_id
stringlengths 40
40
| text
stringlengths 0
9.21k
|
|---|---|
5a3306619ab02d8b9b022946f3ddac16af16bcce | আমি সাম্প্ৰতিক কম্পিউটাৰ মডেলিং ভাষাৰ বিৱৰ্তনৰ গৱেষণা সমীক্ষা কৰিছো, এক নিয়ম-ভিত্তিক মডেলৰ ওপৰত গুৰুত্ব দি যি শব্দাংশ-সন্থাস সহ-বিবৰ্তন আৰু ভাষাৰ প্ৰতিযোগিতাৰ গতিশীলতা পৰিমাপ কৰা এটা সমীকৰণ-ভিত্তিক মডেলৰ ওপৰত গুৰুত্ব দিছো। আমি এই মডেলসমূহৰ চাৰিটা ভৱিষ্যদ্বাণী আলোচনা কৰিম: (ক) ডোমেইন-সাধাৰণ ক্ষমতাৰ মাজত সম্পৰ্ক (যেনে, পৰিক্ৰমিত শিকন) আৰু ভাষা-নিৰ্দিষ্ট ব্যৱস্থা (যেনে (খ) ভাষা আৰু প্ৰাসংগিক দক্ষতাৰ সম-বিকাশ (যেনে, (গ) ভাষিক বোধগম্যতাৰ ওপৰত সাংস্কৃতিক প্ৰসাৰ আৰু সামাজিক গাঁথনিৰ প্ৰভাৱ; আৰু (ঘ) ভাষিক, জৈৱিক আৰু ভৌতিক ঘটনাৱলীৰ মাজত মিল। এই সকলোবোৰে ভাষা-সংস্ৃকটৰ বিকাশ, ব্যক্তিৰ শিক্ষণ পদ্ধতি আৰু প্ৰাসংগিক জৈৱিক আৰু সামাজিক-সাংস্কৃতিক কাৰকৰ বিষয়ে আমাৰ বুজাত গুৰুত্বপূৰ্ণ অৱদান আগবঢ়ায়। আমি এই সমীক্ষাৰ অন্ত পেলাই ভাষাৰ বিৱৰ্তনৰ মডেলিং অধ্যয়নৰ তিনিটা ভৱিষ্যৎ দিশৰ ওপৰত আলোকপাত কৰিছোঃ (ক) মডেল মূল্যায়নৰ বাবে পৰীক্ষামূলক পদ্ধতি গ্ৰহণ কৰা; (খ) মডেলৰ অভিজ্ঞতাগত ভিত্তি সুদৃঢ় কৰা; আৰু (গ) মডেলিং, ভাষাবিজ্ঞান আৰু অন্যান্য প্ৰাসংগিক শাখাৰ মাজত বহু-বিভাগীয় সহযোগিতা। |
dcbb2c33c082fedf009139a9456bd90e549aac3d | বয়সৰ বৃদ্ধি আৰু হৰম নৰ পৰিৱৰ্তনৰ বাবে মানুহবোৰে তেওঁলোকৰ অংগ-প্ৰত্যঙ্গৰ বিষত ভুগিবলগীয়া হয়। যাৰ ফলত মানুহৰ মৌলিক কাৰ্যকলাপ অৰ্থাৎ ভৰি-হাতৰ গতি-বিধি, যাক গেইট বুলিও জনা যায়, প্ৰভাৱিত হয়। এটা ভৰিৰ বিষত ভুগি থকাটো ৰোধ কৰিবলৈ দুয়োটা ভৰিৰ ওপৰত ভাৰসাম্যহীনভাৱে ভাৰসাৰ প্ৰয়োগ কৰি মানুহবোৰে লাহে লাহে অস্বাভাৱিক ভৰিৰ আৰ্হি গঢ়ি তোলে, যাৰ ভিতৰত হাড়ৰ স্থিতিত খজুৱতি আৰু তললৈ বগোৱা থাকে। এই ঘটনাটো বহু সময়ত বহুদিনলৈ লক্ষ্য কৰা নাযায়। আমি এটা প্ৰণালী প্ৰস্তাৱ কৰিছো যিয়ে স্মাৰ্টফোন ব্যৱহাৰ কৰি অস্বাভাৱিক খোজৰ ধৰণবোৰ অনুভৱ আৰু চিনাক্ত কৰিব পাৰে। স্মাৰ্টফোনত এম্বেড কৰা এক্সেলেৰ মিটাৰৰ জৰিয়তে অংগ-প্ৰত্যঙ্গৰ গতিৰ সংবেদন কৰা হয় আৰু পদব্ৰজেৰে লম্বা, পদব্ৰজেৰে গতি আদিৰ দৰে বিভিন্ন বৈশিষ্ট্যৰ শ্ৰেণীবিভাজন কৰি অস্বাভাৱিক পদব্ৰজেৰে গতিৰ চিনাক্তকৰণ কৰা হয়। নেভ বেজ আৰু ডিচিছন ট্ৰী ক্লাচিফায়াৰ অন্তৰ্ভুক্ত কৰি আমি বিভিন্ন স্তৰৰ অস্বাভাৱিকতা শ্ৰেণীবদ্ধ কৰাত প্ৰায় ৮৯% সঠিকতা লাভ কৰিলো। সিদ্ধান্ত বৃক্ষৰ আধাৰত গেইট ভেৰিয়েশ্যন ডিটেক্টৰ স্মাৰ্টফোন এপ্লিকেশ্যনটো পাঁচজন ব্যৱহাৰকাৰীৰ মাজত প্ৰয়োগ কৰি অধিক বৈধতা প্ৰদান কৰা হয় যাৰ ফলত ৯০% সঠিকতা পোৱা যায়। |
f19983b3e9b7fe8106c0375ebbd9f73a53295a28 | ডাটাবেছ অনুসন্ধান, খনন আৰু বিশ্লেষণৰ সৈতে জড়িত বৃহৎ তথ্য বিশ্লেষণক এটা উদ্ভাৱনীমূলক আইটি ক্ষমতা হিচাপে দেখা যায় যিটোৱে ফাৰ্মৰ প্ৰদৰ্শন উন্নত কৰিব পাৰে। যদিও কিছুমান আগশাৰীৰ কোম্পানীয়ে বজাৰৰ প্ৰতিযোগিতা শক্তিশালী কৰিবলৈ আৰু নতুন ব্যৱসায়ৰ সুযোগ সৃষ্টি কৰিবলৈ বৃহৎ তথ্য বিশ্লেষণক সক্ৰিয়ভাৱে গ্ৰহণ কৰিছে, বহুতো প্ৰতিষ্ঠান এতিয়াও বৃহৎ তথ্যৰ সৈতে বুজাবুজি আৰু অভিজ্ঞতাৰ অভাৱৰ বাবে গ্ৰহণৰ বক্ৰৰ প্ৰাৰম্ভিক পৰ্যায়ত আছে। সেয়েহে, বিগ ডাটা গ্ৰহণৰ সৈতে জড়িত বিষয়বোৰ বুজিবলৈ ই অতিশয় আকৰ্ষণীয় আৰু সময়োপযোগী। এই অধ্যয়নত, এটা গৱেষণা মডেলৰ প্ৰস্তাৱ দিয়া হৈছে যাতে বিগ ডাটা এনালাইটিছৰ অধিগ্ৰহণৰ উদ্দেশ্য ব্যাখ্যা কৰিব পাৰি। |
6834913a76b686957c0b8c755d1ca6ef3bd76914 | তথ্যৰ বেনামীকৰণে গৱেষণাৰ উদ্দেশ্যে তথ্য মুকলি কৰাৰ দাবী আৰু ব্যক্তিৰ গোপনীয়তাৰ দাবী উভয়কে সমন্বয় কৰে। এই প্ৰবন্ধত k-anonymization নামেৰে পৰিচিত শক্তিশালী de-identification প্ৰক্ৰিয়াৰ বাবে এটা অপ্টিমাইজেশ্যন এলগৰিথমৰ প্ৰস্তাৱ আৰু মূল্যায়ন কৰা হৈছে। k-অনামী ডাটাছেটৰ এটা বৈশিষ্ট্য আছে যে প্ৰতিটো ৰেকৰ্ড কমেও k-1 টা আন ৰেকৰ্ডৰ পৰা পৃথক কৰিব নোৱাৰি। অনুকূলিত k-অনামিত্বৰ সহজ সীমাবদ্ধতাও NP-হার্ড, যাৰ ফলত গুৰুত্বপূৰ্ণ গণনামূলক প্ৰত্যাহ্বানসমূহ আহি পৰে। আমি সম্ভাব্য বেনামীকৰণৰ ক্ষেত্ৰখন অন্বেষণ কৰাৰ বাবে এক নতুন পদ্ধতি প্ৰদৰ্শন কৰিছো যি সমস্যাৰ সংমিশ্ৰণক প্ৰশমিত কৰে, আৰু ডাটা-প্ৰবন্ধন কৌশল বিকাশ কৰে যাতে চাৰ্টিঙৰ দৰে ব্যয়বহুল কাৰ্যকলাপৰ ওপৰত নিৰ্ভৰশীলতা হ্ৰাস কৰিব পাৰে। বাস্তৱ নাগৰিকপঞ্জীৰ তথ্যৰ ওপৰত কৰা পৰীক্ষাৰ জৰিয়তে আমি দেখুৱাম যে ফলাফলযুক্ত এলগৰিথমে দুটা প্ৰতিনিধিত্বমূলক ব্যয়ৰ মাপ আৰু k ৰ এক বিস্তৃত পৰিসৰৰ অধীনত সৰ্বোত্তম k-অনামীকৰণ বিচাৰি পাব পাৰে। আমি এইটোও দেখুৱাম যে এলগৰিথমে পৰিস্থিতিত ভাল অনামীকৰণ উৎপন্ন কৰিব পাৰে য ত ইনপুট ডাটা বা ইনপুট পাৰামিটাৰবোৰে যুক্তিসংগত সময়ত সৰ্বোত্তম সমাধান বিচাৰি পোৱাত বাধা দিয়ে। অৱশেষত, আমি বিভিন্ন ক ডিং পদ্ধতি আৰু সমস্যা বৈচিত্ৰ্যৰ প্ৰভাৱ অজ্ঞাতকৰণৰ গুণমান আৰু কাৰ্যক্ষমতাৰ ওপৰত অন্বেষণ কৰিবলৈ এলগৰিথম ব্যৱহাৰ কৰোঁ। আমাৰ জ্ঞানৰ মতে, এইটো প্ৰথম ফলাফল যি সমস্যাৰ সাধাৰণ মডেলৰ অধীনত এটা অ-বিষয়বস্তু ডাটাছেটৰ সৰ্বোত্তম কে-অনামীকৰণ প্ৰদৰ্শন কৰে। |
1b7690012a25bb33b429dbd72eca7459b9f50653 | আমি মডেল প্ৰদান কৰি মাৰ্কভ সিদ্ধান্ত প্ৰক্ৰিয়া (এমডিপি) বা আংশিকভাৱে পৰ্যবেক্ষণযোগ্য মাৰ্কভ সিদ্ধান্ত প্ৰক্ৰিয়া (পিঅ এমডিপি) ৰ বাবে নীতিসমূহৰ এটা স্থান বিচৰাৰ সমস্যাৰ এক নতুন পদ্ধতিৰ প্ৰস্তাৱ দিছো। আমাৰ পদ্ধতি নিম্নলিখিত পৰ্যবেক্ষণৰ ওপৰত আধাৰিতঃ যিকোনো (PO) MDPক এটা "সমান" POMDPলৈ ৰূপান্তৰ কৰিব পাৰি য ত সকলো অৱস্থা পৰিবৰ্তন (বৰ্তমান অৱস্থা আৰু কাৰ্য্য প্ৰদান কৰা) নিৰ্ণয়মূলক হয়। ইয়াৰ ফলত নীতি অনুসন্ধানৰ সাধাৰণ সমস্যাটো এনে এটা সমস্যালৈ হ্ৰাস পায় য ত আমি কেৱল নিৰ্ণায়ক পৰিবৰ্তন থকা POMDPs বিবেচনা কৰিব লাগে। আমি এই পৰিৱৰ্তিত POMDP সমূহত সকলো নীতিৰ মূল্যৰ অনুমান কৰাৰ এটা স্বাভাৱিক উপায় প্ৰদান কৰিছো। পলিচী অনুসন্ধান তেতিয়া উচ্চ অনুমানিত মূল্যৰ সৈতে পলিচী বিচাৰি সৰলভাৱে কৰা হয়। আমি সেই পৰিস্থিতিও স্থাপন কৰো য ত আমাৰ মূল্য অনুমান ভাল হ ব, Kearns, Mansour আৰু Ng [7] ৰ দৰে তাত্ত্বিক ফলাফল পুনৰুদ্ধাৰ কৰা, কিন্তু "নমুনা জটিলতা" সীমাৰেখাৰ সৈতে যি মাত্ৰ দিগন্ত সময়ৰ ওপৰত এক বহুপদীয় নিৰ্ভৰশীলতা নহয়। আমাৰ পদ্ধতিটো নিৰ্দিষ্ট POMDPs ৰ বাবে প্ৰযোজ্য, যাৰ অন্তহীন অৱস্থা আৰু ক্ৰিয়া স্থান আছে। আমি এটা সৰু বিচ্ছিন্ন সমস্যা আৰু এটা জটিল নিৰন্তৰ অৱস্থা/ নিৰন্তৰ ক্ৰিয়া সমস্যা, য ত চাইকেল চলাবলৈ শিকাৰ সৈতে জড়িত আমাৰ পদ্ধতিৰ বাবে অভিজ্ঞতাৰ ফলাফলও উপস্থাপন কৰিছো। |
e60778347ffb55b8b42ba831ffb8f8f7269182a5 | আমাৰ কামৰ মূল অৱদান হ ল চিটি ইঞ্জিনৰ দৰে অতি বিশেষীকৃত ছফ্টৱেৰ আৰু গ্ৰাছহোপাৰ দৰে সাধাৰণ উদ্দেশ্যৰ পাৰামেট্ৰিক মডেলিং প্লেটফৰ্মৰ পাৰামেট্ৰিক নগৰ ডিজাইনৰ পদ্ধতিৰ সংমিশ্ৰণ। আমাৰ কামৰ দ্বাৰা আৰ্কিটেক্ট আৰু পৰিকল্পনাকাৰীয়ে নগৰ ডিজাইনৰ বাবে পাৰামেট্ৰিক সঁজুলিৰ ব্যৱহাৰ সহজ কৰি তোলে আৰু প্ৰৰোচিত কৰে। এই প্ৰবন্ধত আমি ৰাস্তাৰ নেটৱৰ্ক প্ৰজন্ম আৰু ব্লক উপবিভাজনৰ বাবে এক কাষ্টম ঘাঁহ-কুঁৱৰী উপাদান উপস্থাপন কৰিছো। RhinoCommon SDK ব্যৱহাৰ কৰি এই উপাদানটো C#ত বিকশিত কৰা হৈছিল। আমি এটা শিক্ষণ অনুশীলনত নগৰীয়া ডিজাইন প্ৰস্তাৱ বিকাশৰ বাবে গ্ৰাছহোপাৰ ব্যৱহাৰ কৰিছিলো। নগৰ পৰিকল্পনাৰ প্ৰয়োজনীয়তা পূৰণ কৰিবলৈ, বৰ্তমানৰ গ্ৰাছহোপাৰ উপাদানসমূহৰ পৰিসৰত অতিৰিক্ত কাৰ্য্যকৰীতা যোগ কৰিবলগীয়া হৈছিল। বিশেষকৈ, আমাক ৰাস্তাৰ নেটৱৰ্ক সৃষ্টি আৰু ব্লক উপবিভাজনৰ বাবে উপাদানসমূহৰ প্ৰয়োজন আছিল। এই উপাদানটো বিকাশৰ বাবে আমি (Weber et al., 2009) আৰু (Vanegas et al., 2009) ত বৰ্ণনা কৰা ব্লক উপবিভাজনৰ পদ্ধতিসমূহ ৰূপায়ণ কৰিছিলো। ইয়াৰ উপৰিও, আমি ৰাইনোচেৰ ছৰ NURBS মডেলিং ক্ষমতাৰ সৈতে মিলি পৰাকৈ কৌশলসমূহক অনুকূলিত আৰু উন্নত কৰিছো। |
c763bf953a3381d7631ccad11843cb35e8a37441 | বহুতো ব্যৱসায়ীয়ে বিপণনৰ প্ৰসাৰৰ বাবে পৰামৰ্শদাতা প্ৰণালী ব্যৱহাৰ কৰিছে। পৰামৰ্শমূলক এলগৰিথমসমূহ বিষয়বস্তুৰ ওপৰত ভিত্তি কৰি বা সহযোগিতামূলক ফিল্টাৰিংৰ দ্বাৰা পৰিচালিত হ ব পাৰে। আমি বিভিন্ন ধৰণে বিষয়বস্তু তথ্যক সহযোগিতামূলক ফিল্টাৰৰ মেট্ৰিক্স ফেক্টৰাইজেশ্যন পদ্ধতিত প্ৰত্যক্ষভাৱে অন্তৰ্ভুক্ত কৰাৰ অধ্যয়ন কৰো। এই সামগ্ৰী-উন্নত মেট্ৰিক্স ফেক্টৰাইজেশ্যন এলগৰিথমবোৰে কেৱল পৰামৰ্শৰ সঠিকতা উন্নত কৰাই নহয়, বৰঞ্চ সামগ্ৰীসমূহৰ বিষয়ে উপযোগী অন্তৰ্দৃষ্টি প্ৰদান কৰে, লগতে পৰামৰ্শবোৰক সহজেই ব্যাখ্যাযোগ্য কৰি তোলে। |
25eb626f0024f9733f0381d6c907c31a3f75c9c5 | লেখকসকলে ২টা অধ্যয়নৰ ফলাফলৰ বিষয়ে উল্লেখ কৰিছে য ত নাৰ্চিচিজমৰ সম্পৰ্ক আত্ম- আৰু আন নেতৃত্বৰ মূল্যায়ন, কৰ্মক্ষেত্ৰৰ বিচ্যুতি, আৰু কাম আৰু প্ৰসংগভিত্তিক প্ৰদৰ্শনৰ সৈতে সম্পৰ্কিত। অধ্যয়ন ১ৰ ফলাফলত প্ৰকাশ পাইছে যে নাৰ্চিচিজম নেতৃত্বৰ উন্নত স্ব-ৰেটিংৰ সৈতে সম্পৰ্কিত আছিল, আনকি বিগ ফাইভ বৈশিষ্ট্যসমূহৰ বাবে নিয়ন্ত্ৰণ কৰোঁতে। অধ্যয়ন ২ৰ ফলাফলত এইটোও প্ৰকাশ পাইছে যে নাৰ্চিচিজম নেতৃত্বৰ উন্নত স্ব-প্ৰকৃতিৰ সৈতে সম্পৰ্কিত আছিল; প্ৰকৃততে, যদিও নাৰ্চিচিজম নেতৃত্বৰ স্ব-ৰেটিংৰ সৈতে উল্লেখযোগ্যভাৱে ইতিবাচকভাৱে সম্পৰ্কিত আছিল, নেতৃত্বৰ অন্যান্য ৰেটিংৰ সৈতে ই উল্লেখযোগ্যভাৱে নেতিবাচকভাৱে সম্পৰ্কিত আছিল। অধ্যয়ন ২য়ে এইটোও প্ৰকাশ কৰে যে নাৰ্চিচিজম আন (অধিকাৰী) ৰেটিংৰ তুলনাত কৰ্মক্ষেত্ৰৰ বিচ্যুতি আৰু প্ৰসংগভিত্তিক প্ৰদৰ্শনৰ অধিক অনুকূল স্ব-ৰেটিংৰ সৈতে সম্পৰ্কিত আছিল। অৱশেষত, অনুমান কৰা মতে, নাৰ্চিচিজম কাৰ্য সম্পাদনৰ তুলনাত প্ৰসংগভিত্তিক কাৰ্য সম্পাদনৰ সৈতে অধিক শক্তিশালীভাৱে নেতিবাচকভাৱে সম্পৰ্কিত আছিল। |
0ad0518637d61e8f4b151657797b067ec74418e4 | গভীৰ নেটৱৰ্কবোৰ শ্ৰেণীবিভাজনৰ মডেল হিচাপে সফলতাৰে ব্যৱহাৰ কৰা হয় আৰু বৃহৎ সংখ্যক লেবেলযুক্ত নমুনাৰ ওপৰত প্ৰশিক্ষণ দিয়াৰ সময়ত অত্যাধুনিক ফলাফল প্ৰদান কৰে। অৱশ্যে, এই মডেলসমূহ সাধাৰণতে আধা-নিৰীক্ষণ কৰা সমস্যাৰ বাবে কম উপযুক্ত হয় কাৰণ এওঁলোকৰ প্ৰৱণতা কম পৰিমাণৰ তথ্যৰ ওপৰত প্ৰশিক্ষণ দিয়াৰ সময়ত সহজে অতিৰিক্ত হয়। এই কামত আমি এটা নতুন প্ৰশিক্ষণৰ লক্ষ্যৰ বিষয়ে অনুসন্ধান কৰিম যিটো হৈছে লেবেলযুক্ত তথ্যৰ এটা সৰু উপ-সমষ্টিৰ সৈতে আধা-নিৰীক্ষণ কৰা ব্যৱস্থাটোক লক্ষ্য কৰি লোৱা। এই মানদণ্ডটো লেবেলযুক্ত নমুনাৰ ছেটৰ ভিতৰত দূৰত্বৰ সম্পৰ্কত গভীৰ মেট্ৰিক এম্বেডিংৰ ওপৰত ভিত্তি কৰি নিৰ্ধাৰণ কৰা হৈছে, লগতে লেবেলবিহীন ছেটৰ এম্বেডিংৰ ওপৰত সীমাবদ্ধতাও আছে। চূড়ান্ত শিকোৱা প্ৰতিনিধিত্বসমূহ ইউক্লিডীয় স্থানত বৈষম্যমূলক আৰু সেয়ে লেবেলযুক্ত নমুনা ব্যৱহাৰ কৰি পৰৱৰ্তী নিকটতম-আৱেশী শ্ৰেণীবিভাজনৰ সৈতে ব্যৱহাৰ কৰিব পাৰি। |
e629bbeba17b8312fde05b0334760e6743d11a4d | |
308da0c615e83a4616c8a4d1cf8159bb35897dfe | বিটকয়েন অৰ্থনীতিৰ অপাৰেটৰসকলৰ ওপৰত বিতৰণ কৰা অস্বীকাৰ-সেৱা (ডিডিঅ এছ) আক্ৰমণৰ প্ৰচলন আৰু প্ৰভাৱৰ ওপৰত আমি এক প্ৰামাণিক অনুসন্ধান আগবঢ়াইছো। সেই উদ্দেশ্যে, আমি জনপ্ৰিয় বিটকয়েন ফ ৰাম bitcointalk.org ত DDoS উল্লেখ কৰা পোষ্টসমূহ সংগ্ৰহ আৰু বিশ্লেষণ কৰো। মে ২০১১ আৰু অক্টোবৰ ২০১৩ৰ মাজত প্ৰায় ৩০০০টা ভিন্ন পোষ্টৰ পৰা আৰম্ভ কৰি আমি ৪০টা বিটকয়েন সেৱাৰ ওপৰত ১৪২টা বিৰল ডি ডি অ এছ আক্ৰমণ নথিভুক্ত কৰিছো। আমি দেখিবলৈ পাওঁ যে সকলো পৰিচিত অপাৰেটৰ ৭% আক্ৰান্ত হৈছে, কিন্তু মুদ্ৰা বিনিময়, খনিৰ পুল, জুৱা খেলৰ অপাৰেটৰ, ই-ৱেল্ট, আৰু বিত্তীয় সেৱাত আক্ৰমণ হোৱাৰ সম্ভাৱনা অন্য সেৱাতকৈ অধিক। কাকতালীয়ভাৱে নহয়, আমি পাওঁ যে মুদ্ৰা বিনিময় আৰু খনিৰ পুলে DDoS ৰক্ষাকৱচ যেনে CloudFlare, Incapsula, বা Amazon Cloud ৰ অধিক সম্ভাৱনা আছে। আমি দেখুৱাইছো যে যিসকল সেৱাক আক্ৰমণ কৰা হৈছে তেওঁলোকে আক্ৰমণ নকৰা অপাৰেটৰসকলৰ তুলনাত এন্টি-ডিডোছ সেৱা ক্ৰয় কৰাৰ সম্ভাৱনা তিনিগুণ অধিক। আমি দেখিবলৈ পাইছো যে বৃহৎ মাইনিং পুল (যিসমূহত হিষ্ট ৰিক হেছৰেট কমেও ৫% হয়) সৰু পুলতকৈ DDoS হোৱাৰ সম্ভাৱনা অধিক। আমি মাউণ্ট মেকুৰীৰ বিষয়ে অনুসন্ধান কৰি আছো। Gox য়ে মুদ্ৰা বিনিময়ৰ ওপৰত ডি ডি এচ আক্ৰমণৰ এক কেচ অধ্যয়ন হিচাপে গ্ৰহণ কৰে আৰু ২০১৩ চনৰ বসন্তত ব্যৱসায়ৰ পৰিমান আৰু বিনিময়ৰ হাৰ বৃদ্ধি পোৱাৰ সময়ত ডি ডি এচ আক্ৰমণৰ প্ৰতিবেদনসমূহৰ এক অপ্ৰমিত পৰিমাণৰ সন্ধান কৰে। বিটকইনৰ ওপৰত ডি ডি অ এছ আক্ৰমণৰ গৱেষণাৰ ভৱিষ্যতৰ সুযোগৰ বিষয়ে উল্লেখ কৰি আমি সামৰণি মাৰিছো। |
30acc826a84919f6474e2f91f9eba81c4b1824be | বিটকয়েনে পূৰ্বৰ যিকোনো ক্ৰিপ্টোকাৰেন্সিতকৈ অধিক ব্যাপক গ্ৰহণযোগ্যতা লাভ কৰিছে; তথাপি ইয়াৰ সফলতাই জালিয়াতিকাৰীসকলৰ দৃষ্টি আকৰ্ষণ কৰিছে যিসকলে কাৰ্যকৰী অনিশ্চয়তা আৰু লেনদেনৰ অপ্ৰত্যাশিততাৰ সুযোগ লৈছে। আমি বিটকয়েন বিনিময়ৰ পৰা বিনিয়োগকাৰীৰ সন্মুখীন হোৱা বিপদৰ অধ্যয়ন কৰো, যিটো বিটকয়েন আৰু কঠিন মুদ্ৰাৰ মাজত ৰূপান্তৰিত হয়। আমি বিগত তিনি বছৰত স্থাপন কৰা ৪০ টা বিটকইন এক্সচেঞ্জৰ ট্ৰেক ৰেকৰ্ড পৰীক্ষা কৰিছো আৰু দেখা গৈছে যে ১৮ টা বন্ধ হৈ গৈছে, য ত গ্ৰাহকৰ একাউণ্টৰ ধন নাইকিয়া হৈছে। কেতিয়াবা জালিয়াতি কৰা সকলক দোষাৰোপ কৰা হয়, কিন্তু সকলো সময়তে নহয়। প্ৰাপ্য বিপদৰ মডেল ব্যৱহাৰ কৰি আমি পাওঁ যে এটা বিনিময়ৰ লেনদেনৰ পৰিমানে ই সূচায় যে ই বন্ধ হোৱাৰ সম্ভাৱনা আছে নে নাই। কম জনপ্ৰিয় বিনিময়বোৰ জনপ্ৰিয়তকৈ বন্ধ হোৱাৰ সম্ভাৱনা অধিক। আমি এটা লজিষ্টিক ৰিগ্ৰেশ্যনও দেখুৱাম যিয়ে দেখুৱায় যে জনপ্ৰিয় বিনিময়বোৰে নিৰাপত্তা ভঙ্গৰ অধিক সম্ভাৱনা আছে। |
1621f05894ad5fd6a8fcb8827a8c7aca36c81775 | এই প্ৰবন্ধত এটা গুৰুত্বপূৰ্ণ শ্ৰেণীৰ কনভেক্স প্ৰগ্ৰামিং (চিপি) সমস্যা, অৰ্থাৎ ষ্ট কাষ্টিক কম্প জিট অপ্টিমাইজেশ্যন (এছচিঅ ) বিবেচনা কৰা হৈছে, যাৰ উদ্দেশ্য কাৰ্য সাধাৰণ ন ন-স্মুদ আৰু মসৃণ ষ্ট কাষ্টিক উপাদানসমূহৰ যোগফলৰ দ্বাৰা দিয়া হয়। যিহেতু SCO য়ে অ-সমতল, সমতল আৰু স্তোকাসটিক CP কে কেচসমূহক বিশেষ কেচ হিচাপে সামৰি লয়, এই সমস্যাসমূহ সমাধানৰ বাবে সংমিশ্ৰণৰ হাৰক লৈ এটা বৈধ নিম্ন সীমা কনভেক্স প্ৰগ্ৰামিংৰ ক্লাছিকেল জটিলতা তত্ত্বৰ পৰা জনা যায়। অৱশ্যে মন কৰিব যে এই নিম্ন সীমাটো লাভ কৰিব পৰা অপ্টিমাইজেশ্যন এলগৰিথম কেতিয়াও বিকশিত হোৱা নাছিল। এই প্ৰবন্ধত আমি দেখুৱাম যে সৰল মিরৰ-ডাচেন্ট ষ্ট কাষ্টিক সমীকৰণ পদ্ধতিয়ে এই সমস্যাসমূহৰ সমাধানৰ বাবে সংযোজনৰ সৰ্বশ্ৰেষ্ঠ হাৰ প্ৰদৰ্শন কৰে। আমাৰ প্ৰধান অৱদান হৈছে স্নেহ CP ৰ বাবে নেষ্টেৰভৰ সৰ্বোত্তম পদ্ধতিৰ ওপৰত ভিত্তি কৰি ত্বৰান্বিত ষ্ট কাষ্টিক সমীকৰণ (AC-SA) এলগৰিথম প্ৰৱৰ্তন কৰা আৰু দেখুৱাব যে AC-SA এলগৰিথমে SCO ৰ বাবে ঘনিষ্ঠতাৰ হাৰৰ ওপৰত ওপৰত উল্লিখিত নিম্ন সীমা প্ৰাপ্ত কৰিব পাৰে। আমাৰ জ্ঞানৰ সৰ্বোত্তম, ইও হৈছে ন-সম, মসৃণ আৰু ষ্ট কাষ্টিক চিপি সমস্যা সমাধানৰ বাবে সাহিত্যত প্ৰথম সৰ্বজনীন সৰ্বোত্তম এলগৰিথম। আমি এটা বিশেষ কিন্তু বিস্তৃত শ্ৰেণীৰ ষ্ট কাষ্টিক প্ৰগ্ৰামিং সমস্যাৰ সমাধানৰ ক্ষেত্ৰত বিদ্যমান পদ্ধতিৰ তুলনাত AC-SA এলগৰিথমৰ গুৰুত্বপূৰ্ণ সুবিধাসমূহ দেখুৱাম। |
0dd72887465046b0f8fc655793c6eaaac9c03a3d | [1] জে. ছিয়াও, এছ. বেকাৰ, আই. মেথিউজ, টি. কানাডে, ৰিয়েল-টাইম কম্বিনেটেড 2D + 3D এক্টিভ এপেৰিয়েন্স মডেল, চিভিপিআৰ, pp.535-542, 2004. [2] এন.গুৰিয়েৰ, ডি. হল, জে. এল. ক্ৰাউলী, প্ৰধান মুখৰ বৈশিষ্ট্যসমূহৰ দৃঢ় আৱিষ্কাৰৰ পৰা মুখৰ অভিমুখৰ অনুমান, পইণ্টিংৰ প্ৰক্ৰিয়া 2004, আইচিপিআৰ, ডেক্টিক জিষ্টাৰৰ দৃশ্যমান পৰ্যবেক্ষণৰ আন্তৰ্জাতিক কৰ্মশালা, ২০০৪। [3] জি. ফানেলি, এম. ডান্টোন, জে. গেল, এ. জেছতি, এল. ভান গুল, ৰিয়েল টাইম 3D ফেচ এনালাইছিছৰ বাবে ৰেণ্ডম ফৰেষ্ট, আইজেচিভি, pp.437-458, 2013. [1] Y. LeCun, R. Bottou, Y. Bengio, P. Haffner, নথি স্বীকৃতিৰ বাবে প্ৰয়োগ কৰা গ্রেডিয়েন্ট-ভিত্তিক শিকন, Proc. আই ই ই ই, খণ্ড ৮৬, নহয়। ১১, পৃষ্ঠা ২২৭৮-২৩২৪, ১৯৯৮ [5] এ. ক্ৰিজেশ্বস্কি, আই. ছুট্স্কেভাৰ, জি. ই. হিন্টন, গভীৰ কনভলুশ্যনেল নিউৰেল নেটৱৰ্কৰ সৈতে ইমেজনেট শ্ৰেণীবিভাগ, এনআইপিএছ, pp.1106-1114, ২০১২। এই কামত কোৰিয়াৰ ৰাষ্ট্ৰীয় গৱেষণা ফাউণ্ডেচনৰ (এনআৰএফ) অনুদানৰ দ্বাৰা সমৰ্থন কৰা হৈছিল। ২০১০-০০২৮৬৮০) প্ৰস্তাৱিত পদ্ধতি সাধাৰণ মূৰৰ অৱস্থান অনুমান পদ্ধতি |
93ffe14e172976135d167fb593c4b97e0ff14faa | মস্তকৰ অৱস্থানক দৃষ্টিৰ মনোযোগ আৰু মানসিক অৱস্থাৰ সূচক হিচাপে ব্যৱহাৰ কৰি চালক সহায়ক প্ৰণালীত বিশেষ আগ্ৰহ আছে। প্ৰকৃততে, মূৰৰ অৱস্থান অনুমান এটা প্ৰযুক্তি যি কেমেৰাৰ দৃশ্যৰ তুলনাত মূৰৰ দিশ নিৰ্ণয় কৰিবলৈ অনুমতি দিয়ে আৰু মডেল-ভিত্তিক বা চেহাৰা-ভিত্তিক পদ্ধতিৰ দ্বাৰা সম্পন্ন কৰিব পাৰি। মডেলভিত্তিক পদ্ধতিবোৰে সাধাৰণতে মুখৰ বৈশিষ্ট্যৰ পৰা পোৱা মুখৰ জ্যামিতিক মডেল ব্যৱহাৰ কৰে, আনহাতে চেহেৰা-ভিত্তিক কৌশলবোৰে বৰ্ণনাকাৰীৰ দ্বাৰা চিহ্নিত সমগ্ৰ মুখৰ ছবি ব্যৱহাৰ কৰে আৰু সাধাৰণতে পোজ অনুমানক শ্ৰেণীবিভাজনৰ সমস্যা হিচাপে বিবেচনা কৰে। চেহেৰাৰ ওপৰত ভিত্তি কৰি কৰা পদ্ধতিবোৰ দ্ৰুত আৰু পৃথক পোজ অনুমানৰ বাবে অধিক উপযুক্ত। অৱশ্যে, তেওঁলোকৰ কাৰ্যক্ষমতা মূৰৰ বৰ্ণনাকাৰীৰ ওপৰত প্ৰচুৰ পৰিমাণে নিৰ্ভৰ কৰে, যাক মুখৰ উপস্থিতিত থকা পৰিচয় আৰু আলোকসজ্জাৰ তথ্য হ্ৰাস কৰিবলৈ ভালদৰে নিৰ্বাচন কৰা উচিত। এই প্ৰবন্ধত আমি একক দৃষ্টিভংগীৰ দৃশ্যমান স্পেকট্ৰাম ছবিৰ পৰা চালকৰ মনোযোগৰ স্তৰ নিৰ্ধাৰণ কৰাৰ লক্ষ্যৰে, চেহেৰা ভিত্তিক একক মূৰৰ স্থিতিৰ অনুমান প্ৰস্তাৱ দিছো, আনকি যদি মুখৰ বৈশিষ্ট্যসমূহ দৃশ্যমান নহয়। স্পষ্টভাৱে, আমি প্ৰথমে চাৰিটা প্ৰাসংগিক দিশ-ভিত্তিক মূৰ বৰ্ণনাকাৰ সংমিশ্ৰণৰ ফলত উদ্ভাৱিত এটা নতুন বৰ্ণনাকাৰ প্ৰস্তাৱ দিওঁ, যথাঃ পৰিচালনযোগ্য ফিল্টাৰ, দিশযুক্ত ঢালবোৰৰ হিষ্ট গ্ৰাম (HOG), হ ৰ বৈশিষ্ট্য, আৰু দ্ৰুত শক্তিশালী বৈশিষ্ট্য (SURF) বৰ্ণনাকাৰৰ এটা অভিযোজিত সংস্কৰণ। দ্বিতীয়তে, বৰ্ণনাকাৰীৰ বৈশিষ্টসমূহৰ এটা সংক্ষিপ্ত, প্ৰাসংগিক আৰু সামঞ্জস্যপূৰ্ণ উপ-সমষ্টি আহৰণ কৰিবলৈ, কিছুমান সুপৰিচিত বৈশিষ্ট নিৰ্বাচন এলগৰিথমৰ ওপৰত এটা তুলনামূলক অধ্যয়ন কৰা হয়। অৱশেষত, প্ৰাপ্ত উপ-সমষ্টিটো শ্ৰেণীবিভাজন প্ৰক্ৰিয়াৰ অধীনত থাকে, যিটো সহায়ক ভেক্টৰ মেচিন (SVM) ৰ দ্বাৰা কৰা হয়, মূৰৰ অৱস্থান পৰিবৰ্তন শিকিবলৈ। আমি জনসাধাৰনৰ তথ্যভঁৰাল (পইণ্টিং ০৪) ৰ লগতে আমাৰ বাস্তৱ জগতৰ ক্ৰমৰ সৈতে কৰা পৰীক্ষাত দেখুৱাম যে আমাৰ পদ্ধতিয়ে মূৰৰ উচ্চ নির্ভুলতা সহকাৰে বৰ্ণনা কৰে আৰু অত্যাধুনিক পদ্ধতিৰ তুলনাত মূৰৰ অৱস্থান শক্তিশালীভাৱে অনুমান কৰে। |
a6c04f3ba5a59bdeedb042835c8278e0d80e81ff | এই প্ৰবন্ধত Q-LINKPAN প্ৰয়োগৰ বাবে নিম্ন-প্ৰোফাইল ছাবষ্ট্ৰেট-ইণ্টিগ্ৰেটেড ৱেভগাইড কভিতি-বেকড ই-আকাৰৰ পেচ এণ্টেনাৰ প্ৰস্তাৱ কৰা হৈছে। কাৰ্য্যকৰী বেণ্ডউইথ সম্প্ৰসাৰণ কৰিবলৈ, এটা কো-প্লিনাৰ ৱেভগাইড (CPW) ব্যৱহাৰ কৰা হয় আৰু এটা ৰিজ নান্ট মোড সৃষ্টি কৰিবলৈ প্ৰস্তাৱিত এন্টেনাটো ধাতবযুক্ত মাধ্যমেৰে খোৱা হয়। তদুপৰি, পৃষ্ঠতল ঢৌ দমন কৰিবলৈ আৰু ৰেডিয়েশ্যন দক্ষতা উন্নত কৰিবলৈ এটা ছাবষ্ট্ৰেট-ইণ্টিগ্ৰেটেড কেভিত ব্যৱহাৰ কৰা হয়। ই-প্লেন ৰেডিয়েশ্যন পট্ৰ ন আৰু এইচ-প্লেন ক্ৰছ প লাৰাইজেশ্যনৰ সমতুল্যতা উন্নত কৰিবলৈ ডিজাইনত এটা ডিফাৰেন্সিয়েল ফিডিং নেটৱৰ্ক ব্যৱহাৰ কৰা হয়। এটা $2 \times 2$ প্ৰ টোটাইপ ডিজাইন কৰা হয়, নিৰ্মাণ কৰা হয়, আৰু এটা প্ৰদৰ্শনৰ বাবে জোখা হয়। পৰিমাপ কৰা ফলাফলৰ পৰা দেখা যায় যে প্ৰট টাইপৰ ১০ ডিবি ইম্পেডেন্স বেণ্ডউইডথ ৩৪.৪% হয়, দীঘল দূৰত্বৰ এপ্লিকেচনৰ বাবে ৩৭.৫-৪৬ গিগাহাৰ্টছৰ ভিতৰত সংকীৰ্ণ ই-প্লেন ৰেডিয়েশ্যন বিমৰ সৈতে প্ৰায় ১২.৫ ডিবিআইৰ লাভ আৰু কম দূৰত্বৰ এপ্লিকেচনৰ বাবে ৪৭-৫৩ গিগাহাৰ্টছৰ ভিতৰত বহল ই-প্লেন ৰেডিয়েশ্যন বিমৰ সৈতে প্ৰায় ৮ ডিবিআইৰ লাভ। প্ৰস্তাৱিত প্ৰণালীটো ব্যৱহাৰ কৰি কমপেক্ট প্লেনাৰ এণ্টেনা প্ৰস্তুত কৰিব পাৰি যিটো উদীয়মান Q-LINKPAN বেতাৰ প্ৰণালীৰ চুটি আৰু দীঘল দূৰত্বৰ যোগাযোগৰ প্ৰয়োজনীয়তা পূৰণ কৰিব। |
2dec5b671af983b1e57418434932f0320f51e9ca | Naive Bayes induction algorithms পূৰ্বতে বহু শ্ৰেণীবিভাজনৰ কামত আশ্চৰ্যজনকভাৱে সঠিক বুলি প্ৰমাণিত হৈছিল যদিও ইয়াৰ ওপৰত ভিত্তি কৰি থকা চৰ্তযুক্ত স্বাধীনতাৰ ধাৰণা ভংগ কৰা হৈছিল তথাপিও বেছিভাগ অধ্যয়ন সৰু ডাটাবেছত কৰা হৈছিল আমি দেখুৱাই দিওঁ যে কিছুমান ডাঙৰ ডাটাবেছত Naive Bayes ৰ সঠিকতা সিদ্ধান্ত বৃক্ষৰ দৰে স্কেল আপ নহয় আমি তাৰ পিছত এটা নতুন NBTree এলগৰিদমৰ প্ৰস্তাৱ দিওঁ যিয়ে সিদ্ধান্ত বৃক্ষ শ্ৰেণীবিভাজক আৰু Naive Bayes শ্ৰেণীবিভাজকক এক হাইব্ৰিড হিচাপে ব্যৱহাৰ কৰে সিদ্ধান্ত বৃক্ষৰ ন ডবোৰত নিয়মীয়া সিদ্ধান্ত বৃক্ষৰ দৰে একক বিভাজন থাকে কিন্তু পাতবোৰত Naive Bayesian শ্ৰেণীবিভাজন থাকে এই পদ্ধতিয়ে Naive Bayes আৰু সিদ্ধান্ত বৃক্ষৰ ব্যাখ্যাকৰণযোগ্যতা নিয়ন্ত্ৰণ কৰে যদিও ফলাফলৰ শ্ৰেণীবিভাজন সঘনাই ডাঙৰ দুয়োটা উপাদানকে অতিক্ৰম কৰে বিশেষকৈ পৰীক্ষিত ডাটাবেছবোৰত |
43c0ff1070def3d98f548b7cbf523fdd4a83827a | মাল্টিমিডিয়া সামগ্ৰীয়ে আজিৰ ৱেব তথ্যত আধিপত্য বিস্তাৰ কৰিছে। মাল্টিমিডিয়া ব্যৱহাৰকাৰী-আইটেম আন্তঃক্ৰিয়াৰ প্ৰকৃতি 1/0 বাইনেৰী অন্তৰ্নিহিত প্ৰতিক্ৰিয়া (যেনে, ফটো লাইক, ভিডিঅ দৰ্শন, গীত ডাউনলোড ইত্যাদি) । ), যিটো স্পষ্ট মতামত (যেনে, প্ৰডাক্ট ৰেটিং) ৰ তুলনাত বহু কম খৰচত বৃহৎ পৰিসৰত সংগ্ৰহ কৰিব পাৰি। অৱশ্যে, বৰ্তমানৰ সহযোগিতামূলক ফিল্টাৰিং (চিএফ) ব্যৱস্থাৰ অধিকাংশই মাল্টিমিডিয়া পৰামৰ্শৰ বাবে ভালদৰে ডিজাইন কৰা হোৱা নাই, কিয়নো তেওঁলোকে মাল্টিমিডিয়া সামগ্ৰীৰ সৈতে ব্যৱহাৰকাৰীৰ ক্ৰিয়া-কলাপৰ অন্তৰ্নিহিততা উপেক্ষা কৰে। আমি যুক্তি দিওঁ যে, মাল্টিমিডিয়া পৰামৰ্শৰ ক্ষেত্ৰত, আইটেম আৰু উপাদান-স্তৰৰ অন্তৰ্নিহিততা আছে যি ব্যৱহাৰকাৰীৰ পছন্দসমূহক অস্পষ্ট কৰে। আইটেম-স্তৰৰ অন্তৰ্নিহিততাৰ অৰ্থ হৈছে যে আইটেমসমূহৰ ওপৰত ব্যৱহাৰকাৰীৰ পছন্দসমূহ (যেনে, ফটো, ভিডিঅ , গীত আদি) অজ্ঞাত, আনহাতে উপাদান-স্তৰৰ অন্তৰ্নিহিততাৰ অৰ্থ হৈছে যে প্ৰতিটো আইটেমৰ ভিতৰত ব্যৱহাৰকাৰীৰ পছন্দসমূহ বিভিন্ন উপাদান (যেনে ছবিৰ অঞ্চল, ভিডিঅ ৰ ফ্ৰেম ইত্যাদি) অজ্ঞাত। উদাহৰণস্বৰূপে, এটা ভিডিঅ ৰ এটা ভিউ য়ে ব্যৱহাৰকাৰীয়ে ভিডিঅ টো কেনেদৰে পছন্দ কৰে (অৰ্থাৎ আইটেম-লেভেল) আৰু ভিডিঅ টোৰ কোনটো অংশত ব্যৱহাৰকাৰী আগ্ৰহী (অৰ্থাৎ কম্প নেন্ট-লেভেল) সেই বিষয়ে কোনো নিৰ্দিষ্ট তথ্য প্ৰদান নকৰে। এই প্ৰবন্ধত, আমি মাল্টিমিডিয়া পৰামৰ্শৰ প্ৰত্যাহ্বানমূলক আইটেম- আৰু উপাদান-স্তৰৰ অন্তৰ্নিহিত প্ৰতিশ্ৰুতিৰ সমাধানৰ বাবে চিএফত এক নতুন মনোযোগ ব্যৱস্থা প্ৰৱৰ্তন কৰো, যাক মনোযোগ সহযোগী ফিল্টাৰিং (এচিএফ) বুলি অভিহিত কৰা হয়। বিশেষভাৱে, আমাৰ মনোযোগৰ মডেলটো এটা নিউৰেল নেটৱৰ্ক যি দুটা মনোযোগ মডিউলৰে গঠিতঃ উপাদান-স্তৰৰ মনোযোগ মডিউল, যিকোনো বিষয়বস্তু বৈশিষ্ট আঁতৰোৱাৰ নেটৱৰ্কৰ পৰা আৰম্ভ (যেনে, ছবি/ভিডিঅ ৰ বাবে CNN), যিয়ে মাল্টিমিডিয়া আইটেমৰ তথ্যমূলক উপাদানবোৰ বাছনি কৰিবলৈ শিকায়, আৰু আইটেম-স্তৰৰ মনোযোগ মডিউল, যিয়ে আইটেম পছন্দসমূহ স্ক ৰ কৰিবলৈ শিকায়। এচিএফক ক্ৰিটিকেল ফাইভৰ পৰম্পৰাগত মডেলত বিপিআৰ আৰু এছভিডি++ৰ দৰে অন্তৰ্নিহিত ফিডবেক সহ সহজে অন্তৰ্ভুক্ত কৰিব পাৰি আৰু এছজিডি ব্যৱহাৰ কৰি দক্ষতাৰে প্ৰশিক্ষণ দিয়া হয়। দুটা বাস্তৱ-জগতৰ মাল্টিমিডিয়া ৱেব সেৱাৰ ওপৰত বিস্তৃত পৰীক্ষাৰ জৰিয়তে আমি দেখুৱাম যে এচিএফ (ACF) এ অত্যাধুনিক চিএফ পদ্ধতিতকৈ যথেষ্ট ভাল প্ৰদৰ্শন কৰে। |
421703f469c46e06bddf0642224e75189b208af6 | |
25ac694fa23f733679496a139e9168472e267865 | এই প্ৰবন্ধত আমি স্বয়ংক্ৰিয় বৈশিষ্ট অভিযান্ত্ৰিকৰ বাবে দুটা অত্যাধুনিক পদ্ধতিৰ অধ্যয়ন, তুলনা আৰু সংমিশ্ৰণ কৰোঃ প্ৰশ্ন উত্তৰ (QA) ছেটিংত উত্তৰ বাক্যবোৰ শ্ৰেণীবদ্ধ কৰিবলৈ শিকাৰ বাবে কনভলুচন ট্ৰী কাৰ্নেল (CTKs) আৰু কনভলুচনাল নিউৰেল নেটৱৰ্ক (CNNs) । QAৰ সৈতে জড়িত হ লে, মূল দিশটো হৈছে শিকন এলগৰিথমত প্ৰশ্ন আৰু উত্তৰৰ উপাদানসমূহৰ মাজত সম্পৰ্কীয় তথ্য এনকোড কৰা। এই উদ্দেশ্যে, আমি সম্পৰ্কীয় তথ্য ব্যৱহাৰ কৰি আৰু সম্পৰ্কীয় CTKs সৈতে সংযুক্ত কৰি নতুন CNNs প্ৰস্তাৱ দিছো। ফলাফলবোৰে দেখুৱাইছে যে (i) দুয়োটা পদ্ধতিয়ে প্ৰশ্ন-উত্তৰ কাৰ্যত অত্যাধুনিক অৱস্থা লাভ কৰে, য ত CTKs-এ অধিক সঠিকতা প্ৰদান কৰে আৰু (ii) এই পদ্ধতিসমূহৰ সংমিশ্ৰণৰ ফলত অভূতপূৰ্ব উচ্চ ফলাফল পোৱা যায়। |
6882dcb241f5aaefe85025bf754f8dd1c1502df1 | আমাৰ লক্ষ্য হৈছে ৰবট আৰু স্বয়ংক্ৰিয়কৰণ প্ৰযুক্তিৰ সহায়ত, উন্নত, পৰিমাণ আৰু নথিভুক্ত নিউৰ ৰিহাবিলিটেশ্যন। এই প্ৰবন্ধত মেছচুৱেটছ ইনষ্টিটিউট অৱ টেকন লজি, কেম্ব্ৰিজ (এম আই টি) ত বিকশিত আৰু ৱাইট প্লেন্স, এন ৱাইৰ বৰ্ক ৰিহেবিলিটেচন হাস্পতালত পৰীক্ষিত ৰবট-সহায়িত পুনৰসংস্থাপনৰ প্ৰকল্পৰ সৈতে ২০ জন ষ্ট্ৰোক ৰোগীক জড়িত কৰি কৰা এক ক্লিনিকাল পৰীক্ষাৰ বিষয়ে আলোচনা কৰা হৈছে। ইয়াত ৰবটৰ সহায়ত কৰা মূল্যায়ন প্ৰক্ৰিয়াত সংগ্ৰহ কৰা গতিবিদ্যাগত তথ্য বিশ্লেষণ কৰাৰ বাবে আমাৰ পদ্ধতিও উপস্থাপন কৰা হৈছে। আমি বিশেষভাৱে প্ৰমাণ আগবঢ়াইছো যে 1) ৰবট-সহায়িত চিকিৎসাৰ কোনো বিৰূপ প্ৰভাৱ নাই, 2) ৰোগীয়ে এই প্ৰক্ৰিয়া সহ্য কৰে, আৰু 3) বিকৃত অংগটোৰ প্ৰান্তীয় হস্তক্ষেপে মগজুৰ পুনৰুদ্ধাৰ প্ৰভাৱিত কৰিব পাৰে। এই ফলাফলবোৰ মানক ক্লিনিকাল মূল্যায়ন প্ৰক্ৰিয়াৰ ওপৰত আধাৰিত। আমি ৰবটৰ সহায়ত কৰা মূল্যায়ন প্ৰক্ৰিয়াত গতিবিজ্ঞান তথ্য ব্যৱহাৰ কৰি এটা পদ্ধতিও প্ৰদৰ্শন কৰিছো। |
106804244aeca715094e12266e3233adca5b78af | অৰ্থ টিক্সৰ ক্ষেত্ৰত উদ্ভাৱনীমূলক প্ৰযুক্তিগত অগ্ৰগতি, যেনে- পোৰ্টেবল পাৱাৰযুক্ত অৰ্থ টিক চিষ্টেম, পুনৰ্বাসনৰ কাৰ্য্যকৰী ফলাফল উন্নত কৰিবলৈ নতুন চিকিৎসা পদ্ধতি সৃষ্টি কৰিব পাৰে। এই প্ৰবন্ধত, আমি এক নতুন পোৰ্টেবল পাৱাৰড আঙুলি-ফুট অৰ্থেছিছ (পিপিএএফঅ ) উপস্থাপন কৰিছো যি পদব্ৰজে চলাৰ সময়ত বান্ধ নধৰাকৈ সহায় আগবঢ়ায়। পিপিএএফঅ ই এটা দ্বি-মুখী বায়ুসংকৰী ঘূৰ্ণনশীল অত্যাচাৰী সঞ্চালকৰ জৰিয়তে প্লান্টাৰ ফ্লেক্সৰ আৰু ডৰছফ্লেক্সৰ ট ৰক সহায়ক উভয়কে প্ৰদান কৰে। এই ব্যৱস্থাত পৰ্টেবল বায়ুসংকৰী শক্তি উৎস (কম্প্ৰেছড কাৰ্বন ডাই অক্সাইড বটল) আৰু এমবেডেড ইলেক্ট্ৰনিক্স ব্যৱহাৰ কৰি ভৰিৰ সক্ৰিয়কৰণ নিয়ন্ত্ৰণ কৰা হয়। আমি এটা বিকলাংগ আৰু তিনিটা অক্ষম লোকৰ পৰা পৰীক্ষামূলক তথ্য সংগ্ৰহ কৰিছিলো যাতে ডিজাইনৰ কাৰ্য্যক্ষমতা প্ৰদৰ্শন কৰিব পাৰো। বিকৃত ব্যক্তিজনৰ ক ডা ইকুইনা ছিণ্ড্ৰ মৰ বাবে ভৰিৰ তল অংশৰ দ্বিপাক্ষিক বিকৃতি আছিল। আমি দেখিলোঁ যে অক্ষমতা নথকা পদচাৰীসকলৰ পৰা পোৱা তথ্যই PPAFOৰ সঠিকভাৱে সময়মতে প্লান্টাৰ ফ্লেক্সৰ আৰু ড ৰছিফ্লেক্সৰ সহায় আগবঢ়োৱাৰ ক্ষমতা প্ৰদৰ্শন কৰে। অক্ষমতা নথকা সহায়ক খোজৰ পৰীক্ষাৰ সময়ত স্থিতি আৰু দোলনৰ সময়ত টিবিয়ালিছ এন্টেৰিয়ৰৰ সক্ৰিয়তা হ্ৰাস পোৱা দেখা গৈছিল। বিকল ব্যক্তিৰ সহায়ত কৰা পৰীক্ষাৰ সময়ত স্থিতিৰ দ্বিতীয়াৰ্ধত উল্লম্ব স্থল প্ৰতিক্ৰিয়া বলৰ বৃদ্ধি দেখা গৈছিল। অক্ষমতা নথকা পদচাৰীসকলৰ পৰা পোৱা তথ্যই কাৰ্য্যক্ষমতা প্ৰদৰ্শন কৰে আৰু বিকল পদচাৰী এজনৰ পৰা পোৱা তথ্যই কাৰ্য্যক্ষম প্লান্টাৰ ফ্লেক্স ৰ সহায় প্ৰদান কৰাৰ ক্ষমতা প্ৰদৰ্শন কৰে। |
8ef2a5e3dffb0a155a14575c8333b175b61e0675 | |
8d2dd62b1784794e545d44332a5cb66649af0eca | এই প্ৰবন্ধত পৰৱৰ্তী দশকত ৱায়াৰলেচ বিৱৰ্তনৰ মূল ব্যৱস্থা হিচাপে নেটৱৰ্ক ঘনত্বক অন্বেষণ কৰা হৈছে। নেটৱৰ্ক ঘনত্বকৰণত স্থান (যেনে, সৰু কোষৰ ঘন স্থাপনা) আৰু ফ্ৰেক্বেন্সি (বিভিন্ন বেণ্ডত ৰেডিঅ স্পেকট্ৰামৰ ডাঙৰ অংশ ব্যৱহাৰ কৰি) ৰ ঘনত্বকৰণ অন্তৰ্ভুক্ত কৰা হয়। স্ব-সংগঠিত নেটৱৰ্ক আৰু আন্তঃকোষীয় হস্তক্ষেপ ব্যৱস্থাপনাৰ দ্বাৰা বৃহৎ-স্কেল ব্যয়-প্ৰভাৱী স্থানিক ঘনত্বক সহজ কৰি তোলা হয়। নেটৱৰ্ক ঘনত্বৰ সম্পূৰ্ণ লাভালাভ কেৱল তেতিয়াহে উপলব্ধি কৰিব পাৰি যেতিয়া ইয়াক বেকহাল ঘনত্ব আৰু হস্তক্ষেপ বাতিলৰ বাবে সক্ষম উন্নত ৰিচিভাৰসমূহৰ দ্বাৰা পৰিপূৰিত কৰা হয়। |
cdee17ad8dc9cf6cf074512d8c2e776e0ff4d18c | বৰ্তমান সময়ত প্ৰযুক্তিৰ দ্ৰুত বিকাশই মানুহক এক নতুন আৰু বিপ্লৱী ধাৰণা লৈ আহিছে, যাৰ নাম হৈছে ইন্টাৰনেট অৱ থিংছ। এই মডেলৰ মতে সকলো "বস্তু", যেনে ব্যক্তিগত সামগ্ৰী (স্মাৰ্টফোন, নোটবুক, স্মাৰ্ট ঘড়ী, টেবলেট ইত্যাদি), ছেন্সৰযুক্ত ইলেক্ট্ৰনিক সঁজুলি আৰু অন্যান্য পৰিৱেশ উপাদানসমূহ এটা সাধাৰণ নেটৱৰ্কত সংযুক্ত থাকে। সেয়েহে, নেটৱৰ্কত চিনাক্ত কৰা ডিভাইচ ব্যৱহাৰ কৰি যিকোনো সময়তে যিকোনো সম্পদলৈ প্ৰৱেশ কৰিব পাৰি। ইণ্টাৰনেট অফ থিংছ অৰ্থনৈতিক আৰু সামাজিকভাৱে লাভজনক হ ব পাৰে, কিন্তু এনে এটা ব্যৱস্থাৰ প্ৰয়োগে বহুতো অসুবিধা, বিপদ আৰু সুৰক্ষা বিষয়ৰ সৃষ্টি কৰে যিসমূহ বিবেচনা কৰা উচিত। বৰ্তমান সময়ত, ইন্টাৰনেটৰ আৰ্কিটেকচাৰ আপডেট আৰু পুনৰ চিন্তা কৰিব লাগিব যাতে ট্ৰিলিয়ন সংখ্যক ডিভাইচক আন্তঃসংযোগ কৰিব পৰা যায় আৰু তেওঁলোকৰ মাজত আন্তঃক্ৰিয়াশীলতা সুনিশ্চিত কৰিব পৰা যায়। তথাপিও, আটাইতকৈ গুৰুত্বপূৰ্ণ সমস্যাটো হ ল আই অ টিৰ সুৰক্ষা প্ৰয়োজনীয়তা, যিটো সম্ভৱতঃ এই ক্ষেত্ৰৰ তুলনামূলকভাৱে ধীৰ বিকাশৰ অন্যতম প্ৰধান কাৰণ। এই প্ৰবন্ধত বৰ্তমান IoT প্ৰেক্ষাপটত ব্যৱহাৰ কৰা আটাইতকৈ গুৰুত্বপূৰ্ণ এপ্লিকেচন লেয়াৰ প্ৰট কলসমূহ উপস্থাপন কৰা হৈছেঃ CoAP, MQTT, XMPP। আমি এই প্ৰট কলসমূহৰ দ্বাৰা প্ৰদান কৰা সুৰক্ষাৰ ওপৰত গুৰুত্ব আৰোপ কৰি দুয়োটা পৃথকে আৰু তুলনা কৰি আলোচনা কৰিম। শেষত, আমি ভৱিষ্যতৰ গৱেষণাৰ সুযোগ আৰু সিদ্ধান্ত কিছুমান আগবঢ়াইছো। |
e4f7706213ee2bc9b1255c82c88990992ed0fddc | এই পত্ৰখনত এটা ব্ৰডবেণ্ড স্তুপিত বৃত্তাকাৰ পেচ এণ্টেনা উপস্থাপন কৰা হৈছে। ব্ৰডবেণ্ড বৈশিষ্ট্যটো ক্ষমতাৰ দ্বাৰা সংযুক্ত ফিড গঠন ব্যৱহাৰ কৰি প্ৰাপ্ত কৰা হয়। এণ্টেনাটো সমান আকাৰৰ আৰু ধাৰাবাহিক ৯০° পৰ্যায়ৰ পৰিৱৰ্তন সহ চাৰিটা আউটপুট-পোৰ্ট ফিড নেটৱৰ্কৰ দ্বাৰা সঞ্চালিত হয়। GPS, GLONASS, Galileo, আৰু Compassকে ধৰি গ্ল বেল নেভিগেচন ছেটেলাইট চিষ্টেমৰ এপ্লিকেচনৰ বাবে অন্তিম এণ্টেনাই অতি ভাল বৃত্তাকাৰভাৱে পলাৰাইজড ৰেডিয়েচন প্ৰদান কৰে। |
bd0b7181eb8b2cb09a4e1318649d442986cf9697 | এই প্ৰবন্ধত এটা দ্বি-মুখী পুছ-পুল ডিচি-ডিচি কনভাৰ্টাৰৰ বাবে বিশ্লেষণ আৰু মডেলিং উপস্থাপন কৰা হৈছে। বিশেষকৈ, পিডব্লিউএম প্লাছ ফেজ-শ্বিফ্ট নিয়ন্ত্ৰণৰ সৈতে লেকেজ সোঁতৰ হ্ৰাসৰ প্ৰতি মনোযোগ দিয়া হয়। বিভিন্ন পৰিচালন অৱস্থাত কাৰ্য্যকৰী অৱস্থাবোৰ চিনাক্ত কৰিবলৈ বিভিন্ন পৰিচালন অৱস্থাত লিকজ প্ৰবাহৰ তুলনা কৰা হৈছে। ক্ষুদ্ৰ সংকেত আৰু বৃহৎ সংকেত মডেলৰ আটাইতকৈ কাৰ্যকৰী মোডৰ বাবে ষ্টেট স্পেচ এভাৰেজিং পদ্ধতি গ্ৰহণ কৰা হয়। এটা 30~70V/300V প্ৰট টাইপ নিৰ্মাণ কৰা হৈছিল। অনুকৰণ আৰু পৰীক্ষামূলক দুয়োটা ফলাফলেই মডেলৰ বৈধতা প্ৰমাণ কৰে। |
60e3f74c98407e362560edbcb10a094e2a64c3ce | মাইক্ৰ ব্লগ বাৰ্তাসমূহৰ দৈৰ্ঘ্য সীমা আৰু অনানুষ্ঠানিক লিখনি শৈলীৰ দৰে কিছুমান অন্তৰ্নিহিত বৈশিষ্ট্যৰ বাবে বৰ্তমানৰ অনুভূতি বিশ্লেষণ কৌশলসমূহৰ বাবে গুৰুতৰ প্ৰত্যাহ্বান সৃষ্টি কৰে। এই প্ৰবন্ধত আমি চীনা মাইক্ৰ ব্লগ বাৰ্তাৰ পৰা মতামত টাৰ্গেট আহৰণৰ সমস্যাটো অধ্যয়ন কৰো। এই ধৰণৰ সূক্ষ্ম-কণাযুক্ত শব্দ-স্তৰৰ কামটো মাইক্ৰ ব্লগসমূহত এতিয়াও ভালদৰে গৱেষণা কৰা হোৱা নাই। আমি এই সমস্যা সমাধানৰ বাবে এটা নিৰীক্ষণহীন লেবেল প্ৰসাৰিতকৰণ এলগৰিথমৰ প্ৰস্তাৱ দিছো। এটা বিষয়ৰ সকলো বাৰ্তাৰ মতামত লক্ষ্যসমূহ সামূহিকভাৱে আহৰণ কৰা হয় যে একেধৰণৰ বাৰ্তাসমূহ একেধৰণৰ মতামত লক্ষ্যত কেন্দ্ৰীভূত হ ব পাৰে। মাইক্ৰ ব্লগসমূহত বিষয়সমূহ হেছটেগ বা ক্লাষ্টাৰিং এলগৰিথম ব্যৱহাৰ কৰি চিনাক্ত কৰা হয়। চীনা মাইক্ৰ ব্লগসমূহত কৰা পৰীক্ষাৰ ফলাফলত আমাৰ ফ্ৰেমৱৰ্ক আৰু এলগৰিথমৰ কাৰ্য্যকৰীতা প্ৰদৰ্শন কৰা হৈছে। |
04e34e689386604ab37780c48797352321f95102 | সংকেত প্ৰক্ৰিয়া আৰু আৰ্হি চিনাক্তকৰণ এলগৰিথমসমূহে কনভলশ্যনক ব্যাপকভাৱে ব্যৱহাৰ কৰে। বহুক্ষেত্ৰত, গণনামূলক সঠিকতা গণনামূলক দ্ৰুতিৰ দৰে গুৰুত্বপূৰ্ণ নহয়। উদাহৰণস্বৰূপে, বৈশিষ্ট্য নিষ্কাশনত, এটা সংকেতৰ আগ্ৰহৰ বৈশিষ্ট্যবোৰ সাধাৰণতে যথেষ্ট বিকৃত হয়। এই ধৰণৰ শব্দৰ বাবে কিছুমান স্তৰৰ কোয়ান্টাইজেশ্যন প্ৰয়োজন যাতে দ্ৰুততাৰে বৈশিষ্ট্য আহৰণ কৰিব পৰা যায়। আমাৰ পদ্ধতিত সংকেতৰ অঞ্চলসমূহক নিম্ন ডিগ্ৰী বহুৰূপীৰে প্ৰায়োগিক কৰি, তাৰ পিছত সংকেতসমূহক বিভিন্ন কৰি প্ৰেৰণা কাৰ্য্য (বা প্ৰেৰণা কাৰ্য্যসমূহৰ পৰিণতি) প্ৰাপ্ত কৰা হয়। এই প্ৰতিনিধিত্বৰ সৈতে, কনভল্যুচন অতি সৰল হৈ পৰে আৰু ইয়াক যথেষ্ট কাৰ্যকৰীভাৱে ৰূপায়ণ কৰিব পাৰি। প্ৰকৃত কভলুচন কভলুচনৰ ফলাফল সংহত কৰি পুনৰুদ্ধাৰ কৰিব পাৰি। এই পদ্ধতিয়ে বৈশিষ্ট আঁতৰ কৰাত যথেষ্ট গতি প্ৰদান কৰে আৰু কনভলুশ্যনেল নিউৰেল নেটৱৰ্কৰ বাবে প্ৰযোজ্য। |
0fb1b0ce8b93abcfd30a4bb41d4d9b266b1c0f64 | এই প্ৰবন্ধত এটা ভিজুৱেল অবজেক্ট ডিটেকচন ফ্ৰেমৱৰ্ক বৰ্ণনা কৰা হৈছে যি উচ্চ ডিটেকচন ৰেট অৰ্জন কৰাৰ সময়ত অতি দ্ৰুতভাৱে ছবি প্ৰক্ৰিয়া কৰিবলৈ সক্ষম। ইয়াত তিনিটা মূল অৱদান আছে। প্ৰথমটো হৈছে এটা নতুন ছবি প্ৰতিনিধিত্বৰ প্ৰৱৰ্তন যাক Integral Image বুলি কোৱা হয় যি আমাৰ ডিটেক্টৰৰ দ্বাৰা ব্যৱহৃত বৈশিষ্টবোৰ অতি দ্ৰুতভাৱে গণনা কৰিবলৈ অনুমতি দিয়ে। দ্বিতীয়টো হৈছে এডাব ষ্টৰ ওপৰত আধাৰিত এটা শিক্ষণীয় এলগৰিথম, যিয়ে কম সংখ্যক গুৰুত্বপূৰ্ণ চাক্ষুষ বৈশিষ্ট্য নিৰ্বাচন কৰে আৰু অত্যন্ত দক্ষ শ্ৰেণীবিভাগক প্ৰদান কৰে [6]। তৃতীয় অৱদান হৈছে শ্ৰেণীবিভাজকসমূহক এক "কাস্কেড"ত সংযুক্ত কৰাৰ এটা পদ্ধতি যিয়ে প্ৰতিশ্ৰুতিবদ্ধ অবজেক্ট-সদৃশ অঞ্চলত অধিক গণনা ব্যয় কৰাৰ সময়ত ছবিৰ পটভূমি অঞ্চলসমূহ দ্ৰুতভাৱে নস্যাৎ কৰিবলৈ অনুমতি দিয়ে। মুখ চিনাক্তকৰণৰ ক্ষেত্ৰত কৰা এক পৰীক্ষণৰ সমষ্টি ইয়াত উপস্থাপন কৰা হৈছে। এই ব্যৱস্থাই পূৰ্বৰ উন্নত ব্যৱস্থাৰ সৈতে তুলনা কৰিব পৰা মুখ চিনাক্তকৰণ ক্ষমতা প্ৰদান কৰে [18, 13, 16, 12, 1]। সাধাৰণ ডেস্কটপত ৰূপায়িত, মুখ চিনাক্তকৰণ প্ৰতি ছেকেণ্ডত ১৫ ফ্ৰেমত আগবাঢ়ি যায়। |
2d0f96c27695b213a55bcd5681bf1dba9dc5ad94 | আমি চফ্টৱেৰত থকা বৌদ্ধিক সম্পত্তিৰ ওপৰত তিনি ধৰণৰ আক্ৰমণ আৰু তিনিটা প্ৰাসংগিক কাৰিকৰী প্ৰতিৰক্ষা চিনাক্ত কৰিছো। ৰিভাৰ্ছ ইঞ্জিনিয়াৰিংৰ বিৰুদ্ধে এক শক্তিশালী প্ৰতিৰক্ষা হৈছে অস্পষ্টতা, যিটো এটা প্ৰক্ৰিয়া যিয়ে ছফ্টৱেৰক অস্পষ্ট কৰে কিন্তু এতিয়াও কাৰ্য্যক্ষম। ছফ্টৱেৰ পাইৰেচিৰ বিৰুদ্ধে এক প্ৰতিৰক্ষা হ ল ৱাটাৰমাৰ্কিং, যিটো এটা প্ৰক্ৰিয়া যাৰ দ্বাৰা ছফ্টৱেৰটোৰ উৎপত্তি নিৰ্ণয় কৰা সম্ভৱ হয়। ত্ৰুটিৰ বিৰুদ্ধে এক প্ৰতিৰক্ষা হৈছে ত্ৰুটি-প্ৰমাণ, যাতে ছফ্টৱেৰলৈ অননুমোদিত সালসলনি (উদাহৰণস্বৰূপে ৱাটাৰমাৰ্ক আঁতৰাবলৈ) অকাৰ্য্যকৰী ক ডৰ পৰিণতি হ ব। আমি সংক্ষেপে প্ৰতিবিধ প্ৰতিৰক্ষাৰ বাবে উপলব্ধ প্ৰযুক্তিৰ সমীক্ষা কৰো। |
51fe1d8999b48a499fc711df1a27ce6966fd2f65 | এটা ক্ষুদ্ৰ এণ্টেনা হিচাপে কাৰ্য্য কৰা কণ্ডেছটৰ বা ইণ্ডাক্টৰ এটা তাত্ত্বিকভাৱে ক্ষুদ্ৰ এণ্টেনাৰ আকাৰৰ পৰা নিৰ্ভৰ কৰি এটা নিৰ্দিষ্ট পৰিমাণৰ শক্তি আটক কৰিবলৈ সক্ষম হয়, চিৰিট লষ্ট নোহোৱাকৈ টিউনিং কৰাৰ অনুমানত। এই আদৰ্শৰ সৈতে সম্পৰ্কিত ব্যৱহাৰিক কাৰ্য্যকৰীতা এণ্টেনাৰ শক্তি কাৰক আৰু এণ্টেনাৰ টিউনিংৰ বেণ্ডউইডথৰ তুলনাত এণ্টেনাৰ "ৰেডিয়েচন পাৱাৰ কাৰক"ৰ দ্বাৰা সীমাবদ্ধ। এণ্টেনাৰ যিকোনো প্ৰকাৰৰ ৰেডিয়েচন পাৱাৰ কাৰক (1/6π) (Ab/l2) তকৈ কিছু বেছি, য ত Ab হৈছে এণ্টেনাই দখল কৰা চিলিণ্ডাৰিক ভলিউম, আৰু l হৈছে পৰিচালনা ফ্ৰেক্টিভত ৰেডিয়ান দৈৰ্ঘ্য (১/২π তৰংগ দৈৰ্ঘ্য হিচাপে সংজ্ঞায়িত) । এণ্টেনাৰ আৰু ইয়াৰ টিউনাৰ সংযুক্ত হোৱাৰ ঘনিষ্ঠতাৰ বাবে কাৰ্যক্ষমতা আৰু অধিক সীমিত। সৰু এণ্টেনাৰ অধিক মৌলিক গুণ আৰু সৰল চাৰ্কিটত তেওঁলোকৰ আচৰণৰ বাবে আন সৰল সূত্ৰ দিয়া হৈছে। 1-এমচিৰ উদাহৰণ সাধাৰণ চাৰ্কিটত চলালে আই.আৰ.ই.ৰ বাবে প্ৰায় ৩৫ ডিবি ক্ষতিৰ কথা প্ৰকাশ কৰে। সাধাৰণ ক্যাপাচিটিভ এণ্টেনা, ১ মিটাৰ বৰ্গক্ষেত্ৰৰ আয়তন আৰু ০.৫ মিটাৰ অক্ষীয় দৈৰ্ঘ্যৰ বৃহত লুপৰ বাবে ৪৩ ডিবি আৰু এই পৰিমাপৰ ১/৫ অংশৰ লুপৰ বাবে ৬৪ ডিবি। |
b3a7ef30218832c1ab69cf18bee5aebb39dc746f | এটা নতুন ±45° দ্বৈত-ধৰ্ষণযুক্ত একমুখী এণ্টেনা উপাদান উপস্থাপন কৰা হৈছে, য ত দুটা ক্ৰছ চেণ্টাৰ-ফিডডড কপাৰড ম নো-লুপ আৰু অতি-বিস্তৃত বেণ্ডৰ প্ৰয়োগৰ বাবে প্ৰতিফলকৰ বিপৰীতে অৱস্থিত দুটা ক্ৰছ বৈদ্যুতিক ডাইপল থাকে। ভাৰসাম্যহীন শক্তিৰ ভাৰসাম্যপূৰ্ণ শক্তিলৈ পৰিবহণৰ বাবে এলিপ্টিকভাৱে কপিকলযুক্ত পৰিবহণৰ লাইন ব্যৱহাৰকে ধৰি এণ্টেনাৰ কাৰ্যকৰী নীতিৰ বৰ্ণনা কৰা হৈছে। বিভিন্ন প্ৰতিফলক-প্লানাৰ বা কনিক-ৰ সৈতে ডিজাইনবোৰ পৰীক্ষা কৰা হয়। এটা জোখৰ সমান্তৰাল প্ৰতিৰোধ বেণ্ডউইডথ 126% (SWR <; 2) প্ৰদৰ্শন কৰা হয়। গঠনটোৰ পৰিপূৰক প্ৰকৃতিৰ বাবে, এণ্টেনাৰ এটা তুলনামূলকভাৱে স্থিৰ ব্ৰডছাইড ৰেডিয়েশ্যন পট্ৰ ন আছে যাৰ কম ক্ৰছ পলাৰিজেচন আৰু কম বেক লব ৰেডিয়েশ্যন অপাৰেটিং বেণ্ডৰ ওপৰত। প্ৰস্তাৱিত এণ্টেনাৰ জোখৰ লাভ ৪ৰ পৰা ১৩ ডিবিআই আৰু ৭ৰ পৰা ১৪.৫ ডিবিআই হয় যথাক্ৰমে পোৰ্ট ১ আৰু পোৰ্ট ২ৰ বাবে, কাৰ্য্যকৰী বেণ্ডৰ ওপৰত, যেতিয়া এটা শঙ্কুযুক্ত পিছফালৰ প্ৰতিফলকৰ ওপৰত সংস্থাপিত হয়। দুটাকৈ পোৰ্টৰ মাজত জোৰা জোখাৰ জোখাৰ জোখাৰ জোখাৰ জোখাৰ জোখাৰ জোখাৰ জোখাৰ জোখাৰ জোখাৰ জোখাৰ জোখাৰ জোখাৰ জোখাৰ জোখাৰ জোখাৰ জোখাৰ জোখাৰ জোখাৰ জোখাৰ জোখাৰ জোখাৰ জোখাৰ জোখাৰ জোখাৰ জোখাৰ জোখাৰ জোখাৰ জোখ |
ef7d230c4f24ccc1c70fe9fbfb8936488aea92ba | এই প্ৰবন্ধত আমি নিউৰেল মেচিন অনুবাদৰ ফ্ৰেমৱৰ্ক ব্যৱহাৰ কৰি ছয়টা ভিন্ন ভাষাত যৌথ বাক্য প্ৰতিনিধিত্ব শিকিব বিচাৰিছো। আমাৰ লক্ষ্য হ ল যে ভাষাৰ পৰা স্বাধীন প্ৰতিনিধিত্বই অন্তৰ্নিহিত অৰ্থবিজ্ঞান ধৰা পেলাব পাৰে। আমি এটা নতুন আন্তঃভাষিক সাদৃশ্যতা মাপক সংজ্ঞায়িত কৰো, ১.৪ মিলিয়ন বাক্য প্ৰতিনিধিত্বৰ তুলনা কৰো আৰু ঘনিষ্ঠ বাক্যসমূহৰ বৈশিষ্ট্য অধ্যয়ন কৰো। আমি পৰীক্ষামূলক প্ৰমাণ প্ৰদান কৰিছো যে যি বাক্যবোৰত স্থানৰ অন্তৰ্ভুক্তিৰ ক্ষেত্ৰত একেধৰণৰ হয় সেইবোৰ বাক্য অৰ্থগতভাৱে অতিশয় সম্পৰ্কিত, কিন্তু প্ৰায়েই ইয়াৰ গঠন আৰু বাক্যবিন্যাস সম্পূৰ্ণ পৃথক। বিভিন্ন ভাষাৰ বাক্য তুলনা কৰাৰ সময়ত এই সম্পৰ্কবোৰো সত্য। |
620b7d0d5e2ceeba58d808dc3d7b09a9fb57831c | |
44561e7a54649b2b7aa2ba08f2842d754f648e23 | এই কামত, আমি ১৫৭ টা ক্ৰিয়া শ্ৰেণীৰ সৈতে চাৰডেছ ক্ৰিয়া স্বীকৃতি ডাটাচেট ব্যৱহাৰ কৰি ক্ৰিয়া স্বীকৃতি সমস্যাৰ অনুসন্ধান কৰিছো। আমি বিভিন্ন প্ৰযুক্তিৰ ফলাফলৰ তুলনা কৰিছো যেনে- অতিশয় শিকনশীল যন্ত্ৰ, সমৰ্থন ভেক্টৰ যন্ত্ৰ আৰু সিদ্ধান্ত বৃক্ষ, গভীৰ স্নায়ু নেটৱৰ্কৰ দ্বাৰা আহৰণ কৰা বৈশিষ্ট আৰু দৃশ্য-কাৰ্য্যৰ চৰ্তযুক্ত সম্ভাৱ্যতাত প্ৰয়োগ কৰা হৈছে। |
171a4ef673e40d09d7091082c7fd23b3758fc3c2 | ক্ৰমবৰ্ধমান সংখ্যক নিৰীক্ষণ আৰু বায় মেট্ৰিক এপ্লিকেচনে ভিডিঅ কেমেৰাৰ দৃষ্টিভংগীত দেখা ব্যক্তিৰ মুখ চিনাক্ত কৰিবলৈ বিচাৰে। ভিডিঅ -ভিত্তিক এফআৰ চিষ্টেমবোৰ প্ৰত্যাহ্বানমূলক কাৰ্য্যকৰী পৰিৱেশৰ অধীনত থাকিব পাৰে, য ত ভিডিঅ কেমেৰাৰে ধৰা পৰা মুখৰ উপস্থিতি পোজ, আলোকসজ্জা, স্কেল, অস্পষ্টতা, প্ৰকাশ, আচ্ছাদন ইত্যাদিৰ পৰিবৰ্তনৰ বাবে যথেষ্ট পৰিবৰ্তন হয়। বিশেষকৈ, ষ্টীল টু ভিডিঅ এফআৰ (FR) ৰ সৈতে, প্ৰণালীত এজন ব্যক্তিৰ নামভৰ্তিৰ বাবে সীমিত সংখ্যক উচ্চ মানৰ মুখৰ ছবি ধৰা পৰে, আনহাতে বহু সংখ্যক মুখৰ গতিপথ ভিডিঅ কেমেৰা ব্যৱহাৰ কৰি অপাৰেচনৰ সময়ত, বিভিন্ন দৃষ্টিকোণৰ পৰা আৰু নিয়ন্ত্ৰণহীন অৱস্থাত ধৰা পৰিব পাৰে। এই প্ৰবন্ধত এটা গভীৰ শিক্ষণ আৰ্কিটেকচাৰ উপস্থাপন কৰা হৈছে যি অন্তৰ্ভুক্তিকৰণৰ সময়ত প্ৰতিজন লক্ষ্য ব্যক্তিৰ বাবে এক শক্তিশালী মুখৰ প্ৰতিনিধিত্ব শিকিব পাৰে, আৰু তাৰ পিছত এক স্থিৰ প্ৰসংগ প্ৰতিচ্ছবিৰ পৰা আহৰণ কৰা মুখৰ ক্ষেত্ৰসমূহৰ (ROIs) (লক্ষ্য ব্যক্তিৰ) সৈতে সক্ৰিয় বা সংৰক্ষিত ভিডিঅ ৰ পৰা আহৰণ কৰা ROIsৰ সৈতে সঠিকভাৱে তুলনা কৰে। HaarNet নামৰ গভীৰ কনভলুশ্যনেল নিউৰেল নেটৱৰ্ক (DCNNs) ৰ এটা সমষ্টিৰ প্ৰস্তাৱ কৰা হৈছে, য ত এটা ট্ৰাংক নেটৱৰ্কে প্ৰথমে মুখৰ ROIs (সম্পূৰ্ণ প্ৰতিনিধিত্ব) ৰ গোলকীয় ৰূপৰ পৰা বৈশিষ্ট্যসমূহ আহৰণ কৰে। তাৰ পিছত, তিনিটা শাখা নেটৱৰ্কে হাৰ-সদৃশ বৈশিষ্ট্যৰ ওপৰত ভিত্তি কৰি অসমমিত্ৰিয় আৰু জটিল মুখৰ বৈশিষ্ট্য (স্থানীয় প্ৰতিনিধিত্ব) কাৰ্যকৰীভাৱে এম্বেড কৰে। মুখৰ প্ৰতিনিধিত্বৰ বৈষম্যতা বৃদ্ধি কৰিবলৈ, এটা নতুন নিয়মীয়াকৃত ত্ৰিপল-ক্ষতি কাৰ্য প্ৰস্তাৱ কৰা হৈছে যি আন্তঃশ্ৰেণী পৰিবৰ্তন বৃদ্ধি কৰাৰ সময়ত আন্তঃশ্ৰেণী পৰিবৰ্তন হ্ৰাস কৰে। প্ৰতি লক্ষ্য ব্যক্তিৰ একক প্ৰসংগক লৈ, প্ৰস্তাৱিত DCNN ৰ দৃঢ়তা অধিক উন্নত কৰা হয় HaarNet ৰ সৈতে কৃত্ৰিমভাৱে সৃষ্টি কৰা মুখৰ স্থিৰ ROIs যি কাৰ্য্যকৰী পৰিৱেশত পোৱা ধৰাশায়ী পৰিস্থিতিৰ অনুকৰণ কৰে। প্ৰস্তাৱিত ব্যৱস্থাৰ সঠিকতা আৰু জটিলতাৰ ওপৰত ভিত্তি কৰি COX Face আৰু Chokepoint ডাটা ছেটৰ পৰা ষ্টিলছ আৰু ভিডিঅ ৰ ওপৰত মূল্যায়ন কৰা হয়। পৰীক্ষামূলক ফলাফলৰ পৰা দেখা গৈছে যে প্ৰস্তাৱিত পদ্ধতিটোৱে ভিডিঅ ভিত্তিক FR ৰ বাবে অত্যাধুনিক প্ৰণালীৰ ক্ষেত্ৰত প্ৰদৰ্শন যথেষ্ট উন্নত কৰিব পাৰে। |
71d55130ae9a96564ec176ff081ac5cba574db5c | |
c9c9b50b51dc677ff83f58f1a5433b2a41321ec3 | সমৰ্থন-ভেক্টৰ নেটৱৰ্ক দুটা গোটৰ শ্ৰেণীবিভাজনৰ সমস্যাৰ বাবে এটা নতুন শিকন যন্ত্ৰ। এই মেচিনে ধাৰণাত নিম্নলিখিত ধাৰণাটো কাৰ্যকৰী কৰেঃ ইনপুট ভেক্টৰবোৰক অতি উচ্চ-মাত্রিক বৈশিষ্ট্যৰ স্থানলৈ অ-ৰেখিকভাৱে মেপ কৰা হয়। এই বৈশিষ্ট্য স্থানত এটা ৰেখীয় সিদ্ধান্ত পৃষ্ঠ নিৰ্মিত হয়। সিদ্ধান্ত পৃষ্ঠৰ বিশেষ বৈশিষ্ট্যবোৰে শিক্ষণ যন্ত্ৰৰ উচ্চ সাধাৰণীকৰণ ক্ষমতা নিশ্চিত কৰে। সহায়ক ভেক্টৰ নেটৱৰ্কৰ আঁৰৰ ধাৰণাটো পূৰ্বতে সীমাবদ্ধ ক্ষেত্ৰত প্ৰয়োগ কৰা হৈছিল য ত প্ৰশিক্ষণ ডাটাসমূহ ভুলবিহীনভাৱে পৃথক কৰিব পাৰি। আমি ইয়াত এই ফলাফলক অবিচ্ছেদ্য প্ৰশিক্ষণ তথ্যলৈ সম্প্ৰসাৰিত কৰিছো। বহুপদ ইনপুট ৰূপান্তৰ ব্যৱহাৰ কৰি সমৰ্থন-ভেক্টৰ নেটৱৰ্কৰ উচ্চ সাধাৰণীকৰণ ক্ষমতা প্ৰদৰ্শন কৰা হয়। আমি সমৰ্থন-ভেক্টৰ নেটৱৰ্কৰ প্ৰদৰ্শনক বিভিন্ন ধ্ৰুপদী শিক্ষণ এলগৰিথমৰ সৈতে তুলনা কৰো যিবোৰ সকলোৱে অপ্টিকেল কেৰেক্টাৰ ৰিকগনিচনৰ এক মানদণ্ড অধ্যয়নত অংশগ্ৰহণ কৰিছিল। |
ffdceba3805493828cf9b65f29edd4d29eee9622 | |
3115d42d3a2a7ac8a0148d93511bd282613b8396 | বৃহৎ সংখ্যক প্ৰাৰ্থীৰ পৰা বৃহৎ সংখ্যক ব্যৱহাৰকাৰীক প্ৰাসংগিক আইটেমসমূহ সুনিৰ্দিষ্টভাৱে পৰামৰ্শ দিয়াটো বহুতো অনলাইন প্লেটফৰ্মত (যেনে, Amazon.com আৰু Netflix.com) এক অপৰিহাৰ্য কিন্তু গণনাকৰণ ব্যয়বহুল কাম। এটা আশাব্যঞ্জক উপায় হ ল ব্যৱহাৰকাৰী আৰু বস্তুবোৰক হেমিং স্পেচত প্ৰজেক্ট কৰা আৰু তাৰ পিছত হেমিং দূৰত্বৰ জৰিয়তে বস্তুবোৰ পৰামৰ্শ দিয়া। অৱশ্যে, পূৰ্বৰ অধ্যয়নত শীতল আৰম্ভৰ প্ৰত্যাহ্বানসমূহ সমাধান কৰা হোৱা নাছিল আৰু অন্তৰ্নিহিত সঁহাৰিৰ দৰে পছন্দৰ তথ্যৰ সৰ্বোত্তম ব্যৱহাৰ কৰিব পৰা নাছিল। এই ব্যৱধান পূৰণ কৰিবলৈ আমি এটা বিচ্ছিন্ন বিষয়বস্তু-সচেতন মেট্ৰিক্স ফেক্টৰাইজেশ্যন (DCMF) মডেলৰ প্ৰস্তাৱ দিছো, ১) ব্যৱহাৰকাৰী/আইটেম বিষয়বস্তুৰ তথ্যৰ উপস্থিতিত কমপেক্ট কিন্তু তথ্যমূলক বাইনেৰী ক ড প্ৰাপ্ত কৰিবলৈ; ২) লজিট ক্ষতিৰ স্থানীয় উচ্চ সীমা ভিত্তিত শ্ৰেণীবিভাজনৰ কামক সমৰ্থন কৰিবলৈ; ৩) স্পাৰ্চিটি সমস্যাৰ সৈতে মোকাবিলা কৰিবলৈ এক ক্ৰিয়া-প্ৰতিক্ৰিয়া নিয়মীয়াকৰণ প্ৰৱৰ্তন কৰিবলৈ। আমি পৰ্যাপ্ততা শিক্ষণৰ বাবে এটা দক্ষ বিচ্ছিন্ন অপ্টিমাইজেশ্যন এলগৰিথমৰ বিকাশ সাধন কৰো। তিনিটা বাস্তৱিক তথ্যৰ ওপৰত বিস্তৃত পৰীক্ষাৰ ভিত্তিত আমি দেখুৱাম যে DCFM-এ ৰেগ্রেছন আৰু শ্রেণীবিভাজন উভয় কামতে অত্যাধুনিক প্ৰদৰ্শনক অতিক্রম কৰে। |
48327aaf21902c09a92b90b1122f5bf2de62f56e | সাম্প্ৰতিক বছৰসমূহত, আমি দ্ৰুতভাৱে বয়স বৃদ্ধি হোৱা সমাজৰ বাবে সহায়ক জীৱন প্ৰণালীৰ প্ৰযুক্তিৰ দ্ৰুত উত্থান প্ৰত্যক্ষ কৰিছো। বয়োজ্যেষ্ঠ জনসংখ্যা, আনুষ্ঠানিক স্বাস্থ্য সেৱাৰ ব্যয় বৃদ্ধি, যত্নশীল ব্যক্তিৰ বোজা আৰু ব্যক্তিসকলে স্বতন্ত্ৰভাৱে জীয়াই থকাৰ গুৰুত্ব, সকলোবোৰে সুৰক্ষিত আৰু স্বতন্ত্ৰ বয়োজ্যেষ্ঠতাৰ বাবে উদ্ভাৱনী-সহায়িত জীৱন প্ৰণালী প্ৰযুক্তিৰ বিকাশক উদ্দীপিত কৰে। এই সমীক্ষাত আমি পৰিৱেশ বুদ্ধিমত্তাৰ দৃষ্টান্তৰ ওপৰত ভিত্তি কৰি বৃদ্ধসকলৰ বাবে পৰিবেশ-সহায়িত বাসস্থান (AAL) সঁজুলিৰ উত্থানৰ বিষয়ে সাৰাংশ আগবঢ়াম। আমি অত্যাধুনিক এএএল প্ৰযুক্তি, সঁজুলি আৰু কৌশলসমূহৰ বিষয়ে সাৰাংশ আগবঢ়াম আৰু বৰ্তমান আৰু ভৱিষ্যতৰ প্ৰত্যাহ্বানসমূহ আলোচনা কৰিম। |
5cf52b914bfed5aa5babf340b489392c0d961d38 | এই প্ৰবন্ধত আমি ঘৰুৱা কাৰ্যকলাপৰ গতিবিধি পৰীক্ষা কৰোঁ আৰু চাৰিটা কেছ ষ্টুডিৰ সৈতে সহায়ক বাসস্থানত ২২ জন বাসিন্দাৰ এক কাৰ্যকলাপ নিৰীক্ষণ পৰীক্ষামূলক অধ্যয়নৰ পৰা পোৱা এক ডজন আচৰণগত নিদৰ্শন উপস্থাপন কৰোঁ। প্ৰতিষ্ঠিত আচৰণগত ধৰণবোৰ এটা পৰিসংখ্যাগত ভৱিষ্যদ্বাণীমূলক এলগৰিথমৰ ওপৰত ভিত্তি কৰি কাষ্টম ছফ্টৱেৰ ব্যৱহাৰ কৰি ধৰা পেলোৱা হৈছে যি চাৰ্কাডিয়ান কাৰ্যকলাপৰ গতিবিধি (CARs) আৰু তেওঁলোকৰ বিচ্যুতিৰ মডেলিং কৰে। CAR ৰ পৰিসংখ্যাগত অনুমান কৰা হৈছিল এজন বাসিন্দাই নিজৰ সহায়ক থকা এপাৰ্টমেণ্টৰ প্ৰতিটো কোঠাত কটোৱা সময়ৰ গড় পৰিমাণৰ ওপৰত ভিত্তি কৰি আৰু প্ৰতি কোঠাত গড় গতিৰ ঘটনাসমূহৰ সংখ্যাৰ দ্বাৰা প্ৰদান কৰা কাৰ্যকলাপৰ স্তৰৰ ওপৰত ভিত্তি কৰি। এটা বৈধ ইন-হোম মনিটৰিং চিষ্টেম (আইএমএছ) য়ে নিৰীক্ষণ কৰা বাসিন্দাৰ গতিবিধিৰ তথ্য ৰেকৰ্ড কৰে আৰু প্ৰতিটো কোঠাৰ বাবে দখল সময় আৰু কাৰ্যকলাপৰ স্তৰ নিৰ্ধাৰণ কৰে। এই তথ্য ব্যৱহাৰ কৰি, বাসিন্দাসকলৰ সাৰ্কাডিয়ান আচৰণসমূহ আহৰণ কৰা হৈছিল, অস্বাভাৱিকতা সূচোৱা বিচ্যুতিসমূহ ধৰা পৰিছিল, আৰু এই অন্তিমবোৰ আইএমএছৰ দ্বাৰা সৃষ্টি কৰা কাৰ্যকলাপ প্ৰতিবেদনৰ লগতে নিৰীক্ষণ কৰা বাসিন্দাসকলৰ ক্ষেত্ৰত সুবিধাৰ পেছাদাৰী যত্নশীলসকলৰ নোটসমূহৰ সৈতে সম্পৰ্কিত হৈছিল। এই ব্যৱস্থাৰ দ্বাৰা কাৰ্যকলাপৰ ধৰণত হোৱা বিসংগতিসমূহ চিনাক্ত কৰিব পাৰি আৰু স্বাস্থ্যৰ স্থিতিৰ পৰিৱৰ্তন প্ৰতিফলিত কৰিব পৰা এনে বিসংগতিসমূহৰ বিষয়ে যত্নশীলসকলক সতৰ্ক কৰিব পাৰি, যাৰ ফলত যত্নশীলসকলক স্বাস্থ্যৰ মানদণ্ড নিৰ্ধাৰণৰ ক্ষেত্ৰত ৰোগ নিৰ্ণয় কৰিবলৈ আৰু সময়মতে হস্তক্ষেপ কৰিবলৈ সুবিধা প্ৰদান কৰিব পাৰি। |
20faa2ef4bb4e84b1d68750cda28d0a45fb16075 | বিভিন্ন ক্ষেত্ৰত উপযোগী তথ্য প্ৰদান কৰাত সময় শৃংখল ক্লাষ্টাৰিং কাৰ্যকৰী দেখুওৱা হৈছে। সময়জনিত তথ্য খনন গৱেষণাৰ প্ৰচেষ্টাৰ অংশ হিচাপে সময় শৃংখল ক্লাষ্টাৰিংত আগ্ৰহ বৃদ্ধি পোৱা যেন লাগিছে। এটা সামগ্ৰিক দৃষ্টিভংগী প্ৰদান কৰিবলৈ, এই কাগজত বিভিন্ন প্ৰয়োগ ক্ষেত্ৰৰ সময় শৃংখলাৰ তথ্যৰ ক্লাষ্টাৰিং অনুসন্ধান কৰা পূৰ্বৰ কামৰ সমীক্ষা আৰু সাৰাংশ দিয়া হৈছে। সময় শৃংখল ক্লাষ্টাৰিংৰ মূল বিষয়সমূহ, সময় শৃংখল ক্লাষ্টাৰিং অধ্যয়নত সাধাৰণভাৱে ব্যৱহৃত সাধাৰণ-উদ্দেশ্য ক্লাষ্টাৰিং এলগৰিথম, ক্লাষ্টাৰিং ফলাফলৰ কাৰ্যক্ষমতা মূল্যায়নৰ বাবে চৰ্তসমূহ আৰু তুলনা কৰা দুটা সময় শৃংখলাৰ মাজত সাদৃশ্য/বৈষম্য নিৰ্ণয় কৰাৰ বাবে ব্যৱস্থাসমূহ, কেঁচা তথ্যৰ ৰূপত, আহৰণ কৰা বৈশিষ্ট্যসমূহ, বা কিছুমান মডেল পাৰামিটাৰসমূহ। অতীতৰ গৱেষণাসমূহক তিনিটা গোটত ভাগ কৰা হৈছে, যেনে- তেওঁলোকে কেঁচা তথ্যৰ সৈতে প্ৰত্যক্ষভাৱে কাম কৰে, সময় বা ফ্ৰিক্বেঞ্চ ড মেনত, পৰোক্ষভাৱে কেঁচা তথ্যৰ পৰা আহৰণ কৰা বৈশিষ্ট্যৰ সৈতে, বা পৰোক্ষভাৱে কেঁচা তথ্যৰ পৰা নিৰ্মিত মডেলৰ সৈতে। পূৰ্বৰ গৱেষণাৰ স্বকীয়তা আৰু সীমাবদ্ধতাৰ বিষয়ে আলোচনা কৰা হৈছে আৰু ভৱিষ্যতৰ গৱেষণাৰ বাবে কেইবাটাও সম্ভাব্য বিষয় চিহ্নিত কৰা হৈছে। তদুপৰি, সময় শৃংখল ক্লাষ্টাৰিং প্ৰয়োগ কৰা ক্ষেত্ৰসমূহো সংক্ষিপ্ত কৰা হৈছে, ব্যৱহাৰ কৰা তথ্যৰ উৎসসমূহো অন্তৰ্ভুক্ত কৰা হৈছে। এই অধ্যয়নে এই ক্ষেত্ৰত গৱেষণাৰ অগ্ৰগতিৰ বাবে আগ্ৰহীসকলৰ বাবে এক পদক্ষেপ হিচাপে কাম কৰিব বুলি আশা কৰা হৈছে। ২০০৫ পট্ৰণ স্বীকৃতি সমাজ। এলছেভিয়াৰ লিমিটেডৰ দ্বাৰা প্ৰকাশিত। সকলো অধিকাৰ সংৰক্ষিত। |
363601765e56e4a68c22da3760a2e4f8d7db3e68 | এই কামত, এটা ক্ষুদ্ৰ অতি-বিশাল-বন্দ (UWB) শক্তি বিভাজক (PD) প্ৰস্তাৱিত কৰা হৈছে। ব্ৰিজযুক্ত টি-কয়েল ব্যৱহাৰ কৰি দুটা পৰ্যায়ৰ উইলকিন্সন পিডিৰ পৰিবহণ লাইন ৰূপায়ণ কৰি, বেণ্ডউইথৰ কোনো হ্ৰাস নোহোৱাকৈ অতি কমপেক্ট আকাৰ প্ৰাপ্ত কৰিব পাৰি। বিশেষকৈ, বাণিজ্যিক GaAs pHEMT প্ৰক্ৰিয়া ব্যৱহাৰ কৰি f<sub>0</sub>=5.5 GHz কেন্দ্ৰীয় সঘনতা সহ প্ৰস্তাৱিত UWB দ্বি-মুখী PD প্ৰয়োগ কৰা হয়। পেড অবিহনে চিৰিজৰ আকাৰ মাত্ৰ ১.৪৫ মিমি × ০.৮৪ মিমি, যি প্ৰায় ০.০২৭λ<sub>0</sub> × ০.০১৬λ<sub>0</sub> এফ<sub>0</sub>। ১৫-ডিবি ইনপুট/আউটপুট ৰিটাৰ্ণ লষ্ট আৰু আইচ লেশ্যনৰ বাবে ভগ্নাংশীয় বেণ্ডউইডথ ১১০% আৰু ইন-বেণ্ড ইনছাৰশ্যন লষ্ট ১.৩ ± ০.৩৬ ডিবি ভিতৰত। |
0f42befba8435c7e7aad8ea3d150504304eb3695 | এটা সৰল আৰু কমপেক্ট স্লট এণ্টেনা প্ৰস্তাৱ কৰা হৈছে যাৰ এটা অতি বিস্তৃত টুনিং ৰেঞ্জ আছে। মাটিৰ কাষত এটা ২৫ মিমি (আনুমানিক λH/8ৰ সমান, য ত λH টিউনিং ৰেঞ্জৰ সৰ্বাধিক ফ্ৰিক্বেঞ্চৰ সৈতে সামঞ্জস্য) খোলা খালী খালী ঠাই খোদিত কৰা হয়। টুনবিলিটি অৰ্জন কৰিবলৈ, কেৱল দুটা গ্লুপড উপাদান, অৰ্থাৎ, এটা পিন ডায়োড আৰু এটা ভাৰেক্টৰ ডায়োড গঠনত ব্যৱহাৰ কৰা হয়। স্লটটোৰ খোলা মূৰত থকা পিন ডায়ডটো সলাই স্লট এণ্টেনাটো এটা মান স্লট (যদি স্লটটো অন থাকে) বা আধা স্লট (যদি স্লটটো অফ থাকে) ৰ দৰে ৰিজোন কৰিব পাৰে। এই দুয়োটা অৱস্থাত বিস্তৃত ফ্ৰেক্বেঞ্চ ৰেঞ্জত অবিৰত টিউনিং স্লটত ভৰ্তি ভাৰেক্টৰ ডায়ডৰ ৰিভাৰ্ছ বিয়াৰ্ছ (বিভিন্ন ক্ষমতা প্ৰদান) নিয়ন্ত্ৰণ কৰি প্ৰাপ্ত কৰিব পাৰি। সৰ্বোত্তম ডিজাইনৰ জৰিয়তে, দুয়োটা মোডৰ টিউনিং বেণ্ডবোৰ একেলগে মিলিত হৈ এক অতি বিস্তৃত টিউনিং পৰিসৰ গঠন কৰে। নিৰ্মিত প্ৰট টাইপৰ ০.৪২ গিগাহাৰ্টছৰ পৰা ১.৪৮ গিগাহাৰ্টছৰ ফ্ৰেক্সিং ফ্ৰেক্সিং ৰেঞ্জ আছে আৰু এছ এল এল ১০ ডি বি ৰো অধিক, যাৰ ফলত ফ্ৰেক্সিং অনুপাত (এফ আৰ = ফু/এফ এল) ৩.৫২ঃ১ হয়। পৰিমাপ কৰা সম্পূৰ্ণ গোলকীয় বিক্ৰিয়া প্ৰণালীসমূহে সমগ্ৰ টিউনিং পৰিসৰৰ ভিতৰত প্ৰস্তাৱিত এণ্টেনাৰ ধাৰাবাহিক বিক্ৰিয়া বৈশিষ্ট্য দেখুৱায়। |
bf77b3a8fa0ec0e4ef5f40089ca86001a6901f2d | |
d2c4e319a7351f1091ae08a6fc870309003ace31 | |
0abb49fe138e8fb7332c26b148a48d0db39724fc | আমি চাৰটা ছবিৰ ডাটা ছেটত উন্নত প্ৰদৰ্শন অৰ্জন কৰিছো, অন্য প্ৰদৰ্শনসমূহৰ তুলনাত যিবোৰত ডাটা এগমেন্টেচনৰ ব্যৱহাৰ কৰা হোৱা নাই। আমি বৃহৎ কনভলুশ্যনেল নিউৰেল নেটৱৰ্ক নিয়মীয়াকৰণ কৰাৰ বাবে এটা সৰল আৰু কাৰ্যকৰী পদ্ধতিৰ প্ৰৱৰ্তন কৰিছো। আমি গতানুগতিক নিৰ্ণায়ক পুলিং কাৰ্য্যকৰণক এক স্টোচেষ্টিক পদ্ধতিৰে সলনি কৰো, পুলিং অঞ্চলৰ কাৰ্য্যকলাপৰ দ্বাৰা দিয়া বহুপদীয় বিতৰণ অনুসৰি প্ৰতিটো পুলিং অঞ্চলৰ ভিতৰত সক্ৰিয়কৰণটো এলোমেলোভাৱে বাছনি কৰোঁ। এই পদ্ধতিটো হাইপাৰ-পাৰামিটাৰ মুক্ত আৰু আন নিয়মীয়াকৰণ পদ্ধতিৰ সৈতে সংযুক্ত কৰিব পাৰি, যেনে ড্ৰপআউট আৰু ডাটা এগমেন্টেচন। |
23ae5fa0e8d581b184a8749d764d2ded128fd87e | সংক্ষিপ্ত বিৱৰণ আমি গভীৰ নিউৰেল নেটৱৰ্ক উন্নত কৰিবলৈ চেষ্টা কৰোঁ বৰ্তমানৰ আৰ্হিচিত মুখ্য ভূমিকা পালন কৰা পুলিং কাৰ্য্যক সাধাৰণীকৰণ কৰি। আমি পুলেৰীকৰণৰ পদ্ধতিৰ বিষয়ে অধ্যয়ন কৰি আছো যাতে এই পদ্ধতিৰ জৰিয়তে জটিল আৰু পৰিৱৰ্তনশীল প্ৰণালীসমূহ শিকিব পাৰি আৰু সেইবোৰৰ সৈতে খাপ খাব পাৰি। দুটা প্ৰাথমিক দিশ হৈছে (1) সৰ্বোচ্চ আৰু গড় পুলিংৰ সংমিশ্ৰণৰ জৰিয়তে পুলিং কাৰ্য্য শিকিব পৰা আৰু (2) পুলিং ফিল্টাৰৰ বৃক্ষ-গঠনযুক্ত সংমিশ্ৰণৰ ৰূপত পুলিং কাৰ্য্য শিকিব পৰা। আমাৰ পৰীক্ষাত আমি অনুসন্ধান কৰা প্ৰতিটো সাধাৰণীকৃত পুলিং কাৰ্য্যই পাৰদৰ্শিতাৰ উন্নতি কৰে যেতিয়া গড় বা সৰ্বাধিক পুলিংৰ ঠাইত ব্যৱহাৰ কৰা হয়। আমি পৰীক্ষামূলকভাৱে প্ৰমাণ কৰোঁ যে প্ৰস্তাৱিত পুলিং কাৰ্য্যবোৰে প্ৰচলিত পুলিংৰ তুলনাত ইনভাৰেন্সৰ বৈশিষ্ট্যবোৰ বৃদ্ধি কৰে আৰু বহুতো বহুলভাৱে গ্ৰহণ কৰা বেঞ্চমাৰ্ক ডাটা ছেটত কলা স্থাপন কৰে; এওঁলোক ৰূপায়ণ কৰিবলৈও সহজ, আৰু বিভিন্ন গভীৰ নিউৰেল নেটৱৰ্ক আৰ্কিটেকচাৰৰ ভিতৰত প্ৰয়োগ কৰিব পাৰি। এই সুবিধাসমূহ প্ৰশিক্ষণৰ সময়ত কম্পিউটেশ্যনেল ওভাৰহেডৰ সামান্য বৃদ্ধিৰ সৈতে (সময় নিৰ্ধাৰণৰ পৰীক্ষাত ৫% ৰ পৰা ১৫% ৰ ভিতৰত) আৰু মডেল পেৰামিটাৰৰ সংখ্যাৰ অতি সামান্য বৃদ্ধিৰ সৈতে আহে। উদাহৰণস্বৰূপে, ৪৫টা অতিৰিক্ত পৰামিতি ব্যৱহাৰ কৰি আমি ইমেজনেটত এলেক্সনেট প্ৰদৰ্শন উন্নত কৰিছো ৬% আপেক্ষিকতাৰে (শীৰ্ষ-৫, একক-দৰ্শন) । |
fd6d101967259f9f8c86f5f5a9871e34d22c63e6 | গ্ৰাফ মাইনিং হৈছে ডাটা মাইনিংৰ ক্ষেত্ৰৰ এটা গুৰুত্বপূৰ্ণ গৱেষণা ক্ষেত্ৰ। অধ্যয়নৰ ক্ষেত্ৰটো গ্ৰাফ ডাটা ছেটৰ ভিতৰত সঘনাই হোৱা উপগ্ৰাফৰ চিনাক্তকৰণত মনোনিবেশ কৰে। গৱেষণাৰ লক্ষ্যসমূহ হৈছেঃ (i) প্ৰাৰ্থী উপগ্ৰাফ সৃষ্টিৰ বাবে কাৰ্যকৰী ব্যৱস্থা (দ্বৈত প্ৰতিলিপি সৃষ্টি নকৰাকৈ) আৰু (ii) কেনেকৈ উৎপন্ন প্ৰাৰ্থী উপগ্ৰাফসমূহক উত্তমভাৱে প্ৰক্ৰিয়া কৰিব পাৰি যাতে বিচৰা সঘন উপগ্ৰাফসমূহক এক কম্পিউটেশ্যনেলভাৱে দক্ষ আৰু প্ৰক্ৰিয়াকৰণগতভাৱে কাৰ্যকৰী পদ্ধতিত চিনাক্ত কৰিব পাৰি। এই প্ৰবন্ধত সঘন উপগ্ৰাফ খননৰ ক্ষেত্ৰত বৰ্তমান গৱেষণাৰ এক সমীক্ষা আৰু প্ৰধান গৱেষণা সমস্যাসমূহ সমাধানৰ বাবে প্ৰস্তাৱিত সমাধান উপস্থাপন কৰা হৈছে। |
97862a468d375d6fbd83ed1baf2bd8d74ffefdee | যথাৰ্থ কৃষি নিৰীক্ষণ ব্যৱস্থা (পিএএমএছ) হৈছে এক বুদ্ধিমান ব্যৱস্থা, যিয়ে শস্যৰ কৃষি পৰিবেশ নিৰীক্ষণ কৰিব পাৰে আৰু কৃষকসকলক সেৱা প্ৰদান কৰে। ৱায়াৰলেছ ছেন্সৰ নেটৱৰ্ক (WSN) কৌশল ভিত্তিক PAMS-এ সাম্প্ৰতিক বছৰবোৰত ক্ৰমবৰ্ধমান মনোযোগ আকৰ্ষণ কৰিছে। এই ধৰণৰ ব্যৱস্থাৰ উদ্দেশ্য হ ল বৃদ্ধিৰ সময়ছোৱা পৰিচালনা আৰু নিৰীক্ষণৰ জৰিয়তে শস্যৰ উৎপাদন উন্নত কৰা। এই প্ৰবন্ধত PAMS ৰ বাবে WSN ৰ ডিজাইন উপস্থাপন কৰা হৈছে, আমাৰ বাস্তৱ জগতৰ অভিজ্ঞতা ভাগ বতৰা কৰা হৈছে, আৰু প্ৰয়োগ আৰু স্থাপনৰ ক্ষেত্ৰত গৱেষণা আৰু অভিযান্ত্ৰিক প্ৰত্যাহ্বানসমূহৰ বিষয়ে আলোচনা কৰা হৈছে। |
1a736409c7711f8673f31d366f583ddc8759547f | গ্ৰেডিয়েন্ট অৱতৰণৰ দ্বাৰা প্ৰশিক্ষিত দীৰ্ঘ ক্ষুদ্ৰ-কালীন স্মৃতি (LSTM) নেটৱৰ্কটোৱে কঠিন সমস্যা সমাধান কৰে যিটো সাধাৰণভাৱে পৰম্পৰাগত পুনৰাবৃত্ত নিউৰেল নেটৱৰ্কসমূহে কৰিব নোৱাৰে। আমি শেহতীয়াকৈ লক্ষ্য কৰিছো যে বিচ্ছিন্ন কৰা সম্প্ৰসাৰিত কালমান ফিল্টাৰ প্ৰশিক্ষণ এলগৰিথমে অধিক উন্নত প্ৰদৰ্শন প্ৰদান কৰে, মূল গ্ৰেডিয়েন্ট অৱতৰণ প্ৰশিক্ষণ এলগৰিথমৰ তুলনাত প্ৰশিক্ষণৰ পদক্ষেপৰ সংখ্যা যথেষ্ট হ্ৰাস কৰে। এই প্ৰবন্ধত আমি কিছুমান পৰীক্ষা-নিৰীক্ষা আগবঢ়াইছো যিসমূহক ধ্ৰুপদী পুনৰাবৃত্ত নেটৱৰ্কৰ দ্বাৰা সমাধান কৰিব নোৱাৰি কিন্তু যিবোৰ এলএছটিএমৰ দ্বাৰা কেলমেন ফিল্টাৰৰ সৈতে মিলি অতি দ্ৰুতভাৱে আৰু শক্তিশালীভাৱে সমাধান কৰা হয়। |
52b0c5495e8341c7a6f0afe4bba6b2e0c0dc3a68 | এই কাগজত লেইনাক্স কাৰ্নেল ইণ্টিগ্ৰেটি মনিটৰ (এলকেআইএম) প্ৰৱৰ্তন কৰা হৈছে যিয়ে চফ্টৱেৰ ইণ্টিগ্ৰেটি জোখাৰ বাবে প্ৰচলিত পদ্ধতিৰ ওপৰত উন্নতি সাধন কৰিছে। LKIM এ চলমান কার্নেলৰ কাৰ্য্যকৰী অখণ্ডতাৰ অধিক সম্পূৰ্ণভাৱে বৰ্ণনা কৰাৰ উপায় হিচাপে প্রসংগভিত্তিক পৰিদর্শন ব্যৱহাৰ কৰে। ক ৰ নালত স্থিৰ ক ড আৰু ডাটা ক্ৰিপ্টোগ্ৰাফিকভাৱে হেচিং কৰাৰ উপৰি, গতিশীল ডাটা গাঁথনিসমূহ উন্নত সততাৰ জোখ-মাপ প্ৰদান কৰিবলৈ পৰীক্ষা কৰা হয়। বেছ পদ্ধতিত কাৰ্ণেলৰ কাৰ্য্যকৰীকৰণত প্ৰভাৱ পেলোৱা অন্যান্য তথ্যৰ লগতে ফাংচন পইণ্টাৰৰ ব্যৱহাৰৰ জৰিয়তে কাৰ্ণেলৰ কাৰ্য্যকৰীকৰণ প্ৰবাহ নিয়ন্ত্ৰণ কৰা গাঁথনিসমূহ পৰীক্ষা কৰা হয়। এনে গাঁথনিয়ে কাৰ্নেল কাৰ্য্যকৰীতা সম্প্ৰসাৰণৰ এক কাৰ্যকৰী উপায় প্ৰদান কৰে, কিন্তু ই স্থিৰ অংশবোৰ সংশোধন নকৰাকৈ দূষিত ক ড সন্নিৱিষ্ট কৰাৰ এক উপায়ও। এলকেআইএমৰ প্ৰয়োগৰ বিষয়ে আলোচনা কৰা হৈছে আৰু প্ৰাৰম্ভিক কাৰ্যক্ষমতা তথ্য দাঙি ধৰা হৈছে যাতে প্ৰদৰ্শন কৰিব পাৰি যে প্ৰসংগভিত্তিক পৰিদৰ্শন ব্যৱহাৰিক |
589d06db45e2319b29fc96582ea6c8be369f57ed | এই প্ৰবন্ধত আমি ভিডিঅ আধাৰিত ব্যক্তিৰ পুনৰ চিনাক্তকৰণৰ সমস্যাটো অধ্যয়ন কৰো। ই ছবিৰ ওপৰত ভিত্তি কৰি কৰা সাধাৰণ ব্যক্তিৰ পুনৰ চিনাক্তকৰণতকৈ অধিক প্ৰত্যাহ্বানমূলক আৰু অধিক ব্যৱহাৰিক স্বাৰ্থৰ। এই সমস্যা সমাধানৰ বাবে আমি ব্যক্তিৰ পুনৰ চিনাক্তকৰণৰ বাবে ভিডিঅ -ভিত্তিক প্ৰতিনিধিত্ব শিকিবলৈ কনভলুশ্যনেল লং শ্বৰ্ট টাৰ্ম মেমৰি (LSTM) ভিত্তিক নেটৱৰ্ক ব্যৱহাৰৰ প্ৰস্তাৱ দিছো। এই উদ্দেশ্যে আমি গভীৰ কনভলুশ্যনেল নিউৰেল নেটৱৰ্ক (চিএনএন) আৰু এলএছটিএম নেটৱৰ্কসমূহক যৌথভাৱে ব্যৱহাৰ কৰাৰ প্ৰস্তাৱ আগবঢ়াইছো। এজন ব্যক্তিৰ ধাৰাবাহিক ভিডিঅ ফ্ৰেম দিয়া হ লে, ফ্ৰেমবোৰত এনকোড কৰা স্থানিক তথ্য প্ৰথমে চিএনএনৰ দ্বাৰা আহৰণ কৰা হয়। এলএছটিএমৰ পৰা আহৰণ কৰা এনকোডাৰ-কোডাৰ ফ্ৰেমৱৰ্ক ব্যৱহাৰ কৰা হয় চিএনএন আউটপুটৰ ফলস্বৰূপ টাইম ৰেল এনকোড কৰিবলৈ। এই পদ্ধতিৰ দ্বাৰা এটা পৰিমার্জিত বৈশিষ্ট্য উপস্থাপন কৰা হয় যি স্থানিক তথ্য সংৰক্ষণ কৰি ভিডিঅ টো এটা আদেশযুক্ত ক্ৰম হিচাপে স্পষ্টভাৱে মডেল কৰিব পাৰে। তুলনামূলক পৰীক্ষাসমূহে প্ৰমাণ কৰে যে আমাৰ পদ্ধতিয়ে এই উদ্দেশ্যে দুটা প্ৰাথমিক ৰাজহুৱা ডাটা ছেট iLIDS-VID আৰু PRID 2011 ৰ ওপৰত ভিডিঅ -ভিত্তিক ব্যক্তি পুনৰ চিনাক্তকৰণৰ বাবে অত্যাধুনিক কাৰ্যক্ষমতা অৰ্জন কৰে। |
ab41136c0a73b42463db10f9dd2913f8d8735155 | |
c0bf57b798b7350ab8ace771faad6320663300bd | RGB-D (ৰেড গ্ৰীণ ব্লু এণ্ড ডিপ্থ) ছেন্সৰ হৈছে এনে এক যন্ত্ৰ যি একে সময়তে কোনো দৃশ্যৰ ৰং আৰু গভীৰতাৰ তথ্য প্ৰদান কৰিব পাৰে। শেহতীয়াকৈ, এওঁলোকৰ বাণিজ্যিক বিকাশৰ বাবে এওঁলোকৰ ব্যৱসায়িক বিকাশৰ বাবে এওঁলোকক বহুতো সমাধানত বহুলভাৱে ব্যৱহাৰ কৰা হৈছে (যেনে ৰবট, CAD ইত্যাদি) । গৱেষণা সম্প্ৰদায়ৰ মাজত, এই যন্ত্ৰসমূহে বহুতো প্ৰয়োগৰ বাবে গ্ৰহণযোগ্য স্তৰৰ সঠিকতা আৰু কম খৰচৰ বাবে ভাল গ্ৰহণযোগ্যতা লাভ কৰিছে, কিন্তু কিছুমান ক্ষেত্ৰত, ইহঁতৰ সংবেদনশীলতাৰ সীমাত কাম কৰে, যিটো ন্যূনতম আকাৰৰ যন্ত্ৰৰ কাষত অৱস্থিত যিটো উপলব্ধি কৰিব পাৰি। এই কাৰণতে, কেলিবেৰেশ্যন প্ৰক্ৰিয়াসমূহ অতি গুৰুত্বপূৰ্ণ যাতে ইয়াৰ সঠিকতা বৃদ্ধি কৰিব পাৰি আৰু এই ধৰণৰ প্ৰয়োগৰ প্ৰয়োজনীয়তা পূৰণ কৰিব পাৰি। আমাৰ জ্ঞানৰ ওপৰত ভিত্তি কৰি, কেলিবেৰেশ্যন এলগৰিথমৰ তুলনামূলক অধ্যয়ন নাই যাৰ দ্বাৰা একাধিক আৰজিবি-ডি ছেন্সৰত ইয়াৰ ফলাফলৰ মূল্যায়ন কৰা হৈছে। বিশেষকৈ, এই প্ৰবন্ধত, তিনিটা বিবিধ RGB-D সেন্সৰৰ সৈতে কাঠামোগত পোহৰ আৰু সময়-অফ-ফ্লাইটৰ ওপৰত ভিত্তি কৰি তিনিটা সৰ্বাধিক ব্যৱহৃত কেলিব্ৰেচন পদ্ধতিৰ তুলনা কৰা হৈছে। গভীৰতা জোখাৰ সঠিকতা নিৰূপণৰ বাবে বিভিন্ন পৰীক্ষা-নিৰীক্ষাৰ দ্বাৰা পদ্ধতিৰ তুলনা কৰা হৈছে। ইয়াৰ উপৰিও, এটা বস্তু পুনৰ্নিৰ্মাণ প্ৰয়োগক এটা প্ৰয়োগৰ উদাহৰণ হিচাপে ব্যৱহাৰ কৰা হৈছে যাৰ বাবে ছেন্সৰটোৱে ইয়াৰ সংবেদনশীলতাৰ সীমাত কাম কৰে। পুনৰ্নিৰ্মাণৰ প্ৰাপ্ত ফলাফলসমূহ চাক্ষুষ পৰিদৰ্শন আৰু পৰিমাণগত জোখ-মাপসমূহৰ জৰিয়তে মূল্যায়ন কৰা হৈছে। |
6a636ea58ecf86cba2f25579c3e9806bbd5ddce9 | এই পত্ৰখনে ৱায়াৰলেছ পাৱাৰ ট্ৰান্সমিচন এপ্লিকেচনৰ বাবে সকলো-প লাৰেজেশ্যন-প্ৰাপ্তি ক্ষমতাৰ সৈতে এটা নতুন ৰেক্টেনাৰ উপস্থাপন কৰে। দ্বৈত ৰেখীয়ভাৱে-প লাৰাইজড এণ্টেনা ব্যৱহাৰ কৰি, ইচ্ছাকৃত প লাৰাইজেশ্যনৰ ঘটনা তৰংগ সম্পূৰ্ণৰূপে ইয়াৰ দুখন বন্দৰত সংগ্ৰহ কৰিব পাৰি। এণ্টেনাৰ সৈতে ৰেক্টেনাৰ দৰে সংযোগ কৰিবলৈ, এটা ডুৱেল-ইনপুট ৰেক্টাইফায়াৰ এনেদৰে ডিজাইন কৰা হয় যাতে এণ্টেনাৰ দুটাকৈ পোৰ্টৰ পৰা যোগান ধৰা আৰএফ শক্তি দক্ষতাৰে ৰেক্টাইফাই কৰিব পৰা যায়। ইফালে, প্ৰস্তাৱিত ৰেক্টেনাৰ প্ৰদৰ্শন কৰা প্ৰদৰ্শিত ঢৌৰ সঠিক পলাৰাইজেশ্যনৰ ফলত, প্ৰৱেশ শক্তিৰ ঘনত্ব ২৯৫.৩ μW/cm2ৰ অধীনত ইয়াৰ সৰ্বাধিক দক্ষতা ৭৮% হয়। তদুপৰি, একে শক্তি ঘনত্বৰ অধীনত, ইনচিডেণ্ট ৱেভৰ ধ্ৰুৱকৰণক লৈকে ৰেক্টেনাৰ দক্ষতা সদায় 61% তকৈ অধিক থাকিব পাৰে। |
23a0a9b16462b96bf7b5aa6bb4709e919d7d7626 | অত্যাধিক বিশৃংখল পৰিৱেশত বা বিসংগতিপূৰ্ণ পৰিৱেশত কাম কৰিবলৈ মাইক্ৰ এয়াৰ ভেহিকল (এমএভি) ৰ বাবে সঠিক গতিপথৰ সন্ধান কৰাটো এক গুৰুত্বপূৰ্ণ বৈশিষ্ট্য। এই প্ৰবন্ধত আমি এম এ ভিৰ গতিপথৰ সন্ধানৰ বাবে দুটা অত্যাধুনিক মডেল-ভিত্তিক নিয়ন্ত্ৰণ প্ৰণালীৰ মাজত এক বিস্তৃত তুলনা আগবঢ়াইছো। এটা ধ্ৰুপদী ৰেখীয় মডেল প্ৰিডিক্টিভ নিয়ন্ত্ৰক (LMPC) উপস্থাপন কৰা হৈছে আৰু সম্পূৰ্ণ চিস্টেম মডেলক বিবেচনা কৰা এটা উন্নত নন-ৰেখীয় মডেল প্ৰিডিক্টিভ নিয়ন্ত্ৰকৰ (NMPC) সৈতে তুলনা কৰা হৈছে। গতিকে আৰু ট্ৰেকিং পাৰফৰমেন্সৰ ক্ষেত্ৰত আমি দুয়োটা প্ৰয়োগৰ সুবিধা আৰু অসুবিধাসমূহ দেখুৱাম। এই কাৰ্য্য হ ব পাৰে হ ভিং পাৰদৰ্শিতা, পদক্ষেপৰ প্ৰতিক্ৰিয়া আৰু নামমাত্ৰ পৰিস্থিতিত আৰু বাহ্যিক বতাহৰ বিঘ্নৰ অধীনত আক্ৰমণাত্মক গতিপথৰ ট্ৰেকিংৰ মূল্যায়ন কৰি। |
11c116b2750e064ce32b3b8de8760234de508314 | বিগত কেইটামান বছৰত মূল মেমৰি আৰু ব্যাপকভাৱে সমান্তৰাল মাল্টি-ক ৰ প্ৰচেচিং বৃদ্ধি কৰা দুটা মুখ্য হাৰ্ডৱেৰ প্ৰৱণতাৰ দ্বাৰা পৰিচালিত হৈ, সুপৰিচিত যোগদান এলগৰিথম সমান্তৰাল কৰাৰ ক্ষেত্ৰত বহুতো গৱেষণা প্ৰচেষ্টা কৰা হৈছে। অৱশ্যে, এই আৰ্কিটেকচাৰসমূহৰ মূল মেমৰিৰ অ-সমতুল মেমৰি এক্সেছ (NUMA) এই এলগৰিথমসমূহৰ ডিজাইনত সীমিত মনোযোগহে লাভ কৰিছে। আমি শেহতীয়া প্ৰস্তাৱসমূহ অধ্যয়ন কৰো আৰু NUMA আৰ্কিটেকচাৰত তেওঁলোকৰ প্ৰধান পাৰফৰমেন্স সমস্যাসমূহ চিনাক্ত কৰো। তাৰ পিছত আমি NUMA-সচেতন হেচ জইন এটা ব্যাপক সমান্তৰাল পৰিৱেশৰ বাবে বিকাশ কৰিম আৰু দেখুৱাম যে নিৰ্দিষ্ট ৰূপায়ণৰ সবিশেষবোৰে NUMA ব্যৱস্থাৰ কাৰ্যক্ষমতা কেনেদৰে প্ৰভাৱিত কৰে। আমাৰ পৰীক্ষামূলক মূল্যায়নে দেখুৱাইছে যে এটা সাৱধানে অভিযোজিত হেচ জইন ৰূপায়নে পূৰ্বৰ উচ্চ কাৰ্যক্ষমতা হেচ জইনক দুগুণতকৈ অধিক গুণে অতিক্ৰম কৰে, যাৰ ফলত প্ৰতি ছেকেণ্ডত ৩/৪ বিলিয়ন যোগদান যুক্তিৰ টুপলছৰ অভূতপূৰ্ব পাৰদৰ্শিতা হয়। |
5678ade24d18e146574ad5c74b64b9030ed8cf44 | বিগত কেইটামান বছৰত কম্পিউটাৰ নেটৱৰ্কৰ দ্ৰুত সম্প্ৰসাৰণৰ সৈতে, আধুনিক কম্পিউটাৰ প্ৰণালীৰ বাবে সুৰক্ষা এক গুৰুত্বপূৰ্ণ বিষয় হৈ পৰিছে। অবৈধ ব্যৱহাৰ চিনাক্ত কৰাৰ এটা ভাল উপায় হ ল অস্বাভাৱিক ব্যৱহাৰকাৰীৰ কাৰ্যকলাপ নিৰীক্ষণ কৰা। হস্ত-কোডিং কৰা নিয়মৰ ওপৰত ভিত্তি কৰি বা অন-লাইন কমান্ডৰ ওপৰত ভিত্তি কৰি অনুপ্ৰৱেশ চিনাক্তকৰণৰ পদ্ধতি নিৰ্মাণ কৰাটো কঠিন বা খুব নিৰ্ভৰযোগ্য নহয়। এই প্ৰবন্ধত প্ৰৱেশৰ চিনাক্তকৰণৰ বাবে নিউৰেল নেটৱৰ্ক প্ৰয়োগৰ এক নতুন উপায়ৰ প্ৰস্তাৱ দিয়া হৈছে। আমি বিশ্বাস কৰো যে ব্যৱহাৰকাৰীয়ে চিষ্টেমটো ব্যৱহাৰ কৰাৰ সময়ত এটা "চিহ্ন" এৰি যায়; এটা নিউৰ নেল নেটৱৰ্ক ব্যৱহাৰ কৰি এই চিহ্নটো শিকিব পাৰি আৰু প্ৰতিজন ব্যৱহাৰকাৰীক চিনাক্ত কৰিব পাৰি, ঠিক যেনেদৰে ডিটেকটিভসকলে অপৰাধৰ দৃশ্যত মানুহক স্থানান্তৰ কৰিবলৈ আঙুলিৰ ছাপ ব্যৱহাৰ কৰে। যদি কোনো ব্যৱহাৰকাৰীৰ আচৰণ তেওঁৰ ছাপৰ সৈতে মিল নাথাকে, তেন্তে চিষ্টেম প্ৰশাসকক সুৰক্ষা ভঙ্গৰ বিষয়ে সতৰ্ক কৰি দিয়া হ ব পাৰে। এন এন আই ডি (নেৰেল নেটৱৰ্ক ইনট্ৰুজন ডিটেক্টৰ) নামৰ এটা বেকপ্ৰপাগেচন নিউৰেল নেটৱৰ্কক চিনাক্তকৰণ কাৰ্যত প্ৰশিক্ষণ দিয়া হৈছিল আৰু ১০ জন ব্যৱহাৰকাৰীৰ এটা ব্যৱস্থাত পৰীক্ষামূলকভাৱে পৰীক্ষা কৰা হৈছিল। এই ব্যৱস্থাই অস্বাভাৱিক কাৰ্যকলাপৰ ক্ষেত্ৰত ৯৬% সঠিকতা লাভ কৰে, ৭% ভুৱা সতৰ্কতাৰ হাৰ। এই ফলাফলসমূহে প্ৰমাণ কৰে যে ব্যৱহাৰকাৰীৰ প্ৰফাইল শিকিব পৰাটো এক প্ৰভাৱশালী উপায়। |
cf528f9fe6588b71efa94c219979ce111fc9c1c9 | এটা কঠোৰ বস্তুৰ অৱস্থানত 6 ডিগ্ৰী স্বাধীনতা থাকে আৰু ইয়াৰ সম্পূৰ্ণ জ্ঞানটো বহু ৰবট আৰু দৃশ্য বুজা প্ৰয়োগত প্ৰয়োজন হয়। ৬ ডি অবজেক্টৰ স্থিতিৰ অনুমান কৰা সহজ নহয়। বস্তু সমতুল্যতা আৰু আচ্ছাদনৰ বাবে বস্তু স্থিতি দ্বিধাবোধযুক্ত হ ব পাৰে, অৰ্থাৎ ইয়াত একাধিক বস্তু থাকিব পাৰে যিসমূহ নিৰ্দিষ্ট ছবিত অস্পষ্ট আৰু সেইবাবে সমতুল্য হিচাপে বিবেচনা কৰা উচিত। এই প্ৰবন্ধত 6D অবজেক্ট প জ এষ্টিমেচন সমস্যাসমূহ সংজ্ঞায়িত কৰা হৈছে, এটা মূল্যায়ন পদ্ধতিৰ প্ৰস্তাৱ দিয়া হৈছে আৰু প জ এম্বিগুইটিৰ সৈতে সম্পৰ্ক থকা তিনিটা নতুন প জ এৰাৰ ফাংশন প্ৰৱৰ্তন কৰা হৈছে। নতুন ত্ৰুটি কাৰ্য্যবোৰ সাধাৰণভাৱে সাহিত্যত ব্যৱহৃত কাৰ্য্যসমূহৰ সৈতে তুলনা কৰা হয় আৰু কিছুমান প্ৰকাৰৰ অ-স্বজ্ঞাত ফলাফল আঁতৰ কৰিবলৈ দেখুওৱা হয়। মূল্যায়ন সঁজুলিসমূহ ইয়াত প্ৰদান কৰা হৈছেঃ https: //github.com/thodan/obj pose eval |
356827905c70ef763e3aa373f966fe6d8cf753f9 | কম্পিউটাৰ গ্ৰাফিক্স, দৃষ্টি আৰু ছবি প্ৰক্ৰিয়াকৰণৰ ক্ষেত্ৰত বহুতো প্ৰয়োগৰ বাবে টেক্সচাৰ সংশ্লেষণ গুৰুত্বপূৰ্ণ। অৱশ্যে, এটা এনেকুৱা এলগৰিথম ডিজাইন কৰাটো কঠিন হৈ পৰিছে যিটো দক্ষ আৰু উচ্চ মানৰ ফলাফল সৃষ্টি কৰিবলৈ সক্ষম। এই প্ৰবন্ধত, আমি বাস্তৱিক টেক্সচাৰৰ সংশ্লেষণৰ বাবে এটা কাৰ্যকৰী এলগৰিথম উপস্থাপন কৰিছো। এই এলগৰিথমটো ব্যৱহাৰ কৰিবলৈ সহজ আৰু ইয়াৰ বাবে কেৱল নমুনা টেক্সচাৰৰ প্ৰয়োজন। ই পূৰ্বৰ কৌশলসমূহৰ দ্বাৰা উৎপাদিত তুলনাত সমান বা উত্তম মানৰ সৈতে টেক্সচাৰ সৃষ্টি কৰে, কিন্তু দুটা আকাৰৰ দ্ৰুততাৰে চলে। ইয়াৰ ফলত আমি বিভিন্ন সমস্যাৰ ক্ষেত্ৰত টেক্সচাৰ সংকেত প্ৰয়োগ কৰিব পাৰো য ত পৰম্পৰাগতভাৱে ইয়াক অকাৰ্যকৰী বুলি গণ্য কৰা হয়। বিশেষকৈ, আমি ইয়াক ছবি সম্পাদনা আৰু কালিক আকাৰ সৃষ্টিৰ বাবে সীমিত সংকেতত প্ৰয়োগ কৰিছো। আমাৰ এলগৰিথমটো মাৰকভ ৰেণ্ডম ফিল্ড টেক্সচাৰ মডেলৰ পৰা উদ্ভূত আৰু এটা নিৰ্ণায়ক অনুসন্ধান প্ৰক্ৰিয়াৰ জৰিয়তে টেক্সচাৰ সৃষ্টি কৰে। আমি এই সংশ্লেষণ প্ৰক্ৰিয়াটো ত্বৰান্বিত কৰো বৃক্ষ-গঠনযুক্ত ভেক্টৰ কোয়ান্টাইজেশ্যন ব্যৱহাৰ কৰি। |
c0de99c5f15898e2d28f9946436fec2b831d4eae | বাস্তৱিক পোছাক ডিজাইন আৰু অনুকৰণ কৰাটো এক প্ৰত্যাহ্বান। পূৰ্বৰ পদ্ধতিবোৰে 3D স্কেনৰ পৰা কাপোৰৰ বন্দীশালীক সামৰি লৈছে একক বস্ত্ৰ আৰু সৰল গতিৰ সৈতে সীমাবদ্ধ আছিল, সবিশেষৰ অভাৱ, বা বিশেষ টেক্সচাৰৰ আৰ্হিৰ প্ৰয়োজন। ইয়াত আমি সাধাৰণ কাপোৰৰ সমস্যাটো সমাধান কৰিম, যিটো সম্পূৰ্ণৰূপে পৰিধান কৰা লোকসকলৰ ওপৰত গতিশীল। মানুহে সাধাৰণতে একে সময়তে একাধিক বস্ত্ৰৰ টুকুৰা পিন্ধে। এনে বস্ত্ৰৰ আকৃতি অনুমান কৰিবলৈ, সময়ৰ সৈতে ইয়াৰ সন্ধান কৰিবলৈ, আৰু বিশ্বাসযোগ্যভাৱে ইয়াক প্ৰদান কৰিবলৈ, প্ৰতিটো বস্ত্ৰ আনবোৰ আৰু শৰীৰৰ পৰা বিচ্ছিন্ন কৰিব লাগিব। আমাৰ ClothCap পদ্ধতিয়ে বস্ত্ৰ পৰিধান কৰা শৰীৰৰ এটা নতুন বহু-অংশযুক্ত 3D মডেল ব্যৱহাৰ কৰে, স্বয়ংক্ৰিয়ভাৱে বস্ত্ৰৰ প্ৰতিটো অংশ ভাগ কৰে, বস্ত্ৰৰ তলত কম বস্ত্ৰ পৰিধান কৰা শৰীৰৰ আকৃতি আৰু অৱস্থান অনুমান কৰে, আৰু সময়ৰ সৈতে বস্ত্ৰৰ 3D বিকৃতিৰ ট্ৰেক কৰে। আমি বস্ত্ৰ আৰু ইয়াৰ গতিৰ অনুমান 4D স্কেনৰ পৰা কৰো, অৰ্থাৎ উচ্চ-উত্তৰ 3D স্কেনৰ পৰা 60 FPS ত গতি কৰা বস্তুটো। ClothCap এ এজন বস্ত্ৰধাৰী ব্যক্তিৰ গতি ধৰা পেলাব পাৰে, তেওঁলোকৰ কাপোৰ খিনি উলিয়াই, আৰু কাপোৰবোৰক নতুন শৰীৰৰ আকৃতিলৈ পুনৰ টাৰ্গেট কৰিব পাৰে; ই ভাৰ্চুৱেল ট্ৰায়ে-অনলৈ এটা পদক্ষেপ প্ৰদান কৰে। |
ec614c4f636aeeb6ea10accddfcb1a2f7a1ce603 | সামাজিক উদ্যমিতা বিষয়ক কাম-কাজত বিভিন্ন ক্ষেত্ৰৰ অধ্যয়ন কৰা হয়, য ত উদ্যমিতা অধ্যয়ন, সামাজিক উদ্ভাৱন আৰু অলাভজনক ব্যৱস্থাপনা আদি অন্তৰ্ভুক্ত থাকে। শিক্ষাবিদসকলে সামাজিক উদ্যমিতা উদ্ভৱ হোৱাৰ পথৰ সন্ধান কৰাৰ লগতে ইয়াক আন সাংগঠনিক কাৰ্যকলাপ যেনে-পৰম্পৰাগত উদ্যমিতা আদিৰ সৈতে তুলনা কৰি এই নতুন শাখাৰ বিকাশত বৰঙণি আগবঢ়াবলৈ আৰম্ভ কৰিছে। অৱশ্যে, এটি নৱজাতক ক্ষেত্ৰ হিচাপে, সামাজিক উদ্যমিতা পণ্ডিতসকল সংজ্ঞা আৰু ধাৰণাগত স্পষ্টতা, ক্ষেত্ৰৰ সীমা, আৰু প্ৰাসংগিক আৰু অৰ্থপূৰ্ণ গৱেষণা প্ৰশ্নসমূহৰ এক গোটত উপস্থিত হোৱাৰ বাবে এক সংগ্ৰামৰ সৈতে জড়িত বহুতো বিতৰ্কৰ মাজত আছে। এই প্ৰবন্ধত সামাজিক উদ্যমিতা এক অনুসন্ধানৰ ক্ষেত্ৰ হিচাপে প্ৰতিশ্ৰুতিৰ পৰীক্ষা কৰা হৈছে আৰু ভৱিষ্যতৰ অধ্যয়নৰ বাবে গৱেষণা ক্ষেত্ৰ আৰু গৱেষণা প্ৰশ্নৰ কিছুমান পৰামৰ্শ আগবঢ়োৱা হৈছে। |
40e153460564ed0dbb2523394438c7a1172ca9dc | ১৯৯০ৰ দশকৰ মাজভাগত সহযোগিতামূলক ফিল্টাৰিংৰ ওপৰত প্ৰথমখন কাগজৰ উত্থানৰ পিছত পৰামৰ্শদাতা প্ৰণালী এটা গুৰুত্বপূৰ্ণ গৱেষণা ক্ষেত্ৰ হৈ পৰিছে। সাধাৰণভাৱে, পৰামৰ্শদাতা প্ৰণালীসমূহক সমৰ্থন প্ৰণালী হিচাপে সংজ্ঞায়িত কৰা হয় যিয়ে ব্যৱহাৰকাৰীসকলক তথ্য, সামগ্ৰী বা সেৱা (যেনে কিতাপ, চলচ্চিত্ৰ, সংগীত, ডিজিটেল সামগ্ৰী, ৱেবছাইট আৰু টিভি প্ৰগ্ৰাম) বিচাৰি আন ব্যৱহাৰকাৰীসকলৰ পৰা পৰামৰ্শ সংগ্ৰহ আৰু বিশ্লেষণ কৰি সহায় কৰে, যাৰ অৰ্থ হৈছে বিভিন্ন কৰ্তৃপক্ষৰ পৰা সমীক্ষা আৰু ব্যৱহাৰকাৰীৰ বৈশিষ্ট্য। কিন্তু যোৱা দহ বছৰত পৰামৰ্শদাতা ব্যৱস্থাৰ ওপৰত একাডেমিক গৱেষণা যথেষ্ট বৃদ্ধি পাইছে, সেয়ে বাস্তৱ পৰিস্থিতিত প্ৰয়োগ কৰিব পৰা অধিক গৱেষণাৰ প্ৰয়োজন। কাৰণ পৰামৰ্শদাতা ব্যৱস্থাৰ গৱেষণা ক্ষেত্ৰটো এতিয়াও অন্য গৱেষণা ক্ষেত্ৰৰ তুলনাত বহল আৰু কম পৰিপক্ক। সেই অনুসৰি, পৰৱৰ্তী প্ৰজন্মৰ পৰামৰ্শদাতা প্ৰণালীৰ প্ৰতি লক্ষ্য ৰাখি পৰামৰ্শদাতা প্ৰণালীৰ ওপৰত থকা প্ৰবন্ধসমূহ পুনৰীক্ষণ কৰাৰ প্ৰয়োজন আছে। অৱশ্যে, পৰামৰ্শদাতা ব্যৱস্থাৰ গৱেষণাসমূহক নিৰ্দিষ্ট শাখাসমূহত সীমাবদ্ধ কৰাটো সহজ নহ ব, পৰামৰ্শদাতা ব্যৱস্থাৰ গৱেষণাসমূহৰ প্ৰকৃতি বিবেচনা কৰি। আমি ২০০১ চনৰ পৰা ২০১০ চনলৈ প্ৰকাশিত ৩৭ খন আলোচনীৰ সকলো প্ৰবন্ধ পৰ্যালোচনা কৰিছিলো। এই ৩৭ খন জাৰ্ণেল এম আই এছ জাৰ্ণেল ৰেংকিংৰ শীৰ্ষ ১২৫ খন জাৰ্ণেলৰ পৰা নিৰ্বাচিত কৰা হৈছে। ইয়াৰ উপৰিও, সাহিত্য অনুসন্ধান Recommender system, Recommendation system, Personalization system, Collaborative filtering আৰু |
aa0b03716596832e93f67f99d5c3fed553f89f44 | আমি এটা নতুন নমনীয় বহুস্তৰীয় ট্ৰাইব ইলেক্ট্ৰিক নেন জেনেৰেটৰ (টেং) প্ৰদৰ্শন কৰিছো যি অতি কম খৰচী, সৰল গাঁথনি, সৰু আকাৰ (৩.৮ ছেমি×৩.৮ ছেমি×০.৯৫ ছেমি) আৰু কম ওজনৰ (৭ গ্ৰাম) এক নমনীয় ছাবষ্ট্ৰেটৰ ওপৰত ইউনিটৰ পাঁচটা স্তৰক উদ্ভাৱনীভাৱে সংহত কৰি। মেটেল পৃষ্ঠত অনন্য গঠন আৰু নেন প ৰ-ভিত্তিক পৃষ্ঠৰ সংশোধন হোৱাৰ বাবে, ক্ষণস্থায়ী শ্বৰ্ট-চাৰ্কিট সোঁত (Isc) আৰু মুক্ত-চাৰ্কিট ভল্টেজ (Voc) 0.66 mA আৰু 215 V লৈ 9.8 mW/cm2 আৰু 10.24 mW/cm3 ৰ ক্ষণস্থায়ী সৰ্বাধিক শক্তি ঘনত্বৰ সৈতে পৌঁছাব পাৰে। এইটোৱে হৈছে আউটপুট শক্তি বৃদ্ধিৰ বাবে প্ৰথমটো 3D সংহত টেং। সাধাৰণ পদযাত্ৰাৰ পৰা প্ৰেছ কৰি ট্রিগাৰ কৰা, TENG এটা জুতাৰ পডত সংলগ্ন কৰি তৎক্ষণাৎ একাধিক বাণিজ্যিক LED বাল্ব চলাব পাৰিছিল। নমনীয় গাঁথনিৰ সৈতে, টেংক অধিক পোছাকত একত্ৰিত কৰিব পাৰি বা মানৱ শৰীৰত সংযুক্ত কৰিব পাৰি মানৱ গতিবিধিৰ বাবে কোনো ধৰণৰ বাধা আৰু অস্বস্তিৰ প্ৰৱৰ্তন নকৰাকৈ। ইয়াত প্ৰদৰ্শন কৰা টেঙৰ নতুন ডিজাইনটো সম্ভৱতঃ স্ব-শক্তিচালিত পৰ্টেবল ইলেক্ট্ৰনিক্সৰ বাবে প্ৰয়োগ কৰিব পাৰি। |
2c38ef0c12c0a3dabb7015c77638d171609654f5 | অনুভূতি বিশ্লেষণে মানুহৰ দ্বাৰা প্ৰকাশিত বাক্যত থকা আবেগ, মতামত আৰু তথ্যৰ বিশ্লেষণৰ সৈতে জড়িত। ই আমাক সকলো দিশৰ বিষয়ে ব্লগ, মন্তব্য, সমীক্ষা আৰু টুইট বিশ্লেষণ কৰি মানুহৰ মনোভাৱ আৰু অনুভূতিসমূহ অনুসৰণ কৰিবলৈ অনুমতি দিয়ে। ইণ্টাৰনেটৰ বিকাশৰ প্ৰভাৱ সকলো ধৰণৰ উদ্যোগত আছে যেনে পৰ্যটন, স্বাস্থ্যসেৱা আৰু যিকোনো ব্যৱসায়। ইণ্টাৰনেটৰ উপলব্ধতাই তথ্যৰ প্ৰৱেশ আৰু ব্যৱহাৰকাৰীৰ মাজত অভিজ্ঞতা বিনিময়ৰ পথ সলনি কৰিছে। ছ চিয়েল মিডিয়াই এই তথ্য প্ৰদান কৰে আৰু এই মন্তব্যবোৰক আন ব্যৱহাৰকাৰীয়ে বিশ্বাস কৰে। এই প্ৰবন্ধত স্বাস্থ্যসেৱা উদ্যোগত ছ চিয়েল মিডিয়াৰ ব্যৱহাৰ আৰু প্ৰভাৱৰ বিষয়ে বিশ্লেষণ কৰা হৈছে। ইয়াৰ জৰিয়তে ব্যৱহাৰকাৰীৰ অনুভূতিসমূহ মুক্ত পাঠৰ ৰূপত প্ৰকাশ কৰা হৈছে। এই প্ৰবন্ধত, অনলাইন সমীক্ষা, টুইট বা গ্ৰাহকৰ মতামতৰ বাবে বিভিন্ন বৈশিষ্ট্যৰ শ্ৰেণীবিভাজন কৰিবলৈ উন্নত টাৰ্ম ফ্ৰিকুৱেন্সি ইনভাৰ্স ডকুমেন্ট ফ্ৰিকুৱেন্সি (TFIDF) পদ্ধতি আৰু ৰেখীয় প্ৰতিলিপি মডেল ব্যৱহাৰ কৰি এক আবেগ শ্ৰেণীবিভাজন মডেলৰ প্ৰস্তাৱ দিয়া হৈছে। এই মডেলত চিকিৎসালয়ৰ বিষয়ে অনলাইন ব্যৱহাৰকাৰীৰ সমালোচনা সংগ্ৰহ কৰা প্ৰক্ৰিয়া অন্তৰ্ভুক্ত কৰা হৈছে আৰু সেই সমালোচনাসমূহ প্ৰকাশিত অনুভূতিৰ ক্ষেত্ৰত বিশ্লেষণ কৰা হৈছে। তথ্য আহৰণ প্ৰক্ৰিয়াই অপ্ৰাসংগিক সমীক্ষা ফিল্টাৰ কৰে, চিনাক্ত কৰা বৈশিষ্টসমূহৰ আৱেগিক শব্দবোৰ আহৰণ কৰে আৰু আৱেগিক অভিধান ব্যৱহাৰ কৰি বৈশিষ্টসমূহৰ আৱেগিকতা পৰিমাপ কৰে। আৱেগিকভাৱে প্ৰকাশিত ইতিবাচক বা নেতিবাচক শব্দবোৰ অভিধানত নিৰ্ধাৰিত শ্ৰেণীবিভাজনৰ ব্যৱহাৰ কৰি ওজন প্ৰদান কৰা হয়। টুইট/ৰিভিউৰ ওপৰত অনুভূতি বিশ্লেষণ প্ৰাকৃতিক ভাষা প্ৰক্ৰিয়া (এনএলপি) আৰু তথ্য পুনৰুদ্ধাৰ (আইআৰ) কৌশল ব্যৱহাৰ কৰি বিভিন্ন বৈশিষ্ট্যৰ বাবে কৰা হয়। সেন্টি-স্ক ৰ ব্যৱহাৰ কৰি প্ৰস্তাৱিত ৰেখীয় প্ৰতিলিপি মডেলটোৱে সেৱাৰ বৈশিষ্ট্যৰ ষ্টাৰ ৰেটিং অনুমান কৰে। পৰিসংখ্যাগত ফলাফলৰ পৰা দেখা যায় যে উন্নত TF-IDF পদ্ধতিয়ে পাঠৰ প্ৰতিনিধিত্বৰ বাবে ব্যৱহৃত TF আৰু TF-IDF পদ্ধতিৰ তুলনাত অধিক সঠিকতা প্ৰদান কৰে। বৈশিষ্ট্যসমূহৰ ওপৰত পাঠ্য বিশ্লেষণৰ ফলত (ব্যৱহাৰকাৰীৰ মতামত) প্ৰাপ্ত হোৱা সেন্টি-স্ক ৰে কেৱল মতামত সংক্ষিপ্তকৰণেই নহয়, বিভিন্ন প্ৰতিযোগীৰ বিভিন্ন বৈশিষ্ট্যৰ ওপৰত তুলনামূলক ফলাফলো প্ৰদান কৰে। এই তথ্য ব্যৱসায়ীসকলে ব্যৱহাৰ কৰি নিম্ন স্ক ৰযুক্ত বৈশিষ্টসমূহত মনোযোগ দিবলৈ তেওঁলোকৰ ব্যৱসায় উন্নত কৰিব পাৰে আৰু ব্যৱহাৰকাৰীৰ সন্তুষ্টিৰ উচ্চ স্তৰ নিশ্চিত কৰিব পাৰে। |
841a5de1d71a0b51957d9be9d9bebed33fb5d9fa | এই প্ৰবন্ধত, আমি এটা অতি সহজ গভীৰ শিকন নেটৱৰ্ক প্ৰস্তাৱ দিছো যি অতি সাধাৰণ ডাটা প্ৰক্ৰিয়াকৰণ উপাদানসমূহত আধাৰিতঃ 1) কেস্কেড মূল উপাদান বিশ্লেষণ (PCA); 2) বাইনেৰী হেচিং; আৰু 3) ব্লক ৱাইজ হিষ্টোগ্ৰাম। প্ৰস্তাৱিত আৰ্কিটেকচাৰত, পিচিএ বহু-পৰ্যায়ৰ ফিল্টাৰ বেংক শিকিবলৈ ব্যৱহাৰ কৰা হয়। ইয়াৰ পিছত সহজ বাইনেৰী হেচিং আৰু সূচীবদ্ধকৰণ আৰু পুলিংৰ বাবে ব্লক হিষ্টোগ্ৰাম থাকে। এই আৰ্কিটেকচাৰটোক পিচিএ নেটৱৰ্ক (PCANet) বুলি কোৱা হয় আৰু ইয়াক অতি সহজে আৰু দক্ষতাৰে ডিজাইন আৰু শিকিব পাৰি। তুলনা আৰু ভালকৈ বুজিবলৈ আমি PCANet ৰ দুটা সৰল ৰূপৰ বিষয়েও আলোচনা কৰিম: 1) RandNet আৰু 2) LDANet। এওঁলোকৰ PCANet ৰ দৰে একেটা টোপ লজি আছে, কিন্তু তেওঁলোকৰ ক্যাসকেডযুক্ত ফিল্টাৰবোৰ হয় এলোমেলোভাৱে বাছনি কৰা হয় বা ৰেখীয় বৈষম্যমূলক বিশ্লেষণৰ পৰা শিকোৱা হয়। আমি এই মৌলিক নেটৱৰ্কসমূহক বিভিন্ন কামৰ বাবে বহুতো বেঞ্চমাৰ্ক ভিজুৱেল ডাটা ছেটত ব্যাপকভাৱে পৰীক্ষা কৰিছো, যাৰ ভিতৰত আছে মুখৰ পৰীক্ষণৰ বাবে লেবেলযুক্ত ফেচ ইন দ্য ৱাইল্ড (LFW); মুখৰ চিনাক্তকৰণৰ বাবে মাল্টিপিইই, এক্সটেণ্ডেড য়েল বি, এআৰ, ফেচিয়েল ৰিকগনিশ্যন টেকন ল জী (FERET) ডাটা ছেট; আৰু হাতেৰে লিখা অংক চিনাক্তকৰণৰ বাবে এমএনআইএছটি। আচৰিতভাৱে, সকলো কামৰ বাবে, এনে এক আপাতদৃষ্টিত সহজ-সৰল PCANet মডেলটো পূৰ্বৱৰ্তী, অতিশয় হস্তনিৰ্মিত, বা সাৱধানে শিকোৱা [গভীৰ নিউৰেল নেটৱৰ্ক (DNNs) ৰ দ্বাৰা] অত্যাধুনিক বৈশিষ্ট্যৰ সমতুল্য। ইয়াতকৈও অধিক আশ্চৰ্যকৰ কথা যে, মডেলটোৱে সম্প্ৰসাৰিত য়েল বি, এআৰ, আৰু ফেৰট ডাটা ছেট আৰু এমএনআইএছটি পৰিবৰ্তনসমূহৰ ওপৰত বহু শ্ৰেণীবিভাজনৰ কামৰ বাবে নতুন অভিলেখ স্থাপন কৰে। আন আন ৰাজহুৱা তথ্যৰ ওপৰত কৰা অতিৰিক্ত পৰীক্ষাসমূহেও প্ৰমাণ কৰে যে PCANet-এ সহজ কিন্তু অতি প্ৰতিযোগিতামূলক ভিত্তি হিচাপে বস্তুৰ শ্ৰেণীবিভাজন আৰু বস্তু চিনাক্তকৰণৰ বাবে সেৱা আগবঢ়াব পাৰে। |
d10ffc7a9f94c757f68a1aab8e7ed69ec974c831 | |
08639cd6b89ac8f375cdc1076b9485ac9d657083 | এই প্ৰবন্ধত আমি পৰীক্ষামূলকভাৱে মূল-স্মৃতি, সমান্তৰাল, মাল্টি-ক ৰ যোগদান এলগৰিথমৰ কাৰ্যক্ষমতা অধ্যয়ন কৰো, ছাৰ্ট-মাৰ্জ আৰু (ৰেডিক্স-) হেচ যোগদানত গুৰুত্ব দি। এই দুটা যোগাত্মক পদ্ধতিৰ আপেক্ষিক কাৰ্যক্ষমতা দীৰ্ঘদিন ধৰি আলোচনাৰ বিষয় হৈ আহিছে। আধুনিক মাল্টি-কোৰ আৰ্কিটেকচাৰসমূহৰ আবিৰ্ভাৱৰ সৈতে, এইটো যুক্তি দিয়া হৈছে যে ছাৰ্ট-মাৰ্জ জইন এতিয়া ৰেডিক্স-হেছ জইনতকৈ ভাল পছন্দ। এই দাবী SIMD নিৰ্দেশনাৰ প্ৰস্থৰ ওপৰত ভিত্তি কৰি ন্যায়সঙ্গত (চিমড যথেষ্ট বহল হ লে ছাৰ্ট-মাৰ্জ ৰেডিক্স-হেছ জইনক অতিক্ৰম কৰে) আৰু NUMA সচেতনতা (চিমড NUMA আৰ্কিটেকচাৰত হেছ জইনত শ্ৰেষ্ঠ) । আমি এই এলগৰিথমসমূহৰ মূল আৰু অপ্টিমাইজড সংস্কৰণসমূহৰ ওপৰত বিস্তৃত পৰীক্ষা-নিৰীক্ষা চলাই আছো। এই পৰীক্ষাসমূহৰ পৰা দেখা গৈছে যে, এই দাবীসমূহৰ বিপৰীতে, ৰেডিক্স-হেশ যোগদান এতিয়াও স্পষ্টভাৱে উন্নত, আৰু ছাৰ্ট-মাৰ্জ পদ্ধতিবোৰ ৰেডিক্সৰ কাৰ্যক্ষমতাৰ বাবে কেৱল যেতিয়া অতি বৃহৎ পৰিমাণৰ তথ্য জড়িত থাকে। এই কাগজত এই এলগৰিথমসমূহৰ দ্ৰুততম ৰূপায়ণও প্ৰদান কৰা হৈছে, আৰু আধুনিক হাৰ্ডৱেৰ স্থাপত্যৰ বহুতো দিশ সামৰি লোৱা হৈছে যিবোৰ কেৱল জইনসমূহৰ বাবে নহয়, বৰং যিকোনো সমান্তৰাল ডাটা প্ৰক্ৰিয়া অপাৰেটৰ বাবেও প্ৰাসংগিক। |
0a5033c0b2bb2421f8c46e196fb0fb1464a636b6 | আধুনিক চি পি ইউত নিৰ্দেশনা আছে যিয়ে কেইবাটাও তথ্য উপাদানৰ সমান্তৰালভাৱে মৌলিক কাৰ্য্য সম্পাদন কৰিবলৈ অনুমতি দিয়ে। এই নিৰ্দেশবোৰক SIMD নিৰ্দেশ বুলি কোৱা হয়, কিয়নো তেওঁলোকে একাধিক তথ্য উপাদানৰ বাবে এটা নিৰ্দেশ প্ৰয়োগ কৰে। মাল্টিমিডিয়া এপ্লিকেচনৰ কাৰ্যক্ষমতা ত্বৰান্বিত কৰাৰ বাবে চিমড প্ৰযুক্তি প্ৰথমে কমোডিটি প্ৰচেছৰসমূহত অন্তৰ্ভুক্ত কৰা হৈছিল। SIMD নিৰ্দেশনাবোৰে ডাটাবেছ ইঞ্জিনৰ ডিজাইন আৰু প্ৰয়োগৰ বাবে নতুন সুযোগ প্ৰদান কৰে। আমি বিভিন্ন ধৰণৰ কাৰ্য্যক্ৰমৰ বিষয়ে অধ্যয়ন কৰো আৰু দেখুৱাই দিওঁ যে SIMD নিৰ্দেশনা ব্যৱহাৰ কৰি কাৰ্য্যক্ৰমৰ আভ্যন্তৰীণ লুপ কেনেকৈ ত্বৰান্বিত কৰিব পাৰি। SIMD নিৰ্দেশনাৰ ব্যৱহাৰৰ দুটা তাৎক্ষণিক কাৰ্যক্ষমতা লাভালাভ আছেঃ ই সমান্তৰালতাৰ এক ডিগ্ৰী প্ৰদান কৰে, যাতে বহুতো অপাৰেণ্ড একেলগে প্ৰক্ৰিয়া কৰিব পাৰি। ই লগতে বহু সময়ত চৰ্তসাপেক্ষ শাখা নিৰ্দেশনাৰ বিলোপৰ দিশতো কাম কৰে, যাৰ ফলত শাখাৰ ভুল অনুমান হ্ৰাস পায়। আমি আটাইতকৈ গুৰুত্বপূৰ্ণ ডাটাবেছ কাৰ্য্যবোৰ বিবেচনা কৰো, য ত ক্ৰমান্বয়ে স্কেন, সংগ্ৰহ, সূচী কাৰ্য্য আৰু যোগদান অন্তৰ্ভুক্ত থাকে। আমি SIMD নিৰ্দেশনা ব্যৱহাৰ কৰি এইবোৰ প্ৰয়োগ কৰাৰ কৌশল প্ৰদৰ্শন কৰোঁ। আমি দেখুৱাম যে চিএমডি প্ৰযুক্তিৰ ভাল ব্যৱহাৰ কৰিব পৰাকৈ পৰম্পৰাগত প্ৰশ্ন প্ৰক্ৰিয়া এলগৰিথমৰ পুনৰ ডিজাইন কৰাত গুৰুত্বপূৰ্ণ লাভালাভ আছে। আমাৰ অধ্যয়নত দেখিবলৈ পোৱা গৈছে যে চাৰটা SIMD সমান্তৰাল ব্যৱহাৰ কৰি, নতুন এলগৰিথমৰ বাবে CPUৰ সময় 10%ৰ পৰা চাৰিগুণ কম পৰম্পৰাগত এলগৰিথমৰ তুলনাত। সুপাৰলাইনাৰ স্পীডআপসমূহ শাখা মিছপ্ৰেডিকেচন প্ৰভাৱৰ নিৰ্মূলৰ ফলস্বৰূপে প্ৰাপ্ত হয়। |
30b1293e39c52ddd0e2a617de47c1ad843621258 | অতি শেহতীয়াকৈ, এড-হক কুৱেৰীৰ অধিক ব্যৱহাৰ আৰু মাল্টি-কোৰ, ভেক্টৰ-সক্ষম হাৰ্ডৱেৰ অধিক উপলব্ধতাৰ বাবে টেবুল স্কেন অধিক আকৰ্ষণীয় হৈ পৰিছে। মূল্য প্ৰতিনিধিত্ব, টেবুল লেআউট আৰু প্ৰক্ৰিয়া প্ৰণালীৰ দ্বাৰা টেবুল স্কেন প্ৰদৰ্শন সীমিত। এই প্ৰবন্ধত আমি এক কাৰ্যকৰী এক-পৰ্যায়ৰ উপাধি মূল্যায়নৰ বাবে এটা নতুন লেআউট আৰু প্ৰক্ৰিয়া প্ৰণালীৰ প্ৰস্তাৱ দিছো। প্ৰতিটো স্তম্ভত এটা নিৰ্দিষ্ট সংখ্যক বিট থকা এটা শাৰীৰে আৰম্ভ কৰি আমি স্তম্ভবোৰ সংলগ্ন কৰি এটা বেংকৰ গোট গঠন কৰোঁ আৰু তাৰ পিছত প্ৰতিটো বেংকৰ সমৰ্থিত মেচিন শব্দ দৈৰ্ঘ্য, সাধাৰণতে 16, 32, বা 64 বিটলৈ পেকেট কৰোঁ। তাৰ পিছত আমি প্ৰতিটো বেংকৰ কলামত আংশিক উপাধিসমূহ মূল্যায়ন কৰো, এটা নতুন মূল্যায়ন কৌশলৰ ব্যৱহাৰ কৰি যি কলামৰ স্তৰৰ সমতা, পৰিসৰ পৰীক্ষা, IN-তালিকা উপাধি আৰু এই উপাধিসমূহৰ সংযোজনসমূহ মূল্যায়ন কৰে, একে সময়তে বেংকৰ ভিতৰত একাধিক কলামত আৰু মেচিন ৰেজিষ্টাৰৰ ভিতৰত একাধিক শাৰী। এই পদ্ধতিটোৱে বিশুদ্ধ কলাম ভঁৰালক অতিক্ৰম কৰে, যিয়ে এটা সময়ত এটা কলামৰ আংশিক উপাধিসমূহ মূল্যায়ন কৰিব লাগিব। আমি এই নতুন পদ্ধতিৰ কাৰ্যক্ষমতা আৰু প্ৰতিনিধিত্বৰ উৰ্ধ্বত আৰু কেইবাটাও প্ৰস্তাৱিত বিকল্পৰ মূল্যায়ন আৰু তুলনা কৰো। |
313e8120c31fda6877ea426d8a3be9bcf1b6e088 | এই প্ৰবন্ধত ভাৰ্টিকা এনালাইটিক ডাটাবেছৰ চিষ্টেম স্থাপত্যৰ বৰ্ণনা কৰা হৈছে, যিটো চি-ষ্টোৰ গৱেষণা প্ৰ টোটাইপৰ ডিজাইনৰ বাণিজ্যিকীকৰণ। ভাৰ্টিকাই এটা আধুনিক বাণিজ্যিক আৰডিবিএমএছ প্ৰদৰ্শন কৰে যিয়ে এটা ধ্ৰুপদী সম্পৰ্কীয় আন্তঃপৃষ্ঠ উপস্থাপন কৰে আৰু একে সময়তে উপযুক্ত স্থাপত্য নিৰ্বাচন কৰি আধুনিক ৱেব স্কেল বিশ্লেষণাত্মক প্ৰণালীৰ পৰা প্ৰত্যাশিত উচ্চ কাৰ্যক্ষমতা অৰ্জন কৰে। ভাৰ্টিকা হৈছে এক শিক্ষামূলক পাঠ য ত একাডেমিক প্ৰণালীসমূহৰ গৱেষণাক কেনেদৰে প্ৰত্যক্ষভাৱে বাণিজ্যিকীকৰণ কৰি সফল প্ৰডাক্ট হিচাপে বিকশিত কৰিব পাৰি। |
370e1fcea7074072fe5946d3e728affd582a9a44 | MonetDB হৈছে এটা অত্যাধুনিক মুক্ত উৎসৰ কলাম-ভঁৰাল ডাটাবেছ ব্যৱস্থাপনা ব্যৱস্থা, যিয়ে বৃহৎ পৰিমাণৰ তথ্য সংগ্ৰহ কৰা বিশ্লেষণৰ প্ৰয়োজন হোৱা এপ্লিকেচনসমূহক লক্ষ্য কৰি লয়। MonetDB বৰ্তমান স্বাস্থ্যসেৱা, দূৰসংযোগৰ লগতে বৈজ্ঞানিক ডাটাবেছ আৰু ডাটা মেনেজমেন্ট গৱেষণাত সক্ৰিয়ভাৱে ব্যৱহাৰ কৰা হয়, যাৰ গড় মাহেকীয়া ভিত্তিত ১০,০০০ তকৈও অধিক ডাউনলোড হয়। এই প্ৰবন্ধত বিগত দুটা দশকত বিকাশ লাভ কৰা MonetDB প্ৰযুক্তিৰ এক সংক্ষিপ্ত বিৱৰণ দিয়া হৈছে আৰু বৰ্তমানৰ MonetDB ডিজাইনক চালিত কৰা আৰু ইয়াৰ ভৱিষ্যতৰ বিকাশৰ আধাৰস্বৰূপ প্ৰধান গৱেষণাৰ আলোকপাত কৰা হৈছে। |
22b26297e0cc5df3efdba54a45714e4e27b59e17 | এটা ৰেফাৰেন্স পৰিমাণ আৰু ইয়াৰ অনুমানিত/নিয়ন্ত্ৰিত মানৰ মাজত এটা মিছ-ডাষ্টেন্স বা ত্ৰুটিৰ ধাৰণা, যিকোনো ফিল্টাৰিং/নিয়ন্ত্ৰণ সমস্যাত এক মৌলিক ভূমিকা পালন কৰে। তথাপিও বহু-বস্তু ফিল্টাৰিংৰ সু-প্ৰতিষ্ঠিত ক্ষেত্ৰত মিছ-দূৰত্বৰ কোনো সন্তোষজনক ধাৰণা নাই। এই প্ৰবন্ধত, আমি পাৰদৰ্শিতা মূল্যায়নৰ বাবে বহু-অবজেক্ট মিছ-দূৰত্বৰ পৰিপ্ৰেক্ষিতত বৰ্ত্তমান মেট্ৰিকৰ অসঙ্গতিৰ বিষয়ে আভাস দিছো। তাৰ পিছত আমি এটা নতুন গাণিতিক আৰু স্বজ্ঞাত ধাৰাবাহিক মেট্ৰিকৰ প্ৰস্তাৱ দিওঁ যি বৰ্তমানৰ মাল্টি-অবজেক্ট পাৰফৰমেন্স মূল্যায়ন মেট্ৰিকৰ অসুবিধাসমূহৰ সমাধান কৰে। |
9fbf7bb9f8bd898cfb2f2164c269518359ef5f18 | মিছ দূৰত্বৰ ধাৰণা- ইউক্লিডিয়ান, মহালানোবিছ, ইত্যাদি- একক-লক্ষ্যযুক্ত প্ৰণালীৰ অভিযান্ত্ৰিক তত্ত্ব আৰু অনুশীলনৰ এক মৌলিক, দূৰগামী আৰু অনুমোদিত উপাদান। এই প্ৰবন্ধত আমি মাল্টিটাৰ্গেট (আৰু সাধাৰণভাৱে মাল্টিঅবজেক্ট) চিষ্টেমৰ বাবে দূৰত্ব মেট্ৰিক্সৰ এক বিস্তৃত L/sub p/type তত্ত্বৰ বিষয়ে আলোচনা কৰিম। আমি দেখুৱাম যে এই তত্ত্বই বহলীকৰণ কৰে, আৰু এক কঠোৰ তাত্ত্বিক ভিত্তি প্ৰদান কৰে, ড্ৰামমণ্ডে প্ৰস্তাৱিত এক স্বজ্ঞাতভাৱে আপীলযোগ্য সৰ্বোত্তম-অভিজ্ঞতা পদ্ধতিৰ বাবে মাল্টিটাৰ্গেট ট্ৰেকিং এলগৰিথমৰ কাৰ্যক্ষমতা মূল্যায়ন কৰাৰ বাবে। আমি মানক সৰ্বোত্তম অগ্ৰাধিকাৰ বা কনভেক্স অপ্টিমাইজেশ্যন কৌশলসমূহৰ ওপৰত ভিত্তি কৰি এনে মেট্ৰিকৰ গণনাৰ বাবে ট্ৰেডাৰযোগ্য কম্পিউটেশ্যনেল পদ্ধতিৰ বৰ্ণনা কৰোঁ। আমি এই মেট্ৰিকসমূহৰ কাৰ্যক্ষমতা মূল্যায়ন আৰু ছেন্সৰ ব্যৱস্থাপনাৰ দৰে প্ৰয়োগৰ বাবে সম্ভাব্য দূৰগামী প্ৰভাৱসমূহৰ বৰ্ণনা দিছো। প্ৰথমটো ক্ষেত্ৰত, আমি বহু-লক্ষ্যযুক্ত ট্ৰেকিং এলগৰিদমৰ বাবে কাৰ্যকৰীতা (MoEs) ৰ মাপকাঠী হিচাপে বহু-লক্ষ্যযুক্ত মিছ-দূৰত্ব মেট্ৰিক্সৰ প্ৰয়োগ প্ৰদৰ্শন কৰোঁ। |
859af6e67aec769c58ec1ea6a971108a60df0b9d | অস্পষ্ট অনুমানৰে গঠনমূলক শিকন এটা মৌলিক সমস্যা। আমি এটা সাধাৰণ "ভুল-ফিক্সিং" ফ্ৰেমৱৰ্কৰ অধীনত সংহতি নিশ্চিত কৰা সংৰূপিত পাৰ্চপ্ট্ৰন এলগৰিথমৰ বিভিন্ন প্ৰকাৰৰ প্ৰস্তাৱ দিছো। এই ফ্ৰেমৱৰ্কটোৱে পূৰ্বৰ সংশোধনসমূহকে বিশেষ কেচ হিচাপে অন্তৰ্ভুক্ত কৰে, আৰু কিয় মানদণ্ডৰ পাৰ্চপ্ট্ৰন ভুল অনুসন্ধানত বিফল হ ব পাৰে তাৰো ব্যাখ্যা দিয়ে। আমি এই ফ্ৰেমৱৰ্কৰ ভিতৰত নতুন আপডেট পদ্ধতিও প্ৰস্তাৱ কৰিছো যিয়ে উন্নত মডেল শিকিব পাৰে অত্যাধুনিক অংশ-অফ-স্পীচ টেগিং আৰু ইনক্ৰমেণ্টেল পাৰ্সিং চিষ্টেমৰ প্ৰশিক্ষণৰ সময় নাটকীয়ভাৱে হ্ৰাস কৰে। |
b78c04c7f29ddaeaeb208d4eae684ffccd71e04f | পৰিক্ৰমিক গণনাৰ ভন নিউমান মডেলৰ সফলতাটো এই সত্যৰ বাবে হৈছে যে ই ছফ্টৱেৰ আৰু হাৰ্ডৱেৰ মাজত এক কাৰ্যকৰী দলংঃ উচ্চ পৰ্যায়ৰ ভাষাসমূহ এই মডেলত দক্ষতাৰে সংকলিত কৰিব পাৰি; তথাপি ইয়াক হাৰ্ডৱেৰত কাৰ্যকৰীভাৱে ৰূপায়ণ কৰিব পাৰি। লেখকজনে যুক্তি দিছে যে ছফ্টৱেৰ আৰু হাৰ্ডৱেৰ মাজত এটা সমান্তৰাল সেতু প্ৰয়োজন সমান্তৰাল গণনাৰ বাবে যদিহে ই বহুলভাৱে ব্যৱহাৰ হ ব। এই প্ৰবন্ধত এই ভূমিকাৰ বাবে প্ৰাৰ্থী হিচাপে বাল্ক-সংশ্লেষিত সমান্তৰাল (বিএছপি) মডেলৰ পৰিচয় দিয়া হৈছে, আৰু উচ্চ-স্তৰৰ ভাষা বৈশিষ্ট্য আৰু এলগৰিথম প্ৰয়োগ কৰাৰ লগতে হাৰ্ডৱেৰত প্ৰয়োগ কৰাৰ ক্ষেত্ৰত ইয়াৰ কাৰ্য্যকৰীতা পৰিমাণ নিৰ্ণয় কৰা ফলাফল প্ৰদান কৰা হৈছে। |
1d5a7c0bd3b6c445127c6861cea6c69f2291d9d8 | এই প্ৰবন্ধত আমি ম লৱেৰক ম বাইল ফোন নেটৱৰ্কত যোগাযোগ সেৱাৰ জৰিয়তে বিয়পোৱাৰ প্ৰভাৱৰ মূল্যায়ন কৰিছো। স্ব-প্ৰসাৰিত ম লৱেৰ ইন্টাৰনেটত ভালদৰে বুজি পোৱা হৈছে যদিও, ম বাইল ফোন নেটৱৰ্কৰ টোপ লজি, সেৱা, যোগান আৰু ক্ষমতা, ডিভাইচ আৰু যোগাযোগৰ ধৰণ অনুসৰি অতি ভিন্ন বৈশিষ্ট্য আছে। এই নতুন পৰিৱেশত ম লৱেৰ অনুসন্ধান কৰিবলৈ আমি এটা ইভেণ্ট ড্ৰাইভাৰ ছিমুলেটৰ প্ৰস্তুত কৰিছো যিয়ে ম বাইল ফোন নেটৱৰ্কৰ বৈশিষ্ট্য আৰু সীমাবদ্ধতাসমূহ ধৰা পেলায়। বিশেষকৈ, চিমুলেটৰ মডেলসমূহে বাস্তৱিক টোপ লজি আৰু নেটৱৰ্ক আন্তঃগাঁথনিৰ ক্ষমতা প্ৰদান কৰে, লগতে ম বাইল ফোনৰ ঠিকনা পুথিভঁৰালৰ দ্বাৰা নিৰ্ধাৰিত যোগাযোগৰ গ্ৰাফ। আমি ম বাইল ফোন নেটৱৰ্কত হোৱা এলোমেলো যোগাযোগৰ কৃমিৰ গতি আৰু তীব্ৰতাৰ মূল্যায়ন কৰো, এনে কৃমিৰ দ্বাৰা নেটৱৰ্কত হোৱা সেৱা অস্বীকাৰৰ প্ৰভাৱৰ বৈশিষ্ট্য নিৰ্ণয় কৰো, ম লৱেৰ প্ৰসাৰণ ত্বৰান্বিত কৰাৰ উপায়ৰ অনুসন্ধান কৰো আৰু এনে আক্ৰমণৰ পৰা নেটৱৰ্ক ৰক্ষা কৰাৰ প্ৰভাৱৰ বিষয়ে আলোচনা কৰো। |
013dfaac7508a46d6781cb58e7be0ddad2920a23 | এই প্ৰবন্ধত ISO 26262 হাৰ্ডৱেৰ প্ৰয়োজনীয়তাৰ সৈতে অটোমোটিভ সুৰক্ষা মাইক্ৰ প্ৰচেছৰৰ মূল্যায়নৰ বাবে এটা পদক্ষেপ-দফাই-দফাই নিৰ্দেশনা প্ৰদান কৰা হৈছে। আইএছঅ ২৬২৬২ অংশ ৫ - হাৰ্ডৱেৰ পৰ্যায়ত উৎপাদনৰ বিকাশ - অটোমোবাইল হাৰ্ডৱেৰ বিকাশৰ পৰ্যায়ত সুৰক্ষা কাৰ্য্যকলাপ নিৰ্ধাৰণ কৰে। এই পৰ্যায়ত, হাৰ্ডৱেৰ সুৰক্ষা ডিজাইন (আইএছঅ ২৬২৬২ অংশ ৩ আৰু ৪ৰ ফলাফলৰ পৰা) আহৰণ কৰা হয়, প্ৰয়োগ কৰা হয়, একত্ৰিত কৰা হয় আৰু পৰীক্ষা কৰা হয়। আইএছঅ ২৬২৬২ হাৰ্ডৱেৰ বিকাশ প্ৰক্ৰিয়াৰ সৈতে সামঞ্জস্য প্ৰমাণ কৰিবলৈ, হাৰ্ডৱেৰটোৰ ওপৰত পৰিমাণগত মূল্যায়ন অপৰিহাৰ্য। এই পৰিমাণগত মূল্যায়নক হাৰ্ডৱেৰ স্থাপত্য মেট্ৰিক আৰু সম্ভাব্য হাৰ্ডৱেৰ মেট্ৰিক বুলি জনা যায়। এই মূল্যায়নৰ ফলাফলৰ দ্বাৰা এটা ডিজাইনক এছিলেটৰ সুৰক্ষা অখণ্ডতাৰ স্তৰ (ASIL) ৰ সৈতে যোগ্যতা প্ৰদান কৰা হয়, যি এছিলেটৰ এ (সৰ্বনিম্ন) ৰ পৰা এছিলেটৰ ডি (সৰ্বোচ্চ) লৈ থাকে। এই প্ৰবন্ধত আমি ISO 26262 হাৰ্ডৱেৰ মূল্যায়ন প্ৰক্ৰিয়া প্ৰদৰ্শন কৰিবলৈ এটা উদাহৰণ স্বৰূপ সুৰক্ষা মাইক্ৰ প্ৰচেছৰ প্ৰয়োগ কৰিছো। হাৰ্ডৱেৰ স্থাপত্য মেট্ৰিক আৰু সম্ভাব্য হাৰ্ডৱেৰ মেট্ৰিকৰ পৰা এএছআইএল স্তৰৰ প্ৰাপ্তিৰ প্ৰক্ৰিয়া সম্পূৰ্ণভাৱে আলোচনা কৰা হৈছে। মূল্যায়নৰ ফলাফলৰ ভিত্তিত আমি আইএছঅ ২৬২৬২ সুৰক্ষা হাৰ্ডৱেৰ ডিজাইনৰ বাবে ডিজাইন পৰামৰ্শও প্ৰদান কৰো। |
78cec49ca0acd3b961021bc27d5cf78cbbbafc7e | সংক্ষেপণ সংবেদন সাহিত্যৰ ভিতৰত মুখ চিনাক্তকৰণৰ এক মান পদ্ধতি হৈ পৰিছে। অৱশ্যে আমি দেখুৱাইছো যে এই কামৰ বহুতেই আধাৰস্বৰূপ হোৱা ক্ষুদ্ৰতাৰ ধাৰণাটো তথ্যৰ দ্বাৰা সমৰ্থিত নহয়। তথ্যৰ এই অভাৱৰ অৰ্থ হৈছে যে সংকোচন সংবেদনৰ পদ্ধতিৰ দ্বাৰা সঠিক সংকেত প্ৰাপ্ত কৰাৰ নিশ্চয়তা প্ৰদান কৰিব নোৱাৰি আৰু সেয়েহে অভাৱী অনুমানসমূহে আকাংক্ষিত দৃঢ়তা বা কাৰ্যক্ষমতা প্ৰদান কৰিব নোৱাৰে। এই ধৰণে আমি দেখুৱাম যে মুখ চিনাক্তকৰণ সমস্যাৰ বাবে এটা সাধাৰণ £2 পদ্ধতি অত্যাধুনিক পদ্ধতিতকৈ যথেষ্ট বেছি সঠিক, ই অধিক শক্তিশালী আৰু দ্ৰুত। এই ফলাফলবোৰ জনসাধাৰণৰ বাবে উপলব্ধ YaleB আৰু AR মুখৰ ডাটা ছেটত প্ৰদৰ্শন কৰা হৈছে কিন্তু কম্প্ৰেছিভ ছেন্সিঙৰ প্ৰয়োগৰ বাবে ব্যাপক প্ৰভাৱ আছে। |
c530fbb3950ccdc88db60eff6627feb9200f6bda | |
be515b4070f746cc39e49e9e80ef0e419cadb1f0 | সাম্প্ৰতিক বছৰসমূহত মানৱ কাৰ্যকলাপৰ স্বীকৃতিৰ বিষয়ে বহুতো গৱেষকৰ বাবে এক আগ্ৰহৰ বিষয় আছে। এই প্ৰবন্ধত আমি গভীৰ শিক্ষণ (ডি এল) এলগৰিথমৰ দ্বাৰা মানৱ কাৰ্যকলাপ চিনাক্ত কৰাৰ বাবে গৱেষণাৰ প্ৰস্তাৱ আগবঢ়াইছো। আমি মানৱ কাৰ্যকলাপৰ স্বীকৃতিৰ ফলাফলৰ মূল্যায়ন কৰিবলৈ কাৰ্যকলাপ সম্পাদন কৰা অংশগ্ৰহণকাৰীৰ পৰা তথ্য সংগ্ৰহ কৰিছিলো। গভীৰ নেটৱৰ্কটো পূৰ্ব প্ৰশিক্ষণৰ পিছত, সূক্ষ্ম-টুনিং প্ৰক্ৰিয়া আৰম্ভ হয়। Hidden Markov Model (HMM) আৰু naïve Bayes Classifier (NBC) ৰ সৈতে তুলনা কৰি, পৰীক্ষাৰ ফলাফলত দেখা গৈছে যে প্ৰস্তাৱিত গভীৰ শিকন অ্যালগৰিদম স্মাৰ্ট হোমত মানৱ কাৰ্যকলাপ চিনাক্ত কৰাৰ বাবে এক কাৰ্যকৰী উপায়। |
c79a608694c3d9a75ef06ed6baa80c6d1ce71bd4 | প্ৰাকৃতিক ভাষাৰ প্ৰক্ৰিয়াকৰণৰ সাম্প্ৰতিক অগ্ৰগতিয়ে পুথিভঁৰালসমূহ সৃষ্টি কৰিছে যিবোৰে কেঁচা পাঠৰ সংগ্ৰহসমূহৰ পৰা নিম্ন স্তৰৰ বৈশিষ্ট্যসমূহ আহৰণ কৰে। এই বৈশিষ্ট্যসমূহক টোকা বুলি কোৱা হয়, আৰু ইয়াক সাধাৰণতে বৃক্ষ-ভিত্তিক তথ্য গাঁথনিৰ আভ্যন্তৰীণভাৱে সংৰক্ষণ কৰা হয়। এই প্ৰবন্ধত এটা ডাটা মডেলৰ প্ৰস্তাৱ দিয়া হৈছে যাতে এন টেচনসমূহক অনুসন্ধানমূলক ডাটা বিশ্লেষণ আৰু ভৱিষ্যদ্বাণীমূলক মডেলিংৰ বাবে অপ্টিমাইজ কৰা সাধাৰণীকৃত সম্পৰ্কীয় ডাটা টেবুলৰ সংগ্ৰহ হিচাপে প্ৰতিনিধিত্ব কৰিব পাৰি। R পেকেজ cleanNLP, যিয়ে দুটা অত্যাধুনিক NLP লাইব্ৰেৰী (CoreNLP বা spaCy) ৰ এটাকে আহ্বান কৰে, এই ডাটা মডেলৰ এটা ৰূপায়ণ হিচাপে উপস্থাপন কৰা হৈছে। ই এটা ইনপুট হিচাপে কেঁচা পাঠ গ্ৰহণ কৰে আৰু সাধাৰণীকৃত টেবুলৰ এখন তালিকা ঘূৰাই আনে। প্ৰদান কৰা বিশেষ টোকাসমূহৰ ভিতৰত আছে ট কেনাইজেশ্যন, বক্তৃতা টেগিংৰ অংশ, নাম থকা সত্তা চিনাক্তকৰণ, অনুভূতি বিশ্লেষণ, নিৰ্ভৰশীলতা বিশ্লেষণ, ক ৰ ৰেফাৰেন্স ৰিজ লিউচন আৰু শব্দ এম্বেডিং। এই পেকেজে বৰ্তমান ইংৰাজী, জাৰ্মান, ফৰাচী আৰু স্পেনিছ ভাষাত ইনপুট টেক্সট সমৰ্থন কৰে। |
5854f613c1617e8f27f3406f9319b88e200783ca | |
178c3df6059d9fc20f8b643254289642c47b5d9d | সমাজৰ প্ৰতি সামাজিক দায়বদ্ধতাৰ বাবেই এই প্ৰস্তাৱিত মডেলটো প্ৰস্তুত কৰা হৈছে। দুৰ্ঘটনাৰ সময়ত তৎকালীন প্ৰাথমিক চিকিৎসা আৰু জৰুৰীকালীন চিকিৎসা সেৱাৰ অভাৱেই দুৰ্ঘটনাৰ অধিকাংশ ঘটনাৰ মৃত্যুৰ প্ৰধান কাৰণ। ইয়াৰ এটা প্ৰধান কাৰণ হ ব পাৰে এম্বুলেন্সৰ পলমকৈ আগমন, দুৰ্ঘটনাস্থলীত এম্বুলেন্সক তথ্য দিবলৈ কোনো লোক নাই। সমাজৰ প্ৰতি দায়বদ্ধতাৰ এই চিন্তাৰ ফলস্বৰূপে আমি জিএছএম আৰু জিপিআৰএছ ব্যৱহাৰ কৰি মাইক্ৰ কন্ট্ৰ লাৰ ভিত্তিক স্মাৰ্ট হেলমেট প্ৰস্তুত কৰিবলৈ প্ৰস্তাৱ দিছো। এই প্ৰস্তাৱিত মডেল ডিজাইনৰ উদ্দেশ্য হৈছে দুৰ্ঘটনাৰ বিষয়ে দায়িত্বশীল লোকসকলক শীঘ্ৰে অৱগত কৰা যাতে তেওঁলোকে আহত ব্যক্তিৰ জীৱন ৰক্ষা কৰিবলৈ প্ৰয়োজনীয় পদক্ষেপ গ্ৰহণ কৰিব পাৰে। আমাৰ প্ৰস্তাৱিত ব্যৱস্থাত মাইক্ৰ কন্ট্ৰ লাৰৰ ৰূপত আৰ্ডুইনো, কলিংৰ বাবে জিএছএম, ট্ৰেকিংৰ বাবে জিপিআৰএছ আৰু দুৰ্ঘটনা চিনাক্তকৰণৰ বাবে ছেন্সৰ আছে। আমাৰ প্ৰস্তাৱিত ব্যৱস্থাই দুৰ্ঘটনাটো ধৰা পেলায় আৰু পঞ্জীয়ন কৰা নম্বৰত এক মিনিটৰ ভিতৰত এটা ভইচ মেছেজৰ সৈতে এটা টেক্সট মেছেজ প্ৰেৰণ কৰে। |
2878bd8a17c2ba7c4df445cd88dd7fc2cb44e15d | গাউছীয় প্ৰক্ৰিয়া (জিপি) হৈছে সম্ভাৱনীয়তা মডেলিংৰ বাবে শক্তিশালী সঁজুলি। এওঁলোকক পৰ্যায়গত বেইচিয়ান মডেলত অন্তৰ্নিহিত কাৰ্য্যসমূহৰ ওপৰত পূৰ্বৰ বিতৰণসমূহ সংজ্ঞায়িত কৰিবলৈ ব্যৱহাৰ কৰিব পাৰি। পূৰ্বৰ কাৰ্য্যবোৰ মধ্যম আৰু সহ-বৈকল্পিক কাৰ্য্য দ্বাৰা নিৰ্ধাৰিত হয়, যিয়ে কাৰ্য্যৰ মসৃণতা আৰু পৰিবৰ্তনশীলতা নিৰ্ধাৰণ কৰে। ইয়াৰ পিছত, পিছৰ প্ৰক্ৰিয়াটো মূল্যায়ন বা সমীপৱৰ্তী কৰি ফাংশন স্পেচত প্ৰত্যক্ষভাৱে অনুমান কৰা যায়। এই পদ্ধতিসমূহৰ আকৰ্ষণীয় তাত্ত্বিক বৈশিষ্ট্য থকাৰ পাছতো, জিপিসকলে ইয়াৰ প্ৰয়োগত ব্যৱহাৰিক প্ৰত্যাহ্বানসমূহ আগবঢ়ায়। GPstuff হৈছে লিনাক্স আৰু উইণ্ড জ MATLAB আৰু Octave-ৰ সৈতে সামঞ্জস্য থকা GP মডেলৰ বাবে গণনামূলক সঁজুলিৰ এক বহুমুখী সংগ্ৰহ। ইয়াৰ ভিতৰত আছে বিভিন্ন অনুমান পদ্ধতি, বিৰল আনুমানিক আৰু মডেল মূল্যায়নৰ বাবে সঁজুলি। এই কামত আমি এই সঁজুলিসমূহৰ পুনৰীক্ষণ কৰিম আৰু বিভিন্ন মডেলত GPstuffৰ ব্যৱহাৰ প্ৰদৰ্শন কৰিম। |
accbf0cd5f19a9ec5bbdd97f11db8c3bfdbb4913 | এই প্ৰবন্ধত, এটা যোগাযোগবিহীন সমীপৱৰ্তী গুৰুত্বপূৰ্ণ সংকেত সংবেদক, ভোল্টেজ নিয়ন্ত্ৰিত অ চিলটৰ (ভিচিও) অন্তৰ্নির্মিত সমতল প্ৰকাৰৰ বৃত্তাকাৰ ৰিজ নেটৰ সৈতে সংযুক্ত এটা পৰ্যায় লকড লুপ (পিএলএল) ব্যৱহাৰ কৰি, কঠোৰ পৰিৱেশত সংবেদনশীলতা বঢ়োৱাৰ বাবে প্ৰস্তাৱ কৰা হৈছে। তৰপীয়া প্ৰকাৰৰ বৃত্তাকাৰ ৰিজ নেটৰটো ভিচিঅ ৰ এটা ধাৰাবাহিক ফিডবেক উপাদান হিচাপে আৰু লগতে এটা নিকট-ক্ষেত্ৰ গ্ৰহণ এণ্টেনাৰ দৰে কাম কৰে। শৰীৰৰ সান্নিধ্যৰ প্ৰভাৱৰ সৈতে সম্পৰ্কিত VCO ৰ ফ্ৰেক্সিং বিচ্যুতি ০.০৭ MHz/mm ৰ পৰা ১.৮ MHz/mm (৬.৮ mV/mm ৰ পৰা ২০৫ mV/mm সংবেদনশীলতাত) ৫০ মিমি দূৰত্বলৈকে, আনহাতে VCO ড্রিফ্টৰ পৰিমাণ প্ৰায় ২১ MHz হয় ৬০ °C তাপমাত্ৰাৰ পৰিসৰৰ আৰু ±৫% বিচ্ছিন্ন উপাদান সহনশীলতাৰ অৱস্থাত। মুঠ ফ্ৰেক্বেঞ্চৰ পৰিবৰ্তন পিএলএলৰ কেপচাৰ ৰেঞ্জত হয় যিটো ৬০ মেগাহাৰ্টজ। এইদৰেই, ইয়াৰ লুপ নিয়ন্ত্ৰণ ভল্টেজটোৱে ফ্ৰেক্সিং বিচ্যুতিৰ পৰিমাণক একক সোঁতৰ (DC) ভল্টেজৰ পাৰ্থক্যলৈ ৰূপান্তৰ কৰে, যাক পৰিৱেশৰ তাপমাত্ৰাৰ প্ৰতি লক্ষ্য ৰাখি গুৰুত্বপূৰ্ণ সংকেত আহৰণ কৰিবলৈ ব্যৱহাৰ কৰা হয়। পৰীক্ষামূলক ফলাফলৰ পৰা দেখা গৈছে যে এজন ব্যক্তিৰ পৰা ৫০ মিঃমিঃ দূৰত্বত স্থাপন কৰা প্ৰস্তাৱিত ছেন্সৰটোৱে ২.৪ গিগাহেট্ছ কাৰ্যকৰী ফ্ৰিক্বেন্সত শ্বাস-প্ৰশ্বাস সংকেতৰ ফলত হোৱা হাৰম নিক সংকেতৰ অস্পষ্টতা নোহোৱাকৈ শ্বাস-প্ৰশ্বাস আৰু হৃদস্পন্দন সংকেতসমূহ নিৰ্ভৰযোগ্যভাৱে চিনাক্ত কৰিব পাৰে। |
519da94369c1d87e09c592f239b55cc9486b5b7c | বিগত কেইটামান বছৰত, ভাষাৰ ভিত্তিত ভিডিঅ পুনৰুদ্ধাৰে বহুত মনোযোগ আকৰ্ষণ কৰিছে। অৱশ্যে, এটা বিৱৰণ অনুসন্ধান দিয়া ভিডিঅ ৰ ভিতৰত নিৰ্দিষ্ট ভিডিঅ মুহূৰ্তবোৰ স্থানীয়কৰণ কৰাটো স্বাভাৱিক সম্প্ৰসাৰণ হিচাপে বিৰলভাৱে অন্বেষণ কৰা হয়। যদিও এই দুয়োটা কাম একে ধৰণৰ দেখায়, দ্বিতীয়টো দুটা প্ৰধান কাৰণত অধিক প্ৰত্যাহ্বানজনকঃ 1) প্ৰথমটো কামত কেৱল অনুসন্ধান এটা ভিডিঅ ত হয় নে নহয় বিচাৰ কৰিব লাগে আৰু এটা সম্পূৰ্ণ ভিডিঅ ঘূৰাই আনে, কিন্তু দ্বিতীয়টো কামত এটা ভিডিঅ ৰ ভিতৰত কোনটো মুহূৰ্ত অনুসন্ধানৰ সৈতে মিল আছে বিচাৰ কৰাৰ আশা কৰা হয় আৰু সঠিকভাৱে মুহূৰ্তৰ আৰম্ভণি আৰু শেষ পইন্ট ঘূৰাই আনে। যিহেতু এটা ভিডিঅ ৰ বিভিন্ন মুহূৰ্তৰ ভিন্ন সময়সীমা আৰু বিভিন্ন স্থান-কালীন বৈশিষ্ট্য থাকে, সেয়ে অন্তৰ্নিহিত মুহূৰ্তবোৰ উন্মোচন কৰাটো অত্যন্ত প্ৰত্যাহ্বানজনক। 2) প্ৰাসংগিকতা অনুমানৰ মূল উপাদানটোৰ বাবে, প্ৰাক্তনটো সাধাৰণতে প্ৰাসংগিকতাৰ স্ক ৰ গণনা কৰিবলৈ এটা ভিডিঅ আৰু প্ৰশ্নটো এটা সাধাৰণ স্থানত সংলগ্ন কৰে। অৱশ্যে, পৰৱৰ্তী সময়ত কামটো মুহূৰ্তৰ স্থানীয়কৰণক লৈ কৰা হয় য ত কেৱল নিৰ্দিষ্ট মুহূৰ্তৰ বৈশিষ্ট্যৰ বিষয় নহয়, কিন্তু মুহূৰ্তৰ প্ৰসংগ তথ্যয়ো বহুতো অৱদান ৰাখে। উদাহৰণস্বৰূপে, অনুসন্ধানত "প্ৰথম"ৰ দৰে সময়ৰ সীমাবদ্ধতা থকা শব্দ থাকিব পাৰে, সেয়েহে সেইবোৰ সঠিকভাৱে বুজিবলৈ সময়ৰ প্ৰসংগৰ প্ৰয়োজন। এই সমস্যাসমূহ সমাধানৰ বাবে আমি এটা মনোযোগযুক্ত ক্ৰছ-মডেল ৰিট্ৰিভেল নেটৱৰ্ক গঢ়ি তুলিছো। বিশেষকৈ, আমি এটা মেমৰি এটেন্সন মেকানিজম ডিজাইন কৰো যাতে কোৱাৰীত উল্লেখ কৰা ভিজুৱেল ফিচাৰবোৰত গুৰুত্ব দিয়া হয় আৰু একে সময়তে ইয়াৰ প্ৰসংগ অন্তৰ্ভুক্ত কৰা হয়। ইয়াৰ আলমত আমি বৰ্ধিত মুহূৰ্তৰ প্ৰতিনিধিত্ব লাভ কৰো। আনহাতে, ক্ৰছ-ম ডেল ফিউজন ছাব-নেটৱৰ্ক এটাৰ দ্বাৰা ইণ্টাৰ-ম ডেল আৰু ইণ্টাৰ-ম ডেল উভয় গতিবিধি শিকি ল ব পৰা যায়, যিয়ে মুহূৰ্ত-অনুসন্ধানৰ প্ৰতিনিধিত্বৰ শিকি উন্নত কৰিব পাৰে। আমি দুটা ডাটা ছেটত আমাৰ পদ্ধতিৰ মূল্যায়ন কৰোঃ DiDeMo আৰু TACoS। প্ৰচুৰ পৰীক্ষাই আমাৰ মডেলৰ কাৰ্য্যকৰীতা প্ৰমাণ কৰে যিটো অত্যাধুনিক পদ্ধতিৰ তুলনাত। |
9eab375b7add5f02a0ae1293d0aa7880ea70233a | |
977f48fe151c06176049b832f2574d8c41309c3a | অনলাইন পাঠ্যসমূহৰ পৰিমাণ বৃদ্ধিৰ লগে লগে, পাঠ্যসমূহৰ বিশ্লেষণ আৰু ব্যৱস্থাপনাৰ সহায়ক পাঠ্য শ্ৰেণীবিভাজনৰ চাহিদা বৃদ্ধি পাইছে। পাঠ সস্তা কিন্তু তথ্য, পাঠটো কোন শ্ৰেণীৰ, সেইটো জানিবলৈ ব্যয়বহুল। পাঠৰ স্বয়ংক্ৰিয় শ্ৰেণীবিভাগে এই তথ্য কম খৰচত প্ৰদান কৰিব পাৰে, কিন্তু শ্ৰেণীবিভাগকাৰীবোৰ নিজেই ব্যয়বহুল মানৱ প্ৰচেষ্টাৰে নিৰ্মাণ কৰিব লাগিব, বা পাঠৰ পৰা প্ৰশিক্ষণ দিয়া উচিত যি নিজে নিজে হাতেৰে শ্ৰেণীবদ্ধ কৰা হৈছে। এই প্ৰবন্ধত আমি তথ্য খননৰ সংযুক্তি নিয়মৰ ধাৰণা ব্যৱহাৰ কৰি পাঠ্য শ্ৰেণীবদ্ধ কৰাৰ এটা প্ৰক্ৰিয়াৰ বিষয়ে আলোচনা কৰিম। প্ৰাক-গোপন পাঠ নথিৰ পৰা বৈশিষ্ট্য ছেট আহৰণ কৰিবলৈ সংযুক্তি নিয়ম খনন কৌশল ব্যৱহাৰ কৰা হৈছে। ইয়াৰ পিছত, চূড়ান্ত শ্ৰেণীবিভাজনৰ বাবে আহৰণ কৰা বৈশিষ্টসমূহৰ ওপৰত নেভিউ বেজ শ্ৰেণীবিভাজক ব্যৱহাৰ কৰা হয়। |
2e6d28d44016a6cfab7f949f74fc129e27960575 | এই প্ৰবন্ধত, লেখকসকলে লাভ উন্নত কৰিবলৈ, এইচ-প্লেনৰ বিমডৱাইথ সংকীৰ্ণ কৰিবলৈ আৰু প্ৰবাহৰ সৈতে ফেজ চেণ্টাৰ পৰিৱৰ্তনসমূহক হ্ৰাস কৰিবলৈ এটা কৌশল প্ৰস্তাৱ কৰিছে। এটা নমুনা এণ্টেনা নিৰ্মাণ আৰু জোখা হৈছিল আৰু প্ৰাৰম্ভিক জোখা ফলাফলবোৰ অতি আশাব্যঞ্জক আৰু অনুকৰণ ফলাফলৰ সৈতে ভালদৰে একমত। |
7740bc0f8afdcf2199b797c904b07cddb401682a | ওমৰ আইনৰ সৰলীকৰণ অনুমানসমূহৰ ওপৰলৈ গৈ, গড় মুক্ত পথৰ ভিতৰত বৈদ্যুতিক ক্ষেত্ৰৰ পৰিবৰ্তনৰ প্ৰভাৱ আৰু অ-স্থানীয় বৈদ্যুতিক ক্ষেত্ৰৰ ওপৰত বৰ্তমানৰ নিৰ্ভৰশীলতা গ্ৰাফেন ৰিবেন্সৰ (জিআৰ) উচ্চ-প্ৰাৱণতা আচৰণ সঠিকভাৱে ধৰা পেলাবলৈ বিবেচনা কৰা হয়। একে সময়তে, এটা সৰলীকৃত পদ্ধতি যি কম সঘনাই গ্ৰহণ কৰা হ ব পাৰে সেয়াও ব্যাখ্যা কৰা হৈছে। মৌলিক বল্টজমান সমীকৰণটোৰ পৰা আৰম্ভ কৰি আৰু ইয়াৰ ষড়ভুজীয়া ব্ৰিলুইন অঞ্চলত গ্ৰাফেনৰ অনন্য বিচ্ছিন্নতা সম্পৰ্কক সংযুক্ত কৰি, জিআৰ গাঁথনিৰ সমগ্ৰ সোঁতৰ ঘনত্ব প্ৰাপ্ত কৰা হয়। প্ৰথমতে, GR ৰ এটা অৰ্ধ-অসীম প্লেট ফুৰিয়েৰ ইণ্টিগ্ৰেলৰ তত্ত্ব ব্যৱহাৰ কৰি বিশ্লেষণ কৰা হয়, যাৰ পিছত গ্ৰীনৰ কাৰ্য পদ্ধতি ব্যৱহাৰ কৰি আহৰণ কৰা সোঁতৰ ঘনত্বৰ স্ব-সংগত সংখ্যাসূচক গণনাৰ ওপৰত ভিত্তি কৰি ব্যৱহাৰিক সীমিত গাঁথনিৰ বাবে এক কঠোৰ পদ্ধতিৰ বিকাশ হয়। এই প্ৰবন্ধত চিপ আন্তঃসংযোগ আৰু ইনডাক্টৰ প্ৰয়োগৰ বাবে প্ৰয়োজনীয় গ্ৰাফেন-ভিত্তিক গাঁথনিৰ উচ্চ-প্ৰাৱণতা প্ৰতিৰোধৰ সঠিক মূল্যায়নৰ বাবে প্ৰথমটো বিশদ পদ্ধতিৰ বিষয়ে আলোচনা কৰা হৈছে। |
21a1654b856cf0c64e60e58258669b374cb05539 | আমি YOLO উপস্থাপন কৰিছো, বস্তু চিনাক্তকৰণৰ এক নতুন পদ্ধতি। বস্তু চিনাক্তকৰণৰ পূৰ্বৰ কামে চিনাক্তকৰণ কৰিবলৈ শ্ৰেণীবিভাগক পুনৰ ব্যৱহাৰ কৰে। ইয়াৰ পৰিৱৰ্তে, আমি বস্তু চিনাক্তকৰণক এটা প্ৰতিলিপি সমস্যা হিচাপে স্থানিকভাৱে পৃথক সীমান্ত বক্স আৰু সংযুক্ত শ্ৰেণী সম্ভাৱনীয়তালৈ ফ্ৰেম কৰো। এটা একক স্নায়ু নেটৱৰ্কে এক মূল্যায়নত সম্পূৰ্ণ ছবিৰ পৰা পোনপটীয়াকৈ সীমাবদ্ধ বাকচ আৰু শ্ৰেণীৰ সম্ভাৱনা অনুমান কৰে। যিহেতু সমগ্ৰ চিনাক্তকৰণ পাইপলাইন এটা নেটৱৰ্ক, ইয়াক চিনাক্তকৰণৰ কাৰ্যক্ষমতাৰ ওপৰত প্ৰত্যক্ষভাৱে এণ্ড-টু-এণ্ড অপ্টিমাইজ কৰিব পাৰি। আমাৰ একীকৃত স্থাপত্য অতি দ্ৰুত। আমাৰ বেছ YOLO মডেলটোৱে প্ৰতিচ্ছবিসমূহক ৪৫ ফ্ৰেম প্ৰতি ছেকেণ্ডত ৰিয়েল টাইমত প্ৰক্ৰিয়া কৰে। নেটৱৰ্কৰ এটা সৰু সংস্কৰণ, ফাষ্ট য় ল (Fast YOLO) এ প্ৰতি ছেকেণ্ডত ১৫৫ ফ্ৰেম প্ৰক্ৰিয়া কৰে যদিও আন ৰিয়েল টাইম ডিটেক্টৰৰ তুলনাত দুগুণ এম এ পি প্ৰক্ৰিয়া কৰে। অত্যাধুনিক চিনাক্তকৰণ প্ৰণালীৰ তুলনাত, YOLO এ অধিক স্থানীয়কৰণ ত্ৰুটি কৰে কিন্তু পটভূমিত ভুল ধনাত্মক ভৱিষ্যদ্বাণী কৰাৰ সম্ভাৱনা কম। অৱশেষত, YOLO য়ে বস্তুবোৰৰ সাধাৰণ প্ৰতিনিধিত্ব শিকিব পাৰে। ই ডিপিএম আৰু আৰ-চিএনএনকে ধৰি আন আৱিষ্কাৰ পদ্ধতিতকৈ অধিক ভাল, যেতিয়া প্ৰাকৃতিক ছবিৰ পৰা শিল্পৰ দৰে অন্য ক্ষেত্ৰলৈ সাধাৰণীকৰণ কৰা হয়। |
5a39d6c1bb04737cc81634f3ea2e81d3bc1ee6dd | অবাধ প্ৰাকৃতিক ফটোগ্ৰাফত বহু-চিহ্নৰ পাঠ চিনাক্ত কৰাটো এক কঠিন সমস্যা। এই প্ৰবন্ধত আমি এই ক্ষেত্ৰৰ এটা কঠিন উপ-প্ৰশ্নৰ বিষয়ে আলোচনা কৰিম। ষ্ট্ৰীট ভিউৰ ছবিৰ পৰা বহু অংকৰ সংখ্যা চিনাক্ত কৰা। এই সমস্যা সমাধানৰ বাবে পৰম্পৰাগত পদ্ধতিবোৰে সাধাৰণতে স্থানীয়কৰণ, বিভাজন আৰু স্বীকৃতিৰ পদক্ষেপবোৰ পৃথক কৰে। এই প্ৰবন্ধত আমি এটা একত্ৰিত পদ্ধতিৰ প্ৰস্তাৱ দিছো যিয়ে এই তিনিটা পদক্ষেপক একত্ৰিত কৰে এটা গভীৰ কনভল্যুশ্যনেল নিউৰেল নেটৱৰ্কৰ ব্যৱহাৰৰ জৰিয়তে যি প্ৰত্যক্ষভাৱে ছবিৰ পিক্সেলত কাৰ্য্য কৰে। আমি ডিষ্টবেলিফ (ডীন আৰু আন, ২০১২) গভীৰ স্নায়ু নেটৱৰ্কৰ প্ৰয়োগক ব্যৱহাৰ কৰো যাতে উচ্চ মানৰ ছবিৰ ওপৰত ডাঙৰ, বিতৰণ স্নায়ু নেটৱৰ্কৰ প্ৰশিক্ষণ দিব পাৰো। আমি দেখিলোঁ যে এই পদ্ধতিৰ কাৰ্যক্ষমতা কভলুশ্যনেল নেটৱৰ্কৰ গভীৰতাৰ সৈতে বৃদ্ধি পায়, আৰু সৰ্বোত্তম কাৰ্যক্ষমতা আমি প্ৰশিক্ষিত কৰা আটাইতকৈ গভীৰ আৰ্হিৰ সৈতে হয়, ১১টা গোপন স্তৰৰ সৈতে। আমি এই পদ্ধতিটো SVHN ডাটা ছেটত পৰীক্ষা কৰি সম্পূৰ্ণ ৰাস্তাৰ নম্বৰ চিনাক্তকৰণত ৯৬% তকৈ অধিক সঠিকতা লাভ কৰিছো। আমি দেখুৱাই দিওঁ যে এটা অংক চিনাক্তকৰণ কাৰ্য্যত আমি অত্যাধুনিক প্ৰযুক্তিৰ ওপৰত উন্নতি কৰি ৯৭.৮৪% সঠিকতা লাভ কৰো। আমি এই পদ্ধতিটো ষ্ট্ৰীট ভিউৰ পৰা সৃষ্টি কৰা আৰু অধিক জটিল ডাটা ছেটত পৰীক্ষা কৰো য ত কেইবা লক্ষাধিক ষ্ট্ৰীট নম্বৰ আছে আৰু ৯০% তকৈ অধিক সঠিকতা লাভ কৰো। আমাৰ মূল্যায়নে আৰু কৈছে যে নিৰ্দিষ্ট কাৰ্য্যকৰী সীমাত প্ৰস্তাৱিত ব্যৱস্থাৰ কাৰ্য্যক্ষমতা মানৱ অপাৰেটৰ সৈতে তুলনা কৰিব পাৰি। এতিয়ালৈকে আমাৰ চিস্টেমটোৱে সমগ্ৰ বিশ্বজুৰি ষ্ট্ৰীট ভিউৰ ছবিৰ পৰা প্ৰায় ১০০ মিলিয়ন ভৌতিক ৰাস্তাৰ নম্বৰ আহৰণ কৰাত সহায় কৰিছে। |
746add3fde7424f55d8424894e663eee51dc8f1c | ভৱিষ্যতে বেতাৰ নেটৱৰ্কসমূহত, বিশেষকৈ অস্থায়ী ঘটনা আৰু জৰুৰীকালীন পৰিস্থিতিৰ সময়ত অন-ডিমান্ড স্থাপনৰ বাবে, বায়ুচলাচল কেন্দ্ৰ (বিএছ) ৰূপে মানৱবিহীন বিমান (ইউএভি) ৰ ব্যৱহাৰৰ ক্ষেত্ৰত গুৰুত্বপূৰ্ণ ব্যৱহাৰিক গুৰুত্ব আছে। পূৰ্বৰ কামবোৰে UAV গতিশীলতাৰ দ্বাৰা অনা পাৰফৰমেন্স উন্নতি প্ৰদৰ্শন কৰিলেও, তেওঁলোকে মূলত বিলম্ব-সহনশীল এপ্লিকেচন যেনে ফাইল স্থানান্তৰ আৰু তথ্য সংগ্ৰহত মনোনিবেশ কৰে। এনেদৰে, ভিডিঅ কনফাৰেন্সিং আৰু অনলাইন গেমিংৰ দৰে বিলম্ব-সীমাবদ্ধ এপ্লিকেচনৰ বাবে UAV গতিশীলতা পাৰদৰ্শিতা লাভ প্ৰদান কৰিবলৈ সক্ষম হয় নে নহয় সেয়া জনা নাযায়। ইয়াৰ দ্বাৰা অনুপ্ৰাণিত হৈ, আমি এই কাগজত ইউএভি-সক্ষম ডাউনলিংক অৰ্টোগ নেল ডিভিজন মাল্টিপল এক্সেছ (OFDMA) নেটৱৰ্ক অধ্যয়ন কৰো য ত এটা ইউএভি নিৰ্দিষ্ট ফ্লাইট সময়ৰ ভিতৰত দুটা ভূমি ব্যৱহাৰকাৰীক সেৱা দিবলৈ প্ৰেৰণ কৰা হয়। ব্যৱহাৰকাৰীৰ বিলম্ব-নিৰ্দিষ্ট ন্যূনতম-ৰ ট-ৰ অনুপাত সীমাবদ্ধতাসমূহ বিবেচনা কৰি, আমাৰ লক্ষ্য হৈছে ইউএভি গতিপথ আৰু যোগাযোগ সম্পদৰ আৱণ্টনক যৌথভাৱে অনুকূল কৰি ন্যূনতম ব্যৱহাৰকাৰীৰ পাৰদৰ্শিতাক সৰ্বাধিক কৰা। আমি দেখুৱাম যে সৰ্বোচ্চ-সৰ্বনিম্ন ব্যৱহাৰকাৰীৰ গতিবেগ সাধাৰণভাৱে হ্ৰাস পায় যেতিয়া নিম্নতম-ৰ ট-প্ৰতিশোধ সীমাবদ্ধতা অধিক কঠোৰ হয়, যিটোৱে ইউএভি গতিশীলতা আৰু ব্যৱহাৰকাৰীৰ বিলম্বৰ প্ৰয়োজনীয়তাৰ ব্যৱহাৰ কৰি গতিবেগ লাভৰ মাজত এক মৌলিক বাণিজ্যিকতা প্ৰকাশ কৰে। অনুকৰণ ফলাফলসমূহে আমাৰ তাত্ত্বিক ফলাফলসমূহ পৰীক্ষা কৰে আৰু আমাৰ প্ৰস্তাৱিত ডিজাইনৰ কাৰ্য্যকৰীতাও প্ৰদৰ্শন কৰে। |
929bb4a0088a0b420cbf08684e374761690b19f2 | |
32f140fbb9514fd3ead5177025c467b50896db30 | |
5d3158674e1a0fedf69299a905151949fb8b01a5 | RDF হৈছে স্কিমা-মুক্ত গাঁথনিবদ্ধ তথ্যৰ বাবে এক ডাটা মডেল যি ছেমেণ্টিক-ৱেব ডাটা, জীৱন বিজ্ঞান আৰু ৱেব ২.০ প্লেটফৰ্মৰ ক্ষেত্ৰত গতি লাভ কৰি আছে। RDF ৰ "পে-এছ-ইউ-গ " প্ৰকৃতি আৰু ইয়াৰ প্ৰশ্নোত্তৰ ভাষা SPARQL ৰ নমনীয় পট্ৰ ন-ম্যাচিং ক্ষমতা দীঘলীয়া যোগদান পথকে ধৰি জটিল প্ৰশ্নোত্তৰসমূহৰ বাবে দক্ষতা আৰু স্কেলিবিলিটি প্ৰত্যাহ্বান সৃষ্ট কৰে। এই কাগজত RDF-3X ইঞ্জিনৰ প্ৰদৰ্শন কৰা হৈছে, যি SPARQL ৰ এটা ৰূপায়ণ যি RISC- শৈলীৰ আৰ্হিৰ অনুগামী হৈ সুক্ষ্ম সূচী আৰু প্ৰশ্ন প্ৰক্ৰিয়াৰে উৎকৃষ্ট প্ৰদৰ্শন অৰ্জন কৰে। সকলো RDF-3X ডাটাবেছৰ বাবে ভৌতিক ডিজাইন একে ধৰণৰ, আৰু ই বিষয়-সম্পত্তি-বস্তু ত্ৰিপল আৰু তেওঁলোকৰ বাইনেৰী আৰু অনাৰী প্ৰক্ষেপণৰ সকলো পৰিৱৰ্তনৰ বাবে সম্পূৰ্ণ সূচীৰ সূচীৰ দ্বাৰা সূচীৰ প্ৰয়োজনীয়তা সম্পূৰ্ণৰূপে আঁতৰ কৰে। এই সূচকসমূহ অতি সংক্ষেপিত হয়, আৰু কুৱেৰী প্ৰচেছৰটোৱে প্ৰচেছৰ কেচৰ উৎকৃষ্ট কাৰ্যক্ষমতাৰ সৈতে দ্ৰুতভাৱে একত্ৰিত যোগদানৰ বেহা কৰিব পাৰে। প্ৰশ্নোত্তৰ অপ্টিমাইজাৰে জটিল প্ৰশ্নোত্তৰৰ বাবেও সৰ্বোত্তম যোগদান আদেশ নিৰ্বাচন কৰিবলৈ সক্ষম, ইয়াৰ ব্যয় মডেলত সম্পূৰ্ণ যোগদান পথৰ বাবে পৰিসংখ্যাগত সিন পছ অন্তৰ্ভুক্ত থাকে। যদিও RDF-3X অনুসন্ধানৰ বাবে অনুকূলিত কৰা হৈছে, ই এটা পৰ্যায় নিৰ্ধাৰণ আৰ্কিটেকচাৰৰ জৰিয়তে দক্ষ অনলাইন আপডেটসমূহৰ বাবেও ভাল সমৰ্থন প্ৰদান কৰেঃ মূল ডাটাবেছ সূচীৰ প্ৰত্যক্ষ আপডেটসমূহ স্থগিত কৰা হয়, আৰু ইয়াৰ পৰিৱৰ্তে কমপেক্ট ডিফাৰেন্সিয়েল সূচীৰ ক্ষেত্ৰত প্ৰয়োগ কৰা হয় যি পিছত প্ৰধান সূচীত একত্ৰিত হয়। 50 মিলিয়নতকৈ অধিক RDF ত্ৰিপল আৰু মানদণ্ড অনুসন্ধান সহ কেইবাটাও বৃহৎ স্কেল ডাটা ছেটৰ সৈতে পৰীক্ষামূলক অধ্যয়নবোৰত পট্ৰ ন মেপিং, বহুপথৰ ষ্টাৰ-জইন আৰু দীঘল পথ-জইন অন্তৰ্ভুক্ত কৰা হৈছে যে RDF-3X এ পূৰ্বৰ শ্ৰেষ্ঠ বিকল্পবোৰক এক বা দুটা আকাৰৰ দ্বাৰা অতিক্ৰম কৰিব পাৰে। |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.