_id
stringlengths 40
40
| text
stringlengths 0
9.38k
|
|---|---|
05378af0c67c59505067e2cbeb9ca29ed5f085e4 | અમે વિતરણ આધારિત, વિતરણ ટ્રાફિક માહિતી સિસ્ટમોમાં અવલોકનોના હાયરાર્કીક એકત્રીકરણ માટે એક અલ્ગોરિધમનો પ્રસ્તાવ કરીએ છીએ. ચોક્કસ મૂલ્યો (દા. ત. આપેલ વિસ્તારમાં મફત પાર્કિંગની જગ્યાઓની સંખ્યા) ને બદલે, અમારા એકત્રિતમાં સંભાવનાત્મક અંદાજ તરીકે સંશોધિત ફ્લેજોલેટ-માર્ટિન સ્કેચનો સમાવેશ થાય છે. આ અભિગમનો મુખ્ય ફાયદો એ છે કે એકત્રિત કરેલા આંકડાઓ ડુપ્લિકેટ અસુરક્ષિત છે. આ વૅનેટ એપ્લિકેશન્સ માટે હાલની એકત્રીકરણ યોજનાઓની બે મુખ્ય સમસ્યાઓને દૂર કરે છે. પ્રથમ, જ્યારે એક જ વિસ્તાર માટે અવલોકનોના બહુવિધ એકત્રીત ઉપલબ્ધ હોય, ત્યારે તે મૂળ એકત્રીતમાંથી તમામ માહિતી ધરાવતી એક એકત્રીતમાં તેમને ભેગા કરવાનું શક્ય છે. આ એન્ટિ-એગ્રેગેટ છે, જે એક એવી સામગ્રી છે જે એક જ સમયે એક જ જગ્યાએ બે અલગ અલગ પ્રકારના કચરામાંથી બનાવવામાં આવે છે. બીજું, કોઈ પણ નિરીક્ષણ અથવા એકંદર ઉચ્ચ સ્તરના એકંદર માં સમાવી શકાય છે, પછી ભલે તે પહેલાથી જ - સીધા અથવા પરોક્ષ રીતે - ઉમેરવામાં આવ્યું હોય. આ તમામ લાક્ષણિકતાઓના પરિણામે, આ કાંકરાની ગુણવત્તા ઊંચી છે, જ્યારે તેમની રચના ખૂબ જ લવચીક છે. અમે અમારા અભિગમના આ લક્ષણોને સિમ્યુલેશન અભ્યાસ દ્વારા દર્શાવ્યા છે. |
2f83d2294d44b44ad07d327635a34276abe1ec55 | આ કાગળ આઇઇઇઇ 802.11 બી / જી એપ્લિકેશન માટે એન્ટેના-સંકલિત પેકેજને સાકાર કરવા માટે એમસીએમ-ડી મેન્યુફેક્ચરિંગ ટેકનોલોજી પર આધારિત એન્ટેના ડિઝાઇન રજૂ કરે છે. એન્ટેના અને આરએફ મોડ્યુલના એકીકરણ દ્વારા પેરાસાઇટિક અસરોને સમાવવા માટે કો-ડિઝાઇન માર્ગદર્શિકાઓનો ઉપયોગ કરવામાં આવે છે. લૂપ એન્ટેના એમસીએમ-ડી સબસ્ટ્રેટના બીજા સ્તર પર સ્થિત છે. એન્ટેનામાં કેપેસિટીવલી ફીડ સ્ટ્રીપનો સમાવેશ થાય છે જે કોપ્લેનર વેવગાઇડ (સીપીડબલ્યુ) દ્વારા ફીડ થાય છે. કપ્લિંગ ફીડ ટેકનિક દ્વારા, પ્રસ્તાવિત એન્ટેનાનું કદ ડબલ્યુએલએનએ બેન્ડ (2.4-2.484 ગીગાહર્ટ્ઝ) પર માત્ર 3.8 મીમી × 4.7 મીમી છે. વધુમાં, કપ્લિંગ સ્ટ્રીપની લંબાઈને ટ્યુન કરીને રેઝોનન્ટ ફ્રીક્વન્સીને એડજસ્ટ કરી શકાય છે. પરિણામો દર્શાવે છે કે કપ્લિંગ-ફીડ લૂપ એન્ટેનાએ 1.6 ડીબીઆઇનો ગેઇન અને 2.45 ગીગાહર્ટ્ઝ પર 85 ટકા રેડિયેશન કાર્યક્ષમતા પ્રાપ્ત કરી છે. આ ઉપરાંત, પેકેજના કુલ વિસ્તારની તુલનામાં એન્ટેનાનો કબજો વિસ્તાર ખૂબ જ નાનો છે (૪.૪ ટકા); તેથી, પેકેજ એન્ટેના ડિઝાઇન માટે પ્રસ્તાવિત પદ્ધતિ ખૂબ ઉપયોગી છે. વિગતવાર પરિમાણોના અભ્યાસ રજૂ કરવામાં આવ્યા છે, જે સૂચિત પદ્ધતિની શક્યતા દર્શાવે છે. |
cf08bf7bcf3d3ec926d0cedf453e257e21cc398a | સેમીકન્ડક્ટર ઉદ્યોગમાં ઉપકરણ પરીક્ષણ એ સૌથી મોટો ઉત્પાદન ખર્ચ છે, જેમાં દર વર્ષે 40 મિલિયન ડોલરનો ખર્ચ થાય છે. આ પ્રકારની સૌથી વ્યાપક અને વ્યાપક પુસ્તક, ટેસ્ટિંગ ઓફ ડિજિટલ સિસ્ટમ્સમાં આ મહત્વપૂર્ણ વિષય વિશે તમારે જાણવાની જરૂર છે તે બધું આવરી લે છે. મૂળભૂત બાબતોથી શરૂ કરીને, લેખકો વધુ અદ્યતન વિષયો જેમ કે IDDQ પરીક્ષણ, કાર્યકારી પરીક્ષણ, વિલંબ ભૂલ પરીક્ષણ, મેમરી પરીક્ષણ અને ભૂલ નિદાન પર આગળ વધતા પહેલા, રીડરને સ્વચાલિત પરીક્ષણ પેટર્ન જનરેશન, પરીક્ષણક્ષમતા માટે ડિઝાઇન અને ડિજિટલ સર્કિટ્સના બિલ્ટ-ઇન સ્વ-પરીક્ષણ દ્વારા લઈ જાય છે. આ પુસ્તકમાં વિવિધ ખામીયુક્ત સ્થિતિઓ માટે પરીક્ષણ પેદા કરવા સહિત નવીનતમ તકનીકોની વિગતવાર સારવાર, સંકલિત સર્કિટ હાયરાર્કીના વિવિધ સ્તરો પર પરીક્ષણ તકનીકોની ચર્ચા અને સિસ્ટમ-ઓન-એ-ચિપ પરીક્ષણ સંશ્લેષણ પર એક પ્રકરણ શામેલ છે. વિદ્યાર્થીઓ અને એન્જિનિયરો માટે લખાયેલ આ પુસ્તક એક ઉત્તમ વરિષ્ઠ/સ્નાતક સ્તરનું પાઠ્યપુસ્તક છે અને એક મૂલ્યવાન સંદર્ભ છે. |
44c3dac2957f379e7646986f593b9a7db59bd714 | |
5a4bb08d4750d27bd5a2ad0a993d144c4fb9586c | તાજેતરમાં વ્યાપકપણે જાહેર કરાયેલા ડેટા ભંગથી સેંકડો લાખો લોકોની વ્યક્તિગત માહિતી ખુલ્લી પડી છે. કેટલાક અહેવાલોમાં ડેટા ભંગના કદ અને આવર્તન બંનેમાં ચિંતાજનક વધારો દર્શાવવામાં આવ્યો છે, જે વિશ્વભરની સંસ્થાઓને વધુ ખરાબ પરિસ્થિતિ હોવાનું જણાય છે તે સંબોધવા માટે પ્રોત્સાહિત કરે છે. પરંતુ, શું સમસ્યા ખરેખર વધુ ખરાબ થઈ રહી છે? આ કાગળમાં, અમે લોકપ્રિય જાહેર ડેટાસેટનો અભ્યાસ કરીએ છીએ અને ડેટા ભંગના વલણોની તપાસ કરવા માટે બેયસિયન જનરલાઇઝ્ડ લીનિયર મોડલ્સ વિકસાવીએ છીએ. આ મોડેલનું વિશ્લેષણ દર્શાવે છે કે છેલ્લા એક દાયકામાં ડેટા ભંગનું કદ કે તેની આવર્તનમાં વધારો થયો નથી. અમે શોધીએ છીએ કે જે વધારો ધ્યાન આકર્ષિત કરે છે તે ડેટાસેટને આધારે ભારે-પૂંછડીવાળા આંકડાકીય વિતરણ દ્વારા સમજાવી શકાય છે. ખાસ કરીને, અમે શોધીએ છીએ કે ડેટા ભંગનું કદ લોગ-સામાન્ય રીતે વિતરિત થાય છે અને ભંગની દૈનિક આવર્તનને નકારાત્મક દ્વિપદી વિતરણ દ્વારા વર્ણવવામાં આવે છે. આ વિતરણો પેદા કરવાની પદ્ધતિઓ માટે સંકેતો પૂરા પાડી શકે છે જે ઉલ્લંઘન માટે જવાબદાર છે. વધુમાં, અમારા મોડેલ ભવિષ્યમાં ચોક્કસ કદના ભંગની સંભાવનાની આગાહી કરે છે. ઉદાહરણ તરીકે, અમે શોધીએ છીએ કે આગામી વર્ષમાં માત્ર 31% તક છે 10 મિલિયન રેકોર્ડ્સનું ઉલ્લંઘન અથવા વધુ યુએસમાં. કોઈ પણ વલણ હોવા છતાં, ડેટા ભંગ ખર્ચાળ છે, અને અમે આ મોડેલને બે અલગ અલગ ખર્ચના મોડેલો સાથે જોડીએ છીએ, જે આગામી ત્રણ વર્ષમાં ભંગ 55 અબજ ડોલર સુધીનો ખર્ચ કરી શકે છે. |
e8e2c3d884bba807bcf7fbfa2c27f864b20ceb80 | આ મેમો ઇન્ટરનેટ સમુદાય માટે માહિતી પૂરી પાડે છે. આ મેમો કોઈ પણ પ્રકારના ઇન્ટરનેટ સ્ટાન્ડર્ડને સ્પષ્ટ કરતું નથી. આ મેમોનું વિતરણ અમર્યાદિત છે. સારાંશ આ દસ્તાવેજમાં ક્રિપ્ટોગ્રાફિક હેશ કાર્યોનો ઉપયોગ કરીને સંદેશ પ્રમાણીકરણ માટે એક પદ્ધતિ એચએમએસી (HMAC) નું વર્ણન કરવામાં આવ્યું છે. એચએમએસીનો ઉપયોગ કોઈપણ પુનરાવર્તિત ક્રિપ્ટોગ્રાફિક હેશ ફંક્શન સાથે થઈ શકે છે, ઉદાહરણ તરીકે, એમડી 5, એસએચએ -1, ગુપ્ત શેર કરેલી કી સાથે સંયોજનમાં. એચએમએસીની ક્રિપ્ટોગ્રાફિક મજબૂતાઈ અંતર્ગત હેશ ફંક્શનની મિલકતો પર આધારિત છે. |
f01d369becb42ff69d156d5e19d8af18dadacc6e | વાયરલેસ સેન્સર નેટવર્ક (ડબ્લ્યુએસએન) સતત વધતા જતા અસરકારક સુરક્ષા પદ્ધતિઓની જરૂરિયાત પણ વધતી જાય છે. સેન્સર નેટવર્ક સંવેદનશીલ ડેટા સાથે સંપર્ક કરી શકે છે અને/અથવા પ્રતિકૂળ વાતાવરણમાં કામ કરી શકે છે, તેથી સિસ્ટમ ડિઝાઇનથી આ સુરક્ષા ચિંતાઓને ધ્યાનમાં લેવી જરૂરી છે. આ કાગળનો ઉદ્દેશ ડબલ્યુએસએનમાં ડેટા એકત્ર કરવા અને પ્રક્રિયા કરવા માટે સુરક્ષા ઉકેલોનું વર્ણન કરવાનો છે. મધ્યમ અને મોટા પાયે ડબ્લ્યુએસએન માટે પર્યાપ્ત સુરક્ષા ક્ષમતાઓ એ બજાર માટે આ નેટવર્ક્સ તૈયાર કરવા માટે હાંસલ કરવા માટે એક મુશ્કેલ પરંતુ જરૂરી ધ્યેય છે. આ કાગળમાં ડબ્લ્યુએસએનની અંતરિક્ષ સુરક્ષાના સમાધાન અને વિશ્વસનીયતા પડકારો પર એક ઝાંખી છે. |
18f5593d6082b1ba3c02cf64d64eb9d969db3e6b | વેક્ટર સ્પેસ વર્ડ પ્રતિનિધિત્વ ઘણા કુદરતી ભાષા પ્રોસેસિંગ એપ્લિકેશન્સ માટે ઉપયોગી છે. વેક્ટર પ્રતિનિધિત્વની ગણતરી માટે વિવિધ તકનીકો અને મૂલ્યાંકન બેંચમાર્કની મોટી સંખ્યામાં નવી વેક્ટર સ્પેસ મોડેલો વિકસાવતા સંશોધકો અને તેનો ઉપયોગ કરવા માંગતા લોકો માટે વિશ્વસનીય સરખામણી એક કંટાળાજનક કાર્ય બનાવે છે. અમે એક વેબસાઇટ અને ઑફલાઇન સાધનોનો સમૂહ રજૂ કરીએ છીએ જે પ્રમાણભૂત લેક્સિકલ સિમેન્ટીક્સ બેંચમાર્ક પર શબ્દ વેક્ટર્સનું મૂલ્યાંકન કરે છે અને વપરાશકર્તાઓ દ્વારા વિનિમય અને આર્કાઇવની મંજૂરી આપે છે જે તેમની એપ્લિકેશન્સ માટે સારા વેક્ટર્સ શોધવા માંગે છે. આ સિસ્ટમ www.wordvectors.org પર ઉપલબ્ધ છે. |
cc383d9308c38e36d268b77bd6acee7bcd79fc10 | વેરેબલ અને ઇમ્પ્લાન્ટ હેલ્થ મોનિટરિંગ ટેકનોલોજીમાં હાલની પ્રગતિ દર્દીઓની સર્વવ્યાપક દેખરેખને સક્ષમ કરીને આરોગ્ય સંભાળ સેવાઓના ભવિષ્યને બદલવાની મજબૂત સંભાવના ધરાવે છે. એક લાક્ષણિક આરોગ્ય મોનિટરિંગ સિસ્ટમ વસ્ત્રો અથવા પ્રત્યારોપિત સેન્સર્સનું નેટવર્ક ધરાવે છે જે સતત શારીરિક પરિમાણોનું નિરીક્ષણ કરે છે. એકત્રિત ડેટાને વધારાની પ્રક્રિયા માટે બેઝ સ્ટેશનને હાલના વાયરલેસ કોમ્યુનિકેશન પ્રોટોકોલ્સનો ઉપયોગ કરીને રીલે કરવામાં આવે છે. આ લેખ સંશોધકોને ઓછી શક્તિવાળી સંચાર તકનીકોની તુલના કરવા માટે માહિતી પૂરી પાડે છે જે સંભવિતપણે ડબલ્યુબીએન સિસ્ટમ્સના ઝડપી વિકાસ અને જમાવટને ટેકો આપી શકે છે, અને મુખ્યત્વે રહેણાંક વાતાવરણમાં વૃદ્ધ અથવા ક્રોનિક બીમાર દર્દીઓની દૂરસ્થ દેખરેખ પર ધ્યાન કેન્દ્રિત કરે છે. |
b3e326f56fd2e32f33fd5a8f3138c6633da25786 | આ કાગળ સ્વયં સંચાલિત સફાઈ રોબોટ રોબોકિંગની સિસ્ટમ એકીકરણ અને ઝાંખી રજૂ કરશે. રોબોકિંગ સ્વયં સંચાલિત સ્વયં સંચાલિત વેક્યુમ સફાઈ રોબોટ છે. તે સફાઈ કરતી વખતે આંતરિક વાતાવરણ અને પોતાને સુરક્ષિત કરવા માટે ઘણા સેન્સર્સનો ઉપયોગ કરે છે. આ કાગળમાં, અમે સિસ્ટમ માળખું, સેન્સર, કાર્યો અને સંકલિત સબસિસ્ટમ્સ સાથે ઓપરેશનના સિદ્ધાંતનું વર્ણન કરીશું. |
85b3cd74945cc6517aa3a7017f89d8857c3600da | વિદ્યાર્થીની ભાવિ કામગીરીનું સચોટ અંદાજનું મહત્વ આવશ્યક છે જેથી વિદ્યાર્થીને શીખવાની પ્રક્રિયામાં પર્યાપ્ત સહાયતા પૂરી પાડી શકાય. આ માટે આ સંશોધનનો ઉદ્દેશ વિદ્યાર્થીઓના પ્રદર્શનની આગાહી કરવા માટે બેયસિયન નેટવર્કના ઉપયોગની તપાસ કરવાનો હતો, જે કેટલાક ઓળખી કાઢેલા લક્ષણોના મૂલ્યો પર આધારિત છે. અમે હાઇ સ્કૂલના વિદ્યાર્થીઓનાં ડેટા સેટ સાથે પ્રદર્શનની આગાહી પરના પ્રયોગો પ્રસ્તુત કર્યા જેમાં 8 લક્ષણો છે. આ કાગળ શિક્ષણના ક્ષેત્રમાં બેયસિયન અભિગમની અરજી દર્શાવે છે અને બતાવે છે કે બેયસિયન નેટવર્ક વર્ગીકરણકર્તાનો ઉપયોગ વિદ્યાર્થીના પ્રદર્શનની આગાહી માટે એક સાધન તરીકે કરવાની સંભાવના છે. |
86aa83ebab0f72ef84f8e6d62379c71c04cb6b68 | |
05e5e58edead6167befb089444d35fbd17b13414 | |
8c63d23cc29dc6221ed6bd0704fccc03baf20ebc | સંવાદની ક્રિયાપ્રતિક્રિયા માટે એપ્લિકેશન્સમાં તાજેતરમાં વિસ્ફોટ થયો છે જે દિશા નિર્દેશ અને પ્રવાસી માહિતીથી લઈને ઇન્ટરેક્ટિવ સ્ટોરી સિસ્ટમ્સ સુધીનો છે. છતાં આ સિસ્ટમોની ઘણી બધી કુદરતી ભાષા પેદા (એનએલજી) ઘટક મોટે ભાગે હાથથી બનાવવામાં આવે છે. આ મર્યાદા એપ્લિકેશન્સની શ્રેણીને મોટા પ્રમાણમાં મર્યાદિત કરે છે; તેનો અર્થ એ પણ છે કે અભિવ્યક્તિ અને આંકડાકીય ભાષા પેદા કરવાના તાજેતરના કામનો લાભ લેવો અશક્ય છે જે ગતિશીલ અને આપમેળે આપેલ સામગ્રીના મોટા પ્રમાણમાં વિવિધતા પેદા કરી શકે છે. અમે પ્રસ્તાવ કરીએ છીએ કે આ સમસ્યાનું સમાધાન ભાષા પેદા કરવાના સંસાધનો વિકસાવવા માટે નવી પદ્ધતિઓમાં રહેલું છે. અમે ઇએસ-ટ્રાન્સલેટરનું વર્ણન કરીએ છીએ, જે એક કોમ્પ્યુટેશનલ ભાષા જનરેટર છે જે અગાઉ માત્ર દંતકથાઓ પર લાગુ કરવામાં આવ્યું છે, અને વેબલોગ્સમાંથી વ્યક્તિગત કથાઓ પર લાગુ કરીને EST ની ડોમેન સ્વતંત્રતાનું માત્રાત્મક મૂલ્યાંકન કરે છે. પછી અમે વાર્તા પેદા કરવા માટે પેરામેટરાઇઝ્ડ સજા આયોજક બનાવવા માટે ભાષા પેદા કરવા પર તાજેતરના કાર્યનો લાભ લઈએ છીએ જે એકત્રીકરણ કામગીરી, ભાષણમાં વિવિધતા અને દૃષ્ટિકોણ આપે છે. છેલ્લે, અમે વિવિધ વ્યક્તિગત વર્ણનાત્મક પુનરાવર્તનોના વપરાશકર્તા મૂલ્યાંકન રજૂ કરીએ છીએ. |
43dfdf71c82d7a61367e94ea927ef1c33d4ac17a | સંવેદનશીલ ડેટાની ઝડપથી વધતી સંખ્યા અને સરકારી નિયમનોની વધતી સંખ્યા જે લાંબા ગાળાના ડેટા જાળવણી અને સુરક્ષાની જરૂર છે, એ ઉદ્યોગોને સંગ્રહ સુરક્ષા પર ગંભીર ધ્યાન આપવાની ફરજ પાડી છે. આ કાગળમાં અમે સંગ્રહ સાથે સંબંધિત મહત્વપૂર્ણ સુરક્ષા મુદ્દાઓની ચર્ચા કરીએ છીએ અને હાલની સંગ્રહ પ્રણાલીઓ દ્વારા પૂરી પાડવામાં આવતી સુરક્ષા સેવાઓનો વ્યાપક સર્વેક્ષણ રજૂ કરીએ છીએ. અમે સ્ટોરેજ સુરક્ષા સાહિત્યની વિશાળ શ્રેણીને આવરી લઈએ છીએ, હાલના ઉકેલોની નિર્ણાયક સમીક્ષા રજૂ કરીએ છીએ, તેમની તુલના કરીએ છીએ અને સંભવિત સંશોધન મુદ્દાઓને પ્રકાશિત કરીએ છીએ. |
b594a248218121789e5073a90c31b261610478e0 | આ કાગળમાં લીનિયર લઘુતમ ચોરસ સમસ્યાઓના ક્રમને ઉકેલવા દ્વારા મોટા પાયે એસએલએએમ માટે એક વ્યૂહરચના રજૂ કરવામાં આવી છે. આ અલ્ગોરિધમનો સબમેપ જોઇનિંગ પર આધારિત છે જ્યાં સબમેપ કોઇપણ હાલની એસએલએએમ તકનીકનો ઉપયોગ કરીને બનાવવામાં આવે છે. તે દર્શાવવામાં આવ્યું છે કે જો સબમેપ્સ કોઓર્ડિનેટ ફ્રેમ્સને સમજદારીપૂર્વક પસંદ કરવામાં આવે છે, તો બે સબમેપ્સને જોડવા માટે લઘુત્તમ ચોરસ ઉદ્દેશ્ય કાર્ય રાજ્ય વેક્ટરના વર્ગમૂલ્ય કાર્ય બની જાય છે. તેથી, મોટા પાયે એસએલએએમ માટે એક રેખીય ઉકેલ છે જેને અનુક્રમે અથવા વધુ કાર્યક્ષમ રીતે વિભાજીત અને વિજયી રીતે સ્થાનિક સબમેપ્સની સંખ્યાને જોડવા માટે જરૂરી છે. પ્રસ્તાવિત લીનિયર એસએલએએમ ટેકનિક બે અને ત્રણ પરિમાણોમાં સુવિધા આધારિત અને પોઝ ગ્રાફ એસએલએએમ બંને માટે લાગુ પડે છે, અને કોવેરિયન્સ મેટ્રિક્સના પાત્ર પર કોઈ ધારણા અથવા રાજ્ય વેક્ટરનો પ્રારંભિક અનુમાન કરવાની જરૂર નથી. આ અલ્ગોરિધમનો શ્રેષ્ઠ સંપૂર્ણ બિનરેખીય લઘુત્તમ ચોરસ એસએલએએમનો અંદાજ હોવા છતાં, 2D અને 3D માં સાર્વજનિક રીતે ઉપલબ્ધ ડેટાસેટ્સનો ઉપયોગ કરીને સિમ્યુલેશન અને પ્રયોગો દર્શાવે છે કે લીનિયર એસએલએએમ એવા પરિણામો ઉત્પન્ન કરે છે જે શ્રેષ્ઠ ઉકેલોની ખૂબ નજીક હોય છે જે સંપૂર્ણ બિનરેખીય ઑપ્ટિમાઇઝેશનનો ઉપયોગ કરીને મેળવી શકાય છે જે ચોક્કસ પ્રારંભિક મૂલ્યથી શરૂ થાય છે. પ્રસ્તાવિત અલ્ગોરિધમનો માટે C/C++ અને MATLAB સ્રોત કોડ OpenSLAM પર ઉપલબ્ધ છે. |
69ab8fe2bdc2b1ea63d86c7fd64142e5d3ed88ec | અમે માહિતી પુનઃપ્રાપ્તિના ક્લાસિકલ સંભાવનાત્મક મોડેલો અને ઉભરતી ભાષા મોડેલિંગ અભિગમો વચ્ચેના સંબંધની શોધ કરીએ છીએ. લાંબા સમયથી એ વાતની માન્યતા છે કે ક્લાસિકલ મોડલ્સના અસરકારક પ્રદર્શન માટે પ્રાથમિક અવરોધ એ છે કે સંબંધિત મોડેલનો અંદાજ કાઢવાની જરૂર છેઃ સંબંધિત વર્ગમાં શબ્દોની સંભાવનાઓ. અમે માત્ર ક્વેરીનો ઉપયોગ કરીને આ સંભાવનાઓનો અંદાજ કાઢવા માટે એક નવલકથા તકનીક પ્રસ્તાવિત કરીએ છીએ. અમે દર્શાવ્યું છે કે અમારી તકનીક ઉચ્ચ સચોટતાવાળા અનુરૂપતા મોડેલો ઉત્પન્ન કરી શકે છે, સમાનાર્થી અને બહુવચનવાદની મહત્વપૂર્ણ ખ્યાલોને સંબોધિત કરે છે. અમારા પ્રયોગો દર્શાવે છે કે TREC પુનઃપ્રાપ્તિ અને TDT ટ્રેકિંગ કાર્યો પર બેઝલાઇન ભાષા મોડેલિંગ સિસ્ટમ્સ કરતાં વધુ પ્રદર્શન કરે છે. આ કામનો મુખ્ય ફાળો તાલીમ ડેટા વગર સુસંગતતા મોડેલનો અંદાજ કાઢવા માટે અસરકારક ઔપચારિક પદ્ધતિ છે. |
2a894be44d07a963c28893cc6f45d29fbfa872f7 | મશીન લર્નિંગ (એમએલ) એલ્ગોરિધમ્સ સામાન્ય રીતે મોટા ડેટા પર લાગુ થાય છે, વિતરણ સિસ્ટમોનો ઉપયોગ કરીને જે મશીનોમાં ડેટાને પાર્ટીશન કરે છે અને દરેક મશીનને તમામ એમએલ મોડેલ પરિમાણોને વાંચવા અને અપડેટ કરવાની મંજૂરી આપે છે - ડેટા સમાંતરતા તરીકે ઓળખાતી વ્યૂહરચના. વૈકલ્પિક અને પૂરક વ્યૂહરચના, મોડેલ સમાંતરતા, બિન-વહેંચાયેલ સમાંતર ઍક્સેસ અને અપડેટ્સ માટે મોડેલ પરિમાણોને પાર્ટીશનો કરે છે, અને સંદેશાવ્યવહારને સરળ બનાવવા માટે સમયાંતરે પરિમાણોને ફરીથી વિભાજીત કરી શકે છે. મોડેલ સમાંતરતા બે પડકારો દ્વારા પ્રેરિત છે જે ડેટા-સમાંતરતા સામાન્ય રીતે સંબોધિત કરતી નથી: (1) પરિમાણો આશ્રિત હોઈ શકે છે, આમ નિખાલસ એક સાથે અપડેટ્સ ભૂલો રજૂ કરી શકે છે જે સંકલનને ધીમું કરે છે અથવા અલ્ગોરિધમનો નિષ્ફળતા પણ પેદા કરે છે; (2) મોડેલ પરિમાણો વિવિધ દરે સંકલિત થાય છે, આમ પરિમાણોનો એક નાનો સબસેટ એમએલ અલ્ગોરિધમનો પૂર્ણ કરી શકે છે. અમે સુનિશ્ચિત મોડેલ સમાંતરતા (એસચીએમપી) ની દરખાસ્ત કરીએ છીએ, જે પ્રોગ્રામિંગ અભિગમ છે જે પરિમાણ પરાધીનતા અને અસમાન સંકલનને ધ્યાનમાં રાખીને, અસરકારક રીતે પેરામીટર અપડેટ્સને સુનિશ્ચિત કરીને એમએલ અલ્ગોરિધમનો સંકલન ઝડપમાં સુધારો કરે છે. સ્કેલ પર SchMP ને ટેકો આપવા માટે, અમે એક વિતરણ માળખું STRADS વિકસાવીએ છીએ જે SchMP પ્રોગ્રામ્સના થ્રુપુટને ઑપ્ટિમાઇઝ કરે છે, અને ચાર સામાન્ય એમએલ એપ્લિકેશન્સને સ્કેલ પર SchMP પ્રોગ્રામ્સ તરીકે લખવામાં આવે છેઃ એલડીએ વિષય મોડેલિંગ, મેટ્રિક્સ ફેક્ટરીઝેશન, વિખરાયેલા લઘુત્તમ-ચોરસ (લાસો) રીગ્રેસન અને વિખરાયેલા લોજિસ્ટિક રીગ્રેસન. સ્કેમપ પ્રોગ્રામિંગ દ્વારા મશીનરી મશીનની પ્રગતિમાં સુધારો કરીને અને સ્ટ્રેડ્સ દ્વારા મશીનરી મશીનની પ્રસારિતામાં સુધારો કરીને આપણે બતાવીએ છીએ કે સ્ટ્રેડ્સ પર ચાલતા સ્કેમપ પ્રોગ્રામ્સ બિન-મોડલ-સમાન મશીનરી મશીનરી અમલીકરણોને વટાવી દે છેઃ ઉદાહરણ તરીકે, સ્કેમપ એલડીએ અને સ્કેમપ લાસો અનુક્રમે તાજેતરના, સારી રીતે સ્થાપિત બેઝલાઇન કરતાં 10x અને 5x ઝડપી સંકલન પ્રાપ્ત કરે છે. |
bdc6acc8d11b9ef1e8f0fe2f0f41ce7b6f6a100a | પરંપરાગત ટેક્સ્ટ સમાનતા માપદંડો દરેક શબ્દને માત્ર પોતાની સાથે સમાન માને છે અને શબ્દોની અર્થપૂર્ણ સંબંધનું મોડેલિંગ કરતા નથી. અમે એક નવલકથા ભેદભાવ તાલીમ પદ્ધતિ પ્રસ્તાવ છે કે જે સામાન્ય, નીચા પરિમાણીય વેક્ટર જગ્યા માં કાચા શબ્દ વેક્ટરો પ્રોજેક્ટ. અમારો અભિગમ શ્રેષ્ઠ મેટ્રિક્સને શોધીને કાર્ય કરે છે જે પ્રક્ષેપિત વેક્ટર્સના પૂર્વ-પસંદ કરેલ સમાનતા કાર્ય (દા. ત. , કોસિનસ) ના નુકશાનને ઘટાડે છે, અને ઉચ્ચ પરિમાણીય જગ્યામાં મોટી સંખ્યામાં તાલીમ ઉદાહરણોને અસરકારક રીતે નિયંત્રિત કરવામાં સક્ષમ છે. બે અત્યંત અલગ અલગ કાર્યો, ક્રોસ-લેંગ્વેજ દસ્તાવેજ પુનઃપ્રાપ્તિ અને જાહેરાત સુસંગતતા માપ પર મૂલ્યાંકન, અમારી પદ્ધતિ માત્ર હાલની રાજ્ય-ઓફ-ધ-આર્ટ અભિગમોને જ આગળ નથી, પણ ઓછી પરિમાણો પર ઉચ્ચ ચોકસાઈ પ્રાપ્ત કરે છે અને તેથી વધુ કાર્યક્ષમ છે. |
50988101501366324c11e9e7a199e88a9a899bec | |
b2e68ca577636aaa6f6241c3af7478a3ae1389a7 | નર્સિંગના સંદર્ભમાં પરિવર્તનશીલ નેતૃત્વની વિભાવનાનું વિશ્લેષણ કરવું. બેકગ્રાઉન્ડ સંભાળ પૂરી પાડવાના ખર્ચમાં ઘટાડો કરતી વખતે દર્દીના પરિણામોમાં સુધારો લાવવાની જવાબદારી નર્સોને આરોગ્ય સંભાળમાં સુધારાને અમલમાં મૂકવા માટે વ્યૂહરચનાઓની જરૂર છે અને એક આશાસ્પદ વ્યૂહરચના પરિવર્તનશીલ નેતૃત્વ છે. પરિવર્તનશીલ નેતૃત્વ અને તેની સંભવિતતાની શોધ અને વધુ સમજણ કામગીરીમાં સુધારો અને દર્દી સલામતી માટે અભિન્ન ભાગ છે. વોકર અને એવન્ટ (2005) ની ખ્યાલ વિશ્લેષણ પદ્ધતિનો ઉપયોગ કરીને ડિઝાઇન ખ્યાલ વિશ્લેષણ. ડેટા સ્રોત પબમેડ, સિનાહલ અને સાયકિનફો. આ અહેવાલમાં નર્સિંગના સંદર્ભમાં પરિવર્તનશીલ નેતૃત્વની વિભાવનાનું અસરકારક રીતે વિશ્લેષણ કરવા માટે પરિવર્તનશીલ નેતૃત્વ, સંચાલન અને નર્સિંગ પરના અસ્તિત્વમાંના સાહિત્ય પર આધારિત છે. નર્સિંગ માટેનો અર્થ આ અહેવાલમાં પરિવર્તનશીલ નેતૃત્વ માટે નવી ઓપરેશનલ વ્યાખ્યાનો પ્રસ્તાવ છે અને નમૂનાના કેસોની ઓળખ કરે છે અને નર્સિંગ સંદર્ભ માટે વિશિષ્ટ લક્ષણો વ્યાખ્યાયિત કરે છે. સંસ્થાકીય સંસ્કૃતિ અને દર્દીના પરિણામો પર પરિવર્તનશીલ નેતૃત્વનો પ્રભાવ સ્પષ્ટ છે. ખાસ કરીને રસપ્રદ એ શોધ છે કે પરિવર્તનશીલ નેતૃત્વને શીખવા યોગ્ય યોગ્યતાઓના સમૂહ તરીકે વ્યાખ્યાયિત કરી શકાય છે. જો કે, પરિવર્તનશીલ નેતૃત્વ દર્દીના પરિણામોને કેવી રીતે પ્રભાવિત કરે છે તે પદ્ધતિ અસ્પષ્ટ છે. નર્સિંગમાં પરિવર્તનશીલ નેતૃત્વ ઉચ્ચ પ્રદર્શન કરતી ટીમો અને દર્દી સંભાળમાં સુધારો સાથે સંકળાયેલું છે, પરંતુ ભાગ્યે જ તેને કુશળતાના સમૂહ તરીકે ગણવામાં આવે છે જે શીખવી શકાય છે. આ ઉપરાંત, વધુ સંશોધન એ પ્રયોગાત્મક સંદર્ભોને મજબૂત કરવા માટે જરૂરી છે; આ ઓપરેશનલ વ્યાખ્યામાં સુધારો કરીને, કી બાંધકામમાં અસ્પષ્ટતા ઘટાડીને અને ચોક્કસ પદ્ધતિઓની શોધખોળ કરીને કરી શકાય છે જેના દ્વારા પરિવર્તનશીલ નેતૃત્વ આરોગ્યસંભાળના પરિણામોને સબસ્કેલ માપદંડોને માન્ય કરવા માટે પ્રભાવિત કરે છે. |
bdcdc95ef36b003fce90e8686bfd292c342b0b57 | મૂલ્ય ઑપ્ટિમાઇઝેશન માટે માત્ર એક જ ન્યુરલ નેટવર્કનો ઉપયોગ કરીને કાચા સંવેદનાત્મક ડેટા પર સામાન્યકરણમાં રિઇનફોર્સમેન્ટ લર્નિંગએ મહાન સંભવિતતા દર્શાવી છે. વર્તમાન સ્ટેટ-ઓફ-ધ-આર્ટ રિઇનફોર્સ્મેંટ લર્નિંગ અલ્ગોરિધમ્સમાં કેટલાક પડકારો છે જે તેમને વૈશ્વિક શ્રેષ્ઠ તરફ સંલગ્ન થવાથી અટકાવે છે. આ સમસ્યાઓનું સમાધાન ટૂંકા અને લાંબા ગાળાના આયોજન, સંશોધન અને રિઇનફોર્સમેન્ટ લર્નિંગ અલ્ગોરિધમ્સ માટે મેમરી મેનેજમેન્ટમાં રહેલું છે. રમતોનો ઉપયોગ ઘણીવાર મજબૂતીકરણ શીખવાની અલ્ગોરિધમ્સને બેંચમાર્ક કરવા માટે કરવામાં આવે છે કારણ કે તે એક લવચીક, પુનરાવર્તિત અને સરળતાથી નિયંત્રિત વાતાવરણ પૂરું પાડે છે. તેમ છતાં, કેટલીક રમતોમાં રાજ્ય-જગ્યા છે જ્યાં સંશોધન, મેમરી અને આયોજનના પરિણામો સરળતાથી અનુભવાય છે. આ પેપરમાં ડ્રીમિંગ વેરિયેશનલ ઓટોએન્કોડર (ડીવીએઇ) રજૂ કરવામાં આવ્યું છે, જે વિરલ પ્રતિસાદવાળા વાતાવરણમાં સંશોધન માટે ન્યુરલ નેટવર્ક આધારિત જનરેટિવ મોડેલિંગ આર્કિટેક્ચર છે. અમે આગળ ડીપ લેબનેઝ રજૂ કરીએ છીએ, એક નવલકથા અને લવચીક લેબ એન્જિન જે આંશિક અને સંપૂર્ણ નિરીક્ષણક્ષમ રાજ્ય-અવકાશમાં, લાંબા ક્ષિતિજ કાર્યો, અને નિર્ધારિત અને સ્ટોકેસ્ટિક સમસ્યાઓમાં DVAE ને પડકાર આપે છે. અમે પ્રારંભિક તારણો બતાવીએ છીએ અને જનરેટિવ સંશોધન દ્વારા સંચાલિત રિઇનફોર્સમેન્ટ લર્નિંગમાં વધુ કાર્યને પ્રોત્સાહિત કરીએ છીએ. |
7e5af1cf715305fc394b5d24fc1caf17643a9205 | ઇન્ફોર્મેશન ટેકનોલોજી (આઇટી) અને સંસ્થાઓ વચ્ચેના સંબંધની પ્રકૃતિ ઇન્ફોર્મેશન સિસ્ટમ્સ સાહિત્યમાં લાંબા સમયથી ચર્ચા છે. શું આઇટી સંસ્થાઓને આકાર આપે છે, અથવા સંસ્થાઓમાં લોકો આઇટીનો ઉપયોગ કેવી રીતે થાય છે તે નિયંત્રિત કરે છે? આ પ્રશ્નનો થોડો અલગ રીતે ઉચ્ચારણ કરીએ તો શું એજન્સી (ફેરફાર કરવાની ક્ષમતા) મુખ્યત્વે મશીનો (કમ્પ્યુટર સિસ્ટમ્સ) અથવા મનુષ્ય (સંગઠનકારી અભિનેતાઓ) સાથે છે? ટેકનોલોજીકલ અને સામાજિક નિર્ધારણવાદની ચરમસીમાઓ વચ્ચે મધ્યમ માર્ગ માટે ઘણા પ્રસ્તાવો આગળ મૂકવામાં આવ્યા છે; તાજેતરના વર્ષોમાં સામાજિક સિદ્ધાંતો તરફ લક્ષી સંશોધકોએ માળખાગત સિદ્ધાંત અને (તાજેતરમાં) અભિનેતા નેટવર્ક સિદ્ધાંત પર ધ્યાન કેન્દ્રિત કર્યું છે. આ બે સિદ્ધાંતો, જોકે, એજન્સીના જુદા જુદા અને અસંગત દ્રષ્ટિકોણો અપનાવે છે. આમ, માળખાકીય સિદ્ધાંત એજન્સીને ફક્ત મનુષ્યની મિલકત તરીકે જુએ છે, જ્યારે અભિનેતા નેટવર્ક સિદ્ધાંતમાં સામાન્ય સમપ્રમાણતાનો સિદ્ધાંત સૂચવે છે કે મશીનો પણ એજન્ટ હોઈ શકે છે. માળખાકીય સિદ્ધાંત અને અભિનેતા નેટવર્ક સિદ્ધાંત બંનેની ટીકાઓ પર આધારિત, આ કાગળ માનવ અને મશીન એજન્સી વચ્ચેની ક્રિયાપ્રતિક્રિયાના સૈદ્ધાંતિક એકાઉન્ટને વિકસિત કરે છેઃ એજન્સીનો ડબલ ડાન્સ. આ અહેવાલમાં માનવ અને મશીન એજન્સીના જુદા જુદા પાત્ર અને તેમની ક્રિયાપ્રતિક્રિયાના ઉભરતા ગુણધર્મોને માન્યતા આપીને ટેકનોલોજી અને સંસ્થા વચ્ચેના સંબંધની સિદ્ધાંતમાં ફાળો આપવાનો પ્રયાસ કરવામાં આવ્યો છે. |
d7cbedbee06293e78661335c7dd9059c70143a28 | અમે અત્યંત કાર્યક્ષમ સીએનએન મોડેલો, મોબાઇલફેસનેટ્સનો એક વર્ગ રજૂ કરીએ છીએ, જે 1 મિલિયનથી ઓછા પરિમાણોનો ઉપયોગ કરે છે અને ખાસ કરીને મોબાઇલ અને એમ્બેડેડ ઉપકરણો પર ઉચ્ચ-ચોકસાઇવાળા રીઅલ-ટાઇમ ચહેરાની ચકાસણી માટે તૈયાર કરવામાં આવે છે. આપણે સૌ પ્રથમ સામાન્ય મોબાઇલ નેટવર્ક્સની નબળાઈ પર એક સરળ વિશ્લેષણ કરીએ છીએ ચહેરાની ચકાસણી માટે. અમારી ખાસ ડિઝાઇન કરેલી મોબાઇલફેસનેટ્સ દ્વારા આ નબળાઈને સારી રીતે દૂર કરવામાં આવી છે. એ જ પ્રાયોગિક પરિસ્થિતિઓ હેઠળ, અમારા મોબાઇલફેસનેટ્સ મોબાઇલનેટવી 2 કરતા નોંધપાત્ર રીતે બહેતર ચોકસાઈ તેમજ 2 ગણાથી વધુ વાસ્તવિક ઝડપ પ્રાપ્ત કરે છે. રિફાઇન એમએસ-સેલેબ-1એમ પર આર્કફેસ લોસ દ્વારા પ્રશિક્ષિત કર્યા પછી, 4.0 એમબી કદના અમારા એકમાત્ર મોબાઇલફેસનેટ એલએફડબલ્યુ પર 99.55% ચોકસાઈ અને મેગાફેસ પર 92.59% ટીઆર @ એફએઆર 1 ઇ -6 પ્રાપ્ત કરે છે, જે સેંકડો એમબી કદના રાજ્યના કલા મોટા સીએનએન મોડેલો સાથે પણ તુલનાત્મક છે. મોબાઇલફેસનેટ્સમાં સૌથી ઝડપી એક મોબાઇલ ફોન પર 18 મિલિસેકન્ડનો વાસ્તવિક અનુમાન સમય છે. ચહેરાની ચકાસણી માટે, મોબાઇલફેસનેટ્સ અગાઉના રાજ્ય-ઓફ-ધ-આર્ટ મોબાઇલ સીએનએન કરતા નોંધપાત્ર રીતે સુધારેલી કાર્યક્ષમતા પ્રાપ્ત કરે છે. |
44f18ef0800e276617e458bc21502947f35a7f94 | માર્કર આધારિત અને માર્કર-લસ ઓપ્ટિકલ સ્કેલેટલ મોશન કેપ્ચર પદ્ધતિઓ દ્રશ્યની આસપાસ મૂકવામાં આવેલા કેમેરાની બહારની ગોઠવણીનો ઉપયોગ કરે છે, જેમાં કેન્દ્ર પર દૃશ્ય બિંદુઓ આવે છે. તેઓ ઘણીવાર માર્કર સુટ્સ સાથે અગવડતા પેદા કરે છે, અને તેમના રેકોર્ડિંગ વોલ્યુમ ગંભીર રીતે પ્રતિબંધિત છે અને ઘણીવાર નિયંત્રિત બેકગ્રાઉન્ડ સાથે ઇન્ડોર દ્રશ્યો સુધી મર્યાદિત છે. વૈકલ્પિક સુટ-આધારિત સિસ્ટમો અંદરથી સેટઅપ સાથે ગતિને પકડવા માટે કેટલાક નિષ્ક્રિય માપન એકમો અથવા એક્ઝોસ્કેલેટનો ઉપયોગ કરે છે, એટલે કે. બાહ્ય સેન્સર વગર. આ કેપ્ચરને મર્યાદિત વોલ્યુમથી સ્વતંત્ર બનાવે છે, પરંતુ નોંધપાત્ર, ઘણીવાર પ્રતિબંધિત, અને શરીરના સાધનોને સેટ કરવા માટે મુશ્કેલ છે. તેથી, અમે રીઅલ-ટાઇમ, માર્કર-લેસ, અને અહંકાર-કેન્દ્રિત ગતિ કેપ્ચર માટે એક નવી પદ્ધતિ પ્રસ્તાવિત કરીએ છીએઃ હેલ્મેટ અથવા વર્ચ્યુઅલ રિયાલિટી હેડસેટ સાથે જોડાયેલ માછલીની આંખ કેમેરાની હળવા સ્ટીરિયો જોડીથી સંપૂર્ણ શરીરના હાડપિંજર પોઝનું અંદાજ કાઢવું - એક ઓપ્ટિકલ અંદર-ઇન પદ્ધતિ, તેથી બોલવા માટે. આ સામાન્ય રીતે ઇન્ડોર અને આઉટડોર દ્રશ્યોમાં સંપૂર્ણ શરીરની ગતિ કેપ્ચર કરવાની મંજૂરી આપે છે, જેમાં નજીકના ઘણા લોકો સાથે ગીચ દ્રશ્યોનો સમાવેશ થાય છે, જે મોટા પાયે પ્રવૃત્તિઓમાં પુનર્નિર્માણને સક્ષમ કરે છે. અમારો અભિગમ માછલીની આંખના દૃશ્યો માટે નવા જનરેટિવ પોઝ અંદાજ માળખાની શક્તિને કોનવેટ-આધારિત બોડી-પાર્ટ ડિટેક્ટર સાથે જોડે છે જે મોટા નવા ડેટાસેટ પર તાલીમ આપવામાં આવે છે. વર્ચ્યુઅલ રિયાલિટીમાં મુક્તપણે ફરવું અને ક્રિયાપ્રતિક્રિયા કરવી ખાસ કરીને ઉપયોગી છે, જ્યારે સંપૂર્ણ ગતિ-કેપ્ચર કરેલ વર્ચ્યુઅલ બોડી જોવી. |
094ca99cc94e38984823776158da738e5bc3963d | આ લેખમાં આગાહી માટે વિશિષ્ટ વૃદ્ધિશીલ શિક્ષણ કાર્યવાહીનો વર્ગ રજૂ કરવામાં આવ્યો છે - એટલે કે, તેના ભાવિ વર્તનની આગાહી કરવા માટે અપૂર્ણ રીતે જાણીતી સિસ્ટમ સાથે ભૂતકાળના અનુભવનો ઉપયોગ કરવા માટે. જ્યારે પરંપરાગત આગાહી-શીખવાની પદ્ધતિઓ આગાહી અને વાસ્તવિક પરિણામો વચ્ચેના તફાવત દ્વારા ક્રેડિટ સોંપે છે, નવી પદ્ધતિઓ સમયસર ક્રમિક આગાહીઓ વચ્ચેના તફાવત દ્વારા ક્રેડિટ સોંપે છે. તેમ છતાં સેમ્યુઅલના ચેકર પ્લેયર, હોલેન્ડની બકેટ બ્રિગેડ અને લેખકના અનુકૂલનશીલ હ્યુરિસ્ટિક ક્રિટિકમાં આવા સમય-ભેદ પદ્ધતિઓનો ઉપયોગ કરવામાં આવ્યો છે, તેઓ નબળી રીતે સમજી ગયા છે. અહીં અમે ખાસ કિસ્સાઓમાં તેમની સંકલન અને શ્રેષ્ઠતા સાબિત કરીએ છીએ અને તેમને સુપરવાઇઝ્ડ-લર્નિંગ પદ્ધતિઓ સાથે સંબંધિત કરીએ છીએ. મોટાભાગની વાસ્તવિક દુનિયાની આગાહીની સમસ્યાઓ માટે, સમય-ભેદ પદ્ધતિઓ માટે પરંપરાગત પદ્ધતિઓ કરતાં ઓછી મેમરી અને ઓછી પીક ગણતરીની જરૂર પડે છે અને તેઓ વધુ સચોટ આગાહીઓ ઉત્પન્ન કરે છે. અમે દલીલ કરીએ છીએ કે જે સમસ્યાઓને હાલમાં સુપરવાઇઝ્ડ લર્નિંગ લાગુ કરવામાં આવે છે તે વાસ્તવમાં આગાહીની સમસ્યાઓ છે જે પ્રકારની સમય-અંતર પદ્ધતિઓ લાભ માટે લાગુ કરી શકાય છે. |
86955608218ab293d41b6d1c0bf9e1be97f571d8 | |
03aca587f27fda3cbdad708aa69c07fc71b691d7 | ઇન્ટરસ્ટિશિયલ ફેફસાના રોગો (આઇએલડી) માટે કોમ્પ્યુટર સહાયિત નિદાન (સીએડી) પ્રણાલીના સ્વયંસંચાલિત પેશીનું લાક્ષણિકતા એ સૌથી મહત્વપૂર્ણ ઘટકોમાંનું એક છે. આ ક્ષેત્રમાં ઘણા સંશોધન કરવામાં આવ્યા હોવા છતાં, આ સમસ્યા પડકારરૂપ બની રહી છે. ડીપ લર્નિંગ તકનીકોએ તાજેતરમાં વિવિધ કમ્પ્યુટર વિઝન સમસ્યાઓમાં પ્રભાવશાળી પરિણામો પ્રાપ્ત કર્યા છે, એવી અપેક્ષાઓ ઉભી કરી છે કે તેઓ તબીબી છબી વિશ્લેષણ જેવા અન્ય ક્ષેત્રોમાં લાગુ થઈ શકે છે. આ કાગળમાં, અમે આઈએલડી પેટર્નના વર્ગીકરણ માટે રચાયેલ કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક (સીએનએન) નું પ્રસ્તાવ અને મૂલ્યાંકન કરીએ છીએ. પ્રસ્તાવિત નેટવર્કમાં 5 કન્વોલ્યુશનલ સ્તરો છે જેમાં 2 × 2 કર્નલ અને લીકીઆરએલયુ સક્રિયકરણ છે, ત્યારબાદ સરેરાશ પૂલિંગ છે જે અંતિમ સુવિધા નકશાના કદ જેટલું જ છે અને ત્રણ ગાense સ્તરો છે. છેલ્લી ગાઢ સ્તરમાં 7 આઉટપુટ છે, જે ધ્યાનમાં લેવાયેલા વર્ગોની સમકક્ષ છેઃ તંદુરસ્ત, ગ્રાઉન્ડ ગ્લાસ ઓપેસીટી (જીજીઓ), માઇક્રોનોડ્યુલ્સ, કન્સોલિડેશન, રેટિક્યુલેશન, હનીકોમ્બિંગ અને જીજીઓ / રેટિક્યુલેશનનું સંયોજન. સીએનએનને તાલીમ આપવા અને તેનું મૂલ્યાંકન કરવા માટે, અમે 14696 ઇમેજ પેચનો ડેટાસેટનો ઉપયોગ કર્યો, જે વિવિધ સ્કેનર્સ અને હોસ્પિટલોમાંથી 120 સીટી સ્કેનમાંથી મેળવવામાં આવ્યા હતા. અમારા શ્રેષ્ઠ જ્ઞાન માટે, આ પ્રથમ ઊંડા સીએનએન છે જે ચોક્કસ સમસ્યા માટે રચાયેલ છે. એક તુલનાત્મક વિશ્લેષણમાં પડકારરૂપ ડેટાસેટમાં અગાઉની પદ્ધતિઓ સામે સૂચિત સીએનએનની અસરકારકતા સાબિત થઈ. વર્ગીકરણ પ્રદર્શન (~ 85.5%) એ ફેફસાના પેટર્નને વિશ્લેષણ કરવામાં સીએનએનની સંભાવના દર્શાવી. ભવિષ્યમાં કામમાં સીટી વોલ્યુમ સ્કેન દ્વારા પ્રદાન થયેલા ત્રિપરિમાણીય ડેટામાં સીએનએનનો વિસ્તાર કરવો અને પ્રસ્તાવિત પદ્ધતિને સીએડી સિસ્ટમમાં એકીકૃત કરવાનો સમાવેશ થાય છે, જેનો હેતુ રેડિયોલોજિસ્ટ્સ માટે સહાયક સાધન તરીકે આઇએલડી માટે વિભેદક નિદાન પૂરો પાડવાનો છે. |
e7ad8adbb447300ecafb4d00fb84efc3cf4996cf | સંશ્લેષણ સંભાવના પદ્ધતિ સંક્ષિપ્ત આંકડા માટે પ્લગ-ઇન સામાન્ય ઘનતા અંદાજમાંથી આશરે સંભાવના કાર્યને મેળવે છે, જેમાં મોડેલમાંથી મોન્ટે કાર્લો સિમ્યુલેશન દ્વારા મેળવેલ પ્લગ-ઇન સરેરાશ અને સહવર્તીતા મેટ્રિક્સ છે. આ લેખમાં, અમે માર્કોવ ચેઇન મોન્ટે કાર્લો અમલીકરણો માટે વૈકલ્પિક વિકસાવીએ છીએ, જે ઓછા કમ્પ્યુટેશનલ ઓવરહેડ સાથે બેઝિયન સિન્થેટિક સંભાવનાઓ છે. અમારા અભિગમનો ઉપયોગ કૃત્રિમ સંભાવનાના સંદર્ભમાં અનુગામી અંદાજ માટે સ્ટોકાસ્ટિક ગ્રેડિએન્ટ વેરિએશનલ અનુમાન પદ્ધતિઓનો ઉપયોગ કરે છે, લોગ સંભાવનાના નિષ્પક્ષ અંદાજોનો ઉપયોગ કરે છે. અમે સાહિત્યમાં સંબંધિત સંભાવના મુક્ત વૈવિધ્યસભર અનુમાનિત તકનીક સાથે નવી પદ્ધતિની તુલના કરીએ છીએ, જ્યારે તે જ સમયે તે અભિગમના અમલીકરણને ઘણી રીતે સુધારીએ છીએ. આ નવા અલ્ગોરિધમ્સ એવી પરિસ્થિતિઓમાં અમલમાં મૂકવા માટે શક્ય છે કે જે પરિમાણ અને સારાંશ આંકડાકીયતાના પરિમાણતાની દ્રષ્ટિએ પરંપરાગત અંદાજિત બેઝિયન ગણતરી (એબીસી) પદ્ધતિઓ માટે પડકારરૂપ છે. સંશ્લેષિત સંભાવના સંભાવના-મુક્ત નિષ્કર્ષ માટે એક આકર્ષક અભિગમ છે જ્યારે ડેટા માટે આશરે ગૌસિયન સારાંશ આંકડાકીય માહિતી, પરિમાણો વિશેના નિષ્કર્ષ માટે માહિતીપ્રદ છે. |
27a8f746f43876dbd1019235ad8e302ea838a499 | મલ્ટિરોટર્સ જેવા માઇક્રો એર વાહનો, ખાસ કરીને ઇમારતોના સ્વાયત્ત મોનિટરિંગ, નિરીક્ષણ અને સર્વેલન્સ માટે, ઉદાહરણ તરીકે, ઔદ્યોગિક પ્લાન્ટમાં જાળવણી માટે યોગ્ય છે. પ્રતિબંધિત વાતાવરણમાં માઇક્રો એરિયલ વાહનોના સંપૂર્ણ સ્વાયત્ત સંચાલન માટેની મુખ્ય પૂર્વશરતો 3 ડી મેપિંગ, રીઅલ-ટાઇમ પોઝ ટ્રેકિંગ, અવરોધ શોધ અને અથડામણ મુક્ત રસ્તાઓનું આયોજન છે. આ લેખમાં, અમે સર્વ-દિશાની પર્યાવરણની દ્રષ્ટિ માટે મલ્ટીમોડલ સેન્સર સેટઅપ સાથે સંપૂર્ણ નેવિગેશન સિસ્ટમ પ્રસ્તાવિત કરીએ છીએ. 3ડી લેસર સ્કેનરના માપને અહંકાર કેન્દ્રિત સ્થાનિક મલ્ટી રીઝોલ્યુશન ગ્રીડ નકશામાં એકત્રિત કરવામાં આવે છે. સ્થાનિક નકશાઓ નોંધાયેલા છે અને એલોસેન્ટ્રિક નકશામાં મર્જ કરવામાં આવે છે જેમાં એમએવી સ્થાનિક છે. સ્વાયત્ત નેવિગેશન માટે, અમે બહુસ્તરીય અભિગમમાં ટ્રેકટરી પેદા કરીએ છીએઃ મિશન આયોજનથી વૈશ્વિક અને સ્થાનિક ટ્રેકટરી આયોજનથી પ્રતિક્રિયાશીલ અવરોધ ટાળવા સુધી. અમે જીએનએસએસ-નકારવામાં આવેલા ઇન્ડોર પર્યાવરણમાં અમારા અભિગમનું મૂલ્યાંકન કરીએ છીએ જ્યાં બહુવિધ અથડામણના જોખમોને વિશ્વસનીય સર્વ-દિશાત્મક દ્રષ્ટિ અને ઝડપી નેવિગેશન પ્રતિક્રિયાઓની જરૂર હોય છે. |
e80d9d10956310d4ea926c2105c74de766c22345 | આ કાગળ ડિજિટલ એરે રડારના આર્કિટેક્ચરનું પ્રસ્તુત કરે છે અને મુખ્ય તકનીકો, ડિજિટલ ટી / આર મોડ્યુલો, વેવફોર્મ જનરેશન અને એમ્પ્લીટ્યુડ-ફેઝ કંટ્રોલ મોડ્યુલ પર આધારિત ડીડીએસ, ફ્રીક્વન્સી અપ / ડાઉન કન્વર્ટર, ઉચ્ચ કાર્યક્ષમતા પાવર એમ્પ્લીફાયર, હાઇબ્રિડ ડિજિટલ / માઇક્રોવેવ મલ્ટીલેયર સર્કિટ અને હાઇ પર્ફોર્મન્સ કમ્પ્યુટિંગને મુખ્ય તકનીકો તરીકે વર્ણવવામાં આવે છે. માઇક્રોસિસ્ટમ્સ ટેકનોલોજી અને ડિજિટલ એરે આર્કિટેક્ચર્સના વલણો વચ્ચેના સંબંધની પણ ચર્ચા કરવામાં આવી છે. |
6f6e10b229a5a9eca2a2f694143632191d4c5e0c | ડ્રાઇવરની થાકના થાકના સ્તરને શોધવા અને મોનિટર કરવા માટે તકનીકી અભિગમો ઉભરી રહ્યા છે અને ઘણા હવે વિકાસ, માન્યતા પરીક્ષણ અથવા પ્રારંભિક અમલીકરણના તબક્કામાં છે. અગાઉના અભ્યાસોમાં ઉપલબ્ધ થાક શોધ અને આગાહી તકનીકો અને પદ્ધતિઓની સમીક્ષા કરવામાં આવી છે. નામ પ્રમાણે આ પ્રોજેક્ટ કારમાં અદ્યતન ટેકનોલોજીનો ઉપયોગ કરીને તેને વધુ બુદ્ધિશાળી અને ઇન્ટરેક્ટિવ બનાવવાનો છે જેથી રસ્તાઓ પર અકસ્માતો ટાળી શકાય. ARM7નો ઉપયોગ કરીને આ સિસ્ટમ વધુ કાર્યક્ષમ, વિશ્વસનીય અને અસરકારક બને છે. કારમાં અથવા તેની સાથે માનવ વર્તણૂંકની શોધ પર અમલીકરણની ઘણી ઓછી સંખ્યા છે. આ કાગળમાં, અમે રીઅલ-ટાઇમ ઓનલાઇન સલામતી પ્રોટોટાઇપનું વર્ણન કરીએ છીએ જે ડ્રાઇવર થાક હેઠળ વાહનની ઝડપને નિયંત્રિત કરે છે. આ મોડેલનો હેતુ ડ્રાઇવરોમાં થાકના લક્ષણોને ઓળખવા અને અકસ્માતોને ટાળવા માટે વાહનની ઝડપને નિયંત્રિત કરવા માટે એક સિસ્ટમ વિકસાવવાનો છે. આ સિસ્ટમના મુખ્ય ઘટકોમાં ગેસ, આંખની ઝપકો, દારૂ, ઇંધણ, અસર સેન્સર અને સ્થાન માટે જીપીએસ અને ગૂગલ મેપ્સ એપીઆઇ સાથેના સોફ્ટવેર ઇન્ટરફેસ જેવા સંખ્યાબંધ રીઅલ ટાઇમ સેન્સરનો સમાવેશ થાય છે. |
593bdaa21941dda0b8c888ee88bbe730c4219ad6 | આઉટલિયર ડિટેક્શન ડેટા માઇનિંગનો એક અભિન્ન ભાગ છે અને તાજેતરમાં જ તેનું ઘણું ધ્યાન ખેંચાયું છે [બીકેએનએસ 00, જેટીએચ 01, કેએનટી 00]. આ કાગળમાં, અમે આઉટલિયર-નેસનું મૂલ્યાંકન કરવા માટે એક નવી પદ્ધતિ પ્રસ્તાવિત કરીએ છીએ, જેને અમે સ્થાનિક સહસંબંધ ઇન્ટેગરલ (એલઓસીઆઈ) કહીએ છીએ. શ્રેષ્ઠ અગાઉની પદ્ધતિઓની જેમ, એલઓસીઆઇ આઉટલિયર અને આઉટલિયર જૂથો (અ. કે. માઇક્રો-ક્લસ્ટર્સ) શોધવા માટે અત્યંત અસરકારક છે. વધુમાં, તે નીચેના ફાયદા અને નવીનતાઓ પ્રદાન કરે છેઃ (એ) તે આપમેળે, ડેટા-આધારિત કટ-ઓફ પૂરું પાડે છે કે શું કોઈ બિંદુ એક આઉટલિયર છે-વિપરીત, અગાઉની પદ્ધતિઓ વપરાશકર્તાઓને કટ-ઓફ પસંદ કરવા માટે દબાણ કરે છે, કોઈ પણ સંકેત વગર કે આપેલ ડેટાસેટ માટે કટ-ઓફ મૂલ્ય શ્રેષ્ઠ છે. (b) તે દરેક બિંદુ માટે એક LOCI ગ્રામ પૂરો પાડી શકે છે; આ ગ્રામ બિંદુની નજીકના ડેટા વિશેની માહિતીનો સમૂહ, ક્લસ્ટર્સ, માઇક્રો-ક્લસ્ટર્સ, તેમના વ્યાસ અને તેમની આંતર-ક્લસ્ટર અંતર નક્કી કરે છે. વર્તમાનમાં અપ્રામાણિકતા શોધવાની કોઈ પણ પદ્ધતિ આ લક્ષણને મેચ કરી શકતી નથી, કારણ કે તે દરેક બિંદુ માટે માત્ર એક જ નંબર આપે છેઃ તેના આઉટલિયર સ્કોર. (સી) અમારી LOCI પદ્ધતિની ગણતરી અગાઉની શ્રેષ્ઠ પદ્ધતિઓ જેટલી જ ઝડપથી કરી શકાય છે. (ડી) વધુમાં, એલઓસીઆઇ લગભગ રેખીય આશરે પદ્ધતિ તરફ દોરી જાય છે, એલઓસીઆઇ (લગભગ એલઓસીઆઇ માટે), જે ઝડપી અને અત્યંત સચોટ આઉટલિયર શોધ પૂરી પાડે છે. અમારા શ્રેષ્ઠ જ્ઞાન માટે, આ પ્રથમ કાર્ય છે જે આશરે ગણતરીઓનો ઉપયોગ કરે છે જે આઉટલિયર શોધને ઝડપી બનાવે છે. સિન્થેટીક અને વાસ્તવિક દુનિયાના ડેટા સેટ્સ પરના પ્રયોગો દર્શાવે છે કે LOCI અને aLOCI વપરાશકર્તા દ્વારા જરૂરી કટ-ઓફ્સ વિના, આઉટલિયર અને માઇક્રો-ક્લસ્ટર્સને આપમેળે શોધી શકે છે અને તે ઝડપથી અપેક્ષિત અને અણધારી આઉટલિયર્સ બંનેને શોધી શકે છે. |
c1cfb9b530daae4dbb89f96a9bff415536aa7e4b | શૈલીના સ્થાનાંતરણનો હેતુ સામગ્રીની છબીઓમાં મનસ્વી દ્રશ્ય શૈલીઓ સ્થાનાંતરિત કરવાનો છે. અમે બે કાગળોમાંથી અનુકૂળ અલ્ગોરિધમ્સની શોધ કરીએ છીએ જે શૈલીના સ્થાનાંતરણની સમસ્યાને હલ કરવાનો પ્રયાસ કરે છે જ્યારે અદ્રશ્ય શૈલીઓ અથવા સમાધાન કરેલ દ્રશ્ય ગુણવત્તા પર સામાન્ય બનાવે છે. મોટાભાગના સુધારાઓ રીઅલ-ટાઇમ શૈલી ટ્રાન્સફર માટે અલ્ગોરિધમનો ઑપ્ટિમાઇઝ કરવા પર ધ્યાન કેન્દ્રિત કરે છે જ્યારે નોંધપાત્ર રીતે ઓછા સંસાધનો અને પ્રતિબંધો સાથે નવી શૈલીઓ સાથે અનુકૂલન કરે છે. અમે આ વ્યૂહરચનાઓની તુલના કરીએ છીએ અને વિઝ્યુઅલ આકર્ષક છબીઓ બનાવવા માટે તેઓ કેવી રીતે માપવા માટે સરખાવે છે. અમે શૈલીના સ્થાનાંતરણના બે અભિગમોનું અન્વેષણ કરીએ છીએઃ સુધારાઓ સાથે ન્યુરલ શૈલી ટ્રાન્સફર અને સાર્વત્રિક શૈલી ટ્રાન્સફર. અમે વિવિધ છબીઓ વચ્ચેની તુલના પણ કરીએ છીએ અને તે કેવી રીતે ગુણાત્મક રીતે માપવામાં આવે છે. |
1d2a3436fc7ff4b964fa61c0789df19e32ddf0ed | આ કાગળમાં Oblivious Transfersની વિભાવનાને આગળ મૂકવામાં આવી છે અને તે એક જાણીતું અને વારંવાર ટાંકવામાં આવેલું કાગળ છે, મને લાગ્યું કે મારે હસ્તપ્રત ટાઇપ કરવું જોઈએ, અને અહીં પરિણામ છે. ટાઇપસેટિંગ કરતી વખતે, મેં મૂળ હસ્તપ્રત સાથે શક્ય તેટલું વળગી રહેવાનો પ્રયાસ કર્યો. જો કે, કેટલાક કિસ્સાઓ હતા, જેમ કે થોડા ટાઇપો અથવા વિરામચિહ્નો, જે બદલાયા હતા. ક્રિપ્ટોગ્રાફી પરના ઘણા કાગળોની જેમ, એલિસ અને બોબ આપેલ ક્રિપ્ટોગ્રાફિક પ્રોટોકોલના સહભાગીઓની ભૂમિકા ભજવે છે. વાંચનીયતા માટે, એલિસ અને બોબના સંદેશાઓ અનુક્રમે લાલ અને વાદળી શાહીમાં છાપવામાં આવ્યા હતા. આ કાર્યને મારા સાથી ય. સોબહદેલ ([email protected]) દ્વારા કાળજીપૂર્વક કોરરેક્ટ કરવામાં આવ્યું હતું. અગાઉના સંસ્કરણમાં નાની ભૂલનો ઉલ્લેખ કરવા બદલ એચ. એમ. મોઘડમનો પણ આભાર. આ કહેવા છતાં, જો તમે મને કોઈ પણ સંભવિત ભૂલો વિશે જાણ કરશો તો હું આભારી રહીશ. |
d20a17b42f95ee07e9a43cc852b35bda407c4be6 | |
caf912b716905ccbf46d6d00d6a0b622834a7cd9 | મશીનો વધુ બુદ્ધિશાળી બન્યા છે, તેમની બુદ્ધિને માપવા માટેની પદ્ધતિઓમાં નવીન રસ છે. એક સામાન્ય અભિગમ એ છે કે એવા કાર્યો પ્રસ્તાવિત કરવા કે જેના માટે માણસ ઉત્કૃષ્ટ છે, પરંતુ એક કે જે મશીનો મુશ્કેલ છે. જો કે, આદર્શ કાર્યનું મૂલ્યાંકન કરવું પણ સરળ હોવું જોઈએ અને તે સરળતાથી રમતિયાળ ન હોવું જોઈએ. અમે એક કેસ સ્ટડીથી શરૂઆત કરીએ છીએ જે તાજેતરમાં લોકપ્રિય કાર્યને શોધે છે છબી કૅપ્શનિંગ અને તેની મર્યાદાઓ મશીન ઇન્ટેલિજન્સને માપવા માટે કાર્ય તરીકે. એક વૈકલ્પિક અને વધુ આશાસ્પદ કાર્ય એ વિઝ્યુઅલ પ્રશ્ન જવાબ છે જે ભાષા અને દ્રષ્ટિ વિશે મશીનની તર્ક કરવાની ક્ષમતાને ચકાસે છે. અમે આ કાર્ય માટે બનાવવામાં આવેલા કદમાં અભૂતપૂર્વ ડેટાસેટનું વર્ણન કરીએ છીએ જેમાં છબીઓ વિશે 760,000 થી વધુ માનવ પેદા કરેલા પ્રશ્નો છે. આશરે 10 મિલિયન માનવ પેદા જવાબોનો ઉપયોગ કરીને, મશીનોનું સરળતાથી મૂલ્યાંકન કરી શકાય છે. |
8d3b8a59144352d0f60015f32c836001e4344a34 | ત્રિપરિમાણીય ભૌમિતિક ડેટા પ્રતિનિધિત્વ શિક્ષણ અને જનરેટિવ મોડેલિંગનો અભ્યાસ કરવા માટે એક ઉત્તમ ડોમેન પ્રદાન કરે છે. આ કાગળમાં, અમે ભૌમિતિક ડેટાને બિંદુ વાદળો તરીકે રજૂ કરીએ છીએ. અમે અદ્યતન પુનઃરચના ગુણવત્તા અને સામાન્યકરણ ક્ષમતા સાથે ઊંડા ઓટોકોડર (એઇ) નેટવર્ક રજૂ કરીએ છીએ. આ શીખેલા પ્રતિનિધિત્વ 3D ઓળખ કાર્યો પર હાલની પદ્ધતિઓ કરતાં વધુ સારી કામગીરી કરે છે અને સરળ બીજગણિતિક મેનિપ્યુલેશન્સ દ્વારા મૂળભૂત આકાર સંપાદનને સક્ષમ કરે છે, જેમ કે સિમેન્ટીક ભાગ સંપાદન, આકારની સામ્યતા અને આકાર ઇન્ટરપોલેશન. અમે વિવિધ જનરેટિવ મોડલ્સનો સંપૂર્ણ અભ્યાસ કરીએ છીએ જેમાંઃ કાચા બિંદુ વાદળો પર કાર્યરત GANs, અમારા એઇની નિશ્ચિત છૂપા જગ્યામાં તાલીમ પામેલા નોંધપાત્ર રીતે સુધારેલા GANs અને, ગૌસિયન મિશ્રણ મોડેલ્સ (જીએમએમ). અમારા જથ્થાત્મક મૂલ્યાંકન માટે અમે નમૂનાની વફાદારી અને વિવિધતાના માપનો પ્રસ્તાવ મૂક્યો છે જે બિંદુ વાદળોના સમૂહો વચ્ચેના મેળ ખાતા પર આધારિત છે. રસપ્રદ રીતે, અમારા સામાન્યીકરણ, વફાદારી અને વિવિધતાનું સાવચેત મૂલ્યાંકન દર્શાવે છે કે અમારા એઇએસના ગુપ્ત અવકાશમાં તાલીમ પામેલા જીએમએમ શ્રેષ્ઠ પરિણામો ઉત્પન્ન કરે છે. |
2c51c8da2f82a956e633049616b1bb7730faa2da | આપણે ઇન્ટરનેટ ઓફ થિંગ્સ (આઇઓટી) તરફ આગળ વધી રહ્યા હોવાથી, સમગ્ર વિશ્વમાં તૈનાત સેન્સરની સંખ્યા ઝડપથી વધી રહી છે. બજાર સંશોધન દ્વારા છેલ્લા એક દાયકામાં સેન્સર ડિપ્લોયમેન્ટમાં નોંધપાત્ર વૃદ્ધિ જોવા મળી છે અને ભવિષ્યમાં વૃદ્ધિ દરમાં નોંધપાત્ર વધારો થવાની આગાહી કરવામાં આવી છે. આ સેન્સર સતત માહિતીના વિશાળ જથ્થાને ઉત્પન્ન કરે છે. જો કે, કાચા સેન્સર ડેટાને મૂલ્ય ઉમેરવા માટે આપણે તેને સમજવાની જરૂર છે. સેન્સર ડેટાના સંબંધમાં સંદર્ભનું સંગ્રહ, મોડેલિંગ, તર્ક અને વિતરણ આ પડકારમાં નિર્ણાયક ભૂમિકા ભજવે છે. સંદર્ભ-સભાન કમ્પ્યુટિંગ સેન્સર ડેટાને સમજવામાં સફળ સાબિત થયું છે. આ કાગળમાં, અમે આઇઓટી પરિપ્રેક્ષ્યમાંથી સંદર્ભ જાગૃતિનું સર્વેક્ષણ કરીએ છીએ. અમે શરૂઆતમાં આઇઓટી પેરાડિગમ અને સંદર્ભ-સભાન ફંડામેન્ટલ્સ રજૂ કરીને જરૂરી પૃષ્ઠભૂમિ રજૂ કરીએ છીએ. પછી અમે સંદર્ભ જીવન ચક્રનું ઊંડાણપૂર્વક વિશ્લેષણ પ્રદાન કરીએ છીએ. અમે પ્રોજેક્ટ્સના પેટા સમૂહ (50) નું મૂલ્યાંકન કરીએ છીએ જે આપણા પોતાના વર્ગીકરણના આધારે છેલ્લા દાયકા (2001-2011) દરમિયાન સંદર્ભ-સભાન કમ્પ્યુટિંગના ક્ષેત્રમાં પ્રસ્તાવિત સંશોધન અને વ્યાપારી ઉકેલોના મોટાભાગના પ્રતિનિધિત્વ કરે છે. છેલ્લે, અમારા મૂલ્યાંકનના આધારે, અમે ભૂતકાળમાંથી શીખવા માટેના પાઠ અને ભવિષ્યના સંશોધન માટે કેટલાક સંભવિત દિશાઓને પ્રકાશિત કરીએ છીએ. આ સર્વેક્ષણ સંદર્ભ જાગૃતિ અને આઇઓટી સાથે સંબંધિત તકનીકો, પદ્ધતિઓ, મોડેલો, કાર્યક્ષમતા, સિસ્ટમો, એપ્લિકેશનો અને મિડલવેર સોલ્યુશન્સની વિશાળ શ્રેણીને સંબોધિત કરે છે. અમારો ઉદ્દેશ માત્ર ભૂતકાળના સંશોધન કાર્યનું વિશ્લેષણ, સરખામણી અને એકત્રીકરણ કરવાનો નથી, પરંતુ તેમના તારણોની પ્રશંસા કરવા અને આઇઓટી તરફ તેમની લાગુ થવાની ચર્ચા કરવાનો છે. |
3406b672402828f2522b57e9ab11e0ae9c76ab2e | સર્વવ્યાપક કમ્પ્યુટિંગએ સંવેદનશીલ, માહિતી સમૃદ્ધ "સ્માર્ટ સ્પેસ" બનાવવાની વિચારને પ્રોત્સાહન આપ્યું છે જે ભૌતિક જગ્યાઓ, એમ્બેડેડ ડિવાઇસીસ, સેન્સર અને અન્ય મશીનરીને આવરી લેવા માટે પરંપરાગત કમ્પ્યુટિંગની સીમાઓને વિસ્તૃત કરે છે. આને હાંસલ કરવા માટે, સ્માર્ટ જગ્યાઓએ પરિસ્થિતિની માહિતીને પકડવાની જરૂર છે જેથી તેઓ સંદર્ભમાં ફેરફારો શોધી શકે અને તે મુજબ પોતાને અનુકૂળ કરી શકે. જો કે, મૂળભૂત સુરક્ષા મુદ્દાઓને ધ્યાનમાં લીધા વિના સર્વવ્યાપક કમ્પ્યુટિંગ વાતાવરણ નબળાઈઓથી ભરેલું હોઈ શકે છે. સર્વવ્યાપક કમ્પ્યુટિંગ વાતાવરણ સુરક્ષા પર નવી જરૂરિયાતો લાદે છે. સુરક્ષા સેવાઓ, જેમ કે પ્રમાણીકરણ અને પ્રવેશ નિયંત્રણ, બિન-આક્રમક, બુદ્ધિશાળી અને ઝડપથી બદલાતા સંદર્ભોના અનુકૂલન માટે સક્ષમ હોવા જોઈએ. અમે સર્વવ્યાપક સુરક્ષા પદ્ધતિ રજૂ કરીએ છીએ જે સર્વવ્યાપક કમ્પ્યુટિંગ વાતાવરણમાં પ્રમાણીકરણ અને ઍક્સેસ નિયંત્રણ કરવા માટે સ્વયંસંચાલિત તર્ક સાથે સંદર્ભ-જાગૃતિને એકીકૃત કરે છે. |
e658f77af84415bfa794202c433a22d08c91bed2 | ઈન્ટરનેટ ઓફ થિંગ્સ (આઇઓટી) ના ઉદયને કારણે સર્વવ્યાપક કમ્પ્યુટિંગ વાસ્તવિકતા બની રહ્યું છે. આ પરિપ્રેક્ષ્યમાં, રોજિંદા અને ભૌતિક વસ્તુઓ તેમની પર્યાવરણમાંથી પ્રાપ્ત માહિતીને શોધવા અને વાતચીત કરવાની ક્ષમતાથી સજ્જ છે, તેમને સ્માર્ટ ઑબ્જેક્ટ્સમાં ફેરવી રહ્યા છે. જો કે, આવી સંસ્થાઓ સામાન્ય રીતે બદલાતી અને ગતિશીલ પરિસ્થિતિઓ સાથેના વાતાવરણમાં જમાવવામાં આવે છે, જેનો ઉપયોગ તેમના ઓપરેશન અથવા વર્તનને સુધારવા માટે થઈ શકે છે. ઇયુ એફપી7 સોકિયોટાલ પ્રોજેક્ટના પાયા હેઠળ, આ કાર્ય એ છે કે કેવી રીતે સ્માર્ટ ઓબ્જેક્ટ્સ સુરક્ષા નિર્ણયો લેતી વખતે સંદર્ભિત માહિતીને ધ્યાનમાં લઈ શકે છે, આવી માહિતીને પ્રથમ વર્ગના ઘટક તરીકે ધ્યાનમાં રાખીને, આઇઓટી દૃશ્યો પર કહેવાતા સંદર્ભ-સભાન સુરક્ષાને સાકાર કરવા માટે. |
1c5a40cff6297bd14ecc3e0c5efbae76a6afce5b | અમે સંદર્ભ-સભાન વાતાવરણ માટે સુરક્ષા સેવાઓ બનાવવા માટે એક અભિગમ વર્ણવે છે. ખાસ કરીને, અમે સુરક્ષા સેવાઓની રચના પર ધ્યાન કેન્દ્રિત કરીએ છીએ જેમાં સુરક્ષા સંબંધિત સંદર્ભનો ઉપયોગ કરીને સુગમ ઍક્સેસ નિયંત્રણ અને નીતિ અમલીકરણ પ્રદાન કરવામાં આવે છે. અમે અગાઉ એક સામાન્ય વપરાશ નિયંત્રણ મોડેલ રજૂ કર્યું છે જે નીતિ વ્યાખ્યામાં સંદર્ભિત માહિતીનો નોંધપાત્ર ઉપયોગ કરે છે. આ દસ્તાવેજ સિસ્ટમ-સ્તર સેવા આર્કિટેક્ચર રજૂ કરીને, તેમજ ફ્રેમવર્ક સાથે પ્રારંભિક અમલીકરણ અનુભવ દ્વારા આવા મોડેલની નક્કર અનુભૂતિ પૂરી પાડે છે. આપણી સંદર્ભ-સભાન સુરક્ષા સેવાઓ દ્વારા, આપણી સિસ્ટમ આર્કિટેક્ચર ઉન્નત પ્રમાણીકરણ સેવાઓ, વધુ લવચીક ઍક્સેસ નિયંત્રણ અને સુરક્ષા સબસિસ્ટમ પ્રદાન કરે છે જે પર્યાવરણમાં વર્તમાન પરિસ્થિતિઓના આધારે પોતાને અનુકૂળ કરી શકે છે. અમે અમારી આર્કિટેક્ચર અને અમલીકરણની ચર્ચા કરીએ છીએ અને બતાવીએ છીએ કે તેનો ઉપયોગ કેવી રીતે કેટલાક નમૂના એપ્લિકેશન્સને સુરક્ષિત કરવા માટે થઈ શકે છે. |
4b814e9d09ff72279030960df5718041b8c1b50c | |
586407b38cc3bb0560ff9941a89f3402e34ee08b | આ કાગળમાં બિઝનેસ ઇકોસિસ્ટમનો ખ્યાલ ચર્ચા કરવામાં આવ્યો છે. બિઝનેસ ઇકોસિસ્ટમ એ બિઝનેસ રિસર્ચના ક્ષેત્રમાં એક પ્રમાણમાં નવો ખ્યાલ છે, અને તેને સ્થાપિત કરવા માટે હજુ ઘણું કામ કરવાનું બાકી છે. સૌ પ્રથમ આ વિષયને જૈવિક ઇકોસિસ્ટમની તપાસ કરીને, ખાસ કરીને જૈવિક ઇકોસિસ્ટમ્સ કેવી રીતે વ્યાખ્યાયિત કરવામાં આવે છે, તે કેવી રીતે વિકસિત થાય છે અને કેવી રીતે વર્ગીકૃત અને માળખાગત છે. બીજું, જૈવિક ઇકોસિસ્ટમની વિવિધ સામ્યતાની સમીક્ષા કરવામાં આવે છે, જેમાં ઔદ્યોગિક ઇકોસિસ્ટમ, ઇકોસિસ્ટમ તરીકે અર્થતંત્ર, ડિજિટલ બિઝનેસ ઇકોસિસ્ટમ અને સામાજિક ઇકોસિસ્ટમનો સમાવેશ થાય છે. ત્રીજું, મુખ્ય ફાળો આપનારાઓના મંતવ્યોની ચર્ચા કરીને અને પછી લેખકોની પોતાની વ્યાખ્યા બહાર લાવીને બિઝનેસ ઇકોસિસ્ટમ ખ્યાલની રૂપરેખા આપવામાં આવી છે. ચોથું, સામાજિક વિજ્ઞાનમાં જટિલતાનું ઉભરતું સંશોધન ક્ષેત્ર ઇકોસિસ્ટમ્સ અને બિઝનેસ ઇકોસિસ્ટમ્સને જટિલ, અનુકૂલનશીલ સિસ્ટમ્સ તરીકે ધ્યાનમાં લેવા માટે લેખકોના વલણને કારણે લાવવામાં આવે છે. વ્યવસાયિક ઇકોસિસ્ટમમાં દેખાતા ફોકલ જટિલતા પાસાઓ રજૂ કરવામાં આવે છે; તેઓ સ્વ-સંગઠન, ઉભરી, સહ-વિકાસ અને અનુકૂલન છે. બિઝનેસ ઇકોસિસ્ટમ ખ્યાલને જટિલતા સંશોધન સાથે જોડીને, બદલાતા વ્યવસાયિક વાતાવરણમાં નવી સમજ લાવવી શક્ય છે. |
08c2649dee7ba1ab46106425a854ca3af869c2f0 | વ્યાપક ધારણાથી વિપરીત, ડાયનેમિક રેમ (ડીઆરએએમ), મોટાભાગના આધુનિક કમ્પ્યુટર્સમાં મુખ્ય મેમરી, પાવર ગુમાવ્યા પછી પણ કેટલાક સેકંડ માટે તેની સામગ્રીને જાળવી રાખે છે, રૂમ તાપમાન પર પણ અને મધરબોર્ડમાંથી દૂર કરવામાં આવે તો પણ. જોકે DRAM જ્યારે રીફ્રેશ ન થાય ત્યારે ઓછી વિશ્વસનીય બને છે, તે તરત જ ભૂંસી નાખવામાં આવતું નથી, અને તેની સામગ્રી દૂષિત (અથવા ફોરેન્સિક) ઉપયોગની સંપૂર્ણ સિસ્ટમ મેમરી છબીઓના હસ્તગત માટે પૂરતી રહે છે. અમે બતાવીએ છીએ કે આ ઘટના ઓપરેટિંગ સિસ્ટમની ક્ષમતાને મર્યાદિત કરે છે ક્રિપ્ટોગ્રાફિક કી સામગ્રીને મશીન પર ભૌતિક પ્રવેશ સાથે હુમલાખોરથી સુરક્ષિત કરવા. તે લેપટોપ વપરાશકર્તાઓ માટે ખાસ કરીને ખતરો છે જે ડિસ્ક એન્ક્રિપ્શન પર આધાર રાખે છેઃ અમે દર્શાવ્યું છે કે તેનો ઉપયોગ કોઈ ખાસ ઉપકરણો અથવા સામગ્રીની જરૂર વગર કેટલાક લોકપ્રિય ડિસ્ક એન્ક્રિપ્શન ઉત્પાદનોને સમાધાન કરવા માટે થઈ શકે છે. અમે પ્રાયોગિક રીતે મેમરી રીટેન્શનની હદ અને આગાહીની લાક્ષણિકતા અને અહેવાલ આપીએ છીએ કે સરળ ઠંડક તકનીકો સાથે બાકી રહેલા સમયને નાટ્યાત્મક રીતે વધારી શકાય છે. અમે મેમરી ઈમેજોમાં ક્રિપ્ટોગ્રાફિક કીઓ શોધવા અને બીટ ડિસેય દ્વારા થતી ભૂલોને સુધારવા માટે નવા અલ્ગોરિધમ્સ ઓફર કરીએ છીએ. આ જોખમોને ઘટાડવા માટે અમે કેટલીક વ્યૂહરચનાઓ પર ચર્ચા કરીએ છીએ, તેમ છતાં, અમે કોઈ સરળ ઉપાય જાણતા નથી જે તેમને દૂર કરશે. |
05ba00812bbbe15be83418df6657f74edf76f727 | છેલ્લા દસકામાં ક્રિયા માન્યતા પર વધુ ધ્યાન આપવામાં આવ્યું છે. વિડીયોમાં ક્રિયાઓ હોય તેવા વિડીયોને એન્કોડ કરવા માટે વિવિધ અભિગમો પ્રસ્તાવિત કરવામાં આવ્યા છે, જેમાં સેલ્ફ-સમાનતા મેટ્રિક્સ (એસએસએમ) એ વિડીયોની ગતિશીલતાને એન્કોડ કરીને ખૂબ જ સારું પ્રદર્શન કર્યું છે. જો કે, એસએસએમ સંવેદનશીલ બને છે જ્યારે ખૂબ જ મોટા દૃષ્ટિકોણ બદલાય છે. આ કાગળમાં, અમે એક સ્પાઅર કોડ ફિલ્ટરિંગ (એસસીએફ) ફ્રેમવર્કની દરખાસ્ત કરીને મલ્ટી-વ્યૂ એક્શન રિકગ્નિશન સમસ્યાને સંબોધિત કરીએ છીએ જે એક્શન પેટર્નનું ખાણકામ કરી શકે છે. પ્રથમ, વર્ગ મુજબની વિખરાયેલી કોડિંગ પદ્ધતિ સૂચવવામાં આવી છે જેથી વર્ગ-વિચરાય ડેટાના વિખરાયેલા કોડ્સ નજીક આવે. પછી અમે વર્ગીકરણ કરનારાઓને અને વર્ગ મુજબની વિરલ કોડિંગ પ્રક્રિયાને સહયોગી ફિલ્ટરિંગ (સીએફ) ફ્રેમવર્કમાં ભેદભાવપૂર્ણ વિરલ કોડ્સ અને વર્ગીકરણ કરનારાઓને સંયુક્ત રીતે ખાણકામ કરવા માટે એકીકૃત કરીએ છીએ. કેટલાક જાહેર મલ્ટી-વ્યૂ એક્શન રેકગ્નિશન ડેટાસેટ્સ પરના પ્રાયોગિક પરિણામો દર્શાવે છે કે પ્રસ્તુત એસસીએફ માળખું અન્ય રાજ્ય-ઓફ-ધ-આર્ટ પદ્ધતિઓ કરતાં વધુ સારી કામગીરી કરે છે. |
c956b29a133673c32586c7736d12c606f2d59a21 | |
f36ef0d3e8d3abc1f30abc06603471c9aa1cc0d7 | |
9c573daa179718f6c362f296f123e8ea2a775082 | અમે સમાન અને અસમાન બે-માર્ગીય પાવર સ્પ્લિટર્સ માટે એચ-પ્લેન લંબચોરસ વેવગાઇડ ટી-જંકશન ડિઝાઇન કરવા માટે એક સરળ અને કાર્યક્ષમ પ્રક્રિયા વિકસાવી છે. આ સંશ્લેષણ પ્રક્રિયા સ્કેલેબલ છે, ઉત્પાદક માળખાં બનાવે છે, કોઈપણ મનસ્વી પાવર સ્પ્લિટ-રેશિયોમાં લાગુ પડે છે, અને બ્રોડ બેન્ડ ઓપરેશન ઓફર કરી શકે છે. અમારા અમલીકરણમાં, અમે વધુ ડિગ્રીની સ્વતંત્રતા પૂરી પાડવા માટે, ટી-જંકશનનો અભિન્ન ભાગ હોવાના કારણે, ક્લેઇન્સ અને ઇન્ડક્ટિવ વિંડોઝનો ઉપયોગ કર્યો હતો, આમ, ઇનપુટ પોર્ટ પર ઉત્તમ મેચ, સમાન તબક્કા સાથે બેન્ડ પર ફ્લેટ પાવર-સ્પ્લિટ રેશિયો, જ્યાં તબક્કા સંતુલન વિવિધ એન્ટેના ફીડ્સ માટે આવશ્યક છે. |
640eccc55eeb23f561efcb32ca97d445624cf326 | ઊર્જાની દેખરેખથી લઈને જળસ્તર માપવા સુધીની વાસ્તવિક દુનિયાની એપ્લિકેશન્સમાં વાયરલેસ સેન્સર નેટવર્ક્સનો ઉપયોગ વધુને વધુ કરવામાં આવી રહ્યો છે. હાલના નેટવર્ક ઈન્ફ્રાસ્ટ્રક્ચર સાથે વધુ સારી રીતે સંકલિત કરવા માટે, તેમને IPv6 નો ઉપયોગ કરીને વાતચીત કરવા માટે ડિઝાઇન કરવામાં આવી રહ્યા છે. આઇપીવી 6 આધારિત સેન્સર નેટવર્કમાં રૂટીંગ માટે વર્તમાન ડે-ફેક્ટો સ્ટાન્ડર્ડ એ સૌથી ટૂંકી પાથ આધારિત આરપીએલ છે, જે આઇઇટીએફ 6 લોડબલ્યુપીએન વર્કિંગ ગ્રુપ દ્વારા વિકસાવવામાં આવી છે. આ કાગળ બેકઆઇપીનું વર્ણન કરે છે, જે આઇપીવી 6-આધારિત વાયરલેસ સેન્સર નેટવર્ક્સમાં ડેટા સંગ્રહ માટે વૈકલ્પિક રૂટીંગ પ્રોટોકોલ છે જે બેકપ્રેશર પેરાડિગમ પર આધારિત છે. બેકપ્રેશર આધારિત પ્રોટોકોલમાં, વર્તમાન સ્થાનિક રીતે અવલોકન થયેલ રાજ્યના આધારે નોડ્સ દ્વારા પેકેટ આધારે રૂટીંગ નિર્ણયોને ફ્લાય પર કરી શકાય છે, અને અગાઉના કાર્યમાં દર્શાવવામાં આવ્યું છે કે તેઓ શ્રેષ્ઠ થ્રુપુટ પ્રદર્શન અને ગતિશીલ પરિસ્થિતિઓ માટે પ્રતિભાવ આપી શકે છે. અમે કેટલાક ડિઝાઇન નિર્ણયોની ચર્ચા કરીએ છીએ જે IPv6 સાથે સ્કેલેબલ અને કાર્યક્ષમ રીતે કામ કરવા માટે બેકપ્રેસર રૂટીંગને સક્ષમ કરવા માટે જરૂરી છે. અમે આ પ્રોટોકોલની કામગીરીનું મૂલ્યાંકન અને મૂલ્યાંકન કરીએ છીએ ટિનીઓએસ-આધારિત વાસ્તવિક વાયરલેસ સેન્સર નેટવર્ક ટેસ્ટબેડ પર. |
053912e76e50c9f923a1fc1c173f1365776060cc | ઊંડા શિક્ષણમાં પ્રશિક્ષણની પ્રચલિત પદ્ધતિ સ્ટોકાસ્ટિક ગ્રૅડીયેન્ટ ડેશેન્ટ પદ્ધતિઓ (એસજીડી) નો ઉપયોગ કરવાની હિમાયત કરે છે. અમલીકરણની સરળતા હોવા છતાં, એસજીડીને ટ્યુન કરવું અને સમાંતર કરવું મુશ્કેલ છે. આ સમસ્યાઓ એસજીડી સાથે ઊંડા શિક્ષણ અલ્ગોરિધમ્સ વિકસાવવા, ડિબગ કરવા અને સ્કેલ કરવા માટે પડકારરૂપ છે. આ કાગળમાં, અમે બતાવીએ છીએ કે વધુ વ્યવહારદક્ષ ઑફ-ધ-શેલ્ફ ઑપ્ટિમાઇઝેશન પદ્ધતિઓ જેમ કે મર્યાદિત મેમરી બીએફજીએસ (એલ-બીએફજીએસ) અને કોન્જુગેટ ગ્રૅડિયન્ટ (સીજી) રેખા શોધ સાથે નોંધપાત્ર રીતે સરળ અને ઝડપી કરી શકે છે. અમારા પ્રયોગોમાં, એલબીએફજીએસ / સીજી અને એસજીડી વચ્ચેનો તફાવત વધુ ઉચ્ચારવામાં આવે છે જો આપણે અલ્ગોરિધમિક એક્સ્ટેન્શન્સ (દા. ત. , સ્પરસીટી રેગ્યુલરિઝેશન) અને હાર્ડવેર એક્સ્ટેન્શન્સ (દા. વિતરણ ઑપ્ટિમાઇઝેશન સાથેના અમારા પ્રયોગો સ્થાનિક રીતે જોડાયેલા નેટવર્ક્સ અને કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક્સ સાથે એલ-બીએફજીએસના ઉપયોગને ટેકો આપે છે. L-BFGS નો ઉપયોગ કરીને, અમારું કન્વોલ્યુશનલ નેટવર્ક મોડેલ પ્રમાણભૂત MNIST ડેટાસેટ પર 0.69% પ્રાપ્ત કરે છે. આ એમએનઆઈએસટી પર અદ્યતન પરિણામ છે જે ગાણિતીક નિયમોમાં છે જે વિકૃતિઓ અથવા પૂર્વ-તાલીમનો ઉપયોગ કરતા નથી. |
cabcfc0c8704fa15fa8212a6f8944a249d5dcfa9 | આ કાગળમાં, મેટામેટ્રિયલ સ્ટ્રક્ચર તરીકે સંતુલિત કેપેસિટીવલી લોડેડ લૂપ્સ (સીએલએલ) સાથે લોડ થયેલ એક નવું લઘુચિત્ર ડબલ-બાજુવાળા પ્રિન્ટેડ ડાઇપોલ એન્ટેના રજૂ કરવામાં આવ્યું છે. પ્રિન્ટેડ એન્ટેનાની ધારની નજીક મૂકવામાં આવેલા સીએલએલ એન્ટેનાને બે અલગ અલગ ફ્રીક્વન્સીઝ પર રેડિયેશન કરે છે, જેમાંથી એક ડિપોલ એન્ટેનાની સ્વ-પ્રતિધ્વનિત ફ્રીક્વન્સી કરતા ઓછી છે. બીજા શબ્દોમાં કહીએ તો, લોડ થયેલ ડાઇપોલ એન્ટેના લોડ અડધા તરંગલંબાઇ ડાઇપોલના કુદરતી પડઘો આવર્તન સાથે સરખામણીમાં નીચી આવર્તન પર કામ કરી શકે છે. છેલ્લે, CLL તત્વને ચિપ કેપેસિટર સાથે સંકલિત કરવામાં આવે છે જેથી મોટી ક્ષમતા પૂરી પાડવામાં આવે જે બદલામાં પરિણામી CLL તત્વને નીચી આવર્તન પર પડઘો પાડવાની મંજૂરી આપે છે. તે દર્શાવવામાં આવ્યું છે કે સૂચિત લોડ કરેલ ડાયપોલ એન્ટેના ડ્યુઅલ બેન્ડ રેડિયેટર છે જે મોબાઇલ સંચાર અને ઔદ્યોગિક, વૈજ્ઞાનિક અને તબીબી (આઇએસએમ) સિસ્ટમ જેવા કાર્યક્રમો માટે પૂરતી લાભ ધરાવે છે. લઘુચિત્ર ડબલ રેઝોનન્ટ ડાઇપોલ એન્ટેનાનો પ્રોટોટાઇપ બનાવ્યો અને પરીક્ષણ કરવામાં આવે છે. માપવામાં આવેલા પરિણામો સિમ્યુલેશનમાંથી મેળવેલા પરિણામો સાથે સારી રીતે સંમત છે. |
2671bf82168234a25fce7950e0527eb03b201e0c | પેન વોલ સ્ટ્રીટ જર્નલ (ડબ્લ્યુએસજે) ટ્રીબેન્ક પર તાલીમ અને પરીક્ષણ કરાયેલા આંકડાકીય વિશ્લેષકોએ છેલ્લા 10 વર્ષમાં મોટા સુધારા દર્શાવ્યા છે. જો કે, આ સુધારાનો મોટો ભાગ, (સામાન્ય રીતે) ડબ્લ્યુએસજે ટ્રીબેંક ડેટા પર તાલીમ આપવા માટે સુવિધાઓની સતત વધતી સંખ્યા પર આધારિત છે. આ ચિંતા તરફ દોરી ગયું છે કે આવા પાર્સર્સ અન્ય શૈલીઓ માટે પોર્ટેબિલિટીના ખર્ચે આ કોર્પસને ખૂબ જ સારી રીતે ટ્યુન કરી શકે છે. [પાન ૯ પર ચિત્ર] ધોરણ ચાર્નિક પાર્સર પેન ડબ્લ્યુએસજે ટેસ્ટ સેટ પર 89.7% ની લેબલ કરેલ ચોકસાઇ યાદ f- માપ પર તપાસ કરે છે, પરંતુ બ્રાઉન ટ્રીબેંક કોર્પસના ટેસ્ટ સેટ પર માત્ર 82.9% છે. આ કાગળે આ ભયને દૂર કરવો જોઈએ. ખાસ કરીને, અમે બતાવીએ છીએ કે ચાર્નીક અને જોહ્ન્સન (2005) માં વર્ણવેલ રીરેન્કિંગ પાર્સર બ્રાઉન પરના પાર્સરના પ્રભાવને 85.2% સુધી સુધારે છે. વધુમાં, (મેકક્લોસ્કી અને અન્યો, 2006) માં વર્ણવેલ સ્વ-તાલીમ તકનીકોનો ઉપયોગ, લેબલવાળા બ્રાઉન ડેટાના કોઈપણ ઉપયોગ વિના ફરીથી 87.8% (ભૂલ ઘટાડા 28%) સુધી વધે છે. આ નોંધપાત્ર છે કારણ કે લેબલવાળા બ્રાઉન ડેટા પર પાર્સર અને રીરેન્કરનું તાલીમ માત્ર 88.4% પ્રાપ્ત કરે છે. |
d4e974d68c36de92609fcffaa3ee11bbcbc9eb57 | |
13d09bcec49d2f0c76194f88b59520e6d20e7a34 | ગુનાના દ્રશ્યોમાંથી લેવામાં આવેલા અજાણ્યા છુપાયેલા ફિંગરપ્રિન્ટ્સને કાયદાનું પાલન કરનારા ડેટાબેઝમાં સંપૂર્ણ (રોલ્ડ અથવા સાદા) ફિંગરપ્રિન્ટ્સ સાથે મેળ ખાતા ગુનાખોરી અને આતંકવાદ સામે લડવા માટે નિર્ણાયક મહત્વ છે. નોંધણી દરમિયાન લાઇવ-સ્કેન અથવા શાહી પદ્ધતિઓનો ઉપયોગ કરીને મેળવવામાં આવેલી સારી ગુણવત્તાની સંપૂર્ણ ફિંગરપ્રિન્ટ્સની તુલનામાં, છુપાયેલા ફિંગરપ્રિન્ટ્સ ઘણીવાર સ્મગ અને અસ્પષ્ટ હોય છે, માત્ર એક નાની આંગળી વિસ્તારને પકડી લે છે, અને મોટા બિન-રેખીય વિકૃતિ ધરાવે છે. આ કારણોસર, લૅટેન્ટમાં લક્ષણો (મિન્યુટીઅસ અને સિંગુલર પોઈન્ટ) સામાન્ય રીતે પ્રશિક્ષિત લૅટેન્ટ પરીક્ષકો દ્વારા જાતે જ ચિહ્નિત કરવામાં આવે છે. જો કે, આ ગુપ્ત પરીક્ષકો અને આપોઆપ ફિંગરપ્રિન્ટ ઓળખ સિસ્ટમ્સ (એએફઆઈએસ) વચ્ચે એક અનિચ્છનીય ઇન્ટરઓપરેબિલિટી સમસ્યા રજૂ કરે છે; પરીક્ષકો દ્વારા ચિહ્નિત કરેલા લક્ષણો હંમેશા એએફઆઈએસ દ્વારા આપમેળે કાઢવામાં આવેલી સાથે સુસંગત નથી, પરિણામે મેચિંગ ચોકસાઈમાં ઘટાડો થાય છે. જ્યારે સ્વયંચાલિત રીતે લૅટેન્ટમાંથી કાઢવામાં આવેલી મિન્યુટીઝનો ઉપયોગ કરીને ઇન્ટરઓપરેબિલિટીની સમસ્યાને ટાળી શકાય છે, ત્યારે આવા મિન્યુટીઝ ખૂબ અવિશ્વસનીય હોય છે, કારણ કે લૅટેન્ટની નબળી ગુણવત્તા. આ કાગળમાં, અમે હાથથી ચિહ્નિત (ગ્રાઉન્ડ સત્ય) minutiae સાથે આપમેળે કાઢવામાં minutiae સંયોજન દ્વારા સંપૂર્ણ ફિંગરપ્રિન્ટ મેળ ખાતી ચોકસાઈ ગુપ્ત સુધારો કરે છે. જાહેર ડોમેન ડેટાબેઝ, એનઆઈએસટી એસડી 27 પર પ્રાયોગિક પરિણામો સૂચિત અલ્ગોરિધમનોની અસરકારકતા દર્શાવે છે. |
a5a268d65ad1e069770c11005021d830754b0b5c | ઇન્ટરનેટ ઓફ થિંગ્સને હાલમાં વૈજ્ઞાનિક સમુદાય તરફથી નોંધપાત્ર રસ મળી રહ્યો છે. શૈક્ષણિક સંસ્થાઓ અને ઉદ્યોગ બંને પ્રમાણિતતા અને શ્રેષ્ઠ પદ્ધતિઓના વિકાસ દ્વારા ઉપયોગિતા, જાળવણી અને સુરક્ષાને વધારવાના પ્રયાસોમાં આગળ વધવા પર ધ્યાન કેન્દ્રિત કરે છે. અમે વસ્તુઓના ઈન્ટરનેટના વ્યાપક અપનાવવાની સૌથી વધુ મર્યાદિત પરિબળોમાંના એક તરીકે તેની અસરને કારણે સુરક્ષા પર ધ્યાન કેન્દ્રિત કરીએ છીએ. સુરક્ષા ક્ષેત્રમાં સંખ્યાબંધ સંશોધન ક્ષેત્રો અસ્તિત્વમાં છે, જે ક્રિપ્ટોગ્રાફીથી નેટવર્ક સુરક્ષાથી ઓળખ વ્યવસ્થાપન સુધીની છે. આ કાગળ ઓળખ વ્યવસ્થાપન, પ્રમાણીકરણ અને અધિકૃતતાના ક્ષેત્રોમાં એપ્લિકેશન સ્તર પર ઇન્ટરનેટ ઓફ થિંગ્સ પર્યાવરણ પર લાગુ થતા વર્તમાન સંશોધનની સમીક્ષા આપે છે. અમે 200 થી વધુ લેખોનું સર્વેક્ષણ અને વિશ્લેષણ કરીએ છીએ, તેમને વર્ગીકૃત કરીએ છીએ, અને વસ્તુઓની સુરક્ષાના ક્ષેત્રમાં વર્તમાન વલણો રજૂ કરીએ છીએ. |
81f76e74807e9d04e14065715e46a2d770a6d9cd | |
df26f9822785b07e787d43429ee5fdd2794ac7f8 | આ કાગળમાં પદાર્થોના સંબંધિત સ્થાનોનું પ્રતિનિધિત્વ કરતી સંકલન ફ્રેમ્સ વચ્ચેના નજીવા સંબંધ અને અપેક્ષિત ભૂલ (સહ-વિવિધતા) નો અંદાજ કાઢવા માટેની એક સામાન્ય પદ્ધતિનું વર્ણન કરવામાં આવ્યું છે. ફ્રેમ્સને ફક્ત પરોક્ષ રીતે જ જાણી શકાય છે, જેમાં અવકાશી સંબંધોનો સમાવેશ થાય છે, જેમાં દરેક તેની સંકળાયેલ ભૂલ છે, જે વિવિધ કારણોથી ઉદ્ભવે છે, જેમાં સ્થિતિની ભૂલો, માપન ભૂલો અથવા ભાગ પરિમાણોમાં સહનશીલતા શામેલ છે. આ અંદાજ પદ્ધતિનો ઉપયોગ એવા પ્રશ્નોના જવાબ આપવા માટે કરી શકાય છે કે શું રોબોટ સાથે જોડાયેલ કેમેરા તેના દ્રશ્ય ક્ષેત્રમાં કોઈ ચોક્કસ સંદર્ભ પદાર્થ હોવાની સંભાવના છે. આ ગણતરીઓ સ્વતંત્ર મોન્ટે કાર્લો સિમ્યુલેશનના અંદાજો સાથે સારી રીતે સંમત છે. આ પદ્ધતિથી અગાઉથી નક્કી કરવું શક્ય બને છે કે શું કોઈ ચોક્કસ સંબંધ ચોક્કસ કાર્ય માટે પૂરતી ચોક્કસ રીતે જાણી શકાય છે અને, જો નહીં, તો સૂચિત સેન્સર સ્થાનના જ્ઞાનમાં કેટલું સુધારો કરશે. પ્રસ્તુત પદ્ધતિને છ ડિગ્રી સ્વતંત્રતા માટે સામાન્ય કરી શકાય છે અને પદાર્થો વચ્ચેના સંબંધો (સ્થિતિ અને દિશા) નો અંદાજ કાઢવા માટે એક વ્યવહારુ સાધન પૂરું પાડે છે, સાથે સાથે સંબંધો સાથે સંકળાયેલ અનિશ્ચિતતાને અંદાજ કાઢે છે. |
414b0d139d83024d47649ba37c3d11b1165057d6 | ભારત કૃષિ આધારિત રાષ્ટ્ર છે. કૃષિ આધારિત ઉત્પાદનોની ઉત્પાદકતા અને ગુણવત્તામાં સુધારો કરવો જરૂરી છે. પ્રસ્તાવિત ડિઝાઇન એક સ્વચાલિત પ્રણાલી છે જે ખેડૂતોને સિંચાઈ પ્રક્રિયામાં મદદ કરે છે. તે બોર્ડમાં બનેલા એલસીડી ડિસ્પ્લે અને ખેડૂતના સેલ નંબર પર મોકલવામાં આવતા સંદેશાઓ દ્વારા ખેડૂતને સૂચિત કરે છે. આ પ્રસ્તાવિત ડિઝાઇન એવા ખેડૂતો માટે પણ મદદરૂપ છે, જેમને વીજળીના અભાવ અથવા અપૂરતા અને અસમાન પાણીના પુરવઠાને કારણે એકસમાન પાણીની સપ્લાય જાળવવા માટે વીજળીના અભાવના મુદ્દાઓનો સામનો કરવો પડે છે. ઓટોમેટિક સિંચાઈ પ્રણાલી સિમ900 મોડ્યુલ દ્વારા ખેડૂતને તમામ પૃષ્ઠભૂમિ પ્રવૃત્તિઓથી અપડેટ રાખે છે, જે રજિસ્ટર્ડ નંબર પર સંદેશા મોકલે છે. આ ઉપકરણ આપણા સમાજ માટે એક વળાંક બની શકે છે. દેશના ખેડૂતો આ ઉપકરણને સરળતાથી ખરીદી શકે છે. આ પ્રસ્તાવિત ડિઝાઇન માનવ શ્રમ ઘટાડવા માટે મદદરૂપ છે. આ એક ઓછી બજેટ સિસ્ટમ છે જેમાં આવશ્યક સામાજિક એપ્લિકેશન છે. |
6ed591fec03437ed2bf7479d92f49833e3851f71 | એક બુદ્ધિશાળી ટપક સિંચાઈ પ્રણાલી વાયરલેસ સેન્સર અને ફઝી લોજિકનો ઉપયોગ કરીને કૃષિ પાક માટે પાણી અને ખાતરનો ઉપયોગ શ્રેષ્ઠ બનાવે છે. વાયરલેસ સેન્સર નેટવર્કમાં ઘણા સેન્સર નોડ્સ, હબ અને કંટ્રોલ યુનિટ હોય છે. સેન્સર તાપમાન, જમીનની ભેજ જેવા રીઅલ-ટાઇમ ડેટા એકત્રિત કરે છે. આ ડેટા વાયરલેસ ટેકનોલોજીનો ઉપયોગ કરીને હબને મોકલવામાં આવે છે. હબ ડેટાને ફઝી લોજિકનો ઉપયોગ કરીને પ્રક્રિયા કરે છે અને વાલ્વને ખુલ્લા રાખવા માટે સમયની અવધિ નક્કી કરે છે. આ મુજબ, ટપક સિંચાઈ પ્રણાલી ચોક્કસ સમય માટે લાગુ કરવામાં આવે છે. આખી સિસ્ટમ ફોટોવોલ્ટેઇક સેલ્સ દ્વારા સંચાલિત છે અને તેમાં એક સંચાર લિંક છે જે સેલ્યુલર ટેક્સ્ટ સંદેશાઓ દ્વારા સિસ્ટમની દેખરેખ, નિયંત્રણ અને સુનિશ્ચિત કરવાની મંજૂરી આપે છે. આ પ્રણાલી ઝડપથી અને સચોટ રીતે પાકની પાણીની માંગની ગણતરી કરી શકે છે, જે પાણી બચાવવા માટે સિંચાઈ માટે વૈજ્ઞાનિક આધાર પૂરો પાડી શકે છે, તેમજ વપરાયેલી ખાતરની માત્રાને શ્રેષ્ઠ બનાવવા માટેની પદ્ધતિ પણ પૂરી પાડી શકે છે. |
8075c73fd8b13fa9663230a383f5712bf210ebcf | અર્ધ શુષ્ક અને શુષ્ક વિસ્તારોમાં ઘણી પાક પદ્ધતિઓમાં કાર્યક્ષમ જળ વ્યવસ્થાપન એક મુખ્ય ચિંતા છે. ખેતરમાં સેન્સર આધારિત વિતરણ સિંચાઈ પ્રણાલીઓ, સ્થળ-વિશિષ્ટ સિંચાઈ વ્યવસ્થાપનને ટેકો આપવા માટે સંભવિત ઉકેલ પૂરો પાડે છે જે ઉત્પાદકોને પાણીની બચત કરતી વખતે તેમની ઉત્પાદકતા વધારવાની મંજૂરી આપે છે. આ કાગળમાં વેરિયેબલ રેટ સિંચાઈ, વાયરલેસ સેન્સર નેટવર્ક અને રીઅલ-ટાઇમ ઇન-ફિલ્ડ સેન્સિંગ અને સાઇટ-વિશિષ્ટ ચોકસાઇ રેખીય-મોવ સિંચાઈ પ્રણાલીના નિયંત્રણ માટે સૉફ્ટવેર ડિઝાઇન અને ઇન્સ્ટ્રુમેન્ટેશનની વિગતો વર્ણવવામાં આવી છે. જમીનની મિલકતના નકશાના આધારે ક્ષેત્રના છ ઇન-ફિલ્ડ સેન્સર સ્ટેશનો દ્વારા ક્ષેત્રની સ્થિતિનું સ્થળ-વિશિષ્ટ નિરીક્ષણ કરવામાં આવ્યું હતું, અને સમયાંતરે નમૂના લેવામાં આવ્યા હતા અને બેઝ સ્ટેશન પર વાયરલેસ રીતે પ્રસારિત કરવામાં આવ્યા હતા. એક સિંચાઈ મશીનને પ્રોગ્રામિંગ લોજિક કંટ્રોલર દ્વારા ઇલેક્ટ્રોનિક રીતે નિયંત્રિત કરવા માટે રૂપાંતરિત કરવામાં આવ્યું હતું જે ડિફરન્શિયલ ગ્લોબલ પોઝિશનિંગ સિસ્ટમ (જીપીએસ) થી સ્પ્રેન્કર્સના ભૌગોલિક સંદર્ભિત સ્થાનને અપડેટ કરે છે અને બેઝ સ્ટેશન પરના કમ્પ્યુટર સાથે વાયરલેસ રીતે વાતચીત કરે છે. સેન્સર નેટવર્ક અને સિંચાઈ નિયંત્રકથી બેઝ સ્ટેશન સુધીના સંચાર સંકેતોને ઓછા ખર્ચે બ્લૂટૂથ વાયરલેસ રેડિયો સંચારનો ઉપયોગ કરીને સફળતાપૂર્વક ઇન્ટરફેસ કરવામાં આવ્યા હતા. આ પેપરમાં વિકસિત ગ્રાફિક યુઝર ઇન્ટરફેસ આધારિત સોફ્ટવેર સ્થિર ક્ષેત્રની સ્થિતિ અને રીઅલ-ટાઇમ નિયંત્રણ અને વેરિયેબલ રેટ સિંચાઈ નિયંત્રકનું નિરીક્ષણ કરવા માટે સ્થિર દૂરસ્થ ઍક્સેસ પ્રદાન કરે છે. |
ebf9bfbb122237ffdde5ecbbb292181c92738fd4 | આ કાગળમાં થર્મો-ઇલેક્ટ્રિક જનરેટર (ટીઈજી) ની ડિઝાઇન અને ફેબ્રિકેશન અને આ ટીઈજીનો ઉપયોગ કરીને જમીનની ભેજ ડિટેક્ટર તરીકે સ્વયંસંચાલિત સિંચાઈ પ્રણાલીના અમલીકરણને દર્શાવવામાં આવ્યું છે. બે હીટ એક્સ્ચેન્જર્સમાં દાખલ થયેલા ટીઈજી હવામાં અને જમીનમાં થર્મલ તફાવત શોધવા માટે સક્ષમ છે જે જમીનની ભેજની સ્થિતિ સાથે સંબંધ સ્થાપિત કરે છે. ટીઇજીના આઉટપુટથી જમીનની ભેજનું સ્તર પ્રાપ્ત કરવામાં સક્ષમ હોવાથી, સિંચાઈ પ્રણાલીને સ્વચાલિત કરવા માટે માઇક્રોકન્ટ્રોલરનો ઉપયોગ કરવામાં આવે છે. સિંચાઈ પ્રણાલી ટીઈજી દ્વારા શોધવામાં આવેલ ભેજના આધારે તે જે જમીનની સિંચાઈ કરે છે તેની સ્થિતિને અનુરૂપ છે. જમીનની પાણીની વપરાશને જમીનની સ્થિતિના આધારે સ્વચાલિત સિંચાઈ પ્રણાલી દ્વારા નિયંત્રિત કરવામાં આવે છે અને તેથી, મેન્યુઅલ સિંચાઈ પ્રણાલીના પાણીના વપરાશની તુલનામાં પાણીની બચતને પ્રોત્સાહન આપવામાં આવે છે. તે છોડની વૃદ્ધિને પણ શ્રેષ્ઠ બનાવે છે કારણ કે તે યોગ્ય સમયે યોગ્ય ભેજ સ્તર સુધી પાણી આપે છે. |
59f153ddd37e22af153aa0d7caf3ec44053aa8e8 | હાલમાં, મજૂર બચત અને પાણી બચત ટેકનોલોજી સિંચાઈમાં મુખ્ય મુદ્દો છે. આ પેપરમાં ઝિગબી ટેકનોલોજી પર આધારિત લિશુઈ, ઝેજિયાંગ, ચીનમાં યહૂદીના કાનના વાવેતરને સમર્પિત બુદ્ધિશાળી ક્ષેત્ર સિંચાઈ પ્રણાલી માટે વાયરલેસ સોલ્યુશનનો પ્રસ્તાવ મૂકવામાં આવ્યો હતો. પરંપરાગત વાયર કનેક્શનને બદલે, વાયરલેસ ડિઝાઇને સિસ્ટમને સરળ સ્થાપન અને જાળવણી કરી. વાયરલેસ સેન્સર/એક્ટ્યુએટર નોડ અને પોર્ટેબલ કંટ્રોલરનું હાર્ડવેર આર્કિટેક્ચર અને સોફ્ટવેર અલ્ગોરિધમનો, જે ઝિગબી વાયરલેસ સેન્સર નેટવર્કમાં અનુક્રમે એન્ડ ડિવાઇસ અને કોઓર્ડિનેટર તરીકે કાર્ય કરે છે, તેની વિગતવાર રચના કરવામાં આવી હતી. અંતે સમગ્ર પ્રણાલીની કામગીરીનું મૂલ્યાંકન કરવામાં આવ્યું હતું. લાંબા સમયથી આ પ્રણાલીની કાર્યક્ષેત્રમાં સુવ્યવસ્થિત અને યોગ્ય કામગીરીએ તેની ઉચ્ચ વિશ્વસનીયતા અને કાર્યદક્ષતા સાબિત કરી છે. સિંચાઈ વ્યવસ્થાપનમાં વાયરલેસ સેન્સર નેટવર્કની એક સંશોધનકારી અરજી તરીકે, આ કાગળે મોટા પાયે દૂરસ્થ બુદ્ધિશાળી સિંચાઈ પ્રણાલી સ્થાપિત કરવા માટે એક પદ્ધતિ પ્રદાન કરી હતી. |
96e92ff6c7642cc75dc856ae4b22a5409c69e6cb | સહકારી નેવિગેશન (સીએન) સહકારી રોબોટ્સના જૂથને તેમની વ્યક્તિગત નેવિગેશન ભૂલો ઘટાડવા માટે સક્ષમ કરે છે. સામાન્ય મલ્ટી-રોબોટ (એમઆર) માપન મોડેલ માટે જેમાં બંને નિષ્ક્રિય નેવિગેશન ડેટા અને અન્ય બોર્ડ સેન્સર રીડિંગ્સનો સમાવેશ થાય છે, જે વિવિધ સમયના ઉદાહરણોમાં લેવામાં આવે છે, માહિતીના વિવિધ સ્રોતો સહસંબંધિત બને છે. આમ, સુસંગત રાજ્ય અંદાજ મેળવવા માટે માહિતી સંમિશ્રણની પ્રક્રિયામાં આ સહસંબંધને ઉકેલવો જોઈએ. સહસંબંધની શરતો મેળવવા માટે સામાન્ય અભિગમ એ એક વિસ્તૃત સહસંબંધ મેટ્રિક્સ જાળવવાનું છે. આ પદ્ધતિ સંબંધિત સ્થિતિ માપન માટે કામ કરશે, પરંતુ સામાન્ય એમઆર માપન મોડેલ માટે અવ્યવહારુ છે, કારણ કે માપન પેદા કરવામાં સામેલ રોબોટ્સની ઓળખ, તેમજ માપન સમયના ઉદાહરણો, અજ્ઞાત છે. વર્તમાન કાર્યમાં, સામાન્ય એમઆર માપન મોડેલ માટે એક નવી સુસંગત માહિતી ફ્યુઝન પદ્ધતિ વિકસાવવામાં આવી છે. પ્રસ્તાવિત અભિગમ ગ્રાફ થિયરી પર આધારિત છે. તે જરૂરી સહસંબંધ શરતોની સ્પષ્ટ ઓન-ડિમાન્ડ ગણતરીને સક્ષમ કરે છે. આ ગ્રાફને જૂથના દરેક રોબોટ દ્વારા સ્થાનિક રીતે જાળવવામાં આવે છે, જે તમામ એમઆર માપ અપડેટ્સનું પ્રતિનિધિત્વ કરે છે. વિકસિત પદ્ધતિ એમઆર માપનના સૌથી સામાન્ય દૃશ્યોમાં સહસંબંધની શરતોની ગણતરી કરે છે જ્યારે સંકળાયેલ પ્રક્રિયા અને માપન અવાજને યોગ્ય રીતે હેન્ડલ કરે છે. એક સૈદ્ધાંતિક ઉદાહરણ અને આંકડાકીય અભ્યાસ આપવામાં આવે છે, જે ત્રણ-દ્રશ્ય માપન મોડેલ પર આધારિત દ્રષ્ટિ સહાયિત નેવિગેશન માટે પદ્ધતિના પ્રદર્શનને દર્શાવે છે. આ પદ્ધતિની સરખામણી એક સિમ્યુલેટેડ વાતાવરણમાં, ફિક્સ્ડ-લેગ કેન્દ્રીયકૃત સ્લિમિંગ અભિગમ સાથે કરવામાં આવે છે. આ પદ્ધતિને એક પ્રયોગમાં પણ માન્ય કરવામાં આવી છે જેમાં વાસ્તવિક છબીઓ અને નેવિગેશન ડેટાનો સમાવેશ થાય છે. ગણતરીની જટિલતાના અંદાજો દર્શાવે છે કે નવી વિકસિત પદ્ધતિ ગણતરીની કાર્યક્ષમ છે. |
fc20f0ce11946c7d17a676fd880fec6dfc1c0397 | |
bef9d9edd340eb09e2cda37cb7f4d4886a36fe66 | |
96230bbd9804f4e7ac0017f9065ebe488f30b642 | ઊંડા ન્યુરલ નેટવર્ક્સના સંદર્ભમાં સ્ટોકાસ્ટિક ગ્રેડિએન્ટ ડિસેન્ટ (એસજીડી) ના વર્તનને સમજવાથી તાજેતરમાં ઘણી ચિંતાઓ ઉભી થઈ છે. આ રેખા સાથે, અમે સૈદ્ધાંતિક રીતે નિષ્પક્ષ અવાજ સાથે ઢાળ આધારિત ઓપ્ટિમાઇઝેશન ગતિશાસ્ત્રના સામાન્ય સ્વરૂપનો અભ્યાસ કરીએ છીએ, જે એસજીડી અને પ્રમાણભૂત લેન્જેવિન ગતિશાસ્ત્રને એકીકૃત કરે છે. આ સામાન્ય ઓપ્ટિમાઇઝેશન ગતિશીલતાની તપાસ કરીને, અમે એસજીડીના વર્તનનું વિશ્લેષણ કરીએ છીએ, જે મિનિમમથી છટકી જાય છે અને તેની નિયમિતતા અસરો. ઘોંઘાટના સહવર્તીતાના સંરેખણ અને નુકશાન કાર્યના વળાંકને માપવા દ્વારા ન્યૂનતમથી છટકી જવાના કાર્યક્ષમતાને દર્શાવવા માટે એક નવો સૂચક ઉતરી આવ્યો છે. આ સૂચકના આધારે, બે શરતો સ્થાપિત કરવામાં આવે છે જે દર્શાવે છે કે કયા પ્રકારનું અવાજનું માળખું એ આઇસોટ્રોપિક અવાજથી બહેતર છે. અમે આગળ બતાવીએ છીએ કે એસજીડીમાં એનિસોટ્રોપિક અવાજ બે શરતોને સંતોષે છે, અને આમ તીવ્ર અને નબળા ન્યૂનતમથી અસરકારક રીતે છટકી જવા માટે મદદ કરે છે, વધુ સ્થિર અને સપાટ ન્યૂનતમ તરફ જે સામાન્ય રીતે સારી રીતે સામાન્ય કરે છે. અમે આ અનિસટ્રોપિક પ્રસારને સંપૂર્ણ ઢાળ વંશ સાથે અને આઇસોટ્રોપિક પ્રસાર (એટલે કે. લેન્જેવિન ગતિશાસ્ત્ર) અને અન્ય પ્રકારનાં સ્થિતિ-આધારિત અવાજ. |
d908f630582f1a11b6d481e635fb1d06e7671f32 | |
27db63ab642d9c27601a9311d65b63e2d2d26744 | એક જ ડેટા સેટમાં બે લર્નિંગ અલ્ગોરિધમ્સની તુલના કરવા માટેની પદ્ધતિઓ લાંબા સમયથી ચકાસવામાં આવી છે, જ્યારે બહુવિધ ડેટા સેટ્સ પર વધુ અલ્ગોરિધમ્સની તુલના માટે આંકડાકીય પરીક્ષણોનો મુદ્દો, જે લાક્ષણિક મશીન લર્નિંગ અભ્યાસો માટે વધુ આવશ્યક છે, તે બધાને અવગણવામાં આવ્યા છે. આ લેખમાં વર્તમાન પ્રથાની સમીક્ષા કરવામાં આવી છે અને પછી સૈદ્ધાંતિક અને પ્રયોગાત્મક રીતે કેટલાક યોગ્ય પરીક્ષણોની તપાસ કરવામાં આવી છે. તેના આધારે, અમે વર્ગીકરણકારોની આંકડાકીય તુલના માટે સરળ, હજી સલામત અને મજબૂત બિન-પૅરામેટ્રિક પરીક્ષણોનો સમૂહ ભલામણ કરીએ છીએઃ બે વર્ગીકરણકારોની તુલના માટે વિલ્કોક્સન સહી કરેલ રેન્ક ટેસ્ટ અને ફ્રીડમેન ટેસ્ટ સાથેના અનુરૂપ પોસ્ટ-હોક પરીક્ષણો બહુવિધ ડેટા સેટ્સ પર વધુ વર્ગીકરણકારોની તુલના માટે. બાદમાંનાં પરિણામોને નવા રજૂ કરાયેલા સીડી (ક્રિટિકલ ડિફરન્સ) ડાયાગ્રામ સાથે પણ વ્યવસ્થિત રીતે રજૂ કરી શકાય છે. |
4dbd924046193a51e4a5780d0e6eb3a4705784cd | બેયસઓપ્ટ એ બિનરેખીય ઑપ્ટિમાઇઝેશન, સ્ટોકાસ્ટિક બૅન્ડિટ્સ અથવા ક્રમિક પ્રાયોગિક ડિઝાઇન સમસ્યાઓને ઉકેલવા માટે રાજ્ય-ઓફ-ધ-આર્ટ બેયસિયન ઑપ્ટિમાઇઝેશન પદ્ધતિઓ સાથેની એક લાઇબ્રેરી છે. બેયસિયન ઓપ્ટિમાઇઝેશન એ લક્ષ્ય કાર્ય માટે પુરાવા અને અગાઉના જ્ઞાનને પકડવા માટે અનુગામી વિતરણ બનાવીને નમૂના કાર્યક્ષમ છે. પ્રમાણભૂત C++ માં બનેલી, લાઇબ્રેરી પોર્ટેબલ અને લવચીક હોવા છતાં અત્યંત કાર્યક્ષમ છે. તેમાં C, C++, Python, Matlab અને Octave માટે એક સામાન્ય ઇન્ટરફેસનો સમાવેશ થાય છે. |
801556eae6de26616d2ce90cdd4aecc4e2de7fe4 | ખુરશી પર ઇલેક્ટ્રિકલી નોન-કોન્ટેક્ટ ઇસીજી માપન પ્રણાલીને રોજિંદા જીવનમાં સતત આરોગ્ય દેખરેખ માટે વિવિધ ક્ષેત્રોમાં લાગુ કરી શકાય છે. જો કે, આ સિસ્ટમ માટે કેપેસિટીવ ઇલેક્ટ્રોડ્સને કારણે બોડી ઇલેક્ટ્રિકલી ફ્લોટ થાય છે અને ફ્લોટેડ બોડી બાહ્ય ઘોંઘાટ અથવા ગતિ આર્ટિફેક્ટ્સ માટે ખૂબ જ સંવેદનશીલ હોય છે જે સામાન્ય સ્થિતિ અવાજ તરીકે માપન સિસ્ટમને અસર કરે છે. આ કાગળમાં, ડ્રાઇવ-સીટ-ગ્રાઉન્ડ સર્કિટ ડ્રાઇવ-રાઇટ-લેગ સર્કિટની જેમ સામાન્ય મોડ અવાજ ઘટાડવા માટે પ્રસ્તાવિત છે. આ સમકક્ષ સર્કિટનું વિશ્લેષણ કરવામાં આવે છે અને આઉટપુટ સિગ્નલ તરંગાકારની સરખામણી ડ્રાઇવ-સીટ-ગ્રાઉન્ડ અને કેપેસિટીવ ગ્રાઉન્ડ સાથે કરવામાં આવે છે. પરિણામે, ડ્રાઇવ-સીટ-ગ્રાઉન્ડ સર્કિટ નકારાત્મક પ્રતિસાદ તરીકે સંપૂર્ણ કેપેસિટીવ ઇસીજી માપન પ્રણાલીની મિલકતોને નોંધપાત્ર રીતે સુધારે છે. |
95f388c8cd9db1e800e515e53aaaf4e9b433866f | 0747-5632/$ 2012 એલ્સેવીયર લિમિટેડ એ http://dx.doi.org/10.1016/j.chb.2012.08.001 પત્રકાર લેખક. ટેલ. : +886 02 7734 3347; f ઈ-મેલ સરનામુંઃ [email protected] (એમ. જૌ). ક્લાઉડ કમ્પ્યુટિંગ ટેકનોલોજી પરિપક્વ થઈ છે કારણ કે તે તમામ પ્રકારની ડિજિટાઇઝેશન પ્રક્રિયાઓ સાથે સંકલિત થઈ છે. તે ડેટા અને સોફ્ટવેર શેરિંગ માટે અસંખ્ય ફાયદાઓ પ્રદાન કરે છે, અને આમ જટિલ આઇટી સિસ્ટમ્સનું સંચાલન ખૂબ સરળ બનાવે છે. એન્જિનિયરિંગમાં શિક્ષણ માટે, ક્લાઉડ કમ્પ્યુટિંગ પણ વિદ્યાર્થીઓ માટે એક વાસ્તવિક કમ્પ્યુટર લેબમાં પગલું ભરવા વગર ક્ષેત્રમાં સામાન્ય રીતે ઉપયોગમાં લેવાતા સૉફ્ટવેર માટે સર્વતોમુખી અને સર્વવ્યાપક ઍક્સેસ પ્રદાન કરે છે. અમારા અભ્યાસમાં ક્લાઉડ કમ્પ્યુટિંગ ટેકનોલોજી દ્વારા સંચાલિત સંસાધનોના ઉપયોગ દ્વારા પ્રેરિત શીખવાની વલણ અને શૈક્ષણિક પ્રદર્શનનું વિશ્લેષણ કરવામાં આવ્યું છે. હાઈ સ્કૂલ અને વ્યાવસાયિક હાઈ સ્કૂલ બેકગ્રાઉન્ડ ધરાવતા કોલેજના વિદ્યાર્થીઓ વચ્ચેની તુલના કરવામાં આવી હતી. કોમ્પ્યુટર સહાયિત ડિઝાઇન (સીએડી) કોર્સમાં ભાગ લેનારા એકસો બત્રીસ વિદ્યાર્થીઓએ આ અભ્યાસમાં ભાગ લીધો હતો. ટેકનોલોજી સ્વીકૃતિ મોડલ (ટીએએમ) નો ઉપયોગ મૂળભૂત માળખું તરીકે કરવામાં આવ્યો હતો. શૈક્ષણિક પ્રદર્શન અને કારણભૂતતાઓને માપવા માટે ખુલ્લા-અંતવાળા પ્રશ્નાવલિ સમૂહોની રચના કરવામાં આવી હતી; પરિણામોએ વિદ્યાર્થીઓના બે જૂથો વચ્ચે જ્ઞાનાત્મક ક્ષેત્રમાં કોઈ નોંધપાત્ર તફાવત દર્શાવ્યો નથી, જોકે તે મનોમોટર અને લાગણીશીલ ક્ષેત્રોમાં બંનેમાં નથી. વ્યાવસાયિક ઉચ્ચ શાળાની પૃષ્ઠભૂમિ ધરાવતા કોલેજના વિદ્યાર્થીઓ CAD એપ્લિકેશન્સમાં ઉચ્ચ શિક્ષણ પ્રેરણા ધરાવતા હોય તેવું લાગતું હતું. 2012 એલ્સેવીયર લિ. બધા અધિકારો અનામત છે. |
e2413f14a014603253815398e56c7fee0ba01a3d | આ પ્રકરણ ઘુસણખોરી શોધના સંશોધનમાં કલાની સ્થિતિનું વિહંગાવલોકન પૂરું પાડે છે. ઘૂસણખોરીની શોધ માટેની સિસ્ટમો સોફ્ટવેર અને/અથવા હાર્ડવેર ઘટકો છે જે કમ્પ્યુટર સિસ્ટમોનું નિરીક્ષણ કરે છે અને ઘૂસણખોરીના સંકેતો માટે તેમાં થતી ઘટનાઓનું વિશ્લેષણ કરે છે. કમ્પ્યુટર્સની વ્યાપક વિવિધતા અને જટિલતાને કારણે, સંપૂર્ણ સુરક્ષિત કમ્પ્યુટર સિસ્ટમ પૂરી પાડવી મુશ્કેલ છે. તેથી, અસંખ્ય સુરક્ષા સિસ્ટમો અને ઘૂસણખોરી શોધવાની સિસ્ટમ્સ છે જે કમ્પ્યુટર સુરક્ષાના વિવિધ પાસાઓને સંબોધિત કરે છે. આ પ્રકરણ પ્રથમ કોમ્પ્યુટર હુમલાઓની શ્રેણીઓનાં સંક્ષિપ્ત વર્ણન સાથે કોમ્પ્યુટર ઘૂસણખોરીની વર્ગીકરણ આપે છે. બીજું, ઘૂસણખોરી શોધવાની પ્રણાલીઓની સામાન્ય આર્કિટેક્ચર અને તેમની મૂળભૂત લાક્ષણિકતાઓ રજૂ કરવામાં આવે છે. ત્રીજું, પાંચ માપદંડો (માહિતી સ્રોત, વિશ્લેષણ વ્યૂહરચના, સમયના પાસાઓ, આર્કિટેક્ચર, પ્રતિભાવ) પર આધારિત ઘૂસણખોરી શોધવાની સિસ્ટમોની વર્ગીકરણ આપવામાં આવે છે. છેલ્લે, ઘૂસણખોરીની તપાસની વ્યવસ્થાઓને આ દરેક કેટેગરી અનુસાર વર્ગીકૃત કરવામાં આવી છે અને સૌથી વધુ પ્રતિનિધિ સંશોધન પ્રોટોટાઇપ્સનું સંક્ષિપ્ત વર્ણન કરવામાં આવ્યું છે. |
42cfb5614cbef64a5efb0209ca31efe760cec0fc | વિકાસલક્ષી રોબોટની મૂલ્ય પ્રણાલી, અગ્રણી સંવેદનાત્મક ઇનપુટ્સની ઘટનાને સંકેત આપે છે, સંવેદનાત્મક ઇનપુટ્સથી ક્રિયા આઉટપુટ્સ સુધીના મેપિંગને મોડ્યુલેટ કરે છે, અને ઉમેદવાર ક્રિયાઓનું મૂલ્યાંકન કરે છે. અહીં જણાવેલ કાર્યમાં, નીચા સ્તરની મૂલ્ય પ્રણાલીનું મોડેલિંગ અને અમલીકરણ કરવામાં આવ્યું છે. તે બિન-સંબંધિત પ્રાણી શિક્ષણ પદ્ધતિને અનુકરણ કરે છે જેને ટેવ ઇફેક્ટ તરીકે ઓળખવામાં આવે છે. રિઇનફોર્સમેન્ટ લર્નિંગ પણ નવીનતા સાથે સંકલિત છે. પ્રાયોગિક પરિણામો દર્શાવે છે કે પ્રસ્તાવિત મૂલ્ય પ્રણાલી રોબોટ જોવાના ખૂણાની પસંદગીના અભ્યાસમાં ડિઝાઇન કરેલી રીતે કાર્ય કરે છે. |
73447b6a02d1caff0a96472a2e0b571e1be497c8 | ડિજિટલ યુગમાં ઇન્ટરનેટ ટેકનોલોજી વ્યક્તિગત સ્મૃતિઓને યાદ રાખવા અને શેર કરવા માટે એક નવું સાધન પૂરું પાડે છે. વ્યક્તિગત યાદોને ઓનલાઇન પોસ્ટ કરવાના સ્મૃતિચિહ્ન પરિણામ શું છે? ટ્રાન્ઝેક્ટિવ મેમરી અને ઓટોબાયોગ્રાફિકલ મેમરીના સિદ્ધાંતો વિરોધાભાસી આગાહીઓ કરશે. હાલના અભ્યાસમાં, કોલેજ વિદ્યાર્થીઓ એક અઠવાડિયા માટે દૈનિક ડાયરી પૂર્ણ કરે છે, દરેક દિવસના અંતે તે દિવસે તેમની સાથે બનેલી બધી ઘટનાઓની યાદી આપે છે. તેઓએ એ પણ જણાવ્યું કે શું તેઓએ આ ઘટનાઓમાંથી કોઈ પણ ઘટના ઓનલાઇન પોસ્ટ કરી છે. સહભાગીઓને ડાયરી રેકોર્ડિંગ પૂર્ણ કર્યા પછી અને પછી એક અઠવાડિયા પછી બીજી એક મેમરી ટેસ્ટ આપવામાં આવી હતી. બંને પરીક્ષણોમાં, ઓનલાઇન પોસ્ટ કરેલી ઘટનાઓ ઓનલાઇન પોસ્ટ ન કરેલી ઘટનાઓની તુલનામાં યાદ કરવામાં આવે તેવી શક્યતા નોંધપાત્ર રીતે વધુ હતી. એવું લાગે છે કે ઓનલાઇન સ્મૃતિઓ શેર કરવાથી રિહર્સલ અને અર્થ-નિર્માણ માટે અનન્ય તકો પૂરી પાડી શકે છે જે મેમરી રીટેન્શનને સરળ બનાવે છે. |
b3ede733fcd97271f745d8c0f71e44562abbb6d5 | સમસ્યા વર્તનનું કાર્ય ઓળખવાથી વધુ અસરકારક હસ્તક્ષેપોના વિકાસ તરફ દોરી શકે છે. કાર્યને ઓળખવાની એક રીત કાર્યાત્મક વર્તણૂક આકારણી (એફબીએ) દ્વારા છે. શિક્ષકો શાળાઓમાં એફબીએ કરે છે. જો કે, ડેટાને મેન્યુઅલી રેકોર્ડ કરવાનો કાર્ય ભાર ઊંચો છે, અને વિદ્યાર્થીઓ સાથે વાતચીત કરતી વખતે પૂર્વવર્તી અને પરિણામોની ચોક્કસ ઓળખનો પડકાર નોંધપાત્ર છે. આ મુદ્દાઓ ઘણીવાર અપૂર્ણ માહિતી કેપ્ચર પરિણમે છે. કેરલોગ શિક્ષકોને એફબીએ સરળતાથી કરવા દે છે અને સંબંધિત માહિતીને પકડવાનું વધારે છે. આ કાગળમાં, અમે ડિઝાઇન પ્રક્રિયાનું વર્ણન કરીએ છીએ જે પાંચ ડિઝાઇન સિદ્ધાંતો તરફ દોરી જાય છે જે કેરલોગના વિકાસને સંચાલિત કરે છે. અમે પાંચ મહિનાના પરિણામો રજૂ કરીએ છીએ, અર્ધ-નિયંત્રિત અભ્યાસનો હેતુ તે ડિઝાઇન સિદ્ધાંતોને માન્યતા આપવાનો છે. અમે એ બાબત પર વિચાર કરીએ છીએ કે વિશેષ શિક્ષણની વ્યવસ્થા દ્વારા લાદવામાં આવેલી વિવિધ મર્યાદાઓ એચસીઆઇ પ્રેક્ટિશનરો અને સંશોધકો માટે ડિઝાઇન અને મૂલ્યાંકન પ્રક્રિયાને કેવી રીતે અસર કરે છે. |
77e7b0663f6774b3d6e1d51106020a9a0f96bcd2 | આ લેખમાં ઇન્ટરનેટના ઉપયોગ અને સામાજિક મૂડીના વ્યક્તિગત-સ્તરના ઉત્પાદન વચ્ચેના સંબંધની શોધ કરવામાં આવી છે. આમ કરવા માટે, લેખકો નાગરિક સંલગ્નતા, આંતરવ્યક્તિત્વ વિશ્વાસ અને જીવન સંતોષની આગાહી કરતા પરિબળોની તપાસ કરતી વખતે ઇન્ટરનેટના ઉપયોગના પ્રકારો વચ્ચે તફાવત કરવા માટે પ્રેરણાત્મક પરિપ્રેક્ષ્ય અપનાવે છે. ત્યારબાદ 1999ના ડીડીબી લાઇફ સ્ટાઇલ સ્ટડીનો ઉપયોગ કરીને મુખ્ય વસ્તી વિષયક, સંદર્ભ અને પરંપરાગત મીડિયા ઉપયોગના ચલોના સંબંધમાં નવા મીડિયા ઉપયોગની આગાહી શક્તિનું વિશ્લેષણ કરવામાં આવે છે. જોકે સંગઠનોનું કદ સામાન્ય રીતે નાનું હોય છે, તેમ છતાં ડેટા સૂચવે છે કે ઇન્ટરનેટનો માહિતીપ્રદ ઉપયોગ સામાજિક મૂડીના ઉત્પાદનમાં વ્યક્તિગત તફાવતો સાથે હકારાત્મક રીતે સંબંધિત છે, જ્યારે સામાજિક-રિક્રેશનલ ઉપયોગ આ નાગરિક સૂચકાંકો સાથે નકારાત્મક રીતે સંબંધિત છે. પેઢીના વયના વિરામ દ્વારા વ્યાખ્યાયિત પેટા નમૂનાઓમાં વિશ્લેષણ વધુ સૂચવે છે કે સામાજિક મૂડીનું ઉત્પાદન જનરેશન એક્સમાં ઇન્ટરનેટના ઉપયોગ સાથે સંબંધિત છે, જ્યારે તે બેબી બૂમર્સમાં ટેલિવિઝન ઉપયોગ અને સિવિક જનરેશનના સભ્યોમાં અખબારના ઉપયોગ સાથે જોડાયેલું છે. જીવન ચક્ર અને સમૂહ અસરોની સંભાવનાની ચર્ચા કરવામાં આવી છે. |
076be17f97325fda82d1537aaa48798eb66ba91f | આઇડેન્ટિટી-આધારિત એન્ક્રિપ્શન (IBE) એ જાહેર-કી એન્ક્રિપ્શન માટે એક ઉત્તેજક વિકલ્પ છે, કારણ કે IBE જાહેર કી ઇન્ફ્રાસ્ટ્રક્ચર (PKI) ની જરૂરિયાતને દૂર કરે છે. IBEનો ઉપયોગ કરતા મોકલનારને પ્રાપ્તકર્તાઓની જાહેર કીઓ અને અનુરૂપ પ્રમાણપત્રો, ઓળખ (દા. ત. ઈમેઈલ અથવા આઈપી એડ્રેસ) ને એન્ક્રિપ્ટ કરવા માટે પૂરતા છે. કોઈપણ સેટિંગ, PKI- અથવા ઓળખ-આધારિત, વપરાશકર્તાઓને સિસ્ટમમાંથી રદ કરવાની રીત પ્રદાન કરવી આવશ્યક છે. પરંપરાગત PKI સેટિંગમાં કાર્યક્ષમ રદિયો એક સારી રીતે અભ્યાસ કરેલી સમસ્યા છે. જોકે IBEની સેટિંગમાં રદ કરવાની પદ્ધતિઓ પર અભ્યાસ કરવા માટે બહુ ઓછું કામ કરવામાં આવ્યું છે. સૌથી વ્યવહારુ ઉકેલ એ છે કે મોકલનારને એન્ક્રિપ્ટ કરતી વખતે સમયનો ઉપયોગ કરવો જોઈએ, અને બધા પ્રાપ્તકર્તાઓ (તેમની કીઓ ચેડા થઈ છે કે નહીં તે ધ્યાનમાં લીધા વિના) વિશ્વસનીય સત્તા સાથે સંપર્ક કરીને તેમની ખાનગી કીઓને નિયમિતપણે અપડેટ કરવા. અમે નોંધ્યું છે કે આ ઉકેલ સારી રીતે સ્કેલ નથી - જેમ જેમ વપરાશકર્તાઓની સંખ્યા વધે છે, કી અપડેટ્સ પર કામ એક બોટલની ગરદન બની જાય છે. અમે એક IBE યોજના પ્રસ્તાવિત કરીએ છીએ જે વિશ્વસનીય પક્ષની બાજુ પર કી-અપડેટ કાર્યક્ષમતામાં નોંધપાત્ર સુધારો કરે છે (વપરાશકર્તાઓની સંખ્યામાં રેખીયથી લોગરીધમિક સુધી), જ્યારે વપરાશકર્તાઓ માટે કાર્યક્ષમ રહે છે. અમારી યોજના ફઝી આઇબીઇ પ્રાચીન અને દ્વિસંગી વૃક્ષ ડેટા માળખાના વિચારો પર નિર્માણ કરે છે, અને તે સાબિતીપૂર્વક સુરક્ષિત છે. |
7a58abc92dbe41c9e5b3c7b0a358ab9096880f25 | અનિચ્છનીય બલ્ક ઇમેઇલ (સ્પામ) ઘટાડવાની એક વારંવાર સૂચિત પદ્ધતિ એ છે કે મોકલનારાઓ તેઓ મોકલેલા દરેક ઇમેઇલ માટે ચૂકવણી કરે છે. પ્રૂફ ઓફ વર્ક સ્કીમ્સ મોકલનારને એ દર્શાવવા માટે જરૂરી છે કે તેઓ ક્રિપ્ટોગ્રાફિક પઝલ ઉકેલવામાં પ્રોસેસિંગ સમયનો ખર્ચ કરે છે. અમે તે નક્કી કરવાનો પ્રયાસ કરીએ છીએ કે સ્પામને રોકવામાં અસરકારક બનવા માટે તે પઝલ કેટલું મુશ્કેલ હોવું જોઈએ. અમે આને આર્થિક દ્રષ્ટિકોણથી વિશ્લેષણ કરીએ છીએ, "અમે સ્પામ મોકલવા માટે ખર્ચ-અસરકારક કેવી રીતે રોકી શકીએ છીએ", અને સુરક્ષા દ્રષ્ટિકોણથી, "સ્પામર્સ અસુરક્ષિત અંતિમ વપરાશકર્તા મશીનોનો ઉપયોગ કરી શકે છે અને કોયડાઓ ઉકેલવા માટે પ્રોસેસિંગ ચક્રની ચોરી કરશે". બંને વિશ્લેષણ પઝલની મુશ્કેલીના સમાન મૂલ્યો તરફ દોરી જાય છે. દુર્ભાગ્યવશ, મોટા ISP ના વાસ્તવિક વિશ્વના ડેટા દર્શાવે છે કે આ મુશ્કેલીના સ્તરોનો અર્થ એ છે કે કાયદેસર ઇમેઇલ મોકલનારાઓની નોંધપાત્ર સંખ્યા તેમની પ્રવર્તમાન પ્રવૃત્તિના સ્તરને ચાલુ રાખવામાં અસમર્થ હશે. અમે તારણ કાઢ્યું છે કે કામનો પુરાવો સ્પામની સમસ્યાનું સમાધાન નહીં હોય. |
5284e8897f3a73ff08da1f2ce744ba652583405a | ૧. કોમ્પ્યુટર સાયન્સના અભ્યાસક્રમોમાં પ્રોગ્રામિંગ સોંપણીઓના સ્વયંચાલિત ગ્રેડિંગ લગભગ એટલા લાંબા સમયથી છે કે જ્યાં સુધી કોમ્પ્યુટર સાયન્સના અભ્યાસક્રમો છે [1]. જો કે, કોમ્પ્યુટર સાયન્સના અભ્યાસક્રમોમાં સમકાલીન ઓટોગ્રેડીંગ સિસ્ટમોએ ગેમિફિકેશન [2], ટેસ્ટ કવરેજ વિશ્લેષણ [3], માનવ-લેખિત પ્રતિસાદનું સંચાલન, સ્પર્ધાના ચુકાદા [4], સુરક્ષિત દૂરસ્થ કોડ એક્ઝેક્યુશન [5] અને વધુ સહિત સ્વયંસંચાલિત આકારણી કરવા કરતાં તેમના અવકાશને વિસ્તૃત કર્યા છે. આમાંની ઘણી વ્યક્તિગત સુવિધાઓ કોમ્પ્યુટર સાયન્સ શિક્ષણ સાહિત્યમાં વર્ણવવામાં આવી છે અને તેનું મૂલ્યાંકન કરવામાં આવ્યું છે, પરંતુ કોમ્પ્યુટર સાયન્સ અભ્યાસક્રમોમાં આ સુવિધાઓને અમલમાં મૂકતી સિસ્ટમોનો ઉપયોગ કરવાના વ્યવહારુ લાભો અને પડકારો પર થોડું ધ્યાન આપવામાં આવ્યું છે. |
8a58a1107f790bc07774d18e0184e4bf9d1901ba | આ થીઝ WiTrack રજૂ કરે છે, જે એક એવી સિસ્ટમ છે જે તેના શરીર પરથી પ્રતિબિંબિત થયેલા રેડિયો સિગ્નલોથી વપરાશકર્તાની 3D ગતિને ટ્રેક કરે છે. તે કામ કરે છે જો વ્યક્તિ WiTrack ઉપકરણથી અથવા અલગ રૂમમાં છુપાયેલ હોય. WiTrack માટે વપરાશકર્તાને કોઈ વાયરલેસ ઉપકરણ રાખવાની જરૂર નથી, તેમ છતાં તેની ચોકસાઈ વર્તમાન RF સ્થાનિકીકરણ સિસ્ટમો કરતાં વધી જાય છે, જેમાં વપરાશકર્તાને ટ્રાન્સસીવર રાખવાની જરૂર હોય છે. વાઇટ્રેક પ્રોટોટાઇપ સાથેના પ્રયોગમૂલક માપ દર્શાવે છે કે, સરેરાશ, તે માનવ શરીરના કેન્દ્રને એક્સ અને વાય પરિમાણોમાં 10 થી 13 સે. મી. ની મધ્યમાં અને ઝેડ પરિમાણોમાં 21 સે. તે શરીરના ભાગોના રફ ટ્રેકિંગને પણ પૂરું પાડે છે, જે 11.20 ની મધ્યમ સાથે નિર્દેશક હાથની દિશાને ઓળખે છે. WiTrack એ RF-આધારિત સ્થાનિકીકરણ સિસ્ટમો વચ્ચેના અંતરને પુલ કરે છે જે દિવાલો અને ઓક્લૂઝન્સ દ્વારા વપરાશકર્તાને સ્થિત કરે છે, અને કિનેક્ટ જેવી માનવ-કમ્પ્યુટર ક્રિયાપ્રતિક્રિયા સિસ્ટમ્સ, જે તેના શરીરને ઇન્સ્ટ્રુમેન્ટ કર્યા વિના વપરાશકર્તાને ટ્રેક કરી શકે છે, પરંતુ વપરાશકર્તાને ઉપકરણની સીધી દૃષ્ટિની રેખામાં રહેવાની જરૂર છે. થિસિસ સુપરવાઇઝર: દીના કટાબી શીર્ષકઃ કોમ્પ્યુટર સાયન્સ અને એન્જિનિયરિંગના પ્રોફેસર |
42004b6bdf5ea375dfaeb96c1fd6f8f77d908d65 | ઈન્ટરનેટ સર્ચ રેન્કિંગ્સની ગ્રાહકોની પસંદગીઓ પર નોંધપાત્ર અસર પડે છે, મુખ્યત્વે કારણ કે વપરાશકર્તાઓ ઉચ્ચ ક્રમાંકિત પરિણામોને નીચલા ક્રમાંકિત પરિણામો કરતાં વધુ વિશ્વાસ કરે છે અને પસંદ કરે છે. શોધ રેન્કિંગની દેખીતી શક્તિને ધ્યાનમાં રાખીને, અમે પૂછ્યું કે શું લોકશાહી ચૂંટણીમાં અનિશ્ચિત મતદારોની પસંદગીઓને બદલવા માટે તેઓનો ઉપયોગ કરી શકાય છે. અહીં અમે પાંચ સંબંધિત ડબલ-બ્લાઇન્ડ, રેન્ડમાઇઝ્ડ નિયંત્રિત પ્રયોગોના પરિણામોની જાણ કરીએ છીએ, જેમાં કુલ 4,556 અનિર્ણિત મતદારોનો ઉપયોગ કરવામાં આવ્યો છે જે યુનાઇટેડ સ્ટેટ્સ અને ભારતની મતદાન વસતીના વિવિધ વસ્તીવિષયક લાક્ષણિકતાઓનું પ્રતિનિધિત્વ કરે છે. પાંચમો પ્રયોગ ખાસ કરીને નોંધપાત્ર છે કારણ કે તે ભારતભરના પાત્ર મતદારો સાથે ભારતની 2014 લોકસભા ચૂંટણીની મધ્યમાં અંતિમ મતદાન પહેલાં કરવામાં આવ્યું હતું. આ પ્રયોગોના પરિણામો દર્શાવે છે કે (i) પક્ષપાતી શોધ રેન્કિંગ્સ અનિશ્ચિત મતદારોની મતદાન પસંદગીઓને 20% અથવા વધુ દ્વારા બદલી શકે છે, (ii) કેટલાક વસ્તીવિષયક જૂથોમાં શિફ્ટ ખૂબ ઊંચી હોઈ શકે છે, અને (iii) શોધ રેન્કિંગ પૂર્વગ્રહને માસ્ક કરી શકાય છે જેથી લોકો મેનિપ્યુલેશનની કોઈ જાગૃતિ દર્શાવતા નથી. અમે આ પ્રકારનું પ્રભાવ કહીએ છીએ, જે વિવિધ વલણ અને માન્યતાઓ પર લાગુ થઈ શકે છે, શોધ એન્જિન મેનિપ્યુલેશન અસર. ઘણી ચૂંટણીઓ નાના માર્જિનથી જીતી છે તે જોતાં, અમારા પરિણામો સૂચવે છે કે સર્ચ એન્જિન કંપની પાસે સજા વગર નોંધપાત્ર સંખ્યામાં ચૂંટણીઓના પરિણામોને પ્રભાવિત કરવાની શક્તિ છે. આ પ્રકારની મેનિપ્યુલેશન્સની અસર ખાસ કરીને એક જ સર્ચ એન્જિન કંપની દ્વારા પ્રભુત્વ ધરાવતા દેશોમાં મોટી હશે. |
30a7fcdaa836837d87a8e4702ed015cd66e6ad03 | આ કાગળમાં એક એવી પ્રણાલીનું નિર્માણ વર્ણવવામાં આવ્યું છે જે હાથથી છાપેલા અંકોને ઓળખે છે, જેમાં ક્લાસિકલ તકનીકો અને ન્યુરલ-નેટ પદ્ધતિઓનો ઉપયોગ કરવામાં આવે છે. સિસ્ટમ તાલીમ આપવામાં આવી છે અને વાસ્તવિક વિશ્વના ડેટા પર પરીક્ષણ કરવામાં આવ્યું છે, જે વાસ્તવિક યુ. એસ. મેલ પર જોવા મળતા ઝીપ કોડ્સમાંથી મેળવવામાં આવે છે. સિસ્ટમ નમૂનાઓની એક નાની ટકાવારીને અયોગ્ય તરીકે નકારે છે, અને બાકીના નમૂનાઓ પર ખૂબ જ ઓછી ભૂલ દર પ્રાપ્ત કરે છે. આ પ્રણાલી અન્ય અદ્યતન ઓળખકર્તાઓ સાથે અનુકૂળ રીતે સરખાવે છે. જ્યારે કેટલીક પદ્ધતિઓ આ કાર્ય માટે વિશિષ્ટ છે, ત્યારે આશા છે કે ઘણી તકનીકો માન્યતા કાર્યોની વિશાળ શ્રેણીમાં લાગુ થશે. |
605a12a1d02451157cc5fd4dc475d5cbddd5cb01 | ઘરની સંભાળ રાખવી ખાસ તબીબી સંભાળની જરૂર હોય તેવા લોકો માટે, તેમની તબીબી જરૂરિયાતોને પહોંચી વળવા માટે તેમને તેમના ઘરમાંથી બહાર કાઢવાની જરૂર પડી શકે છે. વસ્તીની ઉંમર વધતા આ જૂથમાં લોકોની ટકાવારી વધી રહી છે અને તેની અસર ખર્ચાળ તેમજ અસંતોષકારક છે. અમે ધારણા કરીએ છીએ કે ઘણા અપંગ લોકો પોતાના ઘરોમાં સ્વયં સંચાલિત સહાય અને આરોગ્ય દેખરેખની મદદથી સ્વતંત્ર જીવન જીવી શકે છે. આ સિદ્ધ કરવા માટે, સંબંધિત ડેટા એકત્રિત કરવા અને તેને ગતિશીલ અને અનુકૂલનશીલ રીતે પ્રક્રિયા કરવા માટે મજબૂત પદ્ધતિઓ વિકસાવવી જોઈએ જેથી લાંબા ગાળાના વલણો અથવા તાત્કાલિક કટોકટીની ધમકીઓ શોધી શકાય અને / અથવા આગાહી કરી શકાય. આ કાગળનો મુખ્ય ઉદ્દેશ એન્ટિ-આધારિત સ્માર્ટ હોમ ટેકનોલોજીનો ઉપયોગ કરીને ઘરેલુ આરોગ્ય દેખરેખ અને સહાયતા પૂરી પાડવા માટેની તકનીકોની તપાસ કરવાનો છે. આ અંત માટે, અમે નવલકથા રહેવાસી મોડેલિંગ અને ઓટોમેશન અલ્ગોરિધમ્સ વિકસાવી છે જે સંભાળ રાખનારાઓ માટે દૂરસ્થ આરોગ્ય મોનિટરિંગ પ્રદાન કરે છે. ખાસ કરીને, અમે નીચેના તકનીકી પડકારોને સંબોધિત કરીએ છીએ: 1) જીવનશૈલી વલણોને ઓળખવા, 2) વર્તમાન ડેટામાં અસાધારણતાઓને શોધી કાઢવી, અને 3) રીમાઇન્ડર સહાયક સિસ્ટમ ડિઝાઇન કરવી. અમારા ઉકેલોને સિમ્યુલેશનમાં અને યુટીએના માવહોમ સાઇટ પર સ્વયંસેવકો સાથે પરીક્ષણ કરવામાં આવી રહ્યું છે, જે એજન્ટ આધારિત છે. |
494fc1e30be172fbe393e0d68695ae318e23da8c | ગ્રીન સપ્લાય ચેઇન મેનેજમેન્ટ (જીએસસીએમ) ને શૈક્ષણિક અને ઉદ્યોગ બંનેમાં વધતું ધ્યાન મળ્યું છે. સાહિત્ય વધતા જતા, સંશોધનનું વિવેચનાત્મક મૂલ્યાંકન કરીને અને ભવિષ્યની દિશાઓને ઓળખવાથી નવા દિશાઓ શોધવી એ ક્ષેત્ર માટે જ્ઞાનને આગળ વધારવામાં મહત્વપૂર્ણ બની જાય છે. સાહિત્યને વર્ગીકૃત કરવામાં મદદ કરવા માટે સંગઠનાત્મક સિદ્ધાંતોનો ઉપયોગ કરવો એ ક્ષેત્ર હાલમાં ક્યાં છે તે સમજવાના ઉદ્દેશો અને સંશોધન તકો અને દિશાઓને ઓળખવા બંનેને સંબોધવાની તકો પૂરી પાડે છે. જીએસસીએમ પર બેકગ્રાઉન્ડ ચર્ચા પૂરી પાડ્યા પછી અમે નવ વ્યાપક સંગઠનાત્મક સિદ્ધાંતો હેઠળ તાજેતરના જીએસસીએમ સાહિત્યને વર્ગીકૃત અને સમીક્ષા કરીએ છીએ. આ સમીક્ષાના માળખામાં, અમે જીએસસીએમ સંશોધન પ્રશ્નો પણ ઓળખી કાઢીએ છીએ જે તપાસ માટે યોગ્ય છે. આ સમીક્ષા માટે નિષ્કર્ષ સાથે ભવિષ્યના જીએસસીએમ સંશોધન માટે મૂલ્યવાન માનવામાં આવતા વધારાના સંગઠનાત્મક સિદ્ધાંતો પણ ઓળખવામાં આવે છે. |
c3a41f97b29c6abce6f75ee9c668584d77a84170 | ટકાઉપણું એ સિદ્ધાંત પર આધારિત છે કે આપણે ભવિષ્યની પેઢીઓની પોતાની જરૂરિયાતો પૂરી કરવાની ક્ષમતાને સમાધાન કર્યા વિના હાલની જરૂરિયાતોને પૂરી કરવી જોઈએ. ગરીબ દેશોમાં ભૂખમરા, સમૃદ્ધ દેશોમાં મેદસ્વીતા, વધતી જતી ખાદ્ય કિંમતો, ચાલુ આબોહવા પરિવર્તન, વધતી જતી બળતણ અને પરિવહન ખર્ચ, વૈશ્વિક બજારની ખામીઓ, વિશ્વભરમાં જંતુનાશક પ્રદૂષણ, જંતુ અનુકૂલન અને પ્રતિકાર, જમીનની ફળદ્રુપતા અને કાર્બનિક કાર્બનનો નુકશાન, જમીનની ધોવાણ, જૈવવિવિધતામાં ઘટાડો, રણનીકરણ, અને તેથી આગળ. વિજ્ઞાનમાં અભૂતપૂર્વ પ્રગતિ હોવા છતાં અમને ગ્રહોની મુલાકાત લેવા અને સબટોમિક કણોને જાહેર કરવાની મંજૂરી આપે છે, ખોરાક વિશે ગંભીર પૃથ્વીના મુદ્દાઓ સ્પષ્ટપણે દર્શાવે છે કે પરંપરાગત કૃષિ હવે મનુષ્યોને ખવડાવવા અને ઇકોસિસ્ટમ્સને જાળવવા માટે યોગ્ય નથી. પર્યાવરણને અનુકૂળ રીતે ખાદ્ય ઉત્પાદન સાથે સંબંધિત મૂળભૂત અને પ્રાયોગિક મુદ્દાઓને ઉકેલવા માટે ટકાઉ કૃષિ એક વિકલ્પ છે (લાલ (2008) એગ્રોન. સપોર્ટ કરો. દેવ. 28, 57-64) ની મદદથી. જ્યારે પરંપરાગત કૃષિ લગભગ સંપૂર્ણપણે ઉત્પાદકતા અને નફા દ્વારા ચલાવવામાં આવે છે, ટકાઉ કૃષિ જૈવિક, રાસાયણિક, ભૌતિક, ઇકોલોજીકલ, આર્થિક અને સામાજિક વિજ્ઞાનને વ્યાપક રીતે એકીકૃત કરે છે જેથી નવી ખેતી પદ્ધતિઓ વિકસિત કરી શકાય જે સલામત છે અને આપણા પર્યાવરણને બગાડે નહીં. વર્તમાન કૃષિશાસ્ત્રીય મુદ્દાઓને સંબોધવા અને વિશ્વવ્યાપી ચર્ચાઓ અને સહકારને પ્રોત્સાહન આપવા માટે અમે 2003 થી 2006 સુધી જર્નલ એગ્રોનોમી ફોર સસ્ટેનેબલ ડેવલપમેન્ટમાં તીવ્ર ફેરફારો અમલમાં મૂક્યા હતા. અહીં અમે (1) જર્નલના નવીનીકરણના પરિણામો અને (2) ટકાઉ કૃષિ માટે કૃષિશાસ્ત્રીય સંશોધનના વર્તમાન ખ્યાલોની ટૂંકી ઝાંખી આપીએ છીએ. લાંબા સમય સુધી નરમ, બાજુ વિજ્ઞાન તરીકે ગણવામાં આવે છે, કૃષિશાસ્ત્ર ઝડપથી કેન્દ્રીય વિજ્ઞાન તરીકે વધી રહ્યું છે કારણ કે વર્તમાન મુદ્દાઓ ખોરાક વિશે છે, અને મનુષ્ય ખોરાક ખાય છે. આ અહેવાલ ઇડીપી સાયન્સ અને સ્પ્રેન્જર દ્વારા પ્રકાશિત પુસ્તક સસ્ટેનેબલ એગ્રીકલ્ચર, વોલ્યુમ 1 (લિચટફોઝ અને અન્ય) ના પ્રારંભિક લેખ છે. (2009) ટકાઉ કૃષિ, વોલ્યુમ. 1, સ્પ્રિંગર, ઇડીપી સાયન્સ, પ્રેસમાં). |
8216ca257a33d0d64cce02f5bb37de31c5b824f8 | |
1518c8dc6a07c2391e58ece6e2ad8edca87be56e | ડેટા સંગ્રહ અને જનરેશન ટેકનોલોજીમાં પ્રગતિ સાથે, સંસ્થાઓ અને સંશોધકો મોટી ગતિશીલ ડેટાસેટ્સનું સંચાલન અને વિશ્લેષણ કેવી રીતે કરવું તે સતત વધતી સમસ્યાનો સામનો કરી રહ્યા છે. ડેટાના સ્ટ્રીમિંગ સ્ત્રોતોનું ઉત્પાદન કરતા વાતાવરણ સામાન્ય સ્થળ બની રહ્યા છે. ઉદાહરણોમાં સ્ટોક માર્કેટ, સેન્સર, વેબ ક્લિક સ્ટ્રીમ અને નેટવર્ક ડેટાનો સમાવેશ થાય છે. ઘણા કિસ્સાઓમાં, આ વાતાવરણમાં બહુવિધ વિતરણ કમ્પ્યુટિંગ ગાંઠો પણ હોય છે જે ઘણીવાર ડેટા સ્રોતોની નજીક સ્થિત હોય છે. આવા વાતાવરણમાં ડેટાનું વિશ્લેષણ અને મોનિટરિંગ કરવા માટે ડેટા માઇનિંગ ટેકનોલોજીની જરૂર પડે છે જે માઇનિંગ કાર્ય, ડેટાની વિતરણ પ્રકૃતિ અને ડેટા પ્રવાહ દરને જાણ કરે છે. આ પ્રકરણમાં, અમે ક્ષેત્રની વર્તમાન સ્થિતિનું સર્વેક્ષણ કરીએ છીએ અને ભવિષ્યના સંશોધનની સંભવિત દિશાઓ ઓળખીએ છીએ. |
dd86669b91927f4c4504786269f93870854e117f | સામાન્ય રીતે ટેકનોલોજી અને ખાસ કરીને સોફ્ટવેરનાં સ્વીકારની તપાસ એંગ્લો-અમેરિકન સંશોધન (મેનેજમેન્ટ) ઇન્ફોર્મેશન સિસ્ટમ્સ અને જર્મન ઇકોનોમિક ઇન્ફોર્મેટિક્સમાં એક ફળદાયી ક્ષેત્ર છે. ટેક્નોલોજી-સ્વીકૃતિ મોડેલ અને સંબંધિત સિદ્ધાંતોમાં ઉત્પન્ન થયેલા ઘણા અભ્યાસો હોવા છતાં, વધુ યોગદાન છે, જે અગાઉના અભ્યાસો અને સંશોધન અભિગમોને બહાર કાઢે છે. એક આવશ્યક કારણ એ છે કે માત્રાત્મક સંશોધન પદ્ધતિઓ પર ધ્યાન કેન્દ્રિત કરવું, જેમ કે અમે મેટાસ્ટડીઝ અને આપણા પોતાના સાહિત્ય સંશોધન દ્વારા બતાવીએ છીએ. જ્યારે માત્રાત્મક પદ્ધતિઓ સામાન્ય રીતે સ્થાપિત સિદ્ધાંતોની ચકાસણી માટે સારી હોય છે, ત્યારે નવા સિદ્ધાંતોની રચના માટે તેમનો યોગદાન મર્યાદિત છે. આ પ્રસ્તુત ફાળો દર્શાવે છે કે કેવી રીતે વધુ સારી થિયરી રચના માટે ગુણાત્મક પદ્ધતિનો ઉપયોગ કરી શકાય છે. પ્રોજેક્ટ મેનેજમેન્ટ-સોફ્ટવેર (પીએમએસ) ની સ્વીકૃતિના પરીક્ષણના ઉદાહરણ તરીકે, તે બતાવી શકાય છે કે આ પ્રક્રિયા નવી રચનાઓ તરફ દોરી જાય છે, જ્યારે કેટલીક રચનાઓ અસ્તિત્વમાં છે તે સ્વીકૃતિ-સિદ્ધાંતોને સમર્થન આપી શકાતું નથી. |
9249389a2fbc2151a80b4731f007c780616b067a | અસ્ફ્રેક્ટ-ફ્લેઇંગ મેમરીની કલ્પનાનો ઉપયોગ કરીને અમે બે લોક સિદ્ધાંતોના ખૂબ જ મજબૂત સંસ્કરણો સાબિત કરીએ છીએ. પ્રથમ એ છે કે કોઈ પણ સમય-અનુકૂળ (TZ) સતત બિનરેખીય ઓપરેટરને વોલ્ટેરા શ્રેણીના ઓપરેટર દ્વારા અંદાજવામાં આવે છે, અને બીજું એ છે કે અંદાજ આપનાર ઓપરેટરને બિનરેખીય રીડઆઉટ નકશા સાથે સીમિત પરિમાણીય રેખીય ગતિશીલ સિસ્ટમ તરીકે સમજવામાં આવે છે. જ્યારે અગાઉના અંદાજ પરિણામો અંતમાં સમય પર માન્ય છે અને કોમ્પેક્ટ સેટ્સમાં સંકેતો માટે, અહીં રજૂ કરેલા અંદાજો બધા સમય માટે અને ઉપયોગી (બિન-કોમ્પેક્ટ) સેટ્સમાં સંકેતો માટે માન્ય છે. બીજા પ્રમેયની ડિસ્ક્રીટ ટાઇમ એનાલોગ એવી દલીલ કરે છે કે ફેડિંગ મેમરી સાથેની એનએન ટીઝેડ ઓપરેટરને નોન-લીનિયર મૂવિંગ એવરેજ ઓપરેટર દ્વારા (અમારા મજબૂત અર્થમાં) આશરે કરી શકાય છે. યાદશક્તિમાં ઘટાડો |
ef8af16b408a7c78ab0780fe419d37130f2efe4c | ફિલ્ટર પ્રોટોટાઇપના સંશ્લેષણના આધારે લઘુચિત્ર માર્ચન્ડ બલૂનના ત્રણ નવા વર્ગોને વ્યાખ્યાયિત કરવામાં આવ્યા છે. તેઓ મિશ્રિત લુમ્પ્ડ-વિતરિત સપાટ અનુભૂતિઓ માટે યોગ્ય છે, જે નાના કદના ટ્રાન્સમિશન-લાઇન રેઝોનટર્સને પાસબેન્ડ સેન્ટર ફ્રીક્વન્સી કરતા ઊંચી આવર્તન પર એક ક્વાર્ટર-વેવલ લંબાઈ લાંબા હોય છે. દરેક વર્ગ એસ-પ્લેન બેન્ડપાસ પ્રોટોટાઇપને અનુરૂપ છે જે ટ્રાન્સમિશન શૂન્ય સ્થાનોની સ્પષ્ટીકરણમાંથી મેળવવામાં આવે છે. અહીં પ્રસ્તુત અભિગમના ફાયદા દર્શાવવા માટે 1 ગીગાહર્ટ્ઝ પર ટ્યુનેબલ 50:100-/સ્પિલ ઓમેગા / બાલૂન બનાવવામાં આવે છે. |
87eeb5622d8fbe4dca5f1c9b4190f719818c4d6e | વેબ 2.0 ટેક્નોલોજીઓએ વધુને વધુ લોકોને વિવિધ પ્રકારની સંસ્થાઓ (દા. ત. વેચાણકર્તાઓ, ઉત્પાદનો, સેવાઓ). માહિતીના મોટા પાયે સ્વયંચાલિત સારાંશની જરૂરિયાત અને પડકાર ઊભો કરે છે. ઘણા કિસ્સાઓમાં, વપરાશકર્તા દ્વારા જનરેટ કરવામાં આવેલી દરેક ટૂંકી ટિપ્પણીઓ એકંદર રેટિંગ સાથે આવે છે. આ કાગળમાં, અમે ટૂંકી ટિપ્પણીઓના રેટેડ એસ્પેક્ટ સારાંશ પેદા કરવાની સમસ્યાનો અભ્યાસ કરીએ છીએ, જે મુખ્ય પાસાઓ માટે એકંદર રેટિંગ્સનું વિઘટિત દૃશ્ય છે જેથી વપરાશકર્તા લક્ષ્ય એન્ટિટી પ્રત્યે વિવિધ પરિપ્રેક્ષ્યો મેળવી શકે. અમે સમસ્યાને ઔપચારિક રીતે વ્યાખ્યાયિત કરીએ છીએ અને ઉકેલ ત્રણ પગલાંમાં વિભાજીત કરીએ છીએ. અમે ઇબે વિક્રેતાઓની પ્રતિક્રિયા ટિપ્પણીઓનો ઉપયોગ કરીને અમારી પદ્ધતિઓની અસરકારકતા દર્શાવીએ છીએ. અમે પણ અમારી પદ્ધતિઓ દરેક પગલું માત્રાત્મક મૂલ્યાંકન અને અભ્યાસ કેવી રીતે માનવ સંમત આવા સારાંશ કાર્ય પર. પ્રસ્તાવિત પદ્ધતિઓ ખૂબ જ સામાન્ય છે અને તેનો ઉપયોગ રેટિંગ પાસાના સારાંશને આપમેળે પેદા કરવા માટે કરી શકાય છે, જે દરેક એકંદર રેટિંગ સાથે સંકળાયેલ ટૂંકી ટિપ્પણીઓનો સંગ્રહ આપે છે. |
626d68fbbb10182a72d1ac305fbb52ae7e47f0dc | આ કામ એક અનુકૂલનશીલ પુનઃરૂપરેખાંકિત રેક્ટિફાયરની રચનાને દર્શાવે છે જે પરંપરાગત રેક્ટિફાયરમાં પ્રારંભિક ભંગાણ વોલ્ટેજની સમસ્યાને સંબોધિત કરે છે અને વિશાળ ગતિશીલ ઇનપુટ પાવર રેન્જ માટે રેક્ટિફાયરનું સંચાલન વિસ્તૃત કરે છે. એક ડિપ્રેશન-મોડ ફીલ્ડ-ઇફેક્ટ ટ્રાન્ઝિસ્ટર રજૂ કરવામાં આવ્યું છે જે સ્વીચ તરીકે કામ કરે છે અને રેક્ટિફાયર માટે નીચા અને ઉચ્ચ ઇનપુટ પાવર સ્તર પર વળતર આપે છે. આ ડિઝાઇન -10 ડીબીએમથી 27 ડીબીએમ સુધીની વિશાળ ગતિશીલ ઇનપુટ પાવર રેન્જમાં આરએફ-ડીસી પાવર કન્વર્ઝન કાર્યક્ષમતાનો 40% પ્રાપ્ત કરે છે, જ્યારે 22 ડીબીએમ પર ટોચની શક્તિ કાર્યક્ષમતાનો 78% દર્શાવે છે. પાવર હાર્વેસ્ટર 900 મેગાહર્ટઝ આઇએસએમ બેન્ડમાં કામ કરવા માટે રચાયેલ છે અને વાયરલેસ પાવર ટ્રાન્સફર એપ્લિકેશન્સ માટે યોગ્ય છે. |
767755e5c7389eefb8b60e784dc8395c8d0f417a | બિટકોઇન જેવી ક્રિપ્ટોકરન્સી અસાધારણ સફળતા સાબિત થઈ છે. બિટકોઇન જેવી સિસ્ટમો પ્રૂફ ઓફ વર્ક મિકેનિઝમનો ઉપયોગ કરે છે, જેને 1-હોપ બ્લોકચેન તરીકે ગણવામાં આવે છે, અને તેમની સુરક્ષા જાળવી રાખે છે જો મોટાભાગની કમ્પ્યુટિંગ શક્તિ પ્રમાણિક ખેલાડીઓના નિયંત્રણ હેઠળ હોય. જો કે, આ ધારણાને તાજેતરમાં ગંભીરતાથી પડકારવામાં આવી છે અને જ્યારે આ ધારણા તૂટી જાય છે ત્યારે બિટકોઇન જેવી સિસ્ટમો નિષ્ફળ જશે. અમે પ્રૂફ-ઓફ-વર્ક (પ્રથમ હોપ) અને પ્રૂફ-ઓફ-સ્ટેક (બીજી હોપ) પદ્ધતિઓને જોડીને પ્રથમ સાબિતીથી સુરક્ષિત 2-હોપ બ્લોકચેઇનનો પ્રસ્તાવ મૂક્યો છે. બ્લોકચેનને સુરક્ષિત કરવા માટે, તેમના કમ્પ્યુટિંગ સંસાધનો દ્વારા, પ્રમાણિક ખાણિયોની શક્તિનો ઉપયોગ કરવાના બિટકોઇનના તેજસ્વી વિચારોની ટોચ પર, અમે આ લક્ષ્યને પ્રાપ્ત કરવા માટે તેમના સિક્કા / હિસ્સો દ્વારા, પ્રમાણિક વપરાશકર્તાઓ / હિસ્સેદારોની શક્તિનો વધુ લાભ લઈએ છીએ. જો પ્રામાણિક ખેલાડીઓ સામૂહિક સંસાધનોના બહુમતી (જેમાં કમ્પ્યુટિંગ પાવર અને હિસ્સો બંનેનો સમાવેશ થાય છે) પર નિયંત્રણ રાખે છે તો અમારી બ્લોકચેનની સુરક્ષા જાળવી રાખવામાં આવે છે. એ કહ્યું, જો વિરોધી 50% થી વધુ કમ્પ્યુટિંગ પાવરને નિયંત્રિત કરે છે, તો પણ પ્રમાણિક ખેલાડીઓ પાસે હજુ પણ પ્રમાણિક હિસ્સો દ્વારા બ્લોકચેનને બચાવવાની તક છે. "બિટકોઇન જેવા બ્લોકચેઇન્સને કોમ્પ્યુટિંગ પાવરની દૂષિત બહુમતી સામે સુરક્ષિત કરવું" શીર્ષક સાથેનું પ્રારંભિક સંસ્કરણ જુલાઈ 2016 માં ઇપ્રિન્ટ આર્કાઇવમાં દેખાયું હતું. વર્તમાન સંસ્કરણમાં પણ આ જ પ્રેરણા છે. પરંતુ બાંધકામ વિચાર અને મોડેલિંગ અભિગમ સંપૂર્ણપણે સુધારો કરવામાં આવ્યો છે. † વર્જિનિયા કોમનવેલ્થ યુનિવર્સિટી. ઈ-મેલ: duong[email protected]. ‡શાંઘાઈ જિયાઓ ટોંગ યુનિવર્સિટી. વર્જિનિયા કોમનવેલ્થ યુનિવર્સિટીમાં ક્રિપ્ટોગ્રાફી લેબની મુલાકાત દરમિયાન મોટાભાગના કામ કરવામાં આવે છે. ઈ-મેલઃ [email protected]. § વર્જિનિયા કોમનવેલ્થ યુનિવર્સિટી. ઈ-મેલઃ [email protected]. |
a293b3804d1972c9f72ed3490eaafa66349d1597 | ઘણી રમતોમાં બોર્ડનો સંગ્રહ હોય છે, જેમાં બોર્ડની પ્રારંભિક રૂપરેખાંકન દ્વારા નક્કી કરવામાં આવેલી રમતના ઉદાહરણની મુશ્કેલી હોય છે. બોર્ડની મુશ્કેલીનું યોગ્ય રીતે મૂલ્યાંકન કરવું એ કંઈક અંશે અવ્યવસ્થિત છે અને રમતની નોંધપાત્ર સમજણ અથવા રમત-પરીક્ષણની સારી રકમ જરૂરી છે. આ અભ્યાસમાં અમે સોકોબાન રમતના વર્ઝન માટે બોર્ડની મુશ્કેલીને આપમેળે ગ્રેડ કરવા માટે એક સાધન તરીકે ઉત્ક્રાંતિના અલ્ગોરિધમ્સની શોધ કરીએ છીએ. એક ઉત્ક્રાંતિ એલ્ગોરિધમ દ્વારા ઉકેલવા માટેનો સરેરાશ સમય અને બોર્ડને ઉકેલવામાં નિષ્ફળતાઓની સંખ્યાનો ઉપયોગ બોર્ડની મુશ્કેલી માટે અવેજી તરીકે થાય છે. સોકોબાન એજન્ટ માટે ચાલની શ્રેણી આપતી એક સરળ શબ્દમાળા આધારિત પ્રતિનિધિત્વ સાથે પ્રારંભિક પરીક્ષણ ખૂબ જ ઓછું સંકેત પૂરું પાડ્યું; તે સામાન્ય રીતે નિષ્ફળ થયું. ISAc યાદી તરીકે ઓળખાતા પ્રતિક્રિયાશીલ રેખીય આનુવંશિક પ્રોગ્રામિંગ માળખા પર આધારિત અન્ય બે પ્રતિનિધિત્વ, બંને કઠિનતા સરોગેટ્સ માટે ઉપયોગી કઠિનતા-વર્ગીકરણ માહિતી પેદા કરે છે. આ બે પ્રતિનિધિત્વ અલગ છે કે એક ISAc યાદીઓની રેન્ડમલી શરૂઆતી વસ્તીનો ઉપયોગ કરે છે જ્યારે અન્ય લોકો સોકોબાન બોર્ડના રેન્ડમ સંગ્રહ પર પૂર્વ-પ્રશિક્ષિત સક્ષમ એજન્ટો સાથે વસ્તી શરૂ કરે છે. આ અભ્યાસમાં ચાર કઠિનતા સરોગેટ્સનો સમાવેશ થાય છેઃ આ બે પ્રતિનિધિત્વમાંની દરેક માટે નિષ્ફળતાની સંભાવના અને સરેરાશ સમય-થી-ઉકેલ. આ ચારેય બોર્ડની કઠિનતા વિશે સમાન માહિતી ઉત્પન્ન કરે છે, પરંતુ પૂર્વ-વિકસિત એજન્ટો સાથે નિષ્ફળતાની સંભાવનાની ગણતરી કરવા માટે ઝડપી હોવાનું અને અન્ય ત્રણ બોર્ડ-કઠિનતા સરોગેટ્સ કરતાં વધુ સ્પષ્ટ અર્થ હોવાનું જાણવા મળ્યું છે. |
844b795767b7c382808cc866ffe0c74742f706d4 | મગજની ચામડી, મગજની ચામડી અને મગજની ચામડીના ફેરફારોને મનુષ્યમાં એફએમઆરઆઈ સાથે ઓળખવામાં આવ્યા છે, જ્યારે ચાલવાની માનસિક છબીઓ. આ અભ્યાસમાં, વાસ્તવિક ગતિ દરમિયાન [(18) એફ] -એફડીજી-પીઈટી દ્વારા સમગ્ર મગજ સક્રિયકરણ અને નિષ્ક્રિયકરણની તપાસ કરવામાં આવી હતી અને એફએમઆરઆઈનો ઉપયોગ કરીને સમાન વિષયોમાં કલ્પનાશીલ ગતિ દરમિયાન બોલ્ડ-સિગ્નલ ફેરફારોની તુલના કરવામાં આવી હતી. [(18) એફ]-એફડીજી-પીઈટી સાથે ગતિ અને આરામ દરમિયાન સોળ સ્વસ્થ વ્યક્તિઓનું સ્કેન કરવામાં આવ્યું હતું. લોકોમોશન પેરાડિગમમાં વિષયો સતત ગતિએ 10 મિનિટ સુધી ચાલ્યા. ત્યારબાદ [(18) એફ]-એફડીજીને અંતઃનળીય રીતે ઇન્જેક્ટ કરવામાં આવ્યું હતું જ્યારે વિષયોએ અન્ય 10 મિનિટ માટે ચાલવાનું ચાલુ રાખ્યું હતું. સરખામણી માટે, કલ્પનાત્મક વૉકિંગ દરમિયાન સમાન વિષયોમાં એફએમઆરઆઈ કરવામાં આવ્યું હતું. વાસ્તવિક અને કલ્પનાશીલ ગતિ દરમિયાન, ફ્રન્ટલ કોર્ટેક્સ, સેરેબિલમ, પોન્ટોમેસેફેલિક ટેગમેન્ટમ, પેરાહિપોકેમ્પલ, ફ્યુઝિફોર્મ અને ઓકિસપિટલ ગાયરીમાં સક્રિયકરણ અને મલ્ટિસેન્સરી વેસ્ટિબ્યુલર કોર્ટિક્સમાં નિષ્ક્રિયકરણ સહિત મૂળભૂત ગતિ નેટવર્ક (એસ્પેસ. ઉપલા ક્ષણિક ગાયરસ, નીચલા પેરીયટલ લોબ્યુલ) દર્શાવવામાં આવ્યા હતા. એક તફાવત તરીકે, કલ્પનાશીલ ગતિ દરમિયાન પૂરક મોટર કોર્ટેક્સ અને બેઝલ ગાંગલિયાથી અલગ વાસ્તવિક ગતિ દરમિયાન પ્રાથમિક મોટર અને સોમેટોસેન્સરી કોર્ટિક્સ સક્રિય કરવામાં આવ્યા હતા. મગજની ધડના ગતિ કેન્દ્રના સક્રિયકરણ કલ્પનાશીલ ગતિમાં વધુ પ્રખ્યાત હતા. નિષ્કર્ષમાં, વાસ્તવિક ગતિશીલતાના મૂળભૂત સક્રિયકરણ અને નિષ્ક્રિયકરણના દાખલાઓ કલ્પનાશીલ ગતિશીલતા સાથે મેળ ખાય છે. આ તફાવતો પરીક્ષણ કરવામાં આવેલી ગતિની અલગ અલગ પદ્ધતિઓને કારણે હોઈ શકે છે. [(18) એફ]-એફડીજી-પીઈટીમાં સતત વેગ વાસ્તવિક ગતિ (10 મિનિટ) વિપરીત, પુનરાવર્તિત 20-એસ સમયગાળામાં ગતિની માનસિક છબીમાં ચાલની શરૂઆત અને ગતિ ફેરફારોનો સમાવેશ થાય છે. વાસ્તવિક સ્થિર સ્થિતિની ગતિ પ્રાથમિક મોટર કોર્ટેક્સ દ્વારા સીધી રીતે ચાલે છે, જ્યારે કલ્પનાશીલ મોડ્યુલેટર ગતિ પૂરક મોટર કોર્ટેક્સ અને બેઝલ ગાંગલિય લૂપ દ્વારા પરોક્ષ રીતે ચાલે છે. |
d372629db7d6516c4729c847eb3f6484ee86de94 | વિઝ્યુઅલ ક્વેસ્ટ એંજવરીંગ (વીકીએ) પડકારની સૌથી રસપ્રદ સુવિધાઓમાંની એક એ પ્રશ્નોની અણધારીતા છે. તેમને જવાબ આપવા માટે જરૂરી માહિતીને બહાર કાઢવા માટે શોધ અને ગણતરીથી લઈને સેગ્મેન્ટેશન અને પુનઃનિર્માણ સુધીની વિવિધ છબી કામગીરીની જરૂર છે. {ઇમેજ, પ્રશ્ન, જવાબ} ટુપલ્સમાંથી આમાંથી એક પણ કામગીરીને સચોટ રીતે કરવા માટે એક પદ્ધતિને તાલીમ આપવી પડકારરૂપ હશે, પરંતુ આવા તાલીમ ડેટાના મર્યાદિત સમૂહ સાથે તે બધાને પ્રાપ્ત કરવાનો લક્ષ્ય રાખવું શ્રેષ્ઠ રીતે મહત્વાકાંક્ષી લાગે છે. આ રીતે આપણી પદ્ધતિ શીખે છે કે કેવી રીતે તેના ધ્યેયને પ્રાપ્ત કરવા માટે બાહ્ય ઑફ-ધ-શેલ્ફ અલ્ગોરિધમ્સનો ઉપયોગ કરવો, એક અભિગમ જે ન્યુરલ ટ્યુરિંગ મશીન સાથે કંઈક સામાન્ય છે [10]. અમારી પ્રસ્તાવિત પદ્ધતિનો મુખ્ય ભાગ એ છે કે એક નવું સહ-સંભાળ મોડેલ. વધુમાં, પ્રસ્તાવિત અભિગમ તેના નિર્ણય માટે માનવ-વાંચી શકાય તેવા કારણો પેદા કરે છે, અને હજુ પણ જમીન સત્ય કારણો આપ્યા વિના અંત-થી-અંત સુધી તાલીમ આપી શકાય છે. અમે બે સાર્વજનિક રીતે ઉપલબ્ધ ડેટાસેટ્સ, વિઝ્યુઅલ જીનોમ અને વીક્યુએ પર અસરકારકતા દર્શાવીએ છીએ, અને બતાવીએ છીએ કે તે બંને કિસ્સાઓમાં રાજ્ય-ઓફ-ધ-આર્ટ પરિણામો ઉત્પન્ન કરે છે. |
8e9119613bceb83cc8a5db810cf5fd015cf75739 | આંતરિક ધમકી સમસ્યાના ક્ષેત્રમાં રાગ ઉપકરણો વધુને વધુ ખતરનાક વાસ્તવિકતા છે. ઉદ્યોગ, સરકાર અને શિક્ષણવિદ્યાએ આ સમસ્યાથી વાકેફ હોવા જોઈએ અને શોધવાની અદ્યતન પદ્ધતિઓને પ્રોત્સાહન આપવું જોઈએ. |
95a213c530b605b28e1db4fcad6c3e8e1944f48b | |
018fd30f1a51c6523b382b6f7db87ddd865e393d | અમે LTCC પર બે અંત-આગ એન્ટેના ડિઝાઇન કર્યા છે જેમાં અનુક્રમે આડી અને ઊભી ધ્રુવીકરણ છે. એન્ટેના 38GHz પર કામ કરે છે, જે 5G એપ્લિકેશન્સ માટે સંભવિત આવર્તન છે. આડી રીતે પોલરાઇઝ્ડ એન્ટેના આશરે 27% અને 6 ડીબી એન્ડ-ફાયર ગેઇન અને 12.5% બેન્ડવિડ્થ અને 5 ડીબી ગેઇન પ્રદાન કરે છે. બંને એન્ટેના કોમ્પેક્ટ સબસ્ટ્રેટ હેઠળ સંકલિત છે. નજીકના તત્વો વચ્ચે ઉત્તમ અલગતા પ્રાપ્ત થાય છે, જેનાથી આ એન્ટેના 5 જી મોબાઇલ સિસ્ટમમાં ખૂણાના તત્વો માટે યોગ્ય છે. |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.