_id
stringlengths 40
40
| text
stringlengths 0
9.47k
|
|---|---|
3c5c3e264e238fe1b76cfe528a0ef26b97f7309b | এই কাগজ প্রাকৃতিক চিত্রের জন্য একটি প্রান্ত-নির্দেশিত ইন্টারপোলেশন অ্যালগরিদম প্রস্তাব করে। মূল ধারণাটি হ ল প্রথমে নিম্ন-রেজোলিউশন চিত্র থেকে স্থানীয় সহ-বৈচিত্র্য সহগগুলি অনুমান করা এবং তারপরে এই সহ-বৈচিত্র্য অনুমানগুলিকে নিম্ন-রেজোলিউশন সহ-বৈচিত্র্য এবং উচ্চ-রেজোলিউশন সহ-বৈচিত্র্যের মধ্যে জ্যামিতিক দ্বৈততার ভিত্তিতে উচ্চতর রেজোলিউশনে ইন্টারপোলেশনটি মানিয়ে নিতে ব্যবহার করা। কোভ্যারিয়েন্স-ভিত্তিক অভিযোজন এর প্রান্ত-নির্দেশিত সম্পত্তিটি ইন্টারপোলেশন কোয়ফিশিয়েন্টগুলিকে একটি নির্বিচারে ওরিয়েন্টেড ধাপ প্রান্তের সাথে মেলে রাখার ক্ষমতাকে দায়ী করে। মোট গণনা জটিলতা কমাতে দ্বি-রেখাযুক্ত ইন্টারপোলেশন এবং সহ-বৈচিত্র্য ভিত্তিক অভিযোজিত ইন্টারপোলেশনের মধ্যে স্যুইচিংয়ের একটি হাইব্রিড পদ্ধতির প্রস্তাব দেওয়া হয়েছে। নতুন ইন্টারপোলেশন অ্যালগরিদমের দুটি গুরুত্বপূর্ণ অ্যাপ্লিকেশন অধ্যয়ন করা হয়ঃ গ্রেস্কেল চিত্রগুলির রেজোলিউশন বর্ধন এবং সিসিডি নমুনা থেকে রঙিন চিত্রগুলির পুনর্গঠন। সিমুলেশন ফলাফল দেখায় যে আমাদের নতুন ইন্টারপোলেশন অ্যালগরিদম প্রচলিত লিনিয়ার ইন্টারপোলেশনের তুলনায় ইন্টারপোল করা চিত্রগুলির বিষয়গত মানের যথেষ্ট উন্নতি করে। |
77c512cbb832436e1a35ad434e6bb3d763799763 | ওয়ার্নার রিচার্ড্ট সেন্টার ফর ইন্টিগ্রেটিভ নিউরোসাইন্স এবং ইনস্টিটিউট অফ থিওরিটিক্যাল ফিজিক্স, ইউনিভার্সিটি অফ টিউবিনগেন, জার্মানি বার্নস্টাইন সেন্টার ফর কম্পিউটেশনাল নিউরোসাইন্স, টিউবিনগেন, জার্মানি স্নাতক স্কুল ফর নিউরাল ইনফরমেশন প্রসেসিং, টিউবিনগেন, জার্মানি ম্যাক্স প্ল্যাঙ্ক ইনস্টিটিউট ফর বায়োলজিক্যাল সাইবারনেটিক্স, টিউবিনগেন, জার্মানি নিউরোসাইন্স বিভাগ, বেয়লার কলেজ অফ মেডিসিন, হিউস্টন, টিএক্স, মার্কিন যুক্তরাষ্ট্র কাকে চিঠিপত্র পাঠানো উচিত; ই-মেইলঃ [email protected] |
7c14de73292d0398b73638f352f53c8b410049c1 | উদ্দেশ্য - এই গবেষণাপত্রের উদ্দেশ্য হল এমন একটি মডেল তৈরি করা যা ব্যবহার করে ভবিষ্যদ্বাণী করা যায় যে কোন ছোট থেকে মাঝারি আকারের উদ্যোগ (এসএমই) এন্টারপ্রাইজ সিস্টেম (ইআরপি, সিআরএম, এসসিএম এবং ই-প্রকয়ারিং) গ্রহণ করার সম্ভাবনা বেশি। নকশা/পদ্ধতি/পদ্ধতি - উত্তর-পশ্চিম ইংল্যান্ডে অবস্থিত এসএমইগুলির একটি র্যান্ডম নমুনা থেকে তথ্য সংগ্রহের জন্য সরাসরি সাক্ষাত্কার ব্যবহার করা হয়েছিল। লজিস্টিক রিগ্রেশন ব্যবহার করে ১০২ টি প্রতিক্রিয়া বিশ্লেষণ করা হয়েছিল। ফলাফল - ফলাফলগুলি প্রকাশ করে যে এসএমএসের এন্টারপ্রাইজ সিস্টেম গ্রহণের উপর প্রভাব ফেলার কারণগুলি এসএমএসের অন্যান্য পূর্বে অধ্যয়ন করা তথ্য সিস্টেম (আইএস) উদ্ভাবনের গ্রহণের উপর প্রভাব ফেলার কারণগুলির থেকে আলাদা। পরিবেশগত কারণের চেয়ে প্রযুক্তিগত ও সাংগঠনিক কারণগুলি SMEs-এর উপর বেশি প্রভাব ফেলে। উপরন্তু, ফলাফলগুলি ইঙ্গিত দেয় যে যেসব কোম্পানিগুলি একটি বৃহত্তর আপেক্ষিক সুবিধা উপলব্ধি করে, তাদের গ্রহণের আগে এই সিস্টেমগুলির সাথে পরীক্ষা করার জন্য একটি বৃহত্তর ক্ষমতা, উচ্চতর ব্যবস্থাপনা সমর্থন, বৃহত্তর সাংগঠনিক প্রস্তুতি এবং বৃহত্তর আকারের সাথে এন্টারপ্রাইজ সিস্টেমগুলি গ্রহণকারী হওয়ার পূর্বাভাস দেওয়া হয়। গবেষণা সীমাবদ্ধতা/অন্তর্নিহিত প্রভাব - যদিও এই গবেষণায় এমন বিষয়গুলির উপর গুরুত্ব দেওয়া হয়েছে যা ক্ষুদ্র ও মাঝারি শিল্পের উদ্যোগে বিভিন্ন ব্যবসায়িক ব্যবস্থার (যেমন, এসইও) গ্রহণকে প্রভাবিত করে। ইআরপি, সিআরএম, এসসিএম এবং ই-প্রকুয়ারিং) এর মধ্যে পার্থক্য করতে ব্যর্থ হয়েছে। ব্যবহারিক প্রভাব - এই মডেলটি সফটওয়্যার বিক্রেতাদের সহায়তা করতে পারে, শুধু বিপণন কৌশল তৈরি করতে নয়, যা সম্ভাব্য গ্রহণকারীদের লক্ষ্যবস্তু করতে পারে, বরং এসই এর গ্রহণযোগ্যতা বৃদ্ধির জন্য কৌশল তৈরি করতেও সাহায্য করতে পারে। মূলধন/মূল্য - এই গবেষণাপত্রটি ছোট ব্যবসার প্রেক্ষাপটে আইএস উদ্ভাবন গ্রহণ/প্রসার নিয়ে চলমান গবেষণায় অবদান রাখে। |
7af2c4d2f4927be654292a55f4abb04c63c76ee3 | |
ea39812bb04923faff76ba567649aceaf19a660e | মানুষের পদচারণা অন্যতম গুরুত্বপূর্ণ বায়োমেট্রিক যা চিকিৎসা রোগ নির্ণয়ের ক্ষেত্রে ব্যবহারের ক্ষেত্রে এখন পর্যন্ত অবহেলিত হয়েছে। এই গবেষণাপত্রে আমরা মানব পদচারনার উপর একটি সম্ভাব্যতা গবেষণা করেছি, যা একটি পরিধানযোগ্য সেন্সর ভিত্তিক বায়োমেট্রিক স্যুট থেকে অর্জিত হয়েছে, যাকে বলা হয় ইন্টেলিজেন্ট গেইট ওসিলেশন ডিটেক্টর (আইজিওডি) । এই স্যুটটি মানুষের শরীরের আটটি প্রধান জয়েন্ট (দুটি হাঁটু, দুটি কোমর, দুটি কনুই এবং দুটি কাঁধ) থেকে একযোগে হাঁটার দোলন পরিমাপ করে। মানুষের হাঁটার ধরন বিশ্লেষণ ও বোঝার জন্য কৌশলগুলি তৈরি করা হয়েছিল। হেঁটে চলা গতির ক্ষেত্রে হেঁটে চলা বেগের পরিবর্তনশীলতা ৩ কিমি/ঘন্টা থেকে ৫ কিমি/ঘন্টা পর্যন্ত অধ্যয়ন করা হয়। লিঙ্গ বৈষম্য (পুরুষ/মহিলা) পদচারণা ওস্কিলেশন নিয়েও গবেষণা করা হয়েছে। হাঁটু জয়েন্টের আন্দোলন এবং হিপ জয়েন্টের দোলন দ্বারা প্রভাবিত মানুষের হাঁটার উপর একটি ব্যাপক বিশ্লেষণ হাতের সুইং প্রভাবের সাথে মোকাবেলা করা হয়েছে। এই বিশ্লেষণ আমাদেরকে মানুষের দ্বিপদ গতিশীলতা এবং এর স্থায়িত্ব সম্পর্কে অন্তর্দৃষ্টি প্রদান করবে। আমরা মানুষের হাঁটার গতির একটি সংগ্রহশালা তৈরি করার পরিকল্পনা করছি, যা ব্যাপকভাবে বিশ্লেষণ করা যাবে ব্যক্তি সনাক্তকরণ এবং রোগীদের হাঁটার সমস্যা শনাক্তকরণের জন্য, যা চিকিৎসা ক্ষেত্রে রোগের সনাক্তকরণ। |
f2c4082faeff5d63b0144ef371c8964621ee33bf | ব্রেইন-কম্পিউটার ইন্টারফেস (বিসিআই) তাদের ব্যবহারকারীদের মস্তিষ্কের সংকেত ব্যবহার করে বহিরাগত ডিভাইসগুলিকে যোগাযোগ বা নিয়ন্ত্রণ করতে দেয়, পেরিফেরিয়াল স্নায়ু এবং পেশীগুলির মস্তিষ্কের স্বাভাবিক আউটপুট পথের পরিবর্তে। গুরুতরভাবে প্রতিবন্ধী ব্যক্তিদের স্বাধীনতা ফিরিয়ে আনার আশায় এবং বহিরাগত সিস্টেমের উপর মানুষের নিয়ন্ত্রণ আরও বাড়ানোর আগ্রহের দ্বারা অনুপ্রাণিত হয়ে, অনেক ক্ষেত্রের গবেষকরা এই চ্যালেঞ্জিং নতুন কাজে নিযুক্ত রয়েছেন। বিসিআই গবেষণা ও উন্নয়ন গত দুই দশকে বিস্ফোরকভাবে বেড়েছে। সম্প্রতি, বাস্তব জীবনে ব্যবহারের জন্য গুরুতরভাবে প্রতিবন্ধী ব্যক্তিদের জন্য পরীক্ষাগারে বৈধতাপ্রাপ্ত বিসিআই সিস্টেম সরবরাহের প্রচেষ্টা শুরু হয়েছে। এই গবেষণাপত্রে আমরা বিসিআই প্রযুক্তির বর্তমান অবস্থা এবং ভবিষ্যতের সম্ভাবনা এবং এর ক্লিনিকাল অ্যাপ্লিকেশন নিয়ে আলোচনা করব। আমরা বিসিআই সংজ্ঞায়িত করব, মানব মস্তিষ্কের বিসিআই-প্রাসঙ্গিক সংকেত পর্যালোচনা করব এবং বিসিআইগুলির কার্যকরী উপাদানগুলি বর্ণনা করব। আমরা বিসিআই প্রযুক্তির বর্তমান ক্লিনিকাল অ্যাপ্লিকেশনগুলি পর্যালোচনা করব এবং সম্ভাব্য ব্যবহারকারী এবং সম্ভাব্য অ্যাপ্লিকেশনগুলি চিহ্নিত করব। অবশেষে, আমরা বিসিআই প্রযুক্তির বর্তমান সীমাবদ্ধতা, এর ব্যাপক ক্লিনিকাল ব্যবহারের প্রতিবন্ধকতা এবং ভবিষ্যতের প্রত্যাশা নিয়ে আলোচনা করব। |
b452a829d69fb1e265cf9277ff669bbc2fa8859b | বিদ্যমান নিউরাল মেশিন ট্রান্সলেশন (এনএমটি) মডেলগুলি সাধারণত দস্তাবেজ-স্তরের তথ্যের সুবিধা গ্রহণের সুযোগটি হারাতে পৃথকভাবে বাক্য অনুবাদ করে। এই কাজের মাধ্যমে আমরা প্রস্তাব করছি যে এনএমটি মডেলগুলিকে খুব হালকা ওজনের ক্যাশ-এর মতো মেমরি নেটওয়ার্কের সাথে উন্নত করা হবে, যা সাম্প্রতিক লুকানো উপস্থাপনাগুলিকে অনুবাদ ইতিহাস হিসাবে সংরক্ষণ করে। মেমরি থেকে উদ্ধার করা অনুবাদ ইতিহাসের উপর নির্ভর করে উত্পন্ন শব্দগুলির উপর সম্ভাব্যতা বন্টন অনলাইনে আপডেট করা হয়, এনএমটি মডেলগুলিকে সময়ের সাথে গতিশীলভাবে মানিয়ে নেওয়ার ক্ষমতা দিয়ে। বিভিন্ন বিষয় এবং শৈলীর সাথে একাধিক ডোমেনের উপর পরীক্ষা-নিরীক্ষা প্রস্তাবিত পদ্ধতির কার্যকারিতা দেখায় যা গণনা ব্যয়কে অবহেলিত করে। |
6a821cb17b30c26218e3eb5c20d609dc04a47bcb | স্পার্সিটি শূন্যগুলি এড়িয়ে গভীর নিউরাল নেটওয়ার্কের কম্পিউটেশনাল জটিলতা কমাতে সহায়তা করে। টিপিইউর মতো পরবর্তী প্রজন্মের ডিএনএন এক্সিলারেটরগুলিতে ক্ষুদ্রতার সুবিধা গ্রহণকে উচ্চ অগ্রাধিকার হিসাবে তালিকাভুক্ত করা হয়েছে। [1] ক্ষুদ্রতার কাঠামো, অর্থাৎ, ছাঁটাইয়ের কণিকতা, হার্ডওয়্যার এক্সিলারেটর ডিজাইনের দক্ষতা এবং ভবিষ্যদ্বাণী নির্ভুলতার উপর প্রভাব ফেলে। রুক্ষ-গ্রিনড প্রুনিং নিয়মিত স্পারসিটি প্যাটার্ন তৈরি করে, এটি হার্ডওয়্যার ত্বরণের জন্য আরও গ্রহণযোগ্য করে তোলে তবে একই নির্ভুলতা বজায় রাখা আরও চ্যালেঞ্জিং। এই গবেষণাপত্রে আমরা পরিমানগতভাবে ক্ষুদ্রতা নিয়মিততা এবং পূর্বাভাস নির্ভুলতার মধ্যে বাণিজ্য-অফ পরিমাপ করি, আরও বেশি কাঠামোগত ক্ষুদ্রতা প্যাটার্ন থাকার সময় কীভাবে নির্ভুলতা বজায় রাখা যায় সে সম্পর্কে অন্তর্দৃষ্টি প্রদান করি। আমাদের পরীক্ষামূলক ফলাফল দেখায় যে, মোটামুটি শস্যের ছাঁটাই সঠিকতা হারাতে না গিয়ে অ-নিয়ন্ত্রিত ছাঁটাইয়ের মতোই একটি ক্ষুদ্রতা অনুপাত অর্জন করতে পারে। উপরন্তু, সূচক সংরক্ষণের প্রভাবের কারণে, রুক্ষ-গ্রানযুক্ত ছাঁটাই একই নির্ভুলতার প্রান্তিকের সাথে সূক্ষ্ম-গ্রানযুক্ত ক্ষুদ্রতার চেয়ে ভাল সংকোচন অনুপাত পেতে সক্ষম। সাম্প্রতিক ক্ষুদ্র ঘূর্ণনশীল নিউরাল নেটওয়ার্ক এক্সিলারেটরের (এসসিএনএন) উপর ভিত্তি করে আমাদের পরীক্ষা আরও দেখায় যে, ক্ষুদ্র-গ্রানযুক্ত ক্ষুদ্রতা সূক্ষ্ম-গ্রানযুক্ত ক্ষুদ্রতার তুলনায় মেমরির রেফারেন্সের ∼ 2 × সংরক্ষণ করে। যেহেতু মেমরি রেফারেন্স গণিতের অপারেশনগুলির চেয়ে দুই অর্ডার বেশি ব্যয়বহুল, তাই বিচ্ছিন্ন কাঠামোর নিয়মিততা আরও দক্ষ হার্ডওয়্যার ডিজাইনের দিকে পরিচালিত করে। |
0651b333c2669227b0cc42de403268a4546ece70 | অনেক শিক্ষণীয় কাজের জন্য ক্রমিক তথ্যের সাথে কাজ করতে হয়। চিত্রের ক্যাপশন, বক্তৃতা সংশ্লেষণ এবং সঙ্গীত প্রজন্মের জন্য একটি মডেলের প্রয়োজন হয় যে এটি ধারাবাহিক আউটপুট তৈরি করে। অন্যান্য ক্ষেত্রে যেমন টাইম সিরিজ পূর্বাভাস, ভিডিও বিশ্লেষণ এবং সঙ্গীত তথ্য পুনরুদ্ধার, একটি মডেলকে অবশ্যই ইনপুট থেকে শিখতে হবে যা ক্রম। ইন্টারেক্টিভ কাজ যেমন প্রাকৃতিক ভাষার অনুবাদ, কথোপকথনে অংশগ্রহণ এবং রোবট নিয়ন্ত্রণ করা প্রায়শই উভয় ক্ষমতার প্রয়োজন হয়। পুনরাবৃত্ত নিউরাল নেটওয়ার্ক (আরএনএন) হল সংযোগবাদী মডেল যা নোডের নেটওয়ার্কে চক্রের মাধ্যমে ক্রমের গতিশীলতা ক্যাপচার করে। স্ট্যান্ডার্ড ফিডফরওয়ার্ড নিউরাল নেটওয়ার্কের বিপরীতে, পুনরাবৃত্ত নেটওয়ার্কগুলি এমন একটি অবস্থা ধরে রাখে যা একটি নির্বিচারে দীর্ঘ প্রসঙ্গ উইন্ডো থেকে তথ্য উপস্থাপন করতে পারে। যদিও পুনরাবৃত্ত নিউরাল নেটওয়ার্কগুলি ঐতিহ্যগতভাবে প্রশিক্ষণের জন্য কঠিন ছিল এবং প্রায়শই লক্ষ লক্ষ প্যারামিটার থাকে, নেটওয়ার্ক আর্কিটেকচারে সাম্প্রতিক অগ্রগতি, অপ্টিমাইজেশন কৌশল এবং সমান্তরাল গণনা তাদের সাথে সফলভাবে বৃহত আকারের শেখার সক্ষম করেছে। সাম্প্রতিক বছরগুলোতে দীর্ঘ স্বল্পমেয়াদী মেমরি (এলএসটিএম) এবং দ্বি-মুখী (বিআরএনএন) আর্কিটেকচারের উপর ভিত্তি করে সিস্টেমগুলি চিত্রের ক্যাপশন, ভাষা অনুবাদ এবং হস্তাক্ষর স্বীকৃতি হিসাবে বিভিন্ন কাজগুলিতে groundbreaking পারফরম্যান্স প্রদর্শন করেছে। এই সমীক্ষায় আমরা গত তিন দশকের গবেষণার পর্যালোচনা ও সংকলন করেছি যা প্রথমত এই শক্তিশালী শিক্ষণ মডেলের ফল প্রদান করেছে এবং পরে তা ব্যবহারিক রূপ দিয়েছে। যখন প্রয়োজন হয়, আমরা বিরোধী চিহ্ন এবং নামকরণকে একত্রিত করি। আমাদের লক্ষ্য হচ্ছে, ঐতিহাসিক দৃষ্টিকোণ এবং প্রাথমিক গবেষণার উল্লেখসহ বর্তমান প্রযুক্তির একটি স্বতন্ত্র ব্যাখ্যা প্রদান করা। |
db10480323bd2b9aeb58268678c204053722d6ad | |
168a89ce530c63720da844a30f5fce0c8f00fe8b | আমরা অ্যালগরিদমের উপর গবেষণা করি যা স্লাইডিং উইন্ডোর জোড়কে সীমাহীন প্রবাহের জোড়ের উপর মূল্যায়ন করে। আমরা এই অ্যালগরিদমগুলির প্রত্যাশিত পারফরম্যান্স বিশ্লেষণ করার জন্য একটি ইউনিট-টাইম বেস খরচ মডেল প্রবর্তন করি। এই খরচ মডেল ব্যবহার করে, আমরা তিনটি পরিস্থিতিতে প্রক্রিয়াকরণ জয়েন্টের দক্ষতা সর্বাধিক করার জন্য কৌশল প্রস্তাব। প্রথমে, আমরা এমন একটি ঘটনা বিবেচনা করব যেখানে একটি প্রবাহ অন্যটির চেয়ে অনেক দ্রুত। আমরা দেখিয়েছি যে জয়েন অ্যালগরিদমের অসম্মতিযুক্ত সংমিশ্রণগুলি (যেমন, একটি ইনপুটের হ্যাশ জয়েন, অন্যটিতে নেস্টেড-লুপ জয়েন) সিম্যাট্রিক জয়েন অ্যালগরিদম বাস্তবায়নকে ছাড়িয়ে যেতে পারে। দ্বিতীয়ত, আমরা এমন একটি কেস তদন্ত করি যেখানে ইনপুট প্রবাহের সাথে সামঞ্জস্য রাখতে সিস্টেমের সংস্থানগুলি অপর্যাপ্ত। আমরা দেখিয়েছি যে আমরা এই ক্ষেত্রে তৈরি যোগফলের টুপলের সংখ্যাকে সর্বোচ্চ করতে পারি, দুইটি ইনপুট স্ট্রিম জুড়ে সঠিকভাবে কম্পিউটিং রিসোর্স বরাদ্দ করে। শেষ পর্যন্ত, আমরা মেমরি সীমিত হলে উৎপাদিত ফলাফলের টুপলের সংখ্যা সর্বাধিক করার কৌশলগুলি তদন্ত করি এবং দেখাই যে দুটি ইনপুট স্ট্রিম জুড়ে সঠিক মেমরি বরাদ্দকরণ উল্লেখযোগ্যভাবে কম সংস্থান ব্যবহার এবং / অথবা আরও ফলাফলের টুপল উত্পাদিত হতে পারে। |
39348c10c90be968357e2a6b65d5e0e479307735 | আমরা আরও দেখাব যে কিছু তথ্য অন্যের চেয়ে সামাজিক সংযোগের আরও ভাল সূচক এবং এই সূচকগুলি ব্যবহারকারী জনগোষ্ঠীর মধ্যে পরিবর্তিত হয় এবং বিভিন্ন সম্প্রদায়ের ব্যক্তিদের সামাজিক জীবনে এক ঝলক দেয়। আমাদের কৌশলগুলো বাস্তব জগতে সংযোগের স্বয়ংক্রিয় অনুমান এবং সম্প্রদায়ের আবিষ্কার, লেবেল এবং বৈশিষ্ট্যাবলী প্রদানের ক্ষেত্রে সম্ভাব্য অ্যাপ্লিকেশন প্রদান করে। ইন্টারনেট আমাদের সম্পর্কে তথ্যের একটি সমৃদ্ধ এবং বিশাল ভাণ্ডার হয়ে উঠেছে। ব্যবহারকারীর হোমপেজে লিঙ্ক এবং টেক্সট থেকে শুরু করে ব্যবহারকারী যে মেইলিং লিস্টে সাবস্ক্রাইব করে সেগুলি ব্যবহারকারীর বাস্তব বিশ্বে সামাজিক মিথস্ক্রিয়াগুলির প্রতিফলন। এই গবেষণাপত্রে আমরা এই তথ্যের খনির কৌশলগুলি আবিষ্কার করি যাতে ব্যক্তিদের মধ্যে সম্পর্কগুলি পূর্বাভাস দেওয়া যায়। |
d729b3a3f519a7b095891ed2b6aab459f6e121a9 | এই গবেষণাপত্রে ৬৫-এনএম সিএমওএস প্রযুক্তিতে ইলেক্ট্রোস্ট্যাটিক স্রাব (ইএসডি) সুরক্ষিত আরএফ কম-শব্দ পরিবর্ধক (এলএনএ) নিয়ে গবেষণা করা হয়েছে। তিনটি ভিন্ন ESD ডিজাইন, যার মধ্যে রয়েছে ডাবল-ডায়োড, সংশোধিত সিলিকন-নিয়ন্ত্রিত রিক্টিফায়ার (SCR), এবং সংশোধিত-SCR-এর সাথে ডাবল-ডায়োড কনফিগারেশন, 5.8 গিগাহার্জেটে ESD-সুরক্ষিত LNA উপলব্ধি করতে ব্যবহৃত হয়। ডাবল-ডায়োডের সাথে সংশোধিত-এসসিআর ব্যবহার করে, একাধিক ইএসডি বর্তমান পথের সাথে একটি 5.8-গিগাহার্টজ এলএনএ একটি 4.3-এ ট্রান্সমিশন লাইন পালস (টিএলপি) ব্যর্থতা স্তর প্রদর্শন করে, যা ~ 6.5-কেভি হিউম্যান-বডি-মোড (এইচবিএম) ইএসডি সুরক্ষা স্তরের সাথে সম্পর্কিত। ১.২ ভোল্টের একটি সরবরাহ ভোল্টেজ এবং ৬.৫ এমএ এর একটি ড্রেন বর্তমানের অধীনে, প্রস্তাবিত ইএসডি-সুরক্ষিত এলএনএ ২.৫৭ ডিবি এর একটি শব্দ চিত্র প্রদর্শন করে যার সাথে ১৬.৭ ডিবি এর একটি পাওয়ার লাভ রয়েছে। ইনপুট তৃতীয় অর্ডার ইন্টারসেপ্ট পয়েন্ট (আইআইপি 3) -১১ ডিবিএম, ইনপুট এবং আউটপুট রিটার্ন ক্ষতি যথাক্রমে ১৫.৯ এবং ২০ ডিবি এর বেশি। |
b1397c9085361f308bd70793fc2427a4416973d7 | এই নিবন্ধে তাদের চেহারা উপর ভিত্তি করে স্থান স্বীকৃতি সমস্যা একটি সম্ভাব্য পদ্ধতির বর্ণনা করা হয়। আমরা যে ব্যবস্থা উপস্থাপন করছি তা কেবল স্থানীয়করণে সীমাবদ্ধ নয়, বরং এটি নির্ধারণ করতে পারে যে একটি নতুন পর্যবেক্ষণ একটি পূর্বে দেখা যায় না এমন জায়গা থেকে এসেছে, এবং তাই এর মানচিত্রকে বাড়িয়ে তোলে। কার্যকরভাবে এটি একটি SLAM সিস্টেম যা চেহারাকে নিয়ন্ত্রণ করে। আমাদের সম্ভাব্যতাবাদী পদ্ধতির সাহায্যে আমরা পরিবেশে উপলব্ধিগত আলিয়াসিং এর জন্য স্পষ্টভাবে হিসাব করতে পারি- একই রকম কিন্তু অস্পষ্ট পর্যবেক্ষণগুলি একই স্থান থেকে আসার সম্ভাবনা কম পায়। আমরা স্থানটির চেহারা সম্পর্কে একটি প্রজন্মগত মডেল শিখার মাধ্যমে এটি অর্জন করি। শেখার সমস্যাকে দুই ভাগে ভাগ করে নতুন স্থান মডেলগুলি অনলাইনে শিখতে পারে শুধুমাত্র একটি স্থান পর্যবেক্ষণের মাধ্যমে। অ্যালগরিদম জটিলতা মানচিত্রে অবস্থানের সংখ্যা অনুসারে রৈখিক এবং বিশেষ করে অনলাইন লুপ বন্ধ সনাক্তকরণের জন্য উপযুক্ত। |
988058ab8dfcb27e9566c6bcef398a4407b1ea04 | |
b320b4b23f708344b7bc4af20fdb37e56543d1a2 | আমরা একটি সহজ পদ্ধতি উপস্থাপন করছি যাতে লক্ষ্য ভাষা সম্পর্কে সিনট্যাক্সিক তথ্য নিউরাল মেশিন ট্রান্সলেশন সিস্টেমে সংযুক্ত করা যায়। WMT16 জার্মান-ইংরেজি সংবাদ অনুবাদ কার্যের উপর পরীক্ষাগুলি একই ডেটাসেটে প্রশিক্ষিত একটি সিনট্যাক্স-অ্যাগনোস্টিক এনএমটি বেসলাইন তুলনায় BLEU স্কোর উন্নত করেছে। সিনট্যাক্স-সচেতন সিস্টেম থেকে অনুবাদের বিশ্লেষণ দেখায় যে এটি বেসলাইনের তুলনায় অনুবাদের সময় আরও পুনরায় সাজানো সম্পাদন করে। একটি ক্ষুদ্র মানব মূল্যায়নও সিনট্যাক্স-সচেতন সিস্টেমের জন্য একটি সুবিধা দেখিয়েছে। গ্রহণ করা হয়েছে... হেডার |
3d809bb3b414a8ee58492e7ea775d6631ea05e91 | ক্যান্টনিজ দক্ষিণ চীনের কিছু অঞ্চলে একটি গুরুত্বপূর্ণ উপভাষা। স্থানীয় অনলাইন ব্যবহারকারীরা প্রায়ই তাদের মতামত এবং অভিজ্ঞতা লিখিত ক্যান্টোনিজ ভাষায় প্রকাশ করে। যদিও এই পর্যালোচনাগুলিতে তথ্য সম্ভাব্য ভোক্তা এবং বিক্রেতাদের জন্য মূল্যবান, বিপুল সংখ্যক ওয়েব পর্যালোচনা একটি পণ্যের পক্ষপাতহীন মূল্যায়ন করা কঠিন করে তোলে এবং ক্যান্টোনীয় পর্যালোচনাগুলি ম্যান্ডারিন চীনা ভাষী লোকদের জন্য অস্পষ্ট। এই গবেষণাপত্রে, স্ট্যান্ডার্ড মেশিন লার্নিং কৌশলগুলি, নেটিভ বেস এবং এসভিএমকে ক্যান্টোনিজ-লিখিত অনলাইন রেস্তোঁরা পর্যালোচনার ডোমেইনে অন্তর্ভুক্ত করা হয়েছে যাতে ব্যবহারকারীর পর্যালোচনাগুলিকে স্বয়ংক্রিয়ভাবে ইতিবাচক বা নেতিবাচক হিসাবে শ্রেণিবদ্ধ করা যায়। শ্রেণীবিভাগের কার্যকারিতার উপর বৈশিষ্ট্য উপস্থাপনা এবং বৈশিষ্ট্য আকারের প্রভাবগুলি আলোচনা করা হয়। আমরা দেখতে পাই যে শ্রেণীবিভাগের মডেল এবং বৈশিষ্ট্য বিকল্পগুলির মধ্যে মিথস্ক্রিয়া দ্বারা নির্ভুলতা প্রভাবিত হয়। নেভি বেজ শ্রেণীবিভাগকারী এসভিএম এর চেয়ে ভাল বা ভাল নির্ভুলতা অর্জন করে। ক্যান্টনিজ ভাষায় আবেগ-অনুভূতি প্রকাশের ক্ষেত্রে অক্ষর-ভিত্তিক বিগ্রামগুলি একগ্রাম এবং ত্রিগ্রামের চেয়ে ভাল বৈশিষ্ট্য হিসাবে প্রমাণিত হয়েছে। ২০১০ এ্যালসেভিয়ার লিমিটেড. সমস্ত অধিকার সংরক্ষিত। |
771636b26260fac6d215df5e76c9ce72c346ba88 | |
025720574ef67672c44ba9e7065a83a5d6075c36 | আমরা ভিডিও ক্রমের উপস্থাপনা শিখতে মাল্টিলেয়ার লং শর্ট টার্ম মেমরি (এলএসটিএম) নেটওয়ার্ক ব্যবহার করি। আমাদের মডেল একটি এনকোডার এলএসটিএম ব্যবহার করে একটি ইনপুট ক্রমকে একটি নির্দিষ্ট দৈর্ঘ্যের উপস্থাপনায় ম্যাপ করতে। এই উপস্থাপনাটি একক বা একাধিক ডিকোডার এলএসটিএম ব্যবহার করে বিভিন্ন কাজ সম্পাদন করতে ডিকোড করা হয়, যেমন ইনপুট ক্রম পুনর্গঠন করা বা ভবিষ্যতের ক্রম পূর্বাভাস দেওয়া। আমরা দুই ধরনের ইনপুট সিকোয়েন্সের সাথে পরীক্ষা-নিরীক্ষা করি - ইমেজ পিক্সেলের প্যাচ এবং একটি প্রি-ট্রেনিং কনভোলুশনাল নেট ব্যবহার করে বের করা ভিডিও ফ্রেমের উচ্চ-স্তরের উপস্থাপনা (percepts) । আমরা বিভিন্ন ডিজাইন পছন্দগুলি যেমন ডিকোডার এলএসটিএমগুলি উত্পন্ন আউটপুটের উপর শর্তযুক্ত হওয়া উচিত কিনা তা অন্বেষণ করি। আমরা মডেলের আউটপুটগুলোকে গুণগতভাবে বিশ্লেষণ করি যাতে দেখতে পারি মডেলটি কতটুকু ভালোভাবে শিখে নেওয়া ভিডিও উপস্থাপনাকে ভবিষ্যতে এবং অতীতে এক্সট্রাপোল করতে পারে। আমরা শিখেছি এমন বৈশিষ্ট্যগুলো কল্পনা এবং ব্যাখ্যা করার চেষ্টা করি। আমরা মডেলটিকে দীর্ঘ সময়কালের স্কেল এবং ডোমেনের বাইরে থাকা ডেটা ব্যবহার করে স্ট্রেস টেস্ট করি। আমরা ইউসিএফ-১০১ এবং এইচএমডিবি-৫১ ডাটাসেটে মানব ক্রিয়াকলাপের স্বীকৃতির জন্য তত্ত্বাবধানে শেখার সমস্যার জন্য তাদের সূক্ষ্মভাবে সমীক্ষা করে প্রতিনিধিত্বগুলিকে আরও মূল্যায়ন করি। আমরা দেখিয়েছি যে প্রতিনিধিত্বগুলি শ্রেণিবদ্ধকরণের নির্ভুলতা উন্নত করতে সহায়তা করে, বিশেষত যখন কেবলমাত্র কয়েকটি প্রশিক্ষণের উদাহরণ থাকে। এমনকি সম্পর্কহীন ডেটাসেট (300 ঘন্টা ইউটিউব ভিডিও) এর উপর প্রাক প্রশিক্ষিত মডেলগুলিও ক্রিয়া স্বীকৃতির কার্যকারিতা সহায়তা করতে পারে। |
14316b885f65d2197ce8c6d4ab3ee61fdab052b8 | এই প্রকাশনায় পুনঃপ্রতিষ্ঠিত নিবন্ধ রয়েছে যার জন্য আইইইই কপিরাইট রাখে না। এই নিবন্ধগুলির সম্পূর্ণ পাঠ্য IEEE এক্সপ্লোরের জন্য উপলব্ধ নয়। |
3068d1d6275933e7f4d332a2f2cf52543a4f0615 | একটি হোমোমর্ফিক, বা ইনক্রিমেন্টাল, মাল্টিসেট হ্যাশ ফাংশন, বস্তুর স্বেচ্ছাসেবী সংগ্রহের সাথে একটি হ্যাশ মানকে যুক্ত করে (সম্ভাব্য পুনরাবৃত্তি সহ) এমনভাবে যে দুটি সংগ্রহের ইউনিয়নের হ্যাশটি দুটি সংগ্রহের হ্যাশ থেকে গণনা করা সহজঃ এটি কেবল একটি উপযুক্ত গ্রুপ অপারেশনের অধীনে তাদের সমষ্টি। বিশেষ করে, বড় সংগ্রহের হ্যাশ মানগুলি ক্রমাগত এবং/অথবা সমান্তরালভাবে গণনা করা যেতে পারে। হোমোমর্ফিক হ্যাশিং এইভাবে একটি খুব দরকারী আদিম যা ডাটাবেস অখণ্ডতা যাচাইকরণ থেকে স্ট্রিমিং সেট / মাল্টিসেট তুলনা এবং নেটওয়ার্ক কোডিং পর্যন্ত অ্যাপ্লিকেশনগুলির সাথে। দুর্ভাগ্যবশত, সাহিত্যে হোমোমর্ফিক হ্যাশ ফাংশনগুলির নির্মাণ দুটি প্রধান ত্রুটি দ্বারা বাধাগ্রস্ত হয়ঃ তারা একই নিরাপত্তা স্তরে স্বাভাবিক হ্যাশ ফাংশনগুলির চেয়ে অনেক বেশি দীর্ঘ হয় (যেমন, ২ এর সংঘর্ষ প্রতিরোধের অর্জন করতে, তারা কয়েক হাজার বিট দীর্ঘ, সাধারণ হ্যাশ ফাংশনগুলির জন্য 256 বিটের বিপরীতে), এবং তারা বেশ ধীর। এই গবেষণাপত্রে, আমরা Elliptic Curve Multiset Hash (ECMH) এর সাথে পরিচয় করিয়ে দিচ্ছি, যা BLAKE2 এর মত একটি সাধারণ বিট স্ট্রিং-ভ্যালুযুক্ত হ্যাশ ফাংশনকে বাইনারি অক্ষরেখার বক্ররেখায় একটি দক্ষ এনকোডিংয়ের সাথে সংযুক্ত করে উভয় অসুবিধা কাটিয়ে উঠতে। একদিকে, ইসিএমএইচ ডাইজেস্টের আকার মূলত সর্বোত্তমঃ ২ এম-বিট হ্যাশ মানগুলি O ((2) সংঘর্ষ প্রতিরোধের সরবরাহ করে। অন্যদিকে, আমরা ইসিএমএইচ এর একটি অত্যন্ত দক্ষ সফটওয়্যার বাস্তবায়ন প্রদর্শন করি, যা আমাদের পুঙ্খানুপুঙ্খ অভিজ্ঞতার মূল্যায়ন করে যে এটি 4 গিগাহার্জ ইন্টেল হ্যাসওয়েল মেশিনে প্রতি সেকেন্ডে 3 মিলিয়ন সেট উপাদানগুলিকে 128 বিট সুরক্ষা স্তরে প্রক্রিয়া করতে সক্ষম - পূর্ববর্তী ব্যবহারিক পদ্ধতির চেয়ে অনেক গুণ দ্রুত। যদিও ইলিপটিক কার্ভের উপর ভিত্তি করে ইনক্রিমেন্টাল হ্যাশিং এর আগে বিবেচনা করা হয়েছে [1] তবে প্রস্তাবিত পদ্ধতিটি কম দক্ষ ছিল, টাইমিং আক্রমণের জন্য সংবেদনশীল এবং সম্ভাব্যভাবে পেটেন্ট-আটকানো ছিল [2] এবং কোনও ব্যবহারিক বাস্তবায়ন প্রদর্শিত হয়নি। |
fbcd758ecc083037cd035c8ed0c26798ce62f15e | আমরা একটি পদ্ধতি উপস্থাপন করছি যা প্রিভিলেজড প্রোগ্রামের দুর্বলতা শোষণের জন্য নিরীক্ষণের মাধ্যমে তাদের কার্যকরকরণ পর্যবেক্ষণ করে। যেখানে পর্যবেক্ষণটি প্রোগ্রামের সুরক্ষা-প্রাসঙ্গিক আচরণের স্পেসিফিকেশনগুলির সাথে সম্পর্কিত। আমাদের কাজটি অনুপ্রাণিত হয় অনুপ্রবেশ সনাক্তকরণ দৃষ্টান্ত দ্বারা, কিন্তু এটি একটি এড়ানোর চেষ্টা করে ডি হোক আচরণকে কোডিং করার জন্য আচরণ। আমাদের পদ্ধতির উপর ভিত্তি করে যে যদিও বিশেষাধিকারপ্রাপ্ত প্রোগ্রামগুলিকে (ত্রুটিগুলির কারণে) সিস্টেমে নিরাপত্তা ঝুঁকির কারণ হিসাবে ব্যবহার করা যেতে পারে কারণ তাদের দেওয়া বিশেষাধিকারগুলির কারণে, বিশেষাধিকারপ্রাপ্ত প্রোগ্রামগুলির উদ্দেশ্যে আচরণ অবশ্যই সীমিত এবং অশুভ। মূল কথা হল, পরিকল্পিত আচরণ (Le., প্রোগ্রাম নীতি) নির্দিষ্ট করা এবং বিশেষাধিকারপ্রাপ্ত প্রোগ্রামের দ্বারা যে কোন কর্ম যা পরিকল্পিত আচরণের বাইরে এবং নিরাপত্তা বিপন্ন করে তা সনাক্ত করা। আমরা একটি প্রোগ্রাম নীতি স্পেসিফিকেশন ভাষা বর্ণনা করি, যা সহজ প্রিডিক্যাট লজিক এবং নিয়মিত এক্সপ্রেশন উপর ভিত্তি করে। এছাড়াও, আমরা ইউনিক্সে বিশেষাধিকারপ্রাপ্ত প্রোগ্রামের স্পেসিফিকেশন এবং এই স্পেসিফিকেশনগুলির সাথে সম্পর্কিত অডিট ট্রেল বিশ্লেষণের জন্য কিউ প্রোটোটাইপ এক্সিকিউশন মনিটর উপস্থাপন করি। প্রোগ্রাম নীতিগুলি আশ্চর্যজনকভাবে সংক্ষিপ্ত এবং স্পষ্ট, এবং একটি অতিরিক্ত, এই প্রোগ্রামগুলিতে পরিচিত দুর্বলতার শোষণ সনাক্ত করতে সক্ষম। যদিও আমাদের কাজ ইউনিক্সে পরিচিত দুর্বলতা দ্বারা অনুপ্রাণিত হয়েছে, আমরা বিশ্বাস করি যে সমস্ত সুবিধাযুক্ত প্রোগ্রামের আচরণকে কঠোরভাবে সীমাবদ্ধ করে অজানা দুর্বলতার শোষণ সনাক্ত করা যায়। স্পেসিফিকেশনগুলির উপর একটি পরীক্ষা, একটি বিমূর্ত নিরাপত্তা নীতির সাথে তাদের যাচাই করার জন্য কাজ চলছে। * এই কাজটি জাতীয় নিরাপত্তা সংস্থা বিশ্ববিদ্যালয় গবেষণা প্রোগ্রামের অধীনে চুক্তি নং. ডিওডি-এমডিএ 904-93-সি 4083 এবং এআরপিএ দ্বারা চুক্তি নং. USNN00014-94-1-0065 |
cb2111cb362f566be61c75ada38af53ecf95a1d3 | |
564264f0ce2b26fd80320e4f71b70ee8c67602ef | এই গবেষণাপত্রে আমরা ডোমেইন ট্রান্সফার লার্নিং এর সমস্যা নিয়ে আলোচনা করব। আমরা একটি রূপান্তর ম্যাট্রিক্স ব্যবহার করি উৎস এবং লক্ষ্য উভয় তথ্যই একটি সাধারণ উপ-অবস্থায় স্থানান্তর করতে, যেখানে প্রতিটি লক্ষ্য নমুনাকে উৎস নমুনার সংমিশ্রণ দ্বারা প্রতিনিধিত্ব করা যেতে পারে যাতে বিভিন্ন ডোমেনের নমুনাগুলি ভালভাবে আন্তঃসংযোগ করা যায়। এইভাবে, উৎস এবং লক্ষ্য ডোমেনের পার্থক্য হ্রাস করা হয়। পুনর্গঠন সহগ ম্যাট্রিক্সের উপর যৌথ নিম্ন-র্যাঙ্ক এবং বিচ্ছিন্ন সীমাবদ্ধতা আরোপ করে, ডেটার বৈশ্বিক এবং স্থানীয় কাঠামো সংরক্ষণ করা যেতে পারে। বিভিন্ন শ্রেণীর মধ্যে যতটা সম্ভব মার্জিন বাড়াতে এবং অসঙ্গতি হ্রাস করার জন্য আরও স্বাধীনতা প্রদানের জন্য, একটি নমনীয় রৈখিক শ্রেণিবদ্ধকরণ (প্রক্ষেপণ) একটি অ-নেতিবাচক লেবেল শিথিলকরণ ম্যাট্রিক্স শেখার মাধ্যমে প্রাপ্ত হয় যা কঠোর বাইনারি লেবেল ম্যাট্রিক্সকে একটি স্ল্যাক ভেরিয়েবল ম্যাট্রিক্সে শিথিল করতে দেয়। আমাদের পদ্ধতিতে সম্ভাব্য নেতিবাচক স্থানান্তর এড়াতে পারে একটি ক্ষুদ্র ম্যাট্রিক্স ব্যবহার করে শব্দ মডেলিং এবং, এইভাবে, বিভিন্ন ধরনের শব্দ আরো শক্তিশালী। আমরা আমাদের সমস্যাটিকে একটি সীমাবদ্ধ নিম্ন-র্যাঙ্কিং এবং স্পারসিটি মিনিমাইজেশন সমস্যা হিসাবে তৈরি করি এবং এটিকে অস্পষ্ট বর্ধিত ল্যাগ্রেঞ্জ গুণক পদ্ধতি দ্বারা সমাধান করি। বিভিন্ন ভিজ্যুয়াল ডোমেন অভিযোজন কাজের উপর ব্যাপক পরীক্ষা-নিরীক্ষা প্রস্তাবিত পদ্ধতির উন্নত পদ্ধতির উপর শ্রেষ্ঠত্ব দেখায়। আমাদের পদ্ধতির MATLAB কোডটি http://www.yongxu.org/lunwen.html এ সর্বজনীনভাবে উপলব্ধ হবে। |
13645dd03627503fd860a2ba73189e92393a67e3 | এই গবেষণাপত্রে আমরা নতুন নিউটন এবং সংযুক্ত গ্রেডিয়েন্ট অ্যালগরিদম তৈরি করেছি গ্রাসমান এবং স্টিফেল ম্যানিফোডের উপর। এই ম্যানিফোডগুলি সিমট্রিক স্বতন্ত্র মান সমস্যা, অ-রৈখিক স্বতন্ত্র মান সমস্যা, ইলেকট্রনিক কাঠামো গণনা এবং সংকেত প্রক্রিয়াকরণ হিসাবে এমন ক্ষেত্রগুলিতে উদ্ভূত সীমাবদ্ধতার প্রতিনিধিত্ব করে। নতুন অ্যালগরিদম ছাড়াও, আমরা দেখাবো কিভাবে জ্যামিতিক কাঠামো আমাদেরকে নতুন অন্তর্দৃষ্টি প্রদান করে যা আমাদেরকে অ্যালগরিদম তৈরি, বোঝার এবং তুলনা করার অনুমতি দেয়। এখানে প্রস্তাবিত তত্ত্বটি সংখ্যাসূচক লিনিয়ার বীজগণিত অ্যালগরিদমের জন্য একটি শ্রেণিবিন্যাস প্রদান করে যা পূর্বে সম্পর্কিত অ্যালগরিদমগুলির একটি শীর্ষ স্তরের গাণিতিক দৃশ্য সরবরাহ করে। আমরা আশা করি যে নতুন অ্যালগরিদম এবং ব্যাঘাত তত্ত্বের বিকাশকারীরা এই কাগজে তত্ত্ব, পদ্ধতি এবং উদাহরণ থেকে উপকৃত হবে। |
38d555bfe13b61e838364016219c7e42fb5dc919 | উদ্দেশ্য - এই গবেষণাপত্রের উদ্দেশ্য হল বিজনেস প্রসেস ম্যানেজমেন্ট (বিপিএম) গভর্নেন্স মডেলের প্রস্তাব দেওয়া যা বিপিএম সিদ্ধান্ত গ্রহণের পাশাপাশি ভূমিকা ও দায়িত্ব নির্ধারণ করে। এই গবেষণার প্রেক্ষাপট হচ্ছে অস্ট্রেলিয়ায় সরকারি মালিকানাধীন একটি কর্পোরেশন। ডিজাইন/পদ্ধতি/পদ্ধতি - একটি গুণগত কেস স্টাডি যা বিষয়বস্তু বিশ্লেষণ পদ্ধতি ব্যবহার করে সংগঠনের নথিগুলি পরীক্ষা করে বিশ্লেষণ করে। নথি বিশ্লেষণের ফলাফলগুলি সংস্থার মূল স্টেকহোল্ডারদের সাথে গভীরতর সাক্ষাত্কারের একটি সিরিজের ভিত্তিতে ব্যবহৃত হয়। সাক্ষাৎকারগুলিকে একটি ধ্রুবক তুলনা পদ্ধতি ব্যবহার করে বিশ্লেষণ করা হয় থিমগুলি বের করার জন্য এবং বর্ণনার বিভাগগুলি তৈরি করার জন্য। ফলাফল - বিপিএম পরিচালনার একটি মডেল প্রস্তাব করা হয়েছে। বিষয়ভিত্তিক বিশ্লেষণের ফলাফলগুলি বিপিএম গভর্নেন্স মডেলের কাঠামোর বিরুদ্ধে ব্যাখ্যা করা হয়, যা তত্ত্ব এবং অনুশীলনের জন্য প্রভাবগুলি অন্তর্ভুক্ত করে এমন ফলাফলের দিকে পরিচালিত করে। ব্যবহারিক প্রভাব - গবেষণায় দেখা গেছে যে, কিভাবে বিপিএম পদ্ধতিকে নির্বাচিত প্রতিষ্ঠানগুলোর কর্পোরেট গভর্নেন্স এবং ম্যানেজমেন্ট সিস্টেমের সাথে একত্রিত করা যায়। মূলধন/মূল্য - গবেষণা পরিচালনার গুরুত্ব এবং সংশ্লিষ্ট ক্ষমতা চিহ্নিত করার পরেও, উপরে উল্লিখিত ক্ষমতা কীভাবে কার্যকরভাবে একটি সংস্থায় স্থাপন করা যায় সে সম্পর্কে খুব কম অগ্রগতি হয়েছে। এই গবেষণাপত্রটি একটি প্রতিষ্ঠানে বিপিএম গভর্নেন্স কিভাবে প্রয়োগ করা যায় সে সম্পর্কে সাহিত্যের একটি ফাঁককে সম্বোধন করে। |
268d3f28ae2295b9d2bf6fef2aa27faf9048a86c | আমরা সমষ্টিগত আরএনএন ভাষা মডেলিংয়ের জন্য শ্রেণীভিত্তিক পুনরাবৃত্ত নিউরাল নেটওয়ার্ক (আরএনএন) ভাষা মডেলগুলিতে একাধিক শব্দ ক্লাস্টারিংয়ের সম্ভাবনাকে কাজে লাগানোর প্রস্তাব দিই। ক্লাস্টারিংয়ের মানদণ্ড এবং শব্দ এম্বেডিংয়ের স্থান পরিবর্তন করে, বিভিন্ন শব্দ / শ্রেণীর ফ্যাক্টরাইজেশনগুলি সংজ্ঞায়িত করার জন্য বিভিন্ন শব্দ ক্লাস্টারিং পাওয়া যায়। প্রতিটি শব্দ/শ্রেণীর ফ্যাক্টরাইজেশনের জন্য, বেশ কয়েকটি বেস আরএনএনএলএম শিখে নেওয়া হয়, এবং বেস আরএনএনএলএমগুলির শব্দ পূর্বাভাসের সম্ভাব্যতাগুলি একটি সমষ্টি পূর্বাভাস তৈরি করতে একত্রিত করা হয়। আমরা একটি লোভী পশ্চাদপদ মডেল নির্বাচন পদ্ধতি ব্যবহার করি মডেলের একটি উপসেট নির্বাচন করতে এবং এই মডেলগুলিকে শব্দ পূর্বাভাসের জন্য একত্রিত করতে। প্রস্তাবিত এন্সেম্বল ল্যাঙ্গুয়েজ মডেলিং পদ্ধতিটি পেন ট্রিব্যাঙ্ক টেস্ট সেট এবং ওয়াল স্ট্রিট জার্নাল (ডাব্লুএসজে) ইভাল ৯২ এবং ৯৩ টেস্ট সেটগুলিতে মূল্যায়ন করা হয়েছে, যেখানে এটি উন্নত পরীক্ষার সেট বিভ্রান্তি এবং শব্দ ত্রুটি হার রাষ্ট্র-অফ-দ্য-আর্ট একক আরএনএনএলএমগুলির পাশাপাশি একাধিক আরএনএনএলএমগুলি বিভিন্ন আরএনএন শেখার শর্ত দ্বারা উত্পাদিত। |
05a958194f1756fb91ddd3e2cd5794f9b0c312ce | শিল্প ও গবেষণায় মাল্টিলেভেল ইনভার্টার নতুন আগ্রহের সৃষ্টি করেছে। যদিও ক্লাসিকাল টপোলজিগুলি উচ্চ-পাওয়ারের মাঝারি ভোল্টেজ অ্যাপ্লিকেশনগুলির বিস্তৃত পরিসরে একটি কার্যকর বিকল্প হিসাবে প্রমাণিত হয়েছে, তবে নতুন টপোলজিগুলির বিবর্তনে সক্রিয় আগ্রহ রয়েছে। গতানুগতিক টপোলজিগুলির তুলনায় সামগ্রিক অংশের সংখ্যা হ্রাস করা সম্প্রতি চালু করা টপোলজিগুলির একটি গুরুত্বপূর্ণ লক্ষ্য। এই গবেষণাপত্রে, সম্প্রতি প্রস্তাবিত কিছু মাল্টিলেভেল ইনভার্টার টপোলজিগুলির পর্যালোচনা ও বিশ্লেষণ করা হয়েছে। এই কাগজটি এই টপোলজিগুলির একটি ভূমিকা এবং একটি আপডেট হিসাবে কাজ করবে, উভয়ই গুণগত এবং পরিমাণগত পরামিতিগুলির ক্ষেত্রে। এছাড়াও, ডিভাইসগুলির সংখ্যা কমানোর চেষ্টা করার সময় যে চ্যালেঞ্জগুলি দেখা দেয় তাও বিবেচনা করা হয়। এই কাগজে উপস্থাপিত এই টপোলজিগুলির একটি বিস্তারিত তুলনার ভিত্তিতে, একটি প্রদত্ত অ্যাপ্লিকেশনের জন্য উপযুক্ত মাল্টিলেভেল সমাধানটি পৌঁছানো যেতে পারে। |
79357470d76ae7aeb4f6e39efd7c3936d615caa4 | এই কাগজটি 1 একটি লিনিয়ার অপটিক্যাল রিসিভার উপস্থাপন করে যা 28nm সিএমওএস প্রযুক্তি ব্যবহার করে 20Gbaud / s (40Gb / s) PAM-4 মডুলেশন জন্য উপযুক্ত। অপটিক্যাল রিসিভার একটি ট্রান্সইম্পিডেন্স এম্প্লিফায়ার (উপার্জন 40dBΩ থেকে 56dBO পর্যন্ত সামঞ্জস্যযোগ্য) এর সাথে একটি পরিবর্তনশীল উপার্জন এম্প্লিফায়ার (উপার্জন 6dB থেকে 17dB পর্যন্ত সামঞ্জস্যযোগ্য) নিয়ে গঠিত। ক্যাপাসিটিভ পিকিং ~ 10 গিগাহার্জ ব্যান্ডউইথ অর্জনের জন্য ব্যবহৃত হয়, এইভাবে অন-চিপ ইন্ডাক্টরগুলির ব্যবহার এড়ানো যায় যা বড় ডাই এলাকা প্রয়োজন। একটি শক্তিশালী স্বয়ংক্রিয় লাভ নিয়ন্ত্রণ লুপ 20μA থেকে 500μA (পিক বর্তমান) একটি ইনপুট গতিশীল পরিসীমা জন্য ~ 100mV একটি ধ্রুবক পার্থক্য আউটপুট ভোল্টেজ সুইং নিশ্চিত করার জন্য ব্যবহার করা হয়। এই একই পরিসরে, উচ্চতর রৈখিকতা (মোট হারমোনিক বিকৃতি 5%, 250MHz সাইনওয়েভ, 10harmonics বিবেচনায় নেওয়া হয়েছে) প্রাপ্ত হয়। rms ইনপুট রেফারেন্স গোলমাল বর্তমান (১০MHz থেকে ২০GHz পর্যন্ত সমন্বিত) ছিল ২.৫μArms। লিনিয়ার অপটিক্যাল রিসিভারটি 1.5V সরবরাহ ভোল্টেজ থেকে 56mW খরচ করে। |
2c361ef5db3231d34656dd86d9b288397f0b929e | একটি কাঠামো তৈরি করা হয়েছে যাতে কার্যকর অপ্টিমাইজেশান অ্যালগরিদম এবং তারা যে সমস্যার সমাধান করছে তার মধ্যে সংযোগটি অন্বেষণ করা যায়। বেশ কয়েকটি এনএফএল থিওরেম উপস্থাপন করা হয়েছে যা প্রতিষ্ঠা করে যে কোনও অ্যালগরিদমের জন্য এক শ্রেণীর সমস্যার উপর কোনও উচ্চতর পারফরম্যান্স ঠিক অন্য শ্রেণীর পারফরম্যান্সের জন্য প্রদান করা হয়। এই থিওরেমগুলির ফলে একটি অ্যালগরিদমের জন্য এটির অর্থ কী তা একটি জ্যামিতিক ব্যাখ্যা হয় যা একটি অপ্টিমাইজেশন সমস্যার জন্য উপযুক্ত। এনএফএল থিওরেমগুলির তথ্যের তত্ত্বীয় দিকগুলি অপ্টিমাইজেশন এবং বেঞ্চমার্ক পরিমাপগুলিও উপস্থাপন করা হয়। অন্যান্য বিষয়গুলি হল সময় পরিবর্তনশীল অপ্টিমাইজেশন সমস্যা এবং একটি প্রিরি হেড টু হেড মিনিম্যাক্স পার্থক্য অপ্টিমাইজেশন অ্যালগরিদমের মধ্যে পার্থক্য যা এনএফএল থিওরেমগুলি সমস্ত অ্যালগরিদমের উপর একধরণের অভিন্নতা প্রয়োগ করার পরেও অর্জন করতে পারে। |
bc87585b4fc874a29bd1d9a031dce1807b2ba0e8 | আগ্রহের একটি বিষয় দেওয়া হলে, একটি বিপরীতমুখী বিষয় হল বিপরীতমুখী দর্শনগুলির একটি গ্রুপ। আমরা বিপরীত বিষয়ের সংক্ষিপ্তসার করার কাজটি করিঃ একটি মতামতযুক্ত নথিগুলির একটি সেট দেওয়া হয়েছে, সেই নথিগুলিতে উপস্থিত বিপরীত বিষয়গুলি উপস্থাপন করার জন্য অর্থবহ বাক্য নির্বাচন করুন। বিভিন্ন কারণের কারণে এটি একটি চ্যালেঞ্জিং সমস্যাঃ অজানা সংখ্যক বিষয়, বিষয়গুলির মধ্যে অজানা সম্পর্ক এবং তুলনামূলক বাক্যগুলি বের করা। আমাদের পদ্ধতির তিনটি মূল উপাদান রয়েছে: বিপরীতমুখী থিম মডেলিং, বিভিন্ন থিম এক্সট্রাকশন, এবং বিপরীতমুখী থিম সারসংক্ষেপ। বিশেষ করে, আমরা বিষয়গুলির মধ্যে শ্রেণিবদ্ধ সম্পর্ক বর্ণনা করার জন্য একটি শ্রেণিবদ্ধ অ-প্যারামেট্রিক মডেল উপস্থাপন করি; এই মডেলটি নেস্টেড চীনা রেস্তোঁরা প্রক্রিয়া থেকে থিম হিসাবে বিষয়গুলির থ্রেডগুলি অনুমান করতে ব্যবহৃত হয়। আমরা বিভিন্ন বিষয়ের একটি সেট নির্বাচন করার জন্য কাঠামোগত নির্ধারক পয়েন্ট প্রক্রিয়া ব্যবহার করে উচ্চ মানের সঙ্গে থিমের বৈচিত্র্য উন্নত। অবশেষে, আমরা বিপরীত বিষয়গুলিকে জোড়া করি এবং বাক্য নির্বাচন করতে একটি পুনরাবৃত্তিমূলক অপ্টিমাইজেশন অ্যালগরিদম ব্যবহার করি, স্পষ্টভাবে বিপরীত, প্রাসঙ্গিকতা এবং বৈচিত্র্য বিবেচনা করে। তিনটি ডেটাসেটের উপর করা পরীক্ষা আমাদের পদ্ধতির কার্যকারিতা প্রমাণ করে। |
147fe6bfc76f30ccacc3620662511e452bc395f6 | চিত্র বিশ্লেষণ এবং কম্পিউটার ভিশন ক্ষেত্রে মুখের স্বীকৃতি একটি চ্যালেঞ্জিং সমস্যা উপস্থাপন করে এবং বিভিন্ন ক্ষেত্রে এর অনেকগুলি অ্যাপ্লিকেশনের কারণে গত কয়েক বছরে এটি প্রচুর মনোযোগ পেয়েছে। মুখের তথ্য সংগ্রহের পদ্ধতির উপর ভিত্তি করে মুখের স্বীকৃতি প্রযুক্তিকে তিনটি শ্রেণীতে ভাগ করা যায়ঃ পদ্ধতিগুলি যা তীব্রতার চিত্রগুলিতে কাজ করে; ভিডিও ক্রমগুলির সাথে যারা কাজ করে; এবং যাদের অন্যান্য সংবেদনশীল তথ্য যেমন 3 ডি তথ্য বা ইনফ্রারেড চিত্রের প্রয়োজন হয়। এই গবেষণাপত্রে এই শ্রেণীর কিছু সুপরিচিত পদ্ধতির একটি সারসংক্ষেপ দেওয়া হয়েছে এবং সেখানে উল্লেখিত কিছু পদ্ধতির সুবিধা এবং অসুবিধাগুলি পরীক্ষা করা হয়েছে। এছাড়াও, মুখের স্বীকৃতি ব্যবহারের প্রণোদনা, এই প্রযুক্তির প্রয়োগ এবং এই কাজটি সম্পর্কিত বর্তমান সিস্টেমগুলিকে আঘাত করা কিছু অসুবিধার বর্ণনা দেওয়ার জন্য একটি আলোচনাও সরবরাহ করা হয়েছে। এই গবেষণাপত্রে এই উদ্দেশ্যে উদ্ভাবিত সাম্প্রতিক কিছু অ্যালগরিদমের কথাও উল্লেখ করা হয়েছে এবং মুখের চেহারা শনাক্তকরণ প্রযুক্তির বর্তমান অবস্থা সম্পর্কে ধারণা দেওয়ার চেষ্টা করা হয়েছে। |
26d172f0a4d7e903ce388f3159059f9c5463e5c5 | ইমেজ বৈশিষ্ট্য নিষ্কাশন ইমেজ স্বীকৃতি মৌলিক কাজ এক . এখন পর্যন্ত, চিত্রের স্বীকৃতির উদ্দেশ্যে নিম্নলিখিতভাবে বিভিন্ন ধরণের বৈশিষ্ট্য ব্যবহার করা হয়েছেঃ (1) ভিজ্যুয়াল বৈশিষ্ট্য; (2) পিক্সেলের পরিসংখ্যানগত বৈশিষ্ট্য; (3) রূপান্তর সহগ বৈশিষ্ট্য। এছাড়াও, আরেকটি ধরনের বৈশিষ্ট্য রয়েছে যা লেখক মনে করেন খুব দরকারী, যেমন . (4) বীজগণিতের বৈশিষ্ট্য যা একটি চিত্রের অভ্যন্তরীণ বৈশিষ্ট্যগুলিকে উপস্থাপন করে। চিত্রের একক মান (এসভি) এই ধরনের বৈশিষ্ট্য। এই গবেষণাপত্রে আমরা প্রমাণ করেছি যে এসভি বৈশিষ্ট্য ভেক্টরের কিছু গুরুত্বপূর্ণ বৈশিষ্ট্য রয়েছে যেমন বীজগণিত এবং জ্যামিতিক অস্বচ্ছতা এবং গোলমালের প্রতি অসংবেদনশীলতা। এই বৈশিষ্ট্যগুলো ছবির বর্ণনা এবং স্বীকৃতির জন্য খুবই উপযোগী । উদাহরণস্বরূপ, এসভি ফিচার ভেক্টরটি মানুষের মুখের চিত্রগুলি চিনতে সমস্যাটির জন্য ব্যবহৃত হয়। এই গবেষণাপত্রে, মুখের চিত্রের এসভি বৈশিষ্ট্য ভেক্টর নমুনা ব্যবহার করে, স্যামনের সর্বোত্তম বর্ণনামূলক সমতল ভিত্তিক একটি সাধারণ প্যাটার্ন বেজ শ্রেণিবদ্ধকরণ মডেল তৈরি করা হয়েছে। পরীক্ষামূলক ফলাফল দেখায় যে এসভি ফিচার ভেক্টরের শ্রেণী বিচ্ছেদের ভাল পারফরম্যান্স রয়েছে। চিত্র স্বীকৃতি বীজগণিত বৈশিষ্ট্য নিষ্কাশন একক মান বৈশিষ্ট্য মুখের চিত্র স্বীকৃতি ডিসক্রিনলিন্যান্ট ভেক্টর মাত্রা হ্রাস |
55206f0b5f57ce17358999145506cd01e570358c | এইচএমএম এর উপর ভিত্তি করে অ-স্থির ভেক্টর টাইম সিরিজের স্টোক্যাস্টিক মডেলিং বক্তৃতা অ্যাপ্লিকেশনগুলির জন্য খুব সফল হয়েছে [5]। সম্প্রতি এটি বিভিন্ন চিত্র স্বীকৃতি সমস্যার ক্ষেত্রে প্রয়োগ করা হয়েছে [৭, ৯]। এর আগে প্রকাশিত গবেষণায় [6] মানব চেহারা মডেলিংয়ের জন্য এইচএমএম ব্যবহারের বিষয়টি তদন্ত করা হয়েছে। মুখগুলিকে স্বজ্ঞাতভাবে মুখ, চোখ, নাক ইত্যাদির মতো অঞ্চলে ভাগ করা যায় এবং এই অঞ্চলগুলি এইচএমএম-এর রাজ্যগুলির সাথে যুক্ত হতে পারে। একটি শীর্ষ-নিচের এইচএমএম এর সনাক্তকরণ কর্মক্ষমতা কিছু সুপরিচিত অ্যালগরিদমের সাথে অনুকূলভাবে তুলনা করে, উদাহরণস্বরূপ স্বতন্ত্র মুখ যেমন [8] তে বিশদভাবে বর্ণনা করা হয়েছে। তবে এইচএমএম প্যারামিটারাইজেশনটি এখন পর্যন্ত উপস্থাপিত কাজের মধ্যে বিষয়গত অন্তর্দৃষ্টি দ্বারা পৌঁছেছে। এই গবেষণাপত্রটি পরীক্ষামূলক ফলাফল উপস্থাপন করে যা দেখায় যে কীভাবে সনাক্তকরণের হারগুলি এইচএমএম পরামিতিগুলির সাথে পরিবর্তিত হয় এবং যা পরামিতিগুলির সবচেয়ে যুক্তিসঙ্গত পছন্দকে নির্দেশ করে। এই কাগজটি নিম্নরূপ সংগঠিত করা হয়েছেঃ বিভাগ 2 এইচএমএম ভিত্তিক পদ্ধতির একটি ওভারভিউ দেয়; বিভাগ 3 প্রশিক্ষণ এবং স্বীকৃতি প্রক্রিয়া বিস্তারিতভাবে বর্ণনা করে; বিভাগ 4 পরীক্ষামূলক সেটআপ বর্ণনা করে; বিভাগ 5 সনাক্তকরণের ফলাফল উপস্থাপন করে; বিভাগ 6 কাগজটি শেষ করে। |
5985014dda6d502469614aae17349b4d08f9f74c | - এই গবেষণাপত্রে বিভিন্ন অ্যাপ্লিকেশনে সফলভাবে ব্যবহৃত কিছু টেক্সচার পরিমাপের এবং সম্প্রতি প্রস্তাবিত কিছু নতুন প্রতিশ্রুতিশীল পদ্ধতির পারফরম্যান্সের মূল্যায়ন করা হয়েছে। শ্রেণীবিভাগের জন্য নমুনা এবং প্রোটোটাইপ বিতরণগুলির কুলব্যাক বৈষম্যের উপর ভিত্তি করে একটি পদ্ধতি ব্যবহার করা হয়। এক মাত্রিক বৈশিষ্ট্য মান বিতরণ সহ একক বৈশিষ্ট্য এবং দ্বি-মাত্রিক বিতরণ সহ পরিপূরক বৈশিষ্ট্যগুলির জোড়াগুলির জন্য শ্রেণিবদ্ধকরণের ফলাফলগুলি উপস্থাপিত হয়েছে টেক্সচার বিশ্লেষণ শ্রেণিবদ্ধকরণ বৈশিষ্ট্য বিতরণ কুলব্যাক ডিসক্রিমিনেন্ট পারফরম্যান্স মূল্যায়ন ব্রোডাটজ টেক্সচার l. I N T R O D U C T I O N টেক্সচার অনেক ধরণের চিত্র বিশ্লেষণের জন্য একটি গুরুত্বপূর্ণ বৈশিষ্ট্য। বিভিন্ন ধরণের টেক্সচারকে আলাদা করার জন্য বিভিন্ন ধরণের ব্যবস্থা প্রস্তাব করা হয়েছে, c1 2~ কিছু টেক্সচার পরিমাপের কার্যকারিতা মূল্যায়নের জন্য তুলনামূলক গবেষণা করা হয়েছে Weszka et al. দ্বারা, ~3~ Du Bufet et al. ওহানিয়ান ও ডুবেস, |
1270044a3fa1a469ec2f4f3bd364754f58a1cb56 | এই গবেষণাপত্রে ভিডিও ক্লিপগুলোতে মানুষের মুখের মডেলিং এবং স্বীকৃতির একটি নতুন পদ্ধতি উপস্থাপন করা হয়েছে। প্রতিটি নিবন্ধিত ব্যক্তিকে পরিবেষ্টনকারী চিত্রের স্থানে একটি নিম্ন-মাত্রিক চেহারা বৈচিত্র দ্বারা প্রতিনিধিত্ব করা হয়। জটিল অ-রেখিক চেহারা বহুমুখী উপসেটগুলির একটি সংগ্রহ হিসাবে প্রকাশিত (পোজ বহুমুখী নামে পরিচিত), এবং তাদের মধ্যে সংযোগ। প্রতিটি পোজ মাল্টিফোল্ড একটি অ্যাফিন প্লেন দ্বারা আনুমানিক হয়। এই উপস্থাপনাটি তৈরি করতে, ভিডিও থেকে নমুনা নেওয়া হয় এবং এই নমুনাগুলি কে-মিডেনস অ্যালগরিদমের সাথে ক্লাস্টার করা হয়; প্রতিটি ক্লাস্টারকে প্রধান উপাদান বিশ্লেষণ (পিসিএ) এর মাধ্যমে গণনা করা সমতল হিসাবে উপস্থাপন করা হয়। পোজ ম্যানিফোডের মধ্যে সংযোগটি প্রতিটি পোজ ম্যানিফোডের চিত্রগুলির মধ্যে রূপান্তর সম্ভাব্যতাকে এনকোড করে এবং এটি একটি প্রশিক্ষণ ভিডিও ক্রম থেকে শিখেছে। পরীক্ষার ভিডিও ক্রমগুলিতে মুখের স্বীকৃতির জন্য একটি সর্বাধিক একটি পোস্টেরিয়র ফর্মুলেশন উপস্থাপন করা হয় যে ইনপুট চিত্রটি একটি নির্দিষ্ট পোজ মাল্টিফোল্ড থেকে আসে এবং পূর্ববর্তী ফ্রেম থেকে এই পোজ মাল্টিফোল্ডে রূপান্তর সম্ভাবনাকে সংহত করে। আংশিক অ্যাক্লুশন সহ মুখগুলিকে চিনতে, আমরা প্রক্রিয়াটিতে একটি ওজন মাস্ক প্রবর্তন করি। ব্যাপক পরীক্ষায় দেখা গেছে যে প্রস্তাবিত অ্যালগরিদমটি বর্তমান ফ্রেম-ভিত্তিক মুখের স্বীকৃতি পদ্ধতির চেয়ে বেশি কার্যকর। |
358e2ae243cb022938ae3d40ea0ac112319a6325 | |
ad9cbf31a1cd6a71e773a0d3e93c489304327174 | এই গবেষণাপত্রে হাঁটার অসুবিধে থাকা রোগীদের হাঁটার পুনর্বাসনের জন্য একটি পাওয়ারযুক্ত লেগ অর্থাসিস বর্ণনা করা হয়েছে। এই গবেষণাপত্রটিতে এমন কন্ট্রোলার প্রস্তাব করা হয়েছে, যা পায়ে উপযুক্ত শক্তি প্রয়োগ করতে পারে যাতে পাটি একটি পছন্দসই গতিপথের উপর চলে যায়। এই গবেষণাপত্রটিতে নিয়ামক, সিমুলেশন এবং পাওয়ারযুক্ত অরথোসিসের পরীক্ষার ফলাফলের বর্ণনা দেওয়া হয়েছে। বর্তমানে, একটি ডেম পা দিয়ে অর্থোসিসে পরীক্ষা করা হয়েছে। আগামী কয়েকমাস ধরে এই শক্তিযুক্ত অর্থোসিস সুস্থ ব্যক্তি এবং স্ট্রোক রোগীদের উপর ব্যবহার করা হবে। |
853ac9d5ae2662b8e33946d106b261005e391fed | আইরিস টেক্সচারে উপস্থিত এলোমেলোতা এবং সমৃদ্ধতা 2 ডি গ্যাবর ফিল্টার ব্যাংক বিশ্লেষণকে আইরিস স্বীকৃতি সিস্টেমের জন্য ব্যবহার করার জন্য একটি উপযুক্ত কৌশল করে তোলে। 2D গ্যাবর ফিল্টার ব্যবহার করে জটিল টেক্সচার কাঠামোর সঠিক বৈশিষ্ট্য নির্ধারণের জন্য এই ধরনের ফিল্টারগুলির পরামিতিগুলির একাধিক সেট ব্যবহার করা প্রয়োজন। এই কাগজটি একটি আইরিস স্বীকৃতি সিস্টেমের নির্ভুলতা ধীরে ধীরে বাড়ানোর জন্য 2 ডি গ্যাবর ফিল্টার পরামিতিগুলির একাধিক সেট অনুকূলিতকরণের একটি কৌশল প্রস্তাব করে। প্রস্তাবিত পদ্ধতিটি নিকট ইনফ্রারেড এবং দৃশ্যমান বর্ণালী আইরিস ইমেজ উভয় ক্ষেত্রেই প্রয়োগ করা উপযুক্ত। ফিল্টার ব্যাংক ডিজাইন কৌশলটির কার্যকারিতা চিত্রিত করার জন্য, ইউবিআইআরআইএসভি 1 ডাটাবেসটি বেঞ্চমার্কিংয়ের জন্য ব্যবহৃত হয়েছিল। |
050eda213ce29da7212db4e85f948b812a215660 | আমরা মুখের স্বীকৃতির জন্য একটি মডেল এবং উদাহরণ ভিত্তিক পদ্ধতির প্রস্তাব দিই। এই সমস্যাটি পূর্বে মডেল বা উদাহরণ ব্যবহার করে মোকাবেলা করা হয়েছে, সীমিত সাফল্যের সাথে। আমাদের ধারণা অনেকগুলো নমুনাকে সংহত করার জন্য মডেল ব্যবহার করে, যা পরে মুখের স্বীকৃতি সিস্টেমের শেখার পর্যায়ে ব্যবহৃত হয়। এটা প্রমাণ করার জন্য, আমরা একটি পরিসংখ্যানগত আকৃতি-ছায়া মডেল তৈরি করি একটি একক চিত্র থেকে মুখের আকৃতি পুনরুদ্ধার করতে, এবং একই মুখকে নতুন আলোকসজ্জার অধীনে সংশ্লেষ করতে। এরপর আমরা এটি ব্যবহার করে একটি সহজ এবং দ্রুত শ্রেণীবিভাগকারী তৈরি করি যা প্রশিক্ষণ তথ্যের অভাবের কারণে আগে সম্ভব ছিল না। |
195e55c90fd109642116ee51f7205c106f341111 | |
b05fdba8f447b37d7fa6fdd63d23c70b2f4ee01b | এই গবেষণাপত্রে আমরা প্রথম গভীর শিক্ষণ পদ্ধতির কথা তুলে ধরছি যা মতামত খনির ক্ষেত্রে দিকনির্দেশনা বের করে। দৃষ্টিভঙ্গি নিষ্কাশন হল অনুভূতি বিশ্লেষণের একটি উপ-কাজ যা মতামতযুক্ত পাঠ্যে মতামত লক্ষ্যগুলি সনাক্তকরণে, অর্থাৎ, একটি পণ্য বা পরিষেবাদির নির্দিষ্ট দিকগুলি সনাক্তকরণে মতামতধারক প্রশংসা বা অভিযোগ করছেন। আমরা ৭ স্তরের গভীর কনভলুশনাল নিউরাল নেটওয়ার্ক ব্যবহার করেছি, যাতে আমরা প্রতিটি শব্দকে একটি বাক্যে একটি দিক বা একটি দিকহীন শব্দ হিসেবে ট্যাগ করতে পারি। আমরা একই উদ্দেশ্যে ভাষাগত নিদর্শন তৈরি করেছি এবং সেগুলোকে নিউরাল নেটওয়ার্কের সাথে একত্রিত করেছি। এর ফলে তৈরি হওয়া এন্সেম্বল শ্রেণীবিভাগক, অনুভূতি বিশ্লেষণের জন্য একটি শব্দ-অন্তর্ভুক্তি মডেলের সাথে মিলিত হয়ে, আমাদের পদ্ধতিটিকে অত্যাধুনিক পদ্ধতির চেয়ে উল্লেখযোগ্যভাবে ভাল নির্ভুলতা অর্জনের অনুমতি দেয়। |
d9c797a74f2f716379f388d5c57e437ecd68759c | |
6fdbbefe05648f6c0f027428ccff248b174798d5 | এই গবেষণাপত্রে আমরা মোবাইল রোবোটিকসের একটি গুরুত্বপূর্ণ সমস্যা নিয়ে আলোচনা করব: একই সময়ে মানচিত্র নির্মাণ এবং স্থানীয়করণ, যা আমরা পূর্বের তথ্য ছাড়াই দীর্ঘমেয়াদী বিশ্বব্যাপী রেফারেন্সযুক্ত অবস্থান অনুমান হিসাবে সংজ্ঞায়িত করি। এই সমস্যাটি নিম্নলিখিত প্যারাডক্সের কারণে কঠিনঃ সঠিকভাবে চলাচল করতে, একটি মোবাইল রোবটের একটি সঠিক পরিবেশ মানচিত্র থাকতে হবে; তবে, একটি সঠিক মানচিত্র তৈরি করতে, মোবাইল রোবটের সেন্সর অবস্থানগুলি সঠিকভাবে জানা উচিত। এইভাবে, একই সময়ে মানচিত্র নির্মাণ এবং স্থানীয়করণকে একটি প্রশ্ন উপস্থাপন করতে দেখা যায় যে "কোনটি প্রথম এসেছিল, মুরগি বা ডিম? আল্ট্রাসোনিক সেন্সিং ব্যবহারের সময়, এই সমস্যাটি কাটিয়ে উঠতে আমরা গাড়িতে একাধিক সার্ভো-মাউন্ট করা সোনার সেন্সর দিয়ে সজ্জিত করি, যাতে একটি উপ-সেট পরিবেশের বৈশিষ্ট্যগুলি সঠিকভাবে রোবটের প্রাথমিক অবস্থান থেকে শিখতে পারে এবং পরবর্তীকালে সঠিক অবস্থান নির্ধারণের জন্য ট্র্যাক করা যায়। |
efbc200feab74e5087c4005d8759e5dadb3a3077 | সাধারণ প্রজন্ম এবং পাঠ্য ম্যানিপুলেশন চ্যালেঞ্জিং এবং সাম্প্রতিক গভীর জেনারেটিভ মডেলিংয়ের তুলনায় সীমিত সাফল্য রয়েছে। এই গবেষণাপত্রের লক্ষ্য প্রাকৃতিক ভাষার যুক্তিসঙ্গত বাক্য তৈরি করা, যার বৈশিষ্ট্যগুলি গতিশীলভাবে নিয়ন্ত্রিত হয় নির্দিষ্ট শব্দার্থের সাথে ডিসএংটেলড ল্যাটিন্ট উপস্থাপনাগুলি শেখার মাধ্যমে। আমরা একটি নতুন নিউরাল জেনারেটিভ মডেলের প্রস্তাব দিচ্ছি যা ভেরিয়েশনাল অটো-এনকোডার এবং হোলিস্টিক এট্রিবিউট ডিসক্রিমিনেটরকে সংযুক্ত করে যা কার্যকরভাবে শব্দার্থিক কাঠামো প্রয়োগ করে। ডিফারেনশিয়াল টেক্সট নমুনার সাথে পার্থক্যযোগ্য আনুমানিক, স্বাধীন বৈশিষ্ট্য নিয়ন্ত্রণের উপর স্পষ্ট সীমাবদ্ধতা এবং জেনারেটর এবং বৈষম্যকারীদের দক্ষ সহযোগী শিক্ষার সাথে, আমাদের মডেলটি কেবলমাত্র শব্দ টীকা থেকেও অত্যন্ত ব্যাখ্যাযোগ্য উপস্থাপনাগুলি শিখতে পারে এবং পছন্দসই বৈশিষ্ট্যগুলির সাথে বাস্তববাদী বাক্য তৈরি করে। পরিমাণগত মূল্যায়ন বাক্য এবং বৈশিষ্ট্য প্রজন্মের সঠিকতা যাচাই করে। |
24aed1b7277dfb2c2a6515a1be82d30cc8aa85cc | আমরা চাক্ষুষ বিষয়বস্তু থেকে অনুভূতি বিশ্লেষণের চ্যালেঞ্জ মোকাবেলা করি। বিদ্যমান পদ্ধতিগুলির বিপরীতে যা সরাসরি দৃশ্যমান নিম্ন-স্তরের বৈশিষ্ট্যগুলি থেকে অনুভূতি বা আবেগকে অনুমান করে, আমরা অনুভূতির সাথে দৃ strongly়ভাবে সম্পর্কিত ভিজ্যুয়াল ধারণাগুলির বোঝার উপর ভিত্তি করে একটি অভিনব পদ্ধতির প্রস্তাব দিই। আমাদের মূল অবদান দুটি দিকের: প্রথমত, আমরা একটি পদ্ধতি উপস্থাপন করছি যা মনস্তাত্ত্বিক তত্ত্ব এবং ওয়েব মাইনিং এর উপর ভিত্তি করে তৈরি করা হয়েছে যাতে স্বয়ংক্রিয়ভাবে একটি বৃহত আকারের ভিজ্যুয়াল সেন্টিমেন্ট অ্যান্টোলজি (ভিএসও) তৈরি করা যায় যা ৩০০০ এরও বেশি বিশেষণ নাম জুড়ি (এএনপি) নিয়ে গঠিত। দ্বিতীয়ত, আমরা SentiBank-এর প্রস্তাব দিচ্ছি, একটি নতুন ভিজ্যুয়াল কনসেপ্ট ডিটেক্টর লাইব্রেরি যা একটি ইমেজে ১,২০০টি ANP এর উপস্থিতি সনাক্ত করতে ব্যবহার করা যেতে পারে। ভিএসও এবং সেন্টিব্যাঙ্ক বিদ্যমান কাজ থেকে পৃথক এবং স্বয়ংক্রিয় মনোভাব বিশ্লেষণ দ্বারা সক্ষম বিভিন্ন অ্যাপ্লিকেশনগুলির দিকে একটি গেট খুলবে। ছবির টুইটগুলির অনুভূতি সনাক্তকরণের উপর পরীক্ষাগুলি প্রস্তাবিত সেন্টিব্যাঙ্ক ভিত্তিক ভবিষ্যদ্বাণীগুলিকে পাঠ্য-ভিত্তিক পদ্ধতির সাথে তুলনা করার সময় সনাক্তকরণের নির্ভুলতার উল্লেখযোগ্য উন্নতি প্রদর্শন করে। এই প্রচেষ্টার ফলে একটি বড় জনসাধারণের জন্য উপলব্ধ সম্পদ তৈরি হয়, যা একটি ভিজ্যুয়াল সেন্টিমেন্ট অনটলজি, একটি বড় ডিটেক্টর লাইব্রেরি এবং ভিজ্যুয়াল সেন্টিমেন্ট বিশ্লেষণের জন্য প্রশিক্ষণ/পরীক্ষার মানদণ্ড। |
9af5c320f1ab4e881c1aa4e35d7c7f10d5d2405d | |
b6bbb228300c72f141a2f05702ddc7f8ab4a8297 | তথ্যই আধুনিক সব প্রতিষ্ঠানের প্রাণের রক্ত, তবুও সংবাদমাধ্যম গুরুত্বপূর্ণ তথ্য হারাতে পারে এমন খবর ছড়ায়। তথ্য সুরক্ষার উদ্দেশ্য হল তথ্য, হার্ডওয়্যার, সফটওয়্যার এবং মানুষের মতো মূল্যবান সম্পদ রক্ষা করা। তথ্য নিরাপত্তা বিশেষজ্ঞদের অধিকাংশই বিশ্বাস করেন যে, ভালো ব্যবহারকারীর আচরণকে উৎসাহিত করা এবং খারাপ ব্যবহারকারীর আচরণকে সীমাবদ্ধ করা একটি কার্যকর তথ্য নিরাপত্তা ব্যবস্থাপনা ব্যবস্থার (আইএসএমএস) একটি গুরুত্বপূর্ণ উপাদান। তথ্য সুরক্ষার কার্যকর বাস্তবায়নের জন্য নিরাপত্তা সংক্রান্ত ঝুঁকি বোঝা এবং তারপরে উপযুক্ত নিয়ন্ত্রণ ব্যবস্থা গড়ে তোলা ও বাস্তবায়ন করা প্রয়োজন। সাধারণভাবে, যত বেশি কর্মচারী নিয়ন্ত্রণ প্রয়োগ করতে পারে, ততই সংগঠনটি নিরাপদ হবে, কারণ এমনকি সেরা পরিকল্পিত প্রযুক্তিগত নিয়ন্ত্রণ এবং পদ্ধতিগুলিও যদি জড়িত কর্মীরা বুঝতে না পারে যে কেন তারা প্রয়োগ করা হয়েছে এবং তারা কী অর্জন করছে তা সীমিত মূল্যের হবে। প্রয়োজনীয় স্তরের বোঝার জন্য সাধারণত বার্ষিক সচেতনতা প্রশিক্ষণ উদ্যোগের চেয়ে বেশি প্রয়োজন এবং বেশিরভাগ সংস্থার জন্য এটি একটি বড় চ্যালেঞ্জ। প্রকৃতপক্ষে, অনেক প্রতিষ্ঠানের জন্য এটি সাংস্কৃতিক পরিবর্তনের সাথে জড়িত হবে যাতে তথ্য সুরক্ষা ধারণাগুলিকে সাংগঠনিক সংস্কৃতিতে সংহত করা যায়। |
0bd6442092bc4a9e0e77cd2f302f2db1a242e250 | স্বাস্থ্যসেবা পরিষেবার মান উন্নত করতে সম্প্রতি ইন্টারনেট অব থিংস (আইওটি) ভিত্তিক স্বাস্থ্য পর্যবেক্ষণ ব্যবস্থা চালু করা হয়েছে। তবে আইওটি-ভিত্তিক উন্নত ক্রমাগত গ্লুকোজ মনিটরিং সিস্টেমের সংখ্যা কম এবং বিদ্যমান সিস্টেমগুলির বেশ কয়েকটি সীমাবদ্ধতা রয়েছে। এই গবেষণাপত্রে আমরা আইওটি ভিত্তিক পদ্ধতির মাধ্যমে আক্রমণাত্মক এবং ক্রমাগত গ্লুকোজ মনিটরিং (সিজিএম) সিস্টেমের সম্ভাব্যতা নিয়ে গবেষণা করেছি। আমরা একটি সেন্সর ডিভাইস থেকে শুরু করে ব্যাক-এন্ড সিস্টেম পর্যন্ত একটি আইওটি-ভিত্তিক সিস্টেম আর্কিটেকচার ডিজাইন করেছি। পরিবেশে তাপমাত্রা) গ্রাফিকাল এবং মানুষের পাঠযোগ্য ফর্ম যেমন রোগী ও ডাক্তার হিসাবে শেষ ব্যবহারকারীদের. এছাড়াও, গ্লুকোজ মনিটরিং সিস্টেমের সাথে সামঞ্জস্য রেখে এবং উচ্চ স্তরের শক্তি দক্ষতা অর্জনের জন্য এনআরএফ যোগাযোগ প্রোটোকল কাস্টমাইজ করা হয়েছে। আমরা সেন্সর ডিভাইসের শক্তি খরচ নিয়ে গবেষণা করি এবং ডিভাইসের জন্য শক্তি সংগ্রহের ইউনিট ডিজাইন করি। অবশেষে, এই কাজটি গেটওয়ে স্তরে অনেক উন্নত পরিষেবা সরবরাহ করে যেমন অস্বাভাবিক পরিস্থিতিতে রোগী এবং ডাক্তারদের অবহিত করার জন্য একটি পুশ বিজ্ঞপ্তি পরিষেবা (যেমন, "প্যাথোলজি" এবং "অ্যান্টি-অক্সিডেন্ট") । খুব কম বা খুব বেশি গ্লুকোজ স্তর) । ফলাফল থেকে জানা যায় যে, আমাদের সিস্টেমটি রিয়েল টাইমে দূর থেকে গ্লুকোজের ক্রমাগত পর্যবেক্ষণ করতে সক্ষম। এছাড়া, ফলাফল থেকে জানা যায় যে, সেন্সর ডিভাইসে কাস্টমাইজড এনআরএফ কম্পোনেন্ট, পাওয়ার ম্যানেজমেন্ট ইউনিট এবং এনার্জি হার্ভেস্টিং ইউনিট একসঙ্গে ব্যবহার করে উচ্চ স্তরের শক্তি দক্ষতা অর্জন করা যায়। c © 2017 লেখক। ইসেভিয়ার বি.ভি. দ্বারা প্রকাশিত। |
0bfc3626485953e2d3f87854a00a50f88c62269d | সেলুলার নেটওয়ার্ক সাধারণত একটি গ্রিডে বেস স্টেশন স্থাপন করে মডেল করা হয়, মোবাইল ব্যবহারকারীরা হয় এলোমেলোভাবে ছড়িয়ে পড়ে বা নির্ধারিতভাবে স্থাপন করা হয়। এই মডেলগুলি ব্যাপকভাবে ব্যবহৃত হয়েছে কিন্তু অত্যন্ত আদর্শ এবং খুব বেশি পরিচালনাযোগ্য নয়, তাই কভারেজ / আউটজোড সম্ভাব্যতা এবং হার মূল্যায়ন করার জন্য জটিল সিস্টেম-স্তরের সিমুলেশন ব্যবহার করা হয়। আরো বেশি দক্ষ মডেল দীর্ঘদিন ধরে কাম্য ছিল। আমরা স্টোক্যাস্টিক জ্যামিতি ব্যবহার করে মাল্টি-সেল সিগন্যাল-টু-ইন্টারফারেন্স-প্লাস-শব্দ অনুপাত (এসআইএনআর) এর জন্য নতুন সাধারণ মডেলগুলি বিকাশ করি। খুব সাধারণ অনুমানের অধীনে, ডাউনলিংক SINR CCDF (কভারেজ সম্ভাবনার সমতুল্য) এর জন্য ফলস্বরূপ এক্সপ্রেশনগুলি দ্রুত গণনাযোগ্য ইন্টিগ্রালগুলি অন্তর্ভুক্ত করে এবং কিছু ব্যবহারিক বিশেষ ক্ষেত্রে সাধারণ ইন্টিগ্রালগুলিতে (যেমন, কিউ-ফাংশন) বা এমনকি সহজ বন্ধ-ফর্ম এক্সপ্রেশনগুলিতে সরলীকৃত করা যেতে পারে। আমরা গড় হারও বের করি, এবং তারপর কভারেজ লাভ (এবং গড় হার হারানো) স্ট্যাটিক ফ্রিকোয়েন্সি পুনরায় ব্যবহার থেকে। আমরা আমাদের কভারেজ পূর্বাভাস গ্রিড মডেল এবং একটি প্রকৃত বেস স্টেশন স্থাপনার সাথে তুলনা করি এবং পর্যবেক্ষণ করি যে প্রস্তাবিত মডেলটি হতাশাজনক (কভারেজের একটি নিম্ন সীমা) যেখানে গ্রিড মডেল আশাবাদী এবং উভয়ই সমানভাবে সঠিক। প্রস্তাবিত মডেলটি আরও সহজলভ্য হওয়ার পাশাপাশি ভবিষ্যতের নেটওয়ার্কগুলিতে বেস স্টেশনগুলির ক্রমবর্ধমান সুযোগবাদী এবং ঘন স্থানকে আরও ভালভাবে ক্যাপচার করতে পারে। |
54bef8bca4bef4a5cb597c11b9389496f40df35c | স্বয়ংক্রিয় বক্তৃতা স্বীকৃতি আউটপুটগুলিতে বিরামচিহ্নগুলি পাওয়া যায় না, যা পরবর্তী পাঠ্য প্রক্রিয়াকরণ কার্যের জন্য বাধা সৃষ্টি করতে পারে। এই গবেষণাপত্রে একটি নতুন পদ্ধতির প্রস্তাব দেওয়া হয়েছে যাতে ট্রান্সক্রিপ্ট করা বক্তৃতা পাঠ্যগুলিতে শব্দের প্রবাহের জন্য বিরামচিহ্ন চিহ্নগুলি পূর্বাভাস দেওয়া যায়। আমাদের পদ্ধতি যৌথভাবে বাম থেকে ডানে শব্দ প্রক্রিয়াকরণের সময় সমৃদ্ধ সিনট্যাক্স বৈশিষ্ট্য সমন্বিত করে পার্সিং এবং বিরামচিহ্ন পূর্বাভাস সম্পাদন করে। এটি লিনিয়ার জটিলতার সাথে বিন্দুগত পূর্বাভাসের জন্য দীর্ঘ-পরিসরের নির্ভরতা ক্যাপচার করার জন্য একটি বিশ্বব্যাপী দৃশ্যের সদ্ব্যবহার করতে পারে। আইডব্লিউএসএলটি এবং টিডিটি৪ এর পরীক্ষার ডেটা সেটগুলির পরীক্ষামূলক ফলাফলগুলি দেখায় যে আমাদের পদ্ধতিটি ট্রান্সক্রিপ্ট করা বক্তৃতা পাঠ্যের শব্দের প্রবাহের উপর বিরামচিহ্নের পূর্বাভাসে উচ্চ স্তরের পারফরম্যান্স অর্জন করতে পারে। |
82e9a883f47380ce2c89ecbc57597efbdd120be1 | রেডিও-ফ্রিকোয়েন্সি সনাক্তকরণ প্রযুক্তি, যা পাঠক/ট্যাগ দৃষ্টান্তের উপর ভিত্তি করে, দ্রুত দৈনন্দিন জীবনের বিভিন্ন দিককে ছড়িয়ে দিচ্ছে। ইলেক্ট্রোম্যাগনেটিক গবেষণায় মূলত উচ্চ দক্ষতা এবং ছোট আকারের ট্যাগ অ্যান্টেনার নকশা সম্পর্কিত, এবং এমবেডেড ইলেকট্রনিক্সের সাথে জটিল প্রতিবন্ধকতার মিলের জন্য উপযুক্ত। এই গবেষণাপত্রটি উপলব্ধ কিন্তু খণ্ডিত উন্মুক্ত সাহিত্যের উপর ভিত্তি করে ইউএইচএফ প্যাসিভ ট্যাগ এন্টেনের নকশার জন্য প্রাসঙ্গিক পদ্ধতির একটি সমন্বিত সমীক্ষা উপস্থাপন করে। সাধারণ কাঠামোর মধ্যে, সবচেয়ে বেশি ব্যবহৃত নকশা বিন্যাসগুলির মৌলিক ধারণাগুলি চিত্রিত করার জন্য বিশেষ যত্ন নেওয়া হয়। নকশা কৌশলগুলি অসংখ্য অ-বাণিজ্যিক উদাহরণ দ্বারা চিত্রিত করা হয়। |
54a4c8051e655e3035f98bb9dd8876a6511517ff | এই গবেষণাপত্রে WMT16 এর ভাগ করা কার্যক্রম Translation of News এর জন্য LIMSI এর জমা দেওয়া তথ্যের বর্ণনা দেওয়া হয়েছে। আমরা রোমানিয়ান-ইংরেজি উভয় দিকের জন্য ফলাফল রিপোর্ট, ইংরেজি থেকে রাশিয়ান জন্য, পাশাপাশি ইংরেজি থেকে জার্মান অনুবাদ পুনরায় সাজানোর উপর প্রাথমিক পরীক্ষাগুলি। আমাদের উপস্থাপনাগুলোতে মূলত এনকোড এবং মোজেস ব্যবহার করা হয়েছে এবং পোস্ট প্রসেসিং পর্যায়ে ক্রমাগত স্পেস মডেল ব্যবহার করা হয়েছে। এই বছরের অংশগ্রহণের প্রধান নতুনত্বগুলি নিম্নরূপঃ রাশিয়ান এবং রোমানিয়ান ভাষায় অনুবাদ করার জন্য, আমরা ডিকোডারের আউটপুটকে মর্ফোলজিক্যাল বৈচিত্র্য দিয়ে প্রসারিত করার চেষ্টা করেছি এবং এই নতুন অনুসন্ধান স্থানটি পুনরায় চিহ্নিত করার জন্য একটি সিআরএফ মডেল ব্যবহার করেছি; জার্মান ভাষায় অনুবাদের জন্য, আমরা একটি নির্ভরতা কাঠামোর উপর ভিত্তি করে সোর্স-সাইড প্রি-অর্ডারিংয়ের সাথে পরীক্ষা-নিরীক্ষা করছি যা টার- |
e092be3120ce51aaa35af673fabd07b6513e702e | ম্যানেজমেন্ট ইনফরমেশন সিস্টেম (এমআইএস) এবং ম্যানেজমেন্ট সায়েন্স/অপারেশনস রিসার্চ (এমএস/ওআর) প্রকল্পের ব্যর্থতার অনেকগুলো সমস্যাকে সংগঠনের আচরণগত সমস্যার জন্য দায়ী করা হয়েছে। সংস্থাগুলি এমআইএস এবং এমএস/অরো উন্নয়নে যে লক্ষ লক্ষ ডলার খরচ করে তার খুব কমই উপকার হয় কারণ সিস্টেমগুলি ব্যর্থ হতে থাকে। এই আচরণগত সমস্যাগুলি বোঝার এবং সমাধানের জন্য পদক্ষেপ নেওয়া যেতে পারে। এই নিবন্ধে যুক্তি দেওয়া হয়েছে যে বেশিরভাগ ওএসে এই আচরণগত সমস্যাগুলি অপর্যাপ্ত নকশার ফল। এই খারাপ ডিজাইনগুলি এমআইএস সিস্টেম ডিজাইনারদের সংস্থাগুলি, তাদের সদস্য এবং তাদের মধ্যে একটি এমআইএসের ফাংশনকে দেখার পদ্ধতির জন্য দায়ী। অর্থাৎ, সিস্টেম ডিজাইনারদের রেফারেন্স ফ্রেম। এই রেফারেন্স ফ্রেমগুলি ত্রুটিপূর্ণ নকশা পছন্দ এবং উন্নত নকশা বিকল্পগুলি উপলব্ধি করতে ব্যর্থতার কারণ। সাতটি শর্ত আলোচনা করা হয়েছে যা বর্তমান সিস্টেম ডিজাইনারদের দৃষ্টিভঙ্গি প্রতিফলিত করে। এই শর্তগুলির আলোচনাটি সামাজিক-প্রযুক্তিগত সিস্টেম (এসটিএস) নকশা পদ্ধতির মধ্যে এমআইএস নকশা পদ্ধতির পুনর্বিবেচনা এবং সিস্টেম ডিজাইনারদের দৃষ্টিভঙ্গি পরিবর্তন করার প্রয়োজনীয়তা প্রদর্শন করে। এসটিএস পদ্ধতিটি সংস্থাগুলির একটি বাস্তবসম্মত দৃষ্টিভঙ্গি এবং তাদের পরিবর্তন করার একটি উপায় হিসাবে চালু করা হয়েছে। এই নিবন্ধটি এমআইএস কোয়ার্টারলি এর পরপর দুই সংখ্যায় প্রকাশিত প্রথম নিবন্ধ। এই প্রথম প্রবন্ধের উদ্দেশ্য হল এসআরএস পদ্ধতির প্রয়োজনীয়তা প্রদর্শন করা। দ্বিতীয়টি এসটিএস পদ্ধতির মৌলিক ধারণাগুলি এবং নীতিগুলি উপস্থাপন করবে এবং এটি কীভাবে একটি এমআইএস ডিজাইনে ব্যবহার করা যেতে পারে। |
26b6341330085c8588b0d6e3eaf34ab5a0f7ca53 | এই গবেষণাপত্রে একটি নতুন ভোল্টেজ নিয়ন্ত্রিত রিং ওসিলিয়েটর উপস্থাপন করা হয়েছে। প্রস্তাবিত ভিসিও তার বিলম্ব সেলটিতে আংশিক ইতিবাচক প্রতিক্রিয়া ব্যবহার করে, সার্কিটকে একক দুই পর্যায়ে কাজ করার অনুমতি দেয়, যা কম বিদ্যুত খরচ সহ উচ্চ গতি অর্জন করে। নতুন ভিসিও-র অপারেশন ফ্রিকোয়েন্সির বিস্তৃত পরিসর রয়েছে (০.২ থেকে ২.১ গিগাহার্টজ), আউটপুট ফ্রিকোয়েন্সি এবং নিয়ন্ত্রণ ভোল্টেজের মধ্যে ভাল লিনিয়ারিটি রয়েছে, -৯০ ডিসিএল/এইচজি এর ফেজ গোলমাল ১০০ কেজিএইচজে অফসেট এবং এটি কেবলমাত্র ৩.৩ ভি পাওয়ার সাপ্লাই ব্যবহার করে ১.২ গিগাহার্টজের কেন্দ্রীয় ফ্রিকোয়েন্সিতে ৭.০১ এমডব্লিউ খরচ করে। এই সার্কিটটি 0.35 /spl mu/m CMOS-AMS প্রক্রিয়ায় তৈরি করা হয়েছে এবং এটি 67.5/spl times/77.5 /spl mu/m/sup 2/ এর একটি এলাকা দখল করে। |
4d4be6294e5b30cdf985fcc044f44ec9da495af3 | কম্পিউটার ভিত্তিক সেন্সর এবং অ্যাকুয়েটর যেমন গ্লোবাল পজিশনিং সিস্টেম, মেশিন ভিশন এবং লেজার ভিত্তিক সেন্সরগুলি ক্রমবর্ধমানভাবে মোবাইল রোবটগুলিতে অন্তর্ভুক্ত করা হয়েছে যাতে কৃষি কাজে অপারেটর কার্যক্রম স্থানান্তর করতে সক্ষম স্বয়ংক্রিয় সিস্টেমগুলি কনফিগার করা যায়। কিন্তু অনেক ইলেকট্রনিক সিস্টেম রোবটের মধ্যে যুক্ত হলে এর নির্ভরযোগ্যতা কমে যায় এবং এর খরচ বেড়ে যায়। হার্ডওয়্যার হ্রাস, সফ্টওয়্যার হ্রাস এবং একীকরণের সহজতা, কার্যকর রোবোটিক সিস্টেমগুলি পেতে অপরিহার্য। কৃষিতে স্বয়ংক্রিয় যন্ত্রপাতি প্রয়োগের ক্ষেত্রে একটি অগ্রগতি হল রোবটগুলির বহর ব্যবহার, যেখানে এক বা একাধিক কৃষি কাজ সম্পাদনের জন্য বেশ কয়েকটি বিশেষায়িত রোবট সহযোগিতা করে। এই কাগজটি নির্ভরযোগ্যতা উন্নত করতে, জটিলতা এবং খরচ কমাতে এবং বিভিন্ন ডেভেলপারদের সফ্টওয়্যার একীকরণের অনুমতি দেওয়ার জন্য পৃথক রোবট এবং রোবট উভয়ই একটি সিস্টেম আর্কিটেকচার বিকাশের চেষ্টা করে। বিভিন্ন সমাধানের উপর গবেষণা করা হয়েছে, সম্পূর্ণরূপে বিতরণ করা থেকে শুরু করে একটি সম্পূর্ণ সমন্বিত আর্কিটেকচার যেখানে একটি কেন্দ্রীয় কম্পিউটার সমস্ত প্রক্রিয়া চালায়। এই কাজটি রোবটগুলির বহর নিয়ন্ত্রণের জন্য বিভিন্ন টপোলজিগুলি অধ্যয়ন করে এবং অন্যান্য সম্ভাব্য টপোলজিগুলিকে অগ্রসর করে। এই গবেষণাপত্রে উপস্থাপিত স্থাপত্যটি আরএইচইএ-র বহরে সফলভাবে প্রয়োগ করা হচ্ছে, যা বাণিজ্যিক ট্রাক্টর চ্যাসি-র উপর ভিত্তি করে তিনটি স্থল মোবাইল ইউনিট নিয়ে গঠিত। |
cbc5d3e04f80a07b49ac3fbdb41f4bd577664cdc | কিউব্যাসেটের যোগাযোগ ব্যবস্থাগুলোতে বিদ্যুৎ খরচ, জ্যামিতি এবং থ্রুপুটের ক্ষেত্রে কিছু বিশেষ চাহিদা রয়েছে। অ্যাপ্লিকেশনটির ধরন অনুযায়ী, প্রয়োজনীয় ডেটা রেট প্রতি সেকেন্ডে কয়েক ডজন মেগাবাইট পর্যন্ত যেতে পারে, যখন শক্তি খরচ এবং শারীরিক আকার প্ল্যাটফর্ম দ্বারা সীমাবদ্ধ থাকে। প্রস্তাবিত যোগাযোগ ব্যবস্থায় শক্তি-দক্ষ মডুলেশন এবং চ্যানেল কোডিং-এর সাথে একাধিক অ্যাক্সেস এবং স্প্রেড স্পেকট্রামের কৌশল একত্রিত করা হবে, যার ফলে একাধিক উপগ্রহ স্থাপন করা সম্ভব হবে। এছাড়া, এন্টেন সিস্টেমটি এমনভাবে ডিজাইন করা হয়েছে যাতে উপগ্রহের দিকনির্দেশনা থেকে স্বাধীনভাবে সংযোগ স্থাপন ও বজায় রাখা যায়। ঘনক্ষেত্রের প্রতিটি পৃষ্ঠায় অ্যান্টেনা স্থাপন করে একটি বৈদ্যুতিকভাবে পরিচালিত বিকিরণ প্যাটার্ন অর্জন করা হয়। কনফর্মাল বিমফর্মিং সিস্টেমটিকে 5 ডিবিআই লাভের সাথে প্রেরণের যে কোনও পছন্দসই দিকের জন্য সরবরাহ করে, যা মনোভাব নিয়ন্ত্রণের প্রয়োজনকে দূর করে। তদুপরি, সমতল অ্যান্টেনা ব্যবহার করে যান্ত্রিক অংশের জটিলতা হ্রাস করে কারণ তাদের কোনও স্থাপনার প্রয়োজন হয় না। ক্যাবসেট মিশন সফল করতে আন্তঃ উপগ্রহ সংযোগের ব্যবস্থা করা জরুরি। কিন্তু এখন পর্যন্ত এই বিষয়টিকে খুব কমই বিবেচনা করা হয়েছে। |
029ec0d53785eaf719632f5aa67ae5c22689dc70 | একটি বৃত্তাকারভাবে মেরুকৃত স্লট রেডিয়েটার মিলিমিটার ব্যান্ডে উপস্থাপিত হয়। আধুনিক স্লট উপাদানগুলির তুলনায় কম প্রতিফলন এবং ভাল পোলারাইজেশন পারফরম্যান্স পাওয়া যায়। নতুন উপাদানটির কার্যকারিতা পরীক্ষা করার জন্য একটি উচ্চ লাভ অ্যারে প্রোটোটাইপটি সাবস্ট্রেট ইন্টিগ্রেটেড ওয়েভগাইড (এসআইডাব্লু) প্রযুক্তিতে প্রয়োগ করা হয়েছে। উচ্চতা সমতল একটি cosecant প্রশস্ততা কভারেজ, পাশাপাশি একটি 6 ° তির্যক সমতল একটি monopulse প্যাটার্ন প্রাপ্ত হয়। একটি নির্মিত অ্যান্টেনা প্রোটোটাইপের জন্য নির্দিষ্ট অপারেশন ব্যান্ডে (৩৬.৭-৩৭ গিগাহার্টজ) ২৮.৬ ডিবিআই এর একটি লাভের শীর্ষ মান এবং ৩৬.৭ গিগাহার্টজে ৭৯% দক্ষতা অর্জন করা হয়েছে। একইভাবে, উপরের পরিমাপ করা অক্ষীয় অনুপাতটি 36.85 গিগাহার্টে 1.95 ডিবি। |
e17879cf2bb858fbbc3a3aa2441287c53a0f684a | ত্রিশোমি এক্স একটি যৌন ক্রোমোজোম অস্বাভাবিকতা যা নারীর অতিরিক্ত এক্স ক্রোমোজোমের উপস্থিতির কারণে (৪৬,XXX এর পরিবর্তে ৪৭,XXX) পরিবর্তনশীল ফেনোটাইপ সহ ঘটে। এটি মহিলাদের মধ্যে সবচেয়ে সাধারণ ক্রোমোজোমাল অস্বাভাবিকতা, যা প্রায় ১,০০০ জন মহিলা জন্মের মধ্যে ১ জনের মধ্যে ঘটে। যেহেতু কিছু ব্যক্তি শুধুমাত্র হালকাভাবে বা উপসর্গহীনভাবে আক্রান্ত হয়, তাই অনুমান করা হয় যে ত্রিশোমি এক্স আক্রান্ত ব্যক্তিদের মাত্র ১০% এর মধ্যে প্রকৃতপক্ষে রোগ নির্ণয় করা হয়। সবচেয়ে সাধারণ শারীরিক বৈশিষ্ট্যগুলির মধ্যে রয়েছে লম্বা উচ্চতা, এপিকেন্টাল ভাঁজ, হাইপোটোনিয়া এবং ক্লিনোডাকটিলি। আক্রমণ, কিডনি এবং প্রজনন- মূত্রনালীর অস্বাভাবিকতা এবং অকাল ডিম্বাশয় ব্যর্থতা (পিওএফ)ও সম্পর্কিত ফলাফল হতে পারে। ট্রিসোমি এক্স আক্রান্ত শিশুদের উচ্চতর গতিশীলতা এবং বক্তৃতা বিলম্বের হার রয়েছে, স্কুল-বয়সে জ্ঞানীয় ঘাটতি এবং শেখার অসুবিধার ঝুঁকি বাড়ায়। মনোযোগ ঘাটতি, মেজাজের ব্যাধি (উদ্বেগ এবং হতাশা) এবং অন্যান্য মানসিক ব্যাধি সহ মানসিক বৈশিষ্ট্যগুলি সাধারণ জনসংখ্যার তুলনায় আরও বেশি সাধারণ। ট্রাইসোমি এক্স সাধারণত মায়োসিসের সময় নন-ডিসজংশনের ফলে ঘটে, যদিও প্রায় ২০% ক্ষেত্রে পোস্টজিগোটিক নন-ডিসজংশন ঘটে। মায়ের বয়স বাড়ার সাথে সাথে ট্রাইসোমি এক্স এর ঝুঁকি বাড়তে থাকে। ত্রাইসোমি এক্স এর ফেনোটাইপটি এমন জিনের অতিরিক্ত প্রকাশের ফলে অনুমান করা হয় যা এক্স-অকার্যকর থেকে রক্ষা পায়, তবে জিনোটাইপ-ফেনোটাইপ সম্পর্কগুলি এখনও সংজ্ঞায়িত করা হয়নি। প্রসাবকালীন সময়ে অ্যামনিওসেন্টেসিস বা কোরিওনিক ভিলি নমুনা গ্রহণের মাধ্যমে রোগ নির্ণয় করা সাধারণ। জন্মের পর নির্ণয়ের জন্য নির্দেশাবলীর মধ্যে সাধারণত বিকাশের বিলম্ব বা হাইপোটোনিয়া, শেখার অক্ষমতা, মানসিক বা আচরণগত অসুবিধা বা পিওএফ অন্তর্ভুক্ত থাকে। চূড়ান্ত কারিওটাইপ ফলাফলের আগে ডিফারেনশিয়াল ডায়াগনসিসে ভঙ্গুর এক্স, টেট্রাসোমি এক্স, পেন্টাসোমি এক্স এবং টার্নার সিন্ড্রোম মোজাইসিজম অন্তর্ভুক্ত রয়েছে। জেনেটিক কাউন্সেলিং সুপারিশ করা হয়। প্রসবকালীন সময়ে নির্ণয় করা রোগীদের বিকাশের বিলম্বের জন্য নিবিড়ভাবে পর্যবেক্ষণ করা উচিত যাতে প্রয়োজন অনুসারে প্রাথমিক হস্তক্ষেপের চিকিত্সা প্রয়োগ করা যায়। স্কুল-বয়সী শিশু এবং কিশোর-কিশোরীরা মানসিক মূল্যায়ন থেকে উপকৃত হয়, যার মাধ্যমে জ্ঞানীয়/শিক্ষাগত দক্ষতা, ভাষা এবং/অথবা সামাজিক-আবেগগত বিকাশের সমস্যাগুলির জন্য একটি হস্তক্ষেপ পরিকল্পনা চিহ্নিত ও বিকাশের উপর জোর দেওয়া হয়। কিশোরী এবং প্রাপ্তবয়স্ক মহিলাদের দেরী মেনার্কেশন, মাসিক অনিয়ম, বা উর্বরতা সমস্যাগুলির সাথে পিওএফ- এর জন্য মূল্যায়ন করা উচিত। রোগীদের ব্যক্তিগত ও পারিবারিক সহায়তার জন্য সহায়তা সংস্থাগুলিতে পাঠানো উচিত। লক্ষণগুলির তীব্রতা এবং চিকিত্সার গুণমান এবং সময়সূচীর উপর নির্ভর করে পূর্বাভাস পরিবর্তনশীল। |
5b42ed20a1a01cb8d097141303dfd8f7cf1ced10 | গ্রাফ বিশ্লেষণ এবং মাইনিংয়ের অনেক কাজে সংক্ষিপ্ততম পথ অনুসন্ধান (এসপিকিউ) অপরিহার্য। তবে, বড় গ্রাফের উপর দ্রুতগতির সংক্ষিপ্ততম পথের প্রশ্নের উত্তর দেওয়া ব্যয়বহুল। অনলাইনে সংক্ষিপ্ততম পথের প্রশ্নের উত্তর দিতে, আমরা সংক্ষিপ্ততম পথকে বস্তুগত করতে এবং সূচক করতে পারি। যাইহোক, N টি শীর্ষের একটি গ্রাফের সমস্ত সংক্ষিপ্ততম পথের একটি সরল সূচক O ((N2) স্থান নেয়। এই গবেষণাপত্রে আমরা সংক্ষিপ্ততম পথের সূচী এবং অনলাইনে সংক্ষিপ্ততম পথের প্রশ্নের উত্তর দেওয়ার সমস্যাটি মোকাবেলা করব। যেহেতু অনেক বড় বাস্তব গ্রাফ সমৃদ্ধভাবে সিম্যাট্রিক দেখানো হয়, তাই আমাদের পদ্ধতির কেন্দ্রীয় ধারণা হল গ্রাফ সিম্যাট্রি ব্যবহার করে সূচকের আকারকে সংক্ষিপ্ত করে সংক্ষিপ্ততম পথের প্রশ্নের উত্তর দেওয়ার সঠিকতা এবং দক্ষতা বজায় রাখা। প্রযুক্তিগতভাবে, আমরা একটি ফ্রেমওয়ার্ক তৈরি করি যা একটি বৃহত গ্রাফকে ভার্টেক্স স্তরের পরিবর্তে কক্ষপথের স্তরে সূচক করে যাতে প্রস্থ-প্রথম অনুসন্ধান গাছের সংখ্যা O ((N) থেকে O ((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((((( আমরা কম্প্যাক্ট ব্রডথ ফার্স্ট সার্চ ট্রি (কম্প্যাক্ট বিএফএস-ট্রি) পেতে কক্ষপথের সংলগ্নতা এবং স্থানীয় সিম্যাট্রি অন্বেষণ করি। সিন্থেটিক ডেটা এবং বাস্তব তথ্য উভয়ই ব্যবহার করে একটি বিস্তৃত অভিজ্ঞতার অধ্যয়ন দেখায় যে কমপ্যাক্ট বিএফএস-ট্রিগুলি দক্ষতার সাথে তৈরি করা যেতে পারে এবং স্থান ব্যয় উল্লেখযোগ্যভাবে হ্রাস করা যেতে পারে। উপরন্তু, অনলাইনে সংক্ষিপ্ততম পথ অনুসন্ধান উত্তরদান কমপ্যাক্ট বিএফএস-ট্রি ব্যবহার করে অর্জন করা যেতে পারে। |
263c66b0c2dc996c46d11693ad3d6f8d3f7f3d3c | |
6bf1770a79309e4f05ef65e65e19f99c25974657 | ভবিষ্যতে পরিবেশের বিষয়ে আমাদের উপলব্ধি ও অভিজ্ঞতার ক্ষেত্রে সর্বত্র উপলব্ধি কোন ভূমিকা পালন করবে? ভূগোলের দিক থেকে ঘন সেন্সরগুলির একটি ক্রমাগত নমুনা সংগ্রহের জালকে প্রাকৃতিক পরিবেশে জমি থেকে জড়িয়ে রাখার ফলে কি কি সুযোগ সৃষ্টি হয়? এই প্রবন্ধে, আমরা এই প্রশ্নগুলিকে সামগ্রিকভাবে অনুসন্ধান করি এবং প্রাথমিক পরিবেশগত গবেষণা থেকে শুরু করে বাদ্যযন্ত্র রচনা পর্যন্ত বিভিন্ন অ্যাপ্লিকেশন, ব্যাখ্যা এবং শৈল্পিক অভিব্যক্তি সমর্থন করার জন্য ডিজাইন করা পরিবেশগত সেন্সর নেটওয়ার্কের উপর আমাদের কাজ উপস্থাপন করি। গত চার বছর ধরে আমরা আমাদের সর্বব্যাপী সেন্সিং ফ্রেমওয়ার্ককে একটি বড় আকারের জলাবদ্ধ ভূমি পুনরুদ্ধারের নকশা ও বাস্তবায়নে অন্তর্ভুক্ত করে আসছি, যা ল্যান্ডস্কেপ স্কেলে সৃজনশীল অনুসন্ধানের জন্য একটি বিস্তৃত ক্যানভাস তৈরি করছে। আমরা এখানে যে প্রকল্পগুলি উপস্থাপন করছি, সেগুলি কাস্টম সেন্সর নোড হার্ডওয়্যার, রিয়েল-টাইম সেন্সর ডেটা প্রদানের জন্য নতুন ওয়েব পরিষেবা, ডেটা অন্বেষণের জন্য পাবলিক-ফেসিং ইউজার ইন্টারফেস, পাশাপাশি আরো মৌলিক ইউআই মোডালিটি, মানহীন বিমানের মাধ্যমে, ভার্চুয়াল এবং বর্ধিত বাস্তবতা, এবং সেন্সর বর্ধনের জন্য পরিধানযোগ্য ডিভাইস। এই কাজ থেকে আমরা নেটওয়ার্কড সেন্সর ল্যান্ডস্কেপ তৈরি করেছি, সর্বত্র বিদ্যমান কম্পিউটিং এবং পরিবেশ পুনরুদ্ধারের সংমিশ্রণের একটি দৃষ্টিভঙ্গি। সেন্সর নেটওয়ার্ক প্রযুক্তি এবং ইন্টারঅ্যাকশনের নতুন পদ্ধতির উপস্থিতি পুনর্নির্মাণের প্রতিশ্রুতি দেয়, স্থানিক এবং সময়কালীন স্কেল জুড়ে পরিবেশগত প্রক্রিয়াগুলির সংবেদনশীল সংযোগগুলি খোলে। |
c5cc6243f070d80f5edef24608694c39195e2d1a | এসকিউএল সার্ভার ১১ রিলিজ (কোড নাম "ডেনেলি") একটি নতুন ডাটা গুদাম ক্যোয়ারী ত্বরণ বৈশিষ্ট্য প্রবর্তন করে যা একটি নতুন সূচক টাইপের উপর ভিত্তি করে যা একটি কলাম স্টোর সূচক বলা হয়। নতুন সূচক প্রকারের সাথে নতুন ক্যোয়ারী অপারেটরগুলি সারিগুলির ব্যাচগুলি প্রক্রিয়াকরণে ডেটা গুদামের ক্যোয়ারী পারফরম্যান্সের ব্যাপক উন্নতি ঘটেঃ কিছু ক্ষেত্রে শত শত গুণ এবং নিয়মিতভাবে সিদ্ধান্ত সহায়তা ক্যোয়ারীগুলির বিস্তৃত পরিসরের জন্য দশগুণ গতি বাড়ায়। কলাম স্টোর সূচকগুলি ক্যোয়ারী প্রসেসিং এবং অপ্টিমাইজেশন সহ সিস্টেমের বাকি অংশের সাথে সম্পূর্ণ সংহত। এই পত্রিকাটি কলাম স্টোর সূচকগুলির নকশা এবং বাস্তবায়নের একটি সংক্ষিপ্ত বিবরণ প্রদান করে যার মধ্যে ক্যোয়ারী প্রসেসিং এবং ক্যোয়ারী অপ্টিমাইজেশনের উন্নতি রয়েছে যাতে নতুন সূচকগুলির পূর্ণ সুবিধা নেওয়া যায়। এর ফলে পারফরম্যান্সের উন্নতি হয়েছে। |
09a9a6b6a0b9e8fa210175587181d4a8329f3f20 | এআই এর জন্য দীর্ঘদিনের চ্যালেঞ্জ হল সময়গত বিমূর্ততার একাধিক স্তরে জ্ঞান শেখা, পরিকল্পনা করা এবং প্রতিনিধিত্ব করা। এই গবেষণাপত্রে আমরা বিবেচনা করব কিভাবে এই চ্যালেঞ্জগুলোকে রিনফোর্সমেন্ট লার্নিং এবং মার্কভ সিদ্ধান্ত প্রক্রিয়ার (এমডিপি) গাণিতিক কাঠামোর মধ্যে মোকাবেলা করা যায়। আমরা এই কাঠামোর মধ্যে কর্মের সাধারণ ধারণাটি বিস্তৃত করি যাতে নির্দিষ্ট সময়ের মধ্যে কর্মের জন্য বিকল্প-বন্ধ-লুপ নীতি অন্তর্ভুক্ত করা যায়। বিকল্পগুলির উদাহরণগুলির মধ্যে একটি বস্তু বাছাই করা, মধ্যাহ্নভোজন করা এবং একটি দূরবর্তী শহরে ভ্রমণ করা, পাশাপাশি পেশী ট্রিচ এবং যৌথ টর্কগুলির মতো আদিম ক্রিয়া অন্তর্ভুক্ত রয়েছে। সামগ্রিকভাবে, আমরা দেখাই যে বিকল্পগুলি স্বতঃস্ফূর্তভাবে এবং সাধারণভাবে পুনর্বহাল শেখার কাঠামোর মধ্যে অন্তর্ভুক্ত করার জন্য অস্থায়ীভাবে বিমূর্ত জ্ঞান এবং কর্মকে সক্ষম করে। বিশেষ করে, আমরা দেখাই যে বিকল্পগুলি পরিকল্পনা পদ্ধতি যেমন গতিশীল প্রোগ্রামিং এবং শেখার পদ্ধতি যেমন কিউ-লার্নিংয়ের মতো প্রাথমিক কর্মের সাথে বিনিময়যোগ্যভাবে ব্যবহার করা যেতে পারে। আনুষ্ঠানিকভাবে, একটি এমডিপিতে সংজ্ঞায়িত বিকল্পগুলির একটি সেট একটি আধা-মার্কোভ সিদ্ধান্ত প্রক্রিয়া (এসএমডিপি) গঠন করে এবং এসএমডিপিগুলির তত্ত্ব বিকল্পগুলির তত্ত্বের ভিত্তি সরবরাহ করে। তবে সবচেয়ে আকর্ষণীয় বিষয়গুলো মূলধারার এমডিপি এবং এসএমডিপি-র মধ্যে পারস্পরিক সম্পর্ক নিয়ে এবং তাই এসএমডিপি তত্ত্বের বাইরে। আমরা তিনটি ক্ষেত্রে ফলাফল উপস্থাপন করি: (1) আমরা দেখাই যে বিকল্পগুলির সাথে পরিকল্পনার ফলাফলগুলি কার্যকরকরণের সময় বিকল্পগুলিকে বাধা দিতে এবং এর ফলে পরিকল্পিত চেয়ে আরও ভাল কাজ করতে পারে, (2) আমরা নতুন ইনট্রা-অপশন পদ্ধতিগুলি প্রবর্তন করি যা তার কার্যকরকরণের টুকরো টুকরো থেকে একটি বিকল্প সম্পর্কে শিখতে সক্ষম হয় এবং (3) আমরা একটি উপ-লক্ষ্য ধারণা প্রস্তাব করি যা বিকল্পগুলিকে উন্নত করতে ব্যবহার করা যেতে পারে। এই সব ফলাফলের পূর্বসূরী আছে বিদ্যমান সাহিত্যে; এই কাগজের অবদান হল বিদ্যমান পুনর্বহাল শেখার কাঠামোর কম পরিবর্তন সহ একটি সহজ এবং আরও সাধারণ সেটিং এ তাদের প্রতিষ্ঠা করা। বিশেষ করে, আমরা দেখাই যে এই ফলাফলগুলি রাষ্ট্রের বিমূর্ততা, শ্রেণিবিন্যাস, ফাংশন আনুমানিকতা, বা ম্যাক্রোউটিলিটি সমস্যার কোন নির্দিষ্ট পদ্ধতির প্রতিশ্রুতি (বা বাদ দেওয়া) ছাড়াই প্রাপ্ত করা যেতে পারে। - ওহ ! ১৯৯৯ এ্যালসেভিয়ার সায়েন্স বি.ভি. কর্তৃক প্রকাশিত। সমস্ত অধিকার সংরক্ষিত। প্রতিবেদক লেখক। 0004-3702/99/$ - প্রথম পাতা দেখুন! ১৯৯৯ এ্যালসেভিয়ার সায়েন্স বি.ভি. কর্তৃক প্রকাশিত। সমস্ত অধিকার সংরক্ষিত। PII: S0004-3702 ((99) 00052 -1 182 R.S. স্যাটন এট আল। / কৃত্রিম বুদ্ধিমত্তা 112 (1999) 181-211 |
3939607e665159002391082cd4a8952374d6bd99 | উচ্চ-শক্তি অ্যাপ্লিকেশনের জন্য পাওয়ার কনভার্টার বিকল্পগুলির একটি নতুন জাত হিসাবে আবির্ভূত হচ্ছে। মাল্টিলেভেল ভোল্টেজ সোর্স কনভার্টার সাধারণত সিঁড়ি ভোল্টেজ তরঙ্গকে বিভিন্ন ডিসি ক্যাপাসিটর ভোল্টেজ থেকে সংশ্লেষিত করে। মাল্টিলেভেল কনভার্টারগুলির প্রধান সীমাবদ্ধতা হল বিভিন্ন স্তরের মধ্যে ভোল্টেজ ভারসাম্যহীনতা। বিভিন্ন স্তরের মধ্যে ভোল্টেজ ভারসাম্য করার কৌশল সাধারণত ভোল্টেজ ক্ল্যাম্পিং বা ক্যাপাসিটর চার্জ নিয়ন্ত্রণ জড়িত। মাল্টিলেভেল কনভার্টারগুলিতে ভোল্টেজ ব্যালেন্স বাস্তবায়নের বিভিন্ন উপায় রয়েছে। ঐতিহ্যগত চুম্বকীয় সংযুক্ত রূপান্তরকারী বিবেচনা না করে, এই কাগজটি সম্প্রতি তিনটি উন্নত মাল্টিলেভেল ভোল্টেজ উৎস রূপান্তরকারী উপস্থাপন করেঃ 1) ডায়োড-ক্ল্যাম্প, 2) ফ্লাইং ক্যাপাসিটার এবং 3) পৃথক ডিসি উত্স সহ ক্যাসকেড-ইনভার্টার। এই রূপান্তরকারীদের কার্যকরী নীতি, বৈশিষ্ট্য, সীমাবদ্ধতা এবং সম্ভাব্য প্রয়োগগুলি নিয়ে আলোচনা করা হবে। |
61c901789c7fb4721aae63769d7c4eb0e27a7e45 | মাল্টিলেভেল পাওয়ার কনভার্টার যা দুইটির বেশি ভোল্টেজ প্রদান করে যাতে আরও মসৃণ এবং কম বিকৃত এসি-ডিসি, ডিসি-এসি এবং ডিসি-ডিসি পাওয়ার রূপান্তর অর্জন করা যায়, অনেক অবদানকারীকে আকর্ষণ করেছে। এই কাগজটি স্ব-ভোল্টেজ ভারসাম্য সহ একটি সাধারণ বহু-স্তরীয় ইনভার্টার (রূপান্তরকারী) টপোলজি উপস্থাপন করে। বিদ্যমান মাল্টিলেভেল ইনভার্টার যেমন ডায়োড-ক্ল্যাম্পড এবং ক্যাপাসিটার-ক্ল্যাম্পড মাল্টিলেভেল ইনভার্টারগুলি সাধারণ ইনভার্টার টপোলজি থেকে প্রাপ্ত হতে পারে। উপরন্তু, সাধারণীকৃত মাল্টিলেভেল ইনভার্টার টপোলজি একটি সত্যিকারের মাল্টিলেভেল কাঠামো সরবরাহ করে যা অন্য সার্কিট থেকে কোনও সহায়তা ছাড়াই স্বয়ংক্রিয়ভাবে প্রতিটি ডিসি ভোল্টেজ স্তরকে ভারসাম্য করতে পারে, এইভাবে, নীতিগতভাবে, একটি সম্পূর্ণ এবং সত্যিকারের মাল্টিলেভেল টপোলজি সরবরাহ করে যা বিদ্যমান মাল্টিলেভেল ইনভার্টারগুলিকে আলিঙ্গন করে। এই সাধারণ বহুস্তরীয় ইনভার্টার টপোলজি থেকে, বেশ কয়েকটি নতুন বহুস্তরীয় ইনভার্টার কাঠামো প্রাপ্ত করা যেতে পারে। সাধারণ বহুস্তরীয় রূপান্তরকারীর কিছু প্রয়োগের উদাহরণ দেওয়া হবে। |
bb004d2d04ce6872d0f7965808ae4867aa037f8b | একবিংশ শতাব্দীতে বিদ্যুৎ উৎপাদনের ক্ষেত্রে ভৌত অবকাঠামো এবং নিয়ন্ত্রণ ও তথ্যের পরিকাঠামো উভয় ক্ষেত্রেই ব্যাপক পরিবর্তন আসবে। একটি স্থানান্তর ঘটবে তুলনামূলকভাবে কয়েকটি বড়, ঘন ঘন উত্পাদন কেন্দ্র থেকে এবং বেশিরভাগ উচ্চ ভোল্টেজ এসি গ্রিডের মাধ্যমে বিদ্যুতের সংক্রমণ (চিত্র. 1) একটি আরো বৈচিত্র্যময় এবং বিচ্ছিন্ন উত্পাদন অবকাঠামো যা ডিসি ট্রান্সমিশন লাইনগুলির একটি উচ্চ শতাংশ (চিত্র. ২) [১] মার্কিন যুক্তরাষ্ট্রে, বিদ্যুৎ উৎপাদনের ক্ষমতা বিদ্যুতের চাহিদা পূরণ করতে পারেনি, যেহেতু গত দশকে রিজার্ভ মার্জিন ১৯৯০ সালে ২২% থেকে ১৯৯৭ সালে ১৬% পর্যন্ত কমেছে। এই পতনশীল প্রবণতা পরবর্তী দশকে অব্যাহত থাকবে বলে আশা করা হচ্ছে, কারণ ভবিষ্যতে যেভাবে বৈদ্যুতিক পরিবেশের নিয়ন্ত্রণ হ্রাস করা হবে তা নিয়ে অনিশ্চয়তা রয়েছে। কম রিজার্ভ মার্জিনের ফলে উচ্চ চাহিদা দিনগুলিতে কম পিক ক্ষমতা এবং আরো অস্থির শক্তির দাম [2] হবে। এই পরিবর্তন একটি শারীরিক অবকাঠামো এবং একটি আরো নিয়ন্ত্রিত বৈদ্যুতিক শক্তি শিল্পের সাথে মিলিত হবে যার ফলে আরও বেশি দল বিদ্যুৎ উৎপাদন করবে - বা বিতরণ উত্পাদন করবে। মার্কিন যুক্তরাষ্ট্র এবং বিদেশে উৎপাদিত মোট বিদ্যুতের বাজারে তাদের অংশীদারিত্বকে ব্যাপকভাবে বৃদ্ধি করার জন্য বিতরণ করা বিদ্যুৎ উত্সগুলির মধ্যে কিছু পুনর্নবীকরণযোগ্য শক্তির উত্স যেমন ফটোভোলটাইক, বায়ু, নিম্ন-হেড জলবিদ্যুৎ এবং ভূ-তাপশক্তি [3] অন্তর্ভুক্ত রয়েছে। জ্বালানী কোষ প্রযুক্তিও এমন একটি বিকাশের পর্যায়ে পৌঁছেছে যেখানে এটি বিদ্যুতের চাহিদার একটি উল্লেখযোগ্য অংশ সরবরাহ করতে শুরু করতে পারে [4]। উচ্চ ক্ষমতাসম্পন্ন ইলেকট্রনিক মডিউলগুলির আবির্ভাব আরও বেশি ডিসি ট্রান্সমিশনের ব্যবহারকে উত্সাহিত করেছে এবং জ্বালানী কোষ এবং ফটোভোলটাইকগুলির মতো ডিসি পাওয়ার উত্সের ইন্টারফেসগুলির সম্ভাবনাগুলি আরও সহজেই অর্জনযোগ্য করে তুলেছে। এই ধরনের ইউটিলিটি অ্যাপ্লিকেশনের জন্য আদর্শ একটি মডুলার, স্কেলযোগ্য পাওয়ার ইলেকট্রনিক্স প্রযুক্তি হল ট্রান্সফরমারলেস মাল্টিলেভেল কনভার্টার [5]। |
c29ac3455cb73a777e1908b2c2c09b1d14ea1e9e | নতুন আবাসিক স্কেল ফটোভোলটাইক (পিভি) অ্যারেগুলি সাধারণত একটি একক ডিসি-এসি ইনভার্টার দ্বারা পিভি প্যানেলগুলির একটি সিরিজ স্ট্রিংয়ের সাথে সংযুক্ত থাকে, বা অনেকগুলি ছোট ডিসি-এসি ইনভার্টার যা এক বা দুটি প্যানেলকে সরাসরি এসি গ্রিডে সংযুক্ত করে। এই কাগজটি একটি সরলীকৃত ডিসি-এসি ইনভার্টার সংযুক্ত একটি উচ্চ ভোল্টেজ স্ট্রিং তৈরি করতে সিরিজ সংযুক্ত নন-বিচ্ছিন্ন প্রতি-প্যানেল ডিসি-ডিসি রূপান্তরকারীদের একটি বিকল্প টপোলজি প্রস্তাব করে। এটি ডিসি-এসি গ্রিড সংযুক্ত পৃথক ইনভার্টারগুলির ব্যয় বা দক্ষতা জরিমানা ছাড়াই "কনভার্টার-প্রতি-প্যানেল" পদ্ধতির সুবিধাগুলি সরবরাহ করে। বাক, বুস্ট, বাক-বুস্ট এবং ক্যু/স্প্লিন্ট একিউট/কে কনভার্টারকে সম্ভাব্য ডিসি-ডিসি কনভার্টার হিসেবে বিবেচনা করা হয় যা ক্যাসকেড করা যায়। প্রতিটি টপোলজির দক্ষতার তুলনা করার পাশাপাশি ব্যয় এবং জটিলতা বৃদ্ধির সুবিধাগুলি মূল্যায়ন করার জন্য ম্যাটল্যাব সিমুলেশন ব্যবহার করা হয়। বক এবং তারপর বুস্ট কনভার্টারগুলি প্রদত্ত খরচের জন্য সবচেয়ে কার্যকর টপোলজি হিসাবে দেখানো হয়, যার সাথে দীর্ঘ স্ট্রিংগুলির জন্য বক সবচেয়ে উপযুক্ত এবং সংক্ষিপ্ত স্ট্রিংগুলির জন্য বুস্ট। ভোল্টেজ রেঞ্জের ক্ষেত্রে নমনীয় হলেও, বাক-বুস্ট এবং ক্যু/স্প্লিন্ট অ্যাকুয়েট/কে কনভার্টার সবসময়ই দক্ষতা বা বিকল্পভাবে ব্যয় অসুবিধায় থাকে। |
1bb06f401fac046234a9eeeb8735b8a456ba9d6d | সাম্প্রতিক বছরগুলোতে, ওয়্যারলেস সেন্সর নেটওয়ার্কগুলির প্রতি আগ্রহ বাড়ছে। ওয়্যারলেস সেন্সর নেটওয়ার্কের অন্যতম প্রধান সমস্যা হচ্ছে শক্তি-দক্ষ ক্লাস্টারিং প্রোটোকল তৈরি করা। নেটওয়ার্কের জীবনকাল বাড়ানোর জন্য শ্রেণীবদ্ধ ক্লাস্টারিং অ্যালগরিদম খুবই গুরুত্বপূর্ণ। প্রতিটি ক্লাস্টারিং অ্যালগরিদম দুটি ধাপে গঠিত, সেটআপ ধাপ এবং স্থিতিশীল অবস্থা ধাপ। এই অ্যালগরিদমের হট পয়েন্ট হল ক্লাস্টার হেড নির্বাচন। এই গবেষণাপত্রে আমরা বেতার সেন্সর নেটওয়ার্কে নোডের বৈষম্যতার প্রভাব নিয়ে আলোচনা করেছি। আমরা ধরে নিচ্ছি যে সেন্সর নোডের জনসংখ্যার একটি শতাংশ অতিরিক্ত শক্তির সংস্থান দিয়ে সজ্জিত। আমরা এটাও ধরে নিই যে সেন্সর নোডগুলো এলোমেলোভাবে বন্টন করা হয়েছে এবং তারা চলাচল করতে পারে না, সিঙ্কের কোঅর্ডিনেট এবং সেন্সর ফিল্ডের মাত্রা জানা আছে। সমজাতীয় ক্লাস্টারিং প্রোটোকলগুলি ধরে নেয় যে সমস্ত সেন্সর নোড একই পরিমাণ শক্তি দিয়ে সজ্জিত এবং ফলস্বরূপ, তারা নোড বৈষম্যের উপস্থিতির সুবিধা নিতে পারে না। এই পদ্ধতির অনুকরণ করে, আমরা প্রতিটি নোডের অবশিষ্ট শক্তি অনুযায়ী একটি ক্লাস্টার হেড হয়ে ওঠার জন্য প্রতিটি নোডের ওজনযুক্ত নির্বাচনের সম্ভাবনার উপর ভিত্তি করে ওয়্যারলেস সেন্সর নেটওয়ার্কগুলির জন্য একটি শক্তি দক্ষ বৈষম্যপূর্ণ ক্লাস্টার স্কিম প্রবর্তন করি। অবশেষে, সিমুলেশন ফলাফলগুলি দেখায় যে আমাদের প্রস্তাবিত বৈষম্যপূর্ণ ক্লাস্টারিং পদ্ধতিটি LEACH এর তুলনায় নেটওয়ার্কের জীবনকাল বাড়ানোর ক্ষেত্রে আরও কার্যকর। ২০০৮ এ্যালসেভিয়ার বি.ভি. সমস্ত অধিকার সংরক্ষিত। |
0352893287ea6c7d6a65946706b1b75cbe598798 | |
552528ae817834765e491d8f783c785c07ca7ccb | সামাজিক নেটওয়ার্ক ডেটার গোপনীয়তা একটি ক্রমবর্ধমান উদ্বেগ যা এই মূল্যবান তথ্য উৎস অ্যাক্সেস সীমাবদ্ধ করার হুমকি দেয়। সামাজিক নেটওয়ার্কের গ্রাফের গঠন বিশ্লেষণ করে আয় সৃষ্টি এবং সামাজিক বিজ্ঞান গবেষণার জন্য মূল্যবান তথ্য পাওয়া যায়, কিন্তু দুর্ভাগ্যবশত, এই বিশ্লেষণের মাধ্যমে ব্যক্তির গোপনীয়তা লঙ্ঘন না করা নিশ্চিত করা কঠিন। শুধু গ্রাফের নাম প্রকাশ না করা বা বিশ্লেষণের শুধুমাত্র সমষ্টিগত ফলাফল প্রকাশ করা যথেষ্ট সুরক্ষা প্রদান করতে পারে না। ডিফারেনশিয়াল প্রাইভেসি একটি বিকল্প প্রাইভেসি মডেল, যা টেবিলের ডেটার উপর ডেটা মাইনিংয়ে জনপ্রিয়, যা ফলাফলগুলিকে একত্রিত করার জন্য ব্যক্তিদের অবদানকে অস্পষ্ট করার জন্য গোলমাল ব্যবহার করে এবং একটি খুব শক্তিশালী গাণিতিক গ্যারান্টি দেয় যে ডেটা সেটে ব্যক্তিদের উপস্থিতি লুকানো আছে। যে বিশ্লেষণগুলি পূর্বে ব্যক্তিদের সনাক্তকরণ এবং ব্যক্তিগত তথ্য আহরণের জন্য দুর্বল ছিল, সেগুলিকে ডিফারেনশিয়াল-গোপনীয়তার গ্যারান্টিগুলির অধীনে নিরাপদে প্রকাশ করা যেতে পারে। আমরা নেটওয়ার্ক ডেটার সাথে ডিফারেনশিয়াল প্রাইভেসি খাপ খাইয়ে নেওয়ার জন্য দুটি বিদ্যমান মান পর্যালোচনা করি এবং এই মানগুলির অধীনে বেশ কয়েকটি সাধারণ সামাজিক নেটওয়ার্ক বিশ্লেষণ কৌশলগুলির সম্ভাব্যতা বিশ্লেষণ করি। অতিরিক্তভাবে, আমরা আউট-লিংক প্রাইভেসি প্রস্তাব করছি, নেটওয়ার্ক ডেটাতে ডিফারেনশিয়াল প্রাইভেসির জন্য একটি নতুন স্ট্যান্ডার্ড, এবং সাধারণ নেটওয়ার্ক বিশ্লেষণ কৌশলগুলির জন্য দুটি শক্তিশালী আউট-লিংক প্রাইভেট অ্যালগরিদম প্রবর্তন করি যা পূর্ববর্তী ডিফারেনশিয়াল প্রাইভেসি স্ট্যান্ডার্ডগুলির অধীনে বেসরকারীকরণের পক্ষে অসম্ভব ছিল। |
002c3339df17101b1b8f56d534ba4de2437f7a22 | আমরা আমাদের নেটওয়ার্ককে সাম্প্রতিক ডিট্রাক বেঞ্চমার্কের উপর মূল্যায়ন করি এবং অত্যাধুনিক ফাস্টার আরসিএনএন-এর তুলনায় 9.5% এমএপি দ্বারা উল্লেখযোগ্য উন্নতি অর্জন করি। এছাড়াও, আমাদের নেটওয়ার্ক একটি মাঝারি বাণিজ্যিক জিপিইউতে 9-13 FPS সনাক্তকরণ গতি অর্জন করে। আমরা ট্রাফিক নজরদারি ক্যামেরা থেকে দ্রুত যানবাহন সনাক্তকরণ সম্পাদন করি। একটি নতুন গভীর শিক্ষণ কাঠামো, যথা বিবর্তিত বাক্সগুলি, বিকাশ করা হয় যা বিভিন্ন বৈশিষ্ট্য উপস্থাপনার অধীনে অবজেক্ট বাক্সগুলিকে প্রস্তাব দেয় এবং পরিমার্জন করে। বিশেষ করে, আমাদের কাঠামো একটি হালকা ওজন প্রস্তাব নেটওয়ার্ক সঙ্গে এম্বেড করা হয় প্রাথমিক নোঙ্গর বাক্স উত্পন্ন পাশাপাশি অস্বাভাবিক অঞ্চলে তাড়াতাড়ি বর্জন; একটি সূক্ষ্ম ঘুর নেটওয়ার্ক এই প্রার্থী বাক্সের জন্য বিস্তারিত বৈশিষ্ট্য উত্পাদন করে। আমরা আকর্ষণীয়ভাবে দেখিয়েছি যে বিভিন্ন বৈশিষ্ট্য সংমিশ্রণ কৌশল প্রয়োগ করে, প্রাথমিক বাক্সগুলিকে স্থানীয়করণ এবং স্বীকৃতি উভয়ের জন্য পরিমার্জিত করা যেতে পারে। |
541a89579d77942c0b8ac6debf8ef99a04684dca | এই গবেষণাপত্রে, সিরিয়াল-ফিড মাইক্রোস্ট্রিপ অ্যান্টেনা অ্যারের নকশা নিয়ে আলোচনা করা হয়েছে এবং সীমিত লাভের নকশা চ্যালেঞ্জ ব্যাখ্যা করা হয়েছে। এই প্যাচগুলির মধ্যে যে পর্যায়টি রয়েছে তা এই চ্যালেঞ্জকে অতিক্রম করার ক্ষেত্রে গুরুত্বপূর্ণ ভূমিকা পালন করে। একটি ২৩-ইলেমেন্ট সিরিজ ফিড লিনিয়ার অ্যারে Ka-band এ 19dBi এর লাভ দেয় যা বিমকে ব্রডসাইড দিক দিয়ে দেয় এবং এর SLL -15dB এর চেয়ে ভাল। সি-ব্যান্ডে একটি ছোট সংস্করণ ডিজাইন ও তৈরি করা হয়েছে। একটি ৭-উপাদান সিরিজ ফিড অ্যান্টেনা অ্যারে 5.79 গিগাহার্জেটে 15.1 ডিবিআই পরিমাপকৃত লাভ প্রদান করে। এই নকশাটি উচ্চতর লাভ অর্জনের জন্য সমতল অ্যান্টেনা অ্যারের জন্য প্রসারিত করা যেতে পারে। |
056e13d5045e7d594489705f78834cfaf6642c36 | বুস্টিং হল যেকোনো নির্দিষ্ট লার্নিং অ্যালগরিদমের সঠিকতা বাড়ানোর একটি সাধারণ পদ্ধতি। মূলত এডাবুস্ট অ্যালগরিদমের উপর দৃষ্টি নিবদ্ধ করে, এই অধ্যায়টি এডাবুস্টের প্রশিক্ষণ ত্রুটি এবং সাধারণীকরণ ত্রুটি বিশ্লেষণ সহ বুস্টিংয়ের সাম্প্রতিক কিছু কাজের একটি ওভারভিউ দেয়; গেম তত্ত্ব এবং লিনিয়ার প্রোগ্রামিংয়ের সাথে বুস্টিংয়ের সংযোগ; বুস্টিং এবং লজিস্টিক রিগ্রেশনের মধ্যে সম্পর্ক; মাল্টি-ক্লাস শ্রেণিবদ্ধকরণ সমস্যার জন্য এডাবুস্টের এক্সটেনশন; বুস্টিংয়ে মানবিক জ্ঞান অন্তর্ভুক্ত করার পদ্ধতি; এবং বুস্টিং ব্যবহার করে পরীক্ষামূলক এবং প্রয়োগমূলক কাজ। |
38f35dd624cd1cf827416e31ac5e0e0454028eca | আমরা ড্রপকানেক্ট, ড্রপআউট (হিন্টন এবং অন্যান্য, ২০১২) এর একটি সাধারণীকরণ, নিউরাল নেটওয়ার্কের মধ্যে বড় সম্পূর্ণ সংযুক্ত স্তরগুলিকে নিয়মিত করার জন্য প্রবর্তন করি। ড্রপআউট দিয়ে প্রশিক্ষণের সময়, প্রতিটি স্তরের মধ্যে এলোমেলোভাবে নির্বাচিত সক্রিয়করণের একটি উপসেট শূন্যে সেট করা হয়। এর পরিবর্তে ড্রপকানেক্ট নেটওয়ার্কের মধ্যে এলোমেলোভাবে নির্বাচিত ওজনগুলির একটি উপসেটকে শূন্যে সেট করে। প্রতিটি ইউনিট পূর্ববর্তী স্তরের ইউনিটগুলির একটি র্যান্ডম উপসেট থেকে ইনপুট গ্রহণ করে। আমরা ড্রপআউট এবং ড্রপকানেক্ট উভয়েরই সাধারণীকরণের পারফরম্যান্সের উপর একটি সীমাবদ্ধতা অর্জন করি। এরপর আমরা ড্রপকানেক্টকে বিভিন্ন ডেটাসেটের সাথে তুলনা করে ড্রপআউট এর সাথে তুলনা করি এবং একাধিক ড্রপকানেক্ট প্রশিক্ষিত মডেলকে একত্রিত করে বিভিন্ন চিত্র স্বীকৃতির বেঞ্চমার্কের উপর অত্যাধুনিক ফলাফল দেখাই। |
8579b32d0cabee5a9f41dcde0b17aa51d9508850 | আমরা একটি অঙ্গভঙ্গি স্বীকৃতি ব্যবস্থা তৈরি করেছি, যা লুকানো মার্কভ মডেলের উপর ভিত্তি করে তৈরি, যা অঙ্গভঙ্গিকে ইন্টারেক্টিভভাবে স্বীকৃতি দিতে পারে এবং অনলাইনে নতুন অঙ্গভঙ্গি শেখার কাজ করতে পারে। উপরন্তু, এটি একটি অঙ্গভঙ্গির মডেলকে পুনরাবৃত্তিমূলকভাবে আপডেট করতে সক্ষম হয় প্রতিটি উদাহরণের সাথে যা এটি স্বীকৃতি দেয়। এই সিস্টেমটি ১৪টি ভিন্ন অঙ্গভঙ্গিকে শুধুমাত্র একটি বা দুটি উদাহরণ দেখিয়ে বিশ্বাসযোগ্যভাবে চিনতে সক্ষম হয়েছে। এই সিস্টেমটি বর্তমানে সাইবারগ্লোভের সাথে সংযুক্ত রয়েছে যাতে সাইন ল্যাঙ্গুয়েজ বর্ণমালার অঙ্গভঙ্গিগুলি সনাক্ত করতে ব্যবহার করা যায়। এই সিস্টেমটি রোবট টেলি অপারেশন এবং প্রোগ্রামিংয়ের জন্য একটি ইন্টারেক্টিভ ইন্টারফেসের অংশ হিসাবে বাস্তবায়িত হচ্ছে। |
0617301c077e56c44933e2b790a270f3e590db12 | আমরা আনুমানিক স্ট্রিং ম্যাচিং সমস্যার জন্য একটি নতুন সূচক পদ্ধতি উপস্থাপন করছি। এই পদ্ধতিটি একটি পরী অ্যারে উপর ভিত্তি করে তৈরি করা হয়েছে যা প্যাটার্নের একটি বিভাজন দিয়ে সংযুক্ত করা হয়েছে। আমরা ফলাফলের অ্যালগরিদম বিশ্লেষণ করি এবং দেখাই যে গড় পুনরুদ্ধারের সময়টি কিছু জন্য যে ত্রুটি ভগ্নাংশ সহ্য করা এবং বর্ণমালার আকারের উপর নির্ভর করে । এটা প্রায় , যেখানে দেখানো হয় . প্রয়োজনীয় স্থানটি পাঠ্যের আকারের চারগুণ, যা এই সমস্যার জন্য বেশ মাঝারি। আমরা পরীক্ষামূলকভাবে দেখিয়েছি যে এই সূচকটি সূচকযুক্ত আনুমানিক অনুসন্ধানের জন্য বিদ্যমান সমস্ত বিকল্পের চেয়ে অনেক বেশি পারফরম্যান্স করতে পারে। এই প্রথমবারের মতো বিভিন্ন বিদ্যমান প্রকল্পের তুলনা করা হচ্ছে। |
6c94ec89603ffafcdba4600bc7506a2df35cc246 | এই ডক্টরেট কনসোর্টিয়ামের কাগজটি আলোচনা করে যে কিভাবে এনএলপি বিপিএমের ডোমেইনে প্রয়োগ করা যেতে পারে যাতে প্রতিষ্ঠানের মধ্যে বিদ্যমান ডকুমেন্টেশন থেকে স্বয়ংক্রিয়ভাবে ব্যবসায়িক প্রক্রিয়া মডেল তৈরি করা যায়। মূল ধারণাটি হল যে একটি বাক্যটির সিনট্যাক্সিক এবং ব্যাকরণগত কাঠামো থেকে, একটি ব্যবসায়িক প্রক্রিয়া মডেলের উপাদানগুলি প্রাপ্ত করা যেতে পারে (যেমন কার্যক্রম, সম্পদ, কাজ, প্যাটার্ন) । ফলাফল হবে বিপিএমএন ব্যবহার করে চিত্রিত একটি ব্যবসায়িক প্রক্রিয়া মডেলিং কৌশল |
075bc988728788aa033b04dee1753ded711180ee | আমরা সামনের দৃশ্য থেকে মানুষের মুখ স্বয়ংক্রিয়ভাবে চিনতে সমস্যা বিবেচনা করি বিভিন্ন অভিব্যক্তি এবং আলোকসজ্জা, পাশাপাশি আড়াল এবং ছদ্মবেশ। আমরা স্বীকৃতি সমস্যাটিকে একাধিক লিনিয়ার রিগ্রেশন মডেলের মধ্যে শ্রেণিবদ্ধকরণের একটি হিসাবে ছুঁড়ে ফেলেছি এবং যুক্তি দিয়েছি যে বিচ্ছিন্ন সংকেত উপস্থাপনা থেকে নতুন তত্ত্ব এই সমস্যাটি মোকাবেলার মূল চাবিকাঠি সরবরাহ করে। সি-১ মিনিমাইজেশনের মাধ্যমে গণনা করা একটি বিচ্ছিন্ন উপস্থাপনার উপর ভিত্তি করে, আমরা (চিত্র-ভিত্তিক) বস্তুর স্বীকৃতির জন্য একটি সাধারণ শ্রেণিবদ্ধকরণ অ্যালগরিদমের প্রস্তাব দিই। এই নতুন কাঠামো মুখের স্বীকৃতির দুটি গুরুত্বপূর্ণ বিষয়ের উপর নতুন অন্তর্দৃষ্টি প্রদান করেঃ বৈশিষ্ট্য নিষ্কাশন এবং আচ্ছাদন দৃঢ়তা। বৈশিষ্ট্য নিষ্কাশনের জন্য, আমরা দেখাই যে যদি স্বীকৃতি সমস্যার মধ্যে sparsity সঠিকভাবে ব্যবহার করা হয়, বৈশিষ্ট্যগুলির পছন্দটি আর সমালোচনামূলক নয়। তবে, গুরুত্বপূর্ণ বিষয় হল, বৈশিষ্ট্যগুলির সংখ্যা যথেষ্ট বড় এবং বিচ্ছিন্ন উপস্থাপনাটি সঠিকভাবে গণনা করা হয়েছে কিনা। অস্বাভাবিক বৈশিষ্ট্য যেমন ডাউনস্যাম্পলড ইমেজ এবং র্যান্ডম প্রজেকশনগুলি প্রচলিত বৈশিষ্ট্য যেমন আইজেনফেস এবং ল্যাপ্ল্যাসিয়ানফেসগুলির মতো একইভাবে সম্পাদন করে, যতক্ষণ পর্যন্ত বৈশিষ্ট্য স্পেসের মাত্রা নির্দিষ্ট প্রান্তিক অতিক্রম করে, যা বিচ্ছিন্ন উপস্থাপনা তত্ত্ব দ্বারা পূর্বাভাস দেওয়া হয়। এই কাঠামোটি স্ট্যান্ডার্ড (পিক্সেল) ভিত্তিতে এই ত্রুটিগুলি প্রায়শই বিরল হওয়ার কারণে ব্যবহার করে অভিন্নভাবে আটকানো এবং দুর্নীতির কারণে ত্রুটিগুলি পরিচালনা করতে পারে। স্পারস রেপ্রেজেনটেশনের তত্ত্বটি অনুমান করতে সাহায্য করে যে স্বীকৃতি অ্যালগরিদম কতটুকু আটকানো সামলাতে পারে এবং আটকানোর জন্য দৃঢ়তা সর্বাধিকতর করার জন্য প্রশিক্ষণ চিত্রগুলি কীভাবে চয়ন করতে হয়। প্রস্তাবিত অ্যালগরিদমের কার্যকারিতা যাচাই করতে এবং উপরের দাবিগুলিকে সমর্থন করার জন্য আমরা সর্বজনীনভাবে উপলব্ধ ডাটাবেসগুলিতে বিস্তৃত পরীক্ষা-নিরীক্ষা পরিচালনা করি। |
0d117c9fc3393237d71be5dce9bb6498b5e0c020 | আই.আই.ডি. দেওয়া হয়েছে একটি এলোমেলো ভেক্টর X ∈ R এর পর্যবেক্ষণ, আমরা তার সহ-বৈচিত্র্য ম্যাট্রিক্স Σ, এবং তার বিপরীত সহ-বৈচিত্র্য বা ঘনত্ব ম্যাট্রিক্স Θ = (Σ) উভয়ই অনুমান করার সমস্যাটি অধ্যয়ন করি। যখন X বহুবিকল্প গাওসিয়ান হয়, তখন Θ এর অ-শূন্য কাঠামো একটি সম্পর্কিত গাওসিয়ান মার্কভ র্যান্ডম ক্ষেত্রের গ্রাফ দ্বারা নির্দিষ্ট করা হয়; এবং এই ধরনের ক্ষুদ্র Θ এর জন্য একটি জনপ্রিয় অনুমানকারী হল l1-নিয়মিত গাওসিয়ান এমএলই। এই অনুমানকারীটি অ-গাউসিয়ান এক্স এর জন্যও যুক্তিসঙ্গত, যেহেতু এটি একটি l1-দণ্ডিত লগ-নির্ধারণকারী ব্রেগম্যান বিচ্ছিন্নতাকে কমিয়ে দেয়। আমরা উচ্চ-মাত্রিক স্কেলিংয়ের অধীনে এর পারফরম্যান্স বিশ্লেষণ করি, যেখানে গ্রাফের নোডের সংখ্যা পি, প্রান্তের সংখ্যা এস এবং সর্বাধিক নোড ডিগ্রি ডি, নমুনা আকার এন এর একটি ফাংশন হিসাবে বৃদ্ধি করার অনুমতি দেওয়া হয়। প্যারামিটারগুলি (পি, এস, ডি) ছাড়াও, আমাদের বিশ্লেষণ অন্যান্য মূল পরিমাণগুলি সনাক্ত করে যা হারগুলি নিয়ন্ত্রণ করেঃ (ক) l∞-অপারেটর মান সত্যিকারের সহ-বৈচিত্র্য ম্যাট্রিক্স Σ; এবং (খ) উপ-ম্যাট্রিক্স ΓSS এর l∞ অপারেটর মান, যেখানে S গ্রাফের প্রান্তগুলিকে সূচক করে এবং Γ = (Θ) (Θ); এবং (গ) ম্যাট্রিক্স Γ এর পারস্পরিক অসঙ্গতি বা অপ্রতীকরণযোগ্যতার পরিমাপ এবং (ঘ) ক্ষয় হারের হার 1/f{n, δ) সম্ভাব্যতা {adjΣ̂ij − Σij δ}, যেখানে Σ̂ হল n টি নমুনার উপর ভিত্তি করে নমুনা সহ-বৈচিত্র্য। আমাদের প্রথম ফলাফলটি উপাদানগত সর্বোচ্চ-মানদণ্ডে আমাদের অনুমানের ধারাবাহিকতা প্রতিষ্ঠা করে। এটি আমাদেরকে ফ্রোবেনিয়াস এবং বর্ণালী মানদণ্ডে ঘনিষ্ঠতার হারগুলি বের করতে দেয়, সর্বাধিক নোড ডিগ্রি d = o ((√ s) সহ গ্রাফের জন্য বিদ্যমান ফলাফলের উন্নতি করে। আমাদের দ্বিতীয় ফলাফলের মধ্যে, আমরা দেখাই যে সম্ভাব্যতা একের দিকে ঘনিষ্ঠ হলে, অনুমানটি Θ̂ সঠিকভাবে ঘনত্ব ম্যাট্রিক্সের শূন্য প্যাটার্নটি নির্দিষ্ট করে Θ। আমরা আমাদের তাত্ত্বিক ফলাফলগুলিকে বিভিন্ন গ্রাফ এবং সমস্যা পরামিতিগুলির জন্য সিমুলেশনগুলির মাধ্যমে চিত্রিত করি, তাত্ত্বিক ভবিষ্যদ্বাণী এবং সিমুলেশনের আচরণের মধ্যে ভাল সাদৃশ্য দেখায়। এএমএস ২০০০ বিষয় শ্রেণীবিভাগঃ প্রাথমিক ৬২এফ১২; মাধ্যমিক ৬২এফ৩০। |
216c8515f9f53533b2e87c8183e70d3b50c2c097 | বর্তমান বাণিজ্যিক অ্যান্টি-ম্যালওয়্যার সফটওয়্যারের একটি জনপ্রিয় পদ্ধতি হল প্রোগ্রামের কোডে স্ক্যান স্ট্রিংগুলি অনুসন্ধান করে যা ক্ষতিকারক কোডের নির্দেশক বাইট ক্রম। স্ক্যান স্ট্রিংগুলি, যা বিদ্যমান ম্যালওয়ারের স্বাক্ষর হিসাবেও পরিচিত, ম্যালওয়ার বিশ্লেষকরা পরিচিত ম্যালওয়ার নমুনা থেকে বের করে এবং একটি ডাটাবেসে সংরক্ষণ করে যা প্রায়শই ভাইরাস অভিধান হিসাবে উল্লেখ করা হয়। এই প্রক্রিয়াটিতে প্রায়শই উল্লেখযোগ্য পরিমাণে মানুষের প্রচেষ্টা জড়িত থাকে। এছাড়াও, এই কৌশলটিতে দুটি প্রধান সীমাবদ্ধতা রয়েছে। প্রথমত, সব ক্ষতিকারক প্রোগ্রামেরই বিট প্যাটার্ন থাকে না যা তাদের ক্ষতিকারক প্রকৃতির প্রমাণ। তাই কিছু ম্যালওয়্যার ভাইরাস অভিধানে রেকর্ড করা হয় না এবং স্বাক্ষর মিলের মাধ্যমে সনাক্ত করা যায় না। দ্বিতীয়ত, নির্দিষ্ট বিট প্যাটার্নের জন্য অনুসন্ধান করা ম্যালওয়্যার নিয়ে কাজ করবে না যা অনেক রকমের হতে পারে--অবসাক্সড ম্যালওয়্যার। সিগনেচার ম্যাচিং নতুন ম্যালওয়্যার প্যাটার্ন সনাক্ত করতে অক্ষম এবং অস্পষ্ট ম্যালওয়্যার সনাক্ত করতে ব্যর্থ হয়েছে। এই গবেষণাপত্রটি একটি ম্যালওয়্যার সনাক্তকরণ কৌশল উপস্থাপন করে যা ম্যালওয়্যার ইনস্ট্যান্সের একটি সেট এবং ম্যালওয়্যার কোডের ইনস্ট্যান্সের একটি সেট প্রশিক্ষিত একটি লার্নিং ইঞ্জিনের মাধ্যমে ম্যালওয়্যার আবিষ্কার করে। লার্নিং ইঞ্জিন একটি অভিযোজিত ডেটা কম্প্রেশন মডেল ব্যবহার করে - আংশিক মিলের মাধ্যমে পূর্বাভাস (পিপিএম) - দুটি কম্প্রেশন মডেল তৈরি করতে, একটি ম্যালওয়্যার ইনস্ট্যান্স থেকে এবং অন্যটি ম্যালওয়্যার কোডের ইনস্ট্যান্স থেকে। একটি কোড উদাহরণটি "ম্যালওয়্যার" বা "ভেনাইন" হিসাবে শ্রেণীবদ্ধ করা হয়, এর আনুমানিক ক্রস এন্ট্রপিকে কমিয়ে আনা হয়। আমাদের প্রাথমিক ফলাফল খুবই আশাব্যঞ্জক। আমরা 0.94 সত্যিকারের ইতিবাচক হার অর্জন করেছি 0.016 মিথ্যা ইতিবাচক হার সহ। আমাদের পরীক্ষা-নিরীক্ষা আরও প্রমাণ করেছে যে এই কৌশলটি অজানা এবং অস্পষ্ট ম্যালওয়্যারকে কার্যকরভাবে সনাক্ত করতে পারে। |
682640754c867ecc6ae2ccaa5dc68403ee7d2e63 | আমরা দেখাব কিভাবে বিটকয়েন ওয়ালেটের জন্য দুই-ফ্যাক্টর প্রমাণীকরণ বাস্তবায়ন করা যায়। এটি করার জন্য, আমরা বিটকয়েনের প্রসঙ্গে ম্যাককেনজি এবং রেইটার (ইন্ট জে ইনফ সিকিউর 2 ((3-4): 218-239, 2004. doi: 10.1007 / s10207-004-0041-0)) দ্বারা দ্বি-পক্ষীয় স্বাক্ষর প্রোটোকলের একটি ইসিডিএসএ অভিযোজন কীভাবে ব্যবহার করতে হয় তা ব্যাখ্যা করি এবং একটি বিটকয়েন ওয়ালেটের একটি প্রোটোটাইপিক বাস্তবায়ন উপস্থাপন করি যা উভয়ই সরবরাহ করেঃ একটি পৃথক চ্যানেলের মাধ্যমে দ্বি-ফ্যাক্টর প্রমাণীকরণ এবং যাচাইকরণ। যেহেতু আমরা দ্বিতীয় প্রমাণীকরণ ফ্যাক্টর হিসেবে স্মার্টফোন ব্যবহার করি, তাই আমাদের সমাধানটি বেশিরভাগ ব্যবহারকারীর কাছে ইতিমধ্যেই উপলব্ধ হার্ডওয়্যারের সাথে ব্যবহার করা যেতে পারে এবং ব্যবহারকারীর অভিজ্ঞতা বিদ্যমান অনলাইন ব্যাংকিং প্রমাণীকরণ পদ্ধতির সাথে বেশ অনুরূপ। |
e427c8d3c1b616d319c8b5f233e725d4ebfd9768 | বস্তুর বা সামর্থ্যের কার্যকরী অঞ্চলগুলিকে স্থানীয়করণ দৃশ্যের বোঝার একটি গুরুত্বপূর্ণ দিক এবং অনেক রোবোটিক্স অ্যাপ্লিকেশনের জন্য প্রাসঙ্গিক। এই কাজের মধ্যে, আমরা একটি পিক্সেল-বুদ্ধিমান টীকাযুক্ত affordance ডেটাসেট 3090 চিত্র 9916 বস্তুর উদাহরণ ধারণকারী পরিচয় করিয়ে। যেহেতু একটি বস্তুর অংশে একাধিক সামর্থ্য থাকতে পারে, আমরা এটিকে মাল্টিলেবেল সামর্থ্য বিভাজনের জন্য একটি কনভোলুশনাল নিউরাল নেটওয়ার্ক দ্বারা সম্বোধন করি। আমরা খুব কম সংখ্যক মূল পয়েন্ট টীকা দিয়ে নেটওয়ার্ককে প্রশিক্ষণের একটি পদ্ধতির প্রস্তাব দিচ্ছি। আমাদের পদ্ধতিতে অন্যান্য দুর্বলভাবে তত্ত্বাবধানে থাকা পদ্ধতিগুলির চেয়ে বেশি সাশ্রয়ী মূল্যের সনাক্তকরণের নির্ভুলতা অর্জন করা হয় যা দুর্বল তত্ত্বাবধানে কীপয়েন্ট টীকা বা চিত্র টীকাগুলির উপর নির্ভর করে। |
731359cd04c7625549e78d9fbd9ad362642be9c8 | অনিশ্চয়তা, এর মডেলিং এবং বিশ্লেষণের বিষয়ে অনেকগুলি সাহিত্যে আলোচনা করা হয়েছে যার মধ্যে পরিসংখ্যান এবং অপারেশনাল রিসার্চ, জ্ঞান ব্যবস্থাপনা এবং দর্শন অন্তর্ভুক্ত রয়েছে। বেয়েসিয়ান পদ্ধতির সমর্থকরা সাধারণত যুক্তি দিয়ে থাকেন যে অনিশ্চয়তাকে হয় সম্ভাব্যতার দ্বারা মডেল করা উচিত বা আলোচনার মাধ্যমে সমাধান করা উচিত যা অর্থকে স্পষ্ট করে। অন্যরা ঝুঁকি এবং অনিশ্চয়তার মধ্যে পার্থক্য করার ক্ষেত্রে নাইটের অনুসরণ করেছেনঃ প্রাক্তন মডেলিং এবং সম্ভাব্যতার মাধ্যমে বিশ্লেষণকে স্বীকার করে; পরেরটি নয়। এছাড়াও সাহিত্যে অসংখ্য পদ্ধতি রয়েছে যা জাদেহের ধারণার থেকে উদ্ভূত একটি অস্পষ্ট সেট। দর্শন ও ব্যবস্থাপনা সাহিত্যে জ্ঞান-নির্মাণের তত্ত্বগুলি জ্ঞান এবং অনিশ্চয়তাকে মানুষের বোঝার বিপরীত চরম হিসাবে দেখে এবং সেই অনুযায়ী অনিশ্চয়তার সমাধান নিয়ে আলোচনা করে। এখানে আমরা বেজিয়ান পজিশন গ্রহণ করি, কিন্তু প্রচলিত পজিশনের চেয়ে নরম, যা অন্যান্য পদ্ধতির উদ্বেগকে স্বীকৃতি দেয় এবং বিশেষত, তাদের উদ্বেগগুলিকে সিদ্ধান্তের প্রসঙ্গে সাইনেফিন কাঠামোর মধ্যে পরিসংখ্যান, ঝুঁকি এবং সিদ্ধান্ত বিশ্লেষণে মডেলিং এবং বিশ্লেষণের প্রক্রিয়াগুলি প্রতিফলিত করে। এই পদ্ধতিটি সাম্প্রতিক আলোচনার বিভিন্ন ধারাকে সমর্থন করে যা গুণগত দৃশ্যপট পরিকল্পনা ধারণা এবং বিশ্লেষণের আরও পরিমাণগত পদ্ধতির সংমিশ্রণের পক্ষে যুক্তি দেয় আমি আলোচনা করি যে এই পরামর্শ এবং আলোচনাগুলি মডেলিংয়ের পদ্ধতির বিষয়ে কিছু পূর্ববর্তী চিন্তাভাবনার সাথে কীভাবে সম্পর্কিত এবং বিশেষত, একটি "ছোট বিশ্ব" এর ধারণাটি সাভ্যাজ দ্বারা ব্যাখ্যা করা হয়েছে। |
f0fe2b9cb1f4de756db573127fe7560421e5de3d | দুই দশকেরও বেশি সময় ধরে, গাঁজা, যা সাধারণত মারিজুয়ানা নামে পরিচিত, উচ্চ আয়ের দেশগুলির তরুণদের দ্বারা সর্বাধিক ব্যবহৃত অবৈধ ড্রাগ হয়ে উঠেছে এবং সম্প্রতি এটি বিশ্বব্যাপী জনপ্রিয় হয়ে উঠেছে। গত ১০ বছরে করা মহামারীবিজ্ঞান গবেষণা থেকে জানা যায়, কিশোর বয়সে এবং প্রাপ্তবয়স্ক অবস্থায় নিয়মিতভাবে গাঁজা সেবন করলে এর ক্ষতিকর প্রভাব পড়তে পারে। মহামারী সংক্রান্ত, ক্লিনিকাল এবং পরীক্ষাগারীয় গবেষণায় গাঁজা ব্যবহার এবং প্রতিকূল ফলাফলের মধ্যে একটি সম্পর্ক প্রতিষ্ঠিত হয়েছে। আমরা জনস্বাস্থ্যের জন্য সবচেয়ে বেশি সম্ভাব্য স্বাস্থ্যের প্রভাবের উপর মনোযোগ দিই- অর্থাৎ, যেসব প্রভাবের সম্ভাবনা বেশি এবং যা বড় সংখ্যক গাঁজা ব্যবহারকারীদের প্রভাবিত করে। সবচেয়ে সম্ভাব্য পার্শ্বপ্রতিক্রিয়াগুলির মধ্যে রয়েছে একটি নির্ভরতা সিন্ড্রোম, মোটরযান দুর্ঘটনার ঝুঁকি বৃদ্ধি, শ্বাসযন্ত্রের কার্যকারিতা হ্রাস, কার্ডিওভাসকুলার রোগ এবং কিশোর- কিশোরীদের মনস্তাত্ত্বিক বিকাশ এবং মানসিক স্বাস্থ্যের উপর নিয়মিত ব্যবহারের বিরূপ প্রভাব। |
4d625677469be99e0a765a750f88cfb85c522cce | আমাদের লক্ষ্য হচ্ছে কম্পিউটার ভিশন ভিত্তিক কৌশলগুলোকে উন্নত করে প্রাকৃতিক হাত-বস্তু ম্যানিপুলেশন বোঝার প্রক্রিয়াকে স্বয়ংক্রিয় করা। আমাদের অনুমান হচ্ছে যে, ম্যানিপুলেশন কর্মের সঠিকভাবে স্বীকৃতি দেওয়ার জন্য হাতের ধরন এবং ম্যানিপুলেটেড বস্তুর বৈশিষ্ট্যগুলি মডেল করা প্রয়োজন। বিশেষ করে, আমরা হাতের ধরন, বস্তুর বৈশিষ্ট্য এবং একক চিত্র থেকে একীভূত মডেলের মধ্যে ক্রিয়াগুলিকে চিনতে ফোকাস করি। প্রথমত, আমরা গ্রাফ টাইপ এবং অবজেক্ট এট্রিবিউটের মধ্যে প্রসঙ্গগত সম্পর্কটি অন্বেষণ করি এবং দেখাই যে কীভাবে এই প্রসঙ্গটি গ্রাফ টাইপ এবং অবজেক্ট এট্রিবিউট উভয়েরই স্বীকৃতি বাড়ানোর জন্য ব্যবহার করা যেতে পারে। দ্বিতীয়ত, আমরা এই অনুমানের উপর ভিত্তি করে গ্রাফ টাইপ এবং অবজেক্ট এট্রিবিউট সহ অ্যাকশন মডেলিংয়ের প্রস্তাব দিই যে গ্রাফ টাইপ এবং অবজেক্ট এট্রিবিউটগুলিতে বিভিন্ন অ্যাকশনের বৈশিষ্ট্যযুক্ত করার জন্য পরিপূরক তথ্য রয়েছে। আমাদের প্রস্তাবিত অ্যাকশন মডেলটি ঐতিহ্যগত চেহারা-ভিত্তিক মডেলগুলির চেয়ে ভাল কাজ করে যা বোঝার ধরন বা বস্তুর বৈশিষ্ট্যগুলির মতো শব্দার্থিক সীমাবদ্ধতা বিবেচনা করার জন্য ডিজাইন করা হয়নি। জনসাধারণের অহং-কেন্দ্রিক কার্যকলাপের ডেটাসেটের পরীক্ষার ফলাফল আমাদের অনুমানকে দৃঢ়ভাবে সমর্থন করে। |
59fa9d40d129f18f1f3193f65935fcb9e2042afb | নতুন অটোমোবাইল অ্যাপ্লিকেশন এবং পরিষেবাগুলির জন্য, তথ্য প্রযুক্তি (আইটি) কেন্দ্রীয় গুরুত্ব পেয়েছে। গাড়ি উৎপাদনে আইটি-সংক্রান্ত খরচ ইতিমধ্যেই অনেক বেশি এবং ভবিষ্যতে তা আরও বেড়ে যাবে। যদিও নিরাপত্তা এবং নির্ভরযোগ্যতা একটি সুপ্রতিষ্ঠিত ক্ষেত্র হয়ে উঠেছে, তবে পদ্ধতিগতভাবে ম্যানিপুলেশন বা অনুপ্রবেশের বিরুদ্ধে যানবাহন আইটি সিস্টেমগুলির সুরক্ষা সম্প্রতিই শুরু হয়েছে। তবে, আইটি নিরাপত্তা ইতোমধ্যে যানবাহনের কিছু অ্যাপ্লিকেশনের যেমন ইমোবিলাইজার বা ডিজিটাল টাকোগ্রাফের ভিত্তি। ভবিষ্যতে গাড়ি তৈরির ক্ষেত্রে যে সকল অ্যাপ্লিকেশন এবং ব্যবসায়িক মডেলের ব্যবহার করা হবে, সেগুলিকে সুরক্ষিত করতে, পরবর্তী প্রজন্মের যানবাহনের জন্য তথ্যপ্রযুক্তির নিরাপত্তা অন্যতম গুরুত্বপূর্ণ প্রযুক্তি হয়ে উঠবে। যানবাহনের আইটি সুরক্ষার একটি অত্যাধুনিক ওভারভিউ দেওয়ার পর, আমরা একটি সংক্ষিপ্ত পরিচিতি এবং ক্রিপ্টোগ্রাফিক কার্যকারিতা প্রদান করি। এই অবদানটি স্বয়ংচালিত আইটি সুরক্ষার প্রয়োজনীয়তা চিহ্নিত করবে এবং স্বয়ংচালিত এলাকার মধ্যে সাধারণ আক্রমণ, ফলস্বরূপ সুরক্ষা লক্ষ্য এবং বৈশিষ্ট্যযুক্ত সীমাবদ্ধতা উপস্থাপন করবে। আমরা মূল নিরাপত্তা প্রযুক্তি এবং প্রাসঙ্গিক নিরাপত্তা ব্যবস্থা চালু করব, তারপরে আইটি নিরাপত্তার উপর নির্ভরশীল গুরুত্বপূর্ণ যানবাহন অ্যাপ্লিকেশন, ব্যবসায়িক মডেল এবং উপাদানগুলির বিস্তারিত বিবরণ দেওয়া হবে। আমরা আমাদের অবদানের সমাপ্তি হিসেবে অটোমোটিভ আইটি সম্প্রদায়ের জন্য গাড়িতে আইটি নিরাপত্তা স্থাপনের চ্যালেঞ্জ এবং সুযোগ সম্পর্কে বিস্তারিত বিবৃতি দিয়েছি। |
ae5e5085b4e8f4851d9fd76e1d3845da942c3147 | আপনি যখন দূরে কোথাও গাড়ি চালাচ্ছেন, আপনি আপনার বর্তমান অবস্থান থেকে মাত্র কয়েকটি গুরুত্বপূর্ণ ট্রাফিক জংশনের মধ্য দিয়ে চলে যাবেন। এই অনানুষ্ঠানিক পর্যবেক্ষণ থেকে শুরু করে, আমরা একটি অ্যালগরিদমিক পদ্ধতির বিকাশ করেছি, ট্রানজিট নোড রাউটিং, যা আমাদেরকে রাস্তা নেটওয়ার্কের দ্রুততম পথ অনুসন্ধানগুলিকে ছোট সংখ্যক টেবিল অনুসন্ধানে হ্রাস করতে দেয়। পশ্চিম ইউরোপ এবং মার্কিন যুক্তরাষ্ট্রের রাস্তা মানচিত্রের জন্য, আমাদের সেরা অনুসন্ধান সময়গুলি পূর্বে প্রকাশিত সেরা পরিসংখ্যানগুলির চেয়ে দুইটি মাত্রার অর্ডার দ্বারা উন্নত হয়েছে। সাধারণ নেটওয়ার্কগুলির জন্য সবচেয়ে পরিচিত অ্যালগরিদমের চেয়ে এটি এক মিলিয়ন গুণ বেশি দ্রুত। |
855d0f722d75cc56a66a00ede18ace96bafee6bd | থিয়ানো একটি লিনিয়ার বীজগণিত কম্পাইলার যা ব্যবহারকারীর প্রতীকীভাবে নির্দিষ্ট গাণিতিক গণনাগুলিকে দক্ষ নিম্ন-স্তরের বাস্তবায়ন তৈরি করতে অনুকূল করে তোলে। এই নিবন্ধে, আমরা Theano-র নতুন বৈশিষ্ট্য এবং দক্ষতা উন্নতি উপস্থাপন করছি, এবং Torch7 এর তুলনায় Theano-র পারফরম্যান্স প্রদর্শন করে এমন মানদণ্ডগুলি, সম্প্রতি চালু করা মেশিন লার্নিং লাইব্রেরি, এবং RNNLM, পুনরাবৃত্ত নিউরাল নেটওয়ার্কগুলিতে লক্ষ্যযুক্ত একটি সি ++ লাইব্রেরি। |
f97b592092377a6e3afeb2f55e2aacd8794cb8b2 | একটি কমপ্যাক্ট ডুয়াল-ব্যান্ড মাইক্রোস্ট্রিপ ব্যান্ডপাস ফিল্টার প্রস্তাবিত এবং ডিজাইন করা হয়েছে যাতে 2.4 এবং 5.2 গিগাহার্জ এ কাজ করতে পারে এবং এর জন্য কোনও বাহ্যিক প্রতিবন্ধকতা-ম্যাচিং ব্লকের প্রয়োজন হয় না। এই সংশোধিত অর্ধ-তরঙ্গ দৈর্ঘ্যের স্টেপড-ইম্পেড্যান্স রেজোনারটি বক্ররেখা কনফিগারেশনের সাথে তৈরি করা হয়েছে যাতে এই দুটি নির্দিষ্ট ফ্রিকোয়েন্সিতে মিনিয়াট্রিজড সামগ্রিক আকারের সাথে দ্বৈত রেজোন্যান্সগুলিকে একই সাথে উত্তেজিত করা যায়। সমান্তরাল-সংযুক্ত মাইক্রোস্ট্রিপ লাইনটি উভয় দ্বৈত পাসব্যান্ডের মধ্যে রিটার্ন ক্ষতিকে কমিয়ে আনার জন্য যথাযথভাবে চিহ্নিত করা হয়েছে। অপ্টিমাইজড ফলাফলগুলি 20dB এর বেশি রিটার্ন ক্ষতির সাথে ভাল ডুয়াল-ব্যান্ড ফিল্টারিং পারফরম্যান্স প্রদর্শন করে এবং একটি নির্মিত ফিল্টার সার্কিটের সাথে পরীক্ষার মাধ্যমে নিশ্চিত হয়। |
d4a8e93f004c86267eead89edecbd332518dbf21 | এসডিএম একটি উচ্চ-স্তরের শব্দার্থবিজ্ঞান ভিত্তিক ডাটাবেস বর্ণনা এবং ডাটাবেসগুলির জন্য কাঠামোগত ফর্মালিজম (ডাটাবেস মডেল) । এই ডাটাবেস মডেলটি অ্যাপ্লিকেশন পরিবেশের অর্থের আরও বেশি কিছু ক্যাপচার করার জন্য ডিজাইন করা হয়েছে যা সমসাময়িক ডাটাবেস মডেলগুলির সাথে সম্ভব নয়। একটি SDM স্পেসিফিকেশন অ্যাপ্লিকেশন পরিবেশে বিদ্যমান সত্তার ধরনের, সেই সত্তাগুলির শ্রেণিবিন্যাস এবং গোষ্ঠীগুলি এবং তাদের মধ্যে কাঠামোগত আন্তঃসংযোগের ক্ষেত্রে একটি ডাটাবেস বর্ণনা করে। এসডিএম একটি অ্যাপ্লিকেশন পরিবেশের শব্দার্থক ক্যাপচার উচ্চ-স্তরের মডেলিং প্রাইমাইভ একটি সংগ্রহ প্রদান করে। ডেটাবেজ স্ট্রাকচারাল স্পেসিফিকেশনে প্রাপ্ত তথ্যকে অন্তর্ভুক্ত করে, SDM একই তথ্যকে বিভিন্ন উপায়ে দেখার অনুমতি দেয়; এটি সরাসরি বিভিন্ন চাহিদা এবং প্রক্রিয়াকরণের প্রয়োজনীয়তাকে সাধারণত ডাটাবেস অ্যাপ্লিকেশনে উপস্থিত রাখতে সক্ষম করে। বর্তমান এসডিএম এর নকশাটি এর একটি প্রাথমিক সংস্করণ ব্যবহার করার ক্ষেত্রে আমাদের অভিজ্ঞতার উপর ভিত্তি করে তৈরি করা হয়েছে। এসডিএম ডেটাবেজ সিস্টেমের কার্যকারিতা এবং ব্যবহারযোগ্যতা বাড়ানোর জন্য ডিজাইন করা হয়েছে। একটি SDM ডাটাবেস বর্ণনা একটি ডাটাবেস জন্য একটি আনুষ্ঠানিক স্পেসিফিকেশন এবং ডকুমেন্টেশন টুল হিসাবে পরিবেশন করতে পারেন; এটি বিভিন্ন শক্তিশালী ব্যবহারকারী ইন্টারফেস সুবিধা সমর্থন করার জন্য একটি ভিত্তি প্রদান করতে পারেন, এটি একটি ধারণা ডাটাবেস মডেল হিসাবে পরিবেশন করতে পারেন ডাটাবেস নকশা প্রক্রিয়া; এবং, এটি একটি নতুন ধরনের জন্য ডাটাবেস মডেল হিসাবে ব্যবহার করা যেতে পারে ডাটাবেস ম্যানেজমেন্ট সিস্টেম। |
cced93571a42beb3853c2d0b3217b3f57b614bb0 | |
eefcc7bcc05436dac9881acb4ff4e4a0b730e175 | আমরা বড় আকারের চিত্র শ্রেণীবিভাগের সাথে কাজ করি, যেমন যখন অনেকগুলো ছবি এবং ক্লাস জড়িত থাকে। প্রথমত, আমরা শ্রেণীবিভাগের নির্ভুলতাকে চিত্রের স্বাক্ষরের মাত্রা এবং প্রশিক্ষণ সেটের আকারের ফাংশন হিসেবে অধ্যয়ন করি। আমরা পরীক্ষামূলকভাবে দেখিয়েছি যে প্রশিক্ষণ সেট যত বড় হবে, ততই মাত্রিকতার প্রভাব সঠিকতার উপর বেশি হবে। অন্য কথায়, বড় ডেটাসেটগুলিতে অত্যাধুনিক ফলাফল পেতে উচ্চ মাত্রিক স্বাক্ষরগুলি গুরুত্বপূর্ণ। দ্বিতীয়ত, আমরা দুটি ক্ষয়ক্ষতি সংকোচনের কৌশল ব্যবহার করে খুব বড় স্বাক্ষরগুলিতে (১০৫ মাত্রার অর্ডার) ডেটা সংকোচনের সমস্যাটি মোকাবেলা করিঃ হ্যাশ কার্নেল নামে পরিচিত একটি মাত্রিকতা হ্রাস কৌশল এবং পণ্য কোয়ান্টাইজারগুলির উপর ভিত্তি করে একটি এনকোডিং কৌশল। আমরা ব্যাখ্যা করব কিভাবে স্টোরেজ লাভের বিনিময়ে সঠিকতা হ্রাস এবং/অথবা CPU খরচ বৃদ্ধি করা যায়। আমরা দুটি বড় ডাটাবেসের ফলাফল রিপোর্ট করছি - ইমেজনেট এবং ফ্লিকার ছবির একটি ডেটাসেট - যা দেখায় যে আমরা আমাদের স্বাক্ষরের স্টোরেজকে 64 থেকে 128 গুণের দ্বারা কমিয়ে আনতে পারি যা সঠিকতার সামান্য ক্ষতি করে। শ্রেণীবিভাগকারী শেখার মধ্যে ডিকম্প্রেশন সংহত করা একটি দক্ষ এবং স্কেলযোগ্য প্রশিক্ষণ অ্যালগরিদম দেয়। আইএলএসভিআরসি২০১০-এ আমরা শীর্ষ-৫-এর মধ্যে ৭৪.৩% নির্ভুলতার কথা জানি, যা সর্বশেষ প্রযুক্তির তুলনায় ২.৫% নিখুঁত উন্নতির সাথে মিলে যায়। ইমেজনেট এর ১০,০০০ ক্লাসের একটি উপসেটে আমরা ১৬.৭% এর শীর্ষ-১ নির্ভুলতা রিপোর্ট করেছি, যা অত্যাধুনিক প্রযুক্তির তুলনায় ১৬০% এর আপেক্ষিক উন্নতি। |
016335ce7e0a073623e1deac7138b28913dbf594 | মানুষ নতুন ধারণা শিখলে প্রায়ই একটি উদাহরণ থেকে সফলভাবে সাধারণীকরণ করতে পারে, কিন্তু মেশিন লার্নিং অ্যালগরিদমের ক্ষেত্রে সাধারণত একই রকম নির্ভুলতার সাথে কাজ করার জন্য কয়েক ডজন বা শত শত উদাহরণ প্রয়োজন হয়। মানুষ প্রচলিত অ্যালগরিদমের চেয়ে সমৃদ্ধ উপায়ে শিখে নেওয়া ধারণাগুলি ব্যবহার করতে পারে - কর্ম, কল্পনা এবং ব্যাখ্যা করার জন্য। আমরা একটি কম্পিউটেশনাল মডেল উপস্থাপন করছি যা মানুষের এই শেখার ক্ষমতাকে সহজ দৃশ্যমান ধারণার একটি বড় শ্রেণীর জন্য তুলে ধরেছে: বিশ্বের বর্ণমালার হাতের লেখা অক্ষর। মডেলটি এমন সহজ প্রোগ্রাম হিসাবে ধারণাগুলি উপস্থাপন করে যা বেয়েসিয়ান মানদণ্ডের অধীনে পর্যবেক্ষণ করা উদাহরণগুলিকে সর্বোত্তমভাবে ব্যাখ্যা করে। একক-শট শ্রেণীবিভাগের একটি চ্যালেঞ্জিং কাজে, মডেলটি মানব-স্তরের কর্মক্ষমতা অর্জন করে এবং সাম্প্রতিক গভীর শিক্ষণ পদ্ধতির চেয়ে ভাল পারফরম্যান্স করে। আমরা বেশ কয়েকটি ভিজ্যুয়াল টিউরিং টেস্ট উপস্থাপন করছি যা মডেলের সৃজনশীল সাধারণীকরণ ক্ষমতা পরীক্ষা করে, যা অনেক ক্ষেত্রে মানুষের আচরণের থেকে আলাদা নয়। |
83bcd3591d8e5d43d65e9e1e83e4c257f8431d4a | এই যোগাযোগে একটি সহজ কৌশলটি উন্নত করা হয়েছে যাতে অক্ষীয় অনুপাত (এআর) ব্যান্ডউইথ বৃদ্ধি করা যায় এবং একটি একক-ফিডড লো প্রোফাইল সার্কুলারভাবে পোলারাইজড (সিপি) স্ট্যাকড প্যাচ অ্যান্টেনার ভাল প্রতিবন্ধকতা মিলন হয়। প্রস্তাবিত অ্যান্টেনাটি একটি চালিত প্যাচ স্তর এবং একটি পরজীবী প্যাচ স্তর নিয়ে গঠিত। ড্রাইভড প্যাচ স্তরটি একটি ট্রিঙ্কড প্রধান প্যাচ, একটি পরজীবী প্যাচ এবং একটি প্রোব ফিডিং কাঠামো নিয়ে গঠিত যখন স্ট্যাকড প্যাচ স্তরটি পাঁচটি প্যাচ নিয়ে গঠিত। প্রস্তাবিত এন্টেনারটিতে নিম্ন প্রোফাইল, ব্যাপক প্রতিবন্ধকতা এবং এআর ব্যান্ডউইথ, উচ্চ লাভের পাশাপাশি নকশা, উত্পাদন এবং একীকরণের সহজতা এর মতো আকর্ষণীয় বৈশিষ্ট্যগুলি একত্রিত হয়েছে। ৬ গিগাহার্জ ব্যান্ডে কাজ করা এন্টেনটি ডিজাইন ও নির্মিত হয়েছে FR4 সাবস্ট্রেইটে এবং এর সামগ্রিক ভলিউম হল 0.8 λ0 ×0.8 λ0 ×0.09 λ0. পরিমাপের ফলাফল দেখায় যে অ্যান্টেনাটি ডিবি জন্য 30% এর বেশি প্রতিবন্ধকতা ব্যান্ডউইথ অর্জন করে, 3-ডিবি এআর ব্যান্ডউইথ প্রায় 20.7% এবং 3-ডিবি এআর ব্যান্ডউইথের মধ্যে 7.9 ডিবিআই এর বেশি লাভের স্তর অর্জন করে। |
b8deb0fcfa16a0dcb46652240c015cef93c711ed | ক্রোহনের রোগে গ্যাস্ট্রোইনটেস্টাইনাল ট্র্যাক্টের সব অংশই আক্রান্ত হতে পারে এবং প্রায়ই অন্যান্য অঙ্গগুলোও আক্রান্ত হতে পারে। এই অ-আনুসন্ধানী রোগকে বলা হয় এক্সট্রা-আনুসন্ধানী রোগ। ভলভাল জড়িততা ক্রোহেন রোগের একটি অস্বাভাবিক এক্সট্রা- ইন্টেস্টাইনাল প্রকাশ এবং এটি শিশুদের মধ্যে খুব বিরল। ভলভাল সিডি রোগীদের সাধারণত ল্যাবিয়া মেজোরার এরিথেমা এবং এডিমা দেখা যায়, যা ব্যাপক ক্ষত গঠনে অগ্রসর হয়। ভলভাল ক্রোহনের রোগ অন্ত্রের সমস্যাগুলির আগে বা পরে দেখা দিতে পারে অথবা এটি একই সাথে দেখা দিতে পারে। আমরা ১০ বছরের একটি মেয়েকে উপস্থাপন করছি যার অন্ত্রের ক্রোন রোগ রয়েছে, যার সাথে পেরিঅ্যানাল ত্বকের ট্যাগ এবং অ-সাম্পটাম্যাটিক একতরফা ল্যাবিয়াল হাইপারট্রোফি রয়েছে। তার ক্ষতটি অন্ত্রের রোগের সাথে সম্পর্কিত নয় এবং অজ্যাথিয়োপ্রিন এবং টপিকাল স্টেরয়েড সহ চিকিৎসা পদ্ধতিতে উল্লেখযোগ্যভাবে সাড়া দিয়েছে। আমরা জোর দিয়ে বলছি যে, যদিও শিশুর যৌনাঙ্গে সংক্রমণ বিরল, তবে ক্রোনের রোগের ক্ষেত্রে জেনেটিক এলাকার অ-মৃদু, লাল, এডিমেটোস ক্ষতগুলির পার্থক্য নির্ণয়ের ক্ষেত্রে অবশ্যই বিবেচনা করা উচিত। |
9f908c018a0c57bab2a4a3ee723c818e893fcb1b | |
2fdee22266d58ae4e891711208106ca46c8e2778 | প্রোডাক্ট কোয়ান্টাইজেশন একটি কার্যকর ভেক্টর কোয়ান্টাইজেশন পদ্ধতি যা দ্রুত আনুমানিক নিকটতম প্রতিবেশী (এএনএন) অনুসন্ধানের জন্য কমপ্যাক্টভাবে উচ্চ-মাত্রিক ভেক্টরগুলিকে এনকোড করে। পণ্য কোয়ান্টাইজেশনের মূল উদ্দেশ্য হল মূল উচ্চ-মাত্রিক স্থানকে একটি সীমিত সংখ্যক নিম্ন-মাত্রিক উপ-স্থানগুলির কার্টেসিয়ান পণ্যের মধ্যে বিভাজন করা যা তারপর পৃথকভাবে কোয়ান্টাইজ করা হয়। এএনএন অনুসন্ধানের জন্য সর্বোত্তম স্থান বিভাজন গুরুত্বপূর্ণ, তবে এখনও এটি ঠিক করা হয়নি। এই গবেষণায়, আমরা কোয়ান্টাইজেশন বিকৃতিকে ন্যূনতম করে পণ্য কোয়ান্টাইজেশনকে অনুকূলিত করি। স্পেস ডিকম্পোজিশন এবং কোয়ান্টাইজেশন কোডবুক। আমরা অপ্টিমাইজেশনের জন্য দুটি নতুন পদ্ধতি উপস্থাপন করছি: একটি নন-প্যারামেট্রিক পদ্ধতি যা বিকল্পভাবে দুটি ছোট উপ-সমস্যা সমাধান করে এবং একটি প্যারামেট্রিক পদ্ধতি যা নিশ্চিতভাবে সর্বোত্তম সমাধান অর্জন করে যদি ইনপুট ডেটা কিছু গাউসিয়ান বন্টন অনুসরণ করে। আমরা পরীক্ষার মাধ্যমে দেখিয়েছি যে আমাদের অপ্টিমাইজড পদ্ধতিটি এএনএন অনুসন্ধানের জন্য পণ্য কোয়ান্টাইজেশনের নির্ভুলতাকে যথেষ্ট পরিমাণে উন্নত করে। |
149d8514b026cca3b31ef8379e78aeb7c7795eb7 | ২জি এবং ৩জি সেলুলার নেটওয়ার্ক প্রযুক্তির ব্যবহারের ফলে মোবাইল ফোনের ব্যান্ডউইথের মাধ্যমে রিয়েল টাইমে ডেটা স্টেশনে প্রেরণ করা সম্ভব হয়েছে। আমাদের গবেষণাপত্রে ব্লুটুথ ইলেক্ট্রোকার্ডিওগ্রাম সেন্সরের নকশা ও মূল্যায়ন বর্ণনা করা হয়েছে যা একটি সেল ফোনে চিকিৎসা সংক্রান্ত তথ্য প্রেরণ করে। এই তথ্য ফোনের মধ্যে প্রদর্শিত এবং সংরক্ষিত হয়। ভবিষ্যতে এই সিস্টেমটি জিপিআরএস নেটওয়ার্কের মাধ্যমে ডেটা ট্রান্সমিশন করবে। বর্তমান সিস্টেমটি বিদ্যমান ইসিজি ইভেন্ট মনিটরের জন্য একটি স্বল্প ব্যয় এবং হালকা বিকল্প সরবরাহ করে। শেষ জিপিআরএস সংযুক্ত সিস্টেমটি সেলুলার কভারেজ যেখানেই পাওয়া যায় সেখানে রোগীর হৃদয়ের ক্রমাগত পর্যবেক্ষণ সরবরাহ করবে |
226ceb666cdb2090fc3ab786129e83f3ced56e05 | নিউরাল মেশিন ট্রান্সলেশন এনএমটি অনেক মেশিন ট্রান্সলেশন কাজে গুরুত্বপূর্ণ ভূমিকা পালন করেছে। তবে, কিছু ডোমেন-নির্দিষ্ট কাজগুলিতে, কেবলমাত্র অনুরূপ ডোমেনের কর্পোরাসগুলি অনুবাদ কার্যকারিতা উন্নত করতে পারে। যদি ডোমেনের বাইরের কর্পাসগুলি সরাসরি ডোমেনের অভ্যন্তরীণ কর্পাসগুলিতে যুক্ত করা হয় তবে অনুবাদ কার্যকারিতা এমনকি হ্রাস পেতে পারে। তাই এনএমটি ডোমেন সমস্যার সমাধানের জন্য ডোমেন অভিযোজন কৌশল অপরিহার্য। ডোমেন অভিযোজন করার জন্য বিদ্যমান বেশিরভাগ পদ্ধতি প্রচলিত বাক্যাংশ-ভিত্তিক মেশিন অনুবাদের জন্য ডিজাইন করা হয়েছে। এনএমটি ডোমেন অভিযোজন হিসাবে, সূক্ষ্ম টিউনিং, ডোমেন ট্যাগ এবং ডোমেন বৈশিষ্ট্যগুলির মতো বিষয়গুলিতে কেবল কয়েকটি গবেষণা হয়েছে। এই গবেষণাপত্রে, আমরা বাক্য স্তরের এনএমটি ডোমেন অভিযোজন জন্য চারটি লক্ষ্য আছে। প্রথমত, এনএমটি এর অভ্যন্তরীণ বাক্য এম্বেডিং ব্যবহার করা হয় এবং ডোমেনের বাইরে থাকা বাক্যগুলি নির্বাচন করতে অনুরূপতা এম্বেডিং বাক্য ব্যবহার করা হয় যা ডোমেনের অভ্যন্তরীণ কর্পাসের কাছাকাছি থাকে। দ্বিতীয়ত, আমরা তিনটি বাক্য ওজন পদ্ধতি প্রস্তাব করছি, অর্থাৎ, বাক্য ওজন, ডোমেন ওজন এবং ব্যাচ ওজন, এনএমটি প্রশিক্ষণের সময় ডেটা বিতরণকে ভারসাম্যপূর্ণ করার জন্য। তৃতীয়ত, আমরা NMT প্রশিক্ষণের সময় বাক্য নির্বাচন এবং ওজন নির্ধারণের জন্য গতিশীল প্রশিক্ষণ পদ্ধতির প্রস্তাব দিই। চতুর্থত, বাস্তব জগতে এনএমটি পরিস্থিতিতে মাল্টিডোমেন সমস্যা সমাধানের জন্য যেখানে প্রশিক্ষণ এবং পরীক্ষার ডেটার ডোমেন বিতরণ প্রায়শই অসঙ্গতিপূর্ণ হয়, আমরা প্রশিক্ষণ ডেটার ডোমেন বিতরণকে ভারসাম্যপূর্ণ করার জন্য এবং প্রশিক্ষণ এবং পরীক্ষার ডেটার ডোমেন বিতরণকে মেলে একটি মাল্টিডোমেন বাক্য ওজন পদ্ধতির প্রস্তাব দিয়েছি। প্রস্তাবিত পদ্ধতিগুলিকে মূল্যায়ন করা হয় IWSLT-এর কথ্য ভাষার অনুবাদ সংক্রান্ত আন্তর্জাতিক কর্মশালায় ইংরেজি থেকে ফরাসি/জার্মান ভাষায় এবং একটি মাল্টিডোমেন ইংরেজি থেকে ফরাসি ভাষায় অনুবাদ সংক্রান্ত কাজে। অভিজ্ঞতার ফলাফল থেকে দেখা যায় যে বাক্য নির্বাচন এবং ওজন পদ্ধতিগুলি বিদ্যমান বেসলাইনগুলিকে ছাড়িয়ে এনএমটি পারফরম্যান্সকে উল্লেখযোগ্যভাবে উন্নত করতে পারে। |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.