_id
stringlengths 40
40
| text
stringlengths 0
10.8k
|
|---|---|
fe13e79621be1fea2f6f4f37417155fb7079b05a | രണ്ട് ട്രാൻസിസ്റ്ററുകൾ മാത്രം ഉപയോഗിക്കുന്ന ഒരു കുടുംബം സ്വിച്ച്-കാൻഡസേറ്റർ റിസോണന്റ് സർക്യൂട്ടുകൾ അവതരിപ്പിക്കുന്നു. ഈ സർക്യൂട്ട് പൂജ്യം നിലവിലെ സ്വിച്ച് ചെയ്യലിനുള്ളിലാണ് പ്രവർത്തിക്കുന്നത്, അതിനാൽ, സ്വിച്ച് ചെയ്യൽ നഷ്ടം പൂജ്യം ആണ്. ഫ്രാക്റ്ററൽ, മൾട്ടിപ്പിൾ, ഇൻവേർട്ട്ഡ് വോൾട്ടേജ് പരിവർത്തന അനുപാതങ്ങൾ ഉൾപ്പെടെ വൈദ്യുതി പരിവർത്തനങ്ങളുടെ വിശാലമായ തിരഞ്ഞെടുപ്പ് ഇത് വാഗ്ദാനം ചെയ്യുന്നു. |
90fcb6bd123a88bc6be5ea233351f0e12d517f98 | |
ac7023994da7768224e76d35c6178db36062182c | |
050b64c2343ef3c7f0c60285e4429e9bb8175dff | നിലവിലുള്ള റിലേഷണൽ ഡേറ്റാ മാനേജ്മെന്റ് സിസ്റ്റങ്ങളുമായി ഈ ഉപകരണങ്ങൾ എങ്ങനെ സംയോജിപ്പിക്കും? എന്റർപ്രൈസ് സുരക്ഷാ ആവശ്യകതകളെ എങ്ങനെ അഭിസംബോധന ചെയ്യാം? യഥാർത്ഥ ലോകത്തിലെ വാഹന പ്രയോഗങ്ങൾക്കായുള്ള ഈ ഉപകരണങ്ങളുടെ പ്രകടന സവിശേഷതകൾ എന്തൊക്കെയാണ്? അവസാനത്തെ ചോദ്യത്തിന് ഉത്തരം കണ്ടെത്താനായി, ഞങ്ങൾ ഒരു സ്റ്റാൻഡേർഡ് ബെഞ്ച്മാർക്ക് (TPCx-HS), രണ്ട് ആപ്ലിക്കേഷൻ ബെഞ്ച്മാർക്കുകൾ (SQL, മെഷീൻ ലേണിംഗ്) എന്നിവ ഉപയോഗിക്കുന്നു, അവ ഒന്നിലധികം ടെറാബൈറ്റുകളുടെയും കോടിക്കണക്കിന് വരികളുടെയും ഡാറ്റാ സെറ്റിൽ പ്രവർത്തിക്കുന്നു. വാഹന വികസനം, നിർമ്മാണ, സേവന പ്രക്രിയകൾ, ഓൺലൈൻ സേവനങ്ങൾ എന്നിവയുമായി ബന്ധപ്പെട്ട വാഹനങ്ങളെ ഡാറ്റ കൂടുതലായി ബാധിക്കുന്നുണ്ട്. കണക് ടഡ്, മൊബൈല് , ഇന്റർനെറ്റ് ഓഫ് തിന് സ് ഉപകരണങ്ങളും യന്ത്രങ്ങളും വമ്പിച്ച അളവിലുള്ള സെന് സര് ഡാറ്റ ഉല് പാദിപ്പിക്കുന്നു. ഇന്റലിജന്റ് സേവനങ്ങള് , ബിസിനസ് പ്രശ്നങ്ങള് മനസ്സിലാക്കുന്നതിനുള്ള പുതിയ വഴികള് , പ്രക്രിയകളുടെയും തീരുമാനങ്ങളുടെയും മെച്ചപ്പെടുത്തല് എന്നിവ സാധ്യമാക്കുന്ന ഉൾക്കാഴ്ചകളും അറിവും ലഭ്യമാക്കുന്നതിനായി ഈ ഡാറ്റ പ്രോസസ് ചെയ്യാനും വിശകലനം ചെയ്യാനുമുള്ള കഴിവ് ഒരു നിർണായക ശേഷിയാണ്. കമ്പ്യൂട്ടിംഗിനും സംഭരണത്തിനുമായി സ്കേലബിൾ പ്ലാറ്റ്ഫോമാണ് ഹഡൂപ്പ്. ഇന്റർനെറ്റ് കമ്പനികളിലും ശാസ്ത്ര സമൂഹത്തിലും ബിഗ് ഡാറ്റ പ്രോസസ്സിംഗിനായി ഇത് ഒരു യഥാർത്ഥ നിലവാരമായി മാറി. എന്നിരുന്നാലും, ഈ പുതിയ ഹഡോപ്പ് കഴിവുകൾ എങ്ങനെ, ഏത് ഉപയോഗ കേസുകൾക്കായി ഓട്ടോമോട്ടീവ് ആപ്ലിക്കേഷനുകളും സിസ്റ്റങ്ങളും വർദ്ധിപ്പിക്കുന്നതിന് കാര്യക്ഷമമായി ഉപയോഗിക്കാമെന്നതിനെക്കുറിച്ച് ഒരു ധാരണയില്ല. ഈ പ്രബന്ധം ഉപയോഗ കേസുകളും ഓട്ടോമോട്ടീവ് വ്യവസായത്തിൽ ഹഡൂപ്പ് വിന്യസിക്കുന്നതിനുള്ള ആപ്ലിക്കേഷനുകളും പരിശോധിക്കുന്നു. വർഷങ്ങളായി, സമാന്തര, ഇൻ-മെമ്മറി, സ്ട്രീം പ്രോസസ്സിംഗ് (ഏറ്റവും ശ്രദ്ധേയമായ മാപ്പ് റീഡ്യൂസ്, സ്പാർക്ക്), എസ്ക്യുഎൽ, നോസ്ക്യുഎൽ എഞ്ചിനുകൾ (ഹൈവ്, എച്ച്ബിബേസ്), മെഷീൻ ലേണിംഗ് (മാഹുട്ട്, എംഎൽലിബ്) എന്നിവ ഉൾക്കൊള്ളുന്ന ഒരു സമ്പന്നമായ ആവാസവ്യവസ്ഥ ഹഡൂപ്പിന് ചുറ്റും ഉയർന്നുവന്നു. വാഹനങ്ങളിലെ ആപ്ലിക്കേഷനുകളെക്കുറിച്ചും അവയുടെ സവിശേഷതകളെക്കുറിച്ചും ഡാറ്റ കണ്ടെത്തൽ, സംയോജനം, പര്യവേക്ഷണം, വിശകലനം എന്നിവയ്ക്കുള്ള ആവശ്യകതകളെക്കുറിച്ചും മനസ്സിലാക്കേണ്ടത് വളരെ പ്രധാനമാണ്. ഡേറ്റാ ഇൻഗേസ്റ്റിന് , പ്രോസസ്സിംഗ്, അനലിറ്റിക്സ് എന്നിവയ്ക്കായി ഹഡൂപ്പ് സേവനങ്ങളും ലൈബ്രറികളും അടങ്ങിയ ഒരു സാങ്കേതിക വാസ്തുവിദ്യയിലേക്ക് ഈ ആവശ്യകതകൾ മാപ്പ് ചെയ്യുന്നു. ഹദൂപ്പിന് അനുയോജ്യമായ ആപ്ലിക്കേഷനുകളും ഡേറ്റാസെറ്റുകളും ഏതൊക്കെയെന്ന് ഈ ലേഖനത്തിൽ വിശദമാക്കുന്നു. വിവിധ തരത്തിലുള്ള ചട്ടക്കൂടുകളും ഉപകരണങ്ങളും ഒരു മൾട്ടി-ടെനന്റ് ഹഡോപ്പ് ക്ലസ്റ്ററിൽ എങ്ങനെ കൈകാര്യം ചെയ്യാം? |
b8a0cfa55b3393de4cc600d115cf6adb49bfa4ee | ആളുകൾക്ക് അവരുടെ അഭിപ്രായങ്ങള് പ്രകടിപ്പിക്കാന് കഴിയുന്ന സോഷ്യല് നെറ്റ്വര് ക്കുകളുടെയും ഓണ് ലൈന് സൈറ്റുകളുടെയും കൂടുതല് ഉപയോഗം അഭിപ്രായ ഖനനത്തില് കൂടുതല് താല്പര്യം സൃഷ്ടിച്ചു. അഭിപ്രായ ഖനനത്തിന്റെ പ്രധാന ദൌത്യം ഒരു അഭിപ്രായം പോസിറ്റീവ് ആണോ നെഗറ്റീവ് ആണോ എന്ന് നിർണ്ണയിക്കുക എന്നതാണ്. അതുകൊണ്ട്, വെബിൽ പ്രകടിപ്പിക്കുന്ന വികാരങ്ങളുടെ പങ്ക് നിർണായകമായിത്തീർന്നിരിക്കുന്നു, പ്രധാനമായും ഉപഭോക്താക്കളുടെയോ പൌരന്മാരുടെയോ കാഴ്ചപ്പാടുകളുടെ അർത്ഥപരമായ ഓറിയന്റേഷൻ യാന്ത്രികമായി തിരിച്ചറിയാനുള്ള ബിസിനസ്സുകളുടെയും സർക്കാരിന്റെയും ആശങ്ക കാരണം. മാനസികരോഗങ്ങളെ തിരിച്ചറിയുന്നതില് ആരോഗ്യരംഗത്തും ഇത് ആശങ്കയുണ്ടാക്കുന്നു. ഈ ഗവേഷണം SWePT (സ്പാനിഷ് ടെക്സ്റ്റുകളിലെ പോളാരിറ്റി കണ്ടെത്തലിനുള്ള വെബ് സർവീസ്) എന്ന ഒരു വെബ് ആപ്ലിക്കേഷന്റെ വികസനത്തിലാണ് ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നത്, ഇത് മെക്സിക്കൻ സ്പാനിഷിലെ ഒരു ആഫെക്റ്റീവ് ലെക്സിക്കണിൽ നിന്ന് അതിന്റെ സവിശേഷതകൾ എക്സ്ട്രാക്റ്റുചെയ്യുന്ന തുടർച്ചയായ മിനിമൽ ഒപ്റ്റിമൈസേഷൻ (SMO) അൽഗോരിതം നടപ്പിലാക്കുന്നു. ഈ ആവശ്യത്തിനായി, മെക്സിക്കൻ സ്പാനിഷിലെ ഒരു കോർപസും ഒരു ആപേക്ഷിക പദാവലിയും സൃഷ്ടിച്ചു. മൂന്ന് (പോസിറ്റീവ്, ന്യൂട്രൽ, നെഗറ്റീവ്) വിഭാഗങ്ങളും അഞ്ച് (വളരെ പോസിറ്റീവ്, പോസിറ്റീവ്, ന്യൂട്രൽ, നെഗറ്റീവ്, വളരെ നെഗറ്റീവ്) വിഭാഗങ്ങളും ഉപയോഗിച്ചുള്ള പരീക്ഷണങ്ങൾ അവതരിപ്പിച്ച രീതിയുടെ ഫലപ്രാപ്തി തെളിയിക്കാൻ ഞങ്ങളെ അനുവദിക്കുന്നു. ഒരു ഉപയോക്താവിന്റെ അഭിപ്രായം ഗ്രാഫിക്കായി കാണിക്കുന്ന എമോഷൻ ബ്രേസ്ലെറ്റ് ഇന്റർഫേസിലും SWePT നടപ്പിലാക്കി. |
f176b7177228c1a18793cf922455545d408a65ae | കര, കടൽ, വായു, ബഹിരാകാശ വാഹനങ്ങളിൽ മൾട്ടി കൺവെർട്ടർ പവർ ഇലക്ട്രോണിക് സംവിധാനങ്ങൾ നിലവിലുണ്ട്. ഈ സംവിധാനങ്ങളിൽ, ലോഡ് കൺവെർട്ടറുകൾ ഫീഡർ കൺവെർട്ടറുകൾക്ക് സ്ഥിരമായ പവർ ലോഡ് (സിപിഎൽ) പെരുമാറ്റം കാണിക്കുന്നു, മാത്രമല്ല സിസ്റ്റം അസ്ഥിരമാക്കുകയും ചെയ്യുന്നു. ഈ പ്രബന്ധത്തിൽ, ഡിസി/ഡിസി കൺവെർട്ടറുകളിൽ പുതിയ ആക്റ്റീവ് ഡംപിംഗ് ടെക്നിക്കുകളുടെ നടപ്പാക്കൽ കാണിച്ചിരിക്കുന്നു. കൂടാതെ, സിപിഎല് കള് മൂലമുണ്ടാകുന്ന നെഗറ്റീവ് ഇംപെഡന് സ് അസ്ഥിരതയുടെ പ്രശ്നം പരിഹരിക്കുന്നതിനായി നിര് ദ്ദേശിക്കപ്പെട്ട സജീവ-അപഹാര രീതി ഉപയോഗിക്കുന്നു. പുതിയ രീതിയിലുള്ള പരീക്ഷണത്തിന്റെ ഫലപ്രാപ്തി PSpice സിമുലേഷനുകളും പരീക്ഷണ ഫലങ്ങളും ഉപയോഗിച്ച് പരിശോധിച്ചു. |
5bf4644c104ac6778a0aa07418321b14e0010e81 | സ്വയം നിയന്ത്രിത വാഹനങ്ങളുടെ വരവോടെ ഡ്രൈവർമാരും അവരുടെ കാറുകളും തമ്മിലുള്ള ഇടപെടല് കാര്യമായി മാറുന്നു. ഡ്രൈവർമാരുടെ പങ്ക് അവരുടെ സ്വയംഭരണ വാഹനത്തിന്റെ മേൽനോട്ട നിയന്ത്രണത്തിലേക്ക് മാറുന്നു. ഡ്രൈവിംഗ് ജോലിയുടെ അവസാനത്തെ ആശ്വാസം മനുഷ്യ-കമ്പ്യൂട്ടർ ഇടപെടലിലും ഇടപെടൽ രൂപകൽപ്പനയിലും ഒരു പുതിയ ഗവേഷണ മേഖലയും പ്രയോഗവും സാധ്യമാക്കുന്നു. ഈ ഏകദിന ശില് പശാലയില് പങ്കെടുക്കുന്നവര് സ്വയം നിയന്ത്രിത ഡ്രൈവിംഗ് ഡിസൈന് മേഖലയില് എച്ച്.സി.ഐ ഗവേഷകര് ക്കും ഡിസൈനര് ക്കും ലഭ്യമാക്കുന്ന അവസരങ്ങള് പര്യവേക്ഷണം ചെയ്യും. ശില്പശാലയുടെ തലേ ദിവസം പങ്കെടുക്കുന്നവരെ ഗൂഗിൾ പാർട്ണർപ്ലെക്സും സ്റ്റാന് റഫ്ഡ് യൂണിവേഴ്സിറ്റിയും സന്ദർശിക്കാൻ ക്ഷണിക്കുന്നു. ഗൂഗിളിൽ പങ്കെടുക്കുന്നവർക്ക് ഗൂഗിളിന്റെ സ്വയംഭരണ വാഹന സിമുലേറ്റർ പര്യവേക്ഷണം ചെയ്യാനും ഗൂഗിൾ കാറുകളിൽ ഒന്ന് അനുഭവിക്കാനും അവസരം ലഭിക്കും (ലഭ്യമാണെങ്കിൽ). സ്റ്റാന് റഫ്ട് യൂണിവേഴ്സിറ്റിയിലെ വിദ്യാര് ഥികള് ക്ക് ഓസോണ് വാഹനത്തില് യാത്ര ചെയ്യാന് അവസരം നല് കിയിട്ടുണ്ട്. ഈ അനുഭവത്തിന്റെ അടിസ്ഥാനത്തില് അടുത്ത ദിവസം നടക്കുന്ന ശില്പശാലയില് ഡിസൈന് സമീപനങ്ങളും ഇന്ററാക്ഷന് സിസ്റ്റങ്ങളുടെ മാതൃകകളും ചർച്ച ചെയ്യും. ഈ ശില് പശാലയുടെ ഫലമായി സ്വയം നിയന്ത്രിത കാറുകളിലെ നിയന്ത്രണങ്ങളും സാധ്യതകളും കൈകാര്യം ചെയ്യുന്ന ആശയങ്ങളുടെ ഒരു കൂട്ടം, ആശയവിനിമയ സ്കെച്ചുകൾ, കുറഞ്ഞ വിശ്വാസ്യതയുള്ള പേപ്പർ പ്രോട്ടോടൈപ്പുകൾ എന്നിവ ഉണ്ടാകും. |
8e79e46513e83bad37a029d1c49fca4a1c204738 | നാം ഒരു ന്യൂറൽ സെമാന്റിക് പാർസര് അവതരിപ്പിക്കുന്നു അത് വ്യാഖ്യാനിക്കാവുന്നതും സ്കേലബിൾ ആണ്. നമ്മുടെ മാതൃക പ്രകൃതിഭാഷാ പ്രസ്താവനകളെ ഇന്റർമീഡിയറ്റ്, ഡൊമെയ്ൻ-ജനറൽ പ്രകൃതിഭാഷാ പ്രാതിനിധ്യങ്ങളാക്കി മാറ്റുന്നു. പ്രിഡിക്കേറ്റ്-ആർഗ്യുമെന്റ് ഘടനകളുടെ രൂപത്തിൽ, അവ ഒരു പരിവർത്തന സംവിധാനത്തിലൂടെ ഉത്തേജിപ്പിക്കുകയും പിന്നീട് ടാർഗെറ്റ് ഡൊമെയ്നുകളിലേക്ക് മാപ്പ് ചെയ്യുകയും ചെയ്യുന്നു. അന്തർലീനമായ ആഖ്യാനരീതികളോ അവയുടെ വ്യാഖ്യാനങ്ങളോ ഉപയോഗിച്ച് സെമാന്റിക് പാർസറിനെ എൻഡ്-ടു-എൻഡ് പരിശീലിപ്പിക്കുന്നു. സ്പേഡുകളിലും ഗ്രാഫ്ക്വെസ്റ്റുകളിലും നാം ഏറ്റവും പുതിയ സാങ്കേതിക വിദ്യ ഉപയോഗിക്കുന്നു. ജിയോക്വെറിയിലും വെബ്ക്വെസ്റ്റുകളിലും നാം മികച്ച ഫലങ്ങൾ കൈവരിക്കുന്നു. സെമാന്റിക് പാർസിംഗിന് ഉപയോഗപ്രദമായ പ്രതിനിധാന തരങ്ങളെക്കുറിച്ചും അവ ഭാഷാപരമായി പ്രചോദിതരായതിൽ നിന്ന് എങ്ങനെ വ്യത്യസ്തമാണെന്നതിനെക്കുറിച്ചും ഇൻഡ്യൂസ്ഡ് പ്രിഡിക്കേറ്റ്-ആർഗ്യുമെന്റ് ഘടനകൾ വെളിച്ചം വീശുന്നു. |
a1d326e7710cb9a1464ef52ca557a20ea5aa7e91 | ഈ കൃതിയില് , 8 ചാനല് പ്രയോഗങ്ങള് ക്ക് രൂപകല് പിച്ച ഒരു 4 ബാന്റ് ഡ്യുവല് പോളറൈസ്ഡ് ആന്റിനയാണ് നാം അവതരിപ്പിക്കുന്നത്. LTCC സാങ്കേതികവിദ്യയെ അടിസ്ഥാനമാക്കി, ആന്റിന ഒരു പിൻവശത്ത് ഒരു അറയുള്ള ഒരു പാച്ച് കൂട്ടിച്ചേർത്ത അപ്പെർച്ചർ ആണ്. ഒരു നിശ്ചിത ബാൻഡിലെ ഓരോ ആന്റിന ഘടകത്തിലും രണ്ട് ഓർത്തോഗണലായി ധ്രുവീകരിച്ച തുറമുഖങ്ങളിലൂടെ രണ്ട് ചാനലുകൾ അടങ്ങിയിരിക്കുന്നു. വ്യത്യസ്ത ആവൃത്തിയിലുള്ള നാല് ഡ്യുവൽ-പോളറൈസ്ഡ് ആന്റിന ഘടകങ്ങൾ സംയോജിപ്പിച്ച്, 60 ജിഗാഹെർട്സ് ആപ്ലിക്കേഷനുകൾക്കായി ഒരു 8-ചാനൽ ആന്റിന നേടാൻ കഴിയും. എട്ട് സ്വതന്ത്ര ചാനലുകളുമായി ബന്ധപ്പെട്ട് 8 ഫീഡിംഗ് പോർട്ടുകൾ ഈ ആന്റിനയിലുണ്ട്. ഓരോ പോർട്ടുകളും തമ്മിലുള്ള ഒറ്റപ്പെടല് മിക്ക ഫ്രീക്വൻസി ബാൻഡിലും 20dB വരെ എത്താം. |
cbd92fac853bfb56fc1c3752574dc0831d8bc181 | ബേസിയൻ തീരുമാന സിദ്ധാന്തത്തെ അടിസ്ഥാനമാക്കിയുള്ള ഒരു പ്രോബബിലിസ്റ്റിക് റാങ്കിംഗ് ഫംഗ്ഷൻ ഉപയോഗിച്ച് ഡോക്യുമെന്റ് മോഡലുകളും ക്വറി മോഡലുകളും സംയോജിപ്പിക്കുന്ന വിവര വീണ്ടെടുക്കലിനുള്ള ഒരു ചട്ടക്കൂട് ഞങ്ങൾ അവതരിപ്പിക്കുന്നു. ഈ ചട്ടക്കൂട് ഒരു പ്രവർത്തനപരമായ വീണ്ടെടുക്കൽ മാതൃക നിർദ്ദേശിക്കുന്നു. ഇത് ഭാഷാ മോഡലിംഗ് സമീപനത്തിലെ സമീപകാല സംഭവവികാസങ്ങളെ വിവര വീണ്ടെടുക്കലിലേക്ക് വ്യാപിപ്പിക്കുന്നു. ഓരോ രേഖയ്ക്കും ഒരു ഭാഷാ മാതൃകയും ഓരോ അന്വേഷണത്തിനും ഒരു ഭാഷാ മാതൃകയും കണക്കാക്കപ്പെടുന്നു, റിസ്ക് കുറയ്ക്കുന്നതിനുള്ള റിസീവൽ പ്രശ്നം അവതരിപ്പിക്കുന്നു. ഉപയോക്തൃ മുൻഗണനകൾ, ഒരു അന്വേഷണത്തിന്റെ സന്ദർഭം, സമന്വയം, വാക്കുകളുടെ അർത്ഥങ്ങൾ എന്നിവ മാതൃകയാക്കാൻ അന്വേഷണ ഭാഷാ മാതൃക ഉപയോഗിക്കാം. ഈയിടെയായി ഈ ആവശ്യത്തിനായി വാക്ക് വിവർത്തന മാതൃകകൾ ഉൾപ്പെടുത്തിയിട്ടുണ്ടെങ്കിലും, അന്വേഷണ മാതൃകകൾ കണക്കാക്കാൻ ഒരു കൂട്ടം പ്രമാണങ്ങളിൽ നിർവചിച്ചിരിക്കുന്ന മാർകോവ് ശൃംഖലകൾ ഉപയോഗിച്ച് ഞങ്ങൾ ഒരു പുതിയ രീതി അവതരിപ്പിക്കുന്നു. മാർക്കോവ് ചെയിൻ രീതി ലിങ്ക് വിശകലനത്തിന്റെയും സോഷ്യൽ നെറ്റ്വർക്കുകളുടെയും അൽഗോരിതങ്ങളുമായി ബന്ധിപ്പിച്ചിരിക്കുന്നു. പുതിയ സമീപനം TREC ശേഖരങ്ങളിൽ വിലയിരുത്തുകയും അടിസ്ഥാന ഭാഷാ മോഡലിംഗ് സമീപനവും വെക്റ്റർ സ്പേസ് മോഡലുകളും റോക്കിയോ ഉപയോഗിച്ച് അന്വേഷണ വിപുലീകരണവുമായി താരതമ്യം ചെയ്യുകയും ചെയ്യുന്നു. ശക്തമായ അടിസ്ഥാന TF-IDF സിസ്റ്റങ്ങൾക്ക് വേണ്ടി സാധാരണ അന്വേഷണ വിപുലീകരണ രീതികളേക്കാൾ കാര്യമായ മെച്ചപ്പെടുത്തലുകൾ ലഭിക്കുന്നു, വെബ് ഡാറ്റയിൽ ഹ്രസ്വ അന്വേഷണങ്ങളിൽ ഏറ്റവും വലിയ മെച്ചപ്പെടുത്തലുകൾ കൈവരിക്കുന്നു. |
61d234dd4f7b733e5acf2550badcf1e9333b6de1 | നഗരപ്രദേശങ്ങളില് , ചലിക്കുന്ന തടസ്സങ്ങള് തിരിച്ചറിയുന്നതിനും സ്വതന്ത്രമായ ഇടം കണ്ടെത്തുന്നതിനും ഡ്രൈവിംഗ് അസിസ്റ്റന് റ് സിസ്റ്റങ്ങള് ക്കും സ്വയം നിയന്ത്രിത വാഹനങ്ങള് ക്കും പ്രധാനമാണ്. വാഹനത്തിന് മുന്നില് സ്കാന് ചെയ്യുന്ന ലിഡാര് സെന് സറുകള് ഉപയോഗിക്കുമ്പോൾ, അജ്ഞതയും പിശകുകളും മൂലം അനിശ്ചിതത്വം ഉണ്ടാകുന്നു. പുതിയ സ്ഥലങ്ങൾ തിരിച്ചറിയുന്നതിലൂടെ അജ്ഞതയുണ്ടാകുന്നു. തെറ്റായ സ്ഥാനനിർണ്ണയവും ശബ്ദമയമായ അളവുകളും മൂലമാണ് പിശകുകൾ ഉണ്ടാകുന്നത്. ലിഡാർ മൾട്ടി-എക്കോ, മൾട്ടി-ലെയർ വിവരങ്ങൾ നൽകുമ്പോൾ സങ്കീർണ്ണതയും വർദ്ധിക്കുന്നു. ഈ അനിശ്ചിതത്വത്തിന്റെ വിവിധ സ്രോതസ്സുകളെ കൈകാര്യം ചെയ്യുന്നതിനായി രൂപകൽപ്പന ചെയ്ത ഒരു അധിനിവേശ ഗ്രിഡ് ചട്ടക്കൂട് ഈ പ്രബന്ധം അവതരിപ്പിക്കുന്നു. ഈ പ്രശ്നം പരിഹരിക്കാനുള്ള ഒരു മാർഗ്ഗം ആഗോള, പ്രാദേശിക ചട്ടക്കൂടുകളിലുള്ള റോഡ് ഉപരിതലത്തിലേക്ക് പ്രൊജക്റ്റ് ചെയ്ത ഗ്രിഡുകൾ ഉപയോഗിക്കുക എന്നതാണ്. ആഗോള മാപ്പിംഗ് സൃഷ്ടിക്കുന്നു, പ്രാദേശിക മാപ്പിംഗ് ചലിക്കുന്ന വസ്തുക്കളുമായി ഇടപെടാൻ ഉപയോഗിക്കുന്നു. സെൻസർ വിവരങ്ങള് മാതൃകയാക്കാനും ലോകത്തെ നിശ്ചിത ഭൂപടവുമായി ആഗോള സംയോജനം നടത്താനും ഒരു വിശ്വാസ്യത സമീപനം ഉപയോഗിക്കുന്നു. കൃത്യമായ സ്ഥാനനിർണ്ണയ സംവിധാനം ഉപയോഗിച്ച് പുറത്തു നടത്തിയ പരീക്ഷണ ഫലങ്ങൾ കാണിക്കുന്നത്, അത്തരം ഒരു ധാരണാ തന്ത്രം സാധാരണ സമീപനവുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ പ്രകടനം ഗണ്യമായി വർദ്ധിപ്പിക്കുന്നു എന്നാണ്. |
3bad518b0f56e72efadc4791a2bd65aaeaf47ec1 | ഈജിപ്തിലെ ബഹുരാഷ്ട്ര, സ്വകാര്യ സംഘടനകളുടെയും ഗവണ് മെന്റ് സംഘടനകളുടെയും ഇ.ആർ.പി. നടപ്പാക്കുന്നതിനു ശേഷമുള്ള പ്രധാന പ്രശ്നങ്ങള് തിരിച്ചറിയുകയും വിലയിരുത്തുകയും ചെയ്യുക എന്നതാണ് ഈ ഗവേഷണത്തിന്റെ ലക്ഷ്യം. ഈജിപ്തിലെ ഇ.ആർ.പി. നടപ്പിലാക്കുന്ന 50 കമ്പനികളുമായി നടത്തിയ അഭിമുഖങ്ങളും ഓൺലൈൻ ചോദ്യാവലിയും ഉപയോഗിച്ചാണ് ഡാറ്റ ശേഖരിച്ചത്. ഈജിപ്തിലെ സംഘടനകൾ ഇ.ആർ.പി നടപ്പാക്കിയ ശേഷം നേരിട്ട ബുദ്ധിമുട്ടുകളും പ്രശ്നങ്ങളും അവയുടെ മൊത്തത്തിലുള്ള പരാജയത്തിന് കാരണമായതും ഈ പ്രബന്ധത്തിൽ വിവരണാത്മകമായി വിശകലനം ചെയ്യുന്നു. |
749546a58a1d46335de785c41a3eae977e84a0df | നല്ല പൊതുവായ പ്രകടനം നൽകുന്ന ഒരു മാതൃക തിരിച്ചറിയുക എന്നതാണ് മെഷീൻ ലേണിംഗിന്റെ ലക്ഷ്യം. മോഡലിന്റെ പരാമീറ്റർ സ്പെയ്സിൽ ഒരു നിശ്ചിത ഒബ്ജക്റ്റ് ഫംഗ്ഷൻ കുറച്ചുകൊണ്ട് ഒരു ഹൈപ്പോഥെസിസ് ക്ലാസ് ആവർത്തിച്ച് തിരഞ്ഞെടുക്കുകയും ഫലമായി ലഭിക്കുന്ന മോഡലിന്റെ പൊതുവായ പ്രകടനം വിലയിരുത്തുകയും ചെയ്യുക എന്നതാണ് ഇതിൽ ഉൾപ്പെടുന്നത്. പരിശീലന ഡാറ്റ തുടർച്ചയായി എത്തുന്നതിനാൽ ഈ തിരയൽ കമ്പ്യൂട്ടേഷണൽ തീവ്രമാകാം, അല്ലെങ്കിൽ അനുമാന ക്ലാസിലും ഒബ്ജക്റ്റ് ഫംഗ്ഷനിലും ഹൈപ്പർപാരാമീറ്ററുകൾ ട്യൂൺ ചെയ്യേണ്ടതിനാൽ. ഈ പേപ്പറിൽ, കൃത്യമായ ഇൻക്രിമെന്റൽ ലേണിംഗിനും സപ്പോർട്ട് വെക്റ്റർ മെഷീൻ (എസ്വിഎം) ക്ലാസിഫയറുകളുടെ അനുയോജ്യതയ്ക്കും വേണ്ടിയുള്ള ഒരു ചട്ടക്കൂട് ഞങ്ങൾ അവതരിപ്പിക്കുന്നു. ഈ സമീപനം പൊതുവായതാണ്, വ്യക്തിഗത അല്ലെങ്കിൽ ഒന്നിലധികം ഉദാഹരണങ്ങൾ പഠിക്കാനും മറികടക്കാനും, നിലവിലെ എസ്വിഎമ്മിനെ റെഗുലറൈസേഷനിലും കേർണൽ പാരാമീറ്ററുകളിലും മാറ്റങ്ങൾ വരുത്താനും, കൃത്യമായ ലീവ്-വൺ-ഔട്ട് പിശക് കണക്കാക്കൽ വഴി പൊതുവായ പ്രകടനം വിലയിരുത്താനും ഇത് അനുവദിക്കുന്നു. I. I NTRODUCTION ക്ലാസിഫിക്കേഷനും റിഗ്രഷനും വേണ്ടിയുള്ള എസ്വിഎം ടെക്നിക്കുകൾ, അപൂർവവും ഉയർന്ന അളവിലുള്ളതുമായ ക്രമീകരണങ്ങളിൽ പോലും നന്നായി പൊതുവാക്കുന്ന പഠന മോഡലുകൾക്ക് ശക്തമായ ഉപകരണങ്ങൾ നൽകുന്നു. അവരുടെ വിജയം വാപ്നിക് ന്റെ സ്ഥിതിവിവര പഠന സിദ്ധാന്തത്തിലെ [1] അടിസ്ഥാനപരമായ പ്രവർത്തനത്തിന് കാരണമാകാം, ഇത് പൊതുവായ പ്രകടനത്തെ ബാധിക്കുന്ന ഘടകങ്ങളെക്കുറിച്ച് പ്രധാന ഉൾക്കാഴ്ച നൽകുന്നു. മികച്ച പൊതുവായ പ്രകടനമുള്ള മോഡൽ കണ്ടെത്തുന്നതിന് വ്യത്യസ്ത ശേഷിയുള്ള അനുമാന ക്ലാസുകളിൽ തിരയുന്ന വാപ്പണിക് ന്റെ ഘടനാപരമായ റിസ്ക് മിനിമൈസേഷൻ ഇൻഡക്ഷൻ തത്വത്തിന്റെ പ്രായോഗിക നടപ്പാക്കലായി എസ്വിഎം പഠനം കാണാൻ കഴിയും. f (x) = w · Φ (x) + b എന്ന ഫോമിലെ SVM ക്ലാസിഫയറുകൾ ഡാറ്റയിൽ നിന്ന് പഠിക്കുന്നു { (xi, yi) ∈ R I m × {−1, 1} ∀ i ∈ {1, . . . , N}} മിനിമം വ, ബി, ക്സ 1 2 ‖ വ ‖ + സി എൻ |
6df617304e9f1185694f11ca5cae5c27e868809b | വയർലെസ് മൈക്രോസെൻസർ ശൃംഖലകൾ 21-ാം നൂറ്റാണ്ടിലെ ഏറ്റവും പ്രധാനപ്പെട്ട സാങ്കേതികവിദ്യകളിലൊന്നായി തിരിച്ചറിഞ്ഞിട്ടുണ്ട്. കഴിഞ്ഞ മൂന്നു ദശാബ്ദക്കാലമായി സെൻസർ ശൃംഖലകളിലെ ഗവേഷണത്തിന്റെ ചരിത്രം ഈ ലേഖനത്തിൽ വിവരിക്കുന്നുണ്ട്. ഈ കാലയളവിൽ പ്രതിരോധ നൂതന ഗവേഷണ പദ്ധതി ഏജൻസിയുടെ (ഡാർപ) രണ്ട് പ്രധാന പരിപാടികൾ ഉൾപ്പെടെയുള്ളതാണ് ഇത്. സെൻസർ ശൃംഖലകളുടെ വികസനത്തെ സ്വാധീനിക്കുന്ന സാങ്കേതിക പ്രവണതകളെ അവലോകനം ചെയ്യുകയും അടിസ്ഥാന സൌകര്യ സുരക്ഷ, ആവാസ വ്യവസ്ഥയുടെ നിരീക്ഷണം, ട്രാഫിക് നിയന്ത്രണം തുടങ്ങിയ പുതിയ പ്രയോഗങ്ങൾ അവതരിപ്പിക്കുകയും ചെയ്യുന്നു. സെൻസർ നെറ്റ് വർക്ക് വികസനത്തിലെ സാങ്കേതിക വെല്ലുവിളികളിൽ നെറ്റ് വർക്ക് കണ്ടെത്തൽ, നിയന്ത്രണം, റൂട്ടിംഗ്, സഹകരണ സിഗ്നൽ, വിവര സംസ്കരണം, ടാസ്കിംഗ്, അന്വേഷണം, സുരക്ഷ എന്നിവ ഉൾപ്പെടുന്നു. സെൻസർ നെറ്റ്വർക്ക് അൽഗോരിതം, പ്രാദേശിക അൽഗോരിതം, ദിശിത വ്യാപനം, വയർലെസ് അഡ്ഹോക് നെറ്റ്വർക്കുകളിലെ വിതരണ ട്രാക്കിംഗ്, പ്രാദേശിക ഏജന്റുമാരെ ഉപയോഗിച്ച് വിതരണം ചെയ്ത വർഗ്ഗീകരണം എന്നിവ ഉൾപ്പെടെയുള്ള സമീപകാല ഗവേഷണ ഫലങ്ങൾ അവതരിപ്പിച്ചുകൊണ്ട് ഈ പ്രബന്ധം അവസാനിക്കുന്നു. |
3b655db109beaae48b238045cf9618418e349f36 | ഡാറ്റയുടെ ഒരു പരിമിതമായ സങ്കീർണ്ണതയുള്ള ലീനിയർ മോഡൽ ഉപയോഗിച്ച് ഡാറ്റയെ ഫിറ്റ് ചെയ്യുന്നത് ഡാറ്റയിൽ നിന്ന് നിർമ്മിച്ച ഒരു മാട്രിക്സിന്റെ താഴ്ന്ന റാങ്ക് ആമുഖത്തിന് തുല്യമാണ്. ഹാൻകെൽ ഘടനയുള്ള ഡാറ്റാ മാട്രിക്സ് ഡാറ്റയ്ക്ക് അനുയോജ്യമായ ഒരു ലീനിയർ ടൈം-ഇൻവാരിയന്റ് സിസ്റ്റത്തിന്റെ നിലനിൽപ്പിന് തുല്യമാണ്, കൂടാതെ റാങ്ക് നിയന്ത്രണം മോഡൽ സങ്കീർണ്ണതയുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു. സ്റ്റാറ്റിക് മോഡൽ ഉപയോഗിച്ച് ഫിറ്റിംഗിന്റെ പ്രത്യേക കേസിൽ, ഡാറ്റാ മാട്രിക്സും അതിന്റെ താഴ്ന്ന റാങ്കുള്ള ആസന്നതയും അസംഘടിതമാണ്. സിസ്റ്റം സിദ്ധാന്തത്തിലെ (ഏകദേശം തിരിച്ചറിവ്, മോഡൽ കുറയ്ക്കൽ, ഔട്ട്പുട്ട് പിശക്, പിശകുകൾ-ഇൻ-വേരിയബിളുകൾ തിരിച്ചറിയൽ), സിഗ്നൽ പ്രോസസ്സിംഗ് (ഹാർമോണിക് വീണ്ടെടുക്കൽ, ഡംപ്ഡ് എക്സ്പോണൻഷ്യലുകളുടെ തുക, പരിമിതമായ ഇംപൾസ് പ്രതികരണ മോഡലിംഗ്), കമ്പ്യൂട്ടർ അൽജെബ്ര (ഏകദേശം സാധാരണ വിഭജകൻ) എന്നിവയിൽ ഞങ്ങൾ ആപ്ലിക്കേഷനുകൾ രൂപപ്പെടുത്തുന്നു. ഹ്യൂറിസ്റ്റിക്സ്, ലോക്കൽ ഒപ്റ്റിമൈസേഷൻ രീതികൾ എന്നിവ അടിസ്ഥാനമാക്കിയുള്ള അൽഗോരിതം അവതരിപ്പിക്കുന്നു. താഴ്ന്ന റാങ്കിലുള്ള ഏകദേശ പ്രശ്നത്തിന്റെ പൊതുവായവ വ്യത്യസ്ത ഏകദേശ മാനദണ്ഡങ്ങളിൽ (ഉദാഃ ഭാരമുള്ള മാനദണ്ഡം) ഡാറ്റാ മാട്രിക്സിൽ (ഉദാഃ നോൺ-നെഗറ്റീവിറ്റി) പരിമിതികളിൽ നിന്നാണ്. റാങ്ക് മിനിമൈസേഷനും ഘടനാപരമായ പ്സ്യൂഡോസ്പെക്ട്രയും ബന്ധപ്പെട്ട പ്രശ്നങ്ങളാണ്. 2007 എല് സെവിര് ലിമിറ്റഡ് എല്ലാ അവകാശങ്ങളും നിക്ഷിപ്തം. |
ee1140f49c2f1ce32d0ed9404078c724429cc487 | ഈ പ്രബന്ധം ഒരു Ku-ബാൻഡ് ആവൃത്തിയിൽ വളരെ കോംപാക്ട് താരതമ്യത്തിന്റെ രൂപകൽപ്പന നൽകുന്നു, നിർമ്മാണത്തിലെ കൃത്യതയില്ലാത്തവയ്ക്കായി താരതമ്യത്തിന്റെ വിശകലന ഫലങ്ങൾ അവതരിപ്പിക്കുന്നു. ആദ്യം ഒരു സ്റ്റാൻഡേർഡ് അല്ലാത്ത വേവ് ഗൈഡ് ഉപയോഗിക്കുന്ന ഒരു മജിക്-ടി 15.50 ജിഗാഹെർട്സ് ആയി രൂപകൽപ്പന ചെയ്തിരിക്കുന്നു. മാജിക്-ടി ഉപയോഗിക്കുന്ന വോളിയം കുറയ്ക്കുന്നതിന്, അതിന്റെ ഇ-ആം (അല്ലെങ്കിൽ ഡിഫറൻസ് പോർട്ട്) ഒരു കൺവെൻഷൻ മാജിക്-ടിയിൽ ചെയ്യുന്നതുപോലെ അവയ്ക്ക് ലംബമായി പകരം മാജിക്-ടിയിലെ രണ്ട് ഇൻപുട്ടുകളുടെ തലം സമാന്തരമായി സൂക്ഷിക്കുന്നു. മുകളിൽ പറഞ്ഞ മജിക്-ടി യുടെ സംഖ്യയും വ്യത്യാസ പോർട്ടുകളും 15.50 ജിഗാഹെർട്സ് എന്ന ഇൻഡക്റ്റീവ് വിൻഡോ ഉപയോഗിച്ച് പൊരുത്തപ്പെടുത്തുന്നു. താരതമ്യവത്കരിക്കാനുള്ള ഔട്ട്പുട്ടുകളുടെ ആവശ്യമായ സ്ഥാനം മനസ്സിൽ വച്ചുകൊണ്ട്, ഈ പൊരുത്തപ്പെടുന്ന മടക്കിയ മാജിക്-ടി-കളിൽ നാലെണ്ണം വളരെ ഒതുക്കമുള്ള ഒരു താരതമ്യവത്കരിക്കാനുള്ള രൂപകൽപ്പനയിൽ പരസ്പരം ബന്ധപ്പെട്ടിരിക്കുന്നു. വേവ് ഗൈഡിലും അനുയോജ്യമായ ഘടകങ്ങളുടെ അളവുകളിലും ഉണ്ടായ നിർമ്മാണ പിശകുകളുടെ ഫലങ്ങൾ താരതമ്യകേന്ദ്രത്തിന്റെ കേന്ദ്ര ആവൃത്തി, വലുപ്പം, ഘട്ട പ്രതികരണം എന്നിവയെക്കുറിച്ചും വിശകലനം ചെയ്യുകയും അവതരിപ്പിക്കുകയും ചെയ്യുന്നു. |
ecbcccd71b3c7e0cca8ecf0997e9775019b51488 | ഉന്നത മാനേജ്മെന്റിന്റെയും സംഘടനാപരമായ സംസ്കാരത്തിന്റെയും പങ്ക് ആസൂത്രിത പെരുമാറ്റത്തിന്റെ സിദ്ധാന്തത്തിലേക്ക് സമന്വയിപ്പിക്കുന്ന ഒരു വ്യക്തിഗത പെരുമാറ്റ മാതൃക ഞങ്ങൾ വികസിപ്പിക്കുന്നു. ഉന്നത മാനേജ്മെന്റിന്റെ ജീവനക്കാരുടെ സുരക്ഷാ പാലിക്കൽ പെരുമാറ്റത്തെ എങ്ങനെ സ്വാധീനിക്കാമെന്ന് നന്നായി മനസിലാക്കാനുള്ള ശ്രമത്തിലാണ് ഇത്. സർവേ ഡാറ്റയും ഘടനാപരമായ സമവാക്യ മോഡലിംഗും ഉപയോഗിച്ച്, ഉന്നത മാനേജ്മെന്റിന്റെ പങ്കാളിത്തം, സംഘടനാ സംസ്കാരം, വിവര സുരക്ഷാ നയങ്ങളോടുള്ള ജീവനക്കാരുടെ പാലിക്കൽ എന്നിവ തമ്മിലുള്ള ബന്ധത്തെക്കുറിച്ചുള്ള അനുമാനങ്ങൾ ഞങ്ങൾ പരിശോധിക്കുന്നു. വിവര സുരക്ഷാ സംരംഭങ്ങളില് ഉന്നത മാനേജ്മെന്റിന്റെ പങ്കാളിത്തം ജീവനക്കാരുടെ മനോഭാവങ്ങളെയും, വിവര സുരക്ഷാ നയങ്ങളോടുള്ള അനുരൂപതയെക്കുറിച്ചുള്ള അവരുടെ സ്വകാര്യമായ മാനദണ്ഡങ്ങളെയും, അവരുടെ പെരുമാറ്റ നിയന്ത്രണത്തെയും കാര്യമായി നേരിട്ടും അല്ലാതെയും സ്വാധീനിക്കുന്നുണ്ടെന്ന് നാം കണ്ടെത്തി. ഉന്നത മാനേജ്മെന്റിന്റെ പങ്കാളിത്തം സംഘടനയുടെ സംസ്കാരത്തെ ശക്തമായി സ്വാധീനിക്കുന്നുവെന്നും ഇത് വിവര സുരക്ഷാ നയങ്ങൾ പാലിക്കുന്നതിനെക്കുറിച്ചുള്ള ജീവനക്കാരുടെ മനോഭാവത്തെയും പെരുമാറ്റ നിയന്ത്രണത്തെയും സ്വാധീനിക്കുന്നുവെന്നും ഞങ്ങൾ കണ്ടെത്തി. കൂടാതെ, ഉന്നത മാനേജ്മെന്റിന്റെ പങ്കാളിത്തവും സംഘടനാ സംസ്കാരവും ജീവനക്കാരുടെ പെരുമാറ്റപരമായ ഉദ്ദേശ്യങ്ങളിൽ ചെലുത്തുന്ന സ്വാധീനം വിവര സുരക്ഷാ നയങ്ങൾ പാലിക്കുന്നതിനെക്കുറിച്ചുള്ള ജീവനക്കാരുടെ വൈജ്ഞാനിക വിശ്വാസങ്ങളാൽ പൂർണ്ണമായും ഇടപെടുന്നുവെന്ന് ഞങ്ങൾ കണ്ടെത്തുന്നു. നിലവിലുള്ള സാഹിത്യത്തിൽ ശുപാർശ ചെയ്യുന്ന പ്രതിരോധം അടിസ്ഥാനമാക്കിയുള്ള പരിഹാരങ്ങൾക്ക് പുറമെ ജീവനക്കാരുടെ പാലിക്കൽ സ്വഭാവത്തെ രൂപപ്പെടുത്തുന്നതിൽ ഉന്നത മാനേജ്മെന്റിന് എങ്ങനെ സജീവമായ പങ്ക് വഹിക്കാനാകുമെന്ന് കാണിച്ചുകൊണ്ട് ഞങ്ങളുടെ കണ്ടെത്തലുകൾ വിവര സുരക്ഷാ ഗവേഷണ സാഹിത്യത്തെ വിപുലീകരിക്കുന്നു. ഞങ്ങളുടെ കണ്ടെത്തലുകൾ ജീവനക്കാരുടെ അനുസരണ സ്വഭാവത്തെ രൂപപ്പെടുത്തുന്നതിൽ സംഘടനാ സംസ്കാരത്തിന്റെ പങ്കിനെക്കുറിച്ചുള്ള സിദ്ധാന്തങ്ങളും പരിഷ്കരിക്കുന്നു. ഈ പദ്ധതിക്ക് പ്രതിരോധ മന്ത്രാലയത്തിന്റെ (ഡി.ഒ.ഡി) ഡിഫൻസ് ഇൻഫർമേഷൻ സിസ്റ്റംസ് ഏജൻസി (ഡി.ഐ.എസ്.എ.) യുടെ ഗ്രാന്റ് ഉപയോഗിച്ച് രചയിതാക്കൾക്ക് ഭാഗികമായി ധനസഹായം ലഭിച്ചു. അവലോകന പ്രക്രിയയിലുടനീളം വിശദവും നിർമ്മാണപരവുമായ അഭിപ്രായങ്ങളും നിർദ്ദേശങ്ങളും നൽകിയ എഡിറ്റർ, സീനിയർ എഡിറ്റർ, അസോസിയേറ്റ് എഡിറ്റർ, രണ്ട് അജ്ഞാത നിരൂപകർ എന്നിവരോട് രചയിതാക്കൾ നന്ദി രേഖപ്പെടുത്തുന്നു. *അതിഥി എഴുത്തുകാരൻ |
1ac7018b0935cdb5bf52b34d738b110e2ef0416a | മിക്ക ഓൺലൈൻ അവലോകനങ്ങളിലും ഒരു സംഖ്യാ സ്കോറും ഒരു പ്ലെയിൻ ടെക്സ്റ്റ് ഫീഡ്ബാക്കും അടങ്ങിയിരിക്കുന്നു. എന്നിരുന്നാലും, ഉപയോക്താക്കളുടെ റേറ്റിംഗുകളിലേക്ക് സംഭാവന ചെയ്യുന്ന ഒന്നിലധികം ̋വശങ്ങളെ മനസ്സിലാക്കുന്നത് അവരുടെ വ്യക്തിഗത മുൻഗണനകളെ നന്നായി മനസ്സിലാക്കാൻ നമ്മെ സഹായിക്കും. ഉദാഹരണത്തിന്, ഓഡിയോബുക്കിനെക്കുറിച്ചുള്ള ഒരു ഉപയോക്താവിന്റെ ധാരണ കഥയും കഥാകാരനും പോലുള്ള വശങ്ങളെ ആശ്രയിച്ചിരിക്കും, ഈ വശങ്ങളെക്കുറിച്ചുള്ള അവരുടെ അഭിപ്രായങ്ങൾ അറിയുന്നത് മികച്ച ഉൽപ്പന്നങ്ങൾ ശുപാർശ ചെയ്യാൻ ഞങ്ങളെ സഹായിച്ചേക്കാം. ഈ ലേഖനത്തിൽ, റേറ്റിംഗ് സംവിധാനങ്ങളുടെ മാതൃകകൾ ഞങ്ങൾ നിർമ്മിക്കുന്നു, അതിൽ അത്തരം അളവുകൾ വ്യക്തമാണ്, ഉപയോക്താക്കൾ ഒരു ഉൽപ്പന്നത്തിന്റെ ഓരോ വശത്തിനും പ്രത്യേക റേറ്റിംഗുകൾ നൽകുന്നു എന്ന അർത്ഥത്തിൽ. മൂന്ന് മുതൽ ആറ് വരെ വശങ്ങളുള്ള അഞ്ച് ദശലക്ഷം അവലോകനങ്ങളുള്ള പുതിയ കോർപറേഷനുകൾ അവതരിപ്പിക്കുന്നതിലൂടെ, മൂന്ന് പ്രവചന ജോലികളിൽ ഞങ്ങളുടെ മോഡലുകൾ ഞങ്ങൾ വിലയിരുത്തുന്നു. ഒന്നാമതായി, ഒരു അവലോകനത്തിന്റെ ഏത് ഭാഗങ്ങളാണ് റേറ്റുചെയ്ത വശങ്ങളെക്കുറിച്ച് ചർച്ച ചെയ്യുന്നത് എന്ന് ഞങ്ങൾ കണ്ടെത്തുന്നു. രണ്ടാമതായി, ഒരു ഉപയോക്താവിന്റെ റേറ്റിംഗ് ഏറ്റവും നന്നായി വിശദീകരിക്കുന്ന വാക്യങ്ങൾ കണ്ടെത്തുന്നതിലൂടെ അവലോകനങ്ങൾ ഞങ്ങൾ സംഗ്രഹിക്കുന്നു. അവസാനമായി, നാം പരിഗണിക്കുന്ന ഡേറ്റാസെറ്റുകളിൽ പലതിലും വശങ്ങളുടെ റേറ്റിംഗുകൾ ഓപ്ഷണലായതിനാൽ, ഒരു ഉപയോക്താവിന്റെ വിലയിരുത്തലിൽ കാണാതായ റേറ്റിംഗുകൾ ഞങ്ങൾ വീണ്ടെടുക്കുന്നു. നമ്മുടെ മാതൃക നിലവിലുള്ള ചെറിയ അളവിലുള്ള ഡാറ്റാ സെറ്റുകളുമായി ഏറ്റവും പുതിയ സമീപനങ്ങളുമായി പൊരുത്തപ്പെടുന്നു, അതേസമയം നമ്മൾ അവതരിപ്പിക്കുന്ന യഥാർത്ഥ ലോക ഡാറ്റാ സെറ്റുകളിലേക്ക് സ്കെയിലിംഗ് ചെയ്യുന്നു. കൂടാതെ, നമ്മുടെ മാതൃകയ്ക്ക് ഉള്ളടക്കവും വികാരവും തമ്മിലുള്ള ബന്ധം വേർതിരിക്കാനും കഴിയും: ഒരു പ്രത്യേക വശത്തെ സൂചിപ്പിക്കുന്ന ഉള്ളടക്ക വാക്കുകളും ഒരു പ്രത്യേക റേറ്റിംഗിനെ സൂചിപ്പിക്കുന്ന വശത്തെ സൂചിപ്പിക്കുന്ന വികാര വാക്കുകളും നാം യാന്ത്രികമായി പഠിക്കുന്നു. |
be0b922ec9625a5908032bde6ae47fa6c4216a38 | ഘടനാപരമായ പല പ്രവചനപ്രവർത്തനങ്ങളിലും പൂർണ്ണമായ മേൽനോട്ടത്തോടെ പരിശീലനം ലഭിച്ചുകൊണ്ട് ന്യൂറൽ നെറ്റ്വർക്കുകൾ ഏറ്റവും പുതിയ പ്രകടനം കാഴ്ചവച്ചു. എന്നിരുന്നാലും, ഘടനാപരമായ ഡൊമെയ്നുകളിൽ വ്യാഖ്യാനിച്ച ഉദാഹരണങ്ങൾ ലഭിക്കുന്നത് പലപ്പോഴും ചെലവേറിയതാണ്, ഇത് ന്യൂറൽ നെറ്റ്വർക്കുകളുടെ പ്രയോഗങ്ങളെ പരിമിതപ്പെടുത്തുന്നു. ഈ കൃതിയിൽ, പരമാവധി മാർജിൻ റിവാർഡ് നെറ്റ്വർക്കുകൾ ഞങ്ങൾ നിർദ്ദേശിക്കുന്നു, ഇത് ന്യൂറൽ നെറ്റ്വർക്ക് അധിഷ്ഠിത ചട്ടക്കൂടാണ്, ഇത് വ്യക്തമായ (പൂർണ്ണ ഘടനകൾ) നിഷ്ക്രിയ മേൽനോട്ട സിഗ്നലുകളിൽ നിന്ന് പഠിക്കാൻ ലക്ഷ്യമിടുന്നു (പ്രവചിച്ച ഘടനയുടെ കൃത്യതയെക്കുറിച്ചുള്ള കാലതാമസം നേരിട്ട ഫീഡ്ബാക്ക്). പേരുള്ള എന്റിറ്റി തിരിച്ചറിയലും സെമാന്റിക് പാർസിംഗും സംബന്ധിച്ച്, ഞങ്ങളുടെ മാതൃക ബെഞ്ച്മാർക്ക് ഡാറ്റാ സെറ്റുകളായ CoNLL-2003, WebQuestionsSP എന്നിവയിലെ മുൻ സംവിധാനങ്ങളെ മറികടക്കുന്നു. |
01a29e319e2afa2d29cab62ef1f492a953e8ca70 | ലൊക്കേഷൻ വിവരങ്ങളുടെ പങ്കുവയ്ക്കൽ വഴി വിവിധ സ്വകാര്യത ഭീഷണികൾക്കെതിരെ ലൊക്കേഷൻ സ്വകാര്യത സംരക്ഷിക്കുന്നതിനുള്ള വ്യക്തിഗതമാക്കിയ കെ-അജ്ഞാത മോഡലിനെ ഈ പേപ്പർ വിവരിക്കുന്നു. നമ്മുടെ മാതൃകയ്ക്ക് രണ്ട് സവിശേഷതകളുണ്ട്. ഒന്നാമതായി, സന്ദർഭോചിതമായ വ്യക്തിഗത സ്വകാര്യത ആവശ്യകതകളുള്ള നിരവധി ഉപയോക്താക്കൾക്ക് ലൊക്കേഷൻ കെ-അജ്ഞാതതയെ പിന്തുണയ്ക്കുന്നതിന് ഏകീകൃത സ്വകാര്യത വ്യക്തിഗതമാക്കൽ ചട്ടക്കൂട് ഞങ്ങൾ നൽകുന്നു. ഈ ചട്ടക്കൂട് ഓരോ മൊബൈൽ നോഡിനും ആവശ്യമുള്ള മിനിമം ലെവൽ അജ്ഞാതതയും കെ-അജ്ഞാതത്വം നിലനിർത്തുന്ന ലൊക്കേഷൻ അധിഷ്ഠിത സേവനങ്ങൾ (എൽബിഎസ്) അഭ്യർത്ഥിക്കുമ്പോൾ അത് സഹിക്കാൻ തയ്യാറുള്ള പരമാവധി സമയ, സ്പേഷ്യൽ റെസല്യൂഷനുകളും വ്യക്തമാക്കാൻ പ്രാപ്തമാക്കുന്നു. രണ്ടാമതായി, നാം ഒരു കാര്യക്ഷമമായ സന്ദേശം ശല്യപ്പെടുത്തൽ എഞ്ചിൻ രൂപകൽപ്പന ചെയ്യുന്നു, അത് ഒരു വിശ്വസനീയ സെർവറിൽ ലൊക്കേഷൻ പ്രൊട്ടക്ഷൻ ബ്രോക്കർ പ്രവർത്തിപ്പിക്കുകയും മൊബൈൽ ഉപയോക്താക്കളുടെ എൽബിഎസ് അഭ്യർത്ഥന സന്ദേശങ്ങളിൽ ലൊക്കേഷൻ അജ്ഞാതമാക്കൽ നടത്തുകയും ചെയ്യുന്നു, ഐഡന്റിറ്റി നീക്കംചെയ്യൽ, ലൊക്കേഷൻ വിവരങ്ങളുടെ സ്പേഷ്യൽ-ടൈമറൽ മാസ്കിംഗ് എന്നിവ പോലുള്ളവ. എൽബിഎസ് ദാതാവിന് അഭ്യർത്ഥനകൾ കൈമാറുന്നതിന് മുമ്പ് അറിയപ്പെടുന്ന ലൊക്കേഷൻ സ്വകാര്യത ഭീഷണികൾ ഒഴിവാക്കുകയോ കുറയ്ക്കുകയോ ചെയ്യുക എന്ന ലക്ഷ്യത്തോടെ ഉയർന്ന നിലവാരമുള്ള വ്യക്തിഗത ലൊക്കേഷൻ കെ-അജ്ഞാതത്വം നൽകുന്നതിന് ക്ലിക്ക് ക്ലോക്ക് അൽഗോരിതംസ് എന്ന് വിളിക്കുന്ന സ്കേലബിൾ, കാര്യക്ഷമമായ സ്പേഷ്യൽ-ടൈംറററൽ ക്ലോക്കിംഗ് അൽഗോരിതംസ് സ്യൂട്ട് ഞങ്ങൾ വികസിപ്പിക്കുന്നു. നമ്മുടെ ക്ലിക്ക്ക്ലോക്ക് അൽഗോരിതങ്ങളുടെ ഫലപ്രാപ്തി വിവിധ സാഹചര്യങ്ങളിൽ പഠിക്കുന്നു യഥാർത്ഥ റോഡ് മാപ്പുകളും ട്രാഫിക് വോളിയം ഡാറ്റയും ഉപയോഗിച്ച് സിന്തറ്റിക് ആയി സൃഷ്ടിച്ച യഥാർത്ഥ ലൊക്കേഷൻ ഡാറ്റ ഉപയോഗിച്ച് |
0d8f17d8d1d05d6405be964648e7fc622c776c5d | മൊബൈൽ ഉപയോഗത്തിന്റെ സന്ദർഭങ്ങൾ വളരെയധികം വ്യത്യാസപ്പെടുന്നു, ഉപയോഗ സമയത്ത് നിരന്തരം മാറിക്കൊണ്ടിരിക്കാം. സന്ദര് ഭം എന്നത് സ്ഥാനം എന്നതിനപ്പുറമാണ്, പക്ഷേ അതിന്റെ മറ്റ് ഘടകങ്ങളെ തിരിച്ചറിയാനോ അളക്കാനോ ഇപ്പോഴും ബുദ്ധിമുട്ടാണ്. വിവിധ മൊബൈല് ഉപകരണങ്ങളുടെ അവിഭാജ്യഘടകമായി ലൊക്കേഷന് വിവരങ്ങള് മാറിക്കൊണ്ടിരിക്കുകയാണ്. നിലവിലുള്ള മൊബൈല് സേവനങ്ങള് ലൊക്കേഷന് അര് ഹതയുള്ള സവിശേഷതകളാല് മെച്ചപ്പെടുത്താന് കഴിയും, അങ്ങനെ ഉപയോക്താവിന് സന്ദര് ഭം അര് ഹതയുള്ള സേവനങ്ങളിലേക്ക് സുഗമമായി മാറാന് കഴിയും. യാത്രാ വിവരങ്ങള് , ഷോപ്പിംഗ്, വിനോദം, സംഭവവികാസ വിവരങ്ങള് , വിവിധ മൊബൈല് തൊഴിലുകള് തുടങ്ങിയ മേഖലകളില് സാധ്യതയുള്ള പ്രയോഗ മേഖലകള് കണ്ടെത്താന് കഴിയും. ഉപയോക്താക്കളുടെ കാഴ്ചപ്പാടിൽ നിന്ന് ലൊക്കേഷൻ അറ്റൻഡ് മൊബൈൽ സേവനങ്ങളെക്കുറിച്ചാണ് ഈ ലേഖനം പഠിക്കുന്നത്. ഉപയോക്താക്കളുടെ അഭിമുഖങ്ങൾ, ലബോറട്ടറി, ഫീൽഡ് വിലയിരുത്തലുകൾ, ലൊക്കേഷൻ ബോധമുള്ള സേവനങ്ങളുടെ വിദഗ്ദ്ധ വിലയിരുത്തലുകൾ എന്നിവയുടെ അടിസ്ഥാനത്തിൽ ഉപയോക്താക്കളുടെ ആവശ്യങ്ങളുമായി ബന്ധപ്പെട്ട പ്രധാന പ്രശ്നങ്ങളെക്കുറിച്ച് ഈ പ്രബന്ധം നിഗമനങ്ങൾ ഉണ്ടാക്കുന്നു. ഉപയോക്താക്കളുടെ ആവശ്യങ്ങള് അഞ്ച് പ്രധാന വിഷയങ്ങള് ക്കുള്ളില് അവതരിപ്പിക്കപ്പെടുന്നു: സമകാലികവും സമഗ്രവുമായ ഉള്ളടക്കം, സുഗമമായ ഉപയോക്തൃ ഇടപെടല് , വ്യക്തിപരവും ഉപയോക്താവ് സൃഷ്ടിച്ചതുമായ ഉള്ളടക്കം, തടസ്സമില്ലാത്ത സേവന എന്റിറ്റികള് , സ്വകാര്യതാ പ്രശ്നങ്ങൾ. |
e9a9d7f2a1226b463fb18f2215553dfd01aa38e7 | ഉയർന്ന റെസല്യൂഷനിലുള്ള 10,480 വീഡിയോകളുള്ള കെ.ഇ.ടി.ഐ. ആംഗ്യഭാഷാ ഡാറ്റാ സെറ്റ് അവതരിപ്പിക്കുന്നു. വിവിധ രാജ്യങ്ങളിൽ വ്യത്യസ്ത ആംഗ്യഭാഷകൾ ഉപയോഗിക്കുന്നതിനാൽ, കൊറിയൻ ആംഗ്യഭാഷാ തിരിച്ചറിയലിനെക്കുറിച്ചുള്ള കൂടുതൽ ഗവേഷണങ്ങൾക്ക് കെ.ഇ.ടി.ഐ ആംഗ്യഭാഷാ ഡാറ്റാ സെറ്റ് ആരംഭ രേഖയായിരിക്കും. ആംഗ്യഭാഷാ ഡാറ്റാ സെറ്റ് ഉപയോഗിച്ച്, മുഖം, കൈ, ശരീരഭാഗങ്ങൾ എന്നിവയിൽ നിന്നും എക്സ്ട്രാക്റ്റ് ചെയ്ത മനുഷ്യ കീ പോയിന്റുകൾ ഉപയോഗിച്ച് ആംഗ്യഭാഷാ തിരിച്ചറിയൽ സംവിധാനം വികസിപ്പിക്കുന്നു. എക്സ്ട്രാക്റ്റുചെയ്ത മനുഷ്യ കീപോയിന്റ് വെക്റ്റർ കീപോയിന്റുകളുടെ ശരാശരിയും സ്റ്റാൻഡേർഡ് ഡീവിയേഷനും ഉപയോഗിച്ച് സ്റ്റാൻഡേർഡ് ചെയ്യുകയും ആവർത്തിച്ചുള്ള ന്യൂറൽ നെറ്റ്വർക്കിലേക്ക് (ആർഎൻഎൻ) ഇൻപുട്ടായി ഉപയോഗിക്കുകയും ചെയ്യുന്നു. പരിശീലന ഡാറ്റയുടെ അളവ് പര്യാപ്തമല്ലെങ്കിലും നമ്മുടെ ചിഹ്ന തിരിച്ചറിയൽ സംവിധാനം ശക്തമാണെന്ന് നാം തെളിയിക്കുന്നു. നമ്മുടെ സിസ്റ്റം 89.5% കൃത്യത കാണിക്കുന്നു. അടിയന്തിര സാഹചര്യങ്ങളിൽ ഉപയോഗിക്കാവുന്ന 100 വാക്യങ്ങൾ. വിഡിയോ പോലുള്ള ദൃശ്യങ്ങളിലൂടെ അടയാളങ്ങളുടെ അർത്ഥം വിവർത്തനം ചെയ്യുന്നതിനുള്ള ചിഹ്ന ഭാഷാ തിരിച്ചറിയൽ പ്രശ്നമാണ് നാം പഠിക്കുന്നത്. കമ്പ്യൂട്ടർ ദർശന മേഖലയിലെ പല പ്രശ്നങ്ങളും ഡീപ് ന്യൂറൽ നെറ്റ് വർക്ക് മോഡലുകളെ പരിശീലിപ്പിക്കുന്നതിന് വളരെയധികം ഡാറ്റാ സെറ്റ് ആവശ്യമാണെന്ന് എല്ലാവർക്കും അറിയാം. |
7c1cdcbdd30163f3d7fd9789e42c4a37eb2f7f04 | വെബ് തിരയലുകളിൽ, ഉപയോക്താക്കളുടെ അന്വേഷണങ്ങൾ കുറച്ച് പദങ്ങൾ മാത്രം ഉപയോഗിച്ച് രൂപകൽപ്പന ചെയ്തിരിക്കുന്നു, കൂടാതെ പദവുമായി പൊരുത്തപ്പെടുന്ന വീണ്ടെടുക്കൽ പ്രവർത്തനങ്ങൾ പ്രസക്തമായ പ്രമാണങ്ങൾ വീണ്ടെടുക്കുന്നതിൽ പരാജയപ്പെടാം. ഉപയോക്താവ് ചോദിക്കുന്ന ചോദ്യത്തിന്, പ്രസക്തമായ രേഖകൾ ലഭ്യമാക്കുന്നതിനുള്ള സാധ്യത വർദ്ധിപ്പിക്കുന്ന അനുബന്ധ പദങ്ങൾ തിരഞ്ഞെടുക്കുന്നതിലാണ് അന്വേഷണ വിപുലീകരണത്തിന്റെ (ക്യുഇ) രീതി. അത്തരം വിപുലീകരണ പദങ്ങൾ തിരഞ്ഞെടുക്കുന്നത് വെല്ലുവിളി നിറഞ്ഞതാണ്, സങ്കീർണ്ണമായ സെമാന്റിക് ബന്ധങ്ങൾ എൻകോഡ് ചെയ്യാൻ കഴിവുള്ള ഒരു കമ്പ്യൂട്ടേഷണൽ ചട്ടക്കൂട് ആവശ്യമാണ്. ഈ ലേഖനത്തിൽ, വാക്കുകളുടെയും വാക്യങ്ങളുടെയും അർത്ഥപരമായ പ്രാതിനിധ്യം പഠിക്കുന്നതിനുള്ള ഒരു പുതിയ രീതി ഞങ്ങൾ നിർദ്ദേശിക്കുന്നു. പ്രത്യേക മാട്രിക്സുകളില് ചോദ്യങ്ങളും രേഖകളും ഉൾപ്പെടുത്തുന്നതിലൂടെ, നമ്മുടെ മാതൃകയ്ക്ക് ഒരു വെക്റ്റര് പ്രാതിനിധ്യം സ്വീകരിക്കുന്ന നിലവിലുള്ള സമീപനങ്ങളുമായി ബന്ധപ്പെട്ട് ഒരു വർദ്ധിച്ച പ്രാതിനിധ്യ ശക്തി ഉണ്ട്. നമ്മുടെ മാതൃക ഉയർന്ന നിലവാരമുള്ള അന്വേഷണ വികാസ പദങ്ങൾ ഉല്പാദിപ്പിക്കുന്നുവെന്ന് നാം കാണിക്കുന്നു. നിലവിലുള്ള വര് ദ്ധനവുള്ള മാതൃകകളില് നിന്നും, നല്ല രീതിയില് സ്ഥാപിതമായ പരമ്പരാഗത ക്യുഇ രീതികളില് നിന്നും, നമ്മുടെ വികസനം ഐആര് നടപടികള് കൂടുതല് വിപുലീകരിക്കുന്നു. |
8d4d06159413e1bb65ef218b4c78664d84a9b3c3 | ആൻഡ്രോയിഡ് ഓപ്പറേറ്റിങ് സിസ്റ്റം ഇപ്പോഴും താരതമ്യേന പുതിയതാണ്. എന്നാൽ, ഡസൻ കണക്കിന് സ്മാർട്ട്ഫോണുകളും ടാബ്ലറ്റുകളും വിപണിയിലെത്തിക്കഴിഞ്ഞു. ഈ പേപ്പറിൽ, ആൻഡ്രോയിഡ് ഉപകരണങ്ങളിൽ നിന്നുള്ള അസ്ഥിരമായ ഫിസിക്കൽ മെമ്മറി നേടുന്നതിനും ആഴത്തിലുള്ള വിശകലനം ചെയ്യുന്നതിനുമുള്ള ആദ്യത്തെ രീതിശാസ്ത്രവും ഉപകരണങ്ങളും ഞങ്ങൾ അവതരിപ്പിക്കുന്നു. ആൻഡ്രോയിഡ് മെമ്മറി ഏറ്റെടുക്കൽ നടത്തുന്നതിലെ ചില വെല്ലുവിളികളെക്കുറിച്ച് ഈ ലേഖനം ചർച്ച ചെയ്യുന്നു, dmd എന്ന് പേരുള്ള ഡംപിംഗ് മെമ്മറിക്ക് വേണ്ടിയുള്ള ഞങ്ങളുടെ പുതിയ കേർണൽ മൊഡ്യൂൾ ചർച്ച ചെയ്യുന്നു, കൂടാതെ ഉപകരണ-സ്വതന്ത്ര ഏറ്റെടുക്കൽ ഉപകരണങ്ങൾ വികസിപ്പിക്കുന്നതിലെ ബുദ്ധിമുട്ടുകളെക്കുറിച്ച് പ്രത്യേകം സംസാരിക്കുന്നു. നമ്മുടെ ഏറ്റെടുക്കൽ ഉപകരണം ഫോണിലെ എസ്ഡിയിലേക്കോ നെറ്റ്വർക്ക് വഴിയോ മെമ്മറി ഡംപ് ചെയ്യുന്നതിനെ പിന്തുണയ്ക്കുന്നു. പുതിയതായി വികസിപ്പിച്ചെടുത്ത വോളറ്റിലിറ്റി ഫംഗ്ഷണാലിറ്റി ഉപയോഗിച്ച് കേർണൽ ഘടനകളുടെ വിശകലനവും ഞങ്ങൾ അവതരിപ്പിക്കുന്നു. ഈ പ്രവര് ത്തനത്തിന്റെ ഫലങ്ങള് ഡിജിറ്റല് ഫോറന് സിക് അന്വേഷകര് ക്ക് ആഴത്തിലുള്ള മെമ്മറി വിശകലനം നല് കുന്ന സാധ്യതകളെ വിശദീകരിക്കുന്നു. a 2011 എല് സിവിയര് ലിമിറ്റഡ് എല്ലാ അവകാശങ്ങളും നിക്ഷിപ്തം. |
8db37013b0b3315badaa7190d4c3af9ec56ab278 | ഐഫോൺ 6 റിലീസ് കാലയളവിൽ വിപണിയിലെ ഐഒഎസ് വിഹിതം വർദ്ധിച്ചെങ്കിലും സ്മാർട്ട്ഫോൺ വിപണിയിൽ ആൻഡ്രോയിഡ് ആധിപത്യമുള്ള ഒഎസ് ആയി തുടരുന്നു. വിവിധ തരം ആൻഡ്രോയിഡ് സ് മാര് ട്ട് ഫോണുകള് വിപണിയില് ഇറങ്ങിവരുന്നതോടെ, ഡാറ്റാ ഏറ്റെടുക്കലും വിശകലനവും പരിശോധിക്കുന്നതിനായി ഫോറന് സിക് പഠനങ്ങള് നടത്തുകയാണ്. എന്നിരുന്നാലും, പുതിയ ആൻഡ്രോയിഡ് സുരക്ഷാ സാങ്കേതികവിദ്യകൾ പ്രയോഗിച്ചതിനുശേഷം, നിലവിലുള്ള ഫോറൻസിക് രീതികൾ ഉപയോഗിച്ച് ഡാറ്റ നേടുന്നത് കൂടുതൽ ബുദ്ധിമുട്ടായിത്തീർന്നിരിക്കുന്നു. ഈ പ്രശ്നം പരിഹരിക്കുന്നതിനായി, ആൻഡ്രോയിഡ് സ്മാർട്ട്ഫോണുകളുടെ ഫേംവെയർ അപ്ഡേറ്റ് പ്രോട്ടോക്കോളുകൾ വിശകലനം ചെയ്യുന്നതിനെ അടിസ്ഥാനമാക്കിയുള്ള ഒരു പുതിയ ഏറ്റെടുക്കൽ രീതി ഞങ്ങൾ നിർദ്ദേശിക്കുന്നു. ബൂട്ട് ലോഡറിലെ ഫേംവെയർ അപ്ഡേറ്റ് പ്രോട്ടോക്കോൾ റിവേഴ്സ് എഞ്ചിനീയറിംഗ് വഴി ഫ്ലാഷ് മെമ്മറി റീഡ് കമാൻഡ് ഉപയോഗിച്ച് ആൻഡ്രോയിഡ് സ്മാർട്ട്ഫോണുകളുടെ ഫിസിക്കൽ ഏറ്റെടുക്കൽ നേടാൻ കഴിയും. നമ്മുടെ പരീക്ഷണ ഫലങ്ങള് കാണിക്കുന്നത് നിലവിലുള്ള ഫോറന് സിക് രീതികളേക്കാള് മെച്ചമാണ് ഈ രീതി. ഇന്റഗ്രിറ്റി ഗ്യാരന് റ്റി, അക്വിസിഷൻ വേഗത, സ്ക്രീന് ലോക്ക് ചെയ്ത സ്മാർട്ട് ഫോണുകളുമായി ഫിസിക്കല് ഡംപ് എന്നിവയുടെ കാര്യത്തിൽ. © 2015 രചയിതാക്കൾ ഡി.എഫ്.ആർ.ഡബ്ല്യു.എസ്. യുടെ പേരിൽ എല് സിവിയര് ലിമിറ്റഡ് പ്രസിദ്ധീകരിച്ചു. CCBY-NC-ND ലൈസൻസിനു കീഴിലുള്ള ഒരു തുറന്ന ആക്സസ് ലേഖനമാണിത് (http://creativecommons.org/licenses/by-nc-nd/4.0/). |
34f3955cb11db849789f7fbc78eb3cb347dd573d | |
4ef973984a8ea481edf74e0d2074e19d0389e76b | ഒറ്റ ഗ്രേ സ്കെയിൽ ഇമേജുകളിൽ അജ്ഞാത കാഴ്ചപ്പാടുകളിൽ നിന്നുള്ള ത്രിമാന വസ്തുക്കളെ തിരിച്ചറിയാൻ കഴിയുന്ന ഒരു കമ്പ്യൂട്ടർ വിഷൻ സിസ്റ്റം നടപ്പിലാക്കിയിട്ടുണ്ട്. മറ്റ് മിക്ക സമീപനങ്ങളെയും പോലെ, വിഷ്വൽ ഇൻപുട്ടിൽ നിന്ന് അടിയിൽ നിന്ന് മുകളിലേക്ക് ആഴത്തിലുള്ള വിവരങ്ങൾ പുനർനിർമ്മിക്കാനുള്ള ശ്രമമില്ലാതെ തന്നെ തിരിച്ചറിയൽ നേടുന്നു. പകരം, ത്രിമാന വസ്തുക്കളുടെ ദ്വിമാന ചിത്രവും അറിവും തമ്മിലുള്ള വിടവ് നികത്താൻ കഴിയുന്ന മറ്റ് മൂന്ന് സംവിധാനങ്ങൾ ഉപയോഗിക്കുന്നു. ഒന്നാമതായി, ഒരു കൂട്ടം കാഴ്ചപ്പാടുകളിൽ മാറ്റമില്ലാത്തതായിരിക്കാനുള്ള സാധ്യതയുള്ള ചിത്രത്തിലെ ഗ്രൂപ്പുകളും ഘടനകളും രൂപപ്പെടുത്തുന്നതിന് ഒരു ധാരണാ സംഘടനയുടെ പ്രക്രിയ ഉപയോഗിക്കുന്നു. രണ്ടാമതായി, മോഡൽ അടിസ്ഥാനമാക്കിയുള്ള പൊരുത്തപ്പെടുത്തലിനിടെ തിരയൽ സ്ഥലത്തിന്റെ വലുപ്പം കുറയ്ക്കുന്നതിന് ഒരു പ്രോബബിലിസ്റ്റിക് റാങ്കിംഗ് രീതി ഉപയോഗിക്കുന്നു. അവസാനമായി, സ്പേഷ്യൽ കറസ്പോണ്ടൻസി പ്രക്രിയ അജ്ഞാത കാഴ്ചപ്പാടുകളും മോഡൽ പാരാമീറ്ററുകളും പരിഹരിക്കുന്നതിലൂടെ ത്രിമാന മോഡലുകളുടെ പ്രൊജക്ഷനുകളെ ചിത്രവുമായി നേരിട്ട് കറസ്പോണ്ടൻസിലേക്ക് കൊണ്ടുവരുന്നു. ഒക്ലൂഷൻ, കാണാതായ ഡാറ്റ എന്നിവയുടെ സാന്നിധ്യത്തിൽ ഉയർന്ന അളവിലുള്ള കരുത്തു നേടാൻ കഴിയും. സമാനമായ സംവിധാനങ്ങളും നിയന്ത്രണങ്ങളും മനുഷ്യ കാഴ്ചയിൽ തിരിച്ചറിയലിന്റെ അടിസ്ഥാനം സൃഷ്ടിക്കുന്നുവെന്നാണ് വാദിക്കുന്നത്. ഈ പ്രബന്ധം ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ്, 31, 3 (മാർച്ച് 1987) എന്ന മാസികയിൽ പ്രസിദ്ധീകരിച്ചു. 355-395 വരെ. |
37de340b2a26a94a0e1db02a155cacb33c10c746 | 150 മെഗാഹെർട്സ് മുതൽ 2000 മെഗാഹെർട്സ് വരെയുള്ള -6 ഡിബി ബാൻഡ്വിഡ്ത്ത് ഉള്ള ഒരു വിവാൾഡി ഫ്ലെക്സിബിൾ ആന്റിന അവതരിപ്പിക്കുന്നു. 6060 cm2 സിലിക്കൺ സബ്സ്ട്രേറ്റിലാണ് ആന്റിന നിർമ്മിച്ചിരിക്കുന്നത്. ഈ ലേഖനത്തിൽ, ഈ വൈഡ് ബാൻഡ് ആൻഡ് ഡയറക്ട് ആന്റിനയുടെ രൂപകൽപ്പനയും നിർമ്മാണവും പ്രകടനവും ഞങ്ങൾ അവതരിപ്പിക്കുന്നു. നിർദ്ദിഷ്ട ഘടന ഭാരം കുറഞ്ഞതും നടപ്പിലാക്കാൻ എളുപ്പവുമാണ്. ഹീലിയം വാതക ബലൂണില് നിന്ന് സിഗ്നല് സ്രോതസ്സില് നിന്നുള്ള വികിരണം റേഡിയോ-ലൊക്കേഷന് ആണ് ലക്ഷ്യമിട്ട പ്രയോഗം. ബലൂണിന്റെ അടിഭാഗത്ത് ആറ് ആന്റിനകൾ ഘടിപ്പിച്ചിരിക്കുന്നു. ബലൂണിന്റെ സ്ഥിരത ഉറപ്പിക്കുന്ന ഒരു കേബിൾ ഉപയോഗിച്ച് വിവരങ്ങൾ വീണ്ടെടുക്കുന്നു. |
407cf7a598d69c7802d16ada79d25e3c59275c9b | ഇന്റർനെറ്റ് ഓഫ് തിംഗ്സ് (ഐഒടി) അല്ലെങ്കിൽ സൈബർ ഫിസിക്കൽ സിസ്റ്റം (സിപിഎസ്) എന്നിവയുടെ ഒരു പ്രധാന ഭാഗമായി വലിയ തോതിലുള്ള വയർലെസ് സെൻസർ നെറ്റ്വർക്ക് (ഡബ്ല്യുഎസ്എൻ) ഇന്റർനെറ്റുമായി പൂർണ്ണമായും സംയോജിപ്പിക്കേണ്ടതിനാൽ, ക്ഷുദ്രകരമായ ആക്രമണങ്ങളെ കണ്ടെത്തൽ പോലുള്ള ഐഒടി / സിപിഎസുമായി ബന്ധപ്പെട്ട വിവിധ സുരക്ഷാ വെല്ലുവിളികൾ പരിഗണിക്കേണ്ടത് ആവശ്യമാണ്. സെൻസറുകള് അല്ലെങ്കില് സെന് സറുകള് ഘടിപ്പിച്ചിരിക്കുന്ന വസ്തുക്കളും 6 ലോവ്പാന് പ്രോട്ടോക്കോൾ ഉപയോഗിച്ച് പരസ്പരം നേരിട്ടുള്ള ആശയവിനിമയം സ്ഥാപിച്ചേക്കാം. ക്ഷുദ്രകരമായ നോഡ് ആക്രമണങ്ങളിൽ നിന്ന് ഐഒടി / സിപിഎസിലെ വലിയ വിതരണ സെൻസർ നെറ്റ്വർക്കുകൾ സംരക്ഷിക്കുന്നതിനുള്ള ഒരു പ്രധാന സമീപനമായി വിശ്വാസ്യതയും പ്രശസ്തിയും മോഡൽ അംഗീകരിക്കപ്പെടുന്നു, കാരണം വിശ്വാസ്യത സ്ഥാപന സംവിധാനങ്ങൾ വിതരണ കമ്പ്യൂട്ടിംഗ്, ആശയവിനിമയ എന്റിറ്റികൾ തമ്മിലുള്ള സഹകരണം ഉത്തേജിപ്പിക്കുകയും വിശ്വസനീയമല്ലാത്ത എന്റിറ്റികളെ കണ്ടെത്തുന്നത് എളുപ്പമാക്കുകയും വിവിധ പ്രോട്ടോക്കോളുകളുടെ തീരുമാനമെടുക്കൽ പ്രക്രിയയെ സഹായിക്കുകയും ചെയ്യുന്നു. ഈ പേപ്പറിൽ, വിശ്വാസ സ്ഥാപന പ്രക്രിയയെക്കുറിച്ചുള്ള ആഴത്തിലുള്ള ധാരണയുടെയും വിശ്വാസ സ്ഥാപന രീതികൾ തമ്മിലുള്ള അളവുകോലായ താരതമ്യത്തിന്റെയും അടിസ്ഥാനത്തിൽ, അവരുടെ പെരുമാറ്റത്തെ അടിസ്ഥാനമാക്കി IoT / CPS നെറ്റ്വർക്കിലെ കാര്യങ്ങളുടെ സഹകരണം നടപ്പിലാക്കുന്നതിനായി TRM-IoT എന്ന വിശ്വാസവും പ്രശസ്തിയും മാതൃക ഞങ്ങൾ അവതരിപ്പിക്കുന്നു. നിർദ്ദിഷ്ട മോഡലിന്റെ കൃത്യത, കരുത്ത്, ഭാരം എന്നിവയെല്ലാം വിശാലമായ സിമുലേഷനുകളിലൂടെ പരിശോധിച്ചുറപ്പിക്കപ്പെടുന്നു. |
e11f9ca6e574c779bdf0a868c368e5b1567a1517 | കൃത്രിമബുദ്ധി നേടുന്നതിനുള്ള ഒരു പ്രധാന ദിശയായി പഠിക്കാൻ പഠിക്കുന്നത് ഉയർന്നുവന്നിട്ടുണ്ട്. വലിയ പ്രശ്നങ്ങളിലേക്ക് വ്യാപിപ്പിക്കാനുള്ള കഴിവില്ലായ്മയും പുതിയ ജോലികളിലേക്ക് പൊതുവായവയാക്കാനുള്ള പരിമിതമായ കഴിവും ആണ് അതിന്റെ ദത്തെടുക്കലിനുള്ള രണ്ട് പ്രധാന തടസ്സങ്ങൾ. പുതിയ ജോലികളിലേക്ക് നന്നായി പൊതുവാക്കുന്ന ഒരു പഠിച്ച ഗ്രേഡിയന്റ് ഡെസന്റ് ഒപ്റ്റിമൈസറാണ് ഞങ്ങൾ അവതരിപ്പിക്കുന്നത്, കൂടാതെ ഇത് മെമ്മറിയും കമ്പ്യൂട്ടിംഗ് ഓവർഹെഡും ഗണ്യമായി കുറച്ചിട്ടുണ്ട്. പരമാവധി പരാമീറ്റർ ഓവർഹെഡ് ഉള്ള, അറിയപ്പെടുന്ന ഒപ്റ്റിമൈസേഷൻ ടാസ്ക്കുകളുടെ ഘടനയെ പ്രതിഫലിപ്പിക്കുന്ന അധിക ആർക്കിടെക്ചറൽ സവിശേഷതകൾ ഉപയോഗിച്ച് വർദ്ധിപ്പിച്ചുകൊണ്ട് ഒരു പുതിയ ശ്രേണി ആർഎൻഎൻ ആർക്കിടെക്ചർ അവതരിപ്പിച്ചുകൊണ്ട് ഞങ്ങൾ ഇത് നേടുന്നു. നഷ്ടം സംഭവിക്കുന്ന സാഹചര്യങ്ങളുടെ പൊതുവായ സ്വഭാവങ്ങളെ ഉൾക്കൊള്ളുന്ന ചെറുതും വൈവിധ്യപൂർണ്ണവുമായ ഒപ്റ്റിമൈസേഷൻ ജോലികളുടെ ഒരു മെറ്റാ ട്രെയിനിംഗ് കൂട്ടം കൂടി ഞങ്ങൾ വികസിപ്പിക്കുന്നു. ഈ കോർപസിലെ പ്രശ്നങ്ങളിൽ RMSProp/ADAM നെ മറികടക്കാൻ ഒപ്റ്റിമൈസർ പഠിക്കുന്നു. പ്രധാനമായും, ചെറിയ കൺവൊലൂഷണൽ ന്യൂറൽ നെറ്റ്വർക്കുകളിൽ പ്രയോഗിക്കുമ്പോൾ ഇത് താരതമ്യപ്പെടുത്താവുന്നതോ മികച്ചതോ ആണ്, അതിന്റെ മെറ്റാ-ട്രെയിനിംഗ് സെറ്റിൽ ന്യൂറൽ നെറ്റ്വർക്കുകൾ കാണുന്നില്ലെങ്കിലും. അവസാനമായി, ആയിരക്കണക്കിന് ഘട്ടങ്ങളിലൂടെ ഇമേജ്നെറ്റ് ഡാറ്റാസെറ്റിലെ ഇൻസെപ്ഷൻ വി 3, റെസ്നെറ്റ് വി 2 ആർക്കിടെക്ചറുകൾ പരിശീലിപ്പിക്കുന്നതിന് ഇത് പൊതുവാക്കുന്നു, ഇത് പരിശീലിപ്പിച്ചതിനേക്കാൾ വളരെ വ്യത്യസ്തമായ സ്കെയിലിലുള്ള ഒപ്റ്റിമൈസേഷൻ പ്രശ്നങ്ങൾ. മെറ്റാ ട്രെയിനിംഗ് അൽഗോരിതം ഒരു ഓപ്പൺ സോഴ്സ് നടപ്പിലാക്കൽ ഞങ്ങൾ പുറത്തിറക്കുന്നു. |
0458cec30079a53a2b7726a14f5dd826b9b39bfd | റോബോട്ടുകള് മനുഷ്യരുമായി സഹകരിക്കാന് തുടങ്ങുമ്പോള് , അവര് ക്ക് ഉപകരണങ്ങളുടെയും അവയുടെ ഭാഗങ്ങളുടെയും പ്രവർത്തനം മനസ്സിലാക്കേണ്ടതുണ്ട്. ആപ്പിള് മുറിക്കാനോ നഖം മുറിക്കാനോ, റോബോട്ടുകൾക്ക് ഉപകരണത്തിന്റെ പേര് അറിയുക മാത്രമല്ല, ഉപകരണത്തിന്റെ ഭാഗങ്ങൾ കണ്ടെത്തുകയും അവയുടെ പ്രവർത്തനം തിരിച്ചറിയുകയും വേണം. ഒരു ഭാഗത്തിന്റെ ജ്യാമിതീയത അതിന്റെ സാധ്യമായ പ്രവർത്തനങ്ങളുമായോ അതിന്റെ താങ്ങാനാവുന്ന കാര്യങ്ങളുമായോ അടുത്ത ബന്ധമുള്ളതാണ്. അതിനാൽ, പ്രാദേശിക ആകൃതിയും ജ്യാമിതീയ പ്രിമിറ്റീവുകളും ഉപയോഗിച്ച് പഠനത്തിനുള്ള രണ്ട് സമീപനങ്ങൾ ഞങ്ങൾ നിർദ്ദേശിക്കുന്നുഃ 1) സൂപ്പർ പിക്സൽ അടിസ്ഥാനമാക്കിയുള്ള ശ്രേണിവർഗ്ഗ പൊരുത്തപ്പെടുത്തൽ പിന്തുടരൽ (എസ്-എച്ച്എംപി); 2) ഘടനാപരമായ റാൻഡം ഫോറസ്റ്റുകൾ (എസ്ആർഎഫ്). ഒരു ഭാഗം പലവിധത്തിൽ ഉപയോഗിക്കാന് സാധിക്കുന്നതുകൊണ്ട്, ഒരു വലിയ RGB-ഡീപ്ത് ഡേറ്റാസെറ്റ് അവതരിപ്പിക്കുന്നു, അവിടെ ഉപകരണ ഭാഗങ്ങളെ ഒന്നിലധികം അഫോർഡൻസുകളും അവയുടെ ആപേക്ഷിക റാങ്കിംഗും ഉപയോഗിച്ച് ലേബൽ ചെയ്തിരിക്കുന്നു. റാങ്കിംഗ് അനുപാതങ്ങൾ ഉപയോഗിച്ച്, നിർദ്ദിഷ്ട രീതികൾ 3 അലങ്കോലപ്പെട്ട രംഗങ്ങളിലും 105 ലധികം അടുക്കള, വർക്ക്ഷോപ്പ്, പൂന്തോട്ട ഉപകരണങ്ങളിലും ഞങ്ങൾ വിലയിരുത്തുന്നു, റാങ്കിംഗ് അനുപാതവും ഭാരം കൂടിയ എഫ്-മെഷർ സ്കോറും ഉപയോഗിച്ച് [26]. ക്ലോട്ടർ, ഒക് ലൂഷൻ, കാഴ്ചപ്പാടിലെ മാറ്റങ്ങൾ എന്നിവ അടങ്ങിയ ശ്രേണികളിലെ പരീക്ഷണ ഫലങ്ങൾ, സമീപനങ്ങൾ ഒരു റോബോട്ട് ഉപയോഗിക്കാൻ കഴിയുന്ന കൃത്യമായ പ്രവചനങ്ങൾ നൽകുന്നുവെന്ന് കാണിക്കുന്നു. എസ്-എച്ച്എംപി ഉയർന്ന കൃത്യത കൈവരിക്കുന്നു, പക്ഷേ ഗണ്യമായ കമ്പ്യൂട്ടേഷണൽ ചെലവിൽ, എസ്ആർഎഫ് അല്പം കൃത്യത കുറഞ്ഞ പ്രവചനങ്ങൾ നൽകുന്നു, പക്ഷേ തത്സമയം. അവസാനമായി, ഗ്രഹിക്കാവുന്ന പ്രദേശങ്ങൾ കണ്ടെത്തുന്നതിനായി കോർണൽ ഗ്രാപ്പിംഗ് ഡാറ്റാസെറ്റിൽ [25] ഞങ്ങളുടെ സമീപനങ്ങളുടെ ഫലപ്രാപ്തി ഞങ്ങൾ സാധൂകരിക്കുന്നു, ഒപ്പം ഏറ്റവും പുതിയ പ്രകടനം നേടുകയും ചെയ്യുന്നു. |
e0398ab99daa5236720cd1d91e5b150985aac4f3 | ഭക്ഷണത്തിന്റെ ദൈനംദിന അളവ് രേഖപ്പെടുത്തുന്ന ഒരു ഭക്ഷണ വിലയിരുത്തൽ സംവിധാനം ഞങ്ങൾ വികസിപ്പിച്ചുകൊണ്ടിരിക്കുകയാണ്. ഭക്ഷണം കഴിക്കുമ്പോൾ എടുത്ത ഭക്ഷണ ചിത്രങ്ങൾ ഉപയോഗിച്ച്. ഭക്ഷണത്തിലെ പോഷകങ്ങളുടെ അളവ് കണ്ടെത്താനായി ഭക്ഷണ ചിത്രങ്ങൾ വിശകലനം ചെയ്യുന്നു. ഒരു പ്രത്യേക ഭക്ഷ്യവസ്തു എവിടെയാണെന്ന് കണ്ടെത്തുന്നതിനും (ഇമേജ് സെഗ്മെന്റേഷൻ), ഭക്ഷ്യവസ്തുക്കളുടെ തരം തിരിച്ചറിയുന്നതിനും (പ്രത്യേകതകളുടെ വർഗ്ഗീകരണം), ഭക്ഷ്യവസ്തുക്കളുടെ ഭാരം കണക്കാക്കുന്നതിനും (ഭാരം കണക്കാക്കൽ) ഉപയോഗിക്കുന്ന ചിത്ര വിശകലന ഉപകരണങ്ങളെക്കുറിച്ച് ഈ ലേഖനത്തിൽ നാം വിവരിക്കുന്നു. ഭക്ഷ്യവിഭജനത്തിന്റെയും തിരിച്ചറിയലിന്റെയും കൃത്യത മെച്ചപ്പെടുത്തുന്നതിനായി ഒരു ഇമേജ് സെഗ്മെന്റേഷനും ക്ലാസിഫിക്കേഷനും സംവിധാനം നിർദ്ദേശിക്കപ്പെടുന്നു. അതിനുശേഷം, ഒരു ചിത്രത്തിൽ നിന്ന് പോഷകങ്ങളുടെ അളവ് കണ്ടെത്താനായി, സാധാരണ ആകൃതിയിലുള്ള ഭക്ഷണങ്ങളുടെ ആകൃതി ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് ഭക്ഷണത്തിന്റെ ഭാരം കണക്കാക്കുകയും, അനിയന്ത്രിതമായ ആകൃതിയിലുള്ള ഭക്ഷണങ്ങളുടെ ഭാരം പ്രദേശത്തെ അടിസ്ഥാനമാക്കി കണക്കാക്കുകയും ചെയ്യുന്നു. |
ab2a41722ee1f2b26575080238ba25f7173a6ae2 | 35 ജിഗാഹെർട്സ് എന്ന നിരക്കിൽ 2.24 വാട്ട് പവർ ആംപ്ലിഫയർ (പിഎ) മൊഡ്യൂൾ ബ്രോഡ്ബാൻഡ് സ്പേഷ്യൽ പവർ കോമ്പിനേഷൻ സിസ്റ്റം ഉപയോഗിച്ച് അവതരിപ്പിക്കുന്നു. ക-ബാൻഡ് വേവ്ഗൈഡ് ഘടനയിൽ പരിമിതമായ മൈക്രോസ്ട്രിപ്പ് സ്ഥലത്ത് സ്റ്റെഗർ പ്ലെയ്സ്മെന്റ് ഘടനയുള്ള കൂടുതൽ മോണോലിത്തിക് മൈക്രോവേവ് ഇന്റഗ്രേറ്റഡ് സർക്യൂട്ട് (എംഎംഐസി) പിഎയെ കോമ്പിനേറ്റർ ഉൾക്കൊള്ളാൻ കഴിയും, നല്ല റിട്ടേൺ നഷ്ടങ്ങളോടെ, ചൂട് അലുമിനിയം കാരിയറിലേക്ക് വേഗത്തിൽ വിതറാൻ കഴിയും. ഈ കോമ്പിനേറ്റർ ഒരു സ്ലോട്ട്ലൈൻ-ടു-മൈക്രോസ്ട്രിപ്പ് ട്രാൻസിഷൻ ഘടനയെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്, ഇത് ഒരു നാല്-വേ പവർ കോമ്പിനേറ്ററായി പ്രവർത്തിക്കുന്നു. വേവ് ഗൈഡിനുള്ളില് ലംബമായി കൂട്ടിയിടിച്ചുകൊണ്ട് 2*2 സംയോജിത ഘടന നിർദ്ദേശിച്ചിരിക്കുന്നത് ഫിനിറ്റ് എലമെന്റ് രീതിയിലുള്ള (FEM) സിമുലേഷനുകളും പരീക്ഷണങ്ങളും ഉപയോഗിച്ച് വിശകലനം ചെയ്യുകയും ഒപ്റ്റിമൈസ് ചെയ്യുകയും ചെയ്തു. |
fa9c7e3c6d55175de25bea79ba66ef91607f3920 | ഉയർന്ന പവർ സോളിഡ് സ്റ്റേറ്റ് പവർ ആംപ്ലിഫയറുകൾക്ക് വൈദ്യുതി നഷ്ടം കഴിയുന്നത്ര കുറയ്ക്കുന്നതിന് ഉയർന്ന ദക്ഷതയുള്ള പവർ ഡിവിഡിംഗ് / കോമ്പിനേഷൻ ഘടന ആവശ്യമാണ്. ഡിവിഡറുടെയും കോമ്പിനറുടെയും താപം മുങ്ങുന്ന ശേഷി അതിന്റെ പരമാവധി ഔട്ട്പുട്ട് പവർ പരിമിതപ്പെടുത്തുന്നു. ഈ ലേഖനത്തിൽ, ഞങ്ങൾ ഒരു പുതിയ 8-വേ Ku ബാൻഡ് പവർ ഡിവിഡർ / കോമ്പിനർ സിസ്റ്റം അവതരിപ്പിക്കുന്നു, ഇത് കുറഞ്ഞ നഷ്ടം, ബ്രോഡ്ബാൻഡ്, നല്ല ചൂട് സിങ്കിംഗ് ശേഷി എന്നിവ ഒരേസമയം പ്രദർശിപ്പിക്കുന്നു. ഇതിന്റെ ഉപഘടകങ്ങളായി, തരംഗഗദർശിയിൽ നിന്ന് മൈക്രോസ്ട്രിപ്പ് പരിവർത്തനത്തിനുള്ള കുറഞ്ഞ നഷ്ടം അന്വേഷണങ്ങളും കുറഞ്ഞ നഷ്ടം ബ്രോഡ്ബാൻഡ് 1-ടു -2 പവർ കോമ്പിനേറ്ററുകളും രൂപകൽപ്പന ചെയ്യുകയും നിർമ്മിക്കുകയും ചെയ്യുന്നു. എട്ട് വശങ്ങളുള്ള പവർ കോമ്പിനറിലെ പിൻഭാഗം പിൻഭാഗത്തേക്ക് ചേർക്കുന്നതിനുള്ള നഷ്ടം മുഴുവൻ Ku ബാൻഡിലും 0.5dB- ൽ കുറവാണ്, കൂടാതെ അതിനനുസരിച്ച് സംയോജിപ്പിക്കുന്ന കാര്യക്ഷമത 94.5% വരെ ഉയർന്നതാണ്. സിസ്റ്റത്തിന്റെ അനുകരിച്ച താപ പ്രതിരോധം 0.21°C/W വരെ കുറവാണ്, ഇത് സൂചിപ്പിക്കുന്നത് വാണിജ്യപരമായി ലഭ്യമായ മോണോലിത്തിക് മൈക്രോവേവ് ഇന്റഗ്രേറ്റഡ് സർക്യൂട്ടുകൾ (MMICs) ഉപയോഗിച്ച് 50W CW ഔട്ട്പുട്ട് പവർ ഉൽപാദിപ്പിക്കാൻ നിർദ്ദിഷ്ട പവർ കോമ്പിനേറ്ററിന് കഴിയും എന്നാണ്. |
c5695d4104e245ad54d3fe8e4ad33e65970c2d6a | ഈ പ്രബന്ധത്തിൽ എഡി 5933 സർക്യൂട്ട് അടിസ്ഥാനമാക്കിയുള്ള പ്രതിരോധശേഷി അളക്കുന്നതിനുള്ള ഒരു സംവിധാനം അവതരിപ്പിക്കുന്നു. 1 kHz ÷ 100 kHz ആവൃത്തി പരിധിക്കുള്ളില് 9 Ω നും 18 MΩ നും ഇടയിലുള്ളതാണ് പ്രതിരോധശേഷി അളക്കാനുള്ള പരിധി. ഈ അളവുകോലുകളുടെ വ്യാപ്തി കൂട്ടാനുള്ള സാധ്യതകളും ഈ പ്രബന്ധത്തിൽ അവതരിപ്പിച്ചിട്ടുണ്ട്. സിസ്റ്റം കാലിബ്രേഷൻ ഓട്ടോമാറ്റിക് ആണ്, കൂടാതെ ഇംപെഡൻസി മോഡ്യൂൾ അളക്കലിന്റെ ആപേക്ഷിക പിശക് ± 2% പരിധിയിലാണ്. അളക്കപ്പെട്ട ഇംപെഡൻസി പ്രധാന പരാമീറ്ററുകൾ ഒരു ഒഎൽഇഡി ഡിസ്പ്ലേയിൽ പ്രാദേശികമായി കാണിക്കുന്നു, പക്ഷേ കൂടുതൽ പ്രോസസ്സിംഗിനായി ഒരു എസ്ഡി മെമ്മറി കാർഡിൽ സംഭരിക്കാനും കഴിയും. ഈ സംവിധാനം പോർട്ടബിൾ ആണ്, മൊഡുലര് ആണ്, കൂടാതെ ധാരാളം പ്രയോഗങ്ങളുമായി പൊരുത്തപ്പെടാനും കഴിയും. |
1df5051913989b441e7df2ddc00aa8c3ab5960d0 | മൊബൈല് ഉപകരണങ്ങള് കഴിഞ്ഞ കുറച്ച് വർഷങ്ങളായി ഏറ്റവും വിപ്ലവകരമായ സാങ്കേതികവിദ്യകളില് ഒന്നാണ്, അവ കൂടുതൽ വ്യാപകമാവുകയും ജനങ്ങളുടെ വിശാലമായ വിഭാഗങ്ങളുടെ ദൈനംദിന ജീവിതത്തിൽ വിജയം നേടുകയും ചെയ്യുന്നു. ദൌർഭാഗ്യവശാല് , കുറ്റകൃത്യങ്ങളില് ഏര് പ്പെട്ടിരിക്കുന്ന മൊബൈല് ഉപകരണങ്ങളുടെ എണ്ണം പ്രസക്തവും വളരുന്നതുമാണെങ്കിലും, അത്തരം ഉപകരണങ്ങളുടെ ഫോറന് സിക് വിശകലനം നടത്താനുള്ള കഴിവ് സാങ്കേതികവും രീതിശാസ്ത്രപരവുമായ പ്രശ്നങ്ങളാല് പരിമിതപ്പെടുത്തിയിരിക്കുന്നു. ഈ ലേഖനത്തിൽ, മൊബൈൽ ഉപകരണങ്ങളിൽ പ്രയോഗിക്കുന്ന ആന്റി ഫോറൻസിക് ടെക്നിക്കുകളിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു, ആൻഡ്രോയിഡ് ഉപകരണങ്ങളിൽ അത്തരം ടെക്നിക്കുകളുടെ പൂർണ്ണമായും യാന്ത്രികമായ ചില ഉദാഹരണങ്ങൾ അവതരിപ്പിക്കുന്നു. കൂടാതെ, അത്തരം സാങ്കേതിക വിദ്യകളുടെ ഫലപ്രാപ്തിയും ഉപകരണത്തിന്റെയും ചില ഏറ്റെടുക്കൽ ഉപകരണങ്ങളുടെയും ഫ്ലൂറസിയർ പരിശോധനയുമായി താരതമ്യം ചെയ്തു. 2010 ലെ ഡിജിറ്റൽ ഫോറൻസിക് റിസർച്ച് വർക്ക്ഷോപ്പ്. എല്ലാ അവകാശങ്ങളും നിക്ഷിപ്തം. |
93083f4225ea62b3733a76fc64f9991ed5fd6878 | അടുത്ത ബന്ധമുള്ള ഭാഷകളെ വേർതിരിക്കുന്നതിനുള്ള വാര് ഡയല് 4 പങ്കിട്ട ദൗത്യത്തില് ഞങ്ങള് പങ്കെടുത്തതിന്റെ ഫലങ്ങള് ഇവിടെ അവതരിപ്പിക്കുന്നു. നമ്മുടെ സമർപ്പണത്തില് ലളിതമായ പരമ്പരാഗത മാതൃകകള് ഉൾപ്പെടുന്നു. പ്രധാന ആശയം ഭാഷാ ഗ്രൂപ്പുകളെ കുറിച്ചുള്ള വിവരങ്ങൾ ഉപയോഗപ്പെടുത്തുക എന്നതായിരുന്നു. പരമ്പരാഗത മാതൃകയില് രണ്ടു പാളികളുള്ള സമീപനവും ന്യൂറല് നെറ്റ് വര് ക്ക് യില് ഒരു മൾട്ടി ടാസ്ക് ലക്ഷ്യവും ഉപയോഗിച്ചാണ് ഞങ്ങള് അത് ചെയ്തത്. നമ്മുടെ ഫലങ്ങള് നേരത്തെ കണ്ടുപിടിച്ചവയെ സ്ഥിരീകരിക്കുന്നു: ലളിതമായ പരമ്പരാഗത മാതൃകകള് ഈ ചുമതലയ്ക്കായി ന്യൂറല് നെറ്റ്വര്ക്കുകളെ സ്ഥിരമായി മറികടക്കുന്നു, കുറഞ്ഞത് നമുക്ക് ലഭ്യമായ സമയത്തില് പരിശോധിക്കാന് കഴിയുന്ന സിസ്റ്റങ്ങളുടെ എണ്ണം കണക്കിലെടുക്കുന്നു. നമ്മുടെ ഇരട്ട പാളി ലീനിയർ എസ്വിഎം പങ്കിട്ട ചുമതലയിൽ രണ്ടാം സ്ഥാനത്താണ്. |
4fa0d9c4c3d17458085ee255b7a4b7c325d59e32 | ഡെബ്പീഡിയ കമ്മ്യൂണിറ്റി പ്രോജക്ട് വിക്കിപീഡിയയിൽ നിന്ന് ഘടനാപരമായ, ബഹുഭാഷാ അറിവ് എക്സ്ട്രാക്റ്റ് ചെയ്യുകയും സെമാന്റിക് വെബ്, ലിങ്ക്ഡ് ഡാറ്റ സാങ്കേതികവിദ്യകൾ ഉപയോഗിച്ച് വെബിൽ സ്വതന്ത്രമായി ലഭ്യമാക്കുകയും ചെയ്യുന്നു. വിക്കിപീഡിയയുടെ 111 ഭാഷാ പതിപ്പുകളിൽ നിന്നുള്ള അറിവാണ് ഈ പദ്ധതിയിൽ ഉൾപ്പെടുത്തിയിരിക്കുന്നത്. വിക്കിപീഡിയയുടെ ഇംഗ്ലീഷ് പതിപ്പിൽ നിന്നും എക്സ്ട്രാക്റ്റ് ചെയ്ത ഏറ്റവും വലിയ ഡിബിപീഡിയ വിജ്ഞാന അടിത്തറയിൽ 3.7 ദശലക്ഷം കാര്യങ്ങളെ വിവരിക്കുന്ന 400 ദശലക്ഷത്തിലധികം വസ്തുതകൾ അടങ്ങിയിരിക്കുന്നു. മറ്റു 110 വിക്കിപീഡിയ പതിപ്പുകളിൽ നിന്നും എക്സ്ട്രാക്റ്റ് ചെയ്ത ഡബ്ല്യുപിപീഡിയ വിജ്ഞാന അടിസ്ഥാനത്തിൽ 1.46 ബില്യൺ വസ്തുതകൾ അടങ്ങിയിരിക്കുന്നു. കൂടാതെ 10 ദശലക്ഷം അധിക കാര്യങ്ങൾ വിവരിക്കുന്നു. ഡിബിപീഡിയ പദ്ധതി വിക്കിപീഡിയ ഇൻഫോബോക്സുകളെ 27 വ്യത്യസ്ത ഭാഷാ പതിപ്പുകളിൽ നിന്ന് 320 ക്ലാസുകളും 1,650 പ്രോപ്പർട്ടികളും അടങ്ങിയ ഒരൊറ്റ പങ്കിട്ട ഓൺടോളജിയിലേക്ക് മാപ്പുചെയ്യുന്നു. ലോകമെമ്പാടുമുള്ള ഒരു കൂട്ടായ്മയിലൂടെയാണ് മാപ്പിംഗ് സൃഷ്ടിക്കപ്പെട്ടത്. വ്യത്യസ്ത വിക്കിപീഡിയ പതിപ്പുകളിൽ നിന്നുള്ള അറിവ് സംയോജിപ്പിക്കാൻ ഇത് സഹായിക്കുന്നു. ഡബ്ല്യു.ബി.പീഡിയയുടെ എല്ലാ വിജ്ഞാന അടിസ്ഥാനങ്ങളുടെയും പതിപ്പുകൾ ഡൌൺലോഡ് ചെയ്യാനായി പ്രസിദ്ധീകരിക്കുകയും പ്രാദേശിക ഡബ്ല്യു.ബി.പീഡിയ അധ്യായങ്ങളുടെ ആഗോള ശൃംഖലയിലൂടെ 111 ഭാഷാ പതിപ്പുകളിൽ 14 എണ്ണത്തിൽ സ്പാർക്ക് ക്വറി ആക്സസ് നൽകുകയും ചെയ്യുന്നു. പതിവ് റിലീസുകൾക്ക് പുറമേ, വിക്കിപീഡിയയിലെ ഒരു പേജ് മാറുമ്പോഴെല്ലാം അപ്ഡേറ്റ് ചെയ്യുന്ന ഒരു തത്സമയ വിജ്ഞാന അടിത്തറയും പദ്ധതി പരിപാലിക്കുന്നു. DBpedia 27 മില്യൺ RDF ലിങ്കുകൾ സജ്ജീകരിക്കുന്നു, അവ 30 ലധികം ബാഹ്യ ഡാറ്റാ സ്രോതസ്സുകളിലേക്ക് പോയിന്റ് ചെയ്യുന്നു, അങ്ങനെ ഈ സ്രോതസ്സുകളിൽ നിന്നുള്ള ഡാറ്റ DBpedia ഡാറ്റയുമായി ഉപയോഗിക്കാൻ കഴിയും. നൂറുകണക്കിന് ഡാറ്റ സെറ്റുകൾ വെബ്ബിൽ ഡെബ്പീഡിയയിലേക്ക് പോയിന്റുചെയ്യുന്ന ആർഡിഎഫ് ലിങ്കുകൾ പ്രസിദ്ധീകരിക്കുന്നു, ഇത് ഡെബ്പീഡിയയെ ലിങ്കഡ് ഓപ്പൺ ഡാറ്റ (എൽഒഡി) ക്ലൌഡിലെ കേന്ദ്ര പരസ്പര ബന്ധിത ഹബ്ബുകളിലൊന്നായി മാറ്റുന്നു. ഈ സിസ്റ്റം റിപ്പോർട്ടിൽ, ഡിബിപീഡിയ കമ്മ്യൂണിറ്റി പ്രോജക്റ്റിന്റെ ഒരു അവലോകനം ഞങ്ങൾ നൽകുന്നു, അതിന്റെ വാസ്തുവിദ്യ, സാങ്കേതിക നടപ്പാക്കൽ, പരിപാലനം, അന്താരാഷ്ട്രവൽക്കരണം, ഉപയോഗ സ്ഥിതിവിവരക്കണക്കുകൾ, ആപ്ലിക്കേഷനുകൾ എന്നിവ ഉൾപ്പെടെ. |
1c2dbbc5268eff6c78f581b8fc7c649d40b60538 | സ്പാർക്ലിന്റെ അന്തിമ പോയിന്റുകൾ വഴി സ്വതന്ത്രമായി ആക്സസ് ചെയ്യാൻ കഴിയുന്ന വലിയ വിജ്ഞാന അടിത്തറകളുടെ (ഡിബിപീഡിയ പോലുള്ളവ) ഉയർച്ച സെമാന്റിക് വെബ് അടുത്തിടെ കണ്ടു. വിവരങ്ങളുടെ ഘടനാപരമായ പ്രാതിനിധ്യം, ആക്സസ് ചെയ്യാനും അന്വേഷിക്കാനും പുതിയ സാധ്യതകൾ തുറക്കുന്നു. ഈ ലേഖനത്തിൽ, രണ്ടു വസ്തുക്കളുടെ ബന്ധം ഉൾക്കൊള്ളുന്ന ഒരു ഗ്രാഫ് എക്സ്ട്രാക്റ്റ് ചെയ്യുന്ന ഒരു സമീപനം ഞങ്ങൾ അവതരിപ്പിക്കുന്നു. ഈ ഗ്രാഫിന്റെ ഒരു ഇന്ററാക്റ്റീവ് വിഷ്വലൈസേഷൻ ഞങ്ങൾ കാണിക്കുന്നു, അത് ഹൈലൈറ്റ് ചെയ്യാനും പ്രിവ്യൂ ചെയ്യാനും ഫിൽട്ടർ ചെയ്യാനും ഉള്ള സവിശേഷതകൾ നൽകിക്കൊണ്ട് കണ്ടെത്തിയ ബന്ധങ്ങളുടെ വ്യവസ്ഥാപിത വിശകലനത്തെ പിന്തുണയ്ക്കുന്നു. |
4b9a9fb54b3451e4212e298053f81f0cd49d70a2 | സ്മാർട്ട് ഫോണുകളുടെ പരിണാമവും വർദ്ധിച്ചുവരുന്ന കമ്പ്യൂട്ടറുകളുടെ ശേഷിയും ഡവലപ്പർമാരെ നൂതനമായ സന്ദർഭ ബോധമുള്ള ആപ്ലിക്കേഷനുകൾ സൃഷ്ടിക്കാൻ പ്രാപ്തരാക്കി. ഏത് സാഹചര്യത്തിലും ഏത് സ്ഥലത്തും ഉപയോക്താക്കളുമായി ബന്ധപ്പെട്ട സാമൂഹികവും വൈജ്ഞാനികവുമായ പ്രവർത്തനങ്ങൾ തിരിച്ചറിയുന്നതിന്. മൊബൈൽ ഉപയോക്താക്കളുടെ ചുറ്റുമുള്ള ഭൌതിക സാഹചര്യങ്ങളെക്കുറിച്ചോ സാഹചര്യങ്ങളെക്കുറിച്ചോ ബോധവാന്മാരാകാനുള്ള കഴിവ് നൽകുന്നത് സന്ദർഭത്തിന്റെ നിലനിൽപ്പും അവബോധവുമാണ്. ഈ അറിവിനെ അടിസ്ഥാനമാക്കി നെറ്റ് വർക്ക് സേവനങ്ങള് സജീവമായും ബുദ്ധിപരമായും പ്രതികരിക്കാന് ഇത് സഹായിക്കുന്നു. ഒരു സ്മാർട്ട് നെറ്റ് വർക്ക് സൃഷ്ടിക്കുന്നതിലൂടെ വലിയ തോതിലുള്ള കമ്മ്യൂണിറ്റി ഉപയോഗത്തിനായി പ്രാദേശിക സെൻസറി അറിവ് ശേഖരിക്കാനും വിശകലനം ചെയ്യാനും പങ്കിടാനും ഉപയോക്താക്കളെ പ്രോത്സാഹിപ്പിക്കുക എന്നതാണ് സന്ദർഭ-അവബോധമുള്ള ആപ്ലിക്കേഷനുകളുടെ പിന്നിലെ പ്രധാന ആശയം. പരിസ്ഥിതി വസ്തുക്കളെ പ്രവർത്തിപ്പിക്കുന്നതിനും വ്യക്തികളെ സഹായിക്കുന്നതിനും സ്വയംഭരണാധികാരമുള്ള യുക്തിസഹമായ തീരുമാനങ്ങൾ എടുക്കാൻ ആവശ്യമായ ശൃംഖലയ്ക്ക് കഴിയും. എന്നിരുന്നാലും, നിരവധി വെല്ലുവിളികൾ നിലനിൽക്കുന്നുണ്ട്, കാരണം മൊബൈൽ ഉപകരണങ്ങളിൽ നൽകുന്ന മിഡില് വെയര് സേവനങ്ങള് ക്ക് പരിമിതമായ വിഭവങ്ങളുണ്ട്. അതുകൊണ്ട്, ഈ പ്രശ്നങ്ങളെ എങ്ങനെ വിശദമായി പഠിച്ച് പരിഹരിക്കാമെന്നും, അതേ സമയം ഗവേഷണ സമൂഹത്തിന് ഈ പ്രശ്നങ്ങളെക്കുറിച്ച് ബോധവൽക്കരണം നടത്താനുള്ള അവസരങ്ങളെക്കുറിച്ച് കൂടുതൽ മനസ്സിലാക്കാനും പഠിക്കേണ്ടത് വളരെ പ്രധാനമാണ്. 1991-2014 കാലയളവിലെ സാഹിത്യത്തെക്കുറിച്ച് ഈ ലേഖനം പരിശോധിക്കുന്നു. പുതിയ ആശയങ്ങൾ മുതൽ മൊബൈൽ പ്ലാറ്റ്ഫോമുകളിലെ സന്ദർഭ അവബോധത്തിന്റെ പ്രയോഗങ്ങൾ വരെ, കാലിക ഗവേഷണവും ഭാവി ഗവേഷണ ദിശകളും നൽകുന്നു. ഇതില് വെല്ലുവിളികളെ ചൂണ്ടിക്കാണിക്കുകയും സാധ്യമായ പരിഹാരങ്ങള് നിര് ദ്ദേശിക്കുകയും ചെയ്യുന്നു. |
4c65005c8822c3117bd3c3746e3a9b9e17386328 | |
27208c88f07a1ffe97760c12be08fad3ab68fee2 | പ്രത്യേകിച്ചും, ക്രോസ് മോഡൽ ഫീച്ചർ ലേണിംഗ് ഞങ്ങൾ കാണിക്കുന്നു, അവിടെ ഒരു മോഡലിന് (ഉദാഃ വീഡിയോ) മികച്ച സവിശേഷതകൾ പഠിക്കാൻ കഴിയും, സവിശേഷത പഠന സമയത്ത് ഒന്നിലധികം മോഡലുകൾ (ഉദാഃ ഓഡിയോ, വീഡിയോ) ഉണ്ടെങ്കിൽ. കൂടാതെ, വിവിധ രീതികൾക്കിടയിൽ പങ്കിട്ട പ്രാതിനിധ്യം പഠിക്കുന്നതും ഒരു പ്രത്യേക ചുമതലയിൽ അത് വിലയിരുത്തുന്നതും എങ്ങനെയെന്ന് ഞങ്ങൾ കാണിക്കുന്നു, അവിടെ ക്ലാസിഫയർ ഓഡിയോ ഡാറ്റ ഉപയോഗിച്ച് പരിശീലനം നേടുന്നു, പക്ഷേ വീഡിയോ ഡാറ്റ ഉപയോഗിച്ച് പരീക്ഷിക്കുന്നു, തിരിച്ചും. ഞങ്ങളുടെ രീതികൾ CUAVE, AVLetters ഡാറ്റാ സെറ്റുകളിൽ ഓഡിയോ-വിഷ്വൽ സംഭാഷണ വർഗ്ഗീകരണ ചുമതല ഉപയോഗിച്ച് സാധൂകരിക്കുന്നു, AVLetters- ൽ മികച്ച വിഷ്വൽ സംഭാഷണ വർഗ്ഗീകരണവും ഫലപ്രദമായ മൾട്ടിമോഡൽ ഫ്യൂഷനും പ്രദർശിപ്പിക്കുന്നു. ഒറ്റ രീതിയിലുള്ള (ഉദാഃ ടെക്സ്റ്റ്, ഇമേജുകൾ അല്ലെങ്കിൽ ഓഡിയോ) മേൽനോട്ടമില്ലാത്ത സവിശേഷത പഠനത്തിനായി ആഴത്തിലുള്ള നെറ്റ്വർക്കുകൾ വിജയകരമായി പ്രയോഗിച്ചു. ഈ കൃതിയില് , നാം ആഴത്തിലുള്ള ശൃംഖലകളുടെ ഒരു പുതിയ പ്രയോഗം നിർദ്ദേശിക്കുന്നു. മൾട്ടിമോഡൽ പഠനത്തിനായുള്ള ഒരു കൂട്ടം ജോലികൾ ഞങ്ങൾ അവതരിപ്പിക്കുന്നു, ഈ ജോലികൾ കൈകാര്യം ചെയ്യുന്നതിനായി സവിശേഷതകൾ പഠിക്കുന്ന ഒരു ആഴത്തിലുള്ള നെറ്റ്വർക്ക് എങ്ങനെ പരിശീലിപ്പിക്കാമെന്ന് കാണിക്കുന്നു. |
21c9dd68b908825e2830b206659ae6dd5c5bfc02 | പിക്സൽ ഇമേജുകളിൽ നിന്ന് നോൺ-ലീനിയർ ഡൈനാമിക് സിസ്റ്റങ്ങളുടെ മോഡൽ പഠനത്തിനും നിയന്ത്രണത്തിനുമുള്ള ഒരു രീതിയാണ് ഇംബെഡ് ടു കൺട്രോൾ (E2C). E2C എന്നത് ഒരു ആഴത്തിലുള്ള ജനറേറ്റീവ് മോഡലാണ്, ഇത് വ്യതിയാന ഓട്ടോ എൻകോഡറുകളുടെ കുടുംബത്തിൽ പെടുന്നു, ഇത് ഒരു ലാറ്റൻറ് സ്പേസിൽ നിന്ന് ഇമേജ് ട്രാജെക്ടറികൾ സൃഷ്ടിക്കാൻ പഠിക്കുന്നു, അതിൽ ഡൈനാമിക്സ് പ്രാദേശികമായി രേഖീയമായി പരിമിതപ്പെടുത്തിയിരിക്കുന്നു. നമ്മുടെ മാതൃക ലേറ്റന്റ് സ്പേസിലെ ഒപ്റ്റിമൽ കൺട്രോൾ ഫോർമുലേഷനിൽ നിന്ന് നേരിട്ട് ഉരുത്തിരിഞ്ഞതാണ്, ഇമേജ് സീക്വൻസുകളുടെ ദീർഘകാല പ്രവചനത്തെ പിന്തുണയ്ക്കുന്നു, കൂടാതെ വിവിധതരം സങ്കീർണ്ണമായ നിയന്ത്രണ പ്രശ്നങ്ങളിൽ ശക്തമായ പ്രകടനം പ്രദർശിപ്പിക്കുന്നു. |
39b7007e6f3dd0744833f292f07ed77973503bfd | കൂടുതൽ സങ്കീർണ്ണമായ ജോലികൾ പരിഹരിക്കുന്നതിനായി പരമ്പരാഗത റിൻഫോർസ്മെന്റ് ലേണിംഗ് (ആർഎൽ) രീതികൾ വിപുലീകരിക്കുന്നതിനുള്ള ഒരു വാഗ്ദാനമാണ് ഹൈറാർക്കിക് റെൻഫോർസ്മെന്റ് ലേണിംഗ് (എച്ച്ആർഎൽ). എന്നിരുന്നാലും, നിലവിലുള്ള മിക്ക എച്ച്.ആർ.എൽ. രീതികൾക്കും ശ്രദ്ധാപൂർവ്വം ടാസ്ക്-സ്പെസിഫിക് രൂപകൽപ്പനയും നയ പരിശീലനവും ആവശ്യമാണ്, ഇത് യഥാർത്ഥ ലോക സാഹചര്യങ്ങളിൽ അവ പ്രയോഗിക്കുന്നത് ബുദ്ധിമുട്ടാക്കുന്നു. ഈ പേപ്പറിൽ, സാധാരണ RL അൽഗോരിതംസിനുപുറമെ ഭാരിച്ച അധിക അനുമാനങ്ങൾ വരുത്താത്തതിനാൽ പൊതുവായ HRL അൽഗോരിതംസ് എങ്ങനെ വികസിപ്പിക്കാമെന്ന് ഞങ്ങൾ പഠിക്കുന്നു, കൂടാതെ അവ മിതമായ എണ്ണം ഇടപെടൽ സാമ്പിളുകൾ ഉപയോഗിച്ച് ഉപയോഗിക്കാമെന്ന അർത്ഥത്തിൽ കാര്യക്ഷമമാണ്, റോബോട്ടിക് നിയന്ത്രണം പോലുള്ള യഥാർത്ഥ ലോക പ്രശ്നങ്ങൾക്ക് അവ അനുയോജ്യമാക്കുന്നു. പൊതുവായ കാര്യങ്ങള് ക്ക്, താഴ്ന്ന നിലയിലുള്ള കൺട്രോളര് മാരെ മേല് നോട്ടത്തില് നിര് ത്തുന്ന ഒരു പദ്ധതി വികസിപ്പിച്ചെടുക്കുന്നു. ഉയര് ന്ന നിലയിലുള്ള കൺട്രോളര് മാര് പഠിക്കുകയും സ്വയം നിര് ദേശിക്കുകയും ചെയ്യുന്ന ലക്ഷ്യങ്ങള് . കാര്യക്ഷമതയെക്കുറിച്ച് സംസാരിക്കുന്നതിന്, ഉന്നതതലത്തിലും താഴ്ന്ന തലത്തിലുമുള്ള പരിശീലനത്തിനായി നയത്തിന് പുറത്തുള്ള അനുഭവങ്ങൾ ഉപയോഗിക്കാൻ ഞങ്ങൾ നിർദ്ദേശിക്കുന്നു. ഇത് വലിയ വെല്ലുവിളിയാണ് ഉയര് ത്തുന്നത്, കാരണം താഴ്ന്ന നിലയിലുള്ള പെരുമാറ്റങ്ങളിലെ മാറ്റങ്ങള് ഉന്നതതല നയങ്ങള് ക്ക് പ്രവര് ത്തിക്കാന് അവസരം നല് കുന്നു. ഈ വെല്ലുവിളി പരിഹരിക്കാന് നയത്തിന് പുറത്തുള്ള ഒരു തിരുത്തല് ഞങ്ങള് നടപ്പാക്കുന്നു. നയങ്ങളിലെ അൽഗോരിതങ്ങളേക്കാൾ വളരെ കുറച്ച് പരിസ്ഥിതി ഇടപെടലുകളുപയോഗിച്ച് ഉയർന്നതും താഴ്ന്നതുമായ നയങ്ങൾ പഠിക്കാൻ നയത്തിന് പുറത്തുള്ള മോഡൽ രഹിത ആർഎല്ലിലെ സമീപകാല പുരോഗതി പ്രയോജനപ്പെടുത്താൻ ഇത് ഞങ്ങളെ അനുവദിക്കുന്നു. ഹെര്ല് ഏജന് റ് ഹൈറോ എന്ന് നാമകരണം ചെയ്യുകയും അത് പൊതുവായി ഉപയോഗിക്കാവുന്നതും വളരെ ഫലപ്രദമായതുമാണെന്ന് കണ്ടെത്തുകയും ചെയ്തു. നമ്മുടെ പരീക്ഷണങ്ങള് കാണിക്കുന്നത്, ഹൈറോയെ ഉപയോഗിച്ച് വളരെ സങ്കീർണമായ പെരുമാറ്റരീതികൾ പഠിക്കാന് കഴിയും, ഉദാഹരണത്തിന് വസ്തുക്കളെ തള്ളിവിടുകയും ലക്ഷ്യസ്ഥാനത്ത് എത്താന് അവയെ ഉപയോഗിക്കുകയും ചെയ്യുക, മുൻകാല ഹെര്ല് രീതികളുമായി താരതമ്യം ചെയ്യുമ്പോള് നമ്മുടെ സമീപനം പഴയ രീതികളെക്കാള് മികച്ചതാണെന്ന് നാം കണ്ടെത്തുന്നു. |
5b44f587c4c7611d04e304fd7fa37648338d0cbf | വളരെ ഉയർന്ന അളവിലുള്ള നിരീക്ഷണങ്ങൾ ഉപയോഗിച്ച് തുടർച്ചയായ സ്റ്റേറ്റ്-ആക്ഷൻ സ്പെയ്സുകളിൽ ഡാറ്റ-കാര്യക്ഷമമായ ശക്തിപ്പെടുത്തൽ പഠനം (ആർഎൽ) പൂർണ്ണമായും സ്വയംഭരണ സംവിധാനങ്ങൾ വികസിപ്പിക്കുന്നതിലെ ഒരു പ്രധാന വെല്ലുവിളിയായി തുടരുന്നു. ഈ വെല്ലുവിളിയുടെ ഒരു പ്രധാന ഉദാഹരണമാണ് പിക്സൽ-ടു-ടോർക്ക് പ്രശ്നം, അവിടെ ഒരു ആർഎൽ ഏജന്റ് ഒരു ക്ലോസ്ഡ്-ലൂപ്പ് കൺട്രോൾ പോളിസി ( ടോർക്ക്) പിക്സൽ വിവരങ്ങളിൽ നിന്ന് മാത്രം പഠിക്കുന്നു. പിക്സൽ വിവരങ്ങളിൽ നിന്ന് നേരിട്ട് അത്തരം ഒരു അടച്ച ലൂപ്പ് നയം പഠിക്കുന്ന ഒരു ഡാറ്റ-കാര്യക്ഷമമായ, മോഡൽ അധിഷ്ഠിത ശക്തിപ്പെടുത്തൽ പഠന അൽഗോരിതം ഞങ്ങൾ അവതരിപ്പിക്കുന്നു. ഈ താഴ്ന്ന അളവിലുള്ള ഫീച്ചർ സ്പേസിൽ ഒരു പ്രവചന മോഡലിനൊപ്പം ഇമേജുകളുടെ താഴ്ന്ന അളവിലുള്ള ഫീച്ചർ ഉൾപ്പെടുത്തൽ പഠിക്കുന്നതിനുള്ള ഒരു ആഴത്തിലുള്ള ചലനാത്മക മാതൃകയാണ് പ്രധാന ഘടകം. ദീർഘകാല പ്രവചനത്തിന് സംയുക്ത പഠനം വളരെ പ്രധാനമാണ്, അത് അടച്ച ലൂപ്പ് നിയന്ത്രണത്തിനായി ഉപയോഗിക്കുന്ന അഡാപ്റ്റീവ് നോൺ-ലീനിയർ മോഡൽ പ്രവചന നിയന്ത്രണ തന്ത്രത്തിന്റെ കാതലാണ്. തുടർച്ചയായ അവസ്ഥകളെയും പ്രവർത്തനങ്ങളെയും കുറിച്ചുള്ള ഏറ്റവും പുതിയ ആർഎൽ രീതികളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ, ഞങ്ങളുടെ സമീപനം വേഗത്തിൽ പഠിക്കുന്നു, ഉയർന്ന അളവിലുള്ള സ്റ്റേറ്റ് സ്പെയ്സുകളിലേക്ക് സ്കെയിൽ ചെയ്യുന്നു, ഭാരം കുറഞ്ഞതും പിക്സലുകളിൽ നിന്ന് ടോർക്കുകളിലേക്ക് പൂർണ്ണമായും സ്വയംഭരണാധികാരമുള്ള എൻഡ്-ടു-എൻഡ് പഠനത്തിലേക്കുള്ള ഒരു പ്രധാന ഘട്ടവുമാണ്. |
d06ae5effef2922e7ee24a4b0f8274486f0a6523 | സ്വയം കൈകാര്യം ചെയ്ത ചോദ്യാവലി ഉപയോഗിച്ച്, 149 പ്രതികരിക്കുന്നവർ അടുത്തിടെ സന്ദർശിച്ച ഒരു സ്റ്റോർ അല്ലെങ്കിൽ റെസ്റ്റോറന്റുമായി ബന്ധപ്പെട്ട സേവന ഘടകങ്ങളെ പ്രതികരണ വിഭാഗങ്ങളുടെ എണ്ണത്തിൽ (2 മുതൽ 11 വരെ) വ്യത്യാസമുള്ള സ്കെയിലുകളിലും വ്യത്യസ്ത ഫോർമാറ്റിൽ അവതരിപ്പിച്ച 101 പോയിന്റ് സ്കെയിലിലും റേറ്റുചെയ്തു. വിശ്വാസ്യത, സാധുത, വിവേചനശക്തി എന്നിവയുടെ പല സൂചികകളിലും, രണ്ട് പോയിന്റ്, മൂന്ന് പോയിന്റ്, നാല് പോയിന്റ് സ്കെയിലുകൾ താരതമ്യേന മോശമായി പ്രവർത്തിച്ചു, കൂടുതൽ പ്രതികരണ വിഭാഗങ്ങളുള്ള സ്കെയിലുകൾക്ക് സൂചികകൾ ഗണ്യമായി ഉയർന്നതാണ്, ഏകദേശം 7. ആന്തരിക സ്ഥിരത സ്കെയിലുകൾക്കിടയിൽ കാര്യമായ വ്യത്യാസമില്ല, പക്ഷേ 10 ൽ കൂടുതൽ പ്രതികരണ വിഭാഗങ്ങളുള്ള സ്കെയിലുകൾക്ക് ടെസ്റ്റ്-റിടെസ്റ്റ് വിശ്വാസ്യത കുറയുന്നു. പ്രതികരിച്ചവരുടെ മുൻഗണന 10 പോയിന്റ് സ്കെയിലായിരുന്നു, അതിനുശേഷം ഏഴ് പോയിന്റ്, ഒമ്പത് പോയിന്റ് സ്കെയിലുകൾ. ഗവേഷണത്തിനും പ്രായോഗികതയ്ക്കും ഉള്ള പ്രത്യാഘാതങ്ങൾ ചർച്ച ചെയ്യപ്പെടുന്നു. |
bc93ff646e6f863d885e609db430716d7590338f | ഇന്ന്, ജിപിഎസ് അധിഷ്ഠിത കാർ നാവിഗേഷൻ സംവിധാനങ്ങൾ പ്രധാനമായും ഡ്രൈവർമാരെ അവരുടെ ലക്ഷ്യസ്ഥാനത്തേക്ക് നയിക്കാൻ ലളിതമായ റോഡ് മാപ്പുകളുടെ സംസാരവും ആകാശ കാഴ്ചകളും ഉപയോഗിക്കുന്നു. എന്നിരുന്നാലും, ഡ്രൈവർമാർക്ക് പലപ്പോഴും 2 ഡി എയർ മാപ്പും തനതായ നിലയിലുള്ള യഥാർത്ഥ പരിതസ്ഥിതിയിൽ നിന്ന് ലഭിക്കുന്ന വിഷ്വൽ ഇംപ്രഷനും തമ്മിൽ ബന്ധപ്പെടുത്തുന്നതിൽ ബുദ്ധിമുട്ടുകൾ അനുഭവപ്പെടുന്നു. അതുകൊണ്ട് തന്നെ, വരാനിരിക്കുന്ന ട്രാഫിക് സാഹചര്യങ്ങളെക്കുറിച്ച് മുൻകൂട്ടി അറിയാൻ, തറനിലയിൽ ത്രീഡി നഗര മാതൃകകൾ നിർമ്മിക്കുന്നത് വളരെ ഉപകാരപ്രദമാണ്. ഈ പ്രീ-വിഷ്വലൈസേഷന് ഡ്രൈവറുടെ ഭാവി കാഴ്ചപ്പാടുകളിൽ നിന്ന് റെൻഡർ ചെയ്യാനാകുന്നതിനാൽ, ആവശ്യമായ നീക്കം എളുപ്പത്തിൽ മനസിലാക്കാൻ കഴിയും. നഗരങ്ങളുടെ ത്രിമാന മാതൃകകൾ സർവേയിംഗ് വാഹനങ്ങൾ രേഖപ്പെടുത്തിയ ചിത്രങ്ങളിൽ നിന്ന് പുനർനിർമ്മിക്കാം. എന്നിരുന്നാലും, ഈ വാഹനങ്ങൾ ശേഖരിക്കുന്ന ചിത്രങ്ങളുടെ വിശാലത, അവയുടെ പ്രായോഗിക ഉപയോഗക്ഷമത ഉറപ്പാക്കുന്നതിന് വിഷ്വൽ അൽഗോരിതങ്ങൾക്ക് അങ്ങേയറ്റത്തെ ആവശ്യകതകൾ നൽകുന്നു. അല് ഗോരിതംസ് പരമാവധി വേഗതയുള്ളതായിരിക്കണം. ഭാവിയിൽ വിതരണവും ദൃശ്യവൽക്കരണവും എളുപ്പമാക്കുന്നതിന് കോംപാക്ട്, മെമ്മറി കാര്യക്ഷമമായ 3 ഡി സിറ്റി മോഡലുകളിലേക്ക് ഇത് നയിക്കണം. പരിഗണിക്കുന്ന അപേക്ഷയുടെ കാര്യത്തിൽ, ഇവ പരസ്പരവിരുദ്ധമായ ആവശ്യങ്ങളല്ല. ലളിതമായ ജ്യാമിതീയ അനുമാനങ്ങൾ ദർശന അൽഗോരിതം വേഗത്തിലാക്കുകയും അതേസമയം കോംപാക്റ്റ് ജ്യാമിതീയ മോഡലുകൾ സ്വപ്രേരിതമായി ഉറപ്പുനൽകുകയും ചെയ്യുന്നു. ഈ തത്വശാസ്ത്രത്തെ അടിസ്ഥാനമാക്കി നഗരങ്ങളുടെ മാതൃക രൂപപ്പെടുത്തുന്ന ഒരു പുതിയ സംവിധാനം ഞങ്ങൾ അവതരിപ്പിക്കുന്നു. അതിവേഗത്തിൽ ത്രിമാന ഉള്ളടക്കം സൃഷ്ടിക്കുന്നതിലൂടെ, വാഹന നാവിഗേഷൻ മൊഡ്യൂളുകൾ വഴി സങ്കൽപ്പിക്കാവുന്ന ഏത് ഗതാഗത സാഹചര്യവും മുൻകൂട്ടി ദൃശ്യവൽക്കരിക്കാൻ ഇത് സഹായിക്കും. |
6dc245637d1d7335f50dbab0ee9d8463e7b35a49 | മെഡിക്കൽ ഇമേജ് വിശകലനത്തിന്റെ പ്രപഞ്ചത്തിലേക്ക് ഉള്ളടക്ക അടിസ്ഥാനത്തിലുള്ള വിഷ്വൽ ഇൻഫർമേഷൻ റീട്രീവൽ (സിബിവിആർ) എന്ന ഇൻഡെക്സിംഗ്, വർഗ്ഗീകരണ ഉപകരണങ്ങൾ കടന്നുവരുന്നു. അടുത്തിടെ അവയെ അല് ജൈമര് രോഗം (AD) രോഗനിര് ണയത്തിനായി പരിശോധിച്ചു. മൾട്ടിമീഡിയ ഖനനത്തിനായി വികസിപ്പിച്ചെടുത്ത രീതിശാസ്ത്രങ്ങൾ ഒരു പുതിയ പ്രയോഗ മേഖലയിലേക്ക് പ്രവേശിക്കുമ്പോൾ ഇത് ഒരു സാധാരണ "അറിവ് വ്യാപന" പ്രക്രിയയാണ്. ഈ മേഖലയിലെ അറിവിന്റെ അടിസ്ഥാനത്തിൽ രീതിശാസ്ത്രങ്ങളുടെ ക്രമീകരണം ആവശ്യപ്പെടുന്ന സ്വന്തം പ്രത്യേകതകൾ ഈ മേഖലയ്ക്ക് ഉണ്ട്. ഈ ലേഖനത്തിൽ, ഘടനാപരമായ മാഗ്നെറ്റിക് റെസൊണൻസ് ഇമേജുകളിൽ (എംആർഐ) എഡി തിരിച്ചറിയലിനായി ഒരു ഓട്ടോമാറ്റിക് ക്ലാസിഫിക്കേഷൻ ചട്ടക്കൂട് ഞങ്ങൾ വികസിപ്പിക്കുന്നു. ഈ പഠനത്തിന്റെ പ്രധാന സംഭാവനയാണ് എഡിയിൽ ഏറ്റവും കൂടുതൽ ബാധിക്കപ്പെട്ട പ്രദേശത്തെ (ഹിപ്പോകാമ്പൽ ഏരിയ) വിഷ്വൽ സവിശേഷതകൾ പരിഗണിക്കുന്നതും കൃത്യത വർദ്ധിപ്പിക്കുന്നതിന് ഒരു വൈകി ലയനം ഉപയോഗിക്കുന്നതും. അല് ജൈമര് രോഗം ന്യൂറോ ഇമേജിംഗ് സംരംഭത്തിന്റെ (എ.ഡി.എൻ.ഐ) ഡേറ്റാബേസിലെ 218 പേരുടെ അടിസ്ഥാന എം.ആര്.ഐ ചിത്രങ്ങളില് ഞങ്ങളുടെ സമീപനം ആദ്യം വിലയിരുത്തി. പരീക്ഷണ ഫലങ്ങള് കാണിക്കുന്നത് AD ഉള്ള രോഗികളെ NC (നോർമൽ കൺട്രോൾ) വിഷയങ്ങളില് നിന്ന് വേര് തിരിച്ച് ADNI ഉപവിഭാഗത്തിനും ബോർഡോ ഡാറ്റാ സെറ്റിനും യഥാക്രമം 87%, 85% കൃത്യത കൈവരിക്കുന്നു എന്നാണ്. മിതമായ ബുദ്ധി വൈകല്യമുള്ള (എംസിഐ) ഏറ്റവും വെല്ലുവിളി നിറഞ്ഞ ഗ്രൂപ്പിനായി, എഡിഎൻഐയിൽ എംസിഐയും എൻസിയും എംസിഐയും എഡിക്ക് എതിരായി 78.22% ഉം 72.23% ഉം കൃത്യത കൈവരിക്കുന്നു. ഈ മൂന്നു വിഭാഗങ്ങളിലും വൈകി ലയിപ്പിച്ചുള്ള സംയോജനം ശരാശരി 9 ശതമാനം വർധനയാണ് വരുത്തിവെക്കുന്നത്. ഏറ്റവും പുതിയ വോള്യൂമെട്രിക് അഡ്രസ് രോഗനിർണയ രീതികളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ വളരെ വാഗ്ദാനപരമായ വർഗ്ഗീകരണ പ്രകടനവും ലാളിത്യവും ഫലങ്ങൾ കാണിക്കുന്നു. |
7d4c85662ca70abb26e37b2fc40a045fd0369f70 | സൌരോർജ്ജ ഫോട്ടോവോൾട്ടെയ്ക്ക്, ഇന്ധന സെല്ലുകൾ തുടങ്ങിയ പുനരുപയോഗ ഊർജ്ജ സ്രോതസ്സുകളുടെ സംയോജനം കാരണം ഡിസി മൈക്രോഗ്രിഡുകൾ ജനപ്രിയമാണ്. ഈ ഡിസി പവർ ജനറേറ്ററുകളുടെ കുറഞ്ഞ ഔട്ട്പുട്ട് വോൾട്ടേജ് കാരണം, ഡിസി മൈക്രോഗ്രിഡിനെ ബന്ധിപ്പിക്കുന്നതിന് ഉയർന്ന കാര്യക്ഷമതയുള്ള ഉയർന്ന നേട്ടമുള്ള ഡിസി-ഡിസി കൺവെർട്ടറുകൾ ആവശ്യമാണ്. ഈ പ്രബന്ധത്തിൽ, വോൾട്ടേജ് മൾട്ടിപ്ലയർ സെൽ കൂടാതെ / അല്ലെങ്കിൽ ഹൈബ്രിഡ് സ്വിച്ച്ഡ് കപ്പാസിറ്റർ രീതി ഉപയോഗിക്കാതെ ഒരു നോൺ-ഐസൊലേറ്റഡ് ഹൈ ഗെയിൻ ഡിസി-ഡിസി കൺവെർട്ടർ നിർദ്ദേശിക്കുന്നു. നിർദ്ദിഷ്ട ടോപ്പോളജി ഉപയോഗിക്കുന്നത് രണ്ട് നോൺ-ഐസൊലേറ്റഡ് ഇൻഡക്ടറുകളാണ്. അവ ഡിസ്ചാർജ്ജ്/ചാർജ്ജ് മോഡിൽ പരമ്പര/പാരലൽ ആയി ബന്ധിപ്പിച്ചിരിക്കുന്നു. രണ്ട് വ്യത്യസ്ത ഡ്യൂട്ടി റേഷ്യോകളുള്ള സ്വിച്ചുകളുടെ പ്രവർത്തനം കൺവെർട്ടറിന്റെ പ്രധാന നേട്ടമാണ്, ഇത് അങ്ങേയറ്റത്തെ ഡ്യൂട്ടി റേഷ്യോ ഉപയോഗിക്കാതെ ഉയർന്ന വോൾട്ടേജ് നേട്ടം നേടുന്നു. രണ്ട് വ്യത്യസ്ത നികുതി അനുപാതങ്ങൾ ഉപയോഗിച്ച് നിർദ്ദിഷ്ട കൺവെർട്ടറിന്റെ സ്ഥിരതയുള്ള അവസ്ഥ വിശകലനം വിശദമായി ചർച്ചചെയ്യുന്നു. കൂടാതെ, ഉയർന്ന നേട്ടമുള്ള ഡിസി-ഡിസി കൺവെർട്ടറിന്റെ 100W, 20/200V പ്രോട്ടോടൈപ്പ് സർക്യൂട്ട് വികസിപ്പിക്കുകയും പരീക്ഷണ ഫലങ്ങൾ ഉപയോഗിച്ച് പ്രകടനം സാധൂകരിക്കുകയും ചെയ്യുന്നു. |
43afc11883fb147ac37b4dc40bf6e7fa5fccf341 | കാര്യക്ഷമമായ കേർണലുകൾ സുഗമമാക്കുന്നതിന് ഹാഷ് ചെയ്യണമെന്നാണ് ഞങ്ങളുടെ നിർദ്ദേശം. ഈ ജെനറൽ സാമ്പിൾ ഉപയോഗിച്ച് മുൻ പ്രവൃത്തികൾ ഉപയോഗപ്പെടുത്തുന്നു, കൂടാതെ ഡാറ്റ സ്ട്രീമുകൾക്കും അപൂർവ സവിശേഷത സ്പെയ്സുകൾക്കുമായി കേർണൽ മാട്രിക്സ് കണക്കാക്കാനുള്ള ഒരു തത്വപരമായ മാർഗം ഞങ്ങൾ കാണിക്കുന്നു. കൂടാതെ, കൃത്യമായ കേർണൽ മാട്രിക്സിൽ നിന്ന് വ്യതിയാന പരിധികളും ഞങ്ങൾ നൽകുന്നു. ഇത് സ്ട്രിങ്ങുകളിലും ഗ്രാഫുകളിലും കണക്കാക്കുന്നതിന് പ്രയോഗങ്ങൾ ഉണ്ട്. |
bfcf14ae04a9a326f9263dcdd30e475334a96d39 | അസന്തുലിതമായ ഡേറ്റാ സെറ്റുകളിൽ നിന്ന് ക്ലാസിഫയറുകൾ നിർമ്മിക്കുന്നതിനുള്ള ഒരു സമീപനം വിവരിക്കുന്നു. ഒരു ഡേറ്റാ സെറ്റ് അസന്തുലിതമാണ്, ക്ലാസിഫിക്കേഷൻ വിഭാഗങ്ങൾ ഏകദേശം തുല്യമായി പ്രതിനിധീകരിക്കുന്നില്ലെങ്കിൽ. പലപ്പോഴും യഥാർത്ഥ ലോക ഡാറ്റ സെറ്റുകൾ പ്രധാനമായും സാധാരണ ഉദാഹരണങ്ങൾ അടങ്ങിയിരിക്കുന്നു, അസാധാരണ അല്ലെങ്കിൽ രസകരമായ ഉദാഹരണങ്ങൾ ഒരു ചെറിയ ശതമാനം മാത്രം. ഒരു അസാധാരണ (രസകരമായ) ഉദാഹരണം ഒരു സാധാരണ ഉദാഹരണമായി തെറ്റായി തരംതിരിക്കുന്നതിനുള്ള ചെലവ് പലപ്പോഴും വിപരീത പിശകിന്റെ ചെലവിനേക്കാൾ വളരെ കൂടുതലാണ്. ഭൂരിപക്ഷ (സാധാരണ) ക്ലാസിന്റെ അണ്ടർസാമ്പിൾ ഒരു ന്യൂനപക്ഷ ക്ലാസിന് ഒരു ക്ലാസിഫയർ സംവേദനക്ഷമത വർദ്ധിപ്പിക്കുന്നതിനുള്ള നല്ല മാർഗമായി നിർദ്ദേശിക്കപ്പെട്ടു. ന്യൂനപക്ഷ (അസാധാരണ) ക്ലാസിനെ അമിതമായി സാമ്പിൾ ചെയ്യുന്നതിനും ഭൂരിപക്ഷ (സാധാരണ) ക്ലാസിനെ കുറച്ചുകൂടി സാമ്പിൾ ചെയ്യുന്നതിനുമുള്ള ഞങ്ങളുടെ രീതിയുടെ സംയോജനത്തിലൂടെ, ഭൂരിപക്ഷ ക്ലാസിനെ കുറച്ചുകൂടി സാമ്പിൾ ചെയ്യുന്നതിനേക്കാൾ മികച്ച ക്ലാസിഫയർ പ്രകടനം (ROC സ്ഥലത്ത്) നേടാൻ കഴിയുമെന്ന് ഈ പേപ്പർ കാണിക്കുന്നു. ന്യൂനപക്ഷ ക്ലാസ്സിനെ അമിതമായി സാമ്പിൾ ചെയ്യുന്നതിനും ഭൂരിപക്ഷ ക്ലാസ്സിനെ കുറച്ചുകൂടി സാമ്പിൾ ചെയ്യുന്നതിനുമുള്ള ഞങ്ങളുടെ രീതികളുടെ സംയോജനം റിപ്പറിൽ നഷ്ടം അനുപാതങ്ങളോ നിഷ്കളങ്ക ബേസിലെ ക്ലാസ്സ് പ്രിസറുകളോ വ്യത്യാസപ്പെടുത്തുന്നതിനേക്കാൾ മികച്ച ക്ലാസിഫയർ പ്രകടനം (ROC സ്ഥലത്ത്) നേടാൻ കഴിയുമെന്ന് ഈ പേപ്പർ കാണിക്കുന്നു. ന്യൂനപക്ഷ ക്ലാസ്സിനെ കൂടുതല് പരിശോധിക്കുന്നതിനുള്ള നമ്മുടെ രീതിയില് , ന്യൂനപക്ഷ ക്ലാസ്സിന് വേണ്ടി കൃത്രിമ ഉദാഹരണങ്ങള് സൃഷ്ടിക്കലാണ്. C4.5, റിപ്പറും നൈവ് ബേസ് ക്ലാസിഫയറും ഉപയോഗിച്ചാണ് പരീക്ഷണങ്ങൾ നടത്തുന്നത്. റിസീവർ ഓപ്പറേറ്റിങ് കറക്ടറിസ്റ്റിക് കർവ് (എയുസി) യും റോക്ക് കൺവെക്സ് ഹെൽസ് സ്ട്രാറ്റജിയും ഉപയോഗിച്ച് ഈ രീതി വിലയിരുത്തപ്പെടുന്നു. |
d920943892caa0bc9f300cb9e3b7f3ab250f78c9 | കഴിഞ്ഞ വർഷങ്ങളിൽ ബിഗ് ഡാറ്റാ ആപ്ലിക്കേഷനുകൾ ഉയർന്നുവരുന്നുണ്ട്, ഈ തരത്തിലുള്ള പ്രശ്നങ്ങളിൽ നിന്ന് അറിവ് ശേഖരിക്കുന്നതുമായി ബന്ധപ്പെട്ട ഉയർന്ന നേട്ടങ്ങളെക്കുറിച്ച് പല മേഖലകളിലെയും ഗവേഷകർ ബോധവാന്മാരാണ്. എന്നിരുന്നാലും, പരമ്പരാഗത പഠന സമീപനങ്ങൾ നേരിട്ട് പ്രയോഗിക്കാൻ കഴിയില്ല കാരണം സ്കേലബിളിറ്റി പ്രശ്നങ്ങൾ. ഈ പ്രശ്നം പരിഹരിക്കുന്നതിനായി, മാപ്പ് റിഡ്യൂസ് ചട്ടക്കൂട് ഒരു യഥാർത്ഥ പരിഹാരമായി ഉയർന്നുവന്നു. അടിസ്ഥാനപരമായി, ഇത് ഒരു വിതരണം ചെയ്ത നടപടിക്രമം നടപ്പിലാക്കുന്നു "വിഭജിക്കുക-വിജയിക്കുക" ചരക്ക് ഹാർഡ്വെയറിനായി പൊരുത്തപ്പെടാൻ പിശക്-സഹിഷ്ണുതയുള്ള രീതിയിൽ. ഇപ്പോഴും ഒരു പുതിയ ശാസ്ത്രം ആയതിനാൽ, ബിഗ് ഡാറ്റയ്ക്കായി അസന്തുലിതമായ വർഗ്ഗീകരണത്തെക്കുറിച്ച് കുറച്ച് ഗവേഷണങ്ങൾ നടത്തിയിട്ടുണ്ട്. ഇതിന് പിന്നിലെ കാരണങ്ങൾ പ്രധാനമായും സ്റ്റാൻഡേർഡ് ടെക്നിക്കുകൾ മാപ്പ് റഡ്യൂസ് പ്രോഗ്രാമിംഗ് ശൈലിയിലേക്ക് പൊരുത്തപ്പെടുത്തുന്നതിലെ ബുദ്ധിമുട്ടുകളാണ്. കൂടാതെ, ഡാറ്റയുടെ അഭാവവും ചെറിയ ഡിസ്ജുക്റ്റുകളും പോലുള്ള അസന്തുലിതമായ ഡാറ്റയുടെ ആന്തരിക പ്രശ്നങ്ങൾ, മാപ്പ് റിഡ്യൂസ് പ്രോഗ്രാമിംഗ് ശൈലിക്ക് അനുയോജ്യമായ ഡാറ്റാ പാർട്ടീഷനിംഗിൽ കൂടുതൽ പ്രാധാന്യം നൽകുന്നു. ഈ പ്രബന്ധം രൂപകല് പ്പന ചെയ്തിരിക്കുന്നത് മൂന്നു പ്രധാന തൂണുകളിലാണ്. ബിർബെർട്ടോ ഫെർണാണ്ടസ് [email protected] സാറാ ഡെൽ റിയോ [email protected] നിതേഷ് വി. ചൌള [email protected] ഫ്രാൻസിസ്കോ ഹെരേര ഹെരേര@decsai.ugr.es 1 കമ്പ്യൂട്ടർ സയൻസ് ആൻഡ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഡിപ്പാർട്ട്മെന്റ്, ഗ്രാനഡ സർവകലാശാല, ഗ്രാനഡ, സ്പെയിൻ 2 കമ്പ്യൂട്ടർ സയൻസ് ആൻഡ് എഞ്ചിനീയറിംഗ് ഡിപ്പാർട്ട്മെന്റ്, 384 ഫിറ്റ്സ്പാട്രിക് ഹാൾ, നോട്ടർഡാം സർവകലാശാല, നോട്ടർഡാം, IN 46556, യുഎസ്എ 3 ഇന്റർഡിസിപ്ലിനറി സെന്റർ ഫോർ നെറ്റ്വർക്ക് സയൻസ് ആൻഡ് ആപ്ലിക്കേഷനുകൾ, 384 ന്യൂവ്ലാൻഡ് സയൻസ് ഹാൾ, നോട്ടർഡാം സർവകലാശാല, നോട്ടർഡാം, IN 46556, യുഎസ്എ ഈ മേഖലയിലെ ഗവേഷണത്തിന്റെ അവസ്ഥ. രണ്ടാമതായി, ഈ പ്രത്യേക ചട്ടക്കൂടിനുള്ളിൽ സാധാരണ പ്രീ-പ്രോസസ്സിംഗ് ടെക്നിക്കുകളുടെ പെരുമാറ്റം വിശകലനം ചെയ്യുക. ഈ പ്രവര് ത്തനത്തില് ലഭിച്ച പരീക്ഷണ ഫലങ്ങള് കണക്കിലെടുത്ത്, ഈ വിഷയത്തിന്റെ വെല്ലുവിളികളും ഭാവിയിലേക്കുള്ള വഴികളും സംബന്ധിച്ച് ഒരു ചർച്ച നടത്തും. |
cd1481e9cc0c86bcf3a44672f887522a95a174e8 | പുതിയ കാലഘട്ടത്തില് "സ്മാര് ട്ട് റെയില് മൊബിലിറ്റി" അടിസ്ഥാനസൗകര്യങ്ങള് , ട്രെയിനുകള് , യാത്രക്കാര് എന്നിവ പരസ്പരം ബന്ധിപ്പിച്ച് ഒപ്റ്റിമൈസ് ചെയ്ത മൊബിലിറ്റി, കൂടുതല് സുരക്ഷ, കുറഞ്ഞ ചെലവ് എന്നിവ കൈവരിക്കും. തടസ്സമില്ലാത്ത ഉയർന്ന ഡാറ്റാ നിരക്ക് വയർലെസ് കണക്റ്റിവിറ്റി നേടുന്നതിന്, ഡസൻ കണക്കിന് ജിഗാഹെർട്സ് ബാൻഡ്വിഡ്ത്ത് ആവശ്യമാണ്, ഇത് ഉപയോഗിക്കാത്ത മില്ലിമീറ്റർ തരംഗത്തിന്റെ (എംഎംവെയ്വ്) പര്യവേക്ഷണത്തിനും പര്യവേക്ഷണം ചെയ്യാത്ത ടെറഹെർട്സ് (ടിഎച്ച്സെർ) ബാൻഡുകൾക്കും കാരണമാകുന്നു. എംഎംവേവ്, ഥെര്ജ് ബാന്ഡുകളില് സ്മാർട്ട് റെയില് മൊബിലിറ്റി യാഥാര് ത്ഥ്യമാക്കുന്നതിനായി, വയര് ലസ് ചാനലുകളെക്കുറിച്ച് സമഗ്രമായ ഒരു ധാരണ നേടേണ്ടത് അത്യാവശ്യമാണ്. റെയിൽവേ വയർലെസ് ചാനലുകളെക്കുറിച്ചുള്ള ഗവേഷണത്തിന്റെ ഏറ്റവും പുതിയ തലത്തിലേക്ക് കടക്കുന്ന ഈ ലേഖനത്തിൽ, റഫറൻസ് സിൻസിയർ മൊഡ്യൂളുകൾ, കൃത്യവും കാര്യക്ഷമവുമായ സിമുലേഷൻ പ്ലാറ്റ്ഫോം, ബീം ഫോർമിംഗ് തന്ത്രങ്ങൾ, കൈമാറ്റ രൂപകൽപ്പന എന്നിവയുമായി ബന്ധപ്പെട്ട പ്രധാന സാങ്കേതിക വെല്ലുവിളികളും അനുബന്ധ അവസരങ്ങളും ഞങ്ങൾ തിരിച്ചറിയുന്നു. |
6d1e97df31e9a4b0255243d86608c4b7f725133b | ടാസ്ക് ആന്റ് മോഷൻ പ്ലാനിംഗിനായി (ടിഎംപി) ഒരു പുതിയ അൽഗോരിതം അവതരിപ്പിക്കുകയും ടിഎംപിക്ക് പൊതുവെ കരുത്തുറ്റ പരിഹാരങ്ങൾ ലഭിക്കുന്നതിന് ആവശ്യമായ ആവശ്യകതകളും അബ്സ്ട്രാക്ഷനുകളും ചർച്ച ചെയ്യുകയും ചെയ്യുന്നു. നമ്മുടെ ആവർത്തിച്ചുള്ള ആഴത്തിലുള്ള ടാസ്ക് ആൻഡ് മോഷൻ പ്ലാനിംഗ് (ഐഡിടിഎംപി) രീതി പ്രോബബിലിസ്റ്റിക് ആയി പൂർണ്ണമാണ്, സമാനമായ, സ്റ്റേറ്റ് ഓഫ് ദി ആർട്ട്, പ്രോബബിലിസ്റ്റിക് ആയി പൂർണ്ണമായ പ്ലാനറുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ മെച്ചപ്പെട്ട പ്രകടനവും പൊതുവായതുമാണ് വാഗ്ദാനം ചെയ്യുന്നത്. IDTMP യുടെ പ്രധാന ആശയം, ചുമതല തലത്തിൽ ചലന സാധ്യതയെ സംബന്ധിച്ച നിയന്ത്രണങ്ങൾ കാര്യക്ഷമമായി ചേർക്കുന്നതിനും നീക്കം ചെയ്യുന്നതിനും വർദ്ധനവ് നിയന്ത്രണ പരിഹാരം പ്രയോജനപ്പെടുത്തുക എന്നതാണ്. ഐഡിടിഎംപി ഒരു ഫിസിക്കൽ മാനിപുലേറ്ററിൽ പരിശോധിക്കുകയും നിരവധി വസ്തുക്കളും ദീർഘകാല പദ്ധതികളും ഉള്ള സാഹചര്യങ്ങളിൽ സ്കേലബിളിറ്റി വിലയിരുത്തുകയും ചെയ്യുന്നു, ബെഞ്ച്മാർക്ക് പ്ലാനറുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ ഓർഡർ ഓഫ് മാഗ്നിറ്റ്യൂഡ് നേട്ടങ്ങളും ഞങ്ങളുടെ വിപുലീകരണങ്ങളിൽ നിന്ന് നാല് മടങ്ങ് സ്വയം താരതമ്യ വേഗതയും കാണിക്കുന്നു. അവസാനമായി, ടിഎംപിയുടെ പുതിയ രീതിയും ഭൌതിക റോബോട്ടിൽ അതിന്റെ നടപ്പാക്കലും വിവരിക്കുന്നതിനു പുറമേ, ഭാവിയിൽ സമാനമായ പ്ലാനറുകളുടെ വികസനത്തിനായി ആവശ്യകതകളും അബ്സ്ട്രാക്ഷനുകളും ഞങ്ങൾ മുന്നോട്ട് വയ്ക്കുന്നു. |
04975368149e407c2105b76a7523e027661bd4f0 | ആശയവിനിമയത്തിലും സംഭരണ പ്രക്രിയകളിലും ഡാറ്റയുടെ രഹസ്യാത്മകത ഉറപ്പാക്കുക എന്നതാണ് എൻക്രിപ്ഷന്റെ ലക്ഷ്യം. അടുത്തിടെ, നിയന്ത്രിത ഉപകരണങ്ങളിൽ അതിന്റെ ഉപയോഗം അധിക സവിശേഷതകൾ പരിഗണിക്കാൻ കാരണമായി, വിശ്വസനീയമല്ലാത്ത കമ്പ്യൂട്ടറുകളിലേക്ക് കണക്കുകൂട്ടലുകൾ കൈമാറാനുള്ള കഴിവ് പോലുള്ളവ. ഈ ആവശ്യത്തിനായി, വിശ്വസനീയമല്ലാത്ത കമ്പ്യൂട്ടറിന് ഡാറ്റയുടെ എൻക്രിപ്റ്റ് ചെയ്ത പതിപ്പ് മാത്രമേ പ്രോസസ്സ് ചെയ്യാൻ കഴിയൂ. കമ്പ്യൂട്ടർ ഈ എൻക്രിപ്റ്റ് ചെയ്ത ഡാറ്റയെ അടിസ്ഥാനമാക്കി കണക്കുകൂട്ടലുകൾ നടത്തും, അതിനാൽ അതിന്റെ യഥാർത്ഥ മൂല്യം ഒന്നും അറിയാതെ തന്നെ. അവസാനം, അത് ഫലം അയച്ചു തരും, അത് ഡീക്രിപ്റ്റ് ചെയ്യും. സ്ഥിരതയ്ക്കായി, ഡീക്രിപ്റ്റ് ചെയ്ത ഫലം യഥാർത്ഥ ഡാറ്റയിൽ നടപ്പിലാക്കിയാൽ ഉദ്ദേശിച്ച കണക്കാക്കിയ മൂല്യത്തിന് തുല്യമായിരിക്കണം. ഈ കാരണത്താല്, എൻക്രിപ്ഷൻ സ്കീം ഒരു പ്രത്യേക ഘടന അവതരിപ്പിക്കണം. റിവെസ്റ്റ് തുടങ്ങിയവർ. 1978 ൽ ഹൊമോമോർഫിക് എൻക്രിപ്ഷൻ വഴി ഈ പ്രശ്നം പരിഹരിക്കാൻ നിർദ്ദേശിച്ചു [1]. ദൌർഭാഗ്യവശാൽ, ബ്രിക്കലും യാക്കോബിയും [2] റിവെസ്റ്റിന്റെയും മറ്റുള്ളവരുടെയും ആദ്യ നിർദ്ദേശങ്ങളിലെ ചില സുരക്ഷാ പിശകുകൾ ചൂണ്ടിക്കാട്ടി. ഈ ആദ്യ ശ്രമം മുതൽ, നിരവധി ലേഖനങ്ങൾ നിരവധി ആപ്ലിക്കേഷൻ സന്ദർഭങ്ങൾക്കായി സമർപ്പിച്ച പരിഹാരങ്ങൾ നിർദ്ദേശിച്ചുഃ രഹസ്യ പങ്കിടൽ സ്കീമുകൾ, പരിധി സ്കീമുകൾ (ഉദാഹരണത്തിന് [3] കാണുക), പൂജ്യം അറിവ് തെളിവുകൾ (ഉദാഹരണത്തിന് [4] കാണുക), അശ്രദ്ധമായ കൈമാറ്റം (ഉദാഹരണത്തിന് [5] കാണുക), പ്രതിബദ്ധത സ്കീമുകൾ (ഉദാഹരണത്തിന് [3] കാണുക), അജ്ഞാതത്വം, സ്വകാര്യത, ഇലക്ട്രോണിക് വോട്ടിംഗ്, ഇലക്ട്രോണിക് ലേലം, ലോട്ടറി പ്രോട്ടോക്കോളുകൾ (ഉദാഹരണത്തിന് [6] കാണുക), മൊബൈൽ ഏജന്റുമാരുടെ പരിരക്ഷ (ഉദാഹരണത്തിന് [7] കാണുക), മൾട്ടിപാർട്ടി കമ്പ്യൂട്ടിംഗ് (ഉദാഹരണത്തിന് [3] കാണുക), മിക്സ് നെറ്റുകൾ (ഉദാഹരണത്തിന് [8, 9] കാണുക), വാട്ടർമാർക്കിംഗ് അല്ലെങ്കിൽ ഫിംഗി പ്രിന്റിംഗ് പ്രോട്ടോക്കോളുകൾ (ഉദാഹരണത്തിന് [10-14] കാണുക), തുടങ്ങിയവ. ഈ ലേഖനത്തിന്റെ ലക്ഷ്യം ഹോമോമോർഫിക് എൻക്രിപ്ഷൻ ടെക്നിക്കുകളുടെ ഒരു സർവേ നോൺ-സ്പെഷ്യലിസ്റ്റുകൾക്ക് നൽകുക എന്നതാണ്. ക്രൈപ്റ്റോഗ്രാഫിയുടെ ചില അടിസ്ഥാന ആശയങ്ങൾ സെക്ഷൻ 2 അനുസ്മരിപ്പിക്കുകയും ഹോമോമോർഫിക് എൻക്രിപ്ഷൻ അവതരിപ്പിക്കുകയും ചെയ്യുന്നു. ഇത് പ്രത്യേകിച്ചും ക്രൈപ്റ്റോഗ്രാഫർമാരല്ലാത്തവരെ ലക്ഷ്യം വച്ചുള്ളതാണ്, എൻക്രിപ്ഷൻ പ്രിമിറ്റീവുകളുടെ പ്രധാന സവിശേഷതകളെക്കുറിച്ചുള്ള മാർഗ്ഗനിർദ്ദേശങ്ങൾ നൽകുന്നുഃ അൽഗോരിതം, പ്രകടനം, സുരക്ഷ. വിഭാഗം 3 ഇതുവരെ പ്രസിദ്ധീകരിച്ച ഹോമോമോർഫിക് എൻക്രിപ്ഷൻ സ്കീമുകളുടെ ഒരു സർവേ നൽകുന്നു, അവയുടെ സവിശേഷതകൾ വിശകലനം ചെയ്യുന്നു. നാം വിവരിച്ച മിക്ക പദ്ധതികളും ഗണിതശാസ്ത്രപരമായ ആശയങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്, വായനക്കാരന് പരിചിതമല്ലാത്തവ. ഈ ആശയങ്ങള് എളുപ്പത്തില് പരിചയപ്പെടുത്താന് കഴിയുന്ന സന്ദര് ഭങ്ങളില് അവ സംക്ഷിപ്തമായി അവതരിപ്പിക്കുന്നു. വായനക്കാരന് [15] ൽ നിന്ന് കൂടുതൽ വിവരങ്ങൾ ലഭിക്കും. ഈ വിഷയത്തില് കൂടുതൽ ആഴത്തില് കടക്കുന്നതിനു മുമ്പ്, നമുക്ക് ചില കുറിപ്പുകള് പരിചയപ്പെടുത്താം. x യുടെ ബൈനറി വിപുലീകരണം രൂപപ്പെടുത്തുന്ന ബിറ്റുകളുടെ എണ്ണം (x) ആണ്. പതിവുപോലെ, Zn എന്നത് മൊഡ്യൂള n ന്റെ പൂർണ്ണസംഖ്യകളുടെ കൂട്ടത്തെയും Zn അതിന്റെ വിപരീതഘടകങ്ങളുടെ കൂട്ടത്തെയും സൂചിപ്പിക്കും. |
1c1c40927787c40ffe0db9629ede6828ecf09e65 | മില്ലിമീറ്റർ തരംഗദൈർഘ്യത്തില് ഒരു ഫിന് ലൈന് ഓര് ഥോമോഡ് ട്രാന് സ് ഡ്യൂസര് (ഒ.എം.ടി) ഉപയോഗിക്കാനുള്ള സാധ്യത ഞങ്ങള് വിലയിരുത്തുന്നു. ഒരു ഫിൻലൈൻ ഒഎംടിക്ക് കുറഞ്ഞ നഷ്ടം, കുറഞ്ഞ ക്രോസ്-പോളറേഷൻ, ഒരു മുഴുവൻ തരംഗദർശിനി ബാൻഡിൽ നല്ല റിട്ടേൺ നഷ്ടം എന്നിവയുണ്ട്. മില്ലിമീറ്റർ തരംഗദൈർഘ്യത്തിനായുള്ള ഒരു പുതിയ ഫിൻലൈൻ ഒഎംടി ഘടന ഞങ്ങൾ നിർദ്ദേശിക്കുന്നു, കൂടാതെ എക്സ്-ബാൻഡിൽ ഫലങ്ങൾ അവതരിപ്പിക്കുന്നു. |
88323e38f676a31ed613dad604829808ff96f714 | വിവിധ പാച്ച് വലുപ്പങ്ങളുള്ള മൾട്ടി-പീരിയഡ് മഷിംഗ് സമാന ഘടന ഉപയോഗിച്ച് ഒരു പുതിയ ബ്രോഡ്ബാൻഡ് ഇലക്ട്രോമാഗ്നറ്റിക് ബാൻഡ്-ഗാപ്പ് (ഇബിജി) ഘടന അവതരിപ്പിക്കുന്നു. ഇ.ബി.ജി. ഘടനയുടെ ബാൻഡ്-ഗാപ് നിർണ്ണയിക്കുന്നതിനായി നേരിട്ടുള്ള സംപ്രേഷണ രീതി ഉപയോഗിക്കുന്നു. യൂണിറ്റ് നമ്പറും പാച്ച് വലുപ്പവും കൂൺ പോലുള്ള ഇബിജി ഘടനയിൽ ചെലുത്തുന്ന സ്വാധീനം പരിശോധിക്കുന്നു. രണ്ട് തരം യൂണിറ്റുകളും വ്യത്യസ്ത പാച്ച് വലുപ്പങ്ങളുള്ളവയും ഇബിജി ഘടനയുടെ ബാൻഡ്-ഗാപ് വർദ്ധിപ്പിക്കുന്നതിന് കാസ്കേഡായി ചേർക്കുന്നു, ഇത് ഏകദേശം 87.1% കൈവരിക്കുന്നു. സിമുലേഷന് റെ ഫലങ്ങള് കാണിക്കുന്നത്, യഥാക്രമം വ്യത്യസ്തമായ പാച്ച് വലിപ്പമുള്ള രണ്ട് ഏകീകൃത കോൺഫിഗറേഷനുകളിലൂടെ ഉല് പാദിപ്പിക്കപ്പെടുന്ന ബാൻഡ്-ഗ്യാപ്, സ്റ്റോപ്പ്-ബാൻഡിനെ മിക്കവാറും മൂടുന്നു എന്നാണ്. |
03b18dcde7ba5bb0e87b2bdb68ab7af951daf162 | ന്യൂറൽ നെറ്റ് വർക്കുകളെ അടിസ്ഥാനമാക്കി യാന്ത്രിക വിവർത്തനം നടത്തുന്നതിനായി അടുത്തിടെ നിർദ്ദേശിക്കപ്പെട്ട ഒരു സമീപനമായ ന്യൂറൽ മെഷീൻ വിവർത്തനം, വാക്യാധിഷ്ഠിത സ്ഥിതിവിവരക്കണക്ക് യാന്ത്രിക വിവർത്തനം പോലുള്ള നിലവിലുള്ള സമീപനങ്ങളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ വാഗ്ദാന ഫലങ്ങൾ കാണിക്കുന്നു. അടുത്തിടെ നേടിയ വിജയങ്ങൾക്കിടയിലും, വലിയ പദാവലി കൈകാര്യം ചെയ്യുന്നതിൽ ന്യൂറൽ മെഷീൻ വിവർത്തനത്തിന് പരിമിതികളുണ്ട്, കാരണം പരിശീലന സങ്കീർണ്ണതയും ഡീകോഡിംഗ് സങ്കീർണ്ണതയും ടാർഗെറ്റ് പദങ്ങളുടെ എണ്ണത്തിന് ആനുപാതികമായി വർദ്ധിക്കുന്നു. ഈ ലേഖനത്തിൽ, പരിശീലനത്തിന്റെ സങ്കീർണ്ണത കൂട്ടാതെ വളരെ വലിയ ടാർഗെറ്റ് പദാവലി ഉപയോഗിക്കാൻ ഞങ്ങളെ അനുവദിക്കുന്ന പ്രാധാന്യ സാമ്പിളിംഗിനെ അടിസ്ഥാനമാക്കിയുള്ള ഒരു രീതി ഞങ്ങൾ നിർദ്ദേശിക്കുന്നു. മൊത്തം ടാർഗെറ്റ് പദസമ്പത്തിന്റെ ഒരു ചെറിയ ഉപസെറ്റ് മാത്രം തിരഞ്ഞെടുക്കുന്നതിലൂടെ വളരെ വലിയ ടാർഗെറ്റ് പദസമ്പത്ത് ഉള്ള മോഡലിന് പോലും ഡീകോഡിംഗ് കാര്യക്ഷമമായി ചെയ്യാൻ കഴിയുമെന്ന് ഞങ്ങൾ കാണിക്കുന്നു. നിർദ്ദിഷ്ട സമീപനത്തിലൂടെ പരിശീലിപ്പിച്ച മോഡലുകൾ അടിസ്ഥാന മോഡലുകളുമായി പൊരുത്തപ്പെടുന്നതായി അനുഭവസമ്പത്തോടെ കണ്ടെത്തി, ചില സന്ദർഭങ്ങളിൽ മികച്ച പ്രകടനം കാഴ്ചവയ്ക്കുന്നു, ചെറിയ പദാവലി ഉള്ളതും എൽഎസ്ടിഎം അടിസ്ഥാനമാക്കിയുള്ള ന്യൂറൽ മെഷീൻ വിവർത്തന മോഡലുകളും. കൂടാതെ, വളരെ വലിയ ടാർഗെറ്റ് പദാവലികളുള്ള കുറച്ച് മോഡലുകളുടെ ഒരു കൂട്ടം ഉപയോഗിക്കുമ്പോൾ, WMT14 ന്റെ ഇംഗ്ലീഷ്→ജർമ്മൻ, ഇംഗ്ലീഷ്→ഫ്രഞ്ച് വിവർത്തന ജോലികളിൽ ഏറ്റവും പുതിയ സാങ്കേതികതയുമായി (BLEU അളക്കുന്നത്) താരതമ്യപ്പെടുത്താവുന്ന പ്രകടനം ഞങ്ങൾ കൈവരിക്കുന്നു. |
f7b48b0028a9887f85fe857b62441f391560ef6d | സമാന്തര പ്ലേറ്റുകൾക്കിടയിൽ TE10 മോഡ് പ്രചാരണത്തെ അടിസ്ഥാനമാക്കി ദ്വിമാന സിലിണ്ടർ ലുനെബെർഗ് ലെൻസിന്റെ പുതിയ രൂപകൽപ്പന അവതരിപ്പിക്കുന്നു, നിർമ്മാണത്തിന്റെ എളുപ്പത്തിൽ പ്രത്യേക ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു. ലുനെബെർഗിന്റെ നിയമത്തിന് അനുസൃതമായി സമാന്തര പ്ലേറ്റുകൾ ഭാഗികമായി കുറഞ്ഞ വിലയുള്ള പോളിമർ വസ്തുക്കളാൽ നിറച്ചിരിക്കുന്നു (റെക്സോലൈറ്റ് എപ്സിവർ = 2.54). ലുനെബെർഗ് ലെൻസിന്റെ അരികിലുള്ള സമാന്തര പ്ലേറ്റുകൾക്കിടയിലുള്ള എയർ മേഖലയിൽ ഒരു പ്ലാനർ ലീനിയർ കോണീയ സ്ലോട്ട് ആന്റിന (എൽടിഎസ്എ) ഒരു ഫീഡ് ആന്റിനയായി ചേർക്കുന്നു, ആന്റിന സിസ്റ്റം പ്രകടനം ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിന് ലുനെബെർഗ് ലെൻസിന്റെ ഫോക്കൽ പോയിന്റിലേക്ക് മികച്ച സ്ഥാനപ്പെടുത്തൽ. സിസ്റ്റത്തിന്റെ വികിരണ മാതൃക ലഭിക്കുന്നതിന് സംയോജിത റേ-ഒപ്റ്റിക്സ് / ഡിഫ്രാക്ഷൻ രീതി ഉപയോഗിക്കുന്നു, കൂടാതെ ഫലങ്ങൾ ഒരു സമയ ഡൊമെയ്ൻ നുമറിക്കൽ സോൾവർ പ്രവചനങ്ങളുമായി താരതമ്യം ചെയ്യുന്നു. 30 ജിഗാഹെർട്സ് വേഗതയിൽ പ്രവർത്തിക്കാൻ രൂപകൽപ്പന ചെയ്ത 10 സെന്റിമീറ്റർ ലുനെബെർഗ് ലെൻസിൽ നടത്തിയ അളവുകൾ പ്രവചനങ്ങളുമായി വളരെ യോജിക്കുന്നു. ഈ പ്രോട്ടോടൈപ്പിന് വേണ്ടി, 3-ഡിബി ഇ-പലെയ്ൻ, ഇഫ്-പ്ലെയ്ൻ ബീം വീതി യഥാക്രമം 6.6 ഡിഗ്രിയും 54 ഡിഗ്രിയും ലഭിച്ചു, ഇ-പ്ലെയ്നിൽ സൈഡെലോബ് ലെവൽ -17.7-ഡിബി ആയിരുന്നു. TE10 മോഡിലെ ഡിസ്പ്രെഷൻ സ്വഭാവം കാരണം സമാന്തര പ്ലേറ്റ് കോൺഫിഗറേഷൻ ഒരു ഇടുങ്ങിയ ബാൻഡ് ഡിസൈന് കാരണമാകുമെങ്കിലും, അളവെടുപ്പ് ഫലങ്ങൾ ബ്രോഡ്ബാൻഡ് സ്വഭാവസവിശേഷതകൾ തെളിയിക്കുന്നു, പരീക്ഷിച്ച 26.5-37 ജിഗാഹെർട്സ് ആവൃത്തിയിലുള്ള റേഡിയേഷൻ കാര്യക്ഷമത 43% മുതൽ 72% വരെ വ്യത്യാസപ്പെടുന്നു. രൂപകൽപ്പന ചെയ്ത സിലിണ്ടർ ലുനെബെർഗ് ലെൻസ് ലെൻസിന്റെ ചുറ്റളവിൽ പ്ലാനർ എൽടിഎസ്എ ഘടകങ്ങളുടെ ഒരു ആർക്ക് അറേ നടപ്പിലാക്കിക്കൊണ്ട് ഒന്നിലധികം ബീമുകൾ സമാരംഭിക്കാൻ ഉപയോഗിക്കാം, മാത്രമല്ല ഉയർന്ന മില്ലീമീറ്റർ തരംഗ ആവൃത്തികളിലേക്ക് എളുപ്പത്തിൽ വിപുലീകരിക്കാനും കഴിയും. |
2881b79ff142496c27d9558361e48f105208dec4 | ഇരുപതാം നൂറ്റാണ്ടിന്റെ മധ്യത്തോടെ സാമൂഹ്യ, മെഡിക്കൽ ശാസ്ത്രങ്ങളിൽ ഉപയോഗിക്കുന്ന ഒരു സ്ഥാപിത ഗവേഷണ രീതിയാണ് ആക്ഷൻ റിസർച്ച്, 1990 കളുടെ അവസാനത്തോടെ വിവര സംവിധാനങ്ങൾക്ക് പ്രാധാന്യം വർദ്ധിച്ചു. അതിന്റെ പ്രത്യേക തത്ത്വചിന്താപരമായ പശ്ചാത്തലം ഇഡിയോഗ്രാഫിക്, വ്യാഖ്യാന ഗവേഷണ ആശയങ്ങൾ പോലുള്ള ശക്തമായ പോസ്റ്റ്-പോസിറ്റീവിസ്റ്റ് അനുമാനങ്ങളിൽ രൂപപ്പെടുത്തിയിരിക്കുന്നു. ലൂയിന്റെയും ടാവിസ്റ്റോക്ക് ഇൻസ്റ്റിറ്റ്യൂട്ടിന്റെയും ആദ്യകാല പ്രവർത്തനങ്ങളുമായി വ്യക്തമായി ബന്ധിപ്പിക്കാൻ കഴിയുന്ന വിവര സംവിധാനത്തിനുള്ളിൽ ആക്ഷൻ റിസർച്ച് ഒരു ചരിത്രം വികസിപ്പിച്ചെടുത്തിട്ടുണ്ട്. ആക്ഷൻ റിസർച്ച് രൂപത്തിൽ വ്യത്യാസപ്പെട്ടിരിക്കുന്നു, പ്രത്യേക പ്രശ്ന മേഖലകളോട് പ്രതികരിക്കുന്നു. പ്രസിദ്ധീകരിച്ച ഐ.എസ് ഗവേഷണങ്ങളിൽ നിന്ന് വ്യക്തമായി കാണുന്നത് അഞ്ചു ഘട്ടങ്ങളുള്ള മാതൃക അടിസ്ഥാനമാക്കിയുള്ള പങ്കാളിത്ത രീതി ആണ് ഏറ്റവും സാധാരണമായ രൂപം. |
ee42bceb15d28ce0c7fcd3e37d9a564dfbb3ab90 | |
443362dc552b36c33138c415408d307213ddfa36 | |
6fb37cbc83bd6cd1d732f07288939a5061400e91 | ഈ പേപ്പറിൽ, ഒരു ഇരട്ട ദിശയിലുള്ള ദീർഘകാല ഹ്രസ്വകാല മെമ്മറി ഒരു കണ്ടീഷണൽ റാൻഡം ഫീൽഡുമായി ഡിസ്ഫ്ലൂയിൻസി കണ്ടെത്തൽ ചുമതലയിൽ ഞങ്ങൾ പ്രയോഗിക്കുന്നു. ദീർഘദൂര ആശ്രിതത്വം എന്നത് അധ്വാനമില്ലായ്മ കണ്ടെത്തുന്നതിനുള്ള പ്രധാന പ്രശ്നങ്ങളിലൊന്നാണ്. നമ്മുടെ മോഡല് ദീർഘദൂര ആശ്രിതത്വങ്ങള് കൈകാര്യം ചെയ്യുന്നു, ദീർഘകാല ഹ്രസ്വകാല മെമ്മറിയും കൈകൊണ്ട് നിർമ്മിച്ച പ്രത്യേക സവിശേഷതകളും ഉപയോഗിച്ച്. കൈകൊണ്ട് നിർമ്മിച്ച ഈ പ്രത്യേക സവിശേഷതകൾ ഉപയോഗിച്ച് മോഡലിന്റെ പ്രകടനം ഗണ്യമായി മെച്ചപ്പെടുത്തുന്നുവെന്ന് പരീക്ഷണങ്ങൾ കാണിക്കുന്നു. |
fb17e9cab49665863f360d5f9e61e6048a7e1b28 | ഉപഭോക്തൃ ആഴത്തിലുള്ള ക്യാമറകൾ പകർത്തിയ അസംസ്കൃത ആഴത്തിലുള്ള ചിത്രങ്ങൾ ശബ്ദവും നഷ്ടപ്പെട്ട മൂല്യങ്ങളും അനുഭവിക്കുന്നു. കളർ ഇമേജ് പുനഃസ്ഥാപനത്തിലെ സിഎൻഎൻ അധിഷ്ഠിത ഇമേജ് പ്രോസസ്സിംഗിന്റെ വിജയം ഉണ്ടായിരുന്നിട്ടും, അസംസ്കൃത-ക്ലീൻ ജോഡി ഡാറ്റാ സെറ്റിന്റെ അഭാവം കാരണം ആഴം മെച്ചപ്പെടുത്തുന്നതിനുള്ള സമാന സമീപനങ്ങൾ ഇതുവരെ വളരെയധികം പരിഹരിച്ചിട്ടില്ല. ഈ പേപ്പറിൽ, ഗുണനിലവാരം കുറഞ്ഞ ജോഡികൾ നീക്കം ചെയ്യുന്നതിനായി ഒരു ഫിൽട്ടറിംഗ് രീതി ഉപയോഗിച്ച് സാന്ദ്രമായ 3 ഡി ഉപരിതല പുനർനിർമ്മാണം ഉപയോഗിച്ച് ജോഡി ഡെപ്ത് ഇമേജ് ഡാറ്റാ സെറ്റ് ജനറേഷൻ രീതി ഞങ്ങൾ നിർദ്ദേശിക്കുന്നു. ലാപ്ലാഷ്യൻ പിരമിഡുകളെ അടിസ്ഥാനമാക്കിയുള്ള ഒരു മൾട്ടി-സ്കെയിൽ ന്യൂറൽ നെറ്റ് വർക്കും നഷ്ടം നിലനിർത്തുന്ന ഘടനയും ഞങ്ങൾ അവതരിപ്പിക്കുന്നു. പരീക്ഷണ ഫലങ്ങള് കാണിക്കുന്നത് നമ്മുടെ ജോഡി ഡാറ്റാ സെറ്റുമായി പരിശീലിപ്പിച്ചിരിക്കുന്ന നമ്മുടെ ശൃംഖലയ്ക്ക് ആഴത്തിലുള്ള സ്ട്രീമുകളിൽ നിന്നും ലഭിക്കുന്ന 3D പുനഃസൃഷ്ടികളുമായി താരതമ്യപ്പെടുത്താവുന്ന തരത്തില് ഇൻപുട്ട് ഡീപ്ത് ഇമേജുകള് മെച്ചപ്പെടുത്താന് കഴിയും, കൂടാതെ സാന്ദ്രമായ 3D പുനഃസൃഷ്ടി ഫലങ്ങളുടെ ഏകീകരണം വേഗത്തിലാക്കാനും കഴിയും. |
40de599b11b1553649354991cdf849048cb05f00 | ചെലവ് സംബന്ധിച്ച് സെൻസിറ്റീവ് ആയ വർഗ്ഗീകരണവും ഓൺലൈൻ പഠനവും യഥാക്രമം ഡാറ്റാ മൈനിംഗ്, മെഷീൻ ലേണിംഗ് കമ്മ്യൂണിറ്റികളിൽ വ്യാപകമായി പഠിച്ചു. എന്നിരുന്നാലും, വളരെ പരിമിതമായ പഠനം ഒരു പ്രധാന ഇന്റർസെക്റ്റിംഗ് പ്രശ്നത്തെ അഭിസംബോധന ചെയ്യുന്നു, അതായത്, "ചെലവ് സെൻസിറ്റീവ് ഓൺലൈൻ വർഗ്ഗീകരണം". ഈ പേപ്പറിൽ, ഞങ്ങൾ ഈ പ്രശ്നം ഔദ്യോഗികമായി പഠിക്കുകയും ഓൺലൈൻ ഗ്രേഡിയന്റ് ഡെസൻറ് ടെക്നിക്കുകൾ ഉപയോഗിച്ച് ചെലവ് സെൻസിറ്റീവ് അളവുകൾ നേരിട്ട് ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിലൂടെ ചെലവ് സെൻസിറ്റീവ് ഓൺലൈൻ വർഗ്ഗീകരണത്തിനുള്ള ഒരു പുതിയ ചട്ടക്കൂട് നിർദ്ദേശിക്കുകയും ചെയ്യുന്നു. പ്രത്യേകിച്ചും, ഞങ്ങൾ രണ്ട് പുതിയ ചെലവ് സെൻസിറ്റീവ് ഓൺലൈൻ ക്ലാസിഫിക്കേഷൻ അൽഗോരിതംസ് നിർദ്ദേശിക്കുന്നു, അവ അറിയപ്പെടുന്ന രണ്ട് ചെലവ് സെൻസിറ്റീവ് അളവുകൾ നേരിട്ട് ഒപ്റ്റിമൈസ് ചെയ്യാൻ രൂപകൽപ്പന ചെയ്തിട്ടുള്ളതാണ്: (i) സെൻസിറ്റിവിറ്റിയുടെയും സ്പെസിഫിക്സിന്റെയും ഭാരം കൂടിയ തുകയുടെ പരമാവധി വർദ്ധിപ്പിക്കൽ, (ii) ഭാരം കുറഞ്ഞ തെറ്റായ ക്ലാസിഫിക്കേഷൻ ചെലവ് കുറയ്ക്കുക. നിർദ്ദിഷ്ട അൽഗോരിതം നിർമ്മിച്ച ചെലവ് സെൻസിറ്റീവ് അളവുകളുടെ സൈദ്ധാന്തിക പരിധികൾ ഞങ്ങൾ വിശകലനം ചെയ്യുന്നു, കൂടാതെ ചെലവ് സെൻസിറ്റീവ് ഓൺലൈൻ വർഗ്ഗീകരണ ജോലികളിൽ അവയുടെ അനുഭവസമ്പത്തുള്ള പ്രകടനം വ്യാപകമായി പരിശോധിക്കുന്നു. ഓൺലൈൻ അസാധാരണതകൾ കണ്ടെത്തുന്നതിനുള്ള നിരവധി ജോലികൾ പരിഹരിക്കുന്നതിനുള്ള നിർദ്ദിഷ്ട സാങ്കേതികതയുടെ പ്രയോഗം ഞങ്ങൾ പ്രദർശിപ്പിക്കുന്നു, വിവിധ ആപ്ലിക്കേഷൻ ഡൊമെയ്നുകളിൽ ചെലവ് സെൻസിറ്റീവ് ഓൺലൈൻ വർഗ്ഗീകരണ ജോലികൾ കൈകാര്യം ചെയ്യുന്നതിനുള്ള വളരെ കാര്യക്ഷമവും ഫലപ്രദവുമായ ഉപകരണമായി നിർദ്ദിഷ്ട സാങ്കേതികതയെ കാണിക്കുന്നു. |
2b7c330e7b3fbe96ea6f5342eae17d90095026cc | |
1bd1b7344044e8cc068a77b439fca011120c4bc3 | സ്വയം നിയന്ത്രിത ഡ്രൈവിംഗ്, ഫ്ലൈറ്റ് കൺട്രോൾ തുടങ്ങിയ സുരക്ഷാ നിർണായകമായ ആപ്ലിക്കേഷനുകളില് ഡീപ് ന്യൂറല് നെറ്റ്വര്ക്കുകളുടെ കൂടുതല് ഉപയോഗം അവയുടെ സുരക്ഷയും വിശ്വാസ്യതയും സംബന്ധിച്ച ആശങ്കകളാണ് ഉയര് ത്തുന്നത്. ആഴത്തിലുള്ള പഠന സംവിധാനം ഉദ്ദേശിച്ചതുപോലെ പ്രവർത്തിക്കുന്നുവെന്ന് ഉറപ്പുവരുത്തുന്നതിലൂടെ ഔപചാരിക പരിശോധനയ്ക്ക് ഈ ആശങ്കകൾ പരിഹരിക്കാൻ കഴിയും, പക്ഷേ ഏറ്റവും പുതിയത് ചെറിയ സംവിധാനങ്ങളിൽ പരിമിതപ്പെടുത്തിയിരിക്കുന്നു. ഈ പുരോഗതിയിലുള്ള പ്രവര് ത്തന റിപ്പോർട്ടിൽ ഈ ബുദ്ധിമുട്ട് ലഘൂകരിക്കുന്നതിനുള്ള ഞങ്ങളുടെ പ്രവര് ത്തനത്തിന്റെ ഒരു അവലോകനം ഞങ്ങൾ നൽകുന്നു, രണ്ട് പരസ്പര പൂരകങ്ങളായ ദിശകൾ പിന്തുടരുന്നു: സ്കേലബിൾ പരിശോധനാ വിദ്യകൾ രൂപകൽപ്പന ചെയ്യുക, പരിശോധനയ്ക്ക് കൂടുതൽ അനുയോജ്യമായ ആഴത്തിലുള്ള പഠന സംവിധാനങ്ങളിലേക്ക് നയിക്കുന്ന ഡിസൈൻ ചോയ്സുകൾ തിരിച്ചറിയുക. എസിഎം റഫറൻസ് ഫോർമാറ്റ്: ലിൻഡ്സി കുപ്പർ, ഗൈ കാറ്റ്സ്, ജസ്റ്റിൻ ഗോട്ട്സ്ലിച്ച്, കെയ്ൽ ജൂലിയൻ, ക്ലാർക്ക് ബാരറ്റ്, മൈക്കൽ ജെ. കോച്ചെൻഡർഫർ എന്നിവരായിരുന്നു. 2018 ലായിരുന്നു അത്. സുരക്ഷയ്ക്ക് അത്യാവശ്യമായ ആഴത്തിലുള്ള ശൃംഖലകളുടെ പരിശോധന സാധ്യമാക്കുക സിസ്എംഎല് കോൺഫറന്സിന്റെ നടപടിക്രമത്തില് (സിസ്എംഎല്). എസിഎം, ന്യൂയോർക്ക്, ന്യൂയോർക്ക്, യുഎസ്എ, 3 പേജുകൾ |
6abe5eda71c3947013c59bbae700402813a1bc7f | അടുത്തിടെ NoSQL ഡാറ്റാബേസുകളും അവയുമായി ബന്ധപ്പെട്ട സാങ്കേതികവിദ്യകളും അതിവേഗം വികസിച്ചുകൊണ്ടിരിക്കുകയാണ്. അവയുടെ അടിസ്ഥാന (അടിസ്ഥാന ലഭ്യത, സോഫ്റ്റ് സ്റ്റേറ്റ്, അവസാന സ്ഥിരത) സവിശേഷതകൾ ഉപയോഗിച്ച് പല സാഹചര്യങ്ങളിലും വ്യാപകമായി പ്രയോഗിക്കുന്നു. നിലവിൽ 225 ലധികം തരത്തിലുള്ള നോസ് ക്യു എൽ ഡേറ്റാബേസുകളുണ്ട്. എന്നിരുന്നാലും, ഡാറ്റാബേസുകളുടെ അമിത അളവും നിരന്തരം അപ്ഡേറ്റ് ചെയ്യുന്ന പതിപ്പുകളും അവരുടെ പ്രകടനം താരതമ്യം ചെയ്യുന്നതിനും ഉചിതമായ ഒന്ന് തിരഞ്ഞെടുക്കുന്നതിനും ആളുകളെ വെല്ലുവിളിക്കുന്നു. ഈ പേപ്പർ ഒരു അളക്കൽ ഉപകരണം ഉപയോഗിച്ച് അഞ്ച് NoSQL ക്ലസ്റ്ററുകളുടെ (റെഡിസ്, മോംഗോഡിബി, കോച്ച്ബേസ്, കാസാൻഡ്ര, എച്ച്ബേസ്) പ്രകടനം വിലയിരുത്താൻ ശ്രമിക്കുന്നു - YCSB (Yahoo! ക്ലൌഡ് സെർവിംഗ് ബെഞ്ച്മാർക്ക്), ഓരോ ഡാറ്റാബേസിന്റെയും ഡാറ്റാ മോഡലും സംവിധാനവും വിശകലനം ചെയ്തുകൊണ്ട് പരീക്ഷണ ഫലങ്ങൾ വിശദീകരിക്കുകയും നോസ്ക്യുഎൽ ഡവലപ്പർമാർക്കും ഉപയോക്താക്കൾക്കും ഉപദേശം നൽകുകയും ചെയ്യുന്നു. |
39424070108220c600f67fa2dbd25f779a9fdb7a | ഒരു ലേഖനം കമ്പ്യൂട്ടർ പ്രോഗ്രാം ഉപയോഗിച്ച് യാന്ത്രികമായി സൃഷ്ടിക്കുന്നത് കൃത്രിമബുദ്ധിയിലും സ്വാഭാവിക ഭാഷാ പ്രോസസ്സിംഗിലും വെല്ലുവിളി നിറഞ്ഞ ഒരു ജോലിയാണ്. ഈ ലേഖനത്തിൽ, ഞങ്ങൾ ഉപന്യാസ സൃഷ്ടി ലക്ഷ്യമിടുന്നു, അത് ഒരു വിഷയ വാക്ക് മനസ്സിൽ വച്ചുകൊണ്ട് വിഷയത്തിന്റെ തീം പ്രകാരം ഒരു സംഘടിത ലേഖനം സൃഷ്ടിക്കുന്നു. ടെക്സ്റ്റ് പ്ലാനിംഗ് എന്ന ആശയം പിന്തുടരുകയും (റൈറ്ററും ഡെയ്ലും, 1997) ഒരു ഉപന്യാസ സൃഷ്ടിക്കൽ ചട്ടക്കൂട് വികസിപ്പിക്കുകയും ചെയ്യുന്നു. ഈ ചട്ടക്കൂടിന് മൂന്ന് ഘടകങ്ങളുണ്ട്, അവയിൽ വിഷയം മനസ്സിലാക്കുക, വാക്യങ്ങൾ വേർതിരിച്ചെടുക്കുക, വാക്യങ്ങൾ പുനഃക്രമീകരിക്കുക എന്നിവ ഉൾപ്പെടുന്നു. ഓരോ ഘടകത്തിനും വേണ്ടി, നാം നിരവധി സ്റ്റാറ്റിസ്റ്റിക്കൽ അൽഗോരിതം പഠിക്കുകയും ഗുണപരമായ അല്ലെങ്കിൽ അളവുകോലായ വിശകലനത്തിന്റെ അടിസ്ഥാനത്തിൽ അവ തമ്മിൽ അനുഭവസമ്പത്തുള്ള താരതമ്യം നടത്തുകയും ചെയ്തു. ചൈനീസ് കോർപസിൽ പരീക്ഷണങ്ങൾ നടത്തുന്നുണ്ടെങ്കിലും ഈ രീതി ഭാഷയെ ആശ്രയിക്കുന്നില്ല. മറ്റു ഭാഷകളിലും ഇത് എളുപ്പത്തിൽ ഉപയോഗിക്കാം. നാം അവശേഷിക്കുന്ന വെല്ലുവിളികളെക്കുറിച്ച് വിശദീകരിച്ച് ഭാവി ഗവേഷണത്തിനുള്ള വഴികൾ നിർദ്ദേശിക്കുന്നു. |
e25221b4c472c4337383341f6b2c9375e86709af | |
e9c9da57bbf9a968489cb90ec7252319bcab42fb | മിനിബാച്ച് സ്റ്റോക്കാസ്റ്റിക് ഗ്രേഡിയന്റ് ഇറക്കത്തോടെ ഒരൊറ്റ ജിപിയുവിൽ യോജിക്കുന്ന കൺവൊലൂഷണൽ നെറ്റ്വർക്കുകൾ (സിഎൻഎൻ) പരിശീലിപ്പിക്കുന്നത് പ്രായോഗികമായി ഫലപ്രദമായിത്തീർന്നിരിക്കുന്നു. എന്നിരുന്നാലും, കുറച്ച് ജിപിയു കാർഡുകളുടെ മെമ്മറിയിൽ ഉൾക്കൊള്ളാത്ത വലിയ നെറ്റ്വർക്കുകൾ പരിശീലിപ്പിക്കുന്നതിനോ സിഎൻഎൻ പരിശീലനം സമാന്തരമാക്കുന്നതിനോ ഫലപ്രദമായ ഒരു രീതി ഇപ്പോഴും നിലവിലില്ല. ഈ പ്രവര് ത്തനത്തില് നാം കാണിക്കുന്നത് വിദഗ്ധരുടെ ഒരു ലളിതമായ മിശ്രിത മാതൃകയെ കാര്യക്ഷമമായി പരിശീലിപ്പിക്കാന് കഴിയുമെന്ന് വലിയ തോതിലുള്ള ഹാഷ്ടാഗ് (മൾട്ടി ലേബൽ) പ്രവചന ചുമതലകളില് കാര്യക്ഷമമായി പരിശീലിപ്പിക്കാന് കഴിയും. വിദഗ്ധരുടെ മിശ്രിത മാതൃകകൾ പുതിയതല്ല [7, 3], പക്ഷേ മുമ്പ്, ഡാറ്റയുടെ വിഭജനം കൈകാര്യം ചെയ്യുന്നതിന് ഗവേഷകർക്ക് സങ്കീർണ്ണമായ രീതികൾ രൂപകൽപ്പന ചെയ്യേണ്ടിവന്നു. ആധുനിക ഡാറ്റാ സെറ്റുകൾ വളരെ ദുർബലമായി നിരീക്ഷിക്കപ്പെടുന്നുവെന്നത് നാം അനുഭവസമ്പത്തോടെ കാണിക്കുന്നു. ഓരോ ഡാറ്റാ പോയിന്റും ഒരൊറ്റ വിദഗ്ദ്ധന് നൽകിയിരിക്കുന്ന നിഷ്കളങ്കമായ പാർട്ടീഷനിംഗ് സ്കീമുകളെ പിന്തുണയ്ക്കാൻ ഇത് മതിയാകും. വിദഗ്ധര് സ്വതന്ത്രരായതുകൊണ്ട് അവരെ സമാന്തരമായി പരിശീലിപ്പിക്കുന്നത് എളുപ്പമാണ്. മോഡലിന്റെ വലിപ്പത്തിന് വിലയിരുത്തല് ചെലവ് കുറഞ്ഞതാണ്. കൂടാതെ, എല്ലാ വിദഗ്ധര് ക്കും ഒരു ഡീകോഡിംഗ് ലെയര് ഉപയോഗിക്കാന് സാധിക്കുമെന്ന് ഞങ്ങള് കാണിക്കുന്നു, ഒരു ഏകീകൃത സവിശേഷത ഉൾപ്പെടുത്തല് സ്ഥലം അനുവദിക്കുന്നു. സാധാരണ സിഎൻഎൻ ആർക്കിടെക്ചറുകളുമായി പ്രായോഗികമായി പരിശീലിപ്പിക്കുന്നതിനേക്കാൾ വളരെ വലിയ മോഡലുകൾ പരിശീലിപ്പിക്കുന്നത് സാധ്യമാണെന്ന് (വാസ്തവത്തിൽ താരതമ്യേന വേദനയില്ലാത്തത്) തെളിയിക്കുന്നു, കൂടാതെ നിലവിലെ ഡാറ്റാ സെറ്റുകളിൽ അധിക ശേഷി നന്നായി ഉപയോഗിക്കാൻ കഴിയും. |
0ec33f27de8350470935ec5bf9d198eceaf63904 | ലോക്കൽ നൈവ് ബേയ്സ് ന്യൂറസ്റ്റ് നെവിസൺ അവതരിപ്പിക്കുന്നു, ഇത് എൻബിഎൻഎൻ ഇമേജ് ക്ലാസിഫിക്കേഷൻ അൽഗോരിതം മെച്ചപ്പെടുത്തുന്നു, ഇത് ക്ലാസിഫിക്കേഷൻ കൃത്യത വർദ്ധിപ്പിക്കുകയും വലിയ എണ്ണം ഒബ്ജക്റ്റ് ക്ലാസുകളിലേക്ക് സ്കെയിൽ ചെയ്യാനുള്ള കഴിവ് മെച്ചപ്പെടുത്തുകയും ചെയ്യുന്നു. ഒരു വിവരണത്തിന്റെ പ്രാദേശിക അയൽപക്കത്ത് പ്രതിനിധീകരിക്കുന്ന ക്ലാസുകൾ മാത്രമേ അവരുടെ പിൻകാല സാധ്യതാ കണക്കുകളിലേക്ക് കാര്യമായതും വിശ്വസനീയവുമായ സംഭാവന നൽകുന്നുള്ളൂ എന്നതാണ് പ്രധാന നിരീക്ഷണം. ഓരോ ക്ലാസിന്റെയും പരിശീലന വിവരണങ്ങൾക്ക് പ്രത്യേക തിരയൽ ഘടന നിലനിർത്തുന്നതിനുപകരം, എല്ലാ റഫറൻസ് ഡാറ്റയും ഒരു തിരയൽ ഘടനയിലേക്ക് സംയോജിപ്പിക്കുന്നു, ഒരു വിവരണത്തിന്റെ പ്രാദേശിക അയൽപക്കത്തെ വേഗത്തിൽ തിരിച്ചറിയാൻ അനുവദിക്കുന്നു. കൂടുതൽ വിദൂര ക്ലാസുകളിലേക്കുള്ള ക്രമീകരണങ്ങൾ അവഗണിക്കുമ്പോൾ വർഗ്ഗീകരണ കൃത്യതയിൽ വർദ്ധനവ് ഞങ്ങൾ കാണിക്കുന്നു, കൂടാതെ റൺ സമയം യഥാർത്ഥത്തിൽ ചെയ്തതുപോലെ ക്ലാസുകളുടെ എണ്ണത്തിൽ രേഖാമൂലമുള്ളതിനേക്കാൾ ക്ലാസുകളുടെ എണ്ണത്തിൽ വർദ്ധിക്കുന്നുവെന്ന് കാണിക്കുന്നു. പ്രാദേശിക NBNN, കാൽടെക് 256 ഡാറ്റാ സെറ്റിലെ യഥാർത്ഥ NBNN നേക്കാൾ 100 മടങ്ങ് വേഗത നൽകുന്നു. ഒരു കൂട്ടം പൊതുവായ ഇൻപുട്ട് സവിശേഷതകൾ ഉപയോഗിച്ച് സ്പേഷ്യൽ പിരമിഡ് രീതികളുമായി NBNN-ന്റെ ആദ്യ തലക്കെട്ട് താരതമ്യം ഞങ്ങൾ നൽകുന്നു. പ്രാദേശിക NBNN എല്ലാ NBNN അടിസ്ഥാനമാക്കിയുള്ള രീതികളെയും യഥാർത്ഥ സ്പേഷ്യൽ പിരമിഡ് മോഡലിനെയും മറികടക്കുന്നുവെന്ന് ഞങ്ങൾ കാണിക്കുന്നു. എന്നിരുന്നാലും, പ്രാദേശിക എൻബിഎൻഎൻ, മത്സരാധിഷ്ഠിതമായിരിക്കുമ്പോൾ, പ്രാദേശിക സോഫ്റ്റ് അസൈൻമെന്റും മാക്സ്-പൂളിംഗും ഉപയോഗിക്കുന്ന ഏറ്റവും പുതിയ സ്പേഷ്യൽ പിരമിഡ് രീതികളെ മറികടക്കുന്നില്ലെന്ന് ഞങ്ങൾ കണ്ടെത്തുന്നു. |
68603a9372f4e9194ab09c4e585e3150b4025e97 | മുടി കൊഴിച്ചിലിന് റെ പ്രധാന കാരണം മുതിർന്ന സ്ത്രീകളിലാണ്, രോഗികളുടെ ജീവിത നിലവാരത്തെ ഇത് സാരമായി ബാധിക്കുന്നു. ഫോളിക്കിളുകളുടെ ക്രമേണയുള്ള ചെറുതാക്കലില് നിന്നാണ് ഇത് വികസിക്കുന്നത്, ഇത് മുടിയുടെ സാന്ദ്രത കുറയുന്നതിലേക്ക് നയിക്കുന്നു, ഇത് ന്യൂറൽ അല്ലാത്ത വ്യാപകമായ അലോപ്പേഷ്യയിലേക്ക് നയിക്കുന്നു, സ്വഭാവമുള്ള ക്ലിനിക്കൽ, ഡെർമോസ്കോപ്പിക്, ഹിസ്റ്റോളജിക്കൽ പാറ്റേണുകളോടെ. രോഗം വളരെ വ്യാപകമായി കാണപ്പെടുന്നതും അതിന്റെ മാനസിക പ്രത്യാഘാതങ്ങൾ വളരെ വലുതായിരിക്കുമെങ്കിലും, ജനിതക, ഹോർമോൺ, പാരിസ്ഥിതിക ഘടകങ്ങൾ എന്നിവയുടെ സ്വാധീനത്താൽ രോഗം പടരുന്നതിന്റെ കാരണങ്ങൾ ഇതുവരെ പൂർണ്ണമായി മനസ്സിലാക്കിയിട്ടില്ല. കൂടാതെ, ചികിത്സയോടുള്ള പ്രതികരണം വ്യത്യാസപ്പെട്ടിരിക്കുന്നു. ഈ ലേഖനത്തിൽ, സ്ത്രീകളുടെ മുടി കൊഴിച്ചിലിന്റെ പ്രധാന ക്ലിനിക്കൽ, എപ്പിഡെമിയോളജിക്കൽ, പാത്തോഫിസിയോളജിക്കൽ വശങ്ങളെക്കുറിച്ച് രചയിതാക്കൾ ചർച്ച ചെയ്യുന്നു. |
3c398007c04eb12c0b7417f5d135919a300a470d | ഇന്റർനെറ്റിലും ഡിജിറ്റൽ ലൈബ്രറികളിലും വാർത്താ ഉറവിടങ്ങളിലും കമ്പനിയിലുടനീളമുള്ള ഇന്ററാന്റെയും ലഭ്യമായ ടെക്സ്റ്റ് ഡോക്യുമെന്റുകളുടെ അളവിൽ വൻ വളര് ച്ചയാണ് കഴിഞ്ഞ കുറച്ച് വര് ഷങ്ങളായി നാം കണ്ടുകൊണ്ടിരിക്കുന്നത്. പ്രമാണങ്ങളുടെ മുൻകൂട്ടി നിശ്ചയിച്ചിട്ടുള്ള ക്ലാസുകളിലേക്ക് (വിഷയങ്ങൾ അല്ലെങ്കിൽ തീമുകൾ) ടെക്സ്റ്റ് ഡോക്യുമെന്റുകളെ നിയോഗിക്കുന്ന യാന്ത്രിക വാചക വർഗ്ഗീകരണം, ഈ ഹൈ റിസോഴ്സുകളെക്കുറിച്ചുള്ള വിവരങ്ങൾ സംഘടിപ്പിക്കുന്നതിനും കണ്ടെത്തുന്നതിനും സഹായിക്കുന്ന ഒരു പ്രധാന ജോലിയാണ്. ടെക്സ്റ്റ് വിഭാഗീകരണം ഡാറ്റ സെറ്റിലെ ധാരാളം ആട്രിബ്യൂട്ടുകൾ, ധാരാളം പരിശീലന സാമ്പിളുകൾ, ആട്രിബ്യൂട്ട് ആശ്രിതത്വം എന്നിവ കാരണം അതുല്യമായ വെല്ലുവിളികൾ അവതരിപ്പിക്കുന്നു. ഈ ലേഖനത്തിൽ നാം ഒരു ലളിതമായ ലീനിയർ-ടൈം സെൻട്രോയിഡ് അടിസ്ഥാനമാക്കിയുള്ള പ്രമാണ വർഗ്ഗീകരണ അൽഗോരിതം ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു, അതിന്റെ ലാളിത്യവും കരുത്തുറ്റ പ്രകടനവും ഉണ്ടായിരുന്നിട്ടും, ഇത് വ്യാപകമായി പഠിക്കുകയും വിശകലനം ചെയ്യുകയും ചെയ്തിട്ടില്ല. ഞങ്ങളുടെ വിപുലമായ പരീക്ഷണങ്ങൾ കാണിക്കുന്നത് ഈ സെൻട്രോയിഡ് അധിഷ്ഠിത ക്ലാസിഫയർ സ്ഥിരതയാർന്നതും മറ്റ് അൽഗോരിതങ്ങളെ മറികടക്കുന്നുവെന്നാണ്. സെൻട്രോയിഡ് അടിസ്ഥാനമാക്കിയുള്ള സ്കീം ഉപയോഗിക്കുന്ന സമാനത അളക്കുന്നത്, വ്യത്യസ്ത ക്ലാസുകളിലെ പ്രമാണങ്ങളുടെ സ്വഭാവവുമായി എത്രത്തോളം പൊരുത്തപ്പെടുന്നു എന്നതിനെ അടിസ്ഥാനമാക്കി പുതിയ പ്രമാണത്തെ വർഗ്ഗീകരിക്കാൻ അനുവദിക്കുന്നുവെന്ന് ഞങ്ങളുടെ വിശകലനം കാണിക്കുന്നു, ഇത് പ്രമാണങ്ങൾ തമ്മിലുള്ള ശരാശരി സമാനതയാൽ അളക്കുന്നു. ഈ പൊരുത്തപ്പെടുത്തൽ വ്യത്യസ്ത സാന്ദ്രതകളുള്ള ക്ലാസുകൾക്ക് ചലനാത്മകമായി ക്രമീകരിക്കാൻ ഇത് അനുവദിക്കുന്നു. കൂടാതെ, നമ്മുടെ വിശകലനം കാണിക്കുന്നത് സെൻട്രോയിഡ് അടിസ്ഥാനമാക്കിയുള്ള സ്കീമിന്റെ സമാനത അളവ് വ്യത്യസ്ത ക്ലാസുകളിലെ പദങ്ങൾ തമ്മിലുള്ള ആശ്രിതത്വങ്ങളെ കണക്കിലെടുക്കുന്നു എന്നാണ്. ഈ സ്വഭാവം കൊണ്ടാണ് ഈ ക്ലാസിഫിക്കേഷന് ഈ ആശ്രിതത്വങ്ങളെ കണക്കിലെടുക്കാൻ കഴിയാത്ത മറ്റു ക്ലാസിഫിക്കേഷനുകളെക്കാൾ മികച്ച പ്രകടനം കാഴ്ചവയ്ക്കുന്നതെന്ന് ഞങ്ങൾ വിശ്വസിക്കുന്നു. |
7f13e66231c96f34f8de2b091e5b5dafb5db5327 | ന്യൂറൽ മെഷീൻ ട്രാൻസ്ലേഷൻ (എൻഎംടി) മോഡലുകൾക്ക് തുടർച്ചയായ ലെക്സിക്കൽ വിവരങ്ങളിൽ നിന്ന് സിന്റാക്റ്റിക് വിവരങ്ങൾ ഭാഗികമായി പഠിക്കാൻ കഴിയും. എന്നിരുന്നാലും, പ്രെപൊസിഷണൽ പദങ്ങളുടെ അറ്റാച്ചുമെന്റ് പോലുള്ള ചില സങ്കീർണ്ണമായ വാക്യഘടനാപരമായ പ്രതിഭാസങ്ങൾ മോശമായി രൂപകൽപ്പന ചെയ്തിരിക്കുന്നു. ഈ കൃതി രണ്ട് ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകാൻ ലക്ഷ്യമിടുന്നു: 1) ഉറവിടമോ ടാർഗെറ്റ് ഭാഷാ വാക്യഘടനയോ വ്യക്തമായി മോഡലിംഗ് ചെയ്യുന്നത് എൻഎംടിക്ക് സഹായിക്കുമോ? 2) ഒന്നിലധികം കാര്യങ്ങൾ ചെയ്യാനുള്ള പരിശീലനത്തേക്കാൾ നല്ലത് വാക്കുകളും വാക്യഘടനയും പരസ്പരം സമന്വയിപ്പിക്കുന്നതാണോ? സിസിജി സൂപ്പർ ടാഗുകളുടെ രൂപത്തിൽ സിന്റാക്റ്റിക് വിവരങ്ങൾ ഞങ്ങൾ ഉൾപ്പെടുത്തുന്നു. ഉറവിടത്തിൽ ഒരു അധിക സവിശേഷതയായി അല്ലെങ്കിൽ ടാർഗെറ്റിൽ, ടാർഗെറ്റ് സൂപ്പർ ടാഗുകൾ പദങ്ങളുടെ ശ്രേണിയിലേക്ക് ഇടുന്നതിലൂടെ. WMT ഡാറ്റയെക്കുറിച്ചുള്ള ഞങ്ങളുടെ ഫലങ്ങൾ കാണിക്കുന്നത്, സിന്റാക്സ് വ്യക്തമായി മോഡലിംഗ് ചെയ്യുന്നത് ഇംഗ്ലീഷ്ജർമ്മൻ, ഉയർന്ന റിസോഴ്സ് ജോഡി, ഇംഗ്ലീഷ്റൊമാനിയൻ, കുറഞ്ഞ റിസോഴ്സ് ജോഡി എന്നിവയ്ക്കായി യാന്ത്രിക വിവർത്തന നിലവാരം മെച്ചപ്പെടുത്തുന്നുവെന്നും കൂടാതെ പ്രെപോസിഷണൽ പദപ്രയോഗ അറ്റാച്ചുമെന്റ് ഉൾപ്പെടെ നിരവധി സിന്റാക്റ്റിക് പ്രതിഭാസങ്ങളും. കൂടാതെ, വാക്കുകളും വാക്യഘടനയും തമ്മിലുള്ള അടുപ്പമുള്ള ബന്ധം, ബഹുതല പരിശീലനത്തേക്കാൾ വിവർത്തനത്തിന്റെ ഗുണനിലവാരം മെച്ചപ്പെടുത്തുന്നു. |
f218e9988e30b0dea133b8fcda7033b6f1172af9 | പ്രകൃതിദത്തമായ ചിത്രങ്ങളും കമ്പ്യൂട്ടർ ജനറേറ്റഡ് ചിത്രങ്ങളും തമ്മിൽ മനുഷ്യന്റെ കണ്ണുകൾക്ക് വേർതിരിച്ചറിയാൻ പ്രയാസമാണ്. ഈ ലേഖനത്തിൽ, ഈ അടിസ്ഥാന ഇമേജ് ഫോറൻസിക് പ്രശ്നത്തിന് ഒരു കൺവൊലൂഷണൽ ന്യൂറൽ നെറ്റ്വർക്ക് (സിഎൻഎൻ) അടിസ്ഥാനമാക്കിയുള്ള ഒരു ഫലപ്രദമായ രീതി ഞങ്ങൾ നിർദ്ദേശിക്കുന്നു. നിലവിലുള്ള സിസിഎൻ-കളെ ആദ്യം മുതൽ പരിശീലിപ്പിക്കുകയോ മുൻകൂട്ടി പരിശീലിപ്പിച്ച നെറ്റ്വർക്ക് മികച്ച രീതിയിൽ ക്രമീകരിക്കുകയോ ചെയ്യുന്നതിന്റെ പരിമിതമായ പ്രകടനം നിരീക്ഷിച്ച ശേഷം, ഞങ്ങൾ ഒരു പുതിയതും ഉചിതമായതുമായ ഒരു നെറ്റ്വർക്ക് രൂപകൽപ്പന ചെയ്യുകയും നടപ്പിലാക്കുകയും ചെയ്യുന്നു. നമ്മുടെ ശൃംഖല എളുപ്പത്തിൽ ക്രമീകരിക്കാവുന്നതാണ് വ്യത്യസ്ത വലുപ്പത്തിലുള്ള ഇൻപുട്ട് ഇമേജ് പാച്ചുകൾ ഉൾക്കൊള്ളുന്നതിനായി നിശ്ചിത ആഴം നിലനിർത്തിക്കൊണ്ട്, സിഎൻഎന്റെ സ്ഥിരമായ ഘടന, നല്ല ഫോറൻസിക് പ്രകടനം. സിഎന് എമ്മുകളെ പരിശീലിപ്പിക്കുന്നതില് ഉള്ള സങ്കീര് ണതയും, ഫോറന് സിക് ഇമേജുകളുടെ പ്രത്യേക ആവശ്യകതയും കണക്കിലെടുത്ത്, നമ്മുടെ നിർദ്ദിഷ്ട ശൃംഖലയില് ലോക്കല് ടു ഗ്ലോബല് എന്ന തന്ത്രം അവതരിപ്പിക്കുന്നു. നമ്മുടെ സി.എൻ.എന് പ്രാദേശിക പാച്ചുകളില് ഫോറന് സിക് തീരുമാനം എടുക്കുന്നു, ഒരു പൂർണ്ണ വലുപ്പത്തിലുള്ള ചിത്രത്തില് ആഗോള തീരുമാനം എടുക്കുന്നത് ലളിതമായ ഭൂരിപക്ഷ വോട്ടിംഗ് വഴി എളുപ്പത്തില് നേടാവുന്നതാണ്. കൈകൊണ്ട് നിർമ്മിച്ച സവിശേഷതകളെ അടിസ്ഥാനമാക്കിയുള്ള നിലവിലുള്ള രീതികളുടെ പ്രകടനം മെച്ചപ്പെടുത്തുന്നതിനും ഈ തന്ത്രം ഉപയോഗിക്കാം. പരീക്ഷണ ഫലങ്ങള് കാണിക്കുന്നത് നമ്മുടെ രീതി നിലവിലുള്ള രീതികളെ മറികടക്കുന്നു, പ്രത്യേകിച്ചും വെല്ലുവിളി നിറഞ്ഞ ഫോറന് സിക് രംഗത്ത് വൈവിധ്യമാർന്ന ഉത്ഭവങ്ങളുള്ള എൻഐകളും സിജി ഇമേജുകളും ഉപയോഗിച്ച്. ജെപിഇജി കംപ്രഷൻ, വലുപ്പം മാറ്റം തുടങ്ങിയ സാധാരണ പോസ്റ്റ് പ്രോസസ്സിംഗ് പ്രവർത്തനങ്ങളുമായി നമ്മുടെ രീതിക്ക് നല്ല കരുത്തുണ്ട്. സിഎൻഎൻ ഉപയോഗിച്ച് ഫോറൻസിക് ചിത്രങ്ങൾ എടുക്കുന്നതിനു മുമ്പ്, സിഎൻഎൻ ഉപയോഗിച്ച് എൻഐയും സിജി ഇമേജുകളും തമ്മിലുള്ള വ്യത്യാസങ്ങളെക്കുറിച്ച് മനസിലാക്കാൻ ശ്രമിച്ചു. |
7c38c9ff0108e774cdfe2a90ced1c89812e7f498 | ടാർഗെറ്റ് ട്രാക്കിംഗിനും ഉയർന്ന തലത്തിലുള്ള ഓട്ടോമോട്ടീവ് ആപ്ലിക്കേഷനുകൾക്കുമായി റഡാർ സിഗ്നൽ പ്രോസസ്സിംഗ് അൽഗോരിതം വികസിപ്പിക്കുന്നത് പ്രധാനമായും യഥാർത്ഥ റഡാർ ഡാറ്റയെ അടിസ്ഥാനമാക്കിയാണ്. ചെലവേറിയതും സമയമെടുക്കുന്നതുമായ പരീക്ഷണ റൺസുകളിൽ ഡാറ്റാബേസ് നേടേണ്ടതുണ്ട്. അഡാപ്റ്റീവ് ക്രൂയിസ് കൺട്രോൾ (എസിസി) പോലുള്ള താരതമ്യേന ലളിതമായ ഒരു പ്രയോഗത്തിന്, പ്രധാനപ്പെട്ട ട്രാഫിക് സാഹചര്യങ്ങളുടെ വൈവിധ്യത്തെ പരിശോധനാ റൺസ് മതിയായ രീതിയിൽ ഉൾക്കൊള്ളാൻ കഴിയും. പക്ഷെ, ഇന്റർസെക്ഷന് അസിസ്റ്റന് സ് പോലുള്ള കൂടുതൽ വിപുലമായ ആപ്ലിക്കേഷനുകൾക്ക്, ഒരു പ്രതിനിധി റഡാർ ഡാറ്റ സെറ്റ് നേടുന്നതിനുള്ള ശ്രമം അസഹനീയമായിരിക്കും. ഈ ലേഖനത്തിൽ, റഡാർ ടാർഗെറ്റ് ലിസ്റ്റുകൾ യാഥാർത്ഥ്യബോധത്തോടെയും എന്നാൽ കമ്പ്യൂട്ടേഷണൽ ആവശ്യമില്ലാത്തതുമായ രീതിയിൽ അനുകരിക്കുന്നതിനുള്ള ഒരു മാർഗ്ഗം ഞങ്ങൾ നിർദ്ദേശിക്കുന്നു, ഇത് ആവശ്യമായ യഥാർത്ഥ റഡാർ ഡാറ്റയുടെ അളവ് ഗണ്യമായി കുറയ്ക്കാൻ അനുവദിക്കും |
bca4e05a45f310ceb327d67278858343e8df7089 | |
1717dee0e8785d963e0333a0bb945757444bb651 | പരിശോധിച്ചുറപ്പിച്ച ശിൽപശാലാ വിദ്യകൾ ഉപയോഗിച്ച്, ജനപ്രിയ ഓപ്പറേറ്റിങ് സിസ്റ്റങ്ങൾ (ഉദാ. വിൻഡോസ്, ലിനക്സ്, ഒഎസ്എക്സ്) പലപ്പോഴും അവശേഷിക്കുന്ന ഐപി പാക്കറ്റുകൾ, ഇഥർനെറ്റ് ഫ്രെയിമുകൾ, അതുമായി ബന്ധപ്പെട്ട ഡാറ്റാ ഘടനകൾ എന്നിവ സിസ്റ്റം മെമ്മറിയിൽ ദീർഘകാലം നീണ്ടുനിൽക്കുന്ന നെറ്റ്വർക്ക് ട്രാഫിക്കിൽ നിന്ന് ഉണ്ടാകും. മുൻകൂർ കണക്ഷൻ പ്രവർത്തനവും ഉപയോഗിച്ച സേവനങ്ങളും സ്ഥാപിക്കുക, സിസ്റ്റത്തിന്റെ ലാൻ അല്ലെങ്കിൽ ഡബ്ല്യുഎൽഎൻ സിസ്റ്റത്തിൽ നിലവിലുള്ള മറ്റ് സിസ്റ്റങ്ങൾ തിരിച്ചറിയുക, ഹോസ്റ്റ് കമ്പ്യൂട്ടർ സിസ്റ്റത്തിന്റെ ജിയോലൊക്കേഷൻ, ക്രോസ്-ഡ്രൈവ് വിശകലനം എന്നിവ ഉൾപ്പെടെ നിരവധി ഫോറൻസിക് ആവശ്യങ്ങൾക്ക് അത്തരം വിവരങ്ങൾ ഉപയോഗപ്രദമാണ്. സിസ്റ്റം സ്വാപ്പിംഗ് അല്ലെങ്കിൽ ഹൈബർനേഷൻ സമയത്ത് ഒരു മാസ് സ്റ്റോറേജ് മീഡിയത്തിൽ നിലനില് ക്കുന്ന മെമ്മറിയിൽ നിന്നും നെറ്റ്വർക്ക് ഘടനകൾ വീണ്ടെടുക്കാൻ കഴിയുമെന്ന് ഞങ്ങൾ കാണിക്കുന്നു. നാം നമ്മുടെ നെറ്റ് വർക്ക് സ്കേവിംഗ് ടെക്നിക്കുകളും, അൽഗോരിതങ്ങളും, ഉപകരണങ്ങളും അവതരിപ്പിക്കുന്നു, അവയെ പ്രത്യേകമായി നിർമ്മിച്ച മെമ്മറി ഇമേജുകളോടും, ലഭ്യമായ ഫോറൻസിക് കോർപറുകളോടും കൂടി പരിശോധിക്കുന്നു. ഫോറൻസിക് ജോലികളിലും, പ്രത്യേകിച്ച് മൊബൈൽ ഉപകരണങ്ങളുടെ വിശകലനത്തിലും, ക്ഷുദ്രവെയർ വിശകലനം പോലുള്ള സൈബർ സുരക്ഷാ ലക്ഷ്യങ്ങളിലും ഈ സാങ്കേതിക വിദ്യകൾ വിലപ്പെട്ടതാണ്. എല് സെവിര് ലിമിറ്റഡ് പ്രസിദ്ധീകരിച്ചു |
62a7cfab468ef3bbd763db8f80745bd93d2be7dd | 2007 നവംബറിൽ പുറത്തിറങ്ങിയ ഏറ്റവും വേഗത്തിൽ വളരുന്ന മൊബൈൽ ഓപ്പറേറ്റിങ് സിസ്റ്റമായ ആൻഡ്രോയിഡിന് 1.4 ബില്യൺ സജീവ ഉപയോക്താക്കളുണ്ട്. ആൻഡ്രോയിഡ് ഉപയോക്താക്കള് അവരുടെ വ്യക്തിഗത ഡാറ്റ ഹാക്ക് ചെയ്യാന് കഴിയുന്ന ദോഷകരമായ ആപ്ലിക്കേഷനുകള് ക്ക് വളരെ എളുപ്പത്തില് ഇരയാകുന്നു. കാരണം അവരുടെ ഉപകരണത്തിലെ സുരക്ഷയുടെ ശ്രദ്ധാപൂർവ്വമായ നിരീക്ഷണത്തിന്റെ അഭാവം. ക്ഷുദ്രവെയറുകൾ കണ്ടെത്തുന്നതിനുള്ള രീതികളെക്കുറിച്ച് നിരവധി പ്രവൃത്തികൾ നടന്നിട്ടുണ്ട്. എന്നിരുന്നാലും, നേരത്തെയുള്ള പ്രവൃത്തികളൊന്നും നേരിട്ട് പ്രയോഗിക്കുന്നതിന് വേണ്ടത്ര നിർണ്ണായകമല്ല, കൂടാതെ പരീക്ഷണാത്മക മൂല്യനിർണ്ണയവും ഇല്ല. ഈ ലേഖനത്തിൽ, ക്ഷുദ്രകരമായ ആപ്ലിക്കേഷനുകളുടെ സ്വഭാവവും സ്വത്വവും ഞങ്ങൾ അന്വേഷിക്കുകയും കണ്ടെത്തലിനായി രണ്ട് പുതിയ കണ്ടെത്തൽ സമീപനങ്ങൾ രൂപപ്പെടുത്തുകയും ചെയ്തു: നെറ്റ്വർക്ക് അധിഷ്ഠിത കണ്ടെത്തൽ, സിസ്റ്റം കോൾ അധിഷ്ഠിത കണ്ടെത്തൽ സമീപനങ്ങൾ. ഞങ്ങളുടെ നിർദ്ദിഷ്ട സമീപനങ്ങളെ വിലയിരുത്തുന്നതിന്, ഞങ്ങൾ 1260 ക്ഷുദ്രവെയറുകളുടെ ഒരു ഉപസെറ്റിൽ പരീക്ഷണങ്ങൾ നടത്തി, ആൻഡ്രോയിഡ് മാൽവെയർ ജീനോം പ്രോജക്റ്റിൽ നിന്ന് നേടിയത്, Y. Zhou et al സൃഷ്ടിച്ച ഒരു ക്ഷുദ്രവെയർ ഡാറ്റാബേസ്. [1] കൂടാതെ 227 ക്ഷുദ്രവെയറല്ലാത്ത (നല്ല) ആപ്ലിക്കേഷനുകളും. ഫലങ്ങള് കാണിക്കുന്നത്, നമ്മുടെ സിസ്റ്റം കോള് അധിഷ്ഠിത സമീപനത്തിന് 87% കൃത്യതയോടെ മാല് വെയര് കണ്ടെത്താന് സാധിക്കുന്നുവെന്നാണ്. പൊതുവായ മാല് വെയര് കണ്ടെത്തല് പശ്ചാത്തലത്തില് ഇത് വളരെ പ്രധാനപ്പെട്ടതാണ്. ഞങ്ങളുടെ നിർദ്ദിഷ്ട കണ്ടെത്തൽ സമീപനങ്ങളും പരീക്ഷണ ഫലങ്ങളും ആൻഡ്രോയിഡ് സിസ്റ്റങ്ങളിലെ മൊബൈൽ ക്ഷുദ്രവെയറുകളെക്കുറിച്ചുള്ള അന്വേഷണങ്ങളിൽ സുരക്ഷാ പ്രൊഫഷണലുകൾക്ക് കൂടുതൽ കൃത്യവും അളവറ്റതുമായ സമീപനങ്ങളുണ്ടാക്കും. |
e2d76fc1efbbf94a624dde792ca911e6687a4fd4 | 50 ബില്ല്യണ് ഡൌണ് ലോഡുകളും 1.3 മില്യണ് ആപ്ലിക്കേഷനുകളും ഗൂഗിളിന്റെ ഔദ്യോഗിക വിപണിയിൽ ലഭ്യമാണ്. അതേ സമയം തന്നെ, പ്ലാറ്റ്ഫോമിനെ ലക്ഷ്യമിട്ടുള്ള ക്ഷുദ്രവെയറുകളുടെ എണ്ണത്തിലും വർധനയുണ്ടായിട്ടുണ്ട്. പരമ്പരാഗത ഒപ്പ് അടിസ്ഥാനമാക്കിയുള്ള രീതികൾ അജ്ഞാത മാൽവേർ കണ്ടെത്തുന്നതിൽ കുറവായതിനാൽ, സമയബന്ധിതമായ സീറോ ഡേ കണ്ടെത്തലിന് ബദലുകൾ ആവശ്യമാണ്. ആൻഡ്രോയിഡ് ക്ഷുദ്രവെയറുകൾ കണ്ടെത്തുന്നതിന് സംയുക്ത പഠനം ഉപയോഗിക്കുന്ന ഒരു സമീപനമാണ് ഈ ലേഖനം നിർദ്ദേശിക്കുന്നത്. ആൻഡ്രോയിഡ് ക്ഷുദ്രവെയറുകൾ കണ്ടെത്തുന്നതിനുള്ള കൃത്യത മെച്ചപ്പെടുത്തുന്നതിനായി സ്റ്റാറ്റിക് വിശകലനത്തിന്റെ ഗുണങ്ങളും സംയുക്ത മെഷീൻ ലേണിംഗിന്റെ കാര്യക്ഷമതയും പ്രകടനവും ഇത് സംയോജിപ്പിക്കുന്നു. ഒരു പ്രമുഖ ആന്റിവൈറസ് വിതരണക്കാരന്റെ ക്ഷുദ്രവെയർ സാമ്പിളുകളുടെയും ഗുണകരമല്ലാത്ത ആപ്ലിക്കേഷനുകളുടെയും ഒരു വലിയ ശേഖരം ഉപയോഗിച്ചാണ് മെഷീൻ ലേണിംഗ് മോഡലുകൾ നിർമ്മിച്ചിരിക്കുന്നത്. സമഗ്ര പഠനത്തിന്റെ ശക്തി ഉപയോഗപ്പെടുത്തുന്നതിന് വലിയ ഫീച്ചർ സ്പേസ് ഉപയോഗിക്കുന്ന നിർദ്ദിഷ്ട രീതി 97.3 ശതമാനം മുതൽ 99 ശതമാനം വരെ കൃത്യതയുള്ളതും വളരെ കുറഞ്ഞ തെറ്റായ പോസിറ്റീവ് നിരക്കുകളുള്ളതുമാണെന്ന് പരീക്ഷണ ഫലങ്ങളും വിശകലനങ്ങളും കാണിക്കുന്നു. കീവേഡുകൾ മൊബൈൽ സുരക്ഷ; ആൻഡ്രോയിഡ്; ക്ഷുദ്രവെയർ കണ്ടെത്തൽ; സംയുക്ത പഠനം; സ്റ്റാറ്റിക് വിശകലനം; മെഷീൻ പഠനം; ഡാറ്റാ മൈനിംഗ്; റാൻഡം ഫോറസ്റ്റ് |
08d32340e0e6aa50952860b90dfba2fe4764a85a | വിപണിയിലെ സ്മാർട്ട്ഫോണുകളുടെ എണ്ണത്തില് വര് ദ്ധനവ്, ആൻഡ്രോയിഡ് പ്ലാറ്റ്ഫോം വിപണിയിലെ നേതാവായി മാറുന്നതോടെ ഈ പ്ലാറ്റ്ഫോമിലെ ക്ഷുദ്രവെയര് വിശകലനത്തിന്റെ ആവശ്യകത അടിയന്തിര പ്രശ്നമായി മാറുന്നു. ആൻഡ്രോയിഡ് പ്ലാറ്റ്ഫോമിലെ ക്ഷുദ്രവെയറുകൾ കണ്ടെത്തുന്നതിനുള്ള മാർഗമായി ആപ്ലിക്കേഷൻ പെരുമാറ്റത്തിന്റെ ചലനാത്മക വിശകലനത്തിനുള്ള മുൻകാല സമീപനങ്ങളെ ഈ പേപ്പറിൽ ഞങ്ങൾ മുതലെടുക്കുന്നു. ഈ ഡിറ്റക്ടര് ഒരു പൊതു ചട്ടക്കൂടില് ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. ഞങ്ങളുടെ ചട്ടക്കൂട് കേന്ദ്ര സെര് വറിലെ ശേഖരിച്ച ഡാറ്റയെ വിശകലനം ചെയ്തുകൊണ്ട് തെളിയിക്കപ്പെട്ടിട്ടുണ്ട്. രണ്ട് തരം ഡാറ്റാ സെറ്റുകള് ഉപയോഗിച്ച്: പരീക്ഷണ ആവശ്യകതയ്ക്കായി സൃഷ്ടിച്ച കൃത്രിമ മാല് വേര് , കാട്ടാനകളില് കണ്ടെത്തിയ യഥാർത്ഥ മാല് വേര് എന്നിവയില് നിന്ന്. ഈ രീതി ക്ഷുദ്രവെയറിനെ ഒറ്റപ്പെടുത്തുന്നതിനും ഡൌൺലോഡ് ചെയ്ത ക്ഷുദ്രവെയറിനെക്കുറിച്ച് ഉപയോക്താക്കളെ അറിയിക്കുന്നതിനും ഫലപ്രദമായ മാർഗമാണെന്ന് തെളിഞ്ഞിട്ടുണ്ട്. ഇത് കണ്ടെത്തിയ ക്ഷുദ്രവെയര് ഒരു വലിയ സമൂഹത്തില് പടരാതിരിക്കാനുള്ള സാധ്യത കാണിക്കുന്നു. |
12ef153d9c7ccc374d56acf34b59fb2eaec6f755 | പ്രത്യേകിച്ചും, ഒരു വർഷത്തിലേറെ നീണ്ട പരിശ്രമത്തിലൂടെ, നിലവിലുള്ള ആൻഡ്രോയിഡ് ക്ഷുദ്രവെയർ കുടുംബങ്ങളിൽ ഭൂരിഭാഗവും ഉൾക്കൊള്ളുന്ന 1,200 ലധികം ക്ഷുദ്രവെയർ സാമ്പിളുകൾ ശേഖരിക്കാൻ ഞങ്ങൾക്ക് കഴിഞ്ഞു, 2010 ഓഗസ്റ്റിൽ അവയുടെ അരങ്ങേറ്റം മുതൽ 2011 ഒക്ടോബറിൽ ഏറ്റവും പുതിയവ വരെ. ഇതിനു പുറമെ, വിവിധ വശങ്ങളില് നിന്ന് അവയെ വ്യവസ്ഥാപിതമായി വിശേഷിപ്പിക്കുന്നു, അവയുടെ ഇൻസ്റ്റലേഷൻ രീതികൾ, ആക്റ്റിവേഷൻ സംവിധാനങ്ങള് , ഒപ്പം അവ വഹിക്കുന്ന ക്ഷുദ്രകരമായ ലോഡുകളുടെ സ്വഭാവവും. നിലവിലുള്ള മൊബൈൽ ആന്റിവൈറസ് സോഫ്റ്റ് വെയറുകളുടെ കണ്ടെത്തലിനെ മറികടക്കാൻ അവ അതിവേഗം വികസിച്ചുകൊണ്ടിരിക്കുകയാണെന്ന് പ്രതിനിധി കുടുംബങ്ങളുടെ സ്വഭാവവും തുടർന്നുള്ള പരിണാമ അടിസ്ഥാനമാക്കിയുള്ള പഠനവും വെളിപ്പെടുത്തുന്നു. നാല് പ്രതിനിധി മൊബൈൽ സുരക്ഷാ സോഫ്റ്റ്വെയറുകളുമായി നടത്തിയ വിലയിരുത്തലിന്റെ അടിസ്ഥാനത്തിൽ, ഞങ്ങളുടെ പരീക്ഷണങ്ങൾ കാണിക്കുന്നത് ഏറ്റവും മികച്ച കേസ് 79.6% കണ്ടെത്തുന്നു, ഏറ്റവും മോശം കേസ് 20.2% മാത്രമേ കണ്ടെത്തുന്നുള്ളൂ എന്നാണ്. ഈ ഫലങ്ങള് അടുത്ത തലമുറയിലെ ആന്റി-മല് വേര് പരിഹാരങ്ങള് മെച്ചപ്പെടുത്തേണ്ടതിന്റെ ആവശ്യകത വ്യക്തമാക്കുന്നു. സ്മാർട്ട് ഫോണുകളുടെ ജനപ്രീതിയും സ്വീകാര്യതയും മൊബൈൽ ക്ഷുദ്രവെയറുകളുടെ വ്യാപനത്തെ വളരെയധികം പ്രോത്സാഹിപ്പിച്ചു, പ്രത്യേകിച്ചും ആൻഡ്രോയിഡ് പോലുള്ള ജനപ്രിയ പ്ലാറ്റ്ഫോമുകളിൽ. ഇവയുടെ ദ്രുതഗതിയിലുള്ള വളര് ച്ചയുടെ വെളിച്ചത്തില് ഫലപ്രദമായ പരിഹാരങ്ങള് വികസിപ്പിക്കാന് അടിയന്തിരമായി ആവശ്യമുണ്ട്. എന്നിരുന്നാലും, ഈ പുതിയ മൊബൈല് മാല് വേര് സംബന്ധിച്ച പരിമിതമായ അറിവും ബന്ധപ്പെട്ട സാമ്പിളുകളിലേക്കുള്ള സമയബന്ധിതമായ പ്രവേശനവും നമ്മുടെ പ്രതിരോധ ശേഷിയെ വലിയ തോതില് പരിമിതപ്പെടുത്തുന്നു. ഈ ലേഖനത്തിൽ നാം ആൻഡ്രോയിഡ് പ്ലാറ്റ്ഫോമിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു നിലവിലുള്ള ആൻഡ്രോയിഡ് ക്ഷുദ്രവെയറുകൾ വ്യവസ്ഥാപിതമാക്കുകയോ സവിശേഷമാക്കുകയോ ചെയ്യുക എന്നതാണ് ലക്ഷ്യം. |
8e0b8e87161dd4001d31832d5d9864fd31e8eccd | ഈ പ്രബന്ധം വലതുവശത്തുള്ള പാച്ച് ആന്റിനയുടെ ബാൻഡ്വിഡ്ത്ത് 0.88 ജിഗാഹെർട്സ് (7.76 - 8.64 ജിഗാഹെർട്സ്) മുതൽ 6.75 ജിഗാഹെർട്സ് (3.49 - 10.24 ജിഗാഹെർട്സ്) വരെ വർദ്ധിപ്പിക്കുന്നതിനുള്ള സാങ്കേതികത അവതരിപ്പിക്കുന്നു. ഈ സാങ്കേതികത ഇൻസെറ്റ് ഫീഡ് പാച്ച് ആന്റിന ഉപയോഗിച്ച് പരിഷ്കരിച്ച ഗ്രൌണ്ട് പ്ലെയ്ൻ ഉപയോഗിച്ച് പരമാവധി ബാൻഡ്വിഡ്ത്ത് നേടുന്നു. നാം മൂന്നു തരം ചതുരാകൃതിയിലുള്ള പാച്ച് ആന്റിന നിർദ്ദേശിക്കുന്നു: ലളിതമായ ചതുരാകൃതിയിലുള്ള പാച്ച് മൈക്രോസ്ട്രിപ്പ് ലൈൻ, ഇൻസെറ്റ് ഫീഡ് ചതുരാകൃതിയിലുള്ള പാച്ച്, ഇൻസെറ്റ് ഫീഡ് ചതുരാകൃതിയിലുള്ള പാച്ച് എന്നിവ ഉപയോഗിച്ച് മാറ്റങ്ങൾ വരുത്തുന്നു. അവസാന സിമുലേഷൻ ഫലം കാണിക്കുന്നത്, ആവൃത്തിയുടെ താഴ്ന്ന അറ്റം 7.76 ജിഗാഹെർട്സിൽ നിന്ന് 3.49 ജിഗാഹെർട്സിലേക്ക് നീങ്ങുകയും ഉയർന്ന ആവൃത്തി 8.64 ജിഗാഹെർട്സിൽ നിന്ന് 10.24 ജിഗാഹെർട്സിലേക്ക് നീങ്ങുകയും ചെയ്യുന്നു, ഇത് വിശാലബാൻഡിനായി ചതുരാകൃതിയിലുള്ള പാച്ച് ആന്റിനയുടെ ബാൻഡ്വിഡ്ത്ത് വർദ്ധിപ്പിക്കുന്നതിനുള്ള ഏക തിരഞ്ഞെടുപ്പാണ്. മൈക്രോസ്ട്രിപ്പ് പാച്ച് ആന്റിനയുടെ വർദ്ധിച്ചുവരുന്ന ബാൻഡ്വിഡ്ത്തിന്റെ വിശദാംശങ്ങൾ വിവരിച്ചിരിക്കുന്നു. കൂടാതെ ഐഇ 3 ഡി സെലാൻഡ് സോഫ്റ്റ്വെയർ ഉപയോഗിച്ച് ലഭിച്ച വൈഡ്ബാൻഡ് പ്രകടനത്തിനുള്ള സിമുലേഷൻ ഫലങ്ങൾ അവതരിപ്പിക്കുന്നു. |
3cd0b6a48b14f86ed261240f30113a41bacd2255 | മനുഷ്യനും കമ്പ്യൂട്ടറും തമ്മിലുള്ള ഇടപെടലിലെ ഒരു പ്രധാന പ്രശ്നമാണ് സന്ദർഭം, ചുറ്റുമുള്ള വസ്തുതകൾ വിവരിക്കുന്നതും അർത്ഥം ചേർക്കുന്നതും. മൊബൈൽ കമ്പ്യൂട്ടിംഗ് ഗവേഷണത്തിൽ പരാമീറ്റർ ലൊക്കേഷൻ പലപ്പോഴും സന്ദർഭം ഏകദേശപ്പെടുത്തുന്നതിനും സന്ദർഭ-അവബോധമുള്ള ആപ്ലിക്കേഷനുകൾ നടപ്പിലാക്കുന്നതിനും ഉപയോഗിക്കുന്നു. നാം നിർദ്ദേശിക്കുന്നത്, അൾട്രാ മൊബൈൽ കമ്പ്യൂട്ടിംഗ്, സവിശേഷതകളുള്ള ഉപകരണങ്ങൾ പ്രവർത്തനക്ഷമവും ചലിക്കുന്നതിനിടയിൽ പ്രവർത്തിപ്പിക്കുന്നതുമാണ് (ഉദാ. പിഡിഎ, മൊബൈൽ ഫോണുകൾ, ധരിക്കാവുന്ന കമ്പ്യൂട്ടറുകൾ) എന്നിവയ്ക്ക് സന്ദർഭത്തിന്റെ വിശാലമായ ഒരു ആശയം ഉപയോഗിച്ച് കാര്യമായ നേട്ടമുണ്ടാക്കാൻ കഴിയും. ഈ മേഖലയെ രൂപപ്പെടുത്തുന്നതിന്, സന്ദർഭത്തിനായുള്ള ഒരു പ്രവർത്തന മാതൃക ഞങ്ങൾ അവതരിപ്പിക്കുന്നു, ലൊക്കേഷന് അപ്പുറം സന്ദർഭം നേടുന്നതിനുള്ള സംവിധാനങ്ങളെക്കുറിച്ച് ചർച്ച ചെയ്യുന്നു, ഒപ്പം അൾട്രാ-മൊബൈൽ കമ്പ്യൂട്ടിംഗിലെ സന്ദർഭ അവബോധത്തിന്റെ പ്രയോഗവും. സന്ദര് ഭ ബോധത്തിന് സെന് സറുകളുടെ പ്രയോജനത്തെക്കുറിച്ച് നാം അന്വേഷിക്കുകയും രണ്ട് പ്രോട്ടോടൈപ്പ് നടപ്പാക്കലുകള് അവതരിപ്പിക്കുകയും ചെയ്യുന്നു - ഒരു പ്രകാശ സെൻസിറ്റീവ് ഡിസ്പ്ലേയും ഓറിയന്റേഷന് ബോധമുള്ള പിഡിഎ ഇന്റർഫേസും. ഈ ആശയം പിന്നീട് കൂടുതൽ സങ്കീർണ്ണമായ സന്ദർഭ തിരിച്ചറിയൽ സാധ്യമാക്കുന്നതിന് സെൻസർ ഫ്യൂഷന് ഒരു മാതൃകയിലേക്ക് വ്യാപിപ്പിക്കുന്നു. മാതൃകയുടെ നടപ്പാക്കലിനെ അടിസ്ഥാനമാക്കി ഒരു പരീക്ഷണം വിവരിക്കുകയും സമീപനത്തിന്റെ സാധ്യത തെളിയിക്കുകയും ചെയ്യുന്നു. കൂടുതൽ സങ്കീർണമായ സാഹചര്യങ്ങളില് വിവരങ്ങള് ശേഖരിക്കുന്നതിനായി സെന് സറുകളുടെ സംയോജനമാണ് നാം കൂടുതല് പര്യവേക്ഷണം ചെയ്യുന്നത്. 1 ആമുഖം സന്ദര് ഭം എന്നത് " മറ്റൊന്നിനെ ചുറ്റിപ്പറ്റിയുള്ളതും മറ്റൊന്നിന് അർത്ഥം നൽകുന്നതുമാണ് " =. കഴിഞ്ഞ 40 വർഷമായി കമ്പ്യൂട്ടർ ശാസ്ത്രത്തിന്റെ വിവിധ മേഖലകൾ ഈ ആശയം അന്വേഷിച്ചു കൊണ്ടിരിക്കുകയാണ്, അത്തരം പ്രോസസ്സിംഗ് നടക്കുന്ന സാഹചര്യങ്ങളുടെ വശങ്ങളുമായി വിവര പ്രോസസ്സിംഗും ആശയവിനിമയവും ബന്ധപ്പെടുത്തുന്നതിന്. പ്രകൃതിഭാഷാ സംസ്കരണത്തിലും പൊതുവേ മനുഷ്യ-കമ്പ്യൂട്ടർ ഇടപെടലിലും സന്ദർഭം ഒരു പ്രധാന ആശയമാണ്. ഉദാഹരണത്തിന്, ഉപയോക്തൃ മുൻഗണനയും സംഭാഷണ നിലയും പോലുള്ള സന്ദർഭങ്ങളുമായി മെനുകൾ പൊരുത്തപ്പെടുത്തുന്നതിന് അത്യാധുനിക ഗ്രാഫിക്കൽ യൂസർ ഇന്റർഫേസുകൾ സന്ദർഭം ഉപയോഗിക്കുന്നു. മൊബൈൽ കമ്പ്യൂട്ടിംഗ് ഒരു പുതിയ മേഖലയാണ്, ഈ മേഖലയിൽ ഇപ്പോൾ കൂടുതൽ ശ്രദ്ധ ലഭിക്കുന്നു. മൊബൈൽ കമ്പ്യൂട്ടിംഗിന്റെ ആദ്യ തരംഗം പോർട്ടബിൾ ജനറൽ പർപ്പസ് കമ്പ്യൂട്ടറുകളെ അടിസ്ഥാനമാക്കിയുള്ളതും പ്രാഥമികമായി ലൊക്കേഷൻ സുതാര്യതയിൽ ശ്രദ്ധ കേന്ദ്രീകരിച്ചതുമാണെങ്കിലും, രണ്ടാമത്തെ തരംഗം ഇപ്പോൾ അൾട്രാ മൊബൈൽ ഉപകരണങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ളതും അവയുടെ ചുറ്റുമുള്ള ഉപയോഗ സാഹചര്യവുമായി ബന്ധപ്പെടുത്താനുള്ള താൽപ്പര്യവുമാണ്. അൾട്രാ-മൊബൈൽ ഉപകരണങ്ങൾ ചെറിയ മൊബൈൽ കമ്പ്യൂട്ടറുകളുടെ ഒരു പുതിയ ക്ലാസാണ്, ഇത് ചലിക്കുന്നതിനിടയിൽ പ്രവർത്തിക്കുന്നതും പ്രവർത്തിപ്പിക്കുന്നതുമായ കമ്പ്യൂട്ടിംഗ് ഉപകരണങ്ങളായി നിർവചിക്കപ്പെടുന്നു, കൂടാതെ പൊതുവായ ആവശ്യകതയുള്ള കമ്പ്യൂട്ടിംഗിൽ നിന്ന് ടാസ്ക്-നിർദ്ദിഷ്ട പിന്തുണയിലേക്കുള്ള മാറ്റം സ്വഭാവ സവിശേഷതയാണ്. ഉദാഹരണത്തിന്, വ്യക്തിഗത ഡിജിറ്റൽ അസിസ്റ്റന്റുകൾ (പിഡിഎ), മൊബൈൽ ഫോണുകൾ, ധരിക്കാവുന്ന കമ്പ്യൂട്ടറുകൾ എന്നിവയാണ് അൾട്രാ മൊബൈൽ ഉപകരണങ്ങൾ. മൊബൈൽ കമ്പ്യൂട്ടിംഗിലെ സന്ദർഭ ബോധത്തിന്റെ ഒരു പ്രധാന ആശങ്ക ഒരു ഉപയോക്താവിനെയും അവരുടെ അൾട്രാ മൊബൈൽ ഉപകരണത്തെയും ചുറ്റിപ്പറ്റിയുള്ള ഭൌതിക പരിതസ്ഥിതിയെക്കുറിച്ചുള്ള അവബോധമാണ്. സമീപകാലത്തെ പ്രവര് ത്തനത്തില് , ഈ ആശങ്കയെ, ഉദാഹരണത്തിന് ആഗോള സ്ഥാനനിര് ണയത്തെ അടിസ്ഥാനമാക്കിയുള്ള, സ്ഥാനബോധം നടപ്പാക്കുന്നതിലൂടെയോ, അല്ലെങ്കിൽ ബീക്കണുകളുടെ ഉപയോഗത്തിലൂടെയോ പരിഹരിക്കപ്പെട്ടു. സ്ഥാനം ... |
62edb6639dc857ad0f33e5d8ef97af89be7a3bc7 | ഒരു ഓഫീസ് പരിതസ്ഥിതിയില് ആളുകള് എവിടെയാണെന്ന് കണ്ടെത്താന് ഒരു പുതിയ സംവിധാനം വിവരിച്ചിരിക്കുന്നു. സെൻസറുകളുടെ ശൃംഖലയിലൂടെ, ജീവനക്കാർ അവരുടെ സ്ഥാനം സംബന്ധിച്ച വിവരങ്ങൾ നൽകുന്ന സിഗ്നലുകൾ കേന്ദ്രീകൃത ലൊക്കേഷൻ സേവനത്തിലേക്ക് കൈമാറുന്ന ബാഡ്ജുകൾ ധരിക്കുന്നു. ഇതര ലൊക്കേഷൻ ടെക്നിക്കുകളും, സിസ്റ്റം ഡിസൈൻ പ്രശ്നങ്ങളും, പ്രത്യേകിച്ചും ടെലിഫോൺ കോൾ റൂട്ടിംഗുമായി ബന്ധപ്പെട്ട പ്രയോഗങ്ങളും ഈ പ്രബന്ധം പരിശോധിക്കുന്നു. ഒരു വ്യക്തിയുടെ സ്വകാര്യതയെക്കുറിച്ചുള്ള ആശങ്കകളാണ് ലൊക്കേഷൻ സിസ്റ്റങ്ങൾ ഉയര് ത്തുന്നത്. ഈ പ്രശ്നങ്ങളും പരിഹരിക്കപ്പെടുന്നു. |
a332fa84fb865fac25e9c7cf0c18933303a858d0 | മെഡിക്കൽ പ്രയോഗങ്ങൾക്കായുള്ള മൈക്രോവേവ് ടോമോഗ്രാഫിക് ഇമേജിംഗ് സംവിധാനങ്ങളുടെ വികസനത്തിൽ കഴിഞ്ഞ വർഷങ്ങളിൽ കാര്യമായ പുരോഗതി കൈവരിച്ചിട്ടുണ്ട്. വ്യാവസായിക പ്രയോഗങ്ങള് ക്ക് അനുയോജ്യമായ ഒരു മൈക്രോവേവ് ഇമേജിംഗ് സംവിധാനം രൂപകല് പിക്കുന്നതിനും, ലഭിക്കുന്ന ചിത്രങ്ങള് വ്യാഖ്യാനിക്കുന്നതിനും, ചിത്രീകരണത്തിന് വിധേയമായ വസ്തുക്കളുടെ സ്വഭാവം ആവശ്യമാണ്. ഈ ലേഖനത്തിൽ, 400MHz നും 20GHz നും ഇടയിലുള്ള ആവൃത്തികളിലെ ദ്രാവകങ്ങളുടെ ഡീലക്ട്രിക് ഗുണങ്ങളെ അളക്കുന്നതിന് തുറന്ന കോക്സി സൺഡുകളുടെ ഉപയോഗം ഞങ്ങൾ വിവരിക്കുന്നു. വ്യത്യസ്ത ഉപ്പുവെള്ളമുള്ള വെള്ളം ഉൾപ്പെടെയുള്ള പല ദ്രാവകങ്ങളുടെയും മിസ്രാ-ബ്ലാക്ക്ഹാം മാതൃക ഉപയോഗിച്ച് ലഭിച്ച ഫലങ്ങൾ സാഹിത്യത്തിൽ പ്രസിദ്ധീകരിച്ചവയുമായി താരതമ്യം ചെയ്യുമ്പോൾ അവയ്ക്ക് നല്ലൊരു യോജിപ്പ് കാണിക്കുന്നു. പ്രത്യേകിച്ച് ഉപ്പുവെള്ളത്തിന്റെ കാര്യത്തിൽ, ഏറ്റവും കുറഞ്ഞ നഷ്ടം ഉണ്ടാകുന്നതിന്റെ ആവൃത്തി ഉപ്പിന്റെ അളവിനെ ആശ്രയിച്ചിരിക്കുന്നു. 0.2% NaCl അടങ്ങിയിരിക്കുന്നതിന് ഇത് 1.5GHz ൽ നിന്ന് 3.5% NaCl അടങ്ങിയിരിക്കുന്നതിന് 7GHz ആയി മാറാം. 400MHz ൽ നിന്നും 20GHz ലേക്ക് അനുവദനീയതയുടെ യഥാർത്ഥ ഭാഗം ഏകദേശം 50% മാറിയേക്കാം. |
c02fd0b0ad018556de5f9cddcccdf813c8fbb0f8 | വിദൂര സംവേദനത്തിന്റെ വർഗ്ഗീകരണ പ്രശ്നങ്ങളിൽ ഉയർന്ന റെസല്യൂഷനുള്ള ഉപഗ്രഹ ചിത്രങ്ങൾ കൂടുതലായി ഉപയോഗിക്കുന്നു. പ്രധാന ഘടകങ്ങളിലൊന്ന് ഇത്തരത്തിലുള്ള വിവരങ്ങളുടെ ലഭ്യതയാണ്. ഉയർന്ന ലഭ്യത ഉണ്ടായിരുന്നിട്ടും, സീബ്ര ക്രോസിംഗ് വർഗ്ഗീകരണ പ്രശ്നത്തിൽ വളരെ കുറച്ച് ശ്രമങ്ങൾ മാത്രമാണ് നടത്തിയത്. കത്തുകള് , കാൽനടയാത്രക്കാരുടെ ക്രോസ് കവറേജുമായി ബന്ധപ്പെട്ട ജോലികള്ക്കായി വലിയ തോതിലുള്ള സാറ്റലൈറ്റ് ഇമേജറി ഡാറ്റാബേസ് സ്വപ്രേരിതമായി നേടുന്നതിനും വ്യാഖ്യാനിക്കുന്നതിനും ക്രൌഡ് സോഴ്സിംഗ് സംവിധാനങ്ങള് ഉപയോഗപ്പെടുത്തുന്നു. പിന്നെ, ഈ ഡാറ്റ സെറ്റ് ഉപയോഗിച്ച് ഡീപ് ലേണിംഗ് അടിസ്ഥാനമാക്കിയുള്ള മോഡലുകൾ പരിശീലിപ്പിക്കുന്നു. സെബ്രാ ക്രോസ് ചെയ്യൽ അടങ്ങിയിരിക്കുന്നതോ അല്ലാത്തതോ ആയ സാറ്റലൈറ്റ് ചിത്രങ്ങൾ കൃത്യമായി വർഗ്ഗീകരിക്കുന്നതിന്. 3 ഭൂഖണ്ഡങ്ങളില് നിന്നും 9 രാജ്യങ്ങളില് നിന്നും 20 ലധികം നഗരങ്ങളില് നിന്നും 240000 ചിത്രങ്ങളുള്ള ഒരു പുതിയ ഡാറ്റാ സെറ്റ് പരീക്ഷണങ്ങള് ക്ക് ഉപയോഗിച്ചു. ആഗോളതലത്തില് കാൽനടയാത്രക്കാരുടെ ക്രോസ് ക്ളാസ് തരം തിരിക്കാന് കരുത്തുറ്റ മോഡലുകള് പരിശീലിപ്പിക്കുന്നതിന് (97.11%) സ്വതന്ത്രമായി ലഭ്യമായ ക്രൌഡ് സോഴ്സിംഗ് ഡാറ്റ ഉപയോഗിക്കാന് കഴിയുമെന്ന് പരീക്ഷണ ഫലങ്ങള് കാണിച്ചുതന്നു. |
c14dff27746b49bea3c5f68621261f266a766461 | |
f32d9a72d51f6db6ec26f0209be73dd3c400b42e | ചിലത് നിരോധിക്കാനുള്ള ഒരു 10 പോയിന്റ് പദ്ധതി. - എല്ലാമല്ലെങ്കിൽ - മാരകമായ സ്വയംഭരണ ആയുധങ്ങൾ. |
bbbd015155bbe5098aad6b49a548e9f3570e49ec | മുഖം തിരിച്ചറിയലിനായി ഗാബോർ-ഫിഷർ (1936) എന്ന നോവൽ ക്ലാസിഫയർ (ജിഎഫ്സി) അവതരിപ്പിക്കുന്നു. പ്രകാശത്തിലും മുഖഭാവത്തിലും വരുന്ന മാറ്റങ്ങൾക്ക് കരുത്തുറ്റ ജിഎഫ്സി രീതി, മുഖചിത്രങ്ങളുടെ ഗാബോർ വേവ്ലെറ്റ് പ്രാതിനിധ്യത്തിൽ നിന്ന് ഉരുത്തിരിഞ്ഞ വർദ്ധിച്ച ഗാബോർ ഫീച്ചർ വെക്റ്ററിലേക്ക് മെച്ചപ്പെടുത്തിയ ഫിഷർ ലീനിയർ ഡിസ്ക്രിമിൻറന്റ് മോഡൽ (ഇഎഫ്എം) പ്രയോഗിക്കുന്നു. ഈ പേപ്പറിന്റെ പുതുമ 1) വർദ്ധിച്ച ഗാബോർ ഫീച്ചർ വെക്റ്ററിന്റെ ഡെറിവേറ്റർ, ഡാറ്റാ കംപ്രഷൻ, തിരിച്ചറിയൽ (ജനറലൈസേഷൻ) പ്രകടനം എന്നിവ കണക്കിലെടുത്ത് ഇഎഫ്എം ഉപയോഗിച്ച് അതിന്റെ അളവ് കൂടുതൽ കുറയുന്നു; 2) മൾട്ടി ക്ലാസ് പ്രശ്നങ്ങൾക്കായി ഒരു ഗാബോർ-ഫിഷർ ക്ലാസിഫയർ വികസിപ്പിക്കൽ; 3) വിപുലമായ പ്രകടന വിലയിരുത്തൽ പഠനങ്ങൾ. പ്രത്യേകിച്ചും, വിവിധ തരംതിരിക്കലുകളില് പ്രയോഗിച്ച വ്യത്യസ്ത സമാനത അളവുകളുടെ താരതമ്യപഠനങ്ങള് ഞങ്ങള് നടത്തി. ഞങ്ങൾ വിവിധ മുഖം തിരിച്ചറിയൽ സംവിധാനങ്ങളുടെ താരതമ്യ പരീക്ഷണ പഠനങ്ങളും നടത്തി, ഞങ്ങളുടെ പുതിയ GFC രീതി, ഗാബോർ വേവ്ലെറ്റ് രീതി, എജെൻഫെയ്സസ് രീതി, ഫിഷർഫെയ്സസ് രീതി, EFM രീതി, ഗാബോറിന്റെയും എജെൻഫെയ്സസിന്റെയും സംയോജനം, ഗാബോറിന്റെയും ഫിഷർഫെയ്സസിന്റെയും സംയോജനം. പുതിയ ജി.എഫ്.സി. രീതി വിജയകരമായി പരീക്ഷിച്ചു. മുഖം തിരിച്ചറിയുന്നതിനായി 200 വ്യക്തികളുടെ 600 ഫെറെറ്റ് ഫ്രോണ്ടൽ മുഖചിത്രങ്ങൾ ഉപയോഗിച്ചു. 62 സവിശേഷതകൾ ഉപയോഗിച്ച് മുഖം തിരിച്ചറിയുന്നതിൽ നൂറു ശതമാനം കൃത്യത കൈവരിക്കുന്നതാണ് പുതിയ ജിഎഫ്സി രീതി. |
0160ec003ae238a98676b6412b49d4b760f63544 | നാം ഒരു നിരീക്ഷണമില്ലാത്ത രീതി അവതരിപ്പിക്കുന്നു ദൃശ്യ പഠനത്തിനായി, അത് ഉയർന്ന അളവിലുള്ള സ്ഥലങ്ങളിൽ സാന്ദ്രത കണക്കാക്കൽ അടിസ്ഥാനമാക്കിയുള്ളതാണ്, ഇത് ഒരു എയ്ഗെൻസ്പെയ്സ് വിഘടനം ഉപയോഗിക്കുന്നു. പരിശീലന ഡാറ്റ മോഡലിംഗ് ചെയ്യുന്നതിന് രണ്ട് തരം സാന്ദ്രത കണക്കുകൾ ലഭിക്കുന്നുഃ ഒരു മൾട്ടി വേരിയന്റ് ഗോസിയൻ (യൂനിമോഡൽ വിതരണങ്ങൾക്ക്) ഒരു മിശ്രിത-ഗോസിയൻ മോഡൽ (മൾട്ടിമോഡൽ വിതരണങ്ങൾക്ക്). ഈ സാദ്ധ്യതാ സാന്ദ്രതകളെ ഉപയോഗിച്ച് ദൃശ്യ തിരയലിനും ഓട്ടോമാറ്റിക് ഒബ്ജക്റ്റ് തിരിച്ചറിയലിനും കോഡിംഗിനും ടാർഗെറ്റ് കണ്ടെത്തലിനുമുള്ള പരമാവധി സാധ്യതാ കണക്കാക്കൽ ചട്ടക്കൂട് രൂപപ്പെടുത്തുന്നു. നമ്മുടെ പഠന രീതി മനുഷ്യ മുഖങ്ങളുടെയും കൈകളുടേതുപോലുള്ള കർക്കശമല്ലാത്ത വസ്തുക്കളുടെയും സാധ്യതാപരമായ ദൃശ്യ മാതൃക, കണ്ടെത്തൽ, തിരിച്ചറിയൽ, കോഡിംഗ് എന്നിവയ്ക്ക് ബാധകമാണ്. |
ac2c955a61002b674bd104b91f89087271fc3b8e | ഈ പ്രബന്ധത്തിൽ ഒരു മൾട്ടി ലെവൽ ബൂസ്റ്റ് പവർ ഫാക്ടർ കോറക്ഷൻ (പിഎഫ്സി) റക്റ്റിഫയർ അവതരിപ്പിക്കുന്നു. കാസ്കേഡ് കൺട്രോളറും മൾട്ടി കാരിയർ പൾസ് വീതി മോഡുലേഷൻ ടെക്നിക്കും ഉപയോഗിച്ച് ഇത് നിയന്ത്രിക്കപ്പെടുന്നു. സമാനമായവയുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ അവതരിപ്പിച്ച ടോപ്പോളജിക്ക് സജീവമായ അർദ്ധചാലക സ്വിച്ചുകൾ കുറവാണ്, ഇത് ആവശ്യമായ ഗേറ്റ് ഡ്രൈവുകളുടെ എണ്ണം കുറയ്ക്കുന്നു, ഇത് നിർമ്മിച്ച ബോക്സിനെ ഗണ്യമായി ചുരുക്കും. പഠിച്ച കൺവെർട്ടറിൽ ഒരു ലളിതമായ കൺട്രോളർ നടപ്പിലാക്കിയിട്ടുണ്ട്, ഇത് output ട്ട്പുട്ടിൽ ഒരു സ്ഥിരമായ വോൾട്ടേജ് സൃഷ്ടിക്കുന്നു, അതേസമയം ഇൻപുട്ടിൽ അഞ്ച് ലെവൽ വോൾട്ടേജ് തരംഗരൂപം സൃഷ്ടിക്കുന്നു, ഡീസി ബസ് കപ്പാസിറ്ററുകളുടെ നിഷ്പക്ഷ പോയിന്റിലേക്ക് ലോഡ് ബന്ധിപ്പിക്കാതെ. നിയന്ത്രണ സിഗ്നലിൽ നിന്ന് നിശ്ചിത സ്വിച്ചിംഗ് ആവൃത്തിയിൽ സ്വിച്ചിംഗ് പൾസുകൾ ഉത്പാദിപ്പിക്കുന്നതിന് മൾട്ടി കാരിയർ പൾസ്-വൈഡ് മോഡുലേഷൻ സാങ്കേതികത ഉപയോഗിച്ചു. മൾട്ടി ലെവൽ വോൾട്ടേജ് തരംഗരൂപ ഹാർമോണികൾ സമഗ്രമായി വിശകലനം ചെയ്തിട്ടുണ്ട്, ഇത് ഇൻപുട്ട് കറൻറിൻറെ ഹാർമോണിക് ഉള്ളടക്കത്തെയും ആവശ്യമായ ഫിൽട്ടറുകളുടെ വലുപ്പത്തെയും നേരിട്ട് ബാധിക്കുന്നു. എസി ഭാഗത്തെ പവർ ഫാക്ടർ ശരിയാക്കിക്കൊണ്ടും നിലവിലെ ഹാർമോണിക്സ് ഗണ്യമായി കുറച്ചുകൊണ്ടും എസി ഗ്രിഡിൽ നിന്ന് ഡിസി ലോഡുകളിലേക്ക് വൈദ്യുതി എത്തിക്കുന്നതിൽ നിർദ്ദിഷ്ട അഞ്ച് ലെവൽ പിഎഫ്സി ബൂസ്റ്റ് റക്റ്റിഫയറിന്റെ നല്ല ചലനാത്മക പ്രകടനം പൂർണ്ണ പരീക്ഷണ ഫലങ്ങൾ സ്ഥിരീകരിക്കുന്നു. |
c2fafa93bd9b91ede867d4979bc747334d989040 | വിരലടയാളങ്ങളുടെ പ്രധാന സവിശേഷതകളായ മിനിറ്റിയേ, വിരലടയാള തിരിച്ചറിയൽ സംവിധാനങ്ങളിൽ ഒരു പ്രധാന പങ്ക് വഹിക്കുന്നു. നിലവിലുള്ള മിക്ക മിനിറ്റിയേ എക്സ്ട്രാക്ഷൻ രീതികളും ബൈനറൈസേഷൻ, നേർത്തവൽക്കരണം, മെച്ചപ്പെടുത്തൽ എന്നിവ പോലുള്ള കൈകൊണ്ട് നിർവചിച്ച മുൻകൂട്ടി നിർവചിച്ച പ്രക്രിയകളെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്. എന്നിരുന്നാലും, ഈ പ്രീപ്രോസസ്സുകൾക്ക് ശക്തമായ മുൻകൂർ അറിവ് ആവശ്യമാണ്, അവ എല്ലായ്പ്പോഴും നഷ്ടം സംഭവിക്കുന്ന പ്രവർത്തനങ്ങളാണ്. അത് തെറ്റായ വിവരങ്ങള് പുറത്തെടുക്കാന് കാരണമാകും. ഈ പേപ്പറിൽ, ആഴത്തിലുള്ള കൺവൊലൂഷണൽ ന്യൂറൽ നെറ്റ്വർക്കുകളെ അടിസ്ഥാനമാക്കിയുള്ള ഒരു പുതിയ മിനിറ്റിയേ എക്സ്ട്രാക്ഷൻ സമീപനം നിർദ്ദേശിക്കുന്നു, ഇത് മുൻകൂട്ടി പ്രോസസ്സ് ചെയ്യാതെ തന്നെ അസംസ്കൃത വിരലടയാള ചിത്രങ്ങളിൽ നേരിട്ട് മിനിറ്റിയേ എക്സ്ട്രാക്റ്റ് ചെയ്യുന്നു, കാരണം ആഴത്തിലുള്ള കൺവൊലൂഷണൽ ന്യൂറൽ നെറ്റ്വർക്കുകളുടെ ശക്തമായ പ്രതിനിധി ശേഷിയെ ഞങ്ങൾ വിവേകപൂർവ്വം പ്രയോജനപ്പെടുത്തുന്നു. നന്നായി രൂപകൽപ്പന ചെയ്ത വാസ്തുവിദ്യകൾ കാരണം മിനുട്ടിയെ ഫലപ്രദമായി വേർതിരിച്ചെടുക്കാൻ കഴിയും. കൂടാതെ, വ്യാജമായ വിശദാംശങ്ങള് ഒഴിവാക്കാന് വേണ്ടി സമഗ്രമായ കണക്കാക്കല് നടത്തിയതുകൊണ്ട് കൃത്യത ഉറപ്പാക്കപ്പെടുന്നു. കൂടാതെ, അമിതമായി ചേർക്കുന്നത് ഒഴിവാക്കാനും കരുത്ത് വർദ്ധിപ്പിക്കാനും നിരവധി ഉപകരണ കഴിവുകൾ ഉപയോഗിക്കുന്നു. ഈ സമീപനം നല്ല പ്രകടനം കാഴ്ചവയ്ക്കുന്നു കാരണം ഇത് വിരലടയാള ചിത്രങ്ങളിലെ എല്ലാ വിവരങ്ങളും ഉപയോഗപ്പെടുത്തുക മാത്രമല്ല, വലിയ അളവിലുള്ള ഡാറ്റയിൽ നിന്ന് സൂക്ഷ്മമായ പാറ്റേണുകൾ പഠിക്കുകയും ചെയ്യുന്നു. മുൻകാല പ്രവര് ത്തനങ്ങളുമായും വ്യാപകമായി ഉപയോഗിക്കപ്പെടുന്ന വാണിജ്യ വിരലടയാള തിരിച്ചറിയല് സംവിധാനവുമായും താരതമ്യം ചെയ്യപ്പെടുന്നു. നമ്മുടെ സമീപനം കൃത്യതയിലും കരുത്തിലും മികച്ചതാണെന്ന് ഫലങ്ങള് കാണിക്കുന്നു. |
36b0ba31eb7489772616ea9d5bd789483d494e93 | പുതിയ നിയന്ത്രണങ്ങൾ പൾസ് വൈഡ്ത്ത് മോഡുലേറ്റ് (പിഡബ്ല്യുഎം) റക്റ്റിഫയറുകൾ ഉപയോഗിച്ച് നേടുന്ന പവർ കൺവെർട്ടറുകൾ നൽകുന്ന നിലവിലെ ഹാർമോണിക്സിന് കർശനമായ പരിധികൾ ഏർപ്പെടുത്തിയിട്ടുണ്ട്. കൂടാതെ, പല പ്രയോഗങ്ങളും വൈദ്യുതി വിതരണത്തിന് വൈദ്യുതി പുനരുജ്ജീവിപ്പിക്കാനുള്ള കഴിവ് ആവശ്യപ്പെടുന്നു. ഈ കൃതിയിൽ, റിജെനറേറ്റീവ് റക്റ്റിഫയറുകളുടെ മേഖലയിലെ ഏറ്റവും പുതിയ സാങ്കേതികവിദ്യ അവതരിപ്പിക്കുന്നു. പുനരുജ്ജീവിപ്പിക്കാവുന്ന റക്റ്റിഫയറുകൾക്ക് ഡിസി വശത്തു നിന്ന് എസി വൈദ്യുതി വിതരണത്തിലേക്ക് ഊർജ്ജം തിരികെ നൽകാൻ കഴിയും. സിംഗിൾ, ത്രീ ഫേസ് പവർ സപ്ലൈകളുടെ ടോപ്പോളജികൾ അവയുടെ നിയന്ത്രണ തന്ത്രങ്ങളുമായി പരിഗണിക്കുന്നു. ചില കിലോവാട്ട് മുതൽ നിരവധി മെഗാവാട്ട് വരെ വൈദ്യുതി ഉല്പാദിപ്പിക്കുന്ന വിവിധ പ്രക്രിയകളില് വോൾട്ടേജ്, കറന്റ് സ്രോതസ്സുകളുള്ള പിഡബ്ല്യുഎം റക്റ്റിഫയറുകളുടെ പ്രയോഗത്തിന് പ്രത്യേക ശ്രദ്ധ നല്കുന്നു. ഈ പ്രബന്ധം കാണിക്കുന്നത് പിഡബ്ല്യുഎം പുനരുജ്ജീവന റക്റ്റിഫയറുകൾ വളരെ വികസിതവും പക്വതയുള്ളതുമായ സാങ്കേതികവിദ്യയാണ്, വ്യവസായത്തിൽ വ്യാപകമായി അംഗീകരിക്കപ്പെട്ടിരിക്കുന്നു. |
7b8031213276b23060fbd17d1d7182835fc2e0c3 | 130 നാനോമീറ്റർ സിജിഇ ബിസിഎംഒഎസ് സാങ്കേതികവിദ്യയിൽ ഗിൽബെർട്ട് സെൽ അടിസ്ഥാനമാക്കിയുള്ള ഫ്രീക്വൻസി ഡബിളറായി നടപ്പിലാക്കിയ സംയോജിത ഫ്രീക്വൻസി മൾട്ടിപ്ലയർ ഈ പേപ്പറിൽ വിവരിക്കുന്നു. 97-134GHz എന്ന 3 dB ബാൻഡ്വിഡ്ത്ത് 1 dBm എന്ന പീക്ക് ഔട്ട്പുട്ട് പവറുമായി 1 dBm ഇൻപുട്ട് പവറുമായി സർക്യൂട്ട് പ്രദർശിപ്പിക്കുന്നു. സിംഗിൾ എൻഡ് ഔട്ട്പുട്ടിൽ അളക്കുന്ന അടിസ്ഥാന അടിച്ചമർത്തൽ 21 dBc നേക്കാൾ മികച്ചതാണ്, അതേസമയം ഫ്രീക്വൻസി ഡബിളർ 3.3V സപ്ലൈയിൽ നിന്ന് 69mW ഉപയോഗിക്കുന്നു. ഗിൽബെർട്ട് സെല്ലിന് ഒരു ഡിഫറൻഷ്യൽ സിഗ്നൽ സൃഷ്ടിക്കുന്നതിനായി ഒരു സജീവ ബലൂൺ ആയി പ്രവർത്തിക്കുന്ന ഒരു ഡിഫറൻഷ്യൽ ആംപ്ലിഫയർ ഇരട്ടിപ്പിക്കുന്നതിനു മുമ്പാണ്. |
2495ebdcb6da8d8c2e82cf57fcaab0ec003d571d | വലിയ അളവിലുള്ള ചിത്രങ്ങളുടെ ഡാറ്റാ സെറ്റ് കണക്കിലെടുക്കുമ്പോൾ, ദൃശ്യപരമായി സമാനമായ ഒബ്ജക്റ്റ്, സീൻ ക്ലാസുകൾ അവയുടെ ഇമേജ് സെഗ്മെന്റേഷനുമായി ചേർന്ന് യാന്ത്രികമായി നിർണ്ണയിക്കാൻ ഞങ്ങൾ ശ്രമിക്കുന്നു. ഇത് നേടാനായി നാം രണ്ടു ആശയങ്ങൾ സംയോജിപ്പിക്കുന്നു: (i) ഒരു കൂട്ടം സെഗ്മെന്റഡ് ഒബ്ജക്റ്റുകളെ വിഷ്വൽ ഒബ്ജക്റ്റ് ക്ലാസുകളായി വിഭജിക്കാം സ്റ്റാറ്റിസ്റ്റിക്കൽ ടെക്സ്റ്റ് അനാലിസിസിൽ നിന്നുള്ള ടോപ്പ് ഡിസ്കവറി മോഡലുകൾ ഉപയോഗിച്ച്; (ii) വിഷ്വൽ ഒബ്ജക്റ്റ് ക്ലാസുകൾ ഒരു സെഗ്മെന്റേഷന്റെ കൃത്യത വിലയിരുത്താൻ ഉപയോഗിക്കാം. ഈ ആശയങ്ങളെ ഒന്നിച്ച് ബന്ധിപ്പിക്കുന്നതിന് ഓരോ ചിത്രത്തിന്റെയും ഒന്നിലധികം സെഗ്മെന്റേഷനുകൾ ഞങ്ങൾ കണക്കാക്കുന്നു: (i) ഒബ്ജക്റ്റ് ക്ലാസുകൾ പഠിക്കുക; (ii) ശരിയായ സെഗ്മെന്റേഷനുകൾ തിരഞ്ഞെടുക്കുക. അത്തരം ഒരു അല് ഗോരിതം പലതരം ഇമേജ് ഡേറ്റാസെറ്റുകളില് പല പരിചിതമായ വസ്തുക്കളും സ്വപ്രേരിതമായി കണ്ടെത്തുന്നതില് വിജയിക്കുന്നുവെന്ന് ഞങ്ങള് തെളിയിക്കുന്നു, കല് ടെക്, എംഎസ്ആര് സി, ലേബല് മീ എന്നിവയില് നിന്നുള്ളവ ഉൾപ്പെടെ. |
6d4e3616d0b27957c4107ae877dc0dd4504b69ab | ഈ ലേഖനത്തിൽ, വീഡിയോകളിലെ അസംസ്കൃത സ്പേഷ്യൽ-ടൈം സിഗ്നലുകളിൽ നിന്ന് ഒരു വിഷ്വൽ പ്രാതിനിധ്യം പഠിക്കുന്നതിനുള്ള ഒരു സമീപനം ഞങ്ങൾ അവതരിപ്പിക്കുന്നു. നമ്മുടെ പ്രതിനിധാനം പഠിക്കപ്പെടുന്നത് മേൽനോട്ടമില്ലാതെ സെമാന്റിക് ലേബലുകളിൽ നിന്നാണ്. ഞങ്ങളുടെ രീതി ഒരു നിരീക്ഷണമില്ലാത്ത തുടർച്ചയായ പരിശോധന ജോലിയായി രൂപപ്പെടുത്തുന്നു, അതായത്, ഒരു വീഡിയോയിൽ നിന്നുള്ള ഫ്രെയിമുകളുടെ ഒരു ശ്രേണി ശരിയായ സമയക്രമത്തിലാണോ എന്ന് ഞങ്ങൾ നിർണ്ണയിക്കുന്നു. ഈ ലളിതമായ ജോലിയും അർത്ഥ ലേബലുകളില്ലാത്തതും ഉപയോഗിച്ച്, ഒരു കൺവൊലൂഷണൽ ന്യൂറൽ നെറ്റ്വർക്ക് (സിഎൻഎൻ) ഉപയോഗിച്ച് ശക്തമായ ഒരു വിഷ്വൽ പ്രാതിനിധ്യം ഞങ്ങൾ പഠിക്കുന്നു. ഇമേജ്നെറ്റ് പോലുള്ള മേൽനോട്ടത്തിലുള്ള ഇമേജ് ഡാറ്റാസെറ്റുകളിൽ നിന്ന് പഠിച്ചതിന് അനുബന്ധ വിവരങ്ങൾ പ്രതിനിധീകരണത്തിൽ അടങ്ങിയിരിക്കുന്നു. ഗുണപരമായ ഫലങ്ങള് കാണിക്കുന്നത് നമ്മുടെ രീതി കാലാനുസൃതമായി മാറുന്ന വിവരങ്ങള് പിടിച്ചെടുക്കുന്നു എന്നാണ്, മനുഷ്യന്റെ ഭാവം പോലെ. പ്രവര് ത്തനങ്ങള് തിരിച്ചറിയുന്നതിനുള്ള പ്രീ ട്രെയിനിംഗായി ഉപയോഗിക്കുമ്പോള് , UCF101, HMDB51 പോലുള്ള ബെഞ്ച് മാര് ക്ക് ഡാറ്റാ സെറ്റുകളില് ബാഹ്യ ഡാറ്റ ഇല്ലാതെ പഠിക്കുന്നതിനേക്കാൾ കാര്യമായ നേട്ടങ്ങള് നമ്മുടെ രീതി നല് കുന്നു. മനുഷ്യന്റെ ഭാവനയോട് അതിന്റെ സംവേദനക്ഷമത തെളിയിക്കുന്നതിനായി, എഫ്.എൽ.ഐ.സി, എം.പി.ഐ.ഐ ഡാറ്റാ സെറ്റുകളിൽ ഭാവന കണക്കാക്കുന്നതിനുള്ള ഫലങ്ങൾ ഞങ്ങൾ കാണിക്കുന്നു, അവ മത്സരാധിഷ്ഠിതമാണ്, അല്ലെങ്കിൽ കൂടുതൽ മേൽനോട്ടം ഉപയോഗിക്കുന്ന സമീപനങ്ങളേക്കാൾ മികച്ചതാണ്. നമ്മുടെ രീതി ഒരു അധിക ബൂസ്റ്റ് കൃത്യത നൽകാൻ മേൽനോട്ടം പ്രാതിനിധ്യം സംയോജിപ്പിച്ച് കഴിയും. |
f226ec13e016943102eb7ebedab7cf3e9bef69b2 | |
f7ec4269303b4f5a4b4964a278a149a69f2a5910 | അല് ജ് ഹൈമര് രോഗത്തിന്റെ (AD) കൃത്യവും നേരത്തെയുള്ളതുമായ രോഗനിര് ണയം രോഗി പരിചരണത്തിനും ഭാവി ചികിത്സയുടെ വികസനത്തിനും പ്രധാനപ്പെട്ട പങ്ക് വഹിക്കുന്നു. മാഗ് നറ്റിക് റെസോണൻസ് ഇമേജുകളും പോസിട്രോൺ എമിഷൻ ടോമോഗ്രാഫിയും (പി.ഇ.ടി.) പോലുള്ള ഘടനാപരവും പ്രവർത്തനപരവുമായ ന്യൂറോ ഇമേജുകൾ, എ.ഡി.യുമായി ബന്ധപ്പെട്ട അനാട്ടമിക്, പ്രവർത്തനപരമായ ന്യൂറൽ മാറ്റങ്ങൾ മനസിലാക്കാൻ സഹായിക്കുന്നതിന് ശക്തമായ ഇമേജിംഗ് രീതികൾ നൽകുന്നു. സമീപ വർഷങ്ങളിൽ, എ.ഡി. യുടെ അളവ് വിലയിരുത്തലിനും കമ്പ്യൂട്ടർ സഹായത്തോടെയുള്ള രോഗനിർണയത്തിനും (സിഎഡി) മൾട്ടി-മോഡാലിറ്റി ന്യൂറോ ഇമേജുകളുടെ വിശകലനത്തിൽ മെഷീൻ ലേണിംഗ് രീതികൾ വ്യാപകമായി പഠിക്കപ്പെട്ടു. നിലവിലുള്ള മിക്ക രീതികളും, രജിസ്ട്രേഷനും സെഗ്മെന്റേഷനും പോലുള്ള ഇമേജ് പ്രീ പ്രോസസ്സിംഗിന് ശേഷം കൈകൊണ്ട് നിർമ്മിച്ച ഇമേജിംഗ് സവിശേഷതകൾ എക്സ്ട്രാക്റ്റ് ചെയ്യുന്നു, തുടർന്ന് മറ്റ് ഗ്രൂപ്പുകളിൽ നിന്ന് എഡി വിഷയങ്ങളെ വേർതിരിക്കുന്നതിന് ഒരു ക്ലാസിഫയർ പരിശീലിപ്പിക്കുന്നു. ഈ പ്രബന്ധം നിർദ്ദേശിക്കുന്നത്, AD വർഗ്ഗീകരണത്തിനായി എംആർഐ, പിഇടി തലച്ചോറിന്റെ ചിത്രങ്ങളുടെ മൾട്ടി ലെവൽ, മൾട്ടി മോഡൽ സവിശേഷതകൾ പഠിക്കുന്നതിനായി കാസ്കേഡ്ഡ് കൺവൊലൂഷണൽ ന്യൂറൽ നെറ്റ്വർക്കുകൾ (സിഎൻഎൻ) നിർമ്മിക്കുക എന്നതാണ്. പ്രാദേശിക തലച്ചോറിന്റെ ഇമേജ് കൂടുതൽ കോംപാക്ട് ഹൈ ലെവൽ സവിശേഷതകളാക്കി മാറ്റുന്നതിന് ഒന്നിലധികം ആഴത്തിലുള്ള 3D-CNNs വ്യത്യസ്ത പ്രാദേശിക ഇമേജ് പാച്ചുകളിൽ നിർമ്മിക്കുന്നു. മൾട്ടി-മോഡാലിറ്റിയിൽ നിന്ന് പഠിച്ച ഉയർന്ന തലത്തിലുള്ള സവിശേഷതകൾ കൂട്ടിച്ചേർക്കാനും വർഗ്ഗീകരണ ചുമതലയ്ക്കായി അനുബന്ധ ഇമേജ് പാച്ചുകളുടെ അദൃശ്യമായ മൾട്ടിമോഡൽ പരസ്പര ബന്ധ സവിശേഷതകൾ സൃഷ്ടിക്കാനും മുകളിലെ ഉയർന്ന തലത്തിലുള്ള 2 ഡി-സിഎൻഎൻ, സോഫ്റ്റ്മാക്സ് ലെയർ എന്നിവ കാസ്കേഡ് ചെയ്യുന്നു. അവസാനമായി, ഈ പഠിച്ച സവിശേഷതകൾ പൂർണ്ണമായും ബന്ധിപ്പിച്ച പാളിയുമായി സംയോജിപ്പിച്ച് AD വർഗ്ഗീകരണത്തിനായി സോഫ്റ്റ്മാക്സ് പാളി പിന്തുടരുന്നു. ഈ രീതി ഉപയോഗിച്ച് പല തരത്തിലുള്ള ഇമേജിംഗ് രീതികളിൽ നിന്നും ഓട്ടോമാറ്റിക് ആയി മൾട്ടി ലെവൽ, മൾട്ടി മോഡൽ സവിശേഷതകൾ പഠിക്കാം. തലച്ചോറിന്റെ ചിത്രങ്ങള് മുൻകൂട്ടി പ്രോസസ് ചെയ്യുന്നതിന് ഇമേജ് സെഗ്മെന്റേഷനും കർക്കശമായ രജിസ്ട്രേഷനും ആവശ്യമില്ല. 93 എൽ. ഡി രോഗികൾ, 204 മിതമായ ബുദ്ധി വൈകല്യം (എം. സി. ഐ, 76 പി. എം. സി. ഐ + 128 എസ്. എം. സി. ഐ) 100 സാധാരണ നിയന്ത്രണങ്ങൾ (എൻ. സി.) എന്നിവയുൾപ്പെടെ 397 രോഗികളുടെ അടിസ്ഥാന എംആർഐ, പിഇടി ചിത്രങ്ങൾ ഞങ്ങളുടെ രീതി വിലയിരുത്തുന്നു. പരീക്ഷണഫലങ്ങള് കാണിക്കുന്നത്, നിര് ദ്ദേശിക്കപ്പെട്ട രീതിയില് 93.26% കൃത്യതയാണ് എഡി, എൻസി എന്നിവയുടെ തരം തിരിക്കലിന് ലഭിക്കുന്നത്. പിഎംസിഐ, എൻസി എന്നിവയുടെ തരം തിരിക്കലില് 82.95% കൃത്യതയും ലഭിക്കുന്നു. |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.