_id
stringlengths 40
40
| text
stringlengths 0
9.62k
|
|---|---|
40baa5d4632d807cc5841874be73415775b500fd | मोटर ड्राइव खातिर पारंपरिक दु-स्तरीय उच्च आवृत्ति पल्स चौड़ाई मॉड्यूलेशन (पीडब्लूएम) इन्वर्टर में उच्च आवृत्ति स्विचिंग से जुड़ल कई समस्या होला जवन मोटर वाइंडिंग में सामान्य-मोड वोल्टेज आउर उच्च वोल्टेज परिवर्तन (डीवी / डीटी) दर पैदा करेला. बहुस्तरीय इन्वर्टर इ समस्या के हल करेला काहे से कि उनकर उपकरन बहुत कम आवृत्ति पर स्विच कर सकेला. इलेक्ट्रिक ड्राइव खातिर कनवर्टर के रूप में उपयोग खातिर दु अलग-अलग बहुस्तरीय टोपोलॉजी के पहचान कइल गइल बा, अलग-अलग डीसी स्रोत के साथ एगो कैस्केड इन्वर्टर आउर बैक-टू-बैक डायोड क्लैम्प्ड कनवर्टर. कैस्केड इन्वर्टर, बड़हन ऑटोमोटिव एलीइलेक्ट्रिक ड्राइव खातिर एगो स्वाभाविक फिट बा काहे कि उच्च वीए रेटिंग संभव बा आउर काहे कि ई डीसी वोल्टेज स्रोत के कई स्तर के उपयोग करेला जवन बैटरी या ईंधन कोशिका से उपलब्ध होई. बैक-टू-बैक डायोड क्लैंप्ड कनवर्टर आदर्श बा जहाँ एसी वोल्टेज के स्रोत उपलब्ध होला जइसे कि हाइब्रिड इलेक्ट्रिक वाहन. सिमुलेशन आउर प्रयोगात्मक परिणाम पीडब्लूएम आधारित ड्राइव के तुलना में इ दुगो कन्वर्टर्स के श्रेष्ठता देखावत बाटे. |
895fa1357bcfa9b845945c6505a6e48070fd5d89 | एह काम में हमनी के एगो सुरक्षित इलेक्ट्रॉनिक वोटिंग प्रोटोकॉल के प्रस्ताव दिहल जा रहल बा जे इंटरनेट पर बड़ पैमाना पर वोटिंग खातिर उपयुक्त बा। ई प्रोटोकॉल मतदाता के गुमनाम रूप से आपन वोट डाले के अनुमति देला, बिना पता लगावल जा सके आ फिर भी सही संदेश भेज के। प्रोटोकॉल सुनिश्चित करेला कि (i) केवल पात्र मतदाता ही वोट दे सकेलन, (ii) एगो मतदाता केवल एगो वोट दे सकेलन, (iii) एगो मतदाता इ सत्यापित कर सकेलन कि उनकर वोट अंतिम मतगणना में गिनाइल बा, (iv) मतदाता के अलावा कोई भी, मतदान के मतदाता से जोड़ ना सके, आउर (v) अगर कोई मतदाता वोट ना देवे के फैसला करेला, त कोई भी मतदाता के जगह पर धोखाधड़ी से वोट ना दे सकेले. प्रोटोकॉल के खातिर पंजीकृत मतदाता के सहयोग के जरुरत नइखे. एकरा खातिर जटिल क्रिप्टोग्राफिक तकनीक जइसे कि थ्रेसहोल्ड क्रिप्टो सिस्टम या मतदान खातिर गुमनाम चैनल के इस्तेमाल के भी जरूरत ना पड़ेला। ई वोटिंग प्रोटोकॉल के बिपरीत बा जे साहित्य में प्रस्तावित कइल गइल बा. प्रोटोकॉल सफल संचालन खातिर मतदाता के अलावा तीन एजेंट के उपयोग करेला. बाकिर हमनी के एह एजेंटन पर भरोसा करे के जरुरत नइखे. यानी, एजेंट भौतिक रूप से एक साथे स्थित हो सके लें या धोखाधड़ी करे के कोसिस करे खातिर एक-दूसर के साथ साजिश कर सके लें। अगर धोखाधड़ी भइल बा त ओकर पता लगावल आ साबित कइल आसान बा, एहसे वोट के शून्य घोषित कइल जा सकेला. यद्यपि हम इलेक्ट्रॉनिक वोटिंग के ध्यान में रख के प्रोटोकॉल के प्रस्तावित कर रहल बानी, प्रोटोकॉल के उपयोग अन्य अनुप्रयोग में कइल जा सकेला जेकरा में एगो अनट्रेस करे लायक लेकिन प्रामाणिक संदेश के आदान-प्रदान शामिल बा. अइसन आवेदन के उदाहरण गोपनीय प्रश्नावली के गुमनाम रूप से या गुमनाम वित्तीय लेनदेन के जवाब दे रहल बा. |
cf9145aa55da660a8d32bf628235c615318463bf | पिछला दस साल में, इ स्पष्ट हो गइल बा कि एम्बेडेड सिस्टम हमनी के रोजमर्रा के जीवन के एगो अभिन्न अंग ह. कई एम्बेडेड एप्लीकेशन के वायरलेस प्रकृति के साथे-साथे उनकर सर्वव्यापकता सुरक्षा आउर गोपनीयता संरक्षित तंत्र के आवश्यकता के विशेष रूप से महत्वपूर्ण बनवले बा. एहसे, जइसे-जइसे एफपीजीए एम्बेडेड सिस्टम के अभिन्न अंग बनत जा रहल बा, अइसन जरूरी बा कि एकर सुरक्षा के पूरा तरह से ध्यान में राखल जाव. ई योगदान सिस्टम आ कार्यान्वयन दुनों के नजरिया से एफपीजीए के सुरक्षा के मुद्दा सभ के आधुनिक बिबरन देला। हम क्रिप्टोग्राफिक अनुप्रयोग खातिर पुनर्गठनीय हार्डवेयर के लाभ के चर्चा करब, एफपीजीए के संभावित सुरक्षा समस्या के देखइब, आउर खुला अनुसंधान समस्या के सूची प्रदान करब. एकरे अलावा, हम एफपीजीए पर पब्लिक आ सिमेट्रिक-की एल्गोरिथ्म कार्यान्वयन दुनों के सारांश देत बानी. |
748eb923d2c384d2b3af82af58d2e6692ef57aa1 | टेक्स्ट माइनिंग कंप्यूटर विज्ञान के एगो नया आ रोमांचक क्षेत्र ह जवन डेटा माइनिंग, मशीन लर्निंग, प्राकृतिक भाषा प्रोसेसिंग, सूचना पुनर्प्राप्ति, आ ज्ञान प्रबंधन के तकनीक के मिला के सूचना अधिभार के संकट के समाधान करे के कोसिस करेला। टेक्स्ट माइनिंग हैंडबुक टेक्स्ट माइनिंग आ लिंक डिटेक्शन के नवीनतम तकनीक के विस्तृत चर्चा करे ला। मूल पाठ खनन आउर लिंक डिटेक्शन एल्गोरिदम आउर संचालन के गहन जांच प्रदान करे के अलावा, पुस्तक उन्नत पूर्व-प्रसंस्करण तकनीक, ज्ञान प्रतिनिधित्व विचार आउर दृश्य दृष्टिकोण के वास्तविक दुनिया के अनुप्रयोग के साथ समाप्त करत ह. |
d044d399049bb9bc6df8cc2a5d72610a95611eed | उद्देश्य सुबहाइट स्ट्रोक वाले व्यक्ति में लोकोमैट के साथ रोबोट-सहायता प्राप्त गद्दा प्रशिक्षण के प्रभावकारिता के तुलना करना. विधि कुल 63 प्रतिभागी < 6 महीने के बाद स्ट्रोक के साथ प्रारंभिक चलना गति 0. 1 से 0. 6 m/ s के बीच बहुकेंद्र, यादृच्छिक नैदानिक परीक्षण पूरा कइलस. सब प्रतिभागी लोग लोकोमेट या पारंपरिक चाल प्रशिक्षण के चौबीस घंटा के सत्र प्राप्त कइलें. परिणाम के माप के मूल्यांकन प्रशिक्षण से पहिले, 12 आउर 24 सत्र के बाद, आउर 3 महीने के अनुवर्ती परीक्षा में कइल गइल रहे. जमीन पर चले के गति आउर 6 मिनट में चले वाला दूरी प्राथमिक परिणाम उपाय रहे, जबकि माध्यमिक परिणाम उपाय में संतुलन, गतिशीलता आउर कार्य, गति आउर समरूपता, विकलांगता के स्तर आउर जीवन के गुणवत्ता शामिल रहे. परिणाम जे प्रतिभागी पारंपरिक पैदल प्रशिक्षण प्राप्त कइलन, ऊ लोग लोकोमेट पर प्रशिक्षित लोगन के तुलना में पैदल गति (पी = . 002) आउर दूरी (पी = . 03) में काफी अधिक लाभ के अनुभव कइलन. तीन महीना के अनुवर्ती मूल्यांकन में इ अंतर बरकरार रहल. द्वितीयक माप 2 समूह के बीच अलग ना रहे, हालांकि पारंपरिक बनाम लोकोमेट समूह में गति में 2 गुना अधिक सुधार देखल गइल रहे. मध्यम से गंभीर चाल के विकलांगता वाला सब-अग्रिट स्ट्रोक प्रतिभागी लोगन खातिर, पारंपरिक चाल प्रशिक्षण हस्तक्षेप के विविधता, चलने की क्षमता में वापसी के सुविधा खातिर रोबोट-सहायता प्राप्त चाल प्रशिक्षण के तुलना में अधिक प्रभावी प्रतीत होला. |
098cc8b16697307a241658d69c213954ede76d59 | दू गो प्लेटफार्म पर 43 प्रयोगकर्ता लोग के डेटा के इस्तेमाल क के, हमनी के स्मार्टफोन ट्रैफिक के विस्तृत जानकारी प्रस्तुत करत बानी. हमनी के ई पता चलल कि ब्राउजिंग में आधा से बेसी ट्रैफिक होला, जबकि ईमेल, मीडिया, आ नक्शा में लगभग 10% हिस्सा होला। हम ई भी पावेनी कि छोट ट्रांसफर साइज के कारण निचला लेयर प्रोटोकॉल के ओवरहेड ढेर बा. आधे ट्रांसफर खातिर जे ट्रांसपोर्ट लेवल सिक्योरिटी के इस्तेमाल करे लें, हेडर बाइट कुल ट्रांसफर के 40% होला। हम देखनी ह कि जबकि पैकेट के नुकसान मुख्य कारक ह जे स्मार्टफोन ट्रैफिक के थ्रूपुट के सीमित करेला, इंटरनेट सर्वर पर बड़हन बफर भेजल ट्रांसफर के एक चौथाई के थ्रूपुट में सुधार कर सकेला. अंत में, स्मार्टफोन ट्रैफिक आ रेडियो पावर मैनेजमेंट नीति के बीच के बातचीत के अध्ययन करके, हमनी के ई पावे के मिली कि पैकेट एक्सचेंज के परफॉर्मेंस पर कम से कम असर डाल के रेडियो के पावर खपत के 35% तक कम कइल जा सकेला। |
1e126cee4c1bddbfdd4e36bf91b8b1c2fe8d44c2 | ई पेपर पावरबूटर के बारे में बतावेला, जे एगो ऑटोमेटेड पावर मॉडल निर्माण तकनीक हवे जे बिल्ट-इन बैटरी वोल्टेज सेंसर के इस्तेमाल करे ला आ बैटरी डिस्चार्ज करे के तरीका के जानकारी के इस्तेमाल करे ला ताकि बिजली के खपत के निगरानी कइल जा सके। एकरा खातिर कौनो बाहरी माप उपकरण के आवश्यकता नइखे. हम पॉवरट्यूटर के भी वर्णन करब, एगो घटक शक्ति प्रबंधन आउर गतिविधि स्थिति अंतर्दृष्टि आधारित उपकरण जवन ऑनलाइन शक्ति अनुमान खातिर पावरबूटर द्वारा उत्पन्न मॉडल के उपयोग करेला. पावरबूटर के मकसद एप्लीकेशन डेवलपर्स आ एंड यूजर्स खातिर नया स्मार्टफोन वेरिएंट खातिर पावर मॉडल के जल्दी आ आसानी से जेनरेट कइल बा, जे में से हर एक के अलग-अलग पावर कंसम्पशन गुण होला आ एही से अलग-अलग पावर मॉडल के जरूरत होला। पावरट्यूटर के उद्देश्य एम्बेडेड सिस्टम खातिर बिजली दक्ष सॉफ्टवेयर के डिजाइन आउर चयन के आसान बनावे के बा. PowerBooter आ PowerTutor के मिल के लक्ष्य बा कि अधिक से अधिक स्मार्टफोन वेरिएंट आ ओकरी प्रयोगकर्ता लोग खातिर पावर मॉडलिंग आ एनालिसिस के सुविधा उपलब्ध करावल जाय। |
3f62fe7de3bf15af1e5871dd8f623db29d8f0c35 | 255 प्रयोगकर्ता लोग के विस्तृत जानकारी के उपयोग क के, हम स्मार्टफोन के उपयोग के बारे में एगो व्यापक अध्ययन कईले बानी। हम जानबूझ के प्रयोगकर्ता क्रियाकलाप के बिसेसता बतावेनी -- डिवाइस आ इस्तेमाल होखे वाला एप्लीकेशन के साथ बातचीत -- आ एह क्रियाकलाप के नेटवर्क आ ऊर्जा के इस्तेमाल पर परभाव भी बतावेनी। हम प्रयोगकर्ता लोगन के बीच बहुत विविधता पावेला. हम जवन सब पहलु के अध्ययन करेनी, ऊ में उपयोगकर्ता एक या एक से अधिक परिमाण के क्रम से भिन्न होला. उदाहरण खातिर, प्रति दिन औसत बातचीत के संख्या 10 से 200 तक भिन्न होला, आउर प्रति दिन प्राप्त औसत डेटा के मात्रा 1 से 1000 एमबी तक भिन्न होला. विविधता के ई स्तर ई बतावेला कि उपयोगकर्ता अनुभव या ऊर्जा खपत में सुधार करे खातिर तंत्र जादा प्रभावी होई अगर ऊ उपयोगकर्ता व्यवहार के सीख आउर अनुकूलित करेलें. हमनी के ई पावे के बा कि प्रयोगकर्ता लोग में गुणात्मक समानता मौजूद बा जे प्रयोगकर्ता व्यवहार के सीखे के काम के आसान बनावेला। उदाहरण खातिर, एगो घातीय वितरण के उपयोग क के, विभिन्न उपयोगकर्ता खातिर अलग-अलग वितरण पैरामीटर के साथ, खातिर सापेक्ष अनुप्रयोग लोकप्रियता के मॉडल बनावल जा सकेला. हम भविष्य में ऊर्जा के खपत के अनुमान लगावे खातिर एगो तंत्र के संदर्भ में उपयोगकर्ता व्यवहार के अनुकूलन के मूल्य के प्रदर्शित करब. अनुकूलन के साथ 90 वीं प्रतिशत त्रुटि उपयोगकर्ता के औसत व्यवहार के आधार पर भविष्यवाणी के तुलना में आधे से कम बा. |
45654695f5cad20d2be36d45d280af5180004baf | इ लेख में हम भविष्य के 5G नेटवर्क खातिर एगो नया फ्रंटहॉल इंटरफेस के डिजाइन के चर्चा करब. वर्तमान फ्रंटहॉल समाधान के प्रमुख कमियों के पहिले विश्लेषण कइल गइल बा, आउर फेर एगो नया फ्रंटहॉल इंटरफ़ेस के प्रस्तावित कइल गइल बा जेकरा के अगली पीढ़ी के फ्रंटहॉल इंटरफ़ेस (एनजीएफआई) कहल जाला. एनजीएफआई के डिजाइन सिद्धांत प्रस्तुत कइल गइल बा, जे में एंटेना के संख्या से फ्रंटहॉल बैंडविड्थ के अलग कइल, सेल के अलग कइल आ यूजर उपकरण के प्रोसेसिंग, आ उच्च-प्रदर्शन वाला सहयोगी टेक्नोलॉजी पर ध्यान केंद्रित कइल शामिल बा। एनजीएफआई के मकसद मुख्य 5जी तकनीक के बेहतर समर्थन कइल बा, खासतौर पर क्लाउड आरएएन, नेटवर्क फंक्शन वर्चुअलाइजेशन, आ बड़ पैमाना पर एंटीना सिस्टम। एनजीएफआई कम बैंडविड्थ के फायदा के साथ-साथ मोबाइल नेटवर्क ट्रैफिक पर ज्वार-भाटा के प्रभाव के उपयोग करके संचरण दक्षता में सुधार के दावा करेला. एनजीएफआई के संचरण इथरनेट पर आधारित बा ताकि लचीलापन आ विश्वसनीयता के लाभ उठावल जा सके। ईथरनेट आधारित फ्रंटहाउस नेटवर्क के प्रमुख प्रभाव, चुनौती आउर संभावित समाधान के भी विश्लेषण कइल गइल बा. झिटर, विलंबता, आउर समय आउर आवृत्ति समक्रमण के दूर करे के प्रमुख समस्या बा. |
a1bbd52c57ad6a36057f5aa69544887261eb1a83 | हम एगो वाक्यविन्यास-आधारित एल्गोरिथ्म के वर्णन कर रहल बानी जे स्वचालित रूप से अर्थसापेक्ष समतुल्य अनुवाद सेट से परिमित राज्य ऑटोमैट (शब्द जाली) बनावेला. ई एफएसए पैराफ्रेसन के बढ़िया प्रतिनिधित्व हवे. इनहन के इस्तेमाल लेक्सिकल आ सिंटैक्सिक पैराफ्रेज़ जोड़े के निकाले खातिर कइल जा सके ला आ नया, अनदेखा वाक्य बनावे खातिर कइल जा सके ला जे इनपुट सेट में मौजूद वाक्य के जइसन अर्थ बतावे ला। हमनी के एफएसए भी वैकल्पिक अर्थ संबंधी प्रतिपादन के शुद्धता के भविष्यवाणी कर सकेला, जेकर उपयोग अनुवादन के गुणवत्ता के मूल्यांकन करे खातिर कइल जा सकेला. |
78e2cf228287d7e995c6718338e3ec58dc7cca50 | |
7674e4e66c60a4a31d0b68a07d4ea521cca8a84b | फजीलॉग एगो आंशिक रूप से ऑर्डर कइल साझा लॉग अमूर्तता हवे। वितरित अनुप्रयोग एक साथे आंशिक क्रम में जोड़ सकेला आउर ओकरा के वापस चला सकेला. फजीलॉग एप्लीकेशन सभ के एगो साझा लॉग के फायदा मिले ला - मजबूत सुसंगतता, टिकाऊपन, आ खराबी के परमाणुता के आसान तरीका से निकालल जाला - बिना एकरे नुकसान के। आंशिक क्रम के उजागर कके, फजीलॉग अनुप्रयोगों क खातिर तीन प्रमुख क्षमताओं के सक्षम करेला: थ्रूपुट और क्षमता (एटॉमिकिटी के त्याग के बिना), कमजोर स्थिरता गारंटी औरु नेटवर्क विभाजन के सहिष्णुता क खातिर रैखिक स्केलिंग. हम डैपल के प्रस्तुत करत बानी, जे फजीलॉग अमूर्तता के एगो वितरित कार्यान्वयन ह जवन आंशिक क्रम के संकुचित रूप से संग्रहीत करेला आउर एगो नया क्रम प्रोटोकॉल के माध्यम से दक्ष अनुलग्नक / प्लेबैक के समर्थन करेला. हम कई गो डेटा संरचना आ एप्लीकेशन सभ के फजीलॉग पर लागू कइनी, जेह में कई गो नक्शा वेरिएंट आ एगो ज़ूकीपर भी शामिल बा। हमनी के मूल्यांकन से पता चलल कि इ सब अनुप्रयोग कॉम्पैक्ट, तेज आउर लचीला बा: इ सब साझा लॉग डिजाइन के सादगी (100 पंक्तियन के कोड) आउर मजबूत सिमेंटिक्स (टिकाऊपन आउर विफलता परमाणुता) के बरकरार रखत बा जबकि रैखिक स्केलेबिलिटी, लचीला सुसंगतता गारंटी (जैसे, कारण + सुसंगतता), आउर नेटवर्क विभाजन सहिष्णुता खातिर फजीलॉग के आंशिक क्रम के दोहन करत बा. 6-नोड डैपल परिनियोजन पर, हमनी के फजीलॉग आधारित ज़ूओकीपर 3M/सेकंड एकल-कुंजी लिखे के समर्थन करेला, आउर 150K/सेकंड परमाणु क्रॉस-शार्ड नामकरण. |
38bcf0bd4f8c35ff54d292d37cbdca1da677f3f5 | श्रवण योग्य बायोसेंसर (डब्ल्यूबीएस) कई नया सेटिंग्स में निरंतर हृदय (सीवी) निगरानी के अनुमति देई. कई प्रमुख बेमारी के निदान आउर उपचार में लाभ के एहसास हो सकेला. डब्ल्यूबीएस, उचित अलार्म एल्गोरिदम के साथ, उच्च जोखिम वाला विषय के खातिर सीवी आपदा के निगरानी क्षमता के बढ़ा सकेला. डब्ल्यूबीएस भी पुरानी बीमारियन के इलाज में एगो भूमिका निभा सकेला, जानकारी प्रदान करके जवन थेरेपी के सटीक उपादान या रोगी के अनुपालन में चूक के पता लगावे में सक्षम बनावेला. डब्लूबीएस खतरनाक ऑपरेशन (सैन्य, अग्नि-बंद, आदि) के दौरान लोगन के वायरलेस निगरानी में महत्वपूर्ण भूमिका निभा सकेला. ), या अइसन सेंसर के सामूहिक नागरिक हताहत घटना के दौरान वितरित कइल जा सकेला. चूंकि सीवी फिजियोलॉजिकल पैरामीटर " महत्वपूर्ण संकेत " बनावेला जवन कि आपातकालीन चिकित्सा स्थितियन में सबसे महत्वपूर्ण जानकारी होला, डब्ल्यूबीएस एगो वायरलेस निगरानी प्रणाली के जोखिम में आवे वाला बड़ संख्या में व्यक्ति खातिर सक्षम बनावेला. इ ही तरीका आज के अति-भीड़ आपातकालीन विभाग के प्रतीक्षा कक्ष के निगरानी में भी उपयोगी हो सकेला. अस्पताल में भर्ती मरीजन खातिर जेकरा के सीवी मॉनिटरिंग के जरूरत होखे, वर्तमान बायोसेंसर तकनीक आम तौर पर मरीजन के केबल के जाल में बांध लेले, जबकि पहनल जाए वाला सीवी सेंसर अस्पताल में भर्ती मरीजन के आराम बढ़ा सकेला आउर ठोकर खाए आउर गिरले के जोखिम के भी कम कर सकेला, अस्पताल के मरीजन खातिर एगो बारहमासी समस्या जवन बीमार, दवा पर, आउर अपरिचित सेटिंग में बा. दैनिक आधार पर, पहनावे योग्य सीवी सेंसर अनियंत्रित उच्च रक्तचाप के महसूस करके दवा के एगो चूकल खुराक के पता लगा सकेला आउर रोगी के दवा लेवे खातिर एगो स्वचालित अनुस्मारक के ट्रिगर कर सकेला. एकरे अलावा, डॉक्टर लोगन खातिर उच्च रक्तचाप के इलाज के टाइट्रेट कइल महत्वपूर्ण बा, काहेकि अपर्याप्त थेरेपी के साथे-साथे अत्यधिक थेरेपी (असामान्य रूप से कम रक्तचाप के तरफ ले जात) मृत्यु दर बढ़ावेला. हालांकि, स्वास्थ्य सेवा देवे वाला लोग के पास केवल रक्तचाप के अंतराल के मान होला जेकरा पर चिकित्सा निर्णय के आधार बनावल जा सकेला; इ संभव बा कि रक्तचाप के निरंतर निगरानी से चिकित्सा के बढ़ावल जा सकेला आउर मृत्यु दर में कमी हो सकेला. एही तरह, डब्ल्यूबीएस एगो मरीज के व्यायाम प्रयास के शारीरिक हस्ताक्षर के लॉग करे में सक्षम होई (दिल के दर आउर रक्तचाप में परिवर्तन के रूप में प्रकट होला), रोगी आउर स्वास्थ्य सेवा प्रदाता के स्वास्थ्य परिणाम में सुधार करे खातिर सिद्ध योजना के अनुपालन के आकलन करे के अनुमति देवेला. क्रोनिक कार्डियोवैस्कुलर बेमारी, जइसे कि दिल के विफलता वाला मरीजन खातिर, डब्ल्यूबीएस के नियोजित करे वाला होम मॉनिटरिंग बहुत जल्दी (आऊ अक्सर आसानी से इलाज योग्य) चरण में, मरीज के जादा खतरनाक स्तर तक चले से पहिले, इमरजेंसी रूम के दौरा आउर खर्चीला अस्पताल में भर्ती के आवश्यकता से बहुत पहिले, बढ़ल हालत के पता लगा सकेला. एह लेख में हमनी के तकनीकी आ नैदानिक दुनु तरह के ... |
86c9a59c7c4fcf0d10dbfdb6afd20dd3c5c1426c | फिंगरप्रिंट वर्गीकरण फिंगरप्रिंट डेटाबेस में एगो महत्वपूर्ण अनुक्रमण तंत्र प्रदान करेला. एगो सटीक आउर सुसंगत वर्गीकरण एगो बड़ डेटाबेस खातिर फिंगरप्रिंट मिलान समय के बहुते कम कर सकेला. हम एगो फिंगरप्रिंट वर्गीकरण एल्गोरिथ्म प्रस्तुत करत बानी जवन पहिले के साहित्य में बतावल गइल से बेहतर सटीकता प्राप्त करे में सक्षम बा. हम अंगुरी के छाप के पाँच गो श्रेणी में बाँटत बानी: घुमावदार, दाहिना लूप, बायाँ लूप, आर्क, आ टेन्ट वाला आर्क. एल्गोरिथ्म एगो उपन्यास निरूपण (फिंगरकोड) के उपयोग करेला आउर वर्गीकरण करे खातिर दू-चरण वर्गीकरण पर आधारित होला. एनआईएसटी-4 डेटाबेस में 4,000 चित्रन पर एकर परीक्षण कइल गइल बा. पांच-वर्ग समस्या खातिर, 90 प्रतिशत के वर्गीकरण सटीकता प्राप्त कइल जाला (विशेषता निष्कर्षण चरण के दौरान 1.8 प्रतिशत अस्वीकृति के साथे). चार वर्ग समस्या खातिर (आर्क आउर टेंट आर्क के एक वर्ग में जोड़ के), हम 94.8 प्रतिशत (1.8 प्रतिशत अस्वीकृति के साथे) के वर्गीकरण सटीकता प्राप्त करे में सक्षम बानी. वर्गीकरणकर्ता में अस्वीकार करे के विकल्प के शामिल करके, वर्गीकरण सटीकता के पांच-वर्ग वर्गीकरण कार्य खातिर 96 प्रतिशत तक बढ़ाल जा सकेला, आउर कुल 32.5 प्रतिशत छवियों के अस्वीकार करे के बाद चार-वर्ग वर्गीकरण कार्य खातिर 97.8 प्रतिशत तक बढ़ाल जा सकेला. |
a2ed347d010aeae4ddd116676bdea2e77d942f6e | इ पेपर में फिंगरप्रिंट वर्गीकरण एल्गोरिथ्म प्रस्तुत कइल गइल बा. उंगलियन के छाप के पाँच श्रेणी में बाँटल जालाः आर्क, टेन्ट आर्क, लेफ्ट लूप, राइट लूप आ वोरल. एल्गोरिथ्म एगो फिंगरप्रिंट इमेज में सिंगुलर बिंदु (कोर आउर डेल्टा) के निकाल ले आउर पता लगावल गइल सिंगुलर बिंदु के संख्या आउर स्थान के आधार पर वर्गीकरण करेला. वर्गीकरणकर्ता घूर्णन, अनुवाद आउर छोट मात्रा में पैमाना के परिवर्तन के खातिर अपरिवर्तनीय होला. वर्गीकरणकर्ता नियम-आधारित होला, जहाँ नियम दिहल गइल डेटा सेट से स्वतंत्र रूप से उत्पन्न होला. वर्गीकरणकर्ता के परीक्षण एनआईएसटी-4 डेटाबेस में 4000 आ एनआईएसटी-9 डेटाबेस में 5400 चित्रन पर कइल गइल। एनआईएसटी-4 डेटाबेस खातिर, पांच-वर्ग समस्या खातिर 85.4% के वर्गीकरण सटीकता आउर चार-वर्ग समस्या खातिर 91.1% (आर्क आउर टेंट आर्क के एके श्रेणी में रख के) प्राप्त कइल गइल रहे. अस्वीकार करे के विकल्प के उपयोग करके, चार-वर्ग वर्गीकरण त्रुटि के 6% से कम कर दिहल जा सकेला, 10% फिंगरप्रिंट छवियन के अस्वीकार कर दिहल जाला. समान वर्गीकरण प्रदर्शन NIST-9 डेटाबेस पर प्राप्त कइल गइल रहे. |
b07ce649d6f6eb636872527104b0209d3edc8188 | |
3337976b072405933a02f7d912d2b6432de38feb | एह लेख के तीन हिस्सा बा: सारांश के एगो प्रारंभिक टाइपोलॉजी; आईएसआई के जरिये बनावल जा रहल "समरिसट" बहुभाषी टेक्स्ट सारांश प्रणाली के वर्तमान आ नियोजित मॉड्यूल आ परफॉर्मेंस के बिबरन; आ सारांश के मूल्यांकन के तीन गो तरीका के चर्चा। 1. करेले 1950 के दशक के अंत आ 60 के दशक के शुरुआत में भइल प्रयोग से ई पता चलल कि कंप्यूटर द्वारा पाठ के सारांश बनावल संभव बा, हालाँकि ई सीधा नइखे (लुहन, 59; एडमंडसन, 68) । तब विकसित विधि काफी सरल रहे, मुख्य रूप से सतह स्तर के घटना जइसे वाक्य स्थिति आउर शब्द आवृत्ति गनती पर भरोसा करत रहे, आउर सार (पाठ के व्याख्या कइल गइल भाग, नया उत्पन्न) के बजाय अर्क (पाठ से चुनल गइल मार्ग, शाब्दिक रूप से पुनः उत्पन्न) के उत्पादन पर ध्यान केंद्रित कइलस. कुछ दशक के अंतराल के बाद, ऑनलाइन पाठ के बड़ मात्रा में बढ़त उपस्थिति - कॉर्पोरेस में आउर विशेष रूप से वेब पर - स्वचालित पाठ सारांश में रुचि के नवीनीकृत कइलस. एह बीच के दशक में, प्राकृतिक भाषा प्रसंस्करण (एनएलपी) में प्रगति, कंप्यूटर मेमोरी आ गति में भारी बढ़ोतरी के साथे, अउरी भी जटिल तकनीक के संभव बना दिहलस, जेकर परिणाम बहुत उत्साहजनक रहे. 1990 के दशक के अंत में, अमेरिका में कुछ अपेक्षाकृत छोट शोध निवेश (माइक्रोसॉफ्ट, लेक्सिस-नेक्सिस, ओरेकल, एसआरए, आउर टेक्स्टवाइज में व्यावसायिक प्रयास, आउर सीएमयू, एनएमएसयू, यूपीएन, आउर यूएससी/आईएसआई में विश्वविद्यालय के प्रयास सहित 10 से अधिक परियोजना) तीन चाहे चार साल में कई प्रणाली के उत्पादन कइलस जे संभावित बाजारपेठ के प्रदर्शन करेला, साथे ही कई नवाचार के भी जारी रखे के वादा करेला. एकरे अलावा, हाल में भइल कई गो कार्यशाला, किताब के संग्रह, आ कई गो ट्यूटोरियल ई बात के गवाही देला कि स्वचालित पाठ सारांश एगो बहुत लोकप्रिय क्षेत्र बन गइल बा। हालाँकि, जब केहू विभिन्न प्रणालियन के अध्ययन करे खातिर कुछ समय लेवेला आउर ई सोचेला कि वास्तव में का हासिल कइल गइल बा, त केहू के उनके अंतर्निहित समानता से, उनकर फोकस के संकीर्णता से, आउर समस्या के आसपास के अज्ञात कारक के बड़ी संख्या से प्रभावित होवे के मदद ना कइल जा सकेला. उदाहरण खातिर, एगो सारांश (अंग्रेजी में summarize) के मतलब का होला? कउनो भी इ ठीक-ठाक नाहीं जानत ह। हमनी के काम में, हम सारांश के सामान्य शब्द के रूप में उपयोग करेनीं आउर एकरा के नीचे के रूप में परिभाषित करेनीं: सारांश एगो अइसन पाठ होला जवन एक या एक से अधिक (संभवतः मल्टीमीडिया) पाठ से बनावल जाला, जेमे मूल पाठ के समान जानकारी होला, आउर जे मूल पाठ के आधा से जादे ना होला. चित्र के थोड़ा सा स्पष्ट करे खातिर, हम भिन्नता के निम्नलिखित पहलु के पहचान करके अनुसरण आउर विस्तार (स्पिरिक जोन्स, 97) करब. कौनों सारांश के विशेषता के (कम से कम) तीन गो मुख्य वर्ग द्वारा चिन्हित कइल जा सकेलाः Invut: स्रोत पाठ के विशेषता बहु-दस्तावेज़ः एकल-दस्तावेज़ सारांश एगो एकल इनपुट पाठ से प्राप्त होला (हालांकि सारांश प्रक्रिया में अन्य पाठ से पहिले संकलित जानकारी के उपयोग कइल जा सकेला). बहु-दस्तावेज सारांश एगो अइसन पाठ होला जे एक से अधिक इनपुट पाठ के सामग्री के कवर करे ला, आ आमतौर पर खाली तब इस्तेमाल होला जब इनपुट पाठ विषयगत रूप से संबंधित होखें। विशिष्टता: डोमेन-विशिष्ट बनाम सामान्य: जब इनपुट पाठ सब एगो डोमेन से संबंधित होला, तब सामान्य मामला के तुलना में डोमेन-विशिष्ट सारांश तकनीक के लागू करल, विशिष्ट सामग्री पर ध्यान केंद्रित करल, आउर विशिष्ट प्रारूप के आउटपुट करल उचित हो सकेला. एगो डोमेन-विशिष्ट सारांश इनपुट टेक्स्ट से प्राप्त होला जेकर थीम एगो एकल प्रतिबंधित डोमेन से संबंधित होला. एह तरह से, ई कम शब्द अस्पष्टता, अनूठा शब्द आ व्याकरण के इस्तेमाल, बिसेस रूप से फॉर्मेट इत्यादि के मान सकेला आ सारांश में एकर प्रतिबिंबित कर सकेला। |
25126128faa023d1a65a47abeb8c33219cc8ca5c | हम बड़े पैमाना के कर्नेल विधि के लिए निस्ट्रोम प्रकार के उप-नमूनाकरण दृष्टिकोण के अध्ययन करेनी, आउर सांख्यिकीय सीखना सेटिंग में सीखे के सीमा के साबित करेनी, जहां यादृच्छिक नमूनाकरण आउर उच्च संभावना अनुमान के विचार कइल जाला. विशेष रूप से, हम ई साबित कर सकिला कि इ सब दृष्टिकोण इष्टतम सीख के सीमा के प्राप्त कर सकेला, बशर्ते कि उप-नमूना स्तर के ठीक से चुनल जाए. इ परिनाम Nyström कर्नेल रेगुलराइज्ड लेस्ट स्क्वायर के एगो सरल वृद्धिशील संस्करण के सुझाव देवेला, जहवां उप-नमूना स्तर कम्प्यूटेशनल रेगुलराइजेशन के एगो रूप के लागू करेला, इ अर्थ में कि इ एक ही समय में रेगुलराइजेशन आउर गणना के नियंत्रित करेला. व्यापक प्रयोगात्मक विश्लेषण से पता चलल बा कि विचार में लिहल गइल दृष्टिकोण बेंचमार्क बड़ पैमाना के डेटासेट पर अत्याधुनिक प्रदर्शन प्राप्त करेला. |
414573bcd1849b4d3ec8a06dd4080b62f1db5607 | वितरित सेवा से इनकार (डीडीओएस) हमला इंटरनेट पर एगो खतरा पैदा करेला. हम डी-वर्ड के प्रस्ताव करत बानी, डीडीओएस सुरक्षा प्रणाली जे स्रोत-अंत नेटवर्क पर तैनात बा जे स्वायत्त रूप से पता लगावेला आ एह नेटवर्क से होखे वाला हमला के रोक देला। नेटवर्क आ बाकी इंटरनेट के बीच दुतरफा ट्रैफिक के निरंतर निगरानी आ सामान्य प्रवाह मॉडल के साथ आवधिक तुलना के माध्यम से हमला के पता लगावल जाला. असंगत प्रवाह के दर उनके आक्रामकता के अनुपात में सीमित होला. डी-वार्ड हमला के दौरान भी वैध ट्रैफिक के अच्छा सेवा प्रदान करेला, जबकि डीडीओएस ट्रैफिक के प्रभावी ढंग से नगण्य स्तर तक कम करेला. सिस्टम के एगो प्रोटोटाइप लिनक्स राउटर में बनावल गइल बा. हम एकर प्रभावशीलता के कई हमला के परिदृश्य में देखावल, तैनाती के प्रेरणा पर चर्चा कइल, आउर संबंधित लागत के वर्णन कइल. |
705a24f4e1766a44bbba7cf335f74229ed443c7b | चेहरा के पहिचान करे वाला एल्गोरिदम आमतौर पर मान लेला कि चेहरा के तस्वीर ठीक से बान्हल बा आ चेहरा के स्थिति एक जइसन बा -- बाकी कई ठे व्यावहारिक अनुप्रयोग में ई शर्त के पूरा कइल असंभव बा. एही से चेहरा के पहिचान के बिना कउनो रोक-टोक के चेहरा के चित्रन तक विस्तारित कइल अनुसंधान के एगो सक्रिय क्षेत्र बन गइल बा. एकरा खातिर, स्थानीय बाइनरी पैटर्न (एलबीपी) के हिस्टोग्राम चेहरा के पहचान खातिर अत्यधिक भेदभावपूर्ण वर्णक साबित भइल बा. फिर भी, जादातर एलबीपी-आधारित एल्गोरिदम एगो कठोर डिस्क्रिप्टर मिलान रणनीति क उपयोग करेला जवन मुद्रा भिन्नता औरु असंतुलन के खिलाफ मजबूत नाही होला. हम चेहरा पहचान के दू गो एल्गोरिदम के प्रस्ताव देले बानी जे कि मुद्रा में बदलाव आ गलत ब्यवस्थापन से निपटे खातिर बनावल गइल बा। हम इल्लुमिनेशन नॉर्मलाइजेशन स्टेप भी जोड़त बानी जवन कि रोशनी के बदलाव के खिलाफ मजबूती बढ़ावेला. प्रस्तावित एल्गोरिदम एलबीपी के हिस्टोग्राम के आधार पर डिस्क्रिप्टर के उपयोग करेला आउर क्रमशः स्थानिक पिरामिड मिलान (एसपीएम) आउर नेव बेज निकटतम पड़ोसी (एनबीएनएन) के साथ डिस्क्रिप्टर मिलान करेला. हमार योगदान लचीला स्थानिक मिलान योजना के शामिल करे में बाटे जे छवि-से-वर्ग संबंध के उपयोग करे ला ताकि वर्ग के भीतर भिन्नता के संबंध में बेहतर मजबूती प्रदान कइल जा सके। हम प्रस्तावित एल्गोरिदम के सटीकता के तुलना एहोनेन के मूल एलबीपी-आधारित चेहरा पहचान प्रणाली आ चार मानक डेटासेट पर दू गो आधारभूत समग्र वर्गीकरणकर्ता से करब. हमार परिणाम ई बतावेला कि एनबीएनएन पर आधारित एल्गोरिथ्म दूसर समाधान से बेहतर काम करेला, आउर अइसन मुद्रा में भिन्नता के उपस्थिति में अधिक स्पष्ट रूप से करेला. |
fb8704210358d0cbf5113c97e1f9f9f03f67e6fc | सामग्री-आधारित दृश्य सूचना पुनर्प्राप्ति (सीबीवीआईआर) या सामग्री-आधारित छवि पुनर्प्राप्ति (सीबीआईआर) पिछला 10 साल में कंप्यूटर विजन के क्षेत्र में सबसे ज्वलंत अनुसंधान क्षेत्र में से एगो रहल बा. बड़हन आ लगातार बढ़त मात्रा में दृश्य आ मल्टीमीडिया डेटा के उपलब्धता, आ इंटरनेट के बिकास से ई बात पर बल मिले ला कि अइसन विषयगत पहुँच के तरीका बनावे के जरूरत बा जे खाली टेक्स्ट आधारित सवाल या सही तरीका से मिलान करे वाला डेटाबेस के सवाल से बेसी मदद दे। दृश्य या ऑडियो सामग्री के आधार पर क्वेरी बनावे आ निष्पादित करे खातिर आ बड़हन मल्टीमीडिया रिपॉजिटरी में खोज करे में मदद करे खातिर कई गो प्रोग्राम आ औजार विकसित कइल गइल बा. फिर भी, अलग-अलग प्रकार के आ अलग-अलग विशेषता वाला दस्तावेजन के साथे बड़हन विविध डेटाबेस के संबंध में कौनो सामान्य सफलता ना मिलल बा. गति, अर्थ संबंधी विवरण या वस्तुनिष्ठ छवि व्याख्या के संबंध में कई सवाल के उत्तर अभियो अनसुलझा बा. चिकित्सा क्षेत्र में, चित्र, आउर विशेष रूप से डिजिटल चित्र, के लगातार बढ़त मात्रा में बनावल जा रहल बा आउर निदान आउर चिकित्सा खातिर उपयोग कइल जा रहल बा. जेनेवा के यूनिवर्सिटी अस्पताल के रेडियोलॉजी विभाग अकेले 2002 में हर दिन 12,000 से ढेर तस्वीर बना रहल बा. कार्डियोलॉजी वर्तमान में डिजिटल इमेज के दुसरका सबसे बड़ उत्पादक बाटे, बिसेस रूप से कार्डियक कैथेटराइजेशन के वीडियो के साथ (प्रति वर्ष लगभग 1800 परीक्षा जेमे लगभग 2000 छवियाँ शामिल बा). 2002 में जिनेवा यूनिवर्सिटी अस्पताल में बनावल कार्डियोलॉजिकल इमेज डेटा के कुल मात्रा लगभग 1 टीबी रहल। एंडोस्कोपिक वीडियो भी भारी मात्रा में डेटा उत्पन्न कर सकेला. डिजिटल इमेजिंग आ कम्युनिकेशन्स इन मेडिसिन (डीआईसीओएम) के साथ, इमेज कम्युनिकेशन खातिर एगो मानक स्थापित कइल गइल बा आ रोगी के जानकारी के असली इमेज के साथ सहेजल जा सकेला, हालाँकि, कुछ समस्या अभियो मानकीकरण के संबंध में बा। कै गो ले लेख में चिकित्सीय छवियन के सामग्री-आधारित पहुंच के प्रस्ताव कइल गइल बा जे नैदानिक निर्णय लेवे में सहायता करे खातिर नैदानिक डेटा के प्रबंधन के आसान बनावे खातिर कइल गइल बा, आउर सामग्री-आधारित पहुंच के तरीका के चित्र संग्रहण आउर संचार प्रणाली (पीएसीएस) में एकीकृत करे खातिर परिदृश्य बनावल गइल बा. ई लेख चिकित्सा चित्र डेटा के सामग्री आधारित पहुँच के क्षेत्र में उपलब्ध साहित्य के एगो अवलोकन देला आउर क्षेत्र में उपयोग कइल जाए वाला तकनीक पर. खंड 1 में सामान्य सामग्री आधारित छवि पुनर्प्राप्ति आउर उपयोग कइल जाए वाली तकनीक में परिचय दिहल गइल बा. खंड 2 चिकित्सा अभ्यास में छवि पुनर्प्राप्ति के उपयोग खातिर प्रस्ताव आउर विभिन्न दृष्टिकोण के व्याख्या करेला. उदाहरण प्रणाली आउर अनुप्रयोग क्षेत्र के वर्णन कइल गइल बा. खंड 3 में लागू प्रणाली में इस्तेमाल होखे वाली तकनीक, ओकर डेटासेट आउर मूल्यांकन के वर्णन कइल गइल बा. खंड 4 क्लिनिकल अभ्यास के साथे-साथे अनुसंधान आउर शिक्षा में छवि पुनर्प्राप्ति प्रणाली के संभावित नैदानिक लाभ के पहचान करेला. नया शोध दिसा के परिभासित कइल जा रहल बा जवन उपयोगी साबित हो सकेला. इ लेख क्षेत्र में कुछ उल्लिखित समस्या के व्याख्या के भी पहचान करेला काहे कि इ देखाई देला कि चिकित्सा क्षेत्र से सिस्टम खातिर कई प्रस्ताव बनावल गइल बा आउर चिकित्सा डेटासेट के उपयोग करके कंप्यूटर विज्ञान विभाग में अनुसंधान प्रोटोटाइप विकसित कइल गइल बा. फिर भी, बहुत कम अइसन प्रणाली बा जेकर उपयोग क्लिनिकल अभ्यास में कइल जा ला. ई भी बतावल जरूरी बा कि सामान्य तौर पर, लक्ष्य पाठ-आधारित पुनर्प्राप्ति विधि के प्रतिस्थापित करे के नइखे जइसन कि वर्तमान में मौजूद बा, बल्कि दृश्य खोज उपकरण के साथे एकर पूरक करे के बा. |
38919649ae3fd207b96b62e95b3c8c8e69635c7f | ई अध्ययन वायरलेस मोबाइल एड-हॉक नेटवर्क खातिर प्रस्तावित तीन रूटिंग प्रोटोकॉल के तुलना बाटे. प्रोटोकॉल इ ह: गंतव्य अनुक्रम दूरी वेक्टर (डीएसडीवी), मांग पर दूरी वेक्टर (एओडीवी) आउर गतिशील स्रोत रूटिंग (डीएसआर) । व्यापक सिमुलेशन एगो परिदृश्य पर कइल जाला जहवाँ नोड्स बेतरतीब ढंग से चलेला. परिणाम एगो परिदृश्य में नोड्स के सापेक्षिक गति के प्रतिबिंबित करे खातिर डिज़ाइन कइल गइल उपन्यास गतिशीलता मीट्रिक के फलन के रूप में प्रस्तुत कइल गइल बा. एकरे अलावा, तीन गो यथार्थवादी परिदृश्य के भी पेश कइल गइल बा ताकि प्रोटोकॉल के अउरी खास संदर्भ में परीक्षण कइल जा सके। जादातर सिमुलेशन में प्रतिक्रियाशील प्रोटोकॉल (एओडीवी आउर डीएसआर) डीएसडीवी के तुलना में काफी बेहतर प्रदर्शन कइलस. मध्यम यातायात भार पर DSR एओडीवी से बेहतर प्रदर्शन कइलस, जबकि एओडीवी उच्च यातायात भार पर DSR से बेहतर प्रदर्शन कइलस. उत्तरार्द्ध डीएसआर डेटा पैकेट में स्रोत मार्ग से उत्पन्न होला, जे नेटवर्क पर भार बढ़ावेला. राउटर आ होस्ट, एही से एगो नोड अन्य नोड के बीच पैकेट के अग्रेषित कर सकेला आ साथ ही साथ प्रयोगकर्ता एप्लिकेशन के भी चला सकेला. मोबाइल एड-हॉक नेटवर्क हाल के कई रिसर्च आ डेवलपमेंट के प्रयास के केंद्र रहल बा। अब तक एड-हॉक पैकेट रेडियो नेटवर्क मुख्य रूप से सैन्य अनुप्रयोगन से संबंधित रहल ह, जहाँ एगो विकेन्द्रीकृत नेटवर्क विन्यास एगो परिचालन लाभ या एगो आवश्यकता भी ह. एड-हॉक कॉन्फ़िगरेशन अवधारणा के इस्तेमाल करे वाला नेटवर्क के इस्तेमाल कई गो सैन्य अनुप्रयोग में कइल जा सके ला, जे आपस में जुड़ल वायरलेस एक्सेस पॉइंट से ले के बेतार डिवाइस के नेटवर्क ले, जइसे कि डिजिटल मैप, शरीर से जुड़ल सेंसर, आवाज संचार इत्यादि। व्यापक रेंज आउर छोट रेंज के तदर्थ नेटवर्क के संयोजन प्रतिकूल परिचालन परिस्थिति में भी मजबूत, वैश्विक कवरेज प्रदान करे के प्रयास करेला. |
0f7329cf0d388d4c5d5b94ee52ad2385bd2383ce | सुपरवॉक्सल सेगमेंटेशन के प्रारंभिक वीडियो विश्लेषण में शामिल करे के मजबूत संभावना बा जइसे कि सुपरपिक्सेल सेगमेंटेशन के छवि विश्लेषण में बा. हालाँकि, कई गो वैध सुपरवॉक्सल तरीका बा आउर ई समझल भी जा सके ला कि कब आउर कहाँ सबसे उपयुक्त बा. वास्तव में, सुपरवोक्सल विभाजन पर एगो तुलनात्मक अध्ययन के हमनी के जानकारी नइखे. एह खातिर, हम सात सुपरवॉक्सल एल्गोरिदम के अध्ययन करब, जेमें ऑफलाइन आउर स्ट्रीमिंग विधि शामिल बा, जवन कि हम एगो अच्छा सुपरवॉक्सल मानेला: अर्थात्, स्पेस-टाइमॉरियल एकरूपता, ऑब्जेक्ट / क्षेत्र सीमा पहचान, क्षेत्र संपीड़न आउर परिमोनी. मूल्यांकन खातिर हम इ वांछनीय सुपरवोक्सल विशेषता के मापे खातिर सात गुणवत्ता माप के एगो व्यापक सूट के प्रस्ताव देले बानी. एकरे अलावा, हम सुपरवोक्सल वर्गीकरण कार्य में विधि के मूल्यांकन कइल जा रहल बानी जे वीडियो विश्लेषण में सुपरवोक्सल के बाद के उच्च-स्तरीय उपयोग खातिर एगो प्रॉक्सी के रूप में काम करेला. हमनी के छह गो मौजूदा बेंचमार्क वीडियो डेटासेट के इस्तेमाल कइनी जा जेह में कई तरह के सामग्री आ घन मानव एनोटेशन शामिल बा। हमार खोज से ई बात के पुख्ता सबूत मिलल बा कि सात गो तरीका में पदानुक्रमित ग्राफ-आधारित (GBH), भारित एकत्रीकरण द्वारा विभाजन (SWA) आ समसामयिक सुपरपिक्सेल (TSP) के तरीका सभ में सबसे बेहतर प्रदर्शन करे वाला बा। ई सब खंडन सटीकता के संदर्भ में अच्छा प्रदर्शन करेला, बाकि बाकी वांछित डेटा के संबंध में भिन्न होलाः GBH ऑब्जेक्ट सीमा के सबसे अच्छा कैप्चर करेला; SWA में क्षेत्र संपीड़न खातिर सबसे अच्छा क्षमता होला; आउर TSP सबसे अच्छा उपखंडन त्रुटि प्राप्त करेला. |
50dea03d4feb1797f1d5c260736e1cf7ad6d45ca | एगो तेजी से बढ़त फाइब्रोएडेनोमा के मामला सामने आइल बा. एगो 13 साल के लड़की बाएं स्तन के गांठ के बारे में आउट पेशेंट क्लिनिक में परामर्श लिहलस. क्लिनिकल जांच द्वारा द्रव्यमान के फाइब्रोएडेनोमा के रूप में निदान कइल गइल रहे, आउर रोगी के सावधानी से निगरानी कइल गइल रहे. प्रत्येक मासिक धर्म के साथ द्रव्यमान तेजी से बढ़ेला आउर चार महीने बाद आयतन में 50% वृद्धि दर देखावल जाला. लम्पक्टोमी कइल गइल. ट्यूमर के हिस्टोलॉजिकल रूप से फाइब्रोएडेनोमा संगठित प्रकार के रूप में निदान कइल गइल रहे आउर बहुते ग्रंथि संबंधी एपिथेलियल कोशिका में एंटी- एस्ट्रोजेन रिसेप्टर एंटीबॉडी खातिर सकारात्मक इम्यूनोहिस्टोकेमिकल स्टैनिंग रहे. ट्यूमर के एस्ट्रोजेन संवेदनशीलता तेजी से बढ़े खातिर कारण हो सकेला. |
0674c1e2fd78925a1baa6a28216ee05ed7b48ba0 | प्रोसीजर इंटरनेशनल कांफ्रेंस ऑन कंप्यूटर विजन, कोर्फू (सितंबर 1999) के अनुसार एगो ऑब्जेक्ट रिकग्निशन सिस्टम विकसित कइल गइल बा जे स्थानीय इमेज फीचर के एगो नया वर्ग के उपयोग करेला. विशेषता छवि स्केलिंग, अनुवाद, अउरी घूमे खातिर अपरिवर्तनीय बा, अउरी आंशिक रूप से प्रबुद्धता परिवर्तनसब अउरी आत्मीय या 3 डी प्रक्षेपण के खातिर अपरिवर्तनीय बा. इ विशेषताएं निचला स्थूल म्यान में न्यूरॉन्स के साथे समान गुण साझा करेला जेकर उपयोग प्राइमेट दृष्टि में वस्तु मान्यता खातिर कइल जाला. सुविधा के चरणबद्ध फ़िल्टरिंग दृष्टिकोण के माध्यम से कुशलता से पता लगावल जाला जे कि स्केल स्पेस में स्थिर बिंदु के पहचान करेला. इमेज कुंजी बनावल जाला जे कई गो अभिविन्यास विमानन में आउर कई पैमाना पर धुंधला छवि ढाल के प्रतिनिधित्व करके स्थानीय ज्यामितीय विरूपण के अनुमति देवेला. कुंजी सभ के इस्तेमाल निकटतम-पड़ोसी अनुक्रमण विधि में इनपुट के रूप में कइल जाला जे कि उम्मीदवार ऑब्जेक्ट के पहिचान करे ला। प्रत्येक मिलान के अंतिम सत्यापन अज्ञात मॉडल पैरामीटर खातिर कम अवशिष्ट लघुतम-वर्ग समाधान के खोज के प्राप्त कइल जाला. प्रायोगिक परिणाम से पता चलेला कि 2 सेकंड से कम के गणना समय के साथ गन्दा आंशिक रूप से अवरुद्ध छवियन में मजबूत वस्तु मान्यता प्राप्त कइल जा सकेला. |
bbb9c3119edd9daa414fd8f2df5072587bfa3462 | ई ओपन सोर्स कंप्यूटिंग फ्रेमवर्क नया एप्लीकेशन सभ के खोलले खातिर स्ट्रीमिंग, बैच आ इंटरैक्टिव बिग डेटा वर्कलोड के एकजुट करे ला। |
18ca2837d280a6b2250024b6b0e59345601064a7 | विग्यान के कई छेत्र खोजपूर्ण डेटा विसयंसि्कलन अउरी दृश्य पर निर्भर करत बाटे. बहु-परिवर्तनीय डेटा के बड़ मात्रा के विश्लेषण करे के जरूरत आयामात्मकता में कमी के मूलभूत समस्या के उठावता: उच्च-आयामी डेटा के कॉम्पैक्ट निरूपण के कइसे खोजल जाय. इहाँ, हमनी के स्थानीय रूप से रैखिक एम्बेडिंग (एलएलई) के परिचय देत बानी, एगो अनसुरीक्षित सीखल जाए वाला एल्गोरिथ्म जे उच्च-आयामी इनपुट के कम-आयामी, पड़ोस-संरक्षण एम्बेडिंग के गणना करेला. स्थानीय आयाम में कमी खातिर क्लस्टरिंग विधि के विपरीत, एलएलई आपन इनपुट के निचला आयाम के एकल वैश्विक निर्देशांक प्रणाली में मैप करेला, आउर एकर अनुकूलन में स्थानीय न्यूनतम शामिल ना होला. रैखिक पुनर्निर्माण के स्थानीय समरूपता के दोहन करके, एलएलई गैर-रैखिक विविधता के वैश्विक संरचना के सीख सकेला, जइसे कि चेहरा के छवियों या पाठ के दस्तावेजों द्वारा उत्पन्न. |
a3bfe87159938a96d3f2037ff0fe10adca0d21b0 | जइसे-जइसे वाहनन में सॉफ्टवेयर मॉड्यूल आ बाहरी इंटरफेस जुड़त जात बा, नया हमला आ कमजोर जगह सामने आवत बाड़ी स। शोधकर्ता देखवले बाड़े कि कइसे वाहन के इलेक्ट्रॉनिक नियंत्रण इकाई (ईसीयू) के खराब कइल जा सकेला आ वाहन के गति के नियंत्रित कइल जा सकेला. एह कमजोरी के दूर करे खातिर, कई तरह के बचाव तंत्र प्रस्तावित कइल गइल बा, लेकिन ई सुरक्षा-महत्वपूर्ण इसीयू के वाहन में मौजूद नेटवर्क पर हमला से मजबूत सुरक्षा के जरूरत के पूरा ना कर सके। एह कमी के कम करे खातिर, हमनी के एगो असामान्यता-आधारित घुसपैठ के पता लगावे के सिस्टम (आईडीएस) के प्रस्ताव दिहल जा रहल बा, जेकरा के क्लॉक-आधारित आईडीएस (सीआईडीएस) कहल जाला। इ इक्विटी सेक्टर के फिंगरप्रिंटिंग खातिर वाहन में आवधिक संदेश के अंतराल के नाप लेवेला आउर फिर उपयोग करेला. इ प्रकार से प्राप्त फिंगरप्रिंट के उपयोग पुनरावर्ती लघुतम वर्ग (आरएलएस) एल्गोरिथ्म के साथ ईसीयू के घड़ी व्यवहार के आधार रेखा बनावे खातिर कइल जाला. इ आधार रेखा के आधार पर, पहचान त्रुटि में कौनो असामान्य बदलाव के पता लगावे खातिर सीआईडीएस संचयी योग (सीयूएसयूएम) के उपयोग करेला - घुसपैठ के स्पष्ट संकेत. ई 0.055% के कम झूठा-सकारात्मक दर के साथे इन-व्हीकल नेटवर्क घुसपैठ के तेजी से पहचान करे के अनुमति देवेला. आधुनिक आईडीएस के विपरीत, अगर हमला के पता चलल त सीआईडीएस के ईसीयू के फिंगरप्रिंटिंग भी मूल कारण के विश्लेषण के सुगम बनावेला; ई पहचान करे खातिर कि कवन ईसीयू हमला कइलस. सीएएन बस प्रोटोटाइप पर आ असली वाहनन पर हमनी के कइल प्रयोग से ई पता चलल बा कि सीआईडीएस वाहन में मौजूद नेटवर्क के हमला के कई तरह से पता लगा सके ला। |
c567bdc35a40e568e0661446ac4f9b397787e40d | अल्ट्रा-लो पावर वायरलेस सेंसर नोड्स खातिर 2.4 GHz इंटरफेयरर-रेसिस्टेंट वेक-अप रिसीवर अनिश्चित-IF डुअल-कन्वर्जन टोपोलॉजी के उपयोग करेला, जे एगो वितरित बहु-चरण एन-पथ फ़िल्टरिंग तकनीक के अनलॉक कइल गइल लो-क्यू रेज़ोनैटर-रेफरल स्थानीय थरथरानवाला के साथ जोड़त बा. ई संरचना संकीर्ण-बैंड चयनात्मकता आउर हस्तक्षेप के खिलाफ मजबूत प्रतिरक्षा प्रदान करेला, जबकि बीएडब्ल्यू अनुनाद या क्रिस्टल जइसन महंगा बाहरी अनुनाद घटक से बचेला. 65 एनएम सीएमओएस रिसीवर प्रोटोटाइप -97 डीबीएम के संवेदनशीलता प्रदान करेला आउर 5 मेगाहर्ट्ज ऑफसेट पर वाहक-से-हस्तक्षेप अनुपात -27 डीबी से बेहतर होला, 10 केबी/सेकंड के डेटा दर 10-3 बिट त्रुटि दर पर, जबकि निरंतर संचालन में 0.5 वी वोल्टेज आपूर्ति से 99 μW के खपत करेला. |
703244978b61a709e0ba52f5450083f31e3345ec | एह खंड में लेखक लोग अध्ययन साहित्य के साथे-साथे कॉलेज के प्राध्यापकन के साथे एक-एक करके काम करे के 27 साल के अनुभव से सीखल गइल सात गो सामान्य सिद्धांत के परिचय देले बा। ऊ लोग कई तरह के दृष्टिकोण (संज्ञानात्मक, विकासात्मक आउर सामाजिक मनोविज्ञान; शैक्षिक अनुसंधान; मानव विज्ञान; जनसांख्यिकी; आउर संगठनात्मक व्यवहार) से अनुसंधान पर आधारित रहे जेमे सीख के आधार पर मुख्य सिद्धांत के एगो सेट के पहचान कइल गइल - इ बात से कि प्रभावी संगठन जानकारी के पुनःप्राप्ति आउर उपयोग के कइसे बढ़ावेला आउर प्रेरणा पर का प्रभाव पड़ेला. इ सिद्धांत शिक्षकन के छात्र के सीखे के बारे में जानकारी देवेलन जवन कि उनका इ देखे में मदद कर सकेला कि कुछ शिक्षण पद्धति छात्र के सीखे में का समर्थन करत बा या ना करत बा, शिक्षण पद्धति आउर रणनीति के उत्पन्न करे या परिष्कृत करे जवन कि विशिष्ट संदर्भ में छात्र के सीखे के जादा प्रभावी ढंग से बढ़ावा देवे, आउर इ सिद्धांत के नया पाठ्यक्रम में स्थानांतरित करे आउर लागू करे. |
52a345a29267107f92aec9260b6f8e8222305039 | ई पेपर बियान्चीनी एट अल के इनसाइड पेज रैंक पेपर के साथी या विस्तार के रूप में काम करेला. [19] ई ई पेजरैंक से जुड़ल सगरी मुद्दा सभ के एगो व्यापक सर्वेक्षण हवे, जे में मूल पेजरैंक मॉडल, उपलब्ध आ अनुशंसित समाधान विधि, भंडारण समस्या, अस्तित्व, विशिष्टता आ अभिसरण गुण, मूल मॉडल में संभावित बदलाव, परंपरागत समाधान विधि के सुझावल विकल्प, संवेदनशीलता आ कंडीशनिंग, आ अंत में अपडेट करे के समस्या के बारे में जानकारी दिहल गइल बाटे। हमनी के कुछ नया परिणाम के परिचय देत बानी, एगो विस्तृत संदर्भ सूची प्रदान करत बानी, अउर भविष्य के अनुसंधान के रोमांचक क्षेत्र के बारे में अनुमान लगावत बानी. |
0e5c8094d3da52340b58761d441eb809ff96743f | 1, भाग 2 बिसय इ पत्र में, हम लोग नया से शुरू कइल गइल वितरित सक्रिय ट्रांसफार्मर (डीएटी) संरचना के प्रदर्शन के तुलना पारंपरिक ऑन-चिप प्रतिबाधा-परिवर्तन विधियन से कइल जा रहल बा. मानक सिलिकॉन प्रक्रिया प्रौद्योगिकियों में उच्च-शक्ति पूर्ण एकीकृत एम्पलीफायरों के डिजाइन में उनकर मौलिक बिजली-दक्षता सीमाओं के विश्लेषण कइल जाला. डीएटी एगो कुशल प्रतिरोध-परिवर्तन आउर शक्ति-संयोजन विधि के रूप में प्रदर्शित होला, जे कई कम-वोल्टेज पुश-पुल एम्पलीफायर के श्रृंखला में चुंबकीय युग्मन द्वारा संयोजित करेला. नया अवधारणा के वैधता के प्रदर्शन करे खातिर, 0.35-μm CMOS ट्रांजिस्टर के उपयोग करके 2.4-GHz 1.9-W 2-V पूर्णतः एकीकृत पावर-एम्पलीफायर के निर्माण कइल गइल बा, जे 50 इनपुट आउर आउटपुट मिलान के साथ 41% के पावर-एडेड दक्षता प्राप्त करेला आइटम प्रकारः लेख अतिरिक्त जानकारीः © Copyright 2002 IEEE. अनुमति के साथ पुनर्मुद्रित 27 मई, 2001 के मिलल पांडुलिपि [ऑनलाइन पोस्ट कइल गइलः 2002-08-07] इ काम के इंटेल कॉर्पोरेशन, आर्मी रिसर्च ऑफिस, जेट प्रोपल्शन लेबोरेटरी, इन्फिनियन, आ नेशनल साइंस फाउंडेशन द्वारा समर्थित कइल गइल रहे. लेखक चिप निर्माण खातिर कोनेक्सन सिस्टम्स के धन्यवाद देवेलन, खास कर के आर. मैगून, एफ. इंटवेल्ड, जे. पॉवेल, ए. वो, आउर के. मोये के. के. पॉटर, डी. हैम, आउर एच. वू, कैलिफोर्निया इंस्टीट्यूट ऑफ टेक्नोलॉजी (कैल्टेक), पासाडेना के, आपन मदद खातिर बिसेस धन्यवाद के पात्र बाड़ें. एजीलेंट टेक्नोलॉजीज आउर सोनट सॉफ्टवेयर इंक., लिवरपूल, एनवाई, के सीएडी औजारन खातिर तकनीकी समर्थन के भी सराहना कइल जाला. सिलिकॉन-आधारित आरएफ आउर माइक्रोवेव एकीकृत सर्किट पर विशेष अंक, माइक्रोवेव सिद्धांत आउर तकनीक पर आईईईई लेनदेन, खंड. पचास के खातिर, नहीं? |
14fae9835ae65adfdc434b7b7e761487e7a9548f | ई जानल जाला कि एगो रेडियल पावर कंबाइनर ढेर संख्या में पावर एम्पलीफायर के संयोजन में बहुत प्रभावी होला, जहवां अपेक्षाकृत विस्तृत बैंड पर उच्च दक्षता (90% से अधिक) प्राप्त कइल जा सकेला. हालांकि, एकर वर्तमान उपयोग एकर डिजाइन जटिलता के कारण सीमित बा. इ पेपर में, हम प्रारंभिक अनुमानित डिजाइन सूत्र औरु अंतिम सटीक डिजाइन अनुकूलन उद्देश्यों क खातिर उपयुक्त मॉडल दोनों के सहित, एक चरण-दर-चरण डिजाइन प्रक्रिया विकसित करिला. तीन-आयामी विद्युत चुम्बकीय मॉडलिंग के आधार पर, अनुमानित परिणाम मापल गइल परिणाम के साथ बढ़िया समझौता रहे. रेडियल-कम्बिनर दक्षता, एकर सुरुचिपूर्ण क्षय, आउर उच्च क्रम के पैकेज अनुनाद के प्रभाव से संबंधित व्यावहारिक मुद्दा पर इहाँ विस्तार से चर्चा कइल गइल बा |
47fdb5ec9522019ef7e580d59c262b3dc9519b26 | माइक्रोस्ट्रिप जांच आउर डब्ल्यूआर -430 आयताकार वेव गाइड के उपयोग करे वाला 1: 4 पावर डिवाइडर के सफल प्रदर्शन प्रस्तुत कइल गइल बा. गैर-अनुकूलित संरचना के 15-डीबी रिटर्न हानि बैंडविड्थ 22% आउर एकर 0.5-डीबी सम्मिलन हानि बैंडविड्थ 26% साबित होला. जबकि पारंपरिक मशीनिंग के माध्यम से प्राप्त कइल गइल बा, अइसन संरचना के साबित मिलीमीटर आउर उप मिलीमीटर-लहर माइक्रो-मशीनिंग तकनीक के अनुरूप फैशन में इकट्ठा कइल जाला. ई संरचना एगो संभावित बिजली विभाजन आउर बिजली संयोजन आर्किटेक्चर प्रस्तुत करेला, जेकर उपयोग माइक्रोमैशिनिंग के माध्यम से 100GHz से ऊपर के अनुप्रयोग खातिर कइल जा सकेला. |
68218edaf08484871258387e95161a3ce0e6fe67 | एगो आठ-डिवाइस का-बैंड सॉलिड-स्टेट पावर एम्पलीफायर के ट्रैवल-वेव पावर-डिवाइडिंग/कॉम्बिनिंग तकनीक के उपयोग करके डिजाइन आउर निर्माण कइल गइल बा. इ डिजाइन में प्रयुक्त कम प्रोफ़ाइल स्लॉटेड-वेवगाइड संरचना न केवल एगो विस्तृत बैंडविड्थ पर उच्च पावर-कॉम्बिनिंग दक्षता प्रदान करेला, बल्कि सक्रिय उपकरन खातिर कुशल गर्मी सिंकिंग भी प्रदान करेला. आठ-डिवाइस पावर एम्पलीफायर के मापल गइल अधिकतम लघु-संकेत लाभ ३४ गीगाहर्ट्ज पर ३ डीबी बैंडविड्थ ३.२ गीगाहर्ट्ज (एफ/सब एल/=३१.८ गीगाहर्ट्ज, एफ/सब एच/=३५ गीगाहर्ट्ज) के साथ १९.४ डीबी बा. 32.2 गीगाहर्ट्ज पर पावर एम्पलीफायर से 1-डीबी संपीड़न (पी/सब आउट/ 1 डीबी पर) पर मापल गइल अधिकतम आउटपुट पावर 33 डीबीएम (/स्प्ल सिम/2 डब्ल्यू) बा, जेकर पावर संयोजन दक्षता 80% बा. एकरे अलावा, डिवाइस के खराबी के कारण ई पावर एम्पलीफायर के परफॉर्मेंस बिगड़ल के भी सिमुलेशन कइल गइल बा आ एकर नाप लिहल गइल बा। |
db884813d6d764aea836c44f46604128735bffe0 | उच्च शक्ति, व्यापक बैंडविड्थ, उच्च रैखिकता, आउर कम शोर एम्पलीफायर डिजाइन में सबसे महत्वपूर्ण विशेषता में से बा. ब्रॉडबैंड स्पेसियल पावर-कॉम्बिनिंग तकनीक ई सब मुद्दा के संबोधित करेले, जब कि अच्छा रैखिकता के बनाए रखे आउर एमएमआईसी एम्पलीफायर के चरण शोर के बेहतर बनावे के साथे-साथे ब्रॉडबैंड समाक्षीय वेवगाइड वातावरण में बड़ी मात्रा में माइक्रोवेव मोनोलिथिक एकीकृत सर्किट (एमएमआईसी) एम्पलीफायर के आउटपुट पावर के संयोजन करेले. एगो समाक्षीय वेवगाइड के उपयोग व्यापक बैंडविड्थ आउर बेहतर एकरूपता खातिर संयोजन सर्किट के मेजबान के रूप में कइल गइल रहे, जेमे प्रत्येक तत्व के समान रूप से इनपुट पावर वितरित कइल गइल रहे. एगो नया कॉम्पैक्ट समाक्षीय संयोजक जेकर आकार बहुत छोट बा ओकर जांच कइल जा रहल बा. वाणिज्यिक एमएमआईसी एम्पलीफायर के साथ बेहतर संगतता खातिर ब्रॉडबैंड स्लॉटलाइन से माइक्रोस्ट्रिप-लाइन संक्रमण के एकीकृत कइल गइल बा. थर्मल सिमुलेशन करल जाला आउर उच्च-शक्ति अनुप्रयोग में गर्मी के डुबकी के बेहतर बनावे खातिर पिछला डिजाइन के तुलना में एगो बेहतर थर्मल प्रबंधन योजना के उपयोग कइल जाला. कॉम्पैक्ट कंबाइनर डिजाइन के उपयोग करे वाला एगो उच्च-शक्ति एम्पलीफायर बनावल गइल बा आउर एकर बैंडविड्थ 6 से 17 गीगाहर्ट्ज के साथ 44-डब्ल्यू अधिकतम आउटपुट पावर के रूप में प्रदर्शित कइल गइल बा. रैखिकता माप 52 डीबीएम के एगो उच्च तीसरा-क्रम के प्रतिच्छेदन बिंदु देखवले बा. विश्लेषण से पता चलल बा कि एम्पलीफायर में गलत गतिशीलता के सीमा के 23 गुना बढ़ावे के क्षमता बा. एम्पलीफायर में वाहक से 10-kHz ऑफसेट पर 140 dBc के करीब अवशिष्ट चरण तल भी देखावल गइल बा, जे एकर एकल MMIC एम्पलीफायर के तुलना में 5-6-dB के कमी के साथे बा. |
e73ee8174589e9326d3b36484f1b95685cb1ca42 | आवे वाला 5 वीं पीढ़ी के सेलुलर संचार खातिर आपन तरह के पहिला 28 गीगाहर्ट्ज एंटीना समाधान के विस्तार से प्रस्तुत कइल गइल बा. व्यापक माप आउर सिमुलेशन से पता चलल कि प्रस्तावित 28 गीगाहर्ट्ज एंटीना समाधान यथार्थवादी प्रसारण वातावरण में काम करे वाला सेलुलर हैंडसेट खातिर अत्यधिक प्रभावी बाटे. |
4e85503ef0e1559bc197bd9de0625b3792dcaa9b | नेटवर्क आधारित हमला आम आ परिष्कृत हो गइल बा. एही कारण, घुसपैठ के पता लगावे वाला सिस्टम अब आपन ध्यान मेजबानन आ उनकर ऑपरेटिंग सिस्टम से खुद नेटवर्क पर लगा रहल बा. नेटवर्क आधारित घुसपैठ के पता लगावल चुनौतीपूर्ण बा काहे कि नेटवर्क ऑडिटिंग से ढेर मात्रा में डेटा के उत्पादन होला, आ नेटवर्क पर अलग-अलग जगह पर एकही घुसपैठ से जुड़ल अलग-अलग घटना सभ के देखल जा सके ला। ई पेपर नेटस्टैट के प्रस्तुत करेला, नेटवर्क घुसपैठ के पता लगावे खातिर एगो नया तरीका बा. नेटवर्क आ हमला दुनों के औपचारिक मॉडल के उपयोग क के, नेटस्टैट ई निर्धारित करे में सक्षम बा कि कौनों नेटवर्क घटना के निगरानी कइल जाए के बा आ कहाँ एकर निगरानी कइल जा सकेला. |
818c13721db30a435044b37014fe7077e5a8a587 | बड़हन समूह पर विशाल डेटा विश्लेषण क्वेरी अनुकूलन खातिर नया अवसर आउर चुनौती प्रस्तुत करेला. एह माहौल में डेटा विभाजन प्रदर्शन खातिर बहुत जरूरी बा. हालाँकि, डेटा के पुनर्वितरण एगो बहुत महंगा ऑपरेशन हवे, एही से अइसन ऑपरेशन के संख्या के कम करे से प्रदर्शन में बहुत महत्वपूर्ण सुधार हो सकेला. ए वातावरण क खातिर एगो क्वेरी ऑप्टिमाइज़र के डेटा विभाजन क बारे में तर्क करे में सक्षम होवे के चाही, जेमिना छँटाई और समूहीकरण के साथ एकर बातचीत सामिल होखेला. स्कोप एगो एसक्यूएल-जैसन स्क्रिप्टिंग भाषा हवे जे माइक्रोसॉफ्ट में बड़हन डेटा विश्लेषण खातिर इस्तेमाल होला। एगो रूपांतरण-आधारित अनुकूलक कॉसमॉस वितरित कंप्यूटिंग प्लेटफॉर्म खातिर स्क्रिप्ट के कुशल निष्पादन योजना में परिवर्तित करे खातिर जिम्मेदार बा. इ पेपर में, हम बताईं कि कइसे डेटा विभाजन के बारे में तर्क के स्कोप अनुकूलक में शामिल कइल गइल बा. हम देखब कि रिलेशनल ऑपरेटर विभाजन, क्रमबद्धन आउर समूहीकरण गुणन के कइसे प्रभावित करेलन आउर वर्णन करेलन कि कैसे अनुकूलक अनावश्यक संचालन से बचे खातिर इ तरह के गुणन के बारे में तर्क आउर शोषण करेला. जादातर ऑप्टिमाइज़र में, समानांतर योजना पर विचार पोस्टप्रोसेसिंग चरण में कइल गइल एगो बाद के विचार बाटे. विभाजन के बारे में तर्क SCOPE अनुकूलक के समानांतर, क्रमबद्ध आउर मिश्रित योजना के लागत-आधारित अनुकूलन में पूरी तरह से एकीकृत करे में सक्षम बनावेला. लाभ के उदाहरण ई देखावत बाटे कि हमनी के दृष्टिकोण से कई तरह के योजना बन सकेला. |
8420f2f686890d9675538ec831dbb43568af1cb3 | रोमन लिपि में लिखल हिंग्लिश पाठ के भावनात्मक ध्रुवीयता के निर्धारण करे खातिर, हम लोग विशेषता चयन विधि के अलग-अलग संयोजन के प्रयोग कइलिअइ आउर शब्द आवृत्ति-उल्लूक दस्तावेज़ आवृत्ति विशेषता प्रतिनिधित्व के उपयोग करे वाला वर्गीकरण के एगो मेजबान के उपयोग कइलिअइ. हमनी के कुल मिला के 840 प्रयोग कइनी जा ताकि समाचार आ फेसबुक टिप्पणी में व्यक्त भावना के सबसे बढ़िया वर्गीकरण के पता लगावल जा सके। हम निष्कर्ष निकालल कि शब्द आवृत्ति-विलोम दस्तावेज़ आवृत्ति-आधारित सुविधा प्रतिनिधित्व, लाभ अनुपात आधारित सुविधा चयन, आउर रेडियल बेस फ़ंक्शन न्यूरल नेटवर्क के त्रिभुज हिंग्लिश पाठ में व्यक्त भावना के वर्गीकृत करे खातिर सबसे अच्छा संयोजन के रूप में. |
c97ebb60531a86bea516d3582758a45ba494de10 | आईईईई इंटेलिजेंट ट्रांसपोर्टेशन सिस्टम सोसाइटी आउर व्यापक कंप्यूटिंग अनुसंधान समुदाय के बीच घनिष्ठ सहयोग के बढ़ावा देवे खातिर, लेखक आईटीएस सोसाइटी के परिचय देलन आउर कई व्यापक कंप्यूटिंग-संबंधित अनुसंधान विषय के प्रस्तुत करेलन, जउने पर आईटीएस सोसाइटी के शोधकर्ता काम कर रहल बाड़ें. ई विभाग इंटेलिजेंट ट्रांसपोर्टेशन पर एगो विशेष अंक के हिस्सा बाटे. |
e91196c1d0234da60314945c4812eda631004d8f | हम भाषा सीखल खातिर एगो इंटरैक्टिव मल्टीमोडल ढांचा के प्रस्ताव करत बानी. बड़ी मात्रा में प्राकृतिक पाठ के सामने आवे के बजाय, हमनी के छात्र (फीड-फॉरवर्ड न्यूरल नेटवर्क के रूप में लागू) ताबुला रस से शुरू होखे वाला सहकारी संदर्भ खेल में संलग्न होलें, आउर ई तरह खेल में सफल होए खातिर संचार के जरूरत से आपन खुद के भाषा विकसित करेलें. प्रारंभिक प्रयोग से आशाजनक परिणाम मिलेला, लेकिन इ भी सुझाव देवेला कि इ सुनिश्चित कइल महत्वपूर्ण बा कि इ तरह से प्रशिक्षित एजेंट केवल ओके खेल खातिर प्रभावी तदर्थ संचार कोड विकसित ना करेलें. |
500b7d63e64e13fa47934ec9ad20fcfe0d4c17a7 | हाल में, उच्च आवृत्ति वाला सिग्नल के समय के नियंत्रण के तीन-आयामी (3 डी) एलटीसीसी-आधारित सीआईपी अनुप्रयोग में उच्च एकीकरण घनत्व के कारण जोरदार मांग कइल गइल बा. एही से, तिरछा या समय विलंब के नियंत्रित करे खातिर, नया 3 डी विलंब रेखा के प्रस्तावित कइल जाई. सिग्नल के कमजोरता खातिर, हम समाक्षीय रेखा के अवधारणा के अपनाई आउर अर्ध-समाक्षीय ग्राउंड (QCOX-GND) के साथ एगो उन्नत सिग्नल के माध्यम संरचना के प्रस्तावित कइनी. हम ईएम आउर सर्किट सिमुलेटर के उपयोग करके अनुकरण परिणाम देखाई. |
1a07186bc10592f0330655519ad91652125cd907 | हम एगो एकल संवितरण तंत्रिका नेटवर्क आर्किटेक्चर के वर्णन कर रहल बानी जवन कि, एगो वाक्य के देला पर, भाषा प्रसंस्करण भविष्यवाणी के एगो मेजबान आउटपुट करेला: भाषण के हिस्सा टैग, टुकड़ा, नामित इकाई टैग, शब्दार्थ भूमिका, शब्दार्थ समान शब्द आउर इ संभावना कि वाक्य एगो भाषा मॉडल के उपयोग करके समझ में आवेला (व्याकरणिक आउर शब्दार्थिक रूप से). पूरा नेटवर्क के ई सब काम पर एक साथ प्रशिक्षण दिहल जाला, वजन बाँटे के उपयोग करके, मल्टीटास्क लर्निंग के एगो उदाहरण. सभे काम में लेबल वाला डेटा के इस्तेमाल होला सिवाय भाषा मॉडल के जे बिना लेबल वाला पाठ से सीखे के होला आ साझा काम खातिर अर्ध-पर्यवेक्षित सीखे के एगो नया रूप के प्रतिनिधित्व करेला। हम देखब कि कइसे बहुक्रिया सीखना आउर अर्ध-पर्यवेक्षित सीखना साझा कार्य के सामान्यीकरण में सुधार करेला, जेकर नतीजा अत्याधुनिक प्रदर्शन होला. |
27e38351e48fe4b7da2775bf94341738bc4da07e | एकल-शब्द वेक्टर स्पेस मॉडल शब्दकोश के जानकारी के सीखे में बहुत सफल रहल बा. हालाँकि, ऊ लोग लंबा वाक्यांश के रचनात्मक अर्थ के पकड़ ना सकेलन, जवन कि भाषा के गहिराई से समझे में बाधा डालेला. हम एगो रिकर्सिव न्यूरल नेटवर्क (आरएनएन) मॉडल के परिचय देत बानी जे मनमाना वाक्यविन्यास प्रकार आउर लंबाई के वाक्यांश आउर वाक्य खातिर संरचनात्मक वेक्टर प्रतिनिधित्व सीखले बा. हमार मॉडल एगो पार्स पेड़ में हर नोड के एगो वेक्टर आउर एगो मैट्रिक्स निर्दिष्ट करेला: वेक्टर घटक के अंतर्निहित अर्थ के कैप्चर करेला, जबकि मैट्रिक्स कैप्चर करेला कि इ पड़ोसी शब्द या वाक्यांश के अर्थ के कइसे बदल देला. ई मैट्रिक्स-वेक्टर आरएनएन प्रमेय तर्क आउर प्राकृतिक भाषा में संचालक के अर्थ सीख सकेला. मॉडल तीन अलग-अलग प्रयोग पर कला के स्थिति प्राप्त करेला: क्रियापद-विशेषण जोड़े के सूक्ष्म भावना वितरण के भविष्यवाणी कइल; फिल्म समीक्षा के भावना लेबल के वर्गीकृत कइल आउर संज्ञा के बीच वाक्यविन्यास मार्ग के उपयोग करके कारण-प्रभाव या विषय-संदेश जइसन अर्थ संबंधी संबंध के वर्गीकृत कइल. |
303b0b6e6812c60944a4ac9914222ac28b0813a2 | ई पेपर वाक्यांश-स्तर के भावना विश्लेषण खातिर एगो नया तरीका प्रस्तुत करेला जे पहिले ई निर्धारित करेला कि अभिव्यक्ति तटस्थ बा या ध्रुवीय बा आउर फेर ध्रुवीय अभिव्यक्ति के ध्रुवीयता के स्पष्ट करेला. एह तरीका से, सिस्टम भावना के अभिव्यक्ति के एगो बड़हन उपसमूह खातिर संदर्भिक ध्रुवीयता के स्वचालित रूप से पहिचान करे में सक्षम बा, जवन कि आधार रेखा से काफी बेहतर परिणाम प्राप्त करेला. |
4eb943bf999ce49e5ebb629d7d0ffee44becff94 | समय कईगो दिलचस्प मानव व्यवहार के आधार ह. एहसे, संबंधवादी मॉडल में समय के प्रतिनिधित्व कइसे कइल जाय, इ सवाल बहुत महत्वपूर्ण बा. एगो दृष्टिकोण स्पष्ट रूप से (जगहिक निरूपण के रूप में) के बजाय प्रसंस्करण पर एकर प्रभाव द्वारा समय के निहित रूप से प्रतिनिधित्व करे के बा. वर्तमान रिपोर्ट में एह दिसा में एगो प्रस्ताव विकसित कइल गइल बा जेकरा के पहिला बेर जॉर्डन (1986) द्वारा बतावल गइल रहे, जे में नेटवर्क के गतिशील मेमोरी प्रदान करे खातिर आवर्ती लिंक के इस्तेमाल शामिल बा। इ दृष्टिकोण में, छिपल इकाई पैटर्न खुद के वापस खिलावल जाला; आंतरिक प्रतिनिधित्व जवन विकसित होला उ पिछला आंतरिक अवस्था के संदर्भ में कार्य मांग के दर्शावेला. सिमुलेशन के एगो सेट के बारे में बतावल गइल बा जे अपेक्षाकृत सरल समस्या (एक्सओआर के समय संबंधी संस्करण) से लेके शब्द खातिर वाक्यविन्यास/अर्थ संबंधी विशेषता के खोज तक के बाटे. नेटवर्क दिलचस्प आंतरिक प्रतिनिधित्व के सीख सकेला जवन कि मेमोरी के मांग के साथ कार्य मांग के शामिल करेला; वास्तव में, इ दृष्टिकोण में मेमोरी के धारणा टास्क प्रोसेसिंग से अटूट रूप से जुड़ल बा. इ सब निरूपण एगो समृद्ध संरचना के प्रकट करेला, जवन कि वस्तु के वर्ग में सामान्यीकरण के व्यक्त करे के साथे-साथे ऊ सब के संदर्भ-निर्भर होवे के अनुमति देवेला. इ निरूपण शब्दकोश श्रेणी के निरूपण आउर प्रकार/टोकन भेद के एगो तरीका सुझावेला. |
2069c9389df8bb29b7fedf2c2ccfe7aaf82b2832 | ट्रांसफर लर्निंग एगो नया मशीन लर्निंग पैराडिग्मा के रूप में हाल के समय में बढ़त ध्यान प्राप्त कर रहल बा. अइसन स्थिति में जहाँ लक्षित डोमेन में प्रशिक्षण डेटा प्रभावी ढंग से भविष्यवाणी मॉडल के सीखे खातिर पर्याप्त ना होला, स्थानांतरण सीखल सीखे खातिर अन्य संबंधित सहायक डोमेन से सहायक स्रोत डेटा के लाभ उठावेला. जबकि ए क्षेत्र में जादातर मौजूदा काम केवल स्रोत डेटा के उपयोग पर केंद्रित बा जेकर समान प्रतिनिधित्व संरचना बा, इ पेपर में, हम पाठ आउर छवियों के बीच ज्ञान के हस्तांतरण खातिर विषम स्थानांतरण सीखने के ढांचे के विस्तारित करके इ सीमा के आगे बढ़ावेला. हमनी के देखले बानी जा कि लक्ष्य-डोमेन वर्गीकरण समस्या खातिर, कुछ एनोटेटेड इमेज कई गो सोशल वेब साइट पर पावल जा सके लें, जवन वेब पर उपलब्ध बहुतायत में मौजूद टेक्स्ट डॉक्यूमेंट से ज्ञान के स्थानांतरण खातिर एगो पुल के रूप में काम कर सके लें। एगो मुख्य सवाल इ बा कि स्रोत डेटा में ज्ञान के प्रभावी ढंग से कइसे स्थानांतरित कइल जा सकेला भले ही पाठ दस्तावेज़ मनमाना हों. हमार समाधान मैट्रिक्स फैक्टराइजेशन के माध्यम से सहायक स्रोत डेटा से निकालल गइल अर्थ संबंधी अवधारणा के साथे लक्ष्य छवि के प्रतिनिधित्व के समृद्ध कइल बा आउर एगो बेहतर छवि वर्गीकरणकर्ता बनावे खातिर सहायक डेटा द्वारा उत्पन्न लुप्त अर्थ संबंधी सुविधा के उपयोग कइल बा. हम कैल्टेक-256 छवि डेटासेट पर आपन एल्गोरिथ्म के प्रभावशीलता के अनुभवजन्य रूप से सत्यापित कइल. |
381231eecd132199821c5aa3ff3f2278f593ea33 | |
a8823ab946321079c63b9bd42f58bd17b96a25e4 | चेहरा के पता लगावे आ आँख के निकाले के कई गो एप्लीकेशन में महत्वपूर्न भूमिका होला जइसे चेहरा के पहिचान, चेहरा के भाव के विश्लेषण, सिक्योरिटी लॉगिन इत्यादि। मनुष्य के चेहरा आ चेहरा के संरचना जइसे आँख, नाक के पता लगावल कंप्यूटर खातिर बहुत जटिल प्रक्रिया हवे। इ पत्र सोबेल किनारा पता लगावे आउर रूपात्मक संचालन के उपयोग करके मोर्चे के चेहरा छवियन से चेहरा पता लगावे आउर आंख के निष्कर्षण खातिर एगो एल्गोरिथ्म प्रस्तावित करेला. प्रस्तावित दृष्टिकोण के तीन चरण में विभाजित कइल गइल बा; पूर्व-प्रसंस्करण, चेहरा क्षेत्र के पहचान, आउर आंख के निष्कर्षण. चित्रन के आकार बदलल अउरी ग्रे स्केल चित्र रूपांतरण पूर्व-प्रक्रिया में प्राप्त करल जाला. चेहरा क्षेत्र के पहचान सोबेल किनारा के पता लगावे आउर आकारिकीय संचालन द्वारा पूरा कइल जाला. अंतिम चरण में, चेहरा क्षेत्र से आंख के आकृति विज्ञान के मदद से निकालल जाला. प्रयोग क्रमशः IMM फ्रंटल फेस डेटाबेस, FEI फेस डेटाबेस आउर IMM फेस डेटाबेस के 120, 75, 40 छवियन पर कइल जाला. चेहरा के पता लगावे के सटीकता क्रमशः 100%, 100%, 97.50% आउर आँख के निकाले के सटीकता दर क्रमशः 92.50%, 90.66%, 92.50% बा. |
3b6911dc5d98faeb79d3d3e60bcdc40cfd7c9273 | एगो संचयी हस्ताक्षर योजना एगो डिजिटल हस्ताक्षर होला जे संचयन के समर्थन करेला: n अलग-अलग उपयोगकर्ता लोगन से n अलग-अलग संदेश पर n हस्ताक्षर दिहल गइल बा, इ संभव बा कि इ सब हस्ताक्षर के एकल संक्षिप्त हस्ताक्षर में संकलित कइल जा सके. ई एकल हस्ताक्षर (आऊ n मूल संदेश) सत्यापनकर्ता के ई आश्वस्त करी कि n उपयोगकर्ता वास्तव में n मूल संदेश पर हस्ताक्षर कइलें (यानी, उपयोगकर्ता i i = 1 खातिर संदेश Mi पर हस्ताक्षर कइलें). - काहे ? - काहे ? , एन) के खातिर एह लेख में हमनी के एग्रीगेट सिग्नेचर के अवधारणा के परिचय दिहल जा रहल बा, एह तरह के सिग्नेचर खातिर सिक्योरिटी मॉडल के प्रस्तुत कइल जा रहल बा, आ एग्रीगेट सिग्नेचर के कई गो एप्लीकेशन दिहल जा रहल बा। हम बोनेह, लिन, आ शचम के कारण बनल द्विध्रुवीय मानचित्रन के आधार पर एगो हाल के लघु हस्ताक्षर योजना से एगो कुशल कुल हस्ताक्षर के निर्माण करब. संचयी हस्ताक्षर प्रमाणपत्र श्रृंखला के आकार कम करे खातिर (सभी हस्ताक्षर के श्रृंखला में एकत्रित करके) आउर एसबीजीपी जइसन सुरक्षित रूटिंग प्रोटोकॉल में संदेश के आकार कम करे खातिर उपयोगी होला. हम इ भी देखावत बानी कि कुल हस्ताक्षर से सत्यापित रूप से एन्क्रिप्ट कइल हस्ताक्षर पैदा होला. अइसन हस्ताक्षर सत्यापनकर्ता के इ परीक्षण करे में सक्षम बनावेला कि दिहल गइल सिफरटेक्स्ट C दिहल गइल संदेश M पर हस्ताक्षर के एन्क्रिप्शन बा. अनुबंध-हस्ताक्षर प्रोटोकॉल में सत्यापित रूप से एन्क्रिप्ट कइल हस्ताक्षर के उपयोग कइल जाला. अंत में, हम देखब कि समान विचार के उपयोग सरल रिंग हस्ताक्षर देवे खातिर संक्षिप्त हस्ताक्षर योजना के विस्तारित करे खातिर कइल जा सकेला. |
6d4fa4b9037b64b8383331583430711be321c587 | भावना विश्लेषण अनुसंधान के एगो बढ़त क्षेत्र ह, जे वाणिज्यिक अनुप्रयोग आउर अकादमिक रुचि दुनों द्वारा संचालित ह. एह लेख में, हमनी के मूल्य आ उत्तेजना के भावनात्मक आयाम खातिर डायरी-जैसन ब्लॉग पोस्ट के बहु-वर्गीकरण के खोज करब, जहाँ काम के उद्देश्य क्रमशः बहुत नकारात्मक/निम्न से बहुत सकारात्मक/उच्च तक के पांच-स्तरीय पैमाना पर पोस्ट के मूल्य आ उत्तेजना के स्तर के भविष्यवाणी कइल बा. हम देखब कि रसेल के सर्कम्प्लेक्स मॉडल के मनोवैज्ञानिक मॉडल के आधार पर इ दुगो आयाम में क्रममान के पैमाना में असतत प्रभावशाली अवस्था के मानचित्रण कइसे कइल जाला आउर पहिले से उपलब्ध बहुआयामी, वास्तविक-मूल्यवान एनोटेशन के साथ एगो निकाय के लेबल कइसे कइल जाला. समर्थन वेक्टर मशीन वर्गीकरणकर्ता के प्रतिगमन आउर एक-बनाम-सब दृष्टिकोण के उपयोग करके प्रयोगात्मक परिणाम से पता चलल बा कि हालांकि बाद वाला दृष्टिकोण बेहतर सटीक क्रमवर्गीय वर्ग भविष्यवाणी सटीकता प्रदान करेला, प्रतिगमन तकनीक छोट पैमाना पर त्रुटि करेले. |
9931c6b050e723f5b2a189dd38c81322ac0511de | हम मानव क्रिया मान्यता समुदाय के भीतर सार्वजनिक रूप से उपलब्ध डेटासेट के वर्तमान स्थिति पर एगो समीक्षा प्रस्तुत करत बानी; मुद्रा आधारित विधि के पुनरुद्धार आउर व्यक्ति-व्यक्ति बातचीत मॉडलिंग के समझे में हाल के प्रगति पर प्रकाश डालत बानी. हम डेटासेट के कई गो मुख्य गुण के आधार पर बेंचमार्क डेटासेट के रूप में इस्तेमाल खातिर वर्गीकृत करेनी; एह में क्लास लेबल के संख्या, जमीनी सच्चाई आ एप्लीकेशन डोमेन शामिल बा। हम हर डेटासेट के अमूर्तता के स्तर पर भी विचार करब; ऊ लोग के समूहीकृत करब जे क्रिया, बातचीत आउर उच्च स्तर के सिमेंटिक गतिविधि के प्रस्तुत करेलन. सर्वेक्षण मुख्य उपस्थिति के पहचान करेला आउर सरल, जोर दिहल गइल, या स्क्रिप्टेड एक्शन क्लास के प्रवृत्ति के ध्यान में रखत डेटासेट के आधार पर प्रस्तुत करेला जे अक्सर सब-एक्शन इशारन के स्थिर संग्रह द्वारा आसानी से परिभाषित कइल जा सकेला. अइसन डेटासेट के स्पष्ट कमी बा जे घनिष्ठ रूप से संबंधित क्रिया प्रदान करेला, ऊ जे बिना कहे पहचानल जा सके ला, मुद्रा आउर इशारा के श्रृंखला के माध्यम से, बल्कि बातचीत के गतिशील सेट के माध्यम से. एही से हमनी के एगो नया डेटा सेट के प्रस्ताव बा जे दू आदमी के बीच जटिल बातचीत के प्रतिनिधित्व करे ला, जे 3 डी पोज के माध्यम से होला। 8 जोड़ी-जोड़ी के बातचीत 7 अलग-अलग बातचीत आधारित परिदृश्य के वर्णन करत रहे जेके दुगो किनेक्ट गहराई सेंसर के उपयोग क के एकत्र कइल गइल रहे. एकर मकसद ई बा कि घटना के निर्माण कई गो आदिम क्रिया, बातचीत आ गति से कइल जाय; अइसन सूक्ष्म क्रिया वर्ग के एगो सेट दिहल जाय जे वास्तविक दुनिया के प्रतिनिधित्व करे आ वर्तमान में विकसित मान्यता पद्धति के चुनौती देवे। हमार मानना बा कि ई बातचीत में बातचीत के वर्गीकरण खातिर समर्पित पहिला डेटासेट में से एगो बा जे 3डी पोज प्रीप्रिंट के उपयोग करत एल्सवियर के 27 अक्टूबर 2015 के प्रस्तुत कइल गइल बा आ ए विशेषता के आधार पर ई काम संभव बा। पूरा डेटासेट के शोध समुदाय खातिर [1] पर सार्वजनिक रूप से उपलब्ध करावल गइल बा. |
26e6b1675e081a514f4fdc0352d6cb211ba6d9c8 | हम आधुनिक कार में इस्तेमाल होखे वाला पैसिव कीलेस एंट्री एंड स्टार्ट (पीकेईएस) सिस्टम पर रिले हमला के प्रदर्शन करब. हम दूगो कारगर आ सस्ता हमला के तरीका बनवनी, तारबंद आ वायरलेस भौतिक परत वाला रिले, जवन हमलावर के गाड़ी में घुस के ओकरा के चालू करे के अनुमति देला, कार आ स्मार्ट कुंजी के बीच संदेस भेज के। हमनी के रिले मॉडुलेशन, प्रोटोकॉल, या मजबूत प्रमाणीकरण अउरी एन्क्रिप्शन के उपस्थिति से पूरा तरह से स्वतंत्र बा. हम आठ गो कार निर्माता के दस गो कार मॉडल के व्यापक मूल्यांकन कइले बानी. हमार परिणाम ई देखावेला कि सिग्नल के केवल एक दिशा में (कार से चाबी तक) प्रसारित कइल हमला के करे खातिर पर्याप्त बा जबकि चाबी आउर कार के बीच वास्तविक दूरी बड़ (परीक्षण 50 मीटर तक कइल गइल, दृष्टि के रेखा से बाहर) रहेला. हम इ भी देखावत बानी कि, हमनी के सेटअप के साथ, स्मार्ट कुंजी 8 मीटर तक के दूरी से उत्साहित हो सकेला. ई हमलावर के रिले के स्थापित करे खातिर चाबी के पास आवे के जरूरत के हटावेला. हम आगे महत्वपूर्ण सिस्टम विसेसता क विश्लेषण अउर चर्चा करब। रिले हमला के सामान्यता आउर मूल्यांकन कयल गयल सिस्टम के संख्या के ध्यान में रखत, इ संभावना बा कि समान डिजाइन पर आधारित सभी पीकेईएस सिस्टम भी ओही हमला के खातिर असुरक्षित होला. अंत में, हमनी के तत्काल शमन उपाय के प्रस्ताव बा जे रिले हमला के जोखिम के कम कर सकेला, साथ ही हाल के समाधान जवन कि उपयोग के सुविधा के संरक्षित करत रिले हमला के रोक सकेला, जेकरा खातिर पीकेईएस सिस्टम शुरू में पेश कइल गइल रहे. |
69d685d0cf85dfe70d87c1548b03961366e83663 | हम रक्त ऑक्सीजन संतृप्ति (SpO2) के निगरानी करे खातिर एगो गैर-संपर्क विधि प्रस्तुत करत बानी. इ विधि एगो ट्रिगर कंट्रोल के साथे सीएमओएस कैमरा के उपयोग करेला ताकि फोटोप्लेटिसमोग्राफी (पीपीजी) सिग्नल के दो विशेष तरंग दैर्ध्य पर वैकल्पिक रूप से रिकॉर्ड कइल जा सके, आउर इ तरंग दैर्ध्य पर पीपीजी सिग्नल के नब्जशील आउर नॉनपल्सेटल घटकन के मापल अनुपात से एसपीओ 2 के निर्धारण करेला. SpO2 मान के सिग्नल-टू-शोर अनुपात (SNR) तरंग दैर्ध्य के चुनाव पर निर्भर करेला. हम लोगन पईले कि नारंगी (λ = 611 एनएम) आउर निकट अवरक्त (λ = 880 एनएम) के संयोजन गैर-संपर्क वीडियो-आधारित पता लगावे के विधि खातिर सबसे अच्छा एसएनआर प्रदान करेला. ई संयोजन पारंपरिक संपर्क-आधारित SpO2 माप में उपयोग कइल जाए वाला संयोजन से अलग बा काहे कि ई तरंगदैर्ध्य पर PPG सिग्नल ताकत आउर कैमरा क्वांटम दक्षता गैर-संपर्क विधि के उपयोग करके SpO2 माप के खातिर अधिक अनुकूल होला. हमनी के एगो छोट परीक्षण भी कइलस जा जेकरा में 83%-98% के SpO2 सीमा पर बिना संपर्क के विधि के मान्य कइल गइल. इ अध्ययन के परिणाम संदर्भ संपर्क SpO2 उपकरण (r = 0.936, p <; 0.001) के उपयोग करके मापल गयल परिणाम के अनुरूप हव. प्रस्तुत विधि विशेष रूप से स्वतंत्र जीवन के स्थिति में घर पर केहु के स्वास्थ्य आउर कल्याण के ट्रैक करे खातिर आउर ऊ लोग खातिर उपयुक्त ह जे पारंपरिक संपर्क-आधारित पीपीजी उपकरण के उपयोग ना कर सकेलन. |
51c88134a668cdfaccda2fe5f88919ac122bceda | वेब वीडियो में मल्टीमीडिया घटना के पता लगावे के बात मल्टीमीडिया आ कंप्यूटर विजन के क्षेत्र में तेजी से बढ़ रहल रिसर्च के क्षेत्र हवे। इ पत्र में, हम घटना के पता लगावे के समग्र समस्या के विभिन्न पहलु से निपटे खातिर आपन घटना लेबलिंग के विश्लेषणात्मक मीडिया प्रोसेसिंग (ई-लैम्प) प्रणाली के माध्यम से विकसित ढांचे के मूल विधि आउर प्रौद्योगिकि के परिचय देले बानी. विशेष रूप से, हमनी के सुविधा निकाले खातिर कुशल तरीका विकसित कइले बानी जा जेकरा से हमनी के हजारन घंटा के वीडियो के साथे विडियो डेटा के बड़ संग्रह के संभाल सकेनी जा. दूसरा, हम एगो स्थानिक बैग-ऑफ-वर्ड मॉडल में निकाले गए कच्चे सुविधा के प्रतिनिधित्व करेनी जवन कि अधिक प्रभावी टाइलिंग के साथ होला ताकि विभिन्न सुविधा आउर विभिन्न घटना के स्थानिक लेआउट जानकारी के बेहतर ढंग से कैप्चर कइल जा सके, इ प्रकार समग्र पता लगावे के प्रदर्शन में सुधार कइल जा सकेला. तीसर, व्यापक रूप से उपयोग होखे वाला प्रारंभिक आउर देर से फ्यूजन योजना से अलग, एगो नया एल्गोरिथ्म विकसित करल जाला ताकि कई सुविधा से एगो अधिक मजबूत आउर विभेदक मध्यवर्ती विशेषता प्रतिनिधित्व सीखल जा सके ताकि इ पर बेहतर घटना मॉडल बनावल जा सके. अंत में, बहुत कम सकारात्मक उदाहरण के साथे घटना के पता लगावे के अतिरिक्त चुनौती से निपटने खातिर, हम एगो नया एल्गोरिथ्म विकसित कइले बानी जे घटना के पता लगावे में सहायता खातिर सहायक स्रोत से सीखे के ज्ञान के प्रभावी ढंग से अनुकूलित करे में सक्षम बा. हमनी के अनुभवजन्य परिणाम आ ट्रेक्विड मेड11 आ मेड12 के आधिकारिक मूल्यांकन परिणाम दुनों एह बिचारन के एकीकरण के बढ़िया प्रदर्शन के प्रदर्शन करत बा. |
10d6b12fa07c7c8d6c8c3f42c7f1c061c131d4c5 | हम मजबूत दृश्य वस्तु मान्यता खातिर सुविधा सेट के सवाल के अध्ययन कर तानी; एगो परीक्षण मामला के रूप में रैखिक एसवीएम आधारित मानव पता लगावे के अपनावतानी. मौजूदा किनारा आउर ढाल आधारित वर्णकन के समीक्षा करे के बाद, हम प्रयोगात्मक रूप से देखावल कि उन्मुख ढाल (एचओजी) वर्णकन के हिस्टोग्राम के ग्रिड मानव पता लगावे खातिर मौजूदा सुविधा सेट से बेहतर प्रदर्शन करेला. हम गणना के प्रत्येक चरण के प्रभाव के परफॉर्मेंस पर अध्ययन करेनी, इ निष्कर्ष निकालले कि बढ़िया परिणाम खातिर बारीक पैमाना के ढाल, बारीक अभिविन्यास बिल्डिंग, अपेक्षाकृत मोटा स्थानिक बिल्डिंग, आउर ओवरलैपिंग डिस्क्रिप्टर ब्लॉक में उच्च-गुणवत्ता वाला स्थानीय कंट्रास्ट सामान्यीकरण महत्वपूर्ण बा. नया तरीका मूल एमआईटी पैदल यात्री डेटाबेस पर लगभग सही अलगाव देला, एहीसे हमनी के 1800 से अधिक एनोटेटेड मानव चित्रन के साथ एगो अधिक चुनौतीपूर्ण डेटासेट प्रस्तुत करेनी जा, जेमे पोज वैरिएशन आ पृष्ठभूमि के एगो बड़ श्रृंखला बा. |
2337ff38e6cfb09e28c0958f07e2090c993ef6e8 | कई पैटर्न मान्यता कार्यन खातिर, आदर्श इनपुट सुविधा कई भ्रमित गुणन (जइसे कि कंप्यूटर विजन अनुप्रयोगों में रोशनी आउर देखने के कोण) खातिर अपरिवर्तनीय होई. हाल ही में, बिना देखरेख के प्रशिक्षित गहरी वास्तुकला के उपयोगी सुविधा के निकाले खातिर एगो स्वचालित विधि के रूप में प्रस्तावित कइल गइल बाटे. हालाँकि, सीखे वाली विसेसता के मूल्यांकन कौनों दूसर तरीका से कइल मुश्किल बा, सिवाय एकरे कि ऊ वर्गीकरण करे वाला में इस्तेमाल कइल जाय। इ पत्र में, हम कई अनुभवजन्य परीक्षण के प्रस्ताव देले बानी जवन सीधे इ डिग्री के मापेला कि इ सीखे वाली विशेषता अलग-अलग इनपुट परिवर्तन खातिर अपरिवर्तनीय बा. हमनी के पावेला कि ढेर कइल गइल ऑटोएन्कोडर सभ प्राकृतिक चित्रन पर प्रशिक्षण देला पर गहराई के साथे मामूली रूप से बढ़त रूप से अपरिवर्तनीय विशेषता सीखेलें. हमनी के पावेला कि संवितरणात्मक गहिरा विश्वास नेटवर्क हर परत में काफी ज्यादा अपरिवर्तनीय विशेषता सीखेलन. इ परिणाम गहरी बनाम उथला निरूपण के उपयोग के औचित्य साबित करेला, लेकिन इ सुझाव देवेला कि एगो ऑटोकोडर के दूसर के ऊपर ढेर करे से परे तंत्र अपरिवर्तनीयता प्राप्त करे खातिर महत्वपूर्ण हो सकेला. हमार मूल्यांकन मेट्रिक्स के उपयोग गहन शिक्षा में भविष्य के काम के मूल्यांकन करे खातिर भी कइल जा सकेला, आउर ये तरह भविष्य के एल्गोरिदम के विकास में मदद करेला. |
31b58ced31f22eab10bd3ee2d9174e7c14c27c01 | इंटरनेट के आगमन के साथ, अरबों चित्र अब मुफ्त में ऑनलाइन उपलब्ध हव आउर दृश्य दुनिया के एगो घने नमूना के गठन करेला. विभिन्न गैर-पैरामीटर पद्धति के उपयोग करत, हमनी के ई दुनिया के खोज इंटरनेट से एकत्रित 79,302,017 छवियन के एगो बड़ डेटासेट के मदद से कइल गइल बा. मनोभौतिकीय परिणाम से प्रेरित होके जे मानव दृश्य प्रणाली के छवि रिज़ॉल्यूशन में गिरावट के उल्लेखनीय सहनशीलता देखावत बाटे, डेटासेट में छवियन के 32 x 32 रंग छवियन के रूप में संग्रहीत कइल गइल बाटे. हर चित्र पर अंगरेजी में 75,062 गैर-अमूर्त संज्ञा सभ में से एक के लेबल लगावल गइल बा, जइसन कि वर्डनेट शब्दकोश के डेटाबेस में सूचीबद्ध बाटे। एही से इमेज डेटाबेस सब ऑब्जेक्ट श्रेणी आउर दृश्य के व्यापक कवरेज देवेला. वर्डनेट से प्राप्त अर्थ संबंधी जानकारी के निकटतम-पड़ोसी पद्धति के साथ संयोजन में उपयोग कइल जा सकेला ताकि वस्तु के वर्गीकरण अर्थ संबंधी स्तर के सीमा पर कइल जा सके, जवन कि लेबलिंग शोर के प्रभाव के कम कर सके। डेटासेट में कुछ वर्ग खातिर जवन खासतौर से प्रचलित बा, जइसे कि लोग, हम वर्ग-विशिष्ट वायोला-जोन्स शैली डिटेक्टर के तुलना में पहचान प्रदर्शन प्रदर्शित करे में सक्षम बानी. |
4b605e6a9362485bfe69950432fa1f896e7d19bf | डीप लर्निंग में प्रगति आउर डीप नेटवर्क के प्रशिक्षण खातिर बड़ डेटासेट के उपलब्धता के संयोजन के चलते स्वचालित चेहरा पहचान तकनीक में प्रदर्शन में महत्वपूर्ण सुधार देखल गइल बा. चूंकि चेहरा के पहिचान एगो अइसन काम ह जेकरा में मनुष्य बहुत अच्छा मानल जाला, ई स्वचालन चेहरा पहचान के सापेक्ष प्रदर्शन के तुलना करे खातिर स्वाभाविक बा आउर जब चेहरा के छवियन के पूरा तरह से अप्रतिबंधित रूप से संसाधित कइल जाला त मनुष्य के तुलना कइल जा सकेला. इ काम में, हम लोग के पहचान सटीकता के पिछला अध्ययन पर विस्तार करत बानी आउर बिना कउनो रोक-टोक के चेहरा के छवियन के उपयोग कई उपन्यास विश्लेषण क के स्वचालित प्रणाली के प्रदर्शन करत बानी. हम प्रदर्शन पर प्रभाव के जांच करेनी जब मानव मान्यता के प्रति विषय, अपरिवर्तनीय विशेषता जइसे लिंग, आउर परिस्थितिजन्य विशेषता जइसे कि आक्ल्यूजन, इल्युमिनेशन आउर मुद्रा के साथ अलग-अलग मात्रा में चित्रण प्रस्तुत कइल जाला. परिणाम ई बतावेला कि मनुष्य चुनौतीपूर्ण आईजेबी-ए डेटासेट पर अत्याधुनिक स्वचालित चेहरा पहचान एल्गोरिदम से बहुत बेहतर प्रदर्शन करेला. |
a4d510439644d52701f852d9dd34bbd37f4b8b78 | सेलुलर ऑटोमैटा (सीए) पर आधारित स्लेथ मॉडल के महानगरीय क्षेत्र में शहर के विकास के अनुकरण पर लागू कइल जा सकेला. एह अध्ययन में शहरी विस्तार के मॉडल बनावे खातिर आ तेहरान में शहरी विकास के भविष्य के व्यवहार के भविष्यवाणी करे खातिर स्लेथ मॉडल के इस्तेमाल कइल गइल। मूलभूत आंकड़ा 1988, 1992, 1998, 2001 आउर 2010 के पांच लैंडसैट TM आउर ईटीएम छवियां रहल. तीन गो परिदृश्य के डिजाइन कइल गइल बा ताकि जगह के पैटर्न के अनुकरण कइल जा सके. पहिला परिदृश्य में ऐतिहासिक शहरीकरण के तरीका के मान लिहल गइल रहे आउर विकास खातिर एकमात्र सीमा ऊंचाई आउर ढलान रहे. दूसरा एगो कॉम्पैक्ट परिदृश्य रहे जे विकास के ज्यादातर आंतरिक बनावेला आउर उपनगरीय क्षेत्र के विस्तार के सीमित करेला. अंतिम परिदृश्य में एगो बहुकेन्द्रित शहरी संरचना के प्रस्ताव दिहल गइल जवन छोट छोट पैच के अनुमति देत रहल. टेल. : +98 912 3572913 ई-मेल पता: [email protected] |
f19e6e8a06cba5fc8cf234881419de9193bba9d0 | तंत्रिका नेटवर्क के आमतौर पर वर्गीकरण आउर निर्णय कार्य में उपयोग कइल जाला. एह लेख में, हमनी के फोकस स्थानीय स्तर पर ओह लोग के परिणाम के भरोसा पर बा। हम सांख्यिकीय निर्णय सिद्धांत के कुछ अवधारना के समीक्षा करब जवन कि तंत्रिका नेटवर्क के साथ वर्गीकरण खातिर विश्वास माप के निर्धारण आउर उपयोग पर अंतर्दृष्टि प्रदान करेला. फेर हमनी के मौजूदा विश्वास माप के एगो अवलोकन प्रस्तुत करब आउर अंत में एगो सरल माप प्रस्तावित करब जवन नेटवर्क आउटपुट के संभाव्य व्याख्या के लाभ आउर बूटस्ट्रैप त्रुटि अनुमान द्वारा मॉडल के गुणवत्ता के अनुमान के संयोजन करेला. हम वास्तविक दुनिया के अनुप्रयोग आउर एगो कृत्रिम समस्या पर अनुभवजन्य परिणाम के चर्चा करब आउर देखइब कि सबसे सरल उपाय अक्सर जादा परिष्कृत लोगन के तुलना में बेहतर व्यवहार करेला, लेकिन कुछ स्थितियन में खतरनाक हो सकेला. |
4a5be26509557f0a1a911e639868bfe9d002d664 | मैनुफैक्चरिंग मैसेजिंग स्पेसिफिकेशन (एमएमएस) प्रोटोकॉल के व्यापक रूप से औद्योगिक प्रक्रिया नियंत्रण अनुप्रयोग में उपयोग कइल जाला, लेकिन एकर खराब दस्तावेजीकरण कइल गइल बा. एह लेख में हमनी के एमएमएस प्रोटोकॉल के विश्लेषण कइल जा रहल बा ताकि सूचना सुरक्षा के संदर्भ में एमएमएस के बेहतर ढंग से समझल जा सके। हमार खोज से पता चलल कि एमएमएस में पर्याप्त सुरक्षा तंत्र नइखे, आउर उपलब्ध सुरक्षा तंत्र के व्यावसायिक रूप से उपलब्ध औद्योगिक उपकरण में लागू ना कइल गइल बा. |
15a2ef5fac225c864759b28913b313908401043f | आपन ग्राहक के भरोसा हासिल करे खातिर, सॉफ्टवेयर विक्रेता आपन उत्पाद के सुरक्षा मानक के अनुसार प्रमाणित कर सकेलन, उदाहरन खातिर, कॉमन क्रिटेरिया (आईएसओ 15408) । हालाँकि, कॉमन क्रिटेरिया सर्टिफिकेशन खातिर सॉफ्टवेयर उत्पाद के समझल जाए वाला प्रलेखन के जरूरत होला. एह दस्तावेज के बनावे में समय आ धन के भारी खरचा होखेला। हमनी के एगो सॉफ्टवेयर डेवलपमेंट प्रक्रिया के प्रस्ताव देले बानी जा जे कॉमन क्रिटेरिया सर्टिफिकेशन खातिर जरूरी दस्तावेज के निर्माण के समर्थन करे। एही से, सॉफ्टवेयर बनला के बाद हमनी के प्रलेखन बनावे के जरूरत नइखे। एकरे अलावा, हमनी के प्रस्ताव बा कि कॉमन क्रिटेरिया दस्तावेजन के निर्माण में संभावित समस्या के खोजे खातिर एडीआईटी (एडिटेड एडिशन टू डिमांड) नाँव के जरूरत पर आधारित सॉफ्टवेयर इंजीनियरिंग प्रक्रिया के एगो बेहतर संस्करण के इस्तेमाल कइल जाय। हमनी के ई लक्ष्य बा कि प्रमाणीकरण प्रक्रिया से पहिले एह तरह के मुद्दा के पता लगावल जा सके। एह तरह से हमनी के प्रमाणीकरण के काम में देरी से आवे से बचे के होई। एडीआईटी एगो सहज विकास दृष्टिकोण प्रदान करेला जवन विभिन्न प्रकार के यूएमएल मॉडल के बीच एकरूपता जांच के अनुमति देवेला. एडीआईटी सुरक्षा आवश्यकता से लेके डिजाइन दस्तावेज तक के पता लगावे के भी समर्थन करेला. हम आपन दृष्टिकोण के एगो स्मार्ट मीटरिंग गेटवे सिस्टम के विकास के साथ देखावल चाहत बानी. |
21968ae000669eb4cf03718a0d97e23a6bf75926 | हाल में, सामाजिक नेटवर्क में प्रभाव के प्रसार के घटना में बहुत रुचि रहल बा. इ क्षेत्र में अध्ययन ई मान लेला कि ऊ लोग आपन समस्या के इनपुट के रूप में सामाजिक ग्राफ के उपयोग करे वाला लोगन के बीच प्रभाव के संभावना के साथ किनारन के लेबल कइल गइल बा. हालाँकि, इ संभावना कहाँ से आवेला या वास्तविक सामाजिक नेटवर्क डेटा से इकर गणना कइसे कइल जा सकेला इ सवाल अब तक काफी हद तक अनदेखा कइल गइल बा. एहसे ई पूछल दिलचस्प बा कि का एगो सामाजिक ग्राफ आ ओकर प्रयोगकर्ता लोग के क्रियाकलाप के लॉग से प्रभाव के मॉडल बनावल जा सकेला. ई एह पेपर में हमला कइल गइल मुख्य समस्या बा. मॉडल पैरामीटर के सीखे खातिर मॉडल आउर एल्गोरिदम के प्रस्ताव देवे आउर भविष्यवाणी करे खातिर सीखे गए मॉडल के परीक्षण करे खातिर, हम उ समय के भविष्यवाणी करे खातिर तकनीक भी विकसित करिला, जउने तक एगो उपयोगकर्ता से कौनो क्रिया करे के उम्मीद कइल जा सकेला. हमनी के आपन विचार आ तकनीक के सत्यापन करे खातिर फ़्लिकर के डेटा सेट के इस्तेमाल करेनी जा जेवन 1.3 मिलियन नोड्स, 40 मिलियन किनारन वाला एगो सामाजिक ग्राफ, आ 35 मिलियन ट्यूपल्स से बनल एगो एक्शन लॉग से बनल बा जेवन 300 हजार अलग-अलग क्रिया के संदर्भित करेला। ई देखावे के अलावा कि वास्तविक सामाजिक नेटवर्क में वास्तविक प्रभाव हो रहल बा, हमनी के ई देखावे के बा कि हमनी के तकनीक के बहुत बढ़िया भविष्यवाणी करे के क्षमता बा. |
c8a04d0cbb9f70e86800b11b594c9a05d7b6bac0 | |
61dc8de84e0f4aab21a03833aeadcefa87d6d4e5 | एड-हॉक नेटवर्क में गोपनीयता-संरक्षण डेटा एग्रीगेशन एगो चुनौतीपूर्ण समस्या बा, वितरित संचार आउर नियंत्रण आवश्यकता, गतिशील नेटवर्क टोपोलॉजी, अविश्वसनीय संचार लिंक इत्यादि के ध्यान में रखत। जब बेईमान नोड मौजूद होलें त समस्या बढ़ जाला, अउर बेईमान नोड के खिलाफ गोपनीयता, सटीकता, आउर मजबूती के कइसे सुनिश्चित कइल जाए ई एगो खुला मुद्दा बा. व्यापक रूप से इस्तेमाल होखे वाला क्रिप्टोग्राफिक दृष्टिकोण से अलग, इ पेपर में, हम वितरित आम सहमति तकनीक के उपयोग करके इ चुनौतीपूर्ण समस्या के संबोधित करब. सबसे पहिले हमनी के एगो सुरक्षित आम सहमति आधारित डेटा एग्रीगेशन (SCDA) एल्गोरिथ्म के इस्तेमाल करे के चाहीं जवन संवेदनशील डेटा के प्राइवेसी के बचा के सटीक कुल एग्रीगेशन के गारंटी दे। फेर, बेईमान नोड्स से प्रदूषण के कम करे खातिर, हम एगो उन्नत एससीडीए (ई-एससीडीए) एल्गोरिथ्म प्रस्तावित करेनी जे पड़ोसियन के बेईमान नोड्स के पता लगावे के अनुमति देवेला, आउर त्रुटि बाउंड के प्राप्त करेले जब अनिश्चित डिशोन टी नोड्स होला. हम एससीडीए आउर ई-एससीडीए दुनों के अभिसरण के साबित कर रहल बानी. हम इ भी साबित करब कि प्रस्तावित एल्गोरिदम ((, σ) - डेटा गोपनीयता ह, आउर आउर σ के बीच गणितीय संबंध प्राप्त करेला. व्यापक सिमुलेशन से पता चलल बा कि प्रस्तावित एल्गोरिथ्म के उच्च सटीकता आउर कम जटिलता बा, आउर ई नेटवर्क गतिशीलता आउर बेईमान नोड्स के खिलाफ मजबूत बा. |
dbde4f47efed72cbb99f412a9a4c17fe39fa04fc | प्राकृतिक छवि निर्माण वर्तमान में डीप लर्निंग में सबसे सक्रिय रूप से खोजल गइल क्षेत्र में से एगो बा. कई दृष्टिकोण, उदा. कलात्मक शैली के हस्तांतरण या प्राकृतिक बनावट संश्लेषण के खातिर, पर्यवेक्षित रूप से प्रशिक्षित गहरे तंत्रिका नेटवर्क में पदानुक्रमित निरूपण के आंकड़ों पर भरोसा करें. हालाँकि, इ स्पष्ट नइखे कि प्राकृतिक छवि निर्माण खातिर इ सुविधा प्रतिनिधित्व के कौन-कौनों पहलू महत्वपूर्ण बा: का ई गहराई, संयोजन या प्राकृतिक छवियन पर सुविधा के प्रशिक्षण बा? हम इहाँ प्राकृतिक बनावट संश्लेषण के काम खातिर इ सवाल के संबोधित करब आउर देखइब कि उपरोक्त पहलु में से कौनो भी अपरिहार्य ना हवे. एकरे बजाय, हम देखब कि उच्च अवधारणात्मक गुणवत्ता के प्राकृतिक बनावट केवल एगो परत, बिना पूलिंग आउर यादृच्छिक फ़िल्टर के नेटवर्क से उत्पन्न कइल जा सकेला. |
acdc3d8d8c880bc9b9e10b337b09bed4c0c762d8 | कपड़ा आ पहिरले जा सकले वाला सामान में एकीकृत दूरसंचार प्रणाली अइसन तरीका ह जवना से चिकित्सा उपकरण स्वास्थ्य सेवा के बढ़ावल में मदद करत बाड़े. जब ई कपड़ा पूरा तरह से विकसित हो जाई त ई अस्पताल के संसाधन आ श्रम के कम करे के साथे-साथे अगर जरूरत पड़े त सावधान करे आ ध्यान देवे के मांग करे में सक्षम होई. एकरे अलावा, ई निरोगी दिखले वाला लोगन में रोग, स्वास्थ्य संबंधी अनियमितता आउर अप्रत्याशित हृदय या मस्तिष्क विकार में प्रमुख भूमिका निभा सके ला. इ काम अल्ट्रा-वाइडबैंड (यूडब्ल्यूबी) एंटीना के जांच के व्यवहार्यता के प्रस्तुत करेला जे पूरा तरह से कपड़ा सामग्री से बनल रहे जे सब्सट्रेट के साथे-साथे डिजाइन कइल गइल एंटीना के प्रवाहकीय भाग खातिर उपयोग कइल गइल रहे. सिमुलेटेड आउर मापल परिणाम से पता चलेला कि प्रस्तावित एंटीना डिजाइन विस्तृत कार्य बैंडविड्थ के आवश्यकता के पूरा करेला आउर कॉम्पैक्ट आकार, धोवे योग्य आउर लचीला सामग्री के साथ 17GHz बैंडविड्थ प्रदान करेला. वर्तमान पांडुलिपि डिजाइन के उपयोगिता के मान्य करे खातिर रिटर्न लॉस, बैंडविड्थ, रेडिएशन पैटर्न, वर्तमान वितरण के साथे-साथे लाभ आउर दक्षता के संदर्भ में परिणाम प्रस्तुत कइल गइल बा. इहाँ प्रस्तुत काम के स्वतंत्र सूट के भविष्य के अध्ययन खातिर गहन निहितार्थ बा जे एक दिन पहननिहार (रोगी) के अइसन विश्वसनीय आउर आरामदायक चिकित्सा निगरानी तकनीक प्रदान करे में मदद कर सकेला. 12 अप्रैल 2011 के मिलल, 23 मई 2011 के स्वीकार कइल गइल, 10 जून 2011 के निर्धारित * संवाददाता लेखक: माई ए रहमान उस्मान ([email protected]). |
aab8c9514b473c4ec9c47d780b7c79112add9008 | एगो शोध रणनीति के रूप में केस स्टडी अक्सर छात्रन आउर अन्य नया शोधकर्ता लोगन खातिर एगो स्पष्ट विकल्प के रूप में उभरत रहेला जे आपन कार्यस्थल या सीमित संख्या में संगठन के तुलना के आधार पर मामूली पैमाना के शोध परियोजना शुरू करे के मांग करत रहेला. इ संदर्भ में केस स्टडी अनुसंधान के अनुप्रयोग के सबसे चुनौतीपूर्ण पहलू अनुसंधान के "का होला" के एगो वर्णनात्मक विवरण से एगो शोध के टुकड़ा में उठावेला जवन ज्ञान के एगो मूल्यवान, अगर मामूली जोड़ के दावा कर सकेला. ई लेख केस स्टडी रिसर्च आउर संबंधित क्षेत्रन पर स्थापित पाठ्यपुस्तकन पर भारी मात्रा में आधारित बा, जइसे कि यिन, 1994, हैमेल एट अल., 1993, ईटन, 1992, गोम, 2000, पेरी, 1998, आउर साउंडर्स एट अल., 2000 लेकिन केस स्टडी रिसर्च के प्रमुख पहलु के अलग करे के कोशिश करेला ताकि नया शोधकर्ता लोग के प्रोत्साहित करे आउर इ शोध दृष्टिकोण के कुछ प्रमुख सिद्धांत के लागू करे खातिर प्रोत्साहित करे. ई लेख बतावेला कि केस स्टडी रिसर्च के इस्तेमाल कब कइल जा सकेला, रिसर्च डिजाइन, डेटा संग्रह, आ डेटा विश्लेषण, आ अंत में रिपोर्ट या शोध प्रबंध लिखे में सबूत के आधार पर सुझाव देवे ला। |
a088bed7ac41ae77dbb23041626eb8424d96a5ba | इ पेपर एफ़्रा प्रश्न उत्तर इंजन के वर्णन करेला, एगो मॉड्यूलर आउर विस्तार योग्य ढांचा जवन एगो प्रणाली में प्रश्न उत्तर के खातिर कई दृष्टिकोण के एकीकृत करे के अनुमति देवेला. हमनी के ढाँचा के अंगरेजी के अलावा अउरी भाषा सभ खातिर भी अनुकूलित कइल जा सके ला। ई प्रश्न उत्तर, ज्ञान एनोटेशन आउर ज्ञान खनन के दु प्रमुख दृष्टिकोण के समर्थन करेला. एफ़्रा वेब के डेटा संसाधन के रूप में उपयोग करेला, लेकिन ई छोट कॉर्पोरेसन के साथ भी काम कर सकेला. एकरे अलावा, हम सवाल के व्याख्या के एगो नया तरीका के प्रस्तावित कर रहल बानी जे कि सवाल के मूल रूप से अलग होला। पाठ पैटर्न के उपयोग प्रश्न के व्याख्या करे खातिर कइल जाला आउर पाठ के टुकड़ा से उत्तर निकाले खातिर कइल जाला. हमार सिस्टम स्वचालित रूप से उत्तर निकाले खातिर पैटर्न सीख लेला, प्रशिक्षण डेटा के रूप में प्रश्न-उत्तर जोड़े के उपयोग करेला. प्रयोगात्मक परिनाम इ दृष्टिकोण के संभावना के प्रकट कइलस. |
227ed02b3e5edf4c5b08539c779eca90683549e6 | वर्तमान ढाँचा के एगो बड़हन बहुमत कुछ सामाजिक-आर्थिक आ तकनीकी सेटिंग्स वाला देसन में एकर सार्वभौमिक लागू होखे के समस्या के समाधान करे खातिर अपर्याप्त बाटे. हालाँकि ई-शासन लागू करे खातिर अबले "सबके खातिर एक जइसन" रणनीति नइखे, बदलाव में कुछ जरूरी समान तत्व बाड़े सन. एही से, ई पेपर कुछ सिद्धांतन के आधार पर एगो अनोखा टिकाऊ मॉडल विकसित करे के प्रयास करेला आउर विकासशील आउर विकसित देसन के मौजूदा ई-भागीदारी पहल से सीखल गइल बा, ताकि आईसीटी के लाभ के अधिकतम कइल जा सके आउर अधिक भागीदारी सुनिश्चित कइल जा सके. |
6afe5319630d966c1355f3812f9d4b4b4d6d9fd0 | |
a2c2999b134ba376c5ba3b610900a8d07722ccb3 | |
ab116cf4e1d5ed947f4d762518738305e3a0ab74 | |
64f51fe4f6b078142166395ed209d423454007fb | गहन नेटवर्क मॉडल के सही आ मजबूत बनावे खातिर बड़हन मात्रा में एनोटेटेड ट्रेनिंग इमेज जरूरी बा, लेकिन एनोटेटेड ट्रेनिंग इमेज के बड़हन मात्रा में इकट्ठा करे में अक्सर समय आ खरचा के जरूरत पड़ेला। छवि संश्लेषण मशीन द्वारा स्वचालित रूप से एनोटेटेड प्रशिक्षण छवियन के उत्पन्न करके इ बाधा के कम करेला, जवन हाल के गहन सीख के अनुसंधान में बढ़त रुचि के आकर्षित कइले बा. हमनी के एगो अभिनव चित्र संश्लेषण तकनीक विकसित कइले बानी जा जे में अग्रभूमि के रुचि वाला वस्तु (ओओआई) के पृष्ठभूमि के चित्र में यथार्थवादी रूप से सम्मिलित करके एनोटेड प्रशिक्षण चित्र के रचना कइल जाला. प्रस्तावित तकनीक में दू गो प्रमुख घटक शामिल बाड़ें जे सिद्धांत रूप में गहन नेटवर्क प्रशिक्षण में संश्लेषित छवियन के उपयोगिता के बढ़ावे लें. पहिला संदर्भ-जागरूक सिमेंटिक सुसंगतता बा जे ई सुनिश्चित करेला कि ओओआई के पृष्ठभूमि छवि के भीतर सिमेंटिक रूप से सुसंगत क्षेत्र के आसपास रखल जाला. दूसरा सामंजस्यपूर्ण उपस्थिति अनुकूलन ह जवन इ सुनिश्चित करेला कि एम्बेडेड ओओआई आसपास के पृष्ठभूमि के साथे ज्यामिति संरेखण आउर उपस्थिति यथार्थवाद दुनों से अनुकूल होला. प्रस्तावित तकनीक के दू गो संबंधित लेकिन बहुत अलग कंप्यूटर विजन चुनौती, यानी सीन टेक्स्ट डिटेक्शन आउर सीन टेक्स्ट रिकग्निशन पर मूल्यांकन कइल गइल बा. कई सार्वजनिक डेटासेट पर प्रयोग से हमनी के प्रस्तावित छवि संश्लेषण तकनीक के प्रभावकारिता के प्रदर्शित कइल गइल बा जे हमनी के संश्लेषित छवियन के उपयोग गहन नेटवर्क प्रशिक्षण में समान या बेहतर दृश्य पाठ पता लगावे आउर दृश्य पाठ मान्यता प्रदर्शन के प्राप्त करे में सक्षम बा जे वास्तविक छवियन के उपयोग के तुलना में बा. |
ceb4040acf7f27b4ca55da61651a14e3a1ef26a8 | |
226cfb67d2d8eba835f2ec695fe28b78b556a19f | हम बिटकॉइन प्रोटोकॉल में एगो व्यावहारिक संशोधन प्रस्तावित करत बानी जे बिटकॉइन के सामान्य मामला में बचावेला. ई एगो गठबंधन द्वारा स्वार्थी खनन पर रोक लगावेला जवन संसाधन के 1/4 से कम कमान रखेला. ई सीमा गलत तरीका से मानल गइल आधा सीमा से कम बा, लेकिन वर्तमान वास्तविकता से बेहतर बा जहवाँ कौनो आकार के गठबंधन सिस्टम के खतरा में डाल सकेला. बिटकॉइन क्रिप्टोकरेंसी आपन लेनदेन के सार्वजनिक लॉग में दर्ज करेला जेकरा के ब्लॉकचेन कहल जाला. एकर सुरक्षा वितरित प्रोटोकॉल पर निर्भर करेला जवन ब्लॉकचेन के बनवले रखेला, जेके खनिक कहल जायेला. परंपरागत बुद्धि के दावा बा कि खनन प्रोटोकॉल प्रोत्साहन-संगत बा आउर अल्पसंख्यक समूह के साथ समझौता करे से सुरक्षित बा, यानी ई खनिक के प्रोटोकॉल के निर्धारित रूप से पालन करे खातिर प्रोत्साहित करेला. हम देखनी कि बिटकॉइन खनन प्रोटोकॉल प्रोत्साहन-संगत नइखे. हम एगो हमला प्रस्तुत करत बानी जेकरा से खनन करे वाला लोग के आमदनी उनकर उचित हिस्सा से बेसी बा. हमला के बिटकॉइन खातिर महत्वपूर्ण परिणाम हो सकेला: तर्कसंगत खनिक हमलावरन में शामिल होखे के पसंद करिहें, आउर संदिग्ध समूह के आकार तब तक बढ़ जाई जब तक कि इ बहुमत ना बन जा ला. ए समय बिटकॉइन प्रणाली एगो विकेन्द्रीकृत मुद्रा ना रह जाला. जब तक कि कुछ अनुमान ना लगावल जा सके, स्वार्थी खनन के काम कौनों भी आकार के गठबंधन के खनन करे वाला लोग कर सके ला। |
2b00e526490d65f2ec00107fb7bcce0ace5960c7 | ई पेपर इंटरनेट ऑफ थिंग्स के बारे में बा। ई आशाजनक प्रतिमान के मुख्य कारक कई प्रौद्योगिकी आउर संचार समाधान के एकीकरण बाटे. पहचान आउर ट्रैकिंग तकनीक, वायर्ड आउर वायरलेस सेंसर आउर एक्ट्यूएटर नेटवर्क, उन्नत संचार प्रोटोकॉल (अगला पीढ़ी के इंटरनेट के साथे साझा), आउर स्मार्ट ऑब्जेक्ट खातिर वितरित खुफिया जानकारी केवल सबसे प्रासंगिक बा. जइसे कि आसानी से कल्पना कइल जा सकेला, चीज के इंटरनेट के आगे बढ़ावे में कउनो भी गंभीर योगदान जरूरी बा कि ई ज्ञान के अलग-अलग क्षेत्रन जइसे कि दूरसंचार, सूचना विज्ञान, इलेक्ट्रॉनिक्स आउर सामाजिक विज्ञान में संश्लेषणात्मक गतिविधियन के परिणाम होखे. अइसन जटिल परिदृश्य में, ई सर्वेक्षण ओ लोग के लक्षित बा जे एह जटिल अनुशासन के संपर्क में आवे के चाहत बा आउर एकर विकास में योगदान देवे चाहत बा. एह इंटरनेट ऑफ थिंग्स प्रतिमान के अलग-अलग दृष्टि के बारे में बतावल गइल बा आ सक्षम करे वाली टेक्नोलॉजी के समीक्षा कइल गइल बा। अब ई पता चल रहल बा कि शोध समुदाय के सामने अबहियो बड़हन सवाल बा. एह में से सबसे महत्वपूर्ण के विस्तार से बतावल गइल बा. 2010 एल्सेवियर बी.वी. सब अधिकार सुरक्षित बा. |
839a69a55d862563fe75528ec5d763fb01c09c61 | कम-आयामी वेक्टर एम्बेडिंग, जे LSTM या सरल तकनीक के उपयोग करके गणना कइल जाला, पाठ के "अर्थ" के कैप्चर करे खातिर एगो लोकप्रिय तरीका हवे आउर डाउनस्ट्रीम कार्य खातिर उपयोगी अनसुपरवाइज्ड लर्निंग के एगो रूप हवे. हालाँकि, सिद्धांत रूप में इनकर शक्ति के समझल नइखे जा सकत. वर्तमान पेपर रैखिक एम्बेडिंग योजना के उप-मामला के देखके औपचारिक समझ प्राप्त करेला. संकुचित संवेदन के सिद्धांत के उपयोग करके हम देखब कि घटक शब्द वेक्टर के संयोजन करे वाला निरूपण मूल रूप से पाठ के बोन-ऑफ-एन-ग्राम (बोनजी) निरूपण के सूचना-संरक्षण रैखिक माप बा. ई LSTM के बारे में एगो नया सैद्धांतिक परिनाम देवेला: कम-आयामी एम्बेडमेंट कम-मेमोरी LSTM से प्राप्त होला जवन वर्गीकरण कार्य पर कम से कम उतना ही शक्तिशाली होला, छोट त्रुटि तक, जेतना कि बोनजी वैक्टर पर रैखिक वर्गीकरण करे वाला होला, एगो परिनाम जवन कि व्यापक अनुभवजन्य कार्य अब तक प्रदर्शित करे में असमर्थ रहल. हमार प्रयोग इ सैद्धांतिक खोज के समर्थन करेला आउर मानक बेंचमार्क पर मजबूत, सरल आउर अनसुरीक्षित आधार रेखा स्थापित करेला जे कुछ मामला में शब्द-स्तर के तरीका में कला के स्थिति होला. हम ग्लोवे आउर वर्ड2वेक जइसन एम्बेडमेंट के एगो आश्चर्यजनक नया गुण भी देखावत बानी: ई पाठ खातिर एगो अच्छा संवेदन मैट्रिक्स बनावेला जे रैंडम मैट्रिक्स, मानक स्परस रिकवरी टूल से अधिक कुशल होला, जवन समझा सकेला कि ई व्यवहार में बेहतर प्रतिनिधित्व काहे करेला. |
06e04fd496cd805bca69eea2c1977f90afeeef83 | एल्गोरिदमिक निष्पक्षता में जादातर दृष्टिकोण मशीन लर्निंग विधि के बाधित करेला ताकि परिणामी भविष्यवाणियां निष्पक्षता के कई सहज ज्ञान युक्त धारणा में से एगो के संतुष्ट कर सके. जबकि ई निजी कंपनियन के गैर-भेदभाव कानून के पालन करे में मदद कर सकेला या नकारात्मक प्रचार से बचे में मदद कर सकेला, हमार मानना बा कि ई अक्सर बहुत कम होला, बहुत देरी से. जब तक प्रशिक्षण डेटा इकट्ठा कइल जाला, तब तक वंचित समूह के लोग पहिले से ही भेदभाव से पीड़ित हो चुकल रहे आउर उनकरे नियंत्रण से बाहर के कारक के कारण अवसर खो चुकल रहे. वर्तमान काम में हमनी के एकरा बजाय हस्तक्षेप पर ध्यान केंद्रित करे के बा, जइसे कि एगो नया सार्वजनिक नीति, अउर खास तौर पर, कि कइसे एकर सकारात्मक प्रभाव के अधिकतम कइल जा सके जबकि समग्र प्रणाली के निष्पक्षता में सुधार कइल जा सके। हम हस्तक्षेप के प्रभाव के मॉडल बनावे खातिर कारण-कारण के तरीका के उपयोग करेनी, जे संभावित हस्तक्षेप के अनुमति देवेला- हर व्यक्ति के परिणाम के इ बात पर निर्भर हो सकेला कि कौन दोसर हस्तक्षेप के प्राप्त करेला. हम न्यूयॉर्क शहर के स्कूलन के डेटासेट के उपयोग करके शिक्षण संसाधन के बजट के आवंटन के एगो उदाहरण के साथ इ प्रदर्शित करब. |
44dd6443a07f0d139717be74a98988e3ec80beb8 | अनुप्रेषणात्मक सीख के कई गो बढ़िया तरीका अब मौजूद बा, लेकिन हर एक के आपन खास सीमा बा जेकरा के पार कइल मुश्किल बा. बहु-नीतियता सीखल ई समस्या के एगो एल्गोरिथ्म में कई गो विधि के मिला के हल करे के कोसिस करेला. ई लेख दू गो व्यापक रूप से इस्तेमाल होखे वाला अनुभवजन्य तरीका के एकीकरण के वर्णन करे लाः नियम अनुनय आउर उदाहरण-आधारित सीखल. नया एल्गोरिथ्म में, उदाहरण के अधिकतम रूप से विशिष्ट नियम के रूप में मानल जाला, आउर वर्गीकरण सर्वोत्तम मिलान रणनीति के उपयोग करके करल जाला. नियम के उदाहरण के धीरे-धीरे सामान्यीकृत करके सीखे के होला जब तक कि स्पष्ट सटीकता में कौनो सुधार ना हो जाला. सैद्धांतिक विश्लेषण ई दृष्टिकोण के कुशल बतावेला. ई RISE 3.1 सिस्टम में लागू कइल गइल बा. एगो व्यापक अनुभवजन्य अध्ययन में, RISE एकर माता-पिता दृष्टिकोण (PEBLS आउर CN2) के साथ-साथ एगो निर्णय पेड़ शिक्षार्थी (C4.5) के अत्याधुनिक प्रतिनिधियन के तुलना में लगातार उच्च सटीकता प्राप्त करेला. लसीयन अध्ययन से पता चलल बा कि राइज के हर घटक एह प्रदर्शन खातिर जरूरी बा. सबसे महत्वपूर्ण रूप से, 30 अध्ययन कयल गयल डोमेन में से 14 में, RISE PEBLS आउर CN2 के सबसे अच्छा के तुलना में अधिक सटीक बा, इ दर्शावेला कि कई अनुभवजन्य विधियन के संयोजन द्वारा महत्वपूर्ण सामंजस्य प्राप्त करल जा सकेला. |
b38ac03b806a291593c51cb51818ce8e919a1a43 | |
4debb3fe83ea743a888aa2ec8f4252bbe6d0fcb8 | ओपन सोर्स सॉफ्टवेयर (ओएसएस) हाल में बहुत ब्यापारिक रुचि के बिसय बन गइल बा। निश्चित रूप से, ओएसएस सॉफ्टवेयर संकट के मूल मुद्दा के संबोधित करे में बहुत आशाजनक प्रतीत होत बा, अर्थात् सॉफ्टवेयर के विकास में बहुत समय लेला, एकर बजट से अधिक होला, आउर इ बहुत अच्छी तरह से काम ना करेला. वास्तव में, ओएसएस के कई उदाहरण महत्वपूर्ण सफलता के कहानी रहल बा- लिनक्स ऑपरेटिंग सिस्टम, अपाचे वेब सर्वर, बिंड डोमेन नाम रिज़ॉल्यूशन उपयोगिता, कुछ के नाम मात्र खातिर. हालाँकि, ओएसएस पर कठोर अकादमिक अनुसंधान के तरीका से आज तक बहुत कम करल गइल बा. एह अध्ययन में, एगो ढाँचा दू गो पिछला ढाँचा से लिहल गइल रहे जवन आईएस क्षेत्र में बहुत प्रभावशाली रहल, अर्थात् ज़चमैन के आईएस आर्किटेक्चर (आईएसए) आउर चेकलैंड के सॉफ्ट सिस्टम मेथोडोलॉजी (एसएसएम) से कैटवॉई ढाँचा. परिणामी ढांचा के उपयोग ओएसएस दृष्टिकोण के विस्तार से विश्लेषण करे खातिर कइल जाला. ओएसएस अनुसंधान के संभावित भविष्य पर भी चर्चा कइल गइल बा. |
4bd48f4438ba7bf731e91cb29508a290e938a1d0 | 2.4 गीगाहर्ट्ज वाल्वान एक्सेस पॉइंट अनुप्रयोगन खातिर परिपत्र ध्रुवीकरण (सीपी) के एगो कॉम्पैक्ट सर्व-दिशात्मक एंटीना प्रस्तुत कइल गइल बा. एंटीना में चार गो मोनोपोल होला आ ई चारो मोनोपोल के एक साथ उत्तेजित करे वाला एगो फीडिंग नेटवर्क होला। सीपी एंटीना के विद्युत आकार खाली λ<sub>0</sub>/5×λ<sub>0</sub>/5×λ<sub>0</sub>/13 बा. प्रतिबाधा बैंडविड्थ (Sgadgadgad <sub> 11 <sub>gadgad <; -10 dB) 3.85% (2.392 GHz से 2.486 GHz) बा आउर अक्षीय अनुपात एज़िमुथ प्लेन में ऑपरेटिंग बैंड में 0.5 dB से कम बा. |
0015fa48e4ab633985df789920ef1e0c75d4b7a8 | पता लगावल (सीवीपीआर 97 के कार्यवाही में 17-19 जून, 1997, प्यूर्टो रिको में आवे खातिर) एडगर ओसुनेय? रॉबर्ट फ्रॉन्ड खातिर ? फेडेरिको गिरोसी yसेंटर फॉर बायोलॉजिकल एंड कंप्यूटेशनल लर्निंग एंड ऑपरेशंस रिसर्च सेंटर मैसाचुसेट्स इंस्टीट्यूट ऑफ टेक्नोलॉजी कैम्ब्रिज, एमए, 02139, यूएसए सारांश हम कंप्यूटर विजन में सपोर्ट वेक्टर मशीन (एसवीएम) के अनुप्रयोग के जांच करत बानी. एसवीएम एगो सीख के तकनीक हवे जे वी. वापनिक आ उनकर टीम (एटी एंड टी बेल लैब्स) द्वारा विकसित कइल गइल रहे। ई बहुपद, तंत्रिका नेटवर्क, या रेडियल बेस फलन के वर्गीकरण के प्रशिक्षण खातिर एगो नया तरीका के रूप में देखल जा सकेला. निर्णय सतह एगो रैखिक रूप से सीमित द्विघात प्रोग्रामिंग समस्या के हल करके पावल जाला. इ अनुकूलन समस्या चुनौतीपूर्ण बा काहे कि द्विघात रूप पूरा तरह से घना बा आउर मेमोरी आवश्यकता डेटा बिंदु के संख्या के वर्ग के साथ बढ़ेला. हम एगो अपघटन एल्गोरिथ्म प्रस्तुत करब जउन वैश्विक इष्टतमता के गारंटी देवेला, आउर एकर उपयोग बहुत बड़ डेटा सेट पर एसवीएम के प्रशिक्षित करे खातिर कइल जा सकेला. विघटन के पीछे मुख्य विचार उप-समस्या के पुनरावर्ती समाधान आउर इष्टतमता स्थिति के मूल्यांकन बा जेकर उपयोग दुनों सुधारल गइल पुनरावर्ती मान उत्पन्न करे आउर एल्गोरिदम खातिर रोके के मानदंड के स्थापित करे खातिर कइल जाला. हम एसवीएम के कार्यान्वयन के प्रयोगात्मक परिणाम प्रस्तुत करब, आउर 50,000 डेटा बिंदु के डेटा सेट के शामिल करे वाला चेहरा पहचान समस्या पर आपन दृष्टिकोण के व्यवहार्यता के प्रदर्शन करब. |
ca74a59166af72a14af031504e31d86c7953dc91 | |
0122e063ca5f0f9fb9d144d44d41421503252010 | अनसुनीकृत सुविधा सीखना आउर गहरी सीखना में हाल के काम से पता चलल बा कि बड़ मॉडल के प्रशिक्षित करे में सक्षम होवे से प्रदर्शन में नाटकीय रूप से सुधार हो सकेला. एह लेख में हमनी के ई समस्या पर विचार करे के बा कि कइसे अरबों पैरामीटर वाला एगो गहिरा नेटवर्क के दस हजार सीपीयू कोर के इस्तेमाल से प्रशिक्षित कइल जा सके। हमनी के डिस्टबेलिफ नाम के एगो सॉफ्टवेयर फ्रेमवर्क बनवले बानी जा जवन कि हजारों मशीन के संगणना समूह के उपयोग कर के बड़हन मॉडल के प्रशिक्षित कर सकेला. इ ढांचा के भीतर, हम बड़ पैमाना पर वितरित प्रशिक्षण खातिर दुगो एल्गोरिदम विकसित कइले बानी: (i) डाउनपूर एसजीडी, एगो अतुल्यकालिक स्टोचैस्टिक ग्रेडिएंट वंश प्रक्रिया जे बड़ी संख्या में मॉडल प्रतिकृति के समर्थन करेला, आउर (ii) सैंडब्लास्टर, एगो अइसन ढांचा जे विभिन्न प्रकार के वितरित बैच अनुकूलन प्रक्रिया के समर्थन करेला, जेमे एल-बीएफजीएस के वितरित कार्यान्वयन शामिल बा. डाउनपूर एसजीडी आउर सैंडब्लास्टर एल-बीएफजीएस दुनों गहन नेटवर्क प्रशिक्षण के पैमाना आउर गति के बढ़ावेला. हमनी के आपन सिस्टम के सफलतापूर्वक उपयोग एगो गहिरा नेटवर्क के प्रशिक्षित करे खातिर कईले बानी जा जवन पहिले से 30 गुना बड़ बा, आउर इमेजनेट पर अत्याधुनिक प्रदर्शन प्राप्त करेला, 16 मिलियन छवियन और 21k श्रेणियन के साथ एगो दृश्य वस्तु मान्यता कार्य. हमनी के देखावल बा कि ई तकनीक व्यावसायिक भाषण मान्यता सेवा खातिर एगो छोटहन गहिरा नेटवर्क के प्रशिक्षण के तेज करेला. हालांकि हम इ विधियन क परफॉर्मेंस पर ध्यान केंद्रित करे आउर रिपोर्ट करेने काहे से कि इ बड़े तंत्रिका नेटवर्क क प्रशिक्षण क खातिर लागू होखेला, अंतर्निहित एल्गोरिदम कौनो भी ग्रेडिएंट-आधारित मशीन लर्निंग एल्गोरिदम पर लागू होखेला. |
f5fca08badb5f182bfc5bc9050e786d40e0196df | एगो वायरलेस सेंसर नेटवर्क पर आधारित जल पर्यावरण निगरानी प्रणाली के प्रस्ताव दिहल गइल बा. एकर तीन हिस्सा बा: डेटा मॉनिटरिंग नोड्स, डेटा बेस स्टेशन आउर रिमोट मॉनिटरिंग सेंटर. ई प्रणाली जटिल आ बड़ पैमाना पर जल पर्यावरण के निगरानी खातिर उपयुक्त बा, जइसे कि जलाशय, झील, नदी, दलदल, आ उथल या गहिरा भूजल खातिर। ई पेपर हमनी के नया जल पर्यावरण निगरानी प्रणाली डिजाइन के व्याख्या आउर चित्रण खातिर समर्पित बा. एह प्रणाली के माध्यम से एगो कृत्रिम झील के पानी के तापमान आ पीएच मान के ऑनलाइन निगरानी कइल जा सकेला। सिस्टम के माप क्षमता पानी के तापमान खातिर 0 से 80 °C तक के बा, ±0.5 °C के सटीकता के साथ; pH मान खातिर 0 से 14 तक के बा, ±0.05 pH इकाई के सटीकता के साथ. विभिन्न जल गुणवत्ता परिदृश्यन खातिर लागू सेंसर के विभिन्न जल वातावरणन खातिर निगरानी के मांग के पूरा करे खातिर आउर विभिन्न पैरामीटर प्राप्त करे खातिर नोड्स पर स्थापित कइल जाए के चाही. एहसे निगरानी प्रणाली के व्यापक रूप से लागू होखे के संभावना बा. |
0969bae35536395aff521f6fbcd9d5ff379664e3 | हम बहु-रेडियो, बहु-हॉप वायरलेस नेटवर्क में रूटिंग खातिर एगो नया मीट्रिक प्रस्तुत करत बानी. हमनी के फोकस स्थिर नोड वाला वायरलेस नेटवर्क पर बा, जइसे कि सामुदायिक वायरलेस नेटवर्क. मीट्रिक के लक्ष्य स्रोत आ गंतव्य के बीच उच्च-थ्रूपुट पथ के चुनल बा. हमनी के मीट्रिक लिंक पर पैकेट के अपेक्षित प्रसारण समय (ईटीटी) के आधार पर व्यक्तिगत लिंक के भार देवेला. ईटीटी हानि दर आउर लिंक के बैंडविड्थ के एगो फलन होला. अलग-अलग कड़ी के वजन के वेटेड क्युमुलेटिव ईटीटी (डब्ल्यूसीईटीटी) नामक पथ मेट्रिक में जोड़ल जाला जे कि ओही चैनल के उपयोग करे वाला कड़ी के बीच हस्तक्षेप के स्पष्ट रूप से बतावेला. डब्ल्यूसीईटीटी मीट्रिक के एगो रूटिंग प्रोटोकॉल में शामिल कइल गइल बा जेकरा के हम बहु-रेडियो लिंक-गुणवत्ता स्रोत रूटिंग कहल जाला. हम लोग आपन मीट्रिक के परफॉर्मेंस के अध्ययन एकरा के वायरलेस टेस्टबेड में लागू करके कईनी जेवना में 23 नोड्स शामिल रहे, जे में से प्रत्येक में दू गो 802.11 वायरलेस कार्ड रहे. हमनी के ई पावे के बा कि बहु-रेडियो वातावरण में, हमनी के माप पहिले से प्रस्तावित रूटिंग माप से बेहतर काम करेला काहे कि हमनी के दूसर रेडियो के समझदारी से उपयोग करे के चाही. |
3a01f9933066f0950435a509c2b7bf427a1ebd7f | ए पेपर में हम मॉनिटर के एलईडी से स्मार्टफोन के कैमरा में डेटा लीक क के डेटा एक्सफिल्ट्रेशन खातिर एगो नया तरीका प्रस्तुत करत बानी. नया तरीका के इस्तेमाल हमलावर एड्वांस्ड पर्सिस्टेंट थ्रेट (एपीटी) के हिस्सा के रूप में संगठन से मूल्यवान जानकारी लीक करे खातिर कर सकेलन. अवधारणा के प्रमाण जे विकसित कइल गइल रहे, कागज में वर्णित बा, एकरे बाद एगो प्रयोग के विवरण दिहल गइल बा जे ई दर्शावेला कि व्यावहारिक रूप से लोग हमला के बारे में जानकारी ना रखे ला. हम अइसन तरीका के प्रस्ताव करत बानी जवन अइसन खतरा के पता लगावे में मदद करी आउर कुछ संभावित प्रतिरोधक उपाय भी. |
698b8181cd613a72adeac0d75252afe7f57a5180 | हम वर्तमान में पेड़-समूह एल्गोरिदम रैंडम फॉरेस्ट (आरएफ) आउर अत्यंत यादृच्छिक पेड़ (ईआरटी) के दुगो नया समानांतर कार्यान्वयन प्रस्तुत कर रहल बानी, जे उभरल बहु-कोर प्लेटफार्म खातिर बा, उदाहरण खातिर, सामान्य-उद्देश्यीय कंप्यूटिंग (जीपीजीपीयू) खातिर उपयुक्त समकालीन ग्राफिक्स कार्ड. यादृच्छिक वन आउर अत्यधिक यादृच्छिक पेड़ वर्गीकरण आउर प्रतिगमन खातिर एंसेंबल शिक्षार्थी हव. ई प्रशिक्षण समय पर कईगो निर्णय के पेड़ के निर्माण करके आउर व्यक्तिगत पेड़ के आउटपुट के तुलना करके भविष्यवाणी के आउटपुट करके काम करेला. कार्य के अंतर्निहित समानांतरता के चलते, एकर गणना खातिर एगो स्पष्ट मंच बड़ी संख्या में प्रोसेसिंग कोर के साथे समकालीन जीपीयू के नियोजित कइल बा. साहित्य में रैंडम फॉरेस्ट खातिर पिछला समानांतर एल्गोरिदम या त पारंपरिक मल्टी-कोर सीपीयू प्लेटफार्म या प्रारंभिक इतिहास जीपीयू के खातिर सरल हार्डवेयर आर्किटेक्चर आउर अपेक्षाकृत कम संख्या में कोर के साथ डिजाइन कइल गइल रहे. नया समानांतर एल्गोरिदम के समकालीन जीपीयू के खातिर डिज़ाइन कइल गइल बा जेमे बड़ संख्या में कोर होला आउर मेमोरी पदानुक्रम आउर थ्रेड शेड्यूलिंग जइसन नया हार्डवेयर आर्किटेक्चर के पहलु के ध्यान में रखल जाला. ई सब एनवीडिया-आधारित जीपीयू पर सर्वोत्तम संभव परफॉर्मेंस खातिर सी/सी++ भाषा आ सीयूडीए इंटरफेस के उपयोग क के लागू कइल गइल बा. सीपीयू आउर जीपीयू प्लेटफार्म खातिर सबसे महत्वपूर्ण पिछला समाधान के साथ तुलना करे वाला एगो प्रयोगात्मक अध्ययन में नया कार्यान्वयन खातिर महत्वपूर्ण सुधार देखाई देला, अक्सर कई परिमाण के साथे. |
1b4e04381ddd2afab1660437931cd62468370a98 | पाठ कॉर्पोस जवन कि भाषण के हिस्सा के जानकारी के साथ टैग कइल गइल बा, भाषाई अनुसंधान के कई क्षेत्र में उपयोगी बा. इ पत्र में, तंत्रिका नेटवर्क (नेट-टैगर) पर उपयोग कइल गइल एगो नया भाषण-भाग टैगिंग विधि प्रस्तुत कइल गइल बा आउर एकर प्रदर्शन के llMM-टैगर (कटिंग एट अल., 1992) आउर ट्राइग्राम-आधारित टैगर (केम्पे, 1993) से तुलना कइल गइल बा. ई देखावल गइल बा कि नेट-टैगर ट्रिग्राम-आधारित टैगर के साथे-साथे आउर आईआईएमएम-टैगर के तुलना में बेहतर काम करेला. |
68ba338be70fd3c5bdbc1c271243740f2e0a0f0c | हम बड़हन बिसाल बाइनरी डेटा सेट के खातिर कइल गइल सवाल के जवाब खातिर एगो त्वरित अनुमान के समस्या के जांच कर रहल बानी. हम इ समस्या के संभाव्यतावादी मोड-l आधारित दृष्टिकोण पर विशेष रूप से ध्यान केंद्रित करब आउर कई तकनीक के विकसित करब जवन बेसलाइन आजादी मॉडल के तुलना में काफी अधिक सटीक होला. विशेष रूप से, हम अक्सर आइटम सेट से संभाव्यता मॉडल बनावे खातिर दुगो तकनीक के परिचय देले बानीः आइटम सेट अधिकतम एन्ट्रापी विधि, आउर आइटम सेट मॉडल पर समावेशन-बहिष्करण. अधिकतम एन्ट्रापी विधि में हम आइटमसेट के प्रश्न चर के वितरण पर बाधा के रूप में देखिला आउर अधिकतम एन्ट्रापी सिद्धांत के उपयोग ऑनलाइन श्रद्धांजलि में क्वेरी खातिर संयुक्त संभावना मॉडल बनावे खातिर कइल जाला. समावेशन-बहिष्करण मॉडल में आइटमसेट आउर उनकर आवृत्ति के डेटा संरचना में संग्रहीत कइल जाला जेकरा के एडीट्री कहल जाला जे क्वेरी के उत्तर देवे खातिर समावेशन-बहिष्करण सिद्धांत के कुशल कार्यान्वयन के समर्थन करेला. हम अनुभवजन्य रूप से इ दुगो आइटमसेट-आधारित मॉडल के मूल डेटा के प्रत्यक्ष क्वेरी, मूल डेटा के नमूना के क्वेरी, साथ ही साथ अन्य संभाव्य मॉडल जइसे कि इंडिपेंडेंस मॉडल, चौ-लियू ट्री मॉडल, आउर बर्नौली मिश्रण मॉडल से तुलना करिला. ई मॉडल उच्च-आयामी (सौ चाहे हजारन गुण) के संभाल सकेले, जबकि इ विषय पर जादातर अन्य काम अपेक्षाकृत कम आयामी ओएलएपी समस्या पर केंद्रित रहेला. अनुकरण आउर वास्तविक दुनिया लेनदेन डेटा सेट दुनों पर प्रयोगात्मक परिणाम सन्निकटन त्रुटि, मॉडल जटिलता आउर क्वेरी उत्तर के गणना करे खातिर आवश्यक ऑनलाइन समय के बीच विभिन्न मौलिक व्यापार-ऑफ के चित्रित करेला. |
90522a98ccce3aa0ce20b4dfedb76518b886ed96 | एह पांडुलिपि के पहिले के संस्करण में मदद खातिर रॉबर्ट स्किपर आउर आरोन हाइमन के विशेष धन्यवाद। साथ ही शॉन मैक्विटी, रॉबिन पीटरसन, चक पिकट, केविन शानाहान, आ जर्नल ऑफ बिजनेस रिसर्च के संपादक लोग आ समीक्षक लोग के भी धन्यवाद, एह उपयोगी टिप्पणी खातिर। एह पांडुलिपि के एगो पहिले के संस्करण के 2001 में सोसाइटी फॉर मार्केटिंग एडवांस सम्मेलन में सर्वश्रेष्ठ पेपर खातिर शॉ पुरस्कार मिलल रहे। एह पांडुलिपि के संछेप संस्करण के जर्नल ऑफ बिजनेस रिसर्च में प्रकाशित करे खातिर स्वीकार कइल गइल बा। |
2e0db4d4c8bdc7e11541b362cb9f8972f66563ab | |
05c025af60aeab10a3069256674325802c844212 | हमनी के प्रस्ताव बा कि वीडियो आ मोशन कैप्चर में मानव शरीर के मुद्रा के पहिचान आ भविष्यवाणी खातिर एनकोडर-रिकर्रेन्ट-डेकोडर (ईआरडी) मॉडल बनावल जाय। ईआरडी मॉडल एगो आवर्ती तंत्रिका नेटवर्क बा जे में आवर्ती परत के पहिले आउर बाद में गैर-रैखिक एन्कोडर आउर डिकोडर नेटवर्क शामिल होला. हमनी के ईआरडी आर्किटेक्चर के उदाहरण के गति कैप्चर (मोकैप) पीढ़ी, बॉडी पोज लेबलिंग आउर वीडियो में बॉडी पोज पूर्वानुमान के काम में परीक्षण करेनी. हमार मॉडल कईगो विषय आ गतिविधि क्षेत्र में मोकअप प्रशिक्षण डेटा के संभालता, अउरी लंबा समय तक बहले से बचे के दौरान नया गति के संश्लेषण करेला. मानव मुद्रा लेबलिंग खातिर, ईआरडी शरीर के हिस्सा के बायाँ-दाएँ भ्रमित करे के द्वारा प्रति फ्रेम शरीर के हिस्सा के डिटेक्टर के बेहतर प्रदर्शन करेला. वीडियो पोज पूर्वानुमान खातिर, ईआरडी 400 मिमी के समय क्षितिज पर शरीर के संयुक्त विस्थापन के भविष्यवाणी करेला आउर ऑप्टिकल प्रवाह के आधार पर पहिला क्रम गति मॉडल के बेहतर करेला. ईआरडी पहिले के लँग शॉर्ट टर्म मेमोरी (एलएसटीएम) मॉडल के बिस्तार करे ला ताकि लोग मिल के निरूपण आ ओकर गतिशीलता सीख सकऽ सँ। हमनी के प्रयोग से पता चलल बा कि अइसन प्रतिनिधित्व सीखल अंतरिक्ष-समय में लेबलिंग आ भविष्यवाणी दुनों खातिर बहुत जरूरी बा. हमनी के ई पावेला कि ई 1 डी पाठ, भाषण या लिखावट के तुलना में स्थानिक-समयिक दृश्य डोमेन के बीच एगो विशिष्ट विशेषता बा, जहवां सीधा हार्ड कोडेड प्रतिनिधित्व बढ़िया परिणाम देखवले बा जब सीधे आवर्ती इकाइ के साथ जोड़ल जाला [31]. |
092b64ce89a7ec652da935758f5c6d59499cde6e | हमनी के एगो नया डेटासेट, ह्यूमन3.6एम, के परिचय देत बानी जा, जे में 3.6 मिलियन सटीक 3डी ह्यूमन पोज बा, जे 5 महिला आ 6 पुरुष के प्रदर्शन के रिकॉर्डिंग के माध्यम से हासिल कइल गइल बा, 4 अलग-अलग दृष्टिकोण के तहत, यथार्थवादी मानव संवेदन प्रणाली के प्रशिक्षण खातिर आ मानव पोज अनुमान मॉडल आ एल्गोरिदम के अगिला पीढ़ी के मूल्यांकन खातिर। वर्तमान में अत्याधुनिक तकनीक से डेटासेट के आकार बढ़ावे के अलावा, हमनी के ई भी लक्ष्य बा कि अइसन डेटासेट के आम मानवीय गतिविधि (फोटो खींचल, फोन पर बात कइल, पोज दिहल, नमस्कार कइल, खाना खाइल इत्यादि) के हिस्सा के रूप में पावल जाए वाला गति आ मुद्रा के विविध सेट से पूरक कइल जाय। ), अतिरिक्त सिंक्रनाइज़ छवि, मानव गति कैप्चर, आउर उड़ान के समय (गहराई) डेटा, आउर शामिल सभी विषय अभिनेताओं के सटीक 3 डी बॉडी स्कैन के साथ. हम नियंत्रित मिश्रित वास्तविकता मूल्यांकन परिदृश्य भी प्रदान करत बानी जहवां 3 डी मानव मॉडल गति कैप्चर के उपयोग क के एनिमेटेड होला आउर सही 3 डी ज्यामिति के उपयोग क के सम्मिलित कइल जाला, जटिल वास्तविक वातावरण में, चल रहे कैमरा के साथ देखल जाला, आउर आक्ल्यूजन के तहत. अंत में, हम बड़ पैमाना के सांख्यिकीय मॉडल के एगो सेट प्रदान करब आउर डेटासेट खातिर विस्तृत मूल्यांकन आधार रेखा प्रदान करब जवन एकर विविधता के दर्शावेला आउर अनुसंधान समुदाय में भविष्य के काम द्वारा सुधार के गुंजाइश के दर्शावेला. हमनी के प्रयोग से पता चलल कि हमनी के सबसे बढ़िया बड़ पैमाना के मॉडल हमनी के पूरा प्रशिक्षण सेट के उपयोग कर के प्रदर्शन में 20% के सुधार कर सकेला, जबकि प्रशिक्षण सेट के तुलना में इ समस्या खातिर सबसे बड़ सार्वजनिक डेटासेट के पैमाना के प्रशिक्षण सेट के उपयोग कइल जा सकेला. फिर भी, हमनी के बड़ डेटासेट के साथे जादा क्षमता, जादा जटिल मॉडल के उपयोग करके सुधार के संभावना काफी अधिक बा आउर एकरा से भविष्य के अनुसंधान के प्रोत्साहित करे के चाही. डेटासेट, संबंधित बड़ पैमाना के सीखल मॉडल, सुविधा, विज़ुअलाइज़ेशन टूल, आउर साथ ही मूल्यांकन सर्वर खातिर कोड के साथ, http://vision.imar.ro/human3.6m पर ऑनलाइन उपलब्ध बाटे. |
ba4a037153bff392b1e56a4109de4b04521f17b2 | संकट सूचना विज्ञान इ जांच करेला कि प्रौद्योगिकी तक समाज के व्यापक पहुंच कइसे सामूहिक आपातकालीन घटना के प्रतिक्रिया के तरीका के बदल रहल बा. इ परिवर्तन के अध्ययन करे खातिर, शोधकर्ता के बड़ डेटा सेट तक पहुंच के जरूरत होला जवन कि उनकर मात्रा आउर विषम प्रकृति के कारण एकत्र आउर विश्लेषण करे में मुश्किल होला. एह चिंता के दूर करे खातिर, हमनी के एगो ईपीआईसी एनालाइज़ (EPIC Analyze) नाम के वातावरण तैयार कइल आ लागू कइल गइल बा जे शोधकर्ता लोग के सोशल मीडिया डेटा के संग्रह आ ओकर विश्लेषण करे में मदद करेला। हमनी के शोध से पता चलल बा कि NoSQL, MapReduce, कैशिंग, आ सर्च जइसन कौनों प्रकार के कंपोनेंट के जरूरत बा जे ई सेवा के विश्वसनीय, स्केलेबल, एक्सटेंसिबल आ इफेक्टिव बना सके। ईपीआईसी एनालाइज़ बनावे के समय हमनी के डिजाइन चुनौती के वर्णन करेनी जा - जइसे कि डेटा मॉडलिंग, समय बनाम स्थान व्यापार, आ उपयोगी आ प्रयोग योग्य सिस्टम के जरूरत - आ एकर स्केलेबिलिटी, परफॉर्मेंस आ फंक्शन के बारे में चर्चा करेनी जा। |
4416236e5ee4239e86e3cf3db6a2d1a2ff2ae720 | आधुनिक एनालिटिक्स एप्लीकेशन सभ में बिबिध लाइब्रेरी सभ आ फ्रेमवर्क सभ से कई गो फंक्शन सभ के जोड़ के काम के फ्लो बनावल जाला जे बहुत जटिल हो जालें। भले ही प्रत्येक फलन के अलगाव में उच्च प्रदर्शन प्राप्त हो सकेला, संयुक्त वर्कफ़्लो के प्रदर्शन अक्सर फलन के बीच व्यापक डेटा आंदोलन के कारण हार्डवेयर सीमा से नीचे परिमाण के क्रम होला. एह समस्या के हल करे खातिर, हम लोग वेल्ड के प्रस्ताव देलीं, डेटा-गहन अनुप्रयोग खातिर एगो रनटाइम जे असंबद्ध लाइब्रेरी आ फलन में अनुकूलित करेला. वेल्ड एसक्यूएल, मशीन लर्निंग आउर ग्राफ एनालिटिक्स सहित विभिन्न डेटा समानांतर वर्कलोड के संरचना के कैप्चर करे खातिर एगो सामान्य मध्यवर्ती प्रतिनिधित्व के उपयोग करेला. ई तब मुख्य डेटा आंदोलन अनुकूलन करेला आउर पूरा वर्कफ़्लो खातिर कुशल समानांतर कोड उत्पन्न करेला. वेल्ड के मौजूदा फ्रेमवर्क में बिना प्रयोगकर्ता के सामने एपीआई के बदले के टेंसरफ्लो, अपाचे स्पार्क, नम्पई आ पांडा में जोड़ल जा सकेला। हम देखवलीं कि वेल्ड ई फ्रेमवर्क के साथ-साथ एप्लीकेशन सभ के भी 30 गुना तक तेज कर सकत बा। |
Subsets and Splits