_id
stringlengths 40
40
| text
stringlengths 0
9.47k
|
|---|---|
6ae2dd7824f45d9c721c1e0fdc79250b85a598d2 | সম্প্রতি বিগ ডেটার প্রতি আগ্রহের কারণে অনেক কোম্পানি বিগ ডেটা অ্যানালিটিক্স ক্যাপাসিটি (বিডিএসি) তৈরি করেছে যাতে তাদের পারফরম্যান্স বাড়ানো যায়। কিন্তু, BDAC কিছু কোম্পানির জন্য অর্থ প্রদান করে কিন্তু অন্যদের জন্য নয়। দেখে মনে হচ্ছে খুব কম মানুষই বিগ ডেটার মাধ্যমে বড় প্রভাব ফেলতে পেরেছে। এই চ্যালেঞ্জ মোকাবেলায়, এই গবেষণায় একটি বিডিএসি মডেল প্রস্তাব করা হয়েছে যা রিসোর্স-ভিত্তিক তত্ত্ব (আরবিটি) এবং সোসিও-পদার্থবাদের এনট্যাগমেন্ট ভিউতে আঁকা। এই গবেষণায় দেখা গেছে যে বিডিএসি একটি শ্রেণিবদ্ধ মডেল, যার তিনটি প্রধান মাত্রা রয়েছে (যেমন, ব্যবস্থাপনা, প্রযুক্তি এবং প্রতিভা ক্ষমতা) এবং ১১ টি উপ-মাত্রা রয়েছে (যেমন, পরিকল্পনা, বিনিয়োগ, সমন্বয়, নিয়ন্ত্রণ, সংযোগ, সামঞ্জস্যতা, মডুলার, প্রযুক্তি পরিচালনার জ্ঞান, প্রযুক্তিগত জ্ঞান, ব্যবসায়িক জ্ঞান এবং সম্পর্কের জ্ঞান) । এই ফলাফলগুলি উচ্চতর অর্ডার বিডিএসি মডেলের এনট্যাগমেন্ট ধারণার মূল্য এবং এফপিইআর-এর উপর এর প্রভাবকে নিশ্চিত করে। এই ফলাফলগুলি বিডিএসি এফপিআর সম্পর্কের উপর বিশ্লেষণ ক্ষমতা-ব্যবসায়িক কৌশল সমন্বয়ের উল্লেখযোগ্য পরিমিত প্রভাবকে আলোকিত করে। |
b8f2fb3975e15d13d12715ce53b37821a6214b9e | কয়েকটি উদাহরণ দেওয়া যাক। প্রকৃতিতে একটি সাধারণভাবে পাওয়া সিস্টেম আর্কিটেকচার হল: প্যাটার্ন 1: একটি সত্তা তার মতো আরও সত্তা তৈরি করতে পারে। একই সময়ে, এটি অন্য ধরনের সত্তা তৈরি করতে পারে যা জটিল সিস্টেমের নীতির পরিপ্রেক্ষিতে বৈজ্ঞানিক ঘটনাগুলি বোঝা বৈজ্ঞানিক ও শিক্ষাগতভাবে গুরুত্বপূর্ণ। বিজ্ঞানের বিভিন্ন শাখার পরিস্থিতি প্রায়ই একই নীতি দ্বারা পরিচালিত হয়, এবং তাই শাখাগুলির মধ্যে জ্ঞান স্থানান্তরকে উৎসাহিত করা মূল্যবান ক্রস-ফার্টিলেশন এবং বৈজ্ঞানিক একীকরণকে সম্ভব করে তোলে। যদিও এই ধরনের স্থানান্তরের প্রমাণ ঐতিহাসিকভাবে বিতর্কিত হয়েছে, তবে শিক্ষার্থীদের পরীক্ষা এবং পর্যবেক্ষণগুলি জটিল সিস্টেমের নীতিগুলির স্থানান্তরকে উৎসাহিত করার জন্য শিক্ষাগত পদ্ধতিগুলি প্রস্তাব করে। একটি শক্তিশালী কৌশল হল শিক্ষার্থীদের সক্রিয়ভাবে উপলব্ধি ভিত্তিক দৃশ্যের উপাদান এবং মিথস্ক্রিয়া ব্যাখ্যা করা। সাধারণ নীতিগুলির পাশাপাশি কেসগুলির উপস্থাপনের মাধ্যমে এবং শিক্ষার্থীরা কেসগুলির কম্পিউটেশনাল মডেলগুলি অন্বেষণ ও নির্মাণের মাধ্যমে এই ধরনের ব্যাখ্যা সহজতর করা যেতে পারে। এর ফলে প্রাপ্ত জ্ঞান উভয়ই কংক্রিট ভিত্তিক হতে পারে তবে দৃষ্টিকোণ-নির্ভরশীল এবং সাধারণীকরণযোগ্য। আমরা জটিল সিস্টেমের কম্পিউটেশনাল এবং মানসিক মডেল সমন্বয় করার পদ্ধতি, বোঝার এবং সাধারণীকরণের উন্নতিতে আদর্শীকরণ এবং কংক্রিটের ভূমিকা এবং স্থানান্তরের অন্যান্য পরিপূরক তাত্ত্বিক পদ্ধতির বিষয়ে আলোচনা করি। জটিল সিস্টেম বোঝা 3 জটিল সিস্টেমের নীতির মাধ্যমে স্থানান্তরকে উৎসাহিত করা শিক্ষার্থীরা কখন এবং কীভাবে তারা নতুন পরিস্থিতিতে যা শিখেছে তা স্থানান্তর করে? শিক্ষা এবং জ্ঞানীয় বিজ্ঞানের সামনে এটাই সবচেয়ে গুরুত্বপূর্ণ প্রশ্ন। এটিকে মোকাবেলা করার ক্ষেত্রে গুরুত্বপূর্ণ ব্যবহারিক পরিণতি রয়েছে, পাশাপাশি শেখার, প্রতিলিপিগত যুক্তি এবং ধারণাগত প্রতিনিধিত্বের সাথে সম্পর্কিত গভীর মৌলিক গবেষণা বিষয়গুলিকেও স্পর্শ করে। যথেষ্ট পরিমাণে গবেষণা থেকে জানা যায় যে শিক্ষার্থীরা স্বতঃস্ফূর্তভাবে যা শিখেছে তা হস্তান্তর করে না, অন্ততপক্ষে পৃষ্ঠতলভাবে ভিন্ন ডোমেনগুলিতে নয় (ডেটারম্যান, 1993; গিক ও হোলিয়াক, 1980; 1983) । এটি উদ্বেগজনক কারণ শিক্ষকরা বিষয়বস্তু নির্বাচন করে এই আশায় যে শিক্ষার্থীরা নতুন প্রাসঙ্গিক পরিস্থিতিতে তারা যা শিখেছে তা প্রয়োগ করবে। আমরা বিশ্বাস করি যে শিক্ষার্থীরা পৃষ্ঠতল ভিন্ন ডোমেন জুড়ে বৈজ্ঞানিক নীতিগুলি স্থানান্তর করতে পারে এবং আমরা এই বিশ্বাসে একা নই (ব্রান্সফোর্ড এবং শোয়ার্জ, 1999; জ্যাকবসন, 2001; জড, 1908; সাইমন, 1980) । আমাদের বক্তব্য উপস্থাপন করতে আমরা এমন ধরনের স্থানান্তর বর্ণনা করব যার জন্য লড়াই করা উচিত। এই স্থানান্তরগুলিকে চিহ্নিত করা কেবল শিক্ষাগত প্রশ্নই নয়, বৈজ্ঞানিক প্রশ্নও। এই প্রসঙ্গে আমরা বিজ্ঞান সম্পর্কে একটি নতুন পদ্ধতির কথা বলব, যা জটিল সিস্টেমকে পরিচালনা করে এমন সাধারণ নীতি অনুসারে বিভিন্ন ক্ষেত্রের ঘটনাকে একত্রিত করার চেষ্টা করে। বিজ্ঞানকে এই জটিল পদ্ধতির পদ্ধতির মাধ্যমে এমন বৈজ্ঞানিক জ্ঞান অর্জনের অনন্য সুযোগ রয়েছে যা বাস্তব ভিত্তিক হলেও বহনযোগ্য। একটি ভিত্তিক সাধারণীকরণের ধারণাটি অক্সাইমোরনের মতো শোনাতে পারে, কিন্তু এটি আমাদের স্থানান্তরের অ্যাকাউন্টের মূল। সাধারণীকরণ বোঝানোর জন্য সময়-সম্মানিত পদ্ধতিটি প্রতীকী ফর্মালিজম যেমন প্রিডিকেট লজিক বা বীজগণিত ব্যবহার করা হয়েছে। এই প্রথাগততা একজন শিক্ষার্থীকে একটি পরিস্থিতির নির্দিষ্ট বিষয় অতিক্রম করতে সক্ষম করে, কিন্তু তারা পরিস্থিতির একটি স্বজ্ঞাত বোঝার থেকে ফলস্বরূপ বিমূর্ততা সংযোগ বিচ্ছিন্ন করার ঝুঁকিও চালায়। এর পরিবর্তে, আমরা এমন শিক্ষা ও শিক্ষাদান পদ্ধতির প্রস্তাব দিই যা পরিস্থিতির ব্যাখ্যাকে উৎসাহিত করে যা বাস্তব, যতক্ষণ না তারা উপলব্ধিগত, সময়গত এবং স্থানিকভাবে ভিত্তিক হয়। যাইহোক, তারা এখনও আদর্শকরণ যে একটি পরিস্থিতি অনেক উপাদান উপেক্ষা করা হয় বা অত্যন্ত সরলীকৃত হয়। এই গবেষণাপত্রে আমরা নিম্নলিখিত ধাপগুলির মাধ্যমে ভিত্তিক সাধারণীকরণ অর্জনের একটি পদ্ধতি বিকাশ করবঃ 1) বর্ণনা করুন 1 situated abstraction এর ধারণাটিও দেখুন অন্যান্য পদ্ধতির সাথে তুলনা বিভাগে Complex Systems 4 প্রকৃতি বোঝা জটিল সিস্টেম বিজ্ঞান অ্যাকাউন্ট, 2) সাধারণ জটিল সিস্টেম নীতিগুলির উদাহরণ প্রদান করে যা বিভিন্ন কেস স্টাডিতে প্রদর্শিত হয়, 3) জটিল সিস্টেমের মাধ্যমে বিজ্ঞান শিক্ষার শিক্ষাগত সুবিধাগুলি বর্ণনা করুন, 4) জটিল সিস্টেমের সাথে সম্পর্কিত স্থানান্তর এবং সাধারণীকরণের গুরুত্ব নিয়ে আলোচনা করুন, 5) অনুভূতিগতভাবে ভিত্তিক তবুও ব্যাখ্যাকৃত সিমুলেশনগুলির মাধ্যমে সাধারণীকরণ অর্জনের একটি পদ্ধতি উপস্থাপন করুন, 6) ভিত্তিক সিমুলেশন থেকে ফর্মালিজম-কেন্দ্রিক কৌশলগুলির সাথে সাধারণীকরণের তুলনা করুন এবং 7) কম্পিউটেশনাল এবং মানসিক মডেলগুলির মধ্যে সমান্তর স্থাপন করুন, দুটি ধরণের মডেলকে মেশ করার অনুমতি দেয় এমন নকশা নীতিগুলি সনাক্ত করার লক্ষ্যে। বিজ্ঞানকে জটিল সিস্টেমের নীতির সাথে সংযুক্ত করা বিজ্ঞানের অগ্রগতির একটি উপায় হল ধীরে ধীরে তত্ত্বগুলিকে পরিপূর্ণ করা, পরীক্ষামূলক বিবরণ যুক্ত করা এবং যান্ত্রিক বিবরণগুলি বিশ্লেষণ করা। এই বিবরণ অনুসারে, শয়তান বিস্তারিত তথ্যের মধ্যে রয়েছে এবং বিজ্ঞানীদের সঠিক কাজ হচ্ছে এই বিবরণ অনুসরণ করা। বিজ্ঞানের এই দৃষ্টিভঙ্গিটি জন হরগান তার ১৯৯৬ সালের বই The End of Science এ সবচেয়ে জোরালোভাবে চিত্রিত করেছিলেন। তিনি যুক্তি দিয়েছিলেন যে মৌলিক বৈজ্ঞানিক তত্ত্ব এবং আবিষ্কারের যুগটি চলে গেছে এবং যা করার বাকি রয়েছে তা হ ল আইনস্টাইন, ডারউইন এবং নিউটনের মতো তত্ত্বগুলির বিশদটি সংশোধন করা। বৈজ্ঞানিক বিশেষায়নের দ্রুত গতি হরগানের যুক্তিকে সমর্থন করে বলে মনে হয়। আমরা এমন এক যুগে চলে এসেছি যেখানে একমাত্র প্রধান বৈজ্ঞানিক পত্রিকা ছিল "নেচার" এবং "সাইন্স" এমন এক যুগে যেখানে বিশেষায়িত পত্রিকা যেমন "জার্নেল অফ কন্টামিনেন্ট হাইড্রোলজি" এবং "জার্নেল অফ শোল্ডার অ্যান্ড এলবো সার্জারি" রয়েছে, যার প্রত্যেকটিই বেশ কয়েকটি স্বতন্ত্র উপ-বিশেষীকরণের জন্য একটি ছাতা আউটলেট। সায়েন্স অ্যাডভাইসরি বোর্ডের উত্তরদাতাদের অর্ধেকেরও বেশি বিশ্বাস করেন যে, জীববিজ্ঞানীরা সংকীর্ণভাবে সংজ্ঞায়িত জীববিজ্ঞানের ক্ষেত্রে বিশেষজ্ঞ হয়ে বড় চিত্রের সন্ধান হারাচ্ছেন। কিন্তু অনেক বিজ্ঞানী মনে করেন যে, তাদের চোখ ও মনের জন্য প্রতিদ্বন্দ্বিতা করা বৈজ্ঞানিক কাজের বিশাল পরিমাণের কারণে তারা আরও বেশি ডিগ্রি অর্জন করতে বাধ্য। বিজ্ঞানীদের একটি ছোট দল বিশেষায়িতকরণের প্রবণতাকে বিপরীতমুখী করার সিদ্ধান্ত নিয়েছে। এর পরিবর্তে তারা এমন নীতি অনুসরণ করেছে যা পদার্থবিজ্ঞান থেকে জীববিজ্ঞান এবং সামাজিক বিজ্ঞান পর্যন্ত অনেক বৈজ্ঞানিক ক্ষেত্রে প্রযোজ্য। এই নীতিগুলি এই ডোমেনগুলিতে রূপক বা অস্পষ্ট উপায়ে প্রয়োগ করা হয় না, কারণ বিশৃঙ্খলা এবং ফ্র্যাক্টাল শব্দগুলি প্রায়শই শিল্প বা আন্তঃব্যক্তিগত সম্পর্কের ক্ষেত্রে প্রয়োগ করা হত। বরং, জটিল সিস্টেম গবেষকদের দাবি কমপ্লেক্স সিস্টেমগুলি বোঝা 5 হল যে একই নির্দিষ্ট নীতি, কখনও কখনও সমীকরণ বা কম্পিউটেশনাল নিয়মের সেট হিসাবে প্রকাশযোগ্য, দৃশ্যত বিভিন্ন ঘটনা বর্ণনা করতে পারে। জটিল সিস্টেম দ্বারা আমরা এমন সিস্টেমকে বোঝাই যা স্থানীয়ভাবে ইন্টারঅ্যাক্ট করে এমন অসংখ্য স্বতন্ত্র উপাদান ধারণ করে, যার ফলে সময়ের সাথে সাথে একটি সিস্টেম বিশ্বব্যাপী পরিবর্তিত হয়। গত কয়েক দশক ধরে, জটিল সিস্টেম তত্ত্বের ক্ষেত্রটি দ্রুত বিকাশ লাভ করেছে (বার-ইয়াম, ১৯৯৭; হল্যান্ড, ১৯৯৫; কাউফম্যান, ১৯৯৩; ওলফ্রাম, ২০০২) । জটিল সিস্টেম তত্ত্ব এবং পদ্ধতিগুলি এখন বিজ্ঞানগুলিতে অন্তর্নিহিত এবং প্রায় প্রতিটি একাডেমিক শাখা এবং পেশায় পাওয়া যায় (আমরাল ও ওত্তিনো, ২০০৪; বারাবসী, ২০০২; ডিয়ারমায়ার ও মের্লো, ২০০০; এপস্টাইন ও অ্যাক্সটেল ১৯৯৬; ওলফ্রাম, ১৯৮৬) । প্রথম দিকে মনে হতে পারে যে জটিল ব্যবস্থাগুলো প্রাকৃতিক ও সামাজিক ঘটনার একটি ক্ষুদ্র অংশকে প্রতিনিধিত্ব করে। কিন্তু, এটা ক্ষেত্রের একটি ভুল বোঝাবুঝি হবে। কোন কিছুকে জটিল ব্যবস্থা বা জটিল ঘটনা হিসেবে পরিণত করাটা দৃষ্টিকোণ থেকে দেখা যায়। যদি আপনি জটিল সিস্টেমের দৃষ্টিকোণ থেকে, সিস্টেমের উপাদানগুলির মিথস্ক্রিয়াতে ফোকাস করেন, তাহলে প্রকৃতির এবং সমাজের প্রায় প্রতিটি সিস্টেমকে একটি জটিল সিস্টেম হিসাবে বর্ণনা করা যেতে পারে। এই দৃষ্টিকোণ থেকে দেখা যায়, জটিল সিস্টেম নীতি এবং পদ্ধতি ব্যবহার করে সিস্টেমটি বিশ্লেষণ করা যেতে পারে। জটিল সিস্টেম তত্ত্ব বেশ কয়েকটি সাধারণ নীতি বর্ণনা করেছে যা প্রাকৃতিক এবং সামাজিক সিস্টেমগুলিকে বিভিন্ন ধরণের traditionalতিহ্যবাহী শাখায় বর্ণনা করতে পারে। |
4215c25c3757f5ac542bf0449ffd1ad55a11f630 | |
41ab8a3c6088eb0576ba65e114ebd37340c2bae1 | |
842301714c2513659a6814a7e9b5ae761136f9d8 | এই অধ্যায়ে, আমরা গ্রাফ ডেটাতে কীওয়ার্ড অনুসন্ধান সম্পাদন করে এমন পদ্ধতিগুলি পর্যালোচনা করি। কীওয়ার্ড সার্চ জটিল ডেটা স্ট্রাকচার থেকে তথ্য পুনরুদ্ধার করার জন্য একটি সহজ কিন্তু ব্যবহারকারী বান্ধব ইন্টারফেস প্রদান করে। যেহেতু অনেক বাস্তব জীবনের ডেটাসেট গাছ এবং গ্রাফ দ্বারা প্রতিনিধিত্ব করা হয়, তাই কীওয়ার্ড অনুসন্ধান বিভিন্ন ধরণের ডেটার জন্য একটি আকর্ষণীয় প্রক্রিয়া হয়ে উঠেছে। এই সমীক্ষায়, আমরা স্কিমা গ্রাফের উপর কীওয়ার্ড অনুসন্ধানের পদ্ধতিগুলি নিয়ে আলোচনা করি, যা এক্সএমএল ডেটা এবং সম্পর্কিত ডেটার জন্য বিমূর্ত উপস্থাপনা এবং স্কিমা-মুক্ত গ্রাফের উপর কীওয়ার্ড অনুসন্ধানের পদ্ধতি। আমাদের আলোচনায়, আমরা তিনটি প্রধান চ্যালেঞ্জের উপর ফোকাস করছি যা গ্রাফের উপর কীওয়ার্ড অনুসন্ধান করে। প্রথমত, কিওয়ার্ড সার্চের অর্থনীতি কি, অথবা কীওয়ার্ড সার্চের উত্তর কি হতে পারে? দ্বিতীয়ত, কোন উত্তরটি ভালো? অথবা উত্তরগুলোর র্যাঙ্কিং কিভাবে করা যায়? তৃতীয়ত, কীওয়ার্ড সার্চ কিভাবে দক্ষতার সাথে করা যায়? আমরা কিছু অমীমাংসিত চ্যালেঞ্জ নিয়ে আলোচনা করেছি এবং কিছু নতুন গবেষণা দিকের প্রস্তাব দিয়েছি। |
21813c61601a8537136488ce55a2c15669365ef9 | আমরা একটি উন্নত অ্যালগরিদম প্রদান করি ব্যক্তিগতকৃত পেজ র্যাঙ্ক ভেক্টরগুলিকে সংকীর্ণ ত্রুটি সীমাবদ্ধতার সাথে গণনা করার জন্য যা Ω ((n−p) হিসাবে ছোট হতে পারে যে কোনও স্থির ধনাত্মক পূর্ণসংখ্যা p এর জন্য। উন্নত পেজ র্যাঙ্ক অ্যালগরিদম একটি প্রদত্ত গ্রাফের প্রান্তগুলির পরিমাণগত র্যাঙ্কিং গণনা করার জন্য অত্যন্ত গুরুত্বপূর্ণ। আমরা এজ র্যাঙ্কিং ব্যবহার করে দুটি আন্তঃসম্পর্কিত সমস্যা পরীক্ষা করব - গ্রাফ স্পার্সিফিকেশন এবং গ্রাফ পার্টিশন। আমরা গ্রাফ স্পার্সিফিকেশন এবং পার্টিশনিং অ্যালগরিদমগুলিকে পেজ র্যাঙ্ক ভেক্টর ব্যবহার করে উন্নত পার্টিশনিং অ্যালগরিদম প্রাপ্ত করতে একত্রিত করতে পারি। |
71c3182fa122a1d6ccd4aa8eb9dccd95314b848b | আধুনিক সমাজের বিভিন্ন ক্ষেত্রে সাইবার-ফিজিক্যাল সিস্টেম (সিপিএস) এর ব্যাপকতা দ্রুত বৃদ্ধি পাচ্ছে। এর ফলে সিপিএস বিভিন্ন ধরণের আক্রমণের জন্য ক্রমবর্ধমান আকর্ষণীয় লক্ষ্যবস্তু হয়ে ওঠে। আমরা সাইবার নিরাপত্তাকে সিপিএস নিরাপত্তার একটি অবিচ্ছেদ্য অংশ হিসেবে বিবেচনা করি। এছাড়া সাইবার নিরাপত্তার আওতার বাইরে থাকা সিপিএস-নির্দিষ্ট বিষয়গুলিও তদন্তের প্রয়োজন রয়েছে। সবচেয়ে গুরুত্বপূর্ণ বিষয় হলো সাইবার-ফিজিক্যাল ডোমেইন সীমানা অতিক্রম করতে সক্ষম আক্রমণগুলি বিশ্লেষণ করা উচিত। সিপিএসের এই ধরনের ক্রস-ডোমেন আক্রমণের ঝুঁকিপূর্ণতা অনেক উদাহরণ দ্বারা কার্যত প্রমাণিত হয়েছে, যেমন বর্তমানে সবচেয়ে বিখ্যাত স্টাক্সনেট আক্রমণ। এই গবেষণাপত্রে আমরা সিপিএস আক্রমণের বর্ণনার জন্য একটি শ্রেণিবিন্যাস প্রস্তাব করছি। প্রস্তাবিত শ্রেণিবিন্যাসটি সিপিএস-এর উপর প্রচলিত সাইবার আক্রমণ এবং ক্রস-ডোমেন আক্রমণ উভয়কেই উপস্থাপন করতে সক্ষম। উপরন্তু, প্রস্তাবিত শ্রেণিবিন্যাসের উপর ভিত্তি করে, আমরা আক্রমণ শ্রেণীবিভাগ সংজ্ঞায়িত। প্রস্তাবিত শ্রেণিবিন্যাসের বিভিন্ন সম্ভাব্য প্রয়োগের ক্ষেত্রগুলি ব্যাপকভাবে আলোচনা করা হয়েছে। অন্যান্য বিষয়ের মধ্যে, এটি সিপিএস-এর উপর আক্রমণ সম্পর্কে একটি জ্ঞানভিত্তি প্রতিষ্ঠার জন্য ব্যবহার করা যেতে পারে যা সাহিত্যে পরিচিত। এছাড়া প্রস্তাবিত বর্ণনা কাঠামো এই আক্রমণের পরিমাণগত এবং গুণগত বিশ্লেষণকে উৎসাহিত করবে, যার উভয়ই অবশ্যই সিপিএস নিরাপত্তা উন্নত করতে হবে। |
237292e08fe45320e954377ebe2b7e08d08f1979 | |
9f7d7dc88794d28865f28d7bba3858c81bdbc3db | পুনর্বহাল শিক্ষা স্বয়ংক্রিয় রোবটকে ন্যূনতম মানব হস্তক্ষেপের সাথে আচরণগত দক্ষতার বিস্তৃত রেপার্টরি শিখতে সক্ষম করার প্রতিশ্রুতি দেয়। যাইহোক, রেইনফোর্সমেন্ট লার্নিং এর রোবোটিক অ্যাপ্লিকেশনগুলি প্রায়শই প্রকৃত শারীরিক সিস্টেমের জন্য ব্যবহারিক প্রশিক্ষণ সময় অর্জনের পক্ষে শেখার প্রক্রিয়ার স্বায়ত্তশাসনের সাথে আপস করে। এর মধ্যে সাধারণত হস্তনির্মিত নীতিমালা উপস্থাপনা এবং মানুষের প্রদর্শনী অন্তর্ভুক্ত থাকে। গভীর-শক্তিশালীকরণ লার্নিং সাধারণ-উদ্দেশ্য নিউরাল নেটওয়ার্ক নীতিগুলি প্রশিক্ষণের মাধ্যমে এই সীমাবদ্ধতা হ্রাস করে, তবে সরাসরি গভীর-শক্তিশালীকরণ লার্নিং অ্যালগরিদমের অ্যাপ্লিকেশনগুলি তাদের উচ্চ নমুনা জটিলতার কারণে সিমুলেটেড সেটিংস এবং অপেক্ষাকৃত সহজ কাজগুলিতে সীমাবদ্ধ ছিল। এই গবেষণাপত্রে আমরা দেখিয়েছি যে, গভীর Q-ফাংশনগুলির অফ-পলিসি প্রশিক্ষণের উপর ভিত্তি করে একটি সাম্প্রতিক গভীর পুনর্বহালকারী লার্নিং অ্যালগরিদম জটিল 3D ম্যানিপুলেশন কাজগুলিতে স্কেল করতে পারে এবং প্রকৃত শারীরিক রোবটগুলিতে প্রশিক্ষণের জন্য যথেষ্ট দক্ষতার সাথে গভীর নিউরাল নেটওয়ার্ক নীতিগুলি শিখতে পারে। আমরা দেখিয়েছি যে, প্রশিক্ষণের সময় আরও কমিয়ে আনা সম্ভব, যদি অ্যালগরিদমকে সমান্তরালভাবে একাধিক রোবটের মধ্যে স্থাপন করা হয়, যারা তাদের নীতি আপডেটগুলিকে একত্রিত করে। আমাদের পরীক্ষামূলক মূল্যায়ন দেখায় যে আমাদের পদ্ধতি বিভিন্ন ধরণের 3D ম্যানিপুলেশন দক্ষতা শিখে নিতে পারে সিমুলেশন এবং জটিল দরজা খোলার দক্ষতা বাস্তব রোবটগুলিতে কোন পূর্ববর্তী বিক্ষোভ বা ম্যানুয়ালি ডিজাইন করা উপস্থাপনা ছাড়াই। |
de81d968a660df67a8984df6aa77cf88df77259f | বর্তমানে, অতিরিক্ত উপাদান ছাড়া একটি পাওয়ার ডিসক্যাপলিং পদ্ধতি প্রস্তাবিত হয় একক-ফেজ এসি কনভার্টার, যা একটি ফ্লাইং ক্যাপাসিটার ডিসি / ডিসি কনভার্টার (এফসিসি) এবং ভোল্টেজ উত্স ইনভার্টার (ভিএসআই) নিয়ে গঠিত। বিশেষ করে, এফসিসিতে একটি ছোট উড়ন্ত ক্যাপাসিটার একটি বুস্ট অপারেশন এবং একটি ডাবল লাইন ফ্রিকোয়েন্সি পাওয়ার রিপল হ্রাস উভয় জন্য ব্যবহৃত হয়। এইভাবে, একটি বড় ইলেক্ট্রোলাইটিক ক্যাপাসিটরের ব্যবহার এড়াতে ডিসি-লিঙ্ক ক্যাপাসিটরের মানকে সর্বনিম্ন করা যেতে পারে। এছাড়াও, প্রস্তাবিত নিয়ন্ত্রণ প্রয়োগ করা হলে, যেমন, বুস্ট ইন্ডাক্টর এবং ফ্লাইং ক্যাপাসিটারের উপাদান নকশা স্পষ্ট করা হয়। প্রস্তাবিত নিয়ন্ত্রণের বৈধতা যাচাই করার জন্য ১.৫ কিলোওয়াট প্রোটোটাইপ ব্যবহার করে পরীক্ষা-নিরীক্ষা করা হয়। পরীক্ষামূলক ফলাফল থেকে জানা যায় যে প্রস্তাবিত নিয়ন্ত্রণের ব্যবহারে ডিসি-লিঙ্ক ভোল্টেজ রিপল ৭৪.৫% হ্রাস পেয়েছে এবং ইনভার্টার আউটপুট কারেন্টের মোট হারমোনিক বিকৃতি (টিএইচডি) ৫% এরও কম ছিল। এছাড়াও, 1.1 কিলোওয়াট লোডের সাথে সিস্টেমের সর্বোচ্চ দক্ষতা 95.4% অর্জন করা হয়েছিল। অবশেষে, উচ্চ ক্ষমতা ঘনত্ব নকশা Pareto সামনে অপ্টিমাইজেশান দ্বারা মূল্যায়ন করা হয়। তিনটি পাওয়ার ডিসকপ্লিং টপোলজি যেমন বুস্ট টপোলজি, বক টপোলজি এবং প্রস্তাবিত টপোলজির পাওয়ার ঘনত্বের তুলনা করা হয়। ফলস্বরূপ, প্রস্তাবিত টপোলজিটি এখানে বিবেচিত টপোলজিগুলির মধ্যে সর্বোচ্চ ক্ষমতা ঘনত্ব (৫.৩ কিলোওয়াট / ডেম 3) অর্জন করে। |
470a6b517b36ed5c8125f93bb8a82984e8835c55 | এই গবেষণাপত্রে আমরা একটি নতুন জেনারিক ইমেজ প্রিওর-গ্র্যাডিয়েন্ট প্রোফাইল প্রিওর ব্যবহার করে একটি ইমেজ সুপার-রেজোলিউশন পদ্ধতির প্রস্তাব দিচ্ছি, যা একটি প্যারামিটারিক প্রিওর যা চিত্রের গ্রেডিয়েন্টগুলির আকৃতি এবং তীক্ষ্ণতা বর্ণনা করে। প্রাকৃতিক চিত্রের একটি বড় সংখ্যক থেকে শিখেছি গ্রেডিয়েন্ট প্রোফাইল ব্যবহার করে, আমরা একটি নিম্ন-রেজোলিউশন চিত্র থেকে একটি হাই-রেজোলিউশন চিত্র অনুমান করার সময় চিত্র গ্রেডিয়েন্টের উপর একটি সীমাবদ্ধতা সরবরাহ করতে পারি। এই সহজ কিন্তু অত্যন্ত কার্যকর পদ্ধতির মাধ্যমে আমরা অত্যাধুনিক ফলাফল অর্জন করতে সক্ষম হয়েছি। পুনর্নির্মিত হাই-রেজোলিউশন চিত্রটি ধারালো হলেও বিরল রিংিং বা জ্যাংকি আর্টিফ্যাক্ট রয়েছে। |
857176d022369e963d3ff1be2cb9e1ca2f674520 | আমরা বড় আকারের জ্ঞান গ্রাফ (কেজি) এর মাধ্যমে যুক্তি শেখা শিখার সমস্যা নিয়ে গবেষণা করি। আরো নির্দিষ্টভাবে, আমরা মাল্টি-হপ রিলেশনাল পাথ শেখার জন্য একটি নতুন রিনফোর্সমেন্ট লার্নিং ফ্রেমওয়ার্ক বর্ণনা করিঃ আমরা জ্ঞান গ্রাফ এমবেডিংয়ের উপর ভিত্তি করে ক্রমাগত রাষ্ট্রের সাথে নীতি-ভিত্তিক এজেন্ট ব্যবহার করি, যা একটি কেজি ভেক্টর স্পেসে যুক্তিযুক্ত করে তার পথ প্রসারিত করার জন্য সবচেয়ে প্রতিশ্রুতিবদ্ধ সম্পর্ককে নমুনা করে। পূর্ববর্তী কাজের বিপরীতে, আমাদের পদ্ধতিতে একটি পুরষ্কার ফাংশন অন্তর্ভুক্ত রয়েছে যা সঠিকতা, বৈচিত্র্য এবং দক্ষতা বিবেচনা করে। পরীক্ষামূলকভাবে, আমরা দেখাই যে আমাদের প্রস্তাবিত পদ্ধতিটি ফ্রিবেস এবং নন-এন্ডিং ল্যাঙ্গুয়েজ লার্নিং ডেটাসেটে একটি পথ-র্যাঙ্কিং ভিত্তিক অ্যালগরিদম এবং জ্ঞান গ্রাফ এম্বেডিং পদ্ধতিকে ছাড়িয়ে যায়। |
8597da33970c02df333d9d6520884c1ba3f5fb17 | আমরা একটি নতুন গতি ট্র্যাকিং কৌশল উপস্থাপন করি যা ভোক্তাদের গভীরতা সেন্সর দ্বারা রেকর্ড করা একক ভিউ গভীরতা ইনপুট থেকে অ-কঠোর জ্যামিতি এবং গতির পুনর্গঠন করে। এই ধারণাটি পর্যবেক্ষণের উপর ভিত্তি করে যে বেশিরভাগ অ-কঠোর গতি (বিশেষত মানব-সম্পর্কিত গতি) অভ্যন্তরীণভাবে সুস্পষ্ট গতির উপ-অবস্থায় জড়িত। এই সুবিধাটি গ্রহণের জন্য, আমরা একটি উপন্যাস <inline-formula><tex-math notation="LaTeX">$L_0$</tex-math><alternatives> <inline-graphic xlink:href="xu-ieq2-2688331.gif"/></alternatives></inline-formula> ভিত্তিক গতি নিয়ন্ত্রক প্রস্তাব করি যার একটি পুনরাবৃত্তিমূলক সমাধানকারী রয়েছে যা আর্কটিকুলেটেড কাঠামোর সাথে স্থানীয় বিকৃতিগুলিকে অবরুদ্ধ করে, সমাধানের স্থান হ্রাস এবং শারীরিক সম্ভাব্য বিকৃতির দিকে পরিচালিত করে। <inline-formula><tex-math notation="LaTeX">$L_0$</tex-math> <alternatives><inline-graphic xlink:href="xu-ieq3-2688331.gif"/></alternatives></inline-formula> কৌশলটি উপলব্ধ অ-কঠোর গতি ট্র্যাকিং পাইপলাইনে সংহত করা হয় এবং ধীরে ধীরে ট্র্যাকিংয়ের সাথে আর্টিকুলেট জয়েন্টের তথ্য অনলাইনে বের করে, যা ফলাফলগুলিতে ট্র্যাকিং ত্রুটিগুলি সংশোধন করে। কব্জিযুক্ত জয়েন্টগুলির তথ্য নিম্নলিখিত ট্র্যাকিং পদ্ধতিতে ট্র্যাকিং নির্ভুলতা আরও উন্নত করতে এবং ট্র্যাকিং ব্যর্থতা প্রতিরোধ করতে ব্যবহৃত হয়। মানুষের শরীরের জটিল গতিবিধি, মুখের এবং হাতের গতিবিধি নিয়ে বিস্তৃত পরীক্ষা-নিরীক্ষা দেখায় যে আমাদের পদ্ধতিটি গতি ট্র্যাকিংয়ের দৃঢ়তা এবং নির্ভুলতাকে উল্লেখযোগ্যভাবে উন্নত করে। |
f5bbdfe37f5a0c9728c9099d85f0799e67e3d07d | |
7d553ced76a668120cf524a0b3e633edfea426df | |
0b277244b78a172394d3cbb68cc068fb1ebbd745 | যেহেতু ইন্টারনেটে তৃতীয় পক্ষের সাইটগুলোতে আরো বেশি সংবেদনশীল তথ্য শেয়ার করা হয় এবং সংরক্ষণ করা হয়, তাই এই সাইটগুলোতে সংরক্ষিত তথ্য এনক্রিপ্ট করার প্রয়োজন হবে। এনক্রিপ্ট করা ডেটার একটি অসুবিধা হল যে এটি কেবলমাত্র একটি রুক্ষ-শূন্য স্তরে (অর্থাৎ, অন্য পক্ষকে আপনার ব্যক্তিগত কী প্রদান করে) নির্বাচিতভাবে ভাগ করা যায়। আমরা একটি নতুন ক্রিপ্টোসিস্টেম তৈরি করছি যা এনক্রিপ্ট করা তথ্যের সূক্ষ্ম-গ্রানুলার শেয়ারিংয়ের জন্য যা আমরা কী-পলিসি অ্যাট্রিবিউট-ভিত্তিক এনক্রিপশন (কেপি-এবিই) বলে থাকি। আমাদের ক্রিপ্টোসিস্টেমে, সিফারটেক্সটগুলিকে বৈশিষ্ট্যগুলির সেট দিয়ে লেবেল করা হয় এবং ব্যক্তিগত কীগুলি অ্যাক্সেস কাঠামোর সাথে যুক্ত থাকে যা নিয়ন্ত্রণ করে যে কোন সিফারটেক্সট ব্যবহারকারী ডিক্রিপ্ট করতে সক্ষম। আমরা আমাদের কাঠামোর প্রয়োগযোগ্যতা প্রমাণ করেছি অডিট-লগ তথ্য এবং সম্প্রচার এনক্রিপশন ভাগ করে নেওয়ার জন্য। আমাদের নির্মাণটি ব্যক্তিগত কীগুলির প্রতিনিধিত্বকে সমর্থন করে যা শ্রেণিবদ্ধ পরিচয়-ভিত্তিক এনক্রিপশন (এইচআইবিই) অন্তর্ভুক্ত করে। |
48b7ca5d261de75f66bc41c1cc658a00c4609199 | সাম্প্রতিক সময়ে সামাজিক যোগাযোগ মাধ্যমগুলোতে মানুষের আগ্রহের বিষয়গুলো নিয়ে কি ভাবছে তা জানতে অনেক কাজ করা হয়েছে। কিন্তু এখনও অনেক চ্যালেঞ্জের মুখোমুখি হতে হচ্ছে। টেক্সট মাইনিং সিস্টেমগুলি মূলত সংবাদ নিবন্ধের মতো আরও নিয়মিত ধরণের পাঠ্যের জন্য ডিজাইন করা হয়েছিল, ফেসবুক পোস্ট, টুইট ইত্যাদি মোকাবেলায় অভিযোজিত হতে পারে। এই নিবন্ধে, আমরা সামাজিক যোগাযোগ মাধ্যম থেকে মতামত সংগ্রহের সাথে সম্পর্কিত বিভিন্ন বিষয় নিয়ে আলোচনা করব এবং দুটি উদাহরণ অ্যাপ্লিকেশন সহ, যা আমরা খুব ভিন্ন ডোমেইনে তৈরি করেছি। মেশিন লার্নিংয়ের কৌশল ব্যবহার করে মতামত সংগ্রহের বেশিরভাগ কাজের বিপরীতে, আমরা একটি মডিউল ভিত্তিক নিয়ম-ভিত্তিক পদ্ধতির বিকাশ করেছি যা পৃষ্ঠপোষক ভাষাগত বিশ্লেষণ করে এবং চূড়ান্ত মতামত পোলারিটি এবং স্কোর তৈরি করতে বেশ কয়েকটি ভাষাগত উপ-উপাদানের উপর ভিত্তি করে তৈরি করে। |
2b7d5931a08145d9a501af9839fb9f8954c82c3c | সৌরবিদ্যুৎ (পিভি) গ্রিড-সংযোগ সিস্টেমের কনফিগারেশন সহজ করার জন্য, এই কাগজটি একটি বাক-বুস্ট ডিসি-ডিসি রূপান্তরকারী গ্রহণ করার প্রস্তাব দেয় এবং তারপরে লাইন-কমিউটেডের সাথে একটি এইচ-ব্রিজ ডিফল্ট সার্কিটের সাথে সংযোগের মাধ্যমে একটি একক-ফেজ ইনভার্টার বিকাশ করে। ডিসি ইনপুট-ভোল্টেজ এবং এসি আউটপুট-ভোল্টেজের অবস্থার উপর নির্ভর করে প্রস্তাবিত সার্কিটটি স্টেপ-ডাউন বা স্টেপ-আপ ইনভার্টার হিসাবে কার্যকরীভাবে কাজ করতে পারে। এটি ভোল্টেজ-ভেরিয়েশন বিস্তৃত অ্যাপ্লিকেশনগুলির জন্য উপযুক্ত। যেহেতু শুধুমাত্র একটি সুইচ উচ্চ-ফ্রিকোয়েন্সি দিয়ে কাজ করে, তাই সুইচিং ক্ষতি উল্লেখযোগ্যভাবে হ্রাস করা যেতে পারে দক্ষতা উন্নত করতে। অবশেষে, 110 Vrms / 60 Hz আউটপুট ভোল্টেজ সহ একটি পরীক্ষাগার প্রোটোটাইপটি সিমুলেট করা হয় এবং প্রস্তাবিত ইনভার্টারটির সম্ভাব্যতা যাচাই করার জন্য সেই অনুযায়ী বাস্তবায়িত হয়। |
373cf414cc038516a2cff11d7caafa3ff1031c6d | সাম্প্রতিক কাজগুলো দেখায় যে কিভাবে ডেনোয়েজিং এবং কন্ট্রাকটিভ অটোএনকোডারগুলি তথ্য-উত্পাদন ঘনত্বের কাঠামোটি অব্যক্তভাবে ক্যাপচার করে, যেখানে দুর্নীতির শব্দটি গাউসিয়ান, পুনর্গঠনের ত্রুটিটি স্কোয়ার ত্রুটি এবং ডেটা ধারাবাহিকভাবে মূল্যবান। এর ফলে ল্যাঙ্গভিন এবং মেট্রোপলিস-হ্যাস্টিংস এমসিএমসি ব্যবহার করে এই অন্তর্নিহিতভাবে শিখে যাওয়া ঘনত্ব ফাংশন থেকে নমুনা গ্রহণের বিভিন্ন প্রস্তাবনা তৈরি হয়েছে। তবে, এটি স্পষ্ট ছিল না যে কীভাবে নিয়মিত অটো-এনকোডারগুলির প্রশিক্ষণ পদ্ধতিটি অন্তর্নিহিত ডেটা জেনারেটর বিতরণের অন্তর্নিহিত অনুমানের সাথে সংযুক্ত করা যায় যখন ডেটাগুলি বিচ্ছিন্ন হয়, বা দুর্নীতি প্রক্রিয়া এবং পুনর্গঠনের ত্রুটির অন্যান্য রূপ ব্যবহার করে। আরেকটি বিষয় হলো গাণিতিক যুক্তি যা শুধুমাত্র ক্ষুদ্র দুর্নীতির শব্দ সীমাবদ্ধতার মধ্যে বৈধ। আমরা এখানে সমস্যার উপর একটি ভিন্ন আক্রমণ প্রস্তাব করছি, যা এই সমস্ত বিষয় নিয়ে আলোচনা করেঃ স্বৈরশাসিত (কিন্তু যথেষ্ট শব্দযুক্ত) দুর্নীতি, স্বৈরশাসিত পুনর্গঠন ক্ষতি (লগ-সম্ভাব্যতা হিসাবে দেখা যায়), উভয়ই বিচ্ছিন্ন এবং ধারাবাহিক-মূল্যবান পরিবর্তনশীলগুলি পরিচালনা করা, এবং অ-অনন্ততম দুর্নীতির শব্দ (বা অ-অনন্ততম সংক্ষিপ্ত শাস্তি) এর কারণে পক্ষপাত অপসারণ করা। |
ee8c779e7823814a5f1746d883ca77b26671b617 | 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 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। এই কাজটি ব্যবহারের বিষয়ে দয়া করে প্রকাশকের সাথে যোগাযোগ করুন। প্রকাশকদের যোগাযোগের তথ্য পাওয়া যাবে http://www.jstor.org/journals/asl.html JSTOR-এর যেকোনো অংশের প্রতি কপিতে অবশ্যই সেই একই কপিরাইট নোটিশ থাকতে হবে যা এই ধরনের সম্প্রচারের পর্দায় বা মুদ্রিত পৃষ্ঠায় প্রদর্শিত হয়। |
5732afb98a2e5b2970344b255b7af10f5c363873 | |
554f6cc9cb9c64a25670eeb12827b803f3db2f71 | |
8db9e3f2384b032278ed9e9113021538ef4b9b94 | কটু কথা বলা একটি পরিশীলিত ধরনের বক্তৃতা যা অনলাইন কমিউনিটিতে ব্যাপকভাবে ব্যবহৃত হয়। কিন্তু, সরকাজমের স্বয়ংক্রিয় স্বীকৃতি একটি নতুন কাজ। ব্যঙ্গাত্মক বক্তব্যের স্বীকৃতি পর্যালোচনা সংক্ষিপ্তকরণ এবং র্যাঙ্কিং সিস্টেমের কার্যকারিতায় অবদান রাখতে পারে। এই কাগজটি SASI উপস্থাপন করে, যা একটি উপন্যাস, যা পণ্য পর্যালোচনাগুলিতে ব্যঙ্গাত্মক বাক্যগুলিকে স্বীকৃতি দেয়। এসএএসআই এর দুটি পর্যায় রয়েছেঃ আধা-নিরীক্ষিত প্যাটার্ন অধিগ্রহণ এবং ব্যঙ্গাত্মক শ্রেণিবিন্যাস। আমরা বিভিন্ন বই এবং পণ্যের জন্য প্রায় ৬৬,০০০ অ্যামাজন পর্যালোচনা দিয়ে একটি ডেটা সেট পরীক্ষা করেছি। একটি স্বর্ণমান ব্যবহার করে যেখানে প্রতিটি বাক্যকে 3 টি ট্যাগ করা হয়, আমরা 77% সঠিকতা অর্জন করেছি এবং 83.1% স্মরণ করেছি বিদ্রূপাত্মক বাক্য চিহ্নিত করার জন্য। আমরা কিছু শক্তিশালী বৈশিষ্ট্য খুঁজে পেয়েছি যা বিদ্রূপাত্মক বক্তব্যের বৈশিষ্ট্য। তবে, আরো সূক্ষ্ম নিদর্শন-ভিত্তিক বৈশিষ্ট্যগুলির সমন্বয়টি ব্যঙ্গাত্মকতার বিভিন্ন দিক চিহ্নিত করার ক্ষেত্রে আরও আশাব্যঞ্জক প্রমাণিত হয়েছিল। আমরা অনলাইন কমিউনিটি এবং সামাজিক নেটওয়ার্কগুলিতে ব্যঙ্গাত্মক বক্তব্য ব্যবহারের প্রেরণা সম্পর্কেও ধারণা করছি। |
7a953aaf29ef67ee094943d4be50d753b3744573 | |
94f8a728a072b9b48b043a87b16619a052340421 | সাম্প্রতিকতম ওয়্যারলেস সেন্সর নেটওয়ার্ক প্রযুক্তিগুলি জল গ্রিডের স্বয়ংক্রিয় পর্যবেক্ষণ এবং জল ব্যবহারের স্মার্ট মিটারিংয়ের কার্যকর সমাধান সরবরাহ করতে পারে। তবে, জল পাইপ বরাবর অবস্থিত সেন্সর নোডগুলি তাদের কাজের শর্ত দ্বারা প্রযোজ্য প্রয়োজনীয় শক্তি পেতে পাওয়ার গ্রিড সুবিধা অ্যাক্সেস করতে পারে না। এই অর্থে, নেটওয়ার্ক আর্কিটেকচারটি এমনভাবে ডিজাইন করা অত্যন্ত গুরুত্বপূর্ণ যাতে সর্বনিম্ন সম্ভাব্য শক্তির প্রয়োজন হয়। এই গবেষণাপত্রে ভবিষ্যতে স্মার্ট ওয়াটার গ্রিডে ব্যবহারের জন্য ওয়্যারলেস মিটারিং বাস প্রোটোকলের উপযুক্ততা নিয়ে আলোচনা করা হয়েছে। |
25931b74f11f0ffdd18c3f81d3899c0efa710223 | এই গবেষণাপত্রে বিনিয়োগকারীদের দৃষ্টিভঙ্গি থেকে মিউচুয়াল ফান্ডের পারফরম্যান্স বিশ্লেষণ করা হয়েছে। আমরা গড়-বিকৃতি বিনিয়োগকারীর জন্য পোর্টফোলিও-চয়ন সমস্যা অধ্যয়ন করি যা ঝুঁকি-মুক্ত সম্পদ, সূচক তহবিল এবং সক্রিয়ভাবে পরিচালিত মিউচুয়াল ফান্ডের মধ্যে নির্বাচন করে। এই সমস্যা সমাধানের জন্য, আমরা কর্মক্ষমতা মূল্যায়নের একটি Bayesian পদ্ধতি ব্যবহার করি; আমাদের পদ্ধতির একটি মূল উদ্ভাবন হল ব্যবস্থাপনাগত দক্ষতা সম্পর্কে পূর্ববর্তী বিশ্বাসের একটি সংক্ষিপ্ত সেট বিকাশ। এরপর আমরা আমাদের পদ্ধতিটি ১৪৩৭টি মিউচুয়াল ফান্ডের একটি নমুনায় প্রয়োগ করি। আমরা দেখতে পাচ্ছি যে কিছু অত্যন্ত সন্দেহজনক পূর্ববর্তী বিশ্বাস তবুও সক্রিয় পরিচালকদের অর্থনৈতিকভাবে উল্লেখযোগ্য বরাদ্দ দেয়। সক্রিয়ভাবে পরিচালিত ইকুইটি মিউচুয়াল ফান্ডের সম্পদ কয়েক ট্রিলিয়ন ডলার, পরিচালনার ফি হিসেবে কয়েক দশক বিলিয়ন ডলার সংগ্রহ করে এবং বিনিয়োগকারী, সংবাদমাধ্যম এবং গবেষকদের কাছ থেকে প্রচুর মনোযোগের বিষয়। কয়েক বছর ধরে অনেক বিশেষজ্ঞ বলছেন যে বিনিয়োগকারীরা কম খরচে প্যাসিভলি ম্যানেজড ইনডেক্স ফান্ডে বিনিয়োগ করলে ভালো হবে। সাম্প্রতিক সময়ে সূচক তহবিলের পরিমাণ বৃদ্ধি পেলেও সক্রিয় ব্যবস্থাপকরা এখনও মিউচুয়াল ফান্ডের সম্পদের অধিকাংশ নিয়ন্ত্রণ করে থাকেন। এই সক্রিয় পরিচালকদের মধ্যে কেউ কি তাদের অতিরিক্ত খরচ বহন করে? বিনিয়োগকারীদের কি সব সক্রিয়ভাবে পরিচালিত মিউচুয়াল ফান্ড এড়িয়ে চলতে হবে? জেনসেন (১৯৬৮) এর পর থেকে, বেশিরভাগ গবেষণায় দেখা গেছে যে, মিউচুয়াল ফান্ডের মহাবিশ্ব খরচ ছাড়িয়ে তার মানদণ্ডকে ছাড়িয়ে যায় না। অন্যদিকে, সাম্প্রতিক গবেষণায় দেখা গেছে যে ভবিষ্যতে অস্বাভাবিকতা ~আলফা! গতকালের রিটার্ন বা আলফা ব্যবহার করে পূর্বাভাস দেওয়া যায়, * বক্স এবং মেট্রিক পেন্সিলভেনিয়া বিশ্ববিদ্যালয়ের ওয়ারটন স্কুলের অর্থ বিভাগের। ওয়াচার নিউ ইয়র্ক বিশ্ববিদ্যালয়ের স্টার্ন স্কুলের অর্থ বিভাগের। আমরা নিক বারবেরিস, গ্যারি চেম্বারলেন, কেন ফ্রেঞ্চ, উইল গটজম্যান, কারস্টেন হ্যানসেন, ক্রিস জোন্স, টম নক্স, টনি ল্যানকাস্টার, ল্যাবস পাস্টর, আন্দ্রে পেরোল্ড, স্টিভ রস, আন্দ্রে শ্লেফার, রব স্ট্যামবাউ, রেনে স্টুলজ, শেরিদান টিটম্যান, একটি বেনামে রেফারি এবং কলম্বিয়া, ওয়ারটন, এনবিইআর, ১৯৯৯ সালের এনবিইআর সামার ইনস্টিটিউট এবং ২০০০ সালের এএফএ সভাগুলিতে সহায়ক মন্তব্যের জন্য ধন্যবাদ জানাই। ওয়াচার আর্থিক সহায়তার জন্য লেহম্যান ব্রাদার্সকে ধন্যবাদ জানিয়েছেন। 1 সম্প্রতি, কারহার্ট ~ ১৯৯৫ !, মালকিয়েল ~ ১৯৯৫ !, এবং ড্যানিয়েল এট আল। - ১৯৯৭! সবগুলোই অস্বাভাবিক রিটার্নের জন্য ছোট বা শূন্য গড় খুঁজে পায়, যেগুলো আধুনিক পারফরম্যান্স-মূল্যায়ন পদ্ধতি ব্যবহার করে নমুনাগুলোতে পাওয়া যায়, যেগুলো অপেক্ষাকৃত বেঁচে থাকার পক্ষপাত থেকে মুক্ত। 2 কার্লসন ~ 1970 !, লেহম্যান এবং বিনয়ী ~ 1987 !, গ্রিন্ব্ল্যাট এবং টিটম্যান ~ 1988, 1992 !, হেন্ড্রিক্স, প্যাটেল এবং জেকহাউজার ~ 1993 !, গটজমান এবং ইববটসন ~ 1994 !, ব্রাউন এবং গটজমান ~ 1995 !, এলটন, গ্রুবার এবং ব্লেক ~ 1996 !, এবং কার্হার্ট ~ 1997 ! THE JOURNAL OF FINANCE • ভোল. এলভিআই, না। ১ • ফেব্রুয়ারি ২০০১ |
f23ecb25c3250fc6e2d3401dc2f54ffd6135ae2e | মিলিমিটার ওয়েভ এবং টেরাহার্জ (30-10 000 গিগাহার্টজ) প্রযুক্তির উন্নয়নে উল্লেখযোগ্য অগ্রগতি হয়েছে, যাতে এই ইলেক্ট্রোম্যাগনেটিক স্পেকট্রামে ক্রমবর্ধমান আগ্রহের সাথে মোকাবিলা করা যায়, যা এখনও সম্পূর্ণরূপে অন্বেষণ করা হয়নি। এই ফ্রিকোয়েন্সি রেঞ্জের ইলেক্ট্রোম্যাগনেটিক তরঙ্গের প্রকৃতি উচ্চ-রেজোলিউশন ইমেজিং অ্যাপ্লিকেশন, আণবিক-সংবেদনশীল বর্ণালী ডিভাইস এবং অতি-ব্রডব্যান্ড ওয়্যারলেস যোগাযোগের বিকাশের জন্য উপযুক্ত। এই গবেষণাপত্রে মিলিমিটার ওয়েভ এবং টেরাহার্জ অ্যান্টেনা প্রযুক্তির উপর আলোকপাত করা হয়েছে, যার মধ্যে রয়েছে বিভিন্ন প্ল্যাটফর্মের উপর ভিত্তি করে প্রচলিত এবং অ-প্রচলিত প্ল্যানার/অ-প্ল্যানার অ্যান্টেনা কাঠামো। একটি প্রতিশ্রুতিশীল প্রযুক্তিগত প্ল্যাটফর্ম হিসাবে, সাবস্ট্রেট ইন্টিগ্রেটেড সার্কিট (এসআইসি) ক্রমবর্ধমান মনোযোগ আকর্ষণ করে। বিভিন্ন সাবস্ট্রেট-ইন্টিগ্রেটেড ওয়েভগাইড (এসআইডব্লিউ) স্কিম এবং অন্যান্য সিন্থেটিক গাইড কৌশলগুলি অ্যান্টেনা এবং অ্যারের নকশায় ব্যাপকভাবে ব্যবহৃত হয়েছে। বিভিন্ন ধরণের সাবস্ট্রেট-ইন্টিগ্রেটেড অ্যান্টেনা এবং বিমফর্মিং নেটওয়ার্কগুলি বৈদ্যুতিক এবং যান্ত্রিক পারফরম্যান্সের সাথে সম্পর্কিত তাত্ত্বিক এবং পরীক্ষামূলক ফলাফলের সাথে আলোচনা করা হয়। |
e2d634ee9e9abaca804b69af69a40cf00897b2d0 | |
36246ff904be7044ecd536d072b1388ea59aaf43 | দক্ষিণ আফ্রিকার শিশুদের মধ্যে যৌন নির্যাতন ব্যাপকভাবে ছড়িয়ে আছে, তবে ঝুঁকির কারণ এবং মানসিক পরিণতি সম্পর্কে তথ্য সীমিত এবং মিশ্রিত। আমাদের যুব মানসিক চাপ ক্লিনিকের কাছে পাঠানো মানসিক আঘাতপ্রাপ্ত শিশু ও কিশোরদের সাক্ষাৎকার নেওয়া হয় যাতে জনসংখ্যাগত, যৌন নির্যাতন, জীবনকালীন আঘাত এবং মানসিক ইতিহাসের তথ্য পাওয়া যায়। ৯৪ জন অংশগ্রহণকারীর তথ্য বিশ্লেষণ করা হয় (৫৯ জন মহিলা, ৩৫ জন পুরুষ; গড় বয়স ১৪.২৫ [৮.২৫-১৯] বছর) যারা অন্তত একবার জীবনে আঘাতের সম্মুখীন হয়েছেন। ৫৩% অংশগ্রহণকারী (৪২.৫৬% নারী, ১০.৬৩% পুরুষ) যৌন নির্যাতনের শিকার হয়েছেন। মাল্টিমিয়াল লজিস্টিক রিগ্রেশন বিশ্লেষণে দেখা গেছে যে মহিলা লিঙ্গ (পি = 0.002) এবং একক-পিতামাতা পরিবার (পি = 0.01) সিএসএ (62.5%) এর উল্লেখযোগ্য পূর্বাভাসকারী। সিএসএ অন্যান্য আঘাতের জন্য এক্সপোজার পূর্বাভাস দেয়নি। যৌন নির্যাতন করা শিশুদের শারীরিক ও মানসিক নির্যাতনের উপ-স্কেল স্কোর এবং মোট সিটিকিউ স্কোরগুলি নির্যাতন না করা শিশুদের তুলনায় উল্লেখযোগ্যভাবে বেশি ছিল। মানসিক চাপ (৩৩%, এক্স ২ = ১০. ৮৯, পি = ০. ০০১) এবং পিটিএসডি (৬৩. ৮%, এক্স ২ = ৪. ৭৯, পি = ০. ০৩৪) ছিল ট্রমা- এর সবচেয়ে প্রচলিত মানসিক পরিণতি এবং উভয়ই সিএসএ- এর সাথে উল্লেখযোগ্যভাবে যুক্ত ছিল। এই আঘাতপ্রাপ্ত নমুনায় সিএসএ এর উচ্চ হার পিটিএসডি এর উচ্চ হার পূর্বাভাস দিয়েছে। আমরা যে সমিতিগুলি পেয়েছি তা সিএসএর আন্তর্জাতিক গবেষণার সাথে সামঞ্জস্যপূর্ণ বলে মনে হচ্ছে এবং উন্নয়নশীল দেশগুলিতে ভবিষ্যতে সামাজিক সচেতনতা, প্রতিরোধ এবং চিকিত্সা কৌশলগুলিতে ফোকাস করার জন্য ব্যবহার করা উচিত। |
af82f1b9fdee7e6f92fccab2e6f02816965bf937 | আলঝাইমার রোগ (AD) হল সবচেয়ে সাধারণ ধরনের ডিমেনশিয়া। বর্তমানে এডের জন্য কোন নিরাময় নেই এবং রোগের অগ্রগতি বিলম্বিত করতে পারে এমন চিকিৎসা পদ্ধতির বিকাশের জন্য প্রাথমিক রোগ নির্ণয় অত্যন্ত গুরুত্বপূর্ণ। মস্তিষ্কের ইমেজিং আলঝাইমার রোগের জন্য একটি বায়োমার্কার হতে পারে। এমআর ইমেজ ব্যবহার করে বেশ কয়েকটি গবেষণায় এই বিষয়টি প্রমাণিত হয়েছে, কিন্তু PET এর মতো ফাংশনাল ইমেজিংয়ের ক্ষেত্রে, এডের রোগ নির্ণয়ের ক্ষমতা নির্ধারণের জন্য আরও তদন্তের প্রয়োজন রয়েছে, বিশেষ করে হালকা জ্ঞানীয় ত্রুটির (এমসিআই) প্রাথমিক পর্যায়ে। এই গবেষণাপত্রে আমরা এডিএনআই ডাটাবেসের পিইটি ইমেজ ব্যবহার করে এডি এবং এমসিআই রোগ নির্ণয়ের বিষয়ে গবেষণা করছি। আমরা একটি বুস্টিং শ্রেণীবিভাগ পদ্ধতি গ্রহণ করি, যা সহজ শ্রেণীবিভাগের মিশ্রণের উপর ভিত্তি করে একটি কৌশল, যা সেগমেন্টেশন সহ সমান্তরালভাবে বৈশিষ্ট্য নির্বাচন করে, তাই উচ্চ মাত্রিক সমস্যার জন্য উপযুক্ত। বুস্টিং শ্রেণীবিভাগকারী এডি সনাক্তকরণে ৯০.৯৭% এবং এমসিআই সনাক্তকরণে ৭৯.৬৩% নির্ভুলতা অর্জন করেছে। |
c23136a48527a20d6bfef019337ba4494077f7c5 | |
753c0ecd5b4951b94fcba2fbc30ede5499ae00f5 | এই গবেষণাপত্রে ৪৭০ মেগাহার্টজ থেকে ৭০০ মেগাহার্টজ পর্যন্ত স্পেকট্রাম ব্যান্ডে কাজ করা টিভি হোয়াইট স্পেস (টিভিডব্লিউএস) বেস স্টেশনের জন্য একটি ব্রডব্যান্ড অ্যান্টেনার ডিজাইন ও সিমুলেশন উপস্থাপন করা হয়েছে। প্রিন্ট করা লগ পেরিওডিক ডাইপোল অ্যারে (এলপিডিএ) এর ধারণা, যা বিস্তৃত ব্যান্ডউইথ সরবরাহ করে, এটি প্রশস্ত ব্যান্ড অ্যান্টেনা উপলব্ধি করতে ব্যবহৃত হয়েছে। অ্যান্টেনা উপাদানগুলি εr = 4.4 এবং tan δ = 0.02 সহ স্বল্পমূল্যের FR4 স্তরগুলিতে মুদ্রিত হয়। এই উপাদানগুলি সাবস্ট্রেটের উভয় পাশে বিকল্পভাবে মুদ্রিত হয়। অ্যান্টেনার মোট আয়তন ৩০৩ × ১৬২.৩ × ১.৬ মিমি৩। আকার কমানোর জন্য, এই নকশা জন্য স্কেলিং ফ্যাক্টর (τ) 0.89 হিসাবে বিবেচনা করা হয় এবং আপেক্ষিক ব্যবধান (σ) 0.054 হিসাবে নির্বাচিত হয়। অ্যান্টেনাকে ক্ষুদ্রতম উপাদান থেকে খাদ্য সরবরাহ করা হয়। অ্যান্টেনাটি 470 MHz-700 MHz ফ্রিকোয়েন্সি পরিসরে VSWR এর জন্য একটি প্রতিবন্ধকতা ব্যান্ডউইথ ≤ 2 দেখায়। এই অ্যান্টেনার লাভ পুরো অপারেশন ব্যান্ডে ৫.৩ থেকে ৬.৫ ডিবি এর মধ্যে। রেডিয়েশন প্যাটার্ন ই এবং এইচ-প্লেন উভয় ক্ষেত্রেই সর্বাধিক 30 ডিবি এর সামনের থেকে পিছনের লব অনুপাত (এফ / বি) সহ ইউনিফর্ম রেডিয়েশন প্যাটার্ন সহ শেষ আগুনের আচরণ দেখায়। |
426ccb6a700ac1dbe21484735fc182127783670b | সাম্প্রতিক বছরগুলোতে মতামত সংগ্রহের বিষয়টি অনেক গবেষকের দৃষ্টি আকর্ষণ করেছে। তবে, মতামত স্প্যাম (বা জাল পর্যালোচনা) সনাক্তকরণের ক্ষেত্রে সীমিত কাজ করা হয়েছে। এই সমস্যাটি ওয়েব সার্চে স্প্যামের মতোই [1, 9 11] । তবে পর্যালোচনা স্প্যাম সনাক্ত করা কঠিন কারণ এটি খুব কঠিন, যদি অসম্ভব না হয়, তবে ম্যানুয়ালি তাদের পড়া দ্বারা জাল পর্যালোচনাগুলি সনাক্ত করা [2]। এই কাগজটি একটি সীমাবদ্ধ সমস্যা নিয়ে কাজ করে, অর্থাৎ, অস্বাভাবিক পর্যালোচনা নিদর্শনগুলি সনাক্ত করে যা পর্যালোচকদের সন্দেহজনক আচরণের প্রতিনিধিত্ব করতে পারে। আমরা সমস্যাটিকে এমনভাবে ব্যাখ্যা করি যে, আমরা অপ্রত্যাশিত নিয়ম খুঁজে পাই। এই কৌশলটি ডোমেইন স্বাধীন। এই কৌশল ব্যবহার করে আমরা অ্যামাজন ডট কমের পর্যালোচনা ডেটা সেট বিশ্লেষণ করেছি এবং অনেক অপ্রত্যাশিত নিয়ম এবং নিয়ম গোষ্ঠী খুঁজে পেয়েছি যা স্প্যাম কার্যক্রমকে নির্দেশ করে। |
0f0387d7207390dec305e09cdbbf4847e3c948e7 | অটোএমএল-এর সাম্প্রতিক অগ্রগতি স্বয়ংক্রিয় সরঞ্জামগুলির দিকে পরিচালিত করেছে যা মেশিন লার্নিং বিশেষজ্ঞদের সাথে তত্ত্বাবধানে শেখার কাজগুলিতে প্রতিযোগিতা করতে পারে। এই কাজের মাধ্যমে আমরা অটো-নেট এর দুটি সংস্করণ উপস্থাপন করছি, যা কোনো মানব হস্তক্ষেপ ছাড়াই স্বয়ংক্রিয়ভাবে-টুনড গভীর নিউরাল নেটওয়ার্ক প্রদান করে। প্রথম সংস্করণ, অটো-নেট ১.০, বেয়েসিয়ান অপ্টিমাইজেশন পদ্ধতি এসএমএসি ব্যবহার করে প্রতিযোগিতায় বিজয়ী সিস্টেম অটো-স্কিলার্নের ধারণাগুলি তৈরি করে এবং থিয়ানোকে অন্তর্নিহিত গভীর শিক্ষার (ডিএল) কাঠামো হিসাবে ব্যবহার করে। সাম্প্রতিকতম অটো-নেট ২.০ বেয়েসিয়ান অপ্টিমাইজেশন এবং হাইপারব্যান্ডের সাম্প্রতিক সংমিশ্রণের উপর ভিত্তি করে তৈরি করা হয়েছে, যাকে বোএইচবি বলা হয় এবং পাইটর্চকে ডিএল কাঠামো হিসাবে ব্যবহার করে। আমাদের জ্ঞানের সর্বোত্তম হিসাবে, অটো-নেট ১.০ ছিল প্রথম স্বয়ংক্রিয়-টিউনড নিউরাল নেটওয়ার্ক যা মানব বিশেষজ্ঞদের বিরুদ্ধে প্রতিযোগিতার ডেটাসেট জিতেছিল (প্রথম অটোএমএল চ্যালেঞ্জের অংশ হিসাবে) । আরও অভিজ্ঞতার ফলাফল দেখায় যে অটো-নেট ১.০ এর সাথে অটো-স্কিলার্ন একত্রিত করা একা পদ্ধতির চেয়ে ভাল পারফর্ম করতে পারে এবং অটো-নেট ২.০ এর চেয়েও ভাল পারফর্ম করতে পারে। |
1ff3ebd402e29c3af7226ece7f1d716daf1eb4a9 | এই কাগজটি দুটি 32-উপাদান সিজি-ভিত্তিক ফেজড অ্যারের মধ্যে একটি 64 গিগাহার্জ প্রেরণ / গ্রহণ যোগাযোগ লিঙ্ক উপস্থাপন করে। অ্যান্টেনা উপাদানটি একটি সিরিজ-ফিড প্যাচ অ্যারে, যা উচ্চতা সমতলটিতে নির্দেশমূলকতা সরবরাহ করে। ট্রান্সমিটার অ্যারে 42 ডিবিএম এর একটি EIRP ফলাফল, যখন রিসিভার অ্যারে 33 ডিবি একটি ইলেকট্রনিক লাভ এবং একটি সিস্টেম NF < 8 ডিবি টি / আর সুইচ এবং অ্যান্টেনা ক্ষতি সহ প্রদান করে। এই অ্যারেগুলি সিজি চিপে একটি ৫-বিট ফেজ শিফটার ব্যবহার করে +/−৫০° এজিমথ স্ক্যান করা যায়, খুব কম সাইডলব এবং প্রায় আদর্শ প্যাটার্ন বজায় রেখে। যোগাযোগ লিঙ্কটি প্রেরণকারী দিকে একটি অ্যারে এবং অন্য অ্যারে গ্রহণকারী দিকে ব্যবহার করে, বহিরাগত মিক্সার এবং IF পরিবর্ধকগুলির সাথে। একটি Keysight M8195A স্বৈরশাসিত তরঙ্গ আকৃতি জেনারেটর ট্রান্সমিটার দিকে modulated তরঙ্গ আকৃতি উৎপন্ন করতে ব্যবহৃত হয় এবং একটি Keysight DSO804A দোলক ব্যবহৃত হয় প্রাপ্ত IF সংকেত demodulate করতে। বিভিন্ন স্ক্যান কোণ এবং মডুলেশন ফরম্যাটের জন্য লিঙ্ক পারফরম্যান্স পরিমাপ করা হয়েছিল। ৩০০ মিটার দূরত্বের মধ্যে ১৬-কিউএএম ব্যবহার করে ১ গিগাবাইট/সেকেন্ড এবং কিউপিএসকে ব্যবহার করে ২ গিগাবাইট/সেকেন্ডের ডেটা রেট প্রদর্শিত হয়। এই সিস্টেমটি ১০০ মিটার দূরত্বের মধ্যে ৪ গিগাবাইট/সেকেন্ডের বেশি ডেটা রেট এবং ৮০০ মিটার দূরত্বের মধ্যে ∼৫০০ মেগাবাইট/সেকেন্ডের ডেটা রেট প্রদান করে। |
2fb03a66f250a2c51eb2eb30344a13a5e4d8a265 | এই গবেষণাপত্রে একটি খুব বড়, সমতল সক্রিয় ইলেকট্রনিক স্ক্যান অ্যারে (AESA) এর একটি ফ্যাব্রিকেশন পদ্ধতি এবং পরীক্ষামূলক বৈধতা নিয়ে আলোচনা করা হয়েছে। এই প্ল্যানার এএএসএ আর্কিটেকচারে এক্স-ব্যান্ডে ৭৬৮ টি সক্রিয় অ্যান্টেনা উপাদান সহ একটি একক প্রিন্ট করা সার্কিট বোর্ড (পিসিবি) ব্যবহার করা হয়। উচ্চ উপাদান গণনা সঙ্গে শারীরিকভাবে বড় অ্যারে উত্পাদন নির্মাণ, সমাবেশ এবং ফলন বিবেচনার সাথে সম্পর্কিত আলোচনা করা হয়। ইএসই এর পরিমাপ সক্রিয় অ্যারে নিদর্শন এছাড়াও উপস্থাপন করা হয়। |
5ec3ee90bbc5b23e748d82cb1914d1c45d85bdd9 | এই গবেষণাপত্রে Q-ব্যান্ড স্যাটেলাইট অ্যাপ্লিকেশনের জন্য একটি স্ট্যান্ডার্ড 0.18-মাম সিজি BiCMOS প্রযুক্তিতে একটি 16-উপাদানের ফেজড-অ্যারে ট্রান্সমিটার প্রদর্শন করা হয়েছে। ট্রান্সমিটার অ্যারেটি 4-বিট আরএফ ফেজ শিফটার এবং একটি কর্পোরেট ফিড নেটওয়ার্কের সাথে সমস্ত-আরএফ আর্কিটেকচারের উপর ভিত্তি করে। একটি ১ঃ২ সক্রিয় ডিভাইডার এবং ২ঃ১৮ প্যাসিভ টি-জংশন ডিভাইডার কর্পোরেট ফিড নেটওয়ার্ক গঠন করে এবং ত্রিমাত্রিক ঢালাই সংক্রমণ লাইনগুলি প্যাসিভ ডিভাইডারের জন্য এলাকা কমিয়ে আনার জন্য ব্যবহৃত হয়। ইনপুট এবং আউটপুট ইন্টারফেস ব্যতীত চিপের ভিতরে সমস্ত সংকেতগুলি ভিন্নভাবে প্রক্রিয়াজাত করা হয়। ফেজড অ্যারে ট্রান্সমিটারটি 42.5 গিগাহার্জ এ 39.9-45.6 গিগাহার্জের 3-ডিবি লাভের ব্যান্ডউইথ সহ প্রতি চ্যানেলে 12.5 ডিবি গড় পাওয়ার লাভের ফলাফল দেয়। RMS লাভের পরিবর্তন < 1.3 dB এবং RMS ফেজ পরিবর্তন < 35-50 গিগাহার্জ এ সমস্ত 4-বিট ফেজ রাজ্যের জন্য। পরিমাপ করা ইনপুট এবং আউটপুট রিটার্ন ক্ষতিগুলি যথাক্রমে 36.6-50 গিগাহার্টজ এবং 37.6-50 গিগাহার্টজে <-10 ডিবি। পিক টু পিক গ্রুপ বিলম্বের পরিমাপ করা বৈচিত্র্য 40-45 গিগাহার্জেডে + 20 পিএস। আউটপুট P-1dB হল -5plusmn1.5 dBm এবং সর্বোচ্চ স্যাচুরেটেড আউটপুট পাওয়ার হল -2.5plusmn1.5 dBm প্রতি চ্যানেল 42.5 গিগাহার্টে। ট্রান্সমিটারটি সমস্ত ফেজ রাজ্যের 16 টি বিভিন্ন চ্যানেলের মধ্যে <1.8 ডিবি আরএমএস লাভের অসঙ্গতি এবং < 7 ডিগ্রি আরএমএস ফেজ অসঙ্গতি দেখায়। A - 30 dB সবচেয়ে খারাপ ক্ষেত্রে পোর্ট-টু-পোর্ট কপলিং 30-50 গিগাহার্জ সংলগ্ন চ্যানেলের মধ্যে পরিমাপ করা হয়, এবং পরিমাপকৃত RMS লাভ এবং আন্তঃ-চ্যানেল কপলিংয়ের কারণে ফেজ ব্যাঘাতগুলি 35-50 গিগাহার্জেস এ যথাক্রমে < 0.15 dB এবং < 1 ডিগ্রি হয়। সমস্ত পরিমাপ কোনও অন-চিপ ক্যালিব্রেশন ছাড়াই প্রাপ্ত হয়। চিপটি 5 ভি সরবরাহের ভোল্টেজ থেকে 720 এমএ খরচ করে এবং চিপের আকার 2.6x3.2 মিমি 2। |
a1b40af260487c00a2031df1ffb850d3bc368cee | মিমি-ওয়েভ ব্যান্ডে পরবর্তী প্রজন্মের সেলুলার প্রযুক্তি (5G) এর বিকাশের জন্য কম খরচে ফেজড-অ্যারে ট্রান্সসিভার প্রয়োজন হবে [1]। এমনকি বিমফর্মিংয়ের সুবিধা সহ, মোবাইল ফর্ম-ফ্যাক্টরের স্থান সীমাবদ্ধতার কারণে, গ্রহণযোগ্য পিএপিই, এলএনএ এনএফ এবং সামগ্রিক ট্রান্সসিভার পাওয়ার খরচ বজায় রেখে টিএক্স আউটপুট পাওয়ার বৃদ্ধি করা লিঙ্ক বাজেটের অনুমোদিত পথের ক্ষতিকে সর্বাধিকতর করতে এবং হ্যান্ডসেট কেস তাপমাত্রা হ্রাস করতে গুরুত্বপূর্ণ। তদুপরি, ফেজড অ্যারে ট্রান্সসিভারকে দ্বৈত-ধ্রুবীকরণ যোগাযোগ সমর্থন করতে সক্ষম হতে হবে। হ্যান্ডসেট বা ইউজার ইকুইপমেন্ট (ইউই) সক্রিয় অ্যান্টেনার কম বিদ্যুৎ খরচ এবং গ্রাহক প্রাঙ্গনে সরঞ্জাম (সিপিই) বা বেস স্টেশন (বিএস) অ্যান্টেনা অ্যারেগুলির জন্য ট্রান্সসিভারগুলির অ্যারে ব্যবহারের জন্য একটি কম ক্ষতির আইএফ পাওয়ার-কম্বাইনিং / স্প্লিটিং নেটওয়ার্ক বাস্তবায়িত একটি অ্যান্টেনা ব্যাকপ্লেনে একাধিক টাইলযুক্ত অ্যান্টেনা মডিউল বহন করে এমন একটি আইএফ ইন্টারফেস অ্যানালগ বেসব্যান্ডের সাথে পছন্দসই। |
c1efd29ddb6cb5cf82151ab25fbfc99e20354d9e | জেফ্রি পেনিংটন এবং অন্যান্যদের দ্বারা প্রবর্তিত শব্দ প্রতিনিধিত্বের জন্য গ্লোবাল ভেক্টর (গ্লোভ) । [3] শব্দগুলির ভেক্টর উপস্থাপনা শেখার জন্য একটি দক্ষ এবং কার্যকর পদ্ধতি হিসাবে রিপোর্ট করা হয়। স্কিপ-গ্রাম নেগেটিভ-স্যাম্পলিং (এসজিএনএস) [2] দ্বারাও অত্যাধুনিক পারফরম্যান্স সরবরাহ করা হয় যা ওয়ার্ড 2 ভিসি সরঞ্জামে প্রয়োগ করা হয়। এই নোটটিতে আমরা দুটি মডেলের প্রশিক্ষণের লক্ষ্যগুলির মধ্যে মিলগুলি ব্যাখ্যা করি এবং দেখাই যে এসজিএনএসের লক্ষ্যটি গ্লোভের একটি বিশেষায়িত ফর্মের লক্ষ্যের সাথে মিল রয়েছে, যদিও তাদের ব্যয় ফাংশনগুলি আলাদাভাবে সংজ্ঞায়িত করা হয়েছে। |
b8090b7b7efa0d971d3e1174facea60129be09c6 | ডেটা সেন্টারগুলি সংখ্যা এবং আকারে বিস্ময়কর হারে বৃদ্ধি পাচ্ছে, যখন অপারেশনাল খরচ, তাপ ব্যবস্থাপনা, আকার এবং কর্মক্ষমতা সম্পর্কিত কম্পিউটিং সরঞ্জামগুলিতে পাওয়ার সাবসিস্টেমের জন্য ড্রাইভিং মেট্রিক্স অব্যাহত রয়েছে। এই কাগজটি একটি সিসি-ভিত্তিক ফেজ-শিফটেড ফুল ব্রিজ (পিএসএফবি) কনভার্টার উপস্থাপন করে যা 10 কেডব্লিউ আউটপুট পাওয়ারের জন্য ডিজাইন করা হয়েছে এবং ডেটা সেন্টার অ্যাপ্লিকেশনগুলিতে লক্ষ্যবস্তু করা হয়েছে। ডিজাইন পদ্ধতির উপর কনভার্টার দক্ষতা টিউনিং এবং তাপ ব্যবস্থাপনা সিস্টেম কমানোর উপর দৃষ্টি নিবদ্ধ করা, একটি উচ্চ ঘনত্ব কনভার্টার ফলে। তাপ ব্যবস্থাপনা পদ্ধতির মাধ্যমে বিদ্যুতের ঘনত্ব বৃদ্ধি পেয়েছে এবং তাপ ব্যবস্থাপনা আরও উন্নত হয়েছে। এই গবেষণাপত্রে, এই রূপান্তরকারী বাস্তবায়ন বিস্তারিতভাবে বর্ণনা করা হয়েছে, বৈদ্যুতিক এবং তাপীয় উভয়ই পরীক্ষামূলক ফলাফলের সাথে। |
4ddbeb946a4ff4853f2e98c547bb0b39cc6a4480 | মেটা-উপাদান এবং এন্টেন সিস্টেমে তাদের প্রয়োগের একটি সংক্ষিপ্ত পর্যালোচনা দেওয়া হয়েছে। কৃত্রিম চৌম্বকীয় কন্ডাক্টর এবং বৈদ্যুতিকভাবে ছোট বিকিরণ এবং ছড়িয়ে ছিটিয়ে সিস্টেমগুলি জোর দেওয়া হয়। একক নেতিবাচক, ডাবল নেতিবাচক এবং শূন্য-ইন্ডেক্স মেটা-উপাদান সিস্টেমগুলি তাদের আকার, দক্ষতা, ব্যান্ডউইথ এবং দিকনির্দেশের বৈশিষ্ট্যগুলিকে ম্যানিপুলেট করার উপায় হিসাবে আলোচনা করা হয়। মূলশব্দঃ মেটা-মাটিরিয়াল, বৈদ্যুতিকভাবে ছোট অ্যান্টেনা, জটিল মিডিয়া, কৃত্রিম চৌম্বকীয় কন্ডাক্টর |
967972821567b8a34dc058c9fbf60c4054dc3b69 | |
242377d7e76ad3371ed1814cf6f5249139e4b830 | উন্মুক্ত উদ্ভাবন উদ্ভাবন ব্যবস্থাপনায় অন্যতম গুরুত্বপূর্ণ বিষয় হয়ে উঠেছে। এই প্রবন্ধে আমরা উন্মুক্ত উদ্ভাবন ধারণা সম্পর্কে আমাদের উপলব্ধির সীমাবদ্ধতা সম্পর্কে আলোচনা করব। এই কাজটি করার সময় আমি কি (উন্মুক্ত উদ্ভাবনের বিষয়বস্তু), কখন (সংক্রান্তি নির্ভরতা) এবং কিভাবে (প্রক্রিয়া) এই প্রশ্নগুলো নিয়ে আলোচনা করি। উন্মুক্ত উদ্ভাবন একটি সমৃদ্ধ ধারণা, যা বিভিন্ন উপায়ে বাস্তবায়িত হতে পারে। উন্মুক্ত উদ্ভাবনের প্রসঙ্গ নির্ভরতা কমপক্ষে বোঝা যায় এমন একটি বিষয়; কর্মক্ষমতা প্রভাবিত অভ্যন্তরীণ এবং বহিরাগত পরিবেশের বৈশিষ্ট্য সম্পর্কে আরও গবেষণা প্রয়োজন। উন্মুক্ত উদ্ভাবন প্রক্রিয়া উন্মুক্ত উদ্ভাবনের দিকে রূপান্তর এবং বিভিন্ন উন্মুক্ত উদ্ভাবন অনুশীলনের সাথে সম্পর্কিত। যে কোন নতুন ধারণার মতো, প্রাথমিক গবেষণাগুলি সফল এবং প্রাথমিক গ্রহণকারীদের উপর দৃষ্টি নিবদ্ধ করে, কেস স্টাডি এবং বর্ণনামূলক উপর ভিত্তি করে। তবে, প্রথম দিকের ব্যবহারকারীদের কাছ থেকে প্রাপ্ত সমস্ত শিক্ষা পরবর্তী সংস্থাগুলিতে প্রযোজ্য নাও হতে পারে। কেস স্টাডি গবেষণা আমাদেরকে জিনিসগুলো কিভাবে কাজ করে তা বুঝতে সাহায্য করে এবং গুরুত্বপূর্ণ ঘটনাগুলো চিহ্নিত করতে সক্ষম করে। এর পর, বড় নমুনার মাধ্যমে পরিমানগত গবেষণা করে ফ্যাক্টরগুলির আপেক্ষিক গুরুত্ব নির্ধারণ করা, প্রভাবের চেইন বোঝার জন্য পথ মডেল তৈরি করা এবং প্রসঙ্গ নির্ভরতার জন্য আনুষ্ঠানিকভাবে পরীক্ষা করা উচিত। তবে, প্রমাণগুলি দেখায় যে উন্মুক্ত উদ্ভাবন অনেকগুলি সংস্থার জন্য এবং অনেকগুলি প্রেক্ষাপটে একটি মূল্যবান ধারণা ছিল, যে এটি উদ্ভাবন পরিচালনায় তার চূড়ান্ত স্থান খুঁজে পাওয়ার পথে রয়েছে। & 2010 Elsevier Ltd. সমস্ত অধিকার সংরক্ষিত. |
8fcffa267ed01e38e2280891c9f33bfa41771cad | সাজানো অনেক ডাটাবেস অপারেশনের মূল অংশ, যেমন সূচক তৈরি, সাজানো-মার্জ জয়েন এবং ব্যবহারকারীর দ্বারা অনুরোধ করা আউটপুট সাজানো। যেহেতু জিপিইউ বিভিন্ন অপারেশনকে ত্বরান্বিত করার জন্য একটি প্রতিশ্রুতিবদ্ধ প্ল্যাটফর্ম হিসাবে আবির্ভূত হচ্ছে, তাই জিপিইউতে বাছাই করা একটি কার্যকর প্রচেষ্টা হয়ে ওঠে। গত কয়েক বছরে, জিপিইউতে বাছাইয়ের জন্য বেশ কয়েকটি উন্নতি প্রস্তাব করা হয়েছে, যার ফলে প্রথম রেডিক্স বাছাই বাস্তবায়ন হয়েছে যা প্রতি সেকেন্ডে এক বিলিয়ন 32-বিট কীগুলির বাছাইয়ের হার অর্জন করে। তবুও, অত্যাধুনিক পদ্ধতিগুলি ভারীভাবে মেমরি ব্যান্ডউইথ-সীমাবদ্ধ, কারণ তাদের সিপিইউ-ভিত্তিক সমতুল্যগুলির তুলনায় উল্লেখযোগ্যভাবে বেশি মেমরি স্থানান্তর প্রয়োজন। আমাদের এই গবেষণায় একটি নতুন পদ্ধতির প্রস্তাব দেওয়া হয়েছে যা মেমরি ট্রান্সফারের পরিমাণকে প্রায় অর্ধেক করে দেয় এবং তাই মেমরি ব্যান্ডউইথের সীমাবদ্ধতাকে যথেষ্ট পরিমাণে তুলে নেয়। মাত্র ৫০ মিলিসেকেন্ডের মধ্যে আট বাইটের রেকর্ডের দুই গিগাবাইটের মধ্যে বাছাই করতে সক্ষম হয়ে আমাদের পদ্ধতিটি সর্বশেষতম জিপিইউ-ভিত্তিক র্যাডিক্স বাছাইয়ের চেয়ে ২.৩২ গুণ উন্নতি অর্জন করে, যা সমান বন্টনের জন্য, এবং ন্যূনতম গতি বাড়িয়ে দেয় যা ১.৬৬ এর চেয়ে কম নয়। যে ইনপুটগুলি জিপিইউতে থাকে না বা ডিভাইসের উপলব্ধ মেমরি অতিক্রম করে না সেগুলি মোকাবেলা করতে, আমরা পাইপলাইনযুক্ত বৈষম্যমূলক বাছাই অ্যালগরিদমের সাথে আমাদের দক্ষ জিপিইউ বাছাই পদ্ধতির উপর ভিত্তি করে তৈরি করি যা পিসিআইই ডেটা স্থানান্তরের সাথে সম্পর্কিত ওভারহেডকে হ্রাস করে। এন্ড-টু-এন্ড বাছাইয়ের পারফরম্যান্সের সাথে 16 টি থ্রেড চালিত অত্যাধুনিক সিপিইউ-ভিত্তিক র্যাডিক্স বাছাইয়ের তুলনা করে আমাদের বৈষম্যমূলক পদ্ধতিটি যথাক্রমে একটি স্কিওড এবং ইউনিফর্ম বন্টন সহ 64 গিগাবাইট কী-মান জোড়া বাছাইয়ের জন্য 2.06-গুণ এবং 1.53-গুণ উন্নতি অর্জন করে। |
b0c38ce8350927dd9cf3920f33f17b7bfc009c3b | |
81e0f458a894322baf170fa4d6fa8099bd055c39 | |
284db8df66ef94594ee831ff2b36f546e023953a | আমরা দৃশ্যমান শ্রেণীর স্বীকৃতি বিবেচনা করি, শ্রেণীর প্রোটোটাইপ উদাহরণগুলির সাথে সাদৃশ্য, বা সমতুল্যভাবে উপলব্ধি দূরত্ব পরিমাপের কাঠামোর মধ্যে। এই পদ্ধতিটি বেশ নমনীয়, এবং একটি সমজাতীয় কাঠামোর মধ্যে রঙ, টেক্সচার এবং বিশেষত আকারের উপর ভিত্তি করে স্বীকৃতির অনুমতি দেয়। নিকটতম প্রতিবেশী শ্রেণীবিভাগকারীরা এই সেটিংয়ে স্বাভাবিক হলেও, সীমিত নমুনা গ্রহণের ক্ষেত্রে তারা উচ্চ বৈকল্পিকতার সমস্যায় ভুগছে (বিভাজন-বৈকল্পিকতা বিচ্ছিন্নতায়) । বিকল্পভাবে, একজন সমর্থন ভেক্টর মেশিন ব্যবহার করতে পারে কিন্তু তারা সময় সাপেক্ষ অপ্টিমাইজেশান এবং জোড়া দূরত্বের গণনা জড়িত। আমরা এই দুই পদ্ধতির একটি হাইব্রিড প্রস্তাব করছি যা স্বাভাবিকভাবেই মাল্টি ক্লাস সেটিং নিয়ে কাজ করে, প্রশিক্ষণ এবং রান টাইমে উভয়ই যুক্তিসঙ্গত কম্পিউটেশনাল জটিলতা রয়েছে এবং অনুশীলনে চমৎকার ফলাফল দেয়। মূল ধারণাটি হল একটি ক্যোয়ারী নমুনার নিকটবর্তী প্রতিবেশীদের খুঁজে বের করা এবং একটি স্থানীয় সমর্থন ভেক্টর মেশিনকে প্রশিক্ষণ দেওয়া যা প্রতিবেশীদের সংগ্রহের দূরত্ব ফাংশন সংরক্ষণ করে। আমাদের পদ্ধতিটি বড়, মাল্টি ক্লাস ডেটা সেটগুলিতে প্রয়োগ করা যেতে পারে যার জন্য এটি নিকটতম প্রতিবেশী এবং সমর্থন ভেক্টর মেশিনগুলিকে ছাড়িয়ে যায় এবং যখন সমস্যাটি সমর্থন ভেক্টর মেশিনগুলির জন্য অসাধ্য হয়ে যায় তখন কার্যকর থাকে। দূরত্বের বিভিন্ন ফাংশন ব্যবহার করা যায় এবং আমাদের পরীক্ষাগুলি আকৃতি এবং টেক্সচার শ্রেণিবদ্ধকরণ (এমএনআইএসটি, ইউএসপিএস, সিইউআরইটি) এবং বস্তু স্বীকৃতি (কলটেক -১০১) এর জন্য বেশ কয়েকটি বেঞ্চমার্ক ডেটা সেটের উপর অত্যাধুনিক পারফরম্যান্স দেখায়। ক্যালটেক-১০১-এ আমরা প্রতি ক্লাসে ১৫টি প্রশিক্ষণ চিত্রের মাধ্যমে ৫৯.০৫% (±০.৫৬%) এবং ৩০টি প্রশিক্ষণ চিত্রের মাধ্যমে ৬৬.২৩% (±০.৪৮%) সঠিক শ্রেণীবিভাগের হার অর্জন করেছি। |
e5536c3033153fd18de13ab87428c204bb15818f | পরবর্তী প্রজন্মের এমবেডেড কম্পিউটিং সিস্টেমগুলিকে নতুন চ্যালেঞ্জ মোকাবেলা করতে হবে। এই সিস্টেমগুলো মূলত স্বয়ংক্রিয়ভাবে কাজ করবে, পরিবর্তিত পরিবেশের সাথে গতিশীলভাবে মানিয়ে নেবে এবং প্রয়োজন হলে একে অপরের সাথে যোগাযোগ করবে। এই ধরনের সিস্টেমকে অর্গানিক সিস্টেম বলা হয়। জৈব কম্পিউটিং সিস্টেমগুলি স্বায়ত্তশাসিত কম্পিউটিং সিস্টেমের অনুরূপ। এছাড়াও, অর্গানিক কম্পিউটিং সিস্টেমগুলি প্রায়শই জীবন-মত আচরণ করে এবং প্রকৃতি / জৈবিক ঘটনা দ্বারা অনুপ্রাণিত হয়। এই ধরনের সিস্টেমগুলির নকশা এবং নির্মাণ সফটওয়্যার ইঞ্জিনিয়ারিং প্রক্রিয়ার জন্য নতুন চ্যালেঞ্জ নিয়ে আসে। এই গবেষণাপত্রে আমরা জৈব কম্পিউটিং সিস্টেমগুলির নকশা, নির্মাণ এবং বিশ্লেষণের জন্য একটি কাঠামো উপস্থাপন করছি। এটি নকশা এবং নির্মাণের পাশাপাশি এটি (আধা) আনুষ্ঠানিকভাবে জৈব বৈশিষ্ট্যগুলি যেমন স্ব-কনফিগারেশন বা স্ব-অনুকূলিতকরণের জন্য ব্যবহার করা যেতে পারে। আমরা একটি বাস্তব বিশ্বের ক্ষেত্রে অধ্যয়ন থেকে উত্পাদন অটোমেশন থেকে কাঠামো চিত্রিত। |
0c881ea63ff12d85bc3192ce61f37abf701fdf38 | আমরা একটি আধা-নিরীক্ষিত মডেলের প্রস্তাব দিচ্ছি যা খুব কম লেবেলযুক্ত চিত্র এবং একটি বড় আনলাইনেড টেক্সট কর্পাস ব্যবহার করে চিত্রের অঞ্চলগুলিকে পাঠ্য লেবেলের সাথে সম্পর্কিত করে। একটি ক্রীড়া ইভেন্টের ছবি দেওয়া হলে, বস্তুর পিক্সেল-স্তরের লেবেল এবং ব্যাকগ্রাউন্ড প্রদানের জন্য যা প্রয়োজন তা হল এই ক্রীড়া সম্পর্কে সংবাদপত্রের নিবন্ধ এবং এক থেকে পাঁচটি লেবেলযুক্ত চিত্র। আমাদের মডেলটি এই পর্যবেক্ষণের দ্বারা অনুপ্রাণিত হয় যে টেক্সট কর্পোরার শব্দগুলি নির্দিষ্ট প্রসঙ্গে ভাগ করে নেয় এবং ভিজ্যুয়াল বস্তুর সাথে সাদৃশ্যযুক্ত বৈশিষ্ট্যগুলি বৈশিষ্ট্যযুক্ত করে। আমরা চিত্রগুলোকে বর্ণনা করি দৃশ্যমান শব্দ ব্যবহার করে, একটি নতুন অঞ্চল-ভিত্তিক উপস্থাপনা। প্রস্তাবিত মডেলটি কার্নেলাইজড ক্যানোনিকাল কররলেশন বিশ্লেষণের উপর ভিত্তি করে তৈরি করা হয়েছে যা একটি লুকানো অর্থের স্থানটিতে তাদের প্রজেক্ট করে ভিজ্যুয়াল এবং পাঠ্য শব্দগুলির মধ্যে একটি ম্যাপিং খুঁজে পায়। কার্নেলগুলি সংশ্লিষ্ট ভিজ্যুয়াল এবং টেক্সটাল ডোমেনের মধ্যে প্রসঙ্গ এবং বিশেষণ বৈশিষ্ট্য থেকে উদ্ভূত হয়। আমরা আমাদের পদ্ধতিটি একটি চ্যালেঞ্জিং ডেটাসেটে প্রয়োগ করি এবং পাঠ্যগত বৈশিষ্ট্যগুলির জন্য নিউইয়র্ক টাইমসের নিবন্ধগুলির উপর নির্ভর করি। আমাদের মডেল অ্যানোটেশনের ক্ষেত্রে অত্যাধুনিক মডেলের চেয়ে বেশি পারফরম্যান্স করে। সেগমেন্টেশনে এটি অন্যান্য পদ্ধতির সাথে তুলনা করে যা উল্লেখযোগ্যভাবে আরও বেশি লেবেলযুক্ত প্রশিক্ষণ ডেটা ব্যবহার করে। |
a6af22306492b0830dd1002ad442cc0b53f14b25 | কম শব্দ প্রসারিতকারী ব্যতীত, রাডার সিস্টেমের সমস্ত সক্রিয় এবং প্যাসিভ উপাদান সম্পূর্ণরূপে একটি একক সিএমওএস চিপে একত্রিত হয়। প্রিন্ট সার্কিট বোর্ডের প্যাকেজিং এবং সংযুক্ত ট্রান্সমিটিং এবং রিসিভিং অ্যান্টেনা দিয়ে, রাডার সেন্সর চিপটি সফলভাবে একজন প্রাপ্তবয়স্ক মানুষের শ্বাস এবং হার্ট বিট রেট সনাক্ত করতে প্রদর্শিত হয়েছে। এই কাগজটি 5.8-গিগাহার্জ রাডার সেন্সর চিপ উপস্থাপন করে যা যোগাযোগহীন গুরুত্বপূর্ণ চিহ্ন সনাক্তকরণের জন্য। সেন্সর চিপটি টিএসএমসি 0.18 μm সিএমওএস 1 পি 6 এম প্রক্রিয়াতে ডিজাইন এবং তৈরি করা হয়েছে। |
1a6c9d9165fe77b3b8b974f57ca1e11d0326903a | এই গবেষণাপত্রে এডিএস সফটওয়্যার ব্যবহার করে আইআরএনএসএস এবং গ্যাগান অ্যাপ্লিকেশনের জন্য একটি ত্রিভুজাকার ফ্র্যাক্টাল প্যাচ অ্যান্টেনা ডিজাইন করা হয়েছে। ভারত অবস্থান নির্ধারণের জন্য ভারতীয় আঞ্চলিক ন্যাভিগেশনাল স্যাটেলাইট সিস্টেম (আইআরএনএসএস) নামে একটি স্যাটেলাইট ভিত্তিক ন্যাভিগেশন সিস্টেম তৈরির পরিকল্পনা করেছে। ব্যবহারকারী সেক্টরে আইআরএনএসএস অ্যান্টেনার নকশা অপরিহার্য। জিপিএস-এর ওপর ভারতের উপগ্রহ ভিত্তিক ন্যাভিগেশন সিস্টেম জিএজিএএন (জিও অ্যাডেড অ্যান্ড জিও অগমেন্টেড নেভিগেশন) স্থাপন করা হয়েছে। ইলেক্ট্রিক ধ্রুবক εr = 4.8 এবং সাবস্ট্রেট বেধ h = 3.05 মিমি উপর ইচ্ছাকৃতভাবে পছন্দসই অ্যান্টেনা ছিল। আঞ্চলিক পোলারাইজেশন তৈরি করতে অ্যান্টেনার ফিড অবস্থান নির্বাচন করা হয়েছে। অ্যান্টেনার স্ব-সদৃশ সম্পত্তি মাল্টি-ব্যান্ড রেজোন্যান্ট ফ্রিকোয়েন্সি প্রদর্শন করে। এই স্পেসিফিকেশনগুলি L5 (1175 MHz), L1 (1575.42 MHz) এবং S (2492.08 MHz) ফ্রিকোয়েন্সিতে পূরণ করা উচিত। |
0d3de784c0a418d2c6eefdfcbc8f5a93da97af7e | কা-ব্যান্ডে দ্বি-দিকনির্দেশক মোবাইল উচ্চ ডেটা রেট উপগ্রহ যোগাযোগের ক্রমবর্ধমান আগ্রহের কারণে ডেডিকেটেড অ্যান্টেনা ট্র্যাকিং সিস্টেম এবং ফিডের বিকাশ প্রয়োজন। এই গবেষণাপত্রে আমরা একটি ক্যাসগ্রেন প্রতিফলক অ্যান্টেনা সহ একটি মোবাইল স্যাটেলাইট যোগাযোগ স্থল টার্মিনালের জন্য প্রিন্টেড সার্কিট বোর্ডের উপর ভিত্তি করে একটি কমপ্যাক্ট ফিড স্ট্রাকচার বর্ণনা করি। নতুন কাঠামোটি দ্বৈত বৃত্তাকার মেরুকরণ যোগাযোগ মোডের পাশাপাশি মাল্টি-মোড একক-প্রভাব ট্র্যাকিংয়ের জন্য টিএম০১ মোড সরবরাহ করে। এই কপলারটি, স্থলযুক্ত কোপ্লানার লাইন থেকে বৃত্তাকার ওয়েভগাইডগুলিতে সাবধানে মিলিত রূপান্তরগুলির উপর ভিত্তি করে, ক্যা-ব্যান্ডে ডাউনলিংক এবং আপলিংক ফ্রিকোয়েন্সি ব্যাপ্তিগুলি কভার করতে 20 গিগাহার্জ এবং 30 গিগাহার্জে কাজ করে। এই কাজটি দুর্যোগের পরিস্থিতিতে স্থল-মোবাইল যোগাযোগের জন্য একটি উপগ্রহ টার্মিনালের উন্নয়নে অবদান রাখে। |
9ab4883c0ee0db114a81eb3f47bde38a1270c590 | পরিবর্তন দ্রুতগতিতে হচ্ছে এবং আমরা যেসব ব্যবস্থায় বাস করছি তার জটিলতা বাড়ছে। ক্রমবর্ধমান পরিবর্তন হচ্ছে মানবতারই ফল। জটিলতা বাড়ার সাথে সাথে মানুষের কর্মকাণ্ডের অপ্রত্যাশিত পার্শ্ব প্রতিক্রিয়াও বাড়তে থাকে, যা একটি ক্রমবর্ধমান জটিলতার একটি চক্রকে আরও জটিল করে তোলে। অনেক পণ্ডিত সিস্টেম চিন্তা এর বিকাশের আহ্বান জানিয়েছেন যাতে আমরা বুদ্ধিমানের সাথে ব্যবস্থাপনা করতে পারি। কিন্তু মানুষ কিভাবে জটিল গতিশীল সিস্টেম সম্পর্কে এবং তার ভিতরে শিখবে? শিক্ষা একটি প্রতিক্রিয়া প্রক্রিয়া যেখানে আমাদের সিদ্ধান্ত বাস্তব জগৎকে পরিবর্তন করে, আমরা জগৎ সম্পর্কে তথ্য প্রতিক্রিয়া পাই, এবং নতুন তথ্য ব্যবহার করে আমরা আমাদের সিদ্ধান্তগুলো সংশোধন করি এবং সেই সিদ্ধান্তগুলোকে অনুপ্রাণিত করে এমন মানসিক মডেলগুলো। দুর্ভাগ্যবশত, সামাজিক কর্মের জগতে বিভিন্ন বাধা এই শিক্ষণ ফিডব্যাকগুলিকে ধীর করে দেয় বা কার্যকর হতে বাধা দেয়, ভুল এবং ক্ষতিকারক আচরণ এবং বিশ্বাসকে অব্যাহত রাখতে দেয়। শেখার ক্ষেত্রে বাধাগুলির মধ্যে রয়েছে সিস্টেমের গতিশীল জটিলতা, অপর্যাপ্ত এবং দ্ব্যর্থক ফলাফলের প্রতিক্রিয়া, পদ্ধতিগত ফিডব্যাকের ভুল উপলব্ধি যেখানে আমাদের জ্ঞানীয় মানচিত্রগুলি গুরুত্বপূর্ণ প্রতিক্রিয়া প্রক্রিয়া, বিলম্ব, স্টক এবং প্রবাহগুলি বাদ দেয় এবং জটিল সিস্টেমের বৈশিষ্ট্যযুক্ত অ-রৈখিকতা, আমাদের জ্ঞানীয় মানচিত্রের গতিশীলতাকে মানসিকভাবে অনুকরণ করার অক্ষমতা, দুর্বল আন্তঃব্যক্তিগত এবং সাংগঠনিক অনুসন্ধান দক্ষতা এবং দুর্বল বৈজ্ঞানিক যুক্তি দক্ষতা। জটিল সিস্টেম সম্পর্কে শেখার উন্নতি করার জন্য সফল পদ্ধতিগুলি এই সমস্ত প্রতিবন্ধকতা মোকাবেলা করতে হবে। জটিল গতিশীল সিস্টেমগুলির মধ্যে এবং সেগুলি সম্পর্কে শেখার কার্যকর পদ্ধতিগুলির মধ্যে অবশ্যই অন্তর্ভুক্ত থাকতে হবে (1) অংশগ্রহণকারীদের জ্ঞান আহরণের সরঞ্জাম, স্পষ্টভাবে এবং পুনরায় ফ্রেমিং উপলব্ধি, এবং সেই উপলব্ধিগুলি থেকে কোনও সমস্যার প্রতিক্রিয়া কাঠামোর মানচিত্র তৈরি করা; (2) সেই মানচিত্রগুলির গতিশীলতা মূল্যায়ন এবং নতুন নীতিগুলি পরীক্ষা করার জন্য সিমুলেশন সরঞ্জাম এবং পরিচালনা ফ্লাইট সিমুলেটর; এবং (3) বৈজ্ঞানিক যুক্তি দক্ষতা উন্নত করার পদ্ধতি, গ্রুপ প্রক্রিয়া শক্তিশালী করা এবং ব্যক্তি এবং দলগুলির প্রতিরক্ষামূলক রুটিনগুলি কাটিয়ে উঠা। |
c0a2293809917839047c7ec98d942777ca426e57 | এন্টারপ্রাইজ সিস্টেম (ইএস) যা তথ্য প্রযুক্তির সবচেয়ে উন্নত উন্নয়নকে ক্যাপচার করে, বেশিরভাগ সংস্থায় সাধারণ ফিক্সচার হয়ে উঠছে। তবে, কিভাবে ES সাংগঠনিক নমনীয়তা (OA) প্রভাবিত করে তা নিয়ে কম গবেষণা করা হয়েছে এবং বিদ্যমান গবেষণাটি দ্ব্যর্থক। এই দৃষ্টিকোণ থেকে যে, ইএস ওএ-তে ইতিবাচক অবদান রাখতে পারে, তত্ত্ব-ভিত্তিক মডেল উন্নয়ন এবং প্রস্তাবিত মডেলের কঠোর অভিজ্ঞতার তদন্তের মাধ্যমে এই গবেষণাটি উল্লেখযোগ্য গবেষণা ফাঁক পূরণ করেছে এবং ওএ-তে ইএস-এর প্রভাবের জন্য অভিজ্ঞতার প্রমাণ এবং অন্তর্দৃষ্টি সরবরাহ করেছে। অস্ট্রেলিয়া এবং নিউজিল্যান্ডের ১৭৯টি বড় সংস্থার কাছ থেকে সংগৃহীত তথ্যের ভিত্তিতে প্রাপ্ত এই ফলাফলগুলো দেখায় যে, প্রতিষ্ঠানগুলো তাদের ইএস থেকে দুটি উপায়ে নমনীয়তা অর্জন করতে পারে: প্রথমত, তাদের ইএস-সক্ষম ক্ষমতা গড়ে তোলার জন্য ইএস-সক্ষম দক্ষতা গড়ে তোলা যা তাদের মূল সনাক্তকরণ এবং প্রতিক্রিয়া প্রক্রিয়াকে ডিজিটালাইজ করে; এবং দ্বিতীয়ত, যখন ইএস-সক্ষম সনাক্তকরণ এবং প্রতিক্রিয়া ক্ষমতা তুলনামূলকভাবে অস্থির পরিবেশে সারিবদ্ধ হয়। |
2e64b370a86bcdaac392ca078f41f5bbe8d0307f | এই গবেষণাপত্রটি বাংলাদেশের বিভিন্ন ফসলের জন্য ডিজেল, গ্রিড বিদ্যুৎ এবং সৌর শক্তি ভিত্তিক সেচ ব্যবস্থার জন্য সেচ ব্যয়ের একটি তুলনামূলক চিত্র উপস্থাপন করে। ২৭ ধরনের ফসলের ওপর এই গবেষণা চালানো হয়েছে। এই সব ফসলের জন্য পানি সরবরাহের পরিমাণের সব তথ্য সংগ্রহ করা হয়েছে। তারপর একই রেটিং পাওয়ার সহ তিনটি ভিন্ন ধরণের পাম্প (সৌর, ডিজেল, বৈদ্যুতিক) বেছে নেওয়া হয়েছে। পাঁচ ঘোড়া। বিভিন্ন ফসলের জন্য নির্দিষ্ট জমিও পানির পরিমাণের ভিত্তিতে গণনা করা হয়। অবশেষে টাকার দশ বছরের মূল্য গণনা করা হয়েছে। সমীক্ষায় দেখা গেছে যে, পুরো ফসলের গ্রিড চালিত সেচ খরচ সৌর চালিত সেচ খরচ তুলনায় কম কারণ পরবর্তীটি বিশাল প্রাথমিক বিনিয়োগের সাথে যুক্ত। [1] এই গবেষণায় দেখা গেছে যে বেশিরভাগ ফসলের জন্য যেমন পেঁয়াজ, গাজর, চিল, টমেটো, ভুট্টা, রসুন, গাজর, আদা, তরমুজ, কুমড়ো, কলা, ফুলকপি, লেডি ফিঙ্গার, কলা, পাপাইয়া এবং বাদাম সৌরশক্তি দিয়ে সেচ করা মোটেই উপকারী নয় বরং এটি তিনটি ধরণের সেচ ব্যবস্থার মধ্যে খুব বেশি ব্যয় করে। [5] এটাও স্পষ্ট যে, কিছু ফসলের যেমন আলু, তুলা, সয়াবিন, সূর্যমুখী, স্ট্রবেরি, লেন্স, সরিষার সৌরশক্তি দিয়ে সেচ ডিজেল চালিত সেচের তুলনায় অনেক বেশি লাভজনক। |
4420fca3cb722ad0478030c8209b550cd7db8095 | জনসংখ্যার বৃদ্ধির ফলে, দীর্ঘস্থায়ী রোগের প্রাদুর্ভাব এবং স্বাস্থ্যসেবা খরচ ক্রমাগত বৃদ্ধি পাওয়ায় স্বাস্থ্যসেবা ব্যবস্থা একটি মৌলিক রূপান্তরিত হচ্ছে, প্রচলিত হাসপাতাল কেন্দ্রিক ব্যবস্থা থেকে একটি ব্যক্তি কেন্দ্রিক ব্যবস্থায়। বর্তমান ও নতুন উদ্ভাবিত পরিধানযোগ্য চিকিৎসা ব্যবস্থার এই দৃষ্টান্তের পরিবর্তনে ব্যাপক প্রভাব পড়বে। পরিধানযোগ্য চিকিৎসা ব্যবস্থার অগ্রগতি স্বাস্থ্যসেবা সহজলভ্যতা এবং সাশ্রয়ী মূল্যের করতে সক্ষম হবে, যাতে শারীরবৃত্তীয় অবস্থার উপর নজরদারি করা যায়, শুধু বিরল মুহূর্তের জন্য নয়, দীর্ঘ সময়ের জন্য ক্রমাগতভাবে, রোগের প্রাথমিক সনাক্তকরণ এবং স্বাস্থ্যের হুমকির সময়মত প্রতিক্রিয়া সম্ভব করে তোলে। এই গবেষণাপত্রে পি-হেলথের জন্য পরিধানযোগ্য চিকিৎসা ব্যবস্থার ক্ষেত্রে সাম্প্রতিক উন্নয়ন পর্যালোচনা করা হয়েছে। এই গবেষণাপত্রটিতে জীবনীশক্তির লক্ষণ এবং বায়োকেমিক্যাল ভেরিয়েবলের ক্রমাগত এবং অ-আক্রমণাত্মক পরিমাপের জন্য প্রযুক্তিগুলি সক্ষম করা, বুদ্ধিমান বায়োমেডিক্যাল পোশাক এবং শরীরের এলাকা নেটওয়ার্কগুলির অগ্রগতি, গতির আর্টিফ্যাক্ট হ্রাসের পদ্ধতি, পরিধানযোগ্য শক্তি সংগ্রহের কৌশল এবং পরিধানযোগ্য মেডিকেল ডিভাইসগুলির মূল্যায়নের জন্য স্ট্যান্ডার্ড প্রোটোকল প্রতিষ্ঠার উদাহরণ সহ এই প্রযুক্তিগুলির ক্লিনিকাল অ্যাপ্লিকেশনগুলির উদাহরণ উপস্থাপন করা হয়েছে। |
5c3fb7e2ffc8b312b20bae99c822d427d0dc003d | এই কাজটি একটি ওয়্যারলেস আন্ডারগ্রাউন্ড সেন্সর নেটওয়ার্ক (ডাব্লুইউএসএন) এর ধারণাটি প্রবর্তন করে। WUSN বিভিন্ন অবস্থার উপর নজরদারি করতে ব্যবহার করা যেতে পারে, যেমন কৃষি অ্যাপ্লিকেশন এবং পরিবেশগত পর্যবেক্ষণের জন্য বিষাক্ত পদার্থের জন্য মাটির বৈশিষ্ট্য। ভূগর্ভস্থ অবস্থার পর্যবেক্ষণের বর্তমান পদ্ধতিগুলির বিপরীতে, যা তলদেশে তারের মাধ্যমে সংযুক্ত কবরস্থ সেন্সরগুলির উপর নির্ভর করে, WUSN ডিভাইসগুলি সম্পূর্ণ ভূগর্ভস্থভাবে স্থাপন করা হয় এবং কোনও তারযুক্ত সংযোগের প্রয়োজন হয় না। প্রতিটি ডিভাইসে প্রয়োজনীয় সেন্সর, মেমরি, প্রসেসর, রেডিও, অ্যান্টেনা এবং পাওয়ার সোর্স রয়েছে। এর ফলে তাদের স্থাপনা বর্তমান ভূগর্ভস্থ সেন্সর সমাধানের চেয়ে অনেক সহজ হয়ে যায়। তবে মাটি বা পাথরের মতো ঘন পদার্থের মধ্যে ওয়্যারলেস যোগাযোগ বাতাসের চেয়ে উল্লেখযোগ্যভাবে বেশি চ্যালেঞ্জিং। এই কারণের সাথে সাথে WUSN ডিভাইসগুলিকে পুনরায় চার্জ করার এবং পুনরায় চার্জ করার অসুবিধার কারণে শক্তি সংরক্ষণের প্রয়োজনীয়তার সাথে যোগাযোগের প্রোটোকলগুলিকে পুনরায় ডিজাইন করা প্রয়োজন যাতে এটি যতটা সম্ভব দক্ষ হয়। এই কাজটি WUSN এর জন্য অ্যাপ্লিকেশন এবং নকশা চ্যালেঞ্জের একটি বিস্তৃত ওভারভিউ প্রদান করে, ভূগর্ভস্থ যোগাযোগ চ্যানেলের জন্য চ্যালেঞ্জগুলি ভূগর্ভস্থ লিঙ্কে পথের ক্ষতির পূর্বাভাস দেওয়ার পদ্ধতি সহ এবং যোগাযোগ প্রোটোকল স্ট্যাকের প্রতিটি স্তরে চ্যালেঞ্জগুলি। ২০০৬ এ্যালসেভিয়ার বি.ভি. সমস্ত অধিকার সংরক্ষিত। |
45adc16c4111bcc5201f721d2d573dc8206f8a79 | অটোমেশন মানেই মানুষের প্রতিস্থাপন নয়; বরং এর বিপরীত। ক্রমবর্ধমানভাবে, মানুষকে জটিল এবং সাধারণত বড় আকারের সিস্টেমে অটোমেশনের সাথে যোগাযোগ করতে বলা হয়, যার মধ্যে রয়েছে বিমান এবং এয়ার ট্র্যাফিক কন্ট্রোল, পারমাণবিক শক্তি, উত্পাদন কেন্দ্র, সামরিক সিস্টেম, বাড়ি এবং হাসপাতাল। এটি সিস্টেম ডিজাইনার বা মানব অপারেটর / অটোমেশন সুপারভাইজার উভয়ের জন্য সহজ বা ত্রুটিমুক্ত কাজ নয়, বিশেষত যেহেতু কম্পিউটার প্রযুক্তি আরও বেশি পরিশীলিত হয়ে ওঠে। এই পর্যালোচনাটি সাম্প্রতিক গবেষণার এবং এই অঞ্চলের চ্যালেঞ্জগুলির রূপরেখা দেয়, যার মধ্যে রয়েছে মানব-অটোমেশন মিথস্ক্রিয়াগুলির শ্রেণিবদ্ধকরণ এবং গুণগত মডেল; অটোমেশন সম্পর্কিত দুর্ঘটনার বিবরণ এবং অভিযোজিত অটোমেশনের অধ্যয়ন; এবং সামাজিক, রাজনৈতিক এবং নৈতিক সমস্যা। |
848644136ee9190ce8098615e5dd60c70a660628 | এই গবেষণাপত্রে আমরা জৈবিক সাবস্ট্রেট প্যাকেজের উপর সিরামিক আন্তঃসংযোগ সেতু ব্যবহার করে একটি সূক্ষ্ম পিচ মাল্টি চিপ বৈষম্যপূর্ণ ইন্টিগ্রেশন সমাধানের স্থাপত্য এবং কর্মক্ষমতা বর্ণনা করি। আমরা উপস্থাপন করছি যে, এই নতুন ইন্টিগ্রেশন স্কিমের মাধ্যমে আইও ঘনত্ব বৃদ্ধি এবং সংকেত অখণ্ডতার ক্ষেত্রে বৈদ্যুতিক উচ্চ-গতির পারফরম্যান্সের উন্নতি অর্জন করা সম্ভব, যেখানে ছোট সিরামিক উপাদানগুলিতে ঘন তামার রাউটিংগুলি আন্তঃসংযোগ সেতু হিসাবে কাজ করে। সিরামিক ব্রিজ ব্যবহারের খরচ এবং সংকেত হ্রাস সিলিকন ব্রিজ বা সাবস্ট্রেটে ওয়েফার ইন্টারপোজারের চেয়ে অনেক ভাল। |
0690ba31424310a90028533218d0afd25a829c8d | ডিপ কনভলুশনাল নিউরাল নেটওয়ার্ক (ডিসিএনএন) সম্প্রতি চিত্র শ্রেণিবদ্ধকরণ এবং বস্তুর সনাক্তকরণের মতো উচ্চ স্তরের দৃষ্টি কার্য সম্পাদনের ক্ষেত্রে শিল্পের অবস্থা দেখিয়েছে। এই কাজটি ডিসিএনএন এবং সম্ভাব্য গ্রাফিকাল মডেল থেকে পদ্ধতিগুলিকে একত্রিত করে পিক্সেল-স্তরের শ্রেণিবিন্যাসের কাজটি মোকাবেলা করার জন্য (যা "সেমান্টিক ইমেজ সেগমেন্টেশন" নামেও পরিচিত) । আমরা দেখিয়েছি যে ডিসিএনএন এর শেষ স্তরের প্রতিক্রিয়াগুলি সঠিক বস্তুর বিভাজনের জন্য যথেষ্ট স্থানীয় নয়। এটি DCNN-এর ইনভ্যারিয়েন্স বৈশিষ্ট্যগুলির কারণে উচ্চ স্তরের কাজগুলির জন্য ভাল। আমরা ডিপ নেটওয়ার্কগুলির এই দুর্বল স্থানীয়করণ বৈশিষ্ট্যটি অতিক্রম করি সম্পূর্ণরূপে সংযুক্ত শর্তসাপেক্ষ র্যান্ডম ফিল্ড (সিআরএফ) এর সাথে চূড়ান্ত ডিসিএনএন স্তরের প্রতিক্রিয়াগুলিকে একত্রিত করে। গুণগতভাবে, আমাদের ডিপল্যাব সিস্টেমটি পূর্ববর্তী পদ্ধতির চেয়ে বেশি নির্ভুলতার সাথে সেগমেন্টের সীমানা স্থানীয়করণ করতে সক্ষম। পরিমানগতভাবে, আমাদের পদ্ধতিটি PASCAL VOC-2012 শব্দার্থিক চিত্র বিভাজন কার্যের নতুন রাষ্ট্রের শিল্পকে সেট করে, যা পরীক্ষার সেটে 71.6% IOU নির্ভুলতা অর্জন করে। আমরা দেখাবো কিভাবে এই ফলাফলগুলি দক্ষতার সাথে প্রাপ্ত করা যায়: সাবধানে নেটওয়ার্ক পুনরায় ব্যবহার এবং ওয়েভলেট সম্প্রদায়ের hole অ্যালগরিদমের একটি অভিনব প্রয়োগ আধুনিক জিপিইউতে 8 ফ্রেম প্রতি সেকেন্ডে নিউরাল নেট প্রতিক্রিয়াগুলির ঘন গণনা করতে দেয়। |
bfb5f142d0eb129fa66616685a84ce055ad8f071 | আমরা একটি সিস্টেম উপস্থাপন করছি যা ব্যবহারকারীদের খাদ্য সংরক্ষণের অভ্যাসকে সহায়তা করবে, যা তাদের ফোনে তোলা ছবি থেকে খাদ্য সনাক্তকরণ করে দুটি ভিন্ন পরিস্থিতিতে। প্রথম দৃশ্যপটে, যাকে বলা হয় "ফুড ইন কনটেক্সট", আমরা ব্যবহারকারীর জিপিএস তথ্য ব্যবহার করে নির্ধারণ করি কোন রেস্টুরেন্টে তারা খাবার খাচ্ছে, তাই মেনুতে থাকা আইটেমগুলির সেটকে চিহ্নিত করার জন্য বিভাগগুলিকে সীমাবদ্ধ করে। এই ধরনের প্রসঙ্গ আমাদেরকে ব্যবহারকারীর কাছে তাদের খাবার সম্পর্কে সঠিক ক্যালোরি তথ্যও জানাতে দেয়, যেহেতু রেস্টুরেন্ট চেইনগুলি অংশগুলিকে মানক করে এবং প্রতিটি খাবারের খাদ্যতালিকাগত তথ্য সরবরাহ করে। দ্বিতীয় দৃশ্যকল্পে, যাকে বলা হয় "প্রকৃতির খাদ্য" আমরা একটি রান্না করা খাবারকে চিনতে চেষ্টা করি এমন একটি ছবি থেকে যা যে কোন জায়গায় তোলা হতে পারে। আমরা উভয় ক্ষেত্রেই খাদ্য সনাক্তকরণের উপর ব্যাপক পরীক্ষা-নিরীক্ষা চালিয়েছি, যা আমাদের পদ্ধতির কার্যকারিতা প্রদর্শন করে, 500 টি খাদ্য শ্রেণীর জন্য 105K চিত্রের সাথে একটি নতুন উপস্থাপিত ডেটাসেটে। |
1f9ede76dbbd6caf7e3877918fae0d421c6f180c | |
3a932716ed323b247a828bd0fd8ae9b2ee0197b2 | সমিতি নিয়মের আবিষ্কার একটি গুরুত্বপূর্ণ ডাটাবেস মাইনিং সমস্যা। বর্তমান অ্যালগরিদমের জন্য সমিতি নিয়মগুলি বিশ্লেষণ করা ডাটাবেসের উপর বেশ কয়েকটি পাস প্রয়োজন, এবং স্পষ্টতই I / O ওভারহেডের ভূমিকা খুব বড় ডাটাবেসের জন্য খুব গুরুত্বপূর্ণ। আমরা নতুন অ্যালগরিদম উপস্থাপন করছি যা ডাটাবেসের কার্যকলাপকে যথেষ্ট পরিমাণে হ্রাস করে। ধারণাটি হল একটি র্যান্ডম নমুনা বাছাই করা, এই নমুনাটি ব্যবহার করে সমস্ত সমিতি নিয়মগুলি যা সম্ভবত পুরো ডাটাবেসে রয়েছে এবং তারপরে ফলাফলগুলিকে ডাটাবেসের বাকী অংশের সাথে যাচাই করা। এইভাবে অ্যালগরিদমগুলি সঠিক সমিতির নিয়ম তৈরি করে, নমুনার উপর ভিত্তি করে আনুমানিক নয়। এই পদ্ধতিটি অবশ্য সম্ভাব্যতা ভিত্তিক, এবং সেই বিরল ক্ষেত্রে যেখানে আমাদের নমুনা পদ্ধতি সমস্ত সমিতি নিয়ম উত্পাদন করে না, অনুপস্থিত নিয়মগুলি দ্বিতীয় পাসটিতে পাওয়া যায়। আমাদের পরীক্ষাগুলি দেখায় যে প্রস্তাবিত অ্যালগরিদমগুলি কেবলমাত্র একটি ডাটাবেস পাস করার সময় খুব দক্ষতার সাথে সমিতির নিয়মগুলি খুঁজে পেতে পারে। |
780e2631adae2fb3fa43965bdeddc0f3b885e20d | আমরা বড় বড় সম্পর্কিত টেবিলের মাধ্যমে খনিজ সমিতির নিয়মের সমস্যাটি প্রবর্তন করি যা পরিমাণগত এবং শ্রেণীবদ্ধ বৈশিষ্ট্য উভয়ই ধারণ করে। এই ধরনের একটি সমিতির উদাহরণ হতে পারে "৫০ থেকে ৬০ বছর বয়সের মধ্যে বিবাহিত মানুষের ১০% কমপক্ষে ২টি গাড়ি আছে"। আমরা পরিমাণগত বৈশিষ্ট্যাবলী নিয়ে কাজ করি গুণের মানগুলিকে সূক্ষ্মভাবে বিভাজন করে এবং তারপর প্রয়োজন অনুসারে সংলগ্ন বিভাজনগুলিকে একত্রিত করে। আমরা আংশিক সম্পূর্ণতার পরিমাপ প্রবর্তন করি যা বিভাজনের কারণে হারিয়ে যাওয়া তথ্যকে পরিমাণগত করে। এই কৌশলটির সরাসরি প্রয়োগ অনেকগুলি অনুরূপ নিয়ম তৈরি করতে পারে। আমরা এই সমস্যাটি সমাধান করি আউটপুটের আকর্ষণীয় নিয়মগুলি চিহ্নিত করতে "প্রত্যাশিত মূল্যের চেয়ে বেশি" সুদের পরিমাপ ব্যবহার করে। আমরা এই ধরনের পরিমাণগত সমন্বয় নিয়ম খনির জন্য একটি অ্যালগরিদম প্রদান করি। অবশেষে, আমরা বাস্তব জীবনের ডেটাসেটে এই পদ্ধতি ব্যবহারের ফলাফল বর্ণনা করি। |
586ed71b41362ef55e92475ff063a753e8536afe | সমিতি খনির প্রায়ই একটি অবাঞ্ছিতভাবে বড় সেট ঘন itemets এবং সমিতি নিয়ম প্রাপ্ত করতে পারে। সাম্প্রতিক গবেষণায় একটি আকর্ষণীয় বিকল্প প্রস্তাব করা হয়েছেঃ ঘন ঘন বন্ধ আইটেম সেট এবং তাদের সংশ্লিষ্ট নিয়মগুলি খনির, যা সমিতি খনির মতো একই ক্ষমতা রাখে তবে উপস্থাপিত নিয়মের সংখ্যা উল্লেখযোগ্যভাবে হ্রাস করে। এই গবেষণাপত্রে আমরা ক্লোজটেট নামে একটি কার্যকর অ্যালগরিদমের প্রস্তাব দিচ্ছি, যা ক্লোজটেট আইটেমসেট খনির জন্য ব্যবহার করা হবে। এই পদ্ধতিতে তিনটি কৌশল ব্যবহার করা হবে: ১) ক্লোজটেট আইটেমসেট খনির জন্য একটি কম্প্রেসড, ফ্রিকোয়েন্ট প্যাটার্ন ট্রি এফপি ট্রি স্ট্রাকচার প্রয়োগ করা হবে, ২) প্রিএক্স পাথ কম্প্রেশন টেকনিকের মাধ্যমে ক্লোজটেট আইটেমসেট দ্রুত সনাক্ত করা যাবে এবং ৩) বড় ডাটাবেসে স্কেলযোগ্য খনির জন্য একটি পার্টিশন ভিত্তিক প্রজেকশন মেকানিজম ব্যবহার করা হবে। আমাদের পারফরম্যান্স স্টাডি থেকে জানা যায় যে, ক্লসেট বড় ডাটাবেসের উপর দক্ষ এবং স্কেলযোগ্য এবং এটি পূর্বে প্রস্তাবিত পদ্ধতির চেয়ে দ্রুত। |
0728ea2e21c8a24b51d14d5878c9485c5b11b52f | |
fb4e92e1266898152058f9b1f24acd8226ed9249 | এই গবেষণাপত্রে আমরা ইভেন্ট লগের মধ্যে ঘন ঘন আচরণগত প্যাটার্ন আবিষ্কার করার একটি পদ্ধতি বর্ণনা করছি। আমরা এই প্যাটার্নগুলোকে স্থানীয় প্রক্রিয়া মডেল হিসেবে প্রকাশ করি। স্থানীয় প্রক্রিয়া মডেল খনির প্রক্রিয়া আবিষ্কার এবং পর্ব / ক্রমিক প্যাটার্ন খনির মধ্যে অবস্থান করা যেতে পারে। এই গবেষণাপত্রের উপস্থাপিত কৌশলটি ক্রমিক রচনা, সমান্তরালতা, পছন্দ এবং লুপের সাথে সম্পর্কিত আচরণগত নিদর্শনগুলি শিখতে সক্ষম, যেমন প্রক্রিয়া খনির ক্ষেত্রে। তবে, আমরা শুরু থেকে শেষ পর্যন্ত মডেলগুলিকে দেখছি না, যা প্রক্রিয়া আবিষ্কার থেকে আমাদের পদ্ধতির পার্থক্য করে এবং পর্ব / ক্রমিক প্যাটার্ন মাইনিংয়ের সাথে একটি লিঙ্ক তৈরি করে। আমরা স্থানীয় প্রক্রিয়া মডেল তৈরির জন্য একটি ইনক্রিমেন্টাল পদ্ধতির প্রস্তাব দিচ্ছি যা তথাকথিত প্রক্রিয়া গাছের উপর ভিত্তি করে ঘন ঘন নিদর্শনগুলি ক্যাপচার করে। আমরা পাঁচটি মানের মাত্রা এবং স্থানীয় প্রক্রিয়া মডেলের জন্য সংশ্লিষ্ট মেট্রিক্সের প্রস্তাব দিই, একটি ইভেন্ট লগ দেওয়া হয়েছে। আমরা কিছু মানের মাত্রার জন্য একঘেয়েত্বের বৈশিষ্ট্য দেখাই, যা ছাঁটাইয়ের মাধ্যমে স্থানীয় প্রক্রিয়া মডেল আবিষ্কারের গতি বাড়িয়ে তোলে। আমরা বাস্তব জীবনের একটি কেস স্টাডি এর মাধ্যমে দেখিয়েছি যে স্থানীয় প্যাটার্নগুলি খনির মাধ্যমে আমাদের এমন প্রক্রিয়াগুলির অন্তর্দৃষ্টি পেতে দেয় যেখানে নিয়মিত শুরু থেকে শেষ প্রক্রিয়া আবিষ্কারের কৌশলগুলি কেবল কাঠামোগত, ফুলের মতো মডেলগুলি শিখতে সক্ষম হয়। |
606b2c57cfed7328dedf88556ac657e9e1608311 | ঐতিহ্যবাহী ইন্টারনেটে ব্যর্থতা এবং আস্থার অনেক কেন্দ্রীয় পয়েন্ট রয়েছে, যেমন (ক) ডোমেন নাম সিস্টেম (ডিএনএস) সার্ভার, (খ) পাবলিক-কী অবকাঠামো এবং (গ) কেন্দ্রীয় ডেটা স্টোরেজগুলিতে সঞ্চিত শেষ ব্যবহারকারীর ডেটা। আমরা ব্লকস্ট্যাক নামে একটি নতুন ইন্টারনেটের নকশা এবং বাস্তবায়ন উপস্থাপন করছি, যেখানে ব্যবহারকারীদের দূরবর্তী সার্ভারগুলির উপর নির্ভর করার প্রয়োজন নেই। আমরা নেটওয়ার্কের মধ্যভাগ থেকে যেকোন বিশ্বাসের পয়েন্ট সরিয়ে ফেলি এবং ব্লকচেইন ব্যবহার করে গুরুত্বপূর্ণ ডেটা বন্ডিং সুরক্ষিত করি। ব্লকস্ট্যাক পরিচয়, আবিষ্কার এবং সঞ্চয়স্থানের জন্য পরিষেবাগুলি বাস্তবায়ন করে এবং অন্তর্নিহিত ব্লকচেইনের ব্যর্থতা থেকে বেঁচে থাকতে পারে। ব্লকস্ট্যাকের নকশাটি একটি বড় ব্লকচেইন ভিত্তিক উত্পাদন সিস্টেমের তিন বছরের অভিজ্ঞতার দ্বারা অবহিত। ব্লকস্ট্যাক প্রচলিত ইন্টারনেট পরিষেবার সাথে তুলনীয় পারফরম্যান্স প্রদান করে এবং প্রচলিত ইন্টারনেটের জন্য অত্যন্ত প্রয়োজনীয় নিরাপত্তা এবং নির্ভরযোগ্যতা আপগ্রেড করতে সক্ষম করে। |
317072c8b7213d884f5b2d4d3133368d17c412ab | এই চিঠিতে ব্রডব্যান্ড সাবস্ট্রেট ইন্টিগ্রেটেড ওয়েভগাইড ক্যাভিটি-ব্যাকড স্লট অ্যান্টেনার জন্য একটি নতুন ডিজাইন কৌশল প্রদর্শিত হয়েছে। প্রচলিত সংকীর্ণ আয়তক্ষেত্রাকার স্লট ব্যবহারের পরিবর্তে, একটি বুল-টাই-আকারের স্লট প্রয়োগ করা হয় যাতে বৃহত্তর ব্যান্ডউইথ পারফরম্যান্স পাওয়া যায়। স্লট আকৃতির পরিবর্তনটি গহ্বরে শক্তিশালী লোডিং প্রভাব সৃষ্টি করতে সহায়তা করে এবং দুটি ঘনিষ্ঠভাবে ব্যবধানযুক্ত হাইব্রিড মোড তৈরি করে যা ব্রডব্যান্ড প্রতিক্রিয়া পেতে সহায়তা করে। স্লট অ্যান্টেনা একটি একক স্তর মধ্যে পাতলা গহ্বর সমর্থন (উচ্চতা <0.03λ0 ) অন্তর্ভুক্ত এবং এইভাবে মধ্যম লাভ সঙ্গে unidirectional বিকিরণ বৈশিষ্ট্য প্রদর্শন যখন কম প্রোফাইল সমতল কনফিগারেশন বজায় রাখে। একটি তৈরি প্রোটোটাইপও উপস্থাপন করা হয়েছে যা ১.০৩ গিগাহার্টজ (৯.৪%) ব্যান্ডউইথ, ব্যান্ডউইথের উপর ৩.৭ ডিবিআই লাভ, ১৫ ডিবি ফ্রন্ট-টু-ব্যাক রেসিও এবং ক্রস-পোলারাইজেশন লেভেল -১৮ ডিবি এর নিচে দেখায়। |
4255bbd10e2a1692b723f8b40f28db7e27b06de9 | যদিও সুপারভাইজড লার্নিংয়ের জন্য ন্যায্যতার উপর ক্রমবর্ধমান সাহিত্য রয়েছে, সুপারভাইজড লার্নিংয়ের মধ্যে ন্যায্যতা অন্তর্ভুক্ত করা কম ভালভাবে অধ্যয়ন করা হয়েছে। এই গবেষণাপত্রে মূল উপাদান বিশ্লেষণ (পিসিএ) এর প্রেক্ষাপটে ন্যায্যতা নিয়ে আলোচনা করা হয়েছে। আমরা প্রথমে মাত্রিকতা হ্রাসের জন্য ন্যায্যতা সংজ্ঞায়িত করি, এবং আমাদের সংজ্ঞাটি ব্যাখ্যা করা যেতে পারে যে একটি হ্রাস ন্যায্য যদি সুরক্ষিত শ্রেণি (যেমন, জাতি বা লিঙ্গ) সম্পর্কে তথ্য আকার-হ্রাসকৃত ডেটা পয়েন্ট থেকে অনুমান করা যায় না। পরবর্তী, আমরা কনভেক্স অপ্টিমাইজেশন ফর্মুলেশনগুলি বিকাশ করি যা পিসিএ এবং কার্নেল পিসিএর ন্যায্যতা (আমাদের সংজ্ঞা অনুসারে) উন্নত করতে পারে। এই সূত্রগুলো অর্ধ-নির্দিষ্ট প্রোগ্রাম, এবং আমরা তাদের কার্যকারিতা প্রদর্শন করি বিভিন্ন ডেটা সেট ব্যবহার করে। আমরা দেখিয়ে শেষ করছি কিভাবে আমাদের পদ্ধতির ব্যবহার করা যেতে পারে একটি ন্যায্য (বয়স সম্পর্কিত) স্বাস্থ্যের তথ্যের ক্লাস্টারিং যা স্বাস্থ্য বীমা হার নির্ধারণ করতে ব্যবহার করা যেতে পারে। |
4e85e17a9c74cd0dbf66c6d673eaa9161e280b18 | একটি ম্যাট্রিক্স S 2 R rn C ((A) এর জন্য একটি উপ-মহাকাশ এমবেডিং প্রদান করে যদি kSAxk 2 2 = (1 ± ") kAxk 2 2 , 8x 2 R d. এই ধরনের ম্যাট্রিক্স S একটি কম বিকৃতি এমবেডিং প্রদান করে, এবং এটিকে (1 ± ") ` 2-সাবস্পেস এমবেডিং বলা হয়। একটি ∀2-সাবস্পেস এম্বেডিং ব্যবহার করে, একজন A 2 R n d এর পরিবর্তে SA 2 R r d দিয়ে কাজ করতে পারে। সাধারণত r n, তাই আমরা একটি ছোট ম্যাট্রিক্স নিয়ে কাজ করছি যা অনেক অ্যালগরিদমের সময়/স্থান জটিলতা কমিয়ে দেয়। তবে মনে রাখবেন যে অবশ্যই r এর চেয়ে বড় হতে হবে d যদি আমরা পুরো উপ-স্থান R d এর কথা বলছি [11]। লক্ষ্য করুন যে উপ-মহাকাশ এম্বেডিং C ((A) এর জন্য একটি নির্দিষ্ট ভিত্তির উপর নির্ভর করে না, এর অর্থ হল যদি আমাদের একটি ম্যাট্রিক্স U থাকে যা C ((A) এর জন্য একটি orthonormal ভিত্তি হয়, তাহলে Ux একই উপ-মহাকাশ দেয় Ax। সুতরাং S যদি A এর জন্য একটি এমবেডিং হয়, তাহলে এটি U এর জন্যও এমবেডিং হবে। চলুন বিবেচনা করি... র্যান্ডম প্রজেকশন হল নিম্ন-র্যাঙ্ক ম্যাট্রিক্সের আনুমানিকীকরণের জন্য ব্যবহৃত পদ্ধতির আরেকটি শ্রেণী। একটি এলোমেলো প্রজেকশন অ্যালগরিদম একটি এলোমেলো ম্যাট্রিক্স S 2 R r n ব্যবহার করে একটি উচ্চ-মাত্রিক স্থান R n থেকে একটি নিম্ন-মাত্রিক উপ-স্থান R r (r n) এ ডেটাপয়েন্টগুলি প্রজেক্ট করে। এলোমেলো ম্যাপিংয়ের মূল ধারণাটি জন্সন-লিন্ডেনস্ট্রাউস লেমমা থেকে আসে [1] (আমরা পরে বিস্তারিতভাবে ব্যাখ্যা করব) যা বলে যে "যদি কোনও ভেক্টর স্পেসের পয়েন্টগুলি উপযুক্তভাবে উচ্চ মাত্রার এলোমেলোভাবে নির্বাচিত উপ-স্থানটিতে প্রক্ষেপিত হয় তবে পয়েন্টগুলির মধ্যে দূরত্বগুলি প্রায় সংরক্ষিত থাকে"। র্যান্ডম প্রজেকশন পদ্ধতিগুলি গণনাকারীভাবে দক্ষ এবং উচ্চ-মাত্রিক ডেটাসেটের মাত্রা- হ্রাসের জন্য যথেষ্ট নির্ভুল। উপরন্তু, যেহেতু অনেক জ্যামিতিক অ্যালগরিদমের জটিলতা মাত্রার উপর নির্ভর করে, তাই প্রাক-প্রক্রিয়াকরণ হিসাবে র্যান্ডম প্রজেকশন প্রয়োগ করা অনেক ডেটা মাইনিং অ্যাপ্লিকেশনে একটি সাধারণ কাজ। কলামের নমুনা পদ্ধতির বিপরীতে, যা নিম্ন-র্যাঙ্ক সাবস্পেসের আনুমানিক তথ্য অ্যাক্সেস করতে হবে, এলোমেলো অভিক্ষেপগুলি ডেটা অজ্ঞাত, কারণ তাদের গণনা শুধুমাত্র একটি এলোমেলো ম্যাট্রিক্স এস এর সাথে জড়িত। আমরা এলোমেলো অভিক্ষেপ কৌশলগুলি বোঝার জন্য প্রয়োজনীয় মৌলিক ধারণা এবং সংজ্ঞা দিয়ে শুরু করি। সংজ্ঞা ১ (কলম স্পেস) একটি ম্যাট্রিক্স A 2 R nd (n > d) বিবেচনা করুন। লক্ষ্য করুন যে , এক সকল ভেক্টর x 2 R d এর উপর বিস্তৃত , Ax A এর কলামের সমস্ত রৈখিক সমন্বয়গুলির উপর বিস্তৃত এবং তাই R n এর একটি d- মাত্রিক উপ-স্থান সংজ্ঞায়িত করে , যা আমরা A এর কলাম স্থান হিসাবে উল্লেখ করি এবং এটি C ((A) দ্বারা নির্দেশ করি । সংজ্ঞা ২ (` ২-সাবস্পেস এমবেডিং) । |
01dfe1868e8abc090b1485482929f65743e23743 | অজানা পরিবেশে অনুসন্ধান করা মোবাইল রোবটের মূল কার্যকারিতা। লার্নিং-ভিত্তিক অনুসন্ধান পদ্ধতি, যার মধ্যে রয়েছে কনভলুশনাল নিউরাল নেটওয়ার্ক, বৈশিষ্ট্য নিষ্কাশনের জন্য মানব-পরিকল্পিত যুক্তি ছাড়াই দুর্দান্ত কৌশল সরবরাহ করে [1]। কিন্তু প্রচলিত সুপারভাইজড লার্নিং অ্যালগরিদমগুলোতে ডেটাসেট লেবেলিংয়ের কাজে অনেক প্রচেষ্টা প্রয়োজন। প্রশিক্ষণ সেটে অন্তর্ভুক্ত না হওয়া দৃশ্যগুলিও বেশিরভাগই অচেনা। আমরা একটি গভীর শক্তিবৃদ্ধি শেখার পদ্ধতির প্রস্তাব করছি যা কেবলমাত্র RGB-D সেন্সর থেকে গভীরতার তথ্য নিয়ে একটি অভ্যন্তরীণ পরিবেশে মোবাইল রোবটগুলির অনুসন্ধানের জন্য। ডিপ কিউ-নেটওয়ার্ক ফ্রেমওয়ার্কের উপর ভিত্তি করে [2] সমস্ত চলমান কমান্ডের সাথে সম্পর্কিত কিউ মানগুলি অনুমান করার জন্য একমাত্র ইনপুট হিসাবে কাঁচা গভীরতার চিত্র নেওয়া হয়। নেটওয়ার্ক ওজন প্রশিক্ষণ শেষ থেকে শেষ হয়। নির্বিচারে নির্মিত সিমুলেশন পরিবেশে, আমরা দেখিয়েছি যে রোবটটি দ্রুত অচেনা দৃশ্যের সাথে মানিয়ে নিতে পারে কোন মানব-নির্মিত লেবেল ছাড়াই। এছাড়াও, বৈশিষ্ট্য উপস্থাপনার সংবেদনশীল ক্ষেত্রগুলির বিশ্লেষণের মাধ্যমে, গভীর পুনর্বহাল শিক্ষা কনভোলুশনাল নেটওয়ার্কগুলিকে দৃশ্যের ট্র্যাভারসিবিলিটি অনুমান করতে অনুপ্রাণিত করে। পরীক্ষার ফলাফলগুলি গভীর শিক্ষার [1] বা পুনর্বহালের শিক্ষার [3] উপর ভিত্তি করে অনুসন্ধান কৌশলগুলির সাথে পৃথকভাবে তুলনা করা হয়। এমনকি শুধুমাত্র সিমুলেটেড পরিবেশে প্রশিক্ষিত হলেও বাস্তব পরিবেশে পরীক্ষামূলক ফলাফলগুলি দেখায় যে রোবট কন্ট্রোলারের জ্ঞানীয় ক্ষমতা তদারকি পদ্ধতির তুলনায় নাটকীয়ভাবে উন্নত হয়। আমরা বিশ্বাস করি যে এই প্রথমবারের মতো, অ-পরিশোধিত সেন্সর তথ্য ব্যবহার করা হয়েছে মোবাইল রোবটগুলির জন্য জ্ঞানীয় অনুসন্ধান কৌশল তৈরি করতে, এন্ড-টু-এন্ড গভীর রিইনফোর্সমেন্ট লার্নিং এর মাধ্যমে। |
20a773041aa5667fbcf5378ac87cad2edbfd28b7 | ডিবিপিডিয়া প্রকল্পটি উইকিপিডিয়া থেকে কাঠামোগত তথ্য বের করার এবং এই তথ্যটি ওয়েবে অ্যাক্সেসযোগ্য করার জন্য একটি সম্প্রদায়ের প্রচেষ্টা। এর ফলে তৈরি হওয়া ডিবিপিডিয়া জ্ঞানভিত্তিক তথ্য বর্তমানে ২.৬ মিলিয়ন সত্তার বর্ণনা দেয়। এই প্রতিটি সত্তার জন্য, ডিবিপিডিয়া একটি বিশ্বব্যাপী অনন্য শনাক্তকারী সংজ্ঞায়িত করে যা ওয়েবের মাধ্যমে সত্তার একটি সমৃদ্ধ আরডিএফ বর্ণনায় ডেরারফারেন্স করা যায়, যার মধ্যে ৩০ টি ভাষায় মানুষের পাঠযোগ্য সংজ্ঞা, অন্যান্য সংস্থানগুলির সাথে সম্পর্ক, চারটি ধারণার শ্রেণিবিন্যাসে শ্রেণিবিন্যাস, বিভিন্ন তথ্য এবং সত্তার বর্ণনা দিয়ে অন্যান্য ওয়েব ডেটা উত্সের ডেটা-স্তরের লিঙ্ক রয়েছে। গত এক বছরে, ক্রমবর্ধমান সংখ্যক ডেটা প্রকাশক ডেটা-স্তরের লিঙ্কগুলি ডিবিপিডিয়া সংস্থানগুলিতে স্থাপন করতে শুরু করেছেন, যা ডিবিপিডিয়াকে উদীয়মান ডেটা ওয়েবের জন্য একটি কেন্দ্রীয় আন্তঃসংযোগ হাব হিসাবে পরিণত করেছে। বর্তমানে, ডিবিপিডিয়ার চারপাশে আন্তঃসংযুক্ত ডেটা উত্সের ওয়েব প্রায় ৪.৭ বিলিয়ন তথ্য সরবরাহ করে এবং ভৌগলিক তথ্য, মানুষ, সংস্থা, চলচ্চিত্র, সংগীত, জিন, ওষুধ, বই এবং বৈজ্ঞানিক প্রকাশনাগুলির মতো ডোমেনগুলিকে কভার করে। এই নিবন্ধে ডিবিপিডিয়া জ্ঞানভান্ডারের নিষ্কাশন, ডিবিপিডিয়ার সাথে ওয়েবের অন্যান্য ডেটা উত্সের সাথে আন্তঃসংযোগের বর্তমান অবস্থা বর্ণনা করা হয়েছে এবং ডিবিপিডিয়ার চারপাশে ডেটা ওয়েবকে সহজতর করে এমন অ্যাপ্লিকেশনগুলির একটি ওভারভিউ দেওয়া হয়েছে। |
744eacc689e1be16de6ca1f386ea3088abacad49 | আমরা আমাদের পদ্ধতি বর্ণনা করছি, যার মাধ্যমে আমরা সেমান্টিক ওয়েবের জ্ঞানভিত্তিক সিস্টেমগুলিকে বড় ওডব্লিউএল অ্যাপ্লিকেশনের ক্ষেত্রে ব্যবহারের জন্য বেঞ্চমার্কিং করতে পারি। আমরা লেহাই বিশ্ববিদ্যালয় বেঞ্চমার্ক (এলইউবিএম) উপস্থাপন করছি, কিভাবে এই ধরনের বেঞ্চমার্ক ডিজাইন করা যায় তার একটি উদাহরণ হিসেবে। LUBM এর বৈশিষ্ট্য হল বিশ্ববিদ্যালয় ডোমেনের জন্য একটি অন-টোলজি, সিন্থেটিক ওডাব্লুএল ডেটা যা একটি স্কেলযোগ্য আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকারের আকার LUBM-এর মাধ্যমে বিভিন্ন যুক্তি ক্ষমতা এবং স্টোরেজ প্রক্রিয়া সহ সিস্টেমগুলি মূল্যায়ন করা যায়। আমরা দুটি মেমরি-ভিত্তিক সিস্টেম এবং দুটি স্থায়ী স্টোরেজ সিস্টেমের মূল্যায়ন দিয়ে এটি প্রদর্শন করি। |
92862e13ceb048d596d05b5c788765649be9d851 | ড্যানিয়েল-অফ-সার্ভিস আক্রমণের বিতরণ প্রকৃতির কারণে, ওয়্যারলেস সেন্সর নেটওয়ার্ক (ডব্লিউএসএন) -এ প্রচলিত অনুপ্রবেশ সনাক্তকরণ সিস্টেম ব্যবহার করে এই ধরনের ক্ষতিকারক আচরণ সনাক্ত করা অত্যন্ত চ্যালেঞ্জিং। এই গবেষণাপত্রে একটি জৈব অনুপ্রাণিত পদ্ধতির কথা বলা হয়েছে, যার নাম হল কো-অপারেশন-ভিত্তিক ফাজি কৃত্রিম প্রতিরোধ ব্যবস্থা (Co-FAIS) । এটি একটি মডুলার ভিত্তিক প্রতিরক্ষা কৌশল যা মানুষের প্রতিরোধ ব্যবস্থা থেকে উদ্ভূত বিপদের তত্ত্ব থেকে উদ্ভূত। এজেন্টরা একে অপরের সাথে সিঙ্ক্রোনাইজ করে এবং সেন্সর আচরণের অস্বাভাবিকতা গণনা করতে কনটেক্সট অ্যান্টিজেন ভ্যালু (সিএভি) বা আক্রমণকারীদের ক্ষেত্রে এবং সুরক্ষা প্রতিক্রিয়ার জন্য ফ্লুজি অ্যাক্টিভেশন থ্রেশহোল্ড আপডেট করে। এই ধরনের মাল্টি-নোড পরিস্থিতিতে, স্নিফার মডিউল প্যাকেট উপাদানগুলি বিশ্লেষণ করে এবং লগ ফাইলটি পরবর্তী স্তরে প্রেরণ করে ডেটা অডিট করতে সিনক নোডের সাথে খাপ খায়। ফ্লুজি মেশিনের অপব্যবহার সনাক্তকারী মডিউল (এফএমডিএম) বিপদের সংকেতগুলির উৎস সনাক্ত করতে একটি বিপদের সনাক্তকারী মডিউলের সাথে একত্রিত হয়। সংক্রামিত উৎসগুলিকে বিশেষভাবে সিস্টেমের ক্ষমতা বাড়ানোর জন্য প্রয়োজনীয় পদক্ষেপের জন্য অস্পষ্ট কিউ-লার্নিং ভ্যাকসিনেশন মডিউল (এফকিউভিএম) এ প্রেরণ করা হয়। কো-ডিএমএম (Co-DMM) কো-অপ্টিম ডিফেন্স কৌশল তৈরি করতে ফজ কুই-লার্নিং ভ্যাকসিনেশন মডিউলের সাথে বিপদ সনাক্তকারী মডিউলকে অন্তর্ভুক্ত করে। প্রস্তাবিত মডেলের পারফরম্যান্স মূল্যায়ন করার জন্য, একটি নেটওয়ার্ক সিমুলেটর ব্যবহার করে নিম্ন শক্তির অভিযোজিত ক্লাস্টারিং শ্রেণিবিন্যাস (LEACH) অনুকরণ করা হয়েছিল। এই মডেলটি পরবর্তীকালে অন্যান্য বিদ্যমান সফট কম্পিউটিং পদ্ধতির সাথে তুলনা করা হয়, যেমন ফাজি লজিক কন্ট্রোলার (এফএলসি), কৃত্রিম ইমিউন সিস্টেম (এআইএস), এবং ফাজি কিউ-লার্নিং (এফকিউএল), সনাক্তকরণের নির্ভুলতা, কাউন্টার-ডিফেন্স, নেটওয়ার্ক লাইফটাইম এবং শক্তি খরচ, এর দক্ষতা এবং কার্যকারিতা প্রদর্শন করার জন্য। প্রস্তাবিত পদ্ধতিটি সনাক্তকরণের নির্ভুলতা এবং প্রচলিত অভিজ্ঞ পদ্ধতির তুলনায় আক্রমণের বিরুদ্ধে সফল প্রতিরক্ষা হার কর্মক্ষমতা উন্নত করে। & ২০১৪ এ্যালসেভিয়ার লিমিটেড. সমস্ত অধিকার সংরক্ষিত. |
c286ba73f645535d19e085bdaa713a0bb9cb1ddc | এই গবেষণাপত্রে, একটি এক্স-ব্যান্ড 1 × 3 সাবস্ট্রেট ইন্টিগ্রেটেড ওয়েভগাইড (এসআইডাব্লু) পাওয়ার ডিভাইডার ডিজাইন উপস্থাপন করা হয়েছে। ডিজাইন করা এসআইডব্লিউ পাওয়ার ডিভাইডার প্রতিটি আউটপুট পোর্টে অভিন্ন ফেজ বন্টন সহ সমান প্রশস্ততা সরবরাহ করে। এটির একটি সন্তোষজনক অপারেটিং ব্যান্ডউইথ এবং কম ইনসার্ট ক্ষতি রয়েছে। ইএম সিমুলেশন ফলাফল অনুযায়ী, ডিজাইন ফ্রিকোয়েন্সিতে রিটার্ন লস প্রায় ২৫ ডেসিবেল। |
81d51bf638a6a7c405e1e1d461ae979f83fd929b | |
9f27c7cd7a66f612c4807ec6e9a90d6aafd462e8 | গভীরতা RGB-এর সাথে সম্পূরক হতে পারে বস্তু ভলিউম এবং দৃশ্য বিন্যাস সম্পর্কে দরকারী সংকেত দিয়ে। তবে, আরজিবি-ডি ইমেজ ডেটাসেটগুলি এখনও গভীর কনভলুশনাল নিউরাল নেটওয়ার্কগুলি (সিএনএন) সরাসরি প্রশিক্ষণের জন্য খুব ছোট, বিশাল এক-মোডাল আরজিবি ডেটাসেটের বিপরীতে। আরজিবি-ডি স্বীকৃতির পূর্ববর্তী কাজগুলি সাধারণত আরজিবি এবং গভীরতার ডেটার জন্য দুটি পৃথক নেটওয়ার্ককে একত্রিত করে, একটি বৃহত আরজিবি ডেটাসেট দিয়ে প্রাক-প্রশিক্ষিত হয় এবং তারপরে সংশ্লিষ্ট লক্ষ্য আরজিবি এবং গভীরতার ডেটাসেটগুলিতে সূক্ষ্মভাবে টুনড হয়। এই পদ্ধতির বেশ কয়েকটি সীমাবদ্ধতা রয়েছেঃ 1) শুধুমাত্র আরজিবি ডেটা থেকে শিখে নেওয়া নিম্ন-স্তরের ফিল্টার ব্যবহার করুন, এইভাবে গভীরতা-নির্দিষ্ট নিদর্শনগুলি সঠিকভাবে কাজে লাগাতে সক্ষম হবেন না এবং 2) আরজিবি এবং গভীরতার বৈশিষ্ট্যগুলি কেবল উচ্চ স্তরে সংযুক্ত হয় তবে কম স্তরে খুব কমই। এই গবেষণাপত্রে আমরা এমন একটি কাঠামোর প্রস্তাব দিচ্ছি যা বড় আকারের আরজিবি ডেটাসেট থেকে প্রাপ্ত জ্ঞানকে সংযুক্ত করে সীমিত গভীরতার ডেটা থেকে শিখতে পারে, আরও কার্যকর বহু-উত্স এবং বহু-মোডাল উপস্থাপনা অর্জন করে। আমরা একটি মাল্টি-মোডাল সমন্বয় পদ্ধতির প্রস্তাব দিচ্ছি যা বিভিন্ন উৎস মডেল এবং লক্ষ্য মোডালগুলি থেকে স্তরগুলির বৈষম্যমূলক সমন্বয়গুলি নির্বাচন করে, উভয় কার্যের উচ্চ-স্তরের বৈশিষ্ট্য এবং উভয় মোডালের অভ্যন্তরীণ নিম্ন-স্তরের বৈশিষ্ট্যগুলিকে ক্যাপচার করে। |
1986349b2df8b9d4064453d169d69ecfde283e27 | সংঘাত একটি গুরুত্বপূর্ণ উপাদান যা আকর্ষণীয় গল্পের জন্য প্রয়োজনীয়। এই গবেষণাপত্রে, আমরা দ্বন্দ্বের একটি বর্ণনামূলক সংজ্ঞা কার্যকর করি এবং এই সংজ্ঞাটি অন্তর্ভুক্ত করার জন্য প্রতিষ্ঠিত বর্ণনামূলক পরিকল্পনা কৌশলগুলি প্রসারিত করি। দ্বন্দ্ব আংশিক ক্রমের কারণীয় লিঙ্ক পরিকল্পনা অ্যালগরিদম (সিপিওসিএল) একটি পরিকল্পনায় বর্ণনামূলক দ্বন্দ্বের সৃষ্টি করতে দেয় যখন কারণগত সুস্থতা এবং চরিত্রের বিশ্বাসযোগ্যতা বজায় রাখে। আমরা এই অ্যালগরিদমের জ্ঞান উপস্থাপনের ক্ষেত্রে সংঘাতের সাতটি মাত্রা সংজ্ঞায়িত করি। প্রথম তিনটি অংশগ্রহণকারী, কারণ এবং সময়কাল-বিচ্ছিন্ন মান যা যথাক্রমে "কে? " "কেন? " এবং "কখন? " প্রশ্নের উত্তর দেয়। শেষ চারটি- ভারসাম্য, প্রত্যক্ষতা, বাজি এবং রেজোলিউশন-এগুলি অবিচ্ছিন্ন মান যা গুরুত্বপূর্ণ বর্ণনামূলক বৈশিষ্ট্যগুলি বর্ণনা করে যা লেখকের উদ্দেশ্যের ভিত্তিতে দ্বন্দ্বগুলি নির্বাচন করতে ব্যবহার করা যেতে পারে। আমরা দুটি গবেষণার ফলাফলও উপস্থাপন করছি যা এই বর্ণনামূলক ঘটনাগুলির আমাদের কার্যকারিতাকে বৈধতা দেয়। পরিশেষে, আমরা বিভিন্ন ধরনের গল্পের প্রদর্শন করব যা সিপিওসিএল সাতটি মাত্রার উপর সীমাবদ্ধতার ভিত্তিতে তৈরি করতে পারে। |
2766913aabb151107b28279645b915a3aa86c816 | এই নিবন্ধে ব্যাখ্যা-ভিত্তিক শিক্ষা (ইবিএল) এবং অভিজ্ঞতার মাধ্যমে সমস্যা সমাধানের দক্ষতা উন্নত করার ক্ষেত্রে এর ভূমিকা সম্পর্কে আলোচনা করা হয়েছে। ইন্ডাকটিভ সিস্টেমের বিপরীতে, যা একাধিক উদাহরণ থেকে সাধারণ বৈশিষ্ট্যগুলিকে বিমূর্ত করে শিখতে পারে, ইবিএল সিস্টেমগুলি ব্যাখ্যা করে যে কেন একটি নির্দিষ্ট উদাহরণ একটি ধারণার উদাহরণ। ব্যাখ্যাগুলোকে পরে কার্যকরী স্বীকৃতির নিয়ম হিসেবে রূপান্তর করা হয়। মূলত, ইবিএল পদ্ধতি বিশ্লেষণাত্মক এবং জ্ঞান-নিবিড়, যখন ইন্ডাকটিভ পদ্ধতিগুলি অভিজ্ঞ এবং জ্ঞান-দরিদ্র। এই নিবন্ধটি মূল ইবিএল পদ্ধতির সম্প্রসারণ এবং PRODIGY সমস্যা সমাধানের সিস্টেমের সাথে তাদের একীকরণের উপর দৃষ্টি নিবদ্ধ করে। PRODIGY এর EBL পদ্ধতিটি বিশেষভাবে এমন অনুসন্ধান নিয়ন্ত্রণ নিয়ম অর্জনের জন্য ডিজাইন করা হয়েছে যা জটিল টাস্ক ডোমেনের জন্য মোট অনুসন্ধান সময় হ্রাস করতে কার্যকর। ডোমেন-নির্দিষ্ট অনুসন্ধান নিয়ন্ত্রণ নিয়মগুলি সফল সমস্যা সমাধানের সিদ্ধান্ত, ব্যয়বহুল ব্যর্থতা এবং অপ্রত্যাশিত লক্ষ্য মিথস্ক্রিয়া থেকে শিখতে হয়। একাধিক শিক্ষণ কৌশলকে বিবৃতিমূলকভাবে নির্দিষ্ট করার ক্ষমতা ইবিএলকে কর্মক্ষমতা উন্নতির জন্য একটি সাধারণ কৌশল হিসাবে কাজ করতে সক্ষম করে। প্রডিগির ইবিএল পদ্ধতি বিশ্লেষণ করা হয়েছে, বেশ কয়েকটি উদাহরণ এবং পারফরম্যান্সের ফলাফলের সাথে চিত্রিত হয়েছে এবং ইবিএল এবং সমস্যা সমাধানের সংহতকরণের জন্য অন্যান্য পদ্ধতির সাথে তুলনা করা হয়েছে। "বর্তমান ঠিকানাঃ কৃত্রিম বুদ্ধিমত্তা গবেষণা শাখা, নাসা এমেস গবেষণা কেন্দ্র, স্টার্লিং ফেডারেল সিস্টেমস, মেইল স্টপ 244-17, মোফেট ফিল্ড সিএ 94035। এই গবেষণাটি ডিফেন্স অ্যাডভান্সড রিসার্চ প্রজেক্টস এজেন্সি (ডিওডি), এআরপিএ অর্ডার নং দ্বারা আংশিকভাবে স্পনসর করা হয়েছিল। 4976, সংশোধনী 20, চুক্তি নম্বর F33615-87-C-1499, এয়ার ফোর্স এভিয়েনিক্স ল্যাবরেটরি দ্বারা পর্যবেক্ষণ করা হয়, অংশে ন্যাভাল রিসার্চ অফিস দ্বারা N00014-84-K-0345 (N91) এবং N00014-86-K-0678-N123 চুক্তির অধীনে, অংশে নাসা দ্বারা NCC 2-463 চুক্তির অধীনে, অংশে আর্মি রিসার্চ ইনস্টিটিউট দ্বারা MDA903-85-C-0324 চুক্তির অধীনে, 487650-25537 এর অধীনে ক্যালিফোর্নিয়া বিশ্ববিদ্যালয়, ইরভাইন এবং অংশে বেসরকারী প্রতিষ্ঠান থেকে ছোট ছোট অবদানের মাধ্যমে। এই নথিতে প্রকাশিত মতামত ও সিদ্ধান্ত লেখকদের নিজস্ব এবং এগুলিকে ডারপা, ওএনআর, নাসা, এআরআই বা মার্কিন সরকারের সরকারী নীতির প্রতিনিধিত্বকারী হিসাবে ব্যাখ্যা করা উচিত নয়। প্রথম এবং পঞ্চম লেখককে সমর্থন করেছিল এটি অ্যান্ড টি বেল ল্যাবস পিএইচডি। বৃত্তি। সারণি |
516bd2e2bfc7405568f48560e02154135616374c | গল্পের মাধ্যমে মানুষের অভিজ্ঞতাকে ব্যাখ্যা করা, বিশেষ করে গল্প বলা, মানুষের অভিজ্ঞতার একটি গুরুত্বপূর্ণ অংশ। ফলস্বরূপ, কম্পিউটেশনাল সিস্টেমগুলি যা বর্ণনামূলক সম্পর্কে যুক্তিযুক্ত হতে পারে তা আরও কার্যকর যোগাযোগকারী, বিনোদনকারী, শিক্ষাবিদ এবং প্রশিক্ষক হতে পারে। কম্পিউটেশনাল ন্যারাটিভ রাইজনিং এর অন্যতম প্রধান চ্যালেঞ্জ হল ন্যারাটিভ জেনারেশন, অর্থপূর্ণ ইভেন্ট সিকোয়েন্সের স্বয়ংক্রিয় সৃষ্টি। অনেক কারণ আছে - যৌক্তিক এবং নান্দনিক - যা একটি বর্ণনামূলক নিদর্শনটির সাফল্যে অবদান রাখে। এই সাফল্যের মূল কারণ হল এর বোধগম্যতা। আমরা যুক্তি দিচ্ছি যে, গল্পের নিম্নলিখিত দুটি বৈশিষ্ট্য সর্বজনীন: (ক) প্লটের যৌক্তিক কারণগত অগ্রগতি, এবং (খ) চরিত্রের বিশ্বাসযোগ্যতা। চরিত্রের বিশ্বাসযোগ্যতা হল দর্শকদের দ্বারা উপলব্ধি করা যে চরিত্রগুলি দ্বারা সম্পাদিত ক্রিয়াগুলি দর্শকদের অবিশ্বাসের স্থগিতকরণকে নেতিবাচকভাবে প্রভাবিত করে না। বিশেষ করে, চরিত্রগুলিকে শ্রোতাদের দ্বারা ইচ্ছাকৃত এজেন্ট হিসাবে উপলব্ধি করা উচিত। এই প্রবন্ধে, আমরা বর্ণনামূলক প্রজন্মের সমস্যা সমাধানের জন্য একটি কৌশল হিসাবে পরিমার্জন অনুসন্ধানের ব্যবহারটি অন্বেষণ করি - চরিত্রের ক্রিয়াকলাপগুলির একটি শব্দ এবং বিশ্বাসযোগ্য ক্রম খুঁজে পেতে যা একটি প্রাথমিক বিশ্ব রাষ্ট্রকে একটি বিশ্ব রাষ্ট্রে রূপান্তরিত করে যেখানে লক্ষ্য প্রস্তাবগুলি ধরে রাখে। আমরা একটি নতুন পরিমার্জন অনুসন্ধান পরিকল্পনা অ্যালগরিদম বর্ণনা করি - উদ্দেশ্য-ভিত্তিক আংশিক অর্ডার কজাল লিংক (আইপিওসিএল) পরিকল্পনাকারী - যা, কারণগতভাবে শব্দ প্লট অগ্রগতি তৈরি করার পাশাপাশি, সম্ভাব্য চরিত্রের লক্ষ্যগুলি সনাক্ত করে চরিত্রের উদ্দেশ্য সম্পর্কে যুক্তি দেয় যা তাদের কর্মগুলি ব্যাখ্যা করে এবং পরিকল্পনা কাঠামো তৈরি করে যা ব্যাখ্যা করে যে এই চরিত্রগুলি কেন তাদের লক্ষ্যে প্রতিশ্রুতিবদ্ধ। আমরা একটি অভিজ্ঞ মূল্যায়নের ফলাফল উপস্থাপন করছি যা দেখায় যে আইপিওসিএল অ্যালগরিদম দ্বারা উত্পন্ন বর্ণনামূলক পরিকল্পনাগুলি প্রচলিত আংশিক-অর্ডার পরিকল্পনাকারীদের দ্বারা উত্পন্ন পরিকল্পনাগুলির চেয়ে চরিত্রের অভিপ্রায়গুলির শ্রোতাদের বোঝার পক্ষে আরও ভাল। |
444e8aacda5f06d2a6c5197c89567638eaccb677 | তথ্য প্রযুক্তির ক্রমবর্ধমান গুরুত্বের সাথে সাথে তথ্য সুরক্ষার জন্য পর্যাপ্ত ব্যবস্থা গ্রহণের জরুরি প্রয়োজন রয়েছে। তথ্য নিরাপত্তা ব্যবস্থাপনা ব্যবস্থাপনা আইটি ব্যবস্থাপনার জন্য সবচেয়ে গুরুত্বপূর্ণ উদ্যোগগুলির মধ্যে একটি। অন্তত যেহেতু গোপনীয়তা এবং নিরাপত্তা লঙ্ঘন, জালিয়াতি অ্যাকাউন্টিং অনুশীলন, এবং আইটি সিস্টেমে আক্রমণ সম্পর্কে রিপোর্ট জনসাধারণের কাছে প্রকাশিত হয়েছে, সংস্থাগুলি শারীরিক এবং তথ্য সম্পদ সুরক্ষার জন্য তাদের দায়িত্ব স্বীকার করেছে। তথ্য সুরক্ষা ব্যবস্থাপনা ব্যবস্থা (আইএসএমএস) এর উন্নয়নের জন্য নিরাপত্তা মানদণ্ডকে নির্দেশিকা বা কাঠামো হিসেবে ব্যবহার করা যেতে পারে। আইএসও/আইইসি 27000, 27001 এবং 27002 মানগুলি আন্তর্জাতিক মান যা ক্রমবর্ধমান স্বীকৃতি এবং গ্রহণ গ্রহণ করছে। তথ্য সুরক্ষার জন্য এগুলিকে বিশ্বজুড়ে সংস্থাগুলির সাধারণ ভাষা বলা হয় [1]। আইএসও/আইইসি ২৭০০১ এর মাধ্যমে কোম্পানিগুলো তাদের আইএসএমএসকে তৃতীয় পক্ষের একটি সংস্থার দ্বারা সার্টিফাইড করতে পারে এবং এভাবে তাদের গ্রাহকদের তাদের নিরাপত্তা ব্যবস্থাগুলির প্রমাণ দেখাতে পারে। |
54eed22ff377dcb0472c8de454b1261988c4a9ac | বিশ্বজুড়ে ট্রাফিক নিরাপত্তা একটি গুরুতর সমস্যা। অনেক সড়ক দুর্ঘটনা সাধারণত চালকের অনিরাপদ ড্রাইভিং আচরণের সাথে সম্পর্কিত, যেমন গাড়ি চালানোর সময় খাওয়া। এই কাজের মাধ্যমে আমরা একটি দৃষ্টিভিত্তিক সমাধানের প্রস্তাব দিচ্ছি যা ড্রাইভারের আচরণকে স্বীকৃতি দেবে। বিশেষ করে, একটি ইমেজ দেওয়া হলে, Gaussian Mixture Model দ্বারা ত্বকের মতো অঞ্চলগুলি বের করা হয়, যা একটি গভীর কনভোলুশনাল নিউরাল নেটওয়ার্ক মডেল, যথা R*CNN, অ্যাকশন লেবেল তৈরি করতে পাস করা হয়। ত্বকের মতো অঞ্চলগুলি যথেষ্ট বৈষম্যমূলক ক্ষমতার সাথে প্রচুর অর্থগত তথ্য সরবরাহ করতে সক্ষম। এছাড়াও, R*CNN প্রার্থীদের মধ্যে থেকে সবচেয়ে তথ্যবহুল অঞ্চল নির্বাচন করতে সক্ষম হয় যাতে চূড়ান্ত কর্মের স্বীকৃতি সহজ হয়। আমরা প্রস্তাবিত পদ্ধতিগুলি দক্ষিণ-পূর্ব বিশ্ববিদ্যালয়ের ড্রাইভিং-পোস্টার ডেটাসেটে পরীক্ষা করেছি এবং ডেটাসেটে 97.76% এর গড় নির্ভুলতা ((এমএপি) অর্জন করেছি যা প্রমাণ করে যে প্রস্তাবিত পদ্ধতিটি ড্রাইভারদের ক্রিয়া স্বীকৃতিতে কার্যকর। |
79f026f743997ab8b5251f6e915a0a427576b142 | আগামী দশকে যে ব্যাপক ট্রাফিক বৃদ্ধি হবে, তা মোকাবেলায় মিলিমিটার ওয়েভ যোগাযোগ ভবিষ্যতে ৫জি মোবাইল নেটওয়ার্কে গুরুত্বপূর্ণ ভূমিকা পালন করবে বলে আশা করা হচ্ছে। এই ধরনের সিস্টেমগুলি মোবাইল টার্মিনাল, অ্যাক্সেস পয়েন্ট বা ব্যাকহোল/ফ্রন্টহোল স্তরে ব্যবহৃত অ্যান্টেনা প্রযুক্তির জন্য চ্যালেঞ্জ হয়ে দাঁড়াবে। এই গবেষণাপত্রটি উচ্চ ডেটা রেট ৬০ গিগাহার্জ যোগাযোগের জন্য সমন্বিত অ্যান্টেনা, অ্যান্টেনা অ্যারে এবং উচ্চ-নির্দেশযোগ্যতা সহ অর্ধ-অপটিক্যাল অ্যান্টেনাগুলির নকশায় লেখকদের সাম্প্রতিক সাফল্যের একটি ওভারভিউ সরবরাহ করে। |
04ee77ef1143af8b19f71c63b8c5b077c5387855 | প্রাকৃতিক ভাষা প্রক্রিয়াকরণের অধিকাংশ কাজই প্রশ্নবিদ্ধ করা যায় যে ভাষা ইনপুটের উপর উত্তর প্রদান (QA) সমস্যাগুলি কি। আমরা ডায়নামিক মেমরি নেটওয়ার্ক (ডিএমএন) এর সাথে পরিচয় করিয়ে দিচ্ছি, একটি ইউনিফাইড নিউরাল নেটওয়ার্ক ফ্রেমওয়ার্ক যা ইনপুট সিকোয়েন্স এবং প্রশ্নগুলি প্রক্রিয়া করে, শব্দার্থিক এবং এপিসোডিক স্মৃতি গঠন করে এবং প্রাসঙ্গিক উত্তর তৈরি করে। প্রশ্নগুলি একটি পুনরাবৃত্ত মনোযোগ প্রক্রিয়া শুরু করে যা মডেলকে পূর্ববর্তী পুনরাবৃত্তির ফলাফলের উপর তার মনোযোগের শর্ত দেয়। এই ফলাফলগুলিকে তারপর উত্তর তৈরি করার জন্য একটি শ্রেণিবদ্ধ পুনরাবৃত্তিমূলক ক্রম মডেলের মধ্যে যুক্তিযুক্ত করা হয়। ডিএমএনকে এন্ড-টু-এন্ড প্রশিক্ষণ দেওয়া যায় এবং বিভিন্ন ধরণের কাজ এবং ডেটাসেটগুলিতে অত্যাধুনিক ফলাফল পাওয়া যায়ঃ প্রশ্ন উত্তর (ফেসবুকের বিএবিআই ডেটাসেট), বক্তৃতা ট্যাগিংয়ের অংশের জন্য ক্রম মডেলিং (ডাব্লুএসজে-পিটিবি), কোয়ারফারেন্স রেজোলিউশন (কুইজবোল ডেটাসেট) এবং অনুভূতি বিশ্লেষণের জন্য পাঠ্য শ্রেণিবিন্যাস (স্ট্যানফোর্ড সেন্টিমেন্ট ট্রিব্যাঙ্ক) । মডেলটি শুধুমাত্র প্রশিক্ষিত শব্দ ভেক্টর উপস্থাপনার উপর নির্ভর করে এবং কোন স্ট্রিং মিল বা ম্যানুয়ালি ইঞ্জিনিয়ারড বৈশিষ্ট্য প্রয়োজন হয় না। |
165db9e093be270d38ac4a264efff7507518727e | মেশিন লার্নিং গবেষণার একটি দীর্ঘমেয়াদী লক্ষ্য হল এমন পদ্ধতি তৈরি করা যা যুক্তি এবং প্রাকৃতিক ভাষার জন্য প্রযোজ্য, বিশেষত একটি বুদ্ধিমান সংলাপ এজেন্ট তৈরি করা। এই লক্ষ্যে অগ্রগতি পরিমাপ করার জন্য, আমরা প্রক্সি টাস্কের একটি সেটের উপযোগিতা নিয়ে যুক্তি দিচ্ছি যা প্রশ্নের উত্তর দিয়ে পড়া বোঝার মূল্যায়ন করে। আমাদের কাজগুলো বিভিন্নভাবে বোঝার পরিমাপ করে: একটি সিস্টেম কি প্রশ্নের উত্তর দিতে পারে, তথ্যকে শৃঙ্খলাবদ্ধ করে, সহজ অনুপ্রবেশ, বিয়োগ এবং আরও অনেক কিছু। যে কোন সিস্টেমের জন্য এই কাজগুলো পূর্বশর্ত হিসেবে তৈরি করা হয়েছে, যার লক্ষ্য মানুষের সাথে কথোপকথন করতে সক্ষম হওয়া। আমরা বিশ্বাস করি যে অনেক বিদ্যমান শিক্ষণ ব্যবস্থা বর্তমানে তাদের সমাধান করতে পারে না, এবং তাই আমাদের লক্ষ্য এই কাজগুলি দক্ষতার সেটগুলিতে শ্রেণিবদ্ধ করা, যাতে গবেষকরা তাদের সিস্টেমের ত্রুটিগুলি সনাক্ত করতে (এবং তারপরে সংশোধন করতে) পারেন। আমরা সম্প্রতি চালু হওয়া মেমরি নেটওয়ার্ক মডেলের সম্প্রসারণ ও উন্নতি করেছি এবং দেখিয়েছি যে এটি কিছু কাজ সমাধান করতে সক্ষম, কিন্তু সবগুলো নয়। |
17357530b7aae622162da73d3b796c63b557b3b3 | প্রাকৃতিক বা প্রযুক্তিগত ব্যবস্থা সম্পর্কে আমাদের বোঝার চূড়ান্ত প্রমাণটি তাদের নিয়ন্ত্রণ করার আমাদের ক্ষমতার মধ্যে প্রতিফলিত হয়। যদিও কন্ট্রোল থিওরি ইঞ্জিনিয়ারিং এবং প্রাকৃতিক সিস্টেমগুলিকে একটি পছন্দসই অবস্থার দিকে পরিচালিত করার জন্য গাণিতিক সরঞ্জাম সরবরাহ করে, জটিল স্ব-সংগঠিত সিস্টেমগুলি নিয়ন্ত্রণ করার জন্য একটি কাঠামোর অভাব রয়েছে। এখানে আমরা একটি নির্বিচারে জটিল পরিচালিত নেটওয়ার্কের নিয়ন্ত্রণযোগ্যতা অধ্যয়ন করার জন্য বিশ্লেষণাত্মক সরঞ্জামগুলি বিকাশ করি, সময়-নির্ভর নিয়ন্ত্রণের সাথে ড্রাইভার নোডগুলির সেট সনাক্ত করে যা সিস্টেমের পুরো গতিশীলতা পরিচালনা করতে পারে। আমরা এই সরঞ্জামগুলিকে বেশ কয়েকটি বাস্তব নেটওয়ার্কে প্রয়োগ করি, এটি আবিষ্কার করে যে ড্রাইভার নোডের সংখ্যা মূলত নেটওয়ার্কের ডিগ্রি বিতরণ দ্বারা নির্ধারিত হয়। আমরা দেখিয়েছি যে, অনেক জটিল সিস্টেমে উদ্ভূত বিরল অসমান নেটওয়ার্ক নিয়ন্ত্রণ করা সবচেয়ে কঠিন, কিন্তু ঘন এবং সমমানের নেটওয়ার্কগুলিকে কয়েকটি ড্রাইভার নোড ব্যবহার করে নিয়ন্ত্রণ করা যায়। স্বজ্ঞার বিপরীতে, আমরা দেখতে পাই যে মডেল এবং বাস্তব উভয় সিস্টেমে ড্রাইভার নোডগুলি উচ্চ-ডিগ্রি নোডগুলি এড়াতে থাকে। |
8ff18d710813e5ea50d05ace9f07f48006430671 | আমরা হাইড্রোসেন্স প্রযুক্তির উপর আমাদের পূর্ববর্তী কাজের একটি বর্ধিত বিশ্লেষণ উপস্থাপন করি, যা স্বল্প ব্যয় এবং সহজেই ইনস্টল করা একক পয়েন্ট চাপের সেন্সর যা স্বয়ংক্রিয়ভাবে বাড়িতে জল ব্যবহারের ক্রিয়াকলাপগুলিকে বিচ্ছিন্ন করে (ফ্রোলিচ এবং অন্যান্য, ২০০৯) । আমরা বিদ্যমান এবং উদীয়মান জল বিভাজন কৌশলগুলির একটি জরিপ প্রদান করে এই কাজটি প্রসারিত করি, আমাদের পদ্ধতির পিছনে অপারেশন তত্ত্বের আরও বিস্তৃত বিবরণ এবং একটি বর্ধিত বিশ্লেষণ বিভাগ যা গরম বনাম ঠান্ডা জল ভালভ ব্যবহারের শ্রেণিবিন্যাস এবং দুটি শ্রেণিবিন্যাস পদ্ধতির মধ্যে একটি তুলনা অন্তর্ভুক্ত করেঃ ফ্রেহলিচ এবং অন্যান্যদের ব্যবহৃত টেমপ্লেট-ভিত্তিক ম্যাচিং স্কিম। (2009) [53] এবং একটি নতুন স্টোক্যাস্টিক পদ্ধতির একটি লুকানো মার্কভ মডেল ব্যবহার করে। আমরা দেখিয়েছি যে, এই দুই পদ্ধতিই ৯০ শতাংশের বেশি নির্ভুলতার সাথে ভালভ এবং ফিক্সচার স্তরের জল সংক্রান্ত ঘটনা চিহ্নিত করতে সফল হয়েছে। আমরা আমাদের পরীক্ষামূলক পদ্ধতির সীমাবদ্ধতা এবং ভবিষ্যতে খোলা সমস্যাগুলির একটি আলোচনার সাথে শেষ করি। © 2010 Elsevier B.V. সমস্ত অধিকার সংরক্ষিত। |
d4d5a73c021036dd548f5fbe71dbdabcad378e98 | এই কাগজটি অস্থায়ী ইভেন্ট শ্রেণিবদ্ধকরণ স্কিম, সিস্টেম সনাক্তকরণ কৌশল এবং অ-বিঘ্নিত লোড মনিটরিংয়ের জন্য ব্যবহারের জন্য বাস্তবায়ন বর্ণনা করে। এই কৌশলগুলি একসাথে একটি সিস্টেম গঠন করে যা অপারেটিং শিডিউল নির্ধারণ করতে পারে এবং এসি বা ডিসি পাওয়ার ডিস্ট্রিবিউশন সিস্টেমের সাথে সংযুক্ত লোডের শারীরিক মডেলগুলির পরামিতিগুলি খুঁজে পেতে পারে। মনিটরিং সিস্টেমের জন্য শুধুমাত্র অফ-দ্য-শেল্ফ হার্ডওয়্যারের প্রয়োজন হয় এবং এটি বিতরণ ব্যবস্থার একটি কেন্দ্রীয় স্থানে ইনস্টল করা সংবেদনশীল সংকেত থেকে সংকেতকে বিচ্ছিন্ন করে পৃথক ট্রানজিটারগুলিকে স্বীকৃতি দেয়। এসি এবং ডিসি সিস্টেমের জন্য বাস্তবায়ন বিবরণ এবং ক্ষেত্রের পরীক্ষা উপস্থাপন করা হয়। |
3556c846890dc0dbf6cd15ebdcd8932f1fdef6a2 | সর্বব্যাপী কম্পিউটিং এর একটি মূল দিক হল কম্পিউটার এবং সেন্সর নেটওয়ার্ক ব্যবহার করে কার্যকরভাবে এবং অনবদ্যভাবে ব্যবহারকারীদের আচরণকে তাদের পরিবেশে অনুমান করা। এর মধ্যে রয়েছে ব্যবহারকারীরা কোন কাজটি করছে, কিভাবে করছে এবং এর বর্তমান পর্যায়ের তথ্য। প্রবীণদের যত্ন নেওয়ার ক্ষেত্রে দৈনন্দিন জীবনের কার্যক্রমগুলিকে চিহ্নিত করা এবং রেকর্ড করা একটি গুরুত্বপূর্ণ সমস্যা। এডিএল অনুমানের জন্য একটি নতুন প্যারাডাইম রেডিও-ফ্রিকোয়েন্সি-পরিচয় প্রযুক্তি, ডেটা মাইনিং এবং একটি সম্ভাব্যতা অনুমান ইঞ্জিনকে ব্যবহার করে, যা মানুষ ব্যবহার করে এমন বস্তুর উপর ভিত্তি করে এডিএলগুলিকে স্বীকৃতি দেয়। আমরা এমন একটি পদ্ধতির প্রস্তাব দিচ্ছি যা এই চ্যালেঞ্জগুলি মোকাবেলা করে এবং কিছু ধরণের এডিএল পর্যবেক্ষণকে স্বয়ংক্রিয় করার প্রতিশ্রুতি দেয়। আমাদের মূল পর্যবেক্ষণ হল যে, একজন ব্যক্তি ADL সম্পাদন করার সময় যে ক্রমটি ব্যবহার করে তা ADL এর পরিচয় এবং এর কার্যকারিতার গুণমান উভয়কেই দৃঢ়ভাবে চিহ্নিত করে। তাই আমরা প্র্যাকটিভ অ্যাক্টিভিটি টুলকিট (প্রোক্ট) তৈরি করেছি। |
fdec38019625fbcffc9debb804544cce6630c3ac | ক্রমবর্ধমান স্বীকৃতি রয়েছে যে সমসাময়িক ব্যবসায়িক পরিবেশে সংস্থাগুলি জ্ঞান, নেটওয়ার্ক এবং উদ্ভাবনী ক্ষমতার মতো অদম্য সম্পদগুলির একটি বান্ডেল থেকে যথেষ্ট এবং টেকসই প্রতিযোগিতামূলক সুবিধা অর্জন করে। এই ধরনের অদম্য সম্পদের রিটার্ন পরিমাপ করা এখন পরিচালকদের জন্য অপরিহার্য হয়ে উঠেছে। এই প্রবন্ধে, আমরা মার্কেটিংয়ের উপর রিটার্নের পরিমাপ নিয়ে আলোচনা করব। আমরা প্রথমে আলোচনা করব যেসব পরিস্থিতিতে এই কাজটি একটি উচ্চ ব্যবস্থাপনাগত অগ্রাধিকার হিসাবে পরিণত হয়েছে। এরপর আমরা সাধারণ ব্যবস্থাপনা ও বিপণন উভয় ক্ষেত্রেই এখন পর্যন্ত পরিমাপের প্রচেষ্টা নিয়ে আলোচনা করব। এরপর আমরা একটি ধারণাগত কাঠামো প্রদান করি যা পরিমাপের প্রচেষ্টাকে ঐতিহাসিক দৃষ্টিকোণ থেকে দেখায়। আমরা এই আলোচনা দিয়ে শেষ করছি যে বিপণনের পরিমাপের ভবিষ্যৎ কোথায়। © ২০০৬ এ্যালসেভিয়ার ইনক. সমস্ত অধিকার সংরক্ষিত। |
0cfd5a7c6610e0eff2d277b419808edb32d93b78 | |
592fc3377e8b590a457d8ffaed60b71730114347 | গত বিশ বছরে স্টোক্যাস্টিক সার্চ অ্যালগরিদমের প্রতি আগ্রহ দ্রুত বৃদ্ধি পেয়েছে, বিশেষ করে পদার্থবিজ্ঞান ও জীববিজ্ঞানের প্রাকৃতিক প্রক্রিয়া দ্বারা অনুপ্রাণিত। জটিল ব্যবহারিক অপ্টিমাইজেশান সমস্যা এবং বিভিন্ন ক্ষেত্র থেকে নেওয়া সম্পর্কিত অনুসন্ধান অ্যাপ্লিকেশনগুলিতে চিত্তাকর্ষক ফলাফল প্রদর্শিত হয়েছে, তবে এই অ্যালগরিদমগুলির তাত্ত্বিক বোঝাপড়া দুর্বল রয়েছে। এর ফলে কিছু অংশে ফলাফলের প্রতি পর্যাপ্ত মনোযোগ দেওয়া হয়নি যা সর্বজনীন অনুসন্ধান অ্যালগরিদমের কিছু মৌলিক সীমাবদ্ধতা দেখায়, যার মধ্যে তথাকথিত কোন ফ্রি লাঞ্চ উপপাদ্য রয়েছে। এই কাগজ এই ফলাফল প্রসারিত করে এবং অনুসন্ধান অ্যালগরিদম নকশা জন্য তাদের প্রভাব কিছু আঁকে, এবং দরকারী উপস্থাপনা নির্মাণের জন্য। ফলে যেসব অন্তর্দৃষ্টি পাওয়া যায়, সেগুলি ডোমেনের জ্ঞানকে কাজে লাগিয়ে নির্দিষ্ট সমস্যা শ্রেণীর জন্য অ্যালগরিদম এবং উপস্থাপনাগুলিকে উপযুক্ত করার দিকে মনোযোগ দেয়। এই তথ্যগুলো ভবিষ্যতের গবেষণার একটি গুরুত্বপূর্ণ বিষয় হিসেবে কিভাবে ব্যবহার করা যায় সে বিষয়ে তত্ত্বগত ধারণা অর্জনের গুরুত্ব তুলে ধরা হয়েছে। |
c4ea9066db2e73a7ddfa8643277bfd2948eebfe0 | |
7758a1c9a21e0b8635a5550cfdbebc40b22a41a6 | |
bf48f1d556fdb85d5dbe8cfd93ef13c212635bcf | এই কাজের মাধ্যমে আমরা একটি নতুন রোবট শেখার কাঠামোর প্রস্তাব দিচ্ছি যার নাম নিউরাল টাস্ক প্রোগ্রামিং (এনটিপি), যা প্রদর্শন এবং নিউরাল প্রোগ্রাম ইন্ডাকশন থেকে কয়েক শট শেখার ধারণাকে সংযুক্ত করে। এনটিপি ইনপুট হিসাবে একটি টাস্ক স্পেসিফিকেশন নেয় (যেমন, একটি টাস্কের ভিডিও প্রদর্শন) এবং পুনরাবৃত্তিমূলকভাবে এটিকে আরও সূক্ষ্ম উপ-টাস্ক স্পেসিফিকেশনগুলিতে বিভক্ত করে। এই স্পেসিফিকেশনগুলো একটি শ্রেণীবদ্ধ স্নায়বিক প্রোগ্রামে ফিড করা হয়, যেখানে নিম্ন স্তরের প্রোগ্রামগুলো কলযোগ্য সাবরুটিন যা পরিবেশের সাথে ইন্টারঅ্যাক্ট করে। আমরা আমাদের পদ্ধতিকে তিনটি রোবট ম্যানিপুলেশন কাজে প্রমাণিত করেছি। এনটিপি ক্রমিক কাজগুলির মধ্যে শক্তিশালী সাধারণীকরণ অর্জন করে যা শ্রেণিবদ্ধ এবং রচনাগত কাঠামো প্রদর্শন করে। পরীক্ষামূলক ফলাফলগুলি দেখায় যে এনটিপি ক্রমবর্ধমান দৈর্ঘ্য, পরিবর্তনশীল টপোলজি এবং পরিবর্তিত লক্ষ্যগুলির সাথে অদৃশ্য কাজগুলির দিকে ভালভাবে সাধারণীকরণ করতে শিখেছে। |
bbe657fbc16cbf0ceaebd596cea5b3915f4eb39c | বৃত্তাকার পোলারাইজেশন অ্যাপ্লিকেশনে ব্যবহারের জন্য একটি ব্রড-ব্যান্ড কোণ-ট্রঙ্কড আয়তক্ষেত্রাকার স্ট্যাকড প্যাচ অ্যান্টেনা প্রস্তাব করা হয়েছিল। এই গবেষণাপত্রে প্রস্তাবিত অ্যান্টেনাটির অক্ষীয় অনুপাত ৩ ডিবি এর কম এবং ভিএসডব্লিউআর ২ঃ১ এর কম। এই অ্যান্টেনাটি বেতার যোগাযোগের অ্যাপ্লিকেশনের জন্য ২৫% ব্যান্ডউইথের উপরে অর্জনযোগ্য বলে প্রমাণিত হয়েছে। |
15a2c58b29c5a84a134d1504faff528101321f21 | শ্রেণীবিভাগের পদ্ধতিতে সাম্প্রতিক সময়ে সবচেয়ে গুরুত্বপূর্ণ উন্নয়নগুলির মধ্যে একটি হল বুস্টিং (ফ্রাইন্ড ও শাপায়ার ১৯৯৬, শাপায়ার ও সিঙ্গার ১৯৯৮) । অনেক শ্রেণীবিভাগের অ্যালগরিদমের কার্যকারিতা প্রায়শই ক্রমাগতভাবে ইনপুট ডেটার পুনরায় ওজনযুক্ত সংস্করণগুলিতে প্রয়োগ করে এবং এইভাবে উত্পাদিত শ্রেণিবদ্ধকরণের ক্রমের একটি ওজনের সংখ্যাগরিষ্ঠ ভোট গ্রহণ করে নাটকীয়ভাবে উন্নত করা যেতে পারে। আমরা দেখিয়েছি যে এই রহস্যময় ঘটনাটি পরিসংখ্যানের সুপরিচিত নীতির মাধ্যমে বোঝা যায়, যথা, সংযোজনীয় মডেলিং এবং সর্বাধিক সম্ভাব্যতা। দুই শ্রেণীর সমস্যার জন্য, বর্ধিতকরণকে লজিস্টিক স্কেলে সর্বাধিক বার্নুলি সম্ভাব্যতাকে মানদণ্ড হিসাবে ব্যবহার করে অ্যাডিটিভ মডেলিংয়ের একটি আনুমানিক হিসাবে দেখা যেতে পারে। আমরা আরো সরাসরি আনুমানিক বিকাশ করি এবং দেখাই যে তারা প্রায় একই ফলাফল প্রদর্শন করে। বহুপদ সম্ভাব্যতার উপর ভিত্তি করে সরাসরি বহু-শ্রেণীর সাধারণীকরণগুলি প্রাপ্ত হয় যা বেশিরভাগ পরিস্থিতিতে বুস্টিংয়ের অন্যান্য সম্প্রতি প্রস্তাবিত বহু-শ্রেণীর সাধারণীকরণের সাথে তুলনীয় পারফরম্যান্স প্রদর্শন করে এবং কিছু ক্ষেত্রে অনেক বেশি উন্নত। আমরা বুস্টিং এর জন্য একটি ছোটখাট পরিবর্তন প্রস্তাব করছি যা গণনাকে কমিয়ে দিতে পারে, প্রায়শই ১০ থেকে ৫০ এর ফ্যাক্টর দ্বারা। অবশেষে, আমরা এই অন্তর্দৃষ্টিগুলিকে সিদ্ধান্তের গাছের একটি বিকল্প সূত্র তৈরি করতে ব্যবহার করি। এই পদ্ধতিটি বেস্ট-ফার্স্ট ট্রঙ্কড ট্রি ইন্ডাকশনের উপর ভিত্তি করে, প্রায়শই আরও ভাল পারফরম্যান্সের দিকে পরিচালিত করে এবং সমষ্টিগত সিদ্ধান্ত নিয়মের ব্যাখ্যাযোগ্য বিবরণ সরবরাহ করতে পারে। এটি কম্পিউটেশনালভাবেও অনেক দ্রুত কাজ করে যা এটিকে বড় আকারের ডেটা মাইনিং অ্যাপ্লিকেশনের জন্য আরও উপযুক্ত করে তোলে। |
35b86ef854c728da5f905ae9fb09dbbcf59a0cdd | এই কাগজটি মিলিমিটার-ওয়েভ (মিমি-ওয়েভ) ফ্রিকোয়েন্সিগুলিতে সিএমওএস ট্রানজিস্টর, ইন্টিগ্রেটেড প্যাসিভ এবং সার্কিট ব্লকগুলির নকশা এবং মডেলিং বর্ণনা করে। ১৩০-এনএম সিএমওএস ট্রানজিস্টরের উচ্চ-ফ্রিকোয়েন্সি পারফরম্যান্সের উপর পরজীবীগুলির প্রভাবগুলি তদন্ত করা হয় এবং সর্বোত্তম ডিভাইস বিন্যাসের সাথে ১৩৫ গিগাহার্টজ এর একটি শীর্ষ f / sub max / অর্জন করা হয়েছে। ইন্ডাক্টিভ কোয়ালিটি ফ্যাক্টর (Q/sub L/) ট্রান্সমিশন লাইনগুলির জন্য একটি আরো প্রতিনিধিত্বমূলক মেট্রিক হিসাবে প্রস্তাবিত হয় এবং একটি স্ট্যান্ডার্ড সিএমওএস ব্যাক-এন্ড প্রক্রিয়াটির জন্য, কোপ্লানার ওয়েভগাইড (সিপিডব্লিউ) লাইনগুলি মাইক্রোস্ট্রিপ লাইনের চেয়ে উচ্চতর Q/sub L/ ধারণ করে। মিমি-ওয়েভ ফ্রিকোয়েন্সিতে সক্রিয় এবং প্যাসিভ উপাদানগুলির সঠিক মডেলিংয়ের কৌশলগুলি উপস্থাপন করা হয়েছে। প্রস্তাবিত পদ্ধতিটি 40 গিগাহার্টজ এবং 60 গিগাহার্টজে কাজ করে এমন দুটি ব্রডব্যান্ড মিমি-ওয়েভ সিএমওএস এম্প্লিফায়ার ডিজাইন করতে ব্যবহৃত হয়েছিল। ৪০ গিগাহার্জ এম্প্লিফায়ার একটি শিখর অর্জন করে। এস/সাব ২১/সাব = ১৯ ডিবি, আউটপুট পি/সাব ১ ডিবি/ = -০.৯ ডিবিএম, আইআইপি৩ = -৭.৪ ডিবিএম, এবং ১.৫ ভোল্ট সরবরাহ থেকে ২৪ এমএ খরচ করে। ৬০ গিগাহার্জ এম্প্লিফায়ারটি একটি শিখর অর্জন করে। এস/সাব ২১/সাব = ১২ ডিবি, আউটপুট পি/সাব ১ ডিবি/ = +২.০ ডিবিএম, এনএফ = ৮.৮ ডিবি, এবং ১.৫ ভোল্ট সরবরাহ থেকে ৩৬ এমএ খরচ করে। এই এম্প্লিফায়ারগুলো তৈরি করা হয়েছে স্ট্যান্ডার্ড ১৩০-এনএম ৬-মেটাল লেয়ার বাল্ক-সিএমওএস প্রক্রিয়ায়, যা প্রমাণ করে যে আজকের মূলধারার সিএমওএস প্রযুক্তিতে জটিল মিমি-ওয়েভ সার্কিট সম্ভব। |
0a06201d7d0f60d775b2e8d3b100026190081db8 | কৃষি শুধু ক্রমবর্ধমান জনসংখ্যার খাদ্য সরবরাহের মাধ্যম নয়। ভারতের ৭০ শতাংশেরও বেশি মানুষ কৃষির ওপর নির্ভরশীল। এর মানে হচ্ছে, এটি অনেক মানুষকে খাওয়াচ্ছে। উদ্ভিদের রোগগুলি মানুষের স্বাস্থ্যের উপর প্রত্যক্ষ বা পরোক্ষভাবে প্রভাব ফেলে বা অর্থনৈতিকভাবেও প্রভাবিত করে। এই উদ্ভিদের রোগ সনাক্ত করতে আমাদের দ্রুত স্বয়ংক্রিয় পদ্ধতির প্রয়োজন। বিভিন্ন ডিজিটাল ইমেজ প্রসেসিং টেকনিকের মাধ্যমে রোগ বিশ্লেষণ করা হয়। এই গবেষণাপত্রে আমরা উদ্ভিদের রোগ সনাক্তকরণের জন্য বিভিন্ন ডিজিটাল ইমেজ প্রসেসিং টেকনিকের ওপর সমীক্ষা করেছি। |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.