_id
stringlengths 40
40
| text
stringlengths 0
12.9k
|
|---|---|
2b211f9553ec78ff17fa3ebe16c0a036ef33c54b | مارکو اے روڈریگس اے ٹی اینڈ ٹی انٹرایکٹو میں گراف سسٹم آرکیٹیکٹ ہیں۔ اس سے marko<at>markorodriguez.com پر رابطہ کیا جا سکتا ہے. پیٹر نیوباور نیو ٹیکنالوجی کے چیف آپریٹنگ آفیسر ہیں. اس سے peter.neubauer<at>neotechnology.com پر رابطہ کیا جا سکتا ہے۔ گراف ایک ڈیٹا ڈھانچہ ہے جو ڈاٹ (یعنی ، چوٹیوں) اور لائنوں (یعنی ، کناروں) پر مشتمل ہوتا ہے۔ ایک گراف کے نقطوں اور لائنوں کو پیچیدہ ترتیب میں منظم کیا جا سکتا ہے. ایک گراف کی اشیاء اور ان کے ایک دوسرے سے تعلقات کو ظاہر کرنے کی صلاحیت حیرت انگیز طور پر بڑی تعداد میں چیزوں کو گراف کے طور پر ماڈل کرنے کی اجازت دیتی ہے۔ سافٹ ویئر پیکجوں کو منسلک کرنے والے انحصار سے لے کر لکڑی کے بیم تک جو کسی گھر کو فریمنگ فراہم کرتے ہیں ، تقریبا anything ہر چیز میں ایک مماثل گراف نمائندگی ہوتی ہے۔ تاہم، صرف اس وجہ سے کہ یہ ممکن ہے کہ کسی چیز کو گراف کے طور پر پیش کیا جائے اس کا مطلب یہ نہیں ہے کہ اس کی گراف کی نمائندگی مفید ہوگی. اگر ایک ماڈلر آلات اور الگورتھم کی کثرت کا فائدہ اٹھا سکتا ہے جو گراف کو اسٹور اور پروسیس کرتا ہے تو پھر اس طرح کی نقشہ سازی قابل قدر ہے۔ یہ مضمون کمپیوٹنگ میں گراف کی دنیا کی کھوج کرتا ہے اور ان حالات کو بے نقاب کرتا ہے جن میں گرافک ماڈل فائدہ مند ہیں۔ |
0c5e3186822a3d10d5377b741f36b6478d0a8667 | مصنوعی ذہانت میں ایک مرکزی مسئلہ یہ ہے کہ جزوی طور پر مشاہدہ کرنے والے ماحول میں غیر یقینی صورتحال کے تحت مستقبل کے انعام کو زیادہ سے زیادہ کرنے کی منصوبہ بندی کی جائے۔ اس مقالے میں ہم ایک ناول الگورتھم کی تجویز اور مظاہرہ کرتے ہیں جو براہ راست ایکشن مشاہدہ جوڑوں کے تسلسل سے اس طرح کے ماحول کا ایک ماڈل سیکھتا ہے۔ ہم پھر مشاہدات سے اقدامات تک لوپ کو بند کرتے ہیں سیکھے ہوئے ماڈل میں منصوبہ بندی کرکے اور ایک ایسی پالیسی کی بازیابی کرتے ہیں جو اصل ماحول میں قریب سے زیادہ سے زیادہ ہے۔ خاص طور پر ، ہم پیشن گوئی کرنے والی ریاست کی نمائندگی (پی ایس آر) کے پیرامیٹرز کو سیکھنے کے لئے ایک موثر اور شماریاتی طور پر مستقل سپیکٹرم الگورتھم پیش کرتے ہیں۔ ہم نے ایک ماڈل کی ایک اعلی جہتی، ویژن کی بنیاد پر موبائل روبوٹ کی منصوبہ بندی کے کام کی تعلیم حاصل کی طرف سے الگورتھم کا مظاہرہ، اور پھر سیکھا PSR میں نقطہ کی بنیاد پر تخمینہ کی منصوبہ بندی انجام. ہمارے نتائج کا تجزیہ ظاہر کرتا ہے کہ الگورتھم ایک ریاست کی جگہ سیکھتا ہے جو ماحول کی ضروری خصوصیات کو مؤثر طریقے سے قبضہ کرتا ہے. یہ نمائندگی پیرامیٹرز کی ایک چھوٹی سی تعداد کے ساتھ درست پیشن گوئی کی اجازت دیتا ہے، اور کامیاب اور موثر منصوبہ بندی کے قابل بناتا ہے. |
16611312448f5897c7a84e2f590617f4fa3847c4 | پوشیدہ مارکوف ماڈل (HMMs) الگ الگ وقت سیریز ماڈلنگ کے لئے سب سے زیادہ بنیادی اور وسیع پیمانے پر استعمال کیا جاتا شماریاتی اوزار میں سے ایک ہیں. عام طور پر ، وہ سمندری رچ ہیوریسٹکس (جیسے بوم ویلچ / ای ایم الگورتھم) کا استعمال کرتے ہوئے سیکھے جاتے ہیں ، جو معمول کے مقامی آپٹیمم مسائل سے دوچار ہیں۔ جبکہ عام طور پر ان ماڈلز بنیادی تقسیم سے نمونے کے ساتھ سیکھنے کے لئے مشکل کے لئے جانا جاتا ہے، ہم HMMs ایک قدرتی علیحدگی کی حالت کے تحت سیکھنے کے لئے (نمونہ اور کمپیوٹیشنل پیچیدگی کے لحاظ سے) پہلے ثابت مؤثر الگورتھم فراہم کرتے ہیں. یہ شرط تقریباً ان علیحدگی کی شرائط کے مطابق ہے جو مرکب کی تقسیم سیکھنے کے لئے غور کی جاتی ہیں (جہاں ، اسی طرح ، ان ماڈلز کو عام طور پر سیکھنا مشکل ہے) ۔ اس کے علاوہ، ہمارے نمونہ مکمل نتائج واضح طور پر الگ الگ (مختلف) مشاہدات کی تعداد پر منحصر نہیں ہیں - وہ بنیادی طور پر اس تعداد پر انحصار کرتے ہیں جس میں بنیادی طور پر HMM کی سپیکٹرم خصوصیات کی طرف سے ہے. اس سے الگورتھم خاص طور پر قابل اطلاق ہوتا ہے جس میں بڑی تعداد میں مشاہدات ہوتے ہیں ، جیسے قدرتی زبان کی پروسیسنگ میں جہاں مشاہدات کی جگہ کبھی کبھی کسی زبان میں الفاظ ہوتی ہے۔ آخر میں، الگورتھم خاص طور پر سادہ ہے، صرف ایک سنگل آر قدر کی خرابی اور میٹرکس ضربات پر انحصار کرتا ہے. |
8ad6fda2d41dd823d2569797c8c7353dad31b371 | ہم ایک وصف پر مبنی خفیہ کاری (اے بی ای) اسکیم تیار کرتے ہیں جو کسی صارف کی نجی کلید کو صفات پر کسی بھی رسائی فارمولے کے لحاظ سے ظاہر کرنے کی اجازت دیتا ہے۔ سابقہ اے بی ای کے منصوبے صرف ایک ہی رسائی کے ڈھانچے کو ظاہر کرنے تک محدود تھے. ہم اپنے سکیم کے لئے سیکورٹی کا ثبوت فراہم کرتے ہیں جو فیصلہ کن بلینئر ڈیفی-ہلمن (بی ڈی ایچ) مفروضے پر مبنی ہے۔ اس کے علاوہ، ہمارے نئے سکیم کی کارکردگی موجودہ، کم اظہار سکیموں کے ساتھ سازگار موازنہ کرتا ہے. |
4f3dbfec5c67f0fb0602d9c803a391bc2f6ee4c7 | 20 گیگاہرٹج فیز لاکڈ لوپ 4.9 پی ایس / سب پی پی / 0.65 پی ایس / سب ریمس / جٹر اور -113.5 ڈی بی سی / ہرٹج فیز شور 10 میگاہرٹج آفسیٹ کے ساتھ پیش کیا گیا ہے۔ ایک نصف ڈیوٹی نمونے لینے فیڈ فارورڈ لوپ فلٹر جو صرف ایک سوئچ کے ساتھ مزاحمت کی جگہ لیتا ہے اور ایک انورٹر ریفرنس سپور کو -44،0 ڈی سی سی تک دبا دیتا ہے. ایک ڈیزائن تکرار طریقہ کار کی خاکہ پیش کی گئی ہے جو منفی جی / سب میٹر / آسکیلیٹر کے مرحلے کے شور کو کم سے کم کرتی ہے جس میں منسلک مائکرو اسٹراپ ریزونیٹر ہوتا ہے۔ جامد فریکوئنسی تقسیم کرنے والے جو پلسڈ لاچز سے بنے ہیں وہ فلیپ فلاپ سے بنے ہوئے لوگوں سے زیادہ تیزی سے کام کرتے ہیں اور 2: 1 فریکوئنسی رینج کے قریب حاصل کرتے ہیں۔ 0.13-/spl mu/m CMOS میں تیار کیا گیا فیز لاکڈ لوپ 17.6 سے 19.4GHz تک کام کرتا ہے اور 480mW کو ختم کرتا ہے۔ |
1fcaf7ddcadda724d67684d66856c107375f448b | ہم متن کی درجہ بندی کے لئے ایک نیا Convolutional Neural Network (CNN) ماڈل پیش کرتے ہیں جو دستاویزات اور ان کے تشکیل دینے والے جملوں پر مشترکہ طور پر لیبلز کا استحصال کرتا ہے۔ خاص طور پر، ہم ایسے منظرناموں پر غور کرتے ہیں جس میں تشریحات واضح طور پر جملے (یا ٹکڑے ٹکڑے) کو نشان زد کرتے ہیں جو ان کی مجموعی دستاویز کی درجہ بندی کی حمایت کرتے ہیں، یعنی، وہ عقلانی فراہم کرتے ہیں. ہمارا ماڈل اس طرح کی نگرانی کا استحصال کرتا ہے ایک درجہ بندی کے نقطہ نظر کے ذریعے جس میں ہر دستاویز کی نمائندگی اس کے اجزاء کے جملوں کی ویکٹر نمائندگیوں کے لکیری امتزاج سے کی جاتی ہے۔ ہم ایک جملے کی سطح پر ایک کنوولوشن ماڈل تجویز کرتے ہیں جو اس امکان کا اندازہ لگاتا ہے کہ ایک دیا گیا جملہ ایک عقلی بنیاد ہے، اور پھر ہم ان تخمینوں کے تناسب سے مجموعی دستاویز کی نمائندگی میں ہر جملے کی شراکت کو پیمانہ دیتے ہیں۔ پانچ درجہ بندی کے ڈیٹا سیٹ پر تجربات جن میں دستاویز لیبل اور متعلقہ عقلیات ہیں یہ ظاہر کرتے ہیں کہ ہمارا نقطہ نظر مستقل طور پر مضبوط بنیادوں سے بہتر ہے۔ اس کے علاوہ، ہمارے ماڈل قدرتی طور پر اس کی پیشن گوئی کے لئے وضاحت فراہم کرتا ہے. |
20b41b2a0d8ee71efd3986b4baeed24eba904350 | مقصد ایک منظم ادبی جائزہ اور میٹا تجزیہ کے ذریعے ترقی پذیر ممالک میں ماں کی افسردگی اور بچے کی نشوونما کے درمیان تعلقات کی تحقیقات کرنا۔ طریقہ کار ترقی پذیر ممالک سے ماؤں کی ڈپریشن اور بچوں کی نشوونما کے بارے میں 2010 تک شائع ہونے والی مطالعات کے لئے چھ ڈیٹا بیسوں کی تلاش کی گئی۔ معیاری میٹا تجزیاتی طریقوں پر عمل کیا گیا اور ڈپریشن کی ماؤں کے بچوں میں کم وزن اور کم ہونے کے لئے مجموعی مشکلات کا تناسب (ORs) تمام مطالعات کے لئے اور مطالعات کے ذیلی سیٹوں کے لئے بے ترتیب اثرات کے ماڈل کا استعمال کرتے ہوئے شمار کیا گیا تھا جو مطالعہ کے ڈیزائن ، مادری افسردگی اور نتائج کے متغیرات کے لئے سخت معیار پر پورا اترتے تھے۔ منتخب شدہ مطالعات کے لئے آبادی سے منسوب خطرہ (پی اے آر) کا اندازہ لگایا گیا تھا۔ نتائج 11 ممالک سے 13،923 ماں اور بچے کے جوڑوں سمیت سترہ مطالعات شامل کرنے کے معیار پر پورا اترتے ہیں۔ ڈپریشن یا ڈپریشن علامات کے ساتھ ماؤں کے بچوں کو کم وزن (OR: 1. 5؛ 95٪ اعتماد وقفہ، CI: 1. 2- 1. 8) یا stunted (OR: 1. 4؛ 95٪ CI: 1. 2- 1. 7) ہونے کا امکان زیادہ تھا. تین طول البلد مطالعات کے ذیلی تجزیہ نے ایک مضبوط اثر ظاہر کیا: کم وزن کے لئے OR 2.2 تھا (95٪ آئی سی: 1. 5- 3. 2) اور stunting کے لئے، 2.0 (95٪ آئی سی: 1. 0- 3. 9) ۔ منتخب شدہ مطالعات کے لئے پی اے آر نے اشارہ کیا کہ اگر نوزائیدہ آبادی مکمل طور پر ماں کی افسردگی کی علامات سے بے نقاب ہو تو 23٪ سے 29٪ کم بچے کم وزن یا کم وزن ہوں گے۔ نتیجہ ماں کی ڈپریشن ابتدائی بچپن میں کم وزن اور کمزوری سے منسلک تھا. میکانیزم اور وجوہات کی نشاندہی کرنے کے لئے سخت امکانات کے مطالعہ کی ضرورت ہے. ترقی پذیر ممالک میں ماؤں کے ڈپریشن کی ابتدائی شناخت، علاج اور روک تھام سے بچوں کی کمزوری اور کم وزن میں کمی میں مدد مل سکتی ہے۔ |
c596f88ccba5b7d5276ac6a9b68972fd7d14d959 | آئی ٹی سسٹم کی مجازی دنیا کے ساتھ حقیقی اشیاء کی جسمانی دنیا کو اکٹھا کرکے ، انٹرنیٹ آف تھنگس میں انٹرپرائز کی دنیا کے ساتھ ساتھ معاشرے کو بھی نمایاں طور پر تبدیل کرنے کی صلاحیت موجود ہے۔ تاہم ، اصطلاح کو مختلف برادریوں کے ذریعہ بہت زیادہ ہائپ کیا جاتا ہے اور مختلف طریقے سے سمجھا جاتا ہے ، خاص طور پر اس لئے کہ آئی او ٹی خود ایک ٹکنالوجی نہیں ہے بلکہ مختلف انجینئرنگ ڈومینز سے متعلق مختلف - اکثر نئی - ٹیکنالوجیز کی تقابلی نمائندگی کرتی ہے۔ ایک مشترکہ تفہیم میں آنے کے لئے کیا ضرورت ہے چیزوں کے انٹرنیٹ کے لئے ایک ڈومین ماڈل ہے، اہم تصورات اور ان کے تعلقات کی وضاحت، اور ایک مشترکہ لغت اور درجہ بندی کے طور پر خدمت اور اس طرح چیزوں کے انٹرنیٹ کے مزید سائنسی گفتگو اور ترقی کے لئے ایک بنیاد کے طور پر. جیسا کہ ہم دکھاتے ہیں ، اس طرح کے ڈومین ماڈل کا ہونا ٹھوس آئی او ٹی سسٹم فن تعمیر کے ڈیزائن میں بھی مددگار ہے ، کیونکہ یہ ایک ٹیمپلیٹ مہیا کرتا ہے اور اس طرح استعمال کے معاملات کے تجزیے کو تشکیل دیتا ہے۔ |
5a9f4dc3e5d7c70d58c9512d7193d079c3331273 | ہم 3D لوگوں کی ٹریکنگ کے لئے انسانی پوزیشن اور تحریک کے سابقہ سیکھنے کے لئے گاوسی عمل متحرک ماڈلز (جی پی ڈی ایم) کے استعمال کی وکالت کرتے ہیں۔ ایک GPDM انسانی تحریک کے اعداد و شمار کی ایک کم جہتی سرایت فراہم کرتا ہے، ایک کثافت تقریب کے ساتھ جو تربیت کے اعداد و شمار کے قریب پوز اور تحریکوں کو زیادہ امکان دیتا ہے. بیسیئن ماڈل اوسط کے ساتھ جی پی ڈی ایم کو نسبتا small چھوٹی مقدار میں ڈیٹا سے سیکھا جاسکتا ہے ، اور یہ تربیت کے سیٹ سے باہر کی حرکتوں کو عمدہ طور پر عام کرتا ہے۔ یہاں ہم GPDM کو تبدیل کرتے ہیں تاکہ نمایاں طرز کے مختلف انداز کے ساتھ حرکتوں سے سیکھنے کی اجازت دی جا سکے۔ نتیجے میں آنے والے سابقہ افراد انسانی چلنے کے انداز کی ایک حد کو ٹریک کرنے کے لئے موثر ہیں ، کمزور اور شور مچانے والی تصویری پیمائش اور اہم بندش کے باوجود۔ |
c3f2d101b616d82d07ca2cc4cb8ed0cb53fde21f | ہم نے انسانی مطالعہ کیا تاکہ ہمارے موجودہ سی ڈی اور ای ایم ڈی کی اقدار کو حوالہ فراہم کیا جاسکے جو کہ فراہم کردہ ڈیٹا سیٹ پر رپورٹ کی گئی ہیں۔ ہم نے انسانی موضوع کو ایک گرافک انٹرفیس کے ساتھ فراہم کیا تصویر سے مثلث میش بنانے کے لئے. یہ آلہ (تصویر 1 دیکھیں) صارف کو 3D میں میش میں ترمیم کرنے اور ماڈل شدہ آبجیکٹ کو ان پٹ امیج پر واپس سیدھ کرنے کے قابل بناتا ہے۔ مجموعی طور پر 16 ماڈل ہماری توثیق سیٹ کے ان پٹ تصاویر سے پیدا ہوتے ہیں. N = 1024 پوائنٹس ہر ماڈل سے نمونے لیا جاتا ہے. |
32791996c1040b9dcc34e71a05d72e5c649eeff9 | عام روزمرہ کی سرگرمیوں کے دوران دل کے غیر معمولی برقی رویے کا پتہ لگانے کے لئے کلینیکل پریکٹس میں ایمبولریٹری الیکٹروکارڈیوگرافی کا استعمال بڑھتا جارہا ہے۔ اس نگرانی کی افادیت کو سانس لینے سے بہتر بنایا جاسکتا ہے ، جو پہلے رات بھر کے اپنوں کے مطالعے پر مبنی ہے جہاں مریض مستحکم ہیں ، یا تناؤ کی جانچ کے لئے ملٹی ہیڈ ای سی جی سسٹم کا استعمال کرتے ہیں۔ ہم نے ایک ہی لیڈ پورٹیبل ای سی جی مانیٹر سے حاصل کردہ سانس کی چھ پیمائشوں کا موازنہ ایک ایمبولریٹری ناک کینول سانس کی مانیٹر سے حاصل کردہ بیک وقت ماپا ہوا سانس لینے کے بہاؤ کے ساتھ کیا۔ روزمرہ کی زندگی کی سرگرمیوں (لیٹنا، بیٹھنا، کھڑے ہونا، چلنا، دوڑنا، دوڑنا اور سیڑھیوں پر چڑھنا) اور رات کے چھ مطالعے کے دس کنٹرول شدہ 1 گھنٹے کی ریکارڈنگ کی گئی۔ بہترین طریقہ اوسطاً 0.2-0.8 ہرٹز بینڈ پاس فلٹر اور آر آر وقفہ کی لمبائی اور قصر پر مبنی آر آر تکنیک تھا۔ ریفرنس گولڈ سٹینڈرڈ کے ساتھ اوسط غلطی کی شرح +mn4 سانس فی منٹ (bpm) (تمام سرگرمیاں) ، +mn2 bpm (بیٹھ کر اور بیٹھ کر) ، اور +mn1 سانس فی منٹ (راتوں رات مطالعہ) تھے۔ اعداد و شمار کے مطابق اسی طرح کے نتائج صرف دل کی شرح کی معلومات (آر آر تکنیک) کا استعمال کرتے ہوئے حاصل کیے گئے تھے جس میں مکمل ای سی جی ویوفارم سے حاصل کردہ بہترین تکنیک کے مقابلے میں ڈیٹا جمع کرنے کے طریقہ کار کو آسان بنایا گیا ہے۔ مطالعہ سے پتہ چلتا ہے کہ سانس لینے کو متحرک سرگرمیوں کے تحت ایک ہی لیڈ ای سی جی سے روایتی طریقوں سے اہم اختلافات کے بغیر حاصل کیا جاسکتا ہے۔ |
7eac1eb85b919667c785b9ac4085d8ca68998d20 | ۲۔ ای لرننگ اور موبائل لرننگ میں فرق کرنا 3. موبائل لرننگ کی قدر اور فوائد موبائل لرننگ کے چیلنجز اور رکاوٹیں: مطالعہ سے پتہ چلتا ہے کہ ایک فاصلاتی تعلیم کے طور پر ایم-لرننگ نے معاشرے کو بہت فوائد لائے ہیں جن میں شامل ہیں: تربیت جب اس کی ضرورت ہو، تربیت کسی بھی وقت؛ تربیت کسی بھی جگہ؛ سیکھنے والے پر مرکوز مواد؛ کام کے مسائل میں دوبارہ داخل ہونے سے بچنے؛ ٹیکس دہندگان کے لئے تربیت، اور یونیورسٹی کے لیکچرز اور تربیتی مراکز میں سیشنوں میں مکمل طور پر مصروف افراد؛ اور تعلیم اور سیکھنے کی صنعت کاری. اور اس کے علاوہ، نوٹ بک، موبائل گولیاں، آئی پوڈ ٹچ، اور آئی پیڈ موبائل ای سیکھنے کے لئے بہت مقبول آلات ہیں کیونکہ ان کی قیمت اور ایپس کی دستیابی کی وجہ سے. ---------------------------------------- اس کے بعد تعلیم اور تربیت وہ عمل ہے جس کے ذریعے ایک نسل کی حکمت، علم اور مہارت اگلے نسل کو منتقل کی جاتی ہے۔ آج کل تعلیم اور تربیت کی دو شکلیں ہیں: روایتی تعلیم اور فاصلاتی تعلیم۔ موبائل لرننگ یا "ایم-لرننگ" موبائل آلات جیسے ہینڈ ہیلڈ اور ٹیبلٹ کمپیوٹرز، ایم پی 3 پلیئرز، اسمارٹ فونز اور موبائل فونز کے ذریعے سیکھنے کے عمل کی حمایت کرنے کے جدید طریقے پیش کرتا ہے۔ یہ دستاویز تعلیم کے مقاصد کے لئے موبائل سیکھنے کے موضوع کو متعارف کراتا ہے. اس میں یہ جائزہ لیا گیا ہے کہ موبائل آلات نے تعلیم اور سیکھنے کے طریقوں پر کیا اثر ڈالا ہے اور موبائل آلات پر ڈیجیٹل میڈیا کے استعمال سے پیش آنے والے مواقع پر نظر ڈالتا ہے۔ اس مقالے کا بنیادی مقصد موبائل سیکھنے کی موجودہ حالت، فوائد، چیلنجز اور اس کی تعلیم اور سیکھنے کی حمایت کرنے کے لئے رکاوٹوں کی وضاحت کرنا ہے. اس مقالے کے لئے اعداد و شمار جنوری سے مارچ 2013 تک کتابیات اور انٹرنیٹ ریسرچ کے ذریعے جمع کیے گئے تھے۔ اس مقالے میں چار اہم شعبوں پر توجہ دی جائے گی: موبائل سیکھنے کا تجزیہ۔ |
57820e6f974d198bf4bbdf26ae7e1063bac190c3 | |
8e393c18974baa8d5d704edaf116f009cb919463 | ایک تیز رفتار SerDes اعلی رفتار آپریشن، انتہائی مساوات کی تکنیک، کم بجلی کی کھپت، چھوٹے علاقے اور مضبوطی سمیت متعدد چیلنجوں کا سامنا کرنا پڑتا ہے. نئے معیار کو پورا کرنے کے لئے، جیسے OIF CEI-25G-LR، CEI-28G-MR / SR / VSR، IEEE802.3bj اور 32G-FC، ڈیٹا کی شرح 25 سے 28Gb / s تک بڑھ گئی ہے، جو پچھلے نسل کے سرڈیس سے 75 فیصد سے زائد ہے. ایک چپ میں ضم کئی سو لینوں کے ساتھ SerDes ایپلی کیشنز کے لئے، اعلی کارکردگی کو برقرار رکھنے کے دوران بجلی کی کھپت بہت اہم عنصر ہے. 28Gb/s یا اس سے زیادہ ڈیٹا ریٹ [1-2] پر کئی سابقہ کام ہیں۔ وہ اہم وقت کے مارجن کو پورا کرنے کے لئے ایک غیر منقولہ ڈی ایف ای کا استعمال کرتے ہیں، لیکن غیر منقولہ ڈی ایف ای ڈھانچہ ڈی ایف ای سلائیکرز کی تعداد میں اضافہ کرتا ہے، مجموعی طاقت اور مرنے والے علاقے میں اضافہ ہوتا ہے. ان چیلنجوں سے نمٹنے کے لئے، ہم نے کئی سرکٹس اور تعمیراتی تکنیک متعارف کروائے ہیں. اینالاگ فرنٹ اینڈ (اے ایف ای) ایک سنگل اسٹیج فن تعمیر اور ٹرانس ایمپیڈینس یمپلیفائر (ٹی آئی اے) میں ایک کمپیکٹ آن چپ غیر فعال انڈکٹر کا استعمال کرتا ہے ، جو 15 ڈی بی بوسٹ فراہم کرتا ہے۔ فروغ انکولی ہے اور اس کی موافقت لوپ کو گروپ-تاخیر موافقت (جی ڈی اے) الگورتھم کے استعمال سے فیصلہ فیڈ بیک ایکوئلیزر (ڈی ایف ای) موافقت لوپ سے الگ کردیا گیا ہے۔ ڈی ایف ای میں آدھے شرح والے 1 ٹپ انولڈ ڈھانچہ ہے جس میں بجلی اور رقبے میں کمی کے لئے 2 کل غلطی کے لاک ہیں۔ دو مرحلے سینس یمپلیفائر پر مبنی سلائیسر 15mV اور ڈی ایف ای ٹائمنگ بندش کی حساسیت حاصل کرتا ہے۔ ہم نے ایک تیز رفتار گھڑی بفر بھی تیار کی ہے جو ایک نئے فعال انڈکٹر سرکٹ کا استعمال کرتی ہے۔ اس فعال انڈکٹر سرکٹ میں سرکٹ آپریٹنگ پوائنٹس کو بہتر بنانے کے لئے آؤٹ پٹ کامن موڈ وولٹیج کو کنٹرول کرنے کی صلاحیت ہے۔ |
505c58c2c100e7512b7f7d906a9d4af72f6e8415 | صفحہ ii پیچیدہ انکولی نظام جان ایچ ہالینڈ ، کرسٹوفر لینگٹن ، اور اسٹیورٹ ڈبلیو ولسن ، مشیر قدرتی اور مصنوعی نظاموں میں موافقت: حیاتیات ، کنٹرول ، اور مصنوعی ذہانت کے اطلاق کے ساتھ ایک تعارفی تجزیہ ، ایم آئی ٹی پریس ایڈیشن جان ایچ ہالینڈ خود مختار نظاموں کی مشق کی طرف: فرانسیکو جے ویریلا اور پال بورجین کے زیر اہتمام مصنوعی زندگی پر پہلی یورپی کانفرنس کی کارروائی جینیاتی پروگرامنگ: قدرتی انتخاب کے ذریعہ کمپیوٹرز کی پروگرامنگ پر جان آر کوزا |
3a46c11ad7afed8defbb368e478dbf94c24f43a3 | سائنسی مسائل جو بڑے پیمانے پر ڈیٹا کی پروسیسنگ پر منحصر ہیں، متعدد شعبوں میں چیلنجوں پر قابو پانے کی ضرورت ہے: بڑے پیمانے پر ڈیٹا کی تقسیم کا انتظام، کمپیوٹنگ وسائل کے ساتھ ڈیٹا کی شریک جگہ اور شیڈولنگ، اور ڈیٹا کی بڑی مقدار کو ذخیرہ کرنے اور منتقل کرنے کے لئے. ہم ڈیٹا انتہائی ایپلی کیشنز کے لئے دو نمایاں نمونوں کے ماحولیاتی نظام کا تجزیہ کرتے ہیں، بعد میں اعلی کارکردگی کمپیوٹنگ اور اپاچی-ہڈوپ نمونہ کے طور پر حوالہ دیا جاتا ہے. ہم ایک بنیاد، مشترکہ اصطلاحات اور فنکشنل عوامل کی تجویز کرتے ہیں جس پر دونوں نمونوں کے دو نقطہ نظر کا تجزیہ کیا جا سکتا ہے. ہم "بگ ڈیٹا اوگرس" کے تصور اور ان کے پہلوؤں پر بحث کرتے ہیں تاکہ دونوں نمونوں میں پائے جانے والے سب سے عام ایپلی کیشن ورک لوڈ کو سمجھنے اور ان کی خصوصیات کی جاسکے۔ اس کے بعد ہم دو نمونوں کی نمایاں خصوصیات پر تبادلہ خیال کرتے ہیں اور دونوں نقطہ نظر کا موازنہ اور تضاد کرتے ہیں۔ خاص طور پر ، ہم ان نمونوں کے عام نفاذ / نقطہ نظر کی جانچ کرتے ہیں ، ان کے موجودہ "فن تعمیر" کی وجوہات پر روشنی ڈالتے ہیں اور ان کا استعمال کرنے والے کچھ عام کام کے بوجھ پر تبادلہ خیال کرتے ہیں۔ اہم سافٹ ویئر کے اختلافات کے باوجود، ہم یقین رکھتے ہیں کہ تعمیراتی مماثلت ہے. ہم مختلف سطحوں اور اجزاء کے مختلف نفاذ کے ممکنہ انضمام پر تبادلہ خیال کرتے ہیں۔ ہمارا موازنہ دو نمونوں کے مکمل طور پر کوالٹیٹو جائزے سے نیم مقداری طریقہ کار کی طرف بڑھتا ہے۔ ہم ایک سادہ اور وسیع پیمانے پر استعمال کیا جاتا ہے اوگر (K-meansclustering) کا استعمال کرتے ہیں، نمائندہ پلیٹ فارم کی ایک رینج پر اس کی کارکردگی کی خصوصیات، دونوں paradigms سے کئی نفاذ کا احاطہ کرتا ہے. ہمارے تجربات دو نمونوں کے متعلقہ طاقتوں میں بصیرت فراہم کرتے ہیں. ہم نے تجویز پیش کی ہے کہ اوگرس کا مجموعہ دو نمونوں کو مختلف جہتوں کے ساتھ جائزہ لینے کے لئے ایک معیار کے طور پر کام کرے گا۔ |
dc7024840a4ba7ab634517fae53e77695ff5dda9 | اس مقالے میں ہم اسمارٹ فونز کو پہننے کے قابل سینسنگ ڈیوائسز کے طور پر استعمال کرتے ہوئے انسانی سرگرمیوں کی شناخت کے لئے ایک نیا توانائی سے موثر نقطہ نظر تجویز کرتے ہیں ، جس میں معاون رہائشی ایپلی کیشنز جیسے معذور اور بزرگ افراد کے لئے مریض کی سرگرمی کی ریموٹ مانیٹرنگ کو نشانہ بنایا گیا ہے۔ یہ طریقہ فکسڈ پوائنٹ ریاضی کا استعمال کرتے ہوئے ایک ترمیم شدہ ملٹی کلاس سپورٹ ویکٹر مشین (ایس وی ایم) سیکھنے کے الگورتھم کی تجویز کرتا ہے ، جس سے اسمارٹ فون بیٹری کی زندگی کو روایتی فلوٹنگ پوائنٹ پر مبنی تشکیل کے حوالے سے بہتر طور پر محفوظ کیا جاسکتا ہے جبکہ نظام کی درستگی کی سطح کو برقرار رکھا جاسکتا ہے۔ تجربات اس نقطہ نظر اور روایتی SVM کے درمیان تقابلی نتائج کو پہچاننے کی کارکردگی اور بیٹری کی کھپت کے لحاظ سے ظاہر کرتے ہیں، تجویز کردہ طریقہ کار کے فوائد کو اجاگر کرتے ہیں. |
f4cdd1d15112a3458746b58a276d97e79d8f495d | اس کے ان پٹ کے حوالے سے ایک نیورل نیٹ ورک کی پیداوار کے گریڈینٹ معمول کو باقاعدہ بنانا ایک طاقتور تکنیک ہے، کئی بار دوبارہ دریافت کیا گیا ہے. اس مقالے میں یہ ثبوت پیش کیا گیا ہے کہ گریڈینٹ ریگولیٹریشن جدید گہرے اعصابی نیٹ ورکس کا استعمال کرتے ہوئے بصری کاموں پر درجہ بندی کی درستگی کو مستقل طور پر بہتر بنا سکتی ہے ، خاص طور پر جب تربیت کے اعداد و شمار کی مقدار کم ہو۔ ہم اپنے ریگولیزرز کو ایک وسیع طبقے کے رکن کے طور پر متعارف کراتے ہیں جیکوبین پر مبنی ریگولیزرز. ہم تجرباتی طور پر حقیقی اور مصنوعی اعداد و شمار پر ظاہر کرتے ہیں کہ سیکھنے کے عمل سے تربیت کے پوائنٹس سے باہر کنٹرول شدہ گرڈینٹس کی طرف جاتا ہے، اور اس کے نتیجے میں حل جو اچھی طرح سے عام ہوتے ہیں. |
984df1f081fbd623600ec45635e5d9a4811c0aef | دو ویوالڈی اینٹینا صفوں پیش کیا گیا ہے. سب سے پہلے اینٹوں / کنکریٹ دیوار امیجنگ کے لئے STW ایپلی کیشنز کے لئے 1.2 سے 4 گیگاہرٹج بینڈ کو ڈھکنے والے 8 عنصر کا خستہ دار سلاٹ صف ہے۔ دوسرا 16 عنصر کا اینٹی پوڈل آرٹیج ہے جو خشک دیوار کے ذریعے گھسنے پر اعلی ریزولوشن امیجنگ کے لئے 8 سے 10.6 گیگا ہرٹز پر کام کرتا ہے۔ دو ڈیزائنوں کی بنیاد پر ، اور ویوالڈی اینٹینا صف کو کھانا کھلانے کے لئے مائکرو اسٹراپ منتقلی کے لئے ہموار وسیع بینڈ سلاٹ کا استعمال کرتے ہوئے ، 1-10 گیگا ہرٹز فریکوینسی بینڈ کا احاطہ کیا جاسکتا ہے۔ متبادل طور پر، ڈیزائن ایک 1-3 گیگاہرٹج یا 8-10 گیگاہرٹج بینڈ کو ڈھکنے کے لئے ایک reconfigurable ساخت میں استعمال کیا جا سکتا ہے. تجرباتی اور پیمائش کے نتائج مکمل ہو چکے ہیں اور اس پر تفصیل سے تبادلہ خیال کیا جائے گا۔ ڈیزائن نمایاں طور پر کمپیکٹ reconfigurable اور پورٹیبل نظام کی ترقی پر اثر انداز ہوں گے. |
e3f4fdf6d2f10ebe4cfc6d0544afa63976527d60 | یہ کاغذ ریڈیو فلکیات کے آلات کے لئے 324 عنصر 2-D براڈ سائیڈ صف پیش کرتا ہے جو دو باہمی عمودی قطبیوں کے لئے حساس ہے۔ یہ صف چار ویوالڈی اینٹینا کے ایک گروپ پر مشتمل ہے جو ایک کراس کی شکل کی ساخت میں ترتیب دیا گیا ہے. اس صف میں استعمال ہونے والا ویوالڈی اینٹینا 3 گیگا ہرٹز پر 87.5 ° اور 6 گیگا ہرٹز پر 44.2 ° کی ہم آہنگی مین بیم کے ساتھ تابکاری کی شدت کی خصوصیت کا مظاہرہ کرتا ہے۔ ماپا زیادہ سے زیادہ سائڈ/بیک لوب سطح 10.3 ڈی بی ہائی بیم سطح سے نیچے ہے. یہ صف 5.4 گیگا ہرٹز کی اعلی تعدد پر کام کر سکتی ہے بغیر کسی گرٹنگ لوب کی تشکیل کے۔ |
1a090df137014acab572aa5dc23449b270db64b4 | |
9ae252d3b0821303f8d63ba9daf10030c9c97d37 | ہم قدرتی منظر کی اقسام کو سیکھنے اور پہچاننے کے لئے ایک نیا نقطہ نظر تجویز کرتے ہیں۔ پچھلے کام کے برعکس، اس ماہرین کو تربیت سیٹ کو نوٹ کرنے کی ضرورت نہیں ہے. ہم ایک منظر کی تصویر کو مقامی علاقوں کے مجموعے کے ذریعہ پیش کرتے ہیں، جو بغیر کسی نگرانی کے سیکھنے کے ذریعہ حاصل کردہ کوڈ الفاظ کے طور پر نشان زد ہوتے ہیں۔ ہر خطے کو ایک "تھیم" کے حصے کے طور پر پیش کیا جاتا ہے۔ پچھلے کام میں، اس طرح کے موضوعات ماہرین کے ہاتھ سے تشریحات سے سیکھا گیا تھا، جبکہ ہمارے طریقہ کار کو موضوعات کے تقسیم کے ساتھ ساتھ کوڈ الفاظ کی تقسیم کے بغیر نگرانی کے بغیر سیکھا جاتا ہے. ہم نے 13 قسم کے پیچیدہ مناظر کے ایک بڑے سیٹ پر اطمینان بخش درجہ بندی کی کارکردگی کی اطلاع دی ہے. |
fa6cbc948677d29ecce76f1a49cea01a75686619 | اس مقالے میں، ہم حقیقی دنیا کے مناظر کی شناخت کے کمپیوٹیشنل ماڈل کی تجویز کرتے ہیں جو انفرادی اشیاء یا علاقوں کی تقسیم اور پروسیسنگ کو نظر انداز کرتی ہے. یہ طریقہ کار منظر کی ایک بہت ہی کم جہتی نمائندگی پر مبنی ہے جسے ہم اسپیسل لفافہ کہتے ہیں۔ ہم ادراک کے طول و عرض (قدرتی ، کھلے پن ، کھردری ، توسیع ، کھردری) کا ایک مجموعہ تجویز کرتے ہیں جو منظر کے غالب مقامی ڈھانچے کی نمائندگی کرتے ہیں۔ پھر، ہم دکھاتے ہیں کہ یہ طول و عرض سپیکٹرم اور تقریبا مقامی معلومات کا استعمال کرتے ہوئے قابل اعتماد اندازہ لگایا جا سکتا ہے. ماڈل ایک کثیر جہتی جگہ پیدا کرتا ہے جس میں مناظر سیمنٹک زمرے میں رکنیت کا اشتراک کرتے ہیں (مثال کے طور پر، سڑکوں، ہائی ویز، ساحل) ایک ساتھ بند کر دیا جاتا ہے. مقامی لفافے کے ماڈل کی کارکردگی سے پتہ چلتا ہے کہ منظر کی درجہ بندی کے لئے آبجیکٹ کی شکل یا شناخت کے بارے میں مخصوص معلومات کی ضرورت نہیں ہے اور یہ کہ منظر کی ایک جامع نمائندگی کی ماڈلنگ اس کے ممکنہ معنوی زمرے کے بارے میں بتاتی ہے۔ |
1ac52b7d8db223029388551b2db25657ed8c9852 | اس مقالے میں، ہم مشین سیکھنے کے حل کی تجویز کرتے ہیں جس میں بہت سے اسی طرح کی پیشن گوئی کے کاموں پر مشتمل ہے. ہر ایک انفرادی کام میں اووررٹنگ کا ایک اعلی خطرہ ہے۔ ہم اس خطرے کو کم کرنے کے لیے دو قسم کے علم کی منتقلی کو کام کے درمیان جوڑتے ہیں: کثیر کام سیکھنا اور درجہ بندی بیسیئن ماڈلنگ۔ ملٹی ٹاسک لرننگ اس مفروضے پر مبنی ہے کہ اس کام کے لئے مخصوص خصوصیات موجود ہیں۔ ان خصوصیات کو تلاش کرنے کے لئے، ہم ایک بہت بڑا دو پرتوں نیورل نیٹ ورک تربیت. ہر کام کی اپنی پیداوار ہوتی ہے، لیکن تمام دیگر کاموں کے ساتھ ان پٹ سے پوشیدہ یونٹس تک وزن کا اشتراک کرتا ہے. اس طرح سے ممکنہ وضاحت متغیرات (نیٹ ورک ان پٹ) کا ایک نسبتا large بڑا سیٹ خصوصیات (پوشیدہ یونٹس) کے چھوٹے اور آسان سے نمٹنے کے لئے کم ہوجاتا ہے۔ خصوصیات کے اس سیٹ کو دیکھتے ہوئے اور ایک مناسب پیمانے پر تبدیلی کے بعد، ہم فرض کرتے ہیں کہ کاموں کو تبدیل کیا جا سکتا ہے. یہ مفروضہ ایک درجہ بندی بیسی تجزیہ کی اجازت دیتا ہے جس میں ہائپر پیرامیٹرز کا اندازہ اعداد و شمار سے لگایا جاسکتا ہے۔ Eیکٹیویٹی میں، یہ ہائپر-رامٹرز باقاعدہ طور پر کام کرتے ہیں اور زیادہ سے زیادہ ٹانگ کو روکنے میں مدد کرتے ہیں. ہم نظام کو وقت کی سیریز میں غیر مستحکم کے خلاف مضبوط بنانے کا طریقہ بیان کرتے ہیں اور مزید بہتری کے لئے ہدایات دیتے ہیں۔ ہم نے اپنے خیالات کو ایک ڈیٹا بیس پر پیش گوئی کے بارے میں پیش کیا ہے اخبار کی فروخت. |
1e56ed3d2c855f848ffd91baa90f661772a279e1 | ہم متن اور مجرد اعداد و شمار کے دیگر مجموعوں کے لئے ایک تخلیقی ماڈل تجویز کرتے ہیں جو متعدد سابقہ ماڈلز پر عمومی یا بہتر بناتا ہے جس میں نائیو بیز / یونیگرام ، یونیگرامز کا مرکب [6] ، اور ہوف مین کا پہلو ماڈل ، جسے احتمال lat lat lat lat lat lat سیمانٹک انڈیکسنگ (pLSI) کے نام سے بھی جانا جاتا ہے۔ [3] متن ماڈلنگ کے تناظر میں، ہمارے ماڈل کا خیال ہے کہ ہر دستاویز کے موضوعات کے ایک مرکب کے طور پر پیدا کیا جاتا ہے، جہاں مسلسل قدر مرکب تناسب ایک پوشیدہ Dirichlet بے ترتیب متغیر کے طور پر تقسیم کیا جاتا ہے. نتیجہ اخذ اور سیکھنے کو مختلف الگورتھم کے ذریعے مؤثر طریقے سے انجام دیا جاتا ہے. ہم متن ماڈلنگ، باہمی تعاون فلٹرنگ، اور متن کی درجہ بندی میں مسائل کے لئے اس ماڈل کے ایپلی کیشنز پر تجرباتی نتائج پیش کرتے ہیں. |
e990a41e8f09e0ef4695c39af351bf25f333eefa | |
1f8116db538169de3553b1091e82107f7594301a | |
539ea86fa738afd939fb18566107c971461f8548 | منظم آؤٹ پٹ خالی جگہوں (سلسلوں، درختوں، تقسیم، وغیرہ) کے لئے میپنگ عام طور پر درجہ بندی الگورتھم کی توسیع کا استعمال کرتے ہوئے سادہ گرافک ڈھانچے (مثال کے طور پر، لکیری زنجیروں) کا استعمال کرتے ہوئے سیکھا جاتا ہے جس میں تلاش اور پیرامیٹر کا تخمینہ بالکل درست ہوسکتا ہے. بدقسمتی سے، بہت سے پیچیدہ مسائل میں، یہ نایاب ہے کہ عین مطابق تلاش یا پیرامیٹر کا تخمینہ قابل عمل ہے. عین مطابق ماڈل سیکھنے اور heuristic ذرائع کے ذریعے تلاش کرنے کے بجائے، ہم اس مشکل کو گلے لگاتے ہیں اور تقریبا تلاش کے لحاظ سے منظم آؤٹ پٹ مسئلہ کا علاج کرتے ہیں. ہم تلاش کی اصلاح کے طور پر سیکھنے کے لئے ایک فریم ورک پیش کرتے ہیں، اور کنورجنس the-orems اور حدود کے ساتھ دو پیرامیٹر اپ ڈیٹس. تجرباتی ثبوت سے پتہ چلتا ہے کہ سیکھنے اور ڈی کوڈنگ کے لئے ہمارا مربوط نقطہ نظر کم کمپیوٹیشنل لاگت پر عین مطابق ماڈل سے بہتر کارکردگی کا مظاہرہ کرسکتا ہے۔ |
1219fb39b46aabd74879a7d6d3c724fb4e55aeae | ہم ٹیکنالوجی کے کاروباری اداروں کے بارے میں ایک نقطہ نظر تیار کرتے ہیں جس میں ایجنسی شامل ہوتی ہے جو مختلف قسم کے اداکاروں میں تقسیم ہوتی ہے۔ ہر ایکٹر ایک ٹیکنالوجی کے ساتھ شامل ہو جاتا ہے، اور، اس عمل میں، ان پٹ پیدا کرتا ہے جس کے نتیجے میں ایک ابھرتی ہوئی تکنیکی راستے کی تبدیلی ہوتی ہے. ایک تکنیکی راستے میں ان پٹ کے مسلسل جمع ایک رفتار پیدا کرتا ہے جو تقسیم شدہ اداکاروں کی سرگرمیوں کو قابل بناتا ہے اور محدود کرتا ہے. دوسرے الفاظ میں، ایجنسی صرف تقسیم نہیں ہے، بلکہ یہ بھی سرایت ہے. ہم اس نقطہ نظر کو ڈنمارک اور امریکہ میں ہوائی ٹربائنوں کے ظہور کے تحت عمل کے تقابلی مطالعہ کے ذریعے وضاحت کرتے ہیں. ہمارے تقابلی مطالعہ کے ذریعے، ہم نے "بریکولاجی" اور "پھل پھونک" کو تکنیکی راستوں کی تشکیل میں اداکاروں کی شمولیت کے متضاد طریقوں کے طور پر تیار کیا ہے. © 2002 Elsevier سائنس B.V. تمام حقوق محفوظ ہیں. |
2266636d87e44590ade738b92377d1fe1bc5c970 | |
2af586c64c32baeb445992e0ea6b76bbbbc30c7f | |
0e8b8e0c37b0ebc9c36b99103a487dbbbdf9ee97 | |
2c03df8b48bf3fa39054345bafabfeff15bfd11d | گہرے نیورل نیٹ ورکس کو تربیت دینا زیادہ مشکل ہے۔ ہم ایک بقایا سیکھنے کے فریم ورک پیش کرتے ہیں جو نیٹ ورکس کی تربیت کو آسان بنانے کے لئے جو پہلے استعمال ہونے والوں کے مقابلے میں کافی گہری ہیں. ہم واضح طور پر پرتوں کو غیر حوالہ شدہ افعال سیکھنے کے بجائے پرت ان پٹ کے حوالہ سے بقایا افعال سیکھنے کے طور پر دوبارہ تشکیل دیتے ہیں۔ ہم جامع تجرباتی ثبوت فراہم کرتے ہیں کہ یہ بقایا نیٹ ورک بہتر بنانے کے لئے آسان ہیں، اور کافی حد تک بڑھتی ہوئی گہرائی سے درستگی حاصل کرسکتے ہیں. ImageNet ڈیٹا سیٹ پر ہم 152 تہوں تک کی گہرائی کے ساتھ بقایا نیٹ ورک کا جائزہ لیتے ہیں - VGG نیٹ ورکس سے 8x گہرا [40] لیکن پھر بھی کم پیچیدگی رکھتے ہیں۔ ان بقایا نیٹ ورکس کا ایک مجموعہ امیج نیٹ ٹیسٹ سیٹ پر 3.57٪ غلطی حاصل کرتا ہے۔ اس نتیجے نے ILSVRC 2015 درجہ بندی کے کام میں پہلی پوزیشن حاصل کی۔ ہم 100 اور 1000 تہوں کے ساتھ CIFAR-10 پر تجزیہ بھی پیش کرتے ہیں. بہت سے بصری شناخت کے کاموں کے لئے نمائندگی کی گہرائی مرکزی اہمیت کا حامل ہے۔ صرف ہمارے انتہائی گہری نمائندگی کی وجہ سے، ہم COCO اعتراض کا پتہ لگانے کے ڈیٹا سیٹ پر 28 فیصد رشتہ دار بہتری حاصل کرتے ہیں. گہرے بقایا نیٹ ورکس ILSVRC & COCO 2015 مقابلوں1 میں ہماری گذارشات کی بنیاد ہیں، جہاں ہم نے امیج نیٹ کا پتہ لگانے، امیج نیٹ لوکلائزیشن، COCO کا پتہ لگانے اور COCO طبقاتی کاموں پر 1 مقامات بھی جیت لیا. |
5763c2c62463c61926c7e192dcc340c4691ee3aa | ہم ایک تصویر سپر ریزولوشن (ایس آر) کے لئے گہری سیکھنے کا طریقہ تجویز کرتے ہیں۔ ہمارا طریقہ کار براہ راست کم/اعلی ریزولوشن تصاویر کے درمیان ایک اختتام سے اختتام کا نقشہ سیکھتا ہے. نقشہ سازی کو ایک گہری کنوولول نیورل نیٹ ورک (سی این این) کے طور پر پیش کیا جاتا ہے [15] جو کم ریزولوشن کی تصویر کو ان پٹ کے طور پر لیتا ہے اور اعلی ریزولوشن کو آؤٹ پٹ کرتا ہے۔ ہم مزید یہ ظاہر کرتے ہیں کہ روایتی گھنے کوڈنگ پر مبنی ایس آر طریقوں کو بھی گہری کنولوشنل نیٹ ورک کے طور پر دیکھا جاسکتا ہے۔ لیکن روایتی طریقوں کے برعکس جو ہر جزو کو الگ سے سنبھالتے ہیں، ہمارا طریقہ مشترکہ طور پر تمام تہوں کو بہتر بناتا ہے۔ ہمارے گہرے سی این این میں ہلکا پھلکا ڈھانچہ ہے ، پھر بھی جدید ترین بحالی کے معیار کا مظاہرہ کرتا ہے ، اور عملی آن لائن استعمال کے لئے تیز رفتار حاصل کرتا ہے۔ |
2db168f14f3169b8939b843b9f4caf78c3884fb3 | اس خط میں، ایک براڈبینڈ موڑ تینوں کثیر جہتی اینٹینا RF توانائی کی کٹائی کے لئے پیش کیا جاتا ہے. اینٹینا 850 میگاہرٹز سے 1.94 گیگاہرٹز تک VSWR ≤ 2 کے لئے بینڈوتھ ہے. اینٹینا افقی اور عمودی دونوں قطبی لہریں وصول کرنے کے لئے ڈیزائن کیا گیا ہے اور اس کی پوری بینڈوتھ پر مستحکم تابکاری کا نمونہ ہے۔ اینٹینا کو توانائی کی کٹائی کی درخواست کے لئے بھی بہتر بنایا گیا ہے اور یہ 100 Ω ان پٹ مائبادا کے لئے ڈیزائن کیا گیا ہے تاکہ ریکٹفائر کو غیر فعال وولٹیج کی توسیع اور مائبادا مماثلت فراہم کی جاسکے۔ ایک چوٹی کارکردگی 60٪ اور 17٪ 980 اور 1800 میگاہرٹز، بالترتیب 500 Ω کے بوجھ کے لئے حاصل کی جاتی ہے. ایک سیل سائٹ پر ایک ہی وقت میں تمام بینڈ کو حاصل کرتے ہوئے 3.76 وولٹ کا اوپن سرکٹ اور 4.3 کلوگرام کے بوجھ پر 1.38 وولٹ کا فاصلہ 25 میٹر کی دوری پر ریکٹنا کے دو عناصر کی صف کا استعمال کرتے ہوئے حاصل کیا جاتا ہے۔ |
484ac571356251355d3e24dcb23bdd6d0911bd94 | حالیہ سائنسی اور تکنیکی ترقی نے گراف کے طور پر ماڈلنگ کی ساخت کے پیٹرن کی کثرت کا مشاہدہ کیا ہے. نتیجے کے طور پر، یہ بڑے گراف ڈیٹا بیس پر مؤثر طریقے سے گراف کنٹینمنٹ سوالات پر عملدرآمد کرنے کے لئے خاص دلچسپی کا حامل ہے. گراف ڈیٹا بیس G اور ایک سوال گراف q کو دیکھتے ہوئے ، گراف کنٹینمنٹ استفسار G میں تمام گرافوں کو بازیافت کرنا ہے جس میں q ذیلی گراف کے طور پر شامل ہے) G میں گراف کی وسیع تعداد اور ذیلی گراف آئسومورفزم ٹیسٹنگ کے لئے پیچیدگی کی نوعیت کی وجہ سے ، استفسار پروسیسنگ کی مجموعی لاگت کو کم کرنے کے لئے اعلی معیار کے گراف انڈیکسنگ میکانزم کا استعمال کرنا ضروری ہے۔ اس کاغذ میں، ہم گراف ڈیٹا بیس کے اکثر درخت کی خصوصیات پر مبنی ایک نئی سرمایہ کاری مؤثر گراف انڈیکسنگ طریقہ تجویز کرتے ہیں. ہم تین اہم پہلوؤں سے درخت کی تاثیر اور کارکردگی کا تجزیہ کرتے ہیں: خصوصیت کا سائز، خصوصیت کا انتخاب لاگت، اور کاٹنے کی طاقت. موجودہ گراف پر مبنی انڈیکسنگ طریقوں سے بہتر کاٹنے کی صلاحیت حاصل کرنے کے ل we ، ہم اکثر درختوں کی خصوصیات (ٹری) کے علاوہ ، بغیر کسی مہنگے گراف کان کنی کے عمل کے ، طلب پر ، چھوٹی تعداد میں امتیازی گراف (∆) کا انتخاب کرتے ہیں۔ ہمارے مطالعہ کی تصدیق کرتا ہے کہ (Tree+∆) گراف انڈیکسنگ مقصد کے لئے گراف سے بہتر انتخاب ہے، (Tree+∆ ≥ Graph) کے طور پر نشان لگا دیا گیا ہے، گراف کنٹینمنٹ استفسار مسئلہ کو حل کرنے کے لئے. اس کے دو مضمرات ہیں: (1) (ٹری + ∆) کے ذریعہ انڈیکس کی تعمیر موثر ہے ، اور (2) (ٹری + ∆) کے ذریعہ گراف کنٹینمنٹ استفسار پروسیسنگ موثر ہے۔ ہمارے تجرباتی مطالعہ کا مظاہرہ ہے کہ (Tree + Δ) ایک کمپیکٹ انڈیکس ساخت ہے، انڈیکس کی تعمیر میں بہتر کارکردگی کا ایک آرڈر حاصل کرتا ہے، اور سب سے اہم بات، گراف پر مبنی اپ ڈیٹ انڈیکسنگ طریقوں سے بہتر ہے: گراف کنٹینمنٹ استفسار پروسیسنگ میں gIndex اور C-Tree. |
22749899b50c5113516b9820f875a580910aa746 | ایک چھوٹا سا سلاٹ لوڈ شدہ پیچ اینٹینا ڈیزائن L1 اور L2 بینڈ دونوں GPS سگنل وصول کرنے کے لئے تیار کیا گیا ہے. دوہری بینڈ کوریج L2 بینڈ پر ایک پیچ موڈ اور L1 بینڈ پر ایک سلاٹ موڈ کا استعمال کرتے ہوئے حاصل کیا جاتا ہے. اعلی ڈائی الیکٹرک مواد اور meandered سلاٹ لائن قطر میں 25.4 ملی میٹر نیچے اینٹینا سائز کو کم کرنے کے لئے استعمال کیا جاتا ہے. RHCP ایک چھوٹے 0 ° -90 ° ہائبرڈ چپ کے ذریعے دو orthogonal طریقوں کو یکجا کر کے حاصل کیا جاتا ہے. دونوں پیچ اور سلاٹ طریقوں کو اینٹینا کے پہلو پر مناسب طریقے سے واقع ایک واحد قربت سینڈ کا اشتراک (تصویر 1). اس کاغذ ڈیزائن کے طریقہ کار کے ساتھ ساتھ تخروپن اینٹینا کی کارکردگی کے بارے میں بات چیت کرتا ہے. |
afbe59950a7d452ce0a3f412ee865f1e1d94d9ef | تقویت یافتہ سیکھنے سے خود مختار روبوٹ کو کم سے کم انسانی مداخلت کے ساتھ رویے کی مہارتوں کا ایک بڑا ذخیرہ سیکھنے کے قابل بنانے کا وعدہ کیا گیا ہے۔ تاہم ، تقویت یافتہ سیکھنے کی روبوٹک ایپلی کیشنز اکثر سیکھنے کے عمل کی خودمختاری کو حقیقی جسمانی نظاموں کے لئے عملی تربیت کے اوقات کے حصول کے حق میں سمجھوتہ کرتی ہیں۔ اس میں عام طور پر ہاتھ سے انجینئر پالیسی کی نمائندگی اور انسانی فراہم کردہ مظاہرے متعارف کرانے میں شامل ہے. گہری تقویت سیکھنے سے عام مقصد کے نیورل نیٹ ورک کی پالیسیوں کی تربیت سے اس حد کو کم کیا جاتا ہے ، لیکن براہ راست گہری تقویت سیکھنے کے الگورتھم کی ایپلی کیشنز اب تک ان کے نمونے کی اعلی پیچیدگی کی وجہ سے ، نقلی ترتیبات اور نسبتا simple آسان کاموں تک محدود ہیں۔ اس مقالے میں ، ہم یہ ظاہر کرتے ہیں کہ حالیہ گہری تقویت سیکھنے کا الگورتھم گہری Q افعال کی آف پالیسی ٹریننگ پر مبنی ہے جو پیچیدہ 3D ہیرا پھیری کے کاموں میں پیمانہ کرسکتا ہے اور گہری نیورل نیٹ ورک کی پالیسیوں کو حقیقی جسمانی روبوٹ پر تربیت دینے کے لئے کافی موثر طریقے سے سیکھ سکتا ہے۔ ہم نے دکھایا ہے کہ تربیت کے اوقات کو مزید کم کیا جا سکتا ہے متعدد روبوٹ کے درمیان الگورتھم کو متوازی کرکے جو ان کی پالیسی اپ ڈیٹس کو غیر متزلزل طور پر اکٹھا کرتے ہیں۔ ہمارے تجرباتی جائزے سے پتہ چلتا ہے کہ ہمارا طریقہ کار مختلف قسم کے 3D ہیرا پھیری کی مہارت کو سیکھ سکتا ہے اور بغیر کسی پیشگی مظاہرے یا دستی طور پر ڈیزائن کردہ نمائندگی کے حقیقی روبوٹ پر پیچیدہ دروازہ کھولنے کی مہارت حاصل کرسکتا ہے۔ |
b8aa8b5d06c98a900d8cea61864669b28c3ac0fc | یہ مضمون گاڑیوں کے ماحول میں گاڑیوں کی تاخیر روٹ نیٹ ورکس (VDTN) میں روٹنگ کے لئے تجویز کردہ روٹنگ پروٹوکول کا ایک جامع جائزہ پیش کرتا ہے۔ ڈی ٹی این مختلف آپریشنل ماحول میں استعمال ہوتے ہیں ، بشمول ان لوگوں میں جو رکاوٹ اور منقطع ہونے کے تابع ہیں اور وہ اعلی تاخیر کے ساتھ ، جیسے وہیکل ایڈ ہاک نیٹ ورکس (وی این ای ٹی) ۔ ہم VANET کی ایک خاص قسم پر توجہ مرکوز، جہاں گاڑیوں کی ٹریفک کم ہے اور مواصلات جماعتوں کے درمیان براہ راست آخر میں آخر راستوں ہمیشہ موجود نہیں ہیں. اس طرح، اس تناظر میں مواصلات گاڑیوں کی تاخیر رواداری نیٹ ورک (VDTN) کی قسم میں آتا ہے. ایک RSU (روڈ سائیڈ یونٹ) کی محدود ترسیل کی حد کی وجہ سے ، VDTN میں ، دور دراز کی گاڑیاں ، RSU سے براہ راست رابطہ نہیں کرسکتی ہیں اور اس طرح پیکٹوں کو ریلے کرنے کے لئے درمیانی گاڑیوں پر انحصار کرنا پڑتا ہے۔ پیغام ریلے کے عمل کے دوران، مکمل اختتام سے اختتام راستے انتہائی تقسیم VANETs میں موجود نہیں ہوسکتے ہیں. لہذا، انٹرمیڈیٹ گاڑیوں کو بفر اور پیغام کو موقع پر منتقل کرنا ہوگا. بفر ، کیری اور فارورڈ کے ذریعے ، پیغام کو آخر کار منزل تک پہنچایا جاسکتا ہے یہاں تک کہ اگر ماخذ اور منزل کے مابین کبھی بھی اختتام سے آخر تک رابطہ موجود نہیں ہے۔ ڈی ٹی این میں روٹنگ پروٹوکول کا بنیادی مقصد اختتام سے اختتام کی تاخیر کو کم سے کم کرتے ہوئے منزل تک پہنچنے کے امکانات کو زیادہ سے زیادہ کرنا ہے۔ گاڑیوں کے نیٹ ورک میں ڈی ٹی این روٹنگ کے لئے گاڑیوں کے ٹریفک ماڈل بھی اہم ہیں کیونکہ ڈی ٹی این روٹنگ پروٹوکول کی کارکردگی نیٹ ورک کی آبادی اور نقل و حرکت کے ماڈل سے قریب سے متعلق ہے. 2014 Elsevier B.V. تمام حقوق محفوظ ہیں۔ |
4555fd3622908e2170e4ffdd717b83518b123b09 | کاغذ اینٹینا پیرامیٹرز پر اثرات پیش کرتا ہے جب ایک اینٹینا دھاتی پلیٹ کے قریب افقی طور پر رکھا جاتا ہے. پلیٹ محدود سائز اور مستطیل شکل ہے. ایک فولڈ ڈپول اینٹینا استعمال کیا جاتا ہے اور یہ پلیٹ کے اوپر symmetrically رکھا جاتا ہے. ایف ای ایم (محدود عنصر کا طریقہ) پلیٹ کے سائز اور پلیٹ اور اینٹینا کے درمیان فاصلے پر اینٹینا پیرامیٹرز کے انحصار کی تخروپن کے لئے استعمال کیا جاتا ہے. دھات کی پلیٹ کی موجودگی، یہاں تک کہ اگر یہ صحیح فاصلے پر ہے تو، اینٹینا کے رویے میں بہت بڑی تبدیلیوں کا سبب بنتا ہے. پلیٹ جتنی بڑی ہوتی ہے، خاص طور پر چوڑائی میں، تابکاری کے نمونوں کے لوبے اتنے ہی تیز اور تنگ ہوتے ہیں۔ اینٹینا کی اونچائی اس بات کی وضاحت کرتی ہے کہ تابکاری کے نمونہ میں کتنے لوب ہیں. اینٹینا کے پیرامیٹرز کی ایک بڑی تعداد، بشمول مائبادا، سمت اور سامنے سے پیچھے تناسب، وقتا فوقتا تبدیل کر دیا جاتا ہے کیونکہ اینٹینا کی اونچائی بڑھتی ہے. اینٹینا کی گونج فریکوئنسی بھی دھاتی پلیٹ کے اثر کے تحت بدلتی ہے. |
d70cd3d2fe0a194321ee92c305976873b883d529 | ایک وسیع بینڈ 57.7-84.2 گیگا ہرٹز فیز شفٹر ایک کمپیکٹ لانج جوڑا استعمال کرتے ہوئے پیش کیا گیا ہے تاکہ فیز اور چوکور سگنل پیدا کیا جاسکے۔ لینج جوڑنے والے کے بعد دو بالون ٹرانسفارمرز ہیں جو IQ ویکٹر ماڈیولیشن کو تفریقی I اور Q سگنل فراہم کرتے ہیں۔ لاگو مرحلے شفٹر 6dB داخل ہونے کا نقصان اور 5dB حاصل کرنے کے مختلف حالتوں کا مظاہرہ کرتا ہے. پیمائش اوسط rms مرحلے اور حاصل غلطیوں ہیں 7 ڈگری اور 1 ڈی بی، بالترتیب. مرحلے کی تبدیلی کو گلوبل فاؤنڈری 45 این ایم ایس ایس آئی سی ایم او ایس ٹیکنالوجی میں ٹریپ امیر سبسٹریٹ کا استعمال کرتے ہوئے لاگو کیا جاتا ہے. چپ کا رقبہ 385 μm × 285 μm ہے اور فیز شفٹر 17 میگاواٹ سے کم استعمال کرتا ہے۔ مصنفین کے بہترین علم کے مطابق، یہ پہلا مرحلہ ہے جو 60 گیگاہرٹج بینڈ اور ای بینڈ کی تعدد دونوں کو 37٪ کی بریکٹ بینڈوڈتھ کے ساتھ ڈھونڈتا ہے. |
eb58118b9db1e95f9792f39c3780dbba3bb966cb | یہ کاغذ ایک پہنے جانے والے غیر فعال پیمائش کے نظام اور اس سے وابستہ اسپیس ٹائمورل واک تجزیہ الگورتھم کو مقداری پیمائش حاصل کرنے اور اسٹروک یا پارکنسن کی بیماری کے مریضوں کے لئے اسپیس ٹائمورل واک پیٹرن سے کلینیکل اشارے کی تلاش کے لئے پیش کرتا ہے۔ پہنے جانے والا نظام ایک مائکروکنٹرولر ، ایک ٹریکسیئل ایکسلرومیٹر ، ایک ٹریکسیئل گیروسکوپ ، اور ایک RF وائرلیس ٹرانسمیشن ماڈیول پر مشتمل ہے۔ اسپیس ٹائمورل واک تجزیہ الگورتھم ، جس میں جڑواں سگنل حصول ، سگنل پری پروسیسنگ ، واک فیز کا پتہ لگانے ، اور حرکت کے ٹخنوں کی حد کا تخمینہ لگانے کے طریقہ کار شامل ہیں ، کو تیز رفتار اور زاویہ کی رفتار سے واک کی خصوصیات نکالنے کے لئے تیار کیا گیا ہے۔ حرکت کی عین مطابق ٹخنوں کی حد کا اندازہ لگانے کے لئے ، ہم نے انٹیگریشن کی غلطی کو کم کرنے کے لئے ایک تکمیلی فلٹر میں تیز رفتار اور زاویہ کی رفتار کو مربوط کیا ہے۔ تمام 24 شرکاء نے اپنے پاؤں پر سسٹم نصب کیا تاکہ وہ عام رفتار سے 10 میٹر کی سیدھی لائن پر چل سکیں اور ان کی پیدل چلنے کی ریکارڈنگ جمع کی گئی تاکہ مجوزہ نظام اور الگورتھم کی افادیت کو درست کیا جاسکے۔ تجرباتی نتائج سے پتہ چلتا ہے کہ تجویز کردہ غیر فعال پیمائش کا نظام ڈیزائن شدہ اسپیس ٹائمورل واک تجزیہ الگورتھم کے ساتھ اسپیس ٹائمورل واک کی معلومات کا خود کار طریقے سے تجزیہ کرنے کے لئے ایک وعدہ آلہ ہے ، جو فالج یا پارکنسن کی بیماری کی تشخیص کے لئے علاج معالجے کی نگرانی کے لئے کلینیکل اشارے کے طور پر کام کرتا ہے۔ |
7e7f14f325d7e8d70e20ca22800ad87cfbf339ff | اس اشاعت میں دوبارہ شائع شدہ مضامین شامل ہیں جن کے لئے آئی ای ای کاپی رائٹ نہیں رکھتا ہے۔ ان مضامین کے لئے مکمل متن IEEE Xplore پر دستیاب نہیں ہے. |
002a8b9ef513d46dc8dcce85c04a87ae6a221b4c | ہم ریگریشن اور درجہ بندی کے لئے سپورٹ ویکٹر الگورتھم کی ایک نئی کلاس تجویز کرتے ہیں۔ ان الگورتھم میں ، ایک پیرامیٹر ایک کو مؤثر طریقے سے سپورٹ ویکٹر کی تعداد کو کنٹرول کرنے دیتا ہے۔ اگرچہ یہ اپنے آپ میں مفید ہوسکتا ہے ، پیرامیٹرائزشن کا اضافی فائدہ یہ ہے کہ ہمیں الگورتھم کے دوسرے آزاد پیرامیٹرز میں سے ایک کو ختم کرنے کے قابل بناتا ہے: رجعت کے معاملے میں درستگی کا پیرامیٹر ، اور درجہ بندی کے معاملے میں باقاعدگی سے مستقل سی۔ ہم الگورتھم کی وضاحت کرتے ہیں، کچھ نظریاتی نتائج کو معنی اور انتخاب کے بارے میں دیتے ہیں اور تجرباتی نتائج کی رپورٹ کرتے ہیں. |
0911bcf6bfff20a84a56b9d448bcb3d72a1eb093 | ایک آٹو انکوڈر کی باقاعدگی سے تربیت عام طور پر پوشیدہ یونٹ تعصب میں ہوتی ہے جو بڑی منفی اقدار پر لے جاتی ہے۔ ہم ظاہر کرتے ہیں کہ منفی تعصب ایک پوشیدہ پرت کا استعمال کرتے ہوئے ایک قدرتی نتیجہ ہے جس کی ذمہ داری دونوں ان پٹ ڈیٹا کی نمائندگی کرنا ہے اور ایک انتخاب کے طریقہ کار کے طور پر کام کرنا ہے جو نمائندگی کی کمزوری کو یقینی بناتا ہے. ہم پھر منفی تعصب جس کے اندرونی dimensionality اعلی ہے ڈیٹا کی تقسیم کے سیکھنے کی روک تھام کہ دکھاتے ہیں. ہم ایک نئی ایکٹیویشن فنکشن بھی تجویز کرتے ہیں جو پوشیدہ پرت کے دو کرداروں کو الگ کرتا ہے اور جو ہمیں ڈیٹا پر نمائندگی سیکھنے کی اجازت دیتا ہے بہت زیادہ اندرونی جہتی کے ساتھ، جہاں معیاری آٹوکوڈر عام طور پر ناکام ہوجاتے ہیں۔ چونکہ ڈیکوپلڈ ایکٹیویشن فنکشن ایک مضمر ریگولیزر کی طرح کام کرتا ہے ، لہذا کسی اضافی ریگولیٹری کی ضرورت کے بغیر ، ٹریننگ ڈیٹا کی تعمیر نو کی غلطی کو کم سے کم کرکے ماڈل کو تربیت دی جاسکتی ہے۔ |
27f9b805de1f125273a88786d2383621e60c6094 | اس مقالے میں ہم تحریک کنٹرول اور پوزیشن کا اندازہ بہتر بنانے کے لئے ٹریک موبائل روبوٹ کے لئے ایک kinematic نقطہ نظر کی تجویز. پیچیدہ متحرکات کی وجہ سے پھسلنے اور ٹریک-مٹی کی بات چیت کی وجہ سے ٹریک کی رفتار کی بنیاد پر گاڑی کی عین مطابق تحریک کی پیشن گوئی کرنا مشکل ہے۔ اس کے باوجود ، خود مختار نیویگیشن کے لئے ریئل ٹائم کمپیوٹنگ کو لوپ میں متحرکات متعارف کرانے کے بغیر موثر حرکیات کے تخمینے کی ضرورت ہوتی ہے۔ تجویز کردہ حل اس حقیقت پر مبنی ہے کہ گاڑی کے حوالے سے تحریک کے طیارے پر چلنے والے ٹرنز کے لمحاتی گردش کے مراکز (آئی سی آر) متحرک انحصار کرتے ہیں ، لیکن وہ ایک محدود علاقے کے اندر واقع ہیں۔ اس طرح ، کسی خاص علاقے کے لئے مستقل آئی سی آر پوزیشنوں کو بہتر بنانا ٹریکڈ موبائل روبوٹ کے لئے ایک تخمینہ حرکیاتی ماڈل کا نتیجہ ہے۔ دو مختلف نقطہ نظر kinematic پیرامیٹرز کے آف لائن تخمینہ کے لئے پیش کر رہے ہیں: (i) گاڑی کی پوری رفتار کی حد کے لئے متحرک ماڈل کے اسٹیشنری ردعمل کی تخروپن؛ (ii) ایک تجرباتی سیٹ اپ کا تعارف تاکہ ایک جینیاتی الگورتھم اصل سینسر پڑھنے سے ماڈل تیار کرسکے۔ ان طریقوں کا اندازہ آن لائن اوڈومیٹرک حساب کتاب اور کم سطح کی تحریک کنٹرول کے لئے کیا گیا ہے اوریگا موبائل روبوٹ کے ساتھ سخت سطح کی فلیٹ مٹی پر اعتدال پسند رفتار سے۔ کلیدی الفاظ: ٹریک شدہ گاڑیاں, حرکیاتی کنٹرول, موبائل روبوٹکس, پیرامیٹرز کی شناخت, متحرک تخروپن |
04caa1a55b12d5f3830ed4a31c4b47921a3546f2 | کینیل درجہ بندی اور رجسٹرٹرز کو منظم اعداد و شمار کے لئے ڈیزائن کیا گیا ہے، جیسے ترتیب، درخت اور گراف، نے کئی بین الاقوامی شعبوں جیسے کمپیوٹیشنل حیاتیات اور منشیات کے ڈیزائن کو نمایاں طور پر پیش کیا ہے. عام طور پر ، کارنیلز کو پہلے سے ہی ایک ڈیٹا ٹائپ کے لئے ڈیزائن کیا جاتا ہے جو یا تو ڈھانچے کے اعدادوشمار کا استحصال کرتا ہے یا امکانات کے جنریٹ ماڈل کا استعمال کرتا ہے ، اور پھر ایک امتیازی درجہ بندی کارنیلز پر مبنی سیکھا جاتا ہے جو کہ convex اصلاح کے ذریعے ہوتا ہے۔ تاہم، اس طرح کے ایک خوبصورت دو مرحلے کے نقطہ نظر نے بھی کارنیل طریقوں کو لاکھوں ڈیٹا پوائنٹس تک پیمانے سے محدود کیا، اور خصوصیت کی نمائندگی کو سیکھنے کے لئے امتیازی معلومات کا استحصال کیا. ہم تجویز کرتے ہیں ، structure2vec ، منظم ڈیٹا نمائندگی کے لئے ایک موثر اور توسیع پذیر نقطہ نظر خصوصیت کے خالی جگہوں میں پوشیدہ متغیر ماڈل کو سرایت کرنے کے خیال پر مبنی ہے ، اور امتیازی معلومات کا استعمال کرتے ہوئے اس طرح کی خصوصیت کی جگہوں کو سیکھنا ہے۔ دلچسپ بات یہ ہے کہ structure2vec گرافک ماڈل استنباط کے طریقہ کار کے ساتھ ملتے جلتے طریقے سے فنکشن میپنگ کا ایک سلسلہ انجام دے کر خصوصیات کو نکالتا ہے ، جیسے کہ مطلب فیلڈ اور عقیدے کی تبلیغ۔ لاکھوں ڈیٹا پوائنٹس پر مشتمل ایپلی کیشنز میں، ہم نے دکھایا کہ structure2vec دو گنا تیز چلتا ہے، ماڈل تیار کرتا ہے جو 10،000 گنا چھوٹا ہے، جبکہ ایک ہی وقت میں جدید ترین پیش گوئی کی کارکردگی حاصل کرنا. |
1dc5b2114d1ff561fc7d6163d8f4e9c905ca12c4 | یہ اچھی طرح سے معلوم ہے کہ جب اعداد و شمار غیر معمولی طور پر تقسیم ہوتے ہیں تو ، پیرسن کے r کی اہمیت کا ایک ٹیسٹ ٹائپ I غلطی کی شرح کو بڑھا سکتا ہے اور بجلی کو کم کرسکتا ہے۔ شماریات کی نصابی کتابیں اور تخروپن ادب پیئرسن کے ارتباط کے کئی متبادل فراہم کرتے ہیں۔ تاہم، ان متبادلوں کی نسبتا کارکردگی غیر واضح رہی ہے. 12 طریقوں کا موازنہ کرنے کے لئے دو نقالی مطالعہ کیے گئے تھے ، جن میں پیرسن ، سپیرمین کا درجہ بندی ، تبدیلی اور دوبارہ نمونے لینے کے طریقوں شامل ہیں۔ زیادہ تر نمونہ سائز (ن ≥ 20) کے ساتھ ، پیرسن ارتباط کا اندازہ کرنے سے پہلے اعداد و شمار کو معمول کی شکل میں تبدیل کرکے ٹائپ I اور ٹائپ II غلطی کی شرح کو کم سے کم کیا گیا۔ تبدیلی کے طریقوں میں سے ، ایک عام مقصد کی درجہ بندی پر مبنی الٹا معمول کی تبدیلی (یعنی ، درجہ بندی کے اسکور میں تبدیلی) سب سے زیادہ فائدہ مند تھا۔ تاہم، جب نمونے دونوں چھوٹے (ن ≤ 10) اور انتہائی غیر معمولی تھے، تو اکثر بار بار ٹیسٹ نے دیگر متبادلوں کو بہتر بنایا، بشمول مختلف بوٹ اسٹراپ ٹیسٹ بھی شامل ہیں. |
d3abb0b5b3ce7eb464846bbdfd93e0fbf505e954 | اس کاغذ میں، ہم سبسٹرٹ مربوط ویو گائیڈز (SIW) کی طرف سے کھلایا کمپیکٹ اینٹینا arrays کے تین مختلف تصورات کا موازنہ. اینٹینا تصورات ریڈی ایٹرز کی قسم میں مختلف ہیں. سلاٹ مقناطیسی لکیری ریڈی ایٹرز کی نمائندگی کرتے ہیں ، پیچ برقی سطح ریڈی ایٹرز ہیں ، اور ویولڈی سلاٹ ٹریولنگ ویو اینٹینا سے تعلق رکھتے ہیں۔ لہذا، SIW فیڈرز کو حوصلہ افزائی اینٹینا عناصر کے مختلف میکانزم کا استحصال کرنا پڑتا ہے. اینٹینا کے مطالعہ کے امپیڈینس اور تابکاری کی خصوصیات معمول کی تعدد سے متعلق ہیں. اینٹینا کے صفوں کا آپس میں موازنہ کیا گیا ہے تاکہ اینٹینا کی حالت کے متغیرات پر ، ایس آئی ڈبلیو فیڈر فن تعمیرات اور متعلقہ نفاذ کی تفصیلات پر ڈیزائن کردہ اینٹینا کے حتمی پیرامیٹرز کی بنیادی انحصار کو ظاہر کیا جاسکے۔ |
e4acaccd3c42b618396c9c28dae64ae7091e36b8 | ایک ناول I / Q وصول کرنے والا صف دکھایا گیا ہے جو ہر وصول چینل میں مرحلے کی تبدیلی کو اپناتا ہے تاکہ وصول بیم کو واقع ہونے والے آر ایف سگنل کی طرف اشارہ کیا جاسکے۔ ماپا صف 8.1 گیگا ہرٹز پر کام کرتا ہے اور چار عنصر صف کے لئے + / -35 ڈگری کے اسٹیئرنگ زاویوں کا احاطہ کرتا ہے. اس کے علاوہ ، وصول کنندہ میں I / Q ڈاون کنورٹر شامل ہے اور 64QAM کو ای وی ایم کے ساتھ 4٪ سے کم ڈیموڈولیٹ کرتا ہے۔ یہ چپ 45 این ایم سی ایم او ایس ایس او آئی عمل میں تیار کی گئی ہے اور 143 ایم ڈبلیو ڈی سی بجلی استعمال کرتے ہوئے 3.45 ملی میٹر مربع رقبہ پر قبضہ کرتی ہے۔ |
149bf28af91cadf2cd933bd477599cca40f55ccd | ہم ایک سیکھنے کا فن تعمیر تجویز کرتے ہیں، جو کہ خام بصری ان پٹ ڈیٹا کی بنیاد پر تقویت یافتہ سیکھنے کے قابل ہے۔ پچھلے طریقوں کے برعکس، نہ صرف کنٹرول پالیسی سیکھا جاتا ہے. کامیاب ہونے کے لئے، نظام کو خود مختار طور پر سیکھنا ضروری ہے، ان پٹ معلومات کے اعلی جہتی بہاؤ سے متعلقہ معلومات کو نکالنے کے لئے، جس کے لئے سیمنٹکس سیکھنے کے نظام کو فراہم نہیں کیا جاتا ہے. ہم نے ایک چیلنجنگ معیار پر اس ناول سیکھنے کے فن تعمیر کا پہلا ثبوت دیا ہے، یعنی ایک ریسنگ سلاٹ کار کا بصری کنٹرول۔ نتیجے میں پالیسی، کامیابی یا ناکامی کے ذریعے ہی سیکھا جاتا ہے، کسی تجربہ کار انسانی کھلاڑی کی طرف سے مشکل سے شکست دی جاتی ہے. |
759d9a6c9206c366a8d94a06f4eb05659c2bb7f2 | آج تک ، کمپیوٹر ویژن میں مشین لرننگ پر مبنی شناخت الگورتھم کی تقریبا all تمام تجرباتی تشخیص نے بند سیٹ کی شناخت کی شکل اختیار کی ہے ، جس کے تحت تربیت کے وقت تمام ٹیسٹنگ کلاسوں کو جانا جاتا ہے۔ وژن ایپلی کیشنز کے لئے ایک زیادہ حقیقت پسندانہ منظر نامہ کھلی سیٹ کی پہچان ہے ، جہاں تربیت کے وقت دنیا کا نامکمل علم موجود ہے ، اور ٹیسٹنگ کے دوران نامعلوم کلاسوں کو الگورتھم کے سامنے پیش کیا جاسکتا ہے۔ اس مقالے میں اوپن سیٹ کی پہچان کی نوعیت کا جائزہ لیا گیا ہے اور اس کی تعریف کو محدود کم سے کم کرنے کے مسئلے کے طور پر باضابطہ بنایا گیا ہے۔ اوپن سیٹ کی پہچان کا مسئلہ موجودہ الگورتھم کے ذریعہ اچھی طرح سے حل نہیں کیا جاتا ہے کیونکہ اس میں مضبوط عمومی کی ضرورت ہوتی ہے۔ ایک حل کی طرف ایک قدم کے طور پر، ہم ایک ناول 1-vs-سیٹ مشین، جس میں ایک لکیری کور کے ساتھ ایک کلاس یا بائنری SVM کے مارجنل فاصلے سے ایک فیصلہ خلا sculpts متعارف کرایا. یہ طریقہ کار کمپیوٹر ویژن میں کئی مختلف ایپلی کیشنز پر لاگو ہوتا ہے جہاں کھلی سیٹ کی شناخت ایک مشکل مسئلہ ہے، بشمول اعتراض کی شناخت اور چہرے کی تصدیق. ہم نے اس کام میں دونوں پر غور کیا ہے، بڑے پیمانے پر کراس ڈیٹا سیٹ تجربات کے ساتھ کیلیٹیک 256 اور امیج نیٹ سیٹ پر کارکردگی کا مظاہرہ کیا، ساتھ ساتھ چہرے کے ملاپ کے تجربات کے ساتھ ساتھ لیبلڈ چہرے میں وائلڈ سیٹ پر کارکردگی کا مظاہرہ کیا. تجربات موجودہ 1 کلاس اور بائنری SVMs کے مقابلے میں اسی کاموں کے لئے کھلی سیٹ تشخیص کے لئے مرضی کے مطابق مشینوں کی تاثیر کو اجاگر. |
00960cb3f5a74d23eb5ded93f1aa717b9c6e6851 | بےزیئن اصلاح نامعلوم ، مہنگے اور ملٹی موڈل افعال کی عالمی اصلاح کے لئے ایک انتہائی موثر طریقہ کار ثابت ہوا ہے۔ افعال پر تقسیم کو درست طریقے سے ماڈل کرنے کی صلاحیت بیسیئن اصلاح کی تاثیر کے لئے اہم ہے۔ اگرچہ گاوسی عمل افعال پر لچکدار پیشگی فراہم کرتے ہیں ، لیکن افعال کی مختلف کلاسیں ہیں جن کا ماڈل بنانا مشکل ہے۔ ان میں سے اکثر اکثر غیر مستحکم افعال کی کلاس ہے. مشین لرننگ الگورتھم کے ہائپر پیرامیٹرز کی اصلاح ایک مسئلہ کا ڈومین ہے جس میں پیرامیٹرز کو اکثر دستی طور پر تبدیل کیا جاتا ہے ، مثال کے طور پر لاگ اسپیس ، میں اصلاح کرکے مقامی طور پر مختلف لمبائی کے پیمانے کے اثرات کو کم کرنے کے لئے۔ ہم بیٹا مجموعی تقسیم کی تقریب کا استعمال کرتے ہوئے ان پٹ کی جگہ کے بائیجیکٹو تبدیلیوں یا وارپنگ کے وسیع خاندان کو خود بخود سیکھنے کے لئے ایک طریقہ کار تیار کرتے ہیں۔ ہم مزید کثیر کام Bayesian اصلاح کے لئے warping فریم ورک توسیع تاکہ ایک مشترکہ مستحکم جگہ میں کثیر کام warped کیا جا سکتا ہے. چیلنجنگ بینچ مارک اصلاح کے کاموں کے ایک سیٹ پر، ہم مشاہدہ کرتے ہیں کہ وارتنگ کو شامل کرنے سے ریاست کی آرٹ میں بہتری آتی ہے، بہتر نتائج تیزی سے اور زیادہ قابل اعتماد پیدا ہوتی ہے. |
b53e4c232833a8e663a9cf15dcdd050ff801c05c | ہم ہائی تھرو پٹ کے لئے ایک توسیع پذیر نظام پیش کرتے ہیں غیر متوازن ڈیٹا کے بہاؤ کے اصل وقت کا تجزیہ. ہمارا فن تعمیر پیش گوئی تجزیہ اور بے ضابطگی کا پتہ لگانے کے لئے ماڈل کی اضافی ترقی کو قابل بناتا ہے کیونکہ اعداد و شمار نظام میں پہنچتے ہیں. بیچ ڈیٹا پروسیسنگ سسٹم کے برعکس، جیسے ہڈوپ، جس میں اعلی تاخیر ہوسکتی ہے، ہمارا فن تعمیر پرواز پر ڈیٹا کو انجیکشن اور تجزیہ کرنے کی اجازت دیتا ہے، اس طرح غیر معمولی رویے کا پتہ لگانے اور تقریبا حقیقی وقت میں جواب دینے کے لئے. یہ بروقت ایپلی کیشنز جیسے اندرونی دھمکی، مالی فراڈ، اور نیٹ ورک مداخلت کے لئے اہم ہے. ہم اندرونی خطرات کا پتہ لگانے کے مسئلے پر اس نظام کا اطلاق ظاہر کرتے ہیں ، یعنی ، نظام کے صارفین کے ذریعہ کسی تنظیم کے وسائل کا غلط استعمال اور عوامی طور پر دستیاب اندرونی دھمکی کے ڈیٹا سیٹ پر ہمارے تجربات کے نتائج پیش کرتے ہیں۔ |
39b58ef6487c893219c77c61c762eee5694d0e36 | ڈیٹا مائننگ کے ابھرتے ہوئے میدان میں درجہ بندی ایک اہم مسئلہ ہے۔ اگرچہ درجہ بندی کا ماضی میں وسیع پیمانے پر مطالعہ کیا گیا ہے ، لیکن درجہ بندی کے زیادہ تر الگورتھم صرف میموری میں مقیم ڈیٹا کے لئے ڈیزائن کیے گئے ہیں ، اس طرح ان کی ڈیٹا مائننگ کے ل suitability موزوں کو محدود کرتے ہیں بڑے اعداد و شمار کے سیٹ. اس کاغذ میں ایک scalable classier کی تعمیر میں مسائل پر تبادلہ خیال اور SLIQ، ایک نئے classier کے ڈیزائن پیش کرتا ہے. SLIQ ایک فیصلہ درخت classier ہے جو عددی اور زمرہ دونوں صفات کو سنبھال سکتا ہے. یہ درخت کی ترقی کے مرحلے میں ایک ناول پری ترتیب دینے کی تکنیک کا استعمال کرتا ہے. یہ ترتیب دینے کا طریقہ کار ڈسک میں مقیم ڈیٹا سیٹوں کی درجہ بندی کو قابل بنانے کے لئے ایک وسیع درخت بڑھتی ہوئی حکمت عملی کے ساتھ ضم کیا جاتا ہے. ایس ایل آئی کیو درختوں کی کاٹنے کے لئے ایک نیا الگورتھم بھی استعمال کرتا ہے جو سستا ہے ، اور اس کے نتیجے میں کمپیکٹ اور درست درخت ہوتے ہیں۔ ان تکنیکوں کا مجموعہ ایس ایل آئی کیو کو بڑے اعداد و شمار کے سیٹوں کے لئے پیمانے پر قابل بناتا ہے اور کلاسوں ، صفات اور مثالوں (ریکارڈز) کی تعداد سے قطع نظر ڈیٹا سیٹوں کی درجہ بندی کرتا ہے ، اس طرح یہ ڈیٹا مائننگ کے لئے ایک پرکشش ٹول بن جاتا ہے۔ |
1f25ed3c9707684cc0cdf3e8321c791bc7164147 | درجہ بندی ایک اہم ڈیٹا کان کنی مسئلہ ہے. اگرچہ درجہ بندی ایک اچھی طرح سے مطالعہ شدہ مسئلہ ہے، زیادہ تر موجودہ درجہ بندی الگورتھم کی ضرورت ہوتی ہے کہ پورے ڈیٹا بیس کے تمام یا ایک حصہ مستقل طور پر میموری میں رہیں. یہ بڑے ڈیٹا بیس پر کان کنی کے لئے ان کی موزوں کو محدود کرتا ہے. ہم ایک نیا فیصلہ درخت پر مبنی درجہ بندی الگورتھم پیش کرتے ہیں، جسے سپرنٹ کہتے ہیں جو تمام میموری کی پابندیوں کو ہٹا دیتا ہے، اور تیز اور قابل توسیع ہے۔ الگورتھم کو آسانی سے متوازی کرنے کے لئے بھی ڈیزائن کیا گیا ہے ، جس سے بہت سارے پروسیسرز کو ایک مستقل ماڈل بنانے کے لئے مل کر کام کرنے کی اجازت دی گئی ہے۔ یہ متوازی، یہاں بھی پیش کیا، بہترین اسکیل ایبلٹی بھی نمائش کرتا ہے. ان خصوصیات کا مجموعہ تجویز کردہ الگورتھم کو ڈیٹا مائننگ کے لئے ایک مثالی ذریعہ بناتا ہے۔ |
7c3a4b84214561d8a6e4963bbb85a17a5b1e003a | |
76c87ec44fc5dc96bc445abe008deaf7c97c9373 | یہ کاغذ ایک معیاری نرم سبسٹریٹ کی ایک پرت پر 100 Ω تفریقی مائکرو اسٹراپ لائن فیڈ کے ساتھ ایک پلانر گرڈ صف اینٹینا پیش کرتا ہے۔ اینٹینا آٹوموٹو ریڈار ایپلی کیشنز کے لئے 79 گیگا ہرٹز فریکوئنسی بینڈ میں کام کرتا ہے. اس کی ایک صف ڈیزائن بلندی میں ایک تنگ بیم اور azimuth میں ایک وسیع بیم پیش کرتا ہے. مائیکرو اسٹراپ لائن فیڈنگ کے ساتھ مل کر ، اینٹینا تعدد کی حد میں مائیکرو اسٹراپ لائن فیڈنگ کے لئے موزوں ہے۔ |
bc7308a97ec2d3f7985d48671abe7a8942a5b9f8 | یہ مقالہ جذبات کے تجزیے کے لئے ایک نقطہ نظر متعارف کراتا ہے جو ممکنہ طور پر متعلقہ معلومات کے متنوع ذرائع کو اکٹھا کرنے کے لئے سپورٹ ویکٹر مشینیں (ایس وی ایم) کا استعمال کرتا ہے ، جس میں جملے اور صفتوں کے لئے متعدد پسندیدگی کے اقدامات اور ، جہاں دستیاب ہو ، متن کے موضوع کا علم۔ متعارف کرایا خصوصیات کا استعمال کرتے ہوئے ماڈل مزید unigram ماڈل ماضی میں مؤثر ثابت ہو چکے ہیں جس کے ساتھ مل کر کر رہے ہیں (پنگ اور ساتھیوں، 2002) اور unigram ماڈل کے lemmatized ورژن. Epinions.com سے فلم جائزہ کے اعداد و شمار پر تجربات سے پتہ چلتا ہے کہ ہائبرڈ SVMs جو یونیگرام طرز کی خصوصیت پر مبنی SVMs کو ان لوگوں کے ساتھ جو حقیقی قدر کی پسندیدگی کے اقدامات پر مبنی ہیں ، اعلی کارکردگی حاصل کرتے ہیں ، جو ان اعداد و شمار کا استعمال کرتے ہوئے اب تک کے بہترین نتائج تیار کرتے ہیں۔ مزید تجربات کا استعمال کرتے ہوئے ایک خصوصیت سیٹ کے ساتھ امیر موضوع کی معلومات پر ایک چھوٹا سا ڈیٹا سیٹ کے موسیقی کے جائزے handannotated کے لئے موضوع بھی رپورٹ کر رہے ہیں، جس کے نتائج کا مشورہ دیتے ہیں کہ اس طرح کے ماڈل میں موضوع کی معلومات کو شامل کرنے میں بھی بہتری پیدا ہوسکتی ہے. |
be389fb59c12c8c6ed813db13ab74841433ea1e3 | انجیر ١. ہم iMapper پیش کرتے ہیں، ایک طریقہ ہے کہ اشیاء کے ساتھ انسانوں کے تعاملات کے بارے میں وجوہات، ایک قابل اعتماد منظر ترتیب اور انسانی تحریکوں دونوں کو بحال کرنے کے لئے، جو سب سے بہتر ان پٹ مونوکولر ویڈیو کی وضاحت کرتا ہے (انشور دیکھیں). ہم اسکرینلیٹ (مثال کے طور پر ، A ، B ، C) نامی خصوصیات کے تعامل کو ویڈیو میں فٹ کرتے ہیں اور ان کا استعمال کسی قابل اعتراض اعتراض ترتیب اور انسانی تحریک کے راستے (بائیں) کی تعمیر نو کے لئے کرتے ہیں۔ اہم چیلنج یہ ہے کہ قابل اعتماد فٹنگ کو غائب ہونے کے بارے میں معلومات کی ضرورت ہوتی ہے، جو نامعلوم ہیں (یعنی، پوشیدہ). (دائیں) ہم دستی طور پر annotated groundtruth اعتراض کی جگہیں پر ہمارے نتیجہ کی ایک اوورلے (اوپر سے نقطہ نظر) دکھاتے ہیں. نوٹ کریں کہ اعتراض میشوں کو اندازہ شدہ اعتراض زمرہ، مقام، اور سائز کی معلومات کی بنیاد پر رکھا جاتا ہے. |
f24a1af3bd8873920593786d81590d29520cfebc | یہ خط ایک ناول بیضوی فلٹر کے ڈیزائن اور تجربے کو پیش کرتا ہے جس کی بنیاد پر ملٹی لیئرڈ سبسٹریٹ انٹیگریٹڈ ویو گائیڈ (ایم ایس آئی ڈبلیو) تکنیک ہے۔ چار گنا MSIW گہا کے ساتھ ایک سی بینڈ بیضوی فلٹر اعلی تعدد ڈھانچہ سمیلیٹر سافٹ ویئر کا استعمال کرتے ہوئے اور دو پرت طباعت شدہ سرکٹ بورڈ کے عمل کے ساتھ تیار کیا جاتا ہے ، ماپا نتائج اچھی کارکردگی دکھاتے ہیں اور ان کے ساتھ معاہدے میں ہیں نتائج. |
8052bc5f9beb389b3144d423e7b5d6fcf5d0cc4f | صفات اشیاء کی طرف سے مشترکہ معنوی بصری خصوصیات ہیں. ان سے اشیاء کی پہچان میں بہتری اور مواد پر مبنی تصویری تلاش میں اضافہ ہوتا ہے۔ جبکہ صفات سے توقع کی جاتی ہے کہ وہ متعدد زمروں کا احاطہ کریں ، جیسے۔ ایک ڈلمٹیشن اور ایک وہیل دونوں "ہموار جلد" ہو سکتا ہے، ہم ایک واحد وصف کی ظاہری شکل زمرے کے درمیان کافی تھوڑا مختلف ہے کہ تلاش. اس طرح، ایک زمرے پر سیکھا ایک وصف ماڈل دوسرے زمرے پر قابل استعمال نہیں ہو سکتا. ہم نئی اقسام کی طرف وصف ماڈل کو اپنانے کے لئے کس طرح دکھاتے ہیں. ہم اس بات کو یقینی بناتے ہیں کہ زمرے کے ماخذ ڈومین اور ایک ناول ہدف ڈومین کے مابین مثبت منتقلی ہوسکتی ہے ، خصوصیت کے ذیلی خلا میں سیکھنے کے ذریعہ خصوصیت کے انتخاب کے ذریعہ پایا جاتا ہے جہاں ڈومینز کے ڈیٹا کی تقسیم ایک جیسی ہوتی ہے۔ ہم یہ ظاہر کرتے ہیں کہ جب ناول ڈومین سے ڈیٹا محدود ہوتا ہے تو ، اس ناول ڈومین کے لئے ماڈل کو باقاعدہ بنانا معاون ڈومین (ایڈاپٹیو ایس وی ایم کے ذریعے) پر تربیت یافتہ ماڈلز کے ساتھ خاصیت کی پیش گوئی کی درستگی کو بہتر بناتا ہے۔ |
01094798b20e96e1d029d6874577167f2214c7b6 | تیز رفتار ہم آہنگ ہیش ٹیبلز ایک بڑھتی ہوئی اہم عمارت کا بلاک ہیں کیونکہ ہم نظام کو بڑی تعداد میں کور اور تھریڈز تک پہنچاتے ہیں۔ یہ کاغذ ایک اعلی تھرو پٹ اور میموری موثر ہم وقت سازی ہیش ٹیبل کے ڈیزائن ، نفاذ اور تشخیص کو پیش کرتا ہے جو متعدد قارئین اور لکھنے والوں کی حمایت کرتا ہے۔ ڈیزائن سسٹم کی سطح کی اصلاحات پر محتاط توجہ سے پیدا ہوتا ہے جیسے اہم سیکشن کی لمبائی کو کم سے کم کرنا اور الگورتھم کی دوبارہ انجینئرنگ کے ذریعہ انٹر پروسیسر ہم آہنگی ٹریفک کو کم کرنا۔ اس انجینئرنگ کے لئے فن تعمیر کی بنیاد کے حصے کے طور پر، ہم انٹیل کی حالیہ ہارڈ ویئر ٹرانزیکشن میموری (ایچ ٹی ایم) کی حمایت کو اس اہم عمارت کے بلاک میں اپنانے کے ہمارے تجربے اور نتائج کی بحث شامل کرتے ہیں. ہم نے پایا کہ ایک ہی وقت میں رسائی کی اجازت دینے کے لئے ایک ہی وقت میں رسائی کی اجازت دی گئی ہے جس میں موجودہ ڈیٹا ڈھانچے پر ایک گندا دانے دار تالا استعمال کیا جاتا ہے. جبکہ ایچ ٹی ایم اس سست کو کچھ حد تک کم کرتا ہے، یہ اسے ختم نہیں کرتا. اعلی کارکردگی کو حاصل کرنے کے لئے الگورتھمک اصلاحات جو ایچ ٹی ایم اور ٹھیک دانے دار تالا لگانے کے ڈیزائن دونوں کو فائدہ پہنچاتے ہیں کی ضرورت ہے۔ ہمارے کارکردگی کے نتائج سے پتہ چلتا ہے کہ ہمارے نئے ہیش ٹیبل ڈیزائن --- پر مبنی ہے پر امید cuckoo hashing --- دیگر بہتر بیک وقت ہیش ٹیبلز کو 2.5x تک لکھنے بھاری کام کے بوجھ کے لئے ، یہاں تک کہ جب چھوٹی کلید کی قیمت والی اشیاء کے لئے کافی کم میموری استعمال کرتے ہوئے۔ 16 کور مشین پر، ہمارے ہیش ٹیبل تقریبا 40 ملین داخل اور 70 ملین سے زیادہ تلاش کے آپریشن فی سیکنڈ پر عملدرآمد کرتا ہے. |
5685a394b25fcb27b6ad91f7325f2e60a9892e2a | گراف ڈیٹا بیس (جی ڈی بی) حال ہی میں گراف کی طرح کی ساخت کے ساتھ ڈیٹا کو ذخیرہ کرنے اور انتظام کرنے کے لئے روایتی ڈیٹا بیس کی حدود پر قابو پانے کے لئے پیدا ہوا ہے. آج کل، وہ گراف جیسے اعداد و شمار کو منظم کرنے والے بہت سے ایپلی کیشنز کی ضرورت کی نمائندگی کرتے ہیں، جیسے سماجی نیٹ ورکس. گراف ڈیٹا بیس میں سوالات کو بہتر بنانے کے لئے استعمال ہونے والی زیادہ تر تکنیکوں کو روایتی ڈیٹا بیس، تقسیم کے نظام، ... میں استعمال کیا گیا ہے یا وہ گراف تھیوری سے حوصلہ افزائی کرتے ہیں. تاہم، گراف ڈیٹا بیس میں ان کے دوبارہ استعمال کو گراف ڈیٹا بیس کی اہم خصوصیات، جیسے متحرک ساخت، انتہائی منسلک ڈیٹا، اور ڈیٹا کے تعلقات کو مؤثر طریقے سے رسائی حاصل کرنے کی صلاحیت کا خیال رکھنا چاہئے. اس کاغذ میں، ہم گراف ڈیٹا بیس میں استفسار کی اصلاح کی تکنیک کا جائزہ لیتے ہیں. خاص طور پر، ہم نے ان خصوصیات پر توجہ مرکوز کی ہے جو انہوں نے گراف جیسے اعداد و شمار کو بہتر بنانے کے لئے متعارف کرایا ہے. |
0541d5338adc48276b3b8cd3a141d799e2d40150 | میپ ریڈوس ایک پروگرامنگ ماڈل اور اس سے وابستہ عمل درآمد ہے جس میں بڑے ڈیٹا سیٹ پر کارروائی اور پیدا کرنے کے لئے استعمال کیا جاتا ہے جو حقیقی دنیا کے کاموں کی ایک وسیع اقسام کے لئے موزوں ہے۔ صارفین نقشہ اور ایک کم کرنے کی تقریب کے لحاظ سے حساب کی وضاحت کرتے ہیں، اور بنیادی رن ٹائم سسٹم خود کار طریقے سے مشینوں کے بڑے پیمانے پر کلسٹرز میں حساب کو متوازی کرتا ہے، مشین کی ناکامیوں کو سنبھالتا ہے، اور نیٹ ورک اور ڈسک کا موثر استعمال کرنے کے لئے انٹر مشین مواصلات کا شیڈول کرتا ہے. پروگرامرز کو یہ نظام استعمال کرنا آسان لگتا ہے: پچھلے چار سالوں میں گوگل میں اندرونی طور پر دس ہزار سے زیادہ الگ الگ میپ ریڈس پروگرام نافذ کیے گئے ہیں ، اور گوگل کے کلسٹرز پر ہر روز اوسطا ایک لاکھ میپ ریڈس ملازمتیں انجام دی جاتی ہیں ، جو روزانہ بیس سے زیادہ پیٹا بائٹ ڈیٹا پر کارروائی کرتی ہیں۔ |
683c8f5c60916751bb23f159c86c1f2d4170e43f | |
3a116f2ae10a979c18787245933cb9f984569599 | وائرلیس سینسر نیٹ ورکس (ڈبلیو ایس این) ایپلی کیشنز کی ایک وسیع رینج کے لئے ایک مؤثر حل کے طور پر ابھرا ہے. زیادہ تر روایتی WSN فن تعمیر جامد نوڈس پر مشتمل ہے جو سینسنگ کے علاقے پر گھنے طور پر تعینات ہیں. حال ہی میں، موبائل عناصر (ایم ای) پر مبنی کئی WSN فن تعمیرات کی تجویز کی گئی ہے. ان میں سے اکثر WSNs میں ڈیٹا جمع کرنے کے مسئلے کو حل کرنے کے لئے نقل و حرکت کا استحصال کرتے ہیں. اس مضمون میں ہم سب سے پہلے ایم ایز کے ساتھ ڈبلیو ایس این کی وضاحت کرتے ہیں اور ایم ایز کے کردار کی بنیاد پر ان کے فن تعمیرات کی ایک جامع درجہ بندی فراہم کرتے ہیں۔ پھر ہم اس طرح کے منظر نامے میں ڈیٹا جمع کرنے کے عمل کا ایک جائزہ پیش کرتے ہیں، اور متعلقہ مسائل اور چیلنجوں کی نشاندہی کرتے ہیں. ان مسائل کی بنیاد پر، ہم متعلقہ ادب کا ایک وسیع جائزہ فراہم کرتے ہیں. آخر میں، ہم بنیادی نقطہ نظر اور حل کا موازنہ کرتے ہیں، کھلی مسائل اور مستقبل کی تحقیق کی سمتوں کے اشارے کے ساتھ. |
e7b50e3f56e21fd2a5eb34923d427a0bc6dd8905 | اس مقالے میں مائکروویو فلٹرز کے لئے جوڑنے والے میٹرکس کی ترکیب کے لئے ایک نیا نقطہ نظر پیش کیا گیا ہے۔ نیا نقطہ نظر جوڑنے والے میٹرکس کی ترکیب کے لئے موجودہ براہ راست اور اصلاح کے طریقوں پر ایک پیش رفت کی نمائندگی کرتا ہے کیونکہ اس میں ایک سے زیادہ موجود ہونے پر کسی نیٹ ورک کے لئے تمام ممکنہ جوڑنے والے میٹرکس حلوں کا مکمل طور پر پتہ چل جائے گا۔ اس سے جوڑنے کی اقدار ، گونجنے والی تعدد آفسیٹ ، پرجیوی جوڑنے کی رواداری وغیرہ کا ایک انتخاب کیا جاسکتا ہے جو اس ٹیکنالوجی کے لئے بہترین موزوں ہوگا جس کے ساتھ مائکروویو فلٹر کو تیار کرنا ہے۔ طریقہ کار کے استعمال کو ظاہر کرنے کے لئے، حال ہی میں متعارف کرایا "توسیع باکس" (ای بی) جوڑنے میٹرکس ترتیب کے کیس لیا جاتا ہے. ای بی فلٹر تشکیل کی ایک نئی کلاس کی نمائندگی کرتا ہے جس میں کئی اہم فوائد ہیں، جن میں سے ایک ہر پروٹوٹائپ فلٹرنگ فنکشن کے لئے ایک سے زیادہ جوڑنے والے میٹرکس حل کی موجودگی ہے، مثال کے طور پر 8 ڈگری کے معاملات کے لئے 16۔ یہ کیس ایک مثال کے طور پر استعمال کیا جاتا ہے تاکہ ترکیب کے طریقہ کار کا استعمال ظاہر کیا جاسکے۔ دو موڈ پر عمل درآمد کے لئے موزوں ایک حل اور ایک جہاں کچھ جوڑے اتنے چھوٹے ہیں کہ نظرانداز کیے جائیں۔ انڈیکس شرائط - جوڑنے والے میٹرکس ، فلٹر ترکیب ، گروبنر بیس ، الٹ خصوصیت ، متعدد حل۔ |
a6f1dfcc44277d4cfd8507284d994c9283dc3a2f | ہم نے ایک ایسا کمپیوٹر سسٹم تیار کیا ہے جو حقیقی وقت میں کام کرتا ہے اور کسی شخص کے سر کا پتہ لگاتا ہے اور پھر اس شخص کو پہچانتا ہے اس کے چہرے کی خصوصیات کا موازنہ کرتا ہے اور اسے دوسرے افراد سے ملا دیتا ہے۔ اس نظام میں لیا کمپیوٹیشنل نقطہ نظر دونوں فزیولوجی اور معلومات کے نظریے کی طرف سے حوصلہ افزائی کی جاتی ہے، ساتھ ساتھ عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر عملی طور پر ہمارا نقطہ نظر چہرے کی شناخت کے مسئلے کو دو جہتی (2-D) شناخت کے مسئلے کے طور پر علاج کرتا ہے اس کے بجائے تین جہتی جیومیٹری کی بازیابی کی ضرورت ہوتی ہے، اس حقیقت کا فائدہ اٹھاتے ہوئے کہ چہرے عام طور پر کھڑی ہیں اور اس طرح 2-D خصوصیات کے چھوٹے سیٹ کی طرف سے بیان کیا جا سکتا ہے. یہ نظام چہرے کی تصاویر کو ایک ایسی خصوصیت کی جگہ پر پیش کرکے کام کرتا ہے جو چہرے کی تصاویر کے درمیان اہم تغیرات کو پھیلا دیتا ہے۔ اہم خصوصیات کو "ایجن فیسیز" کے نام سے جانا جاتا ہے ، کیونکہ وہ چہروں کے سیٹ کے ایجن ویکٹر (بنیادی اجزاء) ہیں۔ وہ ضروری طور پر آنکھوں ، کانوں اور ناک جیسی خصوصیات سے مطابقت نہیں رکھتے ہیں۔ پروجیکشن آپریشن ایک فرد کے چہرے کی خصوصیات کو ایک وزن والے مجموعہ کے ذریعہ خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات کی خصوصیات ہمارے نقطہ نظر کے کچھ خاص فوائد یہ ہیں کہ یہ سیکھنے کی صلاحیت فراہم کرتا ہے اور بعد میں نئے چہروں کو بغیر کسی نگرانی کے پہچانتا ہے، اور یہ کہ نیورل نیٹ ورک فن تعمیر کا استعمال کرتے ہوئے لاگو کرنا آسان ہے۔ |
b217788dd6d274ad391ee950e6f6a34033bd2fc7 | ملٹی لیئر پرسپٹرون ، جب بیک پروپیگنڈے کا استعمال کرتے ہوئے درجہ بندی کرنے والے کی حیثیت سے تربیت دی جاتی ہے تو ، بیز کے بہترین امتیازی فعل کو قریب تر دکھایا جاتا ہے۔ نتیجہ دو کلاس مسئلہ اور ایک سے زیادہ کلاسوں کے لئے دونوں کا مظاہرہ کیا جاتا ہے. یہ ظاہر کیا جاتا ہے کہ کثیر پرت perceptron کے نتائج تربیت دی جا رہی کلاسوں کے a posteriori احتمال افعال کے قریب ہیں. ثبوت تہوں کی کسی بھی تعداد اور یونٹ چالو کرنے کی تقریب کی کسی بھی قسم، لکیری یا غیر لکیری پر لاگو ہوتا ہے. |
647cb3825baecb6fab8b098166d5a446f7711f9b | حالیہ برسوں میں ، گہرے پیداواری ماڈل کو تصور کرنے کے لئے دکھایا گیا ہے ، جیسے کہ تصاویر ، آڈیو ، اور یہاں تک کہ ویڈیو جیسے اعلی جہتی مشاہدات ، براہ راست خام اعداد و شمار سے سیکھنا۔ اس کام میں ، ہم پوچھتے ہیں کہ کس طرح ہدف پر مبنی بصری منصوبوں کا تصور کیا جائے - مشاہدات کا ایک قابل اعتماد تسلسل جو متحرک نظام کو اس کی موجودہ ترتیب سے مطلوبہ ہدف کی حالت میں منتقل کرتا ہے ، جسے بعد میں کنٹرول کے لئے حوالہ دار راستے کے طور پر استعمال کیا جاسکتا ہے۔ ہم اعلی جہتی مشاہدات جیسے نظاموں پر توجہ مرکوز کرتے ہیں، جیسے تصاویر، اور ایک نقطہ نظر پیش کرتے ہیں جو قدرتی طور پر نمائندگی سیکھنے اور منصوبہ بندی کو یکجا کرتی ہے. ہمارے فریم ورک ترتیب مشاہدات کی ایک پیداواری ماڈل سیکھتا ہے، جہاں پیداواری عمل ایک کم جہتی منصوبہ بندی کے ماڈل میں منتقلی کی طرف سے حوصلہ افزائی کی جاتی ہے، اور ایک اضافی شور. پیدا مشاہدات اور منصوبہ بندی کے ماڈل میں منتقلی کے درمیان باہمی معلومات کو زیادہ سے زیادہ کرکے، ہم ایک کم جہتی نمائندگی حاصل کرتے ہیں جو اعداد و شمار کی وجہ سے فطرت کی وضاحت کرتا ہے. ہم منصوبہ بندی کے ماڈل کو منظم کرتے ہیں تاکہ وہ موثر منصوبہ بندی کے الگورتھم کے ساتھ مطابقت پذیر ہو ، اور ہم اس طرح کے متعدد ماڈل تجویز کرتے ہیں جو یا تو مجرد یا مستقل حالتوں پر مبنی ہیں۔ آخر میں، ایک بصری منصوبہ تیار کرنے کے لئے، ہم منصوبہ بندی کے ماڈل میں موجودہ اور ہدف مشاہدات کو ان کی متعلقہ ریاستوں پر پیش کرتے ہیں، ایک ٹریکٹری کی منصوبہ بندی کرتے ہیں، اور پھر پیداواری ماڈل کو استعمال کرتے ہیں تاکہ ٹریکٹری کو مشاہدات کے سلسلے میں تبدیل کیا جا سکے. ہم رسی کی ہیرا پھیری کے قابل اعتماد بصری منصوبوں کا تصور کرنے پر اپنا طریقہ کار ظاہر کرتے ہیں3. |
a63b97291149bfed416aa9e56a21314069540a7b | مقصد بچوں اور نوجوانوں میں توجہ کی کمی / ہائپریکٹیوٹی ڈس آرڈر (ADHD) کے ساتھ کام کرنے والی میموری (WM) کے عمل میں کمی کے تجرباتی ثبوت کا تعین کرنا۔ طریقہ کار اے ڈی ایچ ڈی والے بچوں میں WM کی خرابی کی نمائش کے لئے ایکسپلورٹری میٹا تجزیاتی طریقہ کار استعمال کیا گیا تھا۔ 1997 سے دسمبر 2003 تک شائع ہونے والی چھبیس تجرباتی تحقیقی مطالعات (پہلے جائزہ لینے کے بعد) ہمارے شمولیت کے معیار پر پورا اترتی ہیں۔ WM اقدامات کو موڈ (زبانی، مقامی) اور مطلوبہ پروسیسنگ کی قسم (اسٹوریج بمقابلہ اسٹوریج / ہیرا پھیری) کے مطابق درجہ بندی کیا گیا تھا. نتائج ADHD کے ساتھ بچوں نے WM کے متعدد اجزاء میں کمی کا مظاہرہ کیا جو زبان سیکھنے کی خرابیوں اور عمومی فکری صلاحیت میں کمزوری کے ساتھ کاموربڈٹی سے آزاد تھے۔ مجموعی طور پر اثر سائز کے لئے مقامی اسٹوریج (اثر سائز = 0. 85، CI = 0. 62 - 1. 08) اور مقامی مرکزی ایگزیکٹو WM (اثر سائز = 1. 06، اعتماد کی مدت = 0. 72- 1. 39) زبانی اسٹوریج کے لئے حاصل کردہ ان لوگوں سے زیادہ تھے (اثر سائز = 0. 47، اعتماد کی مدت = 0. 36- 0. 59) اور زبانی مرکزی ایگزیکٹو WM (اثر سائز = 0. 43، اعتماد کی مدت = 0. 24- 0. 62). اختتام ADHD کے ساتھ بچوں میں WM خرابیوں کا ثبوت ADHD میں WM عملوں کو شامل کرنے والے حالیہ نظریاتی ماڈل کی حمایت کرتا ہے. مستقبل میں تحقیق کی ضرورت ہے تاکہ ای ڈی ایچ ڈی کی خرابیوں کی نوعیت، شدت اور خاصیت کو واضح طور پر واضح کیا جا سکے۔ |
49e77b981a0813460e2da2760ff72c522ae49871 | گہری سیکھنے بڑے ڈیٹا سیٹ اور کمپیوٹیشنل موثر ٹریننگ الگورتھم کا فائدہ اٹھاتا ہے تاکہ مشین سیکھنے کے مختلف کاموں میں دوسرے طریقوں کو بہتر بنایا جاسکے۔ تاہم، گہرے نیورل نیٹ ورکس کی تربیت کے مرحلے میں خامیوں نے انہیں مخالفین کے نمونے کے لئے کمزور بنا دیا ہے: مخالفین کی طرف سے تیار کردہ ان پٹ جس میں گہرے نیورل نیٹ ورکس کو غلط درجہ بندی کرنے کا ارادہ ہے. اس کام میں ، ہم ڈیف نیورل نیٹ ورکس (ڈی این این) کے خلاف مخالفین کی جگہ کو باضابطہ بناتے ہیں اور ڈی این این کے ان پٹ اور آؤٹ پٹ کے مابین نقشہ سازی کی عین مطابق تفہیم کی بنیاد پر مخالف نمونوں کی کرافٹ کے لئے الگورتھم کی ایک نئی کلاس متعارف کراتے ہیں۔ کمپیوٹر ویژن پر ایک ایپلی کیشن میں، ہم دکھاتے ہیں کہ ہمارے الگورتھم قابل اعتماد طور پر انسانی مضامین کی طرف سے صحیح طریقے سے درجہ بندی کے نمونے پیدا کرسکتے ہیں لیکن 97 فیصد مخالف کامیابی کی شرح کے ساتھ ڈی این این کی طرف سے مخصوص اہداف میں غلطی سے درجہ بندی کرتے ہیں جبکہ فی نمونہ صرف 4.02% فی ان پٹ کی خصوصیات میں ترمیم کرتے ہیں. ہم پھر سختی کی پیمائش کی وضاحت کی طرف سے مخالف پریشانیوں کے لئے مختلف نمونہ کلاسوں کے خطرے کا اندازہ کرتے ہیں. آخر میں، ہم ایک خوشگوار ان پٹ اور ایک ہدف درجہ بندی کے درمیان فاصلے کی ایک پیشن گوئی کی پیمائش کی وضاحت کی طرف سے مخالف نمونے کے خلاف دفاعی outlining ابتدائی کام کی وضاحت. |
3f52f57dcfdd1bb0514ff744f4fdaa986a325591 | ایپل کے میک بک فرم ویئر سیکیورٹی میں کئی خامیاں ہیں جو ان لیپ ٹاپس کے ایس پی آئی فلیش بوٹ روم میں ناقابل اعتماد ترمیمات لکھنے کی اجازت دیتی ہیں۔ یہ صلاحیت ایپل میک بک پروڈکٹ لائن کے لئے مستقل فرم ویئر روٹ کٹس ، یا بوٹ کٹس کی ایک نئی کلاس کی نمائندگی کرتی ہے۔ چپکے بوٹ کٹس خود کو پتہ لگانے سے چھپا سکتے ہیں اور سافٹ ویئر کو ان کو ہٹانے کی کوششوں کو روک سکتے ہیں۔ بوٹ روم میں بدنیتی پر مبنی ترمیم آپریٹنگ سسٹم کی دوبارہ تنصیب اور یہاں تک کہ ہارڈ ڈرائیو کی تبدیلی سے بچنے کے قابل ہیں۔ اس کے علاوہ ، میلویئر اپنے آپ کی ایک کاپی دوسرے تھنڈربلٹ آلات کے آپشن رومز پر انسٹال کرسکتا ہے تاکہ ہوا کے خلا کے حفاظتی حدود میں وائرل طور پر پھیل سکے۔ ایپل نے ان میں سے کچھ کو CVE 2014-4498 کے حصے کے طور پر ٹھیک کیا ہے ، لیکن اس قسم کے خطرے کا کوئی آسان حل نہیں ہے ، کیونکہ میک بک میں بوٹ کے وقت فرم ویئر کی خفیہ کاری کی توثیق کرنے کے لئے قابل اعتماد ہارڈ ویئر کی کمی ہے۔ |
3b3acbf7cc2ec806e4177eac286a2ee22f6f7630 | یہ کاغذ ایک 110 گیگاہرٹج سے زیادہ بینڈوتھ 2: 1 ینالاگ ملٹی پلیکر (AMUX) پیش کرتا ہے جو الٹرا براڈ بینڈ ڈیجیٹل سے ینالاگ (D / A) تبادلوں کے سبسسٹم کے لئے ہے۔ AMUX کو نئے تیار کردہ $ \ pmb{0.25-\ mu \ mathrm{m}} $ - ایمیٹر چوڑائی InP ڈبل ہیٹروجنکشن بائپولر ٹرانجسٹرز (DHBTs) کا استعمال کرتے ہوئے ڈیزائن اور تیار کیا گیا تھا ، جن کی چوٹی $ \ pmb{f_{\ mathrm{T}}} $ اور $ \ pmb{f\displaystyle \ max} $ بالترتیب 460 اور 480 گیگا ہرٹز ہے۔ AMUX IC میں ایک گروپ بلڈنگ بلاکس شامل ہیں ، بشمول ڈیٹا ان پٹ لکیری بفر ، ایک گھڑی ان پٹ محدود کرنے والا بفر ، ایک AMUX کور ، اور آؤٹ پٹ لکیری بفر۔ ڈیٹا اور گھڑی کے راستوں کے لئے ماپا 3 ڈی بی بینڈوتھ دونوں 110 گیگا ہرٹز سے زیادہ ہے۔ اس کے علاوہ، یہ 180 GS / سیکنڈ تک وقت ڈومین بڑے سگنل نمونے لینے کے آپریشنوں کی پیمائش اور حاصل کرتا ہے. اس AMUX کا استعمال کرتے ہوئے 224-Gb / s (112-GBaud) چار سطح پلس-امپیلٹیوڈ ماڈیولیشن (PAM4) سگنل کامیابی سے پیدا کیا گیا تھا۔ ہمارے علم کے مطابق، اس AMUX IC میں سب سے زیادہ بینڈوڈتھ اور سب سے تیز رفتار نمونے لینے کی شرح ہے جو پہلے سے ہی کسی بھی دوسرے AMUXs کے مقابلے میں ہے. |
4dd7721248c5489e25f46f7ab78c7d0229a596d4 | یہ کاغذ ایک مکمل طور پر مربوط RF توانائی کی کٹائی کے نظام متعارف کرایا. نظام بیک وقت بیرونی ڈی سی بوجھ کی طرف سے مطالبہ موجودہ فراہم کر سکتے ہیں اور اضافی پیداوار طاقت کی ادوار کے دوران، بیرونی capacitors میں اضافی توانائی ذخیرہ. ڈیزائن 0.18- $ \mu \text{m}$ CMOS ٹیکنالوجی میں تیار کیا گیا ہے، اور فعال چپ علاقے 1.08 ملی میٹر ہے2. مجوزہ خود کار طریقے سے شروع ہونے والا نظام ایک مربوط ایل سی مماثلت والے نیٹ ورک ، ایک آر ایف ریکٹیفائر ، اور ایک پاور مینجمنٹ / کنٹرولر یونٹ کے ساتھ دوبارہ تشکیل دینے والا ہے ، جو 66-157 نیوکٹ استعمال کرتا ہے۔ گھڑی کی ضرورت کی پیداوار اور وولٹیج ریفرنس سرکٹ ایک ہی چپ پر ضم کر رہے ہیں. ڈیوٹی سائیکل کنٹرول کم ان پٹ پاور کے لئے کام کرنے کے لئے استعمال کیا جاتا ہے جو مطلوبہ آؤٹ پٹ پاور فراہم نہیں کرسکتا ہے۔ اس کے علاوہ، RF ریکٹر کے مراحل کی تعداد دستیاب آؤٹ پٹ پاور کی کارکردگی کو بڑھانے کے لئے دوبارہ ترتیب دی جا سکتی ہے. اعلی دستیاب طاقت کے لئے، ایک بیرونی توانائی اسٹوریج عنصر کو چارج کرنے کے لئے ایک ثانوی راستہ چالو کیا جاتا ہے. ماپا RF ان پٹ پاور حساسیت -14.8 ڈی بی ایم ہے ایک 1-V ڈی سی آؤٹ پٹ پر. |
7314be5cd836c8f06bd1ecab565b00b65259eac6 | الگورتھم کے ایک سوٹ کا سروے کرنا جو بڑے دستاویز آرکائیوز کے انتظام کے لئے حل پیش کرتے ہیں۔ |
f0eace9bfe72c2449f76461ad97c4042d2a7141b | اس خط میں، ڈبلیو بینڈ میں ایک ناول اینٹینا پیکج (AiP) ٹیکنالوجی کی تجویز کی گئی ہے. یہ ٹیکنالوجی خصوصی کیس کو حل کرنے کے لئے پیش کی جاتی ہے کہ دھاتی پیکیج کو اعلی میکانی طاقت کو ایڈجسٹ کرنے کے لئے استعمال کیا جانا چاہئے. ملٹی لیئر کم درجہ حرارت کو باہمی طور پر آگ لگائے جانے والے سیرامک (ایل ٹی سی سی) ٹیکنالوجی کے فوائد کو لے کر ، اینٹینا کی تابکاری کی کارکردگی کو برقرار رکھا جاسکتا ہے۔ دریں اثنا، اعلی میکانی طاقت اور ڈھالنے کی کارکردگی حاصل کی جاتی ہے. اے آئی پی کا ایک پروٹو ٹائپ ڈیزائن کیا گیا ہے. پروٹوٹائپ ایک مربوط LTCC اینٹینا، کم نقصان فیڈر، اور ایک tapered سینگ aperture کے ساتھ دھاتی پیکیج تشکیل دیتا ہے. یہ ایل ٹی سی سی فیڈر لامینٹڈ ویو گائیڈ (ایل ڈبلیو جی) کے ذریعے حاصل کیا جاتا ہے۔ ایل ٹی سی سی میں دفن ہونے والی ایل ڈبلیو جی کی ایک گہا اینٹینا امپرنس بینڈوتھ کو بڑھانے کے لئے استعمال کی جاتی ہے۔ الیکٹرو میگنیٹک (ای ایم) تخروپن اور اینٹینا کی کارکردگی کی پیمائش دلچسپی کی پوری تعدد کی حد میں اچھی طرح سے اتفاق کرتی ہے۔ مجوزہ پروٹوٹائپ 88 سے 98 گیگاہرٹز تک 10 گیگاہرٹز کی -10 ڈی بی امپیڈینس بینڈوتھ اور 89 گیگاہرٹز پر 12.3 ڈی بی آئی کی چوٹی حاصل کرتا ہے۔ |
2077d0f30507d51a0d3bbec4957d55e817d66a59 | ہم ایک فریم ورک تیار کرتے ہیں عام، اظہار خیالی تصویری پیش نظارہ سیکھنے کے لیے جو قدرتی مناظر کے اعدادوشمار پر قبضہ کرتے ہیں اور مشین ویژن کے مختلف کاموں کے لیے استعمال کیا جا سکتا ہے۔ یہ نقطہ نظر توسیع پکسل پڑوس پر ممکنہ افعال سیکھنے کی طرف سے روایتی مارکوف بے ترتیب فیلڈ (MRF) ماڈل کو بڑھا دیتا ہے. فیلڈ کے امکانات کو پروڈکٹ آف ماہرین فریم ورک کا استعمال کرتے ہوئے ماڈل کیا جاتا ہے جو بہت سے لکیری فلٹر کے جوابات کے غیر لکیری افعال کا استحصال کرتا ہے۔ پچھلے ایم آر ایف کے نقطہ نظر کے برعکس تمام پیرامیٹرز ، بشمول لکیری فلٹرز خود ، تربیت کے اعداد و شمار سے سیکھے جاتے ہیں۔ ہم ماہرین کے اس فیلڈ ماڈل کی صلاحیتوں کو دو مثال کے ساتھ ظاہر کرتے ہیں ایپلی کیشنز ، تصویری ڈینوسنگ اور تصویری انپینٹنگ ، جو ایک سادہ ، قریب قریب استنباطی اسکیم کا استعمال کرتے ہوئے نافذ کی جاتی ہیں۔ جبکہ ماڈل کو عام امیج ڈیٹا بیس پر تربیت دی جاتی ہے اور کسی خاص ایپلی کیشن کی طرف ٹون نہیں کیا جاتا ہے ، ہم ایسے نتائج حاصل کرتے ہیں جو خصوصی تکنیکوں کے ساتھ مقابلہ کرتے ہیں اور یہاں تک کہ بہتر بھی کرتے ہیں۔ |
214658334c581f0d18b9a871928e91b6e4f83be7 | یہ خیال سوئچڈ کنڈسیٹر ٹوپولوجی کی طرح ہے جس میں وولٹیج کو متوازن کرنے کے لئے بیٹری کے خلیوں میں ایک کنڈسیٹر یا کنڈسیٹر بینکوں کو سوئچ کیا جاتا ہے۔ چونکہ بیٹری سیل کے بنیادی ماڈل میں سیل کے گنجائش اثر کی وجہ سے گنجائش شامل ہے ، لہذا اس گنجائش اثر کو سیل توازن میں استعمال کیا جاسکتا ہے۔ اس طرح سوئچڈ کنڈیشٹر ٹوپولوجی میں ایکویلیزر کیپسیٹرز کو ختم کیا جاسکتا ہے اور بیٹری کے خلیات ایک دوسرے کے ساتھ سوئچ کیے جاسکتے ہیں۔ اس سے توانائی کی تیزی سے منتقلی کی اجازت ملتی ہے اور اس طرح تیزی سے مساوات کا نتیجہ ہوتا ہے۔ مجوزہ ٹوپولوجی اضافی توانائی ذخیرہ کرنے والے عناصر جیسے کیپسیٹرز کی ضرورت کو ختم کرتی ہے جو اکثر پاور الیکٹرانک سرکٹس میں ناکام ہوجاتے ہیں ، اضافی توانائی ذخیرہ کرنے والے عناصر اور سرکٹس کی لاگت اور حجم کے ذریعہ داخل ہونے والے نقصانات کو کم کرتی ہے اور کنٹرول الگورتھم کو آسان بناتی ہے۔ تجویز کردہ توازن سرکٹ درخواست کی ضرورت کے مطابق لاگو کیا جا سکتا ہے. مجوزہ ٹوپولوجی MATLAB/Simulink ماحول میں تخروپن ہے اور سوئچڈ سندارتر ٹوپولوجی کے مقابلے میں توازن کی رفتار کے لحاظ سے بہتر نتائج دکھائے گئے. بیٹریاں کی زندگی کے سائیکل کو بڑھانے اور بیٹریوں سے زیادہ سے زیادہ طاقت نکالنے کے لئے سیل توازن سرکٹس اہم ہیں. بیٹری پیکجوں میں سیل توازن کے لئے بہت طاقت الیکٹرانکس ٹوپولوجی کی کوشش کی گئی ہے. فعال سیل توازن ٹوپولوجی بیٹری کے خلیوں میں وولٹیج کو متوازن کرنے کے لئے اعلی کارکردگی دکھانے والے خلیوں سے کم کارکردگی دکھانے والے خلیوں میں توانائی کی منتقلی کرتے ہیں جیسے انڈکٹر-کیپسیٹر یا ٹرانسفارمر-کیپسیٹر یا سوئچڈ کیپسیٹر یا سوئچڈ انڈکٹر کا مجموعہ۔ اس مطالعہ میں کسی بھی توانائی اسٹوریج عنصر کا استعمال کئے بغیر ایک فعال توازن ٹوپولوجی تجویز کی جاتی ہے. |
0c04909ed933469246defcf9aca2b71ae8e3f623 | اس کتاب کے دوسرے ایڈیشن میں اہم تبدیلی احتمال کی بازیافت پر ایک نیا باب کا اضافہ ہے. یہ باب شامل کیا گیا ہے کیونکہ میں سوچتا ہوں کہ یہ معلومات کی بازیابی میں تحقیق کے سب سے زیادہ دلچسپ اور فعال علاقوں میں سے ایک ہے. ابھی بھی بہت سے مسائل حل کرنے ہیں لہذا مجھے امید ہے کہ یہ خاص باب ان لوگوں کے لئے کچھ مدد کرے گا جو اس علاقے میں علم کی حالت کو آگے بڑھانا چاہتے ہیں. دیگر تمام ابواب میں ان موضوعات پر حالیہ کام شامل کر کے تازہ کاری کی گئی ہے۔ اس نئے ایڈیشن کی تیاری میں میں نے بروس کروفٹ کے ساتھ بات چیت سے فائدہ اٹھایا ہے۔ اس کتاب کا مواد اعلی درجے کی انڈرگریجویٹ انفارمیشن (یا کمپیوٹر) سائنس کے طلباء ، پوسٹ گریجویٹ لائبریری سائنس کے طلباء اور IR کے میدان میں تحقیقی کارکنوں کے لئے ہے۔ بعض باب خاص طور پر باب 6* میں ریاضی کے کچھ اعلی درجے کا سادہ استعمال کیا گیا ہے۔ تاہم، ضروری ریاضی کے اوزار آسانی سے بہت سے ریاضی کے نصوص سے مہارت حاصل کی جا سکتی ہیں جو اب موجود ہیں اور، کسی بھی صورت میں، حوالہ جات دیئے گئے ہیں جہاں ریاضی ہوتی ہے. مجھے وضاحت کی وضاحت اور حوالوں کی کثافت کے درمیان توازن قائم کرنے کا مسئلہ درپیش تھا۔ میں نے بہت سے حوالہ جات دینے کے لئے لالچ میں تھا لیکن وہ متن کے تسلسل کو تباہ کر دیا ہے گا ڈر تھا. میں نے ایک درمیانی کورس کو چلانے کی کوشش کی ہے اور انفارمیشن سائنس اور ٹیکنالوجی کے سالانہ جائزہ کے ساتھ مقابلہ نہیں کیا ہے. عام طور پر ایک کو صرف ان کاموں کا حوالہ دینے کی ترغیب دی جاتی ہے جو کسی آسانی سے قابل رسائی شکل میں شائع ہوچکے ہیں ، جیسے کتاب یا دورانیہ۔ بدقسمتی سے، IR میں دلچسپ کام میں سے بہت سے تکنیکی رپورٹوں میں موجود ہے اور پی ایچ ڈی. مثال کے طور پر، کورنیل میں SMART نظام پر کیا کام کی سب سے زیادہ صرف رپورٹوں میں دستیاب ہے. خوش قسمتی سے ان میں سے بہت سے اب نیشنل ٹیکنیکل انفارمیشن سروس (امریکہ) اور یونیورسٹی مائیکرو فلمز (برطانیہ) کے ذریعے دستیاب ہیں۔ میں نے ان ذرائع کے استعمال سے گریز نہیں کیا ہے اگرچہ اگر ایک ہی مواد کسی اور شکل میں زیادہ آسانی سے قابل رسائی ہے تو میں نے اسے ترجیح دی ہے۔ میں بہت سے لوگوں اور اداروں کے لئے اپنے کافی قرض کا اعتراف کرنا چاہوں گا جنہوں نے میری مدد کی ہے. مجھے پہلے یہ کہنا چاہیے کہ اس کتاب میں بہت سے خیالات کے ذمہ دار وہ ہیں لیکن میں چاہتا ہوں کہ صرف مجھے ہی اس کا ذمہ دار ٹھہرایا جائے۔ میرا سب سے بڑا قرض ہے کارن سپارک جونز کے لیے جنہوں نے مجھے معلومات کی بازیافت کو ایک تجرباتی سائنس کے طور پر تحقیق کرنا سکھایا۔ نک جارڈین اور رابن ... |
3cfbb77e5a0e24772cfdb2eb3d4f35dead54b118 | سیاق و سباق کی پیش گوئی کرنے والے ماڈل (جو عام طور پر ایمبیڈینس یا نیورل لینگویج ماڈل کے نام سے جانا جاتا ہے) تقسیم کے سیمنٹکس بلاک میں نئے بچے ہیں۔ ان ماڈلز کے ارد گرد کے بز کے باوجود ، ادب میں ابھی بھی کلاسیکی ، گنتی ویکٹر پر مبنی تقسیماتی معنوی نقطہ نظر کے ساتھ پیشن گوئی کرنے والے ماڈلز کا منظم موازنہ کی کمی ہے۔ اس کاغذ میں، ہم اس طرح کے وسیع پیمانے پر تشخیص کرتے ہیں، لیکسیکل سیمنٹکس کے کاموں کی ایک وسیع رینج پر اور بہت سے پیرامیٹر کی ترتیبات میں. نتائج، ہماری اپنی حیرت کے لئے، ظاہر کرتے ہیں کہ buzz مکمل طور پر جائز ہے، کے طور پر سیاق و سباق کی پیشن گوئی ماڈل ان کے شمار کی بنیاد پر ہم منصبوں کے خلاف ایک مکمل اور resounding فتح حاصل. |
9ec20b90593695e0f5a343dade71eace4a5145de | 1طالب علم،ڈیپٹ. کمپیوٹر انجینئرنگ کے شعبہ کے ڈائریکٹر ، ویسٹ ، مہاراشٹر ، ہندوستان ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ اس کا مقصد انسانی دماغ کی طرح کام کرنا ہے، جس میں پیچیدہ اعداد و شمار سے سیکھنے اور عمل کرنے کی صلاحیت ہے اور پیچیدہ کاموں کو حل کرنے کی بھی کوشش کرتا ہے۔ اس کی صلاحیت کی وجہ سے ، یہ مختلف شعبوں جیسے متن ، آواز ، تصاویر وغیرہ میں استعمال کیا گیا ہے۔ قدرتی زبان کے عمل کو گہری سیکھنے کی تکنیکوں سے متاثر ہونا شروع ہو گیا ہے. اس تحقیقی مقالے میں قدرتی زبان کی پروسیسنگ میں گہری سیکھنے کی حالیہ پیشرفت اور ایپلی کیشنز پر روشنی ڈالی گئی ہے۔ |
cc13fde0a91f4d618e6af66b49690702906316ae | حالیہ برسوں میں کلاؤڈ کمپیوٹنگ اور بڑے اعداد و شمار کے دور کی ترقی کا مشاہدہ کیا گیا ہے ، جو روایتی فیصلے کے درخت الگورتھم کو چیلنج کرتا ہے۔ سب سے پہلے، کے طور پر ڈیٹا سیٹ کا سائز انتہائی بڑا ہو جاتا ہے، ایک فیصلہ درخت کی تعمیر کے عمل کو کافی وقت لگتا ہے کر سکتے ہیں. دوسرا، کیونکہ ڈیٹا میموری میں مزید فٹ نہیں ہوسکتا ہے، کچھ حساب کو بیرونی اسٹوریج میں منتقل کرنا پڑتا ہے اور اس وجہ سے I / O کی قیمت میں اضافہ ہوتا ہے. اس مقصد کے لئے، ہم ایک عام فیصلہ درخت الگورتھم، C4.5، MapReduce پروگرامنگ ماڈل کا استعمال کرتے ہوئے لاگو کرنے کی تجویز. خاص طور پر، ہم روایتی الگورتھم کو نقشہ اور کم کرنے کے طریقہ کار کی ایک سیریز میں تبدیل کرتے ہیں. اس کے علاوہ، ہم کم سے کم مواصلات کی لاگت کو کم کرنے کے لئے کچھ ڈیٹا ڈھانچے ڈیزائن. ہم بڑے پیمانے پر ڈیٹا سیٹ پر وسیع پیمانے پر تجربات بھی کرتے ہیں۔ نتائج سے پتہ چلتا ہے کہ ہمارا الگورتھم وقت کی کارکردگی اور توسیع دونوں کو ظاہر کرتا ہے. |
d73a71fa24b582accb934a9c2308567376ff396d | تھری ڈی جیو ڈیٹا بیس ریسرچ ایک ایسا میدان ہے جو تھری ڈی شہری منصوبہ بندی، ماحولیاتی نگرانی، انفراسٹرکچر مینجمنٹ اور ابتدائی وارننگ یا ڈیزاسٹر مینجمنٹ اور رسپانس جیسے چیلنجنگ ایپلی کیشنز کی حمایت کرنے کا وعدہ کرتا ہے۔ ان شعبوں میں، جی آئی ایس سائنس اور متعلقہ شعبوں میں بین الضابطہ تحقیق کی ضرورت ہے تاکہ بڑے جیو ریفرنڈڈ ڈیٹا سیٹوں کی ماڈلنگ، تجزیہ، انتظام اور انضمام کی حمایت کی جاسکے، جو انسانی سرگرمیوں اور جیو فزیکل مظاہر کی وضاحت کرتے ہیں. جیو ڈیٹا بیس 2D نقشے، 3D جیو سائنسی ماڈل، اور دیگر جیو حوالہ شدہ ڈیٹا کو ضم کرنے کے لئے پلیٹ فارم کے طور پر کام کرسکتے ہیں. تاہم، موجودہ جیو ڈیٹا بیس کافی 3D ڈیٹا ماڈلنگ اور ڈیٹا ہینڈلنگ تکنیک فراہم نہیں کرتے. سطح اور حجم ماڈل کو ہینڈل کرنے کے لئے نئے 3D جیو ڈیٹا بیس کی ضرورت ہے. یہ مضمون سب سے پہلے جیو ڈیٹا بیس ریسرچ کے 25 سالہ پس منظر پیش کرتا ہے۔ ڈیٹا ماڈلنگ، معیارات، اور جیو ڈیٹا کی انڈیکسنگ پر تفصیل سے بحث کی جاتی ہے. 3D جیو ڈیٹا بیس کی ترقی کے لئے نئی ہدایات کو بین الضابطہ تحقیق کے لئے نئے شعبوں کو کھولنے کے لئے خطاب کیا جاتا ہے. ابتدائی انتباہ اور ہنگامی ردعمل کے شعبوں میں دو منظرنامے انسانی اور جیو فزیکل مظاہر کے مشترکہ انتظام کا مظاہرہ کرتے ہیں۔ مضمون کا اختتام کھلی تحقیق کے مسائل پر تنقیدی نقطہ نظر کے ساتھ ہوتا ہے۔ & 2011 ایلسیویئر لمیٹڈ۔ تمام حقوق محفوظ ہیں۔ |
dce7a0550b4d63f6fe2e6908073ce0ce63626b0c | جیسے جیسے ہم روبوٹکس اور مصنوعی ذہانت میں آٹومیشن کی راہ پر گامزن ہوتے ہیں، ہمیں اخلاقی فیصلے کرنے کے عمل کو خود کار بنانے کی ضرورت ہوگی تاکہ ہمارے آلات ہم سے آزادانہ طور پر کام کر سکیں۔ لیکن اخلاقی فیصلے کرنے کو خودکار بنانا انجینئرز اور ڈیزائنرز کے لیے نئے سوالات پیدا کرتا ہے، جنہیں فیصلہ کرنا ہوگا کہ وہ اس کام کو کیسے انجام دیں گے۔ مثال کے طور پر، کچھ اخلاقی فیصلہ سازی مشکل اخلاقی مقدمات شامل ہیں، جس میں باری میں صارف ان پٹ کی ضرورت ہوتی ہے اگر ہم خود مختاری اور باخبر رضامندی کے ارد گرد قائم کردہ معیار کا احترام کرنا چاہتے ہیں. مصنف اس اور دیگر اخلاقی تحفظات پر غور کرتا ہے جو اخلاقی فیصلہ سازی کے آٹومیشن کے ساتھ ہوتا ہے۔ وہ کچھ عمومی اخلاقی تقاضوں کی تجویز کرتا ہے جن کو ڈیزائن روم میں مدنظر رکھا جانا چاہئے ، اور ایک ڈیزائن ٹول کا خاکہ پیش کرتا ہے جو انجینئرز ، ڈیزائنرز ، اخلاقیات اور پالیسی سازوں کو یہ فیصلہ کرنے میں مدد کے لئے ڈیزائن کے عمل میں ضم کیا جاسکتا ہے کہ اخلاقی فیصلے کرنے کی کچھ شکلوں کو خودکار بنانے کا بہترین طریقہ کس طرح ہے۔ |
ab19cbea5c61536b616cfa7654cf01bf0621b83f | |
102153467f27d43dd1db8a973846d3ac10ffdc3c | صحت کی دیکھ بھال انٹرنیٹ آف تھنگس (آئی او ٹی) ٹیکنالوجی کے سب سے تیزی سے پھیلنے والے اطلاق کے شعبوں میں سے ایک ہے۔ آئی او ٹی آلات کا استعمال دل کی بیماریوں جیسے دائمی بیماریوں والے مریضوں کی ریموٹ ہیلتھ مانیٹرنگ کے لئے کیا جاسکتا ہے۔ اس مقالے میں ہم نے دل کی دھڑکن کی تشخیص کے لئے ای سی جی تجزیہ اور درجہ بندی کے لئے ایک الگورتھم تیار کیا ہے، اور اسے آئی او ٹی پر مبنی ایمبیڈڈ پلیٹ فارم پر لاگو کیا ہے. یہ الگورتھم ایک پہنے جانے والے ای سی جی تشخیصی آلہ کے لئے ہماری تجویز ہے، جو مریض کی 24 گھنٹے مسلسل نگرانی کے لئے موزوں ہے۔ ہم ECG تجزیہ کے لئے ڈسکرٹ ویوولیٹ ٹرانسفارمر (DWT) ، اور سپورٹ ویکٹر مشین (SVM) درجہ بندی کا استعمال کرتے ہیں۔ درجہ بندی کی بہترین درستگی حاصل کی گئی ہے 98.9٪، سائز 18 کے ایک خصوصیت ویکٹر کے لئے، اور 2493 سپورٹ ویکٹر. گالیلو بورڈ پر الگورتھم کے مختلف نفاذ سے یہ ظاہر کرنے میں مدد ملتی ہے کہ کمپیوٹیشنل لاگت ایسی ہے کہ ای سی جی تجزیہ اور درجہ بندی حقیقی وقت میں کی جاسکتی ہے۔ |
44159c85dec6df7a257cbe697bfc854ecb1ebb0b | نیشنل انسٹی ٹیوٹ آف ہیلتھ کے نیشنل سینٹر فار ریسرچ ریسورسز کے زیر اہتمام تشکیل دیئے گئے کمپلیکس فزیولوجیکل سگنلز کے لئے نئے افتتاح شدہ ریسرچ ریسورس کا مقصد کارڈیواسکولر اور دیگر پیچیدہ بائیو میڈیکل سگنلز کے مطالعہ میں موجودہ تحقیق اور نئی تحقیقات کو فروغ دینا ہے۔ وسائل میں 3 باہمی انحصار والے اجزاء ہیں۔ فزیو بینک حیاتیاتی طبی تحقیقی برادری کے استعمال کے لئے جسمانی سگنل اور متعلقہ اعداد و شمار کی اچھی طرح سے خصوصیات والے ڈیجیٹل ریکارڈنگ کا ایک بڑا اور بڑھتا ہوا آرکائیو ہے۔ اس میں فی الحال صحت مند افراد اور مختلف قسم کے عوامی صحت کے اہم اثرات کے حامل مریضوں سے ملٹی پیرامیٹر کارڈیپلمونری ، اعصابی اور دیگر بائیو میڈیکل سگنل کے ڈیٹا بیس شامل ہیں ، جن میں جان لیوا آریتھمیا ، دل کی ناکامی ، نیند اپنایا ، اعصابی امراض اور عمر بڑھنا شامل ہیں۔ فزیو ٹول کٹ فزیولوجی سگنل پروسیسنگ اور تجزیہ کے لئے اوپن سورس سافٹ ویئر کا ایک لائبریری ہے ، جس میں کلاسیکی تکنیک اور نئے طریقوں دونوں کا استعمال کرتے ہوئے جسمانی طور پر اہم واقعات کا پتہ لگانے کے لئے استعمال کیا جاتا ہے۔ اعدادوشمار طبیعیات اور غیر لکیری حرکیات پر مبنی ، سگنل کی انٹرایکٹو ڈسپلے اور خصوصیات ، نئے ڈیٹا بیس کی تخلیق ، فزیولوجی اور دیگر سگنل کی تخروپن ، تجزیہ کے طریقوں کی مقداری تشخیص اور موازنہ ، اور غیر مستحکم عمل کا تجزیہ۔ فزیو نیٹ ایک آن لائن فورم ہے جس میں ریکارڈ شدہ حیاتیاتی طبی اشاروں اور ان کا تجزیہ کرنے کے لئے اوپن سورس سافٹ ویئر کی تقسیم اور تبادلہ ہوتا ہے۔ یہ اعداد و شمار کے تعاون کے تجزیہ اور مجوزہ نئے الگورتھم کی تشخیص کے لئے سہولیات فراہم کرتا ہے. ورلڈ وائڈ ویب کے ذریعے PhysioBank ڈیٹا اور PhysioToolkit سافٹ ویئر تک مفت الیکٹرانک رسائی فراہم کرنے کے علاوہ (http://www.physionet. PhysioNet آن لائن سبق کے ذریعے خدمات اور تربیت فراہم کرتا ہے تاکہ مختلف سطحوں کی مہارت کے ساتھ صارفین کی مدد کی جا سکے. |
a92eac4415719698d7d2097ef9564e7b36699010 | مقصد - کارپوریٹ پائیداری اور اس کی کارکردگی کے بارے میں جائزہ لینے اور رپورٹ کرنے میں اسٹیک ہولڈرز کو شامل کرنے کے نقطہ نظر کے طور پر سماجی آڈٹ کی قابل اطلاق کی شناخت کرنا۔ ڈیزائن / طریقہ کار / نقطہ نظر - AA1000 کے فریم ورک اور سماجی آڈیٹنگ کے مطالعے پر روشنی ڈالتے ہوئے ، یہ کاغذ کارپوریٹ پائیداری سے نمٹنے کے لئے مکالمے پر مبنی سماجی آڈیٹنگ کو لاگو کرنے کے مقصد سے اسٹیک ہولڈر کی شمولیت ، سماجی آڈیٹنگ اور کارپوریٹ پائیداری کو جوڑتا ہے۔ نتائج - اس دستاویز میں کارپوریٹ پائیداری اور سماجی آڈٹ کے درمیان ایک مطابق کی نشاندہی کی گئی ہے، کیونکہ دونوں کا مقصد ایک تنظیم کی سماجی، ماحولیاتی اور اقتصادی کارکردگی کو بہتر بنانا ہے، اس سے متعلقہ حصول داروں کی وسیع پیمانے پر فلاح و بہبود پر غور کرنا اور اس عمل میں حصول داروں کی شمولیت کی ضرورت ہوتی ہے. اس دستاویز میں تجویز کیا گیا ہے کہ اسٹیک ہولڈرز کو بات چیت کے ذریعے شامل کرنے کے ذریعے سماجی آڈٹ کو ٹرسٹ بنانے ، عزم کی نشاندہی کرنے اور اسٹیک ہولڈرز اور کارپوریشنوں کے مابین تعاون کو فروغ دینے کے لئے لاگو کیا جاسکتا ہے۔ تحقیق کی حدود/اثرات - اس تحقیق میں کارپوریٹ پائیداری سے نمٹنے اور مکالمے پر مبنی سماجی آڈٹ کی حدود کا تعین کرنے میں سماجی آڈٹ کی عملیتا پر مزید تجرباتی تحقیق کی ضرورت ہے۔ عملی اثرات - سماجی آڈٹ ایک جمہوری کاروباری معاشرے میں اسٹیک ہولڈرز اور کارپوریشنوں کے درمیان مختلف مفادات کو متوازن کرنے کے لئے ایک مفید طریقہ کار کے طور پر شناخت کیا گیا ہے. کارپوریٹ پائیداری کی ترقی اور حصول میں سماجی آڈٹ کے اطلاق کو بظاہر عملی مضمرات ہیں. اصلیت/قیمت - یہ کاغذ کاروبار کو پائیداری کی طرف منتقل کرنے میں مدد کرنے میں مکالمے پر مبنی سماجی آڈٹ کی قابل اطلاقیت کا جائزہ لیتا ہے. سماجی آڈٹ کو کارپوریٹ سماجی اور ماحولیاتی کارکردگی کا اندازہ لگانے اور اس کے بارے میں رپورٹ دینے کے عمل کے طور پر اسٹیک ہولڈرز کو بات چیت کے ذریعے شامل کرکے اعتماد پیدا کرنے ، عزم کی نشاندہی کرنے اور اسٹیک ہولڈرز اور کارپوریشنوں کے مابین تعاون کو فروغ دینے کے لئے استعمال کیا جاسکتا ہے۔ |
915c4bb289b3642489e904c65a47fa56efb60658 | ہم تصویر کی تبدیلی کے مسائل پر غور کرتے ہیں، جہاں ایک ان پٹ تصویر ایک آؤٹ پٹ تصویر میں تبدیل کیا جاتا ہے. اس طرح کے مسائل کے لئے حالیہ طریقوں عام طور پر فیڈ فارورڈ کنولوشنل نیورل نیٹ ورکس کو آؤٹ پٹ اور گراؤنڈ سچائی کی تصاویر کے درمیان فی پکسل نقصان کا استعمال کرتے ہوئے تربیت دیتے ہیں۔ متوازی کام سے پتہ چلتا ہے کہ اعلی معیار کی تصاویر کو پہلے سے تربیت یافتہ نیٹ ورکس سے نکالی گئی اعلی سطح کی خصوصیات کی بنیاد پر ادراک کے نقصان کے افعال کی وضاحت اور اصلاح کرکے تیار کیا جاسکتا ہے۔ ہم دونوں نقطہ نظر کے فوائد کو یکجا کرتے ہیں، اور تصویر کی تبدیلی کے کاموں کے لئے فیڈ فارورڈ نیٹ ورکس کی تربیت کے لئے ادراک نقصان کے افعال کا استعمال کرتے ہیں. ہم تصویر کے انداز کی منتقلی کے نتائج دکھاتے ہیں، جہاں فیڈ فارورڈ نیٹ ورک کو تربیت دی جاتی ہے تاکہ اصل وقت میں گیٹس اور دیگر کی طرف سے تجویز کردہ اصلاح کے مسئلے کو حل کیا جا سکے. اصلاح پر مبنی طریقہ کے مقابلے میں، ہمارا نیٹ ورک اسی طرح کے کوالٹی نتائج دیتا ہے لیکن تین آرڈر کی رفتار سے تیز ہے. ہم ایک ہی تصویر کے ساتھ بھی تجربہ کرتے ہیں سپر ریزولوشن، جہاں فی پکسل نقصان کی جگہ ایک ادراک نقصان دیتا ہے بصری طور پر خوشگوار نتائج. |
9201bf6f8222c2335913002e13fbac640fc0f4ec | |
929a376c6fea1376baf40fc2979cfbdd867f03ab | نقصان دہ تصویر کمپریشن کے طریقوں کو ہمیشہ مختلف ناپسندیدہ آرٹیفیکٹس کو کمپریسڈ نتائج میں متعارف کرایا جاتا ہے، خاص طور پر کم بٹ کی شرح پر. حالیہ برسوں میں، جے پی ای جی کمپریسڈ تصاویر کے لئے بہت سے مؤثر نرم ڈیکوڈنگ طریقوں کی تجویز کی گئی ہے. تاہم، ہمارے علم کے بہترین کے طور پر، JPEG 2000 کمپریسڈ تصاویر کے نرم ڈیکوڈنگ پر بہت کم کام کیا گیا ہے. مختلف کمپیوٹر ویژن کاموں میں کنوولیشن نیورل نیٹ ورک (سی این این) کی شاندار کارکردگی سے متاثر ہوکر ، ہم متعدد بٹ ریٹ سے چلنے والے گہرے سی این این کا استعمال کرتے ہوئے جے پی ای جی 2000 کے لئے ایک نرم ڈیکوڈنگ طریقہ پیش کرتے ہیں۔ زیادہ خاص طور پر، تربیت کے مرحلے میں، ہم اعلی معیار کی تربیت کی تصاویر اور مختلف کوڈنگ بٹ کی شرح پر متعلقہ JPEG 2000 کمپریسڈ تصاویر کا استعمال کرتے ہوئے گہری CNNs کی ایک سیریز کی تربیت. ٹیسٹنگ مرحلے میں ، ان پٹ کمپریسڈ امیج کے لئے ، قریب ترین کوڈنگ بٹ ریٹ کے ساتھ تربیت یافتہ سی این این کو نرم ڈیکوڈنگ انجام دینے کے لئے منتخب کیا جاتا ہے۔ وسیع تجربات پیش کردہ نرم ڈیکوڈنگ فریم ورک کی تاثیر کا مظاہرہ کرتے ہیں ، جو جے پی ای جی 2000 کمپریسڈ امیجز کے بصری معیار اور مقصد کے اسکور کو بہت بہتر بناتا ہے۔ |
cfa092829c4c7a42ec77ab6844661e1dae082172 | بٹ کوائن نے ایک نیا تصور متعارف کرایا ہے جو ممکنہ طور پر پورے انٹرنیٹ میں انقلاب لا سکتا ہے جیسا کہ یہ موجود ہے ، اور بہت ساری قسم کی صنعتوں پر مثبت اثر ڈال سکتا ہے ، بشمول ، لیکن اس تک محدود نہیں ، بینکاری ، سرکاری شعبہ اور سپلائی چین۔ یہ جدت طرازی چھدم نام نہاد پر مبنی ہے اور بلاکچین ٹیکنالوجی پر مبنی اس کے جدید وکندریقرت فن تعمیر پر کوشش کرتا ہے. بلاکچین ایک مرکزی اتھارٹی کی ضرورت کے بغیر ٹرسٹ کے قیام کے ساتھ ٹرانزیکشن پر مبنی ایپلی کیشنز کی دوڑ کو آگے بڑھاتا ہے ، جس سے کاروباری عمل کے اندر احتساب اور شفافیت کو فروغ ملتا ہے۔ تاہم ، ایک بلاکچین لیجر (جیسے ، بٹ کوائن) بہت پیچیدہ اور خصوصی ٹولز بن جاتا ہے ، جسے اجتماعی طور پر بلاکچین تجزیات کہا جاتا ہے ، افراد ، قانون نافذ کرنے والے اداروں اور خدمت فراہم کرنے والوں کو تلاش کرنے ، دریافت کرنے اور اس کا تصور کرنے کی اجازت دینے کی ضرورت ہے۔ گزشتہ سالوں میں، کئی تجزیاتی اوزار صلاحیتوں کے ساتھ تیار کیا گیا ہے جو مثال کے طور پر، تعلقات کا نقشہ بنانے، ٹرانزیکشنز کے بہاؤ کی جانچ پڑتال اور مجرمانہ واقعات کو فلٹر کرنے کے لئے فارنزک تحقیقات کو بڑھانے کے لئے ایک طریقہ کے طور پر اجازت دیتا ہے. اس مقالے میں بلاکچین تجزیاتی ٹولز کی موجودہ حالت پر تبادلہ خیال کیا گیا ہے اور ان کی ایپلی کیشنز پر مبنی ایک موضوعاتی درجہ بندی کا ماڈل پیش کیا گیا ہے۔ یہ مستقبل کی ترقی اور تحقیق کے لئے کھلی چیلنجوں کا بھی جائزہ لیتا ہے. |
2e5fadbaab27af0c2b5cc6a3481c11b2b83c4f94 | ہم ایک تصویر کے پیچھے فوٹوگرافر کی شناخت کے نئے مسئلے کا تعارف کراتے ہیں۔ اس مسئلے کو حل کرنے کے لئے موجودہ کمپیوٹر ویژن تکنیک کی فزیبلٹی کو دریافت کرنے کے لئے، ہم نے ایک نیا ڈیٹا سیٹ بنایا جس میں 180,000 سے زیادہ تصاویر تھیں جو 41 معروف فوٹوگرافروں نے لی تھیں۔ اس ڈیٹا سیٹ کا استعمال کرتے ہوئے، ہم نے فوٹوگرافر کی شناخت میں مختلف خصوصیات (کم اور اعلی سطح، بشمول سی این این کی خصوصیات) کی تاثیر کا جائزہ لیا. ہم نے اس کام کے لیے ایک نیا گہرا کنولوشن نیورل نیٹ ورک بھی تیار کیا ہمارے نتائج سے پتہ چلتا ہے کہ اعلی سطح کی خصوصیات کم سطح کی خصوصیات سے بہت زیادہ بہتر ہیں. ہم ان سیکھے ہوئے ماڈلز کا استعمال کرتے ہوئے کوالٹی نتائج فراہم کرتے ہیں جو ہمارے طریقہ کار کی صلاحیت میں بصیرت فراہم کرتے ہیں فوٹوگرافروں کے درمیان فرق کرنے کے لئے، اور ہمیں دلچسپ نتائج اخذ کرنے کی اجازت دیتے ہیں کہ مخصوص فوٹوگرافروں کو کیا گولی مار دی جاتی ہے. ہم اپنے طریقہ کار کے دو اطلاق بھی دکھاتے ہیں۔ |
25b6818743a6c0b9502a1c026c653038ff505c09 | |
6ed67a876b3afd2f2fb7b5b8c0800a0398c76603 | |
24281c886cd9339fe2fc5881faf5ed72b731a03e | MapReduce اور اس کے متغیرات بڑے پیمانے پر ڈیٹا پر مبنی ایپلی کیشنز کو کاموڈٹی کلسٹرز پر نافذ کرنے میں انتہائی کامیاب رہے ہیں۔ تاہم، ان میں سے زیادہ تر نظام ایک غیر سایکلک ڈیٹا فلو ماڈل کے ارد گرد تعمیر کیے جاتے ہیں جو دیگر مقبول ایپلی کیشنز کے لئے موزوں نہیں ہیں. اس کاغذ ایپلی کیشنز کی ایک ایسی کلاس پر مرکوز ہے: وہ ایک سے زیادہ متوازی کارروائیوں میں ڈیٹا کے ایک کام سیٹ کا دوبارہ استعمال کرتے ہیں. اس میں بہت سے تکرار مشین سیکھنے الگورتھم ، نیز انٹرایکٹو ڈیٹا تجزیہ ٹولز شامل ہیں۔ ہم ایک نیا فریم ورک تجویز کرتے ہیں جسے اسپارک کہا جاتا ہے جو ان ایپلی کیشنز کی حمایت کرتا ہے جبکہ میپ ریڈوس کی توسیع اور غلطی رواداری کو برقرار رکھتا ہے۔ ان مقاصد کو حاصل کرنے کے لئے، چنگاری لچکدار تقسیم شدہ ڈیٹا سیٹ (RDDs) نامی ایک تجرید متعارف کرایا. ایک آر ڈی ڈی مشینوں کے ایک سیٹ میں تقسیم شدہ اشیاء کا صرف پڑھنے والا مجموعہ ہے جو تقسیم ضائع ہونے کی صورت میں دوبارہ تعمیر کیا جاسکتا ہے۔ سپارک دہرائے جانے والے مشین لرننگ کے کاموں میں ہڈوپ کو 10x سے بہتر کارکردگی کا مظاہرہ کرسکتا ہے ، اور اس کا استعمال 39 جی بی ڈیٹا سیٹ کو ایک سیکنڈ کے جواب کے وقت کے ساتھ انٹرایکٹو طور پر استفسار کرنے کے لئے کیا جاسکتا ہے۔ |
03ff3f8f4d5a700fbe8f3a3e63a39523c29bb60f | جملوں کو درست طریقے سے پیش کرنے کی صلاحیت زبان کی تفہیم کے لئے بنیادی ہے۔ ہم نے ایک کنوولوشنل فن تعمیر کا بیان کیا جسے ڈائنامک کنوولوشنل نیورل نیٹ ورک (ڈی سی این این) کہا جاتا ہے جسے ہم جملوں کی معنوی ماڈلنگ کے لیے اپناتے ہیں۔ نیٹ ورک متحرک k-میکس پولنگ کا استعمال کرتا ہے ، جو لکیری ترتیب پر عالمی پولنگ آپریشن ہے۔ نیٹ ورک مختلف لمبائی کے ان پٹ جملے سنبھالتا ہے اور جملے پر ایک خصوصیت گراف کو متاثر کرتا ہے جو مختصر اور طویل فاصلے کے تعلقات کو واضح طور پر پکڑنے کے قابل ہے۔ نیٹ ورک ایک تجزیہ درخت پر انحصار نہیں کرتا ہے اور کسی بھی زبان پر آسانی سے قابل اطلاق ہے. ہم نے ڈی سی این این کو چار تجربات میں آزمایا: چھوٹے پیمانے پر بائنری اور کثیر طبقاتی جذبات کی پیش گوئی، چھ طرفہ سوال کی درجہ بندی اور ٹویٹر جذبات کی پیش گوئی دور دراز کی نگرانی سے۔ نیٹ ورک پہلے تین کاموں میں بہترین کارکردگی حاصل کرتا ہے اور مضبوط ترین بیس لائن کے حوالے سے آخری کام میں 25 فیصد سے زیادہ غلطی کی کمی حاصل کرتا ہے۔ |
ff5c193fd7142b3f426baf997b43937eca1bbbad | ملٹی لیول انورٹر ٹیکنالوجی حال ہی میں اعلی طاقت درمیانے وولٹیج توانائی کے کنٹرول کے علاقے میں ایک بہت اہم متبادل کے طور پر ابھرا ہے. اس کاغذ میں سب سے اہم ٹوپولوجی پیش کی گئی ہے جیسے ڈایڈڈ کلیمپڈ انورٹر (غیر جانبدار نقطہ کلیمپڈ) ، کیپسیٹر کلیمپڈ (فلائنگ کیپسیٹر) ، اور الگ الگ ڈی سی ذرائع کے ساتھ کاسکیڈڈ ملٹی سیل۔ ابھرتی ہوئی ٹوپولوجی جیسے غیر متناسب ہائبرڈ سیل اور نرم سوئچڈ کثیر سطح انورٹرز پر بھی تبادلہ خیال کیا جاتا ہے۔ اس کاغذ میں کنورٹر کے اس خاندان کے لئے تیار کردہ سب سے زیادہ متعلقہ کنٹرول اور ماڈیولشن طریقوں کو بھی پیش کیا گیا ہے: کثیر سطح کے سینوسائڈل پلس چوڑائی ماڈیولشن ، کثیر سطح کے انتخابی ہارمونک خاتمے ، اور خلائی ویکٹر ماڈیولشن۔ اس میں ان کنورٹروں کی جدید ترین اور زیادہ متعلقہ ایپلی کیشنز جیسے لیمینیٹرز، کنویر بیلٹ اور یونیفائیڈ پاور فلو کنٹرولرز پر خصوصی توجہ دی گئی ہے۔ انورٹرز کے لئے ان پٹ کی طرف ایک فعال سامنے کے آخر کی ضرورت بھی ہے جو تخلیقیت بوجھ فراہم کرتی ہے، اور سرکٹ ٹاپولوجی کے اختیارات بھی پیش کیے جاتے ہیں. آخر میں، ترقی کے لیے دور دراز علاقوں جیسے ہائی وولٹیج ہائی پاور ڈیوائسز اور آپٹیکل سینسرز اور مستقبل کی ترقی کے لیے دیگر مواقع پر توجہ دی گئی ہے۔ |
Subsets and Splits