_id
stringlengths 40
40
| text
stringlengths 0
12.6k
|
|---|---|
2b211f9553ec78ff17fa3ebe16c0a036ef33c54b | मार्को ए. रोड्रिगेज एटी एंड टी इंटरएक्टिव मा ग्राफ सिस्टम आर्किटेक्ट है। ओका मार्को <at>markorodriguez.com मा भी जाय सकत है। पीटर न्यूबॉयर नियो टेक्नोलॉजी का चीफ ऑपरेटिंग ऑफिसर है। ऊ पेटर.नेउबॉयर<at>neotechnology.com पर पहुँच सकत है. एक ग्राफ एक डेटा संरचना है, जो बिंदुओं (यानी, वर्टिक्स) और रेखाओं (यानी, किनारों) से बना है। एक ग्राफ कय बिन्दुअन अउर रेखों का जटिल व्यवस्था मा व्यवस्थित कीन जाय सकत है। वस्तुअन अउर एक दूसरे से उनके सम्बन्धन का दर्शावे खातिर ग्राफ कय क्षमता एगो आश्चर्यजनक रूप से ढेर वस्तुअन कय ग्राफ के रूप मा मॉडल करेक अनुमति देत है। सॉफ्टवेयर पैकेज से जुड़ल निर्भरता से लेके लकड़ी के बीम तक जवन कि एक घर का फ्रेम बनावति हैं, लगभग हर चीज का एक अनुरूप ग्राफ प्रतिनिधित्व होत है. हालांकि, इ जरुरी नाहीं कि चीजन का ग्राफ के रूप मा देखावा जाय बल्कि इ जरूरी बा कि चीजन का ग्राफ के रूप मा देखावा जाय। अगर एक मॉडल कई टूल्स अउर एल्गोरिदम का लाभ उठा सकत है जवन ग्राफ के भंडारण अउर प्रसंस्करण करत है, त अइसन मानचित्रण सार्थक अहै। ई लेख कम्प्यूटिंग मा ग्राफिक्स की दुनिया का पता लगावत है औ उन स्थितियों का पर्दाफाश करत है जौन ग्राफिकल मॉडल उपयोगी हैं। |
0c5e3186822a3d10d5377b741f36b6478d0a8667 | कृत्रिम बुद्धिमत्ता मा एक केंद्रीय समस्या आंशिक रूप से अवलोकन योग्य वातावरण मा अनिश्चितता के तहत भविष्य इनाम को अधिकतम करे का योजना बना रहा है। इ पेपर मा हम एक नया एल्गोरिथ्म क प्रस्ताव करत हौ जवन कि एक्शन-ऑब्जर्वेशन जोड़े के अनुक्रम से सीधे अईसन एक परिवेश का मॉडल सही ढंग से सीखत हौ। हम तब तक लेब जब तक लेई ई सब बंद नाई होइ जाय तब तक लेब हम आपन आप से ई सब गायब नाई कराइब हम ई सब गायब नाई कराइब हम ई सब गायब नाई कराइब हम ई सब गायब नाई कराइब हम ई सब गायब नाई कराइब हम ई सब गायब नाई कराइब हम ई सब गायब नाई कराइब हम ई सब गायब नाई कराइब हम ई सब गायब नाई कराइब हम ई सब गायब नाई कराइब हम ई सब गायब नाई कराइब विशेष रूप से, हम एक प्रभावी अउर सांख्यिकीय रूप से सुसंगत स्पेक्ट्रल एल्गोरिथ्म प्रस्तुत करत हैं जवन एक प्रेडिक्टिव स्टेट रिप्रेजेंटेशन (पीएसआर) के पैरामीटर का सीखे खातिर बा। हम एल्गोरिथ्म का प्रदर्शन करके एक मॉडल का सिमुलेट उच्च आयामी, दृष्टि आधारित मोबाइल रोबोट योजना कार्य का सीखें, और फिर सीखे गए PSR में अनुमानित बिंदु आधारित योजना का प्रदर्शन करें। हमार परिणाम के विश्लेषण से पता चलता है कि एल्गोरिथ्म एक राज्य का स्थान सीखता है जो पर्यावरण की आवश्यक विशेषताओं का कुशलता से पकड़ता है। इ प्रतिनिधित्व एक सटीक भविष्यवाणी क अनुमति देत है, जौन आंशिक रूप से अल्पकालिक अहै, अउर सफल और कुशल योजनाओं का आभावित करत है। |
16611312448f5897c7a84e2f590617f4fa3847c4 | छिपा मार्कोव मॉडल (HMMs) असतत समय श्रृंखला का मॉडलिंग करने का सबसे बुनियादी और व्यापक रूप से उपयोग किया जाने वाला सांख्यिकीय उपकरण है। आम तौर पे, उहौ समुद्र-रच हेरिस्टिक्स (जैसे कि बाउम-वेल्च / ईएम एल्गोरिथ्म) का उपयोग कइके सीखा जात है, जउन सामान्य स्थानीय ऑप्टिमा मुद्दों से पीड़ित होत हैं। जबकि सामान्य रूप से इ मॉडल को अंतर्निहित वितरण से नमूने के साथ सीखना मुश्किल है, हम प्राकृतिक अलगाव की स्थिति के तहत एचएमएम का अध्ययन करने के लिए पहला साबित कुशल एल्गोरिथ्म (नमूना और कम्प्यूटेशनल जटिलता के संदर्भ में) प्रदान करते हैं। इ स्थिति लगभग वही है जवन मिश्रण वितरण का सीखे खातिर अलग से विचार कीन जाय वाली स्थिति (जहां, समान रूप से, इ मॉडल का सीखे मा कठिनाई होई है) । एकर अलावा, हमार नमूना पूर्णता का परिणाम अलग-अलग (अलग) अवलोकन संख्या पर स्पष्ट रूप से निर्भर नहीं करता है - ई सब अवलोकन संख्या पर अंतर्निहित रूप से निर्भर करता है, हालांकि, स्पेक्ट्रल गुणों के माध्यम से HMM अंतर्निहित है। इ एल्गोरिथ्म विशेष रूप से उन स्थितियों पे लागू होत है जहां बड़ी संख्या में अवलोकन होत हैं, जैसे कि प्राकृतिक भाषा प्रसंस्करण (नेचुरल लैंग्वेज प्रोसेसिंग) मा जहां अवलोकन का स्थान कभी-कभी एक भाषा में शब्द होत हैं। अंत मा, एल्गोरिथ्म विशेष रूप से सरल है, केवल एक एकल आर मान अपघटन और मैट्रिक्स गुणन मा निर्भर करत है। |
8ad6fda2d41dd823d2569797c8c7353dad31b371 | हम एक विशेषता-आधारित एन्क्रिप्शन (एबीई) योजना का निर्माण करते हैं जो एक उपयोगकर्ता की निजी कुंजी को विशेषता पर किसी भी एक्सेस सूत्र के संदर्भ में व्यक्त करने की अनुमति देता है। पहिले ABE योजनाएं केवल एक मोनोटोनिक एक्सेस संरचना का व्यक्त करने तक सीमित थीं। हम आपन योजना खातिर सुरक्षा का प्रमाण देहे हई जेके आधार पर डिसीजनल बिलाइनर डिफी-हेलमैन (बीडीएच) परिकल्पना कीन जात है। एकरे अलावा, हमार नया स्कीम मौजूदा स्कीम से काफी अलग अहै जेहमा कम खर्च होइ जात है। |
4f3dbfec5c67f0fb0602d9c803a391bc2f6ee4c7 | 20 गीगाहर्ट्ज का चरण-बंद लूप 4.9 पीएस/सब पीपी/0.65 पीएस/सब आरएमएस/जिटर और -113.5 डीबीसी/एचजेड चरण शोर के साथ 10 मेगाहर्ट्ज ऑफसेट पर प्रस्तुत किया जाता है। एक आधा कर्तव्य नमूना फीड-आगे लूप फ़िल्टर कि बस एक स्विच संग प्रतिरोध प्रतिस्थापन गर्दछ र एक इन्वर्टर मा -44.0 dBc मा नीचे मा संदर्भ spur दबाता छ। एक डिजाइन पुनरावृत्ति प्रक्रिया का रूपरेखा दिया गया है कि एक जोड़ा माइक्रोस्ट्रिप अनुनाद के साथ एक नकारात्मक-g/sub m/ ऑसिलेटर का चरण शोर कम से कम हो। पल्सड लैच से बने स्टेटिक फ्रीक्वेंसी डिवाइडर फ्लिप-फ्लॉप से बने लोगन से तेज काम करत है अउर लगभग 2:1 फ्रीक्वेंसी रेंज प्राप्त करत है। 0.13-/spl mu/m CMOS मा निर्मित चरण-बंद लूप 17.6 से 19.4GHz मा कार्यरत छ र 480mW फैलाव। |
1fcaf7ddcadda724d67684d66856c107375f448b | हम टेक्स्ट वर्गीकरण खातिर एक नया Convolutional Neural Network (CNN) मॉडल प्रस्तुत करत बानी जवन संयुक्त रूप से दस्तावेज़ अउर उनकर घटक वाक्य पर लेबल का शोषण करत बा. विशेष रूप से, हम ओ परिदृश्य पर विचार कर त हई जहा टिप्पणि लिखि के वाक्य (या स्निपेट) पर संकेत देत हई जवन उनकर समग्र दस्तावेज़ वर्गीकरण क समर्थन करत है, यानी उ तर्कसंगत प्रदान करत है। हमार मॉडल एक पदानुक्रमित दृष्टिकोण के माध्यम से अईसन पर्यवेक्षण का शोषण करत है जवने मा हर दस्तावेज का एकर घटक वाक्यों के वेक्टर निरूपण का एक रैखिक संयोजन द्वारा दर्शाई जात है। हम वाक्य-स्तर का एक संवितरण मॉडल प्रस्तावित करत हैं जवन कि इ संभावना का अनुमान लगावत है कि एक दिए गए वाक्य का तर्कसंगत है, अउर हम तब प्रत्येक वाक्य का योगदान इ अनुमान के अनुपात में समग्र दस्तावेज़ प्रतिनिधित्व में स्केल करत हैं। पांच वर्गीकरण डेटा सेट पर प्रयोग, जौन दस्तावेज लेबल अउर संबंधित तर्क से जुड़ा हुआ है, ई दर्शावत है कि हमार दृष्टिकोण लगातार मजबूत आधार रेखा से बेहतर है। एकरे अलावा हम पचन्क सोची कि हमरे मॉडल कै दसा ठीक नाई बाटइ। |
20b41b2a0d8ee71efd3986b4baeed24eba904350 | उद्देश्य विकासशील देशन मा मांय डिप्रेशन अर बच्चा विकास का बीच सम्बन्ध की जांच करण अर साहित्य की एक व्यवस्थित समीक्षा अर मेटा-विश्लेषण करण। विधि विकासशील देसन से छठी डेटाबेस खोजल गयल जे मा 2010 तक प्रकाशित महतारी अवसाद अउर बच्चा के विकास पर अध्ययन करल गयल. मानक मेटा- विश्लेषणात्मक विधियन का पालन कईल गईल और डिप्रेस्ड माई के बच्चन में कम वजन और स्टंटिंग के लिए पूल ऑड्स रेशियो (ओआर) की गणना सभी अध्ययनों और अध्ययनों के उप- समूहों के लिए यादृच्छिक प्रभाव मॉडल का उपयोग करके की गई, जवन अध्ययन डिजाइन, मातृ अवसाद के लिए एक्सपोजर और परिणाम चर पर सख्त मानदंडों का पालन करत रहे। चयनित अध्ययनों के लिए जनसंख्या से संबंधित जोखिम (पीएआर) का अनुमान लगाये गए. निष्कर्ष: 11 देश का लगभग 9,320 महिलाएं ब्रेस्ट बायोप्सी जांच करा रही हैं, हालांकि जांच के बाद ज्यादातर इस खतरे से बाहर पाई गईं। डिप्रेशन या डिप्रेसिव लक्षणन वाले महतारी का बच्चा कम वजन (ओआर: 1. 5; 95% बिस्वास अंतराल, आईसी: 1. 2- 1. 8) या स्टंट (ओआर: 1. 4; 95% आईसी: 1. 2- 1. 7) का ज्यादा संभावना रहा. तीन अनुदैर्ध्य अध्ययनों का उप- विश्लेषण एक मजबूत प्रभाव दिखायाः कम वजन के लिए ओआर 2.2 (95% आईसीः 1. 5- 3. 2) और स्टंटिंग के लिए, 2.0 (95% आईसीः 1. 0- 3. 9) । चयनित अध्ययनों के लिए पीएआर ने संकेत दिया कि अगर शिशु आबादी पूरी तरह से मातृ अवसाद के लक्षणों से अप्रभेदित रही तो 23% से 29% कम बच्चे कम वजन या कम उम्र वाले होंगे। निष्कर्षः हवाई रक्षा का महत्व, इलेक्ट्रॉनिक युद्ध का महत्व कई बार बढ़ रहा है। तंत्र अउर कारण का पता लगावे खातिर कठोर भावी अध्ययन जरूरी बा। विकासशील देसन मा महतारी अवसाद के जल्दी पहचान, इलाज अउर रोकथाम से बच्चा के विकास मा कमी अउर कम वजन मा कमी कै मदद मिल सकत बाय। |
c596f88ccba5b7d5276ac6a9b68972fd7d14d959 | भौतिक वस्तुअन क भौतिक दुनिया का आईटी प्रणालियन क आभासी दुनिया से जोड़े के माध्यम से, इंटरनेट ऑफ थिंग्स मा उद्यम जगत अउर समाज दुन्नो मा काफी बदलाव कै क्षमता बाय। बहरहाल, ई सब्द बहुत जादा सरासर हयँ और विभिन्न समुदायों द्वारा अलग-अलग ढंग से समझल जाय हयँ, खासकर जब से आईओटी एक प्रौद्योगिकीय रूप से संबंधित नाही हयँ, बल्कि इकरे बजाय विभिन्न इंजीनियरिंग क्षेत्रों (जैसे कि प्रौद्योगिकीय क्षेत्र) के लिए विशिष्ट हयँ। एक आम समझ मा आवे के खातिर का जरूरत है चीज के इंटरनेट खातिर एक डोमेन मॉडल, मुख्य अवधारणाओं अउर उनके संबंधों का परिभाषित करना, अउर एक आम शब्दकोश अउर वर्गीकरण के रूप मा सेवा करना अउर इ प्रकार आगे वैज्ञानिक प्रवचन अउर चीज के इंटरनेट के विकास के लिए एक आधार के रूप में सेवा करना है। जैसै हम देखब, अईसन डोमेन मॉडल का होना भी ठोस IoT सिस्टम आर्किटेक्चर के डिजाइन मा मददगार है, काहे से की ई एक टेम्पलेट प्रदान करत है और इ प्रकार उपयोग के मामला के विश्लेषण का संरचना करत है। |
5a9f4dc3e5d7c70d58c9512d7193d079c3331273 | हम 3D लोग ट्रैकिंग के लिए मानव मुद्रा अउर गति पूर्वानुमान सीखै खातिर गॉसियन प्रक्रिया गतिशील मॉडल (GPDMs) के उपयोग कै वकालत करत हई। एक जीपीडीएम मानव गति डेटा का एक कम आयामी एम्बेडिंग प्रदान करता है, एक घनत्व समारोह के साथ जो प्रशिक्षण डेटा के करीब पोज और गति की अधिक संभावना देता है। बेयज़ियन मॉडल के साथ एक GPDM औसत अपेक्षाकृत छोट मात्रा मा डेटा से सीखा जा सकत है, अउर इ प्रशिक्षण सेट के बाहर गति के लिए सौहार्दपूर्ण रूप से सामान्यीकृत है। इ जगह हम GPDM का बदल देत है ताकि महत्वपूर्ण शैलीगत भिन्नता वाले गति से सीख सकय। नतीजा इ रहा कि खराब तबीयत अउर सघन छाया के बावजूद कई लोगन के पैदल चलने का तरीका का पता लगावे खातिर इशारा कइल गइल. |
c3f2d101b616d82d07ca2cc4cb8ed0cb53fde21f | हम लोगन का अध्ययन कराये रहेन ताकि हम लोगन का पता चल सके कि हम लोग क्या कर रहे हैं। हम मानव विषय को एक GUI उपकरण प्रदान कि छवि से एक त्रिकोण जाल बनाएँ। उपकरण (चित्र 1 देखैं) उपयोगकर्ता का 3D मा जाल संपादित करै अउर इनपुट छवि मा वापस मॉडलिंग वस्तु का संरेखित करै मा सक्षम करत है। कुल मिलाकर, 16 मॉडल हमार उत्पादन का दावा दावा दावा फोटो गैलरी से काफी अच्छी तरह से चित्रित हैं। N = 1024 बिंदुओं का प्रत्येक मॉडल से नमूना लिया जा रहा है। |
32791996c1040b9dcc34e71a05d72e5c649eeff9 | एंबुलेटरी इलेक्ट्रोकार्डियोग्राफी का प्रयोग क्लिनिकल अभ्यास में तेजी से नियमित दैनिक गतिविधि के दौरान दिल के असामान्य विद्युत व्यवहार का पता लगाने के लिए किया जा रहा है। इ निगरानी कय उपयोगिता सांसय कय प्राप्ति से सुधारे जा सकत है, जवन पहिले रात भर के एप्निया अध्ययन पे आधारित रहा जहां मरीज स्थिर रहे हैं, या तनाव परीक्षण के लिए मल्टीलेड ईसीजी सिस्टम कय उपयोग। हम एक एकल-लीड पोर्टेबल ईसीजी मॉनिटर से प्राप्त छह श्वसन माप की तुलना एक एम्बुलेटरी नाक कैन्यूल श्वसन मॉनिटर से प्राप्त एक साथ मापा श्वसन हवा प्रवाह के साथ की है। दस नियंत्रित 1 घंटा रिकॉर्डिंग दैनिक जीवन की गतिविधि (झूठे, बैठे, खड़े, चलना, जॉगिंग, दौड़ना, और सीढ़ी चढ़ना) और छह रात भर के अध्ययन को कवर किया गया। सबसे अच्छा तरीका एक 0.2-0.8 हर्ट्ज बैंडपास फ़िल्टर का औसत और RR तकनीक RR अंतराल का लम्बाई और छोटा करने पर आधारित था। संदर्भ स्वर्ण मानक के साथ औसत त्रुटि दरें प्रति मिनट (bpm) +mn4 (सभी गतिविधियां), +mn2 (बैठा और बैठना) +mn1 प्रति मिनट (रात भर का अध्ययन) थीं। पूर्ण ईसीजी तरंगरूप से प्राप्त सर्वोत्तम तकनीक की तुलना में, केवल हृदय गति की जानकारी (आरआर तकनीक) का उपयोग करके सांख्यिकीय रूप से समान परिणाम प्राप्त किए गए थे, जो डेटा संग्रह प्रक्रियाओं को सरल बनाता है। अध्ययन से पता चलता है कि सांस का गतिशील गतिविधि के तहत एकल-लीड ईसीजी से पारंपरिक तरीकों से महत्वपूर्ण अंतर के बिना प्राप्त किया जा सकता है। |
7eac1eb85b919667c785b9ac4085d8ca68998d20 | 2. माई बाप पहिले अपन बेटवा से ई-लर्निंग अउर मोबाइल लर्निंग के बीच अंतर 3. मोबाइल शिक्षा का मूल्य अउर लाभ मोबिल लर्निंग कय चुनौति औ बाधा: अध्ययन से पता चला कि दूर शिक्षा कय रूप मा मोबिल लर्निंग समाज कय बहुत लाभ पहुँचाय सकाथै: जब जरुरत होइ तब प्रशिक्षण, कउनो भी समय प्रशिक्षण; कहीं भी प्रशिक्षण; लर्निंग-सेंटरड कंटेंट; काम कय समस्या से वापस जाय से बचावै; करदाता, औ विश्वविद्यालय कय व्याख्यान औ प्रशिक्षण केन्द्रन कय सत्रन कय माध्यम से पूरी तरह से व्यस्त लोगन कय प्रशिक्षण; औ शिक्षण औ सीख कय औद्योगिकीकरण। साथ ही, नोटबुक, मोबाइल टैबलेट, आइपॉड टच अउर आईपैड मोबाइल ई-लर्निंग के बरे बहुत लोकप्रिय यंत्र अहँइ, काहे से की इनकै लागत अउर ऍप्लिकेशन कै उपलब्धता बहुत कम हय। ------------------------------- अब आप का बताये शिक्षा अउर प्रशिक्षण ऊ प्रक्रिया होय जेहकै द्वारा एक पीढ़ि से दुसरे पीढ़ि तक ज्ञान अउर सीखे के बाद सीखे वालेन का आगे कीन जाय सकत हय। आज, शिक्षा अउर प्रशिक्षण के दुइ रूप अहैंः परम्परागत शिक्षा अउर दूर शिक्षा। मोबाइल लर्निंग, या "एम-लर्निंग", मोबाइल डिवाइसेस के माध्यम से लर्निंग प्रोसेस का समर्थन करने का आधुनिक तरीका प्रदान करता है, जैसे हैंडहेल्ड एंड टैबलेट कंप्यूटर, एमपी 3 प्लेयर, स्मार्ट फोन और मोबाइल फोन। ई दस्तावेज शिक्षा के उद्देश्य से चलै वाले शिक्षा का विषय प्रस्तुत करत अहै। ई मोबाइल डिवाइसेस कय शिक्षण अउर सिछा प्रथाओं पे का प्रभाव रहा है अउर मोबाइल डिवाइसेस पे डिजिटल मीडिया कय प्रयोग से उपलब्ध अवसरन कय बारे मा बताय रहा है। इ पेपर का मुख्य उद्देश्य मोबाइल शिक्षा की वर्तमान स्थिति का वर्णन करना है, लाभ, चुनौतियां, और शिक्षण और सीखने का समर्थन करने के लिए बाधाएं। इ पेपर के खातिर जनवरी से मार्च 2013 तक ग्रंथ सूची अउर इंटरनेट खोज के माध्यम से डेटा एकत्रित कईल गईल। इ चारिउ प्रदेसन पे आधारित कागद हौ जउन नीचे दिहा गा हय: मोबाइल लर्निंग का विश्लेषण। |
57820e6f974d198bf4bbdf26ae7e1063bac190c3 | |
8e393c18974baa8d5d704edaf116f009cb919463 | उच्च गति से चलने वाले SerDes का उच्च गति से संचालन, गहन समकक्ष तकनीक, कम बिजली की खपत, छोटे क्षेत्र और मजबूती सहित कई चुनौतियों का सामना करना पड़ता है। नया मानदंड का पालन करे खातिर, जइसे कि ओआईएफ सीईआई -25 जी-एलआर, सीईआई -28 जी-एमआर/एसआर/वीएसआर, आईईईई 802.3 बीजे अउर 32 जी-एफसी, डेटा दर 25 से 28 जीबी / एस तक बढ़ाई गई, जवन कि पिछले पीढ़ी के सेरडेस से 75% से ज्यादा ज्यादा है। SerDes अनुप्रयोगों के लिए कई सौ लेन एकल चिप में एकीकृत, उच्च प्रदर्शन बनाए रखने के दौरान बिजली की खपत एक बहुत महत्वपूर्ण कारक है। 28Gb/s या ज्यादा डाटा दर से कई पिछला काम है [1-2]। उ लोग महत्वपूर्ण समय सीमा का पूरा करय के लिए एक अनूदित डीएफई का उपयोग करत हैं, लेकिन अनूदित डीएफई संरचना डीएफई स्लाइसर्स की संख्या बढ़ात है, कुल शक्ति अउर मर क्षेत्र बढ़ात है। इन चुनौतियों का सामना करै के बरे हम कई टक्रीय अउर स्थापत्य तकनीक पेस करत हई। एनालॉग फ्रंट-एंड (एएफई) एक एकल-चरण वास्तुकला का उपयोग करता है और एक कॉम्पैक्ट ऑन-चिप निष्क्रिय प्रेरक ट्रांसइम्पेडेंस एम्पलीफायर (टीआईए) में, 15 डीबी बूस्ट प्रदान करता है। ई बूस्ट अनुकूली है और एकर अनुकूली लूप एगो ग्रुप-डिले अनुकूली (जीडीए) एल्गोरिथ्म के उपयोग से निर्णय-फीडबैक इक्वलाइज़र (डीएफई) अनुकूली लूप से अलग करल जाता है. डीएफई मा आधा दर 1-टैप अनरोल्ड संरचना है जौन 2 कुल त्रुटि तालाब के साथ बिजली अउर क्षेत्र के कमी के लिए है। एक दुई-चरण संवेदी-एम्पलीफायर आधारित स्लाइसर 15mV का संवेदनशीलता और DFE समय समापन प्राप्त करता है। हम भी एक उच्च गति घड़ी बफर विकसित है कि एक नया सक्रिय-इंडक्टर सर्किट का उपयोग करता है. इ सक्रिय-इंडक्टर सर्किट मा सर्किट संचालन बिंदुओं का अनुकूलित करै खातिर आउटपुट-सामान्य-मोड वोल्टेज को नियंत्रित करै की क्षमता है। |
505c58c2c100e7512b7f7d906a9d4af72f6e8415 | पृष्ठ ii जटिल अनुकूली प्रणाली जॉन एच. हॉलैंड, क्रिस्टोफर लैंगटन, और स्टीवर्ट डब्ल्यू. विल्सन, सलाहकार प्राकृतिक और कृत्रिम प्रणालियों में अनुकूलन: जीव विज्ञान, नियंत्रण, और कृत्रिम बुद्धिमत्ता के अनुप्रयोगों के साथ एक परिचयात्मक विश्लेषण, एमआईटी प्रेस संस्करण जॉन एच. हॉलैंड स्वायत्त प्रणालियों के अभ्यास की ओरः फ्रांसिस्को जे. वेरेला और पॉल बोरगिन द्वारा संपादित कृत्रिम जीवन पर प्रथम यूरोपीय सम्मेलन का कार्यवाही आनुवंशिक प्रोग्रामिंग: प्राकृतिक चयन के माध्यम से कंप्यूटर के प्रोग्रामिंग पर जॉन आर कोजा |
3a46c11ad7afed8defbb368e478dbf94c24f43a3 | वैज्ञानिक समस्याएं जवन कि बड़ी मात्रा मा डाटा के प्रसंस्करण पर निर्भर करत हैं, ऊ कई क्षेत्रन मा चुनौतिओ से निपटने की आवश्यकता होत है: बड़े पैमाने पर डेटा वितरण का प्रबंधन, कंप्यूटिंग संसाधनों के साथ डेटा का सह-स्थापना और समय-सारणीकरण, और बड़ी मात्रा में डेटा का भंडारण और स्थानांतरण। हम डेटा-गहन अनुप्रयोगों खातिर दो प्रमुख प्रतिमानों का पारिस्थितिकी तंत्र का विश्लेषण करते हैं, बाद में उच्च प्रदर्शन कंप्यूटिंग और एपेचे-हडोप प्रतिमान के रूप में संदर्भित। हम एक आधार, एक सामान्य शब्दावली अउर कार्य कारक प्रस्तावित करत हई, जौन पर दुन्नो प्रतिमानन कय दुन्नो दृष्टिकोणन कय विश्लेषण करेक अहै। हम "बिग डेटा ओग्रेस"के अवधारणा अउर उनकर पहलुअन पर चर्चा करत बानी काहे से कि ई दुनो प्रतिमानन पर पावल जाए वाला सबसे आम अनुप्रयोग वर्कलोड के समझ अउर विशेषता हई। ई तरे, हम ई दुन्नो प्रतिमानन के मुख्य विशेषता पर चर्चा करब, अउर दुन्नो दृष्टिकोणन के तुलना अउर तुलना करब. विशेष रूप से, हम ई सब प्रतिमानन के सामान्य कार्यान्वयन/दृष्टिकोण पर चर्चा करब, उनके वर्तमान "आर्किटेक्चर" के कारन पर प्रकाश डालत हैं, अउर कुछ विशिष्ट कार्यभार पर चर्चा करब, जेकर उपयोग ई सब प्रतिमानन के लिए होत है। महत्वपूर्ण सॉफ्टवेयर अंतर के बावजूद, हम मानत हैं कि ई संरचनात्मक रूप से काफी हद तक एक जइसन अहै। हम अलग अलग स्तर अउर घटक पर अलग अलग कार्यान्वयन के संभावित एकीकरण का चर्चा करत हैं। हमार तुलना पूरी तरह से दो पैटर्न की एक पूरी तरह से गुणात्मक जांच से एक अर्ध-क्वांटिटेटिव पद्धति पर आगे बढ़ रही है। हम एक सरल अउर व्यापक रूप से उपयोग कीन जाय वाल ओगरे (के-मीडियन क्लस्टरिंग) का उपयोग करत हैं, एकर प्रदर्शन का एक प्रतिनिधि मंचन पर कई तरह से चित्रित करत हैं, अउर दोनों प्रतिमानन से कई कार्यान्वयन शामिल हैं। हमार प्रयोग कइउ तरह कै योजनन से पता चला बाय जेसे हम दुईयउ परिदृश्यऽन् कय तुलनात्मक मजबूती पय उतारू होइ सकी। हम प्रस्तावित कर रहे हैं कि ओग्रेस का सेट दो मॉडल पर एक मानक के रूप में काम करेगा, विभिन्न आयामों पर एक का मूल्यांकन। |
dc7024840a4ba7ab634517fae53e77695ff5dda9 | इ पेपर मा हम मानव गतिविधि को मान्यता को लागी एक नया ऊर्जा कुशल दृष्टिकोण को प्रस्तावित गर्दछौं, स्मार्ट फोन को रूप मा पहनने योग्य संवेदन उपकरण को उपयोग गरी, असिस्टेड लिविंग अनुप्रयोगहरु लाई लक्षित गरीयो जस्तै विकलांग र बुजुर्गहरु को लागी रिमोट रोगी गतिविधि निगरानी। इ विधि एक संशोधित मल्टी-क्लास समर्थन वेक्टर मशीन (एसवीएम) सीखने एल्गोरिथ्म का प्रस्ताव करे खातिर फिक्स्ड-पॉइंट अंकगणित का उपयोग करत है, जबकि तुलनीय सिस्टम सटीकता स्तर बनाए राखीं, जबकि पारंपरिक फ्लोटिंग-पॉइंट आधारित सूत्रीकरण के संबंध में स्मार्टफोन बैटरी जीवन का बेहतर संरक्षण करे खातिर अनुमति देत है। प्रयोग से पता चलता है कि मान्यता प्रदर्शन और बैटरी खपत के मामले में पारंपरिक एसवीएम के बीच तुलनात्मक परिणाम, प्रस्तावित विधि के फायदे पर प्रकाश डाल रहा है। |
f4cdd1d15112a3458746b58a276d97e79d8f495d | इनपुट के संबंध मा एक तंत्रिका नेटवर्क के आउटपुट का ग्रेडिएंट मानदंड का नियमित रूप से एक शक्तिशाली तकनीक है, जेके कई बार फिर से खोजा गयल है। इ पेपर सबूत प्रस्तुत करत है कि ग्रेडिएंट नियमितकरण लगातार आधुनिक गहरी तंत्रिका नेटवर्क का उपयोग करके दृष्टि कार्यों पर वर्गीकरण सटीकता में सुधार कर सकता है, खासकर जब प्रशिक्षण डेटा की मात्रा कम हो। हम आपन नियमित करै वाले यक सदस्य के रूप मा प्रस्तुत करत हई जैकोबियन-आधारित नियमित करै वाले एक व्यापक वर्ग के सदस्य के रूप मा। हम वास्तविक अउर सिंथेटिक डाटा पर अनुभव से देखावा करत हई कि सीखे क प्रक्रिया प्रशिक्षण बिंदुअन से परे नियंत्रित ग्रेडियंट तक जाइ सकत ह, अउर अच्छी तरह से सामान्यीकृत समाधानन का परिणाम देत ह। |
984df1f081fbd623600ec45635e5d9a4811c0aef | दुइ विवल्डी एंटीना सरणी प्रस्तुत कीन गा अहै। पहिला ईटा/कंक्रीट दीवार इमेजिंग खातिर एसटीडब्ल्यू अनुप्रयोग खातिर 1.2 से 4 गीगाहर्ट्ज बैंड कभर करे वाला 8 तत्व का टेपर स्लॉट सरणी बा। दूसरा 16 तत्व का एंटीपोडल सरणी है जो 8 से 10.6 गीगाहर्ट्ज पर काम कर रहा है जब सूखी दीवार से घुसपैठ करते समय उच्च रिज़ॉल्यूशन इमेजिंग के लिए। दुनो डिजाइन के आधार पर, और विवालदी एंटीना सरणी का खिलाय के खातिर माइक्रोस्ट्रिप संक्रमण के लिए एक चिकनी चौड़ा बैंड स्लॉट का उपयोग करके, 1-10 गीगाहर्ट्ज आवृत्ति बैंड कभर की जा सकत है। वैकल्पिक रूप से, डिजाइन का उपयोग 1-3 गीगाहर्ट्ज या 8-10 गीगाहर्ट्ज बैंड को कवर करने के लिए एक पुनः विन्यास योग्य संरचना में किया जा सकता है। प्रयोगात्मक अउर माप परिणामन के पूरा करय के बाद इनका बारे मा विस्तार से चर्चा कीन जाय। डिजाइन का कॉम्पैक्ट, पुनः विन्यास योग्य और पोर्टेबल सिस्टम के विकास पर महत्वपूर्ण प्रभाव पड़ेगा। |
e3f4fdf6d2f10ebe4cfc6d0544afa63976527d60 | ई पेपर रेडियो खगोल विज्ञान उपकरण खातिर 324-घटक 2-डी ब्रॉडसाइड सरणी प्रस्तुत करत है जवन कि दुन्नो पारस्परिक रूप से ऑर्थोगोनल ध्रुवीकरण खातिर संवेदनशील है. एरे क्रूसिफॉर्म इकाइयों से बना है, जेहमा चार विवाल्डी एंटेना का समूह क्रॉस-आकार की संरचना में व्यवस्थित है। इ सरणी मा प्रयुक्त विवाल्डी एंटीना 3 गीगाहर्ट्ज पर 87.5 डिग्री और 6 गीगाहर्ट्ज पर 44.2 डिग्री की सममित मुख्य बीम के साथ एक विकिरण तीव्रता विशेषता का प्रदर्शन करता है। मापा गया अधिकतम पक्ष/बैकलोब स्तर मुख्य बत्ती स्तर से 10.3 dB नीचे है. एरे 5.4 गीगाहर्ट्ज की उच्च आवृत्ति पर बिना ग्रिटिंग लोब का गठन किए काम कर सकता है। |
1a090df137014acab572aa5dc23449b270db64b4 | |
9ae252d3b0821303f8d63ba9daf10030c9c97d37 | हम प्राकृतिक दृश्य श्रेणियन कय सीखय अउर पहिचानय कय एक नवा तरीका प्रस्तावित करत है। पिछला काम के विपरीत, ई प्रशिक्षण सेट का दस्तावेजीकरण करे खातिर विशेषज्ञन की आवश्यकता नाही बा। हम स्थानीय क्षेत्रन के संग्रह से एक दृश्य का चित्रण करत हैं, जेका बिना देखरेख वाले सीख द्वारा प्राप्त कोडवर्ड्स के रूप मा दर्शाया गवा है। हर क्षेत्र कय प्रतिनिधित्व "थीम" कय भाग के रूप मा होत है। पहिले के काम मा, ऐसन विषयवस्तु विशेषज्ञन के हाथ-अनोटेशन से सीखे गए रहे, जबकि हमार विधि बिना पर्यवेक्षण के विषयवस्तु वितरण के साथ-साथ कोडवर्ड वितरण का भी सीखेगा। हम संतोषजनक वर्गीकरण प्रदर्शन का रिपोर्ट कर रहे हैं जटिल दृश्यों की 13 श्रेणियों का एक बड़ा सेट पर। |
fa6cbc948677d29ecce76f1a49cea01a75686619 | इ पेपर मा, हम वास्तविक दुनिया दृश्यों की मान्यता का एक कम्प्यूटेशनल मॉडल का प्रस्ताव करत हैं जवन अलग-अलग वस्तुओं या क्षेत्रों की विभाजन और प्रसंस्करण को दरकिनार करत है। इ प्रक्रिया दृश्य कय बहुत कम आयामी प्रतिनिधित्व पे आधारित अहै, जेका हम स्थानिक लिफाफा कहत है। हम अवधारणात्मक आयामों का एक सेट (प्राकृतिकता, खुलेपन, कठोरता, विस्तार, कठोरता) का प्रस्ताव करते हैं जो एक दृश्य की प्रमुख स्थानिक संरचना का प्रतिनिधित्व करते हैं। फिर, हम देखब कि इ आयाम कय स्पेक्ट्रल अउर मोटे तौर पे स्थानीय सूचना कय प्रयोग कइके, भरोसेमंद रूप से अनुमान लगावा जाय सकत है। मॉडल एक बहुआयामी स्थान का निर्माण करता है जिसमें दृश्य अर्थिक श्रेणियों (जैसे, सड़कों, राजमार्गों, तटों) में सदस्यता का हिस्सा हैं, एक साथ बंद हो रहे हैं। स्थानिक लिफाफा मॉडल का प्रदर्शन बताता है कि वस्तु आकार या पहचान के बारे में विशिष्ट जानकारी दृश्य वर्गीकरण के लिए एक आवश्यकता नहीं है और दृश्य का समग्र प्रतिनिधित्व मॉडल करना इसकी संभावित सिमेंटिक श्रेणी के बारे में बताता है। |
1ac52b7d8db223029388551b2db25657ed8c9852 | इ पेपर मा, हम कई समान भविष्यवाणियां करैं वाले समस्या का हल करै खातिर मशीन-लर्निंग का प्रस्ताव रखत हन। प्रत्येक स्वयं सहायक समूह उनके द्वारा कराई गई गतिविधि का हिसाब अलग से रखेगा। हम ई जोखिम के कम करे खातिर काम के बीच मा ज्ञान के हस्तांतरण के दुइ प्रकार के संयोजन करत हई: बहु-कार्य सीखे अउर पदानुक्रमित बेयसन मॉडलिंग. बहु-कार्य सीखे का आधार ई धारणा पर है कि काम के लिए विशिष्ट विशेषताएं मौजूद हैं। इ सुविधाओं का ढूँढने के लिए, हम एक विशाल दो-परत तंत्रिका नेटवर्क का प्रशिक्षण देते हैं। हर काम का आपन आउटपुट होत है, लेकिन इनपुट से छिपी इकाइयों तक का भार बाकी सब काम के साथ साझा होत है। इ तरह से संभावित व्याख्यात्मक चर का एक अपेक्षाकृत बड़ा सेट (नेटवर्क इनपुट) सुविधाओं का एक छोटा और आसान से निपटने वाला सेट (छिपी हुई इकाइयां) तक कम हो जाता है। इ सुविधाओं का सेट दिया जाय और उचित पैमाने परिवर्तन के बाद, हम मान लें कि कार्य विनिमय योग्य हैं। इ धारणा एक पदानुक्रमित बेयसन विश्लेषण खातिर अनुमति देत है जेहमा हाइपरपैरामीटर क आंकड़ा से अनुमान लगावा जा सकत है। ईईईईईई, ई हाइपर-रेमेटर नियमित रूप से नियमित रूप से काम करते हैं और ओवर-टेटिंग को रोकते हैं। हम बताय देहे हई कि कैसे सिस्टम के समय श्रृंखला मा गैर-स्थिरता के खिलाफ मजबूत बनाए जाए अउर आगे के सुधार खातिर दिशा-निर्देश दीन जाए। हम आपन विचार अखबारन की बिक्री की भविष्यवाणी की ताईं आधारभूत डाटाबेस पर रखत अहन । |
1e56ed3d2c855f848ffd91baa90f661772a279e1 | हम पाठ अउर असतत डेटा के अन्य संग्रह खातिर एक जनरेटिव मॉडल का प्रस्ताव करत हैं जवन कि कई पहिले के मॉडल पर सामान्यीकृत या सुधार करत है, जेहमा naive Bayes/unigram, unigrams का मिश्रण, अउर Hofmann का पहलू मॉडल शामिल है, जेका संभाव्यतात्मक लुप्त अर्थसूचीकरण (pLSI) के रूप मा भी जाना जात है। पाठ मॉडलिंग के संदर्भ में, हमार मॉडल का प्रस्ताव है कि हर दस्तावेज़ कय विषयों कय मिश्रण के रूप मा उत्पन्न होत है, जहँवा निरंतर-मूल्यवान मिश्रण अनुपात एक गुप्त डिरिचलेट यादृच्छिक चर के रूप मा वितरित होत हैं। अवकलन अउर सिछा वैरिएशनल एल्गोरिदम के जरिये कुशलता से करल जात अहै। हम इ मॉडल कय अनुप्रयोगऽन् कय बारे मा अनुभवजन्य परिणाम प्रस्तुत करत हैं जवन टेक्स्ट मॉडलिंग, सहयोगी फ़िल्टरिंग, औ टेक्स्ट वर्गीकरण मा समस्या पैदा करत हैं। |
e990a41e8f09e0ef4695c39af351bf25f333eefa | |
1f8116db538169de3553b1091e82107f7594301a | |
539ea86fa738afd939fb18566107c971461f8548 | संरचित आउटपुट रिक्त स्थान (स्ट्रिंग्स, पेड़, विभाजन, आदि) का मानचित्रण आमतौर पै वर्गीकरण एल्गोरिदम का विस्तार सरल ग्राफिकल संरचनाओं (जैसे, रैखिक श्रृंखला) मा उपयोग कैके सीखा जात है जौन खोज औ पैरामीटर अनुमान सटीक रूप से करल जा सकत है। दुर्भाग्य से, कई जटिल समस्याएं, विशेष रूप से एक आम आम आम आदमी का सामना कर रही हैं। सटीक मॉडल सीखै अउर सार्थक माध्यम से खोज करै के बजाय हम ई कठिनाई का अपनाइत है अउर संरचनात्मक आउटपुट समस्या का अनुमानित खोज के संदर्भ में इलाज करत है। हम खोज अनुकूलन के रूप मा सीखे खातिर एक ढांचा प्रस्तुत करत हन, अउर अभिसरण the-orems अउर सीमाओं के साथ दु पैरामीटर अद्यतन। अनुभवजन्य साक्ष्य से पता चलता है कि सीखने और डिकोडिंग के लिए हमारा एकीकृत दृष्टिकोण कम कम्प्यूटेशनल लागत पर सटीक मॉडल से बेहतर प्रदर्शन कर सकता है। |
1219fb39b46aabd74879a7d6d3c724fb4e55aeae | हम तकनीकी रूप से विकसीत उद्यमशीलता का एक परिप्रेक्ष्य विकसित कर रहे हैं जिसमें विभिन्न प्रकार के अभिकर्ता शामिल हैं। हर एक एक्टर टेक्नोलॉजी से जुड़ जात है, अउर एह प्रक्रिया में, उ जानकारी पैदा करत है, जवन कि एगो नया तकनीकी सरीखा के विकास में योगदान देत है। एक तकनीकी पथ मा इनपुट का निरंतर संचय एक गति पैदा करत है जवन वितरित अभिनेताओं की गतिविधि का सक्षम और सीमित करत है। दुसरे शब्द से . . . एजेंसी का मतलब सिर्फ एक्ठु खुला ज्ञान ना होय बल्कि ई ऊँच-नीच होय । हम इ परिप्रेक्ष्य का स्पष्ट करत हुए डेनमार्क अउर संयुक्त राज्य अमेरिका में पवन टर्बाइन के उदय का आधारभूत प्रक्रियाओं का तुलनात्मक अध्ययन करें। आपन तुलनात्मक अध्ययन के माध्यम से, हम तकनीकी पथ के आकार देवे मा अभिनेताओं की भागीदारी के लिए विपरीत दृष्टिकोण के रूप मा "ब्रिकोलेजेज" और "ब्रेकथ्रू" का विस्तार करत हैं। © 2002 Elsevier Science B.V. सभी अधिकार सुरक्षित |
2266636d87e44590ade738b92377d1fe1bc5c970 | |
2af586c64c32baeb445992e0ea6b76bbbbc30c7f | |
0e8b8e0c37b0ebc9c36b99103a487dbbbdf9ee97 | |
2c03df8b48bf3fa39054345bafabfeff15bfd11d | गहन तंत्रिका नेटवर्क का प्रशिक्षण कठिन अहै। हम एक जड़ से सीखत रौवा का ढाँचा प्रस्तुत करत हई ताकि जड़न के प्रशिक्षण मा आसानी हो सके जउन पहिले से जादा गहराई मा है। हम स्पष्ट रूप से परतों का पुनर्गठन करते हैं जैसे कि अवशिष्ट फ़ंक्शन सीखना परत इनपुट का संदर्भ देकर, गैर-संदर्भित फ़ंक्शन सीखने के बजाय। हम व्यापक अनुभव से प्रमाण देत हई कि ई अवशिष्ट संजाल बेहतर तरीके से बना है, अउर बड़ी गहराई से सटीकता प्राप्त कर सकत है। ImageNet डाटासेट पर हम अवशिष्ट जाल का मूल्यांकन करते हैं, जिनकी गहराई 152 परत तक है - VGG जाल से 8 गुना गहराई [40] लेकिन फिर भी कम जटिलता है। इ अवशिष्ट जाल का एक समूह इमेजनेट परीक्षण सेट पर 3.57% त्रुटि प्राप्त करत है। इ नतीजा इ आईएलएसवीआरसी 2015 वर्गीकरण कार्य मा 1 जगह जीती। हम CIFAR-10 पर 100 अउर 1000 परत पर भी विश्लेषण प्रस्तुत करत बानी। कई दृश्य मान्यता कार्यो के लिए प्रतिनिधित्व की गहराई केंद्रीय महत्व का है। केवल हमरे अत्यंत गहन प्रतिनिधित्व क कारण, हम COCO वस्तु का पता लगाने वाले डेटासेट पर 28% सापेक्ष सुधार प्राप्त करते हैं। डीप रेसिडियल नेट ILSVRC & COCO 2015 प्रतियोगिताओं1 मा हमरे सबमिशन का नींव है, जहां हम इमेजनेट डिटेक्शन, इमेजनेट स्थानीयकरण, COCO डिटेक्शन, और COCO सेगमेंटेशन के कार्यो पर 1 स्थान जीते। |
5763c2c62463c61926c7e192dcc340c4691ee3aa | हम एकल छवि सुपर रिज़ॉल्यूशन (एसआर) खातिर एगो गहरी सीखे वाला विधि का प्रस्ताव करत बानी. हमार विधि सीधे कम/उच्च रिज़ॉल्यूशन वाली छवियन के बीच एक अंत-से-अंत मैपिंग सीखत है। मैपिंग एक गहरी संवहन तंत्रिका नेटवर्क (सीएनएन) के रूप मा प्रतिनिधित्व करत है[15] जउन कम रिज़ॉल्यूशन छवि को इनपुट के रूप मा लेता है और उच्च रिज़ॉल्यूशन वाला आउटपुट देता है। हम आगे ई देखाई देई कि पारंपरिक स्पर-कोडिंग-आधारित एसआर विधियन के भी एगो गहिरा समांतर नेटवर्क के रूप में देखल जा सकत बा. लेकिन पारंपरिक तरीका से अलग-अलग काम कईले पर हमार तरीका सब स्तर पऽ बेहतर काम करेक चाहिं हमार गहिर सीएनएन का हल्का वजन वाला ढांचा है, फिर भी अत्याधुनिक बहाली की गुणवत्ता का प्रदर्शन करता है, अउर व्यावहारिक ऑन-लाइन उपयोग खातिर तेज गति प्राप्त करता है। |
2db168f14f3169b8939b843b9f4caf78c3884fb3 | इ पत्र मा, एक ब्रॉडबैंड मुड़ त्रिकोणात्मक सर्वदिशात्मक एंटीना आरएफ ऊर्जा कटाई के लिए प्रस्तुत कीन गा है। एंटीना का 850 MHz से 1.94 GHz तक VSWR ≤ 2 के लिए एक बैंडविड्थ है. एंटीना का क्षैतिज अउर ऊर्ध्वाधर ध्रुवीकृत तरंगन का ग्रहण करे खातिर डिज़ाइन कइल गइल बा अउर पूरा बैंडविड्थ पर स्थिर विकिरण पैटर्न बा. एनर्जी कलेक्टिंग एप्लीकेशन खातिर भी एंटीना का अनुकूलन कै गय बाय अउर ई 100 Ω इनपुट प्रतिरोधक खातिर डिज़ाइन कै गय बाय ताकि एक निष्क्रिय वोल्टेज एम्पलीफिकेशन अउर प्रतिरोधक मिलान रेक्टिफायर के साथ प्रदान कै सका जाय। 980 और 1800 मेगाहर्ट्ज पर क्रमशः 500 Ω भार के लिए 60% और 17% की चोटी दक्षता प्राप्त की जा रही है। एक सेल साइट पर एक साथ सभी बैंड कटाई करते समय खुले सर्किट के लिए 3.76 V का एक वोल्टेज और 4.3 k Ω के भार पर 1.38 V का एक 25 मीटर की दूरी पर rectenna के दो तत्वों की एक सरणी का उपयोग करके प्राप्त किया जाता है। |
484ac571356251355d3e24dcb23bdd6d0911bd94 | हाल के वैज्ञानिक अउर तकनीकी प्रगति से ग्राफ के रूप मा तैयार कीन जाय वाले संरचनात्मक पैटर्न कीन जाय वाले एक विस्तृत श्रृंखला दिखाई दियत है। नतीजतन, ग्राफ के बारे मा जानकारी कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका कै लरिका एक ग्राफ डाटाबेस G, अउर एक क्वेरी ग्राफ q, ग्राफ समावेशन क्वेरी G मा सब ग्राफ प्राप्त करेक है जौन q कय उपग्राफ के रूप मा समाविष्ट करत है) । जी मा ग्राफ की विशाल संख्या और उपग्राफ समरूपता परीक्षण की जटिलता की प्रकृति के कारण, क्वेरी प्रसंस्करण लागत को कम करने के लिए उच्च गुणवत्ता वाले ग्राफ अनुक्रमण तंत्र का उपयोग करना वांछनीय है। इ पेपर मा, हम ग्राफ डाटाबेस की बार-बार पेड़-विशेषताओं पर आधारित एक नई लागत प्रभावी ग्राफ अनुक्रमण विधि का प्रस्ताव करत हैं। हम तीन महत्वपूर्ण पहलुओं से पेड़ की प्रभावशीलता और दक्षता का विश्लेषण करते हैंः फीचर का आकार, फीचर चयन लागत, और छंटाई शक्ति। मौजूदा ग्राफ-आधारित अनुक्रमण विधियों से बेहतर छंटाई क्षमता प्राप्त करने के लिए, हम अक्सर पेड़-विशेषताओं (Tree) के अलावा, मांग पर, ग्राफ खनन की एक महंगा प्रक्रिया के बिना, एक छोटी संख्या में भेदभावपूर्ण ग्राफ (∆) का चयन करते हैं। हमार अध्ययन इ प्रमाणित करत ह कि (ट्री +∆) अनुक्रमणिका प्रयोजन के लिए ग्राफ से एगो बेहतर विकल्प बा, जवन कि (ट्री +∆ ≥ग्राफ) के रूप मा चिह्नित बा, ताकि ग्राफ समावेशी क्वेरी समस्या के समाधान कै सका जाय। एकर दुइ अर्थ होत हैंः (1) (Tree+∆) द्वारा अनुक्रमणिका निर्माण कुशल होत है, अउर (2) (Tree+∆) द्वारा ग्राफ समावेशीकरण क्वेरी प्रसंस्करण कुशल होत है। हमार प्रयोगात्मक अध्ययन से पता चलता है कि (Tree+∆) के पास एक कमपेक्ट इंडेक्स संरचना है, जो इंडेक्स निर्माण में बेहतर प्रदर्शन का एक आदेश प्राप्त कर रहा है, और सबसे महत्वपूर्ण बात यह है कि, gIndex and C-Tree, in graph containment query processing. |
22749899b50c5113516b9820f875a580910aa746 | एक छोटा स्लॉट-लोड पैच एंटीना डिजाइन L1 और L2 बैंड GPS सिग्नल प्राप्त करने के लिए विकसित किया गया है। दोहरी बैंड कवरेज L2 बैंड पर एक पैच मोड का उपयोग करके और L1 बैंड पर एक स्लॉट मोड का उपयोग करके प्राप्त किया जाता है। उच्च डाइलेक्ट्रिक सामग्री अउर मेन्डर स्लॉट लाइन का उपयोग एंटीना आकार के 25.4 मिमी व्यास तक कम करे खातिर कीन जात है। आरएचसीपी एक छोटा 0°-90° हाइब्रिड चिप के माध्यम से दो ऑर्थोगोनल मोड्स का संयोजन करके प्राप्त किया जाता है। पैच अउर स्लॉट मोड दुनो एक ही निकटता जांच साझा करत हैं जवन सुविधाजनक रूप से एंटीना के किनारे पर स्थित है (चित्र।1) । इ पेपर डिजाइन प्रक्रिया के बारे मा चर्चा करत है अउर सिमुलेटेड एंटीना प्रदर्शन भी करत है। |
afbe59950a7d452ce0a3f412ee865f1e1d94d9ef | सुदृढीकरण सीखना स्वायत्त रोबोट्स का न्यूनतम मानव हस्तक्षेप के साथ व्यवहारिक कौशल का बड़ा प्रदर्शन सीखने का वादा रखता है। हालांकि, सुदृढीकरण सीखने का रोबोट अनुप्रयोग अक्सर सीख रहे हैं कि कैसे समय वास्तव में प्रशिक्षण प्रणाली का अनुकूलन कर सकता है, वास्तविक समय के लिए प्रशिक्षण समय का अनुकूलन करें। एहमा आम तौर पै हाथ से तैयार कीन जाय वाले नीतिगत प्रतिनिधित्व अउर जन-समुचित प्रदर्शन के अंतर्विभाजन अहै। गहरी सुदृढीकरण सीखना सामान्य प्रयोजन तंत्रिका नेटवर्क नीति का प्रशिक्षण देके इ सीमा का कम करत ह, लेकिन प्रत्यक्ष गहरी सुदृढीकरण सीखना एल्गोरिदम के अनुप्रयोग अब तक सिमुलेटेड सेटिंग्स अउर अपेक्षाकृत सरल कार्य तक ही सीमित रहे हैं, काहे से कि ऊपरी नमूना जटिलता का कारण है। इ पेपर मा, हम इ दिखावा कि हाल ही मा गहरी सुदृढीकरण सीखने एल्गोरिथ्म गहरी क्यू-कार्यात्मक की ऑफ-नीति प्रशिक्षण पर आधारित जटिल 3 डी हेरफेर कार्य को माप सकता है और गहरी तंत्रिका नेटवर्क नीतियों को कुशलता से वास्तविक भौतिक रोबोट मा प्रशिक्षित गर्न को लागी पर्याप्त रूप मा सीख सकता है। हम देखब कि प्रशिक्षण समय का समानांतर कई रोबोट्स मा एल्गोरिथ्म क माध्यम से कम कई जा सकत है जउन आपन नीति अपडेट को असिन्क्रोनस रूप से साझा करत हैं। हमार प्रयोगात्मक मूल्यांकन से पता चलता है कि हमार पद्धति कई 3 डी हेरफेर कौशल सीख सकत है सिमुलेशन में अउर एक जटिल दरवाजा खोलने वाला कौशल वास्तविक रोबोट पर बिना कौनो पूर्व प्रदर्शन या मैन्युअल रूप से डिज़ाइन किए गए प्रतिनिधित्व के। |
b8aa8b5d06c98a900d8cea61864669b28c3ac0fc | ई लेख राउटिंग प्रोटोकॉल का एक व्यापक सर्वेक्षण प्रस्तुत करत है जवन राउटिंग खातिर प्रस्तावित है व्हीकलर डिले टॉलरेंट नेटवर्क (वीडीटीएन) राउटिंग के लिए राउटिंग वातावरण में. डीटीएन कय उपयोग विभिन्न परिचालन वातावरण मा करल जात है, जेहमा अवरोधन अउर डिस्कनेक्शन कय अधीन अउर ऊ लोग उच्च विलंब वाले, जइसे कि व्हीकल एड-हॉक नेटवर्क (VANET) । हम विशेष रूप से एक विशेष प्रकार का वैनट (VANET) पर ध्यान केंद्रित कर रहे हैं, जहां वाहन यातायात दुर्लभ है और इंटरकनेक्टिंग पार्ट्स के बीच सीधे एंड-टू-एंड मार्ग हमेशा मौजूद नहीं हैं। एह से, ई संदर्भ में संचार वाहन विलंब सहिष्णु नेटवर्क (वीडीटीएन) की श्रेणी में आवेला. RSU (रोड साइड यूनिट) की सीमित संचरण सीमा के कारन, VDTN मा रिमोट वाहन, RSU से सीधे कनेक्ट नहीं हो सकत हैं अउर इ प्रकार पैकेट रिले करने के लिए मध्यवर्ती वाहनों पर भरोसा करे का पड़त है। संदेश रिले प्रक्रिया के दौरान, पूरी तरह से अंत-से-अंत पथ हो सकत है कि अत्यधिक विभाजन वाले VANETs मा मौजूद न हो। एही से, इंटरमीडिएट व्हेक्टर के बफर करे अउर मैसेज आगे भेजै के जरूरत है। बफर, कैरी अउर फॉरवर्ड क माध्यम स, संदेश अंततः गंतव्य तक पहुंचावा जा सकत है भले ही स्रोत अउर गंतव्य के बीच अंत-से-अंत कनेक्शन न हो। डीटीएन मा रूटिंग प्रोटोकॉल का मुख्य उद्देश्य अंत-से-अंत विलंब को कम करते हुए गंतव्य तक पहुंच की संभावना को अधिकतम करना अहै। ईवा, वाहन यातायात मॉडल वाहन नेटवर्क मा डीटीएन रूटिंग खातिर महत्वपूर्ण ह, काहे से की डीटीएन रूटिंग प्रोटोकॉल का प्रदर्शन नेटवर्क की आबादी औ गतिशीलता मॉडल से घनिष्ठ रूप से जुड़ा हुआ ह। 2014 एल्सवियर बी.वी. सब अधिकार सुरक्षित अहै |
4555fd3622908e2170e4ffdd717b83518b123b09 | इ पेपर मेटल प्लेट के पास क्षैतिज रूप से रखे गए एंटीना मापदंड पर प्रभाव का प्रस्तुत करत है। प्लेट का आकार सीमित है और आयताकार आकार का है। एक फोल्ड डिपोल एंटीना का उपयोग कईल जात है और इ प्लेट के ऊपर सममित रूप से रखल जात है. एफईएम (फिनिट एलिमेंट विधि) का उपयोग प्लेट के आकार अउर प्लेट अउर एंटीना के बीच के दूरी पर एंटीना पैरामीटर के निर्भरता के अनुकरण करे खातिर करल जाला. धातु की प्लेट की उपस्थिति, भले ही एक छोटी सी हो, अगर यह सही दूरी पर हो, तो एंटीना के व्यवहार में बहुत बड़े बदलाव का कारण बनता है। प्लेट जेतना बड़ा होइ, खासतौर पर चौड़ाई में, रेडिएशन पैटर्न का लोब उतना ही तेज अउर संकीर्ण होइ जात है. एंटीना ऊंचाई परिभाषित करता है कि विकिरण पैटर्न में कितने लोब हैं। एंटीना मा कई पैरामीटर, प्रतिरोध, दिशात्मकता अउर आगे-पीछे अनुपात सहित, आवधिक रूप से बदल जात हैं काहे से कि एंटीना ऊंचाई बढ़ जात है। मेटल प्लेट के प्रभाव से एंटीना का अनुनाद आवृत्ति भी बदल जात है। |
d70cd3d2fe0a194321ee92c305976873b883d529 | एक वाइडबैंड 57.7-84.2 GHz फेज शिफ्टर एक कॉम्पैक्ट लैंग्ज युग्मन का उपयोग करके प्रस्तुत किया जाता है ताकि इन-फेज और क्वाड्रेचर सिग्नल उत्पन्न हो सके। लैंग्ज युग्मक के बाद दुइ बालन ट्रांसफार्मर होत हैं जवन अंतर I अउर Q संकेत के साथ IQ वेक्टर मॉडुलन प्रदान करत हैं। लागू चरण शिफ्टर औसतन 6dB सम्मिलन हानि और 5dB लाभ भिन्नता का प्रदर्शन करता है। मापा गयल औसत rms चरण अउर ग्यान त्रुटि क्रमशः 7 डिग्री अउर 1 dB बा। चरण-परिवर्तक ग्लोबलफाउंड्रीज 45-एनएम एसओआई सीएमओएस तकनीक में लागू है, एक जाल-समृद्ध सब्सट्रेट का उपयोग कर रहा है। चिप क्षेत्र 385 μm × 285 μm है और फेज शिफ्टर 17 mW से कम का उपभोग करता है. लेखक कय ज्ञान तक, इ पहिला चरण शिफ्टर है जवन 60 गीगाहर्ट्ज़ बैंड अउर ई-बैंड आवृत्तियन दुनौ का 37% कय आंशिक बैंडविड्थ के साथ कवर करत है। |
eb58118b9db1e95f9792f39c3780dbba3bb966cb | इ पेपर एक पहनावा निष्क्रिय माप प्रणाली अउर एकर संबंधित स्थानिक-समय पैदल विश्लेषण एल्गोरिथ्म प्रस्तुत करत है ताकि मात्रात्मक माप प्राप्त कीन जा सके अउर स्ट्रोक या पार्किंसंस रोग वाले मरीजन खातिर स्थानिक-समय पैदल पैटर्न से नैदानिक संकेतक का पता लगा सके। पहनावा प्रणाली मा एक माइक्रो नियंत्रक, एक ट्राइएक्सियल त्वरण मापने का यंत्र, एक ट्राइएक्सियल जाइरोस्कोप, र एक आरएफ वायरलेस ट्रांसमिशन मोड्युल शामिल छ। गति विश्लेषण एल्गोरिथ्म, जौन जड़त्वीय संकेत अधिग्रहण, संकेत पूर्व-प्रसंस्करण, गति चरण का पता लगावा, अउर गति अनुमान का टखने का दायरा से युक्त होय, गति गति और कोणीय वेग से गति सुविधाओं का निष्कर्षण करे खातिर विकसित करल गयल है। सटीक टखने गति सीमा का अनुमान लगाने के लिए, हम जड़ता संकेतों की एकीकरण त्रुटि के संचय को कम करने के लिए एक पूरक फ़िल्टर में त्वरण और कोणीय वेग एकीकृत है। सभी 24 प्रतिभागियों का अपने पैर पर प्रणाली माउंटेड सामान्य गति पर 10 मीटर की एक सीधी रेखा के साथ चल रहा है और उनके पैदल रिकॉर्डिंग का संग्रह प्रस्तावित प्रणाली और एल्गोरिथ्म की प्रभावशीलता का सत्यापन करने के लिए एकत्रित किए गए थे। प्रयोगात्मक परिणाम से पता चलता है कि प्रस्तावित जड़ता माप प्रणाली डिजाइन स्पेस-टाइम पैदल का विश्लेषण एल्गोरिथ्म के साथ स्पेस-टाइम पैदल की जानकारी का स्वचालित रूप से विश्लेषण करने का एक आशाजनक उपकरण है, जो स्ट्रोक या पार्किंसंस रोग के निदान के लिए चिकित्सीय प्रभावकारिता की निगरानी के लिए नैदानिक संकेतकों के रूप में कार्य करता है। |
7e7f14f325d7e8d70e20ca22800ad87cfbf339ff | इ प्रकाशन मा पुनरुत्पादित लेख शामिल हैं जिनकी IEEE प्रतिलिपि अधिकार नहीं रखत है। इ लेख कय पूरा पाठ IEEE Xplore पय उपलब्ध नाहीं अहै। |
002a8b9ef513d46dc8dcce85c04a87ae6a221b4c | हम प्रस्तावित समर्थन वेक्टर एल्गोरिदम का एक नया वर्ग regression and classification. इ एल्गोरिदम मा, एक पैरामीटर एक प्रभावी ढंग से समर्थन वैक्टरों की संख्या का नियंत्रित कर पाता है। जबकि इ अपने आप मा उपयोगी हो सकत है, पैरामीटर के अतिरिक्त लाभ इ है कि हम एल्गोरिथ्म के अन्य मुक्त मापदंडों में से एक को समाप्त करने में सक्षम हैंः प्रतिगमन मामले में सटीकता पैरामीटर, और वर्गीकरण मामले में नियमितकरण निरंतर सी। हम एल्गोरिदम का वर्णन करते हैं, कुछ सैद्धांतिक परिणाम देते हैं, जैसे कि अर्थ और चयन का चयन, और प्रयोगात्मक परिणामों की रिपोर्ट। |
0911bcf6bfff20a84a56b9d448bcb3d72a1eb093 | एक ऑटो एनकोडर का नियमित प्रशिक्षण आम तौर पर छिपी इकाई पूर्वाग्रहों का परिणाम है जो बड़े नकारात्मक मान लेते हैं। हम देखब कि नकारात्मक पूर्वाग्रह एक छिपी परत का उपयोग कर के एक प्राकृतिक परिणाम है जेकर जिम्मेदारी इनपुट डेटा का प्रतिनिधित्व करेक है अउर एक चयन तंत्र के रूप मा कार्य करेक है जउन प्रतिनिधित्व की कमता का सुनिश्चित करत है। तब हम देखब कि नकारात्मक पक्षपात से डेटा वितरण के सीख मा बाधा पड़त है जेकर आंतरिक आयाम जादा है। हम एक नया सक्रियण फलन भी प्रस्तावित करत है जवन छुपा हुआ परत के दु भूमिकाओं का अलग करता है अउर जवन हमका बहुत उच्च आंतरिक आयामत्व वाले डेटा पर प्रतिनिधित्व सीखै के अनुमति देत है, जहां मानक ऑटोकोडर आमतौर पर विफल होत हैं। चूंकि डिस्कॉप्ड एक्टिवेशन फ़ंक्शन एक निहित रेगुलेरेटर की तरह कार्य करता है, मॉडल को प्रशिक्षण डेटा की पुनर्निर्माण त्रुटि को कम करके, बिना किसी अतिरिक्त रेगुलेरेटर की आवश्यकता के, प्रशिक्षित किया जा सकता है। |
27f9b805de1f125273a88786d2383621e60c6094 | इ पेपर मा हम गति नियंत्रण और पोजीशन अनुमान मा सुधार के लिए ट्रैक मोबाइल रोबोट्स के लिए एक गतिशील दृष्टिकोण का प्रस्ताव करत हैं। स्लिप अउर ट्रैक-ग्राउण्ड इंटरैक्शन के कारन जटिल गतिशीलता ट्रैक गति के आधार पर वाहन की सटीक गति का अनुमान लगावल मुश्किल बना देत है। बहरहाल, स्वायत्त नेविगेशन खातिर वास्तविक समय गणना मा लूप मा गतिशीलता का परिचय दिए बिना एक प्रभावी गतिज समीकरण की आवश्यकता होत है। प्रस्तावित समाधान ई तथ्य पे आधारित बा कि गति विमान पर वाहन के संबंध में रोटरी के क्षणिक केन्द्र (आईसीआर) गतिशीलता पर निर्भर करत बाड़े, लेकिन उ एगो बाउंडेड क्षेत्र के भीतर स्थित बाड़े. इ प्रकार, एक विशेष इलाके खातिर स्थिर आईसीआर स्थिति का अनुकूलन कै परिनाम मा ट्रैक मोबाइल रोबोट के लिए एक अनुमानित गतिज मॉडल होत है। दो अलग अलग दृष्टिकोण kinematic मापदंडों का ऑफ लाइन अनुमान के लिए प्रस्तुत कर रहे हैंः (i) वाहन की पूरी गति सीमा के लिए गतिशील मॉडल की स्थिर प्रतिक्रिया का अनुकरण; (ii) एक प्रयोगात्मक सेटअप की शुरूआत ताकि एक आनुवंशिक एल्गोरिथ्म वास्तविक सेंसर रीडिंग से मॉडल का उत्पादन कर सके। इन विधियन का मूल्यांकन ऑन-लाइन ओडोमेट्रिक गणना अउर मध्यम गति से कठोर सतह वाले सपाट माटी पर Aurigaα मोबाइल रोबोट के साथ निम्न-स्तर गति नियंत्रण खातिर करल गयल ह। कुंजी शब्द ट्रैक वाले वाहन, गतिज नियंत्रण, मोबाइल रोबोटिक्स, पैरामीटर पहचान, गतिशीलता अनुकरण |
04caa1a55b12d5f3830ed4a31c4b47921a3546f2 | क्रमांक, पेड़ अउर आलेख जइसे संरचित आंकड़ा खातिर डिज़ाइन कइल गइल कर्नेल वर्गीकरक अउर प्रतिगमनकर्ता, कम्प्यूटेशनल जीव विज्ञान अउर दवा डिजाइन जैसन कई अंतःविषय क्षेत्रन में काफी प्रगति कयलकय हा । आमतौर पै, कर्नेल पहिले से ही एक डेटा प्रकार के लिए डिज़ाइन कीन गा है जवन या त संरचनाओं का सांख्यिकीय शोषण करत है या संभाव्य जनरेटिव मॉडल का उपयोग करत है, और फिर एक भेदभावपूर्ण वर्गीकरण कर्नेल के आधार पर उत्तल अनुकूलन के माध्यम से सीखा जात है। हालांकि, एइसन एक सुंदर दो-चरणीय दृष्टिकोण भी कर्नेल विधि का लाखों डेटा बिंदुओं तक सीमित रखत है, अउर सुविधा प्रतिनिधित्व का सीखने के लिए विभेदक जानकारी का शोषण करत है। हम structure2vec, संरचनात्मक डेटा प्रतिनिधित्व के लिए एक प्रभावी और स्केलेबल दृष्टिकोण का प्रस्ताव करते हैं, जो फीचर स्पेस में अदृश्य चर मॉडल एम्बेड करने, और भेदभावपूर्ण जानकारी का उपयोग करके ऐसे फीचर स्पेस सीखने के विचार पर आधारित है। दिलचस्प बात इ है कि structure2vec ग्राफिक मॉडल inference प्रक्रियाओं, जैसे कि माध्य फ़ील्ड और विश्वास प्रसार, के समान तरीके से फ़ंक्शन मैपिंग का एक क्रम निष्पादित करके सुविधाओं का निष्कर्षण करता है। लखनो डाटा पॉइंट्स वाले एप्लीकेशन मा, हम देखाय देहे हन कि structure2vec 2 गुना तेज चलत है, 10,000 गुना छोट मॉडल बनत है, जबकि एक ही समय मा अत्याधुनिक भविष्यवाणी प्रदर्शन प्राप्त होत है। |
1dc5b2114d1ff561fc7d6163d8f4e9c905ca12c4 | इ बात क ठीक से पता चला है कि जब डाटा गैर-सामान्य रूप से वितरित होत है, तब पियर्सन का आर के महत्व का एक परीक्षण टाइप I त्रुटि दर का बढ़ा सकत है और बिजली घटा सकत है। सांख्यिकी पाठ्यपुस्तक अउर सिमुलेशन साहित्य पियर्सन के सहसंबंध का कई विकल्प प्रदान करत हैं। हालांकि, इनक्यूबेटर पय आपकै भाषा योग्यता पूरी कय लेहे बा, आप एहकै उपयोग करत हैं। 12 विधि क तुलना करे खातिर दुइ सिमुलेशन अध्ययन करल गयल रहे, जेहमा पियर्सन, स्पीर्मन का रैंक-ऑर्डर, परिवर्तन अउर पुनः नमूनाकरण दृष्टिकोण शामिल रहे। अधिकांश नमूना आकार (n ≥ 20) के साथ, Pearson सहसंबंध का आकलन करने से पहले डेटा को सामान्य आकार में बदलकर, टाइप I और टाइप II त्रुटि दर कम से कम की गई। रूपांतरण दृष्टिकोणों में, एक सामान्य उद्देश्य रैंक-आधारित व्युत्क्रम सामान्य रूपांतरण (यानी, रैंकिट स्कोर में रूपांतरण) सबसे अधिक लाभदायक रहा। हालांकि, जब नमूना छोट (n ≤ 10) और बेहद असामान्य दोनों थे, तब क्रमपरिवर्तन परीक्षण अक्सर अन्य विकल्पों पर बेहतर प्रदर्शन करता है, जिसमें विभिन्न बूटस्ट्रैप परीक्षण शामिल हैं। |
d3abb0b5b3ce7eb464846bbdfd93e0fbf505e954 | इ पेपर मा, हम सब्सट्रेट एकीकृत वेव गाइड (SIW) द्वारा खिलाया जा रहा कॉम्पैक्ट एंटीना सरणी की तीन अलग-अलग अवधारणाओं की तुलना करें। एंटीना अवधारणा रेडिएटर के प्रकार मा भिन्न रहत हैं। स्लॉट मैग्नेटिक रैखिक रेडिएटर का प्रतिनिधित्व करत हैं, पैच विद्युत सतह रेडिएटर हैं, अउर विवाल्डी स्लॉट ट्रैवल-वेव एंटेना से संबंधित हैं। एतनई, एसआईडब्ल्यू फीडर का उत्तेजक एंटीना तत्वन के अलग-अलग तंत्र का शोषण करे का चाही. अध्ययन कीन गवा एंटीना सरणी क प्रतिबाधा अउर विकिरण गुण सामान्यीकृत आवृत्ति से संबंधित है। एंटीना सरणी क परस्पर तुलना कीन गवा है ताकि एंटीना क स्टेट वैरिएबल, एसआईडब्ल्यू फीडर आर्किटेक्चर अउर संबंधित कार्यान्वयन विवरणों पे डिज़ाइन कीन गवा एंटीना क अंतिम पैरामीटर क मौलिक निर्भरता देखाई जा सके। |
e4acaccd3c42b618396c9c28dae64ae7091e36b8 | एक नया आई/क्यू रिसीवर सरणी का प्रदर्शन है कि एक प्राप्त बीम एक घटना आरएफ संकेत की ओर इंगित करने के लिए प्रत्येक प्राप्त चैनल मा चरण बदलाव अनुकूलित है। मापा जाय वाला सरणी 8.1 गीगाहर्ट्ज पर काम करत है औ चार तत्व सरणी खातिर +/-35 डिग्री के स्टीयरिंग कोण का कवर करत है। अतिरिक्त रूप से, रिसीवर एक I/Q डाउन-कन्वर्टर शामिल है और 64QAM को 4% से कम EVM के साथ डीमोड्यूलेट करता है। चिप 45 एनएम सीएमओएस एसओआई प्रक्रिया से निर्मित है और 3.45 मिमी2 का क्षेत्रफल पर कब्जा कर रहा है जबकि 143 एमडब्ल्यू डीसी पावर का उपभोग कर रहा है। |
149bf28af91cadf2cd933bd477599cca40f55ccd | हम एक सीखना वास्तुकला का प्रस्ताव करत हैं, जउन कच्चे दृश्य इनपुट डेटा के आधार पर सुदृढीकरण सीखना करत है। पहिले के तरीका के विपरीत, अब न केवल "योजना का नियंत्रण" नीति का ही सीख लिया जात है, बल्कि ई एक नई प्रक्रिया का रूप ले लेगा। सफल होए क खातिर, सिस्टम क भी स्वचालित रूप से सीखना चाही, कि कैसे इनपुट सूचनाओं की एक उच्च-आयामी धारा से प्रासंगिक जानकारी का निष्कर्षण करें, जेकर खातिर सिमेंटिक्स सीखने की प्रणाली को प्रदान नहीं की गयल ह. हम एक चुनौतीपूर्ण बेंचमार्क पर इ उपन्यास सीखने की वास्तुकला का एक पहला प्रूफ-ऑफ-कॉन्सेप्ट देते हैं, अर्थात् एक रेसिंग स्लॉट कार का दृश्य नियंत्रण। नतीजा ई भयल कि, सफल या असफल होए पर ही सीखल जाए वाली नीति का, अनुभवी मानव खिलाड़ी द्वारा शायद ही कभी मात दी जाए। |
759d9a6c9206c366a8d94a06f4eb05659c2bb7f2 | आज तक, कंप्यूटर विजन में मशीन लर्निंग-आधारित मान्यता एल्गोरिदम का लगभग सभी प्रयोगात्मक मूल्यांकन "बंद सेट" मान्यता का रूप ले चुका है, जहां सभी परीक्षण कक्षाएं प्रशिक्षण समय पर जानी जाती हैं। विजन अनुप्रयोगों खातिर एक अधिक यथार्थवादी परिदृश्य "खुला सेट" मान्यता है, जहां प्रशिक्षण समय पर दुनिया का अपूर्ण ज्ञान मौजूद है, और अज्ञात वर्गों का परीक्षण के दौरान एक एल्गोरिथ्म के लिए प्रस्तुत किया जा सकता है। इ पेपर खुला सेट मान्यता की प्रकृति का पता लगाता है और एकर परिभाषा को एक सीमित न्यूनतमकरण समस्या के रूप मा औपचारिक रूप दे रहा है। ओपन सेट मान्यता समस्या का मौजूदा एल्गोरिदम द्वारा ठीक से संबोधित नहीं कीन जात है काहे से इकरे खातिर मजबूत सामान्यीकरण की आवश्यकता होत है। समाधान की ओर एक कदम के रूप मा, हम एक उपन्यास 1-बनाम-सेट मशीन, पेश करते हैं जो एक रैखिक कर्नेल के साथ एक-वर्ग या द्विआधारी एसवीएम की सीमांत दूरी से एक निर्णय स्थान का नक्काशी करता है। इ पद्धति कंप्यूटर दृष्टि मा कई अलग अलग अनुप्रयोगों पर लागू होत है जहां खुला सेट मान्यता एक चुनौतीपूर्ण समस्या है, वस्तु मान्यता और चेहरा सत्यापन सहित। हम इ काम में दोनों पर विचार करत हई, कैल्टेक 256 अउर इमेजनेट सेट पर करल गयल बड़ पैमाना पर क्रॉस-डेटासेट प्रयोग के साथ-साथ लेबल किए गए फेस इन द वाइल्ड सेट पर करल गयल चेहरा मिलान प्रयोग के साथ। प्रयोगो से ओके कार्यो के लिए मौजूदा 1-वर्ग अउर बाइनरी एसवीएम की तुलना में ओपन सेट मूल्यांकन खातिर अनुकूलित मशीनन की प्रभावशीलता पर प्रकाश डाला गया है। |
00960cb3f5a74d23eb5ded93f1aa717b9c6e6851 | बेयज़ियन अनुकूलन अज्ञात, महँगाई अउर बहुरूपी फलन के वैश्विक अनुकूलन खातिर एगो बहुत प्रभावी पद्धति साबित भइल बा. फ़ंक्शनन कय ऊपर वितरण कय सटीक रूप से मॉडल करय कय क्षमता बेयसन अनुकूलन कय प्रभावकारिता खातिर महत्वपूर्ण अहै। यद्यपि गॉसियन प्रक्रिया फलन के ऊपर एक लचीला पूर्ववत प्रदान करत है, फलन की विभिन्न श्रेणियां हैं जिनकी मॉडलिंग मुश्किल बनी रहत है। इनमे से सबसे जादा असुविधाजनक कारक गैर-ट्रांसफार्मर रहित हैं। मशीन लर्निंग एल्गोरिदम के हाइपरपैरामीटर का अनुकूलन एक समस्या डोमेन है जवने में पैरामीटर अक्सर मैन्युअल रूप से एक प्राथमिकता से बदल जात हैं, उदाहरण के लिए लॉग-स्पेस, में अनुकूलन करके स्थानिक रूप से भिन्न लंबाई पैमाने के प्रभाव को कम करने के लिए। हम बीटा संचयी वितरण फलन का उपयोग करके इनपुट स्थान का द्विपक्षीय रूपांतरण या वार्पिंग का एक विस्तृत परिवार का स्वचालित रूप से सीखने के लिए एक पद्धति विकसित करते हैं। हम आगे बढ़े वार्पिंग फ्रेमवर्क का बहु-कार्य बेयज़ियन अनुकूलन तक ताकि कई कार्य एक साथ स्थिर स्थान पर वार्प हो सकें। चुनौतीपूर्ण बेंचमार्क अनुकूलन कार्य का एक सेट पर, हम देख रहे हैं कि वार्पिंग का समावेश अत्याधुनिक पर काफी सुधार करता है, बेहतर परिणाम तेजी से और अधिक विश्वसनीयता का उत्पादन करता है। |
b53e4c232833a8e663a9cf15dcdd050ff801c05c | हम उच्च-प्रवाह heterogeneous डाटा स्ट्रीम का वास्तविक समय विश्लेषण के लिए एक स्केलेबल प्रणाली प्रस्तुत करते हैं। हमार वास्तुकला भविष्यवाणी वाले विश्लेषण अउर विसंगति का पता लगावे खातिर मॉडल के वृद्धिशील विकास का सक्षम बनावत है जब डेटा सिस्टम में आवेला. बैच डाटा प्रोसेसिंग सिस्टम के विपरीत, जइसे हडोप, जेकर उच्च विलंबता हो सकत है, हमार वास्तुकला डाटा का तुरंत उपभोग अउर विश्लेषण की अनुमति देत है, अउर इ प्रकार असामान्य व्यवहार का पता लगावत है अउर प्रतिक्रिया देत है लगभग वास्तविक समय में। इनसाइडर खतरा, वित्तीय धोखाधड़ी, अउर नेटवर्क घुसपैठ जइसे अनुप्रयोगन खातिर ई समयबद्धता महत्वपूर्ण अहय। हम इ प्रणाली का आंतरिक खतरन का पता लगाने की समस्या पर एक आवेदन का प्रदर्शन करें, अर्थात्, प्रणाली के उपयोगकर्ताओं द्वारा एक संगठन के संसाधनों का दुरुपयोग और सार्वजनिक रूप से उपलब्ध आंतरिक खतरे डेटासेट पर हमारे प्रयोगों का परिणाम प्रस्तुत करें। |
39b58ef6487c893219c77c61c762eee5694d0e36 | वर्गीकरण डाटा खनन का उभरते क्षेत्र मा एक महत्वपूर्ण समस्या हो। यद्यपि वर्गीकरण क अतीत मा व्यापक रूप से अध्ययन कै गय अहै, अधिकांश वर्गीकरण एल्गोरिदम केवल मेमोरी-निवासी डेटा के खातिर डिज़ाइन कै गय अहै, यहिलिये बड़ी मात्रा मा डेटासेट के लिए इनका उपयुक्तता सीमित करत है। इ पेपर मा स्केलेबल वर्गीकरन कय निर्माण कय बारे मा चर्चा कीन गवा है औ एक नया वर्गीकरन, एसएलआईक्यू कय डिजाइन प्रस्तुत करत है। SLIQ एक निर्णय वृक्ष वर्गीकरण है जउन संख्यात्मक अउर वर्गीकृत गुण दुनहु का संभाल सकत है। ई पेड़न के बढ़त चरण मा एक नया पूर्व-सर्गीकरण तकनीक का उपयोग करत है। इ छँटाई प्रक्रिया डिस्क-निवासी डेटासेट का वर्गीकरण सक्षम करे खातिर एक व्यापक पेड़ बढ़े वाली रणनीति के साथ एकीकृत है। एसएलआईक्यू एक नया पेड़-छंटाई एल्गोरिथ्म का भी उपयोग करत है जवन कि सस्ता है, अउर एकर परिणामस्वरूप कॉम्पैक्ट अउर सटीक पेड़ होत हैं। इ तकनीक कय संयोजन से SLIQ बड़ा डेटा सेट कय खातिर मापन कइ सका जात है औ डाटा सेट कय वर्गीकृत कइ सका जात है चाहे ऊ कक्षा, विशेषता औ उदाहरण (रिकॉर्ड) कय संख्या कय हिसाब से काहे न हो, जेसे इ डेटा माइनिंग कय लिए एक आकर्षक औजार बन जात है। |
1f25ed3c9707684cc0cdf3e8321c791bc7164147 | वर्गीकरण एक महत्वपूर्ण डेटा-खोज समस्या का समाधान है। हालांकि वर्गीकरण एक अच्छी तरह से अध्ययन की गई समस्या है, अधिकांश वर्तमान वर्गीकरण एल्गोरिदम का दावा है कि पूरी तरह से या एक खंड की आवश्यकता है ... पूरी तरह से डेटासेट का स्मृति में स्थायी रूप से रहना। इकर मतलब ई हय कि इनका बड़ी-बड़ी डाटाबेस कय खनन करय कय अनुमति नाइ है। हम एक नया निर्णय-वृक्ष-आधारित वर्गीकरण एल्गोरिथ्म प्रस्तुत करत हैं, जेकर नाम स्प्रिंट है जवन कि सब स्मृति प्रतिबंधन का हटा देत है, अउर तेज अउर स्केलेबल है। एल्गोरिथ्म भी आसानी से समानांतर होवे क लिए डिज़ाइन कीन गवा है, जेसे कई प्रोसेसर एक साथ काम कर सकें ताकि एक एकल सुसंगत मॉडल का निर्माण कै सका जा सके। इ समानांतर, इ भी प्रस्तुत है, उत्कृष्ट मापनीयता का भी प्रदर्शन करता है। इ लक्षणन का संयोजन प्रस्तावित एल्गोरिथ्म का डेटा खनन खातिर एक आदर्श उपकरण बनावेला. |
7c3a4b84214561d8a6e4963bbb85a17a5b1e003a | |
76c87ec44fc5dc96bc445abe008deaf7c97c9373 | इ पेपर मानक नरम सब्सट्रेट की एक एकल परत पर 100 Ω अंतर माइक्रोस्ट्रिप लाइन फ़ीड के साथ एक समतल ग्रिड सरणी एंटीना प्रस्तुत करत है। ऑटोमोटिव रडार अनुप्रयोगों खातिर 79 गीगाहर्ट्ज आवृत्ति बैंड मा एंटीना काम करत है। एकर एकल पंक्ति डिजाइन ऊंचाई मा एक संकीर्ण बीम प्रदान करत है और अज़ीमुथ मा एक चौड़ा बीम। अंतर माइक्रोस्ट्रिप लाइन फीडिंग के साथ, एंटीना आवृत्ति रेंज में अंतर मल्टीचैनल MMICs के लिए उपयुक्त है। |
bc7308a97ec2d3f7985d48671abe7a8942a5b9f8 | इ पेपर भावना विश्लेषण का एक दृष्टिकोण का परिचय देत है जो समर्थन वेक्टर मशीनों (एसवीएम) का उपयोग संभावित प्रासंगिक जानकारी के विविध स्रोतों को एक साथ लाने के लिए करता है, जिसमें वाक्यांशों और विशेषणों के लिए कई अनुकूलता माप शामिल हैं, और, जहां उपलब्ध हो, पाठ के विषय का ज्ञान। परिचय देहे गए विसेसता का उपयोग करैं वाले मॉडल का एक्योग्राम मॉडल के साथ जोड़य के बाद भी देखाइ दिहा है कि ई अतीत मा प्रभावी रूप से देखाइ दिहा है (पेंग एट अल, 2002) अउर एक्योग्राम मॉडल का लेमेटाइज्ड संस्करण। Epinions.com से मूवी समीक्षा डेटा पर प्रयोग से पता चलता है कि हाइब्रिड एसवीएम जो एकोग्राम-शैली फीचर-आधारित एसवीएम को वास्तविक मूल्य वाले अनुकूलता माप पर आधारित एसवीएम के साथ जोड़ते हैं, बेहतर प्रदर्शन प्राप्त करते हैं, इन डेटा का उपयोग करके अब तक का सबसे अच्छा परिणाम प्रकाशित करते हैं। आगे के प्रयोगों का उपयोग कर एक सुविधा सेट के साथ समृद्ध विषय जानकारी पर एक छोटा सा डेटासेट संगीत समीक्षा handannotated के लिए विषय भी रिपोर्ट कर रहे हैं, जिसके परिणाम का सुझाव है कि विषय जानकारी शामिल करने के लिए इस तरह के मॉडल भी सुधार पैदा कर सकता है. |
be389fb59c12c8c6ed813db13ab74841433ea1e3 | अंजीर का पेड़ 1. माई बाप पहिले हम प्रस्तुत करत हई iMapper, एक पद्धति जवन वस्तुअन के साथ मनुष्य की बातचीत के बारे मा तर्क देत है, एक यथार्थवादी दृश्य व्यवस्था अउर मानव आंदोलन दुनहु क पुनर्प्राप्त करे क खातिर, जउन सबसे अच्छा एक इनपुट मोनोकुलर वीडियो क व्याख्या करत है (इसे भी देखें) । हम विडियो मा सीनलेट (जैसे, ए, बी, सी) नाम की विशेषता इंटरैक्शन फिट करत हैं औउ इनका उपयोग वस्तु की एक उचित व्यवस्था औउ मानव गति पथ (बायें) का पुनर्निर्माण करै खातिर करत हैं। मुख्य चुनौती इ है कि भरोसेमंद फिटिंग का अवांछित (यानी, लुप्त) ऑक्ल्यूशन के बारे मा जानकारी की आवश्यकता होत है। (दाएं) हम आपन परिणाम का एक ओवरले (ऊपर से देखने) दिखाते हैं, मैन्युअल रूप से एनोटेटेड ग्राउंडट्रथ ऑब्जेक्ट प्लेसमेंट पर। ध्यान दे की वस्तु जाल अनुमानित वस्तु श्रेणी, स्थान, अउर आकार जानकारी कय आधार पे रखा जात है। |
f24a1af3bd8873920593786d81590d29520cfebc | इ पत्र बहुपरत सब्सट्रेट एकीकृत वेव गाइड (MSIW) तकनीक पर आधारित एक उपन्यास अण्डाकार फ़िल्टर का डिजाइन और प्रयोग प्रस्तुत करता है। चार गुना एमएसआईडब्ल्यू गुहाओं वाला एक सी-बैंड अण्डाकार फ़िल्टर उच्च आवृत्ति संरचना सिम्युलेटर सॉफ्टवेयर का उपयोग करके सिमुलेट किया जाता है और दो-परत मुद्रित सर्किट बोर्ड प्रक्रिया के साथ निर्मित होता है, मापा परिणाम अच्छा प्रदर्शन दिखाते हैं और सिमुलेटेड परिणामों के साथ समझौते में हैं। |
8052bc5f9beb389b3144d423e7b5d6fcf5d0cc4f | विशेषताएं वस्तुओं द्वारा साझा की गई अर्थपूर्ण दृश्य विशेषताओं का एक सेट है। ई देखाई दिहा गा है कि ई वस्तुअन कय पहिचान कय सुधार करेक लिए अउर सामग्री-आधारित छवि खोज कय बढ़ावेक लिए प्रयोग होत है। जबकि विशेषता कई श्रेणियों का कवर करे, जैसे एक डल्मेशियन और एक व्हेल दुनो का "सुंदर त्वचा" हो सकता है, हम पाते हैं कि एक ही विशेषता का रूप विभिन्न श्रेणियों में काफी भिन्नता है. इ प्रकार, एक श्रेणी पर सीखी गई विशेषताओं का एक मॉडल दूसरे श्रेणी पर लागू नहीं हो सकता है। हम देखब कि का नई श्रेणी मा गुण मॉडल को रूपांतर के रूप मा करैं का चाही। हम ई सुनिश्चित कर हई कि श्रेणी के स्रोत डोमेन अउर एगो नया लक्ष्य डोमेन के बीचे सकारात्मक स्थानांतरण होई सकत है, फ़ीचर चयन द्वारा पावल गयल एगो फ़ीचर उप-स्थान में सीखकर जहां डोमेन का डेटा वितरण समान है। हम देखब कि जब उपन्यास डोमेन से डेटा सीमित होत है, तब सहायक डोमेन (एडप्टिव एसवीएम के माध्यम से) पर प्रशिक्षित मॉडल के साथ उ उपन्यास डोमेन खातिर विशेषता मॉडल का नियमित रूप से विशेषता भविष्यवाणी की सटीकता में सुधार होत है। |
01094798b20e96e1d029d6874577167f2214c7b6 | तेजी से समवर्ती हैश टेबल एक तेजी से महत्वपूर्ण बिल्डिंग ब्लॉक हैं जैसा कि हम सिस्टम को कोर और थ्रेड की अधिक संख्या तक मापते हैं। ई कागज एगो उच्च-प्रवाह और मेमोरी-कुशल समवर्ती हैश तालिका का डिजाइन, कार्यान्वयन, और मूल्यांकन प्रस्तुत करता है जो कई पाठकों और लेखकों का समर्थन करता है। ई डिजाइन सिस्टम-स्तर के अनुकूलन खातिर सावधानीपूर्वक ध्यान से उत्पन्न होत है, जइसे कि महत्वपूर्ण खंड लंबाई के कम से कम करे अउर एल्गोरिथ्म पुनर्गठन के माध्यम से इंटरप्रोसेसर सुसंगतता यातायात के कम करे। ई इंजीनियरिंग के वास्तुशिल्प आधार के रूप मा, हम ई महत्वपूर्ण बिल्डिंग ब्लॉक के लिए इंटेल के हालिया हार्डवेयर लेनदेन मेमोरी (एचटीएम) समर्थन का अपनाए के आपन अनुभव अउर परिणामों की चर्चा शामिल करत हैं। हम पाते हैं कि एक साथ एक्सेस की अनुमति देने से मौजूदा डेटा संरचनाओं पर एक मोटे-अनाज वाले लॉक का उपयोग करके अधिक थ्रेड के साथ समग्र प्रदर्शन कम हो जाता है। जबकि एचटीएम इ धीमा कर देत है, इ पूरी तरह से इसे समाप्त नाहीं कर देत है. एल्गोरिथ्म अनुकूलन जवन एचटीएम अउर बारीक-खरखर तालाबंदी खातिर डिजाइन दुनहु का लाभ देत हैं ऊ उच्च प्रदर्शन प्राप्त करे खातिर आवश्यक अहय। हमार प्रदर्शन परिणाम ई दर्शावत है कि हमार नया हैश टेबल डिज़ाइन---आसमी कुक्कू हैशिंग के आसपास आधारित---लेखन-भारी वर्कलोड के लिए अन्य अनुकूलित समवर्ती हैश टेबल से 2.5 गुना तक बेहतर प्रदर्शन करत है, भले ही छोटे-की-मूल्य वाले आइटम के लिए काफी कम मेमोरी का उपयोग करते हुए। 16 कोर वाली मशीन पर, हमार हैश टेबल लगभग 40 मिलियन इन्सर्ट और 70 मिलियन से अधिक लुकअप ऑपरेशन प्रति सेकंड निष्पादित करत है। |
5685a394b25fcb27b6ad91f7325f2e60a9892e2a | ग्राफ डाटाबेस (GDB) हाल ही मा ग्राफ-जैसी संरचना वाले डाटा को संग्रहीत र प्रबंधन को लागी पारंपरिक डाटाबेस को सीमा को पार गर्न को लागी उभरा है। आज, उ कई अनुप्रयोगों खातिर एक आवश्यकता का प्रतिनिधित्व करत है जौन ग्राफ-जैसे डेटा का प्रबंधन करत है,जैसे सामाजिक नेटवर्क. ग्राफ डेटाबेस में क्वेरीज़ का अनुकूलन करने के लिए लागू अधिकांश तकनीकें पारंपरिक डेटाबेस, वितरण प्रणालियों में उपयोग की जाती हैं, या ग्राफ सिद्धांत से प्रेरित हैं। हालांकि, ग्राफ डाटाबेस में इनका पुनः उपयोग ग्राफ डाटाबेस की मुख्य विशेषताओं का ध्यान रखेगा, जैसे गतिशील संरचना, अत्यधिक परस्पर जुड़े डेटा, और डेटा संबंधों तक कुशलता से पहुंच की क्षमता। इ पेपर मा, हम ग्राफ डाटाबेस मा क्वेरी अनुकूलन तकनीक का सर्वेक्षण करें। विशेष रूप से, हम अपने ग्राफिक्स-जैसे डेटा क्वेरी सुधारै मा ध्यान केंद्रित करित है। |
0541d5338adc48276b3b8cd3a141d799e2d40150 | मैपरेड्यूस एक प्रोग्रामिंग मॉडल अउर संबद्ध कार्यान्वयन है जवन कि बड़े डेटासेट के संसाधित अउर उत्पन्न करे खातिर है जवन कि वास्तविक दुनिया के कई काम खातिर अनुकूल है. प्रयोगकर्ता एक नक्शा अउर एक कम कार्य के संदर्भ में गणना निर्दिष्ट करत हैं, अउर अंतर्निहित रनटाइम सिस्टम स्वचालित रूप से मशीनों के बड़े पैमाने पर समूहों में गणना का समानांतर करता है, मशीन विफलताओं का संभालता है, अउर नेटवर्क अउर डिस्क का कुशलता से उपयोग करे खातिर इंटर-मशीन संचार का समय निर्धारित करता है। प्रोग्रामर सिस्टम का उपयोग करना आसान पाता है: पिछले चार साल में Google पर आंतरिक रूप से दस हजार से अधिक अलग-अलग MapReduce प्रोग्राम लागू किए गए हैं, और Google के क्लस्टर पर हर दिन औसतन एक लाख MapReduce जॉब निष्पादित किए जाते हैं, प्रति दिन कुल बीस से अधिक पेटाबाइट्स का डेटा संसाधित करते हैं। |
683c8f5c60916751bb23f159c86c1f2d4170e43f | |
3a116f2ae10a979c18787245933cb9f984569599 | वायरलेस सेंसर नेटवर्क (डब्ल्यूएसएन) कई अनुप्रयोगों खातिर एक प्रभावी समाधान के रूप मा उभरा है। अधिकांश पारंपरिक WSN आर्किटेक्चर मा स्थिर नोड्स शामिल होत हैं जौन एक संवेदी क्षेत्र मा घन रूप से तैनात होत हैं। हाल ही मा, मोबाइल तत्व (एमई) पर आधारित कई डब्ल्यूएसएन वास्तुकला का प्रस्ताव दिया गा है। ईन्जिनियरिङ् कय ज्यादातर मनई WSN मा डाटा एकत्रित करै कय समस्या का हल करै खातिर मोबिलिटी कय उपयोग करत हँय। ई लेख में हम पहिले एमई के साथ WSNs का परिभाषित करत हैं अउर एमई की भूमिका के आधार पर उनके आर्किटेक्चर का एक व्यापक वर्गीकरण प्रदान करत हैं। तब हम यक परिदृश्य मा डाटा संग्रह प्रक्रिया का अवलोकन करें, औ संबंधित मुद्दों अउर चुनौतियों का पहचान करें। इन मुद्दों की आधार पर, हम संबंधित साहित्य का एक विस्तृत सर्वेक्षण प्रदान करते हैं। अंत मा हम अपने अवधीय जघा मा पधारल अव अवधीय समस्या पर शोध करत है अवधीय जघा मा भविष्य मा खोज दिशा का संकेत देत है। |
e7b50e3f56e21fd2a5eb34923d427a0bc6dd8905 | इ पेपर मा माइक्रोवेव फिल्टर के लिए युग्मन मैट्रिक्स का संश्लेषण का एक नया तरीका प्रस्तुत है। नई दृष्टिकोण युग्मन मैट्रिक्स संश्लेषण के लिए मौजूदा प्रत्यक्ष और अनुकूलन विधियों पर एक अग्रिम का प्रतिनिधित्व करता है कि यह एक नेटवर्क के लिए सभी संभावित युग्मन मैट्रिक्स समाधान का पूर्ण रूप से पता लगाएगा यदि एक से अधिक मौजूद हैं। इ इकट्ठा कड़वा मान, अनुनादकर्ता आवृत्ति ऑफसेट, परजीवी कड़वा सहिष्णुता आदि का चयन करने का अनुमति देता है जो कि प्रौद्योगिकी के लिए सबसे उपयुक्त होगा, जिसके साथ माइक्रोवेव फ़िल्टर का निर्माण करना है। विधि का उपयोग का प्रदर्शन करने के लिए, हाल ही में पेश विस्तारित बॉक्स (ईबी) युग्मन मैट्रिक्स विन्यास का मामला लिया जाता है। ई.बी. फिल्टर संरचना कय एक नया वर्ग कय प्रतिनिधित्व करत है जवने कय कई महत्वपूर्ण फायदा है, जेहमा से एक है प्रत्येक प्रोटोटाइप फिल्टरिंग फंक्शन कय लिए कई युग्मन मैट्रिक्स समाधान कय अस्तित्व, उदाहरण कय लिए 8 डिग्री के केस कय लिए 16। ए मामला का संश्लेषण विधि का उपयोग दिखाने के लिए एक उदाहरण के रूप में लिया गया है - दोहरे मोड के लिए उपयुक्त एक समाधान का उत्पादन करना और एक जहां कुछ युग्मन उपेक्षित किए जाने के लिए काफी छोटे हैं। सूचकांक शब्द - युग्मन मैट्रिक्स, फ़िल्टर संश्लेषण, ग्रॉबनेर आधार, उलटा विशेषता, कई समाधान। |
a6f1dfcc44277d4cfd8507284d994c9283dc3a2f | हम लगभग वास्तविक समय पर कंप्यूटर प्रणाली विकसित की है कि एक व्यक्ति का सिर का पता लगा सकता है, फिर व्यक्ति का चेहरा पहचान सकता है, और फिर परिचित व्यक्तियों की विशेषताओं की तुलना करके। इ प्रणाली मा लिया जाय वाला कम्प्यूटेशनल दृष्टिकोण फिजियोलॉजी और सूचना सिद्धांत, साथ ही साथ वास्तविक समय पर प्रदर्शन और सटीकता की व्यावहारिक आवश्यकताओं से प्रेरित है। हमार दृष्टिकोण चेहरा पहचान समस्या का एक आंतरिक रूप से द्वि-आयामी (2-डी) पहचान समस्या के रूप मा व्यवहार करत है बजाय तीन-आयामी ज्यामिति की वसूली की आवश्यकता के, तथ्य का लाभ उठाते हुए कि चेहरे सामान्य रूप से ऊर्ध्वाधर हैं और यस प्रकार 2-डी विशेषता दृश्यों का एक छोटा सेट द्वारा वर्णित किया जा सकता है। इ प्रणाली कय काम चेहरा चित्रण कय एक सुविधा स्थान पे प्रोजेक्ट कइके करत अहै जवन ज्ञात चेहरा चित्रण के बीच महत्वपूर्ण भिन्नता कय फैलावत अहै। महत्वपूर्ण विशेषता "eigenfaces" के रूप मा जाना जात है, काहे से की ऊ चेहरा के सेट का eigenvectors (मुख्य घटक) है; ऊ जरूरी रूप से आंख, कान, और नाक जैसन विशेषता से मेल नहीं खात हैं। प्रक्षेपण संचालन एक व्यक्तिगत चेहरा का विशेषता है, जो कि eigenface सुविधाओं का एक भारित योग है, और इसलिए एक विशेष चेहरा को पहचानने के लिए, केवल ज्ञात व्यक्तियों के साथ इन वजन की तुलना करना आवश्यक है। हमार तरीका के कुछ खास फायदा ई है कि ई बिना देखरेख के नई-नई चेहरा सीखके अउर बाद मा पहिचाने के काबिलियत देत है, अउर ई एक न्यूरल नेटवर्क आर्किटेक्चर के मदद से लागू करना आसान है। |
b217788dd6d274ad391ee950e6f6a34033bd2fc7 | जब बहुपरत पर्सेप्ट्रॉन, बैकप्रोपेगशन का उपयोग करके एक वर्गीकरणकर्ता के रूप में प्रशिक्षित किया जाता है, तो बेज़ इष्टतम भेदभाव समारोह का अनुमान लगाने के लिए दिखाया जाता है। परिणाम दुइ-वर्ग समस्या अउर बहु-वर्ग समस्या दुनऊ खातिर देखाय दिहा गा है। ई देखाई दिहा बा कि बहुपरत पर्सपट्रॉन के आउटपुट प्रशिक्षित वर्गन के बाद के संभाव्यता फलन के अनुमान लगावत बा. प्रमाण कौनो भी संख्या मा परतों और कौनो भी प्रकार का इकाई सक्रियण समारोह, रैखिक या गैर-रैखिक पर लागू होत है। |
647cb3825baecb6fab8b098166d5a446f7711f9b | हाल के बरस मा, गहरी जनरेटिव मॉडल क कल्पना क रूप मा दिखाया ग्यायी है कि कच्चे डेटा से सीधी सी सीखी, छवियों, ऑडियो, और यहां तक कि वीडियो जैसन उच्च आयामी अवलोकनों का विश्वास करे। इ काम मा, हम पूछत है कि लक्ष्य-निर्देशित दृश्य योजनाओं का कल्पना कैसन करें- अवलोकन का एक यथार्थवादी अनुक्रम जवन एक गतिशील प्रणाली का वर्तमान विन्यास से वांछित लक्ष्य राज्य मा संक्रमण, जवन बाद मा नियंत्रण क खातिर एक संदर्भ प्रक्षेपवक्र के रूप मा उपयोग कै सका जात है। हम उच्च आयामी अवलोकन, जइसे कि छवियों वाले प्रणालियों पर ध्यान केंद्रित करते हैं, अउर एक ऐसा दृष्टिकोण का प्रस्ताव करते हैं जो स्वाभाविक रूप से प्रतिनिधित्व सीखने और योजना बनाने का संयोजन करता है। हमार ढांचा अनुक्रमिक अवलोकन का एक जनरेटिव मॉडल सीखता है, जहां जनरेटिव प्रक्रिया एक कम-आयामी योजना मॉडल, अउर एक अतिरिक्त शोर मा एक संक्रमण द्वारा प्रेरित कीन जात है। जनरेट अवलोकन अउर योजना मॉडल मा संक्रमण के बीच आपसी जानकारी का अधिकतम कइके, हम एक कम आयामी प्रतिनिधित्व प्राप्त करत हैं जउन सबसे अच्छा डेटा के कारण प्रकृति का बतात है। हम योजना मॉडल का संरचना कर रहे हैं ताकि योजना के साथ संगत हो सके प्रभावी योजना एल्गोरिदम, और हम प्रस्तावित कर रहे हैं कि अलग-अलग या लगातार राज्यों पर आधारित कई मॉडल। अंत मा, एक दृश्य योजना उत्पन्न करने के लिए, हम वर्तमान और लक्ष्य अवलोकन योजना मा अपने संबंधित राज्यों मा प्रोजेक्ट करते हैं, एक प्रक्षेपवक्र की योजना बनाते हैं, और फिर प्रक्षेपवक्र को अवलोकनों का एक अनुक्रम में बदलने के लिए जनरेटिव मॉडल का उपयोग करते हैं। हम रस्सी के हेरफेर3 का कल्पना करे खातिर वैचारिक रूप से दृश्य योजना पर आपन विधि के प्रदर्शन करत बानी। |
a63b97291149bfed416aa9e56a21314069540a7b | उद्देश्य ध्यान-अभाव/अतिसक्रियता विकार (एडीएचडी) वाले बच्चन अउर किशोरन मा कामकाजी स्मृति (डब्ल्यूएम) प्रक्रियाओं मा कमी के अनुभवजन्य साक्ष्य का निर्धारण करना। विधि एडीएचडी वाले बच्चन मा WM विकार दिखाय के जांच खातिर एक्सप्लोरेटरी मेटा- एनालिटिक प्रक्रियाओं का इस्तेमाल कीन गा रहा। 1997 से दिसम्बर 2003 तक छब्बीस प्रयोगात्मक अनुसंधान अध्ययन (पहले की समीक्षा के बाद) शामिल किए गए थे। वस्त्र प्रबंधन माप के तरीका (मौखिक, स्थानिक) अउर जरूरी प्रसंस्करण (भण्डारण बनाम भण्डारण/संशोधन) के प्रकार के अनुसार वर्गीकृत करल गयल रहे। परिणाम एडीएचडी वाले बच्चन मा डब्ल्यूएम के कई घटकन मा कमी दिखाई दी जउन भाषा सीखने की विकार अउर सामान्य बौद्धिक क्षमता मा कमजोरी से स्वतंत्र रहिन। स्थानिक भंडारण (प्रभाव आकार = 0.85, आईसी = 0.62 - 1.08) और स्थानिक केंद्रीय कार्यकारी WM (प्रभाव आकार = 1.06, विश्वास अंतराल = 0.72-1.39) के लिए समग्र प्रभाव आकार मौखिक भंडारण (प्रभाव आकार = 0.47, विश्वास अंतराल = 0.36-0.59) और मौखिक केंद्रीय कार्यकारी WM (प्रभाव आकार = 0.43, विश्वास अंतराल = 0.24-0.62) के लिए प्राप्त प्रभाव आकार से अधिक थे। निष्कर्षः हवाई रक्षा का महत्व, इलेक्ट्रॉनिक युद्ध का महत्व कई बार बढ़ रहा है। एडीएचडी के बिगड़न के प्रकृति, गंभीरता अउर विशिष्टता के बारे मा जादा स्पष्ट रूप से बतावे खातिर भविष्य के शोध के जरूरत बा। |
49e77b981a0813460e2da2760ff72c522ae49871 | गहरी सीखना कई मशीन लर्निंग कार्यो पर अन्य दृष्टिकोणो से बेहतर प्रदर्शन करने के लिए बड़े डेटासेट और कम्प्यूटेशनल रूप से कुशल प्रशिक्षण एल्गोरिदम का लाभ उठाती है। हालांकि, गहरे तंत्रिका नेटवर्क क प्रशिक्षण चरण मा अपूर्णता उन्हें विरोधी नमूनों के लिए असुरक्षित बना देत हैः विरोधी द्वारा निर्मित आदान-प्रदान गलत वर्गीकरण का कारण बनने के इरादे से गहरे तंत्रिका नेटवर्क। इ काम में, हम गहरे तंत्रिका नेटवर्क (डीएनएन) के खिलाफ विरोधियों का स्थान औपचारिक रूप देहे हई अउर डीएनएन के इनपुट अउर आउटपुट के बीच मैपिंग की सटीक समझ के आधार पर विरोधी नमूना बनावे खातिर एल्गोरिदम का एक नया वर्ग शुरू करे हई। कंप्यूटर विजन कय एगो अनुप्रयोग में, हम देखावत है कि हमार एल्गोरिदम मानव विषयों द्वारा सही ढंग से वर्गीकृत नमूनन का विश्वसनीय रूप से उत्पादन कइ सकत है, लेकिन डीएनएन द्वारा विशिष्ट लक्ष्यन में गलत वर्गीकृत 97% प्रतिद्वंद्वी सफलता दर के साथ जबकि केवल प्रति नमूना इनपुट सुविधाओं का औसतन 4.02% संशोधित करत है। फेर हम अलग अलग नमूना वर्गों की कठोरता मापने का परिभाषा द्वारा विरोधी विकारों की संवेदनशीलता का मूल्यांकन करें। अंत मा, हम एक सौम्य इनपुट और एक लक्षित वर्गीकरण के बीच दूरी का एक भविष्यवाणी माप परिभाषित करैं से विरोधी नमूने के खिलाफ रक्षा का रूपरेखा तैयार करैं वाले प्रारंभिक कार्य का वर्णन करें। |
3f52f57dcfdd1bb0514ff744f4fdaa986a325591 | एप्पल के मैकबुक फर्मवेयर सुरक्षा मा कई खामियां हैं जउन इन लैपटॉप के एसपीआई फ्लैश बूट रोम मा अविश्वसनीय संशोधन लिखे की अनुमति देत हैं। इ क्षमता लोकप्रिय एप्पल मैकबुक उत्पाद लाइन के खातिर लगातार फर्मवेयर रूटकिट, या बूटकिट की एक नई श्रेणी का प्रतिनिधित्व करत है। चुप्पी बूटकिट खुद का पता लगाने से छिपा सकते हैं और उन्हें हटाने का सॉफ्टवेयर प्रयास रोक सकते हैं। बूट ROM मा दुर्भावनापूर्ण संशोधन ऑपरेटिंग सिस्टम की पुनः स्थापना अउर हार्ड ड्राइव प्रतिस्थापन से बचे क क्षमता रखत है। ई अतिरिक्त रूप से, दुर्भावनापूर्ण सामग्री अन्य थंडरबोल्ट डिवाइसेस के विकल्प ROMs मा स्थापित कीन जाय सकत है ताकि वायु-अंतर सुरक्षा परिधि के माध्यम से वायरल रूप से फैल जाय। एप्पल इन कमियों मा से कुछ को CVE 2014-4498 का हिस्सा के रूप मा ठीक कर दे है, लेकिन इस वर्ग की कमजोरी का कोई आसान समाधान नहीं है, काहे से की मैकबुक मा बूट समय पर फर्मवेयर की क्रिप्टोग्राफिक सत्यापन करने के लिए भरोसेमंद हार्डवेयर की कमी है। |
3b3acbf7cc2ec806e4177eac286a2ee22f6f7630 | इ पेपर अल्ट्रा-ब्रॉडबैंड डिजिटल-टू-एनालॉग (डी/ए) रूपांतरण उप-प्रणाली के लिए 110-जीएचजेड-बैंडविड्थ 2:1 एनालॉग मल्टीप्लेक्सर (एएमयूएक्स) प्रस्तुत करत है। एएमयूएक्स का डिज़ाइन और निर्माण नए विकसित $\pmb{0.25-\mu \mathrm{m}}$ -इमिटर-चौड़ाई InP डबल हेटरोजंक्शन बायपोलर ट्रांजिस्टर (DHBTs) का उपयोग करके किया गया था, जिनकी पीक $\pmb{f_{\mathrm{T}}}$ और $\pmb{f\displaystyle \max}$ क्रमशः 460 और 480 GHz है। एएमयूएक्स आईसी मा डेटा-इनपुट रैखिक बफर, एक घडी-इनपुट सीमित बफर, एक एएमयूएक्स कोर, र एक आउटपुट रैखिक बफर सहित lumped बिल्डिंग ब्लॉक्स शामिल छ। डेटा अउर घड़ी पथ खातिर मापा गए 3-डीबी बैंडविड्थ दुनो 110 गीगाहर्ट्ज से अधिक है. एकर अतिरिक्त, ई 180 GS/s तक का समय-क्षेत्र-विस्तारित नमूना संचालन क माप और प्राप्त करत है। एएमयूएक्स का उपयोग करके 224-जीबी/सेकंड (112-जीबीएड) चार-स्तरीय पल्स-एम्प्लीटुडे मॉड्यूलेशन (पीएएम4) सिग्नल सफलतापूर्वक उत्पन्न किया गया। हमार सबसे अच्छा ज्ञान है, एएमयूएक्स आईसी का सबसे बड़ा बैंडविड्थ है और अन्य एएमयूएक्स की तुलना में तेजी से नमूना दर है। |
4dd7721248c5489e25f46f7ab78c7d0229a596d4 | इ पेपर एक पूरी तरह से एकीकृत RF ऊर्जा कटाई प्रणाली का परिचय देता है। सिस्टम एक्कै समय मा बाहरी सीसी लोड द्वारा मांगित करंट वितरित कर सकता है और अतिरिक्त शक्ति को बाह्य कैपेसिटर मा अतिरिक्त उत्पादन शक्ति की अवधि के दौरान स्टोर कर सकता है। ई डिजाइन 0.18- $\mu \text{m}$ CMOS टेक्नोलॉजी मा बना है, अउर सक्रिय चिप क्षेत्र 1.08 mm2 है। प्रस्तावित स्व-स्टार्ट-अप प्रणाली एक एकीकृत एलसी मिलान नेटवर्क, एक आरएफ rectifier, र एक शक्ति प्रबंधन / नियंत्रक इकाई, जो 66-157 nW खपत संग reconfigurable छ। जरूरी घड़ी उत्पादन अउर वोल्टेज संदर्भ सर्किट एक ही चिप मा एकीकृत है। ड्यूटी साइकिल नियंत्रण का उपयोग कम इनपुट पावर खातिर करे खातिर करल जाला जवन मांगल गइल आउटपुट पावर के आपूर्ति नई कर सकत बा। एकर अलावा, आरएफ रेक्टिफायर के चरणों की संख्या का उपलब्ध आउटपुट पावर की दक्षता बढ़ाने के लिए पुनः विन्यस्त किया जा सकता है। उच्च उपलब्ध शक्ति के लिए, एक बाहरी ऊर्जा भंडारण तत्व का चार्ज करने के लिए एक माध्यमिक पथ सक्रिय है। मापा गया आरएफ इनपुट पावर संवेदनशीलता -14.8 dBm एक 1-V dc आउटपुट पर है। |
7314be5cd836c8f06bd1ecab565b00b65259eac6 | एल्गोरिदम कय एक सूट कय सर्वेक्षण करत है जवन बड़ दस्तावेज अभिलेखागार कय प्रबंधन कय समाधान प्रदान करत है। |
f0eace9bfe72c2449f76461ad97c4042d2a7141b | इ पत्र मा, डब्ल्यू-बैंड पर एक उपन्यास एंटीना-इन-पैक (एआईपी) तकनीक का प्रस्ताव दिया गवा है। ई टेक्नोलॉजी विशेष मामला के हल करे खातिर प्रस्तुत करल गयल ह कि धातु पैकेज का उपयोग उच्च यांत्रिक शक्ति के समायोजित करे खातिर करल जाय चाही. बहुपरत कम तापमान सह-उपज्वलित सिरेमिक (LTCC) प्रौद्योगिकी का लाभ उठाकर, एंटीना की विकिरण दक्षता बनाए रखी जा सकती है। एही बीच, उच्च यांत्रिक शक्ति अउर परिरक्षण प्रदर्शन हासिल करल जा सकल बा। एआईपी का एक प्रोटोटाइप डिजाइन किया जा चुका है। प्रोटोटाइप एकीकृत LTCC एंटीना, कम-हानि फीडर, और एक कॉनियर हॉर्न एपर्चर के साथ धातु पैकेज का गठन करता है। ई एलटीसीसी फीडर लैमिनेटेड वेव गाइड (एलडब्ल्यूजी) से साकार होई गवा बा. एक एलडब्ल्यूजी गुहा जो LTCC मा दफन हो ग्याई एंटनी प्रतिबाधा बैंडविड्थ को व्यापक गर्न को लागी प्रयोग गरीन्छ। विद्युत चुम्बकीय (ईएम) सिमुलेशन अउर एंटीना प्रदर्शन के माप रुचि के समूचा आवृत्ति रेंज मा अच्छी तरह से सहमत हैं। प्रस्तावित प्रोटोटाइप 88 से 98 गीगाहर्ट्ज पर 10 गीगाहर्ट्ज का -10-डीबी प्रतिबाधा बैंडविड्थ प्राप्त करता है और 89 गीगाहर्ट्ज पर 12.3 डीबीआई का शिखर लाभ प्राप्त करता है। |
2077d0f30507d51a0d3bbec4957d55e817d66a59 | हम सामान्य, अभिव्यंजक छवि प्राथमिक सीखै के खातिर एक ढांचा विकसित करत है जवन प्राकृतिक दृश्यन के आँकड़ा कैप्चर करत है अउर विभिन्न प्रकार के मशीन विजन कार्य के खातिर इस्तेमाल कै सका जात है। इ दृष्टिकोण पारंपरिक मार्कोव यादृच्छिक क्षेत्र (एमआरएफ) मॉडल का विस्तार करता है विस्तारित पिक्सेल पड़ोस पर संभावित कार्यों का सीखकर। फील्ड क्षमताओं का एक उत्पाद-विशेषज्ञ ढांचे का उपयोग करके मॉडल किया जाता है जो कई रैखिक फ़िल्टर प्रतिक्रियाओं का गैर-रैखिक कार्य का शोषण करता है। पिछला एमआरएफ दृष्टिकोण के विपरीत, रैखिक फ़िल्टर सहित सभी पैरामीटर प्रशिक्षण डेटा से सीखे गए हैं। हम इ क्षेत्र कय विशेषज्ञ मॉडल कय क्षमताओं का दो उदाहरण अनुप्रयोगों, छवि डीनोइजिंग और छवि इनपेंटिंग के साथ प्रदर्शित करत हैं, जवन एक सरल, अनुमानित अनुमान योजना का उपयोग कइके लागू होत हैं। जबकि मॉडल का प्रशिक्षण जेनेरिक छवि डेटाबेस पर दिया जाता है और विशिष्ट अनुप्रयोग पर ट्यून नहीं किया जाता है, हम प्राप्त कर रहे हैं परिणाम कि प्रतिस्पर्धा कर रहे हैं और यहां तक कि विशिष्ट तकनीकों से बेहतर कर रहे हैं। |
214658334c581f0d18b9a871928e91b6e4f83be7 | इ विचार स्विच कैपेसिटर टोपोलॉजी के समान है जेहमा एक कैपेसिटर या कैपेसिटर बैंक बैटरी के कोशिकाओं के बीच स्विच कीन जात है ताकि वोल्टेज का संतुलन बना सकें। चूंकि एक बुनियादी बैटरी सेल मॉडल मा सेल का कैपेसिटिव प्रभाव के कारण कैपेसिटेंस शामिल है, यहि कैपेसिटिव प्रभाव का सेल संतुलन मा उपयोग कै सका जात है। एहिसे स्विच कैपेसिटर टोपोलॉजी मा इक्वेलाइजर कैपेसिटर खत्म कीन जा सकत है अउर बैटरी क कोशिका एक दुसरे से स्विच कीन जा सकत है। इ ऊर्जा कय तेज गति से स्थानांतरण करै कय अनुमति देत है औय जल्दी से जल्दी समतल करै कय कारण बनत अहै। प्रस्तावित टोपोलॉजी अतिरिक्त ऊर्जा भंडारण तत्व जइसे कैपेसिटर के जरूरत का खतम करत है जवन अक्सर पावर इलेक्ट्रॉनिक सर्किट में फेल हो जात है, अतिरिक्त ऊर्जा भंडारण तत्वन से होखे वाला नुकसान अउर सर्किट के लागत अउर मात्रा के कम करत है अउर कंट्रोल एल्गोरिथ्म के सरल बनावत है। प्रस्तावित संतुलन सर्किट आवेदन आवश्यकता के अनुसार लागू की जा सकती है। प्रस्तावित टोपोलॉजी MATLAB/Simulink वातावरण मा अनुकरण कीन गा है औ स्विच कैपेसिटर टोपोलॉजी की तुलना मा संतुलन गति की मामला मा बेहतर परिणाम दिखाया गया है। सेल संतुलन सर्किट बैटरी के जीवन चक्र का विस्तार करे खातिर अउर बैटरी से अधिकतम शक्ति निकाले खातिर महत्वपूर्ण हई। बैटरी पैकेज मा सेल संतुलन खातिर बहुत शक्ति इलेक्ट्रॉनिक्स टोपोलॉजी का प्रयास कईल गईल बा। सक्रिय सेल संतुलन टोपोलॉजीज उच्च प्रदर्शन दिखा रहे सेल से ऊर्जा का हस्तांतरण बैटरी की कोशिकाओं के पार वोल्टेज का संतुलन करने के लिए कम प्रदर्शन दिखा रहे सेल से ऊर्जा भंडारण तत्वों का उपयोग कर रही है जैसे इंडक्टर-कैपेसिटर या ट्रांसफार्मर-कैपेसिटर या स्विच कैपेसिटर या स्विच इंडक्टर का संयोजन। इ अध्ययन में बिना कौनो ऊर्जा भंडारण तत्व का उपयोग किए एक सक्रिय संतुलन टोपोलॉजी का प्रस्ताव है। |
0c04909ed933469246defcf9aca2b71ae8e3f623 | इ किताब कय दुसर संस्करण मा मुख्य बदलाव संभाव्यता पुनर्प्राप्ति पय एक नवा अध्याय कय जोड़य अहै। इ अध्याय का हम इसी बहाने पढ़त अहन काहेकि हमरा विचार से ई जानकारी सब ते महत्वपूर्ण अहयँ। अभी भी कई समस्या हल होय का हैं जेकर निराकरण होई चाहिये, अतः ई विशेष अध्याय उन लोगन के लिए कुछ सहायता का होई जिनकी आवश्यकता है ताकि ई क्षेत्र के ज्ञान का स्तर और भी उन्नत होई जाए। अन्य सभी अध्याय नियमित रूप से आँकड़े उपलब्ध करा रहे हैं, साथ ही साथ कुछ अद्यतन भी शामिल हैं। इ किताब कय सामग्री सूचना (या कंप्यूटर) विज्ञान कय उन्नत स्नातक छात्रन, पोस्ट ग्रेजुएट पुस्तकालय विज्ञान कय छात्रन, औ IR क्षेत्र कय शोध कर्ता लोगन कय लक्षित अहै। कुछ अध्याय, विशेष रूप से अध्याय 6 *, एक छोटे से उन्नत गणित का सरल उपयोग करते हैं। हालांकि, आवश्यक गणितीय उपकरण आसानी से कई गणितीय ग्रंथों से सुसंगत हैं, हालांकि खुद का तर्क यह है कि उनके पास सब कुछ शामिल है। मुझे स्पष्ट रूप से चित्रण की स्पष्टता का संतुलन बनाए रखने का कठिनाई का सामना करना पड़ा, हालांकि ई गलतफ़हमी है कि ई पाठ बहुत बार बार लिखा गया है। ई पाठ बहुत बार . . . मइँ इ बात क भय से कहे रहेउँ कि मइँ इ किताब क अउर जियादा साधारन कइ देबइ, काहेकि मोका लाग रहा कि ओका अउर जिआदा बढ़िया कइ देबइ। हम मध्यवर्ती मार्ग पर चलैं अउर सूचना विज्ञान अउर प्रौद्योगिकी के वार्षिक समीक्षा से प्रतिस्पर्धा ना करे का प्रयास किहे अही। आम तौर पै आराध्य मनई का केवल ऊ काम का हवाला देवे के लिए प्रोत्साहित कीन जात है जवन कुछ सहज रूप से सुलभ रूप मा प्रकाशित होत है, जइसन कि किताब या समय-समय पर प्रकाशन। दुर्भाग्य से, IR में रुचि का एक बड़ा हिस्सा तकनीकी रिपोर्ट्स और पीएचडी द्वारा समर्थित है। ईस्टर की सटीक तारीख कई बार विवादों का कारण बनती है। उदाहरण के लिए, कर्नेल में SMART सिस्टम पर कई काम किए गए हैं, लेकिन ज्यादातर रिपोर्ट्स पर अडिग रहे। सौभाग्य से, ई सब मीडिया . . . का राष्ट्रीय तकनीकी सूचना सेवा (यूएस) अउर विश्वविद्यालय माइक्रोफिल्म्स (यूके) के माध्यम से उपलब्ध कराई गयल ह. इहि कारन से हम इनतान के स्रोत का उपयोग करैं से परहेज नाहीं करत हई, पै अगर वही सामग्री एक दूसर रूप मा आसानी से सुलभ हवै तौ मैं एहकै प्राथमिकता देत अहूँ। मइँ ओन लोगन अउर संस्थानन क मान करब जउन मोर मदद किहे अहइँ। सबसे पहिले त हम ई कहनी की इ किताब में जे कुछ लिखा है ऊ सब पर ऊहे लोग ध्यान रखे हैं, अऊर इनको पूरा ध्यान रखे है. मोर सबसे बड़ा कर्ज है करेन स्पार्क जोन्स का जउन मोका सिखाए कि सूचना का पुनःप्राप्ति का एक प्रयोगात्मक विज्ञान के रूप मा अनुसंधान करें निक जार्डिन अउर रॉबिन ... |
3cfbb77e5a0e24772cfdb2eb3d4f35dead54b118 | संदर्भ-पूर्वानुमान मॉडल (जेके आम तौर पे एम्बेडेड या न्यूरल लैंग्वेज मॉडल के रूप मा जाना जात है) वितरण सिमेंटिक्स ब्लॉक पर नए बच्चे हैं। इ मॉडल क आसपास क चर्चा क बावजूद, साहित्य अभी भी क्लासिक, गिनती-वेक्टर-आधारित वितरण सिमेंटिक दृष्टिकोणों के साथ भविष्यवाणिय मॉडल का एक व्यवस्थित तुलना का अभाव है। इ पेपर मा, हम एतना व्यापक मूल्यांकन, व्यापक लेक्सिकल सिमेंटिक्स कार्य पर अउर कई पैरामीटर सेटिंग्स मा करत हई। नतीजा, हमार खुद के अचरज से, ई दिखावा पूरी तरह से जायज है कि संदर्भ-पूर्वानुमान मॉडल का उनके द्वारा की गई गिनती पर आधारित समकक्षों के खिलाफ एक पूरी तरह से और साफ जीत हासिल की गई है। |
9ec20b90593695e0f5a343dade71eace4a5145de | 1 छात्र, डिप्टी। कम्प्यूटर इंजीनियरिंग, VESIT, महाराष्ट्र, भारत ---------------------------------------------------------------------------*** ----------------------------------------------------------------------------------- ------- अमूर्त गहरी शिक्षा मशीन शिक्षा मा अनुसंधान का एक नया क्षेत्र के रूप मा अस्तित्व मा आई है। एकर मकसद मानव मस्तिष्क कय समान कार्य करना अहै, जवन कि जटिल डेटा से सिखे अउर काम करय कय क्षमता रखत है, अउर जटिल कार्य कय भी हल करय कय कोशिश करत है। इ क्षमता कय कारण, इ विभिन्न क्षेत्रन जइसे कि पाठ, ध्वनि, चित्र इत्यादि मा प्रयोग कै सका जात है। प्राकृतिक भाषा प्रक्रिया गहन शिक्षा तकनीक से प्रभावित होयँ, जवन कि आजकाल बहुतै व्यावहारिक रूप से प्रयोग कै जायँ जात अहै। इ शोध पत्र प्राकृतिक भाषा प्रसंस्करण मा गहरी शिक्षा का हालिया विकास औउ अनुप्रयोगों पर प्रकाश डाला गवा हय। |
cc13fde0a91f4d618e6af66b49690702906316ae | हाल के बरस मा क्लाउड कंप्यूटिंग का विकास औ बड़े डेटा का युग देखा है, जउन पारंपरिक निर्णय पेड एल्गोरिदम के सामने चुनौतियां पैदा करत है। सबसे पहिले, डेटाबेस कय आकार एतना बड़ा होइ जात है कि फ्लैगशिप अव्यवस्था का कम से कम करेक अहै। दूसर बात ई है कि इनक्यूबेटर पय आपकै भाषा का ठीक से समर्थन कीन जाय। इ उद्देश्य कय लिए, हम मानचित्रण प्रोग्रामिंग मॉडल का उपयोग कइके एक विशिष्ट निर्णय वृक्ष एल्गोरिथ्म, C4.5 लागू करेक प्रस्ताव करत हैं। विशेष रूप से, हम पारंपरिक एल्गोरिथ्म का एक श्रृंखला मा बदलना नक्शा अउर प्रक्रियाओं का कम करें. एकरे अलावा हम अउर कुछ कर भी का सकत रहनी हम बड़े पैमाने पर डेटा सेट पर भी व्यापक प्रयोग कर रहे हैं। नतीजा इ बताय देई कि हमार एल्गोरिथ्म समय-कुशलता अउर बढ़त दुनु के प्रदर्शन करत बा। |
d73a71fa24b582accb934a9c2308567376ff396d | 3डी जियो-डेटाबेस अनुसंधान 3डी शहरी नियोजन, पर्यावरण निगरानी, बुनियादी ढांचा प्रबंधन, और प्रारंभिक चेतावनी या आपदा प्रबंधन और प्रतिक्रिया जैसे चुनौतीपूर्ण अनुप्रयोगों का समर्थन करने का एक आशाजनक क्षेत्र है। इन क्षेत्रन मा, जीआईएससाइंस अउर संबंधित क्षेत्रन मा अंतःविषय अनुसंधान जरूरी अहै ताकि बड़े भू-संदर्भित डेटा सेट का मॉडलिंग, विश्लेषण, प्रबंधन अउर एकीकरण का समर्थन कीन जा सके, जउन मानव गतिविधि अउर भूभौतिकीय घटना का वर्णन करत हैं। जियो-डेटाबेस 2 डी मानचित्र, 3 डी जियो-वैज्ञानिक मॉडल, अउर अन्य जियो-संदर्भित डेटा के एकीकरण खातिर प्लेटफार्म के रूप मा काम कर सकत हैं। हालांकि, मौजूदा जियो-डेटाबेस पर्याप्त 3D डेटा मोडलिंग अउर डेटा हैंडलिंग तकनीक का प्रदान नहीं करत हैं। सतह अउर आयतन मॉडल का संभालैं खातिर नवा थ्रीडी भू-डेटाबेस के जरूरत है। ई लेख सबसे पहिले 25 साल के भू-डेटाबेस रिसर्च का पेस करत है । भू-आधार का डेटा मॉडलिंग, मानकों, और भू-आधार का अनुक्रमण का विस्तार से चर्चा की गई है। अंतःविषय अनुसंधान खातिर नया क्षेत्र खोले खातिर 3 डी भू-डेटाबेस के विकास खातिर नया दिशा-निर्देशन के बारे में भी चर्चा कीन गा है। प्रारंभिक चेतावनी अउर आपातकालीन प्रतिक्रिया के क्षेत्र मा दुइ परिदृश्य मनई अउर भूभौतिकीय घटना का संयुक्त प्रबंधन देखावा है। लेख का समापन खुला अनुसंधान समस्या पर एक आलोचनात्मक दृष्टिकोण से होता है। & 2011 एल्सवीयर लिमिटेड. सब अधिकार सुरक्षित. |
dce7a0550b4d63f6fe2e6908073ce0ce63626b0c | जैसै हम रोबोटिक्स अउर कृत्रिम बुद्धिमत्ता मा स्वचालन के रास्ता पर चलब, हमरी यंत्रन का हमरी से स्वतंत्र रूप से काम करै के खातिर नैतिक निर्णय लेवे कै बढ़ि जाय वाले मात्रा का स्वचालन करै कै जरूरत होइ। लेकिन नैतिक निर्णय लेने का स्वचालन इंजीनियरों अउर डिजाइनरों खातिर नया सवाल उठाता है, जेके ई काम पूरा करे के बारे मा निर्णय लेवे क चाही उदाहरन बदे, कुछ नैतिक निर्णय लेने मा कठिन नैतिक मामला शामिल हईन, जउन बदले मा उपयोगकर्ता की इनपुट की आवश्यकता होत है अगर हम स्वायत्तता अउर सूचित सहमति के आसपास स्थापित मानदंडों का सम्मान करेक हव। लेखक इ अउर दूसर नैतिक विचारन पर विचार करत है जवन नैतिक निर्णय लेवे के स्वचालन के साथ आवत है। ऊ कुछ सामान्य नैतिक आवश्यकता का प्रस्ताव करत हैं जवन डिजाइन कक्ष में ध्यान में रखल जाए चाहि, अउर एक डिजाइन उपकरण का स्केच भी देत है जवन डिजाइन प्रक्रिया में एकीकृत कीन जा सकत है ताकि इंजीनियरन, डिजाइनरन, नैतिकता, अउर नीति निर्माता इ तय कर सकें कि नैतिक निर्णय लेने का कुछ रूपों का स्वचालित रूप से सबसे अच्छा तरीका का का चयन करें. |
ab19cbea5c61536b616cfa7654cf01bf0621b83f | |
102153467f27d43dd1db8a973846d3ac10ffdc3c | स्वास्थ्य सेवा मा इंटरनेट ऑफ थिंग्स (आईओटी) प्रौद्योगिकी का सबसे तेजी से बढ़ रहा अनुप्रयोगों में से एक है। आईओटी यंत्रन का उपयोग हृदय रोग (सीवीडी) जैसन पुरानी बीमारी वाले मरीजन के स्वास्थ्य पै दूरस्थ रूप से नजर रखे के खातिर कीन जा सकत है। इ पेपर मा हम ईसीजी विश्लेषण और हृदय गति निदान के लिए वर्गीकरण खातिर एक एल्गोरिथ्म विकसित करत हन, और इको-आधारित एम्बेडेड प्लेटफार्म पर लागू करत हन। ई एल्गोरिथ्म एगो पोर्टेबल ईसीजी निदान उपकरण के खातिर हमार प्रस्ताव बा, जवन रोगी के 24 घंटा लगातार निगरानी खातिर उपयुक्त बा। हम ईसीजी विश्लेषण खातिर डिस्क्रीट वेवलेट ट्रांसफॉर्म (डीडब्ल्यूटी) अउर एक सपोर्ट वेक्टर मशीन (एसवीएम) वर्गीकरणक का उपयोग करत हैं। 18 आकार कय फीचर वेक्टर अउर 2493 समर्थन वैक्टर खातिर सबसे अच्छा वर्गीकरण सटीकता 98.9% है। गैलीलियो बोर्ड पर एल्गोरिथ्म के अलग-अलग कार्यान्वयन, ई देखावे में मदद करत हैं कि कम्प्यूटेशनल लागत ऐसन है, कि ईसीजी विश्लेषण अउर वर्गीकरण वास्तविक समय में करल जा सकत है। |
44159c85dec6df7a257cbe697bfc854ecb1ebb0b | नव उद्घाटन रिसर्च रिसोर्स फॉर कॉम्प्लेक्स फिजियोलॉजिकल सिग्नल्स, जवन नेशनल इंस्टीट्यूट ऑफ हेल्थ के नेशनल सेंटर फॉर रिसर्च रिसोर्स के तत्वावधान में बनावल गइल बा, के उद्देश्य कार्डियोवास्कुलर अउर अन्य जटिल बायोमेडिकल सिग्नल के अध्ययन में वर्तमान शोध अउर नई जांच के प्रोत्साहित कइल बा. संसाधन तीन तरह से जुड़ल बा अउर दुई तरह से उभर रहल बा। PhysioBank एक बड़ा अउर बढ़त अभिलेखागार है जैव चिकित्सा अनुसंधान समुदाय द्वारा उपयोग की खातिर शारीरिक संकेतों अउर संबंधित डेटा की अच्छी तरह से वर्णित डिजिटल रिकॉर्डिंग का। वर्तमान मा इ स्वस्थ व्यक्तिओ से अउर विभिन्न जन स्वास्थ्य प्रभाव से पीड़ित मरीजो से बहु-पैरामीटर कार्डियोपल्मोनरी, न्यूरोलॉजिकल, अउर अन्य बायोमेडिकल संकेतों का डाटाबेस शामिल है, जइसै जान से खतरा वाले अरिथमिया, हृदय की धक्की, नींद में एपेनिया, न्यूरोलॉजिकल विकार, अउर बुढ़ापा। PhysioToolkit भौतिकीय संकेत प्रसंस्करण और विश्लेषण, दोनों क्लासिक तकनीक और सांख्यिकीय भौतिकी और गैर-रैखिक गतिशीलता पर आधारित नए तरीकों का उपयोग करके भौतिकीय रूप से महत्वपूर्ण घटनाओं का पता लगाने, संकेतों का इंटरैक्टिव प्रदर्शन और लक्षण, नए डेटाबेस का निर्माण, शारीरिक और अन्य संकेतों का अनुकरण, विश्लेषण विधियों का मात्रात्मक मूल्यांकन और तुलना, और गैर-स्थिर प्रक्रियाओं का विश्लेषण के लिए ओपन-सोर्स सॉफ्टवेयर का एक पुस्तकालय है। PhysioNet एक ऑनलाइन फोरम है, रिकॉर्ड बायोमेडिकल सिग्नल अउर उनका विश्लेषण खातिर खुला स्रोत सॉफ्टवेयर का प्रसार अउर आदान-प्रदान खातिर। ई सहयोगात्मक आंकड़ा के विश्लेषण अउर प्रस्तावित नई एल्गोरिदम के मूल्यांकन खातिर सुविधा प्रदान करत है। ई PhysioBank डाटा अउर PhysioToolkit सॉफ्टवेयर कय खातिर वर्ल्ड वाइड वेब (http://www.physionet.com/) कय माध्यम से मुफ्त इलेक्ट्रॉनिक पहुंच प्रदान करय कय अलावा, ई ई-कॉमर्स सेवा कय उपयोग करत है। org), PhysioNet ऑनलाइन ट्यूटोरियल के माध्यम से विभिन्न स्तर पर विशेषज्ञता वाले उपयोगकर्ताओं की सहायता के लिए सेवाएं और प्रशिक्षण प्रदान करता है। |
a92eac4415719698d7d2097ef9564e7b36699010 | उद्देश्य- सामाजिक लेखा परीक्षा का उपयोग करैं के तरीका का पता लगावै के लिए, ताकि कॉर्पोरेट स्थिरता अउर ओकर प्रदर्शन के बारे मा मूल्यांकन अउर रिपोर्टिंग मा हितधारक शामिल होंये। डिजाइन/पद्धति/दृष्टिकोण - एए1000 अउर सामाजिक लेखा परीक्षा अध्ययन के ढांचा का आधार पर, इ पेपर हितधारक भागीदारी, सामाजिक लेखा परीक्षा अउर कॉर्पोरेट स्थिरता का लिंक देत है ताकि कॉर्पोरेट स्थिरता का संबोधित करे खातिर संवाद-आधारित सामाजिक लेखा परीक्षा का लागू कीन जा सके। निष्कर्ष - ई पेपर कॉर्पोरेट स्थिरता औ सामाजिक लेखा परीक्षा के बीच एक मैच का चिह्नित करत है, काहे से कि ई दोनों का उद्देश्य कौनो संगठन के सामाजिक, पर्यावरणीय औ आर्थिक प्रदर्शन में सुधार करना है, जौन हितधारक लोगन की एक विस्तृत श्रृंखला का भलाई का ध्यान रखत है औ ई प्रक्रिया में हितधारक लोगन की भागीदारी का आवश्यकता होत है। इ पेपर इ सुझाव देत है कि बातचीत के माध्यम से हितधारक लोगन का शामिल करके सामाजिक लेखा परीक्षा का भरोसा बनाए रखे खातिर, प्रतिबद्धता का पता लगाये खातिर अउर हितधारक लोगन अउर निगमों के बीच सहयोग का बढ़ावा दे खातिर लागू कीन जा सकत है। अनुसंधान सीमा/प्रभाव - ई अनुसंधान कॉर्पोरेट स्थिरता के समाधान में सामाजिक लेखा परीक्षा की व्यावहारिकता पर और बातचीत आधारित सामाजिक लेखा परीक्षा की सीमाओं का निर्धारण पर आगे अनुभवजन्य अनुसंधान की आवश्यकता है। सामाजिक लेखा परीक्षन कय व्यावहारिक परिणाम - लोकतांत्रिक व्यापारिक समाज मा हितधारक अउर निगमन के बीच भिन्न हित के संतुलन बनावे कय एक उपयोगी यंत्र के रूप मा पहचाना गा है। कॉर्पोरेट टिकाऊपन का विकास अउर प्राप्ति मा सामाजिक लेखा परीक्षा का आवेदन स्पष्ट रूप से व्यावहारिक निहितार्थ है। मौलिकता/मूल्य - इ पेपर व्यापार को स्थिरता की ओर बढ़ने मा मदद करने मा संवाद-आधारित सामाजिक लेखा परीक्षा की प्रयोज्यता का जांच करत है। सामाजिक लेखा परीक्षन एक प्रक्रिया के रूप मा कॉर्पोरेट सामाजिक अउर पर्यावरणीय प्रदर्शन का आकलन अउर रिपोर्टिंग के माध्यम से हितधारक के माध्यम से बातचीत के माध्यम से भरोसा बनाए, प्रतिबद्धता का पता लगावे अउर हितधारक अउर निगम के बीच सहयोग का बढ़ावा देवे खातिर लागू कीन जा सकत है। |
915c4bb289b3642489e904c65a47fa56efb60658 | हम छवि रूपांतरण समस्या पर विचार कर रहे हैं, जहां एक इनपुट छवि एक आउटपुट छवि में रूपांतरित की जा रही है। अइसन समस्या खातिर हाल के तरीका आमतौर पर आउटपुट अउर ग्राउंड-सच्चाई छवियन के बीच प्रति पिक्सेल हानि का उपयोग करके फीड-फॉरवर्ड कन्वॉल्यूशनल न्यूरल नेटवर्क का प्रशिक्षण देत हैं। समानांतर कार्य से पता चला है कि पूर्व-प्रशिक्षित नेटवर्क से निकाले गए उच्च-स्तरीय सुविधाओं के आधार पर धारणा हानि कार्यों का परिभाषित और अनुकूलित करके उच्च-गुणवत्ता वाली छवियां उत्पन्न की जा सकती हैं। हम दूनौ दृष्टिकोण के लाभ के संयोजन करत हई, अउर छवि रूपांतरण कार्य के लिए फीड-फॉरवर्ड नेटवर्क का प्रशिक्षण देवे खातिर धारणा हानि फ़ंक्शन के उपयोग का प्रस्ताव करत हई। हम छवि शैली हस्तांतरण पर परिणाम दिखाते हैं, जहां एक फ़ीड-फॉरवर्ड नेटवर्क को वास्तविक समय में गेट्स एट अल द्वारा प्रस्तावित अनुकूलन समस्या का समाधान करने के लिए प्रशिक्षित किया जाता है। इका तुलनात्मक रूप से, इका सही मा उपयोग करै के बाद, हम आपन जिज्ञासा का फिर से जांच करै का चाही ताकि वै पर्याप्त रूप से यक फलन का फिर से लिखि सकैं, जौन जादा से जादा महत्वपूर्ण हय। हम भी एकल-छवि सुपर-रिज़ॉल्यूशन के साथ प्रयोग करते हैं, जहां प्रति-पिक्सेल हानि को एक अवधारणात्मक हानि से बदलकर, नेत्रहीन सुखद परिणाम देता है। |
9201bf6f8222c2335913002e13fbac640fc0f4ec | |
929a376c6fea1376baf40fc2979cfbdd867f03ab | लॉसी इमेज कम्प्रेशन विधियन हमेशा संपीड़ित परिणामों में विभिन्न अप्रिय कलाकृतियों का परिचय देती हैं, खासकर कम बिट-रेट पर। हाल के बरस मा, जेपीईजी संकुचित छवियों खातिर कई प्रभावी नरम डिकोडिंग विधियों का प्रस्ताव दिया गा है। हालांकि, जेतना हम जानत अही, जेपीईजी 2000 कम्प्रेस छवियन पर बहुत कम काम होत है। विभिन्न कंप्यूटर विजन कार्यो मा Convolution Neural Network (CNN) का बडा प्रदर्शन से प्रेरित होके, हम कई बिट-रेट संचालित गहरे CNNs का उपयोग करके JPEG 2000 के लिए एक नरम डिकोडिंग विधि प्रस्तुत करत हन। अधिक विशेष रूप से, प्रशिक्षण चरण में, हम कई गहन सीएनएन का उपयोग कर रहे हैं उच्च गुणवत्ता वाले प्रशिक्षण चित्र और संबंधित जेपीईजी 2000 संपीड़ित चित्र विभिन्न कोडिंग बिट-रेट पर। परीक्षण चरण मा, इनपुट संकुचित छवि के लिए, निकटतम कोडिंग बिट-रेट के साथ प्रशिक्षित सीएनएन को नरम डिकोडिंग करे खातिर चुना जात है। व्यापक प्रयोग प्रस्तुत सॉफ्ट डिकोडिंग फ्रेमवर्क की प्रभावशीलता का प्रदर्शन करते हैं, जो जेपीईजी 2000 संपीड़ित छवियों की दृश्य गुणवत्ता और उद्देश्य स्कोर में काफी सुधार करता है। |
cfa092829c4c7a42ec77ab6844661e1dae082172 | बिटकॉइन कय एक नया अवधारणा पेश कै दिहे अहय जवन पूरी इंटरनेट कय यथार्थ रूप से क्रांति कर सकत हय, अउर कई प्रकार कय उद्योगन पे सकारात्मक प्रभाव डाल सकत हय, जइसै मसलन, बैंकिंग, सार्वजनिक क्षेत्र औ आपूर्ति श्रृंखला। ई नवाचार छद्म-अनामी पर आधारित बा अउर ब्लॉकचेन प्रौद्योगिकी पर आधारित इनोवेटिव विकेन्द्रीकृत वास्तुकला पर प्रयास करत बा। ब्लॉकचेन एक ट्रस्ट स्थापना के साथ लेनदेन-आधारित अनुप्रयोगों की दौड़ को आगे बढ़ा रहा है, जिसमें एक केंद्रीकृत प्राधिकरण की आवश्यकता के बिना, व्यापार प्रक्रिया के भीतर जवाबदेही अउर पारदर्शिता का बढ़ावा दिया जा रहा है। बहरहाल, एक ब्लॉकचेन (जस्तै बीटकोइन) का एक बहुत जटिल और विशेष उपकरण (जैसे ब्लॉकचेन एनालिटिक्स) का निर्माण होता है, आमतौर पर यह एक सामान्य ज्ञान का एक बहुत ही जटिल घटक है। पिछले कई साल से, कई विश्लेषणात्मक उपकरण विकसित किए गए हैं, जिनमें से कुछ प्रमुख संभावित रूप से संभावित हैं। उदाहरण के लिए, लिंक किए गए लिंक का चयन करें, लेनदेन का flow देखें और फोरेंसिक जांच को बेहतर बनाने के लिए crime filter का उपयोग करें। इ पेपर ब्लॉकचेन विश्लेषणात्मक टूल की वर्तमान स्थिति का वर्णन करता है और उनके अनुप्रयोगों का एक विस्तृत वर्गीकरण मॉडल का निर्माण करता है। ई भविष्यवाणि विकास औ अनुसंधान खातिर खुला चुनौतिन् कय भी जांच करत अहै। |
2e5fadbaab27af0c2b5cc6a3481c11b2b83c4f94 | हम फोटो का पीछे फोटोग्राफर का पहचान का नया समस्या का परिचय देते हैं। इ समस्या का हल करै खातिर कम्प्यूटर विजन तकनीक का प्रयोग कइके हम एक नए डेटाबेस तैयार कीन जवन कि 180,000 से भी जादा तस्वीरन कय 41 प्रसिद्ध फोटोग्राफरन कय एक्ठु सेट कय मिलाय कय मिला। इ डेटासेट का उपयोग करत हुए, हम फोटोग्राफर का पहचान करैं मा कई तरह कै सुविधाओं (निम्न-उच्च-स्तरीय, सीएनएन सुविधाओं सहित) की प्रभावशीलता की जांच कीन। हम ई काम खातिर एगो नया डीप कन्वोलुशन न्यूरल नेटवर्क भी तैयार कीन. हमार परिणाम बतावत हैं कि उच्च स्तर के सुविधा निहाय त ज्यादा बेहतर अहैं। हम इन सीखल मॉडल का उपयोग करके गुणात्मक परिणाम प्रदान करत हैं जवन कि हमार विधि के फोटोग्राफर के बीच अंतर करे के क्षमता मा अंतर्दृष्टि देत हैं, अउर हमें विशिष्ट फोटोग्राफर के शूट के बारे मा दिलचस्प निष्कर्ष निकाले की अनुमति देत हैं। हम अपने तरफ से दोह षुत्र कय उपयोग कयला पर ई पता लगावा जात है कि ई कइसे होत है। |
25b6818743a6c0b9502a1c026c653038ff505c09 | |
6ed67a876b3afd2f2fb7b5b8c0800a0398c76603 | |
24281c886cd9339fe2fc5881faf5ed72b731a03e | मैपरेड्यूस अउर एकर वैरिएंट्स कमोडिटी क्लस्टर पर बड़े पैमाना पर डेटा-गहन अनुप्रयोग लागू करे मा बहुत सफल रहे हैं। हालांकि, अधिकांश इहय सिद्ध करत हैं कि ई एगो सामान्य नियम अहय कि इनक्यूबेटर पय आपकै भाषा का ठीक से समर्थन कीन जाय। इ पेपर एक ऐसे वर्ग पर केंद्रित है जेहमा इ अनुप्रयोगऽन् कय एक्ठु वर्ग होत है: जवन कई समानांतर संचालन में डेटा कय एक कार्यशील सेट कय पुनः उपयोग करत है। एहमा कई पुनरावर्ती मशीन लर्निंग एल्गोरिदम, साथ ही साथ इंटरैक्टिव डेटा विश्लेषण टूल शामिल हैं। हम प्रस्तावित नई स्पार्क फ्रेमवर्क का समर्थन करत हैं जवन इ अनुप्रयोगों का समर्थन करत है जबकि नक्शा के स्केलेबिलिटी अउर त्रुटि सहिष्णुता का बनाए रखत है। इ लक्ष्य कय प्राप्ति के बरे स्पार्क एक अवधारण प्रस्तुत करत अहै जेहका लचीला वितरित डेटासेट (RDD) के रूप मा जानल जात है। एक आरडीडी एक सेटि मा विभाजन मा विभाजित वस्तुहरु को एक पढने मात्र संग्रह हो कि विभाजन खोयो भने पुनर्निर्माण गर्न सकिन्छ। स्पार्क पुनरावर्ती मशीन लर्निंग जॉब्स मा हडोप से 10 गुना बेहतर प्रदर्शन कर सकत है, औ इंटरएक्टिव रूप से 39 जीबी डाटासेट क्वेरी करेक खातिर उप-सेकंड प्रतिक्रिया समय के साथ इस्तेमाल कै सका जात है। |
03ff3f8f4d5a700fbe8f3a3e63a39523c29bb60f | वाक्य का सही प्रतिनिधित्व भाषा की समझ का केंद्र है। हम एक convolutional वास्तुकला का वर्णन करते हैं जिसे Dynamic Convolutional Neural Network (DCNN) कहा जाता है जिसे हम वाक्य के अर्थिक मॉडलिंग के लिए अपनाते हैं। नेटवर्क डायनामिक के-मैक्स पूलिंग का उपयोग करत है, एक वैश्विक पूलिंग ऑपरेशन रैखिक अनुक्रमों पर। नेटवर्क अलग अलग लम्बाई कय इनपुट वाक्य कय संभाल करत है औ वाक्य कय ऊपर एक विशेषता ग्राफ का प्रेरित करत है जवन छोट अउर लम्बी दूरी कय सम्बन्धन कय स्पष्ट रूप से पकड़य कय सक्षम होत है। इ नेटवर्क एक पार्स ट्री पे निर्भर नाही है अउर कौनो भी भाषा कय लिए आसानी से लागू होत है। हम चार प्रयोगो मा डीसीएनएन का परीछन करे हन: छोट पैमाना पर द्विआधारी अउर बहु-वर्ग भावना भविष्यवाणी, छह-तरफा प्रश्न वर्गीकरण अउर दूरस्थ पर्यवेक्षण द्वारा ट्विटर भावना भविष्यवाणी। नेटवर्क पहिले तीन टास्क मा उत्कृष्ट प्रदर्शन प्राप्त करत है अउर अंतिम टास्क मा सबसे मजबूत बेसलाइन के संबंध मा 25% से अधिक त्रुटि कमी आई है। |
ff5c193fd7142b3f426baf997b43937eca1bbbad | बहुस्तरीय इन्वर्टर प्रौद्योगिकी हाल ही मा उच्च शक्ति मध्यम वोल्टेज ऊर्जा नियंत्रण के क्षेत्र मा एक बहुत महत्वपूर्ण विकल्प के रूप मा उभरी है। इ पेपर सबसे महत्वपूर्ण टोपोलॉजी प्रस्तुत करत है जैसे कि डायोड-क्लैम्प्ड इन्वर्टर (न्यूट्रल-पॉइंट क्लैम्प्ड), कैपेसिटर-क्लैम्प्ड (फ्लाइंग कैपेसिटर), और कैस्केडड मल्टीसेल अलग डीसी स्रोतों के साथ। उभरती हुई टोपोलॉजीज जैसे असममित हाइब्रिड सेल अउर सॉफ्ट-स्विचड मल्टीलेवल इन्वर्टर पर भी चर्चा कीन जात है। इ कागज भी कनवर्टर के इ परिवार के खातिर विकसित सबसे प्रासंगिक नियंत्रण और मॉडुलन विधियन का प्रस्तुत करत हैः बहुस्तरीय साइनसॉइडल पल्सविड्थ मॉडुलन, बहुस्तरीय चयनात्मक हार्मोनिक उन्मूलन, और अंतरिक्ष-वेक्टर मॉडुलन. इ कनवर्टर कय नवीनतम अउर अधिक प्रासंगिक अनुप्रयोगों जइसे कि लेमिनेटर, कन्वेयर बेल्ट, अउर एकीकृत पावर-फ्लो नियंत्रक कय विशेष ध्यान दिहा जात है। इनवर्टर के लिए इनपुट साइड पर एक सक्रिय फ्रंट एंड की जरूरत भी चर्चा की गई है, जो कि पुनरुत्पादक भार का आपूर्ति कर रहे हैं, और सर्किट टोपोलॉजी विकल्प भी प्रस्तुत किए गए हैं। अंत मा, उच्च-वोल्टेज उच्च-शक्ति उपकरणों और ऑप्टिकल सेंसर और भविष्य के विकास के लिए अन्य अवसरों जैसे कि दूरस्थ रूप से विकसित क्षेत्रों का पता लगाया जा रहा है। |
Subsets and Splits