_id
stringlengths 40
40
| text
stringlengths 0
9.47k
|
|---|---|
26d9c40e8a6099ce61a5d9a6afa11814c45def01 | আমরা একটি নতুন পদ্ধতির প্রস্তাব করছি যা একটি বিশেষ অনুসন্ধান স্থানকে ব্যবহার করে সম্ভাব্য পথের কোডিং করে। পাথগুলি রাষ্ট্রগুলির মধ্যে সংযোগ হিসাবে অব্যক্তভাবে এনকোড করা হয়, তবে কেবলমাত্র সম্ভব এবং স্থানীয় সংযোগগুলি অন্তর্ভুক্ত করা হয়। একবার এই অনুসন্ধান স্থানটি বিকাশ করা হলে, আমরা পদ্ধতিগতভাবে স্থানিকভাবে স্বতন্ত্র পথের প্রাথমিকের একটি সর্বনিম্ন সেট তৈরি করি। এই সেটটি সীমাবদ্ধ গতির স্থানীয় সংযোগকে প্রকাশ করে এবং অতিরিক্ত কাজগুলিও দূর করে। প্রাইমাইটিভের সেটটি হিউরিস্টিক অনুসন্ধান সংজ্ঞায়িত করতে ব্যবহৃত হয়, এবং এইভাবে নির্বাচিত রেজোলিউশনে একটি খুব দক্ষ পথ পরিকল্পক তৈরি করে। আমরা বিভিন্ন মহাকাশ ও স্থলীয় রোবোটিক্স অ্যাপ্লিকেশন নিয়ে আলোচনা করব যেখানে এই গতি পরিকল্পনাকারী বিশেষভাবে উপযোগী হতে পারে। |
51fea461cf3724123c888cb9184474e176c12e61 | চিত্র নিবন্ধন কম্পিউটার দৃষ্টিতে বিভিন্ন অ্যাপ্লিকেশন খুঁজে পায়। দুর্ভাগ্যবশত, ঐতিহ্যগত চিত্র নিবন্ধন কৌশলগুলি ব্যয়বহুল। আমরা একটি নতুন চিত্র নিবন্ধন কৌশল উপস্থাপন করছি যা নিউটন-রাফসন পুনরাবৃত্তি ব্যবহার করে একটি ভাল মিল খুঁজে পেতে চিত্রগুলির স্থানিক তীব্রতা গ্রেডিয়েন্ট ব্যবহার করে। আমাদের কৌশলটি দ্রুততর কারণ এটি বিদ্যমান কৌশলগুলির তুলনায় চিত্রগুলির মধ্যে অনেক কম সম্ভাব্য মিলগুলি পরীক্ষা করে। উপরন্তু, এই রেজিস্ট্রেশন কৌশলটি ঘূর্ণন, স্কেলিং এবং কাটিয়া পরিচালনা করতে সাধারণীকরণ করা যেতে পারে। আমরা দেখিয়েছি যে আমাদের কৌশলটি স্টেরিও ভিউ সিস্টেমে ব্যবহারের জন্য অভিযোজিত হতে পারে। |
91a613ed06c4654f38f5c2e7fe6ebffeec53d887 | এক্সট্রিম লার্নিং মেশিন (ইএলএম) একটি প্রতিযোগিতামূলক মেশিন লার্নিং কৌশল, যা তত্ত্বগতভাবে সহজ এবং বাস্তবায়নে দ্রুত। নেটওয়ার্ক প্রকারগুলি হল "সাধারণীকৃত" একক লুকানো স্তর ফিডফরওয়ার্ড নেটওয়ার্ক, যা বৈশিষ্ট্য ম্যাপিং ফাংশন বা কার্নেলের বৈচিত্র্যের আকারে বেশ বৈচিত্র্যময়। ভারসাম্যহীন শ্রেণীবিন্যাসের সাথে ডেটা মোকাবেলা করার জন্য, একটি ওজনযুক্ত ইএলএম প্রস্তাবিত হয় যা সক্ষম (1) এটি তত্ত্বগতভাবে সহজ এবং বাস্তবায়নে সুবিধাজনক; (2) প্রস্তাবিত কাঠামোর জন্য একটি বিস্তৃত ধরণের বৈশিষ্ট্য ম্যাপিং ফাংশন বা কার্নেল উপলব্ধ; (3) প্রস্তাবিত পদ্ধতিটি সরাসরি মাল্টি-ক্লাস শ্রেণিবিন্যাস কার্যগুলিতে প্রয়োগ করা যেতে পারে। উপরন্তু, ওজনযুক্ত ইএলএম ভারসাম্যহীন শ্রেণিবিন্যাসের সাথে ডেটা মোকাবেলা করতে সক্ষম হয় যখন ভারসাম্যহীন ইএলএম হিসাবে সুষম ডেটাতে ভাল পারফরম্যান্স বজায় রাখে; ব্যবহারকারীদের প্রয়োজন অনুসারে প্রতিটি উদাহরণের জন্য বিভিন্ন ওজন নির্ধারণ করে, ভারসাম্যযুক্ত ইএলএম খরচ সংবেদনশীল শেখার জন্য সাধারণীকরণ করা যেতে পারে। & 2012 Elsevier B.V. সমস্ত অধিকার সংরক্ষিত। |
055d55726d45406a6f115c4d26f510bade021be3 | প্রকল্পটির লক্ষ্য হল একটি একক দৃষ্টিভঙ্গি স্বয়ংক্রিয় গাড়ি প্রোটোটাইপ তৈরি করা যা রাস্পবেরি পাইকে প্রসেসিং চিপ হিসাবে ব্যবহার করে। এইচডি ক্যামেরা ও আল্ট্রাসোনিক সেন্সর দিয়ে গাড়িটিকে প্রয়োজনীয় তথ্য সরবরাহ করা হয়। গাড়িটি নিরাপদে এবং বুদ্ধিমানভাবে নির্দিষ্ট গন্তব্যে পৌঁছাতে সক্ষম, যার ফলে মানুষের ভুলের ঝুঁকি এড়ানো যায়। অনেক বিদ্যমান অ্যালগরিদম যেমন লেন সনাক্তকরণ, বাধা সনাক্তকরণ একসাথে মিলিত হয় যাতে গাড়িকে প্রয়োজনীয় নিয়ন্ত্রণ প্রদান করা যায়। |
b39e5f7217abae9e2c682ee5068a11309631b93b | জিপিএস, মোবাইল কম্পিউটার এবং ওয়্যারলেস যোগাযোগের ডিভাইসের মতো প্রযুক্তির ক্রমাগত অগ্রগতির কারণে চলন্ত বস্তুগুলি ডেটা মাইনিং সম্প্রদায়ের কাছে ক্রমবর্ধমান আকর্ষণীয় হয়ে উঠছে। স্থান-সময়ের তথ্য খনির বিভিন্ন ফাংশন উপকৃত হতে পারেঃ সঠিক সময়ে সঠিক গ্রাহকদের সনাক্ত করার জন্য বিপণন দল পরিচালকদের, সম্পদ বরাদ্দকে অনুকূলিতকরণের জন্য সেলুলার কোম্পানিগুলি, ডেটা বরাদ্দ সংক্রান্ত বিষয়গুলির জন্য ওয়েবসাইট প্রশাসক, মাইগ্রেশন প্যাটার্নগুলি বোঝার জন্য প্রাণী মাইগ্রেশন গবেষকরা এবং আবহাওয়ার পূর্বাভাসের জন্য আবহাওয়া বিশেষজ্ঞরা। এই গবেষণায় আমরা একটি মোবাইল ট্র্যাজেক্টরির একটি কম্প্যাক্ট উপস্থাপনা ব্যবহার করি এবং ট্র্যাজেক্টরির মধ্যে একটি নতুন সাদৃশ্য পরিমাপ সংজ্ঞায়িত করি। আমরা একটি ইনক্রিমেন্টাল ক্লাস্টারিং অ্যালগরিদমের প্রস্তাব দিচ্ছি যা স্থান-সময়ের তথ্যে অনুরূপ মোবাইল বস্তুর বিবর্তিত গোষ্ঠীগুলি খুঁজে বের করার জন্য। অ্যালগরিদমটি বস্তুর ক্লাস্টারের গুণমান (ডান এবং র্যান্ড সূচক ব্যবহার করে), মেমরি স্পেস দক্ষতা, কার্যকর সময় এবং স্কেলযোগ্যতা (রান টাইম বনাম বস্তুর সংখ্যা) দ্বারা পরীক্ষামূলকভাবে মূল্যায়ন করা হয়। |
2c3dffc38d40b725bbd2af80694375e6fc0b1b45 | নিম্ন-রেজোলিউশনের ভিডিও, যথা ভিডিও সুপার-রেজোলিউশন (এসআর), সাধারণত একক চিত্র এসআর বা মাল্টি-ফ্রেম এসআর দ্বারা পরিচালিত হয়। একক-চিত্র এসআর প্রতিটি ভিডিও ফ্রেমকে স্বাধীনভাবে মোকাবেলা করে এবং ভিডিও ফ্রেমের অভ্যন্তরীণ সময় নির্ভরতা উপেক্ষা করে যা আসলে ভিডিও এসআর-তে খুব গুরুত্বপূর্ণ ভূমিকা পালন করে। মাল্টি-ফ্রেম এসআর সাধারণত গতির তথ্য, যেমন অপটিক্যাল ফ্লো, টাইমাল নির্ভরতা মডেলিং করতে, তবে প্রায়শই উচ্চ গণনা ব্যয় দেখায়। পুনরাবৃত্ত নিউরাল নেটওয়ার্ক (আরএনএন) ভিডিও ক্রমের দীর্ঘমেয়াদী সাময়িক নির্ভরতা মডেল করতে পারে তা বিবেচনা করে আমরা একটি সম্পূর্ণ কনভোলুশনাল আরএনএন প্রস্তাব করি যার নাম দ্বি-মুখী পুনরাবৃত্ত কনভোলুশনাল নেটওয়ার্ক দক্ষ মাল্টি-ফ্রেম এসআর এর জন্য। ভ্যানিলা আরএনএন থেকে ভিন্ন, 1) সাধারণভাবে ব্যবহৃত পূর্ণ ফিডফরওয়ার্ড এবং পুনরাবৃত্ত সংযোগগুলি ওজন-ভাগাভাগি কনভোলুশনাল সংযোগগুলির সাথে প্রতিস্থাপিত হয়। সুতরাং তারা নেটওয়ার্ক প্যারামিটারগুলির বড় সংখ্যাকে ব্যাপকভাবে হ্রাস করতে পারে এবং ফ্রেম-ভিত্তিক পরিবর্তে প্যাচ-ভিত্তিক একটি সূক্ষ্ম স্তরে টাইমাল নির্ভরতা মডেল করতে পারে এবং 2) পূর্ববর্তী টাইমস্টেপগুলিতে ইনপুট স্তরগুলি থেকে বর্তমান লুকানো স্তরের সংযোগগুলি 3 ডি ফিডফরওয়ার্ড কনভোলশন দ্বারা যুক্ত করা হয়, যার লক্ষ্য স্থানীয় সংলগ্ন ফ্রেমে স্বল্প-মেয়াদী দ্রুত-পরিবর্তনশীল গতির জন্য বৈষম্যমূলক স্থান-সময়ের নিদর্শনগুলি ক্যাপচার করা। সস্তা কনভোলুশনাল অপারেশনের কারণে, আমাদের মডেলের কম কম্পিউটেশনাল জটিলতা রয়েছে এবং অন্যান্য মাল্টি-ফ্রেম এসআর পদ্ধতির চেয়ে দ্রুততর আকারের আদেশগুলি চালায়। শক্তিশালী টাইমোরাল ডিপেন্ডেন্সি মডেলিং এর সাহায্যে, আমাদের মডেল জটিল গতির ভিডিওর সুপার রেজোলিউশন করতে পারে এবং ভাল পারফরম্যান্স অর্জন করতে পারে। |
8dc7cc939af832d071c2a050fd0284973ac70695 | কম্পিউটেশনাল আরএফআইডি (সিআরএফআইডি) প্ল্যাটফর্মগুলি প্রায় এক দশক ধরে পুনরায় কনফিগারযোগ্য, ব্যাটারি-মুক্ত অ্যাপ্লিকেশন সক্ষম করেছে। তবে, বেশ কয়েকটি কারণ তাদের ব্যাপকভাবে গ্রহণে বাধা দিয়েছেঃ কম যোগাযোগের পরিসীমা, কম থ্রুপুট এবং ব্যয়বহুল অবকাঠামো- সিআরএফআইডি পাঠকদের সাধারণত 1000 ডলারের বেশি খরচ হয়। এই কাগজটি LoRea উপস্থাপন করে, একটি ব্যাকস্কেটার পাঠক যা বিদ্যমান CRFID পাঠকদের চেয়ে উচ্চতর পরিসীমা অর্জনের অর্ডার দেয়, যখন তাদের দামের একটি ভগ্নাংশ খরচ করে। LoRea এটিকে CRFID পাঠকদের বিদ্যমান ডিজাইন থেকে এবং আরো নির্দিষ্টভাবে, কিভাবে স্ব-হস্তক্ষেপ মোকাবেলা করা হয় তা থেকে বিচ্ছিন্ন করে অর্জন করে। LoRea সাম্প্রতিক কাজের উপর ভিত্তি করে তৈরি করা হয়েছে যা স্ব-হস্তক্ষেপণ কমাতে বহনকারী সংকেত থেকে ফ্রিকোয়েন্সি-ব্যাকস্কেটার ট্রান্সমিশনকে সরিয়ে দেয়। LoRea এছাড়াও ক্যারিয়ার প্রজন্মকে পাঠক থেকে বিচ্ছিন্ন করে, স্ব-হস্তক্ষেপকে আরও কমিয়ে আনতে সহায়তা করে। ক্যারিয়ার জেনারেশন ডিসকপলিং স্মার্টফোন এবং সেন্সর নোডের স্থাপিত অবকাঠামো ব্যবহার করে ক্যারিয়ার সংকেত সরবরাহ করতে সক্ষম করে। এই পদ্ধতিগুলি একসাথে পাঠকের ব্যয় এবং জটিলতা হ্রাস করে। LoRea এছাড়াও সাম্প্রতিক ব্যাকস্কেটার সিস্টেমের তুলনায় কম বিটরেট নিয়ে কাজ করে যা উচ্চ সংবেদনশীলতা এবং দীর্ঘ পরিসরের অনুমতি দেয়। আমরা পরীক্ষামূলকভাবে LoRea মূল্যায়ন করি এবং দেখতে পাই যে এটি লাইন অফ ভিউয়ের পরিস্থিতিতে 225 মিটার পর্যন্ত যোগাযোগের পরিসীমা অর্জন করে। অভ্যন্তরীণ পরিবেশে, যেখানে সংকেতটি পাঠক এবং ব্যাকস্কেটার ট্যাগকে আলাদা করে এমন বেশ কয়েকটি দেয়াল অতিক্রম করে, লোরিয়া 30 মিটার পরিসীমা অর্জন করে। এই ফলাফলগুলি দেখায় যে লোরিয়া কীভাবে অত্যাধুনিক ব্যাকস্কেটার সিস্টেম এবং সিআরএফআইডি প্ল্যাটফর্মগুলিকে ছাড়িয়ে যায়। |
b348042a91beb4fa0c60fd94f27cf0366d5f9630 | এই প্রকল্পের আওতায়, স্বয়ংক্রিয় গাড়িগুলিকে অন্যান্য ট্রাফিক অংশগ্রহণকারীদের চলাচলের ক্ষেত্রে নিরাপদ রাখার জন্য পরিকল্পনা করা হয়েছে। তাই, রাস্তার অন্যান্য যানবাহন দ্বারা স্টোচ্যাটিক দখল পূর্বাভাস দেওয়া হয়। এই পূর্বাভাসটি পরিমাপ এবং অন্যান্য ট্রাফিক অংশগ্রহণকারীদের সম্ভাব্য আচরণ থেকে উদ্ভূত অনিশ্চয়তা বিবেচনা করে। এছাড়াও, ট্রাফিক অংশগ্রহণকারীদের মিথস্ক্রিয়া, পাশাপাশি রাস্তা জ্যামিতি কারণে ড্রাইভিং ম্যানুভারের সীমাবদ্ধতা বিবেচনা করা হয়। উপস্থাপিত পদ্ধতির ফলাফল হল স্বয়ংক্রিয় গাড়িটির নির্দিষ্ট গতিপথের জন্য একটি দুর্ঘটনার সম্ভাবনা। উপস্থাপিত পদ্ধতিটি কার্যকর কারণ বেশিরভাগ নিবিড় গণনা অফলাইনে করা হয়, যার ফলে রিয়েল-টাইম অ্যাপ্লিকেশনের জন্য একটি পাতলা অনলাইন অ্যালগরিদম হয়। |
f69c83aab19183795af7612c3f224b5e116f242a | |
fda1e13a2eaeaa0b4434833d3ee0eb8e79b0ba94 | মানুষের মৌলিক জ্ঞানীয় প্রক্রিয়াগুলোর মধ্যে একটি হলো সমস্যা সমাধান। উচ্চ স্তরের জ্ঞানীয় প্রক্রিয়া হিসাবে, সমস্যা সমাধান অন্যান্য অনেক জ্ঞানীয় প্রক্রিয়া যেমন বিমূর্তকরণ, অনুসন্ধান, শেখার, সিদ্ধান্ত গ্রহণ, অনুমান, বিশ্লেষণ এবং সংশ্লেষণের সাথে ইন্টারঅ্যাক্ট করে। সমস্যা সমাধান হচ্ছে মস্তিষ্কের একটি জ্ঞানীয় প্রক্রিয়া যা একটি নির্দিষ্ট সমস্যার সমাধান খোঁজে বা একটি নির্দিষ্ট লক্ষ্যে পৌঁছানোর পথ খুঁজে পায়। যখন একটি সমস্যা অবজেক্ট চিহ্নিত করা হয়, সমস্যা সমাধান একটি সমাধান লক্ষ্য এবং বিকল্প পথের একটি সেট মধ্যে একটি সম্পর্ক খুঁজে পেতে মেমরি স্পেস একটি অনুসন্ধান প্রক্রিয়া হিসাবে অনুভূত হতে পারে। এই গবেষণাপত্রটি সমস্যা সমাধানের প্রক্রিয়াটির একটি জ্ঞানীয় মডেল এবং একটি গাণিতিক মডেল উভয়ই উপস্থাপন করে। মস্তিষ্কের জ্ঞানীয় কাঠামো এবং সমস্যা সমাধানের জ্ঞানীয় প্রক্রিয়াটির পিছনে অভ্যন্তরীণ জ্ঞানের প্রতিনিধিত্বের প্রক্রিয়াগুলি ব্যাখ্যা করা হয়েছে। জ্ঞানীয় প্রক্রিয়াটি আনুষ্ঠানিকভাবে রিয়েল-টাইম প্রক্রিয়া বীজগণিত (আরটিপিএ) এবং ধারণা বীজগণিত ব্যবহার করে বর্ণনা করা হয়। এই কাজটি জ্ঞানীয় কম্পিউটিং প্রকল্পের একটি অংশ যা ওয়াং এর স্তরযুক্ত রেফারেন্স মডেল অফ দ্য ব্রেইন (এলআরএমবি) অনুসারে মস্তিষ্কের মৌলিক প্রক্রিয়া এবং প্রক্রিয়াগুলি প্রকাশ এবং অনুকরণ করার জন্য ডিজাইন করা হয়েছে, যা জ্ঞানীয় কম্পিউটিং এবং নতুন জ্ঞানীয় কম্পিউটারের জন্য ভবিষ্যতের প্রজন্মের পদ্ধতির বিকাশের দিকে পরিচালিত করবে বলে আশা করা হচ্ছে যা চিন্তা, শিখতে এবং উপলব্ধি করতে সক্ষম। ২০০৮ এ এলসেভিয়ার বি.ভি. |
f6284d750cf12669ca3bc12a1b485545af776239 | গত কয়েক বছরে, গভীর শিক্ষণ কৌশলগুলি চিত্রের চিত্রায়নে উল্লেখযোগ্য উন্নতি করেছে। যাইহোক, এই কৌশলগুলির অনেকগুলি যুক্তিসঙ্গত কাঠামো পুনর্নির্মাণ করতে ব্যর্থ হয় কারণ তারা সাধারণত অত্যধিক মসৃণ এবং / অথবা অস্পষ্ট। এই গবেষণাপত্রে চিত্র আঁকার জন্য একটি নতুন পদ্ধতির বিকাশ করা হয়েছে যা সূক্ষ্ম বিবরণ প্রদর্শন করে ভরা অঞ্চলগুলি পুনরুত্পাদন করার জন্য একটি ভাল কাজ করে। আমরা একটি দুই-পর্যায়ের প্রতিদ্বন্দ্বিতামূলক মডেল এজকনেক্টের প্রস্তাব দিচ্ছি যা একটি প্রান্ত জেনারেটর দ্বারা অনুসরণ করা একটি চিত্র সমাপ্তি নেটওয়ার্ক দ্বারা গঠিত। এজ জেনারেটর চিত্রের অনুপস্থিত অঞ্চলের (নিয়মিত এবং অনিয়মিত উভয়) প্রান্তগুলিকে বিভ্রান্ত করে এবং চিত্র সমাপ্তি নেটওয়ার্কটি অভাবী অঞ্চলগুলিকে বিভ্রান্ত প্রান্তগুলিকে পূর্ববর্তী হিসাবে ব্যবহার করে পূরণ করে। আমরা আমাদের মডেলের সমাপ্তি-পর্যায়ের মূল্যায়ন করি সেলেবাএ, প্লেসেস২ এবং প্যারিস স্ট্রিটভিউর সর্বজনীনভাবে উপলব্ধ ডেটাসেটের উপর, এবং দেখাই যে এটি বর্তমান রাষ্ট্র-অফ-দ্য-আর্ট কৌশলগুলিকে পরিমাণগত এবং গুণগতভাবে অতিক্রম করে। |
04f4679765d2f71576dd77c1b00a2fd92e5c6da4 | বর্তমান সূক্ষ্ম-গ্রানযুক্ত শ্রেণিবদ্ধকরণ পদ্ধতিগুলি প্রায়শই বৈষম্যের জন্য উপযুক্ত স্থানীয় বৈশিষ্ট্য উপস্থাপনাগুলি বের করার জন্য বস্তুর অংশগুলির একটি শক্তিশালী স্থানীয়করণের উপর নির্ভর করে। তবে, অংশের স্থানীয়করণ একটি চ্যালেঞ্জিং কাজ কারণ এর চেহারা এবং পোজ এর বড় বৈচিত্র্য। এই গবেষণাপত্রে আমরা দেখাবো কিভাবে প্রাক-প্রশিক্ষিত কনভলুশনাল নিউরাল নেটওয়ার্কগুলিকে বর্তমান ডেটাসেটে নেটওয়ার্ককে প্রশিক্ষণের প্রয়োজন ছাড়াই শক্তিশালী এবং দক্ষ অবজেক্ট পার্ট আবিষ্কার এবং স্থানীয়করণের জন্য ব্যবহার করা যেতে পারে। আমাদের পদ্ধতির নাম পার্ট ডিটেক্টর আবিষ্কার (পিডিডি) নেটওয়ার্ক আউটপুটগুলির গ্রেডিয়েন্ট মানচিত্র বিশ্লেষণ করে এবং অ্যানোটেশনযুক্ত শব্দার্থিক অংশ বা সীমানা বাক্সগুলির সাথে স্থানিকভাবে সম্পর্কিত অ্যাক্টিভেশন কেন্দ্রগুলি খুঁজে বের করে। এই পদ্ধতিতে আমরা কেবলমাত্র CUB2002011 ডেটাসেটের উপর চমৎকার পারফরম্যান্স অর্জন করতে পারিনি, বরং পূর্ববর্তী পদ্ধতির বিপরীতে পরীক্ষার সময় নির্দিষ্ট সীমানা বাক্সের টীকা এবং প্রশিক্ষণের সময় গ্রাউন্ড-সত্য অংশগুলির প্রয়োজন ছাড়াই যৌথভাবে সনাক্তকরণ এবং পাখি শ্রেণিবদ্ধকরণ করতে পারি। কোডটি http://www.inf-cv.uni-jena.de/part_discovery এবং https://github.com/cvjena/PartDetectorDisovery এ পাওয়া যায়। |
9f3f6a33eb412d508da319bb270112075344abd0 | আমরা একটি নতুন সম্ভাব্যতা কৌশল প্রস্তাব করছি মডেলিং এবং বড় নথি সংগ্রহ থেকে প্রতীয়মান কাঠামো নিষ্কাশন করার জন্য। ক্লাস্টারিং এবং টপিক মডেলিংয়ের মতো, আমাদের লক্ষ্য হল তথ্যের অসাধারণ পরিমাণে একটি সংগঠিত দৃষ্টিকোণ প্রদান করা। আমরা বিশেষভাবে নথিগুলির মধ্যে সম্পর্ক প্রকাশ এবং কাজে লাগাতে আগ্রহী। এই লক্ষ্যে আমরা বিভিন্ন থ্রেডের সংকলন-এককভাবে সংযুক্ত, গুরুত্বপূর্ণ নথির সুসংগত চেইন বের করার উপর জোর দিই। উদাহরণস্বরূপ, আমরা উদ্ধৃতি গ্রাফ থেকে গবেষণা থ্রেড বের করি এবং সংবাদ নিবন্ধ থেকে সময়রেখা তৈরি করি। আমাদের পদ্ধতি অত্যন্ত স্কেলযোগ্য, ৩০ মিলিয়ন শব্দের উপর কাজ করে প্রায় চার মিনিটের মধ্যে, গতিশীল বিষয় মডেলের চেয়ে ৭৫ গুণ বেশি দ্রুত। অবশেষে, আমাদের মডেলের ফলাফলগুলো বেশ কয়েকটি পরিমাপ অনুযায়ী মানুষের সংবাদ সংক্ষিপ্তসারগুলোর সাথে আরও বেশি মিল রেখেছে এবং মানব বিচারকদের দ্বারাও পছন্দ করা হয়েছে। |
057d5f66a873ec80f8ae2603f937b671030035e6 | এই গবেষণাপত্রে আমরা স্থির চিত্রের বস্তুর গতিশীলতা পূর্বাভাস দেওয়ার চ্যালেঞ্জিং সমস্যা নিয়ে গবেষণা করছি। একটি ইমেজে একটি ক্যোয়ারী অবজেক্ট দেওয়া হলে, আমাদের লক্ষ্য হল বস্তুর উপর কাজ করা শক্তি এবং সেই শক্তির প্রতিক্রিয়া হিসাবে তার দীর্ঘমেয়াদী গতির শর্তে বস্তুর একটি শারীরিক বোঝার প্রদান করা। একটি একক চিত্র থেকে বস্তুগুলির শক্তি এবং গতির সরাসরি এবং স্পষ্ট অনুমান অত্যন্ত চ্যালেঞ্জিং। আমরা মধ্যবর্তী শারীরিক বিমূর্ততাকে নিউটনিয়ান দৃশ্যকল্প বলে থাকি এবং নিউটনিয়ান নিউরাল নেটওয়ার্ক (এন 3) এর সাথে পরিচয় করিয়ে দিই যা নিউটনিয়ান দৃশ্যকল্পের একটি অবস্থার সাথে একটি একক চিত্রের মানচিত্র তৈরি করতে শিখে। আমাদের মূল্যায়ন দেখায় যে আমাদের পদ্ধতি নির্ভরযোগ্যভাবে একটি ক্যোয়ারী অবজেক্টের গতিশীলতা একটি একক চিত্র থেকে পূর্বাভাস দিতে পারে। উপরন্তু, আমাদের পদ্ধতির মাধ্যমে এমন শারীরিক যুক্তি প্রদান করা যায় যা গতি এবং বল ভেক্টরের ক্ষেত্রে পূর্বাভাসিত গতিশীলতাকে সমর্থন করে। এই দিকের গবেষণার জন্য আমরা ভিজ্যুয়াল নিউটনীয় ডায়নামিক্স (ভিআইএনডি) ডেটাসেট সংকলন করেছি যার মধ্যে রয়েছে 6000 টিরও বেশি ভিডিও নিউটনীয় দৃশ্যের সাথে সামঞ্জস্যপূর্ণ যা গেম ইঞ্জিনগুলি ব্যবহার করে উপস্থাপিত হয় এবং 4500 টিরও বেশি স্থির চিত্র তাদের গ্রাউন্ড সত্যের গতিশীলতার সাথে। |
c4f7d2ca3105152e5be77d36add2582977649b1d | ইন্টারনেটে অনন্যভাবে চিহ্নিতযোগ্য বস্তু যুক্ত হওয়ার সাথে সাথে ইন্টারনেট অব থিংস (আইওটি) ক্রমাগত বৃদ্ধি পাচ্ছে। এই যন্ত্রগুলোর যোগ এবং তাদের দূরবর্তী সংযোগ আমাদের জীবনে নতুন মাত্রার দক্ষতা এনেছে। তবে এই ডিভাইসগুলির নিরাপত্তা নিয়ে প্রশ্ন উঠেছে। যদিও অনেকগুলি নিরাপদ হতে পারে, এই সংখ্যাটি এমন একটি পরিবেশ তৈরি করে যেখানে এমনকি অল্প শতাংশ অনিরাপদ ডিভাইসগুলি উল্লেখযোগ্য দুর্বলতা তৈরি করতে পারে। এই পত্রিকায় কিছু নতুন উদ্ভূত দুর্বলতা মূল্যায়ন করা হয়েছে এবং হুমকির মাত্রা সম্পর্কে কিছু পরিসংখ্যান দেওয়া হয়েছে। |
8671518a43bc7c9d5446b49640ee8783d5b580d7 | |
e5f67b995b09e750bc1a32293d5a528de7f601a9 | আধুনিক সিস্টেমগুলি ক্রমবর্ধমান জটিল হয়ে উঠছে, বর্তমান নিরাপত্তা অনুশীলনগুলি সিস্টেমের নিরাপত্তা পর্যাপ্তভাবে মোকাবেলা করার জন্য কার্যকর পদ্ধতির অভাব রয়েছে। এই কাগজটি একটি পুনরাবৃত্তিযোগ্য এবং টেলরযোগ্য কাঠামোর প্রস্তাব দেয় যা সিস্টেম সিকিউরিটি ইঞ্জিনিয়ারিং (এসএসই) প্রক্রিয়া, ক্রিয়াকলাপ এবং কার্যগুলি প্রয়োগে সহায়তা করে যেমনটি সম্প্রতি প্রকাশিত ন্যাশনাল ইনস্টিটিউট অফ স্ট্যান্ডার্ডস অ্যান্ড টেকনোলজি (এনআইএসটি) বিশেষ প্রকাশনা 800-160 এ সংজ্ঞায়িত করা হয়েছে। প্রথমত, সিস্টেম-ভিত্তিক নিরাপত্তা পদ্ধতির একটি সংক্ষিপ্ত পর্যালোচনা প্রদান করা হয়। এরপর, এনআইএসটি-সংজ্ঞায়িত এসএসই প্রক্রিয়াগুলির মধ্যে সম্পর্কগুলির একটি পরীক্ষা করা হয় যাতে প্রকৌশল সমস্যা স্থানটির জন্য প্রসঙ্গ সরবরাহ করা হয়। এই ফলাফলগুলি এনআইএসটি এসএসই প্রক্রিয়াগুলির সাতটি সিস্টেম-অজ্ঞাত সুরক্ষা ডোমেনের ম্যাপিংয়ের তথ্য দেয় যা তিনটি ধরণের সিস্টেমের (প্রচলিত আইটি, সাইবার-ফিজিক্যাল এবং প্রতিরক্ষা) জন্য অগ্রাধিকার নির্ধারণ করতে সক্ষম করে। এই বাস্তব উদাহরণগুলি এসএসই প্রচেষ্টা প্রয়োগ এবং অগ্রাধিকার দেওয়ার জন্য আরও বোঝার ব্যবস্থা করে। এই গবেষণাপত্রের লক্ষ্য হল, NIST SP 800-160-এ সংজ্ঞায়িত 30টি প্রক্রিয়া, 111টি কার্যক্রম এবং 428টি কার্যক্রমের কার্যকর প্রয়োগের বিষয়ে অবহিত করে অনুশীলনকারীদের সহায়তা করা। কাস্টমাইজযোগ্য ফ্রেমওয়ার্ক টুলটি অনলাইনে পাওয়া যায় যাতে ডেভেলপাররা তাদের প্রয়োজন মেটাতে ব্যবহার, পরিবর্তন এবং কাস্টমাইজ করতে পারে। |
1beeb25756ea352634e0c78ed653496a3474925e | |
fac5a9a18157962cff38df6d4ae69f8a7da1cfa8 | এই গবেষণাপত্রে আমরা গোলাকার হারমোনিক আলোক প্রতিনিধিত্ব ব্যবহার করে অবাধ অজানা আলোকের অধীনে মুখের স্বীকৃতির জন্য দুটি নতুন পদ্ধতির প্রস্তাব দিচ্ছি, যার জন্য প্রতি বিষয়ের জন্য কেবল একটি প্রশিক্ষণ চিত্র এবং কোনও 3 ডি আকৃতির তথ্য প্রয়োজন হয় না। আমাদের পদ্ধতিগুলি এমন ফলাফলের উপর ভিত্তি করে তৈরি করা হয়েছে যা দেখিয়েছে যে বিভিন্ন ধরণের আলোকসজ্জার পরিস্থিতিতে প্রাপ্ত একটি কনভেক্স ল্যাম্বার্টিয়ান বস্তুর চিত্রের সেটটি একটি নিম্ন-মাত্রিক লিনিয়ার সাবস্পেসের দ্বারা সঠিকভাবে আনুমানিক করা যেতে পারে। আমরা এই স্থান জুড়ে গোলাকার হারমোনিক বেস ইমেজ অনুমান করতে দুটি পদ্ধতি প্রদান করি মাত্র একটি ইমেজ থেকে। আমাদের প্রথম পদ্ধতিটি একটি পরিসংখ্যানগত মডেল তৈরি করে যা ২ ডি বেস ইমেজ সংগ্রহের উপর ভিত্তি করে। আমরা দেখাব যে, শিখে নেওয়া পরিসংখ্যান ব্যবহার করে, আমরা স্ফিরিক্যাল হারমোনিক বেস ইমেজগুলিকে কেবলমাত্র একটি ইমেজ থেকে অনুমান করতে পারি যা নির্বিচারে আলোকসজ্জার অবস্থার অধীনে নেওয়া হয় যদি কোনও পোজ পরিবর্তন না হয়। প্রথম পদ্ধতির তুলনায়, দ্বিতীয় পদ্ধতিটি স্ফিরিক্যাল হারমোনিক আলোকসজ্জা উপস্থাপনা এবং মানব মুখের একটি 3D morphable মডেলের সমন্বয় করে 3D স্পেসে সরাসরি পরিসংখ্যানগত মডেলগুলি তৈরি করে যা উভয় পোজ এবং আলোকসজ্জা জুড়ে চিত্রগুলি থেকে বেস চিত্রগুলি পুনরুদ্ধার করে। বেস ইমেজগুলো অনুমান করার পর, আমরা উভয় পদ্ধতির জন্য একই স্বীকৃতি স্কিম ব্যবহার করিঃ আমরা সেই মুখটি চিনতে পারি যার জন্য বেস ইমেজগুলোর একটি ওজনের সমন্বয় রয়েছে যা পরীক্ষার মুখের ইমেজের সবচেয়ে কাছাকাছি। আমরা এমন এক সিরিজ পরীক্ষা প্রদান করি যা বিভিন্ন আলোকসজ্জার অবস্থার অধীনে উচ্চ স্বীকৃতি হার অর্জন করে, যার মধ্যে রয়েছে একাধিক আলোকসজ্জার উৎস। আমাদের পদ্ধতিগুলো এমন পদ্ধতির সাথে তুলনীয় মাত্রার নির্ভুলতা অর্জন করে যার প্রশিক্ষণের তথ্যের প্রয়োজনীয়তা অনেক বেশি। এই দুটি পদ্ধতির তুলনাও দেওয়া হয়েছে। |
6831db33ea9db905b66b09f476c429f085ebb45f | এই গবেষণায় দৈনন্দিন শারীরিক কার্যকলাপের মূল্যায়নের জন্য একটি ট্রায়াক্সিয়াল অ্যাক্সিলারোমিটার (টিএ) এবং একটি পোর্টেবল ডেটা প্রসেসিং ইউনিট বিকাশের বর্ণনা দেওয়া হয়েছে। টিএ তিনটি অক্ষীয় পিওজোরেসিটিভ অ্যাক্সিলারোমিটার নিয়ে গঠিত এবং এটি মানবদেহের অ্যাক্সিলারেশন এর প্রশস্ততা এবং ফ্রিকোয়েন্সি রেঞ্জ জুড়ে অ্যাক্সিলারেশন রেকর্ড করতে ব্যবহার করা যেতে পারে। যন্ত্রের মধ্যে এবং টেস্ট-রিটেস্ট পরীক্ষায় দেখা গেছে যে, টিএ-র অফসেট এবং সংবেদনশীলতা প্রতিটি পরিমাপের দিকের জন্য সমান ছিল এবং দুটি পরিমাপের দিনে ধ্রুবক ছিল। প্রতিটি পরিমাপ দিকের জন্য ট্রান্সভার্সাল সেনসিটিভিটি উল্লেখযোগ্যভাবে ভিন্ন ছিল, কিন্তু অ্যাক্সেলরোমিটার আউটপুটকে প্রভাবিত করেনি (প্রধান অক্ষের সংবেদনশীলতার <৩%) । এই তথ্য ইউনিটটি অ্যাক্সিলারোমিটার আউটপুটকে অন-লাইন প্রক্রিয়াকরণ করে আট দিনের সময়কালের শারীরিক ক্রিয়াকলাপের একটি নির্ভরযোগ্য অনুমান করতে সক্ষম করে। পরীক্ষাগারে স্ট্যান্ডার্ড কার্যক্রমের সময় ১৩ জন পুরুষের উপর সিস্টেমের প্রাথমিক মূল্যায়ন শারীরিক ক্রিয়াকলাপের কারণে অ্যাক্সেলরোমিটার আউটপুট এবং শক্তি খরচ, শারীরিক ক্রিয়াকলাপের জন্য স্ট্যান্ডার্ড রেফারেন্সের মধ্যে একটি উল্লেখযোগ্য সম্পর্ক প্রদর্শন করেছে (আর = 0.89) । এই সিস্টেমের ত্রুটি হল, এটির কম সংবেদনশীলতা এবং স্থির ব্যায়াম রেকর্ড করার অক্ষমতা। পরীক্ষাগারের বাইরে দৈনন্দিন শারীরিক কার্যকলাপ এবং নির্দিষ্ট কার্যকলাপের মূল্যায়নের জন্য সিস্টেমের বৈধতা মুক্ত জীবনধারণকারী বিষয়গুলিতে অধ্যয়ন করা উচিত। |
f6cd444c939c0b5c08b07bb35fd694a45e07b97e | লকড তুলনাকারীটি কার্যত সমস্ত এনালগ-টু-ডিজিটাল রূপান্তরকারী আর্কিটেকচারে ব্যবহৃত হয়। এটি একটি ইতিবাচক ফিডব্যাক প্রক্রিয়া ব্যবহার করে যা এনালগ ইনপুট সংকেতকে পূর্ণ স্কেল ডিজিটাল স্তরে পুনরুদ্ধার করে। পুনর্জন্ম নোডের এই উচ্চ ভোল্টেজ পরিবর্তনগুলি ইনপুট ভোল্টেজের সাথে যুক্ত হয় - কিকব্যাক শব্দ। এই গবেষণাপত্রে কিকব্যাক শব্দকে কমিয়ে আনার জন্য বিদ্যমান সমাধানের পর্যালোচনা করা হয়েছে এবং দুটি নতুন সমাধানের প্রস্তাব দেওয়া হয়েছে। এইচএসপিআইএস সিমুলেশন আমাদের কৌশলগুলির কার্যকারিতা যাচাই করে। |
043afbd936c95d0e33c4a391365893bd4102f1a7 | বড় গভীর নিউরাল নেটওয়ার্ক মডেল সম্প্রতি কঠিন ভিজ্যুয়াল স্বীকৃতি কার্যের উপর অত্যাধুনিক নির্ভুলতা প্রদর্শন করেছে। দুর্ভাগ্যবশত এই ধরনের মডেলগুলি প্রশিক্ষণের জন্য অত্যন্ত সময়সাপেক্ষ এবং প্রচুর পরিমাণে কম্পিউটিং চক্রের প্রয়োজন হয়। আমরা আদম নামক একটি বিতরণ সিস্টেমের নকশা এবং বাস্তবায়ন বর্ণনা করি যা পণ্য সার্ভার মেশিনগুলিকে প্রশিক্ষণ দেওয়ার জন্য এমন মডেলগুলি প্রদর্শন করে যা বিশ্বমানের পারফরম্যান্স, স্কেলিং এবং কার্যের নির্ভুলতা প্রদর্শন করে। অ্যাডাম পুরো সিস্টেম কো-ডিজাইন এর মাধ্যমে উচ্চ দক্ষতা এবং স্কেলিবিলিটি অর্জন করে যা ওয়ার্কলোড কম্পিউটিং এবং যোগাযোগকে অনুকূলিতকরণ এবং ভারসাম্য দেয়। আমরা পুরো সিস্টেমের মধ্যে অ্যাসিনক্রোনিকে কাজে লাগিয়ে পারফরম্যান্স উন্নত করি এবং দেখাই যে এটি প্রশিক্ষিত মডেলের নির্ভুলতাও উন্নত করে। অ্যাডাম আগের চেয়ে অনেক বেশি দক্ষ এবং স্কেলযোগ্য এবং এটি 30x কম মেশিন ব্যবহার করে একটি বড় 2 বিলিয়ন সংযোগ মডেলকে ImageNet 22,000 বিভাগের চিত্র শ্রেণিবদ্ধকরণ কার্যের তুলনায় তুলনামূলক সময়ে 2x উচ্চতর নির্ভুলতার জন্য প্রশিক্ষণ দেয় যা পূর্বে এই বেঞ্চমার্কের রেকর্ডটি ধারণ করেছিল। আমরা দেখিয়েছি যে বড় মডেলের সাথে কাজের সঠিকতা উন্নত হয়। আমাদের ফলাফলগুলি দৃঢ় প্রমাণ প্রদান করে যে বর্তমান প্রশিক্ষণ অ্যালগরিদম ব্যবহার করে গভীর শিক্ষার জন্য একটি বিতরণ সিস্টেম-চালিত পদ্ধতি অনুসরণ করা মূল্যবান। |
63d630482d59e83449f73b51c0efb608e662d3ef | ভবিষ্যতে ইন্টারনেট অফ থিংস (আইওটি) ধারণা অনুযায়ী ওয়্যারলেস ইলেকট্রনিক ট্যাগ এবং সেন্সরগুলির জন্য প্রিন্টেড ইলেকট্রনিক্স বিবেচনা করা হয়। বর্তমান প্রিন্টযোগ্য জৈব ও অজৈব অর্ধপরিবাহীগুলির কম চার্জ ক্যারিয়ার গতিশীলতার ফলস্বরূপ, মুদ্রিত রিক্টিফায়ারগুলির অপারেটিং ফ্রিকোয়েন্সি মোবাইল ফোন এবং মুদ্রিত ই-ট্যাগগুলির মধ্যে সরাসরি যোগাযোগ এবং শক্তি সরবরাহের পক্ষে যথেষ্ট উচ্চ নয়। এখানে, আমরা একটি সম্পূর্ণ মুদ্রিত ডায়োড রিপোর্ট করছি যা ১.৬ গিগাহার্জ পর্যন্ত কাজ করে। এই যন্ত্রটি Si এবং NbSi2 কণার দুটি স্তরকে ঘিরে তৈরি করা হয়েছে, যা কম তাপমাত্রায় এবং পরিবেষ্টনের বায়ুমণ্ডলে নমনীয় স্তরিত হয়। সিআই মাইক্রো পার্টিকলগুলির উচ্চ চার্জ ক্যারিয়ার গতিশীলতা চার্জ ইনজেকশন-সীমাবদ্ধ ব্যবস্থায় ডিভাইস অপারেশন ঘটতে দেয়। ফলস্বরূপ ডিভাইস স্ট্যাকের অক্সাইড স্তরগুলির অসম্পূর্ণতা টানেলিং বর্তমানের সংশোধন করে। মুদ্রিত ডায়োডগুলি অ্যান্টেনা এবং ইলেক্ট্রোক্রোমিক ডিসপ্লেগুলির সাথে একত্রিত হয়ে একটি সম্পূর্ণ মুদ্রিত ই-ট্যাগ তৈরি করে। গ্লোবাল সিস্টেম ফর মোবাইল কমিউনিকেশনস মোবাইল ফোন থেকে সংগ্রহ করা সংকেতটি ডিসপ্লে আপডেট করতে ব্যবহৃত হয়েছিল। আমাদের এই গবেষণা আইওটি অ্যাপ্লিকেশনের মধ্যে প্রিন্টেড ইলেকট্রনিক্সের জন্য একটি নতুন যোগাযোগের পথের সূচনা করেছে। |
c15c068ac4b639646a74ad14fc994016f8925901 | এ-সিঃ এইচ টিএফটিগুলি প্রথাগতভাবে সক্রিয় ম্যাট্রিক্স ডিসপ্লেগুলির জন্য ব্যাকপ্লেন অ্যারেগুলিতে এবং মাঝে মাঝে সারি বা কলাম ড্রাইভ ইলেকট্রনিক্সে ব্যবহৃত হয় যার সাথে বর্তমান প্রচেষ্টা নমনীয় ডিসপ্লে এবং ড্রাইভারগুলিতে ফোকাস করে। এই কাগজটি নমনীয় স্টেইনলেস স্টিল এবং প্লাস্টিকের স্তরগুলিতে এ-সিঃ এইচ টিএফটিগুলির জন্য একটি স্ট্যান্ডার্ড সেল লাইব্রেরি ডিজাইন করে জটিল ডিজিটাল সার্কিট্রিতে নমনীয় ইলেকট্রনিক্স প্রসারিত করে। স্ট্যান্ডার্ড সেল লাইব্রেরি স্ট্যান্ডার্ড সেল স্থান এবং রুট টুলের সাথে লেআউট অটোমেশন সক্ষম করে, ব্যাকপ্লেনে এ-সিঃ এইচ ডিজিটাল সার্কিটের লেআউটকে উল্লেখযোগ্যভাবে ত্বরান্বিত করে ডিসপ্লে কার্যকারিতা উন্নত করতে। যেহেতু শুধুমাত্র n-চ্যানেল ট্রানজিস্টর পাওয়া যায়, তাই গেটগুলি বুটস্ট্র্যাপ পুল-আপ নেটওয়ার্কের সাথে ডিজাইন করা হয়েছে যাতে ভাল আউটপুট ভোল্টেজ ওঠানামা নিশ্চিত করা যায়। এই লাইব্রেরিতে ৭টি গেট রয়েছেঃ ৫টি সমন্বয় গেট (ইনভার্টার, এনএন্ড২, এনওআর২, এনওআর৩ এবং এমইউএক্স২) এবং ২টি ক্রমিক গেট (ল্যাচ এবং ডি ফ্লিপ-ফ্লপ) । পরীক্ষার কাঠামো পরীক্ষামূলকভাবে স্ট্যান্ডার্ড কোষের বিলম্ব বনাম ভ্যান আউট বৈশিষ্ট্যযুক্ত করার জন্য তৈরি করা হয়েছে। লেআউট থেকে বৈদ্যুতিক আন্তঃসংযোগের স্বয়ংক্রিয় নিষ্কাশন, লেআউট বনাম স্কিম্যাটিক (এলভিএস) সক্ষম করে, নীচের গেট এ-সিঃ এইচ টিএফটিগুলির জন্য বিদ্যমান সরঞ্জাম স্যুটটিতে অন্তর্ভুক্ত করা হয়েছে। স্ট্যান্ডার্ড সেল লাইব্রেরীটি প্রদর্শন করার জন্য একটি 3 বিট কাউন্টার ডিজাইন, নির্মিত এবং পরীক্ষিত হয়েছে। |
d1bf0962711517cff15205b1844d6b8d625ca7da | সামাজিক উদ্যোক্তা, একটি অনুশীলন এবং বৈজ্ঞানিক গবেষণার ক্ষেত্র হিসাবে, ব্যবস্থাপনা এবং ব্যবসায়িক গবেষণার বিভিন্ন ক্ষেত্র থেকে ধারণা এবং অনুমানগুলিকে চ্যালেঞ্জ, প্রশ্ন এবং পুনর্বিবেচনা করার একটি অনন্য সুযোগ সরবরাহ করে। এই প্রবন্ধে সামাজিক উদ্যোক্তাদের এমন একটি প্রক্রিয়া হিসেবে বর্ণনা করা হয়েছে যা সামাজিক পরিবর্তনের অনুঘটক হিসেবে কাজ করে এবং গুরুত্বপূর্ণ সামাজিক চাহিদাগুলিকে এমনভাবে মোকাবেলা করে যাতে উদ্যোক্তাদের জন্য সরাসরি আর্থিক সুবিধা আনা হয় না। সামাজিক উদ্যোক্তাদের অন্যান্য উদ্যোক্তাদের থেকে আলাদা বলে মনে করা হয়, কারণ তারা অর্থনৈতিক মূল্য অর্জনের চেয়ে সামাজিক মূল্য ও উন্নয়নের প্রচারে বেশি গুরুত্ব দেয়। ভবিষ্যতে গবেষণা করার জন্য লেখক সামাজিক উদ্যোক্তাদের গবেষণার জন্য তাত্ত্বিক দৃষ্টিকোণগুলির মধ্যে একটি সংযোগ হিসাবে এমবেডেডের ধারণাটি প্রবর্তন করেন। # ২০০৫ এ্যালসেভিয়ার ইনক. সমস্ত অধিকার সংরক্ষিত. |
58461d01e8b6bd177d26ee17f9cf332cb8ca286a | আমরা স্পেস-টাইম ব্লক কোডিং চালু করছি, রেলেগ ফেইডিং চ্যানেলের মাধ্যমে যোগাযোগের জন্য একটি নতুন প্যারাডাইম, একাধিক ট্রান্সমিট এন্টেন ব্যবহার করে। তথ্য একটি স্থান-সময় ব্লক কোড ব্যবহার করে এনকোড করা হয় এবং এনকোড করা তথ্য স্ট্রিমগুলিতে বিভক্ত হয় যা একই সাথে n ট্রান্সমিট এন্টেন ব্যবহার করে প্রেরণ করা হয়। প্রতিটি রিসিভ এন্টেনায় প্রাপ্ত সংকেতটি হ ল শব্দ দ্বারা বিঘ্নিত n টি প্রেরিত সংকেতের একটি রৈখিক সুপারপজিশন। সর্বাধিক সম্ভাব্যতা ডিকোডিং একটি সহজ উপায়ে অর্জন করা হয় বিভিন্ন অ্যান্টেনা থেকে প্রেরিত সংকেতগুলির বিচ্ছিন্নকরণের মাধ্যমে যৌথ সনাক্তকরণের পরিবর্তে। এটি স্পেস-টাইম ব্লক কোডের অক্ষরেখার কাঠামো ব্যবহার করে এবং একটি সর্বাধিক-সম্ভাব্যতা ডিকোডিং অ্যালগরিদম দেয় যা কেবলমাত্র রিসিভারে লিনিয়ার প্রসেসিংয়ের উপর ভিত্তি করে। স্পেস-টাইম ব্লক কোডগুলি একটি নির্দিষ্ট সংখ্যক প্রেরণ এবং গ্রহণকারী অ্যান্টেনার জন্য সর্বাধিক বৈচিত্র্য অর্ডার অর্জনের জন্য ডিজাইন করা হয়েছে, যা একটি সহজ ডিকোডিং অ্যালগরিদমের সীমাবদ্ধতার সাপেক্ষে। স্পেস-টাইম ব্লক কোড নির্মাণের জন্য orthogonal ডিজাইনের ক্লাসিক্যাল গাণিতিক কাঠামো প্রয়োগ করা হয়। এটি দেখানো হয়েছে যে এইভাবে নির্মিত স্থান-সময় ব্লক কোডগুলি কেবলমাত্র কয়েকটি বিরল মানের জন্য বিদ্যমান। পরবর্তীতে, orthogonal ডিজাইনগুলির একটি সাধারণীকরণ প্রদর্শিত হয় যে কোনও সংখ্যক ট্রান্সমিট এন্টেনের জন্য বাস্তব এবং জটিল উভয় নক্ষত্রের জন্য স্থান-সময় ব্লক কোড সরবরাহ করে। এই কোডগুলি PAM এর মতো যে কোনও অবাঞ্ছিত বাস্তব নক্ষত্রকে ব্যবহার করে যে কোনও সংখ্যক ট্রান্সমিট অ্যান্টেনার জন্য সর্বাধিক সম্ভাব্য সংক্রমণ হার অর্জন করে। পিএসকে এবং কিউএএম এর মতো একটি নির্বিচারে জটিল নক্ষত্রের জন্য, স্পেস-টাইম ব্লক কোডগুলি এমনভাবে ডিজাইন করা হয় যা যে কোনও সংখ্যক ট্রান্সমিট অ্যান্টেনার জন্য সর্বাধিক সম্ভাব্য সংক্রমণ হারের 1 = 2 অর্জন করে। দুই, তিন এবং চারটি ট্রান্সমিট এন্টেনের নির্দিষ্ট ক্ষেত্রে, স্পেস-টাইম ব্লক কোডগুলি ডিজাইন করা হয় যা যথাক্রমে, সমস্ত, 3=4, এবং 3=4 সর্বোচ্চ সম্ভাব্য ট্রান্সমিশন হার ব্যবহার করে নির্বিচারে জটিল নক্ষত্রমণ্ডল ব্যবহার করে। ডিকোডিং বিলম্ব এবং ট্রান্সমিট এন্টেনের সংখ্যা মধ্যে সেরা বাণিজ্যও গণনা করা হয় এবং এটি দেখানো হয় যে এখানে উপস্থাপিত কোডগুলির অনেকগুলি এই অর্থেও সর্বোত্তম। |
25a7b5d2db857cd86692c45d0e5376088f51aa12 | রোল-ভিত্তিক অ্যাক্সেস কন্ট্রোল (আরবিএসি) মডেলের একটি পরিবার, এখানে RBAC96 মডেল হিসাবে উল্লেখ করা হয়েছে, সম্প্রতি লেখক এবং তার সহকর্মীদের দ্বারা প্রকাশিত হয়েছিল। এই কাগজটি এই মডেলগুলি বিকাশের ক্ষেত্রে প্রধান সিদ্ধান্তগুলির জন্য আমাদের যুক্তি প্রদান করে এবং বিবেচনা করা বিকল্পগুলি নিয়ে আলোচনা করে। |
771b52e7c7d0a4ac8b8ee0cdeed209d1c4114480 | আমরা একটি নতুন প্রোগ্রামিং মডেল উপস্থাপন করছি যা একটি বিশুদ্ধ কার্যকরী ভাষায় নির্ধারিত সমান্তরাল গণনার জন্য। মডেলটি একক এবং স্পষ্টভাবে গ্রানুলার, তবে ডেটাফ্লো নেটওয়ার্কগুলির গতিশীল নির্মাণের অনুমতি দেয় যা রানটাইমে নির্ধারিত হয়, যখন নির্ধারক এবং খাঁটি থাকে। বাস্তবায়নটি একক সমান্তরালতার উপর ভিত্তি করে, যা এখন পর্যন্ত কেবলমাত্র কার্যকরী ভাষাগুলিতে সমান্তরালতা অনুকরণ করতে ব্যবহৃত হয়েছে, সমান্তরালতা সরবরাহের পরিবর্তে। আমরা এপিআই এর অর্থনীতির সাথে উপস্থাপন করি, এবং যুক্তি দিই যে সমান্তরাল কার্যকরকরণ নির্ধারক। উপরন্তু, আমরা একটি সম্পূর্ণ কাজ-চুরি শিডিয়ুলার উপস্থাপন করি যা একটি Haskell লাইব্রেরি হিসাবে বাস্তবায়িত, এবং আমরা দেখাই যে এটি অন্ততপক্ষে পাশাপাশি Haskell এর বিদ্যমান সমান্তরাল প্রোগ্রামিং মডেলগুলি সম্পাদন করে। |
29cd61d634786dd3b075eeeb06349a98ea0535c6 | এই গবেষণায় ৬ থেকে ১১ বছর বয়সী এবং ১২ থেকে ১৬ বছর বয়সী মার্কিন শিশু ও কিশোর-কিশোরীদের মধ্যে খাদ্যের ঘাটতি এবং জ্ঞানীয়, একাডেমিক ও মনস্তাত্ত্বিক ফলাফলের মধ্যে সম্পর্ক অনুসন্ধান করা হয়েছে। তৃতীয় জাতীয় স্বাস্থ্য ও পুষ্টি পরীক্ষা (এনএইচএএনইএস-৩) এর তথ্য বিশ্লেষণ করা হয়। শিশুদের খাদ্যের অভাবে আক্রান্ত বলে শ্রেণীবদ্ধ করা হয় যদি পরিবারের উত্তরদাতারা জানান যে তাদের পরিবার মাঝে মাঝে বা প্রায়ই পর্যাপ্ত খাবার পায় না। খাদ্যের অভাব এবং সাধারণভাবে জ্ঞানীয়, একাডেমিক এবং মনস্তাত্ত্বিক-সামাজিক পরিমাপের মধ্যে এবং নিম্ন-ঝুঁকিপূর্ণ এবং উচ্চ-ঝুঁকিপূর্ণ গোষ্ঠীর মধ্যে সমন্বয় পরীক্ষা করার জন্য রিগ্রেশন বিশ্লেষণ করা হয়েছিল। খাদ্যের ঘাটতির জন্য রিগ্রেশন কোয়ার্টিফিকেট এবং কোয়ার্টিফিকেট রিপোর্ট করা হয়, দারিদ্র্য অবস্থা এবং অন্যান্য সম্ভাব্য বিভ্রান্তিকর কারণগুলির জন্য সংশোধন করা হয়। ফলাফলঃ ৬ থেকে ১১ বছর বয়সী শিশুদের মধ্যে খাদ্যের ঘাটতি হলে তাদের গণিতের স্কোর অনেক কম হয় এবং তারা ক্লাসের দ্বিতীয় শ্রেণীতে পড়ার সম্ভাবনা বেশি থাকে, মনোবিজ্ঞানীকে দেখা করতে পারে এবং অন্য শিশুদের সঙ্গে ভালোভাবে মিশতে পারে না। খাদ্যের অভাবে ভুগছেন এমন কিশোর-কিশোরীদের মানসিক চিকিৎসকের কাছে যাওয়ার সম্ভাবনা বেশি, স্কুল থেকে বরখাস্ত করা হয়েছে, এবং অন্যান্য শিশুদের সাথে মিলিত হতে অসুবিধা হয়েছে। আরও বিশ্লেষণ শিশুদের নিম্ন ঝুঁকিপূর্ণ এবং উচ্চ ঝুঁকিপূর্ণ গ্রুপে বিভক্ত করেছে। খাদ্যের ঘাটতি এবং শিশুদের ফলাফলের মধ্যে সম্পর্ক ঝুঁকির মাত্রার উপর নির্ভর করে পরিবর্তিত হয়। ফলাফলগুলি দেখায় যে নেতিবাচক একাডেমিক এবং মনস্তাত্ত্বিক ফলাফলগুলি পরিবারের স্তরের খাদ্যের অভাবে যুক্ত এবং আমেরিকান পরিবারের খাদ্য সুরক্ষা বাড়ানোর জনস্বাস্থ্য প্রচেষ্টার জন্য সমর্থন প্রদান করে। |
001ffbeb63dfa6d52e9379dae46e68aea2d9407e | |
7e383307edacb0bb53e57772fdc1ffa2825eba91 | বাস্তব জগতে অনেক সমস্যাই এমন কিছু র্যান্ডম ভেরিয়েবলের পূর্বাভাস দেয় যা পরিসংখ্যানগতভাবে সম্পর্কিত। মার্কভ র্যান্ডম ফিল্ড (এমআরএফ) এই ধরনের নির্ভরতা এনকোড করার জন্য একটি দুর্দান্ত গাণিতিক সরঞ্জাম। এই গবেষণার লক্ষ্য হল এমআরএফ-কে গভীর শিক্ষার সাথে মিলিয়ে জটিল উপস্থাপনাগুলিকে অনুমান করা এবং আউটপুট র্যান্ডম ভেরিয়েবলগুলির মধ্যে নির্ভরতা বিবেচনা করা। এই লক্ষ্যে, আমরা একটি প্রশিক্ষণ অ্যালগরিদমের প্রস্তাব দিচ্ছি যা MRF সম্ভাব্য গঠনকারী গভীর বৈশিষ্ট্যগুলির সাথে যৌথভাবে কাঠামোগত মডেলগুলি শিখতে সক্ষম। আমাদের পদ্ধতিটি কার্যকর কারণ এটি শেখার এবং অনুমানের মিশ্রণ করে এবং জিপিইউ ত্বরণ ব্যবহার করে। আমরা আমাদের অ্যালগরিদমের কার্যকারিতা প্রদর্শন করছি শব্দযুক্ত ছবি থেকে শব্দ ভবিষ্যদ্বাণী করার কাজে, পাশাপাশি ফ্লিকার ফটোগ্রাফের ট্যাগিংয়ের ক্ষেত্রে। আমরা দেখিয়েছি যে গভীর বৈশিষ্ট্য এবং এমআরএফ পরামিতিগুলির যৌথ শিক্ষার ফলে উল্লেখযোগ্য পারফরম্যান্স লাভ হয়। |
444b9f2fff2132251a43dc4a4f8bd213e7763634 | উদ্দেশ্যঃ আমাদের উদ্দেশ্য হল, কিভাবে সফটওয়্যার ইঞ্জিনিয়ারিং একটি প্রমাণভিত্তিক পদ্ধতির দ্বারা উপকৃত হতে পারে এবং এই পদ্ধতির সাথে যুক্ত সম্ভাব্য অসুবিধাগুলি চিহ্নিত করা। পদ্ধতিঃ আমরা প্রমাণভিত্তিক ঔষধ (ইবিএম) সমর্থনকারী সংগঠন এবং প্রযুক্তিগত পরিকাঠামোর সাথে সফটওয়্যার ইঞ্জিনিয়ারিংয়ের পরিস্থিতির তুলনা করেছি। আমরা সফটওয়্যার ইঞ্জিনিয়ারিংয়ের স্বতন্ত্র কারণগুলির প্রভাব বিবেচনা করেছি (যেমন, ফলাফল: ইবিএসই বিভিন্ন স্বার্থ সংশ্লিষ্ট গোষ্ঠীর চাহিদা পূরণের লক্ষ্যে গবেষণা ফলাফলের সমন্বয়কে উৎসাহিত করে বেশ কিছু সুবিধার প্রতিশ্রুতি দেয়। তবে বর্তমানে ইবিএসই-র ব্যাপকভাবে প্রয়োগের জন্য প্রয়োজনীয় পরিকাঠামো আমাদের কাছে নেই। দক্ষতার কারণেই সফটওয়্যার ইঞ্জিনিয়ারিং পরীক্ষাগুলি বিষয় এবং পরীক্ষক পক্ষপাতের জন্য দুর্বল। জীবনচক্রের কারণেই এটা নির্ধারণ করা কঠিন যে, একবার প্রযুক্তি প্রয়োগ হয়ে গেলে তা কেমন আচরণ করবে। উপসংহারঃ সফটওয়্যার ইঞ্জিনিয়ারিং প্রমাণ পদ্ধতির যতটা সম্ভব গ্রহণ করলে উপকৃত হবে, যদি এটি সফটওয়্যার ইঞ্জিনিয়ারিংয়ের প্রকৃতি থেকে উদ্ভূত নির্দিষ্ট সমস্যার সাথে মোকাবিলা করে। |
cf234668399ff2d7e5e5a54039907b0fa7cf36d3 | ত্রিমাত্রিক হাতের অঙ্গভঙ্গি স্বীকৃতি কম্পিউটার দৃষ্টি, প্যাটার্ন স্বীকৃতি এবং মানব-কম্পিউটার মিথস্ক্রিয়াতে ক্রমবর্ধমান গবেষণা আগ্রহ আকর্ষণ করেছে। নতুন আবির্ভূত গভীরতা সেন্সরগুলি হাতের অঙ্গভঙ্গি স্বীকৃতির বিভিন্ন পদ্ধতি এবং অ্যাপ্লিকেশনগুলিকে ব্যাপকভাবে অনুপ্রাণিত করেছিল, যা প্রচলিত ক্যামেরাগুলির সাথে 2 ডি ডোমেনের মধ্যে মারাত্মকভাবে সীমাবদ্ধ ছিল। এই গবেষণাপত্রে 3D গভীরতা সেন্সর ব্যবহার করে হাতের অঙ্গভঙ্গি স্বীকৃতির উপর সাম্প্রতিক কিছু কাজের একটি সমীক্ষা উপস্থাপন করা হয়েছে। আমরা প্রথমে বাণিজ্যিক গভীরতা সেন্সর এবং পাবলিক ডেটা সেট যা এই ক্ষেত্রে ব্যাপকভাবে ব্যবহৃত হয় তা পর্যালোচনা করি। এরপর আমরা চারটি দিক থেকে 3D হাতের অঙ্গভঙ্গি স্বীকৃতির জন্য অত্যাধুনিক গবেষণা পর্যালোচনা করি: 1) 3D হাতের মডেলিং; 2) স্ট্যাটিক হাতের অঙ্গভঙ্গি স্বীকৃতি; 3) হাতের গতিপথ অঙ্গভঙ্গি স্বীকৃতি; এবং 4) ক্রমাগত হাতের অঙ্গভঙ্গি স্বীকৃতি। যদিও এই বইতে 3D হাতের অঙ্গভঙ্গি স্বীকৃতি পদ্ধতির উপর জোর দেওয়া হয়েছে, তবে সংশ্লিষ্ট অ্যাপ্লিকেশন এবং সাধারণ সিস্টেমগুলিও অনুশীলনকারীদের জন্য সংক্ষিপ্তভাবে সংক্ষিপ্ত করা হয়েছে। |
33da83b54410af11d0cd18fd07c74e1a99f67e84 | আমরা মূল্যায়ন করি যে একটি গভীর কনভলুশনাল নেটওয়ার্ক সক্রিয়করণ থেকে প্রাপ্ত বৈশিষ্ট্যগুলি সম্পূর্ণরূপে তত্ত্বাবধানে প্রশিক্ষিত একটি বড়, স্থির বস্তুর স্বীকৃতি কার্যের উপর নতুন জেনেরিক কার্যগুলিতে পুনরায় ব্যবহার করা যেতে পারে কিনা। আমাদের জেনেরিক কাজগুলো মূলত প্রশিক্ষিত কাজগুলো থেকে উল্লেখযোগ্যভাবে ভিন্ন হতে পারে এবং নতুন কাজগুলোতে প্রচলিতভাবে প্রশিক্ষণ বা একটি গভীর আর্কিটেকচারকে মানিয়ে নেওয়ার জন্য পর্যাপ্ত লেবেলযুক্ত বা লেবেলহীন তথ্য থাকতে পারে না। আমরা গভীর কনভলুশনাল বৈশিষ্ট্যগুলির অর্থাতিক ক্লাস্টারিংয়ের তদন্ত করি এবং দৃশ্যের স্বীকৃতি, ডোমেন অভিযোজন এবং সূক্ষ্ম-গ্রানযুক্ত স্বীকৃতি চ্যালেঞ্জ সহ বিভিন্ন ধরণের কাজগুলির সাথে সম্পর্কিত কল্পনা করি। আমরা একটি নির্দিষ্ট বৈশিষ্ট্য সংজ্ঞায়িত করার জন্য বিভিন্ন নেটওয়ার্ক স্তরের উপর নির্ভর করার কার্যকারিতা তুলনা করি এবং বিভিন্ন গুরুত্বপূর্ণ দৃষ্টি চ্যালেঞ্জের ক্ষেত্রে অত্যাধুনিক ফলাফলকে উল্লেখযোগ্যভাবে ছাড়িয়ে যাওয়ার নতুন ফলাফলের প্রতিবেদন করি। আমরা DeCAF প্রকাশ করছি, এই গভীর কনভলুশনাল অ্যাক্টিভেশন বৈশিষ্ট্যগুলির একটি ওপেন সোর্স বাস্তবায়ন, সমস্ত সম্পর্কিত নেটওয়ার্ক পরামিতিগুলির সাথে সাথে দৃষ্টি গবেষকদের বিভিন্ন ভিজ্যুয়াল কনসেপ্ট লার্নিং প্যারাডাইম জুড়ে গভীর উপস্থাপনাগুলির সাথে পরীক্ষা-নিরীক্ষা করতে সক্ষম করতে সক্ষম করে। |
b6011390c08d7982bdaecb60822e72ed7c751ea4 | |
609ab78579f2f51e4677715c32d3370899bfd3a7 | JSTOR আর্কাইভের আপনার ব্যবহারের অর্থ হল আপনি JSTOR এর ব্যবহারের শর্তাবলী এবং শর্তাবলী গ্রহণ করেছেন, যা http://www.jstor.org/about/terms.html এ উপলব্ধ। JSTOR এর ব্যবহারের শর্তাবলী এবং শর্তাবলী, আংশিকভাবে, প্রদান করে যে আপনি যদি পূর্বের অনুমতি না পান তবে আপনি একটি জুমালের পুরো সংখ্যা বা নিবন্ধগুলির একাধিক অনুলিপি ডাউনলোড করতে পারবেন না এবং আপনি কেবলমাত্র আপনার ব্যক্তিগত, অ-বাণিজ্যিক ব্যবহারের জন্য JSTOR সংরক্ষণাগারের সামগ্রী ব্যবহার করতে পারেন। |
7abeaf172af1129556ee8b3fcbb2139172e50bdf | JSTOR আর্কাইভের আপনার ব্যবহারের অর্থ হল আপনি JSTOR এর ব্যবহারের শর্তাবলী এবং শর্তাদি গ্রহণ করেছেন, যা http://www.jstor.org/page/info/about/policies/terms.jsp এ উপলব্ধ। JSTOR-এর ব্যবহারের শর্তাবলী এবং শর্তাবলী আংশিকভাবে প্রদান করে যে আপনি যদি পূর্বের অনুমতি না পান তবে আপনি কোনও জার্নালের পুরো সংখ্যা বা নিবন্ধগুলির একাধিক অনুলিপি ডাউনলোড করতে পারবেন না এবং আপনি কেবলমাত্র আপনার ব্যক্তিগত, অ-বাণিজ্যিক ব্যবহারের জন্য JSTOR সংরক্ষণাগারের সামগ্রী ব্যবহার করতে পারেন। |
93dbcdc45336f4d26575e8273b3d70f7a1a260b2 | তথ্য ব্যবস্থা ক্ষেত্রটি দৈনন্দিন সামাজিক-অর্থনৈতিক জীবনে তথ্য প্রযুক্তির কেন্দ্রীয়তার উপর ভিত্তি করে তৈরি। কিন্তু, গত দশ বছরে ইনফরমেশন সিস্টেম রিসার্চ (আইএসআর) -এ প্রকাশিত নিবন্ধের সম্পূর্ণ সেট পর্যালোচনা করে আমরা যুক্তি দিচ্ছি যে এই ক্ষেত্রটি তার মূল বিষয় - তথ্য প্রযুক্তি (আইটি) এর শিল্পকর্মের সাথে গভীরভাবে জড়িত নয়। পরিবর্তে, আমরা দেখতে পাই যে আইএস গবেষকরা প্রসঙ্গের কেন্দ্রীয় তাত্ত্বিক গুরুত্ব প্রদান করে (যার মধ্যে কিছু সাধারণত অনির্দিষ্ট প্রযুক্তি কাজ করে), শিল্পকর্মের বিচ্ছিন্ন প্রক্রিয়াকরণ ক্ষমতা (তার প্রসঙ্গ বা ব্যবহার থেকে পৃথকযোগ্য হিসাবে), বা নির্ভরশীল পরিবর্তনশীল (যেটি প্রযুক্তির বিকাশ, বাস্তবায়ন এবং ব্যবহার হিসাবে প্রভাবিত বা পরিবর্তিত হওয়ার জন্য পোস্ট করা হয়) । আইটি আর্টিফ্যাক্ট নিজেই দৃশ্য থেকে অদৃশ্য হয়ে যায়, স্বতন্ত্র হিসাবে নেওয়া হয়, বা এটি নির্মিত এবং ইনস্টল হওয়ার পরে সমস্যাযুক্ত বলে মনে করা হয়। আমাদের গবেষণার ফলাফল নিয়ে আলোচনা করার পর, আমরা আইএস ক্ষেত্রের জন্য একটি গবেষণা দিকের প্রস্তাব দিচ্ছি যা প্রযুক্তিকে তার প্রভাব, প্রসঙ্গ এবং ক্ষমতার মতো গুরুত্ব সহকারে নিতে শুরু করে। বিশেষ করে, আমরা প্রস্তাব করছি যে আইএস গবেষকরা আইটি আর্টিফ্যাক্ট সম্পর্কে বিশেষভাবে তত্ত্ব তৈরি করতে শুরু করুন, এবং তারপরে এই তত্ত্বগুলিকে তাদের গবেষণায় স্পষ্টভাবে অন্তর্ভুক্ত করুন। আমরা বিশ্বাস করি যে এই ধরনের গবেষণা দিকটি অত্যন্ত গুরুত্বপূর্ণ যদি আইএস গবেষণাটি সর্বত্র, আন্তঃনির্ভরশীল এবং উদীয়মান তথ্য প্রযুক্তির সাথে ক্রমবর্ধমানভাবে পরিপূর্ণ একটি বিশ্বকে বোঝার ক্ষেত্রে উল্লেখযোগ্য অবদান রাখতে হয়। (ইনফরমেশন সিস্টেম রিসার্চ; ইনফরমেশন টেকনোলজি; আইটি রিসার্চ; আইটি থিওরি; টেকনোলজিক্যাল আর্টিফ্যাক্টস; টেকনোলজি চেঞ্জ) |
bc5e20c9e950a5dcedbe1caacc39afe097e3a6b0 | সাধারণীকরণযোগ্যতা তাদের জন্য একটি প্রধান উদ্বেগ যারা গবেষণা করে এবং ব্যবহার করে। পরিসংখ্যানগত, নমুনা-ভিত্তিক সাধারণীকরণ সুপরিচিত, কিন্তু পদ্ধতিবিদরা পরিসংখ্যানের বাইরে সাধারণীকরণের ধারণাগুলি সম্পর্কে দীর্ঘদিন ধরে সচেতন। এই প্রবন্ধের উদ্দেশ্য হল সাধারণীকরণযোগ্যতার ধারণাটি স্পষ্ট করা, এর প্রকৃতি সমালোচনামূলকভাবে পরীক্ষা করা, এর ব্যবহার এবং অপব্যবহারের চিত্রণ করা এবং এর বিভিন্ন রূপকে শ্রেণিবদ্ধ করার জন্য একটি কাঠামো উপস্থাপন করা। এই কাঠামোটি বিভিন্ন ফর্মকে চারটি শ্রেণীতে ভাগ করে, যা অভিজ্ঞ এবং তাত্ত্বিক ধরনের বিবৃতির মধ্যে পার্থক্য দ্বারা সংজ্ঞায়িত করা হয়। একদিকে, কাঠামোটি সেই সীমাকে নিশ্চিত করে যার মধ্যে পরিসংখ্যানগত, নমুনা ভিত্তিক সাধারণীকরণ বৈধ। অন্যদিকে, কাঠামোটি নির্দেশ করে যে তথ্য ব্যবস্থা এবং অন্যান্য ক্ষেত্রে গবেষকরা কীভাবে সাধারণীকরণের দাবি করতে পারেন এবং এর ফলে আরও বিস্তৃত প্রাসঙ্গিকতা, এমনকি যখন তাদের তদন্ত নমুনা ভিত্তিক গবেষণার বাইরে পড়ে। (গবেষণা পদ্ধতি; ইতিবাচক গবেষণা; ব্যাখ্যামূলক গবেষণা; পরিমাণগত গবেষণা; গুণগত গবেষণা; কেস স্টাডিজ; গবেষণা নকশা; সাধারণীকরণযোগ্যতা) |
2e5f2b57f4c476dd69dc22ccdf547e48f40a994c | |
14b5e8ba23860f440ea83ed4770e662b2a111119 | বড় কনভোলুশনাল নেটওয়ার্ক মডেলগুলি সম্প্রতি ইমেজনেট বেঞ্চমার্কে চিত্তাকর্ষক শ্রেণিবদ্ধকরণ কর্মক্ষমতা প্রদর্শন করেছে (ক্রিজেশেভস্কি এট আল, ২০১২) । তবে কেন তারা এত ভালো পারফর্ম করে বা কীভাবে তাদের উন্নতি করা যায় সে সম্পর্কে স্পষ্ট ধারণা নেই। এই নিবন্ধে আমরা উভয় বিষয়েরই আলোচনা করব। আমরা একটি নতুন ভিজ্যুয়ালাইজেশন টেকনিকের সাথে পরিচয় করিয়ে দিচ্ছি যা মধ্যবর্তী বৈশিষ্ট্য স্তরগুলির ফাংশন এবং শ্রেণিবদ্ধকরণের অপারেশন সম্পর্কে অন্তর্দৃষ্টি দেয়। এই ভিজ্যুয়ালাইজেশনগুলি একটি নির্ণয়ের ভূমিকা হিসাবে ব্যবহৃত হয়, যা আমাদের মডেল আর্কিটেকচারগুলি খুঁজে পেতে দেয় যা ক্রিজেভস্কি এবং অন্যান্যদের চেয়ে ভাল পারফরম্যান্স করে। ImageNet শ্রেণীবিভাগের মানদণ্ডের উপর। আমরা বিভিন্ন মডেল স্তর থেকে পারফরম্যান্স অবদান আবিষ্কার একটি অপসারণ অধ্যয়ন সঞ্চালন। আমরা দেখাবো যে আমাদের ইমেজনেট মডেলটি অন্যান্য ডেটাসেটগুলিতে ভালভাবে সাধারণীকরণ করেঃ যখন সফটম্যাক্স শ্রেণিবদ্ধক পুনরায় প্রশিক্ষণ দেওয়া হয়, তখন এটি ক্যালটেক -১০১ এবং ক্যালটেক -২৫৬ ডেটাসেটের বর্তমান অত্যাধুনিক ফলাফলকে দৃঢ়ভাবে পরাজিত করে। |
424561d8585ff8ebce7d5d07de8dbf7aae5e7270 | অত্যাধুনিক অবজেক্ট ডিটেকশন নেটওয়ার্কগুলি অবজেক্টের অবস্থান অনুমান করার জন্য অঞ্চল প্রস্তাব অ্যালগরিদমের উপর নির্ভর করে। এসপিপিনেট এবং ফাস্ট আর-সিএনএন এর মতো অগ্রগতি এই সনাক্তকরণ নেটওয়ার্কগুলির চলমান সময়কে হ্রাস করেছে, অঞ্চল প্রস্তাব গণনাকে একটি বোতল ঘাটতি হিসাবে প্রকাশ করেছে। এই কাজের মধ্যে, আমরা একটি <ইটালিক> অঞ্চল প্রস্তাব নেটওয়ার্ক</ইটালিক> (আরপিএন) পরিচয় করিয়ে দিচ্ছি যা সনাক্তকরণ নেটওয়ার্কের সাথে পূর্ণ-চিত্রের কনভোলুশনাল বৈশিষ্ট্যগুলি ভাগ করে নেয়, এইভাবে প্রায় ব্যয়-মুক্ত অঞ্চল প্রস্তাবগুলি সক্ষম করে। একটি RPN একটি সম্পূর্ণ কনভোলুশনাল নেটওয়ার্ক যা একই সাথে প্রতিটি অবস্থানে অবজেক্টের সীমা এবং অবজেক্টনেস স্কোরের পূর্বাভাস দেয়। আরপিএনকে উচ্চমানের অঞ্চলের প্রস্তাব তৈরি করতে প্রশিক্ষণ দেওয়া হয়, যা ফাস্ট আর-সিএনএন সনাক্তকরণের জন্য ব্যবহার করে। আমরা আরও RPN এবং Fast R-CNN কে একক নেটওয়ার্কে একত্রিত করি তাদের কনভলুশনাল বৈশিষ্ট্যগুলি ভাগ করে- সম্প্রতি জনপ্রিয় নিউরাল নেটওয়ার্কগুলির পরিভাষা ব্যবহার করে attention প্রক্রিয়াগুলির সাথে, RPN উপাদানটি ইউনিফাইড নেটওয়ার্ককে কোথায় সন্ধান করতে বলে। খুব গভীর VGG-16 মডেলের জন্য, আমাদের সনাক্তকরণ সিস্টেমের একটি GPU-তে 5 ফ্রেম রেট (সমস্ত ধাপ সহ) রয়েছে, যখন PASCAL VOC 2007, 2012, এবং MS COCO ডেটাসেটে চিত্রের প্রতি মাত্র 300 টি প্রস্তাবের সাথে অত্যাধুনিক অবজেক্ট সনাক্তকরণের নির্ভুলতা অর্জন করে। আইএলএসভিআরসি এবং কোকো ২০১৫ প্রতিযোগিতায়, দ্রুত আর-সিএনএন এবং আরপিএন বেশ কয়েকটি ট্র্যাকের প্রথম স্থান বিজয়ী এন্ট্রিগুলির ভিত্তি। কোডটি সর্বজনীনভাবে উপলব্ধ করা হয়েছে। |
cddb9e0effbc56594049c9e7d788b0df2247b1e5 | |
7908a8d73c9164ddfa6eb3f355494dfc849dc98f | এই কাগজে, সংক্ষেপে একটি অঙ্কিত গণনার দিকে যাচ্ছে প্রচেষ্টা মূল স্বাভাবিক Dijkstra অ্যালগরিদম থেকে একটি নতুন-Dijkstra অ্যালগরিদম যাচাই করার জন্য [1] একটি উন্নত Dijkstra হিসাবে। এই স্বতঃস্ফূর্ত ডিজকস্ট্রার ফলাফলটি অগ্নিনির্বাপক ইউনিটের জন্য আগুনের ঠিক জায়গায় পৌঁছানোর জন্য সবচেয়ে সংক্ষিপ্ত পথ খুঁজে পেতে ব্যবহৃত হয়েছিল। এই ধারণাটি পথের উপর বাঁকগুলির প্রভাবের উপর নির্ভর করে, যখন দুটি সমান পথ থাকে, তখন এর মধ্য দিয়ে যেতে যত বেশি বাঁক লাগে তত বেশি সময় লাগে এবং কম সংখ্যক বাঁক দিয়ে যেতে কম সময় লাগে। এই দৃশ্যকল্পকে ব্যবহারিকভাবে প্রয়োগ করতে আমরা দক্ষিণ খার্তুমের একটি ছোট বাস্তব এলাকা নিয়েছি। ফলাফলটি শক্তিশালী যুক্তি প্রদান করে যা জিও-ডিজকস্ট্রার মতো অগ্নিনির্বাপনের জন্য উন্নত ডিজকস্ট্রা অ্যালগরিদমের একটি স্পষ্ট অবদানের সাথে আমাদের পদ্ধতিটি প্রমাণ করে এবং যাচাই করে। উপরন্তু, উপরোক্ত অ্যালগরিদমগুলির একটি মূল্যায়ন করা হয়েছে যা খুব আশাব্যঞ্জক এবং বাস্তবসম্মত ফলাফল দেখায়। |
0fccd6c005fc60153afa8d454e056e80cca3102e | সরকারি ও শিল্প কম্পিউটিং পরিকাঠামো রক্ষায় নেটওয়ার্ক নিরাপত্তা প্রযুক্তি অত্যন্ত গুরুত্বপূর্ণ হয়ে উঠেছে। আধুনিক ইনট্রুশন ডিটেকশন অ্যাপ্লিকেশনগুলি জটিল প্রয়োজনীয়তার মুখোমুখি হয়; তাদের নির্ভরযোগ্য, প্রসারিত, পরিচালনা করা সহজ এবং রক্ষণাবেক্ষণের ব্যয় কম হওয়া দরকার। সাম্প্রতিক বছরগুলোতে মেশিন লার্নিং-ভিত্তিক অনুপ্রবেশ সনাক্তকরণ সিস্টেমগুলি উচ্চ নির্ভুলতা, নতুন ধরনের অনুপ্রবেশের জন্য ভাল সাধারণীকরণ এবং পরিবর্তিত পরিবেশে শক্তিশালী আচরণ প্রদর্শন করেছে। এই কাজের লক্ষ্য হল কৃত্রিম নিউরাল নেটওয়ার্ক এবং সাপোর্ট ভেক্টর মেশিন সহ অনুপ্রবেশ সনাক্তকরণ সিস্টেমে মেশিন লার্নিং পদ্ধতির দক্ষতার তুলনা করা, যাতে ভবিষ্যতে অনুপ্রবেশ সনাক্তকরণ সিস্টেম প্রতিষ্ঠার জন্য রেফারেন্স সরবরাহ করা যায়। মেশিন লার্নিং-ভিত্তিক অনুপ্রবেশ সনাক্তকারী অন্যান্য সম্পর্কিত কাজের সাথে তুলনা করে, আমরা প্রতিটি পরিমাপের জন্য স্বাভাবিক ডেটার বিভিন্ন অনুপাতের নমুনা গ্রহণের মাধ্যমে গড় মান গণনা করার প্রস্তাব দিই, যা আমাদের বাস্তব বিশ্বে পর্যবেক্ষণের ডেটার জন্য আরও ভাল নির্ভুলতার হার অর্জন করতে পরিচালিত করে। আমরা ৪ ধরনের আক্রমণের সঠিকতা, সনাক্তকরণ হার, মিথ্যা সতর্কতার হার তুলনা করি। কেডিডি-কাপ অনুপ্রবেশ সনাক্তকরণ বেঞ্চমার্ক ডেটাসেটের উপর বিস্তৃত পরীক্ষামূলক ফলাফলগুলি দেখায় যে প্রস্তাবিত পদ্ধতিটি কেডিডি উইনারের চেয়ে উচ্চতর পারফরম্যান্স তৈরি করে, বিশেষত ইউ 2 আর এবং ইউ 2 এল ধরণের আক্রমণের জন্য। |
86ab4cae682fbd49c5a5bedb630e5a40fa7529f6 | আমরা হস্তলিখিত অঙ্ক সনাক্তকরণের জন্য ব্যাক-প্রোপাগেশন নেটওয়ার্কের একটি প্রয়োগ উপস্থাপন করছি। তথ্যের ন্যূনতম প্রাক প্রক্রিয়াকরণের প্রয়োজন ছিল, কিন্তু নেটওয়ার্কের স্থাপত্য অত্যন্ত সীমাবদ্ধ ছিল এবং বিশেষভাবে এই কাজের জন্য ডিজাইন করা হয়েছিল। নেটওয়ার্কের ইনপুটটি বিচ্ছিন্ন অঙ্কগুলির সাধারণ চিত্রগুলি নিয়ে গঠিত। এই পদ্ধতিতে ১% ত্রুটি হার এবং মার্কিন যুক্তরাষ্ট্রের জিপকোডের সংখ্যা থেকে প্রত্যাখ্যানের হার প্রায় ৯%। ডাক বিভাগ। |
3c5ba48d25fbe24691ed060fa8f2099cc9eba14f | মুখের স্বীকৃতি (এফআর) এর গভীর শিক্ষার মাধ্যমে প্রাপ্ত অগ্রগতি সত্ত্বেও, আরও বেশি সংখ্যক লোক দেখতে পাচ্ছেন যে বর্ণবাদী পক্ষপাত স্পষ্টভাবে বাস্তবসম্মত এফআর সিস্টেমে কর্মক্ষমতা হ্রাস করে। যেহেতু বর্তমান প্রশিক্ষণ ও পরীক্ষার ডাটাবেসগুলো প্রায় সাদা রঙের মানুষদের নিয়ে গঠিত, তাই এখনও কোন স্বাধীন পরীক্ষার ডাটাবেস নেই যা বর্ণবাদী পক্ষপাতের মূল্যায়ন করতে পারে এবং এমনকি কোন প্রশিক্ষণ ডাটাবেস ও পদ্ধতি নেই যা এটিকে হ্রাস করতে পারে। এই অন্যায় বিষয়গুলিকে জয় করার জন্য গবেষণার সুবিধার্থে, এই কাগজটি দুটি গুরুত্বপূর্ণ ব্যবহারের সাথে রেসিয়াল ফেস ইন-দ্য-ওয়াইল্ড (আরএফডাব্লু) ডাটাবেস নামে একটি নতুন ডেটাসেট অবদান রাখে, 1) বর্ণবাদী পক্ষপাত পরীক্ষাঃ চারটি পরীক্ষার উপসেট, যথা ককেশিয়ান, এশিয়ান, ভারতীয় এবং আফ্রিকান, নির্মিত হয় এবং প্রতিটিতে মুখ যাচাইয়ের জন্য 6000 চিত্রের জোড়া সহ প্রায় 3000 ব্যক্তি রয়েছে, 2) বর্ণবাদী পক্ষপাত হ্রাসঃ ককেশিয়ানদের সাথে একটি লেবেলযুক্ত প্রশিক্ষণ উপসেট এবং এশিয়ানদের সাথে তিনটি লেবেলযুক্ত প্রশিক্ষণ উপসেট, ভারতীয় এবং আফ্রিকানদের সাথে এফআর স্বীকৃতি জ্ঞানকে অন্যান্য জাতিতে স্থানান্তরিত করার জন্য অ্যালগরিদমকে উত্সাহিত করার প্রস্তাব দেওয়া হয়। আমরা সবাই জানি, RFW হচ্ছে প্রথম ডাটাবেস যা FR অ্যালগরিদমের মধ্যে বর্ণবাদী পক্ষপাতের পরিমাপ করে। বিভিন্ন জাতির মধ্যে ডোমেন ফাঁক এবং এফআর অ্যালগরিদমগুলিতে জাতিগত পক্ষপাতের অস্তিত্ব প্রমাণ করার পরে, আমরা আরও একটি গভীর তথ্য সর্বাধিকীকরণ অভিযোজন নেটওয়ার্ক (আইএমএএন) এর প্রস্তাব দিই যা ডোমেন ফাঁকটি পূরণ করতে পারে এবং ব্যাপক পরীক্ষা-নিরীক্ষা দেখায় যে জাতিগত পক্ষপাত আমাদের অ্যালগরিদম দ্বারা সংকীর্ণ করা যেতে পারে। |
0f9b608cd19afeb083e0244df4cd0db1a00e029b | আমরা প্রশিক্ষণ নমুনা একটি সেট থেকে র্যান্ডম ELDs নির্মাণের জন্য একটি কৌশল উপস্থাপন। লার্নিং প্যারাডাইম ক্রমবর্ধমান জটিল এল্ড তৈরি করে যা সম্ভাব্য ফাংশন বা বৈশিষ্ট্যগুলিকে ক্রমবর্ধমান বড় সাবগ্রাফ দ্বারা সমর্থিত। প্রতিটি বৈশিষ্ট্যের একটি ওজন থাকে যা প্রশিক্ষণ ডেটার মডেল এবং অভিজ্ঞতাগত বন্টনের মধ্যে কুলব্যাক-লাইবলার বিচ্ছিন্নতাকে কমিয়ে প্রশিক্ষিত হয়। একটি লোভী অ্যালগরিদম নির্ধারণ করে যে কীভাবে বৈশিষ্ট্যগুলি ক্রমাগতভাবে এল্ডে যুক্ত করা হয় এবং ওজনগুলির সর্বোত্তম মানগুলি অনুমান করতে একটি পুনরাবৃত্ত স্কেলিং অ্যালগরিদম ব্যবহার করা হয়। এই গবেষণাপত্রে যেসব র্যান্ডম এল্ড মডেল এবং কৌশল উপস্থাপন করা হয়েছে, সেগুলো কম্পিউটার ভিশন সাহিত্যের অধিকাংশ ক্ষেত্রে প্রচলিত পদ্ধতি থেকে ভিন্ন, কারণ এর অন্তর্নিহিত র্যান্ডম এল্ডগুলো মার্কোভিয়ান নয় এবং এতে অনেকগুলো পরামিতি রয়েছে, যেগুলোকে অনুমান করতে হবে। সিদ্ধান্ত গাছ এবং বল্টজমান মেশিন সহ অন্যান্য শেখার পদ্ধতির সাথে সম্পর্ক দেওয়া হয়েছে। পদ্ধতিটির একটি প্রদর্শন হিসাবে, আমরা প্রাকৃতিক ভাষা প্রক্রিয়াকরণে স্বয়ংক্রিয় শব্দ শ্রেণিবিন্যাসের সমস্যার জন্য এর প্রয়োগের বর্ণনা দিচ্ছি। |
5a0e84b72d161ce978bba66bfb0e337b80ea1708 | আরএফআইডিগুলি ইন্টারনেট অব থিংসের একটি গুরুত্বপূর্ণ উপাদান হিসেবে আবির্ভূত হচ্ছে। ২০১২ সালে, বিলিয়ন বিলিয়ন আরএফআইডি ডিভাইস সরঞ্জাম সনাক্তকরণ, ওষুধের সন্ধান, খুচরা পণ্যের ট্যাগ ইত্যাদির জন্য স্থাপন করা হয়েছে। তবে বর্তমান আরএফআইডি সিস্টেমগুলি কেবলমাত্র একটি ট্যাগযুক্ত বস্তু রেডিও রেঞ্জের মধ্যে রয়েছে কিনা তা সনাক্ত করতে পারে (যা কয়েক ডজন মিটার পর্যন্ত হতে পারে), তবে এর সঠিক অবস্থানটি সনাক্ত করতে পারে না। এই সীমাবদ্ধতা মোকাবেলার জন্য অতীতের প্রস্তাবগুলি একটি লাইন-অফ-সাইট মডেলের উপর নির্ভর করে এবং তাই মাল্টি-পথ প্রভাব বা নন-লাইন-অফ-সাইটের মুখোমুখি হলে দুর্বলভাবে কাজ করে, যা বাস্তব বিশ্বের স্থাপনার ক্ষেত্রে সাধারণ। এই কাগজটি প্রথম সূক্ষ্ম-গ্রানুলাইজড আরএফআইডি পজিশনিং সিস্টেমের সাথে পরিচয় করিয়ে দেয় যা মাল্টি-পথ এবং নন-লাইন-অফ-ভিউয়ের পরিস্থিতিতে দৃঢ়। পূর্ববর্তী কাজের বিপরীতে, যা মাল্টিপথকে ক্ষতিকর বলে মনে করে, আমাদের নকশাটি সঠিকভাবে RFIDs সনাক্ত করতে মাল্টিপথকে কাজে লাগায়। আমাদের নকশার অন্তর্নিহিত অন্তর্দৃষ্টি হল যে কাছাকাছি RFIDs একটি অনুরূপ মাল্টিপথ পরিবেশ (যেমন, পরিবেশের প্রতিফলক) অভিজ্ঞতা এবং এইভাবে অনুরূপ মাল্টিপথ প্রোফাইল প্রদর্শন করে। আমরা এই মাল্টিপ্যাথ প্রোফাইলগুলিকে ক্যাপচার এবং বের করি একটি সিন্থেটিক এপারচার রাডার (এসএআর) ব্যবহার করে যা অ্যান্টেনার গতির মাধ্যমে তৈরি করা হয়। তারপর আমরা ডায়নামিক টাইম ওয়ার্পিং (ডিটিডব্লিউ) কৌশলগুলিকে একটি ট্যাগের অবস্থান নির্ধারণের জন্য ব্যবহার করি। আমরা ইউএসআরপি সফটওয়্যার রেডিও ব্যবহার করে আমাদের নকশার একটি প্রোটোটাইপ তৈরি করেছি। আমাদের বিশ্ববিদ্যালয়ের লাইব্রেরিতে ২০০টি বাণিজ্যিক আরএফআইডি স্থাপন করার ফলাফল থেকে জানা যায় যে নতুন ডিজাইনটি ১১ সেন্টিমিটার নির্ভুলতার সাথে ভুল জায়গায় বইগুলি সনাক্ত করতে পারে। |
ddedb83a585a53c8cd6f3277cdeaa367b526173f | |
79fe72080be951cf096524fd54c33402387c8e8f | গবেষণা সাহিত্যে ভুলে যাওয়া ধারণাগুলি থেকে ক্রিপ্টোকারেন্সির ধারণা তৈরি করা হয়েছে। |
691e9e6f09e8a98b6e81c9d9986605d21c56ca21 | |
bb9419100e83f9257b1ba1658b95554783a13141 | জ্বালানি সংকট এবং পরিবেশ দূষণের ক্রমবর্ধমান গুরুতরতার কারণে, জ্বালানী সেল বৈদ্যুতিক যানবাহন (এফসিইভি) শূন্য-নির্গমন এবং উচ্চ দক্ষতার সাথে প্রচলিত যানবাহনগুলি প্রতিস্থাপনের জন্য সবচেয়ে সম্ভাব্য প্রার্থী বলে আশা করা হচ্ছে। ডিসি/ডিসি রূপান্তরকারী হল জ্বালানী কোষ (এফসি) এবং এফসিইভি এর ড্রাইভলাইন এর মধ্যে ইন্টারফেস। এটি শুধুমাত্র উচ্চ ভোল্টেজ লাভের প্রয়োজন হয় না, যা ব্যাপক এফসি ভোল্টেজকে একটি উপযুক্ত ভোল্টেজ স্তরে রূপান্তরিত করে, তবে সিস্টেমের নির্ভরযোগ্যতা বাড়ানোর জন্য ত্রুটি সহনশীলতার ক্ষমতাও প্রয়োজন। এই কারণে, ফ্লোটিং ইন্টারলিভড বুস্ট কনভার্টার (এফআইবিসি) সর্বোত্তম নির্বাচন বলে মনে হচ্ছে। এই টপোলজি সত্ত্বেও সঠিক নিয়ন্ত্রণ স্কিমের কর্মের অধীনে বিনা বাধায় চলতে পারে পাওয়ার স্যুইচ ওপেন সার্কিট ফল্ট (ওসিএফ) এর ক্ষেত্রে, অবনমিত মোডে কাজ করা উপাদান চাপ এবং ইনপুট বর্তমান তরঙ্গের উপর বিরূপ প্রভাব ফেলে। এই গবেষণাপত্রের উদ্দেশ্য হচ্ছে, ডিসি বাস ভোল্টেজকে ধ্রুবক রাখার জন্য একটি কার্যকর নিয়ামক ডিজাইন করা এবং এই অবাঞ্ছিত প্রভাবগুলির পুঙ্খানুপুঙ্খ তাত্ত্বিক বিশ্লেষণ এবং সিমুলেশন যাচাইকরণ প্রদর্শন করা। |
ede851351f658426e77c72e7d1989dda970c995a | এই কাগজটি একটি অতি-ব্রডব্যান্ড অতি-সংকীর্ণ বাটলার ম্যাট্রিক্স ডিজাইন স্কিম উপস্থাপন করে। এই নকশাটি বড় আকারের হ্রাসের জন্য স্ট্যাকড ট্রান্সফরমার ভিত্তিক কপলার এবং একত্রীকৃত এলসি π-নেটওয়ার্ক ফেজ শিফটার ব্যবহার করে। একটি প্রুফ-অফ-কনসেপ্ট ডিজাইন হিসাবে, একটি 4 × 4 বাটলার ম্যাট্রিক্স 2.0 গিগাহার্জ কেন্দ্রীয় ফ্রিকোয়েন্সিতে একটি স্ট্যান্ডার্ড 130nm বাল্ক সিএমওএস প্রক্রিয়াতে প্রয়োগ করা হয়। সিএমওএস-এ সম্পূর্ণ সমন্বিত ২.০ গিগাহার্জ ৪×৪ বাটলার ম্যাট্রিক্স ডিজাইনের সাথে তুলনা করে প্রস্তাবিত নকশাটি ১.১০ ডিবি সর্বনিম্ন সন্নিবেশ ক্ষতি, ০.৩ ডিবি সর্বনিম্ন প্রশস্ততা অসঙ্গতি, ৩৪.৬% বৃহত্তম ভগ্নাংশীয় ব্যান্ডউইথ এবং ০.৬৩৫ × ১.১২২ মিমি২ এর সর্বনিম্ন চিপ কোর এলাকা অর্জন করে। পরিমাপ করা এস-প্যারামিটারগুলির উপর ভিত্তি করে, বাটলার ম্যাট্রিক্সের চারটি সমান্তরাল বৈদ্যুতিক অ্যারে প্যাটার্নগুলি ২.০ গিগাহার্টজে ২৯.৫ ডিবি এর অ্যারে পিক-টু-নুল অনুপাত (পিএনআর) অর্জন করে এবং ১.৫৫ গিগাহার্টজ থেকে ২.৫০ গিগাহার্টজের মধ্যে ১৫.০ ডিবি এর চেয়ে ভাল। |
33b04c2ca92aac756b221e96c1d2b4b714cca409 | দীর্ঘমেয়াদী ইসিজি পর্যবেক্ষণ অনেক দৈনন্দিন স্বাস্থ্যসেবা পরিস্থিতিতে পছন্দসই যেখানে একটি পরিধানযোগ্য ডিভাইস যা ক্রমাগত ইসিজি সংকেত রেকর্ড করতে পারে প্রয়োজন হয়। এই গবেষণায় আমরা একটি পোশাকের মতো হার্ট রেট বেল্টের প্রস্তাব দিয়েছি যা বুকের ওপর বা কোমরের ওপর আরামদায়কভাবে পরিধান করা যায়। ইসিজি রেকর্ডিংয়ের জন্য সক্রিয় টেক্সটাইল ইলেক্ট্রোডগুলি ডিজাইন করা হয়েছিল। এবং একটি ব্যাটারি চালিত সার্কিট বোর্ড তৈরি করা হয়েছিল যার মধ্যে রয়েছে ইসিজি সিগন্যাল কন্ডিশনার সার্কিট, শরীরের গতি সনাক্তকরণের জন্য একটি 3-অক্ষের এক্সিলারেটর, 12-বিট এডি কনভার্টার, সিগন্যাল প্রসেসিংয়ের জন্য একটি ডিএসপি এবং ডেটা স্টোরেজের জন্য একটি এসডি কার্ড। এই সিস্টেমে একটি ওয়্যারলেস কমিউনিকেশন মডিউলও রয়েছে যা হার্ট রেট ডেটা প্রদর্শনের জন্য একটি স্পোর্টস ঘড়িতে প্রেরণ করতে পারে। পরীক্ষাগুলি করা হয়েছে যা দেখায় যে প্রস্তাবিত সিস্টেমটি অনভিজ্ঞ এবং ব্যবহারকারী দৈনন্দিন কার্যক্রমের সময় আরামদায়কভাবে পরতে পারে। কোমরে পরার সময়, ইসিজি সংকেতগুলি যুক্তিসঙ্গতভাবে ভাল মানের বিশ্রাম এবং হাঁটার পরিস্থিতিতে অর্জিত হয়েছিল। প্রস্তাবিত এই পদ্ধতি দীর্ঘমেয়াদী অ্যাম্বুলেন্ট ইসিজি মনিটরিংয়ের জন্য আশাব্যঞ্জক। |
845111f92b5719197a74d20dd0e050c65d4b8635 | সাম্প্রতিক বছরগুলোতে জল বন্টন ব্যবস্থা থেকে সংগ্রহ করা নমুনা গ্রহণের ঘনত্ব এবং সময় সিরিজের তথ্যের পরিমাণ বৃদ্ধি পেয়েছে, যার ফলে উপযুক্ত স্বয়ংক্রিয় কৌশল প্রয়োগ করা হলে, বিশেষ করে মেশিন লার্নিং প্রয়োগ করা হলে সিস্টেমের জ্ঞান উন্নত করার সম্ভাবনা রয়েছে। নতুনত্ব (বা অস্বাভাবিকতা) সনাক্তকরণ হচ্ছে বড় পরিমাণে "স্বাভাবিক" তথ্যের মধ্যে থাকা নতুন বা অস্বাভাবিক নিদর্শনগুলির স্বয়ংক্রিয় সনাক্তকরণ। যখন সময় সিরিজের তথ্য (ভেক্টর রূপান্তরিত) নিয়ে কাজ করা হয়, তখন এর অর্থ হল অনেকগুলি স্বাভাবিক সময় সিরিজের পয়েন্টের মধ্যে এম্বেড হওয়া অস্বাভাবিক ঘটনা। সাপোর্ট ভেক্টর মেশিন একটি ডেটা-চালিত পরিসংখ্যানগত কৌশল যা শ্রেণীবিভাগ এবং রিগ্রেশনের জন্য একটি সরঞ্জাম হিসাবে বিকশিত হয়েছে। মূল বৈশিষ্ট্যগুলির মধ্যে রয়েছে অ-গাউসিয়ান ত্রুটি এবং আউটলিয়ারের সাথে পরিসংখ্যানগত দৃঢ়তা, সিদ্ধান্তের সীমানাটি একটি নীতিগত উপায়ে নির্বাচন করা এবং কার্নাল ফাংশনগুলির মাধ্যমে একটি অ-রৈখিক অ্যালগরিদমের স্পষ্টভাবে প্রয়োজন ছাড়াই বৈশিষ্ট্য স্পেসে অ-রৈখিকতার প্রবর্তন। এই গবেষণায়, জল প্রবাহ এবং চাপের সময় সিরিজের তথ্য থেকে অস্বাভাবিকতা সনাক্তকরণের জন্য একটি শেখার পদ্ধতি হিসাবে সমর্থন ভেক্টর রিগ্রেশন ব্যবহার করা হয়। অতীতের ঘটনাবলী যা অন্য তথ্যের মাধ্যমে সংগ্রহ করা হয়েছে, সেগুলোর কোন ব্যবহার করা হয়নি। সমর্থন ভেক্টর রিগ্রেশন পদ্ধতি, যার দৃঢ়তা প্রশিক্ষণ ত্রুটি ফাংশন থেকে প্রাপ্ত হয় প্রয়োগ করা হয় |
5d9a3036181676e187c9c0ff995d8bed1db3557d | ডোমেইন অ্যাডাপ্টেশন কম্পিউটার ভিশনের একটি গুরুত্বপূর্ণ উদ্ভূত বিষয়। এই গবেষণাপত্রে আমরা বস্তু স্বীকৃতির প্রসঙ্গে ডোমেইন শিফট নিয়ে প্রথম গবেষণার একটি উপস্থাপন করছি। আমরা এমন একটি পদ্ধতি প্রবর্তন করি যা একটি নির্দিষ্ট ভিজ্যুয়াল ডোমেইনে অর্জিত অবজেক্ট মডেলগুলিকে নতুন ইমেজিং শর্তে এমন একটি রূপান্তর শেখার মাধ্যমে অভিযোজিত করে যা বৈশিষ্ট্য বিতরণে ডোমেন-প্ররোচিত পরিবর্তনের প্রভাবকে হ্রাস করে। রূপান্তরটি একটি তত্ত্বাবধানে পদ্ধতিতে শিখেছে এবং এমন বিভাগগুলিতে প্রয়োগ করা যেতে পারে যার জন্য নতুন ডোমেনে কোনও লেবেলযুক্ত উদাহরণ নেই। আমরা যখন আমাদের মূল্যায়নকে বস্তুর স্বীকৃতির কাজে কেন্দ্রীভূত করি, তখন আমরা যে রূপান্তর-ভিত্তিক অভিযোজন কৌশলটি বিকাশ করি তা সাধারণ এবং এটি অ-চিত্রের ডেটাতে প্রয়োগ করা যেতে পারে। আরেকটি অবদান হল একটি নতুন মাল্টি-ডোমেন অবজেক্ট ডাটাবেস, যা বিনামূল্যে ডাউনলোডের জন্য উপলব্ধ। আমরা পরীক্ষামূলকভাবে আমাদের পদ্ধতির ক্ষমতা প্রদর্শন করি যা লক্ষ্য ডোমেন লেবেলগুলির সাথে কম বা কোনও শ্রেণীর স্বীকৃতি উন্নত করতে পারে এবং ইমেজিং অবস্থার মধ্যে মাঝারি থেকে বড় পরিবর্তনগুলি। |
95ded03f3eb9d60b3e3d51931147d5049be4ba5e | এই গবেষণাপত্রে Ku-band-এ কাজ করা পুনরায় কনফিগারযোগ্য প্রতিফলন-রে অ্যান্টেনা উপস্থাপন করা হয়েছে। প্রথমত, পুনরায় কনফিগারযোগ্য প্রতিফলিত অ্যারের অ্যাপ্লিকেশনগুলির জন্য প্রয়োজনীয় এক-বিট ফেজ শিফট অর্জনের জন্য পোলারাইজেশন টার্নিং কনসেপ্টের উপর ভিত্তি করে একটি নতুন মাল্টিলেয়ার ইউনিট-সেল প্রস্তাব করা হয়েছে। ইউনিট-সেলের নীতিটি বর্তমান মডেল এবং স্পেস ম্যাচ শর্ত ব্যবহার করে আলোচনা করা হয়, ডিজাইন এবং পারফরম্যান্স মানদণ্ডকে সমর্থন করার জন্য সিমুলেশনগুলির সাথে। এরপর অ্যান্টেনা অ্যাপ্লিকেশনে ইউনিট-সেলের পারফরম্যান্স যাচাই করার জন্য একটি অফসেট-ফিড কনফিগারেশন তৈরি করা হয় এবং এর পোলারাইজেশন ট্রান্সফরমেশন সম্পত্তি বিশ্লেষণ করা হয়। অবশেষে, 10 × 10 উপাদান সহ একটি অফসেট-ফিড প্রতিফলিত অ্যারে বিকাশ এবং নির্মিত হয়। ডুয়াল-পোলারাইজড অ্যান্টেনা নিয়ন্ত্রণ কোড ম্যাট্রিক্স ব্যবহার করে একটি প্রশস্ত কোণ বিম-স্ক্যানিং সম্পন্ন করে। প্রতিফলনকারী রেলে পূর্ণ তরঙ্গ বিশ্লেষণ প্রয়োগ করা হয় এবং বিস্তারিত ফলাফল উপস্থাপন ও আলোচনা করা হয়। এই ইলেকট্রনিকভাবে পরিচালিত প্রতিফলন অ্যারে অ্যান্টেনাটি তার বিস্তৃত অপারেটিং ব্যান্ড, সহজ নিয়ন্ত্রণ এবং বিম-স্ক্যানিং ক্ষমতার কারণে উপগ্রহ অ্যাপ্লিকেশনগুলির জন্য উল্লেখযোগ্য সম্ভাবনা রয়েছে। |
318cb91c41307135781a0a01bc9e0b6a6e123b0f | আমরা একটি বড় ডেটাসেট প্রদান করি যার মধ্যে রয়েছে RGB-D ইমেজ সিকোয়েন্স এবং গ্রাউন্ড-সত্য ক্যামেরা ট্র্যাজেক্টরিগুলি যা লক্ষ্য করে ভিজ্যুয়াল এসএলএএম সিস্টেমগুলির মূল্যায়নের জন্য একটি বেঞ্চমার্ক স্থাপন করা। আমাদের ডেটাসেটে মাইক্রোসফট কাইনেক্ট সেন্সরের রঙিন এবং গভীরতার ছবি এবং ক্যামেরার অবস্থানের গ্রাউন্ড ট্রুথ ট্র্যাজেক্টরি রয়েছে। তথ্য পূর্ণ ফ্রেম রেট (30 Hz) এবং সেন্সর রেজোলিউশনে (640x480) রেকর্ড করা হয়। ৮টি উচ্চ গতির ট্র্যাকিং ক্যামেরা (১০০ হার্জ) সহ উচ্চ নির্ভুলতা সম্পন্ন মোশন ক্যাপচার সিস্টেম থেকে গ্রাউন্ড-ট্রুথ ট্র্যাকচারটি পাওয়া গেছে। এছাড়াও, আমরা কাইনেক্ট থেকে অ্যাকসিলারোমিটার ডেটা সরবরাহ করি। অবশেষে, আমরা ভিজ্যুয়াল এসএলএএম সিস্টেমের আনুমানিক ক্যামেরা ট্র্যাজেক্টরির গুণমান পরিমাপের জন্য একটি মূল্যায়ন মানদণ্ডের প্রস্তাব দিই। |
318ada827c5273a6998cfa84e57801121ce04ddc | এইচএএল হল বৈজ্ঞানিক গবেষণা সংক্রান্ত নথিপত্রের জমা ও বিতরণের জন্য একটি বহুমুখী মুক্ত প্রবেশাধিকার সংরক্ষণাগার, সেগুলি প্রকাশিত হোক বা না হোক। এই নথিগুলি ফ্রান্সের বা বিদেশের শিক্ষা ও গবেষণা প্রতিষ্ঠান থেকে অথবা সরকারি বা বেসরকারি গবেষণা কেন্দ্র থেকে আসতে পারে। এইচএএল, একটি বহুমুখী খোলা সংরক্ষণাগার, ফরাসি বা বিদেশী শিক্ষা ও গবেষণা প্রতিষ্ঠান, সরকারী বা বেসরকারী গবেষণাগার থেকে প্রকাশিত বা প্রকাশিত নয় এমন গবেষণা স্তরের বৈজ্ঞানিক নথিগুলির সংরক্ষণাগার এবং বিতরণ করার জন্য। সাংগঠনিক পরিবর্তন বোঝার জন্য সাংগঠনিক রুটিন প্রয়োগ করা মার্কাস বেকার, নাথালি লাজারিক, রিচার্ড নেলসন, সিডনি জি. উইন্টার |
327acefe53c09b40ae15bfac9165b5c8f812d158 | এই গবেষণায় লেখক বিগত চার দশকে নেতৃত্বের প্রতি আস্থা নিয়ে যে গবেষণা হয়েছে তার ফলাফল ও প্রভাবের ওপর নজর দিয়েছেন। প্রথমত, এই গবেষণায় নেতৃত্বের প্রতি আস্থা এবং মূল ফলাফল, পূর্বসূরী এবং সম্পর্কিত বিষয়গুলির মধ্যে প্রাথমিক সম্পর্কের অনুমান করা হয়েছে (কে = ১০৬) । দ্বিতীয়ত, অধ্যয়নটি অনুসন্ধান করে যে কীভাবে বিকল্প নেতৃত্বের রেফারেন্স (সরাসরি নেতাদের বনাম সাংগঠনিক নেতৃত্ব) এবং সংজ্ঞা (বিশ্বাসের ধরণ) দিয়ে নির্মাণকে নির্দিষ্ট করা নেতৃত্বের প্রতি আস্থা এবং ফলাফল এবং পূর্বসূরীদের মধ্যে পদ্ধতিগতভাবে বিভিন্ন সম্পর্কের ফলাফল দেয়। সরাসরি নেতারা (যেমন, সুপারভাইজার) বিশ্বাসের একটি বিশেষ গুরুত্বপূর্ণ রেফারেন্ট বলে মনে হয়। শেষ পর্যন্ত, একটি তাত্ত্বিক কাঠামো প্রদান করা হয়, যা বিস্তৃত সাহিত্যের জন্য সংক্ষিপ্ততা প্রদান করে এবং নেতৃত্বের উপর আস্থা এবং এর কার্যকারিতা নির্মাণের বিভিন্ন দৃষ্টিকোণকে স্পষ্ট করে। |
6b8fe767239a34e25e71e99bd8b8a64f8279d7f4 | তথ্য প্রযুক্তির অধ্যয়নের জন্য সংস্কৃতির একটি বোঝাপড়া গুরুত্বপূর্ণ কারণ জাতীয়, সাংগঠনিক এবং গোষ্ঠী সহ বিভিন্ন স্তরে সংস্কৃতি তথ্য প্রযুক্তির সফল বাস্তবায়ন এবং ব্যবহারকে প্রভাবিত করতে পারে। সংস্কৃতি ব্যবস্থাপনা প্রক্রিয়ায়ও ভূমিকা পালন করে যা সরাসরি বা পরোক্ষভাবে আইটি প্রভাবিত করতে পারে। সংস্কৃতি একটি চ্যালেঞ্জিং পরিবর্তনশীল গবেষণা, কারণ সংস্কৃতির একাধিক ভিন্ন সংজ্ঞা এবং পরিমাপ। তা সত্ত্বেও, তথ্যপ্রযুক্তি এবং সংস্কৃতির মধ্যে সম্পর্ককে আলোকিত করে এমন একটি বিস্তৃত সাহিত্যের সৃষ্টি হয়েছে। এই গবেষণাপত্রটি তথ্যপ্রযুক্তি এবং সংস্কৃতির মধ্যে সম্পর্ক সম্পর্কে আমাদের উপলব্ধিকে আরও গভীরতর করার জন্য এই সাহিত্যের একটি পর্যালোচনা প্রদানের লক্ষ্যে তৈরি করা হয়েছে। আমরা সংস্কৃতির ধারণাগতীকরণ দিয়ে শুরু করি এবং আইটি এবং সংস্কৃতির পরীক্ষার জন্য একটি মূল্যবোধ ভিত্তিক পদ্ধতির ভিত্তি স্থাপন করি। এই পদ্ধতির ব্যবহার করে, আমরা তারপর সাংগঠনিক এবং ক্রস-সাংস্কৃতিক আইটি সাহিত্যের একটি ব্যাপক পর্যালোচনা প্রদান করি যা ধারণাগতভাবে এই দুটি ঐতিহ্যগতভাবে পৃথক গবেষণার প্রবাহকে সংযুক্ত করে। আমাদের বিশ্লেষণ থেকে, আমরা আইটি-সংস্কৃতি গবেষণার ছয়টি থিম বিকাশ করি যা আইটি, সংস্কৃতির উপর আইটি এর প্রভাব এবং আইটি সংস্কৃতির উপর জোর দেয়। এই বিষয়গুলোর উপর ভিত্তি করে আমরা আইটি, মূল্যবোধ এবং দ্বন্দ্বের একটি তত্ত্ব তৈরি করি। তত্ত্বের ভিত্তিতে আমরা তিনটি ধরণের সাংস্কৃতিক দ্বন্দ্ব এবং এই দ্বন্দ্বের ফলাফল সম্পর্কিত প্রস্তাবগুলি বিকাশ করি। শেষ পর্যন্ত, তত্ত্বটি পরামর্শ দেয় যে এই দ্বন্দ্বগুলির পুনর্মিলন মূল্যবোধের পুনর্নির্ধারণের ফলে ঘটে। আমরা এই গবেষণার ক্ষেত্রে যে বিশেষ গবেষণা চ্যালেঞ্জের সম্মুখীন হয়েছি তা দিয়ে শেষ করছি। |
9f720a880fe4c99557c4bdfe0e3595ea60902055 | |
1a8c33f9e51ba01e1cdade7029f96892c7c7087b | শব্দের অর্থগত সম্পর্ক গণনা করার পূর্ববর্তী কাজগুলি তাদের অর্থকে বিচ্ছিন্নভাবে উপস্থাপন করার উপর দৃষ্টি নিবদ্ধ করে, কার্যকরভাবে আন্তঃ-শব্দ সম্পর্ককে উপেক্ষা করে। আমরা শব্দ-শব্দ সম্পর্ক শেখার জন্য একটি বড় আকারের ডেটা মাইনিং পদ্ধতির প্রস্তাব দিচ্ছি, যেখানে পরিচিত জোড়া সম্পর্কিত শব্দগুলি শেখার প্রক্রিয়াতে সীমাবদ্ধতা আরোপ করে। আমরা প্রতিটি শব্দের জন্য একটি নিম্ন মাত্রিক উপস্থাপনা শিখি, যা শব্দটির সম্ভাব্যতাকে সর্বাধিক করার চেষ্টা করে যেসব প্রসঙ্গে এটি উপস্থিত হয়। আমাদের পদ্ধতি, যাকে বলা হয় CLEAR, এর আগে প্রকাশিত পদ্ধতির চেয়ে উল্লেখযোগ্যভাবে ভাল কাজ করে। প্রস্তাবিত পদ্ধতিটি প্রথম নীতিগুলির উপর ভিত্তি করে তৈরি করা হয়েছে এবং এটি বিভিন্ন ধরণের পাঠ্য কর্পোরার ব্যবহারের জন্য যথেষ্ট সাধারণ, তবে এটির উদ্ভূত শব্দগুলির অনুরূপতার উপর সীমাবদ্ধতা আরোপ করার নমনীয়তা রয়েছে। আমরা শব্দ সম্পর্কিত অ্যালগরিদমের মূল্যায়নের জন্য একটি নতুন লেবেলযুক্ত ডেটাসেটও জনসাধারণের জন্য উপলব্ধ করি, যা আমরা বিশ্বাস করি যে এটি এখন পর্যন্ত বৃহত্তম ডেটাসেট। |
2c90cf37144656775a7f48f70f908f72bdb58ed8 | স্মার্ট ওয়ার্ল্ড এমন একটি যুগ হিসেবে কল্পনা করা হয় যেখানে বস্তু (যেমন, ঘড়ি, মোবাইল ফোন, কম্পিউটার, গাড়ি, বাস এবং ট্রেন) স্বয়ংক্রিয়ভাবে এবং বুদ্ধিমানভাবে সহযোগিতামূলকভাবে মানুষের সেবা করতে পারে। স্মার্ট বিশ্বের পথ প্রশস্ত করে, ইন্টারনেট অব থিংস (আইওটি) স্মার্ট বিশ্বের সবকিছুকে সংযুক্ত করে। একটি টেকসই স্মার্ট বিশ্ব অর্জনের জন্য এই কাগজটি বিভিন্ন প্রযুক্তি এবং সবুজ আইওটি সম্পর্কিত বিষয় নিয়ে আলোচনা করে, যা আইওটির শক্তি খরচ আরও কমিয়ে দেয়। বিশেষ করে, আইওটি এবং গ্রিন আইওটি সম্পর্কিত একটি ওভারভিউ প্রথম সম্পন্ন করা হয়। এরপর সবুজ তথ্য ও যোগাযোগ প্রযুক্তি (আইসিটি) (যেমন, সবুজ রেডিও-ফ্রিকোয়েন্সি সনাক্তকরণ, সবুজ ওয়্যারলেস সেন্সর নেটওয়ার্ক, সবুজ ক্লাউড কম্পিউটিং, সবুজ মেশিন থেকে মেশিন এবং সবুজ ডেটা সেন্টার) সবুজ আইওটি সক্ষম করে এবং সাধারণ সবুজ আইসিটি নীতিগুলি সংক্ষিপ্ত করা হয়। সেন্সর ক্লাউডের সর্বশেষ উন্নয়ন ও ভবিষ্যৎ পরিকল্পনা নিয়ে আলোচনা করা হয়েছে। সবশেষে, ভবিষ্যতের গবেষণা দিকনির্দেশনা এবং সবুজ আইওটি সম্পর্কে উন্মুক্ত সমস্যাগুলি উপস্থাপন করা হয়েছে। আমাদের কাজ হল সবুজ আইওটি এবং স্মার্ট ওয়ার্ল্ডের গবেষণার জন্য একটি আলোকিত এবং সর্বশেষ নির্দেশিকা। |
d7260b8cf64aca3f538080369390490830a1e248 | এই কাগজটি চলমান অ্যাপ্লিকেশনগুলির জন্য কম খরচে কা-ব্যান্ড অ্যারে অ্যান্টেনার জন্য একটি মাল্টিলেয়ার অ্যান্টেনা প্যানেলের প্রধান বৈশিষ্ট্যগুলি বর্ণনা করে। LOCOMO স্যাটকম টার্মিনালটি ট্রান্সমিট/রিসিভ এবং RHCP/LHCP সুইচিং ক্ষমতা সহ একটি ডুয়াল-পোলারাইজড লো-প্রোফাইল অ্যান্টেনার উপর ভিত্তি করে তৈরি। |
ecda3cc93064bb274eecd94d06b47945bb672ca4 | আমরা একটি ইলেকট্রনিক-স্টেরিবল হলোগ্রাফিক অ্যান্টেনার জন্য একটি নকশা উপস্থাপন করি যা Ku-band, ইলেকট্রনিকভাবে-স্টেরিবল, সারফেস-ওয়েভ ওয়েভগাইড (SWG) কৃত্রিম-প্রতিরোধ-পৃষ্ঠ অ্যান্টেনা (AISA) এর একটি রেডিয়াল অ্যারে দিয়ে গঠিত। এন্টেনটি একটি কেন্দ্রীয় ফিড নেটওয়ার্কের মাধ্যমে প্রতিটি এসডব্লিউজিতে পৃষ্ঠের তরঙ্গ প্রেরণ করে কাজ করে। ভ্যারাক্টর-টিউন করা ইমপিড্যান্স প্যাচগুলির সাহায্যে সারফেস-ওয়েভ ইমপিড্যান্সকে ইলেকট্রনিকভাবে নিয়ন্ত্রিত করা হয়। উচ্চতা, অজিমথ এবং পোলারাইজেশনে অ্যান্টেনা স্ক্যান করার জন্য প্রতিবন্ধকতা সামঞ্জস্য করা হয়। রেডিয়াল সিম্যাট্রি 360° অজিমুতাল স্টিয়ারিংয়ের অনুমতি দেয়। যদি এটি পূর্বে প্রদর্শিত SWG AISAs দিয়ে নির্মিত হয়, তবে এটি -75 ° থেকে 75 ° পর্যন্ত উচ্চতায় স্ক্যান করতে সক্ষম হবে 3 ডিবি এরও কম লাভের পরিবর্তনের সাথে। এই পোলারাইজেশনটি ভি-পোল, এইচ-পোল, এলএইচসিপি এবং আরএইচসিপি এর মধ্যে ইচ্ছামত পরিবর্তন করা যায়। |
31632b27bc8a31b1fbb7867656b8e3ca840376e0 | ডেটাসেটগুলি বৃদ্ধি পাচ্ছে এবং বিশ্লেষণাত্মক অ্যালগরিদমগুলি আরও জটিল হয়ে উঠছে, বিশ্লেষকরা একটি বিশ্লেষণাত্মক চালু করার, এটি সম্পূর্ণ হওয়ার জন্য অপেক্ষা করার, ফলাফলগুলি পরিদর্শন করার এবং তারপরে সমন্বিত পরামিতিগুলির সাথে গণনাটি পুনরায় চালু করার সাধারণ ওয়ার্কফ্লো অনেক বাস্তব-বিশ্বের কাজের জন্য বাস্তবসম্মত নয়। এই কাগজটি একটি বিকল্প ওয়ার্কফ্লো, প্রগতিশীল ভিজ্যুয়াল অ্যানালিটিক্স উপস্থাপন করে, যা বিশ্লেষককে একটি অ্যালগরিদমের আংশিক ফলাফলগুলি পরীক্ষা করতে সক্ষম করে এবং আগ্রহের উপ-অবস্থানগুলিকে অগ্রাধিকার দেওয়ার জন্য অ্যালগরিদমের সাথে ইন্টারঅ্যাক্ট করে। প্রগতিশীল ভিজ্যুয়াল অ্যানালিটিক্স বিশ্লেষণাত্মক অ্যালগরিদমগুলিকে অর্থপূর্ণ আংশিক ফলাফল উত্পাদন করতে এবং কম্পিউটেশনাল গতির ত্যাগ না করে বিশ্লেষক হস্তক্ষেপকে সক্ষম করে। এই প্যারাডাইমটি বিশ্লেষকদের চাপে না ফেলে এবং বিশ্লেষণকে পরিচালনা করার জন্য বিশ্লেষককে সমর্থন করার জন্য মিথস্ক্রিয়া সরবরাহ না করে ক্রমাগত পরিমার্জন ফলাফলগুলি অন্তর্ভুক্ত করার জন্য তথ্য ভিজ্যুয়ালাইজেশন কৌশলগুলিকে অভিযোজিত করার উপর নির্ভর করে। এই গবেষণাপত্রের অবদানগুলির মধ্যে রয়েছেঃ প্রগতিশীল ভিজ্যুয়াল অ্যানালিটিক্স প্যারাডাইমটির একটি বিবরণ; প্রগতিশীল ভিজ্যুয়াল অ্যানালিটিক্স সিস্টেমে অ্যালগরিদম এবং ভিজ্যুয়ালাইজেশন উভয়ের জন্য ডিজাইন লক্ষ্য; ইভেন্ট সিকোয়েন্সের একটি সংগ্রহে সাধারণ নিদর্শন বিশ্লেষণের জন্য একটি উদাহরণ প্রগতিশীল ভিজ্যুয়াল অ্যানালিটিক্স সিস্টেম (প্রগতিশীল অন্তর্দৃষ্টি) এবং ক্লিনিকাল গবেষকরা বৈদ্যুতিন মেডিকেল রেকর্ড বিশ্লেষণ করে প্রগতিশীল অন্তর্দৃষ্টি এবং প্রগতিশীল ভিজ্যুয়াল অ্যানালিটিক্স প্যারাডাইমটির একটি মূল্যায়ন। |
0d57d7cba347c6b8929a04f7391a25398ded096c | আমরা পুনরাবৃত্ত নিউরাল নেটওয়ার্ক (আরএনএন) সংক্ষেপণের সমস্যা নিয়ে গবেষণা করছি। বিশেষ করে, আমরা আরএনএন অ্যাকোস্টিক মডেলের কম্প্রেশনের উপর ফোকাস করি, যা কম্প্যাক্ট এবং সঠিক বক্তৃতা স্বীকৃতি সিস্টেম নির্মাণের লক্ষ্য দ্বারা অনুপ্রাণিত হয় যা মোবাইল ডিভাইসে দক্ষতার সাথে চালানো যেতে পারে। এই কাজের মধ্যে, আমরা সাধারণ পুনরাবৃত্তিমূলক মডেল কম্প্রেশন জন্য একটি কৌশল উপস্থাপন যে যৌথভাবে উভয় পুনরাবৃত্তিমূলক এবং অ পুনরাবৃত্তিমূলক ইন্টার-স্তর ওজন ম্যাট্রিক্স compresses। আমরা দেখতে পাচ্ছি যে প্রস্তাবিত কৌশলটি আমাদের দীর্ঘ স্বল্পমেয়াদী মেমরি (এলএসটিএম) শাব্দ মডেলের আকারকে তার মূল আকারের এক তৃতীয়াংশে হ্রাস করতে দেয় যা সঠিকতার ক্ষেত্রে অবহেলিত ক্ষতি করে। |
779cbb350c11a5b24a8a17114cff0c26fe3747e6 | আমরা একটি বিশ্লেষক উপস্থাপন করছি যা বিমূর্ত অর্থ উপস্থাপনা (এএমআর) এর জন্য। আমরা স্ট্রিং-টু-ট্রি, সিনট্যাক্স-ভিত্তিক মেশিন ট্রান্সলেশন (এসবিএমটি) এর কাঠামোর মধ্যে ইংরেজি থেকে এএমআর রূপান্তর নিয়ে আলোচনা করব। এই কাজটি করার জন্য, আমরা এএমআর কাঠামোকে এসবিএমটি-র যান্ত্রিকতার জন্য উপযুক্ত এবং মডেলিংয়ের জন্য উপযোগী একটি ফর্মের মধ্যে রূপান্তর করি। আমরা এএমআর-নির্দিষ্ট একটি ভাষা মডেল প্রবর্তন করি এবং শব্দার্থিক সম্পদ থেকে নেওয়া তথ্য এবং বৈশিষ্ট্য যোগ করি। আমাদের এএমআর পার্সারটি অত্যাধুনিক ফলাফলের তুলনায় অনেক উন্নত। |
40f6207b722c739c04ba5a41f7b22d472aeb08ec | আমরা ফাস্ট ফুডের প্রথম ভিজ্যুয়াল ডেটাসেট উপস্থাপন করছি যার মধ্যে মোট ৪,৫৪৫টি স্ট্যাটিক ইমেজ, ৬০৬টি স্টেরিও জোড়া, ৩০৩টি ৩৬০ ডিগ্রি ভিডিও যা গতি থেকে গঠন করে এবং ২৭টি স্বেচ্ছাসেবীদের খাবার খাওয়ার ভিডিও যা গোপনীয়তা রক্ষা করে। এই কাজটি খাদ্যের মূল্যায়নের জন্য ফাস্ট ফুডের স্বীকৃতি নিয়ে গবেষণা দ্বারা অনুপ্রাণিত হয়েছিল। ১১টি জনপ্রিয় ফাস্ট ফুড চেইন থেকে ১০১টি খাবারের তিনটি উদাহরণ সংগ্রহ করে এবং রেস্টুরেন্টের পরিস্থিতি এবং নিয়ন্ত্রিত ল্যাব সেটিং উভয় ক্ষেত্রেই ছবি এবং ভিডিও ক্যাপচার করে তথ্য সংগ্রহ করা হয়েছে। আমরা ডাটা সেটকে দুইটি স্ট্যান্ডার্ড পদ্ধতির মাধ্যমে বেঞ্চমার্ক করি, রঙের হিস্টোগ্রাম এবং সিফট বৈশিষ্ট্যগুলির ব্যাগ একটি বৈষম্যমূলক শ্রেণীবিভাগের সাথে মিলিত। আমাদের ডেটা সেট এবং মানদণ্ডগুলি এই ক্ষেত্রে গবেষণাকে উৎসাহিত করার জন্য ডিজাইন করা হয়েছে এবং গবেষণা সম্প্রদায়ের জন্য অবাধে প্রকাশ করা হবে। |
54dd77bd7b904a6a69609c9f3af11b42f654ab5d | |
62f9c50666152cca170619bab5f2b4da17bc15e1 | এই গবেষণাপত্রে আমরা রিপোর্ট করছি যে, ডিপ কনভলুশনাল নিউরাল নেটওয়ার্ক থেকে প্রাপ্ত এই বৈশিষ্ট্যটি খাদ্যের স্বীকৃতির নির্ভুলতাকে ব্যাপকভাবে বৃদ্ধি করে, কারণ এটি প্রচলিত হস্তনির্মিত চিত্র বৈশিষ্ট্য, হোগ এবং রঙিন প্যাচ সহ ফিসার ভেক্টরগুলির সাথে একীভূত হয়। পরীক্ষায় আমরা ১০০ শ্রেণীর খাদ্য ডেটাসেটের জন্য ৭২.২৬% সঠিকতা অর্জন করেছি এবং ৯২.০০% সঠিকতা অর্জন করেছি। যা এ পর্যন্ত এই ডেটাসেটের শ্রেষ্ঠ শ্রেণীবিভাগের সঠিকতা ৫৯.৬% অতিক্রম করে। |
46319a2732e38172d17a3a2f0bb218729a76e4ec | এই কাজের মধ্যে, ছোট এবং সহজ রাষ্ট্র-পরিবর্তন সেন্সরগুলির একটি সেট ব্যবহার করে হোম সেটিংয়ে ক্রিয়াকলাপগুলি স্বীকৃতি দেওয়ার জন্য একটি সিস্টেম চালু করা হয়েছে। সেন্সরগুলো টেপ অন অ্যান্ড ফরগল ডিভাইস হিসেবে ডিজাইন করা হয়েছে, যা দ্রুত এবং সর্বত্রই গৃহস্থালীতে ইনস্টল করা যায়। প্রস্তাবিত সেন্সর সিস্টেমটি সেন্সরগুলির বিকল্প উপস্থাপন করে যা কখনও কখনও আক্রমণাত্মক হিসাবে বিবেচিত হয়, যেমন ক্যামেরা এবং মাইক্রোফোন। পূর্ববর্তী কাজের বিপরীতে, এই সিস্টেমটি গবেষক-অ-অবসায়ীদের সাথে একাধিক আবাসিক পরিবেশে স্থাপন করা হয়েছে। একটি ছোট ডেটাসেটের প্রাথমিক ফলাফলগুলি দেখায় যে এটি ব্যবহার করা মূল্যায়ন মানদণ্ডের উপর নির্ভর করে 25% থেকে 89% পর্যন্ত সনাক্তকরণের নির্ভুলতার সাথে টয়লেট, স্নান এবং গ্রুমিংয়ের মতো চিকিত্সা পেশাদারদের আগ্রহের ক্রিয়াকলাপগুলি সনাক্ত করা সম্ভব। |
56cf75f8e34284a9f022e9c49d330d3fc3d18862 | ব্যাকরণগত ত্রুটি সংশোধন (GEC) হল লিখিত পাঠ্যের ব্যাকরণগত ত্রুটিগুলি স্বয়ংক্রিয়ভাবে সংশোধন করার কাজ। ব্যাকরণগত ত্রুটি সংশোধন করার পূর্ববর্তী প্রচেষ্টা নিয়ম-ভিত্তিক এবং শ্রেণিবদ্ধকরণ পদ্ধতির সাথে জড়িত যা একটি বাক্যে কেবলমাত্র নির্দিষ্ট ধরণের ত্রুটিগুলি সংশোধন করতে সীমাবদ্ধ। যেহেতু বাক্যে বিভিন্ন ধরণের একাধিক ত্রুটি থাকতে পারে, তাই একটি ব্যবহারিক ত্রুটি সংশোধন সিস্টেম সমস্ত ত্রুটি সনাক্ত এবং সংশোধন করতে সক্ষম হওয়া উচিত। এই প্রতিবেদনে আমরা ভুল থেকে সঠিক ইংরেজিতে অনুবাদ করার কাজ হিসেবে জিইসির বিষয়ে গবেষণা করেছি এবং সকল ধরনের ত্রুটির জন্য এন্ড-টু-এন্ড জিইসি সিস্টেম তৈরির জন্য কিছু মেশিন অনুবাদ পদ্ধতির কথা তুলে ধরেছি। আমরা জিইসি-তে পরিসংখ্যানগত মেশিন অনুবাদ (এসএমটি) এবং নিউরাল মেশিন অনুবাদ (এনএমটি) পদ্ধতি প্রয়োগ করি এবং দেখি যে তারা পৃথক ত্রুটিগুলিতে ফোকাস করা পূর্ববর্তী পদ্ধতিগুলির তুলনায় যখন একটি বাক্যে বিভিন্ন ধরণের একাধিক ত্রুটি সংশোধন করতে পারে। আমরা মেশিন অনুবাদ পদ্ধতির কিছু দুর্বলতা নিয়েও আলোচনা করব। পরিশেষে, আমরা মেশিন অনুবাদ ব্যবস্থার দ্বারা উত্পন্ন অনুমানগুলিকে পুনরায় র্যাঙ্ক করার জন্য একটি প্রার্থী পুনরায় র্যাঙ্কিং কৌশল নিয়েও পরীক্ষা-নিরীক্ষা করি। রিগ্রেশন মডেলের সাহায্যে আমরা প্রতিটি প্রার্থী অনুমানের জন্য ব্যাকরণগত স্কোরের পূর্বাভাস দেওয়ার চেষ্টা করি এবং স্কোর অনুযায়ী তাদের পুনরায় র্যাঙ্ক করি। |
2e60c997eef6a37a8af87659798817d3eae2aa36 | হ্যামিল্টনিয়ান মন্টে কার্লো (এইচএমসি) নমুনা পদ্ধতিগুলি মেট্রোপলিস-হ্যাস্টিংসের কাঠামোর মধ্যে উচ্চ গ্রহণযোগ্যতার সম্ভাবনার সাথে দূরবর্তী প্রস্তাবগুলি সংজ্ঞায়িত করার জন্য একটি প্রক্রিয়া সরবরাহ করে, যা স্ট্যান্ডার্ড র্যান্ডম-ওয়াক প্রস্তাবগুলির চেয়ে রাষ্ট্রীয় স্থানটির আরও দক্ষ অনুসন্ধানকে সক্ষম করে। সাম্প্রতিক বছরগুলোতে এই ধরনের পদ্ধতির জনপ্রিয়তা উল্লেখযোগ্যভাবে বেড়েছে। তবে, এইচএমসি পদ্ধতির একটি সীমাবদ্ধতা হ ল হ্যামিল্টনীয় গতিশীল সিস্টেমের সিমুলেশন জন্য প্রয়োজনীয় গ্রেডিয়েন্ট গণনা - এই জাতীয় গণনা একটি বড় নমুনা আকার বা স্ট্রিমিং ডেটা জড়িত সমস্যার ক্ষেত্রে অসম্ভব। পরিবর্তে, আমাদের একটি গোলমাল গ্রেডিয়েন্ট অনুমানের উপর নির্ভর করতে হবে যা ডেটার একটি উপসেট থেকে গণনা করা হয়। এই গবেষণাপত্রে আমরা এই ধরনের স্টোক্যাস্টিক গ্রেডিয়েন্ট এইচএমসি পদ্ধতির বৈশিষ্ট্যগুলি অন্বেষণ করি। আশ্চর্যজনকভাবে, স্টোক্যাস্টিক আনুমানিক প্রয়োগের প্রাকৃতিক বাস্তবায়নটি নির্বিচারে খারাপ হতে পারে। এই সমস্যা সমাধানের জন্য আমরা একটি বৈকল্পিক প্রবর্তন করি যা দ্বিতীয়-অর্ডার ল্যাঙ্গভিন গতিবিদ্যা ব্যবহার করে একটি ঘর্ষণ পদ যা গোলমাল গ্রেডিয়েন্টের প্রভাবগুলিকে প্রতিহত করে, যা কাঙ্ক্ষিত লক্ষ্য বন্টনকে ইনভ্যারিয়েন্ট বন্টন হিসাবে বজায় রাখে। সিমুলেশন ডেটা আমাদের তত্ত্বকে প্রমাণ করে। আমরা আমাদের পদ্ধতির একটি অ্যাপ্লিকেশন প্রদান একটি শ্রেণীবিভাগ কাজ ব্যবহার করে নিউরাল নেটওয়ার্ক এবং অনলাইন Bayesian ম্যাট্রিক্স factorization. |
d257ba76407a13bbfddef211a5e3eb00409dc7b6 | ক্রমবর্ধমান পরিমাণে উপলব্ধ তথ্য এবং এর বিতরণ এবং বৈষম্যমূলক প্রকৃতির ডেটা মাইনিংয়ের ক্ষেত্রে একটি বড় প্রভাব রয়েছে। এই গবেষণাপত্রে, আমরা সমান্তরাল এবং বিতরণীয় বুস্টিং অ্যালগরিদমের জন্য একটি কাঠামো প্রস্তাব করছি যা দক্ষতার সাথে বিশেষ শ্রেণিবদ্ধকরণকারীদের সমন্বয় করার উদ্দেশ্যে তৈরি করা হয়েছে যা খুব বড়, বিতরণ করা এবং সম্ভবত বৈষম্যপূর্ণ ডাটাবেসগুলিতে শিখেছে যা মূল কম্পিউটারের মেমরিতে ফিট করতে পারে না। বুস্টিং অত্যন্ত নির্ভুল শ্রেণীবিভাগকারী সমষ্টি নির্মাণের জন্য একটি জনপ্রিয় কৌশল, যেখানে শ্রেণীবিভাগকারীরা সিরিয়ালি প্রশিক্ষিত হয়, পূর্ববর্তী শ্রেণীবিভাগকারীদের কর্মক্ষমতা অনুযায়ী প্রশিক্ষণ দৃষ্টান্তের উপর ওজনগুলি অভিযোজিতভাবে সেট করা হয়। আমাদের সমান্তরাল বুস্টিং অ্যালগরিদমটি একটি ছোট সংখ্যক প্রসেসর সহ দৃঢ়ভাবে সংযুক্ত শেয়ার্ড মেমরি সিস্টেমের জন্য ডিজাইন করা হয়েছে, যার লক্ষ্য একক প্রসেসরকে বুস্টিংয়ের চেয়ে কম পুনরাবৃত্তিতে সর্বাধিক পূর্বাভাস নির্ভুলতা অর্জন করা। সমস্ত প্রসেসর প্রতিটি বুস্টিং রাউন্ডে সমান্তরালভাবে শ্রেণিবদ্ধকরণ শিখার পরে, তাদের ভবিষ্যদ্বাণীর আস্থা অনুযায়ী তাদের একত্রিত করা হয়। আমাদের বিতরণকৃত বুস্টিং অ্যালগরিদমটি মূলত বিভিন্ন বিচ্ছিন্ন ডেটা সাইট থেকে শেখার জন্য প্রস্তাবিত যখন ডেটা একত্রিত করা যায় না, যদিও এটি সমান্তরাল শেখার জন্যও ব্যবহার করা যেতে পারে যেখানে একটি বিশাল ডেটা সেটকে আরও দক্ষ বিশ্লেষণের জন্য বেশ কয়েকটি বিচ্ছিন্ন উপসেটে বিভক্ত করা হয়। প্রতিটি বুস্টিং রাউন্ডে, প্রস্তাবিত পদ্ধতিটি সমস্ত সাইট থেকে শ্রেণিবদ্ধকরণগুলিকে একত্রিত করে এবং প্রতিটি সাইটে একটি শ্রেণিবদ্ধকরণ সংকলন তৈরি করে। চূড়ান্ত শ্রেণীবিভাগটি বিচ্ছিন্ন ডেটা সেটগুলিতে নির্মিত সমস্ত শ্রেণীবিভাগের সমন্বয় হিসাবে নির্মিত হয়। বেশ কয়েকটি ডেটা সেটের উপর প্রয়োগ করা নতুন প্রস্তাবিত পদ্ধতিগুলি দেখিয়েছে যে সমান্তরাল বর্ধন স্ট্যান্ডার্ড ক্রমাগত বর্ধনের তুলনায় একই বা এমনকি আরও ভাল পূর্বাভাস নির্ভুলতা অর্জন করতে পারে। পরীক্ষার ফলাফল থেকে আরও জানা যায় যে, বন্টনকৃত বর্ধিতকরণে স্ট্যান্ডার্ড বর্ধিতকরণের তুলনায় তুলনামূলক বা সামান্য উন্নত শ্রেণীবিভাগের নির্ভুলতা রয়েছে, যখন এটির জন্য অনেক কম মেমরি এবং গণনা সময় প্রয়োজন কারণ এটি ছোট ডেটা সেট ব্যবহার করে। |
6b7f27cff688d5305c65fbd90ae18f3c6190f762 | জেনারেটিভ অ্যাডভার্সারিয়াল নেট (জিএএন) এবং ভেরিয়েশনাল অটো-এনকোডার (ভিএই) গাউসিয়ান হোয়াইট নয়েজ থেকে চিত্তাকর্ষক চিত্র প্রজন্ম সরবরাহ করে, তবে অন্তর্নিহিত গণিতটি ভালভাবে বোঝা যায় না। আমরা একটি নির্দিষ্ট এম্বেডিং অপারেটরকে বিপরীত করে গভীর কনভোলুশনাল নেটওয়ার্ক জেনারেটর গণনা করি। সুতরাং, তাদের ডিসক্রিমিনেটর বা এনকোডার দিয়ে অপ্টিমাইজ করার প্রয়োজন নেই। এমবেডিংটি লিপশিটজ ক্রমাগত বিকৃতিতে থাকে যাতে জেনারেটরগুলি ইনপুট সাদা গোলমাল ভেক্টরগুলির মধ্যে রৈখিক অন্তর্ভুক্তিগুলিকে আউটপুট চিত্রগুলির মধ্যে বিকৃতিতে রূপান্তর করে। এই এম্বেডিং একটি ওয়েভলেট বিক্ষিপ্ত রূপান্তর দিয়ে গণনা করা হয়। সংখ্যাসূচক পরীক্ষাগুলি দেখায় যে ফলস্বরূপ ছড়িয়ে পড়া জেনারেটরগুলির একটি বৈষম্যমূলক নেটওয়ার্ক বা এনকোডার না শিখে GAN বা VAE এর মতো একই বৈশিষ্ট্য রয়েছে। |
44df79541fa068c54cafd50357ab78d626170365 | আর্কিটেকচার সম্পূর্ণ রোবোটিক সিস্টেমের মেরুদণ্ড গঠন করে। সঠিক আর্কিটেকচার নির্বাচন রোবোটিক সিস্টেমগুলির স্পেসিফিকেশন, বাস্তবায়ন এবং বৈধতা সহজতর করার ক্ষেত্রে অনেক দূর যেতে পারে। [২৬ পৃষ্ঠার চিত্র] আমরা রোবোটিক সিস্টেমের কিছু চাহিদা উপস্থাপন করি, রোবট আর্কিটেকচারের কিছু সাধারণ শ্রেণীর বর্ণনা করি এবং আলোচনা করি যে বিভিন্ন স্থাপত্য শৈলী কীভাবে এই চাহিদাগুলি মোকাবেলায় সহায়তা করতে পারে। এই গবেষণাপত্রটি, এই ক্ষেত্রের মতোই, কিছুটা প্রাথমিক, তবুও আশা করা যায় যে এটি রোবট আর্কিটেকচার ব্যবহার বা বিকাশকারীদের জন্য নির্দেশিকা প্রদান করবে। |
5426559cc4d668ee105ec0894b77493e91c5c4d3 | |
ceb709d8be647b7fa089a63d0ba9d82b2eede1f4 | সাবস্ট্রেট ইন্টিগ্রেটেড ওয়েভগাইড (এসআইডব্লিউ) কিছু ধরণের সমতল অ্যান্টেনা নির্মাণের অনুমতি দেয় যা সাবস্ট্রেটে প্রচলিতভাবে সংহত করা যায় না। তবে, কিছু প্রযুক্তিগত সীমাবদ্ধতার কারণে, ডিজাইন করা এসআইডব্লিউ হর্ন অ্যান্টেনা সাধারণত ১০ গিগাহার্টজের উপরে ফ্রিকোয়েন্সিতে কাজ করে। এই কাগজটি 6.8GHz নিম্ন-প্রোফাইল এইচ-প্লেন শিং অ্যান্টেনা প্রস্তাব করে যা রিজড এসআইডাব্লু ভিত্তিক, যা λ0/10 এর চেয়ে পাতলা সাবস্ট্রেটগুলিকে অনুমতি দেয়। প্রস্তাবিত অ্যান্টেনার ভাল পারফরম্যান্স প্রকাশ করার জন্য দূর ক্ষেত্রের বিকিরণ প্যাটার্নগুলি রিপোর্ট করা হয়েছে। বিভিন্ন সংখ্যক ক্রমযুক্ত সিআইডব্লিউ হর্ন অ্যান্টেনার তুলনাও করা হয় যাতে মিলিত উন্নতিগুলি দেখানো যায়। |
a70e0ae7407d6ba9f2bf576dde69a0e109114af0 | |
0f060ec52c0f7ea2dde6b23921a766e7b8bf4822 | উদ্ভাবন এবং কৌশলগত ব্যবস্থাপনা গবেষণার ক্ষেত্রে গবেষকরা প্রায় ৩০ বছর বা তার বেশি সময় ধরে এই বিষয় নিয়ে উদ্বিগ্ন। তারা যথাযথতা গবেষণা এবং ক্রমাগত বিকশিত উপর দৃষ্টি নিবদ্ধ করা। এই গবেষণাপত্রে আমরা ওয়েব অব সায়েন্স কোর কালেকশন ডাটাবেস থেকে প্রযোজ্যতা অধ্যয়নের ৩০ বছরের (1986-2016) সাহিত্যের বিশ্লেষণ করেছি। বিভিন্ন সময়কালের একটি উদ্ধৃত রেফারেন্স ক্লাস্টারিং মানচিত্র এবং শব্দ সহ-প্রদর্শিত মানচিত্রটি গ্রন্থাগারিক বিশ্লেষণ এবং বিষয়বস্তু বিশ্লেষণ ব্যবহার করে তৈরি করা হয়েছে। এর ভিত্তিতে আমরা সংশ্লিষ্ট গবেষণার বিবর্তন, প্রক্রিয়া এবং তাত্ত্বিক স্থাপত্য অধ্যয়ন করি এবং আরও গবেষণা দিকগুলি অন্বেষণ করি। এই ফলাফল থেকে জানা যায় যে, উপযুক্ততা গবেষণার মূল বিষয় হচ্ছে, উন্মুক্ততা এবং ভাগাভাগি, মূল্য সৃষ্টি এবং মূল্য বৃদ্ধির ক্ষেত্রে উপলব্ধি পরিবর্তন। ভবিষ্যতে গবেষণা প্ল্যাটফর্মের শাসন, প্রজন্মগত উপযুক্ততা এবং সমস্যা সমাধানের প্রক্রিয়াগুলির উন্নয়নে উপযুক্ততার ভূমিকার উপর দৃষ্টি নিবদ্ধ করে। |
cd108ed4f69b754cf0a5f3eb74d6c1949ea6674d | চিত্র এবং অডিওতে বিপরীত সমস্যা, এবং বিশেষ করে সুপার-রেজোলিউশন, উচ্চ-মাত্রিক কাঠামোগত পূর্বাভাস সমস্যা হিসাবে দেখা যেতে পারে, যেখানে লক্ষ্যটি একটি উচ্চ-রেজোলিউশন আউটপুটের শর্তসাপেক্ষ বন্টনকে তার নিম্ন-রেজোলিউশন দূষিত পর্যবেক্ষণ দেওয়া হয়। যখন স্কেলিং অনুপাত ছোট হয়, তখন পয়েন্ট অনুমানগুলি চিত্তাকর্ষক কর্মক্ষমতা অর্জন করে, কিন্তু শীঘ্রই তারা এই শর্তসাপেক্ষ বন্টনের বহু-মোডালতা ক্যাপচার করতে অক্ষমতার ফলে থিম-রেগ্রেসন সমস্যায় ভুগছে। উচ্চ মাত্রিক চিত্র এবং অডিও বিতরণ মডেলিং একটি কঠিন কাজ, উভয় জটিল জ্যামিতিক কাঠামো এবং টেক্সচারযুক্ত অঞ্চল মডেল করার ক্ষমতা প্রয়োজন। এই গবেষণাপত্রে, আমরা একটি গিবস বন্টনকে শর্তসাপেক্ষ মডেল হিসেবে ব্যবহার করার প্রস্তাব দিচ্ছি, যেখানে এর পর্যাপ্ত পরিসংখ্যান গভীর কনভলুশনাল নিউরাল নেটওয়ার্ক দ্বারা দেওয়া হয়। নেটওয়ার্ক দ্বারা গণনা করা বৈশিষ্ট্যগুলি স্থানীয় বিকৃতিতে স্থিতিশীল এবং ইনপুটটি যখন একটি স্টেশনারি টেক্সচার হয় তখন এর বৈচিত্র্য হ্রাস পায়। এই বৈশিষ্ট্যগুলি বোঝায় যে ফলস্বরূপ পর্যাপ্ত পরিসংখ্যানগুলি হ্রাসকৃত পর্যবেক্ষণগুলি দেওয়া লক্ষ্য সংকেতের অনিশ্চয়তাকে হ্রাস করে, যখন অত্যন্ত তথ্যবহুল হয়। সিএনএন এর ফিল্টারগুলি মাল্টিস্কেল কমপ্লেক্স ওয়েভলেট দ্বারা শুরু করা হয়, এবং তারপর আমরা একটি অ্যালগরিদম প্রস্তাব করি শর্তসাপেক্ষ লগ-সম্ভাবনার গ্রেডিয়েন্ট অনুমান করে তাদের সূক্ষ্ম-টুন করার জন্য, যা জেনারেটিভ অ্যাডভার্সারিয়াল নেটওয়ার্কগুলির সাথে কিছু মিল রয়েছে। আমরা পরীক্ষামূলকভাবে ইমেজ সুপার রেজোলিউশন টাস্কের প্রস্তাবিত পদ্ধতির মূল্যায়ন করি, কিন্তু পদ্ধতিটি সাধারণ এবং অডিও ব্যান্ডউইথ এক্সটেনশনের মতো অন্যান্য চ্যালেঞ্জিং অসুবিধাগুলিতে ব্যবহার করা যেতে পারে। |
18b534c7207a1376fa92e87fe0d2cfb358d98c51 | একটি দৃঢ় বিশ্বাস উঠে আসে যে, উচ্চ কার্যকারিতা সম্পন্ন পিসিএফজি পার্সিংয়ের মূল হাতিয়ার হল শব্দভিত্তিক পিসিএফজি (যেখানে হেডওয়ার্ডগুলি ফ্রেজাল নোডগুলিকে টীকা দেয়) । এই পদ্ধতিটি বক্তৃতা স্বীকৃতিতে শব্দ এন-গ্রাম মডেলের মহান সাফল্যের সাথে সামঞ্জস্যপূর্ণ ছিল এবং লেক্সিকালাইজড ব্যাকরণগুলির বৃহত্তর আগ্রহের পাশাপাশি বিক্ষোভের যে শব্দার্থিক নির্ভরতা ছিল তা প্রমাণিত হয়েছিল পিপি সংযুক্তির মতো দ্ব্যর্থতা সমাধানের মূল সরঞ্জাম (ফোর্ড এবং অন্যান্য, 1982; হিন্ডল এবং রথ, 1993) । পরবর্তী দশকে, পার্স ডিসঅ্যাম্বিগুয়েশন এবং এমনকি ভাষা মডেলিংয়ের ক্ষেত্রে বিভিন্ন লেক্সিকালাইজড পিসিএফজি মডেলগুলি দ্বারা দুর্দান্ত সাফল্য অর্জন করা হয়েছিল (ম্যাজারম্যান, ১৯৯৫; চারনিয়াক, ১৯৯৭; কলিন্স, ১৯৯৯; চারনিয়াক, ২০০০; চারনিয়াক, ২০০১) । তবে, বেশ কয়েকটি ফলাফল এই ধরনের পার্সারগুলিতে শব্দভিত্তিককরণ কতটা বড় ভূমিকা পালন করে তা নিয়ে প্রশ্ন উঠেছে। জনসন (১৯৯৮) দেখিয়েছিলেন যে পেন ট্রিব্যাঙ্কের উপর আনলেক্সিয়ালাইজড পিসিএফজি এর পারফরম্যান্সকে কেবলমাত্র প্রতিটি নোডকে তার মূল বিভাগ দ্বারা টীকা দিয়ে ব্যাপকভাবে উন্নত করা যেতে পারে। পিসিএফজি-র আওতায় পেন ট্রিব্যাঙ্ক বিশ্লেষণের জন্য একটি দুর্বল হাতিয়ার কারণ এটির মধ্যে থাকা প্রসঙ্গ-স্বাধীনতার অনুমানগুলি অনেক বেশি শক্তিশালী এবং এগুলিকে এইভাবে দুর্বল করে মডেলটিকে আরও ভাল করে তোলে। সম্প্রতি, গিল্ডেয়া (২০০১) আলোচনা করেছেন যে কীভাবে ভাল বর্তমানের লেক্সিকেলাইজড পিসিএফজি পার্সার থেকে বাইলেক্সিকেল সম্ভাব্যতা নেওয়া কার্য সম্পাদনকে ক্ষতিগ্রস্থ করে নাঃ প্রশিক্ষণ ডেটা হিসাবে একই ডোমেন থেকে পরীক্ষার পাঠ্যের জন্য সর্বাধিক 0.5% দ্বারা এবং অন্য কোনও ডোমেন থেকে পরীক্ষার পাঠ্যের জন্য নয়। কিন্তু এই দুইটি বিলেক্সিকাল নির্ভরতাই এই ধারণাটিকে সমর্থন করে যে, লেক্সিকেলাইজড পিসিএফজিগুলি খুব সফল হতে পারে, উদাহরণস্বরূপ হিন্ডল এবং রথের পিপিএট্যাচমেন্ট থেকে প্রদর্শিত। আমরা এটিকে পেন ট্রিব্যাঙ্কে পাওয়া লেক্সিকেল নির্ভরতা তথ্যের মৌলিক ক্ষুদ্রতার প্রতিফলন হিসাবে গ্রহণ করি। একজন ভাষাবিদ বলবেন, এক মিলিয়ন শব্দ প্রশিক্ষণ তথ্য যথেষ্ট নয়। এমনকি ট্রিব্যাঙ্ক এর ওয়াল স্ট্রিট জার্নাল টেক্সটের কেন্দ্রীয় বিষয়গুলির জন্য, যেমন স্টক, অনেকগুলি খুব বিশ্বাসযোগ্য নির্ভরতা কেবল একবার ঘটে, উদাহরণস্বরূপ স্টক স্থিতিশীল, অন্যরা যখন অনেকগুলি ঘটে না, উদাহরণস্বরূপ স্টক আকাশচুম্বী হয়। 2 সেরা পারফর্মিং লেক্সিকেলাইজড পিসিএফজিগুলি ক্রমবর্ধমানভাবে উপবিভাগ 3 এর 1 ব্যবহার করেছে। সামান্য পার্থক্য রয়েছে, তবে সমস্ত বর্তমান সেরা পরিচিত লেক্সিকেলাইজড পিসিএফজিগুলি উভয়ই ব্যবহার করেmonolexicalstatistics, যা যুক্তিগুলির বাক্যাংশগত বিভাগগুলি বর্ণনা করে এবং অ্যাডজাস্টগুলি একটি শিরোনাম শিরোনাম আইটেমের চারপাশে উপস্থিত হয়, এবং bilexstatistics, বা নির্ভরতা, যা একটি শিরোনাম শব্দটিকে অন্য কোনও শব্দ দ্বারা শিরোনামযুক্ত একটি নির্ভরশীল শব্দ হিসাবে গ্রহণের সম্ভাবনা বর্ণনা করে। এই পর্যবেক্ষণটি বিভিন্ন শ্রেণী বা অনুরূপতা ভিত্তিক পদ্ধতির বিরলতা মোকাবেলায় প্রেরণা দেয় এবং এটি কাজের একটি প্রতিশ্রুতিশীল পথ হিসাবে রয়ে গেছে, তবে এই ক্ষেত্রে সাফল্য কিছুটা অনিশ্চিত প্রমাণিত হয়েছে এবং যে কোনও ক্ষেত্রে, বর্তমান লেক্সিকালাইজড পিসিএফজিগুলি কেবলমাত্র সঠিক শব্দ ম্যাচগুলি ব্যবহার করে যদি পাওয়া যায় এবং যখন তারা না থাকে তখন সিনট্যাক্টিক বিভাগ-ভিত্তিক অনুমানগুলির সাথে ইন্টারপোল করে। এই নিবন্ধে আমরা শব্দটি ব্যবহার করছি সাবক্যাটাগরিজেশন চোমস্কি (১৯৬৫) এর মূল সাধারণ অর্থে, যেখানে একটি সিনট্যাক্টিক ক্যাটাগরি পেন ট্রিব্যাঙ্কে উপস্থিত হয়। চার্নিয়াক (২০০০) তার পার্সার নোডের প্যারেন্ট্যানোটেশন থেকে যে মূল্য অর্জন করে তা দেখায়, এই তথ্যটি অন্তত আংশিকভাবে লেক্সিকালাইজেশনের থেকে প্রাপ্ত তথ্যের পরিপূরক বলে মনে করে এবং কলিন্স (১৯৯৯) পিসিএফজিকে আচ্ছাদিত নিষ্পাপ পেন ট্রিব্যাঙ্কের ভুল প্রসঙ্গ-স্বাধীনতা অনুমানগুলি ভাঙ্গার জন্য ভাষাগতভাবে অনুপ্রাণিত এবং সাবধানে হাত-প্রকৌশল উপশ্রেণীকরণের একটি পরিসর ব্যবহার করে, যেমন বাক্যাংশ সংশোধনকারী শব্দগুলির সাথে শব্দভাণ্ডার থেকে বেস নাম নাম এনপিগুলিকে আলাদা করা এবং খালি বিষয়গুলির সাথে বাক্যগুলিকে আলাদা করা যেখানে একটি উন্মুক্ত বিষয় এনপি রয়েছে। যদিও তিনি তাদের কার্যকারিতা সম্পর্কে অসম্পূর্ণ পরীক্ষামূলক ফলাফল দিয়েছেন, আমরা ধরে নিতে পারি যে এই বৈশিষ্ট্যগুলি পার্সিংয়ের উপকারী প্রভাবের কারণে অন্তর্ভুক্ত করা হয়েছিল যা লেক্সিকালাইজেশনের পরিপূরক ছিল। এই গবেষণায় আমরা দেখাবো যে, একটি অ-শব্দতালিকাভুক্ত পিসিএফজি দ্বারা যে পার্সিং পারফরম্যান্স অর্জন করা যায় তা আগের তুলনায় অনেক বেশি এবং প্রকৃতপক্ষে, সম্প্রদায়ের জ্ঞানের চেয়ে অনেক বেশি। আমরা কয়েকটি সহজ, ভাষাগতভাবে অনুপ্রাণিত টীকা বর্ণনা করি যা ভ্যানিলা পিসিএফজি এবং অত্যাধুনিক লেক্সিকালাইজড মডেলের মধ্যে ব্যবধানটি কমিয়ে আনার জন্য অনেক কিছু করে। বিশেষ করে, আমরা একটি অন-লক্সিকালাইজড পিসিএফজি তৈরি করি যা ম্যাগারম্যান (১৯৯৫) এবং কলিন্স (১৯৯৬) এর (যদিও সাম্প্রতিক মডেলগুলি যেমন চারনিয়াক (১৯৯৭) বা কলিন্স (১৯৯৯) নয়) এর লক্সিকালাইজড পিসিএফজিগুলির চেয়ে ভাল পারফরম্যান্স করে। এই ফলাফলের একটি সুবিধা হল একটি অ-লিজিক্যালাইজড পিসিএফজি এর ক্ষমতার উপর একটি অনেক শক্তিশালী নিম্ন সীমা। যেহেতু এই ধরনের কোন শক্তিশালী ভিত্তি প্রদান করা হয়নি, তাই সম্প্রদায়টি সম্ভাব্যতা বিশ্লেষণে শব্দভিত্তিককরণের উপকারী প্রভাবকে অত্যধিক মূল্যায়ন করেছে, বরং সমালোচনামূলকভাবে বিবেচনা করার পরিবর্তে যেখানে শব্দভিত্তিক সম্ভাব্যতা উভয়ই সঠিক সিদ্ধান্ত গ্রহণের জন্য প্রয়োজন এবং প্রশিক্ষণ ডেটাতে উপলব্ধ। দ্বিতীয়ত, এই ফলাফলটি বৈশিষ্ট্য আবিষ্কারের জন্য ভাষাগত বিশ্লেষণের মূল্যকে নিশ্চিত করে। ফলাফলের অন্যান্য ব্যবহার এবং সুবিধা রয়েছেঃ একটি unlexicalized PCFG আরো জটিল lexicalized মডেল তুলনায় ব্যাখ্যা, যুক্তি, এবং উন্নত করা সহজ। ব্যাকরণগত উপস্থাপনা অনেক বেশি কম্প্যাক্ট, আর বড় কাঠামোর প্রয়োজন হয় না যা শব্দভান্ডারযুক্ত সম্ভাব্যতা সংরক্ষণ করে। পার্সিং অ্যালগরিদম কম অ্যাসাইম্টোটিক জটিলতা4 এবং অনেক ছোট ব্যাকরণ আছে, যেমন ক্রিয়া বাক্যাংশকে সীমিত এবং অ-সীমিত ক্রিয়া বাক্যাংশে বিভক্ত করা, আধুনিক সীমাবদ্ধ ব্যবহারের চেয়ে যেখানে শব্দটি কেবলমাত্র ভবিষ্যদ্বাণীগুলির সিনট্যাক্স আর্গুমেন্ট ফ্রেমগুলিকে বোঝায়। 4O(n3) বনাম O(n5) একটি সহজবোধ্য বাস্তবায়নের জন্য, অথবা বনাম O(n4) যদি আইসনার এবং সাট্টা (1999 এর স্মার্ট পদ্ধতি ব্যবহার করা হয়। ধ্রুবক। একটি অ-লিজিক্যালাইজড পিসিএফজি পার্সার তৈরি এবং অপ্টিমাইজ করা অনেক সহজ, এতে স্ট্যান্ডার্ড কোড অপ্টিমাইজেশন কৌশল এবং অনুসন্ধান স্পেস প্রুনিংয়ের পদ্ধতির তদন্ত উভয়ই অন্তর্ভুক্ত রয়েছে (কারাবালো এবং চারনিয়াক, 1998; চারনিয়াক এবং অন্যান্য, 1998) । উচ্চ-কার্যকারিতা সম্ভাব্যতা বিশ্লেষণে শব্দভিত্তিক সম্ভাব্যতার ব্যবহারের বিরুদ্ধে যুক্তি দেওয়া আমাদের লক্ষ্য নয়। এটি ব্যাপকভাবে প্রদর্শিত হয়েছে যে শব্দার্থিক নির্ভরতাগুলি বাক্য দ্ব্যর্থতার প্রধান শ্রেণীর সমাধানের জন্য দরকারী, এবং একটি পার্সারকে যেখানে সম্ভব সেখানে এই জাতীয় তথ্য ব্যবহার করা উচিত। আমরা এখানে অ-শব্দগত, গঠনমূলক প্রসঙ্গে ব্যবহারের উপর জোর দিচ্ছি কারণ আমরা মনে করি যে এই তথ্যটি কম ব্যবহার করা হয়েছে এবং কম মূল্যায়ন করা হয়েছে। আমরা এই গবেষণাটিকে অত্যাধুনিক পার্সিংয়ের ভিত্তির একটি অংশ হিসেবেই দেখি, যা শব্দকোষিক এবং কাঠামোগত উভয় শর্তাবলী ব্যবহার করে। 1 পরীক্ষামূলক সেটআপ পূর্ববর্তী কাজের সাথে তুলনা সহজ করার জন্য, আমরা আমাদের মডেলগুলিকে পেন ট্রিব্যাঙ্কের ডাব্লুএসজে বিভাগের 2-21 বিভাগে প্রশিক্ষণ দিয়েছি। আমরা প্রথম ২০টি ফাইল (৩৯৩টি বাক্য) ব্যবহার করেছি। এই সেটটি যথেষ্ট ছোট যে পৃথক ফলাফলগুলিতে লক্ষণীয় বৈচিত্র্য রয়েছে, তবে এটি আংশিকভাবে ম্যানুয়াল পাহাড়-উচ্চায় ডিভাইসটি পুনরায় তৈরি করে ভাল বৈশিষ্ট্যগুলির জন্য দ্রুত অনুসন্ধানের অনুমতি দেয়। ২৩ নম্বর বিভাগের সবগুলোই চূড়ান্ত মডেলের জন্য পরীক্ষার সেট হিসেবে ব্যবহৃত হয়। প্রতিটি মডেলের জন্য, ইনপুট গাছগুলি কিছু উপায়ে টীকাযুক্ত বা রূপান্তরিত হয়েছিল, যেমন জনসন (1998) । রূপান্তরিত গাছের একটি সেট দেওয়া, আমরা স্থানীয় গাছগুলিকে ব্যাকরণ পুনরায় লেখার নিয়ম হিসাবে স্ট্যান্ডার্ড উপায়ে দেখেছি এবং নিয়মের সম্ভাবনার জন্য (অন-স্মোথড) সর্বাধিক-সম্ভাব্যতা অনুমান ব্যবহার করেছি। 5 ব্যাকরণ বিশ্লেষণের জন্য, আমরা একটি সাধারণ অ্যারে-ভিত্তিক জাভা বাস্তবায়ন ব্যবহার করেছি একটি সাধারণ সিকেওয়াই পার্সার, যা আমাদের চূড়ান্ত সেরা মডেলের জন্য, 1 গিগাবাইট মেমরিতে বিভাগ 23 এর সমস্ত বাক্য বিশ্লেষণ করতে সক্ষম হয়েছিল, গড় দৈর্ঘ্যের বাক্যগুলির জন্য প্রায় 3 সেকেন্ড সময় নিয়েছিল। 5অজানা শব্দগুলিকে সামঞ্জস্য করার জন্য ট্যাগিং সম্ভাবনাগুলি মসৃণ করা হয়েছিল। পরিমাণP(taggadgadword) নিম্নরূপ অনুমান করা হয়েছিল: শব্দগুলি মূলধন, প্রত্যয়, সংখ্যা এবং অন্যান্য অক্ষর বৈশিষ্ট্যগুলির উপর ভিত্তি করে কয়েকটি শ্রেণীর মধ্যে একটিতে বিভক্ত করা হয়েছিল। এই শ্রেণীর প্রত্যেকটির জন্য, আমরা P{tags} শব্দশ্রেণীর সর্বোচ্চ সম্ভাব্যতা অনুমান করেছি। এই বন্টনটি একটি পূর্ববর্তী হিসাবে ব্যবহৃত হয়েছিল যার বিরুদ্ধে পর্যবেক্ষণ করা ট্যাগিং s, যদি থাকে তবে নেওয়া হয়েছিল, P ((taggadgadword) = [c ((tag, word) + κ P ((taggadwordclass) ]/[c ((word) +κ] প্রদান করে। এরপর এটিকে বিপরীতভাবে P ((word tag) দেওয়া হয়। এই ট্যাগিং মডেলের গুণমান সমস্ত সংখ্যার উপর প্রভাব ফেলে; উদাহরণস্বরূপ কাঁচা ট্রিব্যাঙ্ক ব্যাকরণে ডিভসেট F 1 এর সাথে 72.62 এবং এটি ছাড়া 72.09। 6এই পার্সারটি ওপেন সোর্স হিসেবে ডাউনলোডের জন্য উপলব্ধ http://nlp.stanford.edu/downloads/lex-parser.shtml আমরা দেখিয়েছি যে একটি অ-শব্দতত্ত্ববিহীন পিসিএফজি আগের তুলনায় অনেক বেশি নির্ভুলভাবে পার্স করতে পারে, সহজ, ভাষাগতভাবে অনুপ্রাণিত রাষ্ট্র বিভাজন ব্যবহার করে, যা ভ্যানিলা ট্রিব্যাঙ্ক ব্যাকরণে লুকানো মিথ্যা স্বাধীনতার অনুমানগুলি ভেঙে দেয়। প্রকৃতপক্ষে, এর 86.36% (এলপি/এলআর এফ 1) পারফরম্যান্স প্রাথমিকভাবে পাঠ্যকৃত পিসিএফজি মডেলের চেয়ে ভাল এবং বর্তমান প্রযুক্তির সাথে অবাক করে দেওয়ার মতোভাবে কাছাকাছি। এই ফলাফলের সম্ভাব্য ব্যবহারগুলি অ-লিজিক্যালাইজড মডেলগুলির সর্বাধিক সম্ভাব্য নির্ভুলতার উপর একটি শক্তিশালী নিম্ন সীমানা প্রতিষ্ঠার বাইরে রয়েছেঃ একটি অ-লিজিক্যালাইজড পিসিএফজি আরও জটিল শব্দার্থিক মডেলগুলির চেয়ে অনেক বেশি কমপ্যাক্ট, প্রতিলিপি করা সহজ এবং ব্যাখ্যা করা সহজ, এবং পার্সিং অ্যালগরিদমগুলি সহজ, আরও ব্যাপকভাবে বোঝা যায়, কম অ্যাসাইমপ্টোটিক জটিলতা এবং আরও সহজ অপ্টিমাইজ করা। ১৯৯০ এর দশকের গোড়ার দিকে, সম্ভাব্যতাবাদী পদ্ধতিগুলি এনএলপিকে ছড়িয়ে দিয়েছিল, পার্সিংয়ের কাজটি সম্ভাব্যতাবাদী প্রসঙ্গ-মুক্ত ব্যাকরণ (পিসিএফজি) (বুথ এবং থম্পসন, ১৯৭৩; বেকার, ১৯৭৯) এর তদন্তকে পুনরুজ্জীবিত করেছিল। তবে, পার্স ডিসঅ্যাম্বিগুয়েশন এবং ভাষা মডেলিংয়ের জন্য পিসিএফজিগুলির উপযোগিতা সম্পর্কে প্রাথমিক ফলাফলগুলি কিছুটা হতাশাব্যঞ্জক ছিল। |
0aac231f1f73bfaabb89ec8b7fdd47dcb288e237 | আমরা একটি নতুন নিয়মীয়াকৃত অফ-পলিসি কনভার্জেন্ট টিডি-লার্নিং পদ্ধতি (RO-TD নামে পরিচিত) উপস্থাপন করি, যা কম কম্পিউটেশনাল জটিলতার সাথে মান ফাংশনগুলির বিরল উপস্থাপনাগুলি শিখতে সক্ষম। ROTD এর অন্তর্নিহিত অ্যালগরিদমিক কাঠামো দুটি মূল ধারণাকে একত্রিত করেঃ অফ-পলিসি কনভার্জেন্ট গ্রেডিয়েন্ট টিডি পদ্ধতি, যেমন টিডিসি, এবং একটি কনভেক্স-কনভেক্স স্যাডল-পয়েন্ট ফর্মুলেশন অ-সমস্যা কনভেক্স অপ্টিমাইজেশন, যা প্রথম-অর্ডার সমাধানকারী এবং অনলাইন কনভেক্স নিয়ন্ত্রক ব্যবহার করে বৈশিষ্ট্য নির্বাচন সক্ষম করে। এই বইয়ে RO-TD এর একটি বিস্তারিত তাত্ত্বিক ও পরীক্ষামূলক বিশ্লেষণ দেওয়া হয়েছে। বিভিন্ন ধরনের পরীক্ষা-নিরীক্ষা উপস্থাপন করা হয়েছে যাতে নীতিমালা ছাড়াই ঘনিষ্ঠতা, বিচ্ছিন্ন বৈশিষ্ট্য নির্বাচন ক্ষমতা এবং RO-TD অ্যালগরিদমের কম কম্পিউটেশনাল খরচ চিত্রিত করা যায়। |
33fa11ba676f317b73f963ade7226762b4f3f9c2 | |
08f410a5d6b2770e4630e3f90fb6f3e6b5bfc285 | এই নিবন্ধে আমরা আরবি ভাষার পাঠ্য উপস্থাপনা এবং শ্রেণীবিভাগ পদ্ধতির বর্তমান অবস্থা সম্পর্কে সংক্ষিপ্তভাবে উপস্থাপন করেছি। প্রথমে আমরা আরবি ভাষার পাঠ্যকে শ্রেণীবদ্ধ করার জন্য ব্যবহৃত কিছু অ্যালগরিদমের বর্ণনা দিচ্ছি। দ্বিতীয়ত, আমরা আরবি পাঠ্যের উপর প্রয়োগ করা শ্রেণীবিভাগের অ্যালগরিদমগুলির তুলনা করার সময় সমস্ত প্রধান কাজগুলি উদ্ধৃত করি, এর পরে, আমরা এমন কিছু লেখক উল্লেখ করি যারা নতুন শ্রেণীবিভাগের পদ্ধতি প্রস্তাব করে এবং অবশেষে আমরা আরবি টিসিতে প্রাক প্রক্রিয়াকরণের প্রভাব তদন্ত করি। |
6ef78fdb3c54a847d665d006cf812d69326e70ed | এই কাগজটি নন-ইনভার্টিং বক-বুস্ট কনভার্টারকে কেন্দ্র করে যা বক বা বুস্ট কনভার্টার হিসাবে পরিচালিত হয়। এটা দেখানো হয়েছে যে, বক/বুস্ট মোড ট্রানজিশনের আশেপাশে একটি পালস-উচ্চতা মডুলেশন (পিডব্লিউএম) বিচ্ছিন্নতা আউটপুট ভোল্টেজ রিপলে যথেষ্ট বৃদ্ধি হতে পারে। পিডব্লিউএম অ-রেখিকতার প্রভাবটি পর্যায়ক্রমিক স্থির অবস্থা বিশ্লেষণ ব্যবহার করে ডিজাইন পরামিতিগুলির ক্ষেত্রে সবচেয়ে খারাপ ক্ষেত্রে তরঙ্গ ভোল্টেজকে পরিমাণগতভাবে অধ্যয়ন করা হয়। উপরন্তু, একটি দ্বি-বিভাজন বিশ্লেষণ দেখায় যে পিডব্লিউএম বিচ্ছিন্নতা বিশৃঙ্খলার দিকে প্রায়-কালিক পথের দিকে পরিচালিত করে, যার ফলে বাক / বুস্ট মোডের রূপান্তরের আশেপাশে অনিয়মিত অপারেশন হয়। যখন কনভার্টারটি একটি RF পাওয়ার এম্প্লিফায়ারের জন্য পাওয়ার সাপ্লাই হিসাবে ব্যবহৃত হয়, যেমনটি WCDMA হ্যান্ডসেটগুলির ক্ষেত্রে হয় তখন বর্ধিত রিপল একটি খুব গুরুত্বপূর্ণ সমস্যা। একটি পরীক্ষামূলক প্রোটোটাইপ প্রদর্শিত হিসাবে, হ্রাস দক্ষতার খরচে, হ্রাস আউটপুট ভোল্টেজ ripple ফলে যে discontinuity অপসারণ করার একটি পদ্ধতির প্রস্তাব করা হয়। |
4f22dc9084ce1b99bf171502174a992e502e32e1 | |
c7bd6ff231f5ca6051ebfe9fac1ecf209868bff6 | সেগমেন্ট অ্যাক্সিলারেশন এবং কোণীয় বেগ তথ্য থেকে হাঁটু জয়েন্ট flexion / এক্সটেনশন কোণ অনুমান করার জন্য একটি নতুন পদ্ধতি বর্ণনা করা হয়। এই পদ্ধতিতে ক্যালম্যান ফিল্টার এবং শারীরবৃত্তীয় জ্ঞানের উপর ভিত্তি করে বায়োমেকানিকাল সীমাবদ্ধতার সমন্বয় ব্যবহার করা হয়। সম্প্রতি প্রকাশিত অনেক পদ্ধতির বিপরীতে, প্রস্তাবিত পদ্ধতিটি পৃথিবীর চৌম্বকীয় ক্ষেত্র ব্যবহার করে না এবং তাই আধুনিক ভবনে পাওয়া জটিল ক্ষেত্রের বিকৃতির প্রতি সংবেদনশীল নয়। এই পদ্ধতিটি পরীক্ষামূলকভাবে বৈধতা পায়, যেখানে দুইটি আইএমইউ থেকে নেওয়া পরিমাপ থেকে হাঁটু কোণ গণনা করা হয়। অনেক পূর্ববর্তী গবেষণার বিপরীতে, যা তুলনামূলকভাবে ধীর গতির কার্যকলাপ বা স্বল্প সময়ের জন্য তাদের পদ্ধতির বৈধতা দিয়েছে, অ্যালগরিদমের কার্যকারিতা 5 মিনিটের সময়কালে হাঁটা এবং দৌড়ানোর সময় উভয়ই মূল্যায়ন করা হয়েছিল। সাতজন সুস্থ ব্যক্তিকে ১ থেকে ৫ মাইল/ঘন্টা পর্যন্ত বিভিন্ন গতিতে পরীক্ষা করা হয়। ১০টি ক্যামেরার মোশন ট্র্যাকিং সিস্টেম (কোয়ালিসিস) থেকে একযোগে প্রাপ্ত তথ্যের সাথে ফলাফলের তুলনা করে ত্রুটিগুলি অনুমান করা হয়েছিল। ধীর গতিতে হাঁটার ক্ষেত্রে গড় পরিমাপের ত্রুটি ছিল ০.৭ ডিগ্রি থেকে দৌড়ের ক্ষেত্রে ৩.৪ ডিগ্রি। আইএমইউ বিশ্লেষণে ব্যবহৃত যৌথ সীমাবদ্ধতা কোয়ালাইসিস ডেটা থেকে প্রাপ্ত। এই পদ্ধতির সীমাবদ্ধতা, ক্লিনিকাল অ্যাপ্লিকেশন এবং সম্ভাব্য সম্প্রসারণের বিষয়ে আলোচনা করা হয়েছে। |
d6f073762c744bff5fe7562936d3aae4c2f7b67d | সাম্প্রতিক বছরগুলোতে হার্ডওয়্যার প্রযুক্তির অগ্রগতি অনেক ঘটনাকে রিয়েল টাইমে পর্যবেক্ষণের সুযোগ দিয়েছে। ইনকামিং ডেটার পরিমাণ এত বেশি হতে পারে যে, সমস্ত পৃথক ডেটা মনিটরিং করা কঠিন হতে পারে। এই পরিবেশে কোনো নির্দিষ্ট রেকর্ড পুনরায় দেখা অসম্ভব হয়ে পড়ে। অতএব, অনেক ডাটাবেস স্কিম, যেমন সমষ্টি, যোগদান, ঘন ঘন প্যাটার্ন মাইনিং এবং সূচকীকরণ, এই প্রসঙ্গে আরও চ্যালেঞ্জিং হয়ে ওঠে। এই গবেষণাপত্রে তথ্য প্রবাহের প্রক্রিয়াকরণে এই সমস্যাগুলি সমাধানের পূর্ববর্তী প্রচেষ্টাগুলির একটি জরিপ করা হয়েছে। এই প্রক্রিয়ায় স্লাইডিং উইন্ডো ক্যোয়ারী নির্দিষ্ট করা এবং প্রক্রিয়াজাতকরণের উপর জোর দেওয়া হয়, যা অনেক স্ট্রিম প্রসেসিং ইঞ্জিনে সমর্থিত। আমরা স্ট্রিম ক্যোয়ারী প্রসেসিং সম্পর্কিত সম্পর্কিত কাজগুলিও পর্যালোচনা করি, যার মধ্যে সিনোপসিস কাঠামো, পরিকল্পনা ভাগ করে নেওয়া, অপারেটর শিডিয়ুলিং, লোড শেডিং এবং ব্যাধি নিয়ন্ত্রণ অন্তর্ভুক্ত রয়েছে। বিষয়শ্রেণীঃ সর্বব্যাপী কম্পিউটিং |
cb745fd78fc7613f95bf5bed1fb125d2e7e39708 | ট্রাস্টলেস ক্রস-ব্লকচেইন ট্রেডিং প্রোটোকল তৈরি করা চ্যালেঞ্জিং। তাই কেন্দ্রীয় তরলতা প্রদানকারীরা চেইন জুড়ে স্থানান্তর সম্পাদনের জন্য পছন্দসই রুট হিসাবে রয়েছেন - যা মূলত বিশ্বস্ত মধ্যস্থতাকারীদের প্রতিস্থাপনের জন্য অনুমতিহীন বইয়ের উদ্দেশ্যের সাথে বিরোধী। ক্রস ব্লকচেইন ট্রেডিং সক্ষম করা কেবলমাত্র বর্তমানে প্রতিযোগিতামূলক ব্লকচেইন প্রকল্পগুলিকে আরও ভালভাবে সহযোগিতা করতে সক্ষম করে না, বরং বিকেন্দ্রীভূত এক্সচেঞ্জগুলির জন্য বিশেষ গুরুত্বের বিষয় বলে মনে হয় কারণ তারা বর্তমানে তাদের নিজ নিজ ব্লকচেইন বাস্তুতন্ত্রের মধ্যে ডিজিটাল সম্পদ বাণিজ্যের মধ্যে সীমাবদ্ধ। এই গবেষণাপত্রে আমরা ক্রিপ্টোকারেন্সি সমর্থিত টোকেনগুলির ধারণাকে পদ্ধতিগতভাবে ব্যাখ্যা করেছি, যা বিশ্বাসহীন ক্রস-চেইন যোগাযোগের একটি পদ্ধতি। আমরা এক্সক্ল্যামের প্রস্তাব দিচ্ছি, ইস্যু, ট্রেডিং এবং রিডিম করার জন্য একটি প্রোটোকল যেমন ইথেরিয়ামে বিটকয়েন সমর্থিত টোকেন। আমরা তিনটি সম্ভাব্য প্রোটোকল সংস্করণের জন্য বাস্তবায়ন প্রদান করি এবং তাদের নিরাপত্তা এবং অন-চেইন খরচ মূল্যায়ন করি। এক্সক্লাইম এর সাথে, ইথেরিয়ামে বিটকয়েন সমর্থিত টোকেনগুলির একটি স্বৈরশাসিত পরিমাণ জারি করতে সর্বাধিক ১.১৭ মার্কিন ডলার খরচ হয়, বর্তমান ব্লকচেইন লেনদেনের ফি দেওয়া হয়। আমাদের প্রোটোকলের জন্য বিটকয়েন এবং ইথেরিয়ামের ঐক্যমত্যের নিয়মের কোন পরিবর্তন প্রয়োজন নেই এবং অন্যান্য ক্রিপ্টোকারেন্সি সমর্থন করার জন্য যথেষ্ট সাধারণ। |
0be0d781305750b37acb35fa187febd8db67bfcc | আমরা সঠিকতা অনুমান পদ্ধতি পর্যালোচনা এবং দুটি সবচেয়ে সাধারণ পদ্ধতি ক্রস বৈধতা এবং বুটস্ট্র্যাপ তুলনা সাম্প্রতিক পরীক্ষামূলক ফলাফল কৃত্রিম তথ্য এবং সীমিত সেটিংসে তাত্ত্বিক ফলাফল দেখিয়েছেন যে শ্রেণীবিভাগের একটি সেট থেকে একটি ভাল শ্রেণীবিভাগ নির্বাচন করার জন্য মডেল নির্বাচন দশগুণ ক্রস বৈধতা আরো ব্যয়বহুল এক ছেড়ে ক্রস ভ্যালিডেশন আমরা একটি বড় আকারের পরীক্ষার রিপোর্ট করি, যেখানে অর্ধ মিলিয়ন সি এবং একটি নিভ বেজ অ্যালগরিদম চালানো হয়, যা এই অ্যালগরিদমের উপর বিভিন্ন পরামিতির প্রভাবকে বাস্তব জগতে ডেটাসেটে অনুমান করে। ক্রস ভ্যালিডেশনের জন্য আমরা ভাঁজগুলির সংখ্যা পরিবর্তন করি এবং ভাঁজগুলি স্তরযুক্ত কিনা বা না বুট স্ট্র্যাপের জন্য আমরা বুটস্ট্র্যাপ নমুনার সংখ্যা পরিবর্তন করুন আমাদের ফলাফলগুলি নির্দেশ করে যে আমাদের অনুরূপ বাস্তব শব্দ ডেটাসেটের জন্য মডেল নির্বাচনের জন্য ব্যবহার করার জন্য সর্বোত্তম পদ্ধতিটি দশগুণ ভাঁজ স্তরযুক্ত ক্রস বৈধতা এমনকি যদি কম্পিউটিং শক্তি আরও ভাঁজ ব্যবহার করার অনুমতি দেয় |
2c10a1ee5039c2f145abab6d5cc335d58f161ef0 | |
160285998b31b11788182da282a1dc6f1e1b40f2 | মাইক্রোসফট রিসার্চ রেডমন্ড এই বছর প্রথমবারের মতো TREC-এ অংশগ্রহণ করে, প্রশ্ন উত্তর ট্র্যাকের উপর দৃষ্টি নিবদ্ধ করে। মাইক্রোসফট রিসার্চ ক্যামব্রিজের ফিল্টারিং এবং ওয়েব ট্র্যাকের (রবার্টসন এবং অন্যান্য, ২০০২) উপস্থাপনা সম্পর্কে এই খণ্ডে একটি পৃথক প্রতিবেদন রয়েছে। আমরা ওয়েব প্রশ্নোত্তর জন্য তথ্য-চালিত কৌশলগুলি অন্বেষণ করছি এবং TREC QA-তে অংশগ্রহণের জন্য আমাদের সিস্টেমকে কিছুটা সংশোধন করেছি। আমরা মূল ক্যাটাগরি ট্র্যাকের জন্য দুটি রান (AskMSR এবং AskMSR2) জমা দিয়েছি। |
8213dbed4db44e113af3ed17d6dad57471a0c048 | |
0521ffc1c02c6a4898d02b4afcc7da162fc3ded3 | একটি নতুন অতি-বিশালবন্দ (ইউডব্লিউবি) মাইক্রোস্ট্রিপ থেকে সিপিএস (কোপ্লানার স্ট্রিপলাইন) রূপান্তর উন্নত করা হয়েছে। এই রূপান্তর বা বালুন কাঠামোর বেশ কয়েকটি আকর্ষণীয় সুবিধা রয়েছে যেমন ভাল প্রতিবন্ধকতা রূপান্তর, কমপ্যাক্ট আকার এবং প্রশস্ত ব্যান্ডউইথ। মাইক্রোস্ট্রিপ লাইন এবং সিপিএস এর মধ্যে সমান্তরালভাবে সংযুক্ত লাইন বিভাগটি বিভিন্ন ট্রাভার্সাল মাত্রার অধীনে তদন্ত করার পরে, দুটি ট্রান্সমিশন মেরু প্রকাশের সাথে একটি প্রশস্ত ট্রান্সমিশন ব্যান্ডটি ভালভাবে অর্জন করা হয়। পরবর্তী, এই ধরনের একক ট্রানজিশন সার্কিটটি পুরো ইউডব্লিউবি ব্যান্ড (3.1 গিগাহার্টজ থেকে 10.6 গিগাহার্টজ) কভার করার জন্য সর্বোত্তমভাবে ডিজাইন করা হয়েছে। পরীক্ষায় পূর্বাভাস ফলাফল যাচাই করার জন্য, একই 50 ওমেগা মাইক্রোস্ট্রিপ ফিড লাইনগুলির সাথে দুটি ব্যাক-টু-ব্যাক ট্রানজিশনগুলি তৈরি এবং পরীক্ষা করা হয়। পরিমাপের ফলাফলগুলি 3.5 গিগাহার্টজ থেকে 10.0 গিগাহার্টজ পর্যন্ত ব্যান্ডের উপর 10.0 ডিবি এর কাছাকাছি রিটার্ন ক্ষতি প্রদর্শন করে। |
22ee2316b96c41f743082bd9de679104d79c683a | |
75041575e3a9fa92af93111fb0a93565efed4858 | এই গবেষণাপত্রটি সম্ভাব্য ক্ষেত্র পদ্ধতি ব্যবহার করে গ্রিনহাউস পরিবেশে নেভিগেট করা মোবাইল পরিমাপ স্টেশন বাস্তবায়নের সাথে সম্পর্কিত। গ্রীনহাউসের কাজ হল উদ্ভিদের পূর্ণ জীবনের জন্য সর্বোত্তম বৃদ্ধির শর্ত তৈরি করা। স্বয়ংক্রিয় পরিমাপ ব্যবস্থা ব্যবহার করে গ্রীনহাউসে সর্বোত্তম পরিবেশ তৈরির জন্য প্রয়োজনীয় সমস্ত পরামিতি পর্যবেক্ষণ করতে সহায়তা করে। সেন্সর দিয়ে সজ্জিত এই রোবটটি গ্রীনহাউসের মধ্যে শস্যের সারির শেষে এবং পিছনে গাড়ি চালাতে সক্ষম। এটি একটি ওয়্যারলেস সেন্সর নেটওয়ার্ক চালু করে যা গ্রিনহাউস অ্যাপ্লিকেশনটি পরিমাপ এবং নিয়ন্ত্রণের উদ্দেশ্যে ব্যবহৃত হয়েছিল। ওয়্যারলেস প্রযুক্তি এবং ক্ষুদ্রায়নের ক্রমাগত অগ্রগতি পরিবেশের বিভিন্ন দিক পর্যবেক্ষণের জন্য সেন্সর নেটওয়ার্ক স্থাপনের ক্ষেত্রে ক্রমবর্ধমান নমনীয়তা এনেছে। |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.