_id
stringlengths 40
40
| text
stringlengths 0
9.38k
|
|---|---|
5c1ab86362dec6f9892a5e4055a256fa5c1772af | 3જી સિસ્ટમોના લાંબા ગાળાના વિકાસ (એલટીઇ) ની સ્પષ્ટીકરણ હાલમાં 3જીપીપીમાં ચાલી રહી છે અને 2007ના અંતમાં તૈયાર સ્પષ્ટીકરણની લક્ષ્ય તારીખ છે. વિકસિત રેડિયો એક્સેસ નેટવર્ક (આરએએન) માં ઓએફડીએમ ટેકનોલોજી પર આધારિત એક નવું રેડિયો ઇન્ટરફેસ અને એક ધરમૂળથી અલગ આરએએન આર્કિટેક્ચરનો સમાવેશ થાય છે, જ્યાં રેડિયો કાર્યક્ષમતા બેઝ સ્ટેશનોમાં વહેંચવામાં આવે છે. રેન આર્કિટેક્ચરની વિતરણ પ્રકૃતિ નવી રેડિયો નિયંત્રણ અલ્ગોરિધમ્સ અને કાર્યવાહી માટે જરૂરી છે જે વિતરણ રીતે કાર્ય કરે છે, જેમાં વિતરણ હેન્ડઓવર યોજના પણ શામેલ છે. LTEમાં હસ્તાંતરણ પ્રક્રિયાના સૌથી મહત્વપૂર્ણ પાસાંઓ થોડાક વિગતોને છોડીને 3GPPમાં પહેલાથી જ સ્થાયી થઈ ગયા છે. આ કાગળમાં અમે LTE ઇન્ટ્રા-એક્સેસ હેન્ડઓવર પ્રક્રિયાની ઝાંખી આપી છે અને તેના વપરાશકર્તાની અનુભૂતિના પ્રભાવ પાસાઓ પર ધ્યાન કેન્દ્રિત કરીને તેના પ્રભાવનું મૂલ્યાંકન કરીએ છીએ. અમે ટીસીપી થ્રુપુટના દૃષ્ટિકોણથી પેકેટ ફોરવર્ડિંગની જરૂરિયાતની તપાસ કરીએ છીએ, અમે હેન્ડઓવર દરમિયાન પેકેટ ડિલિવરીની સમસ્યાનું વિશ્લેષણ કરીએ છીએ અને તેના માટે એક સરળ ઉકેલ પ્રસ્તાવિત કરીએ છીએ. છેલ્લે, અમે રેડિયો કાર્યક્ષમતા પર હસ્તાંતરણમાં હાર્ક / એઆરક્યુ રાજ્યના નિકાલની અસરની તપાસ કરીએ છીએ. પરિણામો દર્શાવે છે કે LTEની સ્થાનાંતરણ આધારિત હસ્તાંતરણ પ્રક્રિયા દ્વારા વપરાશકર્તાની ધારણા મુજબના પ્રદર્શન કે રેડિયો કાર્યક્ષમતા સાથે કોઈ સમાધાન કરવામાં આવ્યું નથી. |
3fb91bbffa86733fc68d4145e7f081353eb3dcd8 | ઇલેક્ટ્રોમિયોગ્રાફી (ઇએમજી) સિગ્નલોનો ઉપયોગ ક્લિનિકલ/બાયોમેડિકલ એપ્લિકેશન્સ, ઇવોલેબલ હાર્ડવેર ચિપ (ઇએચડબલ્યુ) વિકાસ અને આધુનિક માનવ-કમ્પ્યુટર ક્રિયાપ્રતિક્રિયા માટે થઈ શકે છે. સ્નાયુઓમાંથી મેળવેલા ઇએમજી સંકેતોને શોધ, વિઘટન, પ્રક્રિયા અને વર્ગીકરણ માટે અદ્યતન પદ્ધતિઓની જરૂર છે. આ કાગળનો હેતુ ઇએમજી સિગ્નલ વિશ્લેષણ માટે વિવિધ પદ્ધતિઓ અને અલ્ગોરિધમ્સને સમજાવવા માટે છે, જેથી સિગ્નલ અને તેની પ્રકૃતિને સમજવા માટે કાર્યક્ષમ અને અસરકારક રીતો પ્રદાન કરી શકાય. અમે આગળ ઇએમજીનો ઉપયોગ કરીને કેટલાક હાર્ડવેર અમલીકરણો તરફ ધ્યાન કેન્દ્રિત કરીએ છીએ જે પ્રોસ્થેટિક હાથ નિયંત્રણ, પકડ ઓળખ અને માનવ-કમ્પ્યુટર ક્રિયાપ્રતિક્રિયાથી સંબંધિત એપ્લિકેશન્સ પર ધ્યાન કેન્દ્રિત કરે છે. વિવિધ ઇએમજી સિગ્નલ વિશ્લેષણ પદ્ધતિઓની કામગીરી દર્શાવવા માટે એક તુલનાત્મક અભ્યાસ પણ આપવામાં આવ્યો છે. આ પેપરમાં સંશોધકોને ઇએમજી સિગ્નલ અને તેની વિશ્લેષણ પ્રક્રિયાઓની સારી સમજ આપવામાં આવી છે. આ જ્ઞાન તેમને વધુ શક્તિશાળી, લવચીક અને કાર્યક્ષમ એપ્લિકેશન્સ વિકસાવવામાં મદદ કરશે. |
ab71da348979c50d33700bc2f6ddcf25b4c8cfd0 | |
6cc4a3d0d8a278d30e05418afeaf6b8e5d04d3d0 | |
6180a8a082c3d0e85dcb9cec3677923ff7633bb9 | બે દાયકા પહેલાં ઇન્ફોર્મેશન સિસ્ટમ્સ રિસર્ચ (આઈએસઆર) ની શરૂઆત થઈ ત્યારથી, ઇન્ફોર્મેશન સિસ્ટમ્સ (આઇએસ) ક્ષેત્રનું ધ્યાન વહીવટી સિસ્ટમો અને વ્યક્તિગત સાધનોથી આગળ વધ્યું છે. લાખો વપરાશકર્તાઓ ફેસબુક પર લૉગ ઇન કરે છે, આઇફોન એપ્લિકેશન્સ ડાઉનલોડ કરે છે, અને વિકેન્દ્રિત કાર્ય સંસ્થાઓ બનાવવા માટે મોબાઇલ સેવાઓનો ઉપયોગ કરે છે. આ નવી ગતિશીલતાને સમજવા માટે ક્ષેત્રને આઇટી આર્ટિફેક્ટ્સની શ્રેણી તરીકે ડિજિટલ ઇન્ફ્રાસ્ટ્રક્ચર્સ પર ધ્યાન આપવાની જરૂર પડશે. સાહિત્યની અદ્યતન સમીક્ષા ડિજિટલ માળખામાં વધતા રસને દર્શાવે છે પરંતુ એ પણ પુષ્ટિ આપે છે કે આ ક્ષેત્રમાં હજુ સુધી તેના સંશોધન પ્રયત્નોના કેન્દ્રમાં માળખાગત સુવિધાઓ મૂકવામાં આવી નથી. આ પરિવર્તનને મદદ કરવા માટે અમે આઈએસ સંશોધન માટે ત્રણ નવી દિશાઓ પ્રસ્તાવિત કરીએ છીએ: (1) ડિજિટલ ઇન્ફ્રાસ્ટ્રક્ચરની પ્રકૃતિના સિદ્ધાંતો આઇટી આર્ટિફેક્ટના એક અલગ પ્રકાર તરીકે, સુઇ જેનરિસ; (2) ડિજિટલ ઇન્ફ્રાસ્ટ્રક્ચર્સ તમામ પરંપરાગત આઈએસ સંશોધન ક્ષેત્રોને આકાર આપતા સંબંધ બાંધકામો તરીકે; (3) પરિવર્તન અને નિયંત્રણના વિરોધાભાસો અગ્રણી આઈએસ ઘટના તરીકે. અમે સૂચનો સાથે તારણ કાઢ્યું છે કે કેવી રીતે લંબાઈ, મોટા પાયે સામાજિક-તકનીકી ઘટનાઓનો અભ્યાસ કરવો, જ્યારે પરંપરાગત વર્ગોની મર્યાદાઓ પર ધ્યાન આપવાનું ચાલુ રાખવું કે જે આઇએસ સંશોધનનું માર્ગદર્શન કરે છે. |
e83a2fa459ba921fb176beacba96038a502ff64d | એક સંયોજન વ્યૂહરચના (જેને સંયોજન યોજના પણ કહેવાય છે) એ એક તકનીક છે જેનો ઉપયોગ વ્યક્તિગત વર્ગીકરણકારોના આઉટપુટને સંયોજિત કરવા માટે થાય છે. અમૂર્ત સ્તરે સૌથી વધુ લોકપ્રિય સંયોજન વ્યૂહરચનાઓ બહુમતી મતદાન નિયમો પર આધારિત છે, જે ફક્ત સૌથી વધુ મતદાન કરેલા વર્ગને ઇનપુટ પેટર્ન સોંપે છે (વિભાગ 7.2 જુઓ). જ્યારે બે વર્ગીકરણકર્તાઓને એકસાથે જોડવામાં આવે છે, ત્યારે તાર્કિક AND અથવા તાર્કિક OR ઓપરેટરનો ઉપયોગ થાય છે. જ્યારે બેથી વધુ વર્ગીકરણકારોને એકીકૃત કરવામાં આવે છે, ત્યારે AND/OR નિયમોને જોડી શકાય છે. ઉદાહરણ તરીકે, બાયોમેટ્રિક સિસ્ટમ ફિંગરપ્રિન્ટ અથવા (ચહેરો અને હાથની ભૂમિતિ) પર કામ કરી શકે છે; એટલે કે, તે ઓળખ માટે વપરાશકર્તાને ફિંગરપ્રિન્ટ અથવા ચહેરો અને હાથની ભૂમિતિ બંને રજૂ કરવાની જરૂર છે. વર્ગ સમૂહ ઘટાડવું, લોજિસ્ટિક રીગ્રેસન અને બોર્ડા ગણતરીઓ એ રેન્ક લેબલ્સ (હો, હલ અને શ્રીહારી, 1994) પર આધારિત વર્ગીકરણકારોને સંયોજિત કરવા માટે સૌથી સામાન્ય રીતે ઉપયોગમાં લેવાતા અભિગમો છે. વર્ગ સમૂહ ઘટાડામાં, વર્ગના સબસેટને શક્ય તેટલું નાનું બનાવવાના ઉદ્દેશ્ય સાથે પસંદ કરવામાં આવે છે અને હજી પણ સાચું વર્ગ ધરાવે છે. બહુવિધ પદ્ધતિઓમાંથી બહુવિધ સબસેટ્સ સામાન્ય રીતે યુનિયન અથવા સબસેટ્સના આંતરછેદનો ઉપયોગ કરીને જોડવામાં આવે છે. લોજિસ્ટિક રીગ્રેસન અને બોર્ડા ગણતરી પદ્ધતિઓ સામૂહિક રીતે વર્ગ સમૂહ પુનઃક્રમાંકિત પદ્ધતિઓ તરીકે ઓળખાય છે. અહીં ઉદ્દેશ્ય એ છે કે આપેલ વર્ગોની સર્વસંમતિ ક્રમનું નિર્માણ કરવું કે જેથી સાચા વર્ગને ટોચ પર ક્રમ આપવામાં આવે. રેન્ક લેબલ્સ ઇન્ડેક્સીંગ/રિટેરીંગ સિસ્ટમમાં સંકલન માટે ખૂબ જ ઉપયોગી છે. બાયોમેટ્રિક પુનઃપ્રાપ્તિ સિસ્ટમ સામાન્ય રીતે ઉમેદવારોની ક્રમબદ્ધ સૂચિ (મોટા ભાગે મેચ) નું આઉટપુટ કરે છે. આ ક્રમમાં યાદી ટોચ તત્વ સૌથી યોગ્ય મેચ હોઈ શકે તેવી શક્યતા છે અને યાદી તળિયે સૌથી ઓછી સંભવિત મેચ છે. બહુવિધ પદ્ધતિઓમાંથી આત્મવિશ્વાસ મૂલ્યોને સંયોજિત કરવા માટે સૌથી વધુ લોકપ્રિય સંયોજન યોજનાઓ સરવાળો, સરેરાશ, મધ્યમ, ઉત્પાદન, લઘુત્તમ અને મહત્તમ નિયમો છે. કિટલર અને અન્ય (1998) એ આ લોકપ્રિય યોજનાઓના અંતર્ગત ગાણિતિક આધારને સમજવાના પ્રયાસમાં સૈદ્ધાંતિક માળખું વિકસાવ્યું છે. તેમના પ્રયોગોએ દર્શાવ્યું હતું કે સરવાળો અથવા સરેરાશ યોજના સામાન્ય રીતે વ્યવહારમાં ખૂબ જ સારી રીતે કરે છે. સરવાળો નિયમનો ઉપયોગ કરવામાં સમસ્યા એ છે કે વિવિધ પદ્ધતિઓમાંથી આત્મવિશ્વાસ (અથવા સ્કોર્સ) નો સામાન્યીકરણ થવું જોઈએ. આ સામાન્યીકરણમાં સામાન્ય રીતે એક સામાન્ય ડોમેનમાં વિવિધ પદ્ધતિઓમાંથી વિશ્વાસના માપદંડોને મેપિંગનો સમાવેશ થાય છે. ઉદાહરણ તરીકે, એક બાયોમેટ્રિક સિસ્ટમ અંતર સ્કોર (સ્કોર જેટલો ઓછો હોય, પેટર્ન જેટલું સમાન હોય) નું આઉટપુટ આપી શકે છે જ્યારે બીજો એક સમાનતા સ્કોર (સ્કોર જેટલો વધારે હોય, પેટર્ન જેટલું સમાન હોય) નું આઉટપુટ આપી શકે છે અને આમ સ્કોર્સને સરવાળો નિયમનો ઉપયોગ કરીને સીધા જ જોડી શકાતા નથી. તેના સરળ સ્વરૂપમાં, આ સામાન્યીકરણમાં માત્ર અંતર સ્કોર્સના સંકેતને ઉલટાવીને શામેલ હોઈ શકે છે જેથી ઉચ્ચ સ્કોર ઉચ્ચ સમાનતાને અનુરૂપ હોય. વધુ જટિલ સ્વરૂપમાં, સામાન્યીકરણ બિન-રેખીય હોઈ શકે છે જે દરેક મોડલિટીમાંથી વિશ્વાસ મૂલ્યોના વિતરણનો અંદાજ કરીને તાલીમ ડેટામાંથી શીખી શકાય છે. પછી સ્કોર્સને અનુવાદિત અને સ્કેલ કરવામાં આવે છે જેથી શૂન્ય સરેરાશ, એકમ વિભેદક હોય, અને પછી હાયપરબોલિક ટૅન્જેન્ટ ફંક્શનનો ઉપયોગ કરીને (0,1) ના નિશ્ચિત અંતરાલ પર ફરીથી મેપ કરવામાં આવે. નોંધ કરો કે સામાન્યકરણ માટે અંદાજિત વિતરણોને પરિમાણીય કરવા માટે તે આકર્ષક છે. જો કે, વિતરણોના આવા પરિમાણીકરણનો ઉપયોગ સાવધાની સાથે થવો જોઈએ, કારણ કે બાયોમેટ્રિક સિસ્ટમોની ભૂલ દર સામાન્ય રીતે ખૂબ જ ઓછી હોય છે અને વિતરણોની પૂંછડીઓનો અંદાજ કાઢવામાં નાની ભૂલથી ભૂલ અંદાજોમાં નોંધપાત્ર ફેરફાર થઈ શકે છે (જુઓ આકૃતિ 7.3). અન્ય એક સામાન્ય પ્રથા એ છે કે તાલીમ ડેટામાંથી દરેક મોડલ માટે વિવિધ સ્કેલિંગ પરિબળો (વજન) ની ગણતરી કરવી, જેમ કે સંયુક્ત વર્ગીકરણની ચોકસાઈ મેક્સિ7 મલ્ટીમોડલ બાયોમેટ્રિક સિસ્ટમ્સ 242 મીઝ્ડ છે. આ વજનિત સરવાળો નિયમ સરળ સરવાળો નિયમ કરતાં વધુ સારી રીતે કામ કરે તેવી અપેક્ષા છે જ્યારે ઘટક વર્ગીકરણકર્તાઓમાં વિવિધ શક્તિઓ હોય છે (એટલે કે, વિવિધ ભૂલ દર). આકૃતિ 7.3. a) ફિંગરપ્રિન્ટ ચકાસણી સિસ્ટમ માટે વાસ્તવિક અને છેતરપિંડી વિતરણ (જેન અને અન્ય, 2000) અને છેતરપિંડી વિતરણ માટે સામાન્ય અંદાજ. દૃષ્ટિની રીતે, સામાન્ય અંદાજ સારો લાગે છે, પરંતુ ROCs માં બતાવ્યા પ્રમાણે બિન-પૅરામેટ્રિક અંદાજની તુલનામાં પ્રભાવમાં નોંધપાત્ર ઘટાડો થાય છે, જ્યાં FMR ને FAR (ખોટા સ્વીકૃતિ દર) અને (1-FNMR) તરીકે ઓળખવામાં આવે છે વાસ્તવિક સ્વીકૃતિ દર. © એલ્સેવીયર બાયોમેટ્રિક સિસ્ટમમાં બહુવિધ પદ્ધતિઓનો સંયોજન કરવાની કેટલીક યોજનાઓનો સૈદ્ધાંતિક દ્રષ્ટિકોણથી પણ અભ્યાસ કરવામાં આવ્યો છે. સૈદ્ધાંતિક વિશ્લેષણ દ્વારા, ડૌગમેન (1999 બી) એ દર્શાવ્યું હતું કે જો મજબૂત બાયોમેટ્રિક અને નબળા બાયોમેટ્રિકને એબસ્ટ્રેક્ટ લેવલ કોમ્બિનેશન સાથે જોડી દેવામાં આવે છે, તો પછી AND અથવા OR મતદાન નિયમોનો ઉપયોગ કરીને, આ સંયોજનનું પ્રદર્શન બે વ્યક્તિગત બાયોમેટ્રિકના વધુ સારા કરતાં ખરાબ હશે. હોંગ, જૈન અને પંકન્તી (૧૯૯૯) ના સૈદ્ધાંતિક વિશ્લેષણમાં જણાવાયું છે કે, જ્યારે ચોક્કસ શરતો પૂરી થાય ત્યારે જ AND/OR મતદાન વ્યૂહરચનાઓ કામગીરીમાં સુધારો કરી શકે છે, ત્યારે તે દૌગમેનના તારણોને સમર્થન આપે છે. તેમના વિશ્લેષણથી એ પણ જાણવા મળ્યું છે કે નબળા અને મજબૂત બાયોમેટ્રિકને જોડીને પણ વિશ્વાસ સ્તરના સંમિશ્રણથી એકંદર પ્રદર્શનમાં નોંધપાત્ર સુધારો થવાની અપેક્ષા છે. કિટલર અને અન્ય (1998) એ સમજાવવા માટે સંવેદનશીલતા વિશ્લેષણ રજૂ કર્યું કે શા માટે સરવાળો (અથવા સરેરાશ) નિયમ અન્ય નિયમો કરતાં વધુ સારી કામગીરી કરે છે. તેઓ દર્શાવે છે કે સરવાળો નિયમ અન્ય સમાન નિયમો (જેમ કે ઉત્પાદન નિયમ) કરતાં પાછળની સંભાવનાઓ (વિશ્વાસ મૂલ્યો) નો અંદાજ કાઢવામાં વ્યક્તિગત વર્ગીકરણકારોની ભૂલ દર માટે ઓછી સંવેદનશીલ છે. તેઓ દાવો કરે છે કે સરવાળો નિયમ એ જ અનુગામી સંભાવનાઓના વિવિધ અંદાજોને ભેગા કરવા માટે સૌથી યોગ્ય છે (દા. ત. , વિવિધ વર્ગીકરણકાર પ્રારંભિકકરણથી પરિણમે છે). પ્રભાકર અને જૈન (2002) એ નેયમન-પીયર્સન સંયોજન યોજના સાથે સરવાળો અને ઉત્પાદન નિયમોની તુલના કરી અને દર્શાવ્યું કે સંયોજનની તુલનામાં સરવાળો નિયમ કરતાં વધુ ખરાબ છે અને નબળા અને મજબૂત વર્ગીકરણકારોનો સંયોજન કરતી વખતે બંને સરવાળો નિયમ અને ઉત્પાદન નિયમો નેયમન-પીયર્સન સંયોજન યોજના કરતા નીચલા છે. 0 20 40 60 80 100 0 1 2 3 4 5 6 7 નોર્મલાઇઝ્ડ મેચિંગ સ્કોર પેરેન્ટા (% ) ઇમ્પોસ્ટર વાસ્તવિક બિન- પરિમાણીય ઇમ્પોસ્ટર વિતરણ સામાન્ય ઇમ્પોસ્ટર વિતરણ વાસ્તવિક વિતરણ 0 1 2 3 4 5 50 55 60 65 70 75 80 85 90 95 100 ખોટા સ્વીકૃતિ દર (%) G en ui ne A cc ep ta nc e R at e (% ) નોર્મલાઇઝ્ડ મેચિંગ સ્કોર પેરેન્ટા (% ) નોર્મલાઇઝ્ડ ઇમ્પોસ્ટર વિતરણ નોર્મલ ઇમ્પોસ્ટર વિતરણ ઇમ્પોસ્ટર વિતરણનો ઉપયોગ કરીને |
b4894f7d6264b94ded94181d54c7a0c773e3662b | ચાલ વિશ્લેષણ તાજેતરમાં એક લોકપ્રિય સંશોધન ક્ષેત્ર બની ગયું છે અને ન્યુરોડિજેનેરેટિવ રોગોના ક્લિનિકલ નિદાનમાં વ્યાપકપણે લાગુ કરવામાં આવ્યું છે. હિપ અને ઘૂંટણના સંયુક્ત ખૂણાને પકડવા માટે વિવિધ ઓછી કિંમતની સેન્સર આધારિત અને દ્રષ્ટિ આધારિત સિસ્ટમ્સ વિકસાવવામાં આવી છે. જો કે, આ પ્રણાલીઓના પ્રદર્શનને માન્યતા આપવામાં આવી નથી અને તેમની વચ્ચે સરખામણી કરવામાં આવી નથી. આ અભ્યાસનો ઉદ્દેશ એક પ્રયોગ સ્થાપિત કરવાનો અને બહુવિધ નિષ્ક્રિયતા માપન એકમો (આઇએમયુ) સાથે સેન્સર આધારિત સિસ્ટમ, માર્કર શોધ સાથે વિઝન આધારિત વોક વિશ્લેષણ સિસ્ટમ અને સામાન્ય વૉકિંગ દરમિયાન હિપ અને ઘૂંટણની સંયુક્ત ખૂણાને પકડવા માટે માર્કરલેસ વિઝન આધારિત સિસ્ટમના પ્રદર્શનની તુલના કરવાનો છે. પ્રાપ્ત માપને ગોનિઓમીટરથી પ્રાપ્ત ડેટા સાથે ગ્રાઉન્ડ સત્ય માપ તરીકે માન્ય કરવામાં આવ્યા હતા. પરિણામો દર્શાવે છે કે આઇએમયુ આધારિત સેન્સર સિસ્ટમ નાની ભૂલો સાથે ઉત્તમ કામગીરી આપે છે, જ્યારે દ્રષ્ટિ સિસ્ટમો થોડી મોટી ભૂલો સાથે સ્વીકાર્ય પરિણામો આપે છે. |
0e78b20b27d27261f9ae088eb13201f2d5b185bd | લક્ષણ પસંદગી માટે અલ્ગોરિધમ્સ બે વ્યાપક કેટેગરીમાં આવે છેઃ રેપર્સ કે જે લક્ષણની ઉપયોગીતાનું મૂલ્યાંકન કરવા માટે લર્નિંગ અલ્ગોરિધમનો ઉપયોગ કરે છે અને ફિલ્ટર્સ કે જે ડેટાની સામાન્ય લાક્ષણિકતાઓ પર આધારિત હેવરિસ્ટિક્સ અનુસાર લક્ષણોનું મૂલ્યાંકન કરે છે. મોટા ડેટાબેઝમાં અરજી કરવા માટે, ફિલ્ટર્સ રેપર્સ કરતાં વધુ વ્યવહારુ સાબિત થયા છે કારણ કે તે ખૂબ ઝડપી છે. જો કે, મોટાભાગના હાલના ફિલ્ટર અલ્ગોરિધમ્સ માત્ર અલગ વર્ગીકરણ સમસ્યાઓ સાથે કામ કરે છે. આ કાગળ એક ઝડપી, સહસંબંધ આધારિત ફિલ્ટર અલ્ગોરિધમનો વર્ણવે છે જે સતત અને અલગ સમસ્યાઓ પર લાગુ કરી શકાય છે. આ અલ્ગોરિધમનો ઘણીવાર જાણીતા રિલીફએફ એટ્રીબ્યુટ અંદાજક કરતાં વધુ સારી કામગીરી કરે છે જ્યારે તેનો ઉપયોગ નિખાલસ બેયસ, ઉદાહરણ આધારિત શિક્ષણ, નિર્ણય વૃક્ષો, સ્થાનિક રીતે વજનવાળા રીગ્રેસન અને મોડેલ વૃક્ષો માટે પૂર્વ-પ્રોસેસિંગ પગલું તરીકે થાય છે. તે રિલીફએફ કરતા વધુ સુવિધા પસંદગી કરે છે - મોટાભાગના કિસ્સાઓમાં ડેટા ડાયમેન્શનને પચાસ ટકા ઘટાડે છે. ઉપરાંત, પૂર્વ-પ્રોસેસ્ડ ડેટામાંથી બનાવેલા નિર્ણય અને મોડેલ વૃક્ષો ઘણી વખત નોંધપાત્ર રીતે નાના હોય છે. |
1b65af0b2847cf6edb1461eda659f08be27bc76d | અમે રેખીય મોડેલોમાં અંદાજ માટે એક નવી પદ્ધતિ પ્રસ્તાવિત કરીએ છીએ. લાસો ચોરસના અવશેષ સરવાળોને ઘટાડે છે, જેમાં સહગુણાંકોના નિરપેક્ષ મૂલ્યનો સરવાળો સતત કરતાં ઓછો હોય છે. આ અવરોધની પ્રકૃતિને કારણે તે કેટલાક સહગુણાંકોનું ઉત્પાદન કરે છે જે બરાબર 0 છે અને તેથી અર્થઘટન કરી શકાય તેવા મોડેલો આપે છે. અમારા સિમ્યુલેશન અભ્યાસો સૂચવે છે કે લેસો સબસેટ પસંદગી અને રિજ રીગ્રેસન બંનેના કેટલાક અનુકૂળ ગુણધર્મો ધરાવે છે. તે સબસેટ પસંદગી જેવા અર્થઘટન મોડેલોનું ઉત્પાદન કરે છે અને રિજ રીગ્રેસનની સ્થિરતા દર્શાવે છે. ડોનોહો અને જોહન્સ્ટન દ્વારા અનુકૂલનશીલ કાર્ય અંદાજમાં તાજેતરના કાર્ય સાથે પણ એક રસપ્રદ સંબંધ છે. લાસો વિચાર તદ્દન સામાન્ય છે અને વિવિધ આંકડાકીય મોડેલોમાં લાગુ કરી શકાય છેઃ સામાન્ય રીગ્રેસન મોડેલો અને વૃક્ષ-આધારિત મોડેલોના વિસ્તરણનું સંક્ષિપ્તમાં વર્ણન કરવામાં આવ્યું છે. |
3a8aa4cc6142d433ff55bea8a0cb980103ea15e9 | |
75cbc0eec23375df69de6c64e2f48689dde417c5 | ઓછા ખર્ચે માઈક્રોસોફ્ટ કિનેક્ટ સેન્સરની શોધ સાથે, ઉચ્ચ રીઝોલ્યુશન ઊંડાઈ અને વિઝ્યુઅલ (આરજીબી) સેન્સિંગ વ્યાપક ઉપયોગ માટે ઉપલબ્ધ બની છે. કિનિકેટ સેન્સર દ્વારા પૂરી પાડવામાં આવેલી ઊંડાણ અને દ્રશ્ય માહિતીની પૂરક પ્રકૃતિ કોમ્પ્યુટર દ્રષ્ટિમાં મૂળભૂત સમસ્યાઓનું નિરાકરણ લાવવા માટે નવી તકો ખોલે છે. આ કાગળ તાજેતરના કિનેક્ટ આધારિત કમ્પ્યુટર વિઝન અલ્ગોરિધમ્સ અને એપ્લિકેશન્સની વ્યાપક સમીક્ષા રજૂ કરે છે. સમીક્ષા કરેલ અભિગમોને દ્રષ્ટિની સમસ્યાઓના પ્રકાર અનુસાર વર્ગીકૃત કરવામાં આવે છે જેને Kinect સેન્સર દ્વારા સંબોધવામાં અથવા વધારવામાં આવી શકે છે. આવરી લેવામાં આવેલા વિષયોમાં પૂર્વ-પ્રોસેસિંગ, ઑબ્જેક્ટ ટ્રેકિંગ અને માન્યતા, માનવ પ્રવૃત્તિ વિશ્લેષણ, હાથની હાવભાવ વિશ્લેષણ અને ઇન્ડોર 3-ડી મેપિંગનો સમાવેશ થાય છે. દરેક કેટેગરીની પદ્ધતિઓ માટે, અમે તેમના મુખ્ય અલ્ગોરિધમિક યોગદાનની રૂપરેખા આપીએ છીએ અને તેમના આરજીબી સમકક્ષો સાથે સરખામણીમાં તેમના ફાયદા / તફાવતોનો સારાંશ આપીએ છીએ. છેલ્લે, અમે આ ક્ષેત્રમાં પડકારો અને ભવિષ્યના સંશોધન પ્રવાહોની ઝાંખી આપી છે. આ કાગળ કિનેક્ટ આધારિત કોમ્પ્યુટર વિઝન સંશોધકો માટે ટ્યુટોરીયલ અને સંદર્ભોના સ્ત્રોત તરીકે સેવા આપવાની અપેક્ષા છે. |
aa358f4a0578234e301a305d8c5de8d859083a4c | આ કાગળ ઊંડાણ સેન્સર સાથે વાસ્તવિક સમય માનવ ક્રિયા માન્યતા માટે, orderlets કહેવાય નવલકથા દ્રશ્ય પ્રતિનિધિત્વ રજૂ કરે છે. ઓર્ડરલેટ એ મધ્યમ સ્તરની સુવિધા છે જે નીચા સ્તરની સુવિધાઓના જૂથમાં ઓર્ડરલ પેટર્નને મેળવે છે. હાડપિંજરો માટે, એક ઓર્ડરલેટ સાંધાઓના જૂથ વચ્ચે ચોક્કસ અવકાશી સંબંધને મેળવે છે. ઊંડાઈના નકશા માટે, ઓર્ડરલેટ સબ-પ્રદેશોના જૂથ વચ્ચે આકારની માહિતીના તુલનાત્મક સંબંધને દર્શાવે છે. ઓર્ડરલેટ પ્રતિનિધિત્વમાં બે સરસ ગુણધર્મો છે. પ્રથમ, તે નાના અવાજ માટે સંવેદનશીલ નથી કારણ કે ઓર્ડરલેટ માત્ર વ્યક્તિગત લક્ષણો વચ્ચેના તુલનાત્મક સંબંધ પર આધારિત છે. બીજું, તે ફ્રેમ-સ્તરનું પ્રતિનિધિત્વ છે, તેથી રીઅલ-ટાઇમ ઓનલાઇન ક્રિયા માન્યતા માટે યોગ્ય છે. પ્રાયોગિક પરિણામો ઓનલાઇન ક્રિયા માન્યતા અને ક્રોસ-એન્વાયર્નમેન્ટ ક્રિયા માન્યતા પર તેના શ્રેષ્ઠ પ્રદર્શનને દર્શાવે છે. |
30f1ea3b4194dba7f957fd6bf81bcaf12dca6ff8 | શિફ્ટ-રેડ્યુસ જેવી વૃદ્ધિશીલ પાર્સિંગ તકનીકોએ તેમની કાર્યક્ષમતાને કારણે લોકપ્રિયતા મેળવી છે, પરંતુ એક મોટી સમસ્યા રહેલી છેઃ શોધ લોભી છે અને ગતિશીલ પ્રોગ્રામિંગની વિરુદ્ધમાં સમગ્ર જગ્યાના નાના અપૂર્ણાંક (બીમ શોધ સાથે પણ) શોધે છે. અમે બતાવીએ છીએ કે, આશ્ચર્યજનક રીતે, ગતિશીલ પ્રોગ્રામિંગ વાસ્તવમાં ઘણા શિફ્ટ-રેડ્યુસ પાર્સર્સ માટે શક્ય છે, સુવિધા મૂલ્યો પર આધારિત "સમાન" સ્ટેક્સને મર્જ કરીને. પ્રયોગાત્મક રીતે, અમારા અલ્ગોરિધમનો પાંચ ગણો ઝડપી આપે છે રાજ્ય-ઓફ-ધ-આર્ટ શિફ્ટ-ઘટાડો નિર્ભરતા પાર્સર પર ચોકસાઈમાં કોઈ નુકશાન વગર. વધુ સારી શોધ પણ વધુ સારી રીતે શીખવા તરફ દોરી જાય છે, અને અમારું અંતિમ પાર્સર અંગ્રેજી અને ચાઇનીઝ માટે અગાઉના તમામ અહેવાલ આધારિત પાર્સર્સને વટાવી દે છે, છતાં તે ખૂબ ઝડપી છે. |
422d9b1a05bc33fcca4b9aa9381f46804c6132fd | કેટલીક પ્રશ્નોના જવાબ ફક્ત મશીનો આપી શકતા નથી. આવી ક્વેરીઝની પ્રક્રિયા કરવા માટે ડેટાબેઝમાંથી ગુમ થયેલી માહિતી પૂરી પાડવા માટે, કમ્પ્યુટેશનલી મુશ્કેલ કાર્યો કરવા માટે અને ઝાંખી માપદંડના આધારે પરિણામોને મેચ કરવા, રેન્કિંગ અથવા એકત્રિત કરવા માટે માનવ ઇનપુટની જરૂર છે. ક્રાઉડડીબી ક્રાઉડસોર્સિંગ દ્વારા માનવ ઇનપુટનો ઉપયોગ ક્વેરીઝ પર પ્રક્રિયા કરવા માટે કરે છે કે જે ડેટાબેઝ સિસ્ટમ્સ કે સર્ચ એન્જિન પર્યાપ્ત જવાબ આપી શકતા નથી. તે એસક્યુએલનો ઉપયોગ જટિલ ક્વેરીઝ માટે અને ડેટાને મોડેલ કરવાની રીત તરીકે બંને તરીકે કરે છે. જ્યારે ક્રોડડીબી પરંપરાગત ડેટાબેઝ સિસ્ટમ્સના ઘણા પાસાઓનો લાભ લે છે, ત્યાં પણ મહત્વપૂર્ણ તફાવતો છે. વિભાવનાત્મક રીતે, એક મુખ્ય પરિવર્તન એ છે કે ક્વેરી પ્રોસેસિંગ માટે પરંપરાગત બંધ-વિશ્વ ધારણા માનવ ઇનપુટ માટે નથી. અમલીકરણના દ્રષ્ટિકોણથી, ભીડ-સ્રોત ડેટાને વિનંતી કરવા, એકીકૃત કરવા અને સાફ કરવા માટે માનવ-લક્ષી ક્વેરી ઓપરેટરોની જરૂર છે. વધુમાં, કામગીરી અને ખર્ચ અનેક નવા પરિબળો પર આધાર રાખે છે, જેમાં કામદારોની સંલગ્નતા, તાલીમ, થાક, પ્રેરણા અને સ્થાનનો સમાવેશ થાય છે. અમે ક્રાઉડડીબીની રચનાનું વર્ણન કરીએ છીએ, એમેઝોન મિકેનિકલ ટર્કનો ઉપયોગ કરીને પ્રયોગોના પ્રારંભિક સમૂહ પર અહેવાલ આપીએ છીએ, અને ભીડ સોર્સિંગ ક્વેરી પ્રોસેસિંગ સિસ્ટમ્સના વિકાસમાં ભાવિ કાર્ય માટે મહત્વપૂર્ણ માર્ગોની રૂપરેખા આપીએ છીએ. |
edc2e4e6308d7dfce586cb8a4441c704f8f8d41b | આ કાગળમાં, અમે વિતરણ કરેલ લઘુત્તમ કાર્યવાહીની સરેરાશ માટે બે નવા સંચાર-કાર્યક્ષમ પદ્ધતિઓ રજૂ કરીએ છીએ. પ્રથમ અલ્ગોરિધમનો એ DANE અલ્ગોરિધમનો એક અચોક્કસ પ્રકાર છે [20] જે કોઈપણ સ્થાનિક અલ્ગોરિધમનને સ્થાનિક પેટાપ્રશ્ન માટે આશરે ઉકેલ પરત કરવાની મંજૂરી આપે છે. અમે બતાવીએ છીએ કે આવી વ્યૂહરચના DANE ની સૈદ્ધાંતિક બાંયધરીઓને નોંધપાત્ર રીતે અસર કરતી નથી. વાસ્તવમાં, અમારા અભિગમને એક મજબૂતકરણ વ્યૂહરચના તરીકે જોવામાં આવે છે કારણ કે પદ્ધતિ વ્યવહારમાં ઊભી થતી ડેટા પાર્ટીશન પર DANE કરતાં વધુ સારી રીતે વર્તે છે. એ વાત જાણીતી છે કે DANE અલ્ગોરિધમનો સંચાર જટિલતા નીચલા સીમાઓ સાથે મેળ ખાતો નથી. આ અંતરને દૂર કરવા માટે, અમે પ્રથમ પદ્ધતિના ઝડપી પ્રકારનો પ્રસ્તાવ મૂક્યો છે, જેને એઆઇડીઇ કહેવામાં આવે છે, જે માત્ર સંચાર નીચલા મર્યાદાને જ બંધબેસતું નથી પરંતુ શુદ્ધ પ્રથમ ક્રમની ઓરેકલનો ઉપયોગ કરીને પણ અમલ કરી શકાય છે. અમારા પ્રયોગોના પરિણામો દર્શાવે છે કે મશીન લર્નિંગ એપ્લિકેશન્સમાં કુદરતી રીતે ઉદ્ભવેલા સેટિંગ્સમાં એઆઇડીઇ અન્ય સંચાર કાર્યક્ષમ અલ્ગોરિધમ્સથી શ્રેષ્ઠ છે. |
c677166592b505b80a487fb88ac5a6996fc47d71 | આ કાગળમાં મોટા પાયે જટિલ પ્રણાલીઓના વિકેન્દ્રીકૃત નિયંત્રણના ક્ષેત્રમાં ભૂતકાળ અને વર્તમાન પરિણામોની સમીક્ષા કરવામાં આવી છે. વિકેન્દ્રીકરણ, વિઘટન અને મજબૂતાઈ પર ભાર મૂકવામાં આવ્યો છે. આ પદ્ધતિઓ મોટા પાયે જટિલ પ્રણાલીઓમાં ઊભી થતી ચોક્કસ મુશ્કેલીઓ દૂર કરવા માટે અસરકારક સાધનો તરીકે સેવા આપે છે જેમ કે ઉચ્ચ પરિમાણીયતા, માહિતી માળખું મર્યાદાઓ, અનિશ્ચિતતા અને વિલંબ. આ સામગ્રીમાં ભવિષ્યના સંશોધન માટે કેટલાક સંભવિત વિષયો રજૂ કરવામાં આવ્યા છે. આ ઝાંખીમાં તાજેતરના વિઘટન અભિગમો પર ધ્યાન કેન્દ્રિત કરવામાં આવ્યું છે જે એકબીજા સાથે જોડાયેલી ગતિશીલ સિસ્ટમોમાં છે, કારણ કે તે નેટવર્ક નિયંત્રણ સિસ્ટમોમાં વિકેન્દ્રિત નિયંત્રણના વિસ્તરણની તક પૂરી પાડે છે. # 2008 એલ્સેવીયર લિમિટેડ. બધા અધિકારો અનામત. |
0debd1c0b73fc79dc7a64431b8b6a1fe21dcd9f7 | લક્ષણ પસંદગી વર્ગીકરણની ચોકસાઈમાં સુધારો કરી શકે છે અને વર્ગીકરણની કમ્પ્યુટેશનલ જટિલતાને ઘટાડી શકે છે. ઘૂસણખોરી શોધવાની પ્રણાલી (આઇડીએસ) માં ડેટા સુવિધાઓ હંમેશા અસંતુલિત વર્ગીકરણની સમસ્યા રજૂ કરે છે જેમાં કેટલાક વર્ગીકરણમાં માત્ર થોડા ઉદાહરણો હોય છે જ્યારે અન્યમાં ઘણા ઉદાહરણો હોય છે. આ અસંતુલન સ્પષ્ટપણે વર્ગીકરણની કાર્યક્ષમતાને મર્યાદિત કરી શકે છે, પરંતુ તેને સંબોધવા માટે થોડા પ્રયત્નો કરવામાં આવ્યા છે. આ કાગળમાં, IDS માં લક્ષણ પસંદગી માટે બહુવિધ ઉદ્દેશ્ય સમસ્યા માટે એક યોજના પ્રસ્તાવિત કરવામાં આવી છે, જે બે વ્યૂહરચનાઓનો ઉપયોગ કરે છે, એટલે કે, ખાસ પ્રભુત્વ પદ્ધતિ અને પૂર્વવ્યાખ્યાયિત બહુવિધ લક્ષિત શોધ, વસ્તી ઉત્ક્રાંતિ માટે. તે માત્ર સામાન્ય અને અસામાન્ય વચ્ચે જ નહીં પણ અસામાન્યતાના પ્રકાર દ્વારા પણ ટ્રાફિકને અલગ કરી શકે છે. અમારી યોજનાના આધારે, NSGA-III નો ઉપયોગ સારા પ્રદર્શન સાથે પર્યાપ્ત લક્ષણ સબસેટ મેળવવા માટે થાય છે. એક સુધારેલ બહુ-હેતુ ઓપ્ટિમાઇઝેશન અલ્ગોરિધમનો (I-NSGA-III) નો ઉપયોગ કરીને એક નવલકથા વિશિષ્ટ જાળવણી પ્રક્રિયાનો વધુ પ્રસ્તાવ છે. તેમાં પૂર્વગ્રહ-પસંદગી પ્રક્રિયા છે જે પસંદ કરેલા લક્ષણો સાથેના વ્યક્તિની પસંદગી કરે છે અને ફિટ-પસંદગી પ્રક્રિયા છે જે તેના ઉદ્દેશ્યોના મહત્તમ રકમ વજન સાથેના વ્યક્તિની પસંદગી કરે છે. પ્રાયોગિક પરિણામો દર્શાવે છે કે I-NSGA-III ઓછા ઉદાહરણો ધરાવતા વર્ગો માટે ઉચ્ચ વર્ગીકરણ ચોકસાઈ સાથે અસંતુલન સમસ્યાને ઘટાડી શકે છે. વધુમાં, તે ઉચ્ચ વર્ગીકરણ ચોકસાઈ અને નીચલા કમ્પ્યુટેશનલ જટિલતા બંને પ્રાપ્ત કરી શકે છે. © 2016 એલ્સેવીયર બી. વી. દ્વારા પ્રકાશિત |
5a4a53339068eebd1544b9f430098f2f132f641b | ઊંડા ગુપ્ત-પરિવર્તક મોડેલો નિરીક્ષણ વિનાના રીતે ઉચ્ચ-પરિમાણીય ડેટાના પ્રતિનિધિત્વને શીખે છે. તાજેતરના કેટલાક પ્રયત્નો શીખવાની રજૂઆતો પર ધ્યાન કેન્દ્રિત કર્યું છે જે વિવિધતાના આંકડાકીય રીતે સ્વતંત્ર અક્ષોને અલગ કરે છે, ઘણીવાર ઉદ્દેશ્ય કાર્યના યોગ્ય ફેરફારો રજૂ કરીને. અમે સાહિત્યના આ વધતા જતા શરીરને સંશ્લેષણ કરીએ છીએ, જે પુરાવા નીચલા બાઉન્ડનું સામાન્યકરણ ઘડી કાઢે છે જે સ્પષ્ટપણે ગુપ્ત કોડની વિરલતા, પ્રતિનિધિત્વની દ્વિપક્ષીયતા અને પ્રયોગમૂલક ડેટા વિતરણના સમર્થનની કવરેજ વચ્ચેના વેપાર-બંધનું પ્રતિનિધિત્વ કરે છે. અમારો ઉદ્દેશ પણ પદાનુક્રમિક પ્રતિનિધિત્વ શીખવા માટે યોગ્ય છે જે બ્લોક્સની અંદર અમુક ડિગ્રીના સંબંધોને મંજૂરી આપતી વખતે ચલોના બ્લોક્સને અલગ કરે છે. ડેટાસેટ્સની શ્રેણી પરના પ્રયોગો દર્શાવે છે કે શીખી પ્રતિનિધિત્વમાં અર્થઘટનક્ષમ સુવિધાઓ છે, અલગ લક્ષણો શીખવા માટે સક્ષમ છે, અને પરિબળોના અદ્રશ્ય સંયોજનો માટે સામાન્ય છે. |
4b19be501b279b7d80d94b2d9d986bf4f8ab4ede | |
8ba965f138c1178aef09da3781765e300c325f3d | ઇલેક્ટ્રોમિયોગ્રામ અથવા ઇએમજી સિગ્નલ ખૂબ જ નાનું સિગ્નલ છે; તેને પ્રદર્શન હેતુ માટે અથવા વધુ વિશ્લેષણ પ્રક્રિયા માટે વધારવા માટે એક સિસ્ટમની જરૂર છે. આ કાગળમાં બે ચેનલ ઇનપુટ સાથે ઓછી કિંમતની ફિઝિયોથેરાપી ઇએમજી સિગ્નલ એક્વિઝિશન સિસ્ટમનો વિકાસ રજૂ કરવામાં આવ્યો છે. એક્વિઝિશન સિસ્ટમમાં, બંને ઇનપુટ સિગ્નલોને વિભેદક એમ્પ્લીફાયર સાથે પ્રબલિત કરવામાં આવે છે અને ઇએમજી સિગ્નલના રેખીય પરબિડીયું મેળવવા માટે સિગ્નલ પૂર્વ-પ્રોસેસિંગમાંથી પસાર થાય છે. પ્રાપ્ત થયેલ ઇએમજી સિગ્નલ પછી ડિજિટાઇઝ્ડ થાય છે અને તેને ગ્રાફ કરવા માટે કમ્પ્યુટર પર મોકલવામાં આવે છે. |
01413e1fc981a8c041dc236dcee64790e2239a36 | મશીન લર્નિંગમાં વિવિધ પ્રકારની સમસ્યાઓ, જેમાં ઉદાહરણ ક્લસ્ટરીંગ, દસ્તાવેજ સારાંશ અને સેન્સર પ્લેસમેન્ટનો સમાવેશ થાય છે, તેને પ્રતિબંધિત સબમોડ્યુલર મહત્તમ સમસ્યાઓ તરીકે કાસ્ટ કરી શકાય છે. આ સમસ્યાઓના વિતરણ અલ્ગોરિધમનો વિકસાવવા માટે તાજેતરના પ્રયત્નો ઘણો સમર્પિત કરવામાં આવ્યા છે. જો કે, આ પરિણામો ઉચ્ચ સંખ્યામાં રાઉન્ડ, સબ-ઓપ્ટિમલ અંદાજ ગુણોત્તર, અથવા બંનેથી પીડાય છે. અમે ક્રમિક સેટિંગમાં હાલના અલ્ગોરિધમ્સને વિતરણ સેટિંગમાં લાવવા માટે એક માળખું વિકસાવીએ છીએ, માત્ર મેપરેડ્યુસ રાઉન્ડની સતત સંખ્યામાં ઘણી સેટિંગ્સ માટે શ્રેષ્ઠ શ્રેષ્ઠ અંદાજ ગુણોત્તર પ્રાપ્ત કરી રહ્યા છીએ. અમારી તકનીકો મેટ્રોઇડ પ્રતિબંધને આધિન બિન-મોનોટોન મહત્તમકરણ માટે ઝડપી ક્રમિક અલ્ગોરિધમનો પણ આપે છે. |
0451c923703472b6c20ff11185001f24b76c48e3 | નેટવર્ક અને સહકારી રોબોટ્સ માટે ઉભરતી એપ્લિકેશન્સ એજન્ટોના જૂથો માટે ગતિ સંકલનનો અભ્યાસ કરવા પ્રેરણા આપે છે. ઉદાહરણ તરીકે, એજન્ટોના જૂથો સર્વેલન્સ, સંશોધન અને પર્યાવરણીય દેખરેખ સહિત વિવિધ ઉપયોગી કાર્યો કરશે. આ કાગળ મોબાઇલ એજન્ટો વચ્ચે મૂળભૂત ક્રિયાપ્રતિક્રિયાઓ સાથે સંબંધિત છે જેમ કે નજીકના અન્ય એજન્ટથી દૂર ખસેડો અથવા તમારા પોતાના વોરોનોઇ બહુકોણના સૌથી દૂરના શિખર તરફ ખસેડો. આ સરળ ક્રિયાપ્રતિક્રિયાઓ વિતરણ ગતિશીલ સિસ્ટમો જેટલી છે કારણ કે તેમના અમલીકરણને પડોશી એજન્ટો વિશે માત્ર ન્યૂનતમ માહિતીની જરૂર છે. અમે આ વિતરણ ગતિશીલ સિસ્ટમો અને ભૌમિતિક ઓપ્ટિમાઇઝેશનમાંથી ડિસ્ક-આવરી અને ગોળા-પેકિંગ ખર્ચ કાર્યો વચ્ચેના ગાઢ સંબંધને વર્ણવીએ છીએ. અમારા મુખ્ય પરિણામો છેઃ (i) અમે આ ભૌમિતિક ખર્ચ કાર્યોની સરળતા ગુણધર્મોને વર્ણવીએ છીએ, (ii) અમે બતાવીએ છીએ કે ક્રિયાપ્રતિક્રિયા કાયદાઓ ખર્ચ કાર્યોના અસુરક્ષિત ઢાળના વિવિધતા છે, અને (iii) અમે કાયદાઓના વિવિધ અસંસ્કારી સંપાત ગુણધર્મો સ્થાપિત કરીએ છીએ. તકનીકી અભિગમ કોમ્પ્યુટેશનલ ભૂમિતિ, નોનસ્મૂથ વિશ્લેષણ અને નોનસ્મૂથ સ્થિરતા સિદ્ધાંતના ખ્યાલો પર આધાર રાખે છે. |
0a37a647a2f8464379a1fe327f93561c90d91405 | તાજેતરના વિકાસથી ક્રિયાઓની આંશિક રીતે ક્રમબદ્ધ, આંશિક રીતે નિર્ધારિત શ્રેણીઓ પેદા કરવાની પ્રક્રિયાને સ્પષ્ટ કરવામાં આવી છે, જેના અમલીકરણથી એજન્ટનું લક્ષ્ય પ્રાપ્ત થશે. આ કાગળ ઓછામાં ઓછા પ્રતિબદ્ધતા આયોજકોની પ્રગતિને સારાંશ આપે છે, જે એક સાથે શરૂ થાય છે જે સરળ સ્ટ્રીપ્સ પ્રતિનિધિત્વને સંભાળે છે, અને એક સાથે સમાપ્ત થાય છે જે ગતિશીલ બ્રહ્માંડો પર વિભાજન પૂર્વશરત, શરતી અસરો અને સાર્વત્રિક ક્વોન્ટિફિકેશન સાથે ક્રિયાઓનું સંચાલન કરે છે. આ રીતે અમે સમજાવીએ છીએ કે કેવી રીતે ચેપમેનની મોડલ સત્ય માપદંડની રચના ગેરમાર્ગે દોરતી છે અને શા માટે શરતી અસરો સાથે યોજનાઓ વિશે તર્ક માટે તેના એનપી-પૂર્ણતા પરિણામ અમારા આયોજકને લાગુ પડતા નથી. હું ફ્રાન્ઝ અમાડોર, ટોની બેરેટ, ડેરન ક્રોનક્વિસ્ટ, ડેનિસ ડ્રેપર, એર્ની ડેવિસ, ઓરેન ઇત્ઝનીઓ, નોર્થ ફોલર, રાઓ કામ્બહામ્પીટી, ક્રેગ નોબ્લોક, નિક કુશમેરિક, નીલ લેશ, કેરેન લોચબાઉમ, ડ્રૂ મેકડર્મટ, રામેશ પાટિલ, કેરી પુલી, યિંગ સન, ઓસ્ટિન ટેટ અને માઇક વિલિયમસનને મદદરૂપ ટિપ્પણીઓ માટે આભાર માનું છું, પરંતુ ભૂલો માટે સંપૂર્ણ જવાબદારી જાળવી રાખું છું. આ સંશોધનને નેવલ રિસર્ચ ગ્રાન્ટ 90-J-1904 અને નેશનલ સાયન્સ ફાઉન્ડેશન ગ્રાન્ટ IRI-8957302 દ્વારા આંશિક રીતે ભંડોળ પૂરું પાડવામાં આવ્યું હતું. |
63f97f3b4808baeb3b16b68fcfdb0c786868baba | આ કાગળમાં બ્રોડબેન્ડ ડબલ-રિજ્ડ હોર્ન એન્ટેનાની ડિઝાઇન, ફેબ્રિકેશન અને પાત્રાલેખન સહિતનો સંપૂર્ણ ડિઝાઇન ચક્ર રજૂ કરવામાં આવ્યો છે, જે પેરાબોલિક લેન્સ અને વેવગાઇડ એડેપ્ટરથી સજ્જ છે. પ્રસ્તુત કાર્યનો મુખ્ય ધ્યેય 18-40 ગીગાહર્ટ્ઝની આવર્તન શ્રેણીમાં મુખ્ય રેડિયેશન લોબમાં ફ્લેટ તબક્કાની લાક્ષણિકતા સાથે ઉચ્ચ દિશા પ્રાપ્ત કરવાનો હતો, જેથી એન્ટેના ફ્રીસ્પેસ સામગ્રીના પાત્રાલેખન સેટઅપમાં લાગુ થઈ શકે. |
c5151f18c2499f1d95522536f167f2fcf75f647f | આગામી પેઢીના વિવિધ પ્રકારના વાયરલેસ નેટવર્ક્સમાં, મલ્ટી-ઇન્ટરફેસ ટર્મિનલ ધરાવતો વપરાશકર્તા વિવિધ તકનીકોનો ઉપયોગ કરીને વિવિધ સેવા પ્રદાતાઓ પાસેથી નેટવર્ક ઍક્સેસ મેળવી શકે છે. એવું માનવામાં આવે છે કે હસ્તાંતરણનો નિર્ણય બહુવિધ માપદંડો તેમજ વપરાશકર્તાની પસંદગી પર આધારિત છે. હસ્તાંતરણ નિર્ણયની સમસ્યાને ઉકેલવા માટે વિવિધ અભિગમો પ્રસ્તાવિત કરવામાં આવ્યા છે, પરંતુ નિર્ણય પદ્ધતિની પસંદગી મનસ્વી હોય તેવું લાગે છે અને કેટલીક પદ્ધતિઓ વિવાદાસ્પદ પરિણામો પણ આપે છે. આ કાગળમાં, એક નવી હસ્તાંતરણ માપદંડની રજૂઆત સાથે નવી હસ્તાંતરણ નિર્ણય વ્યૂહરચના રજૂ કરવામાં આવી છે. વધુમાં, સોંપણી નિર્ણય અમને એક અસ્પષ્ટ બહુવિધ લક્ષણ નિર્ણય (MADM) સમસ્યા ઓળખવામાં આવે છે, અને અસ્પષ્ટ તર્ક કેટલાક માપદંડ અને વપરાશકર્તા પસંદગી અચોક્કસ માહિતી સાથે વ્યવહાર કરવા માટે લાગુ પડે છે. વિવિધ અસ્પષ્ટ એમએડીએમ પદ્ધતિઓનું વ્યવસ્થિત વિશ્લેષણ કર્યા પછી, એક શક્ય અભિગમ રજૂ કરવામાં આવે છે. અંતે, પ્રસ્તાવિત પદ્ધતિઓનું ઉદાહરણ આપવામાં આવ્યું છે અને પદ્ધતિઓની સંવેદનશીલતાનું વિશ્લેષણ પણ કરવામાં આવ્યું છે. |
e321ab5d7a98e18253ed7874946a229a10e40f26 | વર્ગીકરણકર્તાની કામગીરી અને ચોકસાઈ સીધી રીતે લક્ષણ પસંદગીના પરિણામથી પ્રભાવિત થાય છે. એક વર્ગના એફ-સ્કોર સુવિધા પસંદગી અને સુધારેલા એફ-સ્કોર સુવિધા પસંદગી અને આનુવંશિક અલ્ગોરિધમનોના આધારે, મશીન લર્નિંગ પદ્ધતિઓ સાથે જોડાયેલી છે જેમ કે કે નજીકના પાડોશી, સપોર્ટ વેક્ટર મશીન, રેન્ડમ ફોરેસ્ટ, નાઇવ બેયસ, એક વર્ણસંકર સુવિધા પસંદગી અલ્ગોરિધમનો બે વર્ગીકરણ અસંતુલિત ડેટા સમસ્યા અને મલ્ટી વર્ગીકરણ સમસ્યાને પ્રક્રિયા કરવા માટે દરખાસ્ત કરવામાં આવે છે. પરંપરાગત મશીન લર્નિંગ અલ્ગોરિધમનોની તુલનામાં, તે વિશાળ સુવિધા જગ્યામાં શોધી શકે છે અને હેવરિસ્ટિક નિયમો અનુસાર અસંતુલિત ડેટા સેટ્સની લાક્ષણિકતાઓ સાથે વ્યવહાર કરવા માટે વર્ગીકરણને પ્રોત્સાહન આપી શકે છે, જે અસંતુલિત વર્ગીકરણની સમસ્યાને વધુ સારી રીતે સંભાળી શકે છે. પ્રયોગના પરિણામો દર્શાવે છે કે અન્ય મોડેલોની સરખામણીમાં બે વર્ગીકરણ માટે રીસીવર ઓપરેટિંગ લાક્ષણિકતા વળાંક હેઠળના વિસ્તાર અને મલ્ટી વર્ગીકરણ સમસ્યા માટે ચોકસાઈ દરમાં સુધારો થયો છે |
08fddf1865e48a1adc21d4875396a754711f0a28 | ટેક્સ્ટ વર્ગીકરણ માટે મશીન લર્નિંગ દસ્તાવેજ વર્ગીકરણ, સમાચાર ફિલ્ટરિંગ, દસ્તાવેજ રૂટિંગ અને વ્યક્તિગતકરણનો મુખ્ય આધાર છે. ટેક્સ્ટ ડોમેન્સમાં, અસરકારક લક્ષણ પસંદગી શીખવાની કાર્યક્ષમ અને વધુ સચોટ બનાવવા માટે આવશ્યક છે. આ કાગળ બાર લક્ષણ પસંદગી પદ્ધતિઓ (દા. ત. માહિતી ગેઇન) ની સમીક્ષા કરવામાં આવી હતી, જેમાં 229 ટેક્સ્ટ વર્ગીકરણ સમસ્યાના ઉદાહરણોનો સમાવેશ કરવામાં આવ્યો હતો, જે રોઇટર્સ, TREC, OHSUMED વગેરે પાસેથી એકત્રિત કરવામાં આવ્યા હતા. પરિણામોનું વિશ્લેષણ બહુવિધ ધ્યેય પરિપ્રેક્ષ્યો-ચોકસાઈ, એફ-માપ, ચોકસાઈ અને યાદ-થી કરવામાં આવે છે કારણ કે દરેક અલગ અલગ પરિસ્થિતિઓમાં યોગ્ય છે. પરિણામો દર્શાવે છે કે એક નવી સુવિધા પસંદગી પદ્ધતિ જેને આપણે "બાય-નોર્મલ સેપરેશન" (બીએનએસ) કહીએ છીએ, તે મોટાભાગની પરિસ્થિતિઓમાં નોંધપાત્ર માર્જિન દ્વારા અન્ય કરતા વધુ સારી કામગીરી બજાવે છે. આ માર્જિન ઉચ્ચ વર્ગના વલણવાળા કાર્યોમાં વિસ્તૃત છે, જે ટેક્સ્ટ વર્ગીકરણ સમસ્યાઓમાં પ્રચલિત છે અને ખાસ કરીને ઇન્ડક્શન અલ્ગોરિધમ્સ માટે પડકારરૂપ છે. એક નવી મૂલ્યાંકન પદ્ધતિ આપવામાં આવી છે જે ડેટા માઇનિંગ પ્રેક્ટિશનરની જરૂરિયાતો પર ધ્યાન કેન્દ્રિત કરે છે જે એક જ ડેટાસેટનો સામનો કરે છે જે એક (અથવા જોડી) મેટ્રિક્સ પસંદ કરવા માગે છે જે શ્રેષ્ઠ પ્રદર્શન આપવાની સંભાવના ધરાવે છે. આ દ્રષ્ટિકોણથી, ચોકસાઈ સિવાયના તમામ લક્ષ્યો માટે બીએનએસ ટોચની એકમાત્ર પસંદગી હતી, જેના માટે માહિતી ગેઇનએ શ્રેષ્ઠ પરિણામ આપ્યું હતું. આ વિશ્લેષણમાં પણ, ઉદાહરણ તરીકે, જાહેર કરવામાં આવ્યું છે કે ગેઇન અને ચી-સ્ક્વેર્ડ પરની માહિતીમાં અસંગતતા છે, અને તેથી તેઓ નબળી રીતે સાથે કામ કરે છે. ચાર પ્રદર્શન લક્ષ્યોમાંથી દરેક માટે મેટ્રિક્સના શ્રેષ્ઠ જોડીઓ નક્કી કરતી વખતે, બીએનએસ સતત જોડીનો એક ભાગ છે-દા. ત. , સૌથી વધુ યાદ રાખવા માટે, જોડી બીએનએસ + એફ 1 માપદંડ નોંધપાત્ર માર્જિન દ્વારા સૌથી વધુ સંખ્યામાં કાર્યો પર શ્રેષ્ઠ પ્રદર્શન આપે છે. |
32352a889360e365fa242ad3040ccd6c54131d47 | |
7857cdf46d312af4bb8854bd127e5c0b4268f90c | સતત-વાહક સ્થિતિ (સીસીએમ) માં કાર્યરત બુસ્ટ પાવર ફેક્ટર કરેક્શન (પીએફસી) કન્વર્ટરના ગતિશીલ પ્રતિભાવને વોલ્ટેજ નિયંત્રણ લૂપની ઓછી બેન્ડવિડ્થ દ્વારા ભારે પ્રભાવિત કરવામાં આવે છે. આ કાગળમાં સ્યુડો-કન્ટિન્યુઅસ-કન્ડક્શન મોડ (પીસીસીએમ) માં કાર્યરત એક નવલકથા ત્રિ-રાજ્ય બુસ્ટ પીએફસી કન્વર્ટરનો પ્રસ્તાવ છે. ફ્રી-વ્હીલિંગ સ્વિચિંગ કંટ્રોલ ઇન્ટરવેલ દ્વારા રજૂ કરવામાં આવેલી નિયંત્રણ-સ્વતંત્રતાની વધારાની ડિગ્રી પીએફસી નિયંત્રણ પ્રાપ્ત કરવામાં મદદ કરે છે. એક સરળ અને ઝડપી વોલ્ટેજ નિયંત્રણ લૂપનો ઉપયોગ સતત આઉટપુટ વોલ્ટેજ જાળવવા માટે કરી શકાય છે. વધુમાં, પરંપરાગત અવિરત-વાહક સ્થિતિ (ડીસીએમ) માં કાર્યરત બુસ્ટ પીએફસી કન્વર્ટરની તુલનામાં, પીસીએમસીમાં કાર્યરત બુસ્ટ પીએફસી કન્વર્ટર વર્તમાન અને વોલ્ટેજ લહેરાવો ઘટાડવા સાથે વર્તમાન હેન્ડલિંગ ક્ષમતામાં મોટા પ્રમાણમાં સુધારો દર્શાવે છે. ટ્રિ-સ્ટેટ બૂસ્ટ પીએફસી કન્વર્ટરના વિશ્લેષણાત્મક અને સિમ્યુલેશન પરિણામો રજૂ કરવામાં આવ્યા છે અને પરંપરાગત સીસીએમ અને ડીસીએમમાં કાર્યરત બૂસ્ટ પીએફસી કન્વર્ટરના પરિણામો સાથે સરખામણી કરવામાં આવી છે. સિમ્યુલેશન પરિણામો ત્રણ-રાજ્ય બુસ્ટ પીએફસી કન્વર્ટરની ઉત્તમ ગતિશીલ કામગીરી દર્શાવે છે. |
8629cebb7c574adf40d71d41389f340804c8c81f | આ લેખમાં 1890ના દાયકામાં વુસેટીચ અને હેનરીની સૌથી પ્રારંભિક ફિંગરપ્રિન્ટ વર્ગીકરણ પ્રણાલીઓથી લઈને સ્વયંસંચાલિત ફિંગરપ્રિન્ટ ઓળખના આગમન સુધી વ્યક્તિઓની ઓળખ માટે ફિંગરપ્રિન્ટ પેટર્નનો ઉપયોગ કરવાના પ્રયત્નોના ઇતિહાસમાં મુખ્ય વિકાસનો સારાંશ આપવામાં આવ્યો છે. ફિંગરપ્રિન્ટને રેકોર્ડ કરવા, સંગ્રહ કરવા, મેચ કરવા અને પુનઃપ્રાપ્ત કરવા માટે "મેન્યુઅલ" સિસ્ટમ્સના ઇતિહાસને વર્ણવતા, આ લેખમાં ઐતિહાસિક સંદર્ભમાં આપોઆપ ફિંગરપ્રિન્ટ ઓળખમાં પ્રગતિ કરે છે અને તેમના ઐતિહાસિક અને સામાજિક મહત્વને પ્રકાશિત કરે છે. |
7d9089cbe958da21cbd943bdbcb996f4499e701b | દસ્તાવેજ સ્તરની લાગણી વર્ગીકરણ એક પડકાર રહે છેઃ દસ્તાવેજના અર્થશાસ્ત્રના અર્થમાં વાક્યો વચ્ચેના આંતરિક સંબંધોને એન્કોડિંગ. આને સંબોધવા માટે, અમે એક ન્યુરલ નેટવર્ક મોડેલ રજૂ કરીએ છીએ જે એકીકૃત, નીચેથી ઉપર ફેશનમાં વેક્ટર આધારિત દસ્તાવેજ રજૂઆત શીખે છે. મોડલ પ્રથમ કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક અથવા લાંબા ગાળાની મેમરી સાથે સજા પ્રતિનિધિત્વ શીખે છે. ત્યારબાદ, વાક્યોના અર્થશાસ્ત્ર અને તેમના સંબંધો અનુકૂલનશીલ રીતે ગેટેડ રિકરન્ટ ન્યુરલ નેટવર્ક સાથે દસ્તાવેજ રજૂઆતમાં એન્કોડ કરવામાં આવે છે. અમે IMDB અને Yelp ડેટાસેટ ચેલેન્જમાંથી ચાર મોટા પાયે સમીક્ષા ડેટાસેટ્સ પર દસ્તાવેજ સ્તરની લાગણી વર્ગીકરણ હાથ ધરી છે. પ્રાયોગિક પરિણામો દર્શાવે છે કે: (1) અમારા ન્યુરલ મોડેલ કેટલાક રાજ્ય-ઓફ-ધ-આર્ટ અલ્ગોરિધમ્સ પર શ્રેષ્ઠ પ્રદર્શન દર્શાવે છે; (2) ગેટેડ રિકરન્ટ ન્યુરલ નેટવર્ક ભાવના વર્ગીકરણ માટે દસ્તાવેજ મોડેલિંગમાં પ્રમાણભૂત રિકરન્ટ ન્યુરલ નેટવર્કને નાટ્યાત્મક રીતે આગળ વધે છે. |
b294b61f0b755383072ab332061f45305e0c12a1 | અમે સુપરવાઇઝ્ડ કાર્યમાં પ્રદર્શન સુધારવા માટે હાલના સિમેન્ટીક શબ્દ વેક્ટર્સને ફરીથી હેતુ આપવા માટે એક ઝડપી પદ્ધતિ રજૂ કરીએ છીએ. તાજેતરમાં, કમ્પ્યુટિંગ સંસાધનોમાં વધારો સાથે, લેબલ વિનાના ડેટાના વિશાળ પ્રમાણમાં સમૃદ્ધ શબ્દ એમ્બેડિંગ શીખવું શક્ય બન્યું. જો કે, કેટલીક પદ્ધતિઓ સારી એમ્બેડિંગ શીખવા માટે દિવસો અથવા અઠવાડિયા લે છે, અને કેટલાકને તાલીમ આપવી ખૂબ જ મુશ્કેલ છે. અમે એક એવી પદ્ધતિ પ્રસ્તાવિત કરીએ છીએ જે ઇનપુટ તરીકે હાલની એમ્બેડિંગ લે છે, કેટલાક લેબલ કરેલા ડેટા, અને એ જ જગ્યામાં એમ્બેડિંગ ઉત્પન્ન કરે છે, પરંતુ દેખરેખવાળા કાર્યમાં વધુ સારી આગાહી કામગીરી સાથે. અમે અનેક બેઝલાઇનના સંદર્ભમાં લાગણી વર્ગીકરણના કાર્યમાં સુધારો દર્શાવ્યો છે અને નોંધ્યું છે કે તાલીમ સમૂહ પૂરતી નાની હોય ત્યારે આ અભિગમ સૌથી ઉપયોગી છે. |
4a27709545cfa225d8983fb4df8061fb205b9116 | અમે ડેટા માઇનિંગ (ડીએમ) અભિગમનો પ્રસ્તાવ મૂક્યો છે, જે બેન્કના લાંબા ગાળાના થાપણોના વેચાણ માટે ટેલિમાર્કેટિંગ કોલ્સની સફળતાની આગાહી કરે છે. પોર્ટુગલની એક રિટેલ બેંકને 2008 થી 2013 સુધીના ડેટા સાથે સંબોધવામાં આવ્યું હતું, આમ તાજેતરના નાણાકીય કટોકટીની અસરોનો સમાવેશ થાય છે. અમે બેંકના ગ્રાહક, ઉત્પાદન અને સામાજિક-આર્થિક લક્ષણો સાથે સંકળાયેલા 150 લક્ષણોના મોટા સમૂહનું વિશ્લેષણ કર્યું. જુલાઈ 2012 પહેલાના ડેટા સાથે કરવામાં આવેલ મોડેલિંગ તબક્કામાં અર્ધ-સ્વચાલિત સુવિધા પસંદગીની શોધ કરવામાં આવી હતી અને તે 22 સુવિધાઓના ઘટાડેલા સેટને પસંદ કરવાની મંજૂરી આપી હતી. અમે ચાર ડીએમ મોડલ્સની તુલના પણ કરી: લોજિસ્ટિક રીગ્રેસન, નિર્ણય વૃક્ષો (ડીટી), ન્યુરલ નેટવર્ક (એનએન) અને સપોર્ટ વેક્ટર મશીન. બે મેટ્રિક્સ, રીસીવર ઓપરેટિંગ લાક્ષણિકતા વળાંક (એયુસી) અને લિફ્ટ સંચિત વળાંક (એએલઆઇએફટી) ના વિસ્તારનો ઉપયોગ કરીને, ચાર મોડેલોનું મૂલ્યાંકન તબક્કામાં પરીક્ષણ કરવામાં આવ્યું હતું, જેમાં તાજેતરના ડેટા (જુલાઈ 2012 પછી) અને રોલિંગ વિન્ડો યોજનાનો ઉપયોગ કરવામાં આવ્યો હતો. એનએનએ શ્રેષ્ઠ પરિણામો (એયુસી = 0.8 અને એએલઆઇએફટી = 0.7) રજૂ કર્યા હતા, જે અડધા વધુ સારી રીતે વર્ગીકૃત કરેલા ગ્રાહકોને પસંદ કરીને 79% સબ્સ્ક્રાઇબર્સ સુધી પહોંચવા માટે પરવાનગી આપે છે. ઉપરાંત, બે જ્ઞાન નિષ્કર્ષણ પદ્ધતિઓ, સંવેદનશીલતા વિશ્લેષણ અને ડીટી, એનએન મોડેલ પર લાગુ કરવામાં આવી હતી અને કેટલાક મુખ્ય લક્ષણો (દા. ત. , યુરોબોર દર, કોલનું દિશા અને બેંક એજન્ટ અનુભવ) જાહેર કર્યા હતા. આ પ્રકારના જ્ઞાનની નિષ્કર્ષણથી પ્રાપ્ત મોડેલને ટેલિમાર્કેટિંગ ઝુંબેશ મેનેજરો માટે વિશ્વસનીય અને મૂલ્યવાન તરીકે પુષ્ટિ મળી. 19 ફેબ્રુઆરી 2014 ના રોજ એલ્સેવીયરને પ્રસ્તુત કરેલ પ્રિપ્રિન્ટ |
138c86b9283e4f26ff1583acdf4e51a5f88ccad1 | જુદા જુદા પદાર્થો સાથે ક્રિયાપ્રતિક્રિયા કરતા લોકો દર્શાવતા ચિત્રો અને વિડિઓઝનું અર્થઘટન એક ભયાવહ કાર્ય છે. તેમાં દ્રશ્ય અથવા ઘટનાને સમજવું, માનવ હલનચલનનું વિશ્લેષણ કરવું, નિયંત્રિત વસ્તુઓ ઓળખવી અને તે વસ્તુઓ પર માનવ ચળવળની અસરનું નિરીક્ષણ કરવું શામેલ છે. જ્યારે આ દરેક દ્રષ્ટિ કાર્યો સ્વતંત્ર રીતે હાથ ધરવામાં આવે છે, ત્યારે તેમની વચ્ચેની ક્રિયાપ્રતિક્રિયાઓ ધ્યાનમાં લેવામાં આવે ત્યારે માન્યતા દરમાં સુધારો થાય છે. માનવીય દ્રષ્ટિના મનોવૈજ્ઞાનિક અભ્યાસો દ્વારા પ્રેરિત, અમે બેયસિયન અભિગમ રજૂ કરીએ છીએ જે માનવ-વસ્તુ ક્રિયાપ્રતિક્રિયાઓને સમજવામાં સામેલ વિવિધ દ્રષ્ટિ કાર્યોને એકીકૃત કરે છે. ઑબ્જેક્ટ અને એક્શન ઓળખ માટે અગાઉના અભિગમો અનુક્રમે સ્થિર આકાર અથવા દેખાવ લક્ષણ મેચિંગ અને ગતિ વિશ્લેષણ પર આધાર રાખે છે. અમારો અભિગમ આ પરંપરાગત અભિગમોથી આગળ વધે છે અને સુસંગત અર્થશાસ્ત્રની અર્થઘટન માટે પ્રત્યેક દ્રષ્ટિની તત્વો પર અવકાશી અને કાર્યાત્મક પ્રતિબંધો લાગુ કરે છે. આવી મર્યાદાઓ આપણને વસ્તુઓ અને ક્રિયાઓને ઓળખવા માટે પરવાનગી આપે છે જ્યારે દેખાવ પૂરતા ભેદભાવપૂર્ણ નથી. અમે કોઈ ગતિ માહિતીનો ઉપયોગ કર્યા વિના સ્થિર છબીઓમાંથી ક્રિયાઓની ઓળખમાં આવા પ્રતિબંધોનો ઉપયોગ પણ દર્શાવીએ છીએ. |
321f14b35975b3800de5e66da64dee96071603d9 | ઘણા મશીન લર્નિંગ એપ્લિકેશન્સમાં સુવિધા પસંદગી એક મહત્વપૂર્ણ ઘટક છે. ખાસ કરીને બાયોઇન્ફોર્મેટિક્સના ઘણા કાર્યોમાં, અર્થપૂર્ણ લક્ષણો કાઢવા અને ઘોંઘાટીયાને દૂર કરવા માટે કાર્યક્ષમ અને મજબૂત લક્ષણ પસંદગી પદ્ધતિઓ ઇચ્છનીય છે. આ કાગળમાં, અમે નુકશાન કાર્ય અને નિયમિતતા બંને પર સંયુક્ત ≠2,1-નૉર્મ ઘટાડા પર ભાર મૂકતા એક નવી મજબૂત લક્ષણ પસંદગી પદ્ધતિ પ્રસ્તાવિત કરીએ છીએ. `2,1-નોર્મ આધારિત નુકશાન કાર્ય ડેટા પોઈન્ટમાં આઉટલિયર્સ માટે મજબૂત છે અને `2,1 નોર્મ નિયમિતતા સંયુક્ત વિખરાઈ સાથે તમામ ડેટા પોઈન્ટમાં સુવિધાઓ પસંદ કરે છે. સાબિત સંકલન સાથે એક કાર્યક્ષમ અલ્ગોરિધમનો રજૂ કરવામાં આવે છે. અમારું રીગ્રેસન આધારિત ઉદ્દેશ સુવિધા પસંદગી પ્રક્રિયાને વધુ કાર્યક્ષમ બનાવે છે. અમારી પદ્ધતિને જીનોમિક અને પ્રોટીયોમિક બાયોમાર્કર્સની શોધમાં લાગુ કરવામાં આવી છે. છ ડેટા સેટ્સ પર વ્યાપક પ્રયોગો હાથ ધરવામાં આવે છે જેથી કરીને અમારી સુવિધા પસંદગી પદ્ધતિના પ્રદર્શનને દર્શાવવામાં આવે. |
9b505dd5459fb28f0136d3c63793b600042e6a94 | અમે મલ્ટીમીડિયા કન્ટેન્ટ વિશ્લેષણ અને પુનઃપ્રાપ્તિ માટે એક નવું માળખું રજૂ કરીએ છીએ જેમાં બે સ્વતંત્ર અલ્ગોરિધમ્સનો સમાવેશ થાય છે. પ્રથમ, અમે ડેટા રેન્કિંગ માટે મજબૂત લેપ્લેસિયન મેટ્રિક્સ શીખવા માટે સ્થાનિક રીગ્રેસન અને ગ્લોબલ એલિમેન્ટ (એલઆરજીએ) સાથે રેન્કિંગ તરીકે ઓળખાતા નવા અર્ધ-સર્વેક્ષિત અલ્ગોરિધમનો પ્રસ્તાવ કરીએ છીએ. LRGA માં, દરેક ડેટા પોઇન્ટ માટે, તેના પડોશી બિંદુઓના રેન્કિંગ સ્કોર્સની આગાહી કરવા માટે સ્થાનિક રેખીય રીગ્રેસન મોડેલનો ઉપયોગ કરવામાં આવે છે. ત્યારબાદ એકીકૃત ઉદ્દેશ્ય કાર્યને વૈશ્વિક સ્તરે તમામ ડેટા પોઈન્ટમાંથી સ્થાનિક મોડેલોને સંરેખિત કરવા માટે પ્રસ્તાવિત કરવામાં આવે છે જેથી દરેક ડેટા પોઈન્ટને શ્રેષ્ઠ રેન્કિંગ સ્કોર સોંપવામાં આવે. બીજું, અમે મલ્ટીમીડિયા ડેટા રજૂઆતને સુધારવા માટે અર્ધ-સર્વેક્ષિત લાંબા ગાળાના સુસંગતતા પ્રતિસાદ (આરએફ) અલ્ગોરિધમનો પ્રસ્તાવ કરીએ છીએ. પ્રસ્તાવિત લાંબા ગાળાના આરએફ અલ્ગોરિધમનો મલ્ટીમીડિયા ફીચર સ્પેસમાં મલ્ટીમીડિયા ડેટા વિતરણ અને વપરાશકર્તાઓ દ્વારા પ્રદાન કરેલી ઇતિહાસ આરએફ માહિતી બંનેનો ઉપયોગ કરે છે. એક ટ્રેસ રેશિયો ઓપ્ટિમાઇઝેશન સમસ્યાને પછી કાર્યક્ષમ અલ્ગોરિધમનો દ્વારા ઘડવામાં આવે છે અને ઉકેલી શકાય છે. આ અલ્ગોરિધમ્સને વિવિધ સામગ્રી-આધારિત મલ્ટીમીડિયા પુનઃપ્રાપ્તિ એપ્લિકેશન્સ પર લાગુ કરવામાં આવ્યા છે, જેમાં ક્રોસ-મીડિયા પુનઃપ્રાપ્તિ, છબી પુનઃપ્રાપ્તિ અને 3 ડી મોશન / પોઝ ડેટા પુનઃપ્રાપ્તિનો સમાવેશ થાય છે. ચાર ડેટા સેટ્સ પરના વ્યાપક પ્રયોગોએ ચોકસાઈ, મજબૂતાઈ, સ્કેલેબિલિટી અને કમ્પ્યુટેશનલ કાર્યક્ષમતામાં તેના ફાયદા દર્શાવ્યા છે. |
0ef550dacb89fb655f252e5b17dbd5d643eb5ac1 | અમે બે મકાક વાંદરાઓના નીચલા વિસ્તાર 6 (વિસ્તાર એફ 5) ના રોસ્ટ્રલ ભાગમાં 532 ન્યુરોન્સમાંથી વિદ્યુત પ્રવૃત્તિ રેકોર્ડ કરી છે. અગાઉના ડેટા દર્શાવે છે કે આ વિસ્તારના ન્યુરોન્સ લક્ષ્ય-નિર્દેશિત હાથ અને મોંની હલનચલન દરમિયાન સ્રાવ કરે છે. અમે અહીં એફ5 ન્યુરોન્સ ("મિરર ન્યુરોન્સ", એન = 92) ના નવા શોધાયેલા સમૂહની મિલકતોનું વર્ણન કરીએ છીએ, જે બધા સક્રિય થયા હતા જ્યારે વાંદરાએ આપેલ ક્રિયા કરી હતી અને જ્યારે તે પ્રયોગ કરનાર દ્વારા કરવામાં આવેલી સમાન ક્રિયાનું નિરીક્ષણ કર્યું હતું. મિરર ન્યુરોન્સ, દ્રશ્ય રીતે ટ્રિગર થવા માટે, ક્રિયાના એજન્ટ અને તેના ઑબ્જેક્ટ વચ્ચેની ક્રિયાપ્રતિક્રિયાની જરૂર છે. માત્ર એજન્ટ અથવા માત્ર પદાર્થ (ત્રિ-પરિમાણીય પદાર્થો, ખોરાક) ની દૃષ્ટિ બિનઅસરકારક હતી. હાથ અને મોં અત્યાર સુધી સૌથી વધુ અસરકારક એજન્ટ હતા. મિરર ન્યુરોન્સને સક્રિય કરનારાઓમાં સૌથી વધુ રજૂ કરાયેલ ક્રિયાઓ પકડ, ચાલાકી અને મૂકવામાં આવી હતી. મોટાભાગના મિરર ન્યુરોન્સ (92%) માં તેઓ જે દ્રશ્ય ક્રિયાને પ્રતિસાદ આપે છે અને તેઓ કોડેડ મોટર પ્રતિસાદ વચ્ચે સ્પષ્ટ સંબંધ હતો. આશરે 30% મિરર ન્યુરોન્સમાં સંવાદિતા ખૂબ જ કડક હતી અને અસરકારક નિરીક્ષણ અને અમલ કરેલી ક્રિયાઓ સામાન્ય ક્રિયા (દા. ત. પકડવું) અને તે ક્રિયાને કેવી રીતે ચલાવવામાં આવી હતી (દા. ત. ચોકસાઇ પકડ). અમે દરખાસ્ત કરીને તારણ કાઢ્યું છે કે મિરર ન્યુરોન્સ મોટર ક્રિયાઓના નિરીક્ષણ અને અમલીકરણને મેચ કરવા માટે એક સિસ્ટમ બનાવે છે. અમે ક્રિયા માન્યતામાં આ સિસ્ટમની સંભવિત ભૂમિકાની ચર્ચા કરીએ છીએ અને એફ 5 અને માનવ બ્રોકાના પ્રદેશ વચ્ચેની સૂચિત સમકક્ષતાને ધ્યાનમાં રાખીને, અમે ધારીએ છીએ કે મિરર ન્યુરોન્સની જેમ જ એક મેચિંગ સિસ્ટમ મનુષ્યમાં અસ્તિત્વ ધરાવે છે અને ક્રિયાઓ તેમજ ધ્વન્યાત્મક હાવભાવની ઓળખમાં સામેલ થઈ શકે છે. |
15b2c44b3868a1055850846161aaca59083e0529 | અમે લેબલ અને લેબલ વિનાના ડેટામાંથી શીખવાની સામાન્ય સમસ્યાને ધ્યાનમાં લઈએ છીએ, જેને ઘણીવાર અર્ધ-સર્વેક્ષિત શિક્ષણ અથવા ટ્રાન્સડક્ટિવ અનુમાન કહેવામાં આવે છે. અર્ધ-સર્વેક્ષિત શિક્ષણ માટેનો એક સિદ્ધાંત અભિગમ એ વર્ગીકરણ કાર્યને ડિઝાઇન કરવાનો છે જે જાણીતા લેબલવાળા અને લેબલ વગરના બિંદુઓ દ્વારા સામૂહિક રીતે જાહેર કરેલ આંતરિક માળખાના સંદર્ભમાં પૂરતી સરળ છે. અમે આવા સરળ ઉકેલ મેળવવા માટે એક સરળ અલ્ગોરિધમનો રજૂ કરીએ છીએ. અમારી પદ્ધતિ અનેક વર્ગીકરણ સમસ્યાઓ પર પ્રયોગોના ઉત્તેજક પરિણામો આપે છે અને લેબલ વિનાના ડેટાનો અસરકારક ઉપયોગ દર્શાવે છે. |
50886d25ddd5d0d1982ed94f90caa67639fcf1a1 | |
4c2bbcb3e897e927cd390517b2036b0b9123953c | આ ઓન્ટોલોજી અવલોકન કરેલી વાસ્તવિક દુનિયાની વસ્તુઓ વચ્ચે અવકાશી-સમયના પ્રાચીન સંબંધોનો ખ્યાલ રજૂ કરે છે, આમ ફ્રેમવર્કની પુનઃઉપયોગિતામાં સુધારો કરે છે. તેની લાગુતા દર્શાવવા માટે, બીઅવેરનો એક પ્રોટોટાઇપ! માર્ગ ટ્રાફિક વ્યવસ્થાપનના ક્ષેત્રમાં અમલીકરણ કરવામાં આવ્યું છે. આ પ્રોટોટાઇપનું વિહંગાવલોકન અને ઓન્ટોલોજી આધારિત માહિતી પ્રણાલીઓના વિકાસ માટે શીખેલા પાઠ અમારા યોગદાનને પૂર્ણ કરે છે. © 2010 એલ્સેવીયર બી. વી. બધા હકો અનામત છે. 18 જુલાઈ 2010ના રોજ ઓનલાઈન ઉપલબ્ધ માહિતીનો ભાર મોટા પાયે નિયંત્રણ પ્રણાલીઓના માનવ સંચાલકો માટે ગંભીર સમસ્યા છે, જેમ કે, ઉદાહરણ તરીકે, માર્ગ ટ્રાફિક મેનેજમેન્ટના ક્ષેત્રમાં. આવી પ્રણાલીઓના સંચાલકો પરિસ્થિતિની જાગૃતિના અભાવનું જોખમ ધરાવે છે, કારણ કે હાલની પ્રણાલીઓ ગ્રાફિકલ વપરાશકર્તા ઇન્ટરફેસો પર ઉપલબ્ધ માહિતીના પ્રસ્તુતિ પર ધ્યાન કેન્દ્રિત કરે છે - આમ સમયસર અને યોગ્ય ઓળખ, ઉકેલ અને ગંભીર પરિસ્થિતિઓને અટકાવવાનું જોખમ. તાજેતરના વર્ષોમાં, પરિસ્થિતિની જાગૃતિ માટે ઓન્ટોલોજી આધારિત અભિગમો ઉભરી આવ્યા છે જેમાં અર્થશાસ્ત્રની સમૃદ્ધ જ્ઞાન મોડેલ છે. જો કે, વર્તમાન અભિગમો ક્યાં તો અત્યંત ડોમેન-વિશિષ્ટ છે અથવા, જો તેઓ ડોમેન-સ્વતંત્ર હોય તો, તેમની પુનઃઉપયોગિતા અંગેની ખામીઓ છે. આ કાગળમાં, અમે BeAware!ના વિકાસથી પ્રાપ્ત થયેલા અમારા અનુભવને રજૂ કરીએ છીએ, જે ઑન્ટોલોજી આધારિત માહિતી પ્રણાલીઓ માટેનું માળખું છે, જેનો ઉદ્દેશ ઓપરેટરની પરિસ્થિતિની જાગૃતિ વધારવાનો છે. વર્તમાન ડોમેન-સ્વતંત્ર અભિગમોથી વિપરીત, BeAware! |
abf9ee52b29f109f5dbf6423fbc0d898df802971 | |
a31e3b340f448fe0a276b659a951e39160a350dd | સામાન્ય માહિતી પ્રણાલી (આઇએસ) અને અમુક પ્રકારના માહિતી ટેકનોલોજી (આઇટી) કાર્યક્રમો સાથે વપરાશકર્તા સંતોષને આઇએસ સંશોધનમાં સંપૂર્ણ રીતે અભ્યાસ કરવામાં આવ્યો છે. જો કે, પોર્ટલ ટેકનોલોજીનો વ્યાપક અને વધતો ઉપયોગ સાથે, પોર્ટલ ઉપયોગ પર વપરાશકર્તા સંતોષ અભ્યાસ હાથ ધરવાની જરૂર છે - ખાસ કરીને, બિઝનેસ-ટુ-એમ્પ્લોય (બી 2 ઇ) પોર્ટલ. આ કાગળમાં, અમે b2e પોર્ટલ વપરાશકર્તા સંતોષ નક્કી કરવા માટે એક વિભાવનાત્મક મોડેલ પ્રસ્તાવિત કરીએ છીએ, જે વપરાશકર્તા સંતોષ સ્કેલ અને b2e પોર્ટલની વ્યાપક સાહિત્ય સમીક્ષામાંથી ઉતરી આવ્યું છે. b2e પોર્ટલ વપરાશકર્તા સંતોષના નવ પરિમાણોની ઓળખ અને મોડેલિંગ કરવામાં આવે છેઃ માહિતી સામગ્રી, ઉપયોગમાં સરળતા, ઍક્સેસની સુવિધા, સમયસરતા, કાર્યક્ષમતા, સુરક્ષા, ગુપ્તતા, સંચાર અને લેઆઉટ. |
0848827ba30956e29d7d126d0a05e51660094ebe | ઇન્ટરનેટ ઑફ થિંગ્સ (આઇઓટી) એ સ્વચાલિત પ્રણાલીઓના સંચાલન અને નિયંત્રણમાં ક્રાંતિ લાવી રહી છે, જેના કારણે સ્માર્ટ હોમ, સ્માર્ટ સિટી, હેલ્થકેર, ટ્રાન્સપોર્ટેશન વગેરે જેવા ક્ષેત્રોમાં એક નમૂનારૂપ પરિવર્તન આવી રહ્યું છે. યુદ્ધના મેદાનમાં સૈન્ય કામગીરીની અસરકારકતામાં સુધારો કરવામાં IoT ટેકનોલોજીની પણ મહત્વની ભૂમિકા રહેવાની ધારણા છે. સંકલિત સ્વચાલિત નિર્ણયો માટે લડાઇ સાધનો અને અન્ય યુદ્ધભૂમિ સંસાધનોના આંતર જોડાણને યુદ્ધભૂમિ વસ્તુઓ (આઇઓબીટી) ના ઇન્ટરનેટ તરીકે ઓળખવામાં આવે છે. આઇઓબીટી નેટવર્ક પરંપરાગત આઇઓટી નેટવર્કથી નોંધપાત્ર રીતે અલગ છે કારણ કે યુદ્ધના ક્ષેત્રના વિશિષ્ટ પડકારો જેમ કે સંચાર માળખાની ગેરહાજરી અને સાયબર અને ભૌતિક હુમલાઓ માટે ઉપકરણોની સંવેદનશીલતા. યુદ્ધના દૃશ્યોમાં લડાઇની કાર્યક્ષમતા અને સંકલિત નિર્ણય લેવાની પ્રક્રિયા વાસ્તવિક સમયના ડેટા સંગ્રહ પર ખૂબ જ નિર્ભર છે, જે બદલામાં નેટવર્કની કનેક્ટિવિટી અને વિરોધીઓની હાજરીમાં માહિતીના પ્રસાર પર આધાર રાખે છે. આ કાર્યનો ઉદ્દેશ સુરક્ષિત અને પુનઃરૂપરેખાંકિત આઇઓબીટી નેટવર્ક્સની રચનાના સૈદ્ધાંતિક પાયાનું નિર્માણ કરવાનો છે. સ્ટોકાસ્ટિક ભૂમિતિ અને ગાણિતિક રોગચાળાના સિદ્ધાંતોનો લાભ લઈને, અમે વિવિધ પ્રકારના નેટવર્ક ઉપકરણો વચ્ચે મિશન-ક્રિટિકલ ડેટાના સંચારનો અભ્યાસ કરવા માટે એક સંકલિત માળખું વિકસાવીએ છીએ અને પરિણામે ખર્ચ અસરકારક રીતે નેટવર્કની રચના કરીએ છીએ. |
32e876a9420f7c58a3c55ec703416c7f57a54f4c | સંભવતઃ ગ્રાફિકલ મોડલ્સ, માન્યતા નેટવર્ક્સ, કારણસર પ્રભાવ અને સંભવતઃ અનુમાનના સતત વધતા ક્ષેત્રોમાં મોટાભાગના સંશોધકો માટે, એસીએમ ટ્યુરિંગ પુરસ્કાર વિજેતા ડૉ. પર્લ અને તેના સેમિનાર પેપર્સ પરના કારણોસર જાણીતા અને માન્ય છે. કારણ અને પરિણામનું પ્રતિનિધિત્વ અને નિર્ધારણ, એક ઘટના (કારણ) અને બીજી ઘટના (અસર) વચ્ચેનો સંબંધ, જ્યાં બીજી ઘટનાને પ્રથમના પરિણામ તરીકે સમજવામાં આવે છે, તે એક પડકારરૂપ સમસ્યા છે. વર્ષોથી, ડૉ. પર્લએ કારણ અને અસરની કલા અને વિજ્ઞાન બંને પર નોંધપાત્ર રીતે લખ્યું છે. "કારણઃ મોડલ્સ, રીઝનીંગ એન્ડ ઇનફરન્સ" પરના આ પુસ્તકમાં, બેયસિયન માન્યતા નેટવર્ક્સના શોધક તેના અગાઉના કામ પર ચર્ચા કરે છે અને વિસ્તૃત કરે છે, જેમાં કારણ અને અસર સાથેના તર્ક, આંકડામાં કારણભૂત અનુમાન, સિમ્પસનની વિરોધાભાસ, પ્રયોગમૂલક સંશોધન માટે કારણભૂત ડાયાગ્રામ, કારણભૂત દાવાઓની મજબૂતાઈ, કારણો અને સમજૂતીઓ અને કારણભૂતતાની સંભાવનાઓ અને ઓળખ. |
a04145f1ca06c61f5985ab22a2346b788f343392 | છેલ્લા દોઢ દાયકામાં માહિતી પ્રણાલીની સફળતામાં યોગદાન આપનારા પરિબળોને ઓળખવાનો પ્રયાસ કરતા ઘણા બધા અભ્યાસો હાથ ધરવામાં આવ્યા છે. જો કે, આ અભ્યાસોમાં I/S સફળતાના આધારે નિર્ભર ચલ વ્યાખ્યાયિત કરવા મુશ્કેલ છે. જુદા જુદા સંશોધકોએ સફળતાના જુદા જુદા પાસાઓને સંબોધિત કર્યા છે, જે સરખામણીઓ મુશ્કેલ બનાવે છે અને આઇ / એસ સંશોધન માટે સંચિત પરંપરા બનાવવાની સંભાવના સમાન રીતે છૂટીછવાઇ છે. આ વિવિધ સંશોધનને ગોઠવવા માટે, તેમજ આઇ / એસ સફળતાની વિભાવનાના વધુ સંકલિત દૃશ્યને રજૂ કરવા માટે, એક વ્યાપક વર્ગીકરણ રજૂ કરવામાં આવ્યું છે. આ વર્ગીકરણ I/S સફળતાના છ મુખ્ય પરિમાણો અથવા કેટેગરીઝ-સિસ્ટમ ઓવલિટી, ઇન્ફોર્મેશન ક્વોલિટી, યુઝ, યુઝર સંતોષ, વ્યક્તિગત અસર અને સંગઠનાત્મક અસર ધરાવે છે. આ પરિમાણોનો ઉપયોગ કરીને, બંને વિભાવનાત્મક અને પ્રયોગમૂલક અભ્યાસોની સમીક્ષા કરવામાં આવે છે (કુલ 180 લેખો ટાંકવામાં આવે છે) અને વર્ગીકરણના પરિમાણો અનુસાર ગોઠવવામાં આવે છે. છેલ્લે, I/S સફળતાના ઘણા પાસાઓને એક વર્ણનાત્મક મોડેલમાં એકસાથે ખેંચવામાં આવે છે અને ભવિષ્યના I/S સંશોધન માટે તેના સૂચનોની ચર્ચા કરવામાં આવે છે. |
a99f1f749481e44abab0ba9a8b7c1d3572a2e465 | |
5c8bb027eb65b6d250a22e9b6db22853a552ac81 | |
3913d2e0a51657a5fe11305b1bcc8bf3624471c0 | પ્રતિનિધિત્વ શીખવી એ કુદરતી ભાષા પ્રક્રિયામાં મૂળભૂત સમસ્યા છે. આ કાગળમાં ટેક્સ્ટ વર્ગીકરણ માટે માળખાગત પ્રતિનિધિત્વ કેવી રીતે શીખવું તે અભ્યાસ કરે છે. મોટાભાગના હાલના પ્રતિનિધિત્વ મોડેલોથી વિપરીત જે ક્યાં તો કોઈ માળખુંનો ઉપયોગ કરતા નથી અથવા પૂર્વ નિર્ધારિત માળખા પર આધાર રાખે છે, અમે ઓપ્ટિમાઇઝ્ડ માળખાને આપમેળે શોધીને સજા પ્રતિનિધિત્વ શીખવા માટે રિઇનફોર્સમેન્ટ લર્નિંગ (આરએલ) પદ્ધતિનો પ્રસ્તાવ આપીએ છીએ. અમે માળખાગત પ્રતિનિધિત્વ બનાવવાના બે પ્રયાસો પ્રદર્શિત કરીએ છીએ: માહિતી ડિસ્ટિલેટેડ એલએસટીએમ (આઇડી-એલએસટીએમ) અને હાયરાર્કીકલી સ્ટ્રક્ચર્ડ એલએસટીએમ (એચએસ-એલએસટીએમ). ID-LSTM માત્ર મહત્વપૂર્ણ, કાર્ય-સંબંધિત શબ્દો પસંદ કરે છે, અને HS-LSTM વાક્યમાં શબ્દસમૂહની રચના શોધે છે. બે પ્રતિનિધિત્વ મોડેલોમાં માળખું શોધ એક ક્રમિક નિર્ણય સમસ્યા તરીકે ઘડવામાં આવે છેઃ માળખું શોધના વર્તમાન નિર્ણય નીચેના નિર્ણયોને અસર કરે છે, જેને નીતિ ઢાળ આરએલ દ્વારા સંબોધવામાં આવી શકે છે. પરિણામો દર્શાવે છે કે અમારી પદ્ધતિ સ્પષ્ટ માળખાકીય એનોટેશન્સ વિના મહત્વપૂર્ણ શબ્દો અથવા કાર્ય-સંબંધિત માળખાને ઓળખીને કાર્ય-મૈત્રીપૂર્ણ રજૂઆતો શીખી શકે છે, અને આમ સ્પર્ધાત્મક કામગીરી આપે છે. |
599ebeef9c9d92224bc5969f3e8e8c45bff3b072 | વર્લ્ડ વાઇડ વેબની વિસ્ફોટક વૃદ્ધિ અને ઈ-કોમર્સના ઉદભવથી ભલામણ કરનાર સિસ્ટમોના વિકાસ તરફ દોરી ગયું છે - એક વ્યક્તિગત માહિતી ફિલ્ટરિંગ તકનીકનો ઉપયોગ ચોક્કસ વપરાશકર્તાને રસ ધરાવતી વસ્તુઓનો સમૂહ ઓળખવા માટે થાય છે. વપરાશકર્તા આધારિત સહયોગી ફિલ્ટરિંગ એ અત્યાર સુધીની ભલામણ કરનાર સિસ્ટમો બનાવવા માટે સૌથી સફળ તકનીક છે અને તેનો ઉપયોગ ઘણા વ્યાપારી ભલામણ કરનાર સિસ્ટમોમાં વ્યાપકપણે થાય છે. કમનસીબે, આ પદ્ધતિઓની કમ્પ્યુટેશનલ જટિલતા ગ્રાહકોની સંખ્યા સાથે રેખીય રીતે વધે છે, જે લાક્ષણિક વ્યાપારી એપ્લિકેશન્સમાં કેટલાક મિલિયન હોઈ શકે છે. આ સ્કેલેબિલિટીની ચિંતાઓને સંબોધવા માટે મોડેલ આધારિત ભલામણ તકનીકો વિકસાવવામાં આવી છે. આ તકનીકો વપરાશકર્તા-વસ્તુ મેટ્રિક્સનું વિશ્લેષણ કરે છે જેથી વિવિધ વસ્તુઓ વચ્ચેના સંબંધો શોધી શકાય અને આ સંબંધોને ભલામણોની સૂચિની ગણતરી કરવા માટે વાપરી શકાય. આ લેખમાં, અમે એક મોડેલ-આધારિત ભલામણ અલ્ગોરિધમ્સનો એક વર્ગ રજૂ કરીએ છીએ જે પ્રથમ વિવિધ વસ્તુઓ વચ્ચે સમાનતા નક્કી કરે છે અને પછી ભલામણ કરવા માટે વસ્તુઓનો સમૂહ ઓળખવા માટે તેનો ઉપયોગ કરે છે. આ વર્ગના અલ્ગોરિધમ્સમાં મુખ્ય પગલાં (i) આઇટમ્સ વચ્ચેની સમાનતાની ગણતરી કરવા માટે વપરાતી પદ્ધતિ છે, અને (ii) આઇટમ્સની ટોપલી અને ઉમેદવાર ભલામણકર્તા આઇટમ વચ્ચેની સમાનતાની ગણતરી કરવા માટે આ સમાનતાઓને ભેગા કરવા માટે વપરાતી પદ્ધતિ છે. આઠ વાસ્તવિક ડેટાસેટ્સ પર અમારા પ્રાયોગિક મૂલ્યાંકન બતાવે છે કે આ આઇટમ-આધારિત અલ્ગોરિધમ્સ પરંપરાગત વપરાશકર્તા-પડોશી આધારિત ભલામણ કરનાર સિસ્ટમ્સ કરતા બે ઓર્ડર જેટલી ઝડપી છે અને તુલનાત્મક અથવા વધુ સારી ગુણવત્તાની ભલામણો પ્રદાન કરે છે. |
01a8909330cb5d4cc37ef50d03467b1974d6c9cf | આ ઝાંખી સ્વાયત્ત બહુ-આંગળીવાળા રોબોટિક હાથ સાથે 3D ઑબ્જેક્ટ પકડ પેદા કરવા માટે કમ્પ્યુટેશનલ અલ્ગોરિધમ્સ રજૂ કરે છે. રોબોટિક પકડ દાયકાઓથી સક્રિય સંશોધનનો વિષય છે, અને પકડ સંશ્લેષણ અલ્ગોરિધમ્સ પર ખૂબ જ પ્રયત્નો કરવામાં આવ્યા છે. હાલના કાગળો પકડવાની મિકેનિક્સ અને આંગળી-ઑબ્જેક્ટ સંપર્ક ક્રિયાપ્રતિક્રિયાઓ [7] અથવા રોબોટ હાથ ડિઝાઇન અને તેમના નિયંત્રણ [1] ની સમીક્ષા પર ધ્યાન કેન્દ્રિત કરે છે. રોબોટ પકડ સિન્થેસિસ અલ્ગોરિધમ્સની સમીક્ષા કરવામાં આવી છે [63], પરંતુ ત્યારથી પકડવાની સમસ્યાને શીખવાની તકનીકો લાગુ કરવા તરફ મહત્વપૂર્ણ પ્રગતિ કરવામાં આવી છે. આ ઝાંખી વિશ્લેષણાત્મક તેમજ પ્રયોગમૂલક સમજ સંશ્લેષણ અભિગમો પર ધ્યાન કેન્દ્રિત કરે છે. |
4e03cadf3095f8779eaf878f0594e56ad88788e2 | |
a63c3f53584fd50e27ac0f2dcbe28c7361b5adff | સિલિકોન આરએફ, માઇક્રોવેવ અને મિલિમીટર-વેવ એપ્લિકેશન્સ માટે શક્યતાઓ અને પડકારોનો નવો સમૂહ પ્રદાન કરે છે. જ્યારે SiGe હેટરોજંકશન બાયપોલર ટ્રાન્ઝિસ્ટરનો ઉચ્ચ કટઓફ ફ્રીક્વન્સીઝ અને MOSFETsના સતત સંકોચાતા લક્ષણ કદમાં ઘણું વચન છે, આ તકનીકોની વાસ્તવિકતાઓને ધ્યાનમાં લેવા માટે નવી ડિઝાઇન તકનીકોની શોધ કરવાની જરૂર છે, જેમ કે નીચા બ્રેકડાઉન વોલ્ટેજ, લોસી સબસ્ટ્રેટ્સ, નીચા-ક્યુ પેસિવ્સ, લાંબા ઇન્ટરકનેક્ટ પરોપજીવી અને ઉચ્ચ-આવર્તન કપ્લિંગ મુદ્દાઓ. સિલિકોનમાં સંપૂર્ણ સિસ્ટમ એકીકરણના ઉદાહરણ તરીકે, આ કાગળ 0.18- / સ્પિલ મ્યુ / એમ સિલિકોન-જર્મનિયમમાં પ્રથમ સંપૂર્ણ સંકલિત 24-જીએચઝેડ આઠ-એલિમેન્ટ તબક્કાવાર એરે રીસીવર અને 0.18- / સ્પિલ મ્યુ / એમ સીએમઓએસમાં સંકલિત પાવર એમ્પ્લીફાયર્સ સાથે પ્રથમ સંપૂર્ણ સંકલિત 24-જીએચઝેડ ચાર-એલિમેન્ટ તબક્કાવાર એરે ટ્રાન્સમીટર રજૂ કરે છે. ટ્રાન્સમીટર અને રીસીવર બીમ રચના કરવા માટે સક્ષમ છે અને તેનો ઉપયોગ સંચાર, અંતર, સ્થિતિ અને સેન્સિંગ એપ્લિકેશન્સ માટે થઈ શકે છે. |
64da24aad2e99514ab26d093c19cebec07350099 | વૈશ્વિક ઇન્ટરનેટ નેટવર્ક, ઊંડા અવકાશ સંશોધન અને એરોસ્પેસ સંશોધન પ્રયાસો માટે વૈકલ્પિક ઉકેલો તરીકે ક્યુબસેટ પ્લેટફોર્મ્સ વ્યાપારી સાહસોમાં વધુને વધુ લોકપ્રિય બની રહ્યા છે. ઘણી ટેકનોલોજી કંપનીઓ અને સિસ્ટમ એન્જિનિયરો વૈશ્વિક લો અર્થ ઓર્બિટ (LEO) આંતર-સૈટેલાઈટ નક્ષત્રના ભાગરૂપે નાના ઉપગ્રહ પ્રણાલીઓ અમલમાં મૂકવાની યોજના ધરાવે છે. આ પ્રયાસોને આગળ વધારવા માટે ઉચ્ચ પ્રદર્શન ધરાવતા ઓછા ખર્ચે હાર્ડવેરનું મહત્ત્વ છે. આ કાગળમાં Ka-Band Integrated Transmitter Assembly (ITA) મોડ્યુલની હેટરોડિન આર્કિટેક્ચર અને પર્ફોર્મન્સ રજૂ કરવામાં આવ્યું છે, જેને નેનો/માઇક્રોસેટેલાઇટ અથવા અન્ય સેટેલાઇટ સિસ્ટમ્સમાં હાઇ ડેટા રેટ સ્પેસ કમ્યુનિકેશન સિસ્ટમ્સ માટે ઓછા ખર્ચે સોલ્યુશન તરીકે અમલમાં મૂકી શકાય છે. મોડ્યુલ 0.9 થી 1.1 ગીગાહર્ટ્ઝના આઇએફ ઇનપુટ સિગ્નલને રૂપાંતરિત કરે છે, જે 26.7 થી 26.9 ગીગાહર્ટ્ઝ ફ્રીક્વન્સી રેન્જમાં +29 ડીબીએમનું રેખીય પ્રસારણ આપે છે, જેમાં બિલ્ટ-ઇન ફેઝ લૉક ઓસિલેટર, ઇન્ટિગ્રેટેડ ટ્રાન્સમીટર, પોલરાઇઝર અને લેન્સ કરેક્ટેડ એન્ટેના છે. |
0b44fcbeea9415d400c5f5789d6b892b6f98daff | આ કાગળમાં, અમે આવા મોટા એનોટેડ કોરપસનું નિર્માણ કરવાના અમારા અનુભવની સમીક્ષા કરીએ છીએ - પેન ટ્રીબેંક, અમેરિકન અંગ્રેજીના 4.5 મિલિયનથી વધુ શબ્દોનો સમાવેશ કરનાર એક કોરપસ. પેન ટ્રીબેંક પ્રોજેક્ટ (1989-1992) ના પ્રથમ ત્રણ વર્ષના તબક્કા દરમિયાન, આ કોરપસને ભાગ-ઓફ-સ્પીચ (પીઓએસ) માહિતી માટે એનોટેટેડ કરવામાં આવી છે. વધુમાં, અડધાથી વધુને હાડપિંજર વાક્યરચના માળખું માટે નોંધવામાં આવ્યું છે. ટિપ્પણીઓ યુનિવર્સિટી ઓફ પેન્સિલવેનિયા ડિપાર્ટમેન્ટ ઓફ કોમ્પ્યુટર એન્ડ ઇન્ફોર્મેશન સાયન્સ ટેકનિકલ રિપોર્ટ નં. એમએસસીઆઈએસ -93-87 આ તકનીકી અહેવાલ સ્કોલરલી કોમન્સ પર ઉપલબ્ધ છેઃ http://repository.upenn.edu/cis_reports/237 ઇંગ્લીશના મોટા એનોટેટેડ કોર્પસનું નિર્માણઃ પેન ટ્રીબેંક એમએસ-સીએસ- 93-87 LINC LAB 260 મિશેલ પી. માર્કસ બીટ્રેસિસ સાન્તોરિનિ મેરી એન માર્સીન્કીવિચ યુનિવર્સિટી ઓફ પેન્સિલવેનિયા સ્કૂલ ઓફ એન્જિનિયરિંગ એન્ડ એપ્લાઇડ સાયન્સ કમ્પ્યુટર અને ઇન્ફોર્મેશન સાયન્સ ડિપાર્ટમેન્ટ ફિલાડેલ્ફિયા, પીએ 19104-6389 |
7c70c29644ff1d6dd75a8a4dd0556fb8cb13549b | અમે માઇક્રોવેવ એપ્લિકેશન્સ માટે સિસ્ટમ-ઓન-પેકેજ સહિત અનુકૂળ અને નરમ સબસ્ટ્રેટ્સ બનાવવાની એક નવલકથા તકનીક રજૂ કરીએ છીએ. ઉત્પાદિત સામગ્રીને પોલિમર સાથે સિરામિક પાવડરનું મિશ્રણ કરીને ઉચ્ચ-વિરોધાભાસી સબસ્ટ્રેટ પેદા કરવા માટે બનાવવામાં આવે છે જે એક સાથે નરમ (વક્ર) છે. આવા કેટલાક પોલિમર-સેરામિક સબસ્ટ્રેટ્સનું નિર્માણ કરવામાં આવે છે અને પેચ એન્ટેના અને કપ્લડ લાઇન ફિલ્ટરના પ્રદર્શનની તપાસ કરવા માટે વપરાય છે. આ કાગળમાં સબસ્ટ્રેટ મિશ્રણ પદ્ધતિ રજૂ કરવામાં આવી છે જ્યારે સબસ્ટ્રેટ્સના નુકશાન પ્રદર્શનનું મૂલ્યાંકન કરવા માટે માપ આપવામાં આવે છે. એકંદરે, ફેબ્રિકેટેડ કમ્પોઝિટ્સ 20 સુધીની પરવાનગી આપે છે અને પૂરતા પ્રમાણમાં નીચા નુકશાન સાથે લવચીક સબસ્ટ્રેટ્સ તરફ દોરી જાય છે. |
85947d646623ef7ed96dfa8b0eb705d53ccb4efe | નેટવર્ક ફોરેન્સિક્સ એ વિજ્ઞાન છે જે ઘૂસણખોરીને શોધવા અને તેની તપાસ કરવા માટે નેટવર્ક ટ્રાફિકને કેપ્ચર, રેકોર્ડિંગ અને વિશ્લેષણ સાથે સંબંધિત છે. આ કાગળમાં અત્યાર સુધી પ્રસ્તાવિત વિવિધ નેટવર્ક ફોરેન્સિક માળખાઓનો સંપૂર્ણ સર્વેક્ષણ કરવામાં આવ્યો છે. નેટવર્ક ફોરેન્સિક્સ માટે એક સામાન્ય પ્રક્રિયા મોડેલ પ્રસ્તાવિત કરવામાં આવ્યું છે જે ડિજિટલ ફોરેન્સિક્સના વિવિધ હાલના મોડેલો પર બાંધવામાં આવ્યું છે. નેટવર્ક ફોરેન્સિક્સ માટે વ્યાખ્યા, વર્ગીકરણ અને પ્રેરણા સ્પષ્ટ રીતે જણાવવામાં આવે છે. ફોરેન્સિક પરીક્ષકો માટે ઉપલબ્ધ વિવિધ નેટવર્ક ફોરેન્સિક વિશ્લેષણ સાધનો (એનએફએટી) અને નેટવર્ક સુરક્ષા મોનિટરિંગ ટૂલ્સની કાર્યક્ષમતાની ચર્ચા કરવામાં આવી છે. અમલીકરણ માળખા, પ્રક્રિયા મોડેલો અને વિશ્લેષણ સાધનોમાં અસ્તિત્વમાં રહેલા વિશિષ્ટ સંશોધન અંતરને ઓળખવામાં આવે છે અને મુખ્ય પડકારો પર પ્રકાશ પાડવામાં આવે છે. આ કાર્યનું મહત્વ એ છે કે તે નેટવર્ક ફોરેન્સિક્સ પર ટૂલ્સ, પ્રોસેસ મોડલ્સ અને ફ્રેમવર્ક અમલીકરણને આવરી લે છે, જે આ આગામી અને યુવાન શિસ્તની શોધમાં સુરક્ષા પ્રેક્ટિશનરો અને સંશોધકો માટે ખૂબ ઉપયોગી થશે. એ 2010 એલ્સેવીયર લિમિટેડ. બધા અધિકારો અનામત છે. |
7d98dce77cce2d0963a3b6566f5c733ad4343ce4 | આ અભ્યાસ ડેવિસના (1989) TAM મોડેલ અને સ્ટ્રોબના (1994) SPIR એડન્ડમને વિસ્તૃત કરે છે, જેમાં આઇટી પ્રસાર મોડેલમાં લિંગ ઉમેરવામાં આવે છે. ટેકનોલોજી સ્વીકૃતિ મોડલ (ટીએએમ) નો વ્યાપકપણે આઇએસ સંશોધનમાં આઇએસ-પ્રકાર અને રાષ્ટ્રીયતામાં માહિતી પ્રણાલીઓના ઉપયોગના સમજૂતી તરીકે અભ્યાસ કરવામાં આવ્યો છે. જ્યારે આ સંશોધન રેખાએ નોંધપાત્ર આંતર-સાંસ્કૃતિક તફાવતો શોધી કાઢ્યા છે, ત્યારે તે લિંગની અસરોને અવગણ્યા છે, તેમ છતાં સામાજિક-ભાષીય સંશોધનમાં, લિંગ સંસ્કૃતિનો મૂળભૂત પાસું છે. ખરેખર, સમાજશાસ્ત્રીય સંશોધન દર્શાવે છે કે પુરુષો વંશવેલો અને સ્વતંત્રતા પર પ્રવચન પર ધ્યાન કેન્દ્રિત કરે છે જ્યારે સ્ત્રીઓ ઘનિષ્ઠતા અને એકતા પર ધ્યાન કેન્દ્રિત કરે છે. આ સાહિત્ય આઇટી પ્રસાર સંશોધન અને ટેકનોલોજી સ્વીકૃતિ મોડેલ માટે વિભાવનાત્મક વિસ્તરણ માટે એક મજબૂત આધાર પૂરો પાડે છે. આ અભ્યાસમાં, માન્યતાઓ અને કોમ્પ્યુટર આધારિત મીડિયાના ઉપયોગ સાથે સંબંધિત લિંગ તફાવતોનું પરીક્ષણ કરવામાં આવ્યું હતું, જેમાં ક્રોસ-સેક્શનલ સર્વેક્ષણ સાધન દ્વારા 392 સ્ત્રી અને પુરુષ પ્રતિસાદોનો નમૂનો લેવામાં આવ્યો હતો. આ નમૂના ઉત્તર અમેરિકા, એશિયા અને યુરોપમાં એરલાઇન ઉદ્યોગમાં ઈ-મેલ સિસ્ટમોનો ઉપયોગ કરતા જ્ઞાન કાર્યકર્તાઓના તુલનાત્મક જૂથોમાંથી લેવામાં આવ્યો હતો. અભ્યાસના તારણો દર્શાવે છે કે સ્ત્રીઓ અને પુરુષો તેમની દ્રષ્ટિમાં અલગ છે પરંતુ ઇ-મેઇલના ઉપયોગમાં નહીં. આ તારણો સૂચવે છે કે સંશોધકોએ અન્ય સાંસ્કૃતિક અસરો સાથે આઇટી પ્રસારના મોડેલોમાં લિંગનો સમાવેશ કરવો જોઈએ. મેનેજરો અને સહકાર્યકરોએ એ સમજવાની જરૂર છે કે સંચારની એક જ પદ્ધતિને જાતિઓ દ્વારા અલગ રીતે જોવામાં આવે છે, જે સૂચવે છે કે વધુ અનુકૂળ સંચાર વાતાવરણ બનાવવામાં આવી શકે છે, જે વાતાવરણમાં માત્ર સંસ્થાકીય સંદર્ભ પરિબળો જ નહીં, પણ વપરાશકર્તાઓની જાતિ પણ ધ્યાનમાં લે છે. આ વાતાવરણની રચનામાં સંચાર માધ્યમોના વાસ્તવિક જમાવટનો સમાવેશ થતો નથી, પણ સંચાર માધ્યમો પર સંસ્થાકીય તાલીમ પણ છે. |
2599131a4bc2fa957338732a37c744cfe3e17b24 | એક તાલીમ અલ્ગોરિધમનો જે તાલીમ પેટર્ન અને નિર્ણય સીમા વચ્ચેના માર્જિનને મહત્તમ કરે છે તે પ્રસ્તુત છે. આ ટેકનીક વિવિધ પ્રકારના વર્ગીકરણ કાર્યો માટે લાગુ પડે છે, જેમાં પર્સેપ્ટ્રોન, બહુવચન અને રેડિયલ બેઝ ફંક્શન્સનો સમાવેશ થાય છે. સમસ્યાની જટિલતાને અનુરૂપ પરિમાણોની અસરકારક સંખ્યાને આપમેળે ગોઠવવામાં આવે છે. ઉકેલ આધારભૂત પેટર્ન એક રેખીય મિશ્રણ તરીકે વ્યક્ત કરવામાં આવે છે. આ તાલીમ પેટર્નનો સબસેટ છે જે નિર્ણયની સીમાની નજીક છે. એક-છોડો-આઉટ પદ્ધતિ અને વીસી-પરિમાણ પર આધારિત સામાન્યીકરણ પ્રદર્શન પરની મર્યાદાઓ આપવામાં આવી છે. ઓપ્ટિકલ કેરેક્ટર રેકગ્નિશન સમસ્યાઓના પ્રાયોગિક પરિણામો અન્ય લર્નિંગ અલ્ગોરિધમ્સની સરખામણીમાં મેળવેલા સારા સામાન્યીકરણને દર્શાવે છે. |
68c29b7bf1811f941040bba6c611753b8d756310 | આધુનિક ઓટોમોબાઈલ નેટવર્ક કોમ્પ્યુટરો દ્વારા નિયંત્રિત થાય છે. આ નેટવર્ક્સની સુરક્ષા ઐતિહાસિક રીતે થોડી ચિંતા હતી, પરંતુ તાજેતરના વર્ષોમાં સંશોધકોએ હુમલા માટે તેમની ઘણી નબળાઈઓ દર્શાવ્યા છે. આ હુમલાઓ સામે સંરક્ષણના ભાગરૂપે, અમે ઓટોમોટિવ કંટ્રોલર એરિયા નેટવર્ક (સીએન) બસ માટે એક અસાધારણ ડિટેક્ટરનું મૂલ્યાંકન કરીએ છીએ. મોટાભાગના હુમલાઓ નેટવર્કમાં વધારાના પેકેટો દાખલ કરવા પર આધારિત છે. પરંતુ મોટાભાગના સામાન્ય પેકેટો એક સખત આવર્તન પર આવે છે. આ એક અસાધારણતા ડિટેક્ટરને પ્રેરિત કરે છે જે વર્તમાન અને ઐતિહાસિક પેકેટ સમયની તુલના કરે છે. અમે એક અલ્ગોરિધમનો રજૂ કરીએ છીએ જે સ્લાઇડિંગ વિંડો પર ઇન્ટર-પેકેટ સમયને માપે છે. અસાધારણતા સિગ્નલ મેળવવા માટે સરેરાશ સમયની સરખામણી ઐતિહાસિક સરેરાશ સાથે કરવામાં આવે છે. અમે આ અભિગમનું મૂલ્યાંકન કરીએ છીએ અને તેની અસરકારકતાની મર્યાદાઓ દર્શાવીએ છીએ. અમે એ પણ બતાવીએ છીએ કે પેકેટોના ડેટા કન્ટેન્ટનું સમાન માપ અસાધારણતાઓને ઓળખવા માટે અસરકારક નથી. છેલ્લે અમે બતાવીએ છીએ કે કેવી રીતે એક-વર્ગના સપોર્ટ વેક્ટર મશીન એ જ માહિતીનો ઉપયોગ ઉચ્ચ વિશ્વાસ સાથે અસાધારણતા શોધવા માટે કરી શકે છે. |
c43d8a3d36973e3b830684e80a035bbb6856bcf7 | કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક (સીએનએન) ની ઊંડાઈ છબી સુપર-રીઝોલ્યુશન (એસઆર) માટે ખૂબ જ મહત્વપૂર્ણ છે. જો કે, અમે નિરીક્ષણ કરીએ છીએ કે છબી એસઆર માટે ઊંડા નેટવર્ક્સને તાલીમ આપવી વધુ મુશ્કેલ છે. નીચા રીઝોલ્યુશન ઇનપુટ્સ અને સુવિધાઓમાં પુષ્કળ ઓછી આવર્તન માહિતી હોય છે, જે ચેનલોમાં સમાન રીતે ગણવામાં આવે છે, તેથી સીએનએનની પ્રતિનિધિત્વ ક્ષમતાને અવરોધે છે. આ સમસ્યાઓને ઉકેલવા માટે, અમે ખૂબ ઊંડા શેષ ચેનલ ધ્યાન નેટવર્ક્સ (આરસીએએન) પ્રસ્તાવિત કરીએ છીએ. ખાસ કરીને, અમે ખૂબ જ ઊંડા નેટવર્ક બનાવવા માટે રેઝિડિયલ ઇન રેઝિડિયલ (આરઆઈઆર) માળખું પ્રસ્તાવિત કરીએ છીએ, જેમાં લાંબા સ્કીપ કનેક્શન્સ સાથે કેટલાક રેઝિડિયલ જૂથોનો સમાવેશ થાય છે. દરેક શેષ જૂથમાં ટૂંકા સ્કીપ જોડાણો સાથે કેટલાક શેષ બ્લોક્સ છે. આ દરમિયાન, આરઆઈઆર બહુવિધ સ્કીપ કનેક્શન્સ દ્વારા વિપુલ પ્રમાણમાં નીચી આવર્તન માહિતીને બાયપાસ કરવાની મંજૂરી આપે છે, જે મુખ્ય નેટવર્કને ઉચ્ચ આવર્તન માહિતી શીખવા પર ધ્યાન કેન્દ્રિત કરે છે. વધુમાં, અમે ચેનલો વચ્ચેના આંતર-સંબંધોને ધ્યાનમાં રાખીને ચેનલ-વૈજ્ઞાનિક સુવિધાઓને અનુકૂલનશીલ રીતે ફરીથી માપવા માટે ચેનલ ધ્યાન પદ્ધતિનો પ્રસ્તાવ કરીએ છીએ. વ્યાપક પ્રયોગો દર્શાવે છે કે અમારી આરસીએનએન રાજ્ય-ઓફ-ધ-આર્ટ પદ્ધતિઓ સામે વધુ ચોકસાઈ અને દ્રશ્ય સુધારાઓ પ્રાપ્ત કરે છે. |
77768638f4f400272b6e5970596b127663471538 | સંશોધન પુરાવાઓને સંશ્લેષણ કરવા માટે સ્કોપિંગ સમીક્ષા વધુને વધુ લોકપ્રિય અભિગમ બની છે. આ એક પ્રમાણમાં નવો અભિગમ છે જેના માટે કોઈ સાર્વત્રિક અભ્યાસ વ્યાખ્યા અથવા અંતિમ પ્રક્રિયા સ્થાપિત કરવામાં આવી નથી. આ સ્કોપિંગ સમીક્ષાનો હેતુ સાહિત્યમાં સ્કોપિંગ સમીક્ષાઓની ઝાંખી આપવાનો હતો. આર્કસી અને ઓ માલી ફ્રેમવર્કનો ઉપયોગ કરીને એક સ્કોપિંગ સમીક્ષા હાથ ધરવામાં આવી હતી. ચાર ગ્રંથસૂચિ ડેટાબેઝ અને ગ્રે સાહિત્યમાં શોધ કરવામાં આવી હતી, જેથી સ્કોપિંગ સમીક્ષા અભ્યાસોની ઓળખ કરી શકાય. સમીક્ષા પસંદગી અને લાક્ષણિકતા બે સ્વતંત્ર સમીક્ષકો દ્વારા પૂર્વ-પરીક્ષણ કરેલા સ્વરૂપોનો ઉપયોગ કરીને કરવામાં આવી હતી. પરિણામો શોધમાં 1999થી ઓક્ટોબર 2012 સુધી પ્રકાશિત 344 સ્કોપિંગ સમીક્ષાઓ મળી. સમીક્ષાઓ હેતુ, પદ્ધતિ અને રિપોર્ટિંગની વિગતવારતાની દ્રષ્ટિએ અલગ અલગ હતી. લગભગ ત્રણ-ચતુર્થાંશ સમીક્ષાઓ (74.1%) આરોગ્ય વિષયને સંબોધિત કરે છે. અભ્યાસ પૂર્ણ થવાનો સમય 2 અઠવાડિયાથી 20 મહિના સુધીનો હતો અને 51% લોકોએ પ્રકાશિત પદ્ધતિસરની માળખાનો ઉપયોગ કર્યો હતો. સમાવિષ્ટ અભ્યાસોની ગુણવત્તાનું મૂલ્યાંકન ભાગ્યે જ કરવામાં આવ્યું હતું (22. 38%). સ્કોપિંગ સમીક્ષાઓ વ્યાપક વિષયોના મેપિંગ માટે પ્રમાણમાં નવા પરંતુ વધુને વધુ સામાન્ય અભિગમ છે. તેમના આચરણમાં વિવિધતાને કારણે, પુરાવાઓની ઉપયોગીતા અને તાકાતની ખાતરી કરવા માટે તેમના પધ્ધતિગત માનકીકરણની જરૂર છે. |
4c5815796c29d44c940830118339e276f741d34a | રોબોટ સહાયકો અને વ્યાવસાયિક સહકાર્યકરો ઘરના અને ઔદ્યોગિક સેટિંગ્સમાં કોમોડિટી બની રહ્યા છે. રોબોટ્સને મનુષ્ય સાથે કામ કરવાની જગ્યા વહેંચવા અને તેમની સાથે શારીરિક રીતે ક્રિયાપ્રતિક્રિયા કરવા માટે, રોબોટના સમગ્ર માળખા પર સંભવિત અથડામણની ઝડપી અને વિશ્વસનીય હેન્ડલિંગની જરૂર છે, સાથે સાથે સલામત રોબોટ પ્રતિક્રિયા માટે નિયંત્રણ વ્યૂહરચનાઓ. પ્રાથમિક પ્રેરણા શારીરિક સંપર્કને કારણે સંભવિત માનવ ઈજાને રોકવા અથવા મર્યાદિત કરવા માટે છે. આ સર્વેક્ષણ કાગળમાં, આ વિષય પરના અમારા પ્રારંભિક કાર્યના આધારે, અમે રીઅલ-ટાઇમ ટક્કર શોધ, અલગતા અને ઓળખ માટે પ્રાયોગિક મોડેલ-આધારિત અલ્ગોરિધમ્સની સમીક્ષા, વિસ્તૃત, તુલના અને મૂલ્યાંકન કરીએ છીએ જે ફક્ત પ્રોપ્રોસેપ્ટિવ સેન્સર્સનો ઉપયોગ કરે છે. આ પર્યાવરણ સાથે ક્રિયાપ્રતિક્રિયા કરતા રોબોટ્સ માટે અથડામણની ઘટના પાઇપલાઇનના સંદર્ભ-સ્વતંત્ર તબક્કાને આવરી લે છે, જેમ કે ભૌતિક માનવ-રોબોટ ક્રિયાપ્રતિક્રિયા અથવા મેનિપ્યુલેશન કાર્યોમાં. આ સમસ્યાને પ્રથમ કઠોર રોબોટ્સ માટે સંબોધવામાં આવે છે અને પછી સંયુક્ત / ટ્રાન્સમિશન લવચીકતાની હાજરીમાં વિસ્તૃત કરવામાં આવે છે. આ મૂળભૂત ભૌતિક પ્રેરિત ઉકેલ પહેલેથી જ વિશ્વભરમાં અસંખ્ય રોબોટિક સિસ્ટમોમાં લાગુ કરવામાં આવ્યો છે, જે મેનિપ્યુલેટર અને હ્યુમનોઇડ્સથી ઉડતી રોબોટ્સ અને વ્યાપારી ઉત્પાદનો સુધીના છે. |
4e3a22ed94c260b9143eee9fdf6d5d6e892ecd8f | |
e18fa8c8f402c483b2c3eaaa89192fe99e80abd5 | અસંખ્ય અભ્યાસો સૂચવે છે કે પ્રકાશિત સમાચાર વાર્તાઓ શેરબજારની દિશા, તેની અસ્થિરતા, વેપારની માત્રા અને સમાચારમાં ઉલ્લેખિત વ્યક્તિગત શેરોના મૂલ્ય પર મહત્વપૂર્ણ અસર કરે છે. કેટલાક પ્રકાશિત સંશોધન પણ સૂચવે છે કે સમાચાર દસ્તાવેજો, ત્રિમાસિક અહેવાલો, બ્લોગ્સ અને / અથવા ટ્વિટર ડેટાના સ્વચાલિત ભાવના વિશ્લેષણનો ઉપયોગ ટ્રેડિંગ વ્યૂહરચનાના ભાગ રૂપે ઉત્પાદક રીતે થઈ શકે છે. આ કાગળ ફક્ત ટ્રેડિંગ વ્યૂહરચનાઓના આવા પરિવારને રજૂ કરે છે, અને પછી આ એપ્લિકેશનનો ઉપયોગ તેમના એપ્લિકેશનના સંદર્ભો હોવા છતાં, સામાન્ય રીતે કેવી રીતે સેન્ટીમેન્ટ વિશ્લેષકોનું મૂલ્યાંકન કરવામાં આવે છે તેની પાછળની કેટલીક મૌન ધારણાઓની ફરીથી તપાસ કરવા માટે કરે છે. આ વિસંગતતા તેની કિંમત સાથે આવે છે. |
050c6fa2ee4b3e0a076ef456b82b2a8121506060 | ઈમેજોમાં 2D બાઉન્ડિંગ બોક્સ તરીકે ઓબ્જેક્ટ્સને ઓળખવામાં મોટી પ્રગતિ હોવા છતાં, તે હજુ પણ ઓક્લૂડ ઑબ્જેક્ટ્સને શોધી કાઢવા અને એક જ છબીમાંથી બહુવિધ ઑબ્જેક્ટ્સની 3D ગુણધર્મોનો અંદાજ કાઢવા માટે ખૂબ જ પડકારરૂપ છે. આ કાગળમાં, અમે એક નવલકથા ઑબ્જેક્ટ પ્રતિનિધિત્વ, 3D વોક્સલ પેટર્ન (3DVP) પ્રસ્તાવિત કરીએ છીએ, જે સંયુક્ત રીતે દેખાવ, 3D આકાર, દૃશ્ય, ઓક્લૂઝન અને ટર્નકેશન સહિતના પદાર્થોની મુખ્ય ગુણધર્મોને એન્કોડ કરે છે. અમે 3DVP ને ડેટા આધારિત રીતે શોધીએ છીએ, અને 3DVP ના શબ્દકોશ માટે વિશિષ્ટ ડિટેક્ટર્સની એક બેંકને તાલીમ આપીએ છીએ. 3ડીવીપી ડિટેક્ટર્સ ચોક્કસ દૃશ્યતા પેટર્ન ધરાવતી વસ્તુઓને શોધી કાઢવા અને 3ડીવીપીમાંથી મેટાડેટાને 2ડી સેગ્મેન્ટેશન માસ્ક, 3ડી પોઝ તેમજ ઓક્લૂઝન અથવા ટર્નકેશન સીમાઓ જેવી શોધાયેલી વસ્તુઓને ટ્રાન્સફર કરવામાં સક્ષમ છે. ટ્રાન્સફર કરેલા મેટા-ડેટા અમને ઑબ્જેક્ટ્સ વચ્ચેના ઓક્લૂઝન સંબંધને અનુમાનિત કરવાની મંજૂરી આપે છે, જે બદલામાં ઑબ્જેક્ટ ઓળખના સુધારેલા પરિણામો પ્રદાન કરે છે. KITTI ડિટેક્શન બેંચમાર્ક [17] અને આઉટડોર-સ્કેન ડેટાસેટ [41] પર પ્રયોગો હાથ ધરવામાં આવે છે. અમે કાર શોધના અત્યાધુનિક પરિણામોમાં સુધારો કરીએ છીએ અને નોંધપાત્ર માર્જિન સાથે અંદાજ (6% KITTIના મુશ્કેલ ડેટામાં) રજૂ કરીએ છીએ. અમે અમારી પદ્ધતિની ક્ષમતાને પણ ચકાસીએ છીએ પૃષ્ઠભૂમિમાંથી વસ્તુઓને ચોક્કસ રીતે વિભાજીત કરવા અને તેમને 3D માં સ્થાનિક બનાવવાની ક્ષમતા. |
1a124ed5d7c739727ca60cf11008edafa9e3ecf2 | ડેટા આધારિત અર્થતંત્ર વિકસિત થતાં, ઉદ્યોગોને ઉચ્ચ વોલ્યુમ, ઉચ્ચ ગતિના ડેટા સ્ટ્રીમ્સ પર કાર્ય કરવા માટે સક્ષમ હોવાની સ્પર્ધાત્મક લાભની અનુભૂતિ થઈ છે. વિતરણ સંદેશા ક્યુ અને સ્ટ્રીમિંગ પ્રોસેસિંગ પ્લેટફોર્મ જેવી તકનીકો કે જે કોમોડિટી હાર્ડવેર પર હજારો ડેટા સ્ટ્રીમ પાર્ટીશનો સુધી સ્કેલ કરી શકે છે તે એક પ્રતિભાવ છે. જો કે, આ સિસ્ટમો દ્વારા પ્રદાન કરવામાં આવેલ પ્રોગ્રામિંગ API ઘણીવાર નીચા સ્તરનું હોય છે, જેમાં નોંધપાત્ર કસ્ટમ કોડની જરૂર હોય છે જે પ્રોગ્રામરને શીખવાની કર્વ અને જાળવણી ઓવરહેડમાં ઉમેરે છે. વધુમાં, આ સિસ્ટમોમાં ઘણી વખત એસક્યુએલ ક્વેરીંગ ક્ષમતાઓનો અભાવ હોય છે જે હાયવ, ઇમ્પાલા અથવા પ્રેસ્ટો જેવી મોટી ડેટા સિસ્ટમ્સ પર લોકપ્રિય સાબિત થઈ છે. અમે ડેટા સ્ટ્રીમ ક્વેરીંગ અને મેનિપ્યુલેશન માટે પ્રમાણભૂત એસક્યુએલમાં એક્સ્ટેન્શન્સના ન્યૂનતમ સેટને વ્યાખ્યાયિત કરીએ છીએ. આ એક્સ્ટેન્શન્સને SamzaSQL માં પ્રોટોટાઇપ કરવામાં આવે છે, જે એસક્યુએલ સ્ટ્રીમિંગ માટેનું એક નવું સાધન છે જે સ્ટ્રીમિંગ એસક્યુએલને ભૌતિક યોજનાઓમાં કમ્પાઇલ કરે છે જે સમઝા પર ચલાવવામાં આવે છે, જે એક ઓપન સોર્સ ડિસ્ટ્રિબ્યુટેડ સ્ટ્રીમ પ્રોસેસિંગ ફ્રેમવર્ક છે. અમે મૂળ સેમઝા એપ્લિકેશન્સ સામે સ્ટ્રીમિંગ એસક્યુએલ ક્વેરીઝના પ્રદર્શનની તુલના કરીએ છીએ અને ઉપયોગિતા સુધારણાઓની ચર્ચા કરીએ છીએ. SamzaSQL એ ઓપન સોર્સ અપાચે સમઝા પ્રોજેક્ટનો એક ભાગ છે અને સામાન્ય ઉપયોગ માટે ઉપલબ્ધ રહેશે. |
b8ec319b1f5223508267b1d5b677c0796d25ac13 | ઘણા વાસ્તવિક દુનિયાના દૃશ્યોમાં, ચોક્કસ મશીન શિક્ષણ કાર્ય માટે લેબલવાળા ડેટા મેળવવા માટે ખર્ચાળ છે. અર્ધ-સર્વેક્ષિત તાલીમ પદ્ધતિઓ પુષ્કળ ઉપલબ્ધ લેબલ વિનાના ડેટા અને લેબલવાળા ઉદાહરણોની નાની સંખ્યાનો ઉપયોગ કરે છે. અમે માનવમાં શીખવાથી પ્રેરિત ઊંડા ન્યુરલ નેટવર્ક્સના અર્ધ-સર્વેક્ષિત તાલીમ માટે એક નવી માળખું પ્રસ્તાવિત કરીએ છીએ. એસોસિએશનો લેબલવાળા નમૂનાઓના એમ્બેડિંગથી લેબલ વગરના અને પાછાથી બનાવવામાં આવે છે. ઓપ્ટિમાઇઝેશન શેડ્યૂલ યોગ્ય એસોસિએશન ચક્રને પ્રોત્સાહન આપે છે જે એ જ વર્ગમાં સમાપ્ત થાય છે જેમાંથી એસોસિએશન શરૂ થયું હતું અને અલગ વર્ગમાં સમાપ્ત થતા ખોટા સંગઠનોને દંડ કરે છે. આ અમલીકરણનો ઉપયોગ કરવો સરળ છે અને તેને કોઈપણ હાલની એન્ડ-ટુ-એન્ડ તાલીમ સેટઅપમાં ઉમેરી શકાય છે. અમે કેટલાક ડેટા સેટ્સ પર એસોસિએશન દ્વારા શીખવાની ક્ષમતાઓનું નિદર્શન કરીએ છીએ અને બતાવીએ છીએ કે તે વધારાના ઉપલબ્ધ લેબલ વિનાના ડેટાનો ઉપયોગ કરીને વર્ગીકરણ કાર્યો પર પ્રભાવને નોંધપાત્ર રીતે સુધારી શકે છે. ખાસ કરીને, થોડા લેબલ કરેલા ડેટા સાથેના કેસો માટે, અમારી તાલીમ યોજના એસવીએચએન પરની તકનીકની વર્તમાન સ્થિતિને વટાવી દે છે. |
852c633882927affd1a951e81e6e30251bb40867 | સતત વિકસતી રેડિયો ફ્રીક્વન્સી આઇડેન્ટિફિકેશન (આરએફઆઈડી) ટેકનોલોજી સાથે, નવા એપ્લિકેશન ક્ષેત્રોમાં મળેલી જરૂરિયાતોને પૂર્ણ કરવા માટે નવા પ્રકારનાં ટેગ એન્ટેના સામગ્રી અને માળખા ઉભરી રહ્યા છે. આ કાર્યમાં, રેડિયેશન કાર્યક્ષમતા માપવાની પદ્ધતિ વિકસિત અને ચકાસવામાં આવે છે. વધુમાં, માપન પદ્ધતિને વસ્ત્રો-કેન્દ્રિત વાયરલેસ સંચાર એપ્લિકેશન્સ માટે સીવેલા ડાયપોલ ટેગ એન્ટેનાના રેડિયેશન કાર્યક્ષમતાને માપવા માટે લાગુ કરવામાં આવે છે. માપનમાંથી મેળવેલી માહિતીનો ઉપયોગ ટેગ એન્ટેના સામગ્રીના માળખાના નુકસાનને દર્શાવવા અને ટેગ એન્ટેના પ્રદર્શન અને વિશ્વસનીયતાને વધુ સુધારવા અને ઑપ્ટિમાઇઝ કરવા માટે થઈ શકે છે. |
833de6c09b38a679ed870ad3a7ccfafc8de010e1 | અદ્યતન ડ્રાઇવિંગ સહાયક પ્રણાલીઓ અને મોબાઇલ રોબોટ સ્થાનિકીકરણ માટે અહંકાર-વાહનની ગતિનો અંદાજ એ એક મુખ્ય ક્ષમતા છે. નીચેના કાગળમાં રડાર સેન્સરનો ઉપયોગ કરીને એક મજબૂત અલ્ગોરિધમનો રજૂ કરવામાં આવ્યો છે જે તરત જ ઇગો-વાહનની સંપૂર્ણ 2D ગતિ સ્થિતિ (લંબાઈ, આડી ગતિ અને યવ રેટ) નક્કી કરે છે. તે ઓછામાં ઓછા બે ડોપ્લર રડાર સેન્સર અને તેમના પ્રાપ્ત સ્થિર પ્રતિબિંબ (લક્ષ્ય) વચ્ચે સંબંધિત ગતિનું મૂલ્યાંકન કરે છે. અઝિમથ ખૂણામાં તેમની રેડિયલ વેગના વિતરણના આધારે, બિન-સ્થિર લક્ષ્યો અને ક્લટરને બાકાત રાખવામાં આવે છે. અહંકાર-ગતિ અને તેના અનુરૂપ સહવર્તીતા મેટ્રિક્સનો અંદાજ છે. અલ્ગોરિધમનો માટે ક્લસ્ટરીંગ અથવા ક્લટર સપ્રેસન જેવા કોઈ પૂર્વ-પ્રોસેસિંગ પગલાંની જરૂર નથી અને તેમાં કોઈ મોડેલ ધારણાઓ નથી. સેન્સર્સને વાહનમાં કોઈ પણ સ્થાન પર માઉન્ટ કરી શકાય છે. અવકાશમાં લક્ષ્ય સંડોવણીને ટાળવા માટે, સામાન્ય દૃશ્ય ક્ષેત્રની આવશ્યકતા નથી. વધારાના લાભ તરીકે, બધા લક્ષ્યોને તરત જ સ્થિર અથવા બિન-સ્થિર તરીકે લેબલ કરવામાં આવે છે. |
31918003360c352fb0750040d163f287894ab547 | તાજેતરમાં ઓટોમોટિવ એમ્બેડેડ સિસ્ટમ સ્માર્ટ કાર, ઇલેક્ટ્રિક કાર્ડ અને તેથી આગળના આગમનથી ખૂબ વિકસિત થઈ છે. તેમની પાસે વિવિધ મૂલ્ય વર્ધિત સિસ્ટમ છે, ઉદાહરણ તરીકે આઈપીએ (ઇન્ટેલિજન્ટ પાર્કિંગ સહાય), બીએસડબલ્યુ (બ્લાઇન્ડ સ્પોટ ચેતવણી), એલડીડબ્લ્યુએસ (લેન ડિવાઇસ ચેતવણી સિસ્ટમ), એલકેએસ (લેન કીપિંગ સિસ્ટમ) - આ એડીએએસ (એડવાન્સ્ડ ડ્રાઇવર સહાયતા સિસ્ટમ્સ) છે. ઓટોમોટિવ ઓપન સિસ્ટમ આર્કિટેક્ચર (AUTOMOTIVE OPEN SYSTEM ARCHITECTURE) ઓટોમોટિવ એમ્બેડેડ સોફ્ટવેર વિકસાવવા માટે સૌથી નોંધપાત્ર ઔદ્યોગિક ધોરણ છે. ઓટોસાર એ ઓટોમોટિવ ઉત્પાદકો અને સપ્લાયર્સની ભાગીદારી છે જે ઓટોમોટિવ ઇ / ઇ આર્કિટેક્ચર્સ માટે ખુલ્લા ઉદ્યોગ ધોરણને વિકસાવવા અને સ્થાપિત કરવા માટે મળીને કામ કરે છે. આ કાગળમાં, અમે ટૂંકમાં AUTOSAR રજૂ કરીશું અને ઓટોમોટિવ સોફ્ટવેર એલડીડબ્લ્યુએસ (લેન ડિટેક્શન એન્ડ વોર્નિંગ સિસ્ટમ) વિકાસનું પરિણામ દર્શાવશે. |
36bb4352891209ba0a7df150c74cd4db6d603ca5 | ઉદાહરણ શિક્ષણ આધારિત સિંગલ ઇમેજ સુપર-રીઝોલ્યુશન (એસઆર) એ સિંગલ ઇનપુટ લો-રીઝોલ્યુશન (એલઆર) ઇમેજમાંથી ઉચ્ચ-રીઝોલ્યુશન (એચઆર) ઇમેજનું પુનર્નિર્માણ કરવા માટે એક આશાસ્પદ પદ્ધતિ છે. ઘણી લોકપ્રિય એસઆર અભિગમો વધુ સમય અથવા જગ્યા-સઘન હોય છે, જે તેમના વ્યવહારુ કાર્યક્રમોને મર્યાદિત કરે છે. તેથી, કેટલાક સંશોધનોએ ઉપ-અવકાશ દૃશ્ય પર ધ્યાન કેન્દ્રિત કર્યું છે અને રાજ્ય-ઓફ-ધ-આર્ટ પરિણામો આપ્યા છે. આ કાગળમાં, અમે તાલીમ તબક્કામાં રેખીય ઉપ-સ્થળોના જૂથમાં એલઆર છબીઓના મોટા બિન-રેખીય લક્ષણ જગ્યાને પરિવર્તિત કરવા માટે મિશ્રણ અગાઉના મોડેલો સાથે અસરકારક રીતે ઉપયોગ કરીએ છીએ. ખાસ કરીને, અમે પ્રથમ LR પેચની તફાવત વળાંક પર આધારિત નવલકથા પસંદગીયુક્ત પેચ પ્રોસેસિંગ પદ્ધતિ દ્વારા કેટલાક જૂથોમાં છબી પેચને વિભાજીત કરીએ છીએ, અને પછી દરેક જૂથમાં મિશ્રણ અગાઉના મોડેલો શીખીએ છીએ. વધુમાં, વિવિધ પૂર્વવર્તી વિતરણો એસઆરમાં વિવિધ અસરકારકતા ધરાવે છે, અને આ કિસ્સામાં, અમે શોધીએ છીએ કે વિદ્યાર્થી-ટી પૂર્વવર્તી જાણીતા ગૌસિયન પૂર્વવર્તી કરતાં મજબૂત પ્રદર્શન દર્શાવે છે. પરીક્ષણ તબક્કામાં, અમે ઇનપુટ એલઆર સુવિધાઓને યોગ્ય પેટા-જગ્યામાં મેપ કરવા માટે શીખ્યા બહુવિધ મિશ્રણ અગાઉના મોડેલોને અપનાવીએ છીએ, અને છેવટે અનુરૂપ એચઆર ઇમેજને નવલકથા મિશ્રિત મેચિંગ રીતે પુનઃનિર્માણ કરીએ છીએ. પ્રયોગોના પરિણામો દર્શાવે છે કે પ્રસ્તાવિત અભિગમ કેટલાક અદ્યતન એસઆર પદ્ધતિઓ કરતાં માત્રાત્મક અને ગુણાત્મક રીતે શ્રેષ્ઠ છે. |
189a391b217387514bfe599a0b6c1bbc1ccc94bb | અમે અથડામણ મુક્ત હેશ કાર્યોની રચના માટે એક સરળ, નવું નમૂનારૂપ રજૂ કરીએ છીએ. આ પરિમાણોમાંથી ઉત્પન્ન થતું કોઈપણ કાર્ય વૃદ્ધિશીલ છે. (આનો અર્થ એ થાય કે જો મેસેજ x જે મેં અગાઉ હેશ કર્યો છે તે x0 માં સુધારેલ છે, તો પછી x 0 ના હેશને ફરીથી ગણતરી કરવાને બદલે, હું ઝડપથી જૂના હેશ મૂલ્યને નવામાં અપડેટ કરી શકું છું, x માં x મેળવવા માટે કરેલા ફેરફારની માત્રામાં સમયસર પ્રમાણમાં. આ પ્રતીકથી ઉત્પન્ન થતી કોઈપણ કાર્ય પણ સમાંતર છે, હાર્ડવેર અમલીકરણ માટે ઉપયોગી છે. આપણે આપણાં પરિમાણમાંથી કેટલાંક વિશિષ્ટ કાર્યોને મેળવીએ છીએ. બધા પ્રમાણભૂત હેશ ફંક્શન, ધારેલા આદર્શ અને કેટલાક બીજગણિત કામગીરીનો ઉપયોગ કરે છે. પ્રથમ કાર્ય, મુહેશ, સંદેશના બ્લોક દીઠ એક મોડ્યુલર ગુણાકારનો ઉપયોગ કરે છે, જે તેને વ્યાજબી રીતે કાર્યક્ષમ બનાવે છે, અને અગાઉના વધારાના હેશ કાર્યો કરતાં નોંધપાત્ર રીતે ઝડપી છે. તેની સુરક્ષા સાબિત થઈ છે, જે વિભિન્ન લોગરિધમ સમસ્યાની કઠિનતા પર આધારિત છે. બીજું કાર્ય, એડએચએચએચ, પણ ઝડપી છે, ગુણાકારની જગ્યાએ ઉમેરાઓનો ઉપયોગ કરીને, સલામતી સાબિત થઈ છે કે ટૂંકા ગ્રીડ વેક્ટર્સની લંબાઈનું અંદાજ મુશ્કેલ છે અથવા વજનવાળા સબસેટ સરવાળો સમસ્યા મુશ્કેલ છે. ત્રીજું કાર્ય, LtHASH, તાજેતરના ગ્રીડ આધારિત કાર્યોનું એક વ્યવહારુ પ્રકાર છે, જેમાં સલામતી સાબિત થઈ છે, ફરીથી ટૂંકી ગ્રીડ વેક્ટર અંદાજની કઠિનતા પર આધારિત છે. વિભાગ કોમ્પ્યુટર સાયન્સ એન્ડ એન્જિનિયરિંગ, યુનિવર્સિટી ઓફ કેલિફોર્નિયા સાન ડિએગો, 9500 ગિલમેન ડ્રાઇવ, લા જોલા, કેલિફોર્નિયા 92093, યુએસએ. ઈ-મેલઃ [email protected]. URL: http://www-cse.ucsd.edu/users/mihir. આ પ્રોજેક્ટને NSF CAREER એવોર્ડ CCR-9624439 અને સાયન્સ એન્ડ એન્જિનિયરિંગમાં પેકાર્ડ ફાઉન્ડેશન ફેલોશિપ દ્વારા આંશિક રીતે ટેકો આપવામાં આવ્યો છે. yMIT લેબોરેટરી ફોર કોમ્પ્યુટર સાયન્સ, 545 ટેકનોલોજી સ્ક્વેર, કેમ્બ્રિજ, એમએ 02139, યુએસએ. ઇ-મેલઃ miccianc@theory. lcs. mit. edu. ડીએઆરપીએ કરાર DABT63-96-C-0018 દ્વારા ભાગમાં સમર્થિત. |
9b9c9cc72ebc16596a618d5b78972437c9c569f6 | |
3ffce42ed3d7ac5963e03d4b6e32460ef5b29ff7 | અમે ભૌતિક પદાર્થનું સંપૂર્ણ મોડેલ બનાવવાની સમસ્યાનો અભ્યાસ કરીએ છીએ. જો કે આ તીવ્રતાની છબીઓનો ઉપયોગ કરીને શક્ય છે, અમે અહીં શ્રેણીની છબીઓનો ઉપયોગ કરીએ છીએ જે ત્રિપરિમાણીય માહિતીને સીધી ઍક્સેસ પ્રદાન કરે છે. આપણે જે પ્રથમ સમસ્યાને ઉકેલવાની જરૂર છે તે છે વિવિધ દૃશ્યો વચ્ચેનું પરિવર્તન શોધવું. અગાઉના અભિગમોએ આ પરિવર્તનને જાણી શકાય તેવું ધાર્યું છે (જે સંપૂર્ણ મોડેલ માટે અત્યંત મુશ્કેલ છે), અથવા તેને લક્ષણ મેળ ખાતી સાથે ગણતરી કરી છે (જે એકીકરણ માટે પૂરતી સચોટ નથી). આ કાગળમાં, અમે એક નવો અભિગમ પ્રસ્તાવિત કરીએ છીએ જે સીધી રીતે રેંજ પર કામ કરે છે, અને દૃશ્યો વચ્ચે ચોક્કસ રૂપાંતર મેળવવા માટે પૂરતી ઓવરલેપિંગ વિસ્તાર સાથે ક્રમિક દૃશ્યોને રજીસ્ટર કરે છે. આ કાર્યક્ષમતાને ઘટાડીને કરવામાં આવે છે, જેને બિંદુથી બિંદુ મેળ ખાતી નથી. અમે રજિસ્ટ્રેશન પદ્ધતિ અને મોડેલિંગ પ્રક્રિયાની વિગતો આપીએ છીએ, અને તેમને જટિલ પદાર્થોની વાસ્તવિક શ્રેણીની છબીઓ પર સમજાવવું. 1 પરિચય ભૌતિક પદાર્થોના મોડેલો બનાવવી એ જૈવિક દ્રષ્ટિ મોડ્યુલોની આવશ્યક ઘટક મશીન છે. આ પ્રકારના મોડેલોનો ઉપયોગ પછી ઑબ્જેક્ટ ઓળખ, પોઝ અંદાજ અથવા નિરીક્ષણ કાર્યોમાં થઈ શકે છે. જો રસની વસ્તુને ચોક્કસ રીતે ડિઝાઇન કરવામાં આવી હોય, તો આવા મોડેલ CAD મોડેલના સ્વરૂપમાં અસ્તિત્વમાં છે. જો કે, ઘણી એપ્લિકેશન્સમાં, આવા CAD મોડેલોની ઍક્સેસ મેળવવા માટે તે શક્ય નથી અથવા વ્યવહારુ નથી, અને આપણે ભૌતિક ઑબ્જેક્ટમાંથી મોડેલો બનાવવાની જરૂર છે. કેટલાક સંશોધકો સમસ્યાને બાયપાસ કરે છે, જે મોડેલનો ઉપયોગ કરીને બહુવિધ દૃશ્યો ([4], [a]) ધરાવે છે, પરંતુ તે હંમેશા પૂરતું નથી. જો કોઈ વ્યક્તિને કોઈ પદાર્થનું સંપૂર્ણ મોડેલ જોઈએ છે, તો નીચેના પગલાં જરૂરી છેઃ 1. ડેટા એક્વિઝિશન, 2. દૃશ્યો વચ્ચે નોંધણી, 3. દૃશ્યોનું એકીકરણ. દૃશ્ય દ્વારા આપણે ચોક્કસ દ્રષ્ટિકોણથી પદાર્થની 3D સપાટીની માહિતીનો અર્થ કરીએ છીએ. જ્યારે એકીકરણ પ્રક્રિયા ઉપયોગમાં લેવાતી પ્રતિનિધિત્વ યોજના પર ખૂબ જ નિર્ભર છે, ત્યારે એકીકરણ કરવા માટેની પૂર્વશરત વિવિધ દૃશ્યોમાંથી ડેટા વચ્ચેના પરિવર્તનને જાણવાની છે. રજિસ્ટ્રેશનનો ઉદ્દેશ આવા પરિવર્તનને શોધવાનો છે, જેને ટી, ધ કોવરેસ્પોન્સ, ડેન, ધ પ્રોબ્લેમ તરીકે પણ ઓળખવામાં આવે છે. આ સમસ્યા અગાઉના ઘણા સંશોધન પ્રયત્નોના કેન્દ્રમાં રહી છેઃ ભાનુએ બહુવિધ દૃશ્યો મેળવવા માટે જાણીતા ખૂણાઓ દ્વારા પદાર્થને ફેરવીને પદાર્થની ઓળખ માટે એક ઑબ્જેક્ટ મોડેલિંગ સિસ્ટમ વિકસાવી. કૂતરો અને અન્ય [3] અને આહુજા અને વેન-સ્ટ્રાએ [l] ઓક્ટોરી ઓબ્જેક્ટ મોડલ્સનું નિર્માણ કરવા માટે ઓર્થોગોનલ દૃશ્યોનો ઉપયોગ કર્યો હતો. આ પદ્ધતિઓથી, |
883b2b981dc04139800f30b23a91b8d27be85b65 | આ કાગળમાં, અમે એક કાર્યક્ષમ 3D ઑબ્જેક્ટ ઓળખ રજૂ કરીએ છીએ અને ભરાયેલા અને અસ્પષ્ટ વાતાવરણમાં કાર્યવાહીને પકડવા માટે અંદાજ અભિગમ રજૂ કરીએ છીએ. સામાન્ય દેખાવ આધારિત અભિગમોથી વિપરીત, અમે ફક્ત 3D ભૂમિતિ માહિતી પર આધાર રાખીએ છીએ. અમારી પદ્ધતિ એક મજબૂત ભૌમિતિક વર્ણનકર્તા, હેશિંગ તકનીક અને કાર્યક્ષમ, સ્થાનિક RANSAC જેવી નમૂનાકરણ વ્યૂહરચના પર આધારિત છે. આપણે માનીએ છીએ કે દરેક પદાર્થને અનુરૂપ સપાટીના સામાન્ય સાથેના બિંદુઓના સમૂહથી બનેલા મોડેલ દ્વારા રજૂ કરવામાં આવે છે. અમારી પદ્ધતિ એક સાથે અનેક મોડેલ ઉદાહરણોને ઓળખે છે અને દ્રશ્યમાં તેમની સ્થિતિનો અંદાજ કાઢે છે. વિવિધ પરીક્ષણો દર્શાવે છે કે સૂચિત પદ્ધતિ ઘોંઘાટીયા, ભરાયેલા અને અસંખ્ય શ્રેણી સ્કેન પર સારી રીતે કામ કરે છે જેમાં પદાર્થોના માત્ર નાના ભાગો જ દૃશ્યમાન હોય છે. અલ્ગોરિધમની મુખ્ય પ્રક્રિયામાં રેખીય સમયની જટિલતા છે, જેના પરિણામે ઉચ્ચ ઓળખની ઝડપ છે જે સતત મેનિપ્યુલેશન કાર્યમાં પદ્ધતિના સીધા સંકલનને મંજૂરી આપે છે. 7-ડિગ્રી-ઓફ-ફ્રીડમ કાર્ટેશિયન ઇમ્પેડન્સ નિયંત્રિત રોબોટ સાથે પ્રાયોગિક માન્યતા બતાવે છે કે કેવી રીતે પદ્ધતિનો ઉપયોગ જટિલ રેન્ડમ સ્ટેકમાંથી પદાર્થોને પકડવા માટે થઈ શકે છે. આ એપ્લિકેશન દર્શાવે છે કે કેવી રીતે કોમ્પ્યુટર વિઝન અને સોફટ્રોબોટિક્સના સંકલનથી એક રોબોટિક સિસ્ટમ અસ્થિર અને અસ્પષ્ટ વાતાવરણમાં કાર્ય કરવા સક્ષમ છે. |
9bc8aaaf23e2578c47d5d297d1e1cbb5b067ca3a | આ કાગળ એક કેમેરા છબીમાં 3D ઑબ્જેક્ટના ઉદાહરણોને ઓળખવા અને તેમના 3D પોઝ નક્કી કરવા માટે એક અભિગમ વર્ણવે છે. એક હાયરાર્કીક મોડેલ ફક્ત ઑબ્જેક્ટના 3D CAD મોડેલની ભૂમિતિ માહિતી પર આધારિત છે. આ અભિગમ ઑબ્જેક્ટની સપાટીની રચના અથવા પ્રતિબિંબ માહિતી પર આધાર રાખતો નથી, જે તેને ઔદ્યોગિક અને રોબોટિક એપ્લિકેશન્સની વિશાળ શ્રેણી માટે ઉપયોગી બનાવે છે, ઉદાહરણ તરીકે, કચરાપેટી. એક પદાનુક્રમી દૃશ્ય-આધારિત અભિગમ લાગુ કરવામાં આવે છે જે અગાઉની પદ્ધતિઓની લાક્ષણિક સમસ્યાઓને સંબોધિત કરે છેઃ તે સાચા પરિપ્રેક્ષ્યને સંભાળે છે, તે ઘોંઘાટ, ઓક્લૂશન અને ક્લટર માટે મજબૂત છે જે ઘણા વ્યવહારુ કાર્યક્રમો માટે પૂરતી છે, અને વિપરીત ફેરફારો માટે અસ્થિર છે. આ હાયરાર્કીક મોડેલની પેદાશ માટે, એક નવી મોડેલ ઇમેજ જનરેશન તકનીક રજૂ કરવામાં આવી છે જેના દ્વારા સ્કેલ-સ્પેસ અસરોને ધ્યાનમાં લેવામાં આવી શકે છે. આવશ્યક ઑબ્જેક્ટ દૃશ્યો સમાનતા-આધારિત પાસા ગ્રાફનો ઉપયોગ કરીને મેળવવામાં આવે છે. સંપૂર્ણ શોધની ઉચ્ચ મજબૂતાઈ કાર્યક્ષમ પદાનુક્રમિક શોધ સાથે જોડાયેલી છે. 3D પોઝને લઘુત્તમ-ચોરસ ગોઠવણનો ઉપયોગ કરીને શુદ્ધ કરવામાં આવે છે જે છબીમાં ભૌમિતિક અંતરને ઘટાડે છે, પદાર્થના અંતર સાથે 0.12 ટકા સુધીની સ્થિતિની ચોકસાઈ આપે છે, અને અમારા પરીક્ષણોમાં 0.35 ડિગ્રી સુધીની દિશા નિર્દેશની ચોકસાઈ. ઓળખ સમય મોટા પ્રમાણમાં પદાર્થની જટિલતાથી સ્વતંત્ર છે, પરંતુ મુખ્યત્વે પદાર્થની શ્રેણી પર આધાર રાખે છે જેમાં પદાર્થ કેમેરાની સામે દેખાઈ શકે છે. કાર્યક્ષમતાના કારણોસર, આ અભિગમ એપ્લિકેશનના આધારે પોઝ રેન્જને પ્રતિબંધિત કરવાની મંજૂરી આપે છે. લાક્ષણિક રનટાઇમ્સ થોડાક સો એમએસની રેન્જમાં છે. |
dbd66f601b325404ff3cdd7b9a1a282b2da26445 | પ્રારંભિક મૂલ્યાંકન પરિણામો સૂચવે છે કે 6 ડી ઓબ્જેક્ટ પોઝ અંદાજમાં કલાની સ્થિતિમાં સુધારો કરવા માટે પૂરતી જગ્યા છે, ખાસ કરીને નોંધપાત્ર ઓક્લૂઝન સાથેના મુશ્કેલ કેસોમાં. ટી-લેસ ડેટાસેટ ઓનલાઇન ઉપલબ્ધ છે cmp:felk:cvut:cz/t-less. અમે ટી-લેસ રજૂ કરીએ છીએ, 6D પોઝનું અંદાજ કાઢવા માટે એક નવું જાહેર ડેટાસેટ, એટલે કે ટેક્સ્ચર્સ-લસ કઠોર પદાર્થોનું અનુવાદ અને પરિભ્રમણ. આ ડેટા સેટમાં ત્રીસ ઉદ્યોગ સંબંધિત વસ્તુઓ છે જેમાં કોઈ નોંધપાત્ર રચના નથી અને કોઈ ભેદભાવ રંગ અથવા પ્રતિબિંબ ગુણધર્મો નથી. આ વસ્તુઓ આકાર અને/અથવા કદમાં સમપ્રમાણતા અને પરસ્પર સમાનતા દર્શાવે છે. અન્ય ડેટાસેટ્સની સરખામણીમાં, એક અનન્ય મિલકત એ છે કે કેટલીક વસ્તુઓ અન્ય લોકોના ભાગ છે. ડેટાસેટમાં તાલીમ અને પરીક્ષણની છબીઓ શામેલ છે જે ત્રણ સિંક્રનાઇઝ્ડ સેન્સર, ખાસ કરીને એક સ્ટ્રક્ચર્ડ-લાઇટ અને સમય-ફ્લાઇટ આરજીબી-ડી સેન્સર અને ઉચ્ચ રીઝોલ્યુશન આરજીબી કેમેરા સાથે લેવામાં આવી હતી. દરેક સેન્સરમાંથી આશરે 39K તાલીમ અને 10K પરીક્ષણ છબીઓ છે. વધુમાં, દરેક ઑબ્જેક્ટ માટે બે પ્રકારના 3D મોડેલ્સ પૂરા પાડવામાં આવે છે, એટલે કે એક જાતે બનાવેલ CAD મોડેલ અને એક અર્ધ-સ્વચાલિત રીતે પુનઃનિર્માણ કરેલ. તાલીમ ચિત્રો કાળા પૃષ્ઠભૂમિ સામે વ્યક્તિગત પદાર્થો દર્શાવે છે. પરીક્ષણ છબીઓ વીસ પરીક્ષણ દ્રશ્યોથી ઉત્પન્ન થાય છે જેમાં વિવિધ જટિલતા હોય છે, જે ઘણી અલગ વસ્તુઓ સાથેના સરળ દ્રશ્યોથી ઘણી વસ્તુઓનાં બહુવિધ ઉદાહરણો અને ઉચ્ચ પ્રમાણમાં ક્લટર અને ઓક્લૂઝન સાથે ખૂબ જ પડકારરૂપ હોય છે. આ છબીઓ ઑબ્જેક્ટ/સ્કેનની આસપાસના વ્યવસ્થિત રીતે નમૂનાવાળી દૃશ્ય ગોળામાંથી લેવામાં આવી હતી, અને તમામ મોડેલ કરેલી વસ્તુઓની ચોક્કસ જમીન સત્ય 6D પોઝ સાથે નોંધવામાં આવી છે. |
74257c2a5c9633565c3becdb9139789bcf14b478 | આઇટી નિયંત્રણ માળખાને વ્યાપકપણે અપનાવવા છતાં, તેમના ઉપયોગની તપાસ કરવા માટે થોડું શૈક્ષણિક પ્રયોગાત્મક સંશોધન કરવામાં આવ્યું છે. આ કાગળ ઓસ્ટ્રેલિયામાં જાહેર ક્ષેત્રની સંસ્થાઓમાં માહિતી અને સંબંધિત ટેકનોલોજી (કોબિટ) માટે નિયંત્રણ ઉદ્દેશોમાંથી 15 કી આઇટી નિયંત્રણ પ્રક્રિયાઓની પરિપક્વતા સ્તરને બેંચમાર્ક કરવા માટે સંશોધન પર અહેવાલ આપે છે. આ રિપોર્ટમાં વિવિધ દેશોના મિશ્રિત ક્ષેત્રના જૂથ, એશિયાઈ-ઓસેનિક દેશોના મિશ્રિત ક્ષેત્રના જૂથ અને તમામ ભૌગોલિક વિસ્તારો માટે જાહેર ક્ષેત્રના સંગઠનો માટે સમાન બેંચમાર્ક સાથે સરખામણી કરવામાં આવી છે. ઓસ્ટ્રેલિયાના ડેટા 387 બિન-નાણાકીય જાહેર ક્ષેત્રની સંસ્થાઓમાંથી એક મેલ સર્વેક્ષણમાં એકત્રિત કરવામાં આવ્યા હતા, જે 50 થી વધુ કર્મચારીઓ ધરાવતા હોવાનું ઓળખાય છે, જે 27% પ્રતિભાવ દર આપે છે. 2002માં આઇએસ ઓડિટ એન્ડ કંટ્રોલ એસોસિએશન દ્વારા હાથ ધરાયેલા મૂળ આંતરરાષ્ટ્રીય સર્વેમાં જોવા મળેલા દાખલાઓ ઓસ્ટ્રેલિયાના ડેટામાં પણ જોવા મળ્યા હતા. જો કે, ઓસ્ટ્રેલિયાના જાહેર ક્ષેત્રે 15 સૌથી મહત્વપૂર્ણ આઇટી પ્રક્રિયાઓ માટે તમામ આંતરરાષ્ટ્રીય બેંચમાર્કમાં ક્ષેત્રો કરતાં વધુ સારું પ્રદર્શન કર્યું છે. |
0e9bac6a2b51e93e73f7f5045d4252972db10b5a | અમે એક નવલકથા અલ્ગોરિધમનો પ્રદાન કરીએ છીએ આશરે પરિબળ મોટી મેટ્રિક્સ લાખો પંક્તિઓ, લાખો કૉલમ, અને અબજો બિન-શૂન્ય તત્વો સાથે. અમારો અભિગમ સ્ટોકાસ્ટિક ગ્રૅડિયન્ટ ડિસેન્ટ (એસજીડી) પર આધારિત છે, એક પુનરાવર્તિત સ્ટોકાસ્ટિક ઑપ્ટિમાઇઝેશન અલ્ગોરિધમ. અમે સૌ પ્રથમ એક નવલકથા "સ્તરીય" એસજીડી પ્રકાર (એસએસજીડી) વિકસાવીએ છીએ જે સામાન્ય નુકશાન-ન્યૂનતમ સમસ્યાઓ માટે લાગુ પડે છે જેમાં નુકશાન કાર્યને "સ્તર નુકશાન" ના વજનિત સરવાળો તરીકે વ્યક્ત કરી શકાય છે. અમે સ્ટોકાસ્ટિક અંદાજ સિદ્ધાંત અને પુનર્જીવિત પ્રક્રિયા સિદ્ધાંતના પરિણામોનો ઉપયોગ કરીને એસએસજીડીના સંકલન માટે પૂરતી શરતો સ્થાપિત કરીએ છીએ. પછી અમે એસએસજીડીને વિશિષ્ટ બનાવીએ છીએ, જે નવા મેટ્રિક્સ-ફેક્ટરિઝેશન અલ્ગોરિધમનો મેળવે છે, જેને ડીએસજીડી કહેવાય છે, જે સંપૂર્ણપણે વિતરિત કરી શકાય છે અને વેબ-સ્કેલ ડેટાસેટ્સ પર ચલાવી શકાય છે, ઉદાહરણ તરીકે, મેપરેડ્યુસ. ડીએસજીડી વિવિધ પ્રકારના મેટ્રિક્સ ફેક્ટરીકરણને સંભાળી શકે છે. અમે અમારા DSGD અમલીકરણમાં પ્રદર્શનને શ્રેષ્ઠ બનાવવા માટે ઉપયોગમાં લેવાતી પ્રાયોગિક તકનીકોનું વર્ણન કરીએ છીએ. પ્રયોગો સૂચવે છે કે ડીએસજીડી નોંધપાત્ર રીતે ઝડપી સંલગ્ન થાય છે અને વૈકલ્પિક અલ્ગોરિધમ્સ કરતાં વધુ સારી સ્કેલેબિલિટી ગુણધર્મો ધરાવે છે. |
1109b663453e78a59e4f66446d71720ac58cec25 | અમે વર્ગીકરણ, સ્થાનિકીકરણ અને શોધ માટે કન્વલ્વ્યુશનલ નેટવર્ક્સનો ઉપયોગ કરવા માટે એક સંકલિત માળખું રજૂ કરીએ છીએ. અમે બતાવીએ છીએ કે કેવી રીતે મલ્ટીસ્કેલ અને સ્લાઇડિંગ વિન્ડો અભિગમ અસરકારક રીતે કોનવેટની અંદર અમલમાં મૂકી શકાય છે. અમે પણ એક નવલકથા ઊંડા શિક્ષણ અભિગમ રજૂ કરી રહ્યા છીએ સ્થાનિકીકરણને ઑબ્જેક્ટની સીમાઓની આગાહી કરવાનું શીખવું. પછી શોધની વિશ્વસનીયતા વધારવા માટે દબાવી દેવાને બદલે બાઉન્ડિંગ બોક્સને એકઠા કરવામાં આવે છે. અમે બતાવીએ છીએ કે એક જ વહેંચાયેલ નેટવર્કનો ઉપયોગ કરીને વિવિધ કાર્યો એક સાથે શીખી શકાય છે. આ સંકલિત માળખું ઇમેજનેટ લાર્જ સ્કેલ વિઝ્યુઅલ રેકગ્નિશન ચેલેન્જ 2013 (આઇએલએસવીઆરસી 2013) ના સ્થાનિકીકરણ કાર્યનો વિજેતા છે અને શોધ અને વર્ગીકરણ કાર્યો માટે ખૂબ જ સ્પર્ધાત્મક પરિણામો મેળવ્યા છે. સ્પર્ધા પછીના કાર્યમાં, અમે શોધ કાર્ય માટે કલાની નવી સ્થિતિ સ્થાપિત કરીએ છીએ. છેલ્લે, અમે અમારા શ્રેષ્ઠ મોડેલમાંથી એક લક્ષણ નિષ્કર્ષક પ્રકાશિત કરીએ છીએ જેને ઓવરફેટ કહેવાય છે. |
062c1c1b3e280353242dd2fb3c46178b87cb5e46 | આ કાગળમાં આપણે સતત રાજ્ય-ક્રિયા જગ્યાઓ સાથે મજબૂતીકરણ શીખવાની સમસ્યાઓને સંબોધિત કરીએ છીએ. અમે એક નવો અલ્ગોરિધમનો પ્રસ્તાવિત કરીએ છીએ, જે કુદરતી અભિનેતા-આલોચનાત્મક (એફએનએસી) છે, જે સામાન્ય કાર્ય અંદાજ અને ડેટા પુનઃઉપયોગ માટે પરવાનગી આપવા માટે [1] માં કાર્યને વિસ્તૃત કરે છે. અમે મહત્વના નમૂનાનો ઉપયોગ કરીને tted મૂલ્ય પુનરાવર્તનના એક પ્રકાર સાથે કુદરતી અભિનેતા-નિર્ણાયક આર્કિટેક્ચર [1] ને જોડીએ છીએ. આ રીતે મેળવેલી પદ્ધતિ બંને અભિગમોની આકર્ષક સુવિધાઓને ભેગા કરે છે જ્યારે તેમની મુખ્ય નબળાઈઓ દૂર કરે છેઃ એક ઢાળ આધારિત અભિનેતાનો ઉપયોગ સરળતાથી સતત ક્રિયા-અવકાશમાં નીતિ ઑપ્ટિમાઇઝેશન સાથે રીગ્રેસન પદ્ધતિઓમાં જોવા મળતી મુશ્કેલીઓને દૂર કરે છે; બદલામાં, રીગ્રેસન આધારિત વિવેચકનો ઉપયોગ ડેટાના કાર્યક્ષમ ઉપયોગ માટે પરવાનગી આપે છે અને સંકલન સમસ્યાઓ ટાળે છે જે ટીડી-આધારિત વિવેચકો વારંવાર પ્રદર્શિત કરે છે. અમે અમારા અલ્ગોરિધમનો સંકલન સ્થાપિત કરીએ છીએ અને તેના એપ્લિકેશનને સરળ સતત જગ્યા, સતત ક્રિયા સમસ્યામાં સમજાવીએ છીએ. |
f97f0902698abff8a2bc3488e8cca223e5c357a1 | ડેટા-માઇનિંગ અને મશીન-લર્નિંગ સમસ્યાઓના ઉકેલ માટે સુવિધા પસંદગી એક મહત્વપૂર્ણ પાસું છે. આ કાગળ સપોર્ટ વેક્ટર મશીન (એસવીએમ) શીખવા માટે એક લક્ષણ-પસંદગી પદ્ધતિ સૂચવે છે. મોટાભાગની સુવિધા-પસંદગી પદ્ધતિઓની જેમ, પ્રસ્તાવિત પદ્ધતિ તમામ સુવિધાઓને મહત્વના ક્રમમાં ક્રમશઃ ક્રમશઃ ક્રમમાં ક્રમશઃ ક્રમમાં ક્રમશઃ ક્રમમાં ક્રમશઃ ક્રમમાં ક્રમશઃ ક્રમમાં ક્રમશઃ ક્રમમાં ક્રમશઃ ક્રમમાં ક્રમશઃ ક્રમમાં ક્રમશઃ ક્રમમાં ક્રમશઃ ક્રમમાં ક્રમશઃ ક્રમમાં ક્રમશઃ ક્રમમાં ક્રમશઃ ક્રમમાં ક્રમશઃ ક્રમમાં ક્રમશઃ ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમમાં ક્રમ તે એસવીએમના સંભાવનાત્મક આઉટપુટ પર આધારિત એક નવલકથા માપદંડનો ઉપયોગ કરે છે. આ માપદંડ, જેને ફીચર-આધારિત સંવેદનશીલતા ઓફ પૉસ્ટિઅર પ્રોબબિબલ્સ (એફએસપીપી) કહેવામાં આવે છે, તે ફીચર સ્પેસ પર, એસવીએમના સંભાવનાત્મક આઉટપુટના સંપૂર્ણ તફાવતની ગણતરી કરીને, અને તે વગર, ચોક્કસ લક્ષણના મહત્વનું મૂલ્યાંકન કરે છે. આ માપદંડનું ચોક્કસ સ્વરૂપ સરળતાથી ગણતરી કરી શકાય તેવું નથી અને અંદાજ જરૂરી છે. આ હેતુ માટે ચાર અંદાજ, એફએસપીપી 1-એફએસપીપી 4, પ્રસ્તાવિત છે. પ્રથમ બે અંદાજો તાલીમ ડેટાના નમૂનાઓ વચ્ચે રેન્ડમલી પેરમેટ કરીને લક્ષણના મૂલ્યોનું મૂલ્યાંકન કરે છે. તેઓ સ્ટાન્ડર્ડ એસવીએમ આઉટપુટથી તેના સંભાવનાત્મક આઉટપુટ સુધીના મેપિંગ ફંક્શનની તેમની પસંદગીમાં અલગ છેઃ એફએસપીપી 1 એક સરળ થ્રેશોલ્ડ ફંક્શનનો ઉપયોગ કરે છે જ્યારે એફએસપીપી 2 સિગ્મોઇડ ફંક્શનનો ઉપયોગ કરે છે. બીજા બે સીધા માપદંડની નજીક આવે છે પરંતુ લક્ષણોના સંદર્ભમાં માપદંડની સરળતા ધારણાઓમાં અલગ પડે છે. આ અંદાજોની કામગીરી, એકંદર સુવિધા-પસંદગી યોજનામાં ઉપયોગમાં લેવામાં આવે છે, ત્યારબાદ વિવિધ કૃત્રિમ સમસ્યાઓ અને વાસ્તવિક દુનિયાની સમસ્યાઓ પર મૂલ્યાંકન કરવામાં આવે છે, જેમાં તાજેતરના ન્યુરલ ઇન્ફોર્મેશન પ્રોસેસિંગ સિસ્ટમ્સ (એનઆઇપીએસ) સુવિધા પસંદગી સ્પર્ધાના ડેટાસેટ્સનો સમાવેશ થાય છે. એફએસપીપી-1 થી એફએસપીપી-2 એ સતત સારા પ્રદર્શનનું પ્રદર્શન કર્યું છે, જે સામાન્ય રીતે થોડો ગાળો દ્વારા શ્રેષ્ઠ છે. એફએસપીપી 2 નું પ્રદર્શન અમે પરીક્ષણ કરેલા ડેટાસેટ્સ પર સાહિત્યમાં કેટલીક શ્રેષ્ઠ પ્રદર્શન સુવિધા-પસંદગી પદ્ધતિઓ સાથે સ્પર્ધાત્મક છે. તેની સાથે સંકળાયેલી ગણતરીઓ સાધારણ છે અને તેથી તે એસવીએમ એપ્લિકેશન્સ માટે સુવિધા-પસંદગી પદ્ધતિ તરીકે યોગ્ય છે. |
a1c5a6438d3591819e730d8aecb776a52130c33d | આ પ્રસ્તાવિત કોમ્પેક્ટ માઇક્રોસ્ટ્રીપ લો પાસ ફિલ્ટર (એલપીએફ) છે, જેમાં ટ્રાન્સફોર્મ્ડ સ્ટેપ્ડ ઇમ્પેડન્સ હેરપિન રેઝોનરનો ઉપયોગ કરીને અલ્ટ્રા-વ્હાઇડ સ્ટોપબેન્ડનો ઉપયોગ કરવામાં આવે છે. આ પરિવર્તિત રેઝોનરમાં સ્ટેપલ ઇમ્પીડન્સ હેરપિન રેઝોનર અને એમ્બેડેડ હેક્સાગોન સ્ટબ લોડ્ડ કપ્પ્પ્લડ-લાઇન સ્ટ્રક્ચર છે. કદને વધાર્યા વિના, વ્યાપક સ્ટોપબેન્ડ મેળવવા માટે એમ્બેડેડ સ્ટ્રક્ચર રજૂ કરવામાં આવે છે. એક પ્રોટોટાઇપ એલપીએફનું સિમ્યુલેશન કરવામાં આવ્યું છે, તેનું નિર્માણ અને માપ કરવામાં આવ્યું છે અને માપન સિમ્યુલેશન સાથે સારી રીતે સંમત છે. અમલમાં મૂકાયેલ લો પાસ ફિલ્ટરમાં અલ્ટ્રા-વ્હાઇડ સ્ટોપબેન્ડ 12.01fc સુધી 14 ડીબીના અસ્વીકાર સ્તર સાથે પ્રદર્શિત થાય છે. વધુમાં, પ્રસ્તાવિત ફિલ્ટરમાં 0.071λg × 0.103λg નું કદ છે, જ્યાં λg એ 1.45 ગીગાહર્ટ્ઝની કટઓફ ફ્રીક્વન્સી પર વેવગાઇડ લંબાઈ છે. |
70d2d4b07b5c65ef4866c7fd61f9620bffa01e29 | છેલ્લા દસકામાં આબોહવામાં પરિવર્તન અને વરસાદ અસ્થિર રહ્યો છે. આ કારણે તાજેતરના સમયમાં ઘણા ભારતીય ખેડૂતો દ્વારા સ્માર્ટ કૃષિ તરીકે ઓળખાતી આબોહવા-સ્માર્ટ પદ્ધતિઓ અપનાવવામાં આવી છે. સ્માર્ટ કૃષિ એ આઇઓટી (વસ્તુઓના ઈન્ટરનેટ) સાથે અમલમાં મૂકાયેલી સ્વચાલિત અને નિર્દેશિત માહિતી તકનીક છે. આઇઓટી ઝડપથી વિકાસ પામી રહ્યું છે અને તમામ વાયરલેસ વાતાવરણમાં વ્યાપકપણે લાગુ કરવામાં આવી રહ્યું છે. આ કાગળમાં કૃષિ પ્રણાલીની વાસ્તવિક સ્થિતિના આધારે સેન્સર ટેકનોલોજી અને આઇઓટી ટેકનોલોજીના વાયરલેસ નેટવર્ક સંકલનનો અભ્યાસ અને સમીક્ષા કરવામાં આવી છે. ઇન્ટરનેટ અને વાયરલેસ સંચાર સાથે સંયુક્ત અભિગમ, રિમોટ મોનિટરિંગ સિસ્ટમ (આરએમએસ) ની દરખાસ્ત કરવામાં આવી છે. મુખ્ય ઉદ્દેશ એ છે કે કૃષિ ઉત્પાદન વાતાવરણનો વાસ્તવિક સમયનો ડેટા એકત્રિત કરવો કે જે કૃષિ સુવિધાઓ માટે સરળ ઍક્સેસ પ્રદાન કરે છે જેમ કે શોર્ટ મસાજિંગ સર્વિસ (એસએમએસ) દ્વારા ચેતવણીઓ અને હવામાનની રીત, પાક વગેરે અંગેની સલાહ. |
ea88b58158395aefbb27f4706a18dfa2fd7daa89 | ઓનલાઈન સોશિયલ નેટવર્ક (ઓએસએન) માં સ્વ-જાહેર કરવાની નોંધપાત્ર માત્રા હોવા છતાં, આ ઘટના પાછળની પ્રેરણા હજુ પણ ઓછી સમજી છે. પ્રાઇવસી કેલ્ક્યુલસ સિદ્ધાંત પર નિર્માણ, આ અભ્યાસ વ્યક્તિગત સ્વ-જાહેર કરવાના નિર્ણયો પાછળના પરિબળો પર નજીકથી નજર રાખીને આ અંતરને ભરે છે. 237 વિષયો સાથેના માળખાકીય સમીકરણ મોડેલમાં અમે જોવામાં આવેલ આનંદ અને ગોપનીયતાની ચિંતાઓ માહિતીના પ્રકાશનના નોંધપાત્ર નિર્ધારકો તરીકે શોધીએ છીએ. અમે પુષ્ટિ કરીએ છીએ કે ઓએસએન વપરાશકર્તાઓની ગોપનીયતાની ચિંતાઓ મુખ્યત્વે ગોપનીયતા ઉલ્લંઘનની સંભાવના દ્વારા નક્કી કરવામાં આવે છે અને અપેક્ષિત નુકસાન દ્વારા ઘણું ઓછું છે. આ સમજણ ઓએસએન પ્રદાતાઓ અને નીતિ નિર્માતાઓ માટે તંદુરસ્ત જાહેરાત સ્તરને સુનિશ્ચિત કરવાના તેમના પ્રયત્નોમાં એક મજબૂત આધાર પૂરો પાડે છે જે વ્યક્તિલક્ષી ગેરસમજોને બદલે ઉદ્દેશ્ય તર્ક પર આધારિત છે. |
9dbfcf610da740396b2b9fd75c7032f0b94896d7 | ડેટાબેઝ મેનેજમેન્ટ સિસ્ટમ્સ (ડીબીએમએસ) સાથે ક્રિયાપ્રતિક્રિયા કરતી એપ્લિકેશન્સ સર્વવ્યાપક છે. આવા ડેટાબેઝ એપ્લિકેશન્સ સામાન્ય રીતે એપ્લિકેશન સર્વર પર હોસ્ટ કરવામાં આવે છે અને પ્રક્રિયા માટે ડેટાને પુનઃપ્રાપ્ત કરવા માટે ડેટાબેઝ સર્વર પર હોસ્ટ કરેલ ડીબીએસએસ પર નેટવર્ક પર ઘણી નાની ઍક્સેસ કરે છે. દાયકાઓથી, ડેટાબેઝ અને પ્રોગ્રામિંગ સિસ્ટમ્સ સંશોધન સમુદાયોએ વિવિધ દ્રષ્ટિકોણથી આવી એપ્લિકેશનોને શ્રેષ્ઠ બનાવવા પર કામ કર્યું છેઃ ડેટાબેઝ સંશોધકોએ અત્યંત કાર્યક્ષમ ડીબીએમએસ બનાવ્યાં છે, અને પ્રોગ્રામિંગ સિસ્ટમ્સ સંશોધકોએ એપ્લિકેશન્સ હોસ્ટ કરવા માટે વિશિષ્ટ કમ્પાઇલર્સ અને રનટાઇમ સિસ્ટમ્સ વિકસાવી છે. જો કે, પ્રમાણમાં ઓછું કામ થયું છે જે આ વિશિષ્ટ સિસ્ટમોને સંયોજનમાં ધ્યાનમાં લઈને અને ઑપ્ટિમાઇઝેશન તકો શોધીને ડેટાબેઝ એપ્લિકેશન્સને ઑપ્ટિમાઇઝ કરે છે જે તેમને ફેલાવે છે. આ લેખમાં, અમે ત્રણ પ્રોજેક્ટ્સને પ્રકાશિત કરીએ છીએ જે પ્રોગ્રામિંગ સિસ્ટમ અને ડીબીએમએસ બંનેને એક સંપૂર્ણ રીતે જોઈને ડેટાબેઝ એપ્લિકેશન્સને ઑપ્ટિમાઇઝ કરે છે. ડીબીએમએસ અને એપ્લિકેશન વચ્ચેના ઇન્ટરફેસને કાળજીપૂર્વક પુનર્વિચાર કરીને, અને ઘોષણાત્મક ડેટાબેઝ ઑપ્ટિમાઇઝેશન અને આધુનિક પ્રોગ્રામ વિશ્લેષણ તકનીકોના મિશ્રણને લાગુ કરીને, અમે બતાવીએ છીએ કે વાસ્તવિક દુનિયાના કાર્યક્રમોમાં તીવ્રતાના બહુવિધ ઓર્ડરનું ઝડપ શક્ય છે. |
fdc3948f5fec24eb7cd4178aee9732ab284f1f1c | આ કાગળમાં WWAN/LTE મેટલ-રીમડ સ્માર્ટફોન એપ્લિકેશન્સ માટે હાઇબ્રિડ મલ્ટી-મોડ ન્યુ-ફ્રેમ એન્ટેનાનો પ્રસ્તાવ છે. ગ્રાઉન્ડ ક્લિયરન્સ માત્ર 5 મીમી × 45 મીમી છે, જે સાંકડી ફ્રેમવાળા સ્માર્ટફોન માટે આશાસ્પદ છે. નાના અંતર સાથે મેટલ રિમ સિસ્ટમ ગ્રાઉન્ડ સાથે ત્રણ ગ્રાઉન્ડ પેચ દ્વારા જોડાયેલ છે. આ પ્રસ્તાવિત એન્ટેના ત્રણ કપ્લડ લૂપ મોડ અને એક સ્લોટ મોડને ઉત્તેજિત કરી શકે છે. આ ચાર મોડને સામેલ કરીને પ્રસ્તાવિત એન્ટેના જીએસએમ850/900, ડીસીએસ/પીસીએસ/યુએમટીએસ2100 અને એલટીઇ2300/2500 ઓપરેશન્સ માટે કવરેજ પૂરું પાડી શકે છે. પ્રસ્તાવિત એન્ટેનાના વિગતવાર ડિઝાઇન વિચારણાઓ વર્ણવવામાં આવે છે, અને પ્રાયોગિક અને સિમ્યુલેટેડ પરિણામો બંને પણ રજૂ કરવામાં આવે છે. |
021f37e9da69ea46fba9d2bf4e7ca3e8ba7b3448 | અલ્ટ્રાવાઇડબેન્ડ સોલર વિવાલ્ડી એન્ટેનાની દરખાસ્ત કરવામાં આવી છે. આકારહીન સિલિકોન કોશિકાઓમાંથી કાપવામાં આવે છે, તે 4.25 વી પર ટોચની શક્તિ જાળવે છે, જે નુકસાનકારક પાવર મેનેજમેન્ટ ઘટકોની જરૂરિયાતને દૂર કરે છે. વાયરલેસ સંચાર ઉપકરણ સૌર ઊર્જા પેદા કરી શકે છે અથવા ડ્યુઅલ સ્ત્રોત ઊર્જાની ખેતી માટે રેક્ટેના તરીકે કાર્ય કરી શકે છે. સોલર વિવાલ્ડી 0.95-2.45 ગીગાહર્ટ્ઝથી 0.5-2.8 ડીબીઆઇ ગેઇન સાથે કામ કરે છે, અને રેક્ટેના મોડમાં, તે વાયરલેસ ઊર્જા સ્કેવિંગ માટે ત્રણ બેન્ડને આવરી લે છે. |
592a6d781309423ceb95502e92e577ef5656de0d | મશીન અનુવાદના ન્યુરલ એન્કોડર-ડેકોડર મોડેલોએ પરંપરાગત અનુવાદ મોડેલોને હરીફ કરતા પ્રભાવશાળી પરિણામો પ્રાપ્ત કર્યા છે. જો કે, તેમની મોડેલિંગ રચના ખૂબ સરળ છે, અને પરંપરાગત મોડેલોમાં બનેલા કેટલાક મુખ્ય પ્રેરક પૂર્વગ્રહોને અવગણે છે. આ કાગળમાં અમે ધ્યાન કેન્દ્રિત ન્યુરલ અનુવાદ મોડેલને વિસ્તૃત કરીએ છીએ જેમાં શબ્દ આધારિત ગોઠવણી મોડેલોમાંથી માળખાકીય પૂર્વગ્રહનો સમાવેશ થાય છે, જેમાં પોઝિશનલ પૂર્વગ્રહ, માર્કોવ કન્ડિશનિંગ, ફળદ્રુપતા અને અનુવાદ દિશાઓ પર સંમતિનો સમાવેશ થાય છે. અમે બેઝલાઇન ધ્યાન મોડેલ અને સ્ટાન્ડર્ડ શબ્દસમૂહ આધારિત મોડેલ પર સુધારાઓ બતાવીએ છીએ, ઘણી ભાષા જોડીઓ પર, ઓછી સંસાધન સેટિંગમાં મુશ્કેલ ભાષાઓનું મૂલ્યાંકન કરવું. |
9ebe089caca6d78ff525856c7a828884724b9039 | બેયસિયન અભિગમ રિઇનફોર્સ્ડ લર્નિંગમાં સંશોધન અને શોષણના વેપાર-બંધનો સિદ્ધાંત આધારિત ઉકેલ પૂરો પાડે છે. જો કે, લાક્ષણિક અભિગમો, ક્યાં તો સંપૂર્ણપણે અવલોકનક્ષમ વાતાવરણ અથવા નબળી રીતે સ્કેલ કરે છે. આ કાર્યમાં ફેક્ટરડ બેયસ-એડેપ્ટિવ POMDP મોડેલ રજૂ કરવામાં આવ્યું છે, જે આંશિક રીતે અવલોકનક્ષમ સિસ્ટમોમાં ગતિશીલતા શીખતી વખતે અંતર્ગત માળખુંનો ઉપયોગ કરવા માટે સક્ષમ છે. અમે રાજ્ય અને મોડેલ ચલો પર સંયુક્ત પશ્ચાદવર્તીને આશરે કરવા માટે માન્યતા ટ્રેકિંગ પદ્ધતિ પણ રજૂ કરીએ છીએ, અને મોન્ટે-કાર્લો ટ્રી સર્ચ સોલ્યુશન પદ્ધતિના અનુકૂલન, જે એકસાથે અંતર્ગત સમસ્યાને લગભગ શ્રેષ્ઠ રીતે હલ કરવા માટે સક્ષમ છે. અમારી પદ્ધતિ જાણીતા પરિબળને આપવામાં કાર્યક્ષમ રીતે શીખવા માટે સક્ષમ છે અથવા તે જ સમયે પરિબળ અને મોડેલ પરિમાણોને પણ શીખે છે. અમે દર્શાવ્યું છે કે આ અભિગમ વર્તમાન પદ્ધતિઓ કરતાં વધુ સારી કામગીરી કરવા સક્ષમ છે અને સમસ્યાઓનો સામનો કરે છે જે અગાઉ અશક્ય હતા. |
b3a18280f63844e2178d8f82bc369fcf3ae6d161 | વર્ડ એમ્બેડિંગ એ એક લોકપ્રિય માળખું છે જે વાસ્તવિક સંખ્યાઓના વેક્ટર્સ તરીકે ટેક્સ્ટ ડેટાનું પ્રતિનિધિત્વ કરે છે. આ વેક્ટર્સ ભાષામાં સિમેન્ટીક્સને પકડે છે, અને વિવિધ કુદરતી ભાષા પ્રોસેસિંગ અને મશીન લર્નિંગ એપ્લિકેશન્સમાં તેનો ઉપયોગ થાય છે. આ ઉપયોગી ગુણધર્મો હોવા છતાં, સામાન્ય ભાષાના કોર્પસમાંથી મેળવેલ શબ્દના એમ્બેડિંગમાં આવશ્યકપણે માનવ પૂર્વગ્રહ દર્શાવવામાં આવે છે [6]. અમે GloVe શબ્દ એમ્બેડિંગ અલ્ગોરિધમનો [9] દ્વારા ઉત્પાદિત વ્યવસાય શબ્દ વેક્ટર્સ માટે સીધા અને પરોક્ષ લિંગ પૂર્વગ્રહને માપીએ છીએ, પછી આ એમ્બેડિંગનો ઉપયોગ કરીને ડાઉનસ્ટ્રીમ એપ્લિકેશન્સમાં પૂર્વગ્રહને વધારવા માટે ઓછા પૂર્વગ્રહ સાથે એમ્બેડિંગ ઉત્પન્ન કરવા માટે આ અલ્ગોરિધમનો ફેરફાર કરીએ છીએ. |
08a6e999532544e83618c16a96f6d4c7356bc140 | |
0c35a65a99af8202fe966c5e7bee00dea7cfcbf8 | આ લેખમાં ઓટોમોસ, ઇન્ટરેક્ટિવ ટૂર-ગાઇડ રોબોટની સોફ્ટવેર આર્કિટેક્ચરનું વર્ણન કરવામાં આવ્યું છે. તે એક મોડ્યુલર અને વિતરણ સોફ્ટવેર આર્કીટેક્ચર રજૂ કરે છે, જે સ્થાનિકીકરણ, મેપિંગ, અથડામણ ટાળવા, આયોજન અને વપરાશકર્તા ક્રિયાપ્રતિક્રિયા અને વેબ આધારિત ટેલિપ્રેઝન્સ સાથે સંબંધિત વિવિધ મોડ્યુલોને એકીકૃત કરે છે. તેના હૃદયમાં, એસઓફ્ટેવેર અભિગમ સંભવતઃ ગણતરી, ઓનલાઈન શિક્ષણ અને કોઈપણ સમયે અલ્ગોરિધમનો પર આધાર રાખે છે. તે રોબોટ્સને અત્યંત ગતિશીલ વાતાવરણમાં સલામત, વિશ્વસનીય અને ઊંચી ઝડપે કાર્ય કરવા સક્ષમ બનાવે છે, અને રોબોટની કામગીરીને સહાય કરવા માટે પર્યાવરણમાં કોઈ ફેરફારની જરૂર નથી. ખાસ ભાર લોકોના અંતઃપ્રેરણાને અનુકૂળ ઇન્ટરેક્ટિવ ક્ષમતાઓની રચના પર મૂકવામાં આવ્યો છે. આ ઇન્ટરફેસ જાહેર સ્થળોએ લોકોની ભીડ સાથે માનવ-રોબોટની ક્રિયાપ્રતિક્રિયા માટે નવા માધ્યમો પૂરા પાડે છે અને તે સમગ્ર વિશ્વમાં લોકોને વેબનો ઉપયોગ કરીને વર્ચ્યુઅલ ટેલિપ્રેઝન્સ સ્થાપિત કરવાની ક્ષમતા પણ પૂરી પાડે છે. અમારા અભિગમને સમજાવવા માટે, 1997ના મધ્યમાં પ્રાપ્ત થયેલા પરિણામોની જાણ કરવામાં આવી છે, જ્યારે અમારા રોબોટ RHINOને છ દિવસ માટે ગીચ વસ્તીવાળા સંગ્રહાલયમાં તૈનાત કરવામાં આવ્યો હતો. આ પ્રયોગોના પરિણામો જાહેર વાતાવરણમાં વિશ્વસનીય કામગીરી દર્શાવે છે. રોબોટે મ્યુઝિયમની એટેનન્સ ડાન્સને 50%થી વધુ સફળતાપૂર્વક વધારી દીધી છે. આ ઉપરાંત, સમગ્ર વિશ્વમાં હજારો લોકોએ વેબ દ્વારા રોબોટને નિયંત્રિત કર્યું. અમે અનુમાન લગાવીએ છીએ કે આ નવીનતાઓ સર્વિસ રોબોટ્સ માટે ઘણી મોટી એપ્લિકેશન ડોમેન્સમાં આગળ વધે છે. |
66479c2251088dae51c228341c26164f21250593 | |
2c521847f2c6801d8219a1a2e9f4e196798dd07d | |
c0e97ca70fe29db4ceb834464576b699ef8874b1 | આ પત્રમાં લાંબા ગાળાના ત્રિપરિમાણીય (3-ડી) લિડાર ડેટામાંથી શીખવામાં આવેલ નવલકથા અર્થશાસ્ત્રના નકશા અભિગમ, રિકરન્ટ-ઓક્ટોમેપ રજૂ કરવામાં આવ્યો છે. મોટાભાગના વર્તમાન સિમેન્ટીક મેપિંગ અભિગમો સિમેન્ટીક નકશાના 3-ડી રિફાઇનમેન્ટ (એટલે કે, 3D) ને બદલે સિંગલ ફ્રેમ્સની સિમેન્ટીક સમજને સુધારવા પર ધ્યાન કેન્દ્રિત કરે છે. અર્થશાસ્ત્રના નિરીક્ષણોને ભેળવીને). 3-ડી સિમેન્ટીક નકશાની સુધારણા માટે સૌથી વધુ ઉપયોગમાં લેવાતી અભિગમ બેયસ અપડેટ છે, જે માર્કોવ-ચેઇન મોડેલને અનુસરીને સતત આગાહીની સંભાવનાઓને ફ્યુઝ કરે છે. તેના બદલે, અમે વર્ગીકરણકર્તાની આગાહીઓને સરળ રીતે ભેળવીને બદલે, અર્થશાસ્ત્રની સુવિધાઓને ભેળવીને શીખવાની અભિગમનો પ્રસ્તાવ કરીએ છીએ. અમારા અભિગમમાં, અમે અમારા 3-ડી નકશાને ઓક્ટોમેપ તરીકે રજૂ કરીએ છીએ અને જાળવીએ છીએ, અને દરેક કોષને રિકરન્ટ-ઓક્ટોમેપ મેળવવા માટે, રિકરન્ટ ન્યુરલ નેટવર્ક તરીકે મોડેલ કરીએ છીએ. આ કિસ્સામાં, સિમેન્ટીક મેપિંગ પ્રક્રિયાને સિક્વન્સ-ટુ-સિક્વન્સ એન્કોડિંગ-ડિકોડિંગ સમસ્યા તરીકે ઘડવામાં આવી શકે છે. વધુમાં, અમારા રિકરન્ટ-ઓક્ટોમેપમાં અવલોકનોનો સમયગાળો વધારવા માટે, અમે બે અઠવાડિયાથી વધુ ડેટાનો ઉપયોગ કરીને ગતિશીલ પર્યાવરણને ક્રમિક રીતે મેપ કરવા માટે એક મજબૂત 3-ડી સ્થાનિકીકરણ અને મેપિંગ સિસ્ટમ વિકસાવી છે, અને સિસ્ટમ તાલીમ આપી શકાય છે અને મનસ્વી મેમરી લંબાઈ સાથે જમાવટ કરી શકાય છે. અમે ઇટીએચ લાંબા ગાળાના 3-ડી લિડર ડેટાસેટ પર અમારા અભિગમને માન્ય કરીએ છીએ. પ્રાયોગિક પરિણામો દર્શાવે છે કે અમારી પ્રસ્તાવિત અભિગમ પરંપરાગત "બેયસ અપડેટ" અભિગમને આગળ વધે છે. |
1d3ddcefe4d5fefca04fe730ca73312e2c588b3b | વિદ્યાર્થીઓને જાળવી રાખવું એ ઘણી નોંધણી વ્યવસ્થાપન પ્રણાલીઓનો આવશ્યક ભાગ છે. તે યુનિવર્સિટી રેન્કિંગ, શાળા પ્રતિષ્ઠા અને નાણાકીય સુખાકારીને અસર કરે છે. ઉચ્ચ શિક્ષણ સંસ્થાઓમાં નિર્ણય લેનારાઓ માટે વિદ્યાર્થીઓને જાળવી રાખવું એ સૌથી મહત્વની પ્રાથમિકતાઓમાંની એક બની ગઈ છે. વિદ્યાર્થીઓને જાળવી રાખવા માટે વિદ્યાર્થીઓની સંખ્યામાં વધારો થવાના કારણોની સંપૂર્ણ સમજણથી શરૂ થાય છે. આવી સમજણ જોખમમાં રહેલા વિદ્યાર્થીઓની સચોટ આગાહી કરવા અને તેમને જાળવી રાખવા માટે યોગ્ય રીતે દખલગીરી કરવાનો આધાર છે. આ અભ્યાસમાં, પાંચ વર્ષના સંસ્થાકીય ડેટાની સાથે સાથે અનેક ડેટા માઇનિંગ તકનીકો (બંને વ્યક્તિઓ તેમજ એસેમ્બલ્સ) નો ઉપયોગ કરીને, અમે વિશ્લેષણાત્મક મોડેલો વિકસાવ્યા છે જે નવા વિદ્યાર્થીઓના અસ્થિરતા પાછળના કારણોને આગાહી અને સમજાવવા માટે છે. તુલનાત્મક વિશ્લેષણના પરિણામો દર્શાવે છે કે સમૂહ વ્યક્તિગત મોડેલો કરતાં વધુ સારી કામગીરી કરે છે, જ્યારે સંતુલિત ડેટાસેટ અસંતુલિત ડેટાસેટ કરતાં વધુ સારા આગાહી પરિણામો ઉત્પન્ન કરે છે. ખરીદી નિકાસની સંવેદનશીલતા વિશ્લેષણ અગાઉના લેખ આગળના લેખ તપાસો કે તમારી પાસે તમારા લૉગિન પ્રમાણપત્રો અથવા તમારી સંસ્થા દ્વારા ઍક્સેસ છે કે નહીં. |
1b3b22b95ab55853aff3ea980a5b4a76b7537980 | સતત લક્ષણો ધરાવતા ડોમેન્સમાં C4.5 ની નબળાઈને સતત લક્ષણો પરના પરીક્ષણોની રચના અને મૂલ્યાંકનને સંશોધિત કરીને સંબોધવામાં આવે છે. એમડીએલ-આધારિત દંડ આવા પરીક્ષણો પર લાગુ કરવામાં આવે છે, તેમાંના કેટલાકને ધ્યાનમાં લેવાથી દૂર કરવામાં આવે છે અને તમામ પરીક્ષણોની સંબંધિત ઇચ્છનીયતાને બદલવામાં આવે છે. પ્રયોગો દર્શાવે છે કે ફેરફારો નાના નિર્ણય વૃક્ષો તરફ દોરી જાય છે જે ઉચ્ચ આગાહી ચોકસાઈ ધરાવે છે. પરિણામો એ પણ પુષ્ટિ કરે છે કે આ ફેરફારોને સમાવિષ્ટ C4.5 નું નવું સંસ્કરણ તાજેતરના અભિગમો કરતાં વધુ સારી છે જે વૈશ્વિક ડિસ્ક્રીટીઝેશનનો ઉપયોગ કરે છે અને જે બહુવિધ અંતરાલ વિભાજન સાથે નાના વૃક્ષોનું નિર્માણ કરે છે. |
1060ff9852dc12e05ec44bee7268efdc76f7535d | મુખ્ય વિચાર એ છે કે ઇનપુટ જોડી (I, J) વચ્ચે સીધા જ ગણતરીના પ્રવાહને બદલે, અમે છબીઓના સંસ્કરણો (I , J ) ની ગણતરી કરીએ છીએ જેમાં પ્રકાશને જાળવી રાખતા ચહેરાના અભિવ્યક્તિઓ અને પોઝ સામાન્ય થાય છે. આ દરેક ફોટોને સંપૂર્ણ ફોટો સંગ્રહમાંથી રચાયેલી દેખાવ ઉપ-જગ્યા પર પુનરાવર્તિત રીતે પ્રસ્તુત કરીને પ્રાપ્ત થાય છે. ઇચ્છિત પ્રવાહ પ્રવાહોના જોડાણ દ્વારા મેળવવામાં આવે છે (I → I ) o (J → J). અમારી પદ્ધતિનો ઉપયોગ કોઈપણ બે-ફ્રેમ ઓપ્ટિકલ ફ્લો અલ્ગોરિધમનો સાથે થઈ શકે છે, અને તે પ્રકાશ અને આકારના ફેરફારોને અસ્થિરતા પ્રદાન કરીને અલ્ગોરિધમનો પ્રભાવને નોંધપાત્ર રીતે વધારી શકે છે. ઈન્ટરનેટ ચહેરાના ફોટાઓની કોઈપણ જોડી વચ્ચે ઓપ્ટિકલ ફ્લોની ગણતરી કરવી એ પ્રકાશ, પોઝ અને ભૂમિતિમાં તફાવતને કારણે કલાના પ્રવાહ અંદાજ પદ્ધતિઓની સૌથી વર્તમાન સ્થિતિ માટે પડકારરૂપ છે. અમે બતાવીએ છીએ કે સમાન (અથવા સમાન) ઑબ્જેક્ટના મોટા ફોટો સંગ્રહનો લાભ લઈને ફ્લો અંદાજમાં નાટ્યાત્મક સુધારો કરી શકાય છે. ખાસ કરીને, ગૂગલ ઇમેજ સર્ચમાંથી સેલિબ્રિટીના ફોટાઓનો કેસ ધ્યાનમાં લો. આવા કોઇપણ બે ફોટામાં ચહેરાના અભિવ્યક્તિ, પ્રકાશ અને ચહેરાના અભિગમ અલગ હોઈ શકે છે. |
823964b144009f7c395cd09de9a70fe06542cc84 | ગ્લોબલ વોર્મિંગ ગેસના ઉત્સર્જનને ઘટાડવા અને મિશ્રિત ઉર્જા સ્ત્રોતોની રજૂઆત કરવાની જરૂરિયાતને કારણે સમગ્ર વિશ્વમાં વિદ્યુત ઉર્જા ઉત્પાદન નાટ્યાત્મક રીતે બદલાઇ રહ્યું છે. વીજળી નેટવર્કને અણધારી દૈનિક અને મોસમી ભિન્નતા સાથે માંગને પહોંચી વળવા માટે ટ્રાન્સમિશન અને વિતરણમાં મોટા પડકારોનો સામનો કરવો પડે છે. ઇલેક્ટ્રિકલ એનર્જી સ્ટોરેજ (ઇઇએસ) ને આ પડકારોને પહોંચી વળવા માટે મોટી સંભાવના ધરાવતી ટેકનોલોજી તરીકે ઓળખવામાં આવે છે, જેમાં ઊર્જાને ચોક્કસ રાજ્યમાં સંગ્રહિત કરવામાં આવે છે, જે ઉપયોગમાં લેવાતી ટેકનોલોજી અનુસાર છે, અને જ્યારે જરૂરી હોય ત્યારે ઇલેક્ટ્રિકલ ઊર્જામાં રૂપાંતરિત થાય છે. જો કે, વિકલ્પોની વિશાળ વિવિધતા અને જટિલ લાક્ષણિકતા મેટ્રિક્સ કોઈ ચોક્કસ એપ્લિકેશન માટે ચોક્કસ EES તકનીકનું મૂલ્યાંકન કરવું મુશ્કેલ બનાવે છે. આ કાગળ ઉપલબ્ધ અત્યાધુનિક ટેકનોલોજીની વ્યાપક અને સ્પષ્ટ ચિત્ર પ્રદાન કરીને આ સમસ્યાને ઘટાડવાનો ઇરાદો ધરાવે છે, અને જ્યાં તેઓ વીજ ઉત્પાદન અને વિતરણ પ્રણાલીમાં સંકલન માટે યોગ્ય હશે. આ કાગળ ઓપરેશન સિદ્ધાંતો, તકનીકી અને આર્થિક કામગીરીના લક્ષણો અને વર્તમાન સંશોધન અને મહત્વપૂર્ણ ઇઇએસ ટેકનોલોજીના વિકાસની ઝાંખી સાથે શરૂ થાય છે, જે સંગ્રહિત ઊર્જાના પ્રકારોના આધારે છ મુખ્ય કેટેગરીમાં સૉર્ટ કરે છે. ત્યારબાદ, સમીક્ષા કરેલી તકનીકોની વ્યાપક સરખામણી અને એપ્લિકેશન સંભવિત વિશ્લેષણ રજૂ કરવામાં આવે છે. 2014 લેખકો. એલ્સેવીયર લિમિટેડ દ્વારા પ્રકાશિત આ એક ઓપન એક્સેસ લેખ છે જે CC BY લાઇસન્સ હેઠળ છે (http://creativecommons.org/licenses/by/3.0/). |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.