_id
stringlengths 40
40
| text
stringlengths 0
9.54k
|
|---|---|
2b211f9553ec78ff17fa3ebe16c0a036ef33c54b | मार्को ए. रोड्रिगेज एटी एण्ड टी इन्टरएक्टिभमा ग्राफ सिस्टम आर्किटेक्ट हुन्। मार्कोकोड्रिगेज डट कम मा उनको सम्पर्क गर्न सकिन्छ। पीटर न्युबावर नियो टेक्नोलोजीका प्रमुख सञ्चालन अधिकारी हुन्। उनी peter.neubauer<at>neotechnology.com मा पुग्न सकिन्छ ग्राफ भनेको बिन्दुहरू (जस्तै, भेरिटिज) र रेखाहरू (जस्तै, किनाराहरू) बाट बनेको डाटा संरचना हो। रेखाचित्रका बिन्दु र रेखाहरू जटिल तरिकामा व्यवस्थित गर्न सकिन्छ। वस्तुहरू र एक अर्कासँगको सम्बन्धलाई दर्शाउने ग्राफको क्षमताले आश्चर्यजनक रूपमा ठूलो संख्यामा चीजहरूलाई ग्राफको रूपमा मोडेल गर्न अनुमति दिन्छ। सफ्टवेयर प्याकेजहरू जोड्ने निर्भरताहरूदेखि लिएर घरको फ्रेमिङ प्रदान गर्ने काठका बीमहरूसम्म, प्रायः सबै कुराको एउटा सम्बन्धित ग्राफिक प्रतिनिधित्व हुन्छ। तर, कुनै कुरालाई ग्राफको रूपमा प्रतिनिधित्व गर्न सम्भव छ भन्ने कुराको अर्थ यो होइन कि यसको ग्राफ प्रतिनिधित्व उपयोगी हुनेछ। यदि मोडेलरले उपकरण र एल्गोरिदमहरूको बहुतायतलाई लाभ उठाउन सक्छ जुन भण्डारण र प्रक्रिया ग्राफहरू, त्यसो भए यस्तो म्यापिङ सार्थक छ। यस लेखले कम्प्युटिङमा ग्राफको संसारको अन्वेषण गर्दछ र परिस्थितिहरू प्रकट गर्दछ जसमा ग्राफिकल मोडेलहरू लाभदायक हुन्छन्। |
0c5e3186822a3d10d5377b741f36b6478d0a8667 | कृत्रिम बुद्धिको एउटा मुख्य समस्या भनेको आंशिक रूपमा अवलोकनयोग्य वातावरणमा अनिश्चितता अन्तर्गत भविष्यको इनामलाई अधिकतम बनाउन योजना बनाउनु हो। यस लेखमा हामी एउटा नयाँ एल्गोरिथ्मको प्रस्ताव र प्रदर्शन गर्छौं जसले क्रिया-अवलोकन जोडीहरूको अनुक्रमबाट प्रत्यक्ष रूपमा यस्तो वातावरणको मोडेललाई सही रूपमा सिक्छ। त्यसपछि हामीले सिकेको मोडेलमा योजना बनाउँदै र मूल वातावरणमा लगभग इष्टतम नीति पुनः प्राप्त गरेर अवलोकनबाट कार्यहरूमा सर्कल बन्द गर्छौं। विशेष गरी, हामी एक पूर्वानुमानात्मक राज्य प्रतिनिधित्व (पीएसआर) को मापदण्डहरू सिक्नको लागि एक कुशल र सांख्यिकीय रूपमा सुसंगत स्पेक्ट्रल एल्गोरिथ्म प्रस्तुत गर्दछौं। हामीले एल्गोरिथ्मलाई सिमुलेटेड उच्च आयामिक, दृष्टि-आधारित मोबाइल रोबोट योजना कार्यको मोडेल सिकेर प्रदर्शन गर्छौं, र त्यसपछि सिकेको पीएसआरमा अनुमानित बिन्दु-आधारित योजना प्रदर्शन गर्दछौं। हाम्रो परिणामको विश्लेषणले देखाउँछ कि एल्गोरिथ्मले राज्य स्थान सिक्छ जसले वातावरणको आवश्यक विशेषताहरू दक्षतापूर्वक कब्जा गर्दछ। यो प्रतिनिधित्वले सानो संख्यामा प्यारामिटरहरूको साथ सटीक भविष्यवाणी गर्न अनुमति दिन्छ, र सफल र कुशल योजना बनाउन सक्षम गर्दछ। |
16611312448f5897c7a84e2f590617f4fa3847c4 | लुकेका मार्कोभ मोडेल (एचएमएम) एक आधारभूत र व्यापक रूपमा प्रयोग हुने तथ्याङ्क उपकरणहरू मध्ये एक हो जुन असतत समय श्रृंखला मोडेलिंगको लागि हो। सामान्यतया, तिनीहरू सीआरएच हेरिस्टिक्स (जस्तै बाउम-वेल्च / ईएम एल्गोरिथ्म) को प्रयोग गरेर सिकिन्छन्, जुन सामान्य स्थानीय इष्टतम मुद्दाहरूको सामना गर्दछ। सामान्यतया यी मोडेलहरू अन्तर्निहित वितरणबाट नमूनाहरूसँग सिक्न गाह्रो हुने ज्ञात छ, हामी प्राकृतिक विभाजन सर्त अन्तर्गत एचएमएमहरू सिक्नको लागि पहिलो प्रमाणित कुशल एल्गोरिथ्म (नमूना र कम्प्युटेशनल जटिलताको सर्तमा) प्रदान गर्दछौं। यो अवस्था लगभग मिश्रण वितरण सिक्नका लागि विचार गरिएको पृथक्करण अवस्थासँग मिल्दोजुल्दो छ (जहाँ, यस्तै, यी मोडेलहरू सामान्य रूपमा सिक्न गाह्रो हुन्छ) । यसबाहेक, हाम्रो नमूना पूर्णता परिणाम स्पष्ट रूपमा भिन्न (विशिष्ट) अवलोकनहरूको संख्यामा निर्भर हुँदैन - तिनीहरू अन्तर्निहित HMM को स्पेक्ट्रल गुणहरू मार्फत यस संख्यामा निर्भर गर्दछन्। यसले एल्गोरिथ्मलाई विशेष गरी ठूलो संख्यामा अवलोकनहरू भएका सेटिङहरूमा लागू गर्दछ, जस्तै प्राकृतिक भाषा प्रसंस्करणमा जहाँ अवलोकनकर्ताहरूको ठाउँ कहिलेकाँही भाषामा शब्दहरू हुन्छन्। अन्तमा, एल्गोरिथ्म विशेष गरी सरल छ, केवल एकल r मान अपघटन र म्याट्रिक्स गुणनहरूमा निर्भर गर्दछ। |
8ad6fda2d41dd823d2569797c8c7353dad31b371 | हामी एउटा एट्रिब्युट-आधारित एन्क्रिप्शन (एबीई) योजना निर्माण गर्छौं जसले प्रयोगकर्ताको निजी कुञ्जीलाई कुनै पनि पहुँच सूत्रको रूपमा व्यक्त गर्न अनुमति दिन्छ। यसअघिका एबीई योजनाहरू केवल एकसमान पहुँच संरचनाहरू व्यक्त गर्न सीमित थिए। हामी निर्णयात्मक द्विध्रुवीय डिफी-हेलम्यान (BDH) धारणामा आधारित हाम्रो योजनाको लागि सुरक्षाको प्रमाण प्रदान गर्दछौं। यसबाहेक, हाम्रो नयाँ योजनाको कार्यसम्पादन विद्यमान, कम-अभिव्यक्ति योजनाहरूसँग तुलनात्मक रूपमा अनुकूल छ। |
4f3dbfec5c67f0fb0602d9c803a391bc2f6ee4c7 | २० जीएचजेड चरण-बन्द लूप ४.९ पीएस/सब पीपी/०.६५ पीएस/सब आरएमएस/जिटर र १० मेगाहर्ट्ज अफसेटमा -११३.५ डीबीसी/एचजेड चरण-आवाजको साथ प्रस्तुत गरिएको छ। एक आधा-कर्तव्य नमूना-फिडफोरवर्ड लूप फिल्टर जसले केवल स्विचको साथ प्रतिरोध प्रतिस्थापन गर्दछ र एक इन्भर्टरले सन्दर्भ स्पूरलाई -44.0 dBc सम्म दबाउँछ। एक डिजाइन पुनरावृत्ति प्रक्रिया को रूपरेखा छ कि एक जोडी माइक्रोस्ट्रिप resonator संग एक नकारात्मक-g / sub m / थरथरानवाला को चरण हल्ला कम गर्दछ। स्थिर आवृत्ति विभाजनकर्ताहरू जुन पल्स लचहरूबाट बनेका हुन्छन् फ्लिप फ्लपबाट बनेकाहरू भन्दा छिटो काम गर्दछन् र २ः १ आवृत्ति दायरा नजिक पुग्दछन्। ०.१३-/स्प्ल म्यु/मिटर सीएमओएसमा निर्मित चरण-लक गरिएको लूप १७.६ देखि १९.४ गीगाहर्जसम्म सञ्चालन हुन्छ र ४८० मेगावाटको क्षय गर्दछ। |
1fcaf7ddcadda724d67684d66856c107375f448b | हामी पाठ वर्गीकरणका लागि नयाँ कन्भोल्युसनल न्युरल नेटवर्क (सीएनएन) मोडेल प्रस्तुत गर्दछौं जसले संयुक्त रूपमा कागजातहरूमा र उनीहरूको घटक वाक्यहरूमा लेबलहरूको शोषण गर्दछ। विशेष गरी, हामी परिदृश्यहरू विचार गर्दछौं जसमा एनोटेटरहरूले स्पष्ट रूपमा वाक्यहरू (वा स्निपेटहरू) मार्क गर्छन् जसले उनीहरूको समग्र कागजात वर्गीकरणलाई समर्थन गर्दछ, अर्थात्, उनीहरूले तर्कहरू प्रदान गर्छन्। हाम्रो मोडेलले यस्तो पर्यवेक्षणलाई पदानुक्रमित दृष्टिकोणको माध्यमबाट शोषण गर्दछ जसमा प्रत्येक कागजात यसको घटक वाक्यहरूको भेक्टर प्रतिनिधित्वहरूको रैखिक संयोजनद्वारा प्रतिनिधित्व गरिन्छ। हामी वाक्य-स्तरको कन्भोल्युसनल मोडेल प्रस्ताव गर्छौं जसले दिइएको वाक्य तर्कसंगत हुने सम्भावनाको अनुमान गर्छ, र त्यसपछि हामी यी अनुमानहरूको अनुपातमा समग्र कागजात प्रतिनिधित्वमा प्रत्येक वाक्यको योगदानलाई मापन गर्छौं। दस्तावेजको लेबल र सम्बन्धित तर्कहरू भएका पाँच वर्गीकरण डाटासेटहरूमा प्रयोगहरूले देखाउँछ कि हाम्रो दृष्टिकोणले लगातार बलियो आधार रेखाहरूलाई पार गर्दछ। यसको अतिरिक्त, हाम्रो मोडेलले स्वाभाविक रूपमा यसको भविष्यवाणीहरूको लागि व्याख्या प्रदान गर्दछ। |
20b41b2a0d8ee71efd3986b4baeed24eba904350 | विकासशील देशहरूमा मातृ अवसाद र बाल विकासबीचको सम्बन्धको अध्ययन गर्न व्यवस्थित साहित्य समीक्षा र मेटा-विश्लेषणको माध्यमबाट। विधिहरू सन् २०१० सम्म प्रकाशित विकासोन्मुख देशहरूमा गरिएको आमाको डिप्रेसन र बच्चाको विकासबारे अध्ययनका लागि ६ वटा डेटाबेसहरू खोजिएको थियो। मानक मेटा- विश्लेषणात्मक विधिहरू पछ्याइएको थियो र डिप्रेसन आमाहरूको बच्चाहरूमा कम वजन र स्टन्टिंगको लागि पूल गरिएको बाधा अनुपात (ओआर) गणना गरिएको थियो सबै अध्ययनहरूको लागि र्यान्डम प्रभाव मोडेलहरू प्रयोग गरेर र अध्ययनहरूको उप-समूहहरूको लागि जुन अध्ययन डिजाइन, मातृ डिप्रेसनमा जोखिम र परिणाम चरहरूमा कडा मापदण्डहरू पूरा गर्दछ। चयनित अध्ययनहरूको लागि जनसंख्यामा जिम्मेवार जोखिम (पीएआर) अनुमान गरिएको थियो। निष्कर्ष ११ देशका १३,९२३ आमा र बच्चाको जोडीलाई समावेश गरी गरिएको १७ वटा अध्ययनमा समावेश गरियो। डिप्रेसन वा डिप्रेसनल लक्षण भएका आमाका बच्चाहरू कम वजन (ओआर: १.५; ९५% विश्वास अन्तराल, आईसी: १.२- १.८) वा स्टन्ट (ओआर: १.४; ९५% आईसी: १.२- १.७) हुने सम्भावना बढी थियो। तीनवटा अनुदैर्ध्य अध्ययनको उप- विश्लेषणले अझ बलियो प्रभाव देखाएको थियो: कम वजनको लागि OR 2. 2 थियो (९५% आईसी: १.५- ३.२) र स्टन्टिंगको लागि, २.० (९५% आईसी: १.०- ३.९) । चयनित अध्ययनहरूको लागि PAR ले संकेत गर्यो कि यदि शिशु जनसंख्या पूर्ण रूपमा मातृ अवसादग्रस्त लक्षणहरूको लागि खुला थिएन भने २३- २९% कम बच्चाहरू कम वजन वा स्टन्ट हुने थिए। आमाको डिप्रेसनले बाल्यकालमा कम तौल र वृद्धिदरमा कमी ल्याउने समस्या देखा परेको छ। यसको कारण र प्रक्रियाको पहिचान गर्नका लागि भविष्यमा हुने अध्ययनको आवश्यकता छ। विकासोन्मुख देशहरूमा मातृ अवसादको प्रारम्भिक पहिचान, उपचार र रोकथामले बालबालिकाको विकासमा कमी ल्याउन र कम तौल कम गर्न मद्दत गर्न सक्छ। |
c596f88ccba5b7d5276ac6a9b68972fd7d14d959 | भौतिक वस्तुहरूको भौतिक संसारलाई आईटी प्रणालीको भर्चुअल संसारसँग जोडेर, इन्टरनेट अफ थिंग्सले उद्यमको संसार र समाज दुवैलाई महत्त्वपूर्ण रूपमा परिवर्तन गर्ने क्षमता राख्दछ। यद्यपि यो शब्दलाई धेरै नै प्रचार गरिएको छ र विभिन्न समुदायहरूले फरक तरिकाले बुझेका छन्, विशेष गरी किनभने आईओटी त्यस्तो प्रविधि होइन तर विभिन्न ईन्जिनियरि domains डोमेनसँग सम्बन्धित विभेदक - प्रायः नयाँ - प्रविधिहरूको अभिसरण प्रतिनिधित्व गर्दछ। सामान्य समझमा आउनको लागि के आवश्यक छ, चीजहरूको इन्टरनेटको लागि डोमेन मोडेल हो, मुख्य अवधारणाहरू र उनीहरूको सम्बन्धहरू परिभाषित गर्दै, र साझा शब्दकोश र वर्गीकरणको रूपमा सेवा गर्दै र यसैले थप वैज्ञानिक प्रवचन र चीजहरूको इन्टरनेटको विकासको आधारको रूपमा। हामी देखाउँछौं, यस्तो डोमेन मोडेल हुनु पनि ठोस आईओटी प्रणाली आर्किटेक्चरको डिजाइनमा सहयोगी छ, किनकि यसले टेम्प्लेट प्रदान गर्दछ र यसैले प्रयोग केसहरूको विश्लेषणको संरचना गर्दछ। |
5a9f4dc3e5d7c70d58c9512d7193d079c3331273 | हामी ३ डी व्यक्ति ट्रयाकिङका लागि मानव मुद्रा र गति पूर्वानुमान सिक्नका लागि ग्यासियन प्रक्रिया गतिशील मोडेल (जीपीडीएम) को प्रयोगको वकालत गर्छौं। एक जीपीडीएमले मानव गति डेटाको कम आयाम एम्बेडिंग प्रदान गर्दछ, एक घनत्व प्रकार्यको साथ जुन प्रशिक्षण डेटाको नजिकको पोज र गतिलाई उच्च सम्भावना दिन्छ। बेइजियन मोडेलको साथ एक GPDM औसत अपेक्षाकृत सानो मात्राको डाटाबाट सिक्न सकिन्छ, र यो प्रशिक्षण सेट बाहिरका गतिहरूमा सजिलैसँग सामान्यीकृत हुन्छ। यहाँ हामी जीपीडीएमलाई परिमार्जन गर्छौं जसले गर्दा महत्वपूर्ण शैलीगत भिन्नता भएका गतिबाट सिक्न सकिन्छ। यसबाट प्राप्त हुने प्रिअर्सहरू मानव हिँड्ने शैलीहरूको दायरा ट्र्याक गर्नका लागि प्रभावकारी हुन्छन्, कमजोर र हल्ला छवि मापन र महत्त्वपूर्ण ओक्ल्युसनहरूको बाबजुद। |
c3f2d101b616d82d07ca2cc4cb8ed0cb53fde21f | हामीले मानव अध्ययनलाई हाम्रो वर्तमान सीडी र ईएमडी मानहरूको सन्दर्भ प्रदान गर्नका लागि रेन्डर्ड डाटासेटमा रिपोर्ट गर्यौं। हामीले मानव विषयलाई एउटा GUI उपकरण प्रदान गर्यौं छविबाट त्रिकोणात्मक जाल सिर्जना गर्नका लागि। उपकरण (चित्र १ हेर्नुहोस्) ले प्रयोगकर्तालाई 3D मा मेष सम्पादन गर्न र मोडेल गरिएको वस्तुलाई इनपुट छविमा फिर्ता पign्क्तिबद्ध गर्न सक्षम गर्दछ। कुल १६ मोडेलहरू हाम्रो प्रमाणीकरण सेटको इनपुट छविहरूबाट सिर्जना गरिएका छन्। प्रत्येक मोडेलबाट एन = १०२४ बिन्दुहरू नमूना लिइन्छ। |
32791996c1040b9dcc34e71a05d72e5c649eeff9 | सामान्य दैनिक गतिविधिहरूमा हृदयको असामान्य विद्युतीय व्यवहार पत्ता लगाउन क्लिनिकल अभ्यासमा एम्बुलेटर इलेक्ट्रोकार्डियोग्राफीको प्रयोग बढ्दो छ। यस अनुगमनको उपयोगितालाई श्वासप्रश्वासको व्युत्पन्न गरेर सुधार गर्न सकिन्छ, जुन पहिले रातभरको एपनिया अध्ययनमा आधारित छ जहाँ बिरामीहरू स्थिर छन्, वा तनाव परीक्षणको लागि बहु-हेड ईसीजी प्रणालीहरूको प्रयोग। हामीले एकल-लिड पोर्टेबल ईसीजी मनिटरबाट प्राप्त ६ वटा श्वासप्रश्वास मापनको तुलना एक एम्बुलेटरी नाक क्यानुला श्वासप्रश्वास मनिटरबाट प्राप्त एकसाथ मापन गरिएको श्वासप्रश्वास वायु प्रवाहसँग गर्यौं। दैनिक जीवनका गतिविधिहरू (झुक्किनु, बस्नु, खडा हुनु, हिँड्नु, दौडनु, र सीढी चढ्नु) र ६ वटा राती अध्ययनहरू गरी १० वटा नियन्त्रणित १ घण्टाको रेकर्डिङ गरिएको थियो। सबैभन्दा राम्रो विधि ०.२-०.८ हर्ट्ज ब्यान्डपास फिल्टर र आरआर अन्तरालको लम्बाइ र छोटोमा आधारित आरआर प्रविधि थियो। औसत त्रुटि दरहरू सन्दर्भ सुनौलो मानकसँग प्रति मिनेट (bpm) +mn4 (सबै गतिविधिहरू), +mn2 (झुक्की र बस्ने) +mn1 प्रति मिनेट (रातभर अध्ययन) थिए। पूर्ण ईसीजी तरंगरूपबाट प्राप्त गरिएको उत्तम प्रविधिको तुलनामा हृदय गति जानकारी (आरआर प्रविधि) को प्रयोग गरेर सांख्यिकीय रूपमा समान परिणामहरू प्राप्त गरियो जसले डाटा संकलन प्रक्रियाहरू सरल बनाउँदछ। अध्ययनले देखाउँछ कि परम्परागत विधिहरूबाट महत्त्वपूर्ण भिन्नता बिना एकल-लीड ईसीजीबाट गतिशील गतिविधिहरूमा सास फेर्न सकिन्छ। |
7eac1eb85b919667c785b9ac4085d8ca68998d20 | २. ई-लर्निंग र मोबाइल लर्निंगबीचको भिन्नता मोबाइल शिक्षाको मूल्य र लाभ मोवाइल लर्निङका चुनौती र अवरोधहरू: अध्ययनले देखाएअनुसार दूर शिक्षाको रूपमा मोवाइल लर्निङले समाजलाई ठूलो फाइदा पु¥यायो । साथै, नोटबुक, मोबाइल ट्याब्लेट, आइपड टच र आइप्याड मोबाइल शिक्षाका लागि धेरै लोकप्रिय उपकरणहरू हुन् किनभने तिनीहरूको लागत र अनुप्रयोगहरूको उपलब्धताका कारण। ---------------------------------------- (अङ्ग्रेजीमा) शिक्षा र प्रशिक्षण एक प्रक्रिया हो जसद्वारा एक पुस्ताको बुद्धि, ज्ञान र सीप अर्को पुस्तालाई हस्तान्तरण गरिन्छ। आज व्यावसायिक शिक्षा र प्रशिक्षणका दुई प्रकार छन्: परम्परागत शिक्षा र दूर शिक्षा। मोबाइल लर्निंग वा "एम-लर्निंग" ले मोबाइल उपकरणहरू मार्फत सिकाइ प्रक्रियालाई समर्थन गर्ने आधुनिक तरिकाहरू प्रदान गर्दछ, जस्तै ह्यान्डहेल्ड र ट्याब्लेट कम्प्युटरहरू, एमपी 3 प्लेयरहरू, स्मार्ट फोनहरू र मोबाइल फोनहरू। यस दस्तावेजले शिक्षाको उद्देश्यका लागि मोबाइल सिकाइको विषयलाई प्रस्तुत गर्दछ। यसले मोबाइल उपकरणहरूले सिकाइ र सिकाइ अभ्यासमा कस्तो प्रभाव पारेको छ भन्ने कुराको अध्ययन गर्छ र मोबाइल उपकरणहरूमा डिजिटल मिडियाको प्रयोगले प्रदान गर्ने अवसरहरूको बारेमा पनि बताउँछ। यस लेखको मुख्य उद्देश्य मोबाइल सिकाइको वर्तमान अवस्था, फाइदाहरू, चुनौतीहरू र सिकाइ र सिकाइलाई सहयोग पुर्याउने यसको अवरोधहरूको वर्णन गर्नु हो। यस कागजातको लागि डाटा जनवरी देखि मार्च २०१३ सम्मको ग्रन्थसूची र इन्टरनेट अनुसन्धानको माध्यमबाट संकलन गरिएको थियो। यस लेखमा चारवटा मुख्य विषयहरू छलफल गरिनेछ: मोबाइल सिकाइको विश्लेषण |
57820e6f974d198bf4bbdf26ae7e1063bac190c3 | |
8e393c18974baa8d5d704edaf116f009cb919463 | उच्च गतिको सर्डेसले उच्च गतिको सञ्चालन, गहन इक्विलाइजेशन प्रविधि, कम उर्जा खपत, सानो क्षेत्र र बलियोता सहित बहु चुनौतिहरूको सामना गर्नुपर्दछ। नयाँ मानकहरू पूरा गर्नका लागि, जस्तै OIF CEI-25G-LR, CEI-28G-MR/SR/VSR, IEEE802.3bj र 32G-FC, डाटा दरहरू 25 देखि 28Gb/s सम्म बढाइएको छ, जुन सर्डेसको अघिल्लो पुस्ताको तुलनामा 75% भन्दा बढी छ। एकल चिपमा एकीकृत सयौं लेनहरूको साथ सर्डेस अनुप्रयोगहरूको लागि, उच्च प्रदर्शन कायम राख्दै पावर खपत धेरै महत्त्वपूर्ण कारक हो। त्यहाँ धेरै अघिल्लो कामहरू छन् २ 28 जीबी / सेकेन्ड वा उच्च डाटा दर [१-२]। तिनीहरू महत्वपूर्ण समय सीमा पूरा गर्न अनरोल्ड डीएफई प्रयोग गर्छन्, तर अनरोल्ड डीएफई संरचनाले डीएफई स्लाइसर्सको संख्या बढाउँछ, समग्र शक्ति र मर क्षेत्र बढाउँछ। यी चुनौतीहरूको सामना गर्न, हामी धेरै सर्किट र वास्तुशिल्प प्रविधिहरू परिचय। एनालग फ्रन्ट-एन्ड (एएफई) ले एकल-चरण आर्किटेक्चर र ट्रान्सइम्पेडेन्स एम्पलीफायर (टीआईए) मा कम्प्याक्ट अन-चिप निष्क्रिय इन्डक्टर प्रयोग गर्दछ, जसले १ 15dB बूस्ट प्रदान गर्दछ। यो बूस्ट अनुकूली हुन्छ र यसको अनुकूली लूपलाई निर्णय-फिडब्याक इक्वलाइजर (डीएफई) अनुकूली लूपबाट ग्रुप-डेलैड अनुकूली (जीडीए) एल्गोरिथ्मको प्रयोगद्वारा अलग गरिन्छ। डीएफईमा आधा दर १-ट्याप अनरोल्ड संरचना छ जसमा २ कुल त्रुटि लचहरू छन् शक्ति र क्षेत्र घटाउनका लागि। एक दुई-चरण सेन्सर-एम्पलीफायर-आधारित स्लाइसरले 15mV र DFE समय बन्दको संवेदनशीलता प्राप्त गर्दछ। हामी नयाँ सक्रिय-आवेदक सर्किट प्रयोग गर्ने उच्च गतिको घडी बफर पनि विकास गर्छौं। यो सक्रिय-इन्डक्टर सर्किटमा सर्किट सञ्चालन बिन्दुहरूलाई अनुकूलन गर्न आउटपुट-सामान्य-मोड भोल्टेज नियन्त्रण गर्ने क्षमता छ। |
505c58c2c100e7512b7f7d906a9d4af72f6e8415 | पृष्ठ २ जटिल अनुकूली प्रणालीहरू जोन एच. हल्याण्ड, क्रिस्टोफर ल्याङ्गटन, र स्टुअर्ट डब्ल्यू. विल्सन, सल्लाहकारहरू प्राकृतिक र कृत्रिम प्रणालीहरूमा अनुकूलन: जीवविज्ञान, नियन्त्रण, र कृत्रिम बुद्धिमत्तामा अनुप्रयोगहरूको साथ एक परिचयात्मक विश्लेषण, एमआईटी प्रेस संस्करण जोन एच. हल्याण्ड स्वायत्त प्रणालीहरूको अभ्यासको लागिः फ्रान्सिस्को जे. भरेला र पल बोर्गिन द्वारा सम्पादित कृत्रिम जीवनको पहिलो युरोपेली सम्मेलनको कार्यवाही आनुवंशिक प्रोग्रामिंगः प्राकृतिक चयनको माध्यमबाट कम्प्युटरहरूको प्रोग्रामिंगमा जोन आर कोजा |
3a46c11ad7afed8defbb368e478dbf94c24f43a3 | वैज्ञानिक समस्याहरू जुन ठूलो मात्रामा डाटाको प्रशोधनमा निर्भर हुन्छन्, धेरै क्षेत्रमा चुनौतीहरूको सामना गर्न आवश्यक हुन्छ: ठूलो मात्रामा डाटा वितरणको व्यवस्थापन, कम्प्युटिङ स्रोतहरूसँग डाटाको सह-स्थापना र तालिकाबद्ध गर्ने, र ठूलो मात्रामा डाटाको भण्डारण र स्थानान्तरण गर्ने। हामी डाटा-गहन अनुप्रयोगहरूको लागि दुई प्रमुख प्रतिमानहरूको पारिस्थितिकी तंत्रको विश्लेषण गर्दछौं, जसलाई उच्च प्रदर्शन कम्प्युटि and र अपाचे-हडोप प्रतिमान भनिन्छ। हामी एउटा आधार, साझा शब्दावली र कार्यशील कारकहरू प्रस्ताव गर्दछौं जसमा दुवै प्रतिमानहरूको दुई दृष्टिकोणहरूको विश्लेषण गर्न सकिन्छ। हामी "बिग डाटा ओग्रेस" को अवधारणा र यसको पक्षहरू दुई प्रतिमानहरू मार्फत फेला परेका सबै भन्दा साधारण अनुप्रयोग कार्यभारहरू बुझ्न र विशेषताको रूपमा छलफल गर्दछौं। हामी त्यसपछि यी दुई प्रतिमानका मुख्य विशेषताहरूबारे छलफल गर्छौं र यी दुई दृष्टिकोणहरूको तुलना र विपरित विश्लेषण गर्छौं। विशेष गरी, हामी यी प्रतिमानहरूको साझा कार्यान्वयन/दृष्टिकोणहरूको जाँच गर्छौं, उनीहरूको वर्तमान "आर्किटेक्चर"को कारणहरूमा प्रकाश पार्छौं र केही विशिष्ट कार्यभारहरूको बारेमा छलफल गर्छौं जसले तिनीहरूलाई प्रयोग गर्दछ। सफ्टवेयरमा उल्लेखनीय भिन्नता भएता पनि हामी विश्वास गर्छौं कि त्यहाँ वास्तुशिल्प समानता छ। हामी विभिन्न स्तर र घटकहरूमा विभिन्न कार्यान्वयनहरूको सम्भावित एकीकरणको बारेमा छलफल गर्छौं। हाम्रो तुलना दुई प्रतिमानहरूको पूर्ण गुणात्मक परीक्षाबाट अर्ध-क्वांटिटेटिभ विधिमा अघि बढ्छ। हामी एक सरल र व्यापक प्रयोग ओग्रे (के-माध्यम क्लस्टरिंग) प्रयोग गर्छौं, यसको प्रदर्शनको विशेषता प्रतिनिधित्व गर्ने प्लेटफर्महरूको दायरामा, दुबै प्रतिमानबाट धेरै कार्यान्वयनहरू कभर गर्दछौं। हाम्रो प्रयोगले दुईवटा ढाँचाको सापेक्षिक शक्तिबारे जानकारी दिन्छ। हामी प्रस्ताव गर्छौं कि ओग्रेसको समूहले दुई भिन्न आयामहरू अनुसार दुई प्रतिमानहरूको मूल्यांकन गर्न एक बेंचमार्कको रूपमा सेवा गर्नेछ। |
dc7024840a4ba7ab634517fae53e77695ff5dda9 | यस लेखमा हामी मानव गतिविधिहरूको पहिचानका लागि नयाँ ऊर्जा कुशल दृष्टिकोण प्रस्ताव गर्दछौं जसले स्मार्टफोनलाई पहिरनयोग्य सेन्सिङ उपकरणको रूपमा प्रयोग गर्दछ, जसले असिस्टेड लिभिङ अनुप्रयोगहरू लक्षित गर्दछ जस्तै अशक्त र वृद्धहरूको लागि रिमोट बिरामी गतिविधि अनुगमन। यो विधिले फिक्स्ड-पोइन्ट अंकगणितको प्रयोग गरी एक परिमार्जित बहु-वर्ग समर्थन भेक्टर मेशिन (एसवीएम) सिकाउने एल्गोरिथ्म प्रस्ताव गर्दछ, जसले तुलनात्मक प्रणालीको शुद्धता स्तर कायम राख्दै परम्परागत फ्लोटिंग-पोइन्ट आधारित सूत्रको सम्बन्धमा स्मार्टफोन ब्याट्री जीवनलाई राम्रोसँग संरक्षण गर्न अनुमति दिन्छ। प्रयोगहरूले पहिचान प्रदर्शन र ब्याट्री खपतको सन्दर्भमा यो दृष्टिकोण र परम्परागत एसवीएम बीच तुलनात्मक परिणामहरू देखाउँदछ, प्रस्तावित विधिका फाइदाहरूलाई हाइलाइट गर्दै। |
f4cdd1d15112a3458746b58a276d97e79d8f495d | यसको इनपुटको सम्बन्धमा न्यूरल नेटवर्कको आउटपुटको ग्रेडियन्ट मानदण्डलाई नियमित बनाउनु एक शक्तिशाली प्रविधि हो, जुन धेरै पटक पुनः पत्ता लगाइएको छ। यस कागजातले प्रमाण प्रस्तुत गर्दछ कि ग्रेडियन्ट नियमितकरणले लगातार वर्गीकरण शुद्धतामा सुधार गर्न सक्दछ दृष्टि कार्यहरू, आधुनिक गहिरो न्यूरल नेटवर्कहरू प्रयोग गरेर, विशेष गरी जब प्रशिक्षण डाटाको मात्रा थोरै हुन्छ। हामी हाम्रो नियमितकर्ताहरुलाई परिचय दिन्छौं जेकोबियन आधारित नियमितकर्ताहरुको एक व्यापक वर्गको सदस्यको रुपमा। हामी वास्तविक र सिंथेटिक डाटामा अनुभविक रूपमा प्रदर्शन गर्दछौं कि सिकाउने प्रक्रियाले प्रशिक्षण बिन्दुहरू भन्दा बाहिर नियन्त्रण गरिएको ढाँचामा पुर्याउँछ, र राम्रोसँग सामान्यीकरण गर्ने समाधानहरूमा परिणाम दिन्छ। |
984df1f081fbd623600ec45635e5d9a4811c0aef | दुई भिभाल्डी एन्टेना एरे प्रस्तुत गरिएको छ। पहिलो, ईटा/कंक्रीट भित्ता इमेजिङका लागि एसटीडब्लु अनुप्रयोगका लागि १.२ देखि ४ गीगाहर्ज ब्यान्ड कभर गर्ने ८-एलिमेन्टको कानापसल स्लट एरे हो। दोस्रो १६ तत्वको एन्टिपोडल एरे हो जुन ८ देखि १०.६ गीगाहर्जमा काम गर्दछ । दुई डिजाइनको आधारमा, र भिभल्डी एन्टेना एरेलाई पोषण गर्न माइक्रोस्ट्रिप संक्रमणमा चिकनी चौडा ब्यान्ड स्लटको उपयोग गरेर, १-१० गीगाहर्ट्ज आवृत्ति ब्यान्ड कभर गर्न सकिन्छ। वैकल्पिक रूपमा, डिजाइन १- 1-3 GHz वा -8-१० GHz ब्यान्ड कभर गर्न एक पुनः कन्फिगर योग्य संरचनामा प्रयोग गर्न सकिन्छ। प्रयोगात्मक र मापन गरिएका नतिजाहरू पूरा भएका छन् र विस्तृत रूपमा छलफल गरिनेछ। यी डिजाइनहरूले कम्प्याक्ट, पुनः कन्फिगर गर्न सकिने र पोर्टेबल प्रणालीहरूको विकासमा महत्त्वपूर्ण प्रभाव पार्नेछ। |
e3f4fdf6d2f10ebe4cfc6d0544afa63976527d60 | यस लेखमा रेडियो खगोल विज्ञान उपकरणको लागि 324-तत्व 2-डी ब्रोडसाइड एरे प्रस्तुत गरिएको छ जुन दुई पारस्परिक रूपमा orthogonal ध्रुवीकरणको लागि संवेदनशील छ। यो एरे क्रूसिफर्म एकाइहरु बाट बनेको छ जसमा चार भिभाल्डी एन्टेनाहरु को एक समूह क्रस आकारको संरचना मा व्यवस्थित छन्। यस एरेमा प्रयोग गरिएको भिभल्डी एन्टेनाले ३ गीगाहर्जमा ८७.५ डिग्री र ६ गीगाहर्जमा ४४.२ डिग्रीको सममितिक मुख्य ब्यासको साथ विकिरण तीव्रता विशेषता देखाउँदछ। मापन गरिएको अधिकतम साइड/बैकलोब स्तर मुख्य बत्तीको स्तरभन्दा १०.३ डीबी कम छ। एरेले उच्च आवृत्ति ५.४ गीगाहर्ट्जमा ग्रिटिङ लोबको गठन बिना काम गर्न सक्छ। |
1a090df137014acab572aa5dc23449b270db64b4 | |
9ae252d3b0821303f8d63ba9daf10030c9c97d37 | हामी प्राकृतिक दृश्य श्रेणीहरू सिक्न र पहिचान गर्नका लागि एउटा नयाँ दृष्टिकोण प्रस्ताव गर्दछौं। यसअघि गरिएको कामको विपरीत यस कार्यमा विशेषज्ञहरूलाई प्रशिक्षण सेटको बारेमा टिप्पणी गर्न आवश्यक छैन। हामी दृश्यको छविलाई स्थानीय क्षेत्रहरूको संग्रहद्वारा प्रतिनिधित्व गर्छौं, जुन कोड शब्दहरूको रूपमा संकेत गरिएको छ जुन अनसुर्पीकृत शिक्षाबाट प्राप्त हुन्छ। प्रत्येक क्षेत्रलाई "विषयवस्तु" को भागको रूपमा प्रतिनिधित्व गरिएको छ। यसअघिका कार्यहरूमा यस्ता विषयवस्तुहरू विज्ञहरूको हातले टिप्पणबाट सिकिन्थ्यो, जबकि हाम्रो विधिले विषयवस्तु वितरणका साथै बिना पर्यवेक्षण विषयवस्तुहरूमा कोडवर्ड वितरण सिक्छ। हामी १३ वटा श्रेणीका जटिल दृश्यहरूको ठूलो सेटमा सन्तोषजनक वर्गीकरण प्रदर्शनको रिपोर्ट गर्छौं। |
fa6cbc948677d29ecce76f1a49cea01a75686619 | यस कागजमा, हामी वास्तविक विश्व दृश्यहरूको पहिचानको कम्प्यूटेशनल मोडेल प्रस्ताव गर्दछौं जुन खण्डन र व्यक्तिगत वस्तुहरू वा क्षेत्रहरूको प्रशोधनलाई बाइपास गर्दछ। यो प्रक्रिया दृश्यको एक अत्यन्तै कम आयामी प्रतिनिधित्वमा आधारित छ, जसलाई हामी स्थानिक लिफाफा भन्छौं। हामी धारणात्मक आयामहरूको सेट प्रस्ताव गर्दछौं (प्राकृतिकता, खुलापन, असमानता, विस्तार, कडापन) जसले दृश्यको प्रमुख स्थानिक संरचना प्रतिनिधित्व गर्दछ। त्यसपछि, हामी यी आयामहरू स्पेक्ट्रल र मोटाईमा स्थानीयकृत जानकारी प्रयोग गरेर विश्वसनीय रूपमा अनुमान गर्न सकिन्छ भनेर देखाउँछौं। मोडेलले बहुआयामिक स्थान उत्पन्न गर्दछ जसमा सेमेन्टिक कोटीहरूमा सदस्यता साझा गर्ने दृश्यहरू (उदाहरणका लागि, सडकहरू, राजमार्गहरू, तटहरू) सँगै बन्द हुन्छन्। स्थानिक लिफाफा मोडेलको प्रदर्शनले देखाउँदछ कि वस्तु आकार वा पहिचानको बारेमा विशिष्ट जानकारी दृश्य वर्गीकरणको लागि आवश्यकता छैन र दृश्यको समग्र प्रतिनिधित्वको मोडेलिंगले यसको सम्भावित अर्थगत कोटीको बारेमा जानकारी दिन्छ। |
1ac52b7d8db223029388551b2db25657ed8c9852 | यस लेखमा, हामी धेरै समान भविष्यवाणी कार्यहरू समावेश समस्याहरूको लागि मेशिन-लर्निंग समाधान प्रस्ताव गर्दछौं। प्रत्येक व्यक्तिगत कार्यमा उच्च जोखिम हुन्छ। हामी दुई प्रकारका ज्ञानको स्थानान्तरण कार्यहरू बीचमा यो जोखिम कम गर्न संयोजन गर्दछौं: बहु-कार्य सिकाइ र पदानुक्रमित बेइजियन मोडलिङ। बहु-कार्य सिकाइ यस धारणामा आधारित छ कि त्यहाँ हातमा कार्यको लागि विशिष्ट विशेषताहरू छन्। यी विशेषताहरु पत्ता लगाउन, हामी दुई तहको विशाल तंत्रिका नेटवर्कलाई प्रशिक्षण दिन्छौं। प्रत्येक कार्यको आफ्नै आउटपुट हुन्छ, तर इनपुटबाट लुकेका एकाइहरूमा सबै अन्य कार्यहरूसँग तौल साझा गर्दछ। यस तरिकाले सम्भावित व्याख्यात्मक चरहरूको अपेक्षाकृत ठूलो सेट (नेटवर्क इनपुटहरू) सुविधाहरूको सानो र ह्यान्डल गर्न सजिलो सेटमा कम हुन्छ (लुकेका एकाइहरू) । यी विशेषताहरूको सेटलाई ध्यानमा राख्दै र उपयुक्त स्केल रूपान्तरण पछि, हामी मान्दछौं कि कार्यहरू आदानप्रदान योग्य छन्। यो धारणाले एक पदानुक्रमित बेइजियन विश्लेषणको लागि अनुमति दिन्छ जसमा हाइपरपारामिटरहरू डाटाबाट अनुमान गर्न सकिन्छ। यी हाइपर-रेमिटरहरूले नियमितकर्ताको रूपमा काम गर्छन् र ओभर-टेटिङ रोक्छन्। हामी कसरी प्रणालीलाई समय श्रृंखलामा गैर-स्थिरता विरुद्ध बलियो बनाउने वर्णन गर्दछौं र थप सुधारको लागि निर्देशन दिन्छौं। हामीले समाचार पत्रको बिक्रीको पूर्वानुमानको बारेमा डेटाबेसमा आफ्ना विचारहरू चित्रण गरेका छौं। |
1e56ed3d2c855f848ffd91baa90f661772a279e1 | हामी पाठ र अन्य असतत डाटाको संग्रहको लागि एक जनरेटिभ मोडेल प्रस्ताव गर्दछौं जुन सामान्यीकृत गर्दछ वा धेरै अघिल्लो मोडेलहरूमा सुधार गर्दछ जसमा naive बेयज / युनिग्राम, युनिग्रामहरूको मिश्रण [6] र होफम्यानको पक्ष मोडेल, जसलाई सम्भावित लुप्त अर्थसूचक अनुक्रमणिका (pLSI) [3] पनि भनिन्छ। पाठ मोडेलिंगको सन्दर्भमा, हाम्रो मोडेलले प्रत्येक कागजात विषयहरूको मिश्रणको रूपमा उत्पन्न गर्दछ, जहाँ निरन्तर-मूल्यवान मिश्रण अनुपात लुकेको डाइरिचलेट अनियमित चरको रूपमा वितरित हुन्छन्। अनुमान र सिक्ने कार्य भिन्नता एल्गोरिदमको माध्यमबाट कुशलतापूर्वक गरिन्छ। हामी यस मोडेलको अनुप्रयोगमा पाठ मोडेलिंग, सहयोगी फिल्टरिङ, र पाठ वर्गीकरणमा समस्याहरूको अनुभवजन्य परिणामहरू प्रस्तुत गर्दछौं। |
e990a41e8f09e0ef4695c39af351bf25f333eefa | |
1f8116db538169de3553b1091e82107f7594301a | |
539ea86fa738afd939fb18566107c971461f8548 | संरचित आउटपुट स्पेसहरू (स्ट्रिंगहरू, रूखहरू, विभाजनहरू, आदि) मा म्यापिङ सामान्यतया वर्गीकरण एल्गोरिदमको विस्तारको प्रयोग गरेर सरल ग्राफिकल संरचनाहरू (उदाहरणका लागि, रैखिक चेनहरू) मा सिक्न सकिन्छ जसमा खोजी र प्यारामिटर अनुमान ठीकसँग गर्न सकिन्छ। दुर्भाग्यवश, धेरै जटिल समस्याहरूमा, यो दुर्लभ छ कि सटीक खोज वा प्यारामिटर अनुमान व्यवहार्य छ। सटीक मोडेलहरू सिक्ने र हेरिस्टिक माध्यमहरू मार्फत खोजी गर्नुको सट्टा, हामी यो कठिनाईलाई अँगाल्छौं र संरचनात्मक आउटपुट समस्यालाई अनुमानित खोजीको हिसाबले व्यवहार गर्दछौं। हामी सिकाइको लागि एउटा ढाँचा प्रस्तुत गर्दछौं जुन खोज अनुकूलन हो, र दुई प्यारामिटर अपडेटहरू कन्भर्जेन्स थे-ओरेम्स र सीमाहरूसँग। अनुभविक प्रमाणले देखाउँछ कि सिक्ने र डिकोडिङ गर्ने हाम्रो एकीकृत दृष्टिकोणले कम गणनात्मक लागतमा सटीक मोडेललाई पार गर्न सक्छ। |
1219fb39b46aabd74879a7d6d3c724fb4e55aeae | हामी टेक्नोलोजी उद्यमितामा विभिन्न प्रकारका अभिनेताहरूमा वितरित एजेन्सीको रूपमा एक परिप्रेक्ष्य विकास गर्दछौं। प्रत्येक अभिनेता एक प्रविधि संग संलग्न हुन्छ, र, प्रक्रिया मा, एक उभरते टेक्नोलोजी मार्ग को रूपान्तरण मा परिणाम कि इनपुट उत्पन्न गर्दछ। प्राविधिक मार्गमा इनपुटहरूको स्थिर संचयले एक गति उत्पन्न गर्दछ जसले वितरित अभिनेताहरूको गतिविधिहरूलाई सक्षम र सीमित गर्दछ। अर्को शब्दमा, एजेन्सी मात्र वितरित छैन, तर यो पनि इम्बेडेड छ। हामी यस परिप्रेक्ष्यलाई डेनमार्क र संयुक्त राज्य अमेरिकामा हावा टर्बाइनको उदयको आधारमा प्रक्रियाहरूको तुलनात्मक अध्ययनको माध्यमबाट व्याख्या गर्दछौं। हाम्रो तुलनात्मक अध्ययनको माध्यमबाट, हामी ब्रिकोलेज र ब्रेकथ्रू लाई प्राविधिक मार्गहरू आकार दिनका लागि अभिनेताहरूको संलग्नताको विपरित दृष्टिकोणको रूपमा विस्तृत रूपमा प्रस्तुत गर्दछौं। © २००२ एल्सभियर साइन्स बी.भी. सबै अधिकार सुरक्षित। |
2266636d87e44590ade738b92377d1fe1bc5c970 | |
2af586c64c32baeb445992e0ea6b76bbbbc30c7f | |
0e8b8e0c37b0ebc9c36b99103a487dbbbdf9ee97 | |
2c03df8b48bf3fa39054345bafabfeff15bfd11d | गहिरो न्युरोनल नेटवर्कलाई तालिम दिन कठिन हुन्छ। हामी एक अवशिष्ट सिकाउने ढाँचा प्रस्तुत गर्दछौं जुन पहिले प्रयोग गरिएका नेटवर्कहरू भन्दा धेरै गहिरो नेटवर्कहरूको प्रशिक्षणलाई सजिलो बनाउँदछ। हामी स्पष्ट रूपमा तहहरू पुनः तयार पार्छौं अवशिष्ट कार्यहरू सिक्ने सन्दर्भमा तह इनपुटहरूको सन्दर्भमा, सन्दर्भविहीन कार्यहरू सिक्नुको सट्टा। हामी व्यापक अनुभविक प्रमाण प्रदान गर्दछौं जसले यी अवशिष्ट नेटवर्कहरू अनुकूलन गर्न सजिलो छ, र पर्याप्त बृद्धि भएको गहिराईबाट सटीकता प्राप्त गर्न सक्दछ। ImageNet डाटासेटमा हामी १५२ तहसम्मको गहिराइ भएको अवशिष्ट जालको मूल्यांकन गर्छौं - VGG जालहरू भन्दा ८ गुणा गहिरो [४०] तर अझै कम जटिलता भएको। यी अवशिष्ट जालहरूको एक समूहले इमेजनेट परीक्षण सेटमा 3.57 प्रतिशत त्रुटि प्राप्त गर्दछ। यो परिणामले ILSVRC 2015 वर्गीकरण कार्यमा पहिलो स्थान जित्यो। हामी पनि CIFAR-10 मा 100 र 1000 तहहरूको साथ विश्लेषण प्रस्तुत गर्दछौं। धेरै दृश्य पहिचान कार्यहरूको लागि प्रतिनिधित्वको गहिराई केन्द्रीय महत्त्वको छ। हाम्रो अत्यन्त गहिरो प्रतिनिधित्वको कारण मात्र, हामी COCO वस्तु पत्ता लगाउने डेटासेटमा २८% सापेक्ष सुधार प्राप्त गर्छौं। गहिरो अवशिष्ट नेटहरू ILSVRC र COCO 2015 प्रतियोगिताहरूमा हाम्रो सबमिशनहरूको आधार हो, जहाँ हामीले इमेजनेट पत्ता लगाउने, इमेजनेट स्थानीयकरण, कोको पत्ता लगाउने, र कोको विभाजनको कार्यहरूमा पहिलो स्थानहरू पनि जित्यौं। |
5763c2c62463c61926c7e192dcc340c4691ee3aa | हामी एउटा छवि सुपर रिजोलुसन (एसआर) को लागि गहिरो सिकाइ विधि प्रस्ताव गर्दछौं। हाम्रो विधिले सिधै कम/उच्च रिजोल्युसन छविहरू बीचको अन्त-देखि-अन्त म्यापिङ सिक्छ। म्यापिङलाई गहिरो कन्भोल्युसनल न्युरल नेटवर्क (सीएनएन) [१५] को रूपमा प्रतिनिधित्व गरिन्छ जसले कम रिजोल्युसन छविलाई इनपुटको रूपमा लिन्छ र उच्च रिजोल्युसनको आउटपुट गर्दछ। हामी थप देखाउँछौं कि परम्परागत स्पायर-कोडिङ-आधारित एसआर विधिहरू पनि गहिरो कन्भोल्युसनल नेटवर्कको रूपमा हेर्न सकिन्छ। तर परम्परागत विधिहरू जस्तो कि प्रत्येक घटकलाई अलग-अलग ह्यान्डल गर्दछ, हाम्रो विधिले संयुक्त रूपमा सबै तहहरूलाई अनुकूलित गर्दछ। हाम्रो गहिरो सीएनएनको हल्का संरचना छ, तर यसले अत्याधुनिक पुनर्स्थापना गुणस्तर प्रदर्शन गर्दछ, र व्यावहारिक अन-लाइन प्रयोगको लागि द्रुत गति प्राप्त गर्दछ। |
2db168f14f3169b8939b843b9f4caf78c3884fb3 | यस पत्रमा, एक ब्रडब्यान्ड झुकाइएको त्रिकोणात्मक सर्वदिशात्मक एन्टेना आरएफ ऊर्जा कटाईको लागि प्रस्तुत गरिएको छ। एन्टेनाको ब्यान्डविथ VSWR ≤ 2 को लागि 850 MHz देखि 1.94 GHz सम्म छ। एन्टेनालाई क्षैतिज र ठाडो ध्रुवीकृत तरंगहरू प्राप्त गर्न डिजाइन गरिएको छ र सम्पूर्ण ब्यान्डविथमा स्थिर विकिरण ढाँचा छ। एन्टेनालाई ऊर्जा संकलन अनुप्रयोगको लागि पनि अनुकूलित गरिएको छ र यो १०० ओएच इनपुट प्रतिबाधाको लागि डिजाइन गरिएको छ जुन रेक्टिफायरमा निष्क्रिय भोल्टेज एम्पलीफिकेशन र प्रतिबाधा मिल्दो प्रदान गर्दछ। ६०% र १७% को एक चोटी दक्षता क्रमशः ९८० र १८०० मेगाहर्ट्जमा ५०० ओएचको भारको लागि प्राप्त हुन्छ। एक सेल साइटमा सबै ब्यान्डहरू एकै साथ कटाई गर्दा खुला सर्किटको लागि 3.76 V को भोल्टेज र 4.3 k Ω को भारमा 1.38 V को भोल्टेज 25 मीटरको दूरीमा रेक्टिनाको दुई तत्वहरूको एरे प्रयोग गरेर प्राप्त हुन्छ। |
484ac571356251355d3e24dcb23bdd6d0911bd94 | हालैको वैज्ञानिक र प्राविधिक प्रगतिले ग्राफको रूपमा मोडेल गरिएको संरचनात्मक ढाँचाहरूको प्रशस्तता देखायो। फलस्वरूप, यो विशेष चासोको छ कि ग्राफ कन्टेनमेन्ट क्वेरीहरू प्रभावकारी रूपमा ठूला ग्राफ डाटाबेसहरूमा प्रशोधन गर्न। ग्राफ डाटाबेस G, र क्वेरी ग्राफ q दिइएको छ, ग्राफ कन्टेनमेन्ट क्वेरीले G मा सबै ग्राफहरू पुनः प्राप्ति गर्नुपर्दछ जुन सबग्राफको रूपमा q समावेश गर्दछ। G मा ग्राफहरूको विशाल संख्या र सबग्राफ आइसोमोर्फिज्म परीक्षणको लागि जटिलताको प्रकृतिका कारण, क्वेरी प्रशोधनको समग्र लागत घटाउन उच्च-गुणवत्ताको ग्राफ अनुक्रमणिका संयन्त्रहरूको प्रयोग गर्नु उचित छ। यस लेखमा, हामी ग्राफ डाटाबेसको बारम्बार रूख सुविधाहरूमा आधारित नयाँ लागत-प्रभावी ग्राफ अनुक्रमणिका विधि प्रस्ताव गर्दछौं। हामी तीन महत्वपूर्ण पक्षहरूबाट सूचकांक सुविधाको रूपमा रूखको प्रभावकारिता र दक्षताको विश्लेषण गर्दछौं: सुविधा आकार, सुविधा चयन लागत, र छँटाई शक्ति। विद्यमान ग्राफ-आधारित अनुक्रमणिका विधिहरू भन्दा राम्रो छँटाई क्षमता प्राप्त गर्न, हामी बारम्बार रूख-सुविधाहरू (Tree) को अतिरिक्त, मागमा थोरै संख्यामा भेदभावपूर्ण ग्राफहरू (∆) छनौट गर्दछौं, पहिले नै महँगो ग्राफ खनन प्रक्रिया बिना। हाम्रो अध्ययनले प्रमाणित गर्छ कि (Tree+∆) ग्राफ कन्टेनमेन्ट क्वेरी समस्यालाई सम्बोधन गर्नका लागि ग्राफ भन्दा राम्रो विकल्प हो। यसको दुईवटा प्रभावहरू छन्: (१) (Tree+∆) द्वारा अनुक्रमणिका निर्माण कुशल छ, र (२) (Tree+∆) द्वारा ग्राफ कन्टेनमेन्ट क्वेरी प्रोसेसिंग कुशल छ। हाम्रो प्रयोगात्मक अध्ययनहरूले देखाउँछ कि (Tree+∆) सँग कम्प्याक्ट इन्डेक्स संरचना छ, इन्डेक्स निर्माणमा परिमाणको राम्रो प्रदर्शन प्राप्त गर्दछ, र सबैभन्दा महत्त्वपूर्ण कुरा, ग्राफ कन्टेनमेन्ट क्वेरी प्रोसेसिंगमा अप-टु-डेट ग्राफ-आधारित अनुक्रमणिका विधिहरूः gIndex र C-Tree लाई पार गर्दछ। |
22749899b50c5113516b9820f875a580910aa746 | एउटा सानो स्लट-लोडेड प्याच एन्टेना डिजाइन दुवै L1 र L2 ब्यान्ड GPS संकेतहरू प्राप्त गर्नका लागि विकसित गरिएको छ। दोहोरो ब्यान्ड कभरेज L2 ब्यान्डमा प्याच मोड र L1 ब्यान्डमा स्लट मोड प्रयोग गरेर प्राप्त गरिन्छ। उच्च डाइलेक्ट्रिक सामग्री र मेन्डर गरिएको स्लट लाइन एन्टेना आकारलाई व्यासमा २ 25.4..4 मिमीमा कम गर्न प्रयोग गरिन्छ। आरएचसीपी दुई ओर्थोगोनल मोडहरू सानो ०°-९०° हाइब्रिड चिपको माध्यमबाट संयोजन गरेर प्राप्त गरिन्छ। दुवै प्याच र स्लट मोडले एन्टेनाको छेउमा सुविधाजनक रूपमा स्थित एकल निकटता जांच साझा गर्दछ (चित्र १) । यस कागजातले डिजाइन प्रक्रियाको बारेमा छलफल गर्दछ साथै सिमुलेटेड एन्टेना प्रदर्शनको बारेमा पनि छलफल गर्दछ। |
afbe59950a7d452ce0a3f412ee865f1e1d94d9ef | सुदृढीकरण सिकाइले स्वायत्त रोबोटहरूलाई न्यूनतम मानव हस्तक्षेपको साथ व्यवहारिक सीपहरूको ठूलो रेपर्टोरिय सिक्न सक्षम पार्ने प्रतिज्ञा गर्दछ। यद्यपि, सुदृढीकरण सिकाइको रोबोटिक अनुप्रयोगहरूले प्रायः वास्तविक भौतिक प्रणालीहरूको लागि व्यावहारिक प्रशिक्षण समय प्राप्त गर्ने पक्षमा सिकाइ प्रक्रियाको स्वायत्ततामा सम्झौता गर्दछ। यसमा सामान्यतया हातले डिजाइन गरिएको नीतिगत प्रतिनिधित्व र मानव-आपूर्ति गरिएको प्रदर्शनको परिचय समावेश छ। गहिरो सुदृढीकरण सिकाइले सामान्य उद्देश्यको तंत्रिका नेटवर्क नीतिहरू प्रशिक्षण गरेर यो सीमिततालाई कम गर्दछ, तर प्रत्यक्ष गहिरो सुदृढीकरण सिकाइ एल्गोरिदमको अनुप्रयोगहरू सिमुलेटेड सेटिंग्स र तुलनात्मक रूपमा सरल कार्यहरूमा सीमित छन्, तिनीहरूको स्पष्ट उच्च नमूना जटिलताको कारण। यस लेखमा, हामी देखाउँछौं कि हालैको गहिरो सुदृढीकरण सिकाउने एल्गोरिथ्म गहिरो क्यू-कार्यहरूको अफ-नीति प्रशिक्षणमा आधारित जटिल थ्रीडी हेरफेर कार्यहरूमा स्केल गर्न सकिन्छ र वास्तविक भौतिक रोबोटहरूमा प्रशिक्षण दिनको लागि पर्याप्त दक्षताका साथ गहिरो न्यूरोनल नेटवर्क नीतिहरू सिक्न सक्छ। हामीले यो देखाएका छौं कि प्रशिक्षण समयलाई थप घटाउन सकिन्छ यदि हामी धेरै रोबोटहरूमा एल्गोरिथ्मलाई समानान्तर बनाउँदछौं जसले उनीहरूको नीति अपडेटहरू एसिन्क्रोनस रूपमा साझा गर्दछ। हाम्रो प्रयोगात्मक मूल्यांकनले देखाउँछ कि हाम्रो विधिले सिमुलेसनमा विभिन्न थ्रीडी हेरफेर सीपहरू सिक्न सक्छ र कुनै पनि पूर्व प्रदर्शन वा म्यानुअल डिजाइन गरिएको प्रतिनिधित्व बिना वास्तविक रोबोटहरूमा जटिल ढोका खोल्ने सीप सिक्न सक्छ। |
b8aa8b5d06c98a900d8cea61864669b28c3ac0fc | यस लेखमा सवारी साधनको वातावरणमा भेहिकल डेले टलरेन्ट नेटवर्क (वीडीटीएन) मा मार्गनिर्देशनका लागि प्रस्तावित मार्गनिर्देशन प्रोटोकलहरूको विस्तृत सर्वेक्षण प्रस्तुत गरिएको छ। डीटीएनहरू विभिन्न परिचालन वातावरणहरूमा प्रयोग गरिन्छ, जसमा ती अवरोध र विच्छेदनको अधीनमा छन् र ती उच्च ढिलाइको साथ, जस्तै वाहन एड-होक नेटवर्क (भ्यानेट) । हामी विशेष प्रकारको VANET मा केन्द्रित छौं, जहाँ सवारी साधनको आवागमन विरल छ र संचार गर्ने पक्षहरू बीच सीधा अन्त-देखि-अन्त मार्गहरू सधैं अवस्थित हुँदैनन्। यस प्रकार, यस सन्दर्भमा संचार सवारी साधन विलम्ब सहिष्णु नेटवर्क (VDTN) को श्रेणीमा पर्दछ। एक RSU (रोड साइड युनिट) को सीमित प्रसारण दायराको कारण, VDTN मा रिमोट वाहनहरू, RSU मा सीधा जडान हुन सक्दैन र यसैले प्याकेटहरू रिले गर्न मध्यवर्ती वाहनहरूमा निर्भर हुनुपर्दछ। सन्देश रिले प्रक्रियाको बखत, पूर्ण अन्त-देखि-अन्त पथहरू अत्यधिक विभाजन गरिएको VANET मा अवस्थित नहुन सक्छ। यसकारण मध्यवर्ती यन्त्रहरुले सन्देशहरु बफर र पठाउनु पर्छ। बफर, ट्रान्सपोर्ट र फर्वार्डको माध्यमबाट, सन्देश अन्ततः गन्तव्यमा पुर्याउन सकिन्छ यदि स्रोत र गन्तव्य बीच अन्त-देखि-अन्त जडान कहिल्यै अवस्थित छैन भने पनि। DTN मा मार्ग प्रोटोकलको मुख्य उद्देश्य गन्तव्यमा डेलिभरीको सम्भावना अधिकतम पार्नु हो जबकि अन्त-देखि-अन्त ढिलाइलाई न्यूनतम बनाउनु हो। साथै, सवारी साधनको नेटवर्कमा डीटीएन मार्गनिर्देशनका लागि सवारी साधन ट्राफिक मोडेलहरू महत्त्वपूर्ण छन् किनकि डीटीएन मार्गनिर्देशन प्रोटोकलको प्रदर्शन नेटवर्कको जनसंख्या र गतिशीलता मोडेलसँग नजिकबाट सम्बन्धित छ। २०१४ एल्सभियर बी.भी. सबै अधिकार सुरक्षित। |
4555fd3622908e2170e4ffdd717b83518b123b09 | यस लेखमा एन्टेनाको मापदण्डमा हुने प्रभावको बारेमा बताइएको छ जब एन्टेनालाई धातुको प्लेटको नजिकै क्षैतिज रूपमा राखिएको हुन्छ। प्लेटको आकार सीमित छ र यो आयताकार आकारको छ। एक तह गरिएको डिपोल एन्टेना प्रयोग गरिन्छ र यो प्लेट माथि सममित रूपमा राखिएको छ। एफईएम (फिनिट एलिमेन्ट विधि) प्लेटको आकार र प्लेट र एन्टेना बीचको दूरीमा एन्टेना प्यारामिटरहरूको निर्भरता अनुकरण गर्न प्रयोग गरिन्छ। धातुको प्लेटको उपस्थिति, यदि यो सही दूरीमा छ भने पनि सानो छ भने, एन्टेनाको व्यवहारमा धेरै ठूलो परिवर्तनहरू निम्त्याउँछ। विशेष गरी चौडाइमा प्लेट जति ठूलो हुन्छ, विकिरण ढाँचाको लोब त्यति नै तीखो र साँघुरो हुन्छ। एन्टेनाको उचाइले विकिरण ढाँचामा कति लोबहरू छन् भन्ने कुरा परिभाषित गर्छ। एन्टेनाको उचाई बढ्दै जाँदा एन्टेनाका केही प्यारामिटरहरू, प्रतिबाधा, दिशात्मकता र अगाडि-पछाडि अनुपात सहित आवधिक रूपमा परिवर्तन हुन्छन्। एन्टेनाको अनुनाद आवृत्ति पनि धातु प्लेटको प्रभावमा परिवर्तन हुन्छ। |
d70cd3d2fe0a194321ee92c305976873b883d529 | एक वाइडब्यान्ड 57.7-84.2 GHz चरण शिफ्टर एक कम्प्याक्ट ल्यान्ज युग्मक प्रयोग गरी प्रस्तुत गरिएको छ चरण र क्वाड्रेचर संकेत उत्पन्न गर्न। लान्ज युग्मक पछि दुई बलुन ट्रान्सफार्मरहरू छन् जसले IQ भेक्टर मोडुलेशनलाई भिन्नता I र Q संकेतहरू प्रदान गर्दछ। चरण शिफ्टरले औसत ६ डीबी इन्सेर्सन घाटा र ५ डीबी लाभ भिन्नता देखाउँछ। मापन गरिएको औसत आरएमएस चरण र लाभ त्रुटि क्रमशः 7 डिग्री र 1 डीबी हो। चरण शिफ्टर ग्लोबलफाउन्ड्रीजको ४५ एनएम एसओआई सीएमओएस टेक्नोलोजीमा लागू गरिएको छ। चिप क्षेत्र ३८५ माइक्रोन × २८५ माइक्रोन छ र चरण शिफ्टरले १७ मेगावाट भन्दा कम खपत गर्छ। लेखकको ज्ञानको सर्वश्रेष्ठमा, यो पहिलो चरण शिफ्टर हो जुन 60 GHz ब्यान्ड र ई-ब्यान्ड फ्रिक्वेन्सीहरू 37% को आंशिक ब्यान्डविथको साथ कभर गर्दछ। |
eb58118b9db1e95f9792f39c3780dbba3bb966cb | यस लेखमा स्ट्रोक वा पार्किन्सन रोगका बिरामीहरूको लागि स्पेस-टाइम चाल ढाँचाबाट मात्रात्मक मापन प्राप्त गर्न र क्लिनिकल सूचकहरू अन्वेषण गर्न एक पहिरनयोग्य जडत्वीय मापन प्रणाली र यसको सम्बन्धित स्पेस-टाइम चाल विश्लेषण एल्गोरिथ्म प्रस्तुत गरिएको छ। यो पहिरनयोग्य प्रणालीमा माइक्रो कन्ट्रोलर, ट्रियाक्सियल एक्सेलेरोमिटर, ट्रियाक्सियल जाइरोस्कोप र आरएफ वायरलेस ट्रान्समिशन मोड्युल समावेश छ। अन्तरिक्ष-समयिक चाल विश्लेषण एल्गोरिथ्म, जसमा जडत्वीय संकेत अधिग्रहण, संकेत पूर्व-प्रसंस्करण, चाल चरण पत्ता लगाउने, र गति अनुमानको टखने दायरा समावेश छ, गति र कोणिक वेगबाट चाल सुविधाहरू निकाल्नको लागि विकसित गरिएको छ। घुँडाको गतिको सही सीमाको अनुमान गर्न हामीले एक्सेलेरेशन र एङ्गुलर वेगलाई एक पूरक फिल्टरमा एकीकृत गरेका छौं जडान त्रुटिलाई कम गर्नका लागि जडान त्रुटि जडान गर्नका लागि जडान त्रुटिलाई कम गर्नका लागि जडान त्रुटिलाई कम गर्नका लागि जडान त्रुटिलाई कम गर्नका लागि जडान त्रुटिलाई कम गर्नका लागि जडान त्रुटिलाई कम गर्नका लागि जडान त्रुटिलाई कम गर्नका लागि जडान त्रुटिलाई कम गर्नका लागि जडान त्रुटिलाई कम गर्नका लागि जडान त्रुटिलाई कम गर्नका लागि जडान त्रुटिलाई कम गर्नका लागि जडान त्रुटिलाई कम गर्नका लागि जडान त्रुटिलाई कम गर्नका लागि जडान त्रुटिलाई कम गर्नका लागि सबै २४ जना सहभागीहरूले आफ्नो खुट्टामा प्रणाली जडान गरे र सामान्य गतिमा १० मिटरको सीधा रेखामा हिंड्नका लागि उनीहरूको हिँड्ने रेकर्डहरू संकलन गरियो। प्रयोगात्मक परिणामले देखाउँछ कि प्रस्तावित जडत्वीय मापन प्रणाली डिजाइन गरिएको स्पेस-टाइमरोल ग्याट विश्लेषण एल्गोरिथ्मको साथ स्वचालित रूपमा स्पेस-टाइमरोल ग्याट जानकारी विश्लेषण गर्नका लागि एक आशाजनक उपकरण हो, स्ट्रोक वा पार्किन्सन रोगको निदानको लागि चिकित्सीय प्रभावकारिता अनुगमन गर्न क्लिनिकल सूचकहरूको रूपमा सेवा गर्दै। |
7e7f14f325d7e8d70e20ca22800ad87cfbf339ff | यस प्रकाशनमा पुनः छापिएका लेखहरू छन् जसको प्रतिलिपि अधिकार आईईईईको स्वामित्वमा छैन। यी लेखहरूको पूर्ण पाठ IEEE Xplore मा उपलब्ध छैन। |
002a8b9ef513d46dc8dcce85c04a87ae6a221b4c | हामी प्रतिगमन र वर्गीकरणका लागि समर्थन वेक्टर एल्गोरिदमको नयाँ वर्ग प्रस्ताव गर्दछौं। यी एल्गोरिदमहरूमा, एक प्यारामिटरले एकलाई समर्थन भेक्टरहरूको संख्यालाई प्रभावकारी रूपमा नियन्त्रण गर्न दिन्छ। जबकि यो आफ्नै अधिकारमा उपयोगी हुन सक्छ, प्यारामिटरिजले हामीलाई एल्गोरिथ्मको अन्य निः शुल्क प्यारामिटरहरू मध्ये एकलाई हटाउन सक्षम पार्ने थप फाइदा छ: प्रतिगमनको मामलामा शुद्धता प्यारामिटर, र वर्गीकरणको मामलामा नियमितकरण स्थिर सी। हामी एल्गोरिदमको वर्णन गर्छौं, केही सैद्धान्तिक परिणामहरू दिन्छौं जसको अर्थ र छनौटको बारेमा, र प्रयोगात्मक परिणामहरूको रिपोर्ट गर्दछौं। |
0911bcf6bfff20a84a56b9d448bcb3d72a1eb093 | एक स्वतः एन्कोडरको नियमित प्रशिक्षणले सामान्यतया लुकेका एकाई पूर्वाग्रहमा परिणाम दिन्छ जुन ठूलो नकारात्मक मान लिन्छ। हामी देखाउँछौं कि नकारात्मक पूर्वाग्रहहरू लुकेको तहको प्रयोगको प्राकृतिक परिणाम हो जसको जिम्मेवारी इनपुट डाटा प्रतिनिधित्व गर्ने र प्रतिनिधित्वको स्पायरिटी सुनिश्चित गर्ने छनौट संयन्त्रको रूपमा कार्य गर्ने हो। हामी त्यसपछि नकारात्मक पूर्वाग्रहहरू डाटा वितरणको सिक्नमा बाधा पुर्याउँछौं जसको आन्तरिक आयाम उच्च छ। हामी एउटा नयाँ सक्रियता प्रकार्य पनि प्रस्ताव गर्छौं जसले लुकेको तहको दुई भूमिकालाई अलग गर्दछ र यसले हामीलाई डाटामा प्रतिनिधित्वहरू सिक्न अनुमति दिन्छ धेरै उच्च आन्तरिक आयामको साथ, जहाँ मानक स्वतः एन्कोडरहरू सामान्यतया असफल हुन्छन्। डिस्कपल्ड एक्टिभेसन फंक्शनले एक निहित रेगुलेराइजरको रूपमा कार्य गर्दछ, मोडेललाई प्रशिक्षण डेटाको पुनर्निर्माण त्रुटिलाई न्यूनतम बनाएर प्रशिक्षण दिन सकिन्छ, कुनै अतिरिक्त नियमितकरणको आवश्यकता बिना। |
27f9b805de1f125273a88786d2383621e60c6094 | यस लेखमा हामी गति नियन्त्रण र स्थिति अनुमान सुधार गर्न ट्र्याक मोबाइल रोबोटहरूको लागि एक गतिशील दृष्टिकोण प्रस्ताव गर्दछौं। स्लिप र ट्रयाक-माटो अन्तरक्रियाको कारण जटिल गतिशीलताले ट्रयाकको वेगको आधारमा गाडीको सही गति अनुमान गर्न गाह्रो बनाउँछ। यद्यपि, स्वायत्त नेभिगेसनका लागि वास्तविक समय गणनाहरूलाई लूपमा गतिशीलता परिचय नगरी प्रभावकारी किनेमेटिक्स अनुमानको आवश्यकता पर्दछ। प्रस्तावित समाधान यो तथ्यमा आधारित छ कि गति विमानमा सवारी साधनको सम्बन्धमा पल्टाउने केन्द्रहरू (आईसीआर) गतिशीलतामा निर्भर छन्, तर तिनीहरू सीमित क्षेत्र भित्र छन्। यस प्रकार, एक विशेष भूभागको लागि स्थिर आईसीआर स्थितिहरूको अनुकूलन गर्दा ट्र्याक गरिएको मोबाइल रोबोटहरूको लागि अनुमानित किनेमेटिक मोडेल हुन्छ। यो अध्ययनले गतिजन्य मापदण्डहरूको अनुमान गर्न दुईवटा तरिकाहरू प्रस्तुत गरेको छ: (i) सवारी साधनको सम्पूर्ण गति सीमाको गतिजन्य मोडेलको स्थिर प्रतिक्रियाको अनुकरण; (ii) प्रयोगात्मक सेटअपको परिचय जसले गर्दा एक आनुवंशिक एल्गोरिथ्मले वास्तविक सेन्सर रिडिङबाट मोडेल उत्पादन गर्न सक्छ। यी विधिहरू अनलाइन ओडोमेट्रिक गणना र मध्यम गतिमा हार्ड-सतह समतल माटोमा Aurigaα मोबाइल रोबोटको साथ कम-स्तर गति नियन्त्रणको लागि मूल्यांकन गरिएको छ। कुञ्जी शब्दहरू ट्रयाक गरिएका सवारी साधनहरू, गतिशील नियन्त्रण, मोबाइल रोबोटिक्स, प्यारामिटर पहिचान, गतिशील सिमुलेसन |
04caa1a55b12d5f3830ed4a31c4b47921a3546f2 | कर्नेल वर्गीकरणकर्ता र रिग्रेसरहरू संरचित डाटाका लागि डिजाइन गरिएको छ, जस्तै अनुक्रम, रूखहरू र ग्राफहरू, धेरै अन्तर-अनुशासनात्मक क्षेत्रहरू जस्तै कम्प्युटेशनल जीवविज्ञान र औषधि डिजाइनमा उल्लेखनीय रूपमा उन्नत भएका छन्। सामान्यतया, कर्नेलहरू डाटा प्रकारको लागि पहिले नै डिजाइन गरिएको हुन्छ जसले या त संरचनाहरूको तथ्या .्कको शोषण गर्दछ वा सम्भावित जनरेटिभ मोडेलहरूको प्रयोग गर्दछ, र त्यसपछि एक भेदभाव वर्गीकरण कर्नेलको आधारमा सिकिएको हुन्छ। तथापि, यस्तो सुरुचिपूर्ण दुई-चरण दृष्टिकोणले कर्नेल विधिहरूलाई लाखौं डाटा पोइन्टहरूसम्म स्केल गर्न र सुविधा प्रतिनिधित्वहरू सिक्न भेदभावपूर्ण जानकारीको शोषण गर्न सीमित गर्यो। हामी संरचना २ भिक, संरचनागत डेटा प्रतिनिधित्वको लागि प्रभावकारी र स्केलेबल दृष्टिकोण प्रस्ताव गर्दछौं जुन सुविधा स्पेसमा लुकेका चर मोडेलहरू इम्बेड गर्ने विचारमा आधारित छ, र भेदभाव जानकारी प्रयोग गरेर त्यस्ता सुविधा स्पेसहरू सिक्ने। रोचक कुरा के छ भने, संरचना २ भिकले ग्राफिकल मोडेल अनुमान प्रक्रियाहरू जस्तै, जस्तै औसत क्षेत्र र विश्वास प्रसारको रूपमा, प्रकार्य म्यापि ofको अनुक्रम प्रदर्शन गरेर सुविधाहरू निकाल्छ। लाखौं डाटा पोइन्टहरू समावेश गर्ने अनुप्रयोगहरूमा, हामीले देखायौं कि संरचना २ भिक २ गुणा छिटो चल्छ, १०,००० गुणा सानो मोडेलहरू उत्पादन गर्दछ, जबकि एकै समयमा अत्याधुनिक भविष्यवाणी प्रदर्शन प्राप्त गर्दछ। |
1dc5b2114d1ff561fc7d6163d8f4e9c905ca12c4 | यो राम्रोसँग ज्ञात छ कि जब डाटा असामान्य रूपमा वितरित हुन्छ, पियर्सनको r को महत्त्वको परीक्षणले टाइप I त्रुटि दरहरू बढाउन सक्छ र शक्ति घटाउन सक्छ। तथ्याङ्क पाठ्यपुस्तकहरू र सिमुलेसन साहित्यले पियरसनको सम्बन्धको लागि धेरै विकल्पहरू प्रदान गर्दछ। तर, यी विकल्पहरूको तुलनात्मक प्रभावकारिता स्पष्ट छैन। १२ वटा विधिहरू तुलना गर्नका लागि दुईवटा सिमुलेसन अध्ययनहरू गरियो, जसमा पियर्सन, स्पियरम्यानको रैंक-अर्डर, रूपान्तरण, र पुनः नमूनाकरण दृष्टिकोणहरू समावेश छन्। धेरैजसो नमूना आकार (एन ≥ २०) को साथ, टाइप I र टाइप II त्रुटि दरहरू पियर्सन सहसंबंधको आकलन गर्नु अघि डाटालाई सामान्य आकारमा रूपान्तरण गरेर कम गरिएको थियो। रूपान्तरण दृष्टिकोणहरू मध्ये, एक सामान्य उद्देश्य रैंक-आधारित उल्टो सामान्य रूपान्तरण (अर्थात्, रैंकिट स्कोरमा रूपान्तरण) सबैभन्दा लाभदायक थियो। तर, जब नमूनाहरू दुवै सानो (एन ≤ 10) र अत्यन्तै असामान्य थिए, क्रमबद्ध परीक्षण अक्सर विभिन्न बुटस्ट्र्याप परीक्षणहरू सहित अन्य विकल्पहरू भन्दा राम्रो प्रदर्शन गर्यो। |
d3abb0b5b3ce7eb464846bbdfd93e0fbf505e954 | यस लेखमा, हामी तीनवटा फरक-फरक अवधारणाहरू तुलना गर्दछौं जुन कम्प्याक्ट एन्टेना एरेहरू सब्सट्रेट एकीकृत वेभगाइडहरू (एसआईडब्ल्यू) द्वारा खुवाइएको छ। एन्टेना अवधारणाहरू रेडिएटरको प्रकारमा भिन्न हुन्छन्। स्लटले चुम्बकीय रैखिक रेडिएटरहरू प्रतिनिधित्व गर्दछ, प्याचहरू विद्युतीय सतह रेडिएटरहरू हुन्, र भिभल्डी स्लटहरू यात्रा-लहर एन्टेनासँग सम्बन्धित छन्। यसैले, एसआईडब्ल्यू फिडरहरूले एन्टेना तत्वहरूलाई उत्तेजित गर्ने विभिन्न संयन्त्रहरूको शोषण गर्नुपर्दछ। एन्टेनाको प्रतिबाधा र विकिरण गुणहरू सामान्य आवृत्तिसँग सम्बन्धित छन्। एन्टेनाको एरेहरू पारस्परिक रूपमा तुलना गरिएको छ एन्टेनाको राज्य चरहरूमा डिजाइन गरिएको एन्टेनाको अन्तिम प्यारामिटरहरूको मौलिक निर्भरताहरू देखाउन, एसआईडब्ल्यू फिडर आर्किटेक्चरहरूमा र सम्बन्धित कार्यान्वयन विवरणहरूमा। |
e4acaccd3c42b618396c9c28dae64ae7091e36b8 | एक उपन्यास I/Q रिसीभर एरे प्रदर्शन गरिएको छ जुन प्रत्येक प्राप्त च्यानलमा चरण शिफ्टहरू अनुकूलन गर्दछ एक प्राप्त बीमलाई एक घटनात्मक आरएफ संकेततर्फ निर्देशित गर्न। मापन गरिएको एर्रे ८.१ गीगाहर्जमा काम गर्दछ र चार तत्व एर्रेको लागि +/-35 डिग्रीको स्टीयरिंग ए angle्गल कभर गर्दछ। यसको अतिरिक्त, रिसीभरले I/Q डाउन-कन्वर्टर समावेश गर्दछ र 64QAM लाई EVM सँग 4% भन्दा कमको साथ डिमोड्युलेट गर्दछ। यो चिप ४५ एनएम सीएमओएस एसओआई प्रक्रियामा निर्मित छ र यसको क्षेत्रफल ३.४५ मिमी२ छ र यसले १४३ एमडब्ल्यूको विद्युत खपत गर्छ। |
149bf28af91cadf2cd933bd477599cca40f55ccd | हामी सिकाइको वास्तुकलाको प्रस्ताव गर्छौं, जसले कच्चा दृश्य इनपुट डाटामा आधारित सुदृढीकरण सिकाइ गर्न सक्षम छ। विगतका दृष्टिकोणहरूको विपरित, नियन्त्रण नीति मात्र सिकिन्छ। सफल हुनको लागि, प्रणालीले पनि स्वतन्त्र रूपमा सिक्नुपर्दछ, कसरी इनपुट जानकारीको उच्च आयामी स्ट्रिमबाट सान्दर्भिक जानकारी निकाल्ने, जसको लागि सिमेन्टिक्स सिकाउने प्रणालीमा प्रदान गरिएको छैन। हामी यस उपन्यास सिकाइ वास्तुकलाको पहिलो प्रूफ-अफ-कन्सेप्ट चुनौतीपूर्ण बेन्चमार्कमा दिन्छौं, अर्थात् रेसिङ स्लट कारको भिजुअल कन्ट्रोल। [पृष्ठ २३-मा भएको चित्र] |
759d9a6c9206c366a8d94a06f4eb05659c2bb7f2 | हालसम्म, कम्प्युटर भिजनमा मेशिन लर्निंगमा आधारित मान्यता एल्गोरिदमको लगभग सबै प्रयोगात्मक मूल्यांकनले "बन्द सेट" मान्यताको रूप लिएको छ, जसमा सबै परीक्षण वर्गहरू प्रशिक्षण समयमा परिचित छन्। दृष्टि अनुप्रयोगहरूको लागि एक अधिक यथार्थवादी परिदृश्य "खुला सेट" मान्यता हो, जहाँ प्रशिक्षणको समयमा संसारको अपूर्ण ज्ञान उपस्थित हुन्छ, र परीक्षणको क्रममा अज्ञात वर्गहरू एल्गोरिथ्ममा पेश गर्न सकिन्छ। यस लेखमा खुला सेट मान्यताको प्रकृतिको अन्वेषण गरिएको छ र यसको परिभाषालाई सीमित न्यूनिकरण समस्याको रूपमा औपचारिक बनाइएको छ। खुला सेट पहिचान समस्यालाई विद्यमान एल्गोरिदमहरूले राम्रोसँग सम्बोधन गर्दैनन् किनकि यसलाई बलियो सामान्यीकरणको आवश्यकता पर्दछ। समाधानको दिशामा एक कदमको रूपमा, हामी एक उपन्यास 1-vs-सेट मेशिन, परिचय गर्दछौं जसले एक-वर्ग वा बाइनरी एसवीएमको सीमा दूरीबाट एक निर्णय स्थानलाई रेखांकित कर्नेलको साथ बनाउँछ। यो पद्धति कम्प्युटर भिजनमा धेरै फरक अनुप्रयोगहरूमा लागू हुन्छ जहाँ खुला सेट मान्यता चुनौतीपूर्ण समस्या हो, वस्तु मान्यता र अनुहार प्रमाणीकरण सहित। हामी दुवैलाई यस कार्यमा विचार गर्दछौं, क्याल्टेक २५६ र इमेजनेट सेटहरूमा गरिएको ठूलो मात्रामा क्रस-डाटासेट प्रयोगहरू, साथै लेबल गरिएको फेस इन द वाइल्ड सेटमा प्रदर्शन गरिएको अनुहार मिल्दो प्रयोगहरू। प्रयोगहरूले उही कार्यहरूको लागि विद्यमान १-वर्ग र बाइनरी एसवीएमको तुलनामा खुला सेट मूल्यांकनको लागि अनुकूलित मेशिनहरूको प्रभावकारितालाई हाइलाइट गर्दछ। |
00960cb3f5a74d23eb5ded93f1aa717b9c6e6851 | बेइजियन अनुकूलन अज्ञात, महँगो र बहु-मोडल प्रकार्यहरूको वैश्विक अनुकूलनको लागि अत्यधिक प्रभावकारी विधि हो। बेइजियन अनुकूलनको प्रभावकारिताका लागि फंक्शनहरूमा वितरणको सही मोडेल गर्ने क्षमता महत्वपूर्ण छ। यद्यपि ग्यासियन प्रक्रियाहरूले कार्यहरूमा लचिलो पूर्व-प्रदान प्रदान गर्दछ, त्यहाँ प्रकार्यहरूको विभिन्न वर्गहरू छन् जुन मोडेल गर्न गाह्रो रहन्छ। यी मध्ये सबैभन्दा धेरै हुने गैर-स्थिर प्रकार्यहरूको वर्ग हो। मेशिन लर्निंग एल्गोरिदमको हाइपरपारामिटरहरूको अनुकूलन एक समस्या डोमेन हो जसमा प्यारामिटरहरू प्रायः म्यानुअल रूपमा पूर्वनिर्धारित रूपान्तरण गरिन्छ, उदाहरणका लागि लग-स्पेसमा अनुकूलन गरेर, स्थानिक रूपमा भिन्न लम्बाई स्केलको प्रभावहरूलाई कम गर्न। हामी बीटा संचयी वितरण फंक्शनको प्रयोग गरेर इनपुट स्पेसको बिजेक्टिभ रूपान्तरण वा विकृतिहरूको विस्तृत परिवारलाई स्वचालित रूपमा सिक्नको लागि एक पद्धति विकास गर्दछौं। हामी थप बहु-कार्य Bayesian अनुकूलन गर्न warping फ्रेमवर्क विस्तार ताकि धेरै कार्यहरू संयुक्त रूपमा स्थिर स्थानमा warped गर्न सकिन्छ। चुनौतीपूर्ण बेन्चमार्क अप्टिमाइजेसन कार्यहरूको सेटमा, हामी अवलोकन गर्दछौं कि वार्पिंग समावेश गर्दा अत्याधुनिक राज्यमा ठूलो सुधार हुन्छ, छिटो र अधिक विश्वसनीयताका साथ राम्रो परिणामहरू उत्पादन गर्दछ। |
b53e4c232833a8e663a9cf15dcdd050ff801c05c | हामी एक उच्च-प्रवाह वास्तविक समय विश्लेषणको लागि एक स्केलेबल प्रणाली प्रस्तुत गर्दछौं। हाम्रो वास्तुकलाले प्रणालीमा डाटा आइपुग्दा पूर्वानुमानात्मक विश्लेषण र विसंगति पत्ता लगाउने मोडेलहरूको वृद्धिशील विकासलाई सक्षम बनाउँछ। हडोप जस्ता ब्याच डाटा प्रोसेसिंग सिस्टमको विपरीत, जसको उच्च लेटेन्सी हुन्छ, हाम्रो आर्किटेक्चरले डाटाको इन्गेस्ट र एनालिसिसलाई अनुमति दिन्छ, जसले गर्दा असामान्य व्यवहारको पहिचान र प्रतिक्रिया वास्तविक समयमा हुन्छ। यो समयबद्धता आन्तरिक खतरा, वित्तीय ठगी, र नेटवर्क घुसपैठ जस्ता अनुप्रयोगहरूको लागि महत्त्वपूर्ण छ। हामी यस प्रणालीको आन्तरिक खतराहरू पत्ता लगाउने समस्यामा यसको अनुप्रयोग प्रदर्शन गर्दछौं, अर्थात् प्रणालीका प्रयोगकर्ताहरू द्वारा संगठनको स्रोतहरूको दुरुपयोग र सार्वजनिक रूपमा उपलब्ध आन्तरिक खतरा डाटासेटमा हाम्रा प्रयोगहरूको परिणामहरू प्रस्तुत गर्दछौं। |
39b58ef6487c893219c77c61c762eee5694d0e36 | वर्गीकरण डाटा माइनिङको उदीयमान क्षेत्रमा एउटा महत्त्वपूर्ण समस्या हो। यद्यपि वर्गीकरणको बारेमा विगतमा धेरै अध्ययन गरिएको छ, तर अधिकांश वर्गीकरण एल्गोरिदमहरू मेमोरी-निवासी डाटाका लागि मात्र डिजाइन गरिएको छ, जसले ठूलो डाटा सेटहरूको डाटा खानीको लागि उनीहरूको उपयुक्ततालाई सीमित गर्दछ। यस लेखमा स्केलेबल क्लासर निर्माण गर्ने विषयमा चर्चा गरिएको छ र नयाँ क्लासर एसएलआईक्यूको डिजाइन प्रस्तुत गरिएको छ। SLIQ एक निर्णय रूख वर्गीकरणकर्ता हो जसले संख्यात्मक र वर्गीकृत विशेषताहरू दुवैलाई सम्हाल्न सक्छ। यसले वृक्ष विकासको चरणमा नयाँ पूर्व-छनौट प्रविधि प्रयोग गर्दछ। यो क्रमबद्ध प्रक्रिया डिस्क-निवासी डाटासेटको वर्गीकरण सक्षम गर्न एक व्यापक रूख बढ्दै रणनीति संग एकीकृत छ। एसएलआईक्यूले नयाँ वृक्ष-छनौट एल्गोरिथ्म पनि प्रयोग गर्दछ जुन सस्तो छ, र यसको परिणाम कम्प्याक्ट र सटीक रूखहरू हुन्। यी प्रविधिहरूको संयोजनले एसएलआईक्यूलाई ठूलो डाटा सेटको लागि मापन गर्न र डाटा सेटलाई वर्गीकरण गर्न सक्षम गर्दछ जुनसुकै वर्ग, विशेषता, र उदाहरण (रेकर्ड) को संख्याको बाबजुद, यसैले डाटा खानीको लागि आकर्षक उपकरण बनाउँदछ। |
1f25ed3c9707684cc0cdf3e8321c791bc7164147 | वर्गीकरण एउटा महत्त्वपूर्ण डाटा माइनिङ समस्या हो। वर्गीकरण राम्रोसँग अध्ययन गरिएको समस्या भए पनि, हालको वर्गीकरण एल्गोरिदमको अधिकांशले सम्पूर्ण डाटासेटको सबै वा अंश स्थायी रूपमा मेमोरीमा रहन आवश्यक छ। यसले ठूलो डाटाबेसमा खानीको लागि उनीहरूको उपयुक्ततालाई सीमित गर्दछ। हामी नयाँ निर्णय-वृक्ष आधारित वर्गीकरण एल्गोरिथ्म प्रस्तुत गर्छौं, जसलाई स्प्रिन्ट भनिन्छ जसले सबै मेमोरी प्रतिबन्धहरू हटाउँछ, र छिटो र स्केलेबल छ। एल्गोरिथ्म सजिलैसँग समानान्तर गर्न डिजाइन गरिएको छ, धेरै प्रोसेसरहरूलाई एकल सुसंगत मोडेल निर्माण गर्न सँगै काम गर्न अनुमति दिदै। यो समानांतरकरण, यहाँ पनि प्रस्तुत गरिएको छ, उत्कृष्ट स्केलेबिलिटी पनि प्रदर्शन गर्दछ। यी विशेषताहरूको संयोजनले प्रस्तावित एल्गोरिथ्मलाई डाटा खानीको लागि एक आदर्श उपकरण बनाउँछ। |
7c3a4b84214561d8a6e4963bbb85a17a5b1e003a | |
76c87ec44fc5dc96bc445abe008deaf7c97c9373 | यस कागजले मानक नरम सब्सट्रेटको एकल तहमा १०० ओएचएम भिन्नता माइक्रोस्ट्रिप लाइन फिडको साथ एक समतल ग्रिड एरे एन्टेना प्रस्तुत गर्दछ। एन्टेनाले ७९ गीगाहर्ज आवृत्ति ब्यान्डमा अटोमोबाइल राडार अनुप्रयोगका लागि काम गर्छ। यसको एकल पङ्क्ति डिजाइनले उचाइमा साँघुरो र अजिमुथमा चौडा बीम प्रदान गर्दछ। अन्तरिक्षमा माइक्रोस्ट्रिप लाइनको साथमा, एन्टेना फ्रिक्वेन्सी दायरामा अन्तरिक्षमा बहु-च्यानल एमएमआईसीका लागि उपयुक्त छ। |
bc7308a97ec2d3f7985d48671abe7a8942a5b9f8 | यस कागजातले भावना विश्लेषणको दृष्टिकोण प्रस्तुत गर्दछ जसले समर्थन भेक्टर मेशिनहरू (एसभीएम) प्रयोग गर्दछ सम्भावित प्रासंगिक जानकारीको विविध स्रोतहरू सँगै ल्याउन, वाक्यांशहरू र विशेषणहरूको लागि धेरै अनुकूलता मापन सहित र जहाँ उपलब्ध छ, पाठको शीर्षकको ज्ञान। प्रस्तुत सुविधाहरू प्रयोग गर्ने मोडेलहरू एकलिङ्गी मोडेलहरूसँग थप जोडिएका छन् जुन विगतमा प्रभावकारी देखाइएको छ (प्यांग एट अल, २००२) र एकलिङ्गी मोडेलहरूको लेमेमेटिज्ड संस्करणहरू। Epinions.com बाट चलचित्र समीक्षा डाटामा प्रयोगहरूले देखाउँदछ कि हाइब्रिड एसवीएमहरू जसले एकोग्राम-शैली सुविधा-आधारित एसवीएमहरूलाई वास्तविक-मूल्यवान अनुकूलता मापनमा आधारित एसवीएमहरूसँग मिलाउँछन्, उत्कृष्ट प्रदर्शन प्राप्त गर्दछ, यस डाटाको प्रयोग गरेर अहिलेसम्म प्रकाशित गरिएको उत्तम परिणामहरू उत्पादन गर्दछ। विषयको लागि हस्तलिखित संगीत समीक्षाको सानो डाटासेटमा विषय जानकारीको साथ समृद्ध सुविधा सेट प्रयोग गरेर थप प्रयोगहरू पनि रिपोर्ट गरिएको छ, जसको परिणामले सुझाव दिन्छ कि त्यस्ता मोडेलहरूमा विषय जानकारी समावेश गर्दा सुधार पनि हुन सक्छ। |
be389fb59c12c8c6ed813db13ab74841433ea1e3 | अञ्जीर १. हामी iMapper प्रस्तुत गर्दछौं, एउटा विधि जसले वस्तुहरूसँग मानिसहरूको अन्तरक्रियाको बारेमा तर्क गर्दछ, दुवै एक सम्भावित दृश्य व्यवस्था र मानव गतिहरू पुनः प्राप्त गर्न, जुन उत्तम इनपुट मोनोकुलर भिडियोको व्याख्या गर्दछ (इन्सेट हेर्नुहोस्) । हामीले भिडियोमा दृश्य (उदाहरणका लागि, ए, बी, सी) भनिने विशेषता अन्तरक्रियाहरू फिट गरेका छौं र तिनीहरूलाई प्रयोग गरेर सम्भावित वस्तु व्यवस्था र मानव गति मार्ग (बायाँ) पुनः निर्माण गर्नका लागि प्रयोग गरेका छौं। मुख्य चुनौती भनेको भरपर्दो फिटिंगलाई अन्धकारको बारेमा जानकारी चाहिन्छ, जुन अज्ञात (अर्थात् लुकेको) हो। (दायाँ) हामी हाम्रो परिणामको ओभरले (माथिबाट हेर्ने) देखाउँछौं जुन म्यानुअली एनोटेटेड ग्राउन्ड ट्रुथ वस्तु प्लेसमेन्टमा छ। वस्तु जालहरू अनुमानित वस्तु श्रेणी, स्थान, र आकार जानकारीको आधारमा राखिएको छ। |
f24a1af3bd8873920593786d81590d29520cfebc | यस पत्रमा बहुपरतिय सब्सट्रेट एकीकृत वेव गाइड (एमएसआईडब्लु) प्रविधिमा आधारित एक उपन्यास दीर्घवृत्तीय फिल्टरको डिजाइन र प्रयोग प्रस्तुत गरिएको छ। चारवटा तह भएका एमएसआईडब्लू गुहा भएको सी-ब्यान्ड दीर्घवृत्तीय फिल्टर उच्च आवृत्ति संरचना सिम्युलेटर सफ्टवेयरको प्रयोग गरेर सिमुलेटेड हुन्छ र दुई-तहको प्रिन्ट गरिएको सर्किट बोर्ड प्रक्रियाको साथ निर्मित हुन्छ, मापन गरिएका परिणामहरूले राम्रो प्रदर्शन देखाउँछन् र सिमुलेटेड परिणामहरूसँग सहमत छन्। |
8052bc5f9beb389b3144d423e7b5d6fcf5d0cc4f | विशेषताहरू वस्तुहरूद्वारा साझा गरिएको अर्थपूर्ण दृश्य गुणहरू हुन्। यसले वस्तु पहिचानमा सुधार ल्याउने र सामग्रीमा आधारित छवि खोजीलाई बढाउने काम गरेको छ। जबकि विशेषताहरू बहु श्रेणीहरू कभर गर्ने अपेक्षा गरिन्छ, उदाहरणका लागि। डल्मेशियन र ह्वेल दुवैको "सुथरी छाला" हुन सक्छ, हामीले पत्ता लगायौं कि एउटै विशेषताको उपस्थिति विभिन्न वर्गमा भिन्न हुन्छ। यस प्रकार, एउटा श्रेणीमा सिकिएको विशेषता मोडेल अर्को श्रेणीमा प्रयोग गर्न सकिँदैन। हामी नयाँ श्रेणीहरूमा विशेषता मोडेलहरू कसरी अनुकूलित गर्ने भनेर देखाउँदछौं। हामी सुनिश्चित गर्छौं कि सकारात्मक स्थानान्तरण श्रेणीको स्रोत डोमेन र एक उपन्यास लक्ष्य डोमेन बीचमा हुन सक्छ, सुविधा उप-स्थानमा सिकेर सुविधा चयन द्वारा फेला पर्यो जहाँ डोमेनको डाटा वितरण समान छ। हामी देखाउँछौं कि जब उपन्यास डोमेनबाट डाटा सीमित हुन्छ, त्यस उपन्यास डोमेनको लागि विशेषता मोडेलहरूलाई नियमित बनाउँदा सहायक डोमेनमा प्रशिक्षित मोडेलहरू (अनुकूली एसभीएम मार्फत) विशेषता भविष्यवाणीको शुद्धतामा सुधार गर्दछ। |
01094798b20e96e1d029d6874577167f2214c7b6 | छिटो समवर्ती हैश तालिकाहरू एक बढ्दो महत्त्वपूर्ण भवन ब्लक हो किनकि हामी प्रणालीलाई कोर र थ्रेडहरूको ठूलो संख्यामा स्केल गर्छौं। यस कागजातले उच्च-प्रवाह र मेमोरी-कुशल समवर्ती ह्यास तालिकाको डिजाइन, कार्यान्वयन र मूल्यांकन प्रस्तुत गर्दछ जुन बहु पाठक र लेखकहरूलाई समर्थन गर्दछ। यो डिजाइन प्रणाली स्तर अनुकूलनमा सावधानीपूर्वक ध्यान दिएर उत्पन्न हुन्छ जस्तै महत्वपूर्ण खण्ड लम्बाइलाई कम गर्न र एल्गोरिथ्म पुनः ईन्जिनियरि throughको माध्यमबाट इन्टरप्रोसेसर सुसंगतता यातायात कम गर्न। यस इन्जिनियरिङको वास्तुशिल्प आधारको भागको रूपमा, हामीले इन्टेलको हालैको हार्डवेयर ट्रान्जेक्सनल मेमोरी (एचटीएम) समर्थनलाई यस महत्वपूर्ण भवन ब्लकमा अपनाउने हाम्रो अनुभव र नतिजाको छलफल समावेश गर्दछौं। हामी पत्ता लगाउँछौं कि एक साथ पहुँच अनुमति दिईएको छ जुन विद्यमान डाटा संरचनाहरूमा एक मोटा-अंकित लक प्रयोग गरी समग्र प्रदर्शनलाई कम गर्दछ अधिक थ्रेडको साथ। एचटीएमले यो गिरावटलाई केही हदसम्म कम गर्ने भए पनि यसलाई हटाउँदैन। उच्च प्रदर्शन प्राप्त गर्न एचटीएम र फाइन-ग्रान्ड लकका लागि डिजाइन दुवैलाई फाइदा पुर्याउने एल्गोरिथ्मिक अप्टिमाइजेसनहरू आवश्यक छन्। हाम्रो प्रदर्शन परिणामले देखाउँछ कि हाम्रो नयाँ ह्याश टेबल डिजाइन---आशावादी कुक्कु ह्यासिङको वरिपरि आधारित---ले अन्य अनुकूलित समवर्ती ह्याश टेबलहरूलाई 2.5x सम्म लेख्न-भारी कार्यभारको लागि, सानो कुञ्जी-मान वस्तुहरूको लागि पर्याप्त कम मेमोरी प्रयोग गर्दा पनि प्रदर्शन गर्दछ। १६ कोरको मेसिनमा हाम्रो ह्याश टेबलले लगभग ४० मिलियन इन्सेर्ट र ७० मिलियन भन्दा बढी खोज अपरेशनहरू प्रति सेकेन्ड कार्यान्वयन गर्दछ। |
5685a394b25fcb27b6ad91f7325f2e60a9892e2a | ग्राफ डाटाबेस (जीडीबी) हालै ग्राफ-जस्तो संरचनाको साथ डाटा भण्डारण र प्रबन्धनको लागि परम्परागत डाटाबेसको सीमाहरू पार गर्न उत्पन्न भएको छ। ग्राफ डाटाबेसमा क्वेरीहरू अनुकूलन गर्न प्रयोग गरिने अधिकांश प्रविधिहरू परम्परागत डाटाबेस, वितरण प्रणाली, ... मा प्रयोग गरिएको छ वा तिनीहरू ग्राफ सिद्धान्तबाट प्रेरित छन्। तर, ग्राफ डाटाबेसमा यसको पुनः प्रयोग गर्दा ग्राफ डाटाबेसको मुख्य विशेषताहरू जस्तै गतिशील संरचना, अत्यधिक अन्तरसम्बन्धित डाटा र डाटा सम्बन्धमा दक्षतापूर्वक पहुँच गर्ने क्षमताको ख्याल राख्नुपर्छ। यस लेखमा हामी ग्राफ डाटाबेसमा क्वेरी अप्टिमाइजेसन टेक्निकको सर्वेक्षण गर्छौं। विशेष गरी, हामी ग्राफ-जस्तो डाटाको क्वेरी सुधार गर्नका लागि उनीहरूले ल्याएका सुविधाहरूमा ध्यान केन्द्रित गर्दछौं। |
0541d5338adc48276b3b8cd3a141d799e2d40150 | नक्सा रिड्यूस एक प्रोग्रामिंग मोडेल र प्रशोधन र ठूलो डाटासेट उत्पन्न गर्न सम्बन्धित कार्यान्वयन हो जुन वास्तविक विश्व कार्यहरूको विस्तृत विविधताका लागि उत्तरदायी छ। प्रयोगकर्ताहरूले नक्सा र घटाउने प्रकार्यको सन्दर्भमा गणना निर्दिष्ट गर्दछन्, र अन्तर्निहित रनटाइम प्रणालीले स्वचालित रूपमा मेशिनहरूको ठूलो-स्तरको समूहहरूमा गणना समानांतर गर्दछ, मेशिन विफलताहरू ह्यान्डल गर्दछ, र नेटवर्क र डिस्कहरूको कुशल प्रयोग गर्न अन्तर-मेशिन संचारको तालिका बनाउँदछ। प्रोग्रामरहरूले प्रणाली प्रयोग गर्न सजिलो पाउँदछन्: विगत चार बर्षमा गुगलमा दश हजार भन्दा बढी फरक म्यापरेडस प्रोग्रामहरू आन्तरिक रूपमा लागू गरिएको छ, र औसतमा एक लाख म्यापरेडस कार्यहरू गुगलको क्लस्टरहरूमा प्रत्येक दिन कार्यान्वयन गरिन्छ, प्रति दिन बीस भन्दा बढी पेटाबाइट डाटाको प्रशोधन गर्दै। |
683c8f5c60916751bb23f159c86c1f2d4170e43f | |
3a116f2ae10a979c18787245933cb9f984569599 | ताररहित सेन्सर नेटवर्क (डब्लुएसएन) धेरै प्रकारका अनुप्रयोगहरूको लागि प्रभावकारी समाधानको रूपमा देखा पर्यो। धेरै जसो परम्परागत WSN आर्किटेक्चरहरू स्थिर नोडहरू हुन्छन् जुन एक सेन्सि area क्षेत्रमा घना रूपमा तैनाथ हुन्छन्। हालै, मोबाइल एलिमेन्ट (एमई) मा आधारित धेरै डब्लुएसएन आर्किटेक्चर प्रस्ताव गरिएको छ। तिनीहरूमध्ये अधिकांशले डब्लुएसएनमा डाटा संकलनको समस्या समाधान गर्न गतिशीलताको उपयोग गर्छन्। यस लेखमा हामी पहिलो पटक एमईको साथ डब्लुएसएन परिभाषित गर्दछौं र एमईको भूमिकाको आधारमा उनीहरूको वास्तुकलाको विस्तृत वर्गीकरण प्रदान गर्दछौं। त्यसपछि हामी यस्तो परिदृश्यमा डाटा संकलन प्रक्रियाको एक सिंहावलोकन प्रस्तुत गर्दछौं, र सम्बन्धित मुद्दाहरू र चुनौतीहरू पहिचान गर्दछौं। यी मुद्दाहरूको आधारमा, हामी सम्बन्धित साहित्यको विस्तृत सर्वेक्षण प्रदान गर्दछौं। अन्तमा, हामी आधारभूत दृष्टिकोण र समाधानहरू तुलना गर्दछौं, खुला समस्याहरू र भविष्यका अनुसन्धान दिशाहरूको संकेतको साथ। |
e7b50e3f56e21fd2a5eb34923d427a0bc6dd8905 | यस कागजमा माइक्रोवेव फिल्टरहरूको लागि युग्मन म्याट्रिक्सको संश्लेषणको लागि नयाँ दृष्टिकोण प्रस्तुत गरिएको छ। नयाँ दृष्टिकोणले युग्मन म्याट्रिक्स संश्लेषणको लागि विद्यमान प्रत्यक्ष र अनुकूलन विधिहरूमा प्रगतिलाई प्रतिनिधित्व गर्दछ किनकि यसले एक भन्दा बढीको लागि नेटवर्कको लागि सबै सम्भावित युग्मन म्याट्रिक्स समाधानहरू पूर्ण रूपमा पत्ता लगाउँदछ। यसले युग्मन मानहरूको सेटको चयन गर्न अनुमति दिन्छ, रेजोनेटर फ्रिक्वेन्सी अफसेटहरू, परजीवी युग्मन सहिष्णुता आदि जुन माइक्रोवेव फिल्टरको लागि डिजाइन गरिएको टेक्नोलोजीमा उत्तम उपयुक्त हुनेछ। यस विधिको प्रयोगको प्रदर्शन गर्न, हालैको परिचय गरिएको "विस्तारित बक्स" (ईबी) युग्मन म्याट्रिक्स कन्फिगरेसनको मामला लिइएको छ। EB ले फिल्टर कन्फिगरेसनको नयाँ वर्गको प्रतिनिधित्व गर्दछ जसमा धेरै महत्त्वपूर्ण फाइदाहरू छन्, जसमध्ये एउटा प्रत्येक प्रोटोटाइप फिल्टरिंग प्रकार्यको लागि बहु युग्मन म्याट्रिक्स समाधानहरूको अस्तित्व हो, उदाहरणका लागि 8 डिग्री केसहरूको लागि 16। यो मामला संश्लेषण विधि को उपयोग को प्रदर्शन गर्न को लागी एक उदाहरण को रूप मा लिइएको छ - एक समाधान दोहोरो मोड को लागी उपयुक्त र एक जहाँ केहि युग्मन उपेक्षा गर्न को लागी पर्याप्त सानो छ। अनुक्रमणिका शब्दहरू - युग्मन म्याट्रिक्स, फिल्टर संश्लेषण, ग्रूब्नर आधार, उल्टो विशेषता, बहु समाधानहरू। |
a6f1dfcc44277d4cfd8507284d994c9283dc3a2f | हामीले एउटा वास्तविक समयको कम्प्युटर प्रणाली विकास गरेका छौं जसले व्यक्तिको टाउकोको स्थान पत्ता लगाउन र ट्रयाक गर्न सक्छ, र त्यसपछि व्यक्तिलाई पहिचान गर्न सक्छ, अनुहारको विशेषतालाई ज्ञात व्यक्तिको विशेषतासँग तुलना गरेर। यस प्रणालीमा लिइएको कम्प्युटेशनल दृष्टिकोण शारीरिक विज्ञान र सूचना सिद्धान्त दुवैबाट प्रेरित छ, साथै वास्तविक-समय प्रदर्शन र शुद्धताको व्यावहारिक आवश्यकताहरू द्वारा। हाम्रो दृष्टिकोणले अनुहार पहिचान समस्यालाई तीन आयामी ज्यामिति पुनः प्राप्ति गर्नुको सट्टा आन्तरिक रूपमा दुई आयामी (२-डी) पहिचान समस्याको रूपमा व्यवहार गर्दछ, अनुहारहरू सामान्यतया ठाडो हुन्छन् र यसैले २-डी विशेषता दृश्यहरूको सानो सेट द्वारा वर्णन गर्न सकिन्छ भन्ने तथ्यको फाइदा उठाउँदै। प्रणालीले अनुहारको छविलाई एउटा विशेषता स्थानमा प्रक्षेपण गरेर काम गर्दछ जुन ज्ञात अनुहार छविहरू बीचको महत्त्वपूर्ण भिन्नताहरूमा फैलिएको छ। महत्त्वपूर्ण विशेषताहरू "eigenfaces" को रूपमा चिनिन्छन्, किनकि तिनीहरू अनुहारहरूको सेटको eigenvectors (मुख्य घटक) हुन्; तिनीहरू आँखा, कान, र नाक जस्ता सुविधाहरूसँग आवश्यक रूपमा मेल खाँदैन। प्रक्षेपण कार्यले व्यक्तिगत अनुहारलाई eigenface सुविधाहरूको भारित योग द्वारा विशेषता दिन्छ, र त्यसैले कुनै विशेष अनुहारलाई चिन्नको लागि यी तौलहरूलाई ज्ञात व्यक्तिहरूको तुलना गर्न मात्र आवश्यक हुन्छ। हाम्रो दृष्टिकोणको केही विशेष फाइदाहरू यो हो कि यसले सिक्ने क्षमता प्रदान गर्दछ र पछि नयाँ अनुहारहरूलाई अनुगमन बिना नै चिन्न सक्छ, र यो एक न्यूरल नेटवर्क आर्किटेक्चर प्रयोग गरेर लागू गर्न सजिलो छ। |
b217788dd6d274ad391ee950e6f6a34033bd2fc7 | बहुपरत पर्सेप्ट्रोन, जब ब्याकप्रोपागरेसन प्रयोग गरेर वर्गीकरणकर्ताको रूपमा प्रशिक्षित हुन्छ, बेय्स इष्टतम भेदभाव समारोहको अनुमान गर्न देखाइन्छ। परिणाम दुई-वर्ग समस्या र बहु-वर्ग दुवैको लागि प्रदर्शन गरिएको छ। यो देखाइएको छ कि बहु तहको पर्सेप्ट्रोनको आउटपुटहरू प्रशिक्षित वर्गहरूको एपोस्टोरियो सम्भावना कार्यहरूको अनुमानित हुन्छन्। प्रमाण कुनै पनि तहहरूको संख्या र कुनै पनि प्रकारको एकाइ सक्रियता प्रकार्य, रैखिक वा गैर-रेखाबद्धमा लागू हुन्छ। |
647cb3825baecb6fab8b098166d5a446f7711f9b | हालैका वर्षहरूमा, गहिरो जनरेटिभ मोडेलहरू छविहरू, अडियो, र भिडियो जस्ता उच्च आयामी अवलोकनहरू, कच्चा डाटाबाट सिधै सिक्ने, "कल्पना" गर्न देखाइएको छ। यस कार्यमा, हामी सोध्छौं कि लक्ष्य-निर्देशित दृश्य योजनाहरू कसरी कल्पना गर्ने - अवलोकनहरूको एक सम्भावित अनुक्रम जसले गतिशील प्रणालीलाई यसको वर्तमान कन्फिगरेसनबाट इच्छित लक्ष्य राज्यमा संक्रमण गर्दछ, जुन पछि नियन्त्रणको लागि सन्दर्भ ट्र्याजेक्टरीको रूपमा प्रयोग गर्न सकिन्छ। हामी उच्च आयामी अवलोकनहरू भएका प्रणालीहरूमा ध्यान केन्द्रित गर्छौं, जस्तै छविहरू, र एक दृष्टिकोण प्रस्ताव गर्दछौं जसले स्वाभाविक रूपमा प्रतिनिधित्व शिक्षा र योजनालाई जोड्दछ। हाम्रो ढाँचाले अनुक्रमिक अवलोकनहरूको एक जनरेटिभ मोडेल सिक्छ, जहाँ जनरेटिभ प्रक्रिया कम आयामी योजना मोडेलमा संक्रमण द्वारा प्रेरित हुन्छ, र थप आवाज। उत्पन्न अवलोकनहरू र योजना मोडेलमा संक्रमण बीचको आपसी जानकारी अधिकतम गरेर, हामी एक कम आयामी प्रतिनिधित्व प्राप्त गर्दछौं जसले डाटाको कारण प्रकृतिलाई राम्रोसँग वर्णन गर्दछ। हामी योजना मोडेललाई कुशल योजना एल्गोरिदमसँग मिल्दो बनाउन संरचना गर्दछौं, र हामी या त असतत वा निरन्तर राज्यहरूमा आधारित यस्ता धेरै मोडेलहरू प्रस्ताव गर्दछौं। अन्तमा, दृश्य योजना उत्पन्न गर्न, हामी वर्तमान र लक्ष्य अवलोकनहरू योजना मोडेलमा उनीहरूको सम्बन्धित राज्यहरूमा प्रोजेक्ट गर्दछौं, एक प्रक्षेप योजना बनाउँदछौं, र त्यसपछि जेनेरेटिभ मोडेल प्रयोग गरेर प्रक्षेपलाई अवलोकनको अनुक्रममा रूपान्तरण गर्न प्रयोग गर्दछौं। हामी हाम्रो विधिलाई रोप म्यानिपुलेशनको दृश्य योजनाको कल्पनामा देखाउँछौं। |
a63b97291149bfed416aa9e56a21314069540a7b | ध्यान-अल्पता/अति सक्रियता विकार (एडीएचडी) भएका बालबालिका र किशोरकिशोरीहरूमा कार्यशील स्मृति (डब्लुएम) प्रक्रियामा कमीको अनुभवजन्य प्रमाण निर्धारण गर्ने। विधि एडीएचडी भएका बच्चाहरूमा डब्लुएमको कमजोरी छ कि छैन भनेर जाँच गर्न अन्वेषणात्मक मेटा-विश्लेषणात्मक प्रक्रियाहरू प्रयोग गरियो। सन् १९९७ देखि डिसेम्बर २००३ सम्म प्रकाशित २६ वटा अनुभवजन्य अनुसन्धान अध्ययन (पहिलो समीक्षापछि) हाम्रो समावेश मापदण्ड पूरा गरेका थिए। डब्लुएम मापनहरू दुबै मोडलिटी (मौखिक, स्थानिक) र आवश्यक प्रसंस्करणको प्रकार (भण्डारण बनाम भण्डारण / हेरफेर) अनुसार वर्गीकृत गरिएको थियो। परिणाम एडीएचडी भएका बालबालिकाहरूमा डब्लुएमका विभिन्न भागहरूमा कमी देखा पर्यो जुन भाषा सिक्ने समस्या र सामान्य बौद्धिक क्षमतामा कमजोरीहरूसँग सम्बन्धित थिएन। स्थानिक भण्डारण (प्रभाव आकार = ०.८५, आईसी = ०.६२- १.०८) र स्थानिक केन्द्रीय कार्यकारी डब्लुएम (प्रभाव आकार = १.०६, विश्वास अन्तराल = ०.७२- १.३९) को लागि समग्र प्रभाव आकार मौखिक भण्डारण (प्रभाव आकार = ०.४७, विश्वास अन्तराल = ०.३६- ०.५९) र मौखिक केन्द्रीय कार्यकारी डब्लुएम (प्रभाव आकार = ०.४३, विश्वास अन्तराल = ०.२४- ०.६२) को लागि प्राप्त भन्दा ठूलो थियो। निष्कर्ष एडीएचडी भएका बच्चाहरूमा डब्लुएमको कमजोरीको प्रमाणले एडीएचडीमा डब्लुएम प्रक्रियालाई समावेश गर्ने हालैका सैद्धान्तिक मोडेलहरूलाई समर्थन गर्दछ। एडीएचडीमा हुने विकारहरूको प्रकृति, गम्भीरता र विशिष्टतालाई अझ स्पष्ट रूपमा परिभाषित गर्न भविष्यको अनुसन्धान आवश्यक छ। |
49e77b981a0813460e2da2760ff72c522ae49871 | गहन शिक्षाले ठूलो डाटासेट र कम्प्युटिङ कुशल प्रशिक्षण एल्गोरिदमहरूको फाइदा लिन्छ विभिन्न मेशिन लर्निंग कार्यहरूमा अन्य दृष्टिकोणहरूलाई पार गर्न। तर, गहिरो न्यूरोल नेटवर्कको प्रशिक्षण चरणमा भएका त्रुटिहरूले तिनीहरूलाई विरोधी नमूनाहरूको लागि कमजोर बनाउँछ: विरोधीहरूले गहिरो न्यूरोल नेटवर्कलाई गलत वर्गीकरण गर्ने उद्देश्यले बनाएको इनपुट। यस कार्यमा, हामी गहिरो न्यूरल नेटवर्क (डीएनएन) को बिरूद्ध विरोधीहरूको ठाउँलाई औपचारिक बनाउँछौं र डीएनएनको इनपुट र आउटपुट बीचको म्यापि ofको सटीक समझको आधारमा विरोधी नमूनाहरू शिल्प गर्न एल्गोरिदमको एक उपन्यास वर्ग प्रस्तुत गर्दछौं। कम्प्युटर भिजनमा प्रयोग गर्दा हामीले देखाएका छौं कि हाम्रो एल्गोरिदमले मानवको सही वर्गीकरण गरिएको तर DNN द्वारा विशिष्ट लक्ष्यमा गलत वर्गीकरण गरिएको नमूनाहरू उत्पादन गर्न सक्छ, ९७ प्रतिशतको सफलता दरका साथ, जबकि प्रति नमूना औसत ४.०२ प्रतिशत मात्र परिमार्जन गर्न सकिन्छ। त्यसपछि हामी विभिन्न नमूना वर्गहरूको आक्रामकतालाई आक्रामकतामा आकलन गर्छौं। अन्तमा, हामी एक भ्यानिन्ग इनपुट र एक लक्ष्य वर्गीकरण बीच दूरी को एक भविष्यवाणी उपाय परिभाषित गरेर विरोधी नमूनाहरू विरुद्ध रक्षा outlining प्रारम्भिक काम वर्णन। |
3f52f57dcfdd1bb0514ff744f4fdaa986a325591 | एप्पलको म्याकबुक फर्मवेयर सुरक्षामा धेरै त्रुटिहरू छन् जसले यी ल्यापटपहरूको एसपीआई फ्ल्यास बुट रोममा अविश्वसनीय परिमार्जनहरू लेख्न अनुमति दिन्छ। यो क्षमताले लोकप्रिय एप्पल म्याकबुक उत्पादन लाइनका लागि नयाँ वर्गको स्थायी फर्मवेयर रूटकिट वा बूटकिट प्रतिनिधित्व गर्दछ। लुकाउने बुटकिटहरू पत्ता लगाउनबाट आफूलाई लुकाउन र सफ्टवेयरले तिनीहरूलाई हटाउने प्रयासलाई रोक्न सक्छ। बूट ROM मा खराब संशोधनहरू अपरेटिङ सिस्टमको पुनः स्थापना र हार्ड ड्राइभ प्रतिस्थापनको पनि बाँच्न सक्षम छन्। यसबाहेक, मालवेयरले अन्य थन्डरबोल्ट उपकरणहरूको विकल्प ROM मा यसको प्रतिलिपि स्थापना गर्न सक्दछ। एप्पलले यी केही त्रुटिहरू सीभीई २०१ 2014-4498 XNUMX XNUMX of को भागको रूपमा फिक्स गरेको छ, तर यस वर्गको कमजोरताको लागि कुनै सजिलो समाधान छैन, किनकि म्याकबुकमा फर्मवेयरको क्रिप्टोग्राफिक प्रमाणीकरण गर्न बूट समयमा विश्वसनीय हार्डवेयरको अभाव छ। |
3b3acbf7cc2ec806e4177eac286a2ee22f6f7630 | यस कागजातले अल्ट्रा-ब्रडब्यान्ड डिजिटल-अनलग (डी/ए) रूपान्तरण उपप्रणालीहरूको लागि ११०-जीएचजेड-ब्यान्डविथ २ः१ एनालग मल्टीप्लेक्सर (एएमयूएक्स) प्रस्तुत गर्दछ। AMUX नयाँ विकसित $\pmb{0.25-\mu \mathrm{m}}$ -इमिटर-चौडाई InP डबल हेटरोजंक्शन द्विध्रुवीय ट्रांजिस्टर (DHBTs) को प्रयोग गरेर डिजाइन र निर्माण गरिएको थियो, जसको शिखर $\pmb{f_{\mathrm{T}}}$ र $\pmb{f\displaystyle \max}$ क्रमशः 460 र 480 GHz हो। AMUX आईसीमा डाटा इनपुट लाइनर बफर, क्लक इनपुट लिमिटिंग बफर, एक AMUX कोर, र एक आउटपुट लाइनर बफर सहितको एक समूह निर्माण ब्लकहरू हुन्छन्। डाटा र घडी पथहरूको लागि मापन गरिएको 3-dB ब्यान्डविथ दुबै 110 GHz भन्दा माथि छ। यसबाहेक, यसले समय-क्षेत्र ठूलो संकेत नमूनाकरण अपरेशनहरू १ 180० GS/s मापन गर्दछ र प्राप्त गर्दछ। यो एएमयूएक्स प्रयोग गरेर २२४ जीबी/सेकेन्ड (११२ जीबीएड) चार स्तरको पल्स-एम्प्लिटुडे मोडुलेशन (पीएएम४) सिग्नल सफलतापूर्वक उत्पन्न गरिएको थियो। हाम्रो ज्ञानको सर्वोत्तम, यो AMUX IC मा सबै भन्दा ठूलो ब्यान्डविथ छ र सबै भन्दा छिटो नमूना दर कुनै पनि अन्य पहिले रिपोर्ट गरिएको AMUXs को तुलनामा। |
4dd7721248c5489e25f46f7ab78c7d0229a596d4 | यस कागजातले पूर्ण एकीकृत आरएफ ऊर्जा-खेती प्रणाली प्रस्तुत गर्दछ। प्रणालीले एकै साथ बाह्य सीसी लोडहरू द्वारा माग गरिएको वर्तमान आपूर्ति गर्न सक्छ र अतिरिक्त आउटपुट पावरको अवधिमा बाह्य क्यापेसिटरहरूमा अतिरिक्त ऊर्जा भण्डारण गर्न सक्छ। यो डिजाइन ०.१८- $\mu \text{m}$ सीएमओएस टेक्नोलोजीमा बनाइएको छ, र सक्रिय चिप क्षेत्र १.०८ मिमी२ छ। प्रस्तावित स्व-स्टार्ट प्रणाली एकीकृत एलसी मिलान नेटवर्क, एक आरएफ रेक्टिफायर, र एक पावर व्यवस्थापन / नियन्त्रक एकाई, जो 66-157 nW खपत संग पुनः कन्फिगर योग्य छ। आवश्यक घडी उत्पादन र भोल्टेज सन्दर्भ सर्किट एउटै चिपमा एकीकृत छन्। ड्युटी साइकल कन्ट्रोल कम इनपुट पावरको लागि काम गर्न प्रयोग गरिन्छ जुन माग गरिएको आउटपुट पावर प्रदान गर्न सक्दैन। यसबाहेक, आरएफ रेक्टिफायरको चरणहरूको संख्या उपलब्ध आउटपुट पावरको दक्षता बढाउन पुनः कन्फिगर गर्न सकिन्छ। उच्च उपलब्ध शक्ति को लागि, एक बाह्य ऊर्जा भण्डारण तत्व चार्ज गर्न एक माध्यमिक मार्ग सक्रिय छ। मापन गरिएको आरएफ इनपुट पावर संवेदनशीलता १-V सीसी आउटपुटमा -१४.८ डीबीएम हो। |
7314be5cd836c8f06bd1ecab565b00b65259eac6 | ठूला कागजात अभिलेखहरू प्रबन्ध गर्न समाधान प्रस्ताव गर्ने एल्गोरिदमहरूको सूटको सर्वेक्षण गर्दै। |
f0eace9bfe72c2449f76461ad97c4042d2a7141b | यस पत्रमा डब्लु ब्यान्डमा नयाँ एन्टेना इन प्याकेज (एआईपी) प्रविधि प्रस्ताव गरिएको छ। यो प्रविधि विशेष मामला समाधान गर्न प्रस्तुत गरिएको छ कि धातु प्याकेज उच्च यांत्रिक शक्ति समायोजित गर्न प्रयोग गर्नुपर्दछ। बहुपरत कम तापक्रम सह-उत्पादित सिरेमिक (एलटीसीसी) प्रविधिबाट फाइदा उठाएर एन्टेनाको विकिरण दक्षता कायम राख्न सकिन्छ। यसैबीच, उच्च यांत्रिक शक्ति र ढाल प्रदर्शन हासिल गरिन्छ। एआईपीको एउटा प्रोटोटाइप डिजाइन गरिएको छ। प्रोटोटाइप एकीकृत LTCC एन्टेना, कम-हानि फिडर, र एक टेपर गरिएको सींग एपर्चरको साथ धातु प्याकेज हो। यो एलटीसीसी फिडर लेमिनेटेड वेव गाइड (एलडब्ल्यूजी) द्वारा प्राप्त गरिएको छ। एलडब्लुजी गुहा जो एलटीसीसीमा गाडिएको छ एन्टेना प्रतिरोध ब्यान्डविथ विस्तार गर्न प्रयोग गरिन्छ। विद्युतीय चुम्बकीय (ईएम) सिमुलेशन र एन्टेना प्रदर्शनको मापन चासोको सम्पूर्ण आवृत्ति दायरामा राम्रोसँग सहमत छन्। प्रस्तावित प्रोटोटाइपले १० गीगाहर्ट्जको -१०-डीबी प्रतिरोध ब्यान्डविथ प्राप्त गर्दछ 88 देखि 98 GHz र १२. d d dBi को शिखर लाभ 89 GHz मा। |
2077d0f30507d51a0d3bbec4957d55e817d66a59 | हामी सामान्य, अभिव्यक्तिक छवि पूर्वाधारहरू सिक्नका लागि एउटा ढाँचा विकास गर्छौं जसले प्राकृतिक दृश्यहरूको तथ्याङ्कहरू खिच्दछ र विभिन्न प्रकारका मेशिन भिजन कार्यहरूको लागि प्रयोग गर्न सकिन्छ। यो दृष्टिकोणले विस्तारित पिक्सेल छिमेकहरूमा सम्भावित प्रकार्यहरू सिकेर परम्परागत मार्कोभ र्यान्डम फिल्ड (एमआरएफ) मोडेलहरू विस्तार गर्दछ। क्षेत्र क्षमताहरू उत्पादन-विशेषज्ञ ढाँचा प्रयोग गरेर मोडेल गरिएको छ जुन धेरै रैखिक फिल्टर प्रतिक्रियाहरूको गैर-रेखीय प्रकार्यहरूको शोषण गर्दछ। अघिल्लो एमआरएफ दृष्टिकोणको विपरीत, सबै प्यारामिटरहरू, रैखिक फिल्टरहरू सहित, प्रशिक्षण डाटाबाट सिकिन्छन्। हामी यो क्षेत्रका विशेषज्ञ मोडेलको क्षमताहरू दुई उदाहरण अनुप्रयोगहरू, छवि डेनोइजिंग र छवि इनपेन्टिङको साथ प्रदर्शन गर्दछौं, जुन एक सरल, अनुमानित अनुमान योजना प्रयोग गरेर लागू गरिन्छ। सामान्य छवि डेटाबेसमा प्रशिक्षण दिइएको मोडेल कुनै विशेष अनुप्रयोगमा ट्युन गरिएको छैन, हामीले यस्तो परिणाम प्राप्त गर्छौं जुन विशेष प्रविधिहरूसँग प्रतिस्पर्धा गर्छ र अझ राम्रो गर्छ। |
214658334c581f0d18b9a871928e91b6e4f83be7 | यो विचार स्विच गरिएको क्यापेसिटर टोपोलोजीसँग मिल्दोजुल्दो छ जसमा भोल्टेज सन्तुलनमा राख्न क्यापेसिटर वा क्यापेसिटर बैंकहरू ब्याट्रीको सेलहरूमा स्विच गरिन्छ। ब्याट्रीको आधारभूत सेल मोडेलमा सेलको क्षमतात्मक प्रभावको कारण क्षमता समावेश हुन्छ, यस क्षमतात्मक प्रभावलाई सेल सन्तुलनमा प्रयोग गर्न सकिन्छ। यसैले स्विच गरिएको क्यापेसिटर टोपोलोजीमा इक्वेलाइजर क्यापेसिटरहरू हटाउन सकिन्छ र ब्याट्रीका सेलहरू एक अर्कासँग स्विच गर्न सकिन्छ। यसले ऊर्जाको तीव्र स्थानान्तरण गर्न अनुमति दिन्छ र यसैले द्रुत बराबरीमा परिणाम दिन्छ। प्रस्तावित टोपोलोजीले अतिरिक्त ऊर्जा भण्डारण तत्वहरू जस्तै क्यापेसिटरहरूको आवश्यकता हटाउँछ जुन प्रायः पावर इलेक्ट्रोनिक सर्किटहरूमा असफल हुन्छ, अतिरिक्त ऊर्जा भण्डारण तत्वहरू र सर्किटहरूको लागत र मात्राद्वारा सम्मिलित घाटा कम गर्दछ र नियन्त्रण एल्गोरिथ्म सरल गर्दछ। प्रस्तावित सन्तुलन सर्किट अनुप्रयोग आवश्यकता अनुसार लागू गर्न सकिन्छ। प्रस्तावित टोपोलोजी MATLAB/Simulink वातावरणमा सिमुलेट गरिएको छ र स्विच गरिएको कन्डेन्सेटर टोपोलोजीको तुलनामा सन्तुलन गतिको हिसाबले राम्रो परिणामहरू देखाइएको छ। ब्याट्रीको जीवन चक्र विस्तार गर्न र ब्याट्रीबाट अधिकतम शक्ति निकाल्न सेल सन्तुलन सर्किटहरू महत्त्वपूर्ण छन्। ब्याट्री प्याकेजमा सेल सन्तुलनका लागि धेरै पावर इलेक्ट्रोनिक्स टोपोलोजीको प्रयास गरिएको छ। सक्रिय सेल सन्तुलन टोपोलोजीले ब्याट्रीको सेलहरूमा भोल्टेजहरू सन्तुलन गर्न उच्च प्रदर्शन देखाउने सेलहरूबाट कम प्रदर्शन देखाउने सेलहरूमा ऊर्जा स्थानान्तरण गर्दछ ऊर्जा भण्डारण तत्वहरू जस्तै इन्डक्टर-क्यापेसिटर वा ट्रान्सफार्मर-क्यापेसिटर वा स्विच गरिएको क्यापेसिटर वा स्विच गरिएको इन्डक्टरको संयोजन प्रयोग गरेर। यस अध्ययनमा कुनै पनि ऊर्जा भण्डारण तत्व प्रयोग नगरी सक्रिय सन्तुलन टोपोलोजी प्रस्ताव गरिएको छ। |
0c04909ed933469246defcf9aca2b71ae8e3f623 | यस पुस्तकको दोस्रो संस्करणमा भएको प्रमुख परिवर्तन सम्भाव्यतागत पुनःप्राप्तिमा नयाँ अध्यायको थप हो। यो अध्याय समावेश गरिएको छ किनकि मलाई लाग्छ यो सूचना पुनः प्राप्तिमा अनुसन्धानको सबैभन्दा रोचक र सक्रिय क्षेत्रहरू मध्ये एक हो। अझै पनि धेरै समस्याहरू समाधान गर्न बाँकी छन् त्यसैले मलाई आशा छ कि यो विशेष अध्याय यस क्षेत्रमा ज्ञानको स्थितिलाई अगाडि बढाउन चाहनेहरूलाई केही सहयोग पुर्याउनेछ। अन्य सबै अध्यायहरू समेटिएका विषयहरूमा हालैका कामहरू समावेश गरेर अद्यावधिक गरिएको छ। यस पुस्तकको सामग्री सूचना (वा कम्प्युटर) विज्ञानका उन्नत स्नातक विद्यार्थी, पुस्तकालय विज्ञानका स्नातकोत्तर विद्यार्थी र आईआरको क्षेत्रमा अनुसन्धान गर्ने कामदारहरूलाई लक्षित गरिएको छ। केही अध्यायहरूमा, विशेष गरी अध्याय ६ * मा, केही उन्नत गणितको सरल प्रयोग गरिएको छ। यद्यपि, आवश्यक गणितीय उपकरणहरू अब अवस्थित धेरै गणितीय पाठहरूबाट सजिलैसँग मास्टर गर्न सकिन्छ र कुनै पनि अवस्थामा, सन्दर्भहरू दिइएका छन् जहाँ गणित हुन्छ। मैले स्पष्टता र सन्दर्भको घनत्वबीच सन्तुलन कायम गर्ने समस्याको सामना गर्नुपर्यो। मैले धेरै सन्दर्भहरू दिने प्रलोभनमा परें तर मलाई डर थियो कि यसले पाठको निरन्तरतालाई नष्ट गरिदिन्छ। मैले सूचना विज्ञान र प्रविधिको वार्षिक समीक्षासँग प्रतिस्पर्धा नगरी मध्यम मार्ग अपनाउने प्रयास गरेको छु। सामान्यतया एउटालाई केवल ती कार्यहरू उद्धृत गर्न प्रोत्साहित गरिन्छ जुन कुनै सजिलैसँग पहुँचयोग्य रूपमा प्रकाशित गरिएको छ, जस्तै पुस्तक वा आवधिक। दुर्भाग्यवश, इन्टरेस्ट रेसियोमा धेरै रोचक काम प्राविधिक रिपोर्ट र पीएचडी थेसिसमा पाइन्छ। उदाहरणका लागि, कर्नेलमा स्मार्ट प्रणालीमा गरिएको अधिकांश काम रिपोर्टमा मात्र उपलब्ध छ। भाग्यवस, तीमध्ये धेरैजसो अहिले राष्ट्रिय प्राविधिक सूचना सेवा (अमेरिका) र विश्वविद्यालय माइक्रोफिल्म्स (बेलायत) मार्फत उपलब्ध छन्। मैले यी स्रोतहरूको प्रयोग गर्नबाट जोगिनँ तर यदि एउटै सामग्री कुनै अन्य रूपमा सजिलैसँग पहुँचयोग्य छ भने मैले यसलाई प्राथमिकता दिएँ। म धेरै व्यक्ति र संस्थाहरू जो मलाई मदत गरेका छन् मेरो ठूलो ऋण स्वीकार गर्न चाहन्छु। म पहिले यो भन्न चाहन्छु कि यस पुस्तकमा धेरै विचारहरूको लागि तिनीहरू जिम्मेवार छन् तर म मात्र जिम्मेवार हुन चाहन्छु। मेरो सबैभन्दा ठूलो ऋण केरेन स्पार्क जोन्सलाई छ जसले मलाई सूचना पुनः प्राप्तिलाई एक प्रयोगात्मक विज्ञानको रूपमा अनुसन्धान गर्न सिकाउनुभयो। निक जार्डिन र रोबिन ... |
3cfbb77e5a0e24772cfdb2eb3d4f35dead54b118 | सन्दर्भ-पूर्वानुमान मोडेलहरू (जसलाई सामान्यतया इम्बेडमेन्ट वा न्यूरल भाषा मोडेलहरू भनेर चिनिन्छ) वितरण अर्थशास्त्र ब्लकमा नयाँ बच्चाहरू हुन्। यी मोडेलहरू वरिपरि चर्चाको बावजुद, साहित्य अझै पनि क्लासिक, गणना-भेक्टर-आधारित वितरण अर्थपूर्ण दृष्टिकोणको साथ पूर्वानुमान मोडेलहरूको व्यवस्थित तुलनाको अभाव छ। यस कागजमा, हामी लेक्सिकल सिमेन्टिक्स कार्यहरूको विस्तृत श्रृंखलामा र धेरै प्यारामिटर सेटिंग्समा यस्तो व्यापक मूल्यांकन गर्दछौं। परिणामले हाम्रो आश्चर्यमा देखाउँछ कि यो चर्चा पूर्ण रूपमा उचित छ, किनकि सन्दर्भ-पूर्वानुमान मोडेलहरूले उनीहरूको गणना-आधारित समकक्षहरूको बिरूद्ध पूर्ण र गहन विजय प्राप्त गर्दछन्। |
9ec20b90593695e0f5a343dade71eace4a5145de | विद्यार्थी, डिपार्टमेन्ट कम्प्युटर इन्जिनियरिङ, वेसिट, महाराष्ट्र, भारत ---------------------------------------------------------------------------*** ------------------------------------------------------------------------------------------- ------- अमूर्त गहिरो शिक्षा मेसिन शिक्षामा अनुसन्धानको लागि नयाँ क्षेत्रको रूपमा अस्तित्वमा आएको छ। यसको उद्देश्य मानव मस्तिष्क जस्तै कार्य गर्ने, जटिल डाटाबाट सिक्ने र प्रक्रिया गर्ने क्षमता राख्ने र जटिल कार्यहरू पनि समाधान गर्ने प्रयास गर्ने हो। यस क्षमताको कारण यसको प्रयोग विभिन्न क्षेत्रमा जस्तै पाठ, ध्वनि, छवि आदिमा गरिएको छ। प्राकृतिक भाषा प्रक्रिया गहिरो शिक्षा प्रविधिबाट प्रभावित हुन थालेको छ। यस अनुसन्धान पत्रले प्राकृतिक भाषा प्रशोधनमा गहिरो सिकाइको हालको विकास र अनुप्रयोगहरूलाई प्रकाश पार्छ। |
cc13fde0a91f4d618e6af66b49690702906316ae | हालैका वर्षहरूमा क्लाउड कम्प्युटिङ र ठूलो डाटा युगको विकास भएको छ, जसले परम्परागत निर्णय रूख एल्गोरिदमलाई चुनौती दिन्छ। पहिलो, डाटासेटको आकार अत्यन्तै ठूलो भएपछि निर्णय रूख निर्माणको प्रक्रिया धेरै समय खपत हुने हुन्छ। दोस्रो, डाटा अब मेमोरीमा फिट हुन नसक्ने भएकोले केही गणना बाह्य भण्डारणमा सार्नु पर्छ र यसैले I/O लागत बढाउँछ। यस उद्देश्यका लागि, हामी एक विशिष्ट निर्णय रूख एल्गोरिथ्म, C4.5, लागू गर्न प्रस्ताव गर्दछौं, म्यापरेड्यूस प्रोग्रामिंग मोडेल प्रयोग गरेर। विशेष गरी, हामी परम्परागत एल्गोरिथ्मलाई नक्सा र घटाउने प्रक्रियाको श्रृंखलामा रूपान्तरण गर्छौं। यसका साथै, हामी संचार लागत कम गर्नका लागि केही डाटा संरचनाहरू डिजाइन गर्छौं। हामी ठूलो डाटासेटमा व्यापक प्रयोग पनि गर्छौं। परिणामले संकेत गर्छ कि हाम्रो एल्गोरिथ्मले समय दक्षता र मापन दुवै प्रदर्शन गर्दछ। |
d73a71fa24b582accb934a9c2308567376ff396d | थ्रीडी भू-डाटाबेस अनुसन्धान थ्रीडी शहरी योजना, वातावरणीय अनुगमन, पूर्वाधार व्यवस्थापन, प्रारम्भिक चेतावनी वा विपद् व्यवस्थापन र प्रतिक्रिया जस्ता चुनौतीपूर्ण अनुप्रयोगहरूलाई समर्थन गर्नको लागि एक आशाजनक क्षेत्र हो। यी क्षेत्रमा, मानव गतिविधि र भूभौतिक घटनाहरूको वर्णन गर्ने ठूलो भू-सन्दर्भित डाटा सेटहरूको मोडेलिंग, विश्लेषण, व्यवस्थापन र एकीकरणलाई समर्थन गर्न जीआईएस विज्ञान र सम्बन्धित क्षेत्रहरूमा अन्तर्विषयक अनुसन्धान आवश्यक छ। भू-डाटाबेसहरू २ डी नक्सा, थ्री डी भू-वैज्ञानिक मोडेलहरू, र अन्य भू-सन्दर्भित डाटा एकीकृत गर्न प्लेटफर्मको रूपमा काम गर्न सक्दछन्। यद्यपि, हालको भू-डाटाबेसले पर्याप्त थ्रीडी डाटा मोडलिङ र डाटा ह्यान्डलिङ प्रविधि प्रदान गर्दैन। सतह र खण्ड मोडेलहरू सम्हाल्न नयाँ थ्रीडी भू-डाटाबेसहरू आवश्यक छन्। यस लेखमा भू-डाटाबेस अनुसन्धानको २५ वर्षको पूर्वानुमान प्रस्तुत गरिएको छ। भू-सूचनाको डाटा मोडलिङ, मानक र अनुक्रमणिकाको बारेमा विस्तृत रूपमा छलफल गरिएको छ। अन्तर-अनुशासनात्मक अनुसन्धानका लागि नयाँ क्षेत्रहरू खोल्नका लागि थ्रीडी भू-डाटाबेसको विकासका लागि नयाँ दिशाहरू सम्बोधन गरिएको छ। प्रारम्भिक चेतावनी र आपतकालीन प्रतिक्रियाको क्षेत्रमा दुई परिदृश्यले मानव र भूभौतिक घटनाहरूको संयुक्त व्यवस्थापन प्रदर्शन गर्दछ। लेख खुला अनुसन्धान समस्याहरूको आलोचनात्मक दृष्टिकोणको साथ समाप्त हुन्छ। & २०११ एल्सभियर लिमिटेड सबै अधिकार सुरक्षित। |
dce7a0550b4d63f6fe2e6908073ce0ce63626b0c | रोबोटिक्स र कृत्रिम बुद्धिको क्षेत्रमा स्वचालितकरणको बाटोमा हिँड्ने क्रममा, हामीले नैतिक निर्णय लिने क्रममा बढ्दो मात्रामा स्वचालितकरण गर्नु आवश्यक छ ताकि हाम्रा उपकरणहरू हामीबाट स्वतन्त्र भएर काम गर्न सकून्। तर नैतिक निर्णय लिने प्रक्रियालाई स्वचालित बनाउनुले इन्जिनियर र डिजाइनरका लागि नयाँ प्रश्न खडा गर्छ, जसले त्यो कार्य कसरी पूरा गर्ने भन्नेबारे निर्णय लिनुपर्छ। उदाहरणका लागि, केही नैतिक निर्णयहरू कठिन नैतिक मामलाहरू समावेश गर्दछ, जसले बदलेमा प्रयोगकर्ता इनपुटको आवश्यकता पर्दछ यदि हामी स्वायत्तता र सूचित सहमति वरिपरि स्थापित मानदण्डहरूको सम्मान गर्न चाहन्छौं भने। लेखकले यो र अन्य नैतिक विचारहरू विचार गर्दछ जुन नैतिक निर्णय लिने प्रक्रियाको स्वचालनको साथ हुन्छ। उनले केही सामान्य नैतिक आवश्यकताहरू प्रस्ताव गर्छन् जुन डिजाइन कोठामा ध्यानमा राख्नुपर्दछ, र एक डिजाइन उपकरणको स्केच गर्दछ जुन ईन्जिनियरहरू, डिजाइनरहरू, नैतिकतावादीहरू, र नीति निर्माताहरूलाई निर्णय गर्न मद्दत गर्न डिजाइन प्रक्रियामा एकीकृत गर्न सकिन्छ कि नैतिक निर्णय लिने केही प्रकारलाई कसरी स्वचालित गर्ने भन्ने निर्णय गर्न। |
ab19cbea5c61536b616cfa7654cf01bf0621b83f | |
102153467f27d43dd1db8a973846d3ac10ffdc3c | स्वास्थ्य सेवा इन्टरनेट अफ थिंग्स (आईओटी) प्रविधिको सबैभन्दा तीव्र गतिमा विस्तार हुने अनुप्रयोग क्षेत्रहरू मध्ये एक हो। आईओटी उपकरणहरू हृदय रोग (सीवीडी) जस्ता दीर्घकालीन रोगका बिरामीहरूको टाढाको स्वास्थ्य अनुगमन गर्न सक्षम बनाउन प्रयोग गर्न सकिन्छ। यस लेखमा हामी ईसीजी विश्लेषण र हृदयघात निदानको लागि वर्गीकरणको लागि एल्गोरिथ्म विकास गर्छौं र यसलाई आईओटी-आधारित एम्बेडेड प्लेटफर्ममा लागू गर्दछौं। यो एल्गोरिथ्म हाम्रो प्रस्ताव हो एक पोशाक योग्य ईसीजी निदान उपकरणको लागि, रोगीको २४ घण्टा निरन्तर अनुगमनको लागि उपयुक्त। हामी ईसीजी विश्लेषणका लागि डिस्क्रेट वेभलेट ट्रान्सफर्म (डीडब्लुटी) र सपोर्ट भेक्टर मेसिन (एसभीएम) वर्गीकरणकर्ता प्रयोग गर्छौं। सबै भन्दा राम्रो वर्गीकरण शुद्धता प्राप्त 98.9% छ, आकार 18 को विशेषता वेक्टर को लागि, र 2493 समर्थन वेक्टरहरु को लागि। गालीलियो बोर्डमा एल्गोरिथ्मको विभिन्न कार्यान्वयनले यो देखाउन मद्दत गर्दछ कि गणना लागत यस्तो छ कि ईसीजी विश्लेषण र वर्गीकरण वास्तविक समयमा गर्न सकिन्छ। |
44159c85dec6df7a257cbe697bfc854ecb1ebb0b | हालै उद्घाटन गरिएको जटिल शारीरिक संकेतका लागि अनुसन्धान स्रोत, जुन राष्ट्रिय स्वास्थ्य संस्थानको अनुसन्धान स्रोतहरूको लागि राष्ट्रिय केन्द्रको तर्फबाट सिर्जना गरिएको हो, यसको उद्देश्य हालको अनुसन्धान र हृदय र अन्य जटिल जैविक चिकित्सा संकेतहरूको अध्ययनमा नयाँ अनुसन्धानलाई प्रोत्साहित गर्नु हो। यस स्रोतमा तीनवटा आ-आफ्नो पक्षमा निर्भर घटकहरू छन्। फिजियोबैंक बायोमेडिकल अनुसन्धान समुदायले प्रयोग गर्नका लागि शारीरिक संकेत र सम्बन्धित डाटाको राम्रोसँग वर्णन गरिएको डिजिटल रेकर्डि ofको ठूलो र बढ्दो अभिलेख हो। यसले हाल स्वस्थ व्यक्तिहरूबाट र जीवन-धम्की दिने अरिथ्मिया, हृदयघात, निद्रामा हुने श्वासोच्छ्वास, न्यूरोलोजिकल विकार र बुढेसकाल लगायतका विभिन्न जनस्वास्थ्य प्रभावहरू भएका बिरामीहरूको बहु-पारामिटर कार्डियोपल्मोनरी, न्यूरोलोजिकल र अन्य जैव चिकित्सा संकेतहरूको डाटाबेस समावेश गर्दछ। फिजियोटूलकिट शारीरिक संकेत प्रशोधन र विश्लेषणका लागि खुला स्रोत सफ्टवेयरको पुस्तकालय हो, दुवै क्लासिक प्रविधिहरू र नयाँ विधिहरू प्रयोग गरेर शारीरिक रूपमा महत्त्वपूर्ण घटनाहरूको पत्ता लगाउने तथ्याङ्क भौतिक र गैर-रेखीय गतिशीलतामा आधारित, संकेतहरूको अन्तरक्रियात्मक प्रदर्शन र विशेषता, नयाँ डेटाबेसहरूको सिर्जना, शारीरिक र अन्य संकेतहरूको सिमुलेशन, विश्लेषणात्मक मूल्यांकन र तुलना विश्लेषण विधिहरू, र गैर-स्थिर प्रक्रियाहरूको विश्लेषण। फिजियोनेट एक अनलाइन फोरम हो जसमा रेकर्ड गरिएका जैविक चिकित्सा संकेतहरू र तिनीहरूको विश्लेषणका लागि खुला स्रोत सफ्टवेयरको प्रसारण र आदानप्रदान हुन्छ। यसले डाटाको सहकारी विश्लेषण र प्रस्तावित नयाँ एल्गोरिदमको मूल्यांकनका लागि सुविधा प्रदान गर्दछ। विश्वव्यापी वेब (http://www.physionet.com) मार्फत PhysioBank डाटा र PhysioToolkit सफ्टवेयरको लागि निःशुल्क इलेक्ट्रोनिक पहुँच प्रदान गर्नुको साथै, org), PhysioNet अनलाइन ट्युटोरियल मार्फत सेवा र प्रशिक्षण प्रदान गर्दछ जुन प्रयोगकर्ताहरूलाई विभिन्न स्तरको विशेषज्ञताको साथ सहयोग पुर्याउँछ। |
a92eac4415719698d7d2097ef9564e7b36699010 | उद्देश्य - कर्पोरेट दिगोपन र यसको प्रदर्शनको मूल्याङ्कन र प्रतिवेदनमा सरोकारवालाहरूलाई संलग्न गराउने दृष्टिकोणको रूपमा सामाजिक लेखापरीक्षणको प्रयोगयोग्यता पहिचान गर्न। डिजाइन/विधि/दृष्टिकोण - एए१००० को ढाँचा र सामाजिक लेखापरीक्षण अध्ययनमा आधारित यस कार्यपत्रले सरोकारवालाको संलग्नता, सामाजिक लेखापरीक्षण र कर्पोरेट दिगोपनलाई जोडेर कर्पोरेट दिगोपन सम्बोधन गर्न संवादमा आधारित सामाजिक लेखापरीक्षण लागू गर्ने उद्देश्यले प्रस्तुत गरेको छ। निष्कर्ष - यो कागजातले कर्पोरेट दिगोपन र सामाजिक लेखा परीक्षण बीच एक मिल्दो पहिचान गर्दछ, किनकि दुबैको उद्देश्य संगठनको सामाजिक, वातावरणीय र आर्थिक प्रदर्शन सुधार गर्नु हो, सरोकारवालाहरूको विस्तृत श्रृंखलाको भलाईलाई ध्यानमा राख्दै र प्रक्रियामा सरोकारवालाहरूको संलग्नता आवश्यक छ। यस कार्यपत्रमा संवादको माध्यमबाट सरोकारवाला पक्षहरूलाई संलग्न गराएर सामाजिक लेखापरीक्षणलाई ट्रस्टहरू निर्माण गर्न, प्रतिबद्धता पहिचान गर्न र सरोकारवाला पक्षहरू र निगमहरू बीच सहयोग बढाउन प्रयोग गर्न सकिने सुझाव दिइएको छ। अनुसन्धानका सीमाहरू/प्रभावहरू - यस अनुसन्धानले कर्पोरेट दिगोपन सम्बोधन गर्न सामाजिक लेखापरीक्षणको व्यावहारिकता र संवादमा आधारित सामाजिक लेखापरीक्षणको सीमाहरूको निर्धारणमा थप अनुभवजन्य अनुसन्धानको आवश्यकता छ। व्यावहारिक प्रभाव - सामाजिक लेखापरीक्षणलाई लोकतान्त्रिक व्यापारिक समाजमा सरोकारवाला पक्ष र निगमहरूबीचको भिन्न हित सन्तुलनमा ल्याउने उपयोगी संयन्त्रको रूपमा पहिचान गरिएको छ। सामाजिक लेखापरीक्षणको प्रयोगले कर्पोरेट दिगोपनको विकास र प्राप्तिमा व्यावहारिक प्रभाव पार्छ। मौलिकता/मूल्य - यस लेखमा व्यवसायलाई दिगोपनतर्फ लैजान सहयोग गर्ने संवादमा आधारित सामाजिक लेखापरीक्षणको प्रयोगको बारेमा छलफल गरिएको छ। सामाजिक लेखापरीक्षणलाई कर्पोरेट सामाजिक र वातावरणीय प्रदर्शनको मूल्याङ्कन गर्ने र प्रतिवेदन दिने प्रक्रियाका रूपमा लिइन्छ। यसमा सरोकारवाला पक्षहरूलाई संवादको माध्यमबाट संलग्न गराएर विश्वास निर्माण गर्न, प्रतिबद्धता पहिचान गर्न र सरोकारवाला पक्षहरू र कर्पोरेसनहरूबीच सहयोग बढाउन प्रयोग गर्न सकिन्छ। |
915c4bb289b3642489e904c65a47fa56efb60658 | हामी छवि रूपान्तरण समस्याहरू विचार गर्दछौं, जहाँ इनपुट छविलाई आउटपुट छविमा रूपान्तरण गरिन्छ। हालका विधिहरू यस्ता समस्याहरूको लागि सामान्यतया फिड-फर्वार्ड कन्भोल्युसनल न्यूरल नेटवर्कहरू आउटपुट र ग्राउन्ड-सत्य छविहरू बीच प्रति पिक्सेल घाटा प्रयोग गरेर प्रशिक्षण दिन्छन्। समानांतर कार्यले देखाएको छ कि उच्च-गुणवत्ता छविहरू पूर्व-प्रशिक्षित नेटवर्कहरूबाट निकालेको उच्च-स्तर सुविधाहरूमा आधारित धारणा हानि प्रकार्यहरू परिभाषित र अनुकूलन गरेर उत्पन्न गर्न सकिन्छ। हामी दुवै दृष्टिकोणको फाइदाहरू संयोजन गर्छौं, र छवि रूपान्तरण कार्यहरूको लागि फिड-फर्वार्ड नेटवर्कहरू प्रशिक्षणको लागि धारणा हानि प्रकार्यहरूको प्रयोग प्रस्ताव गर्दछौं। हामी छवि शैली स्थानान्तरणमा परिणामहरू देखाउँदछौं, जहाँ फिड-फर्वार्ड नेटवर्कलाई वास्तविक समयमा गेट्स एट अल द्वारा प्रस्तावित अप्टिमाइजेसन समस्या समाधान गर्न प्रशिक्षित गरिएको छ। अनुकूलनमा आधारित विधिसँग तुलना गर्दा हाम्रो नेटवर्कले समान गुणात्मक परिणाम दिन्छ तर तीनवटा परिमाणको छिटो हुन्छ। हामी एकल छवि सुपर-रिजोल्युसनको प्रयोग पनि गर्छौं, जहाँ प्रति-पिक्सेलको हानिलाई धारणागत हानिले प्रतिस्थापन गर्दा दृश्य रूपले सुखद परिणाम प्राप्त हुन्छ। |
9201bf6f8222c2335913002e13fbac640fc0f4ec | |
929a376c6fea1376baf40fc2979cfbdd867f03ab | लोसी छवि कम्प्रेसन विधिहरूले सँधै संकुचित परिणामहरूमा विभिन्न अप्रिय कलाकृतिको परिचय दिन्छ, विशेष गरी कम बिट-रेटहरूमा। हालैका वर्षहरूमा, जेपीईजी संकुचित छविहरूको लागि धेरै प्रभावकारी नरम डिकोडिङ विधिहरू प्रस्ताव गरिएको छ। तर, हाम्रो ज्ञानमा जेपीईजी २००० कम्प्रेस्ड इमेजको सफ्ट डिकोडिङमा धेरै कम काम भएको छ । विभिन्न कम्प्युटर भिजन कार्यहरूमा कन्भोल्युसन न्युरल नेटवर्क (सीएनएन) को उत्कृष्ट प्रदर्शनबाट प्रेरित भएर हामी जेपीईजी २००० का लागि एक नरम डिकोडिङ विधि प्रस्तुत गर्दछौं। विशेष गरी, प्रशिक्षण चरणमा, हामी धेरै उच्च गुणस्तर प्रशिक्षण छविहरू र सम्बन्धित JPEG 2000 कम्प्रेस छविहरू विभिन्न कोडिंग बिट-रेटहरूमा प्रयोग गरेर गहिरो सीएनएनहरूको श्रृंखला प्रशिक्षण गर्दछौं। परीक्षण चरणमा, एक इनपुट संकुचित छवि को लागी, निकटतम कोडिंग बिट-रेट संग प्रशिक्षित सीएनएन नरम डिकोडिंग प्रदर्शन गर्न को लागी चयन गरीन्छ। विस्तृत प्रयोगहरूले प्रस्तुत नरम डिकोडिङ फ्रेमवर्कको प्रभावकारिता प्रदर्शन गर्दछ, जसले JPEG 2000 संकुचित छविहरूको दृश्य गुणस्तर र उद्देश्य स्कोरमा ठूलो सुधार गर्दछ। |
cfa092829c4c7a42ec77ab6844661e1dae082172 | बिटक्वाइनले एउटा नयाँ अवधारणा ल्याएको छ जसले सम्पूर्ण इन्टरनेटमा क्रान्ति ल्याउन सक्छ र यसले बैंकिङ, सार्वजनिक क्षेत्र र आपूर्ति श्रृंखला सहित धेरै प्रकारका उद्योगहरूमा सकारात्मक प्रभाव पार्न सक्छ। यो आविष्कार छद्म-अनामिकतामा आधारित छ र यसको नवीन विकेन्द्रीकृत वास्तुकलामा आधारित छ जुन blockchain टेक्नोलोजीमा आधारित छ। व्यापार प्रक्रियामा उत्तरदायित्व र पारदर्शिता बढाउन केन्द्रीयकृत प्राधिकरणको आवश्यकता बिना ट्रस्ट स्थापनाको साथ लेनदेनमा आधारित अनुप्रयोगहरूको दौडलाई अगाडि बढाइरहेको छ। यद्यपि, एक ब्लकचेन लेजर (उदाहरणका लागि, बिटकॉइन) धेरै जटिल र विशेष उपकरणहरू बन्न जान्छ, सामूहिक रूपमा ब्लकचेन एनालिटिक्स भनिन्छ, व्यक्ति, कानून प्रवर्तन एजेन्सीहरू र सेवा प्रदायकहरूलाई खोजी गर्न, अन्वेषण गर्न र यसलाई दृश्यमा अनुमति दिन आवश्यक छ। पछिल्ला वर्षहरूमा, धेरै विश्लेषणात्मक उपकरणहरू क्षमताहरूसँग विकसित गरिएको छ जुन अनुमति दिन्छ, उदाहरणका लागि, सम्बन्धहरू नक्शा गर्न, लेनदेनको प्रवाहको जाँच गर्न र फोरेंसिक अनुसन्धानहरू बढाउने तरिकाको रूपमा अपराध उदाहरणहरू फिल्टर गर्न। यस कागजातले ब्लकचेन विश्लेषणात्मक उपकरणहरूको वर्तमान अवस्थाको बारेमा छलफल गर्दछ र तिनीहरूको अनुप्रयोगहरूमा आधारित विषयगत वर्गीकरण मोडेल प्रस्तुत गर्दछ। यसले भविष्यमा विकास र अनुसन्धानका लागि खुला चुनौतीहरूको पनि अध्ययन गर्दछ। |
2e5fadbaab27af0c2b5cc6a3481c11b2b83c4f94 | हामी एउटा फोटोको पछाडि फोटोग्राफरको पहिचान गर्ने नयाँ समस्या प्रस्तुत गर्छौं। यो समस्या समाधान गर्नको लागि हालको कम्प्युटर भिजन प्रविधिको प्रयोगको सम्भावनाको खोजी गर्न हामीले ४१ जना प्रसिद्ध फोटोग्राफरहरुद्वारा लिइएको १ लाख ८० हजार भन्दा बढी तस्बिरहरुको नयाँ डेटासेट तयार गरेका छौं। यो डाटासेट प्रयोग गरेर हामीले फोटोग्राफरको पहिचानमा विभिन्न प्रकारका सुविधाहरूको प्रभावकारिताको जाँच गर्यौं (निम्न र उच्च स्तरका, सीएनएन सुविधाहरू सहित) । हामीले यो कार्यका लागि नयाँ गहिरो संवृतिक तंत्रिका सञ्जाललाई पनि प्रशिक्षण दियौं। हाम्रो परिणामले उच्च स्तरका विशेषताहरू निम्न स्तरका विशेषताहरू भन्दा धेरै राम्रो प्रदर्शन गर्दछन्। हामी यी सिकिएका मोडेलहरू प्रयोग गरेर गुणात्मक परिणामहरू प्रदान गर्दछौं जसले हाम्रो विधिले फोटोग्राफरहरू बीचको भिन्नतालाई बुझ्न मद्दत गर्दछ, र हामीलाई रोचक निष्कर्षहरू निकाल्न अनुमति दिन्छ विशिष्ट फोटोग्राफरहरूले के खिच्दछन् भन्ने बारे। हामी हाम्रो विधि को दुई अनुप्रयोगहरु पनि प्रदर्शन गर्दछौं। |
25b6818743a6c0b9502a1c026c653038ff505c09 | |
6ed67a876b3afd2f2fb7b5b8c0800a0398c76603 | |
24281c886cd9339fe2fc5881faf5ed72b731a03e | म्यापरेडस र यसको भेरियन्टहरू कमोडिटी क्लस्टरहरूमा ठूलो मात्रामा डाटा-गहन अनुप्रयोगहरू कार्यान्वयन गर्न अत्यधिक सफल भएका छन्। यद्यपि, यी प्रणालीहरूमध्ये अधिकांश एक एसाइक्लिक डाटा फ्लो मोडेलको वरिपरि निर्मित छन् जुन अन्य लोकप्रिय अनुप्रयोगहरूको लागि उपयुक्त छैन। यस कागजले अनुप्रयोगहरूको एक यस्तो वर्गमा ध्यान केन्द्रित गर्दछः ती जुन बहु समानान्तर अपरेशनहरूमा डाटाको कार्य सेटको पुनः प्रयोग गर्दछ। यसमा धेरै पुनरावर्ती मेसिन लर्निंग एल्गोरिदमहरू, साथै अन्तर्क्रियात्मक डाटा विश्लेषण उपकरणहरू समावेश छन्। हामी स्पार्क नामक नयाँ ढाँचा प्रस्ताव गर्छौं जसले यी अनुप्रयोगहरूलाई समर्थन गर्दछ जबकि म्यापरेड्यूसको स्केलेबिलिटी र दोष सहनशीलतालाई कायम राख्दछ। यी लक्ष्यहरू प्राप्त गर्न, स्पार्कले एक अमूर्त परिचय दिन्छ जुन लचिलो वितरित डाटासेट (आरडीडी) भनिन्छ। आरडीडी भनेको वस्तुहरूको पढ्ने-मात्र संग्रह हो जुन मेशिनहरूको सेटमा विभाजन गरिएको हुन्छ जुन विभाजन हराएमा पुनः निर्माण गर्न सकिन्छ। स्पार्कले पुनरावर्ती मेसिन लर्निंग कार्यहरूमा १० गुणाले ह्याडोपलाई पछाडि पार्न सक्छ, र उप-सेकेन्ड प्रतिक्रिया समयको साथ interactively 39 जीबी डाटासेट क्वेरी गर्न प्रयोग गर्न सकिन्छ। |
03ff3f8f4d5a700fbe8f3a3e63a39523c29bb60f | वाक्यलाई सही रूपमा प्रस्तुत गर्ने क्षमता भाषाको समझको लागि महत्वपूर्ण छ। हामी एक संवितरण वास्तुकलाको वर्णन गर्छौं जसलाई गतिशील संवितरण न्यूरल नेटवर्क (डीसीएनएन) भनिन्छ जुन हामी वाक्यहरूको अर्थिक मोडेलिंगका लागि अपनाउँछौं। नेटवर्कले डायनामिक के-म्याक्स पूलिंग प्रयोग गर्दछ, जुन रैखिक अनुक्रमहरूमा ग्लोबल पूलिंग अपरेशन हो। नेटवर्कले फरक फरक लम्बाइको इनपुट वाक्यहरू ह्यान्डल गर्दछ र वाक्यमा एक सुविधा ग्राफ उत्पन्न गर्दछ जुन स्पष्ट रूपमा छोटो र लामो दायरा सम्बन्धहरू कब्जा गर्न सक्षम छ। नेटवर्क पार्स ट्रीमा निर्भर हुँदैन र कुनै पनि भाषामा सजिलैसँग लागू हुन्छ। हामीले डीसीएनएनलाई चार प्रयोगमा परीक्षण गर्यौं: सानो स्तरको बाइनरी र बहु-वर्ग भावना पूर्वानुमान, छ-तरिका प्रश्न वर्गीकरण र टाढाको पर्यवेक्षणद्वारा ट्विटर भावना पूर्वानुमान। सञ्जालले पहिलो तीन कार्यहरूमा उत्कृष्ट प्रदर्शन प्राप्त गर्दछ र अन्तिम कार्यमा सबैभन्दा बलियो आधारभूत रेखाको सम्बन्धमा 25% भन्दा बढी त्रुटि घटाउँछ। |
ff5c193fd7142b3f426baf997b43937eca1bbbad | हालैमा बहुस्तरीय इन्भर्टर प्रविधि उच्च-शक्ति मध्यम-भोल्टेज ऊर्जा नियन्त्रणको क्षेत्रमा एक धेरै महत्त्वपूर्ण विकल्पको रूपमा देखा परेको छ। यस कागजले सबैभन्दा महत्त्वपूर्ण टोपोलोजीहरू प्रस्तुत गर्दछ जस्तै डायोड-क्लम्प्ड इन्भर्टर (तटस्थ-बिन्दु क्लम्प्ड), क्यापेसिटर-क्लम्प्ड (उड्ने क्यापेसिटर), र क्यास्केडेड मल्टिसेल अलग डीसी स्रोतहरूको साथ। उदीयमान टोपोलोजीहरू जस्तै असममित हाइब्रिड सेलहरू र सफ्ट-स्विच गरिएको बहु-स्तर इन्भर्टरहरू पनि छलफल गरिन्छ। यस कागजले कन्भर्टरहरूको यस परिवारको लागि विकसित सबैभन्दा सान्दर्भिक नियन्त्रण र मोडुलेशन विधिहरू पनि प्रस्तुत गर्दछः बहु-स्तरको साइनसियल पल्सविड्थ मोडुलेशन, बहु-स्तरको छनौट हार्मोनिक उन्मूलन, र स्पेस-भेक्टर मोडुलेशन। विशेष ध्यान यी कन्भर्टरहरूको नवीनतम र अधिक सान्दर्भिक अनुप्रयोगहरू जस्तै लेमिनेटरहरू, कन्भेयर बेल्टहरू, र एकीकृत पावर-फ्लो कन्ट्रोलरहरूमा समर्पित छ। पुनः उत्पन्न लोडहरू आपूर्ति गर्ने इन्भर्टरहरूको लागि इनपुट पक्षमा सक्रिय फ्रन्ट एन्डको आवश्यकताको बारेमा पनि छलफल गरिएको छ, र सर्किट टोपोलोजी विकल्पहरू पनि प्रस्तुत गरिएको छ। अन्तमा, विकासको लागि अन्य अवसरहरू जस्तै उच्च-भोल्टेज उच्च-शक्ति उपकरणहरू र अप्टिकल सेन्सरहरू र अन्य क्षेत्रहरू सम्बोधन गरिन्छ। |
Subsets and Splits