_id
stringlengths 40
40
| text
stringlengths 0
9.38k
|
|---|---|
21b25b025898bd1cabe60234434b49cf14016981 | જનરેટિવ એડવાડરિયલ નેટવર્ક્સ (જીએન) ની વધતી પ્રસિદ્ધિ હોવા છતાં, જીએનએસમાં ઓપ્ટિમાઇઝેશન હજુ પણ નબળી રીતે સમજી શકાય તેવું વિષય છે. આ કાગળમાં, અમે GAN ઑપ્ટિમાઇઝેશનના ગ્રેડિએન્ટ ઉતરતા સ્વરૂપનું વિશ્લેષણ કરીએ છીએ, એટલે કે, કુદરતી સેટિંગ જ્યાં આપણે એકસાથે જનરેટર અને ભેદભાવક પરિમાણો બંનેમાં નાના ઢાળના પગલાં લઈએ છીએ. અમે બતાવીએ છીએ કે ભલે જીએન ઓપ્ટિમાઇઝેશન એક ઉભું-કોન્કેવ રમત (સાદા પરિમાણીકરણ માટે પણ) સાથે મેળ ખાતું નથી, યોગ્ય શરતો હેઠળ, આ ઓપ્ટિમાઇઝેશન પ્રક્રિયાના સંતુલન બિંદુઓ હજુ પણ પરંપરાગત જીએન ફોર્મ્યુલેશન માટે સ્થાનિક રીતે અસંખ્ય સ્થિર છે. બીજી તરફ, અમે બતાવીએ છીએ કે તાજેતરમાં પ્રસ્તાવિત વાસર્સ્ટેઇન જીએએન પાસે સંતુલન નજીક બિન-સંકલનશીલ મર્યાદા ચક્ર હોઈ શકે છે. આ સ્થિરતા વિશ્લેષણ દ્વારા પ્રેરિત, અમે ગ્રેડિએન્ટ ઉતરતા GAN અપડેટ્સ માટે વધારાની નિયમિતતા શબ્દ પ્રસ્તાવિત કરીએ છીએ, જે ડબલ્યુજીએન અને પરંપરાગત GAN બંને માટે સ્થાનિક સ્થિરતાની બાંયધરી આપવા સક્ષમ છે, અને સંકલન ઝડપી બનાવવા અને મોડ પતનને સંબોધિત કરવામાં વ્યવહારુ વચન પણ બતાવે છે. |
c8cff23dcba448f4af436d40d32e367ea0bbe9bc | આ કાગળમાં લંબચોરસ વેવગાઇડ ટેકનોલોજીમાં માઇક્રોવેવ 3-ડી પ્રિન્ટેડ લોડ્સની અનુભૂતિ અને લાક્ષણિકતાનું વર્ણન કરવામાં આવ્યું છે. એક્સ-બેન્ડ (8-12 ગીગાહર્ટ્ઝ) પર અનેક વ્યાપારી સામગ્રીનું વર્ણન કરવામાં આવ્યું હતું. તેમની ડાઇલેક્ટ્રિક ગુણધર્મોને પોલાણ-પર્ર્ર્બેશન પદ્ધતિ અને ટ્રાન્સમિશન/પ્રતિબિંબ લંબચોરસ વેવગાઇડ પદ્ધતિના ઉપયોગ દ્વારા કાઢવામાં આવી હતી. 8 અને 12 ગીગાહર્ટ્ઝ વચ્ચે મેળ ખાતા ભારને પ્રાપ્ત કરવા માટે કાર્બન-લોસ્સી એક્રિલિનોટ્રિલ બ્યુટાડીન સ્ટાઈરિન (એબીએસ) પોલિમર પસંદ કરવામાં આવ્યું હતું. ફ્યુઝ્ડ ડિપોઝિટિશન મોડેલિંગ દ્વારા બે અલગ અલગ પ્રકારના ટર્મિનેશનની અનુભૂતિ કરવામાં આવી હતીઃ એક વર્ણસંકર 3-ડી પ્રિન્ટેડ ટર્મિનેશન (મેટાલિક વેવગાઇડ + પિરામિડલ પોલિમર શોર્ટ સર્કિટ + મેટાલિક શોર્ટ સર્કિટ) અને સંપૂર્ણ 3-ડી પ્રિન્ટેડ ટર્મિનેશન (સ્વ-સંગત મેચ કરેલ લોડ). હાઇબ્રિડ અને સંપૂર્ણ 3-ડી પ્રિન્ટેડ ટર્મિનેશન્સ માટે અનુક્રમે 1.075 અને 1.025 કરતા ઓછા વોલ્ટેજ સ્ટેન્ડિંગ વેવ રેશિયો X- બેન્ડ પર માપવામાં આવ્યા હતા. સંપૂર્ણ 3-ડી પ્રિન્ટેડ ટર્મિનેશનની પાવર વર્તણૂકની તપાસ કરવામાં આવી હતી. 10 ગીગાહર્ટ્ઝથી 11.5 વોટ સુધીની ઘટના શક્તિના વિસ્તરણના કાર્ય તરીકે પ્રતિબિંબિત શક્તિનો ખૂબ જ રેખીય વિકાસ જોવા મળ્યો હતો. આ 3-ડી પ્રિન્ટેડ ઉપકરણો લંબચોરસ વેવગાઇડ તકનીકમાં માઇક્રોવેવ મેચ કરેલા લોડ્સની અનુભૂતિ માટે ખૂબ જ ઓછા ખર્ચે ઉકેલ તરીકે દેખાય છે. |
16f63ebc5b393524b48932946cb1ba3b6ac5c702 | આ કાગળમાં, અમે એક રિકર્સીવ ન્યુરલ નેટવર્ક (આરએનએન) મોડેલ રજૂ કરીએ છીએ જે સિન્ટેક્ટીક વૃક્ષ પર કામ કરે છે. અમારું મોડેલ અગાઉના આરએનએન મોડેલોથી અલગ છે કે આ મોડેલ લક્ષ્ય કાર્ય માટે મહત્વપૂર્ણ શબ્દસમૂહોના સ્પષ્ટ વજન માટે પરવાનગી આપે છે. અમે તાલીમ દરમિયાન પરિમાણોને સરેરાશ આપવાનો પ્રસ્તાવ પણ રાખીએ છીએ. અર્થલક્ષી સંબંધ વર્ગીકરણ પરના અમારા પ્રાયોગિક પરિણામો દર્શાવે છે કે બંને શબ્દસમૂહોની શ્રેણીઓ અને કાર્ય-વિશિષ્ટ વજન બંને મોડેલની આગાહીની ચોકસાઈમાં નોંધપાત્ર સુધારો કરે છે. અમે એ પણ બતાવીએ છીએ કે મોડેલ પરિમાણોની સરેરાશ શીખવાની સ્થિરતામાં અસરકારક છે અને સામાન્યીકરણ ક્ષમતામાં સુધારો કરે છે. પ્રસ્તાવિત મોડેલ અદ્યતન આરએનએન આધારિત મોડેલો સાથે સ્પર્ધાત્મક સ્કોર્સને ચિહ્નિત કરે છે. |
49b3256add6efdcd9ed2ea90c54b18bb8f5cee3e | ન્યુરલ નેટવર્ક્સમાંથી સુધારેલ સામાન્યીકરણ માટે પ્રમાણભૂત તકનીકોમાં વજન ઘટાડવું અને કાપણીનો સમાવેશ થાય છે. વજનના વિઘટનનું બેયસિયન અર્થઘટન છે જેમાં વિઘટન કાર્ય અગાઉના વજનને અનુરૂપ છે. રૂપાંતર જૂથો અને મહત્તમ એન્ટ્રોપીની પદ્ધતિ ગૌસિયન પૂર્વના બદલે લેપ્લેસ સૂચવે છે. તાલીમ પછી, વજન પછી પોતાને બે વર્ગોમાં ગોઠવે છેઃ (1) ડેટા ભૂલ માટે સામાન્ય સંવેદનશીલતા ધરાવતા અને (2) આ સંવેદનશીલતા પ્રાપ્ત કરવામાં નિષ્ફળ રહે છે અને તેથી તે અદૃશ્ય થઈ જાય છે. કારણ કે તાલીમ દરમિયાન જટિલ મૂલ્યને અનુકૂલનશીલ રીતે નક્કી કરવામાં આવે છે, તેથી વજનને બરાબર શૂન્ય પર સેટ કરવાની સમજણ માત્ર નિયમિતકરણનું સ્વયંચાલિત પરિણામ બની જાય છે. વજનને કાપી નાખવામાં આવે ત્યારે મુક્ત પરિમાણોની સંખ્યા પણ આપમેળે ઘટી જાય છે. પુરાવા માળખું અને ગૌસિયન નિયમનકારનો ઉપયોગ કરીને મેકેના પરિણામો સાથે સરખામણી કરવામાં આવે છે. |
d142c1b2488ea054112187b347e1a5fa83a3d54e | |
3ccf752029540235806bdd0c5293b56ddc1254c2 | આ કાગળમાં, અમે બહુવિધ સિસ્ટમ ડિઝાઇન ઉદ્દેશો સાથે મલ્ટીયુઝર મલ્ટીપલ-ઇનપુટ સિંગલ આઉટપુટ (એમઆઇએસઓ) સેકન્ડરી કોમ્યુનિકેશન સિસ્ટમ્સ માટે સંસાધન ફાળવણીનો અભ્યાસ કરીએ છીએ. અમે જ્ઞાનાત્મક રેડિયો (સીઆર) નેટવર્ક્સને ધ્યાનમાં લઈએ છીએ જ્યાં સેકન્ડરી રીસીવરો રેડિયો ફ્રીક્વન્સીથી ઊર્જાને કાપવા માટે સક્ષમ હોય છે જ્યારે તેઓ નિષ્ક્રિય હોય છે. સેકન્ડરી સિસ્ટમ એક સાથે વાયરલેસ પાવર અને સેકન્ડરી રીસીવરોને સુરક્ષિત માહિતી ટ્રાન્સફર પૂરી પાડે છે. અમે વજનિત ચેબીશેફ અભિગમ પર આધારિત પૅરેટો શ્રેષ્ઠ સંસાધન ફાળવણી અલ્ગોરિધમનો ડિઝાઇન કરવા માટે મલ્ટી-હેતુ ઑપ્ટિમાઇઝેશન ફ્રેમવર્કની દરખાસ્ત કરીએ છીએ. ખાસ કરીને, અલ્ગોરિધમનો ડિઝાઇન ત્રણ મહત્વપૂર્ણ સિસ્ટમ ડિઝાઇન ઉદ્દેશોનો સમાવેશ કરે છેઃ કુલ ટ્રાન્સમિટ પાવર ઘટાડવું, ઊર્જાની લણણી કાર્યક્ષમતા વધારવી અને દખલગીરી પાવર લીકેજ-ટુ-ટ્રાન્સમિટ પાવર રેશિયો ઘટાડવો. પ્રસ્તાવિત માળખામાં સેકન્ડરી સિસ્ટમમાં સંચાર ગુપ્તતા અને સેકન્ડરી ટ્રાન્સમીટર પર સંભવિત સ્નેપર્સ (નિષ્ક્રિય સેકન્ડરી રીસીવરો અને પ્રાથમિક રીસીવરો) ની ચેનલ સ્ટેટ ઇન્ફર્મેશન (સીએસઆઈ) ની અપૂર્ણતા અંગેની ગુણવત્તા સેવા (ક્યુઓએસ) ની જરૂરિયાતને ધ્યાનમાં લેવામાં આવી છે. પ્રસ્તાવિત માળખામાં કુલ ઉર્જા મહત્તમ અને વિક્ષેપ ઉર્જા લિકેજને ન્યૂનતમ કરવા જેવા વિશેષ કિસ્સાઓનો સમાવેશ થાય છે. અપનાવવામાં આવેલી મલ્ટી ઓબ્જેક્ટિવ ઓપ્ટિમાઇઝેશન સમસ્યા બિન-કોન્વેક્સ છે અને સેમિડેફાઇનિટ પ્રોગ્રામિંગ (એસડીપી) રિલેક્સેશન દ્વારા કોન્વેક્સ ઓપ્ટિમાઇઝેશન સમસ્યા તરીકે ફરીથી બનાવવામાં આવે છે. તે બતાવવામાં આવ્યું છે કે મૂળ સમસ્યાના વૈશ્વિક શ્રેષ્ઠ ઉકેલ એસડીપી રિલેક્સ્ડ સમસ્યાના પ્રાથમિક અને દ્વિ શ્રેષ્ઠ ઉકેલો બંનેનો ઉપયોગ કરીને બનાવવામાં આવે છે. આ ઉપરાંત, બે સબ-ઓપ્ટિમલ સ્કીમનો પ્રસ્તાવ મૂકવામાં આવ્યો છે, જેમાં બેવડી સમસ્યાનું સમાધાન શ્રેષ્ઠ ઉકેલનું નિર્માણ કરવા માટે ઉપલબ્ધ ન હોય. સંખ્યાત્મક પરિણામો માત્ર સૂચિત સબ-ઓપ્ટિમલ યોજનાઓના નજીકના શ્રેષ્ઠ પ્રદર્શનને જ દર્શાવતા નથી, પણ માનવામાં આવેલ વિરોધાભાસી સિસ્ટમ ડિઝાઇન ઉદ્દેશો વચ્ચે રસપ્રદ વેપાર-ઓફને પણ છતી કરે છે. |
503a6d42cfb0174ca944053372153e21fec1111c | જ્ઞાનાત્મકતાના ઘણા ઔપચારિક મોડલ્સ માનવ શીખનારાઓની ધારણાઓને પકડવા માટે વ્યક્તિલક્ષી સંભાવના વિતરણનો ઉપયોગ કરે છે. આ મોડલ્સની મોટાભાગની એપ્લિકેશન્સ આ વિતરણો પરોક્ષ રીતે નક્કી કરે છે. અમે વ્યક્તિલક્ષી સંભાવના વિતરણમાંથી નમૂના લઈને માનવ શીખનારાઓની ધારણાઓને સીધી રીતે નક્કી કરવા માટે એક પદ્ધતિ પ્રસ્તાવિત કરીએ છીએ. માનવ પસંદગીના મોડેલ અને માર્કોવ ચેઇન મોન્ટે કાર્લો (એમસીએમસી) વચ્ચેના પત્રવ્યવહારનો ઉપયોગ કરીને, અમે વસ્તુઓ પરના વિતરણમાંથી નમૂના લેવા માટેની પદ્ધતિનું વર્ણન કરીએ છીએ જે લોકો વિવિધ કેટેગરી સાથે સંકળાયેલા છે. અમારા કાર્યમાં, વિષયો પસંદ કરે છે કે શું એક ઑબ્જેક્ટમાં સૂચિત ફેરફારને સ્વીકારવા અથવા નકારવા. આ કાર્યનું નિર્માણ કરવામાં આવ્યું છે જેથી આ નિર્ણયો એમસીએમસી સ્વીકૃતિ નિયમનું પાલન કરે, જે માર્કોવ ચેઇનને વ્યાખ્યાયિત કરે છે, જેના માટે સ્થિર વિતરણ શ્રેણી વિતરણ છે. અમે આ પ્રક્રિયાને પ્રયોગશાળામાં હસ્તગત કરાયેલ કૃત્રિમ કેટેગરીઝ અને અનુભવમાંથી હસ્તગત કરાયેલ કુદરતી કેટેગરીઝ બંને માટે પરીક્ષણ કરીએ છીએ. |
2bab122e886271733c3be851b2b11b040cefc213 | આ સંશોધનનો મુખ્ય ઉદ્દેશ ઇલેક્ટ્રોનિક મેડિકલ રેકોર્ડ્સ (ઇએમઆર) ને અપનાવવા માટે ડોકટરો દ્વારા જોવામાં આવતી અવરોધોની ઓળખ, વર્ગીકરણ અને વિશ્લેષણ કરવાનો છે, જેથી અમલકર્તાઓને લાભદાયી હસ્તક્ષેપ વિકલ્પો પૂરા પાડવામાં આવે. પદ્ધતિઓ EMRs ને ડોકટરો દ્વારા સ્વીકારવામાં અવરોધો અંગે 1998 થી 2009 સુધીના સંશોધન કાગળો પર આધારિત એક વ્યવસ્થિત સાહિત્ય સમીક્ષા હાથ ધરવામાં આવી હતી. સાહિત્ય શોધમાં ચાર ડેટાબેઝ, "સાયન્સ", "ઇબીએસસીઓ", "પબમેડ" અને "ધ કોક્રેન લાઇબ્રેરી" નો ઉપયોગ કરવામાં આવ્યો હતો. જો ડોકટરો દ્વારા ઇલેક્ટ્રોનિક મેડિકલ રેકોર્ડ્સના અમલીકરણ અને ઉપયોગ માટે અવરોધોની જાણ કરવામાં આવી હોય તો વિશ્લેષણમાં અભ્યાસનો સમાવેશ કરવામાં આવ્યો હતો. ઇલેક્ટ્રોનિક મેડિકલ રેકોર્ડ્સને કોમ્પ્યુટરાઈઝડ મેડિકલ ઇન્ફોર્મેશન સિસ્ટમ્સ તરીકે વ્યાખ્યાયિત કરવામાં આવે છે જે દર્દીની માહિતી એકત્રિત કરે છે, સ્ટોર કરે છે અને પ્રદર્શિત કરે છે. આ અભ્યાસમાં 22 લેખોનો સમાવેશ થાય છે જેમાં EMRની અવરોધોની ડૉક્ટરો દ્વારા સમજવામાં આવે છે. કુલ 31 પેટા કેટેગરી સહિત અવરોધોની આઠ મુખ્ય કેટેગરીઓ ઓળખી કાઢવામાં આવી હતી. આ આઠ શ્રેણીઓ છેઃ એ) નાણાકીય, બી) તકનીકી, સી) સમય, ડી) મનોવૈજ્ઞાનિક, ઇ) સામાજિક, એફ) કાનૂની, જી) સંસ્થાકીય અને એચ) પરિવર્તન પ્રક્રિયા. આ તમામ શ્રેણીઓ એકબીજા સાથે સંકળાયેલી છે. ખાસ કરીને, શ્રેણીઓ જી (સંગઠન) અને એચ (પરિવર્તન પ્રક્રિયા) અન્ય અવરોધો પર મધ્યસ્થી પરિબળો હોવાનું જણાય છે. પરિવર્તન વ્યવસ્થાપન દ્રષ્ટિકોણ અપનાવીને, અમે કેટલાક અવરોધ-સંબંધિત હસ્તક્ષેપો વિકસાવીએ છીએ જે ઓળખી કાઢેલા અવરોધોને દૂર કરી શકે છે. તબીબી વ્યવહારમાં ઇએમઆરનો ઉપયોગ કરવાની હકારાત્મક અસરો હોવા છતાં, આવી સિસ્ટમોનો સ્વીકાર દર હજી પણ નીચો છે અને ડોકટરોના પ્રતિકારનો સામનો કરે છે. આ વ્યવસ્થિત સમીક્ષા દર્શાવે છે કે EMR અમલીકરણની પ્રક્રિયામાં ડોકટરોને અનેક અવરોધોનો સામનો કરવો પડી શકે છે. અમે નિષ્કર્ષ કાઢીએ છીએ કે EMR અમલીકરણની પ્રક્રિયાને પરિવર્તન પ્રોજેક્ટ તરીકે ગણવામાં આવે છે, અને તબીબી પ્રથાઓમાં અમલકર્તાઓ અથવા પરિવર્તન મેનેજરો દ્વારા સંચાલિત થાય છે. ઇએમઆર અમલીકરણની સફળતામાં પરિવર્તન વ્યવસ્થાપનની ગુણવત્તા મહત્વની ભૂમિકા ભજવે છે. આ અભ્યાસમાં પ્રકાશિત અવરોધો અને સૂચિત હસ્તક્ષેપોનો હેતુ ઇલેક્ટ્રોનિક મેડિકલ રેકોર્ડ્સના અમલકર્તાઓ માટે સંદર્ભ તરીકે કાર્ય કરવાનો છે. સંબંધિત હસ્તક્ષેપો નક્કી કરી શકાય તે પહેલાં ચોક્કસ પરિસ્થિતિનું કાળજીપૂર્વક નિદાન જરૂરી છે. |
00514b5cd341ef128d216e86f2a795f218ef83db | આ કાગળમાં, અમે હૃદયના ધબકારાના અંદાજને સુધારવા માટે આંગળીની મદદથી હૃદયના ધબકારાને માપવા માટે એક નવા સંકલિત ઉપકરણની રચના અને વિકાસ રજૂ કર્યો છે. જેમ જેમ હૃદય સંબંધિત રોગો દિવસેને દિવસે વધી રહ્યા છે, તેમ તેમ આરોગ્યની ગુણવત્તા સુનિશ્ચિત કરવા માટે ચોક્કસ અને સસ્તું હૃદય દર માપન ઉપકરણ અથવા હૃદય મોનિટરની જરૂરિયાત આવશ્યક છે. જો કે, મોટાભાગના હૃદય દર માપન સાધનો અને વાતાવરણ ખર્ચાળ છે અને એર્ગોનોમિક્સનું પાલન કરતા નથી. અમારું પ્રસ્તાવિત હાર્ટ રેટ મીઝરિંગ (એચઆરએમ) ડિવાઇસ આર્થિક અને વપરાશકર્તા મૈત્રીપૂર્ણ છે અને સૂચક આંગળી દ્વારા લોહીના પ્રવાહને શોધવા માટે ઓપ્ટિકલ ટેકનોલોજીનો ઉપયોગ કરે છે. આંગળીના અંત પર પલ્સને શોધવા માટે ત્રણ તબક્કાઓનો ઉપયોગ કરવામાં આવે છે જેમાં પલ્સ ડિટેક્શન, સિગ્નલ નિષ્કર્ષણ અને પલ્સ એમ્પ્લીફિકેશનનો સમાવેશ થાય છે. વાસ્તવિક સંકેતો પર ઉપકરણના ગુણાત્મક અને જથ્થાત્મક પ્રદર્શન મૂલ્યાંકનમાં હૃદય દરના અંદાજમાં ચોકસાઈ બતાવવામાં આવી છે, તીવ્ર શારીરિક પ્રવૃત્તિ હેઠળ પણ. અમે એચઆરએમ ડિવાઇસની કામગીરીની સરખામણી ઇલેક્ટ્રોકાર્ડિયોગ્રામ રિપોર્ટ્સ અને વિવિધ ઉંમરના 90 માનવ વિષયોના હૃદયના ધબકારાના મેન્યુઅલ પલ્સ માપ સાથે કરી. પરિણામો દર્શાવે છે કે ઉપકરણની ભૂલ દર નગણ્ય છે. |
543ad4f3b3ec891023af53ef6fa2200ce886694f | રોગ નિવારણ અને દર્દીના સ્વાસ્થ્યની જાળવણીના ક્ષેત્રમાં ટેકનોલોજીકલ નવીનતાઓએ મોનિટરિંગ સિસ્ટમ્સ જેવા ક્ષેત્રોમાં વિકાસને સક્ષમ કર્યો છે. હૃદય દર એ ખૂબ જ મહત્વપૂર્ણ આરોગ્ય પરિમાણ છે જે સીધા માનવ રક્તવાહિની તંત્રની તંદુરસ્તી સાથે સંબંધિત છે. હૃદય દર એ હૃદયની દર પ્રતિ મિનિટની સંખ્યા છે, જે વિવિધ શારીરિક સ્થિતિઓ જેમ કે જૈવિક કાર્યભાર, કામ પર તણાવ અને કાર્યો પર ધ્યાન કેન્દ્રિત કરવું, ઊંઘી જવું અને સ્વાયત્ત નર્વસ સિસ્ટમની સક્રિય સ્થિતિને પ્રતિબિંબિત કરે છે. તેને ઇસીજી તરંગરૂપ દ્વારા અથવા ધબકારાને અનુભવીને માપવામાં આવી શકે છે ધમનીના લયબદ્ધ વિસ્તરણ અને સંકોચન કારણ કે હૃદયના નિયમિત સંકોચન દ્વારા રક્તને તેના દ્વારા દબાણ કરવામાં આવે છે. ધબકારાને તે વિસ્તારોમાંથી અનુભવી શકાય છે જ્યાં ધમની ચામડીની નજીક છે. આ પેપરમાં આંગળીની ધાર અને અરડિનો દ્વારા હૃદય દરને માપવાની તકનીકનું વર્ણન કરવામાં આવ્યું છે. તે ફોટોફેલ્થિસ્મોગ્રાફી (પીપીજી) ના સિદ્ધાંત પર આધારિત છે જે પ્રકાશ સ્ત્રોત અને ડિટેક્ટરનો ઉપયોગ કરીને પેશીઓમાં રક્ત વોલ્યુમમાં ફેરફારને માપવાની બિન- આક્રમક પદ્ધતિ છે. જ્યારે હૃદય ધબકતું હોય છે, ત્યારે તે વાસ્તવમાં સમગ્ર શરીરમાં લોહી પંપ કરે છે, અને તે આંગળીની ધમનીની અંદર લોહીના જથ્થાને પણ બદલવા માટે બનાવે છે. આ રક્તની વધઘટને આંગળીના ટપકાની આસપાસ મૂકવામાં આવેલી ઓપ્ટિકલ સેન્સિંગ મિકેનિઝમ દ્વારા શોધી શકાય છે. સિગ્નલને વિસ્તૃત કરી શકાય છે અને સીરીયલ પોર્ટ કમ્યુનિકેશનની મદદથી આર્ડિનોને મોકલવામાં આવે છે. પ્રોસેસિંગ સોફ્ટવેરની મદદથી હૃદય દરની દેખરેખ અને ગણતરી કરવામાં આવે છે. સેન્સર એકમમાં ઇન્ફ્રારેડ લાઇટ-ઇમિટિંગ-ડાયોડ (આઇઆર એલઈડી) અને ફોટો ડાયોડ હોય છે. આઈઆર એલઈડી આંગળીના અંતર્ગત પ્રકાશને આંગળીના અંતર્ગત પ્રસારિત કરે છે, જેમાંથી એક ભાગ આંગળીની ધમનીઓમાં રહેલા લોહીમાંથી પાછો પ્રતિબિંબિત થાય છે. ફોટો ડાયોડ પ્રકાશના ભાગને અનુભવે છે જે પાછું પ્રતિબિંબિત થાય છે. પ્રતિબિંબિત પ્રકાશની તીવ્રતા આંગળીની અંદર લોહીના જથ્થા પર આધાર રાખે છે. તેથી, દરેક વખતે હૃદય ધબકે છે પ્રતિબિંબિત ઇન્ફ્રારેડ પ્રકાશની માત્રા બદલાય છે, જે ફોટો ડાયોડ દ્વારા શોધી શકાય છે. હાઈ ગેઇન એમ્પ્લીફાયર સાથે, પ્રતિબિંબિત પ્રકાશની પહોળાઈમાં આ થોડું પરિવર્તન પલ્સમાં રૂપાંતરિત થઈ શકે છે. |
e35c466be82e1cb669027c587fb4f65a881f0261 | આ કાગળમાં, અમે વાયરલેસ આધારિત દર્દી સેન્સર પ્લેટફોર્મ (ડબ્લ્યુએસપી, સેન્સર નોડ) નામના સામાન્ય અભિગમ સેન્સર પ્લેટફોર્મનો ઉપયોગ કરીને એક સરળ વાયરલેસ ટ્રાન્સમિશન સિસ્ટમનો પ્રસ્તાવ મૂક્યો છે, જેમાં દૂરસ્થ ઍક્સેસ ક્ષમતા છે. ડબલ્યુએસપીના ધ્યેયો સ્થાપિત કરવા છેઃ સ્ટાન્ડર્ડ સેન્સર નોડ (સિસ્ટમ ઓન મોડ્યુલ), એક સામાન્ય સોફ્ટવેર. સૂચિત પ્લેટફોર્મ આર્કિટેક્ચર (સેન્સર નોડ) વિવિધ મહત્વપૂર્ણ પરિમાણો એકત્રિત કરવા અને મોકલવા માટે સુગમતા, સરળ કસ્ટમાઇઝેશન પ્રદાન કરે છે. વાયરલેસ સંચાર ચેનલ પર આધારિત એક પ્રોટોટાઇપ સ્થાપિત કરવામાં આવ્યું છે. વાયરલેસ લેન (આઇઇઇઇ . 802.15.4) નો ઉપયોગ અમારા પ્રોટોટાઇપ (સેન્સર નોડ) પર સંચાર ચેનલ તરીકે કરવામાં આવ્યો છે. ઇચ્છા સેન્સર માહિતી (જીવંત પરિમાણ) દૂરસ્થ જોઈ શકાય છે, અને તે પણ આવશ્યક પરિમાણ માંગ પૂરી કરવા માટે ગોઠવી શકાય છે. |
c2c465c332ec57a4430ce5f2093915b4ded497ff | મેડિકલ શિક્ષણમાં વધારે પડતી વાસ્તવિકતાનો ઉપયોગ કરવામાં આવે છે, મુખ્યત્વે કારણ કે શિક્ષકો વર્ચ્યુઅલ વસ્તુઓ દ્વારા જ્ઞાન શેર કરી શકે છે. આ સંશોધન એક વેબ એપ્લિકેશનના વિકાસનું વર્ણન કરે છે, જે વપરાશકર્તાઓને માનવ હૃદયની શરીરરચનાના સંદર્ભમાં તબીબી જ્ઞાનને વિસ્તૃત વાસ્તવિકતા દ્વારા વધારે છે. મૂલ્યાંકન બે અલગ અલગ પાસાંઓમાં કરવામાં આવે છે. પ્રથમમાં, આ કાગળના લેખકો નિષ્ણાતની દેખરેખ હેઠળ એક સંશોધકનો ઉપયોગ કરીને ત્રિપરિમાણીય માનવ હૃદય મોડ્યુલની શક્યતાનું મૂલ્યાંકન કરે છે. બીજામાં, મૂલ્યાંકનના ઉદ્દેશ્યનો ઉપયોગ જ્ઞાનાત્મક વૉકથ્રુ પદ્ધતિ દ્વારા ઉપયોગિતા મુદ્દાઓની ઓળખ કરવાનો છે. ત્રણ મેડિકલ વિદ્યાર્થીઓ (સાધારણ વપરાશકર્તાઓ) ને વેબ એપ્લિકેશનમાં ત્રણ લક્ષ્ય કાર્યો કહેવામાં આવે છે. કાર્ય પૂર્ણ કરવાની પ્રશંસા જ્ઞાનાત્મક વૉકથ્રુ પ્રશ્નોના પ્રમાણભૂત સમૂહના પ્રકાશમાં કરવામાં આવે છે. ત્રણ પરિમાણીય માનવ હૃદયની શૈક્ષણિક ઉપયોગિતાને વધારવા માટે પ્રથમ મૂલ્યાંકન દ્વારા અપગ્રેડ કરેલ વાસ્તવિકતા સામગ્રીની ખોટી હિટ્સ જાહેર કરવામાં આવે છે. કોગ્નિટીવ વૉકથ્રુ વધુ સુધારણાના મુદ્દાઓ પૂરા પાડે છે, જે આગામી સોફ્ટવેર રિલીઝમાં ઉપયોગિતાને વધુ સારી બનાવી શકે છે. વર્તમાન કામનો ભાગ પૂર્વ-પાઇલટ મૂલ્યાંકન છે. યોગ્ય વિદ્યાર્થીઓની વસતીને તેના વ્યાપક પાયલોટિંગ પહેલાં એપ્લિકેશનને સુધારવા માટે પ્રયાસરૂપે માનક પદ્ધતિઓનો ઉપયોગ કરવામાં આવે છે. એનાટોમીના અભ્યાસક્રમોના ઓનલાઇન શિક્ષણમાં સહાયતા માટે અનુભવી શિક્ષણ પદ્ધતિઓમાં આવા મૂલ્યાંકનને મહત્વપૂર્ણ માનવામાં આવે છે. |
d5049a49ab605a6703b0461a330e4dbbcd7307fb | આ પત્ર 4 × 4 બટલર મેટ્રિક્સની એક નવલકથા ટોપોલોજી રજૂ કરે છે, જે આઉટપુટ પોર્ટ્સ પર પ્રમાણમાં લવચીક તબક્કાના તફાવતોનો ખ્યાલ કરી શકે છે. પ્રસ્તાવિત બટલર મેટ્રિક્સમાં પરંપરાગત બટલર મેટ્રિક્સમાં ચોરસતાવાળા કપ્લર્સને બદલવા માટે મનસ્વી તબક્કા-ભેદોવાળા કપ્લર્સનો ઉપયોગ કરવામાં આવે છે. લાગુ કપ્લર્સના તબક્કાના તફાવતોને નિયંત્રિત કરીને, સૂચિત બટલર મેટ્રિક્સના આઉટપુટ પોર્ટ્સ વચ્ચેના પ્રગતિશીલ તબક્કાના તફાવતો પ્રમાણમાં લવચીક હોઈ શકે છે. ડિઝાઇન સરળ બનાવવા માટે, બંધ-ફોર્મ ડિઝાઇન સમીકરણો ઉતરી આવે છે અને પ્રસ્તુત થાય છે. ડિઝાઇન ખ્યાલને ચકાસવા માટે, ચાર અનન્ય પ્રગતિશીલ તબક્કાના તફાવતો (-30 °, + 150 °, - 120 °, અને + 60 °) સાથે સપાટ 4 × 4 બટલર મેટ્રિક્સની રચના અને બનાવટ કરવામાં આવે છે. ઓપરેટિંગ ફ્રીક્વન્સી પર, એમ્પ્લીટ્યુડ અસંતુલન 0.75 ડીબી કરતા ઓછું છે, અને તબક્કાની અસંગતતા ± 6 ° ની અંદર છે. માપવામાં આવેલ વળતર નુકશાન 16 ડીબી કરતાં વધુ સારું છે, અને અલગતા 18 ડીબી કરતાં વધુ સારી છે. 10 ડીબી રીટર્ન નુકશાન સાથે બેન્ડવિડ્થ લગભગ 15% છે. |
101c14f6a04663a7e2c5965c4e0a2d46cb465a08 | |
4d352696f60eaebf7ef941bb31173ba0a1bb9a41 | |
a16dc6af67ef9746068c63a56a580cb3b2a83e9c | હાથ અને શરીરની પહોંચવાળી હિલચાલને નિયંત્રિત કરવા માટે, ઘણી અલગ અલગ કમ્પ્યુટેશનલ સમસ્યાઓ હલ કરવી આવશ્યક છે. કેટલીક સમાંતર પદ્ધતિઓ વર્ણવવામાં આવી છે જે ન્યુરોન જેવા પ્રોસેસર્સના નેટવર્ક્સમાં અમલમાં આવી શકે છે. દરેક પદ્ધતિ એકંદર કાર્યના અલગ ભાગને હલ કરે છે. પ્રથમ, ઇચ્છિત ટ્રેકટરીને અનુસરવા માટે જરૂરી ટોર્ક શોધવા માટેની પદ્ધતિનું વર્ણન કરવામાં આવ્યું છે. આ પદ્ધતિ ટેબલ લુકઅપ કરતાં વધુ આર્થિક અને વધુ સર્વતોમુખી છે અને તેમાં ખૂબ ઓછા ક્રમિક પગલાંની જરૂર છે. પછી ઇચ્છિત ટ્રેકટોરીનું આંતરિક પ્રતિનિધિત્વ પેદા કરવાની રીત વર્ણવવામાં આવી છે. આ પદ્ધતિ એક સમયે એક ટુકડો ટ્રેકટરી બતાવે છે, જે "મોશન બ્લેકબોર્ડ" પર હ્યુરિસ્ટિક નિયમોના મોટા સમૂહને લાગુ કરીને ટ્રેકટરીમાં વર્તમાન બિંદુએ શરીરની સ્થિતિના સ્થિર અને ગતિશીલ પરિમાણોનું પ્રતિનિધિત્વ કરે છે. આ ગણતરીઓ એકલ, બિન-ઝડપી, વિશ્વ-આધારિત સંદર્ભ ફ્રેમના સંદર્ભમાં શરીરના ભાગોની સ્થિતિ, દિશા અને ગતિને વ્યક્ત કરીને સરળ બનાવવામાં આવે છે, સંયુક્ત-કોણ અથવા શરીરના આધારે અહંકાર-કેન્દ્રિત ફ્રેમની જગ્યાએ. |
5ab321e0ea7893dda145331bfb95e102c0b61a5d | આ કાગળમાં, એકલ-ફીડ બ્રોડબેન્ડ પરિપત્રિક રીતે ધ્રુવીકૃત સ્ટેક્ડ પેચ એન્ટેના માટે સારી પ્રતિરોધક મેચિંગ અને સમપ્રમાણ બ્રોડસાઇડ રેડિયેશન પેટર્ન પ્રાપ્ત કરવા માટે એક આડી રીતે મેન્ડર સ્ટ્રીપ (એચએમએસ) ફીડ તકનીકનો પ્રસ્તાવ મૂકવામાં આવ્યો છે, જે સાર્વત્રિક અલ્ટ્રાહાઇ ફ્રીક્વન્સી (યુએચએફ) આરએફ ઓળખ (આરએફઆઇડી) એપ્લિકેશન્સ માટે યોગ્ય છે. એન્ટેના બે ખૂણામાં કાપવામાં આવેલા પેચ અને એચએમએસથી બનેલો છે, જે તમામ એફઆર 4 સબસ્ટ્રેટ્સની ઉપરની બાજુ પર છાપવામાં આવે છે. એચએમએસનો એક છેડો મુખ્ય પેચ સાથે એક ચકાસણી દ્વારા જોડાયેલ છે, જ્યારે અન્ય અંત એસએમએ કનેક્ટર સાથે જોડાયેલ છે. સિમ્યુલેશનના પરિણામોની સરખામણી માપ સાથે કરવામાં આવે છે અને સારા સમજૂતી પ્રાપ્ત થાય છે. માપન દર્શાવે છે કે એન્ટેનામાં આશરે 25.8% (758-983 મેગાહર્ટઝ) ની ઇમ્પેડન્સ બેન્ડવિડ્થ (VSWR <; 1.5) છે, આશરે 13.5% (838-959 મેગાહર્ટઝ) ની 3-dB અક્ષીય ગુણોત્તર (એઆર) બેન્ડવિડ્થ છે, અને 3-dB એઆર બેન્ડવિડ્થની અંદર આશરે 8.6 ડીબીક અથવા વધુની ગેઇન સ્તર છે. તેથી, પ્રસ્તાવિત એન્ટેના 840-955 મેગાહર્ટઝના યુએચએફ બેન્ડ પર કાર્યરત સાર્વત્રિક યુએચએફ આરએફઆઇડી વાચકો માટે સારો ઉમેદવાર હોઈ શકે છે. આ ઉપરાંત, સૂચિત એન્ટેનાના પરિમાણીય અભ્યાસ અને ડિઝાઇન માર્ગદર્શિકા પ્રસ્તુત કરવામાં આવે છે જેથી એન્જિનિયરોને આવા એન્ટેનાની રચના, ફેરફાર અને ઑપ્ટિમાઇઝ કરવા માટે માહિતી પૂરી પાડવામાં આવે. છેલ્લે, આરએફઆઇડી સિસ્ટમના કાર્યક્રમોમાં પ્રસ્તાવિત એન્ટેનાને માન્ય કરવામાં આવે છે. |
65077651b36a63d3ca4184137df348cc8b29776a | આર્મર પોલરાઇઝ્ડ (સીપી) રેડિયેશન અને રેડિયો ફ્રીક્વન્સી આઇડેન્ટિફિકેશન (આરએફઆઈડી) રીડર એપ્લિકેશન્સ માટે નવા અસમપ્રમાણતાવાળા પરિપત્ર આકારના સ્લોટેડ માઇક્રોસ્ટ્રીપ પેચ એન્ટેનાનો પ્રસ્તાવ મૂકવામાં આવ્યો છે. સિંગલ ફીડ રૂપરેખાંકન આધારિત અસમપ્રમાણતાવાળી પરિપત્ર આકારની સ્લોટ કરેલી ચોરસ માઇક્રોસ્ટ્રીપ પેચ કોમ્પેક્ટ પરિપત્રિક પોલરાઇઝ્ડ માઇક્રોસ્ટ્રીપ એન્ટેનાને સાકાર કરવા માટે અપનાવવામાં આવે છે. સીપી રેડિયેશન અને નાના એન્ટેના કદ માટે લંબચોરસ માઇક્રોસ્ટ્રીપ પેચ પર આડી દિશાઓ સાથે અસમપ્રમાણતાવાળી પરિપત્ર આકારની સ્લોટ (() સમપ્રમાણ રીતે સમાવિષ્ટ છે. સીપી રેડિયેશન સ્લોટ વિસ્તારો દ્વારા કર્ણ દિશાઓ સાથે સહેજ અસમપ્રમાણ (અસંતુલિત) પેચ દ્વારા પ્રાપ્ત કરી શકાય છે. એન્ટેનાના કદને વધુ ઘટાડવા માટે અસમપ્રમાણતાવાળા પરિપત્ર આકારના સ્લોટેડ પેચની ઓર્થોગોનલ દિશાઓ સાથે ચાર સમપ્રમાણ-સ્લિટ્સ પણ સમપ્રમાણ રીતે શામેલ છે. સીપી રેડિયેશનને યથાવત રાખતા સ્લિટ લંબાઈને બદલીને એન્ટેનાની ઓપરેટિંગ ફ્રીક્વન્સીને ટ્યુન કરી શકાય છે. RO4003C સબસ્ટ્રેટ પર એન્ટેના માટે 17.0 મેગાહર્ટઝની અવરોધકતા બેન્ડવિડ્થ સાથે આશરે 6.0 મેગાહર્ટઝની માપવામાં આવેલી 3-ડીબી અક્ષીય-પ્રમાણ (એઆર) બેન્ડવિડ્થ પ્રાપ્ત થાય છે. 900 મેગાહર્ટઝ પર કુલ એન્ટેનાનું કદ 0.27λo × 0.27λo × 0.0137λo છે. |
6f3ffb1a7b6cb168caeb81a23b68bbf99fdab052 | એક અસંતુલિત-ફીડ ક્રોસ એપરચર પરિપત્ર પોલરાઇઝેશન માટે ટૂંકા બેકફાયર એન્ટેના (એસબીએ) ઉત્તેજિત કરવા માટે વિકસાવવામાં આવે છે. ક્રોસ એપરચરમાં બે ઓર્થોગોનલ એચ આકારના સ્લોટ્સ છે જેમાં એક જોડી કેપેસિટીવ સ્ટબ્સ છે અને એક જ ચકાસણી દ્વારા આપવામાં આવે છે જે ટૂંકાપન પિન સાથે અસંતુલિત ફીડ બનાવે છે. તે દર્શાવવામાં આવ્યું છે કે ક્રોસ-એપર્ચર-પ્રેરિત એસબીએ 6.5% (વીએસડબલ્યુઆર <1.2) ની વોલ્ટેજ સ્ટેન્ડિંગ વેવ રેશિયો (વીએસડબલ્યુઆર) બેન્ડવિડ્થ સાથે 4.2% ની અક્ષીય ગુણોત્તર (લેસ 3 ડીબી) બેન્ડવિડ્થ પ્રાપ્ત કરી શકે છે અને 14 ડીબીઆઇનો લાભ મેળવી શકે છે. એન્ટેનાનું માળખું વર્ણવવામાં આવ્યું છે અને સિમ્યુલેશન અને પ્રાયોગિક પરિણામો રજૂ કરવામાં આવ્યા છે. પ્રતિરોધકતા મેળ ખાતી અને પરિપત્ર-ધ્રુવીકરણ ઉત્પાદન માટેની પદ્ધતિઓનું વિશ્લેષણ કરવામાં આવે છે |
838b107445e72d903f2217946c73a5d3d1e4344e | આ કાગળ વૈશ્વિક સ્થિતિ ઉપગ્રહ (જીપીએસ) એપ્લિકેશન્સ માટે એક એપરચર-જોડાયેલ પરિપત્રિક રીતે ધ્રુવીકૃત એન્ટેનાની ડિઝાઇન અને પરીક્ષણનું વર્ણન કરે છે. એન્ટેના 1575 અને 1227 મેગાહર્ટઝની L1 અને L2 બંને આવર્તન પર કામ કરે છે, જે મહત્તમ સ્થિતિ ચોકસાઈ પૂરી પાડવા માટે વિભેદક જીપીએસ સિસ્ટમ્સ માટે જરૂરી છે. આ એન્ટેના માટે ઇલેક્ટ્રિકલ પ્રદર્શન, લો પ્રોફાઇલ અને ખર્ચ સમાન મહત્વપૂર્ણ જરૂરિયાતો હતા. ડિઝાઇન પ્રક્રિયાની ચર્ચા કરવામાં આવે છે, અને માપવામાં આવેલા પરિણામો રજૂ કરવામાં આવે છે. ઉત્પાદન સંવેદનશીલતા વિશ્લેષણના પરિણામો પણ સામેલ છે. |
9639aa5fadb89ea5e8362dad52082745012c90aa | બ્રોડબેન્ડ 90 ડિગ્રી શિફમેન તબક્કા શિફ્ટર ધરાવતો એક નવલકથા 90 ડિગ્રી બ્રોડબેન્ડ બલૂન રજૂ કરવામાં આવે છે, જે ડ્યુઅલ-ફીડ પ્રકાર માઇક્રોસ્ટ્રીપ એન્ટેનાના બ્રોડબેન્ડ પરિપત્ર પોલરાઇઝેશન પ્રદર્શનને વધારવા માટેનો એક સાધન છે. પ્રસ્તાવિત 90 ડિગ્રી બ્રોડબેન્ડ બેલૂન સારી ઇમ્પેડન્સ મેચિંગ, સંતુલિત પાવર સ્પ્લિટિંગ અને વ્યાપક બેન્ડવિડ્થ (~ 57.5%) પર સતત 90 ડિગ્રી (વત્તા mn5 ડિગ્રી) તબક્કાની શિફ્ટિંગ પ્રદાન કરે છે. પ્રસ્તાવિત 90 ડિગ્રી બ્રોડબેન્ડ બેલૂનનો ઉપયોગ કરીને પરિપત્ર પેચ એન્ટેનાને ડ્યુઅલ એલ-સોન્ડ કેસ માટે અનુક્રમે 60.24% અને 37.7% ની માપવામાં આવેલી પ્રતિરોધકતા (એસ 11< -10 ડીબી) અને અક્ષીય ગુણોત્તર (એઆર < 3 ડીબી) બેન્ડવિડ્થ પ્રાપ્ત કરવા માટે દર્શાવવામાં આવ્યું છે; અને ચોથા એલ-સોન્ડ કેસ માટે અનુક્રમે 71.28% અને 81.6%. |
a6a0384d7bf8ddad303034fe691f324734409568 | આ કાગળમાં યુરોપિયન કંપનીઓમાં બિઝનેસ પ્રોસેસ મેનેજમેન્ટ (બીપીએમ) ની સમજ અને તેનાં ઉપયોગ અંગેના સર્વેક્ષણ અને કેસ સ્ટડીના તારણો પર અહેવાલ આપવામાં આવ્યો છે. પ્રક્રિયાના પરિપ્રેક્ષ્યને વધુને વધુ પ્રદર્શન સુધારણા દ્વારા સ્પર્ધાત્મક લાભ પ્રાપ્ત કરવા માટેની પદ્ધતિ તરીકે જોવામાં આવે છે અને બજારના દબાણ, વધુ સારી અને વધુ વિશ્વસનીય સેવા માટેની ગ્રાહક અપેક્ષાઓ અને વધતી સ્પર્ધાના પ્રતિભાવમાં. અમે તમને જણાવીશું કે યુરોપિયન કંપનીઓ માટે બીએમએનું મહત્વ કેટલું છે, તેમના માટે તેનો શું અર્થ છે અને તેઓ વ્યવહારમાં શું કરી રહ્યા છે. આ કાગળ યુરોપિયન ફાઉન્ડેશન ફોર ક્વોલિટી મેનેજમેન્ટ (ઇએફક્યુએમ) ના સભ્યો સંસ્થાઓમાં ગુણવત્તા નિર્દેશકો અને બિઝનેસ પ્રોસેસ મેનેજરો સાથે હાથ ધરવામાં આવેલા એક પોસ્ટલ સર્વેક્ષણ પર આધારિત છે અને કેટલાક સંસ્થાઓમાં કેસ સ્ટડીઝ છે જે બીપીએમને અપનાવવા માટે અગ્રણી માનવામાં આવે છે. આ અભ્યાસથી કેટલાક રસપ્રદ અભિગમોને પ્રકાશિત કરવામાં મદદ મળી છે અને એવી વિશેષતાઓ બહાર આવી છે જે BPMને સફળ બનાવવા માટે મહત્વપૂર્ણ છે. વ્યવસાય પ્રક્રિયા વ્યવસ્થાપન (બીએપીએમ) ની મુશ્કેલીઓમાંની એક પરિભાષા છે. પ્રક્રિયા શબ્દ ઘણી શાખાઓમાં મળી શકે છે જે મેનેજમેન્ટ સાહિત્યમાં સંગઠનોની આપણી સમજણમાં ફાળો આપે છે. એક ઓપરેશનલ દ્રષ્ટિકોણ ગુણવત્તા સુધારણા (ડેમિંગ, 1986), કુલ ગુણવત્તા વ્યવસ્થાપન (ઓકલેન્ડ, 1989) અને જસ્ટ-ઇન-ટાઇમ (હેરિસન, 1992) ની વિભાવનામાં જોવા મળે છે. સિસ્ટમ્સ થિંકિંગ (જેન્કિન્સ, 1971; ચેકલેન્ડ, 1981), સાયબરનેટિક્સ (બીઅર, 1966) અને સિસ્ટમ્સ ડાયનામિક્સ (સેંગે, 1990) આ શબ્દને વધુ સમૃદ્ધ અર્થ આપે છે. સંગઠનાત્મક સિદ્ધાંતવાદીઓએ સામાજિક અને સંગઠનાત્મક પ્રક્રિયાઓની દ્રષ્ટિએ પણ વાત કરી છે (બ્યુરેલ અને મોર્ગન, 1979; મોંગ, 1990). આ પૂર્વવર્તીઓની ઉપયોગી સમીક્ષા પેપાર્ડ અને પ્રીસ (1995) દ્વારા પૂરી પાડવામાં આવી છે. વર્તમાન અભ્યાસનું કેન્દ્ર જે ક્ષેત્ર છે તે તાજેતરના અભિગમોમાંથી વિકસિત થાય છે જે કુલ ગુણવત્તા અથવા બિઝનેસ એક્સેલન્સ મોડેલોમાં મેનેજમેન્ટલ વિચારસરણીને જોડીને સંસ્થાકીય અસરકારકતામાં સુધારો કરવા માગે છે. આ મુખ્યત્વે પ્રેક્ટિશનર દ્વારા સંચાલિત છે અને શૈક્ષણિક સિદ્ધાંતમાં આધારિત નથી. ઉદાહરણોમાં યુરોપિયન ફાઉન્ડેશન ફોર ક્વોલિટી મેનેજમેન્ટ (ઇએફક્યુએમ) મોડેલ (હેક્સ, 1995) અને માલ્કમ બાલ્ડ્રિજ નેશનલ ક્વોલિટી એવોર્ડ મોડેલ (એમબીએનક્યુએ) (જ્યોર્જ, 1992) નો સમાવેશ થાય છે. જ્યારે આ મોડેલો સંસ્થાકીય અસરકારકતાના મલ્ટી-ફેક્ટરીયલ અને મલ્ટી-કન્સ્ટિટ્યુએન્સી મોડેલોને અપનાવે છે, તેઓ આવશ્યકપણે ધ્યેય આધારિત રહે છે (કેમેરોન, 1986). તેઓ એક મજબૂત ઓપરેશનલ ફ્રેમવર્કમાંથી પણ વિકસિત થયા છે અને ઘણી વખત રોયલ મેઇલના બોબ ડાર્ટ, સિમોન મચીન અને ટોની ગ્રાન્ટનો આભાર માનીએ છીએ. અમે અમારા સંશોધનના વિવિધ તબક્કા દરમિયાન ઇએફક્યુએમ, રેન્ક ઝેરોક્સ, બ્રિટીશ ટેલિકોમ, ટીએનટી અને નોર્ટલની સહાયતા માટે પણ આભારી છીએ. S E L C U K U N IV E R SI T Y A t 0 2: 52 0 8 ફેબ્રુઆરી 2 01 5 (પી ટી) યુરોપિયન બિઝનેસ 11 બિઝનેસ પ્રક્રિયા પુનઃ એન્જિનિયરિંગ (હેમર, 1990) થી પાઠ તેઓ મૂલ્ય સાંકળ વિશ્લેષણ (પોર્ટર, 1985) ના મજબૂત પ્રક્રિયા લક્ષી વ્યૂહાત્મક વિચારસરણીથી પ્રભાવિત થયા છે અને તેઓ કંપનીના સંસાધન આધારિત દ્રષ્ટિકોણને સમાવી લે છે (ગ્રાન્ટ, 1991). આ મોડેલોનો ઉપયોગ કાર્યક્ષમતાની બહાર પ્રક્રિયાઓની તરફેણમાં કાર્યોના મૂલ્યનું પુનઃ મૂલ્યાંકન કરીને વ્યૂહાત્મક સ્તરે સંસ્થાના ડિઝાઇનને પ્રશ્નાર્થમાં લઈ શકે છે (ગોશાલ અને બાર્ટલેટ, 1995; ગેલ્બ્રેથ, 1995). જો કે, ઇએફક્યુએમ કે એમબીએનક્યુએ બીપીએમને કેવી રીતે જમાવવું તે અંગે સીધી માર્ગદર્શન આપતું નથી. અભિગમોમાં ઘણીવાર બિઝનેસ પ્રક્રિયાઓને ઓળખવા અને તેમને ઓપરેશનલ, સહાયક અથવા દિશા નિર્ધારણ તરીકે વર્ગીકૃત કરવાના પ્રયાસોનો સમાવેશ થાય છે. આ પ્રવૃત્તિ ઘણી વખત વિવિધ પદ્ધતિઓનો ઉપયોગ કરીને સલાહકારો દ્વારા સરળ બનાવવામાં આવે છે પરંતુ સામાન્ય રીતે ઓછામાં ઓછા સંસ્થાના ઉચ્ચતમ સ્તરે પ્રક્રિયા મેપિંગના પાસાઓનો સમાવેશ થાય છે. એવા પુરાવા છે કે પ્રક્રિયાના નમૂનાને અપનાવવા ઓછામાં ઓછા વરિષ્ઠ મેનેજરો દ્વારા તરફેણ કરવામાં આવે છે (ગાર્વિન, 1995), જોકે તે કોઈ પણ રીતે સ્પષ્ટ નથી કે આ સંસ્થાઓમાં વ્યાપકપણે ધારણા છે. જ્યારે BPMમાં સારી પ્રથાના પાસાંઓ પર ધ્યાન આપવું શક્ય છે, ઓછામાં ઓછું ઓપરેશનલ સ્તરે (આર્મિસ્ટેડ, 1996), અમે જાણતા નથી કે સંસ્થાઓ વ્યવહારમાં ખ્યાલને કેવી રીતે લાગુ કરે છે અને તેઓ BPM અભિગમના મુખ્ય ઘટકો તરીકે શું શોધી કાઢે છે. પદ્ધતિ સંશોધનનો ઉદ્દેશ બીએમએમની વધુ સારી સમજણ વિકસાવવાનો હતો અને તે કેવી રીતે સંસ્થાકીય અસરકારકતા પ્રાપ્ત કરવા માટેનો માર્ગ તરીકે લાગુ કરી શકાય છે. અમે ખાસ કરીને એ જાણવા માટે રસ ધરાવીએ છીએ કે કેવી રીતે કંપનીઓ પ્રક્રિયા સુધારણા તકનીકોના ઉપયોગને બદલે તેમના સમગ્ર સંગઠનને સંચાલિત કરવાની રીત તરીકે બિઝનેસ પ્રક્રિયા પરિપ્રેક્ષ્યનો ઉપયોગ કરે છે. ખાસ કરીને અમે નીચેના પ્રશ્નોની શોધ કરી છે: યુરોપિયન મેનેજરો માટે BPM કેટલું મહત્વનું છે? . . . . . . શું યુરોપીયન સંગઠનોમાં BPMની સામાન્ય સમજ છે? . . . . . . યુરોપિયન સંસ્થાઓ વ્યવહારમાં BPM કેવી રીતે લાગુ કરે છે? આ પ્રશ્નોના જવાબ આપતા અમે આશા રાખીએ છીએ કે સંસ્થાઓ કેવી રીતે BPMને વિભાવનાત્મક બનાવે છે અને વ્યૂહરચનાની રચના અને જમાવટ બંનેની દ્રષ્ટિએ અન્યને પ્રબુદ્ધ કરવા માટે તેમના અનુભવો પર દોરવા માટે પ્રકાશ પાડશે. આ પેપરમાં સંશોધનનાં તારણોની ચર્ચા કરવામાં આવી છે અને તેમાંથી શું શીખવા જેવું છે તે સૂચવવામાં આવ્યું છે. અમારા સંશોધન દરમિયાન અમે કેસ સ્ટડી સામગ્રીનો સમૃદ્ધ ડેટાબેક બનાવ્યો છે. કેસ સ્ટડીઝ એક ખુલ્લા અંતવાળા ઇન્ટરવ્યૂ ફોર્મેટનો ઉપયોગ કરીને સંકલિત કરવામાં આવ્યા છે, જ્યાં વરિષ્ઠ અધિકારીઓને (સામાન્ય રીતે ગુણવત્તા ડિરેક્ટર અથવા બિઝનેસ પ્રોસેસ મેનેજર) તેમના સંગઠનના BPM અભિગમ પર વિસ્તૃત કરવા માટે આમંત્રિત કરવામાં આવ્યા છે. આ મુલાકાતને રેકોર્ડ અને ટ્રાન્સક્રિપ્ટ કરવામાં આવી હતી અને વિભાવનાઓને ઓળખવા માટે એક જ્ઞાનાત્મક નકશો વિકસાવવામાં આવ્યો હતો. કેટલાક કિસ્સાઓમાં, ઇન્ટરવ્યુમાંથી મળેલ માહિતીને ઇએફક્યુએમ મોડેલ સામે આંતરિક સ્વ-મૂલ્યાંકન માટે ઉપયોગમાં લેવાતી સામગ્રી દ્વારા પૂરક બનાવવામાં આવી હતી. સંસ્થાઓને સામાન્ય રીતે પસંદ કરવામાં આવી હતી કારણ કે તેઓ બીપીએમ અભિગમો અપનાવવા માટે જાણીતા હતા. આ કાગળમાં ખાસ કરીને રેન્ક ઝેરોક્સ, નોર્ટલ, બ્રિટિશ ટેલિકોમ અને ટી.એન.ટી. સાથેના કેસ સ્ટડીઝનો ઉલ્લેખ કરવામાં આવ્યો છે, જે તમામ યુરોપિયન ક્વોલિટી એવોર્ડ્સના કોઈક સ્વરૂપમાં (સીધા અથવા પેટાકંપનીઓ દ્વારા) વિજેતા છે. S E L C U K U N IV E R SI T Y A t 0 2: 52 0 8 ફેબ્રુઆરી 2 01 5 (પી ટી) |
eb448bb53372d14df4113f04fee813307f24d049 | આ કાગળમાં ડિઝાઇન પ્રક્રિયા તેમજ 2.45 ગીગાહર્ટ્ઝ 10 μW વાયરલેસ એનર્જી હાર્વેસ્ટર (WEH) ની પ્રાયોગિક કામગીરીનું વર્ણન કરવામાં આવ્યું છે, જેમાં 1 μW/cm2 ઘટના પાવર ડેન્સિટી પર મહત્તમ કુલ કાર્યક્ષમતા ≈ 30% છે. વીઇએચમાં ફોલ્ડ્ડ ડાયપોલ સાથે શન્ટ હાઇ-સ્પીડ રેક્ટિફાઇંગ ડાયોડનો સમાવેશ થાય છે. મેટલ રિફ્લેક્ટર રેક્ટેનાના ગેઇનને વધારે છે અને ચોથા તરંગલંબાઇની વિભેદક રેખાને ગૂંચવણ તરીકે ઉપયોગમાં લેવાય છે. એક VDI WVD અને એક સ્કાયવર્કસ GaAs Schottky ડાયોડ બંને એન્ટેના સાથે સંકલિત છે અને તેમની કામગીરીની તુલના કરવામાં આવે છે. |
21c2bd08b2111dcf957567b98e1c8dcad652e3dd | પરિબળ વિશ્લેષણ સાહિત્યમાં પરિબળ ઉકેલો મેળવવા માટે જરૂરી ન્યૂનતમ નમૂનાના કદ અંગેની શ્રેણીબદ્ધ ભલામણોનો સમાવેશ થાય છે જે પર્યાપ્ત સ્થિર છે અને જે વસ્તી પરિબળોને નજીકથી અનુરૂપ છે. આ મુદ્દા વિશે એક મૂળભૂત ગેરસમજ એ છે કે ન્યૂનતમ નમૂનાનું કદ, અથવા નમૂનાના કદના ન્યૂનતમ ગુણોત્તરને ચલોની સંખ્યામાં, અભ્યાસોમાં અસ્થિર છે. હકીકતમાં, જરૂરી નમૂનાનું કદ કોઈ પણ અભ્યાસના કેટલાક પાસાઓ પર આધારિત છે, જેમાં ચલોના સામાન્યતાના સ્તર અને પરિબળોના વધુ પડતા નિર્ધારણનું સ્તર શામેલ છે. લેખકોએ એક સૈદ્ધાંતિક અને ગાણિતિક માળખું રજૂ કર્યું છે જે આ અસરોને સમજવા અને આગાહી કરવા માટે એક આધાર પૂરો પાડે છે. કૃત્રિમ ડેટાનો ઉપયોગ કરીને નમૂના અભ્યાસ દ્વારા પૂર્વધારણાની અસરોની ચકાસણી કરવામાં આવે છે. પરિણામો સામાન્ય નિયમોની માન્યતાની અભાવ દર્શાવે છે અને પરિબળ વિશ્લેષણમાં નમૂનાના કદ માટે માર્ગદર્શિકા સ્થાપિત કરવા માટેનો આધાર પૂરો પાડે છે. |
994c88b567703f76696ff29ca0c5232268d06261 | હાઈપર એન્ડ્રોજેનિઝમ ધરાવતી મહિલાઓની મહિલાઓની રમતમાં સ્પર્ધા કરવાની યોગ્યતાની નીતિઓને નિયંત્રિત કરવા માટે કેટલાક મુખ્ય રમત-ગમત સંચાલિત સંસ્થાઓ દ્વારા તાજેતરમાં અમલીકરણ કરવામાં આવ્યું છે, જેણે ઘણું ધ્યાન ખેંચ્યું છે અને તે હજુ પણ વિવાદાસ્પદ મુદ્દો છે. આ ટૂંક લેખ વિવાદના બે મુખ્ય વિષયોને સંબોધિત કરે છેઃ હાલના વૈજ્ઞાનિક આધાર જે ઉચ્ચ રક્ત ટી સ્તરોમાં ઉચ્ચતમ મહિલા એથ્લેટ્સમાં પ્રભાવ વધારવા માટે સમર્થન આપે છે, અને આ નીતિઓ વિશે નૈતિક તર્ક અને વિચારણાઓ. જન્મજાત અને હસ્તગત હાયપરએન્ડ્રોજેનિક શરતો અને ઉચ્ચ સ્તરીય મહિલા રમતોમાં તેમની પ્રચલિતતા વિશે તાજેતરમાં પ્રકાશિત ડેટાને ધ્યાનમાં રાખીને, અમે દાવો કરીએ છીએ કે એન્ડ્રોજનનું ઉચ્ચ સ્તર પોતે જ પ્રભાવ વધારવાનું છે. ક્લિનિકલ અને બાયોલોજિકલ હાયપરએન્ડ્રોજેનિઝમ ધરાવતી સ્ત્રીઓને નિયમન કરવું એ ટીકા માટે આમંત્રણ છે કારણ કે વાસ્તવિક દુનિયામાં જાતિના જૈવિક પરિમાણોને માત્ર બે કેટેગરીમાં વ્યવસ્થિત રીતે વહેંચવામાં આવતાં નથી. જો કે, તમામ રમતવીરોને સમાન સ્પર્ધાત્મક ક્ષેત્રની બાંયધરી આપવા માટે શ્રેષ્ઠ પ્રયાસો કરવાની જવાબદારી રમત-ગમત સંચાલિત સંસ્થાઓની છે. રમતગમતમાં હાયપરએન્ડ્રોજેનિઝમ અંગેની નીતિઓ વિશેની ચર્ચાઓને અસ્પષ્ટ ન કરવા માટે, રમતગમતની પાત્રતા અને ઉપચારાત્મક વિકલ્પોના મુદ્દાઓ હંમેશા અલગથી વિચારણા અને સમજાવી શકાય છે, ભલે તે ઓવરલેપ થઈ શકે. છેલ્લે, વર્તમાન નીતિઓને સુધારવા માટે કેટલાક પ્રસ્તાવો આ લેખમાં કરવામાં આવે છે. |
391d9ef4395cf2f69e7a2f0483d40b6addd95888 | આ કાગળમાં, અમે ટ્વિટર સંદેશાઓ (ટ્વીટ્સ) પર લાગણીઓને આપમેળે શોધી કાઢવા માટે એક અભિગમ પ્રસ્તાવિત કરીએ છીએ જે ટ્વીટ્સ કેવી રીતે લખવામાં આવે છે અને આ સંદેશાઓ બનાવતી શબ્દોની મેટા-માહિતીની કેટલીક લાક્ષણિકતાઓનું અન્વેષણ કરે છે. વધુમાં, અમે અમારા તાલીમ ડેટા તરીકે ઘોંઘાટીયા લેબલ્સના સ્ત્રોતોનો લાભ લઈએ છીએ. આ ઘોંઘાટીયા લેબલ્સ ટ્વિટર ડેટા પર કેટલીક સેન્ટિમેન્ટ ડિટેક્શન વેબસાઇટ્સ દ્વારા પ્રદાન કરવામાં આવી હતી. અમારા પ્રયોગોમાં, અમે બતાવીએ છીએ કે અમારા લક્ષણો ટ્વીટ્સના વધુ અમૂર્ત પ્રતિનિધિત્વને પકડી શકે છે, અમારા ઉકેલ અગાઉના લોકો કરતાં વધુ અસરકારક છે અને પૂર્વગ્રહ અને ઘોંઘાટીયા ડેટાના સંદર્ભમાં વધુ મજબૂત છે, જે આ પ્રકારનાં ડેટા દ્વારા પ્રદાન કરવામાં આવે છે |
09779ea94f0035c1e5d5cf75f7dfca8c7966a17b | આ કાગળમાં, સપાટ, કોમ્પેક્ટ, સિંગલ-સબસ્ટ્રેટ, મલ્ટીબેન્ડ 2 સેટ્સ 2-એલિમેન્ટ્સ દરેક મલ્ટીપલ-ઇનપુટ-મલ્ટીપલ-આઉટપુટ (એમઆઇએમઓ) એન્ટેના સિસ્ટમ રજૂ કરવામાં આવે છે. એમઆઇએમઓ એન્ટેના સિસ્ટમમાં એલટીઇ બેન્ડ (698 એમએચઝેડ - 813 એમએચઝેડ) ને આવરી લેવા માટે ટ્યુનેબલ 2-એલિમેન્ટ મેન્ડર્ડ અને ફોલ્ડ કરેલ એમઆઇએમઓ એન્ટેના અને 754 એમએચઝેડ - 971 એમએચઝેડ, 1.65-1.83 જીએચઝેડ અને 2-3.66 જીએચઝેડને આવરી લેવા માટે કોમ્પેક્ટ 2-એલિમેન્ટ મોડિફાઇડ ટ્રંકટેડ ક્યુબ બ્રોડબેન્ડ એન્ટેનાનો સમાવેશ થાય છે. આ એન્ટેનાનું ગ્રાઉન્ડ પ્લેન 0.76-1.92 ગીગાહર્ટ્ઝ અને 3.0-5.2 ગીગાહર્ટ્ઝમાં કાર્યરત સેન્સિંગ એન્ટેના તરીકે વર્તે છે. ઉપલા બેન્ડ એન્ટેના 0.728-1.08 ગીગાહર્ટ્ઝ, 1.64-1.84 ગીગાહર્ટ્ઝ, 2.1-3.69 ગીગાહર્ટ્ઝ અને 5.01-5.55 ગીગાહર્ટ્ઝ રેન્જમાં કાર્ય કરે છે, જેથી જ્ઞાનાત્મક રેડિયો (સીઆર) અને ઇન્ટરનેટ ઓફ થિંગ્સ (આઇઓટી) એપ્લિકેશન્સ માટે સંપૂર્ણ એન્ટેના પ્લેટફોર્મ વિકસિત કરી શકાય. એન્ટેના 65 × 120 × 1.56 એમએમ 3 ના પરિમાણોના ઓછા ખર્ચે એફઆર -4 સબસ્ટ્રેટ (ε <inf> r <inf> = 4.4 ટેનδ = 0.02) પર બનાવવામાં આવે છે. |
5b110494639f71fa8354e61af04c0cb5e8bbae70 | આ કાગળમાં, અમે જ્ઞાનાત્મક-રેડિયો-આધારિત જામર્સની જામિંગ ક્ષમતા અને જ્ઞાનાત્મક રેડિયો નેટવર્ક્સ (સીઆરએન) ની વિરોધી જામિંગ ક્ષમતા બંનેનો અભ્યાસ કરીએ છીએ, બહુવિધ બિન-સહયોગી જામર્સ અને સ્વતંત્ર રેલી ફ્લેટ-ફેડિંગ પ્રચારને ધ્યાનમાં રાખીને. સીઆરએન ટ્રાન્સમિશનનું માર્કોવ મોડેલ એન્ટિ-જૉમિંગ પ્રદર્શનના ક્રોસ-લેયર વિશ્લેષણ માટે સેટ કરવામાં આવ્યું છે. સંક્રમણ સંભાવનાઓ એક સ્માર્ટ જામિંગ હુમલો વ્યૂહરચના ધ્યાનમાં લઈને વિશ્લેષણાત્મક રીતે મેળવવામાં આવે છે. સરેરાશ થ્રુપુટ અભિવ્યક્તિ મેળવવામાં આવે છે અને સિમ્યુલેશન દ્વારા ચકાસાયેલ છે. પરિણામો દર્શાવે છે કે સીઆરએન સંચાર સીઆરએન સ્પેક્ટ્રમ સેન્સિંગ અને ચેનલ સ્વિચિંગ પ્રક્રિયાઓને લક્ષ્ય બનાવતી સ્માર્ટ જામિંગ હુમલાઓ માટે અત્યંત સંવેદનશીલ હોઈ શકે છે. |
b8aae299e926d8e6f547faea4b90619fc6361146 | |
36638aff184754db62547b75bade8fa2076b1b19 | અમે ક્રેડિટ સ્કોરકાર્ડ્સ બનાવવા માટે પ્રબળ પદ્ધતિની સરખામણીમાં રીઅલ એડાબૂસ્ટનો વિરોધ કરીશુંઃ પુરાવા લોજિસ્ટિક રીગ્રેસન (એસડબલ્યુઇએલઆર) નું પગલું વજન. રીઅલ એડેબૂસ્ટ એ એસડબલ્યુઓઈએલઆર (SWOELR) જેવું જ છે અને એસડબલ્યુઓઈએલઆર (SWOELR) મોડેલો માટે એક બેંચમાર્ક તરીકે સેવા આપવા માટે સારી સ્થિતિમાં છે; તે એક આંકડાકીય માળખું પણ પ્રદાન કરી શકે છે જેના દ્વારા આપણે એસડબલ્યુઓઈએલઆરની શક્તિને સમજી શકીએ છીએ. અમે એસએએસમાં રીઅલ એડેબૂસ્ટ મોડેલ્સ બનાવવા માટે મેક્રો ઓફર કરીએ છીએ. નાણાકીય સંસ્થાઓએ માર્કેટિંગ, છેતરપિંડીની ઓળખ, લોનનો નિર્ણય વગેરે માટે વિવિધ પ્રકારની મોડેલો વિકસાવવી પડશે. મશીન લર્નિંગની વિસ્ફોટના કારણે મોડેલિંગને તાજેતરમાં પુનરુજ્જીવન મળ્યું છે - અદ્યતન આંકડાકીય તકનીકોની ઉપલબ્ધતા, આ તકનીકો ચલાવવા માટે શક્તિશાળી કમ્પ્યુટર્સની સર્વવ્યાપકતા અને આ પદ્ધતિઓને અપનાવનાર કંપનીઓની સારી રીતે જાહેર કરેલી સફળતા દ્વારા (પાર્લોફ 2016) કેટલાક નાણાકીય સંસ્થાઓમાં મોડેલિંગ વિભાગો વિરોધી માંગનો સામનો કરે છેઃ અધિકારીઓ અદ્યતન પદ્ધતિઓના પ્રખ્યાત મૂલ્યમાંથી કેટલાક ઇચ્છે છે, જ્યારે સરકારી નિયમનકારો, આંતરિક જમાવટ ટીમો અને ફ્રન્ટ લાઇન સ્ટાફ મોડેલો ઇચ્છે છે જે અમલ, અર્થઘટન અને સમજવા માટે સરળ છે. આ કાગળમાં અમે રીઅલ એડાબૂસ્ટની સમીક્ષા કરીએ છીએ, મશીન લર્નિંગ તકનીક જે શક્તિશાળી, પરંતુ અપારદર્શક મશીન લર્નિંગ પદ્ધતિઓ અને પારદર્શક પરંપરાગત પદ્ધતિઓ વચ્ચે મધ્યમ જમીન પ્રદાન કરી શકે છે. કન્ઝ્યુમર રિસ્ક મોડલ્સ મોડેલિંગનું એક ક્ષેત્ર છે જ્યાં એફઆઇને ઘણીવાર શક્તિ અને પારદર્શિતા વચ્ચે સંતુલન શોધવું પડે છે તે ગ્રાહક જોખમ મોડેલિંગ છે. ગ્રાહક જોખમ મોડેલિંગમાં ગ્રાહકોની ક્રેડિટ યોગ્યતા (લોન ચૂકવવાની સંભાવના) દ્વારા રેન્કિંગ આપવાનો સમાવેશ થાય છેઃ પ્રથમ ગ્રાહક લાક્ષણિકતાઓ ઓળખવા કે જે અપરાધના જોખમને સૂચવે છે, અને પછી તેમને ગાણિતિક રીતે દરેક ગ્રાહક માટે સંબંધિત જોખમ સ્કોરની ગણતરી કરવા માટે (સામાન્ય લાક્ષણિકતાઓમાં શામેલ છેઃ ભૂતકાળમાં લોન અપરાધ, ઉચ્ચ ક્રેડિટ ઉપયોગ, વગેરે). ક્રેડિટ સ્કોરકાર્ડ્સ ગ્રાહક જોખમનાં મોડેલોને શક્ય તેટલા પારદર્શક રાખવા માટે, ઘણી એફઆઇએ આવશ્યક છે કે મોડેલનું અંતિમ આઉટપુટ સ્કોરકાર્ડના સ્વરૂપમાં હોય (કોષ્ટક 1 માં એક ઉદાહરણ બતાવવામાં આવ્યું છે). ક્રેડિટ સ્કોરકાર્ડ્સ ગ્રાહક જોખમ મોડેલોનું પ્રતિનિધિત્વ કરવાની એક લોકપ્રિય રીત છે કારણ કે તેમની સરળતા, વાંચનીયતા અને મોડેલિંગ પ્રક્રિયા દરમિયાન વ્યવસાયની કુશળતાને સરળતાથી સમાવી શકાય છે (માલ્ડોનાડો અને સહ. ૨૦૧૩) સ્કોરકાર્ડમાં સંખ્યાબંધ લાક્ષણિકતાઓની યાદી આપવામાં આવે છે જે જોખમને સૂચવે છે અને દરેક લાક્ષણિકતાને તે લાક્ષણિકતા માટે મૂલ્યોની શ્રેણી દ્વારા વ્યાખ્યાયિત કરવામાં આવેલા નાના સંખ્યામાં ડબ્બામાં વિભાજિત કરવામાં આવે છે (દા. ત. , ક્રેડિટ ઉપયોગિતાઃ 30-80% ક્રેડિટ ઉપયોગિતા લાક્ષણિકતા માટે ડબ્બા છે). દરેક બૅન્કને સ્કોર પોઈન્ટની સંખ્યા આપવામાં આવે છે, જે આંકડાકીય મોડેલમાંથી મેળવેલ મૂલ્ય છે અને તે બૅન્કના જોખમ સાથે પ્રમાણસર છે (એસએએસ 2012). એક ગ્રાહક દરેક લાક્ષણિકતા માટે એક અને માત્ર એક જ કબાટમાં આવશે અને અરજદારનો અંતિમ સ્કોર દરેક કબાટ દ્વારા સોંપવામાં આવેલા પોઇન્ટ્સનો સરવાળો છે (વત્તા એક ઇન્ટરસેપ્ટ). આ અંતિમ સ્કોર ગ્રાહક જોખમ સાથે પ્રમાણસર છે. સ્કોરકાર્ડ્સ વિકસાવવાની પ્રક્રિયાને પુરાવા લોજિસ્ટિક રીગ્રેસન (એસડબલ્યુઓઇએલઆર) નું પગલું વજન કહેવામાં આવે છે અને એસએએસ® એન્ટરપ્રાઇઝ માઇનર TM માં ક્રેડિટ સ્કોરિંગ એડ-ઓન માં અમલમાં મૂકવામાં આવે છે. એડેબોસ્ટ એ મશીન લર્નિંગ અલ્ગોરિધમનો છે જે નાના નિર્ણય વૃક્ષોની શ્રેણી બનાવે છે, દરેક વૃક્ષને અનુકૂળ કરે છે જેથી અગાઉના વૃક્ષો દ્વારા ચૂકી ગયેલા મુશ્કેલ કેસોની આગાહી કરી શકાય અને બધા વૃક્ષોને એક મોડેલમાં જોડી શકાય. અમે એડાબૂસ્ટ પદ્ધતિની ચર્ચા કરીશું અને રીઅલ એડાબૂસ્ટ નામના એક્સ્ટેંશનની રજૂઆત કરીશું. રીઅલ એડાબૂસ્ટ એક મજબૂત શૈક્ષણિક વંશાવળીમાંથી આવે છે: તેના લેખકો મશીન લર્નિંગના અગ્રણી છે અને પદ્ધતિમાં 15 વર્ષ સુધી સારી રીતે સ્થાપિત પ્રયોગાત્મક અને સૈદ્ધાંતિક સમર્થન છે. વ્યવહારિક રીતે કહીએ તો, રીઅલ એડેબૂસ્ટ વાંચી શકાય તેવા ક્રેડિટ સ્કોરકાર્ડ્સ ઉત્પન્ન કરવામાં સક્ષમ છે અને ચલ ક્રિયાપ્રતિક્રિયા અને અનુકૂલનશીલ, તબક્કા મુજબની બિંગિંગ સહિત આકર્ષક સુવિધાઓ પ્રદાન કરે છે. |
f89ee2c9c67858c00bd87df310994ff3a69de747 | આ સમસ્યા માટે, જોકે, સામાન્ય અભિગમ સંપૂર્ણપણે અપૂરતું હશે કારણ કે કોઈ પણ વાજબી ડિગ્રીની ચોકસાઈને θ ને અનુરૂપ બનાવવા માટે n ને અતિશય મોટી હોવાની જરૂર પડશે. ઉદાહરણ તરીકે, સરેરાશ આપણે n ≈ 2.7014 × 10 ને સેટ કરવું પડશે જેથી I નું માત્ર એક બિન-શૂન્ય મૂલ્ય મેળવી શકાય. સ્પષ્ટપણે આ અવ્યવહારુ છે અને n ની ઘણી ઓછી કિંમતનો ઉપયોગ કરવો પડશે. n ની ઘણી ઓછી કિંમતનો ઉપયોગ કરવો, જોકે, લગભગ અનિવાર્યપણે અંદાજમાં પરિણમશે, θ̂n = 0, અને આશરે વિશ્વાસ અંતરાલ [L, U ] = [0, 0]! તેથી નાનો અભિગમ કામ કરતું નથી. આપણે અત્યાર સુધી કોર્સમાં જે વેરિયન્સ ઘટાડવાની તકનીકોનો ઉપયોગ કરવાનો પ્રયાસ કરી શકીએ છીએ, પરંતુ તે થોડી મદદ કરશે, જો કોઈ હોય તો. |
a5366f4d0e17dce1cdb59ddcd90e806ef8741fbc | |
727a8deb17701dd07f4e74af37b8d2e8cb8cb35b | |
e99f72bc1d61bc7c8acd6af66880d9a815846653 | કૃષિ એ ભારતીયોની આવકનો મુખ્ય સ્રોત છે અને કૃષિએ ભારતના અર્થતંત્ર પર મોટી અસર કરી છે. વધુ સારી ઉપજ અને ગુણવત્તાયુક્ત ઉત્પાદન માટે પાકનો વિકાસ અપવાદરૂપે જરૂરી છે. ખેતી માટે યોગ્ય પરિસ્થિતિઓ અને યોગ્ય ભેજ ઉત્પાદન માટે મુખ્ય ભૂમિકા ભજવી શકે છે. મોટાભાગે સિંચાઈ એક છેડેથી બીજા છેડે વહેતી પરંપરાગત પદ્ધતિઓ દ્વારા કરવામાં આવે છે. આવા પુરવઠામાં ભેજનું સ્તર અલગ અલગ હોઈ શકે છે. આ કાગળમાં જમીન માટે માળખા સાથેની એક પ્રોગ્રામ વોટર સિસ્ટમનો પ્રસ્તાવ મૂકવામાં આવ્યો છે, જે જાતે જ કામ કરવાની મજૂરને ઘટાડશે અને પાણીના ઉપયોગને શ્રેષ્ઠ બનાવશે, પાકની ઉત્પાદકતામાં વધારો કરશે. આ સેટઅપને તૈયાર કરવા માટે, વાઇ-ફાઇ મોડ્યુલ સાથે ભેજ સેન્સર સાથે આર્ડિનો કીટનો ઉપયોગ કરવામાં આવે છે. અમારું પ્રાયોગિક સેટઅપ ક્લાઉડ ફ્રેમવર્ક સાથે જોડાયેલું છે અને ડેટા એક્વિઝિશન થઈ ગયું છે. ત્યારબાદ ક્લાઉડ સેવાઓ દ્વારા ડેટાનું વિશ્લેષણ કરવામાં આવે છે અને યોગ્ય ભલામણો આપવામાં આવે છે. |
e4e9e923be7dba92d431cb70db67719160949053 | |
797f359b211c072a5b754e7a8f48a3b1ecf9b8be | ફ્લોરિડાના ટિંડલ એરબેઝમાં રાઈટ લેબોરેટરીએ વિવિધ રોબોટિક વાહનો માટે સ્વયં સંચાલિત નેવિગેશન સિસ્ટમ્સ વિકસાવવા માટે ફ્લોરિડા યુનિવર્સિટી સાથે કરાર કર્યો છે, જે બોમ્બ અને ખાણોના સ્થાન અને દૂર કરવા સાથે સંકળાયેલા કાર્યો કરવા સક્ષમ છે. આમાંનું એક કાર્ય છે, અવિસ્ફોટિત દફનાવેલા દારૂગોળો માટે બંધ લક્ષ્ય શ્રેણીનું સર્વેક્ષણ કરવું. આ કાર્ય માટે પાથ ફોલોઇંગમાં ચોકસાઈ નિર્ણાયક છે. હાલમાં સેંકડો એકર છે જેનું સર્વેક્ષણ જરૂરી છે. આ સાઇટ્સને સામાન્ય રીતે પ્રદેશોમાં વહેંચવામાં આવે છે, જ્યાં દરેક મિશન 4.5 કલાક સુધીનો સમય લાગી શકે છે. આ સાઇટ્સ સામાન્ય રીતે સમાંતર પંક્તિઓ સાથે સર્વેક્ષણ કરવામાં આવે છે. માર્ગની ચોકસાઈમાં સુધારો કરીને, પંક્તિઓ વચ્ચેનું અંતર લગભગ જમીન-પ્રેષક સેન્સરની શોધ પહોળાઈ સુધી વધારી શકાય છે, જેના પરિણામે મિશન દીઠ સર્વેક્ષણ ક્ષેત્રોમાં વધારો થાય છે. આ કાગળ ઉચ્ચ-સ્તરના પીઆઇડી અને શુદ્ધ અનુસરણ સ્ટીયરિંગ નિયંત્રકનું મૂલ્યાંકન કરે છે. નિયંત્રકોને વજનિત દ્રાવણમાં જોડવામાં આવ્યા હતા જેથી દરેક નિયંત્રકની ઇચ્છનીય લાક્ષણિકતાઓ જાળવી રાખવામાં આવે. આ વ્યૂહરચનાને સિમ્યુલેશનમાં દર્શાવવામાં આવી હતી અને નેવિગેશન ટેસ્ટ વ્હીકલ (એનટીવી) પર અમલમાં મૂકવામાં આવી હતી. વિવિધ વક્રતાના પરીક્ષણ પાથ માટે, 1.34 એમઆઇએસની વાહન ઝડપ પર સરેરાશ બાજુની નિયંત્રણ ભૂલ 2 સે. મી. હતી. |
0dd6795ae207ae4bc455c9ac938c3eebd84897c8 | આ દિવસોમાં કોમ્પ્યુટેશનલ ભાષાશાસ્ત્રમાં $ 64,000 પ્રશ્ન છેઃ "મારા માટે આંકડાકીય કુદરતી ભાષા પ્રક્રિયા વિશે જાણવા માટે શું વાંચવું જોઈએ? " મને આ પ્રશ્ન વારંવાર પૂછવામાં આવ્યો છે, અને દરેક વખતે મેં મૂળભૂત રીતે સમાન જવાબ આપ્યો છેઃ આ વિષયને સીધી રીતે સંબોધિત કરતું કોઈ ટેક્સ્ટ નથી, અને શ્રેષ્ઠ વ્યક્તિ શું કરી શકે છે તે એક સારી સંભાવના-સિદ્ધાંત પાઠ્યપુસ્તક અને એક સારી માહિતી-સિદ્ધાંત પાઠ્યપુસ્તક છે, અને તે ગ્રંથોને પરિષદના કાગળો અને જર્નલ લેખોની વિવિધતા સાથે પૂરક છે. આ જવાબથી નિરાશા અનુભવાઇ હતી, પરંતુ મને એ જાણીને આનંદ થયો કે આખરે કોઈએ આ વિષય પર પુસ્તક લખ્યું છે. જો કે, યુજીન ચાર્નીઆકની આંકડાકીય ભાષા શીખવાની વાંચ્યા પછી, આ પુસ્તકની સતત વધતી જતી આંકડાકીય એનએલપી ક્ષેત્ર પરની અસર વિશે મારી ખૂબ જ મિશ્ર લાગણીઓ છે. આ પુસ્તક એનએલપી (પ્રકરણ 1) માટે ક્લાસિક કૃત્રિમ બુદ્ધિ અભિગમનું સંક્ષિપ્ત વર્ણન સાથે શરૂ થાય છે, જેમાં મોર્ફોલોજી, વાક્યરચના, સિમેન્ટીક્સ અને પ્રાગ્મેટિક્સનો સમાવેશ થાય છે. તે સંભાવના સિદ્ધાંત અને માહિતી સિદ્ધાંત (પ્રકરણ 2) માંથી કેટલીક વ્યાખ્યાઓ રજૂ કરે છે, પછી છુપાયેલા માર્કોવ મોડેલો (પ્રકરણ 3-4) અને સંભાવનાત્મક સંદર્ભ-મુક્ત વ્યાકરણ (પ્રકરણો 5-6) રજૂ કરે છે. આ પુસ્તકનો અંત આંકડાકીય ભાષા શીખવાની અદ્યતન વિષયો પર ચર્ચા કરતા કેટલાક પ્રકરણો સાથે થાય છે, જેમ કે વ્યાકરણનું અનુકરણ (પ્રકરણ 7), વાક્યરચનાનું વિસંવાદિતા (પ્રકરણ 8), શબ્દ સમૂહ (પ્રકરણ 9), અને શબ્દ અર્થ વિસંવાદિતા (પ્રકરણ 10). તેના ક્રેડિટ માટે, પુસ્તક એનએલપીમાં આંકડાકીય મોડેલિંગની રસપ્રદ લોકપ્રિય ચર્ચા તરીકે સેવા આપે છે. તે સારી રીતે લખાયેલું અને મનોરંજક છે, અને મર્યાદિત ગણિતની પૃષ્ઠભૂમિ સાથે વાચક માટે ખૂબ સુલભ છે. આ પુસ્તકમાં આંકડાકીય એનએલપીના વિષયોની સારી પસંદગી છે, જેથી વાચકને આ ક્ષેત્રની જાણકારી મળી શકે. અને છુપાયેલા માર્કોવ મોડેલો માટે આગળ-પાછળ અલ્ગોરિધમનો અને સંભાવનાત્મક સંદર્ભ-મુક્ત વ્યાકરણ માટે અંદર-બહાર અલ્ગોરિધમનો વર્ણન સાહજિક અને અનુસરવા માટે સરળ છે. જો કે, આ પુસ્તક સંશોધનના આ ક્ષેત્રમાં પ્રવેશવા માટે રસ ધરાવતા વ્યક્તિ માટે એક સાધન તરીકે, તેના લેખકના લક્ષ્યોથી દૂર છે. આ ધ્યેયો સ્પષ્ટપણે પ્રસ્તાવનામાં જણાવવામાં આવ્યા છેઃ |
82bcb524a2036676bfa4ebd3324fe76013dced54 | વિભેદક ગોપનીયતા એ ચોક્કસ ગાણિતિક અવરોધ છે જેનો અર્થ ડેટાબેઝમાં વ્યક્તિગત માહિતીના ભાગોની ગોપનીયતાની ખાતરી કરવા માટે છે, જ્યારે કુલ વિશે પ્રશ્નોના જવાબ આપવામાં આવે છે. અંતર્જ્ઞાનથી, વ્યક્તિએ ભેદભાવપૂર્ણ ગોપનીયતા શું કરે છે અને બાંયધરી આપતું નથી તેની સાથે આવવું જોઈએ. ઉદાહરણ તરીકે, વ્યાખ્યા એક મજબૂત વિરોધીને અટકાવે છે જે ડેટાબેઝમાં એક સિવાય તમામ એન્ટ્રીને જાણે છે, જે છેલ્લી એક વિશે વધુ નિષ્કર્ષ કાઢે છે. આ મજબૂત વિરોધી ધારણાને અવગણી શકાય છે, પરિણામે વિભેદક ગોપનીયતાની ગોપનીયતા ગેરંટીની ખોટી અર્થઘટન થાય છે. અહીં અમે પારસ્પરિક માહિતીનો ઉપયોગ કરીને ગોપનીયતાની સમકક્ષ વ્યાખ્યા આપીએ છીએ જે વિભિન્ન ગોપનીયતાની કેટલીક સૂક્ષ્મતાઓને સાદા બનાવે છે. મ્યુચ્યુઅલ-ઇન્ફોર્મેશન ડિફરન્શિયલ પ્રાઇવસી વાસ્તવમાં તેની મજબૂતાઈના સંદર્ભમાં ε-ડિફરન્શિયલ પ્રાઇવસી અને (ε,δ) -ડિફરન્શિયલ પ્રાઇવસી વચ્ચે સેન્ડવીચ છે. બિનશરતી પરસ્પર માહિતીનો ઉપયોગ કરીને અગાઉના કાર્યોની વિપરીત, વિભેદક ગોપનીયતા મૂળભૂત રીતે શરતી પરસ્પર માહિતી સાથે સંબંધિત છે, ડેટાબેઝ વિતરણ પર મહત્તમકરણ સાથે. પારસ્પરિક માહિતીનો ઉપયોગ કરવાનો ખ્યાલ લાભ, વિભેદક ગોપનીયતાની સરળ અને વધુ સાહજિક વ્યાખ્યા આપવાની સાથે, તેની મિલકતો સારી રીતે સમજી શકાય છે. વિભેદક ગોપનીયતાના કેટલાક ગુણધર્મો સરળતાથી મ્યુચ્યુઅલ માહિતીના વિકલ્પ માટે ચકાસાયેલ છે, જેમ કે રચના સિદ્ધાંતો. |
2c075293886b601570024b638956828b4fbc6a24 | છેલ્લા કેટલાક વર્ષોમાં એક્સિલરેટરનો ઉપયોગ કરીને સમાંતર કમ્પ્યુટિંગને વ્યાપક જાહેરાત સંશોધન ધ્યાન મળ્યું છે. ખાસ કરીને, સામાન્ય હેતુના કમ્પ્યુટિંગ માટે જીપીયુનો ઉપયોગ કરવાથી સમય, ખર્ચ, શક્તિ અને અન્ય મેટ્રિક્સના સંદર્ભમાં ઘણી સફળતાની વાર્તાઓ મળી છે. જો કે, એક્સિલરેટર આધારિત કમ્પ્યુટિંગે કમ્પ્યુટિંગમાં સીપીયુની ભૂમિકાને નોંધપાત્ર રીતે ઘટાડી દીધી છે. જેમ જેમ સીપીયુ વિકસિત થાય છે અને સાથે સાથે મેચિંગ કમ્પ્યુટેશનલ રિસોર્સિસ પણ આપે છે, તે મહત્વનું છે કે કમ્પ્યુટેશનમાં સીપીયુનો પણ સમાવેશ થાય. અમે આને હાયબ્રિડ કમ્પ્યુટિંગ મોડેલ કહીએ છીએ. ખરેખર, હાલના યુગની મોટાભાગની કોમ્પ્યુટર સિસ્ટમ્સમાં એક ડિગ્રી વિવિધતા છે અને તેથી આવા મોડેલ તદ્દન કુદરતી છે. અમે લી અને અન્ય દ્વારા તાજેતરના કાગળના દાવાને ફરીથી મૂલ્યાંકન કરીએ છીએ. (આઇએસસીએ 20 10). અમે દલીલ કરીએ છીએ કે લી અને અન્ય લોકોમાંથી ઉભરી રહેલો યોગ્ય પ્રશ્ન. (ISCA 2010) એ સીપીયુ+ જીપીયુ પ્લેટફોર્મનો ઉપયોગ કેવી રીતે કરવો તે હોવું જોઈએ, તેના બદલે કોઈએ સીપીયુ અથવા જીપીયુનો ઉપયોગ કરવો જોઈએ કે નહીં. આ અંત માટે, અમે ડેટાબેઝ, ઇમેજ પ્રોસેસિંગ, સ્પાર્સ અને મેટ્રિક્સ કર્નલ્સ અને ગ્રાફ્સથી લઇને 13 વિવિધ વર્કલોડ્સના સમૂહ સાથે પ્રયોગ કરીએ છીએ. અમે બે અલગ અલગ હાઇબ્રિડ પ્લેટફોર્મ સાથે પ્રયોગ કરીએ છીએ: એક 6-સી ઓર ઇન્ટેલ આઇ 7-980 એક્સ સીપીયુ અને એનવીડિયા ટેસ્લા ટી 10 જીપીયુ, અને અન્ય એક ઇન્ટેલ ઇ 7400 ડ્યુઅલ કોર સીપી યુ એનવીડિયા જીટી 520 જીપીયુ સાથે. આ બંને પ્લેટફોર્મ પર, અમે બતાવીએ છીએ કે હાઇબ્રિડ સોલ્યુશન્સ સીપીયુ અથવા જીપીયુ સોલ્યુશન્સ પર સારી જાહેરાત તક આપે છે. આ બંને પ્લેટફોર્મ પર, અમે એ પણ બતાવીએ છીએ કે અમારા ઉકેલો સરેરાશ 90% સંસાધન કાર્યક્ષમ છે. આથી, અમારું કામ સૂચવે છે કે હાઇબ્રિડ કમ્પ્યુટિંગ માત્ર સંશોધન-સ્કેલ પ્લેટફોર્મ્સ પર જ નહીં પરંતુ મોટા પાયે વપરાશકર્તા સમુદાયને નોંધપાત્ર પ્રદર્શન લાભ અને સંસાધન કાર્યક્ષમતા સાથે વધુ વાસ્તવિક સ્કેલ yst ms પર પણ જબરદસ્ત લાભ આપી શકે છે. |
4ad35158e11f8def2ba3c389df526f5664ab5d65 | |
58a34752553d41133f807ee37a6796c5193233f2 | સંચાર નેટવર્કનો અતિશય ઉપયોગ, ઇન્ટરનેટ ઓફ થિંગ્સનો ઉદય મહત્વપૂર્ણ અને ગુપ્ત માહિતી માટે સંવેદનશીલતામાં વધારો કરે છે. અદ્યતન હુમલાની તકનીકો અને હુમલાખોરોની સંખ્યામાં ધરમૂળથી વધારો થઈ રહ્યો છે. ઘૂસણખોરી ઇન્ટરનેટ માટે મુખ્ય ધમકીઓ પૈકી એક છે. તેથી સુરક્ષાના મુદ્દાઓ મોટી સમસ્યા બની ગયા છે, જેથી ઘૂસણખોરીની શોધની સિસ્ટમની મર્યાદાઓને દૂર કરવા માટે વિવિધ તકનીકો અને અભિગમો રજૂ કરવામાં આવ્યા છે જેમ કે ઓછી ચોકસાઈ, ઉચ્ચ ખોટા એલાર્મ દર અને સમય માંગી લેવો. આ કાગળમાં નેટવર્ક ઘૂસણખોરીની શોધ માટે એક વર્ણસંકર મશીન શિક્ષણ તકનીકનો પ્રસ્તાવ છે જે કે-મધ્યમ ક્લસ્ટરીંગ અને અનુક્રમિક લઘુત્તમ ઓપ્ટિમાઇઝેશન (એસએમઓ) વર્ગીકરણના સંયોજન પર આધારિત છે. તે ખોટા હકારાત્મક એલાર્મ દર, ખોટા નકારાત્મક એલાર્મ દર ઘટાડવા માટે, શોધ દર સુધારવા અને શૂન્ય દિવસ હુમલાખોરોને શોધવામાં સક્ષમ હાઇબ્રિડ અભિગમ રજૂ કરે છે. પ્રસ્તાવિત ટેકનિકમાં એનએસએલ-કેડીડી ડેટાસેટનો ઉપયોગ કરવામાં આવ્યો છે. ક્રમિક લઘુત્તમ ઓપ્ટિમાઇઝેશનનો ઉપયોગ કરીને વર્ગીકરણ કરવામાં આવ્યું છે. પ્રસ્તાવિત હાઇબ્રિડ મશીન લર્નિંગ ટેકનિકની તાલીમ અને પરીક્ષણ કર્યા પછી, પરિણામો દર્શાવે છે કે પ્રસ્તાવિત ટેકનિક (કે-મીન + એસએમઓ) એ (94.48%) નો સકારાત્મક તપાસ દર પ્રાપ્ત કર્યો છે અને ખોટા એલાર્મ દરને (1.2%) ઘટાડ્યો છે અને (97.3695%) ની ચોકસાઈ પ્રાપ્ત કરી છે. |
8711a402d3b4e9133884116e5aaf6931c86ae46b | |
e2cf35d4235896ab823baf1a3801b67af2203cde | ઈન્ટરનેટ પર મુક્ત પાઠોની મોટી સંખ્યાને કારણે પ્રશ્ન-જવાબ પ્રણાલી માટે જવાબની ચોકસાઈ હવે આવશ્યક છે. ઉચ્ચ ચોકસાઈ પ્રાપ્ત કરવાનો પ્રયાસ કરતા, અમે કેસ વ્યાકરણ સિદ્ધાંત દ્વારા સમર્થિત અને વર્બનેટ ફ્રેમ્સ પર આધારિત એક પ્રશ્ન જવાબ આપવાની પ્રણાલી પ્રસ્તાવિત કરીએ છીએ. તે પ્રશ્નમાંથી સિન્ટેક્ટીક, થીમેટિક અને સિમેન્ટીક માહિતીને બહાર કાઢે છે, સિમેન્ટીક સ્તરે અસંગત વાક્યોને ફિલ્ટર કરવા અને જવાબ વાક્યમાંથી જવાબ ટુકડો (એક શબ્દસમૂહ અથવા શબ્દ જે પ્રશ્નનો જવાબ આપી શકે છે) કાઢવા માટે. વર્બનેટને અમારી સિસ્ટમમાં પ્રશ્નમાં ક્રિયાપદ ફ્રેમ્સ અને ઉમેદવાર વાક્યોને શોધવા માટે લાગુ કરવામાં આવે છે, જેથી કરીને વાક્યરચના અને વિષયોની માહિતી તેમજ અર્થશાસ્ત્રની માહિતી મેળવી શકાય. આપણી પ્રશ્ન-જવાબ પ્રણાલી ખાસ કરીને હકીકતલક્ષી પ્રશ્નોના જવાબ આપવા માટે સારી રીતે કામ કરે છે. પ્રયોગો દર્શાવે છે કે અમારો અભિગમ અસરકારક રીતે અર્થપૂર્ણ રીતે અસંગત વાક્યોને ફિલ્ટર કરવા માટે સક્ષમ છે અને તેથી પરિણામ સૂચિમાં યોગ્ય જવાબ (ઓ) ને ઉચ્ચ ક્રમાંકિત કરે છે. |
2ede6a685ad9b58f2090b01ce1e3f86e42aeda7e | રિઇનફોર્સમેન્ટ લર્નિંગ રોબોટિક ગતિ કૌશલ્યની સ્વયંસંચાલિત સંપાદન માટે એક શક્તિશાળી અને લવચીક માળખું પૂરું પાડે છે. જો કે, રિઇનફોર્સમેન્ટ લર્નિંગને લાગુ કરવા માટે કાર્ય-સંબંધિત ઑબ્જેક્ટ્સની રૂપરેખાંકન સહિત રાજ્યનું પૂરતું વિગતવાર પ્રતિનિધિત્વ જરૂરી છે. અમે એક અભિગમ રજૂ કરીએ છીએ જે કેમેરા છબીઓથી સીધા રાજ્ય પ્રતિનિધિત્વને શીખીને રાજ્ય-જગ્યાના નિર્માણને સ્વચાલિત કરે છે. અમારી પદ્ધતિ વર્તમાન કાર્ય માટે પર્યાવરણનું વર્ણન કરતી સુવિધા બિંદુઓના સમૂહને મેળવવા માટે ઊંડા અવકાશી ઓટોકોડરનો ઉપયોગ કરે છે, જેમ કે પદાર્થોની સ્થિતિ, અને પછી આ સુવિધા બિંદુઓ સાથે ગતિ કૌશલ્ય શીખે છે સ્થાનિક રેખીય મોડેલો પર આધારિત કાર્યક્ષમ મજબૂતીકરણ શીખવાની પદ્ધતિનો ઉપયોગ કરીને. પરિણામી નિયંત્રક સતત શીખી લક્ષણ બિંદુઓ પર પ્રતિક્રિયા આપે છે, રોબોટને બંધ-લૂપ નિયંત્રણ સાથે વિશ્વમાં ગતિશીલ રીતે પદાર્થોનું સંચાલન કરવાની મંજૂરી આપે છે. અમે અમારી પદ્ધતિને PR2 રોબોટ સાથે નિદર્શન કરીએ છીએ જેમાં ફ્રી-સ્ટેન્ડિંગ ટોય બ્લોકને દબાણ કરવું, સ્પૅટુલાનો ઉપયોગ કરીને ચોખાની બેગ પસંદ કરવી અને વિવિધ સ્થિતિઓમાં એક હૂક પર દોરડાની લૂપ લટકાવીને. દરેક કાર્યમાં, અમારી પદ્ધતિ આપમેળે કાર્ય-સંબંધિત વસ્તુઓને ટ્રેક કરવાનું શીખે છે અને રોબોટના હાથથી તેમની ગોઠવણીમાં ચાલાકી કરે છે. |
36a5f8e1c3ad330d321ccf5b9943c1f5fe23de74 | શિક્ષણ સિદ્ધાંત અને સૂચનાત્મક ડિઝાઇન ક્ષેત્રો વૈજ્ઞાનિક ક્રાંતિની મધ્યમાં છે જેમાં તેમના ઉદ્દેશવાદી દાર્શનિક પાયાને રચનાત્મક જ્ઞાનતંત્રો દ્વારા બદલવામાં આવી રહ્યા છે. આ લેખ રચનાવાદી જ્ઞાનતંત્રોની ધારણાઓનું વર્ણન કરે છે, તેમને ઉદ્દેશવાદી ધારણાઓ સાથે વિરોધાભાસી કરે છે, અને પછી સૂચનાત્મક પ્રણાલીઓનું વર્ણન કરે છે જે અંતર પર રચનાત્મક શિક્ષણને ટેકો આપી શકે છે અંતર શિક્ષણ તકનીકોની મર્યાદાઓ જીવંત ચહેરા પર ચહેરાના સૂચનાને પૂરક અથવા બદલવા માટે પ્રયાસમાં, તકનીકી અથવા મધ્યસ્થી અંતર શિક્ષણ ઘણીવાર બિનઅસરકારક પદ્ધતિઓનું નકલ કરે છે જે ચહેરા પર ચહેરાના વર્ગખંડમાં શીખવાની મર્યાદા ધરાવે છે (ટુરોફ 1995). ઘણી વાર, સંભવિત રૂપે ઇન્ટરેક્ટિવ તકનીકોનો ઉપયોગ દૂરસ્થ સ્થળોએ વિદ્યાર્થીઓ માટે એક-માર્ગ વ્યાખ્યાન પ્રસ્તુત કરવા માટે કરવામાં આવે છે. જો કે, અમે માનીએ છીએ કે વર્ગખંડમાં કોઈપણ પ્રકારની સૌથી મૂલ્યવાન પ્રવૃત્તિ એ છે કે વિદ્યાર્થીઓ સાથે મળીને કામ કરે અને ક્રિયાપ્રતિક્રિયા કરે અને વિદ્વાનો અને પ્રેક્ટિશનરોના સમુદાયનો ભાગ બને અને તેનો ભાગ બને (સેલ્ફ અને ઇલોલા 1989; બેટ્સ 1990; સીટન 1993; નાલી 1995). એક સારો શિક્ષણનો અનુભવ એ છે કે જેમાં વિદ્યાર્થી "નવા જ્ઞાન અને કૌશલ્યમાં માસ્ટર થઈ શકે છે, પૂર્વધારણાઓ અને માન્યતાઓની વિવેચનાત્મક તપાસ કરી શકે છે અને શાણપણ અને વ્યક્તિગત, સંપૂર્ણ વિકાસની પ્રેરણાદાયક, સહયોગી શોધમાં જોડાઈ શકે છે" (ઇસ્ટમોન્ડ અને ઝીગાહ્ન 1995, 59). અંતર શિક્ષણમાં ઉપયોગમાં લેવાતી ટેકનોલોજીએ શિક્ષક-કેન્દ્રિત વ્યાખ્યાનો અને પ્રદર્શનોના પ્રસારણ કરતાં "વિસ્તૃત વર્ગખંડના મોડેલમાં" આ "સારા શિક્ષણ અનુભવો" ને સરળ બનાવવું જોઈએ (બર્જ અને રોબર્ટ્સ 1993). આ ધ્યેયને પ્રાપ્ત કરવામાં એક મોટી અવરોધ એ છે કે ઘણા શિક્ષકો અને સૂચનાત્મક ડિઝાઇનરો પરંપરાગત પૃષ્ઠભૂમિમાંથી અંતર શિક્ષણમાં આવે છે, જે શિક્ષણ અને શિક્ષણ વિશેની ધારણાઓ લાવે છે જે સિદ્ધાંત આધારિત નથી અને તકનીકી અથવા મધ્યસ્થી સૂચનામાં સારી રીતે અનુવાદિત થતા નથી (Schieman, Taere, and McLaren 1992). |
5978ca8e9fdf4b900b72871a0c1e6de28294dd08 | |
0c7b67dcf86af3eb2ca4c19a713ce615e17343ab | આ ક્ષેત્રમાં પ્રારંભિક કાગળોના નામકરણના આધારે, અમે એક શબ્દસમૂહનો સમૂહ પ્રસ્તાવિત કરીએ છીએ જે બંને અર્થસભર અને ચોક્કસ છે. વધુ ખાસ રીતે, અમે અનામી, અનલિન્કબિલિટી, અનઓબ્ઝર્વેબિલિટી અને પેસવોનોમિટી (સ્યુડોનોમિક્સ અને ડિજિટલ સ્યુડોનોમિક્સ અને તેમના લક્ષણો) વ્યાખ્યાયિત કરીએ છીએ. અમે આશા રાખીએ છીએ કે આ પરિભાષાને અપનાવવાથી આ ક્ષેત્રમાં વધુ સારી પ્રગતિ કરવામાં મદદ મળી શકે છે, જેથી દરેક સંશોધક પોતાની ભાષાને શરૂઆતથી શોધે તે ટાળી શકાય. અલબત્ત, દરેક પેપરને વધારાના શબ્દભંડોળની જરૂર પડશે, જે અહીં વ્યાખ્યાયિત શબ્દોમાં સતત ઉમેરી શકાય છે. |
af5a56f7d392e7c0c720f8600a5a278d132114ca | આ કાગળ 74 યોગદાનના વર્ગીકરણ અને વિશ્લેષણના આધારે પુનઃવિચારણા પ્રોજેક્ટ મેનેજમેન્ટ (આરપીએમ) સાહિત્યની માળખાગત સમીક્ષાના પરિણામો રજૂ કરે છે અને વધુમાં આ બહાદુર નવી દુનિયા પર વિવેચક નજર રાખે છે. વિશ્લેષણ દ્વારા કુલ 6 મુખ્ય કેટેગરીઓ સામે આવીઃ સંદર્ભિતતા, સામાજિક અને રાજકીય પાસાં, વ્યવહારમાં પુનર્વિચાર, જટિલતા અને અનિશ્ચિતતા, પ્રોજેક્ટ્સની વાસ્તવિકતા અને વ્યાપક વિભાવના. આ શ્રેણીઓ પ્રોજેક્ટ મેનેજમેન્ટ પર વિવિધ અને વૈકલ્પિક દ્રષ્ટિકોણ સાથે વિવિધ યોગદાનની વિશાળ શ્રેણીને આવરી લે છે. આરપીએમ સાહિત્યની શરૂઆત 1980ના દાયકાથી થઈ હતી, જ્યારે મોટા ભાગના 2006માં પ્રકાશિત થયા હતા, અને સંશોધન પ્રવાહ હજુ પણ સક્રિય છે. આ બહાદુર નવી દુનિયા પર એક વિવેચક નજર આરપીએમ માટે વધુ ફેલાયેલી અને સ્વીકાર્ય બનવાની એકંદર પડકાર દર્શાવે છે. © 2014 એલ્સેવીયર લિમિટેડ એપીએમ અને આઈપીએમએ. બધા અધિકારો અનામત છે. |
3000e77ed7282d9fb27216f3e862a3769119d89e | ક્લાઉડ કમ્પ્યુટિંગ વપરાશકર્તાઓ માટે લવચીકતા અને ઉચ્ચ પ્રદર્શન અને ઓપરેટરો માટે ઉચ્ચ ખર્ચ-કાર્યક્ષમતાનું વચન આપે છે. તેમ છતાં, મોટાભાગની ક્લાઉડ સુવિધાઓ ખૂબ જ ઓછી વપરાશ પર કાર્ય કરે છે, જે ખર્ચ અસરકારકતા અને ભાવિ સ્કેલેબિલીટી બંનેને નુકસાન પહોંચાડે છે. અમે ક્વેસર રજૂ કરીએ છીએ, એક ક્લસ્ટર મેનેજમેન્ટ સિસ્ટમ જે સતત ઉચ્ચ એપ્લિકેશન પ્રદર્શન પૂરું પાડતી વખતે સંસાધન ઉપયોગને વધારી દે છે. ક્વેઝર ત્રણ તકનીકોનો ઉપયોગ કરે છે. પ્રથમ, તે સંસાધન આરક્ષણ પર આધાર રાખતો નથી, જે અંડરયુટિલિઝેશનને પરિણમે છે કારણ કે વપરાશકર્તાઓ જરૂરી રીતે વર્કલોડ ડાયનામિક્સ અને જટિલ કોડબેઝની ભૌતિક સંસાધન આવશ્યકતાઓને સમજી શકતા નથી. તેના બદલે, વપરાશકર્તાઓ દરેક વર્કલોડ માટે પ્રભાવ પ્રતિબંધો વ્યક્ત કરે છે, ક્વોઝરને કોઈપણ સમયે આ પ્રતિબંધોને પહોંચી વળવા માટે યોગ્ય સંસાધનોની સંખ્યા નક્કી કરવા દે છે. બીજું, ક્વેસર વર્ગીકરણ તકનીકોનો ઉપયોગ કરે છે જેથી ઝડપથી અને સચોટ રીતે દરેક વર્કલોડ અને ડેટાસેટ માટે સ્રોતોની સંખ્યા (સ્કેલ-આઉટ અને સ્કેલ-અપ), સ્રોતોનો પ્રકાર અને પ્રભાવ પરના દખલગીરીની અસર નક્કી કરી શકાય. ત્રીજું, તે સંસાધનોની ફાળવણી અને સોંપણીને સંયુક્ત રીતે કરવા માટે વર્ગીકરણના પરિણામોનો ઉપયોગ કરે છે, ઉપલબ્ધ સંસાધનો પર વર્કલોડ્સને પેક કરવાની કાર્યક્ષમ રીત માટે વિકલ્પોની વિશાળ જગ્યાને ઝડપથી શોધે છે. ક્વેઝર વર્કલોડ પ્રદર્શનનું નિરીક્ષણ કરે છે અને જ્યારે જરૂરી હોય ત્યારે સંસાધન ફાળવણી અને સોંપણીને સમાયોજિત કરે છે. અમે ક્વેસરનું મૂલ્યાંકન કરીએ છીએ વર્કલોડ દૃશ્યોની વિશાળ શ્રેણી પર, વિતરણ વિશ્લેષણ માળખાં અને ઓછી વિલંબ, રાજ્યયુક્ત સેવાઓ, બંને સ્થાનિક ક્લસ્ટર અને સમર્પિત EC2 સર્વર્સના ક્લસ્ટર પર. સ્થિર સ્થિતિમાં, ક્વેસર 200 સર્વર EC2 ક્લસ્ટરમાં 47% દ્વારા સંસાધન વપરાશમાં સુધારો કરે છે, જ્યારે તમામ પ્રકારના વર્કલોડ્સ માટે પ્રભાવ પ્રતિબંધોને પૂર્ણ કરે છે. |
1c667ca4a83b3db5f7b8bbf8d8ee6e5c2da5c3b9 | |
1a2c6843b9e781f2f77e875f3d073ab686f6fae3 | વિતરણિત ભૂસ્તરીય કાર્યક્રમોમાં વિભિન્ન ડેટાબેઝ સાથે, ડેટા એકીકરણ માટે ઓન્ટોલોજી આધારિત અભિગમ વૈશ્વિક ઓન્ટોલોજીના ખ્યાલોને સંરેખિત કરવા પર આધાર રાખે છે જે ડોમેનને વર્ણવે છે, ઓન્ટોલોજીના ખ્યાલો સાથે જે વિતરણ ડેટાબેઝમાં ડેટાનું વર્ણન કરે છે. એકવાર વૈશ્વિક ઓન્ટોલોજી અને દરેક વિતરણ ઓન્ટોલોજી વચ્ચે સંરેખણ સ્થાપિત થઈ જાય, ત્યારે સમજૂતીઓ કે જે ખ્યાલો વચ્ચે વિવિધ મેપિંગ્સને એન્કોડ કરે છે તે મેળવવામાં આવે છે. આ રીતે, વપરાશકર્તાઓ એક જ ક્વેરીનો ઉપયોગ કરીને સેંકડો ભૂ-સ્થાનિક ડેટાબેસેસને સંભવિત રૂપે ક્વેરી કરી શકે છે. અમારા અભિગમનો ઉપયોગ કરીને, નવા ડેટા સ્ત્રોતો અને તેથી નવા પ્રદેશોમાં સરળતાથી વિસ્તૃત કરી શકાય છે. આ કાગળમાં, અમે એગ્રીમેન્ટમેકરની વર્ણન કરીએ છીએ, જે એક સાધન છે જે ઓન્ટોલોજીઝ દર્શાવે છે, કેટલાક મેપિંગ સ્તરોને દૃષ્ટિની રીતે સપોર્ટ કરે છે, આપમેળે પેદા થયેલા મેપિંગ્સ રજૂ કરે છે, અને છેવટે કરારો ઉત્પન્ન કરે છે. 2007 એલ્સેવીયર લિમિટેડ. બધા હકો અનામત છે. |
8d69c06d48b618a090dd19185aea7a13def894a5 | |
664a2c6bff5fb2708f30a116745fad9470ef317a | મુખ્ય ઘટક વિશ્લેષણ (પીસીએ) એ લોકપ્રિય પરિમાણીયતા ઘટાડવાનો અલ્ગોરિધમ છે. જો કે, મુખ્ય ઘટકોના આધારે મૂળ લક્ષણોમાંથી કયા મહત્વપૂર્ણ છે તે અર્થઘટન કરવું સરળ નથી. તાજેતરની પદ્ધતિઓ L1 નિયમનકાર ઉમેરીને પીસીએને વિખેરી નાખવાથી અર્થઘટનક્ષમતામાં સુધારો કરે છે. આ કાગળમાં, અમે વિખરાયેલા પીસીએ માટે સંભાવનાત્મક રચના રજૂ કરીએ છીએ. સ્કેન્ડલ પીસીએને સંભાવનાવાદી બેયસિયન ફોર્મ્યુલેશન તરીકે રજૂ કરીને, આપણે સ્વયંચાલિત મોડેલ પસંદગીનો લાભ મેળવીએ છીએ. અમે વિખેરી નાખવાની સિદ્ધિ માટે ત્રણ અલગ અલગ પ્રાયોરિસની તપાસ કરીએ છીએ: (1) બે-સ્તરની હાયરાર્કીક પ્રાયોરિસ જે લેપ્લેસિયન વિતરણ અને પરિણામે એલ 1 નિયમિતકરણ, (2) એક વિપરીત-ગૌસિયન પ્રાયોરિસ, અને (3) જેફરીસ પ્રાયોરિસને સમકક્ષ છે. આપણે આ મોડેલોને ભિન્નતા અનુમાન લાગુ કરીને શીખીએ છીએ. અમારા પ્રયોગો ચકાસવા કે ખરેખર અમારા વિરલ સંભાવનાત્મક મોડેલ વિરલ પીસીએ ઉકેલ પરિણમે છે. |
afde48d14d4b6783b6aef376a1bb4a47ffccc071 | ડ્રાઇવિંગ કાર્ય દરમિયાન ઉપયોગ માટે ભાવનાત્મક તણાવની શારીરિક લાક્ષણિકતાઓની ગણતરી કરવા માટે એક સિસ્ટમ વિકસાવવામાં આવી રહી છે. બે પ્રોટોટાઇપ, સેન્સર્સનો ઉપયોગ કરીને જે ડ્રાઇવરની ચામડીની વાહકતા, શ્વાસ, સ્નાયુ પ્રવૃત્તિ અને હૃદયની પ્રવૃત્તિને માપે છે તે રજૂ કરવામાં આવે છે. પ્રથમ સિસ્ટમ બે ઝડપી ચેનલો પર 200 હર્ટ્ઝ અને છ વધારાના ચેનલો પર 20 હર્ટ્ઝના નમૂના દરને મંજૂરી આપે છે. તે સંકેતો પર રીઅલ-ટાઇમ પ્રોસેસિંગ કરવા માટે વસ્ત્રોવાળી કમ્પ્યુટરનો ઉપયોગ કરે છે અને તેમાં જોડાયેલ ડિજિટલ કેમેરા છે જેનો ઉપયોગ દર મિનિટે એકવાર ડ્રાઇવરના ચહેરાના અભિવ્યક્તિની છબીઓ મેળવવા માટે કરવામાં આવ્યો હતો. બીજી સિસ્ટમ કાર આધારિત કોમ્પ્યુટરનો ઉપયોગ કરે છે જે આઠ ચેનલો પર પ્રતિ સેકન્ડ 1984 નમૂનાઓની નમૂના દરને મંજૂરી આપે છે. આ સિસ્ટમ ડ્રાઈવરના ચહેરાના અભિવ્યક્તિ અને રસ્તાની સ્થિતિને સતત કેપ્ચર કરવા માટે બહુવિધ વિડિઓ કેમેરાનો ઉપયોગ કરે છે. ત્યારબાદ વિડીયો ક્વોડ-સ્પ્લિટરનો ઉપયોગ કરીને ડેટાને શારીરિક સંકેતો સાથે સિંક્રનાઇઝ કરવામાં આવે છે. ડ્રાઇવિંગ પર્યાવરણમાં શારીરિક લક્ષણો કાઢવા માટેની પદ્ધતિઓ પર ચર્ચા કરવામાં આવી છે, જેમાં ચામડીના વાહકતા દિશા નિર્દેશન પ્રતિભાવ, સ્નાયુ પ્રવૃત્તિ, પલ્સ અને શ્વસન પેટર્નનું માપન શામેલ છે. પ્રારંભિક અભ્યાસો દર્શાવે છે કે સેન્સર્સની બહુવિધ પદ્ધતિઓનો ઉપયોગ કેવી રીતે ડ્રાઇવિંગ ઇવેન્ટ્સની પ્રતિક્રિયાઓને ભેદભાવ કરવામાં મદદ કરી શકે છે અને કેવી રીતે સમાન ડ્રાઇવિંગ પરિસ્થિતિઓમાં વ્યક્તિની પ્રતિક્રિયા દરરોજ બદલાઈ શકે છે. |
0853c2a59d44fe97e0d21f89d80fa2f5a220e3b9 | પેટર્ન ઓળખ માટે પરંપરાગત મશીન લર્નિંગ અલ્ગોરિધમ્સ ફક્ત કોઈ પણ સંકળાયેલ વિશ્વાસ મૂલ્યો વિના, સરળ આગાહીઓ આઉટપુટ કરે છે. આત્મવિશ્વાસ મૂલ્યો એ સંકેત છે કે દરેક આગાહી સાચી હોવાની સંભાવના કેટલી છે. આદર્શ કિસ્સામાં, સમૂહમાં તમામ ઉદાહરણો માટે 99% અથવા વધુની વિશ્વાસનો અર્થ એ છે કે તે સમૂહમાં ખોટી આગાહીઓની ટકાવારી 1% કરતાં વધી જશે નહીં. ભવિષ્યવાણીઓ સાચી છે કે ખોટી? આ કારણોસર, આગાહીઓ કે જે અમુક પ્રકારના વિશ્વાસ મૂલ્યો સાથે સંકળાયેલા છે તે ઘણા જોખમી સંવેદનશીલ કાર્યક્રમોમાં અત્યંત ઇચ્છનીય છે, જેમ કે તબીબી નિદાન અથવા નાણાકીય વિશ્લેષણ માટે ઉપયોગમાં લેવાતા. હકીકતમાં, આવી માહિતી કોઈપણ એપ્લિકેશનને લાભ આપી શકે છે જેને માનવ-કમ્પ્યુટર ક્રિયાપ્રતિક્રિયાની જરૂર હોય છે, કારણ કે દરેક આગાહીને કેવી રીતે ગણવામાં આવશે તે નિર્ધારિત કરવા માટે વિશ્વાસ મૂલ્યોનો ઉપયોગ કરી શકાય છે. ઉદાહરણ તરીકે, એક ફિલ્ટરિંગ પદ્ધતિનો ઉપયોગ કરી શકાય છે જેથી માત્ર એવી આગાહીઓ ધ્યાનમાં લેવામાં આવશે જે ચોક્કસ સ્તરની આત્મવિશ્વાસને સંતોષે છે, જ્યારે બાકીનાને નકારી શકાય છે અથવા ચુકાદા માટે માનવને પસાર કરી શકાય છે. મુખ્યપ્રવાહના મશીન શિક્ષણમાં બે મુખ્ય ક્ષેત્રો છે જેનો ઉપયોગ અમુક પ્રકારના વિશ્વાસ મૂલ્યો મેળવવા માટે થઈ શકે છે; બેયસિયન માળખું અને કદાચ આશરે યોગ્ય શિક્ષણ (PAC સિદ્ધાંત) ની સિદ્ધાંત. ઘણી વાર બેયસિયન ફ્રેમવર્કનો ઉપયોગ એલ્ગોરિધમ્સ બનાવવા માટે થાય છે જે વ્યક્તિગત આગાહીઓને તેમની ગુણવત્તાના સંભાવનાત્મક માપદંડો સાથે પૂરક બનાવે છે. બીજી તરફ, PAC સિદ્ધાંતનો ઉપયોગ ચોક્કસ અલ્ગોરિધમનો માટે વિશ્વાસ સ્તર 1 − δ ના સંદર્ભમાં ભૂલ થવાની સંભાવના પર ઉપલા સીમાઓ ઉત્પન્ન કરવા માટે થઈ શકે છે. જો કે, આ બંને અભિગમોમાં તેમની ખામીઓ છે. બેયસિયન ફ્રેમવર્કને લાગુ કરવા માટે ડેટા પેદા કરનાર વિતરણ વિશે કેટલાક પૂર્વ જ્ઞાનની જરૂર છે. જ્યારે યોગ્ય પૂર્વવર્તી જાણીતી હોય છે, ત્યારે બેયસિયન પદ્ધતિઓ શ્રેષ્ઠ નિર્ણયો પૂરા પાડે છે. વાસ્તવિક દુનિયાના ડેટા સેટ્સ માટે, જરૂરી જ્ઞાન ઉપલબ્ધ ન હોવાથી, કોઈએ મનસ્વી રીતે પસંદ કરેલ પૂર્વવર્તી અસ્તિત્વને ધારવું પડશે. આ કિસ્સામાં, જો ધારણા કરેલ પૂર્વ ખોટી હોય, તો પરિણામી વિશ્વાસ સ્તર પણ "ખોટા" હોઈ શકે છે; ઉદાહરણ તરીકે, 95% વિશ્વાસ સ્તર માટે આગાહીત્મક પ્રદેશોનું આઉટપુટ 95% કરતાં ઓછા કેસોમાં સાચું લેબલ ધરાવી શકે છે. આ એક મોટી નિષ્ફળતા સૂચવે છે, કારણ કે આપણે અપેક્ષા રાખીએ છીએ કે વિશ્વાસના સ્તરો અપેક્ષિત ભૂલોની ટકાવારીને બાંધી દેશે. જ્યારે તેમની ધારણાઓનું ઉલ્લંઘન કરવામાં આવે ત્યારે બેયસિયન પદ્ધતિઓ કેવી રીતે ભ્રામક બની શકે છે તેનું પ્રાયોગિક નિદર્શન (મેલ્લુઇશ એટ અલ., 2001) માં મળી શકે છે. |
1ff107c3230c51ae3cc8e0f14dced3eaebea9a8e | એક એન્ક્રિપ્શન પદ્ધતિ નવીન સંપત્તિ સાથે રજૂ કરવામાં આવે છે જે જાહેરમાં એન્ક્રિપ્શન કી જાહેર કરે છે તેવું અનુરૂપ ડિક્રિપ્શન કીને જાહેર કરતું નથી. આની બે મહત્વની અસરો છેઃ (1) કુરિયર્સ અથવા અન્ય સુરક્ષિત માધ્યમોને કીઓ મોકલવા માટે જરૂરી નથી, કારણ કે સંદેશાને એન્ક્રિપ્શન કીનો ઉપયોગ કરીને એન્ક્રિપ્ટ કરી શકાય છે જે હેતુ પ્રાપ્તકર્તા દ્વારા જાહેર કરવામાં આવે છે. માત્ર તે જ સંદેશને ડિક્રિપ્ટ કરી શકે છે, કારણ કે માત્ર તે જ અનુરૂપ ડિક્રિપ્શન કી જાણે છે. (2) ખાનગી રીતે રાખવામાં આવેલી ડિક્રિપ્શન કીનો ઉપયોગ કરીને સંદેશને "સહી" કરી શકાય છે. કોઈપણ આ સહીને અનુરૂપ જાહેર જાહેર એન્ક્રિપ્શન કીનો ઉપયોગ કરીને ચકાસી શકે છે. સહીઓ બનાવટી ન હોઈ શકે અને સહી કરનાર વ્યક્તિ પાછળથી તેના સહીની માન્યતા નકારી શકે નહીં. આને "ઇલેક્ટ્રોનિક મેઇલ" અને "ઇલેક્ટ્રોનિક ફંડ ટ્રાન્સફર" સિસ્ટમ્સમાં સ્પષ્ટ એપ્લિકેશન્સ છે. સંદેશને સંખ્યા M તરીકે રજૂ કરીને એનક્રિપ્ટ કરવામાં આવે છે, M ને જાહેરમાં સ્પષ્ટ કરેલ શક્તિ e સુધી વધારવામાં આવે છે, અને પછી જ્યારે પરિણામ જાહેરમાં સ્પષ્ટ કરેલ ઉત્પાદન, n દ્વારા વિભાજિત થાય છે, ત્યારે બે મોટા ગુપ્ત પ્રાઇમર નંબરો p અને q. ડિક્રિપ્શન સમાન છે; માત્ર એક અલગ, ગુપ્ત, શક્તિ d નો ઉપયોગ થાય છે, જ્યાં e * d 1 ((mod (p - 1) * (q - 1)). પ્રણાલીની સુરક્ષા અંશતઃ પ્રકાશિત વિભાજક, n ને પરિબળ કરવાની મુશ્કેલી પર આધારિત છે. |
d21f261bf5a9d7333337031a3fa206eaf0c6082c | |
6665e03447f989c9bdb3432d93e89b516b9d18a7 | |
90a6f53bf0eb10fe53f908419c9ac644b16d6065 | |
f67acaa10ad4a0eb7130cd1f0b953478056f32af | પ્રથમ € કિંમત અને £ અને $ કિંમત નેટ કિંમતો છે, જે સ્થાનિક વેટને આધિન છે. * સાથે દર્શાવેલ કિંમતોમાં પુસ્તકો માટે વેટ શામેલ છે; જર્મની માટે € ((D) માં 7% શામેલ છે, € ((A) માં ઓસ્ટ્રિયા માટે 10% શામેલ છે. ** સાથે દર્શાવેલ કિંમતોમાં ઇલેક્ટ્રોનિક ઉત્પાદનો માટે વેટનો સમાવેશ થાય છે; જર્મની માટે 19%, ઓસ્ટ્રિયા માટે 20% તમામ કિંમતોમાં પરિવહન ખર્ચનો સમાવેશ થતો નથી. કિંમતો અને અન્ય વિગતો નોટિસ વિના બદલાઇ શકે છે. બધી ભૂલો અને અવગણનાને બાદ કરતાં. સિલીકોન-જર્મનિયમ ટેકનોલોજીમાં 77 ગીગાહર્ટ્ઝ ઓટોમોટિવ રડાર માટે કિસિંગર મિલિમીટર-વેવ રીસીવર કન્સેપ્ટ્સ |
97a18d0c88d72bac9fbdfe9d19485ac37175177b | પરિપત્ર ધ્રુવીકરણ (સીપી) અને ઘટાડેલા કદ સાથે માઇક્રોસ્ટ્રીપ પેચ એન્ટેનાની રચના એક પડકારરૂપ અને જટિલ કાર્ય છે. અહીં આવી એન્ટેના પ્રસ્તાવિત અને પ્રયોગાત્મક રીતે અભ્યાસ કરવામાં આવે છે. પેચના ચાર ખૂણામાં એક સાથે મેન્ડરિંગ ટેકનિક અને શોર્ટિંગ પિનનો ઉપયોગ કરવાથી પીઠના કિરણોત્સર્ગને ઘટાડવામાં આવે છે અને સીપી પ્રાપ્ત થાય છે અને એન્ટેનાનું કદ નોંધપાત્ર રીતે ઘટાડવામાં આવે છે. તે પેચને ઇન્ડક્ટિવ અને કેપેસિટિવ લોડિંગ અસર પણ આપી શકે છે જે બદલામાં ઓપરેશનની આવર્તનને નિયંત્રિત કરે છે. આ કાગળમાં, વિવિધ શોર્ટિંગ સ્ટ્રીપ માળખાઓ જેમ કે લંબચોરસ, યુ-આકાર અને મેન્ડરિંગ સાથે અભ્યાસ કરવામાં આવે છે. એચએફએસએસમાં સિમ્યુલેશન કરવામાં આવ્યું હતું અને વિવિધ માળખા સાથે સિમ્યુલેશનના પરિણામોની તુલના કરવામાં આવી હતી. એવું જાણવા મળ્યું છે કે મેન્ડરિંગ ટેકનિક અન્ય બે કરતા વધુ સારી કદ ઘટાડવાનું કારણ આપે છે કારણ કે મજબૂત વર્તમાન શક્તિઓ મેન્ડરિંગ શોર્ટિંગ સ્ટ્રીપ્સ પર કેન્દ્રિત છે. વધુમાં, મેન્ડરિંગ ટેકનિક અન્ય કરતા આગળ-પાછળનો ગુણોત્તર પૂરો પાડે છે. |
70ca66188f98537ba9e38d87ee2e5c594ef4196d | આ કાગળમાં એક નવલકથા આવર્તન-મોડ્યુલેટેડ સતત તરંગ રડાર ખ્યાલ વર્ણવવામાં આવ્યો છે, જ્યાં પદ્ધતિઓ જેમ કે બિન-સમાન વિખરાયેલા એન્ટેના એરે અને બહુવિધ ઇનપુટ બહુવિધ આઉટપુટ તકનીકોનો ઉપયોગ સૂચિત સિસ્ટમના કોણીય રીઝોલ્યુશનને સુધારવા માટે કરવામાં આવે છે. પ્રમાણભૂત ઉત્પાદન તકનીકોનો ઉપયોગ કરીને વ્યવહારિક શક્યતા દર્શાવવા માટે, એક નવલકથા ચાર-ચેનલ સિંગલ-ચિપ રડાર ટ્રાન્સસીવરનો ઉપયોગ કરીને પ્રોટોટાઇપ સેન્સરનો ઉપયોગ ડિફ્રેન્શિયલ પેચ એન્ટેના એરે સાથે કરવામાં આવ્યો હતો. વધુમાં, તેની વ્યવહારિક લાગુતા દર્શાવવા માટે, એસેમ્બલ સિસ્ટમને પ્રસ્તુત કાર્યક્ષમ સિગ્નલ પ્રોસેસિંગ અલ્ગોરિધમ્સ સાથે જોડાણમાં વાસ્તવિક વિશ્વ માપન દૃશ્યોમાં પરીક્ષણ કરવામાં આવ્યું હતું. |
8da84ea04a289d06d314be75898d9aa96cdf7b55 | મૂરેના કાયદાની સતત પ્રગતિથી રડાર સિસ્ટમોના વિકાસને સક્ષમ કરવામાં આવી છે જે એક સાથે બહુવિધ તબક્કા કેન્દ્રોથી બહુવિધ કોડેડ તરંગ સ્વરૂપોને પ્રસારિત કરે છે અને પ્રાપ્ત કરે છે અને તેમને એવી રીતે પ્રક્રિયા કરે છે જે ભૂતકાળમાં અનુપલબ્ધ હતા. આ મલ્ટીપલ-ઇનપુટ મલ્ટીપલ-આઉટપુટ (એમઆઇએમઓ) રડાર સિસ્ટમ્સમાંથી પ્રક્રિયા માટે ઉપલબ્ધ સંકેતો પ્રસારણ અને પ્રાપ્ત એપરચર તબક્કા કેન્દ્રોના સંકોચન સાથે સંકળાયેલા અવકાશી નમૂનાઓ તરીકે દેખાય છે. નમૂનાઓ ચેનલને ઉત્તેજિત કરવાની અને માપવાની ક્ષમતા પૂરી પાડે છે જેમાં પ્રસારણ / પ્રાપ્ત પ્રચાર પાથ, લક્ષ્ય અને આકસ્મિક વિખેરી નાખવું અથવા ક્લટરનો સમાવેશ થાય છે. આ સંકેતોને પ્રક્રિયા કરી શકાય છે અને અનુકૂલનશીલ સુસંગત ટ્રાન્સમિટ બીમ બનાવવા માટે અથવા એક જ નિવાસસ્થાનમાં ઉચ્ચ રીઝોલ્યુશન સાથે વિસ્તૃત વિસ્તારને શોધવા માટે સંયુક્ત કરી શકાય છે. પ્રાપ્ત થયેલા ડેટાને અનુકૂલનશીલ રીતે જોડીને ટ્રાન્સમિટ બીમ આકારને અનુકૂલનશીલ રીતે નિયંત્રિત કરવાની અસર મળે છે અને અવકાશી વિસ્તાર ટ્રેક-વચ્ચે-સ્કેન ચોકસાઈમાં સુધારો કરે છે. આ કાગળમાં સુધારેલા સર્વેલન્સ રડાર પ્રદર્શન પાછળના સિદ્ધાંતનું વર્ણન કરવામાં આવ્યું છે અને પ્રાયોગિક એમઆઇએમઓ રડારના માપન સાથે આને દર્શાવવામાં આવ્યું છે. |
df168c45654bf1d62b8e066e68be5ba1450a976a | આ કાગળમાં આપણે સમય-વિભાજન બહુવિધ-પહોંચ-પ્રવેશ (ટીડીએમએ) સિસ્ટમોમાં ખસેડવાની લક્ષ્યોની સમસ્યા પર ભાર મૂકતા સપાટ આવર્તન-મોડ્યુલેટેડ સતત-તરંગ (એફએમસીડબ્લ્યુ) બહુવિધ-ઇનપુટ બહુવિધ-આઉટપુટ (એમઆઇએમઓ) એરેની રચના માટે પદ્ધતિઓ રજૂ કરીએ છીએ. અમે લક્ષ્ય ગતિ અને કામગીરીની સીમાઓના પ્રભાવની ચર્ચા કરીએ છીએ અને તેની અસરોને સરભર કરવાની પદ્ધતિ રજૂ કરીએ છીએ, જેને મેરે ડિઝાઇનમાં અને સિગ્નલ પ્રોસેસિંગમાં ખાસ ધ્યાન આપવાની જરૂર છે. આ લેખમાં એરે ડિઝાઇન તકનીકો, અમલીકરણ સહિતના ઉદાહરણો અને માપન પરિણામો પણ આવરી લેવામાં આવ્યા છે. |
1cd8ee3bfead2964a3e4cc375123bb594949aa0b | આ કાગળ એક નવો અલ્ગોરિધમિક માળખું, આગાહી-પ્રમાણિતકર્તા તાલીમ, ચેતાકીય નેટવર્ક્સને તાલીમ આપવા માટે પ્રસ્તાવિત કરે છે જે ચકાસી શકાય છે, એટલે કે, નેટવર્ક્સ જે કેટલાક ઇચ્છિત ઇનપુટ-આઉટપુટ ગુણધર્મોને સાબિત કરે છે. મુખ્ય વિચાર એ છે કે એક સાથે બે નેટવર્ક્સને તાલીમ આપવીઃ એક આગાહી નેટવર્ક જે હાથમાં કાર્ય કરે છે, ઉદાહરણ તરીકે, આપેલ ઇનપુટ્સના લેબલ્સની આગાહી કરવી, અને એક ચકાસણી નેટવર્ક જે ગણતરી કરે છે કે આગાહી કેટલી સારી રીતે ચકાસવામાં આવતી ગુણધર્મોને સંતોષે છે. બંને નેટવર્ક્સને એક સાથે સ્ટાન્ડર્ડ ડેટા-ફિટિંગ નુકશાનના વજનવાળા સંયોજનને ઑપ્ટિમાઇઝ કરવા માટે તાલીમ આપી શકાય છે અને એક શબ્દ જે મિલકતના મહત્તમ ઉલ્લંઘનને મર્યાદિત કરે છે. પ્રયોગો દર્શાવે છે કે માત્ર આગાહી કરનાર-પ્રમાણિત કરનાર આર્કિટેક્ચર જ નથી, જે ખૂબ ટૂંકા તાલીમ સમય સાથે (MNIST અને SVHN જેવા નાના ડેટાસેટ્સ પર અગાઉના અલ્ગોરિધમ્સને વટાવીને) વિરોધી ઉદાહરણો માટે કલાની સ્થિતિને ચકાસવા માટે નેટવર્કને તાલીમ આપવા માટે સક્ષમ છે, પરંતુ તે પ્રથમ જાણીતા (અમારા શ્રેષ્ઠ જ્ઞાન માટે) CIFAR-10 માટે ચકાસીને મજબૂત નેટવર્ક્સ ઉત્પન્ન કરવા માટે પણ સ્કેલ કરી શકાય છે. |
7a2fc025463d03b17a1d0fa4941b00db3ce71f26 | અમે સ્વયં-સભાન ન્યુરલ મશીન અનુવાદ મોડેલોના ગ્રેડિએન્ટ આધારિત ડોમેન અનુકૂલન માટે પદ્ધતિઓ પ્રસ્તાવ અને સરખામણી કરીએ છીએ. અમે બતાવીએ છીએ કે ગ્રૂપ લાસો નિયમિતકરણ દ્વારા શીખવાની દરમિયાન ઓફસેટ ટેન્સોર્સના સમૂહમાં માળખાગત વિરલતાને પ્રોત્સાહિત કરીને અનુવાદની ગુણવત્તામાં ન્યૂનતમ અથવા કોઈ ઘટાડો સાથે અનુકૂલન દરમિયાન મોડેલ પરિમાણોનો મોટો હિસ્સો સ્થિર કરી શકાય છે. અમે આ તકનીકનું મૂલ્યાંકન બેચ અને ક્રમિક અનુકૂલન બંને માટે બહુવિધ ડેટા સેટ્સ અને ભાષા જોડીઓ પર કરીએ છીએ. અમારી સિસ્ટમ આર્કિટેક્ચર-કોમ્પેક્ટ ડોમેન અનુકૂલન સાથે રાજ્ય-ઓફ-ધ-આર્ટ સ્વ-સંભાળ મોડેલને સંયોજિત કરે છે-ઉચ્ચ ગુણવત્તાની વ્યક્તિગત મશીન અનુવાદ પ્રદાન કરે છે જે જગ્યા અને સમય બંને કાર્યક્ષમ છે. |
5324ba064dc1656dd51c04122c2c802ef9ec28ce | ભલામણ કરનાર સિસ્ટમો પરંપરાગત રીતે ધારે છે કે વપરાશકર્તા પ્રોફાઇલ્સ અને મૂવી લક્ષણો સ્થિર છે. સમયની ગતિશીલતા શુદ્ધ પ્રતિક્રિયાશીલ છે, એટલે કે, તેઓ નિરીક્ષણ કર્યા પછી નિષ્કર્ષ કાઢે છે, દા. ત. વપરાશકર્તાની સ્વાદ બદલાઈ ગયા પછી અથવા ફિલ્મો માટે હાથથી એન્જિનિયર્ડ ટાઈમરલ બાયસ કરેક્શન પર આધારિત છે. અમે રિકરન્ટ રેકમન્ડર નેટવર્ક્સ (આરઆરએન) પ્રસ્તાવિત કરીએ છીએ જે ભાવિ વર્તણૂકીય ટ્રેજેટરીની આગાહી કરવામાં સક્ષમ છે. આ બંને વપરાશકર્તાઓ અને ફિલ્મોને લાંબા ગાળાની ટૂંકા ગાળાની મેમરી (એલએસટીએમ) ઓટોરેગ્રેસીવ મોડેલ સાથે સજ્જ કરીને પ્રાપ્ત થાય છે જે ગતિશીલતાને પકડે છે, વધુમાં વધુ પરંપરાગત નીચા-રેન્ક ફેક્ટરીકરણ. બહુવિધ વાસ્તવિક દુનિયાના ડેટાસેટ્સ પર, અમારું મોડેલ ઉત્તમ આગાહી ચોકસાઈ આપે છે અને તે ખૂબ જ કોમ્પેક્ટ છે, કારણ કે આપણે છુપાયેલા રાજ્યને શીખવાની જરૂર નથી પરંતુ તેના બદલે ફક્ત રાજ્ય સંક્રમણ કાર્ય છે. |
3e090dac6019963715df50dc23d830d97a0e25ba | વિવિધ પદ્ધતિઓ અગાઉ ન્યુરલ નેટવર્ક્સ માટે બેયસિયન અનુમાન માટે એક વ્યવહારુ અંદાજ તરીકે શોધવામાં આવી છે. જો કે અત્યાર સુધી પ્રસ્તાવિત અભિગમો માત્ર થોડા સરળ નેટવર્ક આર્કિટેક્ચર્સ પર જ લાગુ થઈ શક્યા છે. આ કાગળ અમલીકરણ માટે સરળ સ્ટોકાસ્ટિક વેરિએશનલ પદ્ધતિ (અથવા સમકક્ષ, લઘુત્તમ વર્ણન લંબાઈ નુકશાન કાર્ય) રજૂ કરે છે જે મોટાભાગના ન્યુરલ નેટવર્ક્સ પર લાગુ કરી શકાય છે. આ દરમિયાન તે વિવિધતાના દ્રષ્ટિકોણથી કેટલાક સામાન્ય નિયમનકારોની ફરી મુલાકાત લે છે. તે એક સરળ કાપણી ઉચ્ચારણ પણ પૂરું પાડે છે જે બંને નેટવર્ક વજનની સંખ્યાને ભારે ઘટાડી શકે છે અને સુધારેલ સામાન્યીકરણ તરફ દોરી શકે છે. ટિમિટ ભાષણ કોરપસ પર લાગુ હાયરાર્કીક મલ્ટી-ડાયમેન્શનલ રિકરન્ટ ન્યુરલ નેટવર્ક માટે પ્રાયોગિક પરિણામો આપવામાં આવે છે. |
652d159bf64a70194127722d19841daa99a69b64 | આ કાગળ બતાવે છે કે કેવી રીતે લાંબા ગાળાની ટૂંકા ગાળાની મેમરી રિકરન્ટ ન્યુરલ નેટવર્ક્સનો ઉપયોગ લાંબા-રેંજ સ્ટ્રક્ચર સાથે જટિલ સિક્વન્સ પેદા કરવા માટે કરી શકાય છે, ફક્ત એક સમયે એક ડેટા પોઇન્ટની આગાહી કરીને. આ અભિગમ ટેક્સ્ટ (જ્યાં ડેટા ડિસ્ક્રીટ છે) અને ઓનલાઇન હસ્તલેખન (જ્યાં ડેટા વાસ્તવિક મૂલ્ય ધરાવે છે) માટે દર્શાવવામાં આવે છે. ત્યારબાદ તેને હસ્તલેખન સંશ્લેષણમાં વિસ્તૃત કરવામાં આવે છે, જેનાથી નેટવર્કને ટેક્સ્ટ ક્રમ પર તેની આગાહીઓને શરતી બનાવવાની મંજૂરી મળે છે. આ પદ્ધતિથી વિવિધ શૈલીમાં અત્યંત વાસ્તવિક કર્સિવ હસ્તલેખન ઉત્પન્ન થાય છે. |
2d208d551ff9000ca189034fa683edb826f4c941 | અમે વેબ પેજ પરથી કેટેગરીઝ (દા. ત. , શૈક્ષણિક ક્ષેત્રો, રમતવીરો) અને સંબંધો (દા. ત. , પ્લેસસ્પોર્ટ ((એથ્લીટ, રમત)) કાઢવા માટે અર્ધ-સર્વેક્ષિત શિક્ષણની સમસ્યાને ધ્યાનમાં લઈએ છીએ, દરેક કેટેગરી અથવા સંબંધના થોડા લેબલવાળા તાલીમ ઉદાહરણોથી શરૂ કરીને, વત્તા લાખો બિન-લેબલવાળા વેબ દસ્તાવેજો. માત્ર થોડા લેબલ કરેલા ઉદાહરણોનો ઉપયોગ કરીને અર્ધ-સર્વેક્ષિત તાલીમ સામાન્ય રીતે અવિશ્વસનીય છે કારણ કે શીખવાની કાર્ય અંડરકોન્સ્ટ્રેક્ટેડ છે. આ કાગળમાં એવી થિસીસ છે કે, શીખવાની કામગીરીને વધુ મર્યાદિત કરીને, વિવિધ કેટેગરી અને સંબંધો માટે ઘણા એક્સ્ટ્રેક્ટર્સના અર્ધ-સર્વેક્ષિત તાલીમ સાથે જોડીને વધુ ચોકસાઈ પ્રાપ્ત કરી શકાય છે. અમે શ્રેણી અને સંબંધ નિષ્કર્ષણકારોની તાલીમ સાથે જોડાયેલા હોઈ શકે તેવા કેટલાક માર્ગોનું વર્ણન કરીએ છીએ, અને પ્રાયોગિક પરિણામો પ્રસ્તુત કરીએ છીએ જે પરિણામે નોંધપાત્ર રીતે સુધારેલી ચોકસાઈ દર્શાવે છે. |
52aa38ffa5011d84cb8aae9f1112ce53343bf32c | અમે ડિજિટલ પીઅર-ટુ-પીઅર ચલણ બિટકોઇનમાં કેટલાક ક્લસ્ટરીંગ અલ્ગોરિધમ્સના પ્રદર્શનનું વિશ્લેષણ કરીએ છીએ. બિટકોઇનમાં ક્લસ્ટરીંગ એ સરનામાં શોધવાનું કાર્ય છે જે આપેલ સરનામાં તરીકે સમાન વૉલેટ સાથે સંબંધિત છે. ક્લસ્ટરીંગ વ્યૂહરચનાઓની અસરકારકતાનું મૂલ્યાંકન કરવા માટે અમે કનેક્શન બ્લૂમ ફિલ્ટરિંગના અમલીકરણમાં નબળાઈનો ઉપયોગ કરીને 37,585 બિટકોઇન વૉલેટ અને તેમના માલિકીના સરનામાં વિશે જમીન સત્ય ડેટાને પકડી રાખીએ છીએ. જાણીતી ક્લસ્ટરીંગ તકનીકો ઉપરાંત, અમે બે નવી વ્યૂહરચનાઓ રજૂ કરીએ છીએ, તેમને એકત્રિત વletsલેટના સરનામાં પર લાગુ કરીએ છીએ અને જમીનના સત્યનો ઉપયોગ કરીને ચોકસાઈ અને યાદ રાખવાનું મૂલ્યાંકન કરીએ છીએ. કનેક્શન બ્લૂમ ફિલ્ટરિંગ નબળાઈની પ્રકૃતિને કારણે અમે એકત્રિત કરેલા ડેટા ભૂલો વિના નથી. અમે આવી અચોક્કસતાની હાજરીમાં પ્રદર્શન મેટ્રિક્સને સુધારવા માટેની એક પદ્ધતિ રજૂ કરીએ છીએ. અમારા પરિણામો દર્શાવે છે કે આધુનિક વોલેટ સોફ્ટવેર પણ તેના વપરાશકર્તાઓને યોગ્ય રીતે સુરક્ષિત કરી શકતું નથી. મલ્ટી ઇનપુટ હ્યુરિસ્ટિક તરીકે ઓળખાતી સૌથી મૂળભૂત ક્લસ્ટરીંગ તકનીક સાથે પણ, એક વિરોધી સરેરાશ 68.59% પીડિતના સરનામાંને અનુમાન કરી શકે છે. અમે બતાવીએ છીએ કે આ મેટ્રિકને વધુ સુસંસ્કૃત હેરિસ્ટિક્સને જોડીને વધુ સુધારી શકાય છે. |
f824415989a7863a37e581fdeec2f1d9f4d54f62 | |
4abdf7f981612216de354f3dc6ed2b07b5e9f114 | આ કાગળ પાંચમી પેઢી (5G) વાયરલેસ સંચાર નેટવર્ક્સ માટે સપાટ મોનોપોલ એન્ટેનાની તપાસ કરે છે. પ્રસ્તાવિત એન્ટેનામાં 25-39 ગીગાહર્ટ્ઝમાં મિલીમીટર વેવ (એમએમડબ્લ્યુ) સ્પેક્ટ્રમમાં અતિ-વિસ્તર બેન્ડ ઇમ્પેડન્સ પ્રતિભાવ છે, જે કા બેન્ડને આવરી લે છે. એન્ટેનામાં છકોણીય મધપૂડો જેવું અનન્ય માળખાકીય લેઆઉટ છે અને 0.254 મીમી જાડા રોજર્સ સબસ્ટ્રેટ પર નીચી પ્રોફાઇલ (8 × 7 મીમી 2) છે, જે ભવિષ્યના મોબાઇલ ફોનમાં સમાવિષ્ટ કરવા માટે ડિઝાઇનને સક્ષમ કરે છે. આ એન્ટેના કામકાજમાં ૯૦ ટકા કાર્યક્ષમતા સાથે ૪.૧૫ ડીબીઆઇની ટોચની લાભ આપે છે. આ ડિઝાઇનને 8 × 1 એલિમેન્ટ એરે સુધી વિસ્તૃત કરવામાં આવી છે, જે એન્ટેનાની કેન્દ્રીય આવર્તન પર 12.7 ડીબીઆઇની મહત્તમ ગેઇન રજૂ કરે છે. |
958340c7ccd205ed7670693fa9519f9c140e372d | તાજેતરમાં, લોગો ઓળખની આસપાસ ઔદ્યોગિક પ્રવૃત્તિની ભરતી થઈ છે, જેમ કે ડિટ્ટોની સેવા માર્કેટર્સ માટે વપરાશકર્તા દ્વારા જનરેટ કરેલી છબીઓમાં તેમની બ્રાન્ડ્સને ટ્રેક કરવા માટે, અને લોગોગ્રાબની મોબાઇલ એપ્લિકેશન પ્લેટફોર્મ લોગો ઓળખ માટે. જો કે, છેલ્લા ચાર વર્ષમાં શૈક્ષણિક અથવા ઓપન સોર્સ લોગો માન્યતામાં પ્રમાણમાં ઓછી પ્રગતિ થઈ છે. આ દરમિયાન, ડીપ કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક્સ (ડીસીએનએન) એ ઑબ્જેક્ટ ઓળખ એપ્લિકેશન્સની વિશાળ શ્રેણીમાં ક્રાંતિ લાવી છે. આ કાર્યમાં, અમે લોગો ઓળખ માટે ડીસીએનએન લાગુ કરીએ છીએ. અમે કેટલાક ડીસીએનએન આર્કિટેક્ચર્સ પ્રસ્તાવિત કરીએ છીએ, જેની સાથે અમે લોકપ્રિય લોગો ઓળખ ડેટાસેટ પર પ્રકાશિત કલાની ચોકસાઈને વટાવીએ છીએ. |
087337fdad69caaab8ebd8ae68a731c5bf2e8b14 | સંક્રમણ નેટવર્ક્સ શક્તિશાળી દ્રશ્ય મોડેલો છે જે સુવિધાઓના પદાનુક્રમો આપે છે. અમે બતાવીએ છીએ કે કન્વોલ્યુશનલ નેટવર્ક્સ પોતાને દ્વારા, તાલીમબદ્ધ અંત-થી-અંત, પિક્સેલ-થી-પિક્સેલ, અર્થપૂર્ણ સેગમેન્ટેશનમાં અગાઉના શ્રેષ્ઠ પરિણામ પર સુધારો કરે છે. અમારી મુખ્ય સમજ એ છે કે "સંપૂર્ણપણે કન્વોલ્યુશનલ" નેટવર્ક્સ બનાવવી જે મનસ્વી કદના ઇનપુટ લે છે અને કાર્યક્ષમ નિષ્કર્ષ અને શિક્ષણ સાથે અનુરૂપ કદના આઉટપુટનું ઉત્પાદન કરે છે. અમે સંપૂર્ણ કન્વોલ્યુશનલ નેટવર્ક્સની જગ્યાને વ્યાખ્યાયિત અને વિગતવાર કરીએ છીએ, અવકાશી ઘન આગાહી કાર્યો માટે તેમની અરજી સમજાવીએ છીએ, અને અગાઉના મોડેલો સાથે જોડાણો દોરીએ છીએ. અમે સમકાલીન વર્ગીકરણ નેટવર્ક્સ (એલેક્સનેટ, વીજીજી નેટ અને ગૂગલનેટ) ને સંપૂર્ણ કન્વોલ્યુશનલ નેટવર્ક્સમાં અનુકૂળ કરીએ છીએ અને સેગમેન્ટેશન કાર્ય માટે ફાઇન-ટ્યુનિંગ દ્વારા તેમના શીખ્યા પ્રતિનિધિત્વને સ્થાનાંતરિત કરીએ છીએ. પછી અમે એક સ્કીપ આર્કિટેક્ચર વ્યાખ્યાયિત કરીએ છીએ જે એક ઊંડા, રફ સ્તરમાંથી અર્થપૂર્ણ માહિતીને છીછરા, દંડ સ્તરમાંથી દેખાવની માહિતી સાથે સાંકળે છે, ચોક્કસ અને વિગતવાર સેગ્મેન્ટેશન પેદા કરવા માટે. અમારા સંપૂર્ણ કન્વોલ્યુશનલ નેટવર્ક્સ PASCAL VOC (2012માં 67.2% સરેરાશ IU) ના સુધારેલા સેગમેન્ટેશન પ્રાપ્ત કરે છે, NYUDv2, SIFT ફ્લો અને PASCAL-કોન્ટેક્ટ, જ્યારે નિષ્કર્ષ એક લાક્ષણિક છબી માટે એક દસમા સેકન્ડ લે છે. |
08a4fa5caead14285131f6863b6cd692540ea59a | વ્યવહારમાં, મશીન લર્નિંગની એપ્લિકેશનમાં કયા પ્રતિનિધિત્વ અથવા નિર્ણયો સ્વીકાર્ય છે તેના પર ઘણી વખત સ્પષ્ટ પ્રતિબંધો હોય છે. ઉદાહરણ તરીકે, તે કાનૂની જરૂરિયાત હોઈ શકે છે કે નિર્ણય કોઈ ચોક્કસ જૂથને તરફેણ ન કરે. વૈકલ્પિક રીતે તે હોઈ શકે છે કે ડેટાના પ્રતિનિધિત્વમાં ઓળખ માહિતી ન હોવી જોઈએ. અમે આ બે સંબંધિત મુદ્દાઓને લવચીક રજૂઆતો શીખવા દ્વારા સંબોધિત કરીએ છીએ જે વિરોધી ટીકાકારની ક્ષમતાને ઘટાડે છે. આ વિરોધી પ્રતિનિધિત્વમાંથી સંબંધિત સંવેદનશીલ ચલનો આગાહી કરવાનો પ્રયાસ કરી રહ્યો છે, અને તેથી વિરોધીના પ્રદર્શનને ઘટાડીને ખાતરી કરે છે કે સંવેદનશીલ ચલ વિશે પ્રતિનિધિત્વમાં થોડી અથવા કોઈ માહિતી નથી. અમે આ વિરોધાભાસી અભિગમને બે સમસ્યાઓમાં પ્રદર્શિત કરીએ છીએ: ભેદભાવથી મુક્ત નિર્ણયો લેવા અને છબીઓમાંથી ખાનગી માહિતી દૂર કરવી. અમે વિરોધી મોડેલને મિનિમેક્સ સમસ્યા તરીકે ઘડીએ છીએ, અને સ્ટોકાસ્ટિક ગ્રેડિએન્ટ વૈકલ્પિક મિન-મેક્સ ઑપ્ટિમાઇઝરનો ઉપયોગ કરીને તે મિનિમેક્સ ઉદ્દેશને ઑપ્ટિમાઇઝ કરીએ છીએ. અમે પ્રમાણભૂત પરીક્ષણ સમસ્યાઓ માટે ભેદભાવ મુક્ત રજૂઆતો પૂરી પાડવાની ક્ષમતા દર્શાવીએ છીએ, અને નિષ્પક્ષતા માટે કલા પદ્ધતિઓની અગાઉની સ્થિતિ સાથે સરખામણી કરીએ છીએ, મોટાભાગના કેસોમાં આંકડાકીય રીતે નોંધપાત્ર સુધારો દર્શાવે છે. આ પદ્ધતિની લવચીકતા એક નવી સમસ્યા દ્વારા દર્શાવવામાં આવી છેઃ છબીઓમાંથી એનોટેશનને દૂર કરવું, એનોટેટેડ અને અનએનોટેટેડ છબીઓના અલગ તાલીમ ઉદાહરણોમાંથી, અને મોડેલને પ્રદાન કરેલ એનોટેશનના સ્વરૂપનું કોઈ પૂર્વ જ્ઞાન વિના. |
d7805eee3daef814140001a6c59fda004266b3c8 | |
988c10748a66429dda79d02bc5eb57c64f9768fb | વાતચીત મશીન સમજણ માટે વાતચીત ઇતિહાસની ઊંડી સમજ જરૂરી છે. પરંપરાગત, સિંગલ-ટર્ન મોડેલોને ઇતિહાસને વ્યાપક રીતે એન્કોડ કરવા માટે સક્ષમ કરવા માટે, અમે ફ્લો રજૂ કરીએ છીએ, એક પદ્ધતિ જે અગાઉના પ્રશ્નોના જવાબ આપવાની પ્રક્રિયા દરમિયાન પેદા થયેલા મધ્યવર્તી રજૂઆતોને સમાવી શકે છે, વૈકલ્પિક સમાંતર પ્રોસેસિંગ સ્ટ્રક્ચર દ્વારા. છીછરા અભિગમોની તુલનામાં જે અગાઉના પ્રશ્નો / જવાબોને ઇનપુટ તરીકે જોડે છે, ફ્લો વાતચીતના ઇતિહાસના છુપાયેલા સિમેન્ટીક્સને વધુ deeplyંડાણપૂર્વક એકીકૃત કરે છે. અમારું મોડેલ, ફ્લોક્વા, તાજેતરમાં પ્રસ્તાવિત બે વાતચીત પડકારો (+7.2% એફ 1 કોક્વા પર અને +4.0% ક્વોક પર) પર શ્રેષ્ઠ પ્રદર્શન દર્શાવે છે. ફ્લોની અસરકારકતા અન્ય કાર્યોમાં પણ જોવા મળે છે. ક્રમિક સૂચના સમજણને વાતચીત મશીન સમજણ સુધી ઘટાડીને, ફ્લોક્વા એ એસસીઓએનઇમાં તમામ ત્રણ ડોમેન્સ પર શ્રેષ્ઠ મોડેલોને આગળ ધપાવે છે, ચોકસાઈમાં +1.8% થી +4.4% સુધારો સાથે. |
31181e73befea410e25de462eccd0e74ba8fea0b | |
0e6f5abd7e4738b765cd48f4c272093ecb5fd0bc | |
0501336bc04470489529b4928c5b6ba0f1bdf5f2 | આધુનિક સર્ચ એન્જિન લોકપ્રિય વ્યાપારી પ્રશ્નોના જવાબો મુખ્યત્વે અત્યંત સંબંધિત દસ્તાવેજો સાથે આપવા માટે પૂરતા સારા છે. જો કે, અમારા પ્રયોગો દર્શાવે છે કે આવા સંબંધિત વ્યાપારી સાઇટ્સ પર વપરાશકર્તાઓનું વર્તન એકથી બીજા વેબ સાઇટથી અલગ હોઈ શકે છે જે સમાન સુસંગતતા લેબલ ધરાવે છે. આમ સર્ચ એન્જિનો સામે રેન્કિંગના પરિણામોનું પડકાર છે જે પરંપરાગત સુસંગતતા ગ્રેડિંગ અભિગમના દ્રષ્ટિકોણથી સમાન રીતે સંબંધિત છે. આ સમસ્યાને ઉકેલવા માટે અમે પ્રસ્તાવ મૂક્યો છે કે, વિશ્વસનીયતા, ઉપયોગિતા, ડિઝાઇન ગુણવત્તા અને સેવાની ગુણવત્તા જેવા સંબંધિત વધારાના પાસાઓ પર વિચાર કરવો. ક્રમાંકિત અલ્ગોરિધમનો આ પાસાઓને ધ્યાનમાં લેવા માટે, અમે સંખ્યાબંધ સુવિધાઓ પ્રસ્તાવિત કરી છે, જે સૂચિત પરિમાણો સાથે વેબ પૃષ્ઠની ગુણવત્તાને પકડે છે. અમે એક જ લેબલમાં નવા પાસાં એકત્રિત કર્યા, વ્યાપારી સુસંગતતા, જે સાઇટની સંચિત ગુણવત્તાનું પ્રતિનિધિત્વ કરે છે. અમે સમગ્ર લર્નિંગ-ટુ-રેન્ક ડેટાસેટ માટે વ્યાપારી સુસંગતતા લેબલ્સને એક્સ્ટ્રાપોલ કર્યું છે અને ડિફૉલ્ટ સુસંગતતા લેબલ્સને બદલે વ્યાપારી અને વિષયવાર સુસંગતતાના વજનવાળા સરવાળોનો ઉપયોગ કર્યો છે. અમારી પદ્ધતિનું મૂલ્યાંકન કરવા માટે અમે નવા ડીસીજી જેવા મેટ્રિક્સ બનાવ્યાં અને ઑફલાઇન મૂલ્યાંકન તેમજ ઓનલાઈન ઇન્ટરલેવિંગ પ્રયોગો હાથ ધર્યાં, જે દર્શાવે છે કે પ્રસ્તાવિત પાસાંઓની સુસંગતતાને ધ્યાનમાં લેતા રેન્કિંગ અલ્ગોરિધમનો વપરાશકર્તા પસંદગીઓ સાથે વધુ સારી રીતે ગોઠવાય છે. |
4a87972b28143b61942a0eb011b60f76be0ebf2e | કોમ્પ્યુટેશનલ સાયન્સ, સોશિયલ નેટવર્ક એનાલિસિસ, સિક્યોરિટી અને બિઝનેસ એનાલિટિક્સમાં ઘણી મહત્વની સમસ્યાઓ ડેટા-સઘન છે અને પોતાને ગ્રાફ-સૈદ્ધાંતિક વિશ્લેષણ માટે ઉધાર આપે છે. આ કાગળમાં અમે અદ્યતન મલ્ટી-કોર પ્રોસેસરો માટે બ્રોડથ ફર્સ્ટ સર્ચ (બીએફએસ) અલ્ગોરિધમનો ડિઝાઇન કરીને ખૂબ મોટા ગ્રાફ્સની શોધમાં સંકળાયેલા પડકારોની તપાસ કરીએ છીએ જે ભવિષ્યના એક્સાસ્કેલ સિસ્ટમ્સના નિર્માણ બ્લોક્સ બનવાની સંભાવના છે. મોટા પાયે ગ્રાફ એનાલિટિક્સ માટે અમારી નવી પદ્ધતિ ઉચ્ચ સ્તરની અલ્ગોરિધમિક ડિઝાઇનનું મિશ્રણ કરે છે જે મશીન-સ્વતંત્ર પાસાઓને પકડે છે, ભવિષ્યના પ્રોસેસરોને પ્રભાવ સાથે પોર્ટેબિલિટીની બાંયધરી આપે છે, જે અમલીકરણ સાથે પ્રોસેસર-વિશિષ્ટ ઑપ્ટિમાઇઝેશન્સને એમ્બેડ કરે છે. અમે એક પ્રાયોગિક અભ્યાસ રજૂ કરીએ છીએ જે રાજ્યની કલા ઇન્ટેલ નેહાલેમ ઇપી અને એક્સ પ્રોસેસર્સનો ઉપયોગ કરે છે અને એક જ સિસ્ટમમાં 64 થી વધુ થ્રેડોનો ઉપયોગ કરે છે. વાસ્તવિક દુનિયાની સમસ્યાઓમાં જોવા મળતા પાવર-લૉ ગ્રાફના પ્રતિનિધિ અનેક બેંચમાર્ક સમસ્યાઓમાં અમારું પ્રદર્શન પ્રોસેસિંગ રેટ્સ સુધી પહોંચે છે જે તાજેતરના સાહિત્યમાં સુપરકોમ્પ્યુટિંગ પરિણામો સાથે સ્પર્ધાત્મક છે. પ્રાયોગિક મૂલ્યાંકનમાં અમે સાબિત કરીએ છીએ કે 4-સોકેટ નેહાલેમ એક્સ પર ચાલતા અમારા ગ્રાફ એક્સપ્લોરેશન અલ્ગોરિધમનો (1) 64 મિલિયન શિખરો અને 512 મિલિયન ધાર સાથે રેન્ડમ ગ્રાફની શોધ કરતી વખતે 128 પ્રોસેસરો સાથે ક્રે એક્સએમટી કરતા 2.4 ગણો ઝડપી છે, (2) 200 મિલિયન શિખરો અને 1 અબજ ધાર સાથે આર-મેટ ગ્રાફ સાથે સેકન્ડ દીઠ 550 મિલિયન ધારની પ્રક્રિયા કરવા માટે સક્ષમ છે, જે 40 પ્રોસેસરો સાથે ક્રે એમટીએ -2 પર સમાન ગ્રાફના પ્રદર્શન સાથે તુલનાત્મક છે અને (3) સરેરાશ ડિગ્રી 50 સાથેના ગ્રાફ પર 256 બ્લુજીન / એલ પ્રોસેસરો કરતા 5 ગણો ઝડપી છે. |
50ac4c9c4409438719bcb8b1bb9e5d1a0dbedb70 | યુનિકોર્ન એક ઓનલાઇન, ઇન-મેમરી સોશિયલ ગ્રાફ-સભાન અનુક્રમણિકા સિસ્ટમ છે જે હજારો કોમોડિટી સર્વર્સ પરના અબજો વપરાશકર્તાઓ અને કંપનીઓ વચ્ચેના ટ્રિલિયનની ધારને શોધવા માટે રચાયેલ છે. યુનિકોર્ન માહિતી પુનઃપ્રાપ્તિમાં પ્રમાણભૂત ખ્યાલો પર આધારિત છે, પરંતુ તેમાં સારા સામાજિક નિકટતા સાથે પરિણામોને પ્રોત્સાહન આપવા માટે સુવિધાઓ શામેલ છે. તે સ્રોત ગાંઠોથી એકથી વધુ ધાર દૂર હોય તેવી વસ્તુઓ મેળવવા માટે પાંદડાઓ પર બહુવિધ રાઉન્ડ-ટ્રીપ્સની જરૂર હોય તેવા પ્રશ્નોને પણ સપોર્ટ કરે છે. યુનિકોર્ન સેંકડો મિલિસેકન્ડમાં લેટન્સી સાથે દરરોજ અબજો પ્રશ્નોના જવાબ આપવા માટે રચાયેલ છે, અને તે ફેસબુકના ગ્રાફ સર્ચ પ્રોડક્ટ માટે ઇન્ફ્રાસ્ટ્રક્ચરલ બિલ્ડિંગ બ્લોક તરીકે સેવા આપે છે. આ કાગળમાં, અમે યુનિકોર્ન દ્વારા સમર્થિત ડેટા મોડેલ અને ક્વેરી ભાષાનું વર્ણન કરીએ છીએ. અમે તેના વિકાસને પણ વર્ણવીએ છીએ કારણ કે તે ફેસબુકની શોધ ઓફર માટે પ્રાથમિક બેકએન્ડ બની હતી. |
94c817e196e71c03b3425f905ebd1793dc6469c2 | મોટા ગ્રાફનું વિશ્લેષણ સંશોધનના વિવિધ ક્ષેત્રોમાં અગ્રણી ભૂમિકા ભજવે છે અને ઘણા મહત્વપૂર્ણ એપ્લિકેશન ક્ષેત્રોમાં સંબંધિત છે. અસરકારક દ્રશ્ય વિશ્લેષણ માટે યોગ્ય દ્રશ્ય પ્રસ્તુતિઓ સાથે સંબંધિત વપરાશકર્તા ક્રિયાપ્રતિક્રિયા સુવિધાઓ અને અલ્ગોરિધમિક ગ્રાફ વિશ્લેષણ પદ્ધતિઓ સાથે જોડાણમાં જરૂરી છે. યોગ્ય ગ્રાફ વિશ્લેષણ પ્રણાલીઓની રચના કેવી રીતે કરવી તે ઘણા પરિબળો પર આધાર રાખે છે, જેમાં ડેટાનું વર્ણન કરતી ગ્રાફનો પ્રકાર, હાથમાં વિશ્લેષણાત્મક કાર્ય અને ગ્રાફ વિશ્લેષણ પદ્ધતિઓની લાગુતાનો સમાવેશ થાય છે. ગ્રાફ વિઝ્યુલાઇઝેશન અને નેવિગેશન તકનીકોના સૌથી તાજેતરના સર્વેક્ષણો હર્મન અને સહ દ્વારા રજૂ કરવામાં આવ્યા હતા. [HMM00] અને ડાયઝ [ડીપીએસ02]. પ્રથમ કાર્યમાં હાયરાર્કી અને ગ્રાફના વિઝ્યુલાઇઝેશન માટેની મુખ્ય તકનીકોની તપાસ કરવામાં આવી હતી, જે 2000 સુધી રજૂ કરવામાં આવી હતી. બીજા કાર્યમાં 2002 સુધી રજૂ કરાયેલા ગ્રાફ લેઆઉટ્સ પર ધ્યાન કેન્દ્રિત કરવામાં આવ્યું હતું. તાજેતરમાં, નવી તકનીકો વિકસાવવામાં આવી છે જે ગ્રાફ પ્રકારોની વિશાળ શ્રેણીને આવરી લે છે, જેમ કે સમય-વિવિધતા ગ્રાફ. આ ઉપરાંત, ગ્રાફ-આધારિત ડેટાની વધતી જતી માત્રાને અનુરૂપ, અલ્ગોરિધમિક ગ્રાફ વિશ્લેષણ અને ક્રિયાપ્રતિક્રિયા તકનીકોનો સમાવેશ વધુને વધુ મહત્વપૂર્ણ બની રહ્યો છે. આ સ્ટેટ ઑફ ધ આર્ટ રિપોર્ટમાં, અમે મોટા ગ્રાફના દ્રશ્ય વિશ્લેષણ માટે ઉપલબ્ધ તકનીકોની સમીક્ષા કરીએ છીએ. અમારી સમીક્ષા પ્રથમ ગ્રાફ વિઝ્યુલાઇઝેશન તકનીકોને ગ્રાફના પ્રકારો અનુસાર ધ્યાનમાં લે છે. વિઝ્યુલાઇઝેશન તકનીકો વિઝ્યુઅલ ગ્રાફ સંશોધન માટે યોગ્ય ક્રિયાપ્રતિક્રિયા અભિગમોની રજૂઆત માટેનો આધાર છે. વિઝ્યુઅલ ગ્રાફ વિશ્લેષણના એક મહત્વપૂર્ણ ઘટક તરીકે, અમે વિઝ્યુઅલ ગ્રાફ વિશ્લેષણ પ્રક્રિયાના વિવિધ તબક્કાઓ માટે ઉપયોગી વિવિધ ગ્રાફ અલ્ગોરિધમિક પાસાઓની ચર્ચા કરીએ છીએ. |
2748dc51ba8dd9d2a7899caadbef2e3269b8b0b9 | અમે સ્વયં સંચાલિત ડ્રાઇવિંગ માટે એક માળખું રજૂ કરીએ છીએ જે માનવ પ્રદર્શનોથી શીખી શકે છે, અને અમે તેને સ્વયં સંચાલિત કારના લંબાઈ નિયંત્રણ પર લાગુ કરીએ છીએ. ઑફલાઇન, અમે કાર-અનુસરણ વ્યૂહરચનાઓ ઉદાહરણ ડ્રાઇવિંગ ક્રમ સમૂહમાંથી મોડેલ કરીએ છીએ. ઓનલાઇન, મોડેલનો ઉપયોગ પ્રવેગકોની ગણતરી કરવા માટે થાય છે જે માનવ ડ્રાઇવર સમાન પરિસ્થિતિમાં શું કરશે તેની નકલ કરે છે. આ સંદર્ભ પ્રવેગકને એક આગાહી નિયંત્રક દ્વારા ટ્રેક કરવામાં આવે છે જે અંતિમ પ્રવેગક લાગુ કરતા પહેલા આરામ અને સલામતીના પ્રતિબંધોનો સમૂહ લાગુ કરે છે. નિયંત્રક એ અગાઉના વાહનની આગાહી ગતિમાં અનિશ્ચિતતા માટે મજબૂત બનવા માટે રચાયેલ છે. વધુમાં, અમે ડ્રાઇવર મોડેલની આગાહીઓના વિશ્વાસનું મૂલ્યાંકન કરીએ છીએ અને તેનો ઉપયોગ આગાહી નિયંત્રકના ખર્ચ કાર્યમાં કરીએ છીએ. પરિણામે, અમે એવા કિસ્સાઓને સંભાળી શકીએ છીએ કે જ્યાં ડ્રાઇવર મોડેલને શીખવા માટે ઉપયોગમાં લેવાતા તાલીમ ડેટા વર્તમાન ડ્રાઇવિંગ પરિસ્થિતિને કેવી રીતે હેન્ડલ કરશે તે વિશે પૂરતી માહિતી પ્રદાન કરતું નથી. આ અભિગમ અમારા સ્વાયત્ત વાહન પર સિમ્યુલેશન અને પ્રયોગોના સંયોજનનો ઉપયોગ કરીને માન્ય છે. |
42a6ae6827f8cc92e15191e53605b0aa4f875fb9 | સોફ્ટવેર પરીક્ષણ ઘણી વાર ગુણવત્તાની ખાતરી કરવા માટે સારી રીતે વિચારણાવાળી કસરત કરતાં ફક્ત બગ શિકાર છે. મોટા પાયે સલામત સ્વચાલિત વાહનોના ઉપયોગ માટે સિસ્ટમ-સ્તરના પરીક્ષણ-નિષ્ફળતા-પેચ-ટેસ્ટના સરળ ચક્ર કરતાં વધુ પદ્ધતિસરના અભિગમની જરૂર પડશે. ISO 26262 વિકાસ પ્રક્રિયા V એ એક માળખું સ્થાપિત કરે છે જે દરેક પ્રકારનાં પરીક્ષણને અનુરૂપ ડિઝાઇન અથવા આવશ્યકતા દસ્તાવેજ સાથે જોડે છે, પરંતુ સ્વયંસંચાલિત વાહનોનો સામનો કરતી નવીન પરીક્ષણ સમસ્યાઓના પ્રકારો સાથે વ્યવહાર કરવા માટે અનુકૂળ પડકારો રજૂ કરે છે. આ કાગળ સ્વાયત્ત વાહનો માટે વી મોડેલ અનુસાર પરીક્ષણમાં પાંચ મુખ્ય પડકારના ક્ષેત્રોને ઓળખે છેઃ લૂપમાંથી ડ્રાઇવર, જટિલ આવશ્યકતાઓ, બિન-નિર્ધારણાત્મક અલ્ગોરિધમ્સ, ઇન્ડક્ટિવ લર્નિંગ અલ્ગોરિધમ્સ અને નિષ્ફળ ઓપરેશનલ સિસ્ટમ્સ. આ વિવિધ પડકારના ક્ષેત્રોમાં આશાસ્પદ લાગે તેવા સામાન્ય ઉકેલ અભિગમોમાં નીચેનાનો સમાવેશ થાય છેઃ ક્રમિક રીતે ઢીલું મૂકી દેવાથી ઓપરેશનલ દૃશ્યોનો ઉપયોગ કરીને તબક્કાવાર જમાવટ, સરળ સલામતી કાર્યોથી સૌથી જટિલ સ્વાયત્તતા કાર્યોને અલગ કરવા માટે મોનિટર / એક્ટ્યુએટર જોડી આર્કિટેક્ચરના ઉપયોગ અને વધુ કાર્યક્ષમ એજ કેસ પરીક્ષણ કરવા માટે એક માર્ગ તરીકે ખામી ઇન્જેક્શન. જ્યારે સલામતી પ્રમાણપત્રમાં નોંધપાત્ર પડકારો રહે છે જે ઉચ્ચ સ્તરની સ્વાયત્તતા પૂરી પાડે છે, તે તેના બદલે હાલની સોફ્ટવેર સલામતી અભિગમોને રોજગારી આપવા માટે સક્ષમ થવા માટે સિસ્ટમ અને તેની સાથેની ડિઝાઇન પ્રક્રિયાને આર્કિટેક્ટ કરવા માટે પહોંચની અંદર લાગે છે. |
64c83def2889146beb7ca2dddee2dae21d9ca6de | અમે એક અલ્ગોરિધમનો અભ્યાસ કરીએ છીએ જે વાહનને સુરક્ષિત રીતે પરંતુ વ્યક્તિગત રીતે ડ્રાઇવરની સ્પષ્ટ શરૂઆત વિના (દા. ત. ટર્ન સિગ્નલોને સક્રિય કરવું). સ્વયંસંચાલિત ડ્રાઇવિંગમાં લેન પરિવર્તનની શરૂઆત સામાન્ય રીતે વ્યક્તિલક્ષી નિયમો, આસપાસના વાહનોની સ્થિતિ અને સંબંધિત ગતિના કાર્યો પર આધારિત છે. આ અભિગમ ઘણી વખત મનસ્વી હોય છે, અને વ્યક્તિગત ડ્રાઇવર ડ્રાઇવિંગ શૈલી પસંદગીઓ સરળતાથી સ્વીકારવામાં નથી. અહીં અમે માનવ ડ્રાઇવરોના લેન ફેરફાર નિર્ણય વર્તનને પકડવા માટે ડેટા-ડ્રાઇવ્ડ મોડેલિંગ અભિગમનો પ્રસ્તાવ કરીએ છીએ. અમે લાક્ષણિક લેન બદલાવની પરિસ્થિતિઓમાં પરીક્ષણ વાહન સાથે ડેટા એકત્રિત કરીએ છીએ અને ચોક્કસ ડ્રાઇવરનાં પસંદગીઓ સાથે લેન બદલાવની શરૂઆતની આગાહી કરવા માટે ટ્રેન વર્ગીકરણ કરનારાઓને ટ્રેન કરીએ છીએ. અમે આ નિર્ણય તર્કને એક મોડેલ પ્રોડક્ટિવ કંટ્રોલ (એમપીસી) ફ્રેમવર્કમાં એકીકૃત કરીએ છીએ જેથી વધુ વ્યક્તિગત સ્વયં સંચાલિત લેન ફેરફાર અનુભવ બનાવવામાં આવે જે સલામતી અને આરામદાયક મર્યાદાઓને સંતોષે. અમે બે લેન બદલવાની શૈલીઓ વચ્ચે પુનર્જીવિત કરવા અને તફાવત કરવા માટે નિર્ણય તર્કની ક્ષમતા બતાવીએ છીએ, અને સિમ્યુલેશન દ્વારા નિયંત્રણ માળખાની સલામતી અને અસરકારકતા દર્શાવીએ છીએ. |
2087c23fbc7890c1b27fe3f2914299cc0693306e | ન્યુરલ નેટની પ્રગતિથી ઘણા ક્ષેત્રોમાં કોમ્પ્યુટરોની ભાષા ક્ષમતામાં સુધારો થયો છે. |
680f268973fc8efd775a6bfe08487ee1c3cb9e61 | અમે કર્મચારીઓના વલણ પરના પ્રભાવની શોધ કરીએ છીએ કે સંસ્થાની બહારના અન્ય લોકો સાથે કેવી રીતે વ્યવહાર કરવામાં આવે છે (એટલે કે, કોર્પોરેટ સામાજિક જવાબદારી) ઉપર અને બહારના કર્મચારીઓને સંસ્થા દ્વારા સીધી રીતે કેવી રીતે વર્તવામાં આવે છે તેની અસર. 18 સંસ્થાઓમાં 827 કર્મચારીઓના અભ્યાસના પરિણામો દર્શાવે છે કે કોર્પોરેટ સોશિયલ રિસ્પોન્સિબિલિટી (સીએસઆર) ની કર્મચારીની ધારણાઓ હકારાત્મક રીતે સંબંધિત છે (એ) સંસ્થાકીય પ્રતિબદ્ધતા સાથે સંબંધ કામના અર્થપૂર્ણતા અને અનુભવાયેલી સંસ્થાકીય સપોર્ટ (પીઓએસ) દ્વારા આંશિક રીતે મધ્યસ્થી કરવામાં આવે છે અને (બી) કામની સંતોષ સાથે કામ અર્થપૂર્ણતા આંશિક રીતે સંબંધને મધ્યસ્થી કરે છે પરંતુ પીઓએસ નહીં. વધુમાં, સીએસઆર પર મર્યાદિત માઇક્રો-લેવલ સંશોધનને સંબોધવા માટે, અમે ચાર પાયલોટ અભ્યાસો દ્વારા સીએસઆર અંગે કર્મચારીઓની ધારણાઓનું માપ વિકસિત કરીએ છીએ. દ્વિ-પરિબળ મોડેલનો ઉપયોગ કરીને, અમે શોધીએ છીએ કે સામાજિક જવાબદારી પર્યાવરણીય જવાબદારી ઉપરાંત કર્મચારીઓના વલણ પર વધારાની અસર કરે છે, જે અમે સામાજિક જવાબદારીના સંબંધ ઘટક (દા. ત. , સમુદાય સાથેના સંબંધો) ને કારણે છે. |
9406ee01e3fda0932168f31cd3835a7d7a943fc6 | |
2402066417256a70d7bf36ee163af5eba0aed211 | સ્પીચ ડાયલોગ સિસ્ટમ (એસડીએસ) ના નેચરલ લેંગ્વેજ જનરેશન (એનએલજી) ઘટકને સામાન્ય રીતે નોંધપાત્ર પ્રમાણમાં હેન્ડક્રાફ્ટ અથવા સારી રીતે લેબલ કરેલ ડેટાસેટની જરૂર હોય છે. આ મર્યાદાઓ વિકાસ ખર્ચમાં નોંધપાત્ર વધારો કરે છે અને ક્રોસ-ડોમેઇન, બહુભાષી સંવાદ સિસ્ટમોને અશક્ય બનાવે છે. વધુમાં, માનવ ભાષાઓ સંદર્ભ-સભાન છે. સૌથી વધુ કુદરતી પ્રતિભાવ પૂર્વ નિર્ધારિત વાક્યરચના અથવા નિયમો પર આધાર રાખવાના બદલે ડેટામાંથી સીધા જ શીખવા જોઇએ. આ કાગળ સંયુક્ત પુનરાવર્તિત અને કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક માળખા પર આધારિત આંકડાકીય ભાષા જનરેટર રજૂ કરે છે જે કોઈપણ સિમેન્ટીક ગોઠવણી અથવા પૂર્વવ્યાખ્યાયિત વ્યાકરણ વૃક્ષો વિના સંવાદ અધિનિયમ-ઉચ્ચારણ જોડીઓ પર તાલીમ આપી શકાય છે. ઉદ્દેશ મેટ્રિક્સ સૂચવે છે કે આ નવું મોડેલ સમાન પ્રાયોગિક પરિસ્થિતિઓ હેઠળ અગાઉની પદ્ધતિઓ કરતાં વધુ સારી કામગીરી કરે છે. માનવ ન્યાયાધીશો દ્વારા મૂલ્યાંકનના પરિણામો સૂચવે છે કે તે માત્ર ઉચ્ચ ગુણવત્તાની જ નહીં પરંતુ ભાષાકીય રીતે વૈવિધ્યસભર ઉચ્ચારણ પણ ઉત્પન્ન કરે છે જે એન-ગ્રામ અને નિયમ-આધારિત સિસ્ટમોની તુલનામાં પ્રાધાન્ય આપવામાં આવે છે. |
d781b74cf002f9fffcb7f60c3c319c41797d702e | જળચરઉછેરમાં, ઉપજ (ક્રેમ્પ, માછલી વગેરે) તે જળચરઉછેર તળાવની પાણીની લાક્ષણિકતાઓ પર આધાર રાખે છે. માછલીની ઉપજને મહત્તમ કરવા માટે, પાણીમાં ચોક્કસ શ્રેષ્ઠ સ્તરે રાખવા માટેના પરિમાણો. આ પરિમાણો એક દિવસના સમયગાળા દરમિયાન ખૂબ જ અલગ અલગ હોઈ શકે છે અને બાહ્ય પર્યાવરણીય પરિસ્થિતિઓના આધારે ઝડપથી બદલાઈ શકે છે. તેથી આ પરિમાણોનું ઉચ્ચ આવર્તન સાથે નિરીક્ષણ કરવું જરૂરી છે . આ સિસ્ટમ બે મોડ્યુલોથી બનેલી છે જે ટ્રાન્સમીટર સ્ટેશન અને રીસીવર સ્ટેશન છે. આ ડેટાને જીએસએમ દ્વારા રીસીવર સ્ટેશનના ડેટાબેઝમાં મોકલવામાં આવે છે. ગ્રાફિકલ યુઝર ઇન્ટરફેસને ખેડૂતોને તેમની સ્થાનિક ભાષાઓમાં સંદેશના રૂપમાં તેમના મોબાઇલ ફોન્સ પર પહોંચાડવા માટે ડિઝાઇન કરવામાં આવ્યું હતું અને તેમને અસ્વચ્છ પર્યાવરણીય પરિસ્થિતિઓમાં ચેતવણી આપવામાં આવી હતી, જેથી તેઓ યોગ્ય પગલાં લઈ શકે. કીવર્ડ્સ; જળચરઉછેર; વાયરલેસ સેન્સર નેટવર્ક્સ; આઇએઆર-કિક; પીએચ; |
6fb3940ddd658e549a111870f10ca77ba3c4cf37 | અમે એવીએ ડેટાસેટ પર ક્રિયા સ્થાનિકીકરણ માટે એક સરળ બેઝલાઇન રજૂ કરીએ છીએ. આ મોડેલ ફાસ્ટ આર-સીએનએન બાઉન્ડિંગ બોક્સ ડિટેક્શન ફ્રેમવર્ક પર બનેલું છે, જે શુદ્ધ અવકાશી સુવિધાઓ પર કાર્ય કરવા માટે અનુકૂળ છે - અમારા કિસ્સામાં કિનિટિક્સ પર પૂર્વ-પ્રશિક્ષિત આઇ 3 ડી મોડેલ દ્વારા સંપૂર્ણપણે ઉત્પાદિત છે. આ મોડેલ એવીએ વી 2.1 ની માન્યતા સમૂહ પર 21.9% સરેરાશ એપી મેળવે છે, જે મૂળ એવીએ પેપરમાં ઉપયોગમાં લેવાતા શ્રેષ્ઠ આરજીબી સ્પેસ-ટાઇમર મોડેલ માટે 14.5% છે (જે કિનિટિક્સ અને ઇમેજનેટ પર પ્રીટ્રેન કરવામાં આવ્યું હતું), અને 11.3% થી વધુ છે. અમારા અંતિમ મોડેલને વેલ/ટેસ્ટ સેટ્સ પર 22.8%/21.9% એમએપી મળે છે અને સીવીપીઆર 2018માં એવીએ પડકાર માટે તમામ સબમિશન્સને વટાવી દે છે. |
2060441ed47f6cee9bab6c6597a7709836691da3 | `1-નિયમિત મહત્તમ સંભાવના અંદાજ સમસ્યા તાજેતરમાં મશીન શિક્ષણ, આંકડા અને ઑપ્ટિમાઇઝેશન સમુદાયોમાં વિરલ વિપરીત સહવર્તીતાના અંદાજકર્તાઓના ઉત્પાદન માટે એક પદ્ધતિ તરીકે ખૂબ રસનો વિષય બની છે. આ કાગળમાં, `1-નિયમિત સહવર્તીતા મેટ્રિક્સ અંદાજ કરવા માટે એક નજીકના ઢાળ પદ્ધતિ (જી-આઇએસટીએ) રજૂ કરવામાં આવી છે. આ સમસ્યાને ઉકેલવા માટે અસંખ્ય અલ્ગોરિધમનો પ્રસ્તાવિત કરવામાં આવ્યા છે, આ સરળ નજીકના ઢાળ પદ્ધતિ આકર્ષક સૈદ્ધાંતિક અને સંખ્યાત્મક ગુણધર્મો ધરાવે છે. G-ISTA પાસે રૂઢિપ્રયોગનો રેખીય દર છે, જેના પરિણામે O ((log ε) પુનરાવર્તન જટિલતા ε ની સહનશીલતા સુધી પહોંચે છે. આ કાગળ G-ISTA પુનરાવર્તનો માટે સ્વયંમૂલ્ય સીમાઓ આપે છે, જે બંધ-ફોર્મ રેખીય સંપાત દર પૂરો પાડે છે. આ દર શ્રેષ્ઠ બિંદુની સ્થિતિ નંબર સાથે ગાઢ રીતે સંબંધિત હોવાનું દર્શાવવામાં આવ્યું છે. પ્રસ્તાવિત પદ્ધતિ માટે સંખ્યાત્મક સંકલન પરિણામો અને સમયની તુલના રજૂ કરવામાં આવી છે. જી-આઇએસટીએ ખૂબ જ સારી કામગીરી કરે છે, ખાસ કરીને જ્યારે શ્રેષ્ઠ બિંદુ સારી રીતે શરત હોય. |
4a20823dd4ce6003e31f7d4e0649fe8c719926f2 | વૈશ્વિક સ્તરે જનીન કાર્યને સ્પષ્ટ કરવા માટે, અમે જનીનોની જોડીઓ ઓળખી કાઢી છે જે મનુષ્ય, ફ્લાય્સ, વોર્મ્સ અને યીસ્ટના 3182 ડીએનએ માઇક્રોએરે પર સહ-અભિવ્યક્ત થાય છે. અમને 22,163 આવા સહ-અભિવ્યક્તિ સંબંધો મળ્યા, જેમાંથી દરેક ઉત્ક્રાંતિમાં સાચવવામાં આવ્યા છે. આ સંરક્ષણ સૂચવે છે કે આ જનીન જોડીઓની સહઅભિવ્યક્તિ પસંદગીના લાભ આપે છે અને તેથી આ જનીનો કાર્યલક્ષી રીતે સંબંધિત છે. આમાંના ઘણા સંબંધો કોષ ચક્ર, સ્ત્રાવ અને પ્રોટીન અભિવ્યક્તિ જેવા મુખ્ય જૈવિક કાર્યોમાં નવા જનીનોની સંડોવણી માટે મજબૂત પુરાવા પૂરા પાડે છે. અમે પ્રયોગાત્મક રીતે આમાંની કેટલીક કડીઓ દ્વારા સૂચિત આગાહીઓની પુષ્ટિ કરી અને કેટલાક જનીનો માટે કોષ પ્રસરણ કાર્યોની ઓળખ કરી. આ લિંક્સને એક જનીન-સહ-અભિવ્યક્તિ નેટવર્કમાં ભેગા કરીને, અમે કેટલાક ઘટકો શોધી કાઢ્યા જે પ્રાણી-વિશિષ્ટ હતા તેમજ નવા વિકસિત અને પ્રાચીન મોડ્યુલો વચ્ચેના આંતરસંબંધો હતા. |
25c760c11c7803b2aefd6b6ae36f15908f76b544 | આપણે વિપરીત કોવરીયન્સ મેટ્રિક્સ પર લાગુ લાસો દંડ દ્વારા વિખરાયેલા ગ્રાફ્સની અંદાજ કાઢવાની સમસ્યાને ધ્યાનમાં લઈએ છીએ. લેસો માટે કોઓર્ડિનેટ ઉતરવાની પ્રક્રિયાનો ઉપયોગ કરીને, અમે એક સરળ અલ્ગોરિધમનો - ગ્રાફિકલ લેસો - વિકસાવીએ છીએ જે નોંધપાત્ર રીતે ઝડપી છેઃ તે 1000-નોડ સમસ્યા (આશરે 500,000 પરિમાણો) ને મહત્તમ એક મિનિટમાં હલ કરે છે અને સ્પર્ધાત્મક પદ્ધતિઓ કરતાં 30-4000 ગણો ઝડપી છે. તે ચોક્કસ સમસ્યા અને મેઇન્શૌસેન અને બ્યુહલમેન (2006) દ્વારા સૂચિત અંદાજ વચ્ચેનો ખ્યાલલ સંબંધ પણ પૂરો પાડે છે. અમે પ્રોટીયોમિક્સમાંથી કેટલાક સેલ-સિગ્નલિંગ ડેટા પર પદ્ધતિને સમજાવીએ છીએ. |
256f63cba7ede2a58d56a089122466bc35ce6abf | આ કાગળ વિડિઓઝમાં ઓબ્જેક્ટ્સના સિમેન્ટીક સેગ્મેન્ટેશન માટે એક નવી માળખું પ્રસ્તાવિત કરે છે. અમે ડીપ કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક્સ (ડીસીએનએન) ની લેબલ અસંગતતા સમસ્યાને એ હકીકતનો ઉપયોગ કરીને સંબોધિત કરીએ છીએ કે વિડિઓઝમાં બહુવિધ ફ્રેમ્સ છે; થોડા ફ્રેમ્સમાં ઑબ્જેક્ટ વિશ્વાસપૂર્વક અંદાજવામાં આવે છે (સીઇ) અને અમે અન્ય ફ્રેમ્સના લેબલ્સને સુધારવા માટે તેમની માહિતીનો ઉપયોગ કરીએ છીએ. ડીસીએનએનમાંથી મેળવેલ દરેક ફ્રેમના સિમેન્ટીક સેગ્મેન્ટેશન પરિણામોને ધ્યાનમાં રાખીને, અમે વિવિધ સંજોગોમાં સામાન્ય વસ્તુઓને બદલે વિડિઓમાં ચોક્કસ ઉદાહરણો પર ધ્યાન કેન્દ્રિત કરીને ઇનપુટ વિડિઓને ડીસીએનએન મોડેલને અનુકૂળ કરવા માટે કેટલાક સીઇ ફ્રેમ્સનું નમૂના લઈએ છીએ. અમે વિવિધ દેખરેખ સ્તરો હેઠળ ઑફલાઇન અને ઓનલાઇન અભિગમો પ્રસ્તાવિત કરીએ છીએ. પ્રયોગોમાં અમારી પદ્ધતિએ મૂળ મોડેલ અને અગાઉની અદ્યતન પદ્ધતિઓ કરતાં મોટા પ્રમાણમાં સુધારો કર્યો છે. c © 2016 એલ્સેવીયર લિમિટેડ. બધા હકો અનામત છે. |
da411a876b4037434e4f47f7d14f0fca1ca0cad8 | |
127a818c2ba1bbafbabc62d4163b0dd98364f64a | આ કાગળ મેટલ-કવર સ્માર્ટફોન એપ્લિકેશન્સ માટે નજીકના ક્ષેત્ર સંચાર (એનએફસી) એન્ટેના સોલ્યુશન સૂચવે છે. આ એનએફસી એન્ટેના સોલ્યુશનમાં, એક સાંકડી સ્લોટને શરૂઆતમાં મેટલ કવરમાં લોડ કરવામાં આવે છે, અને આ સ્લોટની સ્થિતિ સ્માર્ટફોનની બાહ્ય દેખાવની ડિઝાઇન અનુસાર (વળતર સાથે) બદલી શકાય છે. આગળ, એક બિનપરંપરાગત છ-વળાંકવાળા કોઇલ (છ-બાજુવાળા અનિયમિત ષટ્કોણ આકાર સાથે) ની રચના કરવામાં આવે છે જેમાં એક અસમાન રેખા પહોળાઈ અને બે રેખાઓ વચ્ચે એક અસમાન રેખા અંતર હોય છે, અને તે અંશતઃ લંબચોરસ ફેરાઇટ સંયુક્ત સાથે લોડ થાય છે. આ ડિઝાઇનમાં, ચોક્કસ ચોક્કસ સ્થળોએ બળની એક ઉન્નત ચુંબકીય રેખાને અનુભવી શકાય છે, અને ઉત્તમ ઇન્ડક્ટિવલી કપ્લડ નજીકના ક્ષેત્ર રીસીવર પ્રાપ્ત થાય છે. ખાસ કરીને, આ પ્રસ્તાવિત એનએફસી એન્ટેના એનએફસી ફોરમ સર્ટિફિકેશન દ્વારા જરૂરી પરીક્ષણો પાસ કરી શકે છે, અને તેનું પ્રદર્શન પરંપરાગત એનએફસી એન્ટેના સાથે તુલનાત્મક છે જેમાં નોનમેટાલિક કવર છે. |
3786308bf65cde7e5c0b320ab6cc01a8ab0abfff | આ ટેબ્લેટ પીસીમાં સાંકડી સરહદ અને સંપૂર્ણ મેટાલિક બેક-કવર છે. લૂપ એન્ટેનાની બંને બાજુ ફેરાઇટ શીટ્સને જોડીને લુપ એન્ટેનાની મિનીટ્યુરાઇઝ્ડ ડિઝાઇન પ્રાપ્ત થાય છે. એનએફસીએની સંચાર શ્રેણીને સુધારવા માટે ફેરાઇટ શીટ્સ લૂપ એન્ટેના દ્વારા અડીને આવેલા મેટાલિક બેક-કવર પર પ્રેરિત વર્ડી પ્રવાહોને ઘટાડી શકે છે. માત્ર ટેબ્લેટ પીસીની ધાર સંપૂર્ણ મેટાલિક બેક-કવરને કારણે એન્ટેનાને રેડિયેશન કરવાની મંજૂરી આપે છે. આમ, ટેબ્લેટ પીસીની ધાર પર સ્થાપિત કરવા માટે એનએફસી એન્ટેના સાંકડી હોવાની જરૂર છે. તેથી, અમે માત્ર 41.5 (એલ) × 7.5 (ડબલ્યુ) × 0.45 (ટી) એમએમ3ના પરિમાણો સાથે લઘુચિત્ર એનએફસી એન્ટેનાનો પ્રસ્તાવ મુકીએ છીએ. સિમ્યુલેટેડ ચુંબકીય ક્ષેત્ર વિતરણ માપવામાં આવેલ વોલ્ટેજ વિતરણ સાથે સુસંગત છે. આ ડિઝાઇનમાં ટચસ્ક્રીન પેનલની સામે 6 સે. મી. થી વધુની સારી સંચાર શ્રેણી છે અને મેટલ બેક-કવરની ઉપર બીજી બાજુ 2 સે. ટેબ્લેટ પીસી માટે નેફ્સી એન્ટેના ડિઝાઇનનું નવલકથા માળખું પ્રસ્તાવિત કરવામાં આવ્યું છે. |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.