_id
stringlengths 40
40
| text
stringlengths 0
9.56k
|
|---|---|
bdf67ee2a13931ca2d5eac458714ed98148d1b34 | संगणकावर होणाऱ्या चोरी, घुसखोरी आणि इतर प्रकारच्या गैरवापराचा शोध घेण्यासाठी तज्ज्ञ प्रणालीचा वापर केला जातो. हे मॉडेल या गृहीतेवर आधारित आहे की सिस्टमच्या वापरातील असामान्य नमुन्यांच्या प्रणालीच्या ऑडिट रेकॉर्डचे परीक्षण करून सुरक्षा उल्लंघनाचा शोध लावला जाऊ शकतो. या मॉडेलमध्ये मेट्रिक्स आणि सांख्यिकीय मॉडेलच्या संदर्भात वस्तूंच्या संदर्भात विषयांच्या वर्तनाचे प्रतिनिधित्व करण्यासाठी प्रोफाइल समाविष्ट आहे आणि ऑडिट रेकॉर्डमधून या वर्तनाबद्दल ज्ञान मिळविण्यासाठी आणि असामान्य वर्तनाचा शोध घेण्यासाठी नियम आहेत. हे मॉडेल कोणत्याही विशिष्ट प्रणाली, अनुप्रयोग वातावरण, प्रणाली असुरक्षितता किंवा घुसखोरीच्या प्रकारापासून स्वतंत्र आहे, ज्यामुळे सामान्य हेतूने घुसखोरी-शोध तज्ञ प्रणालीसाठी एक चौकट प्रदान केली जाते. |
eeb1a1e0cab8d809b5789d04418dc247dca956cc | ली, स्टोल्फो आणि मोक यांनी यापूर्वी घुसखोरी शोधण्यासाठी ज्ञान मिळविण्यासाठी खाण ऑडिट डेटासाठी असोसिएशन नियम आणि वारंवारता एपिसोडचा वापर केल्याची नोंद केली आहे. फजी लॉजिकसह असोसिएशन नियम आणि वारंवारता एपिसोडचा एकत्रीकरण केल्याने घुसखोरी शोधण्यासाठी अधिक अमूर्त आणि लवचिक नमुने तयार होऊ शकतात, कारण घुसखोरी शोधण्यात अनेक संख्यात्मक वैशिष्ट्ये समाविष्ट आहेत आणि सुरक्षा स्वतःच अस्पष्ट आहे. आम्ही पूर्वीच्या अहवालात दिलेल्या अल्गोरिदमच्या बदलानुसार, अस्पष्ट संघटना नियम, अस्पष्ट वारंवारता भागांची संकल्पना परिभाषित करतो आणि अस्पष्ट वारंवारता भागांसाठी एक मूळ अल्गोरिदम सादर करतो. एका डेटा इन्स्टन्सने इतरांपेक्षा जास्त योगदान देण्यापासून रोखण्यासाठी आम्ही फजी असोसिएशन नियमांच्या खाणीसाठी प्रक्रियेमध्ये एक सामान्यीकरण चरण जोडतो. आम्ही फजी फ्रिक्वेन्सी एपिसोड शिकण्यासाठी मायनिंग फ्रिक्वेन्सी एपिसोडची प्रक्रिया देखील सुधारित करतो. प्रयोगात्मक परिणामांमध्ये घुसखोरीच्या शोधात अस्पष्ट संघटना नियम आणि अस्पष्ट वारंवारता एपिसोडची उपयुक्तता दर्शविली गेली आहे. मसुदा: इंटरनॅशनल जर्नल ऑफ इंटेलिजेंट सिस्टम्स, खंड 15, क्रमांक. मी, ऑगस्ट २००० |
0b07f84c22ce01309981a02c23d5cd1770cad48b | टेबल विभाजन एक टेबल लहान भागांमध्ये विभागते ज्यामध्ये प्रवेश केला जाऊ शकतो, संग्रहित केला जाऊ शकतो आणि एकमेकांपासून स्वतंत्रपणे देखरेख केला जाऊ शकतो. क्वेरीची कार्यक्षमता सुधारण्यासाठी त्यांच्या पारंपारिक वापरापासून, विभाजन धोरणे डेटाबेस सिस्टमची एकूण व्यवस्थापनाची क्षमता सुधारण्यासाठी एक शक्तिशाली यंत्रणेत विकसित झाली आहेत. टेबल विभाजन केल्याने डेटा लोड करणे, काढणे, बॅकअप घेणे, आकडेवारीची देखभाल करणे आणि स्टोरेज पुरवठा करणे यासारख्या प्रशासकीय कार्ये सुलभ होतात. क्वेरी भाषा विस्तार आता अनुप्रयोग आणि वापरकर्ता क्वेरींना पुढील वापरासाठी त्यांचे परिणाम कसे विभागले जावेत हे निर्दिष्ट करण्यास सक्षम करते. तथापि, क्वेरी ऑप्टिमायझेशन तंत्राने टेबल विभाजनच्या वापरामध्ये आणि वापरकर्त्याच्या नियंत्रणामध्ये वेगवान प्रगती केली नाही. आम्ही या अंतराने निराकरण करण्यासाठी नवीन तंत्र विकसित केले आहे जे एसक्यूएल क्वेरीसाठी कार्यक्षम योजना तयार करतात ज्यात विभाजन केलेल्या सारण्यांवर मल्टिवे जॉइनचा समावेश आहे. आज मोठ्या प्रमाणात वापरात असलेल्या तळापासून वरपर्यंतच्या क्वेरी ऑप्टिमाइझर्समध्ये सुलभपणे समाविष्ट करण्यासाठी आमची तंत्रे तयार केली गेली आहेत. आम्ही पोस्टग्रेस्कुल ऑप्टिमाइझरमध्ये या तंत्राची नमुना तयार केली आहे. एक व्यापक मूल्यांकन दर्शविते की आमची विभाजन-जागरूक ऑप्टिमायझेशन तंत्रे, कमी ऑप्टिमायझेशन ओव्हरहेडसह, योजना तयार करतात जी सध्याच्या ऑप्टिमायझर्सद्वारे तयार केलेल्या योजनांपेक्षा परिमाणाने चांगली असू शकतात. |
26d673f140807942313545489b38241c1f0401d0 | जगात आणि आपल्या जीवनात माहितीचे प्रमाण सतत वाढत आहे आणि त्याला अंत नाही. वेका वर्कबेंच हे अत्याधुनिक मशीन लर्निंग अल्गोरिदम आणि डेटा पूर्व-प्रक्रिया साधनांचे एक संघटित संग्रह आहे. या पद्धतींशी संवाद साधण्याचा मूलभूत मार्ग म्हणजे त्यांना कमांड लाइनमधून आवाहन करणे. तथापि, डेटा एक्सप्लोरेशनसाठी, वितरित संगणकीय प्लॅटफॉर्मवर मोठ्या प्रमाणात प्रयोग स्थापित करण्यासाठी आणि प्रवाहित डेटा प्रक्रियेसाठी कॉन्फिगरेशन डिझाइन करण्यासाठी सोयीस्कर परस्परसंवादी ग्राफिकल यूजर इंटरफेस प्रदान केले जातात. या इंटरफेस प्रायोगिक डेटा खननसाठी एक प्रगत वातावरण तयार करतात. वर्गीकरण हे एक महत्त्वाचे डेटा मायनिंग तंत्र आहे ज्याचे विस्तृत अनुप्रयोग आहेत. यात विविध प्रकारच्या माहितीचे वर्गीकरण केले जाते. या पेपरमध्ये REPTree, सिंपल कार्ट आणि रँडम ट्री वर्गीकरण अल्गोरिदमचे कार्यप्रदर्शन मूल्यांकन केले गेले आहे. भारतीय बातम्यांच्या डेटासेटच्या संदर्भात REPTree, Simple Cart आणि RandomTree या वर्गीकरणाचे तुलनात्मक मूल्यांकन करून खरा सकारात्मकता दर जास्तीत जास्त वाढविण्यासाठी आणि खोटे सकारात्मकता दर कमी करण्यासाठी हा पेपर तयार केला गेला आहे. प्रक्रिया करण्यासाठी वेका एपीआय वापरण्यात आले. भारतीय वृत्तपत्रातील डेटासेटवरील पेपरमधील निकालाने हेही दाखवून दिले आहे की रँडमट्रीची कार्यक्षमता आणि अचूकता आरईपीट्री आणि सिंपल कार्टपेक्षा चांगली आहे. कीवर्ड- साधे कार्ट, रँडम ट्री, रेप ट्री, वेका, डब्ल्यूडब्ल्यूडब्ल्यू |
6e633b41d93051375ef9135102d54fa097dc8cf8 | अलीकडेच "एन्सेम्बल लर्निंग" मध्ये खूप रस आहे - अशी पद्धती जी अनेक वर्गीकरणकर्ते तयार करतात आणि त्यांचे परिणाम एकत्रित करतात. दोन सुप्रसिद्ध पद्धती म्हणजे वर्गीकरण वृक्षांचे बूस्टिंग (उदाहरणार्थ, शापायर व इतर, 1998) आणि बॅगिंग ब्रेमन (1996) आहेत. बूस्टिंगमध्ये, सलग झाडे पूर्वीच्या भविष्यवाणीकर्त्यांनी चुकीचे अंदाज लावलेल्या बिंदूंना अतिरिक्त वजन देतात. अखेरीस, अंदाज लावण्यासाठी वजनाने मतदान केले जाते. बॅगिंगमध्ये, सलग झाडे पूर्वीच्या झाडांवर अवलंबून नसतात - प्रत्येक डेटा सेटच्या बूटस्ट्रॅप नमुन्याचा वापर करून स्वतंत्रपणे तयार केले जाते. शेवटी, साध्या बहुमताने मत दिले जाते. ब्रेमन (२००१) यांनी यादृच्छिक जंगलांचा प्रस्ताव दिला, ज्यामुळे बॅगिंगमध्ये यादृच्छिकतेचा अतिरिक्त स्तर जोडला जातो. प्रत्येक झाडाची रचना वेगवेगळ्या डेटाच्या बूटस्ट्रॅप नमुन्याचा वापर करून करण्याव्यतिरिक्त, यादृच्छिक जंगले वर्गीकरण किंवा पुनरावृत्ती झाडे कशी तयार केली जातात ते बदलतात. मानक झाडांमध्ये, प्रत्येक नोड सर्व चलनांच्या दरम्यान सर्वोत्तम विभाजन वापरून विभाजित केला जातो. यादृच्छिक जंगलात, प्रत्येक नोड त्या नोडवर यादृच्छिकपणे निवडलेल्या भविष्यवाणीच्या उपसंचातील सर्वोत्तम वापरून विभागला जातो. भेदभाव विश्लेषण, समर्थन वेक्टर मशीन आणि न्यूरल नेटवर्कसह इतर अनेक वर्गीकरणाच्या तुलनेत ही काही प्रमाणात विरोधाभासी रणनीती खूप चांगली कामगिरी करते आणि अति-फिटिंगच्या विरोधात मजबूत आहे (ब्रेमन, 2001) याव्यतिरिक्त, हे वापरकर्त्यासाठी अतिशय सोयीस्कर आहे कारण त्यात फक्त दोन मापदंड आहेत (प्रत्येक नोडवरील यादृच्छिक उपसमूहातील चल संख्या आणि जंगलात झाडांची संख्या), आणि सामान्यतः त्यांच्या मूल्यांवर फारसे संवेदनशील नसते. रँडम फॉरेस्ट पॅकेज ब्रेमन आणि कटलर (http://www.stat.berkeley.edu/ users/breiman/) यांनी बनवलेल्या फोर्ट्रान प्रोग्राम्ससाठी एक आर इंटरफेस प्रदान करते. या लेखात आर फंक्शन्सचा वापर आणि वैशिष्ट्यांचा संक्षिप्त परिचय दिला आहे. |
8cfe24108b7f73aa229be78f9108e752e8210c36 | जरी डेटा खनन काही काळासाठी व्यवसाय जगतात यशस्वीरित्या लागू केले गेले असले तरी, उच्च शिक्षणामध्ये त्याचा वापर अद्याप तुलनेने नवीन आहे, म्हणजेच, त्याचा उपयोग डेटामधून नवीन आणि संभाव्य मूल्यवान ज्ञान ओळखण्यासाठी आणि काढण्यासाठी केला जातो. डेटा माइनिंगचा वापर करून विद्यार्थ्यांच्या शैक्षणिक यशाचा निष्कर्ष काढू शकणारे मॉडेल विकसित करणे हे उद्दीष्ट होते. २०१०-२०११ शैक्षणिक वर्षात तुजला विद्यापीठात अर्थशास्त्र विद्याशाखा, प्रथम वर्षाच्या विद्यार्थ्यांमध्ये उन्हाळी सत्रात केलेल्या सर्वेक्षणातून गोळा केलेले डेटा आणि नोंदणी दरम्यान घेतलेले डेटा लागू करून विद्यार्थ्यांच्या यशाचा अंदाज लावण्यासाठी डेटा खननची विविध पद्धती आणि तंत्रांची तुलना केली गेली. यशाचे मूल्यांकन परीक्षेत उत्तीर्ण गुणासह केले गेले. विद्यार्थ्यांच्या सामाजिक-लोकसंख्याशास्त्रीय घटकांचा परिणाम, माध्यमिक शाळेतील आणि प्रवेश परीक्षेतील प्राप्त परिणाम आणि अभ्यासाबद्दलचे दृष्टिकोन ज्यामुळे यशावर परिणाम होऊ शकतो, या सर्वांचा अभ्यास करण्यात आला. भविष्यातील तपासणीत, अभ्यास प्रक्रियेशी संबंधित व्हेरिएबल्सची ओळख आणि मूल्यांकन करणे आणि नमुना वाढविणे हे शक्य आहे जे उच्च शिक्षणात निर्णय समर्थन प्रणालीच्या विकासासाठी आधार म्हणून उभे राहील. |
cc5c84c1c876092e6506040cde7d2a5b9e9065ff | या लेखात निर्णय वृक्ष आणि बेयसियन नेटवर्क अल्गोरिदमची अचूकता तुलना केली आहे. या अल्गोरिदमचा वापर दोन वेगवेगळ्या शैक्षणिक संस्थांमधील पदवीधर आणि पदव्युत्तर विद्यार्थ्यांच्या शैक्षणिक कामगिरीचा अंदाज लावण्यासाठी केला आहे. या दोन विद्यार्थ्यांची विविधता खूप वेगळी असली तरी, डेटा-मायनरी टूल्स विद्यार्थ्यांच्या कामगिरीचा अंदाज लावण्यासाठी समान अचूकता पातळी गाठण्यात सक्षम होतेः अनुक्रमे CTU/AIT मध्ये 73/71% {फेल, फेअर, गुड, फार चांगले} आणि 94/93% {फेल, पास} साठी. या अंदाज सर्वात उपयुक्त आहेत ओळखणे आणि मदत करण्यासाठी अपयशी विद्यार्थी CTU (64% अचूक), आणि निवडण्यासाठी खूप चांगले विद्यार्थी शिष्यवृत्ती येथे AIT (82% अचूक). या विश्लेषणात, निर्णय वृक्ष बेयसियन नेटवर्कपेक्षा 3-12% अधिक अचूक होते. या प्रकरण अभ्यासातील परिणाम विद्यार्थ्यांच्या कामगिरीचा अचूक अंदाज लावण्याच्या तंत्रांची अंतर्दृष्टी देतात, डेटा खनन अल्गोरिदमची अचूकता तुलना करतात आणि मुक्त स्त्रोत साधनांची परिपक्वता दर्शवितात. |
9d0f09e343ebc9d5e896528273b79a1f13aa5c07 | |
2cb6d78e822ca7fd0e29670ec7e26e37ae3d3e8f | या लेखात एक नवीन कॉम्पॅक्ट लो-टेम्परेचर कोफायर्ड सिरेमिक (एलटीसीसी) बँडपास फिल्टर (बीपीएफ) विस्तृत स्टॉपबँड आणि उच्च निवडकतेसह सादर केले आहे. प्रस्तावित सर्किटमध्ये दोन जोडलेल्या λ<sub>g</sub>/4 ट्रान्समिशन-लाइन रेझोनॅटर्स असतात. तिसऱ्या हार्मोनिक वारंवारतेवर ट्रान्समिशन शून्य (टीझेड) निर्माण करण्यासाठी एक नवीन भेदभाव करणारी जोडणी योजना साकार करण्यासाठी एक विशेष जोडणी क्षेत्र निवडले जाते. यंत्रणेचे विश्लेषण केले जाते आणि डिझाइन मार्गदर्शक तत्त्वे वर्णन केली जातात. पासबँडजवळ दोन टीझेड आणि स्टॉपबँडमध्ये एक तयार करण्यासाठी स्रोत-लोड कपलिंग सुरू केले जाते. अशा प्रकारे, अतिरिक्त सर्किटशिवाय विस्तृत स्टॉपबँड मिळू शकते. एलटीसीसी बहुस्तरीय संरचनेमुळे, फिल्टरचा आकार 0.058 λ<sub>g</sub> × 0.058 λ<sub>g</sub> × 0.011 λ<sub>g</sub>, किंवा 2.63 मिमी × 2.61 मिमी × 0.5 मिमी आहे. प्रस्तावित डिझाईनची वैधता सिद्ध करण्यासाठी सिद्ध केलेल्या एलटीसीसी बीपीएफचे अनुकरण आणि मोजमाप केलेले परिणाम सादर केले जातात. |
52c9eb70c55685b349126ed907e037f383673cf3 | आम्ही अमूर्त वेब सारांशनासाठी एक नवीन दृष्टिकोन प्रस्तावित करतो ज्यावर आधारित आहे की समान URL साठी सारांश सामग्री आणि रचना दोन्हीमध्ये समान असतात. आम्ही विद्यमान URL क्लस्टरचा लाभ घेतो आणि प्रति क्लस्टर शब्द आलेख तयार करतो जे URL-विशिष्ट गुणधर्म काढून टाकताना ज्ञात सारांश एकत्रित करतात. परिणामी टोपोलॉजी, URL वैशिष्ट्यांवर आधारित आहे, आम्हाला डिकोडिंग चरण म्हणून सर्वात कमी किंमतीचा मार्ग शोधून संरचित शिक्षण कार्य म्हणून सारांश समस्या टाकण्याची परवानगी देते. मोठ्या संख्येने URL क्लस्टरवर सुरुवातीच्या प्रयोगात्मक परिणामांमध्ये असे दिसून आले आहे की हा दृष्टिकोन पूर्वी प्रस्तावित वेब सारांशकर्त्यांपेक्षा अधिक कार्यक्षम आहे. |
8947ca4949fc66eb65f863dfb825ebd90ab01772 | मजकूर प्रक्रियेतील बर्याच अनुप्रयोगांना मोठ्या दस्तऐवज संग्रह (सांख्यिकीय मॉडेल शिकताना) किंवा त्यांच्याकडून नियम (ज्ञान अभियांत्रिकी वापरताना) काढून टाकण्यासाठी महत्त्वपूर्ण मानवी प्रयत्नांची आवश्यकता असते. या कामात, आम्ही या प्रयत्नांना कमी करण्यासाठी, पद्धतींची अचूकता राखून ठेवून, एक संकरित वर्गीकरणकर्ता तयार करून, जे मशीन लर्निंगला पूरक करण्यासाठी स्वयंचलितपणे शोधलेल्या मजकूर नमुन्यांवरील मानवी तर्क वापरते. एक मानक भावना-वर्गीकरण डेटासेट आणि वास्तविक ग्राहक अभिप्राय डेटा वापरून, आम्ही दर्शवितो की परिणामी तंत्राने दिलेल्या वर्गीकरण अचूकतेसाठी आवश्यक मानवी प्रयत्नांची लक्षणीय घट होते. याव्यतिरिक्त, हायब्रिड टेक्स्ट वर्गीकरणकर्त्यामुळे मशीन-लर्निंग आधारित वर्गीकरणकर्त्यांपेक्षा अचूकतेत लक्षणीय वाढ होते जेव्हा लेबल केलेल्या डेटाची तुलना करता येईल. |
563384a5aa6111610ac4939f645d1125a5a0ac7f | अलिकडच्या वर्षांत कायद्याची अंमलबजावणी, सुरक्षा अनुप्रयोग किंवा व्हिडिओ अनुक्रमणिका यासारख्या विविध क्षेत्रात त्याच्या अनेक अनुप्रयोगांमुळे लोकांच्या स्वयंचलित ओळखकडे जास्त लक्ष दिले गेले आहे. चेहऱ्याची ओळख ही एक महत्वाची आणि आव्हानात्मक तंत्रज्ञान आहे. आजपर्यंत अशी कोणतीही तंत्रज्ञान नाही जी सर्व परिस्थिती आणि वेगवेगळ्या अनुप्रयोगांना एक मजबूत उपाय प्रदान करते ज्यात चेहरा ओळखणे येऊ शकते. सामान्यतः, आपण हे सुनिश्चित करू शकतो की चेहर्यावरील ओळख प्रणालीची कार्यक्षमता हे निश्चित होते की वैशिष्ट्य वेक्टर अचूकपणे कसे काढायचे आणि त्यांना गटामध्ये अचूकपणे वर्गीकृत कसे करावे. त्यामुळे आपल्याला वैशिष्ट्यपूर्ण काढणारा आणि वर्गीकरणकर्ता यांचा बारकाईने अभ्यास करणे आवश्यक आहे. या पेपरमध्ये, प्रिन्सिपल कॉम्पोनेन्ट एनालिसिस (पीसीए) ची वैशिष्ट्यपूर्ण काढणीमध्ये महत्त्वाची भूमिका बजावली जाते आणि एसव्हीएमचा वापर चेहर्यावरील ओळख समस्येचा सामना करण्यासाठी केला जातो. नमुना ओळखण्यासाठी नवीन वर्गीकरणकर्ता म्हणून समर्थन वेक्टर मशीन (एसव्हीएम) अलीकडेच प्रस्तावित करण्यात आले आहेत. आम्ही कॅम्ब्रिज ओआरएल फेस डेटाबेसवर एसव्हीएमची क्षमता दर्शवितो, ज्यात 40 व्यक्तींच्या 400 प्रतिमा आहेत, ज्यात अभिव्यक्ती, मुद्रा आणि चेहर्यावरील तपशीलांमध्ये बर्यापैकी उच्च प्रमाणात बदल आहेत. एसव्हीएममध्ये रेषेचा (एलएसव्हीएम), बहुपद (पीएसव्हीएम) आणि रेडियल बेस फंक्शन (आरबीएफएसव्हीएम) एसव्हीएमचा समावेश आहे. आम्ही प्रयोगात्मक पुरावा प्रदान करतो ज्यामध्ये असे दिसून येते की बहुपद आणि रेडियल बेस फंक्शन (आरबीएफ) एसव्हीएम ओआरएल फेस डेटासेटवर रेषेच्या एसव्हीएमपेक्षा चांगले कार्य करते जेव्हा दोन्ही सर्व वर्गीकरणाच्या विरूद्ध एक वापरले जातात. आम्ही एसव्हीएम आधारित ओळख आणि मल्टी लेयर पर्सेप्ट्रॉन (एमएलपी) वर्गीकरण निकषाचा वापर करून मानक इजेनफेस पद्धतीची तुलना केली. |
47daf9cc8fb15b3a4b7c3db4498d29a5a8b84c22 | थ्री डी ऑब्जेक्ट कॅटेगरीझशन हे संगणक दृष्टीतील एक महत्त्वाचे काम आहे ज्यात अनेक वास्तविक-जगातील अनुप्रयोग समाविष्ट आहेत. आम्ही 3 डी बहुभुज जाळीचे वर्गीकरण करण्याच्या समस्येस मल्टी-व्ह्यू 2 डी प्रतिमांमधून देखावा उत्क्रांती शिकत आहोत. थ्री डी बहुभुज जाळीच्या कॉर्पस दिलेला, आम्ही प्रथम एकसमान गोलाकार वर अनेक दृश्ये पासून संबंधित आरजीबी आणि खोली प्रतिमा प्रस्तुत करतो. रँक पूलिंगचा वापर करून, आम्ही 2 डी दृश्यांच्या देखावा उत्क्रांतीचा अभ्यास करण्यासाठी दोन पद्धती प्रस्तावित करतो. प्रथम, आम्ही आरजीबी-डी प्रतिमा वापरून डीप कन्वॉल्युशनल न्यूरल नेटवर्क (सीएनएन) वर आधारित दृश्य-अपरिवर्तनीय मॉडेल प्रशिक्षित करतो आणि प्रथम पूर्णपणे कनेक्ट लेयर सक्रियतेचे क्रमवारी लावण्यास शिकतो आणि म्हणूनच, या काढलेल्या वैशिष्ट्यांचा विकास कॅप्चर करतो. या प्रक्रियेदरम्यान शिकलेले मापदंड 3 डी आकाराचे प्रतिनिधित्व म्हणून वापरले जातात. दुसऱ्या पद्धतीमध्ये, आम्ही आरजीबी-डी प्रतिमांवर रँकिंग मशीनचा वापर करून थेट दृश्यांचे एकत्रीकरण शिकतो, जे एकत्रित 2 डी प्रतिमा तयार करते ज्याला आम्ही ``3 डी आकार प्रतिमा म्हणून संबोधतो. मग आपण सीएनएन मॉडेल शिकतो. या नवीन आकाराच्या प्रतिनिधित्वानुसार आरजीबी आणि खोली दोन्हीसाठी जे बहुभुजाच्या प्रमुख भूमितीय संरचनेचे एन्कोड करतात. मॉडेलनेट४० आणि मॉडेलनेट१० डेटासेटवर केलेल्या प्रयोगांमधून असे दिसून आले आहे की, प्रस्तावित पद्धत ३ डी आकार ओळखण्याच्या सध्याच्या अत्याधुनिक अल्गोरिदमपेक्षा सातत्याने चांगली आहे. |
58156d27f80ee450ba43651a780ebd829b70c363 | कर्नल मॉनिटरिंग आणि संरक्षणाबाबत पूर्वीचे संशोधन मोठ्या प्रमाणात हॅडवेअर वर्च्युअलायझेशन एक्सटेंशनसारख्या उच्च विशेषाधिकार प्रणाली घटकांवर अवलंबून असते, जे संभाव्य कर्नल हल्ल्यांपासून सुरक्षा साधनांना अलग ठेवतात. या पद्धतीमुळे देखभाल आणि कोड बेस आकार दोन्ही वाढतात. एसकेईई, जे सिक्योर कर्नेल लेव्हल एक्झिक्युशन एन्व्हायर्नमेंटचे आहे, ही मूलभूत समस्या सोडवते. एसकेईई ही एक नवीन प्रणाली आहे जी कर्नलच्या समान विशेषाधिकार स्तरावर एक वेगळा हलका अंमलबजावणी वातावरण प्रदान करते. एसकेईई कमोडिटी एआरएम प्लॅटफॉर्मसाठी डिझाइन केलेले आहे. उच्च विशेषाधिकार असलेल्या सॉफ्टवेअरच्या सक्रिय सहभागशिवाय कर्नलचे सुरक्षित देखरेख आणि संरक्षण करणे हे त्याचे मुख्य उद्दीष्ट आहे. एसकेईईने अलगाव सुनिश्चित करण्यासाठी नवीन तंत्रज्ञानाचा एक संच प्रदान केला आहे. हे एक संरक्षित अॅड्रेस स्पेस तयार करते जे कर्नलला प्रवेशयोग्य नसते, जे कर्नल आणि अलग वातावरण दोन्ही समान विशेषाधिकार पातळी सामायिक करतात तेव्हा साध्य करणे आव्हानात्मक असते. एसकेईई कर्नलला त्याच्या स्वतः च्या मेमरी ट्रान्सलेशन टेबलचे व्यवस्थापन करण्यापासून रोखून हे आव्हान सोडवते. त्यामुळे सिस्टीमच्या मेमरी लेआउटमध्ये बदल करण्यासाठी कर्नलला एसकेईईवर स्विच करावे लागते. याउलट, एसकेईई हे तपासते की विनंती केलेले बदल संरक्षित पत्त्यांच्या जागेच्या अलगावशी तडजोड करीत नाहीत. ओएस कर्नलपासून एसकेईईवर स्विच करणे केवळ चांगल्या प्रकारे नियंत्रित स्विच गेटद्वारे होते. हे स्विच गेट काळजीपूर्वक डिझाइन केलेले आहे जेणेकरून त्याची अंमलबजावणी अनुक्रम अणू आणि निर्धारात्मक आहे. या गुणधर्मांनी एकत्रितपणे हमी दिली आहे की संभाव्यतः असुरक्षित कर्नल अलगावला धोका देण्यासाठी स्विचिंग अनुक्रमाचा फायदा घेऊ शकत नाही. जर कर्नल या गुणधर्मांचे उल्लंघन करण्याचा प्रयत्न करत असेल तर संरक्षित पत्त्याची जागा उघड न करताच प्रणाली अपयशी ठरेल. एसकेईई संपूर्ण ओएस मेमरीच्या प्रवेश परवानग्यांचे नियंत्रण करते. त्यामुळे, हे असे हल्ले रोखते जे कर्नलमध्ये सत्यापित न केलेला कोड इंजेक्ट करण्याचा प्रयत्न करतात. याव्यतिरिक्त, विविध घुसखोरी शोध आणि अखंडता पडताळणी साधनांना समर्थन देण्यासाठी इतर सिस्टम इव्हेंट्स अडवून ठेवण्यासाठी हे सहजपणे वाढविले जाऊ शकते. या लेखात एसकेईई प्रोटोटाइप सादर केले आहे जे 32-बिट एआरएमव्ही 7 आणि 64-बिट एआरएमव्ही 8 आर्किटेक्चरवर चालते. कामगिरीचे मूल्यांकन परिणाम दर्शविते की एसकेईई वास्तविक जगाच्या प्रणालींसाठी व्यावहारिक उपाय आहे. या लेखकांनी या कामासाठी समान योगदान दिले आहे |
698902ce1a836d353d4ff955c826095e28506e05 | |
da09bc42bbf5421b119abea92716186a1ca3f02f | आम्ही ओळख-आधारित एनक्रिप्शन (आयबीई) योजनेचा एक नवीन प्रकार सादर करतो ज्याला आम्ही फजी ओळख-आधारित एनक्रिप्शन म्हणतो. फजी आयबीईमध्ये आपण ओळखला जाणारा गुणधर्म वर्णनशील गुणधर्म म्हणून पाहतो. फजी आयबीई योजना एक ओळख, ω, एक गुप्तिकृत मजकूर एक ओळख, ω′, आणि फक्त तर identities ω आणि ω′ एकमेकांना जवळ आहेत मोजली म्हणून set आच्छादन अंतर मेट्रिक द्वारे गुप्तिकृत एक खाजगी की परवानगी देते. बायोमेट्रिक इनपुटला ओळख म्हणून वापरून एन्क्रिप्शन सक्षम करण्यासाठी फजी आयबीई योजना लागू केली जाऊ शकते; फजी आयबीई योजनेची त्रुटी-सहिष्णुता मालमत्ता म्हणजेच बायोमेट्रिक ओळख वापरण्याची परवानगी देते, ज्यात प्रत्येक वेळी नमुने घेताना काही आवाज असेल. याव्यतिरिक्त, आम्ही दर्शवितो की फजी-आयबीईचा वापर आम्ही गुण-आधारित एन्क्रिप्शन असे संबोधत असलेल्या अनुप्रयोगासाठी केला जाऊ शकतो. या लेखात आम्ही फजी आयबीई योजनांच्या दोन रचना सादर करतो. आमच्या रचनांना एका संदेशाच्या ओळख-आधारित एन्क्रिप्शन म्हणून पाहिले जाऊ शकते ज्यात अनेक गुणधर्म आहेत जे (अस्पष्ट) ओळख तयार करतात. आमची आयबीई योजना दोन्ही त्रुटी-सहिष्णु आणि गुप्तहेर हल्ल्यांपासून सुरक्षित आहेत. याव्यतिरिक्त, आमची मूलभूत रचना यादृच्छिक भविष्यवाण्या वापरत नाही. आम्ही निवडक-आयडी सुरक्षा मॉडेल अंतर्गत आमच्या योजनांची सुरक्षा सिद्ध करतो. |
b3baba6c34a2946b999cc0f6be6bb503d303073e | या पेपरमध्ये कोल्मोगोरोव-स्मिर्नोव (केएस) चाचणीच्या आधारे रिसीव्हर ऑपरेटिंग कॅरेक्टेरिस्ट (आरओसी) वक्र समतुल्यतेची एक सोपी, नॉन-पॅरामेट्रिक आणि सर्वसामान्य चाचणी वर्णन केली आहे. आरओसी वक्र (एयूसी) आणि नेमन-पीयरसन पद्धतीसारख्या सामान्यतः वापरल्या जाणार्या तंत्रांच्या संबंधात ही चाचणी वर्णन केली आहे. प्रथम आपण केएस चाचणीचा वापर कसा केला जातो याचे पुनरावलोकन करतो. मग आम्ही अंतराल मॅपिंग तंत्र प्रस्तावित करतो जे आम्हाला दोन केएस चाचण्या वापरण्याची परवानगी देते शून्य गृहीतेची चाचणी करण्यासाठी की दोन वर्गीकरणकर्त्यांमध्ये आरओसी वक्र आहेत जे समतुल्य आहेत. आम्ही हे दाखवून देतो की ही चाचणी वेगवेगळ्या आरओसी वक्रात भेदभाव करते जेव्हा एक वक्र दुसर्यावर वर्चस्व गाजवते आणि जेव्हा वक्र ओलांडतात आणि म्हणून एयूसीद्वारे भेदभाव केला जात नाही. अंतराळ मॅपिंग तंत्रज्ञानाने हे सिद्ध केले आहे की, एयूसीची मर्यादा असली तरी, ते मॉडेल-स्वतंत्र आणि वर्गीकरणकर्त्याच्या कामगिरीचे सुसंगत उपाय असू शकते. |
090f4b588ba58c36a21eddd67ea33d59614480c1 | माझे दृष्टिकोन हे उथळ भाषणाच्या मॉडेलवर आणि शब्दकोश ज्ञान तत्त्वावरून प्राप्त केलेल्या अॅनिमेशन माहितीवर अवलंबून असतात. मी हे देखील दाखवतो की, स्थानिक संदर्भावर आधारित निर्णय प्रक्रियेचा वापर करून, भाषेच्या भागाचे टॅग आणि संज्ञा भागांद्वारे प्रतिनिधित्व करून, खंड आणि अनुवादाच्या सीमा कशा प्रकारे निश्चित केल्या जाऊ शकतात. मग मी सरलीकरण प्रक्रियेदरम्यान वाक्यरचना आणि भाषणामध्ये होणारे संवाद औपचारिक करतो. हे महत्वाचे आहे कारण एखाद्या मजकूराला व्यापक प्रेक्षकांपर्यंत पोहचविण्यासाठी वाक्यरचना सोपी करण्याच्या उपयोगिताला तोडफोड केली जाऊ शकते जर पुन्हा लिहिलेला मजकूर एकत्रीत नसेल तर. वाक्य क्रमवारी, संकेत-शब्द निवड, संदर्भ-अभिव्यक्ति निर्मिती, निर्धारक निवड आणि सर्वनाम वापर यासारख्या विविध पिढीच्या समस्या कशा सोडवता येतील हे मी वर्णन करतो जेणेकरून संयुग्मित आणि अनाफोरिक सुसंगत संबंध संश्लेषण सरलीकरणादरम्यान जतन केले जाऊ शकतात. वाक्यरचनात्मक सरलीकरण करण्यासाठी मला विविध नैसर्गिक भाषा प्रक्रियेच्या समस्या सोडवाव्या लागल्या, ज्यात खंड आणि अनुवांशिक ओळख आणि संलग्नक, सर्वनाम निराकरण आणि संदर्भित-अभिव्यक्ती निर्मिती यांचा समावेश आहे. मी प्रत्येक समस्येचे निराकरण करण्यासाठी माझ्या दृष्टिकोनाचे मूल्यांकन करतो आणि माझ्या वाक्यरचना सोपीकरण प्रणालीचे समग्र मूल्यांकन देखील सादर करतो. वाक्यरचनात्मक सरलीकरण ही मजकूराची व्याकरणात्मक जटिलता कमी करण्याची प्रक्रिया आहे, तर त्याची माहिती सामग्री आणि अर्थ कायम ठेवला जातो. वाक्यरचना सुलभ करण्याचे उद्दीष्ट म्हणजे मानवी वाचकांसाठी किंवा प्रोग्राम्सद्वारे प्रक्रिया केलेल्या मजकूरास समजणे सोपे करणे. या प्रबंधात, मी वर्णन करतो की संश्लेषणात्मक सरलीकरण कसे साध्य केले जाऊ शकते उथळ मजबूत विश्लेषण, हस्तनिर्मित सरलीकरण नियमांचा एक छोटा संच आणि संश्लेषणात्मकरित्या मजकूर पुन्हा लिहिण्याच्या प्रवचनेच्या पातळीवरील पैलूंचे तपशीलवार विश्लेषण. मी सापेक्ष कलमांचा, अपोझिशन, समन्वय आणि अधीनतेचा अभ्यास करतो. मी सापेक्ष खंड आणि अनुनासिक जोडणीसाठी नवीन तंत्रज्ञान सादर करतो. माझा असा दावा आहे की हे जोडण्याचे निर्णय केवळ वाक्यरचनात्मक नाहीत. |
a9a7168b5b45fcf63e7f8904f68f6a90f8062443 | |
6d7c6c8828c7ac91cc74a79fdc06b5783102a784 | या लेखात मायक्रोवेव्ह व्हिजन कंपनीच्या उपक्रमांचा आढावा दिला आहे. विशिष्ट शोषण दर (एसएआर) मोजमाप आणि आरएफ सुरक्षा या दृष्टीने विद्यमान उत्पादनांचे तपशीलवार वर्णन केले आहे. मायक्रोवेव्हद्वारे स्तनांच्या आजाराचे निदान करण्यासाठी नवीन इमेजिंग पद्धतीच्या विकासाची प्रगती लवकरच नोंदविली जाईल. |
0c1a55e0e02c1dbf6cf363ec022ca17925586e16 | ट्रॅक केलेल्या वस्तूंची ओळख ही हवाई, पृष्ठभाग आणि पृष्ठभागाखालील (समुद्री) आणि जमिनीवरील वातावरणासाठी स्वयंचलित देखरेख आणि माहिती प्रणालीची एक महत्त्वाची क्षमता आहे, परिस्थितीची जाणीव सुधारते आणि ऑपरेशनल वापरकर्त्यांना निर्णय समर्थन देते. बेयसियन-आधारित ओळख डेटा एकत्रित प्रक्रिया (आयडीसीपी) विविध स्त्रोतांकडून अनिश्चित ओळख संकेत एकत्र करण्यासाठी एक प्रभावी साधन प्रदान करते. प्रक्रियेच्या कॉन्फिगरेशनसाठी वापरकर्त्याभिमुख दृष्टिकोन आणला जातो, जो ऑपरेटरला आयडीसीपी बदलत्या ऑपरेशनल परिस्थितीत बदलत्या ओळख गरजांनुसार अनुकूल करण्यास सक्षम करतो. संज्ञानात्मक मानसशास्त्र आणि निर्णय सिद्धांत पासून परिणाम अर्ज बेयसियन डेटा पुनर्प्राप्ती चांगला प्रवेश उपलब्ध आणि संरचना सहजपणे कार्यरत तज्ञ शक्य करते. |
2636bff7d3bdccf9b39c5e1e7d86a77690f1c07d | पुनरुत्थान शिक्षण (आरएल) मध्ये क्रेडिट असाइनमेंटची महत्त्वपूर्ण परंतु आव्हानात्मक समस्या सोडविण्यासाठी बक्षीस आकारणी ही एक सर्वात प्रभावी पद्धत आहे. तथापि, आकार देण्याच्या कार्ये डिझाइन करण्यासाठी सहसा बरेच तज्ञ ज्ञान आणि हात अभियांत्रिकी आवश्यक असते आणि निराकरण करण्यासाठी अनेक समान कार्ये दिल्यास अडचणी आणखी वाढतात. या पेपरमध्ये, आम्ही कामांच्या वितरणावर बक्षीस आकाराचा विचार करतो आणि नवीन नमुना केलेल्या कामांवर कार्यक्षम बक्षीस आकारास स्वयंचलितपणे शिकण्यासाठी एक सामान्य मेटा-लर्निंग फ्रेमवर्क प्रस्तावित करतो, फक्त सामायिक राज्य जागा गृहीत धरून परंतु आवश्यक क्रिया जागा नाही. आम्ही प्रथम मॉडेल-मुक्त आरएलमध्ये क्रेडिट असाइनमेंटच्या दृष्टीने सैद्धांतिकदृष्ट्या इष्टतम बक्षीस आकाराचे निष्कर्षण करतो. मग आम्ही एक मूल्य-आधारित मेटा-लर्निंग अल्गोरिदम प्रस्तावित करतो जेणेकरून इष्टतम बक्षीस आकारापेक्षा प्रभावी पूर्वतयारी केली जाऊ शकते. पूर्वपदार्थाचा थेट नवीन कामांवर वापर केला जाऊ शकतो, किंवा काही ग्रेडियंट अपडेटमध्ये कार्य सोडवताना पूर्वपदार्थाचा वापर केल्यास ते कार्य-पुढील कामाशी जुळवून घेतले जाऊ शकते. आम्ही आमच्या आकाराच्या प्रभावीतेचे प्रदर्शन करतो लक्षणीय सुधारित शिक्षण कार्यक्षमता आणि विविध सेटिंग्जमध्ये अर्थ लावता येण्याजोगे व्हिज्युअलायझेशन, विशेषतः डीक्यूएन ते डीडीपीजीमध्ये यशस्वी हस्तांतरणासह. |
0309ec1f0e139cc10090c4fefa08a83a2644530a | |
42771aede47980ae8eeebac246c7a8b941d11414 | आम्ही वैयक्तिकृत वेब शोध सुधारण्यासाठी शोध परिणामांमध्ये विविधता आणण्यासाठी पद्धती सादर आणि मूल्यांकन करतो. एक सामान्य वैयक्तिकरण दृष्टिकोन म्हणजे शीर्ष एन शोध परिणामांची पुनरावृत्ती करणे ज्यामुळे वापरकर्त्याने प्राधान्य दिलेली कागदपत्रे उच्च सादर केली जातात. पुनर्व्यवस्थापनाची उपयोगिता अंशतः विचारात घेतलेल्या परिणामांची संख्या आणि विविधतेमुळे मर्यादित आहे. आम्ही तीन पद्धतींचा प्रस्ताव ठेवतो ज्यामुळे शीर्ष परिणामांची विविधता वाढेल आणि या पद्धतींची कार्यक्षमता मूल्यांकन केली जाईल. |
22a8979b53315fad7f98781328cc0326b5147cca | एका कृत्रिम तंत्रिका नेटवर्कवर आधारित संश्लेषण मॉडेलचा प्रस्ताव आहे. प्रशिक्षण डेटा सेट मिळवण्यासाठी, स्क्वेअर मायक्रोस्ट्रिप अँटेनाची अनुनाद व क्यू-फॅक्टरची गणना अनुभवजन्य सूत्रांद्वारे केली जाते. मग खंडित कोपऱ्यांचा आकार आणि ऑपरेशन वारंवारता सर्वोत्तम अक्षीय प्रमाण प्राप्त होते. लेव्हनबर्ग-मार्क्वार्ड्ट (एलएम) अल्गोरिदमचा वापर करून, अचूक संश्लेषण मॉडेल प्राप्त करण्यासाठी तीन लपविलेले लेयर नेटवर्क प्रशिक्षित केले जाते. शेवटी, मॉडेलचे परिणाम इलेक्ट्रोमॅग्नेटिक सिम्युलेशन आणि मोजमापांशी तुलना करून सत्यापित केले जातात. सिंगल फीड सीपीएसएमएचे पॅच फिजिकल डायमेंशन थेट मिळवण्यासाठी हे अँटेना इंजिनिअर्ससाठी अत्यंत उपयुक्त आहे. |
93f962a46b24030bf4486a77b282f567529e7782 | या पेपरमध्ये एएनएसएस एचएफएसएसमध्ये कॉम्पॅक्ट आणि पॉवर-कार्यक्षम 5 गीगाहर्ट्झ इन-बँड फुल-ड्युप्लेक्स (एफडी) डिझाइनची ओळख आहे ज्यामध्ये 180 डिग्री रिंग हायब्रिड कपलरचा वापर केला जातो. प्रस्तावित डिझाइनमध्ये कपलरला जोडलेल्या दोन रेडिएटिंग अँटेना दरम्यान विनाशकारी व्यत्ययाचा फायदा घेऊन 57 डीबीचे उत्कृष्ट अलगाव मिळते, ज्यामुळे आत्म-हस्तक्षेप मोठ्या प्रमाणात कमी होतो. या डिझाईनमध्ये निष्क्रियता आहे आणि त्यामुळे अनुकूली चॅनेल अंदाज लावण्यासाठी अतिरिक्त उर्जाची आवश्यकता आहे. याव्यतिरिक्त, हे इच्छित ऑपरेशन वारंवारतेसाठी अतिशय कार्यक्षम भौतिक आकार आहे. प्रस्तावित एफडी डिझाईन कॉम्पॅक्ट आणि पॉवर-कार्यक्षम आहे, जे मोबाइल डिव्हाइसमध्ये वापरले जाऊ शकते, जसे की सेल फोन किंवा टॅब्लेट / फॅबलेट डिव्हाइस अधिक लवचिक आणि कमी आरएफ संसाधनांचा अधिक समावेश आहे. |
023cc7f9f3544436553df9548a7d0575bb309c2e | या पेपरमध्ये मजकूर वर्गीकरणासाठी एक सोपी आणि कार्यक्षम आधार रेखा शोधली गेली आहे. आमच्या प्रयोगांमधून हे दिसून आले आहे की आमचा फास्ट टेक्स्ट वर्गीकरणकर्ता फास्टटेक्स्ट हे गहन शिक्षण वर्गीकरणकर्त्यांसारखे अचूक आहे, आणि प्रशिक्षण आणि मूल्यमापनासाठी अनेक प्रमाणात वेगवान आहे. आम्ही १० मिनिटांत १० कोटी शब्दांवर फास्टटेक्स्ट शिकवू शकतो एका बहुकोरी CPU चा वापर करून आणि ३१२००० वर्गांमध्ये ५० लाख वाक्ये वर्गीकृत करू शकतो एका मिनिटापेक्षा कमी वेळात. |
d80e7da055f9c25e29f732d0a829daf172eb1fa0 | या लेखात, आरोग्य सेवा पुरवठा आणि संघटनेत नवकल्पनांचा प्रसार आणि टिकवून ठेवणे कसे शक्य आहे या प्रश्नावर लक्ष देणाऱ्या विस्तृत साहित्याचा सारांश दिला आहे. यामध्ये सामग्री (संस्थांमध्ये नवनिर्मितीचा प्रसार निश्चित करणे आणि मोजणे) आणि प्रक्रिया (साहित्य पद्धतशीर आणि पुनरुत्पादित करण्यायोग्य पद्धतीने पुनरावलोकन करणे) या दोन्ही बाबींचा विचार केला जातो. या लेखात (1) आरोग्य सेवा संस्थांमध्ये नवकल्पनांच्या प्रसाराचा विचार करण्यासाठी एक परवडणारी आणि पुरावा-आधारित मॉडेल, (2) स्पष्ट ज्ञान अंतर जेथे पुढील संशोधन केंद्रित केले पाहिजे आणि (3) आरोग्य सेवा धोरण आणि व्यवस्थापनाचे पद्धतशीरपणे पुनरावलोकन करण्यासाठी एक मजबूत आणि हस्तांतरणीय पद्धतीवर चर्चा केली आहे. मॉडेल आणि पद्धत या दोन्ही गोष्टींची व्यापक प्रमाणात चाचणी केली पाहिजे. |
3343d1d78f2a14045b52b71428efaf43073d616d | उद्देश वाढत्या लठ्ठपणाचे प्रमाण ऊर्जेत भरकटलेल्या आहाराशी जोडले गेले आहे. आहारातील ऊर्जेची घनता लठ्ठपणा आणि इन्सुलिन प्रतिकार आणि चयापचय सिंड्रोम यांसारख्या संबंधित विकारांशी संबंधित आहे का याची आम्ही तपासणी केली. संशोधन रचना आणि पद्धती आम्ही 1999-2002 राष्ट्रीय आरोग्य आणि पोषण तपासणी सर्वेक्षण (एन = 9,688) मधील 20 वर्षे किंवा त्यापेक्षा जास्त वयाच्या अमेरिकन प्रौढांच्या राष्ट्रीय प्रतिनिधी डेटाचा वापर करून क्रॉस-सेक्शनल अभ्यास केला. आहारातील ऊर्जेची घनता केवळ अन्नपदार्थांवर आधारित होती. आम्ही एकाधिक रेषेच्या मॉडेलचा वापर केला. अन्नपदार्थाच्या ऊर्जेची घनता, लठ्ठपणा (बीएमआय [किलोमीटर प्रति चौरस] आणि कंबर घेर [सेंटीमीटर]), ग्लायसीमिया किंवा इन्सुलिनियम यांच्यातील स्वतंत्र संबंध निश्चित करण्यासाठी. आम्ही राष्ट्रीय कोलेस्ट्रॉल आणि शिक्षण कार्यक्रमाद्वारे (प्रौढ उपचार पॅनेल III) परिभाषित केलेल्या आहारातील ऊर्जा घनता आणि चयापचय सिंड्रोम दरम्यान स्वतंत्र संबंध निर्धारित करण्यासाठी बहु-परिवर्तनशील पॉसन पुनरावृत्ती मॉडेल वापरले. परिणामी आहारातील ऊर्जेची घनता स्वतंत्रपणे आणि लक्षणीयरीत्या स्त्रियांमध्ये उच्च बीएमआयशी संबंधित होती (बीटा = 0. 44 [95% आयसी 0. 14 - 0. 73]) आणि पुरुषांमध्ये लक्षणीय संबंधाकडे कल (बीटा = 0. 37 [- 0. 007 ते 0. 74], पी = 0. 054). आहारातील ऊर्जेची घनता स्त्रियांमध्ये (बीटा = 1. 11 [0. 42- 1. 80]) आणि पुरुषांमध्ये (बीटा = 1. 33 [0. 46- 2. 19)) कंबर परिमितीच्या वाढीसह संबंधित होती. आहारातील ऊर्जा घनता देखील स्वतंत्रपणे वाढलेल्या उपवासातील इन्सुलिन (बीटा = 0. 65 [0. 18-1. 12]) आणि चयापचय सिंड्रोम (प्रचलन प्रमाण = 1. 10 [95% CI 1. 03- 1. 17]) शी संबंधित होती. निष्कर्ष आहारातील ऊर्जेची घनता ही लठ्ठपणा, उपवासातील इन्सुलिनची वाढलेली पातळी आणि अमेरिकन प्रौढांमध्ये मेटाबोलिक सिंड्रोमचा स्वतंत्र अंदाज आहे. आहारातील ऊर्जेची घनता कमी करण्यासाठी हस्तक्षेप अभ्यास करणे आवश्यक आहे. |
3e597e492c1ed6e7bbd539d5f2e5a6586c6074cd | बहुतेक न्यूरल मशीन ट्रान्सलेशन (एनएमटी) मॉडेल अनुक्रमे एन्कोडर-डेकोडर फ्रेमवर्कवर आधारित असतात, जे वाक्यरचना माहितीचा वापर करत नाहीत. या लेखात, आम्ही हे मॉडेल सुधारित करतो. अधिक विशेषतः, आम्ही प्रस्तावित करतो (1) एक द्विदिशात्मक ट्री एन्कोडर जे अनुक्रमे आणि झाडाच्या संरचित प्रतिनिधित्व दोन्ही शिकते; (2) एक झाड-कव्हरेज मॉडेल जे लक्ष स्त्रोत-बाजूच्या वाक्यरचनावर अवलंबून ठेवते. चीनी-इंग्रजी भाषांतराच्या प्रयोगांमुळे हे सिद्ध झाले आहे की, आमच्या प्रस्तावित मॉडेल अनुक्रमे लक्ष देण्याच्या मॉडेलपेक्षा तसेच तळापासून वरच्या झाडाच्या एन्कोडर आणि शब्द कव्हरेजसह मजबूत बेसलाइनपेक्षा अधिक कार्यक्षम आहेत. |
4e88de2930a4435f737c3996287a90ff87b95c59 | अनुक्रमाची माहिती वेळोवेळी जतन करण्याची त्यांची उत्कृष्ट क्षमता असल्याने, लॉन्ग शॉर्ट-टर्म मेमरी (एलएसटीएम) नेटवर्क, अधिक जटिल संगणकीय युनिटसह पुनरावृत्ती न्यूरल नेटवर्कचा एक प्रकार, विविध अनुक्रमाच्या मॉडेलिंग कार्यांवर मजबूत परिणाम प्राप्त केला आहे. आतापर्यंत एलएसटीएमची एकमेव मूलभूत रचना आहे जी रेषेचा साखळी आहे. तथापि, नैसर्गिक भाषा संवादाचे गुणधर्म दर्शवते जे नैसर्गिकरित्या शब्दांना वाक्यांशांमध्ये एकत्रित करते. आम्ही ट्री-एलएसटीएम, ट्री-स्ट्रक्चर्ड नेटवर्क टोपॉलॉजीजसाठी एलएसटीएमचे सामान्यीकरण सादर करतो. ट्रीएलएसटीएम सर्व विद्यमान प्रणाली आणि मजबूत एलएसटीएम बेसलाइनपेक्षा दोन कार्यांमध्ये अधिक कार्यक्षम आहेतः दोन वाक्यांशांच्या सिमेंटिक संबंधाचा अंदाज (सेमएवल 2014, कार्य 1) आणि भावना वर्गीकरण (स्टॅनफोर्ड सेन्टिमेंट ट्रीबँक). |
6411da05a0e6f3e38bcac0ce57c28038ff08081c | अर्थपूर्ण प्रतिनिधित्व हे अर्थपूर्ण अर्थ राखण्यासाठी आणि मशीन भाषांतर पद्धतींच्या सामान्यीकरण कार्यक्षमतेत सुधारणा करण्यासाठी संभाव्यपणे उपयुक्त असल्याचे दीर्घकाळ युक्तिवाद केला गेला आहे. या कामात, आम्ही प्रथमच न्यूरल मशीन ट्रान्सलेशनमध्ये स्त्रोत वाक्ये (म्हणजेच, सिमेंटिक-भूमिका प्रतिनिधित्व) च्या भविष्यवाणी-तर्क रचनाबद्दल माहिती समाविष्ट केली आहे. आम्ही ग्राफ कन्व्होल्युशनल नेटवर्क्स (जीसीएन) चा वापर वाक्य एन्कोडरमध्ये सिमेंटिक बायस इंजेक्ट करण्यासाठी करतो आणि इंग्रजी-जर्मन भाषेच्या जोड्यावरील भाषिक-अज्ञेयवादी आणि सिंटेक्सवेअर आवृत्त्यांपेक्षा बीएलईयू स्कोअरमध्ये सुधारणा करतो. |
9f291ce2d0fc1d76206139a40a859283674d8f65 | एनकोडर-डेकोडर आर्किटेक्चरवर आधारित न्यूरल मशीन ट्रान्सलेशन (एनएमटी) ने अलीकडेच अत्याधुनिक कामगिरी प्राप्त केली आहे. संशोधकांनी हे सिद्ध केले आहे की स्त्रोत-बाजूच्या वाक्यांश संरचनेचा समावेश करून शब्द स्तरावरील लक्ष वाक्यांशाच्या स्तरावर वाढविणे लक्ष मॉडेल वाढवू शकते आणि आशादायक सुधारणा प्राप्त करू शकते. तथापि, शब्द अवलंबित्व जे स्त्रोत वाक्याला योग्यरित्या समजून घेण्यासाठी महत्त्वपूर्ण असू शकतात ते नेहमीच अनुक्रमे नसतात (म्हणजे. कधी कधी ते लांब अंतरावर असू शकतात. दीर्घ अंतरावरील अवलंबित्वे स्पष्टपणे मॉडेल करण्याचा वाक्यांश संरचना हा सर्वोत्तम मार्ग नाही. या पेपरमध्ये आम्ही एनएमटीमध्ये स्रोत-साइड लांब अंतराच्या अवलंबित्व समाविष्ट करण्यासाठी एक सोपी परंतु प्रभावी पद्धत प्रस्तावित करतो. अवलंबन वृक्षांवर आधारित आमची पद्धत प्रत्येक स्त्रोत स्थितीला जागतिक अवलंबन संरचनांनी समृद्ध करते, जी स्त्रोत वाक्ये मूळ वाक्य रचना अधिक चांगल्या प्रकारे पकडू शकते. चीनी-इंग्रजी आणि इंग्रजी-जपानी भाषांतर कामांवर केलेले प्रयोग दाखवतात की, आमची प्रस्तावित पद्धत अत्याधुनिक एसएमटी आणि एनएमटी बेसलाइनपेक्षा अधिक कार्यक्षम आहे. |
d12c173ea92fc33dc276d1da90dc72a660f7ea12 | लिंक केलेले डेटाचे मुख्य उद्दीष्ट म्हणजे लिंक करणे आणि एकत्रीकरण करणे आणि हे लक्ष्य गाठले गेले आहे की नाही हे मूल्यांकन करण्यासाठी एक महत्त्वाची पायरी म्हणजे लिंक केलेले ओपन डेटा (एलओडी) क्लाउड डेटासेटमधील सर्व कनेक्शन शोधणे. दोन किंवा अधिक डेटासेटमधील कनेक्टिव्हिटी सामान्य संस्था, ट्रिपल, लिटरेल्स आणि स्कीमा एलिमेंट्सद्वारे मिळू शकते, तर उवा:समानAs, उवा:समान गुणधर्म आणि उवा:समानवर्ग यासारख्या यूआरआय दरम्यान समकक्षतेच्या संबंधांमुळे अधिक कनेक्शन होऊ शकतात, कारण बरेच प्रकाशक अशा समकक्षतेच्या संबंधांचा वापर करतात, त्यांच्या यूआरआय इतर डेटासेटच्या यूआरआय बरोबर समकक्ष आहेत हे घोषित करण्यासाठी. तथापि, दोनपेक्षा जास्त डेटासेट समाविष्ट करणारे कनेक्टिव्हिटी मोजमाप (आणि निर्देशांक) उपलब्ध नाहीत, जे डेटासेटच्या संपूर्ण सामग्री (उदाहरणार्थ, संस्था, स्कीमा, ट्रिपल) किंवा स्लाइस (उदाहरणार्थ, एका विशिष्ट घटकासाठी ट्रिपल) कव्हर करतात, जरी ते माहिती समृद्धी, डेटासेट डिस्कव्हरी आणि इतर सारख्या अनेक वास्तविक जगाच्या कार्यांसाठी प्राथमिक महत्त्व असू शकतात. डेटासेटमधील कनेक्शन शोधणे सोपे काम नाही, कारण मोठ्या संख्येने LOD डेटासेट अस्तित्वात आहेत आणि समकक्षतेच्या संबंधांचे संक्रमणशील आणि सममितीय बंद होणे गहाळ कनेक्शन न होण्यासाठी गणना केली पाहिजे. या कारणास्तव, आम्ही स्केलेबल पद्धती आणि अल्गोरिदम सादर करतो, (अ) समकक्षतेच्या संबंधांसाठी ट्रान्झिटिव्ह आणि सममितीय बंदीची गणना करण्यासाठी (कारण ते डेटासेट दरम्यान अधिक कनेक्शन तयार करू शकतात); (ब) डेटासेटच्या संपूर्ण सामग्रीचा समावेश करणारे समर्पित ग्लोबल सिमेंटिक्स-जागरूक निर्देशांक तयार करण्यासाठी; आणि (क) दोन किंवा अधिक डेटासेटमधील कनेक्टिव्हिटी मोजण्यासाठी. शेवटी, आम्ही प्रस्तावित दृष्टिकोनाच्या गतीचे मूल्यांकन करतो, आम्ही तुलनात्मक परिणाम दोन अब्जाहून अधिक तिप्पट अहवाल देतो. |
d6020bdf3b03f209174cbc8fb4ecbe6208eb9ff1 | आम्ही पहिल्या लेखकाच्या संशोधन कारकीर्दीचा एक मागील विचार सुरू करतो, जो मोठ्या प्रमाणात संगणकीय तंत्रज्ञानाच्या (आयटी) संघटनात्मक बदलासाठी असलेल्या परिणामांच्या संशोधनासाठी समर्पित आहे. आयटीला संघटनात्मक बदलाशी जोडले गेले असले तरी, संघटना सिद्धांतात तंत्रज्ञानाच्या उपचाराचा आमचा ऐतिहासिक आढावा सिद्ध करतो की संघटनांचे भौतिक पैलू सिद्धांत विकासाच्या मागे किती सहजपणे अदृश्य होऊ शकतात. आयटी उपक्रमांची भौतिक वैशिष्ट्ये त्यांना इतर संघटनात्मक बदल उपक्रमांपासून वेगळे करतात म्हणून हा एक दुर्दैवी परिणाम आहे. आयटीच्या प्रभाव अभ्यासात त्याचे अस्तित्व नष्ट होण्याची कारणे शोधून काढणे आणि ज्यामध्ये आयटीची महत्त्व अधिक केंद्रीय सैद्धांतिक भूमिका बजावते अशा पर्यायांचा प्रस्ताव देऊन त्याचे महत्त्व पुनर्संचयित करणे हा आमचा उद्देश आहे. आम्ही एक सामाजिक-तांत्रिक दृष्टीकोन स्वीकारतो जो एक कठोर सामाजिक-भौतिक दृष्टीकोनातून भिन्न आहे कारण आम्ही भौतिक कलाकृती आणि त्यांच्या वापराच्या सामाजिक संदर्भातील ऑन्टोलॉजिकल फरक जतन करू इच्छितो. आमच्या विश्लेषणात "सक्षमता" ही संकल्पना सामाजिक-तांत्रिक दृष्टीकोनातून सुसंगत संबंधात्मक संकल्पना म्हणून वापरली जाते. मग आम्ही संघटनात्मक नियमांच्या सिद्धांताचे विस्तार प्रस्तावित करतो जे नियमांच्या नावाच्या जनरेटिव्ह सिस्टममध्ये भौतिक वस्तू समाविष्ट करतात. आयटीच्या संघटनात्मक परिणामांच्या अभ्यासामध्ये नवीन संशोधन फोकस म्हणून भौतिकता स्वीकारण्यात मूळचे अनेक आव्हानांपैकी हे योगदान दोन उदाहरणे आहेत. |
7039b7c97bd0e59693f2dc4ed7b40e8790bf2746 | आम्ही एक न्यूरल नेटवर्क मॉडेलचे वर्णन करतो जे एकत्रितपणे मजकूर आणि ज्ञान बेस (केबी) घटकांचे वितरित प्रतिनिधित्व शिकते. केबी मध्ये एक मजकूर दिल्यास, आम्ही आमच्या प्रस्तावित मॉडेलला मजकूराशी संबंधित असलेल्या घटकांचा अंदाज लावण्यासाठी प्रशिक्षित करतो. आमचे मॉडेल सर्वसामान्य बनवण्यासाठी डिझाइन केलेले आहे. विविध एनएलपी कामांना सहजपणे सामोरे जाण्याची क्षमता आहे. आम्ही मॉडेलला विकिपीडियावरून काढलेल्या मजकूराच्या मोठ्या संख्येचा आणि त्यांच्या अस्तित्व टिपण्णींचा वापर करून प्रशिक्षण देतो. आम्ही तीन महत्त्वाच्या एनएलपी कामांवर मॉडेलचे मूल्यांकन केले (म्हणजेच, वाक्य मजकूर समानता, अस्तित्व जोडणे आणि फॅक्टोइड प्रश्न उत्तर देणे) ज्यात अनियंत्रित आणि पर्यवेक्षित सेटिंग्ज दोन्ही समाविष्ट आहेत. परिणामी, आम्ही या तिन्ही कामांमध्ये अत्याधुनिक परिणाम साध्य केले. आमचा कोड आणि प्रशिक्षित मॉडेल पुढील शैक्षणिक संशोधनासाठी सार्वजनिकपणे उपलब्ध आहेत. |
42f75b297aed474599c8e598dd211a1999804138 | आम्ही ऑटोकॅलासचे वर्णन करतो, क्लासिकल मिश्रण मॉडेलवर आधारित असुरक्षित वर्गीकरणाचा एक दृष्टिकोन, इष्टतम वर्ग निश्चित करण्यासाठी बेयसीयन पद्धतीने पूरक. आम्ही ऑटोक्लास प्रणालीच्या मागे असलेल्या गणिताचे मध्यम तपशीलवार स्पष्टीकरण समाविष्ट करतो. आम्ही यावर जोर देतो की कोणतीही सध्याची अनियंत्रित वर्गीकरण प्रणाली जेव्हा एकट्याने कार्य करते तेव्हा जास्तीत जास्त उपयुक्त परिणाम देऊ शकत नाही. डोमेन तज्ञ आणि मॉडेल स्पेसवर शोध घेणारी मशीन यांच्यातील संवाद नवीन ज्ञान निर्माण करतो. दोन्ही डेटाबेस विश्लेषण कार्यासाठी अद्वितीय माहिती आणि क्षमता आणतात आणि प्रत्येकजण इतरांची कार्यक्षमता वाढवते. आम्ही या बिंदूला जटिल वास्तविक जगाच्या डेटाबेससाठी ऑटोक्लासच्या अनेक अनुप्रयोगांसह स्पष्ट करतो आणि परिणामी यश आणि अपयशांचे वर्णन करतो. 6.1 परिचय डेटाबेसमधून उपयुक्त माहिती काढण्यासाठी स्वयंचलित वर्गीकरण कार्यक्रम (ऑटोक्लास) वापरण्याच्या आमच्या अनुभवाचा हा अध्याय सारांश आहे. यामध्ये सर्वसाधारणपणे स्वयंचलित वर्गीकरणाच्या आणि विशेषतः ऑटोक्लासच्या तत्त्वांचा आढावा दिला आहे. आम्ही लेबल केलेल्या उदाहरणांमधून (पर्यवेक्षित शिक्षण म्हणतात) वर्ग वर्णन निर्मितीपेक्षा डेटामध्ये (कधीकधी क्लस्टरिंग किंवा अनसुपरविझ्ड लर्निंग असे म्हणतात) स्वयंचलितपणे शोधण्याच्या समस्येशी संबंधित आहोत. काही प्रमाणात, स्वयंचलित वर्गीकरणाचा उद्देश डेटामध्ये "नैसर्गिक" वर्ग शोधणे आहे. या वर्गात मूलभूत कारणे असतात ज्यामुळे काही प्रकरणे इतरांपेक्षा अधिक सारखी दिसतात. कारण यांत्रिकी डेटामध्ये नमुना पूर्वग्रह म्हणून कंटाळवाणा असू शकते, किंवा डोमेनमध्ये काही प्रमुख नवीन शोध पुन्हा मिळवू शकते. कधीकधी, हे वर्ग क्षेत्रातील तज्ञांना चांगलेच माहित होते, परंतु ऑटोक्लासला अज्ञात होते, आणि इतर वेळा |
32aea4c9fb9eb7cf2b6869efa83cf73420374628 | |
091778f43d947affb69dbccc2c3251abfa852ad2 | अर्थपूर्ण फाइल सिस्टम ही एक माहिती स्टोरेज सिस्टम आहे जी फाइल प्रकार विशिष्ट ट्रान्सड्यूसरसह फायलींमधून स्वयंचलितपणे गुणधर्म काढून प्रणालीच्या सामग्रीवर लवचिक असोसिएटिव्ह प्रवेश प्रदान करते. विद्यमान ट्री-स्ट्रक्चर्ड फाइल सिस्टम प्रोटोकॉलचे एक पुराणमतवादी विस्तार आणि विशेषतः सामग्री आधारित प्रवेशासाठी डिझाइन केलेले प्रोटोकॉलद्वारे असोसिएटिव्ह प्रवेश प्रदान केला जातो. विद्यमान फाइल सिस्टम प्रोटोकॉलशी सुसंगतता व्हर्च्युअल डिरेक्टरीची संकल्पना सादर करून प्रदान केली जाते. आभासी निर्देशिका नावे क्वेरी म्हणून समजली जातात आणि अशा प्रकारे विद्यमान सॉफ्टवेअरशी सुसंगत पद्धतीने फाइल्स आणि निर्देशिकांमध्ये लवचिक असोसिएटिव्ह प्रवेश प्रदान करतात. फाईल सिस्टम ऑब्जेक्ट्सच्या प्रमुख गुणधर्मांचे स्वयंचलितपणे काढणे आणि अनुक्रमणिका करून फाईल सिस्टम सामग्रीवर आधारित जलद-गुण-आधारित प्रवेश लागू केला जातो. फाइल्स आणि डिरेक्टरीजचे स्वयंचलित अनुक्रमणिका "सिमेंटिक" असे म्हणतात कारण वापरकर्ता प्रोग्राम करण्यायोग्य ट्रान्सड्यूसर अनुक्रमणिकेसाठी गुणधर्म काढण्यासाठी अद्ययावत फाइल सिस्टम ऑब्जेक्ट्सच्या सिमेंटिक्सबद्दल माहिती वापरतात. सिमेंटिक फाइल सिस्टम अंमलबजावणीचे प्रायोगिक परिणाम सिमेंटिक फाइल सिस्टम माहिती सामायिकरण आणि कमांड लेव्हल प्रोग्रामिंगसाठी पारंपारिक ट्री स्ट्रक्चर्ड फाइल सिस्टमपेक्षा अधिक प्रभावी स्टोरेज अमूर्तता सादर करतात या थीसिसचे समर्थन करतात. |
096db7e8d2b209fb6dca9c7495ac84405c40e507 | या लेखात आम्ही नॉन-नेगेटिव्ह मॅट्रिक्स फॅक्टरायझेशन (एनएमएफ) साठी नवीन अल्टरनेटिंग लेस्ट स्क्वेअर्स (एएलएस) अल्गोरिदम आणि 3 डी नॉन-नेगेटिव्ह टेंसर फॅक्टरायझेशन (एनटीएफ) साठी त्यांचे विस्तार सादर करतो जे आवाज उपस्थितीत मजबूत आहेत आणि बहु-मार्ग ब्लाइंड सोर्स सेपरेशन (बीएसएस), मल्टी-सेन्सर किंवा बहु-आयामी डेटा विश्लेषण आणि नॉन-नेगेटिव्ह न्यूरल स्पाअर कोडिंग यासह अनेक संभाव्य अनुप्रयोग आहेत. आम्ही स्थानिक खर्च फंक्शन्स वापरण्याचा प्रस्ताव ठेवतो ज्यांचे एकाचवेळी किंवा अनुक्रमे (एक-एक) कमीतकमी कमी केल्याने अत्यंत सोपा एएलएस अल्गोरिदम मिळतो जो काही कमी मर्यादेच्या मर्यादेखाली काम करतो. दोन्ही कमी-निश्चित (एक प्रणाली ज्यात स्त्रोतांपेक्षा कमी सेन्सर्स असतात) आणि जास्त-निश्चित मॉडेल. या व्यापक प्रयोगात्मक परिणामामुळे विकसित अल्गोरिदमची वैधता आणि उच्च कार्यक्षमता याची पुष्टी होते. या अल्गोरिदमचा विस्तार बहुआयामी स्पायरस कंपोनेंट विश्लेषण आणि स्मूथ कंपोनेंट विश्लेषण यामध्ये करण्याचा प्रस्ताव आहे. |
339888b357e780c6e80fc135ec48a14c3b524f7d | ब्लूम फिल्टर ही एक साधी जागा-कार्यक्षम यादृच्छिक डेटा रचना आहे जी सदस्यत्व क्वेरींना समर्थन देण्यासाठी सेटचे प्रतिनिधित्व करते. ब्लूम फिल्टर चुकीचे पॉझिटिव्ह्स देतात पण त्रुटीची शक्यता नियंत्रित केल्यास जागेची बचत ही कमतरता असते. ब्लूम फिल्टरचा वापर १९७० च्या दशकापासून डेटाबेस अॅप्लिकेशन्समध्ये केला जात आहे, परंतु अलिकडच्या वर्षांत ते नेटवर्किंग साहित्यात लोकप्रिय झाले आहेत. या पेपरचा उद्देश हा आहे की विविध नेटवर्क समस्यांमध्ये ब्लूम फिल्टरचा वापर आणि बदल कसा केला गेला आहे याचा अभ्यास करणे, ज्याचा उद्देश त्यांना समजून घेण्यासाठी एकसमान गणितीय आणि व्यावहारिक चौकट प्रदान करणे आणि भविष्यातील अनुप्रयोगांमध्ये त्यांचा वापर उत्तेजित करणे आहे. |
dc3e8bea9ef0c9a2df20e4d11860203eaf795b6a | सामान्य चालण्याच्या वेळी निर्माण होणाऱ्या ग्राउंड रिअॅक्शन फोर्सेसचा वापर अलिकडेच वेळोवेळी दिसणाऱ्या फोर्सेसच्या नमुन्यावर आधारित व्यक्तींची ओळख आणि/किंवा वर्गीकरण करण्यासाठी केला गेला आहे. एक वैशिष्ट्य जे उभ्या जमिनीच्या प्रतिक्रिया शक्तीमधून काढले जाऊ शकते ते म्हणजे शरीराचे वस्तुमान. या एका वैशिष्ट्यामुळे इतर अभ्यासात अनेक आणि अधिक जटिल वैशिष्ट्यांचा वापर करण्याच्या तुलनेत ओळखण्याची क्षमता आहे. या अभ्यासामुळे ओळख पटवण्यात शरीराच्या वस्तुमानाची भूमिका समजून घेण्यास मदत होते. (1) शरीरातील वस्तुमान किती अचूक आणि अचूक आहे हे ठरवण्यासाठी उभ्या जमिनीवरील प्रतिक्रिया शक्तींचा वापर केला जातो. (2) चालण्याच्या विश्लेषणाच्या संदर्भात पूर्वीपेक्षा मोठ्या लोकसंख्येमध्ये शरीराच्या वस्तुमानाचे वितरण ठरवण्यासाठी आणि (3) शरीराच्या वस्तुमानाचा वापर करून कमकुवत बायोमेट्रिक म्हणून सिस्टमची अपेक्षित ओळख क्षमता ठरवण्यासाठी. आमच्या परिणामांमध्ये असे दिसून आले आहे की शरीराचे वस्तुमान एका सेकंदाच्या तुकड्यात मोजले जाऊ शकते ज्यामध्ये 1 किलोपेक्षा कमी त्रुटी असते. |
1b2f2bb90fb08d0e02eabb152120dbf1d6e5837e | आम्ही सतत शब्द प्रतिनिधित्व संगणकीय करण्यासाठी न्यूरल-नेटवर्क-प्रेरित मॉडेलचे एक कुटुंब सादर करतो, विशेषतः एकभाषिक आणि बहुभाषिक मजकूर दोन्हीचा वापर करण्यासाठी डिझाइन केलेले. या फ्रेमवर्कमुळे आम्हाला विना पर्यवेक्षणाच्या प्रशिक्षणात एम्बेड केलेले मॉडेल अधिक अचूकता दर्शवितात. आम्ही हे देखील दाखवतो की अशा बहुभाषिक एम्बेडिंग, सिमेंटिक समानतासाठी अनुकूलित, सांख्यिकीय मशीन भाषांतरची कार्यक्षमता सुधारू शकते ज्यात समांतर डेटामध्ये उपस्थित नसलेल्या शब्दांना कसे हाताळले जाते. |
396945dabf79f4a8bf36ca408a137d6e961306e7 | |
6010c2d8eb5b6c5da3463d0744203060bdcc07a7 | सामनचे लास, लेपेओफथेयरस साल्मोनिस (क्रॉयर, 1837) हे माशांचे एक्टोपॅराझिट आहेत ज्यामुळे अटलांटिक सामनच्या मारीकल्चरमध्ये महत्त्वपूर्ण आर्थिक नुकसान होते, साल्मो सालर लिनियस, 1758. मत्स्यपालन संस्थांमधील एल. साल्मोनिसवर नियंत्रण ठेवण्यासाठी मोठ्या प्रमाणात परजीवीविरोधी औषधांचा वापर केला जातो. रासायनिक नियंत्रणाशी संबंधित समस्या म्हणजे प्रतिरोधकतेच्या विकासाची शक्यता आहे, जी एल. साल्मोनिसमध्ये ऑर्गेनोफोस्फेट्स, पायरेथ्रोइड्स आणि एव्हरमेक्टिनसह अनेक औषध वर्गांसाठी दस्तऐवजीकरण केलेली आहे. एटीपी-बंधक कॅसेट (एबीसी) जीन सुपरफॅमिली सर्व बायोटामध्ये आढळते आणि त्यात कर्करोग आणि रोगजनकांवर औषध प्रतिरोधक देणारी औषध इफ्लक्स ट्रान्सपोर्टरची श्रेणी समाविष्ट आहे. याशिवाय काही एबीसी ट्रान्सपोर्टर हे कीटकनाशकांच्या प्रतिकारशक्तीच्या प्रभावामध्ये सहभागी असल्याचे मानले जाते. अनेक अभ्यासात एल. साल्मोनिसमध्ये एबीसी ट्रान्सपोर्टरची तपासणी केली गेली असली तरी, या प्रजातीसाठी एबीसी जीन कुटुंबाचे कोणतेही पद्धतशीर विश्लेषण अस्तित्वात नाही. या अभ्यासामध्ये एल. साल्मोनिसमध्ये एबीसी जीन्सचे जीनोम-व्यापी सर्वेक्षण सादर केले गेले आहे, ज्यासाठी एल. साल्मोनिस जीनोमच्या होमोलॉजी सर्चद्वारे एबीसी सुपरफॅमिलीचे सदस्य ओळखले गेले. याव्यतिरिक्त, ABC प्रथिने एका बहु- टप्प्यातील RNA लायब्ररीच्या उच्च- थ्रूपुट आरएनए अनुक्रमाद्वारे (RNA- seq) तयार केलेल्या परजीवीच्या संदर्भ प्रतिलेखनात ओळखले गेले. जीनोम आणि ट्रान्सक्रिप्टोम या दोन्ही गोष्टींचा शोध घेताना एबीसी प्रथिने कोड करणारे एकूण 33 जीन्स / ट्रान्सक्रिप्ट्सची ओळख पटली, त्यापैकी 3 जीनोममध्ये आणि 4 केवळ ट्रान्सक्रिप्टोममध्ये होते. औषध वाहक असलेल्या एबीसी उपकुलांमध्ये अठरा अनुक्रमांचे वाटप करण्यात आले. उपकुळ बी (४ अनुक्रम), सी (११) आणि जी (२) या परिणामावरून असे दिसून आले आहे की एल. साल्मोनिसच्या एबीसी जीन कुटुंबात इतर संधिपायांपेक्षा कमी सदस्य आहेत. एल. साल्मोनिस एबीसी जीन्सच्या सुपरफॅमिलीचा हा अभ्यास साल्मन डिलीझिंग एजंट्सच्या विषारीतेमध्ये आणि औषध प्रतिरोधकतेच्या संभाव्य यंत्रणेत एबीसी ट्रान्सपोर्टरच्या संभाव्य भूमिकेच्या पुढील संशोधनासाठी आधार प्रदान करेल. |
4a3235a542f92929378a11f2df2e942fe5674c0e | या पेपरमध्ये अनसर्विस्ड न्यूरल नेट आधारित घुसखोरी डिटेक्टर (यूएनएनआयडी) प्रणालीची ओळख आहे, जी अनसर्विस्ड न्यूरल नेटचा वापर करून नेटवर्क-आधारित घुसखोरी आणि हल्ले ओळखते. या प्रणालीमध्ये प्रशिक्षण, चाचणी आणि अनियंत्रित जाळ्यांच्या ट्युनिंगची सुविधा आहे, ज्याचा वापर घुसखोरी शोधण्यात केला जाईल. या यंत्रणेच्या सहाय्याने आम्ही दोन प्रकारच्या अनसुप्रिव्हेटेड अॅडॅप्टिव्ह रेझोनन्स थिअरी (एआरटी) जाळ्याची चाचणी केली (एआरटी-१ आणि एआरटी-२). परिणामांच्या आधारे, अशा नेटवर्क प्रभावीपणे नेटवर्क रहदारी सामान्य आणि घुसखोर मध्ये वर्गीकृत करू शकतात. या प्रणालीमध्ये दुरुपयोग आणि विसंगती शोधण्याच्या पद्धतींचा संकर वापरला जातो, त्यामुळे हे ज्ञात हल्ल्यांचे प्रकार तसेच नवीन हल्ल्यांचे प्रकार विसंगती म्हणून शोधण्यात सक्षम आहे. |
10a9abb4c78f0be5cc85847f248d3e8277b3c810 | संगणकीय नैसर्गिक भाषा शिक्षण परिषदेत एक सामायिक कार्य आहे, ज्यामध्ये सहभागी समान डेटा सेटवर त्यांच्या शिक्षण प्रणालीचे प्रशिक्षण आणि चाचणी घेतात. २००६ मध्ये जसे २००७ मध्ये, सामायिक कार्य अवलंबूनता विश्लेषणास समर्पित केले गेले आहे, यावर्षी बहुभाषिक ट्रॅक आणि डोमेन अनुकूलन ट्रॅक दोन्हीसह. या लेखात आम्ही वेगवेगळ्या ट्रॅकची कार्ये स्पष्ट केली आहेत आणि दहा भाषांसाठी अस्तित्वात असलेल्या ट्रीबँकमधून डेटा सेट कसे तयार केले गेले ते वर्णन केले आहे. याव्यतिरिक्त, आम्ही सहभागी प्रणालींच्या वेगवेगळ्या पध्दतींचे वर्णन करतो, चाचणी परिणामांची माहिती देतो आणि या परिणामांचे प्रथम विश्लेषण प्रदान करतो. |
14626b05a5ec7ec2addc512f0dfa8db60d817c1b | या पेपरमध्ये आम्ही खोल न्यूरल नेटवर्कवर विशेष लक्ष केंद्रित करून मोठ्या प्रमाणात नॉन-कन्वेक्स ऑप्टिमायझेशन समस्यांसाठी प्रवेग तंत्रज्ञानाचा शोध घेतो. एक्स्ट्रापोलेशन स्कीम हे स्टोकेस्टिक ग्रेडियंट डिसेंटला उत्तेजित करण्यासाठी एक क्लासिक पद्धत आहे, परंतु हे सामान्यतः नॉन-कन्वेक्स ऑप्टिमायझेशनसाठी चांगले कार्य करत नाही. पर्यायाने, आम्ही नॉन-कन्वेक्स ऑप्टिमायझेशनला गती देण्यासाठी इंटरपोलेशन स्कीमचा प्रस्ताव करतो आणि या पद्धतीला इंटरपोलॅट्रॉन म्हणतो. आम्ही इंटरपोलॅट्रॉनच्या मागे असलेली प्रेरणा स्पष्ट करतो आणि सखोल अनुभवजन्य विश्लेषण करतो. CIFAR-10 आणि ImageNet वर मोठ्या खोलीच्या DNNs वर (उदाहरणार्थ, 98-लेयर ResNet आणि 200-लेयर ResNet) अनुभवजन्य परिणाम दर्शविते की इंटरपोलट्रॉन गतिमान आणि अॅडमसह एसजीडी सारख्या अत्याधुनिक पद्धतींपेक्षा बरेच जलदपणे अभिसरण करू शकते. याव्यतिरिक्त, अँडरसनचा वेग वाढविणे, ज्यामध्ये मिश्रण गुणांक किमान-चौरस अंदाजानुसार गणना केली जाते, त्याची कार्यक्षमता सुधारण्यासाठी देखील वापरली जाऊ शकते. इंटरपोलॅट्रॉन आणि अँडरसनची प्रवेग दोन्ही अंमलबजावणी आणि ट्यून करणे सोपे आहे. आम्ही हे देखील दाखवतो की इंटरपोलॅट्रॉनमध्ये काही नियमानुसार नियमानुसार रेषेचा अभिसरण दर आहे. |
55baef0d54403387f5cf28e2ae1ec850355cf60a | कीर्न्स, नील, रोथ आणि वू [आयसीएमएल २०१८] यांनी नुकतीच समृद्ध उपसमूह निष्पक्षतेची संकल्पना सांख्यिकीय आणि वैयक्तिक निष्पक्षतेच्या संकल्पना दरम्यानची दरी कमी करण्यासाठी प्रस्तावित केली. रिच सबग्रुप फेअरनेस एक सांख्यिकीय निष्पक्षता प्रतिबंध निवडतो (म्हणजे, संरक्षित गटांमधील खोटे सकारात्मक दरांचे समतोल साधणे), परंतु नंतर विचारतो की हा प्रतिबंध एका वर्गाने परिभाषित केलेल्या उपसमूहातील एका मोठ्या किंवा असीमपणे मोठ्या संचिकेवर ठेवला आहे. ते या मर्यादेच्या अधीन शिकण्यासाठी एक अल्गोरिदम हमी देतात, या अटीच्या अंतर्गत की ते निष्पक्षतेच्या मर्यादेशिवाय परिपूर्ण शिकण्यासाठी ओरेकलमध्ये प्रवेश करतात. या लेखात आम्ही केर्न्स व इतर यांचे अल्गोरिदमचे व्यापक अनुभवजन्य मूल्यमापन करतो. चार वास्तविक डेटासेटवर ज्यासाठी निष्पक्षता ही चिंतेची बाब आहे, आम्ही अल्गोरिदमच्या मूलभूत अभिसरणची तपासणी करतो जेव्हा शिकण्याच्या ओरेकल्सच्या जागी वेगवान ह्युरिस्टिकसह इन्स्टंट केले जाते, निष्पक्षता आणि अचूकतेमधील तडजोडी मोजतात आणि हा दृष्टिकोन अलीकडील अल्गोरिदमसह तुलना करतात अगारवाल, बेगेलझायमर, डुडिक, लँगफोर्ड आणि वॅलच [आयसीएमएल २०१ 2018], जे वैयक्तिक संरक्षित गुणधर्मांद्वारे परिभाषित केलेल्या कमकुवत आणि अधिक पारंपारिक सीमांतराच्या निष्पक्षतेच्या निर्बंधांची अंमलबजावणी करते. आपल्याला हे सर्वसाधारणपणे आढळते, कीर्न्स व इतर. अल्गोरिदम वेगाने एकत्रित होतो, निष्पक्षतेत मोठी वाढ अचूकतेसाठी कमी खर्चासह मिळू शकते आणि केवळ मर्यादित निष्पक्षतेच्या अधीन अचूकतेचे अनुकूलन केल्याने महत्त्वपूर्ण उपसमूह अन्याय असलेल्या वर्गीकरणास कारणीभूत ठरते. आम्ही अनेक विश्लेषण आणि दृश्यावलोकन देखील प्रदान करतो कीर्न्स आणि इतर यांच्या प्रेरक शक्ती आणि वर्तनाचे. अल्गोरिदम एकूणच आम्हाला हा अल्गोरिदम वास्तविक डेटावर प्रभावी वाटतो आणि समृद्ध उपसमूह निष्पक्षता ही व्यवहारात व्यवहार्य संकल्पना आहे. |
6be461dd5869d00fc09975a8f8e31eb5f86be402 | संगणक-आधारित अॅनिमेटेड एजंट्स आणि रोबोट्स मानवी संगणक संवादात सामाजिक आयाम आणतात आणि संगणक दैनंदिन जीवनात कसा वापरला जाऊ शकतो याबद्दल नवीन मार्गाने विचार करण्यास भाग पाडतात. प्रत्यक्ष संवाद ही 40 मिलीसेकंदच्या कालावधीत चालणारी रिअल-टाइम प्रक्रिया आहे. या वेळेच्या प्रमाणात अनिश्चिततेची पातळी लक्षणीय आहे, ज्यामुळे मानव आणि यंत्रांना मंद प्रतिकात्मक अनुमान प्रक्रियेऐवजी संवेदी समृद्ध संवेदी प्राचीन गोष्टींवर अवलंबून राहणे आवश्यक आहे. या लेखात आपण अशाच एका अवधारणात्मक आदिमतेची प्रगती मांडत आहोत. प्रणाली आपोआप व्हिडिओ प्रवाहात आघाडीचे चेहरे ओळखते आणि त्यांना 7 परिमाणानुसार रिअल टाइममध्ये कोड करते: तटस्थ, राग, घृणा, भीती, आनंद, दुःख, आश्चर्य. चेहऱ्याचा शोध घेणारा हा तंत्रज्ञान वाढीच्या तंत्रज्ञानासह प्रशिक्षित वैशिष्ट्य डिटेक्टरची एक श्रेणी वापरतो [15, 2]. चेहर्यावरील ओळख यंत्राला चेहर्यावरील ओळख यंत्राद्वारे शोधलेल्या प्रतिमांचे पॅच प्राप्त होतात. पॅचचे गॅबोर प्रतिनिधित्व तयार केले जाते आणि नंतर एसव्हीएम वर्गीकरणकर्त्यांच्या बँकेद्वारे प्रक्रिया केली जाते. अॅडबॉस्ट आणि एसव्हीएमच्या एका नवीन संयोजनामुळे कामगिरी वाढते. या प्रणालीची चाचणी कोहन-कॅनडेच्या चेहर्यावरील भाव या डेटासेटवर केली गेली. नवीन विषयांना सामान्यीकरण कामगिरी 7 मार्ग सक्ती निवड योग्य. सर्वात मनोरंजक म्हणजे वर्गीकरणाचे आउटपुट वेळेनुसार सहजतेने बदलतात, जे चेहर्यावरील अभिव्यक्ती डायनॅमिक्स पूर्णपणे स्वयंचलित आणि अप्रत्यक्ष पद्धतीने कोड करण्यासाठी संभाव्य मूल्यवान प्रतिनिधित्व प्रदान करते. सोनीच्या आयबो पाळीव प्राणी रोबोट, एटीआरच्या रोबोव्ही आणि सीयू अॅनिमेटरसह विविध प्रकारच्या प्लॅटफॉर्मवर ही प्रणाली तैनात केली गेली आहे आणि सध्या स्वयंचलित वाचन शिक्षक, मानवी-रोबोट परस्परसंवादाचे मूल्यांकन यासह अनुप्रयोगांसाठी त्याचे मूल्यांकन केले जात आहे. |
15f932d189b13786ca54b1dc684902301d34ef65 | या पेपरमध्ये कमी-शक्तीच्या फोटोव्होल्टिक अनुप्रयोगासाठी उच्च कार्यक्षम एलएलसीसी-प्रकार रेझोनंट डीसी-डीसी कनवर्टरवर चर्चा केली आहे. यामध्ये रेझोनंट टँकच्या वेगवेगळ्या डिझाईन यंत्रणेवर भर देण्यात आला आहे. त्याच वेळी इन्व्हर्टरचे सॉफ्ट स्विचिंग तसेच रेक्टिफायर ब्रिजचा विचार केला जातो. डिझाईन नियमांच्या बाबतीत, व्होल्टेज-स्रोत आउटपुटसह एलएलसीसी-कन्व्हर्टर डिझाइन करण्यात एक नवीन आव्हान सोडवले जाते. प्रतिध्वनी घटकांच्या ऐवजी, त्यांचे प्रमाण, उदा. इंडक्टन्सचे प्रमाण Ls/Lp हे प्रथम डिझाईन पॅरामीटर्स म्हणून मानले जाते. याव्यतिरिक्त, ट्रान्सफॉर्मर-इंडक्टर डिव्हाइससाठी व्युत्पन्न डिझाइन नियम थेट एकूणच एलएलसीसी-डिझाइनमध्ये फिट होतो. ट्रान्सफॉर्मर्सच्या स्वरूपामुळे, म्हणजेच इंडक्टन्सचे संबंध Ls/Lp हे फक्त भूमितीचे फंक्शन आहे, हे डिझाइन पॅरामीटर थेट भूमितीद्वारे विचारात घेतले जाते. प्रायोगिक परिणामांनी उच्च कार्यक्षमता दर्शविली आहे. |
f13902eb6429629179419c95234ddbd555eb2bb6 | |
07d138a54c441d6ae9bff073025f8f5eeaac4da4 | मोठ्या प्रमाणात डेटावर प्रशिक्षित केलेल्या मोठ्या डीप न्यूरल नेटवर्क (डीएनएन) मॉडेलने अलीकडेच प्रतिमा आणि भाषण ओळख यासारख्या कठीण कामांमध्ये सर्वोत्तम अचूकता प्राप्त केली आहे. या डीएनएनला कमोडिटी मशीनच्या क्लस्टरचा वापर करून प्रशिक्षण देणे हा एक आशादायक दृष्टीकोन आहे कारण प्रशिक्षण वेळ घेणारे आणि संगणकीय-गहन आहे. अत्यंत मोठ्या डीएनएनचे प्रशिक्षण सक्षम करण्यासाठी, मॉडेल मशीनवर विभाजित केले जातात. खूप मोठ्या डेटा सेटवर प्रशिक्षण जलद करण्यासाठी, अनेक मॉडेल प्रतिकृतींना प्रशिक्षण उदाहरणांच्या वेगवेगळ्या उपसंचावर समांतरपणे प्रशिक्षण दिले जाते ज्यात ग्लोबल पॅरामीटर सर्व्हर या प्रतिकृतींमध्ये सामायिक वजन राखते. मॉडेल आणि डेटा विभाजन आणि एकूणच प्रणाली पुरवठा योग्य निवड DNN आणि वितरित प्रणाली हार्डवेअर वैशिष्ट्ये अत्यंत अवलंबून आहे. या निर्णयासाठी सध्या महत्त्वपूर्ण डोमेन तज्ञांची आणि वेळ घेणारी अनुभवजन्य अवकाश अन्वेषण आवश्यक आहे. या पेपरमध्ये कामगिरी मॉडेल विकसित केले गेले आहेत जे या विभाजन आणि पुरवठा करण्याच्या निर्णयाचा परिणाम एकूण वितरित प्रणाली कामगिरी आणि स्केलेबिलिटीवर मोजतात. तसेच, आम्ही या परफॉर्मन्स मॉडेलचा वापर करून स्केलेबिलिटी ऑप्टिमाइझर तयार करतो जे कार्यक्षमतेने इष्टतम सिस्टम कॉन्फिगरेशन निर्धारित करते जे डीएनएन प्रशिक्षण वेळ कमी करते. आम्ही आमच्या कामगिरी मॉडेलचे आणि स्केलेबिलिटी ऑप्टिमाइझरचे मूल्यांकन दोन बेंचमार्क अनुप्रयोगांवर अत्याधुनिक वितरित डीएनएन प्रशिक्षण फ्रेमवर्कचा वापर करून करतो. परिणाम दर्शवतात की आमचे कार्यप्रदर्शन मॉडेल डीएनएन प्रशिक्षण वेळेचा अंदाज उच्च अंदाज अचूकतेसह करतात आणि आमचे स्केलेबिलिटी ऑप्टिमाइझर योग्यरित्या सर्वोत्तम कॉन्फिगरेशन निवडते, वितरित डीएनएनच्या प्रशिक्षण वेळेस कमी करते. |
eee686b822950a55f31d4c9c33d02c1942424785 | सारांश- या लेखात त्रिकोणी सूक्ष्म पट्टीच्या 2 x 2 पॅच अँटेनाचे वर्णन केले आहे ज्यात तिमाही-लहरी ट्रान्सफॉर्मरसह टी-जंक्शन वापरले गेले आहे. पॅच अँटेनामध्ये अंतर नियंत्रित करून आणि फीड पोझिशन समायोजित करून, बँडविड्थ मिळवता येते आणि अॅरे वापरून दिशात्मकता वाढविली जाते. मोठ्या बँडविड्थ, उच्च दिशात्मकता आणि किमान आकाराची आवश्यकता यामुळे 2 x 2 त्रिकोणी मायक्रोस्ट्रिप पॅच अँटेना अॅरेची रचना टी-जंक्शन नेटवर्कसह फीडिंग 5.5 जीएचझेडवर कार्य करते. FR4 सब्सट्रेटवर डिझाइन केलेली एक अँटेना ज्यामध्ये डायलेक्ट्रिक स्थिर (r) 4.4, नुकसान स्पर्श 0.02 आणि 1.6 मिमी जाडी आहे. अनुकरण केलेल्या परिणामांवरून असे दिसून आले की डिझाइन केलेले अँटेनाची दिशा 12.91 डीबी आणि टी-जंक्शन फीडिंग नेटवर्क वापरुन व्हीएसडब्ल्यूआर 1.07 सह 173 मेगाहर्ट्झची बँडविड्थ आहे. प्रस्तावित 2 x 2 त्रिकोणी अॅरेचे वजन कमी, निर्मितीचे साधेपणा, एक थर रचना आणि उच्च दिशात्मकता यांचे फायदे आहेत. कीवर्ड बँडविड्थ, कॉर्पोरेट फीडिंग, रिटर्न लॉस, टी-जंक्शन, व्हीएसडब्ल्यूआर. |
c707938422b60bf827ec161872641468ec1ffe00 | आम्ही मर्यादित स्थितीतील मार्कोव्ह निर्णय प्रक्रियेतील मूल्य फंक्शन्सच्या जागेचे भूमितीय आणि टोपोलॉजिकल गुणधर्म स्थापित करतो. आमचे मुख्य योगदान त्याच्या आकाराच्या स्वरूपाचे वैशिष्ट्य आहेः एक सामान्य पॉलीटोप (एग्नर व इतर, २०१०). हे परिणाम दर्शविण्यासाठी, आम्ही धोरणे आणि मूल्य फंक्शन्स यांच्यातील स्ट्रक्चरल संबंधांचे अनेक गुणधर्म प्रदर्शित करतो ज्यात रेषा प्रमेय समाविष्ट आहे, जे दर्शविते की एका राज्याशिवाय सर्व राज्यांवर प्रतिबंधित धोरणांचे मूल्य फंक्शन्स रेषा खंड वर्णन करतात. शेवटी, आम्ही या नवीन दृष्टीकोनातून दृश्यावलोकन सादर करतो जेणेकरून मजबुतीकरण शिक्षण अल्गोरिदमच्या प्रेरक शक्तीची समज वाढेल. |
86854374c13516a8ad0dc28ffd9cd4be2bca9bfc | अलिकडच्या वर्षांत समस्यांमध्ये वाढती रुची आहे, जिथे एकतर निरीक्षण केलेले डेटा किंवा लपविलेले राज्य व्हेरिएबल्स ज्ञात रिमन मनिफोल्डपर्यंत मर्यादित आहेत. अनुक्रमांकित डेटा विश्लेषणामध्ये ही रुची देखील वाढत आहे, परंतु त्याऐवजी कच्चे अल्गोरिदम लागू केले गेले आहेतः एकतर मॉन्टे कार्लो फिल्टर किंवा क्रूर-शक्तीचे विच्छेदन. या पद्धती खराब आहेत आणि स्पष्टपणे एक गहाळ अंतर दर्शवितेः सध्या नॉन-यूक्लिडियन डोमेनमध्ये कल्मन फिल्टरचे कोणतेही सामान्य अनुरुप उपलब्ध नाहीत. या लेखात आपण प्रथम सुगंधित रूपांतर आणि नंतर सुगंधित कलमन फिल्टर रिमन मनिफोल्डमध्ये सामान्य करून या समस्येचे निराकरण करतो. काल्मन फिल्टरला गॉस-न्यूटन पद्धतीशी संबंधित ऑप्टिमायझेशन अल्गोरिदम म्हणून पाहिले जाऊ शकते, आमचा अल्गोरिदम मनिफोल्ड्सवर एक सामान्य हेतू ऑप्टिमायझेशन फ्रेमवर्क देखील प्रदान करतो. आम्ही सुचवलेली पद्धत स्पष्ट करतो. यामध्ये, एक क्षेत्र ट्रॅकिंग समस्या, एक स्पष्ट ट्रॅकिंग समस्या, एक सरासरी मूल्य ऑप्टिमायझेशन आणि एक पोज ऑप्टिमायझेशन समस्या यांचा समावेश आहे. |
a075a513b2b1e8dbf9b5d1703a401e8084f9df9c | युनिप्लेनर कॉम्पॅक्ट इलेक्ट्रोमॅग्नेटिक बँडगॅप (यूसी-ईबीजी) सब्सट्रेट हे प्रिंटेड अँटेना भूमितीमध्ये पृष्ठभागाच्या लाटा उत्तेजना कमी करण्यासाठी एक प्रभावी उपाय असल्याचे सिद्ध झाले आहे. या पेपरमध्ये यूसी-ईबीजी सब्सट्रेटमध्ये एम्बेड केलेल्या मायक्रोस्ट्रिप अँटेना फेज्ड अॅरेच्या कामगिरीची तपासणी केली गेली आहे. या परिणामांमध्ये घटकांच्या परस्पर जोडणीत घट झाली आहे आणि मुद्रित घटकांसह चरणबद्ध अॅरे अनुप्रयोगांमध्ये "बल्ड स्पॉट्स" समस्येचे संभाव्य समाधान प्रदान केले आहे. नवीन आणि कार्यक्षम यूसी-ईबीजी अॅरे कॉन्फिगरेशन प्रस्तावित आहे. उच्च विद्युतविद्युत स्थिर सब्सट्रेटवर 7/spl times/5 घटकांची एक प्रोब फीड पॅच अँटेना फेज केलेली अॅरेची रचना, बांधकाम आणि चाचणी केली गेली. अनुकरण आणि मोजमापांचे परिणाम अॅरे सेंटर घटकाच्या सक्रिय रिटर्न लॉस आणि सक्रिय नमुन्यामध्ये सुधारणा दर्शवतात. इष्टतम कामगिरी मिळविण्यासाठी वापरल्या जाणाऱ्या तडजोडीवर चर्चा केली जाते. |
16a0fde5a8ab5591a9b2985f60a04fdf50a18dc4 | चालणे हे वापरकर्त्याच्या प्रमाणीकरणासाठी एक कार्यक्षम बायोमेट्रिक वैशिष्ट्य मानले गेले आहे. काही अभ्यास जरी चालण्याच्या पद्धतीवर आधारित प्रमाणीकरण प्रणालीमध्ये चालण्याच्या पद्धतीचे टेम्पलेट/मॉडेल सुरक्षित करण्याच्या कार्यावर लक्ष केंद्रित करतात, परंतु ते चालण्याच्या पद्धतीच्या डेटाची कमी भेदभाव आणि उच्च भिन्नता लक्षात घेत नाहीत ज्यामुळे प्रस्तावित प्रणालीची सुरक्षा आणि व्यावहारिकता यावर लक्षणीय परिणाम होतो. या लेखात, आम्ही आळशी-संवेदक आधारित चाल क्रिप्टोसिस्टममध्ये वर नमूद केलेल्या कमतरता दूर करण्यावर लक्ष केंद्रित करतो. आम्ही चालण्याच्या पद्धतींमधील भेदभाव वाढविण्यासाठी रेषेचा भेदभाव विश्लेषण वापरतो. आणि ग्रे कोड क्वांटिझेशनचा वापर करून उच्च भेदभाव आणि स्थिर बायनरी पद्धती काढतो. ३८ वेगवेगळ्या वापरकर्त्यांवर केलेल्या प्रयोगांमधून असे दिसून आले की, आमच्या प्रस्तावित पद्धतीने चालण्याच्या क्रिप्टो प्रणालीची कार्यक्षमता आणि सुरक्षा लक्षणीयरीत्या सुधारली आहे. विशेष म्हणजे, आम्ही 6 × 10−5% (म्हणजेच, 16983 चाचण्यांमध्ये 1 अपयशी) आणि 9.2% ची खोटी अस्वीकार दर 148-बिट सुरक्षिततेसह प्राप्त केले. |
d7fd575c7fae05e055e47d898a5d9d2766f742b9 | |
84ade3cb5b57624baee89d9e617bb5847ee07375 | |
9e5158222c911bec96d4f533cd0d7a1a0cff1731 | पुढील पिढीच्या आरएफ सेन्सर मॉड्यूल्ससाठी मल्टीफंक्शन अॅक्टिव्ह इलेक्ट्रॉनिकली स्टेयर्ड अँटेना (एईएसए) सिस्टीममध्ये वेगवेगळ्या ऑपरेटिंग मोड्सचे संयोजन आवश्यक आहे, जसे की रडार, इलेक्ट्रॉनिक वॉरफेअर (ईडब्ल्यू) कार्यक्षमता आणि त्याच अँटेना फ्रंटएंडमध्ये कम्युनिकेशन्स / डेटालिंक्स. ते साधारणतः सी-बँड, एक्स-बँड आणि कु-बँडमध्ये काम करतात आणि 10 जीएचझेडपेक्षा जास्त बँडविड्थची आवश्यकता असते. आधुनिक सक्रिय इलेक्ट्रॉनिक मार्गदर्शित अँटेनाच्या निर्मितीसाठी, ट्रान्समिट/रिसीव्ह (टी/आर) मॉड्यूलला कठोर भूमिती आवश्यकता पूर्ण कराव्या लागतात. या भविष्यातील मल्टीफंक्शन आरएफ सेन्सर मॉड्यूल्ससाठी एक प्रमुख आव्हान अर्ध्या-लहरी लांबीच्या अँटेना ग्रिड अंतराद्वारे निर्धारित केले जाते, जे भौतिक चॅनेल रुंदी < 12 मिमी किंवा त्यापेक्षा कमी मर्यादित करते, हे बीम पॉईंटिंग आवश्यकतांसह ऑपरेशनच्या सर्वाधिक वारंवारतेवर अवलंबून असते. या भूमितीच्या मागण्यांवर मात करण्यासाठी एक आशादायक उपाय म्हणजे एकूण एकसंध मायक्रोवेव्ह एकात्मिक सर्किट (एमएमआयसी) चिप क्षेत्र कमी करणे, जे वैयक्तिक आरएफ कार्यक्षमता एकत्रित करून प्राप्त केले जाते, जे सामान्यतः वैयक्तिक एकात्मिक सर्किट (आयसी) द्वारे प्राप्त केले जातात, नवीन बहुक्रियाशील (एमएफसी) एमएमआयसीमध्ये. पुढील पिढीच्या आरएफ सेन्सर मॉड्यूल्सच्या दिशेने विविध संकल्पना, त्यापैकी काही आधीच अंमलात आणल्या गेल्या आहेत, या कामामध्ये चर्चा आणि स्पष्टीकरण दिले जाईल. |
77a9473256f6841d40cb9198feb5b91dccf9ffd1 | या पेपरमध्ये पॉवर फॅक्टर सुधारणा (पीएफसी) आणि शून्य व्होल्टेज स्विचिंग (झेडव्हीएस) सह प्रकाश उत्सर्जक डायोड (एलईडी) चालविण्यासाठी डिमबल चार्ज-पंप ड्रायव्हर सादर केले आहे. प्रस्तावित एलईडी ड्रायव्हरमध्ये इलेक्ट्रोलाइटिक कॅपेसिटरचा वापर केला जात नाही, ज्यामुळे उच्च उपयुक्त आयुष्य मिळते आणि ते चालू सेन्सर्सची आवश्यकता न बाळगता ओपन लूप कंट्रोलमध्ये आउटपुट चालू स्थिर करू शकते, ज्यामुळे खर्च कमी होतो. आउटपुट पॉवर स्विचिंग फ्रिक्वेन्सीशी समानुपातिक आहे, जे एलईडीला डिमिंग करण्याची परवानगी देते. 22 वॅटचा एक नमुना तयार करण्यात आला आणि प्रयोगात्मक परिणामांवर चर्चा करण्यात आली. या प्रोटोटाइपमध्ये 0.996 पॉवर फॅक्टर आणि 89.5% कार्यक्षमता होती. 53 ते 30 केएचझेडमध्ये बदलतेवेळी स्विचिंग फ्रिक्वेन्सीद्वारे ड्रायव्हर आउटपुट पॉवर 40% पेक्षा जास्त कमी झाली आणि कन्व्हर्टरने झेडव्हीएसमध्ये काम करणे सुरू ठेवले. |
b5fe4731ff6a7a7f1ad8232186e84b1f944162e0 | क्रॉस-मीडिया हॅशिंग, जे विविध पद्धतींमधील डेटाला सामान्य कमी-आयामी हॅमिंग स्पेसमध्ये एम्बेड करून क्रॉस-मीडिया पुनर्प्राप्ती करते, अलिकडच्या वर्षांत तीव्र लक्ष वेधले आहे. याचे कारण असे आहे की, अ) मल्टी-मोडल डेटा व्यापक आहे, उदाहरणार्थ, फ्लिकरवरील वेब प्रतिमा टॅगशी संबंधित आहेत, आणि ब) हॅशिंग हे मोठ्या प्रमाणात उच्च-आयामी डेटा प्रोसेसिंगसाठी एक प्रभावी तंत्र आहे, जे क्रॉस-मीडिया पुनर्प्राप्तीची परिस्थिती आहे. सखोल शिक्षणाच्या अलीकडील प्रगतीमुळे प्रेरित होऊन आम्ही मल्टी-मोडल न्यूरल नेटवर्कवर आधारित क्रॉस-मीडिया हॅशिंग दृष्टिकोन प्रस्तावित करतो. शिकण्याच्या उद्देशात प्रतिबंधित करून अ) संबंधित क्रॉस-मीडिया डेटासाठी हॅश कोड समान आहेत, आणि ब) हॅश कोड वर्ग लेबल्सचा अंदाज लावण्यासाठी भेदभाव करणारे आहेत, शिकलेल्या हॅमिंग स्पेसने क्रॉस-मीडिया सिमेंटिक संबंध चांगल्या प्रकारे पकडण्याची आणि सिमेंटिकली भेदभाव करण्याची अपेक्षा आहे. दोन वास्तविक जगाच्या डेटा सेटवर केलेले प्रयोग दर्शवतात की अत्याधुनिक पद्धतींच्या तुलनेत आमचा दृष्टिकोन क्रॉस-मीडिया पुनर्प्राप्ती कार्यक्षमतेत उत्कृष्ट आहे. |
9814dd00440b08caf0df96988edb4c56cfcf7bd1 | एक आकर्षण उच्च स्तरीय कार्य हेतू प्रदान करते आणि स्थानिक नियोजकासाठी पर्यावरणाबद्दल जागतिक माहिती समाविष्ट करते, ज्यामुळे दीर्घ क्षितिजासह महागड्या जागतिक नियोजनाची आवश्यकता दूर होते. हे सिद्ध झाले आहे की ट्रॅजेक्टरी प्लॅनिंगमुळे केवळ स्थानिक नियोजन असलेल्या प्रणालींपेक्षा कार्यक्षमतेत सुधारणा होते अॅक्टिव्ह एसएलएएममुळे एसएलएएम प्रक्रियेसह कार्यक्षम मार्गांची योजना तयार करण्यासाठी स्वायत्त रोबोटला आव्हान दिले जाते. रोबोट, नकाशा आणि सेन्सर मोजमापांची अनिश्चितता आणि गतिमान आणि हालचालीची मर्यादा नियोजन प्रक्रियेत विचारात घेणे आवश्यक आहे. या पेपरमध्ये, सक्रिय एसएलएएम समस्या इष्टतम ट्रॅजेक्टरी नियोजन समस्या म्हणून तयार केली गेली आहे. एक नवीन तंत्रज्ञान सादर केले गेले आहे जे स्थानिक नियोजन धोरणांसह एकत्रितपणे एक आकर्षण वापरते जसे की मॉडेल भविष्यवाणी नियंत्रण (उर्फ. या समस्येचे निराकरण करण्यासाठी. |
bc32313c5b10212233007ebb38e214d713db99f9 | प्रौढांच्या क्लिनिकल इलेक्ट्रोकार्डियोग्राफी (ईसीजी) सिग्नल प्रोसेसिंग तंत्रज्ञानात आणि डिजिटल प्रोसेसरच्या सामर्थ्यात लक्षणीय प्रगती असूनही, नॉन-आक्रमक भ्रूण ईसीजी (एनआय-एफईसीजी) चे विश्लेषण अद्याप सुरुवातीच्या टप्प्यात आहे. फिजियोनेट/कंप्युटिंग इन कार्डियोलॉजी चॅलेंज 2013 या मर्यादांपैकी काही मर्यादांचे निराकरण करते. सिग्नल प्रोसेसिंग तंत्रांचे मूल्यांकन करण्यासाठी वैज्ञानिक समुदायाला एफईसीजी डेटाचा संच सार्वजनिकपणे उपलब्ध करून दिला जातो. उच्च वारंवारता आणि बेसलाइन भटकंती दूर करण्यासाठी प्रथम उदरातील ईसीजी सिग्नलला बँड-पास फिल्टरसह पूर्व-प्रक्रिया केली गेली. 50 हर्ट्झ किंवा 60 हर्ट्झवर वीज व्यत्यय दूर करण्यासाठी एक नाच फिल्टर लागू करण्यात आला होता. आईच्या ईसीजीला रद्द करण्यासाठी विविध स्त्रोत वेगळे करण्याच्या तंत्राचा वापर करण्यापूर्वी सिग्नल सामान्य केले गेले. या तंत्रांमध्ये खालील गोष्टींचा समावेश होता: टेम्पलेट सब्ट्रॅक्शन, मुख्य/स्वतंत्र घटक विश्लेषण, विस्तारित काल्मन फिल्टर आणि या पद्धतींच्या उपसंच (FUSE पद्धत) यांचे संयोजन. फ्यूटल क्यूआरएस तपासणी सर्व अवशेषांवर पॅन आणि टॉम्पकिन्स क्यूआरएस डिटेक्टरचा वापर करून केली गेली आणि सर्वात गुळगुळीत फ्यूटल हृदय गती वेळ मालिका असलेल्या अवशेषांच्या वाहिन्याची निवड केली गेली. वैधता आणि चाचणी संच, सर्वोत्तम आव्हान गुण प्राप्त होते E1 = 179.44, E2 = 20.79, E3 = 153.07, E4 = 29.62 आणि E5 = 4.67 घटना 1-5 अनुक्रमे FUSE पद्धत वापरून. या स्पर्धेत भाग घेतलेल्या ५३ आंतरराष्ट्रीय संघांपैकी ई-१ आणि ई-२ साठी हे सर्वोत्तम आणि ई-३, ई-४ आणि ई-५ साठी तिसरे आणि दुसरे सर्वोत्तम आव्हान गुण होते. परिणामांनी दर्शविले की गर्भाच्या हृदय गतीच्या अंदाजानुसार विद्यमान मानक पद्धती एकत्रितपणे सुधारल्या जाऊ शकतात. आम्ही ओपन सोर्स कोड प्रदान करतो जेणेकरून वर्णन केलेल्या प्रत्येक मानक दृष्टिकोनासाठी बेंचमार्किंग शक्य होईल. |
09f13c590f19dce53dfd8530f8cbe8044cce33ed | अलिकडच्या वर्षांत, विविध प्रकारच्या शारीरिक परस्परसंवादाचे व्यवस्थापन करण्यासाठी अनेक वापरकर्ता-इंटरफेस डिव्हाइसेस दिसतात. मायक्रोसॉफ्ट किनेक्ट कॅमेरा हा एक क्रांतिकारक आणि उपयुक्त खोली कॅमेरा आहे जो इशारा किंवा हालचाली शोधून काढण्याच्या माध्यमातून एक्सबॉक्स प्लॅटफॉर्मवर परस्परसंवादी गेमिंगचा नवीन वापरकर्ता अनुभव देतो. या लेखात आम्ही मायक्रोसॉफ्ट किनेक्ट सेन्सरचा वापर करून क्वाड्रोटर एआर ड्रोन नियंत्रित करण्याचा एक दृष्टिकोन सादर करतो. |
ca78c8c4dbe4c92ba90c8f6e1399b78ced3cf997 | या पेपरमध्ये आम्ही दाखवतो की लक्ष आणि आउटपुट दरम्यान संयुक्त वितरण एक साधी तुळई अंदाजे आहे, अनुक्रमाच्या अनुक्रमासाठी शिकण्यासाठी एक सोपी, अचूक आणि कार्यक्षम लक्ष यंत्रणा आहे. या पद्धतीमध्ये हार्ड फोकसमध्ये तीक्ष्ण लक्ष केंद्रित करण्याचा फायदा आणि सॉफ्ट फोकसची अंमलबजावणी सोपी आहे. पाच भाषांतर आणि दोन रूपशास्त्रीय बदल करण्याच्या कामांमध्ये आम्ही विद्यमान लक्ष यंत्रणेच्या तुलनेत BLEU मध्ये सहज आणि सातत्याने लाभ दाखवतो. |
abdb694ab4b1cb4f54f07ed16a657765ce8c47f5 | नवनिर्मितीची वैशिष्ट्ये आणि त्यांचा नवनिर्मितीचा अवलंब आणि अंमलबजावणीशी संबंध यासंबंधी सत्तर-पाच लेखांचा आढावा आणि मेटा-विश्लेषण करण्यात आले. या विश्लेषणाचा एक भाग म्हणजे विद्यमान अभ्यासाचे पद्धतशीर प्रोफाइल तयार करणे आणि याला एक काल्पनिक इष्टतम दृष्टिकोनाशी तुलना करणे. अभ्यासातील दुसऱ्या भागात विद्यमान अनुभवजन्य निष्कर्षांची सर्वसाधारणता आणि सुसंगतता तपासण्यासाठी मेटा-विश्लेषणात्मक सांख्यिकीय तंत्रांचा वापर करण्यात आला. नवकल्पना स्वीकारण्याशी तीन नवकल्पना वैशिष्ट्यांचा (सुसंगतता, सापेक्ष फायदा आणि जटिलता) सर्वात सुसंगत संबंध होता. या भागात भविष्यातील संशोधनासाठी सूचना देण्यात आल्या. |
518fd110bbf86df5259fb99126173d626a2ff744 | आम्ही मोबाइल मॅनिपुलेटर जसे की वैयक्तिक रोबोट्स आणि असेंब्ली लाइन रोबोट्ससाठी ट्रेजेक्टरीजपेक्षा प्राधान्ये शिकण्याच्या समस्येवर विचार करतो. आपण शिकत असलेली प्राधान्ये हे प्रवासाच्या मार्गावरील साध्या भूमितीय मर्यादांपेक्षा अधिक गुंतागुंतीची असतात; त्याऐवजी ते विविध वस्तूंच्या आसपासच्या संदर्भाने आणि वातावरणातील मानवी परस्परसंवादाद्वारे नियंत्रित केले जातात. आम्ही संदर्भ समृद्ध वातावरणात प्राधान्ये शिकवण्यासाठी एक सहकार्यात्मक ऑनलाइन शिक्षण फ्रेमवर्क प्रस्तावित करतो. आमच्या दृष्टिकोनाची मुख्य नवीनता वापरकर्त्याकडून अपेक्षित असलेल्या अभिप्रायाच्या प्रकारात आहे: मानवी वापरकर्त्यास प्रशिक्षण डेटा म्हणून इष्टतम ट्रॅजेक्टरी दर्शविण्याची आवश्यकता नाही, परंतु केवळ पुनरावृत्तीपूर्वक ट्रॅजेक्टरी प्रदान करणे आवश्यक आहे जे सध्या सिस्टमद्वारे प्रस्तावित केलेल्या ट्रॅजेक्टरीपेक्षा किंचित सुधारित आहे. आमचा असा तर्क आहे की हे सहकार्यात्मक प्राधान्य प्रतिसाद इष्टतम प्रवाहाच्या प्रात्यक्षिकेपेक्षा अधिक सहजपणे प्राप्त केले जाऊ शकते. तरीही, आमच्या अल्गोरिदमच्या सैद्धांतिक पश्चात्ताप मर्यादा चांगल्या ट्रॅजेक्टरी अल्गोरिदमच्या असीमपोटिक दरांशी जुळतात. आम्ही आमचा अल्गोरिदम दोन उच्च-स्वतंत्रता असलेल्या रोबोट्सवर लागू करतो, PR2 आणि बॅक्सटर, आणि अशा वाढीव अभिप्राय प्रदान करण्यासाठी तीन अंतर्ज्ञानी यंत्रणा सादर करतो. आमच्या प्रयोगात्मक मूल्यमापनात आम्ही दोन संदर्भ समृद्ध सेटिंग्ज, घरगुती कामे आणि किराणा दुकान चेकआउटचा विचार करतो आणि वापरकर्ते रोबोटला फक्त काही फीडबॅकसह (केवळ काही मिनिटे घेतात) प्रशिक्षित करण्यास सक्षम आहेत हे दर्शवितो. |
9f927249d7b33b91ca23f8820e21b22a6951a644 | मिलिमीटर वेव्ह (एमएमवेव्ह) सेल्युलर सिस्टिमच्या उच्च डेटा रेटला सक्षम करण्यासाठी बेस स्टेशन आणि मोबाइल वापरकर्त्यांमधील मोठ्या अँटेना अॅरेची आवश्यकता आहे. मिमी वेव्ह सेल्युलर नेटवर्कच्या कव्हरेज आणि रेटवर पूर्वीचे काम ज्यावेळी बेस स्टेशन आणि मोबाईल बीमफॉर्मिंग वेक्टर जास्तीत जास्त बीमफॉर्मिंग गॅन्ट्ससाठी पूर्वनिर्धारित केले जातात त्या प्रकरणावर केंद्रित होते. बीमफॉर्मिंग/कॉम्बिनेशन वेक्टरची रचना करण्यासाठी प्रशिक्षण आवश्यक आहे, ज्यामुळे एसआयएनआर कव्हरेज आणि मिमी वेव्ह सिस्टमच्या गतीवर परिणाम होऊ शकतो. या पेपरमध्ये बीम ट्रेनिंग/असोसिएशन ओव्हरहेडचा विचार करून मिमी वेव्ह सेल्युलर नेटवर्कच्या कामगिरीचे मूल्यांकन केले आहे. प्रथम, बीम स्वीपिंग आणि डाउनलिंक कंट्रोल पायलट रीयूजवर आधारित प्रारंभिक बीम असोसिएशनचे मॉडेल विकसित केले जाते. बीम ट्रेनिंगचा परिणाम लक्षात घेण्यासाठी, प्रभावी विश्वासार्ह दर नावाचा एक नवीन मेट्रिक परिभाषित आणि स्वीकारला जातो. स्टोकास्टिक भूमितीचा वापर करून, एमएमवेव्ह सेल्युलर नेटवर्कचा प्रभावी दर दोन विशेष प्रकरणांसाठी प्राप्त केला जातोः जवळ-ओर्थोगोनल पायलट आणि पूर्ण पायलट पुन्हा वापर. विश्लेषण आणि अनुकरण परिणाम दोन महत्वाच्या प्रश्नांची उत्तरे अंतर्दृष्टी प्रदान करतात. प्रथम, एमएम वेव्ह नेटवर्क कामगिरीवर बीम असोसिएशनचा काय परिणाम होतो? मग, ऑर्थोगोनल किंवा पुन्हा वापरलेले पायलट वापरले पाहिजेत का? या परीक्षेत असे दिसून आले की, वापरलेले बीम खूपच रुंद नसतील तर, पूर्ण पायलट पुनरावृत्तीसह प्रारंभिक बीम प्रशिक्षण जवळजवळ परिपूर्ण बीम संरेखन इतकेच चांगले आहे. |
6bd1f2782d6c8c3066d4e7d7e3afb995d79fa3dd | अर्थपूर्ण विभागणी अल्गोरिदमाने प्रतिमेतील प्रत्येक पिक्सेलला एक लेबल देणे आवश्यक आहे. अलीकडेच, आरजीबी प्रतिमांचे सिमेंटिक विभाजन सखोल शिक्षणामुळे लक्षणीय वाढले आहे. कारण सिमेंटिक सेगमेंटेशनसाठी डेटासेट तयार करणे कष्टकरी आहे, हे डेटासेट ऑब्जेक्ट ओळख डेटासेटपेक्षा लक्षणीय प्रमाणात लहान असतात. यामुळे सिमेंटिक सेगमेंटेशनसाठी थेट खोल न्यूरल नेटवर्क प्रशिक्षित करणे कठीण होते, कारण ते अति-फिटिंगसाठी प्रवण असेल. याला सामोरे जाण्यासाठी, डीप लर्निंग मॉडेल सामान्यतः कन्व्हॉल्युशनल न्यूरल नेटवर्क्स वापरतात ज्यांना मोठ्या प्रमाणात प्रतिमा वर्गीकरण डेटासेटवर पूर्व-प्रशिक्षित केले जाते, जे नंतर सिमेंटिक सेगमेंटेशनसाठी बारीक-ट्यून केले जातात. नॉन-आरजीबी प्रतिमांसाठी, सध्या हे शक्य नाही कारण मोठ्या प्रमाणात लेबल केलेले नॉन-आरजीबी डेटासेट अस्तित्वात नाहीत. या पेपरमध्ये आम्ही दोन खोल न्यूरल नेटवर्क विकसित केले आहेत जे बहु-वर्णीय रिमोट सेन्सिंग इमेजचे सिमेंटिक सेगमेंटेशन करतात. लक्ष्य डेटासेटवर प्रशिक्षण देण्यापूर्वी, आम्ही मोठ्या प्रमाणात कृत्रिम मल्टीस्पेक्ट्रल इमेजरीसह नेटवर्कची सुरूवात करतो. आम्ही दाखवतो की यामुळे रिमोट सेन्सिंग इमेजिंगच्या रिअल वर्ल्डच्या परिणामांमध्ये लक्षणीय सुधारणा होते आणि आम्ही हॅमलीन बीच स्टेट पार्क डेटासेटच्या आव्हानात्मकतेवर एक नवीन अत्याधुनिक परिणाम स्थापित करतो. |
9e9b8832b9e727d5f7a61cedfa4bdf44e8969623 | या पेपरमध्ये जागतिक उपाय शोधण्यासाठी मोठ्या प्रमाणात नॉन-लाइनर ऑप्टिमायझेशन समस्यांसाठी टीचिंग-लर्निंग-बेस्ड ऑप्टिमायझेशन (टीएलबीओ) नावाची कार्यक्षम ऑप्टिमायझेशन पद्धत प्रस्तावित केली आहे. या पद्धतीचा आधार वर्गातील विद्यार्थ्यांच्या उत्पन्नावर शिक्षकाच्या प्रभावावर आहे. या पद्धतीचे मूलभूत तत्वज्ञान सविस्तरपणे स्पष्ट केले आहे. या पद्धतीची प्रभावीता वेगवेगळ्या वैशिष्ट्यांसह अनेक बेंचमार्क समस्यांवर चाचणी केली जाते आणि परिणामांची तुलना इतर लोकसंख्या-आधारित पद्धतींशी केली जाते. २०११ एल्सवियर इंक. सर्व हक्क राखीव आहेत. |
3ca6ab58ae015860098d800a9942af9df4d1e090 | शोध-आधारित आलेख क्वेरीज, जसे की लहान मार्ग आणि समरूप उपग्राफ शोधणे, मेमरी विलंबाने वर्चस्व गाजवते. जर इनपुट ग्राफ योग्य प्रकारे विभाजन केले जाऊ शकतात, तर मोठ्या क्लस्टर-आधारित संगणकीय प्लॅटफॉर्म या क्वेरी चालवू शकतात. तथापि, इनपुट ग्राफच्या प्रत्येक शिरोबिंदूवर संगणकीय-बंधीत प्रक्रियेचा अभाव आणि शेजारील पुनर्प्राप्त करण्याची सतत गरज याचा अर्थ प्रोसेसरचा वापर कमी आहे. याव्यतिरिक्त, स्केल-फ्री सोशल नेटवर्क्स सारख्या ग्राफ वर्गामध्ये विभाजन स्पष्टपणे प्रभावी करण्यासाठी स्थानिकता नसते. मोठ्या प्रमाणात मल्टीथ्रेडिंग हा एक पर्यायी आर्किटेक्चरल पॅराडाइम आहे, ज्यामध्ये मोठ्या प्रमाणात सामायिक मेमरी प्रोसेसरसह एकत्र केली जाते ज्यात अनेक थ्रेड संदर्भ समर्थित करण्यासाठी अतिरिक्त हार्डवेअर आहे. प्रोसेसरची गती सामान्यपेक्षा कमी असते आणि डेटा कॅश नसते. मेमरी विलंब कमी करण्याऐवजी, मल्टीथ्रेडेड मशीन हे सहन करतात. हा पॅराडाइम आलेख शोध समस्येशी सुसंगत आहे, कारण मल्टिथ्रेडिंगद्वारे संगणनासाठी मेमरी विनंत्यांचे उच्च प्रमाण सहन केले जाऊ शकते. या पेपरमध्ये, आम्ही मल्टीथ्रेडेड ग्राफ लायब्ररी (एमटीजीएल) सादर करतो, जे मल्टीथ्रेडेड संगणकांवर सिमेंटिक ग्राफ्सवर प्रक्रिया करण्यासाठी सामान्य ग्राफ क्वेरी सॉफ्टवेअर आहे. ही लायब्ररी सध्या सीरियल मशीन आणि क्रे एमटीए -2 वर चालते, परंतु सॅंडिया एक रन-टाइम सिस्टम विकसित करीत आहे जी एमटीजीएल-आधारित कोड सममितीय मल्टीप्रोसेसरवर चालविणे शक्य करेल. आम्ही कनेक्ट केलेल्या घटकांसाठी एक मल्टीथ्रेडेड अल्गोरिदम आणि अचूक सबग्राफ समरूपतेसाठी एक नवीन हेरिस्टिक देखील सादर करतो आम्ही मोठ्या प्रमाणात मुक्त आलेखांवर या आणि इतर मूलभूत आलेख अल्गोरिदमची कार्यक्षमता शोधतो. आम्ही क्रॅ एमटीए-2 आणि ब्लू जीन/लाइट यांच्यातील एस-टी कनेक्टिव्हिटीसाठी कामगिरीची तुलना करून निष्कर्ष काढतो. |
d4c65ee21bb8d64b8e4380f80ad856a1629b5949 | ब्रॉडबँड ऑर्थो-मोड ट्रान्सड्यूसरमध्ये दुहेरी ऑर्थोगोनल रेषेच्या ध्रुवीकरणास वेगळे करण्यासाठी दुमडलेल्या बाजूच्या बाजूंनी वेव्हगाइड डिवाइडर सादर केला जातो. या रचना सुप्रसिद्ध दुहेरी सममिती जंक्शनवर आधारित आहे, जिथे धातूची पिन काढून टाकली गेली आहेत आणि बाजूकडील आऊटपुट एकत्रित प्रभाव साध्य करण्यासाठी दुमडले गेले आहेत: अनुलंब ध्रुवीकरणासाठी जुळणारे आणि आकार कमी करणे. याव्यतिरिक्त, बाजूच्या शाखांचा मार्ग कमी झाल्यामुळे, वेगवेगळ्या ध्रुवीकरणासाठी समाविष्टीकरण नुकसान संतुलित आहे. ऑर्थोगोनल ध्रुवीकरणाच्या दरम्यानचे अलगाव जंक्शनच्या दुहेरी-सममितीमुळे ठेवण्यात आले आहे. यांत्रिक दृष्टिकोनातून, प्रस्तावित जंक्शन ऑर्थो-मोड ट्रान्सड्यूसर भागांचे अधिक सोपे उत्पादन आणि असेंब्ली करण्यास अनुमती देते, जे क्यू-बँड डिझाइनसह दर्शविले गेले आहे, जे संपूर्ण क्यू-बँड 12.6 ते 18.25 जीएचझेड कव्हर करते. प्रयोगात्मक नमुना दोन्ही ध्रुवीकरणासाठी डिझाइन बँडमध्ये 28 डीबीपेक्षा जास्त मोजलेले रिटर्न लॉस आणि 0.15 डीबीपेक्षा कमी इंसेक्शन लॉस दर्शवितो. |
db3259ae9e7f18a319cc24229662da9bf400221a | |
10dae7fca6b65b61d155a622f0c6ca2bc3922251 | |
5021c5f6d94ffaf735ab941241ab21e0c491ffa1 | मॅचिंग आणि रिकव्हरी टास्कमध्ये त्यांची कामगिरी सुधारण्यासाठी एमएसईआर वैशिष्ट्ये पुन्हा परिभाषित केली जातात. प्रस्तावित सिमसर वैशिष्ट्ये (म्हणजेच स्केल-असंवेदनशील एमएसईआर) हे अत्यंत क्षेत्र आहेत जे केवळ थ्रेशोल्ड बदलांच्या (एमएसईआर सारखे) अंतर्गतच नव्हे तर, अतिरिक्तपणे, प्रतिमा रीस्केलिंग (सुंदर) अंतर्गत जास्तीत जास्त स्थिर आहेत. अशा प्रकारच्या सुधारणांचे सैद्धांतिक फायदे यावर चर्चा केली जाते. या संशोधनातून एमएसईआरचे मूलभूत गुणधर्म जपले जातात, हे प्रायोगिकरित्या पूर्वतयारी सत्यापित केले जाते. वैशिष्ट्यांची सरासरी संख्या, पुनरावृत्ती आणि संगणकीय जटिलता (जे केवळ वापरलेल्या स्केलच्या संख्येने गुणाकारपणे वाढते), तर कामगिरी (सामान्य सीबीव्हीआयआर मेट्रिक्सद्वारे मोजली जाते) लक्षणीय सुधारली जाऊ शकते. या संदर्भात, डेटासेटच्या परिणामांमध्ये वर्णनकर्ता-आधारित जुळणी आणि शब्द-आधारित जुळणी दोन्हीसाठी आठवणीतील मूल्यांमध्ये लक्षणीय वाढ झाली आहे. सामान्यतः, सिमसेर मोठ्या व्हिज्युअल शब्दसंग्रहासह वापरण्यासाठी विशेषतः योग्य असल्याचे दिसते, उदा. मोठ्या प्रमाणात डेटाबेसमध्ये बोअर वॉटर पूर्व-पुनर्प्राप्ती ऑपरेशन्सची गुणवत्ता सुधारण्यासाठी ते संभाव्यपणे लागू केले जाऊ शकतात. |
e23c9687ba0bf15940af76b7fa0e0c1af9d3156e | ग्राहक इलेक्ट्रॉनिक्स उद्योग हा 240 अब्ज डॉलर्सचा जागतिक उद्योग आहे ज्यात काही अत्यंत स्पर्धात्मक जागतिक खेळाडू आहेत. या उद्योगातील कोणत्याही जागतिक पुरवठा साखळीशी संबंधित अनेक जोखीम आम्ही वर्णन करतो. उदाहरणार्थ, आम्ही सॅमसंग इलेक्ट्रॉनिक्स आणि त्याची सहाय्यक कंपनी सॅमसंग इलेक्ट्रॉनिक्स यूकेने हे धोके कमी करण्यासाठी घेतलेल्या पावले देखील सूचीबद्ध करतो. जोखीम आणि उपाययोजनांचे वर्णन भविष्यातील संशोधनाची क्षेत्रे ओळखण्यासाठी पार्श्वभूमी प्रदान करते. |
2f52cbef51a6a8a2a74119ad821526f9e0b57b39 | एसएपी हाना डेटाबेस एसएपी हाना अॅप्लिकेशनच्या कोर म्हणून स्थित आहे जे व्यवहारात सुसंगत ऑपरेशनल वर्कलोडसह जटिल व्यवसाय विश्लेषणात्मक प्रक्रियेस समर्थन देते. या पेपरमध्ये, आम्ही एसएपी हाना डेटाबेसच्या मूलभूत वैशिष्ट्यांचा आढावा घेतो, एसएपी हाना डेटाबेसला इतर क्लासिक रिलेशनल डेटाबेस मॅनेजमेंट सिस्टमपासून वेगळे करणाऱ्या विशिष्ट वैशिष्ट्यांचा भर देतो. तांत्रिक बाबींमध्ये, एसएपी हाना डेटाबेसमध्ये डेटा प्रोसेसिंगचे संपूर्ण स्पेक्ट्रम प्रदान करण्यासाठी वितरित क्वेरी प्रोसेसिंग वातावरणासह एकाधिक डेटा प्रोसेसिंग इंजिनचा समावेश आहे - क्लासिक रिलेशनल डेटापासून हायब्रिड इंजिनमध्ये पंक्ती आणि स्तंभ-उन्मुख भौतिक प्रतिनिधित्व दोन्ही समर्थित करते, त्याच प्रणालीमध्ये अर्ध- आणि असंरचित डेटा व्यवस्थापनासाठी आलेख आणि मजकूर प्रक्रिया करणे. अधिक अनुप्रयोग-केंद्रित दृष्टीकोनातून, आम्ही एसएपी हाना डेटाबेसद्वारे प्रदान केलेल्या विशिष्ट समर्थनाची रूपरेषा देतो अनेक डोमेन-विशिष्ट भाषांचा अंतर्भूत सेटसह मूळतः अंमलात आणलेल्या व्यवसाय कार्ये. एसक्यूएल - रिलेशनल डेटाबेस सिस्टीमसाठी लिंगाफ्राका म्हणून - यापुढे आधुनिक अनुप्रयोगांच्या सर्व आवश्यकता पूर्ण करण्यासाठी विचार केला जाऊ शकत नाही, ज्यात डेटा व्यवस्थापन लेयरसह घट्ट संवाद आवश्यक आहे. म्हणून, एसएपी हाना डेटाबेस अनुप्रयोग सिमेंटिक्सला अंतर्निहित डेटा व्यवस्थापन प्लॅटफॉर्मसह एक्सचेंज करण्याची परवानगी देतो ज्याचा उपयोग क्वेरी अभिव्यक्ती वाढविण्यासाठी आणि वैयक्तिक अनुप्रयोग-डेटाबेस फेरीची संख्या कमी करण्यासाठी केला जाऊ शकतो. |
3a011bd31f1de749210b2b188ffb752d9858c6a6 | आम्ही मोठ्या परिष्कृत नेटवर्ककडे निर्णय समर्थन सुविधांचा विस्तार करण्याचा विचार करीत आहोत, ज्यावर बहुआयामी गुणधर्म नेटवर्क घटकांशी संबंधित आहेत, ज्यामुळे तथाकथित बहुआयामी नेटवर्क तयार होतात. डेटा वेअरहाउस आणि ओएलएपी (ऑनलाईन विश्लेषणात्मक प्रक्रिया) तंत्रज्ञान संबंधात्मक डेटावरील निर्णयासाठी प्रभावी साधन असल्याचे सिद्ध झाले आहे. मात्र, नवीन पण महत्त्वाच्या बहुआयामी जाळ्या हाताळण्यासाठी ते सुसज्ज नाहीत. या पेपरमध्ये, आम्ही ग्राफ क्यूब, एक नवीन डेटा वेअरहाऊसिंग मॉडेल सादर करतो जे मोठ्या बहुआयामी नेटवर्कवर ओएलएपी क्वेरींना प्रभावीपणे समर्थन देते. नेटवर्कचे गुणधर्म एकत्रिकरण आणि संरचना सारांश दोन्ही लक्षात घेऊन, ग्राफ क्यूब पारंपारिक डेटा क्यूब मॉडेलच्या पलीकडे जातो ज्यामध्ये केवळ संख्यात्मक मूल्य आधारित गट-द्वारा समाविष्ट आहे, ज्यामुळे प्रत्येक संभाव्य बहुआयामी जागेत अधिक अंतर्दृष्टी आणि संरचना समृद्ध एकत्रित नेटवर्क तयार होते. पारंपारिक क्यूबॉइड क्वेरी व्यतिरिक्त, ओएलएपी क्वेरीचा एक नवीन वर्ग, क्रॉसबोइड, सादर केला जातो जो बहुआयामी नेटवर्कमध्ये अद्वितीय उपयुक्त आहे आणि यापूर्वी त्याचा अभ्यास केला गेला नाही. आम्ही ग्राफ क्यूबची अंमलबजावणी बहुआयामी नेटवर्कच्या विशेष वैशिष्ट्यांसह विद्यमान तसेच अभ्यास केलेल्या डेटा क्यूब तंत्रासह करतो. आम्ही वास्तविक जगाच्या डेटा सेटच्या मालिकेवर व्यापक प्रायोगिक अभ्यास करतो आणि ग्राफ क्यूब हे मोठ्या बहुआयामी नेटवर्कवर निर्णय समर्थन करण्यासाठी एक शक्तिशाली आणि कार्यक्षम साधन असल्याचे दर्शविले आहे. |
4b573416043cf9cff42cbb7b753993c907a2be4a | अनेक पारंपरिक आणि नवीन व्यावसायिक अनुप्रयोग मूळतः आलेखबद्ध डेटासह कार्य करतात आणि म्हणूनच डेटा व्यवस्थापन स्तरामध्ये प्रदान केलेल्या आलेखातील अमूर्त आणि ऑपरेशन्सचा फायदा होतो. प्रॉपर्टी ग्राफ डेटा मॉडेल केवळ स्कीमाची लवचिकताच देत नाही तर डेटा आणि मेटाडेटाचे संयुक्त व्यवस्थापन आणि प्रक्रिया करण्यास देखील अनुमती देते. ग्राफ ऑपरेशन्स थेट डेटाबेस इंजिनमध्ये कार्यान्वित करून आणि त्यांना अंतर्ज्ञानी प्रोग्रामिंग इंटरफेस आणि घोषित भाषा या दोन्ही स्वरूपात उघड करून, जटिल व्यवसाय अनुप्रयोग तर्कशास्त्र अधिक सहजपणे व्यक्त केले जाऊ शकते आणि अत्यंत कार्यक्षमतेने कार्यान्वित केले जाऊ शकते. या पेपरमध्ये आम्ही SAP HANA डेटाबेसला अंगभूत आलेख डेटा सपोर्टसह विस्तारित करण्यासाठी आमच्या चालू असलेल्या कामाचे वर्णन करतो. एसएपी हानासह आधुनिक व्यवसाय अनुप्रयोगांसाठी एक कार्यक्षम आणि अंतर्ज्ञानी डेटा व्यवस्थापन प्लॅटफॉर्म प्रदान करण्याच्या मार्गावर आम्ही हे पुढील चरण म्हणून पाहतो. |
16af753e94919ca257957cee7ab6c1b30407bb91 | |
cc75568885ab99851cc0e0ea5679121606121e5d | काम करणाऱ्या कुत्र्यांना प्रशिक्षण देणे आणि हाताळणे ही एक महागडी प्रक्रिया आहे आणि त्यासाठी विशेष कौशल्य आणि तंत्रांची आवश्यकता आहे. कमी खर्चिक आणि कमी व्यक्तिपरक प्रशिक्षण पद्धतींमुळे या कुत्र्यांशी असलेली आपली भागीदारी सुधारेलच, तर त्यांच्या कौशल्यांचा अधिक प्रभावीपणे फायदा घेता येईल. याला सुलभ करण्यासाठी, आम्ही कुत्रा शरीर-क्षेत्र-नेटवर्क (सीबीएएन) विकसित करीत आहोत जे सेन्सिंग तंत्रज्ञान आणि संगणकीय मॉडेलिंग एकत्रित करेल जेणेकरून कुत्रा प्रशिक्षणासाठी अधिक अचूक अर्थ लावणे हाताळणार्यांना प्रदान करेल. याच्या पहिल्या टप्प्यात आम्ही कुत्रांच्या वर्तनात्मक क्रियाकलापांचा दूरस्थपणे शोध घेण्यासाठी इनेर्शियल मेजर युनिट्स (आयएमयू) वापरले. निर्णय वृक्ष वर्गीकरणकर्ते आणि लपलेले मार्कोव्ह मॉडेल स्थिर पोझिशन्स (बसणे, उभे राहणे, खाली पडणे, दोन पायावर उभे राहणे आणि जमिनीवर खाणे) आणि गतिमान क्रियाकलाप (चालणे, पायऱ्या चढणे आणि रॅम्प खाली चालणे) हेरिस्टिक वैशिष्ट्यांवर आधारित वापरले गेले. त्वरणमापक आणि गिरोस्कोप डेटा द्वारे प्रदान केलेले वायरलेस सेन्सिंग सिस्टम कुत्राच्या बनियानावर तैनात केले. ६ लॅब्राडोर रेट्रीव्हर्स आणि एक काई केन यांचे डेटा गोळा करण्यात आले. आयएमयू स्थान आणि अभिमुखतेचे विश्लेषण स्थिर आणि गतिमान क्रियाकलाप ओळखण्यासाठी उच्च वर्गीकरण अचूकता प्राप्त करण्यास मदत करते. |
694a40785f480cc0d65bd94a5e44f570aff5ea37 | मोबाईल रोबोट नेव्हिगेशनवरील संशोधनातून घरातील वातावरणातील नकाशे तयार करण्यासाठी दोन प्रमुख नमुने तयार झाले आहेत. ग्रिड-आधारित पद्धती अचूक मेट्रिक नकाशे तयार करतात, परंतु त्यांची जटिलता मोठ्या प्रमाणात घरातील वातावरणात कार्यक्षम नियोजन आणि समस्या सोडविण्यास प्रतिबंधित करते. टोपोलॉजिकल नकाशे, दुसरीकडे, अधिक कार्यक्षमतेने वापरले जाऊ शकतात, परंतु अचूक आणि सुसंगत टोपोलॉजिकल नकाशे मोठ्या प्रमाणात वातावरणात शिकणे खूप कठीण आहे. या पेपरमध्ये एक दृष्टिकोन वर्णन केला आहे ज्यामध्ये दोन्ही पॅराडिग्म्स समाकलित केले आहेत. कृत्रिम तंत्रिका नेटवर्क आणि बेझियन एकत्रीकरण वापरून ग्रीड-आधारित नकाशे शिकले जातात. टोपोलॉजिकल नकाशे ग्रीड आधारित नकाशांच्या वर तयार केले जातात, नंतरचे सुसंगत क्षेत्रांमध्ये विभागले जातात. दोन्ही पॅराडाइम-ग्रिड-आधारित आणि टॉपॉलॉजिकल- यांचे संयोजन करून, येथे सादर केलेला दृष्टिकोन दोन्ही जगातील सर्वोत्तम मिळवितोः अचूकता / सुसंगतता आणि कार्यक्षमता. या लेखात लोकसंख्या असलेल्या बहु-खोली वातावरणात सोनार सेन्सरसह सुसज्ज मोबाईल रोबोटचे स्वायत्तपणे ऑपरेट करण्याचे परिणाम दिले आहेत. |
a512385be058b1e2e1d8b418a097065707622ecd | जागतिक स्तरावर कर्करोगाचे प्रमाण वाढत आहे. याचे मुख्य कारण म्हणजे जगातील लोकसंख्या वृद्ध होत आहे आणि आर्थिकदृष्ट्या विकसनशील देशांमध्ये कर्करोगास कारणीभूत असलेल्या वर्तनांचा, विशेषतः धूम्रपान करण्याच्या वर्तनाचा वापर वाढत आहे. ग्लोबोकॅन २००८ च्या अंदाजानुसार २००८ मध्ये सुमारे १२.७ दशलक्ष कर्करोगाचे रुग्ण आणि ७.६ दशलक्ष कर्करोगामुळे मृत्यू झाल्याचे अंदाज आहे; यापैकी ५६% रुग्ण आणि ६४% मृत्यू आर्थिकदृष्ट्या विकसनशील जगात झाले. स्तनाचा कर्करोग हा सर्वात वारंवार निदान होणारा कर्करोग आहे आणि कर्करोगामुळे होणाऱ्या मृत्यूचे प्रमुख कारण म्हणजे महिलांमध्ये कर्करोगाच्या एकूण प्रकरणांपैकी 23% आणि कर्करोगामुळे होणाऱ्या मृत्यूंपैकी 14% हे आहे. पुरुषांमध्ये फुफ्फुसाचा कर्करोग हा कर्करोगाचा प्रमुख प्रकार आहे, ज्यामध्ये कर्करोगाच्या एकूण नवीन प्रकरणांपैकी 17% आणि कर्करोगाच्या एकूण मृत्यूंपैकी 23% आहेत. आर्थिकदृष्ट्या विकसनशील देशांमधील महिलांमध्ये कर्करोगामुळे होणाऱ्या मृत्यूचे प्रमुख कारण आता स्तनाचा कर्करोग आहे, मागील दशकात कर्करोगामुळे होणाऱ्या मृत्यूचे सर्वात सामान्य कारण गर्भाशयाच्या ग्रीवाचा कर्करोग होता. याशिवाय, विकसनशील देशांमधील महिलांमध्ये फुफ्फुसाच्या कर्करोगामुळे होणारा मृत्यूचा भार गर्भाशयाच्या ग्रीवाच्या कर्करोगामुळे होणाऱ्या मृत्यूच्या तुलनेत तितकाच जास्त आहे. या दोन्ही देशांमध्ये होणाऱ्या कर्करोगामुळे होणाऱ्या एकूण मृत्यूंपैकी ११% मृत्यू या देशांमध्ये होतात. विकसनशील देशांमध्ये कर्करोगाचे प्रमाण विकसनशील देशांमध्ये दिसणाऱ्या दोन्ही लिंगात अर्धे आहे, परंतु कर्करोगामुळे होणाऱ्या मृत्यूचे प्रमाण साधारणपणे समान आहे. कर्करोगाचे जगण्याची शक्यता विकसनशील देशांमध्ये कमी असते, बहुधा निदानात उशीरा टप्प्यात आणि वेळेवर आणि मानक उपचारांचा मर्यादित प्रवेश यांचे मिश्रण आहे. कर्करोगाच्या जागतिक प्रमाणाचा एक मोठा भाग कर्करोगावरील विद्यमान नियंत्रण ज्ञान आणि तंबाखू नियंत्रण, लसीकरण (यकृत आणि गर्भाशयाच्या ग्रीवाच्या कर्करोगासाठी) आणि लवकर शोध आणि उपचार तसेच शारीरिक क्रियाकलाप आणि निरोगी आहार घेण्यास प्रोत्साहन देणारी सार्वजनिक आरोग्य मोहिम अंमलबजावणीद्वारे रोखता येऊ शकते. जागतिक स्तरावर अशा प्रकारच्या उपाययोजनांच्या अंमलबजावणीला गती देण्यासाठी वैद्यकीय तज्ञ, सार्वजनिक आरोग्य व्यावसायिक आणि धोरणकर्ते सक्रिय भूमिका बजावू शकतात. |
37fa040ec0c4bc1b85f3ca2929445f3229ed7f72 | आम्ही स्केच-आरएनएन सादर करतो, एक पुनरावृत्ती न्यूरल नेटवर्क (आरएनएन) सामान्य वस्तूंचे स्ट्रोक-आधारित रेखाचित्रे तयार करण्यास सक्षम आहे. या मॉडेलला हजारो क्रूड मानवी रेखाचित्रांवर प्रशिक्षण दिले जाते जे शेकडो वर्गांचे प्रतिनिधित्व करते. आम्ही सशर्त आणि बिनशर्त रेखाचित्र निर्मितीसाठी एक आराखडा मांडतो आणि वेक्टर स्वरूपात सुसंगत रेखाचित्र रेखाचित्रे तयार करण्यासाठी नवीन मजबूत प्रशिक्षण पद्धतींचे वर्णन करतो. |
a1a1c4fb58a2bc056a056795609a2be307b6b9bf | क्लाउड स्टोरेज हे अनेक आयटी पायाभूत सुविधांचे आधारस्तंभ बनले आहे, मोठ्या प्रमाणात डेटा बॅकअप, सिंक्रोनाइझेशन आणि सामायिकरणसाठी एक अखंड समाधान आहे. क्लाउड सेवा प्रदात्यांच्या थेट नियंत्रणाखाली वापरकर्त्याचे डेटा ठेवल्यास, आउटसोर्स केलेल्या डेटाची अखंडता, आकस्मिक किंवा हेतुपुरस्सर संवेदनशील माहितीचे गळती, वापरकर्त्यांच्या क्रियाकलापांचे प्रोफाइलिंग इत्यादींशी संबंधित सुरक्षा आणि गोपनीयता चिंता वाढते. याशिवाय, क्लाउड प्रदाता विश्वासार्ह असला तरीही, बाह्य फाइल्समध्ये प्रवेश असलेले वापरकर्ते दुर्भावनापूर्ण असू शकतात आणि गैरवर्तन करू शकतात. वैयक्तिक आरोग्य रेकॉर्ड आणि क्रेडिट स्कोअर सिस्टम सारख्या संवेदनशील अनुप्रयोगांमध्ये ही चिंता विशेषतः गंभीर आहे. या समस्येवर मात करण्यासाठी आम्ही गोराम, एक क्रिप्टोग्राफिक प्रणाली सादर करतो जी विश्वासार्ह नसलेल्या सर्व्हर आणि दुर्भावनायुक्त क्लायंट या दोन्ही बाजूंनी आउटसोर्स केलेल्या डेटाची गोपनीयता आणि अखंडतेचे संरक्षण करते, अशा डेटाच्या प्रवेशनाची अनामिकता आणि अनलिंकेबिलिटीची हमी देते आणि डेटा मालकाला इतर क्लायंटसह आउटसोर्स केलेले डेटा सामायिक करण्यास अनुमती देते, त्यांना निवडकपणे वाचन आणि लेखन परवानग्या देऊन. गोराम ही अशी पहिली प्रणाली आहे जी आउटसोर्स केलेल्या स्टोरेजसाठी इतकी विस्तृत सुरक्षा आणि गोपनीयता गुणधर्म प्राप्त करते. कार्यक्षम बांधकामाच्या प्रक्रियेत आम्ही दोन नवीन, सर्वसाधारणपणे लागू होणाऱ्या क्रिप्टोग्राफिक योजना विकसित केल्या, म्हणजेच, मिश्रणाचे बॅच केलेले शून्य-ज्ञान पुरावे आणि चॅमेलियन स्वाक्षर्यांवर आधारित एक जबाबदारी तंत्र, जे आम्ही स्वतंत्र स्वारस्य असल्याचे मानतो. आम्ही अमेझॉन इलास्टिक कॉम्प्युट क्लाऊड (ईसी 2) मध्ये गोरामची अंमलबजावणी केली आणि आमच्या बांधकामाची स्केलेबिलिटी आणि कार्यक्षमता दर्शविणारी कार्यक्षमता मूल्यांकन केली. |
32527d9fcbfb0c84daf715d7e9a375f647b33c2c | |
269ed5ba525519502123b58472e069d77c5bda14 | इंटरएक्टिव्ह प्रश्न उत्तर (क्यूए) प्रणालीमध्ये वारंवार गैर-अमूल्य (अपूर्ण) प्रश्नांचा सामना करावा लागतो. जेव्हा एखादा वापरकर्ता त्यांना संभाषणाच्या संदर्भात विचारतो तेव्हा हे गैर-महत्त्वाचे प्रश्न प्रणालीला अर्थपूर्ण ठरू शकत नाहीत. यंत्रणेला अपूर्ण प्रश्नावर प्रक्रिया करण्यासाठी संभाषणाचा संदर्भ लक्षात घेणे आवश्यक आहे. या कामात, आम्ही रिकर्सिव्ह न्यूरल नेटवर्क (आरएनएन) आधारित एन्कोडर-डेकोडर नेटवर्क सादर करतो जे अपूर्ण प्रश्न आणि संभाषण संदर्भात एक पूर्ण (उद्दिश्य) प्रश्न व्युत्पन्न करू शकते. आरएनएन एन्कोडर डीकोडर नेटवर्क लाखो वाक्यांशांच्या समांतर कॉर्पसवर प्रशिक्षित केल्यावर चांगले काम करतात हे दर्शविले गेले आहे, तथापि या परिमाणातील संभाषण डेटा मिळवणे अत्यंत कठीण आहे. म्हणून आम्ही मूळ समस्येचे दोन स्वतंत्र सरलीकृत समस्यांमध्ये विघटन करण्याचा प्रस्ताव ठेवतो जिथे प्रत्येक समस्या एका अमूर्ततेवर लक्ष केंद्रित करते. विशेष म्हणजे, आम्ही सिमेंटिक अनुक्रम मॉडेलला सिमेंटिक नमुने शिकण्यासाठी आणि सिंटॅक्टिक अनुक्रम मॉडेलला भाषिक नमुने शिकण्यासाठी प्रशिक्षण देतो. आम्ही सिंटेक्सिक आणि सिमेंटिक अनुक्रम मॉडेल एकत्र करून एक एसेम्बल मॉडेल तयार करतो. आमच्या मॉडेलने 30.15 चा ब्लेऊ स्कोअर मिळवला आहे. |
27099ec9ea719f8fd919fb69d66af677a424143b | विचार-तर्कसंगततेचे अनुकूली नियंत्रण (एसीटी-आर; जे. आर. अँडरसन आणि सी. लेबियर, 1998) हे एक सिद्धांत बनले आहे ज्यात एकाधिक मॉड्यूल आहेत परंतु हे मॉड्यूल सुसंगत संज्ञान तयार करण्यासाठी कसे समाकलित केले जातात हे देखील स्पष्ट करते. एसीटी-आर मधील विशेष प्रणालींची उदाहरणे म्हणून अनुभूति-मोटर मॉड्यूल, ध्येय मॉड्यूल आणि घोषित मेमरी मॉड्यूल सादर केले आहेत. हे मॉड्यूल वेगवेगळ्या कॉर्टेकल क्षेत्राशी संबंधित आहेत. या मॉड्यूल बफरमध्ये तुकडे ठेवतात जेथे ते बफरमधील माहितीच्या नमुन्यांना प्रतिसाद देणारी उत्पादन प्रणालीद्वारे शोधले जाऊ शकतात. कोणत्याही वेळी, सध्याच्या पद्धतीला प्रतिसाद देण्यासाठी एकच उत्पादन नियम निवडला जातो. उप-प्रतीकात्मक प्रक्रिया फायर करण्याच्या नियमांच्या निवडीचे तसेच काही मॉड्यूल्सच्या अंतर्गत ऑपरेशन्सचे मार्गदर्शन करण्यासाठी कार्य करते. शिकण्यात या उप-प्रतीकात्मक प्रक्रियेच्या ट्युनिंगचा समावेश असतो. या मॉड्यूल स्वतंत्रपणे आणि एकत्रितपणे कसे कार्य करतात हे स्पष्ट करण्यासाठी अनेक साध्या आणि जटिल अनुभवजन्य उदाहरणे वर्णन केली आहेत. |
6fdbf20f50dfd6276d9b89e494f86fbcc7b0b9b7 | आम्ही 2 × 2 मायक्रोस्ट्रिप उप-अॅरेद्वारे बनविलेले एक नवीन इलेक्ट्रॉनिक ट्रॅकिंग अँटेना अॅरे डिझाइन केले आणि त्याची चाचणी केली. प्रत्येक उप-सरणीवर वेळ अनुक्रम टप्प्याचे वजन करून, परिणामी सिंगल चॅनेलच्या आउटपुटमधून प्रत्येक उप-सरणीवरील विस्तार आणि टप्प्याची पुनर्प्राप्ती केली जाऊ शकते. प्रत्येक अॅरेवरील अॅम्प्लिट्यूड आणि फेजचा वापर डिजिटल सिग्नल प्रोसेसिंगद्वारे बेरीज आणि फरक रेडिएशन पॅटर्न तयार करण्यासाठी केला जाऊ शकतो. मोनोपल्से सिस्टमच्या तुलनेत, आरएफ तुलनेत काढून टाकले जाते आणि रिसीव्हर चॅनेलची संख्या 3 वरून 1 पर्यंत कमी केली जाते. या प्रकल्पाचा पुरावा म्हणून एक नमुना तयार करण्यात आला. मोजमापाच्या परिणामांनी प्रस्तावित योजनेची वैधता आणि फायदे पुष्टी केली. चॅनेल सुधारण्याची प्रक्रिया दिली आहे. |
3701bdb05b6764b09a5735cdc3cb9c40736d9765 | आम्ही स्टोकेस्टिक असिंक्रोनस प्रॉक्सिमल अल्टरनेटिंग लिनियरलाइज्ड मिनिमलाइझेशन (एसएपीएएलएम) पद्धतीची ओळख करून देतो, नॉन-कन्वेक्स, नॉन-स्मूथ ऑप्टिमायझेशन समस्या सोडविण्यासाठी ब्लॉक समन्वय स्टोकेस्टिक प्रॉक्सिमल-ग्रेडिएंट पद्धत. SAPALM ही पहिली अतुल्यकालिक समांतर ऑप्टिमायझेशन पद्धत आहे जी नॉन-कन्वेक्स, नॉन-स्मूथ समस्यांच्या मोठ्या वर्गावर एकत्रितपणे एकत्रित होते. आम्ही हे सिद्ध करतो की एसएपीएएलएम या समस्येच्या वर्गावर - समकालिक किंवा असमकालिक पद्धतींमध्ये - अभिसरणच्या सर्वोत्तम ज्ञात दराशी जुळते. आम्ही कामगारांच्या संख्येवर वरच्या मर्यादा प्रदान करतो ज्यासाठी आम्ही रेषीय गती पाहण्याची अपेक्षा करू शकतो, जे कमी जटिल समस्यांसाठी ज्ञात असलेल्या सर्वोत्तम मर्यादेशी जुळतात आणि हे दर्शविते की सराव मध्ये सॅपलम हे रेषीय गती प्राप्त करते. आम्ही अनेक मॅट्रिक्स फॅक्टरायझेशन समस्यांवर अत्याधुनिक कामगिरीचे प्रदर्शन करतो. |
5cd28cdc4c82f788dee27cb73d7d9280cf9c7343 | या लेखात हवाई छायाचित्रांवरून काढलेल्या जुळणार्या ग्राफलेट्स (म्हणजेच, लहान जोडलेले उपग्राफ) वर आधारित हवाई प्रतिमा श्रेणी ओळखण्याची पद्धत सादर केली आहे. प्रत्येक हवाई प्रतिमेची भूमितीय गुणधर्म आणि रंग वितरण एन्कोड करण्यासाठी एक प्रदेश समीपता आलेख (आरएजी) तयार करून, आम्ही RAG-to-RAG जुळवून म्हणून हवाई प्रतिमा श्रेणी ओळख टाकली. आलेख सिद्धांतानुसार, आरएजी-टू-आरएजी जुळवणी त्यांच्या संबंधित सर्व ग्राफलेट्स जुळवून घेतली जाते. प्रभावी ग्राफलेट जुळवणी प्रक्रियेच्या दिशेने, आम्ही विविध आकाराचे ग्राफलेट समान लांबीच्या वैशिष्ट्य वेक्टरमध्ये स्थानांतरित करण्यासाठी आणि या वैशिष्ट्य वेक्टरला कर्नलमध्ये समाकलित करण्यासाठी एक मल्टीफॉल्ड एम्बेडिंग अल्गोरिदम विकसित करतो. या कर्नलचा वापर एरियल इमेज श्रेणी ओळखण्यासाठी एसव्हीएम [8] वर्गीकरणकर्त्याला प्रशिक्षित करण्यासाठी केला जातो. प्रयोगात्मक परिणामांनी दाखवून दिले आहे की आमची पद्धत अनेक अत्याधुनिक ऑब्जेक्ट/ दृश्यांच्या ओळख मॉडेलपेक्षा अधिक कार्यक्षम आहे. |
b2dac341df54e5f744d5b6562d725d254aae8e80 | या अभ्यासामध्ये ओपन हॅर, सार्वजनिकरित्या खुले डेटा सेट एकत्रित आणि एकसंध करण्यासाठी एक मुक्त मॅटलाब टूलबॉक्सची ओळख आहे. यातून सार्वजनिकरित्या उपलब्ध असलेल्या मानवी क्रियाकलापांच्या दहा डेटा सेटच्या अॅक्सेलेरोमीटर सिग्नलवर सहज प्रवेश मिळतो. ओपन हॅर सर्व डेटा सेट समान स्वरूपात उपलब्ध करून देत असल्याने डेटा सेट सहज उपलब्ध होतात. याव्यतिरिक्त, युनिट्स, मोजमाप श्रेणी आणि लेबल एकसमान आहेत, तसेच, शरीर स्थिती आयडी. याव्यतिरिक्त, विविध नमुना दर डेटा संच downsampling वापरून एकसंध आहेत. याशिवाय, सेन्सर चुकीच्या दिशेने आहे, अशा त्रुटी शोधण्यासाठी डेटा सेटचे व्हिज्युअल निरीक्षण केले गेले आहे. ओपनहॅर या त्रुटींचे निराकरण करून डेटा सेटची पुन्हा वापरण्याची क्षमता सुधारते. एकूणच ओपनहॅरमध्ये 65 दशलक्षाहून अधिक लेबल केलेले डेटा नमुने आहेत. हे २८० तासांच्या ३ डी अॅक्सेलेरोमीटरच्या डेटाच्या समतुल्य आहे. यामध्ये 211 अभ्यासक 17 दैनंदिन मानवी क्रियाकलाप करत होते आणि 14 वेगवेगळ्या शरीर स्थितीत सेन्सर वापरत होते. |
7347b4601078bd52eec80d5de29f801890f82de3 | एक जोडलेला गयसेल ब्रॉडबँड कंबाइनर/डिव्हिडर प्रस्तावित आणि प्रात्यक्षिक आहे. नवीन संकल्पना डिझाइनमध्ये एकाच जोडलेल्या रेषा विभागाचा वापर करण्यावर अवलंबून आहे. कमी नुकसान, डिझाइनची सोय आणि लवचिकता राखून बँडविड्थमध्ये लक्षणीय सुधारणा केली जाते. जोडलेल्या-ग्यसेलचे प्रदर्शन 2.5 - 8 GHz (105% फ्रॅक्शनल बँडविड्थ) डिवाइडरसह 0.1 डीबी डिवाइडर नुकसान आणि 3.4 - 10.2 GHz (100% फ्रॅक्शनल बँडविड्थ) 0.2 डीबी डिवाइडर नुकसानाने केले जाते. |
a05d984443d62575c097ad65b747aae859a5f8b0 | मुलांच्या मानसिक व सामाजिक विकासावर व्हिडिओ गेमचा काय परिणाम होतो, यावर अजूनही चर्चा सुरू आहे. दोन वेळेत, 1 वर्षाच्या अंतराने, 194 मुले (7.27-11.43 वर्षे; पुरुष = 98) यांनी त्यांच्या गेमिंग वारंवारतेची नोंद केली आणि हिंसक व्हिडिओ गेम खेळण्याची त्यांची प्रवृत्ती आणि खेळणे (अ) सहकार्याने आणि (ब) स्पर्धात्मक; त्याचप्रमाणे, पालकांनी त्यांच्या मुलांच्या मानसशास्त्रीय आरोग्याची नोंद केली. एका वेळेस खेळणे भावनिक समस्यांमध्ये वाढीसह जोडले गेले. हिंसक गेमिंगचा मानसशास्त्रीय बदलाशी संबंध नव्हता. सहकारी खेळणे हे सामाजिक वर्तनातील बदलाशी संबंधित नव्हते. अखेरीस, स्पर्धात्मक गेमिंग सामाजिक वर्तनात घट झाली, परंतु केवळ उच्च वारंवारतेसह व्हिडिओ गेम खेळणार्या मुलांमध्ये. अशा प्रकारे, गेमिंग वारंवारता आंतरिककरणात वाढीसह संबंधित होती परंतु बाह्यकरण, लक्ष किंवा समवयस्कांच्या समस्यांमध्ये वाढ झाली नाही, हिंसक गेमिंग बाह्यकरण समस्यांमध्ये वाढीसह संबंधित नव्हते आणि मुलांसाठी दर आठवड्याला सुमारे 8 तास किंवा त्याहून अधिक खेळणे, वारंवार स्पर्धात्मक गेमिंग हे प्रोसोशल वर्तन कमी होण्याचा धोकादायक घटक असू शकते. आम्ही असा तर्क करतो की प्रतिकृती आवश्यक आहे आणि भविष्यातील संशोधनात गेमिंगच्या विविध प्रकारांमध्ये अधिक बारीक आणि सामान्यीकृत अंतर्दृष्टीसाठी फरक करणे आवश्यक आहे. |
5a47e047d4d41b61204255e1b265d704b7f265f4 | बिग डेटा हा शब्द सर्वत्र पसरला आहे. शैक्षणिक संस्था, उद्योग आणि प्रसारमाध्यमांमध्ये सामायिक मूळ असल्याने एकसमान एकसमान व्याख्या नाही आणि विविध भागधारक विविध आणि अनेकदा परस्परविरोधी व्याख्या देतात. एक सुसंगत व्याख्या नसणे संदिग्धता आणते आणि मोठ्या डेटाशी संबंधित भाषणास अडथळा आणते. या संक्षिप्त लेखात विविध परिभाषांचे संकलन करण्याचा प्रयत्न केला आहे ज्यांनी काही प्रमाणात कर्षण मिळवले आहे आणि अन्यथा अस्पष्ट संज्ञाची स्पष्ट आणि संक्षिप्त व्याख्या प्रदान केली आहे. |
7065e6b496af41bba16971246a02986f5e388860 | संस्थात्मक क्षमतांचे व्यवस्थापन आणि सुधारणा करणे हा अनेक कंपन्यांसाठी एक महत्त्वाचा आणि जटिल मुद्दा आहे. व्यवस्थापन आणि सुधारणा सक्षम करण्यासाठी, कामगिरीचे मूल्यांकन सामान्यपणे वापरले जाते. संघटनात्मक क्षमतांचे मूल्यांकन करण्याचा एक मार्ग म्हणजे परिपक्वता ग्रिडचा वापर करणे. परिपक्वता ग्रिडची संरचना समान असू शकते, परंतु त्यांची सामग्री भिन्न आहे आणि बर्याचदा ते पुन्हा विकसित केले जातात. या कागदपत्रामध्ये एक संदर्भ बिंदू आणि परिपक्वता ग्रिड विकसित करण्यासाठी मार्गदर्शन दोन्ही सादर केले आहे. 24 विद्यमान परिपक्वता ग्रिडचा आढावा घेऊन आणि त्यांच्या विकासासाठीचा आराखडा सुचवून हे साध्य केले जाते. या पुनरावलोकनात विशेष भर आहे, परिपक्वता रेटिंगच्या रचनामध्ये संघटनात्मक बदलाबद्दल अंतर्भूत गृहीतकावर. या मार्गदर्शक तत्त्वात चार टप्पे समाविष्ट आहेत. प्रत्येक टप्प्यात विकासासाठी अनेक निर्णय बिंदूंवर चर्चा केली जाते, जसे की प्रक्रिया क्षेत्रे, परिपक्वता पातळी आणि वितरण यंत्रणा निवडणे. औद्योगिक व्यवहारात रोडमॅपची उपयुक्तता दर्शविणारी एक उदाहरण दिली आहे. या मार्गदर्शक तत्त्वाचा वापर विद्यमान पद्धतींचे मूल्यांकन करण्यासाठी देखील केला जाऊ शकतो. या लेखाच्या शेवटी व्यवस्थापन पद्धती आणि संशोधनासाठी काय परिणाम होऊ शकतात, हे सांगितले आहे. |
5dd79167d714ff3907ffbba102b8e6fba49f053e | डिजिटल वायरलेस कम्युनिकेशन्समध्ये उच्च बिट रेट्सच्या बँडविड्थ कार्यक्षम वितरणाच्या अंतिम मर्यादांचे मूलभूत समजून घेण्याची आणि या मर्यादांकडे कसे जायचे याकडे पाहण्याची गरज या कागदपत्राद्वारे प्रेरित आहे. आम्ही मल्टी-एलिमेंट अॅरे (एमईए) तंत्रज्ञानाचा वापर केला आहे, ज्यामध्ये विशिष्ट अनुप्रयोगांमध्ये वायरलेस क्षमता सुधारण्यासाठी अवकाशीय परिमाण (केवळ वेळ परिमाण नाही) प्रक्रिया केली जाते. या विषयावर आम्ही काही मूलभूत माहिती सिद्धांत परिणाम सादर करतो जे वायरलेस लॅन्समध्ये एमईए वापरण्याचे आणि वायरलेस संप्रेषण दुवे तयार करण्याचे मोठे फायदे दर्शवतात. आम्ही अशा महत्त्वाच्या प्रकरणाचा अभ्यास करतो जेव्हा चॅनेल वैशिष्ट्य प्रेषकाने उपलब्ध नसते परंतु प्राप्तकर्ता रेलेघ फेलिंगच्या अधीन असलेल्या वैशिष्ट्याबद्दल (ट्रॅक) जाणतो. एकूण प्रसारित शक्ती निश्चित करून, आम्ही एमईए तंत्रज्ञानाद्वारे ऑफर केलेली क्षमता व्यक्त करतो आणि आम्ही पाहतो की एसएनआर वाढल्याने क्षमता कशी वाढते परंतु मोठ्या प्रमाणात व्यावहारिक संख्या, , दोन्ही प्रेषक आणि प्राप्तकर्त्यावरील अँटेना घटकांची. आम्ही स्वतंत्र रेलेघ फेल्ड पाथ्सच्या बाबतीत अँटेना घटकांच्या दरम्यान तपास करतो आणि असे आढळते की उच्च संभाव्यतेसह विलक्षण क्षमता उपलब्ध आहे. एन = 1 बेसलाइन प्रकरणात, जे शॅननच्या क्लासिक फॉर्म्युलाद्वारे सिग्नल-टू-रूस रेशो (एसएनआर) मध्ये प्रत्येक 3 डीबी वाढीसाठी एक अधिक बिट / सायकल म्हणून स्केल करते, लक्षणीयपणे एमईए सह, स्केलिंग जवळजवळ आहे एन अधिक बिट्स / सायकल एसएनआरमध्ये प्रत्येक 3 डीबी वाढीसाठी. ही क्षमता किती मोठी आहे हे दाखवण्यासाठी, अगदी लहान n साठी, n = 2, 4 आणि 16 प्रकरणे घ्या ज्यात सरासरी प्राप्त SNR 21 डीबी आहे. 99% चॅनेलसाठी क्षमता अनुक्रमे 7, 19 आणि 88 बिट / सायकल आहे, तर जर n = 1 असेल तर 99% पातळीवर केवळ 1.2 बिट / सायकल आहे. उदाहरणार्थ, सिग्नल बँडविड्थच्या समान सिंबल रेटसाठी, सिग्नल नक्षत्रांसाठी बिट्स / सिंबल / आकारमान संबंधित असल्याने, ही उच्च क्षमता अयोग्य नाही. एन = 4 साठी 19 बिट्स / चक्र 4.75 बिट्स / प्रतीक / आयाम इतका आहे तर एन = 16 साठी 88 बिट्स / चक्र 5.5 बिट्स / प्रतीक / आयाम इतका आहे. निवड आणि चांगल्या संयोजनासारख्या मानक पद्धती अखेरीस काय शक्य होईल याच्या तुलनेत अपुरे असल्याचे दिसून येते. नवीन कोडेक शोधण्याची गरज आहे. |
4f911fe6ee5040e6e46e84a9f1e211153943cd9b |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.