_id
stringlengths 40
40
| text
stringlengths 0
9.21k
|
|---|---|
5c1ab86362dec6f9892a5e4055a256fa5c1772af | ৩জি প্ৰণালীৰ দীৰ্ঘকালীন বিকাশৰ (এলটিই) নিৰ্ধাৰণ বৰ্তমান ৩জিপিপিৰ অধীনত চলি আছে আৰু ২০০৭ চনৰ শেষৰ ফালে নিৰ্ধাৰণৰ লক্ষ্য নিৰ্ধাৰণ কৰা হৈছে। বিকশিত ৰেডিঅ এক্সেছ নেটৱৰ্ক (RAN) ত OFDM প্ৰযুক্তিৰ ওপৰত ভিত্তি কৰি এটা নতুন ৰেডিঅ ইন্টাৰফেছ আৰু এটা সম্পূৰ্ণ ভিন্ন RAN আৰ্কিটেকচাৰ অন্তৰ্ভুক্ত থাকে, য ত ৰেডিঅ কাৰ্য্যকাৰিতা বেছ ষ্টেচনসমূহত বিতৰণ কৰা হয়। RAN স্থাপত্যৰ বিতৰণ প্ৰকৃতিয়ে বিতৰণ হস্তান্তৰ আঁচনিকে ধৰি বিতৰণ পদ্ধতিৰে কাৰ্যকৰী হোৱা নতুন ৰেডিঅ নিয়ন্ত্ৰণ এলগৰিথম আৰু প্ৰক্ৰিয়াৰ প্ৰয়োজন। এলটিইৰ হস্তান্তৰ প্ৰক্ৰিয়াৰ আটাইতকৈ গুৰুত্বপূৰ্ণ দিশসমূহ কিছু সবিশেষৰ বাহিৰে ৩জিপিপিত ইতিমধ্যে নিষ্পত্তি কৰা হৈছে। এই প্ৰবন্ধত আমি এলটিই ইণ্ট্ৰা-এক্সেছ হস্তান্তৰ প্ৰক্ৰিয়াৰ এক সামগ্ৰিক বিৱৰণ দিছো আৰু ইয়াৰ ব্যৱহাৰকাৰীৰ দ্বাৰা উপলব্ধ পাৰদৰ্শিতা দিশসমূহত গুৰুত্ব দি ইয়াৰ কাৰ্যক্ষমতা মূল্যায়ন কৰিছো। আমি TCPৰ মাধ্যমেৰে পেকেট ফৰৱাৰ্ডিংৰ প্ৰয়োজনীয়তাটো পৰীক্ষা কৰোঁ, আমি হস্তান্তৰ কৰাৰ সময়ত পেকেট ডেলিভাৰী কৰাৰ ক্ষেত্ৰত সমস্যাটো বিশ্লেষণ কৰোঁ আৰু ইয়াৰ বাবে এটা সহজ সমাধানৰ প্ৰস্তাৱ দিওঁ। শেষত, আমি ৰেডিঅ কাৰ্য্যকৰিতাৰ ওপৰত হাৰ্ক/এ আৰ কিউ ষ্টেট ডিছকাণ্ডৰ প্ৰভাৱৰ অনুসন্ধান কৰো। ফলাফলৰ পৰা দেখা গৈছে যে ব্যৱহাৰকাৰীৰ দ্বাৰা উপলব্ধি কৰা পাৰফৰমেন্স আৰু ৰেডিঅ কাৰ্য্যকৰীতা দুয়োটাই এলটিইৰ স্থানান্তৰ ভিত্তিক হস্তান্তৰ প্ৰক্ৰিয়াৰ দ্বাৰা আপোচ কৰা নহয়। |
3fb91bbffa86733fc68d4145e7f081353eb3dcd8 | ইলেক্ট্ৰ মায় গ্ৰাফী (ই এম জি) সংকেতবোৰ ক্লিনিকেল/বায় মেডিকেল এপ্লিকেশ্যন, ইভলভ বল হাৰ্ডৱেৰ চিপ (ই এইচ ডব্লিউ) বিকাশ আৰু আধুনিক মানৱ-কম্পিউটাৰ আন্তঃক্ৰিয়াত ব্যৱহাৰ কৰিব পাৰি। পেশীৰ পৰা আহৰণ কৰা EMG সংকেতসমূহ চিনাক্তকৰণ, বিভাজন, প্ৰক্ৰিয়া আৰু শ্ৰেণীবিভাজনৰ বাবে উন্নত পদ্ধতিৰ প্ৰয়োজন। এই প্ৰবন্ধৰ উদ্দেশ্য হৈছে ই এম জি সংকেত বিশ্লেষণৰ বাবে বিভিন্ন পদ্ধতি আৰু এলগৰিথমৰ প্ৰদৰ্শন কৰি সংকেত আৰু ইয়াৰ প্ৰকৃতি বুজি পোৱাৰ দক্ষ আৰু কাৰ্যকৰী উপায় প্ৰদান কৰা। আমি ই এম জি ব্যৱহাৰ কৰি কিছুমান হাৰ্ডৱেৰ ৰূপায়ণৰ বিষয়েও উল্লেখ কৰিম যিবোৰ প্ৰ থেটিক হাত নিয়ন্ত্ৰণ, গ্ৰেপিং স্বীকৃতি আৰু মানৱ-কম্পিউটাৰ আন্তঃক্ৰিয়া সম্পৰ্কীয় প্ৰয়োগৰ ওপৰত গুৰুত্ব আৰোপ কৰা হৈছে। বিভিন্ন ই এম জি সংকেত বিশ্লেষণ পদ্ধতিৰ কাৰ্যক্ষমতা দেখুৱাবলৈ এটা তুলনামূলক অধ্যয়নও দিয়া হৈছে। এই প্ৰবন্ধটোৱে গৱেষকসকলক ই এম জি সংকেত আৰু ইয়াৰ বিশ্লেষণ প্ৰক্ৰিয়াসমূহৰ বিষয়ে ভালদৰে বুজিবলৈ সহায় কৰে। এই জ্ঞানে তেওঁলোকক অধিক শক্তিশালী, নমনীয় আৰু দক্ষ এপ্লিকেচন বিকাশ কৰাত সহায় কৰিব। |
ab71da348979c50d33700bc2f6ddcf25b4c8cfd0 | |
6cc4a3d0d8a278d30e05418afeaf6b8e5d04d3d0 | |
6180a8a082c3d0e85dcb9cec3677923ff7633bb9 | তথ্য প্ৰণালী (আই এছ) ৰ ক্ষেত্ৰত গৱেষণা আৰম্ভ হোৱাৰ দুবছৰ পূৰ্বে প্ৰশাসনিক প্ৰণালী আৰু ব্যক্তিগত সঁজুলিৰ বাহিৰেও অধিক গুৰুত্ব প্ৰদান কৰা হৈছে। লাখ লাখ ব্যৱহাৰকাৰীয়ে ফেচবুকত লগ ইন কৰে, আইফোন এপ্লিকেচন ডাউনলোড কৰে, আৰু বিকেন্দ্ৰীকৃত কামৰ সংগঠন সৃষ্টি কৰিবলৈ ম বাইল সেৱা ব্যৱহাৰ কৰে। এই নতুন গতিশীলতাসমূহ বুজি উঠিবলৈ ক্ষেত্ৰত ডিজিটেল আন্তঃগাঁথনিসমূহক আইটি আৰ্টিফেক্টৰ শ্ৰেণী হিচাপে গুৰুত্ব প্ৰদান কৰাটো প্ৰয়োজন হ ব। এই ক্ষেত্ৰত গৱেষণাৰ অত্যাধুনিক সমীক্ষাত ডিজিটেল আন্তঃগাঁথনিৰ প্ৰতি আগ্ৰহ বৃদ্ধি পোৱা দেখা গৈছে, কিন্তু এই ক্ষেত্ৰত এতিয়াও গৱেষণাৰ কেন্দ্ৰবিন্দুত আন্তঃগাঁথনি স্থাপন হোৱা নাই। এই পৰিৱৰ্তনক সহায় কৰিবলৈ আমি IS গৱেষণাৰ বাবে তিনিটা নতুন দিশৰ প্ৰস্তাৱ দিছোঃ (1) ডিজিটেল আন্তঃগাঁথনিৰ প্ৰকৃতিৰ তত্ত্বসমূহ এক পৃথক প্ৰকাৰৰ আইটি আৰ্টিফেক্ট, ছুই জেনৰিছ; (2) ডিজিটেল আন্তঃগাঁথনিসমূহ সম্পৰ্কীয় নিৰ্মাণসমূহ যি সকলো পৰম্পৰাগত IS গৱেষণা ক্ষেত্ৰক আকৃতি প্ৰদান কৰে; (3) পৰিৱৰ্তন আৰু নিয়ন্ত্ৰণৰ পাৰদৰ্শিতা ISৰ প্ৰাধান্যপূৰ্ণ ঘটনা হিচাপে। আমি প্ৰস্তাৱ দিছো যে কিদৰে দীৰ্ঘকালীন, বৃহৎ আকাৰৰ সামাজিক-প্ৰযুক্তিগত ঘটনা অধ্যয়ন কৰিব পাৰি, যিসময়ত IS গৱেষণাৰ নিৰ্দেশনা দিয়া পৰম্পৰাগত শ্ৰেণীৰ সীমাবদ্ধতাক লক্ষ্য কৰি থাকিব পাৰি। |
e83a2fa459ba921fb176beacba96038a502ff64d | সংমিশ্ৰণ কৌশল (যাক সংমিশ্ৰণ কৌশল বুলিও কোৱা হয়) হৈছে পৃথক শ্ৰেণীবিভাজকৰ আউটপুট সংমিশ্ৰণ কৰিবলৈ ব্যৱহৃত এটা কৌশল। বিমূর্ত স্তৰত সৰ্বাধিক জনপ্ৰিয় সংমিশ্ৰণ কৌশলসমূহ সংখ্যাগৰিষ্ঠ ভোটৰ নিয়মৰ ওপৰত আধাৰিত, যিয়ে কেৱল সৰ্বাধিক ভোটপ্ৰাপ্ত শ্ৰেণীক এটা ইনপুট পট্ৰন প্ৰদান কৰে (বিভাগ ৭.২ চাওক) । যেতিয়া দুটা শ্ৰেণীবিভাজক সংযুক্ত কৰা হয়, তেতিয়া সাধাৰণতে এটা যৌক্তিক AND বা এটা যৌক্তিক OR অপাৰেটৰ ব্যৱহাৰ কৰা হয়। যেতিয়া দুটাতকৈ অধিক শ্ৰেণীবিভাজক একত্ৰিত হয়, AND/OR নিয়মবোৰ সংযুক্ত কৰিব পাৰি। উদাহৰণস্বৰূপে, এটা বায় মেট্ৰিক চিষ্টেম আঙুলিৰ ছাপ বা (মুখ আৰু হাতৰ জ্যামিতি) ৰ ওপৰত কাম কৰিব পাৰে; অৰ্থাৎ, ই ব্যৱহাৰকাৰীক চিনাক্তকৰণৰ বাবে আঙুলিৰ ছাপ বা মুখ আৰু হাতৰ জ্যামিতি দুয়োটাই প্ৰদৰ্শন কৰিবলৈ আৱশ্যক কৰে। শ্ৰেণী সংহতি হ্ৰাস, লজিষ্টিক প্ৰৱৰ্তন আৰু বৰ্ডাৰ গণনা হৈছে শ্ৰেণীবিভাজনৰ সংমিশ্ৰণত সৰ্বাধিক ব্যৱহৃত পদ্ধতি যিটো ৰেংক লেবেল (হো, হাল আৰু শ্ৰীহৰি, ১৯৯৪) ৰ ওপৰত ভিত্তি কৰি কৰা হয়। শ্ৰেণী সংহতি হ্ৰাসন পদ্ধতিত, শ্ৰেণীৰ এটা উপ-সংহতি নিৰ্বাচন কৰা হয় যাতে উপ-সংহতিটো যিমান সম্ভৱ সিমান সৰু হয় আৰু এতিয়াও প্ৰকৃত শ্ৰেণীটো থাকে। একাধিক পদ্ধতিৰ পৰা একাধিক উপ-সমষ্টি সাধাৰণতে উপ-সমষ্টিৰ এটা ইউনিয়ন বা এটা ছেদ ব্যৱহাৰ কৰি সংযুক্ত কৰা হয়। লজিষ্টিক ৰিগ্ৰেছন আৰু বৰ্ডা কাউন্ট পদ্ধতি সমূহক শ্ৰেণী ছেট পুনৰায়-নিৰ্ধাৰণ পদ্ধতি বুলি কোৱা হয়। ইয়াত লক্ষ্য হৈছে এটা শ্ৰেণীৰ সৰ্বসন্মত স্থান নিৰ্ণয় কৰা যাতে প্ৰকৃত শ্ৰেণীটো শীৰ্ষত থাকে। সূচী/আৱৰণ ব্যৱস্থাত সংহতকৰণৰ বাবে ৰেংক লেবেলবোৰ অতি উপযোগী। এটা বায় মেট্ৰিক ৰিট্ৰিভেল চিষ্টেমৰ পৰা সাধাৰণতে প্ৰাৰ্থীসকলৰ এক ক্ৰমযুক্ত তালিকা (সৰ্বোচ্চ সম্ভৱ মেচ) আউটপুট হয়। এই শৃংখলিত তালিকাৰ ওপৰৰ উপাদানটো সঠিক মিল হোৱাৰ সম্ভাৱনা বেছি আৰু তালিকাৰ তলৰ উপাদানটো কম সম্ভাৱনাপূৰ্ণ মিল। বহুতো পদ্ধতিৰ পৰা নিৰ্ভৰযোগ্যতা মান সংযুক্ত কৰাৰ বাবে আটাইতকৈ জনপ্ৰিয় সংমিশ্ৰণ আঁচনি হৈছে যোগফল, গড়, মধ্যম, উৎপাদিত, সৰ্বনিম্ন আৰু সৰ্বোচ্চ নিয়ম। কিটলাৰ এট এল. (১৯৯৮) তত্ত্বগত ফ্ৰেমৱৰ্ক প্ৰস্তুত কৰি এই জনপ্ৰিয় আঁচনিসমূহৰ অন্তৰ্নিহিত গাণিতিক ভেটি বুজিবলৈ চেষ্টা কৰিছে। তেওঁলোকৰ পৰীক্ষাই প্ৰমাণ কৰে যে যোগফল বা গড় আঁচনিয়ে সাধাৰণতে ব্যৱহাৰিকভাৱে ভাল প্ৰদৰ্শন কৰে। যোগফল নিয়ম ব্যৱহাৰ কৰাৰ এটা সমস্যা হ ল বিভিন্ন পদ্ধতিৰ পৰা আস্থা (বা স্ক ৰ) স্বাভাৱিকীকৰণ কৰা উচিত। এই সাধাৰণীকৰণত সাধাৰণতে এক সাধাৰণ ক্ষেত্ৰৰ বিভিন্ন ধৰণসমূহৰ পৰা আস্থা মাপসমূহ মেপিং কৰা হয়। উদাহৰণস্বৰূপে, এটা বায় মেট্ৰিক চিষ্টেমে দূৰত্বৰ স্ক ৰ (স্ক ৰ কম হ লে, আৰ্হিৰ মিল বেছি) প্ৰদৰ্শন কৰিব পাৰে, আনহাতে আন এটা চিষ্টেমে মিলৰ স্ক ৰ (স্ক ৰ বেছি হ লে, আৰ্হিৰ মিল বেছি) প্ৰদৰ্শন কৰিব পাৰে আৰু সেয়েহে স্ক ৰসমূহ যোগফল নিয়ম ব্যৱহাৰ কৰি প্ৰত্যক্ষভাৱে সংযুক্ত কৰিব নোৱাৰি। ইয়াৰ সৰল ৰূপত, এই সাধাৰণীকৰণত কেৱল দূৰত্বৰ স্ক ৰৰ চিনটো বিপৰীত কৰা অন্তৰ্ভুক্ত হ ব পাৰে যাতে উচ্চ স্ক ৰে উচ্চ সাদৃশ্যতাৰ সৈতে মিল থাকে। অধিক জটিল ৰূপত, নৰ্মলাইজেশ্যন অ-ৰেখিক হ ব পাৰে যি প্ৰতিবিধ মডেলিটিৰ পৰা বিশ্বাসযোগ্যতা মানৰ বিতৰণ অনুমান কৰি প্ৰশিক্ষণ তথ্যৰ পৰা শিকিব পাৰি। ইয়াৰ পিছত স্ক ৰসমূহ অনুবাদ কৰা হয় আৰু স্কেল কৰা হয় যাতে শূন্য গড়, একক প্ৰভেদ থাকে আৰু তাৰ পিছত হাইপাৰবোলিক টাংগেন্ট ফাংশন ব্যৱহাৰ কৰি (0,1) ৰ এটা স্থিৰ অন্তৰাললৈ পুনৰ মেপ কৰা হয়। মন কৰিব যে সাধাৰণীকৰণৰ বাবে অনুমানিত বিতৰণবোৰক পাৰামেটৰিজাইজ কৰিবলৈ প্ৰলোভনজনক। অৱশ্যে, বিতৰণসমূহৰ এনে পাৰামিটাৰাইজেশ্যন সাৱধানে ব্যৱহাৰ কৰা উচিত, কাৰণ বায় মেট্ৰিক চিষ্টেমসমূহৰ ত্ৰুটিৰ হাৰ সাধাৰণতে অতি কম আৰু বিতৰণসমূহৰ কুলৰ অনুমানত এক সৰু ত্ৰুটিৰ ফলত ত্ৰুটিৰ অনুমানত এক গুৰুত্বপূৰ্ণ পৰিৱৰ্তন হ ব পাৰে (চিত্ৰ 7.3 চাওক) । আন এক সাধাৰণ প্ৰথা হৈছে প্ৰশিক্ষণ তথ্যৰ পৰা প্ৰতিটো মডেলিটিৰ বাবে বিভিন্ন স্কেলিং কাৰক (ওজন) গণনা কৰা, যাতে সংযুক্ত ক্লাছিফায়াৰৰ সঠিকতা মেক্সিম ড হয়। এই ওজনযুক্ত যোগ নিয়মটো সহজ যোগ নিয়মতকৈ ভালদৰে কাম কৰাৰ আশা কৰা হয় যেতিয়া উপাদান শ্ৰেণীবিভাগকৰ ভিন্ন শক্তি থাকে (অৰ্থাৎ, ভিন্ন ত্ৰুটিৰ হাৰ) । চিত্ৰ ৭.৩. (ক) আঙুলিৰ চিন পৰীক্ষা ব্যৱস্থাৰ বাবে প্ৰকৃত আৰু প্ৰতাৰণাৰ বিতৰণ (জেইন আৰু আন, ২০০০) আৰু প্ৰতাৰণাৰ বিতৰণৰ বাবে সাধাৰণ সমীকৰণ। দৰ্শনত, সাধাৰণ ঘনিষ্ঠতা ভাল যেন লাগিছে, কিন্তু ROCs (b) ত দেখুওৱা অনুসৰি, য ত FMRক FAR (False Acceptance Rate) আৰু (1-FNMR) প্ৰকৃত গ্ৰহণযোগ্যতা হাৰৰূপে উল্লেখ কৰা হৈছে, তাত দেখুওৱা ROCs (b) ত দেখুওৱা অনুসৰি, অ-পৰামিতিগত অনুমানৰ তুলনাত কাৰ্যক্ষমতা যথেষ্ট হ্ৰাস পায়। © এলচেভিয়েৰ বায় মেট্ৰিক ব্যৱস্থাত একাধিক পদ্ধতিৰ সংমিশ্ৰণৰ কিছুমান আঁচনিৰ তাত্ত্বিক দিশৰ পৰাও অধ্যয়ন কৰা হৈছে। এটা তাত্ত্বিক বিশ্লেষণৰ জৰিয়তে, ডাউগমেন (১৯৯৯বি) য়ে দেখুৱাইছে যে যদি এটা শক্তিশালী বায় মেট্ৰিক আৰু এটা দুৰ্বল বায় মেট্ৰিকক এটা বিমূর্ত স্তৰৰ সংমিশ্ৰণৰ সৈতে AND বা OR ভোটদানৰ নিয়ম ব্যৱহাৰ কৰা হয়, তেন্তে সংমিশ্ৰণৰ কাৰ্যক্ষমতা দুটা পৃথক বায় মেট্ৰিকৰ উত্তমতকৈ বেয়া হ ব। হং, জৈন আৰু পংকান্তি (১৯৯৯) ৰ তাত্ত্বিক বিশ্লেষণত দেখা গৈছে যে AND/OR ভোটদানৰ কৌশলে কিছুমান চৰ্ত পূৰণ কৰিলেহে প্ৰদৰ্শন উন্নত কৰিব পাৰে। তেওঁলোকৰ বিশ্লেষণে লগতে দেখুৱাইছে যে এটা দুৰ্বল আৰু শক্তিশালী বায় মেট্ৰিকৰ সমন্বয়ৰ ক্ষেত্ৰতও এক বিশ্বাসৰ স্তৰৰ সংমিশ্ৰণে সামগ্ৰিক প্ৰদৰ্শনত যথেষ্ট উন্নতি সাধন কৰিব বুলি আশা কৰা হৈছে। কিটলাৰ এট এল. (১৯৯৮) সংবেদনশীলতা বিশ্লেষণৰ প্ৰৱৰ্তন কৰি ব্যাখ্যা কৰিছিল যে কিয় যোগফল (বা গড়) নিয়মটোৱে অন্য নিয়মসমূহক অতিক্ৰম কৰে। তেওঁলোকে দেখুৱাইছিল যে যোগফল নিয়মটো অন্যান্য সমৰূপ নিয়মতকৈ কম সংবেদনশীল (যেনে উৎপাদিত নিয়ম) পৰৱৰ্তী সম্ভাৱনা (বিশ্বাসৰ মান) অনুমান কৰাত পৃথক শ্ৰেণীবিভাগকৰ ভুলৰ হাৰলৈ। তেওঁলোকে দাবী কৰে যে সমষ্টি নিয়মটো একেটা পাছৰ সম্ভাৱনাৰ বিভিন্ন অনুমানক সংমিশ্ৰণ কৰাৰ বাবে আটাইতকৈ উপযুক্ত (যেনে, বিভিন্ন শ্ৰেণীবিভাগকৰ সূচনাৰ ফলত) । প্ৰভাকৰ আৰু জৈনে (২০০২) সমষ্টি আৰু উৎপাদনৰ নিয়মক নেয়মেন-পিয়াৰ্ছন সংমিশ্ৰণ আঁচনিৰ সৈতে তুলনা কৰে আৰু দেখুৱায় যে সম্পৰ্কিত বৈশিষ্ট্যবোৰ সংমিশ্ৰণ কৰিলে সামগ্ৰীৰ নিয়ম সমষ্টিৰ নিয়মতকৈ বেয়া আৰু দুৰ্বল আৰু শক্তিশালী শ্ৰেণীবিভাজকবোৰ সংমিশ্ৰণ কৰিলে সমষ্টি নিয়ম আৰু উৎপাদনৰ নিয়ম দুয়োটাই নেয়মেন-পিয়াৰ্ছন সংমিশ্ৰণ আঁচনিৰ তুলনাত নিম্নমানৰ। 0 20 40 60 80 100 0 1 2 3 4 5 6 7 সাধাৰণীকৃত মিলন স্ক ৰ পাৰ্শ্ব-প্ৰতিক্ৰিয়া (% ) ভুৱা ধাৰণা প্ৰকৃত অসামান্য বিতৰণ সাধাৰণ অসামান্য বিতৰণ প্ৰকৃত বিতৰণ 0 1 2 3 4 5 50 55 60 65 70 75 80 85 90 95 100 ভুৱা গ্ৰহণযোগ্যতা হাৰ (%) G en ui ne A cc ep ta nc e R at e (% ) অ-সামান্য অসামান্য বিতৰণ ব্যৱহাৰ কৰি সাধাৰণ অসামান্য বিতৰণ ব্যৱহাৰ কৰি অসামান্য বিতৰণ |
b4894f7d6264b94ded94181d54c7a0c773e3662b | পদব্ৰজে বিশ্লেষণ শেহতীয়াকৈ এক জনপ্ৰিয় গৱেষণা ক্ষেত্ৰ হিচাপে পৰিগণিত হৈছে আৰু নিউৰ ডিজেনেৰেটিভ ৰোগৰ ক্লিনিকাল ৰোগ নিৰ্ণয়ত বহুলভাৱে প্ৰয়োগ কৰা হৈছে। বিভিন্ন কম খৰচী সেন্সৰ-ভিত্তিক আৰু ভিজন-ভিত্তিক প্ৰণালীবোৰ কঁকাল আৰু হাঁড়ৰ যৌথ কোণসমূহ ধৰা পেলোৱাৰ বাবে বিকশিত কৰা হৈছে। অৱশ্যে, এই ব্যৱস্থাবোৰৰ কাৰ্যক্ষমতা বৈধতা আৰু পৰস্পৰৰ মাজত তুলনা কৰা হোৱা নাই। এই অধ্যয়নৰ উদ্দেশ্য হৈছে এটা পৰীক্ষা স্থাপন কৰা আৰু একাধিক ইনাৰ্চিয়েল মেজৰিং ইউনিট (IMU) ৰ সৈতে ছেন্সৰ-ভিত্তিক ব্যৱস্থাৰ প্ৰদৰ্শন আৰু তুলনা কৰা, মাৰ্কাৰ চিনাক্তকৰণ সহ দৃষ্টিভিত্তিক গেইট বিশ্লেষণ ব্যৱস্থা আৰু স্বাভাৱিক খোজৰ সময়ত হুপ আৰু হাঁটু জইন্ট এংগলসমূহ ধৰা পেলোৱাৰ ক্ষেত্ৰত মাৰ্কাৰবিহীন দৃষ্টিভিত্তিক ব্যৱস্থাৰ প্ৰদৰ্শন। প্ৰাপ্ত পৰিমাপসমূহ গনিমেটাৰৰ পৰা লাভ কৰা তথ্যৰ সৈতে ভূমি সত্যতা পৰিমাপৰ দৰে বৈধতা প্ৰদান কৰা হয়। ফলাফলসমূহে সূচাইছে যে IMU-ভিত্তিক ছেন্সৰ ব্যৱস্থাই সামান্য ত্ৰুটিৰ সৈতে উৎকৃষ্ট প্ৰদৰ্শন কৰে, আনহাতে দৃষ্টি ব্যৱস্থাই সামান্য ডাঙৰ ত্ৰুটিৰ সৈতে গ্ৰহণযোগ্য ফলাফল প্ৰদান কৰে। |
0e78b20b27d27261f9ae088eb13201f2d5b185bd | বৈশিষ্ট্য নিৰ্বাচনৰ বাবে এলগৰিথম দুটা বিস্তৃত শ্ৰেণীত পৰেঃ ডাটাৰ সাধাৰণ বৈশিষ্ট্যৰ ওপৰত ভিত্তি কৰি হেউৰিষ্টিক অনুসৰি বৈশিষ্ট্যসমূহ মূল্যায়ন কৰা ফিল্টাৰ আৰু বৈশিষ্ট্যৰ উপযোগিতা মূল্যায়ন কৰিবলৈ শিকাৰ এলগৰিথম ব্যৱহাৰ কৰা ৰেপপাৰ। বৃহৎ ডাটাবেছৰ ক্ষেত্ৰত, ফিল্টাৰবোৰ ৱাপাৰতকৈ অধিক ব্যৱহাৰিক প্ৰমাণিত হৈছে কিয়নো ই বহু বেছি দ্ৰুত। অৱশ্যে, বৰ্তমানৰ অধিকাংশ ফিল্টাৰ এলগৰিথম কেৱল পৃথক শ্ৰেণীবিভাজনৰ সমস্যাৰ সৈতে কাম কৰে। এই প্ৰবন্ধত এটা দ্ৰুত, সম্পৰ্ক-ভিত্তিক ফিল্টাৰ এলগৰিথমৰ বৰ্ণনা কৰা হৈছে যি নিৰন্তৰ আৰু বিচ্ছিন্ন সমস্যাৰ ক্ষেত্ৰত প্ৰয়োগ কৰিব পাৰি। এই এলগৰিথমটো প্ৰায়ে ভালকৈ জনাজাত ReliefF এট্ৰিবিউট এষ্টিমেটৰক অতিক্ৰম কৰে যেতিয়া ইয়াক নিষ্পাপ বেজ, ইনষ্টেন্স-ভিত্তিক শিকণ, সিদ্ধান্ত বৃক্ষ, স্থানীয়ভাৱে ওজনৰ প্ৰতিলিপি আৰু মডেল বৃক্ষৰ বাবে প্ৰাক-প্ৰক্ৰিয়াকৰণ পদক্ষেপ হিচাপে ব্যৱহাৰ কৰা হয়। ই ৰিলেফ এফতকৈ অধিক বৈশিষ্ট নিৰ্বাচন কৰে- অধিকাংশ ক্ষেত্ৰত ডাটা ডাইমেন্সনেলিটি পঞ্চাশ শতাংশ হ্ৰাস কৰে। লগতে, সিদ্ধান্ত আৰু প্ৰাক-প্ৰক্ৰিয়াকৃত তথ্যৰ পৰা নিৰ্মিত মডেল গছবোৰ প্ৰায়ে যথেষ্ট সৰু হয়। |
1b65af0b2847cf6edb1461eda659f08be27bc76d | আমি এটা নতুন পদ্ধতিৰ প্ৰস্তাৱ দিছো য ত লিনিয়াৰ মডেলৰ অনুমান কৰা হ ব। লাছো য়ে বৰ্গসমূহৰ অৱশিষ্ট যোগফলক সৰ্বনিম্নলৈ হ্ৰাস কৰে, যদিহে কোঅফিচিয়েণ্টসমূহৰ নিৰ্দিষ্ট মানৰ যোগফল এটা ধ্ৰুবকতকৈ কম হয়। এই সীমাবদ্ধতাৰ প্ৰকৃতিৰ বাবে ই কিছুমান সহগ উৎপন্ন কৰে যিবোৰ সঠিকভাৱে ০ হয় আৰু সেয়েহে ব্যাখ্যাযোগ্য মডেল প্ৰদান কৰে। আমাৰ অনুকৰণ অধ্যয়নে প্ৰমাণ কৰে যে লাজো উপ-সমষ্টি নিৰ্বাচন আৰু ৰিজ ৰেগ্রেছন দুয়োটাৰ অনুকূল বৈশিষ্ট্যৰ কিছু উপভোগ কৰে। ই উপ-সমষ্টি নিৰ্বাচনৰ দৰে ব্যাখ্যাযোগ্য মডেলৰ সৃষ্টি কৰে আৰু ৰিজ ৰেগ্রেছনৰ স্থায়িত্ব প্ৰদৰ্শন কৰে। ড ন হো আৰু জনষ্ট নৰ দ্বাৰা অভিযোজিত কাৰ্য্য অনুমানৰ শেহতীয়া কামৰ সৈতেও এক আকৰ্ষণীয় সম্পৰ্ক আছে। ল্যাসো ধাৰণাটো যথেষ্ট সাধাৰণ আৰু বিভিন্ন পৰিসংখ্যাগত মডেলত প্ৰয়োগ কৰিব পাৰিঃ সাধাৰণীকৃত প্ৰতিলিপি মডেল আৰু বৃক্ষ-ভিত্তিক মডেলৰ সম্প্ৰসাৰণৰ বিষয়ে সংক্ষেপে বৰ্ণনা কৰা হৈছে। |
3a8aa4cc6142d433ff55bea8a0cb980103ea15e9 | |
75cbc0eec23375df69de6c64e2f48689dde417c5 | কম খৰচী মাইক্ৰচফট কাইনেক্ট ছেন্সৰৰ আৱিষ্কাৰৰ সৈতে, উচ্চ-উত্তৰ গভীৰতা আৰু চাক্ষুষ (RGB) ছেন্সিং ব্যাপক ব্যৱহাৰৰ বাবে উপলব্ধ হৈছে। Kinect চেন্সৰৰ দ্বাৰা প্ৰদান কৰা গভীৰতা আৰু চাক্ষুষ তথ্যৰ পৰিপূৰক প্ৰকৃতিয়ে কম্পিউটাৰ দৃষ্টিৰ মৌলিক সমস্যা সমাধানৰ বাবে নতুন সুযোগ মুকলি কৰে। এই প্ৰবন্ধত শেহতীয়া Kinect-ভিত্তিক কম্পিউটাৰ ভিজন এলগৰিদম আৰু এপ্লিকেশ্যনৰ এক বিস্তৃত পৰ্যালোচনা দাঙি ধৰা হৈছে। পৰ্যালোচনা কৰা পদ্ধতিসমূহ কিনটেক্ট ছেন্সৰৰ সহায়ত সমাধান বা উন্নত কৰিব পৰা দৃষ্টিৰ সমস্যাৰ প্ৰকাৰ অনুসৰি শ্ৰেণীবদ্ধ কৰা হৈছে। ইয়াৰ ভিতৰত প্ৰিপ্ৰচেছিং, অবজেক্ট ট্ৰেকিং আৰু স্বীকৃতি, মানৱ কাৰ্যকলাপৰ বিশ্লেষণ, হাতৰ অংগভঙ্গিৰ বিশ্লেষণ আৰু ইনডৰ থ্ৰী-ডি মেপিং আদি বিষয় অন্তৰ্ভুক্ত কৰা হৈছে। প্ৰতিটো শ্ৰেণীৰ পদ্ধতিৰ বাবে, আমি তেওঁলোকৰ প্ৰধান এলগৰিদমিক অৱদানৰ আভাস দিওঁ আৰু তেওঁলোকৰ আৰজিবি সমতুল্যবোৰৰ তুলনাত তেওঁলোকৰ সুবিধা/বৈষম্যসমূহ সংক্ষিপ্তভাৱে বৰ্ণনা কৰোঁ। শেষত, আমি এই ক্ষেত্ৰত প্ৰত্যাহ্বান আৰু ভৱিষ্যতৰ গৱেষণাৰ প্ৰৱণতাসমূহৰ এক সামগ্ৰিক আভাস প্ৰদান কৰো। এই প্ৰবন্ধটো Kinect-ভিত্তিক কম্পিউটাৰ দৃষ্টি গৱেষকসকলৰ বাবে এটি টিউটোৰিয়েল আৰু প্ৰসংগসূত্ৰ হিচাপে কাম কৰিব বুলি আশা কৰা হৈছে। |
aa358f4a0578234e301a305d8c5de8d859083a4c | এই প্ৰবন্ধত গভীৰতা সংবেদকসমূহৰ সৈতে বাস্তৱ-সময়ৰ মানৱ ক্ৰিয়াৰ স্বীকৃতিৰ বাবে অৰ্ডাৰলেট নামৰ এক নতুন ভিজুৱেল প্ৰতিনিধিত্বৰ বিষয়ে আলোচনা কৰা হৈছে। এটা অর্ডাৰলেট হৈছে মধ্যম স্তৰৰ বৈশিষ্ট্য যি নিম্ন স্তৰৰ বৈশিষ্ট্যৰ গোটৰ মাজত অর্ডিনেল পটভূমি ধৰা দিয়ে। অস্থিৰ বাবে, এটা অর্ডাৰলেটে জইণ্টৰ গোটৰ মাজত বিশেষ স্থানিক সম্পর্ক ধৰা পেলায়। গভীৰতাৰ মানচিত্ৰৰ বাবে, এটা অর্ডাৰলেটে উপ-অঞ্চলৰ গোটৰ মাজত আকৃতিৰ তথ্যৰ তুলনামূলক সম্পৰ্কক চিহ্নিত কৰে। এই orderlet প্ৰতিনিধিত্বৰ দুটা সুন্দৰ বৈশিষ্ট্য আছে। প্ৰথমতে, ই ক্ষুদ্ৰ শব্দৰ প্ৰতি সংবেদনশীল নহয় কাৰণ এটা অর্ডাৰলেট কেৱল পৃথক বৈশিষ্ট্যৰ মাজত তুলনামূলক সম্পর্কৰ ওপৰত নিৰ্ভৰ কৰে। দ্বিতীয়তে, ই এটা ফ্ৰেম-স্তৰৰ প্ৰতিনিধিত্ব, যাৰ বাবে ই বাস্তৱ-সময়ৰ অনলাইন ক্ৰিয়াৰ স্বীকৃতিৰ বাবে উপযুক্ত। পৰীক্ষামূলক ফলাফলৰ পৰা অনলাইন কাৰ্য্য আৰু আন্তঃ-পৰিবেশ কাৰ্য্য চিনাক্তকৰণৰ ক্ষেত্ৰত ইয়াৰ উন্নত প্ৰদৰ্শন দেখিবলৈ পোৱা গৈছে। |
30f1ea3b4194dba7f957fd6bf81bcaf12dca6ff8 | ক্ৰমান্বয়ে বিশ্লেষণ কৰা কৌশল যেনে শিফ্ট-ৰেডুক্স তেওঁলোকৰ কাৰ্য্যকৰীতাৰ বাবে জনপ্ৰিয়তা লাভ কৰিছে, কিন্তু এটা ডাঙৰ সমস্যা আছেঃ অনুসন্ধানটো লোভী আৰু সমগ্ৰ স্থানৰ মাত্ৰ এটা ক্ষুদ্ৰ অংশহে অনুসন্ধান কৰে (এতিয়ালৈকে ৰশ্মি অনুসন্ধান) গতিশীল প্ৰগ্ৰামিংৰ বিপৰীতে। আমি দেখুৱাম যে, আচৰিতভাৱে, গতিশীল প্ৰগ্ৰামিং বহুতো শিফ্ট-ৰিবিউজ পাৰ্সাৰৰ বাবে সম্ভৱ, বৈশিষ্ট্য মানৰ ওপৰত ভিত্তি কৰি সমতুল্য ষ্টেক একত্ৰিত কৰি। আমাৰ এলগৰিথমৰ গতিবেগ উন্নততম শিফট-ৰিডাকশ্যন ডিপেণ্ডেন্সি পাৰ্সাৰৰ তুলনাত পাঁচগুণ বৃদ্ধি হয়, কোনোধৰণৰ সঠিকতা নোহোৱাকৈ। উন্নত অনুসন্ধানেও উন্নত শিক্ষাৰ দিশত অগ্ৰসৰ হয়, আৰু আমাৰ শেষৰ পাৰ্সাৰটোৱে ইংৰাজী আৰু চীনা ভাষাৰ পূৰ্বৰ সকলো পাৰ্সাৰতকৈ অধিক বেগী। |
422d9b1a05bc33fcca4b9aa9381f46804c6132fd | কিছুমান প্ৰশ্নৰ উত্তৰ কেৱল যন্ত্ৰৰ দ্বাৰা দিব নোৱাৰি। এই ধৰণৰ অনুসন্ধান প্ৰক্ৰিয়াকৰণৰ বাবে তথ্যভঁৰালত নথকা তথ্য প্ৰদান কৰিবলৈ, গণনাকৰণত কঠিন কাৰ্য সম্পাদন কৰিবলৈ আৰু অস্পষ্ট চৰ্তৰ ওপৰত ভিত্তি কৰি ফলাফলৰ মিল, শ্ৰেণীবদ্ধকৰণ বা সংগ্ৰহ কৰিবলৈ মানৱ প্ৰৱেশৰ প্ৰয়োজন। CrowdDB য়ে ডাটাবেছ চিষ্টেম বা ছাৰ্চ ইঞ্জিনসমূহে যথোচিতভাৱে উত্তৰ দিব নোৱাৰা প্ৰশ্নসমূহ প্ৰক্ৰিয়া কৰিবলৈ ক্ৰাউডছ ৰ্চিংৰ জৰিয়তে মানৱ ইনপুট ব্যৱহাৰ কৰে। ই SQL-ক জটিল প্ৰশ্নৰ বাবে এটা ভাষা আৰু ডাটা মডেলিং কৰাৰ এটা উপায় হিচাপে ব্যৱহাৰ কৰে। যদিও CrowdDB-এ পৰম্পৰাগত ডাটাবেছ ব্যৱস্থাৰ বহুতো দিশ ব্যৱহাৰ কৰে, তাত গুৰুত্বপূৰ্ণ পাৰ্থক্যও আছে। ধাৰণাগতভাৱে, এটা প্ৰধান পৰিৱৰ্তন হ ল যে প্ৰশ্ন প্ৰক্ৰিয়াকৰণৰ বাবে পৰম্পৰাগত বন্ধ-বিশ্বৰ ধাৰণা মানৱ ইনপুটৰ বাবে বহন নকৰে। কাৰ্যকৰীকৰণৰ দৃষ্টিকোণৰ পৰা, জন-উদ্দেশ্যযুক্ত অনুসন্ধান অপাৰেটৰসমূহক সমবেত উৎসৰ তথ্য বিচৰা, সংহত কৰা আৰু পৰিষ্কাৰ কৰাৰ প্ৰয়োজন। তদুপৰি, কৰ্মদক্ষতা আৰু ব্যয় বহুতো নতুন কাৰকৰ ওপৰত নিৰ্ভৰ কৰে, যাৰ ভিতৰত আছে কৰ্মচাৰীৰ সম্বন্ধ, প্ৰশিক্ষণ, ক্লান্তি, প্ৰেৰণা আৰু স্থান। আমি CrowdDB ৰ ডিজাইন বৰ্ণনা কৰোঁ, এমাজন মেকানিকেল টৰ্ক ব্যৱহাৰ কৰি প্ৰাৰম্ভিক পৰীক্ষাৰ ওপৰত প্ৰতিবেদন দিওঁ, আৰু ভিৰ-সোসৰ্চড কুৱেৰী প্ৰচেচিঙৰ প্ৰণালীৰ বিকাশত ভৱিষ্যতৰ কামৰ বাবে গুৰুত্বপূৰ্ণ পথৰ আভাস দিওঁ। |
edc2e4e6308d7dfce586cb8a4441c704f8f8d41b | এই প্ৰবন্ধত আমি দুটা নতুন যোগাযোগ-দক্ষ পদ্ধতিৰ বিষয়ে আলোচনা কৰিম যিবোৰ ব্যৱহৃত হ ব ফাংচনসমূহৰ গড়ৰ বিতৰণিত সংক্ষেপণৰ বাবে। প্ৰথমটো এলগৰিথম হৈছে DANE এলগৰিথমৰ এক অস্পষ্ট প্ৰকাৰ যি যিকোনো স্থানীয় এলগৰিথমক স্থানীয় উপ-প্ৰশ্নৰ এক আনুমানিক সমাধান ঘূৰাই দিবলৈ অনুমতি দিয়ে। আমি দেখুৱাম যে এনে কৌশলে DANE ৰ তাত্ত্বিক গ্যাৰেণ্টীসমূহক বিশেষভাৱে প্ৰভাৱিত নকৰে। আচলতে, আমাৰ পদ্ধতিটোক এটা শক্তিশালী কৰাৰ কৌশল হিচাপে দেখা যায় যিহেতু এই পদ্ধতিটো ব্যৱহাৰিকভাৱে সৃষ্টি হোৱা তথ্য বিভাজনৰ ক্ষেত্ৰত DANEতকৈ যথেষ্ট ভাল। এইটো জনাজাত যে DANE এলগৰিথমে যোগাযোগৰ জটিলতাৰ নিম্ন সীমা পূৰণ নকৰে। এই ব্যৱধানটো দূৰ কৰিবলৈ, আমি প্ৰথম পদ্ধতিৰ এক ত্বৰান্বিত ৰূপৰ প্ৰস্তাৱ দিছো, যাক AIDE বুলি কোৱা হয়, যি কেৱল যোগাযোগৰ নিম্ন সীমাকেই সামঞ্জস্য নকৰে, বৰং ইয়াক এক সম্পূৰ্ণ প্ৰথম-শ্ৰেণীৰ ওৰেকুল ব্যৱহাৰ কৰিও প্ৰয়োগ কৰিব পাৰি। আমাৰ অভিজ্ঞতামূলক ফলাফলবোৰে দেখুৱাইছে যে মেচিন লাৰ্ণিং এপ্লিকেচনত স্বাভাৱিকভাৱে উদ্ভৱ হোৱা ছেটিংছবোৰত এআইডিই অন্য যোগাযোগ দক্ষ এলগৰিথমতকৈ শ্ৰেষ্ঠ। |
c677166592b505b80a487fb88ac5a6996fc47d71 | এই প্ৰবন্ধত বৃহৎ স্কেল জটিল প্ৰণালীৰ বিকেন্দ্ৰীকৃত নিয়ন্ত্ৰণৰ ক্ষেত্ৰত অতীত আৰু বৰ্তমানৰ ফলাফলৰ পৰ্যালোচনা কৰা হৈছে। বিকেন্দ্ৰীকৰণ, বিভাজন আৰু দৃঢ়তাৰ ওপৰত গুৰুত্ব আৰোপ কৰা হৈছে। এই পদ্ধতিবোৰে বৃহৎ জটিল প্ৰণালীত উদ্ভৱ হোৱা বিশেষ অসুবিধাসমূহ যেনে উচ্চ মাত্রিকতা, তথ্যৰ গাঁথনিৰ সীমাবদ্ধতা, অনিশ্চয়তা আৰু বিলম্ব দূৰ কৰাৰ বাবে কাৰ্যকৰী সঁজুলি হিচাপে কাম কৰে। এই বিষয়বস্তুত ভৱিষ্যতৰ গৱেষণাৰ বাবে কেইবাটাও সম্ভাৱ্য বিষয়ৰ প্ৰৱৰ্তন কৰা হৈছে। এই সামগ্ৰিক দৃষ্টিভংগীত আন্তঃসংযোজিত গতিশীল ব্যৱস্থাত শেহতীয়া বিভাজন পদ্ধতিৰ ওপৰত গুৰুত্ব দিয়া হৈছে কাৰণ ইয়াৰ জৰিয়তে বিকেন্দ্ৰীকৃত নিয়ন্ত্ৰণৰ সম্প্ৰসাৰণ নেটৱৰ্কযুক্ত নিয়ন্ত্ৰণ ব্যৱস্থাত প্ৰদান কৰাৰ সম্ভাৱনা আছে। # ২০০৮ এলেছভিয়াৰ লিমিটেড. সকলো অধিকাৰ সংৰক্ষিত. |
0debd1c0b73fc79dc7a64431b8b6a1fe21dcd9f7 | বৈশিষ্ট্য নিৰ্বাচনে শ্ৰেণীবিভাজনৰ সঠিকতা উন্নত কৰিব পাৰে আৰু শ্ৰেণীবিভাজনৰ কম্পিউটেশ্যনেল জটিলতা হ্ৰাস কৰিব পাৰে। ইন্ট্ৰুছন ডিটেকচন চিষ্টেম (আইডিএছ) ত ডাটা ফিচাৰবোৰে সদায় ভাৰসাম্যহীন শ্ৰেণীবিভাজনৰ সমস্যা উপস্থাপন কৰে য ত কিছুমান শ্ৰেণীবিভাজনৰ মাত্ৰ কেইটামান উদাহৰণ থাকে আৰু আন কিছুমানত বহুতো উদাহৰণ থাকে। এই ভাৰসাম্যহীনতাই শ্ৰেণীবিভাজনৰ কাৰ্য্যদক্ষতাক অৱহেলা কৰিব পাৰে, কিন্তু ইয়াক দূৰ কৰিবলৈ সামান্য প্ৰচেষ্টা গ্ৰহণ কৰা হৈছে। এই প্ৰবন্ধত, IDS ত বৈশিষ্ট নিৰ্বাচনৰ বাবে বহু-উদ্দেশ্যমূলক সমস্যাৰ বাবে এটা আঁচনি প্ৰস্তাৱ কৰা হৈছে, যিয়ে জনসংখ্যা বিৱৰ্তনৰ বাবে দুটা কৌশল ব্যৱহাৰ কৰে, যথা, এক বিশেষ আধিপত্য পদ্ধতি আৰু পূৰ্ব নিৰ্ধাৰিত একাধিক লক্ষ্যযুক্ত অনুসন্ধান। ই কেৱল সাধাৰণ আৰু অস্বাভাৱিকৰ মাজত নহয়, অস্বাভাৱিকতাৰ প্ৰকাৰৰ দ্বাৰাও পৰিবহণৰ পার্থক্য কৰিব পাৰে। আমাৰ আঁচনিৰ ভিত্তিত, NSGA-III ভাল প্ৰদৰ্শনৰ সৈতে পৰ্যাপ্ত বৈশিষ্ট্যৰ উপ-সমষ্টি প্ৰাপ্ত কৰিবলৈ ব্যৱহাৰ কৰা হয়। এটা উন্নত বহু-উদ্দেশ্যযুক্ত অপ্টিমাইজেশ্যন এলগৰিথম (I-NSGA-III) আৰু এটা নতুন কুলুঙ্গি সংৰক্ষণ প্ৰক্ৰিয়াৰ ব্যৱহাৰ কৰি প্ৰস্তাৱ কৰা হৈছে। ইয়াত এটা পক্ষপাত-নিৰ্বাচন প্ৰক্ৰিয়া থাকে যি নিৰ্বাচিত বৈশিষ্ট্যসমূহৰ সৈতে ব্যক্তি নিৰ্বাচন কৰে আৰু এটা ফিট-নিৰ্বাচন প্ৰক্ৰিয়া যি ইয়াৰ উদ্দেশ্যসমূহৰ সৰ্বাধিক যোগফল ওজন থকা ব্যক্তি নিৰ্বাচন কৰে। পৰীক্ষামূলক ফলাফলৰ পৰা দেখা যায় যে I-NSGA-III কম উদাহৰণ থকা শ্ৰেণীৰ বাবে উচ্চ শ্ৰেণীবিভাজনৰ সঠিকতাৰ সৈতে ভাৰসাম্যহীনতাৰ সমস্যাটো লাঘৱ কৰিব পাৰে। তদুপৰি, ই উচ্চ শ্ৰেণীবিভাজনৰ সঠিকতা আৰু কম কম্পিউটেশ্যনেল জটিলতা দুয়োটা লাভ কৰিব পাৰে। © ২০১৬ এলেছভিয়াৰ বি.ভি.ৰ দ্বাৰা প্ৰকাশিত |
5a4a53339068eebd1544b9f430098f2f132f641b | গভীৰ লটেণ্ট-পৰিৱৰ্তনশীল মডেলবোৰে উচ্চ-মাত্রিক তথ্যৰ প্ৰতিনিধিত্বক নিৰীক্ষণহীনভাৱে শিকিব পাৰে। শেহতীয়া ভালেসংখ্যক প্ৰচেষ্টাই শিক্ষণ প্ৰতিনিধিত্বৰ ওপৰত গুৰুত্ব আৰোপ কৰিছে যি পৰিসংখ্যাগতভাৱে স্বাধীন বৈকল্পিক অক্ষৰ বিচ্ছিন্ন কৰে, প্ৰায়ে উদ্দেশ্য কাৰ্য্যৰ উপযুক্ত সংশোধন প্ৰৱৰ্তন কৰি। আমি এই ক্ৰমবৰ্ধমান সাহিত্যৰ সংমিশ্ৰণটো প্ৰমাণৰ নিম্ন সীমাৰ সাধাৰণীকৰণ প্ৰস্তুত কৰি প্ৰস্তুত কৰো যি স্পষ্টভাৱে লুকুৱা ক ডৰ ক্ষীপ্ৰতা, প্ৰতিনিধিত্বৰ বিজিয়েক্টিভিটি আৰু অভিজ্ঞতাগত তথ্য বিতৰণৰ সমৰ্থনৰ কভাৰেজৰ মাজত বাণিজ্য-অফসমূহক প্ৰতিনিধিত্ব কৰে। আমাৰ লক্ষ্য হ ল শ্ৰেণীবদ্ধ প্ৰতিনিধিত্ব শিকিবলৈ উপযুক্ত যি ব্লকসমূহৰ ভিতৰত কিছু পৰিমাণৰ সম্পৰ্ক থকাটো অনুমতি দি ভৰিবলগসমূহৰ ব্লকসমূহক বিচ্ছিন্ন কৰে। বিভিন্ন ডাটা ছেটৰ ওপৰত কৰা পৰীক্ষাই প্ৰমাণ কৰে যে শিকোৱা প্ৰতিনিধিত্ববোৰত ব্যাখ্যাযোগ্য বৈশিষ্ট্য থাকে, বিচ্ছিন্ন গুণাগুণ শিকিবলৈ সক্ষম হয়, আৰু কাৰকৰ অপ্ৰদৰ্শিত সংমিশ্ৰণত সাধাৰণীকৰণ কৰে। |
4b19be501b279b7d80d94b2d9d986bf4f8ab4ede | |
8ba965f138c1178aef09da3781765e300c325f3d | ইলেক্ট্ৰ মায়োগ্ৰাম বা ই এম জি সংকেত অতি ক্ষুদ্ৰ সংকেত; ইয়াক প্ৰদৰ্শন উদ্দেশ্যে বা পৰৱৰ্তী বিশ্লেষণ প্ৰক্ৰিয়াৰ বাবে উন্নত কৰিবলৈ এটা ব্যৱস্থাৰ প্ৰয়োজন। এই প্ৰবন্ধত দুটাকৈ চেনেল ইনপুটৰ সৈতে কম খৰচৰ ফিজিঅ থেৰাপি ই এম জি সংকেত অধিগ্ৰহণ প্ৰণালীৰ বিকাশৰ বিষয়ে উপস্থাপন কৰা হৈছে। অধিগ্ৰহণ প্ৰণালীত, দুয়োটা ইনপুট সংকেতক এটা ডিফাৰেন্সিয়েল এম্প্লিফায়াৰৰ সৈতে বঢ়াই দিয়া হয় আৰু ই এম জি সংকেতৰ লিনিয়াৰ এনভেলপ প্ৰাপ্ত কৰিবলৈ সংকেত প্ৰাক-প্ৰক্ৰিয়াকৰণ কৰা হয়। প্ৰাপ্ত EMG সংকেতটো তাৰ পিছত ডিজিটেলাইজ কৰা হয় আৰু কম্পিউটাৰত প্ৰেৰণ কৰা হয়। |
01413e1fc981a8c041dc236dcee64790e2239a36 | মেশিন লাৰ্ণিংৰ বিভিন্ন ধৰণৰ সমস্যা, যেনে উদাহৰণ ক্লাষ্টাৰিং, নথি সংক্ষেপণ, আৰু ছেন্সৰ স্থাপন, সীমিত উপ-মডুলাৰ সৰ্বাধিকীকৰণ সমস্যা হিচাপে নিৰ্ণয় কৰিব পাৰি। এই সমস্যাসমূহৰ বাবে বিতৰণিত এলগৰিথম বিকাশৰ বাবে শেহতীয়া প্ৰচেষ্টা বহুত সমৰ্পিত কৰা হৈছে। অৱশ্যে, এই ফলাফলবোৰ উচ্চ সংখ্যক ৰাউণ্ড, উপ-সৰ্বোত্তম সমীকৰণ অনুপাত, বা দুয়োটাৰ পৰা ভুগিছে। আমি ক্ৰমিক ছেটিংত থকা এলগৰিথমসমূহক বিতৰণ কৰা ছেটিংলৈ অনাৰ বাবে এটা ফ্ৰেমৱৰ্ক বিকাশ কৰো, কেৱল এক নিৰন্তৰ সংখ্যক মেপ ৰিডাকচ ৰাউণ্ডত বহু ছেটিংৰ বাবে প্ৰায় অনুকূল সমীকৰণ অনুপাত প্ৰাপ্ত কৰা। আমাৰ প্ৰণালীয়ে মেট্ৰইড সীমাবদ্ধতাৰ অধীনত ন ন-ম ন ট ন সৰ্বাধিকীকৰণৰ বাবে দ্ৰুত ক্ৰমিক এলগৰিথম প্ৰদান কৰে। |
0451c923703472b6c20ff11185001f24b76c48e3 | নেটৱৰ্কযুক্ত আৰু সহযোগী ৰবটৰ উদ্ভৱ হোৱা প্ৰয়োগসমূহে এজেন্টৰ গোটৰ বাবে গতি সমন্বয়ৰ অধ্যয়নৰ বাবে অনুপ্ৰেৰণা যোগায়। উদাহৰণস্বৰূপে, এইটো ধাৰণা কৰা হৈছে যে এজেন্টৰ গোটসমূহে নিৰীক্ষণ, অনুসন্ধান আৰু পৰিৱেশ পৰ্যবেক্ষণকে ধৰি বিভিন্ন ধৰণৰ উপযোগী কাম কৰিব। এই প্ৰবন্ধত ম বাইল এজেন্টৰ মাজত মৌলিক ক্ৰিয়া-প্ৰতিক্ৰিয়া আলোচনা কৰা হৈছে যেনে নিকটতম আন এজেন্টৰ পৰা আঁতৰি যোৱা বা নিজৰ ভৰোনয় বহুভুজৰ আটাইতকৈ দূৰৰ শীৰ্ষৰ ফালে গতি কৰা। এই সৰল ক্ৰিয়া-প্ৰতিক্ৰিয়াবোৰ বিতৰণ গতিশীল প্ৰণালীৰ সমান হয় কাৰণ ইয়াৰ কাৰ্যকৰীকৰণৰ বাবে চুবুৰীয়া এজেন্টৰ বিষয়ে অতি কম তথ্যৰ প্ৰয়োজন হয়। আমি এই বিতৰণ গতিশীল প্ৰণালীৰ মাজত থকা ঘনিষ্ঠ সম্পৰ্ক আৰু জ্যামিতিক অপ্টিমাইজেশ্যনৰ পৰা ডিস্ক-কভাৰেজ আৰু স্ফীয়াৰ-পেকেজিং ব্যয় কাৰ্যৰ বৈশিষ্ট্য বৰ্ণনা কৰোঁ। আমাৰ মূল ফলাফলসমূহ হ ল: (i) আমি এই জ্যামিতিক ব্যয় কাৰ্য্যসমূহৰ মসৃণতা বৈশিষ্ট্যসমূহৰ বৈশিষ্ট্য প্ৰদান কৰোঁ, (ii) আমি দেখুৱাম যে ক্ৰিয়া-প্ৰতিক্ৰিয়া আইনসমূহ ব্যয় কাৰ্য্যসমূহৰ অসামান্য গ্ৰেডিয়েণ্টৰ পৰিবৰ্তন হয়, আৰু (iii) আমি বিভিন্ন অসাম্প্ৰতিক ঘনিষ্ঠতা সম্পত্তিৰ আইন স্থাপন কৰোঁ। কাৰিকৰী পদ্ধতিটো কম্পিউটেশ্যনেল জ্যামিতি, ন ন-স্মথ বিশ্লেষণ আৰু ন ন-স্মথ স্থায়িত্ব তত্ত্বৰ ধাৰণাৰ ওপৰত নিৰ্ভৰ কৰে। |
0a37a647a2f8464379a1fe327f93561c90d91405 | শেহতীয়া বিকাশসমূহে আংশিকভাৱে আদেশযুক্ত, আংশিকভাৱে নিৰ্দিষ্ট ক্ৰমৰ ক্ৰিয়া সৃষ্টিৰ প্ৰক্ৰিয়াটো স্পষ্ট কৰি তুলিছে যাৰ কাৰ্যকৰী কৰণ এজেণ্টৰ লক্ষ্যত উপনীত হ ব। এই প্ৰবন্ধত কম দায়বদ্ধতা পৰিকল্পনাকাৰীৰ এটা ক্ৰমৰ সাৰাংশ দিয়া হৈছে, যিটো সৰল ষ্ট্ৰীপ প্ৰতিনিধিত্বৰ সৈতে আৰম্ভ হয়, আৰু গতিশীল বিশ্বত বিভাজনমূলক পূৰ্বশর্ত, চৰ্তযুক্ত প্ৰভাৱ আৰু সাৰ্বজনীন পৰিমাণৰ সৈতে ক্ৰিয়া পৰিচালনা কৰা কাৰ্য্যৰে সমাপ্ত হয়। পথত আমি ব্যাখ্যা কৰোঁ যে চ্যাপমেনৰ মডেল সত্যৰ চৰ্তৰ সূত্ৰ কেনেকৈ বিভ্ৰান্তিকৰ আৰু কিয় চৰ্তসাপেক্ষ প্ৰভাৱ থকা পৰিকল্পনাৰ যুক্তিৰ বাবে তেওঁৰ এনপি-সম্পূৰ্ণতাৰ ফলাফল আমাৰ পৰিকল্পনাকাৰীৰ বাবে প্ৰযোজ্য নহয়। ১) মই ফ্ৰেঞ্জ আমাদোৰ, টনি বাৰ্ট, ডাৰেন ক্ৰনকুইষ্ট, ডেনিজ ড্ৰেপাৰ, এৰ্নি ডেভিছ, অৰেন এটচন, নৰ্ট ফাউলাৰ, ৰাও কাম্বাম্পাটি, ক্ৰেগ ন ব্ল ক, নিক কুশমেৰিক, নীল লেছ, কাৰেন ল চবাউম, ড্ৰু মেকডাৰমট, ৰমেশ পাটিল, কাৰি পুলী, য়িং ছান, অষ্টিন টেট আৰু মাইক উইলিয়ামছনক সহায়ক মন্তব্যৰ বাবে ধন্যবাদ জনাইছো, কিন্তু ভুলৰ বাবে কেৱল মই দায়বদ্ধ। এই গৱেষণাৰ কামটো আংশিকভাৱে নৌ-গৱেষণা অনুদান কাৰ্যালয়ৰ ৯০-জে-১৯০৪ আৰু ৰাষ্ট্ৰীয় বিজ্ঞান ফাউণ্ডেচনৰ অনুদান আইআৰআই-৮৯৫৭৩০২ৰ পৰা পুঁজি যোগান ধৰা হৈছিল। |
63f97f3b4808baeb3b16b68fcfdb0c786868baba | পেৰাবোলিক লেন্স আৰু ৱেভগাইড এডাপ্টাৰেৰে সজ্জিত ব্ৰডবেণ্ড ডাবল-ৰিজড হৰ্ণ এণ্টেনাৰ ডিজাইন, ফ্যাব্ৰিকেশ্যন আৰু চৰিত্ৰবিজ্ঞানকে ধৰি সমগ্ৰ ডিজাইন চক্ৰ এই কাগজত উপস্থাপন কৰা হৈছে। উপস্থাপিত কামৰ এটা প্ৰধান লক্ষ্য আছিল ১৮-৪০ গিগাহেটাৰ্জ ফ্ৰেক্সেন্সৰ পৰিসৰত মূল বিকিরণ ল বত এটা সমতল পৰ্যায়ৰ বৈশিষ্ট্যৰ সৈতে উচ্চ নিৰ্দেশকতা প্ৰাপ্ত কৰা, যাতে এণ্টেনাটো মুক্ত স্থানৰ উপাদান বৈশিষ্ট্যকৰণ ছেটআপত প্ৰয়োগ কৰিব পৰা যায়। |
c5151f18c2499f1d95522536f167f2fcf75f647f | পৰৱৰ্তী প্ৰজন্মৰ বৈষম্যপূৰ্ণ ৱায়াৰলেছ নেটৱৰ্কত, মাল্টি-ইণ্টাৰফেচ টাৰ্মিনেল থকা ব্যৱহাৰকাৰীৰ বিভিন্ন প্ৰযুক্তি ব্যৱহাৰ কৰি বিভিন্ন সেৱা প্ৰদানকাৰীৰ পৰা নেটৱৰ্ক এক্সেছ থাকিব পাৰে। এইটো বিশ্বাস কৰা হয় যে হস্তান্তৰ সিদ্ধান্তটো বহুতো চৰ্তৰ লগতে ব্যৱহাৰকাৰীৰ পছন্দৰ ওপৰত ভিত্তি কৰি লোৱা হয়। হস্তান্তৰ সিদ্ধান্তৰ সমস্যা সমাধানৰ বাবে বিভিন্ন প্ৰণালী প্ৰস্তাৱিত কৰা হৈছে, কিন্তু সিদ্ধান্ত পদ্ধতিৰ নিৰ্বাচন স্বেচ্ছাচাৰ্য্য্য যেন দেখা যায় আৰু কিছুমান পদ্ধতিয়ে বিতৰ্কিত ফলাফলো দিয়ে। এই প্ৰবন্ধত, এটা নতুন হস্তান্তৰ মানদণ্ড আৰু এটা নতুন হস্তান্তৰ সিদ্ধান্ত ৰণনীতিৰ প্ৰৱৰ্তন কৰা হৈছে। ইয়াৰ উপৰিও, হস্তান্তৰ সিদ্ধান্তক এক অস্পষ্ট বহু-বিষয় নিৰ্ণয় (MADM) সমস্যা হিচাপে চিহ্নিত কৰা হৈছে, আৰু অস্পষ্ট যুক্তি ব্যৱহাৰ কৰা হয় কিছুমান মানদণ্ড আৰু ব্যৱহাৰকাৰীৰ পছন্দৰ অস্পষ্ট তথ্যৰ সৈতে মোকাবিলা কৰিবলৈ। বিভিন্ন ফজিল এমএডিএম পদ্ধতিৰ এক পদ্ধতিগত বিশ্লেষণৰ পিছত, এটা সম্ভৱপৰ পদ্ধতি প্ৰদৰ্শন কৰা হৈছে। শেষত, প্ৰস্তাৱিত পদ্ধতিসমূহৰ উদাহৰণ দিয়া হৈছে আৰু পদ্ধতিসমূহৰ সংবেদনশীলতা বিশ্লেষণ কৰা হৈছে। |
e321ab5d7a98e18253ed7874946a229a10e40f26 | শ্ৰেণীবিভাগকৰ কাৰ্যক্ষমতা আৰু সঠিকতা বৈশিষ্ট্য নিৰ্বাচনৰ ফলাফলৰ দ্বাৰা প্ৰত্যক্ষভাৱে প্ৰভাৱিত হয়। এক শ্ৰেণীৰ এফ-স্কোৰ বৈশিষ্ট নিৰ্বাচন আৰু উন্নত এফ-স্কোৰ বৈশিষ্ট নিৰ্বাচন আৰু জেনেটিক এলগৰিথমৰ ওপৰত ভিত্তি কৰি, মেচিন লাৰ্ণিং পদ্ধতিৰ সৈতে সংযুক্ত কৰা হয় যেনে কে নিকটতম চুবুৰীয়া, সমৰ্থন ভেক্টৰ মেচিন, ৰেণ্ডম ফৰেষ্ট, নেভি বেজ, দুটা শ্ৰেণীবিভাজনৰ ভাৰসাম্যহীন তথ্য সমস্যা আৰু বহু শ্ৰেণীবিভাজনৰ সমস্যা প্ৰক্ৰিয়া কৰিবলৈ এক হাইব্ৰিড বৈশিষ্ট নিৰ্বাচন এলগৰিথমৰ প্ৰস্তাৱ কৰা হৈছে। পৰম্পৰাগত মেচিন লাৰ্ণিং এলগৰিথমৰ সৈতে তুলনা কৰি, ই বৃহত্তৰ বৈশিষ্ট্যৰ স্থানত অনুসন্ধান কৰিব পাৰে আৰু ভাৰসাম্যহীন শ্ৰেণীবিভাজনৰ সমস্যাটো ভালদৰে সামৰি ল ব পৰা হিউৰিষ্টিক নিয়ম অনুসৰি ভাৰসাম্যহীন ডাটা ছেটৰ বৈশিষ্ট্যৰ সৈতে মোকাবিলা কৰিবলৈ শ্ৰেণীবিভাজকক প্ৰচাৰ কৰিব পাৰে। পৰীক্ষাৰ ফলাফলৰ পৰা দেখা যায় যে ৰিচিভাৰ অপাৰেটিং চৰিত্ৰগত বক্ৰৰ তলত থকা এলেকা দুটা শ্ৰেণীবিভাজনৰ বাবে আৰু বহু শ্ৰেণীবিভাজনৰ সমস্যাৰ বাবে সঠিকতাৰ হাৰ অন্য মডেলৰ তুলনাত উন্নত কৰা হৈছে |
08fddf1865e48a1adc21d4875396a754711f0a28 | পাঠ শ্ৰেণীবিভাজনৰ বাবে মেচিন লাৰ্ণিং হৈছে নথি শ্ৰেণীবিভাজন, সংবাদ ফিল্টাৰিং, নথি ৰাউটিং আৰু ব্যক্তিগতকৰণৰ মূল স্তম্ভ। পাঠৰ ক্ষেত্ৰত, শিক্ষণ কাৰ্য্যক দক্ষ আৰু অধিক সঠিক কৰিবলৈ কাৰ্যকৰী বৈশিষ্ট্য নিৰ্বাচন কৰাটো গুৰুত্বপূৰ্ণ। এই প্ৰবন্ধত বাৰটা বৈশিষ্ট নিৰ্বাচন পদ্ধতিৰ এক প্ৰামাণিক তুলনা (যেনে , তথ্য লাভ) ৰ মূল্যায়ন কৰা হৈছিল ৰয়টাৰ্ছ, ট্ৰেক, ওহছুমেড আদিৰ পৰা সংগ্ৰহ কৰা ২২৯ টা পাঠ্য শ্ৰেণীবিভাজনৰ সমস্যাৰ ওপৰত ভিত্তি কৰি। ফলাফলসমূহ বহুতো লক্ষ্যৰ পৰা বিশ্লেষণ কৰা হয়- সঠিকতা, F-পদক্ষেপ, স্পষ্টতা, আৰু স্মৰণ-যিহেতু প্ৰত্যেকটো ভিন্ন পৰিস্থিতিত উপযুক্ত। ফলাফলৰ পৰা দেখা যায় যে এটা নতুন বৈশিষ্ট্য নিৰ্বাচন পদ্ধতি যাক আমি "বাই-নৰ্মেল ছেপাৰেচন" (বিএনএছ) বুলি কওঁ, আনবোৰতকৈ বেছি ভাল প্ৰদৰ্শন কৰে। এই ব্যৱধান উচ্চ শ্ৰেণীৰ তাৰতম্য থকা কামত বহল হয়, যিটো পাঠ্য শ্ৰেণীবিভাজনৰ সমস্যাত প্ৰচলিত আৰু বিশেষভাৱে আকৰ্ষণীয় অ্যালগৰিদমৰ বাবে প্ৰত্যাহ্বানজনক। এটা নতুন মূল্যায়ন পদ্ধতিৰ প্ৰস্তাৱ দিয়া হৈছে যিটো এটা একক ডাটা ছেটৰ সৈতে মুখামুখি হোৱা ডাটা মাইনিং অনুশীলনকাৰীৰ প্ৰয়োজনীয়তাত গুৰুত্ব প্ৰদান কৰে যিজনে এক (বা এটা জোপা) মেট্ৰিক নিৰ্বাচন কৰিবলৈ বিচাৰে যিটো সৰ্বশ্ৰেষ্ঠ প্ৰদৰ্শন প্ৰদান কৰাৰ সম্ভাৱনা আছে। এই দৃষ্টিকোণৰ পৰা, তথ্য লাভৰ বাবে সৰ্বাধিক প্ৰায়ে শ্ৰেষ্ঠ ফলাফল পোৱা যথাৰ্থতা বাদে সকলো লক্ষ্যৰ বাবে BNS শীৰ্ষ একক পছন্দ আছিল। এই বিশ্লেষণেও প্ৰকাশ কৰিছে যে, উদাহৰণস্বৰূপে, ইনফ ৰ্মেটি অন গেইন আৰু চি-স্কোয়াৰ্ডৰ মাজত সম্পৰ্কিত বিফলতা আছে, আৰু সেয়েহে তেওঁলোকে একেলগে বেয়া কাম কৰে। চাৰিটা কাৰ্য্যক্ষমতা লক্ষ্যৰ প্ৰতিটোৰ বাবে অনুকূল মেট্ৰিকৰ জোপা নিৰ্ণয় কৰোতে, বিএনএছ হৈছে জোপাটোৰ এটা অংশ-উদাহৰণস্বৰূপে, সৰ্বাধিক স্মৰণৰ বাবে, জোপা বিএনএছ + এফ-১-এ যথেষ্ট পৰিসৰৰ সৈতে সৰ্বাধিক সংখ্যক কামত সৰ্বশ্ৰেষ্ঠ প্ৰদৰ্শন প্ৰদান কৰে। |
32352a889360e365fa242ad3040ccd6c54131d47 | |
7857cdf46d312af4bb8854bd127e5c0b4268f90c | অবিৰত পৰিবাহী মোড (চিচিএম) ত কাৰ্য্যকৰী হোৱা বুষ্ট পাৱাৰ ফেক্টৰ সংশোধন (পিএফচি) কনভাৰ্টাৰৰ গতিশীল সঁহাৰি ভল্টেজ নিয়ন্ত্ৰণ চক্ৰৰ নিম্ন বেণ্ডউইড্ ৰ দ্বাৰা প্ৰৱলভাৱে প্ৰভাৱিত হয়। এই প্ৰবন্ধত ছুইড কণ্টিন্যুজ কণ্ডাকচন মোড (পিচিচিএম) ত কাৰ্য্যকৰী হোৱা এক নতুন ত্ৰি-ষ্টেট বুষ্ট পিএফচি কনভাৰ্টাৰৰ প্ৰস্তাৱ কৰা হৈছে। ফ্ৰী হুইলিং চুইচিং নিয়ন্ত্ৰণ ব্যৱধানৰ দ্বাৰা প্ৰৱৰ্তিত নিয়ন্ত্ৰণ-স্বাধীনতাৰ অতিৰিক্ত ডিগ্ৰীয়ে পিএফচি নিয়ন্ত্ৰণ লাভ কৰাত সহায় কৰে। এটা সৰল আৰু দ্ৰুত ভল্টেজ নিয়ন্ত্ৰণ চক্ৰ এটা ধ্ৰুবক আউটপুট ভল্টেজ বজাই ৰাখিবলৈ ব্যৱহাৰ কৰিব পাৰি। তদুপৰি, পৰম্পৰাগত বিৰামহীন-পৰিবাহী মোড (ডিচিএম) ত কাৰ্য্যকৰী হোৱা বুষ্ট পিএফচি কনভাৰ্টাৰৰ তুলনাত, পিচিচিএমত কাৰ্য্যকৰী হোৱা বুষ্ট পিএফচি কনভাৰ্টাৰে বৰ্তমান আৰু ভল্টেজ ৰিপল হ্ৰাসৰ সৈতে যথেষ্ট উন্নত প্ৰবাহ পৰিচালনা ক্ষমতা প্ৰদৰ্শন কৰে। ত্ৰি-ৰাজ্যৰ বুষ্ট পিএফচি কনভাৰ্টাৰৰ বিশ্লেষণ আৰু অনুকৰণ ফলাফল প্ৰদৰ্শন কৰা হৈছে আৰু পৰম্পৰাগত চিচিএম আৰু ডিচিএমত কাৰ্যকৰী হোৱা বুষ্ট পিএফচি কনভাৰ্টাৰৰ সৈতে তুলনা কৰা হৈছে। অনুকৰণ ফলাফলসমূহে ত্ৰি-ৰাজ্যৰ বুষ্ট পিএফচি কনভাৰ্টাৰৰ উৎকৃষ্ট গতিশীল প্ৰদৰ্শন দেখুৱায়। |
8629cebb7c574adf40d71d41389f340804c8c81f | এই প্ৰবন্ধত 1890 ৰ দশকত ভুচেটিচ আৰু হেনৰিৰ আদিম আঙুলিৰ চিনাক্তকৰণ প্ৰণালীৰ পৰা স্বয়ংক্ৰিয় আঙুলিৰ চিনাক্তকৰণৰ আগমনৰ জৰিয়তে ব্যক্তিসকলক চিনাক্ত কৰিবলৈ আঙুলিৰ চিনাক্তকৰণ প্ৰণালী ব্যৱহাৰ কৰাৰ প্ৰচেষ্টাৰ ইতিহাসৰ প্ৰধান বিকাশৰ সাৰাংশ দিয়া হৈছে। আঙুলিৰ ছাপ সংৰক্ষণ, মিলন আৰু পুনৰুদ্ধাৰৰ বাবে "মেনুৱেল" প্ৰণালীৰ ইতিহাসৰ বৰ্ণনা কৰি, প্ৰবন্ধটোৱে আঙুলিৰ ছাপ স্বয়ংক্ৰিয়ভাৱে চিনাক্তকৰণৰ অগ্ৰগতি ঐতিহাসিক প্ৰেক্ষাপটত ৰাখিছে আৰু তেওঁলোকৰ ঐতিহাসিক আৰু সামাজিক তাৎপৰ্য্য দাঙি ধৰিছে। |
7d9089cbe958da21cbd943bdbcb996f4499e701b | নথি স্তৰৰ অনুভূতি শ্ৰেণীবিভাগ এক প্ৰত্যাহ্বান হৈয়ে আছে: নথিৰ অৰ্থগত অৰ্থত বাক্যসমূহৰ মাজত থকা অন্তৰ্নিহিত সম্পৰ্কবোৰ এনকোডিং কৰা। এই সমস্যা সমাধানৰ বাবে আমি এটা নিউৰেল নেটৱৰ্ক মডেল প্ৰৱৰ্তন কৰিছো যাতে ভেক্টৰ ভিত্তিক নথি প্ৰতিনিধিত্বক একত্ৰিত, তলৰ পৰা ওপৰলৈ ফেশ্বনত শিকিব পাৰি। মডেলটোৱে প্ৰথমে কনভলুশ্যনেল নিউৰেল নেটৱৰ্ক বা দীঘলীয়া স্বল্পকালীন স্মৃতিৰ সৈতে বাক্য প্ৰতিনিধিত্ব শিকিব পাৰে। তাৰ পিছত, বাক্যসমূহৰ অৰ্থ আৰু তেওঁলোকৰ সম্পৰ্কসমূহ গেটযুক্ত পুনৰাবৃত্ত নিউৰেল নেটৱৰ্কৰ সৈতে নথি প্ৰতিনিধিত্বত অভিযোজিতভাৱে এনকোড কৰা হয়। আমি IMDB আৰু Yelp ডাটাছেট চেলেঞ্জৰ পৰা চাৰিটা বৃহৎ স্কেল পৰ্যালোচনা ডাটাছেটৰ ওপৰত নথি স্তৰৰ অনুভূতি শ্ৰেণীবিভাজন চলাইছো। পৰীক্ষামূলক ফলাফলবোৰে দেখুৱাইছে যে: (1) আমাৰ স্নায়ৱিক মডেলটোৱে কেইবাটাও অত্যাধুনিক এলগৰিথমৰ ওপৰত উন্নত প্ৰদৰ্শন দেখুৱাইছে; (2) গেটযুক্ত পুনৰাবৃত্ত স্নায়ৱিক নেটৱৰ্কে আৱেগিক শ্ৰেণীকৰণৰ বাবে নথি মডেলিংত মানদণ্ড পুনৰাবৃত্ত স্নায়ৱিক নেটৱৰ্কৰ তুলনাত নাটকীয়ভাৱে ভাল প্ৰদৰ্শন কৰে। |
b294b61f0b755383072ab332061f45305e0c12a1 | আমি এটা তত্ত্বাৱধানযুক্ত কামত পাৰদৰ্শিতা উন্নত কৰিবলৈ বিদ্যমান অৰ্থগত শব্দ ভেক্টৰসমূহৰ পুনৰ উদ্দেশ্যৰ বাবে এটা দ্ৰুত পদ্ধতি উপস্থাপন কৰোঁ। শেহতীয়াকৈ, কম্পিউটাৰ সম্পদৰ বৃদ্ধিৰ সৈতে, বৃহৎ পৰিমাণৰ লেবেলবিহীন তথ্যৰ পৰা সমৃদ্ধ শব্দৰ এম্বেডিং শিকিব পৰাটো সম্ভৱ হৈ উঠিছে। অৱশ্যে, কিছুমান পদ্ধতি ভালকৈ শিকিবলৈ দিন বা সপ্তাহ লাগে, আৰু কিছুমান প্ৰশিক্ষণ দিয়া কঠিন। আমি এটা পদ্ধতি প্ৰস্তাৱ কৰো যিয়ে এটা বিদ্যমান এম্বেডিং, কিছুমান লেবেলযুক্ত তথ্যক ইনপুট হিচাপে গ্ৰহণ কৰে আৰু একে স্থানতে এম্বেডিং উৎপাদন কৰে, কিন্তু সুপৰভাইজড টাস্কত উন্নত পূৰ্বানুমানক পাৰদৰ্শিতাৰে। আমি দেখুৱাব পাৰো যে বিভিন্ন ভিত্তিৰে অনুভূতি শ্ৰেণীবিভাজনৰ কামত উন্নতি হৈছে আৰু আমি লক্ষ্য কৰো যে প্ৰশিক্ষণ গোট যথেষ্ট সৰু হ লে এই পদ্ধতিটো আটাইতকৈ উপযোগী। |
4a27709545cfa225d8983fb4df8061fb205b9116 | আমি এটা ডাটা মাইনিং (ডি এম) পদ্ধতিৰ প্ৰস্তাৱ দিছো যিটোৱে বেংকৰ দীৰ্ঘম্যাদী আমানত বিক্ৰীৰ বাবে টেলি-মাৰ্কেটিং কলৰ সফলতাৰ ভৱিষ্যদ্বাণী কৰিব। ২০০৮ চনৰ পৰা ২০১৩ চনলৈ সংগ্ৰহ কৰা তথ্যৰ সৈতে এটা পৰ্তুগিজ খুচুৰা বেংকক সম্বোধন কৰা হৈছিল, যাৰ ফলত শেহতীয়া বিত্তীয় সংকটৰ প্ৰভাৱ অন্তৰ্ভুক্ত কৰা হৈছিল। আমি বেংকৰ গ্ৰাহক, প্ৰডাক্ট আৰু সামাজিক-অৰ্থনৈতিক বৈশিষ্ট্যৰ সৈতে সম্পৰ্কিত ১৫০ টা বৈশিষ্ট্যৰ এক বৃহৎ সমষ্টি বিশ্লেষণ কৰিছিলো। ২০১২ চনৰ জুলাই মাহৰ আগৰ তথ্যৰ সৈতে আধা স্বয়ংক্ৰিয় বৈশিষ্ট নিৰ্বাচন কৰা হৈছিল আৰু ২২ টা বৈশিষ্ট্যৰ এটা সংক্ষিপ্ত সংকলন নিৰ্বাচন কৰাৰ অনুমতি দিছিল। আমি চাৰিটা ডিএম মডেলৰ তুলনা কৰিলোঃ লজিষ্টিক ৰিগ্রেছন, ডিচিছন ট্রী (ডিটি), নিউৰেল নেটৱৰ্ক (এনএন) আৰু ছাপ র্ট ভেক্টৰ মেচিন। দুটা মেট্ৰিক, ৰিচিভাৰ অপাৰেটিং চৰিত্ৰগত বক্ৰৰ এলেকা (এ ইউ চি) আৰু এল আই এফ টি (এল আই এফ টি) ৰ সঞ্চিত বক্ৰৰ এলেকা ব্যৱহাৰ কৰি, চাৰিটা মডেলক এটা মূল্যায়ন পৰ্যায়ত, শেহতীয়া তথ্য (জুলাই ২০১২ ৰ পিছত) আৰু ৰ লিং উইণ্ডো আঁচনি ব্যৱহাৰ কৰি পৰীক্ষা কৰা হৈছিল। এন এন এলে শ্ৰেষ্ঠ ফলাফল প্ৰদৰ্শন কৰে (এ ইউ চি = ০.৮ আৰু এ এল আই এফ টি = ০.৭), অৰ্ধশ্ৰেষ্ঠ শ্ৰেণীবদ্ধ গ্ৰাহকক নিৰ্বাচন কৰি গ্ৰাহকসকলৰ ৭৯% লৈ যাবলৈ অনুমতি দিয়ে। তদুপৰি, জ্ঞান আহৰণৰ দুটা পদ্ধতি, সংবেদনশীলতা বিশ্লেষণ আৰু ডিটি, এনএন মডেলত প্ৰয়োগ কৰা হৈছিল আৰু কেইবাটাও মূল বৈশিষ্ট্য (যেনে, ইউৰিবোৰ হাৰ, কলৰ দিশ আৰু বেংক এজেন্টৰ অভিজ্ঞতা) প্ৰকাশ কৰিছিল। এই জ্ঞান আহৰণৰ ফলত প্ৰাপ্ত মডেলটো টেলিমাৰ্কেটিং প্ৰচাৰ অভিযানৰ পৰিচালকৰ বাবে বিশ্বাসযোগ্য আৰু মূল্যবান বুলি প্ৰমাণিত হয়। ইলেছভিয়ৰলৈ প্ৰেৰণ কৰা প্ৰিপ্ৰিন্ট ১৯ ফেব্ৰুৱাৰী ২০১৪ |
138c86b9283e4f26ff1583acdf4e51a5f88ccad1 | বিভিন্ন বস্তুৰ সৈতে মানুহৰ মত বিনিময় কৰা ছবি আৰু ভিডিঅ ৰ ব্যাখ্যা কৰাটো এক ভয়ংকৰ কাম। ইয়াত দৃশ্য বা ঘটনা বুজিবলৈ, মানুহৰ গতিবিধি বিশ্লেষণ কৰিবলৈ, পৰিচালনা কৰিব পৰা বস্তু চিনাক্ত কৰিবলৈ আৰু সেই বস্তুবোৰৰ ওপৰত মানুহৰ গতিবিধিৰ প্ৰভাৱ পৰ্যবেক্ষণ কৰিবলৈ জড়িত। এই প্ৰত্যেকটো উপলব্ধি কাৰ্য স্বতন্ত্ৰভাৱে কৰিব পাৰি যদিও, যেতিয়া সিহঁতৰ মাজৰ ক্ৰিয়া-প্ৰতিক্ৰিয়া বিবেচনা কৰা হয় তেতিয়া স্বীকৃতিৰ হাৰ উন্নত হয়। মানুহৰ উপলব্ধিৰ মনোবিজ্ঞান অধ্যয়নৰ দ্বাৰা অনুপ্ৰাণিত হৈ, আমি এটা বেইচিয়ান পদ্ধতি প্ৰদৰ্শন কৰো যিয়ে মানৱ-বস্তু ক্ৰিয়া-প্ৰতিক্ৰিয়া বুজিবলৈ জড়িত বিভিন্ন উপলব্ধিমূলক কামক একত্ৰিত কৰে। বস্তু আৰু ক্ৰিয়া চিনাক্তকৰণৰ পূৰ্বৰ পদ্ধতি ক্ৰমে স্থিৰ আকৃতি বা চেহেৰা বৈশিষ্ট্য মিল আৰু গতি বিশ্লেষণৰ ওপৰত নিৰ্ভৰ কৰে। আমাৰ পদ্ধতি এই পৰম্পৰাগত পদ্ধতিৰ বাহিৰত আৰু সংহতিপূৰ্ণ অৰ্থগত ব্যাখ্যাৰ বাবে প্ৰতিটো উপলব্ধি উপাদানত স্থানিক আৰু কাৰ্য্যকৰী সীমাবদ্ধতা প্ৰয়োগ কৰে। এনে সীমাবদ্ধতাই আমাক বস্তু আৰু কাৰ্য্যবোৰ চিনাক্ত কৰিবলৈ অনুমতি দিয়ে যেতিয়া দৃশ্যমানতা যথেষ্ট বৈষম্যমূলক নহয়। আমি স্থিৰ ছবিৰ পৰা কোনো গতি তথ্য ব্যৱহাৰ নকৰাকৈ কাৰ্য্য চিনাক্তকৰণত এনে সীমাবদ্ধতাৰ ব্যৱহাৰো প্ৰদৰ্শন কৰোঁ। |
321f14b35975b3800de5e66da64dee96071603d9 | বহুতো মেচিন লাৰ্ণিং এপ্লিকেচনৰ বৈশিষ্ট্য নিৰ্বাচন এটা গুৰুত্বপূৰ্ণ উপাদান। বিশেষকৈ বহুতো জৈৱ-তথ্যবিজ্ঞান কাৰ্যত, অৰ্থপূৰ্ণ বৈশিষ্ট্যসমূহ আহৰণ কৰিবলৈ আৰু শব্দযুক্তবোৰ আঁতৰ কৰিবলৈ কাৰ্য্যকৰী আৰু শক্তিশালী বৈশিষ্ট্য নিৰ্বাচন পদ্ধতিৰ প্ৰয়োজন হয়। এই প্ৰবন্ধত আমি এটা নতুন শক্তিশালী বৈশিষ্ট্য নিৰ্বাচন পদ্ধতিৰ প্ৰস্তাৱ আগবঢ়াইছো য ত ক্ষতিৰ কাৰ্য্য আৰু নিয়মীয়াকৰণ দুয়োটাতে যৌথ ≠2,1-নিয়ম হ্ৰাস কৰাত গুৰুত্ব দিয়া হৈছে। `2,1-নৰ্মৰ ভিত্তিত ক্ষতিৰ কাৰ্যটো ডাটা পইণ্টত আউটলিয়াৰৰ বাবে শক্তিশালী আৰু `2,1নৰ্মৰ নিয়মীয়াকৰণটোৱে যৌথ স্পাৰছিতী থকা সকলো ডাটা পইণ্টৰ বৈশিষ্ট্য নিৰ্বাচন কৰে। প্ৰমাণিত সংহতিৰ সৈতে এটা কাৰ্যকৰী এলগৰিথম প্ৰৱৰ্তন কৰা হয়। আমাৰ প্ৰতিলিপি ভিত্তিক লক্ষ্যই বৈশিষ্ট্য নিৰ্বাচন প্ৰক্ৰিয়াটোক অধিক কাৰ্যকৰী কৰে। আমাৰ পদ্ধতিটো জিনোমিক আৰু প্ৰ টেমিক দুয়োটা জৈৱ-নিৰ্ধাৰক আবিষ্কাৰৰ ক্ষেত্ৰত প্ৰয়োগ কৰা হৈছে। আমাৰ বৈশিষ্ট্য নিৰ্বাচন পদ্ধতিৰ কাৰ্যক্ষমতা প্ৰদৰ্শন কৰিবলৈ ছয়টা তথ্যৰ ওপৰত বিস্তৃত প্ৰামাণিক অধ্যয়ন কৰা হয়। |
9b505dd5459fb28f0136d3c63793b600042e6a94 | আমি মাল্টিমিডিয়া কনটেণ্ট বিশ্লেষণ আৰু পুনৰুদ্ধাৰৰ বাবে এটা নতুন ফ্ৰেমৱৰ্ক প্ৰদৰ্শন কৰিছো য ত দুটা স্বতন্ত্ৰ এলগৰিথম আছে। প্ৰথমতে, আমি এটা নতুন অৰ্ধ-পৰিদৰ্শিত অ্যালগৰিদমৰ প্ৰস্তাৱ দিছো যাক স্থানীয় প্ৰত্যাৱৰ্তন আৰু গোলকীয় সমন্বয় (LRGA) ৰ সৈতে স্থান নিৰ্ণয় কৰা বুলি কোৱা হয় যাতে ডাটা স্থান নিৰ্ণয়ৰ বাবে এটা শক্তিশালী লাপ্লেচিয়ান মেট্ৰিক্স শিকিব পাৰি। LRGA ত, প্ৰতিটো ডাটা পইণ্টৰ বাবে, ইয়াৰ চুবুৰীয়া পইণ্টসমূহৰ ৰেংকিং স্ক ৰবোৰ অনুমান কৰিবলৈ এটা স্থানীয় ৰেখীয় প্ৰতিলিপি মডেল ব্যৱহাৰ কৰা হয়। ইয়াৰ পিছত এটা একীকৃত উদ্দেশ্য কাৰ্য প্ৰস্তাৱ কৰা হয় যাতে সকলো তথ্য পইণ্টৰ পৰা স্থানীয় মডেলবোৰ গোলকীয়ভাৱে সংলগ্ন কৰিব পাৰি যাতে প্ৰতিটো তথ্য পইণ্টক এটা সৰ্বোত্তম ৰেংকিং স্ক ৰ প্ৰদান কৰিব পাৰি। দ্বিতীয়তে, আমি মাল্টিমিডিয়া ডাটা প্ৰতিনিধিত্বক পৰিমার্জন কৰিবলৈ এটা আধা-নিৰীক্ষণযুক্ত দীৰ্ঘম্যাদী প্রাসংগিকতা ফিডব্যাক (RF) এলগৰিদমৰ প্ৰস্তাৱ দিছোঁ। প্ৰস্তাৱিত দীৰ্ঘম্যাদী RF এলগৰিথমটোৱে মাল্টিমিডিয়া বৈশিষ্ট্যৰ স্থানত মাল্টিমিডিয়া ডাটা বিতৰণ আৰু ব্যৱহাৰকাৰীৰ দ্বাৰা প্ৰদান কৰা ইতিহাস RF তথ্য দুয়োটাই ব্যৱহাৰ কৰে। এটা ট্ৰেইছ অনুপাত অপ্টিমাইজেশ্যন সমস্যা তাৰ পিছত এটা কাৰ্যকৰী এলগৰিথমৰ দ্বাৰা প্ৰস্তুত আৰু সমাধান কৰা হয়। এই এলগৰিথমসমূহ বহুতো বিষয়বস্তু-ভিত্তিক মাল্টিমিডিয়া পুনৰুদ্ধাৰ প্ৰয়োগৰ ক্ষেত্ৰত প্ৰয়োগ কৰা হৈছে, য ত ক্ৰছ-মিডিয়া পুনৰুদ্ধাৰ, ছবি পুনৰুদ্ধাৰ আৰু 3D গতি/প জ ডাটা পুনৰুদ্ধাৰ অন্তৰ্ভুক্ত। চাৰিটা ডাটা ছেটত কৰা বিস্তৃত পৰীক্ষাই ইয়াৰ সুক্ষ্মতা, দৃঢ়তা, স্কেলিবিলিটি আৰু কম্পিউটেশ্যনেল দক্ষতাৰ সুবিধা প্ৰদৰ্শন কৰিছে। |
0ef550dacb89fb655f252e5b17dbd5d643eb5ac1 | আমি দুটা মেকাক বান্দৰৰ নিম্নতম অঞ্চলৰ ৬ (F5) ৰ ৰোষ্ট্ৰেল অংশৰ ৫৩২ টা নিউৰনৰ পৰা বৈদ্যুতিক কাৰ্যকলাপ ৰেকৰ্ড কৰিছিলো। পূৰ্বৰ তথ্যত দেখা গৈছিল যে এই অঞ্চলৰ নিউৰনবোৰ লক্ষ্য-নিৰ্দেশিত হাত আৰু মুখৰ গতিবিধিৰ সময়ত স্ৰাৱ হয়। আমি ইয়াত নতুনকৈ আৱিষ্কাৰ কৰা এফ৫ নিউৰনসমূহৰ সম্পত্তিৰ বৰ্ণনা দিছো ("মিরৰ নিউৰন", n = 92) যি সকলোবোৰ নিমখটোৱে এটা নিৰ্দিষ্ট ক্ৰিয়া কৰাৰ সময়ত আৰু পৰীক্ষকজনে কৰা একে ধৰণৰ ক্ৰিয়াটো পৰ্যবেক্ষণ কৰাৰ সময়ত সক্ৰিয় হৈ পৰে। দৰ্শনত সক্ৰিয় হ বলৈ মৃদু নিউৰনবোৰক ক্ৰিয়াৰ কাৰক আৰু বস্তুৰ মাজত পাৰস্পৰিক ক্ৰিয়া-প্ৰতিক্ৰিয়াৰ প্ৰয়োজন হয়। কেৱল এজেন্ট বা কেৱল বস্তু (ত্ৰি-মাত্রিক বস্তু, খাদ্য) ৰ দৃষ্টিশক্তি কাৰ্যকৰী নাছিল। হাত আৰু মুখৰ ব্যৱহাৰ আছিল আটাইতকৈ কাৰ্যকৰী। মৃগযন্ত্ৰক নিউৰন সক্ৰিয় কৰাসকলৰ ভিতৰত সৰ্বাধিক প্ৰতিনিধিত্ব কৰা ক্ৰিয়াসমূহ হৈছে ধৰিব পৰা, হস্তক্ষেপ কৰিব পৰা আৰু স্থানান্তৰ কৰা। অধিকাংশ আয়না নিউৰন (৯২%) ত তেওঁলোকে প্ৰতিক্ৰিয়া কৰা ভিজুৱেল ক্ৰিয়া আৰু কোড কৰা মটৰ প্ৰতিক্ৰিয়াৰ মাজত এক স্পষ্ট সম্পৰ্ক আছিল। প্ৰায় ৩০% মিৰ ল নিউৰনসমূহৰ ক্ষেত্ৰত সমতা অতি কঠোৰ আছিল আৰু কাৰ্যকৰী পৰ্যবেক্ষণ আৰু কাৰ্যকৰী কাৰ্য্যবোৰ সাধাৰণ কাৰ্য্যৰ ক্ষেত্ৰত (যেনে, এই কাৰ্য্যটো কেনেকৈ কৰা হৈছিল (যেনে, সঠিক ধৰিব পৰা ক্ষমতা) আমি এই প্ৰস্তাৱ আগবঢ়াইছো যে মিরৰ নিউৰনবোৰে মটৰ ক্ৰিয়াৰ পৰ্যবেক্ষণ আৰু কাৰ্যকৰীকৰণৰ বাবে এটা ব্যৱস্থা গঠন কৰে। আমি এই প্ৰণালীৰ কাৰ্য্য চিনাক্তকৰণৰ সম্ভাৱ্য ভূমিকাৰ বিষয়ে আলোচনা কৰোঁ আৰু F5 আৰু মানৱ Brocca s অঞ্চলৰ মাজত প্ৰস্তাৱিত সমকামিতাৰ কথা বিবেচনা কৰি, আমি ধাৰণা কৰোঁ যে মানুহৰ মাজত আয়না নিউৰনৰ দৰে একে ধৰণৰ এটা মিলিত প্ৰণালী আছে আৰু কাৰ্য্য চিনাক্তকৰণৰ লগতে ধ্বনিগত আচাৰসমূহৰ সৈতে জড়িত হ ব পাৰে। |
15b2c44b3868a1055850846161aaca59083e0529 | আমি লেবেলযুক্ত আৰু লেবেলবিহীন তথ্যৰ পৰা শিকাৰ সাধাৰণ সমস্যাটো বিবেচনা কৰোঁ, যাক প্ৰায়ে আধা-পৰিদৰ্শিত শিকন বা অনুবাদমূলক অনুমান বোলা হয়। আধা-নিৰীক্ষণযুক্ত শিক্ষণৰ এটা নীতিগত পদ্ধতি হৈছে এটা শ্ৰেণীবিভাজন কাৰ্য্যক পৰিকল্পিত কৰা যিটো পৰিচিত লেবেলযুক্ত আৰু লেবেলবিহীন বিন্দুসমূহৰ দ্বাৰা সামগ্ৰিকভাৱে প্ৰকাশিত অন্তৰ্নিহিত গাঁথনিৰ প্ৰতি সন্মান সহকাৰে যথেষ্ট মসৃণ। আমি এনে এটা মসৃণ সমাধান পাবলৈ এটা সৰল এলগৰিথম উপস্থাপন কৰিছোঁ। আমাৰ পদ্ধতিয়ে বিভিন্ন শ্ৰেণীবিভাজনৰ সমস্যাৰ ওপৰত উৎসাহজনক পৰীক্ষামূলক ফলাফল প্ৰদান কৰে আৰু লেবেলবিহীন তথ্যৰ কাৰ্যকৰী ব্যৱহাৰ প্ৰদৰ্শন কৰে। |
50886d25ddd5d0d1982ed94f90caa67639fcf1a1 | |
4c2bbcb3e897e927cd390517b2036b0b9123953c | ৰ অনট লজিয়ে পৰ্যবেক্ষণ কৰা বাস্তৱ জগতৰ বস্তুৰ মাজত স্থান-কালীন আদিম সম্পৰ্কসমূহৰ ধাৰণা প্ৰৱৰ্তন কৰে যাৰ ফলত ফ্ৰেমৱৰ্কৰ পুনৰ ব্যৱহাৰযোগ্যতা উন্নত হয়। ইয়াৰ প্ৰয়োগযোগ্যতা প্ৰদৰ্শন কৰিবলৈ, এটা প্ৰ টোটাইপ "BeAware! পথ পৰিবহণ ব্যৱস্থাপনাৰ ক্ষেত্ৰত এই প্ৰণালীটো প্ৰয়োগ কৰা হৈছে। এই প্ৰ টোটাইপৰ এক সামগ্ৰিক পৰ্যালোচনা আৰু অনট লজি-চালিত তথ্য প্ৰণালীৰ বিকাশৰ বাবে লাভ কৰা শিক্ষা আমাৰ অৱদানৰ সমাপ্তি ঘটায়। © ২০১০ এলেছভিয়াৰ বি.ভি. সকলো অধিকাৰ সংৰক্ষিত অনলাইন উপলব্ধ ১৮ জুলাই ২০১০ তথ্যৰ অতিৰিক্ত চাপ বৃহৎ পৰিসৰৰ নিয়ন্ত্ৰণ ব্যৱস্থাৰ মানৱ অপাৰেটৰসকলৰ বাবে এক গুৰুতৰ সমস্যা, যেনে, উদাহৰণস্বৰূপে, পথ পৰিবহণ ব্যৱস্থাপনাৰ ক্ষেত্ৰত দেখা যায়। এই ধৰণৰ ব্যৱস্থাৰ অপাৰেটৰসকলে পৰিস্থিতিৰ সজাগতাৰ অভাৱৰ আশংকা কৰে, কাৰণ বৰ্তমানৰ ব্যৱস্থাবোৰ কেৱল গ্ৰাফিক্যাল ইউজাৰ ইণ্টাৰফেচত উপলব্ধ তথ্যৰ উপস্থাপনৰ ওপৰতহে গুৰুত্ব দিয়ে- যাৰ ফলত সংকটজনক পৰিস্থিতিৰ সময়মতে আৰু সঠিকভাৱে চিনাক্তকৰণ, সমাধান আৰু প্ৰতিৰোধ বিপন্ন হয়। সাম্প্ৰতিক বছৰবোৰত, পৰিস্থিতিৰ সজাগতাৰ বাবে অনট লজি-ভিত্তিক পদ্ধতিসমূহ উদ্ভৱ হৈছে যিবোৰত অৰ্থগতভাৱে অধিক ধনী জ্ঞানৰ মডেলৰ বৈশিষ্ট্য আছে। অৱশ্যে, বৰ্তমানৰ পদ্ধতিবোৰ অতিমাত্ৰা ড মেইন-নিৰ্দিষ্ট বা ড মেইন-স্বতন্ত্ৰ হ লে, তেওঁলোকৰ পুনৰ ব্যৱহাৰযোগ্যতাৰ ক্ষেত্ৰত কমতা আছে। এই প্ৰবন্ধত আমি বি এৱাৰ!ৰ বিকাশৰ পৰা লাভ কৰা অভিজ্ঞতাৰ বিষয়ে আলোচনা কৰিম, যিটো হৈছে অপাৰেটৰসকলৰ পৰিস্থিতিৰ সজাগতা বৃদ্ধিৰ লক্ষ্যৰে অন্টোলজি-চালিত তথ্য প্ৰণালীৰ বাবে এক ফ্ৰেমৱৰ্ক। বৰ্তমানৰ ড মেইন-স্বতন্ত্ৰ পদ্ধতিৰ বিপৰীতে, BeAware! |
abf9ee52b29f109f5dbf6423fbc0d898df802971 | |
a31e3b340f448fe0a276b659a951e39160a350dd | সাধাৰণ তথ্য ব্যৱস্থা (আই এছ) আৰু কিছুমান তথ্য প্ৰযুক্তি (আই টি) প্ৰয়োগৰ সৈতে ব্যৱহাৰকাৰীৰ সন্তুষ্টিৰ বিষয়ে তথ্য প্ৰযুক্তি গৱেষণাত ভালদৰে অধ্যয়ন কৰা হৈছে। কিন্তু পৰ্টেল প্ৰযুক্তিৰ ব্যাপক আৰু বৰ্ধিত ব্যৱহাৰৰ সৈতে, পৰ্টেলৰ ব্যৱহাৰৰ ওপৰত ব্যৱহাৰকাৰীৰ সন্তুষ্টিৰ অধ্যয়ন কৰাৰ প্ৰয়োজন আছে-বিশেষকৈ, বিজনেছ টু এমপ্লয়িজ (বি2ই) পৰ্টেল। এই প্ৰবন্ধত আমি b2e পৰ্টেলৰ ব্যৱহাৰকাৰীৰ সন্তুষ্টি নিৰ্ণয় কৰাৰ বাবে এক ধাৰণাগত মডেলৰ প্ৰস্তাৱ আগবঢ়াইছো, যিটো ব্যৱহাৰকাৰীৰ সন্তুষ্টি স্কেল আৰু b2e পৰ্টেলৰ বিস্তৃত সাহিত্য পৰ্যালোচনাৰ পৰা উদ্ভূত হৈছে। b2e পৰ্টেলৰ ব্যৱহাৰকাৰীৰ সন্তুষ্টিৰ নটা দিশ চিনাক্ত আৰু মডেল কৰা হৈছেঃ তথ্যৰ বিষয়বস্তু, ব্যৱহাৰৰ সহজতা, প্ৰৱেশৰ সুবিধা, সময়মতে, দক্ষতা, সুৰক্ষা, গোপনীয়তা, যোগাযোগ আৰু বিন্যাস। |
0848827ba30956e29d7d126d0a05e51660094ebe | ইন্টাৰনেট অৱ থিংছ (আইঅ টি) এ স্বয়ংক্ৰিয় প্ৰণালীৰ ব্যৱস্থাপনা আৰু নিয়ন্ত্ৰণত বৈপ্লৱিক পৰিৱৰ্তন আনিছে আৰু স্মাৰ্ট হোম, স্মাৰ্ট চিটি, স্বাস্থ্যসেৱা, পৰিবহণ আদিৰ দৰে ক্ষেত্ৰসমূহত এক দৃষ্টান্তমূলক পৰিৱৰ্তন আনিছে। যুদ্ধক্ষেত্ৰত সামৰিক অভিযানৰ কাৰ্যকৰীতা বৃদ্ধি কৰাত ইণ্টাৰনেট অফ থিংছ প্ৰযুক্তিয়ে গুৰুত্বপূৰ্ণ ভূমিকা পালন কৰিব বুলি ধাৰণা কৰা হৈছে। যুদ্ধৰ সামগ্ৰী আৰু অন্যান্য যুদ্ধক্ষেত্ৰৰ সম্পদৰ আন্তঃসংযোগক সমন্বিত স্বয়ংক্ৰিয় সিদ্ধান্তৰ বাবে যুদ্ধক্ষেত্ৰৰ বস্তুসমূহৰ ইণ্টাৰনেট (আইঅ বিটি) বুলি কোৱা হয়। আইঅ বিটি নেটৱৰ্কসমূহ যুদ্ধক্ষেত্ৰৰ নিৰ্দিষ্ট প্ৰত্যাহ্বান যেনে যোগাযোগ আন্তঃগাঁথনিৰ অভাৱ আৰু চাইবাৰ আৰু শাৰীৰিক আক্ৰমণৰ প্ৰতি ডিভাইচসমূহৰ সংবেদনশীলতাৰ বাবে পৰম্পৰাগত আইঅ টি নেটৱৰ্কৰ পৰা যথেষ্ট পৃথক। যুদ্ধৰ দৃশ্যপটত যুঁজৰ দক্ষতা আৰু সমন্বিত সিদ্ধান্ত গ্ৰহণৰ বাবে প্ৰকৃত সময়ৰ তথ্য সংগ্ৰহ কৰাতো অতিশয় নিৰ্ভৰ কৰে, যিটো পৰৱৰ্তী সময়ত নেটৱৰ্কৰ সংযোগ আৰু বিৰোধীৰ উপস্থিতিত তথ্য প্ৰসাৰিত কৰাত নিৰ্ভৰ কৰে। এই কামৰ উদ্দেশ্য হৈছে নিৰাপদ আৰু পুনৰ সংৰূপণযোগ্য IoBT নেটৱৰ্ক ডিজাইন কৰাৰ তাত্ত্বিক ভেটি নিৰ্মাণ কৰা। ষ্ট কাষ্টিক জ্যামিতি আৰু গাণিতিক মহামাৰীবিজ্ঞানৰ তত্ত্বৰ ব্যৱহাৰ কৰি আমি বিভিন্ন ধৰণৰ নেটৱৰ্ক ডিভাইচৰ মাজত মিছন-ক্ৰিটিকেল ডাটাৰ যোগাযোগৰ অধ্যয়নৰ বাবে এক একত্ৰিত ফ্ৰেমৱৰ্ক বিকাশ কৰো আৰু ফলস্বৰূপে ব্যয়সাধ্য পদ্ধতিৰে নেটৱৰ্কটো ডিজাইন কৰো। |
32e876a9420f7c58a3c55ec703416c7f57a54f4c | প্ৰব্লেমেলিষ্টিক গ্ৰাফিক মডেল, বিশ্বাস নেটৱৰ্ক, কাৰণগত প্ৰভাৱ আৰু প্ৰব্লেমেলিষ্টিক ইনফাৰেন্সৰ সদায়ে বৃদ্ধি পোৱা ক্ষেত্ৰসমূহৰ অধিকাংশ গৱেষকৰ বাবে, এচিএম ট্যুৰিং বঁটা বিজয়ী ডঃ পাৰ্ল আৰু তেওঁৰ ছেমিনাৰী পেপাৰসমূহ কাৰণগততাৰ ওপৰত সুপৰিচিত আৰু স্বীকৃত। কাৰণ আৰু প্ৰতিক্ৰিয়া, এটা ঘটনাৰ (কাৰণ) আৰু দ্বিতীয় ঘটনা (প্ৰভাৱ) ৰ মাজৰ সম্পৰ্ক, য ত দ্বিতীয় ঘটনাটো প্ৰথমটোৰ পৰিণাম হিচাপে বুজা যায়, এক প্ৰত্যাহ্বানমূলক সমস্যা। বছৰ বছৰ ধৰি ডঃ পাৰ্ল য়ে কাৰণ আৰু প্ৰভাৱৰ কলা আৰু বিজ্ঞান দুয়োটাৰ বিষয়ে যথেষ্ট লিখিছে। "কাৰণাত্মকতাঃ মডেল, যুক্তি আৰু অনুমান" এই গ্ৰন্থত, বেইচিয়ান বিশ্বাস নেটৱৰ্কৰ উদ্ভাৱকজনে তেওঁৰ পূৰ্বৰ কামৰ বিষয়ে আলোচনা কৰে আৰু বিস্তাৰ কৰে, কিন্তু ইয়াৰ ভিতৰত কাৰণ আৰু প্ৰভাৱৰ সৈতে যুক্তি, পৰিসংখ্যাত কাৰণগত অনুমান, ছিম্পছনৰ পাৰডক্স, অভিজ্ঞতাত্বিক গৱেষণাৰ বাবে কাৰণগত ডায়াগ্ৰাম, কাৰণগত দাবীৰ দৃঢ়তা, কাৰণ আৰু ব্যাখ্যা, আৰু কাৰণৰ সম্ভাৱনা, সীমা আৰু চিনাক্তকৰণ। |
a04145f1ca06c61f5985ab22a2346b788f343392 | তথ্য প্ৰণালীৰ সফলতাৰ বাবে সহায় কৰা কাৰকসমূহ চিনাক্ত কৰাৰ প্ৰয়াস কৰি যোৱা এক দশক আৰু আঢ়ৈ বছৰত বহুতো অধ্যয়ন কৰা হৈছে। অৱশ্যে, এই অধ্যয়নত নিৰ্ভৰশীল ভৰলুৱাক-আই/এছ সফলতা-সংজ্ঞায়িত কৰাটো এক কঠিন বিষয়। বিভিন্ন গৱেষকে সফলতাৰ বিভিন্ন দিশৰ ওপৰত গুৰুত্ব দিছে, যি তুলনা কৰাত অসুবিধা কৰে আৰু আই/এছ গৱেষণাৰ বাবে এক সংগ্ৰহিত পৰম্পৰা গঢ়ি তোলাৰ সম্ভাৱনা একেদৰে অস্পষ্ট। এই বৈচিত্ৰ্যপূৰ্ণ গৱেষণাক সংগঠিত কৰাৰ লগতে I/S সফলতাৰ ধাৰণাটোৰ এক সংহত দৃষ্টিভংগী দাঙি ধৰাৰ বাবে, এক বিস্তৃত শ্ৰেণীবিভাজন প্ৰৱৰ্তন কৰা হৈছে। এই শ্ৰেণীবিভাজনত I/S সফলতাৰ ছয়টা প্ৰধান মাত্ৰা বা শ্ৰেণী আছে- চিস্টেমৰ মান, তথ্যৰ গুণমান, ব্যৱহাৰ, ব্যৱহাৰকাৰীৰ সন্তুষ্টি, ব্যক্তিৰ প্ৰভাৱ আৰু সংগঠনৰ প্ৰভাৱ। এই পৰিমাপসমূহ ব্যৱহাৰ কৰি, ধাৰণা আৰু অভিজ্ঞতাগত অধ্যয়ন দুয়োটাই পৰ্যালোচনা কৰা হয় (মুঠ ১৮০ টা প্ৰবন্ধ উদ্ধৃত কৰা হৈছে) আৰু শ্ৰেণীবিভাজনৰ পৰিমাপ অনুসৰি সংগঠিত কৰা হয়। শেষত, আই/এছ সফলতাৰ বহুতো দিশ এক বৰ্ণনামূলক মডেলত একত্ৰিত কৰা হৈছে আৰু ভৱিষ্যতৰ আই/এছ গৱেষণাৰ বাবে ইয়াৰ প্ৰভাৱ আলোচনা কৰা হৈছে। |
a99f1f749481e44abab0ba9a8b7c1d3572a2e465 | |
5c8bb027eb65b6d250a22e9b6db22853a552ac81 | |
3913d2e0a51657a5fe11305b1bcc8bf3624471c0 | প্ৰতিনিধিত্ব শিকন প্ৰাকৃতিক ভাষা প্ৰক্ৰিয়াকৰণৰ এটা মৌলিক সমস্যা। এই প্ৰবন্ধত পাঠ্য শ্ৰেণীবিভাজনৰ বাবে এটা সুসংগঠিত প্ৰতিনিধিত্ব কেনেকৈ শিকিব লাগে সেই বিষয়ে অধ্যয়ন কৰা হৈছে। বৰ্তমানৰ প্ৰতিনিধিত্বৰ প্ৰতীকসমূহৰ বিপৰীতে যিসমূহ প্ৰণালী ব্যৱহাৰ নকৰে বা পূৰ্ব নিৰ্ধাৰিত প্ৰণালীসমূহৰ ওপৰত নিৰ্ভৰ কৰে, আমি এটা শক্তিশালী শিকন (RL) পদ্ধতিৰ প্ৰস্তাৱ দিছো যাতে স্বয়ংক্ৰিয়ভাৱে অপ্টিমাইজড প্ৰণালীসমূহ আৱিষ্কাৰ কৰি বাক্য প্ৰতিনিধিত্ব শিকিব পাৰি। আমি গঠনমূলক প্ৰতিনিধিত্ব গঢ়ি তোলাৰ দুটা প্ৰয়াস প্ৰদৰ্শন কৰিমঃ তথ্য নিষ্কাশিত এলএছটিএম (আইডি-এলএছটিএম) আৰু শ্ৰেণীবদ্ধভাৱে গঠিত এলএছটিএম (এইচএছ-এলএছটিএম) । ID-LSTM এ কেৱল গুৰুত্বপূৰ্ণ, কাৰ্য্য-প্ৰাসংগিক শব্দবোৰহে নিৰ্বাচন কৰে আৰু HS-LSTM এ এটা বাক্যত বাক্যাংশৰ গাঁথনি আৱিষ্কাৰ কৰে। প্ৰতিনিধিত্বৰ দুবিধ মডেলত গঠন আৱিষ্কাৰক এটা ক্ৰমিক সিদ্ধান্ত সমস্যা হিচাপে প্ৰস্তুত কৰা হৈছেঃ গঠন আৱিষ্কাৰৰ বৰ্তমান সিদ্ধান্তই পৰৱৰ্তী সিদ্ধান্তবোৰক প্ৰভাৱিত কৰে, যাক নীতি গ্ৰেডিয়েন্ট আৰএল দ্বাৰা সমাধান কৰিব পাৰি। ফলাফলবোৰে দেখুৱাইছে যে আমাৰ পদ্ধতিটোৱে গুৰুত্বপূৰ্ণ শব্দ বা কাৰ্য-প্ৰাসংগিক গাঁথনিসমূহক স্পষ্ট গাঁথনিৰ টোকা অবিহনে চিনাক্ত কৰি কাৰ্য-বন্ধুত্বপূৰ্ণ প্ৰতিনিধিত্ব শিকিব পাৰে আৰু এইদৰেই প্ৰতিযোগিতামূলক প্ৰদৰ্শন প্ৰদান কৰে। |
599ebeef9c9d92224bc5969f3e8e8c45bff3b072 | ৱৰ্ল্ড ৱাইড ৱেবৰ বিস্ফোৰক বিকাশ আৰু ই-কমাৰ্চৰ উত্থানে পৰামৰ্শদাতা প্ৰণালীৰ বিকাশৰ বাবে নেতৃত্ব দিছে --- এক ব্যক্তিগতকৃত তথ্য ফিল্টাৰিং প্ৰযুক্তি যি এক নিৰ্দিষ্ট ব্যৱহাৰকাৰীৰ বাবে আগ্ৰহজনক আইটেমসমূহৰ এটা গোট চিনাক্ত কৰিবলৈ ব্যৱহাৰ কৰা হয়। ব্যৱহাৰকাৰী-ভিত্তিক সহযোগিতামূলক ফিল্টাৰিং হৈছে পৰামর্শদাতা ব্যৱস্থা গঠনৰ বাবে এতিয়ালৈকে আটাইতকৈ সফল প্ৰযুক্তি আৰু ইয়াক বহুতো বাণিজ্যিক পৰামর্শদাতা ব্যৱস্থাত বহুলভাৱে ব্যৱহাৰ কৰা হয়। দুৰ্ভাগ্যজনকভাৱে, এই পদ্ধতিসমূহৰ গণনামূলক জটিলতা গ্ৰাহকৰ সংখ্যাৰ সৈতে ৰেখামূলকভাৱে বৃদ্ধি হয়, যিটো সাধাৰণ বাণিজ্যিক প্ৰয়োগত কেইবা মিলিয়ন হ ব পাৰে। এই স্কেলিবিলিটি উদ্বেগসমূহ সমাধান কৰিবলৈ মডেল-ভিত্তিক পৰামৰ্শ প্ৰণালীসমূহ বিকশিত কৰা হৈছে। এই প্ৰণালীবোৰে ব্যৱহাৰকাৰী-পদাৰ্থ মেট্ৰিক্স বিশ্লেষণ কৰি বিভিন্ন পদাৰ্থৰ মাজত সম্পৰ্ক আৱিষ্কাৰ কৰে আৰু এই সম্পৰ্কবোৰ ব্যৱহাৰ কৰি পৰামৰ্শসমূহৰ তালিকা গণনা কৰে। এই প্ৰবন্ধত, আমি এনে এক শ্ৰেণীৰ মডেল-ভিত্তিক পৰামৰ্শ এলগৰিথম উপস্থাপন কৰো যি প্ৰথমতে বিভিন্ন পদাৰ্থৰ মাজত সাদৃশ্য নিৰ্ধাৰণ কৰে আৰু তাৰ পিছত সেইবোৰ ব্যৱহাৰ কৰি পৰামৰ্শ দিয়া সামগ্ৰীৰ ছেট চিনাক্ত কৰে। এই শ্ৰেণীৰ এলগৰিথমৰ মূল পদক্ষেপবোৰ হ ল (i) আইটেমসমূহৰ মাজত সাদৃশ্য গণনা কৰিবলৈ ব্যৱহৃত পদ্ধতি, আৰু (ii) আইটেমসমূহৰ এটা ক ৰ্ট আৰু প্ৰাৰ্থী পৰামৰ্শদাতা আইটেমৰ মাজত সাদৃশ্য গণনা কৰিবলৈ এই সাদৃশ্যবোৰ সংযুক্ত কৰিবলৈ ব্যৱহৃত পদ্ধতি। আঠটা বাস্তৱ তথ্যৰ ওপৰত আমাৰ পৰীক্ষামূলক মূল্যায়নে দেখুৱাইছে যে এই আইটেম-ভিত্তিক এলগৰিথমবোৰ পৰম্পৰাগত ব্যৱহাৰকাৰী-আৱেশভিত্তিক পৰামৰ্শদাতা প্ৰণালীতকৈ দ্ৰুত আৰু তুলনামূলক বা উন্নত মানৰ পৰামৰ্শ প্ৰদান কৰে। |
01a8909330cb5d4cc37ef50d03467b1974d6c9cf | এই সামগ্ৰিকভাৱে স্বায়ত্তশাসিত বহু-আঙুলিৰ ৰবোটিক হাতৰ সৈতে 3D বস্তু গ্ৰেপিংৰ বাবে কম্পিউটেশ্যনেল এলগৰিথম উপস্থাপন কৰে। ৰব টিক গ্ৰেপিং দশকজুৰি সক্ৰিয় গৱেষণা বিষয় হৈ আহিছে, আৰু গ্ৰেপিং সংশ্লেষণ এলগৰিথমত বহুতো প্ৰচেষ্টা ব্যয় কৰা হৈছে। বৰ্তমানৰ কাগজত গ্ৰেপিংৰ মেকানিকেল আৰু আঙুলি-বস্তু যোগাযোগৰ ক্ৰিয়া-প্ৰতিক্ৰিয়া [7] বা ৰবট হাতৰ ডিজাইন আৰু সেইবোৰৰ নিয়ন্ত্ৰণৰ ওপৰত গুৰুত্ব দিয়া হৈছে [1]। ৰবট গ্ৰেপিং সংশ্লেষণ এলগৰিথমসমূহ ৬৩ ত পুনৰীক্ষণ কৰা হৈছে, কিন্তু তেতিয়াৰ পৰা গ্ৰেপিং সমস্যাৰ বাবে শিক্ষণ কৌশল প্ৰয়োগৰ দিশত এক গুৰুত্বপূৰ্ণ অগ্ৰগতি লাভ কৰা হৈছে। এই সামগ্ৰিক দৃষ্টিভংগীয়ে বিশ্লেষণাত্মক আৰু অভিজ্ঞতামূলক সংকেত পদ্ধতিৰ ওপৰত গুৰুত্ব দিয়ে। |
4e03cadf3095f8779eaf878f0594e56ad88788e2 | |
a63c3f53584fd50e27ac0f2dcbe28c7361b5adff | ৰশ্মি, মাইক্ৰ ৱেভ আৰু মিলিমিটাৰ-ৱেভ এপ্লিকেচনৰ বাবে চিলেকচনে নতুন সম্ভাৱনীয়তা আৰু প্ৰত্যাহ্বান আগবঢ়ায়। যদিও SiGe হেটেৰ জংশন বাইপ লাৰ ট্ৰানজিষ্টৰৰ উচ্চ কাট অফ ফ্ৰেক্সেন্স আৰু MOSFETs ৰ চিৰ সংকুচিত বৈশিষ্ট্য আকাৰৰ বহু প্ৰতিশ্ৰুতি আছে, এই প্ৰযুক্তিসমূহৰ বাস্তৱিকতা, যেনে নিম্ন ভাঙি যোৱা ভল্টেজ, লছিচ ছাবষ্ট্ৰেট, নিম্ন-Q প্যাচিভ, দীঘল আন্তঃসংযোগ পৰজীৱী, আৰু উচ্চ-ফ্ৰেক্সিং কাপলিং সমস্যাসমূহৰ সৈতে মোকাবিলা কৰিবলৈ নতুন ডিজাইন কৌশল উদ্ভাৱন কৰিব লাগিব। চিলেকচনত সম্পূৰ্ণ চিষ্টেম ইণ্টিগ্ৰেচনৰ উদাহৰণ হিচাপে এই প্ৰবন্ধত প্ৰথমটো সম্পূৰ্ণ সংহত ২৪-জিএইচজি আঠ-উপাদানৰ ফেজড এৰে ৰিচিভাৰ 0.18-/স্প্লী মিউ/মিঃ চিলেকচন-জাৰ্মানিয়ামত আৰু প্ৰথমটো সম্পূৰ্ণ সংহত ২৪-জিএইচজি চাৰি-উপাদানৰ ফেজড এৰে ট্ৰান্সমিটাৰ 0.18-/স্প্লী মিউ/মিঃ চিএমঅ এচত সংহত শক্তি এম্প্লিফায়াৰসমূহৰ সৈতে। প্ৰেৰণক আৰু গ্ৰহণকক ৰশ্মি গঠন কৰিবলৈ সক্ষম আৰু যোগাযোগ, দূৰত্ব, অৱস্থান আৰু সংবেদনৰ প্ৰয়োগৰ বাবে ব্যৱহাৰ কৰিব পাৰি। |
64da24aad2e99514ab26d093c19cebec07350099 | বিশ্বব্যাপী ইণ্টাৰনেট নেটৱৰ্ক, গভীৰ মহাকাশ অনুসন্ধান আৰু মহাকাশ গৱেষণা প্ৰচেষ্টাসমূহৰ বিকল্প সমাধান হিচাপে বাণিজ্যিক উদ্যোগত কিউবছেট প্লেটফৰ্মসমূহ ক্ৰমাৎ জনপ্ৰিয় হৈ পৰিছে। বহুতো প্ৰযুক্তি কোম্পানী আৰু চিষ্টেম ইঞ্জিনিয়াৰসকলে বিশ্বব্যাপী নিম্ন পৃথিৱীৰ কক্ষপথ (LEO) আন্তঃ উপগ্ৰহ নক্ষত্ৰৰ অংশ হিচাপে সৰু উপগ্ৰহ প্ৰণালী ৰূপায়ণৰ পৰিকল্পনা কৰিছে। এই প্ৰচেষ্টাসমূহক আগুৱাই নিয়াৰ ক্ষেত্ৰত উচ্চ কাৰ্যক্ষমতা সম্পন্ন কম খৰচী হাৰ্ডৱেৰ অতি গুৰুত্বপূৰ্ণ। এই প্ৰবন্ধত কে-বেণ্ড ইণ্টিগ্ৰেটেড ট্ৰান্সমিটাৰ এছেম্বলী (আইটিএ) মডুলৰ হেটেৰডাইন আৰ্কিটেকচাৰ আৰু পাৰফৰমেন্সৰ বিষয়ে আলোচনা কৰা হৈছে, যাক উচ্চ ডাটা ৰেট স্পেচ কমিউনিকেচন চিষ্টেমৰ বাবে কম খৰচী সমাধান হিচাপে নেন /মাইক্ৰ চ্যাটেলাইট বা অন্যান্য উপগ্ৰহ প্ৰণালীত প্ৰয়োগ কৰিব পৰা যায়। এই মডিউলে ০.৯-১.১ গিগাহাৰ্টছ IF ইনপুট চিগনেলক ২৬.৭-২৬.৯ গিগাহাৰ্টছ ফ্ৰেক্বেঞ্চ ৰেঞ্জত +২৯ ডিচিবিএমৰ লিনিয়াৰ ট্ৰান্সমিচন প্ৰদান কৰিবলৈ পৰিৱৰ্তন কৰে আৰু ইয়াৰ অন্তৰ্নিৰ্মিত ফেজ লকড অ চিলটৰ, ইণ্টিগ্ৰেটেড ট্ৰান্সমিটাৰ, পলাৰেজাৰ আৰু লেন্স সংশোধন এণ্টেনা আছে। |
0b44fcbeea9415d400c5f5789d6b892b6f98daff | এই প্ৰবন্ধত আমি এনে এক বৃহৎ টোকাযুক্ত পুথিভঁৰাল নিৰ্মাণৰ অভিজ্ঞতাৰ বিষয়ে আলোচনা কৰিম- পেন ট্ৰীবেংক, যিটো পুথিভঁৰালত ৪.৫ নিযুততকৈও অধিক আমেৰিকান ইংৰাজী শব্দ আছে। পেন ট্ৰীবেংক প্ৰকল্পৰ প্ৰথম তিনি বছৰীয়া পৰ্যায়ত (১৯৮৯-১৯৯২) এই ক ৰপাসটো অংশ-অফ-স্পীচ (পি অ এছ) তথ্যৰ বাবে টোকা দিয়া হৈছে। ইয়াৰ উপৰিও, ইয়াৰ আধা অংশতকৈও অধিক অংশত আৰ্হিগত সিন্টেক্টিকেল গাঁথনিৰ বাবে টোকা দিয়া হৈছে। মন্তব্য পেন্সিলভানিয়া বিশ্ববিদ্যালয়ৰ কম্পিউটাৰ আৰু তথ্য বিজ্ঞান বিভাগৰ কাৰিকৰী প্ৰতিবেদন নং এম এছ চি আই এছ-৯৩-৮৭ এই কাৰিকৰী প্ৰতিবেদনটো ScholarlyCommons ত উপলব্ধঃ http://repository.upenn.edu/cis_reports/237 Building A Large Annotated Corpus of English: The Penn Treebank MS-CIS-93-87 LINC LAB 260 Mitchell P. Marcus Beatrice Santorini Mary Ann Marcinkiewicz পেন্সিলভেনিয়া বিশ্ববিদ্যালয়ৰ অভিযান্ত্ৰিক আৰু প্ৰয়োগিক বিজ্ঞান কম্পিউটাৰ আৰু তথ্য বিজ্ঞান বিভাগ ফিলাডেলফিয়া, PA 19104-6389 |
7c70c29644ff1d6dd75a8a4dd0556fb8cb13549b | আমি এটা নতুন কৌশল প্ৰদৰ্শন কৰিছো যিয়ে মাইক্ৰ ৱেভ এপ্লিকেচনৰ বাবে চিষ্টেম-অন-পেকেজকে ধৰি কনফৰ্মেল আৰু নমনীয় ছাবষ্ট্ৰেট প্ৰস্তুত কৰে। উৎপাদিত সামগ্ৰীবোৰ পলিমাৰৰ সৈতে চেৰামিক পাউদাৰ সংমিশ্ৰণ কৰি উচ্চ-বিৰোধীতাযুক্ত ছাবষ্ট্ৰেট সৃষ্টি কৰা হয় যি একে সময়তে নমনীয় (বন্দযোগ্য) হয়। এনে বহুতো পলিমাৰ-কেৰামিক ছাবষ্ট্ৰেট প্ৰস্তুত কৰা হয় আৰু পেচ এণ্টেনা আৰু সংযুক্ত লাইন ফিল্টাৰৰ কাৰ্যক্ষমতা পৰীক্ষা কৰিবলৈ ব্যৱহাৰ কৰা হয়। এই কাগজত স্তৰ মিশ্ৰণ পদ্ধতিৰ উপস্থাপন কৰা হৈছে আৰু স্তৰৰ ক্ষতিৰ কাৰ্যক্ষমতা মূল্যায়ন কৰিবলৈ জোখ দিয়া হৈছে। সামগ্ৰিকভাৱে, নিৰ্মিত যৌগিক পদাৰ্থবোৰে নমনীয় ছাবষ্ট্ৰেটৰ সৃষ্টি কৰে যাৰ পাৰ্মিটিভিটি epsivr=২০ পৰ্যন্ত আৰু যথেষ্ট কম ক্ষতি হয় |
85947d646623ef7ed96dfa8b0eb705d53ccb4efe | নেটৱৰ্ক ফৰেনচিক হৈছে এনে বিজ্ঞান যি নেটৱৰ্ক ট্ৰাফিকৰ সংগ্ৰহ, ৰেকৰ্ডিং আৰু বিশ্লেষণৰ সৈতে জড়িত যিটো প্ৰৱেশৰ চিনাক্তকৰণ আৰু তদন্তৰ বাবে। এই প্ৰবন্ধত এতিয়ালৈকে প্ৰস্তাৱিত বিভিন্ন নেটৱৰ্ক ফৰেনচিক ফ্ৰেমৱৰ্কৰ এক বিস্তৃত সমীক্ষা কৰা হৈছে। নেটৱৰ্ক ফৰেনচিকৰ বাবে এটা সাধাৰণ প্ৰক্ৰিয়া মডেলৰ প্ৰস্তাৱ কৰা হৈছে যি ডিজিটেল ফৰেনচিকৰ বিভিন্ন বিদ্যমান মডেলৰ ওপৰত নিৰ্মিত। নেটৱৰ্ক ফৰেনচিকৰ সংজ্ঞা, শ্ৰেণীবিভাজন আৰু অনুপ্ৰেৰণা স্পষ্টভাৱে উল্লেখ কৰা হৈছে। ফৰেনচিক পৰীক্ষকৰ বাবে উপলব্ধ বিভিন্ন নেটৱৰ্ক ফৰেনচিক বিশ্লেষণ সঁজুলি (এনএফএটি) আৰু নেটৱৰ্ক সুৰক্ষা নিৰীক্ষণ সঁজুলিৰ কাৰ্যকাৰিতা আলোচনা কৰা হৈছে। ৰূপায়ণ কাঠামো, প্ৰক্ৰিয়া মডেল আৰু বিশ্লেষণ সঁজুলিৰ ক্ষেত্ৰত থকা বিশেষ গৱেষণাৰ ঘাটতিসমূহ চিনাক্ত কৰা হৈছে আৰু প্ৰধান প্ৰত্যাহ্বানসমূহ আলোকপাত কৰা হৈছে। এই কামৰ গুৰুত্ব হ ল ই নেটৱৰ্ক ফৰেনচিকৰ এক সামগ্ৰিক দৃষ্টিভংগী প্ৰদান কৰে যিয়ে সঁজুলি, প্ৰক্ৰিয়া মডেল আৰু ফ্ৰেমৱৰ্ক প্ৰয়োগক সামৰি লয়, যি এই আগন্তুক আৰু যুৱ শাখাৰ অন্বেষণত সুৰক্ষা অনুশীলনকাৰী আৰু গৱেষকসকলৰ বাবে অতি উপযোগী হ ব। a 2010 Elsevier Ltd. সকলো অধিকাৰ সংৰক্ষিত। |
7d98dce77cce2d0963a3b6566f5c733ad4343ce4 | এই অধ্যয়নে ডেভিছৰ (১৯৮৯) টিএএম মডেল আৰু ষ্ট্ৰ বৰ (১৯৯৪) স্পিৰ সংযোজনক সম্প্ৰসাৰিত কৰিছে। প্ৰযুক্তি গ্ৰহণযোগ্যতা মডেল (টিএএম) আইএছ গৱেষণাত আইএছ-প্ৰকাৰ আৰু জাতীয়তাসমূহৰ তথ্য প্ৰণালীৰ ব্যৱহাৰৰ ব্যাখ্যা হিচাপে বহুলভাৱে অধ্যয়ন কৰা হৈছে। যদিও এই গৱেষণাৰ ধাৰাটোৱে গুৰুত্বপূৰ্ণ আন্তঃসাংস্কৃতিক পাৰ্থক্য পোৱা গৈছে, ই লিংগৰ প্ৰভাৱক উপেক্ষা কৰিছে, যদিও সমাজ-ভাষাগত গৱেষণাত, লিংগ সংস্কৃতিৰ এক মৌলিক দিশ। প্ৰকৃততে, সমাজ-ভাষাতত্ত্বৰ গৱেষণাত দেখা গৈছে যে পুৰুষসকলে পৰ্যায়ভেদে আৰু স্বাধীনতাৰ ওপৰত কথোপকথন কেন্দ্ৰীভূত কৰে, আনহাতে মহিলাসকলে ঘনিষ্ঠতা আৰু সংহতিৰ ওপৰত গুৰুত্ব দিয়ে। এই সাহিত্যই আইটি প্ৰসাৰ গৱেষণা আৰু প্ৰযুক্তি গ্ৰহণ মডেলৰ ধাৰণামূলক সম্প্ৰসাৰণৰ বাবে এক দৃঢ় ভেটি প্ৰদান কৰে। বিশ্বাস আৰু কম্পিউটাৰ ভিত্তিক মাধ্যমৰ ব্যৱহাৰৰ সৈতে সম্পৰ্ক থকা লিংগ বৈষম্য পৰীক্ষা কৰি, এই অধ্যয়নত এটা ক্ৰছ ছেকশ্যনেল জৰীপ সঁজুলিৰ জৰিয়তে ৩৯২ গৰাকী মহিলা আৰু পুৰুষৰ উত্তৰ-প্ৰতিক্ৰিয়া পৰীক্ষা কৰা হৈছিল। উত্তৰ আমেৰিকা, এছিয়া আৰু ইউৰোপৰ বিমান পৰিবহণ উদ্যোগত ই-মেইল ব্যৱস্থাৰ ব্যৱহাৰ কৰা জ্ঞান কৰ্মীৰ তুলনীয় গোটৰ পৰা এই নমুনাটো লোৱা হৈছিল। অধ্যয়নৰ ফলাফলত দেখা গৈছে যে মহিলাসকল আৰু পুৰুষসকলৰ ই-মেইলৰ ব্যৱহাৰ ভিন্ন, কিন্তু ই-মেইলৰ ব্যৱহাৰ ভিন্ন নহয়। এই ফলাফলৰ পৰা অনুমান কৰিব পাৰি যে গৱেষকসকলে অন্যান্য সাংস্কৃতিক প্ৰভাৱৰ লগতে তথ্য প্ৰযুক্তিৰ প্ৰসাৰ মডেলত লিংগ অন্তৰ্ভুক্ত কৰা উচিত। পৰিচালক আৰু সহকৰ্মীসকলে এই কথাও উপলব্ধি কৰিব লাগিব যে একেটা যোগাযোগৰ ধৰণক লিংগভেদে ভিন্নভাৱে গ্ৰহণ কৰিব পাৰে, যাৰ ফলত অধিক অনুকূল যোগাযোগৰ পৰিৱেশ সৃষ্টি হ ব পাৰে, যি পৰিৱেশত কেৱল সাংগঠনিক প্ৰসংগভিত্তিক কাৰকবোৰেই নহয়, ব্যৱহাৰকাৰীৰ লিংগও বিবেচনা কৰা হয়। এই পৰিৱেশ সৃষ্টিৰ বাবে যোগাযোগ মাধ্যমৰ প্ৰকৃত প্ৰয়োগৰ উপৰিও যোগাযোগ মাধ্যমৰ ওপৰত সাংগঠনিক প্ৰশিক্ষণো প্ৰয়োজন। |
2599131a4bc2fa957338732a37c744cfe3e17b24 | প্ৰশিক্ষণ পদ্ধতি আৰু সিদ্ধান্ত সীমাৰ মাজৰ ব্যৱধানক সৰ্বোচ্চ কৰি তোলা প্ৰশিক্ষণ পদ্ধতিৰ বিষয়ে লিখা হৈছে। এই কৌশলটো বিভিন্ন ধৰণৰ শ্ৰেণীবিভাজন কাৰ্য্যত প্ৰয়োগ কৰিব পাৰি, যাৰ ভিতৰত আছে Perceptrons, polynomials, আৰু Radial Basis Functions। সমস্যাৰ জটিলতাৰ সৈতে মিলি পৰ্য্যায়ৰ কাৰ্যকৰী সংখ্যা স্বয়ংক্ৰিয়ভাৱে সালসলনি কৰা হয়। সমাধানটো সমৰ্থনকাৰী পটভূমিৰ এটা ৰেখামুখী সংমিশ্ৰণ হিচাপে প্ৰকাশ কৰা হয়। এইসমূহ হৈছে সিদ্ধান্ত সীমাৰ নিকটতম প্ৰশিক্ষণ পটভূমিৰ উপ-সমষ্টি। একক বাদ দিয়া পদ্ধতি আৰু ভিচি-ডাইমেন্সনৰ ওপৰত ভিত্তি কৰি সাধাৰণীকৰণৰ কাৰ্যক্ষমতাৰ সীমা দিয়া হৈছে। অপ্টিকেল কেৰেক্টাৰ ৰিকগনিশ্বন সমস্যাৰ পৰীক্ষামূলক ফলাফলবোৰে অন্য শিক্ষণীয় এলগৰিথমৰ সৈতে তুলনা কৰিলে প্ৰাপ্ত ভাল সাধাৰণীকৰণ প্ৰদৰ্শন কৰে। |
68c29b7bf1811f941040bba6c611753b8d756310 | আধুনিক গাড়ীখন নেটৱৰ্কযুক্ত কম্পিউটাৰৰ দ্বাৰা নিয়ন্ত্ৰিত হয়। এই নেটৱৰ্কৰ সুৰক্ষাৰ বিষয়ে ইতিহাসে অলপ চিন্তিত আছিল, কিন্তু গৱেষকসকলে সাম্প্ৰতিক বছৰবোৰত আক্ৰমণৰ বাবে তেওঁলোকৰ বহুতো দুর্বলতা প্ৰদৰ্শন কৰিছে। এই আক্ৰমণৰ বিৰুদ্ধে প্ৰতিৰক্ষাৰ অংশ হিচাপে আমি অটোমোটিভ নিয়ন্ত্ৰক এৰিয়া নেটৱৰ্ক (CAN) বাছৰ বাবে এক অস্বাভাৱিকতা ডিটেক্টৰ মূল্যায়ন কৰো। বেছিভাগ আক্ৰমণৰ ভিত্তি হৈছে নেটৱৰ্কত অতিৰিক্ত পেকেট সন্নিৱিষ্ট কৰা। কিন্তু বেছিভাগ সাধাৰণ পেকেট এটা নিৰ্দিষ্ট ফ্ৰেক্বেন্সিতহে আহে। ইয়ে এটা অস্বাভাৱিকতা ডিটেক্টৰক অনুপ্ৰাণিত কৰে যি বৰ্তমান আৰু পূৰ্বৱৰ্তী পেকেট টাইমিংৰ তুলনা কৰে। আমি এটা এলগৰিথম প্ৰদৰ্শন কৰিছোঁ যি এটা স্লাইডিং উইণ্ডোৰ জৰিয়তে আন্তঃ-পেকেট সময়সীমা জোখে। গড় সময়বোৰ ঐতিহাসিক গড়ৰ সৈতে তুলনা কৰি এক অস্বাভাৱিক সংকেত প্ৰদান কৰা হয়। আমি এই পদ্ধতিটো বিভিন্ন প্ৰাৱণতাৰ ওপৰত মূল্যায়ন কৰো আৰু ইয়াৰ কাৰ্যকৰীতাৰ সীমা প্ৰদৰ্শন কৰোঁ। আমি দেখুৱাই দিওঁ যে পেকেটৰ তথ্যৰ সমান্তৰালভাৱে অস্বাভাৱিকতা চিনাক্ত কৰাৰ ক্ষেত্ৰত ই কাৰ্যকৰী নহয়। শেষত আমি দেখুৱাম যে এক শ্ৰেণীৰ সমৰ্থন ভেক্টৰ মেচিনে উচ্চ আত্মবিশ্বাসৰ সৈতে অস্বাভাৱিকতা চিনাক্ত কৰিবলৈ একে তথ্য ব্যৱহাৰ কৰিব পাৰে। |
c43d8a3d36973e3b830684e80a035bbb6856bcf7 | ছবিৰ অতি-উত্তৰ (এছআৰ) ৰ বাবে কনভল্যুশ্যনেল নিউৰেল নেটৱৰ্ক (চিএনএন) গভীৰতা অতি গুৰুত্বপূৰ্ণ। অৱশ্যে, আমি লক্ষ্য কৰিছোঁ যে ইমেজ এছআৰৰ বাবে গভীৰ নেটৱৰ্কসমূহ প্ৰশিক্ষণ দিয়া কঠিন। নিম্ন সংজ্ঞাৰ ইনপুট আৰু বৈশিষ্টবোৰত প্ৰচুৰ কম ফ্ৰেকভেন্সি তথ্য থাকে, যাক চেনেলত সমানভাৱে ব্যৱহাৰ কৰা হয়, যাৰ ফলত চি এন এনৰ প্ৰতিনিধিত্বমূলক ক্ষমতাৰ ক্ষেত্ৰত বাধাৰ সৃষ্টি হয়। এই সমস্যাসমূহ সমাধান কৰিবলৈ আমি অতি গভীৰ অৱশিষ্ট চেনেল মনোযোগ নেটৱৰ্ক (RCAN) প্ৰস্তাৱ দিছো। বিশেষকৈ, আমি এটা অৱশিষ্ট (RIR) গঠন প্ৰস্তাৱ কৰো যাতে এটা অতি গভীৰ নেটৱৰ্ক গঠন হয়, য ত বহুতো অৱশিষ্ট গোট থাকে য ত দীঘলীয়া সংযোগ থাকে। প্ৰত্যেক অৱশিষ্ট গোটত কিছুমান অৱশিষ্ট ব্লক থাকে যিবোৰৰ সংক্ষিপ্ত ছুইপ সংযোগ থাকে। আনহাতে, RIR এ প্ৰচুৰ কম-প্ৰাৱণতা তথ্যক একাধিক ছুইপ সংযোগৰ জৰিয়তে বাইপাছ কৰিবলৈ অনুমতি দিয়ে, যাৰ ফলত মূল নেটৱৰ্কে উচ্চ-প্ৰাৱণতা তথ্য শিকাত মনোনিবেশ কৰে। তদুপৰি, আমি এটা চেনেল মনোযোগৰ ব্যৱস্থা প্ৰস্তাৱ কৰো যাতে চেনেলৰ মাজত আন্তঃনিৰ্ভৰশীলতা বিবেচনা কৰি চেনেলৰ বুদ্ধিমান বৈশিষ্টসমূহক অনুকূলভাৱে পুনৰ স্কেল কৰিব পৰা যায়। বিস্তৃত পৰীক্ষাসমূহত দেখা গৈছে যে আমাৰ আৰচিএএন-এ উন্নত পদ্ধতিৰ তুলনাত অধিক সঠিকতা আৰু চাক্ষুষ উন্নতি লাভ কৰিছে। |
77768638f4f400272b6e5970596b127663471538 | গৱেষণাৰ প্ৰমাণ সংকলনৰ বাবে স্ক পিং ৰিভিউ এক জনপ্ৰিয় পদ্ধতি হিচাপে পৰিগণিত হৈছে। ই এটা তুলনামূলকভাৱে নতুন পদ্ধতি যাৰ বাবে এটা বিশ্বজনীন অধ্যয়নৰ সংজ্ঞা বা নিৰ্দিষ্ট প্ৰক্ৰিয়া নিৰ্ধাৰণ কৰা হোৱা নাই। এই স্ক পিং ৰিভিউৰ উদ্দেশ্য আছিল সাহিত্যত স্ক পিং ৰিভিউৰ এক সামগ্ৰিক ৰূপ প্ৰদান কৰা। পদ্ধতি আৰ্কেছী আৰু অ মেলী ফ্ৰেমৱৰ্কৰ সহায়ত এটা স্কোপিং ৰিভিউ কৰা হৈছিল। চাৰিটা গ্ৰন্থাগাৰিক তথ্যভঁৰাল আৰু ধূসৰ সাহিত্যত অনুসন্ধান কৰা হয়। পূৰ্ব পৰীক্ষণ কৰা প্ৰকাৰ ব্যৱহাৰ কৰি দুটা স্বতন্ত্ৰ পৰীক্ষণকাৰীয়ে পৰ্যালোচনা নিৰ্বাচন আৰু চৰিত্ৰ নিৰ্ণয় কৰিছিল। ফলাফল অনুসন্ধানত ১৯৯৯ চনৰ পৰা ২০১২ চনৰ অক্টোবৰলৈ প্ৰকাশিত ৩৪৪ টা স্ক পিং ৰিভিউ চিনাক্ত কৰা হয়। ইয়াৰ উদ্দেশ্য, পদ্ধতি আৰু প্ৰতিবেদনৰ সবিশেষৰ ক্ষেত্ৰত বিভিন্ন পৰ্যালোচনা কৰা হয়। প্ৰায় তিনি-চতুৰ্থাংশ পৰ্যালোচনা (৭৪.১%) স্বাস্থ্যৰ বিষয়ে আছিল। অধ্যয়নৰ সমাপ্তিৰ সময় ২ সপ্তাহৰ পৰা ২০ মাহলৈ আছিল আৰু ৫১% লোকে প্ৰকাশিত পদ্ধতিগত ফ্ৰেমৱৰ্কৰ ব্যৱহাৰ কৰিছিল। অন্তৰ্ভুক্ত অধ্যয়নৰ গুণগত মান নিৰূপণ প্ৰায়েই কৰা হৈছিল (২২. ৩৮%) । পৰিসৰ পৰ্যালোচনা হৈছে বিস্তৃত বিষয়ৰ মেপিংৰ বাবে এক তুলনামূলকভাৱে নতুন কিন্তু ক্ৰমবৰ্ধমান সাধাৰণ পদ্ধতি। তেওঁলোকৰ আচৰণত হোৱা পৰিৱৰ্তনশীলতাৰ বাবে, প্ৰমাণৰ উপযোগিতা আৰু শক্তি নিশ্চিত কৰিবলৈ তেওঁলোকৰ পদ্ধতিগত মানদণ্ডৰ প্ৰয়োজন আছে। |
4c5815796c29d44c940830118339e276f741d34a | ৰবট সহায়ক আৰু পেছাদাৰী সহকৰ্মীবোৰ ঘৰুৱা আৰু ঔদ্যোগিক ক্ষেত্ৰত এক সামগ্ৰী হৈ পৰিছে। ৰবটবোৰক মানুহৰ সৈতে কামৰ স্থান ভাগ বতৰা কৰিবলৈ আৰু তেওঁলোকৰ সৈতে শাৰীৰিকভাৱে যোগাযোগ স্থাপন কৰিবলৈ, ৰবটৰ সমগ্ৰ গাঁথনিৰ সম্ভাব্য সংঘৰ্ষৰ দ্ৰুত আৰু নিৰ্ভৰযোগ্য ব্যৱস্থাপনা আৰু সুৰক্ষিত ৰবটৰ প্ৰতিক্ৰিয়াৰ বাবে নিয়ন্ত্ৰণ কৌশল প্ৰয়োজন। প্ৰাথমিক উদ্দেশ্য হৈছে শাৰীৰিক যোগাযোগৰ ফলত মানুহৰ সম্ভাব্য আঘাত প্ৰতিৰোধ বা সীমিত কৰা। এই জৰীপ পত্ৰখনত, বিষয়টোৰ ওপৰত আমাৰ প্ৰাৰম্ভিক কামৰ ওপৰত ভিত্তি কৰি, আমি ৰিভিউ, সম্প্ৰসাৰিত, তুলনা, আৰু পৰীক্ষামূলকভাৱে মডেল-ভিত্তিক এলগৰিথমৰ মূল্যায়ন কৰো যি কেৱল প্ৰিপ ৰিচেপ্টিভ ছেন্সৰ ব্যৱহাৰ কৰি ৰিয়েল-টাইম সংঘৰ্ষ চিনাক্তকৰণ, বিচ্ছিন্নকৰণ আৰু চিনাক্তকৰণৰ বাবে। ই পৰিৱেশৰ সৈতে ক্ৰিয়া কৰা ৰবটসমূহৰ বাবে সংঘৰ্ষৰ ঘটনা পাইপলাইনৰ প্ৰসংগ-স্বতন্ত্ৰ পৰ্যায়সমূহ সামৰি লয়, যেনে শাৰীৰিক মানৱ-ৰবট ক্ৰিয়া-প্ৰতিক্ৰিয়া বা হস্তক্ষেপ কাৰ্য। এই সমস্যাটো প্ৰথমে কঠোৰ ৰবটৰ বাবে সমাধান কৰা হয় আৰু তাৰ পিছত জইণ্ট/ট্ৰেন্সমিছনৰ নমনীয়তাৰ উপস্থিতিৰ বাবে সম্প্ৰসাৰিত কৰা হয়। এই মৌলিক শাৰীৰিকভাৱে উদ্দীষ্ট সমাধান ইতিমধ্যে সমগ্ৰ বিশ্বতে বহুতো ৰবট প্ৰণালীত প্ৰয়োগ কৰা হৈছে, যিবোৰৰ ভিতৰত আছে মনিপুলেটৰ আৰু হুমেন ইডৰ পৰা উৰন্ত ৰবটলৈ আৰু আনকি বাণিজ্যিক সামগ্ৰীও। |
4e3a22ed94c260b9143eee9fdf6d5d6e892ecd8f | |
e18fa8c8f402c483b2c3eaaa89192fe99e80abd5 | সংবাদ মাধ্যমত প্ৰকাশিত বাতৰিসমূহে ষ্টক মাৰ্কেটৰ দিশ, ইয়াৰ অস্থিৰতা, লেনদেনৰ পৰিমান আৰু সংবাদ মাধ্যমত উল্লেখ কৰা একক ষ্টকৰ মূল্যৰ ওপৰত গুৰুত্বপূৰ্ণ প্ৰভাৱ পেলায় বুলি বহুতো গৱেষণাত প্ৰকাশ পাইছে। আনকি কিছুমান প্ৰকাশিত গৱেষণাত কোৱা হৈছে যে সংবাদ নথি, ত্ৰৈমাসিক প্ৰতিবেদন, ব্লগ আৰু/বা টুইটাৰ ডাটাৰ স্বয়ংক্ৰিয় ভাৱে কৰা ভাৱ বিশ্লেষণক ব্যৱসায়িক কৌশলৰ অংশ হিচাপে উৎপাদনশীলভাৱে ব্যৱহাৰ কৰিব পাৰি। এই প্ৰবন্ধত ব্যৱসায়িক কৌশলৰ এনে এটা পৰিয়াল উপস্থাপন কৰা হৈছে, আৰু তাৰ পিছত এই প্ৰয়োগৰ ব্যৱহাৰ কৰি কিছুমান মৌখিক অনুমান পুনৰ পৰীক্ষা কৰা হৈছে যে কেনেদৰে অনুভূতি বিশ্লেষকক সাধাৰণতে মূল্যায়ন কৰা হয়, তেওঁলোকৰ প্ৰয়োগৰ প্ৰসংগ সত্ত্বেও। এই বিসংগতিয়ে মূল্য বহন কৰে। |
050c6fa2ee4b3e0a076ef456b82b2a8121506060 | ছবিৰ 2D সীমাবদ্ধ বাকচ হিচাপে বস্তু চিনাক্তকৰণৰ ক্ষেত্ৰত বৃহৎ অগ্ৰগতি লাভ কৰা সত্ত্বেও, অ ক্কলুড বস্তু চিনাক্ত কৰা আৰু একক ছবিৰ পৰা একাধিক বস্তুৰ 3D বৈশিষ্ট্য অনুমান কৰাটো এতিয়াও অতি প্ৰত্যাহ্বানজনক। এই প্ৰবন্ধত আমি এটা নতুন বস্তু প্ৰতিনিধিত্বৰ প্ৰস্তাৱ দিছো, 3D ভক্সেল পট্ৰান (3DVP), যি যৌথভাৱে বস্তুৰ মুখ্য বৈশিষ্ট্যসমূহকে এনকোড কৰে, যাৰ ভিতৰত আছে চেহেৰা, 3D আকৃতি, দৃষ্টিভংগী, আচ্ছাদন আৰু ট্ৰেংকচন। আমি তথ্য-চালিত পদ্ধতিৰে 3DVPs আৱিষ্কাৰ কৰো, আৰু 3DVPs ৰ অভিধানৰ বাবে বিশেষ ডিটেক্টৰক প্ৰশিক্ষণ দিওঁ। 3DVP ডিটেক্টৰবোৰে নিৰ্দিষ্ট দৃশ্যমানতাৰ নিদৰ্শন থকা বস্তুবোৰ চিনাক্ত কৰিবলৈ সক্ষম আৰু 3DVP ৰ পৰা মেটা-ডাটাসমূহ চিনাক্ত কৰা বস্তুসমূহলৈ স্থানান্তৰ কৰিবলৈ সক্ষম, যেনে 2D ছেগমেণ্টেচন মাস্ক, 3D পোজ আৰু লগতে অ ক্লুজন বা ট্ৰাঙ্কেশ্যন সীমা। স্থানান্তৰিত মেটা-তথ্যই আমাক বস্তুসমূহৰ মাজত আটক সম্পৰ্ক অনুমান কৰিবলৈ অনুমতি দিয়ে, যিটো পৰৱৰ্তী সময়ত উন্নত বস্তু স্বীকৃতি ফলাফল প্ৰদান কৰে। KITTIৰ চিনাক্তকৰণ মানদণ্ড [17] আৰু বাহিৰৰ দৃশ্যৰ ডাটা ছেট [41]ৰ ওপৰত পৰীক্ষা-নিৰীক্ষা কৰা হয়। আমি গাড়ী চিনাক্তকৰণৰ অত্যাধুনিক ফলাফল উন্নত কৰিছো আৰু উল্লেখযোগ্য ব্যৱধানত অনুমান কৰিব পাৰিছো (কিট্টীৰ কঠিন তথ্যত ৬ শতাংশ) । আমি আমাৰ পদ্ধতিৰ দক্ষতাও পৰীক্ষা কৰিছো যাতে ইয়াৰ পিছত বস্তুবোৰ সঠিকভাৱে ভাগ কৰিব পাৰি আৰু ত্ৰিমাত্ৰিকভাৱে সেইবোৰক স্থানীয়কৰণ কৰিব পাৰি। |
1a124ed5d7c739727ca60cf11008edafa9e3ecf2 | তথ্য-চালিত অৰ্থনীতিৰ বিকাশৰ লগে লগে, উদ্যোগসমূহে উচ্চ-ভলিউম, উচ্চ-গতি তথ্যৰ ষ্ট্ৰিমৰ ওপৰত কাৰ্য কৰিবলৈ সক্ষম হোৱাত এক প্ৰতিযোগিতামূলক সুবিধা উপলব্ধি কৰিবলৈ আহিছে। বিতৰণিত বাৰ্তা কুৱেৰ দৰে প্ৰযুক্তি আৰু ষ্ট্ৰীমিং প্ৰচেছিং প্লেটফৰ্ম যি কমোডিটি হাৰ্ডৱেৰত হাজাৰ হাজাৰ ডাটা ষ্ট্ৰিম পাৰ্টিচনৰ স্কেল কৰিব পাৰে, সেয়া হৈছে ইয়াৰ প্ৰতিক্ৰিয়া। অৱশ্যে, এই চিস্টেমবোৰে প্ৰদান কৰা প্ৰগ্ৰামিং এপিআই প্ৰায়ে নিম্ন স্তৰৰ হয়, যাৰ বাবে যথেষ্ট পৰিমাণৰ কাষ্টম ক ডৰ প্ৰয়োজন হয় যি প্ৰগ্ৰামাৰ শিকাৰ ক্ৰম আৰু ৰক্ষণাবেক্ষণৰ ওভাৰহেড যোগ কৰে। ইয়াৰ উপৰিও, এই চিস্টেমবোৰত প্ৰায়ে SQL কুৱেৰী ক্ষমতাৰ অভাৱ হয় যি Hive, Impala বা Presto ৰ দৰে বিগ ডাটা চিস্টেমত জনপ্ৰিয় প্ৰমাণিত হৈছে। আমি ডাটা ষ্ট্ৰিম কুৱেৰী আৰু মেনিপুলেশ্যনৰ বাবে মানক SQL ৰ বাবে এক ন্যূনতম সম্প্ৰসাৰণ সংহতি সংজ্ঞায়িত কৰোঁ। এই সম্প্ৰসাৰণসমূহ SamzaSQL ত প্ৰটোটাইপ কৰা হৈছে, যি হৈছে SQL ৰ বাবে এটা নতুন সঁজুলি যিটো Samza, এটা মুক্ত উৎস বিতৰিত ষ্ট্ৰিম প্ৰক্ৰিয়াকৰণ ফ্ৰেমৱৰ্কত কাৰ্যকৰী কৰা শাৰীৰিক পৰিকল্পনাৰ বাবে SQL ৰ সংকলন কৰে। আমি স্থানীয় ছামজা এপ্লিকেচনৰ সৈতে ষ্ট্ৰীমিং এছকিউএল কুৱেৰীৰ পাৰফৰমেন্সৰ তুলনা কৰো আৰু ব্যৱহাৰযোগ্যতাৰ উন্নতি সম্পৰ্কে আলোচনা কৰো। SamzaSQL হৈছে Apache Samza প্ৰকল্পৰ এটা অংশ আৰু সাধাৰণ ব্যৱহাৰৰ বাবে উপলব্ধ হ ব। |
b8ec319b1f5223508267b1d5b677c0796d25ac13 | বহুতো বাস্তৱ-বিশ্বৰ দৃশ্যত, এটা নিৰ্দিষ্ট মেচিন লাৰ্ণিং টাস্কৰ বাবে লেবেলযুক্ত তথ্য প্ৰাপ্ত কৰা ব্যয়বহুল। অৰ্ধ-নিৰীক্ষণযুক্ত প্ৰশিক্ষণ পদ্ধতিত প্ৰচুৰ পৰিমাণে উপলব্ধ লেবেলবিহীন তথ্য আৰু কম সংখ্যক লেবেলযুক্ত উদাহৰণ ব্যৱহাৰ কৰা হয়। আমি মানুহৰ শিক্ষাৰ দ্বাৰা অনুপ্ৰাণিত গভীৰ স্নায়ু নেটৱৰ্কৰ অৰ্ধ-নিৰীক্ষণযুক্ত প্ৰশিক্ষণৰ বাবে এক নতুন ফ্ৰেমৱৰ্ক প্ৰস্তাৱ কৰিছো। সংযুক্তিকৰণবোৰ লেবেলযুক্ত নমুনাৰ এম্বেডিংৰ পৰা লেবেলবিহীন নমুনাৰ এম্বেডিংলৈ আৰু পিছলৈ কৰা হয়। অপ্টিমাইজেশ্যন সূচী সঠিক সংযুক্তি চক্রক উৎসাহিত কৰে যি সমিতি আৰম্ভ কৰা একেটা শ্ৰেণীত শেষ হয় আৰু অন্য শ্ৰেণীত শেষ হোৱা ভুল সংযুক্তিসমূহক শাস্তি দিয়ে। এই প্ৰণয়ন ব্যৱহাৰ কৰিবলৈ সহজ আৰু যিকোনো বিদ্যমান এণ্ড-টু-এণ্ড প্ৰশিক্ষণ ছেটআপত যোগ কৰিব পাৰি। আমি বিভিন্ন তথ্যৰ ওপৰত সংযুক্তিকৰণ শিক্ষণৰ ক্ষমতা প্ৰদৰ্শন কৰিছো আৰু দেখুৱাম যে ই অতিৰিক্তভাৱে উপলব্ধ লেবেলবিহীন তথ্যৰ ব্যৱহাৰ কৰি শ্ৰেণীবিভাজনৰ কামত প্ৰদৰ্শন উন্নত কৰিব পাৰে। বিশেষকৈ, কম সংখ্যক লেবেলযুক্ত তথ্য থকা ক্ষেত্ৰত, আমাৰ প্ৰশিক্ষণ আঁচনিয়ে SVHN ৰ বৰ্তমানৰ কাৰিকৰী অৱস্থাটো অতিক্ৰম কৰে। |
852c633882927affd1a951e81e6e30251bb40867 | ৰেডিঅ ফ্ৰেকভেঞ্চাৰ আইডেন্টিফিকেচন (RFID) প্ৰযুক্তিৰ নিৰন্তৰ বিকাশৰ সমান্তৰালভাৱে, নতুন প্ৰয়োগৰ ক্ষেত্ৰত দেখা দিয়া প্ৰয়োজনীয়তা পূৰণ কৰিবলৈ নতুন প্ৰকাৰৰ টেগ এণ্টেনা সামগ্ৰী আৰু গাঁথনিৰ উদ্ভৱ হৈছে। এই কামত, এটা বিক্ৰিয়া কাৰ্যকৰীতা জোখা পদ্ধতি বিকাশ কৰা হয় আৰু নিষ্ক্ৰিয় অতি উচ্চ-প্ৰাৱণতা (UHF) RFID ডাইপল টেগ এণ্টেনাৰ বাবে প্ৰমাণিত কৰা হয়। তদুপৰি, পৰিধানযোগ্য শৰীৰ-কেন্দ্ৰিক ৱায়াৰলেছ যোগাযোগৰ প্ৰয়োগৰ বাবে সজা ডাইপল টেগ এণ্টেনাৰ ৰেডিয়েশ্যন দক্ষতা জোখাৰ বাবে পৰিমাপ পদ্ধতি প্ৰয়োগ কৰা হয়। পৰিমাপৰ পৰা আহৰণ কৰা তথ্যসমূহ টেগ এণ্টেনাৰ উপাদান গঠন ক্ষয়ৰ বৈশিষ্ট্য নিৰ্ণয় কৰিবলৈ আৰু টেগ এণ্টেনাৰ কাৰ্যক্ষমতা আৰু নিৰ্ভৰযোগ্যতা উন্নত আৰু অনুকূলিতকৰণ কৰিবলৈ ব্যৱহাৰ কৰিব পাৰি। |
833de6c09b38a679ed870ad3a7ccfafc8de010e1 | ইগো-ভেইচিকলৰ গতিৰ অনুমান উন্নত ড্ৰাইভিং এছিষ্টেণ্ট চিষ্টেম আৰু ম বাইল ৰবট স্থানীয়কৰণৰ বাবে এক গুৰুত্বপূৰ্ণ ক্ষমতা। তলৰ কাগজত ইগো-ভেইচিকলৰ সম্পূৰ্ণ 2D গতি অৱস্থা (দৈৰ্ঘ্য, পাৰৰ বেগ আৰু য় ৰ ৰেট) তৎক্ষণাৎ নিৰ্ণয় কৰিবলৈ ৰাডাৰ ছেন্সৰ ব্যৱহাৰ কৰি এক শক্তিশালী এলগৰিথম উপস্থাপন কৰা হৈছে। ই কমেও দুটা ডপলাৰ ৰেডাৰ ছেন্সৰ আৰু তেওঁলোকৰ প্ৰাপ্ত স্থিৰ প্ৰতিফলন (টাৰ্গেট) ৰ মাজত আপেক্ষিক গতিৰ মূল্যায়ন কৰে। এজিমথ এংগুলৰ ওপৰতে তেওঁলোকৰ ৰেডিয়াল বেগৰ বিতৰণৰ ভিত্তিত, অস্থায়ী লক্ষ্য আৰু জৰাজীৰ্ণতা বাদ দিয়া হয়। ইগ -মোচন আৰু ইয়াৰ সংশ্লিষ্ট সহ-বৈকল্পিকতা মেট্ৰিক্স অনুমান কৰা হয়। এই এলগৰিথমৰ বাবে কোনো প্ৰাক-প্ৰক্ৰিয়াকৰণ পদক্ষেপৰ প্ৰয়োজন নহয় যেনে ক্লাষ্টাৰিং বা ক্লাটাৰ দমন আৰু ইয়াত কোনো মডেল অনুমান নাই। ছেন্সৰবোৰ বাহনখনৰ যিকোনো স্থানত স্থাপন কৰিব পাৰি। এটা সাধাৰণ দৃশ্যৰ ক্ষেত্ৰৰ প্ৰয়োজন নাই, স্থানত লক্ষ্যৰ সংযুক্তিক এৰাই চলা। অতিৰিক্ত সুবিধা হিচাপে সকলো লক্ষ্যত তৎক্ষণাৎ স্থিৰ বা অস্থিৰ বুলি চিহ্নিত কৰা হয়। |
31918003360c352fb0750040d163f287894ab547 | স্মাৰ্ট কাৰ, ইলেক্ট্ৰিক কাৰ্ড আদিৰ আবিৰ্ভাৱৰ পিছত অটোমোবাইলৰ এম্বেডড চিষ্টেমৰ বিকাশ হৈছে। তেওঁলোকৰ বিভিন্ন মূল্য সংযোজন ব্যৱস্থা আছে যেনে IPA (ইণ্টেলিজেণ্ট পাৰ্কিং এছিষ্টেন্স), BSW (ব্লাইণ্ড স্পট ৱাৰ্নিং), LDWS (লেন ডিভাৰ্ছ ৱাৰ্নিং ছিষ্টেম), LKS (লেন ৰখাৰ ছিষ্টেম) - এইবোৰ হৈছে ADAS (এডভান্সড ড্ৰাইভাৰ এছিষ্টেন্স ছিষ্টেম) । অটোমোটিভ ইম্পেড্ড ছফ্টৱেৰ বিকাশৰ বাবে AUTOSAR (অটোমোটিভ অ পেন ছিষ্টেম আৰ্কিটেকচাৰ) হৈছে আটাইতকৈ উল্লেখযোগ্য ঔদ্যোগিক মান। অটোচাৰ হৈছে অটোমোবাইল নিৰ্মাণকাৰী আৰু যোগানকাৰীসকলৰ এটা অংশীদাৰিত্ব যিয়ে অটোমোবাইল ই/ই আৰ্কিটেকচাৰৰ বাবে এটা মুকলি উদ্যোগৰ মানদণ্ড বিকাশ আৰু স্থাপন কৰিবলৈ একেলগে কাম কৰে। এই প্ৰবন্ধত আমি AUTOSARৰ সংক্ষিপ্ত পৰিচয় দাঙি ধৰিব আৰু অটোমোবাইল ছফ্টৱেৰ LDWS (লেন ডিটেকচন এণ্ড ৱাৰ্নিং ছিষ্টেম) বিকাশৰ ফলাফল প্ৰদৰ্শন কৰিম। |
36bb4352891209ba0a7df150c74cd4db6d603ca5 | উদাহৰণ-শিক্ষা-ভিত্তিক একক প্ৰতিচ্ছবিৰ অতি-উত্তৰ (এছআৰ) হৈছে একক-ইনপুট নিম্ন-উত্তৰ (এলআৰ) প্ৰতিচ্ছবিৰ পৰা উচ্চ-উত্তৰ (এইচআৰ) প্ৰতিচ্ছবি পুনৰ নিৰ্মাণৰ বাবে এক প্ৰতিশ্ৰুতিপূৰ্ণ পদ্ধতি। বহুতো জনপ্ৰিয় SR পদ্ধতিবোৰ সময় বা স্থান-নিবিড় হোৱাৰ সম্ভাৱনা বেছি, যি তেওঁলোকৰ ব্যৱহাৰিক প্ৰয়োগসমূহক সীমিত কৰে। সেয়েহে, কিছুমান গৱেষণাই উপ-মহাকাশৰ দৃষ্টিভংগীৰ ওপৰত গুৰুত্ব আৰোপ কৰিছে আৰু অত্যাধুনিক ফলাফল প্ৰদান কৰিছে। এই প্ৰবন্ধত আমি পূৰ্বৰ মডেলৰ সৈতে মিশ্ৰণ কৰি LR ছবিৰ বৃহৎ অ-ৰেখিক বৈশিষ্ট্য স্থানক প্ৰশিক্ষণ পৰ্যায়ত ৰেখিক উপ-স্থান গোটলৈ ৰূপান্তৰ কৰিবলৈ এক কাৰ্যকৰী উপায় ব্যৱহাৰ কৰো। বিশেষকৈ, আমি প্ৰথমতে LR পেট্চৰ পাৰ্থক্য বক্ৰকৰণৰ ওপৰত ভিত্তি কৰি এক নতুন নিৰ্বাচিত পেট্চ প্ৰক্ৰিয়া পদ্ধতিৰ দ্বাৰা ছবিৰ পেট্চসমূহক কেইবাটাও গোটত ভাগ কৰো আৰু তাৰ পিছত প্ৰতিটো গোটত মিশ্ৰণৰ পূৰ্বৰ মডেলবোৰ শিকো। তদুপৰি, বিভিন্ন পূৰ্বৰ বিতৰণবোৰে SR ত বিভিন্ন কাৰ্য্যকৰীতা লাভ কৰে, আৰু এই ক্ষেত্ৰত, আমি পাওঁ যে ছাত্ৰ-t পূৰ্বৰ ভাল-পৰিচিত গাউচিয়ান পূৰ্বৰ তুলনাত শক্তিশালী প্ৰদৰ্শন দেখুৱায়। পৰীক্ষণ পৰ্যায়ত, আমি প্ৰযোজ্য উপ-অৱস্থানলৈ ইনপুট LR বৈশিষ্টসমূহ মেপ কৰিবলৈ পূৰ্বৰ মডেলসমূহৰ পৰা শিকি লোৱা একাধিক মিশ্ৰণ গ্ৰহণ কৰো আৰু শেষত এক নতুন মিশ্ৰিত মিলন পদ্ধতিত সংশ্লিষ্ট HR ছবি পুনৰ নিৰ্মাণ কৰো। পৰীক্ষামূলক ফলাফলৰ পৰা দেখা গৈছে যে প্ৰস্তাৱিত পদ্ধতিটো কিছু অত্যাধুনিক এছআৰ পদ্ধতিতকৈ গুণগত আৰু পৰিমাণগতভাৱে উন্নত। |
189a391b217387514bfe599a0b6c1bbc1ccc94bb | আমি সংঘৰ্ষ-মুক্ত হেচ ফাংশনসমূহৰ ডিজাইনৰ বাবে এটা সৰল, নতুন দৃষ্টান্ত উপস্থাপন কৰোঁ। এই ধাৰণাৰ পৰা উদ্ভৱ হোৱা যিকোনো কাৰ্য্যই বৃদ্ধিশীল। (এইটোৱে বুজায় যে যদি এটা বাৰ্তা x যিটো মই আগতে হেচ কৰিছিলো সেইটো x0 লৈ সংশোধন কৰা হয় তেতিয়া x0 ৰ হেচটো নতুনকৈ গণনা কৰাৰ পৰিৱৰ্তে মই পুৰণি হেচ মানক নতুন মানলৈ দ্ৰুতভাৱে "আপডেট" কৰিব পাৰি, x ৰ বাবে কৰা সংশোধনসমূহৰ পৰিমাণৰ সমানুপাতিকভাৱে) এই দৃষ্টান্তৰ পৰা উদ্ভূত যিকোনো কাৰ্য্য সমান্তৰালকৰণযোগ্য, হাৰ্ডৱেৰ ৰূপায়ণৰ বাবে উপযোগী। আমি আমাৰ দৃষ্টান্তৰ পৰা কেতবোৰ বিশেষ কাৰ্য্য প্ৰাপ্ত কৰোঁ। সকলোবোৰে এটা মানক হেছ ফাংশন, ধাৰণা কৰা আদৰ্শ, আৰু কিছুমান বীজগণিতৰ কাৰ্য্য ব্যৱহাৰ কৰে। প্ৰথমটো কাৰ্য, MuHASH, বাৰ্তাৰ প্ৰতি ব্লক এটা মডুলাৰ গুণ ব্যৱহাৰ কৰে, ইয়াক যুক্তিসঙ্গতভাৱে কাৰ্যকৰী কৰি তোলে, আৰু পূৰ্বৰ ইনক্ৰমেণ্টেল হেচ কাৰ্য্যসমূহৰ তুলনাত যথেষ্ট দ্ৰুত। ইয়াৰ নিৰাপত্তা প্ৰমাণিত, বিচ্ছিন্ন লগাৰিথম সমস্যাৰ কঠিনতাৰ ওপৰত ভিত্তি কৰি। দ্বিতীয় ফাংশন, AdHASH, আৰু দ্ৰুত, য ত গুণকৰ পৰিৱৰ্তে যোগ ব্যৱহাৰ কৰা হয়, নিৰাপত্তা প্ৰমাণিত হয় যে আটাইতকৈ কম গটী ভেক্টৰৰ দৈৰ্ঘ্যৰ আনুমানিকতা কঠিন বা ওজনযুক্ত উপ-সমষ্টিৰ যোগফলৰ সমস্যাটো কঠিন। তৃতীয় ফাংশন, LtHASH, হৈছে শেহতীয়া গট্টিচ ভিত্তিক ফাংশনসমূহৰ এটা ব্যৱহাৰিক প্ৰকাৰ, যাৰ সুৰক্ষা প্ৰমাণিত হৈছে, পুনৰাই আটাইতকৈ কম গট্টিচ ভেক্টৰৰ ঘনিষ্ঠতাৰ ওপৰত ভিত্তি কৰি। ডিপাৰ্টমেণ্ট কম্পিউটাৰ বিজ্ঞান আৰু অভিযান্ত্ৰিক বিভাগৰ, কেলিফৰ্ণিয়া বিশ্ববিদ্যালয়, ছেন ডিয়েগো, ৯৫০০ গিলমেন ড্ৰাইভ, লা জোলা, কেলিফৰ্ণিয়া ৯২০৯৩, আমেৰিকা যুক্তৰাষ্ট্ৰ। ই-মেইলঃ [email protected]. ইউ.আৰ.এলঃ http://www-cse.ucsd.edu/users/mihir. NSF কেয়াৰ এৱাৰ্ড CCR-9624439 আৰু বিজ্ঞান আৰু অভিযান্ত্ৰিকাৰ ক্ষেত্ৰত পেকাৰ্ড ফাউণ্ডেচনৰ ফেল শ্বিপৰ দ্বাৰা আংশিকভাৱে সমৰ্থিত। yMIT কম্পিউটাৰ বিজ্ঞানৰ গৱেষণাগাৰ, ৫৪৫ টেকন লজী স্কোৱেৰ, কেম্ব্ৰিজ, এমএ ০২১৩৯, আমেৰিকা যুক্তৰাষ্ট্ৰ। ই-মেইলঃ [email protected]. ডিএআৰপিএ চুক্তিৰ দ্বাৰা আংশিকভাৱে সমৰ্থিত DABT63-96-C-0018. |
9b9c9cc72ebc16596a618d5b78972437c9c569f6 | |
3ffce42ed3d7ac5963e03d4b6e32460ef5b29ff7 | আমি এটা ভৌতিক বস্তুৰ সম্পূৰ্ণ মডেল সৃষ্টি কৰাৰ সমস্যা অধ্যয়ন কৰোঁ। যদিও ই তীব্ৰতা ছবি ব্যৱহাৰ কৰি সম্ভৱ হ ব পাৰে, আমি ইয়াত পৰিসৰৰ ছবি ব্যৱহাৰ কৰো যি ত্ৰিমাত্ৰিক তথ্যৰ প্ৰত্যক্ষ প্ৰৱেশ প্ৰদান কৰে। আমি সমাধান কৰিবলগীয়া প্ৰথম সমস্যাটো হ ল বিভিন্ন মতবাদৰ মাজত ৰূপান্তৰ বিচাৰি উলিওৱা। পূৰ্বৰ পদ্ধতিবোৰে এই ৰূপান্তৰটো জনাটো অনুমান কৰিছিল (যিটো সম্পূৰ্ণ মডেলৰ বাবে অতিশয় কঠিন), বা বৈশিষ্ট্য মিলাই গণনা কৰিছিল (যিটো সংহতকৰণৰ বাবে পৰ্যাপ্ত সঠিক নহয়) । এই প্ৰবন্ধত আমি এটা নতুন পদ্ধতিৰ প্ৰস্তাৱ দিছো যিয়ে range d a t a ত কাম কৰে আৰু view সমূহৰ মাজত সঠিক ৰূপান্তৰ পাবলৈ পৰ্যাপ্ত overlapping area ৰ সৈতে পৰৱৰ্তী view সমূহ ৰেজিষ্টাৰ কৰে। এই কাৰ্য্যকৰীতা হ্ৰাস কৰি সম্পন্ন কৰা হয় যাৰ বাবে পইণ্ট টু পইণ্ট মেচিংৰ প্ৰয়োজন নহয়। আমি পঞ্জীয়ন পদ্ধতি আৰু মডেলিং প্ৰক্ৰিয়াৰ সবিশেষ দিওঁ আৰু জটিল বস্তুৰ বাস্তৱিক ছবিৰ ওপৰত সেইবোৰ দেখুৱাম। 1 প্ৰৱৰ্তন ভৌতিক বস্তুৰ মডেল সৃষ্টি কৰা জৈৱিক দৃষ্টি মডিউলৰ এক আৱশ্যকীয় উপাদান যন্ত্ৰ। এনে মডেলসমূহক বস্তু চিনাক্তকৰণ, স্থিতি অনুমান বা পৰিদৰ্শন কাৰ্য্যত ব্যৱহাৰ কৰিব পাৰি। যদিহে আগ্ৰহৰ বস্তুটো সঠিকভাৱে ডিজাইন কৰা হৈছে, তেন্তে এনে মডেল এটা CAD মডেলৰ ৰূপত আছে। কিন্তু বহুতো ক্ষেত্ৰত, এনে CAD মডেলৰ ব্যৱহাৰ সম্ভৱ নহয় বা ব্যৱহাৰিক নহয়, আৰু আমি ভৌতিক বস্তুৰ পৰা মডেল নিৰ্মাণ কৰিব লাগিব। কিছুমান গৱেষকে বহুতো দৃশ্যৰ ([4], [a]) সমষ্টি থকা মডেল ব্যৱহাৰ কৰি সমস্যাটো এৰাই চলে, কিন্তু এইটো সদায় পৰ্যাপ্ত নহয়। যদি কোনো বস্তুৰ সম্পূৰ্ণ মডেলৰ প্ৰয়োজন হয়, তেন্তে নিম্নলিখিত পদক্ষেপবোৰ প্ৰয়োজনীয়: 1. তথ্য অধিগ্ৰহণ, 2. দৰ্শনসমূহৰ মাজত পঞ্জীয়ন, 3. দৰ্শনসমূহৰ একত্ৰীকৰণ। দৃশ্যৰ দ্বাৰা আমি বস্তুটোৰ নিৰ্দিষ্ট দৃষ্টিকোণৰ পৰা 3D পৃষ্ঠৰ তথ্য বুজাইছো। সংহতি প্ৰক্ৰিয়াটো ব্যৱহাৰ কৰা প্ৰতিনিধিত্ব আঁচনিৰ ওপৰত নিৰ্ভৰশীল যদিও, সংহতি সম্পাদন কৰাৰ পূৰ্বশর্তটো হ ল বিভিন্ন দৃষ্টিকোণৰ পৰা তথ্যৰ মাজত ৰূপান্তৰক জনা। এই প্ৰক্ৰিয়াৰ লক্ষ্য হৈছে এনে এটা ৰূপান্তৰক সন্ধান কৰা যাক "প্ৰতিসন্ধান" বা "প্ৰশ্ন" বুলিও জনা যায়। এই সমস্যাটো পূৰ্বৰ বহুতো গৱেষণাৰ প্ৰচেষ্টাৰ মূল বিষয় আছিল: ভানুৱে বহুতো দৃশ্য লাভ কৰিবলৈ বস্তুটো পৰিচিত কোণৰ মাজেৰে ঘূৰাই বস্তু চিনাক্তকৰণৰ বাবে এক বস্তু মডেলিং ব্যৱস্থা বিকাশ কৰিছিল। কুকুৰ আৰু অন্যান্য। [3] আৰু আহুজা আৰু ভেন-ষ্ট্ৰা [l] অক্ট্ৰি অবজেক্টৰ মডেল নিৰ্মাণ কৰিবলৈ অৰ্টোগ নেল ভিউ ব্যৱহাৰ কৰিছিল। এই পদ্ধতিসমূহৰ সৈতে, ... |
883b2b981dc04139800f30b23a91b8d27be85b65 | এই প্ৰবন্ধত আমি এটা কাৰ্যকৰী 3D বস্তু চিনাক্তকৰণ আৰু আৱদ্ধ আৰু আৱদ্ধ পৰিৱেশত পদ্ধতিসমূহ উপলব্ধি কৰাৰ বাবে অনুমান পদ্ধতি প্ৰদৰ্শন কৰো। সাধাৰণ চেহেৰা-ভিত্তিক পদ্ধতিৰ বিপৰীতে আমি কেৱল 3D জ্যামিতিৰ তথ্যৰ ওপৰত নিৰ্ভৰ কৰো। আমাৰ পদ্ধতিটো এটা শক্তিশালী জ্যামিতিক বৰ্ণনাকাৰী, এটা হেচিং কৌশল আৰু এটা দক্ষ, স্থানীয়কৃত RANSAC-ৰ দৰে নমুনা সংগ্ৰহ কৌশলৰ ওপৰত আধাৰিত। আমি ধৰি লওঁ যে প্ৰতিটো বস্তুক এটা মডেলৰ দ্বাৰা প্ৰতিনিধিত্ব কৰা হয় য ত সমতুল্য পৃষ্ঠৰ সাধাৰণৰ সৈতে বিন্দুৰ এটা ছেট থাকে। আমাৰ পদ্ধতিয়ে একে সময়তে একাধিক মডেলৰ উদাহৰণ চিনাক্ত কৰে আৰু দৃশ্যত তেওঁলোকৰ অৱস্থান অনুমান কৰে। বিভিন্ন পৰীক্ষাই দেখুৱাইছে যে প্ৰস্তাৱিত পদ্ধতিটোৱে শব্দযুক্ত, অযথা আৰু বিভাজিত পৰিসৰৰ স্কেনত ভালদৰে কাম কৰে য ত বস্তুৰ কেৱল সৰু অংশহে দৃশ্যমান। এই এলগৰিথমৰ মূল প্ৰক্ৰিয়াটোৰ এটা ৰেখীয় সময়ৰ জটিলতা আছে যাৰ ফলত উচ্চ চিনাক্তকৰণ গতিৰ সৃষ্টি হয়, যি এক নিৰন্তৰ প্ৰক্ৰিয়াত পদ্ধতিটোৰ প্ৰত্যক্ষ সংহতকৰণৰ অনুমতি দিয়ে। ৭ ডিগ্ৰী-অফ-ফ্ৰীডম কাৰ্টেছিয়ান ইম্পেড্যান্স নিয়ন্ত্ৰিত ৰবটৰ সৈতে পৰীক্ষামূলক বৈধতা প্ৰদৰ্শন কৰে যে জটিল এলোমেলো ষ্টেকৰ পৰা বস্তু ধৰিবলৈ কেনেকৈ পদ্ধতিটো ব্যৱহাৰ কৰিব পাৰি। এই প্ৰয়োগে প্ৰদৰ্শন কৰে যে কম্পিউটাৰ ভিজন আৰু ছফ্টৰ বটিক্সৰ একত্ৰিতকৰণে কেনেকৈ এক ৰবট প্ৰণালীৰ সৃষ্টি কৰে যি অ-সংগঠিত আৰু আৱদ্ধ পৰিৱেশত কাৰ্য্য কৰিবলৈ সক্ষম। |
9bc8aaaf23e2578c47d5d297d1e1cbb5b067ca3a | এই প্ৰবন্ধত এটা কেমেৰাৰ ছবিত 3D বস্তুৰ উদাহৰণ চিনাক্তকৰণ আৰু তেওঁলোকৰ 3D অৱস্থান নিৰ্ণয় কৰাৰ বাবে এটা পদ্ধতিৰ বৰ্ণনা কৰা হৈছে। এটা পৰ্যায়বৰ্ধিত মডেল কেৱল বস্তুৰ এটা 3D CAD মডেলৰ জ্যামিতি তথ্যৰ ওপৰত ভিত্তি কৰি সৃষ্টি কৰা হয়। এই পদ্ধতিটো বস্তুৰ পৃষ্ঠৰ গঠন বা প্ৰতিফলন তথ্যৰ ওপৰত নিৰ্ভৰ নকৰে, ইয়াক বিভিন্ন ঔদ্যোগিক আৰু ৰবোটিক প্ৰয়োগৰ বাবে উপযোগী কৰি তোলে, উদাহৰণস্বৰূপে, বেন-পিকিং। এটা পৰ্যায়বৰ্ধিত দৃষ্টিভংগী-ভিত্তিক পদ্ধতি প্ৰয়োগ কৰা হয় যি পূৰ্বৰ পদ্ধতিৰ সাধাৰণ সমস্যাসমূহ সমাধান কৰেঃ ই সত্য দৃষ্টিভংগীৰ সৈতে আচৰণ কৰে, শব্দ, আন্ধাৰ আৰু জৰাজীৰ্ণতাৰ প্ৰতি দৃঢ় হয় যি বহুতো ব্যৱহাৰিক প্ৰয়োগৰ বাবে পৰ্যাপ্ত, আৰু বিৰূপ পৰিৱৰ্তনৰ প্ৰতি অবিচল। এই পৰ্যায়বৰ্ধিত মডেলৰ সৃষ্টিৰ বাবে, এটা নতুন মডেল ইমেজ সৃষ্টিৰ কৌশল উপস্থাপন কৰা হৈছে যাৰ দ্বাৰা স্কেল-স্পেচ প্ৰভাৱসমূহ বিবেচনা কৰিব পাৰি। প্ৰয়োজনীয় অবজেক্ট ভিউসমূহ এক সমৰূপ-ভিত্তিক দিশৰ গ্ৰাফ ব্যৱহাৰ কৰি আহৰণ কৰা হয়। এক সম্পূৰ্ণ অনুসন্ধানৰ উচ্চ দৃঢ়তা এটা কাৰ্যকৰী শ্ৰেণীবদ্ধ অনুসন্ধানৰ সৈতে মিলিত হয়। 3D পোজটো এটা অতি সৰু-চতুৰ্ভুজ সমন্বয় ব্যৱহাৰ কৰি উন্নত কৰা হয় যিটোৱে ছবিৰ জ্যামিতিক দূৰত্ব কম কৰে, বস্তু দূৰত্বৰ সৈতে 0.12 শতাংশৰ অৱস্থান সঠিকতা প্ৰদান কৰে, আৰু আমাৰ পৰীক্ষাত 0.35 ডিগ্ৰীৰ এক্সিটেশ্যন সঠিকতা প্ৰদান কৰে। চিনাক্তকৰণৰ সময়টো বস্তুৰ জটিলতাৰ পৰা বেছিভাগেই স্বাধীন, কিন্তু মূলতঃ বস্তুৰ কেমেৰাৰ সন্মুখত দেখা পোৱা পজিচনৰ পৰিসৰৰ ওপৰত নিৰ্ভৰ কৰে। দক্ষতাৰ কাৰণত, এই পদ্ধতিয়ে প্ৰয়োগৰ ওপৰত নিৰ্ভৰ কৰি পোজ পৰিসৰৰ সীমাবদ্ধতা প্ৰদান কৰে। সাধাৰণ ৰানটাইম কেইশ মিঃ ছেকেণ্ডৰ ভিতৰত থাকে। |
dbd66f601b325404ff3cdd7b9a1a282b2da26445 | প্ৰাৰম্ভিক মূল্যায়নৰ ফলাফলসমূহে সূচাইছে যে 6D অবজেক্ট প জ এষ্টিমেচনত কাৰিকৰী অৱস্থাৰ উন্নতিৰ বাবে যথেষ্ট ঠাই আছে, বিশেষকৈ গুৰুত্বপূৰ্ণ অ ক্লুচনৰ সৈতে কঠিন ক্ষেত্ৰত। T-LESS ডাটা ছেটটো অনলাইন cmp:felk:cvut:cz/t-less ত উপলব্ধ। আমি T-LESS, ৬D অৱস্থান, অৰ্থাৎ, অনুবাদ আৰু ঘূৰ্ণন, বস্তুৰ অস্থিৰ বস্তুৰ অনুবাদ আৰু ঘূৰ্ণন। এই তথ্যত ৩০ টা শিল্প-প্ৰাসংগিক বস্তু আছে যিবোৰৰ কোনো গুৰুত্বপূৰ্ণ গঠন নাই আৰু কোনো বৈষম্যমূলক ৰং বা প্ৰতিফলন বৈশিষ্ট্য নাই। এই বস্তুবোৰত আকৃতি আৰু/বা আকাৰৰ সমতুল্যতা আৰু পাৰস্পৰিক সাদৃশ্য আছে। অন্য ডাটা ছেটৰ সৈতে তুলনা কৰিলে, এটা অনন্য সম্পত্তি হৈছে যে কিছুমান বস্তু আন কিছুমান বস্তুৰ অংশ। এই ডাটা ছেটত প্ৰশিক্ষণ আৰু পৰীক্ষাৰ ছবি অন্তৰ্ভুক্ত কৰা হৈছে যি তিনিটা সমকালীন ছেন্সৰৰ সৈতে ধৰা পৰিছে, বিশেষকৈ এটা গাঁথনিবদ্ধ-আলোক আৰু এটা সময়-ৰ-ফ্লাইট আৰজিবি-ডি ছেন্সৰ আৰু এটা উচ্চ-উত্তৰ আৰজিবি কেমেৰা। প্ৰতিটো ছেন্সৰৰ পৰা প্ৰায় ৩৯,০০০ প্ৰশিক্ষণ আৰু ১০,০০০ পৰীক্ষামূলক ছবি আছে। ইয়াৰ উপৰিও, প্ৰতিটো বস্তুৰ বাবে দুটা ধৰণৰ 3D মডেল প্ৰদান কৰা হৈছে, অৰ্থাৎ এটা মেনুৱেলী সৃষ্টি কৰা CAD মডেল আৰু এটা আধা-স্বয়ংক্ৰিয়ভাৱে পুনৰ্নিৰ্মাণ কৰা মডেল। প্ৰশিক্ষণ ছবিসমূহত ক লা পটভূমিৰ ওপৰত পৃথক বস্তুসমূহ দেখুওৱা হৈছে। পৰীক্ষামূলক ছবিসমূহ বিশটা পৰীক্ষামূলক দৃশ্যৰ পৰা উৎপন্ন হয় যাৰ জটিলতা বিভিন্ন হয়, যিটো কেইবাটাও বিচ্ছিন্ন বস্তুৰ সৈতে সৰল দৃশ্যৰ পৰা বহুতো বস্তুৰ একাধিক উদাহৰণ আৰু উচ্চ পৰিমাণৰ জৰাজীৰ্ণতা আৰু আচ্ছাদন সহ অতি প্ৰত্যাহ্বানমূলকলৈ বৃদ্ধি পায়। এই ছবিসমূহ বস্তুৰ/দৃশ্যৰ চাৰিওফালে থকা এটা পদ্ধতিগতভাৱে নমুনা লোৱা দৃশ্যৰ ক্ষেত্ৰৰ পৰা তোলা হৈছিল আৰু সকলো মডেল কৰা বস্তুৰ সঠিক ভূমি সত্য 6D অৱস্থানসমূহৰ সৈতে টোকা দিয়া হয়। |
74257c2a5c9633565c3becdb9139789bcf14b478 | তথ্য প্ৰযুক্তি নিয়ন্ত্ৰণ ব্যৱস্থাৰ ব্যাপক প্ৰচলন থকাৰ পাছতো ইয়াৰ ব্যৱহাৰৰ বিষয়ে গৱেষণা কৰিবলৈ সামান্য একাডেমিক প্ৰামাণিক গৱেষণা কৰা হৈছে। এই প্ৰবন্ধত তথ্য আৰু সম্পৰ্কীয় প্ৰযুক্তিৰ নিয়ন্ত্ৰণ লক্ষ্য (COBIT) ৰ ১৫ টা মূল আইটি নিয়ন্ত্ৰণ প্ৰক্ৰিয়াৰ পৰিপক্কতাৰ স্তৰ অষ্ট্ৰেলিয়াৰ ৰাজহুৱা খণ্ডৰ প্ৰতিষ্ঠানসমূহত তুলনা কৰিবলৈ কৰা গৱেষণাৰ প্ৰতিবেদন দিয়া হৈছে। ইয়াৰ উপৰিও বিভিন্ন দেশৰ মিশ্ৰিত ক্ষেত্ৰৰ গোট, এছিয়া-মহাসাগৰীয় দেশসমূহৰ মিশ্ৰিত ক্ষেত্ৰৰ গোট আৰু সকলো ভৌগোলিক অঞ্চলৰ ৰাজহুৱা খণ্ডৰ সংস্থাৰ সৈতে ইয়াৰ তুলনা কৰা হয়। অষ্ট্ৰেলিয়াৰ তথ্যসমূহ ৩৮৭ টা অ-আৰ্থিক ৰাজহুৱা খণ্ডৰ সংস্থাৰ এটা মেইল সমীক্ষাত সংগ্ৰহ কৰা হৈছিল য ত ৫০ জনতকৈ অধিক কৰ্মচাৰী থকা বুলি ধৰা হৈছিল, য ত ২৭% উত্তৰ দিয়া হৈছিল। ২০০২ চনত আইএছ অডিট আৰু কণ্ট্ৰ ল এছ চিয়েচনে কৰা মূল আন্তঃৰাষ্ট্ৰীয় সমীক্ষাত দেখা পোৱা ধৰণসমূহ অষ্ট্ৰেলিয়াৰ তথ্যতো দেখা পোৱা যায়। অৱশ্যে, ১৫টা গুৰুত্বপূৰ্ণ আইটি প্ৰক্ৰিয়াৰ বাবে সকলো আন্তঃৰাষ্ট্ৰীয় মানদণ্ডত অষ্ট্ৰেলিয়াৰ ৰাজহুৱা খণ্ডই খণ্ডসমূহৰ তুলনাত ভাল প্ৰদৰ্শন কৰে। |
0e9bac6a2b51e93e73f7f5045d4252972db10b5a | আমি এটা নতুন অ্যালগৰিদম প্ৰদান কৰিছো যি লাখ লাখ শাৰী, লাখ লাখ স্তম্ভ আৰু বিলিয়ন সংখ্যক শূন্যবিহীন উপাদানৰ সৈতে বৃহৎ মেট্ৰিছবোৰক প্ৰায় গুণিতকৰণ কৰিব। আমাৰ পদ্ধতিটো ষ্ট কাষ্টিক গ্ৰেডিয়েন্ট ডেচেন্ট (SGD) ৰ ওপৰত নিৰ্ভৰ কৰে, যি হৈছে এটা পৰিৱৰ্তনশীল ষ্ট কাষ্টিক অপ্টিমাইজেশ্যন এলগৰিথম। আমি প্ৰথমতে এটা নতুন "স্তৰযুক্ত" SGD প্ৰকাৰ (SSGD) বিকাশ কৰো যি সাধাৰণ লোকচান-সর্বনিম্নীকৰণ সমস্যাৰ ক্ষেত্ৰত প্ৰযোজ্য য ত লোকচান ফাংচনক "স্তৰীয় লোকচান"ৰ ওজনযুক্ত যোগফল হিচাপে প্ৰকাশ কৰিব পাৰি। আমি ষ্ট কাষ্টিক সমীপৱৰ্তী তত্ত্ব আৰু পুনৰুজ্জীৱিত প্ৰক্ৰিয়া তত্ত্বৰ ফলাফল ব্যৱহাৰ কৰি SSGD ৰ সন্মিলনৰ বাবে পৰ্যাপ্ত চৰ্ত স্থাপন কৰোঁ। তাৰ পিছত আমি SSGD বিশেষীকৰণ কৰোঁ যাতে DSGD নামৰ নতুন মেট্ৰিক্স-ফেক্টৰাইজেশ্যন এলগৰিথম লাভ কৰিব পাৰি, যি সম্পূৰ্ণৰূপে বিতৰণ কৰিব পাৰি আৰু ৱেব স্কেল ডাটাছেটত চলাব পাৰি, উদাহৰণস্বৰূপে, MapReduce ব্যৱহাৰ কৰি। ডিএছজিডিয়ে বিভিন্ন ধৰণৰ মেট্ৰিক্স ফেক্টৰাইজেশ্যন কৰিব পাৰে। আমি আমাৰ DSGD ৰূপায়ণত পাৰদৰ্শিতা অনুকূলিতকৰণৰ বাবে ব্যৱহাৰ কৰা ব্যৱহাৰিক কৌশলসমূহৰ বৰ্ণনা দিছো। পৰীক্ষাসমূহে প্ৰমাণ কৰে যে DSGD উল্লেখযোগ্যভাৱে দ্ৰুতভাৱে সংলগ্ন হয় আৰু বিকল্প এলগৰিথমতকৈ ভাল স্কেলিবিলিটি বৈশিষ্ট্য আছে। |
1109b663453e78a59e4f66446d71720ac58cec25 | আমি শ্ৰেণীবিভাজন, স্থানীয়কৰণ আৰু আৱিষ্কাৰৰ বাবে কনভলুশ্যনেল নেটৱৰ্ক ব্যৱহাৰৰ বাবে এক একীভূত ফ্ৰেমৱৰ্ক উপস্থাপন কৰিছো। আমি দেখুৱাম যে কেনেকৈ এটা মাল্টিস্কেল আৰু স্লাইডিং উইণ্ডো পদ্ধতিটো কনভনেটৰ ভিতৰত কাৰ্যকৰীভাৱে প্ৰয়োগ কৰিব পাৰি। আমি বস্তু সীমাৰ ভৱিষ্যদ্বাণী কৰিবলৈ শিকাৰ জৰিয়তে স্থানীয়কৰণৰ বাবে এক নতুন গভীৰ শিক্ষণ পদ্ধতিৰ প্ৰৱৰ্তন কৰো। চিনাক্তকৰণৰ বিশ্বাসযোগ্যতা বৃদ্ধি কৰিবলৈ সীমান্ত বাকচসমূহক দমন কৰাৰ পৰিৱৰ্তে সংগ্ৰহ কৰা হয়। আমি দেখুৱাই দিছো যে এটা ভাগাভাগি নেটৱৰ্ক ব্যৱহাৰ কৰি বিভিন্ন কাম একেলগে শিকিব পাৰি। এই একত্ৰিত ফ্ৰেমৱৰ্কটো ইমেজনেট বৃহৎ স্কেল ভিজুৱেল ৰিকগনিশ্যন চেলেঞ্জ ২০১৩ (ILSVRC2013) ৰ স্থানীয়কৰণ কাৰ্যৰ বিজয়ী আৰু আৱিষ্কাৰ আৰু শ্ৰেণীবিভাজন কাৰ্যৰ বাবে অতি প্ৰতিযোগিতামূলক ফলাফল প্ৰাপ্ত কৰে। প্ৰতিযোগিতাৰ পিছত আমি নতুন কলা প্ৰয়োগ কৰি চিনাক্তকৰণ প্ৰক্ৰিয়াটো আৰম্ভ কৰিম। অৱশেষত, আমি আমাৰ শ্ৰেষ্ঠ মডেলৰ পৰা এটা বৈশিষ্ট্য আহৰণকাৰী মুকলি কৰি দিছো যাক ওভাৰফিট বুলি কোৱা হয়। |
062c1c1b3e280353242dd2fb3c46178b87cb5e46 | এই প্ৰবন্ধত আমি ধাৰাবাহিক অৱস্থা-কাৰ্য্য স্থানৰ সৈতে শক্তিশালী শিক্ষণৰ সমস্যাসমূহ সমাধান কৰিম। আমি এটা নতুন এলগৰিথম প্ৰস্তাৱ কৰো, যিটো ফেনামেণ্টেল এক্টৰ-ক্ৰিটিক (FNAC) হয়, যিটো সাধাৰণ ফাংচন এপ্ৰোচিমেচন আৰু ডাটা পুনৰ ব্যৱহাৰৰ বাবে [1] ৰ কামটো সম্প্ৰসাৰিত কৰে। আমি প্ৰাকৃতিক অভিনেতা-সমালোচনামূলক স্থাপত্য [1]ক গুৰুত্ব নমুনা ব্যৱহাৰ কৰি tted মান পুনৰাবৃত্তিৰ এক প্ৰকাৰৰ সৈতে সংযুক্ত কৰোঁ। এই পদ্ধতিত দুয়োটা পদ্ধতিৰ আকৰ্ষণীয় বৈশিষ্ট্যবোৰ মিলাই ইয়াৰ প্ৰধান দুৰ্বলতাসমূহ দূৰ কৰা হৈছেঃ এটা গ্ৰেডিয়েন্ট-ভিত্তিক অভিনেতা ব্যৱহাৰ কৰি নিৰন্তৰ কাৰ্য-অৱস্থাত নীতিৰ অপ্টিমাইজেশ্যনৰ সৈতে প্ৰতিলিপি পদ্ধতিত পোৱা অসুবিধাবোৰ সহজে দূৰ কৰা হয়; ইয়াৰ বিপৰীতে, এটা প্ৰতিলিপি-ভিত্তিক সমালোচকৰ ব্যৱহাৰে তথ্যৰ দক্ষ ব্যৱহাৰৰ বাবে অনুমতি দিয়ে আৰু টিডি-ভিত্তিক সমালোচকসকলে প্ৰায়ে প্ৰদৰ্শন কৰা সন্মিলন সমস্যাসমূহ এৰাই চলে। আমি আমাৰ এলগৰিথমৰ সংমিশ্ৰণ স্থাপন কৰোঁ আৰু ইয়াৰ প্ৰয়োগ এটা সৰল ধাৰাবাহিক স্থান, ধাৰাবাহিক ক্ৰিয়া সমস্যাত প্ৰকাশ কৰোঁ। |
f97f0902698abff8a2bc3488e8cca223e5c357a1 | তথ্য খনন আৰু মেচিন লাৰ্ণিং সমস্যাৰ সমাধানৰ ক্ষেত্ৰত বৈশিষ্ট নিৰ্বাচন এক গুৰুত্বপূৰ্ণ দিশ। এই প্ৰবন্ধত Support Vector Machine (SVM) লাৰ্ণিংৰ বাবে এটা ফিচাৰ-চেলেকশ্যন পদ্ধতিৰ প্ৰস্তাৱ দিয়া হৈছে। অধিকাংশ বৈশিষ্ট-নিৰ্বাচন পদ্ধতিৰ দৰে, প্ৰস্তাৱিত পদ্ধতিয়ে সকলো বৈশিষ্টৰ গুৰুত্বৰ ক্ৰমান্বয়ে ক্ৰমবৰ্ধমান কৰে যাতে অধিক প্ৰাসংগিক বৈশিষ্টসমূহ চিনাক্ত কৰিব পাৰি। ই SVM ৰ সম্ভাব্য আউটপুটৰ ওপৰত ভিত্তি কৰি এটা নতুন মানদণ্ড ব্যৱহাৰ কৰে। এই চৰ্ত, যাক ফিচাৰ-ভিত্তিক সংবেদনশীলতা বা পিছৰ সম্ভাৱনীয়তা (FSPP) বুলি কোৱা হয়, ই ফিচাৰ স্পেচত SVM ৰ সম্ভাব্য আউটপুটৰ সম্পূৰ্ণ পাৰ্থক্যৰ মুঠ মান গণনা কৰি, ফিচাৰ স্পেচত, আৰু ফিচাৰ অবিহনে নিৰ্দিষ্ট ফিচাৰৰ গুৰুত্বৰ মূল্যায়ন কৰে। এই চৰ্তৰ সঠিক ৰূপ সহজে গণনা কৰিব পৰা নাযায় আৰু আনুমানিক অনুমান কৰাটো প্ৰয়োজনীয়। এই উদ্দেশ্যে চাৰিটা সমীকৰণ, FSPP1-FSPP4, প্ৰস্তাৱ কৰা হৈছে। প্ৰথম দুটা সমীকৰণে প্ৰশিক্ষণ তথ্যৰ নমুনাৰ মাজত বৈশিষ্ট্যৰ মানবোৰ এলোমেলোভাৱে পৰিৱৰ্তন কৰি মানদণ্ডটো মূল্যায়ন কৰে। মানক SVM আউটপুটৰ পৰা ইয়াৰ সম্ভাব্যতাযুক্ত আউটপুটলৈ মেপিং ফাংচনৰ তেওঁলোকৰ পছন্দবোৰ পৃথক হয়ঃ FSPP1 এ এটা সৰল থ্ৰেশহোল্ড ফাংচন ব্যৱহাৰ কৰে যদিও FSPP2 এ এটা ছিগময়েড ফাংচন ব্যৱহাৰ কৰে। দ্বিতীয় দুটা চৰিত্ৰই চৰিত্ৰটোৰ লগত একে, কিন্তু চৰিত্ৰটোৰ সুক্ষ্মতাৰ ধাৰণাটো পৃথক। এই সমীকৰণসমূহৰ কাৰ্যক্ষমতা, সামগ্ৰিক বৈশিষ্ট্য-নিৰ্বাচন আঁচনিত ব্যৱহাৰ কৰা হয়, তাৰ পিছত বিভিন্ন কৃত্ৰিম সমস্যা আৰু বাস্তৱ জগতৰ সমস্যাসমূহৰ ওপৰত মূল্যায়ন কৰা হয়, সাম্প্ৰতিক নিউৰেল ইনফৰমেচন প্ৰচেছিং চিষ্টেম (NIPS) বৈশিষ্ট্য নিৰ্বাচন প্ৰতিযোগিতাৰ পৰা ডাটা ছেটকে ধৰি। FSPP1-3 এ ভাল প্ৰদৰ্শন দেখুৱাইছে আৰু FSPP2 এ সৰ্বোত্তম সামগ্ৰিকভাৱে সামান্য ব্যৱধানত। আমি পৰীক্ষা কৰা ডাটা ছেটসমূহৰ সাহিত্যত থকা কিছুমান শ্ৰেষ্ঠ প্ৰদৰ্শনকাৰী বৈশিষ্ট-নিৰ্বাচন পদ্ধতিৰ সৈতে FSPP2 ৰ কাৰ্যক্ষমতা প্ৰতিযোগিতামূলক। ইয়াৰ সংযুক্ত গণনাসমূহ সংযমীয় আৰু সেয়ে ই SVM প্ৰয়োগৰ বাবে এটা বৈশিষ্ট্য-নিৰ্বাচন পদ্ধতি হিচাপে উপযুক্ত। |
a1c5a6438d3591819e730d8aecb776a52130c33d | এটা কমপেক্ট মাইক্ৰ ষ্ট্ৰীপ লোপাছ ফিল্টাৰ (LPF) অতি-বিশাল ষ্টপবেণ্ড ব্যৱহাৰ কৰি পৰিৱৰ্তিত স্টেপড ইম্পেডেন্স হেয়াৰপিন ৰিজ নেটৰ প্ৰস্তাৱ কৰা হৈছে। ৰূপান্তৰিত ৰিজ নেটৰটো এটা স্তৰিত প্ৰতিবন্ধকতা হেয়াৰপিন ৰিজ নেটৰ আৰু এটা এম্বেডড হেক্সাগন ষ্টব লোডযুক্ত কপল্ড-লাইন গাঁথনিৰে গঠিত। আকাৰ বঢ়াই নথকাকৈ, এটা বিস্তৃত ষ্টপবেণ্ড পাবলৈ এম্বেডেড গঠন প্ৰৱৰ্তন কৰা হয়। এটা প্ৰ টোটাইপ এলপিএফৰ অনুকৰণ কৰা হৈছে, নিৰ্মাণ কৰা হৈছে আৰু জোখা হৈছে, আৰু জোখা-জোখবোৰ অনুকৰণসমূহৰ সৈতে ভালদৰে একমত। এই কম-পাৰ্চ ফিল্টাৰটোত অতি-বিস্তৃত স্তৰব্যান্ড 12.01fc পৰ্যন্ত আৰু 14dB ৰ প্ৰত্যাহ্বানৰ স্তৰ আছে। তদুপৰি, প্ৰস্তাৱিত ফিল্টাৰটো 0.071λg× 0.103λg আকাৰৰ, য ত λg হৈছে কট ফ ফ্ৰিক্বেন্সী 1.45 গিগাহাৰ্টছত ৱেভগাইডৰ দৈৰ্ঘ্য। |
70d2d4b07b5c65ef4866c7fd61f9620bffa01e29 | বিগত দশকটোত জলবায়ু পৰিৱৰ্তন আৰু বৰষুণৰ পৰিমাণ অস্থিৰ হৈ আছে। ইয়াৰ বাবে সাম্প্ৰতিক কালত, স্মাৰ্ট কৃষি নামৰ জলবায়ু-স্মাৰ্ট পদ্ধতি বহু ভাৰতীয় কৃষকে গ্ৰহণ কৰিছে। স্মাৰ্ট এগ্ৰিকালচাৰ হৈছে এক স্বয়ংক্ৰিয় আৰু নিৰ্দেশিত তথ্য প্ৰযুক্তি যিটো আই অ টি (ইণ্টাৰনেট অৱ থিংছ) ৰ সৈতে প্ৰয়োগ কৰা হয়। আইঅ টি দ্ৰুতগতিত বিকাশ লাভ কৰিছে আৰু সকলো ৱায়াৰলেছ পৰিৱেশত বহুলভাৱে প্ৰয়োগ কৰা হৈছে। এই প্ৰবন্ধত, ছেন্সৰ প্ৰযুক্তি আৰু ৱায়াৰলেচ নেটৱৰ্ক ইণ্টিগ্ৰেচন অফ আই অ টি প্ৰযুক্তিৰ অধ্যয়ন কৰা হৈছে আৰু কৃষি ব্যৱস্থাৰ প্ৰকৃত পৰিস্থিতিৰ ওপৰত ভিত্তি কৰি ইয়াৰ পুনৰীক্ষণ কৰা হৈছে। ইণ্টাৰনেট আৰু ৱায়াৰলেছ যোগাযোগৰ সৈতে এক সংযুক্ত পদ্ধতি, দূৰ নিৰীক্ষণ ব্যৱস্থা (RMS) ৰ প্ৰস্তাৱ কৰা হৈছে। ইয়াৰ মুখ্য উদ্দেশ্য হৈছে কৃষি উৎপাদন পৰিৱেশৰ প্ৰকৃত সময়ৰ তথ্য সংগ্ৰহ কৰা যিয়ে কৃষি সুবিধা যেনে সংক্ষিপ্ত ম্যাসেজিং সেৱাৰ (এছএমএছ) জৰিয়তে সতৰ্কতা আৰু বতৰ, শস্য ইত্যাদিৰ পৰামৰ্শৰ সহজ প্ৰৱেশাধিকাৰ প্ৰদান কৰে। |
ea88b58158395aefbb27f4706a18dfa2fd7daa89 | অনলাইন সামাজিক নেটৱৰ্ক (OSN) ত যথেষ্ট পৰিমাণে আত্ম-প্ৰকাশৰ সত্ত্বেও, এই পৰিঘটনাটোৰ আঁৰৰ প্ৰণালী এতিয়াও কমকৈ বুজি পোৱা হৈছে। গোপনীয়তা গণনা তত্ত্বৰ ওপৰত ভিত্তি কৰি, এই অধ্যয়নে ব্যক্তিগত স্ব-প্ৰকাশৰ সিদ্ধান্তৰ আঁৰৰ কাৰকবোৰক গভীৰভাৱে লৈ এই ব্যৱধান পূৰণ কৰে। ২৩৭ জন বিষয়ক লৈ গঠিত এক গঠনমূলক সমীকৰণ মডেলত আমি পাইছো যে তথ্য প্ৰকাশৰ ক্ষেত্ৰত অনুভৱ কৰা আনন্দ আৰু গোপনীয়তাৰ বিষয়বোৰ গুৰুত্বপূৰ্ণ নিৰ্ণায়ক। আমি নিশ্চিত কৰোঁ যে OSN ব্যৱহাৰকাৰীসকলৰ গোপনীয়তাৰ উদ্বেগ প্ৰাথমিকভাৱে গোপনীয়তা ভংগৰ সম্ভাৱনীয়তাৰ দ্বাৰা নিৰ্ণয় কৰা হয় আৰু বহু কম ক্ষতিৰ দ্বাৰা নিৰ্ণয় কৰা হয়। এই অন্তৰ্দৃষ্টিসমূহে OSN প্ৰদানকাৰী আৰু নীতি নিৰ্ধাৰকসকলক তেওঁলোকৰ প্ৰচেষ্টাত এক সুস্থ তথ্য প্ৰকাশৰ স্তৰ নিশ্চিত কৰিবলৈ এক শক্তিশালী ভিত্তি প্ৰদান কৰে যিটো বিষয়গত ভুল ধাৰণাতকৈ বস্তুনিষ্ঠ যুক্তিৰ ওপৰত ভিত্তি কৰি গঠিত। |
9dbfcf610da740396b2b9fd75c7032f0b94896d7 | ডাটাবেছ মেনেজমেণ্ট চিষ্টেম (DBMSs) ৰ সৈতে আন্তঃক্ৰিয়া কৰা এপ্লিকেচনবোৰ সৰ্বব্যাপী। এনে ডাটাবেছ এপ্লিকেচনবোৰ সাধাৰণতে এপ্লিকেচন চাৰ্ভাৰত হোষ্ট কৰা হয় আৰু প্ৰক্ৰিয়াকৰণৰ বাবে ডাটা আহৰণৰ বাবে ডাটাবেছ চাৰ্ভাৰত হোষ্ট কৰা DBMS লৈ নেটৱৰ্কৰ জৰিয়তে বহুতো সৰু প্ৰৱেশ কৰে। দশকজুৰি, ডাটাবেছ আৰু প্ৰগ্ৰামিং চিষ্টেম গৱেষণা সম্প্ৰদায়সমূহে বিভিন্ন দৃষ্টিকোণৰ পৰা এনে এপ্লিকেশ্যনবোৰ অপ্টিমাইজ কৰিবলৈ কাম কৰি আহিছেঃ ডাটাবেছ গৱেষকসকলে অতি কাৰ্যকৰী DBMS নিৰ্মাণ কৰিছে, আৰু প্ৰগ্ৰামিং চিষ্টেম গৱেষকসকলে এপ্লিকেশ্যন হোষ্ট কৰিবলৈ বিশেষীকৃত কম্পাইলাৰ আৰু ৰানটাইম চিষ্টেম বিকাশ কৰিছে। অৱশ্যে, এই বিশেষীকৃত ব্যৱস্থাবোৰৰ সংমিশ্ৰণত বিবেচনা কৰি আৰু তেওঁলোকৰ মাজত থকা অপ্টিমাইজেশ্যনৰ সুযোগ বিচাৰি ডাটাবেছ এপ্লিকেশ্যনবোৰ অপ্টিমাইজ কৰা তুলনামূলকভাৱে কম কাম হৈছে। এই প্ৰবন্ধত, আমি তিনিটা প্ৰকল্পৰ ওপৰত আলোকপাত কৰিম যিবোৰে ডাটাবেছ এপ্লিকেচনবোৰ অপ্টিমাইজ কৰে প্ৰগ্ৰামিং ছিষ্টেম আৰু DBMS দুয়োটা সামগ্ৰিকভাৱে চাই। DBMS আৰু এপ্লিকেচনৰ মাজত আন্তঃপৃষ্ঠৰ বিষয়ে আৰু ঘোষণামূলক ডাটাবেছ অপ্টিমাইজেশ্যন আৰু আধুনিক প্ৰগ্ৰাম বিশ্লেষণ কৌশলসমূহৰ মিশ্ৰণ প্ৰয়োগ কৰি আমি দেখুৱাম যে বাস্তৱ জগতৰ এপ্লিকেচনত মাত্ৰাৰ একাধিক আদেশৰ গতি বৃদ্ধি সম্ভৱ। |
fdc3948f5fec24eb7cd4178aee9732ab284f1f1c | এই প্ৰবন্ধত WWAN/LTE ধাতব-ৰিমযুক্ত স্মাৰ্টফোন এপ্লিকেচনৰ বাবে হাইব্ৰিড মাল্টি-মোড সংকীৰ্ণ ফ্ৰেম এণ্টেনাৰ প্ৰস্তাৱ কৰা হৈছে। মাটিৰ উচচতা মাত্ৰ ৫ মিমি × ৪৫ মিমি, যি সংকীৰ্ণ ফ্ৰেম স্মাৰ্টফোনৰ বাবে আশাব্যঞ্জক। সৰু ফাঁক থকা ধাতব ৰিমটো তিনিটা মাটিযুক্ত পেটচৰ দ্বাৰা ছিষ্টেম গ্ৰাউণ্ডত সংযুক্ত কৰা হয়। এই প্ৰস্তাৱিত এণ্টেনাই তিনিটা কপলড লুপ মোড আৰু এটা স্লট মোড উত্তেজিত কৰিব পাৰে। এই চাৰিটা মোড অন্তৰ্ভুক্ত কৰি, প্ৰস্তাৱিত এণ্টেনাই GSM850/900, DCS/PCS/UMTS2100, আৰু LTE2300/2500 অপাৰেচনৰ বাবে কভাৰেজ প্ৰদান কৰিব পাৰে। প্ৰস্তাৱিত এণ্টেনাৰ বিশদ ডিজাইন বিবেচনা বৰ্ণনা কৰা হৈছে, আৰু পৰীক্ষামূলক আৰু অনুকৰণ কৰা দুয়োটা ফলাফলও উপস্থাপন কৰা হৈছে। |
021f37e9da69ea46fba9d2bf4e7ca3e8ba7b3448 | অতি বহল বেণ্ড সৌৰ ভিভাল্ডি এণ্টেনাৰ প্ৰস্তাৱ কৰা হৈছে। অকাৰ্যকৰী চিলেকন কোষৰ পৰা কাটি, ই ৪.২৫ ভলত এটা শিখৰ শক্তি বজাই ৰাখে, যি ক্ষয়ী শক্তি ব্যৱস্থাপনা উপাদানৰ প্ৰয়োজনীয়তা অতিক্ৰম কৰে। ৱায়াৰলেছ যোগাযোগৰ যন্ত্ৰটোৱে সৌৰ শক্তি উৎপন্ন কৰিব পাৰে বা দ্বৈত উৎসৰ শক্তি আহৰণৰ বাবে ৰেক্টেনাৰ দৰে কাম কৰিব পাৰে। সৌৰ ভিভাল্ডিয়ে 0.95-2.45 গিগাহাৰ্জ ৰ পৰা 0.5-2.8 dBi লাভৰ সৈতে কাৰ্য সম্পাদন কৰে, আৰু ৰেক্টেনা মোডত, ই ৱায়াৰলেচ শক্তি স্কেভিংৰ বাবে তিনিটা বেণ্ড সামৰি লয়। |
592a6d781309423ceb95502e92e577ef5656de0d | যান্ত্ৰিক অনুবাদৰ নিউৰেল এনকোডাৰ-ডিকোডাৰ মডেলবোৰে ঐতিহ্যগত অনুবাদ মডেলৰ প্ৰতিদ্বন্দ্বিতা কৰি চিত্তাকৰ্ষক ফলাফল লাভ কৰিছে। অৱশ্যে তেওঁলোকৰ মডেলিং সূত্ৰটো অতি সৰলীকৃত, আৰু পৰম্পৰাগত মডেলত নিৰ্মিত কেইবাটাও মূল অনুপ্ৰেৰণামূলক পক্ষপাত বাদ দিয়ে। এই প্ৰবন্ধত আমি মনোযোগৰ স্নায়ু অনুবাদ মডেলৰ সম্প্ৰসাৰণ কৰি শব্দভিত্তিক সংযোজন মডেলৰ পৰা গঠনমূলক পক্ষপাত, স্থানিক পক্ষপাত, মাৰকভৰ চৰ্ত, উৰ্বৰতা আৰু অনুবাদৰ নিৰ্দেশনাৰ ওপৰত চুক্তিকে ধৰি অন্তৰ্ভুক্ত কৰো। আমি এটা বেছলাইন মনোযোগৰ মডেল আৰু কেইবাটাও ভাষা জোড়ৰ ওপৰত মানক বাক্যাংশ-ভিত্তিক মডেলৰ ওপৰত উন্নতি দেখুৱাম, কম সম্পদ পৰিবেশত কঠিন ভাষাৰ ওপৰত মূল্যায়ন। |
9ebe089caca6d78ff525856c7a828884724b9039 | বেইচীয় পদ্ধতিৰ দ্বাৰা শিক্ষাৰ অনুসন্ধান আৰু শোষণৰ মাজত থকা ব্যৱধানৰ সমাধান কৰা হয়। অৱশ্যে, সাধাৰণ পদ্ধতিবোৰে সম্পূৰ্ণভাৱে পৰ্যবেক্ষণযোগ্য পৰিৱেশ বা দুৰ্বল স্কেল গ্ৰহণ কৰে। এই কামত ফেক্টৰেট বেজ-অনুকূলিত POMDP মডেলৰ প্ৰৱৰ্তন কৰা হৈছে, যি আংশিকভাৱে পৰ্যবেক্ষণযোগ্য প্ৰণালীত গতিশীলতা শিকাৰ সময়ত অন্তৰ্নিহিত গাঁথনিৰ শোষণ কৰিবলৈ সক্ষম এক ফ্ৰেমৱৰ্ক। আমি লগতে এক বিশ্বাস ট্ৰেকিং পদ্ধতি উপস্থাপন কৰো যিয়ে ৰাজ্য আৰু মডেল ভেৰিয়েবলৰ ওপৰত যৌথ পাছৰটো আৰু মন্টে-কাৰ্লো ট্ৰী চাৰ্চ সমাধান পদ্ধতিৰ এটা অভিযোজন, যি একত্ৰিতভাৱে অন্তৰ্নিহিত সমস্যাটো প্ৰায়-উত্তমভাৱে সমাধান কৰিবলৈ সক্ষম। আমাৰ পদ্ধতিয়ে এটা জ্ঞাত কাৰককৰণ দিয়াত দক্ষতাৰে শিকিব পাৰে বা একে সময়তে কাৰককৰণ আৰু মডেলৰ পাৰামিটাৰবোৰো শিকিব পাৰে। আমি দেখুৱাই দিছো যে এই পদ্ধতিয়ে বৰ্তমানৰ পদ্ধতিতকৈ অধিক ভাল কৰিব পাৰে আৰু পূৰ্বতে সম্ভৱ নোহোৱা সমস্যাসমূহ সমাধান কৰিব পাৰে। |
b3a18280f63844e2178d8f82bc369fcf3ae6d161 | ৱৰ্ড এম্বেডিং হৈছে এটা জনপ্ৰিয় ফ্ৰেমৱৰ্ক যিয়ে বাস্তৱ সংখ্যাৰ ভেক্টৰ হিচাপে পাঠ্য তথ্য প্ৰতিনিধিত্ব কৰে। এই ভেক্টৰবোৰে ভাষাৰ অৰ্থবিজ্ঞান ধৰা পেলায়, আৰু বিভিন্ন প্ৰাকৃতিক ভাষা প্ৰক্ৰিয়া আৰু মেচিন লাৰ্ণিং এপ্লিকেশ্যনত ব্যৱহাৰ কৰা হয়। এই উপযোগী গুণবোৰৰ সত্ত্বেও, সাধাৰণ ভাষাৰ কৰ্প ৰাৰ পৰা আহৰণ কৰা শব্দৰ এম্বেডিংসমূহে অগত্যা মানৱ পক্ষপাত প্ৰদৰ্শন কৰে [6]। GloVe শব্দ এম্বেডিং এলগৰিথমৰ দ্বাৰা উৎপাদিত বৃত্তি শব্দ ভেক্টৰৰ বাবে আমি প্ৰত্যক্ষ আৰু পৰোক্ষ লিংগ পক্ষপাত জোখাৰ [9], তাৰ পিছত এই এম্বেডিং ব্যৱহাৰ কৰি ডাউনষ্ট্ৰীম এপ্লিকেশ্যনসমূহত পক্ষপাতৰ প্ৰসাৰ হ্ৰাস কৰিবলৈ কম পক্ষপাতৰ সৈতে এম্বেডিং উৎপাদনৰ বাবে এই এলগৰিথমটো সংশোধন কৰক। |
08a6e999532544e83618c16a96f6d4c7356bc140 | |
0c35a65a99af8202fe966c5e7bee00dea7cfcbf8 | এই প্ৰবন্ধত এটা স্বয়ংক্রিয়, ইণ্টাৰেক্টিভ ট্যুৰ-গাইড ৰবটৰ ছফ্টৱেৰ স্থাপত্যৰ বৰ্ণনা কৰা হৈছে। ই এটা মডুলাৰ আৰু বিতৰণ কৰা ছফ্টৱেৰ আৰ্কিটেকচাৰ উপস্থাপন কৰে, যিয়ে স্থানীয়কৰণ, মেপিং, সংঘৰ্ষ এৰাই চলাৰ, পৰিকল্পনা আৰু ব্যৱহাৰকাৰীৰ আন্তঃক্ৰিয়া আৰু ৱেব-ভিত্তিক দূৰ-প্ৰতিষ্ঠানৰ সৈতে জড়িত বিভিন্ন মডিউল একত্ৰিত কৰে। ইয়াৰ মূলত, s oftware পদ্ধতিটো সম্ভাব্যতা গণনা, অনলাইন শিকণ, আৰু যিকোনো সময়তে alg অৰিথমৰ ওপৰত নিৰ্ভৰ কৰে। ই ৰবটক সুৰক্ষিত, নিৰ্ভৰযোগ্য আৰু উচ্চ গতিত অত্যন্ত গতিশীল পৰিৱেশত কাম কৰিবলৈ সক্ষম কৰে আৰু ৰবটৰ কাম-কাজত সহায় কৰিবলৈ পৰিৱেশৰ কোনো সালসলনিৰ প্ৰয়োজন নহয়। মানুহৰ অন্তৰ্দৃষ্টিৰ প্ৰতি আকৃষ্ট হোৱা মত-বিনিময়ৰ সামৰ্থৰ ডিজাইনৰ ওপৰত বিশেষ গুৰুত্ব দিয়া হৈছে। এই ইন্টাৰফেছে ৰাজহুৱা স্থানত মানুহৰ ভিৰৰ সৈতে মানৱ-ৰবটৰ মত-বিনিময়ৰ বাবে নতুন উপায় প্ৰদান কৰে আৰু ই সমগ্ৰ বিশ্বৰ লোকক ৱেব ব্যৱহাৰ কৰি "ভাৰ্চুয়েল টেলিপ্ৰেচেন্স" স্থাপন কৰাৰ ক্ষমতা প্ৰদান কৰে। আমাৰ পদ্ধতিৰ প্ৰদৰ্শনৰ বাবে, ১৯৯৭ চনৰ মাজভাগত আমাৰ ৰবট ৰাইনো ক ছয়দিনৰ বাবে জনবহুল সংগ্ৰহালয়ত স্থাপন কৰাৰ সময়ত লাভ কৰা ফলাফলসমূহ উল্লেখ কৰা হৈছে। এই পৰীক্ষাৰ ফলাফলৰ পৰা জনসাধাৰণৰ ক্ষেত্ৰত নিৰ্ভৰযোগ্য কাম-কাজ হোৱাটো দেখা গৈছে। এই ৰবটে সফলতাৰে সংগ্ৰহালয়ৰ দৰ্শকৰ মনোযোগ ৫০% তকৈ অধিক বৃদ্ধি কৰিছে। ইয়াৰ উপৰিও, সমগ্ৰ বিশ্বৰ হাজাৰ হাজাৰ লোকে ৱেবৰ জৰিয়তে ৰবটটোক নিয়ন্ত্ৰণ কৰিছিল। আমি অনুমান কৰো যে এই উদ্ভাৱনবোৰে সেৱা ৰবটৰ বাবে বহুতো বৃহৎ পৰিসৰৰ প্ৰয়োগ ক্ষেত্ৰ অতিক্ৰম কৰে। |
66479c2251088dae51c228341c26164f21250593 | |
2c521847f2c6801d8219a1a2e9f4e196798dd07d | |
c0e97ca70fe29db4ceb834464576b699ef8874b1 | এই পত্ৰখনে দীৰ্ঘকালীন ত্ৰিমাত্ৰিক (3-D) লিডাৰ ডাটাৰ পৰা শিকি লোৱা এক নতুন অৰ্থগত মেপিং পদ্ধতি, ৰিচিউৰেণ্ট-অক্টোমেপ উপস্থাপন কৰে। বৰ্তমানৰ অধিকাংশ অৰ্থবিজ্ঞান মানচিত্ৰ পদ্ধতিয়ে অৰ্থবিজ্ঞান মানচিত্ৰৰ ৩-ডি পৰিমাৰ্জন (অৰ্থাৎ, অৰ্থবিজ্ঞানীয় পৰ্যবেক্ষণৰ সংমিশ্ৰণ) । ৩-ডি অৰ্থবিজ্ঞান মানচিত্ৰৰ পৰিমাৰ্জন কৰিবলৈ সৰ্বাধিক ব্যৱহৃত পদ্ধতি হৈছে বেইজ আপডেট, যিয়ে মাৰ্কভ-চেইন মডেলৰ পিছত ক্ৰমাগত ভৱিষ্যদ্বাণীমূলক সম্ভাৱনাসমূহ একত্ৰিত কৰে। তাৰ পৰিৱৰ্তে, আমি এটা শ্ৰেণীবিভাজকৰ পৰা অনুমানবোৰ সংযুক্ত কৰাৰ পৰিৱৰ্তে, অৰ্থগত বৈশিষ্টবোৰ সংযুক্ত কৰিবলৈ এটা শিক্ষণ পদ্ধতিৰ প্ৰস্তাৱ দিছো। আমাৰ পদ্ধতিত, আমি আমাৰ ৩-ডি মানচিত্ৰক এক অক্ট মেপ হিচাপে প্ৰতিনিধিত্ব আৰু বজাই ৰাখো, আৰু প্ৰত্যেক কোষক এটা পুনৰাবৃত্ত নিউৰেল নেটৱৰ্ক হিচাপে মডেল কৰো, যাতে এটা পুনৰাবৃত্ত-অক্ট মেপ লাভ কৰিব পাৰি। এই ক্ষেত্ৰত, অৰ্থবিজ্ঞান মেপিং প্ৰক্ৰিয়াটো এটা ক্ৰম-ৰ পৰা ক্ৰম এনকোডিং-ডিকোডিং সমস্যা হিচাপে প্ৰস্তুত কৰিব পাৰি। তদুপৰি, আমাৰ ৰিচিউৰেণ্ট-অক্টোমেপত পৰ্যবেক্ষণৰ সময়সীমা বৃদ্ধি কৰিবলৈ, আমি এটা শক্তিশালী ৩-ডি স্থানীয়কৰণ আৰু মেপিং ব্যৱস্থা প্ৰস্তুত কৰিছিলো যাতে দুই সপ্তাহতকৈ অধিক ডাটা ব্যৱহাৰ কৰি ক্ৰমান্বয়ে গতিশীল পৰিৱেশৰ মেপিং কৰিব পৰা যায়, আৰু এই ব্যৱস্থাটোক প্ৰশিক্ষণ দিয়া আৰু যিকোনো মেমৰি দৈৰ্ঘ্যৰ সৈতে স্থাপন কৰিব পৰা যায়। আমি ইটিএইচৰ দীৰ্ঘকালীন ৩-ডি লিডাৰ ডাটাছেটত আমাৰ পদ্ধতিটো বৈধতা দিছো। পৰীক্ষামূলক ফলাফলৰ পৰা দেখা গৈছে যে আমাৰ প্ৰস্তাৱিত পদ্ধতিয়ে পৰম্পৰাগত বেইজ আপডেট পদ্ধতিটোক অতিক্ৰম কৰে। |
1d3ddcefe4d5fefca04fe730ca73312e2c588b3b | ছাত্ৰ-ছাত্ৰীসকলক ধৰি ৰখাটো বহুতো নামভৰ্তি ব্যৱস্থাপনা প্ৰণালীৰ এক গুৰুত্বপূৰ্ণ অংশ। ই বিশ্ববিদ্যালয়ৰ স্থান, বিদ্যালয়ৰ সুনাম আৰু আৰ্থিক কল্যাণক প্ৰভাৱিত কৰে। উচ্চ শিক্ষাৰ প্ৰতিষ্ঠানসমূহত সিদ্ধান্ত গ্ৰহণকাৰীসকলৰ বাবে ছাত্ৰ-ছাত্ৰীসকলক ধৰি ৰখাটো এক গুৰুত্বপূৰ্ণ অগ্ৰাধিকাৰ হিচাপে পৰিগণিত হৈছে। ছাত্র-ছাত্রীৰ অধ্যয়নৰ মান উন্নত কৰিবলৈ ছাত্র-ছাত্রীৰ অধ্যয়নৰ মান হ্রাস হোৱাৰ কাৰণবোৰ ভালদৰে বুজি উঠাটো জৰুৰী। এনে বুজাবুজিৰ আধাৰতে বিপদজনক ছাত্ৰ-ছাত্ৰীসকলক সঠিকভাৱে ভৱিষ্যদ্বাণী কৰিব পাৰি আৰু তেওঁলোকক ধৰি ৰখাৰ বাবে উপযুক্ত হস্তক্ষেপ কৰিব পাৰি। এই অধ্যয়নত, পাঁচ বছৰৰ প্ৰতিষ্ঠানিক তথ্যৰ লগতে বিভিন্ন তথ্য খনন প্ৰণালী (ব্যক্তিগত আৰু সমষ্টিগত দুয়োটা) ব্যৱহাৰ কৰি, আমি বিশ্লেষণাত্মক মডেল প্ৰস্তুত কৰিছিলো প্ৰথম বৰ্ষৰ ছাত্ৰৰ অৱসৰৰ কাৰণবোৰ অনুমান কৰিবলৈ আৰু ব্যাখ্যা কৰিবলৈ। তুলনামূলক বিশ্লেষণৰ ফলাফলত দেখা গ ল যে সমষ্টিসমূহে পৃথক মডেলতকৈ ভাল প্ৰদৰ্শন কৰে, আনহাতে ভাৰসাম্যপূৰ্ণ ডাটাছেটে ভাৰসাম্যহীন ডাটাছেটৰ তুলনাত ভাল ভৱিষ্যদ্বাণী ফলাফল প্ৰদান কৰে। ক্ৰয় ৰপ্তানিৰ সংবেদনশীলতা বিশ্লেষণ পূৰ্বৱৰ্তী লেখা পৰৱৰ্তী লেখা আপোনাৰ প্ৰৱেশ প্ৰমাণপত্ৰ বা আপোনাৰ প্ৰতিষ্ঠানৰ জৰিয়তে আপোনাৰ প্ৰৱেশাধিকাৰ আছে নে নাই পৰীক্ষা কৰক। |
1b3b22b95ab55853aff3ea980a5b4a76b7537980 | ধাৰাবাহিক গুণাবলী থকা ড মেনত C4.5 ৰ প্ৰতিবেদন কৰা দুৰ্বলতাক ধাৰাবাহিক গুণাবলী থকা পৰীক্ষাৰ গঠন আৰু মূল্যায়ন সংশোধন কৰি সমাধান কৰা হয়। এমডিএল-প্ৰেৰণা প্ৰাপ্ত শাস্তি এনে পৰীক্ষাৰ ক্ষেত্ৰত প্ৰয়োগ কৰা হয়, কিছুমানক বিবেচনা কৰাৰ পৰা আঁতৰাই পেলায় আৰু সকলো পৰীক্ষাৰ আপেক্ষিক আকাংক্ষাক সলনি কৰে। প্ৰামাণিক পৰীক্ষাসমূহে দেখুৱাইছে যে সংশোধনবোৰে উচ্চ ভৱিষ্যদ্বাণীমূলক সঠিকতাৰ সৈতে সৰু সিদ্ধান্ত বৃক্ষৰ সৃষ্টি কৰে। ফলাফলসমূহে এইটোও নিশ্চিত কৰে যে এই পৰিৱৰ্তনসমূহ অন্তৰ্ভুক্ত কৰি C4.5 ৰ এটা নতুন সংস্কৰণ গোলকীয় বিভাজন ব্যৱহাৰ কৰা আৰু বহু-বিভাজনযুক্ত সৰু গছ নিৰ্মাণ কৰা শেহতীয়া পদ্ধতিতকৈ শ্ৰেষ্ঠ। |
1060ff9852dc12e05ec44bee7268efdc76f7535d | মূল ধাৰণাটো হ ল যে ইনপুট পেয়াৰ (I, J) ৰ মাজত প্ৰবাহৰ প্ৰত্যক্ষ গণনা কৰাৰ পৰিৱৰ্তে, আমি ছবিৰ সংস্কৰণ (I , J ) গণনা কৰো য ত মুখৰ প্ৰকাশ আৰু পোজবোৰ স্বাভাৱিক হয় আৰু পোহৰ সংৰক্ষিত হয়। এই কাৰ্য্যটো সম্পূৰ্ণ ফটো সংগ্ৰহৰ পৰা গঠিত এটা উপ-অৱস্থানত প্ৰতিখন ফটো প্ৰক্ষেপণ কৰি সম্পন্ন কৰা হয়। ইচ্ছাকৃত প্ৰবাহ প্ৰবাহৰ সংযোজনৰ দ্বাৰা প্ৰাপ্ত হয় (I → I ) o (J → J) । আমাৰ পদ্ধতিটো যিকোনো দুটা ফ্ৰেমৰ অপ্টিকেল ফ্ল ৰ এলগৰিথমৰ সৈতে ব্যৱহাৰ কৰিব পাৰি, আৰু আলোকসজ্জা আৰু আকৃতিৰ পৰিৱৰ্তনৰ বাবে ইনভাৰেঞ্চ প্ৰদান কৰি এলগৰিথমৰ কাৰ্যক্ষমতা যথেষ্ট বৃদ্ধি কৰে। ইণ্টাৰনেট মুখৰ ফটোৰ যিকোনো জোড়ৰ মাজত অপ্টিকেল ফ্ল ৱাৰ গণনা কৰা ইলেকট্ৰনিক, পোজ আৰু জ্যামিতিৰ পাৰ্থক্যৰ বাবে বৰ্তমানৰ অত্যাধুনিক প্ৰবাহ অনুমান পদ্ধতিৰ বাবে প্ৰত্যাহ্বানজনক। আমি দেখুৱাম যে একে (বা একে ধৰণৰ) বস্তুৰ এক বৃহৎ ফটো সংগ্ৰহ ব্যৱহাৰ কৰি প্ৰবাহ অনুমানক নাটকীয়ভাৱে উন্নত কৰিব পাৰি। বিশেষকৈ, গুগল ইমেজ চাৰ্ছৰ পৰা এজন প্ৰসিদ্ধ ব্যক্তিৰ ফটো চাওক। যিকোনো দুটা এনে ফটোত মুখৰ প্ৰকাশ, পোহৰ আৰু মুখৰ দিশ নিৰ্ধাৰণৰ ভিন্নতা থাকিব পাৰে। |
823964b144009f7c395cd09de9a70fe06542cc84 | সমগ্ৰ বিশ্বতে বৈদ্যুতিক শক্তি উৎপাদনৰ ক্ষেত্ৰত ব্যাপক পৰিৱৰ্তন হৈছে কাৰণ ইয়াৰ বাবে গ্ৰীণহাউছ গেছৰ নিৰ্গমন হ্ৰাস কৰা আৰু মিশ্ৰিত শক্তি উৎসৰ প্ৰৱৰ্তন কৰা প্ৰয়োজন। অপ্ৰত্যাশিত দৈনিক আৰু ঋতুসাপেক্ষ পৰিৱৰ্তনসমূহৰ সৈতে চাহিদা পূৰণ কৰিবলৈ শক্তি নেটৱৰ্কটো পৰিবহণ আৰু বিতৰণত বৃহৎ প্ৰত্যাহ্বানৰ সন্মুখীন হয়। বৈদ্যুতিক শক্তি সঞ্চয় (ইইএছ) এই প্ৰত্যাহ্বানসমূহ পূৰণ কৰাৰ ক্ষেত্ৰত বৃহৎ সম্ভাৱনা থকা প্ৰযুক্তিৰ আধাৰ হিচাপে স্বীকৃত, যাৰ জৰিয়তে ব্যৱহাৰ কৰা প্ৰযুক্তি অনুসৰি শক্তি এক নিৰ্দিষ্ট অৱস্থাত সঞ্চয় কৰা হয় আৰু প্ৰয়োজন সাপেক্ষে বৈদ্যুতিক শক্তিলৈ ৰূপান্তৰিত হয়। কিন্তু, বিকল্পৰ বিস্তৃত পৰিসৰ আৰু জটিল বৈশিষ্ট্যৰ মাটিৰে এটা বিশেষ প্ৰয়োগৰ বাবে EES প্ৰযুক্তিৰ মূল্যায়ন কৰাটো কঠিন হৈ পৰে। এই প্ৰবন্ধৰ উদ্দেশ্য হৈছে বিদ্যুৎ উৎপাদন আৰু বিতৰণ ব্যৱস্থাত অন্তৰ্ভুক্ত কৰাৰ বাবে উপযুক্ত অত্যাধুনিক প্ৰযুক্তিৰ এক বিস্তৃত আৰু স্পষ্ট ছবি প্ৰদান কৰি এই সমস্যাটো লাঘৱ কৰা। এই প্ৰবন্ধটো আৰম্ভ হয় এক পৰিচালনা নীতিৰ এক সামগ্ৰিক পৰ্য্যালোচনাৰ সৈতে, কাৰিকৰী আৰু অৰ্থনৈতিক পাৰদৰ্শিতা বৈশিষ্ট্য আৰু গুৰুত্বপূৰ্ণ ইএছই প্ৰযুক্তিৰ বৰ্তমান গৱেষণা আৰু বিকাশ, সংৰক্ষিত শক্তিৰ প্ৰকাৰৰ ওপৰত ভিত্তি কৰি ছয়টা প্ৰধান শ্ৰেণীত ভাগ কৰা হৈছে। ইয়াৰ পিছত, পৰ্যালোচনা কৰা প্ৰযুক্তিসমূহৰ এক বিস্তৃত তুলনা আৰু এটা প্ৰয়োগ সম্ভাৱনীয়তা বিশ্লেষণ উপস্থাপন কৰা হৈছে। ২০১৪ দ্য অ টাৰ্ছ এলছেভিয়াৰ লিমিটেডৰ দ্বাৰা প্ৰকাশিত এই প্ৰবন্ধটো CC BY লাইচেন্সৰ অধীনত মুক্ত প্ৰৱেশাধিকাৰযুক্ত (http://creativecommons.org/licenses/by/3.0/) । |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.