_id
stringlengths 40
40
| text
stringlengths 0
9.75k
|
|---|---|
2b211f9553ec78ff17fa3ebe16c0a036ef33c54b | मार्को ए. रोड्रिगेज एटी एंड टी इंटरएक्टिव में ग्राफ सिस्टम आर्किटेक्ट हई। ओकर संपर्क [email protected] पर कइल जा सकऽ हइ । पीटर नियोबाउर नियो टेक्नोलॉजी के मुख्य परिचालन अधिकारी हई। ओकर पास peter.neubauer<at>neotechnology.com पर पहुंचल जा सकई हई। एगो ग्राफ बिंदु (यानी, शिखर) अउर रेखा (यानी, किनार) से बनल एगो डेटा संरचना होई हई। एगो ग्राफ के बिंदुअन और रेखवन के जटिल व्यवस्था में व्यवस्थित करल जा सक है। वस्तु के दर्शाबे आउर एक दूसर से ओकर संबंध के दर्शाबे के लेल एगो ग्राफ के क्षमता ग्राफ के रूप में मॉडल करे के लेल आश्चर्यजनक रूप से बड़ी संख्या में चीज के अनुमति देई हई। सॉफ्टवेयर पैकेज के लिंक करे वाला निर्भरता से लेके लकड़ी के बीम तक जे एगो घर के फ्रेमिंग प्रदान करई हई, अधिकांश चीज के एगो संबंधित ग्राफ प्रतिनिधित्व होई छलई। हालांकि, सिर्फ इसलिए कि कुछ के ग्राफ के रूप में दर्शाबे के संभव हई, एकर मतलब ई न हई कि एकर ग्राफ प्रतिनिधित्व उपयोगी होतई। यदि एगो मॉडेलर उपकरण अउर एल्गोरिदम के बहुतायत के लाभ उठा सकई हई जे ग्राफ के संग्रहीत अउर संसाधित करई हई, त ऐसन मानचित्रण सार्थक छलई। ई लेख कंप्यूटिंग में ग्राफ के दुनिया के पता लगाबई हई अउर ऐसन स्थिति के उजागर करई हई जोनमे ग्राफिकल मॉडल फायदेमंद हई। |
0c5e3186822a3d10d5377b741f36b6478d0a8667 | कृत्रिम बुद्धि में एगो केंद्रीय समस्या आंशिक रूप से देखे योग्य वातावरण में अनिश्चितता के तहत भविष्य के इनाम के अधिकतम करे के योजना बनाबे के हई। इ पेपर में हम एक नया एल्गोरिथ्म के प्रस्ताव और प्रदर्शन करो हय जे सटीक रूप से ऐसन वातावरण के एक मॉडल के सीधी कार्रवाई-अवलोकन जोड़े के अनुक्रम से सीखो हय। हम तब सीखल गेल मॉडल में योजना बनाकर और मूल वातावरण में एक नीति के पुनर्प्राप्त करके अवलोकन से कार्रवाई तक के लूप के बंद कर देवो हय। विशेष रूप से, हम एक पूर्वानुमानित राज्य प्रतिनिधित्व (पीएसआर) के मापदंडों के सीखने के लिए एक कुशल और सांख्यिकीय रूप से सुसंगत वर्णक्रमीय एल्गोरिथ्म प्रस्तुत करते हैं। हम एगो अनुकरण उच्च-आयामी, दृष्टि-आधारित मोबाइल रोबोट योजना कार्य के एगो मॉडल सीखके एल्गोरिथ्म के प्रदर्शन करई हई, अउर फेर सीखल गेल पीएसआर में अनुमानित बिंदु-आधारित योजना करई छियई। हमार परिणाम के विश्लेषण से पता चलई हई कि एल्गोरिथ्म एगो राज्य स्थान के सीखई हई जे पर्यावरण के आवश्यक विशेषता के कुशलता से पकड़ई हई। इ प्रतिनिधित्व कम संख्या में मापदंडों के साथ सटीक भविष्यवाणी के अनुमति देवो हय, और सफल और कुशल योजना के सक्षम करो हय। |
16611312448f5897c7a84e2f590617f4fa3847c4 | हिडन मार्कोव मॉडल (एचएमएम) असतत समय श्रृंखला के मॉडलिंग के लेल सबसे मौलिक अउर व्यापक रूप से उपयोग कैल जाए वाला सांख्यिकीय उपकरण में से एगो छलई। आमतौर पर, ऊ समुद्री खोज हेरिस्टिक्स (जैसे कि बाउम-वेल्च / ईएम एल्गोरिदम) के उपयोग करके सीखेला जा हय, जे सामान्य स्थानीय इष्टतम मुद्दों से पीड़ित होवो हय। जबकि सामान्य तौर पर इ मॉडल के अंतर्निहित वितरण से नमूना के साथ सीखना मुश्किल होवे के लिए जानल जा हय, हम प्राकृतिक अलगाव स्थिति के तहत एचएमएम के सीखने के लिए पहला साबित कुशल एल्गोरिथ्म (नमूना और कम्प्यूटेशनल जटिलता के संदर्भ में) प्रदान करो हय। ई स्थिति मिश्रण वितरण के सीखल जाए के लेल विचार कैल गेल पृथक्करण स्थिति के समान छलई (जहाँ, समान रूप से, येई मॉडल के सामान्य रूप से सीखनाई मुश्किल होई हई) । एकर अलावा, हमर नमूना पूर्णता परिणाम स्पष्ट रूप से अलग-अलग (विशिष्ट) अवलोकन के संख्या पर निर्भर ना करई हई - ऊ अंतर्निहित एचएमएम के वर्णक्रमीय गुण के माध्यम से येई संख्या पर निहित रूप से निर्भर करई हई। ई एल्गोरिथ्म के विशेष रूप से बड़ी संख्या में अवलोकन के साथे सेटिंग्स पर लागू करई हई, जैसे कि प्राकृतिक भाषा प्रसंस्करण में जहां अवलोकन के स्थान कभी-कभी कोनो भाषा में शब्द होई छलई। अंत में, एल्गोरिथ्म विशेष रूप से सरल हई, केवल एगो सिंगल आर मान अपघटन अउर मैट्रिक्स गुणन पर निर्भर करई हई। |
8ad6fda2d41dd823d2569797c8c7353dad31b371 | हम एगो एट्रिब्यूट-आधारित एन्क्रिप्शन (एबीई) योजना बनाबई हई जे उपयोगकर्ता के निजी कुंजी के एट्रिब्यूट पर कोनो भी एक्सेस सूत्र के संदर्भ में व्यक्त करे के अनुमति देई हई। पिछला एबीई योजनाएं केवल एकरस पहुंच संरचनाओं के व्यक्त करे तकले सीमित हलय। हम निर्णयात्मक द्विध्रुवीय डिफी-हेलमैन (बीडीएच) धारणा के आधार पर अपन योजना के लिए सुरक्षा के प्रमाण प्रदान करई छलई। एकरा अलावा, हमर नया योजना के प्रदर्शन मौजूदा, कम-अभिव्यक्तिपूर्ण योजना के साथ अनुकूल रूप से तुलना करो हय। |
4f3dbfec5c67f0fb0602d9c803a391bc2f6ee4c7 | 20 गीगाहर्ट्ज के चरण-लॉक्ड लूप 4.9 पीएस / सब पीपी / 0.65 पीएस / सब आरएमएस / जिटर और -113.5 डीबीसी / एचजेड चरण शोर के साथ 10-एमएचजेड ऑफसेट पर प्रस्तुत कैल गेल हई। एगो आधा-कर्तव्य नमूना-फीडवर्ड लूप फ़िल्टर जे बस प्रतिरोध के एक स्विच से बदल देई हई अउर एगो इन्वर्टर रेफरेंस स्पूल के -44.0 डीबीसी तक दबा देई हई। एक डिजाइन पुनरावृत्ति प्रक्रिया के रूपरेखा दिहल गेल हई जे एक युग्मित माइक्रोस्ट्रिप रेज़ोनरेटर के साथ एक नकारात्मक-जी / सब एम / ऑसिलेटर के चरण शोर के कम कर देई हई। पल्स लॉक से बनल स्थैतिक आवृत्ति विभाजक फ्लिप-फ्लॉप से बनल के तुलना में तेजी से काम करई हई अउर 2:1 आवृत्ति रेंज के करीब पहुंचई हई। 0.13-/spl mu/m CMOS में निर्मित चरण-बंद लूप 17.6 से 19.4GHz तक संचालित होवो हय और 480mW के क्षय करो हय। |
1fcaf7ddcadda724d67684d66856c107375f448b | हम पाठ वर्गीकरण के लेल एगो नया संवहन तंत्रिका नेटवर्क (सीएनएन) मॉडल प्रस्तुत करई हई जे संयुक्त रूप से दस्तावेजों अउर उनकर घटक वाक्य पर लेबल के शोषण करई हई। विशेष रूप से, हम ऐसन परिदृश्य पर विचार करई हई जोनमे एनोटेटर स्पष्ट रूप से ओई वाक्य (या स्निपेट) के चिह्नित करई हई जे उनकर समग्र दस्तावेज़ वर्गीकरण के समर्थन करई हई, अर्थात, ऊ तर्कसंगत प्रदान करई छलई। हमार मॉडल एगो पदानुक्रमित दृष्टिकोण के माध्यम से ऐसन पर्यवेक्षण के शोषण करई हई जोनमे प्रत्येक दस्तावेज़ के ओकर घटक वाक्य के वेक्टर प्रतिनिधित्व के एगो रैखिक संयोजन द्वारा दर्शाएल जाई हई। हम एगो वाक्य-स्तर के संवहन मॉडल प्रस्तावित करई हई जे ई संभावना के अनुमान लगाबई हई कि कोनो देल गेल वाक्य एगो तर्कसंगत हई, अउर फेर हम येई अनुमान के अनुपात में समग्र दस्तावेज़ प्रतिनिधित्व के लेल प्रत्येक वाक्य के योगदान के पैमाना बनाबई हई। पांच वर्गीकरण डेटासेट पर प्रयोग जेकरा मे दस्तावेज़ लेबल और संबंधित तर्कसंगतता हय, इ प्रदर्शित करो हय कि हमर दृष्टिकोण लगातार मजबूत आधार रेखा से बेहतर प्रदर्शन करो हय। एकरा अलावा, हमर मॉडल स्वाभाविक रूप से एकर भविष्यवाणी के व्याख्या करो हय। |
20b41b2a0d8ee71efd3986b4baeed24eba904350 | उद्देश्य एक व्यवस्थित साहित्य समीक्षा और मेटा-विश्लेषण के माध्यम से विकासशील देशों में मातृ अवसाद और बाल विकास के बीच संबंध के जांच करना। विधियाँ विकासशील देश के छह डेटाबेस में 2010 तक प्रकाशित मातृ अवसाद अउर बच्चा के विकास पर अध्ययन के खोज कैल गेल रहई। मानक मेटा- विश्लेषणात्मक विधियों के पालन कियल गलय हल और अवसादग्रस्त माताओं के बच्चों में कम वजन और स्टंटिंग के लिए पूल किए गए ऑड्स रेशियो (ओआर) के गणना सभी अध्ययनों के लिए और अध्ययनों के उप- समूहों के लिए यादृच्छिक प्रभाव मॉडल के उपयोग करके कियल गलय हल जे अध्ययन डिजाइन, मातृ अवसाद के लिए जोखिम और परिणाम चर पर सख्त मानदंडों के पूरा कैलकय हल। चयनित अध्ययन के लिए जनसंख्या के लिए जिम्मेदार जोखिम (पीएआर) के अनुमान लगायल गेलय हल। निष्कर्ष 11 देश के कुल 13,923 मां और बच्चे के जोड़ों सहित सत्रह अध्ययन शामिल मानदंडों के पूरा कैलकय। अवसाद या अवसाद संबंधी लक्षण वाला माता के बच्चा के कम वजन (ओआर: 1. 5; 95% आत्मविश्वास अंतराल, आईसी: 1. 2- 1. 8) या स्टंट (ओआर: 1. 4; 95% आईसी: 1. 2- 1. 7) के संभावना अधिक हलय। तीन अनुदैर्ध्य अध्ययन के उप- विश्लेषण में एक मजबूत प्रभाव देखल गेलय: कम वजन के लिए ओआर 2.2 (95% आईसीः 1. 5- 3. 2) और स्टंटिंग के लिए, 2.0 (95% आईसीः 1. 0- 3. 9) हलय। चयनित अध्ययन के लेल PAR संकेत देलई कि यदि शिशु आबादी माता के अवसादग्रस्तता के लक्षण से पूरा तरह से अप्रभावित रहई, त 23% से 29% कम बच्चा कम वजन चाहे स्टंट होई। निष्कर्ष मातृ अवसाद प्रारंभिक बचपन में कम वजन और स्टंटिंग से जुड़ल हलय। तंत्र अउर कारण के पहचान करे के लेल कठोर संभावनावादी अध्ययन के आवश्यकता छलो। विकासशील देश में मातृ अवसाद के प्रारंभिक पहचान, उपचार और रोकथाम से बच्चा के विकास में कमी अउर कम वजन कम करे में मदद मिल सकई हई। |
c596f88ccba5b7d5276ac6a9b68972fd7d14d959 | आईटी प्रणालि के आभासी दुनिया के साथे वास्तविक वस्तु के भौतिक दुनिया के एक साथे लाके, इंटरनेट ऑफ थिंग्स में उद्यम दुनिया के साथे-साथ समाज दुनु के महत्वपूर्ण रूप से बदले के क्षमता हकय। हालांकि, विभिन्न समुदाय द्वारा इ शब्द के बहुत अधिक प्रचारित और अलग-अलग तरह से समझल जा हय, खासकर काहेकी आईओटी एक प्रौद्योगिकी नय हय, बल्कि विभिन्न इंजीनियरिंग डोमेन से संबंधित विषम - अक्सर नया - प्रौद्योगिकियों के अभिसरण के प्रतिनिधित्व करो हय। एक सामान्य समझ के लिए एक डोमेन मॉडल के आवश्यकता हय, जे मुख्य अवधारणाओं और उनकर संबंधों के परिभाषित करो हय, और एक सामान्य शब्दकोश और वर्गीकरण के रूप में कार्य करो हय और इ प्रकार आगे के वैज्ञानिक प्रवचन और इंटरनेट ऑफ थिंग्स के विकास के आधार के रूप में कार्य करो हय। जैसा कि हम दिखाते हैं, इस तरह के डोमेन मॉडल होना कंक्रीट IoT सिस्टम आर्किटेक्चर के डिजाइन में भी मददगार है, क्योंकि यह एक टेम्पलेट प्रदान करता है और इस प्रकार उपयोग के मामलों के विश्लेषण को संरचित करता है। |
5a9f4dc3e5d7c70d58c9512d7193d079c3331273 | हम 3 डी लोग के ट्रैकिंग के लेल मानव मुद्रा अउर गति पूर्वक के सीखइ के लेल गॉसियन प्रक्रिया गतिशील मॉडल (जीपीडीएम) के उपयोग के वकालत करई हई। एक जीपीडीएम मानव गति डेटा के एक कम आयामी एम्बेडिंग प्रदान करो हय, एक घनत्व फ़ंक्शन के साथे जे प्रशिक्षण डेटा के करीब मुद्राओं और आंदोलनों के उच्च संभावना देवो हय। बेयसियन मॉडल के साथ, एक जीपीडीएम के अपेक्षाकृत छोटी मात्रा में डेटा से सीखा जा सको हय, और इ प्रशिक्षण सेट के बाहर गति के लिए सुरुचिपूर्ण रूप से सामान्यीकृत होवो हय। इ जगह जीपीडीएम के बदलल जा हई ताकि महत्वपूर्ण शैलीगत भिन्नता वाला गति से सीखल जा सके। परिणामस्वरूप पूर्वकाल मानव पैदल शैली के एक श्रृंखला के ट्रैक करे के लिए प्रभावी हय, कमजोर और शोर वाला छवि माप और महत्वपूर्ण समापन के बावजूद। |
c3f2d101b616d82d07ca2cc4cb8ed0cb53fde21f | हम रेंडर कैल गेल डेटासेट पर रिपोर्ट कैल गेल अपन वर्तमान सीडी अउर ईएमडी मान के संदर्भ प्रदान करे के लेल मानव अध्ययन कलकई। हम मानव विषय के चित्र से त्रिकोणात्मक जाल बनावे के लेल एगो जीयूआई उपकरण प्रदान कलई। उपकरण (चित्र 1 देख) उपयोगकर्ता के 3 डी में मेष के संपादित करे और मॉडल कैल गेल ऑब्जेक्ट के इनपुट इमेज पर वापस संरेखित करे के अनुमति देवो हय। कुल मिलाके 16 मॉडल हमर सत्यापन सेट के इनपुट छवियों से बनायल गलय हा। प्रत्येक मॉडल से N = 1024 बिंदु के नमूना लिहल जाई हई। |
32791996c1040b9dcc34e71a05d72e5c649eeff9 | सामान्य दैनिक गतिविधियों के दौरान दिल के असामान्य विद्युत व्यवहार के पता लगावे के लिए नैदानिक अभ्यास में एम्बुलेटरी इलेक्ट्रोकार्डियोग्राफी के तेजी से उपयोग कैल जा रहल हई। इ निगरानी के उपयोगिता में श्वसन के प्राप्त करे से सुधार कैल जा सको हय, जे पहले रात भर के एपनिया अध्ययन पर आधारित हलय जहां रोगी स्थिर हय, या तनाव परीक्षण के लिए मल्टीलेड ईसीजी सिस्टम के उपयोग। हम एगो एकल-लीड पोर्टेबल ईसीजी मॉनिटर से प्राप्त छह श्वसन माप के एम्बुलेटरी नाक कैन्यूलर श्वसन मॉनिटर से प्राप्त एक साथ मापल गेल श्वसन वायु प्रवाह के साथ तुलना कलकई। दैनिक जीवन के गतिविधि (झूठे, बैठे, खड़े, चलने, जॉगिंग, दौड़ने और सीढ़ी चढ़ने) और छह रात के अध्ययन के कवर करे वाला दस नियंत्रित 1-घंटे के रिकॉर्डिंग कैल गेलय हल। सबसे अच्छा विधि आरआर अंतराल के लंबा करे और छोटा करे पर आधारित 0.2-0.8 हर्ट्ज बैंडपास फिल्टर और आरआर तकनीक के औसत हलय। संदर्भ स्वर्ण मानक के साथ औसत त्रुटि दरें +mn4 सांस प्रति मिनट (bpm) (सभी गतिविधियाँ), +mn2 bpm (झुकल और बैठे), और +mn1 सांस प्रति मिनट (रात भर के अध्ययन) हलय। पूर्ण ईसीजी तरंग रूप से प्राप्त सर्वोत्तम तकनीक के तुलना में केवल हृदय गति जानकारी (आरआर तकनीक) के उपयोग करके सांख्यिकीय रूप से समान परिणाम प्राप्त कैल गेलय हल जे डेटा संग्रह प्रक्रिया के सरल बनावो हय। अध्ययन से पता चलई हई कि पारंपरिक विधि से महत्वपूर्ण अंतर के बिना एकल-लीड ईसीजी से गतिशील गतिविधि के तहत श्वसन प्राप्त कैल जा सकई हई। |
7eac1eb85b919667c785b9ac4085d8ca68998d20 | 2. हल: ई-लर्निंग और मोबाइल लर्निंग में अंतर 3. मोबाइल लर्निंग के मूल्य औ लाभ मोबाइल लर्निंग के चुनौतियां और बाधाएं: अध्ययन से पता चला है कि दूरस्थ शिक्षा के रूप में एम-लर्निंग ने समाज के लिए बहुत लाभ लाया है। इनमें शामिल हैंः प्रशिक्षण जब इसकी आवश्यकता हो, प्रशिक्षण कभी भी; प्रशिक्षण कहीं भी; शिक्षार्थी-केंद्रित सामग्री; कार्य में फिर से प्रवेश की समस्याओं से बचना; करदाताओं के लिए प्रशिक्षण, और विश्वविद्यालय के व्याख्यान और प्रशिक्षण केंद्रों में सत्रों के माध्यम से पूरी तरह से व्यस्त लोग; और शिक्षण और सीखने का औद्योगीकरण। और साथ ही, नोटबुक, मोबाइल टैबलेट, आइपॉड टच, और आईपैड मोबाइल ई लर्निंग के लिए बहुत लोकप्रिय डिवाइस हैं क्योंकि उनकी लागत और एप्स की उपलब्धता है। --------------------------------------- हम एगो छोटकी लड़की हकूँ । शिक्षा अउर प्रशिक्षण ऊ प्रक्रिया हई जेकरा द्वारा एगो पीढ़ी के ज्ञान, ज्ञान अउर कौशल के अगला पीढ़ी के पास पारित कैल जाई हई। आज स्व-शिक्षा और प्रशिक्षण के दो रूप हैंः पारंपरिक शिक्षा और दूरस्थ शिक्षा। मोबाइल लर्निंग, या "एम-लर्निंग", मोबाइल उपकरणों के माध्यम से सीखने की प्रक्रिया का समर्थन करने के आधुनिक तरीके प्रदान करता है, जैसे कि हैंडहेल्ड और टैबलेट कंप्यूटर, एमपी 3 प्लेयर, स्मार्ट फोन और मोबाइल फोन। ई दस्तावेज़ शिक्षा उद्देश्य के लेल मोबाइल लर्निंग के विषय के परिचय देई हई। ई जांचई हई कि मोबाइल उपकरण के शिक्षण अउर सीखने के प्रथा पर केकर प्रभाव पड़ल हई अउर मोबाइल उपकरण पर डिजिटल मीडिया के उपयोग से पेश कैल जाए वाला अवसर पर विचार करई हई। ई पेपर के मुख्य उद्देश्य मोबाइल लर्निंग के वर्तमान स्थिति, लाभ, चुनौति अउर शिक्षण अउर सीखने के समर्थन करे के लेल एकर बाधा के वर्णन करनाई हई। ई पेपर के लेल डेटा जनवरी से मार्च 2013 तक के ग्रंथ सूची अउर इंटरनेट शोध के माध्यम से एकत्र कैल गेल रहई। ई पेपर में चार गो प्रमुख क्षेत्र पर चर्चा कैल जयतै: 1. मोबाइल लर्निंग के एगो विश्लेषण। |
57820e6f974d198bf4bbdf26ae7e1063bac190c3 | |
8e393c18974baa8d5d704edaf116f009cb919463 | एक उच्च गति के SerDes के उच्च गति के संचालन, गहन समकक्ष तकनीक, कम बिजली की खपत, छोटे क्षेत्र और मजबूती सहित कई चुनौतियों का सामना करना चाहिए। नया मानकों, जैसे कि OIF CEI-25G-LR, CEI-28G-MR/SR/VSR, IEEE802.3bj और 32G-FC के पूरा करे के लेल, डेटा दर के 25 से 28Gb/s तक बढ़ा देल गेल हई, जे कि पूर्ववर्ती पीढ़ी के SerDes के तुलना में 75% से अधिक छलई। एकल चिप में एकीकृत कई सौ लेन के साथ SerDes अनुप्रयोगों के लिए, उच्च प्रदर्शन को बनाए रखते हुए, बिजली की खपत बहुत महत्वपूर्ण कारक है। 28Gb/s या उच्चतर डेटा दर पर कई पिछला कार्य हय [1-2]। ऊ महत्वपूर्ण समय सीमा के पूरा करे के लेल एगो अनरोल्ड डीएफई के उपयोग करई हई, लेकिन अनरोल्ड डीएफई संरचना डीएफई स्लाइसर्स के संख्या के बढ़ाबई हई, जे समग्र शक्ति अउर मर क्षेत्र के बढ़ाबई हई। येई चुनौति से निपटे के लेल, हम कैगो सर्किट अउर आर्किटेक्चरल तकनीक के परिचय देई छियई। एनालॉग फ्रंट-एंड (एएफई) एक एकल-चरण वास्तुकला और ट्रांसइम्पेडेंस एम्पलीफायर (टीआईए) में एक कॉम्पैक्ट ऑन-चिप निष्क्रिय प्रेरक का उपयोग करता है, जो 15 डीबी बूस्ट प्रदान करता है। बूस्ट अनुकूली हय और एकर अनुकूली लूप के ग्रुप-डेलैट अनुकूली (जीडीए) एल्गोरिथ्म के उपयोग करके निर्णय-प्रतिसाद इक्वलाइज़र (डीएफई) अनुकूली लूप से अलग कैल जा हय। डीएफई में बिजली और क्षेत्र के कमी के लेल 2 कुल त्रुटि लॉच के जौरे आधा दर 1-टैक अनरोल्ड संरचना हई। दो-चरण संवेदी-प्रवर्धक-आधारित स्लाइसर 15mV और DFE समय-बंद के संवेदनशीलता प्राप्त करो हय। हम एगो उच्च गति घड़ी बफर के भी विकास कर रहल हई जे एगो नया सक्रिय-इंडक्टर सर्किट के उपयोग करई हई। ई सक्रिय-इंडक्टर सर्किट में सर्किट ऑपरेटिंग पॉइंट के अनुकूलित करे के लेल आउटपुट-कॉमन-मोड वोल्टेज के नियंत्रित करे के क्षमता होई हई। |
505c58c2c100e7512b7f7d906a9d4af72f6e8415 | पृष्ठ ii जटिल अनुकूली प्रणालियाँ जॉन एच. हॉलैंड, क्रिस्टोफर लैंगटन और स्टीवर्ट डब्ल्यू. विल्सन, सलाहकार प्राकृतिक और कृत्रिम प्रणालियों में अनुकूलन: जीव विज्ञान, नियंत्रण और कृत्रिम बुद्धिमत्ता के अनुप्रयोगों के साथ एक परिचयात्मक विश्लेषण, एमआईटी प्रेस संस्करण जॉन एच. हॉलैंड स्वायत्त प्रणालियों के अभ्यास के ओर: फ्रांसिस्को जे. वेरेला और पॉल बोर्गिन द्वारा संपादित कृत्रिम जीवन पर पहले यूरोपीय सम्मेलन के कार्यवाही आनुवंशिक प्रोग्रामिंग: प्राकृतिक चयन के माध्यम से कंप्यूटर के प्रोग्रामिंग पर जॉन आर कोजा |
3a46c11ad7afed8defbb368e478dbf94c24f43a3 | बड़ी मात्रा में डेटा के प्रसंस्करण पर निर्भर वैज्ञानिक समस्या के लिए कई क्षेत्रों में चुनौतियों पर काबू पावे के आवश्यकता हय: बड़े पैमाने पर डेटा वितरण के प्रबंधन, कंप्यूटिंग संसाधनों के साथ डेटा के सह-स्थापना और शेड्यूलिंग, और बड़ी मात्रा में डेटा के भंडारण और स्थानांतरण। हम डेटा-गहन अनुप्रयोगों के लिए दो प्रमुख प्रतिमानों के पारिस्थितिक तंत्रों का विश्लेषण करते हैं, जिन्हें बाद में उच्च-प्रदर्शन कंप्यूटिंग और अपाचे-हडोप प्रतिमान के रूप में संदर्भित किया जाता है। हम एगो आधार, सामान्य शब्दावली अउर कार्यात्मक कारक के प्रस्ताव करई हई, जोन पर दुनहु प्रतिमान के दुनहु दृष्टिकोण के विश्लेषण कैल जा सकई हई। हम "बिग डेटा ओग्रेस" के अवधारणा अउर उनकर पहलु के दो प्रतिमान के पार पाएल गेलई सबसे आम अनुप्रयोग वर्कलोड के समझे अउर विशेषता के साधन के रूप में चर्चा करई हई। हम तब दो प्रतिमान के प्रमुख विशेषताओं पर चर्चा करते हैं, और दो दृष्टिकोणों की तुलना और विपरीत करते हैं। विशेष रूप से, हम इन प्रतिमानों के सामान्य कार्यान्वयन/दृष्टिकोणों की जांच करते हैं, उनके वर्तमान"आर्किटेक्चर" के कारणों पर प्रकाश डालते हैं और कुछ विशिष्ट वर्कलोड पर चर्चा करते हैं जो उनका उपयोग करते हैं। महत्वपूर्ण सॉफ्टवेयर अंतर के बावजूद, हम मानई हई कि आर्किटेक्चरल समानता हई। हम विभिन्न स्तरों और घटकों पर विभिन्न कार्यान्वयनों के संभावित एकीकरण पर चर्चा करते हैं। हमर तुलना दु paradigms के पूरी तरह से गुणात्मक जांच से अर्ध-क्वांटिटेटिव पद्धति में प्रगति करो हय। हम एगो सरल अउर व्यापक रूप से उपयोग कैल जाए वाला ओगरे (के-मीडियन क्लस्टरिंग) के उपयोग करई हई, दुनहु प्रतिमान से कैगो कार्यान्वयन के कवर करइत प्रतिनिधि प्लेटफॉर्म के एगो श्रृंखला पर एकर प्रदर्शन के विशेषता देइ हई। हमार प्रयोग दुगो प्रतिमान के सापेक्ष शक्ति के बारे में एगो अंतर्दृष्टि प्रदान करई हई। हम प्रस्तावित कर हई कि ओग्रेस के सेट दुगो प्रतिमान के विभिन्न आयाम के साथ मूल्यांकन करे के लेल एगो बेंचमार्क के रूप में कार्य करतई। |
dc7024840a4ba7ab634517fae53e77695ff5dda9 | इ पेपर में हम मानव गतिविधि के पहचान के लिए एक नया ऊर्जा कुशल दृष्टिकोण प्रस्तावित करो हय, जेकरा मे स्मार्टफ़ोन के पहनने योग्य संवेदी उपकरण के रूप में उपयोग कैल जा हय, जे असिस्टेड लिविंग अनुप्रयोग जैसे विकलांग और बुजुर्गों के लिए दूरस्थ रोगी गतिविधि निगरानी के लक्षित करो हय। विधि एक संशोधित बहु-वर्ग समर्थन वेक्टर मशीन (एसवीएम) सीखने के एल्गोरिथ्म के प्रस्ताव करे के लिए निश्चित-बिंदु अंकगणित के उपयोग करो हय, जे तुलनीय सिस्टम सटीकता स्तर के बनाए रखते हुए पारंपरिक फ्लोटिंग-पॉइंट आधारित सूत्रीकरण के संबंध में स्मार्टफोन बैटरी जीवन के बेहतर रूप से संरक्षित करे के अनुमति देवो हय। प्रयोग पहचान प्रदर्शन और बैटरी खपत के संदर्भ में इ दृष्टिकोण और पारंपरिक एसवीएम के बीच तुलनात्मक परिणाम दिखावो हय, जे प्रस्तावित विधि के लाभ के उजागर करो हय। |
f4cdd1d15112a3458746b58a276d97e79d8f495d | एकर इनपुट के संबंध में एक तंत्रिका नेटवर्क के आउटपुट के ग्रेडिएंट मानदंड के नियमित करनाई एगो शक्तिशाली तकनीक हई, जेकरा कै बेर फेर से खोजल गेल हई। इ पत्र इ बात के प्रमाण प्रस्तुत करो हय कि ग्रेडिएंट नियमितकरण आधुनिक गहरे तंत्रिका नेटवर्क के उपयोग करके दृष्टि कार्यों पर वर्गीकरण सटीकता में लगातार सुधार कर सको हय, खासकर जब प्रशिक्षण डेटा के मात्रा छोटा होवो हय। हम अपन नियमित करे वाला के जैकोबियन-आधारित नियमित करे वाला के एगो व्यापक वर्ग के सदस्य के रूप में पेश करई छी। हम वास्तविक और सिंथेटिक डेटा पर अनुभवजन्य रूप से प्रदर्शित करई हई कि सीखने के प्रक्रिया प्रशिक्षण बिंदु से परे नियंत्रित ढाल के तरफ ले जाई हई, अउर ओई समाधान में परिणाम होई हई जे अच्छा तरह से सामान्यीकृत होई हई। |
984df1f081fbd623600ec45635e5d9a4811c0aef | दो विवाल्डी एंटीना सरणी प्रस्तुत कैल गेल हई। पहला ईंट/कंक्रीट दीवार इमेजिंग के लिए एसटीडब्ल्यू अनुप्रयोगों के लिए 1.2 से 4 गीगाहर्ट्ज बैंड के कवर करे वाला 8-एलिमेंट कॉनफेड स्लॉट सरणी हय। दूसरा एक 16-एलिमेंट एंटीपोडल सरणी हय जे सूखी दीवार के माध्यम से प्रवेश करे पर उच्च रिज़ॉल्यूशन इमेजिंग के लिए 8 से 10.6 गीगाहर्ट्ज पर काम करो हय। दो डिजाइनों के आधार पर, और विवाल्डी एंटीना सरणी के खिलावे के लिए माइक्रोस्ट्रिप संक्रमण के लिए एक चिकनी वाइड बैंड स्लॉट का उपयोग करके, 1-10 गीगाहर्ट्ज आवृत्ति बैंड को कवर किया जा सकता है। वैकल्पिक रूप से, डिजाइन के उपयोग 1-3 GHz या 8-10 GHz बैंड के कवर करे के लिए एक पुनः कॉन्फ़िगर योग्य संरचना में कियल जा सको हय। प्रयोगात्मक और मापा परिणाम पूरा हो गेलय हय और एकरा पर विस्तार से चर्चा कियल जयतय। डिजाइन कॉम्पैक्ट पुनः विन्यास योग्य और पोर्टेबल प्रणालियों के विकास के महत्वपूर्ण रूप से प्रभावित करतय। |
e3f4fdf6d2f10ebe4cfc6d0544afa63976527d60 | ई पेपर रेडियो खगोल विज्ञान उपकरण के लेल 324-तत्व 2-डी ब्रॉडसाइड सरणी प्रस्तुत करई हई जे दू पारस्परिक रूप से ऑर्थोगोनल ध्रुवीकरण के लेल संवेदनशील छलई। सरणी क्रूसिफॉर्म इकाइ से बनल हय जेकरा मे चार विवाल्डी एंटीना के एक समूह होवो हय जेकरा क्रॉस-आकार के संरचना में व्यवस्थित कियल गलय हा। इ सरणी में उपयोग कैल गेल विवाल्डी एंटीना 3 गीगाहर्ट्ज पर 87.5° और 6 गीगाहर्ट्ज पर 44.2° के सममित मुख्य बीम के साथ विकिरण तीव्रता विशेषता प्रदर्शित करई हई। मापा गेल अधिकतम साइड/बैकलोब स्तर मुख्य बीम स्तर से 10.3 dB नीचे हय। सरणी ग्रेटिंग लोब के गठन के बिना 5.4 गीगाहर्ट्ज के उच्च आवृत्ति पर काम कर सको हय। |
1a090df137014acab572aa5dc23449b270db64b4 | |
9ae252d3b0821303f8d63ba9daf10030c9c97d37 | हम प्राकृतिक दृश्य श्रेणिय के सीख और पहचान के लिए एक नया दृष्टिकोण प्रस्तावित करो हय। पिछला काम के विपरीत, एकरा लेल विशेषज्ञ के प्रशिक्षण सेट के एनोटेट करे के आवश्यकता ना हई। हम स्थानीय क्षेत्र के संग्रह द्वारा एगो दृश्य के छवि के प्रतिनिधित्व करई हई, जेकरा बिना निगरानी वाला सीख द्वारा प्राप्त कोडवर्ड के रूप में दर्शाएल गेल हई। प्रत्येक क्षेत्र के एक "विषय" के हिस्से के रूप में दर्शायल गलय हा। पिछला काम में, ऐसन विषय के विशेषज्ञ के हाथ से लिखल गेल रहई, जबकि हमर विधि विषय वितरण के जौरे-जौरे विषय पर कोडवर्ड वितरण के सीखई हई। हम जटिल दृश्यों के 13 श्रेणियों के एक बड़े सेट पर संतोषजनक वर्गीकरण प्रदर्शन की रिपोर्ट करते हैं। |
fa6cbc948677d29ecce76f1a49cea01a75686619 | इ पेपर में, हम वास्तविक दुनिया के दृश्य के मान्यता के एक कम्प्यूटेशनल मॉडल के प्रस्ताव करो हय जे अलग-अलग वस्तु या क्षेत्रों के विभाजन और प्रसंस्करण के दरकिनार करो हय। ई प्रक्रिया दृश्य के एगो बहुत कम आयामी प्रतिनिधित्व पर आधारित हई, जेकरा हम स्थानिक लिफाफा कहऽ हिअइ। हम अवधारणात्मक आयामों (प्राकृतिकता, खुलेपन, कठोरता, विस्तार, कठोरता) के एक सेट के प्रस्ताव करो हय जे एक दृश्य के प्रमुख स्थानिक संरचना के प्रतिनिधित्व करो हय। फेर, हम देखई हई कि येई आयाम के स्पेक्ट्रल अउर मोटे तौर पर स्थानीयकृत जानकारी के उपयोग करके विश्वसनीय रूप से अनुमान लगाएल जा सकई हई। मॉडल एक बहुआयामी स्थान उत्पन्न करो हय जेकरा मे अर्थ संबंधी श्रेणियों (जैसे, सड़कों, राजमार्गों, तटों) में सदस्यता साझा करे वाला दृश्यों के एक साथ बंद कर दिहल जा हय। स्थानिक लिफाफा मॉडल के प्रदर्शन से पता चलई हई कि वस्तु के आकार चाहे पहचान के बारे में विशिष्ट जानकारी दृश्य वर्गीकरण के लेल एगो आवश्यकता ना हई अउर ई कि दृश्य के एगो समग्र प्रतिनिधित्व के मॉडलिंग एकर संभावित अर्थ संबंधी श्रेणी के बारे में सूचित करई हई। |
1ac52b7d8db223029388551b2db25657ed8c9852 | इ पेपर में, हम कई समान भविष्यवाणी कार्य से युक्त समस्या के लिए एक मशीन-लर्निंग समाधान प्रस्तावित करो हय। प्रत्येक अलग-अलग कार्य में ओवरराइटिंग के उच्च जोखिम होवो हय। हम ई जोखिम के कम करे के लेल कार्य के बीच दू प्रकार के ज्ञान हस्तांतरण के संयोजन करई हई: बहु-कार्य सीखना अउर पदानुक्रमित बेयसन मॉडलिंग। बहु-कार्य सीखनाई इ धारणा पर आधारित हय कि हाथ में कार्य के लिए विशिष्ट विशेषता हय। ई विशेषता के खोजे के लेल, हम एगो विशाल दो-परत तंत्रिका नेटवर्क के प्रशिक्षित करई छी। प्रत्येक कार्य के अपन आउटपुट होई हई, लेकिन इनपुट से छिपल इकाइ के भार के दोसर सभे कार्य के जौरे साझा करई हई। ई तरह से संभावित व्याख्यात्मक चर (नेटवर्क इनपुट) के एक अपेक्षाकृत बड़ सेट के सुविधा (छिपी हुई इकाइयों) के एक छोटा और संभालना आसान सेट में कम कर देल जाई छलई। विशेषता के इ सेट के देखते हुए और एक उपयुक्त पैमाने के परिवर्तन के बाद, हम मानो हय कि कार्य विनिमेय हय। ई धारणा एगो पदानुक्रमित बेयसन विश्लेषण के अनुमति देई हई जोनमे हाइपरपैरामीटर के डेटा से अनुमान लगाएल जा सकई हई। ई हाइपर-रेमेटर प्रभावी रूप से नियामक के रूप में कार्य करो हय और ओवर-टेटिंग के रोको हय। हम वर्णन कर हई कि कैसे समय श्रृंखला में गैर-स्थिरता के खिलाफ सिस्टम के मजबूत बनावल जा सकई हई अउर आगे सुधार के लेल दिशा-निर्देश देल जाई हई। हम अखबार के बिक्री के भविष्यवाणी के संबंध में डेटाबेस पर अपन विचार के चित्रित करऽ हिअइ । |
1e56ed3d2c855f848ffd91baa90f661772a279e1 | हम पाठ और असतत डेटा के अन्य संग्रह के लिए एक जनरेटिव मॉडल प्रस्तावित करो हय जे कि naive Bayes / unigram, unigrams के मिश्रण [6] और Hofmann के पहलू मॉडल सहित कई पिछले मॉडल पर सामान्यीकृत या सुधार करो हय, जेकरा संभाव्य लुप्त अर्थसूचीकरण (pLSI) [3] के रूप में भी जानल जा हय। पाठ मॉडलिंग के संदर्भ में, हमर मॉडल मानो हय कि प्रत्येक दस्तावेज़ विषयों के मिश्रण के रूप में उत्पन्न होवो हय, जहां निरंतर-मूल्यवान मिश्रण अनुपात एक गुप्त डायरिचलेट यादृच्छिक चर के रूप में वितरित कैल जा हय। अनुमान और सीखना भिन्नता एल्गोरिदम के माध्यम से कुशलता से कैल जाई छलई। हम पाठ मॉडलिंग, सहयोगी फ़िल्टरिंग और पाठ वर्गीकरण में समस्या के लिए इ मॉडल के अनुप्रयोग पर अनुभवजन्य परिणाम प्रस्तुत करो हय। |
e990a41e8f09e0ef4695c39af351bf25f333eefa | |
1f8116db538169de3553b1091e82107f7594301a | |
539ea86fa738afd939fb18566107c971461f8548 | संरचित आउटपुट रिक्त स्थान (स्ट्रिंग्स, पेड़, विभाजन, आदि) के लिए मैपिंग आमतौर पर वर्गीकरण एल्गोरिदम के विस्तार के उपयोग करके सरल ग्राफिकल संरचना (जैसे, रैखिक श्रृंखला) के लिए सीखा जा हय जेकरा मे खोज और पैरामीटर अनुमान के ठीक से करल जा सको हय। दुर्भाग्य से, कई जटिल समस्याओं में, इ दुर्लभ हय कि सटीक खोज या पैरामीटर अनुमान व्यवहार्य हय। सटीक मॉडल सीखनाई और यूरिस्टिक साधन के माध्यम से खोजनाई के बजाय, हम इ कठिनाई के गले लगो हय और अनुमानित खोज के संदर्भ में संरचित आउटपुट समस्या के इलाज करो हय। हम खोज अनुकूलन के रूप में सीखने के लिए एक ढांचा प्रस्तुत करते हैं, और अभिसरण the-orems और सीमाओं के साथ दो पैरामीटर अपडेट करते हैं। अनुभवजन्य साक्ष्य से पता चलई हई कि सीखना अउर डिकोडिंग के लेल हमार एकीकृत दृष्टिकोण छोट कम्प्यूटेशनल लागत पर सटीक मॉडल के बेहतर कर सकई हई। |
1219fb39b46aabd74879a7d6d3c724fb4e55aeae | हम प्रौद्योगिकी उद्यमिता पर एगो दृष्टिकोण विकसित करई हई जोनमे एजेंसी शामिल हई जे विभिन्न प्रकार के अभिनेता पर वितरित कैल जाई छलई। प्रत्येक अभिनेता एक प्रौद्योगिकी के साथ शामिल हो जा हय, और, प्रक्रिया में, इनपुट उत्पन्न करो हय जेकर परिणामस्वरूप एक उभरते तकनीकी पथ के परिवर्तन होवो हय। एगो तकनीकी पथ में इनपुट के स्थिर संचय एगो गति उत्पन्न करई हई जे वितरित अभिनेता के गतिविधि के सक्षम अउर सीमित करई हई। दोसर शब्द में, एजेंसी न केवल वितरित कैल जाई हई, बल्कि ई एम्बेडेड भी होई हई। हम डेनमार्क और संयुक्त राज्य अमेरिका में पवन टरबाइन के उदय के आधार पर प्रक्रिया के तुलनात्मक अध्ययन के माध्यम से इ परिप्रेक्ष्य के स्पष्ट कर रहल हई। हमर तुलनात्मक अध्ययन के माध्यम से, हम तकनीकी पथ के आकार देवे में अभिनेता के भागीदारी के लिए विपरीत दृष्टिकोण के रूप में "ब्रिकोलेजे" और "ब्रेकथ्रू" के विस्तारित करई हई। © 2002 एल्सेवियर साइंस बी.वी. सभे अधिकार सुरक्षित. |
2266636d87e44590ade738b92377d1fe1bc5c970 | |
2af586c64c32baeb445992e0ea6b76bbbbc30c7f | |
0e8b8e0c37b0ebc9c36b99103a487dbbbdf9ee97 | |
2c03df8b48bf3fa39054345bafabfeff15bfd11d | गहरी तंत्रिका नेटवर्क के प्रशिक्षित करना अधिक कठिन होवो हय। हम एगो अवशिष्ट शिक्षण ढांचा प्रस्तुत करई हई जे पहिले इस्तेमाल कैल गेल नेटवर्क के तुलना में काफी गहरा नेटवर्क के प्रशिक्षण के सुविधा प्रदान करई हई। हम स्पष्ट रूप से परतों के पुनर्गठित करते हैं, जैसे कि अवशिष्ट कार्यों को सीखने के बजाय परत इनपुट के संदर्भ में अवशिष्ट कार्यों को सीखना। हम व्यापक अनुभवजन्य साक्ष्य प्रदान करई हई जे देखई हई कि येई अवशिष्ट नेटवर्क के अनुकूलित करनाई आसान हई, अउर पर्याप्त रूप से बढ़ल गहराई से सटीकता प्राप्त कर सकई हई। ImageNet डेटासेट पर हम 152 परतों तक के गहराई के साथ अवशिष्ट नेट के मूल्यांकन करो हय - VGG नेट के तुलना में 8 गुना गहरा हय [40] लेकिन फिर भी कम जटिलता हय। इ अवशिष्ट नेट के एक समूह इमेजनेट परीक्षण सेट पर 3.57% त्रुटि प्राप्त करो हय। ई परिणाम आईएलएसवीआरसी 2015 वर्गीकरण कार्य में पहिला स्थान प्राप्त करलई। हम 100 और 1000 परतों के साथ CIFAR-10 पर विश्लेषण भी प्रस्तुत करते हैं। कई दृश्य मान्यता कार्य के लिए प्रतिनिधित्व के गहराई केंद्रीय महत्व के हय। केवल हमारे अत्यंत गहरे प्रतिनिधित्व के कारण, हम COCO ऑब्जेक्ट डिटेक्शन डेटासेट पर 28% सापेक्ष सुधार प्राप्त करते हैं। डीप रेसिडियल नेट ILSVRC और COCO 2015 प्रतियोगिताओं1 में हमारे सबमिशन के लिए नींव हैं, जहां हमने ImageNet डिटेक्शन, ImageNet स्थानीयकरण, COCO डिटेक्शन और COCO सेगमेंटेशन के कार्यों पर 1 स्थान भी जीते। |
5763c2c62463c61926c7e192dcc340c4691ee3aa | हम एकल छवि सुपररेज़ोल्यूशन (एसआर) के लिए एक गहरी सीखने की विधि प्रस्तावित करते हैं। हमार विधि सीधे कम/उच्च रिज़ॉल्यूशन छवियों के बीच एगो एंड-टू-एंड मैपिंग सीखो हय। मैपिंग के एगो डीप कन्वॉल्यूशनल न्यूरल नेटवर्क (सीएनएन) के रूप में दर्शाएल गेल हई जे कम रिज़ॉल्यूशन वाला छवि के इनपुट के रूप में लेई हई अउर उच्च-रिज़ॉल्यूशन वाला आउटपुट करई हई। हम आगे देखई हई कि पारंपरिक विरल-कोडिंग-आधारित एसआर विधियन के एगो गहरी संवहन नेटवर्क के रूप में भी देखल जा सकई हई। लेकिन पारंपरिक विधियों के विपरीत जे प्रत्येक घटक के अलग से संभालई हई, हमार विधि संयुक्त रूप से सभे परत के अनुकूलित करई हई। हमारे गहरे सीएनएन में एक हल्के संरचना है, फिर भी अत्याधुनिक बहाली गुणवत्ता का प्रदर्शन करता है, और व्यावहारिक ऑनलाइन उपयोग के लिए तेज गति प्राप्त करता है। |
2db168f14f3169b8939b843b9f4caf78c3884fb3 | इ पत्र में, आरएफ ऊर्जा कटाई के लिए एक ब्रॉडबैंड झुका हुआ त्रिकोणीय सर्वदिशात्मक एंटीना प्रस्तुत कैल गेल हई। एंटीना के 850 MHz से 1.94 GHz तक के VSWR ≤ 2 के लिए एक बैंडविड्थ हय। एंटीना के क्षैतिज और ऊर्ध्वाधर ध्रुवीकृत तरंगों दोनों के प्राप्त करे के लिए डिज़ाइन कैल गेलय हय और एकर पूरे बैंडविड्थ पर एक स्थिर विकिरण पैटर्न हय। एंटीना के ऊर्जा कटाई अनुप्रयोग के लिए भी अनुकूलित कियल गलय हा और एकरा 100 Ω इनपुट प्रतिबाधा के लिए डिज़ाइन कियल गलय हा ताकि रेक्टिफायर के लिए निष्क्रिय वोल्टेज प्रवर्धन और प्रतिबाधा मिलान प्रदान कियल जा सके। 980 और 1800 मेगाहर्ट्ज पर क्रमशः 500 Ω के भार के लिए 60% और 17% के एक चरम दक्षता प्राप्त कैल जा हय। एक सेल साइट पर एक साथ सभी बैंड के कटाई करते समय 4.3 k Ω के भार पर खुले सर्किट के लिए 3.76 V और 1.38 V के एक वोल्टेज 25 m के दूरी पर रेक्टिना के दो तत्वों के एक सरणी के उपयोग करके प्राप्त कैल जा हय। |
484ac571356251355d3e24dcb23bdd6d0911bd94 | हालिया वैज्ञानिक और तकनीकी प्रगति ने ग्राफ के रूप में मॉडलिंग कैल गेलय संरचनात्मक पैटर्न के बहुतायत के गवाह बनयलको हय। नतीजतन, ग्राफ के डेटाबेस पर प्रभावी ढंग से ग्राफ कंटेनमेंट क्वेरी के संसाधित करे के विशेष रुचि हय। ग्राफ डेटाबेस G, और एगो क्वेरी ग्राफ q के देखते हुए, ग्राफ कंटेनमेंट क्वेरी G में सभे ग्राफ के पुनर्प्राप्त करे के हई जेकरा मे q उपग्राफ के रूप में शामिल हई। G में ग्राफ के विशाल संख्या और उप-ग्राफ समरूपता परीक्षण के लिए जटिलता के प्रकृति के कारण, क्वेरी प्रसंस्करण लागत के कम करे के लिए उच्च-गुणवत्ता वाला ग्राफ अनुक्रमण तंत्र के उपयोग करना वांछनीय हय। ई पेपर में, हम ग्राफ डेटाबेस के अक्सर पेड़-विशेषताओं के आधार पर एक नया लागत-प्रभावी ग्राफ अनुक्रमण विधि प्रस्तावित करई हियई। हम तीन महत्वपूर्ण पहलुओं से पेड़ के अनुक्रमण विशेषता के रूप में प्रभावशीलता और दक्षता का विश्लेषण करते हैंः विशेषता आकार, विशेषता चयन लागत, और छंटाई शक्ति। मौजूदा ग्राफ-आधारित अनुक्रमण विधियों के तुलना में बेहतर छंटाई क्षमता प्राप्त करे के लिए, हम अक्सर पेड़-विशेषताओं (ट्री) के अलावा, मांग पर, ग्राफ खनन प्रक्रिया के बिना, कम संख्या में भेदभावपूर्ण ग्राफ (∆) के चयन करो हय। हमार अध्ययन ई सत्यापित करई हई कि (ट्री+∆) ग्राफ कंटेनमेंट क्वेरी समस्या के हल करे के लेल अनुक्रमण उद्देश्य के लेल ग्राफ के तुलना में बेहतर विकल्प हई, (ट्री+∆ ≥ग्राफ) के रूप में दर्शाएल गेल हई। एकर दूगो प्रभाव हई: (1) (Tree+∆) द्वारा इंडेक्स निर्माण कुशल हई, अउर (2) (Tree+∆) द्वारा ग्राफ कंटेनमेंट क्वेरी प्रोसेसिंग कुशल हई। हमार प्रयोगात्मक अध्ययन से पता चलई हई कि (ट्री+∆) के एगो कॉम्पैक्ट इंडेक्स संरचना हई, इंडेक्स निर्माण में परिमाण के बेहतर प्रदर्शन प्राप्त करई हई, अउर सबसे महत्वपूर्ण बात ई हई कि ग्राफ कंटेनमेंट क्वेरी प्रोसेसिंग में अप-टू-डेट ग्राफ-आधारित अनुक्रमण विधियोंः जीइंडेक्स अउर सी-ट्री से बेहतर प्रदर्शन करई हई। |
22749899b50c5113516b9820f875a580910aa746 | एक छोटा स्लॉट-लोड पैच एंटीना डिजाइन जे एल 1 और एल 2 बैंड जीपीएस सिग्नल दोनों के प्राप्त करे के लिए विकसित कैल गेलय हय, पर चर्चा कैल गेलय हय। दोहरी बैंड कवरेज L2 बैंड पर एक पैच मोड और L1 बैंड पर एक स्लॉट मोड के उपयोग करके प्राप्त कैल जा हय। उच्च विद्युत सामग्री और मेन्डरड स्लॉट लाइन के उपयोग एंटीना के आकार के व्यास में 25.4 मिमी तक कम करे के लिए कियल जा हय। आरएचसीपी के प्राप्ति एगो छोट 0°-90° हाइब्रिड चिप के माध्यम से दू गो ऑर्थोगोनल मोड के संयोजन करके कैल जाई हई। पैच और स्लॉट मोड दोनों एंटीना के किनारे पर सुविधाजनक रूप से स्थित एक एकल निकटता जांच साझा करो हय (चित्र 1) । इ पत्र डिजाइन प्रक्रिया के साथे-साथ अनुकरण एंटीना प्रदर्शन के बारे में चर्चा करो हय। |
afbe59950a7d452ce0a3f412ee865f1e1d94d9ef | सुदृढीकरण सीखना न्यूनतम मानव हस्तक्षेप के साथे व्यवहारिक कौशल के बड़का प्रदर्शन के सीखने के लिए स्वायत्त रोबोट के सक्षम करे के वादा करो हय। हालांकि, सुदृढीकरण सीखने के रोबोटिक अनुप्रयोग अक्सर वास्तविक भौतिक प्रणालि के लिए व्यावहारिक प्रशिक्षण समय के प्राप्त करे के पक्ष में सीखने के प्रक्रिया के स्वायत्तता से समझौता करो हय। एकरा मे आम तौर पर हाथ से तैयार कैल गेल नीति प्रतिनिधित्व और मानव-आधारित प्रदर्शन के शामिल कैल गेल हई। डीप रिइनफोर्समेंट लर्निंग सामान्य उद्देश्य के तंत्रिका नेटवर्क नीति के प्रशिक्षण देके इ सीमा के कम करई हई, लेकिन प्रत्यक्ष डीप रिइनफोर्समेंट लर्निंग एल्गोरिदम के अनुप्रयोग अब तक सिमुलेटेड सेटिंग्स अउर अपेक्षाकृत सरल कार्य तक ही सीमित रहई, उनकर स्पष्ट उच्च नमूना जटिलता के कारण। इ पेपर में, हम इ प्रदर्शित करो हय कि गहरे क्यू-कार्यात्मक के ऑफ-पॉलिसी प्रशिक्षण के आधार पर एक हालिया गहरे सुदृढीकरण सीखने के एल्गोरिथ्म जटिल 3 डी हेरफेर कार्य के लिए स्केल कर सको हय और वास्तविक भौतिक रोबोट पर प्रशिक्षित करे के लिए पर्याप्त रूप से गहरे तंत्रिका नेटवर्क नीतियों के सीख सको हय। हम प्रदर्शित कर हई कि प्रशिक्षण समय के समानांतर कई रोबोट में एल्गोरिदम के समानांतर करके और कम कैल जा सकई हई जे अपन नीति अपडेट के असिंक्रोनस रूप से साझा करई हई। हमार प्रयोगात्मक मूल्यांकन से पता चललई कि हमार विधि सिमुलेशन में विभिन्न प्रकार के 3 डी हेरफेर कौशल अउर वास्तविक रोबोट पर जटिल दरवाजा खोले के कौशल सीख सकई हई बिना कोनो पूर्व प्रदर्शन चाहे मैन्युअल रूप से डिज़ाइन कैल गेल प्रतिनिधित्व के। |
b8aa8b5d06c98a900d8cea61864669b28c3ac0fc | ई लेख वाहन वातावरण में वाहन विलंब सहिष्णु नेटवर्क (वीडीटीएन) में रूटिंग के लेल प्रस्तावित रूटिंग प्रोटोकॉल के एगो व्यापक सर्वेक्षण प्रस्तुत करई हई। डीटीएन के उपयोग विभिन्न परिचालन वातावरण में कैल जाई हई, जोनमे व्यवधान अउर विच्छेदन के अधीन अउर उच्च-विलंब वाला, जैसे कि वाहन विज्ञापन नेटवर्क (वीएएनईटी) शामिल छलई। हम एगो विशेष प्रकार के VANET पर ध्यान केंद्रित करई हई, जहां वाहन यातायात दुर्लभ होई हई अउर संचार करे वाला पार्टियों के बीच सीधा एंड-टू-एंड पथ हमेशा मौजूद ना होई छलई। येई प्रकार, येई संदर्भ में संचार वाहन देरी सहिष्णु नेटवर्क (वीडीटीएन) के श्रेणी में आवो हय। एक आरएसयू (रोड साइड यूनिट) के सीमित संचरण सीमा के कारण, वीडीटीएन में दूरस्थ वाहन, सीधे आरएसयू से जुड़ ना सकई हई अउर येहिलेल पैकेट के रिले करे के लेल मध्यवर्ती वाहन पर निर्भर होए के पड़ई छई। संदेश रिले प्रक्रिया के दौरान, अत्यधिक विभाजन वाला VANET में पूरा एंड-टू-एंड पथ मौजूद नए हो सको हय। येहिलेल, मध्यवर्ती वाहन के संदेश के अवसरवादी रूप से बफर अउर अग्रेषित करेके चाहि। बफर, कैरी और फॉरवर्ड के माध्यम से, संदेश के अंततः गंतव्य तक पहुँचायल जा सको हय भले ही स्रोत और गंतव्य के बीच अंत-से-अंत कनेक्शन कभी मौजूद न हो। डीटीएन में रूटिंग प्रोटोकॉल के मुख्य उद्देश्य अंत-से-अंत देरी के कम करके गंतव्य तक पहुँचावे के संभावना के अधिकतम करनाई हई। साथ ही, वाहन नेटवर्क में डीटीएन रूटिंग के लेल वाहन यातायात मॉडल महत्वपूर्ण हई काहेकी डीटीएन रूटिंग प्रोटोकॉल के प्रदर्शन नेटवर्क के जनसंख्या अउर गतिशीलता मॉडल से निकटता से संबंधित छलई। 2014 एल्सेवियर बी.वी. सभे अधिकार सुरक्षित. |
4555fd3622908e2170e4ffdd717b83518b123b09 | पेपर एंटीना पैरामीटर पर प्रभाव प्रस्तुत करो हय जब एक एंटीना एक धातु प्लेट के पास क्षैतिज रूप से रखल जा हय। प्लेट के आकार सीमित और आयताकार आकार के हय। एक फोल्ड किए गए डायपोल एंटीना के उपयोग कियल जा हय और एकरा प्लेट के ऊपर सममित रूप से रखल जा हय। प्लेट के आकार और प्लेट और एंटीना के बीच के दूरी पर एंटीना पैरामीटर के निर्भरता के अनुकरण करे के लिए एफईएम (सीमित तत्व विधि) के उपयोग कैल जा हय। धातु की प्लेट की उपस्थिति, भले ही एक छोटी हो, अगर यह सही दूरी पर हो, तो एंटीना के व्यवहार में बहुत बड़े बदलाव का कारण बनता है। प्लेट जितना बड़ा होगा, विशेष रूप से चौड़ाई में, विकिरण पैटर्न के लोब उतना ही तेज और संकीर्ण होगा। एंटीना ऊंचाई परिभाषित करो हय कि विकिरण पैटर्न में केतना लोब हय। एंटीना पैरामीटर के एक संख्या, प्रतिबाधा, दिशात्मकता और आगे-से-पीछे अनुपात सहित, समय-समय पर एंटीना ऊंचाई के बढ़े के रूप में बदल जा हय। धातु प्लेट के प्रभाव में एंटीना के अनुनाद आवृत्ति भी बदल जा हय। |
d70cd3d2fe0a194321ee92c305976873b883d529 | एक वाइडबैंड 57.7-84.2 GHz फेज शिफ्टर के एक कॉम्पैक्ट लैंग युग्मन के उपयोग करके इन-फेज और क्वाड्रेचर सिग्नल उत्पन्न करे के लिए प्रस्तुत कैल गेल हई। लैंज कपलर के बाद दो बैलन ट्रांसफार्मर होवो हय जे अंतर I और Q सिग्नल के साथे आईक्यू वेक्टर मॉड्यूलेशन प्रदान करो हय। कार्यान्वित चरण शिफ्टर औसतन 6-डीबी सम्मिलन हानि और 5-डीबी लाभ भिन्नता प्रदर्शित करो हय। मापा गेल औसत आरएमएस चरण और लाभ त्रुटि क्रमशः 7 डिग्री और 1 डीबी हई। चरण शिफ्टर के ग्लोबलफाउंड्रीज 45-एनएम एसओआई सीएमओएस तकनीक में जाल-समृद्ध सब्सट्रेट के उपयोग करके लागू कैल गेल हई। चिप क्षेत्र 385 μm × 285 μm हई अउर चरण शिफ्टर 17 mW से कम खपत करई हई। लेखक के ज्ञान के अनुसार, ई पहिला चरण शिफ्टर हई जे 60 गीगाहर्ट्ज बैंड अउर ई-बैंड आवृत्ति दुनु के 37% के आंशिक बैंडविड्थ के जौरे कवर करई हई। |
eb58118b9db1e95f9792f39c3780dbba3bb966cb | ई पेपर स्ट्रोक या पार्किंसंस रोग के रोगिय के लेल स्थानिक-समय पैदल पैटर्न से मात्रात्मक माप प्राप्त करे आउर नैदानिक संकेतक के पता लगावे के लेल एगो पहनने योग्य जड़त्वीय माप प्रणाली अउर ओकर संबंधित स्थानिक-समय पैदल विश्लेषण एल्गोरिथ्म प्रस्तुत करई हई। पहनने योग्य प्रणाली में एक माइक्रोकंट्रोलर, एक ट्रायएक्सियल एक्सेलेरोमीटर, एक ट्रायएक्सियल जाइरोस्कोप और एक आरएफ वायरलेस ट्रांसमिशन मॉड्यूल शामिल हैं। स्थानिक-समयिक चाल विश्लेषण एल्गोरिथ्म, जेकरा मे जड़त्वीय संकेत अधिग्रहण, संकेत पूर्व-प्रसंस्करण, चाल चरण पता लगावे और गति के टखने के अनुमान के सीमा के प्रक्रिया शामिल हय, के त्वरण और कोणीय वेग से चाल विशेषता के निकाले के लिए विकसित कैल गेलय हय। सटीक एंकल गति के सीमा के अनुमान लगावे के लिए, हम जड़ता संकेत के एकीकरण त्रुटि के संचय के कम करे के लिए एक पूरक फ़िल्टर में त्वरण और कोणीय वेग के एकीकृत कैलकय हय। सभे 24 प्रतिभागी अपन पैर पर प्रणाली के स्थापित कलकई ताकि सामान्य गति से 10 मीटर के एगो सीधा रेखा के साथे चल सकें और प्रस्तावित प्रणाली अउर एल्गोरिथ्म के प्रभावशीलता के मान्य करे के लेल उनकर पैदल रिकॉर्डिंग के एकत्र कैल गेल रहई। प्रयोगात्मक परिणाम से पता चलई हई कि डिजाइन कैल गेल स्थानिक-समय पैदल विश्लेषण एल्गोरिथ्म के जौरे प्रस्तावित जड़त्वीय माप प्रणाली स्थानिक-समय पैदल सूचना के स्वचालित रूप से विश्लेषण करे के लेल एगो आशाजनक उपकरण हई, जे स्ट्रोक चाहे पार्किंसंस रोग के निदान के लेल चिकित्सीय प्रभावशीलता के निगरानी के लेल नैदानिक संकेतक के रूप में कार्य करई हई। |
7e7f14f325d7e8d70e20ca22800ad87cfbf339ff | ई प्रकाशन में पुनरुत्पादित लेख हई जेकर IEEE के पास कॉपीराइट न हई। ई लेखवन के पूरा पाठ आईईईई एक्सप्लोर परी उपलब्ध न है। |
002a8b9ef513d46dc8dcce85c04a87ae6a221b4c | हम प्रतिगमन और वर्गीकरण के लिए समर्थन वेक्टर एल्गोरिदम के एक नया वर्ग प्रस्तावित करो हय। येई एल्गोरिदम में, एगो पैरामीटर कोनो के समर्थन वेक्टर के संख्या के प्रभावी ढंग से नियंत्रित करे के अनुमति देई हई। जबकि ई अपने आप में उपयोगी हो सकई हई, पैरामीटरकरण के एल्गोरिदम के दोसर मुक्त पैरामीटर में से एगो के समाप्त करे में सक्षम करे के अतिरिक्त लाभ हईः प्रतिगमन के मामला में सटीकता पैरामीटर, अउर वर्गीकरण के मामला में नियमितकरण स्थिरांक सी। हम एल्गोरिदम के वर्णन करई हई, के अर्थ अउर चयन के बारे में कुछ सैद्धांतिक परिणाम देइ हई, अउर प्रयोगात्मक परिणाम के रिपोर्ट करई हई। |
0911bcf6bfff20a84a56b9d448bcb3d72a1eb093 | एगो ऑटोएन्कोडर के नियमित प्रशिक्षण के परिणामस्वरूप आमतौर पर छिपल इकाई पूर्वाग्रह होई हई जे बड़का नकारात्मक मान लेई हई। हम देखई हई कि नकारात्मक पूर्वाग्रह एगो छिपल परत के उपयोग करे के एगो प्राकृतिक परिणाम छलई जेकर जिम्मेदारी इनपुट डेटा के प्रतिनिधित्व करे अउर चयन तंत्र के रूप में कार्य करे के हई जे प्रतिनिधित्व के विरलता सुनिश्चित करई हई। फेर हम देखबई कि नकारात्मक पूर्वाग्रह डेटा वितरण के सीखना में बाधा डालई हई जेकर आंतरिक आयाम उच्च हई। हम एगो नया सक्रियण फलन के भी प्रस्ताव देली हे जे छिपल परत के दुगो भूमिका के अलग कर हई आउर जे हमरा बहुत उच्च आंतरिक आयाम के साथ डेटा पर प्रतिनिधित्व के सीखये के अनुमति देई हई, जहां मानक ऑटोकोडर आमतौर पर विफल होई हई। चूंकि विकृत सक्रियण फ़ंक्शन एक निहित नियामक के तरह कार्य करो हय, मॉडल के प्रशिक्षण डेटा के पुनर्निर्माण त्रुटि के कम करके प्रशिक्षित कियल जा सको हय, बिना कोनो अतिरिक्त विनियमन के आवश्यकता के। |
27f9b805de1f125273a88786d2383621e60c6094 | इ पेपर में हम गति नियंत्रण और मुद्रा अनुमान के बेहतर करे के लिए ट्रैक कैल गेलय मोबाइल रोबोट के लिए एक गतिज दृष्टिकोण प्रस्तावित करो हय। स्लिप और ट्रैक-मिट्टी के परस्पर क्रिया के कारण जटिल गतिशीलता ट्रैक गति के आधार पर वाहन के सटीक गति के भविष्यवाणी करनाई मुश्किल बनाबई हई। फिर भी, स्वायत्त नेविगेशन के लिए वास्तविक समय के गणना के लिए लूप में गतिशीलता के परिचय के बिना एक प्रभावी गतिज अनुमान के आवश्यकता होवो हय। प्रस्तावित समाधान इ तथ्य पर आधारित हय कि वाहन के संबंध में गति विमान पर टियर के क्षणिक घूर्णन केंद्र (आईसीआर) गतिशीलता पर निर्भर हय, लेकिन ऊ एक सीमित क्षेत्र के भीतर हय। येई प्रकार, कोनो विशेष इलाके के लेल स्थिर आईसीआर स्थिति के अनुकूलन करे से ट्रैक कैल गेल मोबाइल रोबोट के लेल अनुमानित गतिज मॉडल प्राप्त होई हई। गतिज मापदंड के ऑफ-लाइन अनुमान के लेल दू अलग-अलग दृष्टिकोण प्रस्तुत कैल गेल हई: (i) वाहन के संपूर्ण वेग सीमा के लेल गतिशील मॉडल के स्थिर प्रतिक्रिया के सिमुलेशन; (ii) एक प्रयोगात्मक सेटअप के शुरूआत ताकि एक आनुवंशिक एल्गोरिथ्म वास्तविक सेंसर रीडिंग से मॉडल के उत्पादन कर सकई हई। येई विधिय के ऑन-लाइन ओडोमेट्रिक गणना अउर मध्यम गति पर कठोर-सतह के समतल मिट्टी पर ऑरिगा मोबाइल रोबोट के जौरे निम्न-स्तर के गति नियंत्रण के लेल मूल्यांकन कैल गेल हई। कीवर्ड ट्रैक वाला वाहन, गतिज नियंत्रण, मोबाइल रोबोटिक्स, पैरामीटर पहचान, गतिशीलता सिमुलेशन |
04caa1a55b12d5f3830ed4a31c4b47921a3546f2 | क्रमांक, पेड़ अउर आलेख जैसन संरचित डेटा के लेल डिज़ाइन कैल गेल कर्नेल वर्गीकरणकर्ता अउर प्रतिगमन ने कम्प्यूटेशनल जीव विज्ञान अउर दवा डिजाइन जैसन कई अंतःविषय क्षेत्र में महत्वपूर्ण प्रगति कैले हई। आमतौर पर, कर्नेल के एक डेटा प्रकार के लिए पहले से डिज़ाइन कैल जा हय जे या तओ संरचना के आंकड़ों के शोषण करो हय या संभाव्य जनरेटिव मॉडल के उपयोग करो हय, और फेर एगो भेदभावपूर्ण वर्गीकरण के उत्तोलन के माध्यम से कर्नेल के आधार पर सीखा जा हय। हालांकि, ऐसन सुरुचिपूर्ण दो-चरण दृष्टिकोण ने लाखों डेटा बिंदुओं तकले स्केल करे से कर्नेल विधियों के भी सीमित कर देलकय, और सुविधा प्रतिनिधित्व के सीखने के लिए भेदभावपूर्ण जानकारी के शोषण कैलकय। हम, संरचना 2vec, संरचित डेटा प्रतिनिधित्व के लिए एक प्रभावी और स्केलेबल दृष्टिकोण प्रस्तावित करो हय जे फीचर स्पेस में गुप्त चर मॉडल के एम्बेड करे के विचार के आधार पर हय, और भेदभावपूर्ण जानकारी के उपयोग करके ऐसन फीचर स्पेस के सीखो हय। दिलचस्प बात ई हई कि structure2vec ग्राफिकल मॉडल अनुमान प्रक्रिया के समान तरीका से फ़ंक्शन मैपिंग के एगो अनुक्रम के प्रदर्शन करके सुविधा के निकालई हई, जैसे कि माध्य क्षेत्र अउर विश्वास प्रसार। लाखों डेटा बिंदुओं के शामिल करे वाला अनुप्रयोगों में, हम देखैलकय कि structure2vec 2 गुना तेज़ चलो हय, मॉडल के उत्पादन करो हय जे 10,000 गुना छोटा हय, जबकि एक ही समय में अत्याधुनिक भविष्यवाणी प्रदर्शन प्राप्त करो हय। |
1dc5b2114d1ff561fc7d6163d8f4e9c905ca12c4 | ई अच्छा तरह से जानल जाई हई कि जब डेटा असामान्य रूप से वितरित होई हई, त पियर्सन के आर के महत्व के परीक्षण टाइप I त्रुटि दर के बढ़ा सकई हई अउर बिजली के कम कर सकई हई। सांख्यिकीय पाठ्यपुस्तक अउर सिमुलेशन साहित्य पियर्सन के सहसंबंध के कैगो विकल्प प्रदान करई हई। हालांकि, येई विकल्प के सापेक्ष प्रदर्शन स्पष्ट ना हई। 12 विधियों के तुलना करे के लिए दो सिमुलेशन अध्ययन कियल गलय हल, जेकरा मे पियर्सन, स्पीर्मन के रैंक-ऑर्डर, परिवर्तन और री-सैंपलिंग दृष्टिकोण शामिल हय। अधिकांश नमूना आकार (एन ≥ 20) के साथ, पियर्सन सहसंबंध के आकलन करे से पहले डेटा के सामान्य आकार में बदलके टाइप I और टाइप II त्रुटि दर के कम कर देल गेल रहई। रूपांतरण दृष्टिकोण में, एक सामान्य उद्देश्य रैंक-आधारित व्युत्क्रम सामान्य रूपांतरण (यानी, रैंकिट स्कोर में रूपांतरण) सबसे लाभदायक हलय। हालांकि, जब नमूना छोट (n ≤ 10) और बेहद असामान्य दोनों हलय, तओ क्रमपरिवर्तन परीक्षण अक्सर विभिन्न बूटस्ट्रैप परीक्षण सहित अन्य विकल्पों से बेहतर प्रदर्शन करो हलय। |
d3abb0b5b3ce7eb464846bbdfd93e0fbf505e954 | इ पेपर में, हम सब्सट्रेट एकीकृत वेव गाइड (एसआईडब्ल्यू) द्वारा खिलाएल गेल कॉम्पैक्ट एंटीना सरणी के तीन अलग-अलग अवधारणा के तुलना करो हय। एंटीना अवधारणा रेडिएटर के प्रकार में भिन्न होवो हय। स्लॉट चुंबकीय रैखिक रेडिएटर के प्रतिनिधित्व करो हय, पैच विद्युत सतह रेडिएटर हय, और विवाल्डी स्लॉट ट्रैवल-वेव एंटीना से संबंधित हय। इसलिए, एसआईडब्ल्यू फीडर के उत्तेजक एंटीना तत्व के विभिन्न तंत्र के शोषण करे के चाहि। अध्ययन कैल गेल एंटीना सरणी के प्रतिबाधा और विकिरण गुण के सामान्यीकृत आवृत्ति से संबंधित कैल गेल हई। एंटीना सरणी के तुलनात्मक रूप से डिज़ाइन कैल गेल एंटीना के अंतिम पैरामीटर के एंटीना के राज्य चर पर, एसआईडब्ल्यू फीडर आर्किटेक्चर पर अउर संबंधित कार्यान्वयन विवरण पर मौलिक निर्भरता के दिखाबे के लेल कैल गेल हई। |
e4acaccd3c42b618396c9c28dae64ae7091e36b8 | एगो उपन्यास आई / क्यू रिसीवर सरणी के प्रदर्शन कैल गेल हई जे प्रत्येक प्राप्त चैनल में चरण बदलाव के अनुकूलित करई हई ताकि एगो प्राप्त बीम के एगो घटना आरएफ सिग्नल के ओर इंगित कैल जा सके। मापा गेल सरणी 8.1 गीगाहर्ट्ज पर काम करई हई अउर चार तत्व सरणी के लेल +/-35 डिग्री के स्टीयरिंग एंगल के कवर करई छई। एकर अतिरिक्त, रिसीवर में एक I/Q डाउन-कन्वर्टर शामिल हय और ईवीएम के साथ 64QAM के 4% से कम के साथ डीमोड्यूलर करो हय। चिप 45 एनएम सीएमओएस एसओआई प्रक्रिया में निर्मित हय और 143 एमडब्ल्यू डीसी बिजली के खपत करते करते 3.45 मिमी2 के क्षेत्र पर कब्जा कर लेवो हय। |
149bf28af91cadf2cd933bd477599cca40f55ccd | हम एगो सीखल वास्तुकला के प्रस्ताव रखई हई, जे कच्चे दृश्य इनपुट डेटा के आधार पर सुदृढीकरण सीखल स के सक्षम हई। पिछला दृष्टिकोण के विपरीत, न केवल नियंत्रण नीति के सीखल जा हय। सफल होए के लेल, सिस्टम के येई बात के भी सीखना चाहि कि इनपुट सूचना के उच्च-आयामी धारा से प्रासंगिक जानकारी के कैसे निकालल जाए, जेकरा लेल सिमेंटिक्स के सीखने के प्रणाली के प्रदान ना कैल जाई हई। हम एगो चुनौतीपूर्ण बेंचमार्क पर ई उपन्यास सीखने के वास्तुकला के अवधारणा के पहला प्रमाण देई हई, अर्थात् एगो रेसिंग स्लॉट कार के दृश्य नियंत्रण। परिणामी नीति, जे केवल सफलता या विफलता से सीखल गेलय हय, शायद ही कभी एक अनुभवी मानव खिलाड़ी द्वारा हरायल जा हय। |
759d9a6c9206c366a8d94a06f4eb05659c2bb7f2 | आज तक, कंप्यूटर विजन में मशीन लर्निंग-आधारित मान्यता एल्गोरिदम के लगभग सभे प्रयोगात्मक मूल्यांकन "बंद सेट" मान्यता के रूप लेले हई, जोनमे प्रशिक्षण के समय सभे परीक्षण वर्ग के जानल जाई छलई। दृष्टि अनुप्रयोगों के लिए एक अधिक यथार्थवादी परिदृश्य "खुले सेट" मान्यता हय, जहां प्रशिक्षण समय पर दुनिया के अपूर्ण ज्ञान मौजूद हय, और परीक्षण के दौरान अज्ञात वर्ग के एक एल्गोरिथ्म के अधीन रखल जा सको हय। ई पेपर खुला सेट मान्यता के प्रकृति के पता लगावो हय और एकर परिभाषा के एक सीमित न्यूनतमकरण समस्या के रूप में औपचारिक करो हय। ओपन सेट मान्यता समस्या के मौजूदा एल्गोरिदम द्वारा अच्छा तरह से संबोधित नए कियल जा हय कहेकी एकरा मजबूत सामान्यीकरण के आवश्यकता होवो हय। एक समाधान की ओर एक कदम के रूप में, हम एक उपन्यास 1-बनाम-सेट मशीन, पेश करते हैं जो एक रैखिक कर्नेल के साथ एक-वर्ग या द्विआधारी एसवीएम के सीमांत दूरी से एक निर्णय अंतरिक्ष को मूर्तिकला करता है। ई पद्धति कंप्यूटर विजन में कैगो अलग-अलग अनुप्रयोग पर लागू होई हई जहां ओपन सेट मान्यता एगो चुनौतीपूर्ण समस्या हई, जोनमे ऑब्जेक्ट मान्यता अउर चेहरा सत्यापन शामिल छलई। हम इ काम में कैल्टेक 256 और इमेजनेट सेट पर कैल गेलय बड़े पैमाने पर क्रॉस-डेटासेट प्रयोगों के साथे-साथ लेबल्ड फेसेस इन द वाइल्ड सेट पर कैल गेलय चेहरा मिलान प्रयोगों के साथ दोनों पर विचार करो हय। प्रयोग समान कार्य के लिए मौजूदा 1-वर्ग और द्विआधारी एसवीएम के तुलना में खुले सेट मूल्यांकन के लिए अनुकूलित मशीन के प्रभावशीलता पर प्रकाश डालो हय। |
00960cb3f5a74d23eb5ded93f1aa717b9c6e6851 | बेयसन अनुकूलन अज्ञात, महंगे और बहुरूपी कार्यों के वैश्विक अनुकूलन के लिए एक अत्यधिक प्रभावी पद्धति साबित होलय हा। फ़ंक्शन पर वितरण के सटीक रूप से मॉडल करे के क्षमता बेयसन अनुकूलन के प्रभावशीलता के लिए महत्वपूर्ण हय। यद्यपि गॉसियन प्रक्रिया फलन पर एगो लचीला पूर्व प्रदान करई हई, फलन के विभिन्न वर्ग छलई जे मॉडल करनाई मुश्किल रहई हई। एकरा में से एगो सबसे बेसी बार पाएल जाए वाला गैर-स्थिर फलन के वर्ग हई। मशीन लर्निंग एल्गोरिदम के हाइपरपैरामीटर के अनुकूलन एगो समस्या डोमेन हई जोनमे पैरामीटर के अक्सर मैन्युअल रूप से प्राथमिकता में बदल देल जाई हई, उदाहरण के लेल लॉग-स्पेस, में अनुकूलन करके स्थानिक रूप से भिन्न लंबाई पैमाना के प्रभाव के कम करे के लेल। हम बीटा संचयी वितरण फलन के उपयोग करके इनपुट अंतरिक्ष के द्विघात रूपांतरण या विकृति के एगो विस्तृत परिवार के स्वचालित रूप से सीखने के लेल एगो पद्धति विकसित करई छलई। हम आगे बहु-कार्य बेजियन अनुकूलन के लिए वार्पिंग ढांचा के विस्तार करो हय ताकि कई कार्य के संयुक्त रूप से स्थिर स्थान में वार्प कैल जा सके। चुनौतीपूर्ण बेंचमार्क अनुकूलन कार्यों के एक सेट पर, हम देखते हैं कि विरूपण के समावेश में अत्याधुनिक में बहुत सुधार होता है, बेहतर परिणाम तेजी से और अधिक विश्वसनीयता के साथ पैदा होता है। |
b53e4c232833a8e663a9cf15dcdd050ff801c05c | हम विषम डेटा स्ट्रीम के उच्च-थ्रूपुट वास्तविक समय विश्लेषण के लिए एक स्केलेबल सिस्टम प्रस्तुत करते हैं। हमार वास्तुकला भविष्यवाणिक विश्लेषण और विसंगति के पता लगावे के लिए मॉडल के वृद्धिशील विकास के सक्षम बनबई हई काहेकी डेटा सिस्टम में पहुंचई हई। बैच डेटा-प्रोसेसिंग सिस्टम, जैसे हडोप के विपरीत, जेकर उच्च विलंब हो सकई हई, हमार वास्तुकला उड़ान पर डेटा के सेवन अउर विश्लेषण के अनुमति देई हई, येई प्रकार वास्तविक समय में असामान्य व्यवहार के पता लगाबई अउर प्रतिक्रिया देई छलई। आंतरिक खतरा, वित्तीय धोखाधड़ी और नेटवर्क घुसपैठ जैसे अनुप्रयोगों के लिए यह समयबद्धता महत्वपूर्ण है। हम आंतरिक खतरों के पता लगावे के समस्या के लिए इ प्रणाली के एक आवेदन के प्रदर्शन करो हय, अर्थात्, सिस्टम के उपयोगकर्ताओं द्वारा एक संगठन के संसाधनों के दुरुपयोग और सार्वजनिक रूप से उपलब्ध आंतरिक खतरे डेटासेट पर अपन प्रयोग के परिणाम प्रस्तुत करो हय। |
39b58ef6487c893219c77c61c762eee5694d0e36 | डेटा माइनिंग के उभरते क्षेत्र में वर्गीकरण एक महत्वपूर्ण समस्या हय। यद्यपि अतीत में वर्गीकरण के व्यापक रूप से अध्ययन कैल गेल हई, अधिकांश वर्गीकरण एल्गोरिदम केवल मेमोरी-निवासी डेटा के लेल डिज़ाइन कैल गेल हई, येहिलेल बड़ डेटा सेट के लेल उनकर उपयुक्तता के सीमित करई छई। ई पेपर एगो स्केलेबल क्लासर के निर्माण में मुद्दा पर चर्चा करई हई अउर एसएलआईक्यू, एगो नया क्लासर के डिजाइन प्रस्तुत करई हई। SLIQ एगो निर्णय वृक्ष वर्गीकरण हई जे संख्यात्मक अउर वर्गीकृत विशेषता दुनु के संभाल सकई हई। ई पेड़वा के विकासवा चरणवा में एगो उपन्यास पूर्व-सॉर्टिंग तकनीकवा के उपयोग कर है। इ सॉर्टिंग प्रक्रिया के डिस्क-निवासी डेटासेट के वर्गीकरण के सक्षम करे के लिए एक व्यापक पेड़ के उगने के रणनीति के साथ एकीकृत कियल गलय हा। SLIQ एक नया ट्री-प्रूनिंग एल्गोरिथ्म के भी उपयोग करो हय जे सस्ता हय, और एकर परिणामस्वरूप कॉम्पैक्ट और सटीक पेड़ होवो हय। इ तकनीकों के संयोजन एसएलआईक्यू के बड़े डेटा सेट के लिए स्केल करे और डेटा सेट के वर्गीकृत करे में सक्षम बनावो हय, चाहे क्लास, विशेषता और उदाहरण (रिकॉर्ड) के संख्या के बावजूद, इ प्रकार इ डेटा माइनिंग के लिए एक आकर्षक उपकरण बनवो हय। |
1f25ed3c9707684cc0cdf3e8321c791bc7164147 | वर्गीकरण डेटा खनन के एक महत्वपूर्ण समस्या हय। यद्यपि वर्गीकरण एक अच्छी तरह से अध्ययन कियल गेल समस्या हय, अधिकांश वर्तमान वर्गीकरण एल्गोरिदम के आवश्यकता होवो हय कि संपूर्ण डेटासेट के सभे या भाग स्थायी रूप से मेमोरी में रहे। ई बड़का डेटाबेस पर खनन के लेल उनकर उपयुक्तता के सीमित करई छई। हम एगो नया निर्णय-वृक्ष-आधारित वर्गीकरण एल्गोरिथ्म प्रस्तुत करई हई, जेकरा स्प्रिंट कहल जाई हई जे सभे मेमोरी प्रतिबंध के हटाबई हई, अउर तेज अउर स्केलेबल हई। एल्गोरिथ्म के आसानी से समानांतर करे के लेल डिज़ाइन कैल गेल हई, जे कैगो प्रोसेसर के एगो सुसंगत मॉडल बनावे के लेल एक जौरे काम करे के अनुमति देई हई। ई समानांतरकरण, जे भी एहिजा प्रस्तुत कैल गेल हई, उत्कृष्ट स्केलेबिलिटी के भी प्रदर्शन करई हई। येई विशेषता के संयोजन प्रस्तावित एल्गोरिथ्म के डेटा खनन के लेल एगो आदर्श उपकरण बनाबई छलो। |
7c3a4b84214561d8a6e4963bbb85a17a5b1e003a | |
76c87ec44fc5dc96bc445abe008deaf7c97c9373 | ई पेपर मानक नरम सब्सट्रेट के एकल परत पर 100 Ω अंतर माइक्रोस्ट्रिप लाइन फीड के साथ एक समतल ग्रिड सरणी एंटीना प्रस्तुत करई हई। ऑटोमोटिव रडार अनुप्रयोगों के लिए एंटीना 79 गीगाहर्ट्ज आवृत्ति बैंड में काम करो हय। एकर एकल पंक्ति डिजाइन ऊंचाई में एक संकीर्ण बीम और अज़ीमुथ में एक चौड़ी बीम प्रदान करो हय। अंतर माइक्रॉस्ट्रिप लाइन फीडिंग के साथ, एंटीना आवृत्ति रेंज में अंतर मल्टीचैनल MMIC के लिए उपयुक्त है। |
bc7308a97ec2d3f7985d48671abe7a8942a5b9f8 | ई पेपर भावना विश्लेषण के एगो दृष्टिकोण के परिचय देई हई जोनमे समर्थन वेक्टर मशीन (एसवीएम) के उपयोग कैल जाई हई ताकि संभावित प्रासंगिक जानकारी के विभिन्न स्रोत के एक जौरे लाएल जा सके, जोनमे वाक्यांश अउर विशेषण के लेल कई अनुकूलता माप अउर, जहां उपलब्ध हो, पाठ के विषय के ज्ञान शामिल छलई। पेश कैल गेल फीचर के उपयोग करे वाला मॉडल के एकोग्राम मॉडल के जौरे आगे जोड़ल जाई हई जे अतीत में प्रभावी साबित होलई हई (पेंग एट अल, 2002) अउर एकोग्राम मॉडल के लेमेटाइज्ड संस्करण। Epinions.com से फिल्म समीक्षा डेटा पर प्रयोग से पता चलई हई कि हाइब्रिड एसवीएम जे एगोग्राम-शैली के फीचर-आधारित एसवीएम के वास्तविक मूल्यवान अनुकूलता माप के आधार पर जोड़े हई, बेहतर प्रदर्शन प्राप्त करई हई, येई डेटा के उपयोग कैले अभी तक प्रकाशित सर्वोत्तम परिणाम उत्पन्न करई छलई। विषय के लेल हाथ से नोट कैल गेल संगीत समीक्षा के एगो छोट डेटासेट पर विषय के जानकारी से समृद्ध एगो फीचर सेट के उपयोग करे वाला आगे के प्रयोग के भी रिपोर्ट कैल गेल हई, जेकर परिणाम से पता चलई हई कि ऐसन मॉडल में विषय के जानकारी के शामिल करे से सुधार हो सकई हई। |
be389fb59c12c8c6ed813db13ab74841433ea1e3 | अंजीर के पेड़ 1. हल हम आईमैपर प्रस्तुत करई हई, एगो विधि जे वस्तु के जौरे मनुष्य के बातचीत के बारे में तर्क करई हई, एगो प्रशंसनीय दृश्य व्यवस्था अउर मानव गति दुनहु के पुनर्प्राप्त करे के लेल, जे सबसे अच्छा इनपुट मोनोक्यूलर वीडियो के व्याख्या करई हई (इन्सैट देखें) । हम दृश्य (जैसे, ए, बी, सी) नामक विशेषता के वीडियो में फिट करई हई अउर उनका उपयोग एगो प्रशंसनीय वस्तु व्यवस्था अउर मानव गति पथ (बाएं) के पुनर्निर्माण करे के लेल करई छलई। मुख्य चुनौती ई हई कि विश्वसनीय फिटिंग के लेल ओक्ल्यूशन के बारे में जानकारी के आवश्यकता होई हई, जे अज्ञात (यानी, लुप्त) हई। (दाएं) हम मैन्युअल रूप से एनोटेटेड ग्राउंड ट्रुथ ऑब्जेक्ट प्लेसमेंट पर अपन परिणाम के ओवरले (शीर्ष दृश्य से) दिखावो हय। ध्यान देहो कि वस्तु मेष के अनुमानित वस्तु श्रेणी, स्थान और आकार जानकारी के आधार पर रखल जा हय। |
f24a1af3bd8873920593786d81590d29520cfebc | ई पत्र बहुपरत सब्सट्रेट एकीकृत वेव गाइड (MSIW) तकनीक पर आधारित एक उपन्यास दीर्घवृत्तीय फ़िल्टर के डिजाइन और प्रयोग के प्रस्तुत करई हई। चार गुना एमएसआईडब्ल्यू गुहा के साथ एक सी-बैंड अंडाकार फ़िल्टर के उच्च आवृत्ति संरचना सिम्युलेटर सॉफ्टवेयर के उपयोग करके अनुकरण कैल गेलय हय और दो-परत मुद्रित सर्किट बोर्ड प्रक्रिया के साथ निर्मित कैल गेलय हय, मापा गेल परिणाम अच्छा प्रदर्शन दिखावो हय और अनुकरण परिणाम के अनुरूप हय। |
8052bc5f9beb389b3144d423e7b5d6fcf5d0cc4f | विशेषता वस्तु द्वारा साझा कियल जाए वाला अर्थ संबंधी दृश्य गुण हय। ऊ वस्तु मान्यता में सुधार करे और सामग्री-आधारित छवि खोज के बढ़ावे के लेल दिखाएल गेल हई। जबकि विशेषता के कई श्रेणियों के कवर करे के उम्मीद हय, जैसे कि एगो डालमटियन अउर एगो व्हेल दुनु के "चमचम चमड़ी" हो सकई हई, हम पाइत ह कि एगो विशेषता के उपस्थिति श्रेणी में काफी भिन्न होई हई। येई प्रकार, एगो श्रेणी पर सीखल गेल विशेषता मॉडल दोसर श्रेणी पर उपयोग योग्य न हो सकई छलई। हम देखई छियई कि कैसे नया श्रेणिय के लेल विशेषता मॉडल के अनुकूलित कैल जा सकई हई। हम इ सुनिश्चित करो हय कि श्रेणियों के एक स्रोत डोमेन और एक उपन्यास लक्ष्य डोमेन के बीच सकारात्मक हस्तांतरण हो सको हय, एक विशेषता उप-स्थान में सीखने से विशेषता चयन द्वारा पायल जा हय जेजा डोमेन के डेटा वितरण समान होवो हय। हम प्रदर्शित करई हई कि जब उपन्यास डोमेन से डेटा सीमित होई हई, त ओई उपन्यास डोमेन के लेल विशेषता मॉडल के नियमित करनाई एगो सहायक डोमेन (अनुकूली एसवीएम के माध्यम से) पर प्रशिक्षित मॉडल के जौरे विशेषता भविष्यवाणी के सटीकता में सुधार करई हई। |
01094798b20e96e1d029d6874577167f2214c7b6 | तेजी से समवर्ती हैश तालिका एगो तेजी से महत्वपूर्ण निर्माण खंड हई काहेकी हम सिस्टम के बड़ संख्या में कोर अउर धागे के लेल स्केल करई छियई। ई कागज एगो उच्च-प्रवाह और मेमोरी-कुशल समवर्ती हैश टेबल के डिजाइन, कार्यान्वयन और मूल्यांकन प्रस्तुत करई हई जे कैगो पाठक अउर लेखक के समर्थन करई हई। डिजाइन सिस्टम-स्तर के अनुकूलन पर सावधानीपूर्वक ध्यान से उत्पन्न होवो हय जैसे कि महत्वपूर्ण खंड लंबाई के कम करना और एल्गोरिथ्म री-इंजीनियरिंग के माध्यम से इंटरप्रोसेसर सुसंगतता यातायात के कम करना। इ इंजीनियरिंग के वास्तुशिल्प आधार के हिस्सा के रूप में, हम इ महत्वपूर्ण बिल्डिंग ब्लॉक के लिए इंटेल के हालिया हार्डवेयर ट्रांजेक्शनल मेमोरी (एचटीएम) समर्थन के अपनाने के अपन अनुभव और परिणाम के चर्चा शामिल करो हय। हम पाते हैं कि मौजूदा डेटा संरचनाओं पर एक मोटे-अनाज लॉक का उपयोग करके एक साथ पहुंच की अनुमति देने से अधिक धागे के साथ समग्र प्रदर्शन कम हो जाता है। जबकि एचटीएम इ मंदी के कुछ हद तक कम कर देई हई, ई एकरा समाप्त ना करई छलई। उच्च प्रदर्शन प्राप्त करे के लेल एल्गोरिथम अनुकूलन के आवश्यकता होई हई जे एचटीएम अउर फाइन-ग्रैन लॉक के लेल डिजाइन दुनु के लाभान्वित करई हई। हमार प्रदर्शन परिणाम दिखावे ह कि हमार नया हैश टेबल डिज़ाइन---आशावादी कूकू हैशिंग के आसपास आधारित---लेखन-भारी वर्कलोड के लिए अन्य अनुकूलित समवर्ती हैश टेबल के 2.5 गुना तक बेहतर प्रदर्शन कर हई, तब भी जब छोटे कुंजी-मूल्य आइटम के लेल काफी कम मेमोरी के उपयोग कर हई। 16-कोर मशीन पर, हमर हैश टेबल प्रति सेकंड लगभग 40 मिलियन सम्मिलित और 70 मिलियन से अधिक लुकअप संचालन के निष्पादित करो हय। |
5685a394b25fcb27b6ad91f7325f2e60a9892e2a | ग्राफ-जैसे संरचना वाला डेटा के संग्रहीत अउर प्रबंधित करे के लेल पारंपरिक डेटाबेस के सीमा के दूर करे के लेल हाल ही में ग्राफ डेटाबेस (जीडीबी) के जन्म होलई। आज, ऊ सामाजिक नेटवर्क जैसन कई अनुप्रयोग के लिए एक आवश्यकता के प्रतिनिधित्व करो हय जे ग्राफ-जैसे डेटा के प्रबंधन करो हय। अधिकांश तकनीक, जे ग्राफ डेटाबेस में क्वेरी के अनुकूलित करे के लिए लागू होवो हय, के पारंपरिक डेटाबेस, वितरण प्रणाली, ... में उपयोग कियल जा हय या ऊ ग्राफ सिद्धांत से प्रेरित होवो हय। हालांकि, ग्राफ डेटाबेस में उनकर पुनः उपयोग में ग्राफ डेटाबेस के मुख्य विशेषता के ध्यान रखे के चाहि, जैसे कि गतिशील संरचना, अत्यधिक परस्पर जुड़े डेटा, और डेटा संबंधों तक कुशलता से पहुंच के क्षमता। ई पेपर में, हम ग्राफ डेटाबेस में क्वेरी अनुकूलन तकनीक के सर्वेक्षण करई हियई। विशेष रूप से, हम ग्राफ-जैसे डेटा के क्वेरी करे में सुधार के लेल उनकरा द्वारा पेश कैल गेल सुविधा पर ध्यान केंद्रित करई छियई। |
0541d5338adc48276b3b8cd3a141d799e2d40150 | मैपरेड्यूस एगो प्रोग्रामिंग मॉडल अउर संबद्ध कार्यान्वयन हई जे बड़का डेटासेट के संसाधित अउर उत्पन्न करे के लेल हई जे वास्तविक दुनिया के कार्य के एगो विस्तृत विविधता के लेल उत्तरदायी छलई। उपयोगकर्ता मानचित्र और एक कम कार्य के संदर्भ में गणना निर्दिष्ट करो हय, और अंतर्निहित रनटाइम सिस्टम स्वचालित रूप से मशीन के बड़े पैमाने पर समूहों में गणना के समानांतर करो हय, मशीन विफलताओं के संभाल करो हय, और नेटवर्क और डिस्क के कुशल उपयोग करे के लिए इंटर-मशीन संचार के अनुसूची करो हय। प्रोग्रामर के सिस्टम के उपयोग करनाई आसान लगई हई: पिछला चार साल में Google में आंतरिक रूप से दस हजार से अधिक अलग-अलग मैपरेड्यूस प्रोग्राम लागू कैल गेल हई, अउर औसत पर एक लाख मैपरेड्यूस जॉब्स हर दिन Google के क्लस्टर पर निष्पादित कैल जाई हई, जे प्रति दिन कुल बीस से अधिक पेटाबाइट डेटा के प्रोसेस करई छलो। |
683c8f5c60916751bb23f159c86c1f2d4170e43f | |
3a116f2ae10a979c18787245933cb9f984569599 | वायरलेस सेंसर नेटवर्क (डब्ल्यूएसएन) अनुप्रयोग के एक विस्तृत श्रृंखला के लिए एक प्रभावी समाधान के रूप में उभरा है। अधिकांश पारंपरिक डब्ल्यूएसएन आर्किटेक्चर में स्थिर नोड्स होवो हय जे एक संवेदन क्षेत्र पर घनी रूप से तैनात होवो हय। हाल ही में, मोबाइल तत्व (एमई) के आधार पर कई डब्ल्यूएसएन आर्किटेक्चर के प्रस्तावित कैल गेल हई। ओकार अधिकांश WSN में डेटा संग्रह के समस्या के हल करे के लिए गतिशीलता के शोषण करो हय। इ लेख में हम पहले एमई के साथ डब्ल्यूएसएन के परिभाषित करो हय और एमई के भूमिका के आधार पर ओकर वास्तुकला के एक व्यापक वर्गीकरण प्रदान करो हय। फेर हम ऐसन परिदृश्य में डेटा संग्रह प्रक्रिया के एगो सिंहावलोकन प्रस्तुत करई हई, अउर संबंधित मुद्दा अउर चुनौति के पहचान करई हई। ई अंक के आधार पर, हम संबंधित साहित्य के व्यापक सर्वेक्षण प्रदान करई छी। अंत में, हम खुला समस्या और भविष्य के अनुसंधान दिशाओं के संकेत के साथ, अंतर्निहित दृष्टिकोण और समाधानों की तुलना करते हैं। |
e7b50e3f56e21fd2a5eb34923d427a0bc6dd8905 | इ पेपर में माइक्रोवेव फिल्टर के लिए युग्मन मैट्रिक्स के संश्लेषण के लिए एक नया दृष्टिकोण प्रस्तुत कैल गेल हई। नया दृष्टिकोण युग्मन मैट्रिक्स संश्लेषण के लिए मौजूदा प्रत्यक्ष और अनुकूलन विधियों पर एक अग्रिम के प्रतिनिधित्व करई हई, जोनमे से एक से अधिक मौजूद होए पर एक नेटवर्क के लिए सभी संभावित युग्मन मैट्रिक्स समाधान के पूरी तरह से खोज कियल जयतई। इ युग्मन मानों, अनुनाद आवृत्ति ऑफसेट, परजीवी युग्मन सहिष्णुता आदि के सेट के चयन करे के अनुमति देवो हय जे प्रौद्योगिकी के लिए सबसे उपयुक्त होतय जेकरा से एकर उद्देश्य माइक्रोवेव फ़िल्टर के प्राप्त करे के हय। विधि के उपयोग के प्रदर्शन करे के लिए, हाल ही में पेश कियल गेल विस्तारित बॉक्स (ईबी) युग्मन मैट्रिक्स कॉन्फ़िगरेशन के मामला लेल गेल हई। ईबी फिल्टर कॉन्फिगरेशन के एक नया वर्ग के प्रतिनिधित्व करो हय जेकरा मे कई महत्वपूर्ण लाभ हय, जेकरा मे से एक प्रत्येक प्रोटोटाइप फिल्टरिंग फ़ंक्शन के लिए कई युग्मन मैट्रिक्स समाधान के अस्तित्व हय, उदाहरण के लिए 8 डिग्री के मामलों के लिए 16। सिंथेसिस विधि के उपयोग के प्रदर्शित करे के लेल ई मामला के उदाहरण के रूप में लेल गेल हई - एगो समाधान उत्पन्न करनाई जे दो-मोड प्राप्ति के लेल उपयुक्त हई अउर दोसर जहां कुछ युग्मन एतना छोट हई कि उपेक्षा करे के लेल पर्याप्त छलई। इंडेक्स टर्म - युग्मन मैट्रिक्स, फिल्टर संश्लेषण, ग्रॉबनर आधार, उलटा विशेषता, एकाधिक समाधान। |
a6f1dfcc44277d4cfd8507284d994c9283dc3a2f | हम एगो वास्तविक समय के कंप्यूटर प्रणाली विकसित कैले हई जे कोनो विषय के सिर के पता लगा सकई हई अउर ओकर पता लगा सकई हई, अउर फेर व्यक्ति के चेहरा के विशेषता के परिचित व्यक्ति के विशेषता से तुलना करके व्यक्ति के पहचान सकई हई। इ प्रणाली में लेल गेल कम्प्यूटेशनल दृष्टिकोण जीव विज्ञान और सूचना सिद्धांत दोनों द्वारा प्रेरित हई, साथ ही साथ वास्तविक समय के प्रदर्शन अउर सटीकता के व्यावहारिक आवश्यकता से प्रेरित छलई। हमार दृष्टिकोण चेहरा के पहचान के समस्या के तीन-आयामी ज्यामिति के पुनर्प्राप्ति के आवश्यकता के बजाय आंतरिक रूप से द्वि-आयामी (2-डी) पहचान समस्या के रूप में मानो हय, इ तथ्य के लाभ उठाते हुए कि चेहरे आम तौर पर सीधा होवो हय और इ प्रकार के एक छोटा सेट द्वारा वर्णित कियल जा सको हय। सिस्टम चेहरा के छवि के एगो विशेषता स्थान पर प्रोजेक्ट करके काम करई हई जे ज्ञात चेहरा के छवि के बीच महत्वपूर्ण भिन्नता के कवर करई हई। महत्वपूर्ण विशेषता के "स्वयं-चेहरा" के रूप में जानल जा हय, काहेकी ऊ चेहरा के सेट के स्वयंसिद्ध (मुख्य घटक) हय; ऊ जरूरी नए कि आंख, कान और नाक जैसन विशेषता के अनुरूप हो। प्रोजेक्शन ऑपरेशन एगो व्यक्तिगत चेहरा के एगो भारित योग द्वारा विशेषता होई हई जे स्वयं के चेहरा के विशेषता होई हई, अउर येई प्रकार एगो विशेष चेहरा के पहचान करे के लेल ई आवश्यक हई कि येई वजन के ज्ञात व्यक्ति के वजन से तुलना कैल जाए। हमर दृष्टिकोण के कुछ विशेष लाभ ई हई कि ई अनसुनी ढंग से नया चेहरा के सीखे अउर बाद में पहचानने के क्षमता प्रदान करई हई, अउर ई कि तंत्रिका नेटवर्क आर्किटेक्चर के उपयोग करके लागू करना आसान हई। |
b217788dd6d274ad391ee950e6f6a34033bd2fc7 | बहुपरत पर्सेप्ट्रॉन, जब बैकप्रोपेगशन के उपयोग करके एक वर्गीकरणकर्ता के रूप में प्रशिक्षित कैल जा हय, तओ बेज़ इष्टतम भेदभावपूर्ण फ़ंक्शन के अनुमान लगावे के लिए दिखाला जा हय। परिणाम दो-वर्ग समस्या अउर एकाधिक वर्ग दुनु के लेल प्रदर्शित कैल गेल हई। ई देखाएल गेल हई कि बहुपरत परपीट्रॉन के आउटपुट प्रशिक्षण देल जाए वाला वर्ग के उत्तरार्द्ध संभावना फलन के अनुमान लगाबई हई। प्रमाण किसी भी संख्या में परतों और किसी भी प्रकार के इकाई सक्रियण फ़ंक्शन, रैखिक या गैर-रैखिक पर लागू होता है। |
647cb3825baecb6fab8b098166d5a446f7711f9b | हाल के वर्षों में, गहरे जनरेटिव मॉडल के "कल्पना" के रूप में दिखाएल गेल हई, जे कि छवि, ऑडियो अउर ईहां तक कि वीडियो जैसन उच्च-आयामी अवलोकन के विश्वास दिलाबई हई, जे सीधे कच्चे डेटा से सीखई हई। इ काम में, हम पूछो हय कि लक्ष्य-निर्देशित दृश्य योजना के कल्पना कैसे कैल जा हय - अवलोकन के एक प्रशंसनीय अनुक्रम जे एक गतिशील प्रणाली के एकर वर्तमान विन्यास से वांछित लक्ष्य स्थिति में संक्रमण करो हय, जेकर उपयोग बाद में नियंत्रण के लिए एक संदर्भ प्रक्षेपवक्र के रूप में कियल जा सको हय। हम उच्च-आयामी अवलोकन वाला प्रणालि पर ध्यान केंद्रित करई हई, जैसे कि छवि, अउर एगो दृष्टिकोण प्रस्तावित करई हई जे स्वाभाविक रूप से प्रतिनिधित्व सीखना अउर योजना के संयोजन करई हई। हमर ढांचा क्रमिक अवलोकन के एक उत्पादक मॉडल के सीखई हई, जहां उत्पादक प्रक्रिया के एगो निम्न-आयामी योजना मॉडल में संक्रमण, अउर एगो अतिरिक्त शोर द्वारा प्रेरित कैल जाई हई। उत्पन्न अवलोकन अउर योजना मॉडल में संक्रमण के बीच पारस्परिक जानकारी के अधिकतम बनाके, हम एगो निम्न-आयामी प्रतिनिधित्व प्राप्त करई हई जे डेटा के कारण प्रकृति के सबसे अच्छा व्याख्या करई हई। हम योजना मॉडल के संरचना कुशल योजना एल्गोरिदम के साथ संगत होवे के लिए करो हय, और हम या तो असतत या निरंतर राज्यों के आधार पर ऐसन कई मॉडल के प्रस्ताव करो हय। अंत में, एगो दृश्य योजना उत्पन्न करे के लेल, हम वर्तमान अउर लक्ष्य अवलोकन के उनकर संबंधित राज्य पर नियोजन मॉडल में प्रोजेक्ट करई हई, एगो प्रक्षेपवक्र के योजना बनाबई हई, अउर फेर प्रक्षेपवक्र के अवलोकन के एगो अनुक्रम में बदले के लेल जनरेटिव मॉडल के उपयोग करई छियई। हम रस्सी के हेरफेर के प्रशंसनीय दृश्य योजना के कल्पना करे पर अपन विधि के प्रदर्शन करई हई। |
a63b97291149bfed416aa9e56a21314069540a7b | ध्यान-घाटा/अतिसक्रियता विकार (एडीएचडी) वाला बच्चा अउर किशोर में कामकाजी स्मृति (डब्ल्यूएम) प्रक्रिया में कमी के लेल अनुभवजन्य साक्ष्य निर्धारित करे के लेल। विधि एडीएचडी वाला बच्चा में डब्ल्यूएम विकार के प्रदर्शन करे के जांच करे के लेल खोजपूर्ण मेटा-विश्लेषणात्मक प्रक्रिया के उपयोग कैल गेल रहई। 1997 से दिसंबर, 2003 तक प्रकाशित छब्बीस अनुभवजन्य अनुसंधान अध्ययन (पिछले समीक्षा के बाद) हमर समावेश मानदंड के पूरा कैलकय। डब्ल्यूएम उपाय के मोडल (मौखिक, स्थानिक) और आवश्यक प्रसंस्करण के प्रकार (भंडारण बनाम भंडारण/संशोधन) के अनुसार वर्गीकृत कियल गलय हल। परिणाम एडीएचडी वाला बच्चा में डब्ल्यूएम के कैगो घटक में कमी प्रदर्शित कैल गेल रहई जे भाषा सीखने के विकार अउर सामान्य बौद्धिक क्षमता में कमजोरता के जौरे सह-रोग से स्वतंत्र रहई। स्थानिक भंडारण (प्रभाव आकार = 0. 85, आईसी = 0. 62 - 1.08) और स्थानिक केंद्रीय कार्यकारी डब्ल्यूएम (प्रभाव आकार = 1. 06, आत्मविश्वास अंतराल = 0. 72-1.39) के लिए समग्र प्रभाव आकार मौखिक भंडारण (प्रभाव आकार = 0. 47, आत्मविश्वास अंतराल = 0. 36- 0. 59) और मौखिक केंद्रीय कार्यकारी डब्ल्यूएम (प्रभाव आकार = 0. 43, आत्मविश्वास अंतराल = 0. 24- 0. 62) के लिए प्राप्त उन लोगों से बड़ा हलय। निष्कर्ष एडीएचडी वाला बच्चा में डब्ल्यूएम विकार के साक्ष्य एडीएचडी में डब्ल्यूएम प्रक्रिया के शामिल करे वाला हालिया सैद्धांतिक मॉडल के समर्थन करो हय। एडीएचडी के विकार के प्रकृति, गंभीरता आउर विशिष्टता के अधिक स्पष्ट रूप से परिभाषित करे के लेल भविष्य के शोध के आवश्यकता छलई। |
49e77b981a0813460e2da2760ff72c522ae49871 | डीप लर्निंग विभिन्न मशीन लर्निंग कार्य पर अन्य दृष्टिकोण के बेहतर प्रदर्शन करे के लिए बड़े डेटासेट और कम्प्यूटेशनल रूप से कुशल प्रशिक्षण एल्गोरिदम के लाभ उठावो हय। हालांकि, गहरे तंत्रिका नेटवर्क के प्रशिक्षण चरण में खामियां ओकरा विरोधी नमूना के लेल कमजोर बनाबई हई: विरोधी द्वारा गहरे तंत्रिका नेटवर्क के गलत वर्गीकरण करे के इरादा से तैयार कैल गेल इनपुट। इ काम में, हम डीप न्यूरल नेटवर्क (डीएनएन) के खिलाफ विरोधियों के स्थान के औपचारिक रूप दे हियई अउर डीएनएन के इनपुट अउर आउटपुट के बीच मानचित्रण के सटीक समझ के आधार पर विरोधात्मक नमूना के शिल्प के लेल एल्गोरिदम के एगो नया वर्ग के परिचय दे हियई। कंप्यूटर विजन के एगो अनुप्रयोग में, हम देखई हई कि हमार एल्गोरिदम मानव विषय द्वारा सही ढंग से वर्गीकृत नमूना के विश्वसनीय रूप से उत्पादन कर सकई हई लेकिन डीएनएन द्वारा विशिष्ट लक्ष्य में गलत वर्गीकृत 97% प्रतिद्वंद्वी सफलता दर के जौरे जबकि प्रति नमूना केवल 4.02 प्रतिशत इनपुट सुविधा के औसत में संशोधित करई हई। फेर हम कठोरता माप के परिभाषित करके विपरीत व्यथा के लेल विभिन्न नमूना वर्ग के कमजोरता के मूल्यांकन करई हई। अंत में, हम एक सौम्य इनपुट और एक लक्ष्य वर्गीकरण के बीच दूरी के एक भविष्य कहनेवाला उपाय के परिभाषित करके प्रतिकूल नमूने के खिलाफ बचाव के रूपरेखा तैयार करे वाला प्रारंभिक कार्य के वर्णन करई हई। |
3f52f57dcfdd1bb0514ff744f4fdaa986a325591 | एप्पल के मैकबुक फर्मवेयर सुरक्षा में कई खामियां हय जे इन लैपटॉप के एसपीआई फ्लैश बूट रोम में अविश्वसनीय संशोधन लिखे के अनुमति देवो हय। ई क्षमता लोकप्रिय एप्पल मैकबुक उत्पाद लाइन के लेल लगातार फर्मवेयर रूटकिट, चाहे बूटकिट के एगो नया वर्ग के प्रतिनिधित्व करई हई। चुपके बूटकिट खुद के पता लगावे से छिपा सको हय और ओकरा हटावे के सॉफ्टवेयर प्रयास के रोक सको हय। बूट ROM में दुर्भावनापूर्ण संशोधन ऑपरेटिंग सिस्टम के पुनः स्थापना और यहां तक कि हार्ड ड्राइव प्रतिस्थापन के भी जीवित रहे में सक्षम हय। एकरा अलावा, मैलवेयर अन्य थंडरबोल्ट डिवाइस के विकल्प ROM में अपन स्वयं के एक प्रति स्थापित कर सकई हई ताकि वायु-अंतर सुरक्षा परिधि के पार वायरल रूप से फैल सकई। ऐप्पल ने सीवीई 2014-4498 के हिस्सा के रूप में इ खामियों में से कुछ के ठीक कर दलकय हा, लेकिन इस वर्ग के भेद्यता के लिए कोई आसान समाधान नय हय, काहेकी मैकबुक में बूट समय पर फर्मवेयर के क्रिप्टोग्राफिक सत्यापन करे के लिए विश्वसनीय हार्डवेयर के कमी हय। |
3b3acbf7cc2ec806e4177eac286a2ee22f6f7630 | ई पेपर अल्ट्रा-ब्रॉडबैंड डिजिटल-टू-एनालॉग (डी/ए) रूपांतरण उपप्रणालियों के लिए 110-जीएचजेड से अधिक बैंडविड्थ 2:1 एनालॉग मल्टीप्लेक्सर (एएमयूएक्स) प्रस्तुत करई हई। एएमयूएक्स के नया विकसित $\pmb{0.25-\mu \mathrm{m}}$ -इमिटर-चौड़ाई इनपी डबल हेटरोजंक्शन द्विध्रुवीय ट्रांजिस्टर (डीएचबीटी) के उपयोग करके डिज़ाइन और निर्मित कियल गलय हल, जेकर शिखर क्रमशः 460 और 480 गीगाहर्ट्ज हय। एएमयूएक्स आईसी में डेटा-इनपुट रैखिक बफर, एक घड़ी-इनपुट सीमित बफर, एक एएमयूएक्स कोर और एक आउटपुट रैखिक बफर सहित लम्पड बिल्डिंग ब्लॉक्स शामिल हय। डेटा और क्लॉक पथों के लिए मापा गेल 3-डीबी बैंडविड्थ दोनों 110 गीगाहर्ट्ज से अधिक है। एकर अलावा, ई 180 GS/s तक के समय-डोमेन के बड़-संकेत नमूनाकरण संचालन के मापई अउर प्राप्त करई हई। इ AMUX के उपयोग करके 224-Gb/s (112-GBaud) चार-स्तरीय पल्स-एम्प्लीटुड मॉड्यूलेशन (PAM4) सिग्नल के सफलतापूर्वक उत्पन्न कैल गेलय हल। हमर ज्ञान के सबसे अच्छा के अनुसार, इ AMUX IC में सबसे व्यापक बैंडविड्थ हय और अन्य पहले से रिपोर्ट कैल गेलय AMUX के तुलना में सबसे तेज़ नमूना दर हय। |
4dd7721248c5489e25f46f7ab78c7d0229a596d4 | ई पेपर एगो पूर्ण एकीकृत आरएफ ऊर्जा-कटाई प्रणाली के परिचय देई हई। सिस्टम एक साथ बाहरी डीसी लोड द्वारा मांगल गेल वर्तमान के वितरित कर सकई हई अउर अतिरिक्त आउटपुट पावर के अवधि के दौरान बाहरी कैपेसिटर में अतिरिक्त ऊर्जा के संग्रहीत कर सकई हई। डिजाइन 0.18- $\mu \text{m}$ सीएमओएस प्रौद्योगिकी में निर्मित हय, और सक्रिय चिप क्षेत्र 1.08 मिमी2 हय। प्रस्तावित स्व-स्टार्टअप प्रणाली एक एकीकृत एलसी मिलान नेटवर्क, एक आरएफ रेक्टिफायर, और एक पावर मैनेजमेंट / नियंत्रक इकाई के साथ पुनः विन्यास योग्य हय, जे 66-157 एनडब्ल्यू के खपत करो हय। आवश्यक घड़ी उत्पादन और वोल्टेज संदर्भ सर्किट एक ही चिप पर एकीकृत हय। ड्यूटी साइकिल नियंत्रण के उपयोग कम इनपुट पावर के लेल काम करे के लेल कैल जाई हई जे मांग कैल गेल आउटपुट पावर प्रदान ना कर सकई छलई। एकर अलावा, उपलब्ध आउटपुट पावर के दक्षता बढ़ावे के लेल आरएफ रेक्टिफायर के चरण के संख्या के पुनः कॉन्फ़िगर कैल जा सकई हई। उच्च उपलब्ध शक्ति के लिए, एक बाहरी ऊर्जा भंडारण तत्व को चार्ज करने के लिए एक माध्यमिक पथ सक्रिय होवो हय। मापा गेल आरएफ इनपुट पावर संवेदनशीलता 1-वी डीसी आउटपुट पर -14.8 डीबीएम हई। |
7314be5cd836c8f06bd1ecab565b00b65259eac6 | एल्गोरिदम के एक सूट के सर्वेक्षण जे बड़े दस्तावेज़ संग्रह के प्रबंधन के लिए एक समाधान प्रदान करो हय। |
f0eace9bfe72c2449f76461ad97c4042d2a7141b | इ पत्र में, डब्ल्यू-बैंड पर एक उपन्यास एंटीना-इन-पैक (एआईपी) तकनीक के प्रस्ताव दिहल गेलय हय। इ तकनीक के विशेष मामला के हल करे के लिए प्रस्तुत कैल गेलय हय कि धातु के पैकेज के उपयोग उच्च यांत्रिक शक्ति के समायोजित करे के लिए कैल जाए के चाहि। बहुपरत कम तापमान सह-उत्पादित सिरेमिक (एलटीसीसी) तकनीक के लाभ उठाके, एंटीना के विकिरण दक्षता के बनाए रखल जा सको हय। इस बीच, उच्च यांत्रिक शक्ति और परिरक्षण प्रदर्शन प्राप्त कैल जा हय। एआईपी के एक प्रोटोटाइप तैयार कियल गलय हा। प्रोटोटाइप एकीकृत LTCC एंटीना, कम-हानि वाला फीडर, और एक कॉनियर हॉर्न एपर्चर के साथ धातु के पैकेज के गठन करो हय। ई एलटीसीसी फीडर के लेमिनेटेड वेव गाइड (एलडब्ल्यूजी) द्वारा महसूस कैल गेल हई। एलटीसीसी में दफनल गेल एक एलडब्ल्यूजी गुहा के उपयोग एंटीना प्रतिबाधा बैंडविड्थ के विस्तार करे के लेल कैल जाई हई। इलेक्ट्रॉनिक (ईएम) सिमुलेशन और एंटीना प्रदर्शन के माप रुचि के संपूर्ण आवृत्ति सीमा पर अच्छी तरह से सहमत हय। प्रस्तावित प्रोटोटाइप 88 से 98 गीगाहर्ट्ज के बीच 10 गीगाहर्ट्ज के -10-डीबी प्रतिबाधा बैंडविड्थ अउर 89 गीगाहर्ट्ज पर 12.3 डीबीआई के शिखर लाभ प्राप्त करई हई। |
2077d0f30507d51a0d3bbec4957d55e817d66a59 | हम सामान्य, अभिव्यंजक छवि पूर्वकाल के सीखे के लेल एगो ढांचा विकसित करई हई जे प्राकृतिक दृश्य के आंकड़ा के कैप्चर करई हई अउर विभिन्न प्रकार के मशीन विजन कार्य के लेल उपयोग कैल जा सकई हई। ई दृष्टिकोण विस्तारित पिक्सेल पड़ोस में संभावित फलन के सीखकर पारंपरिक मार्कोव यादृच्छिक क्षेत्र (एमआरएफ) मॉडल के विस्तार करो हय। क्षेत्र के क्षमता के उत्पाद-विशेषज्ञ ढांचे के उपयोग करके मॉडलिंग कैल जा हय जे कई रैखिक फ़िल्टर प्रतिक्रिया के गैर-रैखिक कार्यों के शोषण करो हय। पिछला एमआरएफ दृष्टिकोण के विपरीत, सभे पैरामीटर, स्वयं रैखिक फ़िल्टर सहित, प्रशिक्षण डेटा से सीखल जाई छलई। हम इ फील्ड ऑफ एक्सपर्ट्स मॉडल के क्षमता के दो उदाहरण अनुप्रयोगों, छवि डेनोइजिंग और छवि इनपेंटिंग के साथ प्रदर्शित करते हैं, जेकरा एक सरल, अनुमानित अनुमान योजना के उपयोग करके लागू कैल जा हय। जबकि मॉडल के एक सामान्य छवि डेटाबेस पर प्रशिक्षित कियल जा हय और एक विशिष्ट अनुप्रयोग के लिए ट्यून नए कियल जा हय, हम परिणाम प्राप्त करो हय जे विशेष तकनीकों के साथ प्रतिस्पर्धा करो हय और यहां तक कि बेहतर करो हय। |
214658334c581f0d18b9a871928e91b6e4f83be7 | ई विचार स्विच कैल गेल कैपेसिटर टोपोलॉजी के समान हई जोनमे वोल्टेज के संतुलित करे के लेल बैटरी के कोशिका में एक संधारित्र चाहे संधारित्र बैंक के स्विच कैल जाई हई। चूंकि एक बुनियादी बैटरी सेल मॉडल में सेल के संधारित्र प्रभाव के कारण क्षमता शामिल हय, इ संधारित्र प्रभाव के सेल संतुलन में उपयोग कियल जा सको हय। इ प्रकार स्विच कैल गेल कैपेसिटर टोपोलॉजी में इक्वेलाइज़र कैपेसिटर के समाप्त कैल जा सकई हई अउर बैटरी के कोशिका के एक दूसर के जौरे स्विच कैल जा सकई हई। ई तेजी से ऊर्जा हस्तांतरण के अनुमति देई हई अउर येहिलेल तेजी से समरूपता के परिणाम छलई। प्रस्तावित टोपोलॉजी कैपेसिटर जैसे अतिरिक्त ऊर्जा भंडारण तत्व के आवश्यकता के हटा देवो हय जे अक्सर पावर इलेक्ट्रॉनिक सर्किट में विफल हो जा हय, अतिरिक्त ऊर्जा भंडारण तत्व द्वारा डाले गेलय नुकसान और सर्किट के लागत और मात्रा के कम करो हय और नियंत्रण एल्गोरिथ्म के सरल करो हय। प्रस्तावित संतुलन सर्किट के अनुप्रयोग आवश्यकता के अनुसार लागू कैल जा सको हय। प्रस्तावित टोपोलॉजी के मैटलैब/सिमलिंक वातावरण में अनुकरण कैल गेल हई अउर स्विच कैल गेल कैपेसिटर टोपोलॉजी के तुलना में संतुलन गति के संदर्भ में बेहतर परिणाम देखाएल गेल हई। बैटरी के जीवन चक्र के विस्तार करे और बैटरी से अधिकतम शक्ति निकाले के लेल सेल संतुलन सर्किट महत्वपूर्ण छलई। बैटरी पैकेज में सेल संतुलन के लेल बहुत शक्ति इलेक्ट्रॉनिक्स टोपोलॉजी के कोशिश कैल गेल हई। सक्रिय सेल संतुलन टोपोलॉजी उच्च प्रदर्शन वाला कोशिका से ऊर्जा के स्थानांतरित कर देवो हय, जे कम प्रदर्शन वाला कोशिका में इंडक्टर-कैपेसिटर या ट्रांसफार्मर-कैपेसिटर या स्विचड कैपेसिटर या स्विचड इंडक्टर जैसे ऊर्जा भंडारण तत्व के उपयोग करके बैटरी के कोशिका में वोल्टेज के संतुलन बनावे के लिए ऊर्जा स्थानांतरित करो हय। इ अध्ययन में कोनो भी ऊर्जा भंडारण तत्व के उपयोग के बिना एक सक्रिय संतुलन टोपोलॉजी के प्रस्ताव दिहल गेलय हय। |
0c04909ed933469246defcf9aca2b71ae8e3f623 | इ पुस्तक के दोसर संस्करण में प्रमुख परिवर्तन संभाव्यता पुनर्प्राप्ति पर एक नया अध्याय के जोड़ाला गेलय हय। ई अध्याय शामिल कैल गेल हई काहेकी हमरा लगई हई कि ई सूचना पुनर्प्राप्ति में अनुसंधान के सबसे दिलचस्प अउर सक्रिय क्षेत्र में से एगो छलई। अभीयो बहुत सारा समस्या के समाधान होवे के बाकी हइ, ई लिए हमरा आशा हइ कि ई विशेष अध्याय ऊ लोग के कुछ मदद करतइ, जे ई क्षेत्र में ज्ञान के स्थिति के आगे बढ़ावे चाहऽ हइ। अन्य सभी अध्यायों के कवर कैल गेल विषयों पर कुछ अधिक हालिया कार्य के शामिल करके अद्यतन कैल गेल हय। ई नया संस्करण तैयार करे में हमरा ब्रूस क्रॉफ्ट के साथ चर्चा से लाभ मिललई। ई पुस्तक के सामग्री उन्नत स्नातक सूचना (या कंप्यूटर) विज्ञान के छात्रों, स्नातकोत्तर पुस्तकालय विज्ञान के छात्रों और आईआर के क्षेत्र में शोध कार्यकर्ताओं के लक्षित हई। कुछ अध्याय, विशेष रूप से अध्याय 6 *, थोड़ा उन्नत गणित के सरल उपयोग करो हय। हालांकि, आवश्यक गणितीय उपकरण के अब कई गणितीय ग्रंथ से आसानी से महारत हासिल कैल जा सकई हई जे अब मौजूद छलई अउर, कोनो मामला में, संदर्भ देल गेल हई जहां गणित हो सकई हई। हमरा संदर्भ के घनत्व के साथ स्पष्टता के संतुलन के समस्या के सामना करे पड़लय। हम ढेर सारा संदर्भ देवे के प्रलोभन में पड़ गेलिए हल, लेकिन डर लगऽ हलइ कि ऊ पाठ के निरंतरता के नष्ट कर देतइ । हम मध्य मार्ग पर चलए के कोशिश कैले हई अउर सूचना विज्ञान अउर प्रौद्योगिकी के वार्षिक समीक्षा के जौरे प्रतिस्पर्धा न करे के। आम तौर पर कोय के केवल ओई कार्य के उद्धृत करे के लेल प्रोत्साहित कैल जाई हई जे कोनो आसानी से सुलभ रूप में प्रकाशित होल हई, जैसे कि एगो पुस्तक चाहे पत्रिका। दुर्भाग्य से, IR में अधिकांश दिलचस्प काम तकनीकी रिपोर्ट और पीएचडी थीसिस में निहित हय। उदाहरण के लेल, कॉर्नेल में SMART प्रणाली पर कैल गेल अधिकांश काम केवल रिपोर्ट में उपलब्ध छलई। सौभाग्य से एकरा में से कैगो अब राष्ट्रीय तकनीकी सूचना सेवा (यू.एस.) अउर विश्वविद्यालय माइक्रोफिल्म्स (यू.के.) के माध्यम से उपलब्ध हई। हम येई स्रोत के उपयोग करे से ना रोकलई ह, हालांकि यदि ऊहे सामग्री कोनो दोसर रूप में अधिक आसानी से सुलभ हई, त हम एकरा प्राथमिकता देलई ह। हम अपन बड़गो ऋण के स्वीकार करे लगी चाहऽ हिअइ, जे हमरा बहुत लोग आउ संस्थान से मिलले ह, जे हमरा सहायता कइलके ह । हम पहिलहीं कह दे हिअइ कि ई पुस्तक में लिखल विचार में से बहुत कुछ के जिम्मेवार ऊ लोग हइ, लेकिन एकरा में जिम्मेवार खाली हमहीं हो सकऽ हिअइ । हमर सबसे बड़ ऋणी करेन स्पार्क जोन्स हई जे हमरा सूचना पुनर्प्राप्ति के प्रयोगात्मक विज्ञान के रूप में शोध करे के सिखालई। निक जार्डिन औ रॉबिन ... |
3cfbb77e5a0e24772cfdb2eb3d4f35dead54b118 | संदर्भ-पूर्वानुमान मॉडल (जेकरा आमतौर पर एम्बेडिंग या तंत्रिका भाषा मॉडल के रूप में जानल जाई हई) वितरण अर्थशास्त्र ब्लॉक पर नया बच्चा हई। येई मॉडल के आसपास के चर्चा के बावजूद, साहित्य में अभीयो क्लासिक, गिनती-वेक्टर-आधारित वितरण अर्थ संबंधी दृष्टिकोण के जौरे भविष्य कहनेवाला मॉडल के व्यवस्थित तुलना के कमी छलो। इ पत्र में, हम शब्दकोश अर्थशास्त्र कार्यों के एक विस्तृत श्रृंखला पर और कई पैरामीटर सेटिंग्स में, इ तरह के एक व्यापक मूल्यांकन करते हैं। परिणाम, हमर आश्चर्य के लिए, इ दिखावो हय कि चर्चा पूरी तरह से उचित हय, काहेकी संदर्भ-पूर्वानुमान मॉडल अपन गणना-आधारित समकक्षों के खिलाफ एक पूर्ण और resounding जीत प्राप्त करो हय। |
9ec20b90593695e0f5a343dade71eace4a5145de | 1 छात्र, डिपार्टमेंट। कंप्यूटर इंजीनियरिंग, VESIT, महाराष्ट्र, भारत के संक्षिप्त डीप लर्निंग मशीन लर्निंग में अनुसंधान के एक नए क्षेत्र के रूप में अस्तित्व में आया है। एकर उद्देश्य मानव मस्तिष्क के तरह काम करनाई हई, जोनमे जटिल डेटा से सीखके आउर संसाधित करे के क्षमता होई हई अउर जटिल कार्य के हल करे के भी प्रयास होई हई। ई क्षमता के कारण एकर उपयोग विभिन्न क्षेत्र में कैल जा हय जैसे कि पाठ, ध्वनि, छवि आदि। प्राकृतिक भाषा प्रक्रिया गहरी शिक्षा तकनीक से प्रभावित होवे लगले हे। ई शोध पत्र प्राकृतिक भाषा प्रसंस्करण में डीप लर्निंग के हालिया विकास और अनुप्रयोग के उजागर करई हई। |
cc13fde0a91f4d618e6af66b49690702906316ae | हाल के वर्ष में क्लाउड कंप्यूटिंग और बड़े डेटा युग के विकास के गवाह बनल हई, जे पारंपरिक निर्णय पेड़ एल्गोरिदम के लेल चुनौती पेश करई हई। सबसे पहले, चूंकि डेटासेट का आकार बेहद बड़ा हो जाता है, इसलिए निर्णय पेड़ के निर्माण की प्रक्रिया काफी समय लेने वाली हो सकती है। दोसर, काहेकी डेटा अब मेमोरी में फिट ना हो सकई हई, कुछ गणना के बाहरी भंडारण में स्थानांतरित कैल जाए के चाहि अउर येहिलेल आई / ओ लागत में वृद्धि होई हई। एकरा लेल, हम मैपरेड्यूस प्रोग्रामिंग मॉडल के उपयोग कैके एक विशिष्ट निर्णय वृक्ष एल्गोरिथ्म, सी 4.5 के लागू करे के प्रस्ताव रखई हई। विशेष रूप से, हम पारंपरिक एल्गोरिथ्म के मानचित्रण अउर घटावे के प्रक्रिया के एगो श्रृंखला में बदल देई छियई। एकरा अलावा, हम संचार लागत के कम करे के लेल कुछ डेटा संरचना के डिजाइन करई छियई। हम बड़का डेटा सेट पर व्यापक प्रयोगो कर हई। परिणाम इंगित करो हय कि हमर एल्गोरिथ्म समय दक्षता और स्केलेबिलिटी दोनों के प्रदर्शन करो हय। |
d73a71fa24b582accb934a9c2308567376ff396d | 3डी जियो-डेटाबेस अनुसंधान 3डी शहरी नियोजन, पर्यावरण निगरानी, बुनियादी ढांचा प्रबंधन, और प्रारंभिक चेतावनी या आपदा प्रबंधन और प्रतिक्रिया जैसे चुनौतीपूर्ण अनुप्रयोगों के समर्थन के लिए एक आशाजनक क्षेत्र है। येई क्षेत्र में, मानव गतिविधि अउर भूभौतिकीय घटना के वर्णन करे वाला बड़का भू-संदर्भित डेटा सेट के मॉडलिंग, विश्लेषण, प्रबंधन अउर एकीकरण के समर्थन करे के लेल जीआईएस विज्ञान अउर संबंधित क्षेत्र में अंतःविषय अनुसंधान के आवश्यकता छलई। भू-डेटाबेस 2 डी मानचित्र, 3 डी भू-वैज्ञानिक मॉडल, और अन्य भू-संदर्भित डेटा के एकीकृत करे के लिए प्लेटफार्म के रूप में कार्य कर सको हय। हालांकि, वर्तमान भू-डेटाबेस पर्याप्त 3 डी डेटा मॉडलिंग अउर डेटा हैंडलिंग तकनीक प्रदान ना करई छलई। सतह और आयतन मॉडल के संभाल करे के लिए नया 3 डी भू-डेटाबेस के आवश्यकता हय। ई लेख सबसे पहिले भू-डेटाबेस अनुसंधान के 25 साल के पूर्वव्यापी प्रस्तुत करई हई। डेटा मॉडलिंग, मानकों और भू-डेटा के अनुक्रमण पर विस्तार से चर्चा कैल गेल हई। अंतःविषय अनुसंधान के लेल नया क्षेत्र के खोले के लेल 3 डी भू-डेटाबेस के विकास के लेल नया दिशा के संबोधित कैल गेल हई। प्रारंभिक चेतावनी और आपातकालीन प्रतिक्रिया के क्षेत्र में दो परिदृश्य मानव और भूभौतिकीय घटना के संयुक्त प्रबंधन के प्रदर्शित करो हय। लेख खुला अनुसंधान समस्या पर एक महत्वपूर्ण दृष्टिकोण के साथ समाप्त होवो हय। & 2011 एल्सेवियर लिमिटेड. सब अधिकार सुरक्षित. |
dce7a0550b4d63f6fe2e6908073ce0ce63626b0c | जैसे ही हम रोबोटिक्स और कृत्रिम बुद्धिमत्ता में स्वचालन के रास्ता पर चलई हई, हमरा अपन उपकरण के हमरा से स्वतंत्र रूप से संचालन करे के लेल नैतिक निर्णय लेवे के बढ़ैत मात्रा के स्वचालित करे के आवश्यकता होतई। लेकिन नैतिक निर्णय लेवे के स्वचालित करे से इंजीनियर और डिजाइनर के लेल नया सवाल उठई हई, जेकरा ई निर्णय लेवे के होतई कि उ कार्य के कैसे पूरा कैल जाए। उदाहरण के लेल, कुछ नैतिक निर्णय लेबे में कठिन नैतिक मामला शामिल हई, जे बदला में उपयोगकर्ता के इनपुट के आवश्यकता होई हई अगर हम स्वायत्तता अउर सूचित सहमति के आसपास स्थापित मानदंड के सम्मान करे के हई। लेखक इ और अन्य नैतिक विचार पर विचार करो हय जे नैतिक निर्णय लेवे के स्वचालन के साथे हय। ऊ कुछ सामान्य नैतिक आवश्यकता के प्रस्ताव करो हय जेकरा डिजाइन कक्ष में ध्यान में रखल जाए के चाहि, और एक डिजाइन उपकरण के स्केच करो हय जेकरा इंजीनियरों, डिजाइनरों, नैतिकताविदों और नीति निर्माताओं के इ तय करे में मदद करे के लिए डिजाइन प्रक्रिया में एकीकृत कियल जा सको हय कि नैतिक निर्णय लेवे के कुछ रूप के कैसे स्वचालित कियल जा सको हय। |
ab19cbea5c61536b616cfa7654cf01bf0621b83f | |
102153467f27d43dd1db8a973846d3ac10ffdc3c | स्वास्थ्य सेवा इंटरनेट ऑफ थिंग्स (आईओटी) प्रौद्योगिकी के सबसे तेजी से विस्तारित अनुप्रयोग क्षेत्र में से एगो हकय। आईओटी उपकरण के उपयोग कार्डियोवैस्कुलर रोग (सीवीडी) जैसन पुरानी बीमारी वाला मरीज के दूरस्थ स्वास्थ्य निगरानी के सक्षम करे के लेल कैल जा सकई छलई। इ पत्र में हम दिल के धड़कन के निदान के लेल ईसीजी विश्लेषण अउर वर्गीकरण के लेल एगो एल्गोरिथ्म विकसित करई हई, अउर एकरा आईओटी-आधारित एम्बेडेड प्लेटफॉर्म पर लागू करई हई। ई एल्गोरिथ्म एगो पहनल जाए वाला ईसीजी डायग्नोस्टिक उपकरण के लेल हमर प्रस्ताव हई, जे रोगी के 24 घंटा के निरंतर निगरानी के लेल उपयुक्त छलई। ईसीजी विश्लेषण के लिए हम डिस्क्रीट वेवलेट ट्रांसफॉर्म (डीडब्ल्यूटी) और एक समर्थन वेक्टर मशीन (एसवीएम) वर्गीकरणकर्ता का उपयोग करते हैं। आकार 18 के विशेषता वेक्टर और 2493 समर्थन वेक्टर के लिए प्राप्त सर्वोत्तम वर्गीकरण सटीकता 98.9% हय। गैलीलियो बोर्ड पर एल्गोरिथ्म के विभिन्न कार्यान्वयन, इ प्रदर्शित करे में मदद करो हय कि गणना लागत ऐसन हय कि ईसीजी विश्लेषण और वर्गीकरण वास्तविक समय में कैल जा सको हय। |
44159c85dec6df7a257cbe697bfc854ecb1ebb0b | राष्ट्रीय स्वास्थ्य संस्थान के राष्ट्रीय अनुसंधान संसाधन केंद्र के तत्वावधान में बनायल गेल जटिल शारीरिक संकेत के लेल नया रूप से उद्घाटन कैल गेल अनुसंधान संसाधन के उद्देश्य कार्डियोवैस्कुलर अउर दोसर जटिल जैव चिकित्सा संकेत के अध्ययन में वर्तमान शोध अउर नया जांच के प्रोत्साहित करनाई हई। संसाधन में 3 परस्पर निर्भर घटक हय। फिजियोबैंक जैव चिकित्सा अनुसंधान समुदाय द्वारा उपयोग के लिए शारीरिक संकेत और संबंधित डेटा के अच्छी तरह से वर्णित डिजिटल रिकॉर्डिंग के एक बड़ा और बढ़ता संग्रह हय। वर्तमान में एकरा मे स्वस्थ विषय से अउर जीवन के लेल खतरा वाला अरिथमिया, संक्रामक हृदय विफलता, नींद के एपेनिया, न्यूरोलॉजिकल विकार अउर बुढ़ापा सहित प्रमुख सार्वजनिक स्वास्थ्य प्रभाव वाला विभिन्न स्थिति वाला मरीज से बहु-पैरामीटर कार्डियोपल्मोनरी, तंत्रिका अउर दोसर जैव चिकित्सा संकेत के डेटाबेस शामिल छलई। फिजियोटूलकिट शारीरिक संकेत प्रसंस्करण और विश्लेषण के लिए ओपन-सोर्स सॉफ्टवेयर के एक पुस्तकालय हय, सांख्यिकीय भौतिकी और गैर-रैखिक गतिशीलता के आधार पर शास्त्रीय तकनीकों और उपन्यास विधियों दोनों के उपयोग करके शारीरिक रूप से महत्वपूर्ण घटना के पता लगावे के लिए, संकेतों के इंटरैक्टिव प्रदर्शन और लक्षणीकरण, नया डेटाबेस के निर्माण, शारीरिक और अन्य संकेतों के सिमुलेशन, विश्लेषण विधियों के मात्रात्मक मूल्यांकन और तुलना, और गैर-स्थिर प्रक्रियाओं के विश्लेषण। फिजियोनेट रिकॉर्ड कैल गेल बायोमेडिकल सिग्नल अउर उनकर विश्लेषण के लेल ओपन-सोर्स सॉफ्टवेयर के प्रसार अउर आदान-प्रदान के लेल एगो ऑनलाइन मंच छलई। ई डेटा के सहयोगी विश्लेषण अउर प्रस्तावित नया एल्गोरिदम के मूल्यांकन के लेल सुविधा प्रदान करई छलो। वर्ल्ड वाइड वेब (http://www.physionet.com) के माध्यम से PhysioBank डेटा और PhysioToolkit सॉफ्टवेयर के लिए मुफ्त इलेक्ट्रॉनिक पहुंच प्रदान करे के अलावा, org), PhysioNet विभिन्न स्तर के विशेषज्ञता के साथ उपयोगकर्ताओं के सहायता के लिए ऑनलाइन ट्यूटोरियल के माध्यम से सेवाएं और प्रशिक्षण प्रदान करता है। |
a92eac4415719698d7d2097ef9564e7b36699010 | उद्देश्य - कॉर्पोरेट स्थिरता और एकर प्रदर्शन के मूल्यांकन और रिपोर्टिंग में हितधारक के शामिल करे के दृष्टिकोण के रूप में सामाजिक लेखा परीक्षा के प्रयोज्यता के पहचान करना। डिजाइन/पद्धति/दृष्टिकोण - एए 1000 के ढांचे और सामाजिक लेखा परीक्षा अध्ययन के आधार पर, ई कागज कॉर्पोरेट स्थिरता के संबोधित करे के लिए संवाद-आधारित सामाजिक लेखा परीक्षा के लागू करे के दृष्टि से हितधारक भागीदारी, सामाजिक लेखा परीक्षा और कॉर्पोरेट स्थिरता के जोड़ई हई। निष्कर्ष - इ पत्रक कॉर्पोरेट स्थिरता और सामाजिक लेखा परीक्षा के बीच एक मिलान के पहचान करो हय, काहेकी दोनों के उद्देश्य एक संगठन के सामाजिक, पर्यावरणीय और आर्थिक प्रदर्शन में सुधार करनाय हय, हितधारकों के एक व्यापक श्रृंखला के कल्याण के विचार करनाय हय और प्रक्रिया में हितधारकों के भागीदारी के आवश्यकता होवो हय। ई कागज सुझाव देई हई कि हितधारक के बातचीत के माध्यम से संलग्न करे के माध्यम से सामाजिक लेखा परीक्षा के उपयोग ट्रस्ट के निर्माण करे, प्रतिबद्धता के पहचान करे अउर हितधारक अउर निगम के बीच सहयोग के बढ़ावा देवे के लेल कैल जा सकई हई। अनुसंधान सीमा / निहितार्थ - ई शोध के कॉर्पोरेट स्थिरता के संबोधित करे में सामाजिक ऑडिटिंग के व्यावहारिकता और संवाद-आधारित सामाजिक ऑडिटिंग के सीमा के निर्धारण में आगे अनुभवजन्य शोध के आवश्यकता हय। व्यावहारिक निहितार्थ - सामाजिक लेखा परीक्षा के एगो लोकतांत्रिक व्यवसाय समाज में हितधारक अउर निगम के बीच अलग-अलग हित के संतुलन बनावे के एगो उपयोगी तंत्र के रूप में पहचानल गेल हई। कॉर्पोरेट स्थिरता के विकास और प्राप्त करे में सामाजिक लेखा परीक्षा के अनुप्रयोग के स्पष्ट रूप से व्यावहारिक प्रभाव हय। मौलिकता/मूल्य - ई पेपर व्यवसाय के स्थिरता के ओर बढ़ने में मदद करे में संवाद-आधारित सामाजिक ऑडिटिंग के प्रयोज्यता के जांच करई हई। हितधारक के बातचीत के माध्यम से संलग्न करे के माध्यम से कॉर्पोरेट सामाजिक और पर्यावरणीय प्रदर्शन के आकलन अउर रिपोर्टिंग के प्रक्रिया के रूप में सामाजिक लेखा परीक्षा के उपयोग ट्रस्ट के निर्माण, प्रतिबद्धता के पहचान करे अउर हितधारक अउर निगम के बीच सहयोग के बढ़ावा देवे के लेल कैल जा सकई हई। |
915c4bb289b3642489e904c65a47fa56efb60658 | हम छवि रूपांतरण समस्या पर विचार कर हई, जहां एगो इनपुट छवि के आउटपुट छवि में बदल देल जाई हई। ऐसन समस्या के लेल हालिया विधि आमतौर पर आउटपुट अउर ग्राउंड-ट्रूथ छवि के बीच प्रति-पिक्सेल हानि के उपयोग कैके फीड-फॉरवर्ड कन्वॉल्यूशनल न्यूरल नेटवर्क के प्रशिक्षित करई हई। समानांतर कार्य से पता चललय हा कि पूर्व-प्रशिक्षित नेटवर्क से निकालल गेल उच्च-स्तरीय सुविधा के आधार पर धारणा हानि कार्यों के परिभाषित और अनुकूलित करके उच्च-गुणवत्ता वाला छवियां उत्पन्न कैल जा सको हय। हम दुनु दृष्टिकोण के लाभ के संयोजन करई हई, अउर छवि रूपांतरण कार्य के लेल फीड-फॉरवर्ड नेटवर्क के प्रशिक्षण के लेल धारणा हानि कार्य के उपयोग के प्रस्ताव करई छलई। हम छवि शैली हस्तांतरण पर परिणाम दिखावो हय, जेजा गैटिस एट अल द्वारा प्रस्तावित अनुकूलन समस्या के वास्तविक समय में हल करे के लिए एक फीड-फॉरवर्ड नेटवर्क के प्रशिक्षित कियल गलय हा। अनुकूलन-आधारित विधि के तुलना में, हमर नेटवर्क समान गुणात्मक परिणाम देवो हय लेकिन परिमाण के तीन आदेशों से तेज़ हय। हम एकल-छवि सुपर-रिज़ॉल्यूशन के साथ भी प्रयोग कर रहलिए ह, जहाँ प्रति-पिक्सेल हानि के धारणा हानि से बदलला से दृश्य रूप से सुखद परिणाम मिलो हय। |
9201bf6f8222c2335913002e13fbac640fc0f4ec | |
929a376c6fea1376baf40fc2979cfbdd867f03ab | लॉसी इमेज कंप्रेशन विधियां हमेशा संपीड़ित परिणामों में विभिन्न अप्रिय कलाकृतियों को पेश करती हैं, विशेष रूप से कम बिट-रेट पर। हाल के वर्षों में, जेपीईजी संपीड़ित छवियों के लिए कई प्रभावी सॉफ्ट डिकोडिंग विधियों के प्रस्तावित कियल गलय हा। हालांकि, हमर ज्ञान के अनुसार, जेपीईजी 2000 संपीड़ित छवियों के सॉफ्ट डिकोडिंग पर बहुत कम काम कियल गलय हा। विभिन्न कंप्यूटर विजन कार्य में कन्वोल्यूशन न्यूरल नेटवर्क (सीएनएन) के उत्कृष्ट प्रदर्शन से प्रेरित होके, हम एकाधिक बिट-रेट-संचालित डीप सीएनएन के उपयोग करके जेपीईजी 2000 के लिए एक नरम डिकोडिंग विधि प्रस्तुत करई छी। अधिक विशेष रूप से, प्रशिक्षण चरण में, हम बहुत सारे उच्च गुणवत्ता वाले प्रशिक्षण छवियों और विभिन्न कोडिंग बिट-रेट पर संबंधित जेपीईजी 2000 संपीड़ित छवियों के उपयोग करके गहरी सीएनएन के एक श्रृंखला को प्रशिक्षित करते हैं। परीक्षण चरण में, एक इनपुट संपीड़ित छवि के लिए, निकटतम कोडिंग बिट-रेट के साथ प्रशिक्षित सीएनएन को नरम डिकोडिंग करने के लिए चुना जाता है। व्यापक प्रयोग प्रस्तुत सॉफ्ट डिकोडिंग फ्रेमवर्क के प्रभावशीलता के प्रदर्शित करो हय, जे जेपीईजी 2000 संपीड़ित छवियों के दृश्य गुणवत्ता और उद्देश्य स्कोर में बहुत सुधार करो हय। |
cfa092829c4c7a42ec77ab6844661e1dae082172 | बिटकॉइन एगो नया अवधारणा के शुरुआत कैले हई जे संभवतः पूरा इंटरनेट के क्रांति के रूप में मौजूद हो सकई हई, अउर कै प्रकार के उद्योग पर सकारात्मक प्रभाव डाल सकई हई, जोनमे बैंकिंग, सार्वजनिक क्षेत्र अउर आपूर्ति श्रृंखला शामिल छलई, लेकिन येई तकले सीमित ना छलई। ई नवाचार छद्म-अनामी पर आधारित हई अउर ब्लॉकचेन तकनीक पर आधारित अपन अभिनव विकेन्द्रीकृत वास्तुकला पर प्रयास करई हई। ब्लॉकचेन एगो केंद्रीकृत प्राधिकरण के आवश्यकता के बिना ट्रस्ट के स्थापना के जौरे लेनदेन-आधारित अनुप्रयोग के दौड़ के आगे बढ़ावई हई, जोनमे व्यवसाय प्रक्रिया के भीतर जवाबदेही अउर पारदर्शिता के बढ़ावा देल जाई छलई। हालांकि, एक ब्लॉकचेन लेजर (जैसे, बिटकॉइन) बहुत जटिल हो जा हय और विशेष उपकरण, जेकरा सामूहिक रूप से "ब्लॉकचेन एनालिटिक्स" कहल जा हय, के आवश्यकता होवो हय ताकि व्यक्ति, कानून प्रवर्तन एजेंसियों और सेवा प्रदाताओं के एकर खोज, अन्वेषण और दृश्य बनाने के अनुमति मिल सके। पिछले वर्षों में, कैगो विश्लेषणात्मक उपकरण के क्षमता के जौरे विकसित कैल गेल हई जे अनुमति देई हई, उदाहरण के लेल, संबंध के मानचित्रण करे, लेनदेन के प्रवाह के जांच करे अउर फोरेंसिक जांच के बढ़ावे के तरीका के रूप में अपराध के उदाहरण के फ़िल्टर करे। ई पेपर ब्लॉकचेन विश्लेषणात्मक उपकरण के वर्तमान स्थिति पर चर्चा करो हय और ओकर अनुप्रयोग के आधार पर एक विषयगत वर्गीकरण मॉडल प्रस्तुत करो हय। ई भविष्य के विकास अउर अनुसंधान के लेल खुला चुनौति के भी परीक्षा लेई हई। |
2e5fadbaab27af0c2b5cc6a3481c11b2b83c4f94 | हम एगो फ़ोटोग्राफ़ के पीछे फोटोग्राफ़र के पहचान करे के उपन्यास समस्या के प्रस्तुत कर रहल बानी। इ समस्या के हल करे के लिए वर्तमान कंप्यूटर विजन तकनीक के व्यवहार्यता के पता लगावे के लिए, हम 180,000 से अधिक छवियों के एक नया डेटासेट बनयलके हल जे 41 प्रसिद्ध फोटोग्राफरों द्वारा लेल गेलय हल। इ डेटासेट के उपयोग करते हुए, हम फोटोग्राफर के पहचान करे में विभिन्न प्रकार के सुविधा (निम्न- और उच्च-स्तरीय, सीएनएन सुविधाओं सहित) के प्रभावशीलता के जांच कैलकय। हम इ काम के लिए एगो नया डीप कन्वॉल्यूशनल न्यूरल नेटवर्क के भी प्रशिक्षित करलई। हमार परिणाम दिखावो हय कि उच्च-स्तरीय विशेषता निम्न-स्तरीय विशेषता के बहुत बेहतर प्रदर्शन करो हय। हम इ सीखल मॉडल के उपयोग करके गुणात्मक परिणाम प्रदान करो हय जे फोटोग्राफर के बीच अंतर करे के हमर विधि के क्षमता में अंतर्दृष्टि देवो हय, और हमरा दिलचस्प निष्कर्ष निकाले के अनुमति देवो हय कि विशिष्ट फोटोग्राफर क्या शूट करो हय। हम अपन पद्धति के दो अनुप्रयोग के भी प्रदर्शन करो हय। |
25b6818743a6c0b9502a1c026c653038ff505c09 | |
6ed67a876b3afd2f2fb7b5b8c0800a0398c76603 | |
24281c886cd9339fe2fc5881faf5ed72b731a03e | मैपरेड्यूस अउर एकर संस्करण कमोडिटी क्लस्टर पर बड़ पैमाना के डेटा-गहन अनुप्रयोग लागू करे में अत्यधिक सफल रहल हई। हालांकि, येईमे से अधिकांश प्रणाली एगो गैर-चक्रवादी डेटा प्रवाह मॉडल के आसपास बनल हई जे दोसर लोकप्रिय अनुप्रयोग के लेल उपयुक्त ना छलई। ई पेपर अनुप्रयोग के एगो ऐसन वर्ग पर ध्यान केंद्रित करई हई: जे कैगो समानांतर संचालन में डेटा के एगो कार्य सेट के पुनः उपयोग करई हई। एकरा मे कैगो पुनरावर्ती मशीन लर्निंग एल्गोरिदम के जौरे-जौरे इंटरैक्टिव डेटा विश्लेषण उपकरण शामिल हई। हम स्पार्क नामक एगो नया ढांचा के प्रस्ताव देई हई जे मैपरेड्यूस के स्केलेबिलिटी अउर गलती सहिष्णुता के बरकरार रखैत येई अनुप्रयोग के समर्थन करई हई। येई लक्ष्य के प्राप्त करे के लेल, स्पार्क एगो अमूर्त के पेश करई हई जेकरा लचीला वितरित डेटासेट (आरडीडी) कहल जाई छलई। आरडीडी मशीनों के एक सेट में विभाजनित वस्तुओं का एक रीड-ओनली संग्रह है, जिसे विभाजन के खोने के मामले में फिर से बनाया जा सकता है। स्पार्क पुनरावर्ती मशीन लर्निंग जॉब्स में हाडोप से 10 गुना बेहतर प्रदर्शन कर सको हय, और एकर उपयोग उप-सेकंड प्रतिक्रिया समय के साथ 39 जीबी डेटासेट के इंटरैक्टिव रूप से क्वेरी करे के लिए कियल जा सको हय। |
03ff3f8f4d5a700fbe8f3a3e63a39523c29bb60f | वाक्य के सटीक रूप से प्रस्तुत करे के क्षमता भाषा के समझ के लेल केंद्रीय छलई। हम एक संवितरण वास्तुकला के वर्णन कर हई जेकरा डायनामिक संवितरण तंत्रिका नेटवर्क (डीसीएनएन) कहल जाई हई जेकरा हम वाक्य के अर्थ संबंधी मॉडलिंग के लेल अपनाबई हई। नेटवर्क डायनामिक के-मैक्स पूलिंग, रैखिक अनुक्रमों पर एक वैश्विक पूलिंग संचालन के उपयोग करो हय। नेटवर्क विभिन्न लंबाई के इनपुट वाक्य के संभालई हई अउर वाक्य पर एगो विशेषता ग्राफ उत्पन्न करई हई जे संक्षिप्त अउर दीर्घ-श्रेणी के संबंध के स्पष्ट रूप से पकड़ले में सक्षम छलई। नेटवर्क एगो पार्स ट्री पर निर्भर ना करई हई अउर येईसे ई कोनो भाषा पर आसानी से लागू हो सकई हई। हम डीसीएनएन के चार प्रयोग में परीक्षण करलई: छोट पैमाना के द्विआधारी अउर बहु-वर्ग भावना भविष्यवाणी, छह-तरफा प्रश्न वर्गीकरण अउर दूरस्थ पर्यवेक्षण द्वारा ट्विटर भावना भविष्यवाणी। नेटवर्क पहले तीन कार्यों में उत्कृष्ट प्रदर्शन और सबसे मजबूत आधार रेखा के संबंध में अंतिम कार्य में 25% से अधिक त्रुटि कमी प्राप्त करो हय। |
ff5c193fd7142b3f426baf997b43937eca1bbbad | उच्च-शक्ति मध्यम-वोल्टेज ऊर्जा नियंत्रण के क्षेत्र में एक बहुत महत्वपूर्ण विकल्प के रूप में हाल ही में बहु-स्तरीय इन्वर्टर तकनीक उभरी है। ई पेपर सबसे महत्वपूर्ण टोपोलॉजी जैसे डायोड-क्लैम्प्ड इन्वर्टर (न्यूट्रल-पॉइंट क्लैंप्ड), कैपेसिटर-क्लैम्प्ड (फ्लाइंग कैपेसिटर), और कैस्केडेड मल्टीसेल के अलग-अलग डीसी स्रोत के साथ प्रस्तुत करई हई। उभरती हुई टोपोलॉजी जैसे असममित हाइब्रिड सेल और सॉफ्ट-स्विच्ड मल्टीलेवल इन्वर्टर पर भी चर्चा कैल गेल हई। ई कागज रूपांतरण के इ परिवार के लिए विकसित सबसे प्रासंगिक नियंत्रण और मॉडुलन विधियों के भी प्रस्तुत करो हय: बहुस्तरीय साइनसॉइडल पल्सविड्थ मॉडुलेशन, बहुस्तरीय चयनात्मक हार्मोनिक उन्मूलन, और अंतरिक्ष-वेक्टर मॉडुलन। इ कन्वर्टर्स के नवीनतम और अधिक प्रासंगिक अनुप्रयोगों जैसे कि लैमिनेटर, कन्वेयर बेल्ट और एकीकृत पावर-फ्लो नियंत्रकों के लिए विशेष ध्यान केंद्रित कियल गलय हा। पुनरुत्पादक भार के आपूर्ति करे वाला इन्वर्टर के लेल इनपुट पक्ष पर एगो सक्रिय फ्रंट एंड के आवश्यकता पर भी चर्चा कैल गेल हई, अउर सर्किट टोपोलॉजी विकल्प के भी प्रस्तुत कैल गेल हई। अंत में, भविष्य के विकास के लिए उच्च वोल्टेज उच्च शक्ति वाले उपकरणों और ऑप्टिकल सेंसर और अन्य अवसरों जैसे परिधीय रूप से विकसित क्षेत्रों को संबोधित किया जाता है। |
Subsets and Splits