_id
stringlengths 40
40
| text
stringlengths 0
9.21k
|
|---|---|
26d9c40e8a6099ce61a5d9a6afa11814c45def01 | আমি এটা নতুন পদ্ধতিৰ প্ৰস্তাৱ দিছো যিয়ে বিশেষ অনুসন্ধান স্থানৰ ওপৰত ভিত্তি কৰি নিৰ্দিষ্ট পথৰ পৰিকল্পনা কৰিব যি কাৰ্য্যকৰী পথবোৰ কাৰ্যকৰীভাৱে এনকোড কৰে। পথসমূহ ৰাজ্যসমূহৰ মাজত সংযোগ হিচাপে অন্তৰ্নিহিতভাৱে এনকোড কৰা হয়, কিন্তু কেৱল সম্ভৱপৰ আৰু স্থানীয় সংযোগসমূহ অন্তৰ্ভুক্ত কৰা হয়। এই অনুসন্ধান স্থান বিকাশ হোৱাৰ পিছত, আমি প্ৰণালীবদ্ধভাৱে স্থানিকভাৱে পৃথক পথ প্ৰাথমিকৰ এক প্ৰায়-সৰ্বনিম্ন সংহতি সৃষ্টি কৰোঁ। এই ছেটটোৱে সীমাবদ্ধ গতিৰ স্থানীয় সংযোগ প্ৰকাশ কৰে আৰু ৰেডুণ্ডেছবোৰো আঁতৰ কৰে। প্ৰাথমিকৰ সমষ্টিটো হ উৰিষ্টিক অনুসন্ধান সংজ্ঞায়িত কৰিবলৈ ব্যৱহাৰ কৰা হয়, আৰু সেইদৰে নিৰ্বাচিত সমাধানত অতি কাৰ্যকৰী পথ পৰিকল্পনাকাৰী সৃষ্টি কৰা হয়। আমি মহাকাশ আৰু স্থলীয় ৰবোটিকৰ বিভিন্ন প্ৰয়োগৰ বিষয়েও আলোচনা কৰিম য ত এই গতি পৰিকল্পনা বিশেষভাৱে উপযোগী হ ব পাৰে। |
51fea461cf3724123c888cb9184474e176c12e61 | কম্পিউটাৰ দৃষ্টিত ছবিৰ পঞ্জীয়নে বিভিন্ন প্ৰয়োগ পায়। দুৰ্ভাগ্যজনকভাৱে, পৰম্পৰাগত ছবি ৰেজিষ্ট্ৰেচন কৌশল ব্যয়বহুল হৈ পৰে। আমি এখন নতুন ছবি পঞ্জীয়ন প্ৰণালী প্ৰদৰ্শন কৰিছো যিয়ে নিউটন-ৰাফছন পুনৰাবৃত্তিৰ ব্যৱহাৰ কৰি ভাল মিল বিচাৰি উলিওৱাৰ বাবে ছবিৰ স্থানিক তীব্ৰতা প্ৰৱণতা ব্যৱহাৰ কৰে। আমাৰ প্ৰণালীটো বেছি দ্ৰুত কাৰণ ই বৰ্তমান প্ৰণালীবোৰৰ তুলনাত ছবিৰ মাজত কম সংখ্যক সাম্ভাব্য মিল পৰীক্ষা কৰে। তদুপৰি, এই পঞ্জীয়ন প্ৰণালীটো ঘূৰ্ণন, স্কেলিং আৰু চিয়াৰিঙক সামৰিবলৈ সাধাৰণীকৰণ কৰিব পাৰি। আমি দেখুৱাম যে আমাৰ প্ৰণালীটো ষ্টেৰ ইঅ ভিজন চিষ্টেমত ব্যৱহাৰৰ বাবে অনুকূলিত কৰিব পাৰি। |
91a613ed06c4654f38f5c2e7fe6ebffeec53d887 | অতিশয় শিকনশীল যন্ত্ৰ (ই এল এম) হৈছে এক প্ৰতিযোগিতামূলক যন্ত্ৰ শিকন কৌশল, যি তত্ত্বত সৰল আৰু ৰূপায়ণত দ্ৰুত। নেটৱৰ্ক প্ৰকাৰবোৰ হৈছে একক লুকুৱা স্তৰৰ ফিডফৰৱাৰ্ড নেটৱৰ্ক, যিসমূহ বৈশিষ্ট্য মেপিং কাৰ্য্য বা কাৰ্ণেলৰ বিভিন্নতাৰ আকাৰত যথেষ্ট বৈচিত্ৰ্যপূৰ্ণ। ভাৰসাম্যহীন শ্ৰেণী বিতৰণৰ সৈতে তথ্যৰ সৈতে মোকাবিলা কৰিবলৈ, এটা ওজনৰ ELM প্ৰস্তাৱিত হৈছে যি সক্ষম (1) ই তাত্ত্বিকভাৱে সৰল আৰু ৰূপায়ণত সুবিধাজনক; (2) প্ৰস্তাৱিত ফ্ৰেমৱৰ্কৰ বাবে এক বিস্তৃত ধৰণৰ বৈশিষ্ট্য মেপিং কাৰ্য্য বা কাৰ্নেল উপলব্ধ; (3) প্ৰস্তাৱিত পদ্ধতিটো মাল্টি-ক্লাস শ্ৰেণীবিভাজনৰ কামত প্ৰত্যক্ষভাৱে প্ৰয়োগ কৰিব পাৰি। তদুপৰি, ভাৰসাম্য ব্যৱস্থাৰ সৈতে একত্ৰিত হোৱাৰ পিছত, (1) ভাৰসাম্যযুক্ত ELM য়ে ভাৰসাম্যহীন শ্ৰেণী বিতৰণৰ সৈতে তথ্যৰ সৈতে মোকাবিলা কৰিবলৈ সক্ষম হয়, লগতে ভাৰসাম্যহীন ELM ৰ দৰে সুষম তথ্যৰ ওপৰত ভাল প্ৰদৰ্শন বজাই ৰাখে; (2) ব্যৱহাৰকাৰীৰ প্ৰয়োজন অনুসৰি প্ৰতিটো উদাহৰণক বিভিন্ন ওজন প্ৰদান কৰি, ভাৰসাম্যযুক্ত ELM ক ব্যয় সংবেদনশীল শিক্ষাৰ বাবে সাধাৰণীকৰণ কৰিব পাৰি। & 2012 এলেছভিয়াৰ বি.ভি. সকলো অধিকাৰ সংৰক্ষিত। |
055d55726d45406a6f115c4d26f510bade021be3 | এই প্ৰকল্পৰ উদ্দেশ্য হৈছে Raspberry Pi ব্যৱহাৰ কৰি একক দৃষ্টিশক্তিৰ স্বায়ত্তশাসিত গাড়ী প্ৰ টোটাইপ নিৰ্মাণ কৰা। এখন উচ্চ মানৰ কেমেৰা আৰু আল্ট্ৰাছনিক ছেন্সৰৰ সহায়ত গাড়ীখনক প্ৰয়োজনীয় তথ্য প্ৰদান কৰা হয়। গাড়ীখনে নিৰ্দিষ্ট গন্তব্যস্থানত নিৰাপদে আৰু বুদ্ধিমত্তাৰে উপস্থিত হ ব পাৰে, যাৰ ফলত মানৱ ত্ৰুটিৰ আশংকা দূৰ হয়। বহুতো বিদ্যমান এলগৰিথম যেনে লেন ডিটেকচন, বাধাৰ ডিটেকচন আদি একেলগে মিলি গাড়ীখনক প্ৰয়োজনীয় নিয়ন্ত্ৰণ প্ৰদান কৰে। |
b39e5f7217abae9e2c682ee5068a11309631b93b | জিপিএছ, ম বাইল কম্পিউটাৰ আৰু ৱায়াৰলেচ যোগাযোগৰ ডিভাইচসমূহৰ দৰে প্ৰযুক্তিৰ অবিৰত অগ্ৰগতিৰ বাবে চলন্ত বস্তুসমূহ ডাটা মাইনিং সম্প্ৰদায়ৰ বাবে ক্ৰমাৎ আকৰ্ষণীয় হৈ আহিছে। স্থান-কালীন তথ্য খনন কৰি বহুতো ভিন্ন কাৰ্য্যত উপকৃত হ ব পাৰেঃ সঠিক সময়ত সঠিক গ্ৰাহক চিনাক্ত কৰাৰ বাবে বিপণন দলৰ পৰিচালক, সম্পদ আৱণ্টনৰ অনুকূলীকৰণ কৰিবলৈ সেলুলাৰ কোম্পানী, তথ্য আৱণ্টনৰ বিষয়ৰ বাবে ৱেবছাইট প্ৰশাসক, প্ৰব্ৰজন প্ৰণালী বুজি পশু প্ৰব্ৰজন গৱেষক, আৰু বতৰ পূৰ্বানুমানৰ বাবে বতৰ বিজ্ঞান বিশেষজ্ঞ। এই গৱেষণাত আমি এটা চলন্ত গতিপথৰ এক সংক্ষিপ্ত প্ৰতিনিধিত্ব ব্যৱহাৰ কৰো আৰু গতিপথসমূহৰ মাজত এক নতুন সাদৃশ্যতা মাপ নিৰ্ধাৰণ কৰো। আমি এটা ইনক্রিমেণ্টেল ক্লাষ্টাৰিং এলগৰিথমৰ প্ৰস্তাৱ দিছো যি স্থান-কালীন তথ্যত একে ধৰণৰ ম বাইল বস্তুৰ বিৱৰ্তনশীল গোটবোৰ বিচাৰি উলিওৱাৰ বাবে। এই এলগৰিথমটো বস্তুৰ ক্লাষ্টাৰৰ গুণগত মান (ডান আৰু ৰেণ্ড সূচক ব্যৱহাৰ কৰি), মেমৰি স্পেচ দক্ষতা, কাৰ্যকৰী সময় আৰু স্কেলিবিলিটি (চালনাৰ সময় বনাম বস্তুৰ সংখ্যা) ৰ দ্বাৰা অভিজ্ঞতাৰে মূল্যায়ন কৰা হয়। |
2c3dffc38d40b725bbd2af80694375e6fc0b1b45 | নিম্ন-উত্তৰ ভিডিঅ ৰ চুপাৰ ৰিজ ল্যুচন, অৰ্থাৎ ভিডিঅ চুপাৰ-ৰিজ ল্যুচন (এছআৰ), সাধাৰণতে একক-ছবিৰ এছআৰ বা মাল্টি-ফ্ৰেম এছআৰৰ দ্বাৰা পৰিচালিত হয়। একক-ছবিৰ এছআৰ প্ৰত্যেক ভিডিঅ ফ্ৰেমৰ সৈতে স্বতন্ত্ৰভাৱে সম্পৰ্কিত হয়, আৰু ভিডিঅ ফ্ৰেমৰ অন্তৰ্নিহিত কালীয় নিৰ্ভৰশীলতা অৱহেলা কৰে যি প্ৰকৃততে ভিডিঅ এছআৰত অতি গুৰুত্বপূৰ্ণ ভূমিকা পালন কৰে। মাল্টি-ফ্ৰেম এছআৰে সাধাৰণতে গতি তথ্য, উদাহৰণস্বৰূপে, অপ্টিকেল ফ্ল আঁতৰাই, কালীয় নিৰ্ভৰশীলতা মডেল কৰিবলৈ, কিন্তু প্ৰায়ে উচ্চ গণন ব্যয় দেখুৱায়। পুনৰাবৃত্ত নিউৰেল নেটৱৰ্ক (RNNs) য়ে ভিডিঅ ক্ৰমৰ দীৰ্ঘকালীন কালীন নিৰ্ভৰশীলতা ভালদৰে মডেল কৰিব পাৰে বুলি বিবেচনা কৰি, আমি কাৰ্যকৰী মাল্টি-ফ্ৰেম এছআৰৰ বাবে দ্বি-মুখী পুনৰাবৃত্ত কভলুশ্যনেল নেটৱৰ্ক নামৰ সম্পূৰ্ণ কভল্যুশ্যনেল আৰএনএনৰ প্ৰস্তাৱ দিছো। ভেনিলাৰ RNNs ৰ পৰা পৃথক, 1) সাধাৰণভাৱে ব্যৱহৃত সম্পূৰ্ণ ফিডফৰৱাৰ্ড আৰু পুনৰাবৃত্ত সংযোগসমূহ ওজন-বিতৰণ কৰা কনভলুশ্যনেল সংযোগসমূহৰ সৈতে সলনি কৰা হয়। সেয়েহে তেওঁলোকে বৃহৎ সংখ্যক নেটৱৰ্ক পেৰামিটাৰক হ্ৰাস কৰিব পাৰে আৰু সময়সাপেক্ষ নিৰ্ভৰশীলতা এক সূক্ষ্ম স্তৰত ভালকৈ মডেল কৰিব পাৰে, অৰ্থাৎ ফ্ৰেম-ভিত্তিকতকৈ পেচ-ভিত্তিক, আৰু 2) পূৰ্বৱৰ্তী সময়সীমাৰ ইনপুট স্তৰৰ পৰা বৰ্তমানৰ লুকাই থকা স্তৰৰ সংযোগবোৰ 3D ফিডফৰৱাৰ্ড কোৱল্যুচনৰ দ্বাৰা যোগ কৰা হয়, যাৰ লক্ষ্য স্থানীয় সংলগ্ন ফ্ৰেমবোৰত স্বল্প-মেয়াদী দ্ৰুত-পৰিৱৰ্তনশীল গতিৰ বাবে বৈষম্যমূলক স্থান-সময়ৰ নিদৰ্শনসমূহ ধৰা পেলোৱা। সুলভ কনভলুশ্যনেল অপাৰেচনৰ বাবে, আমাৰ মডেলৰ কম কম্পিউটেশ্যনেল জটিলতা আছে আৰু আন মাল্টি-ফ্ৰেম এছআৰ পদ্ধতিৰ তুলনাত মাত্ৰাৰ আদেশে দ্ৰুততাৰে চলে। শক্তিশালী টাইম ৰেল ডিপেণ্ডেন্সি মডেলিংৰ সৈতে, আমাৰ মডেলটোৱে জটিল গতিৰ সৈতে ভিডিঅ ৰ চুপাৰ ৰিজ ল্যুচন কৰিব পাৰে আৰু ভাল প্ৰদৰ্শন লাভ কৰিব পাৰে। |
8dc7cc939af832d071c2a050fd0284973ac70695 | কম্পিউটেশ্যনেল আৰএফআইডি (চিআৰএফআইডি) প্লেটফৰ্মে প্ৰায় এক দশক ধৰি পুনৰ কনফিগাৰযোগ্য, বেটাৰী মুক্ত এপ্লিকেচন সক্ষম কৰিছে। অৱশ্যে, বিভিন্ন কাৰকে তেওঁলোকৰ ব্যাপক গ্ৰহণত বাধা প্ৰদান কৰিছেঃ কম যোগাযোগৰ পৰিসৰ, কম থ্ৰুপট, আৰু ব্যয়বহুল আন্তঃগাঁথনি- চিআৰএফআইডি পাঠকৰ দাম সাধাৰণতে $১০০০ ৰ ওপৰত থাকে। এই প্ৰবন্ধত LoRea, এটা বেকস্কেটাৰ ৰিডাৰ উপস্থাপন কৰা হৈছে যি বৰ্তমানৰ CRFID ৰিডাৰতকৈ এক উচ্চ পৰিসৰৰ পৰিসৰ অৰ্জন কৰে, যদিও ইয়াৰ মূল্যৰ এক ভগ্নাংশ। LoRea এ CRFID পাঠকৰ বৰ্তমানৰ ডিজাইন আৰু অধিক নিৰ্দিষ্টভাৱে, স্ব-হস্তক্ষেপ কেনেকৈ মোকাবিলা কৰা হয় তাৰ পৰা আঁতৰি এই কাৰ্য্য সম্পাদন কৰে। LoRea-এ শেহতীয়া কামৰ ওপৰত নিৰ্ভৰ কৰে যে স্ব-হ্ৰাসে হ্ৰাস কৰিবলৈ বাহক সংকেতৰ পৰা প্ৰাচীৰ-ব্যাক-প্ৰসাৰিত সম্প্ৰচাৰ দূৰ কৰে। LoRea এ কাৰেয়াৰ জেনেৰেচনক ৰিডাৰৰ পৰাও বিচ্ছিন্ন কৰে, স্ব-হস্তক্ষেপণ আৰু হ্ৰাস কৰাত সহায় কৰে। ডিচকাপলিং কাৰ্বাৰ জেনেৰেচনে স্মাৰ্টফোন আৰু চেন্সৰ ন ডৰ স্থাপিত আন্তঃগাঁথনিৰ ব্যৱহাৰ কৰি কাৰ্বাৰ সংকেত প্ৰদান কৰাতো সক্ষম কৰে। এই পদ্ধতিবোৰে একেলগে পঢ়ুৱৈৰ ব্যয় আৰু জটিলতা হ্ৰাস কৰে। LoRea-এ সাম্প্ৰতিক বেকস্কেটাৰ প্ৰণালীতকৈ কম বিটৰেটত কাম কৰে, যাৰ ফলত উচ্চ সংবেদনশীলতা আৰু দীৰ্ঘতম পৰিসৰ সম্ভৱ হয়। আমি পৰীক্ষামূলকভাৱে LoReaৰ মূল্যায়ন কৰো আৰু দেখো যে ই লাইন অফ ভিজুৱেল দৃশ্যত 225 মিটাৰ পৰ্যন্ত যোগাযোগৰ পৰিসৰ লাভ কৰে। ইণ্ডোৰ এভাৰেণ্টেজত, য ত সংকেতটোৱে পাঠক আৰু বেকছকেটাৰ টেগক পৃথক কৰা কেইবাটাও দেৱাল অতিক্ৰম কৰে, LoRea এ 30 মিটাৰ পৰিসৰ অৰ্জন কৰে। এই ফলাফলবোৰে প্ৰমাণ কৰে যে LoRea কিদৰে অত্যাধুনিক বেকছকেটাৰ চিষ্টেম আৰু CRFID প্লেটফৰ্মবোৰক অতিক্ৰম কৰে। |
b348042a91beb4fa0c60fd94f27cf0366d5f9630 | এই প্ৰকল্পত পৰিকল্পিত পথত অটোমেশ্যন বাহনসমূহক আন যান-বাহন চলাচলৰ প্ৰতি সুৰক্ষা প্ৰদান কৰা হৈছে। সেয়েহে, আন যান-বাহনৰ দ্বাৰা পথৰ ষ্ট কাষ্টিক দখল অনুমান কৰা হয়। এই ভৱিষ্যদ্বাণীটো পৰিমাপৰ পৰা উদ্ভূত অনিশ্চয়তা আৰু আন যান-বাহন অংশগ্ৰহণকাৰীৰ সম্ভাব্য আচৰণসমূহ বিবেচনা কৰে। ইয়াৰ উপৰিও, পথৰ জ্যামিতিৰ বাবে চলাচল কৰা ম্যানুৱাৰসমূহৰ সীমাবদ্ধতাৰ লগতে ট্ৰেফিক অংশগ্ৰহণকাৰীৰ ক্ৰিয়া-কলাপক বিবেচনা কৰা হয়। উপস্থাপিত পদ্ধতিৰ ফলাফল স্বয়ংচালিত গাড়ীৰ নিৰ্দিষ্ট গতিপথৰ বাবে দুৰ্ঘটনাৰ সম্ভাৱনা। উপস্থাপিত পদ্ধতিটো কাৰ্যকৰী কিয়নো বেছিভাগ তীব্ৰ গণনা অফলাইনভাৱে কৰা হয়, যাৰ ফলত বাস্তৱ-সময়ৰ প্ৰয়োগৰ বাবে এক পাতল অনলাইন এলগৰিথম হয়। |
f69c83aab19183795af7612c3f224b5e116f242a | |
fda1e13a2eaeaa0b4434833d3ee0eb8e79b0ba94 | মানুহৰ মৌলিক জ্ঞানীয় প্ৰক্ৰিয়াসমূহৰ এটা হৈছে সমস্যা সমাধান। উচ্চ স্তৰৰ জ্ঞানীয় প্ৰক্ৰিয়া হিচাপে, সমস্যা সমাধানৰ বহুতো অন্যান্য জ্ঞানীয় প্ৰক্ৰিয়াৰ সৈতে ক্ৰিয়া-প্ৰতিক্ৰিয়া হয় যেনে বিমূর্তকৰণ, অনুসন্ধান, শিকণ, সিদ্ধান্ত গ্ৰহণ, অনুমান, বিশ্লেষণ আৰু সংশ্লেষণ বস্তু-বৈশিষ্ট্য-সম্পৰ্ক (OAR) মডেলৰ দ্বাৰা আভ্যন্তৰীণ জ্ঞানৰ প্ৰতিনিধিত্বৰ ভিত্তিত। সমস্যা সমাধান হৈছে মগজুৰ এক জ্ঞানীয় প্ৰক্ৰিয়া যিয়ে এটা নিৰ্দিষ্ট সমস্যাৰ সমাধান বিচাৰি বা এটা নিৰ্দিষ্ট লক্ষ্যত উপনীত হোৱাৰ পথ বিচাৰি পায়। যেতিয়া এটা সমস্যা বস্তু চিনাক্ত কৰা হয়, সমস্যা সমাধানক সমাধানৰ লক্ষ্য আৰু বিকল্প পথৰ মাজত সম্পৰ্ক বিচাৰি মেমৰি স্পেচত এটা অনুসন্ধান প্ৰক্ৰিয়া হিচাপে গ্ৰহণ কৰিব পাৰি। এই প্ৰবন্ধত সমস্যা সমাধান প্ৰক্ৰিয়াৰ এক জ্ঞানীয় মডেল আৰু এটা গাণিতিক মডেল দুয়োটাই দাঙি ধৰা হৈছে। সমস্যা সমাধানৰ জ্ঞানীয় প্ৰক্ৰিয়াৰ আঁৰৰ মগজুৰ জ্ঞানীয় গাঁথনি আৰু আভ্যন্তৰীণ জ্ঞানৰ প্ৰতিনিধিত্বৰ পদ্ধতিৰ বিষয়ে লিখা হৈছে। জ্ঞানৰ প্ৰক্ৰিয়াটো আনুষ্ঠানিকভাৱে ৰিয়েল-টাইম প্ৰক্ৰিয়া বীজগণিত (RTPA) আৰু ধাৰণা বীজগণিত ব্যৱহাৰ কৰি বৰ্ণনা কৰা হয়। এই কামটো জ্ঞানীয় কম্পিউটিং প্ৰকল্পৰ এটা অংশ যি Wang s লেয়াৰযুক্ত ৰেফাৰেন্স মডেল অফ দ্য ব্ৰেইন (LRMB) অনুসৰি মগজুৰ মৌলিক ব্যৱস্থা আৰু প্ৰক্ৰিয়াসমূহ প্ৰকাশ আৰু অনুকৰণ কৰিবলৈ ডিজাইন কৰা হৈছে, যাৰ ফলত জ্ঞানীয় কম্পিউটিং আৰু নতুন জ্ঞানীয় কম্পিউটাৰৰ বাবে ভৱিষ্যৎ প্ৰজন্মৰ পদ্ধতিৰ বিকাশ হ ব বুলি আশা কৰা হৈছে। ২০০৮ Elsevier B.V. দ্বাৰা প্ৰকাশিত |
f6284d750cf12669ca3bc12a1b485545af776239 | বিগত কেইটামান বছৰত, গভীৰ শিক্ষণ প্ৰণালীয়ে ছবিৰ ৰঙত যথেষ্ট উন্নতি সাধন কৰিছে। অৱশ্যে, এই কৌশলসমূহৰ বহুতো যুক্তিসংগত গাঁথনি পুনৰ্নিৰ্মাণ কৰাত ব্যৰ্থ হয় কিয়নো এওঁলোক সাধাৰণতে অতি-মোচিত আৰু/বা অস্পষ্ট। এই প্ৰবন্ধত ছবি আঁকিবলৈ এক নতুন পদ্ধতিৰ বিকাশ কৰা হৈছে যি সূক্ষ্ম বিৱৰণ প্ৰদৰ্শন কৰা পূৰ্ণ অঞ্চলসমূহৰ পুনঃপ্ৰকাশৰ বাবে ভাল কাম কৰে। আমি এটা দু-পৰ্যায়ৰ বিৰোধী মডেল এজকানেক্টৰ প্ৰস্তাৱ দিছো য ত এজ জেনেৰেটৰ থাকে আৰু তাৰ পিছত এটা ইমেজ কমপ্লিটেশ্যন নেটৱৰ্ক থাকে। এজ জেনেৰেটৰটোৱে ছবিৰ অনুপস্থিত অঞ্চলৰ (নিয়মিত আৰু অনিয়মিত দুয়োটা) এজসমূহক ভুকা কৰে, আৰু ছবি সম্পূৰ্ণ কৰাৰ নেটৱৰ্কে অগ্ৰাধিকাৰ হিচাপে ভুকা এজ ব্যৱহাৰ কৰি অনুপস্থিত অঞ্চলসমূহ পূৰণ কৰে। আমি আমাৰ মডেলটো সকলো দিশৰ পৰা মূল্যায়ন কৰো আৰু ইয়াক ছেলেবা এ, প্লেচ ২ আৰু পেৰিছ ষ্ট্ৰীট ভিউৰ দৰে ৰাজহুৱাভাৱে উপলব্ধ ডাটা ছেটত ব্যৱহাৰ কৰো আৰু দেখুৱাম যে ই বৰ্তমানৰ অত্যাধুনিক প্ৰযুক্তিৰ তুলনাত গুণগত আৰু পৰিমাণগতভাৱে উন্নত। |
04f4679765d2f71576dd77c1b00a2fd92e5c6da4 | বৰ্তমানৰ সূক্ষ্ম-শ্ৰেণীৰ শ্ৰেণীবিভাজনৰ পদ্ধতিবোৰে বহু সময়ত বৈষম্যৰ বাবে উপযুক্ত স্থানীয় বৈশিষ্ট্য প্ৰতিনিধিত্বসমূহ আহৰণ কৰিবলৈ বস্তুৰ অংশসমূহৰ এক শক্তিশালী স্থানীয়কৰণৰ ওপৰত নিৰ্ভৰ কৰে। অৱশ্যে, অংশৰ স্থানীয়কৰণটো এক প্ৰত্যাহ্বানমূলক কাম কাৰণ ইয়াৰ ৰূপ আৰু অৱয়বৰ ব্যাপক বৈচিত্ৰ্যৰ বাবে। এই প্ৰবন্ধত আমি দেখুৱাম যে প্ৰাক-প্ৰশিক্ষিত কনভলুশ্যনেল নিউৰেল নেটৱৰ্কবোৰ কেনেকৈ শক্তিশালী আৰু কাৰ্যকৰী অবজেক্ট পাৰ্ট আৱিষ্কাৰ আৰু স্থানীয়কৰণৰ বাবে ব্যৱহাৰ কৰিব পাৰি বৰ্তমানৰ ডাটা ছেটত নেটৱৰ্কটো প্ৰশিক্ষণৰ প্ৰয়োজনীয়তা অবিহনে। আমাৰ পদ্ধতিটো পাৰ্ট ডিটেক্টৰ ডিস্কভাৰী (পিডিডি) বুলি কোৱা হয় আৰু ই নেটৱৰ্ক আউটপুটৰ গ্ৰেডিয়েন্ট মেপ বিশ্লেষণ কৰি আৰু টোকাযুক্ত অৰ্থবিজ্ঞান অংশ বা সীমাবদ্ধ বাকচসমূহৰ সৈতে স্থানিকভাৱে সম্পৰ্কিত সক্ৰিয়কৰণ কেন্দ্ৰবোৰ বিচাৰি উলিওৱাৰ ওপৰত ভিত্তি কৰি গঠিত। ইয়াৰ দ্বাৰা আমি কেৱল CUB2002011 ডাটা ছেটত উৎকৃষ্ট প্ৰদৰ্শন লাভ কৰাই নহয়, পূৰ্বৰ পদ্ধতিৰ বিপৰীতে পৰীক্ষাৰ সময়ত নিৰ্দিষ্ট ব ডিং এনাট শ্যন আৰু প্ৰশিক্ষণৰ সময়ত ভূমি-সত্য অংশৰ প্ৰয়োজন নোহোৱাকৈও একেলগে চিনাক্তকৰণ আৰু পক্ষী শ্ৰেণীবিভাজন কৰিব পাৰো। এই কোড http://www.inf-cv.uni-jena.de/part_discovery আৰু https://github.com/cvjena/PartDetectorDisovery ত উপলব্ধ। |
9f3f6a33eb412d508da319bb270112075344abd0 | আমি বৃহৎ নথি সংগ্ৰহসমূহৰ পৰা মডেলিং আৰু বিশিষ্ট গাঁথনি আহৰণৰ বাবে এক নতুন সম্ভাব্যতাযুক্ত কৌশল প্ৰস্তাৱ দিছো। ক্লাষ্টাৰিং আৰু বিষয় মডেলিংৰ দৰে, আমাৰ লক্ষ্য হৈছে তথ্যৰ অত্যাধিক পৰিমাণৰ এক সংগঠিত দৃষ্টিকোণ প্ৰদান কৰা। আমি নথিপত্ৰৰ মাজত থকা সম্পৰ্কসমূহ উন্মোচন আৰু ব্যৱহাৰ কৰাত বিশেষভাৱে আগ্ৰহী। এই উদ্দেশ্যে আমি বিভিন্ন ধৰণৰ সূত্ৰ- একলগে সংযুক্ত, গুৰুত্বপূৰ্ণ নথিৰ সুসংগত শৃংখল আহৰণ কৰাত গুৰুত্ব দিছো। উদাহৰণস্বৰূপে, আমি অনুসন্ধানৰ সূত্ৰবোৰ উদ্ধৃতিৰ চিত্ৰৰ পৰা আহৰণ কৰোঁ আৰু বাতৰিৰ প্ৰবন্ধৰ পৰা সময়সূচী নিৰ্মাণ কৰোঁ। আমাৰ পদ্ধতি অতি স্কেলযোগ্য, প্ৰায় চাৰি মিনিটত ৩০ মিলিয়ন শব্দৰ এটা ক ৰপাসত চলিছে, গতিশীল বিষয়ৰ মডেলতকৈ ৭৫ গুণ বেছি দ্ৰুত। শেষত, আমাৰ মডেলৰ ফলাফলবোৰ বিভিন্ন মেট্ৰিকৰ মতে মানুহৰ সংবাদ সংক্ষিপ্তকৰণৰ সৈতে অধিক মিল আছে আৰু মানৱ বিচাৰকৰ দ্বাৰাও পছন্দ কৰা হয়। |
057d5f66a873ec80f8ae2603f937b671030035e6 | এই প্ৰবন্ধত আমি স্থিৰ ছবিৰ বস্তুসমূহৰ গতিশীলতা পূৰ্বানুমান কৰাৰ প্ৰত্যাহ্বানমূলক সমস্যাটো অধ্যয়ন কৰো। এটা ছবিৰ এটা কোৱাৰি অবজেক্ট দিয়া হ লে, আমাৰ লক্ষ্য হ ল বস্তুটোৰ ওপৰত প্ৰভাৱ পেলোৱা বল আৰু সেই বলবোৰৰ প্ৰতি সঁহাৰি হিচাপে ইয়াৰ দীৰ্ঘম্যাদী গতিৰ ক্ষেত্ৰত বস্তুটোৰ এক শাৰীৰিক বোধগম্যতা প্ৰদান কৰা। এটা ছবিৰ পৰা বস্তুসমূহৰ বল আৰু গতিৰ প্ৰত্যক্ষ আৰু স্পষ্ট অনুমান অত্যন্ত প্ৰত্যাহ্বানজনক। আমি নিউটনৰ দৃশ্যপট বুলি কোৱা মধ্যৱৰ্তী শাৰীৰিক বিমূর্ততাসমূহ সংজ্ঞায়িত কৰোঁ আৰু নিউটনৰ স্নায়ু নেটৱৰ্ক (N3) প্ৰৱৰ্তন কৰোঁ যিয়ে একক প্ৰতিচ্ছবিৰ মানচিত্ৰক নিউটনৰ দৃশ্যপটৰ এটা অৱস্থালৈ ৰূপায়ণ কৰিবলৈ শিকায়। আমাৰ মূল্যায়নে দেখুৱাইছে যে আমাৰ পদ্ধতিয়ে এটা একক ছবিৰ পৰা এটা কোৱাৰি অবজেক্টৰ গতিশীলতা নিৰ্ভৰযোগ্যভাৱে ভৱিষ্যদ্বাণী কৰিব পাৰে। ইয়াৰ উপৰিও, আমাৰ পদ্ধতিয়ে ভৌতিক যুক্তি প্ৰদান কৰিব পাৰে যি বেগ আৰু বল ভেক্টৰৰ ক্ষেত্ৰত পূৰ্বানুমান কৰা গতিশীলতাক সমৰ্থন কৰে। এই দিশত গৱেষণা আগবঢ়াবলৈ আমি ভিজুৱেল নিউটনিয়ান ডাইনামিক্স (ভিআইএনডি) ডাটা ছেট সংকলন কৰিছিলো য ত ৬০০০ ৰো অধিক ভিডিঅ অন্তৰ্ভুক্ত কৰা হৈছে যি নিউটনিয়ান দৃশ্যপটৰ সৈতে মিলিত হৈছে যিটো গেম ইঞ্জিনৰ সহায়ত প্ৰতিনিধিত্ব কৰা হৈছে, আৰু ৪৫০০ ৰো অধিক স্থিৰ ছবি তেওঁলোকৰ ভূমি সত্যৰ গতিবিধিৰ সৈতে। |
c4f7d2ca3105152e5be77d36add2582977649b1d | ইন্টাৰনেট অব্ থিংছ (আইঅ টি) ক্ৰমাগতভাৱে বৃদ্ধি পাবলৈ ধৰিছে কিয়নো অনন্যভাৱে চিনাক্ত কৰিব পৰা বস্তুসমূহ ইন্টাৰনেটত সংযোজন কৰা হৈছে। এই যন্ত্ৰসমূহৰ সংযোজন আৰু তেওঁলোকৰ দূৰ সংযোজিততাই আমাৰ জীৱনলৈ এক নতুন স্তৰৰ দক্ষতা আনি দিছে। অৱশ্যে, এই ডিভাইচসমূহৰ সুৰক্ষা প্ৰশ্নৰ সন্মুখীন হৈছে। যদিও বহুতো সুৰক্ষিত হ ব পাৰে, এই বৃহৎ সংখ্যাই এনে এক পৰিৱেশ সৃষ্টি কৰে য ত অল্পসংখ্যক অস্বৰক্ষিত ডিভাইচেও গুৰুত্বপূৰ্ণ দুৰ্বলতা সৃষ্টি কৰিব পাৰে। এই প্ৰবন্ধত কিছুমান উদ্ভৱ হোৱা দুৰ্বলতা মূল্যায়ন কৰা হৈছে আৰু এই ভাবুকিৰ পৰিসৰৰ কিছুমান সংখ্যা দিয়া হৈছে। |
8671518a43bc7c9d5446b49640ee8783d5b580d7 | |
e5f67b995b09e750bc1a32293d5a528de7f601a9 | আধুনিক প্ৰণালীবোৰ ক্ৰমাৎ জটিল হৈ পৰাত বৰ্তমানৰ সুৰক্ষা অনুশীলনসমূহৰ প্ৰণালী সুৰক্ষাৰ ক্ষেত্ৰত পৰ্যাপ্ত পৰিমাণে কাৰ্যকৰী পদ্ধতিৰ অভাৱ। এই প্ৰবন্ধত শেহতীয়াকৈ প্ৰকাশিত নেশ্যনেল ইনষ্টিটিউট অৱ ষ্টেণ্ডাৰ্ড এণ্ড টেকন ল জি (NIST) স্পেচিয়েল পাব্লিকেচন ৮০০-১৬০ত সংজ্ঞায়িত কৰা চিষ্টেম ছিকিউৰিটী ইঞ্জিনিয়াৰিং (SSE) প্ৰক্ৰিয়া, কাৰ্যকলাপ আৰু কামৰ প্ৰয়োগত সহায় কৰিবলৈ এটা পুনৰাবৃত্তিযোগ্য আৰু টেইলৰেবল ফ্ৰেমৱৰ্ক প্ৰস্তাৱ কৰা হৈছে। প্ৰথমে, প্ৰণালী-ভিত্তিক সুৰক্ষা পদ্ধতিৰ এক সংক্ষিপ্ত সমীক্ষা প্ৰদান কৰা হৈছে। তাৰ পিছত, NIST- সংজ্ঞায়িত SSE প্ৰক্ৰিয়াসমূহৰ মাজত সম্পৰ্কসমূহৰ পৰীক্ষা অভিযান্ত্ৰিক সমস্যা স্থানৰ বাবে প্ৰেক্ষাপট প্ৰদান কৰিবলৈ কৰা হয়। এই ফলাফলবোৰে সাতটা চিষ্টেম-অজ্ঞান নিৰাপত্তা ক্ষেত্ৰলৈ এনআইএছটি এছএছই প্ৰক্ৰিয়াৰ মেপিংক অৱগত কৰে যি তিনি প্ৰকাৰৰ চিষ্টেমৰ (পৰম্পৰাগত আইটি, চাইবাৰ-ফিজিক্যাল আৰু প্ৰতিৰক্ষা) বাবে অগ্ৰাধিকাৰ প্ৰদানৰ অনুমতি দিয়ে। এই বাস্তৱ উদাহৰণবোৰে এছএছই প্ৰচেষ্টাৰ প্ৰয়োগ আৰু অগ্ৰাধিকাৰ প্ৰদানৰ বাবে অধিক বুজ লয়। এই প্ৰবন্ধৰ লক্ষ্য হৈছে NIST SP 800-160 ত সংজ্ঞায়িত 30 টা প্ৰক্ৰিয়া, 111 টা কাৰ্যকলাপ আৰু 428 টা কামৰ কাৰ্যকৰী প্ৰয়োগৰ বিষয়ে অৱগত কৰি অনুশীলনকাৰীসকলক সহায় কৰা। এই কাষ্টমাইজযোগ্য ফ্ৰেমৱৰ্ক টুলটো অনলাইন যোগে উপলব্ধ, যাৰ জৰিয়তে ডেভলপাৰসকলে তেওঁলোকৰ প্ৰয়োজন অনুসৰি ব্যৱহাৰ, সংশোধন আৰু অনুকূলিতকৰণ কৰিব পাৰে। |
1beeb25756ea352634e0c78ed653496a3474925e | |
fac5a9a18157962cff38df6d4ae69f8a7da1cfa8 | এই প্ৰবন্ধত, আমি গোলকীয় হাৰম নিক আলোক প্ৰতিনিধিত্ব ব্যৱহাৰ কৰি নিৰ্দিষ্ট অজ্ঞাত পোহৰৰ অধীনত মুখ চিনাক্তকৰণৰ বাবে দুটা নতুন পদ্ধতি প্ৰস্তাৱ দিছো, যাৰ বাবে প্ৰতি বিষয়ৰ বাবে মাত্ৰ এটা প্ৰশিক্ষণ ছবিৰ প্ৰয়োজন আৰু 3D আকৃতিৰ তথ্যৰ প্ৰয়োজন নাই। আমাৰ পদ্ধতিসমূহ এই ফলাফলৰ ওপৰত আধাৰিত যি প্ৰমাণ কৰে যে এক বৰ্দ্ধিত লামবাৰ্টিয়ান বস্তুৰ বিভিন্ন প্ৰকাৰৰ আলোক পৰিস্থিতিত প্ৰাপ্ত ছবিৰ সমষ্টিটো এটা নিম্ন-মাত্রিক ৰেখামূলক উপ-মহাকাশৰ দ্বাৰা সঠিকভাৱে অনুমান কৰিব পাৰি। আমি এই স্থানত থকা গোলাকাৰ হাৰমোনিক বেজ ছবিসমূহ মাত্ৰ এটা ছবিৰ পৰা অনুমান কৰিবলৈ দুটা পদ্ধতি প্ৰদান কৰিছো। আমাৰ প্ৰথম পদ্ধতিয়ে ২D মৌলিক ছবিৰ সংকলনৰ ওপৰত ভিত্তি কৰি পৰিসংখ্যাগত মডেল নিৰ্মাণ কৰে। আমি প্ৰমাণ কৰোঁ যে, শিকি লোৱা পৰিসংখ্যা ব্যৱহাৰ কৰি, আমি এটা ছবিৰ পৰা গোলাকাৰ হাৰম নিক বেজ ছবি অনুমান কৰিব পাৰো যিটো নিৰ্দিষ্ট পোজ পৰিৱৰ্তন নোহোৱাকৈয়ে নিৰ্দিষ্ট আলোকসজ্জাৰ অৱস্থাত লোৱা হৈছে। প্ৰথম পদ্ধতিৰ তুলনাত, দ্বিতীয় পদ্ধতিয়ে গোলাকাৰ হাৰম নিক আলোকসজ্জা প্ৰতিনিধিত্ব আৰু মানৱ মুখৰ 3D মৰ্ফাবল মডেলৰ সংমিশ্ৰণৰ দ্বাৰা 3D স্থানত পজিচন আৰু আলোকসজ্জা উভয়তে ছবিৰ পৰা আধাৰ ছবি পুনৰুদ্ধাৰ কৰি পৰিসংখ্যাগত মডেল নিৰ্মাণ কৰে। বেছ ইমেজবোৰ অনুমান কৰাৰ পিছত, আমি দুয়োটা পদ্ধতিৰ বাবে একে চিনাক্তকৰণ আঁচনি ব্যৱহাৰ কৰোঁঃ আমি সেই মুখ চিনাক্ত কৰো যাৰ বাবে বেছ ইমেজসমূহৰ এক ভাৰসাম্যযুক্ত সংমিশ্ৰণ আছে যি পৰীক্ষামূলক মুখৰ ছবিৰ সৰ্বাধিক ওচৰ। আমি এনে এক প্ৰকাৰৰ পৰীক্ষা আগবঢ়াইছো যিয়ে বহুতো প্ৰকাৰৰ আলোকসজ্জা, বহুতো আলোকসজ্জাৰ উৎসকে ধৰি বিভিন্ন প্ৰকাৰৰ আলোকসজ্জাৰ অধীনত উচ্চ চিনাক্তকৰণ হাৰ লাভ কৰে। আমাৰ পদ্ধতিসমূহে যি পদ্ধতিৰ সৈতে তুলনাযোগ্য স্তৰৰ সঠিকতা অৰ্জন কৰে, যাৰ প্ৰশিক্ষণৰ তথ্যৰ প্ৰয়োজনীয়তা অধিক ওজনৰ হয়। এই পদ্ধতি দুটাৰ তুলনাও দিয়া হৈছে। |
6831db33ea9db905b66b09f476c429f085ebb45f | এই অধ্যয়নত দৈনিক শাৰীৰিক কাৰ্যকলাপৰ মূল্যায়নৰ বাবে ট্ৰাইএক্সিয়েল এক্সেলেৰ মিটাৰ (টিএ) আৰু এটা পৰ্টেবল ডাটা প্ৰচেচিং ইউনিটৰ বিকাশৰ বিষয়ে বৰ্ণনা কৰা হৈছে। TA ত তিনিটা অক্ষীয় পিজোৰেচিষ্টেটিভ একক ত্বৰণমাপক অৰ্থাংগনালি স্থাপন কৰা হয় আৰু মানৱ শৰীৰৰ ত্বৰণৰ ব্যাপ্তি আৰু ফ্ৰেক্বেঞ্চ ৰেঞ্জ সামৰি ত্বৰণসমূহ পঞ্জীয়ন কৰিবলৈ ব্যৱহাৰ কৰিব পাৰি। যন্ত্ৰৰ মাজত আৰু পৰীক্ষা-পুনৰ পৰীক্ষা পৰীক্ষাত দেখা গ ল যে প্ৰতিটো পৰিমাপ দিশৰ বাবে টিএৰ অ ফছেট আৰু সংবেদনশীলতা সমান আছিল আৰু পৰিমাপৰ দুদিনত ধাৰাবাহিক হৈ আছিল। প্ৰতিটো পৰিমাপ দিশৰ বাবে ক্ৰমে ক্ৰমে সংবেদনশীলতা ভিন্ন আছিল, কিন্তু ই এক্সেলেৰ মিটাৰ আউটপুট (মূল অক্ষৰ সংবেদনশীলতাৰ < ৩%) প্ৰভাৱিত কৰা নাছিল। এই ডাটা ইউনিটে আঠ দিনৰ সময়ছোৱাত শাৰীৰিক কাৰ্যকলাপৰ এক নিৰ্ভৰযোগ্য অনুমানক এক্সেলেৰ মিটাৰ আউটপুটৰ অন লাইন প্ৰক্ৰিয়াকৰণ সম্ভৱ কৰি তোলে। পৰীক্ষাগাৰত মানক কাৰ্যকলাপৰ সময়ত ১৩ জন পুৰুষৰ ক্ষেত্ৰত প্ৰণালীৰ প্ৰাৰম্ভিক মূল্যায়নে শাৰীৰিক কাৰ্যকলাপৰ বাবে মানক প্ৰসংগ (r=0.89) হিচাপে ত্বৰণমাপকৰ আউটপুট আৰু শাৰীৰিক কাৰ্যকলাপৰ বাবে শক্তি ব্যয়ৰ মাজত এক গুৰুত্বপূৰ্ণ সম্পৰ্ক প্ৰদৰ্শন কৰে। এই ব্যৱস্থাৰ দুৰ্বলতা হ ল ইয়াৰ কম সংবেদনশীলতা আৰু স্থিৰ শাৰীৰিক কাৰ্যকলাপৰ প্ৰতি অসমৰ্থতা। পৰীক্ষাগাৰৰ বাহিৰত দৈনন্দিন শাৰীৰিক কাৰ্যকলাপ আৰু বিশেষ কাৰ্যকলাপৰ মূল্যায়নৰ বাবে ব্যৱস্থাৰ বৈধতা মুক্ত জীৱনধাৰণ কৰা বিষয়ত অধ্যয়ন কৰা উচিত। |
f6cd444c939c0b5c08b07bb35fd694a45e07b97e | লকড তুলনাকাৰীটো প্ৰায় সকলো এনাগল-টু-ডিজিটেল কনভাৰ্টাৰ আৰ্হিচিত ব্যৱহাৰ কৰা হয়। ই এনাগল ইনপুট চিগনেলটো সম্পূৰ্ণ ডিজিটেল পৰ্যায়লৈ পুনৰুজ্জীৱিত কৰিবলৈ এটা পজিটিভ ফিডব্যাক মেকানিজম ব্যৱহাৰ কৰে। পুনৰুজ্জীৱিতকৰণ নডৰ এনে উচ্চ ভল্টেজৰ পৰিবৰ্তনবোৰ ইনপুট ভল্টেজৰ সৈতে সংযুক্ত কৰা হয় - কিকবেক শব্দ। এই প্ৰবন্ধত কিকবেকৰ শব্দ হ্ৰাস কৰিবলৈ বৰ্তমানৰ সমাধানসমূহ পৰ্যালোচনা কৰা হৈছে আৰু দুটা নতুন সমাধানৰ প্ৰস্তাৱ দিয়া হৈছে। এইচএছপিআইএছ চিমুলেশ্যনে আমাৰ প্ৰযুক্তিৰ কাৰ্য্যকৰিতা প্ৰমাণ কৰে। |
043afbd936c95d0e33c4a391365893bd4102f1a7 | বৃহৎ গভীৰ নিউৰেল নেটৱৰ্ক মডেলসমূহে শেহতীয়াকৈ কঠিন চাক্ষুষ স্বীকৃতিৰ কামত অত্যাধুনিক সঠিকতা প্ৰদৰ্শন কৰিছে। দুৰ্ভাগ্যজনকভাৱে এনে মডেলসমূহ প্ৰশিক্ষণৰ বাবে অতিশয় সময় লয় আৰু বহু পৰিমাণৰ কম্পিউটাৰৰ চক্রৰ প্ৰয়োজন হয়। আমি আদম নামৰ বিতৰণ প্ৰণালীৰ ডিজাইন আৰু ৰূপায়ণৰ বিষয়ে বৰ্ণনা কৰিছো যিয়ে বিশ্বমানৰ প্ৰদৰ্শন, স্কেলিং আৰু কামৰ সঠিকতা প্ৰদৰ্শন কৰা এনে মডেলৰ প্ৰশিক্ষণ প্ৰদান কৰিবলৈ কমোডিটি চাৰ্ভাৰ মেচিনৰ দ্বাৰা গঠিত। এডামে সমগ্ৰ প্ৰণালী সহ-ডিজাইন কৰাৰ জৰিয়তে উচ্চ দক্ষতা আৰু স্কেলিবিলিটি অৰ্জন কৰে যি কৰ্ম-আৱৰণ গণনা আৰু যোগাযোগৰ অনুকূলিতকৰণ আৰু ভাৰসাম্যতা প্ৰদান কৰে। আমি সমগ্ৰ প্ৰণালীটোত এছিংক্ৰ নিয়াৰ ব্যৱহাৰ কৰি প্ৰদৰ্শন উন্নত কৰো আৰু দেখুৱাম যে ই প্ৰশিক্ষিত মডেলৰ সঠিকতাও উন্নত কৰে। পূৰ্বতে সম্ভৱ বুলি ভবাতকৈ এডাম যথেষ্ট কাৰ্যকৰী আৰু স্কেলিবল আৰু ইমেজনেট ২২,০০০ শ্ৰেণীৰ ইমেজ ক্লাচিফিকেচন টাস্কত তুলনামূলক সময়ত ২ বিলিয়ন সংযোগৰ মডেলক ২ গুণ অধিক সঠিকতালৈ প্ৰশিক্ষণ দিবলৈ ৩০ গুণ কম মেচিন ব্যৱহাৰ কৰিছিল যিটো পূৰ্বতে এই বেঞ্চমাৰ্কৰ বাবে ৰেকৰ্ড আছিল। আমি এইটোও দেখুৱাব পাৰো যে ডাঙৰ মডেলৰ সহায়ত কামৰ সঠিকতা বৃদ্ধি হয়। আমাৰ ফলাফলসমূহে প্ৰমাণ কৰে যে বৰ্তমানৰ প্ৰশিক্ষণ এলগৰিথম ব্যৱহাৰ কৰি গভীৰ শিক্ষণৰ বাবে বিতৰণ প্ৰণালী-চালিত পদ্ধতিৰ প্ৰয়োগ কৰাটো মূল্যবান। |
63d630482d59e83449f73b51c0efb608e662d3ef | ভৱিষ্যতৰ ইণ্টাৰনেট-অফ-থিংছ (আইঅ টি) ধাৰণাৰ ভিতৰত ৱায়াৰলেছ ইলেক্ট্ৰনিক টেগ আৰু ছেন্সৰৰ বাবে প্ৰিণ্টেড ইলেক্ট্ৰনিক্স বিবেচনা কৰা হয়। বৰ্তমানৰ মুদ্ৰণযোগ্য জৈৱিক আৰু অজৈৱিক অৰ্ধপৰিবাহীসমূহৰ কম চাৰ্জ কাৰেটৰ গতিশীলতাৰ ফলস্বৰূপে, মুদ্ৰিত ৰেক্টাইফায়াৰৰ কাৰ্যকৰী সঘনতা মোবাইল ফোন আৰু মুদ্ৰিত ই-টেগৰ মাজত প্ৰত্যক্ষ যোগাযোগ আৰু শক্তি প্ৰদান কৰিবলৈ যথেষ্ট উচ্চ নহয়। ইয়াত আমি এটা সম্পূৰ্ণ ছপা ডায়োডৰ বিষয়ে প্ৰতিবেদন দিছো যিটো ১.৬ গিগাহাৰ্জত কাম কৰে। Si আৰু NbSi2 কণাৰ দুটা স্তৰক ভিত্তি কৰি নিৰ্মাণ কৰা এই যন্ত্ৰটো কম তাপমাত্ৰাত আৰু পৰিৱেশৰ বায়ুমণ্ডলত এটা নমনীয় ছাবষ্ট্ৰেটৰ ওপৰত নিৰ্মাণ কৰা হয়। Si মাইক্ৰ পাৰ্টিকেলসমূহৰ উচ্চ চাৰ্জ কাৰেটৰ ম বিলিটি চাৰ্জ ইনজেকশ্যন-সীমাবদ্ধ ব্যৱস্থাত ডিভাইচ অপাৰেচন হ বলৈ অনুমতি দিয়ে। ফলত হোৱা ডিভাইচ ষ্টেকত অক্সিড স্তৰৰ অসামান্যতাৰ ফলত টানেলিং স্ৰোতৰ সংশোধন হয়। ছপা ডায়ডসমূহ এণ্টেনা আৰু ইলেক্ট্ৰ ক্ৰ মিক ডিচপ্লেৰ সৈতে সংযুক্ত কৰি সম্পূৰ্ণ ছপা ই-টেগ গঠন কৰা হয়। এটা গ্ল বেল চিষ্টেম ফৰ মোবাইল কমিউনিকেশ্যনছ ম বাইল ফোনৰ পৰা সংগ্ৰহ কৰা সংকেতটো ডিচপ্লে আপডেট কৰিবলৈ ব্যৱহাৰ কৰা হৈছিল। আমাৰ এই গৱেষণাই ইণ্টাৰনেট অফ থিংছ এপ্লিকেচনৰ ভিতৰত প্ৰিণ্টেড ইলেক্ট্ৰনিক্সৰ বাবে এক নতুন যোগাযোগ পথ প্ৰদৰ্শন কৰিছে। |
c15c068ac4b639646a74ad14fc994016f8925901 | এ-ছিঃ এইচ টিএফটিসমূহ পৰম্পৰাগতভাৱে সক্ৰিয় মেট্ৰিক্স ডিচপ্লেৰ বাবে বেকপ্লেন এৰেসমূহত আৰু কেতিয়াবা ৰ ল বা কলাম ড্ৰাইভ ইলেক্ট্ৰনিক্সত ব্যৱহাৰ কৰা হয়। বৰ্তমানৰ প্ৰচেষ্টা নমনীয় ডিচপ্লে আৰু ড্ৰাইভাৰসমূহত কেন্দ্ৰীভূত। এই প্ৰবন্ধত নমনীয় ইলেক্ট্ৰনিক্সক জটিল ডিজিটেল চাৰ্কিটাৰীলৈ প্ৰসাৰিত কৰা হৈছে নমনীয় স্টেইনলেস স্টিল আৰু প্লাষ্টিকৰ ছাবষ্ট্ৰেটত এ-ছিঃ এইচ টিএফটিসমূহৰ বাবে এক মানক চেল লাইব্ৰেৰী ডিজাইন কৰি। মানক চেল লাইব্ৰেৰীয়ে মানক চেল স্থান আৰু পথ সঁজুলিৰ সৈতে লেআউট স্বয়ংক্ৰিয়কৰণ সক্ষম কৰে, বেকপ্লেনত এ-ছিঃ এইচ ডিজিটেল চাৰ্কিটৰ লেআউটক যথেষ্ট গতি প্ৰদান কৰে যাতে ডিচপ্লে কাৰ্য্যকৰীতা উন্নত হয়। যিহেতু কেৱল n-চ্যানেলৰ ট্ৰানজিষ্টৰ উপলব্ধ, গেটবোৰ ভাল আউটপুট ভল্টেজ শিপিং নিশ্চিত কৰিবলৈ বুটষ্ট্ৰ্যাপ পুল-আপ নেটৱৰ্কৰ সৈতে ডিজাইন কৰা হৈছে। এই লাইব্ৰেৰীটো ৭ টা গেটত গঠিতঃ ৫ টা সংমিশ্ৰণ গেট (ইনভাৰ্টাৰ, এনএণ্ড২, এনঅ আৰ২, এনঅ আৰ৩ আৰু এমইউএক্স২) আৰু ২ টা ক্ৰমিক গেট (ল্যাচ আৰু ডিফ্লপ) । পৰীক্ষামূলকভাৱে মানক কোষৰ বিলম্ব বনাম ফেন-আউটৰ চৰিত্ৰ নিৰ্ণয় কৰিবলৈ পৰীক্ষা গাঁথনি প্ৰস্তুত কৰা হৈছে। লেআউটৰ পৰা বৈদ্যুতিক আন্তঃসংযোগৰ স্বয়ংক্ৰিয় আহৰণ, লেআউট বনাম স্কিমেটিক (LVS) সক্ষম কৰি, তলৰ গেট a-Si: H TFTs ৰ বাবে বিদ্যমান টুল ছুইটতো অন্তৰ্ভুক্ত কৰা হৈছে। এটা ৩বিট কাউণ্টাৰ ডিজাইন কৰা হৈছিল, নিৰ্মাণ কৰা হৈছিল আৰু পৰীক্ষা কৰা হৈছিল যাতে প্ৰমাণ কৰিব পাৰি যে মানক চেল লাইব্ৰেৰীটো বৰ্ণনা কৰা হৈছে। |
d1bf0962711517cff15205b1844d6b8d625ca7da | সামাজিক উদ্যমিতা, এটা অনুশীলন আৰু বৈজ্ঞানিক গৱেষণাৰ ক্ষেত্ৰ হিচাপে, ব্যৱস্থাপনা আৰু ব্যৱসায় গৱেষণাৰ বিভিন্ন ক্ষেত্ৰৰ ধাৰণা আৰু ধাৰণাসমূহক প্ৰত্যাহ্বান জনোৱাৰ, প্ৰশ্ন কৰাৰ আৰু পুনৰ বিবেচনা কৰাৰ এক অনন্য সুযোগ প্ৰদান কৰে। এই প্ৰবন্ধত সামাজিক উদ্যমিতা এক প্ৰক্ৰিয়া হিচাপে ধাৰণা কৰা হৈছে যি সামাজিক পৰিৱৰ্তনক অনুঘটক হিচাপে কাম কৰে আৰু উদ্যোগীসকলৰ প্ৰত্যক্ষ বিত্তীয় লাভৰ দ্বাৰা আধিপত্য নথকা গুৰুত্বপূৰ্ণ সামাজিক প্ৰয়োজনীয়তাবোৰ সমাধান কৰে। সামাজিক উদ্যমিতা অন্য ধৰণৰ উদ্যমীতাৰ পৰা পৃথক বুলি গণ্য কৰা হয়, য ত অৰ্থনৈতিক মূল্যৰ বিপৰীতে সামাজিক মূল্য আৰু বিকাশৰ প্ৰসাৰক প্ৰাধান্য দিয়া হয়। ভৱিষ্যতৰ গৱেষণাক উৎসাহিত কৰিবলৈ লেখকসকলে সামাজিক উদ্যমিতা অধ্যয়নৰ বাবে তাত্ত্বিক দৃষ্টিকোণৰ মাজত এক সংযোগ হিচাপে এম্বেডেডনেছ (embeddedness) ৰ ধাৰণাটো প্ৰৱৰ্তন কৰে। # ২০০৫ এলেছভিয়েৰ ইনক. সকলো অধিকাৰ সংৰক্ষিত। |
58461d01e8b6bd177d26ee17f9cf332cb8ca286a | আমি স্পেচ-টাইম ব্লক কোডিং প্ৰৱৰ্তন কৰিছো, ৰেলেহী ফেইডিং চেনেলৰ জৰিয়তে একাধিক প্ৰচাৰ এণ্টেনা ব্যৱহাৰ কৰি যোগাযোগৰ বাবে এক নতুন ধৰণ। তথ্যবোৰ এটা স্পেচ-টাইম ব্লক ক ডৰ সহায়ত এনকোড কৰা হয় আৰু এনকোড কৰা তথ্যবোৰ ষ্ট্ৰিমৰ মাজত ভাগ কৰা হয় যিটো একে সময়তে এন ট্ৰান্সমিট এণ্টেনাৰ ব্যৱহাৰ কৰি প্ৰচাৰ কৰা হয়। প্ৰতিটো গ্ৰহণ এণ্টেনাত প্ৰাপ্ত সংকেত হৈছে শব্দৰ দ্বাৰা বিঘ্নিত n প্ৰচাৰিত সংকেতৰ এক ৰেখীয় ছুপাৰপ জিছন। বিভিন্ন এণ্টেনাৰ পৰা প্ৰচাৰিত সংকেতসমূহক একেলগে চিনাক্ত কৰাৰ পৰিৱৰ্তে পৃথক কৰি সৰ্বাধিক সম্ভাৱনীয়তা ডিকোডিং সহজভাৱে প্ৰাপ্ত কৰা হয়। ই স্পেচ-টাইম ব্লক ক ডৰ অৰ্টোগ নেল গঠন ব্যৱহাৰ কৰে আৰু এক সৰ্বাধিক-সম্ভাব্যতা ডিকোডিং এলগৰিথম প্ৰদান কৰে যি কেৱল ৰিচিভাৰত ৰেখীয় প্ৰক্ৰিয়াকৰণৰ ওপৰত আধাৰিত। স্পেচ-টাইম ব্লক ক ডসমূহ এটা নিৰ্দিষ্ট সংখ্যক প্ৰেৰণ আৰু গ্ৰহণ এণ্টেনাৰ বাবে সৰ্বাধিক বৈচিত্ৰ্য অৰ্ডাৰ প্ৰাপ্ত কৰিবলৈ ডিজাইন কৰা হৈছে, এটা সৰল ডিকোডিং এলগৰিথমৰ সীমাবদ্ধতাৰ অধীনত। ধ্ৰুপদী গাণিতিক কাঠামো (orthogonal designs) ৰ ব্যৱহাৰ স্থান-সময় ব্লক কোড নিৰ্মাণ কৰিবলৈ কৰা হয়। এই পদ্ধতিৰে নিৰ্মিত স্থান-সময় ব্লক কোডসমূহ কেৱল কিছুমান বিৰল মানৰ বাবেহে বিদ্যমান। ইয়াৰ পিছত, orthogonal ডিজাইনৰ এটা সাধাৰণীকৰণ দেখুওৱা হয় যাতে যিকোনো সংখ্যক প্ৰেৰণ এণ্টেনাৰ বাবে বাস্তৱ আৰু জটিল দুয়োটা নক্ষত্ৰৰ বাবে স্থান-সময় ব্লক কোড প্ৰদান কৰিব পাৰি। এই কোডবোৰে PAM ৰ দৰে যিকোনো আভ্যন্তৰীণ বাস্তৱ নক্ষত্ৰ ব্যৱহাৰ কৰি যিকোনো সংখ্যক প্ৰেৰণ এণ্টেনাৰ বাবে সৰ্বাধিক সম্ভৱ প্ৰচাৰ হাৰ অৰ্জন কৰে। PSK আৰু QAM ৰ দৰে এটা নিৰ্দিষ্ট জটিল নক্ষত্ৰৰ বাবে, স্থান-সময় ব্লক কোডসমূহ ডিজাইন কৰা হয় যি যিকোনো সংখ্যক প্ৰেৰণ এণ্টেনাৰ বাবে সৰ্বাধিক সম্ভৱ প্ৰচাৰ হাৰ 1=2 প্ৰাপ্ত কৰে। দুটা, তিনিটা আৰু চাৰিটা প্ৰেৰণ এণ্টেনাৰ বিশেষ ক্ষেত্ৰত, স্থান-সময় ব্লক কোডসমূহ ডিজাইন কৰা হয় যিয়ে ক্ৰমে, সকলো, ৩=৪, আৰু ৩=৪, সৰ্বাধিক সম্ভৱ প্ৰচাৰ হাৰ ব্যৱহাৰ কৰি নিৰ্দিষ্ট জটিল নক্ষত্ৰসমূহ ব্যৱহাৰ কৰে। ডিকোডিং বিলম্ব আৰু প্ৰেৰণ এণ্টেনাৰ সংখ্যাৰ মাজত সৰ্বোত্তম বাণিজ্যও গণনা কৰা হয় আৰু ইয়াত প্ৰদৰ্শন কৰা বহুতো ক ড এই অৰ্থতও সৰ্বোত্তম বুলি প্ৰমাণিত হয়। |
25a7b5d2db857cd86692c45d0e5376088f51aa12 | এটা ভূমিকা-ভিত্তিক প্ৰৱেশ নিয়ন্ত্ৰণ (RBAC) মডেলৰ পৰিয়াল, ইয়াত RBAC96 মডেল বুলি উল্লেখ কৰা হৈছে, শেহতীয়াকৈ লেখক আৰু তেওঁৰ সহকৰ্মীসকলে প্ৰকাশ কৰিছে। এই প্ৰবন্ধত আমি এই মডেলসমূহ বিকাশৰ ক্ষেত্ৰত গ্ৰহণ কৰা গুৰুত্বপূৰ্ণ সিদ্ধান্তসমূহৰ যুক্তি প্ৰদান কৰিছো আৰু বিবেচনা কৰা বিকল্পসমূহৰ বিষয়ে আলোচনা কৰিছো। |
771b52e7c7d0a4ac8b8ee0cdeed209d1c4114480 | আমি এটা নিৰ্দিষ্ট সমান্তৰাল গণনাৰ বাবে এটা নতুন প্ৰগ্ৰামিং মডেল বিশুদ্ধ কাৰ্য্যক্ৰমিক ভাষাত উপস্থাপন কৰিছো। এই মডেলটো একক আৰু স্পষ্ট দ্ৰুততা আছে, কিন্তু নিৰ্ণায়ক আৰু শুদ্ধ হৈ থকাৰ সময়ত কাৰ্য্যকালত কাৰ্য্যসূচী কৰা ডাটাফ্লো নেটৱৰ্কৰ গতিশীল নিৰ্মাণৰ অনুমতি দিয়ে। এই ৰূপায়ণ মোনডিক সমান্তৰালতাৰ ওপৰত আধাৰিত, যি বৰ্তমানলৈকে সমান্তৰালতা প্ৰদান কৰাৰ পৰিৱৰ্তে কাৰ্য্যকৰী ভাষাত সমান্তৰালতা অনুকৰণ কৰিবলৈ ব্যৱহাৰ কৰা হয়। আমি APIক ইয়াৰ অৰ্থবিজ্ঞানৰে উপস্থাপন কৰো, আৰু যুক্তি দিওঁ যে সমান্তৰাল কাৰ্যকৰীতা নিৰ্ণায়ক। তদুপৰি, আমি এটা সম্পূৰ্ণ কাম-চোৰ কৰা সময়সূচী প্ৰদৰ্শন কৰো যিটো এটা Haskell লাইব্ৰেৰী হিচাপে প্ৰয়োগ কৰা হৈছে, আৰু আমি দেখুৱাম যে ই কমেও Haskell ত থকা সমান্তৰাল প্ৰগ্ৰামিং মডেলৰ দৰে ভালকৈ কাৰ্য্য কৰে। |
29cd61d634786dd3b075eeeb06349a98ea0535c6 | এই অধ্যয়নত আমেৰিকা যুক্তৰাষ্ট্ৰৰ ৬ৰ পৰা ১১ বছৰ আৰু ১২ৰ পৰা ১৬ বছৰ বয়সৰ শিশু আৰু কিশোৰৰ মাজত খাদ্যৰ অভাৱ আৰু জ্ঞানীয়, শৈক্ষিক আৰু মানসিক-সামাজিক ফলাফলৰ মাজত থকা সম্পৰ্কসমূহ পৰীক্ষা কৰা হৈছে। তৃতীয় ৰাষ্ট্ৰীয় স্বাস্থ্য আৰু পুষ্টি পৰীক্ষা সমীক্ষা (NHANES III) ৰ তথ্য বিশ্লেষণ কৰা হয়। পৰিয়ালৰ উত্তৰদাতাই তেওঁলোকৰ পৰিয়ালৰ কেতিয়াবা বা প্ৰায়েই পৰ্যাপ্ত আহাৰ নাপায় বুলি যদি জানিবলৈ দিয়ে তেন্তে শিশুসকলক খাদ্যৰ অভাৱত শ্ৰেণীবদ্ধ কৰা হয়। খাদ্যৰ অভাৱ আৰু সাধাৰণভাৱে জ্ঞানীয়, শৈক্ষিক আৰু মানসিক সামাজিক পদক্ষেপৰ মাজত আৰু তাৰ পিছত নিম্ন-ঝুঁকি আৰু উচ্চ-ঝুঁকি গোটৰ মাজত সম্পৰ্ক পৰীক্ষা কৰিবলৈ প্ৰতিলিপি বিশ্লেষণ কৰা হৈছিল। খাদ্যৰ অভাৱৰ বাবে ৰিগ্রেছন কোফিচিয়েণ্ট আৰু অডছ ৰেচিয়োসমূহ দৰিদ্ৰতাৰ স্থিতি আৰু অন্যান্য সম্ভাব্য বিভ্ৰান্তিকৰ কাৰকৰ বাবে সংশোধন কৰি দিয়া হৈছে। ফলাফলঃ ৬-১১ বছৰ বয়সৰ খাদ্য সংকটত ভোগা শিশুৰ গণিতত বহু কম নম্বৰ পোৱা দেখা যায় আৰু তেওঁলোকৰ এটা শ্ৰেণীত দ্বিতীয় স্থান লাভ কৰাৰ সম্ভাৱনা, মনোবিজ্ঞানীক দেখুওৱাৰ সম্ভাৱনা আৰু আন শিশুৰ সৈতে সহাৱস্থান কৰাত অসুবিধা হোৱা দেখা যায়। খাদ্যৰ অভাৱত থকা কিশোৰ-কিশোৰীসকলে মনোবিজ্ঞানীলৈ যোৱাৰ সম্ভাৱনা বেছি, স্কুলৰ পৰা নিলম্বিত হোৱাৰ সম্ভাৱনা বেছি আৰু আন শিশুৰ সৈতে সহাৱস্থান কৰাত অসুবিধা হয়। পৰৱৰ্তী বিশ্লেষণত শিশুসকলক নিম্ন-ঝুঁকি আৰু উচ্চ-ঝুঁকিৰ গোটত ভাগ কৰা হয়। খাদ্যৰ অভাৱ আৰু শিশুৰ ফলাফলৰ মাজত থকা সম্পৰ্কবোৰ বিপদ স্তৰৰ ওপৰত নিৰ্ভৰ কৰি ভিন্ন আছিল। ফলাফলসমূহে প্ৰমাণ কৰে যে নেতিবাচক শৈক্ষিক আৰু মানসিক ফলাফল পৰিয়ালৰ স্তৰত খাদ্যৰ অভাৱৰ সৈতে জড়িত আৰু আমেৰিকান পৰিয়ালৰ খাদ্য সুৰক্ষা বৃদ্ধিৰ বাবে জনস্বাস্থ্যৰ প্ৰচেষ্টাক সমৰ্থন প্ৰদান কৰে। |
001ffbeb63dfa6d52e9379dae46e68aea2d9407e | |
7e383307edacb0bb53e57772fdc1ffa2825eba91 | বাস্তৱ জগতৰ প্ৰয়োগৰ বহুতো সমস্যাৰ মাজত পৰিসংখ্যাগতভাৱে সম্পৰ্কিত কেতবোৰ এলোমেলো ভৰিবোৰৰ ভৱিষ্যদ্বাণী কৰা জড়িত থাকে। মাৰকভৰ এলোমেলো ক্ষেত্ৰ (এমআৰএফ) এনেকুৱা নিৰ্ভৰশীলতা এনকোড কৰিবলৈ এটা মহান গাণিতিক সঁজুলি। এই প্ৰবন্ধৰ লক্ষ্য হৈছে আউটপুট এলোমেলো ভৰিবলীৰ মাজত নিৰ্ভৰশীলতাসমূহ বিবেচনা কৰি জটিল প্ৰতিনিধিত্বৰ অনুমান কৰিবলৈ এমআৰএফক গভীৰ শিক্ষণৰ সৈতে একত্ৰিত কৰা। এই লক্ষ্যৰ দিশে, আমি এটা প্ৰশিক্ষণ এলগৰিথমৰ প্ৰস্তাৱ দিছো যি MRF সম্ভাৱনীয়তাক গঢ়ি তোলা গভীৰ বৈশিষ্ট্যৰ সৈতে সংগতি ৰাখি গাঁথনিবদ্ধ মডেল শিকিবলৈ সক্ষম। আমাৰ পদ্ধতিটো কাৰ্যকৰী কিয়নো ই শিকন আৰু অনুমানৰ মিশ্ৰণ আৰু জিপিইউ ত্বৰণৰ ব্যৱহাৰ কৰে। আমি আমাৰ এলগৰিথমৰ কাৰ্যকৰীতা প্ৰদৰ্শন কৰিছো শব্দযুক্ত ছবিৰ পৰা শব্দৰ ভৱিষ্যদ্বাণী কৰাৰ লগতে ফ্লিকাৰৰ ফটোগ্ৰাফসমূহ টেগ কৰাৰ ক্ষেত্ৰত। আমি দেখুৱাম যে গভীৰ বৈশিষ্ট্য আৰু এমআৰএফৰ পাৰামিটাৰসমূহৰ যৌথ শিক্ষাৰ ফলত উল্লেখযোগ্য কাৰ্যক্ষমতা লাভ হয়। |
444b9f2fff2132251a43dc4a4f8bd213e7763634 | উদ্দেশ্যঃ আমাৰ উদ্দেশ্য হ ল প্ৰমাণ-ভিত্তিক পদ্ধতিৰ পৰা কেনেকৈ চফ্টৱেৰ ইঞ্জিনিয়াৰিংয়ে লাভান্বিত হ ব পাৰে আৰু এই পদ্ধতিৰ সৈতে জড়িত সম্ভাৱ্য অসুবিধাসমূহ চিনাক্ত কৰা। পদ্ধতিঃ আমি প্ৰমাণ-ভিত্তিক ঔষধ (EBM) ৰ সমৰ্থনকাৰী সংগঠন আৰু কাৰিকৰী আন্তঃগাঁথনিৰ সৈতে চফ্টৱেৰ ইঞ্জিনিয়াৰিংৰ পৰিস্থিতিৰ তুলনা কৰিছিলো। আমি ছফ্টৱেৰ ইঞ্জিনিয়াৰিংৰ বাবে বিশেষ কাৰকবোৰৰ প্ৰভাৱৰ বিষয়ে বিবেচনা কৰিছিলো। ফলাফলঃ ইবিএছইয়ে বিভিন্ন অংশীদাৰ গোটৰ প্ৰয়োজনীয়তা পূৰণৰ বাবে গৱেষণাৰ ফলাফলৰ একত্ৰীকৰণক উৎসাহিত কৰি বহুতো লাভৰ প্ৰতিশ্ৰুতি দিয়ে। কিন্তু বৰ্তমান সময়ত ইবিএছইৰ ব্যাপক প্ৰয়োগৰ বাবে প্ৰয়োজনীয় আন্তঃগাঁথনি আমাৰ হাতত নাই। দক্ষতাৰ কাৰকৰ ফলত ছফ্টৱেৰ অভিযান্ত্ৰিক পৰীক্ষাসমূহ বিষয় আৰু পৰীক্ষাৰ্থীৰ পক্ষপাতৰ বাবে সংবেদনশীল হৈ পৰে। জীৱনচক্ৰৰ কাৰকৰ বাবে প্ৰযুক্তিসমূহ স্থাপন হোৱাৰ পিছত কিদৰে আচৰণ কৰিব সেয়া নিৰ্ণয় কৰা কঠিন। সিদ্ধান্তসমূহঃ প্ৰমাণৰ উপযোগী পদ্ধতি গ্ৰহণ কৰি ছফ্টৱেৰ ইঞ্জিনিয়াৰিংয়ে লাভান্বিত হ ব পাৰে যদিহে ই ছফ্টৱেৰ ইঞ্জিনিয়াৰিংৰ স্বভাৱৰ পৰা উদ্ভূত বিশেষ সমস্যাবোৰৰ সৈতে মোকাবিলা কৰে। |
cf234668399ff2d7e5e5a54039907b0fa7cf36d3 | ত্ৰিমাত্ৰিক হাতৰ অঙ্গভঙ্গি চিনাক্তকৰণে কম্পিউটাৰ দৃষ্টি, আৰ্হি চিনাক্তকৰণ আৰু মানৱ-কম্পিউটাৰ আন্তঃক্ৰিয়াত ক্ৰমবৰ্ধমান গৱেষণা আগ্ৰহ আকৰ্ষণ কৰিছে। উদীয়মান গভীৰতা ছেন্সৰে বিভিন্ন হাতৰ অঙ্গভঙ্গি চিনাক্তকৰণ পদ্ধতি আৰু প্ৰয়োগসমূহক যথেষ্ট অনুপ্ৰাণিত কৰিছিল, যিসমূহ 2D ডোমেনত প্ৰচলিত কেমেৰাৰ সৈতে কঠোৰভাৱে সীমিত আছিল। এই প্ৰবন্ধত 3D গভীৰতা সংবেদক ব্যৱহাৰ কৰি হাতৰ অঙ্গভঙ্গি চিনাক্তকৰণৰ ওপৰত শেহতীয়া কামৰ এক সমীক্ষা দাঙি ধৰা হৈছে। আমি প্ৰথমে বাণিজ্যিক গভীৰতা ছেন্সৰ আৰু ৰাজহুৱা তথ্য ছেটসমূহ পৰ্যালোচনা কৰিম যি এই ক্ষেত্ৰত বহুলভাৱে ব্যৱহৃত হয়। তাৰ পিছত, আমি চাৰিটা দিশত 3D হাতৰ অঙ্গভঙ্গি চিনাক্তকৰণৰ বাবে অত্যাধুনিক গৱেষণাৰ পৰ্যালোচনা কৰো: 1) 3D হাতৰ মডেলিং; 2) স্থিৰ হাতৰ অঙ্গভঙ্গি চিনাক্তকৰণ; 3) হাতৰ গতিপথৰ অঙ্গভঙ্গি চিনাক্তকৰণ; আৰু 4) অবিৰত হাতৰ অঙ্গভঙ্গি চিনাক্তকৰণ। যদিও গুৰুত্ব 3D হাতৰ অঙ্গভঙ্গি চিনাক্তকৰণ পদ্ধতিৰ ওপৰত, সংশ্লিষ্ট প্ৰয়োগ আৰু সাধাৰণ প্ৰণালীসমূহো অনুশীলনকাৰীসকলৰ বাবে সংক্ষেপে সংক্ষেপিত কৰা হৈছে। |
33da83b54410af11d0cd18fd07c74e1a99f67e84 | আমি মূল্যায়ন কৰো যে গভীৰ কনভলুশ্যনেল নেটৱৰ্ক সক্ৰিয়কৰণৰ পৰা আহৰণ কৰা বৈশিষ্টসমূহ সম্পূৰ্ণ পৰ্যবেক্ষণেৰে প্ৰশিক্ষিত বৃহৎ, স্থিৰ বস্তুৰ স্বীকৃতিৰ কামৰ ওপৰত নতুন জেনেৰিক কামৰ বাবে পুনৰ ব্যৱহাৰ কৰিব পাৰি নেকি। আমাৰ সাধাৰণ কামবোৰ প্ৰথমে প্ৰশিক্ষিত কামবোৰৰ পৰা যথেষ্ট পৃথক হ ব পাৰে আৰু নতুন কামবোৰত এটা গভীৰ আৰ্হিৰ প্ৰশিক্ষণ বা অনুকূলিতকৰণৰ বাবে পৰম্পৰাগতভাৱে পৰ্যাপ্ত লেবেলযুক্ত বা লেবেলবিহীন তথ্য থাকিব নোৱাৰে। আমি এনে বিভিন্ন কামৰ সৈতে গভীৰ কনভলুশ্যনেল বৈশিষ্ট্যৰ অৰ্থগত ক্লাষ্টাৰিংৰ অনুসন্ধান আৰু দৃশ্যমানতা কৰো, য ত দৃশ্য স্বীকৃতি, ড মেইন অভিযোজন আৰু সূক্ষ্ম-খাদ্যযুক্ত স্বীকৃতি প্ৰত্যাহ্বান অন্তৰ্ভুক্ত থাকে। আমি এটা স্থিৰ বৈশিষ্ট নিৰ্ধাৰণ কৰিবলৈ বিভিন্ন নেটৱৰ্ক স্তৰৰ ওপৰত নিৰ্ভৰ কৰাৰ কাৰ্যকৰীতা তুলনা কৰো আৰু কেইবাটাও গুৰুত্বপূৰ্ণ দৃষ্টি প্ৰত্যাহ্বানৰ ক্ষেত্ৰত অত্যাধুনিক প্ৰদৰ্শনক অতিক্ৰম কৰা নতুন ফলাফলৰ প্ৰতিবেদন দিওঁ। আমি এই গভীৰ কনভল্যুশ্যনেল সক্ৰিয়কৰণ বৈশিষ্টসমূহৰ এটা মুক্ত উৎসৰ ৰূপায়ণ DeCAF মুকলি কৰি দিছো, সকলো সংযুক্ত নেটৱৰ্ক পাৰামিটাৰসমূহৰ সৈতে যাতে দৃষ্টি গৱেষকসকলে বিভিন্ন ভিজুৱেল কন্সেপ্ট লাৰ্ণিং পেৰাডাগ্মৰ মাজত গভীৰ প্ৰতিনিধিত্বৰ সৈতে পৰীক্ষা-নিৰীক্ষা চলাব পাৰে। |
b6011390c08d7982bdaecb60822e72ed7c751ea4 | |
609ab78579f2f51e4677715c32d3370899bfd3a7 | আপুনি JSTOR আৰ্কাইভ ব্যৱহাৰ কৰিলে আপুনি http://www.jstor.org/about/terms.html ত উপলব্ধ JSTOR ৰ ব্যৱহাৰৰ চৰ্তসমূহ গ্ৰহণ কৰিছে। JSTOR ৰ ব্যৱহাৰৰ চৰ্ত আৰু নিয়মাবলী অনুসৰি, আপুনি যদিহে পূৰ্বৰ অনুমতি লাভ নকৰে, আপুনি এটা জুমাল বা প্ৰবন্ধৰ একাধিক প্ৰতিলিপি ডাউনলোড কৰিব নোৱাৰিব, আৰু আপুনি JSTOR আৰ্কাইভৰ সামগ্ৰী কেৱল আপোনাৰ ব্যক্তিগত, অ-বাণিজ্যিক ব্যৱহাৰৰ বাবে ব্যৱহাৰ কৰিব পাৰে। |
7abeaf172af1129556ee8b3fcbb2139172e50bdf | আপুনি JSTOR আৰ্কাইভ ব্যৱহাৰ কৰিলে আপুনি http://www.jstor.org/page/info/about/policies/terms.jsp ত উপলব্ধ JSTOR ৰ ব্যৱহাৰৰ চৰ্তসমূহ গ্ৰহণ কৰিছে। JSTOR ৰ ব্যৱহাৰৰ চৰ্ত আৰু নিয়মাবলীত আংশিকভাৱে উল্লেখ আছে যে আপুনি যদি পূৰ্বৰ অনুমতি নাপায়, আপুনি আলোচনীখনৰ এটা সম্পূৰ্ণ সংখ্যা বা প্ৰবন্ধৰ একাধিক প্ৰতিলিপি ডাউনলোড কৰিব নোৱাৰিব, আৰু আপুনি JSTOR আৰ্কাইভৰ সামগ্ৰী কেৱল আপোনাৰ ব্যক্তিগত, অ-বাণিজ্যিক ব্যৱহাৰৰ বাবেহে ব্যৱহাৰ কৰিব পাৰে। |
93dbcdc45336f4d26575e8273b3d70f7a1a260b2 | তথ্য প্ৰণালীৰ ক্ষেত্ৰখন তথ্য প্ৰযুক্তিৰ দৈনন্দিন সামাজিক-অৰ্থনৈতিক জীৱনত কেন্দ্ৰীয়তাৰ ওপৰত নিৰ্ভৰশীল। তথাপিও, তথ্য প্ৰণালী গৱেষণাত (ISR) বিগত দহ বছৰত প্ৰকাশিত প্ৰবন্ধসমূহৰ সম্পূৰ্ণ সমীক্ষাৰ ওপৰত ভিত্তি কৰি আমি যুক্তি দিওঁ যে এই ক্ষেত্ৰখনে ইয়াৰ মূল বিষয়- তথ্য প্ৰযুক্তি (IT) ৰ আৰ্টিফেক্টৰ সৈতে গভীৰভাৱে জড়িত হোৱা নাই। ইয়াৰ পৰিৱৰ্তে, আমি পাওঁ যে আইএছ গৱেষকসকলে প্ৰসংগ (য ত কিছুমান সাধাৰণতে নিৰ্দিষ্ট নকৰা প্ৰযুক্তি কাৰ্য্য কৰা দেখা যায়), আৰ্টিফেক্টৰ বিচ্ছিন্ন প্ৰক্ৰিয়া ক্ষমতা (ইয়াৰ প্ৰসংগ বা ব্যৱহাৰৰ পৰা পৃথক কৰিব পৰা), বা নিৰ্ভৰশীল ভৰিবল (যিটো প্ৰযুক্তি বিকাশ, প্ৰয়োগ আৰু ব্যৱহাৰৰ ক্ষেত্ৰত প্ৰভাৱিত বা সলনি হোৱা বুলি ধাৰণা কৰা হয়) ক কেন্দ্ৰীয় তাত্ত্বিক গুৰুত্ব প্ৰদান কৰে। আইটি আৰ্টিফেক্টটো নিজে দৃষ্টিৰ পৰা আঁতৰি যায়, স্বাভাৱিক বুলি ধৰা হয়, বা ইয়াক নিৰ্মাণ আৰু স্থাপন কৰাৰ পিছত সমস্যাহীন বুলি ধাৰণা কৰা হয়। আমাৰ অনুসন্ধানৰ ফলাফলৰ বিষয়ে আলোচনা কৰাৰ পিছত, আমি আইএছ ক্ষেত্ৰৰ বাবে এক গৱেষণা দিশৰ প্ৰস্তাৱ দিছো যিয়ে প্ৰযুক্তিৰ প্ৰভাৱ, প্ৰেক্ষাপট আৰু ক্ষমতাৰ দৰে গুৰুত্ব সহকাৰে গ্ৰহণ কৰিবলৈ আৰম্ভ কৰে। বিশেষকৈ, আমি প্ৰস্তাৱ দিওঁ যে আইএছ গৱেষকসকলে আইটি আৰ্টিফেক্টৰ বিষয়ে বিশেষভাৱে তত্ত্ব কৰিবলৈ আৰম্ভ কৰক, আৰু তাৰ পিছত এই তত্ত্ববোৰ তেওঁলোকৰ অধ্যয়নত স্পষ্টভাৱে অন্তৰ্ভুক্ত কৰক। আমি বিশ্বাস কৰো যে এনে এক গৱেষণাৰ দিশ অতি গুৰুত্বপূৰ্ণ যদিহে আইএছ গৱেষণাই এক বিশ্বক বুজিবলৈ এক গুৰুত্বপূৰ্ণ অৱদান আগবঢ়াব বিচাৰে য ত তথ্য প্ৰযুক্তিৰ সাৰ্বজনীন, আন্তঃনিৰ্ভৰশীল আৰু উদ্ভৱশীলতা বৃদ্ধি পাইছে। (তথ্য প্ৰণালী গৱেষণা; তথ্য প্ৰযুক্তি; আই টি গৱেষণা; আই টি তত্ত্ব; প্ৰযুক্তিগত প্ৰতিলিপি; প্ৰযুক্তিগত পৰিৱৰ্তন) |
bc5e20c9e950a5dcedbe1caacc39afe097e3a6b0 | সাধাৰণীকৰণযোগ্যতা হৈছে গৱেষণা কৰা আৰু ব্যৱহাৰ কৰাসকলৰ বাবে এক প্ৰধান উদ্বেগ। পৰিসংখ্যাগত, নমুনা-ভিত্তিক সাধাৰণীকৰণ ভালদৰে জনা যায়, কিন্তু পদ্ধতিবিদসকলে পৰিসংখ্যাগতৰ বাহিৰেও সাধাৰণীকৰণৰ ধাৰণা সম্পৰ্কে দীৰ্ঘদিন ধৰি অৱগত আছিল। এই প্ৰবন্ধৰ উদ্দেশ্য হৈছে ইয়াৰ প্ৰকৃতিৰ সমালোচনামূলক পৰীক্ষা, ইয়াৰ ব্যৱহাৰ আৰু অপব্যৱহাৰৰ উদাহৰণ আৰু ইয়াৰ বিভিন্ন ৰূপৰ শ্ৰেণীবিভাজনৰ বাবে এক ফ্ৰেমৱৰ্ক উপস্থাপন কৰি সাধাৰণীকৰণযোগ্যতাৰ ধাৰণাটো স্পষ্ট কৰা। এই ফ্ৰেমৱৰ্কটোৱে বিভিন্ন প্ৰকাৰক চাৰিটা ভাগত ভাগ কৰিছে, যিবোৰক অভিজ্ঞ আৰু তাত্ত্বিক প্ৰকাৰৰ বিবৃতিৰ মাজত থকা পাৰ্থক্যৰ দ্বাৰা সংজ্ঞায়িত কৰা হৈছে। এক কথাত, এই ফ্ৰেমৱৰ্কটোৱে সেই সীমাসমূহ নিশ্চিত কৰে য ত পৰিসংখ্যাগত, নমুনাভিত্তিক সাধাৰণীকৰণ বৈধ। আনহাতে, এই ফ্ৰেমৱৰ্কে তথ্য প্ৰণালী আৰু অন্যান্য ক্ষেত্ৰৰ গৱেষকসকলক সাধাৰণীকৰণযোগ্যতাৰ দাবী কৰাৰ উপায় দেখুৱায়, আৰু সেইদৰে তেওঁলোকৰ অনুসন্ধান নমুনা ভিত্তিক গৱেষণাৰ সীমাৰ বাহিৰত পৰিলেও বিস্তৃত প্ৰাসংগিকতা দাবী কৰে। (গৱেষণা পদ্ধতি; ইতিবাচক গৱেষণা; ব্যাখ্যামূলক গৱেষণা; পৰিমাণগত গৱেষণা; গুণগত গৱেষণা; কেচ ষ্টডিজ; গৱেষণা ডিজাইন; সাধাৰণীকৰণযোগ্যতা) |
2e5f2b57f4c476dd69dc22ccdf547e48f40a994c | |
14b5e8ba23860f440ea83ed4770e662b2a111119 | বৃহৎ কনভলুশ্যনেল নেটৱৰ্ক মডেলসমূহে শেহতীয়াকৈ ইমেজনেট বেঞ্চমাৰ্কত (Krizhevsky et al., 2012) আকৰ্ষণীয় শ্ৰেণীবিভাজনৰ প্ৰদৰ্শন প্ৰদৰ্শন কৰিছে। কিন্তু এই পদ্ধতিবোৰ কিয় ভাল হয় বা ইয়াক কেনেকৈ উন্নত কৰিব পাৰি সেই বিষয়ে এতিয়াও স্পষ্টকৈ জানিব পৰা হোৱা নাই। এই প্ৰবন্ধত আমি দুয়োটা বিষয়কেই আলোচনা কৰিম। আমি এটা নতুন দৃশ্যমানকৰণ কৌশল প্ৰৱৰ্তন কৰিছো যি মধ্যৱৰ্তী বৈশিষ্ট্যৰ স্তৰসমূহৰ কাৰ্য আৰু শ্ৰেণীবিভাগকৰ কাৰ্যৰ অন্তৰ্দৃষ্টি প্ৰদান কৰে। ৰোগ নিৰ্ণয়ৰ ক্ষেত্ৰত ব্যৱহাৰ কৰা এই দৃশ্যায়নবোৰে আমাক মডেল স্থাপত্য বিচাৰি উলিয়াবলৈ অনুমতি দিয়ে যি ক্ৰিজভস্কি আৰু আনক অতিক্ৰম কৰে। ইমেজনেট শ্ৰেণীবিভাজনৰ মানদণ্ডত। আমি বিভিন্ন মডেল স্তৰৰ পৰা কাৰ্যক্ষমতা অৱদান আৱিষ্কাৰ কৰিবলৈ এটা আব্লেচন অধ্যয়নও সম্পন্ন কৰোঁ। আমি দেখুৱাম যে আমাৰ ইমেজনেট মডেলটো আন ডাটাছেটলৈ ভালদৰে সাধাৰণীকৰণ কৰেঃ যেতিয়া softmax শ্ৰেণীবিভাগক পুনৰ প্ৰশিক্ষণ দিয়া হয়, ই ক লটেক-১০১ আৰু ক লটেক-২৫৬ ডাটাছেটৰ বৰ্তমানৰ অত্যাধুনিক ফলাফলক বিশ্বাসযোগ্যভাৱে বীট কৰে। |
424561d8585ff8ebce7d5d07de8dbf7aae5e7270 | অত্যাধুনিক অবজেক্ট ডিটেকচন নেটৱৰ্কসমূহ অবজেক্টৰ অৱস্থান অনুমান কৰিবলৈ অঞ্চল প্ৰস্তাৱ এলগৰিথমৰ ওপৰত নিৰ্ভৰ কৰে। SPPnet আৰু Fast R-CNN ৰ দৰে অগ্ৰগতিয়ে এই আৱিষ্কাৰ নেটৱৰ্কৰ চলাৰ সময় হ্ৰাস কৰিছে, অঞ্চল প্ৰস্তাৱ গণনা এক বাটকটীয়া হিচাপে উন্মোচিত কৰিছে। এই কামত, আমি এটা <italic>Region Proposal Network</italic> (RPN) প্ৰৱৰ্তন কৰো যিটো আৱিষ্কাৰ নেটৱৰ্কৰ সৈতে সম্পূৰ্ণ-চিত্ৰৰ কনভলুশ্যনেল বৈশিষ্ট্যবোৰ ভাগ কৰে, যাৰ ফলত প্ৰায় বিনামূলীয়া অঞ্চল প্ৰস্তাৱ সক্ষম হয়। এটা RPN হৈছে এটা সম্পূৰ্ণৰূপে কনভল্যুশ্যনেল নেটৱৰ্ক যি একে সময়তে প্ৰতিটো অৱস্থানত অবজেক্টৰ সীমা আৰু অবজেক্টনেছ স্ক ৰ পূৰ্বানুমান কৰে। আৰপিএনক উচ্চ মানৰ অঞ্চল প্ৰস্তাৱ সৃষ্টি কৰিবলৈ সম্পূৰ্ণ প্ৰশিক্ষণ দিয়া হয়, যাক ফাষ্ট আৰ-চিএনএনে আৱিষ্কাৰৰ বাবে ব্যৱহাৰ কৰে। আমি আৰু অধিক RPN আৰু Fast R-CNN একক নেটৱৰ্কত একত্ৰিত কৰো তেওঁলোকৰ কনভলুশ্যনেল বৈশিষ্ট্যবোৰ ভাগ কৰি- "উদ্দেশ্য"ৰ সৈতে নিউৰেল নেটৱৰ্কৰ শেহতীয়াকৈ জনপ্ৰিয় শব্দকৰণ ব্যৱহাৰ কৰি, RPN উপাদানটোৱে একত্ৰিত নেটৱৰ্কক ক ত চাব লাগে সেয়া কয়। অতি গভীৰ ভিজিজি-১৬ মডেলৰ বাবে, আমাৰ আৱিষ্কাৰ প্ৰণালীৰ এটা জিপিইউত ৫ ফ্ৰেম ৰেট (সকলো পদক্ষেপকে ধৰি) আছে, একে সময়তে পেস্কেল ভিঅ চি ২০০৭, ২০১২ আৰু এমএছ ক ক ডাটাছেটত প্ৰতি প্ৰতিচ্ছবিত মাত্ৰ ৩০০ প্ৰস্তাৱৰে অত্যাধুনিক বস্তু আৱিষ্কাৰৰ সঠিকতা লাভ কৰে। আইএলএছভিআৰচি আৰু ক কো ২০১৫ প্ৰতিযোগিতাত, ফাষ্টাৰ আৰ-চিএনএন আৰু আৰপিএন হৈছে কেইবাটাও ট্ৰেকত প্ৰথম স্থান বিজয়ী প্ৰবিষ্টিৰ ভেটি। এই কোডটো জনসাধাৰণৰ বাবে মুকলি কৰি দিয়া হৈছে। |
cddb9e0effbc56594049c9e7d788b0df2247b1e5 | |
7908a8d73c9164ddfa6eb3f355494dfc849dc98f | এই প্ৰবন্ধত, মূল সাধাৰণ ডাইকষ্ট্ৰা এলগৰিদমৰ পৰা [1] এটা নতুন-ডাইকষ্ট্ৰা এলগৰিদমক এটা উন্নত ডাইকষ্ট্ৰা হিচাপে বৈধতা প্ৰদান কৰিবলৈ এটা গাণিতিক গণনাৰ দিশত সংক্ষিপ্তভাৱে প্ৰচেষ্টা চলোৱা হৈছে। এই অস্থায়ী ডাইকষ্ট্ৰাৰ ফলাফলৰ সহায়ত অগ্নিনিৰ্বাপক বাহিনীয়ে অগ্নিকাণ্ডৰ ঠিকনা পাবলৈ আটাইতকৈ কম পথটো বিচাৰি উলিয়ালে। পথটোৰ ওপৰত ঘূৰ্ণাৰ প্ৰভাৱৰ ওপৰত এই ধাৰণা নিৰ্ভৰ কৰে, কিয়নো দুটা সমান পথ আছে, ইয়াত ঘূৰ্ণাৰ সংখ্যা যিমান বেছি, ইয়াৰ মাজেৰে পাৰ হ বলৈ বেছি সময় লাগে আৰু ঘূৰ্ণাৰ সংখ্যা যিমান কম হয়, ইয়াৰ মাজেৰে পাৰ হ বলৈ কম সময় লাগে। এই দৃশ্যটো ব্যৱহাৰিকভাৱে প্ৰয়োগ কৰিবলৈ আমি খাৰ্টুমৰ দক্ষিণৰ এটা সৰু বাস্তৱ অঞ্চল লৈছো। এই ফলাফলৰ দ্বাৰা আমাৰ পদ্ধতি প্ৰমাণিত আৰু প্ৰমাণিত হয় আৰু জিঅ -ডিজকষ্টাৰ দৰে অগ্নিনিৰ্বাপনৰ বাবে উন্নত ডিজকষ্টাৰ এলগৰিথমৰ স্পষ্ট অৱদান থাকে। তদুপৰি, ওপৰত উল্লেখিত এলগৰিথমসমূহৰ এটা মূল্যায়ন কৰা হৈছে যিয়ে অতি আশাব্যঞ্জক আৰু বাস্তৱিক ফলাফল দেখুৱাইছে। |
0fccd6c005fc60153afa8d454e056e80cca3102e | চৰকাৰী আৰু উদ্যোগৰ কম্পিউটিং আন্তঃগাঁথনি সুৰক্ষিত কৰাৰ ক্ষেত্ৰত নেটৱৰ্ক সুৰক্ষা প্ৰযুক্তি অতি গুৰুত্বপূৰ্ণ হৈ পৰিছে। আধুনিক অনুপ্ৰৱেশ চিনাক্তকৰণ প্ৰয়োগসমূহে জটিল প্ৰয়োজনীয়তাৰ সন্মুখীন হয়; সেইবোৰ নিৰ্ভৰযোগ্য, সম্প্ৰসাৰিত, পৰিচালনা কৰিবলৈ সহজ আৰু কম পৰিচালনা ব্যয়ৰ প্ৰয়োজন। সাম্প্ৰতিক বছৰবোৰত, মেচিন লাৰ্ণিং-ভিত্তিক অনুপ্ৰৱেশ চিনাক্তকৰণ প্ৰণালীয়ে উচ্চ নির্ভুলতা, নতুন ধৰণৰ অনুপ্ৰৱেশৰ বাবে ভাল সাধাৰণীকৰণ আৰু পৰিৱৰ্তিত পৰিৱেশত শক্তিশালী আচৰণ প্ৰদৰ্শন কৰিছে। এই কামৰ উদ্দেশ্য হৈছে কৃত্ৰিম নিউৰেল নেটৱৰ্ক আৰু সহায়ক ভেক্টৰ মেচিনকে ধৰি অনুপ্ৰৱেশ চিনাক্তকৰণ ব্যৱস্থাত মেচিন লাৰ্ণিং পদ্ধতিৰ কাৰ্যকৰীতা তুলনা কৰা, যাতে ভৱিষ্যতে অনুপ্ৰৱেশ চিনাক্তকৰণ ব্যৱস্থা স্থাপনৰ বাবে প্ৰসংগ প্ৰদান কৰিব পৰা যায়। যান্ত্ৰিক শিক্ষণ-ভিত্তিক প্ৰৱেশৰ প্ৰতিৰোধকসমূহৰ সৈতে সম্পৰ্কিত অন্যান্য কামৰ সৈতে তুলনা কৰি, আমি প্ৰতিটো পৰিমাপৰ বাবে স্বাভাৱিক তথ্যৰ বিভিন্ন অনুপাতৰ নমুনা লোৱাৰ জৰিয়তে মধ্যম মান গণনা কৰাৰ প্ৰস্তাৱ দিছো, যি আমাক বাস্তৱ জগতত পৰ্যবেক্ষণৰ তথ্যৰ বাবে উন্নত সঠিকতা হাৰত উপনীত হ বলৈ নেতৃত্ব দিয়ে। আমি ৪ টা আক্ৰমণৰ প্ৰকাৰৰ সঠিকতা, চিনাক্তকৰণ হাৰ, ভুৱা সতৰ্কতাৰ হাৰ তুলনা কৰো। কেডিডি-কপ ইন্ট্ৰুশ্যন ডিটেকশ্যন বেঞ্চমাৰ্ক ডাটাছেটৰ ওপৰত বিস্তৃত পৰীক্ষামূলক ফলাফলসমূহে প্ৰমাণ কৰে যে প্ৰস্তাৱিত পদ্ধতিটোৱে কেডিডি উইনাৰতকৈ উচ্চ প্ৰদৰ্শন আগবঢ়ায়, বিশেষকৈ ইউ২আৰ আৰু ইউ২এল প্ৰকাৰৰ আক্ৰমণৰ ক্ষেত্ৰত। |
86ab4cae682fbd49c5a5bedb630e5a40fa7529f6 | আমি হস্তলিখিত অংক চিনাক্তকৰণৰ বাবে বেক-প্ৰপ্ৰপ্ৰেপাগেচন নেটৱৰ্কৰ এটা প্ৰয়োগ প্ৰদৰ্শন কৰিছো। তথ্যৰ ন্যূনতম প্ৰাক-প্ৰক্ৰিয়াকৰণৰ প্ৰয়োজন আছিল, কিন্তু নেটৱৰ্কৰ স্থাপত্য অত্যন্ত সীমাবদ্ধ আছিল আৰু বিশেষভাৱে এই কাৰ্যৰ বাবে ডিজাইন কৰা হৈছিল। নেটৱৰ্কৰ ইনপুটত বিচ্ছিন্ন অংকসমূহৰ সাধাৰণীকৃত ছবি থাকে। এই পদ্ধতিত ১% ত ত্ৰুটিৰ হাৰ আছে আৰু ইউ.এছ.এ.ৰ দ্বাৰা যোগান ধৰা জিপকোডৰ অংকসমূহত প্ৰায় ৯% ত্ৰুটিৰ হাৰ আছে। ডাক সেৱা। |
3c5ba48d25fbe24691ed060fa8f2099cc9eba14f | মুখ চিনাক্তকৰণ (এফআৰ) ত গভীৰ শিক্ষণৰ দ্বাৰা প্ৰাপ্ত অগ্ৰগতিৰ সত্ত্বেও, অধিক সংখ্যক লোকে অনুভৱ কৰে যে জাতিগত পক্ষপাতই বাস্তৱিক এফআৰ প্ৰণালীত প্ৰদৰ্শনক স্পষ্টভাৱে হ্ৰাস কৰে। বৰ্তমানে থকা প্ৰশিক্ষণ আৰু পৰীক্ষণৰ তথ্য-ভঁৰালত প্ৰায় সকলো বিষয় ককেছিয়ান, সেয়ে এতিয়াও কোনো স্বাধীন পৰীক্ষণৰ তথ্য-ভঁৰাল নাই যি বৰ্ণগত পক্ষপাত মূল্যায়ন কৰিব পাৰে আৰু আনকি প্ৰশিক্ষণ তথ্য-ভঁৰাল আৰু ইয়াক হ্ৰাস কৰাৰ পদ্ধতিও নাই। এই অন্যায় বিষয়সমূহ জয় কৰাৰ বাবে গৱেষণাৰ সুবিধাৰ্থে, এই প্ৰবন্ধটোৱে দুটা গুৰুত্বপূৰ্ণ ব্যৱহাৰৰ সৈতে ৰাছীয় মুখ-ইন-দ্য-ৱাইল্ড (RFW) ডাটাবেছ নামৰ এটা নতুন ডাটাছেট আগবঢ়াইছে, ১) ৰাছীয় পক্ষপাত পৰীক্ষাঃ চাৰিটা পৰীক্ষা উপ-সেট, যথা ককেচিয়ান, এছিয়ান, ভাৰতীয় আৰু আফ্ৰিকান, নিৰ্মাণ কৰা হৈছে, আৰু প্ৰত্যেকটোত মুখৰ যাচনাৰ বাবে ৬০০০ ইমেজ পেয়াৰ সৈতে প্ৰায় ৩০০০ ব্যক্তি আছে, ২) ৰাছীয় পক্ষপাত হ্ৰাসঃ এছিয়ান, ভাৰতীয় আৰু আফ্ৰিকানসকলৰ সৈতে ককেচিয়ানসকলৰ সৈতে এটা লেবেলযুক্ত প্ৰশিক্ষণ উপ-সেট আৰু এছিয়ান, ভাৰতীয় আৰু আফ্ৰিকানসকলৰ সৈতে তিনিটা লেবেলবিহীন প্ৰশিক্ষণ উপ-সেট এফআৰ স্বীকৃতি জ্ঞানৰ ককেচিয়ানসকলৰ পৰা অন্য জাতিলৈ স্থানান্তৰ কৰিবলৈ এলগৰিথমক উত্সাহিত কৰিবলৈ আগবঢ়োৱা হৈছে। আমি সকলোৱে জানো যে, RFW হৈছে FR এলগৰিথমত জাতিগত পক্ষপাতীতা জোখাৰ প্ৰথম ডাটাবেছ। বিভিন্ন জাতিৰ মাজত ডোমেইন ব্যৱধান আৰু এফআৰ এলগৰিথমত জাতিগত পক্ষপাতৰ অস্তিত্ব প্ৰমাণ কৰাৰ পিছত, আমি ডোমেইন ব্যৱধানটো পূৰণ কৰিবলৈ গভীৰ তথ্যৰ সৰ্বাধিকীকৰণ অভিযোজন নেটৱৰ্ক (আইএমএএন) আৰু ব্যাপক পৰীক্ষাৰ প্ৰস্তাৱ দিছো যে আমাৰ এলগৰিথমৰ দ্বাৰা জাতিগত পক্ষপাত হ্ৰাস কৰিব পাৰি। |
0f9b608cd19afeb083e0244df4cd0db1a00e029b | আমি প্ৰশিক্ষণৰ নমুনাৰ পৰা এৰাব নোৱাৰা এলডি নিৰ্মাণৰ বাবে এটা কৌশল প্ৰদৰ্শন কৰিছো। শিক্ষণীয় দৃষ্টান্তই ক্ৰমান্বয়ে বৃহৎ উপগ্ৰাফৰ দ্বাৰা সমৰ্থিত সম্ভাব্য কাৰ্য্য বা বৈশিষ্ট্যসমূহক অনুমতি দি ক্ৰমান্বয়ে জটিল এল্ড নিৰ্মাণ কৰে। প্ৰতিটো বৈশিষ্ট্যৰ এটা ওজন থাকে যি মডেল আৰু প্ৰশিক্ষণ তথ্যৰ অভিজ্ঞতামূলক বিতৰণৰ মাজত কুলব্যাক-লাইব্লাৰ পাৰ্থক্য কম কৰি প্ৰশিক্ষিত হয়। এটা লোভী এলগৰিথমে নিৰ্ধাৰণ কৰে যে কেনেকৈ বৈশিষ্ট্যবোৰ ক্ৰমান্বয়ে এল্ডত যোগ কৰা হয় আৰু ওজনসমূহৰ সৰ্বোত্তম মান অনুমান কৰিবলৈ এটা পুনৰাবৃত্ত স্কেলিং এলগৰিথম ব্যৱহাৰ কৰা হয়। এই প্ৰবন্ধত প্ৰৱৰ্তন কৰা এলোমেলো ক্ষেত্ৰৰ মডেল আৰু কৌশল কম্পিউটাৰ ভিজন সাহিত্যৰ বেছিভাগৰ বাবে সাধাৰণতকৈ পৃথক যে ইয়াৰ অন্তৰ্নিহিত এলোমেলো ক্ষেত্ৰবোৰ নন-মাৰ্কভিয়ান আৰু বহু সংখ্যক পেৰামিটাৰ আছে যি অনুমান কৰিব লাগিব। সিদ্ধান্ত বৃক্ষ আৰু বল্টজমান মেচিনকে ধৰি অন্যান্য শিক্ষণ পদ্ধতিৰ সৈতে সম্পৰ্ক দিয়া হৈছে। প্ৰণালীৰ প্ৰদৰ্শন হিচাপে, আমি প্ৰাকৃতিক ভাষাৰ প্ৰক্ৰিয়াকৰণত স্বয়ংক্ৰিয় শব্দ শ্ৰেণীবিভাজনৰ সমস্যাটোৰ বাবে ইয়াৰ প্ৰয়োগৰ বৰ্ণনা দিছো। |
5a0e84b72d161ce978bba66bfb0e337b80ea1708 | RFID বস্তুসমূহৰ ইণ্টাৰনেটৰ এক গুৰুত্বপূৰ্ণ অংশ হিচাপে আত্মপ্ৰকাশ কৰিছে। ২০১২ চনত, বিলিয়ন সংখ্যক RFID যন্ত্ৰ ব্যৱহাৰ কৰা হৈছিল যন্ত্ৰপাতি বিচাৰি উলিয়াবলৈ, ড্ৰাগছ বিচাৰি উলিয়াবলৈ, খুচুৰা সামগ্ৰী ট্যাগ কৰিবলৈ ইত্যাদি। অৱশ্যে, বৰ্তমানৰ RFID ব্যৱস্থাই কেৱল এটা ট্যাগ কৰা বস্তু ৰেডিঅ ৰ পৰিসৰৰ ভিতৰত আছে নে নাই সেয়াহে চিনাক্ত কৰিব পাৰে (যিটো কেইবা ডজন মিটাৰ পৰ্যন্ত হ ব পাৰে), কিন্তু ইয়াৰ সঠিক অৱস্থান নিৰ্ধাৰণ কৰিব নোৱাৰে। এই সীমাবদ্ধতা দূৰ কৰাৰ বাবে পূৰ্বৰ প্ৰস্তাৱবোৰ এটা লাইন-অফ-ছাইট মডেলৰ ওপৰত নিৰ্ভৰ কৰে আৰু সেয়েহে মাল্টিপথ প্ৰভাৱ বা নন-লাইন-অফ-ছাইটৰ সৈতে মুখামুখি হ লে বেয়া প্ৰদৰ্শন কৰে, যি বাস্তৱ জগতৰ স্থাপনত প্ৰচলিত। এই প্ৰবন্ধত প্ৰথমটো সূক্ষ্ম-কণাযুক্ত RFID অৱস্থান ব্যৱস্থা প্ৰৱৰ্তন কৰা হৈছে যি বহুপথ আৰু দৃষ্টিৰ লাইন-অন-লাইন দৃশ্যপটলৈ শক্তিশালী। পূৰ্বৰ কামৰ বিপৰীতে, যিয়ে বহুপথক ক্ষতিকাৰক বুলি বিবেচনা কৰে, আমাৰ ডিজাইনে আৰএফআইডিৰ সঠিক অৱস্থান নিৰ্ণয় কৰিবলৈ বহুপথৰ ব্যৱহাৰ কৰে। আমাৰ ডিজাইনৰ অন্তৰ্নিহিত ধাৰণাটো হ ল ওচৰৰ RFID এ একেই মাল্টিপথ পৰিৱেশ (যেনে, পৰিৱেশত প্ৰতিফলক) অনুভৱ কৰে আৰু সেয়ে একেই মাল্টিপথ প্ৰফাইল প্ৰদৰ্শন কৰে। আমি এণ্টেনাৰ গতিৰ জৰিয়তে সৃষ্টি কৰা এটা সিন্থেটিক এপ্ৰেচাৰ ৰাডাৰ (SAR) ব্যৱহাৰ কৰি এই মাল্টিপথ প্ৰ ফাইলসমূহ ধৰা পেলাই আৰু আহৰণ কৰো। তাৰ পিছত আমি ট্যাগৰ অৱস্থান নিৰ্ধাৰণ কৰিবলৈ গতিশীল সময় ৱৰ্পিং (ডিটিডব্লিউ) কৌশলসমূহ ব্যৱহাৰ কৰো। আমি USRP ছফ্টৱেৰ ৰেডিঅ ব্যৱহাৰ কৰি আমাৰ ডিজাইনৰ এটা প্ৰ টোটাইপ নিৰ্মাণ কৰিছিলো। আমাৰ বিশ্ববিদ্যালয়ৰ লাইব্ৰেৰীত ২০০টা বাণিজ্যিক RFID প্ৰয়োগৰ ফলাফলত দেখা গৈছে যে নতুন ডিজাইনে ১১ ছেমিৰ মধ্যম নির্ভুলতাৰে ভুল ঠাইত থকা কিতাপবোৰ বিচাৰি উলিয়াব পাৰে। |
ddedb83a585a53c8cd6f3277cdeaa367b526173f | |
79fe72080be951cf096524fd54c33402387c8e8f | গৱেষণা সাহিত্যত পাহৰিব পৰা ধাৰণাসমূহৰ পৰা ক্ৰিপ্টোকাৰেন্সিৰ ধাৰণাটো নিৰ্মাণ কৰা হৈছে। |
691e9e6f09e8a98b6e81c9d9986605d21c56ca21 | |
bb9419100e83f9257b1ba1658b95554783a13141 | শক্তিৰ অভাৱ আৰু অধিক গুৰুতৰ পৰিৱেশ প্ৰদূষণৰ বাবে, শূন্য নিৰ্গমন আৰু উচ্চ দক্ষতাসম্পন্ন ইন্ধন চেল বৈদ্যুতিক বাহন (FCEV) ৰ বাবে প্ৰচলিত বাহনসমূহৰ স্থান সলনি কৰাৰ বাবে আটাইতকৈ সম্ভাৱ্য প্ৰাৰ্থী হোৱাৰ আশা কৰা হৈছে। DC/DC কনভাৰ্টাৰ হ ল ইন্ধন চেল (FC) আৰু FCEVৰ ড্ৰাইভলাইন মাজত আন্তঃপৃষ্ঠ। ই কেৱল বিস্তৃত এফ চি ভল্টেজক উপযুক্ত ভল্টেজ স্তৰত ৰূপান্তৰ কৰিবলৈ উচ্চ ভল্টেজ লাভৰ প্ৰয়োজন নহয়, কিন্তু চিষ্টেমৰ নিৰ্ভৰযোগ্যতা বঢ়াবলৈ ত্ৰুটি সহনশীলতাৰ ক্ষমতাও প্ৰয়োজন। এই কাৰণতে, ফ্ল টিং ইণ্টাৰলিভড বুষ্ট কনভাৰ্টাৰ (এফআইবিচি) হৈছে সৰ্বোত্তম নিৰ্বাচন। এই টোপ লজিৰ সত্ত্বেও সঠিক নিয়ন্ত্ৰণ আঁচনিৰ অধীনত বিৰতি অবিহনে কাম অব্যাহত ৰাখিব পাৰে, পাৱাৰ ছুইচ খোলা চাৰ্কিট ভূলৰ ক্ষেত্ৰত (OCF), অৱনমিত অৱস্থাত কাম কৰাৰ ফলত উপাদানটোৰ চাপ আৰু ইনপুট সোঁতৰ ৰিপল ওপৰত বিৰূপ প্ৰভাৱ পৰে। সেয়েহে, এই প্ৰবন্ধৰ উদ্দেশ্য হৈছে DC বাছ ভল্টেজক ধ্ৰুবক কৰি ৰাখিবলৈ আৰু এই অবাঞ্ছিত প্ৰভাৱসমূহৰ পুংখানুপুংখ তাত্ত্বিক বিশ্লেষণ আৰু অনুকৰণ প্ৰমাণীকৰণ প্ৰদৰ্শন কৰিবলৈ এটা কাৰ্যকৰী নিয়ন্ত্ৰক ডিজাইন কৰা। |
ede851351f658426e77c72e7d1989dda970c995a | এই প্ৰবন্ধত অতি-বিশাল-ব্ৰেডবেণ্ডৰ অতি-সংকীৰ্ণ বাটলাৰ মেট্ৰিক্স ডিজাইন আঁচনিৰ বিষয়ে আলোচনা কৰা হৈছে। এই ডিজাইনত স্তুপিত ট্ৰেন্সফৰ্মাৰ ভিত্তিক কপলাৰ আৰু যথেষ্ট আকাৰ হ্ৰাসৰ বাবে এলচি π-নেটৱৰ্ক ফেজ শিফ্টাৰ ব্যৱহাৰ কৰা হৈছে। প্ৰুফ-অফ-কনচেপ্ট ডিজাইন হিচাপে, এটা 4×4 বাটলাৰ মেট্ৰিক্স এটা মান 130nm বাল্ক CMOS প্ৰক্ৰিয়াত 2.0 GHz ৰ কেন্দ্ৰীয় ফ্ৰেক্বেনচীত ৰূপায়ণ কৰা হয়। চিএমঅ এচত প্ৰাপ্ত সম্পূৰ্ণ সংহত ২.০ গিগাহেজত ৪×৪ বাটলাৰ মেট্ৰিক্স ডিজাইনসমূহৰ সৈতে তুলনা কৰি প্ৰস্তাৱিত ডিজাইনে ১.১০ ডিবিৰ নিম্নতম সন্নিবেশ ক্ষতি, ০.৩ ডিবিৰ ক্ষুদ্ৰতম প্ৰসাৰ বিসংগতি, ৩৪.৬%ৰ বৃহত্তম ভগ্নাংশীয় বেণ্ডউইডথ আৰু ০.৬৩৫×১.১২২ মিমি২ৰ ক্ষুদ্ৰতম চিপ ক ৰাৰ ক্ষেত্ৰ লাভ কৰে। পৰিমাপ কৰা এছ-পাৰামিটাৰসমূহৰ ভিত্তিত, বাটলাৰ মেট্ৰিক্সৰ চাৰিটা সমান্তৰাল বৈদ্যুতিক এৰেৰ পেট্ৰ নে ২.০ গিগাহৰ্টছত এৰেৰ পিক-টু-নুল ৰেচন (পিএনআৰ) ২৯.৫ ডিবি আৰু ১.৫৫ গিগাহৰ্টছ আৰু ২.৫০ গিগাহৰ্টছৰ মাজত ১৫.০ ডিবিতকৈ ভাল অৰ্জন কৰে। |
33b04c2ca92aac756b221e96c1d2b4b714cca409 | দৈনন্দিন স্বাস্থ্যসেৱাৰ ক্ষেত্ৰত বহুতো ক্ষেত্ৰত ইচিজিৰ দীৰ্ঘকালীন নিৰীক্ষণ বাঞ্ছনীয় য ত ইচিজি সংকেতসমূহ নিৰন্তৰভাৱে ৰেকৰ্ড কৰিব পৰা এটা পৰিধানযোগ্য ডিভাইচৰ প্ৰয়োজন হয়। এই কামত আমি এম্বুলেণ্ট ইচিজি নিৰীক্ষণৰ বাবে এটা পিন্ধিব পৰা হাৰ্ট ৰেট বেল্টৰ প্ৰস্তাৱ আগবঢ়াইছো যিটো বুকু বা কোঠাত আৰামদায়কভাৱে পিন্ধিব পাৰি। ইচিজি ৰেকৰ্ডিংৰ বাবে সক্ৰিয় বস্ত্ৰ ইলেক্ট্ৰ ডসমূহ ডিজাইন কৰা হৈছিল। আৰু এটা বেটাৰী চালিত ছাৰ্কিট ব ৰ্ড বিকশিত কৰা হৈছিল য ত ইচিজি সংকেত কণ্ডিচনিং ছাৰ্কিট, শৰীৰৰ গতি চিনাক্তকৰণৰ বাবে এটা ৩ অক্ষৰ ত্বৰণক, ১২ বিট এডি কনভাৰ্টাৰ, সংকেত প্ৰক্ৰিয়াকৰণৰ বাবে ডিএছপি আৰু ডাটা ষ্ট ৰ কৰাৰ বাবে এছডি কাৰ্ড আছিল। এই প্ৰণালীত এটা ৱায়াৰলেচ কমিউনিকেশ্যন মডিউলও অন্তৰ্ভুক্ত কৰা হৈছে যিয়ে হৃদস্পন্দনৰ তথ্য প্ৰদৰ্শনৰ বাবে স্পৰ্ট ঘড়ীলৈ প্ৰেৰণ কৰিব পাৰে। পৰীক্ষামূলকভাৱে প্ৰদৰ্শন কৰা হৈছে যে প্ৰস্তাৱিত ব্যৱস্থাটো অনভিজ্ঞ আৰু ব্যৱহাৰকাৰীয়ে দৈনন্দিন কাম-কাজৰ সময়ত আৰামদায়কভাৱে পৰিধান কৰিব পাৰে। কোঠাত পিন্ধাৰ সময়ত, বিশ্ৰাম আৰু খোজকাঢ়ি থকা অৱস্থাত যুক্তিসঙ্গতভাৱে ভাল মানৰ ইচিজি সংকেত লাভ কৰা হয়। প্ৰস্তাৱিত ব্যৱস্থাই দীৰ্ঘকালীন এম্বুলেণ্ট ইচিজি পৰ্যবেক্ষণৰ বাবে আশাব্যঞ্জক দেখুৱাইছে। |
845111f92b5719197a74d20dd0e050c65d4b8635 | পানী বিতৰণ ব্যৱস্থাৰ পৰা সংগ্ৰহ কৰা নমুনা সংগ্ৰহ প্ৰৱণতা আৰু সময় শৃংখল তথ্যৰ পৰিমাণ সাম্প্ৰতিক বছৰবোৰত বৃদ্ধি পাইছে, যিয়ে উপযুক্ত স্বয়ংক্ৰিয় কৌশল প্ৰয়োগ কৰিব পাৰিলে, বিশেষকৈ মেচিন লাৰ্ণিং প্ৰয়োগ কৰিব পাৰিলে, ব্যৱস্থাটোৰ জ্ঞান উন্নত কৰাৰ সম্ভাৱনা সৃষ্টি কৰিছে। নতুনত্ব (বা বিসংগতি) চিনাক্তকৰণ হৈছে বৃহৎ পৰিমাণৰ "স্বাভাৱিক" তথ্যত অন্তৰ্ভুক্ত নতুন বা অস্বাভাৱিক নিদৰ্শনসমূহৰ স্বয়ংক্ৰিয় চিনাক্তকৰণ। যেতিয়া সময় শৃংখল তথ্যৰ সৈতে সম্পৰ্ক কৰা হয় (ভেক্টৰত ৰূপান্তৰিত), ইয়াৰ অৰ্থ হ ল বহুতো সাধাৰণ সময় শৃংখল বিন্দুৰ মাজত এম্বেড হোৱা অস্বাভাৱিক ঘটনা। সমৰ্থন ভেক্টৰ মেচিন হৈছে এক তথ্য-চালিত পৰিসংখ্যাগত কৌশল যি শ্ৰেণীবিভাজন আৰু প্ৰতিলিপিৰ বাবে এক সঁজুলি হিচাপে বিকশিত হৈছে। ইয়াৰ মুখ্য বৈশিষ্ট্যসমূহ হৈছে অ-গাউছীয়ান ভুল আৰু আউটলিয়াৰৰ সৈতে পৰিসংখ্যাগত দৃঢ়তা, সিদ্ধান্ত সীমাৰ নিৰ্বাচন আৰু কাৰ্ণেল ফাংশনৰ জৰিয়তে অ-ৰেখিক এলগৰিথমৰ স্পষ্টভাৱে প্ৰয়োজন নোহোৱাকৈ বৈশিষ্ট্যৰ স্থানত অ-ৰেখিকতাৰ প্ৰৱৰ্তন। এই গৱেষণাত, পানী প্ৰবাহ আৰু চাপৰ সময় শৃংখলাৰ তথ্যৰ পৰা বিসংগতি চিনাক্তকৰণৰ বাবে শিকন পদ্ধতি হিচাপে সমৰ্থন ভেক্টৰ প্ৰৱর্তন ব্যৱহাৰ কৰা হয়। অতীতৰ ঘটনাসমূহৰ ইতিহাসৰ কোনো ব্যৱহাৰ কৰা নহয়। সহায়ক ভেক্টৰ প্ৰতিলিপি পদ্ধতি প্ৰয়োগ কৰা হয়, যাৰ দৃঢ়তা প্ৰশিক্ষণ ত্ৰুটি কাৰ্য্যৰ পৰা উদ্ভূত হয় |
5d9a3036181676e187c9c0ff995d8bed1db3557d | ডমেইন অভিযোজন কম্পিউটাৰ দৃষ্টিৰ এটা গুৰুত্বপূৰ্ণ উদীয়মান বিষয়। এই প্ৰবন্ধত আমি বস্তু চিনাক্তকৰণৰ ক্ষেত্ৰত ড মেইন শিফটৰ প্ৰথম অধ্যয়নসমূহৰ এটা উপস্থাপন কৰিছো। আমি এটা পদ্ধতি প্ৰৱৰ্তন কৰো যিয়ে এটা বিশেষ দৃশ্যমান ক্ষেত্ৰৰ পৰা প্ৰাপ্ত বস্তু মডেলসমূহক নতুন ইমেজিং পৰিস্থিতিৰ সৈতে খাপ খুৱাই এটা ৰূপান্তৰ শিকাই যি ক্ষেত্ৰ-প্ৰভাৱিত বৈশিষ্ট বিতৰণৰ পৰিবৰ্তনৰ প্ৰভাৱক কম কৰে। ৰূপান্তৰকৰণটো নিৰীক্ষণ পদ্ধতিৰে শিকিব পাৰি আৰু নতুন ড মেইনত কোনো লেবেলযুক্ত উদাহৰণ নথকা শ্ৰেণীত প্ৰয়োগ কৰিব পাৰি। আমি আমাৰ মূল্যায়নক বস্তু চিনাক্তকৰণ কাৰ্য্যত গুৰুত্ব দিওঁ, আমি বিকশিত কৰা পৰিবৰ্তন-ভিত্তিক অনুকৰণ কৌশল সাধাৰণ আৰু অ-ছবি ডাটাৰ বাবে প্ৰয়োগ কৰিব পাৰি। আন এক অৱদান হৈছে এটা নতুন মাল্টি-ডমেইন অবজেক্ট ডাটাবেছ, যি বিনামূলীয়াকৈ ডাউনলোড কৰিব পৰা যায়। আমি পৰীক্ষামূলকভাৱে প্ৰদৰ্শন কৰিছো যে আমাৰ পদ্ধতিয়ে কিছুমান বা কোনো লক্ষ্য ড মেইন লেবেল থকা শ্ৰেণীৰ ওপৰত চিনাক্তকৰণ উন্নত কৰিব পাৰে আৰু ইমেজিং পৰিস্থিতিত মধ্যমাৰ পৰা ডাঙৰ পৰিৱৰ্তন কৰিব পাৰে। |
95ded03f3eb9d60b3e3d51931147d5049be4ba5e | এই প্ৰবন্ধত Ku-বেণ্ডত কাৰ্যকৰী কৰা পুনৰ সংৰূপণযোগ্য প্ৰতিফলিত ৰেড এণ্টেনাসমূহ উপস্থাপন কৰা হৈছে। প্ৰথমতে, পুনৰ্নিৰ্ধাৰিত প্ৰতিফলিত সজ্জা প্ৰয়োগৰ বাবে প্ৰয়োজনীয় একক-বিট পৰ্যায় স্থানান্তৰ প্ৰাপ্ত কৰিবলৈ পোলাৰাইজেশ্যন টাৰ্নিং ধাৰাৰ ওপৰত আধাৰিত এক নতুন মাল্টিলেয়াৰ ইউনিট-চেলৰ প্ৰস্তাৱ দিয়া হৈছে। ইউনিট-চেলৰ নীতি বৰ্তমানৰ মডেল আৰু স্পেচ মেচ কণ্ডিচন ব্যৱহাৰ কৰি আলোচনা কৰা হৈছে, ডিজাইন আৰু পাৰফৰমেন্স চৰ্তবোৰ নিশ্চিত কৰিবলৈ ছিমুলেচনৰ সৈতে। তাৰ পিছত, এণ্টেনা এপ্লিকেচনত ইউনিট-চেলৰ কাৰ্যক্ষমতা পৰীক্ষা কৰিবলৈ এটা অফছেট-ফিড কনফিগাৰেশ্যন বিকশিত কৰা হয়, আৰু ইয়াৰ পলাৰাইজেশ্যন ৰূপান্তৰ সম্পত্তি বিশ্লেষণ কৰা হয়। অৱশেষত, ১০×১০ উপাদানৰ সৈতে এটা অফছেট-ফিড প্ৰতিফলিত এৰে বিকাশিত আৰু নিৰ্মিত হয়। দ্বৈত-ধৰ্ষণ এণ্টেনাই নিয়ন্ত্ৰণ ক ড মেট্ৰিচসমূহ ব্যৱহাৰ কৰি এটা বহল কোণীয় বীম-স্কেনিং সম্পন্ন কৰে। প্ৰতিফলন সজ্জাটোত এটা সম্পূৰ্ণ তৰংগ বিশ্লেষণ প্ৰয়োগ কৰা হয় আৰু বিশদ ফলাফল উপস্থাপন আৰু আলোচনা কৰা হয়। এই ইলেক্ট্ৰনিকভাৱে পৰিচালিত প্ৰতিফলিত এণ্টেনা উপগ্ৰহ প্ৰয়োগৰ বাবে গুৰুত্বপূৰ্ণ সম্ভাৱনা আছে, ইয়াৰ বহল কাৰ্য্যকৰী বেণ্ড, সৰল নিয়ন্ত্ৰণ আৰু বীম স্কেনিং ক্ষমতাৰ বাবে। |
318cb91c41307135781a0a01bc9e0b6a6e123b0f | আমি ভিজুৱেল SLAM চিষ্টেমৰ মূল্যায়নৰ বাবে এটা মানদণ্ড স্থাপন কৰাৰ লক্ষ্যৰে RGB-D ছবিৰ ক্ৰম আৰু গ্ৰাউণ্ড-ট্ৰুথ কেমেৰা ট্ৰেইজেক্টৰি থকা এটা ডাঙৰ ডাটা ছেট প্ৰদান কৰিছো। আমাৰ ডাটা ছেটত মাইক্ৰচফ্ট কাইনেক্ট ছেন্সৰৰ ৰং আৰু গভীৰতাৰ ছবি আৰু কেমেৰাৰ অৱস্থানসমূহৰ ভূমি সত্যৰ গতিপথ অন্তৰ্ভুক্ত আছে। তথ্যসমূহ সম্পূৰ্ণ ফ্ৰেম ৰেটত (30 Hz) আৰু ছেন্সৰৰ ৰিজলিউচনত (640x480) ৰেকৰ্ড কৰা হৈছিল। ৮টা উচ্চ গতিৰ ট্ৰেকিং কেমেৰা (১০০ হাৰ্জ) ৰ সৈতে উচ্চ-নিখুঁত গতি ধৰাশায়ী প্ৰণালীৰ পৰা ভূ-সত্য গতিপথ প্ৰাপ্ত কৰা হৈছিল। তদুপৰি, আমি কাইনেক্টৰ পৰা এক্সেলৰ মিটাৰ ডাটা প্ৰদান কৰো। অৱশেষত, আমি ভিজুৱেল SLAM চিষ্টেমৰ কেমেৰাৰ অনুমানিত গতিপথৰ গুণমান জোখাৰ বাবে এটা মূল্যায়ন মানদণ্ড প্ৰস্তাৱ কৰো। |
318ada827c5273a6998cfa84e57801121ce04ddc | এইচএএল হৈছে বৈজ্ঞানিক গৱেষণা নথিপত্ৰৰ জমা আৰু প্ৰচাৰ কৰাৰ বাবে এক বহুমুখী মুক্ত প্ৰৱেশ সংগ্ৰহালয়, সেয়া প্ৰকাশিত হওক বা নহওক। এই নথিসমূহ ফ্ৰান্সৰ বা বিদেশৰ শিক্ষণ আৰু গৱেষণা প্ৰতিষ্ঠানসমূহৰ পৰা বা ৰাজহুৱা বা ব্যক্তিগত গৱেষণা কেন্দ্ৰসমূহৰ পৰা আহিব পাৰে। এই বহুমুখী আৰ্কাইভটো ফৰাচী বা বিদেশী শিক্ষা আৰু গৱেষণা প্ৰতিষ্ঠান, চৰকাৰী বা ব্যক্তিগত পৰীক্ষাগাৰৰ পৰা প্ৰকাশিত বা প্ৰকাশিত নোহোৱা গৱেষণা-স্তৰৰ বৈজ্ঞানিক নথিপত্ৰৰ সংৰক্ষণ আৰু প্ৰচাৰ কৰাৰ বাবে নিৰ্ধাৰিত। সাংগঠনিক পৰিৱৰ্তন বুজিবলৈ সাংগঠনিক ৰুটিন প্ৰয়োগ কৰা Markus Becker, Nathalie Lazaric, Richard Nelson, Sidney G. Winter |
327acefe53c09b40ae15bfac9165b5c8f812d158 | এই অধ্যয়নত, লেখকসকলে বিগত চাৰি দশকত নেতৃত্বৰ ওপৰত আস্থা স্থাপনৰ ওপৰত কৰা গৱেষণাৰ ফলাফল আৰু প্ৰভাৱৰ ওপৰত পৰীক্ষা কৰিছিল। প্ৰথমতে, অধ্যয়নত নেতৃত্বৰ ওপৰত আস্থা আৰু মূল ফলাফল, পূৰ্বৱৰ্তী আৰু সম্পৰ্কীয় (কে = ১০৬) ৰ মাজত প্ৰাথমিক সম্পৰ্কসমূহৰ অনুমান প্ৰদান কৰা হৈছে। দ্বিতীয়তে, অধ্যয়নত অনুসন্ধান কৰা হৈছে যে নেতৃত্বৰ বিকল্প উল্লেখ (প্ৰত্যক্ষ নেতা বনাম সাংগঠনিক নেতৃত্ব) আৰু সংজ্ঞা (বিশ্বাসৰ প্ৰকাৰ) ৰ সৈতে নিৰ্মাণৰ নিৰ্ধাৰণৰ ফলত নেতৃত্বৰ প্ৰতি বিশ্বাস আৰু ফলাফল আৰু পূৰ্বৱৰ্তী সম্পৰ্কত পদ্ধতিগতভাৱে বিভিন্ন সম্পৰ্ক হয়। প্ৰত্যক্ষ নেতা (যেনে, পৰিদৰ্শক) বিশ্বাসৰ এক বিশেষ গুৰুত্বপূৰ্ণ প্ৰতিনিধি হিচাপে দেখা যায়। শেষত, বিস্তৃত সাহিত্যত সংযম সৃষ্টি কৰিবলৈ আৰু নেতৃত্বৰ ওপৰত আস্থা আৰু ইয়াৰ কাৰ্যকৰীতা সম্পৰ্কে বিভিন্ন দৃষ্টিভংগী স্পষ্ট কৰিবলৈ এটা তাত্ত্বিক ফ্ৰেমৱৰ্ক আগবঢ়োৱা হৈছে। |
6b8fe767239a34e25e71e99bd8b8a64f8279d7f4 | তথ্য প্ৰযুক্তিৰ অধ্যয়নৰ বাবে সংস্কৃতিৰ বুজ লোৱাটো গুৰুত্বপূৰ্ণ কিয়নো ৰাষ্ট্ৰীয়, সাংগঠনিক আৰু গোটকে ধৰি বিভিন্ন স্তৰত সংস্কৃতিয়ে তথ্য প্ৰযুক্তিৰ সফল ৰূপায়ণ আৰু ব্যৱহাৰৰ ওপৰত প্ৰভাৱ পেলাব পাৰে। পৰিচালন প্ৰক্ৰিয়াত সংস্কৃতিয়েও এক ভূমিকা পালন কৰে যি প্ৰত্যক্ষ বা পৰোক্ষভাৱে আইটি প্ৰভাৱিত কৰিব পাৰে। সংস্কৃতি হৈছে গৱেষণাৰ বাবে এক প্ৰত্যাহ্বানমূলক ভৰিবৰ, আংশিকভাৱে সংস্কৃতিৰ বহুতো বিৱৰ্তিত সংজ্ঞা আৰু মাপকাঠীৰ বাবে। তথাপিও, তথ্য প্ৰযুক্তি আৰু সংস্কৃতিৰ সম্পৰ্কত আলোকপাত কৰা বহুতো সাহিত্য সৃষ্টি হৈছে। এই প্ৰবন্ধত তথ্য প্ৰযুক্তি আৰু সংস্কৃতিৰ মাজত থকা সম্পৰ্কসমূহৰ বিষয়ে আমাৰ ধাৰণা সম্পৰ্কে তথ্য প্ৰদান কৰিবলৈ এই সাহিত্যৰ এক পৰ্যালোচনা আগবঢ়োৱা হৈছে। আমি সংস্কৃতিৰ ধাৰণাটো ধাৰণা কৰিব লাগিব আৰু আই টি আৰু সংস্কৃতিৰ অধ্যয়নৰ বাবে মূল্যবোধৰ ভিত্তিত পদ্ধতিৰ বাবে ভিত্তি স্থাপন কৰিব লাগিব। এই পদ্ধতি ব্যৱহাৰ কৰি আমি এটা ব্যাপক পৰ্যালোচনা আগবঢ়াইছো, যিয়ে পৰম্পৰাগতভাৱে পৃথক দুটা গৱেষণাৰ ধাৰণাটো সংযুক্ত কৰিছে। আমাৰ বিশ্লেষণৰ পৰা, আমি আইটি-সংস্কৃতি গৱেষণাৰ ছয়টা বিষয় বিকাশ কৰো, য ত সংস্কৃতিৰ প্ৰভাৱ আইটি, আইটিৰ প্ৰভাৱ সংস্কৃতি আৰু আইটি সংস্কৃতিৰ ওপৰত গুৰুত্ব আৰোপ কৰা হয়। এই বিষয়সমূহৰ ওপৰত ভিত্তি কৰি আমি আই টি, মূল্যবোধ আৰু সংঘাতৰ এটা তত্ত্ব বিকাশ কৰো। তত্ত্বৰ ওপৰত ভিত্তি কৰি আমি তিনি ধৰণৰ সাংস্কৃতিক সংঘাত আৰু এই সংঘাতৰ ফলাফলৰ বিষয়ে প্ৰস্তাৱনা প্ৰস্তুত কৰো। অৱশেষত, তত্ত্বটোৱে এই মতবাদৰ সমন্বয়ৰ ফলত মূল্যবোধৰ পুনৰ নিৰ্দেশনাৰ সৃষ্টি কৰে। এই অনুসন্ধানৰ ক্ষেত্ৰত উদ্ভৱ হোৱা বিশেষ গৱেষণাৰ প্ৰত্যাহ্বানৰ সৈতে আমি সামৰণি মাৰিছো। |
9f720a880fe4c99557c4bdfe0e3595ea60902055 | |
1a8c33f9e51ba01e1cdade7029f96892c7c7087b | শব্দসমূহৰ অৰ্থগত সম্পৰ্ক নিৰ্ণয় কৰাৰ পূৰ্বৰ কামবোৰে শব্দসমূহৰ অৰ্থ পৃথকভাৱে প্ৰতিনিধিত্ব কৰাত গুৰুত্ব দিছিল, আন্তঃ-শব্দ সম্বন্ধক কাৰ্যকৰীভাৱে অৱজ্ঞা কৰিছিল। আমি শব্দ-শব্দৰ সম্পৰ্কীয়তা শিকিবলৈ এটা বৃহৎ-স্কেল ডাটা মাইনিং পদ্ধতিৰ প্ৰস্তাৱ দিছো, য ত সম্পৰ্কীয় শব্দৰ পৰিচিত জোপা শিক্ষণ প্ৰক্ৰিয়াত সীমাবদ্ধতা আৰোপ কৰে। আমি প্ৰতিটো শব্দৰ বাবে এটা নিম্ন-মাত্রিক প্ৰতিনিধিত্ব শিকো, যিটো শব্দৰ সম্ভাৱনীয়তা বৃদ্ধি কৰিবলৈ প্ৰয়াস কৰে যিটো শব্দত দেখা যায়। আমাৰ পদ্ধতি, যাক CLEAR বুলি কোৱা হয়, ই পূৰ্বতে প্ৰকাশিত পদ্ধতিসমূহতকৈ যথেষ্ট উন্নত বুলি প্ৰমাণিত হৈছে। প্ৰস্তাৱিত পদ্ধতিটো প্ৰথম নীতিৰ ওপৰত আধাৰিত, আৰু বিভিন্ন ধৰণৰ পাঠ্য কৰ্পোৰাৰ শোষণ কৰিবলৈ যথেষ্ট সাধাৰণ, আনহাতে আহৰণ কৰা শব্দৰ সাদৃশ্যত সীমাবদ্ধতা আৰোপ কৰাৰ নমনীয়তা আছে। আমি শব্দৰ সম্পৰ্কীয় অ্যালগৰিদমৰ মূল্যায়নৰ বাবে এটা নতুন লেবেলযুক্ত ডাটা ছেটো ৰাজহুৱাভাৱে উপলব্ধ কৰিছো, যিটো আমি বৰ্তমানলৈকে সৰ্ববৃহৎ ডাটা ছেট বুলি বিশ্বাস কৰো। |
2c90cf37144656775a7f48f70f908f72bdb58ed8 | স্মাৰ্ট বিশ্বক এটা যুগৰ ৰূপত কল্পনা কৰা হয় য ত বস্তুবোৰ (যেনে, ঘড়ী, ম বাইল ফোন, কম্পিউটাৰ, গাড়ী, বাছ আৰু ৰে ল) স্বয়ংক্ৰিয়ভাৱে আৰু বুদ্ধিমত্তাৰে সহযোগিতামূলকভাৱে মানুহক সেৱা আগবঢ়াব পাৰে। স্মাৰ্ট বিশ্বৰ পথ প্ৰশস্ত কৰি, ইণ্টাৰনেট অৱ থিংছ (আইঅ টি) স্মাৰ্ট জগতৰ সকলোকে সংযোগ কৰে। এটা বহনক্ষম স্মাৰ্ট বিশ্বত উপনীত হোৱাৰ বাবে এই প্ৰবন্ধত বিভিন্ন প্ৰযুক্তি আৰু সেউজ আই অ টি সম্পৰ্কীয় বিষয় আলোচনা কৰা হৈছে, যিয়ে আই অ টিৰ শক্তিৰ ব্যৱহাৰ আৰু হ্ৰাস কৰে। বিশেষকৈ, প্ৰথমতে IoT আৰু সেউজ IoT সম্পৰ্কীয় এক আভাস দিয়া হৈছে। ইয়াৰ পিছত, গ্ৰীণ তথ্য আৰু যোগাযোগ প্ৰযুক্তি (আইচিটি) (যেনে, সেউজ ৰেডিঅ -ফ্ৰেকভেন্সি চিনাক্তকৰণ, সেউজ বেতাৰ ছেন্সৰ নেটৱৰ্ক, সেউজ ক্লাউড কম্পিউটিং, সেউজ মেচিন-টু-মেচিন আৰু সেউজ ডাটা চেণ্টাৰ) য়ে সেউজ আইঅ টি সক্ষম কৰি তোলে আৰু সাধাৰণ সেউজ আইচিটি নীতিৰ সাৰাংশ দিয়া হৈছে। ইয়াৰ উপৰিও, সেন্সৰ ক্লাউডৰ শেহতীয়া বিকাশ আৰু ভৱিষ্যতৰ দৃষ্টিভংগী, যি হৈছে সেউজ আই অ টিৰ এক নতুন দৃষ্টান্ত, পৰ্যালোচনা কৰা হয় আৰু প্ৰৱৰ্তন কৰা হয়। শেষত, ভৱিষ্যতৰ গৱেষণা দিশ আৰু সেউজ IoT ৰ বিষয়ে মুকলি সমস্যাসমূহ উপস্থাপন কৰা হৈছে। আমাৰ কামৰ লক্ষ্য হৈছে সেউজ IoT আৰু স্মাৰ্ট বিশ্বক লৈ গৱেষণাৰ বাবে এক আলোকিত আৰু শেহতীয়া নিৰ্দেশনা। |
d7260b8cf64aca3f538080369390490830a1e248 | এই প্ৰবন্ধত অন-দ্য-মুভ এপ্লিকেচনৰ বাবে কম খৰচী কা-বেণ্ড এৰে এণ্টেনাৰ বাবে মাল্টিলেয়াৰ এণ্টেনা পেনেলৰ প্ৰধান বৈশিষ্ট্যসমূহ বৰ্ণনা কৰা হৈছে। LOCOMO ছেটকম টাৰ্মিনেলটো এটা ডুৱেল-প লাৰাইজড নিম্ন-প্ৰফাইল এণ্টেনাৰ ওপৰত আধাৰিত যিটো ট্ৰান্সমিট/ৰিচিভ আৰু RHCP/LHCP চুইচিং ক্ষমতাৰ সৈতে। |
ecda3cc93064bb274eecd94d06b47945bb672ca4 | আমি এটা ইলেক্ট্ৰনিক-ষ্টেৰিবল হ লোগ্ৰাফিক এণ্টেনাৰ বাবে এটা ডিজাইন দাঙি ধৰিছো যাৰ প লাৰেজ নিয়ন্ত্ৰণ Ku-বেণ্ড, ইলেক্ট্ৰনিক-ষ্টেৰিবল, ছাৰফেচ-ৱেভ ৱেভগাইড (SWG) কৃত্ৰিম-ইমপেডেন্স-চাৰফেচ এণ্টেনা (AISA) ৰ এটা ৰেডিয়াল এৰেৰে গঠিত। এণ্টেনাটোৱে কেন্দ্ৰীয় ফিড নেটৱৰ্কৰ জৰিয়তে প্ৰতিটো এছডব্লিউজিৰ ভিতৰত পৃষ্ঠতলৰ তৰংগ প্ৰক্ষেপণ কৰি কাৰ্য্য কৰে। ভৰাক্টৰ-টিউন ইম্পেড্যান্স পেচাৰেৰে পৃষ্ঠ-তরঙ্গ প্ৰতিবন্ধকতা ইলেক্ট্ৰনিকভাৱে নিয়ন্ত্ৰিত হয়। এণ্টেনাটো উচ্চতা, এজিমথ আৰু পলাৰাইজেশ্যনত স্কেন কৰিবলৈ প্ৰতিৰোধক নিয়ন্ত্ৰণ কৰা হয়। ৰেডিয়াল সমতুল্যতাটোৱে 360° এজিমুতাল ষ্টিয়াৰিঙৰ বাবে অনুমতি দিয়ে। পূৰ্বতে প্ৰদৰ্শন কৰা SWG AISAs ৰ সৈতে নিৰ্মিত হ লে, ই -75° ৰ পৰা 75° লৈ উচ্চতাত স্কেন কৰাৰ ক্ষমতা ৰাখে আৰু ইয়াৰ লাভৰ বৈকল্পিকতা 3 dB তকৈ কম হয়। পোলায়েৰাইজেশ্যনটো ইচ্ছা অনুসৰি ভি-প ল, এইচ-প ল, এলএইচচিপি আৰু আৰএইচচিপিৰ মাজত সলনি কৰিব পাৰি। |
31632b27bc8a31b1fbb7867656b8e3ca840376e0 | ডাটা ছেট বৃদ্ধি আৰু বিশ্লেষণাত্মক এলগৰিথম অধিক জটিল হৈ পৰাৰ লগে লগে, বিশ্লেষকসকলে এটা বিশ্লেষণাত্মক আৰম্ভ কৰা, ইয়াৰ সম্পূৰ্ণ হোৱাৰ বাবে অপেক্ষা কৰা, ফলাফলসমূহ পৰীক্ষা কৰা, আৰু তাৰ পিছত সমন্বিত পাৰামিটাৰসমূহৰ সৈতে গণনা পুনৰ আৰম্ভ কৰা সাধাৰণ কৰ্মপ্ৰবাহ বাস্তৱ জগতৰ বহুতো কামৰ বাবে বাস্তৱিক নহয়। এই প্ৰবন্ধত এটা বিকল্প কৰ্মপ্ৰবাহ, প্ৰগতিশীল চাক্ষুষ বিশ্লেষণৰ বিষয়ে উপস্থাপন কৰা হৈছে, যিয়ে বিশ্লেষকক এটা এলগৰিথমৰ আংশিক ফলাফলসমূহ পৰ্যবেক্ষণ কৰিবলৈ সক্ষম কৰে আৰু আগ্ৰহৰ উপ-অৱস্থানসমূহক অগ্ৰাধিকাৰ দিবলৈ এলগৰিথমৰ সৈতে ক্ৰিয়া কৰে। প্ৰগতিশীল চাক্ষুষ বিশ্লেষণাত্মক অ্যালগৰিদমৰ অনুকূলিতকৰণৰ ওপৰত নিৰ্ভৰ কৰে যাতে অৰ্থপূৰ্ণ আংশিক ফলাফল প্ৰদান কৰিব পাৰে আৰু গণনামূলক গতিৰ বলিদান নিদিয়ে বিশ্লেষকৰ হস্তক্ষেপ সক্ষম কৰিব পাৰে। এই ধৰণীটো তথ্যৰ দৃশ্যমানকৰণ প্ৰণালীৰ ওপৰত নিৰ্ভৰ কৰে যাতে নিৰন্তৰ পৰিশোধিত ফলাফলসমূহ বিশ্লেষকসকলক অতিৰিক্তভাৱে জুৰুলা নকৰাকৈ অন্তৰ্ভুক্ত কৰিব পাৰি আৰু বিশ্লেষণাত্মক দিশটো পৰিচালনা কৰা বিশ্লেষকক সমৰ্থন কৰিবলৈ আন্তঃক্ৰিয়া প্ৰদান কৰিব পাৰি। এই প্ৰবন্ধৰ অৱদানসমূহ হৈছেঃ প্ৰগতিশীল চাক্ষুষ বিশ্লেষণৰ দৃষ্টান্তৰ বিৱৰণ; প্ৰগতিশীল চাক্ষুষ বিশ্লেষণ প্ৰণালীত এলগৰিদম আৰু দৃশ্যমানতা উভয়েৰে ডিজাইন লক্ষ্য; ঘটনা ক্ৰমৰ সংকলনত সাধাৰণ নিদৰ্শন বিশ্লেষণৰ বাবে প্ৰগতিশীল চাক্ষুষ বিশ্লেষণ প্ৰণালীৰ উদাহৰণ (প্ৰগতিশীল অন্তৰ্দৃষ্টি); আৰু ইলেক্ট্ৰনিক মেডিকেল ৰেকৰ্ড বিশ্লেষণ কৰা ক্লিনিকেল গৱেষকসকলৰ দ্বাৰা প্ৰগতিশীল অন্তৰ্দৃষ্টি আৰু প্ৰগতিশীল চাক্ষুষ বিশ্লেষণৰ দৃষ্টান্তৰ মূল্যায়ন। |
0d57d7cba347c6b8929a04f7391a25398ded096c | আমি পুনৰাবৃত্ত নিউৰেল নেটৱৰ্ক (RNNs) সংক্ষেপণৰ সমস্যাটো অধ্যয়ন কৰো। বিশেষকৈ, আমি আৰএনএন শ্ৰৱ্য মডেলৰ সংকোচনৰ ওপৰত গুৰুত্ব দিছো, যিবোৰ কমপেক্ট আৰু সঠিক বক্তৃতা স্বীকৃতি প্ৰণালী নিৰ্মাণৰ লক্ষ্যৰ দ্বাৰা অনুপ্ৰাণিত হয় যিবোৰ ম বাইল ডিভাইচত দক্ষতাৰে চলাব পৰা যায়। এই কামত, আমি সাধাৰণ পুনৰাবৃত্ত মডেল সংকোচনৰ বাবে এটা কৌশল উপস্থাপন কৰো যি একেলগে পুনৰাবৃত্ত আৰু অ-পুনৰাবৃত্ত আন্তঃস্তৰ ওজন মেট্ৰিচ উভয়কে সংকোচন কৰে। আমি পাওঁ যে প্ৰস্তাৱিত প্ৰণালীটোৱে আমাক আমাৰ দীৰ্ঘ-স্বল্প-কালীন স্মৃতি (LSTM) ধ্বনিৰ আকাৰৰ আকাৰৰ এক তৃতীয়াংশলৈ হ্ৰাস কৰিবলৈ অনুমতি দিয়ে ইয়াৰ প্ৰকৃত আকাৰৰ সৈতে সঠিকতাত অৱহেলিত ক্ষতি। |
779cbb350c11a5b24a8a17114cff0c26fe3747e6 | আমি এটা বিশ্লেষণকৰণ যন্ত্ৰ উপস্থাপন কৰিছো যিটো বিমূর্ত অৰ্থ প্ৰতিনিধিত্ব (এ এম আৰ) ৰ বাবে। আমি ইংলিছ-এএমআৰ ৰূপান্তৰক ষ্ট্ৰিং-টু-ট্ৰী, সিনটেক্স-ভিত্তিক মেচিন অনুবাদ (এছবিএমটি) ৰ ফ্ৰেমৱৰ্কৰ ভিতৰত বিবেচনা কৰিম। এই কামটো কৰিবলৈ আমি এএমআৰ গঠনটো এচবিএমটিৰ মেকানিকেৰ বাবে উপযুক্ত আৰু মডেলিংৰ বাবে উপযোগী ৰূপত ৰূপান্তৰিত কৰো। আমি এএমআৰ-নিৰ্দিষ্ট ভাষাৰ মডেল প্ৰৱৰ্তন কৰো আৰু অৰ্থগত সম্পদৰ পৰা তথ্য আৰু বৈশিষ্ট্য যোগ কৰো। আমাৰ ফলস্বৰূপে এএমআৰ পাৰ্সাৰটোৱে অত্যাধুনিক ফলাফলৰ ওপৰত যথেষ্ট উন্নতি কৰে। |
40f6207b722c739c04ba5a41f7b22d472aeb08ec | আমি ফাষ্ট ফুডৰ প্ৰথম ভিজুৱেল ডাটাছেটটো প্ৰৱৰ্তন কৰিছো য ত মুঠতে ৪,৫৪৫ টা স্থিৰ ছবি, ৬০৬ টা ষ্টেৰ জোড়া, ৩০৩ টা ৩৬০ ডিগ্ৰী ভিডিঅ ৰ গঠন আৰু ২৭ টা স্বেচ্ছাসেৱকৰ খোৱা-বোৱাৰ ভিডিঅ আছে। খাদ্যৰ মূল্যায়নৰ বাবে ফাষ্টফুড চিনাক্তকৰণৰ ওপৰত গৱেষণাৰ দ্বাৰা এই কামটো প্ৰণোদিত হৈছিল। ১১ টা জনপ্ৰিয় ফাষ্ট ফুড শৃংখলাৰ পৰা ১০১ টা খাদ্যৰ তিনিটা উদাহৰণ প্ৰাপ্ত কৰি আৰু ৰেষ্টুৰেণ্টৰ পৰিস্থিতি আৰু নিয়ন্ত্ৰিত পৰীক্ষাগাৰৰ পৰিৱেশত ছবি আৰু ভিডিঅ গ্ৰহণ কৰি তথ্য সংগ্ৰহ কৰা হৈছিল। আমি দুটা মান পদ্ধতি ব্যৱহাৰ কৰি ডাটা ছেটটো পৰীক্ষা কৰো, ৰঙীন হিষ্ট গ্ৰাম আৰু চিফ্ট বৈশিষ্ট্যৰ বেগ, এটা বৈষম্যমূলক শ্ৰেণীবিভাগকৰ সৈতে। আমাৰ ডাটা ছেট আৰু বেঞ্চমাৰ্কসমূহ এই ক্ষেত্ৰত গৱেষণাক উদ্দীপনা যোগাবলৈ ডিজাইন কৰা হৈছে আৰু গৱেষক সমাজৰ বাবে বিনামূলীয়াকৈ মুকলি কৰি দিয়া হ ব। |
54dd77bd7b904a6a69609c9f3af11b42f654ab5d | |
62f9c50666152cca170619bab5f2b4da17bc15e1 | এই প্ৰবন্ধত আমি Deep Convolutional Neural Network ৰ পৰা প্ৰাপ্ত বৈশিষ্ট্যটো প্ৰচাৰ কৰিছো, যিয়ে খাদ্য চিনাক্তকৰণৰ সঠিকতা বৃদ্ধি কৰে, ইয়াক পৰম্পৰাগত হাতেৰে নিৰ্মিত ছবিৰ বৈশিষ্ট, HoG আৰু ৰঙীণ পেট্চৰ সৈতে ফিচাৰ ভেক্টৰসমূহৰ সৈতে একত্ৰিত কৰি। এই পৰীক্ষাত আমি ৭২.২৬%ৰ শীৰ্ষ-১ আৰু ৯২.০০%ৰ শীৰ্ষ-৫ৰ তথ্য লাভ কৰিছো, যিটো এই তথ্যৰ শ্ৰেষ্ঠতম শ্ৰেণীবিভাজনৰ তথ্যতকৈ অধিক, ৫৯.৬%। |
46319a2732e38172d17a3a2f0bb218729a76e4ec | এই কামত, সৰু আৰু সৰল ৰাজ্য-পৰিৱৰ্তন সংবেদকসমূহৰ এটা ছেট ব্যৱহাৰ কৰি ঘৰুৱা পৰিবেশত কাৰ্যকলাপ চিনাক্ত কৰাৰ বাবে এটা ব্যৱস্থা প্ৰৱৰ্তন কৰা হৈছে। এই ছেন্সৰবোৰ টেপ অন আৰু ভোল ডিভাইচ হিচাপে ডিজাইন কৰা হৈছে যি ঘৰুৱা পৰিৱেশত দ্ৰুতভাৱে আৰু সৰ্বব্যাপীভাৱে স্থাপন কৰিব পাৰি। প্ৰস্তাৱিত ছেন্সিং চিষ্টেমটোৱে ছেন্সৰৰ বিকল্প প্ৰদান কৰে যি কেতিয়াবা কেমেৰা আৰু মাইক্ৰ ফোনৰ দৰে আক্ৰমণাত্মক হিচাপে ধৰা হয়। পূৰ্বৰ কামৰ বিপৰীতে, এই ব্যৱস্থাটো গৱেষক-অনুসন্ধানকাৰীসকলৰ সৈতে একাধিক আবাসিক পৰিৱেশত স্থাপন কৰা হৈছে। এটা সৰু ডাটা ছেটত প্ৰাৰম্ভিক ফলাফলবোৰে দেখুৱায় যে ব্যৱহাৰ কৰা মূল্যায়ন চৰ্তৰ ওপৰত নিৰ্ভৰ কৰি 25% ৰ পৰা 89% ৰ ভিতৰত চিনাক্তকৰণ সঠিকতা সহ চিকিত্সা কৰ্মীসকলৰ বাবে আগ্ৰহজনক কাৰ্যকলাপ যেনে টয়লেট, স্নান আৰু চোৱাচিতা কৰা চিনাক্ত কৰাটো সম্ভৱ। |
56cf75f8e34284a9f022e9c49d330d3fc3d18862 | ব্যাকৰণগত ভুলৰ সংশোধন (GEC) হৈছে লিখিত পাঠত স্বয়ংক্ৰিয়ভাৱে ব্যাকৰণগত ভুলসমূহ সংশোধন কৰা কাৰ্য। পূৰ্বৰ ব্যাকৰণগত ভুলৰ সংশোধন কৰাৰ প্ৰচেষ্টাত নিয়ম-ভিত্তিক আৰু শ্ৰেণীবিভাজনকাৰী পদ্ধতিৰ অন্তৰ্ভুক্ত আছিল যি কেৱল এটা বাক্যত কিছুমান বিশেষ ধৰণৰ ভুল শুধৰাৰ বাবে সীমাবদ্ধ। যিহেতু বাক্যবোৰত বিভিন্ন ধৰণৰ একাধিক ভুল থাকিব পাৰে, সেয়ে এটা ব্যৱহাৰিক ভুল সংশোধন ব্যৱস্থাই সকলো ভুল ধৰা পেলাব আৰু সংশোধন কৰিব পাৰিব লাগিব। এই প্ৰতিবেদনত, আমি ভুলৰ পৰা শুদ্ধ ইংৰাজীলৈ অনুবাদৰ কাম হিচাপে জিইচিৰ অনুসন্ধান কৰো আৰু সকলো ধৰণৰ ত্ৰুটিৰ বাবে এণ্ড-টু-এণ্ড জিইচি প্ৰণালী বিকাশৰ বাবে কিছুমান মেচিন অনুবাদ পদ্ধতিৰ অন্বেষণ কৰো। আমি জিইচিৰ বাবে পৰিসংখ্যাগত মেচিন অনুবাদ (এছএমটি) আৰু স্নায়ু মেচিন অনুবাদ (এনএমটি) পদ্ধতি প্ৰয়োগ কৰো আৰু দেখুৱাম যে ই এক বাক্যৰ বিভিন্ন প্ৰকাৰৰ একাধিক ত্ৰুটি সংশোধন কৰিব পাৰে যিবোৰ পূৰ্বৰ পদ্ধতিৰ তুলনাত পৃথক ত্ৰুটিত গুৰুত্ব দিয়ে। আমি যান্ত্ৰিক অনুবাদ পদ্ধতিৰ কিছুমান দুৰ্বলতাৰ বিষয়েও আলোচনা কৰিম। অৱশেষত, আমি এটা পৰীক্ষামূলক প্ৰাৰ্থী পুনৰ-শ্ৰেণীকৰণ কৌশল ব্যৱহাৰ কৰি যান্ত্ৰিক অনুবাদ প্ৰণালীৰ দ্বাৰা সৃষ্টি কৰা অনুমানসমূহ পুনৰ-শ্ৰেণীকৰণ কৰো। প্ৰতিলিপিৰ প্ৰণালীৰে আমি প্ৰতিটো প্ৰত্যাশী অনুমানৰ বাবে এটা ব্যাকৰণীয়তা স্ক ৰ অনুমান কৰিবলৈ চেষ্টা কৰোঁ আৰু সেই স্ক ৰ অনুসৰি সেইবোৰক পুনৰ স্থান দিওঁ। |
2e60c997eef6a37a8af87659798817d3eae2aa36 | হেমিল্টনিয়ান মন্টে কাৰ্লো (এইচএমচি) নমুনা পদ্ধতিয়ে মেট্ৰ পলিছ-হেষ্টিংছৰ ফ্ৰেমৱৰ্কত উচ্চ গ্ৰহণযোগ্যতাৰ সম্ভাৱনা থকা দূৰৱৰ্তী প্ৰস্তাৱসমূহ সংজ্ঞায়িত কৰাৰ বাবে এটা ব্যৱস্থা প্ৰদান কৰে, যি মানক ৰেণ্ডম-ৱাক প্ৰস্তাৱতকৈ ৰাজ্যিক স্থানৰ অধিক কাৰ্যকৰী অনুসন্ধান সক্ষম কৰে। সাম্প্ৰতিক বছৰবোৰত এনে পদ্ধতিৰ জনপ্ৰিয়তা যথেষ্ট বৃদ্ধি পাইছে। অৱশ্যে, এইচএমচি পদ্ধতিৰ এটা সীমাবদ্ধতা হ ল হেমিল্টনীয় গতিশীল প্ৰণালীৰ অনুকৰণ কৰিবলৈ প্ৰয়োজনীয় গ্ৰেডিয়েন্ট গণনা-এনে গণনা বৃহৎ নমুনা আকাৰ বা ষ্ট্ৰিমিং ডাটা জড়িত সমস্যাত অসাধ্য। তাৰ পৰিৱৰ্তে, আমি ডাটাৰ উপ-সমষ্টিৰ পৰা গণনা কৰা এটা গোলমাল গ্ৰেডিয়েণ্টৰ অনুমানৰ ওপৰত নিৰ্ভৰ কৰিব লাগিব। এই প্ৰবন্ধত আমি এনে ষ্ট কাষ্টিক গ্ৰেডিয়েণ্ট এইচএমচি পদ্ধতিৰ বৈশিষ্ট্যসমূহ অন্বেষণ কৰো। আশ্চৰ্যজনকভাৱে, ষ্ট কাষ্টিক সমীপৱৰ্তীকৰণৰ প্ৰাকৃতিক ৰূপায়ণটো নিৰ্ভুলভাৱে বেয়া হ ব পাৰে। এই সমস্যা সমাধানৰ বাবে আমি এটা প্ৰকাৰৰ প্ৰৱৰ্তন কৰো যিয়ে দ্বিতীয়-অৰ্ডাৰ লেংগভিন গতিবিজ্ঞান ব্যৱহাৰ কৰে আৰু ইয়াৰ সৈতে এটা ঘর্ষণৰ শব্দ থাকে যি শব্দ প্ৰৱণতাৰ প্ৰভাৱৰ প্ৰতিৰোধ কৰে, ই ইচ্ছাকৃত লক্ষ্য বন্টনক অবিভক্ত বন্টন হিচাপে বজাই ৰাখে। অনুকৰণ কৰা তথ্যৰ ফলাফলবোৰে আমাৰ তত্ত্বক প্ৰমাণ কৰে। আমি আমাৰ পদ্ধতিৰ এটা প্ৰয়োগো প্ৰদান কৰো নিউৰেল নেটৱৰ্ক ব্যৱহাৰ কৰি শ্ৰেণীবিভাজন কাৰ্য আৰু অনলাইন বেইচিয়ান মেট্ৰিক্স ফেক্টৰাইজেশ্যন। |
d257ba76407a13bbfddef211a5e3eb00409dc7b6 | উপলব্ধ তথ্যৰ ক্ৰমবৰ্ধমান পৰিমাণ আৰু ইয়াৰ বিতৰণ আৰু বৈষম্যপূৰ্ণ প্ৰকৃতিয়ে ডাটা মাইনিংৰ ক্ষেত্ৰত এক গুৰুত্বপূৰ্ণ প্ৰভাৱ পেলাইছে। এই প্ৰবন্ধত, আমি সমান্তৰাল আৰু বিতৰণ কৰা বুষ্টিং এলগৰিথমৰ বাবে এটা ফ্ৰেমৱৰ্ক প্ৰস্তাৱ কৰিছো যি মূল কম্পিউটাৰ মেম ৰিৰ ভিতৰত খাপ খাব নোৱাৰা অতি ডাঙৰ, বিতৰণ আৰু সম্ভৱতঃ বৈষম্যপূৰ্ণ ডাটাবেছৰ ওপৰত শীৰ্ষক শ্ৰেণীবিভাগক দক্ষতাৰে একত্ৰিত কৰাৰ বাবে প্ৰস্তাৱ কৰা হৈছে। বুষ্টিং হৈছে অতি সঠিক শ্ৰেণীবিভাজক সমষ্টি নিৰ্মাণৰ বাবে এক জনপ্ৰিয় কৌশল, য ত শ্ৰেণীবিভাজকবোৰক ধাৰাবাহিকভাৱে প্ৰশিক্ষণ দিয়া হয়, পূৰ্বৰ শ্ৰেণীবিভাজকৰ কাৰ্যক্ষমতা অনুসৰি প্ৰশিক্ষণ উদাহৰণসমূহৰ ওজনবোৰ অভিযোজিতভাৱে ছেট কৰা হয়। আমাৰ সমান্তৰাল বুষ্টিং এলগৰিথমটো কম সংখ্যক প্ৰচেছৰ থকা টাইটলি কপল্ড শ্বেয়াৰ মেমৰি চিষ্টেমৰ বাবে ডিজাইন কৰা হৈছে, একক প্ৰচেছৰত বুষ্টিং কৰাৰ তুলনাত কম সংখ্যক পুনৰাবৃত্তিত সৰ্বাধিক ভৱিষ্যদ্বাণী সঠিকতা প্ৰাপ্ত কৰাৰ লক্ষ্যৰে। সকলো প্ৰক্ৰিয়াকৰ্তাই প্ৰতিটো বুষ্টিং ৰাউণ্ডত সমান্তৰালভাৱে শ্ৰেণীবিভাজক শিকাৰ পিছত, তেওঁলোকৰ ভৱিষ্যদ্বাণৰ বিশ্বাস অনুসৰি তেওঁলোকক সংযুক্ত কৰা হয়। আমাৰ বিতৰণিত বুষ্টিং এলগৰিথম প্ৰথমে কেইবাটাও বিচ্ছিন্ন তথ্য ক্ষেত্ৰৰ পৰা শিকাৰ বাবে প্ৰস্তাৱ কৰা হৈছে যেতিয়া তথ্য একত্ৰিত কৰিব নোৱাৰি, যদিও ইয়াক সমান্তৰাল শিক্ষাৰ বাবেও ব্যৱহাৰ কৰিব পাৰি য ত এক বিশাল তথ্য ছেটক অধিক কাৰ্যকৰী বিশ্লেষণৰ বাবে কেইবাটাও বিচ্ছিন্ন উপ-সেটত বিভাজিত কৰা হয়। প্ৰতিটো ব ষ্টিং ৰাউণ্ডত, প্ৰস্তাৱিত পদ্ধতিটোৱে সকলো ক্ষেত্ৰৰ শ্ৰেণীবিভাগক একত্ৰিত কৰে আৰু প্ৰতিটো ক্ষেত্ৰতে শ্ৰেণীবিভাগৰ এক সমষ্টি সৃষ্টি কৰে। চূড়ান্ত শ্ৰেণীবিভাগক বিচ্ছিন্ন তথ্য ছেটত নিৰ্মিত সকলো শ্ৰেণীবিভাগৰ সমষ্টিৰ সমষ্টি হিচাপে নিৰ্মিত হয়। কেইবাটাও ডাটা ছেটত প্ৰয়োগ কৰা নতুন প্ৰস্তাৱিত পদ্ধতিবোৰে দেখুৱাইছে যে সমান্তৰালভাৱে বঢ়াই তুলনামূলকভাৱে মানক ধাৰাবাহিক বঢ়াই তুলনাত যথেষ্ট দ্ৰুততাৰে একে বা ইয়াতকৈ ভাল ভৱিষ্যদ্বাণী নির্ভুলতা অর্জন কৰিব পাৰি। পৰীক্ষাৰ ফলাফলবোৰেও সূচায় যে বিতৰণ কৰা বৰ্ধনৰ তুলনাত তুলনামূলক বা সামান্য উন্নত শ্ৰেণীবিভাজনৰ সঠিকতা আছে, যদিও ইয়াত কম মেমৰি আৰু গণনামূলক সময়ৰ প্ৰয়োজন হয় কিয়নো ইয়াত সৰু ডাটা ছেট ব্যৱহাৰ কৰা হয়। |
6b7f27cff688d5305c65fbd90ae18f3c6190f762 | জেনেৰেটিভ এডভাৰ্ছিয়েল নেট (GANs) আৰু ভেৰেশ্যনেল অটো-এনকোডাৰ (VAEs) গাউছীয়ান হোৱাইট ন উজৰ পৰা চমকপ্ৰদ ছবিৰ প্ৰজন্ম প্ৰদান কৰে, কিন্তু অন্তৰ্নিহিত গণিত ভালদৰে বুজি পোৱা নাই। আমি এটা স্থিৰ এম্বেডিং অপাৰেটৰ বিৱৰ্তন কৰি গভীৰ কনভলুশ্যনেল নেটৱৰ্ক জেনেৰেটৰ গণনা কৰো। সেয়েহে, এওঁলোকক কোনো বৈষম্যকৰক বা এনকোডাৰৰ সৈতে অপ্টিমাইজ কৰাৰ প্ৰয়োজন নাই। এম্বেডিং হৈছে বিকৃতিৰ বাবে লিপচিট্জ অবিচ্ছিন্ন যাতে জেনেৰেটৰবোৰে ইনপুট হোৱাইট ন ইজ ভেক্টৰৰ মাজত ৰেখীয় অন্তঃসংযোজনবোৰ আউটপুট ইমেজৰ মাজত বিকৃতিলৈ ৰূপান্তৰ কৰে। এই এম্বেডিং এটা ৱেভলেট ছিদ্ৰণ পৰিবৰ্তনৰে গণনা কৰা হয়। সংখ্যাসূচক পৰীক্ষাই প্ৰমাণ কৰে যে ফলস্বৰূপে বিচ্ছিন্নতা জেনেৰেটৰবোৰে GAN বা VAE ৰ দৰে একেধৰণৰ বৈশিষ্ট্য আছে, এটা বৈষম্যমূলক নেটৱৰ্ক বা এনকোডাৰ শিকাৰ অবিহনে। |
44df79541fa068c54cafd50357ab78d626170365 | স্থাপত্যই সম্পূৰ্ণ ৰবোটিক প্ৰণালীৰ মেৰুদণ্ড গঠন কৰে। ৰবোটিক ব্যৱস্থাৰ নিৰ্ধাৰণ, প্ৰয়োগ আৰু প্ৰমাণীকৰণৰ ক্ষেত্ৰত সঠিক আৰ্হিৰ নিৰ্বাচনে বহুদূৰ আগুৱাই যাব পাৰে। [অধ্যয়নৰ বাবে প্ৰশ্নসমূহ] আমি ৰবট প্ৰণালীৰ কিছুমান প্ৰয়োজনীয়তা প্ৰদৰ্শন কৰিম, ৰবট স্থাপত্যৰ কিছুমান সাধাৰণ শ্ৰেণীৰ বৰ্ণনা কৰিম আৰু বিভিন্ন স্থাপত্য শৈলীয়ে সেই প্ৰয়োজনীয়তাবোৰ সমাধান কৰাত কেনেদৰে সহায় কৰিব পাৰে তাৰ বিষয়ে আলোচনা কৰিম। এই ক্ষেত্ৰৰ দৰে এই পত্ৰিকাটোও কিছু পৰিমাণে প্ৰাৰম্ভিক, তথাপি আশা কৰা হৈছে যে ই ৰবট স্থাপত্য ব্যৱহাৰ কৰা বা বিকাশ কৰাসকলৰ বাবে নিৰ্দেশনা প্ৰদান কৰিব। |
5426559cc4d668ee105ec0894b77493e91c5c4d3 | |
ceb709d8be647b7fa089a63d0ba9d82b2eede1f4 | ছাবষ্ট্ৰেট ইণ্টিগ্ৰেটেড ৱেভগাইড (SIW) এ কিছুমান ধৰণৰ প্লানাৰ এণ্টেনা নিৰ্মাণৰ অনুমতি দিয়ে যিবোৰ ছাবষ্ট্ৰেটত পৰম্পৰাগতভাৱে একত্ৰিত কৰিব নোৱাৰি। অৱশ্যে, কিছুমান প্ৰযুক্তিগত সীমাবদ্ধতাৰ বাবে, ডিজাইন কৰা SIW হৰ্ণ এণ্টেনাবোৰে সাধাৰণতে ১০ গিগাহৰ্টছৰ ওপৰৰ ফ্ৰেক্সিটীটোত কাম কৰে। এই প্ৰবন্ধত 6.8GHz নিম্ন-প্ৰোফাইল H-প্লেন হৰ্ণ এণ্টেনা প্ৰস্তাৱ কৰা হৈছে, যিটো SIW ৰ ওপৰত আধাৰিত, যি λ0/10 তকৈ পাতল ছাবষ্ট্ৰেটসমূহক অনুমতি দিয়ে। দূৰ ক্ষেত্ৰৰ বিক্ৰিয়া প্ৰণালীয়ে প্ৰস্তাৱিত এণ্টেনাৰ ভাল প্ৰদৰ্শনক প্ৰকাশ কৰে। বিভিন্ন সংখ্যক ক্ৰমৰ সৈতে সজ্জিত SIW হৰ্ণ এণ্টেনাৰ মাজত তুলনাও কৰা হয় যাতে মিল থকা উন্নতিসমূহ দেখুওৱা হয়। |
a70e0ae7407d6ba9f2bf576dde69a0e109114af0 | |
0f060ec52c0f7ea2dde6b23921a766e7b8bf4822 | উদ্ভাৱন আৰু কৌশলগত ব্যৱস্থাপনাৰ গৱেষণা ক্ষেত্ৰৰ পণ্ডিতসকলে প্ৰায় ৩০ বছৰ বা তাতকৈ অধিক সময় ধৰি ইয়াৰ উপযুক্ততাৰ বিষয়ে চিন্তিত আছিল। তেওঁলোকে উপযুক্ততা গৱেষণা আৰু নিৰন্তৰ বিকাশৰ ওপৰত গুৰুত্ব দিছিল। এই প্ৰবন্ধত আমি ৱেব অৱ ছায়েন্স ক ৰ সংগ্ৰহ ডাটাবেছৰ পৰা ৩০ বছৰৰ (১৯৮৬-২০১৬) প্ৰযোজ্যতা অধ্যয়নৰ সাহিত্য বিশ্লেষণ কৰিছো। বিভিন্ন কালৰ আৰু শব্দৰ সম-প্ৰকাশৰ এক উদ্ধৃত প্ৰসংগ ক্লাষ্টাৰিং মানচিত্ৰ গ্ৰন্থপঞ্জীগত বিশ্লেষণ আৰু বিষয়বস্তু বিশ্লেষণ ব্যৱহাৰ কৰি সৃষ্টি কৰা হৈছে। ইয়াৰ ভিত্তিত আমি পৰিৱৰ্তনশীল গতিপথ, ব্যৱস্থা আৰু তত্ত্বগত স্থাপত্যৰ অধ্যয়ন কৰি আৰু অধিক গৱেষণাৰ দিশবোৰ অন্বেষণ কৰো। এই ফলাফলসমূহে প্ৰমাণ কৰে যে উপযুক্ততা গৱেষণাৰ বিকাশৰ মূল বিষয়টো হৈছে মুকলি আৰু ভাগ-বতৰা, মূল্য সৃষ্টি আৰু মূল্য বৃদ্ধিৰ ক্ষেত্ৰত উপলব্ধিৰ পৰিৱৰ্তন আৰু ভৱিষ্যতৰ গৱেষণাত প্লেটফৰ্মৰ শাসন, সৃষ্টিশীল উপযুক্ততা আৰু সমস্যা সমাধানৰ ব্যৱস্থাৰ বিকাশত উপযুক্ততাৰ ভূমিকাৰ ওপৰত গুৰুত্ব দিয়া হৈছে। |
cd108ed4f69b754cf0a5f3eb74d6c1949ea6674d | ছবি আৰু অডিঅ ৰ বিৰূপ সমস্যা আৰু বিশেষকৈ অতি-উত্তৰক উচ্চ-মাত্রিক গঠিত ভৱিষ্যদ্বাণী সমস্যা হিচাপে দেখা যায়, য ত লক্ষ্য হ ল ইয়াৰ নিম্ন-উত্তৰ দূষিত পৰ্যবেক্ষণৰ বাবে উচ্চ-উত্তৰ আউটপুটৰ চৰ্তযুক্ত বিতৰণক চৰিত্ৰিত কৰা। যেতিয়া স্কেলিং অনুপাত সৰু হয়, বিন্দু অনুমানবোৰে চিত্তাকৰ্ষক প্ৰদৰ্শন লাভ কৰে, কিন্তু শীঘ্ৰে তেওঁলোকে বিষয়-উপায়-প্ৰতি-প্ৰতিক্ৰিয়াৰ সমস্যাৰ দ্বাৰা ভুগি থাকে, এই চৰ্তযুক্ত বিতৰণৰ বহু-মোডালিটি ধৰা পেলোৱাৰ তেওঁলোকৰ অক্ষমতাৰ ফলস্বৰূপে। উচ্চ-মাত্রিক ছবি আৰু অডিঅ বিতৰণ মডেলিং কৰাটো এক কঠিন কাম, যাৰ বাবে জটিল জ্যামিতিক গাঁথনি আৰু আকাৰযুক্ত অঞ্চল মডেলিং কৰাৰ ক্ষমতা দুয়োটাই প্ৰয়োজন। এই প্ৰবন্ধত আমি এটা গিবছ বিতৰণক চৰ্তসাপেক্ষ মডেল হিচাপে ব্যৱহাৰ কৰাৰ প্ৰস্তাৱ দিছো, য ত ইয়াৰ পৰ্যাপ্ত পৰিসংখ্যা গভীৰ কনভলুশ্যনেল নিউৰেল নেটৱৰ্কৰ দ্বাৰা দিয়া হৈছে। নেটৱৰ্কৰ দ্বাৰা গণনা কৰা বৈশিষ্ট্যবোৰ স্থানীয় বিকৃতিৰ বাবে স্থিৰ আৰু ইনপুট এটা স্থিৰ টেক্সচাৰ হ লে প্ৰভেদ হ্ৰাস হয়। এই বৈশিষ্ট্যসমূহৰ অৰ্থ হৈছে যে ইয়াৰ ফলত পৰ্যাপ্ত পৰিসংখ্যা পোৱা যায়, যিটো অতি তথ্যবহুল হোৱাৰ লগতে অৱনমিত পৰ্যবেক্ষণসমূহক লক্ষ্য কৰি লক্ষ্য সংকেতৰ অনিশ্চয়তা কম কৰে। চি এন এনৰ ফিল্টাৰবোৰ মাল্টিস্কেল কমপ্লেক্স ৱেভলেটবোৰে আৰম্ভ কৰে, আৰু তাৰ পিছত আমি এটা এলগৰিথম প্ৰস্তাৱ কৰো যাতে এইবোৰক সূক্ষ্মভাৱে টুন-টুন কৰিব পাৰি, চৰ্তসাপেক্ষ লগ-সম্ভাবনাৰ গ্ৰেডিয়েণ্টৰ অনুমান কৰি, যিটো জেনেৰেটিভ এডভৰ্ছাৰিয়েল নেটৱৰ্কৰ সৈতে কিছু মিল আছে। আমি ছবিৰ অতি-উত্তৰতা কাৰ্য্যত প্ৰস্তাৱিত পদ্ধতিটো পৰীক্ষামূলকভাৱে মূল্যায়ন কৰো, কিন্তু এই পদ্ধতিটো সাধাৰণ আৰু অডিঅ বেণ্ডউইডথ সম্প্ৰসাৰণৰ দৰে আন প্ৰত্যাহ্বানমূলক সমস্যাসমূহত ব্যৱহাৰ কৰিব পাৰি। |
18b534c7207a1376fa92e87fe0d2cfb358d98c51 | এটা দৃঢ় বিশ্বাস গঢ়ি উঠিছিল যে লেক্সিকেলাইজড পিচিএফজি (য ত হেড শব্দবোৰে ফ্ৰেছাল ন ডবোৰ টোকা দিয়ে) উচ্চ কাৰ্যক্ষমতা পিচিএফজি পাৰ্সিঙৰ বাবে মূল সঁজুলি আছিল। এই পদ্ধতিটো বক্তৃতা চিনাক্তকৰণৰ ক্ষেত্ৰত শব্দ-এন-গ্ৰাম মডেলৰ বৃহৎ সফলতাৰ সৈতে মিলিত হৈছিল আৰু লেক্সিকেলাইজড গ্ৰামাৰসমূহৰ ক্ষেত্ৰত বিস্তৃত আগ্ৰহৰ পৰা শক্তি আহৰণ কৰিছিল, লগতে প্ৰদৰ্শন কৰিছিল যে লেক্সিকেল নিৰ্ভৰশীলতা পিপিএট্চেমৰ দৰে দ্বিধাবোধ সমাধানৰ বাবে এক গুৰুত্বপূৰ্ণ সঁজুলি আছিল (ফ ৰ্ড আৰু আন, ১৯৮২; হিন্দল আৰু ৰুথ, ১৯৯৩) । পৰৱৰ্তী দশকত, বিভিন্ন শব্দাৰ্থীকৃত পিচিএফজি মডেলৰ দ্বাৰা পাৰ্ছ ডিছএম্বিগুয়েশ্যন আৰু আনকি ভাষা মডেলিংৰ ক্ষেত্ৰত বৃহৎ সফলতা অৰ্জন কৰা হয় (মেগাৰমেন, ১৯৯৫; চাৰ্নিয়াক, ১৯৯৭; কলিন্স, ১৯৯৯; চাৰ্নিয়াক, ২০০০; চাৰ্নিয়াক, ২০০১) । অৱশ্যে, কেইবাটাও ফলাফলৰ ফলত প্ৰশ্ন উত্থাপিত হৈছে যে এনে পাৰ্সাৰত লেক্সিকালাইজেশ্যনে কিমান ডাঙৰ ভূমিকা পালন কৰে। জনছন (১৯৯৮) য়ে দেখুৱাইছে যে পেন্সেলৰ গছ-গছনিৰ ওপৰত আনলেক্সিকেলাইজড পিচিএফজিৰ কাৰ্যক্ষমতা কেৱল প্ৰতিটো ন ডক ইয়াৰ মূল শ্ৰেণীৰ দ্বাৰা টোকা কৰিয়েই উন্নত কৰিব পাৰি। পিচিএফজিৰ সৈতে পেন্সাৰ ট্ৰীবেংক এটা বিশ্লেষণৰ বাবে দুৰ্বল সঁজুলি কিয়নো ইয়াৰ অন্তৰ্নিহিত প্ৰসংগ-স্বাধীনতাৰ ধাৰণাটো অতিশয় শক্তিশালী আৰু এই ধৰণেৰে ইয়াক দুৰ্বল কৰি মডেলটো বহু উন্নত কৰে। শেহতীয়াকৈ, গিল্ডেয়া (২০০১) য়ে আলোচনা কৰিছে যে ভাল বৰ্তমানৰ লেক্সিকেলাইজড পিচিএফজি পাৰ্সাৰৰ পৰা বাইলেক্সিকেল সম্ভাৱনাবোৰ লৈ যোৱা কাৰ্য্যক্ষমতা কমেই ক্ষতি কৰেঃ প্ৰশিক্ষণ তথ্যৰ একে ড মেইনৰ পৰা পৰীক্ষামূলক পাঠৰ বাবে সৰ্বাধিক ০.৫% আৰু অন্য ড মেইনৰ পৰা পৰীক্ষামূলক পাঠৰ বাবে একেবাৰে নহয়। কিন্তু এই বিলেক্সিকাল নিৰ্ভৰশীলতাকেই প্ৰমাণ কৰে যে লেক্সিকেলাইজড পিচিএফজিৰ সফলতা হ ব লাগে, উদাহৰণস্বৰূপে হিন্দল আৰু ৰুথৰ প্ৰদৰ্শনী PPattachmentত। আমি ইয়াক পেন্ ট্ৰিব্যাংকত উপলব্ধ লেক্সিকেল ডিপেণ্ডেন্সি তথ্যৰ মৌলিক বিৰলতাৰ প্ৰতিফলন হিচাপে গ্ৰহণ কৰোঁ। এজন বক্তাই ক ব খোজে, এক লাখ শব্দৰ প্ৰশিক্ষণ তথ্যই যথেষ্ট নহয়। আনকি ৱাল ষ্ট্ৰীট জাৰ্ণেলৰ পাঠ্যক্ৰমৰ কেন্দ্ৰীয় বিষয়সমূহৰ বাবেও, যেনে ষ্টক, বহুতো অতি সম্ভৱপৰ নিৰ্ভৰশীলতা কেৱল এবাৰহে ঘটে, উদাহৰণস্বৰূপে ষ্টক স্থিৰ হয়, আনহাতে বহুতো আনবোৰ একেবাৰে নহয়, উদাহৰণস্বৰূপে ষ্টক আকাশচুম্বী হয়। এই পৰ্যবেক্ষণে বিভিন্ন শ্ৰেণী বা সাদৃশ্যৰ ভিত্তিত সংৰক্ষণৰ প্ৰণালীসমূহক সংৰক্ষণৰ বাবে অনুপ্ৰাণিত কৰে আৰু ই এক আশাব্যঞ্জক পথ হিচাপে পৰিগণিত হয়, কিন্তু এই ক্ষেত্ৰত সফলতা লাভ কৰাটো কিছু পৰিমাণে কঠিন হৈ পৰিছে আৰু যিকোনো প্ৰকাৰে, বৰ্তমানৰ শব্দকোষিক PCFGs-এ কেৱল সঠিক শব্দ মিল ব্যৱহাৰ কৰে যদি উপলব্ধ হয়, আৰু সিন্টেক্টিকেল শ্ৰেণীভিত্তিক অনুমানৰ সৈতে ইণ্টাৰপ ল কৰে যেতিয়া ই উপলব্ধ নহয়। এই প্ৰবন্ধত আমি চমস্কি (১৯৬৫) ৰ মূল সাধাৰণ অৰ্থত উপশ্ৰেণীবিভাজন শব্দটো ব্যৱহাৰ কৰিছো, য ত পেন্সিলভানিয়াৰ ট্ৰিবেংকত প্ৰকাশিত এটা সিন্টেক্টিকেল কেটেগৰিৰ বাবে। Charniak (2000) য়ে তেওঁৰ পাৰ্সাৰক নোডৰ প্যাৰেন্টনোটেশ্যনৰ পৰা লাভ কৰা মূল্য দেখুৱায়, আৰু এই তথ্য যে লেক্সিকেলাইজেশ্যনৰ পৰা আহৰণ কৰিব পৰা তথ্যৰ বাবে অন্ততঃ আংশিকভাৱে পৰিপূৰক, আৰু Collins (1999) য়ে ভাষিকভাৱে অনুপ্ৰাণিত আৰু সাৱধানে হাত-ইঞ্জিনিয়াৰ কৰা উপশ্ৰেণীবিভাজনৰ এটা পৰিসৰ ব্যৱহাৰ কৰে যাতে PCFG ক সামৰি লোৱা নিষ্পাপ পেন ট্ৰীবেংকৰ ভুল প্ৰসংগ-স্বাধীনতা অনুমানসমূহ ভাঙি পেলাব পাৰে, যেনে শব্দৰ সংশোধনকাৰী থকা বাক্যাংশৰ পৰা নামভিত্তিক NPs পৃথক কৰা, আৰু খালী বিষয় থকা বাক্যবোৰক এটা উন্মুক্ত বিষয় NP থকা বাক্যসমূহৰ পৰা পৃথক কৰা। যদিও তেওঁ তেওঁলোকৰ কাৰ্য্যকৰীতাৰ ক্ষেত্ৰত অপূৰ্ণ পৰীক্ষামূলক ফলাফল প্ৰদান কৰে, আমি অনুমান কৰিব পাৰো যে এই বৈশিষ্ট্যবোৰ বিশ্লেষণৰ উপকাৰী প্ৰভাৱৰ বাবে অন্তৰ্ভুক্ত কৰা হৈছিল যি লেক্সিকালাইজেশ্যনৰ পৰিপূৰক আছিল। এই প্ৰবন্ধত আমি দেখুৱাম যে অ-শব্দাকৃত পিচিএফজিৰ দ্বাৰা প্ৰাপ্ত কৰিব পৰা পাৰ্সিং পাৰফৰমেন্স পূৰ্বতে প্ৰদৰ্শন কৰাতকৈ বহু বেছি, আৰু প্ৰকৃততে, সম্প্ৰদায়ৰ জ্ঞানে সম্ভৱ বুলি ভবাতকৈ বহু বেছি। আমি কেইটামান সৰল, ভাষিকভাৱে অনুপ্ৰাণিত টোকা বৰ্ণনা কৰিছো যিয়ে ভেনিলা পিচিএফজি আৰু অত্যাধুনিক লেক্সিকেলাইজড মডেলৰ মাজত থকা ব্যৱধানটো কমোৱাত যথেষ্ট সহায় কৰে। বিশেষকৈ, আমি এক অন-লেক্সিকেলাইজড পিচিএফজি নিৰ্মাণ কৰো যি মেগাৰমেন (১৯৯৫) আৰু কলিন্স (১৯৯৬) ৰ লেক্সিকেলাইজড পিচিএফজিৰ তুলনাত ভাল (যদিও শেহতীয়া মডেল যেনে চাৰ্নিয়াক (১৯৯৭) বা কলিন্স (১৯৯৯) নহয়) । এই ফলাফলৰ এটা লাভ হ ল এটা অ-শব্দযুক্ত পিচিএফজিৰ ক্ষমতাৰ ওপৰত এক শক্তিশালী নিম্ন সীমা। এই ধৰণৰ কোনো শক্তিশালী ভিত্তি প্ৰদান কৰা হোৱা নাই, গতিকে সম্প্ৰদায়টোৱে সম্ভাব্যতা বিশ্লেষণত শব্দকৰণ কৰা সম্ভাৱনীয়তাৰ উপকাৰী প্ৰভাৱক অতিমাত্ৰা মূল্যায়ন কৰিছে, সমালোচনামূলকভাৱে চাবৰ সলনি, য ত শব্দকৰণ কৰা সম্ভাৱনীয়তা সঠিক সিদ্ধান্ত লোৱাৰ বাবে প্ৰয়োজনীয় আৰু প্ৰশিক্ষণ তথ্যত উপলব্ধ। দ্বিতীয়তে, এই ফলাফলটোৱে বৈশিষ্ট্য আৱিষ্কাৰৰ বাবে ভাষিক বিশ্লেষণৰ মূল্য নিশ্চিত কৰে। এই ফলাফলৰ আন ব্যৱহাৰ আৰু সুবিধা আছেঃ এটা unlexicalized PCFG অধিক জটিল lexicalised মডেলতকৈ ব্যাখ্যা কৰা, যুক্তি দিয়া আৰু উন্নত কৰা সহজ। ব্যাকৰণ প্ৰতিনিধিত্ব বহু বেছি সংক্ষিপ্ত, আৰু এতিয়া প্ৰয়োজন নাই ডাঙৰ গাঁথনিৰ যি শব্দাংশিক প্ৰত্যাহ্বানৰ সঞ্চয় কৰে। এই পাৰ্সিং এলগৰিথমৰ কম জটিলতা আছে আৰু ইয়াৰ ব্যাকৰণ বহু কম, সেয়ে ইয়াক বহুতো উপশ্ৰেণীত ভাগ কৰা হয়, উদাহৰণস্বৰূপে ক্ৰিয়া বাক্যাংশক সীমিত আৰু অসীম ক্ৰিয়া বাক্যাংশত বিভক্ত কৰা, আধুনিক সীমাবদ্ধ ব্যৱহাৰৰ তুলনাত য ত শব্দটো কেৱল পূৰ্বানুমানকাৰীসকলৰ সিন্টেক্টিকেল যুক্তি ফ্ৰেমবোৰকহে বুজায়। 4O(n3) বনাম O(n5) এটা সহজবোধ্য ৰূপায়ণৰ বাবে, বা বনাম O(n4) যদি Eisner আৰু Satta (1999) ৰ চতুৰ পদ্ধতি ব্যৱহাৰ কৰা হয়। ধ্ৰুবক এটা unlexicalizedPCFG পাৰ্সাৰ নিৰ্মাণ আৰু অপ্টিমাইজ কৰিবলৈ বহুত সহজ, ইয়াত উভয় মানক ক ড অপ্টিমাইজেশ্যন কৌশল আৰু অনুসন্ধান স্থান ছাঁটনিৰ বাবে পদ্ধতিৰ অনুসন্ধান (Caraballo আৰু Charniak, 1998; Charniak et al., 1998) অন্তৰ্ভুক্ত থাকে। উচ্চ-প্ৰদৰ্শনযুক্ত সম্ভাব্যতা বিশ্লেষণত লেক্সিকালাইজড সম্ভাৱ্যতাৰ ব্যৱহাৰৰ বিৰুদ্ধে যুক্তি প্ৰদান কৰাটো আমাৰ লক্ষ্য নহয়। ই ব্যাপকভাৱে প্ৰদৰ্শন কৰা হৈছে যে শব্দাৰ্থগত নিৰ্ভৰশীলতা বাক্য অস্পষ্টতাৰ প্ৰধান শ্ৰেণীৰ সমাধানত উপযোগী, আৰু পাৰ্সাৰে সম্ভৱ হ লে এনে তথ্যৰ ব্যৱহাৰ কৰা উচিত। আমি ইয়াত unlexicalized, tructural context ব্যৱহাৰ কৰাৰ ওপৰত গুৰুত্ব দিছো কাৰণ আমি অনুভৱ কৰো যে এই তথ্যটো অযথা ব্যৱহাৰ কৰা হৈছে আৰু অযথা মূল্য দিয়া হৈছে। আমি এই অনুসন্ধানক লেক্সিকেল আৰু ষ্ট্ৰাকচাৰাল কণ্ডিচনিং দুয়োটাই ব্যৱহাৰ কৰা অত্যাধুনিক পাৰ্সিঙৰ আধাৰৰ মাত্ৰ এটা অংশ বুলি গণ্য কৰো। 1 পৰীক্ষামূলক ব্যৱস্থা পূৰ্বৰ কামৰ সৈতে তুলনা কৰিবলৈ আমি আমাৰ মডেলক পেন্সিলভেনৰ ট্ৰীবেংকত ৱালচেভ জাৰ্ণেলৰ 2-21 অধ্যায়ৰ ওপৰত প্ৰশিক্ষণ দিছিলো। আমি ধাৰা ২২ ৰ প্ৰথম ২০ টা ফাইল (৩৯৩ টা বাক্য) ক বিকাশৰ সংহতি (devset) ৰূপে ব্যৱহাৰ কৰিছিলো । এই ছেটটো যথেষ্ট সৰু যে ইয়াৰ ফলত পৃথক ফলাফলৰ মাজত যথেষ্ট পাৰ্থক্য দেখা যায়, কিন্তু ই ডিভাইচটো আংশিকভাৱে মেনুৱেল হিল-ক্লাইম্বত অবিৰতভাৱে পুনৰ সংৰক্ষণ কৰি ভাল বৈশিষ্ট্যৰ বাবে দ্ৰুত অনুসন্ধানৰ অনুমতি দিয়ে। ২৩ নং দফাৰ সকলোখিনি চূড়ান্ত মডেলৰ বাবে পৰীক্ষাৰ ছেট হিচাপে ব্যৱহাৰ কৰা হৈছিল। প্ৰত্যেক মডেলৰ বাবে, ইনপুট গছবোৰ কিছু পৰিমাণে টোকা কৰা বা ৰূপান্তৰ কৰা হৈছিল, যেনে জনছন (১৯৯৮) । পৰিৱৰ্তিত গছবোৰৰ এটা ছেট দিয়া হ লে, আমি স্থানীয় গছবোৰক মানক পদ্ধতিত ব্যাকৰণ পুনৰ্লিখন নিয়ম হিচাপে দেখিছিলো, আৰু নিয়মৰ সম্ভাৱনীয়তাৰ বাবে (অসমৰ্পিত) সৰ্বাধিক-সম্ভাব্যতা অনুমান ব্যৱহাৰ কৰিছিলো। 5 ব্যাকৰণ বিশ্লেষণ কৰিবলৈ, আমি সাধাৰণ CKY বিশ্লেষকৰ এটা সৰল এৰে-ভিত্তিক জাভা ৰূপায়ণ ব্যৱহাৰ কৰিছিলো, যি আমাৰ চূড়ান্ত শ্ৰেষ্ঠ মডেলৰ বাবে, ২৩ নং ধাৰাৰ সকলো বাক্য ১ জিবি মেমৰিৰ ভিতৰত বিশ্লেষণ কৰিবলৈ সক্ষম হৈছিল, গড় দৈৰ্ঘ্যৰ বাক্যবোৰৰ বাবে প্ৰায় ৩ ছেকেণ্ড সময় লৈছিল। 5অজ্ঞাত শব্দৰ বাবে টেগিং সম্ভাৱনীয়তা সমতল কৰা হৈছিল। এই quantityP(taggadgadword) ৰ অনুমান নিম্নলিখিত ধৰণে কৰা হৈছিলঃ শব্দবোৰক মূলশব্দ, পৰৱৰ্তী, সংখ্যা আৰু অন্যান্য চৰিত্ৰৰ বৈশিষ্ট্যৰ ওপৰত ভিত্তি কৰি কেইবাটাও শ্ৰেণীৰ শব্দশ্ৰেণীত ভাগ কৰা হৈছিল। এই শ্ৰেণীৰ প্ৰতিটো শ্ৰেণীৰ বাবে, আমি P{\text{tag}}} শব্দ শ্ৰেণীৰ সৰ্বাধিক সম্ভাৱ্যতা অনুমান ল লো। এই বণ্টনক এটা পূৰ্বৰ হিচাপে ব্যৱহাৰ কৰা হৈছিল যাৰ বিপৰীতে পৰ্যবেক্ষণ কৰা ট্যাগিং (s), যদি কোনো হয়, লোৱা হৈছিল, P ((tag শব্দ) = [c ((tag, শব্দ) + κ P ((tag)", শব্দশ্ৰেণী) ]/[c ((word) +κ] প্ৰদান কৰি। ইয়াৰ পিছত ইয়াক উলটি P ((word tag) দিয়া হয়। এই টেগিং মডেলৰ গুণমানে সকলো সংখ্যাক প্ৰভাৱিত কৰে; উদাহৰণস্বৰূপে, কাঁচা ট্ৰীবেংক ব্যাকৰণ (Treebank grammar) ৰ ডিভছেট F 1 ইয়াৰ সৈতে 72.62 আৰু ইয়াৰ অবিহনে 72.09 হয়। 6পাৰ্ছাৰটো মুক্ত উৎস হিচাপে ডাউনলোডৰ বাবে উপলব্ধঃ http://nlp.stanford.edu/downloads/lex-parser.shtml আমি প্ৰমাণ কৰিছোঁ যে এটা unlexicalized PCFG য়ে পূৰ্বতে প্ৰদৰ্শিত হোৱাতকৈ অধিক সঠিকভাৱে বিশ্লেষণ কৰিব পাৰে, সৰল, ভাষিকভাৱে অনুপ্ৰাণিত ৰাজ্য বিভাজনৰ ব্যৱহাৰ কৰি, যিয়ে ভেনিলা ট্ৰীবেংক ব্যাকৰণত লুকাই থকা মিছা স্বাধীনতাৰ অনুমানবোৰ ভাঙি পেলায়। প্ৰকৃততে, ইয়াৰ প্ৰদৰ্শন ৮৬.৩৬% (এলপি/এলআৰ এফ ১) প্ৰাথমিক কালৰ পিচিএফজি মডেলতকৈ ভাল আৰু বৰ্তমানৰ অত্যাধুনিক প্ৰযুক্তিৰ সৈতে আশ্চৰ্যজনকভাৱে ওচৰ। এই ফলাফলৰ সম্ভাব্য ব্যৱহাৰৰ বাহিৰেও আন এক শক্তিশালী নিম্ন সীমা স্থাপন কৰা হৈছে যিটো আনলেক্সিকালাইজড মডেলৰ সৰ্বাধিক সম্ভৱ নির্ভুলতাঃ আনলেক্সিকালাইজড পিচিএফজি বহু বেছি কমপেক্ট, সহজেই প্ৰতিলিপি কৰা আৰু সহজেই ব্যাখ্যা কৰা আৰু অধিক জটিল লেক্সিকাল মডেলতকৈ আৰু পাৰ্সিং এলগৰিথমবোৰ সৰল, অধিক ব্যাপকভাৱে বুজি পোৱা, নিম্ন এছিম্পটোটিক জটিলতা আৰু অনুকূলিতকৰণ সহজ। ১৯৯০ৰ দশকৰ আৰম্ভণিতে, সম্ভাব্যতাবাদী পদ্ধতিয়ে এনএলপিৰ ওপৰত প্ৰভুত্ব বিস্তাৰ কৰাৰ লগে লগে, বিশ্লেষণৰ কামে সম্ভাব্যতাবাদী প্ৰসংগ-মুক্ত ব্যাকৰণ (পিচিএফজি) (বুথ আৰু থমছন, ১৯৭৩; বেকাৰ, ১৯৭৯) ৰ অনুসন্ধান পুনৰুজ্জীৱিত কৰিছিল। অৱশ্যে, পাৰ্ছ ডিছএম্বিগুয়েচন আৰু ভাষা মডেলিংৰ বাবে পিচিএফজিৰ উপযোগিতা সন্দৰ্ভত প্ৰাৰম্ভিক ফলাফলবোৰ কিছু নিৰাশজনক আছিল। |
0aac231f1f73bfaabb89ec8b7fdd47dcb288e237 | আমি এটা নতুন নিয়মীয়াকৃত অফ-পলিচি কনভাৰজেণ্ট টিডি-লাৰ্নিং পদ্ধতি (RO-TD বুলি কোৱা হয়) প্ৰদৰ্শন কৰিছো, যি কম কম্পিউটেশ্যনেল জটিলতাৰ সৈতে মূল্যৰ কাৰ্যৰ বিৰল প্ৰতিনিধিত্ব শিকিবলৈ সক্ষম। ROTD ৰ অন্তৰ্নিহিত এলগৰিদমিক ফ্ৰেমৱৰ্ক দুটা মূল ধাৰণা একত্ৰিত কৰেঃ অফ-পলিচি কনভাৰ্জেন্ট গ্ৰেডিয়েন্ট TD পদ্ধতি, যেনে TDC, আৰু নন-সমতল কনভেক্স অপ্টিমাইজেশ্যনৰ এক কনভেক্স-কনকভেভ ছেডল-পইণ্ট সূত্ৰ, যি প্ৰথম-অৰ্ডাৰ সমাধানকাৰী আৰু অনলাইন কনভেক্স নিয়মীয়াকৰণ ব্যৱহাৰ কৰি বৈশিষ্ট নিৰ্বাচন সক্ষম কৰে। RO-TD ৰ এটা বিশদ তাত্ত্বিক আৰু পৰীক্ষামূলক বিশ্লেষণ দাঙি ধৰা হৈছে। RO-TD এলগৰিথমৰ অ-নীতিগত সংহতি, বিৰল বৈশিষ্ট নিৰ্বাচন ক্ষমতা আৰু কম কম্পিউটেশ্যনেল ব্যয়ৰ উদাহৰণ দিবলৈ বিভিন্ন ধৰণৰ পৰীক্ষা-নিৰীক্ষা প্ৰদৰ্শন কৰা হৈছে। |
33fa11ba676f317b73f963ade7226762b4f3f9c2 | |
08f410a5d6b2770e4630e3f90fb6f3e6b5bfc285 | এই প্ৰবন্ধত আমি আৰবী ভাষাৰ পাঠ প্ৰতিনিধিত্ব আৰু শ্ৰেণীবিভাজনৰ পদ্ধতিৰ বাবে কলা-কৌশলৰ এক সংক্ষিপ্ত বৰ্তমান অৱস্থা উপস্থাপন কৰিছো। প্ৰথমতে আমি আৰবী পাঠৰ শ্ৰেণীবিভাজনৰ ক্ষেত্ৰত প্ৰয়োগ কৰা কিছুমান এলগৰিথমৰ বৰ্ণনা কৰো। দ্বিতীয়তে, আমি আৰবী পাঠৰ ওপৰত প্ৰয়োগ কৰা শ্ৰেণীবিভাজন এলগৰিথমৰ তুলনা কৰোতে সকলো প্ৰধান কামৰ উদ্ধৃতি দিওঁ, ইয়াৰ পিছত, আমি কিছুমান লেখকক উল্লেখ কৰোঁ যিসকলে নতুন শ্ৰেণীবিভাজন পদ্ধতিৰ প্ৰস্তাৱ দিয়ে আৰু শেষত আমি আৰবী টিচিৰ ওপৰত প্ৰাক প্ৰক্ৰিয়াকৰণৰ প্ৰভাৱৰ অনুসন্ধান কৰো। |
6ef78fdb3c54a847d665d006cf812d69326e70ed | এই প্ৰবন্ধত আমি বক বা বুষ্ট কনভাৰ্টাৰৰ দৰে কাম কৰা নন-ইনভাৰ্টিং বক-বুষ্ট কনভাৰ্টাৰৰ ওপৰত গুৰুত্ব দিম। ই দেখুওৱা হৈছে যে বক/বুষ্ট মোডৰ পৰিবৰ্তনৰ ওপৰত এটা পালছ-ব্ৰিডথ মডুলেচন (PWM) বিসংগতিয়ে আউটপুট ভল্টেজ ৰিপলত যথেষ্ট বৃদ্ধিৰ ফলত হ ব পাৰে। PWM অ-ৰেখিকতাৰ প্ৰভাৱৰ অধ্যয়ন কৰা হয় পৰ্য্যায়ক্ৰমে স্থিৰ অৱস্থাৰ বিশ্লেষণ ব্যৱহাৰ কৰি ডিজাইন পাৰামিটাৰসমূহৰ ক্ষেত্ৰত আটাইতকৈ বেয়া কেছ ৰিপল ভল্টেজৰ পৰিমাণ নিৰ্ণয় কৰা হয়। তদুপৰি, বিফোৰকচন বিশ্লেষণে দেখুৱায় যে পিডব্লিউএম বিসংগতিয়ে বিশৃংখলাৰ অৰ্ধ-সময়িক পথলৈ লৈ যায়, যাৰ ফলত বেক/বুষ্ট মোডৰ পৰিবৰ্তনৰ আশে-পাশে অনিয়মিত কাৰ্য্যকাৰিতা হয়। যেতিয়া কনভাৰ্টাৰটো এফ.এ. পাৱাৰ এম্প্লিফায়াৰৰ বাবে শক্তি যোগান হিচাপে ব্যৱহাৰ কৰা হয়, তেতিয়া এই বৰ্ধিত ৰিপল এটা অতি গুৰুত্বপূৰ্ণ সমস্যা, যেনে ডব্লিউচিডিএমএ হেণ্ডছেটত হয়। এটা প্ৰক্ৰিয়াৰ প্ৰস্তাৱ কৰা হৈছে যি পৰীক্ষামূলক প্ৰ টোটাইপত প্ৰদৰ্শিত হোৱা অনুসৰি, কাৰ্যক্ষমতা হ্ৰাসৰ বিনিময়ত, হ্ৰাস পোৱা আউটপুট ভল্টেজৰ ৰিপল সৃষ্টি কৰা বিসংগতি দূৰ কৰিব। |
4f22dc9084ce1b99bf171502174a992e502e32e1 | |
c7bd6ff231f5ca6051ebfe9fac1ecf209868bff6 | ছেগমেণ্ট ত্বৰণ আৰু কৌণিক বেগৰ তথ্যৰ পৰা হাঁটু জইন্ট flexion/extension angles অনুমান কৰাৰ বাবে এটা নতুন পদ্ধতিৰ বৰ্ণনা কৰা হৈছে। এই পদ্ধতিত কেলমেন ফিল্টাৰ আৰু শাৰীৰিক জ্ঞানৰ ওপৰত ভিত্তি কৰি বায় মেকানিকাল সীমাবদ্ধতাৰ সংমিশ্ৰণ ব্যৱহাৰ কৰা হয়। শেহতীয়াকৈ প্ৰকাশিত বহুতো পদ্ধতিৰ বিপৰীতে, প্ৰস্তাৱিত পদ্ধতিটোৱে পৃথিৱীৰ চৌম্বকীয় ক্ষেত্ৰৰ ব্যৱহাৰ নকৰে আৰু সেয়েহে আধুনিক ভৱনসমূহত প্ৰায়ে পোৱা জটিল ক্ষেত্ৰ বিকৃতিৰ প্ৰতি সংবেদনশীল নহয়। পৰীক্ষণত এই পদ্ধতিটো পৰীক্ষা কৰা হয়, ইয়াৰ বাবে দুয়োটা আইএমইউৰ পৰা লোৱা জোখৰ পৰা হাঁড়ৰ কোণ গণনা কৰা হয়। পূৰ্বৰ বহুতো গৱেষণাৰ বিপৰীতে যিসকলে তুলনামূলকভাৱে ধীৰ গতিৰ কাৰ্যকলাপ বা কম সময়ৰ বাবে তেওঁলোকৰ পদ্ধতিটো বৈধতা প্ৰদান কৰিছে, এলগৰিথমৰ কাৰ্যক্ষমতা ৫ মিনিটৰ সময়ছোৱাত খোজকাঢ়ি আৰু দৌৰাৰ উভয়তে মূল্যায়ন কৰা হৈছিল। ৭ জন সুস্থ ব্যক্তিক ১-৫ মাইল/ঘন্টা গতিৰ বিভিন্ন গতিৰ ওপৰত পৰীক্ষা কৰা হৈছিল। ১০টা কেমেৰাৰ গতি ট্ৰেকিং চিষ্টেম (কোৱালিছিছ) ৰ পৰা একে সময়তে লাভ কৰা তথ্যৰ সৈতে ফলাফলৰ তুলনা কৰি ত্ৰুটিসমূহ অনুমান কৰা হয়। গড় পৰিমাপ ত্ৰুটি ধীৰ গতিত খোজকাঢ়ি (১ মাইল) ৩.৪ ডিগ্ৰীৰ পৰা দৌৰি (৫ মাইল) লৈ আছিল। IMU বিশ্লেষণত ব্যৱহৃত যৌথ সীমাবদ্ধতা Qualysis ডাটাৰ পৰা আহৰণ কৰা হৈছিল। পদ্ধতিৰ সীমাবদ্ধতা, ইয়াৰ ক্লিনিকাল প্ৰয়োগ আৰু ইয়াৰ সম্ভাৱ্য সম্প্ৰসাৰণৰ বিষয়ে আলোচনা কৰা হৈছে। |
d6f073762c744bff5fe7562936d3aae4c2f7b67d | সাম্প্ৰতিক বছৰবোৰত, হাৰ্ডৱেৰ প্ৰযুক্তিৰ অগ্ৰগতিৰ ফলত বাস্তৱিক সময়ত বহুতো ঘটনাৰ নিৰীক্ষণৰ সম্ভাৱনা হৈছে। প্ৰৱেশ কৰা তথ্যৰ পৰিমাণ ইমান বেছি হ ব পাৰে যে সকলো পৃথক তথ্য নিৰীক্ষণ কৰাটো কঠিন হৈ পৰিব পাৰে। এই পৰিৱেশত কোনো বিশেষ ৰেকৰ্ড পুনৰীক্ষণ কৰাটোও অসম্ভৱ হ ব পাৰে। সেয়েহে, সংগ্ৰহ, যোগদান, সঘন পট্ৰ ন খনি আৰু সূচীবদ্ধকৰণৰ দৰে বহুতো ডাটাবেছ আঁচনি এই ক্ষেত্ৰত অধিক প্ৰত্যাহ্বানজনক হৈ পৰে। এই প্ৰবন্ধত তথ্য প্ৰবাহৰ প্ৰক্ৰিয়াকৰণৰ ক্ষেত্ৰত এই সমস্যাসমূহ সমাধান কৰাৰ পূৰ্বৰ প্ৰচেষ্টাসমূহৰ সমীক্ষা কৰা হৈছে। ইয়াৰ গুৰুত্ব হৈছে স্লাইডিং উইণ্ডো অনুসন্ধানসমূহ নিৰ্ধাৰণ আৰু প্ৰক্ৰিয়া কৰা, যিটো বহুতো ষ্ট্ৰিম প্ৰক্ৰিয়া ইঞ্জিনত সমৰ্থিত। আমি সিন পছিছ গঠন, পৰিকল্পনা ভাগ-বতৰা, অপাৰেটৰ সময়সূচী, লোড শ্বেডিং আৰু বিসংগতি নিয়ন্ত্ৰণকে ধৰি ষ্ট্ৰিম কুৱেৰী প্ৰক্ৰিয়াকৰণৰ সম্পৰ্কীয় কামৰো পৰ্যালোচনা কৰো। শ্ৰেণীঃ সৰ্বব্যাপী কম্পিউটিং |
cb745fd78fc7613f95bf5bed1fb125d2e7e39708 | বিশ্বাসহীন ক্ৰছ-ব্লকচেইন ট্ৰেডিং প্ৰট কল নিৰ্মাণ কৰাটো এক প্ৰত্যাহ্বান। সেয়েহে, কেন্দ্ৰীয়ভাৱে নগদধন প্ৰদানকাৰীসকল শৃংখলাৰ মাজেৰে স্থানান্তৰ কাৰ্যকৰী কৰাৰ বাবে প্ৰিয় পথ হৈ থাকে-যিটো বিশ্বাসযোগ্য মধ্যস্থতাকাৰীৰ স্থান ল বলৈ অনুমতিবিহীন লিডাৰৰ উদ্দেশ্যৰ সৈতে মৌলিকভাৱে বিৰোধী। ক্ৰছ ব্লকচেইন বাণিজ্যক সক্ষম কৰি কেৱল বৰ্তমান প্ৰতিদ্বন্দ্বিতা কৰা ব্লকচেইন প্ৰকল্পসমূহক ভালভাৱে সহযোগিতা কৰিবলৈ সক্ষম কৰাই নহয়, কিন্তু বিকেন্দ্ৰীকৃত বিনিময়ৰ বাবে বিশেষ গুৰুত্বপূৰ্ণ যেন দেখা যায় কিয়নো সেইবোৰ বৰ্তমানে তেওঁলোকৰ নিজা ব্লকচেইন ইক ছিষ্টেমৰ ভিতৰত ডিজিটেল সম্পদৰ ব্যৱসায়ত সীমাবদ্ধ। এই প্ৰবন্ধত আমি ক্ৰিপ্টোকাৰেন্সি বেকড টোকেনৰ ধাৰণাটো প্ৰণালীবদ্ধ কৰিছো, বিশ্বাসহীন ক্ৰছ-চেইন যোগাযোগৰ এক পদ্ধতি। আমি XCLAIM, প্ৰট কলৰ প্ৰস্তাৱ দিছো ইছ্যু, ট্ৰেডিং আৰু ৰিডিমিংৰ বাবে, উদাহৰণ স্বৰূপে ইথেৰিয়ামৰ বিটকয়েন সমৰ্থিত টোকেন। আমি তিনিটা সম্ভাব্য প্ৰট কল সংস্কৰণৰ বাবে ৰূপায়ণ প্ৰদান কৰোঁ আৰু তেওঁলোকৰ সুৰক্ষা আৰু অন-চেইন ব্যয়ৰ মূল্যায়ন কৰোঁ। XCLAIM ৰ সৈতে, ইথেৰিয়ামত Bitcoinbacked টোকেনসমূহৰ এটা নিৰ্দিষ্ট পৰিমাণৰ ইছ্যু কৰিবলৈ সৰ্বাধিক USD 1.17 খৰচ হয়, বৰ্তমানৰ ব্লকচেইন লেনদেন মাচুলসমূহ দিয়া হৈছে। আমাৰ প্ৰট কলত বিটকয়েন আৰু ইথেৰিয়ামৰ সন্মতি নিয়মৰ কোনো সালসলনিৰ প্ৰয়োজন নাই আৰু ই আন ক্ৰিপ্টোকাৰেঞ্চি সমৰ্থন কৰিবলৈ যথেষ্ট সাধাৰণ। |
0be0d781305750b37acb35fa187febd8db67bfcc | আমি সঠিকতা অনুমান পদ্ধতিৰ পৰ্যালোচনা কৰোঁ আৰু দুটা সাধাৰণ পদ্ধতি ক্ৰছ ভেলিডেচন আৰু বুটষ্ট্ৰ্যাপৰ তুলনা কৰোঁ। সাম্প্ৰতিক পৰীক্ষামূলক ফলাফলসমূহ কৃত্ৰিম তথ্য আৰু সীমিত পৰিবেশত তাত্ত্বিক ফলাফলৰ ওপৰত দেখুৱাইছে যে শ্ৰেণীবিভাগৰ এক গোটৰ পৰা ভাল শ্ৰেণীবিভাগ বাছনি কৰিবলৈ দশগুণ ক্ৰছ ভেলিডেচন বেছি খৰচী পদ্ধতিতকৈ ভাল হ ব পাৰে। ক্ৰছ ভেলিডেচনৰ বাহিৰে আমি এটা বৃহৎ পৰিসৰৰ পৰীক্ষাৰ বিষয়ে প্ৰতিবেদন দিছো য ত চিৰ আধামিলিয়ন ৰাণ আৰু এটা নিভ বেজ এলগৰিথম ব্যৱহাৰ কৰা হৈছে। এই এলগৰিথমসমূহৰ বিভিন্ন পাৰামিটাৰৰ প্ৰভাৱৰ অনুমান কৰিবলৈ। আমাৰ ফলাফলত দেখিবলৈ পোৱা গৈছে যে আমাৰ দৰে বাস্তৱিক ৱৰ্ড ডাটাছেটৰ বাবে মডেল নিৰ্বাচনৰ বাবে ব্যৱহাৰ কৰিব পৰা উত্তম পদ্ধতি হৈছে দশগুণ স্তৰিত ক্ৰছ ভেলিডেচন, আনকি যদিহে অধিক ভাঁজ ব্যৱহাৰ কৰিবলৈ কম্পিউটাৰৰ শক্তিয়ে অনুমতি দিয়ে |
2c10a1ee5039c2f145abab6d5cc335d58f161ef0 | |
160285998b31b11788182da282a1dc6f1e1b40f2 | মাইক্ৰচফট ৰিচাৰ্ছ ৰেডমণ্ডে এই বছৰ প্ৰথমবাৰৰ বাবে TREC ত অংশগ্ৰহণ কৰে, প্ৰশ্ন-উত্তৰ ট্ৰেকত গুৰুত্ব প্ৰদান কৰে। এই খণ্ডত মাইক্ৰচফ্ট ৰিচাৰ্ছ কেম্ব্ৰিজৰ ফিল্টাৰিং আৰু ৱেব ট্ৰেকৰ বাবে দাখিল কৰা প্ৰবন্ধৰ ওপৰত পৃথক প্ৰতিবেদন আছে (ৰবাৰ্টছন আৰু আন, ২০০২) । আমি ৱেব প্ৰশ্ন-উত্তৰৰ বাবে তথ্য-চালিত কৌশলসমূহ অন্বেষণ কৰি আহিছো, আৰু TREC QA ত অংশগ্ৰহণৰ বাবে আমাৰ ব্যৱস্থাটো কিছু পৰিমাণে সংশোধন কৰিছো। আমি মূল ক ৰ না নিয়ন্ত্ৰণ ট্ৰেক (আস্কএমএছআৰ আৰু এস্কএমএছআৰ২) ৰ বাবে দুটা ৰান দাখিল কৰিছিলো। |
8213dbed4db44e113af3ed17d6dad57471a0c048 | |
0521ffc1c02c6a4898d02b4afcc7da162fc3ded3 | অতি-বিশাল-বন্দ (UWB) মাইক্ৰ ষ্ট্ৰীপ-চিপিএছ (কোপ্লানাৰ ষ্ট্ৰীপলাইন) ৰ এটা নতুন ৰূপৰ পৰিবৰ্তন কৰা হৈছে। এই পৰিবৰ্তন বা বেলুন গাঁথনিৰ কেইবাটাও আকৰ্ষণীয় সুবিধা আছে যেনে ভাল প্ৰতিৰোধ ৰূপান্তৰ, সংক্ষিপ্ত আকাৰ আৰু বহল বেণ্ডউইডথ। মাইক্ৰষ্ট্ৰীপ লাইন আৰু চিপিএছৰ মাজত সমান্তৰালভাৱে সংযুক্ত লাইন ছেকশ্যনটো বিভিন্ন পাৰ্শ্বীয় মাত্ৰা অনুসৰি অনুসন্ধান কৰাৰ পিছত, দুটা পৰিবহণৰ খুঁটা ওলোৱাৰ সৈতে এটা বহল পৰিবহণ ব্ৰেণ্ড ভালদৰে প্ৰাপ্ত কৰা হয়। তাৰ পিছত, এনে একক পৰিবৰ্তন চক্ৰক সৰ্বোত্তমভাৱে সমগ্ৰ UWB বেণ্ড (3.1 GHz ৰ পৰা 10.6 GHz) ক সামৰি ল বলৈ ডিজাইন কৰা হয়। পৰীক্ষাত পূৰ্বানুমান কৰা ফলাফলবোৰ পৰীক্ষা কৰিবলৈ, একেটা 50 অ মেগা মাইক্ৰ ষ্ট্ৰীপ ফিড লাইনৰে দুটা বেক-টু-বেক ট্ৰেনজিচন নিৰ্মাণ আৰু পৰীক্ষা কৰা হয়। পৰিমাপ কৰা ফলাফলত ৩.৫ গিগাহৰ্টছ-১০.০ গিগাহৰ্টছ বেণ্ডৰ ওপৰত ১০.০ ডিচিবিলিয়াৰৰ ওচৰৰ ৰিটাৰ্ণ লষ্ট দেখুওৱা হৈছে। |
22ee2316b96c41f743082bd9de679104d79c683a | |
75041575e3a9fa92af93111fb0a93565efed4858 | এই প্ৰবন্ধত গ্ৰীণহাউছ পৰিৱেশত সম্ভাব্য ক্ষেত্ৰ পদ্ধতি ব্যৱহাৰ কৰি চলাচল কৰা ম বাইল পৰিমাপ কেন্দ্ৰৰ প্ৰয়োগৰ বিষয়ে আলোচনা কৰা হৈছে। গ্ৰীণহাউছৰ কাৰ্য্য হ ল উদ্ভিদৰ সম্পূৰ্ণ জীৱনৰ বাবে সৰ্বোত্তম বৃদ্ধিৰ পৰিস্থিতি সৃষ্টি কৰা। স্বতন্ত্ৰ জোখাৰ ব্যৱস্থাৰ ব্যৱহাৰে গ্ৰীণহাউছত সৰ্বোত্তম পৰিৱেশ সৃষ্টিৰ বাবে প্ৰয়োজনীয় সকলো পাৰামিটাৰ নিৰীক্ষণ কৰাত সহায় কৰে। সেন্সৰযুক্ত এই ৰবটটোৱে গ্ৰীণহাউছৰ ভিতৰত শস্যৰ শাৰীবোৰৰ শেষলৈকে গৈ পুনৰ উভতি যাব পাৰে। ইয়াত এটা ৱায়াৰলেছ ছেন্সৰ নেটৱৰ্ক প্ৰৱৰ্তন কৰা হৈছে যিটো গ্ৰীণহাউছ এপ্লিকেচনৰ জোখ-মাপ আৰু নিয়ন্ত্ৰণৰ উদ্দেশ্যে ব্যৱহাৰ কৰা হৈছিল। ৱায়াৰলেছ প্ৰযুক্তি আৰু ক্ষুদ্ৰীকৰণৰ ক্ৰমাগত উন্নতিয়ে পৰিৱেশৰ বিভিন্ন দিশ নিৰীক্ষণ কৰিবলৈ ছেন্সৰ নেটৱৰ্কৰ প্ৰৱৰ্তনক ক্ৰমান্বয়ে নমনীয় কৰি তুলিছে। |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.