_id
stringlengths 40
40
| text
stringlengths 0
9.38k
|
|---|---|
2b211f9553ec78ff17fa3ebe16c0a036ef33c54b | માર્કો એ. રોડ્રિગ્ઝ એટી એન્ડ ટી ઇન્ટરેક્ટિવમાં ગ્રાફ સિસ્ટમ્સ આર્કિટેક્ટ છે. માર્કોકોરૉડ્રિગિઝ ડોટ કોમ પર પહોંચી શકાય છે. પીટર ન્યુબૌઅર નિયો ટેકનોલોજીના મુખ્ય ઓપરેટિંગ અધિકારી છે. તેઓ peter.neubauer<at>neotechnology.com પર પહોંચી શકાય છે. ગ્રાફ એ બિંદુઓ (એટલે કે, શિખરો) અને રેખાઓ (એટલે કે, ધાર) થી બનેલું ડેટા સ્ટ્રક્ચર છે. ગ્રાફના બિંદુઓ અને રેખાઓ જટિલ ગોઠવણોમાં ગોઠવી શકાય છે. આલેખની વસ્તુઓને દર્શાવવાની ક્ષમતા અને એકબીજા સાથેના તેમના સંબંધો આશ્ચર્યજનક રીતે મોટી સંખ્યામાં વસ્તુઓને આલેખ તરીકે મોડેલ કરવાની મંજૂરી આપે છે. સોફ્ટવેર પેકેજોને લિંક કરતી નિર્ભરતાઓથી લઈને લાકડાના બીમ સુધી જે ઘરને ફ્રેમિંગ પૂરું પાડે છે, લગભગ દરેક વસ્તુમાં અનુરૂપ ગ્રાફ રજૂઆત છે. જો કે, ફક્ત આલેખ તરીકે કંઈક રજૂ કરવું શક્ય છે તેનો અર્થ એ નથી કે તેનું આલેખ રજૂઆત ઉપયોગી થશે. જો કોઈ મોડેલર સાધનો અને અલ્ગોરિધમ્સની ભરપુરતાનો લાભ લઈ શકે છે જે ગ્રાફ્સને સંગ્રહિત અને પ્રક્રિયા કરે છે, તો પછી આવા મેપિંગ યોગ્ય છે. આ લેખ કમ્પ્યુટિંગમાં ગ્રાફની દુનિયાની શોધ કરે છે અને એવી પરિસ્થિતિઓને છતી કરે છે જેમાં ગ્રાફિકલ મોડેલ્સ ફાયદાકારક છે. |
0c5e3186822a3d10d5377b741f36b6478d0a8667 | આર્ટિફિશિયલ ઇન્ટેલિજન્સમાં એક મુખ્ય સમસ્યા એ છે કે આંશિક રીતે અવલોકનક્ષમ વાતાવરણમાં અનિશ્ચિતતા હેઠળ ભવિષ્યના પુરસ્કારને મહત્તમ બનાવવાનું આયોજન કરવું. આ કાગળમાં અમે એક નવલકથા અલ્ગોરિધમનો પ્રસ્તાવ અને પ્રદર્શન કરીએ છીએ જે ક્રિયા-નિરીક્ષણ જોડીઓના અનુક્રમોમાંથી સીધા જ આવા પર્યાવરણનું મોડેલ શીખે છે. પછી આપણે અવલોકનોથી ક્રિયાઓ સુધીની લૂપને બંધ કરીએ છીએ, જે શીખી લીધેલા મોડેલમાં આયોજન કરીને અને મૂળ વાતાવરણમાં લગભગ શ્રેષ્ઠ નીતિને પુનઃપ્રાપ્ત કરે છે. ખાસ કરીને, અમે એક પ્રાયોગિક રાજ્ય પ્રતિનિધિત્વ (પીએસઆર) ના પરિમાણો શીખવા માટે એક કાર્યક્ષમ અને આંકડાકીય રીતે સુસંગત સ્પેક્ટ્રલ અલ્ગોરિધમનો રજૂ કરીએ છીએ. અમે સિમ્યુલેટેડ હાઇ-ડિમેન્શનલ, વિઝન-આધારિત મોબાઇલ રોબોટ પ્લાનિંગ ટાસ્કનું મોડેલ શીખીને અલ્ગોરિધમનો દર્શાવીએ છીએ, અને પછી શીખ્યા પીએસઆરમાં આશરે બિંદુ-આધારિત આયોજન કરીએ છીએ. અમારા પરિણામોનું વિશ્લેષણ બતાવે છે કે અલ્ગોરિધમનો રાજ્ય અવકાશ શીખે છે જે પર્યાવરણની આવશ્યક સુવિધાઓને અસરકારક રીતે મેળવે છે. આ પ્રતિનિધિત્વ નાના સંખ્યામાં પરિમાણો સાથે ચોક્કસ આગાહીને મંજૂરી આપે છે, અને સફળ અને કાર્યક્ષમ આયોજનને સક્ષમ કરે છે. |
16611312448f5897c7a84e2f590617f4fa3847c4 | હિડન માર્કોવ મોડલ્સ (એચએમએમ) ડિસ્ક્રીટ ટાઇમ સિરીઝના મોડેલિંગ માટે સૌથી મૂળભૂત અને વ્યાપકપણે ઉપયોગમાં લેવાતા આંકડાકીય સાધનોમાંનું એક છે. સામાન્ય રીતે, તેઓ સીઆરચ હેવરિસ્ટિક્સ (જેમ કે બાઉમ-વેલ્ચ / ઇએમ અલ્ગોરિધમનો) નો ઉપયોગ કરીને શીખી શકાય છે, જે સામાન્ય સ્થાનિક શ્રેષ્ઠ મુદ્દાઓથી પીડાય છે. સામાન્ય રીતે આ મોડેલોને અંતર્ગત વિતરણના નમૂનાઓ સાથે શીખવા માટે મુશ્કેલ હોવાનું જાણીતું છે, અમે કુદરતી વિભાજનની સ્થિતિ હેઠળ એચએમએમ (HMM) શીખવા માટે પ્રથમ સાબિત અસરકારક અલ્ગોરિધમનો (નમૂના અને કમ્પ્યુટેશનલ જટિલતાના સંદર્ભમાં) પ્રદાન કરીએ છીએ. આ સ્થિતિ મિશ્રણ વિતરણ શીખવા માટે માનવામાં આવતી અલગતાની સ્થિતિઓ સાથે આશરે સમાન છે (જ્યાં, તેવી જ રીતે, આ મોડેલો સામાન્ય રીતે શીખવા માટે મુશ્કેલ છે). વધુમાં, અમારા નમૂના પૂર્ણતા પરિણામો સ્પષ્ટપણે અલગ (અલગ) અવલોકનોની સંખ્યા પર આધાર રાખતા નથી - તેઓ અંતર્ગત એચએમએમની સ્પેક્ટ્રલ ગુણધર્મો દ્વારા આ સંખ્યા પર અસ્પષ્ટ રીતે આધાર રાખે છે. આ અલ્ગોરિધમનો ખાસ કરીને મોટી સંખ્યામાં નિરીક્ષણો સાથે સેટિંગ્સ પર લાગુ પડે છે, જેમ કે કુદરતી ભાષા પ્રક્રિયામાં જ્યાં નિરીક્ષકોની જગ્યા કેટલીકવાર ભાષામાં શબ્દો હોય છે. છેલ્લે, અલ્ગોરિધમનો ખાસ કરીને સરળ છે, માત્ર એક સિંગુલા આર મૂલ્ય વિઘટન અને મેટ્રિક્સ ગુણાકાર પર આધાર રાખે છે. |
8ad6fda2d41dd823d2569797c8c7353dad31b371 | અમે એક એટ્રિબ્યુટ-બેઝ્ડ એન્ક્રિપ્શન (એબીઇ) યોજના બનાવીએ છીએ જે વપરાશકર્તાની ખાનગી કીને લક્ષણો પર કોઈપણ ઍક્સેસ સૂત્રના સંદર્ભમાં વ્યક્ત કરવાની મંજૂરી આપે છે. અગાઉની એબીઇ યોજનાઓ માત્ર એકવિધ ઍક્સેસ માળખાને વ્યક્ત કરવા માટે મર્યાદિત હતી. અમે અમારા સ્કીમ માટે સુરક્ષાનો પુરાવો આપીએ છીએ જે નિર્ણાયક દ્વિપક્ષીય ડિફી-હેલમેન (બીડીએચ) ધારણા પર આધારિત છે. વધુમાં, અમારી નવી યોજનાની કામગીરીની સરખામણી વર્તમાન, ઓછી અર્થસભર યોજનાઓ સાથે કરવામાં આવે છે. |
4f3dbfec5c67f0fb0602d9c803a391bc2f6ee4c7 | 20 ગીગાહર્ટ્ઝની તબક્કા-લૉક લૂપ 4.9 પીએસ / સબ પીપી / 0.65 પીએસ / સબ આરએમએસ / જિટર અને -113.5 ડીબીસી / હર્ટ્ઝ તબક્કાના અવાજ સાથે 10 મેગાહર્ટ્ઝ ઓફસેટ પર રજૂ કરવામાં આવે છે. અડધા-કાર્યકારી નમૂના-ફીડફોર્ડ લૂપ ફિલ્ટર જે ફક્ત એક સ્વીચ સાથે રેઝિસ્ટરને બદલે છે અને ઇન્વર્ટર સંદર્ભ સ્પોરને -44.0 ડીબીસી સુધી દબાવે છે. એક ડિઝાઇન પુનરાવર્તન પ્રક્રિયાની રૂપરેખા આપવામાં આવી છે જે કપ્પ્પ્લિટ માઇક્રોસ્ટ્રીપ રેઝોનર સાથે નકારાત્મક-જી / સબ એમ / ઓસિલેટરના તબક્કાના અવાજને ઘટાડે છે. પલ્સ લૅચથી બનેલા સ્થિર આવર્તન વિભાજકો ફ્લિપ-ફ્લોપથી બનેલા કરતા વધુ ઝડપથી કામ કરે છે અને 2: 1 આવર્તન શ્રેણીની નજીક પહોંચે છે. 0.13-/સ્પિલ મી.યુ.એમ.એસ.માં બનેલી તબક્કા-લૉક લૂપ 17.6 થી 19.4 ગીગાહર્ટ્ઝ સુધી કાર્ય કરે છે અને 480 એમડબ્લ્યુને વિખેરી નાખે છે. |
1fcaf7ddcadda724d67684d66856c107375f448b | અમે ટેક્સ્ટ વર્ગીકરણ માટે એક નવું કન્વૉલ્યુશનલ ન્યુરલ નેટવર્ક (સીએનએન) મોડેલ રજૂ કરીએ છીએ જે દસ્તાવેજો અને તેમના ઘટક વાક્યો પરના લેબલ્સનો સંયુક્ત રીતે ઉપયોગ કરે છે. ખાસ કરીને, અમે એવા દૃશ્યોને ધ્યાનમાં લઈએ છીએ જેમાં એનોટેટર્સ સ્પષ્ટ રીતે વાક્યો (અથવા સ્નિપેટ્સ) ને ચિહ્નિત કરે છે જે તેમના એકંદર દસ્તાવેજ વર્ગીકરણને ટેકો આપે છે, એટલે કે, તેઓ તર્ક આપે છે. અમારું મોડેલ આવા દેખરેખને હાયરાર્કીક અભિગમ દ્વારા ઉપયોગ કરે છે જેમાં દરેક દસ્તાવેજ તેના ઘટક વાક્યોના વેક્ટર રજૂઆતોના રેખીય સંયોજન દ્વારા રજૂ થાય છે. અમે સજા-સ્તરનું સંકલન મોડેલ પ્રસ્તાવિત કરીએ છીએ જે આપેલ સજાની સંભાવનાનું મૂલ્યાંકન કરે છે, અને પછી અમે આ અંદાજોના પ્રમાણમાં એકંદર દસ્તાવેજ પ્રતિનિધિત્વમાં દરેક સજાના યોગદાનને સ્કેલ કરીએ છીએ. દસ્તાવેજ લેબલ્સ અને સંકળાયેલ તર્કસંગતતા ધરાવતા પાંચ વર્ગીકરણ ડેટાસેટ્સ પરના પ્રયોગો દર્શાવે છે કે અમારો અભિગમ સતત મજબૂત બેઝલાઇન કરતાં વધુ સારી કામગીરી કરે છે. વધુમાં, આપણું મોડેલ કુદરતી રીતે તેની આગાહીઓ માટે સમજૂતીઓ પૂરા પાડે છે. |
20b41b2a0d8ee71efd3986b4baeed24eba904350 | ઉદ્દેશ્ય વિકાસશીલ દેશોમાં સાહિત્યની વ્યવસ્થિત સમીક્ષા અને મેટા-વિશ્લેષણ દ્વારા માતૃત્વની ડિપ્રેશન અને બાળકના વિકાસ વચ્ચેના સંબંધની તપાસ કરવી. પદ્ધતિઓ 2010 સુધી પ્રકાશિત થયેલા માતૃત્વ ડિપ્રેશન અને બાળ વિકાસ પર વિકાસશીલ દેશોના અભ્યાસો માટે છ ડેટાબેઝની શોધ કરવામાં આવી હતી. માનક મેટા- વિશ્લેષણાત્મક પદ્ધતિઓનું પાલન કરવામાં આવ્યું હતું અને ડિપ્રેસનગ્રસ્ત માતાઓના બાળકોમાં અલ્પ વજન અને સ્થિરતા માટે સંચિત અવરોધો ગુણોત્તર (ઓઆર) ની ગણતરી બધા અભ્યાસો માટે અને અભ્યાસોના સબસેટ્સ માટે રેન્ડમ ઇફેક્ટ મોડેલોનો ઉપયોગ કરીને કરવામાં આવી હતી જે અભ્યાસ ડિઝાઇન, માતૃત્વ ડિપ્રેસન અને પરિણામ ચલોના સંપર્કમાં કડક માપદંડને પૂર્ણ કરે છે. પસંદ કરેલા અભ્યાસો માટે વસ્તીને આભારી જોખમ (પીએઆર) નો અંદાજ કરવામાં આવ્યો હતો. 11 દેશોના કુલ 13,923 માતા અને બાળકની જોડીઓ સહિતના 17 અભ્યાસો સમાવેશના માપદંડને મળ્યા હતા. ડિપ્રેશન અથવા ડિપ્રેશનના લક્ષણો ધરાવતી માતાઓના બાળકોનું વજન ઓછું હોવાની સંભાવના વધારે હતી (OR: 1. 5; 95% વિશ્વાસ અંતરાલ, CI: 1. 2- 1. 8) અથવા મંદતા (OR: 1. 4; 95% CI: 1. 2- 1. 7) ત્રણ લંબાઈના અભ્યાસોના પેટા વિશ્લેષણમાં વધુ મજબૂત અસર જોવા મળી હતીઃ અલ્પ વજન માટે OR 2.2 (95% CI: 1. 5- 3. 2) અને સ્ટંટિંગ માટે, 2.0 (95% CI: 1. 0-3. 9) હતું. પસંદ કરેલા અભ્યાસો માટે PAR એ સૂચવ્યું કે જો શિશુ વસ્તી સંપૂર્ણપણે માતૃત્વ ડિપ્રેસિવ લક્ષણો માટે ખુલ્લી ન હતી તો 23% થી 29% ઓછા બાળકો અન્ડરવેઇટ અથવા સ્ટંટડ હશે. નિષ્કર્ષ માતૃત્વની ડિપ્રેશન પ્રારંભિક બાળપણના વજન અને કમરનું વજન ઘટાડવા સાથે સંકળાયેલું હતું. પદ્ધતિઓ અને કારણો ઓળખવા માટે સખત ભવિષ્યના અભ્યાસો જરૂરી છે. વિકાસશીલ દેશોમાં માતૃત્વની ડિપ્રેશનની વહેલી ઓળખ, સારવાર અને નિવારણથી બાળકોમાં વૃદ્ધિની અટકણ અને વજન ઓછું થવાનું જોખમ ઘટાડવામાં મદદ મળી શકે છે. |
c596f88ccba5b7d5276ac6a9b68972fd7d14d959 | વાસ્તવિક વસ્તુઓની ભૌતિક દુનિયાને આઇટી સિસ્ટમોની વર્ચ્યુઅલ દુનિયા સાથે જોડીને, ઇન્ટરનેટ ઓફ થિંગ્સ એન્ટરપ્રાઇઝ વર્લ્ડ તેમજ સમાજ બંનેને નોંધપાત્ર રીતે બદલવાની સંભાવના ધરાવે છે. જો કે, આ શબ્દને ખૂબ જ હાઇપ કરવામાં આવે છે અને વિવિધ સમુદાયો દ્વારા અલગ રીતે સમજવામાં આવે છે, ખાસ કરીને કારણ કે આઇઓટી એ તકનીક નથી પરંતુ વિવિધ એન્જિનિયરિંગ ડોમેન્સથી સંબંધિત અસમાન - ઘણીવાર નવી - તકનીકોનું એકીકરણ રજૂ કરે છે. સામાન્ય સમજણ માટે શું જરૂરી છે તે ઇન્ટરનેટ ઓફ થિંગ્સ માટે ડોમેન મોડેલ છે, જે મુખ્ય ખ્યાલો અને તેમના સંબંધો વ્યાખ્યાયિત કરે છે, અને સામાન્ય લેક્સિકોન અને વર્ગીકરણ તરીકે સેવા આપે છે અને આમ વધુ વૈજ્ઞાનિક પ્રવચન અને ઇન્ટરનેટ ઓફ થિંગ્સના વિકાસ માટેનો આધાર છે. જેમ આપણે બતાવીએ છીએ, આવા ડોમેન મોડેલ હોવો એ કોંક્રિટ આઇઓટી સિસ્ટમ આર્કિટેક્ચર્સની રચનામાં પણ મદદરૂપ છે, કારણ કે તે એક નમૂનો પૂરો પાડે છે અને આમ ઉપયોગના કેસોના વિશ્લેષણનું માળખું આપે છે. |
5a9f4dc3e5d7c70d58c9512d7193d079c3331273 | અમે 3D લોકો ટ્રેકિંગ માટે માનવ પોઝ અને ગતિ પ્રાયોરીઝ શીખવા માટે ગૌસિયન પ્રોસેસ ડાયનેમિક મોડલ્સ (જીપીડીએમ) નો ઉપયોગ કરવાની હિમાયત કરીએ છીએ. જીપીડીએમ માનવ ગતિ ડેટાના નીચા પરિમાણીય એમ્બેડિંગ પૂરું પાડે છે, જેમાં ઘનતા કાર્ય છે જે તાલીમ ડેટાની નજીકના પોઝ અને ગતિ માટે વધુ સંભાવના આપે છે. બેયસિયન મોડેલ સરેરાશ સાથે જીપીડીએમ પ્રમાણમાં નાના પ્રમાણમાં ડેટામાંથી શીખી શકાય છે, અને તે તાલીમ સમૂહની બહારની ગતિમાં સૌંદર્યથી સામાન્ય છે. અહીં અમે જીપીડીએમને નોંધપાત્ર શૈલીગત વિવિધતા સાથે હલનચલનથી શીખવાની મંજૂરી આપવા માટે સંશોધિત કરીએ છીએ. પરિણામી પૂર્વગ્રહો માનવ ચાલવાની શૈલીઓની શ્રેણીને ટ્રેક કરવા માટે અસરકારક છે, નબળા અને ઘોંઘાટીયા છબી માપ અને નોંધપાત્ર ઓક્લુઝન્સ હોવા છતાં. |
c3f2d101b616d82d07ca2cc4cb8ed0cb53fde21f | અમે અમારા વર્તમાન સીડી અને ઇએમડી મૂલ્યોને રેન્ડર કરેલા ડેટાસેટ પર અહેવાલ આપવા માટે માનવ અભ્યાસ હાથ ધર્યો હતો. અમે માનવ વિષયને એક GUI સાધન સાથે પ્રદાન કર્યું છે છબીમાંથી ત્રિકોણીય જાળી બનાવવા માટે. આ ટૂલ (જુઓ આકૃતિ 1) વપરાશકર્તાને 3D માં જાળીને સંપાદિત કરવા અને મોડેલ કરેલી ઑબ્જેક્ટને ઇનપુટ ઇમેજ પર પાછા ગોઠવવા માટે સક્ષમ કરે છે. કુલ મળીને 16 મોડેલો અમારા માન્યતા સમૂહની ઇનપુટ છબીઓમાંથી બનાવવામાં આવે છે. દરેક મોડેલમાંથી N = 1024 પોઈન્ટનો નમૂનો લેવામાં આવે છે. |
32791996c1040b9dcc34e71a05d72e5c649eeff9 | સામાન્ય દૈનિક પ્રવૃત્તિઓ દરમિયાન હૃદયની અસામાન્ય વિદ્યુત વર્તણૂકને શોધવા માટે ક્લિનિકલ પ્રેક્ટિસમાં આમ્બ્યુલેટરી ઇલેક્ટ્રોકાર્ડિયોગ્રાફીનો વધુને વધુ ઉપયોગ કરવામાં આવે છે. આ મોનિટરિંગની ઉપયોગીતામાં શ્વાસને કાઢીને સુધારો કરી શકાય છે, જે અગાઉ દર્દીઓ સ્થિર હોય ત્યારે રાતોરાત એપનિયાના અભ્યાસો પર આધારિત છે, અથવા તણાવ પરીક્ષણ માટે મલ્ટીલેડ ઇસીજી સિસ્ટમ્સનો ઉપયોગ કરે છે. અમે એકલ-લીડ પોર્ટેબલ ઇસીજી મોનિટરથી મેળવેલા છ શ્વસન માપદંડોની તુલના એકલ-લીડ નાસલ કેન્યુલા શ્વસન મોનિટરથી મેળવેલા એક સાથે માપવામાં આવેલા શ્વસન હવાના પ્રવાહ સાથે કરી. દસ નિયંત્રિત 1- કલાકની રેકોર્ડિંગ કરવામાં આવી હતી જેમાં દૈનિક જીવનની પ્રવૃત્તિઓ (લટકવું, બેસવું, ઉભા રહેવું, ચાલવું, જોગિંગ કરવું, દોડવું અને સીડી ચડવું) અને છ રાતોરાત અભ્યાસનો સમાવેશ થાય છે. શ્રેષ્ઠ પદ્ધતિ એ 0.2-0.8 હર્ટ્ઝ બેન્ડપાસ ફિલ્ટર અને આરઆર અંતરાલ લંબાઈ અને ટૂંકાવીને પર આધારિત આરઆર તકનીકનો સરેરાશ હતો. સંદર્ભ ગોલ્ડ સ્ટાન્ડર્ડ સાથે સરેરાશ ભૂલ દર પ્રતિ મિનિટ (બધા પ્રવૃત્તિઓ) +mn4 શ્વાસ (બધા પ્રવૃત્તિઓ), +mn2 bpm (લટકાઈ અને બેસીને), અને +mn1 શ્વાસ પ્રતિ મિનિટ (રાત્રિના અભ્યાસો) હતા. સંપૂર્ણ ઇસીજી તરંગરૂપમાંથી મેળવેલી શ્રેષ્ઠ તકનીકની તુલનામાં એકલા હૃદય દરની માહિતી (આરઆર તકનીક) નો ઉપયોગ કરીને આંકડાકીય રીતે સમાન પરિણામો પ્રાપ્ત થયા હતા જે ડેટા સંગ્રહ પ્રક્રિયાઓને સરળ બનાવે છે. આ અભ્યાસ દર્શાવે છે કે પરંપરાગત પદ્ધતિઓથી નોંધપાત્ર તફાવત વિના સિંગલ લીડ ઇસીજીમાંથી ગતિશીલ પ્રવૃત્તિઓ હેઠળ શ્વાસ મેળવી શકાય છે. |
7eac1eb85b919667c785b9ac4085d8ca68998d20 | ૨. ઈ-લર્નિંગ અને મોબાઈલ લર્નિંગ વચ્ચેનો તફાવત મોબાઇલ શિક્ષણનું મૂલ્ય અને લાભ મોબાઈલ લર્નિંગના પડકારો અને અવરોધો: અભ્યાસમાં દર્શાવ્યું છે કે, મોબાઈલ લર્નિંગને અંતર શિક્ષણ તરીકે સમાજ માટે ખૂબ જ લાભદાયક છે. તેમાં નીચેનાનો સમાવેશ થાય છેઃ જ્યારે જરૂર હોય ત્યારે તાલીમ, કોઈપણ સમયે તાલીમ; ગમે ત્યાં તાલીમ; શીખનાર-કેન્દ્રિત સામગ્રી; કામ પર પાછા આવવાની સમસ્યાને ટાળવી; કરદાતાઓ માટે તાલીમ, અને તાલીમ કેન્દ્રોમાં યુનિવર્સિટીના પ્રવચનો અને સત્રો દ્વારા સંપૂર્ણ રીતે વ્યસ્ત લોકો; અને શિક્ષણ અને શિક્ષણનું ઔદ્યોગિકરણ. અને નોટબુક, મોબાઇલ ટેબ્લેટ, આઇપોડ ટચ અને આઈપેડ મોબાઇલ ઇ લર્નિંગ માટે ખૂબ જ લોકપ્રિય ઉપકરણો છે કારણ કે તેમની કિંમત અને એપ્લિકેશન્સની ઉપલબ્ધતા છે. ---------------------------------------- આ એક છે શિક્ષણ અને તાલીમ એ એવી પ્રક્રિયા છે જેના દ્વારા એક પેઢીની શાણપણ, જ્ઞાન અને કૌશલ્યને બીજી પેઢી સુધી પહોંચાડવામાં આવે છે. આજે શિક્ષણ અને તાલીમનાં બે સ્વરૂપો છેઃ પરંપરાગત શિક્ષણ અને અંતર શિક્ષણ. મોબાઇલ લર્નિંગ, અથવા "એમ-લર્નિંગ", મોબાઇલ ઉપકરણો દ્વારા શીખવાની પ્રક્રિયાને ટેકો આપવા માટે આધુનિક રીતો પ્રદાન કરે છે, જેમ કે હેન્ડહેલ્ડ અને ટેબ્લેટ કમ્પ્યુટર્સ, એમપી 3 પ્લેયર્સ, સ્માર્ટ ફોન અને મોબાઇલ ફોન. આ દસ્તાવેજ શિક્ષણના હેતુઓ માટે મોબાઇલ લર્નિંગના વિષયનો પરિચય આપે છે. આમાં મોબાઇલ ઉપકરણોએ શિક્ષણ અને શિક્ષણની પદ્ધતિઓ પર કેવી અસર કરી છે તેની તપાસ કરવામાં આવી છે અને મોબાઇલ ઉપકરણો પર ડિજિટલ મીડિયાના ઉપયોગ દ્વારા રજૂ કરવામાં આવેલી તકો પર ધ્યાન આપવામાં આવે છે. આ કાગળનો મુખ્ય ઉદ્દેશ મોબાઇલ શિક્ષણની વર્તમાન સ્થિતિ, લાભો, પડકારો અને શિક્ષણ અને શિક્ષણને ટેકો આપવા માટેના અવરોધોનું વર્ણન કરવાનો છે. આ કાગળ માટેનો ડેટા જાન્યુઆરીથી માર્ચ 2013 સુધી પુસ્તકાલય અને ઇન્ટરનેટ સંશોધન દ્વારા એકત્રિત કરવામાં આવ્યો હતો. આ દસ્તાવેજમાં ચાર મુખ્ય ક્ષેત્રોનો ઉલ્લેખ કરવામાં આવશે: મોબાઇલ લર્નિંગનું વિશ્લેષણ. |
57820e6f974d198bf4bbdf26ae7e1063bac190c3 | |
8e393c18974baa8d5d704edaf116f009cb919463 | હાઈ સ્પીડ સેરડેસને હાઈ સ્પીડ ઓપરેશન, સઘન ઇક્વાલિઝેશન ટેકનિક, ઓછી વીજ વપરાશ, નાના વિસ્તાર અને મજબૂતતા સહિત અનેક પડકારોનો સામનો કરવો પડશે. નવા ધોરણો, જેમ કે ઓઆઈએફ સીઇઆઇ -25 જી-એલઆર, સીઇઆઇ -28 જી-એમઆર / એસઆર / વીએસઆર, આઇઇઇઇ 802.3 બીજે અને 32 જી-એફસી, ડેટા રેટ્સને 25 થી 28 જીબી / સેકંડ સુધી વધારવામાં આવે છે, જે અગાઉની પે generationીના સર્ડેસ કરતા 75% કરતા વધારે છે. એક જ ચિપમાં સંકલિત સેંકડો લેન ધરાવતી સેરડેસ એપ્લિકેશન્સ માટે, ઉચ્ચ પ્રદર્શન જાળવી રાખતા વીજ વપરાશ ખૂબ જ મહત્વપૂર્ણ પરિબળ છે. 28Gb/s અથવા તેનાથી વધુ ડેટા રેટ સાથે અગાઉના કેટલાક કામો છે [1-2]. તેઓ નિર્ણાયક સમય મર્યાદાને પહોંચી વળવા માટે અનરોલ્ડ ડીએફઇનો ઉપયોગ કરે છે, પરંતુ અનરોલ્ડ ડીએફઇ માળખું ડીએફઇ સ્લાઇસર્સની સંખ્યામાં વધારો કરે છે, જે કુલ શક્તિ અને મૃત્યુ વિસ્તારમાં વધારો કરે છે. આ પડકારોને પહોંચી વળવા માટે અમે અનેક સર્કિટ અને આર્કિટેક્ચરલ ટેકનિક રજૂ કરી છે. એનાલોગ ફ્રન્ટ-એન્ડ (એએફઇ) એક-તબક્કાની આર્કિટેક્ચર અને ટ્રાન્સઇમ્પેડન્સ એમ્પ્લીફાયર (ટીઆઇએ) માં કોમ્પેક્ટ ઓન-ચિપ નિષ્ક્રિય ઇન્ડક્ટરનો ઉપયોગ કરે છે, જે 15 ડીબી બુસ્ટ પૂરું પાડે છે. બુસ્ટ અનુકૂલનશીલ છે અને તેના અનુકૂલન લૂપને ગ્રુપ-ડિલે અનુકૂલન (જીડીએ) અલ્ગોરિધમનો ઉપયોગ કરીને નિર્ણય-ફીડબેક ઇક્વાલિઝર (ડીએફઇ) અનુકૂલન લૂપથી ડિસ્કપ્લ કરવામાં આવે છે. ડીએફઇમાં પાવર અને વિસ્તાર ઘટાડવા માટે 2 કુલ ભૂલ લૉચ સાથે અડધા દર 1-ટૅપ અનરોલ્ડ માળખું છે. બે-સ્તરીય સેન્સ-એમ્પ્લીફાયર આધારિત સ્લાઇસર 15 એમવીની સંવેદનશીલતા અને ડીએફઇ ટાઈમિંગ બંધ કરે છે. અમે એક હાઇ સ્પીડ ઘડિયાળ બફર પણ વિકસાવીએ છીએ જે નવા સક્રિય-ઇન્ડક્ટર સર્કિટનો ઉપયોગ કરે છે. આ સક્રિય-ઇન્ડક્ટર સર્કિટમાં સર્કિટ ઓપરેટિંગ પોઇન્ટને ઑપ્ટિમાઇઝ કરવા માટે આઉટપુટ-સામાન્ય-મોડ વોલ્ટેજને નિયંત્રિત કરવાની ક્ષમતા છે. |
505c58c2c100e7512b7f7d906a9d4af72f6e8415 | પાનું II જટિલ અનુકૂલનશીલ સિસ્ટમો જ્હોન એચ. હોલેન્ડ, ક્રિસ્ટોફર લેંગટન અને સ્ટુઅર્ટ ડબલ્યુ વિલ્સન, સલાહકારો કુદરતી અને કૃત્રિમ સિસ્ટમોમાં અનુકૂલનઃ બાયોલોજી, નિયંત્રણ અને કૃત્રિમ બુદ્ધિના કાર્યક્રમો સાથે પ્રારંભિક વિશ્લેષણ, એમઆઇટી પ્રેસ આવૃત્તિ જ્હોન એચ. હોલેન્ડ સ્વાયત્ત સિસ્ટમોની પ્રેક્ટિસ તરફઃ ફ્રાન્સિસ્કો જે. વેરેલા અને પોલ બૌર્ગીન દ્વારા સંપાદિત કૃત્રિમ જીવન પર પ્રથમ યુરોપિયન કોન્ફરન્સની કાર્યવાહી આનુવંશિક પ્રોગ્રામિંગઃ કુદરતી પસંદગીના માધ્યમથી કમ્પ્યુટર્સના પ્રોગ્રામિંગ પર જ્હોન આર. કોઝા |
3a46c11ad7afed8defbb368e478dbf94c24f43a3 | મોટા પ્રમાણમાં ડેટાની પ્રક્રિયા પર આધારિત વૈજ્ઞાનિક સમસ્યાઓને અનેક ક્ષેત્રોમાં પડકારોનો સામનો કરવાની જરૂર છેઃ મોટા પાયે ડેટા વિતરણનું સંચાલન, કમ્પ્યુટિંગ સંસાધનો સાથે ડેટાનું સહ-સ્થાન અને સુનિશ્ચિત કરવું, અને મોટા પ્રમાણમાં ડેટા સંગ્રહિત અને સ્થાનાંતરિત કરવું. અમે ડેટા-સઘન એપ્લિકેશન્સ માટે બે અગ્રણી પેરાડિગમ્સની ઇકોસિસ્ટમ્સનું વિશ્લેષણ કરીએ છીએ, જેને ઉચ્ચ પ્રદર્શન કમ્પ્યુટિંગ અને અપાચે-હડોપ પેરાડિગમ તરીકે ઓળખવામાં આવે છે. અમે બે પરિમાણોના બે અભિગમોનું વિશ્લેષણ કરવા માટે એક આધાર, સામાન્ય પરિભાષા અને કાર્યાત્મક પરિબળો પ્રસ્તાવિત કરીએ છીએ. અમે "બિગ ડેટા ઓગ્રે" અને તેના પાસાંઓ વિશે ચર્ચા કરીશું, જે બે પેરાડિગમ્સમાં જોવા મળતા સૌથી સામાન્ય એપ્લિકેશન વર્કલોડને સમજવા અને તેનું વર્ણન કરવા માટેનો એક સાધન છે. ત્યારબાદ આપણે આ બે નમૂનાઓની મુખ્ય લાક્ષણિકતાઓની ચર્ચા કરીશું અને બંને અભિગમોની તુલના અને વિરોધાભાસ કરીશું. ખાસ કરીને, આપણે આ નમૂનાઓના સામાન્ય અમલીકરણ/અનુસરણની તપાસ કરીશું, તેમના વર્તમાન "આર્કિટેક્ચર"ના કારણો પર પ્રકાશ પાડશે અને કેટલાક લાક્ષણિક વર્કલોડ્સની ચર્ચા કરીશું જે તેમને ઉપયોગ કરે છે. સોફ્ટવેરમાં નોંધપાત્ર તફાવત હોવા છતાં, અમે માનીએ છીએ કે આર્કિટેક્ચરલ સમાનતા છે. અમે વિવિધ સ્તરો અને ઘટકોમાં વિવિધ અમલીકરણોના સંભવિત સંકલનની ચર્ચા કરીએ છીએ. અમારી તુલના બે નમૂનાઓની સંપૂર્ણ ગુણાત્મક તપાસથી અર્ધ-કંપનીય પદ્ધતિ તરફ આગળ વધે છે. અમે એક સરળ અને વ્યાપકપણે ઉપયોગમાં લેવાતા ઓગ્રે (કે-મધ્યમ ક્લસ્ટરીંગ) નો ઉપયોગ કરીએ છીએ, પ્રતિનિધિ પ્લેટફોર્મ્સની શ્રેણી પર તેના પ્રદર્શનને વર્ણવીએ છીએ, બંને દાખલાઓમાંથી કેટલાક અમલીકરણને આવરી લે છે. અમારા પ્રયોગો બે નમૂનાઓની સંબંધિત શક્તિઓ વિશે સમજ આપે છે. અમે પ્રસ્તાવ મૂક્યો છે કે ઓગર્સનો સમૂહ બે પરિમાણો સાથે બે નમૂનાઓનું મૂલ્યાંકન કરવા માટે એક બેંચમાર્ક તરીકે સેવા આપશે. |
dc7024840a4ba7ab634517fae53e77695ff5dda9 | આ કાગળમાં અમે માનવ પ્રવૃત્તિઓની ઓળખ માટે નવીન ઊર્જા કાર્યક્ષમ અભિગમનો પ્રસ્તાવ મૂક્યો છે, જે સ્માર્ટફોનને પહેરવા યોગ્ય સેન્સિંગ ડિવાઇસ તરીકે ઉપયોગ કરે છે, જે સહાયિત રહેવાની એપ્લિકેશન્સને લક્ષ્ય બનાવે છે જેમ કે વિકલાંગો અને વૃદ્ધો માટે દૂરસ્થ દર્દી પ્રવૃત્તિ મોનિટરિંગ. આ પદ્ધતિ ફિક્સ્ડ પોઇન્ટ અંકગણિતનો ઉપયોગ કરે છે, જે સુધારેલા મલ્ટીક્લાસ સપોર્ટ વેક્ટર મશીન (એસવીએમ) લર્નિંગ અલ્ગોરિધમનો પ્રસ્તાવ આપે છે, જે તુલનાત્મક સિસ્ટમ ચોકસાઈ સ્તરને જાળવી રાખતા પરંપરાગત ફ્લોટિંગ પોઇન્ટ આધારિત ફોર્મ્યુલેશનના સંદર્ભમાં સ્માર્ટફોન બેટરી જીવનને વધુ સારી રીતે જાળવી રાખવા માટે પરવાનગી આપે છે. પ્રયોગો આ અભિગમ અને પરંપરાગત એસવીએમ વચ્ચેની તુલનાત્મક પરિણામોને ઓળખ કામગીરી અને બેટરી વપરાશના સંદર્ભમાં દર્શાવે છે, જે સૂચિત પદ્ધતિના ફાયદાને પ્રકાશિત કરે છે. |
f4cdd1d15112a3458746b58a276d97e79d8f495d | તેના ઇનપુટ્સના સંદર્ભમાં ન્યુરલ નેટવર્કના આઉટપુટના ગ્રેડિએન્ટ ધોરણને નિયમિત બનાવવું એ એક શક્તિશાળી તકનીક છે, જે ઘણી વખત ફરીથી શોધવામાં આવી છે. આ કાગળ પુરાવા રજૂ કરે છે કે ઢાળ નિયમિતકરણ દ્રષ્ટિ કાર્યો પર વર્ગીકરણ ચોકસાઈ સતત સુધારી શકે છે, આધુનિક ઊંડા ન્યુરલ નેટવર્ક્સનો ઉપયોગ કરીને, ખાસ કરીને જ્યારે તાલીમ ડેટાની માત્રા ઓછી હોય છે. અમે અમારા નિયમનકારોની રજૂઆત કરીએ છીએ જેકોબિયન આધારિત નિયમનકારોના વ્યાપક વર્ગના સભ્યો તરીકે. અમે વાસ્તવિક અને કૃત્રિમ ડેટા પર પ્રયોગાત્મક રીતે દર્શાવ્યું છે કે શીખવાની પ્રક્રિયા તાલીમ બિંદુઓથી આગળ નિયંત્રિત ઢાળ તરફ દોરી જાય છે, અને સારા સામાન્યીકરણના ઉકેલોમાં પરિણમે છે. |
984df1f081fbd623600ec45635e5d9a4811c0aef | બે વિવાલ્ડી એન્ટેના એરે રજૂ કરવામાં આવ્યા છે. પ્રથમ ઇંટ/કોંક્રિટ દિવાલ ઇમેજિંગ માટે એસટીડબલ્યુ એપ્લિકેશન્સ માટે 1.2 થી 4 ગીગાહર્ટ્ઝ બેન્ડને આવરી લેતી 8-એલિમેન્ટ કોણીય સ્લોટ એરે છે. બીજું એક 16-એલિમેન્ટ એન્ટિપોડલ એરે છે જે 8 થી 10.6 ગીગાહર્ટ્ઝ પર કામ કરે છે જ્યારે શુષ્ક દિવાલ દ્વારા પ્રવેશ કરતી વખતે ઉચ્ચ રીઝોલ્યુશન ઇમેજિંગ માટે. વિવાલ્ડી એન્ટેના એરેને ફીડ કરવા માટે સરળ બ્રોડબેન્ડ સ્લોટથી માઇક્રોસ્ટ્રીપ સંક્રમણનો ઉપયોગ કરીને, 1-10 ગીગાહર્ટ્ઝ ફ્રીક્વન્સી બેન્ડને આવરી શકાય છે. વૈકલ્પિક રીતે, આ ડિઝાઇનને 1-3 ગીગાહર્ટ્ઝ અથવા 8-10 ગીગાહર્ટ્ઝ બેન્ડને આવરી લેવા માટે ફરીથી ગોઠવી શકાય તેવી માળખામાં વાપરી શકાય છે. પ્રયોગો અને માપનનાં પરિણામો પૂર્ણ થયા છે અને તેની વિગતવાર ચર્ચા કરવામાં આવશે. આ ડિઝાઇન કોમ્પેક્ટ, પુનઃરૂપરેખાંકિત અને પોર્ટેબલ સિસ્ટમોના વિકાસ પર નોંધપાત્ર અસર કરશે. |
e3f4fdf6d2f10ebe4cfc6d0544afa63976527d60 | આ કાગળ રેડિયો ખગોળશાસ્ત્રના સાધનો માટે 324-પરિમાણ 2-ડી બ્રોડસાઇડ એરે રજૂ કરે છે જે બે પારસ્પરિક ઓર્થોગોનલ ધ્રુવીકરણ માટે સંવેદનશીલ છે. આ એરે ક્રોસ આકારના માળખામાં ગોઠવાયેલા ચાર વિવાલ્ડી એન્ટેનાના જૂથમાંથી બનેલા ક્રુસફોર્મ એકમોથી બનેલો છે. આ એરેમાં ઉપયોગમાં લેવાતી વિવાલ્ડી એન્ટેનામાં રેડિયેશન તીવ્રતાની લાક્ષણિકતા છે, જેમાં 3 ગીગાહર્ટ્ઝમાં 87.5° અને 6 ગીગાહર્ટ્ઝમાં 44.2° ની સમપ્રમાણતાવાળી મુખ્ય બીમ છે. માપવામાં આવેલ મહત્તમ બાજુ/બેકલોબ સ્તર 10.3 ડીબી નીચે મુખ્ય પ્રકાશ સ્તર છે. આ એરે 5.4 ગીગાહર્ટ્ઝની ઉચ્ચ આવર્તન પર કામ કરી શકે છે, જેમાં ગ્રીટિંગ લોબ્સની રચના થતી નથી. |
1a090df137014acab572aa5dc23449b270db64b4 | |
9ae252d3b0821303f8d63ba9daf10030c9c97d37 | અમે કુદરતી દ્રશ્ય કેટેગરીઝ શીખવા અને ઓળખવા માટે એક નવલકથા અભિગમ પ્રસ્તાવિત કરીએ છીએ. અગાઉના કામથી વિપરીત, તેને તાલીમ સમૂહને ઍનોટેટ કરવા માટે નિષ્ણાતોની જરૂર નથી. અમે સ્થાનિક પ્રદેશોના સંગ્રહ દ્વારા દ્રશ્યની છબીનું પ્રતિનિધિત્વ કરીએ છીએ, જે કોડ શબ્દો તરીકે સૂચવવામાં આવે છે જે અનસર્વેસ્ડ લર્નિંગ દ્વારા મેળવવામાં આવે છે. દરેક પ્રદેશને "થીમ" ના ભાગ રૂપે રજૂ કરવામાં આવે છે. અગાઉના કામમાં, નિષ્ણાતોની હાથ-એનોટેશન્સમાંથી આવી થીમ્સ શીખી હતી, જ્યારે અમારી પદ્ધતિ થીમ વિતરણ તેમજ કોડ શબ્દોને કોઈ દેખરેખ વિના થીમ્સ પર વિતરણ કરે છે. અમે 13 શ્રેણીઓના મોટા સમૂહ પર સંતોષકારક વર્ગીકરણ પ્રદર્શનની જાણ કરીએ છીએ. |
fa6cbc948677d29ecce76f1a49cea01a75686619 | આ કાગળમાં, અમે વાસ્તવિક દુનિયાના દ્રશ્યોની ઓળખના કમ્પ્યુટેશનલ મોડેલનો પ્રસ્તાવ મૂક્યો છે જે વ્યક્તિગત વસ્તુઓ અથવા પ્રદેશોની સેગમેન્ટેશન અને પ્રક્રિયાને બાયપાસ કરે છે. આ પ્રક્રિયા દ્રશ્યના ખૂબ જ નીચા પરિમાણીય પ્રતિનિધિત્વ પર આધારિત છે, જેને આપણે સ્પેસિયલ એન્વેલપ કહીએ છીએ. અમે દ્રશ્યના પ્રબળ અવકાશી માળખાને રજૂ કરતા દ્રશ્ય પરિમાણો (કુદરતી, ખુલ્લાપણું, રફ, વિસ્તરણ, રફ) નો સમૂહ પ્રસ્તાવિત કરીએ છીએ. પછી, અમે બતાવીએ છીએ કે આ પરિમાણોને સ્પેક્ટ્રલ અને રફ રીતે સ્થાનિક માહિતીનો ઉપયોગ કરીને વિશ્વસનીય રીતે અંદાજવામાં આવી શકે છે. આ મોડેલ બહુપરિમાણીય જગ્યા પેદા કરે છે જેમાં સિમેન્ટીક કેટેગરીમાં સભ્યપદ વહેંચતા દ્રશ્યો (દા. ત. શેરીઓ, ધોરીમાર્ગો, દરિયાકિનારા) એક સાથે બંધ કરવામાં આવે છે. અવકાશી પરબિડીયું મોડેલની કામગીરી બતાવે છે કે પદાર્થ આકાર અથવા ઓળખ વિશેની વિશિષ્ટ માહિતી દ્રશ્ય વર્ગીકરણ માટે આવશ્યકતા નથી અને દ્રશ્યનું સંપૂર્ણ પ્રતિનિધિત્વ મોડેલિંગ તેના સંભવિત સિમેન્ટીક કેટેગરી વિશે માહિતી આપે છે. |
1ac52b7d8db223029388551b2db25657ed8c9852 | આ કાગળમાં, અમે ઘણા સમાન આગાહી કાર્યોથી બનેલી સમસ્યાઓના મશીન-લર્નિંગ સોલ્યુશનની દરખાસ્ત કરીએ છીએ. દરેક વ્યક્તિગત કાર્યમાં ઓવરરાઇટિંગનું ઉચ્ચ જોખમ છે. અમે આ જોખમ ઘટાડવા માટે કાર્યો વચ્ચે બે પ્રકારના જ્ઞાન ટ્રાન્સફર ભેગા કરીએ છીએઃ મલ્ટી-ટાસ્ક લર્નિંગ અને હાયરાર્કીક બેઝિયન મોડેલિંગ. મલ્ટીટાસ્ક લર્નિંગ એ ધારણા પર આધારિત છે કે હાથમાં કાર્ય માટે લાક્ષણિક લક્ષણો અસ્તિત્વ ધરાવે છે. આ સુવિધાઓ શોધવા માટે, અમે એક વિશાળ બે-સ્તરવાળી ન્યુરલ નેટવર્કને તાલીમ આપીએ છીએ. દરેક કાર્યનું પોતાનું આઉટપુટ હોય છે, પરંતુ ઇનપુટથી છુપાયેલા એકમો સુધીના વજનને અન્ય તમામ કાર્યો સાથે વહેંચે છે. આ રીતે શક્ય સમજૂતીકર્તા ચલો (નેટવર્ક ઇનપુટ્સ) નો પ્રમાણમાં મોટો સમૂહ નાની અને સરળતાથી હેન્ડલ કરવા માટે સુવિધાઓના સમૂહ (છુપાયેલા એકમો) માં ઘટાડવામાં આવે છે. આ લક્ષણોની સમૂહને ધ્યાનમાં રાખીને અને યોગ્ય સ્કેલ પરિવર્તન પછી, અમે ધારીએ છીએ કે કાર્યો વિનિમયક્ષમ છે. આ ધારણા એક પદાનુક્રમિક બેયસિયન વિશ્લેષણ માટે પરવાનગી આપે છે જેમાં ડેટામાંથી હાયપરપૅરામીટર્સનો અંદાજ લગાવી શકાય છે. આ હાયપર-રામેટર્સ અસરકારક રીતે નિયમનકારો તરીકે કામ કરે છે અને ઓવર-ટેટિંગને અટકાવે છે. અમે વર્ણન કરીએ છીએ કે કેવી રીતે સમય શ્રેણીમાં નોનસ્ટેશનરીટી સામે સિસ્ટમ મજબૂત બનાવવી અને વધુ સુધારણા માટે દિશાઓ આપવી. અમે અખબારોના વેચાણની આગાહી અંગેના ડેટાબેઝ પર અમારા વિચારોનું ઉદાહરણ આપીએ છીએ. |
1e56ed3d2c855f848ffd91baa90f661772a279e1 | અમે ટેક્સ્ટ અને ડિસ્ક્રીટ ડેટાના અન્ય સંગ્રહો માટે એક જનરેટિવ મોડેલ પ્રસ્તાવિત કરીએ છીએ જે નિષ્કપટ બેયસ / યુનિગ્રામ, યુનિગ્રામના મિશ્રણ [6] અને હોફમેનના પાસા મોડેલ સહિતના કેટલાક અગાઉના મોડેલો પર સામાન્ય કરે છે અથવા સુધારે છે, જેને સંભવતઃ લેટેન્ટ સિમેન્ટીક ઇન્ડેક્સીંગ (પીએલએસઆઇ) તરીકે પણ ઓળખવામાં આવે છે. ટેક્સ્ટ મોડેલિંગના સંદર્ભમાં, અમારું મોડેલ ધારે છે કે દરેક દસ્તાવેજ વિષયોના મિશ્રણ તરીકે પેદા થાય છે, જ્યાં સતત મૂલ્યવાળા મિશ્રણ પ્રમાણને છુપાયેલા ડરીચલેટ રેન્ડમ વેરિયેબલ તરીકે વિતરિત કરવામાં આવે છે. અનુમાન અને શીખવાની પ્રક્રિયા વેરિએશનલ અલ્ગોરિધમ્સ દ્વારા અસરકારક રીતે કરવામાં આવે છે. અમે આ મોડેલના ટેક્સ્ટ મોડેલિંગ, સહયોગી ફિલ્ટરિંગ અને ટેક્સ્ટ વર્ગીકરણની સમસ્યાઓના કાર્યક્રમો પર પ્રાયોગિક પરિણામો રજૂ કરીએ છીએ. |
e990a41e8f09e0ef4695c39af351bf25f333eefa | |
1f8116db538169de3553b1091e82107f7594301a | |
539ea86fa738afd939fb18566107c971461f8548 | માળખાગત આઉટપુટ જગ્યાઓ (શબ્દમાળાઓ, વૃક્ષો, પાર્ટીશનો, વગેરે) માટે મેપિંગ સામાન્ય રીતે વર્ગીકરણ અલ્ગોરિધમ્સના વિસ્તરણનો ઉપયોગ કરીને સરળ ગ્રાફિકલ માળખાં (દા. ત. , રેખીય સાંકળો) માં શીખી શકાય છે જેમાં શોધ અને પરિમાણ અંદાજ બરાબર કરી શકાય છે. કમનસીબે, ઘણી જટિલ સમસ્યાઓમાં, તે દુર્લભ છે કે ચોક્કસ શોધ અથવા પરિમાણ અંદાજ વ્યવહારુ છે. ચોક્કસ મોડેલો શીખવા અને હેવરીસ્ટિક માધ્યમ દ્વારા શોધ કરવાને બદલે, અમે આ મુશ્કેલીને સ્વીકારીએ છીએ અને અંદાજિત શોધના સંદર્ભમાં માળખાગત આઉટપુટ સમસ્યાનો ઉપચાર કરીએ છીએ. અમે શોધ ઑપ્ટિમાઇઝેશન તરીકે શીખવા માટેનું માળખું રજૂ કરીએ છીએ, અને સંકલન થે-ઓરેમ્સ અને બાઉન્ડ્સ સાથે બે પરિમાણ અપડેટ્સ. પ્રયોગમૂલક પુરાવા દર્શાવે છે કે શીખવા અને ડીકોડિંગ માટેનો અમારો સંકલિત અભિગમ ઓછા કમ્પ્યુટેશનલ ખર્ચમાં ચોક્કસ મોડેલોને વટાવી શકે છે. |
1219fb39b46aabd74879a7d6d3c724fb4e55aeae | અમે ટેકનોલોજી ઉદ્યોગસાહસિકતા પર એક પરિપ્રેક્ષ્ય વિકસાવીએ છીએ જેમાં એજન્સીનો સમાવેશ થાય છે જે વિવિધ પ્રકારના અભિનેતાઓમાં વહેંચાયેલું છે. દરેક અભિનેતા ટેકનોલોજી સાથે સંકળાયેલા બને છે, અને આ પ્રક્રિયામાં, ઇનપુટ્સ પેદા કરે છે જે પરિણામે ઉભરતા તકનીકી માર્ગના પરિવર્તનમાં પરિણમે છે. તકનીકી માર્ગમાં ઇનપુટ્સનો સતત સંચય એ વેગ પેદા કરે છે જે વિતરણ કરનારાઓ દ્વારા કરવામાં આવતી પ્રવૃત્તિઓને સક્ષમ અને પ્રતિબંધિત કરે છે. બીજા શબ્દોમાં કહીએ તો, એજન્સી માત્ર વિતરણ નથી, પરંતુ તે એમ્બેડ પણ છે. અમે ડેનમાર્ક અને યુનાઇટેડ સ્ટેટ્સમાં પવન ટર્બાઇનના ઉદભવને આધારે પ્રક્રિયાઓના તુલનાત્મક અભ્યાસ દ્વારા આ પરિપ્રેક્ષ્યને સમજાવીએ છીએ. અમારા તુલનાત્મક અભ્યાસ દ્વારા, અમે ટેકનોલોજીકલ પાથને આકાર આપવા માટે અભિનેતાઓની સંલગ્નતા માટે વિરોધાભાસી અભિગમો તરીકે "બ્રિકોલેજ" અને "બ્રેકથ્રુ" ને વિસ્તૃત કરીએ છીએ. © 2002 એલ્સેવીયર સાયન્સ બી. વી. બધા હકો અનામત છે. |
2266636d87e44590ade738b92377d1fe1bc5c970 | |
2af586c64c32baeb445992e0ea6b76bbbbc30c7f | |
0e8b8e0c37b0ebc9c36b99103a487dbbbdf9ee97 | |
2c03df8b48bf3fa39054345bafabfeff15bfd11d | ઊંડા ન્યુરલ નેટવર્ક્સને તાલીમ આપવી વધુ મુશ્કેલ છે. અમે એક શેષ શિક્ષણ માળખું પ્રસ્તુત કરીએ છીએ જે અગાઉ ઉપયોગમાં લેવાતા નેટવર્ક્સ કરતાં નોંધપાત્ર રીતે ઊંડાણવાળા નેટવર્ક્સની તાલીમ સરળ બનાવવા માટે. આપણે સ્પષ્ટ રીતે લેયરને રીફૉર્મ્યુલેટ કરીએ છીએ કારણ કે આપણે લેયર ઇનપુટ્સના સંદર્ભમાં રેઝિડ્યુઅલ ફંક્શન્સ શીખીએ છીએ, તેના બદલે આપણે બિન-સંદર્ભિત ફંક્શન્સ શીખીએ છીએ. અમે વ્યાપક પ્રયોગાત્મક પુરાવા પૂરા પાડીએ છીએ જે દર્શાવે છે કે આ શેષ નેટવર્ક્સને ઑપ્ટિમાઇઝ કરવું સરળ છે, અને નોંધપાત્ર રીતે વધેલી ઊંડાઈથી ચોકસાઈ મેળવી શકે છે. ImageNet ડેટાસેટ પર અમે 152 સ્તરોની ઊંડાઈ સાથે શેષ નેટનું મૂલ્યાંકન કરીએ છીએ - VGG નેટ [40] કરતાં 8 ગણો ઊંડા પરંતુ હજુ પણ ઓછી જટિલતા ધરાવે છે. આ શેષ નેટના સમૂહને ઇમેજનેટ ટેસ્ટ સેટ પર 3.57% ભૂલ પ્રાપ્ત થાય છે. આ પરિણામથી ILSVRC 2015 વર્ગીકરણ કાર્યમાં પ્રથમ સ્થાન મળ્યું. અમે 100 અને 1000 સ્તરો સાથે CIFAR-10 પર વિશ્લેષણ પણ રજૂ કરીએ છીએ. ઘણા દ્રશ્ય ઓળખ કાર્યો માટે રજૂઆતોની ઊંડાઈ કેન્દ્રિય મહત્વ ધરાવે છે. અમારા અત્યંત ઊંડા પ્રતિનિધિત્વને કારણે, અમે COCO ઑબ્જેક્ટ ડિટેક્શન ડેટાસેટમાં 28% સંબંધિત સુધારો મેળવીએ છીએ. ડીપ રેઝિડ્યુઅલ નેટ એ ILSVRC અને COCO 2015 સ્પર્ધાઓમાં અમારા સબમિશન્સનો પાયો છે, જ્યાં અમે ઇમેજનેટ ડિટેક્શન, ઇમેજનેટ સ્થાનિકીકરણ, COCO ડિટેક્શન અને COCO સેગમેન્ટેશનના કાર્યો પર 1 લી સ્થાનો પણ જીત્યા હતા. |
5763c2c62463c61926c7e192dcc340c4691ee3aa | અમે એક છબી સુપર રીઝોલ્યુશન (એસઆર) માટે ઊંડા શિક્ષણ પદ્ધતિ પ્રસ્તાવિત કરીએ છીએ. અમારી પદ્ધતિ સીધી રીતે નીચા/ઉચ્ચ રીઝોલ્યુશન છબીઓ વચ્ચે અંત-થી-અંત મેપિંગ શીખે છે. આ મેપિંગને ડીપ કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક (સીએનએન) [15] તરીકે રજૂ કરવામાં આવે છે જે નીચા રીઝોલ્યુશનની છબીને ઇનપુટ તરીકે લે છે અને ઉચ્ચ રીઝોલ્યુશનની આઉટપુટ આપે છે. અમે આગળ બતાવીએ છીએ કે પરંપરાગત સ્પાસ-કોડિંગ-આધારિત એસઆર પદ્ધતિઓ પણ ઊંડા કન્વોલ્યુશનલ નેટવર્ક તરીકે જોઈ શકાય છે. પરંતુ પરંપરાગત પદ્ધતિઓથી વિપરીત જે દરેક ઘટકને અલગથી સંભાળે છે, અમારી પદ્ધતિ સંયુક્ત રીતે તમામ સ્તરોને શ્રેષ્ઠ બનાવે છે. અમારા ઊંડા સી. એન. એન. પાસે હળવા માળખું છે, હજુ સુધી રાજ્ય-ઓફ-ધ-આર્ટ પુનઃસ્થાપન ગુણવત્તા દર્શાવે છે, અને વ્યવહારુ ઓનલાઈન ઉપયોગ માટે ઝડપી ઝડપ પ્રાપ્ત કરે છે. |
2db168f14f3169b8939b843b9f4caf78c3884fb3 | આ પત્રમાં, આરએફ ઊર્જાની ખેતી માટે બ્રોડબેન્ડ બ્રેવ ત્રિકોણાકાર સર્વ-દિશાત્મક એન્ટેના રજૂ કરવામાં આવે છે. એન્ટેનામાં 850 મેગાહર્ટઝથી 1.94 ગીગાહર્ટઝ સુધીની VSWR ≤ 2 માટે બેન્ડવિડ્થ છે. એન્ટેનાને આડી અને ઊભી બંને ધ્રુવીકૃત તરંગો પ્રાપ્ત કરવા માટે રચવામાં આવી છે અને સમગ્ર બેન્ડવિડ્થ પર સ્થિર રેડિયેશન પેટર્ન ધરાવે છે. એન્ટેનાને ઊર્જાના સંગ્રહ માટે પણ શ્રેષ્ઠ બનાવવામાં આવ્યું છે અને તે 100 Ω ઇનપુટ ઇમ્પીડેન્સ માટે રચાયેલ છે જેથી રેક્ટિફાયર માટે નિષ્ક્રિય વોલ્ટેજ એમ્પ્લીફિકેશન અને ઇમ્પીડેન્સ મેચિંગ પ્રદાન કરી શકાય. 980 અને 1800 મેગાહર્ટઝ પર 500 Ωના ભાર માટે અનુક્રમે 60% અને 17% ની ટોચની કાર્યક્ષમતા પ્રાપ્ત થાય છે. એક સેલ સાઇટ પર બધા બેન્ડ્સને એક સાથે લણણી કરતી વખતે ઓપન સર્કિટ માટે 3.76 વી અને 4.3 કે Ω ના ભાર પર 1.38 વીનું વોલ્ટેજ 25 મીટરના અંતરે રેક્ટેનાના બે તત્વોની એરેનો ઉપયોગ કરીને મેળવવામાં આવે છે. |
484ac571356251355d3e24dcb23bdd6d0911bd94 | તાજેતરની વૈજ્ઞાનિક અને તકનીકી પ્રગતિએ ગ્રાફ તરીકે મોડેલ કરેલા માળખાકીય પેટર્નનો પુષ્કળ પુરાવો આપ્યો છે. પરિણામે, ગ્રાફના મોટા ડેટાબેઝ પર ગ્રાફ કન્ટેન્શન ક્વેરીઝની અસરકારક રીતે પ્રક્રિયા કરવી ખાસ રસ ધરાવે છે. ગ્રાફ ડેટાબેઝ G અને ક્વેરી ગ્રાફ q આપવામાં આવે છે, ગ્રાફ કન્ટેન્શન ક્વેરી એ G માંના બધા ગ્રાફને પુનઃપ્રાપ્ત કરવા માટે છે જેમાં સબગ્રાફ તરીકે q છે. G માં ગ્રાફની વિશાળ સંખ્યા અને સબગ્રાફ આઇસોમોર્ફિઝમ પરીક્ષણ માટે જટિલતાની પ્રકૃતિને કારણે, ક્વેરી પ્રોસેસિંગના કુલ ખર્ચને ઘટાડવા માટે ઉચ્ચ ગુણવત્તાની ગ્રાફ ઇન્ડેક્સીંગ પદ્ધતિઓનો ઉપયોગ કરવો ઇચ્છનીય છે. આ કાગળમાં, અમે ગ્રાફ ડેટાબેઝના વારંવાર વૃક્ષ-લક્ષણ પર આધારિત નવી ખર્ચ-અસરકારક ગ્રાફ અનુક્રમણિકા પદ્ધતિ પ્રસ્તાવિત કરીએ છીએ. અમે ત્રણ નિર્ણાયક પાસાઓમાંથી ઇન્ડેક્સિંગ સુવિધા તરીકે વૃક્ષની અસરકારકતા અને કાર્યક્ષમતાનું વિશ્લેષણ કરીએ છીએઃ સુવિધા કદ, સુવિધા પસંદગી ખર્ચ અને કાપણી શક્તિ. વર્તમાન ગ્રાફ આધારિત અનુક્રમણિકા પદ્ધતિઓ કરતાં વધુ સારી કાપણીની ક્ષમતા પ્રાપ્ત કરવા માટે, અમે વારંવાર વૃક્ષ-લક્ષણ (ટ્રી) ઉપરાંત, માંગ પર, ખર્ચાળ ગ્રાફ માઇનિંગ પ્રક્રિયા વિના, ઓછી સંખ્યામાં ભેદભાવપૂર્ણ ગ્રાફ (∆) પસંદ કરીએ છીએ. અમારા અભ્યાસમાં ચકાસવામાં આવ્યું છે કે (Tree+∆) એ ગ્રાફ કન્ટેન્શન ક્વેરી સમસ્યાને સંબોધવા માટે ઇન્ડેક્સીંગ હેતુ માટે ગ્રાફ કરતાં વધુ સારી પસંદગી છે, (Tree+∆ ≥Graph) તરીકે સૂચવવામાં આવે છે. તેની બે અસર છેઃ (1) (Tree+∆) દ્વારા ઇન્ડેક્સનું નિર્માણ કાર્યક્ષમ છે, અને (2) (Tree+∆) દ્વારા ગ્રાફ કન્ટેન્શન ક્વેરી પ્રોસેસિંગ કાર્યક્ષમ છે. અમારા પ્રાયોગિક અભ્યાસો દર્શાવે છે કે (Tree+∆) પાસે કોમ્પેક્ટ ઇન્ડેક્સ સ્ટ્રક્ચર છે, ઇન્ડેક્સ બાંધકામમાં વધુ સારા પ્રદર્શનની હુકમ પ્રાપ્ત કરે છે, અને સૌથી અગત્યનું, અપ-ટુ-ડેટ ગ્રાફ આધારિત ઇન્ડેક્સિંગ પદ્ધતિઓ કરતાં વધુ સારી કામગીરી કરે છેઃ ગ્રાફ કન્ટેન્શન ક્વેરી પ્રોસેસિંગમાં જીઇન્ડેક્સ અને સી-ટ્રી. |
22749899b50c5113516b9820f875a580910aa746 | એક નાના સ્લોટ-લોડેડ પેચ એન્ટેના ડિઝાઇન જે બંને એલ 1 અને એલ 2 બેન્ડ્સ જીપીએસ સંકેતો પ્રાપ્ત કરવા માટે વિકસાવવામાં આવી છે તેની ચર્ચા કરવામાં આવી છે. ડ્યુઅલ બેન્ડ કવરેજ L2 બેન્ડ પર પેચ મોડ અને L1 બેન્ડ પર સ્લોટ મોડનો ઉપયોગ કરીને પ્રાપ્ત થાય છે. એન્ટેનાનું કદ ઘટાડીને વ્યાસ 25.4 મીમી સુધી ઘટાડવા માટે ઉચ્ચ વિદ્યુત વિદ્યુત સામગ્રી અને મેન્ડર કરેલ સ્લોટ લાઇનનો ઉપયોગ કરવામાં આવે છે. આરએચસીપીને એક નાની 0°-90° હાઇબ્રિડ ચિપ દ્વારા બે ઓર્થોગોનલ મોડ્સને જોડીને પ્રાપ્ત કરવામાં આવે છે. બંને પેચ અને સ્લોટ સ્થિતિઓ એન્ટેનાની બાજુમાં અનુકૂળ રીતે સ્થિત એક નિકટતાની તપાસ કરે છે (ફિગ. 1). આ કાગળમાં ડિઝાઇન પ્રક્રિયા તેમજ સિમ્યુલેટેડ એન્ટેના પ્રદર્શન વિશે ચર્ચા કરવામાં આવી છે. |
afbe59950a7d452ce0a3f412ee865f1e1d94d9ef | રિઇનફોર્સમેન્ટ લર્નિંગમાં સ્વયં સંચાલિત રોબોટ્સને ન્યૂનતમ માનવીય હસ્તક્ષેપ સાથે વર્તણૂકીય કુશળતાના મોટા રેપર્ટોરી શીખવા માટે સક્ષમ બનાવવાનું વચન છે. જો કે, રિઇનફોર્સમેન્ટ લર્નિંગની રોબોટિક એપ્લિકેશન્સ ઘણીવાર વાસ્તવિક ભૌતિક સિસ્ટમો માટે વ્યવહારુ હોય તેવા તાલીમ સમય પ્રાપ્ત કરવા તરફેણમાં શીખવાની પ્રક્રિયાની સ્વાયત્તતા સાથે સમાધાન કરે છે. આમાં સામાન્ય રીતે હાથથી રચાયેલ નીતિ રજૂઆતો અને માનવ-સંપન્ન પ્રદર્શનોનો સમાવેશ થાય છે. ડીપ રિઇનફોર્સમેન્ટ લર્નિંગ સામાન્ય હેતુની ન્યુરલ નેટવર્ક નીતિઓને તાલીમ આપીને આ મર્યાદાને દૂર કરે છે, પરંતુ સીધી ડીપ રિઇનફોર્સમેન્ટ લર્નિંગ અલ્ગોરિધમ્સના કાર્યક્રમો અત્યાર સુધી સિમ્યુલેટેડ સેટિંગ્સ અને પ્રમાણમાં સરળ કાર્યો સુધી મર્યાદિત છે, કારણ કે તેમની દેખીતી ઉચ્ચ નમૂના જટિલતા છે. આ કાગળમાં, અમે દર્શાવ્યું છે કે તાજેતરના ઊંડા મજબૂતીકરણ શીખવાની ગાણિતીક નિયમોની તાલીમ પર આધારિત ઊંડા ક્યૂ-કાર્યક્રમોની બહારની નીતિઓ જટિલ 3D મેનિપ્યુલેશન કાર્યોમાં સ્કેલ કરી શકે છે અને વાસ્તવિક ભૌતિક રોબોટ્સ પર તાલીમ આપવા માટે ઊંડા ન્યુરલ નેટવર્ક નીતિઓને અસરકારક રીતે શીખી શકે છે. અમે દર્શાવ્યું છે કે તાલીમ સમયને વધુ ઘટાડી શકાય છે, બહુવિધ રોબોટ્સમાં અલ્ગોરિધમનો સમાંતર કરીને જે તેમની નીતિ અપડેટ્સને અસમન્વયિત રીતે વહેંચે છે. અમારા પ્રાયોગિક મૂલ્યાંકનમાં બતાવવામાં આવ્યું છે કે અમારી પદ્ધતિ સિમ્યુલેશનમાં વિવિધ પ્રકારના 3D મેનિપ્યુલેશન કુશળતા અને વાસ્તવિક રોબોટ્સ પર કોઈ પણ પૂર્વ પ્રદર્શન અથવા મેન્યુઅલી ડિઝાઇન કરેલા પ્રતિનિધિત્વ વિના જટિલ બારણું ખોલવાની કુશળતા શીખી શકે છે. |
b8aa8b5d06c98a900d8cea61864669b28c3ac0fc | આ લેખ વાહન વાતાવરણમાં વાહન વિલંબ સહનશીલ નેટવર્ક્સ (વીડીટીએન) માં રૂટીંગ માટે સૂચિત રૂટીંગ પ્રોટોકોલ્સનો વ્યાપક સર્વેક્ષણ રજૂ કરે છે. ડીટીએનનો ઉપયોગ વિવિધ ઓપરેશનલ વાતાવરણમાં થાય છે, જેમાં વિક્ષેપ અને ડિસ્કનેક્શનનો વિષય હોય છે અને વાહન એડ-હોક નેટવર્ક્સ (VANET) જેવા ઉચ્ચ વિલંબવાળા લોકોનો સમાવેશ થાય છે. અમે એક ખાસ પ્રકારના VANET પર ધ્યાન કેન્દ્રિત કરીએ છીએ, જ્યાં વાહન ટ્રાફિક વિખરાયેલા છે અને વાતચીત પક્ષો વચ્ચે સીધા અંત-થી-અંતના રસ્તાઓ હંમેશા અસ્તિત્વમાં નથી. આમ, આ સંદર્ભમાં સંદેશાવ્યવહાર વાહન વિલંબ સહનશીલ નેટવર્ક (વીડીટીએન) ની શ્રેણીમાં આવે છે. RSU (રોડ સાઇડ યુનિટ) ની મર્યાદિત ટ્રાન્સમિશન રેન્જને કારણે, VDTN માં દૂરસ્થ વાહનો, RSU સાથે સીધા કનેક્ટ થઈ શકતા નથી અને તેથી પેકેટોને રિલે કરવા માટે મધ્યવર્તી વાહનો પર આધાર રાખવો પડે છે. સંદેશ રિલે પ્રક્રિયા દરમિયાન, અત્યંત પાર્ટીશનવાળા VANET માં સંપૂર્ણ એન્ડ-ટુ-એન્ડ પાથ અસ્તિત્વમાં ન હોઈ શકે. તેથી, મધ્યવર્તી વાહકોએ તકવાદી રીતે સંદેશાઓને બફર અને આગળ મોકલવા જોઈએ. બફર, કેરી અને ફોરવર્ડ દ્વારા, સંદેશને આખરે લક્ષ્યસ્થાન પર પહોંચાડી શકાય છે, જો સ્રોત અને લક્ષ્યસ્થાન વચ્ચે ક્યારેય અંતથી અંત સુધીનો જોડાણ ન હોય તો પણ. ડીટીએનમાં રૂટીંગ પ્રોટોકોલનો મુખ્ય ઉદ્દેશ્ય એ છે કે અંતથી અંત સુધીના વિલંબને ઘટાડીને લક્ષ્યસ્થાન સુધી પહોંચાડવાની સંભાવનાને મહત્તમ કરવી. ઉપરાંત, વાહનોના નેટવર્કમાં ડીટીએન રૂટીંગ માટે વાહનોના ટ્રાફિક મોડેલ મહત્વપૂર્ણ છે કારણ કે ડીટીએન રૂટીંગ પ્રોટોકોલનું પ્રદર્શન નેટવર્કની વસ્તી અને ગતિશીલતા મોડેલો સાથે ગાઢ રીતે સંબંધિત છે. 2014 એલ્સેવીયર બી. વી. બધા અધિકારો અનામત છે. |
4555fd3622908e2170e4ffdd717b83518b123b09 | આ કાગળમાં એન્ટેનાના પરિમાણો પરની અસરો રજૂ કરવામાં આવી છે જ્યારે એન્ટેનાને મેટલ પ્લેટની નજીક આડી રીતે મૂકવામાં આવે છે. પ્લેટનો પરિમિતિ અને લંબચોરસ આકાર છે. ફોલ્ડ્ડ ડાઇપોલ એન્ટેનાનો ઉપયોગ કરવામાં આવે છે અને તે પ્લેટની ઉપર સમપ્રમાણ રીતે મૂકવામાં આવે છે. એફઈએમ (ફિનિટેડ એલિમેન્ટ પદ્ધતિ) નો ઉપયોગ પ્લેટના કદ અને પ્લેટ અને એન્ટેના વચ્ચેના અંતર પર એન્ટેના પરિમાણોની નિર્ભરતાને અનુકરણ કરવા માટે થાય છે. મેટલ પ્લેટની હાજરી, જો તે યોગ્ય અંતર પર હોય તો પણ તે એન્ટેનાના વર્તનમાં ખૂબ મોટા ફેરફારોનું કારણ બને છે. પ્લેટ જેટલી મોટી હોય છે, ખાસ કરીને પહોળાઈમાં, તે વધુ તીવ્ર અને સાંકડી છે રેડિયેશન પેટર્નના લોબ્સ. એન્ટેનાની ઊંચાઈ વ્યાખ્યાયિત કરે છે કે રેડિયેશન પેટર્ન કેટલા લોબ્સ ધરાવે છે. એન્ટેનાના કેટલાક પરિમાણો, જેમાં ઇમ્પેડન્સ, દિશા અને ફ્રન્ટ-ટુ-બેક રેશિયોનો સમાવેશ થાય છે, એન્ટેનાની ઊંચાઈ વધે છે તે સમયાંતરે બદલાય છે. ધાતુની પ્લેટના પ્રભાવ હેઠળ એન્ટેનાની પડઘો આવર્તન પણ બદલાય છે. |
d70cd3d2fe0a194321ee92c305976873b883d529 | એક વાઇડબેન્ડ 57.7-84.2 ગીગાહર્ટ્ઝ ફેઝ શિફ્ટરનો ઉપયોગ કોમ્પેક્ટ લેન્જ કપ્લરનો ઉપયોગ કરીને ઇન-ફેઝ અને ક્વોડ્રેચર સિગ્નલ પેદા કરવા માટે કરવામાં આવે છે. લેન્જ કપ્લર બે બેલન ટ્રાન્સફોર્મર્સ દ્વારા અનુસરવામાં આવે છે જે IQ વેક્ટર મોડ્યુલેશનને વિભેદક I અને Q સંકેતો સાથે પ્રદાન કરે છે. અમલમાં મૂકાયેલ તબક્કા શિફ્ટરે સરેરાશ 6 ડીબી દાખલ નુકશાન અને 5 ડીબી ગેઇન વેરિએશન દર્શાવ્યું છે. માપવામાં આવેલ સરેરાશ આરએમએસ તબક્કા અને ગેઇન ભૂલો અનુક્રમે 7 ડિગ્રી અને 1 ડીબી છે. તબક્કા શિફ્ટરને ગ્લોબલફાઉન્ડ્રીઝ 45-એનએમ એસઓઆઈ સીએમઓએસ ટેક્નોલોજીમાં ટ્રેપ-સમૃદ્ધ સબસ્ટ્રેટનો ઉપયોગ કરીને અમલમાં મૂકવામાં આવે છે. ચિપ વિસ્તાર 385 μm × 285 μm છે અને તબક્કા શિફ્ટર 17 mW કરતાં ઓછી વપરાશ કરે છે. લેખકોના શ્રેષ્ઠ જ્ઞાન મુજબ, આ પ્રથમ તબક્કા શિફ્ટર છે જે 60 ગીગાહર્ટ્ઝ બેન્ડ અને ઇ-બેન્ડ ફ્રીક્વન્સીઝને 37% ના અપૂર્ણાંક બેન્ડવિડ્થ સાથે આવરી લે છે. |
eb58118b9db1e95f9792f39c3780dbba3bb966cb | આ કાગળમાં સ્ટ્રોક અથવા પાર્કિન્સન રોગ ધરાવતા દર્દીઓ માટે અવકાશી ચાલની પદ્ધતિઓમાંથી જથ્થાત્મક માપ મેળવવા અને ક્લિનિકલ સૂચકાંકોની શોધ કરવા માટે પહેરવા યોગ્ય નિષ્ક્રિય માપન પ્રણાલી અને તેની સાથે સંકળાયેલ અવકાશી ચાલ વિશ્લેષણ અલ્ગોરિધમનો રજૂ કરવામાં આવ્યો છે. પહેરવા યોગ્ય સિસ્ટમ માઇક્રોકન્ટ્રોલર, ટ્રિયાક્સિયલ એક્સિલરોમીટર, ટ્રિયાક્સિયલ જાયરોસ્કોપ અને આરએફ વાયરલેસ ટ્રાન્સમિશન મોડ્યુલથી બનેલી છે. અવકાશી-સમયગાળાના ચાલ વિશ્લેષણ અલ્ગોરિધમનો, જેમાં નિષ્ક્રિયતા સંકેત સંપાદન, સિગ્નલ પ્રીપ્રોસેસિંગ, ચાલ તબક્કાની શોધ અને ગતિના પગની ઘૂંટીની અંદાજની કાર્યવાહીનો સમાવેશ થાય છે, તે વેગ અને કોણીય વેગથી ચાલની સુવિધાઓ બહાર કાઢવા માટે વિકસાવવામાં આવી છે. પગની ઘૂંટીની ગતિની ચોક્કસ શ્રેણીનો અંદાજ કાઢવા માટે, અમે નિષ્ક્રિયતા સંકેતોની એકત્રીકરણ ભૂલના સંચયને ઘટાડવા માટે પૂરક ફિલ્ટરમાં પ્રવેગ અને કોણીય વેગને સંકલિત કર્યા છે. તમામ 24 સહભાગીઓએ સામાન્ય ગતિએ 10 મીટરની સીધી રેખામાં ચાલવા માટે તેમના પગ પર સિસ્ટમ માઉન્ટ કરી હતી અને પ્રસ્તાવિત સિસ્ટમ અને અલ્ગોરિધમની અસરકારકતાને માન્ય કરવા માટે તેમના વૉકિંગ રેકોર્ડ્સ એકત્રિત કરવામાં આવ્યા હતા. પ્રાયોગિક પરિણામો દર્શાવે છે કે ડિઝાઇન કરેલ અવકાશી-સમયગાળાના ચાલ વિશ્લેષણ અલ્ગોરિધમનો સાથે પ્રસ્તાવિત નિષ્ક્રિય માપન પ્રણાલી અવકાશી-સમયગાળાના ચાલની માહિતીને આપમેળે વિશ્લેષણ કરવા માટે એક આશાસ્પદ સાધન છે, જે સ્ટ્રોક અથવા પાર્કિન્સન રોગના નિદાન માટે ઉપચારાત્મક અસરકારકતાની દેખરેખ માટે ક્લિનિકલ સૂચકાંકો તરીકે સેવા આપે છે. |
7e7f14f325d7e8d70e20ca22800ad87cfbf339ff | આ પ્રકાશનમાં એવા પ્રકાશન લેખો છે જેના માટે IEEE પાસે કૉપિરાઇટ નથી. આ લેખો માટે IEEE Xplore પર સંપૂર્ણ લખાણ ઉપલબ્ધ નથી. |
002a8b9ef513d46dc8dcce85c04a87ae6a221b4c | અમે રીગ્રેસન અને વર્ગીકરણ માટે સપોર્ટ વેક્ટર અલ્ગોરિધમ્સનો એક નવો વર્ગ પ્રસ્તાવિત કરીએ છીએ. આ અલ્ગોરિધમ્સમાં, એક પરિમાણ એકને અસરકારક રીતે સપોર્ટ વેક્ટર્સની સંખ્યાને નિયંત્રિત કરવા દે છે. જ્યારે આ પોતાના અધિકારમાં ઉપયોગી હોઈ શકે છે, ત્યારે પરિમાણીકરણમાં અલ્ગોરિધમનોના અન્ય મુક્ત પરિમાણોમાંથી એકને દૂર કરવા માટે સક્ષમ બનાવવાનો વધારાનો લાભ છે: રીગ્રેસન કેસમાં ચોકસાઈ પરિમાણ, અને વર્ગીકરણ કેસમાં નિયમિતકરણ સતત સી. અમે અલ્ગોરિધમનોનું વર્ણન કરીએ છીએ, કેટલાક સૈદ્ધાંતિક પરિણામો આપીએ છીએ, જેનો અર્થ અને પસંદગી છે, અને પ્રાયોગિક પરિણામોની જાણ કરીએ છીએ. |
0911bcf6bfff20a84a56b9d448bcb3d72a1eb093 | ઓટોએન્કોડરની નિયમિત તાલીમ સામાન્ય રીતે છુપાયેલા એકમ પૂર્વગ્રહમાં પરિણમે છે જે મોટા નકારાત્મક મૂલ્યો લે છે. અમે બતાવીએ છીએ કે નકારાત્મક પૂર્વગ્રહો એક છુપાયેલા સ્તરનો ઉપયોગ કરવાના કુદરતી પરિણામ છે, જેની જવાબદારી એ છે કે ઇનપુટ ડેટાનું પ્રતિનિધિત્વ કરવું અને પસંદગીની પદ્ધતિ તરીકે કાર્ય કરવું જે પ્રતિનિધિત્વની વિરલતાની ખાતરી કરે છે. પછી અમે બતાવીએ છીએ કે નકારાત્મક પૂર્વગ્રહો ડેટા વિતરણોના શિક્ષણને અટકાવે છે જેની આંતરિક પરિમાણીયતા ઊંચી છે. અમે એક નવું સક્રિયકરણ કાર્ય પણ પ્રસ્તાવિત કરીએ છીએ જે છુપાયેલા સ્તરની બે ભૂમિકાઓને ડિસકોપ કરે છે અને તે અમને ખૂબ જ ઉચ્ચ આંતરિક પરિમાણીયતા સાથે ડેટા પર રજૂઆત શીખવા દે છે, જ્યાં પ્રમાણભૂત ઓટોકોડર્સ સામાન્ય રીતે નિષ્ફળ જાય છે. ડિસકપલ્ડ એક્ટિવેશન ફંક્શન એક અપ્રસ્તુત નિયમનકારની જેમ કામ કરે છે, તેથી મોડેલને તાલીમ ડેટાની પુનઃરચનાની ભૂલને ઘટાડીને તાલીમ આપી શકાય છે, કોઈપણ વધારાની નિયમનકારીની જરૂર વગર. |
27f9b805de1f125273a88786d2383621e60c6094 | આ કાગળમાં અમે ગતિ નિયંત્રણ અને પોઝ અંદાજને સુધારવા માટે ટ્રેક મોબાઇલ રોબોટ્સ માટે એક ગતિશીલ અભિગમ પ્રસ્તાવિત કરીએ છીએ. સ્લિપિંગ અને ટ્રેક-માટીની ક્રિયાપ્રતિક્રિયાઓના કારણે જટિલ ગતિશીલતા ટ્રેક વેગના આધારે વાહનની ચોક્કસ ગતિની આગાહી કરવી મુશ્કેલ બનાવે છે. તેમ છતાં, સ્વાયત્ત નેવિગેશન માટે રીઅલ-ટાઇમ ગણતરીઓ લૂપમાં ગતિશીલતા રજૂ કર્યા વિના અસરકારક ગતિશાસ્ત્રના અંદાજની જરૂર છે. પ્રસ્તાવિત ઉકેલ એ હકીકત પર આધારિત છે કે વાહનની સરખામણીમાં ગતિના પ્લેન પરના રનર્સના ત્વરિત પરિભ્રમણ કેન્દ્રો (આઇસીઆર) ગતિશીલતા પર આધારિત છે, પરંતુ તે એક સીમિત વિસ્તારમાં આવેલું છે. આમ, ચોક્કસ ભૂપ્રદેશ માટે સતત આઇસીઆર સ્થિતિને શ્રેષ્ઠ બનાવવાથી ટ્રેક મોબાઇલ રોબોટ્સ માટે આશરે ગતિશીલ મોડેલ થાય છે. ગતિશાસ્ત્રીય પરિમાણોના ઓફલાઇન અંદાજ માટે બે અલગ અલગ અભિગમો રજૂ કરવામાં આવ્યા છેઃ (i) વાહનની સમગ્ર ગતિ શ્રેણી માટે ગતિશીલ મોડેલના સ્થિર પ્રતિભાવનું સિમ્યુલેશન; (ii) પ્રાયોગિક સેટઅપની રજૂઆત જેથી આનુવંશિક અલ્ગોરિધમનો વાસ્તવિક સેન્સર વાંચનથી મોડેલ ઉત્પન્ન કરી શકે. આ પદ્ધતિઓનું મૂલ્યાંકન ઓનલાઈન ઓડોમેટ્રિક ગણતરીઓ અને મધ્યમ ઝડપે સખત સપાટીવાળી સપાટ જમીન પર Aurigaα મોબાઇલ રોબોટ સાથે નીચા સ્તરની ગતિ નિયંત્રણ માટે કરવામાં આવ્યું છે. કીવર્ડ્સ - ટ્રેક કરેલ વાહનો, ગતિશીલ નિયંત્રણ, મોબાઇલ રોબોટિક્સ, પરિમાણ ઓળખ, ગતિશીલતા સિમ્યુલેશન |
04caa1a55b12d5f3830ed4a31c4b47921a3546f2 | ક્રમ, વૃક્ષો અને આલેખ જેવા માળખાગત ડેટા માટે રચાયેલ કર્નલ વર્ગીકરણકર્તાઓ અને રીગ્રેસર્સએ સંખ્યાબંધ આંતરશાખાકીય ક્ષેત્રો જેમ કે કોમ્પ્યુટેશનલ બાયોલોજી અને ડ્રગ ડિઝાઇન જેવા નોંધપાત્ર રીતે આગળ વધ્યા છે. સામાન્ય રીતે, કર્નલોને ડેટા પ્રકાર માટે અગાઉથી ડિઝાઇન કરવામાં આવે છે જે ક્યાં તો માળખાના આંકડાઓનો ઉપયોગ કરે છે અથવા સંભાવનાત્મક જનરેટિવ મોડલ્સનો ઉપયોગ કરે છે, અને પછી કોન્વેક્સ ઓપ્ટિમાઇઝેશન દ્વારા કર્નલોના આધારે ભેદભાવપૂર્ણ વર્ગીકરણ શીખવામાં આવે છે. જો કે, આવા ભવ્ય બે-તબક્કાની અભિગમ પણ લાખો ડેટા પોઇન્ટ્સ સુધી સ્કેલ કરવા અને લક્ષણ પ્રતિનિધિત્વ શીખવા માટે ભેદભાવપૂર્ણ માહિતીનો ઉપયોગ કરવાથી મર્યાદિત કરાયેલ કર્નલ પદ્ધતિઓ છે. અમે structure2vec, માળખાગત ડેટા પ્રતિનિધિત્વ માટે એક અસરકારક અને સ્કેલેબલ અભિગમ પ્રસ્તાવિત કરીએ છીએ જે લક્ષણ જગ્યાઓમાં છૂપાયેલા ચલ મોડેલોને એમ્બેડ કરવાના વિચાર પર આધારિત છે, અને ભેદભાવપૂર્ણ માહિતીનો ઉપયોગ કરીને આવા લક્ષણ જગ્યાઓ શીખવા. રસપ્રદ રીતે, structure2vec ગ્રાફિકલ મોડેલ અનુમાનિત પ્રક્રિયાઓ જેવી જ રીતે કાર્ય મેપિંગના ક્રમનું સંચાલન કરીને સુવિધાઓ કાઢે છે, જેમ કે સરેરાશ ક્ષેત્ર અને માન્યતા પ્રસાર. લાખો ડેટા પોઈન્ટ સાથે સંકળાયેલી એપ્લિકેશન્સમાં, અમે દર્શાવ્યું છે કે structure2vec 2 ગણી ઝડપથી ચાલે છે, મોડેલો ઉત્પન્ન કરે છે જે 10,000 ગણી નાની છે, જ્યારે તે જ સમયે રાજ્ય-ઓફ-ધ-આર્ટ આગાહી પ્રદર્શન પ્રાપ્ત કરે છે. |
1dc5b2114d1ff561fc7d6163d8f4e9c905ca12c4 | તે જાણીતું છે કે જ્યારે ડેટા અસામાન્ય રીતે વિતરણ કરવામાં આવે છે, ત્યારે પિયર્સનની r ની મહત્વની પરીક્ષા પ્રકાર I ભૂલ દરને વધારી શકે છે અને પાવરને ઘટાડી શકે છે. આંકડાશાસ્ત્રના પાઠ્યપુસ્તકો અને સિમ્યુલેશન સાહિત્ય પિયર્સનના સંબંધના કેટલાક વિકલ્પો પૂરા પાડે છે. જો કે, આ વિકલ્પોની સંબંધિત કામગીરી અસ્પષ્ટ રહી છે. પિયર્સન, સ્પીરમેન રેન્ક-ઓર્ડર, ટ્રાન્સફોર્મેશન અને રીસેમ્પલિંગ અભિગમો સહિત 12 પદ્ધતિઓની તુલના કરવા માટે બે સિમ્યુલેશન અભ્યાસ હાથ ધરવામાં આવ્યા હતા. મોટાભાગના નમૂનાના કદ (n ≥ 20) સાથે, પીઅર્સન સહસંબંધનું મૂલ્યાંકન કરતા પહેલા ડેટાને સામાન્ય આકારમાં પરિવર્તિત કરીને પ્રકાર I અને પ્રકાર II ભૂલ દરને ઘટાડવામાં આવ્યા હતા. રૂપાંતરણ પદ્ધતિઓમાંથી, સામાન્ય હેતુના ક્રમ-આધારિત વિપરીત સામાન્ય રૂપાંતરણ (એટલે કે, રેન્કીટ સ્કોર્સમાં રૂપાંતર) સૌથી વધુ ફાયદાકારક હતું. જો કે, જ્યારે નમૂનાઓ નાના (n ≤ 10) અને અત્યંત અસામાન્ય હતા, ત્યારે વિવિધ બૂટસ્ટ્રેપ પરીક્ષણો સહિતના અન્ય વિકલ્પો કરતાં પર્મ્યુટેશન પરીક્ષણ ઘણીવાર વધુ સારું હતું. |
d3abb0b5b3ce7eb464846bbdfd93e0fbf505e954 | આ કાગળમાં, અમે સબસ્ટ્રેટ ઇન્ટિગ્રેટેડ વેવગાઇડ્સ (એસઆઇડબ્લ્યુ) દ્વારા ખવડાવેલા કોમ્પેક્ટ એન્ટેના એરેની ત્રણ અલગ અલગ વિભાવનાઓની તુલના કરીએ છીએ. એન્ટેના ખ્યાલો રેડિયેટરના પ્રકારમાં અલગ છે. સ્લોટ્સ મેગ્નેટિક લીનિયર રેડિયેટરનું પ્રતિનિધિત્વ કરે છે, પેચ ઇલેક્ટ્રિક સપાટી રેડિયેટર છે, અને વિવાલ્ડી સ્લોટ્સ મુસાફરી-તરંગ એન્ટેનાના છે. તેથી, એસઆઇડબલ્યુ ફીડર્સને ઉત્તેજક એન્ટેના તત્વોની વિવિધ પદ્ધતિઓનો ઉપયોગ કરવો પડે છે. અભ્યાસ કરાયેલા એન્ટેના એરેની અવરોધ અને રેડિયેશન ગુણધર્મો સામાન્ય આવર્તન સાથે સંબંધિત છે. એન્ટેના એરેની એકબીજા સાથે તુલના કરવામાં આવી છે જેથી એન્ટેનાના રાજ્ય ચલો પર, એસઆઇડબલ્યુ ફીડર આર્કિટેક્ચર્સ પર અને સંબંધિત અમલીકરણની વિગતો પર ડિઝાઇન કરેલા એન્ટેનાના અંતિમ પરિમાણોની મૂળભૂત પરાધીનતા બતાવી શકાય. |
e4acaccd3c42b618396c9c28dae64ae7091e36b8 | એક નવલકથા I/Q રીસીવર એરે દર્શાવવામાં આવે છે જે દરેક રીસીવ ચેનલમાં તબક્કાના શિફ્ટને અનુકૂળ કરે છે જેથી રીસીવ બીમને ઇનકિસડન્ટ આરએફ સિગ્નલ તરફ નિર્દેશિત કરી શકાય. માપવામાં આવેલી એરે 8.1 ગીગાહર્ટ્ઝ પર કામ કરે છે અને ચાર તત્વની એરે માટે +/-35 ડિગ્રીના સ્ટીયરિંગ ખૂણાને આવરી લે છે. વધુમાં, રીસીવરમાં I/Q ડાઉન-કન્વર્ટરનો સમાવેશ થાય છે અને 64QAMને 4% કરતા ઓછા EVM સાથે ડિમોડ્યુલેટ્સ કરે છે. આ ચિપ 45 એનએમ સીએમઓએસ એસઓઆઈ પ્રક્રિયામાં બનાવવામાં આવી છે અને 143 એમડબ્લ્યુ સીસી પાવરનો ઉપયોગ કરતી વખતે 3.45 એમએમ2 વિસ્તાર ધરાવે છે. |
149bf28af91cadf2cd933bd477599cca40f55ccd | અમે એક શીખવાની આર્કિટેક્ચર પ્રસ્તાવ છે, કે જે કાચા દ્રશ્ય ઇનપુટ માહિતી પર આધારિત પ્રબલિત શીખવા માટે સક્ષમ છે. અગાઉના અભિગમોથી વિપરીત, માત્ર નિયંત્રણ નીતિ જ શીખી શકાતી નથી. સફળ થવા માટે, સિસ્ટમને સ્વયંસ્ફુરિત રીતે શીખવું જોઈએ, કેવી રીતે ઇનપુટ માહિતીના ઉચ્ચ પરિમાણીય પ્રવાહમાંથી સંબંધિત માહિતીને બહાર કાઢવી, જેના માટે સિમેન્ટીક્સ શીખવાની સિસ્ટમને પ્રદાન કરવામાં આવતી નથી. અમે આ નવલકથા શીખવાની આર્કિટેક્ચરના પ્રથમ પ્રૂફ-ઓફ-કન્સેપ્ટને પડકારરૂપ બેંચમાર્ક પર આપીએ છીએ, એટલે કે રેસિંગ સ્લોટ કારનું વિઝ્યુઅલ નિયંત્રણ. પરિણામી નીતિ, જે માત્ર સફળતા અથવા નિષ્ફળતા દ્વારા શીખી છે, તે અનુભવી માનવ ખેલાડી દ્વારા હરાવ્યું છે. |
759d9a6c9206c366a8d94a06f4eb05659c2bb7f2 | આજ સુધી, કમ્પ્યુટર વિઝનમાં મશીન લર્નિંગ-આધારિત ઓળખ અલ્ગોરિધમ્સના લગભગ તમામ પ્રાયોગિક મૂલ્યાંકનોએ "બંધ સેટ" ઓળખનું સ્વરૂપ લીધું છે, જેમાં તાલીમ સમયે તમામ પરીક્ષણ વર્ગો જાણીતા છે. દ્રષ્ટિ કાર્યક્રમો માટે વધુ વાસ્તવિક દૃશ્ય એ "ઓપન સેટ" માન્યતા છે, જ્યાં તાલીમ સમયે વિશ્વનું અપૂર્ણ જ્ઞાન હાજર છે, અને પરીક્ષણ દરમિયાન અજાણ્યા વર્ગોને અલ્ગોરિધમનો માટે સબમિટ કરી શકાય છે. આ કાગળ ખુલ્લા સમૂહ માન્યતાની પ્રકૃતિની શોધ કરે છે અને તેની વ્યાખ્યાને પ્રતિબંધિત લઘુત્તમ સમસ્યા તરીકે ઔપચારિક કરે છે. ઓપન સેટ માન્યતા સમસ્યાને હાલના અલ્ગોરિધમ્સ દ્વારા સારી રીતે સંબોધવામાં આવતી નથી કારણ કે તેને મજબૂત સામાન્યીકરણની જરૂર છે. સમાધાન તરફ એક પગલું તરીકે, અમે એક નવલકથા 1-વિ-સેટ મશીન રજૂ કરીએ છીએ, જે રેખીય કર્નલ સાથે 1-વર્ગ અથવા દ્વિસંગી એસવીએમના સીમાંત અંતરથી નિર્ણયની જગ્યાને શિલ્પ આપે છે. આ પદ્ધતિ કમ્પ્યુટર વિઝનમાં વિવિધ એપ્લિકેશન્સ પર લાગુ થાય છે જ્યાં ખુલ્લા સમૂહની ઓળખ એક પડકારરૂપ સમસ્યા છે, જેમાં ઑબ્જેક્ટ ઓળખ અને ચહેરાની ચકાસણીનો સમાવેશ થાય છે. અમે આ કાર્યમાં બંનેને ધ્યાનમાં લઈએ છીએ, કેલ્ટેક 256 અને ઇમેજનેટ સેટ પર કરવામાં આવેલા મોટા પાયે ક્રોસ-ડેટાસેટ પ્રયોગો સાથે, તેમજ લેબલવાળા ફેસ ઇન ધ વાઇલ્ડ સેટ પર કરવામાં આવેલા ચહેરાના મેળ ખાતા પ્રયોગો. પ્રયોગો એ જ કાર્યો માટે હાલના 1-વર્ગ અને દ્વિસંગી એસવીએમની સરખામણીમાં ઓપન સેટ મૂલ્યાંકન માટે અનુકૂળ મશીનોની અસરકારકતાને પ્રકાશિત કરે છે. |
00960cb3f5a74d23eb5ded93f1aa717b9c6e6851 | બેયસિયન ઓપ્ટિમાઇઝેશન અજ્ઞાત, ખર્ચાળ અને મલ્ટીમોડલ કાર્યોના વૈશ્વિક ઓપ્ટિમાઇઝેશન માટે અત્યંત અસરકારક પદ્ધતિ સાબિત થઈ છે. બેયસિયન ઓપ્ટિમાઇઝેશનની અસરકારકતા માટે વિધેયો પર વિતરણને ચોક્કસ રીતે મોડેલ કરવાની ક્ષમતા મહત્વપૂર્ણ છે. જોકે ગૌસિયન પ્રક્રિયાઓ કાર્યો પર લવચીક પૂર્વવર્તી પૂરી પાડે છે, ત્યાં કાર્યોના વિવિધ વર્ગો છે જે મોડેલ કરવા મુશ્કેલ રહે છે. આમાંની સૌથી વધુ વારંવાર થતી એક નોન-સ્ટેશનરી ફંક્શન્સનો વર્ગ છે. મશીન લર્નિંગ અલ્ગોરિધમ્સના હાયપરપૅરામેટર્સનું ઑપ્ટિમાઇઝેશન એ સમસ્યાનું ક્ષેત્ર છે જેમાં પરિમાણોને ઘણીવાર મેન્યુઅલી પ્રાયોરી રૂપાંતરિત કરવામાં આવે છે, ઉદાહરણ તરીકે, અવકાશી રીતે બદલાતા લંબાઈના સ્કેલની અસરોને ઘટાડવા માટે લોગ-સ્પેસમાં ઑપ્ટિમાઇઝ કરીને. અમે બીટા સંચિત વિતરણ કાર્યનો ઉપયોગ કરીને ઇનપુટ સ્પેસના બાયજેક્ટિવ પરિવર્તનો અથવા વૉર્પિંગના વિશાળ પરિવારને આપમેળે શીખવા માટે એક પદ્ધતિ વિકસાવી છે. અમે મલ્ટી-ટાસ્ક બેઝિયન ઑપ્ટિમાઇઝેશનમાં વૉપિંગ ફ્રેમવર્કને વધુ વિસ્તૃત કરીએ છીએ જેથી બહુવિધ કાર્યો સંયુક્ત રીતે સ્થિર જગ્યામાં વૉપ કરી શકાય. પડકારરૂપ બેંચમાર્ક ઑપ્ટિમાઇઝેશન કાર્યોના સમૂહ પર, અમે નિરીક્ષણ કરીએ છીએ કે વૉપિંગનો સમાવેશ ખૂબ જ આધુનિક સ્થિતિમાં સુધારે છે, વધુ સારા પરિણામો ઝડપથી અને વધુ વિશ્વસનીય રીતે ઉત્પન્ન કરે છે. |
b53e4c232833a8e663a9cf15dcdd050ff801c05c | અમે વિવિધ ડેટા સ્ટ્રીમ્સના ઉચ્ચ-પ્રવાહના રીઅલ-ટાઇમ વિશ્લેષણ માટે સ્કેલેબલ સિસ્ટમ રજૂ કરીએ છીએ. અમારી આર્કિટેક્ચર, પ્રીડક્ટિવ એનાલિટિક્સ અને અસાધારણતા શોધ માટે મોડેલોના વૃદ્ધિગત વિકાસને સક્ષમ કરે છે કારણ કે ડેટા સિસ્ટમમાં આવે છે. બેચ ડેટા પ્રોસેસિંગ સિસ્ટમ્સના વિપરીત, જેમ કે હડૂપ, જેમાં ઉચ્ચ લેટન્સી હોઈ શકે છે, અમારી આર્કિટેક્ચર ફ્લાય પર ડેટાને ઇન્જેસ્ટ અને વિશ્લેષણ કરવાની મંજૂરી આપે છે, આમ લગભગ રીઅલ ટાઇમમાં અસામાન્ય વર્તનને શોધી કાઢે છે અને તેનો જવાબ આપે છે. આંતરિક ધમકી, નાણાકીય છેતરપિંડી અને નેટવર્ક ઘૂસણખોરી જેવા કાર્યક્રમો માટે આ સમયસરતા મહત્વપૂર્ણ છે. અમે આ સિસ્ટમની અરજીને આંતરિક ધમકીઓ શોધવાની સમસ્યા માટે પ્રદર્શિત કરીએ છીએ, એટલે કે, સિસ્ટમના વપરાશકર્તાઓ દ્વારા સંસ્થાના સંસાધનોનો દુરુપયોગ અને જાહેર રીતે ઉપલબ્ધ આંતરિક ધમકી ડેટાસેટ પર અમારા પ્રયોગોના પરિણામો રજૂ કરે છે. |
39b58ef6487c893219c77c61c762eee5694d0e36 | ડેટા માઇનિંગના ઉભરતા ક્ષેત્રમાં વર્ગીકરણ એક મહત્વપૂર્ણ સમસ્યા છે. ભૂતકાળમાં વર્ગીકરણનો વ્યાપકપણે અભ્યાસ કરવામાં આવ્યો હોવા છતાં, મોટાભાગના વર્ગીકરણ અલ્ગોરિધમ્સ ફક્ત મેમરી-રહેવાસી ડેટા માટે જ રચાયેલ છે, આમ મોટા ડેટા સેટ્સના ડેટા માઇનિંગ માટે તેમની યોગ્યતા મર્યાદિત કરે છે. આ કાગળમાં સ્કેલેબલ ક્લાસિઅર બનાવવાની સમસ્યાઓની ચર્ચા કરવામાં આવી છે અને SLIQની રચના રજૂ કરવામાં આવી છે, જે એક નવો ક્લાસિઅર છે. SLIQ એ નિર્ણય વૃક્ષ વર્ગીકરણ છે જે સંખ્યાત્મક અને કેટેગરીકલ લક્ષણો બંનેને નિયંત્રિત કરી શકે છે. તે વૃક્ષ-વૃદ્ધિના તબક્કામાં નવલકથા પૂર્વ-સૉર્ટિંગ તકનીકનો ઉપયોગ કરે છે. આ સૉર્ટિંગ પ્રક્રિયાને બ્રોડથર્સ્ટ વૃક્ષ ઉગાડવાની વ્યૂહરચના સાથે સંકલિત કરવામાં આવે છે જેથી ડિસ્ક-રહેતા ડેટાસેટ્સનું વર્ગીકરણ શક્ય બને. SLIQ પણ એક નવું વૃક્ષ-પ્રોનિંગ અલ્ગોરિધમનો ઉપયોગ કરે છે જે સસ્તું છે, અને કોમ્પેક્ટ અને સચોટ વૃક્ષોનું પરિણામ છે. આ તકનીકોના સંયોજનથી એસએલઆઈક (SLIQ) ને મોટા ડેટા સેટ્સ માટે સ્કેલ કરવા અને ડેટા સેટ્સને વર્ગો, લક્ષણો અને ઉદાહરણો (રેકોર્ડ્સ) ની સંખ્યાને ધ્યાનમાં લીધા વગર વર્ગીકૃત કરવા માટે સક્ષમ બનાવે છે, આમ તે ડેટા માઇનિંગ માટે એક આકર્ષક સાધન બનાવે છે. |
1f25ed3c9707684cc0cdf3e8321c791bc7164147 | વર્ગીકરણ એ ડેટા માઇનિંગની એક મહત્વપૂર્ણ સમસ્યા છે. વર્ગીકરણ એક સારી રીતે અભ્યાસ કરવામાં આવેલી સમસ્યા છે, પરંતુ મોટા ભાગના વર્તમાન વર્ગીકરણ અલ્ગોરિધમ્સને જરૂરી છે કે સમગ્ર ડેટાસેટનો તમામ અથવા ભાગ કાયમી ધોરણે મેમરીમાં રહે. આ મોટા ડેટાબેઝ પર ખાણકામ માટે તેમની યોગ્યતા મર્યાદિત કરે છે. અમે એક નવી રજૂ કરીએ છીએ નિર્ણય વૃક્ષ આધારિત વર્ગીકરણ અલ્ગોરિધમનો, સ્પ્રિન્ટ કહેવાય છે જે તમામ મેમરી પ્રતિબંધોને દૂર કરે છે, અને ઝડપી અને સ્કેલેબલ છે. આ અલ્ગોરિધમનો પણ સરળતાથી સમાંતર કરવા માટે ડિઝાઇન કરવામાં આવ્યો છે, જે એક સુસંગત મોડેલ બનાવવા માટે ઘણા પ્રોસેસરોને એક સાથે કામ કરવાની મંજૂરી આપે છે. આ સમાંતર, પણ અહીં પ્રસ્તુત, પ્રદર્શિત ઉત્તમ સ્કેલેબિલીટી તેમજ. આ લાક્ષણિકતાઓનું સંયોજન સૂચિત અલ્ગોરિધમનો ડેટા માઇનિંગ માટે આદર્શ સાધન બનાવે છે. |
7c3a4b84214561d8a6e4963bbb85a17a5b1e003a | |
76c87ec44fc5dc96bc445abe008deaf7c97c9373 | આ કાગળમાં પ્રમાણભૂત સોફ્ટ સબસ્ટ્રેટના એક સ્તર પર 100 Ω વિભેદક માઇક્રોસ્ટ્રીપ લાઇન ફીડ સાથે સપાટ ગ્રીડ એરે એન્ટેના રજૂ કરવામાં આવી છે. ઓટોમોટિવ રડાર એપ્લિકેશન્સ માટે એન્ટેના 79 ગીગાહર્ટ્ઝ ફ્રીક્વન્સી બેન્ડમાં કાર્ય કરે છે. તેની એક પંક્તિની રચનામાં ઊંચાઈમાં સાંકડી બીમ અને અઝીમથમાં વિશાળ બીમ છે. ડિફ્રેન્શિયલ માઇક્રોસ્ટ્રીપ લાઇન ફીડિંગ સાથે, એન્ટેના ફ્રીક્વન્સી રેન્જમાં ડિફ્રેન્શિયલ મલ્ટીચેનલ એમએમઆઈસી માટે યોગ્ય છે. |
bc7308a97ec2d3f7985d48671abe7a8942a5b9f8 | આ કાગળમાં ભાવના વિશ્લેષણનો અભિગમ રજૂ કરવામાં આવ્યો છે, જે સંભવિત સુસંગત માહિતીના વિવિધ સ્રોતોને એકસાથે લાવવા માટે સપોર્ટ વેક્ટર મશીનો (એસવીએમ) નો ઉપયોગ કરે છે, જેમાં શબ્દસમૂહો અને વિશેષણો માટે કેટલાક અનુકૂળ માપદંડ અને, જ્યાં ઉપલબ્ધ હોય, ટેક્સ્ટના વિષયનું જ્ઞાન. રજૂ કરેલા લક્ષણોનો ઉપયોગ કરીને મોડેલોને વધુ એકગ્રામ મોડેલો સાથે જોડવામાં આવે છે જે ભૂતકાળમાં અસરકારક હોવાનું દર્શાવવામાં આવ્યું છે (પૅંગ અને અન્ય, 2002) અને એકગ્રામ મોડેલોના લેમ્મેટિઝ્ડ વર્ઝન. Epinions.com પરથી ફિલ્મ સમીક્ષા ડેટા પરના પ્રયોગો દર્શાવે છે કે હાઇબ્રિડ એસવીએમ કે જે એકગ્રામ-શૈલીની સુવિધા આધારિત એસવીએમને વાસ્તવિક મૂલ્યની તરફેણકારી માપદંડો પર આધારિત છે તે સાથે જોડવામાં આવે છે, તે શ્રેષ્ઠ પ્રદર્શન મેળવે છે, આ ડેટાનો ઉપયોગ કરીને અત્યાર સુધી પ્રકાશિત થયેલા શ્રેષ્ઠ પરિણામો ઉત્પન્ન કરે છે. વિષય માટે હાથથી નોંધાયેલા સંગીત સમીક્ષાઓના નાના ડેટાસેટ પર વિષયની માહિતીથી સમૃદ્ધ સુવિધા સેટનો ઉપયોગ કરીને વધુ પ્રયોગો પણ નોંધવામાં આવ્યા છે, જેના પરિણામો સૂચવે છે કે આવા મોડેલોમાં વિષયની માહિતીને સમાવિષ્ટ કરવાથી પણ સુધારો થઈ શકે છે. |
be389fb59c12c8c6ed813db13ab74841433ea1e3 | ઈસ. ૧. અમે iMapper રજૂ કરીએ છીએ, એક પદ્ધતિ જે મનુષ્યની વસ્તુઓ સાથેની ક્રિયાપ્રતિક્રિયાઓ વિશે તર્ક આપે છે, બંનેને એક સાચી દ્રશ્ય વ્યવસ્થા અને માનવ હલનચલનને પુનઃપ્રાપ્ત કરવા માટે, જે શ્રેષ્ઠ ઇનપુટ મોનોક્યુલર વિડિઓને સમજાવે છે (ઇન્સિટ જુઓ). અમે વિડિઓમાં સીનલેટ (દા. ત. , એ, બી, સી) તરીકે ઓળખાતા લાક્ષણિક ક્રિયાપ્રતિક્રિયાઓ ફિટ કરીએ છીએ અને તેમને વાજબી ઑબ્જેક્ટ ગોઠવણી અને માનવ ગતિ પાથ (ડાબે) પુનઃનિર્માણ કરવા માટે ઉપયોગ કરીએ છીએ. મુખ્ય પડકાર એ છે કે વિશ્વસનીય ફિટિંગને અજ્ઞાત (એટલે કે, ગુપ્ત) હોય તેવા ઓક્લૂશન વિશેની માહિતીની જરૂર છે. (જમણે) અમે મેન્યુઅલી એનોટેટેડ ગ્રાઉન્ડટ્રૂથ ઑબ્જેક્ટ પ્લેસમેન્ટ્સ પર અમારા પરિણામનું ઓવરલે (ટોપ-વ્યૂમાંથી) બતાવીએ છીએ. નોંધ કરો કે ઑબ્જેક્ટ મેશ અંદાજિત ઑબ્જેક્ટ કેટેગરી, સ્થાન અને કદની માહિતીના આધારે મૂકવામાં આવે છે. |
f24a1af3bd8873920593786d81590d29520cfebc | આ પત્રમાં મલ્ટીલેયર સબસ્ટ્રેટ ઇન્ટિગ્રેટેડ વેવગાઇડ (એમએસઆઈડબ્લ્યુ) ટેકનિક પર આધારિત નવલકથા અક્ષાંશ ફિલ્ટરની ડિઝાઇન અને પ્રયોગ રજૂ કરવામાં આવ્યો છે. ચાર ફોલ્ડ કરેલા એમએસઆઈડબ્લ્યુ પોલાણ સાથે સી-બેન્ડ લંબગોળ ફિલ્ટરને હાઇ ફ્રીક્વન્સી સ્ટ્રક્ચર સિમ્યુલેટર સોફ્ટવેરનો ઉપયોગ કરીને સિમ્યુલેટ કરવામાં આવે છે અને બે-લેયર પ્રિન્ટેડ સર્કિટ બોર્ડ પ્રક્રિયા સાથે ઉત્પાદિત કરવામાં આવે છે, માપવામાં આવેલા પરિણામો સારા પ્રદર્શન દર્શાવે છે અને સિમ્યુલેટેડ પરિણામો સાથે સંમત છે. |
8052bc5f9beb389b3144d423e7b5d6fcf5d0cc4f | લક્ષણો એ પદાર્થો દ્વારા વહેંચાયેલ અર્થપૂર્ણ દ્રશ્ય ગુણધર્મો છે. તે ઓબ્જેક્ટ ઓળખને સુધારવા અને સામગ્રી આધારિત છબી શોધને વધારવા માટે દર્શાવવામાં આવ્યું છે. જ્યારે લક્ષણો બહુવિધ કેટેગરીને આવરી લેવાની અપેક્ષા છે, દા. ત. એક ડાલ્મેટિયન અને એક વ્હેલ બંને "સરળ ત્વચા" હોઈ શકે છે, અમે શોધીએ છીએ કે એક જ લક્ષણનું દેખાવ શ્રેણીઓ વચ્ચે ખૂબ જ અલગ છે. આમ, એક કેટેગરી પર શીખી લીધેલા લક્ષણ મોડેલ અન્ય કેટેગરી પર ઉપયોગી ન હોઈ શકે. અમે બતાવીએ છીએ કે કેવી રીતે નવી કેટેગરીઝ તરફ લક્ષણ મોડેલોને અનુકૂળ કરવું. અમે ખાતરી કરીએ છીએ કે શ્રેણીઓના સ્રોત ડોમેન અને નવલકથા લક્ષ્ય ડોમેન વચ્ચે હકારાત્મક ટ્રાન્સફર થઈ શકે છે, જ્યાં ડોમેન્સના ડેટા વિતરણ સમાન હોય ત્યાં લક્ષણ પસંદગી દ્વારા મળેલ લક્ષણ પેટાસ્પેસમાં શીખવાથી. અમે દર્શાવ્યું છે કે જ્યારે નવલકથા ડોમેનમાંથી ડેટા મર્યાદિત હોય છે, ત્યારે સહાયક ડોમેન (એડેપ્ટીવ એસવીએમ દ્વારા) પર તાલીમ પામેલા મોડેલો સાથે તે નવલકથા ડોમેન માટે લક્ષણ મોડેલોને નિયમિત બનાવવું એ લક્ષણ આગાહીની ચોકસાઈમાં સુધારો કરે છે. |
01094798b20e96e1d029d6874577167f2214c7b6 | ઝડપી સમવર્તી હેશ કોષ્ટકો વધુને વધુ મહત્વપૂર્ણ બિલ્ડિંગ બ્લોક છે કારણ કે અમે સિસ્ટમોને મોટી સંખ્યામાં કોર અને થ્રેડોમાં સ્કેલ કરીએ છીએ. આ કાગળ ઉચ્ચ-પ્રવાહ અને મેમરી-કાર્યક્ષમ સમવર્તી હેશ ટેબલની ડિઝાઇન, અમલીકરણ અને મૂલ્યાંકન રજૂ કરે છે જે બહુવિધ વાચકો અને લેખકોને સપોર્ટ કરે છે. આ ડિઝાઇન સિસ્ટમ-સ્તરના ઑપ્ટિમાઇઝેશન્સ પર સાવચેતીભર્યું ધ્યાનથી ઉદ્દભવે છે જેમ કે જટિલ વિભાગની લંબાઈને ઘટાડવી અને અલ્ગોરિધમનો ફરીથી એન્જિનિયરિંગ દ્વારા ઇન્ટરપ્રોસેસર સુસંગતતા ટ્રાફિક ઘટાડવો. આ એન્જિનિયરિંગ માટે આર્કિટેક્ચરલ આધારના ભાગરૂપે, અમે આ મહત્વપૂર્ણ બિલ્ડિંગ બ્લોક માટે ઇન્ટેલની તાજેતરની હાર્ડવેર ટ્રાન્ઝેક્શનલ મેમરી (એચટીએમ) સપોર્ટ અપનાવવાના અમારા અનુભવ અને પરિણામોની ચર્ચા કરીએ છીએ. અમે શોધીએ છીએ કે હાલના ડેટા સ્ટ્રક્ચર્સ પર રફ-ગ્રેનેડ લૉકનો ઉપયોગ કરીને એક સાથે વપરાશને મંજૂરી આપવી તે વધુ થ્રેડો સાથે એકંદર પ્રદર્શનને ઘટાડે છે. એચટીએમ આ મંદીને કંઈક અંશે ઘટાડે છે, પરંતુ તે તેને દૂર કરતું નથી. ઉચ્ચ પ્રદર્શન હાંસલ કરવા માટે એચટીએમ અને ફાઇન-ગ્રાનલ લૉકિંગ માટે ડિઝાઇન બંનેને લાભ આપતા અલ્ગોરિધમિક ઑપ્ટિમાઇઝેશનની જરૂર છે. અમારા પ્રદર્શન પરિણામો દર્શાવે છે કે અમારી નવી હેશ ટેબલ ડિઝાઇન --- આશાવાદી કુકુ હેશિંગની આસપાસ આધારિત છે --- અન્ય ઑપ્ટિમાઇઝ કરેલ સમવર્તી હેશ કોષ્ટકો 2.5x સુધી લખવા-ભારે વર્કલોડ્સ માટે, નાના કી-મૂલ્ય વસ્તુઓ માટે નોંધપાત્ર રીતે ઓછી મેમરીનો ઉપયોગ કરતી વખતે પણ. 16-કોર મશીન પર, અમારી હેશ ટેબલ સેકન્ડ દીઠ લગભગ 40 મિલિયન દાખલ કરે છે અને 70 મિલિયનથી વધુ લુકઅપ ઓપરેશન્સ કરે છે. |
5685a394b25fcb27b6ad91f7325f2e60a9892e2a | ગ્રાફ જેવા માળખા સાથે ડેટા સંગ્રહ અને સંચાલન માટે પરંપરાગત ડેટાબેઝની મર્યાદાઓને દૂર કરવા માટે તાજેતરમાં ગ્રાફ ડેટાબેઝ (જીડીબી) ઉભરી આવ્યા છે. આજે, તેઓ ઘણા કાર્યક્રમો માટે જરૂરિયાતનું પ્રતિનિધિત્વ કરે છે જે ગ્રાફ જેવા ડેટાને સંચાલિત કરે છે, જેમ કે સામાજિક નેટવર્ક્સ. ગ્રાફ ડેટાબેઝમાં ક્વેરીઝને ઑપ્ટિમાઇઝ કરવા માટે ઉપયોગમાં લેવામાં આવતી મોટાભાગની તકનીકોનો ઉપયોગ પરંપરાગત ડેટાબેઝ, વિતરણ પ્રણાલીઓ, . . . માં કરવામાં આવ્યો છે અથવા તેઓ ગ્રાફ સિદ્ધાંતથી પ્રેરિત છે. જો કે, ગ્રાફ ડેટાબેઝમાં તેનો ફરીથી ઉપયોગ ગ્રાફ ડેટાબેઝની મુખ્ય લાક્ષણિકતાઓ, જેમ કે ગતિશીલ માળખું, અત્યંત એકબીજા સાથે જોડાયેલા ડેટા અને ડેટા સંબંધોનો કાર્યક્ષમ રીતે ઉપયોગ કરવાની ક્ષમતાની કાળજી લેવી જોઈએ. આ કાગળમાં, અમે ગ્રાફ ડેટાબેઝમાં ક્વેરી ઑપ્ટિમાઇઝેશન તકનીકોનું સર્વેક્ષણ કરીએ છીએ. ખાસ કરીને, અમે ગ્રાફ જેવા ડેટાને વધુ સારી રીતે ક્વેરી કરવા માટે રજૂ કરેલી સુવિધાઓ પર ધ્યાન કેન્દ્રિત કરીએ છીએ. |
0541d5338adc48276b3b8cd3a141d799e2d40150 | મેપરેડ્યુસ એક પ્રોગ્રામિંગ મોડેલ છે અને મોટા ડેટાસેટ્સની પ્રક્રિયા અને જનરેટ કરવા માટે સંકળાયેલ અમલીકરણ છે જે વાસ્તવિક દુનિયાના કાર્યોની વિશાળ વિવિધતા માટે અનુકૂળ છે. વપરાશકર્તાઓ નકશા અને ઘટાડવાના કાર્યની દ્રષ્ટિએ ગણતરીને સ્પષ્ટ કરે છે, અને અંતર્ગત રનટાઇમ સિસ્ટમ મશીનોના મોટા પાયે ક્લસ્ટર્સમાં ગણતરીને આપમેળે સમાંતર કરે છે, મશીન નિષ્ફળતાઓનું સંચાલન કરે છે, અને નેટવર્ક અને ડિસ્કનો કાર્યક્ષમ ઉપયોગ કરવા માટે મશીન-મશીન સંચારનું શેડ્યૂલ કરે છે. પ્રોગ્રામરોને સિસ્ટમનો ઉપયોગ કરવો સરળ લાગે છેઃ ગૂગલમાં છેલ્લા ચાર વર્ષમાં દસ હજારથી વધુ અલગ અલગ મેપરેડ્યુસ પ્રોગ્રામ્સ આંતરિક રીતે અમલમાં મૂકવામાં આવ્યા છે, અને દરરોજ ગૂગલના ક્લસ્ટર્સ પર સરેરાશ એક લાખ મેપરેડ્યુસ જોબ્સ ચલાવવામાં આવે છે, જે દરરોજ વીસથી વધુ પેટાબાઇટ્સ ડેટાની પ્રક્રિયા કરે છે. |
683c8f5c60916751bb23f159c86c1f2d4170e43f | |
3a116f2ae10a979c18787245933cb9f984569599 | વાયરલેસ સેન્સર નેટવર્ક (ડબ્લ્યુએસએન) એ વિવિધ પ્રકારની એપ્લિકેશન્સ માટે અસરકારક ઉકેલ તરીકે ઉભરી આવ્યા છે. મોટાભાગની પરંપરાગત ડબ્લ્યુએસએન આર્કિટેક્ચર્સમાં સ્થિર ગાંઠો હોય છે જે સેન્સિંગ વિસ્તારમાં ગાઢ રીતે જમાવવામાં આવે છે. તાજેતરમાં, મોબાઇલ તત્વો (એમઈ) પર આધારિત અનેક ડબ્લ્યુએસએન આર્કિટેક્ચર્સ પ્રસ્તાવિત કરવામાં આવ્યા છે. તેમાંના મોટાભાગના ડબ્લ્યુએસએનમાં ડેટા સંગ્રહની સમસ્યાને ઉકેલવા માટે ગતિશીલતાનો ઉપયોગ કરે છે. આ લેખમાં આપણે સૌ પ્રથમ એમઈ સાથે ડબ્લ્યુએસએનને વ્યાખ્યાયિત કરીએ છીએ અને એમઈની ભૂમિકાના આધારે તેમના આર્કિટેક્ચરની વ્યાપક વર્ગીકરણ પ્રદાન કરીએ છીએ. પછી અમે આવા દૃશ્યમાં ડેટા સંગ્રહ પ્રક્રિયાની ઝાંખી રજૂ કરીએ છીએ, અને સંબંધિત મુદ્દાઓ અને પડકારોની ઓળખ કરીએ છીએ. આ મુદ્દાઓના આધારે, અમે સંબંધિત સાહિત્યનો વ્યાપક સર્વેક્ષણ પ્રદાન કરીએ છીએ. છેલ્લે, અમે અંતર્ગત અભિગમો અને ઉકેલોની તુલના કરીએ છીએ, ખુલ્લી સમસ્યાઓ અને ભાવિ સંશોધન દિશાઓ માટે સંકેતો સાથે. |
e7b50e3f56e21fd2a5eb34923d427a0bc6dd8905 | આ કાગળમાં માઇક્રોવેવ ફિલ્ટર્સ માટે કપ્લિંગ મેટ્રિક્સના સંશ્લેષણ માટે એક નવો અભિગમ રજૂ કરવામાં આવ્યો છે. આ નવો અભિગમ કપ્લિંગ મેટ્રિક્સ સંશ્લેષણ માટે હાલની સીધી અને ઑપ્ટિમાઇઝેશન પદ્ધતિઓ પર એક પ્રગતિ રજૂ કરે છે, જેમાં તે એક કરતાં વધુ અસ્તિત્વમાં હોય તો નેટવર્ક માટે તમામ સંભવિત કપ્લિંગ મેટ્રિક્સ ઉકેલોને સંપૂર્ણ રીતે શોધી કાઢશે. આ કપ્લિંગ મૂલ્યોના સમૂહ, રેઝોનર ફ્રીક્વન્સી ઓફસેટ્સ, પરોપજીવી કપ્લિંગ સહનશીલતા વગેરેની પસંદગી કરવાની મંજૂરી આપે છે જે માઇક્રોવેવ ફિલ્ટરને બનાવવા માટે તે ઇચ્છિત તકનીક માટે શ્રેષ્ઠ અનુકૂળ હશે. પદ્ધતિના ઉપયોગને દર્શાવવા માટે, તાજેતરમાં રજૂ કરાયેલા "વિસ્તૃત બોક્સ" (ઇબી) કપ્લિંગ મેટ્રિક્સ રૂપરેખાંકનનો કેસ લેવામાં આવે છે. EB ફિલ્ટરની રચનાના નવા વર્ગનું પ્રતિનિધિત્વ કરે છે જેમાં કેટલાક મહત્વપૂર્ણ ફાયદાઓ છે, જેમાંથી એક એ છે કે દરેક પ્રોટોટાઇપ ફિલ્ટરિંગ ફંક્શન માટે બહુવિધ કપ્લિંગ મેટ્રિક્સ ઉકેલોની હાજરી છે, ઉદાહરણ તરીકે 8 ડિગ્રી કેસો માટે 16. આ કેસને સંશ્લેષણ પદ્ધતિના ઉપયોગને દર્શાવવા માટે એક ઉદાહરણ તરીકે લેવામાં આવે છે - બે મોડની અનુભૂતિ માટે યોગ્ય એક ઉકેલ અને એક જ્યાં કેટલાક કપ્લિંગ્સ ઉપેક્ષા કરવા માટે પૂરતા નાના છે. ઇન્ડેક્સ ટર્મ્સ - કપ્લિંગ મેટ્રિક્સ, ફિલ્ટર સિન્થેસિસ, ગ્રોબનર બેઝ, ઇન્વર્ટ કરેલ લાક્ષણિકતા, બહુવિધ ઉકેલો. |
a6f1dfcc44277d4cfd8507284d994c9283dc3a2f | અમે એક વાસ્તવિક સમયની કોમ્પ્યુટર સિસ્ટમ વિકસાવી છે જે વ્યક્તિના માથાને શોધી અને ટ્રેક કરી શકે છે, અને પછી વ્યક્તિને ઓળખે છે ચહેરાની લાક્ષણિકતાઓની સરખામણી કરીને જાણીતા વ્યક્તિઓની. આ સિસ્ટમમાં લેવામાં આવેલ કોમ્પ્યુટેશનલ અભિગમ બંને ફિઝિયોલોજી અને માહિતી સિદ્ધાંત દ્વારા પ્રેરિત છે, સાથે સાથે લગભગ વાસ્તવિક સમયની કામગીરી અને ચોકસાઈની વ્યવહારિક જરૂરિયાતો દ્વારા. અમારા અભિગમ ચહેરાની ઓળખની સમસ્યાને ત્રણ પરિમાણીય ભૂમિતિની પુનઃપ્રાપ્તિની જરૂર કરતાં તેના બદલે બે પરિમાણીય (2-D) ઓળખ સમસ્યા તરીકે ગણવામાં આવે છે, તે હકીકતનો લાભ લે છે કે ચહેરા સામાન્ય રીતે ઊભા હોય છે અને આમ 2-D લાક્ષણિક દૃશ્યોના નાના સમૂહ દ્વારા વર્ણવી શકાય છે. આ સિસ્ટમ ચહેરાના ચિત્રોને એક સુવિધા જગ્યા પર પ્રસ્તુત કરીને કાર્ય કરે છે જે જાણીતા ચહેરાના ચિત્રો વચ્ચેના નોંધપાત્ર ભિન્નતાઓને આવરી લે છે. નોંધપાત્ર લક્ષણો "eigenfaces" તરીકે ઓળખાય છે, કારણ કે તેઓ ચહેરાના સમૂહના સ્વયં વેક્ટર (મુખ્ય ઘટકો) છે; તેઓ આંખો, કાન અને નાક જેવા લક્ષણો સાથે અનુરૂપ નથી. પ્રક્ષેપણ કામગીરી વ્યક્તિગત ચહેરાને પોતાના ચહેરાના લક્ષણોના વજનવાળા સરવાળો દ્વારા વર્ગીકૃત કરે છે, અને તેથી કોઈ ચોક્કસ ચહેરાને ઓળખવા માટે તે માત્ર જાણીતા વ્યક્તિઓના આ વજનની તુલના કરવા માટે જરૂરી છે. અમારા અભિગમના કેટલાક વિશેષ ફાયદા એ છે કે તે શીખવાની ક્ષમતા પૂરી પાડે છે અને પછીથી નવા ચહેરાઓને નિરીક્ષણ વિનાની રીતે ઓળખે છે, અને તે ન્યુરલ નેટવર્ક આર્કિટેક્ચરનો ઉપયોગ કરીને અમલ કરવા માટે સરળ છે. |
b217788dd6d274ad391ee950e6f6a34033bd2fc7 | મલ્ટીલેયર પર્સપટ્રોન, જ્યારે બેકપ્રોપગેશનનો ઉપયોગ કરીને વર્ગીકૃતકર્તા તરીકે તાલીમ આપવામાં આવે છે, ત્યારે બેયસ શ્રેષ્ઠ ભેદભાવ કાર્યને અનુરૂપ હોવાનું દર્શાવવામાં આવ્યું છે. પરિણામ બે-વર્ગની સમસ્યા અને બહુવિધ વર્ગો બંને માટે દર્શાવવામાં આવે છે. તે બતાવવામાં આવ્યું છે કે મલ્ટીલેયર પર્સેપ્ટ્રોનનાં આઉટપુટ તાલીમ આપવામાં આવતા વર્ગોની એપોસ્ટિરીયોર સંભાવના કાર્યોને અનુરૂપ છે. આ પ્રયોગ કોઈપણ સંખ્યામાં સ્તરો અને કોઈપણ પ્રકારનાં એકમ સક્રિયકરણ કાર્ય, રેખીય અથવા બિન-રેખીય પર લાગુ પડે છે. |
647cb3825baecb6fab8b098166d5a446f7711f9b | તાજેતરના વર્ષોમાં, ઊંડા જનરેટિવ મોડેલોને કલ્પના કરવા માટે દર્શાવવામાં આવ્યા છે જેમ કે છબીઓ, ઑડિઓ અને વિડિઓ જેવા ઉચ્ચ પરિમાણીય અવલોકનો, સીધા કાચા ડેટામાંથી શીખવા. આ કાર્યમાં, અમે પૂછીએ છીએ કે લક્ષ્ય-નિર્દેશિત દ્રશ્ય યોજનાઓની કલ્પના કેવી રીતે કરવી - નિરીક્ષણોની એક સંભાવના ક્રમ જે ગતિશીલ સિસ્ટમને તેના વર્તમાન રૂપરેખાંકનથી ઇચ્છિત લક્ષ્ય રાજ્યમાં પરિવર્તિત કરે છે, જેનો ઉપયોગ પછીથી નિયંત્રણ માટે સંદર્ભ પથ તરીકે થઈ શકે છે. અમે ઉચ્ચ પરિમાણીય અવલોકનો સાથે સિસ્ટમો પર ધ્યાન કેન્દ્રિત કરીએ છીએ, જેમ કે છબીઓ, અને એક અભિગમ પ્રસ્તાવિત કરે છે જે કુદરતી રીતે પ્રતિનિધિત્વ શિક્ષણ અને આયોજનને જોડે છે. અમારું માળખું ક્રમિક અવલોકનોનું જનરેટિવ મોડેલ શીખે છે, જ્યાં જનરેટિવ પ્રક્રિયા ઓછી પરિમાણીય આયોજન મોડેલમાં સંક્રમણ દ્વારા પ્રેરિત થાય છે, અને વધારાની અવાજ. પેદા થયેલા અવલોકનો અને આયોજન મોડેલમાં સંક્રમણ વચ્ચેની પરસ્પર માહિતીને મહત્તમ કરીને, અમે એક નીચા પરિમાણીય પ્રતિનિધિત્વ મેળવીએ છીએ જે ડેટાના કારણભૂત પ્રકૃતિને શ્રેષ્ઠ રીતે સમજાવે છે. અમે આયોજન મોડેલને કાર્યક્ષમ આયોજન અલ્ગોરિધમ્સ સાથે સુસંગત બનાવવા માટે માળખું કરીએ છીએ, અને અમે અલગ અથવા સતત રાજ્યો પર આધારિત આવા કેટલાક મોડેલો પ્રસ્તાવિત કરીએ છીએ. છેલ્લે, દ્રશ્ય યોજના બનાવવા માટે, અમે વર્તમાન અને ધ્યેય નિરીક્ષણોને આયોજન મોડેલમાં તેમની સંબંધિત સ્થિતિઓ પર પ્રોજેક્ટ કરીએ છીએ, એક પથની યોજના બનાવો, અને પછી પેદાત્મક મોડેલનો ઉપયોગ પથને અવલોકનોના ક્રમમાં રૂપાંતરિત કરવા માટે કરીએ છીએ. અમે દોરડાની ચાલાકીની દૃશ્યમાન યોજનાઓની કલ્પના કરવા પર અમારી પદ્ધતિનું નિદર્શન કરીએ છીએ. |
a63b97291149bfed416aa9e56a21314069540a7b | ઉદ્દેશ્ય ધ્યાન-ઉણપ/હાયપરએક્ટિવિટી ડિસઓર્ડર (એડીએચડી) ધરાવતા બાળકો અને કિશોરોમાં કામ કરવાની યાદશક્તિ (ડબલ્યુએમ) પ્રક્રિયાઓમાં ખામીઓ માટે પ્રયોગમૂલક પુરાવા નક્કી કરવા. પદ્ધતિ એ તપાસવા માટે કે શું ADHD ધરાવતા બાળકોમાં WM વિકૃતિઓ છે કે નહીં તે શોધવા માટે સંશોધન મેટા- વિશ્લેષણાત્મક પ્રક્રિયાઓનો ઉપયોગ કરવામાં આવ્યો હતો. 1997થી ડિસેમ્બર 2003 સુધી પ્રકાશિત થયેલા 26 પ્રયોગમૂલક સંશોધન અભ્યાસો (અગાઉની સમીક્ષા બાદ) અમારા સમાવેશના માપદંડોને પૂર્ણ કરે છે. વર્ક મેન્યુફેક્ચરિંગના માપદંડોને બંને મોડલ (મૌખિક, અવકાશી) અને જરૂરી પ્રોસેસિંગના પ્રકાર (સ્ટોરેજ વિરુદ્ધ સ્ટોરેજ / મેનિપ્યુલેશન) અનુસાર વર્ગીકૃત કરવામાં આવ્યા હતા. પરિણામો એડીએચડી ધરાવતા બાળકોએ ડબ્લ્યુએમના બહુવિધ ઘટકોમાં ખામીઓ પ્રદર્શિત કરી હતી જે ભાષા શીખવાની વિકૃતિઓ અને સામાન્ય બૌદ્ધિક ક્ષમતામાં નબળાઈઓ સાથે સહસંબંધથી સ્વતંત્ર હતા. અવકાશી સંગ્રહ (અસરનું કદ = 0. 85, આઇસી = 0. 62 - 1.08) અને અવકાશી કેન્દ્રીય કારોબારી ડબ્લ્યુએમ (અસરનું કદ = 1. 06, વિશ્વાસનું અંતરાલ = 0. 72-1.39) માટેનો એકંદર અસરનો કદ મૌખિક સંગ્રહ (અસરનું કદ = 0. 47, વિશ્વાસનું અંતરાલ = 0. 36- 0. 59) અને મૌખિક કેન્દ્રીય કારોબારી ડબ્લ્યુએમ (અસરનું કદ = 0. 43, વિશ્વાસનું અંતરાલ = 0. 24- 0. 62) માટે મેળવવામાં આવેલા કરતા વધારે હતો. નિષ્કર્ષ એડીએચડી ધરાવતા બાળકોમાં ડબ્લ્યુએમ વિકૃતિઓના પુરાવા એડીએચડીમાં ડબ્લ્યુએમ પ્રક્રિયાઓને સામેલ કરતા તાજેતરના સૈદ્ધાંતિક મોડલ્સને સમર્થન આપે છે. એડીએચડીમાં થતી ખામીઓની પ્રકૃતિ, ગંભીરતા અને વિશિષ્ટતાને વધુ સ્પષ્ટ રીતે વ્યાખ્યાયિત કરવા માટે ભવિષ્યના સંશોધનની જરૂર છે. |
49e77b981a0813460e2da2760ff72c522ae49871 | ડીપ લર્નિંગ મોટા ડેટાસેટ્સ અને કમ્પ્યુટેશનલી કાર્યક્ષમ તાલીમ અલ્ગોરિધમ્સનો લાભ લે છે જે વિવિધ મશીન લર્નિંગ કાર્યોમાં અન્ય અભિગમોને આગળ ધપાવવા માટે છે. જો કે, ઊંડા ન્યુરલ નેટવર્ક્સના તાલીમ તબક્કામાં અપૂર્ણતા તેમને વિરોધી નમૂનાઓ માટે સંવેદનશીલ બનાવે છેઃ ઊંડા ન્યુરલ નેટવર્ક્સને ખોટી રીતે વર્ગીકૃત કરવાના હેતુથી વિરોધીઓ દ્વારા ઘડાયેલા ઇનપુટ્સ. આ કાર્યમાં, અમે ડીપ ન્યુરલ નેટવર્ક્સ (ડીએનએન) સામે વિરોધીઓની જગ્યાને ઔપચારિક બનાવીએ છીએ અને ડીએનએનના ઇનપુટ્સ અને આઉટપુટ વચ્ચેના મેપિંગની ચોક્કસ સમજણના આધારે વિરોધી નમૂનાઓ બનાવવા માટે અલ્ગોરિધમ્સનો એક નવો વર્ગ રજૂ કરીએ છીએ. કોમ્પ્યુટર વિઝન પર લાગુ કરવામાં, અમે બતાવીએ છીએ કે અમારા અલ્ગોરિધમ્સ વિશ્વસનીય રીતે માનવ વિષયો દ્વારા યોગ્ય રીતે વર્ગીકૃત કરેલા નમૂનાઓ ઉત્પન્ન કરી શકે છે પરંતુ ડીએનએન દ્વારા ચોક્કસ લક્ષ્યોમાં 97% વિરોધી સફળતા દર સાથે ખોટી રીતે વર્ગીકૃત કરવામાં આવે છે જ્યારે ફક્ત નમૂના દીઠ ઇનપુટ સુવિધાઓના સરેરાશ 4.02% ફેરફાર કરે છે. પછી અમે એક કઠિનતા માપ વ્યાખ્યાયિત કરીને વિરોધી ખલેલ માટે વિવિધ નમૂના વર્ગોની સંવેદનશીલતાનું મૂલ્યાંકન કરીએ છીએ. છેલ્લે, અમે પ્રારંભિક કાર્યનું વર્ણન કરીએ છીએ જે બિનસલાહભર્યા ઇનપુટ અને લક્ષ્ય વર્ગીકરણ વચ્ચેના અંતરનું એક આગાહી માપ વ્યાખ્યાયિત કરીને વિરોધાભાસી નમૂનાઓ સામે સંરક્ષણની રૂપરેખા આપે છે. |
3f52f57dcfdd1bb0514ff744f4fdaa986a325591 | એપલના મેકબુક ફર્મવેર સુરક્ષામાં ઘણી ખામીઓ છે જે આ લેપટોપ્સના એસપીઆઈ ફ્લેશ બૂટ રોમમાં બિનવિશ્વસનીય ફેરફારો લખવાની મંજૂરી આપે છે. આ ક્ષમતા લોકપ્રિય એપલ મેકબુક પ્રોડક્ટ લાઇન માટે સતત ફર્મવેર રુટકીટ્સ અથવા બૂટકીટ્સ ની નવી શ્રેણીનું પ્રતિનિધિત્વ કરે છે. સ્ટીલ્થ બુટકીટ્સ પોતાને શોધમાંથી છુપાવી શકે છે અને તેમને દૂર કરવાના સોફ્ટવેર પ્રયાસોને અટકાવી શકે છે. બુટ ROM માં દૂષિત ફેરફારો ઓપરેટિંગ સિસ્ટમના પુનઃસ્થાપન અને હાર્ડ ડ્રાઈવની બદલીને પણ ટકી શકે છે. વધુમાં, માલવેર અન્ય થન્ડરબોલ્ટ ઉપકરણોના વિકલ્પ ROM પર પોતાની નકલ ઇન્સ્ટોલ કરી શકે છે, જે એર-ગેપ સુરક્ષા પરિમિતિઓ પર વાયરલ રીતે ફેલાવવાનું એક સાધન છે. એપલે CVE 2014-4498 ના ભાગરૂપે આ ખામીઓમાંથી કેટલીકને ઠીક કરી છે, પરંતુ આ વર્ગની નબળાઈ માટે કોઈ સરળ ઉકેલ નથી, કારણ કે મેકબુકમાં બુટ સમયે ફર્મવેરની ક્રિપ્ટોગ્રાફિક માન્યતા કરવા માટે વિશ્વસનીય હાર્ડવેરનો અભાવ છે. |
3b3acbf7cc2ec806e4177eac286a2ee22f6f7630 | આ કાગળ અલ્ટ્રા-બ્રોડબેન્ડ ડિજિટલ-ટુ-એનાલોગ (ડી/એ) રૂપાંતર સબસિસ્ટમ્સ માટે 110-ગીગાહર્ટ્ઝ-બેન્ડવિડ્થ 2: 1 એનાલોગ મલ્ટીપ્લેક્સર (એએમયુએક્સ) રજૂ કરે છે. એએમયુએક્સને નવા વિકસિત $\pmb{0.25-\mu \mathrm{m}}$ -ઇમિટર-વિડ્થ ઇનપી ડબલ હેટરોજંકશન બાયપોલર ટ્રાન્ઝિસ્ટર (ડીએચબીટી) નો ઉપયોગ કરીને ડિઝાઇન અને બનાવટ કરવામાં આવી હતી, જેમાં અનુક્રમે 460 અને 480 ગીગાહર્ટ્ઝની ટોચ $\pmb{f_{\mathrm{T}}}$ અને $\pmb{f\displaystyle \max}$ છે. એએમયુએક્સ આઇસીમાં ડેટા-ઇનપુટ રેખીય બફર્સ, ક્લોક-ઇનપુટ મર્યાદિત બફર, એએમયુએક્સ કોર અને આઉટપુટ રેખીય બફર સહિતના ગંઠિત બિલ્ડિંગ બ્લોક્સનો સમાવેશ થાય છે. ડેટા અને ક્લોક પાથ માટે માપવામાં આવેલી 3-ડીબી બેન્ડવિડ્થ બંને 110 ગીગાહર્ટ્ઝથી વધુ છે. વધુમાં, તે 180 GS/s સુધીના સમય-ડોમેઇન મોટા-સિગ્નલ નમૂનાના ઓપરેશન્સને માપે છે અને મેળવે છે. આ AMUX નો ઉપયોગ કરીને 224-Gb/s (112-GBaud) ચાર-સ્તરવાળી પલ્સ-એમ્પ્લીટ્યુડ મોડ્યુલેશન (PAM4) સિગ્નલ સફળતાપૂર્વક ઉત્પન્ન કરવામાં આવ્યું હતું. અમારા શ્રેષ્ઠ જ્ઞાન મુજબ, આ AMUX IC પાસે સૌથી વધુ બેન્ડવિડ્થ અને સૌથી ઝડપી નમૂના દર છે, જે અગાઉના અન્ય AMUXsની તુલનામાં છે. |
4dd7721248c5489e25f46f7ab78c7d0229a596d4 | આ કાગળ સંપૂર્ણપણે સંકલિત RF ઊર્જા-હાર્વેસ્ટિંગ સિસ્ટમ રજૂ કરે છે. આ સિસ્ટમ એક સાથે બાહ્ય સીસી લોડ્સ દ્વારા માંગવામાં આવતા વર્તમાનને પહોંચાડી શકે છે અને વધારાની આઉટપુટ પાવરના સમયગાળા દરમિયાન બાહ્ય કેપેસિટર્સમાં વધારાની energyર્જા સંગ્રહિત કરી શકે છે. આ ડિઝાઇન 0.18- $ \mu \text{m}$ CMOS ટેકનોલોજીમાં બનાવવામાં આવી છે, અને સક્રિય ચિપ વિસ્તાર 1.08 મીમી 2 છે. પ્રસ્તાવિત સ્વયં-પ્રારંભ સિસ્ટમ એક સંકલિત એલસી મેચિંગ નેટવર્ક, એક આરએફ રેક્ટિફાયર અને પાવર મેનેજમેન્ટ / નિયંત્રક એકમ સાથે ફરીથી ગોઠવી શકાય છે, જે 66-157 એનડબલ્યુનો વપરાશ કરે છે. જરૂરી ઘડિયાળની પેદાશ અને વોલ્ટેજ સંદર્ભ સર્કિટ એ જ ચિપ પર સંકલિત છે. ડ્યુટી ચક્ર નિયંત્રણનો ઉપયોગ ઓછી ઇનપુટ પાવર માટે કામ કરવા માટે થાય છે જે માંગણી કરેલ આઉટપુટ પાવર પૂરું પાડી શકતું નથી. વધુમાં, ઉપલબ્ધ આઉટપુટ પાવરની કાર્યક્ષમતા વધારવા માટે આરએફ રેક્ટિફાયરની તબક્કાઓની સંખ્યા ફરીથી ગોઠવી શકાય છે. ઉચ્ચ ઉપલબ્ધ શક્તિ માટે, બાહ્ય ઊર્જા સંગ્રહ તત્વને ચાર્જ કરવા માટે એક ગૌણ પાથ સક્રિય થાય છે. માપવામાં આવેલી આરએફ ઇનપુટ પાવર સંવેદનશીલતા -14.8 ડીબીએમ છે જે 1-વોલ્ટ સીસી આઉટપુટ પર છે. |
7314be5cd836c8f06bd1ecab565b00b65259eac6 | મોટી દસ્તાવેજ આર્કાઇવ્સના સંચાલન માટે ઉકેલ પૂરો પાડતા અલ્ગોરિધમ્સના સ્યુટનું સર્વેક્ષણ કરવું. |
f0eace9bfe72c2449f76461ad97c4042d2a7141b | આ પત્રમાં ડબલ્યુ-બેન્ડમાં નવી એન્ટેના-ઇન-પેકેજ (એઆઈપી) ટેકનોલોજીનો પ્રસ્તાવ મૂકવામાં આવ્યો છે. આ ટેકનોલોજીને ખાસ કેસને ઉકેલવા માટે પ્રસ્તુત કરવામાં આવે છે કે મેટાલિક પેકેજનો ઉપયોગ ઉચ્ચ યાંત્રિક તાકાત સમાવવા માટે થવો જોઈએ. બહુસ્તરીય નીચા તાપમાન સહ-ગળેલા સિરામિક (એલટીસીસી) તકનીકનો લાભ લઈને, એન્ટેનાની રેડિયેશન કાર્યક્ષમતા જાળવી શકાય છે. આ દરમિયાન, ઉચ્ચ યાંત્રિક તાકાત અને ઢાલ કામગીરી પ્રાપ્ત થાય છે. એઆઈપીનો એક પ્રોટોટાઇપ તૈયાર કરવામાં આવ્યો છે. આ પ્રોટોટાઇપ એક સંકલિત LTCC એન્ટેના, ઓછી નુકશાન ફીડર અને કોનર હોર્ન ઓપનર સાથે મેટાલિક પેકેજનું નિર્માણ કરે છે. આ LTCC ફીડર લેમિનેટેડ વેવગાઇડ (LWG) દ્વારા બનાવવામાં આવે છે. એલટીસીસીમાં દફનાવવામાં આવેલી એલડબલ્યુજી પોલાણ એ એન્ટેના ઇમ્પેડન્સ બેન્ડવિડ્થને વિસ્તૃત કરવા માટે ઉપયોગમાં લેવાય છે. ઇલેક્ટ્રોમેગ્નેટિક (ઇએમ) સિમ્યુલેશન અને એન્ટેના પ્રદર્શનના માપનો રસ સમગ્ર આવર્તન શ્રેણી પર સારી રીતે સંમત થાય છે. પ્રસ્તાવિત પ્રોટોટાઇપ 88 થી 98 ગીગાહર્ટ્ઝ સુધી 10 ગીગાહર્ટ્ઝની -10-ડીબી ઇમ્પેડન્સ બેન્ડવિડ્થ અને 89 ગીગાહર્ટ્ઝ પર 12.3 ડીબીઆઇની ટોચની ગેઇન પ્રાપ્ત કરે છે. |
2077d0f30507d51a0d3bbec4957d55e817d66a59 | અમે સામાન્ય, અભિવ્યક્ત છબી પ્રિયર્સ શીખવા માટે એક માળખું વિકસાવીએ છીએ જે કુદરતી દ્રશ્યોના આંકડાને પકડે છે અને વિવિધ મશીન વિઝન કાર્યો માટે તેનો ઉપયોગ કરી શકાય છે. આ અભિગમ વિસ્તૃત પિક્સેલ પડોશીઓ પર સંભવિત કાર્યોને શીખવાથી પરંપરાગત માર્કોવ રેન્ડમ ફીલ્ડ (એમઆરએફ) મોડેલોને વિસ્તૃત કરે છે. પ્રોડક્ટ્સ-ઓફ-એક્સપર્ટ્સ ફ્રેમવર્કનો ઉપયોગ કરીને ફિલ્ડ પોટેન્શલ્સનું મોડેલિંગ કરવામાં આવે છે જે ઘણા રેખીય ફિલ્ટર પ્રતિસાદોના બિન-રેખીય કાર્યોનો ઉપયોગ કરે છે. અગાઉના એમઆરએફ અભિગમોથી વિપરીત, તમામ પરિમાણો, જેમાં રેખીય ફિલ્ટર્સનો સમાવેશ થાય છે, તાલીમ ડેટામાંથી શીખ્યા છે. અમે આ ક્ષેત્રના નિષ્ણાતોના મોડેલની ક્ષમતાઓનું બે ઉદાહરણ કાર્યક્રમો, છબી ડેનોઇઝિંગ અને છબી ઇનપેન્ટિંગ સાથે નિદર્શન કરીએ છીએ, જે સરળ, આશરે અનુમાનિત યોજનાનો ઉપયોગ કરીને અમલમાં મૂકવામાં આવે છે. જ્યારે મોડેલને સામાન્ય ઇમેજ ડેટાબેઝ પર તાલીમ આપવામાં આવે છે અને કોઈ ચોક્કસ એપ્લિકેશન તરફ ટ્યુન કરવામાં આવતું નથી, ત્યારે અમે એવા પરિણામો પ્રાપ્ત કરીએ છીએ જે વિશિષ્ટ તકનીકો સાથે સ્પર્ધા કરે છે અને તે પણ વધુ સારી કામગીરી કરે છે. |
214658334c581f0d18b9a871928e91b6e4f83be7 | આ વિચાર સ્વિચ કરેલ કેપેસિટર ટોપોલોજીની જેમ જ છે જેમાં વોલ્ટેજને સંતુલિત કરવા માટે કેપેસિટર અથવા કેપેસિટર બેંકો બેટરીના કોષો પર સ્વિચ કરવામાં આવે છે. બેટરી સેલ મોડેલમાં સેલની કેપેસિટીવ અસરને કારણે કેપેસિટીવનો સમાવેશ થાય છે, આ કેપેસિટીવ અસરનો ઉપયોગ સેલ બેલેન્સિંગમાં થઈ શકે છે. તેથી સ્વિચ કરેલ કેપેસિટર ટોપોલોજીમાં ઇક્વાલિઝર કેપેસિટર્સને દૂર કરી શકાય છે અને બેટરીના કોષો એકબીજા સાથે સ્વિચ કરી શકાય છે. આ ઝડપી ઊર્જા ટ્રાન્સફર માટે પરવાનગી આપે છે અને તેથી ઝડપી બરાબરીમાં પરિણમે છે. પ્રસ્તાવિત ટોપોલોજી વધારાના ઊર્જા સંગ્રહ તત્વોની જરૂરિયાતને દૂર કરે છે જેમ કે કેપેસિટર જે પાવર ઇલેક્ટ્રોનિક સર્કિટમાં વારંવાર નિષ્ફળ જાય છે, વધારાના ઊર્જા સંગ્રહ તત્વો દ્વારા દાખલ થયેલા નુકસાન અને સર્કિટની કિંમત અને વોલ્યુમને ઘટાડે છે અને નિયંત્રણ અલ્ગોરિધમનો સરળ બનાવે છે. પ્રસ્તાવિત સંતુલન સર્કિટને એપ્લિકેશન આવશ્યકતા અનુસાર અમલમાં મૂકી શકાય છે. પ્રસ્તાવિત ટોપોલોજીને MATLAB/Simulink પર્યાવરણમાં સિમ્યુલેટ કરવામાં આવી છે અને સ્વિચ કરેલ કેપેસિટર ટોપોલોજીની સરખામણીમાં સંતુલન ઝડપના સંદર્ભમાં વધુ સારા પરિણામો દર્શાવવામાં આવ્યા છે. બેટરીના જીવન ચક્રને લંબાવવા અને બેટરીમાંથી મહત્તમ શક્તિ કાઢવા માટે સેલ બેલેન્સિંગ સર્કિટ મહત્વપૂર્ણ છે. બેટરી પેકેજોમાં સેલ સંતુલન માટે ઘણાં પાવર ઇલેક્ટ્રોનિક્સ ટોપોલોજીનો પ્રયાસ કરવામાં આવ્યો છે. સક્રિય સેલ બેલેન્સિંગ ટોપોલોજીઓ ઇન્ડક્ટર-કેપેસિટર અથવા ટ્રાન્સફોર્મર-કેપેસિટર અથવા સ્વિચ કરેલ કેપેસિટર અથવા સ્વિચ કરેલ ઇન્ડક્ટર જેવા ઊર્જા સંગ્રહ તત્વોનો ઉપયોગ કરીને બેટરીના કોષો પર વોલ્ટેજને સંતુલિત કરવા માટે ઉચ્ચ પ્રદર્શન દર્શાવતી કોશિકાઓમાંથી નીચલા પ્રદર્શન દર્શાવતી કોશિકાઓમાંથી ઊર્જાને સ્થાનાંતરિત કરે છે. આ અભ્યાસમાં કોઈ પણ ઊર્જા સંગ્રહ તત્વનો ઉપયોગ કર્યા વગર સક્રિય સંતુલન ટોપોલોજીનો પ્રસ્તાવ મૂકવામાં આવ્યો છે. |
0c04909ed933469246defcf9aca2b71ae8e3f623 | આ પુસ્તકની બીજી આવૃત્તિમાં મુખ્ય ફેરફાર સંભાવનાત્મક પુનઃપ્રાપ્તિ પર એક નવા પ્રકરણનો ઉમેરો છે. આ પ્રકરણને સમાવવામાં આવ્યું છે કારણ કે મને લાગે છે કે આ માહિતી પુનઃપ્રાપ્તિમાં સંશોધનના સૌથી રસપ્રદ અને સક્રિય ક્ષેત્રોમાંનું એક છે. હજુ પણ ઘણી સમસ્યાઓ છે જેને ઉકેલવી પડશે, તેથી મને આશા છે કે આ ખાસ પ્રકરણ તે લોકો માટે મદદરૂપ થશે જે આ ક્ષેત્રમાં જ્ઞાનની સ્થિતિને આગળ વધારવા માંગે છે. અન્ય તમામ પ્રકરણો આવરી લેવામાં આવેલા વિષયો પરના કેટલાક તાજેતરના કામોનો સમાવેશ કરીને અપડેટ કરવામાં આવ્યા છે. આ પુસ્તકની સામગ્રી અદ્યતન અંડરગ્રેજ્યુએટ માહિતી (અથવા કમ્પ્યુટર) વિજ્ઞાનના વિદ્યાર્થીઓ, અનુસ્નાતક પુસ્તકાલય વિજ્ઞાનના વિદ્યાર્થીઓ અને IRના ક્ષેત્રમાં સંશોધન કાર્યકરોને ધ્યાનમાં રાખીને છે. કેટલાક પ્રકરણો, ખાસ કરીને પ્રકરણ 6 *, સરળતાથી અંશે અદ્યતન ગણિતનો ઉપયોગ કરે છે. જો કે, જરૂરી ગણિત સાધનોને હવે અસ્તિત્વમાં રહેલા અસંખ્ય ગણિત પાઠોમાંથી સરળતાથી માસ્ટર કરી શકાય છે અને, કોઈ પણ સંજોગોમાં, સંદર્ભો આપવામાં આવ્યા છે જ્યાં ગણિત થાય છે. મને સ્પષ્ટતા અને સંદર્ભોની ઘનતા વચ્ચે સંતુલન જાળવવાની સમસ્યાનો સામનો કરવો પડ્યો હતો. હું મોટી સંખ્યામાં સંદર્ભો આપવાનો લલચાયો હતો પરંતુ મને ડર હતો કે તેઓ લખાણની સાતત્યને તોડી નાખશે. મેં મધ્યમ માર્ગને અનુસરવાનો પ્રયાસ કર્યો છે અને માહિતી વિજ્ઞાન અને ટેકનોલોજીની વાર્ષિક સમીક્ષા સાથે સ્પર્ધા કરી નથી. સામાન્ય રીતે, ફક્ત એવાં જ કાર્યોને ટાંકવા માટે પ્રોત્સાહિત કરવામાં આવે છે જે કોઈ સરળતાથી સુલભ સ્વરૂપમાં પ્રકાશિત થયા હોય, જેમ કે કોઈ પુસ્તક અથવા સામયિક. કમનસીબે, IRમાં રસપ્રદ કામનો મોટો ભાગ તકનીકી અહેવાલો અને પીએચ.ડી. થીસીસમાં સમાયેલ છે. ઉદાહરણ તરીકે, કોર્નેલ ખાતે SMART સિસ્ટમ પર કરવામાં આવેલા મોટાભાગના કામ માત્ર અહેવાલોમાં જ ઉપલબ્ધ છે. સદભાગ્યે, આમાંથી ઘણા હવે નેશનલ ટેકનિકલ ઇન્ફોર્મેશન સર્વિસ (યુ. એસ.) અને યુનિવર્સિટી માઇક્રોફિલ્મ્સ (યુ. કે.) દ્વારા ઉપલબ્ધ છે. મેં આ સ્રોતોનો ઉપયોગ કરવાનું ટાળ્યું નથી, જો કે જો તે જ સામગ્રી અન્ય સ્વરૂપમાં વધુ સરળતાથી સુલભ હોય તો મેં તેને પ્રાધાન્ય આપ્યું છે. હું એ લોકો અને સંસ્થાઓ પ્રત્યે મારી દેવું સ્વીકારું છું જેમણે મને મદદ કરી છે. હું સૌ પ્રથમ કહેવા માંગુ છું કે આ પુસ્તકમાં ઘણા વિચારો માટે તેઓ જવાબદાર છે પરંતુ હું માત્ર જવાબદાર હોવાનું ઇચ્છું છું. મારો સૌથી મોટો દેવું છે કેરેન સ્પાર્ક જોન્સ જે મને પ્રાયોગિક વિજ્ઞાન તરીકે માહિતી પુનઃપ્રાપ્તિ સંશોધન શીખવ્યું. નિક જાર્ડેન અને રોબિન . . . |
3cfbb77e5a0e24772cfdb2eb3d4f35dead54b118 | સંદર્ભ-આગાહી મોડેલો (જેને વધુ સામાન્ય રીતે એમ્બેડિંગ અથવા ન્યુરલ લેંગ્વેજ મોડેલ્સ તરીકે ઓળખવામાં આવે છે) વિતરણ સિમેન્ટીક્સ બ્લોક પર નવા બાળકો છે. આ મોડેલોની આસપાસના બઝ હોવા છતાં, સાહિત્યમાં હજુ પણ ક્લાસિક, ગણતરી-વેક્ટર આધારિત વિતરણ સિમેન્ટીક અભિગમો સાથે આગાહી મોડેલોની વ્યવસ્થિત સરખામણીનો અભાવ છે. આ કાગળમાં, અમે લેક્સિકલ સિમેન્ટીક્સ કાર્યોની વિશાળ શ્રેણી પર અને ઘણા પરિમાણો સેટિંગ્સમાં આવા વ્યાપક મૂલ્યાંકન કરીએ છીએ. પરિણામો, અમારા પોતાના આશ્ચર્ય માટે, દર્શાવે છે કે બઝ સંપૂર્ણપણે ન્યાયી છે, કારણ કે સંદર્ભ-આધારિત આગાહી મોડેલો તેમના ગણતરી-આધારિત સમકક્ષો સામે સંપૂર્ણ અને ગુંજવાળું વિજય મેળવે છે. |
9ec20b90593695e0f5a343dade71eace4a5145de | 1 વિદ્યાર્થી, વિભાગ. મશીન લર્નિંગમાં સંશોધન માટે એક નવા ક્ષેત્ર તરીકે ડીપ લર્નિંગ અસ્તિત્વમાં આવ્યું છે. તે માનવ મગજની જેમ કાર્ય કરવાનો છે, જેમાં જટિલ ડેટામાંથી શીખવાની અને પ્રક્રિયા કરવાની ક્ષમતા છે અને જટિલ કાર્યોને પણ હલ કરવાનો પ્રયાસ કરે છે. આ ક્ષમતાને કારણે તેનો ઉપયોગ વિવિધ ક્ષેત્રોમાં કરવામાં આવે છે જેમ કે ટેક્સ્ટ, સાઉન્ડ, છબીઓ વગેરે. કુદરતી ભાષા પ્રક્રિયાને ડીપ લર્નિંગ તકનીકો દ્વારા અસર થવાનું શરૂ થયું છે. આ સંશોધન પેપરમાં કુદરતી ભાષા પ્રક્રિયામાં ડીપ લર્નિંગના તાજેતરના વિકાસ અને એપ્લિકેશન્સ પર પ્રકાશ પાડવામાં આવ્યો છે. |
cc13fde0a91f4d618e6af66b49690702906316ae | તાજેતરના વર્ષોમાં ક્લાઉડ કમ્પ્યુટિંગ અને મોટા ડેટા યુગના વિકાસની સાક્ષી છે, જે પરંપરાગત નિર્ણય વૃક્ષ અલ્ગોરિધમ્સ માટે પડકારો લાવે છે. પ્રથમ, ડેટાસેટનું કદ અત્યંત મોટું થાય છે, નિર્ણય વૃક્ષ બનાવવાની પ્રક્રિયા ખૂબ સમય માંગી શકે છે. બીજું, કારણ કે ડેટા મેમરીમાં ફિટ થઈ શકતો નથી, કેટલીક ગણતરીને બાહ્ય સ્ટોરેજમાં ખસેડવી જોઈએ અને તેથી I / O ખર્ચમાં વધારો થાય છે. આ અંત માટે, અમે મેપરેડ્યુસ પ્રોગ્રામિંગ મોડેલનો ઉપયોગ કરીને લાક્ષણિક નિર્ણય વૃક્ષ અલ્ગોરિધમનો, સી 4.5 અમલ કરવાની દરખાસ્ત કરીએ છીએ. ખાસ કરીને, અમે પરંપરાગત અલ્ગોરિધમનો નકશા અને ઘટાડવા પ્રક્રિયાઓની શ્રેણીમાં પરિવર્તિત કરીએ છીએ. ઉપરાંત, અમે સંચાર ખર્ચ ઘટાડવા માટે કેટલાક ડેટા માળખાં ડિઝાઇન કરીએ છીએ. અમે પણ એક વિશાળ ડેટાસેટ પર વ્યાપક પ્રયોગો હાથ ધરવા. પરિણામો સૂચવે છે કે અમારા અલ્ગોરિધમનો સમય કાર્યક્ષમતા અને સ્કેલેબિલિટી બંને દર્શાવે છે. |
d73a71fa24b582accb934a9c2308567376ff396d | 3ડી જીઓ ડેટાબેઝ સંશોધન એ 3ડી શહેરી આયોજન, પર્યાવરણની દેખરેખ, માળખાગત વ્યવસ્થાપન અને પ્રારંભિક ચેતવણી અથવા આપત્તિ વ્યવસ્થાપન અને પ્રતિભાવ જેવા પડકારરૂપ કાર્યક્રમોને ટેકો આપવા માટે એક આશાસ્પદ ક્ષેત્ર છે. આ ક્ષેત્રોમાં, જીઆઇએસ સાયન્સ અને સંબંધિત ક્ષેત્રોમાં આંતરશાખાકીય સંશોધનની જરૂર છે, જે મોટા જિયો-રેફરન્સ ડેટા સેટ્સના મોડેલિંગ, વિશ્લેષણ, સંચાલન અને એકીકરણને ટેકો આપે છે, જે માનવ પ્રવૃત્તિઓ અને ભૂ-ભૌતિક ઘટનાઓનું વર્ણન કરે છે. જીઓ-ડેટાબેઝ 2D નકશા, 3D જીઓ-વૈજ્ઞાનિક મોડેલો અને અન્ય જીઓ-રેફરેન્સ્ડ ડેટાને એકીકૃત કરવા માટે પ્લેટફોર્મ તરીકે સેવા આપી શકે છે. જોકે, વર્તમાન જીઓ ડેટાબેઝ પર્યાપ્ત 3ડી ડેટા મોડેલિંગ અને ડેટા હેન્ડલિંગ તકનીકો પૂરા પાડતા નથી. સપાટી અને વોલ્યુમ મોડેલોને સંભાળવા માટે નવા 3D ભૂ-ડેટાબેઝની જરૂર છે. આ લેખમાં પ્રથમ વખત 25 વર્ષ જૂની ભૂ-ડેટાબેઝ સંશોધન રજૂ કરવામાં આવી છે. ડેટા મોડેલિંગ, ધોરણો અને જીઓ-ડેટાના અનુક્રમણિકાની વિગતવાર ચર્ચા કરવામાં આવી છે. આંતરશાખાકીય સંશોધન માટે નવા ક્ષેત્રો ખોલવા માટે 3D ભૂ-માહિતીસંચાલનોના વિકાસ માટે નવી દિશાઓને સંબોધવામાં આવે છે. પ્રારંભિક ચેતવણી અને કટોકટીના પ્રતિભાવના ક્ષેત્રોમાં બે દૃશ્યો માનવ અને ભૂ-ભૌતિક ઘટનાઓના સંયુક્ત સંચાલનને દર્શાવે છે. આ લેખ ખુલ્લા સંશોધન સમસ્યાઓ પર વિવેચક દૃષ્ટિકોણ સાથે સમાપ્ત થાય છે. & 2011 એલ્સેવીયર લિમિટેડ. બધા હકો અનામત છે. |
dce7a0550b4d63f6fe2e6908073ce0ce63626b0c | જેમ જેમ આપણે રોબોટિક્સ અને કૃત્રિમ બુદ્ધિમાં ઓટોમેશનના માર્ગ પર આગળ વધીએ છીએ, તેમ તેમ આપણે આપણા ઉપકરણોને આપણાથી સ્વતંત્ર રીતે સંચાલિત કરવા માટે નૈતિક નિર્ણય લેવાની વધતી જતી રકમનું ઓટોમેશન કરવાની જરૂર પડશે. પરંતુ નૈતિક નિર્ણયને સ્વચાલિત કરવાથી ઇજનેરો અને ડિઝાઇનરો માટે નવા પ્રશ્નો ઉભા થાય છે, જેમને તે કાર્ય કેવી રીતે પૂર્ણ કરવું તે અંગે નિર્ણયો લેવા પડશે. ઉદાહરણ તરીકે, કેટલાક નૈતિક નિર્ણયમાં મુશ્કેલ નૈતિક કેસોનો સમાવેશ થાય છે, જે બદલામાં વપરાશકર્તા ઇનપુટની જરૂર છે જો આપણે સ્વાયત્તતા અને જાણકાર સંમતિની આસપાસના સ્થાપિત ધોરણોનો આદર કરવો હોય. લેખક આ અને અન્ય નૈતિક વિચારણાઓ કે જે નૈતિક નિર્ણયના ઓટોમેશન સાથે આવે છે તે ધ્યાનમાં લે છે. તેઓ કેટલાક સામાન્ય નૈતિક જરૂરિયાતો પ્રસ્તાવિત કરે છે જે ડિઝાઇન રૂમમાં ધ્યાનમાં લેવા જોઈએ, અને ડિઝાઇન ટૂલનો સ્કેચ કરે છે જે એન્જિનિયર્સ, ડિઝાઇનર્સ, નૈતિકવાદીઓ અને નીતિ નિર્માતાઓને નક્કી કરવા માટે ડિઝાઇન પ્રક્રિયામાં સંકલિત કરી શકાય છે કે કેવી રીતે નૈતિક નિર્ણય લેવાની ચોક્કસ સ્વરૂપોને શ્રેષ્ઠ રીતે સ્વયંસંચાલિત કરવું. |
ab19cbea5c61536b616cfa7654cf01bf0621b83f | |
102153467f27d43dd1db8a973846d3ac10ffdc3c | હેલ્થકેર એ ઇન્ટરનેટ ઓફ થિંગ્સ (આઇઓટી) ટેકનોલોજીના સૌથી ઝડપથી વિસ્તરતા એપ્લિકેશન ક્ષેત્રોમાંનું એક છે. આઇઓટી ઉપકરણોનો ઉપયોગ હૃદયરોગના રોગો (સીવીડી) જેવા ક્રોનિક રોગો ધરાવતા દર્દીઓના દૂરસ્થ આરોગ્યની દેખરેખને સક્ષમ બનાવવા માટે કરી શકાય છે. આ કાગળમાં અમે હૃદયના ધબકારાના નિદાન માટે ઇસીજી વિશ્લેષણ અને વર્ગીકરણ માટે એક અલ્ગોરિધમનો વિકસાવીએ છીએ, અને તેને આઇઓટી-આધારિત એમ્બેડેડ પ્લેટફોર્મ પર અમલમાં મૂકીએ છીએ. આ અલ્ગોરિધમનો એ પહેરવા યોગ્ય ઇસીજી ડાયગ્નોસ્ટિક ડિવાઇસ માટેનો અમારો પ્રસ્તાવ છે, જે દર્દીના 24 કલાક સતત મોનિટરિંગ માટે યોગ્ય છે. અમે ઇસીજી વિશ્લેષણ માટે ડિસ્ક્રેટ વેવલેટ ટ્રાન્સફોર્મ (ડીડબ્લ્યુટી) અને સપોર્ટ વેક્ટર મશીન (એસવીએમ) વર્ગીકરણકારનો ઉપયોગ કરીએ છીએ. શ્રેષ્ઠ વર્ગીકરણ ચોકસાઈ પ્રાપ્ત 98.9% છે, કદ 18 ના લક્ષણ વેક્ટર માટે, અને 2493 સપોર્ટ વેક્ટર્સ. ગેલિલીયો બોર્ડ પર અલ્ગોરિધમનો વિવિધ અમલીકરણો, તે દર્શાવવામાં મદદ કરે છે કે કમ્પ્યુટેશનલ ખર્ચ એવો છે કે ઇસીજી વિશ્લેષણ અને વર્ગીકરણ રીઅલ-ટાઇમમાં કરી શકાય છે. |
44159c85dec6df7a257cbe697bfc854ecb1ebb0b | નેશનલ ઇન્સ્ટિટ્યૂટ ઓફ હેલ્થના નેશનલ સેન્ટર ફોર રિસર્ચ રિસોર્સિસના આશ્રય હેઠળ બનાવવામાં આવેલ કોમ્પ્લેક્સ ફિઝિયોલોજિકલ સિગ્નલ્સ માટે નવા ઉદ્ઘાટન સંશોધન સંસાધનનો હેતુ હૃદયરોગ અને અન્ય જટિલ બાયોમેડિકલ સંકેતોના અભ્યાસમાં વર્તમાન સંશોધન અને નવી તપાસને ઉત્તેજીત કરવાનો છે. સંસાધનમાં 3 પરસ્પર નિર્ભર ઘટકો છે. ફિઝિયોબેંક એ બાયોમેડિકલ સંશોધન સમુદાય દ્વારા ઉપયોગ માટે શારીરિક સંકેતો અને સંબંધિત ડેટાની સારી રીતે વર્ણવેલ ડિજિટલ રેકોર્ડિંગ્સનું એક મોટું અને વધતું આર્કાઇવ છે. હાલમાં તેમાં સ્વસ્થ વ્યક્તિઓ અને જીવન માટે જોખમી એરિથમિયા, હૃદયની નિષ્ફળતા, ઊંઘમાં શ્વાસ બંધ થવાનો અસ્વસ્થતા, ન્યુરોલોજીકલ વિકૃતિઓ અને વૃદ્ધત્વ સહિતના જાહેર આરોગ્ય પર મોટી અસર ધરાવતા વિવિધ પરિસ્થિતિઓ ધરાવતા દર્દીઓના મલ્ટીપેરમેટર કાર્ડિયોપલ્મોનરી, ન્યુરલ અને અન્ય બાયોમેડિકલ સંકેતોના ડેટાબેઝનો સમાવેશ થાય છે. ફિઝિયોટૂલકિટ એ શારીરિક સંકેત પ્રક્રિયા અને વિશ્લેષણ માટે ખુલ્લા સ્ત્રોત સૉફ્ટવેરનું પુસ્તકાલય છે, જે આંકડાકીય ભૌતિકશાસ્ત્ર અને બિનરેખીય ગતિશીલતા પર આધારિત ક્લાસિક તકનીકો અને નવી પદ્ધતિઓ બંનેનો ઉપયોગ કરીને શારીરિક રીતે નોંધપાત્ર ઘટનાઓની શોધ, સંકેતોનું ઇન્ટરેક્ટિવ ડિસ્પ્લે અને લાક્ષણિકતા, નવા ડેટાબેઝની રચના, શારીરિક અને અન્ય સંકેતોનું સિમ્યુલેશન, વિશ્લેષણ પદ્ધતિઓનું જથ્થાત્મક મૂલ્યાંકન અને સરખામણી, અને બિનસ્થિર પ્રક્રિયાઓનું વિશ્લેષણ. ફિઝિયોનેટ એ ઓનલાઈન ફોરમ છે જે રેકોર્ડ કરેલા બાયોમેડિકલ સિગ્નલો અને તેમના વિશ્લેષણ માટે ખુલ્લા સ્ત્રોત સૉફ્ટવેરનું પ્રસારણ અને વિનિમય માટે છે. તે ડેટાના સહકારી વિશ્લેષણ અને સૂચિત નવા અલ્ગોરિધમ્સના મૂલ્યાંકન માટે સુવિધાઓ પૂરી પાડે છે. વર્લ્ડ વાઈડ વેબ (http://www.physionet.com) દ્વારા ફિઝીયોબેંક ડેટા અને ફિઝીયોટૂલકિટ સોફ્ટવેર માટે મફત ઇલેક્ટ્રોનિક ઍક્સેસ પ્રદાન કરવા ઉપરાંત, આ સાધન એન્ટરપ્રાઇઝને ફિઝીયોબેંક ડેટા અને ફિઝીયોટૂલકિટ સોફ્ટવેર માટે મફત ઍક્સેસ પ્રદાન કરે છે. org) દ્વારા સંચાલિત PhysioNet, વિવિધ સ્તરના નિષ્ણાતના વપરાશકર્તાઓને મદદ કરવા માટે ઓનલાઈન ટ્યુટોરિયલ્સ દ્વારા સેવાઓ અને તાલીમ પ્રદાન કરે છે. |
a92eac4415719698d7d2097ef9564e7b36699010 | ઉદ્દેશ્ય - કોર્પોરેટ સ્થાયીતા અને તેના પ્રદર્શન અંગે મૂલ્યાંકન અને અહેવાલ આપવા માટે હિતધારકોને સામેલ કરવાના અભિગમ તરીકે સામાજિક ઓડિટિંગની લાગુ પડવાની ઓળખ કરવી. ડિઝાઇન/પદ્ધતિ/પદ્ધતિ - એએ1000 અને સામાજિક ઓડિટિંગ અભ્યાસના માળખા પર આધારિત, આ કાગળ કોર્પોરેટ સ્થિરતાને સંબોધવા માટે સંવાદ આધારિત સામાજિક ઓડિટિંગને લાગુ કરવાના હેતુથી હિતધારક જોડાણ, સામાજિક ઓડિટિંગ અને કોર્પોરેટ ટકાઉપણુંને જોડે છે. તારણો - આ કાગળ કોર્પોરેટ ટકાઉપણું અને સામાજિક ઓડિટિંગ વચ્ચે એક મેળ ને ઓળખે છે, કારણ કે બંનેનો ઉદ્દેશ એક સંસ્થાના સામાજિક, પર્યાવરણીય અને આર્થિક પ્રદર્શનમાં સુધારો કરવાનો છે, હિતધારકોની વિશાળ શ્રેણીની સુખાકારીને ધ્યાનમાં લેતા અને પ્રક્રિયામાં હિતધારકોની સંડોવણીની જરૂર છે. આ કાગળ સૂચવે છે કે, સંવાદ દ્વારા હિતધારકોને સંલગ્ન કરીને સામાજિક ઓડિટિંગનો ઉપયોગ ટ્રસ્ટ બનાવવા, પ્રતિબદ્ધતા ઓળખવા અને હિતધારકો અને કોર્પોરેશનો વચ્ચે સહયોગને પ્રોત્સાહન આપવા માટે થઈ શકે છે. સંશોધન મર્યાદાઓ/અસર - આ સંશોધનમાં કોર્પોરેટ ટકાઉપણું અને સંવાદ આધારિત સામાજિક ઓડિટિંગની મર્યાદાઓની નિર્ધારણના સંબોધનમાં સામાજિક ઓડિટિંગની વ્યવહારિકતામાં વધુ પ્રયોગાત્મક સંશોધનની જરૂર છે. વ્યવહારિક અસર - લોકશાહી વ્યવસાયિક સમાજમાં હિતધારકો અને કોર્પોરેશનો વચ્ચેના વિવિધ હિતોનું સંતુલન કરવા માટે સામાજિક ઓડિટિંગને ઉપયોગી પદ્ધતિ તરીકે ઓળખવામાં આવી છે. કોર્પોરેટ ટકાઉપણાના વિકાસ અને પ્રાપ્ત કરવા માટે સામાજિક ઓડિટિંગનો ઉપયોગ દેખીતી રીતે વ્યવહારિક અસરો ધરાવે છે. મૌલિક્તા/મૂલ્ય - આ કાગળમાં વ્યવસાયને ટકાઉપણું તરફ આગળ વધવામાં મદદ કરવા માટે સંવાદ આધારિત સામાજિક ઓડિટિંગની લાગુ પડવાની તપાસ કરવામાં આવી છે. સામાજિક ઓડિટિંગને કોર્પોરેટ સામાજિક અને પર્યાવરણીય કામગીરીનું મૂલ્યાંકન અને રિપોર્ટિંગ કરવાની પ્રક્રિયા તરીકે, હિતધારકોને સંવાદ દ્વારા સંલગ્ન કરીને ટ્રસ્ટ બનાવવા, પ્રતિબદ્ધતા ઓળખવા અને હિતધારકો અને કોર્પોરેશનો વચ્ચે સહકારને પ્રોત્સાહન આપવા માટે લાગુ કરી શકાય છે. |
915c4bb289b3642489e904c65a47fa56efb60658 | અમે છબી પરિવર્તન સમસ્યાઓ ધ્યાનમાં, જ્યાં એક ઇનપુટ છબી આઉટપુટ છબી માં રૂપાંતરિત થાય છે. આવી સમસ્યાઓના તાજેતરના ઉપાયો સામાન્ય રીતે આઉટપુટ અને ગ્રાઉન્ડ-ટ્રૂથ છબીઓ વચ્ચે પ્રતિ પિક્સેલ નુકશાનનો ઉપયોગ કરીને ફીડ-ફોરવર્ડ કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક્સને તાલીમ આપે છે. સમાંતર કાર્યએ દર્શાવ્યું છે કે પૂર્વ-પ્રશિક્ષિત નેટવર્ક્સમાંથી કાઢવામાં આવેલી ઉચ્ચ-સ્તરની સુવિધાઓના આધારે દ્રષ્ટિની ખોટના કાર્યોને વ્યાખ્યાયિત કરીને અને ઑપ્ટિમાઇઝ કરીને ઉચ્ચ ગુણવત્તાની છબીઓ ઉત્પન્ન કરી શકાય છે. અમે બંને અભિગમોના ફાયદાને જોડીએ છીએ, અને ઇમેજ રૂપાંતર કાર્યો માટે ફીડ-ફોરવર્ડ નેટવર્ક્સને તાલીમ આપવા માટે દ્રષ્ટિ નુકશાન કાર્યોનો ઉપયોગ કરવાની દરખાસ્ત કરીએ છીએ. અમે છબી શૈલી ટ્રાન્સફર પર પરિણામો બતાવીએ છીએ, જ્યાં ફીડ-ફોરવર્ડ નેટવર્કને ગેટિસ અને અન્ય દ્વારા સૂચિત ઑપ્ટિમાઇઝેશન સમસ્યાને રીઅલ-ટાઇમમાં ઉકેલવા માટે તાલીમ આપવામાં આવે છે. ઓપ્ટિમાઇઝેશન આધારિત પદ્ધતિની સરખામણીમાં, અમારું નેટવર્ક સમાન ગુણાત્મક પરિણામો આપે છે પરંતુ તે ત્રણ ક્રમની તીવ્રતામાં ઝડપી છે. અમે સિંગલ-ઇમેજ સુપર-રીઝોલ્યુશન સાથે પણ પ્રયોગ કરીએ છીએ, જ્યાં પ્રતિ-પિક્સેલ નુકશાનને દ્રષ્ટિની નુકશાન સાથે બદલવું દ્રષ્ટિએ આનંદદાયક પરિણામો આપે છે. |
9201bf6f8222c2335913002e13fbac640fc0f4ec | |
929a376c6fea1376baf40fc2979cfbdd867f03ab | લોસી ઇમેજ કમ્પ્રેશન પદ્ધતિઓ હંમેશા સંકુચિત પરિણામોમાં વિવિધ અપ્રિય આર્ટિફેક્ટ્સ રજૂ કરે છે, ખાસ કરીને નીચા બિટ-રેટ્સ પર. તાજેતરના વર્ષોમાં, જેપીઇજી સંકુચિત છબીઓ માટે ઘણી અસરકારક સોફ્ટ ડીકોડિંગ પદ્ધતિઓ પ્રસ્તાવિત કરવામાં આવી છે. જો કે, અમારા જ્ઞાન મુજબ, જેપીઇજી 2000 સંકુચિત છબીઓના સોફ્ટ ડીકોડિંગ પર બહુ ઓછા કામ કરવામાં આવ્યા છે. વિવિધ કમ્પ્યુટર વિઝન કાર્યોમાં કન્વોલ્યુશન ન્યુરલ નેટવર્ક (સીએનએન) ના ઉત્કૃષ્ટ પ્રદર્શનથી પ્રેરિત, અમે બહુવિધ બીટ-રેટ-ડ્રાઇવ્ડ ડીપ સીએનએનનો ઉપયોગ કરીને જેપીઇજી 2000 માટે સોફ્ટ ડીકોડિંગ પદ્ધતિ રજૂ કરીએ છીએ. વધુ ખાસ રીતે, તાલીમ તબક્કામાં, અમે ઉચ્ચ ગુણવત્તાની તાલીમ છબીઓ અને અનુરૂપ JPEG 2000 સંકુચિત છબીઓ વિવિધ કોડિંગ બીટ-રેટ્સ પર ઉપયોગ કરીને ઊંડા સીએનએનની શ્રેણીને તાલીમ આપીએ છીએ. પરીક્ષણના તબક્કામાં, ઇનપુટ કોમ્પ્રેસ્ડ ઇમેજ માટે, સૌથી નજીકના કોડિંગ બીટ-રેટ સાથે તાલીમ પામેલા સીએનએનને સોફ્ટ ડીકોડિંગ કરવા માટે પસંદ કરવામાં આવે છે. વ્યાપક પ્રયોગો પ્રસ્તુત સોફ્ટ ડીકોડિંગ ફ્રેમવર્કની અસરકારકતા દર્શાવે છે, જે JPEG 2000 સંકુચિત છબીઓની દ્રશ્ય ગુણવત્તા અને ઉદ્દેશ સ્કોર્સમાં મોટા પ્રમાણમાં સુધારો કરે છે. |
cfa092829c4c7a42ec77ab6844661e1dae082172 | બિટકોઇને એક નવો ખ્યાલ રજૂ કર્યો છે જે સમગ્ર ઇન્ટરનેટને શક્ય રૂપે ક્રાંતિ કરી શકે છે, અને બેન્કિંગ, જાહેર ક્ષેત્ર અને સપ્લાય ચેઇન સહિતના ઘણા પ્રકારનાં ઉદ્યોગો પર હકારાત્મક અસર કરી શકે છે, પરંતુ તે મર્યાદિત નથી. આ નવીનીકરણ સ્યુડો-અનામી પર આધારિત છે અને બ્લોકચેન ટેકનોલોજી પર આધારિત તેના નવીન વિકેન્દ્રિત આર્કિટેક્ચર પર પ્રયત્ન કરે છે. બ્લોકચેન કેન્દ્રિય સત્તાની જરૂરિયાત વિના ટ્રસ્ટની સ્થાપના સાથે વ્યવહાર આધારિત એપ્લિકેશન્સની રેસને આગળ ધપાવી રહ્યું છે, જે વ્યવસાય પ્રક્રિયામાં જવાબદારી અને પારદર્શિતાને પ્રોત્સાહન આપે છે. જો કે, એક બ્લોકચેન લેજર (દા. ત. , બિટકોઇન) ખૂબ જ જટિલ અને વિશિષ્ટ સાધનો બની જાય છે, જેને સામૂહિક રીતે "બ્લોકચેન એનાલિટિક્સ" કહેવામાં આવે છે, જે વ્યક્તિઓ, કાયદા અમલીકરણ એજન્સીઓ અને સેવા પ્રદાતાઓને તેને શોધવા, અન્વેષણ અને વિઝ્યુઅલાઈઝ કરવાની મંજૂરી આપે છે. છેલ્લા કેટલાક વર્ષોમાં, ઘણા વિશ્લેષણાત્મક સાધનો વિકસાવવામાં આવ્યા છે, જે ક્ષમતાઓ સાથે, ઉદાહરણ તરીકે, સંબંધોનું નકશો બનાવવા, વ્યવહારોના પ્રવાહની તપાસ કરવા અને ફોરેન્સિક તપાસને વધારવા માટે ગુનાના ઉદાહરણોને ફિલ્ટર કરવાની મંજૂરી આપે છે. આ કાગળમાં બ્લોકચેન વિશ્લેષણાત્મક સાધનોની વર્તમાન સ્થિતિની ચર્ચા કરવામાં આવી છે અને તેમની એપ્લિકેશન્સના આધારે વિષયોનું વર્ગીકરણ મોડેલ રજૂ કરવામાં આવ્યું છે. આ ઉપરાંત, ભવિષ્યમાં વિકાસ અને સંશોધન માટે ખુલ્લા પડકારોની પણ તપાસ કરવામાં આવી છે. |
2e5fadbaab27af0c2b5cc6a3481c11b2b83c4f94 | અમે ફોટોગ્રાફ પાછળ ફોટોગ્રાફરને ઓળખવાની નવલકથા સમસ્યા રજૂ કરીએ છીએ. આ સમસ્યાને ઉકેલવા માટે વર્તમાન કોમ્પ્યુટર વિઝન તકનીકોની શક્યતાનું અન્વેષણ કરવા માટે, અમે 41 જાણીતા ફોટોગ્રાફરો દ્વારા લેવામાં આવેલા 180,000 થી વધુ છબીઓનો નવો ડેટા સેટ બનાવ્યો. આ ડેટાસેટનો ઉપયોગ કરીને, અમે ફોટોગ્રાફરને ઓળખવામાં વિવિધ સુવિધાઓની અસરકારકતાની તપાસ કરી (નીચા અને ઉચ્ચ-સ્તરના, સીએનએન સુવિધાઓ સહિત). અમે આ કાર્ય માટે એક નવા ઊંડા સંકોચન ચેતા નેટવર્કને પણ તાલીમ આપી. અમારા પરિણામો દર્શાવે છે કે ઉચ્ચ સ્તરની સુવિધાઓ નીચા સ્તરની સુવિધાઓ કરતાં વધુ સારી છે. અમે આ શીખ્યા મોડેલોનો ઉપયોગ કરીને ગુણાત્મક પરિણામો પ્રદાન કરીએ છીએ જે ફોટોગ્રાફરો વચ્ચે તફાવત કરવાની અમારી પદ્ધતિની ક્ષમતામાં સમજ આપે છે, અને અમને ચોક્કસ ફોટોગ્રાફરો શું શૂટ કરે છે તે વિશે રસપ્રદ તારણો કાઢવા દે છે. અમે અમારી પદ્ધતિના બે કાર્યક્રમો પણ દર્શાવ્યા છે. |
25b6818743a6c0b9502a1c026c653038ff505c09 | |
6ed67a876b3afd2f2fb7b5b8c0800a0398c76603 | |
24281c886cd9339fe2fc5881faf5ed72b731a03e | મેપરેડ્યુસ અને તેના પ્રકારો કોમોડિટી ક્લસ્ટર્સ પર મોટા પાયે ડેટા-સઘન એપ્લિકેશન્સના અમલીકરણમાં ખૂબ સફળ રહ્યા છે. જો કે, આમાંની મોટાભાગની સિસ્ટમો અચૂક ડેટા ફ્લો મોડેલની આસપાસ બનાવવામાં આવી છે જે અન્ય લોકપ્રિય એપ્લિકેશન્સ માટે યોગ્ય નથી. આ કાગળ આવા એક વર્ગના કાર્યક્રમો પર ધ્યાન કેન્દ્રિત કરે છેઃ તે જે બહુવિધ સમાંતર કામગીરીમાં ડેટાના કાર્યકારી સમૂહનો ફરીથી ઉપયોગ કરે છે. આમાં ઘણા પુનરાવર્તિત મશીન લર્નિંગ અલ્ગોરિધમ્સ, તેમજ ઇન્ટરેક્ટિવ ડેટા વિશ્લેષણ સાધનોનો સમાવેશ થાય છે. અમે સ્પાર્ક નામના નવા માળખાની દરખાસ્ત કરીએ છીએ જે મેપરેડ્યુસના સ્કેલેબિલિટી અને ફોલ્ટ સહનશીલતાને જાળવી રાખતા આ એપ્લિકેશન્સને સપોર્ટ કરે છે. આ લક્ષ્યોને પ્રાપ્ત કરવા માટે, સ્પાર્ક એક અમૂર્ત રજૂ કરે છે જેને સ્થિતિસ્થાપક વિતરણ ડેટાસેટ્સ (આરડીડી) કહેવામાં આવે છે. આરડીડી એ મશીનોના સમૂહમાં પાર્ટીશન કરેલી ઑબ્જેક્ટ્સનો ફક્ત વાંચવા માટેનો સંગ્રહ છે જે પાર્ટીશન ખોવાઈ જાય તો ફરીથી બનાવી શકાય છે. સ્પાર્ક હડૂપને 10 ગણી વધુ સારી રીતે ચલાવી શકે છે અને તેનો ઉપયોગ 39 જીબી ડેટાને સબ-સેકન્ડ પ્રતિભાવ સમય સાથે ઇન્ટરેક્ટિવ રીતે ક્વેરી કરવા માટે કરી શકાય છે. |
03ff3f8f4d5a700fbe8f3a3e63a39523c29bb60f | વાક્યોને સચોટ રીતે રજૂ કરવાની ક્ષમતા ભાષા સમજણ માટે કેન્દ્રિય છે. અમે એક કન્વોલ્યુશનલ આર્કિટેક્ચરનું વર્ણન કરીએ છીએ જેને ડાયનેમિક કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક (ડીસીએનએન) તરીકે ઓળખવામાં આવે છે જે અમે વાક્યોના અર્થશાસ્ત્રના મોડેલિંગ માટે અપનાવીએ છીએ. નેટવર્ક ડાયનેમિક કે-મેક્સ પૂલિંગનો ઉપયોગ કરે છે, જે લીનિયર સિક્વન્સ પર વૈશ્વિક પૂલિંગ ઓપરેશન છે. નેટવર્ક વિવિધ લંબાઈના ઇનપુટ વાક્યોને સંભાળે છે અને વાક્ય પર એક લક્ષણ ગ્રાફ ઉત્પન્ન કરે છે જે ટૂંકા અને લાંબા અંતરના સંબંધોને સ્પષ્ટ રીતે પકડી શકે છે. આ નેટવર્ક પાર્સ વૃક્ષ પર આધાર રાખતું નથી અને તે કોઈપણ ભાષા પર સરળતાથી લાગુ થઈ શકે છે. અમે ચાર પ્રયોગોમાં ડીસીએનએનને ચકાસીએ છીએ: નાના પાયે દ્વિસંગી અને મલ્ટી-ક્લાસ સેન્ટીમેન્ટ આગાહી, છ-માર્ગ પ્રશ્ન વર્ગીકરણ અને દૂરસ્થ દેખરેખ દ્વારા ટ્વિટર સેન્ટીમેન્ટ આગાહી. નેટવર્ક પ્રથમ ત્રણ કાર્યોમાં ઉત્તમ કામગીરી પ્રાપ્ત કરે છે અને સૌથી મજબૂત બેઝલાઇનના સંદર્ભમાં છેલ્લા કાર્યમાં 25% કરતા વધુ ભૂલ ઘટાડો કરે છે. |
ff5c193fd7142b3f426baf997b43937eca1bbbad | હાઈ પાવર મીડિયમ વોલ્ટેજ એનર્જી કંટ્રોલના ક્ષેત્રમાં મલ્ટી લેવલ ઈન્વર્ટર ટેકનોલોજી તાજેતરમાં એક ખૂબ જ મહત્વપૂર્ણ વિકલ્પ તરીકે ઉભરી આવી છે. આ પેપરમાં સૌથી મહત્વપૂર્ણ ટોપોલોજી રજૂ કરવામાં આવી છે જેમ કે ડાયોડ-ક્લેમ્પ્ડ ઇન્વર્ટર (ન્યૂટ્રલ-પોઇન્ટ ક્લેમ્પ્ડ), કેપેસિટર-ક્લેમ્પ્ડ (ફ્લાઇંગ કેપેસિટર), અને અલગ ડીસી સ્રોતો સાથે કેસ્કેડેડ મલ્ટિસેલ. અસમપ્રમાણ હાઇબ્રિડ સેલ્સ અને સોફ્ટ-સ્વિચ મલ્ટીલેવલ ઇન્વર્ટર્સ જેવી ઉભરતી ટોપોલોજીની પણ ચર્ચા કરવામાં આવી છે. આ કાગળમાં કન્વર્ટરનાં આ પરિવાર માટે વિકસિત સૌથી સુસંગત નિયંત્રણ અને મોડ્યુલેશન પદ્ધતિઓ પણ રજૂ કરવામાં આવી છેઃ મલ્ટીલેવલ સિનોસોઇડલ પલ્સવિડ્થ મોડ્યુલેશન, મલ્ટીલેવલ પસંદગીયુક્ત હાર્મોનિક દૂર, અને સ્પેસ-વેક્ટર મોડ્યુલેશન. આ કન્વર્ટર્સના નવીનતમ અને વધુ સંબંધિત કાર્યક્રમો જેમ કે લેમિનેટર્સ, કન્વેયર બેલ્ટ અને યુનિફાઇડ પાવર-ફ્લો નિયંત્રકો માટે વિશેષ ધ્યાન આપવામાં આવે છે. આ ઇન્વર્ટર માટે ઇનપુટ બાજુ પર સક્રિય ફ્રન્ટ એન્ડની જરૂરિયાત પણ ચર્ચા કરવામાં આવે છે, અને સર્કિટ ટોપોલોજી વિકલ્પો પણ રજૂ કરવામાં આવે છે. છેલ્લે, હાઈ-વોલ્ટેજ હાઈ-પાવર ડિવાઇસ અને ઓપ્ટિકલ સેન્સર અને ભવિષ્યના વિકાસ માટે અન્ય તકો જેવા પેરિફેરલ વિકાસશીલ વિસ્તારોને સંબોધવામાં આવે છે. |
Subsets and Splits