনুমান উন্নত কৰিবলৈ ট্ৰেকযুক্ত ম বাইল ৰবটৰ বাবে এক গতিশীল পদ্ধতিৰ প্ৰস্তাৱ দিছো। ৰেলপথৰ গতিবেগ আৰু ৰেলপথৰ মাটিৰ ক্ৰিয়া-প্ৰতিক্ৰিয়াৰ বাবে জটিল গতিবিধিৰ বাবে ৰেলপথৰ গতিবেগসমূহৰ ভিত্তিত বাহনৰ সঠিক গতিৰ ভৱিষ্যদ্বাণী কৰাটো কঠিন হৈ পৰে। তথাপিও, স্বায়ত্তশাসিত নেভিগেশ্যনৰ বাবে বাস্তৱ-সময় গণনাবোৰত লুপত গতিশীলতা প্ৰৱৰ্তন নকৰাকৈ কাৰ্যকৰী গতিবিজ্ঞান আনুমানিক প্ৰয়োজন। প্ৰস্তাৱিত সমাধানটো এই সত্যৰ ওপৰত ভিত্তি কৰি প্ৰস্তুত কৰা হৈছে যে গতি সমতলখনৰ ওপৰত থকা ট্ৰেডাৰসমূহৰ তৎকালীন ঘূৰ্ণন কেন্দ্ৰ (ICRs) গতিশীলতা-নিৰ্ভৰশীল, কিন্তু ই সীমিত অঞ্চলৰ ভিতৰত থাকে। এইদৰেই, এটা বিশেষ ভূমিৰ বাবে ধ্ৰুবক ICR অৱস্থান অনুকূলিতকৰণৰ ফলত ট্ৰেকযুক্ত ম বাইল ৰবটৰ বাবে এক আনুমানিক গতিশীল মডেলৰ ফলাফল পোৱা যায়। গতিশীল পৰামিতিৰ অফলাইন অনুমানৰ বাবে দুটা ভিন্ন পদ্ধতি প্ৰদৰ্শন কৰা হৈছে: (i) যানবাহনৰ সমগ্ৰ বেগ পৰিসৰৰ বাবে গতিশীল মডেলৰ স্থিৰ প্ৰতিক্ৰিয়াৰ অনুকৰণ; (ii) পৰীক্ষামূলক ছেটআপৰ প্ৰৱৰ্তন যাতে জেনেটিক এলগৰিথমে প্ৰকৃত ছেন্সৰৰ পৰা মডেলটো উৎপন্ন কৰিব পাৰে। এই পদ্ধতিসমূহ অন লাইন ওডোমেট্ৰিক গণনা আৰু মধ্যম গতিত কঠোৰ পৃষ্ঠৰ সমতল মাটিত অৰিগা মোবাইল ৰবটৰ সৈতে নিম্ন স্তৰৰ গতি নিয়ন্ত্ৰণৰ বাবে মূল্যায়ন কৰা হৈছে। মূল শব্দসমূহ- ট্ৰেকিং বাহন, গতিশীল নিয়ন্ত্ৰণ, ম বাইল ৰবট, পৰিমাপকৰ চিনাক্তকৰণ, গতিশীলতা অনুকৰণ |
04caa1a55b12d5f3830ed4a31c4b47921a3546f2 | ক্ৰম, বৃক্ষ আৰু গ্ৰাফৰ দৰে গাঁথনিবদ্ধ তথ্যৰ বাবে ডিজাইন কৰা কাৰ্নেল ক্লাছিফায়াৰ আৰু ৰিগ্ৰেছৰে কম্পিউটেশ্যনেল জীৱবিজ্ঞান আৰু ঔষধ ডিজাইনৰ দৰে বহুতো আন্তঃবিভাগীয় ক্ষেত্ৰৰ উল্লেখযোগ্য অগ্ৰগতি সাধন কৰিছে। সাধাৰণতে, কাৰ্নেলবোৰ পূৰ্বতে এটা ডাটা টাইপৰ বাবে ডিজাইন কৰা হয় যিয়ে গঠনসমূহৰ পৰিসংখ্যা ব্যৱহাৰ কৰে বা সম্ভাব্যতাপূৰ্ণ উৎপাদক মডেল ব্যৱহাৰ কৰে, আৰু তাৰ পিছত এটা বৈষম্যমূলক শ্ৰেণীবিভাগক কনভেক্স অপ্টিমাইজেশ্যনৰ জৰিয়তে কাৰ্নেলসমূহৰ ওপৰত ভিত্তি কৰি শিকোৱা হয়। অৱশ্যে, এনে এক আকৰ্ষণীয় দুপদক্ষেপ পদ্ধতিয়েও কোটি কোটি তথ্যৰ পইণ্ট স্কেল কৰাৰ পৰা কাৰ্নেল পদ্ধতিবোৰক সীমিত কৰে, আৰু বৈশিষ্ট্যৰ প্ৰতিনিধিত্ব শিকিবলৈ বৈষম্যমূলক তথ্যৰ শোষণ কৰে। আমি structure2vec নামৰ এটা প্ৰস্তাৱ দিছো, যি হৈছে গঠনমূলক তথ্য প্ৰতিনিধিত্বৰ বাবে এক কাৰ্যকৰী আৰু স্কেলযোগ্য পদ্ধতি, যিটো বৈশিষ্ট্যযুক্ত স্থানসমূহত লুকাই থকা ভৰিবল মডেলসমূহ অন্তৰ্ভুক্ত কৰাৰ ধাৰণা আৰু বৈষম্যমূলক তথ্য ব্যৱহাৰ কৰি এনে বৈশিষ্ট্যযুক্ত স্থানসমূহ শিকাৰ ওপৰত ভিত্তি কৰি। কৌতূহলজনকভাৱে, structure2vec এ গ্ৰাফিক মডেল অনুমান প্ৰক্ৰিয়াৰ সৈতে একেধৰণে ফাংশন মেপিংৰ এটা ক্ৰম সম্পাদন কৰি বৈশিষ্ট্যসমূহ আহৰণ কৰে, যেনে গড় ক্ষেত্ৰ আৰু বিশ্বাস প্ৰসাৰ। লাখ লাখ তথ্যৰ প্ৰয়োগত আমি দেখুৱালো যে structure2vec ২ গুণ বেগত চলে, ১০,০০০ গুণ সৰু মডেল তৈয়াৰ কৰে, একে সময়তে অত্যাধুনিক পূৰ্বানুমানকৰণ প্ৰদৰ্শন কৰে। |
1dc5b2114d1ff561fc7d6163d8f4e9c905ca12c4 | এইটো জনা যায় যে যেতিয়া তথ্যবোৰ অস্বাভাৱিকভাৱে বিতৰণ কৰা হয়, পাৰছনৰ r ৰ তাৎপৰ্য্যৰ এটা পৰীক্ষাই টাইপ I ত্ৰুটিৰ হাৰ বৃদ্ধি কৰিব পাৰে আৰু শক্তি হ্ৰাস কৰিব পাৰে। পৰিসংখ্যা পাঠ্যপুথি আৰু অনুকৰণ সাহিত্যত পাৰছনৰ সম্পৰ্কটোৰ বিভিন্ন বিকল্প প্ৰদান কৰা হৈছে। অৱশ্যে, এই বিকল্পসমূহৰ আপেক্ষিক পাৰদৰ্শিতা অস্পষ্ট হৈ আছে। পিয়াৰছন, স্পীৰ্মানৰ ৰেংক-অৰ্ডাৰ, ৰূপান্তৰ আৰু পুনৰ নমুনা পদ্ধতিকে ধৰি ১২ টা পদ্ধতিৰ তুলনা কৰিবলৈ দুটা অনুকৰণ অধ্যয়ন কৰা হৈছিল। বেছিভাগ নমুনা আকাৰৰ (n ≥ 20) সৈতে, টাইপ I আৰু টাইপ II ত্ৰুটিৰ হাৰ পাৰ্সন সম্পৰ্কটো মূল্যায়ন কৰাৰ আগতে তথ্যবোৰক এটা সাধাৰণ আকাৰলৈ ৰূপান্তৰ কৰি হ্ৰাস কৰা হৈছিল। পৰিৱৰ্তন পদ্ধতিৰ ভিতৰত, সাধাৰণ উদ্দেশ্যৰ ৰেংক-ভিত্তিক বিৰূপ সাধাৰণ পৰিৱৰ্তন (অৰ্থাৎ, ৰেংকিত স্ক ৰলৈ পৰিৱৰ্তন) আটাইতকৈ লাভজনক আছিল। অৱশ্যে, যেতিয়া নমুনাবোৰ সৰু (n ≤ 10) আৰু অত্যন্ত অস্বাভাৱিক আছিল, প্ৰতিলিপি পৰীক্ষাই প্ৰায়ে বিভিন্ন বুটষ্ট্ৰ্যাপ পৰীক্ষাকে ধৰি অন্যান্য বিকল্পবোৰক অতিক্ৰম কৰিছিল। |
d3abb0b5b3ce7eb464846bbdfd93e0fbf505e954 | এই প্ৰবন্ধত আমি তৰল সমন্বিত তৰল পথিক (SIW) ৰ দ্বাৰা সজ্জিত কম্পেক্ট এণ্টেনা এৰেজসমূহৰ তিনিটা ভিন্ন ধাৰণা তুলনা কৰো। এণ্টেনাৰ ধাৰণাসমূহ ৰেডিয়েটৰৰ ধৰণত পৃথক। স্লটবোৰে চুম্বকীয় ৰেখামূলক ৰেডিয়েটৰক প্ৰতিনিধিত্ব কৰে, পেচবোৰ বৈদ্যুতিক পৃষ্ঠৰ ৰেডিয়েটৰ আৰু ভিভাল্ডি স্লটবোৰ ভ্ৰমণ-তরঙ্গ এণ্টেনাৰ অন্তৰ্গত। সেয়ে, এছআইডব্লিউ ফিডাৰবোৰে উত্তেজক এণ্টেনা উপাদানৰ বিভিন্ন পদ্ধতিৰ শোষণ কৰিব লাগে। অধ্যয়ন কৰা এণ্টেনা এৰেজসমূহৰ প্ৰতিবন্ধকতা আৰু বিক্ৰিয়াৰ বৈশিষ্ট্যবোৰ স্বাভাৱিক প্ৰৱণতাৰ সৈতে সম্পৰ্কিত। এণ্টেনা এৰেজসমূহ পৰস্পৰে পৰস্পৰক তুলনা কৰি ডিজাইন কৰা এণ্টেনাসমূহৰ অন্তিম পাৰামিটাৰসমূহৰ এণ্টেনাসমূহৰ অৱস্থা ভেৰিবল, এছআইডব্লিউ ফিডাৰ আৰ্কিটেকচাৰসমূহ আৰু সম্পৰ্কিত ৰূপায়ণৰ বিৱৰণসমূহৰ ওপৰত মৌলিক নিৰ্ভৰশীলতা দেখুৱাবলৈ পাৰস্পৰিকভাৱে তুলনা কৰা হৈছে। |
e4acaccd3c42b618396c9c28dae64ae7091e36b8 | এটা নতুন আই/কিউ ৰিচিভাৰ এৰেজ প্ৰদৰ্শন কৰা হৈছে যি প্ৰতিটো ৰিচিভ চেনেলত ফেজ শিফ্টক অভিযোজিত কৰে যাতে এটা ৰিচিভ বিম এটা ইনচিডেণ্ট আৰএফ চিগনেললৈ পইণ্ট কৰে। মাপ কৰা এৰেজটো ৮.১ গিগাহাৰ্টজেটত কাম কৰে আৰু চাৰিটা উপাদান এৰেজৰ বাবে +/-35 ডিগ্ৰীৰ ষ্টিয়াৰিং এংগলসমূহ সামৰি লয়। ইয়াৰ উপৰিও, ৰিচিভাৰত I/Q ডাউন-কনভাৰ্টাৰ অন্তৰ্ভুক্ত কৰা হৈছে আৰু ইভিএমৰ সৈতে 64QAM 4% তকৈ কম ডিমডুলাইজ কৰা হৈছে। চিপটো ৪৫ এনএম চিএমঅ এছ এছঅ আই প্ৰক্ৰিয়াত নিৰ্মিত আৰু ই ৩.৪৫ মিমি2 এলেকা দখল কৰে আৰু ১৪৩ এমডব্লিউ ডিচি শক্তি ব্যৱহাৰ কৰে। |
149bf28af91cadf2cd933bd477599cca40f55ccd | আমি এটা শিক্ষণ স্থাপত্যৰ প্ৰস্তাৱ দিছো, যি অশোধিত চাক্ষুষ তথ্যৰ ওপৰত ভিত্তি কৰি শক্তিশালী শিক্ষণ কৰিব পাৰে। পূৰ্বৰ পদ্ধতিৰ বিপৰীতে, কেৱল নিয়ন্ত্ৰণ নীতিকেই শিকিব পৰা নাযায়। সফল হ বলৈ, এই ব্যৱস্থাই স্বয়ংক্ৰিয়ভাৱে শিকিব লাগিব যে কেনেকৈ প্ৰাসংগিক তথ্যক উচ্চ-মাত্রিক ইনপুট তথ্যৰ সোঁতৰ পৰা আহৰণ কৰিব লাগে, যাৰ বাবে অৰ্থবিজ্ঞান শিকন ব্যৱস্থাটোত প্ৰদান কৰা নহয়। আমি এই নতুন শিক্ষণ পদ্ধতিৰ প্ৰথম প্ৰমাণ প্ৰদান কৰিছো এটা প্ৰত্যাহ্বানমূলক মানদণ্ডত, যেনে- এটা ৰেচিং গাড়ী চোৱা-চিতা কৰা। ইয়াৰ ফলত সৃষ্টি হোৱা নীতি, যিটো কেৱল সফলতা বা বিফলতাৰ দ্বাৰা শিকিব পাৰি, অভিজ্ঞ মানৱ খেলুৱৈৰ দ্বাৰা ইয়াক প্ৰত্যাহ্বান জনোৱা কঠিন। |
759d9a6c9206c366a8d94a06f4eb05659c2bb7f2 | বৰ্তমানলৈকে, কম্পিউটাৰ দৃষ্টিৰ মেশিন লাৰ্ণিং-ভিত্তিক স্বীকৃতি এলগৰিথমৰ প্ৰায় সকলো পৰীক্ষামূলক মূল্যায়নে "বন্ধ ছেট" স্বীকৃতিৰ ৰূপ লৈছে, যাৰ দ্বাৰা সকলো পৰীক্ষা শ্ৰেণী প্ৰশিক্ষণৰ সময়ত জনা যায়। দৃষ্টি প্ৰয়োগৰ বাবে এটা অধিক বাস্তৱিক দৃশ্যপট হ ল "উন্মুক্ত ছেট" স্বীকৃতি, য ত প্ৰশিক্ষণৰ সময়ত বিশ্বৰ অপূৰ্ণ জ্ঞান উপস্থিত থাকে, আৰু অজ্ঞাত শ্ৰেণীবোৰ পৰীক্ষা কৰাৰ সময়ত এটা এলগৰিথমৰ অধীনত কৰিব পাৰি। এই প্ৰবন্ধত মুক্ত সমষ্টি স্বীকৃতিৰ প্ৰকৃতিৰ বিষয়ে আলোচনা কৰা হৈছে আৰু ইয়াৰ সংজ্ঞা এটা সীমাবদ্ধ ন্যূনতমীকৰণ সমস্যা হিচাপে আনুষ্ঠানিকভাৱে কৰা হৈছে। মুক্ত সমষ্টি স্বীকৃতিৰ সমস্যাটো বৰ্তমানৰ এলগৰিথমৰ দ্বাৰা ভালদৰে সমাধান কৰা নহয় কাৰণ ইয়াৰ বাবে শক্তিশালী সাধাৰণীকৰণৰ প্ৰয়োজন। সমাধানৰ দিশত এক পদক্ষেপ হিচাপে, আমি এটা নৱম 1-vs-set মেশিন প্ৰৱৰ্তন কৰো, যিয়ে এটা সিদ্ধান্ত স্থানক এটা ৰেখামুখী কার্নেল থকা এক-শ্ৰেণী বা বাইনারি SVM ৰ পাৰ্শ্বৱৰ্তী দূৰত্বৰ পৰা নিৰ্ণয় কৰে। এই পদ্ধতিটো কম্পিউটাৰ ভিজনৰ বিভিন্ন প্ৰয়োগৰ ক্ষেত্ৰত প্ৰযোজ্য য ত ওপেন ছেট স্বীকৃতি এক প্ৰত্যাহ্বানমূলক সমস্যা, য ত বস্তু স্বীকৃতি আৰু মুখৰ প্ৰমাণীকৰণ অন্তৰ্ভুক্ত কৰা হৈছে। আমি এই দুয়োটা বিষয় বিবেচনা কৰোঁ, কেলটেক ২৫৬ আৰু ইমেজনেট ছেটত কৰা বৃহৎ স্কেল ক্ৰছ-ডাটাছেট পৰীক্ষাৰ লগতে লেবেলযুক্ত ফেচ ইন দ্য ৱাইল্ড ছেটত কৰা মুখ মিলোৱা পৰীক্ষাৰ সৈতে। এই পৰীক্ষাসমূহে একেটা কামৰ বাবে বৰ্তমানৰ এক শ্ৰেণী আৰু বাইনেৰী SVMৰ তুলনাত মুক্ত ছেটৰ মূল্যায়নৰ বাবে অভিযোজিত মেচিনৰ কাৰ্যকৰীতা উন্মোচিত কৰে। |
00960cb3f5a74d23eb5ded93f1aa717b9c6e6851 | বেইজিয়ান অপ্টিমাইজেশ্যনে অজ্ঞাত, ব্যয়বহুল আৰু মাল্টিম ডেল ফাংশনসমূহৰ গোলকীয় অপ্টিমাইজেশ্যনৰ বাবে এক অতি কাৰ্যকৰী পদ্ধতি হিচাপে প্ৰমাণিত হৈছে। বেইচিয়ান অপ্টিমাইজেশ্যনৰ কাৰ্য্যকৰীতাৰ বাবে কাৰ্য্যকৰী বিতৰণসমূহ সঠিকভাৱে মডেল কৰাৰ ক্ষমতা গুৰুত্বপূৰ্ণ। যদিও গাউছীয় প্ৰক্ৰিয়াসমূহে ফাংশনসমূহৰ ওপৰত নমনীয় পূৰ্বৱৰ্তী প্ৰদান কৰে, বিভিন্ন শ্ৰেণীৰ ফাংশন আছে যি মডেল কৰিবলৈ কঠিন হৈ থাকে। এইসমূহৰ ভিতৰত সৰ্বাধিক ঘনাই হোৱা এটা হৈছে অস্থায়ী কাৰ্য্যসমূহৰ শ্ৰেণী। মেচিন লাৰ্ণিং এলগৰিথমৰ হাইপাৰপাৰামিটাৰসমূহৰ অপ্টিমাইজেশ্যন হৈছে এটা সমস্যা ক্ষেত্ৰ য ত প্ৰায়ে পেৰামিটাৰবোৰ মেনুৱেলী এপ্ৰিঅ ৰি ৰূপান্তৰিত হয়, উদাহৰণস্বৰূপে, স্থানিকভাৱে-বিবৰ্তনশীল দৈৰ্ঘ্যৰ স্কেলৰ প্ৰভাৱ হ্ৰাস কৰিবলৈ লগ-স্পেচ,ত অপ্টিমাইজ কৰি। আমি বিটা সংগ্ৰহীয় বিতৰণ ফাংচন ব্যৱহাৰ কৰি এটা প্ৰণালী বিকাশ কৰো যাতে বিজেক্টিভ পৰিবৰ্তন বা ইনপুট স্পেচৰ ৱাৰ্পিংৰ এটা বিস্তৃত পৰিয়াল স্বয়ংক্ৰিয়ভাৱে শিকিব পাৰি। আমি ৱাৰ্পিং ফ্ৰেমৱৰ্কটো বহুমুখী বেইজিয়ান অপ্টিমাইজেশ্যনৰ বাবে সম্প্ৰসাৰিত কৰিছো যাতে একাধিক টাস্কক একেলগে স্থিৰ স্থানত ৱাৰ্প কৰিব পাৰি। প্ৰত্যাহ্বানমূলক মানদণ্ডৰ অপ্টিমাইজেশ্যন কামৰ এটা সংকলনত আমি লক্ষ্য কৰিছোঁ যে ৱাৰ্পিং অন্তৰ্ভুক্ত কৰাটোৱে অত্যাধুনিক অৱস্থাৰ ওপৰত যথেষ্ট উন্নতি কৰে, উন্নত ফলাফল দ্ৰুত আৰু অধিক নিৰ্ভৰযোগ্যভাৱে প্ৰদান কৰে। |
b53e4c232833a8e663a9cf15dcdd050ff801c05c | আমি বিভিন্ন প্ৰকাৰৰ তথ্যৰ ষ্ট্ৰিমৰ উচ্চ-প্ৰবাহৰ ৰিয়েল টাইম বিশ্লেষণৰ বাবে এটা স্কেলযোগ্য ব্যৱস্থা প্ৰদৰ্শন কৰিছো। আমাৰ স্থাপত্যই প্ৰাক্কলনমূলক বিশ্লেষণ আৰু বিসংগতি চিনাক্তকৰণৰ বাবে মডেলৰ ক্ৰমান্বয়ে বিকাশ সম্ভৱ কৰি তোলে যেতিয়ালৈকে তথ্য প্ৰণালীত প্ৰৱেশ কৰে। বেটচ ডাটা প্ৰচেছিং চিষ্টেম যেনে হাড প, যাৰ উচ্চ লেটেন্সি থাকিব পাৰে, তাৰ বিপৰীতে আমাৰ আৰ্কিটেকচাৰে ডাটা এণ্ট্ৰী আৰু এনালাইছিছৰ সুবিধা দিয়ে, যাৰ দ্বাৰা প্ৰায় বাস্তৱিক সময়ত অস্বাভাৱিক আচৰণ ধৰা পৰে আৰু তাৰ প্ৰতি সঁহাৰি দিয়া হয়। অভ্যন্তৰীণ ভাবুকি, বিত্তীয় জালিয়াতি আৰু নেটৱৰ্ক অনুপ্ৰৱেশৰ দৰে প্ৰয়োগৰ বাবে এই সময়মতেতা গুৰুত্বপূৰ্ণ। আমি এই ব্যৱস্থাৰ প্ৰয়োগ প্ৰদৰ্শন কৰিছো অন্তৰংগ ভাবুকি চিনাক্ত কৰাৰ সমস্যা, অৰ্থাৎ, ব্যৱস্থাৰ ব্যৱহাৰকাৰীৰ দ্বাৰা এটা সংস্থাৰ সম্পদৰ অপব্যৱহাৰ আৰু ৰাজহুৱাভাৱে উপলব্ধ অন্তৰংগ ভাবুকি ডাটাছেটৰ ওপৰত আমাৰ পৰীক্ষাৰ ফলাফল উপস্থাপন কৰিছো। |
39b58ef6487c893219c77c61c762eee5694d0e36 | তথ্য খনিৰ নতুন ক্ষেত্ৰখনত শ্ৰেণীবিভাজনৰ এটা গুৰুত্বপূৰ্ণ সমস্যা। যদিও শ্ৰেণীবিভাজন অতীতত ব্যাপকভাৱে অধ্যয়ন কৰা হৈছে, শ্ৰেণীবিভাজনৰ বেছিভাগ এলগৰিথম কেৱল মেমৰি-আবাসিক তথ্যৰ বাবে ডিজাইন কৰা হৈছে, যাৰ ফলত বৃহৎ তথ্য ছেটৰ বাবে তেওঁলোকৰ উপযুক্ততা সীমিত হয়। এই প্ৰবন্ধত স্কেলেবল ক্লাছাৰ নিৰ্মাণৰ সমস্যাসমূহ আলোচনা কৰা হৈছে আৰু এছ এল আই কিউ, এক নতুন ক্লাছাৰ ডিজাইন কৰা হৈছে। SLIQ হৈছে এটা সিদ্ধান্ত বৃক্ষ শ্ৰেণীবিভাজন যিয়ে সংখ্যাসূচক আৰু শ্ৰেণীবিভাজন উভয় গুণাবলীকে সামৰি ল ব পাৰে। ই গছ-বৃদ্ধিকৰণ পৰ্যায়ত এটা নতুন প্ৰাক-শ্ৰেণীবদ্ধকৰণ কৌশল ব্যৱহাৰ কৰে। এই ছাৰ্টিং প্ৰক্ৰিয়াটো ব্ৰডথাৰষ্ট গছ বৃদ্ধিৰ কৌশলৰ সৈতে একত্ৰিত কৰা হয় যাতে ডিস্ক-আবাসিক ডাটা ছেটৰ শ্ৰেণীবিভাজন সম্ভৱ হয়। SLIQ এ এটা নতুন বৃক্ষ-ছাঁত কৰা এলগৰিথমো ব্যৱহাৰ কৰে যি সুলভ, আৰু ইয়াৰ ফলত কমপেক্ট আৰু সঠিক গছ পোৱা যায়। এই কৌশলসমূহৰ সংমিশ্ৰণে SLIQ ক বৃহৎ ডাটা ছেটৰ বাবে স্কেল কৰিবলৈ আৰু ডাটা ছেটসমূহক শ্ৰেণী, গুণ, আৰু উদাহৰণ (ৰেকৰ্ড) ৰ সংখ্যাৰ ওপৰত নিৰ্ভৰ কৰি শ্ৰেণীবিভাজন কৰিবলৈ সক্ষম কৰে, যাৰ ফলত ই ডাটা মাইনিংৰ বাবে এটা আকৰ্ষণীয় সঁজুলি হৈ পৰে। |
1f25ed3c9707684cc0cdf3e8321c791bc7164147 | শ্ৰেণীবিভাজন হৈছে এটা গুৰুত্বপূৰ্ণ তথ্য খনিৰ সমস্যা। যদিও শ্ৰেণীবিভাজন এটা ভালকৈ অধ্যয়ন কৰা সমস্যা, বৰ্তমান শ্ৰেণীবিভাজনৰ বেছিভাগ এলগৰিথমৰ বাবে প্ৰয়োজন হয় যে সমগ্ৰ ডাটা ছেটৰ সকলো বা এটা অংশ চিৰস্থায়ীভাৱে মেমৰিত থাকে। ই বৃহৎ ডাটাবেছসমূহত খনিৰ বাবে তেওঁলোকৰ উপযুক্ততা সীমিত কৰে। আমি এটা নতুন সিদ্ধান্ত বৃক্ষ-ভিত্তিক শ্ৰেণীবিভাজন এলগৰিথম, যাক স্প্ৰিন্ট বুলি কোৱা হয়, যি সকলো মেমৰি সীমাবদ্ধতা আঁতৰ কৰে, আৰু দ্ৰুত আৰু স্কেলযোগ্য। এই এলগৰিথমটো সহজে সমান্তৰাল কৰিব পৰা হ বলৈ ডিজাইন কৰা হৈছে, যাৰ বাবে বহুতো প্ৰচেছৰক একেলগে কাম কৰি এটা একক ধাৰাবাহিক মডেল নিৰ্মাণ কৰিবলৈ অনুমতি প্ৰদান কৰে। এই সমান্তৰালকৰণ, ইয়াত উপস্থাপন কৰা হৈছে, অতি উন্নত স্কেলিবিলিটিও প্ৰদৰ্শন কৰিছে। এই বৈশিষ্ট্যসমূহৰ সংমিশ্ৰণে প্ৰস্তাৱিত এলগৰিথমক ডাটা মাইনিংৰ বাবে এক আদৰ্শ সঁজুলি কৰি তোলে। |
7c3a4b84214561d8a6e4963bbb85a17a5b1e003a | |
76c87ec44fc5dc96bc445abe008deaf7c97c9373 | এই প্ৰবন্ধত এটা সমতল গ্ৰীড এৰে এণ্টেনা প্ৰদৰ্শন কৰা হৈছে য ত ষ্টেণ্ডাৰ্ড কোমল ছাবষ্ট্ৰেটৰ একক স্তৰত ১০০ Ω ডিফাৰেন্সিয়েল মাইক্ৰ ষ্ট্ৰীপ লাইন ফিড দিয়া হৈছে। অটোমোবাইল ৰেডাৰ এপ্লিকেচনৰ বাবে এণ্টেনাটো ৭৯ গিগাহেৰ্টছ ফ্ৰেক্সেন্স বেণ্ডত কাম কৰে। ইয়াৰ একক শাৰী ডিজাইনে উচ্চতাত এটা সংকীৰ্ণ বিম আৰু এজিমুতত এটা বহল বিম প্ৰদান কৰে। ডিফাৰেন্সিয়েল মাইক্ৰ ষ্ট্ৰীপ লাইন ফিডিংৰ সৈতে এই এণ্টেনাটো ফ্ৰেক্সিয়েন্সৰ পৰিসৰত ডিফাৰেন্সিয়েল মাল্টিচনেল এমএমআইচিৰ বাবে উপযুক্ত। |
bc7308a97ec2d3f7985d48671abe7a8942a5b9f8 | এই প্ৰবন্ধত সংবেদন বিশ্লেষণৰ এটা পদ্ধতিৰ বিষয়ে উল্লেখ কৰা হৈছে যিয়ে সমৰ্থন ভেক্টৰ মেচিন (SVMs) ব্যৱহাৰ কৰি বিভিন্ন সম্ভাৱ্য তথ্যৰ উৎস একত্ৰিত কৰে, য ত বাক্যাংশ আৰু বিশেষণসমূহৰ বাবে বিভিন্ন অনুকূলতা মাপকাঠি আৰু, য ত উপলব্ধ, পাঠৰ বিষয়ৰ জ্ঞান অন্তৰ্ভুক্ত কৰা হৈছে। প্ৰৱৰ্তন কৰা বৈশিষ্টসমূহ ব্যৱহাৰ কৰি মডেলসমূহক এককগ্ৰাম মডেলৰ সৈতে সংযুক্ত কৰা হয় যি পূৰ্বতে কাৰ্যকৰী হোৱা দেখুৱাইছে (পাং আৰু আন, ২০০২) আৰু এককগ্ৰাম মডেলৰ লেমমেটাইজড সংস্কৰণ। Epinions.com ৰ পৰা চলচ্চিত্ৰ সমীক্ষা তথ্যৰ ওপৰত কৰা পৰীক্ষাই প্ৰমাণ কৰে যে হাইব্ৰিড SVM য়ে যি একক গ্ৰাম শৈলীৰ বৈশিষ্ট্য-ভিত্তিক SVM ৰ সৈতে বাস্তৱ-মূল্যবান অনুকূলতা মাপদণ্ডৰ ওপৰত ভিত্তি কৰি উন্নত প্ৰদৰ্শন লাভ কৰে, এই তথ্য ব্যৱহাৰ কৰি এতিয়ালৈকে প্ৰকাশিত সৰ্বশ্ৰেষ্ঠ ফলাফলৰ সৃষ্টি কৰে। বিষয়বস্তুৰ বাবে সংজ্ঞাবদ্ধ সংগীত সমীক্ষাৰ সৰু ডাটাছেটত বিষয়বস্তুৰ তথ্যৰে সমৃদ্ধ বৈশিষ্ট্য ছেট ব্যৱহাৰ কৰি অধিক পৰীক্ষা-নিৰীক্ষাৰ বিষয়েও কোৱা হৈছে, যাৰ ফলাফলত বিষয়বস্তুৰ তথ্যক এনে মডেলত অন্তৰ্ভুক্ত কৰাৰ ফলত উন্নতিও হ ব পাৰে। |
be389fb59c12c8c6ed813db13ab74841433ea1e3 | শিখা ১. মোৰ আমি iMapper, এটা পদ্ধতি প্ৰদৰ্শন কৰিছো যিয়ে বস্তুসমূহৰ সৈতে মানুহৰ ক্ৰিয়া-প্ৰতিক্ৰিয়াৰ বিষয়ে যুক্তি প্ৰদান কৰে, যাতে এটা দৃশ্যৰ ব্যৱস্থা আৰু মানৱ গতি উভয়ে পুনৰুদ্ধাৰ কৰিব পাৰে, যি এটা ইনপুট একক ভিডিঅ ৰ শ্ৰেষ্ঠ ব্যাখ্যা (ইনছেট চাওক) । আমি ভিডিঅ টোত দৃশ্য (যেনে, A, B, C) নামৰ বৈশিষ্টসূচক ক্ৰিয়া-প্ৰতিক্ৰিয়াবোৰ সামৰি লওঁ আৰু ইয়াক ব্যৱহাৰ কৰি এটা সম্ভৱপৰ বস্তু বিন্যাস আৰু মানৱ গতিপথ (বাওঁফালে) পুনৰ্নিমাণ কৰোঁ। মূল প্ৰত্যাহ্বানটো হ ল যে নিৰ্ভৰযোগ্য ফিটিংৰ বাবে অজ্ঞাত (অৰ্থাৎ, লটেন্ট) হোৱা অকলশৰীয়াতাৰ বিষয়ে তথ্যৰ প্ৰয়োজন। (সোঁ) আমি আমাৰ ফলাফলৰ এটা ওভাৰলে (উপৰৰ পৰা) প্ৰদৰ্শন কৰো, য ত মেনুৱেলী এনাটেড গ্ৰাউণ্ডট্ৰুথ অবজেক্ট প্লেচমেণ্ট আছে। লক্ষ্য কৰক যে বস্তু শ্ৰেণী, অৱস্থান আৰু আকাৰৰ তথ্যৰ ওপৰত ভিত্তি কৰি বস্তু মেছ স্থাপন কৰা হয়। |
f24a1af3bd8873920593786d81590d29520cfebc | এই পত্ৰখনত বহুস্তৰীয় ছাবষ্ট্ৰেট ইণ্টিগ্ৰেটেড ৱেভগাইড (MSIW) কৌশল ভিত্তিক এক নৱম এলিপ্টিক ফিল্টাৰৰ ডিজাইন আৰু পৰীক্ষাৰ বিষয়ে উল্লেখ কৰা হৈছে। চাৰিটা ভাঁজযুক্ত এমএছআইডব্লিউ গুহ্যযুক্ত চি-বেণ্ড এলিপ্টিক ফিল্টাৰ এটা উচ্চ-প্ৰাৱণতা গঠন ছিমুলেটৰ ছফ্টৱেৰ ব্যৱহাৰ কৰি অনুকৰণ কৰা হয় আৰু দুটা স্তৰৰ ছপা ছাৰ্বিট বোৰ্ড প্ৰক্ৰিয়াৰ সৈতে নিৰ্মিত হয়, জোখা ফলাফলবোৰে ভাল প্ৰদৰ্শন দেখুৱায় আৰু অনুকৰণ কৰা ফলাফলৰ সৈতে সন্মত হয়। |
8052bc5f9beb389b3144d423e7b5d6fcf5d0cc4f | গুণসমূহ হৈছে বস্তুসমূহৰ মাজত থকা অৰ্থগত দৃশ্যমান বৈশিষ্ট্য। ই বস্তু চিনাক্তকৰণ আৰু বিষয়বস্তু-ভিত্তিক ছবি অনুসন্ধান উন্নত কৰিবলৈ প্ৰদৰ্শন কৰা হৈছে। যদিও গুণসমূহ একাধিক শ্ৰেণী সামৰি ল ব বুলি আশা কৰা হয়, উদাহৰণ স্বৰূপে, ডালমেটিয়ান আৰু তিমি দুয়োবিধৰেই "মৃদু ছাল" থাকিব পাৰে, আমি দেখিবলৈ পাওঁ যে একেটা বৈশিষ্ট্যৰ উপস্থিতি বিভিন্ন শ্ৰেণীত যথেষ্ট ভিন্ন। এনেদৰে, এটা শ্ৰেণীত শিকি লোৱা এটা বৈশিষ্ট্য মডেল আন এটা শ্ৰেণীত ব্যৱহাৰযোগ্য নহ বও পাৰে। আমি দেখুৱাম কেনেকৈ নতুন শ্ৰেণীৰ প্ৰতি এট্ৰিবুট মডেলসমূহ খাপ খোৱা যায়। আমি নিশ্চিত কৰোঁ যে শ্ৰেণীৰ উৎস ড মেইন আৰু এক নতুন লক্ষ্য ড মেইনৰ মাজত ইতিবাচক স্থানান্তৰ হ ব পাৰে, এটা বৈশিষ্ট্যৰ উপ-অৱস্থানত শিকাৰ দ্বাৰা বৈশিষ্ট্য নিৰ্বাচনৰ দ্বাৰা পোৱা যায় য ত ড মেইনৰ তথ্য বিতৰণ একেই। আমি প্ৰমাণ কৰোঁ যে যেতিয়া উপন্যাস ডোমেইনৰ পৰা তথ্য সীমিত হয়, সেই উপন্যাস ডোমেইনৰ বাবে বৈশিষ্ট মডেলক নিয়মীয়া কৰি সহায়ক ডোমেইনত প্ৰশিক্ষিত মডেলৰ সৈতে (অনুকূলিত SVM ৰ জৰিয়তে) বৈশিষ্ট পূৰ্বানুমানৰ সঠিকতা উন্নত কৰে। |
01094798b20e96e1d029d6874577167f2214c7b6 | দ্ৰুত সমান্তৰাল হেচ টেবুলবোৰ এটা গুৰুত্বপূৰ্ণ বিল্ডিং ব্লক যিদৰে আমি অধিক সংখ্যক ক ৰ আৰু থ্ৰেডলৈ ছিষ্টেম স্কেল কৰো। এই প্ৰবন্ধত উচ্চ-প্ৰবাহ আৰু মেমৰি-দক্ষ সমান্তৰাল হেছ টেবুলৰ ডিজাইন, ৰূপায়ণ আৰু মূল্যায়ন উপস্থাপন কৰা হৈছে যি একাধিক পাঠক আৰু লিখকক সমৰ্থন কৰে। এই ডিজাইনটো চিস্টেম-স্তৰৰ অপ্টিমাইজেশ্যনৰ প্ৰতি যত্নশীল মনোযোগৰ পৰা উদ্ভূত হয় যেনে ক্ৰিটিক ছেকশ্যন দৈৰ্ঘ্য হ্ৰাস কৰা আৰু এলগৰিদম পুনৰ অভিযান্ত্ৰিকৰণৰ জৰিয়তে আন্তঃপ্ৰক্ৰিয়াকৰণ সংহতি ট্ৰাফিক হ্ৰাস কৰা। এই অভিযান্ত্ৰিকতাৰ আৰ্হিগত ভিত্তিৰ অংশ হিচাপে, আমি এই গুৰুত্বপূৰ্ণ বিল্ডিং ব্লকলৈ ইন্টেলৰ শেহতীয়া হাৰ্ডৱেৰ লেনদেন মেমৰি (এইচটিএম) সমৰ্থন গ্ৰহণ কৰি আমাৰ অভিজ্ঞতা আৰু ফলাফলৰ আলোচনা অন্তৰ্ভুক্ত কৰোঁ। আমি দেখিবলৈ পাইছো যে, বৰ্তমান ডাটা স্ট্ৰাকচাৰত এটা গধুৰ-গধুৰ লক ব্যৱহাৰ কৰি সমান্তৰালভাৱে প্ৰৱেশৰ অনুমতি দিয়াটোৱে অধিক থ্ৰেডৰ সৈতে সামগ্ৰিক কাৰ্যক্ষমতা হ্ৰাস কৰে। এইচটিএম-এ এই ধীৰে গতি কিছু পৰিমাণে হ্ৰাস কৰে যদিও ইয়াক দূৰ নকৰে। উচ্চ কাৰ্যক্ষমতা অৰ্জন কৰিবলৈ HTM আৰু সূক্ষ্ম-কণাযুক্ত লকিংৰ বাবে ডিজাইন দুয়োটাই উপকৃত হোৱা এলগৰিথমিক অপ্টিমাইজেশ্যন প্ৰয়োজন। আমাৰ কাৰ্যক্ষমতা ফলাফলবোৰে প্ৰমাণ কৰে যে আমাৰ নতুন হেচ টেবুল ডিজাইন---উত্তীৰ্ণতাবাদী কুকু হেচিংৰ ওপৰত ভিত্তি কৰি---অন্যান্য অপ্টিমাইজড সমান্তৰাল হেচ টেবুলবোৰক লিখিব-ভৰল ৱৰ্কলোডৰ বাবে ২.৫ গুণ পৰ্যন্ত ভালকৈ কাৰ্যক্ষম কৰে, আনকি সৰু কী-ভেল্যু আইটেমসমূহৰ বাবে যথেষ্ট কম মেমৰি ব্যৱহাৰ কৰিও। ১৬-কোৰ মেচিনত আমাৰ হেছ টেবুলটোৱে প্ৰায় ৪০ মিলিয়ন ইনছেট আৰু ৭০ মিলিয়নতকৈও অধিক অনুসন্ধান কাৰ্য প্ৰতি ছেকেণ্ডত সম্পাদন কৰে। |
5685a394b25fcb27b6ad91f7325f2e60a9892e2a | গ্ৰাফৰ দৰে গাঁথনিৰে তথ্য সংৰক্ষণ আৰু পৰিচালনাৰ বাবে পৰম্পৰাগত ডাটাবেছৰ সীমাবদ্ধতা দূৰ কৰিবলৈ শেহতীয়াকৈ গ্ৰাফ ডাটাবেছ (জিডিবি) উদ্ভূত হৈছে। বৰ্তমানে, গ্ৰাফৰ দৰে ডাটা পৰিচালনা কৰা বহুতো এপ্লিকেচনৰ বাবে ই এক আৱশ্যকতা হিচাপে পৰিগণিত হৈছে, যেনে সামাজিক নেটৱৰ্ক। গ্ৰাফ ডাটাবেছত অনুসন্ধান অনুকূলিতকৰণৰ বাবে প্ৰয়োগ কৰা বেছিভাগ কৌশল পৰম্পৰাগত ডাটাবেছ, বিতৰণ ব্যৱস্থা, বা গ্ৰাফ তত্ত্বৰ পৰা উদ্ভাৱিত। অৱশ্যে, গ্ৰাফ ডাটাবেছত তেওঁলোকৰ পুনৰ ব্যৱহাৰৰ ক্ষেত্ৰত গ্ৰাফ ডাটাবেছৰ প্ৰধান বৈশিষ্ট্যসমূহ যেনে গতিশীল গাঁথনি, উচ্চ পৰস্পৰ সংযুক্ত তথ্য আৰু তথ্য সম্পৰ্কসমূহৰ কাৰ্যকৰী প্ৰৱেশৰ ক্ষমতা আদিৰ প্ৰতি যত্ন লোৱা উচিত। এই প্ৰবন্ধত আমি গ্ৰাফ ডাটাবেছত কোৱাৰী অপ্টিমাইজেশ্যন প্ৰণালীসমূহৰ সমীক্ষা কৰো। বিশেষকৈ, আমি গ্ৰাফৰ দৰে ডাটা অনুসন্ধান কৰাত উন্নত কৰিবলৈ তেওঁলোকে প্ৰৱৰ্তন কৰা বৈশিষ্ট্যৰ ওপৰত গুৰুত্ব দিছো। |
0541d5338adc48276b3b8cd3a141d799e2d40150 | মেপ ৰেডুক্স হৈছে এক প্ৰগ্ৰামিং মডেল আৰু বৃহৎ ডাটা ছেট প্ৰক্ৰিয়া আৰু সৃষ্টিৰ বাবে এক সংযুক্ত ৰূপায়ণ যি বিভিন্ন ধৰণৰ বাস্তৱ-বিশ্বৰ কামৰ বাবে উপযুক্ত। ব্যৱহাৰকাৰীসকলে মেপ আৰু ৰিডু ফাংচনৰ ক্ষেত্ৰত গণনা নিৰ্ধাৰণ কৰে, আৰু অন্তৰ্নিহিত ৰানটাইম ছিষ্টেমটোৱে স্বয়ংক্ৰিয়ভাৱে মেচিনৰ বৃহত্-স্কেল ক্লাষ্টাৰসমূহৰ গণনা সমান্তৰাল কৰে, মেচিনৰ বিফলতাসমূহ নিয়ন্ত্ৰণ কৰে, আৰু নেটৱৰ্ক আৰু ডিস্কসমূহৰ দক্ষ ব্যৱহাৰ কৰিবলৈ আন্তঃ-মেশিন যোগাযোগৰ সময়সূচী নিৰ্ধাৰণ কৰে। প্ৰগ্ৰামাৰসকলে এই ব্যৱস্থা ব্যৱহাৰ কৰিবলৈ সহজ বুলি ভাবে: বিগত চাৰি বছৰত গুগলত দহ হাজাৰতকৈও অধিক পৃথক মেপ ৰেডচ প্ৰগ্ৰাম কাৰ্যকৰী কৰা হৈছে, আৰু গুগলৰ ক্লাষ্টাৰত প্ৰতিদিনে গড়ে এশ হাজাৰ মেপ ৰেডচ কাম কৰা হয়, প্ৰতিদিনে মুঠ বিশ পেটা বাইটতকৈও অধিক তথ্য প্ৰক্ৰিয়া কৰা হয়। |
683c8f5c60916751bb23f159c86c1f2d4170e43f | |
3a116f2ae10a979c18787245933cb9f984569599 | ৱায়াৰলেছ ছেন্সৰ নেটৱৰ্ক (WSNs) এ বিভিন্ন প্ৰয়োগৰ বাবে এক কাৰ্যকৰী সমাধান হিচাপে আত্মপ্ৰকাশ কৰিছে। পৰম্পৰাগত WSN আৰ্কিটেকচাৰৰ অধিকাংশই স্থিৰ ন ডৰ দ্বাৰা গঠিত যি এক সংবেদক অঞ্চলত ঘনভাৱে স্থাপন কৰা হয়। শেহতীয়াকৈ, ম বাইল এলিমেণ্ট (ME) ৰ ওপৰত আধাৰিত কেইবাটাও WSN আৰ্কিটেকচাৰ প্ৰস্তাৱ কৰা হৈছে। তেওঁলোকৰ অধিকাংশই WSN ত তথ্য সংগ্ৰহৰ সমস্যা সমাধানৰ বাবে ম বিলিটি ব্যৱহাৰ কৰে। এই প্ৰবন্ধত আমি প্ৰথমে এমইৰ সৈতে WSNs সংজ্ঞায়িত কৰো আৰু এমইৰ ভূমিকাৰ ওপৰত ভিত্তি কৰি তেওঁলোকৰ আৰ্হিৰ এক বিস্তৃত শ্ৰেণীবিভাগ প্ৰদান কৰোঁ। তাৰ পিছত আমি এনে পৰিস্থিতিত তথ্য সংগ্ৰহ প্ৰক্ৰিয়াৰ এক সামগ্ৰিক বিৱৰণ দাঙি ধৰোঁ আৰু ইয়াৰ সৈতে জড়িত সমস্যা আৰু প্ৰত্যাহ্বানসমূহ চিনাক্ত কৰোঁ। এই সংখ্যাবোৰৰ ভিত্তিত আমি প্ৰাসংগিক সাহিত্যৰ বিস্তৃত সমীক্ষা আগবঢ়াইছো। শেষত, আমি অন্তৰ্নিহিত পদ্ধতি আৰু সমাধানৰ তুলনা কৰো, মুকলি সমস্যা আৰু ভৱিষ্যতৰ গৱেষণাৰ দিশৰ সঁহাৰিৰে। |
e7b50e3f56e21fd2a5eb34923d427a0bc6dd8905 | এই প্ৰবন্ধত মাইক্ৰ ৱেভ ফিল্টাৰৰ বাবে কপলিং মেট্ৰিক্সৰ সংশ্লেষণৰ বাবে এক নতুন পদ্ধতিৰ বিষয়ে উপস্থাপন কৰা হৈছে। নতুন পদ্ধতিটোৱে কপলিং মেট্ৰিক্স সংশ্লেষণৰ বাবে বৰ্তমানৰ প্ৰত্যক্ষ আৰু অপ্টিমাইজেশ্যন পদ্ধতিৰ ওপৰত এক অগ্ৰগতি প্ৰতিনিধিত্ব কৰে, কিয়নো ই এটা নেটৱৰ্কৰ বাবে সকলো সম্ভৱ কপলিং মেট্ৰিক্স সমাধান সম্পূৰ্ণৰূপে আৱিষ্কাৰ কৰিব যদিহে এটাতকৈ অধিক থাকে। ইয়াৰ দ্বাৰা সংযুক্তিকৰণ মান, ৰিজ নেটৰ ফ্ৰেক্বেঞ্চি অফচেট, পাৰাজিটিক সংযুক্তিকৰণ সহনশীলতা আদিৰ এটা নিৰ্বাচন কৰা সম্ভৱ হ ব যিটো মাইক্ৰ ৱেভ ফিল্টাৰটো নিৰ্মাণ কৰিবলৈ প্ৰকল্পিত প্ৰযুক্তিৰ বাবে সৰ্বোত্তম উপযুক্ত হ ব। এই পদ্ধতিৰ ব্যৱহাৰ প্ৰদৰ্শন কৰিবলৈ, শেহতীয়াকৈ প্ৰৱৰ্তন কৰা "এক্সটেণ্ডেড বক্স" (EB) কপলিং মেট্ৰিক্স কনফিগাৰেশ্যনৰ ক্ষেত্ৰত লোৱা হৈছে। ইবিয়ে এক নতুন শ্ৰেণীৰ ফিল্টাৰ কনফিগাৰেশ্যন প্ৰতিনিধিত্ব কৰে য ত বহুতো গুৰুত্বপূৰ্ণ সুবিধা আছে, যাৰ ভিতৰত এটা হৈছে প্ৰতি প্ৰ টোটাইপ ফিল্টাৰিং কাৰ্য্যৰ বাবে একাধিক কপলিং মেট্ৰিক্স সমাধানৰ অস্তিত্ব, উদাহৰণস্বৰূপে ৮ ডিগ্ৰী কেছসমূহৰ বাবে ১৬। এই কেছটো সংকেত পদ্ধতিৰ ব্যৱহাৰ প্ৰদৰ্শন কৰিবলৈ এটা উদাহৰণ হিচাপে লোৱা হৈছে - দ্বৈত-মোড বাস্তৱায়নৰ বাবে উপযুক্ত এটা সমাধান আৰু আনটো য ত কিছুমান সংযুক্তিকৰণ অৱহেলা কৰিবলৈ যথেষ্ট সৰু। সূচক পদ - সংযোজন মেট্ৰিক্স, ফিল্টাৰ সংশ্লেষণ, গ্ৰোবনাৰ ভিত্তি, বিৱৰ্তিত বৈশিষ্ট্য, একাধিক সমাধান। |
a6f1dfcc44277d4cfd8507284d994c9283dc3a2f | আমি এটা প্ৰায় বাস্তৱ-সময়ৰ কম্পিউটাৰ প্ৰণালী প্ৰস্তুত কৰিছো যি কোনো ব্যক্তিৰ মূৰৰ অৱস্থান আৰু গতিবিধি চিনাক্ত কৰিব পাৰে, আৰু তাৰ পিছত চিনাক্তকৰণ কৰিব পাৰে ব্যক্তিজনৰ মুখৰ বৈশিষ্ট্যসমূহ চিনাক্ত ব্যক্তিৰ সৈতে তুলনা কৰি। এই প্ৰণালীত লোৱা কম্পিউটেশ্যনেল পদ্ধতিটো শৰীৰতত্ত্ব আৰু তথ্য তত্ত্ব দুয়োটাই অনুপ্ৰাণিত কৰে, লগতে প্ৰায়-ৰিয়েল-টাইম কাৰ্যক্ষমতা আৰু সঠিকতাৰ ব্যৱহাৰিক প্ৰয়োজনীয়তাৰ দ্বাৰা। আমাৰ পদ্ধতিয়ে মুখ চিনাক্তকৰণ সমস্যাক ত্ৰিমাত্ৰিক জ্যামিতিৰ পুনৰুদ্ধাৰৰ প্ৰয়োজনতকৈ এক স্বতঃস্ফূর্তভাৱে দ্বি-মাত্রিক (2-D) চিনাক্তকৰণ সমস্যা হিচাপে বিবেচনা কৰে, মুখবোৰ সাধাৰণতে সোঁফালে থাকে আৰু সেয়েহে 2-D বৈশিষ্ট্যৰ দৃশ্যৰ সৰু ছেটৰ দ্বাৰা বৰ্ণনা কৰিব পাৰি। এই ব্যৱস্থাই চেহেৰা ছবিসমূহক এটা বৈশিষ্ট্য স্থানত প্ৰক্ষেপণ কৰি কাৰ্য্য কৰে যিটো পৰিচিত চেহেৰা ছবিসমূহৰ মাজত গুৰুত্বপূৰ্ণ বৈকল্পিকতা বিস্তাৰ কৰে। উল্লেখযোগ্য বৈশিষ্টবোৰক "ইগেনফেচ" বুলি কোৱা হয়, কাৰণ এওঁলোক মুখৰ ছেটৰ ইগেনভেক্টৰ (মূল উপাদান) হয়; এওঁলোক অগত্যা চকু, কাণ আৰু নাকৰ দৰে বৈশিষ্টৰ সৈতে মিল নাপায়। প্ৰক্ষেপণ কাৰ্য্যই স্বতন্ত্ৰ মুখৰ বৈশিষ্ট্যৰ এক ভাৰসাম্যযুক্ত যোগফলৰ দ্বাৰা একক মুখৰ বৈশিষ্ট্য নিৰ্ধাৰণ কৰে, আৰু সেয়েহে এটা বিশেষ মুখ চিনাক্ত কৰিবলৈ এই ওজনবোৰক জনা ব্যক্তিৰ সৈতে তুলনা কৰাটো প্ৰয়োজনীয়। আমাৰ পদ্ধতিৰ কিছুমান বিশেষ সুবিধা হ ল ই শিকাৰ ক্ষমতা প্ৰদান কৰে আৰু পিছত নতুন মুখবোৰক নিৰীক্ষণহীনভাৱে চিনাক্ত কৰে, আৰু নিউৰেল নেটৱৰ্ক স্থাপত্য ব্যৱহাৰ কৰি ইয়াক প্ৰয়োগ কৰাটো সহজ। |
b217788dd6d274ad391ee950e6f6a34033bd2fc7 | বহুস্তৰীয় পাৰদৰ্শকক, যেতিয়া পিছলৈ প্ৰসাৰ ব্যৱহাৰ কৰি শ্ৰেণীবিভাজক হিচাপে প্ৰশিক্ষণ দিয়া হয়, তেতিয়া বেজ অনুকূল বৈষম্যমূলক কাৰ্যৰ সমীপৱৰ্তী হোৱা দেখুওৱা হয়। দুটা শ্ৰেণীৰ সমস্যা আৰু একাধিক শ্ৰেণীৰ বাবে ফলাফল প্ৰদৰ্শন কৰা হৈছে। এই প্ৰমাণিত হৈছে যে বহুস্তৰীয় পাৰ্চপ্ট্ৰনৰ আউটপুটসমূহ প্ৰশিক্ষিত শ্ৰেণীৰ এ পাষ্টৰিঅ ৰ সম্ভাৱনা কাৰ্যৰ সৈতে প্ৰায় সমতুল্য। প্ৰমাণটো যিকোনো সংখ্যক স্তৰ আৰু যিকোনো ধৰণৰ ইউনিট সক্ৰিয়কৰণ কাৰ্য্য, ৰেখীয় বা অৰেখীয় প্ৰয়োগ কৰিব পাৰি। |
647cb3825baecb6fab8b098166d5a446f7711f9b | সাম্প্ৰতিক বছৰবোৰত, গভীৰ উত্পাদনশীল মডেলবোৰে ছবি, অডিঅ আৰু ভিডিঅ ৰ দৰে উচ্চ-মাত্রিক পৰ্যবেক্ষণৰ বিষয়ে কল্পনা কৰিবলৈ প্ৰমাণিত হৈছে, কেঁচা তথ্যৰ পৰা প্ৰত্যক্ষভাৱে শিকাৰ দৰে। এই কামত, আমি প্ৰশ্ন কৰোঁ যে লক্ষ্য-নিৰ্দেশিত ভিজুৱেল পৰিকল্পনা কেনেদৰে কল্পনা কৰিব পাৰি - এটা অনুমানযোগ্য পৰ্যবেক্ষণৰ ক্ৰম যি এক গতিশীল প্ৰণালীক ইয়াৰ বৰ্তমানৰ কনফিগাৰেশ্যনৰ পৰা এটা আকাংক্ষিত লক্ষ্য অৱস্থালৈ ৰূপান্তৰিত কৰে, যাক পিছত নিয়ন্ত্ৰণৰ বাবে এক প্ৰসংগ ভ্ৰমণপথ হিচাপে ব্যৱহাৰ কৰিব পাৰি। আমি উচ্চ-মাত্রিক পৰ্যবেক্ষণৰ সৈতে প্ৰণালীৰ ওপৰত গুৰুত্ব দিছো, যেনে ছবি, আৰু প্ৰতিনিধিত্বমূলক শিক্ষণ আৰু পৰিকল্পনা স্বাভাৱিকভাৱে সংযুক্ত কৰা এটা পদ্ধতিৰ প্ৰস্তাৱ দিছো। আমাৰ ফ্ৰেমৱৰ্কটোৱে ক্ৰমিক পৰ্যবেক্ষণৰ এটা সৃষ্টিশীল মডেল শিকিছে, য ত সৃষ্টিশীল প্ৰক্ৰিয়াটো এটা নিম্ন-মাত্রিক পৰিকল্পনা মডেলৰ এটা পৰিৱৰ্তনৰ দ্বাৰা প্ৰৰোচিত হয়, আৰু এটা অতিৰিক্ত শব্দ। উৎপন্ন হোৱা পৰ্যবেক্ষণ আৰু পৰিকল্পনা মডেলৰ পৰিৱৰ্তনৰ মাজত পাৰস্পৰিক তথ্যৰ সৰ্বাধিক পৰিমাণে, আমি এটা নিম্ন-মাত্রিক প্ৰতিনিধিত্ব লাভ কৰোঁ যি তথ্যৰ কাৰণগত প্ৰকৃতিৰ শ্ৰেষ্ঠ ব্যাখ্যা কৰে। আমি পৰিকল্পনা মডেলটো কাৰ্যকৰী পৰিকল্পনা এলগৰিথমৰ সৈতে সামঞ্জস্যপূৰ্ণ কৰিবলৈ গঠন কৰো, আৰু আমি বিচ্ছিন্ন বা ধাৰাবাহিক অৱস্থাৰ ওপৰত ভিত্তি কৰি এনে কেইবাটাও মডেলৰ প্ৰস্তাৱ দিওঁ। অৱশেষত, এটা দৃশ্যমান পৰিকল্পনা সৃষ্টি কৰিবলৈ, আমি পৰিকল্পনা মডেলত বৰ্তমান আৰু লক্ষ্য পৰ্যবেক্ষণসমূহ তেওঁলোকৰ নিজ নিজ অৱস্থালৈ প্ৰক্ষেপ কৰো, এটা গতিপথ পৰিকল্পনা কৰো, আৰু তাৰ পিছত পৰ্যবেক্ষণৰ ক্ৰমলৈ গতিপথ ৰূপান্তৰ কৰিবলৈ জেনেৰেটিভ মডেল ব্যৱহাৰ কৰো। ৰ প মেনিপুলেশ্যনৰ দৃশ্যমান পৰিকল্পনা কল্পনা কৰি আমি আমাৰ পদ্ধতি প্ৰদৰ্শন কৰো। |
a63b97291149bfed416aa9e56a21314069540a7b | লক্ষ্যঃ মনোযোগ-অভাৱ/অতিসক্ৰিয়তা ৰোগ (এডিএইচডি) থকা শিশু আৰু কিশোৰ-কিশোৰীসকলৰ মাজত কাম কৰা স্মৃতি (WM) প্ৰক্ৰিয়াত ঘাটিৰ বাবে অভিজ্ঞতামূলক প্ৰমাণ নিৰ্ণয় কৰা। ADHD থকা শিশুৰ WM বিকলতা আছে নে নাই পৰীক্ষা কৰিবলৈ অনুসন্ধানমূলক মেটা- বিশ্লেষণাত্মক পদ্ধতি ব্যৱহাৰ কৰা হৈছিল। ১৯৯৭ চনৰ পৰা ২০০৩ চনৰ ডিচেম্বৰ মাহলৈ (পূৰ্বৰ পৰ্যালোচনাৰ পিছত) প্ৰকাশিত ২৬ টা প্ৰামাণিক গৱেষণা অধ্যয়নে আমাৰ অন্তৰ্ভুক্তিৰ চৰ্ত পূৰণ কৰিছিল। এই পদ্ধতিৰ ব্যৱহাৰত ব্যৱহাৰ কৰা সামগ্ৰীসমূহক (মৌখিক, স্থানিক) আৰু প্ৰয়োজনীয় প্ৰক্ৰিয়াকৰণৰ ধৰণ (সংৰক্ষণ আৰু সংৰক্ষণ/পৰিচালনা) দুয়োটা অনুসৰি শ্ৰেণীবিভাজন কৰা হয়। ফলাফল এডিএইচডি থকা শিশুসকলৰ মাজত ৱিএমৰ একাধিক উপাদানৰ অভাৱ দেখা যায় যি ভাষা শিকাৰ ব্যাধি আৰু সাধাৰণ বৌদ্ধিক ক্ষমতাৰ দুৰ্বলতাৰ সৈতে সহ-আৰোগ্যতাৰ পৰা স্বাধীন আছিল। সামগ্ৰিক প্ৰভাৱৰ আকাৰ স্থানিক সঞ্চয় (প্ৰভাৱৰ আকাৰ = 0. 85, CI = 0. 62 - 1. 08) আৰু স্থানিক কেন্দ্ৰীয় কাৰ্যকৰী WM (প্ৰভাৱৰ আকাৰ = 1. 06, বিশ্বাসৰ ব্যৱধান = 0. 72- 1. 39) ৰ বাবে মৌখিক সঞ্চয় (প্ৰভাৱৰ আকাৰ = 0. 47, বিশ্বাসৰ ব্যৱধান = 0. 36- 0. 59) আৰু মৌখিক কেন্দ্ৰীয় কাৰ্যকৰী WM (প্ৰভাৱৰ আকাৰ = 0. 43, বিশ্বাসৰ ব্যৱধান = 0. 24- 0. 62) ৰ তুলনাত অধিক আছিল। উপসংহাৰ ADHD থকা শিশুৰ ক্ষেত্ৰত WM বিকলতাৰ প্ৰমাণে ADHDত WM প্ৰক্ৰিয়া জড়িত সাম্প্ৰতিক তাত্ত্বিক মডেলক সমৰ্থন কৰে। ADHD ৰ প্ৰতিবন্ধকতাৰ প্ৰকৃতি, তীব্ৰতা আৰু বিশেষত্বৰ বিষয়ে অধিক স্পষ্টভাৱে বৰ্ণনা কৰিবলৈ ভৱিষ্যতৰ গৱেষণাৰ প্ৰয়োজন। |
49e77b981a0813460e2da2760ff72c522ae49871 | গভীৰ শিক্ষণ (Deep learning) এ বৃহৎ ডাটা ছেট আৰু কম্পিউটেশ্যনেলি দক্ষ প্ৰশিক্ষণ এলগৰিথমৰ সুবিধা গ্ৰহণ কৰি বিভিন্ন মেচিন লাৰ্ণিং কামত অন্য পদ্ধতিতকৈ ভাল প্ৰদৰ্শন কৰে। অৱশ্যে, গভীৰ নিউৰেল নেটৱৰ্কৰ প্ৰশিক্ষণ পৰ্যায়ৰ অপৰিপূৰ্ণতাই তেওঁলোকক বিৰোধী নমুনাৰ প্ৰতি সংবেদনশীল কৰি তোলে: বিৰোধীসকলে গভীৰ নিউৰেল নেটৱৰ্কৰ ভুল শ্ৰেণীবিভাজন কৰাৰ অভিপ্ৰায়েৰে নিৰ্মিত ইনপুট। এই কামত, আমি গভীৰ নিউৰেল নেটৱৰ্ক (ডিএনএন) ৰ বিৰুদ্ধে বিৰোধী স্থানক আনুষ্ঠানিকভাৱে প্ৰণয়ন কৰো আৰু ডিএনএনৰ ইনপুট আৰু আউটপুটৰ মাজত মেপিংৰ এক সঠিক বুদ্ধিৰ ওপৰত ভিত্তি কৰি বিৰোধী নমুনা প্ৰস্তুত কৰিবলৈ এলগৰিথমৰ এক নতুন শ্ৰেণী প্ৰৱৰ্তন কৰো। কম্পিউটাৰ ভিজন প্ৰয়োগ কৰি আমি দেখুৱাব পাৰো যে আমাৰ এলগৰিথমবোৰে নিৰ্ভৰযোগ্যভাৱে নমুনা প্ৰস্তুত কৰিব পাৰে যিবোৰ মানৱ বিষয়ৰ দ্বাৰা সঠিকভাৱে শ্ৰেণীবদ্ধ কৰা হয় কিন্তু ডিএনএনৰ দ্বাৰা নিৰ্দিষ্ট লক্ষ্যত ভুল শ্ৰেণীবদ্ধ কৰা হয় ৯৭% বিৰোধী সফলতাৰ হাৰ সহ মাত্ৰ নমুনাৰ প্ৰতি ইনপুট বৈশিষ্ট্যৰ গড় ৪.০২% সংশোধন কৰি। তাৰ পিছত আমি কঠোৰতা জোখাৰ সংজ্ঞা দি বিৰোধী বিসংগতি প্ৰতি বিভিন্ন নমুনা শ্ৰেণীৰ সংবেদনশীলতা মূল্যায়ন কৰো। শেষত, আমি এটা ভাল ইনপুট আৰু লক্ষ্য শ্ৰেণীবিভাজনৰ মাজত দূৰত্বৰ পূৰ্বানুমানিক মাপ নিৰ্ধাৰণ কৰি প্ৰতিদ্বন্দ্বিতামূলক নমুনাৰ বিৰুদ্ধে প্ৰতিৰক্ষা সৰ্ম্পকেৰে প্ৰাৰম্ভিক কামৰ বৰ্ণনা দিওঁ। |
3f52f57dcfdd1bb0514ff744f4fdaa986a325591 | এপলৰ মেকবুক ফাৰ্মৱেৰ সুৰক্ষাত কেইবাটাও দোষ আছে যি এই লেপটপৰ SPI ফ্ল্যাশ বুট ৰ মলৈ অবিশ্বাস্য সংশোধন লিখিবলৈ অনুমতি দিয়ে। এই সামৰ্থ্যই জনপ্ৰিয় এপল মেকবুক প্ৰডাক্ট লাইনৰ বাবে এক নতুন শ্ৰেণীৰ স্থায়ী ফাৰ্মৱেৰ ৰুটকিট বা বুটকিট প্ৰতিনিধিত্ব কৰে। গোপন বুটকিটবোৰে নিজকে আৱিষ্কাৰৰ পৰা লুকুৱাই ৰাখিব পাৰে আৰু ছফ্টৱেৰক সেইবোৰ আঁতৰোৱাৰ প্ৰচেষ্টা ৰোধ কৰিব পাৰে। বুট ৰমৰ ক্ষতিকাৰক সংশোধনবোৰ অপাৰেটিং ছিষ্টেমৰ পুনৰ ইনষ্টলেশন আৰু আনকি হাৰ্ড ড্ৰাইভ সলনি কৰাৰ সময়তও জীয়াই থাকিব পাৰে। ইয়াৰ উপৰিও, এই ম লৱেৰটোৱে আন থানডাৰব ল্ট ডিভাইচৰ বিকল্প ৰ মসমূহত ইয়াৰ এটা প্ৰতিলিপি ইনষ্টল কৰিব পাৰে যাতে বায়ু-খাপ সুৰক্ষা পৰিসীমাৰ মাজেৰে ভাইৰেলভাৱে বিয়পিব পাৰে। এপলে এই ত্ৰুটিসমূহৰ কিছুমান চিভিই ২০১৪-৪৪৯৮ ৰ অংশ হিচাপে ঠিক কৰিছে, কিন্তু এই শ্ৰেণীৰ দুৰ্বলতাৰ বাবে কোনো সহজ সমাধান নাই, কিয়নো মেকবুকত বুট সময়ত ফৰ্মৱেৰটোৰ ক্ৰিপ্টোগ্ৰাফিক বৈধতা প্ৰদৰ্শন কৰিবলৈ বিশ্বাসযোগ্য হাৰ্ডৱেৰ নাই। |
3b3acbf7cc2ec806e4177eac286a2ee22f6f7630 | এই প্ৰবন্ধত অতি-বিশাল-বন্দৰ ডিজিটেল-আনালগ (ডি/এ) ৰূপান্তৰ উপ-প্ৰণালীসমূহৰ বাবে ১১০-জিএইচজি-ৰ ওপৰৰ বেণ্ডউইথ ২ঃ১ এনালগ মাল্টিপ্লেক্সাৰ (এএমইউএক্স) উপস্থাপন কৰা হৈছে। AMUX নতুনকৈ বিকশিত $\pmb{0.25-\mu \mathrm{m}}$ - ইমিটাৰ-চাওৰ ইনপি ডাবল হেটেৰ জংচন বাইপ লাৰ ট্ৰানজিষ্টৰ (DHBTs) ব্যৱহাৰ কৰি ডিজাইন আৰু নিৰ্মিত কৰা হৈছিল, যাৰ শীৰ্ষ $\pmb{f_{\mathrm{T}}}$ আৰু $\pmb{f\displaystyle \max}$ যথাক্ৰমে 460 আৰু 480 GHz হয়। এ.এম.ইউ.এক্স. আই.চি.ত ডাটা-ইনপুট লিনিয়াৰ বাফাৰ, ক্লক-ইনপুট লিমিটিং বাফাৰ, এ.এম.ইউ.এক্স. ক ৰ আৰু আউটপুট লিনিয়াৰ বাফাৰকে ধৰি গণ্ডীবদ্ধ বিল্ডিং ব্লক থাকে। ডাটা আৰু ক্লক পাথৰ বাবে জোখা 3-ডিবি বেণ্ডউইথ দুয়োটা 110 গিগাহাৰ্জতকৈ অধিক। ইয়াৰ উপৰিও ই ১৮০ GS/s পৰ্যন্ত সময়-ডোমেইন বৃহৎ সংকেত নমুনা সংগ্ৰহ কাৰ্য্য পৰিমাপ কৰে আৰু প্ৰাপ্ত কৰে। এই AMUX ব্যৱহাৰ কৰি এটা 224-Gb/s (112-GBaud) চাৰি-স্তৰৰ পালছ-এম্প্লিট্যুড মডুলেচন (PAM4) সংকেত সফলতাৰে উৎপন্ন কৰা হয়। আমাৰ জ্ঞানৰ মতে, এই AMUX ICৰ সৰ্বাধিক বেণ্ডউইডথ আৰু পূৰ্বতে প্ৰতিবেদন কৰা অন্য AMUXৰ তুলনাত সৰ্বাধিক দ্ৰুত নমুনা গ্ৰহণৰ হাৰ আছে। |
4dd7721248c5489e25f46f7ab78c7d0229a596d4 | এই প্ৰবন্ধত এটা সম্পূৰ্ণ সংহত RF শক্তি-উৎপাদন প্ৰণালীৰ বিষয়ে আলোচনা কৰা হৈছে। এই ব্যৱস্থাই একে সময়তে বাহ্যিক DC লোডৰ দ্বাৰা প্ৰয়োজনীয় সোঁত প্ৰদান কৰিব পাৰে আৰু অতিৰিক্ত আউটপুট শক্তিৰ সময়ত বাহ্যিক ক্যাপাচিটৰত অতিৰিক্ত শক্তি সঞ্চয় কৰিব পাৰে। এই ডিজাইনটো 0.18- $\mu \text{m}$ চিএমঅ এছ প্ৰযুক্তিৰে নিৰ্মিত, আৰু সক্ৰিয় চিপ এলেকা হৈছে 1.08 মিমি2। প্ৰস্তাৱিত স্বয়ং-আৰম্ভণিত ব্যৱস্থাটো এটা সংহত এলচি মেপিং নেটৱৰ্ক, এটা এফআৰ ৰেক্টাইফায়াৰ, আৰু এটা শক্তি পৰিচালনা/নিয়ন্ত্ৰক এককৰ সৈতে পুনৰ সংৰূপণযোগ্য, যি ৬৬-১৫৭ এনডব্লিউ গ্ৰাস কৰে। প্ৰয়োজনীয় ঘড়ী উৎপাদন আৰু ভল্টেজ ৰেফাৰেন্স চাৰ্কিট একে চিপত একত্ৰিত কৰা হয়। ডিউটি চাইকেল নিয়ন্ত্ৰণ কম ইনপুট পাৱাৰ বাবে কাম কৰিবলৈ ব্যৱহাৰ কৰা হয় যি প্ৰয়োজনীয় আউটপুট পাৱাৰ প্ৰদান কৰিব নোৱাৰে। তদুপৰি, উপলব্ধ আউটপুট পাৱাৰ কাৰ্যক্ষমতা বৃদ্ধি কৰিবলৈ RF ৰেক্টাইফায়াৰৰ স্তৰৰ সংখ্যা পুনৰ কনফিগাৰ কৰিব পাৰি। উচ্চ উপলব্ধ শক্তিৰ বাবে, এটা বাহ্যিক শক্তি সংৰক্ষণ উপাদানৰ চাৰ্জ কৰিবলৈ এটা দ্বিতীয় পথ সক্ৰিয় কৰা হয়। ১-ভোল্টৰ চিচি আউটপুটত মাপকাঠী ৰেডিঅ ইনপুট পাৱাৰ সংবেদনশীলতা হৈছে -১৪.৮ ডিবিএম। |
7314be5cd836c8f06bd1ecab565b00b65259eac6 | বৃহৎ নথি আৰ্কাইভ পৰিচালনা কৰাৰ বাবে সমাধান আগবঢ়োৱা এলগৰিথমৰ এক স্যুটৰ জৰীপ কৰা। |
f0eace9bfe72c2449f76461ad97c4042d2a7141b | এই পত্ৰখনত ডব্লিউ-বেণ্ডত এণ্টেনা-ইন-পেকেজ (এআইপি) প্রযুক্তিৰ এটা নতুন প্ৰস্তাৱ আগবঢ়োৱা হৈছে। এই প্ৰযুক্তিটো বিশেষ কেচটো সমাধান কৰিবলৈ প্ৰদৰ্শন কৰা হৈছে যে ধাতব পেকেটটো উচ্চ যান্ত্ৰিক শক্তি সামৰি ল বলৈ ব্যৱহাৰ কৰা উচিত। বহুস্তৰীয় নিম্ন তাপমাত্ৰা সহ-নিগনিযুক্ত কেৰামিক (LTCC) প্ৰযুক্তিৰ সুবিধা গ্ৰহণ কৰি এণ্টেনাৰ ৰেডিয়েচন দক্ষতা বজাই ৰাখিব পাৰি। ইফালে, উচ্চ যান্ত্ৰিক শক্তি আৰু ঢালকৰণ প্ৰদৰ্শন প্ৰাপ্ত কৰা হয়। এআইপিৰ এটা প্ৰ টোটাইপ ডিজাইন কৰা হৈছে। প্ৰট টাইপটো এটা সংহত এলটিচিচি এণ্টেনা, কম-ক্ষতি ফিডাৰ আৰু এটা ধাতব পেকেট আৰু এটা ক পাৰ হৰ্ণ এপ্ৰেচাৰৰ দ্বাৰা গঠিত। এই এলটিচিচি ফিডাৰ লেমিনেটেড ৱেভগাইড (এলডব্লিউজি) ৰ দ্বাৰা উপলব্ধ। এলটিচিচিৰ ভিতৰত এটা এলডব্লিউজি গুহা স্থাপন কৰি এণ্টেনাৰ ইম্পেড্যান্স বেণ্ডউইডথ বঢ়োৱা হয়। ইলেক্ট্ৰ মেগনেটিক (ই এম) অনুকৰণ আৰু এন্টেনাৰ পাৰদৰ্শিতাৰ জোখ-মাপসমূহ আগ্ৰহৰ সমগ্ৰ ফ্ৰেক্সেন্সী পৰিসৰত ভালদৰে মিলি যায়। প্ৰস্তাৱিত প্ৰ টোটাইপে ১০ গিগাহাৰ্টছৰ -১০-ডিবি ইম্পেডেন্স বেণ্ডউইডথ ৮৮-৯৮ গিগাহাৰ্টছত আৰু ৮৯ গিগাহাৰ্টছত ১২.৩ ডিবিআইৰ শিখৰ লাভ লাভ কৰে। |
2077d0f30507d51a0d3bbec4957d55e817d66a59 | আমি এটা সাধাৰণ, প্ৰকাশমূলক ছবিৰ প্ৰাথমিকতা শিকাৰ বাবে এটা ফ্ৰেমৱৰ্ক প্ৰস্তুত কৰো যিয়ে প্ৰাকৃতিক দৃশ্যৰ পৰিসংখ্যা ধৰি ৰাখে আৰু বিভিন্ন ধৰণৰ মেচিন ভিজন কামৰ বাবে ব্যৱহাৰ কৰিব পাৰি। এই পদ্ধতিটোৱে প্ৰসাৰিত পিক্সেল চুবুৰীয়াত সম্ভাৱ্য কাৰ্য্য শিকাৰ দ্বাৰা পৰম্পৰাগত মাৰকভ ৰেণ্ডম ফিল্ড (এমআৰএফ) মডেলবোৰ সম্প্ৰসাৰিত কৰে। ক্ষেত্ৰীয় সম্ভাৱনীয়তাবোৰ প্ৰডাক্ট-অফ-এক্সপাৰ্ট ফ্ৰেমৱৰ্ক ব্যৱহাৰ কৰি মডেল কৰা হয় যি বহুতো ৰেখীয় ফিল্টাৰ সঁহাৰিৰ অ-ৰেখীয় কাৰ্য্যবোৰ ব্যৱহাৰ কৰে। পূৰ্বৰ এমআৰএফ পদ্ধতিৰ বিপৰীতে সকলো পাৰামিটাৰ, আনকি লিনিয়াৰ ফিল্টাৰ সমূহো প্ৰশিক্ষণৰ তথ্যৰ পৰা শিকি লোৱা হয়। আমি এই ক্ষেত্ৰৰ বিশেষজ্ঞৰ মডেলৰ ক্ষমতা দুটা উদাহৰণ প্ৰয়োগৰ সৈতে প্ৰদৰ্শন কৰো, ছবিৰ denoising আৰু ছবিৰ ইনপেইণ্টিং, যাক এটা সৰল, প্ৰায়োগিক অনুমান আঁচনি ব্যৱহাৰ কৰি প্ৰয়োগ কৰা হয়। মডেলটো সাধাৰণ ছবিৰ ডাটাবেছত প্ৰশিক্ষণ দিয়া হয় আৰু কোনো নিৰ্দিষ্ট প্ৰয়োগৰ প্ৰতি লক্ষ্য কৰা নহয়, আমি ফলাফল লাভ কৰো যিয়ে বিশেষ প্ৰযুক্তিৰ সৈতে প্ৰতিদ্বন্দ্বিতা কৰে আৰু অতিক্ৰমো কৰে। |
214658334c581f0d18b9a871928e91b6e4f83be7 | এই ধাৰণাটো সুইচড কণ্ডেছটৰ টোপলজিৰ সৈতে একে, য ত ভল্টেজবোৰ ভাৰসাম্য বজাই ৰাখিবলৈ বেটাৰীটোৰ কোষসমূহৰ মাজত এটা কণ্ডেছটৰ বা কণ্ডেছটৰ বেংকবোৰ সঞ্চালিত হয়। যিহেতু বেছিক বেটাৰী চেল মডেলত চেলৰ ক্যাপাচিটিভ প্ৰভাৱৰ বাবে ক্ষমতা অন্তৰ্ভুক্ত থাকে, এই ক্যাপাচিটিভ প্ৰভাৱ চেল ভাৰসাম্যত ব্যৱহাৰ কৰিব পাৰি। সেয়েহে সুইচড ক্যাপাচিটৰ টোপ লজিৰ ইকুৱেলাইজাৰ ক্যাপাচিটৰবোৰ আঁতৰ কৰিব পাৰি আৰু বেটাৰীটোৰ কোষবোৰ পৰস্পৰে পৰস্পৰে সলনি কৰিব পাৰি। ইয়াৰ ফলত শক্তিৰ পৰিবহণ দ্ৰুত হয় আৰু ইয়াৰ ফলত দ্ৰুত সমীকৰণ হয়। প্ৰস্তাৱিত টোপ ল জিয়ে শক্তি সংৰক্ষণৰ অতিৰিক্ত উপাদান যেনে কণ্ডেছটৰ, যিটো সঘনাই শক্তি ইলেক্ট্ৰনিক চিৰিকুটত বিফল হয়, তাৰ প্ৰয়োজনীয়তা আঁতৰ কৰে, অতিৰিক্ত শক্তি সংৰক্ষণৰ উপাদান আৰু চিৰিকুটৰ ব্যয় আৰু আয়তনৰ দ্বাৰা সৃষ্ট লোকচান হ্ৰাস কৰে আৰু নিয়ন্ত্ৰণ এলগৰিথম সৰল কৰে। প্ৰস্তাৱিত ভাৰসাম্যতা চাৰ্কিটটো প্ৰয়োগৰ প্ৰয়োজন অনুসৰি প্ৰয়োগ কৰিব পাৰি। প্ৰস্তাৱিত টোপ লজিটো MATLAB/Simulink পৰিবেশত অনুকৰণ কৰা হৈছে আৰু সুইচড কণ্ডেছটৰ টোপ লজিৰ তুলনাত ভাৰসাম্যতা গতিৰ ক্ষেত্ৰত ভাল ফলাফল দেখুৱাইছে। বেটাৰীসমূহৰ জীৱনচক্ৰ সম্প্ৰসাৰিত কৰিবলৈ আৰু বেটাৰীসমূহৰ পৰা সৰ্বাধিক শক্তি আহৰণ কৰিবলৈ চেল ভাৰসাম্য সঞ্চালন চক্ৰসমূহ গুৰুত্বপূৰ্ণ। বেটাৰী পেকেটত চেলৰ ভাৰসাম্য ৰক্ষাৰ বাবে বহুতো শক্তি ইলেক্ট্ৰনিক্সৰ টোপ লজিৰ চেষ্টা কৰা হৈছে। সক্ৰিয় কোষৰ ভাৰসাম্য টপ লজিসমূহে ইণ্ডাক্টৰ-কেপেচিটৰ বা ট্ৰেন্সফৰ্মাৰ-কেপেচিটৰ বা ছুইচড কেপেচিটৰ বা ছুইচড ইণ্ডাক্টৰৰ সংমিশ্ৰণৰ দৰে শক্তি সঞ্চয়কাৰী উপাদান ব্যৱহাৰ কৰি বেটাৰীটোৰ কোষসমূহৰ মাজত ভল্টেজ ভাৰসাম্যতা বজাই ৰাখিবলৈ উচ্চ পাৰদৰ্শিতা দেখুওৱা কোষসমূহৰ পৰা নিম্ন পাৰদৰ্শিতা দেখুওৱা কোষসমূহলৈ শক্তি স্থানান্তৰ কৰে। এই অধ্যয়নত কোনো শক্তি সঞ্চয়ৰ উপাদান ব্যৱহাৰ নকৰাকৈ এক সক্ৰিয় ভাৰসাম্য টপ লজিৰ প্ৰস্তাৱ দিয়া হৈছে। |
0c04909ed933469246defcf9aca2b71ae8e3f623 | এই গ্ৰন্থখনৰ দ্বিতীয় সংস্কৰণত প্ৰধান পৰিৱৰ্তন হৈছে সম্ভাব্যতা পুনৰুদ্ধাৰৰ বিষয়ে এটা নতুন অধ্যায়ৰ সংযোজন। এই অধ্যায়টো অন্তৰ্ভুক্ত কৰা হৈছে কাৰণ মই ভাবো যে তথ্য পুনৰুদ্ধাৰৰ ক্ষেত্ৰত গৱেষণাৰ এইটো আটাইতকৈ আকৰ্ষণীয় আৰু সক্ৰিয় ক্ষেত্ৰ। এতিয়াও বহুতো সমস্যা সমাধানৰ বাকী আছে সেয়েহে মই আশা কৰো যে এই বিশেষ অধ্যায়টোৱে এই ক্ষেত্ৰত জ্ঞানৰ স্থিতি আগবঢ়াই নিবলৈ বিচৰাসকলৰ বাবে কিছু সহায়ক হ ব। বাকী সকলো অধ্যায়ত বিষয়বস্তুসমূহৰ ওপৰত শেহতীয়া কামৰ কিছু অংশ অন্তৰ্ভুক্ত কৰি আপডেট কৰা হৈছে। এই নতুন সংস্কৰণ প্ৰস্তুত কৰাৰ সময়ত মই ব্ৰুছ ক্ৰফ্টৰ সৈতে হোৱা আলোচনাৰ পৰা উপকৃত হৈছো। এই গ্ৰন্থখনৰ উপাদানবোৰ উন্নত স্নাতক তথ্য (বা কম্পিউটাৰ) বিজ্ঞান ছাত্ৰ, স্নাতকোত্তৰ গ্ৰন্থাগাৰ বিজ্ঞান ছাত্ৰ আৰু আইআৰ ক্ষেত্ৰত গৱেষক কৰ্মীসকলক লক্ষ্য কৰি লোৱা হৈছে। কিছুমান অধ্যায়, বিশেষকৈ অধ্যায় ৬ *, সহজভাৱে অল্প উন্নত গণিতৰ ব্যৱহাৰ কৰে। অৱশ্যে, প্ৰয়োজনীয় গাণিতিক সঁজুলিসমূহ বৰ্তমানে থকা অসংখ্য গাণিতিক পাঠৰ পৰা সহজে আয়ত্ত কৰিব পাৰি আৰু যিকোনো ক্ষেত্ৰত, গাণিতিক ঘটনা সংঘটিত হোৱা ঠাইত প্ৰসংগ প্ৰদান কৰা হৈছে। মই স্পষ্টতাৰ সৈতে প্ৰসংগসমূহৰ ঘনত্বৰ ভাৰসাম্য ৰক্ষাৰ সমস্যাৰ সন্মুখীন হ ব লগা হৈছিল। মই বহু সংখ্যক প্ৰসংগ উল্লেখ কৰাৰ প্ৰলোভন পাইছিলো কিন্তু ভয় কৰিছিলো যে ই পাঠৰ ধাৰাবাহিকতা নষ্ট কৰিব। মই এটা মধ্যম পথত চলিবলৈ চেষ্টা কৰিছো আৰু তথ্য বিজ্ঞান আৰু প্ৰযুক্তিৰ বাৰ্ষিক পৰ্যালোচনাৰ সৈতে প্ৰতিদ্বন্দ্বিতা নকৰো। সাধাৰণতে কোনো ব্যক্তিক কেৱল এনে ৰচনা উদ্ধৃত কৰিবলৈ উৎসাহিত কৰা হয় যিবোৰ কোনো সহজলভ্য ৰূপত প্ৰকাশিত হৈছে, যেনে কিতাপ বা আলোচনী। কিন্তু দুখৰ কথা যে IR ৰ বহুতো আকৰ্ষণীয় কাম কাৰিকৰী প্ৰতিবেদন আৰু ডক্টৰেট থেছিছত সন্নিৱিষ্ট হৈ থাকে। উদাহৰণ স্বৰূপে, কৰ্নেল বিশ্ববিদ্যালয়ৰ SMART প্ৰণালীত কৰা অধিকাংশ কাম কেৱল প্ৰতিবেদনতহে পোৱা যায়। সৌভাগ্যক্ৰমে, এইসমূহৰ বহুতো এতিয়া নেশ্যনেল টেকনিকেল ইনফৰমেচন ছাৰ্ভিচ (আমেৰিকান) আৰু ইউনিভাৰচিটি মাইক্ৰ ফিল্মছ (ইউকে) ৰ জৰিয়তে উপলব্ধ। মই এই উৎসসমূহৰ ব্যৱহাৰৰ পৰা আঁতৰি যোৱা নাই যদিও যদি একেটা উপাদান অন্য কোনো ৰূপত সহজতে প্ৰাপ্তিসাধ্য হয় মই ইয়াক প্ৰাধান্য দিছো। মোক সহায় কৰা বহুতো ব্যক্তি আৰু প্ৰতিষ্ঠানৰ ওচৰত মই মোৰ যথেষ্ট ঋণ স্বীকাৰ কৰিব বিচাৰো। প্ৰথমে কওঁ যে এই কিতাপখনৰ বহুতো চিন্তাৰ বাবে তেওঁলোক দায়ী কিন্তু কেৱল মইহে দায়ী হ ব বিচাৰো। মোৰ আটাইতকৈ ডাঙৰ ঋণ হৈছে কাৰেন স্পাৰ্ক জোনছ, যিজনে মোক তথ্য আহৰণক পৰীক্ষামূলক বিজ্ঞান হিচাপে গৱেষণা কৰিবলৈ শিকাইছিল। নিক জাৰডাইন আৰু ৰবিন ... |
3cfbb77e5a0e24772cfdb2eb3d4f35dead54b118 | প্ৰসংগ-প্ৰাক্কলন মডেল (অধিক সাধাৰণভাৱে এম্বেডিং বা নিউৰেল ভাষা মডেল বুলি জনা যায়) হ ল বিতৰণীয় অৰ্থবিজ্ঞান ব্লকৰ নতুন শিশু। এই মডেলসমূহৰ আশে-পাশে হোৱা গুঞ্জন সত্ত্বেও, শাস্ত্ৰীয়তাত এতিয়াও ক্লাছিক, কাউন্ট-ভেক্টৰ-ভিত্তিক বিতৰণমূলক অৰ্থগত পদ্ধতিৰ সৈতে ভৱিষ্যদ্বাণীমূলক মডেলৰ এক প্ৰণালীবদ্ধ তুলনা অভাৱী। এই প্ৰবন্ধত, আমি বহুতো পৰামিতি ছেটিংছ আৰু বহুতো লেক্সিকেল শব্দাৰ্থবিজ্ঞান কাৰ্য্যসমূহৰ ওপৰত এনে এক বিস্তৃত মূল্যায়ন সম্পন্ন কৰিছো। আমাৰ আশ্চৰ্যজনকভাৱে, ফলাফলবোৰে দেখুৱাইছে যে এই উচাহ সম্পূৰ্ণৰূপে ন্যায়সংগত, কাৰণ প্ৰসংগ-ভিত্তিক ভৱিষ্যদ্বাণীমূলক মডেলবোৰে তেওঁলোকৰ গণনা-ভিত্তিক সমতুল্যবোৰৰ বিৰুদ্ধে এক সম্পূৰ্ণ আৰু প্ৰচণ্ড বিজয় অৰ্জন কৰে। |
9ec20b90593695e0f5a343dade71eace4a5145de | ১ম শ্ৰেণীৰ ছাত্ৰ, বিভাগ মেচিন লাৰ্ণিংৰ গৱেষণাৰ এক নতুন ক্ষেত্ৰ হিচাপে ডিপ লাৰ্ণিংৰ অস্তিত্ব হৈছে। ই মানৱ মগজুৰ দৰে কাম কৰাৰ লক্ষ্য ৰাখে, জটিল তথ্যৰ পৰা শিকাৰ আৰু প্ৰক্ৰিয়া কৰাৰ ক্ষমতা আছে আৰু জটিল কামো সমাধান কৰাৰ চেষ্টা কৰে। এই ক্ষমতাৰ বাবে ইয়াক বিভিন্ন ক্ষেত্ৰত ব্যৱহাৰ কৰা হৈছে যেনে- পাঠ, শব্দ, ছবি ইত্যাদি। গভীৰ শিক্ষণ পদ্ধতিৰ দ্বাৰা প্ৰাকৃতিক ভাষাৰ প্ৰক্ৰিয়া প্ৰভাৱিত হ বলৈ আৰম্ভ কৰিছে। এই গৱেষণা পত্ৰত প্ৰাকৃতিক ভাষা প্ৰক্ৰিয়াকৰণত গভীৰ শিক্ষণৰ শেহতীয়া বিকাশ আৰু প্ৰয়োগৰ ওপৰত আলোকপাত কৰা হৈছে। |
cc13fde0a91f4d618e6af66b49690702906316ae | সাম্প্ৰতিক বছৰবোৰত ক্লাউড কম্পিউটিং আৰু বিগ ডাটা যুগৰ বিকাশৰ সাক্ষী হৈছে, যি পৰম্পৰাগত সিদ্ধান্ত বৃক্ষ এলগৰিথমলৈ প্ৰত্যাহ্বান কঢ়িয়াই আনিছে। প্ৰথমতে, ডাটা ছেটৰ আকাৰ অতি ডাঙৰ হোৱাত, সিদ্ধান্ত বৃক্ষ নিৰ্মাণৰ প্ৰক্ৰিয়াটো যথেষ্ট সময় ল ব পাৰে। দ্বিতীয়তে, যেহেতু ডাটা মেমৰিত খাপ খাব নোৱাৰে, সেয়ে কিছুমান গণনা বাহ্যিক সঞ্চয়স্থানলৈ স্থানান্তৰ কৰিব লাগিব আৰু সেয়ে I/O ব্যয় বৃদ্ধি কৰে। এই উদ্দেশ্যে, আমি MapReduce প্ৰগ্ৰামিং মডেল ব্যৱহাৰ কৰি এটা সাধাৰণ সিদ্ধান্ত বৃক্ষ এলগৰিথম, C4.5 প্ৰয়োগ কৰাৰ প্ৰস্তাৱ দিছো। বিশেষভাৱে, আমি পৰম্পৰাগত এলগৰিথমক মানচিত্ৰ আৰু হ্ৰাস প্ৰক্ৰিয়াৰ শৃংখলাত ৰূপান্তৰিত কৰো। তদুপৰি, আমি কিছুমান ডাটা গঠন ডিজাইন কৰো যাতে যোগাযোগৰ খৰচ কম হয়। আমি এটা বৃহৎ ডাটা ছেটত বিস্তৃত পৰীক্ষা-নিৰীক্ষা চলাইছো। ফলাফলসমূহে প্ৰমাণ কৰে যে আমাৰ এলগৰিথমৰ সময়দক্ষতা আৰু স্কেলিবিলিটি দুয়োটাই আছে। |
d73a71fa24b582accb934a9c2308567376ff396d | ৩ডি জিঅ ডাটাবেছ গৱেষণা হৈছে ৩ডি নগৰ পৰিকল্পনা, পৰিৱেশ পৰ্যবেক্ষণ, আন্তঃগাঁথনি ব্যৱস্থাপনা আৰু প্ৰাৰম্ভিক সতৰ্কবাণী বা দুৰ্যোগ ব্যৱস্থাপনা আৰু প্ৰতিক্ৰিয়াৰ দৰে প্ৰত্যাহ্বানমূলক প্ৰয়োগৰ সমৰ্থন কৰাৰ বাবে এক প্ৰতিশ্ৰুতিপূৰ্ণ ক্ষেত্ৰ। এই ক্ষেত্ৰত, জিআইএছচায়েন্স আৰু সম্পৰ্কীয় ক্ষেত্ৰসমূহত আন্তঃবিভাগীয় গৱেষণাৰ প্ৰয়োজন, যাতে মানৱ কাৰ্যকলাপ আৰু ভূ-তাত্ত্বিক ঘটনাৱলীৰ বৰ্ণনা কৰা বৃহৎ ভূ-সংকেতযুক্ত তথ্যৰ মডেলিং, বিশ্লেষণ, ব্যৱস্থাপনা আৰু একত্ৰীকৰণত সহায় কৰিব পৰা যায়। জিঅ ডাটাবেছে 2D মানচিত্ৰ, 3D জিঅ -বৈজ্ঞানিক মডেল আৰু অন্যান্য জিঅ -ৰেফাৰেন্সড ডাটা একত্ৰিত কৰাৰ বাবে প্লেটফৰ্ম হিচাপে কাম কৰিব পাৰে। অৱশ্যে, বৰ্তমানৰ জিঅ ডাটাবেছে পৰ্যাপ্ত 3D ডাটা মডেলিং আৰু ডাটা পৰিচালনা প্ৰযুক্তি প্ৰদান নকৰে। ভূমি আৰু আয়তন মডেলৰ বাবে নতুন থ্ৰীডি জিঅ ডাটাবেছৰ প্ৰয়োজন। এই প্ৰবন্ধত প্ৰথমতে জিঅ ডাটাবেছ গৱেষণাৰ ২৫ বছৰীয়া পৰ্যালোচনা দাঙি ধৰা হৈছে। তথ্য মডেলিং, মানদণ্ড আৰু জিঅ ডাটা সূচীবদ্ধকৰণৰ বিষয়ে বিশদভাৱে আলোচনা কৰা হৈছে। আন্তঃবিভাগীয় গৱেষণাৰ বাবে নতুন ক্ষেত্ৰ খোলাৰ বাবে থ্ৰীডি জিঅ ডাটাবেছৰ বিকাশৰ নতুন দিশসমূহ আলোচনা কৰা হৈছে। প্ৰাৰম্ভিক সতৰ্কবাণী আৰু জৰুৰীকালীন অৱস্থাত সহায়ৰ ক্ষেত্ৰত দুটা দৃশ্যই মানৱীয় আৰু ভূ-তাত্ত্বিক পৰিঘটনাসমূহৰ সংযুক্ত ব্যৱস্থাপনা প্ৰদৰ্শন কৰে। এই প্ৰবন্ধটো এটা সমালোচনামূলক দৃষ্টিভংগীৰে সমাপ্ত হৈছে। & ২০১১ এলেছভিয়াৰ লিমিটেড সকলো অধিকাৰ সংৰক্ষিত। |
dce7a0550b4d63f6fe2e6908073ce0ce63626b0c | য ত আমি ৰবট আৰু কৃত্ৰিম বুদ্ধিমত্তাৰ পথত অটোমেচনৰ পথত অগ্ৰসৰ হওঁ, আমি আমাৰ ডিভাইচবোৰ আমাৰ পৰা স্বতন্ত্ৰভাৱে কাম কৰিবলৈ নৈতিক সিদ্ধান্ত গ্ৰহণৰ এক ক্ৰমবৰ্ধমান পৰিমাণ স্বয়ংক্ৰিয় কৰিব লাগিব। কিন্তু নৈতিক সিদ্ধান্ত গ্ৰহণৰ স্বয়ংক্ৰিয়কৰণে অভিযন্তা আৰু ডিজাইনাৰসকলৰ বাবে নতুন প্ৰশ্ন উত্থাপন কৰে, যিসকলে এই কামটো কেনেকৈ সম্পন্ন কৰিব তাৰ বিষয়ে সিদ্ধান্ত ল ব লাগিব। উদাহৰণস্বৰূপে, কিছুমান নৈতিক সিদ্ধান্ত গ্ৰহণৰ ক্ষেত্ৰত কঠিন নৈতিক বিষয় জড়িত হৈ থাকে, যিয়ে আমাক স্বতন্ত্ৰতা আৰু জ্ঞাত সন্মতি সন্দৰ্ভত প্ৰৱৰ্তিত নিয়মক সন্মান জনাবলৈ হ লে ব্যৱহাৰকাৰীৰ মতামত লোৱাৰ প্ৰয়োজন। লেখকজনে এই আৰু অন্যান্য নৈতিক বিবেচনাসমূহ বিবেচনা কৰে যি নৈতিক সিদ্ধান্ত গ্ৰহণৰ স্বয়ংক্ৰিয়কৰণৰ সৈতে জড়িত। তেওঁ কিছুমান সাধাৰণ নৈতিক প্ৰয়োজনীয়তাৰ প্ৰস্তাৱ দিয়ে যিবোৰ ডিজাইন ৰুমত বিবেচনা কৰা উচিত, আৰু ডিজাইন প্ৰক্ৰিয়াত একত্ৰিত কৰিব পৰা এটা ডিজাইন সঁজুলিৰ স্কেচ দিয়ে যাতে অভিযন্তা, ডিজাইনাৰ, নৈতিকতাবিদ আৰু নীতি নিৰ্ধাৰকসকলে নিৰ্ধাৰণ কৰিব পাৰে যে নিৰ্দিষ্ট ধৰণৰ নৈতিক সিদ্ধান্ত গ্ৰহণক কেনেদৰে স্বয়ংক্ৰিয় কৰা যায়। |
ab19cbea5c61536b616cfa7654cf01bf0621b83f | |
102153467f27d43dd1db8a973846d3ac10ffdc3c | স্বাস্থ্যসেৱা হৈছে ইন্টাৰনেট অৱ থিংছ (আইঅ টি) প্ৰযুক্তিৰ আটাইতকৈ দ্ৰুতভাৱে সম্প্ৰসাৰিত প্ৰয়োগৰ ক্ষেত্ৰসমূহৰ ভিতৰত এটা। ইণ্টাৰনেট অব৲ ইন্ডিয়া ডিভাইচসমূহ ব্যৱহাৰ কৰি হৃদযন্ত্ৰৰ ৰোগৰ দৰে দীৰ্ঘস্থায়ী ৰোগত আক্ৰান্ত ৰোগীৰ স্বাস্থ্যৰ ওপৰত দূৰবৰ্তী নিৰীক্ষণ সম্ভৱ কৰি তুলিব পাৰি। এই প্ৰবন্ধত আমি হাৰ্টবিট ৰোগ নিৰ্ণয়ৰ বাবে ইচিজি বিশ্লেষণ আৰু শ্ৰেণীবিভাজনৰ বাবে এটা এলগৰিথম বিকাশ কৰো আৰু ইয়াক আইঅ টি-ভিত্তিক এমবেডেড প্লেটফৰ্মত প্ৰয়োগ কৰো। এই এলগৰিথমটো হৈছে ৰোগীৰ ২৪ ঘণ্টীয়া নিৰন্তৰ নিৰীক্ষণৰ বাবে উপযুক্ত এটা পৰিধানযোগ্য ইচিজি ৰোগ নিৰ্ণয় যন্ত্ৰৰ বাবে আমাৰ প্ৰস্তাৱ। আমি ECG বিশ্লেষণৰ বাবে ডিস্ক্ৰেট ৱেভলেট ট্ৰেন্সফৰ্ম (DWT) আৰু এটা ছাপৰ্ট ভেক্টৰ মেচিন (SVM) শ্ৰেণীবিভাজক ব্যৱহাৰ কৰোঁ। শ্ৰেণীবিভাজনৰ সৰ্বোত্তম সঠিকতা হৈছে 98.9%, আকাৰ 18 ৰ এটা বৈশিষ্ট্য ভেক্টৰ আৰু 2493 সমৰ্থন ভেক্টৰ। গেলিলিঅ ব ৰ্ডত এলগৰিথমৰ বিভিন্ন ৰূপায়নে প্ৰমাণ কৰে যে গণন ব্যয় এনে ধৰণৰ যে ইচিজি বিশ্লেষণ আৰু শ্ৰেণীবিভাজন বাস্তৱ-সময়ত কৰিব পাৰি। |
44159c85dec6df7a257cbe697bfc854ecb1ebb0b | ৰাষ্ট্ৰীয় স্বাস্থ্য প্ৰতিষ্ঠানৰ ৰাষ্ট্ৰীয় গৱেষণা কেন্দ্ৰৰ অধীনত সদ্য উদ্বোধন কৰা জটিল শাৰীৰিক সংকেতসমূহৰ গৱেষণা সংস্থানটো হৃদযন্ত্ৰ আৰু অন্যান্য জটিল জৈৱ-চিকিৎসা সংকেতসমূহৰ অধ্যয়নত বৰ্তমান গৱেষণা আৰু নতুন অনুসন্ধানক উদ্দীপিত কৰাৰ উদ্দেশ্যে নিৰ্মিত। এই সম্পদটোৰ ৩টা পৰস্পৰ নিৰ্ভৰশীল উপাদান আছে। PhysioBank হৈছে জীৱ চিকিৎসা গৱেষণা সম্প্ৰদায়ৰ ব্যৱহাৰৰ বাবে শৰীৰত হোৱা সংকেত আৰু সম্পৰ্কীয় তথ্যৰ ভালভাৱে বৰ্ণনা কৰা ডিজিটেল ৰেকৰ্ডিংৰ এক বৃহৎ আৰু ক্ৰমবৰ্ধমান পুথিভঁৰাল। বৰ্তমান ইয়াত বহু-পৰামিতি কাৰ্ডিঅ পলম নাৰী, নিউৰেল আৰু স্বাস্থ্যৱান লোকৰ পৰা আৰু জনস্বাস্থ্যৰ ওপৰত গুৰুত্বপূৰ্ণ প্ৰভাৱ থকা বিভিন্ন ৰোগৰ ৰোগীৰ পৰা, জীৱন-হুমকিজনক এৰিথমিয়া, কংকষ্টিভ হাৰ্ট ফীল, স্লিপ এপনিয়া, স্নায়ুজনিত ৰোগ আৰু বার্ধক্যকে ধৰি অন্যান্য বায় মেডিকেল সংকেতৰ ডাটাবেছ অন্তৰ্ভুক্ত কৰা হৈছে। PhysioToolkit হৈছে শৰীৰতত্বৰ সংকেত প্ৰক্ৰিয়া আৰু বিশ্লেষণ, পৰিসংখ্যাগত পদাৰ্থবিজ্ঞান আৰু অ-ৰেখিক গতিবিজ্ঞানৰ ওপৰত ভিত্তি কৰি ক্লাছিক কৌশল আৰু নৱ পদ্ধতি উভয় ব্যৱহাৰ কৰি শৰীৰতত্বৰ গুৰুত্বপূৰ্ণ ঘটনাসমূহৰ আৱিষ্কাৰ, সংকেতসমূহৰ আন্তঃক্ৰিয়াশীল প্ৰদৰ্শন আৰু চৰিত্ৰবিজ্ঞান, নতুন ডাটাবেছ সৃষ্টি, শৰীৰতত্ব আৰু অন্যান্য সংকেতসমূহৰ অনুকৰণ, বিশ্লেষণ পদ্ধতিৰ পৰিমাণগত মূল্যায়ন আৰু তুলনা, আৰু অস্থায়ী প্ৰক্ৰিয়াৰ বিশ্লেষণৰ বাবে মুক্ত উৎসৰ ছফ্টৱেৰ লাইব্ৰেৰীৰ এটা সংগ্ৰহালয়। PhysioNet হৈছে ৰেকৰ্ড কৰা জৈৱ-চিকিৎসা সংকেত আৰু সেইবোৰ বিশ্লেষণৰ বাবে মুক্ত উৎসৰ ছফ্টৱেৰ প্ৰচাৰ আৰু বিনিময়ৰ বাবে এক অনলাইন ফ ৰাম। ই তথ্যৰ সহযোগিতামূলক বিশ্লেষণ আৰু প্ৰস্তাৱিত নতুন এলগৰিথমৰ মূল্যায়নৰ সুবিধা প্ৰদান কৰে। ৱৰ্ল্ড ৱাইড ৱেবৰ জৰিয়তে PhysioBank ডাটা আৰু PhysioToolkit ছফ্টৱেৰলৈ বিনামূলীয়া ইলেক্ট্ৰনিক প্ৰৱেশাধিকাৰ প্ৰদান কৰাৰ উপৰিও (http://www.physionet. PhysioNet নামৰ এটা প্ৰতিষ্ঠানত বিভিন্ন পৰ্যায়ৰ বিশেষজ্ঞৰ সহায়ত অনলাইন টিউটোৰিয়েলযোগে সেৱা আৰু প্ৰশিক্ষণ প্ৰদান কৰা হয়। |
a92eac4415719698d7d2097ef9564e7b36699010 | উদ্দেশ্য - কৰ্পৰেট বহনক্ষমতা আৰু ইয়াৰ প্ৰদৰ্শনৰ ওপৰত মূল্যায়ন আৰু প্ৰতিবেদন প্ৰদানত ষ্টেকহ ল্ডাৰসকলক জড়িত কৰাৰ এক পদ্ধতি হিচাপে সামাজিক অডিটৰ প্ৰয়োগযোগ্যতা চিনাক্ত কৰা। ডিজাইন/পদ্ধতি/প্ৰণালী - এএ১০০০ আৰু সামাজিক অডিটিং অধ্যয়নৰ ফ্ৰেমৱৰ্কৰ আধাৰত এই প্ৰবন্ধত ষ্টেকহ ল্ডাৰ এঙ্গেজমেণ্ট, সামাজিক অডিটিং আৰু কৰ্পৰেট বহনক্ষমতাৰ মাজত সম্পৰ্ক স্থাপন কৰা হৈছে। ফলাফল - এই প্ৰবন্ধত কৰ্পৰেট বহনক্ষমতা আৰু সামাজিক অডিটৰ মাজত এটা মিল চিহ্নিত কৰা হৈছে, কিয়নো দুয়োটা উদ্দেশ্যেই এটা সংগঠনৰ সামাজিক, পৰিৱেশ আৰু অৰ্থনৈতিক কাৰ্যক্ষমতা উন্নত কৰা, অধিক সংখ্যক ষ্টেকহ ল্ডাৰৰ কল্যাণক বিবেচনা কৰা আৰু প্ৰক্ৰিয়াটোত ষ্টেকহ ল্ডাৰসকলৰ জড়িতকৰণৰ প্ৰয়োজন। এই প্ৰবন্ধত প্ৰস্তাৱ কৰা হৈছে যে আলোচনাৰ মাধ্যমেৰে অংশীদাৰসকলক জড়িত কৰি সামাজিক নিৰীক্ষণৰ জৰিয়তে বিশ্বাস গঢ়ি তোলা, প্ৰতিশ্ৰুতি চিনাক্ত কৰা আৰু অংশীদাৰ আৰু প্ৰতিষ্ঠানসমূহৰ মাজত সহযোগিতা প্ৰসাৰ কৰা সম্ভৱ। গৱেষণাৰ সীমাবদ্ধতা/প্ৰভাৱ - এই গৱেষণাত কৰ্পৰেট বহনক্ষমতা আৰু সংলাপ-ভিত্তিক সামাজিক অডিটৰ সীমাবদ্ধতাৰ নিৰ্ধাৰণৰ ক্ষেত্ৰত সামাজিক অডিটৰ ব্যৱহাৰিকতাৰ ওপৰত অধিক প্ৰামাণিক গৱেষণাৰ প্ৰয়োজন। ব্যৱহাৰিক প্ৰভাৱ - সামাজিক নিৰীক্ষণক এক গণতান্ত্ৰিক ব্যৱসায় সমাজত বিভিন্ন অংশীদাৰ আৰু কৰ্পৰেটসমূহৰ মাজত থকা স্বাৰ্থৰ ভাৰসাম্য ৰক্ষাৰ এক উপযোগী ব্যৱস্থা হিচাপে চিহ্নিত কৰা হৈছে। সামাজিক নিৰীক্ষণৰ প্ৰয়োগে কৰ্পৰেট বহনক্ষমতা বিকাশ আৰু প্ৰাপ্ত কৰাত স্পষ্টভাৱে ব্যৱহাৰিক প্ৰভাৱ পেলায়। মূলধন/মূল্য - এই প্ৰবন্ধত ব্যৱসায়িক প্ৰতিষ্ঠানসমূহক বহনক্ষমতাৰ দিশত অগ্ৰসৰ হোৱাত সহায় কৰিবলৈ সংলাপ-ভিত্তিক সামাজিক অডিটৰ প্ৰয়োগযোগ্যতাৰ বিষয়ে আলোচনা কৰা হৈছে। সামাজিক নিৰীক্ষণক কৰ্পৰেট সামাজিক আৰু পৰিৱেশগত প্ৰদৰ্শনৰ মূল্যায়ন আৰু প্ৰতিবেদন প্ৰদানৰ প্ৰক্ৰিয়া হিচাপে ব্যৱহাৰ কৰি হিতাধিকাৰীসকলক আলোচনাৰ মাধ্যমেৰে জড়িত কৰি আস্থা গঢ়ি তোলা, দায়বদ্ধতা চিনাক্ত কৰা আৰু হিতাধিকাৰী আৰু কৰ্পৰেটৰ মাজত সহযোগিতা প্ৰসাৰ কৰা সম্ভৱ হ ব। |
915c4bb289b3642489e904c65a47fa56efb60658 | আমি ছবি ৰূপান্তৰ সমস্যা বিবেচনা কৰো, য ত এটা ইনপুট ছবি এটা আউটপুট ছবিলৈ ৰূপান্তৰিত হয়। এনে সমস্যাৰ বাবে শেহতীয়া পদ্ধতিবোৰে সাধাৰণতে আউটপুট আৰু গ্ৰাউণ্ড-ট্ৰুথ ইমেজসমূহৰ মাজত প্ৰতি পিক্সেলৰ ক্ষতি ব্যৱহাৰ কৰি ফিড-ফৰৱাৰ্ড কনভলুশ্যনেল নিউৰেল নেটৱৰ্কসমূহ প্ৰশিক্ষণ দিয়ে। সমান্তৰাল কামে দেখুৱাইছে যে পূৰ্ব প্ৰশিক্ষিত নেটৱৰ্কসমূহৰ পৰা আহৰণ কৰা উচ্চ-স্তৰৰ বৈশিষ্ট্যৰ ওপৰত ভিত্তি কৰি উপলব্ধি ক্ষতিৰ কাৰ্য্য সংজ্ঞায়িত আৰু অনুকূলিতকৰণ কৰি উচ্চ-মানৰ ছবি সৃষ্টি কৰিব পাৰি। আমি দুয়োটা পদ্ধতিৰ সুবিধা সংমিশ্ৰণ কৰোঁ, আৰু ছবি ৰূপান্তৰ কাৰ্যৰ বাবে ফিড-ফৰৱাৰ্ড নেটৱৰ্ক প্ৰশিক্ষণৰ বাবে উপলব্ধি ক্ষতিৰ কাৰ্যৰ ব্যৱহাৰৰ প্ৰস্তাৱ দিওঁ। আমি ছবিৰ শৈলী স্থানান্তৰিত কৰাৰ ফলাফল দেখুৱাম, য ত গেটছ আৰু আনসকলে প্ৰস্তাৱ কৰা অপ্টিমাইজেশ্যন সমস্যাটো বাস্তৱ-সময়ত সমাধান কৰিবলৈ এটা ফিড-ফৰৱাৰ্ড নেটৱৰ্ক প্ৰশিক্ষিত কৰা হয়। অপ্টিমাইজেশ্যন-ভিত্তিক পদ্ধতিৰ তুলনাত, আমাৰ নেটৱৰ্কটোৱে একেধৰণৰ গুণগত ফলাফল দিয়ে কিন্তু তিনিটা মাত্ৰাৰ দ্ৰুত। আমি এটা ছবিৰ অতি উচ্চতাৰ সৈতেও পৰীক্ষা-নিৰীক্ষা চলাইছো, য ত প্ৰতি পিক্সেলৰ ক্ষতিৰ ঠাইত এটা ধাৰণাজনিত ক্ষতিৰ সৃষ্টি কৰিলে দৃশ্যত সন্তোষজনক ফলাফল পোৱা যায়। |
9201bf6f8222c2335913002e13fbac640fc0f4ec | |
929a376c6fea1376baf40fc2979cfbdd867f03ab | ক্ষতিযুক্ত ছবি সংকোচন পদ্ধতিয়ে সদায় সংকোচিত ফলাফলত বিভিন্ন অপ্ৰিয় আৰ্টিফেক্ট প্ৰৱৰ্তন কৰে, বিশেষকৈ কম বিট-ৰেটত। সাম্প্ৰতিক বছৰবোৰত, JPEG সংকুচিত ছবিৰ বাবে বহুতো কাৰ্যকৰী নৰম ডিকোডিং পদ্ধতিৰ প্ৰস্তাৱ দিয়া হৈছে। কিন্তু, আমাৰ জ্ঞানৰ ওপৰত ভিত্তি কৰি, JPEG 2000 কম্প্ৰেছ কৰা ছবিৰ ছফ্ট ডিক ডিংৰ ওপৰত খুব কম কাম কৰা হৈছে। বিভিন্ন কম্পিউটাৰ ভিজন কাৰ্যত কনভলুচন নিউৰেল নেটৱৰ্ক (চি এন এন) ৰ অসামান্য কাৰ্যক্ষমতাৰ দ্বাৰা অনুপ্ৰাণিত হৈ, আমি একাধিক বিট-ৰেট-চালিত গভীৰ চি এন এন ব্যৱহাৰ কৰি জেপিইজি ২০০০ ৰ বাবে এটা নৰম ডিকোডিং পদ্ধতি উপস্থাপন কৰোঁ। অধিক স্পষ্টভাৱে, প্ৰশিক্ষণৰ পৰ্যায়ত, আমি বহুতো উচ্চ মানৰ প্ৰশিক্ষণ ছবি আৰু সংশ্লিষ্ট JPEG 2000 সংকুচিত ছবি বিভিন্ন কোডিং বিট-ৰেটত ব্যৱহাৰ কৰি গভীৰ চিএনএনৰ শৃংখলা প্ৰশিক্ষণ দিওঁ। পৰীক্ষাৰ পৰ্যায়ত, এটা ইনপুট সংকুচিত ছবিৰ বাবে, সৰ্বাধিক কোডিং বিট-ৰেট প্ৰশিক্ষিত চিএনএনক নৰম ডিকোডিং কৰিবলৈ নিৰ্বাচন কৰা হয়। বিস্তৃত পৰীক্ষাই প্ৰদৰ্শন কৰা নৰম ডিক ডিং ফ্ৰেমৱৰ্কৰ কাৰ্যকৰীতা প্ৰদৰ্শন কৰে, যি JPEG 2000 সংকুচিত ছবিৰ দৰ্শনীয় গুণ আৰু উদ্দেশ্য স্ক ৰক যথেষ্ট উন্নত কৰে। |
cfa092829c4c7a42ec77ab6844661e1dae082172 | বিটকয়েনে এটা নতুন ধাৰণা প্ৰৱৰ্তন কৰিছে যি সমগ্ৰ ইণ্টাৰনেটত বিপ্লৱ ঘটাব পাৰে আৰু বেংকিং, ৰাজহুৱা খণ্ড আৰু যোগান শৃংখলাকে ধৰি কিন্তু ইয়াৰ সৈতে সীমাবদ্ধ নোহোৱাকৈ বহুতো ধৰণৰ উদ্যোগত ইতিবাচক প্ৰভাৱ পেলাব পাৰে। এই উদ্ভাৱন ছ্যুড অনামীটিৰ ওপৰত আধাৰিত আৰু ব্লকচেইন প্ৰযুক্তিৰ ওপৰত আধাৰিত ইয়াৰ উদ্ভাৱনীমূলক বিকেন্দ্ৰীকৃত আৰ্হিৰ ওপৰত প্ৰয়াস কৰে। ব্লকচেইনে এক কেন্দ্ৰীয় কৰ্তৃপক্ষৰ প্ৰয়োজন নোহোৱাকৈ ট্ৰাষ্ট প্ৰতিষ্ঠা কৰা লেনদেন-ভিত্তিক এপ্লিকেচনৰ দৌৰ আগবঢ়াই নিছে, ব্যৱসায়িক প্ৰক্ৰিয়াৰ ভিতৰত জবাবদিহিতা আৰু স্বচ্ছতা বৃদ্ধি কৰিছে। অৱশ্যে, এটা ব্লকচেইন লিজাৰ (যেনে, বিটকয়েন) অতি জটিল হৈ পৰে আৰু বিশেষীকৃত সঁজুলি, যাক সামূহিকভাৱে ব্লকচেইন এনালিটিক্স বুলি কোৱা হয়, ব্যক্তি, আইন বলৱৎকাৰী সংস্থা আৰু সেৱা প্ৰদানকাৰীক ইয়াক অনুসন্ধান, অন্বেষণ আৰু দৃশ্যমান কৰিবলৈ অনুমতি দিয়াৰ প্ৰয়োজন। বিগত বছৰসমূহত, বহুতো বিশ্লেষণাত্মক সঁজুলিৰ বিকাশ সাধন কৰা হৈছে যিবোৰৰ সামৰ্থই, উদাহৰণস্বৰূপে, সম্পৰ্কসমূহ মেপিং, লেনদেনৰ প্ৰবাহ পৰীক্ষা কৰা আৰু ফৰেনচিক অনুসন্ধান উন্নত কৰাৰ উপায় হিচাপে অপৰাধৰ উদাহৰণ ফিল্টাৰ কৰা। এই প্ৰবন্ধত ব্লকচেইন বিশ্লেষণাত্মক সঁজুলিৰ বৰ্তমান অৱস্থা সম্পৰ্কে আলোচনা কৰা হৈছে আৰু তেওঁলোকৰ প্ৰয়োগৰ ওপৰত ভিত্তি কৰি এটা বিষয়গত শ্ৰেণীবিভাজন মডেল দাঙি ধৰা হৈছে। ই ভৱিষ্যতৰ বিকাশ আৰু গৱেষণাৰ বাবে মুকলি প্ৰত্যাহ্বানসমূহো পৰীক্ষা কৰে। |
2e5fadbaab27af0c2b5cc6a3481c11b2b83c4f94 | আমি এখন ফটোগ্ৰাফৰ আঁৰৰ ফটোগ্ৰাফাৰজনক চিনাক্ত কৰাৰ নৱম সমস্যাটো প্ৰৱৰ্তন কৰো। এই সমস্যা সমাধানৰ বাবে কম্পিউটাৰ ভিজন প্ৰযুক্তিৰ ব্যৱহাৰযোগ্যতা পৰীক্ষা কৰিবলৈ আমি ৪১ জন বিখ্যাত ফটোগ্ৰাফাৰৰ ১৮০,০০০ ৰো অধিক ছবিৰ এটা নতুন ডাটা ছেট প্ৰস্তুত কৰিছিলো। এই ডাটা ছেট ব্যৱহাৰ কৰি, আমি ফটোগ্ৰাফাৰ চিনাক্তকৰণত বিভিন্ন বৈশিষ্ট্যৰ কাৰ্য্যকৰিতা পৰীক্ষা কৰিছিলো (নিম্ন আৰু উচ্চ স্তৰৰ, চি এন এন বৈশিষ্ট্যসমূহকে ধৰি) । আমি এই কামৰ বাবে এটা নতুন গভীৰ কনভলুশ্যনেল নিউৰেল নেটৱৰ্কো প্ৰশিক্ষণ দিছো। আমাৰ ফলাফলবোৰে দেখুৱাইছে যে উচ্চ পৰ্যায়ৰ বৈশিষ্টবোৰে নিম্ন পৰ্যায়ৰ বৈশিষ্টবোৰক অতিক্ৰম কৰে। আমি এই শিক্ষিত মডেলবোৰ ব্যৱহাৰ কৰি গুণগত ফলাফল প্ৰদান কৰো যিয়ে আমাৰ পদ্ধতিৰ ফটোগ্ৰাফাৰসকলৰ মাজত পাৰ্থক্য দেখুওৱাৰ ক্ষমতা প্ৰদান কৰে, আৰু আমাক বিশেষ ফটোগ্ৰাফাৰসকলে কি শ্বুটিং কৰে সেই বিষয়ে আকৰ্ষণীয় সিদ্ধান্ত ল বলৈ অনুমতি দিয়ে। আমি আমাৰ পদ্ধতিৰ দুটা প্ৰয়োগো প্ৰদৰ্শন কৰিম। |
25b6818743a6c0b9502a1c026c653038ff505c09 | |
6ed67a876b3afd2f2fb7b5b8c0800a0398c76603 | |
24281c886cd9339fe2fc5881faf5ed72b731a03e | মেপ ৰেডুক আৰু ইয়াৰ ভেৰিয়েন্টবোৰে কমোডিটি ক্লাষ্টাৰত বৃহৎ স্কেল ডাটা-ইনটেন্সিভ এপ্লিকেশ্যন প্ৰয়োগ কৰাত অত্যন্ত সফল হৈছে। অৱশ্যে, এই বেছিভাগ ব্যৱস্থা এটা অচক্ৰীয় ডাটা ফ্ল মডেলৰ ওপৰত নিৰ্মিত যিটো আন জনপ্ৰিয় এপ্লিকেচনৰ বাবে উপযুক্ত নহয়। এই প্ৰবন্ধত এনে এক শ্ৰেণীৰ প্ৰয়োগৰ ওপৰত গুৰুত্ব দিয়া হৈছেঃ যিবোৰে একাধিক সমান্তৰাল কাৰ্য্যকৰীতাসমূহৰ জৰিয়তে এক কাৰ্য্যকৰী তথ্যৰ ছেট পুনৰ ব্যৱহাৰ কৰে। ইয়াৰ ভিতৰত বহুতো পুনৰাবৃত্তিমূলক মেচিন লাৰ্ণিং এলগৰিথমৰ লগতে ইন্টাৰেক্টিভ ডাটা বিশ্লেষণ সঁজুলিও অন্তৰ্ভুক্ত আছে। আমি স্পাৰ্ক নামৰ এটা নতুন ফ্ৰেমৱৰ্ক প্ৰস্তাৱ কৰিছো যি মেপ ৰেডুচৰ স্কেলবিলিটি আৰু ফল্ট টলাৰেন্স বজাই ৰাখি এই এপ্লিকেচনসমূহক সমৰ্থন কৰে। এই লক্ষ্যসমূহ প্ৰাপ্ত কৰিবলৈ, স্পাৰ্কে এটা বিমূর্তকৰণ প্ৰৱৰ্তন কৰে যাক ৰেচিলিয়েন্ট ডিষ্ট্ৰিবিউটেড ডাটাছেট (RDDs) বুলি কোৱা হয়। এটা RDD হৈছে এটা মেচিনৰ ছেটত বিভাজিত বস্তুৰ এটা পঠনযোগ্য সংগ্ৰহ যাক এটা বিভাজন হেৰোৱাৰ ক্ষেত্ৰত পুনৰ নিৰ্মাণ কৰিব পাৰি। স্পাৰ্কে পুনৰাবৃত্তিমূলক মেচিন লাৰ্ণিং জবসমূহত হাডুপক ১০ গুণে অতিক্ৰম কৰিব পাৰে, আৰু এটা ৩৯ জিবি ডাটাছেটক ছেকেণ্ডৰ কম সময়ৰ সঁহাৰিৰ সৈতে ইন্টাৰেক্টিভভাৱে কুৱেৰী কৰিবলৈ ব্যৱহাৰ কৰিব পাৰি। |
03ff3f8f4d5a700fbe8f3a3e63a39523c29bb60f | বাক্যবোৰ সঠিকভাৱে উপস্থাপন কৰাৰ ক্ষমতা ভাষাৰ বোধগম্যতাৰ কেন্দ্ৰীয় বিষয়। আমি এটা কনভলুশ্যনেল স্থাপত্যৰ বৰ্ণনা দিছো যাক ডাইনামিক কনভলুশ্যনেল নিউৰেল নেটৱৰ্ক (DCNN) বুলি কোৱা হয় যাক আমি বাক্যবোৰৰ অৰ্থবিজ্ঞান মডেলিংৰ বাবে গ্ৰহণ কৰো। নেটৱৰ্কটোৱে ডাইনামিক কে-মেক্স পুলিং ব্যৱহাৰ কৰে, যিয়ে এটা গোলকীয় পুলিং অপাৰেশ্যন লিনিয়াৰ ক্ৰমত ব্যৱহাৰ কৰে। নেটৱৰ্কটোৱে বিভিন্ন দৈৰ্ঘ্যৰ ইনপুট বাক্যবোৰ পৰিচালনা কৰে আৰু বাক্যটোৰ ওপৰত এটা বৈশিষ্ট্যযুক্ত গ্ৰাফ প্ৰেৰিত কৰে যি স্বল্প আৰু দীৰ্ঘ-দূৰণিৰ সম্পৰ্কবোৰ স্পষ্টভাৱে ধৰা পেলাবলৈ সক্ষম। নেটৱৰ্কটো কোনো পাৰ্ছাৰ ট্ৰীৰ ওপৰত নিৰ্ভৰ নকৰে আৰু যিকোনো ভাষাত সহজে প্ৰয়োগ কৰিব পাৰি। আমি চাৰিটা পৰীক্ষাত DCNN পৰীক্ষা কৰিছিলো: সৰু স্কেল বাইনেৰী আৰু মাল্টি-ক্লাসৰ মতামত, ছয়-পথৰ প্ৰশ্ন শ্ৰেণীবিভাজন আৰু দূৰৱৰ্তী নিৰীক্ষণৰ দ্বাৰা টুইটাৰ মতামত। নেটৱৰ্কে প্ৰথম তিনিটা কামত উৎকৃষ্ট প্ৰদৰ্শন কৰে আৰু শেষ কামত ২৫% তকৈ অধিক ত্ৰুটি হ্ৰাস কৰে শক্তিশালী বেছলাইনক লৈ। |
ff5c193fd7142b3f426baf997b43937eca1bbbad | বহুস্তৰীয় ইনভাৰ্টাৰ প্ৰযুক্তি সম্প্রতি উচ্চ ক্ষমতাসম্পন্ন মধ্য-ভোল্টেজৰ শক্তি নিয়ন্ত্ৰণৰ ক্ষেত্ৰত এক অতি গুৰুত্বপূৰ্ণ বিকল্প হিচাপে আত্মপ্ৰকাশ কৰিছে। এই প্ৰবন্ধত ডায় ড-ক্ল্যাম্পড ইনভাৰ্টাৰ (নিৰপেক্ষ-পইণ্ট ক্ল্যাম্পড), কণ্ডেছটৰ-ক্ল্যাম্পড (ফ্লাইং কণ্ডেছটৰ), আৰু পৃথক ডিচি উৎসৰ সৈতে কেস্কেডযুক্ত মাল্টিচেলৰ দৰে গুৰুত্বপূৰ্ণ টোপ লজিসমূহ উপস্থাপন কৰা হৈছে। উদ্ভৱ হোৱা টপ লজি যেনে অসীমাকৃত হাইব্ৰিড চেল আৰু নৰম-স্বিচড মাল্টিলেভেল ইনভাৰ্টাৰৰ বিষয়েও আলোচনা কৰা হৈছে। এই প্ৰবন্ধত এই পৰিবাহী সংকেতৰ বাবে উদ্ভাৱিত আটাইতকৈ প্ৰাসংগিক নিয়ন্ত্ৰণ আৰু প্ৰান্তিককৰণ পদ্ধতিসমূহও উপস্থাপন কৰা হৈছেঃ বহুস্তৰীয় ছিউনচাইডাল পালছব্ৰিডথ প্ৰান্তিককৰণ, বহুস্তৰীয় নিৰ্বাচনশীল হাৰম নিক নিৰ্মূল আৰু স্থান-ভেক্টৰ প্ৰান্তিককৰণ। এই কনভাৰ্টাৰৰ শেহতীয়া আৰু অধিক প্ৰাসংগিক এপ্লিকেচন যেনে লেমিনেটৰ, কনভেয়ৰ বেল্ট আৰু ইউনিফাইড পাৱাৰ ফ্ল নিয়ন্ত্ৰকলৈ বিশেষ মনোযোগ দিয়া হৈছে। পুনৰুজ্জীৱিত লোড যোগান ধৰা ইনভাৰ্টাৰৰ বাবে ইনপুটৰ ফালে সক্ৰিয় ফ্ৰণ্ট এণ্ডৰ প্ৰয়োজনীয়তাৰ বিষয়েও আলোচনা কৰা হৈছে আৰু চাৰ্কিট টপ লজি বিকল্পসমূহো উপস্থাপন কৰা হৈছে। অৱশেষত, উচ্চ-ভোল্টেজ উচ্চ-শক্তিৰ ডিভাইচ আৰু অপ্টিকেল ছেন্সৰ আৰু ভৱিষ্যতৰ বিকাশৰ অন্যান্য সুযোগৰ দৰে প্ৰান্তীয়ভাৱে বিকাশশীল ক্ষেত্ৰসমূহক সামৰি লোৱা হৈছে। |
Subsets and Splits