_id
stringlengths 40
40
| text
stringlengths 0
9.38k
|
|---|---|
40baa5d4632d807cc5841874be73415775b500fd | મોટર ડ્રાઇવ્સ માટે પરંપરાગત બે-સ્તરવાળી હાઇ-ફ્રીક્વન્સી પલ્સ પહોળાઈ મોડ્યુલેશન (પીડબ્લ્યુએમ) ઇન્વર્ટર્સમાં તેમની ઉચ્ચ આવર્તન સ્વિચિંગ સાથે સંકળાયેલી ઘણી સમસ્યાઓ છે જે સામાન્ય-મોડ વોલ્ટેજ અને મોટર વાઇલિંગ્સમાં ઉચ્ચ વોલ્ટેજ ફેરફાર (ડીવી / ડીટી) દર પેદા કરે છે. મલ્ટીલેવલ ઇન્વર્ટર આ સમસ્યાઓને હલ કરે છે કારણ કે તેમના ઉપકરણો ઘણી ઓછી આવર્તન પર સ્વિચ કરી શકે છે. ઇલેક્ટ્રિક ડ્રાઇવ્સ માટે કન્વર્ટર તરીકે ઉપયોગ કરવા માટે બે અલગ અલગ મલ્ટીલેવલ ટોપોલોજીની ઓળખ કરવામાં આવી છે, અલગ સીસી સ્રોતો સાથે કાસ્કેડ ઇન્વર્ટર અને બેક-ટુ-બેક ડાયોડ ક્લેમ્પ્ડ કન્વર્ટર. કેસ્કેડ ઇન્વર્ટર એ મોટા ઓટોમોટિવ એલેક્ટ્રિક ડ્રાઇવ્સ માટે કુદરતી રીતે યોગ્ય છે કારણ કે ઉચ્ચ VA રેટિંગ્સ શક્ય છે અને કારણ કે તે ડીસી વોલ્ટેજ સ્ત્રોતોના કેટલાક સ્તરોનો ઉપયોગ કરે છે જે બેટરી અથવા ફ્યુઅલ સેલ્સથી ઉપલબ્ધ હશે. બેક-ટુ-બેક ડાયોડ ક્લેમ્પ્ડ કન્વર્ટર આદર્શ છે જ્યાં હાઇબ્રિડ ઇલેક્ટ્રિક વાહન જેવા એસી વોલ્ટેજનો સ્રોત ઉપલબ્ધ છે. સિમ્યુલેશન અને પ્રયોગોના પરિણામો PWM આધારિત ડ્રાઇવ્સ પર આ બે કન્વર્ટર્સની શ્રેષ્ઠતા દર્શાવે છે. |
895fa1357bcfa9b845945c6505a6e48070fd5d89 | આ કાર્યમાં અમે એક સુરક્ષિત ઇલેક્ટ્રોનિક મતદાન પ્રોટોકોલ પ્રસ્તાવિત કરીએ છીએ જે ઇન્ટરનેટ પર મોટા પાયે મતદાન માટે યોગ્ય છે. આ પ્રોટોકોલ મતદાતાને અનામી રીતે મતદાન કરવાની મંજૂરી આપે છે, અવિશ્વસનીય છતાં અધિકૃત સંદેશાઓની આપ-લે કરીને. આ પ્રોટોકોલ સુનિશ્ચિત કરે છે કે (i) માત્ર પાત્ર મતદારો મતદાન કરી શકે છે, (ii) મતદાર માત્ર એક જ મતદાન કરી શકે છે, (iii) મતદાર ચકાસી શકે છે કે અંતિમ ગણતરીમાં તેનો મત ગણાશે, (iv) મતદાર સિવાય કોઈ પણ વ્યક્તિ મતદાન કરાયેલા મતને મતદાર સાથે જોડી શકશે નહીં, અને (v) જો મતદાર મતદાન ન કરવાનો નિર્ણય લે તો, કોઈ પણ વ્યક્તિ મતદારની જગ્યાએ કપટપૂર્ણ મતદાન કરી શકશે નહીં. પ્રોટોકોલમાં તમામ રજિસ્ટર્ડ મતદારોના સહયોગની જરૂર નથી. મતદાન માટે થ્રેશોલ્ડ ક્રિપ્ટોસિસ્ટમ અથવા અનામી ચેનલો જેવી જટિલ ક્રિપ્ટોગ્રાફિક તકનીકોનો ઉપયોગ કરવાની પણ જરૂર નથી. આ સાહિત્યમાં પ્રસ્તાવિત અન્ય મતદાન પ્રોટોકોલ્સથી વિપરીત છે. પ્રોટોકોલ સફળ કામગીરી માટે મતદારો સિવાય ત્રણ એજન્ટોનો ઉપયોગ કરે છે. જો કે, અમે આ એજન્ટોમાંથી કોઈની પણ પર વિશ્વાસ કરવાની જરૂર નથી. એટલે કે, એજન્ટો શારીરિક રીતે એક સાથે સ્થિત હોઈ શકે છે અથવા છેતરપિંડી કરવાનો પ્રયાસ કરવા માટે એકબીજા સાથે સંકલન કરી શકે છે. જો કોઈ છેતરપિંડી કરવામાં આવે તો તેને સરળતાથી શોધી કાઢી શકાય છે અને સાબિત કરી શકાય છે, જેથી મતદાનને નલ અને અમાન્ય જાહેર કરી શકાય. જોકે અમે ઇલેક્ટ્રોનિક મતદાનને ધ્યાનમાં રાખીને પ્રોટોકોલનો પ્રસ્તાવ મૂક્યો છે, પ્રોટોકોલનો ઉપયોગ અન્ય એપ્લિકેશન્સમાં થઈ શકે છે જેમાં અણધારી છતાં અધિકૃત સંદેશાની આપ-લેનો સમાવેશ થાય છે. આવી અરજીઓના ઉદાહરણો ગુપ્ત પ્રશ્નાવલિને અનામી રીતે અથવા અનામી નાણાકીય વ્યવહારોનો જવાબ આપી રહ્યા છે. |
cf9145aa55da660a8d32bf628235c615318463bf | છેલ્લા એક દાયકામાં, તે સ્પષ્ટ થઈ ગયું છે કે એમ્બેડેડ સિસ્ટમ્સ આપણા રોજિંદા જીવનનો અભિન્ન ભાગ છે. ઘણા એમ્બેડેડ એપ્લિકેશન્સની વાયરલેસ પ્રકૃતિ તેમજ તેમની સર્વવ્યાપકતાએ સુરક્ષા અને ગોપનીયતા જાળવણીના તંત્રની જરૂરિયાતને ખાસ કરીને મહત્વપૂર્ણ બનાવી છે. આમ, એફપીજીએ એમ્બેડેડ સિસ્ટમોનો અભિન્ન ભાગ બની જાય છે, તેમની સુરક્ષાને સંપૂર્ણ રીતે ધ્યાનમાં લેવી જરૂરી છે. આ ફાળો સિસ્ટમ અને અમલીકરણ બંને પરિપ્રેક્ષ્યોથી એફપીજીએ પર સુરક્ષા મુદ્દાઓનું રાજ્ય-ઓફ-ધ-આર્ટ વર્ણન પૂરું પાડે છે. અમે ક્રિપ્ટોગ્રાફિક એપ્લિકેશન્સ માટે પુનઃરૂપરેખાંકિત હાર્ડવેરનાં ફાયદાઓની ચર્ચા કરીએ છીએ, એફપીજીએની સંભવિત સુરક્ષા સમસ્યાઓ બતાવીએ છીએ અને ખુલ્લી સંશોધન સમસ્યાઓની સૂચિ પ્રદાન કરીએ છીએ. વધુમાં, અમે એફપીજીએ પર જાહેર અને સમપ્રમાણ કી અલ્ગોરિધમનો અમલીકરણ બંનેનો સારાંશ આપીએ છીએ. |
748eb923d2c384d2b3af82af58d2e6692ef57aa1 | ટેક્સ્ટ માઇનિંગ એ કોમ્પ્યુટર સાયન્સનું એક નવું અને ઉત્તેજક ક્ષેત્ર છે જે ડેટા માઇનિંગ, મશીન લર્નિંગ, નેચરલ લેંગ્વેજ પ્રોસેસિંગ, ઇન્ફોર્મેશન રિકવરી અને જ્ઞાન મેનેજમેન્ટની તકનીકોને જોડીને માહિતીના ભારને સંકટથી દૂર કરવાનો પ્રયાસ કરે છે. ટેક્સ્ટ માઇનિંગ હેન્ડબુક ટેક્સ્ટ માઇનિંગ અને લિંક ડિટેક્શનમાં નવીનતમ તકનીકોની વ્યાપક ચર્ચા કરે છે. કોર ટેક્સ્ટ માઇનિંગ અને લિંક ડિટેક્શન અલ્ગોરિધમ્સ અને ઓપરેશન્સની ઊંડાણપૂર્વકની તપાસ પૂરી પાડવા ઉપરાંત, પુસ્તક અદ્યતન પૂર્વ-પ્રોસેસિંગ તકનીકો, જ્ઞાન પ્રતિનિધિત્વ વિચારણાઓ અને વિઝ્યુલાઇઝેશન અભિગમોની તપાસ કરે છે, જે વાસ્તવિક દુનિયાની એપ્લિકેશન્સ સાથે સમાપ્ત થાય છે. |
d044d399049bb9bc6df8cc2a5d72610a95611eed | ઉદ્દેશ્ય સબ-ક્યુટ સ્ટ્રોક ધરાવતા વ્યક્તિઓમાં લોકોમેટ સાથે રોબોટ-સહાયિત ચાલતા તાલીમ અને પરંપરાગત ચાલતા તાલીમની અસરકારકતાની તુલના કરવી. પદ્ધતિઓ કુલ 63 સહભાગીઓ < 6 મહિનાના સ્ટ્રોક પછી 0. 1 થી 0. 6 m/ s ની વચ્ચે પ્રારંભિક વૉકિંગ સ્પીડ સાથે મલ્ટિસેન્ટર, રેન્ડમાઇઝ્ડ ક્લિનિકલ ટ્રાયલ પૂર્ણ કરી. બધા સહભાગીઓએ લોકોમેટ અથવા પરંપરાગત ચાલ તાલીમમાંથી 24 કલાકની સત્રો પ્રાપ્ત કરી હતી. આઉટકમ માપદંડોનું મૂલ્યાંકન તાલીમ પહેલાં, 12 અને 24 સત્રો પછી અને 3 મહિનાની અનુવર્તી પરીક્ષામાં કરવામાં આવ્યું હતું. સ્વયં પસંદ કરેલ જમીન પર ચાલવાની ઝડપ અને 6 મિનિટમાં ચાલવામાં આવેલ અંતર પ્રાથમિક પરિણામ માપદંડ હતા, જ્યારે ગૌણ પરિણામ માપદંડમાં સંતુલન, ગતિશીલતા અને કાર્ય, ગતિ અને સમપ્રમાણતા, અપંગતાનું સ્તર અને જીવનની ગુણવત્તાના માપદંડનો સમાવેશ થાય છે. પરિણામો જે સહભાગીઓએ પરંપરાગત ચાલવાની તાલીમ લીધી હતી તેઓ લોકોમેટ પર તાલીમ પામેલા લોકો કરતા વૉકિંગ સ્પીડ (પી = . 002) અને અંતર (પી = . 03) માં નોંધપાત્ર રીતે વધુ લાભ અનુભવે છે. આ તફાવતો 3 મહિનાના અનુવર્તી મૂલ્યાંકનમાં જાળવવામાં આવ્યા હતા. ગૌણ માપદંડો બે જૂથો વચ્ચે અલગ ન હતા, જોકે પરંપરાગત વિરુદ્ધ લોકોમેટ જૂથમાં ગતિમાં બે ગણો વધારે સુધારો જોવા મળ્યો હતો. નિષ્કર્ષ મધ્યમથી ગંભીર ચાલવાની ક્ષતિ ધરાવતા સબએક્યુટ સ્ટ્રોકના સહભાગીઓ માટે, રોબોટ-સહાયિત ચાલવાની તાલીમ કરતાં પરંપરાગત ચાલવાની તાલીમ દરમિયાનગીરીઓની વિવિધતા ચાલવાની ક્ષમતામાં વળતરની સુવિધા માટે વધુ અસરકારક લાગે છે. |
098cc8b16697307a241658d69c213954ede76d59 | બે પ્લેટફોર્મ પર 43 વપરાશકર્તાઓના ડેટાનો ઉપયોગ કરીને, અમે સ્માર્ટફોન ટ્રાફિક પર વિગતવાર દેખાવ રજૂ કરીએ છીએ. અમે શોધીએ છીએ કે બ્રાઉઝિંગ ટ્રાફિકના અડધાથી વધુ ફાળો આપે છે, જ્યારે ઇમેઇલ, મીડિયા અને નકશા દરેક આશરે 10% ફાળો આપે છે. અમે એ પણ શોધી કાઢીએ છીએ કે નીચલા સ્તરના પ્રોટોકોલોના ઓવરહેડ નાના ટ્રાન્સફર કદના કારણે ઊંચા છે. પરિવહન-સ્તરની સુરક્ષાનો ઉપયોગ કરતા અડધા ટ્રાન્સફર માટે, હેડર બાઇટ્સ કુલ 40% જેટલા છે. અમે બતાવીએ છીએ કે જ્યારે પેકેટનું નુકસાન એ મુખ્ય પરિબળ છે જે સ્માર્ટફોન ટ્રાફિકના થ્રુપુટને મર્યાદિત કરે છે, ઇન્ટરનેટ સર્વર્સ પર મોટા મોકલવા બફર્સ ટ્રાન્સફરના એક ક્વાર્ટરના થ્રુપુટને સુધારી શકે છે. છેલ્લે, સ્માર્ટફોન ટ્રાફિક અને રેડિયો પાવર મેનેજમેન્ટ પોલિસી વચ્ચેની ક્રિયાપ્રતિક્રિયાનો અભ્યાસ કરીને, અમે શોધીએ છીએ કે પેકેટ એક્સચેન્જોના પ્રદર્શન પર ન્યૂનતમ અસર સાથે રેડિયોનો પાવર વપરાશ 35% ઘટાડી શકાય છે. |
1e126cee4c1bddbfdd4e36bf91b8b1c2fe8d44c2 | આ કાગળ પાવરબૂટરનું વર્ણન કરે છે, એક સ્વયંસંચાલિત પાવર મોડેલ બાંધકામ તકનીક જે વ્યક્તિગત ઘટકોની પાવર મેનેજમેન્ટ અને પ્રવૃત્તિ સ્થિતિને સ્પષ્ટ રીતે નિયંત્રિત કરતી વખતે પાવર વપરાશને મોનિટર કરવા માટે બિલ્ટ-ઇન બેટરી વોલ્ટેજ સેન્સર અને બેટરી ડિસ્ચાર્જ વર્તનનું જ્ઞાનનો ઉપયોગ કરે છે. તેને કોઈ બાહ્ય માપન સાધનોની જરૂર નથી. અમે પાવરટ્યુટરનું પણ વર્ણન કરીએ છીએ, જે એક ઘટક પાવર મેનેજમેન્ટ અને પ્રવૃત્તિ રાજ્ય અંતર્વિચારણા આધારિત સાધન છે જે પાવરબૂટર દ્વારા ઑનલાઇન પાવર અંદાજ માટે બનાવેલ મોડેલનો ઉપયોગ કરે છે. પાવરબૂટરનો હેતુ એપ્લિકેશન ડેવલપર્સ અને અંતિમ વપરાશકર્તાઓ માટે નવા સ્માર્ટફોન વેરિઅન્ટ્સ માટે પાવર મોડલ્સ બનાવવા માટે ઝડપી અને સરળ બનાવવાનો છે, જે પ્રત્યેક પાસે અલગ પાવર વપરાશ ગુણધર્મો છે અને તેથી વિવિધ પાવર મોડલ્સની જરૂર છે. પાવરટ્યુટર એ એમ્બેડેડ સિસ્ટમ્સ માટે ઊર્જા કાર્યક્ષમ સોફ્ટવેરની ડિઝાઇન અને પસંદગીને સરળ બનાવવા માટે બનાવાયેલ છે. પાવરબૂટર અને પાવરટ્યુટરનો સંયુક્ત ઉદ્દેશ વધુ સ્માર્ટફોન વેરિએન્ટ્સ અને તેમના વપરાશકર્તાઓ માટે પાવર મોડેલિંગ અને વિશ્લેષણ ખોલવાનો છે. |
3f62fe7de3bf15af1e5871dd8f623db29d8f0c35 | 255 વપરાશકર્તાઓના વિગતવાર ટ્રેકનો ઉપયોગ કરીને, અમે સ્માર્ટફોન ઉપયોગનો વ્યાપક અભ્યાસ કરીએ છીએ. અમે ઇરાદાપૂર્વકની વપરાશકર્તા પ્રવૃત્તિઓનું વર્ણન કરીએ છીએ -- ઉપકરણ અને ઉપયોગમાં લેવાતી એપ્લિકેશન્સ સાથેની ક્રિયાપ્રતિક્રિયાઓ -- અને તે પ્રવૃત્તિઓની અસર નેટવર્ક અને ઊર્જા વપરાશ પર. અમે વપરાશકર્તાઓમાં વિશાળ વિવિધતા શોધીએ છીએ. આપણે જે બધા પાસાંઓનો અભ્યાસ કરીએ છીએ, તેમાં વપરાશકર્તાઓ એક અથવા વધુ ક્રમમાં અલગ પડે છે. ઉદાહરણ તરીકે, દરરોજ સરેરાશ ક્રિયાપ્રતિક્રિયાઓની સંખ્યા 10 થી 200 સુધી બદલાય છે, અને દરરોજ પ્રાપ્ત થતા સરેરાશ ડેટાની સંખ્યા 1 થી 1000 એમબી સુધી બદલાય છે. વિવિધતાનું આ સ્તર સૂચવે છે કે વપરાશકર્તા અનુભવ અથવા ઊર્જા વપરાશને સુધારવા માટેની પદ્ધતિઓ વધુ અસરકારક રહેશે જો તેઓ વપરાશકર્તા વર્તણૂકને શીખે અને અનુકૂળ કરે. અમે શોધીએ છીએ કે વપરાશકર્તાઓ વચ્ચે ગુણાત્મક સમાનતા અસ્તિત્વમાં છે જે વપરાશકર્તા વર્તણૂક શીખવાની કાર્યને સરળ બનાવે છે. ઉદાહરણ તરીકે, માટે સંબંધિત એપ્લિકેશન લોકપ્રિયતાનો ઉપયોગ કરીને મોડેલ કરી શકાય છે ગુણાત્મક વિતરણ, વિવિધ વપરાશકર્તાઓ માટે વિવિધ વિતરણ પરિમાણો સાથે. અમે ભવિષ્યના ઊર્જા ડ્રેઇનની આગાહી કરવા માટે એક પદ્ધતિના સંદર્ભમાં વપરાશકર્તા વર્તણૂકને અનુકૂળ કરવાના મૂલ્યનું નિદર્શન કરીએ છીએ. અનુકૂલન સાથેની 90 મી ટકાવારી ભૂલ વપરાશકર્તાઓમાં સરેરાશ વર્તણૂક પર આધારિત આગાહીઓની તુલનામાં અડધાથી ઓછી છે. |
45654695f5cad20d2be36d45d280af5180004baf | આ લેખમાં આપણે ભવિષ્યના 5જી નેટવર્ક માટે નવા ફ્રન્ટહાઉલ ઇન્ટરફેસની રચનાની ચર્ચા કરીશું. વર્તમાન ફ્રૉન્થહૉલ સોલ્યુશન્સની મુખ્ય ખામીઓનું પ્રથમ વિશ્લેષણ કરવામાં આવે છે, અને પછી આગામી પેઢીના ફ્રૉન્થહૉલ ઇન્ટરફેસ (એનજીએફઆઇ) તરીકે ઓળખાતા નવા ફ્રૉન્થહૉલ ઇન્ટરફેસનો પ્રસ્તાવ મૂકવામાં આવે છે. એનજીએફઆઈ માટે ડિઝાઇન સિદ્ધાંતો રજૂ કરવામાં આવ્યા છે, જેમાં એન્ટેનાની સંખ્યાથી ફ્રન્ટહાઉલ બેન્ડવિડ્થને ડિસકોપલિંગ, સેલ અને વપરાશકર્તા સાધનોની પ્રક્રિયાને ડિસકોપલિંગ અને ઉચ્ચ પ્રદર્શન-વધારા સહયોગી તકનીકો પર ધ્યાન કેન્દ્રિત કરવું શામેલ છે. NGFIનો ઉદ્દેશ મુખ્ય 5G ટેકનોલોજીને ખાસ કરીને ક્લાઉડ RAN, નેટવર્ક ફંક્શન્સ વર્ચ્યુઅલાઈઝેશન અને મોટા પાયે એન્ટેના સિસ્ટમને વધુ સારી રીતે ટેકો આપવાનો છે. NGFI મોબાઇલ નેટવર્ક ટ્રાફિક પર ભરતીના પ્રભાવનો ઉપયોગ કરીને ઘટાડેલી બેન્ડવિડ્થ તેમજ ટ્રાન્સમિશન કાર્યક્ષમતામાં સુધારો કરવાના ફાયદાઓનો દાવો કરે છે. એનજીએફઆઈનું પ્રસારણ ઇથરનેટ પર આધારિત છે, જેથી તે લવચીકતા અને વિશ્વસનીયતાના લાભો મેળવી શકે. ઇથરનેટ આધારિત ફ્રન્ટહાઉલ નેટવર્ક્સની મુખ્ય અસર, પડકારો અને સંભવિત ઉકેલોનું પણ વિશ્લેષણ કરવામાં આવ્યું છે. જિટર, લેટેન્સી અને સમય અને આવર્તન સમન્વય એ મુખ્ય મુદ્દાઓ છે. |
a1bbd52c57ad6a36057f5aa69544887261eb1a83 | અમે એક વાક્યરચના આધારિત અલ્ગોરિધમનો વર્ણવીએ છીએ જે આપમેળે અર્થશાસ્ત્રના સમકક્ષ અનુવાદ સમૂહોમાંથી ફિનિટ સ્ટેટ ઓટોમેટા (શબ્દ ગ્રીટ્સ) બનાવે છે. આ એફએસએ પેરાફ્રેઝના સારા પ્રતિનિધિત્વ છે. તેનો ઉપયોગ લેક્સિકલ અને સિન્ટેક્ટીક પેરાફ્રેઝ જોડીઓ કાઢવા માટે અને નવા, અદ્રશ્ય વાક્યો પેદા કરવા માટે થઈ શકે છે જે ઇનપુટ સેટ્સમાં વાક્યો જેવા જ અર્થને વ્યક્ત કરે છે. અમારા FSAs વૈકલ્પિક અર્થપૂર્ણ રેન્ડરિંગની ચોકસાઈની આગાહી પણ કરી શકે છે, જેનો ઉપયોગ અનુવાદોની ગુણવત્તાનું મૂલ્યાંકન કરવા માટે થઈ શકે છે. |
78e2cf228287d7e995c6718338e3ec58dc7cca50 | |
7674e4e66c60a4a31d0b68a07d4ea521cca8a84b | ફઝીલોગ એ અંશતઃ આદેશિત વહેંચાયેલ લોગ અમૂર્ત છે. વિતરણ કાર્યક્રમો આંશિક ક્રમમાં એક સાથે ઉમેરી શકે છે અને તેને પાછું ચલાવી શકે છે. ફઝીલોગ એપ્લિકેશન્સને તેના ખામીઓથી પીડ્યા વિના - સરળ રીતે મજબૂત સુસંગતતા, ટકાઉપણું અને નિષ્ફળતા અણુત્વને બહાર કાઢવા - અંતર્ગત વહેંચાયેલ લોગના લાભો મળે છે. આંશિક ક્રમને ખુલ્લા કરીને, ફઝીલોગ એપ્લિકેશન્સ માટે ત્રણ મુખ્ય ક્ષમતાઓ સક્ષમ કરે છેઃ થ્રુપુટ અને ક્ષમતા માટે રેખીય સ્કેલિંગ (અણુત્વને બલિદાન આપ્યા વિના), નબળા સુસંગતતા બાંયધરીઓ અને નેટવર્ક પાર્ટીશનો માટે સહનશીલતા. અમે ડેપ્લ રજૂ કરીએ છીએ, જે ફઝીલોગ અમૂર્તની વિતરણ અમલીકરણ છે જે આંશિક ક્રમને કોમ્પેક્ટ રીતે સંગ્રહિત કરે છે અને નવા ઓર્ડરિંગ પ્રોટોકોલ દ્વારા કાર્યક્ષમ ઉમેરે છે / પ્લેબેકને સપોર્ટ કરે છે. અમે ફઝીલોગ પર કેટલાક ડેટા સ્ટ્રક્ચર્સ અને એપ્લિકેશન્સ અમલમાં મૂકીએ છીએ, જેમાં કેટલાક નકશાના પ્રકારો તેમજ ઝૂકીપર અમલીકરણનો સમાવેશ થાય છે. અમારા મૂલ્યાંકનમાં બતાવવામાં આવ્યું છે કે આ એપ્લિકેશન્સ કોમ્પેક્ટ, ઝડપી અને લવચીક છેઃ તેઓ વહેંચાયેલ લોગ ડિઝાઇનની સરળતા (100 લાઇન કોડ) અને મજબૂત સિમેન્ટીક્સ (ટકાઉપણું અને નિષ્ફળતા અણુત્વ) જાળવી રાખે છે જ્યારે લીનિયર સ્કેલેબિલિટી માટે ફઝીલોગના આંશિક ક્રમને શોષણ કરે છે, લવચીક સુસંગતતા બાંયધરીઓ (દા. ત. , કારણભૂત + સુસંગતતા), અને નેટવર્ક પાર્ટીશન સહનશીલતા. 6-નોડ ડેપ્લ ડિપ્લોયમેન્ટ પર, અમારા ફઝીલોગ આધારિત ઝૂકીપર 3 એમ / સેક સિંગલ-કી લખે છે, અને 150 કે / સેક એટોમિક ક્રોસ-શાર્ડ નામ બદલવાનું સમર્થન કરે છે. |
38bcf0bd4f8c35ff54d292d37cbdca1da677f3f5 | સુવાહ્ય બાયોસેન્સર્સ (ડબ્લ્યુબીએસ) અનેક નવીન સેટિંગ્સમાં સતત કાર્ડિયોવાસ્ક્યુલર (સીવી) મોનિટરિંગની મંજૂરી આપશે. ઘણા મોટા રોગોના નિદાન અને સારવારમાં ફાયદા થઈ શકે છે. ડબલ્યુબીએસ, યોગ્ય એલાર્મ અલ્ગોરિધમ્સ સાથે જોડાણમાં, ઉચ્ચ જોખમ ધરાવતા વિષયો માટે સીવી આપત્તિ માટે સર્વેલન્સ ક્ષમતાઓમાં વધારો કરી શકે છે. ડબલ્યુબીએસ ક્રોનિક રોગોની સારવારમાં પણ ભૂમિકા ભજવી શકે છે, જે માહિતી પૂરી પાડે છે જે ઉપચારની ચોક્કસ ટાઇટરેશન અથવા દર્દીના પાલનમાં અવરોધો શોધી શકે છે. ડબલ્યુબીએસ જોખમી કામગીરી (લશ્કરી, અગ્નિશામક વગેરે) દરમિયાન લોકોની વાયરલેસ સર્વેલન્સમાં મહત્વની ભૂમિકા ભજવી શકે છે. ), અથવા આવા સેન્સર્સને મોટા પાયે નાગરિક જાનહાનિના ઘટના દરમિયાન વિતરિત કરી શકાય છે. CV ફિઝિયોલોજિકલ પરિમાણો " મહત્વપૂર્ણ સંકેતો " બનાવે છે જે કટોકટીની તબીબી પરિસ્થિતિઓમાં સૌથી મહત્વપૂર્ણ માહિતી છે, WBS મોટી સંખ્યામાં જોખમી વિષયો માટે વાયરલેસ મોનિટરિંગ સિસ્ટમ સક્ષમ કરી શકે છે. આ જ અભિગમ આજે ભરેલા ઇમરજન્સી વિભાગોની પ્રતીક્ષા ખંડની દેખરેખમાં પણ ઉપયોગી થઈ શકે છે. હોસ્પિટલના દર્દીઓ માટે કે જેમને સીવી મોનિટરિંગની જરૂર હોય છે, વર્તમાન બાયોસેન્સર ટેકનોલોજી સામાન્ય રીતે કેબલ્સની ગડબડમાં દર્દીઓને જોડે છે, જ્યારે પહેરવા યોગ્ય સીવી સેન્સર હોસ્પિટલના દર્દીઓના આરામ વધારશે અને ઠોકર ખાવા અને પડવાનું જોખમ પણ ઘટાડી શકે છે, જે હોસ્પિટલના દર્દીઓ માટે એક કાયમી સમસ્યા છે જે બીમાર છે, દવાઓ લે છે અને અજાણ્યા સેટિંગમાં છે. દૈનિક ધોરણે, વસ્ત્રોવાળી સીવી સેન્સર સારવાર ન કરેલા વધેલા બ્લડ પ્રેશરને શોધીને દવાઓની ચૂકી ગયેલી માત્રાને શોધી શકે છે અને દર્દીને દવા લેવા માટે સ્વચાલિત રીમાઇન્ડર શરૂ કરી શકે છે. વધુમાં, ડોકટરો માટે હાઈ બ્લડ પ્રેશરની સારવારને ટાઇટરેટ કરવું અગત્યનું છે, કારણ કે અપૂરતી ઉપચાર તેમજ અતિશય ઉપચાર (અસામાન્ય રીતે નીચા બ્લડ પ્રેશર તરફ દોરી જાય છે) મૃત્યુદરમાં વધારો કરે છે. જો કે, હેલ્થકેર પ્રોવાઇડર્સ પાસે માત્ર રક્ત દબાણના અંતરાલ મૂલ્યો છે જેના પર ઉપચારના નિર્ણયોને આધારે; તે શક્ય છે કે સતત બ્લડ પ્રેશર મોનિટરિંગથી ઉપચારના વધુ તીવ્રતા અને મૃત્યુદરમાં ઘટાડો થશે. તેવી જ રીતે, ડબલ્યુબીએસ દર્દીના કસરત પ્રયત્નોની શારીરિક હસ્તાક્ષરને લ logગ કરવામાં સક્ષમ હશે (હૃદયના ધબકારા અને બ્લડ પ્રેશરમાં ફેરફારો તરીકે પ્રગટ થાય છે), દર્દી અને આરોગ્યસંભાળ પ્રદાતાને આરોગ્ય પરિણામોમાં સુધારો કરવા માટે સાબિત થયેલા શાસનની પાલનનું મૂલ્યાંકન કરવાની મંજૂરી આપે છે. હ્રદયની નિષ્ફળતા જેવા ક્રોનિક રક્તવાહિની રોગ ધરાવતા દર્દીઓ માટે, ડબલ્યુબીએસનો ઉપયોગ કરીને હોમ મોનિટરિંગ ખૂબ જ પ્રારંભિક (અને ઘણીવાર સરળતાથી સારવાર) તબક્કામાં તીવ્રતાઓને શોધી શકે છે, દર્દી વધુ ખતરનાક સ્તરે પ્રગતિ કરે તે પહેલાં કે જે ઇમરજન્સી રૂમની મુલાકાત અને ખર્ચાળ હોસ્પિટલમાં દાખલ કરવાની જરૂર પડે. આ લેખમાં આપણે તકનીકી અને ક્લિનિકલ બંનેને સંબોધિત કરીશું . . . |
86c9a59c7c4fcf0d10dbfdb6afd20dd3c5c1426c | ફિંગરપ્રિન્ટ વર્ગીકરણ ફિંગરપ્રિન્ટ ડેટાબેઝમાં એક મહત્વપૂર્ણ અનુક્રમણિકા પદ્ધતિ પૂરી પાડે છે. એક ચોક્કસ અને સુસંગત વર્ગીકરણ મોટા ડેટાબેઝ માટે ફિંગરપ્રિન્ટ મેચિંગ સમયને મોટા પ્રમાણમાં ઘટાડી શકે છે. અમે ફિંગરપ્રિન્ટ વર્ગીકરણ અલ્ગોરિધમનો પ્રસ્તુત કરીએ છીએ જે સાહિત્યમાં અગાઉ અહેવાલ કરતાં વધુ ચોકસાઈ પ્રાપ્ત કરવા માટે સક્ષમ છે. અમે ફિંગરપ્રિન્ટ્સને પાંચ કેટેગરીમાં વર્ગીકૃત કરીએ છીએ: વૉર્લ, જમણા લૂપ, ડાબી લૂપ, આર્ક, અને ટેન્ટ આર્ક. આ અલ્ગોરિધમનો એક નવલકથા રજૂઆત (ફિંગરકોડ) નો ઉપયોગ કરે છે અને વર્ગીકરણ કરવા માટે બે-તબક્કાના વર્ગીકરણકાર પર આધારિત છે. એનઆઈએસટી -4 ડેટાબેઝમાં 4,000 છબીઓ પર તેનું પરીક્ષણ કરવામાં આવ્યું છે. પાંચ-વર્ગની સમસ્યા માટે, 90 ટકાની વર્ગીકરણ ચોકસાઈ પ્રાપ્ત થાય છે (ફીચર નિષ્કર્ષણ તબક્કા દરમિયાન 1.8 ટકા અસ્વીકાર સાથે). ચાર-વર્ગની સમસ્યા (એક વર્ગમાં આર્ક અને ટેન્ટ આર્ક સંયુક્ત) માટે, અમે 94.8 ટકા (1.8 ટકા અસ્વીકાર સાથે) ની વર્ગીકરણ ચોકસાઈ પ્રાપ્ત કરી શકીએ છીએ. વર્ગીકરણકર્તામાં અસ્વીકાર વિકલ્પનો સમાવેશ કરીને, વર્ગીકરણ ચોકસાઈ પાંચ-વર્ગ વર્ગીકરણ કાર્ય માટે 96 ટકા સુધી વધારી શકાય છે, અને કુલ 32.5 ટકા છબીઓ નકારવામાં આવે તે પછી ચાર-વર્ગ વર્ગીકરણ કાર્ય માટે 97.8 ટકા સુધી. |
a2ed347d010aeae4ddd116676bdea2e77d942f6e | આ કાગળમાં ફિંગરપ્રિન્ટ વર્ગીકરણ અલ્ગોરિધમનો રજૂ કરવામાં આવ્યો છે. આંગળીના નિશાનને પાંચ શ્રેણીમાં વર્ગીકૃત કરવામાં આવે છેઃ આર્ક, ટેન્ટ આર્ક, ડાબી લૂપ, જમણી લૂપ અને વૉર્લ. આલ્ગોરિધમ ફિંગરપ્રિન્ટ ઇમેજમાં સિંગુલર પોઈન્ટ (કોર અને ડેલ્ટા) કાઢે છે અને શોધાયેલ સિંગુલર પોઈન્ટની સંખ્યા અને સ્થાનના આધારે વર્ગીકરણ કરે છે. વર્ગીકૃતકર્તા પરિભ્રમણ, અનુવાદ અને સ્કેલના ફેરફારોની નાની માત્રામાં અસ્થિર છે. વર્ગીકરણકાર નિયમ આધારિત છે, જ્યાં નિયમો આપેલ ડેટા સેટથી સ્વતંત્ર રીતે પેદા થાય છે. આ વર્ગીકરણકારને NIST-4 ડેટાબેઝમાં 4000 અને NIST-9 ડેટાબેઝમાં 5400 ઈમેજો પર પરીક્ષણ કરવામાં આવ્યું હતું. એનઆઈએસટી -4 ડેટાબેઝ માટે, પાંચ વર્ગની સમસ્યા માટે 85.4% અને ચાર વર્ગની સમસ્યા માટે 91.1% (આર્ક અને ટેન્ટ આર્કને એક જ કેટેગરીમાં મૂકવામાં આવે છે) ની વર્ગીકરણ ચોકસાઈ પ્રાપ્ત થઈ હતી. અસ્વીકાર વિકલ્પનો ઉપયોગ કરીને, ચાર-વર્ગની વર્ગીકરણ ભૂલ 6% થી ઓછી થઈ શકે છે, જેમાં 10% ફિંગરપ્રિન્ટ છબીઓ નકારી શકાય છે. NIST-9 ડેટાબેઝ પર સમાન વર્ગીકરણ પ્રદર્શન પ્રાપ્ત થયું હતું. |
b07ce649d6f6eb636872527104b0209d3edc8188 | |
3337976b072405933a02f7d912d2b6432de38feb | આ કાગળમાં ત્રણ ભાગો છેઃ સામાન્ય રીતે સારાંશોની પ્રારંભિક પ્રકાર; વર્તમાન અને આયોજિત મોડ્યુલોનું વર્ણન અને એસએટીએસઆઇ દ્વારા બનાવવામાં આવતી SUMMARIST સ્વયંસંચાલિત બહુભાષી ટેક્સ્ટ સારાંશ પ્રણાલીની કામગીરી અને સારાંશોનું મૂલ્યાંકન કરવાની ત્રણ પદ્ધતિઓની ચર્ચા. ૧. T H E N A T U R E O F S U M A R I E S 1950ના દાયકાના અંતમાં અને 60ના દાયકાની શરૂઆતમાં થયેલા પ્રારંભિક પ્રયોગોએ સૂચવ્યું હતું કે કોમ્પ્યુટર દ્વારા ટેક્સ્ટનું સારાંશ કરવું શક્ય છે, જોકે તે સીધું નથી (લુહ્ન, 59; એડમન્ડસન, 68). ત્યારબાદ વિકસિત પદ્ધતિઓ એકદમ અસ્પષ્ટ હતી, મુખ્યત્વે સપાટી સ્તરની ઘટનાઓ પર આધાર રાખતા હતા જેમ કે વાક્યની સ્થિતિ અને શબ્દ આવર્તન ગણતરીઓ, અને સારાંશ (ટેક્સ્ટના અર્થઘટન કરેલા ભાગો, નવા પેદા થયેલા) ને બદલે અર્ક (ટેક્સ્ટમાંથી પસંદ કરેલા માર્ગો, શાબ્દિક રીતે પુનઃઉત્પાદિત) પર ધ્યાન કેન્દ્રિત કર્યું હતું. કેટલાક દાયકાના અંતરાલ પછી, ઓનલાઇન ટેક્સ્ટની મોટી માત્રામાં વધતી હાજરી - કોર્પોરામાં અને ખાસ કરીને વેબ પર - સ્વયંસંચાલિત ટેક્સ્ટ સારાંશમાં રસ ફરી શરૂ થયો. આ દરમિયાનના દાયકાઓમાં, નેચરલ લેંગ્વેજ પ્રોસેસિંગ (એનએલપી) માં પ્રગતિ, કમ્પ્યુટર મેમરી અને ઝડપમાં મોટા પ્રમાણમાં વધારો સાથે, ખૂબ જ પ્રોત્સાહક પરિણામો સાથે વધુ વ્યવહારદક્ષ તકનીકોને શક્ય બનાવ્યું. 1990ના દાયકાના અંતમાં, યુ. એસ. માં કેટલાક પ્રમાણમાં નાના સંશોધન રોકાણો (માઇક્રોસોફ્ટ, લેક્સિસ-નેક્સિસ, ઓરેકલ, એસઆરએ અને ટેક્સ્ટવાઇઝ ખાતેના વ્યાપારી પ્રયત્નો અને સીએમયુ, એનએમએસયુ, યુપીએન અને યુએસસી / આઈએસઆઈ ખાતેના યુનિવર્સિટીના પ્રયત્નો સહિત 10 થી વધુ પ્રોજેક્ટ્સ નહીં) ત્રણ કે ચાર વર્ષોમાં ઘણી સિસ્ટમો ઉત્પન્ન કરી છે જે સંભવિત માર્કેટેબિલિટી દર્શાવે છે, તેમજ ઘણી નવીનતાઓ જે સતત સુધારણાની આશા રાખે છે. આ ઉપરાંત, તાજેતરમાં યોજાયેલી કેટલીક વર્કશોપ, એક પુસ્તક સંગ્રહ અને કેટલાક ટ્યુટોરિયલ્સ એ વાતની સાક્ષી આપે છે કે સ્વયંચાલિત ટેક્સ્ટ સારાંશ એ એક ગરમ ક્ષેત્ર બની ગયું છે. જો કે, જ્યારે કોઈ વ્યક્તિ વિવિધ પ્રણાલીઓનો અભ્યાસ કરવા અને ખરેખર શું પ્રાપ્ત થયું છે તે ધ્યાનમાં લેવા માટે થોડો સમય લે છે, ત્યારે તે તેમની અંતર્ગત સમાનતા દ્વારા, તેમના ધ્યાનની સાંકડીતા દ્વારા અને સમસ્યાની આસપાસના અજાણ્યા પરિબળોની મોટી સંખ્યા દ્વારા પ્રભાવિત થવામાં મદદ કરી શકતો નથી. ઉદાહરણ તરીકે, સારાંશ શું છે? કોઈ પણ ચોક્કસ જાણતું નથી. અમારા કાર્યમાં, અમે સારાંશને સામાન્ય શબ્દ તરીકે ઉપયોગ કરીએ છીએ અને તેને નીચે પ્રમાણે વ્યાખ્યાયિત કરીએ છીએઃ સારાંશ એ એક ટેક્સ્ટ છે જે એક અથવા વધુ (સંભવતઃ મલ્ટીમીડિયા) ટેક્સ્ટમાંથી બનાવવામાં આવે છે, જેમાં મૂળ ટેક્સ્ટની (કેટલીક) સમાન માહિતી હોય છે, અને તે મૂળ ટેક્સ્ટના અડધા કરતાં વધુ નથી. ચિત્રને થોડું સ્પષ્ટ કરવા માટે, આપણે અનુસરીએ છીએ અને વિવિધતાના નીચેના પાસાઓને ઓળખીને વિસ્તૃત કરીએ છીએ (સ્પીક જોન્સ, 97) કોઈપણ સારાંશને લક્ષણોના (ઓછામાં ઓછા) ત્રણ મુખ્ય વર્ગો દ્વારા વર્ગીકૃત કરી શકાય છેઃ ઇનવટઃ સ્રોત ટેક્સ્ટની લાક્ષણિકતાઓ ()) સ્રોતનું કદઃ સિંગલ-ડૉક્યુમેન્ટ વી. એસ. મલ્ટી-ડૉક્યુમેન્ટઃ એક-દસ્તાવેજ સારાંશ એક ઇનપુટ ટેક્સ્ટમાંથી મેળવવામાં આવે છે (જોકે સારાંશ પ્રક્રિયા પોતે અન્ય પાઠોમાંથી અગાઉ સંકલિત માહિતીનો ઉપયોગ કરી શકે છે). મલ્ટી-ડૉક્યુમેન્ટ સારાંશ એ એક ટેક્સ્ટ છે જે એક કરતાં વધુ ઇનપુટ ટેક્સ્ટની સામગ્રીને આવરી લે છે, અને સામાન્ય રીતે તેનો ઉપયોગ ત્યારે જ થાય છે જ્યારે ઇનપુટ ટેક્સ્ટ વિષયોની રીતે સંબંધિત હોય છે. વિશિષ્ટતાઃ ડોમેન-વિશિષ્ટ વિ. સામાન્યઃ જ્યારે ઇનપુટ પાઠો બધા એક ડોમેન સાથે સંબંધિત હોય, ત્યારે ડોમેન-વિશિષ્ટ સારાંશ તકનીકો લાગુ કરવા, ચોક્કસ સામગ્રી પર ધ્યાન કેન્દ્રિત કરવા અને સામાન્ય કેસની તુલનામાં ચોક્કસ બંધારણોને આઉટપુટ કરવા યોગ્ય હોઈ શકે છે. ડોમેન-વિશિષ્ટ સારાંશ એ ઇનપુટ ટેક્સ્ટ (ઓ) માંથી ઉતરી આવે છે જેની થીમ (ઓ) એક પ્રતિબંધિત ડોમેનથી સંબંધિત છે. આ રીતે, તે ઓછા શબ્દની અસ્પષ્ટતા, વિશિષ્ટ શબ્દ અને વ્યાકરણનો ઉપયોગ, વિશિષ્ટ ફોર્મેટિંગ, વગેરેને ધારી શકે છે, અને સારાંશમાં તેમને પ્રતિબિંબિત કરી શકે છે. |
25126128faa023d1a65a47abeb8c33219cc8ca5c | અમે મોટા પાયે કર્નલ પદ્ધતિઓ માટે નિસ્ટ્રોમ પ્રકારનાં સબસેમ્પલિંગ અભિગમોનો અભ્યાસ કરીએ છીએ, અને આંકડાકીય શિક્ષણ સેટિંગમાં શીખવાની મર્યાદાઓ સાબિત કરીએ છીએ, જ્યાં રેન્ડમ નમૂના અને ઉચ્ચ સંભાવના અંદાજો ધ્યાનમાં લેવામાં આવે છે. ખાસ કરીને, અમે સાબિત કરીએ છીએ કે આ અભિગમો શ્રેષ્ઠ શિક્ષણની સીમાઓ પ્રાપ્ત કરી શકે છે, જો ઉપનમૂના સ્તર યોગ્ય રીતે પસંદ કરવામાં આવે. આ પરિણામો Nyström Kernel Regularized Least Squares ના સરળ વૃદ્ધિગત પ્રકાર સૂચવે છે, જ્યાં સબસેમ્પલિંગ સ્તર કમ્પ્યુટેશનલ નિયમિતકરણના એક સ્વરૂપને અમલમાં મૂકે છે, તે અર્થમાં કે તે એક જ સમયે નિયમિતકરણ અને ગણતરીઓને નિયંત્રિત કરે છે. વ્યાપક પ્રાયોગિક વિશ્લેષણ દર્શાવે છે કે વિચારણા કરેલ અભિગમ બેંચમાર્ક મોટા પાયે ડેટાસેટ્સ પર કલા પ્રદર્શનની સ્થિતિ પ્રાપ્ત કરે છે. |
414573bcd1849b4d3ec8a06dd4080b62f1db5607 | ડિસ્ટ્રિબ્યુટેડ ડિનિયલ-ઓફ-સર્વિસ (ડીડીઓએસ) હુમલાઓ ઇન્ટરનેટ-વ્યાપી ખતરો છે. અમે ડી-વર્ડની દરખાસ્ત કરીએ છીએ, જે સ્રોત-અંત નેટવર્ક પર જમાવવામાં આવેલી ડીડીઓએસ સંરક્ષણ સિસ્ટમ છે જે આ નેટવર્ક્સથી ઉદ્ભવતા હુમલાઓને સ્વયંસ્ફુરિત રીતે શોધી અને અટકાવે છે. નેટવર્ક અને બાકીના ઇન્ટરનેટ વચ્ચે દ્વિ-માર્ગી ટ્રાફિક પ્રવાહની સતત દેખરેખ અને સામાન્ય પ્રવાહ મોડેલો સાથે સામયિક સરખામણી દ્વારા હુમલાઓ શોધી કાઢવામાં આવે છે. અસંગત પ્રવાહ તેમની આક્રમકતાની પ્રમાણમાં દર-મર્યાદિત છે. ડી-વર્ડ હુમલા દરમિયાન પણ કાયદેસરના ટ્રાફિકને સારી સેવા આપે છે, જ્યારે અસરકારક રીતે ડીડીઓએસ ટ્રાફિકને નગણ્ય સ્તરે ઘટાડે છે. સિસ્ટમનો એક પ્રોટોટાઇપ લિનક્સ રાઉટરમાં બનાવવામાં આવ્યો છે. અમે વિવિધ હુમલાના દૃશ્યોમાં તેની અસરકારકતા બતાવીએ છીએ, જમાવટ માટેની પ્રેરણાઓની ચર્ચા કરીએ છીએ અને સંકળાયેલ ખર્ચનું વર્ણન કરીએ છીએ. |
705a24f4e1766a44bbba7cf335f74229ed443c7b | ચહેરાની ઓળખના અલ્ગોરિધમ્સ સામાન્ય રીતે ધારે છે કે ચહેરાના ચિત્રો સારી રીતે ગોઠવાયેલા છે અને સમાન પોઝ ધરાવે છે - છતાં ઘણા વ્યવહારુ કાર્યક્રમોમાં આ શરતોને પહોંચી વળવું અશક્ય છે. તેથી ચહેરાની ઓળખને અનલિમિટેડ ચહેરાની છબીઓ સુધી વિસ્તૃત કરવું એ સંશોધનનું સક્રિય ક્ષેત્ર બની ગયું છે. આ માટે, સ્થાનિક દ્વિસંગી પેટર્ન (એલબીપી) ના હિસ્ટોગ્રામ ચહેરાની ઓળખ માટે અત્યંત ભેદભાવપૂર્ણ વર્ણનકર્તા સાબિત થયા છે. તેમ છતાં, મોટાભાગના એલબીપી-આધારિત અલ્ગોરિધમ્સ કઠોર વર્ણનકર્તા મેચિંગ વ્યૂહરચનાનો ઉપયોગ કરે છે જે પોઝ વિવિધતા અને ખોટી ગોઠવણી સામે મજબૂત નથી. અમે ચહેરાની ઓળખ માટે બે અલ્ગોરિધમ્સ પ્રસ્તાવિત કરીએ છીએ જે પોઝ ભિન્નતા અને ખોટી ગોઠવણી સાથે વ્યવહાર કરવા માટે રચાયેલ છે. અમે પ્રકાશના સામાન્યકરણના પગલાને પણ સામેલ કરીએ છીએ જે પ્રકાશના ફેરફારો સામે મજબૂતતામાં વધારો કરે છે. પ્રસ્તાવિત અલ્ગોરિધમ્સ એલબીપીના હિસ્ટોગ્રામ્સ પર આધારિત વર્ણનકારોનો ઉપયોગ કરે છે અને અનુક્રમે અવકાશી પિરામિડ મેચિંગ (એસપીએમ) અને નાઇવ બેયસ નજીકના પાડોશી (એનબીએનએન) સાથે વર્ણનકાર મેળ ખાતા કરે છે. અમારો ફાળો એ છે કે લવચીક અવકાશી મેચિંગ યોજનાઓનો સમાવેશ કરવો કે જે ઈમેજ-ટુ-ક્લાસ સંબંધનો ઉપયોગ કરે છે જેથી આંતરિક-વર્ગના ભિન્નતાઓને ધ્યાનમાં રાખીને સુધારેલ મજબૂતાઈ પૂરી પાડી શકાય. અમે એહોનનની મૂળ એલબીપી-આધારિત ચહેરાની ઓળખ સિસ્ટમ અને બેઝલાઇન હોલિસ્ટિક વર્ગીકરણકર્તા સાથે ચાર પ્રમાણભૂત ડેટાસેટ્સ પર સૂચિત અલ્ગોરિધમ્સની ચોકસાઈની તુલના કરીએ છીએ. અમારા પરિણામો સૂચવે છે કે એનબીએનએન પર આધારિત અલ્ગોરિધમનો અન્ય ઉકેલોને વટાવી દે છે, અને તે પોઝ ભિન્નતાની હાજરીમાં વધુ નોંધપાત્ર રીતે કરે છે. |
fb8704210358d0cbf5113c97e1f9f9f03f67e6fc | કન્ટેન્ટ-બેસ્ડ વિઝ્યુઅલ ઇન્ફોર્મેશન રિટ્રીવલ (સીબીવીઆઈઆર) અથવા કન્ટેન્ટ-બેસ્ડ ઇમેજ રિટ્રીવલ (સીબીઆઈઆર) છેલ્લા 10 વર્ષમાં કોમ્પ્યુટર વિઝન ક્ષેત્રમાં સૌથી વધુ સંશોધન ક્ષેત્રોમાંનું એક રહ્યું છે. વિઝ્યુઅલ અને મલ્ટીમીડિયા ડેટાની મોટી અને સતત વધતી જતી માત્રાની ઉપલબ્ધતા અને ઇન્ટરનેટનો વિકાસ, વિષયોની ઍક્સેસ પદ્ધતિઓ બનાવવાની જરૂરિયાતને રેખાંકિત કરે છે જે સરળ ટેક્સ્ટ-આધારિત ક્વેરીઝ અથવા ડેટાબેઝ ક્ષેત્રો સાથે મેળ ખાતી ચોક્કસ વિનંતીઓ કરતાં વધુ પ્રદાન કરે છે. વિઝ્યુઅલ અથવા ઑડિઓ સામગ્રી પર આધારિત ક્વેરીઝ તૈયાર કરવા અને ચલાવવા માટે અને મોટા મલ્ટીમીડિયા રીપોઝીટરીઝ બ્રાઉઝ કરવામાં મદદ માટે ઘણા કાર્યક્રમો અને સાધનો વિકસાવવામાં આવ્યા છે. તેમ છતાં, વિવિધ પ્રકારના અને વિવિધ લાક્ષણિકતાઓવાળા દસ્તાવેજો સાથેના મોટા વિવિધ ડેટાબેઝના સંદર્ભમાં કોઈ સામાન્ય સફળતા પ્રાપ્ત થઈ નથી. ઝડપ, અર્થશાસ્ત્રના વર્ણનકર્તાઓ અથવા ઉદ્દેશ્ય છબી અર્થઘટનોના સંદર્ભમાં ઘણા પ્રશ્નોના જવાબો હજુ પણ અનુત્તરિત છે. તબીબી ક્ષેત્રમાં, છબીઓ, અને ખાસ કરીને ડિજિટલ છબીઓ, સતત વધતી જતી માત્રામાં ઉત્પન્ન થાય છે અને નિદાન અને ઉપચાર માટે ઉપયોગમાં લેવાય છે. જિનેવા યુનિવર્સિટી હોસ્પિટલના રેડિયોલોજી વિભાગે 2002માં દરરોજ 12,000થી વધારે તસવીરો બનાવી હતી. હૃદયરોગ હાલમાં ડિજિટલ છબીઓનો બીજો સૌથી મોટો ઉત્પાદક છે, ખાસ કરીને કાર્ડિયોકેથેટ્રીઝેશનના વીડિયો સાથે (દર વર્ષે આશરે 1800 પરીક્ષાઓ જેમાં લગભગ 2000 છબીઓ છે). જિનેવા યુનિવર્સિટી હોસ્પિટલમાં ઉત્પન્ન કરાયેલા કાર્ડિયોલોજિક ઇમેજ ડેટાની કુલ રકમ 2002 માં લગભગ 1 ટીબી હતી. એન્ડોસ્કોપિક વીડિયો પણ એકસરખું જબરદસ્ત પ્રમાણમાં ડેટા ઉત્પન્ન કરી શકે છે. ડિજિટલ ઇમેજિંગ અને મેડિસિનમાં સંચાર (ડીઆઈસીઓએમ) સાથે, ઇમેજ સંચાર માટે એક ધોરણ નક્કી કરવામાં આવ્યું છે અને દર્દીની માહિતીને વાસ્તવિક છબીઓ સાથે સંગ્રહિત કરી શકાય છે, જો કે હજુ પણ ધોરણોના સંદર્ભમાં કેટલીક સમસ્યાઓ પ્રવર્તે છે. ઘણા લેખોમાં, ક્લિનિકલ નિર્ણય લેવા માટે તબીબી છબીઓની સામગ્રી આધારિત ઍક્સેસનો પ્રસ્તાવ મૂકવામાં આવ્યો છે જે ક્લિનિકલ ડેટાના સંચાલનને સરળ બનાવશે અને છબી આર્કાઇવિંગ અને કમ્યુનિકેશન સિસ્ટમ્સ (પીએસીએસ) માં સામગ્રી આધારિત ઍક્સેસ પદ્ધતિઓના સંકલન માટે દૃશ્યો બનાવવામાં આવ્યા છે. આ લેખમાં તબીબી છબી ડેટાની સામગ્રી આધારિત ઍક્સેસ અને આ ક્ષેત્રમાં ઉપયોગમાં લેવાતી તકનીકોના ક્ષેત્રમાં ઉપલબ્ધ સાહિત્યની ઝાંખી આપવામાં આવી છે. વિભાગ 1 સામાન્ય સામગ્રી આધારિત છબી પુનઃપ્રાપ્તિ અને ઉપયોગમાં લેવાતી તકનીકોમાં પરિચય આપે છે. વિભાગ 2 તબીબી વ્યવહારમાં છબી પુનઃપ્રાપ્તિના ઉપયોગ માટેના પ્રસ્તાવો અને વિવિધ અભિગમો સમજાવે છે. ઉદાહરણ સિસ્ટમો અને એપ્લિકેશન ક્ષેત્રો વર્ણવવામાં આવે છે. વિભાગ 3 અમલીકરણ સિસ્ટમો, તેમના ડેટાસેટ્સ અને મૂલ્યાંકનોમાં ઉપયોગમાં લેવાતી તકનીકોનું વર્ણન કરે છે. વિભાગ 4 માં ક્લિનિકલ પ્રેક્ટિસ તેમજ સંશોધન અને શિક્ષણમાં ઇમેજ પુનઃપ્રાપ્તિ સિસ્ટમ્સના સંભવિત ક્લિનિકલ લાભો ઓળખવામાં આવે છે. નવી સંશોધન દિશાઓ નક્કી કરવામાં આવી રહી છે જે ઉપયોગી સાબિત થઈ શકે છે. આ લેખમાં ક્ષેત્રની કેટલીક સમસ્યાઓની રૂપરેખા પણ આપવામાં આવી છે, કારણ કે તે તબીબી ક્ષેત્રમાંથી સિસ્ટમો માટે ઘણા પ્રસ્તાવો બનાવે છે અને તબીબી ડેટાસેટ્સનો ઉપયોગ કરીને કમ્પ્યુટર સાયન્સ વિભાગોમાં સંશોધન પ્રોટોટાઇપ્સ વિકસાવવામાં આવે છે. હજુ પણ, ખૂબ જ ઓછી સિસ્ટમો છે જે ક્લિનિકલ પ્રેક્ટિસમાં ઉપયોગમાં લેવાય છે. એ પણ જણાવવું જરૂરી છે કે, સામાન્ય રીતે, તેનો ઉદ્દેશ ટેક્સ્ટ આધારિત રીટ્રીવલ પદ્ધતિઓને બદલવાનો નથી, કારણ કે તે આ ક્ષણે અસ્તિત્વમાં છે પરંતુ તેમને વિઝ્યુઅલ શોધ સાધનો સાથે પૂરક બનાવવા માટે છે. |
38919649ae3fd207b96b62e95b3c8c8e69635c7f | આ અભ્યાસ વાયરલેસ મોબાઇલ એડ-હોક નેટવર્ક્સ માટે પ્રસ્તાવિત ત્રણ રૂટીંગ પ્રોટોકોલની સરખામણી છે. પ્રોટોકોલ આ પ્રમાણે છેઃ ડેસ્ટિનેશન સિક્વન્સ્ડ ડિસ્ટન્સ વેક્ટર (ડીએસડીવી), એડ-હોક ઓન-ડિમાન્ડ ડિસ્ટન્સ વેક્ટર (એઓડીવી) અને ડાયનેમિક સોર્સ રૂટીંગ (ડીએસઆર). વ્યાપક સિમ્યુલેશન એવા દૃશ્ય પર કરવામાં આવે છે જ્યાં ગાંઠો રેન્ડમલી ખસે છે. પરિણામો એક નવા ગતિશીલતા મેટ્રિકના કાર્ય તરીકે પ્રસ્તુત કરવામાં આવે છે, જે એક દૃશ્યમાં ગાંઠોની સંબંધિત ઝડપે પ્રતિબિંબિત કરવા માટે રચાયેલ છે. વધુમાં, વધુ વિશિષ્ટ સંદર્ભોમાં પ્રોટોકોલોની ચકાસણી કરવા માટે ત્રણ વાસ્તવિક દૃશ્યો રજૂ કરવામાં આવે છે. મોટાભાગની સિમ્યુલેશન્સમાં પ્રતિક્રિયાશીલ પ્રોટોકોલ (એઓડીવી અને ડીએસઆર) એ ડીએસડીવી કરતા નોંધપાત્ર રીતે વધુ સારું પ્રદર્શન કર્યું હતું. મધ્યમ ટ્રાફિક લોડ પર ડીએસઆરએ તમામ પરીક્ષણ કરેલ ગતિશીલતા મૂલ્યો માટે એઓડીવી કરતા વધુ સારું પ્રદર્શન કર્યું, જ્યારે એઓડીવીએ ઉચ્ચ ટ્રાફિક લોડ પર ડીએસઆર કરતા વધુ સારું પ્રદર્શન કર્યું. બાદમાં ડીએસઆર ડેટા પેકેટોમાં સ્રોત રૂટ્સ દ્વારા થાય છે, જે નેટવર્ક પર ભાર વધે છે. રાઉટર અને હોસ્ટ, આમ નોડ અન્ય નોડ્સ વચ્ચે પેકેટો આગળ મોકલી શકે છે તેમજ વપરાશકર્તા એપ્લિકેશન્સ ચલાવી શકે છે. મોબાઇલ એડ-હોક નેટવર્ક્સ તાજેતરના ઘણા સંશોધન અને વિકાસના પ્રયત્નોનું કેન્દ્ર છે. એડ-હોક પેકેટ રેડિયો નેટવર્કોએ અત્યાર સુધી મુખ્યત્વે લશ્કરી એપ્લિકેશન્સને ધ્યાનમાં રાખી છે, જ્યાં વિકેન્દ્રિત નેટવર્ક રૂપરેખાંકન ઓપરેશનલ લાભ અથવા તો જરૂરિયાત છે. એડ-હોક રૂપરેખાંકન ખ્યાલોનો ઉપયોગ કરીને નેટવર્ક્સનો ઉપયોગ ઘણા લશ્કરી એપ્લિકેશન્સમાં થઈ શકે છે, જે એકબીજા સાથે જોડાયેલા વાયરલેસ એક્સેસ પોઇન્ટથી લઈને વ્યક્તિઓ દ્વારા વહન કરવામાં આવતા વાયરલેસ ઉપકરણોના નેટવર્ક્સ સુધી, ઉદાહરણ તરીકે, ડિજિટલ નકશા, શરીરમાં જોડાયેલા સેન્સર, વૉઇસ કમ્યુનિકેશન, વગેરે. વ્યાપક શ્રેણી અને ટૂંકા શ્રેણીના એડ-હોક નેટવર્ક્સના સંયોજનો પ્રતિકૂળ ઓપરેટિંગ પરિસ્થિતિઓ દરમિયાન પણ મજબૂત, વૈશ્વિક કવરેજ પૂરું પાડવાનો પ્રયાસ કરે છે. |
0f7329cf0d388d4c5d5b94ee52ad2385bd2383ce | સુપરવોક્સલ સેગ્મેન્ટેશનને પ્રારંભિક વિડિઓ વિશ્લેષણમાં સમાવિષ્ટ કરવાની મજબૂત સંભાવના છે કારણ કે સુપરપિક્સેલ સેગ્મેન્ટેશનને છબી વિશ્લેષણમાં છે. જો કે, ઘણી માન્ય સુપરવોક્સલ પદ્ધતિઓ છે અને જ્યારે અને જ્યાં દરેક સૌથી યોગ્ય છે તે અંગે થોડી સમજ છે. ખરેખર, સુપરવોક્સલ સેગ્મેન્ટેશન પર એક પણ તુલનાત્મક અભ્યાસની અમને જાણ નથી. તે અંત માટે, અમે સાત સુપરવોક્સલ અલ્ગોરિધમ્સનો અભ્યાસ કરીએ છીએ, જેમાં ઑફલાઇન અને સ્ટ્રીમિંગ પદ્ધતિઓ બંનેનો સમાવેશ થાય છે, જે આપણે સારા સુપરવોક્સલ તરીકે ગણીએ છીએ તે સંદર્ભમાંઃ એટલે કે, અવકાશી એકરૂપતા, ઑબ્જેક્ટ / પ્રદેશની સીમા શોધ, પ્રદેશ સંકોચન અને પાર્સિમોની. આ મૂલ્યાંકન માટે અમે આ ઇચ્છનીય સુપરવોક્સલ લાક્ષણિકતાઓને માપવા માટે સાત ગુણવત્તા મેટ્રિક્સનો વ્યાપક સ્યુટ પ્રસ્તાવિત કરીએ છીએ. વધુમાં, અમે વિડિઓ વિશ્લેષણમાં સુપરવોક્સલ્સના અનુગામી ઉચ્ચ-સ્તરના ઉપયોગો માટે પ્રોક્સી તરીકે સુપરવોક્સલ વર્ગીકરણ કાર્યમાં પદ્ધતિઓનું મૂલ્યાંકન કરીએ છીએ. અમે વિવિધ પ્રકારના કન્ટેન્ટ અને ગાઢ માનવ એનોટેશન્સ સાથે છ હાલના બેંચમાર્ક વિડિઓ ડેટાસેટ્સનો ઉપયોગ કરીએ છીએ. અમારા તારણોએ અમને નિર્ણાયક પુરાવા તરફ દોરી ગયા છે કે હાયરાર્કીક ગ્રાફ-આધારિત (જીબીએચ), વજનવાળા એકત્રીકરણ (એસડબ્લ્યુએ) અને ટાઈમરલ સુપરપિક્સેલ્સ (ટીએસપી) પદ્ધતિઓ દ્વારા સેગમેન્ટેશન સાત પદ્ધતિઓ વચ્ચે ટોચના-પ્રદર્શન કરનારા છે. તેઓ બધા સેગમેન્ટેશન ચોકસાઈની દ્રષ્ટિએ સારી કામગીરી કરે છે, પરંતુ અન્ય ઇચ્છિત ડેટાના સંદર્ભમાં અલગ અલગ હોય છેઃ GBH શ્રેષ્ઠ પદાર્થની સીમાઓ મેળવે છે; એસડબલ્યુએમાં પ્રદેશ સંકોચન માટે શ્રેષ્ઠ સંભવિત છે; અને ટીએસપી શ્રેષ્ઠ અંડરસેગમેન્ટેશન ભૂલ પ્રાપ્ત કરે છે. |
50dea03d4feb1797f1d5c260736e1cf7ad6d45ca | અમે ઝડપથી વધતી ફાઈબ્રોડેનોમાના એક કેસની જાણ કરીએ છીએ. ૧૩ વર્ષની એક છોકરીએ ડાબી છાતીમાં થયેલા ગંઠાઇ જવાને કારણે આઉટપેશન્ટ ક્લિનિકમાં સલાહ લીધી. ક્લિનિકલ પરીક્ષણો દ્વારા સમૂહને ફાઇબ્રોડેનોમા તરીકે નિદાન કરવામાં આવ્યું હતું, અને દર્દીને કાળજીપૂર્વક નિરીક્ષણ કરવામાં આવ્યું હતું. દરેક માસિક સ્રાવ સાથે જથ્થામાં ઝડપથી વધારો થયો અને ચાર મહિના પછી વોલ્યુમમાં 50% વધારો દર્શાવ્યો. લમ્પેક્ટોમી કરવામાં આવી હતી. હિસ્ટોલોજિકલ રીતે ટ્યુમરનું નિદાન ફાઇબ્રોડેનોમા ઓર્ગેનાઇઝ્ડ પ્રકાર તરીકે કરવામાં આવ્યું હતું અને ઘણા ગ્રંથીય ઉપકલા કોશિકાઓમાં ન્યુક્લિયસમાં એન્ટિ- એસ્ટ્રોજન રીસેપ્ટર એન્ટિબોડી માટે સકારાત્મક ઇમ્યુનોહિસ્ટોકેમિકલ સ્ટેનિંગ હતું. નિષ્કર્ષ ટ્યુમરની એસ્ટ્રોજન સંવેદનશીલતા ઝડપી વૃદ્ધિ માટે જવાબદાર હોઈ શકે છે. |
0674c1e2fd78925a1baa6a28216ee05ed7b48ba0 | પ્રો. કોમ્પ્યુટર વિઝન પર આંતરરાષ્ટ્રીય પરિષદ, કોર્ફુ (સપ્ટેમ્બર 1999) એક ઑબ્જેક્ટ ઓળખ સિસ્ટમ વિકસાવવામાં આવી છે જે સ્થાનિક છબી સુવિધાઓના નવા વર્ગનો ઉપયોગ કરે છે. આ લક્ષણો છબી સ્કેલિંગ, અનુવાદ અને પરિભ્રમણ માટે અસ્થિર છે, અને અંશતઃ પ્રકાશના ફેરફારો અને સંલગ્ન અથવા 3D પ્રક્ષેપણ માટે અસ્થિર છે. આ લક્ષણો નીચલા ક્ષણિક પેશીમાં ન્યુરોન્સ સાથે સમાન ગુણધર્મો ધરાવે છે જેનો ઉપયોગ પ્રાઈમેટ દ્રષ્ટિમાં પદાર્થ ઓળખ માટે થાય છે. લક્ષણોને તબક્કાવાર ફિલ્ટરિંગ અભિગમ દ્વારા અસરકારક રીતે શોધી કાઢવામાં આવે છે જે સ્કેલ સ્પેસમાં સ્થિર બિંદુઓને ઓળખે છે. છબી કીઓ બનાવવામાં આવે છે જે બહુવિધ અભિગમ પ્લેનમાં અને બહુવિધ સ્કેલ પર અસ્પષ્ટ છબી ઢાળનું પ્રતિનિધિત્વ કરીને સ્થાનિક ભૌમિતિક વિકૃતિઓ માટે પરવાનગી આપે છે. કીનો ઉપયોગ નજીકના પાડોશી અનુક્રમણિકા પદ્ધતિમાં ઇનપુટ તરીકે થાય છે જે ઉમેદવાર ઑબ્જેક્ટ મેચને ઓળખે છે. દરેક મેચની અંતિમ ચકાસણી અજ્ઞાત મોડેલ પરિમાણો માટે ઓછી-બાકી લઘુત્તમ-ચોરસ ઉકેલ શોધવા દ્વારા પ્રાપ્ત થાય છે. પ્રાયોગિક પરિણામો દર્શાવે છે કે 2 સેકન્ડથી ઓછા સમયની ગણતરી સાથે અવ્યવસ્થિત આંશિક-અવરોધિત છબીઓમાં મજબૂત પદાર્થ ઓળખ પ્રાપ્ત કરી શકાય છે. |
bbb9c3119edd9daa414fd8f2df5072587bfa3462 | આ ઓપન સોર્સ કમ્પ્યુટિંગ ફ્રેમવર્ક નવા એપ્લિકેશન્સને અનલૉક કરવા માટે સ્ટ્રીમિંગ, બેચ અને ઇન્ટરેક્ટિવ મોટા ડેટા વર્કલોડ્સને એકીકૃત કરે છે. |
18ca2837d280a6b2250024b6b0e59345601064a7 | વિજ્ઞાનના ઘણા ક્ષેત્રો સંશોધન ડેટા વિશ્લેષણ અને વિઝ્યુલાઇઝેશન પર આધાર રાખે છે. બહુવિધ ચલોના મોટા પ્રમાણમાં ડેટાનું વિશ્લેષણ કરવાની જરૂરિયાત પરિમાણીયતા ઘટાડવાની મૂળભૂત સમસ્યા ઉભી કરે છેઃ ઉચ્ચ-પરિમાણીય ડેટાના કોમ્પેક્ટ પ્રતિનિધિત્વને કેવી રીતે શોધવું. અહીં, અમે સ્થાનિક રૂપે રેખીય એમ્બેડિંગ (એલએલઇ) રજૂ કરીએ છીએ, એક અનસર્વેસ્ડ લર્નિંગ અલ્ગોરિધમનો જે ઉચ્ચ-પરિમાણીય ઇનપુટ્સના નીચા પરિમાણીય, પડોશી-સંરક્ષણ એમ્બેડિંગની ગણતરી કરે છે. સ્થાનિક પરિમાણાત્મકતા ઘટાડવા માટે ક્લસ્ટરીંગ પદ્ધતિઓથી વિપરીત, એલએલઇ નીચલા પરિમાણાત્મકતાના એક જ વૈશ્વિક સંકલન પ્રણાલીમાં તેના ઇનપુટ્સને મેપ કરે છે, અને તેના ઓપ્ટિમાઇઝેશનમાં સ્થાનિક લઘુત્તમનો સમાવેશ થતો નથી. રેખીય પુનઃનિર્માણની સ્થાનિક સમપ્રમાણતાનો ઉપયોગ કરીને, એલએલઇ બિન-રેખીય મૅનિફોલ્ડ્સના વૈશ્વિક માળખાને શીખવા માટે સક્ષમ છે, જેમ કે ચહેરાના ચિત્રો અથવા ટેક્સ્ટના દસ્તાવેજો દ્વારા પેદા થયેલા. |
a3bfe87159938a96d3f2037ff0fe10adca0d21b0 | જેમ જેમ વાહનોમાં વધુ સોફ્ટવેર મોડ્યુલો અને બાહ્ય ઇન્ટરફેસો ઉમેરવામાં આવે છે તેમ, નવા હુમલા અને નબળાઈઓ ઉભરી આવી રહી છે. સંશોધકોએ દર્શાવ્યું છે કે કેવી રીતે વાહનમાં ઇલેક્ટ્રોનિક કંટ્રોલ યુનિટ્સ (ઇસીયુ) ને ચેડા કરવા અને વાહનના મનુવરને નિયંત્રિત કરવા. આ નબળાઈઓનો સામનો કરવા માટે, વિવિધ પ્રકારના સંરક્ષણ પદ્ધતિઓની દરખાસ્ત કરવામાં આવી છે, પરંતુ તેઓ ઇન-વાહન નેટવર્ક હુમલાઓ સામે સલામતી-ક્રિટિકલ ઇસીયુ માટે મજબૂત રક્ષણની જરૂરિયાતને પહોંચી વળવા સક્ષમ નથી. આ ખામીને દૂર કરવા માટે અમે એક અસાધારણતા આધારિત ઘૂસણખોરી શોધ સિસ્ટમ (આઇડીએસ) પ્રસ્તાવિત કરીએ છીએ, જેને ઘડિયાળ આધારિત આઈડીએસ (સીઆઇડીએસ) કહેવામાં આવે છે. તે ઇસીયુની ફિંગરપ્રિન્ટિંગ માટે વાહનના સામયિક સંદેશાઓના અંતરાલોને માપે છે અને પછી તેનો ઉપયોગ કરે છે. આ રીતે મેળવેલા ફિંગરપ્રિન્ટ્સનો ઉપયોગ રિકર્સીવ લઘુતમ ચોરસ (આરએલએસ) અલ્ગોરિધમનો સાથે ઇસીયુની ઘડિયાળ વર્તણૂકોની બેઝલાઇન બનાવવા માટે થાય છે. આ બેઝલાઇનના આધારે, સીઆઇડીએસ ઓળખ ભૂલોમાં કોઈપણ અસામાન્ય શિફ્ટને શોધવા માટે સંચિત રકમ (સીયુએસયુએમ) નો ઉપયોગ કરે છે - ઘૂસણખોરીનું સ્પષ્ટ સંકેત. આ 0.055% ની નીચી ખોટી હકારાત્મક દર સાથે ઇન-વાહન નેટવર્ક ઘૂસણખોરીની ઝડપી ઓળખની મંજૂરી આપે છે. આધુનિક આઈડીએસથી વિપરીત, જો કોઈ હુમલો થાય છે, તો સીઆઈડીએસના ઇસીયુની ફિંગરપ્રિન્ટિંગ પણ રુટ કોઝ વિશ્લેષણને સરળ બનાવે છે; જે ઇસીયુએ હુમલો કર્યો છે તે ઓળખવા. એક કેએન બસ પ્રોટોટાઇપ અને વાસ્તવિક વાહનો પરના અમારા પ્રયોગોએ બતાવ્યું છે કે સીઆઈડીએસ વાહનમાં નેટવર્ક હુમલાઓની વિશાળ શ્રેણીને શોધી શકે છે. |
c567bdc35a40e568e0661446ac4f9b397787e40d | અલ્ટ્રા-લો પાવર વાયરલેસ સેન્સર નોડ્સ માટે 2.4 ગીગાહર્ટ્ઝ ઇન્ટરફેસર-રેઝિલિએન્ટ વેક-અપ રીસીવર અનિશ્ચિત-આઇએફ ડ્યુઅલકન્વર્ઝન ટોપોલોજીનો ઉપયોગ કરે છે, જે વિતરણ બહુ-તબક્કાની એન-પાથ ફિલ્ટરિંગ તકનીકને અનલૉક કરેલ લો-ક્યુ રેઝોનેટર-સંદર્ભિત સ્થાનિક ઓસિલેટર સાથે જોડે છે. આ માળખું બાયડબલ્યુ રેઝોનરેટર્સ અથવા સ્ફટિકો જેવા ખર્ચાળ બાહ્ય રેઝોનન્ટ ઘટકો ટાળવા સાથે, સાંકડી-બેન્ડ પસંદગી અને દખલકારો સામે મજબૂત પ્રતિરક્ષા પૂરી પાડે છે. 65 એનએમ સીએમઓએસ રીસીવર પ્રોટોટાઇપ -97 ડીબીએમ અને 5 મેગાહર્ટઝ ઓફસેટ પર વાહક-થી-અવરોધક ગુણોત્તર -27 ડીબી કરતાં વધુ સારી સંવેદનશીલતા પ્રદાન કરે છે, 10 કેબી / સેકન્ડની ડેટા રેટ માટે 10-3 બીટ ભૂલ દર સાથે, જ્યારે સતત ઓપરેશન હેઠળ 0.5 વી વોલ્ટેજ સપ્લાયથી 99 μWનો વપરાશ થાય છે. |
703244978b61a709e0ba52f5450083f31e3345ec | આ ગ્રંથમાં લેખકો શિક્ષણના સાત સામાન્ય સિદ્ધાંતો રજૂ કરે છે, જે સંશોધન સાહિત્યમાંથી તેમજ કોલેજ ફેકલ્ટી સાથે એક-એક-એક સાથે કામ કરવાના વીસ-સાત વર્ષના અનુભવમાંથી કાઢવામાં આવે છે. તેઓ વિવિધ દ્રષ્ટિકોણથી સંશોધન પર દોર્યું છે (જ્ઞાનાત્મક, વિકાસલક્ષી અને સામાજિક મનોવિજ્ઞાન; શૈક્ષણિક સંશોધન; માનવશાસ્ત્ર; વસ્તી વિષયક; અને સંગઠનાત્મક વર્તન) શીખવાની મૂળભૂત સિદ્ધાંતોના સમૂહને ઓળખવા માટે - અસરકારક સંસ્થા કેવી રીતે માહિતીની પુનઃપ્રાપ્તિ અને ઉપયોગને પ્રોત્સાહન આપે છે તે પ્રેરણાને અસર કરે છે. આ સિદ્ધાંતો શિક્ષકોને વિદ્યાર્થીઓના શિક્ષણની સમજણ આપે છે જે તેમને શા માટે ચોક્કસ શિક્ષણ અભિગમો વિદ્યાર્થીઓના શિક્ષણને ટેકો આપે છે અથવા નથી તે જોવા માટે, શિક્ષણ અભિગમો અને વ્યૂહરચનાઓ પેદા કરવા અથવા સુધારવા માટે મદદ કરે છે જે ચોક્કસ સંદર્ભોમાં વિદ્યાર્થીઓના શિક્ષણને વધુ અસરકારક રીતે પ્રોત્સાહન આપે છે, અને આ સિદ્ધાંતોને નવા અભ્યાસક્રમોમાં સ્થાનાંતરિત કરે છે અને લાગુ કરે છે. |
52a345a29267107f92aec9260b6f8e8222305039 | આ કાગળ બિઆન્ચીની અને સહ. દ્વારા Inside PageRank કાગળના સાથી અથવા વિસ્તરણ તરીકે સેવા આપે છે. [૧૯] તે પેજરેન્ક સાથે સંકળાયેલા તમામ મુદ્દાઓની વ્યાપક સર્વેક્ષણ છે, જેમાં મૂળભૂત પેજરેન્ક મોડેલ, ઉપલબ્ધ અને ભલામણ કરેલ ઉકેલ પદ્ધતિઓ, સ્ટોરેજ મુદ્દાઓ, અસ્તિત્વ, વિશિષ્ટતા અને સંકલન ગુણધર્મો, મૂળભૂત મોડેલમાં શક્ય ફેરફારો, પરંપરાગત ઉકેલ પદ્ધતિઓ, સંવેદનશીલતા અને કન્ડિશનિંગના સૂચિત વિકલ્પો અને છેલ્લે અપડેટિંગ સમસ્યાને આવરી લેવામાં આવે છે. અમે કેટલાક નવા પરિણામો રજૂ કરીએ છીએ, એક વ્યાપક સંદર્ભ સૂચિ પ્રદાન કરીએ છીએ, અને ભાવિ સંશોધનની ઉત્તેજક ક્ષેત્રો વિશે અનુમાન કરીએ છીએ. |
0e5c8094d3da52340b58761d441eb809ff96743f | 1, ભાગ 2 વિષય આ કાગળમાં, અમે નવી રજૂ કરેલી વિતરણ સક્રિય ટ્રાન્સફોર્મર (ડીએટી) માળખાના પ્રદર્શનની સરખામણી પરંપરાગત ચિપ-પર-પ્રતિરોધક-પરિવર્તન પદ્ધતિઓ સાથે કરીએ છીએ. પ્રમાણભૂત સિલિકોન પ્રક્રિયા તકનીકોમાં ઉચ્ચ-શક્તિના સંપૂર્ણ સંકલિત એમ્પ્લીફાયર્સની રચનામાં તેમની મૂળભૂત પાવર-કાર્યક્ષમતા મર્યાદાઓનું વિશ્લેષણ કરવામાં આવે છે. ડીએટી એક કાર્યક્ષમ ઇમ્પેડન્સ-પરિવર્તન અને પાવર-કોમ્બિનેશન પદ્ધતિ તરીકે દર્શાવવામાં આવે છે, જે મેગ્નેટિક કપ્લિંગ દ્વારા શ્રેણીમાં કેટલાક નીચા વોલ્ટેજ પુશ-પલ એમ્પ્લીફાયર્સને જોડે છે. નવી વિભાવનાની માન્યતા દર્શાવવા માટે, 0.35-μm CMOS ટ્રાન્ઝિસ્ટરનો ઉપયોગ કરીને 2.4-GHz 1.9-W 2-V સંપૂર્ણ સંકલિત પાવર-એમ્પ્લીફાયર બનાવવામાં આવ્યું છે, જે 50 ઇનપુટ અને આઉટપુટ મેચિંગ સાથે 41% ની પાવર-એડેડ કાર્યક્ષમતા પ્રાપ્ત કરે છે. આઇટમ પ્રકારઃ લેખ વધારાની માહિતીઃ © કૉપિરાઇટ 2002 આઇઇઇઇ. પરવાનગી સાથે ફરીથી છાપવામાં આવે છે. ૨૭ મે, ૨૦૦૧ના રોજ પ્રાપ્ત થયેલી હસ્તપ્રત [ઓનલાઇન પોસ્ટ કરાયેલઃ 2002-08-07] આ કાર્યને ઇન્ટેલ કોર્પોરેશન, આર્મી રિસર્ચ ઓફિસ, જેટ પ્રોપલ્શન લેબોરેટરી, ઇન્ફિનિઓન અને નેશનલ સાયન્સ ફાઉન્ડેશન દ્વારા સમર્થન આપવામાં આવ્યું હતું. લેખકો ચિપ બનાવટ માટે કોનેક્સન્ટ સિસ્ટમ્સનો આભાર માને છે, ખાસ કરીને આર. મેગૂન, એફ. ઇન્ટેવેલ્ડ, જે. પોવેલ, એ. વો અને કે. મોયે. કે. પોટર, ડી. હેમ અને એચ. વુ, કેલિફોર્નિયા ઇન્સ્ટિટ્યૂટ ઓફ ટેકનોલોજી (કેલ્ટેક), પાસાડેનાના તમામ, તેમની સહાય માટે ખાસ આભારની લાયક છે. એજીલેન્ટ ટેક્નોલોજીસ અને સોનેટ સોફ્ટવેર ઇન્ક, લિવરપૂલ, એનવાય તરફથી સીએડી સાધનો માટે તકનીકી સહાય પણ પ્રશંસા કરવામાં આવે છે. સિલિકોન આધારિત આરએફ અને માઇક્રોવેવ ઇન્ટિગ્રેટેડ સર્કિટ્સ પર વિશેષ અંક, આઇઇઇઇ ટ્રાન્ઝેક્શન ઓન માઇક્રોવેવ થિયરી એન્ડ ટેકનિક્સ, વોલ્યુમ. 50, ના |
14fae9835ae65adfdc434b7b7e761487e7a9548f | તે જાણીતું છે કે રેડિયલ પાવર કમ્બાઇનર મોટી સંખ્યામાં પાવર એમ્પ્લીફાયર્સને જોડવા માટે ખૂબ અસરકારક છે, જ્યાં પ્રમાણમાં વિશાળ બેન્ડ પર ઉચ્ચ કાર્યક્ષમતા (90% કરતા વધારે) પ્રાપ્ત કરી શકાય છે. જો કે, તેની ડિઝાઇન જટિલતાને કારણે તેનો વર્તમાન ઉપયોગ મર્યાદિત છે. આ કાગળમાં, અમે એક પગલું-દર-પગલાની ડિઝાઇન પ્રક્રિયા વિકસાવીએ છીએ, જેમાં પ્રારંભિક અંદાજિત ડિઝાઇન સૂત્રો અને અંતિમ ચોક્કસ ડિઝાઇન ઑપ્ટિમાઇઝેશન હેતુઓ માટે યોગ્ય મોડેલો બંનેનો સમાવેશ થાય છે. ત્રિપરિમાણીય ઇલેક્ટ્રોમેગ્નેટિક મોડેલિંગના આધારે, આગાહી કરેલા પરિણામો માપવામાં આવેલા લોકો સાથે ઉત્તમ સંમત હતા. રેડિયલ-કોમ્બિનેટર કાર્યક્ષમતા, તેના ભવ્ય અધોગતિ, અને ઉચ્ચ ક્રમની પેકેજ રેઝોનન્સની અસરો સંબંધિત વ્યવહારુ મુદ્દાઓ અહીં વિગતવાર ચર્ચા કરવામાં આવે છે |
47fdb5ec9522019ef7e580d59c262b3dc9519b26 | માઇક્રોસ્ટ્રીપ સોન્ડ્સ અને ડબલ્યુઆર -430 લંબચોરસ વેવગાઇડનો ઉપયોગ કરીને 1:4 પાવર ડિવાઇડરનું સફળ પ્રદર્શન રજૂ કરવામાં આવ્યું છે. બિન-ઓપ્ટિમાઇઝ માળખાની 15-ડીબી રીટર્ન લોસ બેન્ડવિડ્થ 22% અને તેની 0.5-ડીબી ઇન્સર્ટેશન લોસ બેન્ડવિડ્થ 26% હોવાનું દર્શાવવામાં આવ્યું છે. જ્યારે પરંપરાગત મશીનિંગ દ્વારા પરિપૂર્ણ થાય છે, ત્યારે આવા માળખાને મિલીમીટર અને સબમિલીમીટર-વેવ માઇક્રોમેશિનિંગ તકનીકો સાથે સુસંગત રીતે એસેમ્બલ કરવામાં આવે છે. આમ, માળખું સંભવિત પાવર ડિવાઇડિંગ અને પાવર કમ્બાઈન્ડિંગ આર્કિટેક્ચર રજૂ કરે છે, જે માઇક્રોમેશિનિંગ દ્વારા, 100GHz કરતા વધુ એપ્લિકેશન્સ માટે ઉપયોગમાં લઈ શકાય છે. |
68218edaf08484871258387e95161a3ce0e6fe67 | આઠ-ઉપકરણ કા-બેન્ડ સોલિડ-સ્ટેટ પાવર એમ્પ્લીફાયર મુસાફરી-તરંગ પાવર-વિભાજન / સંયોજન તકનીકનો ઉપયોગ કરીને ડિઝાઇન અને ઉત્પાદન કરવામાં આવ્યું છે. આ ડિઝાઇનમાં ઉપયોગમાં લેવાતા નીચા પ્રોફાઇલ સ્લોટેડ વેવગાઇડ માળખું માત્ર વિશાળ બેન્ડવિડ્થ પર ઉચ્ચ પાવર-કોમ્બિનેટિંગ કાર્યક્ષમતા જ નહીં, પણ સક્રિય ઉપકરણો માટે કાર્યક્ષમ ગરમી સિંકિંગ પણ પૂરું પાડે છે. આઠ-ઉપકરણ પાવર એમ્પ્લીફાયરની માપવામાં આવેલી મહત્તમ નાના સિગ્નલ ગેઇન 34 ગીગાહર્ટ્ઝ પર 19.4 ડીબી છે, જેમાં 3.2 ગીગાહર્ટ્ઝની 3-ડીબી બેન્ડવિડ્થ છે (એફ / સબ એલ / = 31.8 ગીગાહર્ટ્ઝ, એફ / સબ એચ / = 35 ગીગાહર્ટ્ઝ). પાવર એમ્પ્લીફાયરમાંથી 1-dB કમ્પ્રેશન (P/sub out/ at 1 dB) પર માપવામાં આવેલ મહત્તમ આઉટપુટ પાવર 33 dBm (/spl sim/2 W) છે, 32.2 ગીગાહર્ટ્ઝ પર, પાવર-કમ્બાઈન્ડિંગ કાર્યક્ષમતા 80% છે. વધુમાં, ઉપકરણની નિષ્ફળતાને કારણે આ પાવર એમ્પ્લીફાયરના પ્રદર્શનમાં ઘટાડો પણ સિમ્યુલેટેડ અને માપવામાં આવ્યો છે. |
db884813d6d764aea836c44f46604128735bffe0 | ઉચ્ચ શક્તિ, વિશાળ બેન્ડવિડ્થ, ઉચ્ચ રેખીયતા અને નીચા અવાજ એમ્પ્લીફાયર ડિઝાઇનમાં સૌથી મહત્વપૂર્ણ સુવિધાઓ છે. બ્રોડબેન્ડ સ્પેસિયલ પાવર-કોમ્બિનેટિંગ ટેકનિક આ તમામ મુદ્દાઓને બ્રોડબેન્ડ કોએક્સિયલ વેવગાઇડ પર્યાવરણમાં મોટી સંખ્યામાં માઇક્રોવેવ મોનોલિથિક ઇન્ટિગ્રેટેડ સર્કિટ (એમએમઆઈસી) એમ્પ્લીફાયર્સની આઉટપુટ પાવરને સંયોજિત કરીને, સારી રેખીયતા જાળવી રાખીને અને એમએમઆઈસી એમ્પ્લીફાયર્સના તબક્કાના અવાજમાં સુધારો કરીને સંબોધિત કરે છે. દરેક તત્વને સમાન રીતે ઇનપુટ પાવર વિતરણ કરીને વધુ બેન્ડવિડ્થ અને વધુ સારી એકરૂપતા માટે સંયુક્ત સર્કિટના યજમાન તરીકે એક સહઅક્ષીય વેવગાઇડનો ઉપયોગ કરવામાં આવ્યો હતો. એક નવા કોમ્પેક્ટ કોએક્સિયલ કમ્બેનરની તપાસ કરવામાં આવી છે, જેનું કદ ઘણું ઓછું છે. વ્યાપારી એમએમઆઈસી એમ્પ્લીફાયર્સ સાથે વધુ સારી સુસંગતતા માટે બ્રોડબેન્ડ સ્લોટલાઇનથી માઇક્રોસ્ટ્રીપલાઇન સંક્રમણને એકીકૃત કરવામાં આવે છે. થર્મલ સિમ્યુલેશન કરવામાં આવે છે અને હાઈ પાવર એપ્લિકેશનમાં હીટ સિનકિંગને સુધારવા માટે અગાઉની ડિઝાઇનની સરખામણીમાં સુધારેલી થર્મલ મેનેજમેન્ટ યોજનાનો ઉપયોગ કરવામાં આવે છે. કોમ્પેક્ટ કમ્બાઇનર ડિઝાઇનનો ઉપયોગ કરીને એક ઉચ્ચ-પાવર એમ્પ્લીફાયર બનાવવામાં આવે છે અને 44-W મહત્તમ આઉટપુટ પાવર સાથે 6 થી 17 ગીગાહર્ટ્ઝની બેન્ડવિડ્થ દર્શાવવામાં આવે છે. રેખીયતા માપન 52 ડીબીએમનું ઉચ્ચ તૃતીય ક્રમનું ઇન્ટરસેપ્ટ પોઇન્ટ દર્શાવે છે. વિશ્લેષણ દર્શાવે છે કે એમ્પ્લીફાયર પાસે ખોટા મુક્ત ગતિશીલ શ્રેણીને 2 થી 3 ગણી વધારવાની ક્ષમતા છે. એમ્પ્લીફાયરએ વાહકથી 10-kHz ઓફસેટ પર 140 ડીબીસીની નજીકના શેષ તબક્કાની ફ્લોર પણ દર્શાવી છે, જેમાં તે એક જ એમએમઆઇસી એમ્પ્લીફાયર સાથે સરખામણીમાં 5-6 ડીબી ઘટાડા સાથે છે. |
e73ee8174589e9326d3b36484f1b95685cb1ca42 | આગામી પાંચમી પેઢીના સેલ્યુલર સંચાર માટે 28 ગીગાહર્ટ્ઝ એન્ટેના સોલ્યુશનની પ્રથમ પ્રકારની વિગતવાર રજૂઆત કરવામાં આવી છે. વિસ્તૃત માપન અને સિમ્યુલેશનમાં પ્રસ્તાવિત 28 ગીગાહર્ટ્ઝ એન્ટેના સોલ્યુશનને વાસ્તવિક પ્રસારણ વાતાવરણમાં કાર્યરત સેલ્યુલર હેન્ડસેટ્સ માટે અત્યંત અસરકારક હોવાનું નિશ્ચિત કરવામાં આવ્યું છે. |
4e85503ef0e1559bc197bd9de0625b3792dcaa9b | નેટવર્ક આધારિત હુમલાઓ સામાન્ય અને સુસંસ્કૃત બની ગયા છે. આ કારણોસર, ઘુસણખોરી શોધવાની સિસ્ટમો હવે હોસ્ટ્સ અને તેમની ઓપરેટિંગ સિસ્ટમ્સથી નેટવર્ક પર પોતાનું ધ્યાન કેન્દ્રિત કરી રહી છે. નેટવર્ક આધારિત ઘૂસણખોરીની શોધ કરવી પડકારજનક છે કારણ કે નેટવર્ક ઓડિટિંગ મોટા પ્રમાણમાં ડેટા ઉત્પન્ન કરે છે, અને એક ઘૂસણખોરીથી સંબંધિત વિવિધ ઇવેન્ટ્સ નેટવર્ક પર વિવિધ સ્થળોએ દૃશ્યમાન હોઈ શકે છે. આ પેપરમાં નેટસ્ટેટ રજૂ કરવામાં આવ્યું છે, જે નેટવર્ક ઘૂસણખોરીની શોધ માટેનો એક નવો અભિગમ છે. નેટવર્ક અને હુમલા બંનેના ઔપચારિક મોડેલનો ઉપયોગ કરીને, નેટસ્ટેટ નક્કી કરી શકે છે કે કઈ નેટવર્ક ઇવેન્ટ્સનું નિરીક્ષણ કરવું પડશે અને ક્યાં તેનું નિરીક્ષણ કરી શકાય છે. |
818c13721db30a435044b37014fe7077e5a8a587 | મોટા ક્લસ્ટર્સ પર મોટા પ્રમાણમાં ડેટા વિશ્લેષણ ક્વેરી ઑપ્ટિમાઇઝેશન માટે નવી તકો અને પડકારો રજૂ કરે છે. આ પર્યાવરણમાં કામગીરી માટે ડેટા પાર્ટીશનિંગ નિર્ણાયક છે. જો કે, ડેટા રિપાર્ટિશનિંગ ખૂબ જ ખર્ચાળ કામગીરી છે તેથી આવા ઓપરેશન્સની સંખ્યા ઘટાડીને ખૂબ નોંધપાત્ર કામગીરીમાં સુધારો કરી શકાય છે. આ પર્યાવરણ માટે ક્વેરી ઑપ્ટિમાઇઝર તેથી સોર્ટિંગ અને જૂથીકરણ સાથે તેની ક્રિયાપ્રતિક્રિયા સહિત ડેટા પાર્ટીશનિંગ વિશે કારણ આપવા માટે સક્ષમ હોવું જોઈએ. SCOPE એ SQL જેવી સ્ક્રિપ્ટિંગ ભાષા છે જેનો ઉપયોગ માઇક્રોસોફ્ટમાં મોટા પ્રમાણમાં ડેટા વિશ્લેષણ માટે થાય છે. કોસ્મોસ વિતરણ કમ્પ્યુટિંગ પ્લેટફોર્મ માટે સ્ક્રિપ્ટોને કાર્યક્ષમ અમલીકરણ યોજનાઓમાં રૂપાંતરિત કરવા માટે એક પરિવર્તન-આધારિત ઑપ્ટિમાઇઝર જવાબદાર છે. આ કાગળમાં, અમે વર્ણવીએ છીએ કે કેવી રીતે ડેટા પાર્ટીશનિંગ વિશેના તર્કને SCOPE ઑપ્ટિમાઇઝરમાં સમાવવામાં આવેલ છે. અમે બતાવીએ છીએ કે કેવી રીતે સંબંધ ઓપરેટરો પાર્ટીશનિંગ, સૉર્ટિંગ અને જૂથબદ્ધ ગુણધર્મોને અસર કરે છે અને વર્ણવે છે કે કેવી રીતે ઑપ્ટિમાઇઝર બિનજરૂરી કામગીરીને ટાળવા માટે આવા ગુણધર્મો વિશે કારણો અને શોષણ કરે છે. મોટાભાગના ઑપ્ટિમાઇઝર્સમાં, સમાંતર યોજનાઓનો વિચાર પોસ્ટપ્રોસેસિંગ પગલામાં કરવામાં આવે છે. પાર્ટીશનિંગ વિશેના તર્કથી SCOPE ઑપ્ટિમાઇઝરને સંપૂર્ણ રીતે સમન્વયિત, સીરીયલ અને મિશ્રિત યોજનાઓને ધ્યાનમાં લેવા માટે ખર્ચ આધારિત ઑપ્ટિમાઇઝેશનમાં સક્ષમ કરે છે. આ લાભો અમારા અભિગમ દ્વારા શક્ય બનેલી વિવિધ યોજનાઓ દર્શાવતા દર્શાવવામાં આવ્યા છે. |
8420f2f686890d9675538ec831dbb43568af1cb3 | રોમન લિપિમાં લખાયેલા હિંગલિશ ટેક્સ્ટની લાગણીની ધ્રુવીયતા નક્કી કરવા માટે, અમે લક્ષણ પસંદગી પદ્ધતિઓના વિવિધ સંયોજનો અને શબ્દ આવર્તન-વિપરીત દસ્તાવેજ આવર્તન લક્ષણ પ્રતિનિધિત્વનો ઉપયોગ કરીને વર્ગીકરણકારોની યજમાન સાથે પ્રયોગ કર્યો. અમે હિંગલિશમાં લખાયેલા સમાચાર અને ફેસબુક ટિપ્પણીઓમાં વ્યક્ત લાગણીઓ માટે શ્રેષ્ઠ વર્ગીકરણકારોને નિર્ધારિત કરવા માટે કુલ 840 પ્રયોગો હાથ ધર્યા હતા. અમે તારણ કાઢ્યું છે કે શબ્દ આવર્તન-વિપરીત દસ્તાવેજ આવર્તન-આધારિત લક્ષણ પ્રતિનિધિત્વ, ગેઇન રેશિયો આધારિત લક્ષણ પસંદગી, અને રેડિયલ બેઝ ફંક્શન ન્યુરલ નેટવર્ક હિંગલીશ ટેક્સ્ટમાં વ્યક્ત લાગણીને વર્ગીકૃત કરવા માટે શ્રેષ્ઠ મિશ્રણ તરીકે. |
c97ebb60531a86bea516d3582758a45ba494de10 | આઇઇઇઇ ઇન્ટેલિજન્ટ ટ્રાન્સપોર્ટેશન સિસ્ટમ્સ સોસાયટી અને સર્વવ્યાપક કમ્પ્યુટિંગ સંશોધન સમુદાય વચ્ચે ગાઢ સહયોગને પ્રોત્સાહન આપવા માટે, લેખકો આઇટીએસ સોસાયટીની રજૂઆત કરે છે અને કેટલાક સર્વવ્યાપક કમ્પ્યુટિંગ સંબંધિત સંશોધન વિષયો રજૂ કરે છે જેના પર આઇટીએસ સોસાયટીના સંશોધકો કામ કરી રહ્યા છે. આ વિભાગ બુદ્ધિશાળી પરિવહન પરના વિશેષ અંકનો ભાગ છે. |
e91196c1d0234da60314945c4812eda631004d8f | અમે ભાષા શીખવા માટે એક ઇન્ટરેક્ટિવ મલ્ટીમોડલ ફ્રેમવર્ક પ્રસ્તાવિત કરીએ છીએ. મોટી માત્રામાં કુદરતી ટેક્સ્ટને નિષ્ક્રિય રીતે ખુલ્લા થવાને બદલે, અમારા શીખનારાઓ (ફીડ-ફોરવર્ડ ન્યુરલ નેટવર્ક્સ તરીકે અમલમાં મૂકવામાં આવે છે) ટેબ્યુલા રાસા સેટઅપથી શરૂ થતી સહકારી સંદર્ભિત રમતોમાં સામેલ થાય છે, અને આમ રમતમાં સફળ થવા માટે વાતચીત કરવાની જરૂરિયાતથી તેમની પોતાની ભાષા વિકસાવે છે. પ્રારંભિક પ્રયોગો આશાસ્પદ પરિણામો આપે છે, પરંતુ તે પણ સૂચવે છે કે તે સુનિશ્ચિત કરવું અગત્યનું છે કે આ રીતે પ્રશિક્ષિત એજન્ટો માત્ર રમત માટે અસરકારક એડહોક સંચાર કોડ વિકસિત કરતા નથી. |
500b7d63e64e13fa47934ec9ad20fcfe0d4c17a7 | તાજેતરમાં, ત્રિપરિમાણીય (3D) એલટીસીસી-આધારિત સીપી એપ્લિકેશન્સમાં ઉચ્ચ સંકલન ઘનતાને કારણે ઉચ્ચ આવર્તન સંકેતોના સમય નિયંત્રણની મજબૂત માંગ છે. તેથી, સ્કીવ અથવા સમય વિલંબને નિયંત્રિત કરવા માટે, નવી 3D વિલંબ રેખાઓ પ્રસ્તાવિત કરવામાં આવશે. સિગ્નલ વાયાની નબળાઈ માટે, અમે કોએક્સિયલ લાઇનની વિભાવના અપનાવીએ છીએ અને અર્ધ-કોએક્સિયલ ગ્રાઉન્ડ (QCOX-GND) વાયા સાથે માળખું દ્વારા અદ્યતન સિગ્નલ પ્રસ્તાવિત કરીએ છીએ. અમે ઇએમ અને સર્કિટ સિમ્યુલેટરનો ઉપયોગ કરીને સિમ્યુલેટેડ પરિણામો બતાવીશું. |
1a07186bc10592f0330655519ad91652125cd907 | અમે એક જ કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક આર્કિટેક્ચરનું વર્ણન કરીએ છીએ જે, એક વાક્ય આપવામાં આવે છે, તે ભાષા પ્રક્રિયાની આગાહીઓની યજમાનને આઉટપુટ કરે છેઃ ભાગ-વક્તા ટૅગ્સ, ટુકડાઓ, નામવાળી એન્ટિટી ટૅગ્સ, સિમેન્ટીક ભૂમિકાઓ, સિમેન્ટીકલી સમાન શબ્દો અને સંભાવના છે કે વાક્ય ભાષા મોડેલનો ઉપયોગ કરીને અર્થપૂર્ણ છે (વ્યાકરણિક અને સિમેન્ટીકલી). આ તમામ કાર્યો પર સમગ્ર નેટવર્કને સંયુક્ત રીતે તાલીમ આપવામાં આવે છે, વજન વહેંચણીનો ઉપયોગ કરીને, મલ્ટિટાસ્ક લર્નિંગનો એક દાખલો. બધા કાર્યોમાં લેબલવાળા ડેટાનો ઉપયોગ કરવામાં આવે છે, સિવાય કે ભાષા મોડેલ જે લેબલ વગરના ટેક્સ્ટમાંથી શીખી શકાય છે અને વહેંચાયેલ કાર્યો માટે અર્ધ-સર્વેક્ષિત શિક્ષણનું એક નવલકથા સ્વરૂપ રજૂ કરે છે. અમે બતાવીએ છીએ કે કેવી રીતે મલ્ટિટાસ્ક લર્નિંગ અને અર્ધ-સર્વેક્ષિત લર્નિંગ બંને વહેંચાયેલ કાર્યોના સામાન્યીકરણમાં સુધારો કરે છે, પરિણામે રાજ્ય-ઓફ-ધ-આર્ટ-પ્રદર્શન થાય છે. |
27e38351e48fe4b7da2775bf94341738bc4da07e | એક શબ્દના વેક્ટર સ્પેસ મોડેલો લેક્સિકલ માહિતી શીખવામાં ખૂબ સફળ રહ્યા છે. જો કે, તેઓ લાંબા શબ્દસમૂહોના રચનાત્મક અર્થને પકડી શકતા નથી, તેમને ભાષાની ઊંડી સમજણથી અટકાવે છે. અમે એક રિકર્સીવ ન્યુરલ નેટવર્ક (આરએનએન) મોડેલ રજૂ કરીએ છીએ જે મનસ્વી વાક્યરચના પ્રકાર અને લંબાઈના શબ્દસમૂહો અને વાક્યો માટે રચનાત્મક વેક્ટર રજૂઆતો શીખે છે. અમારા મોડેલ પાર્સ વૃક્ષમાં દરેક નોડને વેક્ટર અને મેટ્રિક્સ સોંપે છેઃ વેક્ટર ઘટકના અંતર્ગત અર્થને મેળવે છે, જ્યારે મેટ્રિક્સ તે પડોશી શબ્દો અથવા શબ્દસમૂહોના અર્થને કેવી રીતે બદલે છે તે મેળવે છે. આ મેટ્રિક્સ-વેક્ટર આરએનએન પ્રસ્તાવનાત્મક તર્ક અને કુદરતી ભાષામાં ઓપરેટરોનો અર્થ શીખી શકે છે. આ મોડેલ ત્રણ અલગ અલગ પ્રયોગો પર કલાની કામગીરીની સ્થિતિ મેળવે છેઃ ક્રિયાવિશેષણ-સંજ્ઞા જોડીઓના દંડ-અનાજવાળા લાગણી વિતરણની આગાહી કરવી; ફિલ્મ સમીક્ષાઓના લાગણી લેબલ્સનું વર્ગીકરણ કરવું અને તેમની વચ્ચેના વાક્યરચનાના માર્ગનો ઉપયોગ કરીને સંજ્ઞાઓ વચ્ચે કારણ-અસર અથવા વિષય-સંદેશ જેવા અર્થપૂર્ણ સંબંધોનું વર્ગીકરણ કરવું. |
303b0b6e6812c60944a4ac9914222ac28b0813a2 | આ પેપરમાં શબ્દસમૂહ-સ્તરના ભાવના વિશ્લેષણ માટે એક નવો અભિગમ રજૂ કરવામાં આવ્યો છે જે પ્રથમ નક્કી કરે છે કે અભિવ્યક્તિ તટસ્થ અથવા ધ્રુવીય છે અને પછી ધ્રુવીય અભિવ્યક્તિઓની ધ્રુવીયતાને ડિસએમ્બિગ્યુએટ કરે છે. આ અભિગમ સાથે, સિસ્ટમ લાગણીના અભિવ્યક્તિના મોટા સબસેટ માટે સંદર્ભની ધ્રુવીયતાને આપમેળે ઓળખવામાં સક્ષમ છે, જે બેઝલાઇન કરતા નોંધપાત્ર રીતે વધુ સારા પરિણામો પ્રાપ્ત કરે છે. |
4eb943bf999ce49e5ebb629d7d0ffee44becff94 | સમય ઘણા રસપ્રદ માનવ વર્તણૂકોની પાછળ છે. આથી, જોડાણવાદી મોડેલોમાં સમયને કેવી રીતે રજૂ કરવો તે પ્રશ્ન ખૂબ જ મહત્વપૂર્ણ છે. એક અભિગમ એ છે કે સમયને સ્પષ્ટ રીતે (સ્થાનિક પ્રતિનિધિત્વની જેમ) પ્રક્રિયા પર તેની અસરો દ્વારા સૂચિત રીતે રજૂ કરવું. વર્તમાન અહેવાલમાં આ દિશામાં એક પ્રસ્તાવ વિકસાવવામાં આવ્યો છે, જે પ્રથમ વખત જોર્ડન (1986) દ્વારા વર્ણવવામાં આવ્યો હતો, જેમાં ગતિશીલ મેમરી સાથે નેટવર્ક્સ પૂરા પાડવા માટે રિકરન્ટ લિંક્સનો ઉપયોગ થાય છે. આ અભિગમમાં, છુપાયેલા એકમ પેટર્ન પોતાને પાછા આપવામાં આવે છે; જે આંતરિક પ્રતિનિધિત્વ વિકસાવે છે તે અગાઉના આંતરિક રાજ્યોના સંદર્ભમાં કાર્યની માંગને પ્રતિબિંબિત કરે છે. સિમ્યુલેશનનો સમૂહ જણાવવામાં આવ્યો છે જે પ્રમાણમાં સરળ સમસ્યાઓ (XOR ની સમયસરની આવૃત્તિ) થી શબ્દો માટે વાક્યરચના / અર્થશાસ્ત્રની લાક્ષણિકતાઓ શોધવામાં આવે છે. નેટવર્ક રસપ્રદ આંતરિક પ્રતિનિધિત્વને શીખવા માટે સક્ષમ છે જે કાર્યની માગને મેમરીની માગ સાથે જોડે છે; ખરેખર, આ અભિગમમાં મેમરીની કલ્પના કાર્ય પ્રક્રિયા સાથે જોડાયેલી છે. આ રજૂઆતો સમૃદ્ધ માળખું દર્શાવે છે, જે તેમને અત્યંત સંદર્ભ-આધારિત કરવાની મંજૂરી આપે છે જ્યારે વસ્તુઓનાં વર્ગોમાં સામાન્યીકરણ પણ વ્યક્ત કરે છે. આ પ્રતિનિધિત્વ લેક્સિકલ કેટેગરીઝ અને પ્રકાર / ટોકન તફાવતનું પ્રતિનિધિત્વ કરવા માટે એક પદ્ધતિ સૂચવે છે. |
2069c9389df8bb29b7fedf2c2ccfe7aaf82b2832 | નવા મશીન લર્નિંગ પેરાડિગમ તરીકે ટ્રાન્સફર લર્નિંગને તાજેતરમાં વધુ ધ્યાન મળ્યું છે. એવી પરિસ્થિતિઓમાં જ્યાં લક્ષ્ય ડોમેનમાં તાલીમ ડેટા અસરકારક રીતે આગાહી મોડેલો શીખવા માટે પૂરતા નથી, ટ્રાન્સફર લર્નિંગ શીખવા માટે અન્ય સંબંધિત સહાયક ડોમેન્સમાંથી સહાયક સ્રોત ડેટાને વેગ આપે છે. આ ક્ષેત્રમાં હાલના મોટાભાગના કામો માત્ર સ્રોત ડેટાનો ઉપયોગ કરવા પર ધ્યાન કેન્દ્રિત કરે છે, જે લક્ષ્ય ડેટા તરીકે સમાન પ્રતિનિધિત્વ માળખા સાથે છે, આ કાગળમાં, અમે ટેક્સ્ટ અને છબીઓ વચ્ચે જ્ઞાનના સ્થાનાંતરણ માટે એક અસમાન ટ્રાન્સફર લર્નિંગ ફ્રેમવર્કને વિસ્તૃત કરીને આ સીમાને આગળ ધપાવીએ છીએ. અમે જોયું છે કે લક્ષ્ય-ડોમેઇન વર્ગીકરણ સમસ્યા માટે, કેટલીક એનોટેડ છબીઓ ઘણી સામાજિક વેબ સાઇટ્સ પર મળી શકે છે, જે વેબ પર ઉપલબ્ધ પુષ્કળ ટેક્સ્ટ દસ્તાવેજોમાંથી જ્ઞાનને સ્થાનાંતરિત કરવા માટે પુલ તરીકે સેવા આપી શકે છે. એક મુખ્ય પ્રશ્ન એ છે કે કેવી રીતે સ્રોત ડેટામાં જ્ઞાનને અસરકારક રીતે સ્થાનાંતરિત કરવું, તેમ છતાં ટેક્સ્ટ દસ્તાવેજો મનસ્વી છે. અમારું સમાધાન એ છે કે મેટ્રિક્સ ફેક્ટરીઝેશન દ્વારા સહાયક સ્રોત ડેટામાંથી કાઢવામાં આવેલા અર્થપૂર્ણ ખ્યાલો સાથે લક્ષ્ય છબીઓનું પ્રતિનિધિત્વ સમૃદ્ધ કરવું, અને વધુ સારી છબી વર્ગીકરણકર્તા બનાવવા માટે સહાયક ડેટા દ્વારા પેદા થયેલા ગુપ્ત અર્થપૂર્ણ સુવિધાઓનો ઉપયોગ કરવો. અમે કેલ્ટેક -256 ઇમેજ ડેટાસેટ પર અમારા અલ્ગોરિધમનો અસરકારકતાની પ્રયોગમૂલક ચકાસણી કરીએ છીએ. |
381231eecd132199821c5aa3ff3f2278f593ea33 | |
a8823ab946321079c63b9bd42f58bd17b96a25e4 | ચહેરાની ઓળખ અને આંખોની નિષ્કર્ષણની ઘણી એપ્લિકેશન્સમાં મહત્વપૂર્ણ ભૂમિકા છે જેમ કે ચહેરાની ઓળખ, ચહેરાના અભિવ્યક્તિ વિશ્લેષણ, સુરક્ષા લૉગિન વગેરે. માનવ ચહેરા અને ચહેરાના બંધારણો જેમ કે આંખો, નાકનો શોધ કરવો એ કમ્પ્યુટર માટે જટિલ પ્રક્રિયા છે. આ કાગળ સોબેલ ધાર શોધ અને મોર્ફોલોજિકલ ઓપરેશન્સનો ઉપયોગ કરીને ફ્રન્ટલ ચહેરાની છબીઓમાંથી ચહેરાની શોધ અને આંખોના નિષ્કર્ષણ માટે એક અલ્ગોરિધમનો પ્રસ્તાવ આપે છે. પ્રસ્તાવિત અભિગમને ત્રણ તબક્કામાં વહેંચવામાં આવ્યો છે; પૂર્વ પ્રક્રિયા, ચહેરાના ક્ષેત્રની ઓળખ અને આંખોનું નિષ્કર્ષણ. છબીઓનું કદ બદલવું અને ગ્રે સ્કેલ ઇમેજ રૂપાંતર પૂર્વ પ્રક્રિયામાં પ્રાપ્ત થાય છે. ચહેરાના ક્ષેત્રની ઓળખ સોબેલ ધાર શોધ અને મોર્ફોલોજિકલ કામગીરી દ્વારા પૂર્ણ થાય છે. અંતિમ તબક્કામાં મોર્ફોલોજિકલ ઓપરેશન્સની મદદથી ચહેરાના વિસ્તારમાંથી આંખો કાઢવામાં આવે છે. પ્રયોગો અનુક્રમે IMM ફ્રન્ટલ ફેસ ડેટાબેઝ, FEI ફેસ ડેટાબેઝ અને IMM ફેસ ડેટાબેઝની 120, 75, 40 છબીઓ પર કરવામાં આવે છે. ચહેરાની તપાસની ચોકસાઈ અનુક્રમે 100%, 100%, 97.50% અને આંખોની નિષ્કર્ષણ ચોકસાઈ દર અનુક્રમે 92.50%, 90.66%, 92.50% છે. |
3b6911dc5d98faeb79d3d3e60bcdc40cfd7c9273 | એકંદર સહી યોજના એ ડિજિટલ સહી છે જે એકત્રીકરણને ટેકો આપે છેઃ n અલગ અલગ વપરાશકર્તાઓના n અલગ સંદેશાઓ પર n સહીઓ આપવામાં આવે છે, આ તમામ સહીઓને એક જ ટૂંકા સહીમાં એકત્રિત કરવું શક્ય છે. આ સિંગલ સહી (અને n મૂળ સંદેશાઓ) ચકાસનારને ખાતરી કરશે કે n વપરાશકર્તાઓએ ખરેખર n મૂળ સંદેશાઓ પર સહી કરી છે (એટલે કે, વપરાશકર્તા i એ i = 1 માટે સંદેશ Mi પર સહી કરી છે. . . . . . . . . . . . . , એન) આ કાગળમાં અમે એકંદર હસ્તાક્ષરની વિભાવના રજૂ કરીએ છીએ, આવા સહીઓ માટે સુરક્ષા મોડેલો રજૂ કરીએ છીએ અને એકંદર સહીઓ માટે કેટલાક કાર્યક્રમો આપીએ છીએ. અમે બોનેહ, લિન અને શાચમને કારણે દ્વિ-રેખાના નકશા પર આધારિત તાજેતરના ટૂંકા સહી યોજનામાંથી કાર્યક્ષમ એકંદર સહીનું નિર્માણ કરીએ છીએ. એકત્રિત સહીઓ પ્રમાણપત્ર સાંકળોના કદને ઘટાડવા માટે ઉપયોગી છે (સાંકળમાં તમામ સહીઓને એકત્રિત કરીને) અને એસબીજીપી જેવા સુરક્ષિત રૂટીંગ પ્રોટોકોલોમાં સંદેશાના કદને ઘટાડવા માટે. અમે એ પણ બતાવીએ છીએ કે એકત્રિત સહીઓ ચકાસી શકાય તેવા એન્ક્રિપ્ટેડ સહીઓને ઉત્પન્ન કરે છે. આવી સહીઓ ચકાસનારને ચકાસવા માટે સક્ષમ કરે છે કે આપેલ સાઇફરટેક્સ્ટ સી આપેલ સંદેશ એમ પર સહીનું એન્ક્રિપ્શન છે . કરાર-સહી કરનારા પ્રોટોકોલમાં ચકાસી શકાય તેવા એન્ક્રિપ્ટેડ સહીઓનો ઉપયોગ કરવામાં આવે છે. છેલ્લે, અમે બતાવીએ છીએ કે સમાન વિચારોનો ઉપયોગ ટૂંકા સહી યોજનાને સરળ રિંગ સહીઓ આપવા માટે કરી શકાય છે. |
6d4fa4b9037b64b8383331583430711be321c587 | ભાવના વિશ્લેષણ એ સંશોધનનું વધતું ક્ષેત્ર છે, જે વ્યાપારી કાર્યક્રમો અને શૈક્ષણિક રસ બંને દ્વારા સંચાલિત છે. આ કાગળમાં, અમે વેલેન્સ અને ઉત્તેજનાના ભાવના પરિમાણો માટે ડાયરી જેવા બ્લોગ પોસ્ટ્સના મલ્ટિ-ક્લાસ વર્ગીકરણની શોધ કરીએ છીએ, જ્યાં કાર્યનો ઉદ્દેશ અનુક્રમે ખૂબ નકારાત્મક / નીચાથી ખૂબ હકારાત્મક / ઉચ્ચ, ઓર્ડનલ પાંચ-સ્તરના સ્કેલ પર પોસ્ટની વેલેન્સ અને ઉત્તેજનાના સ્તરની આગાહી કરવાનો છે. અમે બતાવીએ છીએ કે કેવી રીતે આ બે પરિમાણોમાં ક્રમિક સ્કેલમાં અલગ અલગ લાગણીશીલ રાજ્યોને મેપ કરવું, રસેલના સર્કમ્પલેક્સ મોડેલ ઓફ અસરના મનોવૈજ્ઞાનિક મોડેલ પર આધારિત છે અને મલ્ટિ-ડાયમેન્શનલ, વાસ્તવિક-મૂલ્યવાળા એનોટેશન્સ સાથે અગાઉ ઉપલબ્ધ કોર્પસને લેબલ કરો. ટેકો વેક્ટર મશીન વર્ગીકરણકારોના રીગ્રેસન અને એક-વિરુદ્ધ-બધા અભિગમોનો ઉપયોગ કરીને પ્રાયોગિક પરિણામો દર્શાવે છે કે જો કે બાદમાં અભિગમ વધુ ચોક્કસ ઓર્ડનલ વર્ગ આગાહી ચોકસાઈ પૂરી પાડે છે, રીગ્રેસન તકનીકો નાના પાયે ભૂલો કરે છે. |
9931c6b050e723f5b2a189dd38c81322ac0511de | અમે માનવ ક્રિયા માન્યતા સમુદાયમાં સાર્વજનિક રૂપે ઉપલબ્ધ ડેટાસેટ્સની વર્તમાન સ્થિતિ પર એક સમીક્ષા રજૂ કરીએ છીએ; પોઝ આધારિત પદ્ધતિઓના પુનરુત્થાન અને વ્યક્તિ-વ્યક્તિની ક્રિયાપ્રતિક્રિયા મોડેલિંગને સમજવાની તાજેતરની પ્રગતિને પ્રકાશિત કરી રહ્યા છીએ. અમે બેંચમાર્ક ડેટાસેટ તરીકે ઉપયોગ માટે કેટલાક કી ગુણધર્મોને લગતા ડેટાસેટ્સને વર્ગીકૃત કરીએ છીએ; જેમાં વર્ગ લેબલ્સની સંખ્યા, પ્રદાન કરેલ ગ્રાઉન્ડ સત્ય અને તેઓ કબજે કરેલા એપ્લિકેશન ડોમેનનો સમાવેશ થાય છે. અમે દરેક ડેટાસેટના અમૂર્ત સ્તરને પણ ધ્યાનમાં લઈએ છીએ; ક્રિયાઓ, ક્રિયાપ્રતિક્રિયાઓ અને ઉચ્ચ સ્તરની સિમેન્ટીક પ્રવૃત્તિઓ રજૂ કરતા જૂથો. સર્વેક્ષણ મુખ્ય દેખાવ અને પોઝ આધારિત ડેટાસેટ્સને ઓળખે છે, સરળ, ભારિત અથવા સ્ક્રિપ્ટ કરેલ ક્રિયા વર્ગો માટે વલણ નોંધે છે જે ઘણીવાર સબ-એક્શન હાવભાવના સ્થિર સંગ્રહ દ્વારા સરળતાથી વ્યાખ્યાયિત થાય છે. ત્યાં સ્પષ્ટપણે ડેટાસેટ્સનો અભાવ છે જે નજીકથી સંબંધિત ક્રિયાઓ પૂરી પાડે છે, જે તે છે જે તટસ્થ રીતે પોઝ અને હાવભાવની શ્રેણી દ્વારા ઓળખવામાં આવતી નથી, પરંતુ ક્રિયાપ્રતિક્રિયાઓના ગતિશીલ સમૂહ દ્વારા. તેથી અમે એક નવલકથા ડેટાસેટ પ્રસ્તાવિત કરીએ છીએ જે 3D પોઝ દ્વારા બે વ્યક્તિઓ વચ્ચેના જટિલ વાતચીતની ક્રિયાપ્રતિક્રિયાઓનું પ્રતિનિધિત્વ કરે છે. બે કિનેક્ટ ઊંડાણ સેન્સરનો ઉપયોગ કરીને 7 અલગ વાતચીત આધારિત દૃશ્યોનું વર્ણન કરતી 8 જોડીની ક્રિયાપ્રતિક્રિયાઓ એકત્રિત કરવામાં આવી હતી. ઈરાદો એ છે કે ઘટનાઓ પૂરી પાડવા માટે કે જે અસંખ્ય આદિમ ક્રિયાઓ, ક્રિયાપ્રતિક્રિયાઓ અને ગતિથી સમયના સમયગાળામાં બાંધવામાં આવે છે; સૂક્ષ્મ ક્રિયા વર્ગોનો સમૂહ પૂરો પાડે છે જે વાસ્તવિક દુનિયાના વધુ પ્રતિનિધિ છે, અને હાલમાં વિકસિત માન્યતા પદ્ધતિઓ માટે એક પડકાર છે. અમારું માનવું છે કે આ એલ્સેવીઅર 27 ઓક્ટોબર, 2015 ના લક્ષણોમાં રજૂ કરાયેલા 3D પોઝ પ્રિપ્રિન્ટનો ઉપયોગ કરીને વાતચીતની ક્રિયાપ્રતિક્રિયા વર્ગીકરણ માટે સમર્પિત પ્રથમ ડેટાસેટ્સમાંનું એક છે અને આ કાર્ય ખરેખર શક્ય છે તે દર્શાવે છે. સંપૂર્ણ ડેટાસેટને સંશોધન સમુદાયને [1] પર સાર્વજનિક રૂપે ઉપલબ્ધ કરાવવામાં આવે છે. |
26e6b1675e081a514f4fdc0352d6cb211ba6d9c8 | અમે આધુનિક કારમાં ઉપયોગમાં લેવાતી પેસિવ કીલેસ એન્ટ્રી એન્ડ સ્ટાર્ટ (પીકેઇએસ) સિસ્ટમ્સ પર રિલે હુમલાઓનું પ્રદર્શન કરીએ છીએ. અમે બે કાર્યક્ષમ અને સસ્તા હુમલાની અનુભૂતિઓ બનાવી છે, વાયર અને વાયરલેસ ભૌતિક-સ્તર રીલે, જે હુમલાખોરને કાર અને સ્માર્ટ કી વચ્ચે સંદેશાઓ રિલે કરીને કારમાં પ્રવેશવા અને શરૂ કરવાની મંજૂરી આપે છે. અમારા રિલે મોડ્યુલેશન, પ્રોટોકોલ, અથવા મજબૂત પ્રમાણીકરણ અને એન્ક્રિપ્શનની હાજરીથી સંપૂર્ણપણે સ્વતંત્ર છે. અમે 8 ઉત્પાદકોની 10 કાર મોડેલો પર વ્યાપક મૂલ્યાંકન કરીએ છીએ. અમારા પરિણામો દર્શાવે છે કે સિગ્નલને માત્ર એક જ દિશામાં (કારથી કી સુધી) પ્રસારિત કરવું હુમલો કરવા માટે પૂરતું છે જ્યારે કી અને કાર વચ્ચેનું વાસ્તવિક અંતર મોટું રહે છે (50 મીટર સુધી પરીક્ષણ કર્યું છે, દૃશ્યની રેખા નહીં). અમે એ પણ બતાવીએ છીએ કે, અમારા સેટઅપ સાથે, સ્માર્ટ કીને 8 મીટર સુધી ઉત્તેજિત કરી શકાય છે. આ હુમલાખોરને રિલે સ્થાપિત કરવા માટે કીની નજીક આવવાની જરૂરિયાત દૂર કરે છે. અમે વધુ વિશ્લેષણ કરીએ છીએ અને મહત્વપૂર્ણ સિસ્ટમ લાક્ષણિકતાઓની ચર્ચા કરીએ છીએ. રિલે હુમલાની સામાન્યતા અને મૂલ્યાંકિત સિસ્ટમોની સંખ્યાને ધ્યાનમાં રાખીને, તે સંભવ છે કે સમાન ડિઝાઇન પર આધારિત તમામ PKES સિસ્ટમ્સ પણ સમાન હુમલા માટે સંવેદનશીલ છે. છેલ્લે, અમે તાત્કાલિક ઘટાડાનાં પગલાં સૂચવીએ છીએ જે રિલે હુમલાઓના જોખમને ઘટાડે છે તેમજ તાજેતરના ઉકેલો જે ઉપયોગની સુવિધાને જાળવી રાખતા રિલે હુમલાઓને અટકાવી શકે છે, જેના માટે શરૂઆતમાં પીકેઇએસ સિસ્ટમ્સ રજૂ કરવામાં આવી હતી. |
69d685d0cf85dfe70d87c1548b03961366e83663 | અમે લોહીમાં ઓક્સિજન સંતૃપ્તિ (SpO2) ને મોનિટર કરવા માટે એક બિન-સંપર્ક પદ્ધતિ રજૂ કરીએ છીએ. આ પદ્ધતિમાં એક ટ્રીગર કંટ્રોલ સાથે CMOS કેમેરાનો ઉપયોગ કરવામાં આવે છે, જે ફોટોપ્લેથિસ્મોગ્રાફી (PPG) સિગ્નલોને બે ચોક્કસ તરંગલંબાઇ પર વૈકલ્પિક રીતે રેકોર્ડ કરવાની મંજૂરી આપે છે, અને આ તરંગલંબાઇ પર PPG સિગ્નલોના પલ્સટેબલ અને નોનપલ્સટેબલ ઘટકોના માપવામાં આવેલા ગુણોત્તરમાંથી SpO2 નક્કી કરે છે. SpO2 મૂલ્યનું સિગ્નલ-થી-અવાજ ગુણોત્તર (SNR) તરંગલંબાઇની પસંદગી પર આધાર રાખે છે. અમે જોયું કે નારંગી (λ = 611 એનએમ) અને નજીકના ઇન્ફ્રારેડ (λ = 880 એનએમ) નું મિશ્રણ નોન-કોન્ટેક્ટ વિડિઓ-આધારિત શોધ પદ્ધતિ માટે શ્રેષ્ઠ એસએનઆર પ્રદાન કરે છે. આ મિશ્રણ પરંપરાગત સંપર્ક આધારિત SpO2 માપનથી અલગ છે કારણ કે આ તરંગલંબાઇ પર PPG સિગ્નલ તાકાત અને કેમેરા ક્વોન્ટમ કાર્યક્ષમતા બિન-સંપર્ક પદ્ધતિનો ઉપયોગ કરીને SpO2 માપન માટે વધુ અનુકૂળ છે. અમે 83%-98%ની SpO2 રેન્જ પર સંપર્ક વિનાની પદ્ધતિને માન્ય કરવા માટે એક નાનો પાયલોટ અભ્યાસ પણ હાથ ધર્યો હતો. આ અભ્યાસના પરિણામો સંદર્ભ સંપર્ક SpO2 ઉપકરણ (r = 0.936, p <; 0.001) નો ઉપયોગ કરીને માપવામાં આવેલા પરિણામો સાથે સુસંગત છે. પ્રસ્તુત પદ્ધતિ ખાસ કરીને મુક્ત જીવનની પરિસ્થિતિઓમાં ઘરે અને પરંપરાગત સંપર્ક આધારિત પીપીજી ઉપકરણોનો ઉપયોગ કરી શકતા નથી તેવા લોકો માટે પોતાના સ્વાસ્થ્ય અને સુખાકારીને ટ્રેક કરવા માટે યોગ્ય છે. |
51c88134a668cdfaccda2fe5f88919ac122bceda | વેબ વીડિયોમાં મલ્ટીમીડિયા ઇવેન્ટ્સને શોધવી એ મલ્ટીમીડિયા અને કોમ્પ્યુટર વિઝન ક્ષેત્રોમાં ઉભરતા હોટ રિસર્ચ ક્ષેત્ર છે. આ કાગળમાં, અમે ઇવેન્ટ લેબલીંગ દ્વારા એનાલિટિક મીડિયા પ્રોસેસિંગ (ઇ-લેમ્પ) સિસ્ટમ માટે તાજેતરમાં વિકસિત માળખાના મુખ્ય પદ્ધતિઓ અને તકનીકો રજૂ કરીએ છીએ, જે ઇવેન્ટ ડિટેક્શનની એકંદર સમસ્યાના વિવિધ પાસાઓને ધ્યાનમાં લે છે. વધુ ખાસ રીતે, અમે સુવિધાઓ નિષ્કર્ષણ માટે કાર્યક્ષમ પદ્ધતિઓ વિકસાવી છે જેથી અમે હજારો કલાકોની વિડિઓઝ સાથે વિડિઓ ડેટાના મોટા સંગ્રહોને હેન્ડલ કરી શકીએ. બીજું, અમે વધુ અસરકારક ટાઇલિંગ સાથે અવકાશી બેગ-ઓફ-વર્ડ્સ મોડેલમાં કાઢવામાં આવેલી કાચા સુવિધાઓનું પ્રતિનિધિત્વ કરીએ છીએ જેથી વિવિધ સુવિધાઓ અને વિવિધ ઇવેન્ટ્સની અવકાશી લેઆઉટ માહિતીને વધુ સારી રીતે પકડી શકાય, આમ એકંદર શોધ કામગીરીમાં સુધારો થઈ શકે. ત્રીજું, વ્યાપકપણે ઉપયોગમાં લેવાતી પ્રારંભિક અને અંતમાં ફ્યુઝન યોજનાઓથી અલગ, એક નવલકથા અલ્ગોરિધમનો વિકસાવવામાં આવે છે જેથી બહુવિધ સુવિધાઓમાંથી વધુ મજબૂત અને ભેદભાવપૂર્ણ મધ્યવર્તી લક્ષણ પ્રતિનિધિત્વ શીખવા માટે કે જેથી તેના પર વધુ સારા ઇવેન્ટ મોડેલ્સ બનાવી શકાય. છેલ્લે, માત્ર થોડા હકારાત્મક ઉદાહરણો સાથે ઘટના શોધના વધારાના પડકારને પહોંચી વળવા માટે, અમે એક નવલકથા અલ્ગોરિધમનો વિકસાવી છે જે સહાયક સ્રોતોમાંથી શીખેલા જ્ઞાનને અસરકારક રીતે ઘટના શોધમાં સહાય કરવા માટે અનુકૂળ કરી શકે છે. અમારા પ્રયોગો અને TRECVID MED11 અને MED12ના સત્તાવાર મૂલ્યાંકન પરિણામો બંને આ વિચારોના એકીકરણના ઉત્તમ પ્રદર્શનને દર્શાવે છે. |
10d6b12fa07c7c8d6c8c3f42c7f1c061c131d4c5 | અમે દ્રશ્ય પદાર્થ ઓળખ માટે મજબૂત લક્ષણ સમૂહોના પ્રશ્નના અભ્યાસ કરીએ છીએ; એક પરીક્ષણ કેસ તરીકે રેખીય એસવીએમ આધારિત માનવ શોધને અપનાવી રહ્યા છીએ. હાલના ધાર અને ઢાળ આધારિત વર્ણકોની સમીક્ષા કર્યા પછી, અમે પ્રાયોગિક રીતે બતાવીએ છીએ કે લક્ષી ઢાળ (HOG) વર્ણકોના હિસ્ટોગ્રામના ગ્રીડ માનવ શોધ માટે હાલના લક્ષણ સમૂહો કરતાં નોંધપાત્ર રીતે વધુ સારી કામગીરી કરે છે. અમે પ્રદર્શન પર ગણતરીના દરેક તબક્કાના પ્રભાવનો અભ્યાસ કરીએ છીએ, નિષ્કર્ષ કાઢીએ છીએ કે દંડ સ્કેલ ઢાળ, દંડ ઓરિએન્ટેશન બિંગિંગ, પ્રમાણમાં રફ અવકાશી બિંગિંગ, અને ઓવરલેપિંગ ડિસ્ક્રીપ્ટર બ્લોક્સમાં ઉચ્ચ ગુણવત્તાની સ્થાનિક વિપરીત સામાન્યકરણ સારા પરિણામો માટે મહત્વપૂર્ણ છે. આ નવો અભિગમ મૂળ એમઆઇટી પેડેસ્ટ્રિયન ડેટાબેઝ પર લગભગ સંપૂર્ણ અલગતા આપે છે, તેથી અમે વધુ પડકારરૂપ ડેટાસેટ રજૂ કરીએ છીએ જેમાં 1800 થી વધુ એનોટેટેડ માનવ છબીઓ છે જેમાં મોટા પાયે પોઝ ભિન્નતા અને બેકગ્રાઉન્ડ છે. |
2337ff38e6cfb09e28c0958f07e2090c993ef6e8 | ઘણા પેટર્ન ઓળખ કાર્યો માટે, આદર્શ ઇનપુટ સુવિધા બહુવિધ ગૂંચવણભરી ગુણધર્મો (જેમ કે પ્રકાશ અને જોવાના ખૂણા, કમ્પ્યુટર વિઝન એપ્લિકેશન્સમાં) માટે અસ્થિર હશે. તાજેતરમાં, નિરીક્ષણ વિના તાલીમ પામેલા ઊંડા આર્કિટેક્ચર્સને ઉપયોગી સુવિધાઓ કાઢવા માટે સ્વયંસંચાલિત પદ્ધતિ તરીકે પ્રસ્તાવિત કરવામાં આવ્યા છે. જો કે, વર્ગીકરણકારમાં તેનો ઉપયોગ કરવા સિવાય અન્ય કોઈ રીતે શીખી સુવિધાઓનું મૂલ્યાંકન કરવું મુશ્કેલ છે. આ કાગળમાં, અમે સંખ્યાબંધ પ્રયોગો પ્રસ્તાવિત કરીએ છીએ જે સીધા જ માપવા માટે ડિગ્રી આપે છે કે જે આ શીખી સુવિધાઓ વિવિધ ઇનપુટ રૂપાંતરણો માટે અસ્થિર છે. આપણે શોધીએ છીએ કે સ્ટેક્ડ ઓટોએન્કોડર્સ જ્યારે કુદરતી છબીઓ પર તાલીમ આપવામાં આવે ત્યારે ઊંડાઈ સાથે નમ્રતાપૂર્વક વધુને વધુ અસ્થિર સુવિધાઓ શીખે છે. આપણે શોધીએ છીએ કે કન્વોલ્યુશનલ ડીપ બ્રેથ નેટવર્ક દરેક સ્તરમાં વધુ અનિવાર્ય લક્ષણો શીખે છે. આ પરિણામો deep deep વિ. shallower રજૂઆતોના ઉપયોગને વધુ યોગ્ય ઠેરવે છે, પરંતુ સૂચવે છે કે એક ઓટોકોડરને બીજાની ટોચ પર સ્ટેકીંગ કરતા વધુ પદ્ધતિઓ અસ્થિરતા પ્રાપ્ત કરવા માટે મહત્વપૂર્ણ હોઈ શકે છે. અમારા મૂલ્યાંકન મેટ્રિક્સનો ઉપયોગ ડીપ લર્નિંગમાં ભાવિ કાર્યનું મૂલ્યાંકન કરવા માટે પણ થઈ શકે છે, અને આમ ભાવિ અલ્ગોરિધમ્સના વિકાસમાં મદદ કરી શકે છે. |
31b58ced31f22eab10bd3ee2d9174e7c14c27c01 | ઈન્ટરનેટના આગમન સાથે, અબજો છબીઓ હવે ઓનલાઇન મુક્તપણે ઉપલબ્ધ છે અને દ્રશ્ય વિશ્વના ગાઢ નમૂનાનું નિર્માણ કરે છે. વિવિધ બિન-પરિમાણીય પદ્ધતિઓનો ઉપયોગ કરીને, અમે આ વિશ્વને 79,302,017 ઈન્ટરનેટ પરથી એકત્રિત કરેલા છબીઓના વિશાળ ડેટાસેટની મદદથી અન્વેષણ કરીએ છીએ. માનસિક-ભૌતિક પરિણામો દ્વારા પ્રેરિત, જે માનવ દ્રશ્ય પ્રણાલીની છબીના રિઝોલ્યુશનમાં બગાડ માટે નોંધપાત્ર સહનશીલતા દર્શાવે છે, ડેટાસેટમાંની છબીઓ 32 x 32 રંગીન છબીઓ તરીકે સંગ્રહિત થાય છે. દરેક છબીને અંગ્રેજીમાં 75,062 બિન-વિશેષ સંજ્ઞાઓમાંથી એક સાથે છૂટક રીતે લેબલ કરવામાં આવે છે, જેમ કે વર્ડનેટ લેક્સિકલ ડેટાબેઝમાં સૂચિબદ્ધ છે. તેથી છબી ડેટાબેઝ તમામ પદાર્થ કેટેગરી અને દ્રશ્યોનો વ્યાપક કવરેજ આપે છે. વર્ડનેટની અર્થપૂર્ણ માહિતીનો ઉપયોગ નજીકના પાડોશી પદ્ધતિઓ સાથે મળીને અર્થપૂર્ણ સ્તરોની શ્રેણીમાં ઓબ્જેક્ટ વર્ગીકરણ કરવા માટે કરી શકાય છે, જે લેબલિંગ અવાજની અસરોને ઘટાડે છે. અમુક વર્ગો માટે જે ખાસ કરીને ડેટાસેટમાં પ્રચલિત છે, જેમ કે લોકો, અમે વર્ગ-વિશિષ્ટ વિયોલા-જોન્સ શૈલી ડિટેક્ટર્સની તુલનાત્મક માન્યતા પ્રદર્શન દર્શાવવા માટે સક્ષમ છીએ. |
4b605e6a9362485bfe69950432fa1f896e7d19bf | ડીપ લર્નિંગમાં પ્રગતિ અને ડીપ નેટવર્ક્સને તાલીમ આપવા માટે મોટા ડેટાસેટ્સની ઉપલબ્ધતાના સંયોજનને કારણે સ્વચાલિત ચહેરાની ઓળખ તકનીકોમાં નોંધપાત્ર સુધારા જોવા મળ્યા છે. ચહેરાને ઓળખવું એ એક કાર્ય છે જે માનવીઓ ખૂબ જ સારી હોવાનું માનવામાં આવે છે, તે સંપૂર્ણપણે અનિયંત્રિત ચહેરાની છબીની પ્રક્રિયા કરતી વખતે સ્વયંસંચાલિત ચહેરાની ઓળખ અને મનુષ્યના સંબંધિત પ્રદર્શનની તુલના કરવા માટે માત્ર કુદરતી છે. આ કાર્યમાં, અમે અસંબંધિત ચહેરાની છબીઓનો ઉપયોગ કરીને કેટલાક નવલકથા વિશ્લેષણ કરીને મનુષ્ય અને સ્વચાલિત સિસ્ટમોની ઓળખ ચોકસાઈના અગાઉના અભ્યાસોને વિસ્તૃત કરીએ છીએ. અમે પ્રદર્શન પરની અસરની તપાસ કરીએ છીએ જ્યારે માનવ ઓળખકર્તાઓને વિષય દીઠ છબીઓની વિવિધ માત્રાઓ, લિંગ જેવા અવિભાજ્ય લક્ષણો અને ઓક્લૂઝન, પ્રકાશ અને પોઝ જેવા સંજોગોવશાત્ લક્ષણો સાથે રજૂ કરવામાં આવે છે. પરિણામો સૂચવે છે કે પડકારરૂપ આઇજેબી-એ ડેટાસેટ પર મનુષ્ય કલાના સ્વચાલિત ચહેરાની ઓળખ અલ્ગોરિધમ્સની સ્થિતિને ખૂબ જ આગળ વધે છે. |
a4d510439644d52701f852d9dd34bbd37f4b8b78 | સેલ્યુલર ઓટોમેટા (સીએ) પર આધારિત સ્લ્યુથ મોડેલનો ઉપયોગ મહાનગરીય વિસ્તારોમાં શહેરના વિકાસના સિમ્યુલેશનમાં થઈ શકે છે. આ અભ્યાસમાં શહેરી વિસ્તરણને મોડલ કરવા અને તેહરાનમાં શહેરી વૃદ્ધિના ભાવિ સંભવિત વર્તનની આગાહી કરવા માટે SLEUTH મોડેલનો ઉપયોગ કરવામાં આવ્યો હતો. મૂળભૂત માહિતી 1988, 1992, 1998, 2001 અને 2010 ના પાંચ લેન્ડસેટ TM અને ઇટીએમ છબીઓ હતી. અવકાશી પેટર્નને અનુકરણ કરવા માટે ત્રણ દૃશ્યો તૈયાર કરવામાં આવ્યા હતા. પ્રથમ દૃશ્યમાં એવું ધારવામાં આવ્યું હતું કે ઐતિહાસિક શહેરીકરણની સ્થિતિ યથાવત રહેશે અને વિકાસ માટેની એકમાત્ર મર્યાદાઓ ઊંચાઈ અને ઢાળ હશે. બીજો એક સંકુચિત દૃશ્ય હતો જે વૃદ્ધિને મોટે ભાગે આંતરિક બનાવે છે અને ઉપનગરીય વિસ્તારોના વિસ્તરણને મર્યાદિત કરે છે. છેલ્લી દૃશ્યમાં એક બહુકેન્દ્રીય શહેરી માળખું સૂચવવામાં આવ્યું હતું જે નાના પેચને * અનુરૂપ લેખક. ટેલ. : +98 912 3572913 ઈ-મેલ સરનામુંઃ [email protected] |
f19e6e8a06cba5fc8cf234881419de9193bba9d0 | ન્યુરલ નેટવર્ક્સનો ઉપયોગ સામાન્ય રીતે વર્ગીકરણ અને નિર્ણય કાર્યોમાં થાય છે. આ કાગળમાં, અમે તેમના પરિણામોના સ્થાનિક વિશ્વાસની સમસ્યા પર ધ્યાન કેન્દ્રિત કરીએ છીએ. અમે આંકડાકીય નિર્ણય સિદ્ધાંતમાંથી કેટલીક ખ્યાલોની સમીક્ષા કરીએ છીએ જે ન્યુરલ નેટવર્ક્સ સાથે વર્ગીકરણ માટે વિશ્વાસના માપદંડોની નિર્ધારણ અને ઉપયોગ પર એક સમજ આપે છે. ત્યારબાદ અમે હાલના વિશ્વાસના માપદંડોની ઝાંખી રજૂ કરીએ છીએ અને છેલ્લે એક સરળ માપનો પ્રસ્તાવ કરીએ છીએ જે નેટવર્ક આઉટપુટના સંભાવનાવાદી અર્થઘટનના ફાયદા અને બુટસ્ટ્રેપ ભૂલ અંદાજ દ્વારા મોડેલની ગુણવત્તાનો અંદાજ આપે છે. અમે વાસ્તવિક દુનિયાની એપ્લિકેશન અને કૃત્રિમ સમસ્યા પરના પ્રયોગોના પરિણામોની ચર્ચા કરીએ છીએ અને બતાવીએ છીએ કે સરળ માપ વધુ વ્યવહારુ લોકો કરતાં વધુ સારી રીતે વર્તે છે, પરંતુ અમુક પરિસ્થિતિઓમાં ખતરનાક બની શકે છે. |
4a5be26509557f0a1a911e639868bfe9d002d664 | મેન્યુફેક્ચરિંગ મેસેજિંગ સ્પષ્ટીકરણ (એમએમએસ) પ્રોટોકોલનો ઉપયોગ ઔદ્યોગિક પ્રક્રિયા નિયંત્રણ એપ્લિકેશન્સમાં વ્યાપકપણે થાય છે, પરંતુ તે નબળી રીતે દસ્તાવેજીકરણ કરવામાં આવે છે. આ કાગળમાં અમે માહિતી સુરક્ષાના સંદર્ભમાં એમએમએસની સમજ સુધારવા માટે એમએમએસ પ્રોટોકોલનું વિશ્લેષણ રજૂ કરીએ છીએ. અમારા તારણો દર્શાવે છે કે એમએમએસ પાસે પર્યાપ્ત સુરક્ષા પદ્ધતિઓ નથી, અને ઉપલબ્ધ નબળા સુરક્ષા પદ્ધતિઓ વ્યાપારી રીતે ઉપલબ્ધ ઔદ્યોગિક ઉપકરણોમાં અમલમાં નથી. |
15a2ef5fac225c864759b28913b313908401043f | પોતાના ગ્રાહકોનો વિશ્વાસ મેળવવા માટે સોફ્ટવેર વિક્રેતાઓ પોતાના ઉત્પાદનોને સુરક્ષા ધોરણો અનુસાર પ્રમાણિત કરી શકે છે, ઉદાહરણ તરીકે, સામાન્ય માપદંડ (ISO 15408). જો કે, કોમન ક્રિટરિયમના પ્રમાણપત્ર માટે સોફ્ટવેર પ્રોડક્ટના સમજી શકાય તેવા દસ્તાવેજોની જરૂર છે. આ દસ્તાવેજોનું નિર્માણ સમય અને નાણાંની દ્રષ્ટિએ ઊંચા ખર્ચમાં પરિણમે છે. અમે એક સોફ્ટવેર ડેવલપમેન્ટ પ્રક્રિયા પ્રસ્તાવિત કરીએ છીએ જે કોમન ક્રિટરિયસ સર્ટિફિકેશન માટે જરૂરી દસ્તાવેજોની રચનાને ટેકો આપે છે. તેથી, સોફ્ટવેર બનાવવામાં આવે તે પછી અમને દસ્તાવેજીકરણ બનાવવાની જરૂર નથી. વધુમાં, અમે કોમન માપદંડ દસ્તાવેજોની સ્થાપના સાથે સંભવિત સમસ્યાઓને શોધવા માટે એડીઆઇટી નામની જરૂરિયાતો આધારિત સોફ્ટવેર એન્જિનિયરિંગ પ્રક્રિયાના ઉન્નત સંસ્કરણનો ઉપયોગ કરવાનો પ્રસ્તાવ મૂક્યો છે. અમારો ઉદ્દેશ પ્રમાણપત્ર પ્રક્રિયા પહેલાં આ મુદ્દાઓને શોધવાનો છે. આ રીતે અમે પ્રમાણપત્રના પ્રયાસમાં ખર્ચાળ વિલંબને ટાળીએ છીએ. એડીઆઇટી એક સીમલેસ ડેવલપમેન્ટ અભિગમ પૂરો પાડે છે જે વિવિધ પ્રકારના યુએમએલ મોડેલો વચ્ચે સુસંગતતા તપાસની મંજૂરી આપે છે. એડીઆઇટી સુરક્ષા જરૂરિયાતોથી લઈને ડિઝાઇન દસ્તાવેજો સુધીની ટ્રેસિબિલિટીને પણ સમર્થન આપે છે. અમે સ્માર્ટ મીટરિંગ ગેટવે સિસ્ટમનાં વિકાસ સાથે અમારા અભિગમને સમજાવીએ છીએ. |
21968ae000669eb4cf03718a0d97e23a6bf75926 | તાજેતરમાં, સામાજિક નેટવર્ક્સમાં પ્રભાવ પ્રસારની ઘટનામાં ભારે રસ છે. આ ક્ષેત્રના અભ્યાસો એમ ધારે છે કે તેમની સમસ્યાઓના ઇનપુટ તરીકે તેઓ વપરાશકર્તાઓ વચ્ચે પ્રભાવની સંભાવનાઓ સાથે લેબલવાળા ધાર સાથે સામાજિક ગ્રાફ ધરાવે છે. જો કે, આ સંભાવનાઓ ક્યાંથી આવે છે અથવા વાસ્તવિક સામાજિક નેટવર્ક ડેટામાંથી કેવી રીતે ગણતરી કરી શકાય તે અંગેનો પ્રશ્ન અત્યાર સુધી મોટે ભાગે અવગણવામાં આવ્યો છે. આમ, તે પૂછવું રસપ્રદ છે કે શું સામાજિક ગ્રાફ અને તેના વપરાશકર્તાઓ દ્વારા ક્રિયાઓના લોગમાંથી, કોઈ પ્રભાવના મોડેલો બનાવી શકે છે. આ કાગળમાં આ મુખ્ય સમસ્યા છે. મોડેલ પરિમાણો શીખવા માટે અને આગાહીઓ કરવા માટે શીખ્યા મોડેલોની ચકાસણી કરવા માટે મોડેલો અને અલ્ગોરિધમ્સનો પ્રસ્તાવ મૂકવા ઉપરાંત, અમે તે સમયની આગાહી કરવા માટે તકનીકો પણ વિકસાવીએ છીએ કે જેના દ્વારા વપરાશકર્તાને કોઈ ક્રિયા કરવાની અપેક્ષા રાખી શકાય. અમે અમારા વિચારો અને તકનીકોની માન્યતા ફ્લિકર ડેટા સેટનો ઉપયોગ કરીને કરીએ છીએ જેમાં 1.3M નોડ્સ, 40M ધાર અને 35M ટુપલ્સનો સમાવેશ કરનાર એક એક્શન લોગનો સમાવેશ થાય છે જે 300K અલગ ક્રિયાઓનો ઉલ્લેખ કરે છે. વાસ્તવિક સામાજિક નેટવર્કમાં વાસ્તવિક પ્રભાવ થઈ રહ્યો છે તે દર્શાવવા ઉપરાંત, અમે બતાવીએ છીએ કે અમારી તકનીકોમાં ઉત્તમ આગાહી પ્રદર્શન છે. |
c8a04d0cbb9f70e86800b11b594c9a05d7b6bac0 | |
61dc8de84e0f4aab21a03833aeadcefa87d6d4e5 | એડ હોક નેટવર્ક્સમાં ગોપનીયતા જાળવી રાખતા ડેટા એકત્રીકરણ એ એક પડકારરૂપ સમસ્યા છે, વિતરણ સંચાર અને નિયંત્રણની જરૂરિયાત, ગતિશીલ નેટવર્ક ટોપોલોજી, અવિશ્વસનીય સંચાર લિંક્સ વગેરેને ધ્યાનમાં લેતા. જ્યારે અપ્રમાણિક નોડ હોય ત્યારે મુશ્કેલી વધારે છે, અને અપ્રમાણિક નોડ સામે ગોપનીયતા, ચોકસાઈ અને મજબૂતાઈ કેવી રીતે સુનિશ્ચિત કરવી તે એક ખુલ્લો મુદ્દો છે. વ્યાપકપણે ઉપયોગમાં લેવાતા ક્રિપ્ટોગ્રાફિક અભિગમોથી અલગ, આ કાગળમાં, અમે વિતરણ સંમતિ તકનીકનો ઉપયોગ કરીને આ પડકારરૂપ સમસ્યાને સંબોધિત કરીએ છીએ. અમે સૌ પ્રથમ એક સુરક્ષિત સર્વસંમતિ આધારિત ડેટા એકત્રીકરણ (એસસીડીએ) અલ્ગોરિધમનો પ્રચાર કરીએ છીએ જે સંવેદનશીલ ડેટાની ગોપનીયતાને જાળવી રાખતી વખતે ચોક્કસ રકમ એકત્રીકરણની બાંયધરી આપે છે. પછી, અપ્રમાણિક ગાંઠોથી પ્રદૂષણને ઘટાડવા માટે, અમે એક ઉન્નત એસસીડીએ (ઇ-એસસીડીએ) અલ્ગોરિધમનો પ્રસ્તાવ કરીએ છીએ જે પડોશીઓને અપ્રમાણિક ગાંઠો શોધવા માટે પરવાનગી આપે છે, અને જ્યારે ત્યાં અજાણ્યા વાનગીઓ હોય ત્યારે ભૂલ બાઉન્ડ મેળવે છે. અમે એસસીડીએ અને ઇ-એસસીડીએ બંનેના સંકલનનો પુરાવો આપીએ છીએ. અમે એ પણ સાબિત કરીએ છીએ કે પ્રસ્તાવિત અલ્ગોરિધમનો છે, અને અને σ વચ્ચે ગાણિતિક સંબંધ મેળવીએ છીએ. વિસ્તૃત સિમ્યુલેશનોએ દર્શાવ્યું છે કે પ્રસ્તાવિત અલ્ગોરી થમ્સમાં ઉચ્ચ ચોકસાઈ અને ઓછી જટિલતા છે, અને તે નેટવર્ક ગતિશીલતા અને અપ્રમાણિક ગાંઠો સામે મજબૂત છે. |
dbde4f47efed72cbb99f412a9a4c17fe39fa04fc | કુદરતી છબી પેદા કરવી એ હાલમાં ડીપ લર્નિંગમાં સૌથી વધુ સક્રિય રીતે શોધવામાં આવેલા ક્ષેત્રોમાંનું એક છે. ઘણા અભિગમો, દા. ત. કલાત્મક શૈલીના રાજ્ય-ઓફ-ધ-આર્ટ ટ્રાન્સફર અથવા કુદરતી પોત સંશ્લેષણ માટે, નિરીક્ષણથી પ્રશિક્ષિત ઊંડા ન્યુરલ નેટવર્ક્સમાં હાયરાર્કિક રજૂઆતોના આંકડા પર આધાર રાખે છે. જો કે, તે સ્પષ્ટ નથી કે આ લક્ષણ પ્રતિનિધિત્વના કયા પાસાઓ કુદરતી છબી પેદા કરવા માટે નિર્ણાયક છેઃ તે ઊંડાઈ, એકત્રીકરણ અથવા કુદરતી છબીઓ પર સુવિધાઓનું તાલીમ છે? આપણે અહીં આ પ્રશ્નનો જવાબ કુદરતી રચના સંશ્લેષણના કાર્ય માટે આપીએ છીએ અને બતાવીએ છીએ કે ઉપરોક્ત પાસાઓમાંથી કોઈ પણ અનિવાર્ય નથી. તેના બદલે, અમે દર્શાવ્યું છે કે ઉચ્ચ દ્રષ્ટિની ગુણવત્તાવાળા કુદરતી રચનાઓ માત્ર એક જ સ્તર, કોઈ પૂલ અને રેન્ડમ ફિલ્ટર્સ સાથેના નેટવર્ક્સમાંથી પેદા કરી શકાય છે. |
acdc3d8d8c880bc9b9e10b337b09bed4c0c762d8 | કપડાં અને પહેરવા યોગ્ય ઉત્પાદનોમાં સંકલિત ટેલિકમ્યુનિકેશન સિસ્ટમ્સ એવી પદ્ધતિઓ છે જેના દ્વારા તબીબી ઉપકરણો ચોવીસ કલાક આરોગ્યસંભાળની જોગવાઈઓને વધારવા પર અસર કરી રહ્યા છે. આ કપડાં જ્યારે સંપૂર્ણ રીતે વિકસિત થશે ત્યારે હોસ્પિટલના સંસાધનો અને શ્રમને ઘટાડવા સાથે જો અને જ્યારે જરૂરી હોય ત્યારે ચેતવણી અને ધ્યાન આપવાની માંગ કરવામાં સક્ષમ હશે. વધુમાં, તેઓ નિવારક બિમારીઓ, સ્વાસ્થ્યની અનિયમિતતાઓ અને અણધારી હૃદય અથવા મગજની વિકૃતિઓમાં મુખ્ય ભૂમિકા ભજવી શકે છે. આ કાર્યમાં અલ્ટ્રા-વાઇડબેન્ડ (યુડબ્લ્યુબી) એન્ટેનાની તપાસ કરવાની શક્યતા રજૂ કરવામાં આવી છે, જે સંપૂર્ણપણે કાપડ સામગ્રીમાંથી બનાવવામાં આવી છે જેનો ઉપયોગ સબસ્ટ્રેટ તેમજ ડિઝાઇન કરેલા એન્ટેનાના વાહક ભાગો માટે કરવામાં આવ્યો હતો. સિમ્યુલેટેડ અને માપવામાં આવેલા પરિણામો દર્શાવે છે કે પ્રસ્તાવિત એન્ટેના ડિઝાઇન વિશાળ વર્કિંગ બેન્ડવિડ્થની જરૂરિયાતોને પૂર્ણ કરે છે અને કોમ્પેક્ટ કદ, ધોવા યોગ્ય અને લવચીક સામગ્રી સાથે 17 ગીગાહર્ટ્ઝ બેન્ડવિડ્થ પ્રદાન કરે છે. વર્તમાન હસ્તપ્રત ડિઝાઇનની ઉપયોગીતાને માન્ય કરવા માટે વળતર નુકશાન, બેન્ડવિડ્થ, રેડિયેશન પેટર્ન, વર્તમાન વિતરણ તેમજ ગેઇન અને કાર્યક્ષમતાના સંદર્ભમાં પરિણામો રજૂ કરવામાં આવે છે. અહીં પ્રસ્તુત કાર્યમાં એકલ સ્યુટના ભાવિ અભ્યાસો માટે ઊંડાણપૂર્વકની અસરો છે જે એક દિવસ પહેરનાર (દર્દી) ને આવા વિશ્વસનીય અને આરામદાયક તબીબી દેખરેખ તકનીકો પૂરા પાડવા માટે મદદ કરી શકે છે. 12 એપ્રિલ 2011ના રોજ પ્રાપ્ત, 23 મે 2011ના રોજ સ્વીકાર, 10 જૂન 2011ના રોજ સુનિશ્ચિત * પત્રકાર લેખક: મૈ એ. રહેમાન ઓસ્માન ([email protected]). |
aab8c9514b473c4ec9c47d780b7c79112add9008 | સંશોધન વ્યૂહરચના તરીકે કેસ સ્ટડી ઘણીવાર વિદ્યાર્થીઓ અને અન્ય નવા સંશોધકો માટે એક સ્પષ્ટ વિકલ્પ તરીકે ઉભરી આવે છે, જેઓ તેમના કાર્યસ્થળ પર આધારિત અથવા મર્યાદિત સંખ્યામાં સંસ્થાઓની તુલનાના આધારે નમ્ર સ્કેલ સંશોધન પ્રોજેક્ટ હાથ ધરવા માગે છે. આ સંદર્ભમાં કેસ સ્ટડી સંશોધનનો સૌથી પડકારજનક પાસું એ છે કે તપાસને "શું થાય છે" ના વર્ણનાત્મક એકાઉન્ટમાંથી સંશોધનના એક ભાગમાં ઉઠાવી લેવું જે જ્ઞાનમાં મૂલ્યવાન, જો નમ્ર ઉમેરો હોવાનો દાવો કરી શકે છે. આ લેખ કેસ સ્ટડી સંશોધન અને સંબંધિત ક્ષેત્રો પર સ્થાપિત પાઠ્યપુસ્તકો પર ભારે આધાર રાખે છે, જેમ કે યિન, 1994, હેમલ અને સહ., 1993, ઇટન, 1992, ગોમ, 2000, પેરી, 1998, અને સાન્ડર્સ અને સહ., 2000 પરંતુ નવા સંશોધકોને આ સંશોધન અભિગમના કેટલાક મુખ્ય સિદ્ધાંતો સાથે વ્યવહાર કરવા અને લાગુ કરવા માટે પ્રોત્સાહિત કરવા માટે કેસ સ્ટડી સંશોધનના મુખ્ય પાસાઓને અલગ કરવાનો પ્રયાસ કરે છે. આ લેખ સમજાવે છે કે કેસ સ્ટડી રિસર્ચનો ઉપયોગ ક્યારે કરી શકાય છે, સંશોધન ડિઝાઇન, ડેટા સંગ્રહ અને ડેટા વિશ્લેષણ, અને છેલ્લે એક અહેવાલ અથવા નિબંધ લખવા માટે પુરાવા પર દોરવા માટે સૂચનો આપે છે. |
a088bed7ac41ae77dbb23041626eb8424d96a5ba | આ કાગળ એફિરા પ્રશ્ન જવાબ એન્જિન, એક મોડ્યુલર અને વિસ્તૃત માળખું વર્ણવે છે જે એક સિસ્ટમમાં પ્રશ્ન જવાબ આપવા માટે બહુવિધ અભિગમોને સંકલિત કરવાની મંજૂરી આપે છે. આપણી માળખું ભાષા-વિશિષ્ટ ઘટકોને બદલીને અંગ્રેજી સિવાયની ભાષાઓમાં અનુકૂળ થઈ શકે છે. તે પ્રશ્ન જવાબ, જ્ઞાન એનોટેશન અને જ્ઞાન ખાણકામ માટે બે મુખ્ય અભિગમોને ટેકો આપે છે. એફિરા ડેટા સ્રોત તરીકે વેબનો ઉપયોગ કરે છે, પરંતુ તે નાના કોર્પોરા સાથે પણ કામ કરી શકે છે. વધુમાં, અમે પ્રશ્ન અર્થઘટન માટે એક નવલકથા અભિગમ પ્રસ્તાવ છે જે પ્રશ્ન મૂળ રચના માંથી abstracts. ટેક્સ્ટ પેટર્નનો ઉપયોગ પ્રશ્નનું અર્થઘટન કરવા અને ટેક્સ્ટ સ્નિપેટ્સમાંથી જવાબો કાઢવા માટે થાય છે. અમારી સિસ્ટમ આપમેળે જવાબો કાઢવા માટે પેટર્ન શીખે છે, તાલીમ ડેટા તરીકે પ્રશ્ન-જવાબ જોડીઓનો ઉપયોગ કરે છે. પ્રાયોગિક પરિણામોએ આ અભિગમની સંભવિતતા જાહેર કરી. |
227ed02b3e5edf4c5b08539c779eca90683549e6 | વર્તમાન માળખાંમાંથી મોટાભાગના ચોક્કસ સામાજિક-આર્થિક અને તકનીકી સેટિંગ્સ ધરાવતા દેશોમાં તેમની સાર્વત્રિક લાગુ પડવાની સમસ્યાને ઉકેલવા માટે અપૂરતા છે. જોકે અત્યાર સુધી ઈ-ગવર્નન્સના અમલીકરણમાં એક માપ બધાને અનુકૂળ છે એવી કોઈ વ્યૂહરચના નથી, તેમ છતાં આ પરિવર્તનમાં કેટલાક આવશ્યક સામાન્ય તત્વો છે. તેથી આ કાગળમાં વિકાસશીલ અને વિકસિત દેશોની ઇ-ભાગીદારીની પહેલોમાંથી શીખેલા કેટલાક સિદ્ધાંતો અને પાઠ પર આધારિત એક વિશિષ્ટ ટકાઉ મોડેલ વિકસાવવાનો પ્રયાસ કરવામાં આવ્યો છે, જેથી આઇસીટીના લાભોને મહત્તમ કરી શકાય અને વધુ ભાગીદારી સુનિશ્ચિત કરી શકાય. |
6afe5319630d966c1355f3812f9d4b4b4d6d9fd0 | |
a2c2999b134ba376c5ba3b610900a8d07722ccb3 | |
ab116cf4e1d5ed947f4d762518738305e3a0ab74 | |
64f51fe4f6b078142166395ed209d423454007fb | સચોટ અને મજબૂત ઊંડા નેટવર્ક મોડેલોને તાલીમ આપવા માટે મોટી સંખ્યામાં એનોટેટેડ તાલીમ છબીઓ મહત્વપૂર્ણ છે પરંતુ મોટી સંખ્યામાં એનોટેટેડ તાલીમ છબીઓનું સંગ્રહ ઘણીવાર સમય માંગી લે છે અને ખર્ચાળ છે. ઇમેજ સિન્થેસિસ મશીનો દ્વારા આપમેળે એનોટેડ તાલીમ છબીઓ ઉત્પન્ન કરીને આ મર્યાદાને દૂર કરે છે, જેણે તાજેતરના ઊંડા શિક્ષણ સંશોધનમાં વધતા રસને આકર્ષિત કર્યો છે. અમે એક નવીન છબી સંશ્લેષણ તકનીક વિકસાવી છે જે પૃષ્ઠભૂમિ છબીઓમાં વાસ્તવિકતાપૂર્વક ફોરગ્રાઉન્ડ ઑબ્જેક્ટ્સ ઓફ ઇન્ટરેસ્ટ (ઓઓઆઈ) ને એમ્બેડ કરીને એનોટેડ તાલીમ છબીઓ બનાવે છે. પ્રસ્તાવિત તકનીકમાં બે મુખ્ય ઘટકોનો સમાવેશ થાય છે જે સિદ્ધાંતમાં ઊંડા નેટવર્ક તાલીમમાં સંશ્લેષિત છબીઓની ઉપયોગીતાને વધારશે. પ્રથમ સંદર્ભ-સભાન સિમેન્ટીક સુસંગતતા છે જે ખાતરી કરે છે કે ઓઓઆઈને પૃષ્ઠભૂમિ છબીમાં સિમેન્ટીક સુસંગત પ્રદેશો આસપાસ મૂકવામાં આવે છે. બીજું, સુમેળભર્યા દેખાવ અનુકૂલન છે જે ખાતરી કરે છે કે એમ્બેડેડ ઓઓઆઈ બંને ભૌમિતિક ગોઠવણી અને દેખાવ વાસ્તવવાદ બંનેમાંથી આસપાસની પૃષ્ઠભૂમિ સાથે સુસંગત છે. પ્રસ્તાવિત તકનીકનું મૂલ્યાંકન બે સંબંધિત પરંતુ ખૂબ જ અલગ કમ્પ્યુટર વિઝન પડકારો પર કરવામાં આવ્યું છે, એટલે કે, દ્રશ્ય ટેક્સ્ટ શોધ અને દ્રશ્ય ટેક્સ્ટ ઓળખ. અનેક જાહેર ડેટા સેટ્સ પરના પ્રયોગો અમારી પ્રસ્તાવિત છબી સંશ્લેષણ તકનીકની અસરકારકતા દર્શાવે છે. અમારા સંશ્લેષિત છબીઓનો ઉપયોગ ઊંડા નેટવર્ક તાલીમમાં સમાન અથવા વધુ સારી દ્રશ્ય ટેક્સ્ટ શોધ અને દ્રશ્ય ટેક્સ્ટ ઓળખ પ્રદર્શન પ્રાપ્ત કરવા માટે સક્ષમ છે. વાસ્તવિક છબીઓનો ઉપયોગ કરવા સરખામણીમાં. |
ceb4040acf7f27b4ca55da61651a14e3a1ef26a8 | |
226cfb67d2d8eba835f2ec695fe28b78b556a19f | અમે બિટકોઇન પ્રોટોકોલમાં વ્યવહારુ ફેરફાર પ્રસ્તાવિત કરીએ છીએ જે બિટકોઇનને સામાન્ય કિસ્સામાં રક્ષણ આપે છે. તે સંધિ દ્વારા સ્વાર્થી ખાણકામ પર પ્રતિબંધ મૂકે છે જે સંસાધનોના 1/4 કરતા ઓછા આદેશ આપે છે. આ થ્રેશોલ્ડ ખોટી રીતે ધારવામાં આવેલી 1/2 બાઉન્ડ કરતા ઓછી છે, પરંતુ વર્તમાન વાસ્તવિકતા કરતાં વધુ સારી છે જ્યાં કોઈ પણ કદના ગઠબંધન સિસ્ટમ સાથે સમાધાન કરી શકે છે. બિટકોઇન ક્રિપ્ટોકરન્સી તેના વ્યવહારોને બ્લોકચેન નામના જાહેર લોગમાં રેકોર્ડ કરે છે. તેની સુરક્ષા વિતરણ પ્રોટોકોલ પર નિર્ભર છે જે બ્લોકચેનને જાળવે છે, જે માઇનર્સ તરીકે ઓળખાતા સહભાગીઓ દ્વારા ચલાવવામાં આવે છે. પરંપરાગત શાણપણ એવી દલીલ કરે છે કે ખાણકામ પ્રોટોકોલ પ્રોત્સાહન-સુસંગત છે અને લઘુમતી જૂથોના સંકલન સામે સુરક્ષિત છે, એટલે કે, તે ખાણકામ કરનારાઓને પ્રોટોકોલને અનુસરવા માટે પ્રોત્સાહિત કરે છે. અમે બતાવીએ છીએ કે બિટકોઇન માઇનિંગ પ્રોટોકોલ પ્રોત્સાહન-સુસંગત નથી. અમે એક હુમલો રજૂ કરીએ છીએ જેની સાથે સંકલન ખાણિયોની આવક તેમના વાજબી હિસ્સા કરતાં મોટી છે. આ હુમલાથી બિટકોઇન માટે નોંધપાત્ર પરિણામો આવી શકે છેઃ બુદ્ધિગમ્ય ખાણિયો હુમલાખોરો સાથે જોડાવાનું પસંદ કરશે, અને મોટા ભાગના બને ત્યાં સુધી સંકલન જૂથનું કદ વધશે. આ બિંદુએ, બિટકોઇન સિસ્ટમ એક વિકેન્દ્રિત ચલણ હોવાનો અંત આવે છે. જ્યાં સુધી ચોક્કસ ધારણાઓ કરવામાં ન આવે ત્યાં સુધી, કોલસા માઇનર્સના કોઈપણ ગઠબંધન માટે સ્વાર્થી ખાણકામ શક્ય છે. |
2b00e526490d65f2ec00107fb7bcce0ace5960c7 | આ પેપર ઇન્ટરનેટ ઓફ થિંગ્સને સંબોધિત કરે છે. આ આશાસ્પદ દાખલાનું મુખ્ય સક્ષમ પરિબળ અનેક ટેકનોલોજીઓ અને સંચાર ઉકેલોનું એકીકરણ છે. ઓળખ અને ટ્રેકિંગ ટેકનોલોજી, વાયર અને વાયરલેસ સેન્સર અને એક્ટ્યુએટર નેટવર્ક્સ, ઉન્નત સંચાર પ્રોટોકોલ (નવી પેઢીના ઇન્ટરનેટ સાથે વહેંચાયેલ), અને સ્માર્ટ ઓબ્જેક્ટ્સ માટે વિતરણ બુદ્ધિ માત્ર સૌથી વધુ સંબંધિત છે. જેમ કે સરળતાથી કલ્પના કરી શકાય છે, ઇન્ટરનેટ ઓફ થિંગ્સની પ્રગતિમાં કોઈ પણ ગંભીર યોગદાન જરૂરી છે કે તે ટેલિકોમ્યુનિકેશન્સ, ઇન્ફોર્મેટિક્સ, ઇલેક્ટ્રોનિક્સ અને સામાજિક વિજ્ઞાન જેવા જ્ઞાનના વિવિધ ક્ષેત્રોમાં હાથ ધરવામાં આવેલી સહયોગી પ્રવૃત્તિઓનું પરિણામ હોવું જોઈએ. આવા જટિલ દૃશ્યમાં, આ સર્વેક્ષણ એવા લોકો માટે છે જેઓ આ જટિલ શિસ્તની નજીક જવા માંગે છે અને તેના વિકાસમાં ફાળો આપે છે. આ ઈન્ટરનેટ ઓફ થિંગ્સ પેરાડિગમના વિવિધ દ્રષ્ટિકોણની જાણ કરવામાં આવે છે અને સક્ષમ તકનીકોની સમીક્ષા કરવામાં આવે છે. જે વાત સામે આવી છે તે એ છે કે સંશોધન સમુદાયને હજુ પણ મોટા મુદ્દાઓનો સામનો કરવો પડશે. તેમાંના સૌથી વધુ સંબંધિત મુદ્દાઓ પર વિગતવાર ચર્ચા કરવામાં આવી છે. 2010 એલ્સેવીયર બી. વી. બધા અધિકારો અનામત છે. |
839a69a55d862563fe75528ec5d763fb01c09c61 | એલએસટીએમ અથવા સરળ તકનીકોનો ઉપયોગ કરીને ગણતરી કરવામાં આવેલ નીચા પરિમાણીય વેક્ટર એમ્બેડિંગ, ટેક્સ્ટના "અર્થ" ને પકડવા માટે એક લોકપ્રિય અભિગમ છે અને ડાઉનસ્ટ્રીમ કાર્યો માટે ઉપયોગી નિરીક્ષણ વિનાના શિક્ષણનું એક સ્વરૂપ છે. જો કે, તેમની શક્તિ સૈદ્ધાંતિક રીતે સમજી શકાતી નથી. વર્તમાન કાગળ રેખીય એમ્બેડિંગ યોજનાઓના સબકેસને જોઈને ઔપચારિક સમજણ મેળવે છે. સંકુચિત સંવેદનાની સિદ્ધાંતનો ઉપયોગ કરીને આપણે બતાવીએ છીએ કે ઘટક શબ્દ વેક્ટર્સને જોડીને રજૂઆત આવશ્યકપણે ટેક્સ્ટના બેગ-ઓફ-એન-ગ્રામ (બોનજી) રજૂઆતોના માહિતી-રક્ષણ રેખાંકિત માપ છે. આ એલએસટીએમ વિશે એક નવા સૈદ્ધાંતિક પરિણામ તરફ દોરી જાય છેઃ ઓછી મેમરી એલએસટીએમમાંથી મેળવેલ ઓછી પરિમાણીય એમ્બેડિંગ ઓછામાં ઓછા વર્ગીકરણ કાર્યો પર, નાની ભૂલ સુધી, બોનજી વેક્ટર્સ પર રેખીય વર્ગીકરણકાર તરીકે, એક પરિણામ છે જે વ્યાપક પ્રયોગાત્મક કાર્ય અત્યાર સુધી બતાવવામાં અસમર્થ છે. અમારા પ્રયોગો આ સૈદ્ધાંતિક તારણોને સમર્થન આપે છે અને પ્રમાણભૂત બેંચમાર્ક પર મજબૂત, સરળ અને નિરીક્ષણ બેઝલાઇન સ્થાપિત કરે છે જે કેટલાક કિસ્સાઓમાં શબ્દ-સ્તરની પદ્ધતિઓમાં કલાની સ્થિતિ છે. અમે ગ્લોવે અને વર્ડ2વેક જેવા એમ્બેડિંગની એક આશ્ચર્યજનક નવી મિલકત પણ બતાવીએ છીએઃ તેઓ ટેક્સ્ટ માટે એક સારા સેન્સિંગ મેટ્રિક્સ બનાવે છે જે રેન્ડમ મેટ્રિક્સ કરતાં વધુ કાર્યક્ષમ છે, પ્રમાણભૂત વિખરાયેલા પુનઃપ્રાપ્તિ સાધન, જે સમજાવી શકે છે કે શા માટે તેઓ વ્યવહારમાં વધુ સારી રજૂઆત તરફ દોરી જાય છે. |
06e04fd496cd805bca69eea2c1977f90afeeef83 | અલ્ગોરિધમિક ન્યાયમાં મોટાભાગના અભિગમો મશીન શિક્ષણ પદ્ધતિઓને મર્યાદિત કરે છે જેથી પરિણામી આગાહીઓ ન્યાયની કેટલીક સાહજિક ખ્યાલોમાંથી એકને સંતોષે. જ્યારે આ ખાનગી કંપનીઓને ભેદભાવ વિરોધી કાયદાઓનું પાલન કરવામાં અથવા નકારાત્મક પ્રચારને ટાળવામાં મદદ કરી શકે છે, ત્યારે અમે માનીએ છીએ કે તે ઘણી વાર ખૂબ ઓછું છે, ખૂબ મોડું છે. જ્યારે તાલીમ ડેટા એકત્રિત કરવામાં આવે છે, ત્યારે વંચિત જૂથોમાંના વ્યક્તિઓ પહેલેથી જ ભેદભાવથી પીડાય છે અને તેમના નિયંત્રણની બહારના પરિબળોને કારણે તકો ગુમાવી દે છે. વર્તમાન કાર્યમાં અમે તેના બદલે નવી જાહેર નીતિ જેવી હસ્તક્ષેપો પર ધ્યાન કેન્દ્રિત કરીએ છીએ, અને ખાસ કરીને, કેવી રીતે સમગ્ર સિસ્ટમની ન્યાયીતાને સુધારતા તેમની હકારાત્મક અસરોને મહત્તમ કરવી. અમે દખલગીરીઓની અસરોને મોડેલ કરવા માટે કારણભૂત પદ્ધતિઓનો ઉપયોગ કરીએ છીએ, સંભવિત દખલગીરીને ધ્યાનમાં રાખીને - દરેક વ્યક્તિના પરિણામ પર આધાર રાખે છે કે બીજું કોણ દખલગીરી મેળવે છે. અમે આને ન્યૂ યોર્ક સિટીની શાળાઓના ડેટાસેટનો ઉપયોગ કરીને શિક્ષણ સંસાધનોના બજેટને ફાળવવાના ઉદાહરણ સાથે દર્શાવ્યું છે. |
44dd6443a07f0d139717be74a98988e3ec80beb8 | ઇન્ડક્ટિવ લર્નિંગ માટે હવે ઘણા સારી રીતે વિકસિત અભિગમો અસ્તિત્વ ધરાવે છે, પરંતુ દરેકમાં ચોક્કસ મર્યાદાઓ છે જે દૂર કરવા મુશ્કેલ છે. મલ્ટી સ્ટ્રેટેજી લર્નિંગ આ સમસ્યાને એક અલ્ગોરિધમમાં બહુવિધ પદ્ધતિઓનો સંયોજન કરીને ઉકેલવાનો પ્રયાસ કરે છે. આ લેખમાં બે વ્યાપકપણે ઉપયોગમાં લેવાતા પ્રયોગોના અભિગમોનું એકીકરણ વર્ણવવામાં આવ્યું છેઃ નિયમ ઇન્ડક્શન અને ઉદાહરણ આધારિત શિક્ષણ. નવા અલ્ગોરિધમમાં, ઉદાહરણોને મહત્તમ વિશિષ્ટ નિયમો તરીકે ગણવામાં આવે છે, અને વર્ગીકરણ શ્રેષ્ઠ મેચ વ્યૂહરચનાનો ઉપયોગ કરીને કરવામાં આવે છે. નિયમોને ધીમે ધીમે સામાન્ય બનાવવાની ઉદાહરણો દ્વારા શીખી શકાય છે જ્યાં સુધી કોઈ સ્પષ્ટ ચોકસાઈમાં સુધારો ન થાય ત્યાં સુધી. સૈદ્ધાંતિક વિશ્લેષણ દર્શાવે છે કે આ અભિગમ અસરકારક છે. તે RISE 3.1 સિસ્ટમમાં અમલમાં છે. વ્યાપક પ્રયોગમૂલક અભ્યાસમાં, RISE તેના પિતૃ અભિગમો (PEBLS અને CN2) બંનેના રાજ્યના કલા પ્રતિનિધિઓ કરતાં વધુ ચોકસાઈ પ્રાપ્ત કરે છે, તેમજ નિર્ણય વૃક્ષ શીખનાર (સી. 4.5). લેસીયન અભ્યાસો દર્શાવે છે કે આ કામગીરી માટે RISEના દરેક ઘટકો આવશ્યક છે. સૌથી વધુ મહત્ત્વપૂર્ણ રીતે, 30 અભ્યાસ કરાયેલા ક્ષેત્રોમાંથી 14માં, RISE PEBLS અને CN2ના શ્રેષ્ઠ કરતાં વધુ સચોટ છે, જે દર્શાવે છે કે બહુવિધ પ્રયોગાત્મક પદ્ધતિઓનો સંયોજન કરીને નોંધપાત્ર સમન્વય પ્રાપ્ત કરી શકાય છે. |
b38ac03b806a291593c51cb51818ce8e919a1a43 | |
4debb3fe83ea743a888aa2ec8f4252bbe6d0fcb8 | ઓપન સોર્સ સોફ્ટવેર (ઓએસએસ) એ તાજેતરમાં ખૂબ વ્યાપારી રસનો વિષય બન્યો છે. સોફ્ટવેર કટોકટીના મુખ્ય મુદ્દાઓ, એટલે કે સોફ્ટવેર વિકસાવવા માટે ખૂબ લાંબો સમય લે છે, તેના બજેટને ઓળંગી જાય છે અને ખૂબ સારી રીતે કામ કરતા નથી તે અંગેના મુદ્દાઓને સંબોધિત કરવામાં ઓએસએસ ખૂબ આશાસ્પદ લાગે છે. ખરેખર, ઓએસએસની સફળતાની ઘણી નોંધપાત્ર કથાઓ છે - લિનક્સ ઓપરેટિંગ સિસ્ટમ, અપાચે વેબ સર્વર, બીએનડી ડોમેન નામ રિઝોલ્યુશન ઉપયોગિતા, ફક્ત થોડા નામ આપવા માટે. જો કે, ઓએસએસ પર સખત શૈક્ષણિક સંશોધન દ્વારા આજ સુધી થોડું જ હાથ ધરવામાં આવ્યું છે. આ અભ્યાસમાં, એક માળખું બે અગાઉના માળખામાંથી ઉતરી આવ્યું હતું, જે આઇએસ ક્ષેત્રમાં ખૂબ પ્રભાવશાળી છે, એટલે કે ઝેકમેનની આઇએસ આર્કિટેક્ચર (આઇએસએ) અને ચેકલેન્ડની સોફ્ટ સિસ્ટમ્સ મેથોડોલોજી (એસએસએમ) માંથી કેટવોઇ માળખું. આ માળખું ઓએસએસ અભિગમની વિગતવાર વિશ્લેષણ માટે વપરાય છે. ઓએસએસ સંશોધનનું સંભવિત ભવિષ્ય પણ ચર્ચામાં છે. |
4bd48f4438ba7bf731e91cb29508a290e938a1d0 | 2.4 ગીગાહર્ટ્ઝ ડબલ્યુએલએનએ ઍક્સેસ પોઇન્ટ એપ્લિકેશન્સ માટે પરિપત્ર ધ્રુવીકરણ (સીપી) ની કોમ્પેક્ટ ઓમ્નિ-ડાયરેક્શનલ એન્ટેના રજૂ કરવામાં આવે છે. એન્ટેનામાં ચાર વક્ર મોનોપોલ્સ અને એક ફીડિંગ નેટવર્કનો સમાવેશ થાય છે જે એક સાથે આ ચાર મોનોપોલ્સને ઉત્તેજિત કરે છે. સીપી એન્ટેનાનું વિદ્યુત કદ માત્ર λ<sub>0</sub>/5×λ<sub>0</sub>/5×λ<sub>0</sub>/13 છે. ઇમ્પેડન્સ બેન્ડવિડ્થ (Sgadgad <sub>11 <sub>gad <; -10 dB) 3.85% (2.392 GHz થી 2.486 GHz) છે અને અઝીમથ પ્લેનમાં અક્ષીય ગુણોત્તર ઓપરેટિંગ બેન્ડમાં 0.5 dB કરતા ઓછું છે. |
0015fa48e4ab633985df789920ef1e0c75d4b7a8 | ડિટેક્શન (CVPR 97 ની કાર્યવાહીમાં દેખાશે, 17-19 જૂન, 1997, પ્યુઅર્ટો રિકો) એડગર ઓસોને? રોબર્ટ ફ્રેન્ડ? ફેડરિકો ગિરોસી yસંયુકત જીવવિજ્ઞાન અને કોમ્પ્યુટેશનલ લર્નિંગ અને ઓપરેશન્સ રિસર્ચ સેન્ટર મેસેચ્યુસેટ્સ ઇન્સ્ટિટ્યૂટ ઓફ ટેકનોલોજી કેમ્બ્રિજ, એમએ, 02139, યુએસએ સારાંશ અમે કોમ્પ્યુટર વિઝનમાં સપોર્ટ વેક્ટર મશીનો (એસવીએમ) ના ઉપયોગની તપાસ કરીએ છીએ. એસવીએમ એ વી. વાપનિક અને તેમની ટીમ (એટી એન્ડ ટી બેલ લેબ્સ) દ્વારા વિકસિત એક શીખવાની તકનીક છે. જે બહુવિધમ, ન્યુરલ નેટવર્ક અથવા રેડિયલ બેઝ ફંક્શન્સ ક્લાસિફર્સને તાલીમ આપવા માટે એક નવી પદ્ધતિ તરીકે જોઇ શકાય છે. નિર્ણય સપાટીઓ એક રેખીય રીતે પ્રતિબંધિત ચોરસ પ્રોગ્રામિંગ સમસ્યાને ઉકેલવાથી મળી આવે છે. આ ઑપ્ટિમાઇઝેશન સમસ્યા પડકારરૂપ છે કારણ કે ચોરસ સ્વરૂપ સંપૂર્ણપણે ગાઢ છે અને મેમરીની જરૂરિયાતો ડેટા પોઇન્ટ્સની સંખ્યાના ચોરસ સાથે વધે છે. અમે એક વિઘટન અલ્ગોરિધમનો રજૂ કરીએ છીએ જે વૈશ્વિક શ્રેષ્ઠતાની બાંયધરી આપે છે, અને તેનો ઉપયોગ એસવીએમને ખૂબ મોટા ડેટા સેટ્સ પર તાલીમ આપવા માટે થઈ શકે છે. વિઘટન પાછળનો મુખ્ય વિચાર એ પેટા-સમસ્યાઓના પુનરાવર્તિત ઉકેલ અને શ્રેષ્ઠતાની સ્થિતિઓનું મૂલ્યાંકન છે જેનો ઉપયોગ સુધારેલા પુનરાવર્તિત મૂલ્યો પેદા કરવા માટે થાય છે, અને એલ્ગોરિધમ માટે સ્ટોપિંગ માપદંડ પણ સ્થાપિત કરે છે. અમે એસવીએમના અમારા અમલીકરણના પ્રાયોગિક પરિણામો રજૂ કરીએ છીએ, અને ચહેરાની શોધની સમસ્યા પર અમારા અભિગમની શક્યતા દર્શાવીએ છીએ જેમાં 50,000 ડેટા પોઇન્ટનો ડેટા સેટ શામેલ છે. |
ca74a59166af72a14af031504e31d86c7953dc91 | |
0122e063ca5f0f9fb9d144d44d41421503252010 | અનસર્વેસ્ડ ફીચર લર્નિંગ અને ડીપ લર્નિંગમાં તાજેતરના કામથી બતાવ્યું છે કે મોટા મોડેલોને તાલીમ આપવા માટે સક્ષમ હોવાથી પ્રભાવમાં નાટ્યાત્મક સુધારો થઈ શકે છે. આ પેપરમાં, અમે દસ હજાર સીપીયુ કોરનો ઉપયોગ કરીને અબજો પરિમાણો સાથે ઊંડા નેટવર્કને તાલીમ આપવાની સમસ્યાને ધ્યાનમાં લઈએ છીએ. અમે ડિસ્ટબેલિફ નામની સોફ્ટવેર ફ્રેમવર્ક વિકસાવી છે જે હજારો મશીનો સાથે કમ્પ્યુટિંગ ક્લસ્ટર્સનો ઉપયોગ કરી શકે છે મોટા મોડેલોને તાલીમ આપવા માટે. આ માળખામાં, અમે મોટા પાયે વિતરણ તાલીમ માટે બે અલ્ગોરિધમ્સ વિકસાવી છેઃ (i) ડાઉનપૉર એસજીડી, અસમકાલીન સ્ટોકાસ્ટિક ઢાળ વંશની પ્રક્રિયા મોટી સંખ્યામાં મોડેલ પ્રતિકૃતિઓને ટેકો આપે છે, અને (ii) સેન્ડબ્લાસ્ટર, એક માળખું જે વિવિધ વિતરણ બેચ ઑપ્ટિમાઇઝેશન પ્રક્રિયાઓને ટેકો આપે છે, જેમાં એલ-બીએફજીએસના વિતરણ અમલીકરણનો સમાવેશ થાય છે. ડાઉનપૉર એસજીડી અને સેન્ડબ્લાસ્ટર એલ-બીએફજીએસ બંને ઊંડા નેટવર્ક તાલીમના સ્કેલ અને ઝડપમાં વધારો કરે છે. અમે સફળતાપૂર્વક અમારી સિસ્ટમનો ઉપયોગ સાહિત્યમાં અગાઉ અહેવાલ કરતાં 30 ગણા મોટા ઊંડા નેટવર્કને તાલીમ આપવા માટે કર્યો છે, અને 16 મિલિયન છબીઓ અને 21k કેટેગરીઝ સાથે વિઝ્યુઅલ ઑબ્જેક્ટ ઓળખ કાર્ય, ઇમેજનેટ પર રાજ્ય-ઓફ-ધ-આર્ટ પ્રદર્શન પ્રાપ્ત કરે છે. અમે બતાવીએ છીએ કે આ જ તકનીકો વ્યાપારી ભાષણ ઓળખ સેવા માટે વધુ નમ્ર કદના ઊંડા નેટવર્કની તાલીમ નાટ્યાત્મક રીતે વેગ આપે છે. જોકે અમે મોટા ન્યુરલ નેટવર્ક્સને તાલીમ આપવા માટે લાગુ કરવામાં આવેલી આ પદ્ધતિઓના પ્રદર્શન પર ધ્યાન કેન્દ્રિત કરીએ છીએ અને રિપોર્ટ કરીએ છીએ, અંતર્ગત અલ્ગોરિધમ્સ કોઈપણ ગ્રેડિએન્ટ-આધારિત મશીન લર્નિંગ અલ્ગોરિધમનો માટે લાગુ પડે છે. |
f5fca08badb5f182bfc5bc9050e786d40e0196df | વાયરલેસ સેન્સર નેટવર્ક પર આધારિત જળ પર્યાવરણ મોનિટરિંગ સિસ્ટમ પ્રસ્તાવિત છે. તેમાં ત્રણ ભાગો છેઃ ડેટા મોનિટરિંગ નોડ્સ, ડેટા બેઝ સ્ટેશન અને રિમોટ મોનિટરિંગ સેન્ટર. આ સિસ્ટમ જળાશયો, તળાવો, નદીઓ, સ્વેમ્પ્સ અને છીછરા અથવા ઊંડા ભૂગર્ભજળ જેવા જટિલ અને મોટા પાયે જળ પર્યાવરણના મોનિટરિંગ માટે યોગ્ય છે. આ કાગળ આપણા નવા જળ પર્યાવરણ મોનિટરિંગ સિસ્ટમ ડિઝાઇન માટે સમજૂતી અને ઉદાહરણ માટે સમર્પિત છે. આ પ્રણાલીએ કૃત્રિમ તળાવના પાણીના તાપમાન અને પીએચ મૂલ્યના ઓનલાઇન સ્વતઃ-નિરીક્ષણને સફળતાપૂર્વક પૂર્ણ કર્યું હતું. સિસ્ટમની માપન ક્ષમતા પાણીના તાપમાન માટે 0 થી 80 °C સુધીની છે, ±0.5 °C ની ચોકસાઈ સાથે; પીએચ મૂલ્ય પર 0 થી 14 સુધી, ±0.05 પીએચ એકમોની ચોકસાઈ સાથે. વિવિધ જળ પર્યાવરણો માટે મોનિટરિંગની જરૂરિયાતોને પહોંચી વળવા અને વિવિધ પરિમાણો મેળવવા માટે વિવિધ જળ ગુણવત્તાના દૃશ્યો માટે લાગુ પડતા સેન્સર્સ નોડ્સ પર સ્થાપિત થવો જોઈએ. આથી મોનિટરિંગ સિસ્ટમ વ્યાપક લાગુ થવાની સંભાવનાઓ આપે છે. |
0969bae35536395aff521f6fbcd9d5ff379664e3 | અમે મલ્ટી-રેડિયો, મલ્ટી-હોપ વાયરલેસ નેટવર્ક્સમાં રૂટીંગ માટે એક નવું મેટ્રિક રજૂ કરીએ છીએ. અમે સ્થિર ગાંઠો સાથે વાયરલેસ નેટવર્ક્સ પર ધ્યાન કેન્દ્રિત કરીએ છીએ, જેમ કે સમુદાય વાયરલેસ નેટવર્ક્સ. મેટ્રિકનો ધ્યેય સ્રોત અને ગંતવ્ય વચ્ચે ઉચ્ચ-થ્રુપુટ પાથ પસંદ કરવાનું છે. અમારું મેટ્રિક વ્યક્તિગત લિંક્સને વજન આપે છે, જે લિંક પર પેકેટના અપેક્ષિત ટ્રાન્સમિશન ટાઇમ (ઇટીટી) પર આધારિત છે. ETT એ નુકશાન દર અને લિંકની બેન્ડવિડ્થનું કાર્ય છે. વ્યક્તિગત લિંક વજનને વેઇટ્ડ ક્યુમ્યુલેટીવ ઇટીટી (ડબલ્યુસીઇટીટી) નામના પાથ મેટ્રિકમાં જોડવામાં આવે છે જે સ્પષ્ટ રીતે તે જ ચેનલનો ઉપયોગ કરતી લિંક્સ વચ્ચેના દખલ માટે જવાબદાર છે. ડબલ્યુસીઈટીટી મેટ્રિકને રૂટીંગ પ્રોટોકોલમાં સામેલ કરવામાં આવે છે જેને આપણે મલ્ટી-રેડિયો લિંક-ક્વોલિટી સોર્સ રૂટીંગ કહીએ છીએ. અમે અમારા મેટ્રિકના પ્રદર્શનનો અભ્યાસ કર્યો છે, તેને વાયરલેસ ટેસ્ટબેડમાં અમલમાં મૂકીને 23 ગાંઠો ધરાવે છે, દરેક બે 802.11 વાયરલેસ કાર્ડથી સજ્જ છે. અમે શોધીએ છીએ કે મલ્ટી-રેડિયો પર્યાવરણમાં, અમારું મેટ્રિક નોંધપાત્ર રીતે અગાઉ સૂચિત રૂટીંગ મેટ્રિક્સને બીજા રેડિયોનો સમજદાર ઉપયોગ કરીને આગળ વધે છે. |
3a01f9933066f0950435a509c2b7bf427a1ebd7f | આ પેપરમાં અમે મોનિટરના એલઈડીમાંથી સ્માર્ટફોનના કેમેરામાં ડેટા લીક કરીને ડેટા એક્સફિલ્ટ્રેશન માટે એક નવો અભિગમ રજૂ કરીએ છીએ. આ નવા અભિગમનો ઉપયોગ હુમલાખોરો દ્વારા એડવાન્સ્ડ પર્સીસ્ટન્ટ થ્રેટ (એપીટી) ના ભાગરૂપે સંસ્થામાંથી મૂલ્યવાન માહિતી લીક કરવા માટે થઈ શકે છે. આ કાગળમાં વિકસિત ખ્યાલના પુરાવાનું વર્ણન કરવામાં આવ્યું છે, ત્યારબાદ એક પ્રયોગનું વર્ણન કરવામાં આવ્યું છે જે દર્શાવે છે કે વ્યવહારીક રીતે લોકો આ હુમલાથી વાકેફ નથી. અમે એવા માર્ગો પ્રસ્તાવિત કરીએ છીએ જે આવા જોખમોની શોધમાં મદદ કરશે અને કેટલાક સંભવિત પ્રતિ-માપનો ઉપયોગ કરશે. |
698b8181cd613a72adeac0d75252afe7f57a5180 | અમે બે નવા સમાંતર અમલીકરણો રજૂ કરીએ છીએ જે વૃક્ષ-એસેમ્બલ અલ્ગોરિધમ્સ રેન્ડમ ફોરેસ્ટ (આરએફ) અને અત્યંત રેન્ડમઇઝ્ડ ટ્રીઝ (ઇઆરટી) માટે ઉભરતા મલ્ટી-કોર પ્લેટફોર્મ્સ, ઉદાહરણ તરીકે, સામાન્ય હેતુ કમ્પ્યુટિંગ (જીપીજીપીયુ) માટે યોગ્ય સમકાલીન ગ્રાફિક્સ કાર્ડ્સ. રેન્ડમ ફોરેસ્ટ અને એક્સ્ટ્રીમલી રેન્ડમઇઝ્ડ ટ્રી વર્ગીકરણ અને રીગ્રેસન માટે એસેમ્બલ લર્નર છે. તેઓ તાલીમ સમયે નિર્ણયના ઝાડની સંખ્યા બનાવીને અને વ્યક્તિગત વૃક્ષોના આઉટપુટની તુલના કરીને આગાહીને આઉટપુટ કરીને કામ કરે છે. આ કાર્યની સહજ સમાંતરતાને કારણે, તેની ગણતરી માટે એક સ્પષ્ટ પ્લેટફોર્મ એ છે કે મોટી સંખ્યામાં પ્રોસેસિંગ કોર સાથે સમકાલીન જીપીયુનો ઉપયોગ કરવો. સાહિત્યમાં રેન્ડમ ફોરેસ્ટ્સ માટે અગાઉના સમાંતર અલ્ગોરિધમ્સ પરંપરાગત મલ્ટી-કોર સીપીયુ પ્લેટફોર્મ અથવા પ્રારંભિક ઇતિહાસ જીપીયુ માટે સરળ હાર્ડવેર આર્કિટેક્ચર અને પ્રમાણમાં ઓછા સંખ્યામાં કોર સાથે રચાયેલ છે. નવા સમાંતર અલ્ગોરિધમ્સ સમકાલીન GPUs માટે મોટી સંખ્યામાં કોર સાથે રચાયેલ છે અને મેમરી હાયરાર્કી અને થ્રેડ શેડ્યૂલિંગ જેવા નવા હાર્ડવેર આર્કિટેક્ચરના પાસાઓને ધ્યાનમાં લે છે. તેઓ એનવીડિયા આધારિત જીપીયુ પર શ્રેષ્ઠ શક્ય પ્રદર્શન માટે સી / સી ++ ભાષા અને સીયુડીએ ઇન્ટરફેસનો ઉપયોગ કરીને અમલમાં મૂકવામાં આવે છે. સીપીયુ અને જીપીયુ પ્લેટફોર્મ માટે સૌથી મહત્વપૂર્ણ અગાઉના ઉકેલો સાથે સરખામણી કરતા એક પ્રાયોગિક અભ્યાસમાં નવા અમલીકરણો માટે નોંધપાત્ર સુધારો જોવા મળે છે, ઘણી વખત અનેક તીવ્રતા સાથે. |
1b4e04381ddd2afab1660437931cd62468370a98 | ભાષણની માહિતીના ભાગ સાથે ટેગ કરેલા ટેક્સ્ટ કોર્પોરો ભાષાશાસ્ત્રીય સંશોધનના ઘણા ક્ષેત્રોમાં ઉપયોગી છે. આ કાગળમાં, ન્યુરલ નેટવર્ક્સ (નેટ-ટેગર) પર ઉપયોગમાં લેવાતી નવી ભાગ-વાણી ટેગિંગ પદ્ધતિ રજૂ કરવામાં આવી છે અને તેની કામગીરીની સરખામણી llMM-ટેગર (કટિંગ અને અન્ય, 1992) અને ટ્રિગ્રામ આધારિત ટેગર (કેમ્પે, 1993) સાથે કરવામાં આવી છે. તે બતાવવામાં આવ્યું છે કે નેટ-ટેગર ટ્રિગ્રામ આધારિત ટેગર તેમજ આઇઆઇએમએમ-ટેગર કરતાં વધુ સારી રીતે કામ કરે છે. |
68ba338be70fd3c5bdbc1c271243740f2e0a0f0c | અમે મોટા વિખરાયેલા દ્વિસંગી ડેટા સમૂહોને પૂછવામાં આવેલી ક્વેરીઝ માટે ઝડપી અંદાજિત જવાબો પેદા કરવાની સમસ્યાની તપાસ કરીએ છીએ. અમે ખાસ કરીને આ સમસ્યાના સંભાવનાત્મક મોડ-૧ આધારિત અભિગમો પર ધ્યાન કેન્દ્રિત કરીએ છીએ અને કેટલીક તકનીકો વિકસાવીએ છીએ જે બેઝલાઇન સ્વતંત્રતા મોડેલ કરતાં નોંધપાત્ર રીતે વધુ સચોટ છે. ખાસ કરીને, અમે વારંવાર આઇટમસેટ્સમાંથી સંભાવનાના મોડેલો બનાવવા માટે બે તકનીકો રજૂ કરીએ છીએઃ આઇટમસેટ મહત્તમ એન્ટ્રોપી પદ્ધતિ, અને આઇટમસેટ મોડેલ પર સમાવેશ-બાકાત. મહત્તમ એન્ટ્રોપી પદ્ધતિમાં અમે ક્વેરી વેરિયેબલ્સના વિતરણ પર પ્રતિબંધો તરીકે આઇટમ્સને સારવાર કરીએ છીએ અને મહત્તમ એન્ટ્રોપી સિદ્ધાંતનો ઉપયોગ ઑનલાઇન ટ્રિબિટ્સ પર ક્વેરી માટે સંયુક્ત સંભાવના મોડેલ બનાવવા માટે કરીએ છીએ. સમાવેશ-બાકાત મોડેલમાં આઇટમસેટ્સ અને તેમની આવર્તન ડેટા સ્ટ્રક્ચરમાં સંગ્રહિત થાય છે જેને એડીટ્રી કહેવાય છે જે ક્વેરીનો જવાબ આપવા માટે સમાવેશ-બાકાત સિદ્ધાંતના કાર્યક્ષમ અમલીકરણને ટેકો આપે છે. અમે આ બે આઇટમસેટ-આધારિત મોડેલોની મૂળ ડેટાની સીધી ક્વેરીંગ, મૂળ ડેટાના નમૂનાઓની ક્વેરીંગ, તેમજ અન્ય સંભાવનાત્મક મોડેલો જેમ કે ઇન્ડેપ એન્ડેન્સ મોડેલ, ચો-લિયુ ટ્રી મોડેલ અને બર્નુલી મિશ્રણ મોડેલની તુલના કરીએ છીએ. આ મોડેલો ઉચ્ચ પરિમાણીયતા (સેંકડો અથવા હજારો લક્ષણો) ને નિયંત્રિત કરવા માટે સક્ષમ છે, જ્યારે આ વિષય પરના મોટાભાગના અન્ય કાર્ય પ્રમાણમાં નીચા પરિમાણીય ઓએલએપી સમસ્યાઓ પર ધ્યાન કેન્દ્રિત કરે છે. સિમ્યુલેટેડ અને વાસ્તવિક દુનિયાના ટ્રાન્ઝેક્શન ડેટા સેટ્સ બંને પરના પ્રાયોગિક પરિણામો અંદાજ ભૂલ, મોડેલની જટિલતા અને ક્વેરીના જવાબની ગણતરી માટે જરૂરી ઓનલાઇન સમય વચ્ચેના વિવિધ મૂળભૂત વેપાર-ઓફ્સને દર્શાવે છે. |
90522a98ccce3aa0ce20b4dfedb76518b886ed96 | આ હસ્તપ્રતના પહેલાના સંસ્કરણમાં તેમની સહાય માટે રોબર્ટ સ્કીપર અને આરોન હાયમેનનો વિશેષ આભાર. શૉન મેકક્વિટી, રોબિન પીટરસન, ચક પિકેટ, કેવિન શનાહાન અને જર્નલ ઓફ બિઝનેસ રિસર્ચના સંપાદકો અને સમીક્ષકોનો પણ આભાર, તેમની મદદરૂપ ટિપ્પણીઓ માટે. આ હસ્તપ્રતની એક પહેલાની આવૃત્તિએ 2001 સોસાયટી ફોર માર્કેટિંગ એડવાન્સિસ કોન્ફરન્સમાં પ્રસ્તુત શ્રેષ્ઠ કાગળ માટે શો એવોર્ડ જીત્યો હતો. આ હસ્તપ્રતનું સંક્ષિપ્ત સંસ્કરણ જર્નલ ઓફ બિઝનેસ રિસર્ચમાં પ્રકાશન માટે સ્વીકારવામાં આવ્યું છે. |
2e0db4d4c8bdc7e11541b362cb9f8972f66563ab | |
05c025af60aeab10a3069256674325802c844212 | અમે વીડિયો અને મોશન કેપ્ચરિંગમાં માનવ શરીરની સ્થિતિને ઓળખવા અને તેની આગાહી કરવા માટે એન્કોડર-રીક્યુરન્ટ-ડેકોડર (ઇઆરડી) મોડેલનો પ્રસ્તાવ મુકીએ છીએ. ERD મોડેલ એક રિકરન્ટ ન્યુરલ નેટવર્ક છે જે રિકરન્ટ લેયર્સ પહેલાં અને પછી બિન-રેખીય એન્કોડર અને ડીકોડર નેટવર્ક્સનો સમાવેશ કરે છે. અમે મોશન કેપ્ચર (મોકૅપ) જનરેશન, બોડી પોઝ લેબલિંગ અને વીડિયોમાં બોડી પોઝની આગાહીના કાર્યોમાં ERD આર્કિટેક્ચર્સના ઉદાહરણોનું પરીક્ષણ કરીએ છીએ. અમારું મોડેલ બહુવિધ વિષયો અને પ્રવૃત્તિ ડોમેન્સમાં મોકેપ તાલીમ ડેટાને સંભાળે છે, અને લાંબા સમય સુધી ડ્રિફ્ટને ટાળતા નવીન ગતિને સંશ્લેષણ કરે છે. માનવ પોઝ લેબલિંગ માટે, ઇઆરડી ડાબે-જમણે શરીરના ભાગની મૂંઝવણને ઉકેલવા દ્વારા ફ્રેમ દીઠ શરીરના ભાગ ડિટેક્ટરને આગળ વધે છે. વિડીયો પોઝની આગાહી માટે, ઇઆરડી 400 એમએસના સમયના ક્ષિતિજમાં શરીરના સંયુક્ત વિસ્થાપનની આગાહી કરે છે અને ઓપ્ટિકલ ફ્લો પર આધારિત પ્રથમ ક્રમની ગતિ મોડેલને વટાવી દે છે. ERDs સાહિત્યમાં અગાઉના લાંબા ટૂંકા ગાળાના મેમરી (એલએસટીએમ) મોડેલોને વિસ્તૃત કરે છે જેથી તેઓ રજૂઆતો અને તેમની ગતિશીલતા સાથે મળીને શીખે. અમારા પ્રયોગો દર્શાવે છે કે આવા પ્રતિનિધિત્વ શીખવા બંને લેબલિંગ અને અવકાશ-સમયમાં આગાહી માટે નિર્ણાયક છે. અમે શોધીએ છીએ કે આ 1 ડી ટેક્સ્ટ, વાણી અથવા હસ્તલેખનની તુલનામાં અવકાશી દ્રશ્ય ક્ષેત્ર વચ્ચેનો એક વિશિષ્ટ લક્ષણ છે, જ્યાં સીધા હાર્ડ કોડેડ પ્રતિનિધિત્વએ પુનરાવર્તિત એકમો સાથે સીધા જ સંયોજિત થતાં ઉત્તમ પરિણામો દર્શાવ્યા છે [31]. |
092b64ce89a7ec652da935758f5c6d59499cde6e | અમે એક નવો ડેટાસેટ રજૂ કરીએ છીએ, હ્યુમન3.6 એમ, 3.6 મિલિયન સચોટ 3 ડી હ્યુમન પોઝ, 5 સ્ત્રી અને 6 પુરુષ વિષયોના પ્રદર્શનને રેકોર્ડ કરીને, 4 જુદા જુદા દૃષ્ટિકોણથી, વાસ્તવિક માનવ સંવેદનાત્મક સિસ્ટમોને તાલીમ આપવા અને માનવ પોઝ અંદાજ મોડેલો અને અલ્ગોરિધમ્સની આગામી પે generationીનું મૂલ્યાંકન કરવા માટે. વર્તમાન સ્ટેટ ઑફ ધ આર્ટમાં ડેટાસેટ્સના કદમાં અનેક હદ સુધી વધારો કરવા ઉપરાંત, અમે આવા ડેટાસેટ્સને વિવિધ ગતિવિધિઓ અને પોઝ સાથે પૂરક બનાવવાનો પણ લક્ષ્ય રાખીએ છીએ જે લાક્ષણિક માનવ પ્રવૃત્તિઓના ભાગરૂપે મળે છે (ફોટા લેતા, ફોન પર વાત કરતા, પોઝિંગ, શુભેચ્છા, ખાવું વગેરે. ), વધારાની સિંક્રનાઇઝ્ડ ઇમેજ, માનવ ગતિ કેપ્ચર, અને ફ્લાઇટ (ઊંડાણ) ડેટાનો સમય, અને તમામ વિષયના અભિનેતાઓના ચોક્કસ 3D બોડી સ્કેન સાથે. અમે નિયંત્રિત મિશ્રિત વાસ્તવિકતા મૂલ્યાંકન દૃશ્યો પણ પ્રદાન કરીએ છીએ જ્યાં 3D માનવ મોડેલો ગતિ કેપ્ચરનો ઉપયોગ કરીને એનિમેટેડ છે અને જટિલ વાસ્તવિક વાતાવરણમાં, ગતિશીલ કેમેરા સાથે જોવામાં આવે છે, અને ઓક્લૂઝન હેઠળ, યોગ્ય 3D ભૂમિતિનો ઉપયોગ કરીને દાખલ કરવામાં આવે છે. છેલ્લે, અમે મોટા પાયે આંકડાકીય મોડેલો અને વિગતવાર મૂલ્યાંકન બેઝલાઇનનો સમૂહ પ્રદાન કરીએ છીએ જે ડેટાસેટની વિવિધતા અને સંશોધન સમુદાયમાં ભાવિ કાર્ય દ્વારા સુધારણા માટે અવકાશને દર્શાવે છે. અમારા પ્રયોગો દર્શાવે છે કે અમારું શ્રેષ્ઠ મોટા પાયે મોડેલ આ સમસ્યા માટે સૌથી મોટા અસ્તિત્વમાંના જાહેર ડેટાસેટના સ્કેલના તાલીમ સમૂહની તુલનામાં 20% પ્રભાવમાં સુધારો મેળવવા માટે અમારા સંપૂર્ણ તાલીમ સમૂહનો લાભ લઈ શકે છે. પરંતુ આપણી મોટી સંખ્યામાં ડેટા સાથે વધુ ક્ષમતા, વધુ જટિલ મોડેલોનો ઉપયોગ કરીને સુધારણા માટેની સંભાવના નોંધપાત્ર રીતે વધુ વ્યાપક છે અને તે ભવિષ્યના સંશોધનને ઉત્તેજીત કરે છે. આ ડેટાસેટ સાથે સંકળાયેલા મોટા પાયે શીખવાની મોડેલો, સુવિધાઓ, વિઝ્યુલાઇઝેશન ટૂલ્સ, તેમજ મૂલ્યાંકન સર્વર માટેનો કોડ http://vision.imar.ro/human3.6m પર ઓનલાઇન ઉપલબ્ધ છે. |
ba4a037153bff392b1e56a4109de4b04521f17b2 | કટોકટીની માહિતીશાસ્ત્ર એ તપાસ કરે છે કે કેવી રીતે સમાજની તકનીકીની પ્રચલિત ઍક્સેસ તે કેવી રીતે બદલાતી રહે છે કે તે કેવી રીતે સામૂહિક કટોકટીની ઘટનાઓને પ્રતિસાદ આપે છે. આ પરિવર્તનનો અભ્યાસ કરવા માટે, સંશોધકોને મોટા પ્રમાણમાં ડેટાની ઍક્સેસની જરૂર છે, જે તેમના વોલ્યુમ અને અસમાન સ્વભાવને કારણે એકત્રિત અને વિશ્લેષણ કરવું મુશ્કેલ છે. આ ચિંતાને દૂર કરવા માટે અમે એક પર્યાવરણ તૈયાર કર્યું છે અને તેને અમલમાં મૂક્યું છે - EPIC Analyze - જે સંશોધકોને સોશિયલ મીડિયા ડેટાના સંગ્રહ અને વિશ્લેષણમાં સહાય કરે છે. અમારા સંશોધનમાં ઘટકોના પ્રકારો ઓળખી કાઢવામાં આવ્યા છે - જેમ કે NoSQL, MapReduce, કેશીંગ અને શોધ - આ સેવાઓ વિશ્વસનીય, સ્કેલેબલ, એક્સ્ટેન્સિબલ અને કાર્યક્ષમ છે તેની ખાતરી કરવા માટે જરૂરી છે. અમે ઇપીસી વિશ્લેષણ બનાવતી વખતે પડતા ડિઝાઇન પડકારોનું વર્ણન કરીએ છીએ - જેમ કે ડેટા મોડેલિંગ, સમય વિ. સ્પેસ ટ્રેડઓફ્સ, અને ઉપયોગી અને ઉપયોગી સિસ્ટમની જરૂરિયાત - અને તેની સ્કેલેબિલિટી, પ્રદર્શન અને કાર્યક્ષમતાની ચર્ચા કરીએ છીએ. |
4416236e5ee4239e86e3cf3db6a2d1a2ff2ae720 | આધુનિક એનાલિટિક્સ એપ્લિકેશન્સ વધુને વધુ જટિલ વર્કફ્લો બનાવવા માટે વિવિધ લાઇબ્રેરીઓ અને ફ્રેમવર્કમાંથી બહુવિધ કાર્યોને જોડે છે. દરેક કાર્ય અલગથી ઉચ્ચ પ્રદર્શન પ્રાપ્ત કરી શકે છે, તેમ છતાં, કાર્યપદ્ધતિની કામગીરી ઘણીવાર હાર્ડવેર મર્યાદાઓથી નીચે છે, કારણ કે કાર્યોમાં વ્યાપક ડેટા ચળવળ છે. આ સમસ્યાને ઉકેલવા માટે, અમે વેલ્ડ, ડેટા-સઘન એપ્લિકેશન્સ માટે રનટાઇમ પ્રસ્તાવિત કરીએ છીએ જે વિખેરાયેલા પુસ્તકાલયો અને કાર્યોમાં ઑપ્ટિમાઇઝ કરે છે. વેલ્ડ એસક્યુએલ, મશીન લર્નિંગ અને ગ્રાફ એનાલિટિક્સ સહિત વિવિધ ડેટાપેરલલ વર્કલોડ્સના માળખાને પકડવા માટે એક સામાન્ય મધ્યવર્તી પ્રતિનિધિત્વનો ઉપયોગ કરે છે. તે પછી કી ડેટા ચળવળ ઑપ્ટિમાઇઝેશન્સ કરે છે અને સમગ્ર વર્કફ્લો માટે કાર્યક્ષમ સમાંતર કોડ પેદા કરે છે. વેલ્ડને તેમના વપરાશકર્તા-આધારિત API ને બદલ્યા વિના, ટેન્સરફ્લો, અપાચે સ્પાર્ક, ન્યુમપી અને પાંડા જેવા હાલના માળખામાં વૃદ્ધિશીલ રીતે સંકલિત કરી શકાય છે. અમે બતાવીએ છીએ કે વેલ્ડ આ માળખાને ઝડપી બનાવી શકે છે, તેમજ એપ્લિકેશન્સ કે જે તેમને 30x સુધી જોડે છે. |
Subsets and Splits