_id
stringlengths 40
40
| text
stringlengths 0
9.75k
|
|---|---|
dcd72f0a9cdc37450379f401fc2f4f87e30f5021 | |
c1b66422b1dab3eeee6d6c760f4bd227a8bb16c5 | |
e75c5d1b7ecd71cd9f1fdc3d07f56290517ef1e5 | ऑनलाइन लेनदेन प्रसंस्करण (ओएलटीपी) अउर ऑनलाइन विश्लेषणात्मक प्रसंस्करण (ओएलएपी) के दुगो क्षेत्र डेटाबेस आर्किटेक्चर के लेल अलग-अलग चुनौती प्रस्तुत करई छलई। वर्तमान में, मिशन-महत्वपूर्ण लेनदेन के उच्च दर वाला ग्राहक अपन डेटा के दो अलग-अलग सिस्टम में विभाजित कर चुकले हा, OLTP के लिए एक डेटाबेस और OLAP के लिए एक तथाकथित डेटा वेयरहाउस। सभ्य लेनदेन दर के अनुमति देवे के बावजूद, इ अलगाव में डेटा ताजगी के मुद्दों सहित कई नुकसान हय, जे केवल समय-समय पर शुरू होवे वाला एक्सट्रैक्ट ट्रांसफॉर्म लोड-डेटा स्टेजिंग और दो अलग-अलग सूचना प्रणालि के बनाए रखे के कारण अत्यधिक संसाधन खपत के कारण होवो हय। हम हाइपर नामक एक कुशल हाइब्रिड प्रणाली प्रस्तुत करई हई, जे लेनदेन डेटा के सुसंगत स्नैपशॉट बनाए रखे के लेल हार्डवेयर-सहायता प्राप्त प्रतिकृति तंत्र के उपयोग कैके OLTP अउर OLAP दुनु के एक साथ संभाल सकई हई। हाइपर एगो मुख्य-स्मृति डेटाबेस सिस्टम हई जे ओएलटीपी लेनदेन के एसीआईडी गुण के गारंटी देई हई अउर ओएलएपी क्वेरी सत्र (एकाधिक क्वेरी) के ओही, मनमाना रूप से वर्तमान अउर सुसंगत स्नैपशॉट पर निष्पादित करई हई। वर्चुअल मेमोरी प्रबंधन (एड्रेस ट्रांसलेशन, कैशिंग, अपडेट पर कॉपी) के लिए प्रोसेसर-अवशिष्ट समर्थन के उपयोग एक ही समय में दोनों पैदा करता हैः प्रति सेकंड 100000 तक की अभूतपूर्व उच्च लेनदेन दर और एक ही सिस्टम पर बहुत तेज़ ओएलएपी क्वेरी प्रतिक्रिया समय दोनों वर्कलोड को समानांतर में निष्पादित करना। प्रदर्शन विश्लेषण संयुक्त टीपीसी-सी और टीपीसी-एच बेंचमार्क पर आधारित हय। |
732212be0e6c5216158a7470c79fa2ff98a2da06 | हम एक स्टैक्ड-एफईटी मोनोलिथिक मिलीमीटर-वेव (एमएमडब्ल्यू) एकीकृत सर्किट दोहर्टी पावर एम्पलीफायर (डीपीए) प्रस्तुत करई छी। डीपीए उच्च शक्ति और उच्च दक्षता के प्राप्त करे के लिए 6-डीबी पावर बैक-ऑफ (पीबीओ) पर एक उपन्यास विषम स्टैक गेट पूर्वाग्रह के उपयोग करो हय। सर्किट 0.15-μm वृद्धि मोड (ई-मोड) गैलियम आर्सेनाइड (GaAs) प्रक्रिया में निर्मित हय। प्रयोगात्मक परिणाम 28.2 dBm के 1-dB लाभ संपीड़न (P1dB) पर आउटपुट पावर, 37% के पीक पावर एडेड एफिशिएंसी (PAE) और 28 GHz पर 27% के 6-dB PBO पर PAE प्रदर्शित करो हय। मापा गेलय छोटा संकेत लाभ 15 डीबी हय जबकि 3-डीबी बैंडविड्थ 25.5 से 29.5 गीगाहर्ट्ज के कवर करो हय। 20 मेगाहर्ट्ज 64 क्यूएएम मॉड्यूलेटेड सिग्नल के साथ डिजिटल प्रीडस्टोरेशन (डीपीडी) के उपयोग करते हुए, -46 डीबीसी के एक आसन्न चैनल पावर अनुपात (एसीपीआर) देखल गेलय हय। |
03837b659b4a8878c2a2dbef411cd986fecfef8e | हम समानांतर वर्ण-स्तर अनुक्रम मॉडलिंग के लेल एगो ऑटोरेग्रेसिव ध्यान तंत्र के परिचय देई हई। हम ई तरीका के उपयोग एगो तंत्रिका मॉडल के बढ़ावे के लेल करई हई जेकरा मे कारण संवहन परत के ब्लॉक शामिल होई हई जे राजमार्ग नेटवर्क स्किप कनेक्शन द्वारा जुड़ल होई हई। हम प्रस्तावित ध्यान तंत्र के साथ और बिना मॉडल के क्रमशः हाईवे काज़ल कन्वोल्यूशन (काज़ल कन्वो) और ऑटोरेग्रेसिव-ध्यान काज़ल कन्वोल्यूशन (एआरए-कॉनवो) के रूप में दर्शावो हय। ऑटोरैगरेसिव ध्यान तंत्र डीकोडर में महत्वपूर्ण रूप से कारणता के बनाए रखो हय, जे समानांतर कार्यान्वयन के अनुमति देवो हय। हम देखबई कि ई मॉडल, उनकर आवर्ती समकक्ष के तुलना में, चरित्र-स्तर के एनएलपी कार्य में तेजी से अउर सटीक सीखना के सक्षम करई हई। विशेष रूप से, ई मॉडल प्राकृतिक भाषा सुधार अउर भाषा मॉडलिंग कार्य में पुनरावर्ती तंत्रिका नेटवर्क मॉडल के बेहतर प्रदर्शन करई हई, अउर समय के एक अंश में चलई हई। |
fe419be5c53e2931e1d6370c914ce166be29ff6e | |
0c3078bf214cea52669ec13962a0a242243d0e09 | इ पेपर में एक उपन्यास कॉम्पैक्ट फीडिंग सर्किट के नियोजित एगो ब्रॉडबैंड मुद्रित क्वाड्रिफिलर हेलिकल एंटीना के प्रस्ताव दिहल गेल हई। इ एंटीना 29% बैंडविड्थ के साथे, एक विस्तृत बीमविड्थ पर एक उत्कृष्ट अक्षीय अनुपात प्रस्तुत करो हय। एपर्चर-कपल्ड संक्रमण पर आधारित और दो 90 डिग्री सतह माउंट हाइब्रिड सहित एक विशिष्ट फीडिंग सर्किट को क्वाड्रिफिलर एंटीना के साथ एकीकृत करने के लिए डिज़ाइन किया गया है। बैंडविड्थ पर, वाइडबैंड कॉम्पैक्ट सर्किट द्वारा खिलाएल गेल एंटीना के मापल गेल परावर्तन गुणांक -12 डीबी के बराबर या एकरा से कम पावल गेलय हय और अधिकतम लाभ 1.5 से 2.7 डीबीआईसी 1.18 से 1.58 गीगाहर्ट्ज के बीच भिन्न होवो हय। आधा-शक्ति बीम चौड़ाई 150 ° हई, येई सीमा पर 3 dB से कम के अक्षीय अनुपात के जौरे। फ़ीडिंग सर्किट के कॉम्पैक्टनेस सरणी व्यवस्था में छोटे तत्व अंतराल के अनुमति देवो हय। |
0c3751db5a24c636c1aa8abfd9d63321b38cfce5 | स्टोचैस्टिक ग्रेडिएंट डिसेंट (एसजीडी) एसवीएम जैसे बड़े पैमाने पर पर्यवेक्षित मशीन लर्निंग अनुकूलन समस्याओं के हल करने के लिए लोकप्रिय हो गया है, क्योंकि इसकी मजबूत सैद्धांतिक गारंटी है। जबकि निकट से संबंधित डुअल कोऑर्डिनेट एसेन्ट (डीसीए) विधि के विभिन्न सॉफ्टवेयर पैकेज में लागू कैल गेल हई, अब तक येइमे अच्छा अभिसरण विश्लेषण के कमी रहल हई। ई पेपर स्टोचैस्टिक डुअल कोऑर्डिनेट असेंट (एसडीसीए) के एगो नया विश्लेषण प्रस्तुत करई हई, जे देखबई हई कि येई वर्ग के विधि के मजबूत सैद्धांतिक गारंटी हई जे एसजीडी से तुलनीय चाहे बेहतर छलई। ई विश्लेषण व्यावहारिक अनुप्रयोग के लेल SDCA के प्रभावशीलता के सही ठहराबई हई। |
24424918dc93c016deeaeb86a01c8bfc01253c9b | कैगो शास्त्रीय एल्गोरिदम कै साल बाद तक ओई सीमा से बाहरे रहे के लेल पाएल जाई हई जोनमे ऊ कल्पना कैल गेल रहई, अउर अप्रत्याशित सेटिंग में प्रासंगिक बनल रहलो। ई पेपर में, हम देखई हई कि एसवीआरजी एगो ऐसन विधि हई: मूल रूप से दृढ़ता से उत्तल उद्देश्य के लेल डिज़ाइन कैल गेल हई, गैर-मजबूत उत्तल या गैर-उन्नत सेटिंग्स के योग के तहत भी बहुत मजबूत छलई। यदि f ((x) चिकनी, उत्तल फलन के योग हई, लेकिन f दृढ़ता से उत्तल ना हई (जैसे लासो चाहे तार्किक प्रतिगमन), त हम एगो वैरिएंट एसवीआरजी प्रस्तावित करई हई जे एसवीआरजी के शीर्ष पर बढ़ता युग लंबाई के एगो उपन्यास विकल्प बनाबई हई। ई सेटिंग में एसवीआरजी एसवीआरजी के एगो सीधा, तेज़ संस्करण हई। यदि f (x) गैर-उग्र फलन के योग हई लेकिन f काफी उत्तल हई, त हम देखई हई कि एसवीआरजी के अभिसरण रैखिक रूप से योग के गैर-उग्रता पैरामीटर पर निर्भर करई हई। ई ई सेटिंग में सबसे अच्छा ज्ञात परिणाम में सुधार करो हय, और स्टोचैस्टिक पीसीए के लिए बेहतर चल समय देवो हय। |
680cbbc88d537bd6f5a68701b1bb0080a77faa00 | स्टोचैस्टिक ग्रेडिएंट वंश बड़े पैमाने पर अनुकूलन के लिए लोकप्रिय हय लेकिन अंतर्निहित भिन्नता के कारण असममित रूप से धीमा अभिसरण हय। इ समस्या के दूर करे के लिए, हम स्टोचैस्टिक ग्रेडिएंट वंश के लिए एक स्पष्ट विचलन कमी विधि के परिचय देवो हय जेकरा हम स्टोचैस्टिक विचलन कम ग्रेडिएंट (एसवीआरजी) कहो हय। सुचारू और दृढ़ता से उत्तल कार्यों के लिए, हम साबित करो हय कि इ विधि स्टोचस्टिक दोहरे निर्देशांक आरोहण (एसडीसीए) और स्टोचस्टिक औसत ढाल (एसएजी) के समान तेज अभिसरण दर के आनंद ले हय। हालांकि, हमारा विश्लेषण काफी सरल और अधिक सहज है। एकर अलावा, एसडीसीए या एसएजी के विपरीत, हमर विधि के ग्रेडिएंट के भंडारण के आवश्यकता नए हय, और इ प्रकार कुछ संरचित भविष्यवाणी समस्या और तंत्रिका नेटवर्क सीखने जैसे जटिल समस्या पर अधिक आसानी से लागू होवो हय। |
9fe5a7a24ff81ba2b6769e811b6ab47188a45242 | सिग्नल/इमेज प्रोसेसिंग, सांख्यिकी और मशीन लर्निंग में हाल ही में गैर-उग्र और गैर-ग्लैस समस्याओं पर काफी ध्यान देल गेल हई। हालांकि, गैर-उग्र और गैर-गलत अनुकूलन समस्याओं के हल करना एक बड़ी चुनौती बनी हुई है। त्वरित समीपवर्ती ढाल (एपीजी) उत्तल प्रोग्रामिंग के लिए एक उत्कृष्ट विधि हय। हालांकि, ई अभीयो अज्ञात हई कि क्या सामान्य एपीजी गैर-उग्र प्रोग्रामिंग में एक महत्वपूर्ण बिंदु तक अभिसरण सुनिश्चित कर सकई हई। इ पत्र में, हम एगो मॉनिटर के प्रस्तुत करके सामान्य गैर-उग्र और गैर-ग्लैमरस प्रोग्राम के लिए एपीजी के विस्तार कर हई जे पर्याप्त वंश संपत्ति के संतुष्ट करई हई। तदनुसार, हम एक एकरस एपीजी और एक गैर-एकतरफा एपीजी के प्रस्तावित करो हय। उत्तरार्द्ध उद्देश्य फ़ंक्शन के एकतरफा कमी पर आवश्यकता के त्याग करो हय और प्रत्येक पुनरावृत्ति में कम गणना के आवश्यकता होवो हय। हमर ज्ञान के सबसे अच्छा के लिए, हम सामान्य गैर-उग्र और गैर-गलत समस्याओं के लिए एपीजी-प्रकार के एल्गोरिदम प्रदान करे वाला पहला व्यक्ति हई, जे सुनिश्चित करई हई कि प्रत्येक संचय बिंदु एक महत्वपूर्ण बिंदु हई, अउर अभिसरण दर ओ (१ के२) बनल रहई जब समस्या उत्तल होई हई, जोनमे के पुनरावृत्ति के संख्या हई। संख्यात्मक परिणाम गति में हमर एल्गोरिदम के लाभ के गवाही देई हई। |
3e36eb936002a59b81d8abb4548dc2c42a29b743 | अक्सर सुरक्षा के स्वचालन प्रणाली के लिए एक ऐड-ऑन सेवा के रूप में देखल जा हय जे अक्सर अन्य लक्ष्यों जैसे कि कुशल संचरण या संसाधन सीमा के साथे संघर्ष करो हय। ई लेख स्वचालन प्रणाली में सुरक्षा के लिए एक अभ्यास-उन्मुख दृष्टिकोण के लिए जा हय। ई स्वचालन प्रणाली अउर विशेष रूप से स्वचालन नेटवर्क के लेल सामान्य खतरा के विश्लेषण करई हई, सुरक्षा के संबंध में सिस्टम के वर्गीकृत करे के लेल एगो मॉडल तैयार करई हई अउर विभिन्न प्रणाली स्तर पर उपलब्ध सामान्य उपाय पर चर्चा करई हई। उपाय के विवरण के समग्र प्रणाली सुरक्षा पर प्रभाव के मूल्यांकन करे के अनुमति देई चाहि |
8b74a32cebb5faf131595496f6470ff9c2c33468 | फेसबुक तेजी से वायरल हो रहल हई। हालाँकि, फेसबुक अन्य सामाजिक नेटवर्किंग साइटों से कुछ अलग हय काहेकी इ ऑफ़लाइन से ऑनलाइन प्रवृत्ति के प्रदर्शित करो हय; अर्थात, फेसबुक दोस्तों के बहुमत ऑफ़लाइन मिलो हय और फिर बाद में जोड़ा जा हय। वर्तमान शोध में जांच कैल गेलई कि व्यक्तित्व के पांच-कारक मॉडल फेसबुक के उपयोग से कैसे संबंधित छलई। बहिर्मुखीकरण और अनुभव के लिए खुलेपन के संबंध में कुछ अपेक्षित रुझान के बावजूद, परिणाम इंगित कैलकय कि व्यक्तित्व कारक उतना प्रभावशाली नए हलय जेतना कि पिछला साहित्य सुझाव देवो हय। परिणाम इ भी इंगित कैलकय कि फेसबुक के उपयोग के संदर्भ में संचार के लिए एक प्रेरणा प्रभावशाली हलय। ई सुझावल गेल हई कि फेसबुक जैसन उपकरण के उपयोग करे के निर्णय में विभिन्न प्रेरणा प्रभावशाली हो सकई हई, खासकर जब फेसबुक के व्यक्तिगत कार्य पर विचार कैल जाई छलो। © 2008 एल्सेवियर लिमिटेड. सब अधिकार सुरक्षित. 1. हल व्यक्तित्व सहसंबद्धता और संबंधित योग्यता कारक |
423fff94db2be3ddef5e3204338d2111776eafea | हम फेसबुक के 4.2 मिलियन उपयोगकर्ता द्वारा आदान-प्रदान कैल गेल 362 मिलियन संदेश के पूरी तरह से अनाम हेडर के विश्लेषण कैलके ह, कॉलेज के छात्रों के एक ऑनलाइन सामाजिक नेटवर्क, 26 महीने के अंतराल के दौरान। डेटा कई मजबूत दैनिक और साप्ताहिक नियमितता के प्रकट करो हय जे कॉलेज के छात्रों के समय के उपयोग और उनकर सामाजिक जीवन में अंतर्दृष्टि प्रदान करो हय, जेकरा मे मौसमी भिन्नता शामिल हय। हम इहो जांचलई कि स्कूल संबद्धता अउर अनौपचारिक ऑनलाइन "दोस्त" सूची जैसन कारक अवलोकन कैल गेल व्यवहार अउर समसामयिक पैटर्न के कैसे प्रभावित करई हई। अंत में, हम देखई छियई कि फेसबुक उपयोगकर्ता स्कूल द्वारा अपन क्षणिक संदेश पैटर्न के संबंध में क्लस्टर कैल गेल हई। |
1bed30d161683d279780aee34619f94a860fa973 | हमार विश्लेषण से पता चलई हई कि कई "बड़ी-स्मृति" सर्वर वर्कलोड, जैसे डेटाबेस, इन-मेमोरी कैश अउर ग्राफ विश्लेषण, पृष्ठ-आधारित आभासी स्मृति के लेल एगो उच्च लागत के भुगतान करई हई। ऊ TLB मिस पर निष्पादन चक्र के 10% तक के खपत करो हय, यहां तक कि बड़े पृष्ठों के भी उपयोग करो हय। दोसर तरफ, हम पइलिअइ कि ई वर्कलोड अधिकांश पृष्ठ पर रीड-राइट अनुमति के उपयोग करई हई, स्वैप न करे के लेल प्रावधान कैल गेल हई, अउर शायद ही कभी पृष्ठ-आधारित आभासी मेमोरी के पूर्ण लचीलापन से लाभान्वित होई छलई। बड़ी-स्मृति वर्कलोड के लेल TLB मिस ओवरहेड के हटाबे के लेल, हम एगो प्रक्रिया के रैखिक आभासी पता स्थान के एगो हिस्सा के एगो सीधा खंड के जौरे मैप करे के प्रस्ताव रखई हई, जबकि शेष आभासी पता स्थान के पेज मैपिंग करई हई। प्रत्यक्ष खंडवा न्यूनतम हार्डवेयरवा के उपयोग कर है---प्रत्येक कोरवा परी आधार, सीमा और ऑफसेट रजिस्टरवा---संलग्न वर्चुअल मेमोरी क्षेत्रवन के सीधे संबद्ध भौतिक मेमोरी में मैप करे लगि। ऊ डेटाबेस बफर पूल अउर इन-मेमोरी कुंजी-मूल्य भंडार जैसन प्रमुख डेटा संरचना के लेल टीएलबी मिस के संभावना के समाप्त करई हई। एगो प्रत्यक्ष खंड द्वारा मैप कैल गेल मेमोरी के जरूरत पड़ला पर वापस पेजिंग में बदलल जा सकई हई। हम लिनक्स में x86-64 के लिए प्रत्यक्ष-खंड सॉफ्टवेयर समर्थन के प्रोटोटाइप करते हैं और प्रत्यक्ष-खंड हार्डवेयर का अनुकरण करते हैं। हमर वर्कलोड के लेल, सीधा खंड लगभग सभे टीएलबी मिस के समाप्त करई हई अउर टीएलबी मिस पर व्यर्थ होए वाला निष्पादन समय के 0.5% से कम तक कम कर देई हई। |
86dc975f9cbd9a205f8e82fb1db3b61c6b738fa5 | जैसे-जैसे मल्टीमीडिया सामग्री के मशीन टैगिंग के लिए तेजी से शक्तिशाली तकनीकें उभरती हैं, अंतर्निहित शब्दावली के मानकीकरण करना अधिक से अधिक महत्वपूर्ण हो जाता है। ऐसा करे से अंतर-संचालन प्रदान होवो हय और मल्टीमीडिया समुदाय के एक अच्छी तरह से परिभाषित अर्थशास्त्र के सेट पर चल रहल शोध के ध्यान केंद्रित करे के अनुमति देवो हय। ई पेपर प्रसारण समाचार वीडियो के वर्णन करे के लेल एगो बड़का मानकीकृत वर्गीकरण विकसित करे के लेल मल्टीमीडिया शोधकर्ता, पुस्तकालय वैज्ञानिक अउर अंतिम उपयोगकर्ता के एगो सहयोगी प्रयास के वर्णन करई हई। मल्टीमीडिया के लेल बड़ पैमाना के अवधारणा ऑन्टोलॉजी (एलएससीओएम) अपन तरह के पहिला हई जेकरा अंत-उपयोगकर्ता के पहुंच के सुविधा के लेल उपयोगिता के एक साथ अनुकूलित करे के लेल डिज़ाइन कैल गेल हई, एगो बड़का शब्दार्थिक स्थान के कवर करई हई, स्वचालित निष्कर्षण के संभव बनाबई हई, अउर विभिन्न प्रसारण समाचार वीडियो डेटा सेट में अवलोकन क्षमता में वृद्धि करई छलो। |
2b2ba9b0022ff45939527836a150959fe388ee23 | |
c39d04c6f3b84c77ad379d0358bfbe7148ad4fd2 | |
8db7f5a54321e1a4cd51d0666607279556a57404 | चिकित्सा और मनोवैज्ञानिक समस्या से जूझ रहे वाला मरीज अक्सर ध्यान के तकनीक के तलाश करई हई। उनकर तेजी से व्यापक अपील और उपयोग, और चिकित्सा चिकित्सा के रूप में उपयोग के क्षमता के कारण, चिकित्सा हस्तक्षेप के रूप में इ प्रथाओं के वैज्ञानिक ज्ञान के वर्तमान स्थिति के संक्षिप्त और गहन समीक्षा कियल गलय हल। उद्देश्य बीमारी के इलाज में ध्यान के प्रथा के प्रभावशीलता आउर सुरक्षा के समर्थन करे वाला साक्ष्य के व्यवस्थित रूप से समीक्षा करनाई, अउर आगे के अध्ययन के आवश्यकता वाला क्षेत्र के जांच करनाई। सामान्य स्वस्थ आबादी पर अध्ययन शामिल नए हय। METHODS खोज PubMed, PsycInfo, और Cochrane डेटाबेस के उपयोग करके करल गेलई। मुख्य शब्द हलइ ध्यान, ध्यानपूर्वक प्रार्थना, योग, विश्राम प्रतिक्रिया। योग्यता अध्ययन के दो समीक्षकों द्वारा गुणवत्ता के आधार पर समीक्षा और स्वतंत्र रूप से मूल्यांकन कियल गलय हल। मध्यम से उच्च गुणवत्ता वाला अध्ययन (वैध अनुसंधान गुणवत्ता पैमाने पर 0.65 या 65% से ऊपर के स्कोर वाला) शामिल कियल गलय हल। परिणाम कुल 82 पहचानल गेल अध्ययन में से, 20 यादृच्छिक नियंत्रित परीक्षण हमर मानदंड के पूरा कलई। अध्ययन में कुल 958 विषय शामिल हलय (397 प्रयोगात्मक रूप से इलाज कियल गलय, 561 नियंत्रण) । शामिल या बहिष्कृत नैदानिक परीक्षणों में से कोई भी गंभीर प्रतिकूल घटनाएं रिपोर्ट नए कियल गलय हल। गंभीर प्रतिकूल घटना के चिकित्सा साहित्य में रिपोर्ट कैल गेल हई, हालांकि दुर्लभ। प्रभावकारिता के सबसे मजबूत सबूत मिर्गी, प्रीमेन्स्ट्रुअल सिंड्रोम के लक्षण और रजोनिवृत्ति के लक्षण के लिए पायल गलय हल। मूड और चिंता विकार, ऑटोइम्यून बीमारी, और न्यूओप्लास्टिक बीमारी में भावनात्मक गड़बड़ी के लिए भी लाभ प्रदर्शित कैल गेलय हल। निष्कर्ष कुछ बीमारि के इलाज के लेल ध्यान अभ्यास के सुरक्षा अउर संभावित प्रभावकारिता के समर्थन करई हई, विशेष रूप से गैर-मनोवैज्ञानिक मनोदशा अउर चिंता विकार में। बड़े, पद्धतिगत रूप से ध्वनि अध्ययन से प्रभावकारिता के समर्थन करे वाला स्पष्ट और दोहरावे योग्य साक्ष्य के कमी हय। |
46b2cd0ef7638dcb4a6220a52232712beb2fa850 | 3 डी मानव गति के जनरेटिव मॉडल अक्सर छोट संख्या में गतिविधि तक ही सीमित होवो हय और इ खातिर उपन्यास आंदोलन या अनुप्रयोग के लिए अच्छा तरह से सामान्यीकृत नए कियल जा सको हय। इ काम में हम मानव गति कैप्चर डेटा के लिए एक गहरी सीखने के ढांचे के प्रस्ताव करो हय जे गति कैप्चर डेटा के एक बड़े कॉर्पस से एक सामान्य प्रतिनिधित्व सीखो हय और नया, अदृश्य, गति के लिए अच्छा तरह से सामान्यीकृत करो हय। एगो एन्कोडिंग-डेकोडिंग नेटवर्क के उपयोग करके जे भविष्य के 3 डी मुद्रा के भविष्यवाणी करे के सीखई हई, हम मानव गति के एगो विशेषता प्रतिनिधित्व निकालई हई। अनुक्रम पूर्वानुमान के लेल गहरी शिक्षा पर अधिकांश काम वीडियो अउर भाषण पर केंद्रित छलई। चूंकि कंकाल डेटा के एगो अलग संरचना हई, हम अलग-अलग नेटवर्क आर्किटेक्चर के प्रस्तुत अउर मूल्यांकन करई हई जे समय निर्भरता अउर अंग सहसंबंध के बारे में अलग-अलग धारणा बनाबई हई। सीखे गेल विशेषता के मात्रात्मक बनावे के लेल, हम कार्रवाई वर्गीकरण के लेल विभिन्न परत के आउटपुट के उपयोग करई हई अउर नेटवर्क इकाई के ग्रहणशील क्षेत्र के कल्पना करई हई। हमर विधि कंकाल गति भविष्यवाणी में कला के हालिया स्थिति के बेहतर बनाबई हई, भले ही ई कार्रवाई विशिष्ट प्रशिक्षण डेटा के उपयोग करई हई। हमार परिणाम से पता चलई हई कि एगो सामान्य मोकैक डेटाबेस से प्रशिक्षित गहरा फीडफॉरवर्ड नेटवर्क के उपयोग मानव गति डेटा से सुविधा निष्कर्षण के लेल सफलतापूर्वक कैल जा सकई हई अउर येई प्रतिनिधित्व के उपयोग वर्गीकरण अउर भविष्यवाणी के लेल आधार के रूप में कैल जा सकई हई। |
3c094494f6a911de3087ed963d3d893f6f2b1d71 | उद्देश्य इ अध्ययन के उद्देश्य पैदल प्रशिक्षण के लिए हाइब्रिड असिस्टिव लिम्ब सिस्टम के नैदानिक अनुप्रयोगों पर साहित्य के समीक्षा करना हलय। Web of Science, PubMed, CINAHL और clinicaltrials.gov के उपयोग करके एक व्यवस्थित साहित्य खोज कियल गलय हल और पहचाने गए रिपोर्ट में संदर्भ सूची के उपयोग करके अतिरिक्त खोज कियल गलय हल। सार के जांच कैल गेलई, संबंधित लेख के समीक्षा कैल गेलई अउर गुणवत्ता मूल्यांकन के अधीन कैल गेलई। परिणाम 37 अध्ययन में से, 7 अध्ययन शामिल मानदंडों के पूरा कैलकय। छह अध्ययन एकल समूह अध्ययन हलय और 1 एक खोजपूर्ण यादृच्छिक नियंत्रित परीक्षण हलय। कुल मिलाके, इ अध्ययन में 140 प्रतिभागी शामिल हलय, जेकरा मे से 118 ने हस्तक्षेप के पूरा कैलकय और 107 ने पैदल प्रशिक्षण के लिए एचएएल के उपयोग कैलकय। पांच अध्ययन में स्ट्रोक के बाद चलने के प्रशिक्षण शामिल हलय, 1 रीढ़ के हड्डी के चोट (एससीआई) के बाद और 1 अध्ययन स्ट्रोक, एससीआई या अन्य बीमारियों के बाद चलना के क्षमता के प्रभावित करो हय। अध्ययन में मामूली और क्षणिक साइड इफेक्ट्स होलई लेकिन कोनो गंभीर प्रतिकूल घटना के सूचना ना मिललई। पैदल गति के चर और चलने में स्वतंत्रता पर लाभकारी प्रभाव देखल गेलय हल। संचित निष्कर्ष प्रदर्शित करो हय कि एचएएल प्रणाली व्यावहारिक हय जब एक पेशेवर सेटिंग में निचले अंग के पैरेसिस वाला रोगिय के पैदल प्रशिक्षण के लिए उपयोग कियल जा हय। पैदल चलने के कार्य और independence में लाभकारी प्रभाव देखल गेलय लेकिन डेटा निष्कर्ष के अनुमति नए देवो हय। आगे के नियंत्रित अध्ययन के सिफारिश कियल गलय हा। |
515e34476452bbfeb111ce5480035ae1f7aa4bee | घर के अंदर के हवा के गुणवत्ता मानव स्वास्थ्य के लिए बहुत महत्वपूर्ण हय। खराब इनडोर वायु गुणवत्ता अस्थमा, हृदय रोग अउर फेफड़ा के कैंसर जैसन पुरानी श्वसन रोग के विकास में योगदान कर सकई हई। मामला के जटिल बनावे के लेल, खराब वायु गुणवत्ता के मनुष्य के लेल केवल दृष्टि और गंध के माध्यम से पता लगावल बहुत कठिन होई हई अउर मौजूदा संवेदी उपकरण के उपयोग वैज्ञानिक के लेल सामान्य नागरिक के बजाय वैज्ञानिक द्वारा उपयोग कैल जाए के लेल अउर डेटा प्रदान करे के लेल डिज़ाइन कैल गेल हई। हम इनएयर के प्रस्तावित कर रहलियो ह, जे घर के अंदर के हवा के गुणवत्ता के मापे, कल्पना करे आउ सीखे के एगो उपकरण हइ। inAir आकार में 0.5 माइक्रोन जितना छोटा खतरनाक वायुमंडलीय कणों के माप के द्वारा इनडोर वायु गुणवत्ता के ऐतिहासिक और वास्तविक समय के दृश्य प्रदान करो हय। उपयोगकर्ता अध्ययन के माध्यम से हम प्रदर्शित करो हय कि कैसे inAir अधिक जागरूकता के बढ़ावा देवो हय और इनडोर वायु गुणवत्ता में सुधार के लिए व्यक्तिगत कार्रवाई के प्रेरित करो हय। |
44db0c2f729661e7b30af484a1ad5df4e70cb22a | इंटरनेट स्कैनिंग वर्म्स के तुलना में वर्तमान में ब्लूटूथ वर्म्स अपेक्षाकृत कम खतरा पैदा करई छलो। ब्लूबैग प्रोजेक्ट ब्लूटूथ मैलवेयर के माध्यम से प्रूफ-ऑफ-कॉन्सेप्ट कोड और मोबाइल डिवाइस के उपयोग करके लक्षित हमलों के दर्शाबई छई |
0a87428c6b2205240485ee6bb9cfb00fd9ed359c | ऑप्टिकल प्रवाह अनुमान एल्गोरिदम के सटीकता में लगातार सुधार हो रहले हा, जैसा कि मिडिलबरी ऑप्टिकल प्रवाह बेंचमार्क पर परिणाम से स्पष्ट होलय हा। हालांकि, हॉर्न और शुंक के काम के बाद से विशिष्ट सूत्रीकरण में बहुत कम बदलाव आयलय हा। हम इ पता लगावे के प्रयास करो हय कि वस्तुनिष्ठ कार्य, अनुकूलन विधि और आधुनिक कार्यान्वयन प्रथा सटीकता के कैसे प्रभावित करो हय, के गहन विश्लेषण के माध्यम से हाल के प्रगति के संभव बनायल गेलय हय। हम खोजई हई कि जब आधुनिक अनुकूलन अउर कार्यान्वयन तकनीक के जौरे जोड़ल जाई त शास्त्रीय प्रवाह सूत्र आश्चर्यजनक रूप से अच्छा प्रदर्शन करई हई। एकर अलावा, हम पाते हकि कि जबकि अनुकूलन के दौरान मध्यवर्ती प्रवाह क्षेत्र के माध्य फिल्टरिंग हाल के प्रदर्शन लाभ के कुंजी हई, ई उच्च ऊर्जा समाधान के तरफ ले जाई हई। इ घटना के पीछे के सिद्धांत के समझे के लिए, हम एक नया उद्देश्य प्राप्त करो हय जे माध्य फिल्टरिंग युरेस्टिक के औपचारिक बनावो हय। ई उद्देश्य में एगो गैर-स्थानीय शब्द शामिल हई जे बड़े स्थानिक पड़ोस में प्रवाह अनुमान के मजबूती से एकीकृत करई हई। प्रवाह और छवि सीमा के बारे में जानकारी शामिल करे के लिए इ नया शब्द के संशोधित करके हम एक ऐसन विधि विकसित करई हई जे मिडिलबरी बेंचमार्क के शीर्ष पर छलई। |
90930683f4ef3da8c51ed7d2553774c196172cb3 | |
919bd86eb5fbccd3862e3e2927d4a0d468c7c591 | |
73e51b9820e90eb6525fc953c35c9288527cecfd | मौजूदा तंत्रिका निर्भरता पार्सर आमतौर पर द्विदिश LSTM के साथ एक वाक्य में प्रत्येक शब्द को एन्कोड करो हय, और सिर और संशोधक के LSTM प्रतिनिधित्व से एक चाप के स्कोर के अनुमान लगावो हय, संभवतः चाप के लिए प्रासंगिक संदर्भ जानकारी गायब हय। इ अध्ययन में, हम एगो तंत्रिका विशेषता निष्कर्षण विधि प्रस्तावित करई हई जे आर्क-विशिष्ट विशेषता के निकाले के सीखई हई। हम एगो तंत्रिका नेटवर्क आधारित ध्यान पद्धति के लागू कर हई हर संभावित हेड-मोडिफायर जोड़ी के लेल अउर खिलाफ साक्ष्य एकत्र करे के लेल, जेकरा साथे हमर मॉडल विश्वास अउर अविश्वास के निश्चितता स्कोर के गणना करई हई, अउर विश्वास के स्कोर से अविश्वास के स्कोर के घटाके अंतिम आर्क स्कोर के निर्धारण करई हई। स्पष्ट रूप से दो प्रकार के साक्ष्य के परिचय देके, चाप उम्मीदवार अधिक प्रासंगिक जानकारी के आधार पर एक-दूसरे के खिलाफ प्रतिस्पर्धा कर सको हय, खासकर ओई मामला के लिए जहां ऊ एक ही सिर या संशोधक साझा करो हय। ई अपन प्रतिद्वंद्वियों (अविश्वास प्रमाण) के प्रस्तुत करके दो या दो से अधिक प्रतिस्पर्धी चाप के बेहतर ढंग से भेदभाव करनाई संभव बनाबई हई। विभिन्न डेटासेट पर प्रयोग से पता चलई हई कि हमर आर्क-विशिष्ट विशेषता निष्कर्षण तंत्र स्पष्ट रूप से लंबा दूरी के निर्भरता के मॉडलिंग करके द्विदिशात्मक एलएसटीएम-आधारित मॉडल के प्रदर्शन में काफी सुधार करई छलई। अंग्रेजी और चीनी दुनु के लेल, प्रस्तावित मॉडल अधिकांश मौजूदा तंत्रिका ध्यान-आधारित मॉडल के तुलना में निर्भरता पार्सिंग कार्य पर उच्च सटीकता प्राप्त करई छलई। |
7bdb08efd640311ad18466a80498c78267f886ca | |
26d92017242e51238323983eba0fad22bac67505 | ई पेपर लोग के सिफारिश के अध्ययन करई हई जे उपयोगकर्ता के ज्ञात, ऑफ़लाइन संपर्क खोजे में अउर सामाजिक नेटवर्किंग साइट पर नया दोस्त खोजे में मदद करे के लेल डिज़ाइन कैल गेल हई। हम 500 उपयोगकर्ता के व्यक्तिगत सर्वेक्षण और 3,000 उपयोगकर्ता के क्षेत्र अध्ययन के उपयोग करके एक उद्यम सामाजिक नेटवर्किंग साइट में चार सिफारिश एल्गोरिदम के मूल्यांकन कैलकय। हम सब के उपयोगकर्ता के मित्र सूची के विस्तार करे में प्रभावी एल्गोरिदम पाइल गेलय। सामाजिक नेटवर्क जानकारी पर आधारित एल्गोरिदम बेहतर प्राप्त सिफारिश के उत्पादन करे में सक्षम रहई अउर उपयोगकर्ता के लेल अधिक ज्ञात संपर्क खोजे में सक्षम रहई, जबकि उपयोगकर्ता-निर्मित सामग्री के समानता के उपयोग करे वाला एल्गोरिदम नया दोस्त के खोज में मजबूत रहई। हम अपन सर्वेक्षण उपयोगकर्ता से गुणात्मक प्रतिक्रिया भी एकत्र करलो अउर कैगो अर्थपूर्ण डिजाइन प्रभाव के आकर्षित कलई। |
3621bc359003e36707733650cccadf4333683293 | |
54c32d432fb624152da7736543f2685840860a57 | हम एक प्रकार के डीप बोल्टज़मैन मशीन (डीबीएम) के परिचय देई हई जे दस्तावेजों के एगो बड़का असंगठित संग्रह से वितरित शब्दार्थ प्रतिनिधित्व के निकाले के लेल उपयुक्त छलई। हम समझदार पैरामीटर टाईंग के साथ डीबीएम के प्रशिक्षण के स्पष्ट कठिनाई के दूर कर रहल हई। ई एगो कुशल पूर्व-प्रशिक्षण एल्गोरिथ्म अउर तेजी से अनुमान लगाबे के लेल एगो राज्य आरंभिकरण योजना के सक्षम करई हई। मॉडल के मानक प्रतिबंधित बोल्टज़मैन मशीन के समान कुशलता से प्रशिक्षित कैल जा सको हय। हमार प्रयोग से पता चलई हई कि मॉडल प्रतिकृति सॉफ्टमैक्स मॉडल के तुलना में अनदेखी डेटा के लेल बेहतर लॉग संभावना के निर्दिष्ट करई हई। दस्तावेज़ पुनर्प्राप्ति और दस्तावेज़ वर्गीकरण कार्य पर हमारे मॉडल से निकाली गई विशेषताएं LDA, Replicated Softmax और DocNADE मॉडल से बेहतर हैं। |
3d8650c28ae2b0f8d8707265eafe53804f83f416 | एगो पहिले के पेपर में [9], हम एडबॉस्ट नामक एगो नया बूस्टिंग एल्गोरिथ्म के पेश कलई, जेकरा सैद्धांतिक रूप से, कोनो भी सीखने के एल्गोरिथ्म के त्रुटि के कम करे के लेल उपयोग कैल जा सकई हई जे लगातार वर्गीकरण उत्पन्न करई हई जेकर प्रदर्शन यादृच्छिक अनुमान से थोड़ा बेहतर छलई। हम एगो "छद्म-हानि" के संबंधित धारणा के भी पेश कलई जे बहु-लेबल अवधारणा के एगो सीखने के एल्गोरिथ्म के भेदभाव करे के लेल सबसे कठिन लेबल पर ध्यान केंद्रित करे के लेल मजबूर करे के एगो विधि हई। इ पेपर में, हम इ आकलन करे के लिए कैल गेलय प्रयोगों के वर्णन करो हय कि वास्तविक सीखने के समस्या पर छद्म-हानि के साथ और बिना एडाबॉस्ट कितना अच्छा प्रदर्शन करो हय। हम प्रयोग के दू सेट करली। पहला सेट ब्रेमैन के [1] बैगिंग विधि के साथ तुलना कैलकय जब विभिन्न वर्गीकरणकर्ता (निर्णय पेड़ और एकल विशेषता-मूल्य परीक्षण सहित) के एकत्र करे के लिए उपयोग कियल जा हय। हम मशीन-लर्निंग बेंचमार्क के संग्रह पर दो तरीकों के प्रदर्शन की तुलना की। प्रयोग के दोसर सेट में, हम ओसीआर समस्या पर निकटतम-पड़ोसी वर्गीकरणकर्ता के उपयोग करके बूस्टिंग के प्रदर्शन के अधिक विस्तार से अध्ययन कलई। |
85379baf4972e15cd7b9f5e06ce177e693b35f53 | इ पेपर में, हम डोमेन अनुकूलन समस्या के हल करे के लिए अर्ध-पर्यवेक्षित कर्नेल मिलान विधि के प्रस्ताव करो हय जेजा स्रोत वितरण लक्ष्य वितरण से काफी भिन्न होवो हय। विशेष रूप से, हम हिल्बर्ट श्मिट इंडिपेंडेंस क्रिटेरियन के आधार पर स्रोत कर्नेल मैट्रिक्स के उपमैट्रिक्स के लिए लक्ष्य कर्नेल मैट्रिक्स के मिलान करके समान स्रोत डेटा बिंदुओं के लिए लक्ष्य डेटा बिंदुओं के मानचित्रण करते समय लेबल किए गए स्रोत डेटा पर एक भविष्यवाणी फ़ंक्शन सीखते हैं। हम ई समवर्ती सीखना अउर मैपिंग प्रक्रिया के एगो गैर-उग्र पूर्णांक अनुकूलन समस्या के रूप में तैयार करई हई अउर एकर ढीला सतत रूप के लेल स्थानीय न्यूनिकरण प्रक्रिया प्रस्तुत करई हई। हमार अनुभवजन्य परिणाम से पता चलई हई कि प्रस्तावित कर्नेल मिलान विधि क्रॉस डोमेन सेटिमेंट वर्गीकरण के कार्य पर वैकल्पिक विधि के काफी बेहतर करई हई। |
7eeb362f11bfc1c89996e68e3a7c5678e271f95b | |
893167546c870eac602d81874c6473fd3cd8bd21 | बहु-आयामी बिंदुओं (ट्यूपल्स) के एक सेट के स्काईलाइन में ऊ बिंदु शामिल होवो हय जेकर लिए ब्याज के डोमेन पर घटक-वार तुलना के उपयोग करके दिहल गेल सेट में कोई स्पष्ट रूप से बेहतर बिंदु नए हय। स्काईलाइन क्वेरी, यानी, क्वेरी जेकरा में स्काईलाइन के गणना शामिल हई, कम्प्यूटेशनल रूप से महंगा हो सकई हई, येहिलेल समानांतर दृष्टिकोण पर विचार करनाई स्वाभाविक हई जे कैगो प्रोसेसर के अच्छा उपयोग करई हई। हम समानांतर प्रसंस्करण के लिए डेटा सेट के उपयोगी विभाजन प्राप्त करे के लिए हाइपरप्लेन प्रोजेक्शन के उपयोग करके इ समस्या के संपर्क करो हय। ई विभाजन न केवल छोटा स्थानीय क्षितिज सेट सुनिश्चित करो हय, बल्कि परिणाम के कुशल विलय के भी अनुमति देवो हय। हमार प्रयोग से पता चलई हई कि हमार विधि डेटा वितरण के बावजूद समानांतर स्काईलाइन गणना के लेल समान दृष्टिकोण के लगातार बेहतर प्रदर्शन करई हई, अउर विभिन्न अनुकूलन रणनीति के प्रभाव पर अंतर्दृष्टि प्रदान करई हई। |
b87d5f9b8013386f4ff5ad1a130efe6e924dca5c | लेख इतिहास: 27 अगस्त 2012 प्राप्त कैल गेल 1 अगस्त 2013 के संशोधित रूप में प्राप्त कैल गेल 5 अगस्त 2013 के स्वीकार कैल गेल 15 अगस्त 2013 के ऑनलाइन उपलब्ध |
bc18ee4a0f26320a86852b057077e8eca78b0c13 | ई अध्ययन घाना में पूर्व-सेवा शिक्षक के बीच प्रौद्योगिकी स्वीकृति के प्रभावित करे वाला कारक के पहचान करे के लेल प्रौद्योगिकी स्वीकृति मॉडल के विस्तार करई हई। अनुसंधान मॉडल के खिलाफ 380 उपयोग योग्य प्रश्नावली से डेटा के परीक्षण कियल गलय हल। एक शोध ढांचे के रूप में विस्तारित प्रौद्योगिकी स्वीकृति मॉडल (टीएएम) के उपयोग करते हुए, अध्ययन में पायल गलय किः पूर्व-सेवा शिक्षक शैक्षणिक विश्वास, उपयोग में आसानी, कंप्यूटर प्रौद्योगिकी के उपयोगिता और कंप्यूटर उपयोग के प्रति दृष्टिकोण कंप्यूटर प्रौद्योगिकी के वास्तविक उपयोग के महत्वपूर्ण निर्धारक हय। कई चरणबद्ध प्रतिगमन विश्लेषण के उपयोग करके प्राप्त परिणाम से पता चललई कि: (1) पूर्व-सेवा शिक्षक शैक्षणिक विश्वास ने उपयोग के आसानी और कथित उपयोगिता दोनों के परिकल्पना के महत्वपूर्ण रूप से प्रभावित कलई, (2) उपयोग के आसानी और कथित उपयोगिता दोनों कंप्यूटर के उपयोग के प्रति दृष्टिकोण और कंप्यूटर के उपयोग के प्रति दृष्टिकोण के प्रभावित करई हई। पूर्व-सेवा शिक्षक कंप्यूटर के वास्तविक उपयोग के महत्वपूर्ण रूप से प्रभावित करई छलई। हालांकि, सांख्यिकीय रूप से, उपयोग के आसानी से कथित उपयोगिता के महत्वपूर्ण रूप से प्रभावित नए कैलकय। ई निष्कर्ष घाना के संदर्भ में टीएएम के मान्य करके साहित्य में योगदान करई हई अउर प्रौद्योगिकी एकीकरण विकास के अनुसंधान अउर अभ्यास के लेल कैगो प्रमुख प्रभाव प्रदान करई छलो। |
04e5b276da90c8181d6ad8397f763a181baae949 | क्रॉस-वैलिडेशन मशीन लर्निंग में प्रदर्शन अउर प्रगति के मापे के लेल एगो मुख्य आधार छलई। क्रॉस-वैलिडेशन अध्ययन में सटीकता, एफ-माप और आरओसी वक्र (एयूसी) के नीचे क्षेत्र के गणना करे के तरीका में सूक्ष्म अंतर हय। हालांकि, येई विवरण पर साहित्य में चर्चा ना कैल गेल हई, अउर विभिन्न कागजात अउर सॉफ्टवेयर पैकेज द्वारा असंगत विधि के उपयोग कैल जाई छलई। इ शोध साहित्य के पार असंगतता के ओर ले जा हय। विशेष गुना और स्थितियों के लिए प्रदर्शन गणना में विसंगतियों के पता नए चलो हय जब ऊ कई गुना और डेटासेट पर एकत्रित परिणामों में दफन हो जा हय, बिना कभी भी मध्यवर्ती प्रदर्शन माप के देखवे वाला व्यक्ति के। ई शोध नोट अंतर के स्पष्ट अउर चित्रित करई हई, अउर ई दिशानिर्देश प्रदान करई हई कि क्रॉस-वैलिडेशन के तहत वर्गीकरण प्रदर्शन के सबसे अच्छा तरीका से कैसे मापल जाए। विशेष रूप से, एफ-माप के गणना के लिए उपयोग कियल जाए वाला कई अलग-अलग तरीका हय, जेकरा अक्सर वर्ग असंतुलन के तहत प्रदर्शन माप के रूप में अनुशंसित कियल जा हय, उदाहरण के लिए, पाठ वर्गीकरण डोमेन के लिए और कई वर्ग के डेटासेट के एक-बनाम-सभी कमी में। हम प्रयोग द्वारा दिखावो हय कि इ गणना विधियों में से एक के अलावा सभे पक्षपाती माप के तरफ ले जावो हय, विशेष रूप से उच्च वर्ग असंतुलन के तहत। ई पेपर विशेष रूप से ऊ लोग के लेल रुचि रखई हई जे मशीन लर्निंग सॉफ्टवेयर लाइब्रेरी के डिजाइन करई हई अउर शोधकर्ता उच्च वर्ग असंतुलन पर केंद्रित छलई। |
8efac913ff430ef698dd3fa5df4cbb7ded3cab50 | हम एगो अनसुनीकृत क्लस्टरिंग उपकरण, मुख्य दिशा विभाजक विभाजन प्रस्तुत करई हई, जे एगो स्केलेबल अउर बहुमुखी टॉप-डाउन विधि हई जे डेटा के कोनो सेट पर लागू होई हई जेकरा संख्यात्मक वैक्टर के रूप में दर्शाएल जा सकई हई। मूल विधि के विवरण, मुख्य अनुप्रयोग क्षेत्र के सारांश जहां एकर उपयोग कैल गेल हई, अउर महत्वपूर्ण शब्द के चयन पर कुछ हालिया परिणाम के जौरे-जौरे नया डेटा के आगमन के रूप में क्लस्टर के अपडेट करे के प्रक्रिया पर चर्चा कैल गेल हई। |
1e20f9de45d26950ecd11965989d2b15a5d0d86b | मॉडल-आधारित विधियों और गहरे तंत्रिका नेटवर्क दोनों मशीन सीखने में बहुत सफल प्रतिमान रहले हा। मॉडल-आधारित विधियों में, हम आसानी से अनुमान के दौरान कठिनाइयों के कीमत पर मॉडल के बाधाओं में अपन समस्या डोमेन ज्ञान के व्यक्त कर सको हय। निर्धारक गहरे तंत्रिका नेटवर्क के निर्माण ऐसन तरीका से कैल जाई हई कि अनुमान सीधा हो, लेकिन हम समस्या डोमेन ज्ञान के आसानी से शामिल करे के क्षमता के त्याग करई छियई। ई कागज के लक्ष्य दुनु दृष्टिकोण के लाभ के प्राप्त करे के लेल एगो सामान्य रणनीति प्रदान करनाई हई, जबकि उनकर कैगो नुकसान से बचे के चाहि। सामान्य विचार के निम्नलिखित रूप में सारांशित कैल जा सकई हई: एगो मॉडल-आधारित दृष्टिकोण के देखते हुए जेकरा एगो पुनरावर्ती अनुमान विधि के आवश्यकता होई हई, हम पुनरावृत्तिय के एगो परत-बुद्धिमान संरचना में खोलई हई जे एगो तंत्रिका नेटवर्क के अनुरूप छलई। फेर हम नया तंत्रिका-जाल जैसन आर्किटेक्चर प्राप्त करे के लेल परत के पार मॉडल पैरामीटर के अलग करई हई जेकरा आसानी से ग्रेडिएंट-आधारित विधियों के उपयोग करके भेदभावपूर्ण रूप से प्रशिक्षित कैल जा सकई हई। परिणामी सूत्र मॉडल-आधारित दृष्टिकोण के आंतरिक संरचना के साथ एक पारंपरिक गहरे नेटवर्क के अभिव्यक्ति शक्ति के जोड़ो हय, जबकि एक निश्चित संख्या में परतों में अनुमान लगानाई के अनुमति देवो हय जेकरा सर्वोत्तम प्रदर्शन के लिए अनुकूलित कियल जा सको हय। हम देखई हई कि कैसे ई फ्रेमवर्क के एगो उपन्यास गैर-नकारात्मक डीप न्यूरल नेटवर्क आर्किटेक्चर प्राप्त करे के लेल गैर-नकारात्मक मैट्रिक्स फैक्टरिज़ेशन पर लागू कैल जा सकई हई, जेकरा गुणात्मक बैक-प्रसार-शैली के अपडेट एल्गोरिथ्म के जौरे प्रशिक्षित कैल जा सकई हई। हम भाषण संवर्धन के क्षेत्र में प्रयोग प्रस्तुत करई हई, जहां हम देखई हई कि परिणामी मॉडल पारंपरिक तंत्रिका नेटवर्क के आगे बढ़ाबे में सक्षम हई जबकि केवल पैरामीटर के संख्या के एक अंश के आवश्यकता होई छलई। हम मानई हई कि ई गहरा नेटवर्क के आर्किटेक्चर में समस्या स्तर के धारणा के शामिल करे के लेल हमर ढांचा द्वारा देल गेल क्षमता के कारण छलई। arXiv.org इ काम के नकल या पुनः उत्पादन पूरी तरह से या आंशिक रूप से कोय भी व्यावसायिक उद्देश्य के लिए नय कैल जा सको हय। बिना शुल्क के पूरा या आंशिक रूप से कॉपी करे के अनुमति गैर-लाभकारी शैक्षिक और अनुसंधान उद्देश्य के लिए देल जा हय, बशर्ते कि ऐसन सभे पूरा या आंशिक प्रतियों में निम्नलिखित शामिल हो: एक नोटिस कि ऐसन कॉपी Mitsubishi Electric Research Laboratories, Inc. के अनुमति से कैल जा हय; लेखक के एक स्वीकृति और काम में व्यक्तिगत योगदान; और कॉपीराइट नोटिस के सभी लागू भाग। कोनो दोसर उद्देश्य के लेल प्रतिलिपि बनाबे, पुनःप्रकाशित करे या पुनः प्रकाशित करे के लेल मित्सुबिशी इलेक्ट्रिक रिसर्च लेबोरेटरीज, इंक. के शुल्क के भुगतान के जौरे लाइसेंस के आवश्यकता होई हई। सभे अधिकार सुरक्षित। कॉपीराइट © मित्सुबिशी इलेक्ट्रिक रिसर्च लेबोरेटरीज, इंक., 2014 201 ब्रॉडवे, कैम्ब्रिज, मैसाचुसेट्स 02139 |
26f4f07696a3828f5eeb0d8bb8944da80228b77d | निर्णय वृक्ष एल्गोरिदम के लिए बूस्टिंग प्रक्रिया के अनुप्रयोग बहुत सटीक वर्गीकरण के उत्पादन के लिए दिखाया गेलय हय। ई वर्गीकरण कई निर्णय के पेड़ पर बहुमत के वोट के रूप में हई। दुर्भाग्य से, इ वर्गीकरण अक्सर बड़, जटिल और व्याख्या करे में मुश्किल होवो हय। ई पेपर एक नया प्रकार के वर्गीकरण नियम, वैकल्पिक निर्णय वृक्ष के वर्णन करो हय, जे निर्णय वृक्ष, मतदान निर्णय वृक्ष और मतदान निर्णय स्टंप के सामान्यीकरण हय। साथ ही इ प्रकार के वर्गीकरण के व्याख्या करना अपेक्षाकृत आसान हय। हम निर्णय के पेड़ के वैकल्पिक करे के लेल एगो सीखने के एल्गोरिथ्म प्रस्तुत करई हई जे बूस्टिंग पर आधारित छलई। प्रायोगिक परिणाम से पता चलई हई कि ई बढ़ल निर्णय पेड़ एल्गोरिदम जैसे सी 5.0 के जौरे प्रतिस्पर्धी हई, अउर ऐसन नियम उत्पन्न करई हई जे आमतौर पर आकार में छोटा होई हई अउर येहिलेल व्याख्या करनाई आसान होई हई। एकर अलावा इ नियम वर्गीकरण सटीकता के एक प्राकृतिक माप प्रदान करो हय जेकर उपयोग वर्गीकरण करे में कठिन उदाहरण के भविष्यवाणी करे से परहेज के कीमत पर सटीकता में सुधार करे के लिए कियल जा सको हय। |
5e28e81e757009d2f76b8674e0da431f5845884a | इ पेपर बहु-आयामी रैखिक भेदभाव विश्लेषण और संबंधित इष्टतम रैखिक प्रक्षेपण के सिद्धांतों के उपयोग करते हुए एक छवि प्रशिक्षण सेट से सुविधाओं के स्वचालित चयन के वर्णन करो हय। हम "अच्छी तरह से तैयार" दृश्य के रूप में प्रस्तुत व्यापक रूप से भिन्न वास्तविक दुनिया के वस्तुओं के एक बड़े डेटाबेस से दृश्य-आधारित वर्ग पुनर्प्राप्ति के लिए इ सबसे अधिक भेदभावपूर्ण विशेषताओं के प्रभावशीलता के प्रदर्शित करो हय, और एकर तुलना मुख्य घटक विश्लेषण के साथ करो हय। |
dbe8c61628896081998d1cd7d10343a45b7061bd | कैगो रणनीति के वर्णन कैल गेल हई जे बुनियादी नेटवर्क मॉडल के सीमा के दूर करई हई, जे बड़का कनेक्शनवादी भाषण मान्यता प्रणाली के डिजाइन के दिशा में कदम के रूप में छलई। चिंता के दो प्रमुख क्षेत्र समय के समस्या अउर पैमाना के समस्या छलई। समय के साथे भाषण संकेत लगातार बदलते रहो हय और मानव ज्ञान के भारी मात्रा के एन्कोड और प्रसारित करो हय। येई संकेत के डिकोड करे के लेल, तंत्रिका नेटवर्क के समय के उपयुक्त प्रतिनिधित्व के उपयोग करे में सक्षम होए के चाहि अउर सीमित संसाधन के भीतर ई नेटवर्क के लगभग मनमाना आकार अउर जटिलता तक विस्तारित करनाई संभव होए के चाहि। समय के समस्या के समय-विलंब तंत्रिका नेटवर्क के विकास द्वारा संबोधित कैल गेल हई; छोट उप-घटक नेटवर्क के आधार पर बड़ नेटवर्क के मॉड्यूलरिटी अउर वृद्धिशील डिजाइन द्वारा स्केलिंग के समस्या। इ दिखाएल गेल हई कि सीमित कार्य के करे के लेल प्रशिक्षित छोट नेटवर्क समय-अपरिवर्तित, छिपल अमूर्तता के विकसित करई हई जेकरा बाद में बड़, अधिक जटिल नेटवर्क के कुशलता से प्रशिक्षित करे के लेल शोषण कैल जा सकई हई। येई तकनीक के उपयोग कैके, बढ़ल जटिलता के ध्वन्यात्मक मान्यता नेटवर्क के निर्माण कैल जा सकई हई जे सभे बेहतर मान्यता प्रदर्शन प्राप्त करई हई। |
eeb8c7a22f731839755a4e820b608215e9885276 | |
01905a9c0351aad54ee7dbba1544cd9db06ca935 | सूचना प्रणाली (आईएस) सुरक्षा से निपटे के लेल कोनो संगठन के लेल जोखिम प्रबंधन आई एगो प्रमुख संचालन उपकरण छलई। हालांकि, आईएस सुरक्षा जोखिम प्रबंधन (आईएसआरएम) के स्थापना अउर रखरखाव के लेल एगो कठिन प्रक्रिया बनल हई, मुख्य रूप से जटिल अउर परस्पर जुड़े आईएस के जौरे बहु-नियामकता के संदर्भ में। हम दावा कर हई कि एंटरप्राइज आर्किटेक्चर मैनेजमेंट (ईएएम) के जौरे संबंध येई मुद्दा से निपटे में योगदान करई हई। दुनहु डोमेन के बेहतर एकीकरण के दिशा में एक पहला कदम एक एकीकृत ईएएम-आईएसएसआरएम वैचारिक मॉडल के परिभाषित करनाई हय। ई पेपर ई मॉडल के विस्तार अउर सत्यापन के बारे में छलई। एकरा करे के लेल, हम मौजूदा आईएसएसआरएम डोमेन मॉडल, अर्थात ईएएम के अवधारणा के जौरे, आईएसएसआरएम के डोमेन के दर्शावई वाला एगो वैचारिक मॉडल। ईएएम-आईएसएसआरएम एकीकृत मॉडल के सत्यापन तब एक सत्यापन समूह के सहायता से कैल जाई हई जे मॉडल के उपयोगिता अउर उपयोगिता के आकलन करई हई। |
1976c9eeccc7115d18a04f1e7fb5145db6b96002 | फ्रीबेस एगो व्यावहारिक, स्केलेबल ट्यूपल डेटाबेस हई जेकर उपयोग सामान्य मानव ज्ञान के संरचना करे के लेल कैल जाई हई। फ्रीबेस में डेटा सहयोगी रूप से बनाल, संरचित और रखरखाव कैल जाई हई। फ़्रीबेस में वर्तमान में 125,000,000 से अधिक ट्यूपल, 4000 से अधिक प्रकार और 7000 से अधिक गुण शामिल हय। फ्रीबेस के सार्वजनिक रीड/राइट एक्सेस के उपयोग मेटावेब क्वेरी लैंग्वेज (MQL) के उपयोग करके डेटा क्वेरी और हेरफेर भाषा के रूप में HTTP-आधारित ग्राफ-क्वेरी एपीआई के माध्यम से कैल जा हय। एम क्यू एल फ्रीबेस में ट्यूपल डेटा के लिए उपयोग में आसान ऑब्जेक्ट-उन्मुख इंटरफ़ेस प्रदान करो हय और सहकारी, वेब-आधारित डेटा-उन्मुख अनुप्रयोगों के निर्माण के सुविधा के लिए डिज़ाइन कियल गलय हा। |
77b99e0a3a6f99537a4b497c5cd67be95c1b7088 | एगो दशक से भी ज्यादे समय से स्वायत्त वाहन अनुसंधान प्रचलित हई, लेकिन हाल ही में स्वायत्त वाहन में होए वाला मानव संपर्क पर बहुत कम शोध कैल गेल हई। यद्यपि कार्यात्मक सॉफ्टवेयर और सेंसर प्रौद्योगिकी सुरक्षित संचालन के लिए आवश्यक हय, जे स्वायत्त वाहन अनुसंधान के मुख्य फोकस हय, मानव संपर्क के सभी तत्व के संभालना भी ओकर सफलता के एक बहुत प्रमुख पहलू हय। ई कागज स्वायत्त वाहन में मानव वाहन बातचीत के महत्व के बारे में एगो सिंहावलोकन प्रदान करतई, जबकि प्रासंगिक संबंधित कारक पर विचार करई हई जे अपनाने के प्रभावित करे के संभावना रखई हई। ऑटोमोबाइल में नियंत्रण से संबंधित महत्वपूर्ण क्षेत्रों पर आयोजित पूर्व शोध के अलावा, विभिन्न तत्वों पर विशेष ध्यान देल जयतय, जेकरा से मानव संचालन के लिए शुरू में विकसित इ वाहनों के सफलता के संभावना के प्रभावित करे के उम्मीद हय। इ पत्र में मनुष्य के साथे बातचीत पर विचार करे के लेल कैल गेल सीमित शोध अउर प्रकाशित कार्यशील सॉफ्टवेयर अउर सेंसर तकनीक के वर्तमान स्थिति के चर्चा शामिल होतई। |
31f3a12fb25ddb0a27ebdda7dd8d014996debd74 | हम लगभग 2 साल के दौरान 12,500 एंड्रॉइड डिवाइस से उपयोग के बारे में जानकारी एकत्र करली। हमनी के डेटा सेट में एंड्रॉइड के 687 संस्करण चलावे वाला 894 मॉडल के डिवाइस के 53 बिलियन डेटा पॉइंट शामिल हई। एकत्रित डेटा के प्रसंस्करण स्केलेबिलिटी से लेकर सुसंगतता और गोपनीयता विचार तक कई चुनौति पेश करो हय। हम ई अत्यधिक वितरित डेटासेट के संग्रह और विश्लेषण के लेल अपन सिस्टम आर्किटेक्चर के प्रस्तुत करई हई, चर्चा करई हई कि कैसे हमर सिस्टम अविश्वसनीय समय-श्रृंखला डेटा के उपस्थिति में विश्वसनीय रूप से डेटा एकत्र कर सकई हई, अउर चर्चा करई हई मुद्दा अउर सीखल गेल जे हमरा विश्वास हई कि कैगो दोसर बड़का डेटा संग्रह परियोजना पर लागू होई छलई। |
408a8e250316863da94ffb3eab077175d08c01bf | |
5656fa5aa6e1beeb98703fc53ec112ad227c49ca | हम बहु-पूर्वानुमान गहरी बोल्टज़मैन मशीन (एमपी-डीबीएम) के परिचय देई हई। एमपीडीबीएम के एगो एकल संभाव्यता मॉडल के रूप में देखल जा सकई हई जे सामान्यीकृत छद्म संभावना के लेल एगो भिन्नता अनुमान के अधिकतम करे के लेल प्रशिक्षित कैल गेल हई, चाहे आवर्ती नेट के एगो परिवार के रूप में जे पैरामीटर के साझा करई हई अउर लगभग अलग-अलग अनुमान के समस्या के हल करई हई। डीबीएम के प्रशिक्षण के पिछला तरीका चाहे तो वर्गीकरण कार्य पर अच्छा प्रदर्शन ना करई हई चाहे प्रारंभिक सीखने के पास के आवश्यकता होई हई जे डीबीएम के लालचीता से, एक समय में एक परत के प्रशिक्षित करई हई। एमपी-डीबीएम के लिए लोभी स्तरवार पूर्व-प्रशिक्षण के आवश्यकता नए हय, और वर्गीकरण, लापता इनपुट के साथ वर्गीकरण, और औसत क्षेत्र के भविष्यवाणी कार्य पर मानक डीबीएम से बेहतर प्रदर्शन करो हय। |
4c99b87df6385bd945a00633f829e4a9ec5ce314 | सामाजिक नेटवर्क के माध्यम से बहुत अधिक मात्रा में डेटा एकत्रित कैल जाई छलई। Facebook के 400 मिलियन से अधिक सक्रिय उपयोगकर्ता हैं, हर महीने 5 बिलियन से अधिक सूचनाएं साझा करते हैं। अनस्ट्रक्टेड डेटा के इ विशाल मात्रा के विश्लेषण सॉफ्टवेयर और हार्डवेयर के लिए चुनौति पेश करो हय। हम ग्राफसीटी प्रस्तुत कर हई, एगो ग्राफ चरित्रीकरण टूलकिट सोशल नेटवर्क डेटा के प्रतिनिधित्व करे वाला विशाल ग्राफ के लेल। 128 प्रोसेसर Cray XMT पर, GraphCT कृत्रिम रूप से उत्पन्न (R-MAT) 537 मिलियन वर्टेक्स, 55 मिनट में 8.6 बिलियन एज ग्राफ और एक वास्तविक दुनिया के ग्राफ (Kwak, एट अल.) के बीच केंद्रीयता का अनुमान लगावो हय। 61.6 मिलियन शिखर और 1.47 बिलियन किनारों के साथ 105 मिनट में। हम माइक्रोब्लॉगिंग नेटवर्क, ट्विटर से सार्वजनिक डेटा के विश्लेषण करे के लेल ग्राफसीटी के उपयोग करई छी। ट्विटर के संदेश कनेक्शन मुख्य रूप से एक समाचार प्रसारण प्रणाली के रूप में पेड़-संरचित दिखाई दे हय। सार्वजनिक डेटा के भीतर, हालांकि, वार्तालाप के समूह हय। ग्राफसीटी के उपयोग करके, हम इ बातचीत में अभिनेता के रैंक कर सकई हई अउर विश्लेषक के बहुत छोट डेटा उपसमुच्चय पर ध्यान केंद्रित करे में मदद कर सकई हई। |
7b1e18688dae102b8702a074f71bbea8ba540998 | ऑटोमोटिव वाहन प्रणालि के बढ़ता जटिलता, ओकर बाहरी नेटवर्क, इंटरनेट ऑफ थिंग्स के साथे-साथ ओकर बढ़ल आंतरिक नेटवर्किंग हैकिंग और दुर्भावनापूर्ण हमलों के लिए दरवाजा खोलई हई। आधुनिक ऑटोमोटिव वाहन प्रणालि में सुरक्षा और गोपनीयता जोखिम अब तक अच्छी तरह से प्रचारित हय। सुरक्षा के उल्लंघन सुरक्षा के उल्लंघन के कारण बन सकई हई - ई एगो अच्छा तरह से तर्क अउर स्वीकार कैल गेल तर्क हई। सुरक्षा अनुशासन दशकों से परिपक्व होलय हा , लेकिन सुरक्षा अनुशासन बहुत कम हय । तर्क हई अउर सही हई, कि सुरक्षा इंजीनियरिंग प्रक्रिया कार्यात्मक सुरक्षा इंजीनियरिंग प्रक्रिया (मानक आईएसओ 26262 द्वारा औपचारिक रूप से) के समान हई अउर ई कि ऊ एक जौरे रखल जा सकई हई अउर एके साथे कैल जा सकई हई, लेकिन विशेषज्ञ के एगो अलग सेट द्वारा। ऑटोमोटिव वाहन प्रणालियों के लिए एक कार्यात्मक सुरक्षा इंजीनियरिंग प्रक्रिया के तर्ज पर एक सुरक्षा इंजीनियरिंग प्रक्रिया को परिभाषित करने के लिए कदम उठाए गए हैं। लेकिन, क्या सुरक्षा-सुरक्षा के औपचारिकता के ये प्रयास सुरक्षित और सुरक्षित प्रणालियों के उत्पादन के लिए पर्याप्त हैं? जब कोई सुरक्षित और सुरक्षित प्रणालि के निर्माण के विचार के साथ इ मार्ग पर निकलई हई, त कोनो के एहसास होई हई कि उत्पादन लाइन से बाहर निकले से पहिले कैगो चुनौती, विरोधाभास, विसंगति, चिंता के संबोधित कैल जाए के चाहि। ई कागज के प्रयास ई हई कि ऐसन कुछ चुनौतीपूर्ण क्षेत्र के समुदाय के ध्यान में लावल जाए अउर आगे के रास्ता के सुझाव देल जाए। |
a608bd857a131fe0d9e10c2219747b9fa03c5afc | आधुनिक ऑटोमोबाइल व्यापक रूप से कम्प्यूटरीकृत हय, और इलिए संभावित रूप से हमला के लिए कमजोर हय। हालांकि, जबकि पिछला शोध से पता चललई कि कुछ आधुनिक कार के भीतर आंतरिक नेटवर्क असुरक्षित हई, संबंधित खतरा मॉडल - पहिले भौतिक पहुंच के आवश्यकता होई हई - के यथार्थवादी के रूप में देखल गेल हई। येई प्रकार, ई एगो खुला प्रश्न हई कि की कार भी दूरस्थ समझौता के लेल संवेदनशील हो सकई हई। हमर काम आधुनिक ऑटोमोबाइल के बाहरी हमला सतह के व्यवस्थित रूप से विश्लेषण करके इ प्रश्न के विश्राम देवे के मांग करो हय। हम खोजई हई कि दूरस्थ शोषण हमला वेक्टर के एगो विस्तृत श्रृंखला (यांत्रिकी उपकरण, सीडी प्लेयर, ब्लूटूथ अउर सेलुलर रेडियो सहित) के माध्यम से संभव हई, अउर आगे, कि वायरलेस संचार चैनल लंबा दूरी के वाहन नियंत्रण, स्थान ट्रैकिंग, इन-कैबिन ऑडियो एक्सफिल्ट्रेशन अउर चोरी के अनुमति देई हई। अंत में, हम ऑटोमोटिव पारिस्थितिकी तंत्र के संरचनात्मक विशेषता पर चर्चा करते हैं, जो ऐसी समस्याओं को जन्म देते हैं और उन्हें कम करने में व्यावहारिक चुनौतियों पर प्रकाश डालते हैं। |
cdbb46785f9b9acf8d03f3f8aba58b201f06639f | ऑटोमोटिव सिस्टम के आईटी सुरक्षा अनुसंधान के एक विकसित क्षेत्र हय। वर्तमान स्थिति और संभावित उभरते खतरों के प्रवृत्ति के विश्लेषण करे के लिए हम हाल के ऑटोमोटिव तकनीक पर कई व्यावहारिक परीक्षण कैलकय। सीएएन बस प्रौद्योगिकी पर आधारित ऑटोमोटिव सिस्टम पर ध्यान केंद्रित करते हुए, इ लेख विंडो लिफ्ट, चेतावनी प्रकाश और एयरबैग नियंत्रण प्रणाली के साथे-साथ केंद्रीय गेटवे के लिए नियंत्रण प्रणाली पर कियल गेल चार चयनित परीक्षणों के परिणाम के सारांशित करो हय। येई परिणाम के ई लेख में स्थापित सीईआरटी वर्गीकरण के उपयोग कैके येई चार हमला परिदृश्य के वर्गीकरण अउर अंतर्निहित सुरक्षा कमजोरिय के विश्लेषण, अउर विशेष रूप से संभावित सुरक्षा निहितार्थ के जौरे पूरक कैल गेल हई। इ परीक्षण के परिणाम के संबंध में, इ लेख में हम अपन परीक्षण में शोषण कैल गेलय बुनियादी कमजोरिय के दूर करे के लिए दो चयनित प्रतिरक्षा उपायों पर चर्चा करतय। ई घुसपैठ के पता लगावे के अनुकूलन (तीन अनुकरणीय पता लगावे के पैटर्न पर चर्चा) और आईटी-फोरेंसिक उपाय (एक फोरेंसिक मॉडल के आधार पर सक्रिय उपाय के प्रस्ताव) हय। ई लेख पहिले पेश कैल गेल चार हमला परिदृश्य के देखते हुए, उनकर क्षमता अउर प्रतिबंध के कवर करइत, दुनु के चर्चा करई हई। जबकि ई प्रतिक्रियाशील दृष्टिकोण अल्पकालिक उपाय हई, जे पहले से ही आज के ऑटोमोटिव आईटी आर्किटेक्चर में जोड़ा जा सकई हई, दीर्घकालिक अवधारणा के भी जल्द ही पेश कैल जाई हई, जे मुख्य रूप से निवारक हई लेकिन एकरा एक प्रमुख नया डिजाइन के आवश्यकता होतई। संबंधित शोध दृष्टिकोण पर एक संक्षिप्त अवलोकन के तहत, हम ओकर व्यक्तिगत आवश्यकता, क्षमता और प्रतिबंधों पर चर्चा करो हय। & 2010 एल्सेवियर लिमिटेड. सब अधिकार सुरक्षित. |
13b44d1040bf8fc1edb9de23f50af1f324e63697 | हम विशेषता-निर्देशित चेहरा पीढ़ी में रुचि रखई हई: एगो कम-रिज़ॉल्यूशन वाला चेहरा इनपुट छवि, एगो विशेषता वेक्टर के देखते हुए जेकरा उच्च-रिज़ॉल्यूशन वाला छवि (गुण छवि) से निकालल जा सकई हई, हमार नया विधि कम-रिज़ॉल्यूशन वाला इनपुट के लेल एगो उच्च-रिज़ॉल्यूशन वाला चेहरा छवि उत्पन्न करई हई जे देल गेल विशेषता के संतुष्ट करई हई। इ समस्या के हल करे के लिए, हम साइकिलगैन के कंडीशनिंग करो हय और सशर्त साइकिलगैन के प्रस्ताव करो हय, जेकरा डिजाइन कियल गलय हा) अपर-जोड़ी के प्रशिक्षण डेटा के संभाले के लिए काहेकी प्रशिक्षण कम/उच्च-रिज़ॉल्यूशन और उच्च-रिज़ॉल्यूशन विशेषता छवियां एक-दूसरे के साथ संरेखित नए हो सको हय, और 2) इनपुट विशेषताओं के माध्यम से उत्पन्न चेहरा के उपस्थिति के आसान नियंत्रण के अनुमति देवो हय। हम विशेषता-निर्देशित सशर्त साइकिलगैन पर उच्च-गुणवत्ता के परिणाम प्रदर्शित करई हई, जे उपयोगकर्ता द्वारा आपूर्ति कैल गेल विशेषता (जैसे, लिंग, मेकअप, बाल रंग, चश्मा) द्वारा आसानी से नियंत्रित उपस्थिति के साथ यथार्थवादी चेहरा छवि के संश्लेषण कर सकई हई। संबंधित सशर्त वेक्टर के उत्पन्न करे के लेल पहचान के रूप में विशेषता छवि के उपयोग करके अउर चेहरा सत्यापन नेटवर्क के शामिल करके, विशेषता-निर्देशित नेटवर्क पहचान-निर्देशित सशर्त साइकिलगैन बन जाई हई जे पहचान हस्तांतरण पर उच्च-गुणवत्ता अउर दिलचस्प परिणाम उत्पन्न करई हई। हम पहचान-निर्देशित सशर्त साइकिलगैन पर तीन अनुप्रयोग प्रदर्शित करई हई: पहचान-संरक्षण चेहरा सुपररेज़ोल्यूशन, चेहरा स्वैपिंग, अउर फ्रंटल चेहरा पीढ़ी, जे लगातार हमर नया विधि के लाभ देखबई हई। |
8a7b0520de8d9af82617bb13d7aef000aae26119 | मोड मिलान के साथ प्राप्त सामान्यीकृत प्रवेश मैट्रिक्स और सामान्यीकृत स्कैटरिंग मैट्रिक्स के माध्यम से एक मिश्रित लक्षणीकरण दोहरे-बैंड ऑर्थोमोड ट्रांसड्यूसर (ओएमटी) घटकों के डिजाइन के लिए प्रस्तावित हय। इ प्रक्रिया के आधार पर सटीक और कुशल पूर्ण तरंग विश्लेषण सॉफ्टवेयर विकसित कियल गलय हा। विकसित सॉफ्टवेयर के साथ उच्च प्रदर्शन वाला Ku बैंड में एक दोहरी आवृत्ति OMT के पूरी तरह से डिजाइन कियल गेलय हा। संख्यात्मक और प्रयोगात्मक परिणाम के बीच अच्छा समझौता डिजाइन प्रक्रिया के मान्य करो हय। |
17168ca2262960c57ee141b5d7095022e038ddb4 | स्मार्ट उपकरण अउर पहिरल जाए वाला सेंसर से गतिविधि मान्यता स्मार्ट उपकरण के व्यापक गोद लेबे अउर उनकर दैनिक जीवन में लोग के समर्थन करे के लेल प्रदान कैल जाए वाला लाभ के कारण अनुसंधान के एगो सक्रिय क्षेत्र छलई। सूक्ष्म-अनाज वाला आदिम गतिविधि मान्यता के लेल कैगो उपलब्ध डेटासेट वास्तविक दुनिया के दिन-प्रतिदिन के व्यवहार पर कम जोर देके गतिशीलता चाहे खेल गतिविधि पर ध्यान केंद्रित करई हई। ई पेपर एगो यथार्थवादी अपरिवर्तित रसोई वातावरण में गतिविधि मान्यता के लेल एगो नया डेटासेट प्रस्तुत करई हई। डेटा केवल 10 आम प्रतिभागि से स्मार्ट-घड़ी के उपयोग करके एकत्र कैल गेल रहई जब ऊ एगो अपरिवर्तित किराया के रसोई में भोजन तैयार करई रहई। ई कागज ई डेटा सेट पर विभिन्न वर्गीकरण के लेल आधारभूत प्रदर्शन माप प्रदान करई हई। एकर अलावा, एगो गहरी विशेषता सीखने प्रणाली अउर अधिक पारंपरिक सांख्यिकीय विशेषता पर आधारित दृष्टिकोण के तुलना कैल जाई छलई। इ विश्लेषण से पता चलई हई कि - सभी मूल्यांकन मानदंड के लेल - डेटा-चालित विशेषता सीखना वर्गीकरणकर्ता के हाथ से बनल विशेषता के तुलना में सर्वोत्तम प्रदर्शन प्राप्त करे के अनुमति देई हई। |
62a6cf246c9bec56babab9424fa36bfc9d4a47e8 | हम कंप्यूटर के स्वचालित रूप से ऐसन प्रश्न के उत्तर देवे के कैसे सक्षम कर सकई हई कि "हैरी पॉटर के चरित्र के निर्माण केलकई? सावधानी से बनल ज्ञान के आधार तथ्य के समृद्ध स्रोत प्रदान करई हई। हालांकि, एक प्रश्न के कई अभिव्यक्तियों के कारण प्राकृतिक भाषा में उठाए गए तथ्यात्मक प्रश्नों के उत्तर देना एक चुनौती बनी हुई है। विशेष रूप से, हम सबसे सामान्य प्रश्न पर ध्यान केंद्रित करई हई - ऐसन जे ज्ञान आधार में एगो तथ्य के जौरे उत्तर देल जा सकई हई। हम सीएफओ, ज्ञान के आधार के साथ फैक्टोइड प्रश्नों के उत्तर देने के लिए एक सशर्त केंद्रित तंत्रिका नेटवर्क-आधारित दृष्टिकोण का प्रस्ताव करते हैं। हमार दृष्टिकोण पहिले एगो प्रश्न में ज़ूम कर के अधिक संभावित उम्मीदवार विषय के उल्लेख खोजई हई, अउर एगो एकीकृत सशर्त संभाव्यता ढांचे के जौरे अंतिम उत्तर के अनुमान लगाबई हई। गहरा आवर्ती तंत्रिका नेटवर्क और तंत्रिका एम्बेडिंग द्वारा संचालित, हमर प्रस्तावित सीएफओ 108,000 प्रश्नों के डेटासेट पर 75.7% की सटीकता प्राप्त करो हय - आज तक के सबसे बड़ा सार्वजनिक एक। ई 11.8% के पूर्ण मार्जिनवा से वर्तमान तकनीक के स्थिति के बेहतर बनाव है। |
7bbacae9177e5349090336c23718a51bc94f6bfc | हम भू-स्थान के जानकारी के साथ एनोटेट कैल गेल "स्ट्रीट साइड" छवियों के डेटाबेस के उपयोग करके क्वेरी छवि में चित्रित स्थान के पहचान करे के कोशिश कर हियई। डेटाबेस में क्वेरी और छवियों के बीच पैमाने, दृष्टिकोण और प्रकाश में परिवर्तन के कारण यह एक चुनौतीपूर्ण कार्य है। स्थान पहचान में प्रमुख समस्या में से एगो पेड़ चाहे सड़क चिह्न जैसन वस्तु के उपस्थिति हई, जे अक्सर डेटाबेस में होई हई अउर येहिलेल विभिन्न स्थान के बीच महत्वपूर्ण भ्रम पैदा करई छलो। मुख्य योगदान के रूप में, हम देखई छियई कि कैसे विशेष स्थान के भ्रम पैदा करे वाला सुविधा से बचे के लेल निगरानी के रूप में डेटाबेस छवि से जुड़ल जियोटैग के उपयोग कैल जाए। हम भ्रमित करे वाला सुविधा के छवि-विशिष्ट अउर स्थानिक रूप से स्थानीयकृत समूह के स्वचालित रूप से पता लगावे के लेल एगो विधि विकसित करई हई, अउर ई दर्शाबई हई कि एकरा दबाबे से डेटाबेस के आकार के कम करते हुए स्थान मान्यता प्रदर्शन में काफी सुधार होई छलई। हम क्वेरी विस्तार सहित कला बैग-ऑफ-फीचर्स मॉडल के स्थिति के साथ अच्छा तरह से संयोजन करई हई, अउर स्थान मान्यता के प्रदर्शन करई हई जे दृष्टिकोण अउर प्रकाश के स्थिति के व्यापक श्रेणी में सामान्यीकृत करई हई। परिणाम गूगल स्ट्रीट व्यू से डाउनलोड कैल गेलय पेरिस के 17 हजार से अधिक छविय के एक भौगोलिक रूप से टैग कैल गेल डेटाबेस पर दिखाएल गेलय हय। |
d72b366e1d45cbcddfe5c856b77a2801d8d0c11f | मौजूदा तंत्रिका अर्थवादी पार्सर मुख्य रूप से एक अनुक्रम एन्कोडर, यानी, एक अनुक्रमिक एलएसटीएम, के उपयोग शब्द क्रम विशेषता के निकाले के लिए करो हय जबकि अन्य मूल्यवान वाक्यविन्यास जानकारी जैसे निर्भरता ग्राफ या घटक पेड़ के उपेक्षा करो हय। ई पेपर में, हम सबसे पहिले तीन प्रकार के वाक्यविन्यास जानकारी के प्रतिनिधित्व करे के लेल वाक्यविन्यास ग्राफ के उपयोग करे के प्रस्ताव रखई हई, अर्थात, शब्द क्रम, निर्भरता अउर निर्वाचन क्षेत्र के विशेषता। हम वाक्यविन्यास ग्राफ के एन्कोड करे और तार्किक रूप के डिकोड करे के लिए ग्राफ-टू-अनुक्रम मॉडल के उपयोग करई छी। बेंचमार्क डेटासेट पर प्रयोगात्मक परिणाम से पता चलई हई कि हमार मॉडल जॉब्स 640, एटीआईएस अउर जियो 880 पर अत्याधुनिक के तुलना में तुलनीय छलई। विरोधाभासी उदाहरण पर प्रयोगात्मक परिणाम प्रदर्शित करो हय कि अधिक वाक्यविन्यास संबंधी जानकारी के एन्कोडिंग करके मॉडल के मजबूती में भी सुधार कैल जा हय। |
32cde90437ab5a70cf003ea36f66f2de0e24b3ab | जटिल शहरी सड़क दृश्यों के दृश्य समझ कई प्रकार के अनुप्रयोगों के लिए एक सक्षम कारक हय। ऑब्जेक्ट डिटेक्शन के बड़े पैमाने पर डेटासेट से बहुत लाभ मिलल हय, खासकर डीप लर्निंग के संदर्भ में। हालांकि, सिमेंटिक शहरी दृश्य समझ के लेल, कोनो वर्तमान डेटासेट वास्तविक दुनिया के शहरी दृश्य के जटिलता के पर्याप्त रूप से न कैप्चर करई हई। एकरा संबोधित करे के लेल, हम सिटीस्केप, एगो बेंचमार्क सूट अउर बड़ा पैमाना के डेटासेट पेश करई हई जे पिक्सेल-स्तर अउर उदाहरण-स्तर के सिमेंटिक लेबलिंग के लेल दृष्टिकोण के प्रशिक्षित अउर परीक्षण करई हई। सिटीस्केप में 50 अलग-अलग शहर के सड़कन पर रिकॉर्ड कैल गेलय स्टीरियो वीडियो अनुक्रम के एक बड़ा, विविध सेट शामिल हय। येइमे से 5000 छवि में उच्च गुणवत्ता वाला पिक्सेल-स्तर के एनोटेशन हई, 20 000 अतिरिक्त छवि में मोटा एनोटेशन हई ताकि ऊ विधि के सक्षम कर सकई जे बड़ मात्रा में कमजोर लेबल वाला डेटा के लाभ उठा सकई हई। महत्वपूर्ण रूप से, हमार प्रयास डेटासेट आकार, एनोटेशन समृद्धि, दृश्य परिवर्तनशीलता और जटिलता के संदर्भ में पिछला प्रयास के पार कर गलय हा। हमर साथ में आवे वाला अनुभवजन्य अध्ययन डेटासेट विशेषता के गहन विश्लेषण प्रदान करई हई, साथ ही हमार बेंचमार्क के आधार पर कैगो अत्याधुनिक दृष्टिकोण के प्रदर्शन मूल्यांकन प्रदान करई हई। |
7c5f143adf1bf182bf506bd31f9ddb0f302f3ce9 | |
ceb7784d1bebbc8e97e97cbe2b3b76bce1e708a5 | बिजनेस इंटेलिजेंस (बीआई) आजकल सबके मुँह में हइ, काहे कि ई व्यवसाय के ओकर व्यवसाय के विश्लेषण करे आउ ओकरा में सुधार करे के संभावना प्रदान करऽ हइ। हालांकि, लघु और मध्यम उद्यम (एसएमई) अक्सर कर्मियों, ज्ञान या धन जैसे संसाधनों के कमी के कारण बीआई के सकारात्मक प्रभावों के लाभ नहीं उठा पाता है। चूंकि एसएमई व्यवसाय के संगठन के एक प्रमुख रूप हय, इ तथ्य के दूर करे के चाहि। चूंकि खुदरा उद्योग एसएमई शाखा के एक महत्वपूर्ण हिस्सा हय, हम खुदरा एसएमई के लिए एक बीआई प्रणाली के लिए एक अंतर-संगठन दृष्टिकोण के प्रस्ताव करो हय, जे ओकरा सहयोगी रूप से डेटा एकत्र करे और विश्लेषण कार्य करे के अनुमति देवो हय। हमर चल रहल शोध प्रयास के लक्ष्य डिजाइन विज्ञान अनुसंधान पद्धति के अनुसरण करइत ऐसन प्रणाली के विकास छलई। ई लेख में, खुदरा उद्योग में एसएमई में वर्तमान बीआई प्रथा के यथास्थिति के दस एसएमई प्रबंधकों के साथ गुणात्मक साक्षात्कार के माध्यम से विश्लेषण कैल गेल हई। बाद में, बीआई सिस्टम अउर इंटर-ऑर्गेनाइजेशनल सूचना प्रणाली के अपनाने अउर सफलता के कारक के व्यापक संरचित साहित्य समीक्षा में तैयार कैल गेल हई। यथास्थिति और अपनाने और सफलता कारक के आधार पर, अंतर-संगठन बीआई प्रणाली के स्वीकृति के लिए पहली आवश्यकता के पहचानल जा हय और गुणात्मक साक्षात्कार के एक और दौर में मान्य कियल जा हय। इ नौ कार्यात्मक आवश्यकता और तीन गैर-कार्यात्मक आवश्यकता के ओर ले जा हय, जेकर उपयोग निम्नलिखित शोध प्रयासों में एसएमई के लिए एक अंतर-संगठनात्मक बीआई प्रणाली के डिजाइन और कार्यान्वयन के लिए कियल जा सको हय। |
43e33e80d74205e860dd4b8e26b7c458c60e201a | हम देखवई हई कि भार अउर पूर्वाग्रह पर एगो उपयुक्त पूर्व के जौरे (अवशिष्ट) संवहन तंत्रिका नेटवर्क (सीएनएन) के आउटपुट अनंत रूप से कै संवहन फ़िल्टर के सीमा में एगो गॉसियन प्रक्रिया (जीपी) हई, जे घने नेटवर्क के लेल समान परिणाम के विस्तार करई हई। एक सीएनएन के लिए, समकक्ष कर्नेल को सटीक रूप से गणना किया जा सकता है और, गहरे कर्नेल के विपरीत, बहुत कम पैरामीटर हैंः केवल मूल सीएनएन के हाइपरपैरामीटर। एकरा अलावा, हम देखई छियई कि येई कर्नेल के दो गुण हई जे एकरा कुशलता से गणना करे के अनुमति देई हई; छवियों के एक जोड़ी के लेल कर्नेल के मूल्यांकन करे के लागत मूल सीएनएन के माध्यम से केवल एक फिल्टर प्रति परत के जौरे एगो एकल आगे पारित करे के समान छलई। 32-लेयर रेज़नेट के बराबर कर्नेल एमएनआईएसटी पर 0.84% वर्गीकरण त्रुटि प्राप्त करो हय, जे समान संख्या में पैरामीटर के साथे जीपी के लिए एक नया रिकॉर्ड हय। 1 के लेल |
1e38c680492a958a2bd616a9a7121f905746a37e | बिटकॉइन प्रणाली (https://bitcoin.org) एगो छद्म-अज्ञात मुद्रा हई जे उपयोगकर्ता के कोनो वास्तविक दुनिया के पहचान से अलग कर सकई हई। ओई संदर्भ में, आभासी अउर भौतिक विभाजन के सफल उल्लंघन बिट-कॉइन प्रणाली में एगो महत्वपूर्ण बदलाव के प्रतिनिधित्व करई हई [1]। ई प्रोजेक्ट में हम देखबई कि बिटकॉइन लेनदेन के पीछे वास्तविक दुनिया के उपयोगकर्ता के बारे में जानकारी कैसे एकत्र कैल जाए। हम क्रिप्टोकरेंसी के बारे में सार्वजनिक रूप से उपलब्ध डेटा के विश्लेषण कर रहलिए ह । विशेष रूप से, हम ऊ उपयोगकर्ता के खर्च करे के आदत के जांच करके बिटकॉइन उपयोगकर्ता के भौतिक स्थान के बारे में जानकारी निर्धारित करे पर ध्यान केंद्रित करई हियई। |
2c0a239caa3c2c590e4d6f23ad01c1f77adfc7a0 | |
5f6d9b8461a9d774da12f1b363eede4b7088cf5d | पिछला शोध के परिणाम से पता चललई कि यूएचएफ निष्क्रिय सीएमओएस आरएफआईडी टैग के -20 डीबीएम से कम संवेदनशीलता प्राप्त करे में कठिनाई रहई। ई पेपर एगो डुअल-चैनल 15-बिट यूएचएफ निष्क्रिय सीएमओएस आरएफआईडी टैग प्रोटोटाइप प्रस्तुत करई हई जे -20 डीबीएम से कम संवेदनशीलता पर काम कर सकई हई। प्रस्तावित टैग चिप ऊर्जा कटाई और 866.4-MHz (ETSI के लिए) या 925-MHz (FCC के लिए) चैनल पर अपलिंक डेटा को बैकस्कैटर करता है और 433-MHz चैनल पर डाउनलिंक डेटा प्राप्त करता है। नतीजतन, डाउनलिंक डेटा ट्रांसमिशन आरएफ ऊर्जा के कटाई से हमर टैग के बाधित ना करई छई। कटाई ऊर्जा के कुशलता से उपयोग करे के लिए, हम एक टैग चिप डिजाइन करो हय जेकरा मे न तो एक नियामक और न ही एक वीसीओ शामिल होवो हय ताकि कटाई ऊर्जा के पूरी तरह से डेटा प्राप्त करे, संसाधित करे और बैकस्कैटर करे में उपयोग कियल जा सके। एक नियामक के बिना, हमारे टैग रिसीवर के फ्रंट-एंड में जितना संभव हो उतना कम सक्रिय एनालॉग सर्किट का उपयोग करता है। एकरा बजाय, हमर टैग एगो नया डिजिटल सर्किट के उपयोग प्राप्त डेटा के डिकोड करे के लेल करई हई। एगो वीसीओ के बिना, हमार टैग के डिज़ाइन डाउनलिंक डेटा से आवश्यक घड़ी सिग्नल के निकाल सकई हई। माप परिणाम से पता चलई हई कि प्रस्तावित निष्क्रिय टैग चिप के संवेदनशीलता -21.2 डीबीएम तकले पहुंच सकई हई। ई परिणाम 36-डीबीएम ईआईआरपी और 0.4-डीबीआई टैग एंटीना लाभ के तहत 19.6 मीटर रीडर-टू-टैग दूरी के अनुरूप हय। चिप TSMC 0.18-μm CMOS प्रक्रिया में निर्मित हलय। म्यान क्षेत्र 0.958 मिमी × 0.931 मिमी हई। |
4991785cb0e6ee3d0b7823b59e144fb80ca3a83e | |
2f3a6728b87283ccf0f8822f7a60bca8280f0957 | समग्र खोज वेब खोज परिणाम में संभावित रूप से कई विशेष खोज सेवाओं, या वर्टिकल से परिणामों के एकीकृत करने का कार्य है। कार्य के लेल न केवल ई भविष्यवाणी करे के आवश्यकता होई हई कि कोन वर्टिकल के प्रस्तुत करे के हई (अधिकांश पिछला शोध के फोकस), बल्कि ई भी भविष्यवाणी करे के चाहि कि वेब परिणाम में कहां प्रस्तुत कैल जाए (यानी, वेब परिणाम के ऊपर चाहे नीचे, चाहे कहीं बीच में) । कई वर्टिकल से परिणाम के एकत्रित करे के लिए मॉडल सीखना दो प्रमुख चुनौतियों से जुड़ल हय। सबसे पहले, काहेकी ऊर्ध्वाधर विभिन्न प्रकार के परिणाम के पुनः प्राप्त करो हय और विभिन्न खोज कार्य के संबोधित करो हय, विभिन्न ऊर्ध्वाधर से परिणाम विभिन्न प्रकार के भविष्य कहनेवाला साक्ष्य (या विशेषता) से जुड़ल होवो हय। दोसर, भले ही कोनो विशेषता लंबवत पर सामान्य हो, एकर भविष्यवाणी ऊर्ध्वाधर-विशिष्ट हो सकई हई। इसलिए, ऊर्ध्वाधर परिणामों के एकत्रित करे के दृष्टिकोण के लिए ऊर्ध्वाधर में एक असंगत विशेषता प्रतिनिधित्व के संभालने के आवश्यकता होवो हय, और, संभावित रूप से, विशेषता और प्रासंगिकता के बीच एक ऊर्ध्वाधर-विशिष्ट संबंध के आवश्यकता होवो हय। हम 3 सामान्य दृष्टिकोण प्रस्तुत करई हई जे येई चुनौति के अलग-अलग तरीका से संबोधित करई हई अउर 13 लंबवत अउर 1070 प्रश्न के सेट में उनकर परिणाम के तुलना करई हई। हम देखबई कि सबसे अच्छा दृष्टिकोण ऊ हई जे सीखने के एल्गोरिथ्म के सुविधा अउर प्रासंगिकता के बीच एगो ऊर्ध्वाधर-विशिष्ट संबंध सीखई के अनुमति देई हई। |
b8945cfb7ed72c0fd70263379c328b8570bd763f | |
a2770a51760a134dbb77889d5517550943ea7b81 | 2 जी / 3 जी / एलटीई संचार के लिए उच्च लाभ के साथ एक कॉम्पैक्ट दोहरे ध्रुवीकृत दोहरे बैंड सर्वदिशात्मक एंटीना प्रस्तुत कैल गेल हई, जोनमे दो क्षैतिज ध्रुवीकरण (एचपी) अउर एगो ऊर्ध्वाधर ध्रुवीकरण (वीपी) तत्व शामिल छलई। ऊपरी एचपी तत्व में चार जोड़ी संशोधित मुद्रित मैग्नेटो-इलेक्ट्रिक (एमई) डायपोल होवो हय जे चार-तरफा पावर डिवाइडर फीडिंग नेटवर्क द्वारा खिलावल जा हय, और चाप के आकार के परजीवी पैच के आठ टुकड़ा होवो हय जे बारी-बारी से परिपत्र मुद्रित सर्किट बोर्ड के दुनहु तरफ प्रिंट कैल जा हय। चार-तरफा पावर डिवाइडर फीडिंग नेटवर्क, एमई डाइपोल के चार जोड़े के जौरे मुख्य रूप से एक स्थिर 360 ° विकिरण पैटर्न और उच्च लाभ प्रदान करई हई, जबकि आठ टुकड़ा के पैच के उपयोग बैंडविड्थ के बढ़ाबे के लेल कैल जाई छलई। निचला एचपी तत्व ऊपरी वाला के समान हय, सिवाय एकरा कि एकरा मे परजीवी पैच नए हय। वीपी तत्व में शंकु के आकार के पैच के चार जोड़े होवो हय। एचपी तत्व से अलग, ऊपरी वीपी तत्व निचला आवृत्ति बैंड प्रदान करो हय जबकि निचला वीपी ऊपरी आवृत्ति बैंड उत्पन्न करो हय। कॉम्पैक्ट और दोहरे ध्रुवीकृत विशेषता प्राप्त करे के लिए वीपी तत्व और एचपी तत्व लंबवत रूप से व्यवस्थित कैल गेल हई। मापल गेल परिणाम से पता चलई हई कि एचपी दिशा के लेल लगभग 2.6 डीबीआई के लाभ के जौरे 39.6% (0.77-1.15 गीगाहर्ट्ज) के बैंडविड्थ अउर लगभग 4.5 डीबीआई के लाभ के जौरे 55.3% (1.66-2.93 गीगाहर्ट्ज) के बैंडविड्थ प्राप्त कैल जा सकई हई, जबकि वीपी दिशा के लेल लगभग 4.4 डीबीआई के लाभ के जौरे 128% (0.7-3.2 गीगाहर्ट्ज) के बैंडविड्थ प्राप्त कैल जा सकई हई। 20 dB से अधिक पोर्ट अलगाव और 2 dBi के भीतर कम लाभ भिन्नता स्तर भी प्राप्त कैल जा हय। येहिलेल, प्रस्तावित एंटीना 2 जी / 3 जी / एलटीई इनडोर संचार के लेल उपयुक्त छलई। |
33a1ee51cc5d51609943896a95c1371538f2d017 | |
1eb0bf4b9bf04e870962b742c4fc6cb330d1235a | व्यावसायिक प्रक्रिया प्रबंधन पर अधिकांश साहित्य में देल गेलय व्यावसायिक प्रक्रिया के परिभाषा गहराई से सीमित हय और व्यावसायिक प्रक्रिया के उनकर संबंधित मॉडल तदनुसार सीमित हय। उत्पादन प्रणाली से कार्यालय वातावरण में व्यावसायिक प्रक्रिया मॉडलिंग तकनीक के प्रगति के एक संक्षिप्त इतिहास देवे के बाद, इ पेपर प्रस्तावित करो हय कि अधिकांश परिभाषा एक प्रक्रिया के मशीन रूपक प्रकार के अन्वेषण पर आधारित हय। जबकि येई तकनीक अक्सर समृद्ध अउर प्रबुद्ध होई हई, ई सुझाव देल जाई हई कि ई व्यवसाय प्रक्रिया के वास्तविक प्रकृति के व्यक्त करे के लेल बहुत सीमित हई जेकरा आज के चुनौतीपूर्ण वातावरण के लेल विकसित आउर अनुकूलित करे के आवश्यकता होई हई। |
bc018fc951c124aa4519697f1884fd5afaf43439 | एक वाइड-बैंड प्लैनर एंटीना के सैद्धांतिक और प्रयोगात्मक परिणाम प्रस्तुत कैल गेल हई। ई एंटीना एगो विस्तृत बैंडविड्थ, कम क्रॉस-पोलराइजेशन स्तर अउर कम बैकवर्ड रेडिएशन स्तर प्राप्त कर सकई हई। व्यापक बैंडविड्थ और सक्रिय सर्किट के साथ आसान एकीकरण के लिए, इ एपर्चर-कपल्ड स्टैक्ड स्क्वायर पैच का उपयोग करो हय। युग्मन एपर्चर एक एच-आकार के एपर्चर हय। परिमित-अंतर समय-क्षेत्र विधि के आधार पर, एंटीना के इनपुट प्रतिबाधा के एक पैरामीटर अध्ययन प्रस्तुत कैल गेल हई, अउर एंटीना प्रतिबाधा पर प्रत्येक पैरामीटर के प्रभाव के चित्रित कैल गेल हई। एक एंटीना के भी डिजाइन, निर्माण और मापा जावो हय। मापा गेल वापसी हानि 21.7% के प्रतिबाधा बैंडविड्थ के प्रदर्शन करो हय। क्रॉस-पोलराइजेशन लेवल और प्लेन दोनों में 23 डीबी से बेहतर हय। एंटीना विकिरण पैटर्न के आगे-पीछे अनुपात 22 dB से बेहतर हय। पैरामीटर और विकिरण पैटर्न के सैद्धांतिक और प्रयोगात्मक परिणाम दोनों के प्रस्तुत और चर्चा कियल गलय हा। |
5adcac7d15ec8999fa2beb62f0ddc6893884e080 | फिंगरप्रिंट अभिविन्यास फिंगरप्रिंट वृद्धि, फिंगरप्रिंट वर्गीकरण और फिंगरप्रिंट मान्यता में महत्वपूर्ण भूमिका निभो हय। इ पत्र फिंगरप्रिंट अभिविन्यास अनुमान पर प्राथमिक प्रगति के आलोचनात्मक रूप से समीक्षा करो हय। मौजूदा विधियों के लाभ और सीमाओं के संबोधित कियल गलय हा। भविष्य के विकास पर चर्चा कैल गेल। कॉपीराइट © 2010 जॉन विले एंड संस, लिमिटेड. |
568cff415e7e1bebd4769c4a628b90db293c1717 | वीडियो के विशाल मात्रा में अब आश्चर्यजनक दर से कैप्चर कैल जा रहल हई, लेकिन येईमे से अधिकांश के कोई लेबल न हई। ऐसन डेटा के सामना करे के लेल, हम बिना कोनो मैन्युअल रूप से लेबल कैल गेल उदाहरण के वीडियो में सामग्री-आधारित गतिविधि मान्यता के कार्य पर विचार करई छी, जेकरा शून्य-शॉट वीडियो मान्यता के रूप में भी जानल जाई छलई। एकरा प्राप्त करे के लेल, वीडियो के पता लगाएल गेल दृश्य अवधारणा के संदर्भ में प्रतिनिधित्व कैल जाई हई, जेकरा तब कोनो देल गेल पाठ क्वेरी के जौरे ओकर समानता के आधार पर प्रासंगिक चाहे अप्रासंगिक के रूप में स्कोर कैल जाई छलई। ई पेपर में, हम पिछला काम के कई नाजुकता और कम सटीकता के समस्या के कम करे के लिए अवधारणा के स्कोरिंग के लिए एक अधिक मजबूत दृष्टिकोण प्रस्तावित करई हियई। हम न केवल संयुक्त रूप से अर्थ संबंधी संबंध, दृश्य विश्वसनीयता, और भेदभाव शक्ति पर विचार कर हकिअइ। चयनित अवधारणा के रैंकिंग स्कोर में शोर और गैर-रैखिकता के संभाल करे के लिए, हम स्कोर एकत्रीकरण के लिए एक उपन्यास जोड़ीबद्ध आदेश मैट्रिक्स दृष्टिकोण प्रस्तावित करो हय। बड़े पैमाने पर TRECVID मल्टीमीडिया इवेंट डिटेक्शन डेटा पर व्यापक प्रयोग हमर दृष्टिकोण के श्रेष्ठता के दर्शाबई हई। |
a62ac71cd51124973ac57c87d09a3461ecbd8e61 | सबसे कम माध्य चौथा (एलएमएफ) एल्गोरिथ्म के व्यवहार विशेष रुचि के हय। ई एल्गोरिथ्म के एलएमएस एल्गोरिथ्म से तुलना करे में, जब दुनहु के वजन छूट प्रक्रिया के लेल ठीक समान समय स्थिरांक के लेल सेट कैल जाई हई, त कुछ परिस्थिति में एलएमएफ एल्गोरिथ्म में एलएमएस एल्गोरिथ्म के तुलना में काफी कम वजन शोर होतई। येहिलेल, ई संभव हई कि एगो न्यूनतम माध्य चौथा त्रुटि एल्गोरिथ्म एगो माध्य वर्ग त्रुटि एल्गोरिथ्म के तुलना में न्यूनतम वर्ग के अनुमान के बेहतर काम कर सकई हई। इ पेचीदा अवधारणा के अनुकूली एल्गोरिदम के सभे रूप के लेल निहितार्थ छलई, चाहे ऊ सबसे अधिक उतरती या अन्यथा पर आधारित हो। अनुकूली फ़िल्टरिंग के लेल नया सबसे तेज़ वंश एल्गोरिदम के आविष्कार कैल गेल हई अउर जे औसत चौथा अउर औसत छठा, आदि, अर्थ में त्रुटि के कम करे के अनुमति देई हई। अनुकूलन के दौरान, भार उनके इष्टतम समाधान के ओर घातीय विश्राम से गुजरो हय। समय स्थिरांक के व्युत्पन्न कैल गेल हई, अउर आश्चर्यजनक रूप से ऊ समय स्थिरांक के आनुपातिक हो जाई हई जे अगर विड्रो अउर हॉफ के सबसे कम माध्य वर्ग (एलएमएस) एल्गोरिथ्म के उपयोग कैल गेल होतई त प्राप्त कैल गेल होतई। नया ग्रेडिएंट एल्गोरिदम एलएमएस एल्गोरिदम के तुलना में प्रोग्राम करे और गणना करे में काफी अधिक जटिल हय। उनकर सामान्य रूप W J+l = w, t 2plqK-lx,, जहां W, वर्तमान भार वेक्टर हई, W, + 1 अगला भार वेक्टर हई, r, वर्तमान त्रुटि हई, X, वर्तमान इनपुट वेक्टर हई, u स्थिरता अउर अभिसरण के दर के नियंत्रित करई हई, अउर 2 K त्रुटि के घातांक हई जेकरा कम से कम कैल जाई छलई। नया ढाल एल्गोरिदम के लेल माध्य के भार-वेक्टर अभिसरण अउर विचलन के लेल शर्त के प्राप्त कैल गेल हई। |
5896b9299d100bdd10fee983fe365dc3bcf35a67 | ई पेपर निरंतर स्वास्थ्य निगरानी के लेल एगो गैर-आक्रामक वायरलेस सेंसर प्लेटफॉर्म प्रस्तुत करई हई। सेंसर प्रणाली एक पाश एंटीना, वायरलेस सेंसर इंटरफ़ेस चिप, और एक बहुलक सब्सट्रेट पर ग्लूकोज सेंसर को एकीकृत करती है। आईसी में पावर मैनेजमेंट, रीडआउट सर्किट्री, वायरलेस कम्युनिकेशन इंटरफेस, एलईडी ड्राइवर और ऊर्जा भंडारण कैपेसिटर शामिल हैं, जो कि 0.36-मिमी 2 के सीएमओएस चिप में बिना किसी बाहरी घटक के हैं। हमर ग्लूकोज सेंसर के संवेदनशीलता 0.18 μA·mm-2·mM-1 हई। सिस्टम वायरलेस रूप से संचालित होवो हय और एक विनियमित 1.2-वी आपूर्ति से 3 μW के खपत करते हुए 400 हर्ट्ज/एमएम के संवेदनशीलता के साथ 0.05-1 एमएम के मापा ग्लूकोज रेंज प्राप्त करो हय। |
622c5da12c87ecc3ea8be91f79192b6e0ee559d2 | इ सैद्धांतिक संश्लेषण में, हम उपयोगकर्ता भागीदारी और भागीदारी पर पूर्व शोध के तीन परंपरा के एक साथ रखो हय: उपयोगकर्ता भागीदारी और आईएस सफलता के बीच संबंध पर सर्वेक्षण और प्रयोगात्मक साहित्य, वैकल्पिक विकास दृष्टिकोण पर नियामक साहित्य, और गुणात्मक अध्ययन जे उपयोगकर्ता भागीदारी के विभिन्न सैद्धांतिक दृष्टिकोण से जांच करो हय। हम तीनों साहित्य के निकाय में कैल गेल प्रगति के भी आकलन करई हई, अउर उपयोगकर्ता भागीदारी में सुधार के लेल भविष्य के शोध के अंतराल अउर दिशा के पहचान करई छियई। |
24beb987b722d4a25d3157a43000e685aa8f8874 | ई मॉडल के अधिकतम एन्ट्रोपी मॉडल के रूप में वर्गीकृत कैल जा सकई हई अउर एक साथ पीओएस टैग के भविष्यवाणी करे के लेल कैगो प्रासंगिक विशेषता के उपयोग करई हई। एकरा अलावा ई पेपर जटिल टैगिंग निर्णय के मॉडल करे के लेल विशेष सुविधा के उपयोग के प्रदर्शन करई हई। |
6a2fe560574b76994ab1148b4dae0bfb89e3a3e3 | मानव धारणा के एक महत्वपूर्ण पहलू प्रत्याशा हय और प्रत्याशा हय कि मनुष्य अगला कौन सी गतिविधि करतय (और ऊकरा कैसे करतय) कई अनुप्रयोगों के लिए उपयोगी हय, उदाहरण के लिए, प्रत्याशा एक सहायक रोबोट के मानव वातावरण में प्रतिक्रियाशील प्रतिक्रिया के लिए आगे के योजना बनावे में सक्षम बनावो हय। ई काम में, हम वस्तु के उपलब्धता के माध्यम से समृद्ध स्थानिक-समय संबंध के बारे में तर्क देके विभिन्न संभावित भविष्य के मानव गतिविधि के उत्पन्न करे के लेल एगो रचनात्मक दृष्टिकोण प्रस्तुत करई हई। हम एगो अनुमानित अस्थायी सशर्त यादृच्छिक क्षेत्र (एटीसीआरएफ) के उपयोग कैके प्रत्येक संभावित भविष्य के प्रतिनिधित्व करई हई जहां हम एगो जनरेटिव मॉडल से भविष्य के वस्तु प्रक्षेपवक्र अउर मानव मुद्रा के अनुरूप नोड्स अउर किनार के नमूना लेई छलई। फेर हम संभावित भविष्यवाणिय के वितरण के निर्माण करल गेल एटीसीआरएफ कणवन के एगो सेट के उपयोग करके प्रतिनिधित्व कर हो। CAD-120 मानव गतिविधि RGB-D डेटासेट पर व्यापक मूल्यांकन में, नया विषयों (प्रशिक्षण सेट में नए देखे गए) के लिए, हम 75.4%, 69.2% और 58.1% के एक गतिविधि प्रत्याशा सटीकता (परिभाषित कैल गेलय कि क्या शीर्ष तीन भविष्यवाणियों में से एक वास्तव में हुआ) 1, 3 और 10 सेकंड के प्रत्याशा समय के लिए क्रमशः। 1 के लेल |
ea38789c6687e7ccb483693046fff5293e903c51 | हम एगो बैच सुदृढीकरण सीखना (आरएल) एल्गोरिथ्म प्रस्तुत करई हई जे प्रत्येक नीति के गुणवत्ता के बारे में संभाव्यता गारंटी प्रदान करई हई जे ई प्रस्तावित करई हई, अउर जेकर कोनो हाइपर-पैरामीटर ना हई जेकरा विशेषज्ञ ट्यूनिंग के आवश्यकता होई हई। उपयोगकर्ता कोनो प्रदर्शन निचला-सीमा, ρ−, अउर आत्मविश्वास स्तर, δ के चयन कर सकई हई, अउर हमार एल्गोरिथ्म ई सुनिश्चित करतई कि ई संभावना कि ई ρ− से नीचे के प्रदर्शन के जौरे एगो नीति लौटाई, अधिकतम δ हई। फेर हम एगो वृद्धिशील एल्गोरिथ्म प्रस्तावित कर हई जे कैगो नीति सुधार के लेल बार-बार हमर नीति सुधार एल्गोरिथ्म के निष्पादित करई हई। हम एगो सरल ग्रिडवर्ल्ड अउर मानक पहाड़ के कार समस्या के जौरे-जौरे एगो डिजिटल मार्केटिंग अनुप्रयोग के जौरे अपन दृष्टिकोण के व्यवहार्यता के दिखाबई हई जे वास्तविक दुनिया के डेटा के उपयोग करई हई। |
780b05a35f2c7dd4b4d6e2a844ef5e145f1972ae | बहु-मोड़ संवाद में, प्राकृतिक भाषा समझ के मॉडल प्रासंगिक जानकारी के लेल अंधा होए के कारण स्पष्ट त्रुटि के पेश कर सकई हई। संवाद इतिहास के शामिल करे के लेल, हम स्पीकर-संवेदनशील डुअल मेमोरी नेटवर्क के जौरे एगो तंत्रिका वास्तुकला प्रस्तुत करई छी जे स्पीकर के आधार पर अलग-अलग उच्चारण के एन्कोड करई हई। ई प्रणाली के लिए उपलब्ध जानकारी के विभिन्न आयाम के संबोधित करई हई - सिस्टम के केवल उपयोगकर्ता के कथन के सतह रूप के पता होई हई जबकि सिस्टम आउटपुट के सटीक शब्दार्थ होई हई। हम माइक्रोसॉफ्ट कॉर्टाना, एगो वाणिज्यिक व्यक्तिगत सहायक से वास्तविक उपयोगकर्ता डेटा पर प्रयोग करलई। परिणाम ने प्रासंगिक जानकारी के उपयोग करे वाला अत्याधुनिक स्लॉट टैगिंग मॉडल के तुलना में महत्वपूर्ण प्रदर्शन सुधार के दर्शायलके। |
259bbc822121df705bf3d5898ae031cd712505ea | 1मोबाइल संचार विभाग, स्कूल ऑफ इलेक्ट्रिकल इंजीनियरिंग और कंप्यूटर साइंसेज, टेक्निकल यूनिवर्सिटी ऑफ बर्लिन, बर्लिन, जर्मनी 2वायरलेस नेटवर्किंग, सिग्नल प्रोसेसिंग और सिक्योरिटी लैब, इलेक्ट्रिकल और कंप्यूटर इंजीनियरिंग विभाग, ह्यूस्टन विश्वविद्यालय, ह्यूस्टन, TX 77004, यूएसए 3संचार प्रणाली के डिवीजन, इलेक्ट्रिकल इंजीनियरिंग (ISY) विभाग, लिंकोपिंग विश्वविद्यालय, SE-581 83 लिंकोपिंग, स्वीडन 4संचार प्रयोगशाला, इलेक्ट्रिकल इंजीनियरिंग और सूचना प्रौद्योगिकी संकाय, ड्रेस्डेन यूनिवर्सिटी ऑफ टेक्नोलॉजी, 01062 ड्रेस्डेन, जर्मनी |
4eca7aa4a96300caf8622d666ecf5635d8b72132 | स्वचालित पुनर्वास और खेल प्रशिक्षण प्रणाली के विकास के लिए मानव गतिविधियों के सटीक रूप से पहचानने की क्षमता आवश्यक हय। इ पेपर में, अग्र-हस्त पहनावे वाला पहनने योग्य सेंसर से प्राप्त बड़े पैमाने पर व्यायाम गति डेटा के एक संवहन तंत्रिका नेटवर्क (सीएनएन) के साथ वर्गीकृत कियल गलय हा। एक्सेलेरोमीटर और अभिविन्यास माप से बनल समय-श्रृंखला डेटा के छवि के रूप में प्रारूपित कैल जाई हई, जे सीएनएन के स्वचालित रूप से भेदभावपूर्ण विशेषता के निकाले के अनुमति देइ छलई। छवि स्वरूपण और विभिन्न सीएनएन आर्किटेक्चर के प्रभाव पर एक तुलनात्मक अध्ययन भी प्रस्तुत कैल गेल हई। सबसे अच्छा प्रदर्शन करे वाला कॉन्फ़िगरेशन 92.1% सटीकता के साथ 50 जिम अभ्यास के वर्गीकृत करई हई। |
1b1a829c43f1a4f3a3d70f033a1b8e7bee1f7112 | |
6abac64862f7d207cac58c6a93f75dc80d74e575 | |
5fb874a1c8106a5b2b2779ee8e1433149109ba00 | डेटा से बेयसियन नेटवर्क सीखे के लेल एल्गोरिदम में दू घटक होई हईः एगो स्कोरिंग मीट्रिक अउर एगो खोज प्रक्रिया। स्कोरिंग मीट्रिक डेटा के लिए संरचना के अच्छाई के दर्शावे वाला स्कोर के गणना करो हय। खोज प्रक्रिया उच्च स्कोर वाला नेटवर्क संरचना के पहचान करे के प्रयास करई हई। हेकरमैन एट अल। (1995) बीडीई मीट्रिक नामक एक बेयसियन मीट्रिक के परिचय देलो, जे देल गेल डेटा के आधार पर नेटवर्क संरचना के सापेक्ष पिछली संभावना के गणना करो हय। इ पेपर में, हम देखवई हई कि बेयसन नेटवर्क के पहचान करे के खोज समस्या उनकरा में से जहां प्रत्येक नोड में अधिकतम K माता-पिता होई हई जेकरा पास एक दिहल गेल स्थिरांक से अधिक सापेक्ष पिछली संभावना होई हई, जब बीडीई मीट्रिक के उपयोग कैल जाई हई, त एनपी-पूर्ण होई हई। 12.1 परिचयः हाल ही में, कैगो शोधकर्ता बेयसियन नेटवर्क के सीखे के लेल विधि के जांच करनाई शुरू कर देलई ह। येईमे से कैगो दृष्टिकोण के वही बुनियादी घटक होई हईः एगो स्कोरिंग मीट्रिक अउर एगो खोज प्रक्रिया। स्कोरिंग मीट्रिक अवलोकन कैल गेल मामला के डेटाबेस D अउर एगो नेटवर्क संरचना B S लेई हई, अउर संरचना के डेटा के अच्छाई-टी के दर्शाबे वाला स्कोर लौटाबई हई। एगो खोज प्रक्रिया स्कोरिंग मीट्रिक द्वारा मूल्यांकन के लेल नेटवर्क उत्पन्न करई हई। ई दृष्टिकोण एगो नेटवर्क संरचना चाहे संरचना के सेट के पहचान करे के लेल दुगो घटक के उपयोग करई हई जेकर उपयोग भविष्य के घटना के भविष्यवाणी करे चाहे कारण-संबंध के अनुमान लगाबे के लेल कैल जा सकई हई। कूपर और हर्स्कोविट्स (1992) के द्वारा, जेकरा यहाँ CH कहल जा हय, बेयसन मीट्रिक प्राप्त करलकय, जेकरा हम बीडी मीट्रिक कहो हय, बेयसन नेटवर्क के सीखने के बारे में उचित धारणा के एक सेट से जेकरा मे केवल असतत चर शामिल हय। हेकरमैन एट अल। (1995) के बाद से, जेकरा के HGC के रूप में संदर्भित कैल गेल हई, CH के काम पर एक नया मीट्रिक प्राप्त करे के लेल विस्तारित कैल गेल हई, जेकरा हम बीडीई मीट्रिक कहई हई, जोनमे संभावना समकक्षता के वांछनीय संपत्ति छलई। संभावना समकक्षता कहई हई कि डेटा समकक्ष संरचना के भेदभाव करे में मदद ना कर सकई हई। अब हम सीएच द्वारा व्युत्पन्न बीडी मीट्रिक प्रस्तुत करई छी। हम बी एच एस के उपयोग ओई परिकल्पना के दर्शाबे के लेल करई हई कि बी एस ओई वितरण के आई-मैप हई जे डेटाबेस के उत्पन्न करई छलई। 2 एगो विश्वास-नेटवर्क संरचना B S के देखते हुए, हम x i के माता-पिता के दर्शाबे के लेल i के उपयोग करई छियई। हम चर x i के अवस्था के संख्या के दर्शाबे के लेल r i के उपयोग करई हई, अउर q i = Q x l 2 i r l के उदाहरण के संख्या के दर्शाबे के लेल। हम येई उदाहरण के अनुक्रमित करे के लेल पूर्णांक जे के उपयोग करई छियई। यानि, हम x i के माता-पिता के जेठम उदाहरण के अवलोकन के दर्शावे लागी i = j लिख हई। 1996 स्प्रिंगर-वर्लग। 2 एगो हइ ... |
7783fd2984ac139194d21c10bd83b4c9764826a3 | कम्प्यूटेशनल उपकरण के क्षेत्र बनावे के लेल संभाव्य पद्धति। लेकिन हमरा डिब्बा में रखे के जरूरत हलइ, बेयसी नेटवर्क हाल में जोर से काम कर रहले हल। हाल ही में हमर ई किताब छापले ह, जब हमर नाम रोशन करे लगी चाहऽ हथिन । में शोधकर्ताओं के लिए उत्कृष्टता पुरस्कार के लिए स्नातक के लिए, एआई संचालन अनुसंधान में. हम केतना परेशान हो गेलिअइ, ई बात पर कि हम कइसे रहऽ हिअइ । जाहिर हइ कि डाफ्ने कोलर आउ लर्निंग स्ट्रक्चर्स सबूत के तर्क के निर्माण करऽ हइ । मोती एगो भाषा हे जेकरा में एकर प्रकाशन के शुरुआती तारीख के बावजूद, ई बहुत अच्छा संदर्भ देवे में सक्षम न हई। |
5c386d601ffcc75f7635a4a5c6066824b37b9425 | आजकल, पंजीकरण फॉर्म के साथ एक लोकप्रिय वेब साइट खोजना मुश्किल है, जो एक स्वचालित मानव प्रूफ टेस्ट द्वारा संरक्षित नहीं है, जो एक छवि में वर्णों के अनुक्रम को प्रदर्शित करता है, और उपयोगकर्ता से इनपुट फ़ील्ड में अनुक्रम दर्ज करने के लिए कहता है। ई सुरक्षा तंत्र ट्यूरिंग टेस्ट पर आधारित हई - कृत्रिम बुद्धिमत्ता में सबसे पुरान अवधारणा में से एगो - अउर एकरा अक्सर कंप्यूटर अउर मनुष्य के अलग करे के लेल पूरी तरह से स्वचालित सार्वजनिक ट्यूरिंग टेस्ट (कैप्चा) कहल जाई हई। इ प्रकार के परीक्षण के एक महत्वपूर्ण वेब संसाधन के स्वचालित पहुंच के रोकने के लिए डिज़ाइन कियल गलय हा, उदाहरण के लिए, एक वेब मेल सेवा या एक सामाजिक नेटवर्क। वर्तमान में येई तरह के सैकड़ों परीक्षण हई, जे दिन में लाखों बार कैल जाई हई, येहिलेल इसमें भारी मात्रा में मानव कार्य शामिल होई हई। दोसर तरफ, येईमे से कैगो परीक्षण के तोड़ देल गेल हई, अर्थात शोधकर्ता, हैकर अउर स्पैमर द्वारा डिज़ाइन कैल गेल स्वचालित कार्यक्रम स्वचालित रूप से सही उत्तर के सेवा करे में सक्षम छलो। इ अध्याय में, हम कैप्चा के इतिहास और अवधारणा के साथे-साथ ओकर अनुप्रयोग और ओकर उदाहरण के व्यापक समीक्षा प्रस्तुत करई हियई। हम ओकर मूल्यांकन पर भी चर्चा करई हई, दुनहु उपयोगकर्ता अउर सुरक्षा दृष्टिकोण से, उपयोगिता, हमला अउर प्रतिशोध सहित। हम आशा करऽ हिअइ कि ई अध्याय पाठक के ई रोचक क्षेत्र के अच्छा अवलोकन प्रदान करतइ । CES IN COMPUTERS, VOL. 83 109 Copyright © 2011 Elsevier Inc. 65-2458/DOI: 10.1016/B978-0-12-385510-7.00003-5 सब अधिकार सुरक्षित हई 110 जे. एम. गोमेज़ हिडाल्गो और जी. अल्वारेज़ मराँन 1. परिचय देलक । . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ 110 1 .1 हई T he ट्यूरिंग टेस्ट और कैप्चा के उत्पत्ति। . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ 111 2. के के हई प्रेरणा और अनुप्रयोग . . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ 127 3 .1 हई ओ सी आर . हई . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ 130 3 . 2 के लेल हमन्हीं दुन्नु के बीच जे रिश्ता , . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ 135 3 .3 के लेल एक उडीयो , एक उडीयो . . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ 143 3 .4 के लेल Cognitive: ज्ञान वाला , ज्ञानी , . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ 173 आर संदर्भ हई . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ 173 छोटका (को॰ छोटका) . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ 154 5. हल एस सुरक्षा और कैप्चा पर हमले . . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ 156 5. .1. के लेल कैप्चा पर हमला . . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ 158 5.2. के लिए तैयार हो जाओ S कैप्चा पर सुरक्षा आवश्यकताएं . . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ 169 छक्के (बड़ा धक्का) कैप्चा के एगो विकल्प . . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ 171 7. (ई के बाद) C onclusions और भविष्य के रुझान . . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ 144 4. एगो कैप्चा के ई मूल्यांकन . . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ 146 4.1. के लेल ई दक्षता . . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ 147 4.2. के लिए तैयार हो जाओ एक हस्तांतरण समस्याएं। . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ 152 4.3. के लिए तैयार हो जाओ P रासायनिक विचार . . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ 116 2 .1. के लेल कैप्चा के सामान्य विवरण . . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ 116 2 .2. के लेल कैप्चा के वांछनीय गुण . . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ 117 2 .3 हई I m Plementation and Deployment. हम एकरा लागू करे के लेल तैयार हिअइ । . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ 119 2 .4 हई ए pplications और रोबोट के उदय . . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ 121 3. हय कैप्चा के प्रकार . . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ . . ऊ |
941a668cb77010e032a809861427fa8b1bee8ea0 | ईसीजी विश्लेषण अउर व्याख्या के लेल आज अधिकांश प्रणालि में सिग्नल प्रोसेसिंग कैल जाई हई। ईसीजी सिग्नल प्रोसेसिंग के उद्देश्य कई प्रकार के होवो हय और मे माप सटीकता और पुनरुत्पादन क्षमता में सुधार (जब मैन्युअल माप के तुलना में) और सिग्नल से आसानी से उपलब्ध नए होवे वाला जानकारी के निष्कर्षण में शामिल होवो हय। कई स्थितिय में, ईसीजी के एम्बुलेटरी या कठिन परिस्थितिय के दौरान रिकॉर्ड कैल जा हय जेकरा मे विभिन्न प्रकार के शोर द्वारा सिग्नल भ्रष्ट कैल जा हय, कभी-कभी शरीर के एक अन्य शारीरिक प्रक्रिया से उत्पन्न होवो हय। ई प्रकार, शोर में कमी ईसीजी सिग्नल प्रसंस्करण के एक अन्य महत्वपूर्ण उद्देश्य के प्रतिनिधित्व करो हय; वास्तव में, रुचि के तरंगरूप कभी-कभी शोर द्वारा बहुत भारी रूप से छिपावल जा हय कि ओकर उपस्थिति केवल एक बार उचित सिग्नल प्रसंस्करण के पहले लागू होवे के बाद ही प्रकट कियल जा सको हय। हृदय ताल में अंतराल से होए वाला गड़बड़ी के पहचान करे के उद्देश्य से इलेक्ट्रोकार्डियोग्राफिक सिग्नल के लंबे समय (यानी, कई दिन) पर रिकॉर्ड कैल जा सकई हई। नतीजतन, उत्पन्न ईसीजी रिकॉर्डिंग विशाल डेटा आकार के बराबर होवो हय जे जल्दी से उपलब्ध भंडारण स्थान के भर देवो हय। सार्वजनिक टेलीफोन नेटवर्क के माध्यम से सिग्नल के संचरण एगो दोसर अनुप्रयोग हई जेकरा में बड़ी मात्रा में डेटा शामिल होई हई। दुनहु स्थितिय के लेल, डेटा संपीड़न एगो आवश्यक संचालन हई अउर, नतीजतन, ईसीजी सिग्नल प्रसंस्करण के एगो अउर उद्देश्य के प्रतिनिधित्व करई हई। सिग्नल प्रोसेसिंग ने ईसीजी और एकर गतिशील गुण के एक नया समझ में महत्वपूर्ण योगदान देलकय हय जैसन कि लय और बीट मॉर्फोलॉजी में परिवर्तन द्वारा व्यक्त कैल गेलय हय। उदाहरण के लिए, ऐसन तकनीक विकसित कैल गेल हई जे कार्डियोवैस्कुलर सिस्टम से संबंधित दोलन के विशेषता हई अउर हृदय गति में सूक्ष्म भिन्नता द्वारा प्रतिबिंबित होई हई। टी तरंग आयाम में निम्न-स्तर, वैकल्पिक परिवर्तन के पता लगाना ऑसिलेटरी व्यवहार के एक अन्य उदाहरण हय जेकरा अचानक, जीवन के लिए खतरनाक एरिथमिया के बढ़ल जोखिम के संकेतक के रूप में स्थापित कियल गलय हा। इ दोनों में से कोई भी दो कंपन संकेत गुण के मानक ईसीजी प्रिंटआउट से नंगे आंख से नय देखल जा सको हय। सभी प्रकार के ईसीजी विश्लेषण के लिए सामान्य - चाहे वह आराम ईसीजी व्याख्या, तनाव परीक्षण, एम्बुलेटरी निगरानी, या गहन देखभाल निगरानी से संबंधित हो - एल्गोरिदम का एक बुनियादी सेट है जो विभिन्न प्रकार के शोर और कलाकृतियों के संबंध में संकेत को कंडीशन करता है, दिल की धड़कन का पता लगाता है, तरंग आयामों और अवधि के बुनियादी ईसीजी माप को निकालता है, और कुशल भंडारण या संचरण के लिए डेटा को संपीड़ित करता है; चित्र में ब्लॉक आरेख। 1 संकेत प्रसंस्करण एल्गोरिदम के इ सेट के प्रस्तुत करई हई। यद्यपि ये एल्गोरिदम के अक्सर क्रमिक क्रम में संचालित करे के लेल लागू कैल जाई हई, क्यूआरएस डिटेक्टर द्वारा उत्पन्न हृदय गति के घटना समय पर जानकारी के प्रदर्शन में सुधार के लेल कहियो-कहियो दोसर एल्गोरिदम में शामिल कैल जाई छलई। प्रत्येक एल्गोरिथ्म के जटिलता अनुप्रयोग से अनुप्रयोग तक भिन्न होवो हय, इ प्रकार, उदाहरण के लिए, एम्बुलेटरी निगरानी में कैल जाए वाला शोर फ़िल्टरिंग आराम ईसीजी विश्लेषण में आवश्यक के तुलना में बहुत अधिक परिष्कृत हय। एक बार जब एल्गोरिदम के मूल सेट द्वारा उत्पादित जानकारी उपलब्ध हो जा हय, तओ ईसीजी अनुप्रयोगों के एक विस्तृत श्रृंखला मौजूद हय जहां हृदय लय और बीट आकारिकी गुण के मात्रात्मक रूप से मापे के लिए संकेत प्रसंस्करण के उपयोग करनाई दिलचस्प हय। इ तरह के दू अनुप्रयोग-उच्च-रिज़ॉल्यूशन ईसीजी और टी वेव अल्टरनेटर से जुड़े सिग्नल प्रोसेसिंग के इस लेख के अंत में संक्षेप में वर्णित कियल गलय हा। रुचि वाला पाठक के, उदाहरण के लेल, रेफ। 1, जहां अन्य ईसीजी अनुप्रयोगों के एक विस्तृत विवरण पाया जा सकता है। |
b681da8d4be586f6ed6658038c81cdcde1d54406 | इ पत्र में, एक उपन्यास दोहरे-बैंड और ध्रुवीकरण-लचीला सब्सट्रेट एकीकृत वेव गाइड (एसआईडब्ल्यू) गुहा एंटीना के प्रस्ताव दिहल गेलय हय। एंटीना के लिए उपयोग कियल जाए वाला एसआईडब्ल्यू गुहा के एकर पहला अनुनाद के लिए एक पारंपरिक टीई 120 मोड द्वारा उत्तेजित कियल जा हय। स्लॉट के हस्तक्षेप के साथ, एक संशोधित-टीई 120 मोड द्वारा उत्तेजित एक दूसरा प्रतिध्वनि भी उत्पन्न होवो हय, जेकरा से दो प्रतिध्वनि आवृत्तिय पर एक व्यापक पक्ष विकिरण पैटर्न प्रदान होवो हय। एकरा अलावा, प्रस्तावित एंटीना में दो ऑर्टोगोनल फीडिंग लाइनें हय। येहिलेल, छह प्रमुख ध्रुवीकरण राज्य के प्रदान करनाई संभव हई। इ पत्र में, तीन प्रमुख ध्रुवीकरण के मामला के अनुकरण कैल गेल हई अउर मापल परिणाम के जौरे तुलना कैल गेल हई। चूंकि आधुनिक संचार प्रणालि के बहुक्रियाशील एंटीना के आवश्यकता होवो हय, प्रस्तावित एंटीना अवधारणा एक आशाजनक उम्मीदवार हय। |
cf18287e79b1fd73cd333fc914bb24c00a537f4c | जटिल कौशल के व्यापक प्रदर्शन के स्वायत्त रूप से सीखने के लिए, रोबोट के मानव पर्यवेक्षण के बिना, अपन स्वयं के स्वायत्त रूप से एकत्रित डेटा से सीखने में सक्षम होना चाहिए। एगो सीखनाई संकेत जे हमेशा स्वायत्त रूप से एकत्र कैल गेल डेटा के लेल उपलब्ध होई हई, भविष्यवाणी छलई। यदि कोई रोबोट भविष्य के भविष्यवाणी करे के सीख सकई हई, त ऊ येई भविष्यवाणी मॉडल के उपयोग वांछित परिणाम के उत्पादन करे के लेल कार्रवाई करे के लेल कर सकई हई, जैसे कि कोनो वस्तु के कोनो विशेष स्थान पर ले जाए के लेल। हालांकि, जटिल ओपन-वर्ल्ड परिदृश्यों में, भविष्यवाणी के लिए एक प्रतिनिधित्व डिजाइन करना मुश्किल है। ई काम में, हमनी के उद्देश्य सीधा वीडियो भविष्यवाणी के माध्यम से स्व-निरीक्षित रोबोट सीखना सक्षम करनाई हई: एगो अच्छा प्रतिनिधित्व डिजाइन करे के प्रयास करे के बजाय, हम सीधे भविष्यवाणी करई हई कि रोबोट अगला की देखई हई, अउर फेर ई मॉडल के उपयोग वांछित लक्ष्य के प्राप्त करे के लेल करई छियई। रोबोटिक हेरफेर के लेल वीडियो भविष्यवाणी में एगो प्रमुख चुनौती जटिल स्थानिक व्यवस्था जैसे कि ऑक्ल्यूशन के संभालई हई। एकरा लेल, हम एगो वीडियो भविष्यवाणी मॉडल पेश करई छी जे ऑब्जेक्ट के अवरुद्धता के माध्यम से ट्रैक कर सकई हई। एक नया योजना मानदंड और कार्रवाई अंतरिक्ष निर्माण के साथ, हम प्रदर्शित करो हय कि इ मॉडल वीडियो भविष्यवाणी-आधारित नियंत्रण पर पिछले काम के काफी बेहतर करो हय। हमार परिणाम प्रशिक्षण के दौरान देखल गेल वस्तु के हेरफेर, कैगो वस्तु के संभाल, अउर वस्तु के बाधा के आसपास धकेले के देखाई देई छलई। ई परिणाम कौशल के सीमा अउर जटिलता में एगो महत्वपूर्ण प्रगति के प्रतिनिधित्व करई हई जे पूरा तरह से स्व-पर्यवेक्षित रोबोट सीख के जौरे कैल जा सकई हई। |
89701a3b04c3f102ebec83db3249b20791eacb38 | संदर्भ जागरूकता संदर्भ जागरूक सेवा के सक्षम करे के लेल एगो प्रमुख गुण छलई। मोबाइल उपकरण के लेल, उपयोगकर्ता के स्थान चाहे प्रक्षेपवक्र महत्वपूर्ण संदर्भ में से एगो हई। मोबाइल उपकरण द्वारा स्थान या प्रक्षेपवक्र के पता लगावे के लेल एगो आम चुनौती सटीकता अउर बिजली खपत के बीच व्यापार-बंद के प्रबंधन करनाई हई। विशिष्ट दृष्टिकोण (1) सेंसर के उपयोग के आवृत्ति के नियंत्रित करनाई अउर (2) सेंसर फ्यूजन तकनीक छलई। इ पेपर में प्रस्तावित एल्गोरिथ्म सेल टावर से बार-बार मापल गेल मोटे और गलत स्थान डेटा के विलय करके सटीकता में सुधार करे के लिए एक अलग दृष्टिकोण ले हय। प्रयोगात्मक परिणाम से पता चलई हई कि 41 दिन के माप के डेटा के विलय करके पता लगावल गेल प्रक्षेपवक्र अउर जमीन के सच्चाई के बीच औसत त्रुटि दूरी के 44 मीटर से 10.9 मीटर तक में सुधार कैल गेल हई। |
a85ad1a2ee829c315be6ded0eee8a1dadc21a666 | स्वचालित और सहायक ड्राइविंग निस्संदेह कंप्यूटर विजन में गर्म विषय हय। हालांकि, ड्राइविंग कार्य बेहद जटिल है और ड्राइवरों के व्यवहार की गहरी समझ अभी भी गायब है। कई शोधकर्ता अब दृश्य में प्रमुख अउर दिलचस्प वस्तु के पता लगाबे के लेल कम्प्यूटेशनल मॉडल के परिभाषित करे के लेल ध्यान तंत्र के जांच कर रहल हई। फिर भी, येईमे से अधिकांश मॉडल केवल नीचे से दृश्य प्रमुखता के संदर्भित करई हई अउर स्थिर छवियों पर केंद्रित छलई। एकरा बजाय, ड्राइविंग अनुभव के दौरान कार्य के क्षणिक प्रकृति और विशिष्टता ध्यान तंत्र के प्रभावित करो हय, जेकरा से इ निष्कर्ष पर पहुँचा जा हय कि वास्तविक जीवन ड्राइविंग डेटा अनिवार्य हय। इ पेपर में हम वास्तविक ड्राइविंग के दौरान अर्जित एक उपन्यास और सार्वजनिक रूप से उपलब्ध डेटासेट के प्रस्ताव करो हय। हमार डेटासेट, 500,000 से अधिक फ्रेम से बनल हई, ड्राइवर के नजर के निर्धारण अउर उनकर समसामयिक एकीकरण शामिल हई जे कार्य-विशिष्ट प्रमुखता मानचित्र प्रदान करई हई। जियोरेफ़रेंस स्थान, ड्राइविंग स्पीड और कोर्स जारी डेटा के सेट के पूरा करो हय। हमर ज्ञान के अनुसार, ई इस तरह के पहला सार्वजनिक रूप से उपलब्ध डेटासेट हई अउर भविष्य के पीढ़ि के स्वायत्त और सहायता प्राप्त कार में चालक के ध्यान प्रक्रिया के बेहतर समझ, शोषण अउर पुनः उत्पन्न करे पर नया चर्चा के बढ़ावा दे सकई हई। |
a0ff514a8a64ba5a7cd7430ca04245fd037d040c | ई पेपर 2012 और 2013 के पूर्व-आईसीआईएस कार्यक्रमों से अकादमिक और उद्योग चर्चा पर निर्माण करई हई: बीआई कांग्रेस III अउर निर्णय समर्थन प्रणाली (एसआईजीडीएसएस) पर विशेष हित समूह कार्यशाला, क्रमशः। निर्णय लेवे और नवाचार के लेल नया अंतर्दृष्टि प्रदान करे के लेल "बिग डेटा" के क्षमता के पहचानईत, दुगो आयोजन में पैनलिस्ट चर्चा कलई कि कैसे संगठन प्रतिस्पर्धी लाभ के लेल बड़ डेटा के उपयोग अउर प्रबंधन कर सकई हई। एकरा अलावा, विशेषज्ञ पैनलिस्ट अनुसंधान अंतराल के पहचान करे में मदद कलकई। जबकि अकादमिक समुदाय में उभरता हुआ शोध बड़े डेटा के अधिग्रहण, विश्लेषण और उपयोग में कुछ मुद्दों के पहचानता है, चिकित्सकों के समुदाय में कई नए विकास हो रहे हैं। हम संगठन में बड़े डेटा विश्लेषण के लिए आवश्यक घटकों के एक प्रक्रिया दृश्य के चित्रित करे वाला एक बड़ा डेटा विश्लेषण ढांचा प्रस्तुत करके अकादमिक और व्यवसायी अनुसंधान के बीच के खाई के पाटेल हई। प्रायोगिक साक्षात्कार और अकादमिक और अभ्यास दोनों से साहित्य के उपयोग करते हुए, हम ढांचे द्वारा निर्देशित बड़े डेटा अनुसंधान के वर्तमान स्थिति की पहचान करते हैं और अकादमिक अनुसंधान के अभ्यास के लिए प्रासंगिकता बढ़ाने के लिए भविष्य के अनुसंधान के लिए संभावित क्षेत्रों का प्रस्ताव करते हैं। |
34d03cfb02806e668f9748ee60ced1b269d1db6c | |
0607acbb450d2afef7f2aa5b53bb05966bd065ed | जबकि डीप न्यूरल नेटवर्क (डीएनएन) के बड़ी शब्दावली निरंतर भाषण मान्यता (एलवीसीएसआर) कार्य के लेल जबरदस्त सफलता हासिल कैले हई, येई नेटवर्क के प्रशिक्षण धीमा हई। एगो कारण ई हई कि डीएनएन के बड़ी संख्या में प्रशिक्षण पैरामीटर (यानी, 10-50 मिलियन) के जौरे प्रशिक्षित कैल जाई हई। चूंकि नेटवर्क के अच्छा प्रदर्शन प्राप्त करे के लेल बड़ी संख्या में आउटपुट लक्ष्य के जौरे प्रशिक्षित कैल जाई हई, येईमे से अधिकांश पैरामीटर अंतिम वजन परत में छलई। इ पेपर में, हम अंतिम वजन परत के एक निम्न-रैंक मैट्रिक्स कारककरण के प्रस्तावित करो हय। हम येई निम्न-रैंक तकनीक के ध्वनिक मॉडलिंग अउर भाषा मॉडलिंग दुनु के लेल डीएनएन पर लागू करई हई। हम 50-400 घंटे के बीच के तीन अलग-अलग LVCSR कार्यों पर दिखाते हैं, कि एक कम रैंक वाला कारक नेटवर्क के मापदंडों के संख्या को 30-50% तक कम कर देता है। एकर परिणामस्वरूप पूर्ण रैंक के प्रतिनिधित्व के तुलना में अंतिम मान्यता सटीकता में महत्वपूर्ण हानि के बिना, प्रशिक्षण समय में लगभग एक समान कमी हो जा हय। |
56c16d9e2a5270ba6b1d83271e2c10916591968d | |
56c2fb2438f32529aec604e6fc3b06a595ddbfcc | हाल ही में, फ्रंटल फेशियल इमेज से लिंग वर्गीकरण के लिए कई मशीन लर्निंग विधियों के प्रस्ताव दिहल गेलय हय। ओकर विविधता से पता चलई हई कि येई समस्या के कोई अद्वितीय चाहे सामान्य समाधान ना हई। विधियों के विविधता के अलावा, उनकर आकलन करे के लिए उपयोग कियल जाए वाला बेंचमार्क के भी विविधता हय। ई हमरा काम के लेल प्रेरणा देलईः स्वचालित लिंग मान्यता में उपयोग कैल जाए वाला मुख्य अत्याधुनिक विधियों के संक्षिप्त लेकिन विश्वसनीय तरीका से चयन अउर तुलना करनाई। जैसा कि अपेक्षित हलय, कोई भी विजेता नए हलय। वर्गीकरण के सटीकता के आधार पर विजेता, उपयोग कियल जाए वाला बेंचमार्क के प्रकार पर निर्भर करो हय। |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.