_id
stringlengths 40
40
| text
stringlengths 0
9.62k
|
|---|---|
2b211f9553ec78ff17fa3ebe16c0a036ef33c54b | मार्को ए. रोड्रिगेज एटी एंड टी इंटरएक्टिव में ग्राफ सिस्टम आर्किटेक्ट हवें. उ मार्कोरोड्रिग्वेज डॉट कॉम पर पहुँचल जा सकेला. पीटर न्युबॉयर नियो टेक्नोलॉजी के चीफ ऑपरेटिंग ऑफिसर हवें। उनुका से peter.neubauer<at>neotechnology.com पर संपर्क कइल जा सकत बा। ग्राफ एगो डेटा संरचना होला जे बिंदु (अर्थात, शिखर) आ रेखा (अर्थात, किनारा) से बनल होला। एगो ग्राफ के बिंदु आउर रेखा के जटिल व्यवस्था में व्यवस्थित कइल जा सकेला. वस्तुअन के दर्शावे आ एक दूसरा से उनकर संबंध के दर्शावे के एगो ग्राफ के क्षमता आश्चर्यजनक रूप से बड़ संख्या में चीज के ग्राफ के रूप में मॉडल करे के अनुमति देवेला. सॉफ्टवेयर पैकेज के जोड़ने वाली निर्भरता से लेके लकड़ी के बीम तक जे एगो घर के फ्रेमिंग प्रदान करेला, लगभग हर चीज के एगो संबंधित ग्राफ प्रतिनिधित्व होला. हालांकि, खाली ईहे खातिर कि कौनो चीज के ग्राफ के रूप में निरूपित करल संभव बा, एकर मतलब ई नईखे कि एकर ग्राफ निरूपण उपयोगी होई. अगर एगो मॉडल बनावे वाला उपकरण आ एल्गोरिदम के ढेर उपयोग कर सकेला जे ग्राफ के स्टोर आ प्रोसेस करे ला, तब अइसन मानचित्रण उपयोगी होला. ई लेख कंप्यूटिंग में ग्राफ के दुनिया के खोज करे ला आ अइसन स्थिति के उजागर करे ला जेह में ग्राफिकल मॉडल फायदेमंद हो सके लें। |
0c5e3186822a3d10d5377b741f36b6478d0a8667 | कृत्रिम बुद्धि में एगो केंद्रीय समस्या आंशिक रूप से देखे योग्य वातावरण में अनिश्चितता के तहत भविष्य के इनाम के अधिकतम करे के योजना बनावे के बा. इ पेपर में हम एगो नया एल्गोरिथ्म के प्रस्ताव अउर प्रदर्शन करत बानी जे एक्शन-ऑब्जर्वेशन जोड़े के अनुक्रम से सीधे अइसन वातावरण के मॉडल के सही ढंग से सीखत बा. तब हम सीखल गइल मॉडल में योजना बना के आउर मूल वातावरण में लगभग इष्टतम नीति के पुनर्प्राप्त करके अवलोकन से कार्रवाई तक के लूप के बंद कर देई. विशेष रूप से, हम एगो अनुमानित राज्य प्रतिनिधित्व (पीएसआर) के पैरामीटर के सीखे खातिर एगो कुशल आउर सांख्यिकीय रूप से सुसंगत स्पेक्ट्रल एल्गोरिथ्म प्रस्तुत कर रहल बानी. हम सिमुलेटेड उच्च-आयामी, विजन-आधारित मोबाइल रोबोट नियोजन कार्य के एगो मॉडल सीखके एल्गोरिथ्म के प्रदर्शन करिला, आउर फेर सीखे गए पीएसआर में अनुमानित बिंदु-आधारित योजना के प्रदर्शन करिला. हमनी के परिणाम के विश्लेषण से पता चलल कि एल्गोरिथ्म एगो राज्य के स्थान सीखलस जवन पर्यावरण के जरूरी विशेषता के कुशलता से पकड़लस. इ निरूपण कम संख्या में मापदंड के साथ सटीक भविष्यवाणी क अनुमति देवेला, आउर सफल आउर कुशल योजना के सक्षम बनावेला. |
16611312448f5897c7a84e2f590617f4fa3847c4 | छिपल मार्कोव मॉडल (एचएमएम) विभेदित समय श्रृंखला के मॉडलिंग खातिर सबसे बुनियादी आउर व्यापक रूप से उपयोग कइल जाए वाला सांख्यिकीय उपकरण में से एगो बा. आम तौर पर, उ सब के सीआरएच हेरिस्टिक्स (जइसे कि बाम-वेल्च / ईएम एल्गोरिथ्म) के उपयोग करके सीखे के होला, जे सामान्य स्थानीय इष्टतम समस्या से ग्रस्त होला. जबकि सामान्य रूप से इ सब मॉडल के अंतर्निहित वितरण के नमूना के साथ सीखल मुश्किल होला, हम प्राकृतिक पृथक्करण स्थिति में एचएमएम के सीखल खातिर पहिला साबित कुशल एल्गोरिथ्म (नमूना आउर कम्प्यूटेशनल जटिलता के संदर्भ में) प्रदान कर तानी. इ स्थिति मिश्रण वितरण के सीखे खातिर विचार कइल गइल पृथक्करण स्थिति के समान बा (जहाँ, समान रूप से, इ सब मॉडल के सामान्य रूप से सीखे में मुश्किल होला). एकरे अलावा, हमनी के नमूना पूर्णता परिणाम स्पष्ट रूप से अलग (विशिष्ट) अवलोकन के संख्या पर निर्भर ना करेला - ऊ अंतर्निहित एचएमएम के वर्णक्रमीय गुण के माध्यम से इ संख्या पर निहित रूप से निर्भर करेला. इ एल्गोरिथ्म के विशेष रूप से बड़ी संख्या में अवलोकन के साथ सेटिंग्स पर लागू करेला, जइसे कि प्राकृतिक भाषा प्रसंस्करण में जहां अवलोकन के स्थान कभी-कभी भाषा में शब्द होला. अंत में, एल्गोरिथ्म विशेष रूप से सरल होला, जे खाली एगो एकल r मान अपघटन आउर मैट्रिक्स गुणन पर निर्भर करेला. |
8ad6fda2d41dd823d2569797c8c7353dad31b371 | हम एगो एट्रिब्यूट-आधारित एन्क्रिप्शन (एबीई) योजना बनवनी जवन कि उपयोगकर्ता के निजी कुंजी के एट्रिब्यूट के ऊपर कौनो भी एक्सेस सूत्र के संदर्भ में व्यक्त करे के अनुमति देवेला. पहिले के एबीई योजना केवल एकेरी पहुंच संरचना के व्यक्त करे तक सीमित रहे. हम आपन योजना खातिर सुरक्षा के प्रमाण देला जे डिसीजनल बिलाइनर डिफी-हेलमैन (बीडीएच) परिकल्पना पर आधारित बा. एकरे अलावा, हमनी के नया योजना के परफॉर्मेंस मौजूदा, कम एक्सप्रेसिव योजना के तुलना में बढ़िया बा। |
4f3dbfec5c67f0fb0602d9c803a391bc2f6ee4c7 | 20 गीगाहर्ट्ज के चरण-बंद लूप 4.9 पीएस/सब पीपी//0.65 पीएस/सब आरएमएस/जिटर आउर -113.5 डीबीसी/एचजेड के चरण शोर के साथ 10 मेगाहर्ट्ज ऑफसेट पर प्रस्तुत कइल गइल बा. एगो आधा-कर्तव्य नमूना-फीड-फॉरवर्ड लूप फ़िल्टर जे बस एगो स्विच के साथ प्रतिरोधक के बदल देवेला आउर एगो इन्वर्टर संदर्भ स्पूर के -44.0 डीबीसी तक दबावेला. एगो डिजाइन पुनरावृत्ति प्रक्रिया के रूपरेखा दिहल गइल बा जे एगो युग्मित माइक्रोस्ट्रिप रेजोनेटर के साथ नकारात्मक-जी / सब एम / ऑसिलेटर के चरण शोर के कम करेला. धड़कन से बनल स्थिर आवृत्ति बिभाजक फ्लिप-फ्लॉप से बनल के तुलना में तेजी से काम करे लें आ लगभग 2:1 आवृत्ति रेंज प्राप्त करे लें। 0.13-/spl mu/m CMOS में निर्मित फेज-लॉक्ड लूप 17.6 से 19.4GHz तक काम करेला आउर 480mW के क्षीणन करेला. |
1fcaf7ddcadda724d67684d66856c107375f448b | हम पाठ वर्गीकरण खातिर एगो नया संवितरण तंत्रिका नेटवर्क (सीएनएन) मॉडल प्रस्तुत करत बानी जे संयुक्त रूप से दस्तावेज पर लेबल आउर उनकर घटक वाक्य के शोषण करेला. विशेष रूप से, हम अइसन परिदृश्य पर विचार करब जउने में एनोटेटर स्पष्ट रूप से वाक्य (या स्निपेट) के चिह्नित करेलन जवन उनकर समग्र दस्तावेज़ वर्गीकरण के समर्थन करेला, यानी, उ तर्कसंगत प्रदान करेलन. हमार मॉडल एगो पदानुक्रमित दृष्टिकोण के माध्यम से अइसन पर्यवेक्षण के उपयोग करेला जेमे प्रत्येक दस्तावेज़ के एकर घटक वाक्य के वेक्टर निरूपण के रैखिक संयोजन द्वारा देखावल जाला. हम वाक्य-स्तर के एगो संवितरण मॉडल प्रस्तावित करब जवन कि दिहल गइल वाक्य के तर्कसंगत होवे के संभावना के अनुमान लगावेला, आउर तब हम इ अनुमान के अनुपात में कुल दस्तावेज़ निरूपण में प्रत्येक वाक्य के योगदान के माप देब. पांच वर्गीकरण डेटासेट पर प्रयोग जवन में दस्तावेज़ लेबल आउर संबंधित तर्कसंगतता होला, ई दर्शावेला कि हमनी के दृष्टिकोण लगातार मजबूत आधार रेखा से बेहतर प्रदर्शन करेला. एकरे अलावा, हमनी के मॉडल प्राकृतिक रूप से एकर भविष्यवानी खातिर व्याख्या देला. |
20b41b2a0d8ee71efd3986b4baeed24eba904350 | उद्देश्य विकासशील देशन में महतारी अवसाद आ बच्चा के विकास के बीच संबंध के जांच एगो व्यवस्थित साहित्य समीक्षा आ मेटा-विश्लेषण के माध्यम से कइल जाई. विकासशील देशन से छव गो डेटाबेस में 2010 ले प्रकाशित महतारी अवसाद आ बच्चा के विकास पर अध्ययन के खोज कइल गइल। मानक मेटा- विश्लेषणात्मक पद्धति के पालन कइल गइल रहे आउर डिप्रेस्ड माता के बच्चन में कम वजन आउर स्टंटिंग खातिर पूल ऑड्स रेशियो (ओआर) के गणना यादृच्छिक प्रभाव मॉडल के उपयोग करके सभ अध्ययन खातिर आउर अध्ययन के उपसमूह खातिर कइल गइल रहे जे अध्ययन डिजाइन, मातृ अवसाद के जोखिम आउर परिणाम चर पर सख्त मानदंड के पूरा कइलस. जनसंख्या के कारण होखे वाला जोखिम (पीएआर) के अनुमान चुनिंदा अध्ययन खातिर लगावल गइल रहे. निष्कर्ष 11 देसन से कुल 13,923 महतारी आउर बच्चा जोड़े के लेके सत्रह अध्ययन शामिल करे के मापदंड पूरा कइलस. अवसाद या अवसाद संबंधी लक्षण वाला माई के बच्चा के कम वजन (ओआर: 1. 5; 95% बिश्वास अंतराल, आईसी: 1. 2- 1. 8) या कम वजन (ओआर: 1. 4; 95% आईसी: 1. 2- 1. 7) होखे के संभावना अधिक रहे. तीन लोंगटुइडल अध्ययन के उप- विश्लेषण में एगो मजबूत प्रभाव देखावल गइल: कम वजन के खातिर ओआर 2.2 (95% आईसी: 1. 5- 3. 2) आउर स्टंटिंग के खातिर, 2.0 (95% आईसी: 1. 0- 3. 9) रहल. चयनित अध्ययनन खातिर PAR इंगित कइलस कि अगर शिशु आबादी महतारी के अवसादग्रस्त लक्षणन के पूरा तरह से उजागर ना होत रहे त 23% से 29% कम बच्चा कम वजन या कम उम्र के होत रहे. निष्कर्ष मातृ अवसाद प्रारंभिक बचपन में कम वजन औरु विकास में कमी से जुडल रहे. तंत्र आउर कारण के पहचान करे खातिर कठोर संभावनावादी अध्ययन के जरूरत बाटे. महतारी के अवसाद के जल्दी पहचान, इलाज आउर रोकथाम विकासशील देसन में बच्चा के विकास में कमी आउर कम वजन के कम करे में मदद कर सकेला. |
c596f88ccba5b7d5276ac6a9b68972fd7d14d959 | वास्तविक वस्तुअन के भौतिक दुनिया के आईटी सिस्टम के आभासी दुनिया के साथे जोड़ के, इंटरनेट ऑफ थिंग्स में उद्यम जगत के साथे-साथे समाज के भी काफी बदलाव करे के क्षमता बाटे। हालाँकि, ई शब्द बहुत अधिक प्रचारित बा आउर अलग-अलग समुदाय द्वारा अलग-अलग तरह से समझल जाला, खासकर के आईओटी एगो तकनीक ना ह बल्कि विभिन्न इंजीनियरिंग डोमेन से संबंधित विषम - अक्सर नया - प्रौद्योगिकियन के अभिसरण के प्रतिनिधित्व करेला. आम समझ के खातिर जरूरी बा कि इंटरनेट ऑफ थिंग्स खातिर एगो डोमेन मॉडल बनावल जाय, जे मुख्य अवधारणा आ ओकरी संबंध के परिभाषित करे, आ एगो आम शब्दकोश आ टैक्सोनामी के रूप में काम करे, आ आगे के वैज्ञानिक चर्चा आ इंटरनेट ऑफ थिंग्स के विकास खातिर आधार के रूप में काम करे। जइसन कि हमनी के देखावल जा रहल बा, अइसन डोमेन मॉडल के होना ठोस IoT सिस्टम आर्किटेक्चर के डिजाइन में भी मददगार होला, काहे कि ई एगो टेम्पलेट प्रदान करेला आउर इ प्रकार उपयोग के मामला के विश्लेषण के संरचना करेला. |
5a9f4dc3e5d7c70d58c9512d7193d079c3331273 | हम लोग 3 डी पीपुल ट्रैकिंग खातिर मानव मुद्रा आ गति के सीखल जाए खातिर गॉसियन प्रोसेस डायनामिक मॉडल (जीपीडीएम) के इस्तेमाल के वकालत करत बानी. जीपीडीएम मानव गति डेटा के एगो निम्न आयामी एम्बेडिंग प्रदान करेला, एगो घनत्व फलन के साथ जे प्रशिक्षण डेटा के करीब मुद्रा आउर गति के उच्च संभावना देवेला. बेयसन मॉडल के साथ, जीपीडीएम के अपेक्षाकृत छोट मात्रा में डेटा से सीखे के होला, आउर ई प्रशिक्षण सेट के बाहर गति खातिर सामान्यीकृत होला. इहाँ हमनी के जीपीडीएम के बदलल जाला ताकि ऊ महत्वपूर्ण शैलीगत भिन्नता वाला गति से सीखल जा सके। परिणामी पूर्वकाल मानव पैदल शैली के एगो श्रृंखला के ट्रैक करे खातिर प्रभावी होला, कमजोर आउर शोर वाला छवि माप आउर महत्वपूर्ण समापन के बावजूद. |
c3f2d101b616d82d07ca2cc4cb8ed0cb53fde21f | हम लोग वर्तमान सीडी आउर ईएमडी मान के संदर्भ प्रदान करे खातिर मानव अध्ययन कइलस जवन कि रेंडर्ड डेटासेट पर रिपोर्ट कइल गइल रहे. हम लोग मानव विषय के एगो जीयूआई उपकरण प्रदान कइनी जवन से चित्र से त्रिकोणीय जाल बनावल जा सकेला. उपकरण (चित्र 1 देखीं) उपयोगकर्ता के 3 डी में जाल के संपादित करे आउर मॉडलिंग करल गइल ऑब्जेक्ट के इनपुट इमेज पर वापस संरेखित करे में सक्षम बनावेला. कुल मिलाके 16 मॉडल हमनी के वैधता सेट के इनपुट इमेज से बनावल गइल बा. प्रत्येक मॉडल से N = 1024 बिंदु के नमूना लिहल जाला. |
32791996c1040b9dcc34e71a05d72e5c649eeff9 | सामान्य दैनिक गतिविधि के दौरान दिल के असामान्य विद्युत व्यवहार के पता लगावे खातिर नैदानिक अभ्यास में एंबुलेटरी इलेक्ट्रोकार्डियोग्राफी के तेजी से उपयोग कइल जा रहल बा. इ निगरानी क उपयोगिता में श्वसन क प्राप्त करे क द्वारा सुधार करल जा सकेला, जवन पहिले रात भर के एपनिया अध्ययन पे आधारित रहे जहां रोगी स्थिर रहेला, चाहे तनाव परीक्षण क खातिर बहुहेड ईसीजी प्रणालियों क उपयोग. हमसब एगो एकल-लीड पोर्टेबल ईसीजी मॉनिटर से प्राप्त छह श्वसन माप के एम्बुलेटरी नाक कैन्यूल श्वसन मॉनिटर से प्राप्त एक्के साथे मापल गइल श्वसन वायु प्रवाह के साथ तुलना कईनी. दस नियंत्रित 1-घंटा के रिकार्डिंग दैनिक जीवन के गतिविधि (झुकल, बइठल, खड़ा, चलल, जॉगिंग, दौड़ल, आउर सीढ़ी चढ़ल) आउर छह रात भर के अध्ययन के कवर करे वाला प्रदर्शन कइल गइल रहे. सबसे अच्छा तरीका 0.2-0.8 हर्ट्ज बैंडपास फिल्टर आउर आरआर अंतराल के लम्बा करे आउर छोट करे पर आधारित आरआर तकनीक के औसत रहे. संदर्भ स्वर्ण मानक के साथ औसत त्रुटि दर प्रति मिनट (bpm) +mn4 रहे (सभी गतिविधियां), +mn2 bpm (झुकना और बैठना), और +mn1 प्रति मिनट सांस (रात भर के अध्ययन) । पूर्ण ईसीजी तरंगरूप से प्राप्त सर्वोत्तम तकनीक के तुलना में अकेले हृदय गति जानकारी (आरआर तकनीक) के उपयोग करके सांख्यिकीय रूप से समान परिणाम प्राप्त कइल गइल रहे जे डेटा संग्रह प्रक्रिया के सरल बनावेला. अध्ययन से पता चलता कि पारंपरिक तरीका से महत्वपूर्ण अंतर के बिना एकल-लीड ईसीजी से गतिशील गतिविधि के तहत श्वसन प्राप्त कइल जा सकेला. |
7eac1eb85b919667c785b9ac4085d8ca68998d20 | 2. आऊर आऊर ई-लर्निंग आ मोबाइल लर्निंग में अंतर कइल मोबाइल लर्निंग के मूल्य आउर लाभ मोबिल लर्निंग के चुनौती आ बाधा: अध्ययन से पता चलल कि दूरस्थ शिक्षा के रूप में एम-लर्निंग से समाज के बहुत फायदा भइल बा। एह में शामिल बा: जरूरत पड़ला पर प्रशिक्षण, हर समय प्रशिक्षण; कहीं भी प्रशिक्षण; लर्निंग-सेंट्रेटेड कंटेंट; काम पर वापस जाये के समस्या से बचाव; करदाता लोग खातिर प्रशिक्षण, आ विश्वविद्यालय के व्याख्यान आ प्रशिक्षण केंद्रन में सत्र के दौरान पूरा समय लेबे वाला लोग खातिर प्रशिक्षण; आ शिक्षा आ सीख के औद्योगीकरण। साथ ही, नोटबुक, मोबाइल टैबलेट, आइपॉड टच, आ आइपैड मोबाइल ई लर्निंग खातिर बहुत लोकप्रिय डिवाइस बा, काहे कि एकर कीमत आ एप के उपलब्धता बहुत कम बा। --------------------------------------- एगो शिक्षा आ प्रशिक्षण ऊ प्रक्रिया ह, जवना से एक पीढ़ी के ज्ञान, ज्ञान आ कौशल के दुसर पीढ़ी के दिहल जाला। आज के समय में शिक्षा आ प्रशिक्षण के दू गो रूप बा: पारंपरिक शिक्षा आ दूरस्थ शिक्षा। मोबाइल लर्निंग, या "एम-लर्निंग", मोबाइल डिवाइस के माध्यम से सीखने की प्रक्रिया में सहायता के आधुनिक तरीके प्रदान करता है, जैसे कि हैंडहेल्ड कंप्यूटर, एमपी 3 प्लेयर, स्मार्ट फोन और मोबाइल फोन। ई दस्तावेज शिक्षा के उद्देश्य से मोबाइल शिक्षा के विषय के परिचय देला। ई अध्ययन मोबाइल डिवाइसन के शिक्षण आ सीख के तरीका पर कइसन असर पड़ल बा आ मोबाइल डिवाइसन पर डिजिटल मीडिया के इस्तेमाल से मिलल अवसर सभ के बारे में जानकारी देला। एह लेख के मुख्य मकसद मोबाइल लर्निंग के वर्तमान स्थिति, फायदा, चुनौती आ शिक्षण आ सीख के समर्थन करे में बाधा के वर्णन कइल बा। एह लेख खातिर आँकड़ा जनवरी से मार्च 2013 ले के किताब आ इंटरनेट पर खोज के हासिल कइल गइल। एह पत्र में चार गो मुख्य क्षेत्रन पर ध्यान दिहल जाई: मोबाइल लर्निंग के एगो विश्लेषण। |
57820e6f974d198bf4bbdf26ae7e1063bac190c3 | |
8e393c18974baa8d5d704edaf116f009cb919463 | उच्च गति वाला SerDes के उच्च गति वाला संचालन, गहन समतल करे के तकनीक, कम बिजली के खपत, छोट क्षेत्र आउर मजबूती सहित कई चुनौतियन के सामना करे के होई. नया मानक के पूरा करे खातिर, जइसे कि OIF CEI-25G-LR, CEI-28G-MR/SR/VSR, IEEE802.3bj आ 32G-FC, डेटा रेट 25 से 28Gb/s ले बढ़ावल गइल बा, जे कि पिछला पीढ़ी के SerDes के तुलना में 75% से ढेर बाटे। एकल चिप में एकीकृत कई सौ लेन के साथ SerDes अनुप्रयोग खातिर, उच्च प्रदर्शन के बनाए रखत समय बिजली के खपत बहुत महत्वपूर्ण कारक होला. 28Gb/s या एकरा से अधिक डेटा-रेट पर कई गो पिछला काम बा [1-2]. उ लोग महत्वपूर्ण समय सीमा के पूरा करे खातिर अनरोल्ड डीएफई के उपयोग करेलन, लेकिन अनरोल्ड डीएफई संरचना डीएफई स्लाइसर्स के संख्या बढ़ावेला, कुल शक्ति आउर मर क्षेत्र के बढ़ावेला. एह चुनौतियन से निपटे खातिर हमनी के कई गो सर्किट आ आर्किटेक्चरल तकनीक के शुरुआत कइले बानी जा। एनालॉग फ्रंट-एंड (एएफई) एकल-चरण आर्किटेक्चर आउर ट्रांसइम्पेडेंस एम्पलीफायर (टीआईए) में कॉम्पैक्ट ऑन-चिप निष्क्रिय प्रेरक के उपयोग करेला, जे 15 डीबी बूस्ट प्रदान करेला. बूस्ट अनुकूली होला आउर एकर अनुकूली लूप के ग्रुप-डेलैड अनुकूलीकरण (जीडीए) एल्गोरिथ्म के उपयोग से निर्णय-प्रतिक्रिया समकक्ष (डीएफई) अनुकूली लूप से अलग कइल जाला. डीएफई में आधा-दर 1-टैक अनरोल्ड संरचना बा जेकरा में बिजली आउर क्षेत्र के कमी खातिर 2 कुल त्रुटि लॉच बा. एगो दु-चरण संवेदी-प्रवर्धक आधारित स्लाइसर 15mV के संवेदनशीलता आउर डीएफई समयबद्ध समापन प्राप्त करेला. हम एगो हाई स्पीड क्लॉक बफर भी विकसित कइनी जवन नया सक्रिय-इंडक्टर सर्किट के उपयोग करेला. इ सक्रिय-इंडक्टर सर्किट में सर्किट संचालन बिंदु के अनुकूलित करे खातिर आउटपुट-सामान्य-मोड वोल्टेज के नियंत्रित करे के क्षमता होला. |
505c58c2c100e7512b7f7d906a9d4af72f6e8415 | पन्ना ii जटिल अनुकूली प्रणाली जॉन एच. हॉलैंड, क्रिस्टोफर लैंगटन, अउरी स्टीवर्ट डब्ल्यू. विल्सन, सलाहकार प्राकृतिक अउरी कृत्रिम प्रणाली में अनुकूलीकरण: जीव विज्ञान, नियंत्रण, अउरी कृत्रिम बुद्धि के अनुप्रयोग के साथ एगो परिचयात्मक बिस्लेषण, एमआईटी प्रेस संस्करण जॉन एच. हॉलैंड स्वायत्त प्रणालियन के अभ्यास के ओर: फ्रांसिस्को जे. वेरेला अउरी पॉल बोर्गिन द्वारा संपादित कृत्रिम जीवन पर पहिला यूरोपीय सम्मेलन के कार्यवाही आनुवंशिक प्रोग्रामिंग: प्राकृतिक चयन के माध्यम से कंप्यूटर के प्रोग्रामिंग पर जॉन आर. कोजा |
3a46c11ad7afed8defbb368e478dbf94c24f43a3 | वैज्ञानिक समस्या जवन कि बड़हन मात्रा में डेटा के संसाधित करे पर निर्भर करेला, कई क्षेत्र में चुनौतियन के दूर करे के जरुरत पड़ेलाः बड़ पैमाना पर डेटा के वितरण के प्रबंधन, संगणकीय संसाधन के साथे डेटा के सह-स्थापना आउर अनुसूची, आउर बड़ मात्रा में डेटा के भंडारण आउर स्थानांतरण. हमनी के डेटा-गहन अनुप्रयोग खातिर दू गो प्रमुख प्रतिमान के पारिस्थितिकी तंत्र के विश्लेषण कइल जा रहल बा, जेकरा के बाद में उच्च-प्रदर्शन कंप्यूटिंग आ अपाचे-हडोप प्रतिमान कहल जाई। हमनी के एगो आधार, एगो सामान्य शब्दावली आ फलनशील कारक के प्रस्ताव दिहल जा रहल बा, जवना के आधार पर दुनों प्रतिमान के दुगो दृष्टिकोण के विश्लेषण कइल जा सकेला। हमनी के "बिग डेटा ओग्रेस" के अवधारणा आ एकर पहलुअन पर चर्चा करब जेवना से कि दुनो प्रतिमान के बीच पावल जाए वाला सभसे आम एप्लीकेशन वर्कलोड के समझे आ ओकर बिसेसता बतावे के तरीका के रूप में बा। एकरे बाद हमनी के दुनो प्रतिमान के मुख्य विशेषता पर चर्चा करब, आ दुनो दृष्टिकोण के तुलना आ विरोध करब। विशेष रूप से, हमनी के इ प्रतिमान के आम कार्यान्वयन/दृष्टिकोण के जांच करब, इनहन के वर्तमान "आर्किटेक्चर" के कारण पर प्रकाश डालब आ इनहन के उपयोग करे वाला कुछ ठेठ कार्यभार पर चर्चा करब। महत्वपूर्ण सॉफ्टवेयर अंतर के बावजूद, हमार मानना बा कि वास्तुशिल्प में समानता बा. हमनी के अलग-अलग स्तरन आउर घटक पर अलग-अलग कार्यान्वयन के संभावित एकीकरण पर चर्चा करब. हमनी के तुलना दुगो प्रतिमान के पूर्ण रूप से गुणात्मक जांच से, अर्ध-क्वांटिटेटिव पद्धति तक बढ़त बा. हमनी के एगो सरल आ व्यापक रूप से इस्तेमाल होखे वाला ओगरे (के-मीडियन क्लस्टरिंग) के इस्तेमाल कइले बानी जा, एकर परफॉर्मेंस के कई ठे प्रतिनिधि प्लेटफार्म पर बिबरन दिहल गइल बा, जे दुनों प्रतिमान के कई गो कार्यान्वयन के कवर करे ला। हमनी के प्रयोग से दुन्नो प्रतिमान के सापेक्ष मजबूती के बारे में जानकारी मिलेला। हमनी के प्रस्ताव बा कि ओग्रेस के सेट दुगो प्रतिमान के अलग-अलग आयाम के साथ मूल्यांकन करे खातिर एगो बेंचमार्क के रूप में काम करी. |
dc7024840a4ba7ab634517fae53e77695ff5dda9 | इ पत्र में हम लोग मानव गतिविधि के पहिचान खातिर एगो नया ऊर्जा दक्ष दृष्टिकोण प्रस्तावित करत बानी, जेकर उपयोग स्मार्टफ़ोन के पहिरल जा सकने वाला संवेदी उपकरण के रूप में कइल जा सकेला, जेकर लक्ष्य सहायक जीवन अनुप्रयोग जइसे कि विकलांग लोगन आउर बुजुर्ग लोगन खातिर दूरस्थ रोगी गतिविधि निगरानी बा। विधि एगो संशोधित मल्टीक्लास सपोर्ट वेक्टर मशीन (एसवीएम) लर्निंग एल्गोरिथ्म के प्रस्ताव करे खातिर फिक्स्ड-पॉइंट अंकगणित के उपयोग करेला, जवन तुलनात्मक सिस्टम सटीकता स्तर के बनाए रखत समय पारंपरिक फ्लोटिंग-पॉइंट आधारित सूत्रीकरण के संबंध में स्मार्टफोन बैटरी जीवन के बेहतर रूप से संरक्षित करे के अनुमति देवेला. प्रयोग से पता चलल कि मान्यता के कामकाज आ बैटरी के खपत के मामला में एह तरीका आ पारंपरिक एसवीएम के तुलनात्मक परिणाम मिलल बा, एहसे प्रस्तावित तरीका के फायदा के पता चलल। |
f4cdd1d15112a3458746b58a276d97e79d8f495d | एगो तंत्रिका नेटवर्क के इनपुट के संबंध में आउटपुट के ग्रेडिएंट मानदंड के नियमित कइल एगो शक्तिशाली तकनीक ह, जेके कई बेर फेर से खोजल गइल बा. इ पत्र इ बात के प्रमाण प्रस्तुत करेला कि ग्रेडिएंट नियमितकरण आधुनिक गहन तंत्रिका नेटवर्क के उपयोग कइके दृष्टि कार्य पर वर्गीकरण सटीकता में लगातार सुधार कर सकेला, खासकर जब प्रशिक्षण डेटा के मात्रा छोट होला. हम आपन नियमित करे वाला के जैकोबियन आधारित नियमित करे वाला के एगो व्यापक वर्ग के सदस्य के रूप में प्रस्तुत करत बानी. हम वास्तविक आउर सिंथेटिक डेटा पर अनुभवजन्य रूप से देखावत बानी कि सिखे के प्रक्रिया प्रशिक्षण बिंदु से परे नियंत्रित ढाल के तरफ ले जाला, आउर अइसन समाधान में परिणत होला जवन अच्छा तरह से सामान्यीकृत होला. |
984df1f081fbd623600ec45635e5d9a4811c0aef | दू गो विवाल्डी एंटीना सरणी प्रस्तुत कइल गइल बा. पहिला 8-एलिमेंट कंक्रीट स्लॉट सरणी बा जे 1.2 से 4 गीगाहर्ट्ज बैंड के कवर करे ला जे ईंट/कंक्रीट के दीवार के इमेजिंग खातिर एसटीडब्ल्यू एप्लीकेशन खातिर बा. दूसरा 16 तत्व वाला एंटीपोडल सरणी बा जे 8 से 10.6 गीगाहर्ट्ज पर काम करे ला जब सूखी दीवार से घुसला पर उच्च रिज़ॉल्यूशन वाला इमेजिंग करे ला। दु डिजाइन के आधार पर, औरी विवलडी एंटीना सरणी के खिलावे खातिर माइक्रोस्ट्रिप संक्रमण के खातिर एगो चिकना चौड़ा बैंड स्लॉट के उपयोग करके, 1-10 गीगाहर्ट्ज आवृत्ति बैंड के कवर करल जा सकेला. वैकल्पिक रूप से, डिजाइन के उपयोग 1-3 गीगाहर्ट्ज या 8-10 गीगाहर्ट्ज बैंड के कवर करे खातिर एगो पुनः विन्यास योग्य संरचना में कइल जा सकेला. प्रयोगात्मक आउर मापल परिणाम पूरा हो गइल बा आउर विस्तृत चर्चा कइल जाई. डिजाइन कम्पेक्ट, पुनः विन्यास योग्य औरु पोर्टेबल प्रणालियन के विकास पे महत्वपूर्ण प्रभाव डालेला. |
e3f4fdf6d2f10ebe4cfc6d0544afa63976527d60 | इ पत्र रेडियो खगोल विज्ञान उपकरण खातिर 324 तत्वन के एगो 2-डी ब्रॉडसाइड सरणी प्रस्तुत करेला जे दुगो पारस्परिक रूप से ऑर्थोगोनल ध्रुवीकरण खातिर संवेदनशील होला. ए सरणी में चार विवालदी एंटीना के एगो समूह से बनल क्रूसिफॉर्म इकाई के एगो क्रॉस-आकार के संरचना में व्यवस्थित कइल गइल बा. इ सरणी में प्रयुक्त विवाल्डी एंटीना 3 गीगाहर्ट्ज पर 87.5° अउरी 6 गीगाहर्ट्ज पर 44.2° के सममित मुख्य बीम के साथ विकिरण तीव्रता विशेषता प्रदर्शित करेला. मापल गइल अधिकतम साइड/बैकलोब स्तर मुख्य बीम स्तर से 10.3 डीबी नीचे बा. एरे 5.4 गीगाहर्ट्ज के उच्च आवृत्ति पर बिना ग्रिटिंग लोब के गठन के काम कर सकेला. |
1a090df137014acab572aa5dc23449b270db64b4 | |
9ae252d3b0821303f8d63ba9daf10030c9c97d37 | हम प्राकृतिक दृश्य श्रेणिन के सीखे आउर पहचानने खातिर एगो नया तरीका प्रस्तावित करत बानी. पिछला काम के विपरीत, एकरा खातिर विशेषज्ञ के प्रशिक्षण सेट के एनोटेट करे के जरूरत ना पड़ेला. हम एगो दृश्य के छवि के स्थानीय क्षेत्र के संग्रह द्वारा देखावल जा रहल बा, जे बिना देखरेख के सीखे से प्राप्त कोडवर्ड के रूप में देखावल गइल बा. हर क्षेत्र के एगो "थीम" के हिस्सा के रूप में देखावल गइल बा. पिछला काम में, अइसन विषय विशेषज्ञन के हाथ से लिखल टिप्पणी से सीखे के मिलेला, जबकि हमनी के तरीका बिना देखरेख के विषय वितरण के साथे-साथे कोडवर्ड वितरण के भी सीख लेला. हम 13 श्रेणी के जटिल दृश्यन के एगो बड़ सेट पर संतोषजनक वर्गीकरण परफॉरमेंस के रिपोर्ट करत बानी. |
fa6cbc948677d29ecce76f1a49cea01a75686619 | इ काम में, हम वास्तविक दुनिया के दृश्य के पहचान के एगो कम्प्यूटेशनल मॉडल प्रस्तावित कर रहल बानी जे कि अलग-अलग वस्तु या क्षेत्र के विभाजन आउर प्रसंस्करण के दरकिनार करेला. ई प्रक्रिया दृश्य के एगो बहुत कम आयामी निरूपण पर आधारित बा जेकरा के हम स्थानिक लिफाफा (स्पेशियल एन्वलॉप) कहल जाला। हम अवधारणात्मक आयाम (प्राकृतिकता, खुलापन, मोटाई, विस्तार, मोटाई) के एगो सेट के प्रस्ताव देले बानी जे एगो दृश्य के प्रमुख स्थानिक संरचना के प्रतिनिधित्व करेला. फेर, हम देखब कि इ आयाम के स्पेक्ट्रल आउर मोटे तौर पर स्थानीय जानकारी के उपयोग करके भरोसेमंद रूप से अनुमानित कइल जा सकेला. मॉडल एगो बहुआयामी जगह बनावेला जेमे अर्थ संबंधी श्रेणी में सदस्यता साझा करे वाला दृश्य (जइसे, सड़क, राजमार्ग, तट) एक साथे बंद होला. स्थानिक लिफाफा मॉडल के प्रदर्शन से पता चलेला कि वस्तु के आकार या पहचान के बारे में विशिष्ट जानकारी दृश्य वर्गीकरण खातिर एगो आवश्यकता ना ह आउर दृश्य के समग्र प्रतिनिधित्व के मॉडलिंग एकर संभावित अर्थ संबंधी श्रेणी के बारे में सूचित करेला. |
1ac52b7d8db223029388551b2db25657ed8c9852 | इ पेपर में, हम कई समान भविष्यवाणी कार्य से बनल समस्या के खातिर मशीन-सीखने के समाधान प्रस्तावित कर रहल बानी. प्रत्येक अलग-अलग काम में ओवरराइटिंग के उच्च जोखिम होला. हमनी के ई जोखिम के कम करे खातिर दू तरह के ज्ञान के अंतरण के संयोजन करे के बा: बहु-कार्य सीखल आ पदानुक्रमित बेयसियन मॉडलिंग. बहु-कार्य सीखे के इ धारणा पर आधारित बा कि हाथ में कार्य खातिर विशिष्ट विशेषता मौजूद बा. इ सब सुविधा के खोजे खातिर, हम एगो विशाल द्वि-स्तरित तंत्रिका नेटवर्क के प्रशिक्षित करेनी. हर काम के आपन आउटपुट होला, लेकिन इनपुट से छिपल इकाई तक के भार के बाकी काम के साथ साझा कइल जाला. इ तरीका से संभावित व्याख्यात्मक चर (नेटवर्क इनपुट) के अपेक्षाकृत बड़ सेट के सुविधा के एगो छोट आउर आसान से संभाले के सेट (छिपल इकाइ) में कम कर दिहल जाला. इ सुविधा के सेट के ध्यान में रखके आउर एगो उपयुक्त पैमाना के परिवर्तन के बाद, हम मान लेवे कि कार्य एक्सचेंजेबल बा. ई धारणा एगो पदानुक्रमित बेयज़ियन विश्लेषण के अनुमति देवेला जेमे हाइपरपैरामीटर के आंकड़ा से अनुमान लगावल जा सकेला. ई हाइपर-रेमेटर प्रभावी रूप से नियामक के रूप में काम करेला आउर ओवर-टेटिंग के रोकता. हम वर्णन करब कि समय श्रृंखला में गैर-स्थिरता के खिलाफ सिस्टम के कइसे मजबूत बनावल जाए आउर आगे सुधार खातिर दिशा-निर्देश दिहल जाए. हम अखबार के बिक्री के भविष्यवाणी के बारे में एगो डेटाबेस पर आपन विचार देखावल. |
1e56ed3d2c855f848ffd91baa90f661772a279e1 | हम पाठ आ अलग-अलग डेटा के अन्य संग्रह खातिर एगो जनरेटिव मॉडल प्रस्तावित कइले बानी जे कई गो पिछला मॉडल सभ पर सामान्यीकृत या सुधार करे ले, जेह में बेयज़/यूनिग्राम, यूनोग्राम के मिश्रण [6] आ हॉफमैन के पहलू मॉडल शामिल बा, जेकरा के प्रोबेबिलिस्टिक लैटेंट सिमेंटिक इंडेक्सिंग (पीएलएसआई) [3] के रूप में भी जानल जाला। पाठ मॉडलिंग के संदर्भ में, हमनी के मॉडल ई मान लेला कि हर दस्तावेज बिसय के मिश्रण के रूप में उत्पन्न होला, जहाँ निरंतर-मूल्यवान मिश्रण अनुपात एगो गुप्त डिरीचलेट यादृच्छिक चर के रूप में वितरित होला. अनुमान आउर सीखना भिन्नता एल्गोरिदम के माध्यम से कुशलता से करल जाला. हम पाठ मॉडलिंग, सहयोगी फ़िल्टरिंग आउर पाठ वर्गीकरण में समस्या खातिर इ मॉडल के अनुप्रयोग पर अनुभवजन्य परिणाम प्रस्तुत करब. |
e990a41e8f09e0ef4695c39af351bf25f333eefa | |
1f8116db538169de3553b1091e82107f7594301a | |
539ea86fa738afd939fb18566107c971461f8548 | संरचित आउटपुट स्थान (स्ट्रिंग्स, ट्री, विभाजन आदि) के खातिर मैपिंग आमतौर पर वर्गीकरण एल्गोरिदम के विस्तार के उपयोग सरल ग्राफिकल संरचना (जैसे, रैखिक श्रृंखला) खातिर सीखा जाला जेमे खोज आउर पैरामीटर अनुमान के ठीक से कइल जा सकेला. दुर्भाग्य से, कई जटिल समस्या में, इ दुर्लभ होला कि सटीक खोज या पैरामीटर अनुमान व्यवहार्य होखेला. सटीक मॉडल सीखल आउर सार्थक साधन के माध्यम से खोज के बजाय, हम इ कठिनाई के अपनाई आउर अनुमानित खोज के संदर्भ में संरचित आउटपुट समस्या के इलाज करी. हम खोज अनुकूलन के रूप में सीखे खातिर एगो ढांचा प्रस्तुत करब, आउर अभिसरण the-orems आउर बाउंड्स के साथे दुगो पैरामीटर अपडेट करब. अनुभवजन्य प्रमाण से पता चलल बा कि सीखे आ डिकोड करे खातिर हमनी के एकीकृत तरीका छोट गणना लागत पर सटीक मॉडल से बेहतर प्रदर्शन कर सकेला. |
1219fb39b46aabd74879a7d6d3c724fb4e55aeae | हमनी के प्रौद्योगिकी उद्यमिता के एगो परिप्रेक्ष्य विकसित करे के बा जेह में एजेंसी के शामिल कइल गइल बा जे अलग-अलग तरह के अभिनेता में बांटल गइल बा. हर अभिनेता प्रौद्योगिकी से जुड़ जाला, आउर, प्रक्रिया में, अइसन इनपुट उत्पन्न करेला जेकर परिणामस्वरूप उभरता हुआ तकनीकी मार्ग के परिवर्तन होला. तकनीकी पथ में इनपुट के स्थिर संचय एगो गति पैदा करेला जवन वितरित अभिनेता के गतिविधि के सक्षम आउर प्रतिबंधित करेला. दोसर शब्द में, एजेंसी ना खाली वितरित होला, बल्कि एकरा साथे-साथे ई एम्बेडेड भी होला. हम डेनमार्क आउर संयुक्त राज्य अमेरिका में पवन टरबाइन के उदय के आधार प्रक्रिया के तुलनात्मक अध्ययन के माध्यम से इ परिप्रेक्ष्य के स्पष्ट कर रहल बानी. हमनी के तुलनात्मक अध्ययन के माध्यम से, हमनी के तकनीकी राह के आकार देवे में अभिनेता लोग के जुड़ाव के विपरीत दृष्टिकोण के रूप में "ब्रिकोलेजे" आउर "ब्रेकथ्रू" के स्पष्ट कइल जा. © 2002 Elsevier Science B.V. सब अधिकार सुरक्षित बा. |
2266636d87e44590ade738b92377d1fe1bc5c970 | |
2af586c64c32baeb445992e0ea6b76bbbbc30c7f | |
0e8b8e0c37b0ebc9c36b99103a487dbbbdf9ee97 | |
2c03df8b48bf3fa39054345bafabfeff15bfd11d | गहिरा तंत्रिका नेटवर्क के प्रशिक्षित कइल जादे कठिन होला. हमनी के एगो अवशिष्ट सीख के ढांचा प्रस्तुत करत बानी जा जवन पहिले के तुलना में काफी गहिरा नेटवर्क के प्रशिक्षण के आसान बनावे खातिर बा. हम स्पष्ट रूप से परत के इनपुट के संदर्भ में अवशिष्ट फलन के सीख के परत के पुनर्गठित कर तानी, बिना संदर्भित फलन के सीखे के बजाय. हम व्यापक अनुभवजन्य प्रमाण प्रदान करत बानी जे ई देखावेला कि इ अवशिष्ट नेटवर्क के अनुकूलित कइल आसान बा, आउर काफी बढ़ल गहराई से सटीकता प्राप्त कर सकेला. इमेजनेट डेटासेट पर हम कुल 152 परत के गहराई वाला अवशिष्ट जाल के मूल्यांकन कइले बानी - जे वीजीजी जाल से 8 गुना गहरा बा [40] लेकिन फिर भी एकर जटिलता कम बा. इ अवशिष्ट जाल के एगो समूह इमेजनेट परीक्षण सेट पर 3.57% त्रुटि प्राप्त करेला. इ परिणाम के आईएलएसवीआरसी 2015 वर्गीकरण कार्य में 1 स्थान मिलल. हम CIFAR-10 पर 100 आउर 1000 परत के साथ विश्लेषण भी प्रस्तुत करब. कई दृश्य मान्यता कार्यन खातिर निरूपण के गहराई केंद्रीय महत्व के होला. खाली हमनी के बहुत गहिरा निरूपण के चलते, हमनी के कोको ऑब्जेक्ट डिटेक्शन डेटासेट पर 28% सापेक्ष सुधार प्राप्त भइल. डीप रेसिडियल नेट ILSVRC & COCO 2015 प्रतियोगिता में हमनी के सबमिशन के नींव बाटे1, जहाँ हमनी के इमेजनेट डिटेक्शन, इमेजनेट स्थानीयकरण, कोको डिटेक्शन, आ कोको सेगमेंटेशन के काम में पहिला स्थान भी मिलल बा। |
5763c2c62463c61926c7e192dcc340c4691ee3aa | हम एकल छवि सुपर रिज़ॉल्यूशन (एसआर) खातिर एगो गहरी सिखे के तरीका प्रस्तावित करत बानी. हमार तरीका सीधे कम/उच्च रिज़ॉल्यूशन के छवियन के बीच एगो अंत-से-अंत मानचित्रण सीखलस. मैपिंग के एगो डीप कन्वॉल्यूशनल न्यूरल नेटवर्क (सीएनएन) के रूप में देखावल जाला जे कम रिज़ॉल्यूशन के छवि के इनपुट के रूप में ले ला आ उच्च रिज़ॉल्यूशन के आउटपुट करेला. हम आगे देखब कि पारंपरिक स्पर-कोडिंग-आधारित एसआर पद्धति के भी एगो गहिरा संवहन नेटवर्क के रूप में देखल जा सकेला. लेकिन पारंपरिक तरीका के विपरीत जवन कि हर घटक के अलग से संभाल लेला, हमनी के तरीका एक साथ सभ परत के अनुकूलित करेला. हमार गहिरा सीएनएन के एगो हल्का वजन के संरचना बा, फिर भी इ अत्याधुनिक बहाली के गुणवत्ता के प्रदर्शित करेला, आउर व्यावहारिक ऑन-लाइन उपयोग खातिर तेज गति प्राप्त करेला. |
2db168f14f3169b8939b843b9f4caf78c3884fb3 | इ पत्र में, आरएफ ऊर्जा कटाई खातिर एक ब्रॉडबैंड झुका त्रिभुज सर्वदिशात्मक एंटीना प्रस्तुत करल गईल बा. एंटिना के 850 MHz से 1.94 GHz तक के वीएसडब्ल्यूआर ≤ 2 खातिर बैंडविड्थ होला. एंटीना के क्षैतिज आ ऊर्ध्वाधर ध्रुवीकृत तरंगन के प्राप्त करे खातिर डिजाइन कइल गइल बा आउर पूरा बैंडविड्थ पर एकर स्थिर विकिरण पैटर्न बा. एनर्जी कटाई के अनुप्रयोग खातिर एंटीना के भी अनुकूलित कइल गइल बा आउर इ 100 Ω इनपुट प्रतिबाधा खातिर डिजाइन कइल गइल बा ताकि रेक्टिफायर के निष्क्रिय वोल्टेज प्रवर्धन आउर प्रतिबाधा मिलान हो सके. 980 आउर 1800 मेगाहर्ट्ज पर क्रमशः 500 Ω के भार खातिर 60% आउर 17% के चोटी दक्षता प्राप्त करल जाला. एगो सेल साइट पर एक साथ सभी बैंड के कटाई करत समय 4.3 k Ω के भार पर खुला सर्किट खातिर 3.76 V आउर 1.38 V के वोल्टेज 25 मीटर के दूरी पर रेक्टिना के दु तत्व के एगो सरणी के उपयोग करके प्राप्त कइल जाला. |
484ac571356251355d3e24dcb23bdd6d0911bd94 | हाल के वैज्ञानिक आ तकनीकी प्रगति से ग्राफ के रूप में बनल ढेर सारा संरचनात्मक पैटर्न के विकास भइल बा. नतीजतन, ग्राफ के डेटाबेस पर प्रभावी ढंग से ग्राफ समावेशन क्वेरी के संसाधित करे खातिर विशेष रुचि बा. एगो ग्राफ डेटाबेस G, आउर एगो क्वेरी ग्राफ q के देखते हुए, ग्राफ कंटेनमेंट क्वेरी G में सब ग्राफ के पुनः प्राप्त करे खातिर बा जेमे q उपग्राफ के रूप में बा). G में ग्राफ के बड़ संख्या आउर सबग्राफ आइसोमॉर्फिज्म परीक्षण के जटिलता के कारन, क्वेरी प्रोसेसिंग लागत के कम करे खातिर उच्च-गुणवत्ता वाला ग्राफ अनुक्रमण तंत्र के उपयोग कइल वांछनीय बा. ई आलेख में, हम एगो नया लागत प्रभावी ग्राफ अनुक्रमण विधि के प्रस्ताव देले बानी जे ग्राफ डेटाबेस के अक्सर पेड़-विशेषता पर आधारित बा. हम पेड़ के प्रभावकारिता आउर दक्षता के तीन महत्वपूर्ण पहलु से अनुक्रमण के रूप में विश्लेषण करेनी: सुविधा आकार, सुविधा चयन लागत आउर छंटाई शक्ति. मौजूदा ग्राफ-आधारित अनुक्रमण विधियन के तुलना में बेहतर छंटाई क्षमता प्राप्त करे खातिर, हम अक्सर पेड़-विशेषताओं (ट्री) के अलावा, मांग पर, बिना एगो महंगा ग्राफ खनन प्रक्रिया के, विभेदक ग्राफ (∆) के एगो छोट संख्या चुनल जाला. हमार अध्ययन ई सत्यापित करेला कि (ट्री+∆) ग्राफ के अनुक्रमण उद्देश्य खातिर ग्राफ से बेहतर विकल्प बा, जेकरा के (ट्री+∆ ≥ग्राफ) से चिन्हित कइल जाला, ताकि ग्राफ समावेशीकरण क्वेरी समस्या के हल कइल जा सके. एकर दूगो परभाव होलाः (1) (Tree+∆) द्वारा अनुक्रमणिका निर्माण कुशल होला, आउर (2) (Tree+∆) द्वारा ग्राफ समावेशीकरण क्वेरी प्रसंस्करण कुशल होला. हमनी के प्रयोगात्मक अध्ययन से पता चलल बा कि (ट्री+∆) के सूचकांक संरचना कॉम्पैक्ट बा, सूचकांक निर्माण में बेहतर प्रदर्शन के क्रम प्राप्त करेला, आउर सबसे महत्वपूर्ण बात ई बा कि ग्राफ समावेशी क्वेरी प्रसंस्करण में, ई ग्राफ आधारित सूचकांक पद्धति से बेहतर प्रदर्शन करेला: gIndex आउर C-Tree. |
22749899b50c5113516b9820f875a580910aa746 | एगो छोट स्लॉट-लोड्ड पैच एंटीना डिजाइन के चर्चा कइल गइल बा जेके एल1 आउर एल2 बैंड जीपीएस सिग्नल दुनों के प्राप्त करे खातिर विकसित कइल गइल बा. दुगो बैंड कभरेज L2 बैंड पर पैच मोड आउर L1 बैंड पर स्लॉट मोड के उपयोग करके प्राप्त कइल जाला. एंटीना के आकार के 25.4 मिमी व्यास तक कम करे खातिर उच्च विद्युत सामग्री आउर मेन्डर स्लॉट लाइन के उपयोग कइल जाला. आरएचसीपी एगो छोट 0°-90° हाइब्रिड चिप के माध्यम से दू गो ऑर्थोगोनल मोड के संयोजन करके प्राप्त कइल जाला. पैच आउर स्लॉट मोड दुनों में एगो एकल निकटता जांच सुविधाजनक रूप से एंटीना के किनारे पर स्थित होला (चित्र 1) इ पत्र डिजाइन प्रक्रिया के साथे-साथे अनुकरण एंटीना प्रदर्शन के बारे में चर्चा करेला. |
afbe59950a7d452ce0a3f412ee865f1e1d94d9ef | सुदृढीकरण सीखना में इ बात के वादा बा कि स्वयंसिद्ध रोबोट के न्यूनतम मानव हस्तक्षेप के साथे व्यवहारिक कौशल के बड़ रिपर्टोरियल सीखल जा सकेला. हालांकि, सुदृढीकरण सीख के रोबोटिक अनुप्रयोग अक्सर वास्तविक भौतिक प्रणालियन खातिर व्यावहारिक प्रशिक्षण समय प्राप्त करे के पक्ष में सीखने के प्रक्रिया के स्वायत्तता से समझौता करेला. ऐमे आम तौर पर हाथ से तैयार कइल गइल नीति प्रतिनिधित्व आउर मानव-आपूर्ति कइल गइल प्रदर्शन के शामिल कइल जाला. डीप रिइनफोर्समेंट लर्निंग सामान्य उद्देश्य वाली तंत्रिका नेटवर्क नीति के प्रशिक्षण देके इ सीमा के कम करेला, लेकिन प्रत्यक्ष डीप रिइनफोर्समेंट लर्निंग एल्गोरिदम के अनुप्रयोग अब तक अनुकरण सेटिंग आउर अपेक्षाकृत सरल कार्य तक ही सीमित रहल ह, काहे कि उनकर स्पष्ट उच्च नमूना जटिलता रहे. इ पेपर में, हम इ देखावेला कि गहरी क्यू-फंक्शन के ऑफ-पॉलिसी प्रशिक्षण पर आधारित हाल के गहरी सुदृढीकरण सीखना एल्गोरिथ्म जटिल 3 डी हेरफेर कार्य के स्केल कर सकेला आउर गहरी तंत्रिका नेटवर्क नीति के सीख सकेला जे वास्तविक भौतिक रोबोट पर प्रशिक्षित करे खातिर पर्याप्त कुशलता से बा. हम देखब कि प्रशिक्षण समय के अउरी कम करल जा सकेला अगर कई रोबोट में एल्गोरिदम के समानांतर करल जा सकेला जे आपन नीति अपडेट के असिन्क्रोनस रूप से साझा करेला. हमनी के प्रयोगात्मक मूल्यांकन से पता चलल कि हमनी के तरीका सिमुलेशन में कई तरह के थ्री डी मैनिपुलेशन कौशल सीख सकेला आ बिना कवनो पूर्व प्रदर्शन या मैन्युअल रूप से डिजाइन कइल प्रतिनिधित्व के वास्तविक रोबोट पर जटिल दरवाजा खोले के कौशल सीख सकेला. |
b8aa8b5d06c98a900d8cea61864669b28c3ac0fc | ई लेख वाहन वातावरण में व्हीकल डिले टॉलरेंट नेटवर्क (वीडीटीएन) में रूटिंग खातिर प्रस्तावित रूटिंग प्रोटोकॉल के व्यापक सर्वेक्षण प्रस्तुत करेला. डीटीएन क उपयोग विभिन्न परिचालन वातावरण में करल जाला, जेमिना उ सब भी सामिल ह जवन व्यवधान औरु विच्छेदन क अधीन ह औरु ऊ सब जोन में उच्च विलंब होखेला, जइसन कि वाहन विज्ञापन नेटवर्क (वीएएनईटी) । हम एगो विसेस प्रकार के VANET पर ध्यान केंद्रित करब, जहवां वाहन यातायात कम होला आउर संचार करे वाला पक्ष के बीच सीधा एंड-टू-एंड पथ हमेशा मौजूद ना होला. एहसे, एह संदर्भ में संचार वाहन विलंब सहिष्णु नेटवर्क (वीडीटीएन) के श्रेणी में आवेला. आरएसयू (रोड साइड यूनिट) के सीमित संचरण सीमा के कारण, वीडीटीएन में रिमोट वाहन सीधे आरएसयू से जुड़ल ना हो सके लें आ एहसे पैकेट के रिले करे खातिर इंटरमीडिएट वाहन पर निर्भर रहे के पड़े ला। संदेश रिले प्रक्रिया के दौरान, पूरा एंड-टू-एंड पथ अत्यधिक विभाजन वाले VANET में मौजूद ना हो सकेला. एही खातिर, मध्यवर्ती वाहन के संदेश के अवसरवादी रूप से बफर आउर अग्रेषित करे के चाहीं. बफर, कैरी आ फॉरवर्ड के माध्यम से, संदेश अंततः गंतव्य तक पहुँचावल जा सकेला भले ही स्रोत आ गंतव्य के बीच अंत-से-अंत कनेक्शन कबो मौजूद न होखे. डीटीएन में रूटिंग प्रोटोकॉल के मुख्य उद्देश्य अंत-से-अंत देरी के कम करके गंतव्य तक पहुँचावे के संभावना के अधिकतम बनावल बा. एकरे अलावा, वाहन नेटवर्क में डीटीएन रूटिंग खातिर वाहन यातायात मॉडल महत्वपूर्ण हव काहे कि डीटीएन रूटिंग प्रोटोकॉल के परफॉर्मेंस नेटवर्क के जनसंख्या आउर गतिशीलता मॉडल से घनिष्ठ रूप से संबंधित होला. 2014 एल्सेवियर बी.वी. सब अधिकार सुरक्षित बा. |
4555fd3622908e2170e4ffdd717b83518b123b09 | इ पत्र में एंटीना के पैरामीटर पर परभाव प्रस्तुत कइल गइल बा जब एगो एंटीना के धातु के प्लेट के पास क्षैतिज रूप से रखल जाला. प्लेट के आकार सीमित बा आउर एकर आकार आयताकार बा. एगो फोल्ड डिपोल एंटीना के उपयोग कइल जाला आउर इ प्लेट के ऊपर सममित रूप से रखल जाला. एफईएम (फिनिट एलिमेंट विधि) के उपयोग प्लेट के आकार आउर प्लेट आउर एंटीना के बीच के दूरी पर एंटीना पैरामीटर के निर्भरता के अनुकरण करे खातिर कइल जाला. धातु के प्लेट के उपस्थिति, भले ही एक छोटा सा हो, अगर इ सही दूरी पर हो, तो एंटीना के व्यवहार में बहुत बड़ा बदलाव होला. प्लेट जेतना बड़ होला, खासतौर पर चौड़ाई में, विकिरण पैटर्न के लोब ओतना तेज आउर संकरी होला. एंटीना के ऊंचाई ई परिभाषित करेला कि विकिरण पैटर्न में केतना लोब होला. एंटीना के ऊंचाई बढ़े पर कईगो एंटीना पैरामीटर, जेमे प्रतिरोध, दिशात्मकता आउर आगे-पीछे के अनुपात शामिल बा, समय-समय पर बदल जाला. धातु प्लेट के प्रभाव में एंटीना के अनुनाद आवृत्ति भी बदल जाला. |
d70cd3d2fe0a194321ee92c305976873b883d529 | एगो वाइडबैंड 57.7-84.2 गीगाहर्ट्ज फेज शिफ्टर के एगो कॉम्पैक्ट लैंग्ज कपलर के उपयोग करके प्रस्तुत कइल गइल बा जेवन कि इन-फेज आउर क्वाड्रेचर सिग्नल उत्पन्न करे ला. लैंज युग्मन के बाद दू गो बलून ट्रांसफार्मर आवेला जे कि अंतर I आउर Q संकेत के साथ IQ वेक्टर मॉड्यूलेशन प्रदान करेला. लागू चरण शिफ्टर औसत 6-dB सम्मिलन हानि आउर 5-dB लाभ भिन्नता के प्रदर्शित करेला. मापल गइल औसत आरएमएस चरण आउर गैन त्रुटि क्रमशः 7 डिग्री आउर 1 डीबी बा. चरण शिफ्टर के ग्लोबलफाउंड्रीज 45-एनएम एसओआई सीएमओएस तकनीक में जाल-समृद्ध सब्सट्रेट के उपयोग करके लागू कइल गइल बा. चिप क्षेत्र 385 μm × 285 μm बा आउर फेज शिफ्टर 17 mW से कम के खपत करेला. लेखक के सबसे अच्छा ज्ञान के अनुसार, इ पहिला चरण शिफ्टर बा जे 60 गीगाहर्ट्ज बैंड आउर 37% के अंशात्मक बैंडविड्थ के साथ ई-बैंड आवृत्तियन के कवर करेला. |
eb58118b9db1e95f9792f39c3780dbba3bb966cb | इ पत्र स्ट्रोक या पार्किंसंस रोग के रोगी लोगन खातिर स्थानिक-समयिक पैदल पैटर्न से मात्रात्मक माप प्राप्त करे आउर नैदानिक संकेतक के पता लगावे खातिर एगो पहनने योग्य जड़त्वीय माप प्रणाली आउर एकर संबंधित स्थानिक-समयिक पैदल विश्लेषण एल्गोरिथ्म प्रस्तुत करेला. पहिरले योग्य प्रणाली में एगो माइक्रोकंट्रोलर, एगो त्रै-अक्षीय त्वरणमापी, एगो त्रै-अक्षीय जाइरोस्कोप, आउर एगो आरएफ वायरलेस ट्रांसमिशन मॉड्यूल शामिल होला. स्थानिक-समयिक चाल विश्लेषण एल्गोरिथ्म, जेमे जड़त्वीय संकेत अधिग्रहण, संकेत पूर्व-प्रसंस्करण, चाल चरण पता लगावे आउर गति के टखने के सीमा अनुमान के प्रक्रिया होला, के चाल के विशेषता के त्वरण आउर कोणीय वेग से निकाले खातिर विकसित कइल गइल बा. सटीक टखने के गति के सीमा के अनुमान लगावे खातिर, हम जड़त्वीय संकेत के एकीकरण त्रुटि के संचय के कम करे खातिर एगो पूरक फिल्टर में त्वरण आउर कोणीय वेग के एकीकृत कइले बानी. सभे 24 प्रतिभागी लोग आपन पैर पर प्रणाली लगा के सामान्य गति से 10 मीटर के सीधा रेखा पर चले खातिर आउर उनकर पैदल रिकॉर्डिंग के प्रस्तावित प्रणाली आउर एल्गोरिथ्म के प्रभावकारिता के मान्य करे खातिर एकत्र कइल गइल रहे. प्रयोगात्मक परिणाम से पता चलेला कि प्रस्तावित जड़ता माप प्रणाली जेमे डिजाइन कइल गइल स्थानिक-समयिक चाल विश्लेषण एल्गोरिथ्म बा, स्थानिक-समयिक चाल के जानकारी के स्वचालित रूप से विश्लेषण करे खातिर एगो आशाजनक उपकरण बा, जवन स्ट्रोक या पार्किंसंस रोग के निदान खातिर चिकित्सीय प्रभावकारिता के निगरानी खातिर नैदानिक संकेतक के रूप में काम करेला. |
7e7f14f325d7e8d70e20ca22800ad87cfbf339ff | एह प्रकाशन में अइसन लेख बाने जिनहन के कॉपीराइट आईईईई के ना हवे। ई लेख कुल के पूरा पाठ IEEE Xplore पर उपलब्ध नइखे। |
002a8b9ef513d46dc8dcce85c04a87ae6a221b4c | हम प्रतिगमन आउर वर्गीकरण खातिर समर्थन वेक्टर एल्गोरिदम के एगो नया वर्ग प्रस्तावित कर रहल बानी. इ सब एल्गोरिदम में, एगो पैरामीटर समर्थन वैक्टर के संख्या के प्रभावी ढंग से नियंत्रित करे के अनुमति देवेला. जबकि इ अपने आप में उपयोगी हो सकेला, पैरामीटर के अतिरिक्त लाभ होला कि इ हमनी के एल्गोरिथ्म के दूसर मुक्त पैरामीटर में से एगो के समाप्त करे में सक्षम बनावेला: प्रतिगमन के मामला में सटीकता पैरामीटर, आउर वर्गीकरण के मामला में नियमितकरण स्थिरांक C. हम एल्गोरिदम के वर्णन करब, अर्थ आउर चयन के बारे में कुछ सैद्धांतिक परिणाम देब आउर प्रयोगात्मक परिणाम के रिपोर्ट करब. |
0911bcf6bfff20a84a56b9d448bcb3d72a1eb093 | ऑटोएनकोडर के नियमित प्रशिक्षण के परिणामस्वरूप आमतौर पर छिपल इकाई पूर्वाग्रह होला जे बड़ नकारात्मक मान के प्राप्त करेला. हम देखब कि नकारात्मक पूर्वाग्रह एगो छिपल परत के उपयोग के एगो प्राकृतिक परिणाम ह जेकर जिम्मेदारी इनपुट डेटा के प्रतिनिधित्व करे आउर चयन तंत्र के रूप में कार्य करे जे प्रतिनिधित्व के विरलता सुनिश्चित करेला. तब हम देखब कि नकारात्मक पूर्वाग्रह डेटा वितरण के सीखे में बाधा डालेला जेकर आंतरिक आयाम उच्च बा. हम एगो नया सक्रियण फलन के भी प्रस्ताव देले बानी जवन छिपल परत के दुगो भूमिका के अलग करेला आउर जवन हमनी के बहुत उच्च आंतरिक आयाम के साथ डेटा पर निरूपण के सीखे के अनुमति देवेला, जहां मानक ऑटोकोडर आमतौर पर विफल हो जाला. चूंकि विच्छेदित सक्रियण फलन एगो निहित नियामक के रूप में काम करेला, मॉडल के प्रशिक्षण डेटा के पुनर्निर्माण त्रुटि के कम करके, बिना कौनो अतिरिक्त विनियमन के आवश्यकता के प्रशिक्षित कइल जा सकेला. |
27f9b805de1f125273a88786d2383621e60c6094 | इ पेपर में हम गति नियंत्रण आउर मुद्रा अनुमान में सुधार खातिर ट्रैक कइल मोबाइल रोबोट खातिर एगो गतिज दृष्टिकोण प्रस्तावित कर रहल बानी. स्लिप आ ट्रैक-माटी के परस्पर क्रिया के चलते जटिल गतिशीलता ट्रैक वेग के आधार पर वाहन के सटीक गति के भविष्यवाणी कइल मुश्किल बना देला. फिर भी, स्वायत्त नेविगेशन खातिर वास्तविक समय के गणना के खातिर लूप में गतिशीलता के परिचय के बिना प्रभावी गतिज समीकरण के आवश्यकता होला. प्रस्तावित समाधान इ तथ्य पर आधारित बा कि गति विमान पर वाहन के सापेक्ष प्रोपेलर के घूर्णन के क्षणिक केंद्र (आईसीआर) गतिशीलता पर निर्भर होला, लेकिन इ एगो सीमित क्षेत्र के भीतर होला. इ प्रकार, एगो विशेष इलाके खातिर स्थिर आईसीआर स्थिति के अनुकूलित करे से ट्रैक कइल जाए वाला मोबाइल रोबोट खातिर अनुमानित गतिज मॉडल पैदा होला. गतिज मापदंड के ऑफ-लाइन अनुमान खातिर दू गो अलग-अलग दृष्टिकोण प्रस्तुत कइल गइल बा: (i) वाहन के पूरा वेग सीमा खातिर गतिज मॉडल के स्थिर प्रतिक्रिया के अनुकरण; (ii) प्रयोगात्मक सेटअप के शुरूआत ताकि एगो आनुवंशिक एल्गोरिथ्म वास्तविक सेंसर रीडिंग से मॉडल के उत्पादन कर सके. इ विधियन के ऑन-लाइन ओडोमेट्रिक गणना आउर मध्यम गति पर कठोर-सतह सपाट मिट्टी पर ऑरिगा मोबाइल रोबोट के साथ निम्न-स्तर के गति नियंत्रण खातिर मूल्यांकन कइल गइल रहे. कुंजी शब्द - ट्रैक कइल गइल वाहन, गतिज नियंत्रण, मोबाइल रोबोटिक्स, पैरामीटर पहचान, गतिशीलता अनुकरण |
04caa1a55b12d5f3830ed4a31c4b47921a3546f2 | क्रमांक, पेड़ आउर आलेख जइसन संरचित डेटा खातिर डिज़ाइन कइल गइल कर्नेल वर्गीकरन आउर प्रतिगमन ने कम्प्यूटेशनल जीव विज्ञान आउर दवा डिजाइन जइसन कई अंतःविषय क्षेत्र में महत्वपूर्ण प्रगति कइलस. आमतौर पर, कर्नेल पहिले से डेटा प्रकार खातिर डिज़ाइन कइल जाला जे या त संरचना के सांख्यिकी के दोहन करेला या संभाव्य जनरेटिव मॉडल के उपयोग करेला, आउर तब एगो विभेदक वर्गीकरण के उत्तोलन के माध्यम से कर्नेल के आधार पर सीखा जाला. हालाँकि, अइसन सुरुचिपूर्ण दु-चरण के दृष्टिकोण कर्नेल विधि के लाखों डेटा बिंदु तक स्केल करे से सीमित कर देला, आउर सुविधा निरूपण के सीखे खातिर विभेदी जानकारी के शोषण करेला. हम structure2vec, संरचित डेटा निरूपण खातिर एगो प्रभावी आउर स्केलेबल दृष्टिकोण प्रस्तावित कर रहल बानी जे फीचर स्पेस में लुप्त चर मॉडल के एम्बेड करे आउर विभेदक जानकारी के उपयोग करके अइसन फीचर स्पेस के सीखे के विचार पर आधारित बा. दिलचस्प बात इ बा कि structure2vec ग्राफिकल मॉडल अनुमान प्रक्रिया के समान तरीका से फलन के अनुक्रम के प्रदर्शन करके, जइसे कि माध्य क्षेत्र आउर विश्वास प्रसार, सुविधा के निकाल लेला. लाखों डेटा बिंदु के शामिल करे वाला अनुप्रयोग में, हमनी के देखावल गइल बा कि structure2vec 2 गुना तेज चलेला, 10,000 गुना छोट मॉडल बनावेला, जबकि साथ ही अत्याधुनिक भविष्यवाणी के प्रदर्शन भी हासिल करेला. |
1dc5b2114d1ff561fc7d6163d8f4e9c905ca12c4 | ई बात जानल जाला कि जब डेटा असामान्य रूप से वितरित होला, तब पियर्सन के आर के महत्व के परीक्षण टाइप I त्रुटि दर के बढ़ा सकेला आउर बिजली के कम कर सकेला. सांख्यिकी पाठ्यपुस्तक आउर सिमुलेशन साहित्य पियर्सन के सहसंबंध के कई विकल्प प्रदान करेला. हालांकि, इ विकल्प क सापेक्ष प्रदर्शन अस्पष्ट रहल. 12 गो तरीका के तुलना करे खातिर दू गो सिमुलेशन अध्ययन कइल गइल, जेह में पियर्सन, स्पीयरमैन के रैंक-ऑर्डर, ट्रांसफॉर्मेशन, आ री-सैंपलिंग के तरीका शामिल रहे। अधिकांश नमूना आकार (एन ≥ 20) के साथ, पियर्सन सहसंबंध के आकलन करे से पहिले डेटा के सामान्य आकार में बदलके टाइप I आउर टाइप II त्रुटि दर के कम कर दिहल गइल रहे. परिवर्तन के दृष्टिकोण में, सामान्य उद्देश्य रैंक-आधारित व्युत्क्रम सामान्य परिवर्तन (यानी, रैंकिट स्कोर में परिवर्तन) सबसे लाभदायक रहल. हालांकि, जब नमूना छोट (n ≤ 10) आउर बहुत असामान्य दुन्नु रहे, तब परमिटसन परीक्षण अक्सर दोसर विकल्पसब से बेहतर प्रदर्शन करत रहे, जेकरा में विभिन्न बूटस्ट्रैप परीक्षणसब सामिल रहे. |
d3abb0b5b3ce7eb464846bbdfd93e0fbf505e954 | इ पत्र में, हम सब्सट्रेट एकीकृत वेव गाइड (SIW) द्वारा पोषित कॉम्पैक्ट एंटीना सरणी के तीन अलग-अलग अवधारणा के तुलना कर रहल बानी. एंटीना अवधारणा रेडिएटर के प्रकार में भिन्न होला. स्लॉट चुंबकीय रैखिक रेडिएटर के प्रतिनिधित्व करेला, पैच विद्युत सतह रेडिएटर होला, आउर विवाल्डी स्लॉट ट्रैवल-वेव एंटेना से संबंधित होला. एहसे, एसआईडब्ल्यू फीडर के उत्तेजक एंटीना तत्व के अलग-अलग तंत्र के दोहन करे के पड़ेला. अध्ययन कइल गइल एंटीना सरणी के प्रतिबाधा आउर विकिरण गुण के सामान्य आवृत्ति से संबंधित बतावल गइल बा. एंटीना सरणी क परस्पर तुलना कइल गइल बा ताकि डिजाइन कइल गइल एंटीना क अंतिम पैरामीटर क एंटीना क स्टेट वैरिएबल, एसआईडब्ल्यू फीडर आर्किटेक्चर औरु संबंधित कार्यान्वयन विवरण पे मौलिक निर्भरता देखाई दे. |
e4acaccd3c42b618396c9c28dae64ae7091e36b8 | एगो नया आई/क्यू रिसीवर सरणी के प्रदर्शन कइल गइल बा जे प्रत्येक रिसीव चैनल में चरण बदलाव के अनुकूलित करेला ताकि रिसीव बीम के घटनात्मक आरएफ सिग्नल की ओर निर्देशित कइल जा सके। मापल गइल सरणी 8.1 गीगाहर्ट्ज पर काम करेला आउर चार तत्व सरणी खातिर +/-35 डिग्री के स्टीयरिंग कोण के कवर करेला. एकरे अलावा, रिसीवर में एगो आई/क्यू डाउन-कन्वर्टर बा आ ईवीएम के 4% से कम के 64 क्यूएएम के डीमोड्यूलेशन भी कइल जा सके ला। ई चिप 45 एनएम सीएमओएस एसओआई प्रक्रिया में बनावल गइल बा आ एकर क्षेत्रफल 3.45 मिमी2 बा जबकि ई 143 एमडब्ल्यू के डीसी पावर के खपत करे ले। |
149bf28af91cadf2cd933bd477599cca40f55ccd | हम एगो सीखल वास्तुकला के प्रस्ताव देले बानी, जवन कि कच्चा दृश्य इनपुट डेटा के आधार पर सुदृढीकरण सीखल कर सकेला. पहिले के तरीका के उल्टा, खाली नियंत्रण नीति के ही सीखल जा सकेला. सफल होखे खातिर, सिस्टम के ई भी सीख लेवे के चाही कि कइसे ऊ इनपुट सूचना के उच्च-आयामी धारा से प्रासंगिक जानकारी निकाल सके, जेकर अर्थ सीखल सिस्टम के प्रदान ना कइल जाला. हम लोग एगो चुनौतीपूर्ण बेंचमार्क पर ई उपन्यास सीखल आर्किटेक्चर के अवधारणा के पहिला प्रमाण देत बानी, जवन कि एगो रेसिंग स्लॉट कार के दृश्य नियंत्रण ह. परिणाम स्वरूप नीति, जे केवल सफलता या असफलता से सीखेला, अनुभवी मानव खिलाड़ी द्वारा मुश्किल से हरावल जा सकेला. |
759d9a6c9206c366a8d94a06f4eb05659c2bb7f2 | आज तक, कंप्यूटर विजन में मशीन लर्निंग-आधारित मान्यता एल्गोरिदम के लगभग सब प्रयोगात्मक मूल्यांकन "बंद सेट" मान्यता के रूप में कइल गइल बा, जउने में प्रशिक्षण समय पर सब परीक्षण वर्ग जानल जा ला. दृष्टि अनुप्रयोगन खातिर एगो अधिक यथार्थवादी परिदृश्य "खुला सेट" मान्यता ह, जहां प्रशिक्षण समय पर दुनिया के अपूर्ण ज्ञान मौजूद होला, आउर परीक्षण के दौरान अज्ञात वर्ग के एल्गोरिथ्म के अधीन रखल जा सकेला. ई पेपर खुला सेट मान्यता के प्रकृति के पता लगावेला आउर एकर परिभाषा के एगो सीमित न्यूनिकरण समस्या के रूप में औपचारिक रूप देवेला. मुक्त समुच्चय मान्यता समस्या के मौजूदा एल्गोरिदम द्वारा ठीक से संबोधित ना कइल जाला काहे कि एकरा खातिर मजबूत सामान्यीकरण के आवश्यकता होला. समाधान की ओर एगो कदम के रूप में, हम एगो नया 1-बनाम-सेट मशीन, पेश कर रहल बानी, जवन रैखिक कर्नेल के साथ 1-वर्ग या बाइनरी एसवीएम के सीमांत दूरी से एगो निर्णय स्थान के मूर्तिकला करेला. इ पद्धति कंप्यूटर विजन में कई अलग-अलग अनुप्रयोग पर लागू होला जहवां ओपन सेट मान्यता एगो चुनौतीपूर्ण समस्या होला, जेमे वस्तु मान्यता आउर चेहरा सत्यापन शामिल बा. हम इ काम में कैल्टेक 256 आउर इमेजनेट सेट पर करल गइल बड़ पैमाना पर क्रॉस-डेटासेट प्रयोग के साथे-साथे लेबल्ड फेसेस इन द वाइल्ड सेट पर करल गइल चेहरा मिलान प्रयोग के साथे दुनो पर विचार करब. प्रयोग समान कार्य खातिर मौजूदा 1-वर्ग आउर बाइनरी एसवीएम के तुलना में खुले सेट मूल्यांकन खातिर अनुकूलित मशीन के प्रभावशीलता के उजागर करेला. |
00960cb3f5a74d23eb5ded93f1aa717b9c6e6851 | बेयज़ियन अनुकूलन अज्ञात, महँगा आउर बहुआयामी फलन के वैश्विक अनुकूलन खातिर एगो अत्यधिक प्रभावी पद्धति साबित भइल बा. फलन पर वितरण के सही तरीका से मॉडल करे के क्षमता बेयसन अनुकूलन के प्रभावशीलता खातिर महत्वपूर्ण बा. यद्यपि गॉसियन प्रक्रिया फलन के ऊपर एगो लचीला पूर्ववर्ती प्रदान करेला, फलन के विभिन्न वर्ग होला जेके मॉडल करल मुश्किल रहेला. एमे से सबसे अधिक बार आवे वाला गैर-स्थिर फलन के वर्ग बा. मशीन लर्निंग एल्गोरिदम के हाइपरपैरामीटर के अनुकूलन एगो समस्या डोमेन होला जेमे पैरामीटर के अक्सर मैन्युअल रूप से प्राथमिकता से बदल दिहल जाला, उदाहरण खातिर स्थानिक रूप से अलग-अलग लंबाई के पैमाना के प्रभाव के कम करे खातिर लॉग-स्पेस, में अनुकूलन करके. बीटा संचयी वितरण फलन के उपयोग क के इनपुट स्पेस के द्विघातीय परिवर्तन या वार्पिंग के एगो विस्तृत परिवार के स्वचालित रूप से सीखे खातिर हम एगो पद्धति विकसित कर रहल बानी. हम आगे बहु-कार्य बेयज़ियन अनुकूलन खातिर वार्पिंग ढांचा के विस्तारित करब ताकि कई कार्य के संयुक्त रूप से स्थिर स्थान में वार्प कइल जा सके. चुनौतीपूर्ण बेंचमार्क अनुकूलन कार्य के सेट पर, हम देखनी कि वार्पिंग के शामिल करे से अत्याधुनिक स्थिति में बहुत सुधार होला, बेहतर परिणाम जल्दी से आउर अधिक विश्वसनीय रूप से पैदा होला. |
b53e4c232833a8e663a9cf15dcdd050ff801c05c | हम विभेदित डेटा धारा के उच्च-प्रवाह वास्तविक समय विश्लेषण खातिर एगो स्केलेबल प्रणाली प्रस्तुत करत बानी. हमनी के आर्किटेक्चर भविष्यवाणी संबंधी विश्लेषण आ विसंगति के पता लगावे खातिर मॉडल के विकास के अनुमति देला जबकि सिस्टम में डेटा आवेला. बैच डेटा प्रोसेसिंग सिस्टम, जइसे कि हडूप, जेके उच्च विलंबता हो सकेला, के विपरीत, हमनी के आर्किटेक्चर डेटा के तुरंत ग्रहण अउरी विश्लेषण के अनुमति देवेला, जेकरा से लगभग वास्तविक समय में असामान्य व्यवहार के पता लगावल अउरी प्रतिक्रिया दिहल जा सकेला. अंदरूनी खतरा, वित्तीय धोखाधड़ी, आ नेटवर्क घुसपैठ जइसन अनुप्रयोग खातिर ई समयबद्धता महत्वपूर्ण बा. हमनी के एह सिस्टम के अंदरूनी खतरा के पता लगावे के समस्या खातिर इस्तेमाल देखावल चाहत बानी जा, खासतौर से सिस्टम के इस्तेमाल करे वाला लोग द्वारा कौनों संगठन के संसाधन के गलत इस्तेमाल के बारे में, आ हमनी के आपन प्रयोग के नतीजा भी प्रस्तुत करब जा जे पब्लिक के उपलब्ध अंदरूनी खतरा के डेटासेट पर कइल गइल बा। |
39b58ef6487c893219c77c61c762eee5694d0e36 | डेटा माइनिंग के उभरल क्षेत्र में वर्गीकरण एगो महत्वपूर्ण समस्या बा. हालाँकि अतीत में वर्गीकरण के व्यापक रूप से अध्ययन कइल गइल बा, जादातर वर्गीकरण एल्गोरिदम केवल मेमोरी-निवासी डेटा खातिर डिज़ाइन कइल गइल बा, इ प्रकार बड़ डेटा सेट के डेटा खनन खातिर उनकर उपयुक्तता सीमित कर देला. इ पत्र में स्केलेबल वर्गीकरन के निर्माण में समस्या के चर्चा कइल गइल बा आउर एसएलआईक्यू, एगो नया वर्गीकरन के डिजाइन प्रस्तुत कइल गइल बा. एसएलआईक्यू एगो निर्णय वृक्ष वर्गीकरण बा जे संख्यात्मक आ श्रेणीगत गुण दुनों के संभाल सकेला. ई पेड़ के बढ़न्ती के चरण में एगो नया पूर्व-छनती तकनीक के उपयोग करेला. इ क्रमबद्ध प्रक्रिया डिस्क-निवासी डेटासेट के वर्गीकरण के सक्षम करे खातिर ब्रॉडथ्रस्ट पेड़ के उगले के रणनीति के साथ एकीकृत बा. एसएलआईक्यू एगो नया पेड़-छंटाई एल्गोरिथ्म के भी उपयोग करेला जवन कि सस्ता बा, आउर एकर परिणाम कॉम्पैक्ट आउर सटीक पेड़ होला. इ सब तकनीक के संयोजन से SLIQ बड़ डेटा सेट के खातिर स्केल करे में सक्षम होला आउर डेटा सेट के वर्गीकृत करे में मदद करेला, चाहे ऊ क्लास, विशेषता आउर उदाहरण (रिकॉर्ड) के संख्या के बावजूद भी हो, इ प्रकार इ डेटा माइनिंग खातिर एगो आकर्षक उपकरण बन जाला. |
1f25ed3c9707684cc0cdf3e8321c791bc7164147 | वर्गीकरण डेटा खनन क एगो महत्वपूर्ण समस्या हौवे. हालांकि वर्गीकरण एगो अच्छी तरह से अध्ययन कइल गइल समस्या बा, जादातर वर्तमान वर्गीकरण एल्गोरिदम के ई आवश्यकता होला कि पूरा डेटासेट के सब या कुछ हिस्सा स्थायी रूप से स्मृति में रहे. ई बड़ डेटाबेस पर खनन खातिर उनकर उपयुक्तता के सीमित करेला. हमनी के एगो नया निर्णय-वृक्ष आधारित वर्गीकरण एल्गोरिथ्म प्रस्तुत करत बानी जा, जेकरा के स्प्रिंट कहल जाला जवन कि सब स्मृति प्रतिबंध के हटावेला, आउर तेज आउर स्केलेबल बा. एल्गोरिथ्म के आसानी से समानांतर बनावे खातिर भी डिजाइन कइल गइल बा, जे कई प्रोसेसर के एके सुसंगत मॉडल बनावे खातिर एक साथ काम करे के अनुमति देवेला. इ समानांतरता, इहाँ भी प्रस्तुत बा, बढ़िया स्केलेबिलिटी भी प्रदर्शित करेला. इ सब विशेषता के संयोजन प्रस्तावित एल्गोरिथ्म के डेटा माइनिंग खातिर एगो आदर्श उपकरण बनावेला. |
7c3a4b84214561d8a6e4963bbb85a17a5b1e003a | |
76c87ec44fc5dc96bc445abe008deaf7c97c9373 | इ पेपर मानक नरम सब्सट्रेट के एकल परत पर 100 Ω अंतर माइक्रोस्ट्रिप लाइन फीड के साथ एगो समतल ग्रिड सरणी एंटीना प्रस्तुत करेला. ई एंटीना 79 गीगाहर्ट्ज आवृत्ति बैंड में ऑटोमोटिव रडार अनुप्रयोग खातिर काम करे ले। एकर एकल पंक्ति डिजाइन ऊंचाई में एगो संकरी बीम आउर अज़ीमुथ में एगो चौड़ा बीम प्रदान करेला. अंतर माइक्रोस्ट्रिप लाइन फीडिंग के साथ, एंटीना आवृत्ति श्रेणी में अंतर मल्टीचैनल MMICs खातिर उपयुक्त बा. |
bc7308a97ec2d3f7985d48671abe7a8942a5b9f8 | ई लेख भावना विश्लेषण के एगो तरीका के परिचय देला जेवना में समर्थन वेक्टर मशीन (एसवीएम) के इस्तेमाल कइ के संभावित रूप से प्रासंगिक जानकारी के कई स्रोत के एकट्ठा कइल जाला, जेह में वाक्यांश आ विशेषण के कई गो अनुकूलता माप शामिल होला आ जहाँ उपलब्ध होखे, पाठ के बिसय के ज्ञान। प्रस्तुत सुविधा के उपयोग करे वाला मॉडल के आगे एकोग्राम मॉडल के साथ जोड़ल जाला जवन कि अतीत में प्रभावी साबित भइल रहे (पेंग एट अल, 2002) आउर एकोग्राम मॉडल के लेमेटाइज्ड संस्करण. Epinions.com से फिल्म समीक्षा डेटा पर प्रयोग से ई पता चलल बा कि हाइब्रिड एसवीएम जे एकोग्राम-शैली के फीचर-आधारित एसवीएम के वास्तविक मूल्य के अनुकूलता माप पर आधारित एसवीएम के साथे जोड़ेलस, बेहतर प्रदर्शन प्राप्त करेला, जे इ डेटा के उपयोग करके अब तक के सबसे अच्छा परिणाम उत्पन्न करेला. विषय खातिर हस्तलिखित संगीत समीक्षा के एगो छोट डेटासेट पर विषय जानकारी से समृद्ध एगो सुविधा सेट के उपयोग करे वाला आउर प्रयोग के भी रिपोर्ट कइल गइल बा, जेकर परिणाम बतावेला कि ऐसन मॉडल में विषय जानकारी के शामिल करे से सुधार भी हो सकेला. |
be389fb59c12c8c6ed813db13ab74841433ea1e3 | अंजीर के पेड़ 1. करेले हमनी के आईमैपर प्रस्तुत करत बानी जा, एगो अइसन तरीका जवन मनुष्य के चीज के साथ बातचीत के बारे में तर्क देला, एगो यथार्थवादी सीन व्यवस्था आ मानव गति दुनों के ठीक करे खातिर, जे सबसे अच्छा तरीका से इनपुट मोनोकुलर वीडियो के व्याख्या करे ला (इसे देख लीं) । हमनी के वीडियो में सीनलेट (जइसे, ए, बी, सी) नाम के विशेषता वाला इंटरैक्शन के फिट कर के एकर उपयोग वस्तु के एगो सही व्यवस्था आ आदमी के गति पथ (बाएं) के पुनर्निर्माण करे खातिर कइल जा ला. मुख्य चुनौती इ बा कि विश्वसनीय फिटिंग के खातिर अवरुद्धन के बारे में जानकारी के आवश्यकता होला, जवन कि अज्ञात (यानी, लुप्त) होला. (दाहिना) हम आपन परिणाम के एगो ओवरले (ऊपर से देखावल) के मैन्युअल रूप से एनोटेटेड ग्राउंड ट्रुथ ऑब्जेक्ट प्लेसमेंट पर देखावल जा रहल बा. ध्यान दीं कि वस्तु जाल के अनुमानित वस्तु श्रेणी, स्थान आउर आकार के जानकारी के आधार पर रखल जाला. |
f24a1af3bd8873920593786d81590d29520cfebc | इ पत्र बहुपरत सब्सट्रेट एकीकृत वेव गाइड (MSIW) तकनीक पर आधारित एगो उपन्यास दीर्घवृत्तीय फ़िल्टर के डिजाइन आउर प्रयोग प्रस्तुत करेला. चार गुना एमएसआईडब्ल्यू गुहा वाला सी-बैंड दीर्घवृत्त फ़िल्टर के उच्च आवृत्ति संरचना सिम्युलेटर सॉफ्टवेयर के उपयोग करके अनुकरण कइल जाला आउर दू-परत के मुद्रित सर्किट बोर्ड प्रक्रिया के साथ निर्मित कइल जाला, मापल गइल परिणाम अच्छा प्रदर्शन देखावलन आउर अनुकरण परिणाम के अनुरूप हव. |
8052bc5f9beb389b3144d423e7b5d6fcf5d0cc4f | गुण वस्तु द्वारा साझा कइल गइल अर्थ संबंधी दृश्य गुण हवें. ई देखाई देहल गइल बा कि ई ऑब्जेक्ट के पहिचान में सुधार करे लें आ सामग्री-आधारित छवि खोज में सुधार करे लें। जबकि विशेषता से कईगो श्रेणी के कवर करे के उम्मीद बा, उदा. डलमेशियन औरु व्हेल दुनो के "चमचम त्वचा" हो सकेला, हम पावेला की एक ही विशेषता के रूप श्रेणी के बीच थोड़ा अलग होला. इ प्रकार, एगो श्रेणी पर सीखे गईल विसेसता मॉडल दूसर श्रेणी पर उपयोग में ना आवेला. हम देखब कि नई श्रेणी में गुण मॉडल के कइसे अनुकूलित कइल जा सकेला. हम इ सुनिश्चित करब कि श्रेणी के स्रोत डोमेन आउर एगो नया लक्ष्य डोमेन के बीच सकारात्मक स्थानांतरण हो सकेला, एगो सुविधा उप-स्थान में सीखके, जे कि सुविधा चयन द्वारा पावल जाला, जहां डोमेन के डेटा वितरण समान होला. हम देखवईब कि जब उपन्यास डोमेन से डेटा सीमित होला, त सहायक डोमेन (अनुकूली एसवीएम के माध्यम से) पर प्रशिक्षित मॉडल के साथ उ उपन्यास डोमेन खातिर विशेषता मॉडल के नियमित करे से विशेषता भविष्यवाणी के सटीकता में सुधार होला. |
01094798b20e96e1d029d6874577167f2214c7b6 | तेज समवर्ती हैश तालिका एगो बढ़त महत्व वाला बिल्डिंग ब्लॉक बा काहे कि हमनी के सिस्टम के बड़हन संख्या में कोर आ थ्रेड के स्केल करे के बा. ई पेपर एगो हाई-थ्रूपुट आ मेमोरी-एफ़िशिएंट समवर्ती हैश टेबल के डिजाइन, इम्प्लीमेंटेशन आ इवैल्यूएशन प्रस्तुत करे ला जे कई गो रीडर आ राइटर्स के सपोर्ट करे ला। ई डिजाइन सिस्टम-स्तर के अनुकूलन पर ध्यान देवे से उत्पन्न होला जइसे कि महत्वपूर्ण खंड के लंबाई के कम करे आ एल्गोरिथ्म के दुबारा इंजीनियरी के माध्यम से इंटरप्रोसेसर कोहेरेन्स ट्रैफिक के कम करे। ई इंजीनियरिंग के वास्तुशिल्प आधार के हिस्सा के रूप में, हमनी के अनुभव के चर्चा शामिल बा आउर ई महत्वपूर्ण बिल्डिंग ब्लॉक खातिर इंटेल के हाल के हार्डवेयर ट्रांजेक्शनल मेमोरी (एचटीएम) समर्थन के अपनावे के परिणाम बा. हमनी के ई पावे के बा कि मौजूदा डेटा संरचना पर एक साथ पहुंच के अनुमति दे के, अधिक धागा के साथ कुल प्रदर्शन के कम कर देला. जबकि एचटीएम इ मंदी के कुछ हद तक कम करेला, इ एकरा के समाप्त ना करेला. उच्च प्रदर्शन प्राप्त करे खातिर एल्गोरिथमिक अनुकूलन जे एचटीएम आउर फाइन-ग्रैन लॉक खातिर डिजाइन दुनों के लाभान्वित करेला, के जरूरत बा. हमनी के परफॉर्मेंस परिणाम ई देखावत बा कि हमनी के नया हैश टेबल डिजाइन---आत्मविश्वासपूर्ण कुक्कू हैशिंग पर आधारित---लेखे-भारी वर्कलोड खातिर 2.5 गुना तक के परफॉर्मेंस वाला अन्य अनुकूलित समवर्ती हैश टेबल से बेहतर बा, तब भी जब छोट-छोट कुंजी-मान वाला आइटम खातिर काफी कम मेमोरी के उपयोग कइल जाला. 16 कोर मशीन पर, हमार हैश टेबल लगभग 40 मिलियन इन्सर्ट आउर प्रति सेकंड 70 मिलियन से अधिक लुकअप ऑपरेशन निष्पादित करेला. |
5685a394b25fcb27b6ad91f7325f2e60a9892e2a | ग्राफ डेटाबेस (जीडीबी) हाल में ग्राफ-जैसन संरचना वाला डेटा के संग्रहीत करे आउर प्रबंधित करे खातिर पारंपरिक डेटाबेस के सीमा के दूर करे खातिर उत्पन्न भइल बा. आज, ई कई गो अइसन एप्लीकेशन सभ खातिर जरूरी हो गइल बा जे ग्राफ-आकार के डेटा के मैनेजमेंट करे लें, जइसे कि सोशल नेटवर्क। ग्राफ डेटाबेस में क्वेरी के ऑप्टिमाइज़ करे खातिर इस्तेमाल होखे वाली ज्यादातर तकनीक परंपरागत डेटाबेस, डिस्ट्रीब्यूशन सिस्टम इत्यादि में इस्तेमाल होले या फिर ग्राफ थ्योरी से प्रेरित होले। हालांकि, ग्राफ डेटाबेस में इनहन के पुनः उपयोग में ग्राफ डेटाबेस के मुख्य बिसेसता के ध्यान रखे के चाहीं, जइसे कि गतिशील संरचना, अत्यधिक आपस में जुड़ल डेटा, आ डेटा रिश्ता तक कुशलता से पहुँच के क्षमता। ई आलेख में हम ग्राफ डेटाबेस में क्वेरी अनुकूलन तकनीक के सर्वेक्षण करब. विशेष रूप से, हम ग्राफ-जैसे डेटा क्वेरी करे में सुधार करे खातिर उनकरे द्वारा पेश कइल गइल सुविधा पर ध्यान केंद्रित करब. |
0541d5338adc48276b3b8cd3a141d799e2d40150 | मैपरेड्यूस एगो प्रोग्रामिंग मॉडल आ एगो एसोसिएट इम्प्लीमेंटेशन हवे जे बड़हन डेटासेट के प्रोसेसिंग आ जनरेशन खातिर बा जे कई किसिम के रियल-वर्ल्ड टास्क के पूरा करे में सक्षम बा। प्रयोगकर्ता मानचित्र आ एगो रिड्यूस फंक्शन के संदर्भ में गणना के निर्दिष्ट करेलें, आ अंतर्निहित रनटाइम सिस्टम स्वचालित रूप से मशीन के बड़ पैमाना के समूह में गणना के समानांतर बनावेला, मशीन के खराबी के संभाल लेला, आ नेटवर्क आ डिस्क के कुशलता से उपयोग करे खातिर मशीन के बीच संचार के शेड्यूल करे ला। प्रोग्रामर लोग के ई सिस्टम इस्तेमाल में आसान लागे ला: पिछला चार साल में गूगल में दस हजार से ढेर अलग-अलग मैपरेड्यूस प्रोग्राम लागू कइल गइल बा आ रोजाना औसत से एक लाख मैपरेड्यूस जॉब गूगल के क्लस्टर में चलावल जा रहल बा, जे में हर दिन बीस से ढेर डेटा के प्रोसेसिंग कइल जा रहल बा। |
683c8f5c60916751bb23f159c86c1f2d4170e43f | |
3a116f2ae10a979c18787245933cb9f984569599 | वायरलेस सेंसर नेटवर्क (डब्लूएसएन) कई प्रकार के अनुप्रयोग खातिर एगो प्रभावी समाधान के रूप में उभरेला. जादातर पारंपरिक डब्ल्यूएसएन वास्तुकला में स्थिर नोड्स होला जवन संवेदन क्षेत्र में घनत्व से तैनात होला. हाल में, मोबाइल तत्व (एमई) पर आधारित कई गो डब्ल्यूएसएन आर्किटेक्चर प्रस्तावित कइल गइल बा. ज्यादातर लोग WSN में डेटा संग्रह के समस्या के समाधान खातिर गतिशीलता के उपयोग करेलन. एह लेख में हमनी के पहिले एमई के साथ डब्ल्यूएसएन के परिभाषित करे के बा आउर एमई के भूमिका के आधार पर उनकर आर्किटेक्चर के एगो व्यापक वर्गीकरण प्रदान करे के बा. फेर हम अइसन परिदृश्य में डेटा संग्रह प्रक्रिया के एगो अवलोकन प्रस्तुत करब, आउर संबंधित मुद्दा आउर चुनौती के पहचान करब. एह अंकन के आधार पर, हम संबंधित साहित्य के एगो विस्तृत सर्वेक्षण प्रदान करब. अंत में, हम खुला समस्या आउर भविष्य के अनुसंधान दिशा के संकेत के साथे अंतर्निहित दृष्टिकोण आउर समाधान के तुलना करिला. |
e7b50e3f56e21fd2a5eb34923d427a0bc6dd8905 | इ नया तरीका के वर्तमान प्रत्यक्ष आउर अनुकूलन विधि के आगे बढ़ावे के प्रतिनिधित्व करेला, जे एगो नेटवर्क खातिर सब संभावित युग्मन मैट्रिक्स समाधान के खोज करी, अगर एक से अधिक मौजूद होखे. इ संयुग्मन मान, अनुनादकर्ता आवृत्ति ऑफसेट, परजीवी संयुग्मन सहिष्णुता आदि के सेट के चयन करे के अनुमति देवेला जवन कि माइक्रोवेव फिल्टर के प्राप्त करे खातिर इच्छित तकनीक के सबसे उपयुक्त होई. विधि के उपयोग के प्रदर्शित करे खातिर, हाल ही में पेश कइल गइल विस्तारित बॉक्स (ईबी) युग्मन मैट्रिक्स विन्यास के मामला लिहल गइल बा. ईबी एगो नया फिल्टर कॉन्फिगरेशन के दर्जा देला जेमे कईगो महत्वपूर्ण फायदा होला, जेमे से एगो ई होला कि प्रत्येक प्रोटोटाइप फिल्टरिंग फंक्शन खातिर कईगो युग्मन मैट्रिक्स समाधान के अस्तित्व होला, उदाहरन खातिर 8 डिग्री के केस खातिर 16 . ए मामला के संश्लेषण विधि के उपयोग के देखावे खातिर उदाहरण के रूप में लिहल गइल बा - एगो समाधान के पैदा करे खातिर जे दु-मोड प्राप्ति खातिर उपयुक्त बा आउर एगो अइसन जहां कुछ युग्मन एतना छोट बा कि उपेक्षित कइल जा सकेला. अनुक्रमणिका शब्द - युग्मन मैट्रिक्स, फिल्टर संश्लेषण, ग्रॉबनेर आधार, उलटा विशेषता, बहु समाधान. |
a6f1dfcc44277d4cfd8507284d994c9283dc3a2f | हमनी के एगो वास्तविक समय वाला कंप्यूटर सिस्टम बनवले बानी जा जवन आदमी के माथा के पता लगा सकेला आ ओकरा के पहिचान सकेला, आ ओकरा चेहरा के विशेषता के परिचित लोगन के चेहरा से तुलना क के पहचान सकेला. इ प्रणाली में लिहल गइल कम्प्यूटेशनल दृष्टिकोण जीवविज्ञान आउर सूचना सिद्धांत, साथ ही साथ वास्तविक समय के प्रदर्शन आउर सटीकता के व्यावहारिक आवश्यकता से प्रेरित हवे. हमार दृष्टिकोण चेहरा के पहिचान समस्या के तीन-आयामी ज्यामिति के पुनर्प्राप्ति के आवश्यकता के बजाय आंतरिक रूप से द्वि-आयामी (2-डी) पहचान समस्या के रूप में मानले बा, इ तथ्य के फायदा उठावे के खातिर कि चेहरा आम तौर पर सीधा होला आउर एही तरह से 2-डी विशेषता दृश्य के एगो छोट सेट द्वारा वर्णित कइल जा सकेला. ई प्रणाली चेहरा के चित्र के एगो अइसन जगह पर प्रोजेक्ट करे से काम करेला जे ज्ञात चेहरा के चित्र के बीच महत्वपूर्ण भिन्नता के कवर करेला. महत्वपूर्ण विशेषता के "स्वयं चेहरा" के रूप में जानल जाला, काहे कि ई चेहरा के सेट के स्वयंसिद्ध (मुख्य घटक) होला; ई जरूरी नइखे कि आँख, कान, आ नाक जइसन विशेषता से मेल खाए. प्रक्षेपण संक्रिया एगो व्यक्तिगत चेहरा के विशेषता के एगो वजनित योग द्वारा व्यक्त करेला, आउर इ तरह एगो विशेष चेहरा के पहचान करे खातिर इ केवल ज्ञात व्यक्ति के वजन के तुलना करे के जरूरत होला. हमनी के दृष्टिकोण के कुछ खास फायदा ई बा कि ई बिना देखरेख के नया चेहरा सीखे आ बाद में पहिचान सके के क्षमता प्रदान करेला, आ ई एगो तंत्रिका नेटवर्क आर्किटेक्चर के उपयोग करके लागू करे में आसान बा. |
b217788dd6d274ad391ee950e6f6a34033bd2fc7 | बहुपरत पर्सेप्ट्रॉन, जब बैकप्रोपेगशन क उपयोग कईके वर्गीकरणकर्ता के रूप में प्रशिक्षित करल जाला, तब बेज़ इष्टतम विभेदक फलन के अनुमान लगावेला. परिणाम दुनो दुगो-वर्ग समस्या आउर बहु-वर्ग खातिर प्रदर्शित कइल गइल बा. इ देखाई देला कि बहुपरत परपीट्रॉन के आउटपुट प्रशिक्षित वर्ग के संभावना फलन के अनुमानित करेला. प्रमाण कौनो भी संख्या में परत आउर कौनो भी प्रकार के इकाई सक्रियण फ़ंक्शन, रैखिक चाहे गैर-रैखिक पर लागू होला. |
647cb3825baecb6fab8b098166d5a446f7711f9b | हाल के बरस में, डीप जेनरेटिव मॉडल के कल्पना करे खातिर देखावल गइल बा, जवन कि सीधे कच्चा डेटा से सीखत छवियन, ऑडियो, आउर इहां तक कि वीडियो जइसन उच्च-आयामी अवलोकन के आश्वस्त करेला. इ काम में, हम पूछत बानी कि लक्ष्य-निर्देशित दृश्य योजना के कल्पना कइसे कइल जाय - अवलोकन के एगो यथार्थवादी क्रम जे एगो गतिशील प्रणाली के ओकर वर्तमान विन्यास से वांछित लक्ष्य स्थिति में बदल देवेला, जेकरा के बाद में नियंत्रण खातिर संदर्भ प्रक्षेपवक्र के रूप में उपयोग कइल जा सकेला. हम उच्च-आयामी अवलोकन वाला सिस्टम पर ध्यान केंद्रित करेनी, जइसे कि छवियन, आउर एगो अइसन दृष्टिकोण के प्रस्ताव करेनी जवन स्वाभाविक रूप से प्रतिनिधित्व सीख आउर योजना के संयोजन करेला. हमार ढांचा क्रमिक अवलोकन के एगो जनरेटिव मॉडल सीखलस, जहवां जनरेटिव प्रक्रिया एगो निम्न-आयामी योजना मॉडल में संक्रमण द्वारा प्रेरित होला, आउर एगो अतिरिक्त शोर. उत्पन्न अवलोकन आउर नियोजन मॉडल में संक्रमण के बीच पारस्परिक जानकारी के अधिकतम करके, हम एगो निम्न-आयामी प्रतिनिधित्व प्राप्त कर तानी जवन डेटा के कारण प्रकृति के सबसे अच्छा व्याख्या करेला. हम योजना मॉडल के संरचना कुशल योजना एल्गोरिदम के साथ संगत होखे खातिर बनावित ह आउर हम या त असतत या निरंतर अवस्था के आधार पर कै गो ले अइसन मॉडल के प्रस्तावित करिला. अंत में, एगो दृश्य योजना बनावे खातिर, हम वर्तमान आउर लक्ष्य अवलोकन के योजना मॉडल में उनकर संबंधित अवस्था पर प्रोजेक्ट करिला, एगो प्रक्षेपवक्र के योजना बनाबिला, आउर फेर प्रक्षेपवक्र के अवलोकन के अनुक्रम में बदले खातिर जनरेटिव मॉडल के उपयोग करब. हम रस्सी के हेरफेर के संभावित दृश्य योजना के कल्पना करे पर आपन विधि के प्रदर्शन करब3. |
a63b97291149bfed416aa9e56a21314069540a7b | उद्देश्य ध्यान-अभाव/अतिसक्रियता विकार (एडीएचडी) वाले बच्चा आउर किशोर में कामकाजी स्मृति (डब्ल्यूएम) प्रक्रिया में कमी खातिर अनुभवजन्य साक्ष्य निर्धारित करे खातिर. विधि एडीएचडी वाले बच्चन में डब्ल्यूएम विकार के प्रदर्सन करे के जांच करे खातिर खोजपूर्ण मेटा-विश्लेषण प्रक्रिया के उपयोग कइल गइल रहे. 1997 से दिसंबर 2003 तक छब्बीस अनुभवजन्य अनुसंधान अध्ययन (पिछला समीक्षा के बाद) हमनी के शामिल करे के मानदंड पूरा कइलस. डब्ल्यूएम उपाय के दुनों तरीका (मौखिक, स्थानिक) आउर आवश्यक प्रसंस्करण के प्रकार (भंडारण बनाम भंडारण/संशोधन) के अनुसार वर्गीकृत कइल गइल रहे. परिणाम एडीएचडी वाला बच्चा कुल में डब्ल्यूएम के कईगो घटक में कमी रहे जवन भाषा सीखल में विकार आ सामान्य बौद्धिक क्षमता में कमजोरी से स्वतंत्र रहे. स्थानिक भंडारण (प्रभाव आकार = 0. 85, आईसी = 0. 62 - 1.08) आउर स्थानिक केंद्रीय कार्यकारी डब्ल्यूएम (प्रभाव आकार = 1.06, आत्मविश्वास अंतराल = 0. 72-1.39) खातिर कुल प्रभाव आकार मौखिक भंडारण (प्रभाव आकार = 0. 47, आत्मविश्वास अंतराल = 0. 36- 0. 59) आउर मौखिक केंद्रीय कार्यकारी डब्ल्यूएम (प्रभाव आकार = 0. 43, आत्मविश्वास अंतराल = 0. 24- 0. 62) खातिर प्राप्त आकार से बड़ा रहे. एडीएचडी वाले बच्चन में डब्ल्यूएम विकार के सबूत एडीएचडी में डब्ल्यूएम प्रक्रिया के शामिल करे वाला हाल के सैद्धांतिक मॉडल के समर्थन करेला. एडीएचडी के विकार के प्रकृति, गंभीरता, आउर विसेसता के स्पष्ट रूप से परिभाषित करे खातिर भविष्य के शोध के जरूरत बाटे. |
49e77b981a0813460e2da2760ff72c522ae49871 | डीप लर्निंग बड़ डेटासेट आउर कम्प्यूटेशनल रूप से कुशल प्रशिक्षण एल्गोरिदम के लाभ उठावेला ताकि विभिन्न मशीन लर्निंग कार्य में दोसर दृष्टिकोण के बेहतर बनावल जा सके. हालांकि, गहरे तंत्रिका नेटवर्क के प्रशिक्षण चरण में खामियां ओकरा के विरोधी नमूना खातिर कमजोर बना देला: विरोधी द्वारा गहरे तंत्रिका नेटवर्क के गलत वर्गीकृत करे के इरादा से तैयार कइल गइल इनपुट. इ काम में, हम डीप न्यूरल नेटवर्क (डीएनएन) के खिलाफ विरोधी के स्थान के औपचारिक रूप देले बानी आउर डीएनएन के इनपुट आउर आउटपुट के बीच मानचित्रण के सटीक समझ के आधार पर विरोधी नमूना बनावे खातिर एल्गोरिदम के एगो नया वर्ग के परिचय देले बानी. कंप्यूटर विजन के एगो अनुप्रयोग में, हम देखवईब कि हमनी के एल्गोरिदम मानव विषय द्वारा सही ढंग से वर्गीकृत नमूना के विश्वसनीय रूप से उत्पादन कर सकेला लेकिन 97% प्रतिद्वंद्वी सफलता दर के साथ डीएनएन द्वारा विशिष्ट लक्ष्य में गलत वर्गीकृत कइल गइल जबकि प्रति नमूना केवल औसत 4.02% इनपुट सुविधा में संशोधन कइल गइल. फेर हम कठोरता के माप के परिभाषित करके विपरीत विकार के खातिर अलग-अलग नमूना वर्ग के कमजोर के मूल्यांकन करिला. अंत में, हम एगो सौम्य इनपुट आउर एगो लक्ष्य वर्गीकरण के बीच दूरी के एगो अनुमानित माप के परिभाषित करके विरोधी नमूना के खिलाफ बचाव के रूपरेखा देवे वाला प्रारंभिक कार्य के वर्णन करब. |
3f52f57dcfdd1bb0514ff744f4fdaa986a325591 | एप्पल के मैकबुक फर्मवेयर सुरक्षा में कई गो खामियन बा जे ई अनुमति देला कि ई लैपटॉप के एसपीआई फ्लैश बूट रोम में अविश्वसनीय संशोधन लिखल जा सके। इ क्षमता लोकप्रिय एप्पल मैकबुक उत्पाद लाइन खातिर लगातार फर्मवेयर रूटकिट, या बूटकिट के एगो नया वर्ग के प्रतिनिधित्व करेला. चुपके से चले वाला बूटकिट खुद के खोज से छिपा सके ला आ सॉफ्टवेयर के ओकरा के हटावे के कोसिस से रोक सके ला। बूट रोम में खराब संशोधन ऑपरेटिंग सिस्टम के दुबारा स्थापित करे आ हार्ड ड्राइव के बदले के बाद भी बाँच सकेला. एकरे अलावा, मैलवेयर आपन एगो कॉपी अन्य थंडरबोल्ट डिवाइस के ऑप्शन रोम में स्थापित कर सके ला ताकि हवाई-खाई सुरक्षा परिधि में वायरल रूप से फइल सके। एप्पल सीवीई 2014-4498 के हिस्सा के रूप में इ सब दोष में से कुछ के ठीक कर दिहलस, लेकिन इ वर्ग के भेद्यता के कोई आसान समाधान नइखे, काहे कि मैकबुक में बूट समय पर फर्मवेयर के क्रिप्टोग्राफिक सत्यापन करे खातिर भरोसेमंद हार्डवेयर के कमी बा. |
3b3acbf7cc2ec806e4177eac286a2ee22f6f7630 | इ पेपर अल्ट्रा-ब्रॉडबैंड डिजिटल-टू-एनालॉग (डी/ए) रूपांतरण उपप्रणाली खातिर 110-जीएचजेड-बैंडविड्थ 2:1 एनालॉग मल्टीप्लेक्सर (एएमयूएक्स) प्रस्तुत करेला. एएमयूएक्स के डिजाइन आ निर्माण नया बिकसित $\pmb{0.25-\mu \mathrm{m}}$-इमिटर-चौड़ाई वाला इनपी डबल हेटरोजंक्शन बायपोलर ट्रांजिस्टर (डीएचबीटी) के उपयोग से कइल गइल, जिनहन के पीक क्रमशः 460 आ 480 गीगाहर्ट्ज के बा। एएमयूएक्स आईसी में डेटा-इनपुट रैखिक बफर, क्लॉक-इनपुट लिमिटिंग बफर, एएमयूएक्स कोर, आउर आउटपुट रैखिक बफर सहित समूहित बिल्डिंग ब्लॉक होला. डेटा आउर क्लॉक पथ खातिर मापल गइल 3-डीबी बैंडविड्थ दुनों 110 गीगाहर्ट्ज से अधिक बा. एकरे अलावा, ई 180 GS/s तक के समय-क्षेत्र के बड़ सिग्नल नमूना लेवे के काम के नाप लेवेला आ प्राप्त करेला. एएमयूएक्स क उपयोग कइके 224-जीबी/एस (112-जीबीएड) चार-स्तरीय पल्स-एम्प्लीट्यूड मॉड्यूलेशन (पीएएम 4) संकेत सफलतापूर्वक उत्पन्न कईल गईल रहे. हमनी के जानकारी के अनुसार, एएमयूएक्स आईसी के सबसे व्यापक बैंडविड्थ बा आउर पहिले से रिपोर्ट कइल गइल एएमयूएक्स के तुलना में सबसे तेज नमूना दर बा. |
4dd7721248c5489e25f46f7ab78c7d0229a596d4 | इ पेपर एगो पूरा तरह से एकीकृत आरएफ ऊर्जा-खेती प्रणाली के परिचय देवेला. इ प्रणाली एक साथ बाहरी डीसी भार द्वारा मांगल जाए वाला करंट के आपूर्ति कर सकेला आउर अतिरिक्त आउटपुट पावर के अवधि के दौरान बाहरी कैपेसिटर में अतिरिक्त ऊर्जा के स्टोर कर सकेला. ई डिजाइन 0.18- $\mu \text{m}$ सीएमओएस तकनीक में बनल बा, आ सक्रिय चिप एरिया 1.08 मिमी2 बा. प्रस्तावित स्व-प्रारंभ प्रणाली एगो एकीकृत एलसी मिलान नेटवर्क, एगो आरएफ रेक्टिफायर, आउर एगो पावर मैनेजमेंट/नियंत्रक इकाई के साथ पुनः विन्यास योग्य ह, जे 66-157 एनडब्ल्यू के खपत करेला. जरूरी घड़ी उत्पादन आउर वोल्टेज संदर्भ सर्किट एके चिप पर एकीकृत होला. ड्यूटी साइकिल नियंत्रण के उपयोग कम इनपुट पावर खातिर काम करे खातिर कइल जाला जे मांगल गइल आउटपुट पावर प्रदान ना कर सके. एकरे अलावा, आरएफ रेक्टिफायर के चरण के संख्या उपलब्ध आउटपुट पावर के दक्षता बढ़ावे खातिर नया रूप से कॉन्फ़िगर कइल जा सके ला। उच्च उपलब्ध शक्ति खातिर, बाहरी ऊर्जा भंडारण तत्व के चार्ज करे खातिर एगो माध्यमिक पथ के सक्रिय कइल जाला. मापल गइल आरएफ इनपुट पावर संवेदनशीलता -14.8 डीबीएम 1 वोल्ट सीसी आउटपुट पर बा. |
7314be5cd836c8f06bd1ecab565b00b65259eac6 | एल्गोरिदम के एगो सूट के सर्वेक्षण जवन बड़ दस्तावेज संग्रह के प्रबंधन खातिर एगो समाधान प्रदान करेला. |
f0eace9bfe72c2449f76461ad97c4042d2a7141b | इ पत्र में डब्ल्यू-बैंड पर एगो नया एंटीना-इन-पैक (एआईपी) तकनीक प्रस्तावित कइल गइल बा. इ तकनीक के विशेष मामला के हल करे खातिर प्रस्तुत कइल गइल बा कि धातु के पैकेज के उपयोग उच्च यांत्रिक शक्ति के समायोजित करे खातिर कइल जाए के चाहीं. बहुपरत कम तापमान सह-उत्पादित सिरेमिक (एलटीसीसी) तकनीक के लाभ उठाके, एंटीना के विकिरण दक्षता बनावल जा सकेला. एही बीच, उच्च यांत्रिक शक्ति आउर परिरक्षण प्रदर्शन प्राप्त होला. एआईपी के एगो प्रोटोटाइप डिजाइन कइल गइल बा. प्रोटोटाइप में एकीकृत एलटीसीसी एंटीना, कम-खोटे वाला फीडर, आउर एगो कॉनफ्रेड हॉर्न एपर्चर के साथ धातु के पैकेज बाटे. इ एलटीसीसी फीडर लमीनेटेड वेव गाइड (एलडब्ल्यूजी) द्वारा साकार कइल जाला. एलटीसीसी में दफन एगो एलडब्ल्यूजी गुहा के उपयोग एंटीना प्रतिबाधा बैंडविड्थ के बिस्तार करे खातिर कइल जाला. विद्युत चुम्बकीय (ईएम) अनुकरण आउर एंटीना प्रदर्शन के माप रुचि के संपूर्ण आवृत्ति श्रेणी पर अच्छी तरह से सहमत होला. प्रस्तावित प्रोटोटाइप 88 से 98 गीगाहर्ट्ज तक 10 गीगाहर्ट्ज के -10-डीबी प्रतिबाधा बैंडविड्थ प्राप्त करेला आउर 89 गीगाहर्ट्ज पर 12.3 डीबीआई के शिखर लाभ प्राप्त करेला. |
2077d0f30507d51a0d3bbec4957d55e817d66a59 | हम सामान्य, अभिव्यंजक चित्र के सीखल खातिर एगो ढांचा विकसित करत बानी जवन प्राकृतिक दृश्य के आंकड़ा के पकड़ लेला आउर एकर उपयोग विभिन्न प्रकार के मशीन विजन कार्य खातिर कइल जा सकेला. इ दृष्टिकोण पारंपरिक मार्कोव यादृच्छिक क्षेत्र (एमआरएफ) मॉडल के विस्तारित पिक्सेल पड़ोस में संभावित फलन के सीखके विस्तारित करेला. क्षेत्र के क्षमता के मॉडल प्रोडक्ट-ऑफ-एक्सपर्ट्स फ्रेमवर्क के उपयोग से बनावल जाला जे बहुते रैखिक फिल्टर प्रतिक्रिया के गैर-रैखिक फलन के उपयोग करेला. पिछला एमआरएफ दृष्टिकोण के विपरीत, रैखिक फ़िल्टर सहित सब पैरामीटर, प्रशिक्षण डेटा से सीखेला. हम इ फील्ड ऑफ एक्सपर्ट्स मॉडल के क्षमता के दू उदाहरण अनुप्रयोग, इमेज डेनोइजिंग आउर इमेज इनपेंटिंग के साथ प्रदर्शित करब, जे एगो सरल, अनुमानित अनुमान योजना के उपयोग करके लागू कइल गइल बा. जबकि मॉडल के एगो सामान्य छवि डेटाबेस पर प्रशिक्षित कइल जाला आउर कौनो विशिष्ट अनुप्रयोग के प्रति ट्यून ना कइल जाला, हम परिणाम प्राप्त कर सकिला जवन विसेस तकनीक से प्रतिस्पर्धा करेला आउर तबो बेहतर करेला. |
214658334c581f0d18b9a871928e91b6e4f83be7 | ई बिचार स्विच कइल कैपेसिटर टोपोलॉजी के समान बा जेमे वोल्टेज के संतुलित करे खातिर बैटरी के कोशिका में कैपेसिटर या कैपेसिटर के बैंक के स्विच कइल जाला. चूंकि एगो मूल बैटरी सेल मॉडल में सेल के कैपेसिटिव प्रभाव के कारण कैपेसिटेंस शामिल होला, एही से ई कैपेसिटिव प्रभाव के सेल संतुलन में उपयोग कइल जा सकेला. एही से स्विच कइल गइल कैपेसिटर टोपोलॉजी में इक्वेलाइजर कैपेसिटर के हटा दिहल जा सकेला आउर बैटरी के कोशिका के एक-दूसरे से बदलल जा सकेला. इ तेजी से ऊर्जा हस्तांतरण के अनुमति देवेला आउर इ प्रकार तेजी से समरूपता में परिणाम देवेला. प्रस्तावित टोपोलॉजी अतिरिक्त ऊर्जा भंडारण तत्व जइसे कैपेसिटर के जरूरत के दूर करेला, जवन कि बिजली के इलेक्ट्रॉनिक सर्किट में अक्सर विफल हो जाला, अतिरिक्त ऊर्जा भंडारण तत्व द्वारा डाले जाए वाला नुकसान के कम करेला, सर्किट के लागत आउर मात्रा के कम करेला आउर नियंत्रण एल्गोरिथ्म के सरल बनावेला. प्रस्तावित संतुलन सर्किट के अनुप्रयोग के आवश्यकता के अनुसार लागू कइल जा सकेला. प्रस्तावित टोपोलॉजी के सिमुलेशन MATLAB/Simulink वातावरण में कइल गइल बा आ स्विच्ड कैपेसिटर टोपोलॉजी के तुलना में संतुलन गति के लिहाज से बेहतर परिणाम मिलल बा। बैटरी के जीवन चक्र के बढ़ावे खातिर आउर बैटरी से अधिकतम शक्ति निकाले खातिर सेल संतुलन सर्किट महत्वपूर्ण होला. बैटरी पैक में सेल संतुलन खातिर ढेर पावर इलेक्ट्रॉनिक्स टोपोलॉजी के परयोग कइल गइल बा. सक्रिय सेल संतुलन टोपोलॉजी ऊर्जावान के ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से ऊर्जावान से इ अध्ययन में बिना कउनो ऊर्जा भंडारण तत्व के उपयोग करे वाला सक्रिय संतुलन टोपोलॉजी प्रस्तावित कइल गइल बा. |
0c04909ed933469246defcf9aca2b71ae8e3f623 | इ पुस्तक के दूसर संस्करण में प्रमुख परिवर्तन संभाव्यता पुनःप्राप्ति पर एगो नया अध्याय के जोड़ल गइल बा. इ अध्याय शामिल कइल गइल बा काहे कि हमरा विचार से इ सूचना पुनर्प्राप्ति में अनुसंधान के सबसे दिलचस्प आउर सक्रिय छेत्र में से एगो बा. अभी भी बहुत सारा समस्या के समाधान कइल बाकी बा, एही से हम आशा करत बानी कि ई खास अध्याय एह क्षेत्र में ज्ञान के स्थिति के आगे बढ़ावे के चाहने वालन खातिर कुछ मददगार साबित होई। बाकी सब अध्याय में कुछ हाल के काम के शामिल क के अपडेट कइल गइल बा। एह किताब के सामग्री सूचना (या कंप्यूटर) बिज्ञान के उन्नत स्नातक छात्र, पुस्तकालय बिज्ञान के स्नातकोत्तर छात्र, आ आईआर के क्षेत्र में रिसर्च करे वाला लोग खातिर बाटे। कुछ अध्याय, खास कर के अध्याय 6 * में, सरल रूप से कुछ उन्नत गणित के उपयोग कइल गइल बा. हालांकि, आवश्यक गणितीय उपकरण के बहुते गणितीय ग्रंथ से आसानी से समझल जा सकेला जे अब मौजूद बा आउर, कौनो भी मामला में, संदर्भ दिहल गइल बा जहां गणित घटित होला. हमरा स्पष्टता के संतुलन बनावे के समस्या से सामना करे के पड़ल, संदर्भ के घनत्व के साथे. हम ढेर सारा संदर्भ देवे के मोह में रहनी, बाकि डर रहे कि अइसन करे से पाठ के निरंतरता नष्ट हो जाई. हम एगो मध्य मार्ग पर चले के कोशिश कइनी आ सूचना विज्ञान आ प्रौद्योगिकी के वार्षिक समीक्षा के साथ प्रतिस्पर्धा ना करेनी. सामान्य रूप से केहु के केवल ऊ काम के उद्धृत करे खातिर प्रोत्साहित कइल जाला जवन कि कुछ आसानी से सुलभ रूप में प्रकाशित भइल होखे, जइसे कि किताब या समय-समय पर छपल पत्रिका. दुर्भाग्य से, आईआर में जादेतर दिलचस्प काम तकनीकी रिपोर्ट आउर पीएचडी थीसिस में निहित बा. उदाहरण खातिर, कॉर्नेल में SMART प्रणाली पर कइल गइल जादातर काम केवल रिपोर्ट में उपलब्ध बाटे. सौभाग्य से, एकरा में से कई अब राष्ट्रीय तकनीकी सूचना सेवा (यू.एस.) आउर विश्वविद्यालय माइक्रोफिल्म्स (यू.के.) के माध्यम से उपलब्ध बाटे. हम एह स्रोत के इस्तेमाल करे से परहेज ना कइनी ह, हालाँकि अगर ओही सामग्री के कुछ दोसर रूप में आसानी से पावल जा सके त हम ओकरा के प्राथमिकता देले बानी। हम बहुते लोग आ संस्थानन के धन्यवाद देत बानी जे हमरा के सहयोग कइल. सबसे पहिले हम ई कहब कि एह किताब में कई गो विचारन खातिर ऊ लोग जिम्मेदार बा, लेकिन हम खाली ई चाहत बानी कि हम खुद जिम्मेदार बनीं. हमरा सबसे बड़हन श्रेय करेन स्पार्क जोन्स के बा जे हमरा के सिखवलें कि सूचना के खोज के एगो प्रयोगात्मक विज्ञान के रूप में खोज कइल जाव. निक जार्डिन आउर रॉबिन ... |
3cfbb77e5a0e24772cfdb2eb3d4f35dead54b118 | संदर्भ-पूर्वानुमान मॉडल (जेके आम तौर पर एम्बेडमेंट या न्यूरल लैंग्वेज मॉडल के रूप में जानल जाला) वितरण अर्थशास्त्र ब्लॉक पर नया बच्चा कुल हवें. इ सब मॉडल के आसपास चर्चा के बावजूद, साहित्य में अभी भी क्लासिक, गिनती-वेक्टर-आधारित वितरण अर्थ संबंधी दृष्टिकोण के साथ भविष्यवाणी मॉडल के व्यवस्थित तुलना के कमी बा. इ पेपर में, हम सब व्यापक मूल्यांकन, शब्दकोश अर्थशास्त्र के कार्य के एगो विस्तृत श्रृंखला पर आउर कई पैरामीटर सेटिंग्स पर कर रहल बानी. परिणाम, हमनी के खुद के आश्चर्य के खातिर, ई देखावत बा कि चर्चा पूरा तरह से उचित बा, काहे कि संदर्भ-पूर्वानुमान मॉडल आपन गणना-आधारित समकक्ष के खिलाफ पूरा आउर गूंज जीत हासिल करेलन. |
9ec20b90593695e0f5a343dade71eace4a5145de | 1छात्र, डिपार्टमेंट. डीप लर्निंग मशीन लर्निंग में अनुसंधान खातिर एगो नया क्षेत्र के रूप में अस्तित्व में आइल बा. एकर उद्देश्य मानव मस्तिष्क के तरह काम करल बा, जे जटिल डेटा से सीखल आ संसाधित करे के क्षमता रखत बा आउर जटिल कार्य के हल करे के भी कोशिश करेला. एह क्षमता के कारण एकर प्रयोग विभिन्न क्षेत्र में कइल जाला जइसे कि पाठ, ध्वनि, चित्र इत्यादि। प्राकृतिक भाषा प्रक्रिया के गहन शिक्षा तकनीक से प्रभावित करल शुरू हो गईल बा. ई शोधपत्र प्राकृतिक भाषा प्रसंस्करण में डीप लर्निंग के हाल के विकास आ अनुप्रयोग पर प्रकाश डालल गइल बा। |
cc13fde0a91f4d618e6af66b49690702906316ae | हाल के बरीसन में क्लाउड कंप्यूटिंग के बिकास आ बिग डेटा के दौर देखे के मिलल, जवन पारंपरिक निर्णय के पेड़ के एल्गोरिदम के चुनौती दे रहल बा। पहिले, डेटासेट के आकार बहुत बड़ हो जाला, एगो निर्णय वृक्ष के निर्माण के प्रक्रिया काफी समय ले सकेला. दूसरा, काहे कि डेटा अब मेमोरी में फिट ना हो सकेला, कुछ गणना के बाहरी भंडारण में ले जाइल जाला आउर येही से आई/ओ लागत बढ़ जाला. एकरा खातिर, हम मानचित्रण-प्रोग्रामिंग मॉडल के उपयोग करके एगो विशिष्ट निर्णय वृक्ष एल्गोरिथ्म, C4.5 के लागू करे के प्रस्ताव देले बानी. विशेष रूप से, हम पारंपरिक एल्गोरिथ्म के नक्शा बनावे आउर घटावे के प्रक्रिया में बदल देले बानी. एकरे अलावा, हम कुछ डेटा संरचना के डिजाइन भी करेनी ताकि कम से कम कम संचार लागत के कम कइल जा सके। हम लोग बड़हन डेटा सेट पर भी प्रयोग कइली। परिणाम ई दर्शावेला कि हमनी के एल्गोरिथ्म समय दक्षता आ स्केलेबिलिटी दुनों प्रदर्शित करेला. |
d73a71fa24b582accb934a9c2308567376ff396d | थ्री डी जियो-डेटाबेस अनुसंधान एगो आशाजनक क्षेत्र ह जे चुनौतीपूर्ण अनुप्रयोगन के समर्थन करे ला, जइसे कि थ्री डी शहरी नियोजन, पर्यावरण निगरानी, बुनियादी ढांचा प्रबंधन, आउर प्रारंभिक चेतावनी या आपदा प्रबंधन आउर प्रतिक्रिया. इ सब क्षेत्र में, जीआईएससाइंस आउर संबंधित क्षेत्र में अंतःविषय अनुसंधान के जरूरत बा ताकि मॉडल, विश्लेषण, प्रबंधन आउर बड़ भू-संदर्भित डेटा सेट के एकीकरण के समर्थन कइल जा सके, जवन मानव गतिविधि आउर भूभौतिकीय घटना के वर्णन करेला. भू-डेटाबेस 2 डी मानचित्रन, 3 डी भू-वैज्ञानिक मॉडल, आ अउरी दूसर भू-संदर्भित डेटा के एकट्ठा करे खातिर प्लेटफार्म के रूप में काम कर सके ला। हालाँकि, वर्तमान भू-आधारभूत डेटाबेस में पर्याप्त 3डी डेटा मॉडलिंग आ डेटा हैंडलिंग तकनीक उपलब्ध नइखे। सतह आउर आयतन मॉडल के संभाले खातिर नया थ्रीडी भू-डेटाबेस के जरूरत बा. ई लेख पहिले भू-डेटाबेस रिसर्च के 25 साल के एगो अवलोकन प्रस्तुत करत बा। डेटा मॉडलिंग, मानक, आ भू-डेटा के अनुक्रमण पर विस्तार से चर्चा कइल गइल बा। अंतःविषय अनुसंधान खातिर नया क्षेत्र खोले खातिर 3 डी भू-डेटाबेस के विकास खातिर नया दिसा के संबोधित कइल गइल बा. प्रारंभिक चेतावनी आउर आपातकालीन प्रतिक्रिया के क्षेत्र में दुगो परिदृश्य मानव आउर भूभौतिकीय घटना के संयुक्त प्रबंधन के प्रदर्शित करेला. लेख खुला शोध समस्या पर एगो आलोचनात्मक दृष्टिकोण के साथ समाप्त होला. & 2011 एल्सवियर लिमिटेड. सब अधिकार सुरक्षित बा. |
dce7a0550b4d63f6fe2e6908073ce0ce63626b0c | जइसे जइसे हम रोबोटिक्स आउर कृत्रिम बुद्धिमत्ता में स्वचालन के रस्ता पर चलब, हमरा के जरूरत होई कि नैतिक निर्णय लेवे के बढ़त मात्रा के स्वचालित करीं ताकि हमार उपकरण हमनी से स्वतंत्र रूप से काम कर सके. लेकिन नैतिक निर्णय लेवे के स्वचालन इंजीनियर आउर डिजाइनर खातिर नया सवाल खड़ा करेला, जिनका इ काम के पूरा करे के तरीका के बारे में निर्णय लेवे के होई. उदाहरण खातिर, कुछ नैतिक निर्णय लेवे में कठिन नैतिक मामला सामिल होला, जेकरा बदले में उपयोगकर्ता के इनपुट के आवश्यकता होला अगर हम स्वायत्तता आउर सूचित सहमति के आसपास स्थापित मानदंड के सम्मान करे के चाहत बानी. लेखक इ आउर दुसर नैतिक विचार पर विचार करेला जवन नैतिक निर्णय लेवे के स्वचालन के साथे आवेला. ऊ कुछ सामान्य नैतिक आवश्यकता के प्रस्ताव देलन जेकरा के डिजाइन कक्ष में ध्यान में रखल जाए के चाहीं, आउर एगो डिजाइन उपकरण के स्केच देवेला जेके इंजीनियर, डिजाइनर, नैतिकतावादी आउर नीति निर्माता के इ तय करे में मदद करे खातिर डिजाइन प्रक्रिया में एकीकृत कइल जा सकेला कि नैतिक निर्णय लेवे के कुछ रूप के सबसे अच्छा तरीका कइसे स्वचालित कइल जाए. |
ab19cbea5c61536b616cfa7654cf01bf0621b83f | |
102153467f27d43dd1db8a973846d3ac10ffdc3c | हेल्थकेयर चीज के इंटरनेट (आईओटी) तकनीक के सबसे तेजी से विस्तार करे वाला अनुप्रयोग क्षेत्र में से एगो बा. आईओटी उपकरण के उपयोग दिल के रोग (सीवीडी) जइसन पुरानी बीमारी के मरीजन के दूरस्थ स्वास्थ्य निगरानी के सक्षम बनावे खातिर कइल जा सकेला. इ पत्र में हम दिल के धड़कन के निदान खातिर ईसीजी विश्लेषण आउर वर्गीकरण खातिर एगो एल्गोरिथ्म विकसित करत बानी, आउर एकरा के आईओटी-आधारित एम्बेडेड प्लेटफॉर्म पर लागू करत बानी. ई एल्गोरिथ्म एगो पोर्टेबल ईसीजी निदान यंत्र खातिर हमनी के प्रस्ताव बा, जवन रोगी के 24 घंटा के लगातार निगरानी खातिर उपयुक्त बा. ईसीजी विश्लेषण खातिर हम लोग डिस्क्रीट वेवलेट ट्रांसफॉर्म (डीडब्ल्यूटी) आउर सपोर्ट वेक्टर मशीन (एसवीएम) वर्गीकरणक के उपयोग करब. सबसे अच्छा वर्गीकरण सटीकता प्राप्त 98.9% बा, आकार 18 के विशेषता वेक्टर आउर 2493 समर्थन वेक्टर खातिर. गैलीलियो बोर्ड पर एल्गोरिथ्म के अलग-अलग कार्यान्वयन ई देखावे में मदद करेला कि गणना लागत एतना बा कि ईसीजी विश्लेषण आउर वर्गीकरण वास्तविक समय में कइल जा सकेला. |
44159c85dec6df7a257cbe697bfc854ecb1ebb0b | नयी उद्घाटन भइल रिसर्च रिसोर्स फॉर कॉम्प्लेक्स फिजियोलॉजिकल सिग्नल्स, जे नेशनल इंस्टीट्यूट ऑफ हेल्थ के नेशनल सेंटर फॉर रिसर्च रिसोर्स के तत्वावधान में बनावल गइल रहे, के मकसद कार्डियोवास्कुलर आ अन्य जटिल बायोमेडिकल सिग्नल के अध्ययन में वर्तमान शोध आ नया जांच के प्रोत्साहित कइल बा। संसाधन में तीन गो परस्पर निर्भर घटक होलें। फिजियोबैंक जीववैज्ञानिक अनुसंधान समुदाय द्वारा उपयोग खातिर शारीरिक संकेत आउर संबंधित डेटा के अच्छी तरह से वर्णित डिजिटल रिकॉर्डिंग के एगो बड़ आउर बढ़त संग्रह हवे. वर्तमान में एह में स्वस्थ व्यक्ति लोग के बहु-पैरामीटर कार्डियोपल्मोनरी, तंत्रिका, आउर अन्य जैव चिकित्सा संकेत के डेटाबेस शामिल बाटे आउर अइसन मरीज के विभिन्न प्रकार के स्थिति से जन स्वास्थ्य पर महत्वपूर्ण प्रभाव पड़ेला, जेमे जीवन के खतरा वाला अरिथमिया, संक्रामक हृदय विफलता, नींद में एप्निया, न्यूरोलॉजिकल विकार आउर बुढ़ापा शामिल बाटे. फिजियोटूलकिट (अंगरेजीः PhysioToolkit) एगो ओपन-सोर्स सॉफ्टवेयर के लाइब्रेरी हवे जे फिजियोलॉजिकल सिग्नल प्रोसेसिंग आ एनालिसिस, क्लासिक तकनीक आ स्टैटिस्टिकल फिजिक्स आ नॉनलाइनर डायनामिक्स पर आधारित नया तरीका सभ के इस्तेमाल से फिजियोलॉजिकल रूप से महत्वपूर्ण घटना सभ के पता लगावे, सिग्नल के इंटरैक्टिव डिस्प्ले आ कैरेक्टराइजेशन, नया डेटाबेस बनावे, फिजियोलॉजिकल आ अन्य सिग्नल के सिमुलेशन, क्वांटिटेटिव इवैल्यूएशन आ एनालिसिस के तुलना, आ नॉनस्टेशनरी प्रोसेस के एनालिसिस खाती इस्तेमाल होला। फिजियोनेट एगो ऑनलाइन फोरम ह जेवना में रिकार्ड कइल गइल बायोमेडिकल सिग्नल आ ओकर विश्लेषण करे खातिर ओपन-सोर्स सॉफ्टवेयर के प्रसारित कइल जा सके ला आ ओकर आदान-प्रदान कइल जा सके ला। ई डेटा के सहयोगी विश्लेषण आ प्रस्तावित नया एल्गोरिदम के मूल्यांकन खातिर सुविधा उपलब्ध करावे ला। फिजियोबैंक डेटा आ फिजियोटूलकिट सॉफ्टवेयर के मुफ्त इलेक्ट्रॉनिक एक्सेस उपलब्ध करावे के अलावा ई वर्ल्ड वाइड वेब (http://www.physionet. org), PhysioNet ऑनलाइन ट्यूटोरियल के माध्यम से सेवा आउर प्रशिक्षण प्रदान करेला ताकि अलग-अलग स्तर के विशेषज्ञता वाला उपयोगकर्ता के सहायता मिल सके। |
a92eac4415719698d7d2097ef9564e7b36699010 | उद्देश्य - कॉरपोरेट स्थिरता आ ओकर प्रदर्शन के मूल्यांकन आ रिपोर्टिंग में हितधारक लोग के शामिल करे के एगो तरीका के रूप में सामाजिक लेखापरीक्षा के लागू होखे के पहचान कइल। डिजाइन/पद्धति/दृष्टिकोण - एए1000 के ढांचा आ सामाजिक लेखा परीक्षा अध्ययन के आधार पर ई दस्तावेज हितधारक लोगन के भागीदारी, सामाजिक लेखा परीक्षा आ कॉर्पोरेट स्थिरता के आपस में जोड़ के, कॉर्पोरेट स्थिरता के समाधान खातिर बातचीत आधारित सामाजिक लेखा परीक्षा के लागू करे के बात कहेला। निष्कर्ष - ई पेपर कॉर्पोरेट स्थिरता आ सामाजिक ऑडिटिंग के बीच एगो मैच के पहचान करेला, काहे कि दुनों के उद्देश्य कौनो संगठन के सामाजिक, पर्यावरणीय आ आर्थिक प्रदर्शन में सुधार कइल बा, हितधारक लोग के एगो व्यापक श्रेणी के भलाई के ध्यान में रख के आ हितधारक लोग के प्रक्रिया में शामिल करे के जरूरत के ध्यान में रख के। ई पेपर ई सुझाव देला कि बातचीत के माध्यम से हितधारक लोगन के शामिल करके सामाजिक ऑडिटिंग के उपयोग भरोसा बनावे, प्रतिबद्धता के पहचान करे आउर हितधारक लोगन आउर निगम के बीच सहयोग के बढ़ावा देवे खातिर कइल जा सकेला. अनुसंधान के सीमा/प्रभाव - ई शोध के खातिर कॉर्पोरेट स्थिरता के संबोधित करे में सामाजिक ऑडिटिंग के व्यावहारिकता में अउरी अनुभवजन्य अनुसंधान के आवस्कयता बाटे आउर बातचीत आधारित सामाजिक ऑडिटिंग के सीमा के निर्धारण के आवस्कयता बाटे. व्यावहारिक प्रभाव - सामाजिक लेखा परीक्षा के एगो लोकतांत्रिक कारोबारी समाज में हितधारक लोग आ कॉरपोरेशन के बीच अंतर से संतुलन बनावे के एगो उपयोगी तंत्र के रूप में पहिचान कइल गइल बा। कॉरपोरेट स्थिरता के विकास आउर प्राप्त करे में सामाजिक लेखापरीक्षण के अनुप्रयोग के स्पष्ट रूप से व्यावहारिक निहितार्थ बा. मौलिकता/मूल्य - ई पेपर व्यवसाय के स्थिरता की ओर ले जाए में मदद करे खातिर संवाद आधारित सामाजिक लेखा परीक्षा के लागू होखे के जाँच करेला. सामाजिक लेखा परीक्षा, बातचीत के माध्यम से हितधारकन के शामिल करे के माध्यम से कॉर्पोरेट सामाजिक आउर पर्यावरणीय प्रदर्शन के आकलन आउर रिपोर्टिंग के प्रक्रिया के रूप में, ट्रस्ट के निर्माण, प्रतिबद्धता के पहचान आउर हितधारक आउर निगम के बीच सहयोग के बढ़ावा देवे खातिर लागू कइल जा सकेला. |
915c4bb289b3642489e904c65a47fa56efb60658 | हम इमेज ट्रांसफॉर्मेशन समस्या के देखब, जहाँ इनपुट इमेज के आउटपुट इमेज में बदल दिहल जाला. अइसन समस्या खातिर हाल के तरीका आमतौर पर आउटपुट आउर ग्राउंड-ट्रूथ छवियन के बीच प्रति-पिक्सेल हानि के उपयोग करके फीड-फॉरवर्ड कन्वॉल्यूशनल तंत्रिका नेटवर्क के प्रशिक्षित करेला. समानांतर कार्य से पता चलल बा कि पूर्व-प्रशिक्षित नेटवर्क से निकालल गइल उच्च-स्तरीय सुविधा के आधार पर धारणा हानि कार्य के परिभाषित आउर अनुकूलित करके उच्च-गुणवत्ता वाला छवि उत्पन्न कइल जा सकेला. हम दुनों दृष्टिकोण के लाभ के संयोजन कर तानी आउर छवि परिवर्तन कार्य खातिर फीड-फॉरवर्ड नेटवर्क के प्रशिक्षण खातिर अनुभूति हानि कार्य के उपयोग के प्रस्ताव दे तानी. हम छवि शैली स्थानांतरण पर परिणाम देखावत बानी, जहाँ फीड-फॉरवर्ड नेटवर्क के वास्तविक समय में गैटिस एट अल द्वारा प्रस्तावित अनुकूलन समस्या के हल करे खातिर प्रशिक्षित कइल जाला. अनुकूलन आधारित तरीका के तुलना में, हमनी के नेटवर्क समान गुणात्मक परिणाम देला लेकिन तीन गुना तेज होला. हम एकल-छवि सुपर-रिज़ॉल्यूशन के भी प्रयोग करेनी, जहाँ प्रति-पिक्सेल के नुकसान के प्रतिस्थापित करे पर धारणा के नुकसान से दृश्य रूप से सुखद परिणाम मिलेला. |
9201bf6f8222c2335913002e13fbac640fc0f4ec | |
929a376c6fea1376baf40fc2979cfbdd867f03ab | लॉसी इमेज कंप्रेशन विधि हमेशा संपीड़ित परिणाम में कई तरह के अप्रिय कलाकृतियन के शामिल करेले, खासकर कम बिट-रेट पर. हाल के साल में, जेपीईजी संपीड़ित छवियन खातिर कई प्रभावी सॉफ्ट डिकोडिंग विधि प्रस्तावित कइल गइल बा. हालाँकि, हमनी के जानकारी के अनुसार, जेपीईजी 2000 संपीड़ित छवियन के सॉफ्ट डिकोडिंग पर बहुत कम काम भइल बा. विभिन्न कंप्यूटर विजन कार्य में कन्वोल्यूशन न्यूरल नेटवर्क (सीएनएन) के उत्कृष्ट प्रदर्शन से प्रेरित होके, हम जेपीईजी 2000 खातिर एगो नरम डीकोडिंग विधि प्रस्तुत करत बानी, जेमे कई बिट-रेट-संचालित डीप सीएनएन के उपयोग कइल गइल बा. प्रशिक्षण चरण में, हम लोग कई गो डीप सीएनएन के प्रशिक्षण देले बानी जा जे में उच्च गुणवत्ता वाला प्रशिक्षण चित्र आ जेपीईजी 2000 के संपीड़ित चित्र के अलग-अलग बिटक दर से इस्तेमाल कइल जाला। परीक्षण चरण में, इनपुट संपीड़ित छवि खातिर, सीएनएन के निकटतम कोडिंग बिट-रेट के साथ प्रशिक्षित कइल जाला जेके नरम डिकोडिंग करे खातिर चुनल जाला. व्यापक प्रयोग प्रस्तुत सॉफ्ट डिकोडिंग फ्रेमवर्क के प्रभावकारिता के प्रदर्शित करेला, जवन जेपीईजी 2000 संपीड़ित छवियन के दृश्य गुणवत्ता आउर उद्देश्य स्कोर में बहुत सुधार करेला. |
cfa092829c4c7a42ec77ab6844661e1dae082172 | बिटकॉइन एगो नया अवधारणा के शुरुआत कइलस जवन पूरा इंटरनेट के बदल सकेला आ कई तरह के उद्योग सभ पर सकारात्मक असर डाले ला जेह में बैंकिंग, पब्लिक सेक्टर आ सप्लाई चेन शामिल बा। ई नवाचार छद्म-अनामी पर आधारित बा आउर ब्लॉकचेन प्रौद्योगिकी पर आधारित एकर अभिनव विकेन्द्रीकृत वास्तुकला पर प्रयास करेला. ब्लॉकचेन एगो केंद्रीय प्राधिकरण के जरूरत के बिना ट्रस्ट के स्थापना के साथे लेनदेन आधारित अनुप्रयोग के दौड़ के आगे बढ़ावत बा, जवन व्यापार प्रक्रिया के भीतर जवाबदेही आउर पारदर्शिता के बढ़ावा देत बा. हालाँकि, ब्लॉकचेन खाता (जइसे कि बिटकॉइन) बहुत जटिल हो जाले आ एकरा खातिर बहुत खास औजार के इस्तेमाल करे के पड़े ला जेकरा के ब्लॉकचेन एनालिटिक्स (Blockchain Analytics) कहल जाला। ई औजार सभ के इस्तेमाल से लोग, कानून लागू करे वाली एजेंसिन आ सेवा प्रदाता लोग एकरा के खोज, एक्सप्लोर आ बिजुअलाइज़ेशन कर सके ला। पिछला कुछ साल में, कई गो एनालिटिकल टूल विकसित कइल गइल बा जे अइसन क्षमता के साथ, उदाहरण खातिर, संबंध के मैप करे, लेनदेन के प्रवाह के जांच करे आ फोरेंसिक जांच के बेहतर बनावे खातिर अपराध के उदाहरण के फ़िल्टर करे में मदद करे लें। ई पेपर ब्लॉकचेन विश्लेषणात्मक औजार के वर्तमान स्थिति के चर्चा करेला आउर उनकर अनुप्रयोग के आधार पर एगो विषयगत वर्गीकरण मॉडल प्रस्तुत करेला. ई भविष्य के विकास अउरी अनुसंधान खातिर खुला चुनौतीसब के भी परीछन करत बाटे. |
2e5fadbaab27af0c2b5cc6a3481c11b2b83c4f94 | हम फोटो के पीछे फोटोग्राफर के पहचान के नया समस्या प्रस्तुत करत बानी. एह समस्या के दूर करे खातिर कंप्यूटर विजन तकनीक के उपयोग के संभावना के पता लगावे खातिर, हमनी के नया डेटा सेट बनवलें जेमे 180,000 से भी जादे तस्वीरें सामिल बाड़ी स, जे 41 प्रसिद्ध फोटोग्राफर लोग लिहलें। इ डेटासेट के उपयोग करत, हम फोटोग्राफर के पहचान करे में विभिन्न प्रकार के सुविधा (निम्न- और उच्च-स्तरीय, सीएनएन सुविधा सहित) के प्रभावकारिता के जांच कइलस. हम इ काम खातिर एगो नया गहिरा संकुचन तंत्रिका नेटवर्क के भी प्रशिक्षित कईनी. हमार परिणाम देखावत बा कि उच्च स्तर के सुविधा बहुत कम स्तर के सुविधा से बेहतर बा. हम इ सीखल गइल मॉडल के उपयोग करके गुणात्मक परिणाम प्रदान करत बानी जवन कि हमार तरीका के फोटोग्राफर के बीच अंतर करे के क्षमता में अंतर्दृष्टि देत बा, आउर हमनी के दिलचस्प निष्कर्ष निकाले के अनुमति देत बा कि विशिष्ट फोटोग्राफर का शूट करेलें. हम आपन तरीका के दू गो अनुप्रयोग भी देखइब. |
25b6818743a6c0b9502a1c026c653038ff505c09 | |
6ed67a876b3afd2f2fb7b5b8c0800a0398c76603 | |
24281c886cd9339fe2fc5881faf5ed72b731a03e | मैपरेड्यूस आउर एकर रूप के वस्तु समूह पर बड़ पैमाना पर डेटा-गहन अनुप्रयोग लागू करे में बहुत सफल रहल. हालाँकि, इ सब प्रणाली में से अधिकतर एगो गैर-चक्रात्मक डेटा प्रवाह मॉडल के आसपास बनावल गइल बा जे दोसर लोकप्रिय अनुप्रयोगन खातिर उपयुक्त नइखे. ई कागद अइसन अनुप्रयोग के एगो वर्ग पर ध्यान केंद्रित करेला: ऊ जे कई समानांतर संचालन में डेटा के एगो कार्य सेट के पुनः उपयोग करेला. एह में कई गो पुनरावर्ती मशीन लर्निंग एल्गोरिदम के साथे-साथे इंटरैक्टिव डेटा विश्लेषण उपकरण शामिल बा. हम एगो नया ढांचा प्रस्तावित करत बानी जेकरा के स्पार्क कहल जाला जे ई सब अनुप्रयोग के समर्थन करत बा जबकि मैपरेड्यूस के स्केलेबिलिटी आ गलती के बर्दाश्त के बरकरार रखत बा. ई लक्ष्यन के प्राप्त करे खातिर, स्पार्क एगो अमूर्तता के परिचय देला जेकरा के लचीला वितरित डेटासेट (आरडीडी) कहल जाला. आरडीडी खाली पढ़े लायक वस्तु सभ के संग्रह होला जे मशीन सभ के सेट में बाँटल जाला आ अगर कौनो विभाजन गायब हो जाय तब एकरा के दुबारा बनावल जा सके ला। स्पार्क पुनरावर्ती मशीन लर्निंग जॉब्स में हडोप से 10 गुना बेहतर प्रदर्शन कर सकेला, आउर एकर उपयोग सब-सेकंड रिस्पांस टाइम के साथ 39 जीबी डेटासेट के इंटरैक्टिव रूप से क्वेरी करे खातिर कइल जा सकेला. |
03ff3f8f4d5a700fbe8f3a3e63a39523c29bb60f | वाक्य के सही ढंग से प्रस्तुत करे के क्षमता भाषा के समझे खातिर बहुत जरूरी बा। हम एगो संवितरण वास्तुकला के वर्णन कर रहल बानी जेकरा के डायनामिक संवितरण तंत्रिका नेटवर्क (डीसीएनएन) कहल जाला जेकरा के हम वाक्य के अर्थ संबंधी मॉडलिंग खातिर अपना रहल बानी. नेटवर्क डायनामिक के-मैक्स पूलिंग के उपयोग करेला, जे एगो वैश्विक पूलिंग ऑपरेशन बा जे रैखिक अनुक्रम पर होला. नेटवर्क अलग-अलग लंबाई के इनपुट वाक्य के संभाल लेला आउर वाक्य पर एगो फीचर ग्राफ के प्रेरित करेला जे छोट आउर लंबा दूरी के संबंध के स्पष्ट रूप से कैप्चर करे में सक्षम होला. ई नेटवर्क कवनो पार्स ट्री पर निर्भर ना होला आ ई कवनो भाषा पर आसानी से लागू हो सकेला। हम डीसीएनएन के चार प्रयोग में परीछन कइलिअइ: छोट पैमाना पर द्विआधारी आ बहु-वर्ग भावना के भविष्यवाणी, छह-तरफा प्रश्न वर्गीकरण आ दूरस्थ पर्यवेक्षण द्वारा ट्विटर भावना के भविष्यवाणी। नेटवर्क पहिले तीन काम में बढ़िया परफॉरमेंस हासिल करेला आउर अंतिम काम में सबसे मजबूत बेसलाइन के संबंध में 25% से जादा त्रुटि में कमी आवेला. |
ff5c193fd7142b3f426baf997b43937eca1bbbad | उच्च-शक्ति मध्यम-वोल्टेज ऊर्जा नियंत्रण के क्षेत्र में बहुस्तरीय इन्वर्टर प्रौद्योगिकी हाल ही में एगो बहुत महत्वपूर्ण विकल्प के रूप में उभरी. इ पेपर सबसे महत्वपूर्ण टोपोलॉजी प्रस्तुत करेला जइसे कि डायोड-कलेम्प्ड इन्वर्टर (न्यूट्रल-पॉइंट क्लैम्प्ड), कैपेसिटर-कलेम्प्ड (फ्लाइंग कैपेसिटर), आउर कैस्केडेड मल्टीसेल अलग डीसी स्रोत के साथ. उभरत टोपोलॉजी जइसे असममित हाइब्रिड कोशिका आउर नरम-स्विच बहुस्तरीय इन्वर्टर पर भी चर्चा कइल गइल बा. इ कागद में परिवर्तक के इ परिवार खातिर विकसित सबसे प्रासंगिक नियंत्रण आउर मॉडुलन विधि के भी प्रस्तुत कइल गइल बा: बहुस्तरीय साइनसॉइडल पल्सविड्थ मॉडुलन, बहुस्तरीय चयनात्मक हार्मोनिक उन्मूलन, आउर अंतरिक्ष-वेक्टर मॉडुलन. ए सब परिवर्तक के नवीनतम आउर अधिक प्रासंगिक अनुप्रयोग जइसे कि लैमिनेटर, कन्वेयर बेल्ट आउर एकीकृत पावर-फ्लो नियंत्रक पर विशेष ध्यान दिहल गइल बा. पुनरुत्पादक भारन क आपूर्ति करे वाले इन्वर्टरन क खातिर इनपुट साइड पे एगो सक्रिय फ्रंट एंड क आवश्यकता भी चर्चा कईल गईल बा, और सर्किट टोपोलॉजी विकल्प भी प्रस्तुत कईल गईल बा. अंत में, दूरगामी विकास क्षेत्र जइसे कि उच्च-वोल्टेज उच्च-शक्ति उपकरण आउर ऑप्टिकल सेंसर आउर भविष्य के विकास खातिर अन्य अवसर पर ध्यान दिहल गइल बा. |
Subsets and Splits