_id
stringlengths 40
40
| text
stringlengths 0
9.56k
|
|---|---|
2b211f9553ec78ff17fa3ebe16c0a036ef33c54b | मार्को ए. रॉड्रिग्ज हे एटी अँड टी इंटरएक्टिव्हचे ग्राफ सिस्टम आर्किटेक्ट आहेत. मार्को रॉड्रिग्वेज डॉट कॉम वर त्याला संपर्क करता येईल. पीटर न्युबॉवर हे नियो टेक्नॉलॉजीचे मुख्य ऑपरेटिंग ऑफिसर आहेत. त्याला peter.neubauer<at>neotechnology.com या संकेतस्थळावर संपर्क करता येतो. ग्राफ म्हणजे बिंदू (म्हणजेच, शिखर) आणि रेषा (म्हणजेच, कडा) यांचा समावेश असलेली डेटा रचना. आलेखातील बिंदू आणि रेषा जटिल व्यवस्थांमध्ये आयोजित केल्या जाऊ शकतात. ऑब्जेक्ट्स आणि त्यांचे एकमेकांशी असलेले संबंध दर्शविण्याची आलेखची क्षमता आश्चर्यकारकपणे मोठ्या संख्येने गोष्टींना आलेख म्हणून मॉडेल करण्याची परवानगी देते. सॉफ्टवेअर पॅकेजेस जोडणाऱ्या अवलंबन पासून ते घराला फ्रेम देणाऱ्या लाकडी तुकड्यापर्यंत जवळजवळ प्रत्येक गोष्टीला एक संबंधित आलेखात्मक प्रतिनिधित्व आहे. मात्र, एखादी गोष्ट ग्राफ म्हणून दर्शविणे शक्य आहे, याचा अर्थ असा नाही की, ग्राफमध्ये त्याचे प्रतिनिधित्व उपयुक्त ठरेल. जर मॉडेलर ग्राफ्स संग्रहित आणि प्रक्रिया करणाऱ्या साधनांचा आणि अल्गोरिदमचा लाभ घेऊ शकतो, तर अशा मॅपिंगला फायदेशीर ठरते. या लेखात संगणकीय क्षेत्रातील आलेखांच्या जगाचा अभ्यास केला आहे आणि ज्या परिस्थितीत ग्राफिकल मॉडेल फायदेशीर आहेत त्या परिस्थितीचा खुलासा केला आहे. |
0c5e3186822a3d10d5377b741f36b6478d0a8667 | कृत्रिम बुद्धिमत्तेची एक मुख्य समस्या म्हणजे अंशतः निरीक्षण करण्यायोग्य वातावरणात अनिश्चिततेच्या अंतर्गत भविष्यातील बक्षीस जास्तीत जास्त वाढविण्याची योजना आखणे. या लेखात आम्ही एक नवीन अल्गोरिदम मांडतो आणि दाखवतो जो अशा वातावरणाचे मॉडेल थेट क्रिया-निरीक्षण जोड्यांच्या अनुक्रमावरून अचूकपणे शिकतो. मग आपण शिकलेल्या मॉडेलमध्ये नियोजन करून आणि मूळ वातावरणात जवळजवळ इष्टतम धोरण पुनर्प्राप्त करून निरीक्षणापासून कृतीपर्यंतचा लूप बंद करतो. विशेषतः, आम्ही एक प्रभावी आणि सांख्यिकीय सुसंगत स्पेक्ट्रल अल्गोरिदम सादर करतो जे पूर्वानुमानित राज्य प्रतिनिधित्व (पीएसआर) च्या मापदंडांना शिकण्यासाठी आहे. आम्ही सिमुलेटेड हाय-डायमेन्शनल, व्हिजन-आधारित मोबाइल रोबोट नियोजन कार्याचे मॉडेल शिकून अल्गोरिदमचे प्रदर्शन करतो आणि नंतर शिकलेल्या पीएसआरमध्ये अंदाजे बिंदू-आधारित नियोजन करतो. आमच्या परिणामांचे विश्लेषण हे दर्शविते की अल्गोरिदम एक राज्य जागा शिकते जे पर्यावरणाची आवश्यक वैशिष्ट्ये कार्यक्षमतेने कॅप्चर करते. या प्रतिनिधित्वाने कमी संख्येने मापदंडांसह अचूक अंदाज लावण्यास परवानगी मिळते आणि यशस्वी आणि कार्यक्षम नियोजन सक्षम करते. |
16611312448f5897c7a84e2f590617f4fa3847c4 | छुपे मार्कोव्ह मॉडेल (एचएमएम) हे एक मूलभूत आणि व्यापकपणे वापरले जाणारे सांख्यिकीय साधने आहेत ज्यात स्वतंत्र वेळ मालिका मॉडेलिंगसाठी वापरली जाते. सामान्यतः, ते सी आरच हेरिस्टिक्स (जसे की बाऊम-वेल्च / ईएम अल्गोरिदम) वापरून शिकले जातात, जे नेहमीच्या स्थानिक ऑप्टिमा समस्यांमुळे ग्रस्त असतात. मूलभूत वितरणातील नमुन्यांसह हे मॉडेल शिकणे कठीण असल्याचे सामान्यतः ज्ञात असले तरी, आम्ही एचएमएमला नैसर्गिक पृथक्करण स्थितीत शिकण्यासाठी प्रथम सिद्ध कार्यक्षम अल्गोरिदम (नमुना आणि संगणकीय जटिलतेच्या दृष्टीने) प्रदान करतो. ही परिस्थिती मिश्रण वितरण शिकण्यासाठी विचारात घेतलेल्या पृथक्करण परिस्थितीशी जवळजवळ समान आहे (जेथे, त्याचप्रमाणे, हे मॉडेल सामान्यतः शिकणे कठीण आहे). याव्यतिरिक्त, आमच्या नमुना पूर्णता परिणाम स्पष्टपणे भिन्न (विशिष्ट) निरीक्षणांच्या संख्येवर अवलंबून नसतात - ते अंतर्निहितपणे या संख्येवर अवलंबून असतात ज्यामुळे अंतर्भूत एचएमएमच्या वर्णक्रमीय गुणधर्मांचा वापर केला जातो. यामुळे अल्गोरिदम विशेषतः मोठ्या संख्येने निरीक्षणांसह सेटिंग्जवर लागू होते, जसे की नैसर्गिक भाषा प्रक्रियेमध्ये जेथे निरीक्षणांची जागा कधीकधी एखाद्या भाषेतील शब्द असतात. शेवटी, अल्गोरिदम विशेषतः सोपे आहे, फक्त सिंगल आर मूल्य विघटन आणि मॅट्रिक्स गुणांवर अवलंबून आहे. |
8ad6fda2d41dd823d2569797c8c7353dad31b371 | आम्ही एट्रिब्यूट-बेस्ड एन्क्रिप्शन (एबीई) योजना तयार करतो जी वापरकर्त्याची खाजगी की कोणत्याही प्रवेश सूत्रानुसार गुणधर्मांवर व्यक्त करण्यास अनुमती देते. पूर्वीच्या एबीई योजना केवळ एकसमान प्रवेश संरचना व्यक्त करण्यासाठी मर्यादित होत्या. आम्ही आमच्या स्कीमसाठी डेसिशनल बिलीनियर डिफी-हेलमन (बीडीएच) गृहीतकावर आधारित सुरक्षिततेचा पुरावा प्रदान करतो. याशिवाय, आमच्या नवीन योजनेची कामगिरी सध्याच्या, कमी प्रभावी योजनांशी तुलना करता चांगली आहे. |
4f3dbfec5c67f0fb0602d9c803a391bc2f6ee4c7 | 20GHz फेज-लॉक लूप 4.9 ps/sub pp//0.65 ps/sub rms/ jitter आणि -113.5 dBc/Hz फेज-शोर 10MHz ऑफसेटवर सादर केले आहे. अर्ध-कर्तव्य नमुना-आहार-पुर्वीच्या लूप फिल्टर जे फक्त स्विचसह रेझिस्टर बदलते आणि इन्व्हर्टर -44.0 डीबीसी पर्यंत संदर्भ स्पूलला दडपते. एक डिझाईन पुनरावृत्ती प्रक्रिया दर्शविली आहे जी नकारात्मक-जी / सब एम / ऑस्सिलेटरच्या चरण आवाजाला कमी करते. पल्स लॉकपासून बनविलेले स्थिर वारंवारता विभाजक फ्लिप-फ्लॉपपासून बनविलेल्यांपेक्षा वेगाने कार्य करतात आणि जवळजवळ 2: 1 वारंवारता श्रेणी प्राप्त करतात. ०.१३-/स्पिल म्यु/मॅट्रिक मीटर सीएमओएसमध्ये तयार केलेला फेज-लॉक लूप १७.६ ते १९.४ जीएचझेडपर्यंत कार्य करतो आणि ४८० एमडब्ल्यू नष्ट करतो. |
1fcaf7ddcadda724d67684d66856c107375f448b | आम्ही मजकूर वर्गीकरणासाठी एक नवीन संक्रमणीय न्यूरल नेटवर्क (सीएनएन) मॉडेल सादर करतो जे संयुक्तपणे दस्तऐवजांवर लेबल्स आणि त्यांचे घटक वाक्ये वापरते. विशेष म्हणजे, आम्ही अशा परिस्थितीचा विचार करतो ज्यात एनोटेटर स्पष्टपणे वाक्ये (किंवा स्निपेट्स) चिन्हांकित करतात जे त्यांच्या संपूर्ण दस्तऐवज वर्गीकरणास समर्थन देतात, म्हणजेच ते तर्कसंगतता प्रदान करतात. आमचे मॉडेल अशा पर्यवेक्षणाचा उपयोग एक श्रेणीबद्ध दृष्टिकोनाद्वारे करते ज्यामध्ये प्रत्येक दस्तऐवजाचे प्रतिनिधित्व त्याच्या घटक वाक्यांशांच्या वेक्टर प्रतिनिधित्व या रेषेच्या संयोजनाद्वारे केले जाते. आम्ही एक वाक्य-स्तरीय संक्रमणीय मॉडेल प्रस्तावित करतो जे दिलेल्या वाक्याची संभाव्यता तर्कसंगत आहे, आणि मग आम्ही या अंदाजानुसार एकत्रित दस्तऐवज प्रतिनिधित्व करण्यासाठी प्रत्येक वाक्याचे योगदान स्केल करतो. पाच वर्गीकरण डेटासेटवर प्रयोग केले गेले ज्यात दस्तऐवज लेबल आणि संबंधित तर्क आहेत हे दर्शविते की आमचा दृष्टिकोन सातत्याने मजबूत बेसलाइनपेक्षा चांगला आहे. याव्यतिरिक्त, आपले मॉडेल नैसर्गिकरित्या त्याच्या अंदाजानुसार स्पष्टीकरण प्रदान करते. |
20b41b2a0d8ee71efd3986b4baeed24eba904350 | उद्देश विकसनशील देशांमध्ये मातृ नैराश्य आणि बाल वाढ यांच्यातील संबंधांचा अभ्यास करण्यासाठी साहित्य पुनरावलोकन आणि मेटा-विश्लेषण यांचा वापर करणे. पद्धती विकसनशील देशांमधील सहा डेटाबेसमध्ये 2010 पर्यंत प्रकाशित झालेल्या मातांच्या नैराश्यावर आणि मुलांच्या वाढीवरच्या अभ्यासाचा शोध घेण्यात आला. मानक मेटा- विश्लेषणात्मक पद्धतींचे अनुसरण केले गेले आणि नैराश्यग्रस्त मातांच्या मुलांमध्ये कमी वजनाचे आणि कमी वजनाचे असलेले प्रमाण (ओआर) सर्व अभ्यास आणि अभ्यासातील उपसमूह जे अभ्यासाच्या डिझाइन, मातृ नैराश्याच्या प्रदर्शनावर आणि परिणामी चलकांवर कठोर निकषांची पूर्तता करतात अशा यादृच्छिक प्रभाव मॉडेलचा वापर करून गणना केली गेली. निवडक अभ्यासात लोकसंख्येशी संबंधित जोखीम (पीएआर) चा अंदाज लावला गेला. निष्कर्ष ११ देशांतील एकूण १३,९२३ आई आणि मुलाच्या जोडप्यांसह सतरा अभ्यास समावेशाच्या निकषांची पूर्तता करतात. नैराश्य किंवा नैराश्यग्रस्त लक्षणे असलेल्या मातांच्या मुलांचे वजन कमी (OR: 1. 5; 95% विश्वास अंतर, CI: 1. 2- 1. 8) किंवा कमी (OR: 1. 4; 95% CI: 1. 2- 1. 7) असण्याची शक्यता जास्त होती. तीन अनुदैर्ध्य अभ्यासातील उपविश्लेषणाने अधिक मजबूत परिणाम दर्शविलाः कमी वजनासाठी OR 2.2 (95% CI: 1. 5- 3. 2) आणि स्टंटिंगसाठी 2.0 (95% CI: 1. 0-3. 9) होता. निवडक अभ्यासातील PAR ने असे सूचित केले की जर बाळाच्या लोकसंख्येमध्ये आईच्या नैराश्याच्या लक्षणांना पूर्णपणे असुरक्षितता असेल तर 23% ते 29% कमी मुले कमी वजन किंवा कमी वजन असणे आवश्यक आहे. निष्कर्ष: आईच्या नैराश्यामुळे बालपणात कमी वजन आणि वाढ कमी होणे हे दिसून येते. यंत्रणा आणि कारणे ओळखण्यासाठी कठोर संभाव्य अभ्यास आवश्यक आहेत. आईच्या नैराश्याचे लवकर निदान, उपचार आणि प्रतिबंध यामुळे विकसनशील देशांमध्ये मुलांचे वजन कमी होणे आणि कमी वजन कमी होण्यास मदत होऊ शकते. |
c596f88ccba5b7d5276ac6a9b68972fd7d14d959 | आयटी प्रणालीच्या आभासी जगाशी वास्तविक वस्तूंच्या भौतिक जगाला जोडल्याने, इंटरनेट ऑफ थिंग्जमध्ये एंटरप्राइझ जग तसेच समाज दोन्हीमध्ये लक्षणीय बदल करण्याची क्षमता आहे. तथापि, हा शब्द वेगवेगळ्या समुदायांद्वारे खूपच हायप केला जातो आणि वेगळ्या प्रकारे समजला जातो, विशेषतः कारण आयओटी हे तंत्रज्ञान नाही परंतु हे विविध अभियांत्रिकी क्षेत्राशी संबंधित असमान - बर्याचदा नवीन - तंत्रज्ञानाचे अभिसरण दर्शवते. एक सामान्य समजूतदारपणा येण्यासाठी काय आवश्यक आहे इंटरनेट ऑफ थिंग्जसाठी एक डोमेन मॉडेल आहे, मुख्य संकल्पना आणि त्यांचे संबंध परिभाषित करणे आणि सामान्य शब्दकोश आणि वर्गीकरण म्हणून काम करणे आणि अशा प्रकारे पुढील वैज्ञानिक प्रवचन आणि इंटरनेट ऑफ थिंग्जच्या विकासासाठी आधार म्हणून काम करणे. जसे आपण दाखवतो, अशा डोमेन मॉडेल असणे हे ठोस आयओटी सिस्टम आर्किटेक्चरच्या डिझाइनमध्ये देखील उपयुक्त आहे, कारण ते एक टेम्पलेट प्रदान करते आणि अशा प्रकारे वापर प्रकरणांचे विश्लेषण संरचना करते. |
5a9f4dc3e5d7c70d58c9512d7193d079c3331273 | आम्ही गॉसियन प्रोसेस डायनॅमिकल मॉडेल (जीपीडीएम) चा वापर 3 डी लोक ट्रॅकिंगसाठी मानवी पोझ आणि मोशन प्रायर्स शिकण्यासाठी करतो. जीपीडीएम मानवी हालचालींचा डेटा कमी परिमाणात समाविष्ट करतो, ज्यामध्ये घनता फंक्शन असते जे प्रशिक्षण डेटाच्या जवळच्या पोझ आणि हालचालींना अधिक संभाव्यता देते. बायसियन मॉडेलच्या सरासरीने जीपीडीएम तुलनेने कमी प्रमाणात डेटामधून शिकता येते आणि हे प्रशिक्षण संचाच्या बाहेरच्या हालचालींवर सौंदर्यपूर्णपणे सामान्य करते. येथे आपण जीपीडीएम बदलतो ज्यामुळे आपण लक्षणीय शैलीतील फरक असलेल्या हालचालींमधून शिकू शकतो. कमकुवत आणि गोंगाट करणारे प्रतिमा मोजमाप आणि लक्षणीय आच्छादन असूनही, परिणामी पूर्वज मानवी चालण्याच्या शैलीच्या श्रेणीचा मागोवा घेण्यासाठी प्रभावी आहेत. |
c3f2d101b616d82d07ca2cc4cb8ed0cb53fde21f | आम्ही मानवी अभ्यास केला आहे जेणेकरून आमच्या वर्तमान सीडी आणि ईएमडी मूल्यांचा संदर्भ दिला जाईल. आम्ही मानवी विषयाला एक जीयूआय साधन दिले जेणेकरून प्रतिमेपासून त्रिकोणी जाळी तयार केली जाऊ शकते. या साधनामुळे (चित्र १ पहा) वापरकर्त्याला 3 डी मध्ये जाळी संपादित करण्यास आणि मॉडेल केलेल्या ऑब्जेक्टला इनपुट प्रतिमेवर परत संरेखित करण्यास सक्षम करते. आमच्या वैधता संचातील इनपुट प्रतिमांमधून एकूण 16 मॉडेल तयार केले जातात. प्रत्येक मॉडेलमधून एन = १०२४ पॉईंट्सचे नमुने घेतले जातात. |
32791996c1040b9dcc34e71a05d72e5c649eeff9 | सामान्य दैनंदिन क्रियाकलापांमध्ये हृदयाच्या असामान्य विद्युत वर्तनाचा शोध घेण्यासाठी क्लिनिकल प्रॅक्टिसमध्ये अॅम्बुलेटर इलेक्ट्रोकार्डिओग्राफीचा वाढत्या प्रमाणात वापर केला जात आहे. या मॉनिटरिंगची उपयुक्तता श्वसनाच्या व्युत्पत्तीद्वारे सुधारली जाऊ शकते, जी पूर्वी रुग्ण स्थिर असलेल्या रात्रीच्या श्वासोच्छवासाच्या अभ्यासावर आधारित होती, किंवा तणाव चाचणीसाठी मल्टीलेड ईसीजी सिस्टमचा वापर. आम्ही सिंगल-लीड पोर्टेबल ईसीजी मॉनिटरमधून मिळवलेल्या सहा श्वसन मापनांची तुलना एका एंबुलेटरी नाक कनुला श्वसन मॉनिटरमधून मिळवलेल्या एकाच वेळी मोजलेल्या श्वसन हवेच्या प्रवाहाशी केली. दहा नियंत्रित १ तासाच्या रेकॉर्डिंगमध्ये दैनंदिन जीवनातील क्रियाकलाप (झुकणे, बसणे, उभे राहणे, चालणे, जॉगिंग करणे, धावणे आणि पायऱ्या चढणे) आणि सहा रात्रभर अभ्यास केले गेले. सर्वोत्तम पद्धत म्हणजे ०.२-०.८ हर्ट्झ बँडपास फिल्टर आणि आरआर अंतराच्या वाढीवर आणि कमी होण्यावर आधारित आरआर तंत्र. संदर्भ सोन्याच्या मानकांसह सरासरी त्रुटी दर प्रति मिनिट (bpm) +mn4 होते (सर्व क्रियाकलाप), +mn2 bpm (झुकलेले आणि बसलेले), आणि +mn1 प्रति मिनिट श्वास (रात्रभर अभ्यास). पूर्ण ईसीजी वेव्हफॉर्मवरून मिळवलेल्या सर्वोत्तम तंत्राच्या तुलनेत केवळ हृदय गती माहिती (आरआर तंत्र) वापरून सांख्यिकीयदृष्ट्या समान परिणाम प्राप्त झाले जे डेटा संकलन प्रक्रिया सुलभ करते. या अभ्यासातून असे दिसून आले आहे की, पारंपरिक पद्धतींपेक्षा लक्षणीय फरक न करता सिंगल लीड ईसीजीमधून डायनॅमिक क्रियाकलापांखाली श्वसनाचे निष्कर्ष काढता येतात. |
7eac1eb85b919667c785b9ac4085d8ca68998d20 | २. ई-लर्निंग आणि मोबाईल लर्निंगमध्ये फरक मोबाईल शिक्षणाचे मूल्य आणि फायदे मोबिल लर्निंगचे आव्हान आणि अडथळे: अभ्यासानुसार दूरस्थ शिक्षणाने समाजाला मोठे फायदे मिळवले आहेत. यामध्ये खालील बाबींचा समावेश आहे: आवश्यकतेनुसार प्रशिक्षण, कोणत्याही वेळी प्रशिक्षण; कोठेही प्रशिक्षण; शिकणा-यावर केंद्रित सामग्री; कामावर परत येण्याची समस्या टाळणे; करदात्यांचे प्रशिक्षण, आणि विद्यापीठ व्याख्याने आणि प्रशिक्षण केंद्रांमध्ये सत्रे पूर्णतः व्यस्त असलेले लोक; आणि शिक्षण आणि शिक्षणाचे औद्योगिकीकरण. तसेच, नोटबुक, मोबाईल टॅब्लेट, आयपॉड टच आणि आयपॅड हे मोबाईल शिक्षणात अतिशय लोकप्रिय आहेत कारण त्यांची किंमत आणि अॅप्सची उपलब्धता. ---------------------------------------- मी तुम्हाला सांगते. एक पिढीचे ज्ञान, ज्ञान आणि कौशल्य दुसऱ्या पिढीला देण्याची प्रक्रिया म्हणजे शिक्षण आणि प्रशिक्षण होय. आज व्यावसायिक शिक्षण आणि प्रशिक्षण दोन प्रकारचे आहेतः पारंपरिक शिक्षण आणि दूरस्थ शिक्षण. मोबाईल लर्निंग किंवा "एम-लर्निंग" हा मोबाईल डिव्हाइसद्वारे शिक्षण प्रक्रियेस समर्थन देण्यासाठी आधुनिक मार्ग प्रदान करतो, जसे की हँडहेल्ड आणि टॅब्लेट संगणक, एमपी 3 प्लेयर्स, स्मार्ट फोन आणि मोबाइल फोन. या दस्तऐवजात शिक्षणाच्या उद्देशाने मोबाईल शिक्षणाचा विषय सादर केला आहे. मोबाईल डिव्हाइसचा शिक्षण आणि शिक्षण पद्धतींवर कसा परिणाम झाला आहे याचा अभ्यास केला जातो आणि मोबाईल डिव्हाइसवर डिजिटल माध्यमांच्या वापरामुळे उपलब्ध असलेल्या संधींचा विचार केला जातो. या लेखाचा मुख्य उद्देश मोबाईल लर्निंगची सद्यस्थिती, त्याचे फायदे, आव्हाने आणि शिक्षण आणि शिक्षणाला पाठिंबा देण्यासाठीच्या अडथळ्यांचे वर्णन करणे हा आहे. या पेपरसाठी डेटा जानेवारी ते मार्च २०१३ या कालावधीत ग्रंथसंग्रह आणि इंटरनेट संशोधनाद्वारे गोळा करण्यात आला. या पेपरमध्ये चार प्रमुख क्षेत्रांचा उल्लेख केला जाईल: मोबाईल लर्निंगचे विश्लेषण. |
57820e6f974d198bf4bbdf26ae7e1063bac190c3 | |
8e393c18974baa8d5d704edaf116f009cb919463 | उच्च-गतीच्या सेरडेसला अनेक आव्हानांना सामोरे जावे लागते ज्यात उच्च-गतीचे ऑपरेशन, सघन समतोल तंत्र, कमी उर्जा वापर, लहान क्षेत्र आणि सामर्थ्य यांचा समावेश आहे. नवीन मानकांची पूर्तता करण्यासाठी, जसे की ओआयएफ सीईआय -25 जी-एलआर, सीईआय -28 जी-एमआर / एसआर / व्हीएसआर, आयईईई 802.3 बीजे आणि 32 जी-एफसी, डेटा रेट 25 ते 28 जीबी / से वाढविण्यात आले आहेत, जे मागील पिढीच्या सेर्डेसपेक्षा 75% जास्त आहे. एकाच चिपमध्ये अनेक शेकडो लेन एकत्रित केलेल्या सर्व्हर डेस अनुप्रयोगांसाठी, उच्च कार्यक्षमता राखत असताना वीज वापर हा एक अतिशय महत्वाचा घटक आहे. 28Gb/s किंवा त्यापेक्षा जास्त डेटा रेट [1-2] वर अनेक मागील कामे आहेत. ते गंभीर वेळ मर्यादा पूर्ण करण्यासाठी अनरोल्ड डीएफई वापरतात, परंतु अनरोल्ड डीएफई संरचना डीएफई स्लाइसर्सची संख्या वाढवते, एकूण शक्ती आणि मर मर्यादित क्षेत्र वाढवते. या आव्हानांना तोंड देण्यासाठी आम्ही अनेक सर्किट आणि आर्किटेक्चरल तंत्रे आणत आहोत. अॅनालॉग फ्रंट-एंड (एएफई) एक-चरण आर्किटेक्चर आणि ट्रान्सइम्पेडन्स अॅम्प्लीफायर (टीआयए) मध्ये कॉम्पॅक्ट ऑन-चिप निष्क्रिय इंडक्टर वापरते, जे 15 डीबी बूस्ट प्रदान करते. बूस्ट अॅडॅप्टिव्ह आहे आणि त्याचे अॅडॅप्टेशन लूप ग्रुप-डिलॅट अॅडॅप्टेशन (जीडीए) अल्गोरिदमच्या वापराद्वारे निर्णय-प्रतिसाद इक्वलाइझर (डीएफई) अॅडॅप्टेशन लूपपासून डिस्कॉप्ड केले जाते. डीएफईमध्ये अर्धा-दर 1-टॅप अनरोल्ड स्ट्रक्चर आहे ज्यामध्ये शक्ती आणि क्षेत्र कमी करण्यासाठी 2 एकूण त्रुटी लॉच आहेत. दोन टप्प्यांचा सेन्स-एम्प्लीफायर आधारित स्लाइसर 15mV आणि DFE टाइमिंग क्लोजरची संवेदनशीलता प्राप्त करतो. आम्ही एक वेगवान घड्याळ बफर विकसित केला आहे जो नवीन सक्रिय-इंडक्टर सर्किट वापरतो. या सक्रिय-इंडक्टर सर्किटमध्ये सर्किट ऑपरेटिंग पॉईंट्सचे अनुकूलन करण्यासाठी आउटपुट-कॉमन-मोड व्होल्टेज नियंत्रित करण्याची क्षमता आहे. |
505c58c2c100e7512b7f7d906a9d4af72f6e8415 | पृष्ठ ii जटिल अनुकूली प्रणाली जॉन एच. हॉलंड, क्रिस्टोफर लँगटन आणि स्टीवर्ट डब्ल्यू. विल्सन, सल्लागार नैसर्गिक आणि कृत्रिम प्रणालींमध्ये अनुकूलन: जीवशास्त्र, नियंत्रण आणि कृत्रिम बुद्धिमत्तेच्या अनुप्रयोगांसह एक प्रास्ताविक विश्लेषण, एमआयटी प्रेस संस्करण जॉन एच. हॉलंड स्वायत्त प्रणालींच्या सरावाकडे: फ्रान्सिस्को जे. वरेला आणि पॉल बोर्गिन यांनी संपादित केलेल्या कृत्रिम जीवनावर पहिल्या युरोपियन परिषदेची कार्यवाही अनुवांशिक प्रोग्रामिंगः नैसर्गिक निवडीच्या माध्यमातून संगणकाच्या प्रोग्रामिंगवर जॉन आर. कोझा |
3a46c11ad7afed8defbb368e478dbf94c24f43a3 | मोठ्या प्रमाणात डेटाच्या प्रक्रियेवर अवलंबून असलेल्या वैज्ञानिक समस्यांना अनेक क्षेत्रांतील आव्हानांचा सामना करावा लागतोः मोठ्या प्रमाणात डेटा वितरण व्यवस्थापित करणे, संगणकीय संसाधनांसह डेटाचे सह-स्थापन आणि शेड्यूलिंग करणे आणि मोठ्या प्रमाणात डेटा संग्रहित करणे आणि हस्तांतरित करणे. आम्ही डेटा-केंद्रित अनुप्रयोगांसाठी दोन प्रमुख पॅराडिग्म्सच्या इकोसिस्टमचे विश्लेषण करतो, ज्याला उच्च-कार्यक्षमता संगणन आणि अपाचे-हॅडॉप पॅराडिग्म म्हणून संदर्भित केले जाते. आम्ही एक आधार, एक सामान्य शब्दसंग्रह आणि कार्यशील घटक प्रस्तावित करतो ज्यावर दोन्ही पॅराडिग्म्सच्या दोन दृष्टिकोनांचे विश्लेषण केले जाऊ शकते. आम्ही "बिग डेटा ओग्रेस" या संकल्पनेवर चर्चा करतो आणि त्याचे पैलू हे दोन पॅराडिग्म्समध्ये आढळणारे सर्वात सामान्य अनुप्रयोग वर्कलोड समजून घेण्याचे आणि वैशिष्ट्यीकृत करण्याचे साधन म्हणून आहेत. त्यानंतर आम्ही या दोन पॅराडिग्म्सच्या ठळक वैशिष्ट्यांबद्दल चर्चा करू आणि या दोन पद्धतींची तुलना आणि तुलना करू. विशेषतः, आम्ही या पॅराडिग्म्सच्या सामान्य अंमलबजावणी / पद्धतींचा अभ्यास करू, त्यांच्या सध्याच्या "आर्किटेक्चर" च्या कारणांचा प्रकाश टाकू आणि त्यांचा वापर करणाऱ्या काही विशिष्ट वर्कलोड्सवर चर्चा करू. सॉफ्टवेअरमधील लक्षणीय फरक असूनही, आम्हाला विश्वास आहे की आर्किटेक्चरमध्ये समानता आहे. आम्ही वेगवेगळ्या स्तरांवर आणि घटकांवर वेगवेगळ्या अंमलबजावणीच्या संभाव्य एकात्मताबद्दल चर्चा करतो. आमच्या तुलनात्मक पद्धतीमध्ये दोन प्रकारच्या पद्धतींचा पूर्णपणे गुणात्मक अभ्यास करण्यापासून अर्ध-क्वांटिटेटिव्ह पद्धतीकडे वाटचाल केली आहे. आम्ही एक साधे आणि मोठ्या प्रमाणावर वापरले जाणारे ओगरे (के-मीन्स क्लस्टरिंग) वापरतो, दोन्ही पॅराडिग्म्सच्या अनेक अंमलबजावणींचा समावेश करून प्रतिनिधीत्व प्लॅटफॉर्मच्या श्रेणीवर त्याचे कार्यप्रदर्शन दर्शवितो. आमच्या प्रयोगांमुळे या दोन प्रकारच्या दृष्टिकोनातील सापेक्ष शक्ती समजण्यास मदत होते. आम्ही प्रस्तावित करतो की, ऑग्रेस या संचाने दोन पॅराडाइमजचे वेगवेगळ्या आयामांवर मूल्यांकन करण्यासाठी एक बेंचमार्क म्हणून काम केले पाहिजे. |
dc7024840a4ba7ab634517fae53e77695ff5dda9 | या पेपरमध्ये आम्ही एक नवीन ऊर्जा कार्यक्षम दृष्टिकोन प्रस्तावित करतो मानवी क्रियाकलापांची ओळख स्मार्टफोन्स वापरून वेअरेबल सेन्सिंग डिव्हाइस म्हणून, सहाय्यक लिव्हिंग अॅप्लिकेशन्स लक्ष्यित करते जसे की अपंग आणि वृद्ध लोकांसाठी रुग्णांच्या क्रियाकलापांचे दूरस्थ निरीक्षण. या पद्धतीमध्ये फिक्स्ड पॉईंट अंकगणित वापरून सुधारित मल्टीक्लास सपोर्ट वेक्टर मशीन (एसव्हीएम) लर्निंग अल्गोरिदमचा प्रस्ताव दिला जातो, ज्यामुळे सिस्टमची अचूकता पातळी समान ठेवून पारंपारिक फ्लोटिंग पॉईंट आधारित फॉर्म्युलेशनच्या संदर्भात स्मार्टफोन बॅटरीचे आयुष्य अधिक चांगले राखता येते. या पद्धतीचा वापर करून पारंपारिक एसव्हीएमच्या तुलनेत ओळखण्याची क्षमता आणि बॅटरीचा वापर या दोन्ही गोष्टींमध्ये फरक दिसून येतो. |
f4cdd1d15112a3458746b58a276d97e79d8f495d | न्यूरल नेटवर्कच्या इनपुटच्या संदर्भात आउटपुटच्या ग्रेडियंट नॉर्मला नियमित करणे ही एक शक्तिशाली तंत्र आहे, जी अनेक वेळा पुन्हा शोधली गेली आहे. या पेपरमध्ये पुरावा सादर केला आहे की ग्रेडियंट रेग्युलरायझेशनने दृश्यात्मक कामांवर वर्गीकरण अचूकतेत सातत्याने सुधारणा केली जाऊ शकते, आधुनिक खोल न्यूरल नेटवर्कचा वापर करून, विशेषतः जेव्हा प्रशिक्षण डेटाची मात्रा कमी असते. आम्ही आमच्या रेग्युलेरेटरची ओळख याकोबियन-आधारित रेग्युलेरेटरच्या व्यापक वर्गाच्या सदस्यांप्रमाणे करतो. आम्ही प्रत्यक्ष आणि कृत्रिम डेटावर अनुभवजन्यपणे दाखवतो की शिकण्याची प्रक्रिया प्रशिक्षण बिंदूंच्या पलीकडे नियंत्रित केलेल्या ग्रेडियंट्सकडे जाते आणि त्या निकालांमध्ये सामान्यीकरण चांगले होते. |
984df1f081fbd623600ec45635e5d9a4811c0aef | दोन विव्हल्डी अँटेना अॅरे सादर केले गेले आहेत. पहिला म्हणजे, 8 घटकांचा एक सपाट स्लॉट अॅरे, ज्यामध्ये 1.2 ते 4 जीएचझेड बँडचा समावेश आहे. दुसरा 16-घटक विरोधीपौड अॅरे आहे जो कोरड्या भिंतीतून प्रवेश करताना उच्च रिझोल्यूशन प्रतिमांसाठी 8 ते 10.6 जीएचझेडवर कार्य करतो. दोन डिझाईन्सच्या आधारे आणि व्हिव्हल्डी अँटेना अॅरेला पोसण्यासाठी मायक्रोस्ट्रिप ट्रान्झिशनला चिकट वाइड बँड स्लॉटचा वापर करून, 1-10 जीएचझेड फ्रिक्वेन्सी बँड कव्हर केला जाऊ शकतो. पर्यायाने, डिझाइन 1-3 GHz किंवा 8-10 GHz बँड कव्हर करण्यासाठी एक पुनर्रचना करण्यायोग्य रचना मध्ये वापरले जाऊ शकते. प्रयोगात्मक आणि मोजमापांचे परिणाम पूर्ण झाले आहेत आणि त्यावर सविस्तर चर्चा केली जाईल. या डिझाईन्सचा कॉम्पॅक्ट, रीकॉन्फिगर करण्यायोग्य आणि पोर्टेबल सिस्टिमच्या विकासावर मोठा परिणाम होईल. |
e3f4fdf6d2f10ebe4cfc6d0544afa63976527d60 | या लेखात रेडिओ खगोलशास्त्रीय उपकरणासाठी 324-घटक 2-डी ब्रॉडसाइड अॅरे सादर केले आहे जे दोन परस्पर आडव्या ध्रुवीकरणास संवेदनशील आहे. क्रॉस-आकारातील संरचनेत चार विव्हल्डी अँटेनांच्या गटामध्ये क्रूसिफॉर्म युनिट्सचा समावेश आहे. या अॅरेमध्ये वापरल्या जाणाऱ्या विव्हल्डी अँटेनामध्ये ३ जीएचझेडमध्ये ८७.५ डिग्री आणि ६ जीएचझेडमध्ये ४४.२ डिग्रीच्या सममित मुख्य बीमसह किरणे तीव्रता वैशिष्ट्य दर्शविली जाते. मापाची कमाल बाजू/बॅकलोब पातळी मुख्य प्रकाश पातळीपेक्षा 10.3 डीबी कमी आहे. अॅरे 5.4 जीएचझेडच्या उच्च वारंवारतेवर ग्रिटिंग लोब तयार केल्याशिवाय ऑपरेट करू शकते. |
1a090df137014acab572aa5dc23449b270db64b4 | |
9ae252d3b0821303f8d63ba9daf10030c9c97d37 | आम्ही नैसर्गिक दृश्यांच्या श्रेणी शिकण्यासाठी आणि ओळखण्यासाठी एक नवीन दृष्टिकोन प्रस्तावित करतो. पूर्वीच्या कामाच्या विपरीत, तज्ञांना प्रशिक्षण संच टिपण्याची आवश्यकता नाही. आम्ही स्थानिक क्षेत्रांच्या संचिकेद्वारे एखाद्या दृश्याची प्रतिमा प्रस्तुत करतो, ज्यास कोडवर्ड्स म्हणून दर्शविले जाते जे अनसुप्रोवेटेड लर्निंगद्वारे प्राप्त केले जातात. प्रत्येक प्रदेश एका "थीम" चा भाग म्हणून दर्शविला जातो. पूर्वीच्या कामामध्ये तज्ञांच्या हस्त-अॅनोटेशनमधून अशा थीम शिकल्या गेल्या, तर आमची पद्धत थीम वितरण तसेच पर्यवेक्षकाशिवाय थीमवर कोडवर्ड वितरण शिकते. आम्ही 13 श्रेणींच्या जटिल दृश्यांच्या मोठ्या संचावर समाधानकारक वर्गीकरण कामगिरीची नोंद केली आहे. |
fa6cbc948677d29ecce76f1a49cea01a75686619 | या पेपरमध्ये, आम्ही वास्तविक जगाच्या दृश्यांच्या ओळखीचे संगणकीय मॉडेल प्रस्तावित करतो जे वैयक्तिक वस्तू किंवा प्रदेशांचे विभाजन आणि प्रक्रिया टाळते. ही प्रक्रिया दृश्याच्या अगदी कमी परिमाणातल्या प्रतिमेवर आधारित आहे, ज्याला आपण स्पेसियल एन्व्हॉल्व्ह म्हणतो. आम्ही एक संच समजते परिमाण (नैसर्गिकता, मोकळेपणा, उग्रता, विस्तार, खडबडीतपणा) जे दृश्याच्या प्रमुख स्थानिक संरचनेचे प्रतिनिधित्व करतात. मग, आम्ही हे दाखवतो की हे परिमाण स्पेक्ट्रल आणि मोकळेपणाने स्थानिक माहिती वापरून विश्वासार्हपणे अंदाज लावले जाऊ शकतात. मॉडेल एक बहुआयामी जागा निर्माण करते ज्यामध्ये सिमेंटिक श्रेणींमध्ये (उदाहरणार्थ, रस्त्यांची, महामार्ग, किनारे) सदस्यता सामायिक करणारे दृश्ये एकत्र बंद केली जातात. जागेच्या लिफाफा मॉडेलची कामगिरी दर्शवते की ऑब्जेक्ट आकार किंवा ओळखीबद्दल विशिष्ट माहिती दृश्याच्या वर्गीकरणाची आवश्यकता नाही आणि दृश्याचे समग्र प्रतिनिधित्व मॉडेलिंग त्याच्या संभाव्य सिमेंटिक श्रेणीबद्दल माहिती देते. |
1ac52b7d8db223029388551b2db25657ed8c9852 | या पेपरमध्ये, आम्ही अनेक समान अंदाज करण्याच्या कामांचा समावेश असलेल्या समस्यांसाठी मशीन-लर्निंग सोल्यूशनचा प्रस्ताव ठेवतो. प्रत्येक वैयक्तिक कामामध्ये अतिरेकी होण्याचा धोका असतो. आम्ही दोन प्रकारचे ज्ञान हस्तांतरण एकत्र करतो हे धोका कमी करण्यासाठी: बहु-कार्य शिक्षण आणि पदानुक्रमित बेझियन मॉडेलिंग. मल्टी-टास्क लर्निंग हा असा गृहीत धरतो की सध्याच्या कामासाठी वैशिष्ट्यपूर्ण वैशिष्ट्ये अस्तित्वात आहेत. या वैशिष्ट्यांचा शोध घेण्यासाठी आम्ही दोन थरांचे तंत्रिका जाळे तयार करतो. प्रत्येक कामाचे स्वतःचे आउटपुट असते, परंतु इनपुटपासून लपलेल्या युनिट्सपर्यंतचे वजन इतर सर्व कामांसह सामायिक करते. या प्रकारे संभाव्य स्पष्टीकरणात्मक चलनांचा (नेटवर्क इनपुट) तुलनेने मोठा संच वैशिष्ट्यांच्या (लपविलेल्या युनिट्स) संचाने कमी केला जातो. या वैशिष्ट्यांचा संच आणि योग्य प्रमाणात रूपांतरानंतर, आम्ही असे मानतो की कार्ये अदलाबदल करण्यायोग्य आहेत. या गृहीतकामुळे एक श्रेणीबद्ध बेझियन विश्लेषण शक्य होते ज्यामध्ये हायपरपॅरामीटरचा डेटा पासून अंदाज लावला जाऊ शकतो. या हायपर-रेमेटर प्रभावीपणे रेग्युलेटर म्हणून कार्य करतात आणि अति-उत्पादनास प्रतिबंधित करतात. आम्ही वेळ मालिका मध्ये nonstationarities विरुद्ध प्रणाली मजबूत कसे करण्यासाठी वर्णन आणि पुढील सुधारणा दिशानिर्देश द्या. आम्ही वृत्तपत्रांच्या विक्रीच्या अंदाजानुसार आमच्या कल्पना एका डेटाबेसवर स्पष्ट करतो. |
1e56ed3d2c855f848ffd91baa90f661772a279e1 | आम्ही मजकूर आणि वेगळ्या डेटाच्या इतर संग्रहणासाठी एक जनरेटिव्ह मॉडेल प्रस्तावित करतो जे नैव बेज / युनिग्राम, युनिग्रामचे मिश्रण [6] आणि हॉफमनचे पैलू मॉडेल यासह अनेक मागील मॉडेलवर सामान्यीकरण किंवा सुधारणा करते, ज्याला संभाव्य लॅटेन्ट सिमेंटिक इंडेक्सिंग (पीएलएसआय) [3] म्हणून देखील ओळखले जाते. मजकूर मॉडेलिंगच्या संदर्भात, आमचे मॉडेल असे मानते की प्रत्येक दस्तऐवज विषयांच्या मिश्रणाच्या रूपात तयार केले जाते, जिथे सतत-मूल्यवान मिश्रण प्रमाण लॅटेंट डायरिचलेट यादृच्छिक चल म्हणून वितरित केले जाते. अनुमान आणि शिक्षण वैविध्यपूर्ण अल्गोरिदमद्वारे कार्यक्षमतेने केले जाते. आम्ही या मॉडेलच्या अनुप्रयोगांवर मजकूर मॉडेलिंग, सहयोगी फिल्टरिंग आणि मजकूर वर्गीकरणातील समस्यांवर अनुभवजन्य परिणाम सादर करतो. |
e990a41e8f09e0ef4695c39af351bf25f333eefa | |
1f8116db538169de3553b1091e82107f7594301a | |
539ea86fa738afd939fb18566107c971461f8548 | संरचित आउटपुट स्पेस (स्ट्रिंग्ज, झाडे, विभाजन इत्यादी) साठी मॅपिंग सामान्यतः वर्गीकरण अल्गोरिदमच्या विस्तारांचा वापर करून साध्या ग्राफिकल संरचना (उदाहरणार्थ, रेषेचा साखळी) शिकले जातात ज्यामध्ये शोध आणि पॅरामीटर अंदाज अचूकपणे केला जाऊ शकतो. दुर्दैवाने, अनेक जटिल समस्यांमध्ये, अचूक शोध किंवा पॅरामीटर अंदाज हा दुर्मिळ आहे. अचूक मॉडेल शिकण्याऐवजी आणि हेरिस्टिक माध्यमांद्वारे शोध घेण्याऐवजी, आम्ही या अडचणीचा स्वीकार करतो आणि अंदाजे शोधाच्या दृष्टीने संरचित आउटपुट समस्येचा उपचार करतो. आम्ही शोध ऑप्टिमायझेशन म्हणून शिकण्यासाठी एक फ्रेमवर्क सादर करतो, आणि दोन पॅरामीटर अद्यतने ज्यात अभिसरण the-orems आणि सीमा आहेत. अनुभवजन्य पुराव्यावरून हे दिसून येते की शिकणे आणि डीकोडिंगसाठीचा आपला एकात्मिक दृष्टिकोन कमी संगणकीय खर्चासह अचूक मॉडेलपेक्षा अधिक कार्यक्षम असू शकतो. |
1219fb39b46aabd74879a7d6d3c724fb4e55aeae | तंत्रज्ञान उद्योजकतेचा दृष्टीकोन आम्ही विकसित करतो. हा दृष्टीकोन विविध प्रकारच्या कलाकारांमध्ये वितरित केला जातो. प्रत्येक अभिनेता तंत्रज्ञानाशी संबंधित होतो आणि या प्रक्रियेत, इनपुट तयार करतो ज्याचा परिणाम उदयोन्मुख तंत्रज्ञानाच्या मार्गाच्या परिवर्तनात होतो. तंत्रज्ञानाच्या मार्गातील इनपुटचे स्थिर संचय एक गती निर्माण करते जे वितरित कलाकारांच्या क्रियाकलापांना सक्षम आणि प्रतिबंधित करते. दुसऱ्या शब्दांत, एजन्सी केवळ वितरितच नाही तर ती अंतर्भूतही आहे. आम्ही हा दृष्टिकोन डेन्मार्क आणि अमेरिकेत पवन ऊर्जेच्या उदयाला कारणीभूत असलेल्या प्रक्रियेच्या तुलनात्मक अभ्यासाद्वारे स्पष्ट करतो. आमच्या तुलनात्मक अभ्यासाद्वारे आम्ही "ब्रिकोलेज" आणि "ब्रेकथ्रू" या तंत्रज्ञानाच्या मार्गांना आकार देण्यासाठी कलाकारांच्या गुंतवणूकीच्या विरूद्ध दृष्टिकोन म्हणून स्पष्ट करतो. © 2002 Elsevier Science B. V. सर्व हक्क राखीव आहेत. |
2266636d87e44590ade738b92377d1fe1bc5c970 | |
2af586c64c32baeb445992e0ea6b76bbbbc30c7f | |
0e8b8e0c37b0ebc9c36b99103a487dbbbdf9ee97 | |
2c03df8b48bf3fa39054345bafabfeff15bfd11d | खोल मज्जासंस्थेचे जाळे प्रशिक्षित करणे अधिक कठीण असते. आम्ही एक अवशिष्ट शिक्षण फ्रेमवर्क सादर करतो जे पूर्वी वापरल्या गेलेल्या नेटवर्कपेक्षा लक्षणीय खोल नेटवर्कचे प्रशिक्षण सुलभ करते. आपण स्पष्टपणे परत परत इनपुट संदर्भात अवशिष्ट कार्य शिकत म्हणून परत reformulate, ऐवजी unreferenced कार्ये शिकत. आम्ही व्यापक अनुभवजन्य पुरावा प्रदान करतो जे दर्शविते की हे अवशिष्ट नेटवर्क अनुकूलित करणे सोपे आहे आणि लक्षणीय वाढलेल्या खोलीतून अचूकता मिळवू शकते. इमेजनेट डेटासेटवर आम्ही 152 लेयर्सच्या खोलीच्या अवशिष्ट जाळ्याचे मूल्यांकन करतो - व्हीजीजी नेटपेक्षा 8x खोल [40] परंतु तरीही कमी जटिलता आहे. या अवशिष्ट जाळ्यांच्या संचाने इमेजनेट चाचणी सेटवर 3.57% त्रुटी प्राप्त केली. या परिणामामुळे आयएलएसव्हीआरसी 2015 वर्गीकरण कार्यामध्ये प्रथम स्थान मिळाले. आम्ही CIFAR-10 वर 100 आणि 1000 लेयर्ससह विश्लेषण देखील सादर करतो. अनेक दृश्य ओळख कार्यांसाठी प्रतिनिधित्वची खोली ही अत्यंत महत्वाची आहे. केवळ आमच्या अत्यंत खोल प्रतिनिधित्व केल्यामुळे, आम्ही कोको ऑब्जेक्ट डिटेक्शन डेटासेटवर 28% सापेक्ष सुधारणा प्राप्त करतो. डीप रेसिडियल नेट हे आयएलएसव्हीआरसी आणि कोको 2015 स्पर्धांमध्ये आमच्या सबमिशनचे आधार आहेत, जिथे आम्ही इमेजनेट शोध, इमेजनेट स्थानिकीकरण, कोको शोध आणि कोको सेगमेंटेशनच्या कार्यांवर प्रथम स्थान मिळवले. |
5763c2c62463c61926c7e192dcc340c4691ee3aa | आम्ही एका प्रतिमेच्या सुपर रेझोल्यूशन (एसआर) साठी खोल शिकण्याची पद्धत प्रस्तावित करतो. आमची पद्धत थेट कमी/उच्च रिझोल्यूशनच्या प्रतिमांमध्ये एक अंत-टू-एंड मॅपिंग शिकते. मॅपिंगला डीप कन्वॉल्युशनल न्यूरल नेटवर्क (सीएनएन) [15] म्हणून दर्शविले जाते जे कमी रिझोल्यूशन प्रतिमा इनपुट म्हणून घेते आणि उच्च-रिझोल्यूशन आउटपुट करते. आम्ही पुढे दाखवतो की पारंपारिक स्पर-कोडिंग-आधारित एसआर पद्धती देखील खोल कन्वॉल्युशनल नेटवर्क म्हणून पाहिल्या जाऊ शकतात. पण पारंपारिक पद्धतींप्रमाणे प्रत्येक घटक स्वतंत्रपणे हाताळतात, आमची पद्धत सर्व स्तर एकत्रितपणे अनुकूल करते. आमच्या गहन सीएनएनची एक हलकी रचना आहे, तरीही अत्याधुनिक पुनर्संचयित गुणवत्ता दर्शवते, आणि व्यावहारिक ऑनलाईन वापरासाठी वेगवान गती प्राप्त करते. |
2db168f14f3169b8939b843b9f4caf78c3884fb3 | या पत्रात, आरएफ उर्जा संकलनासाठी ब्रॉडबँड वाकलेला त्रिकोणी सर्व दिशांचा अँटेना सादर केला आहे. अँटेनाची 850 मेगाहर्ट्झ ते 1.94 गीगाहर्ट्झ पर्यंत व्हीएसडब्ल्यूआर ≤ 2 साठी बँडविड्थ आहे. अँटेनाला क्षैतिज आणि अनुलंब ध्रुवीकृत लाटा दोन्ही प्राप्त करण्यासाठी डिझाइन केलेले आहे आणि संपूर्ण बँडविड्थवर स्थिर किरणे नमुना आहे. एनर्जी हार्वेस्टिंग अॅप्लिकेशनसाठी अँटेना देखील ऑप्टिमाइझ केले गेले आहे आणि हे रेक्टिफायरला निष्क्रिय व्होल्टेज अॅम्प्लीफिकेशन आणि इम्पॅडन्स जुळवून देण्यासाठी 100 Ω इनपुट इम्पॅडन्ससाठी डिझाइन केलेले आहे. ६०% आणि १७% ची पीक इफेक्टिव्हिटी ५०० ओएच लोडसाठी अनुक्रमे ९८० आणि १८०० मेगाहर्ट्झवर मिळते. एका सेल साइटवर सर्व बँड एकाच वेळी काढताना, 3.76 व्ही ओपन सर्किटसाठी आणि 1.38 व्ही 4.3 के ओएच भारावर 25 मीटर अंतरावर रेक्टिनाच्या दोन घटकांच्या अॅरेचा वापर करून मिळते. |
484ac571356251355d3e24dcb23bdd6d0911bd94 | अलीकडील वैज्ञानिक आणि तांत्रिक प्रगतीमुळे आलेखांप्रमाणे मॉडेल केलेले संरचनात्मक नमुने भरपूर प्रमाणात दिसून आले आहेत. परिणामी, मोठ्या ग्राफ डेटाबेसवर प्रभावीपणे ग्राफ कंटेनमेंट क्वेरीवर प्रक्रिया करणे विशेष स्वारस्य आहे. ग्राफ डेटाबेस G आणि क्वेरी ग्राफ q दिलेला असेल तर ग्राफ कंटेनमेंट क्वेरी म्हणजे जी मधील सर्व ग्राफ्स ज्यामध्ये q उपग्राफ म्हणून समाविष्ट आहे. जी मध्ये आलेखांची संख्या मोठी असल्याने आणि उप आलेख समरूपता चाचणीसाठी जटिलतेच्या स्वरूपामुळे, क्वेरी प्रक्रियेची एकूण किंमत कमी करण्यासाठी उच्च-गुणवत्तेच्या आलेख अनुक्रमणिका यंत्रणेचा वापर करणे इष्ट आहे. या लेखात, आम्ही ग्राफ डेटाबेसच्या वारंवार झाडाच्या वैशिष्ट्यांवर आधारित नवीन किफायतशीर आलेख अनुक्रमणिका पद्धतीचा प्रस्ताव ठेवतो. आम्ही झाडाची कार्यक्षमता आणि कार्यक्षमता तीन महत्त्वपूर्ण पैलूंवरुन विश्लेषण करतो: वैशिष्ट्याचा आकार, वैशिष्ट्य निवड खर्च आणि कटिंग पॉवर. विद्यमान आलेख-आधारित अनुक्रमणिका पद्धतींपेक्षा चांगली कापणी क्षमता प्राप्त करण्यासाठी, आम्ही वारंवार झाडाच्या वैशिष्ट्यांव्यतिरिक्त, मागणीनुसार, कमी खर्चिक आलेख खाण प्रक्रियेशिवाय, थोड्या प्रमाणात भेदभाव करणारे आलेख (∆) निवडतो. आमच्या अभ्यासाने हे सिद्ध केले आहे की (Tree+∆) ग्राफच्या निर्देशांकनासाठी आलेखपेक्षा चांगली निवड आहे, (Tree+∆ ≥Graph) म्हणून दर्शविली जाते, आलेख समावेशन क्वेरी समस्येचे निराकरण करण्यासाठी. याचे दोन परिणाम आहेत: (1) (Tree+∆) द्वारे निर्देशांक बांधणी कार्यक्षम आहे, आणि (2) (Tree+∆) द्वारे आलेख समावेशन क्वेरी प्रक्रिया कार्यक्षम आहे. आमच्या प्रयोगात्मक अभ्यासातून असे दिसून आले आहे की (Tree+∆) ची संक्षिप्त अनुक्रमणिका रचना आहे, अनुक्रमणिका बांधणीमध्ये परिमाणाने अधिक चांगली कामगिरी प्राप्त करते आणि सर्वात महत्वाचे म्हणजे, आलेख-आधारित अनुक्रमणिका पद्धतींमध्ये अद्ययावत कार्य करतेः ग्राफ कंटेनमेंट क्वेरी प्रक्रियेमध्ये जीआयंडेक्स आणि सी-ट्री. |
22749899b50c5113516b9820f875a580910aa746 | एल १ आणि एल २ बँड जीपीएस सिग्नल दोन्ही प्राप्त करण्यासाठी विकसित केलेल्या लहान स्लॉट-लोड पॅच अँटेना डिझाइनवर चर्चा केली जाते. ड्युअल बँड कव्हरेज L2 बँडमध्ये पॅच मोड आणि L1 बँडमध्ये स्लॉट मोडचा वापर करून मिळते. उच्च विद्युतरोधक सामग्री आणि मिरर स्लॉट लाइनचा वापर करून, अँटेनाचा आकार 25.4 मिमी व्यासापर्यंत कमी केला जातो. आरएचसीपी दोन ऑर्थोगोनल मोड्सला एकत्र करून 0°-90° हायब्रिड चिपच्या माध्यमातून मिळते. पॅच आणि स्लॉट मोड दोन्हीमध्ये एकच निकटता जांच आहे जी अँटेनाच्या बाजूला सोयीस्करपणे स्थित आहे (चित्र.१). या पेपरमध्ये डिझाईन प्रक्रियेबद्दल तसेच सिमुलेटेड अँटेना कामगिरीबद्दल चर्चा केली आहे. |
afbe59950a7d452ce0a3f412ee865f1e1d94d9ef | यामध्ये मानवी हस्तक्षेप कमीत कमी करून मोठ्या प्रमाणात वर्तनविषयक कौशल्ये शिकण्यासाठी स्वायत्त रोबोट्सना सक्षम करण्याचे आश्वासन दिले आहे. तथापि, मजबुतीकरण शिक्षणाचे रोबोट अनुप्रयोग बर्याचदा वास्तविक भौतिक प्रणालींसाठी व्यावहारिक प्रशिक्षण वेळा प्राप्त करण्याच्या बाजूने शिक्षण प्रक्रियेच्या स्वायत्ततेशी तडजोड करतात. यात सहसा हाताने तयार केलेले धोरणात्मक प्रतिनिधित्व आणि मानवी पुरवठा केलेले प्रात्यक्षिक समाविष्ट असतात. डीप रीइन्फोर्समेंट लर्निंग सामान्य हेतूच्या तंत्रिका नेटवर्क धोरणांना प्रशिक्षण देऊन ही मर्यादा कमी करते, परंतु थेट डीप रीइन्फोर्समेंट लर्निंग अल्गोरिदमचे अनुप्रयोग आतापर्यंत सिम्युलेटेड सेटिंग्ज आणि तुलनेने सोप्या कार्ये इतकेच मर्यादित आहेत, कारण त्यांच्या स्पष्ट उच्च नमुना जटिलतेमुळे. या पेपरमध्ये, आम्ही दाखवतो की, सखोल क्यू-फंक्शन्सच्या ऑफ-पॉलिसी ट्रेनिंगवर आधारित एक अलीकडील सखोल मजबुतीकरण शिक्षण अल्गोरिदम जटिल 3 डी मॅनिपुलेशन टास्कवर स्केल करू शकतो आणि वास्तविक भौतिक रोबोटवर प्रशिक्षित करण्यासाठी पुरेसे कार्यक्षमतेने खोल न्यूरल नेटवर्क धोरणे शिकू शकतो. आम्ही दाखवतो की प्रशिक्षण वेळ आणखी कमी केला जाऊ शकतो अनेक रोबोट्समध्ये अल्गोरिदम समांतर करून जे त्यांचे धोरण अद्यतने अतुल्यकालिकपणे एकत्र करतात. आमच्या प्रयोगात्मक मूल्यमापनातून असे दिसून आले आहे की, आमची पद्धत सिम्युलेशनमध्ये विविध प्रकारचे 3 डी मॅनिपुलेशन कौशल्य आणि वास्तविक रोबोट्सवर जटिल दरवाजा उघडण्याचे कौशल्य शिकू शकते कोणत्याही पूर्व प्रात्यक्षिक किंवा हाताने डिझाइन केलेल्या प्रतिनिधित्वशिवाय. |
b8aa8b5d06c98a900d8cea61864669b28c3ac0fc | या लेखात वाहन वातावरणात व्हेइकल डेले टॉलरंट नेटवर्क्स (व्हीडीटीएन) मध्ये रूटिंगसाठी प्रस्तावित रूटिंग प्रोटोकॉलचा व्यापक आढावा दिला आहे. डीटीएन विविध ऑपरेशनल वातावरणात वापरले जातात, ज्यात व्यत्यय आणि डिस्कनेक्शन आणि उच्च विलंब असलेल्या, जसे की व्हेइकल अॅड-हॉक नेटवर्क (व्हॅनेट) यांचा समावेश आहे. आम्ही एका विशेष प्रकारच्या व्हेनेटवर लक्ष केंद्रित करतो, जिथे वाहनांचा वाहतूक कमी आहे आणि संप्रेषण करणार्या पक्षांमधील थेट एंड-टू-एंड मार्ग नेहमीच अस्तित्वात नसतात. त्यामुळे या संदर्भातील दळणवळण व्हेइकल डेट टॉलरंट नेटवर्क (व्हीडीटीएन) या श्रेणीत येते. आरएसयू (रोड साइड युनिट) च्या मर्यादित ट्रान्समिशन रेंजमुळे व्हीडीटीएनमधील दूरस्थ वाहने थेट आरएसयूशी कनेक्ट होऊ शकत नाहीत आणि अशा प्रकारे पॅकेट्स रिले करण्यासाठी इंटरमीडिएट वाहनांवर अवलंबून रहावे लागते. मेसेज रिले प्रक्रियेदरम्यान, अत्यंत विभाजन केलेल्या व्हेनेटमध्ये पूर्ण एंड-टू-एंड पथ अस्तित्वात नसतील. म्हणून, मध्यवर्ती वाहनांना संदेश संधीच्या मार्गाने बफर करणे आणि पाठवणे आवश्यक आहे. बफर, कॅरी आणि फॉरवर्डच्या माध्यमातून, संदेश शेवटी गंतव्यस्थानापर्यंत पोहोचू शकतो जरी स्त्रोत आणि गंतव्यस्थानामध्ये कधीही एंड-टू-एंड कनेक्शन अस्तित्वात नसेल. डीटीएनमध्ये रूटिंग प्रोटोकॉलचा मुख्य उद्देश म्हणजे, अंत-टू-अंत विलंब कमी करून, गंतव्यस्थानापर्यंत पोहोचण्याची शक्यता वाढवणे. तसेच, वाहन वाहतुकीचे मॉडेल वाहन नेटवर्कमध्ये डीटीएन रूटिंगसाठी महत्वाचे आहेत कारण डीटीएन रूटिंग प्रोटोकॉलची कार्यक्षमता नेटवर्कच्या लोकसंख्या आणि गतिशीलता मॉडेलशी जवळून संबंधित आहे. २०१४ एल्सवियर बी. व्ही. सर्व हक्क राखीव आहेत. |
4555fd3622908e2170e4ffdd717b83518b123b09 | या लेखात, जेव्हा अँटेनाला धातूच्या प्लेटच्या जवळ क्षैतिजपणे ठेवले जाते तेव्हा अँटेना पॅरामीटर्सवर होणारे परिणाम सादर केले आहेत. प्लेटचा आकार मर्यादित आणि आयताकृती आकार आहे. एक दुमडलेला डायपोल अँटेना वापरला जातो आणि तो प्लेटच्या वर सममितीयपणे ठेवला जातो. एफईएम (फिनिट एलिमेंट पद्धत) चा वापर प्लेटच्या आकारावर आणि प्लेट आणि अँटेनाच्या अंतरावर अँटेना पॅरामीटर्सच्या अवलंबूनतेचे अनुकरण करण्यासाठी केला जातो. योग्य अंतरावर धातूची प्लेट असली तरी ती मोठ्या प्रमाणात बदलते. प्लेट जितकी मोठी, विशेषतः रुंदीमध्ये, तितकी तीक्ष्ण आणि अरुंद रेडिएशन पॅटर्नचे लोब असतात. अँटेनाची उंची हे ठरवते की रेडिएशन पॅटर्नमध्ये किती लोब आहेत. अँटेनाची उंची वाढत असताना, प्रतिरोध, दिशात्मकता आणि समोर-मागेचे प्रमाण यासह अनेक अँटेना पॅरामीटर्स नियमितपणे बदलतात. धातूच्या प्लेटच्या प्रभावाखाली अँटेनाची अनुनाद वारंवारता देखील बदलते. |
d70cd3d2fe0a194321ee92c305976873b883d529 | एक वाइडबँड 57.7-84.2 GHz फेज शिफ्टर एक कॉम्पॅक्ट लांगे कपलर वापरून सादर केले आहे जेणेकरून इन-फेज आणि क्वाड्रेचर सिग्नल तयार होईल. लँज कपलरचे दोन बालन ट्रान्सफॉर्मर्सद्वारे अनुसरण केले जाते जे आयक्यू वेक्टर मॉड्युलेशनला भिन्नता आय आणि क्यू सिग्नल प्रदान करतात. अंमलबजावणी केलेला फेज शिफ्टर सरासरी 6 डीबी इन्सर्ट नुकसान आणि 5 डीबी गॅन बदल दाखवते. मोजलेल्या सरासरी आरएमएस टप्प्यातील आणि गॅनिंग त्रुटी अनुक्रमे 7 अंश आणि 1 डीबी आहेत. ग्लोबल फाउंड्रीजच्या 45 एनएम एसओआय सीएमओएस तंत्रज्ञानामध्ये ट्रॅप-समृद्ध सब्सट्रेटचा वापर करून फेज शिफ्टरची अंमलबजावणी केली जाते. चिपचे क्षेत्रफळ ३८५ μm × २८५ μm आहे आणि फेज शिफ्टर १७ mW पेक्षा कमी वापरते. लेखकांच्या माहितीनुसार, हा पहिला फेज शिफ्टर आहे जो 60 जीएचझेड बँड आणि ई-बँड दोन्ही वारंवारतांना 37% च्या फ्रॅक्शनल बँडविड्थसह कव्हर करतो. |
eb58118b9db1e95f9792f39c3780dbba3bb966cb | या पेपरमध्ये स्ट्रोक किंवा पार्किन्सन आजाराच्या रुग्णांसाठी स्पेस-टाइम चालण्याच्या नमुन्यांद्वारे संख्यात्मक मोजमाप मिळविण्यासाठी आणि क्लिनिकल निर्देशक शोधण्यासाठी एक वेअरेबल इनर्शियल मापन प्रणाली आणि संबंधित स्पेस-टाइम चाल विश्लेषण अल्गोरिदम सादर केले आहे. या वेअरएबल सिस्टीममध्ये एक मायक्रोकंट्रोलर, एक ट्रायएक्सियल अॅक्सेलेरोमीटर, एक ट्रायएक्सियल गिरोस्कोप आणि एक आरएफ वायरलेस ट्रान्समिशन मॉड्यूल आहे. अंतराळ-वेळ चाल विश्लेषण अल्गोरिदम, जडत्वीय सिग्नल संपादन, सिग्नल पूर्व-प्रक्रिया, चाल चरण शोधणे आणि हालचालीचे टखने श्रेणीचे अंदाज, गती आणि कोन वेगाने चाल वैशिष्ट्ये काढण्यासाठी विकसित केले गेले आहे. गुडघ्याची गती अचूकपणे मोजण्यासाठी, आम्ही एकत्रीकरण गती आणि कोन वेग एक पूरक फिल्टर मध्ये एकत्रित केले आहेत जेणेकरून निष्क्रिय सिग्नलच्या एकत्रीकरणाच्या त्रुटीचे संचय कमी होईल. सर्व 24 सहभागींनी प्रणाली त्यांच्या पायावर बसवून सामान्य वेगाने 10 मीटर सरळ रेषेवर चालण्यासाठी ठेवली आणि प्रस्तावित प्रणाली आणि अल्गोरिदमची कार्यक्षमता सत्यापित करण्यासाठी त्यांच्या चालण्याच्या रेकॉर्डिंग गोळा केल्या. प्रायोगिक परिणामांवरून असे दिसून आले आहे की, स्पेस-टाइम चाल विश्लेषण अल्गोरिदमसह प्रस्तावित जडत्वीय मापन प्रणाली स्पेस-टाइम चाल माहितीचे स्वयंचलितपणे विश्लेषण करण्यासाठी एक आश्वासक साधन आहे, जे स्ट्रोक किंवा पार्किन्सन रोगाच्या निदानासाठी उपचारात्मक कार्यक्षमतेचे परीक्षण करण्यासाठी क्लिनिकल निर्देशक म्हणून कार्य करते. |
7e7f14f325d7e8d70e20ca22800ad87cfbf339ff | या प्रकाशनात पुनरुत्पादित लेख आहेत ज्यांचे कॉपीराइट आयईईईकडे नाहीत. या लेखांचा पूर्ण मजकूर आयईईई एक्सप्लोरवर उपलब्ध नाही. |
002a8b9ef513d46dc8dcce85c04a87ae6a221b4c | आम्ही रेग्रेशन आणि वर्गीकरणासाठी सपोर्ट वेक्टर अल्गोरिदमचा एक नवीन वर्ग प्रस्तावित करतो. या अल्गोरिदममध्ये, एक पॅरामीटर एखाद्यास समर्थन वेक्टरची संख्या प्रभावीपणे नियंत्रित करण्यास अनुमती देते. हे स्वतःच उपयुक्त असू शकते, परंतु पॅरामीटरने आम्हाला अल्गोरिदमच्या इतर मुक्त मापदंडांपैकी एक काढून टाकण्यास सक्षम बनविण्याचा अतिरिक्त फायदा आहेः रेग्रेशन प्रकरणात अचूकता मापदंड आणि वर्गीकरण प्रकरणात नियमितपणा स्थिर सी. आम्ही अल्गोरिदमचे वर्णन करतो, काही सैद्धांतिक परिणाम देतो ज्यात अर्थ आणि निवड यांचा समावेश आहे आणि प्रयोगात्मक परिणामांची नोंद करतो. |
0911bcf6bfff20a84a56b9d448bcb3d72a1eb093 | ऑटोएन्कोडरचे नियमित प्रशिक्षण सहसा लपविलेल्या युनिट बायसमध्ये परिणाम करते जे मोठ्या नकारात्मक मूल्यांवर घेतात. आम्ही हे दाखवतो की नकारात्मक पक्षपातीपणा हा लपविलेल्या लेयरचा वापर करण्याचा एक नैसर्गिक परिणाम आहे ज्याची जबाबदारी इनपुट डेटाचे प्रतिनिधित्व करणे आणि प्रतिनिधित्वची कमीपणा सुनिश्चित करणारी निवड यंत्रणा म्हणून कार्य करणे आहे. मग आम्ही हे दाखवतो की नकारात्मक पक्षपातीपणा डेटा वितरण शिकण्यास अडथळा आणतो ज्याची आंतरिक परिमाण जास्त असते. आम्ही एक नवीन सक्रिय कार्य देखील प्रस्तावित करतो जे लपलेल्या लेयरच्या दोन भूमिकांना विभक्त करते आणि जे आम्हाला डेटावर प्रतिनिधित्व शिकण्यास अनुमती देते ज्यामध्ये खूप उच्च अंतर्निहित आयाम आहे, जेथे मानक ऑटोकोडर सामान्यतः अपयशी ठरतात. डिसकूपल्ड अॅक्टिवेशन फंक्शन एक अंतर्निहित रेग्युलेरेझरसारखे कार्य करते, म्हणून प्रशिक्षण डेटाची पुनर्बांधणी त्रुटी कमी करून मॉडेलला प्रशिक्षण दिले जाऊ शकते, कोणत्याही अतिरिक्त रेग्युलेरेशनची आवश्यकता न करता. |
27f9b805de1f125273a88786d2383621e60c6094 | या लेखात आम्ही हालचाल नियंत्रण आणि स्थिती अंदाज सुधारण्यासाठी ट्रॅक मोबाइल रोबोट्स एक गतीशील दृष्टिकोन प्रस्तावित. स्लिप आणि ट्रॅक-मातीच्या परस्परसंवादामुळे जटिल गतिशीलता ट्रॅक वेगानुसार वाहनाच्या अचूक हालचालीचा अंदाज लावणे कठीण करते. तथापि, स्वायत्त नेव्हिगेशनसाठी रिअल-टाइम संगणनांना लूपमध्ये गतिशीलता न आणता प्रभावी गतिशास्त्र अंदाजे आवश्यक आहे. प्रस्तावित उपाय हे या वस्तुस्थितीवर आधारित आहे की वाहनाच्या संदर्भात मोशन प्लेनवरील रॅपच्या तात्पुरत्या रोटेशन सेंटर (आयसीआर) गतिशीलतेवर अवलंबून असतात, परंतु ते एका मर्यादित क्षेत्रामध्ये असतात. अशा प्रकारे, एका विशिष्ट भूभागासाठी सतत आयसीआर स्थितीचे अनुकूलन केल्याने ट्रॅक केलेल्या मोबाइल रोबोट्ससाठी अंदाजे गतिशील मॉडेल तयार होते. यामध्ये दोन वेगवेगळ्या पद्धतींचा उल्लेख केला आहे. त्यापैकी एक म्हणजे, (i) वाहनाच्या संपूर्ण वेगात गतिमान मॉडेलच्या स्थिर प्रतिसादाची नक्कल करणे (ii) प्रयोगात्मक सेटअपची ओळख करणे जेणेकरून एक आनुवंशिक अल्गोरिदम वास्तविक सेन्सर वाचनातून मॉडेल तयार करू शकेल. या पद्धतींचा ऑनलाईन ओडोमेट्रिक गणना आणि मध्यम वेगाने हार्ड-सर्फेस सपाट जमिनीवर ऑरिगा मोबाईल रोबोटसह कमी-स्तरीय हालचाल नियंत्रणासाठी मूल्यांकन केले गेले आहे. KEY WORDS- ट्रॅक केलेले वाहन, गतिमान नियंत्रण, मोबाईल रोबोटिक्स, पॅरामीटर ओळख, गतिशीलता अनुकरण |
04caa1a55b12d5f3830ed4a31c4b47921a3546f2 | अनुक्रम, झाडे आणि आलेख यासारख्या संरचित डेटासाठी डिझाइन केलेले कर्नल वर्गीकरणकर्ते आणि रिग्रेसरने संगणकीय जीवशास्त्र आणि औषध डिझाइन सारख्या अनेक आंतरशास्त्रीय क्षेत्रांमध्ये लक्षणीय प्रगती केली आहे. सामान्यतः, कर्नल डेटा प्रकारासाठी आधीपासूनच डिझाइन केलेले असतात जे संरचनांचे आकडेवारी शोषतात किंवा संभाव्य जनरेटिव्ह मॉडेलचा वापर करतात आणि नंतर एक भेदभाव करणारा वर्गीकरणकर्ते उत्तरोत्तर ऑप्टिमायझेशनद्वारे कर्नलवर आधारित शिकले जाते. तथापि, अशा मोहक दोन-चरण दृष्टिकोनाने कर्नल पद्धतींना लाखो डेटा पॉईंट्सपर्यंत वाढविण्यास आणि वैशिष्ट्य प्रतिनिधित्व शिकण्यासाठी भेदभावपूर्ण माहितीचा फायदा घेण्यास देखील मर्यादित केले. आम्ही प्रस्तावित करतो, structure2vec, संरचित डेटा प्रतिनिधित्व करण्यासाठी एक प्रभावी आणि स्केलेबल दृष्टिकोन वैशिष्ट्य स्पेसमध्ये लॅटेंट व्हेरिएबल मॉडेल एम्बेड करण्याच्या कल्पनेवर आधारित आहे आणि भेदभावपूर्ण माहितीचा वापर करून अशा वैशिष्ट्य स्पेस शिकत आहे. मनोरंजकपणे, स्ट्रक्चर 2 व्हेक ग्राफिकल मॉडेल अनुमान प्रक्रियेप्रमाणेच फंक्शन मॅपिंगचे अनुक्रम करून वैशिष्ट्ये काढते, जसे की सरासरी फील्ड आणि विश्वास प्रसार. कोट्यवधी डेटा पॉईंट्सचा समावेश असलेल्या अनुप्रयोगांमध्ये, आम्ही दाखवले की structure2vec 2 पट वेगाने चालते, 10,000 पट लहान मॉडेल तयार करते, त्याच वेळी अत्याधुनिक भविष्यवाणी कार्यक्षमता प्राप्त करते. |
1dc5b2114d1ff561fc7d6163d8f4e9c905ca12c4 | जेव्हा डेटा असामान्यपणे वितरित केला जातो तेव्हा, पीयर्सनच्या आरच्या महत्त्वची चाचणी टाईप I त्रुटी दर वाढवू शकते आणि शक्ती कमी करू शकते. आकडेवारीची पुस्तके आणि अनुकरण साहित्य पीयर्सनच्या सहसंबंधासाठी अनेक पर्याय उपलब्ध करतात. तथापि, या पर्यायांची सापेक्ष कामगिरी अस्पष्ट आहे. पीयर्सन, स्पीरमन रँक-ऑर्डर, ट्रान्सफॉर्मेशन आणि रीमॅपलिंग पद्धतींसह 12 पद्धतींची तुलना करण्यासाठी दोन सिम्युलेशन अभ्यास आयोजित केले गेले. बहुतेक नमुना आकारांमध्ये (n ≥ 20) पीयर्सन सहसंबंधाचे मूल्यांकन करण्यापूर्वी डेटाला सामान्य आकारात बदलून टाइप I आणि टाइप II त्रुटीचे प्रमाण कमी केले गेले. रूपांतरणाच्या पद्धतींमध्ये, सामान्य हेतू रँक-आधारित उलटा सामान्य रूपांतरण (म्हणजेच, रँकिट स्कोअरमध्ये रूपांतरण) सर्वात फायदेशीर होते. मात्र, जेव्हा नमुने लहान (n ≤ 10) आणि अत्यंत असामान्य होते, तेव्हा परमिशन चाचणी अनेकदा इतर पर्यायांपेक्षा चांगली कामगिरी करते, ज्यात विविध बूटस्ट्रॅप चाचण्यांचा समावेश आहे. |
d3abb0b5b3ce7eb464846bbdfd93e0fbf505e954 | या लेखात आम्ही तीन वेगवेगळ्या संकल्पनांची तुलना केली आहे. अँटेना संकल्पना रेडिएटरच्या प्रकारात भिन्न आहेत. स्लॉट हे चुंबकीय रेषेचा रेडिएटर आहे, पॅच हे विद्युत पृष्ठभागाचे रेडिएटर आहेत आणि विव्हल्डी स्लॉट हे ट्रॅव्हलिंग-वेव्ह अँटेनाचे आहेत. त्यामुळे एसआयडब्ल्यू फीडरला एन्टेनाच्या वेगवेगळ्या घटकांचा वापर करावा लागतो. अभ्यास केलेल्या अँटेना अॅरेची प्रतिबाधा आणि किरणे गुणधर्म सामान्य वारंवारतेशी संबंधित आहेत. ऍन्टेना अॅरेची तुलना एकमेकांशी केली गेली आहे जेणेकरून ऍन्टेनाच्या स्टेट व्हेरिएबल्सवर, एसआयडब्ल्यू फीडर आर्किटेक्चरवर आणि संबंधित अंमलबजावणी तपशीलांवर डिझाइन केलेल्या ऍन्टेनाच्या अंतिम मापदंडांची मूलभूत अवलंबित्वे दर्शविली गेली आहेत. |
e4acaccd3c42b618396c9c28dae64ae7091e36b8 | एक नवीन आय/क्यू रिसीव्हर अॅरे दर्शविला जातो जो प्रत्येक रिसीव्ह चॅनेलमध्ये फेज शिफ्ट्सला रुपांतर करतो जेणेकरून रिसीव्ह बीम एखाद्या घटनात्मक आरएफ सिग्नलकडे निर्देशित करेल. मोजलेल्या अॅरे 8.1 जीएचझेडवर कार्य करते आणि चार घटक अॅरेसाठी +/-35 अंशांच्या स्टीयरिंग कोनला व्यापते. याव्यतिरिक्त, रिसीव्हरमध्ये आय/क्यू डाउन-कन्व्हर्टर समाविष्ट आहे आणि ईव्हीएमने 4% पेक्षा कमी 64 क्यूएएम डीमोड्युलेट केले आहे. या चिपची निर्मिती 45 एनएम सीएमओएस एसओआय प्रक्रियेत केली जाते. या चिपचे क्षेत्रफळ 3.45 मिमी2 आहे. |
149bf28af91cadf2cd933bd477599cca40f55ccd | आम्ही एक शिक्षण आर्किटेक्चर प्रस्तावित करतो, जे कच्च्या दृश्य इनपुट डेटावर आधारित मजबुतीकरण शिक्षण करण्यास सक्षम आहे. पूर्वीच्या पद्धतींप्रमाणे, केवळ नियंत्रण धोरणच शिकले जात नाही. यशस्वी होण्यासाठी, प्रणालीला स्वयंचलितपणे शिकणे आवश्यक आहे, की उच्च-आयामी इनपुट माहितीच्या प्रवाहामधून संबंधित माहिती कशी काढावी, ज्यासाठी सिमेंटिक्स शिकण्याच्या प्रणालीला प्रदान केलेली नाही. आम्ही या नवीन शिक्षण आर्किटेक्चरचा पहिला पुरावा देतो. एका आव्हानात्मक बेंचमार्कवर, म्हणजे रेसिंग स्लॉट कारचे व्हिज्युअल कंट्रोल. परिणामी धोरण, यश किंवा अपयशानेच शिकले जाते, अनुभवी मानवी खेळाडूने मारहाण करणे कठीण आहे. |
759d9a6c9206c366a8d94a06f4eb05659c2bb7f2 | आजपर्यंत, संगणक दृष्टीच्या मशीन लर्निंग-आधारित ओळख अल्गोरिदमच्या जवळजवळ सर्व प्रायोगिक मूल्यांकनांनी "बंद सेट" ओळखण्याचे स्वरूप घेतले आहे, ज्याद्वारे सर्व चाचणी वर्ग प्रशिक्षण वेळेत ज्ञात आहेत. दृष्टी अनुप्रयोगांसाठी अधिक वास्तववादी परिस्थिती म्हणजे "ओपन सेट" ओळख, जिथे प्रशिक्षण वेळेत जगाचे अपूर्ण ज्ञान असते आणि चाचणी दरम्यान अज्ञात वर्ग अल्गोरिदमला सादर केले जाऊ शकतात. या लेखात ओपन सेटच्या स्वरूपाचा अभ्यास केला आहे आणि त्याची व्याख्या मर्यादित कमीतकमी समस्या म्हणून औपचारिक केली आहे. ओपन सेट ओळखण्याची समस्या विद्यमान अल्गोरिदमद्वारे योग्यरित्या संबोधित केली जात नाही कारण त्यासाठी मजबूत सामान्यीकरण आवश्यक आहे. या समस्येचे निराकरण करण्यासाठी आम्ही एक नवीन 1-vs-set मशीन सादर करतो, जे रेषेच्या कर्णासह 1-वर्ग किंवा बायनरी एसव्हीएमच्या सीमांत अंतरावरून निर्णय घेण्याची जागा बनवते. या पद्धतीचा वापर संगणक दृष्टीच्या विविध प्रकारच्या अनुप्रयोगांमध्ये केला जातो, जेथे ओपन सेट ओळख ही एक आव्हानात्मक समस्या आहे, ज्यात ऑब्जेक्ट ओळख आणि चेहर्याची पडताळणी समाविष्ट आहे. या दोन्ही गोष्टींचा विचार आम्ही या कामात केला आहे, कॅलटेक 256 आणि इमेजनेट सेटवर मोठ्या प्रमाणात क्रॉस-डेटासेट प्रयोग केले आहेत, तसेच लेबल केलेले चेहरे इन द वाइल्ड सेटवर चेहर्याचे जुळणारे प्रयोग केले आहेत. या प्रयोगांमुळे ओपन सेट मूल्यांकनसाठी अनुकूलित मशीनची कार्यक्षमता लक्षात येते. |
00960cb3f5a74d23eb5ded93f1aa717b9c6e6851 | बेझियन ऑप्टिमायझेशन हे अज्ञात, महागडे आणि मल्टीमोडल फंक्शन्सच्या जागतिक ऑप्टिमायझेशनसाठी अत्यंत प्रभावी पद्धत असल्याचे सिद्ध झाले आहे. फंक्शन्सवर वितरण अचूकपणे मॉडेल करण्याची क्षमता बेयझियन ऑप्टिमायझेशनच्या प्रभावीतेसाठी महत्त्वपूर्ण आहे. जरी गॉसियन प्रक्रिया फंक्शन्सवर लवचिक पूर्ववर्ती प्रदान करतात, तरी फंक्शन्सचे विविध वर्ग आहेत जे मॉडेल करणे कठीण आहे. यातील सर्वात वारंवार होणारे एक म्हणजे नॉन-स्टेशनरी फंक्शन्सचा वर्ग. मशीन लर्निंग अल्गोरिदमच्या हायपरपॅरामीटरचे ऑप्टिमायझेशन हे एक समस्या क्षेत्र आहे ज्यामध्ये पॅरामीटर अनेकदा मॅन्युअली एप्रियोरी रूपांतरित केले जातात, उदाहरणार्थ, जागेत बदलणार्या लांबीच्या स्केलचे परिणाम कमी करण्यासाठी लॉग-स्पेस, मध्ये ऑप्टिमाइझ करून. बीटा संचयी वितरण फंक्शनचा वापर करून, इनपुट स्पेसच्या बायजेक्टिव्ह ट्रान्सफॉर्मेशन किंवा वार्पिंगच्या विस्तृत कुटुंबाला स्वयंचलितपणे शिकण्यासाठी आम्ही एक पद्धती विकसित करतो. आम्ही वॅपिंग फ्रेमवर्कला बहु-कार्ये बेझियन ऑप्टिमायझेशनपर्यंत वाढवतो जेणेकरून एकाधिक कार्ये संयुक्तपणे स्थिर जागेत वळविली जाऊ शकतात. बेंचमार्क ऑप्टिमायझेशनच्या आव्हानात्मक कामांच्या संचावर, आम्ही निरीक्षण करतो की वक्रता समाविष्ट केल्याने अत्याधुनिक स्थितीत मोठ्या प्रमाणात सुधारणा होते, चांगले परिणाम जलद आणि अधिक विश्वासार्हतेने तयार होतात. |
b53e4c232833a8e663a9cf15dcdd050ff801c05c | आम्ही एक स्केलेबल प्रणाली सादर करतो ज्यामध्ये विविध प्रकारच्या डेटा प्रवाहाचे उच्च-प्रवाह-वेळ विश्लेषण केले जाते. आमची आर्किटेक्चर प्रणालीमध्ये डेटा येताच पूर्वानुमानात्मक विश्लेषण आणि विसंगती शोधण्यासाठी मॉडेलचा वाढीव विकास करण्यास सक्षम करते. हॅडॉपसारख्या बॅच डेटा प्रोसेसिंग सिस्टिमच्या विपरीत, ज्यात जास्त विलंब असतो, आमची आर्किटेक्चर डेटाचे इन्जेस्ट आणि विश्लेषण करण्याची परवानगी देते, ज्यामुळे जवळजवळ रिअल टाइममध्ये असामान्य वर्तनाचा शोध घेता येतो आणि त्यावर प्रतिक्रिया देता येते. अंतर्गत धोका, आर्थिक फसवणूक आणि नेटवर्क घुसखोरी यासारख्या अनुप्रयोगांसाठी ही वेळेतता महत्वाची आहे. आम्ही या प्रणालीचा वापर आतल्या धोक्यांचा शोध घेण्याच्या समस्येवर करतो, म्हणजेच, प्रणालीच्या वापरकर्त्यांद्वारे संस्थेच्या संसाधनांचा गैरवापर आणि सार्वजनिकरित्या उपलब्ध असलेल्या आतल्या धोक्यांच्या डेटासेटवर आमच्या प्रयोगांचे परिणाम सादर करतो. |
39b58ef6487c893219c77c61c762eee5694d0e36 | डेटा माइनिंगच्या उदयोन्मुख क्षेत्रात वर्गीकरण ही एक महत्त्वाची समस्या आहे. पूर्वी वर्गीकरणाचा मोठ्या प्रमाणावर अभ्यास केला गेला असला तरी, बहुतेक वर्गीकरण अल्गोरिदम केवळ मेमरी-रेसिडेन्ट डेटासाठी डिझाइन केलेले आहेत, ज्यामुळे मोठ्या डेटा सेटसाठी डेटा खाण करण्याची त्यांची उपयुक्तता मर्यादित आहे. या पेपरमध्ये स्केलेबल क्लासर तयार करण्याच्या मुद्द्यांवर चर्चा केली आहे आणि एसएलआयक्यू, एक नवीन क्लासरची रचना सादर केली आहे. एसएलआयक्यू एक निर्णय वृक्ष वर्गीकरण आहे जे संख्यात्मक आणि वर्गीकृत गुणधर्म दोन्ही हाताळू शकते. झाडाच्या वाढीच्या टप्प्यात यामध्ये नवीन प्रकारची पूर्व-सॉर्टिंग तंत्रज्ञान वापरले जाते. या वर्गीकरण प्रक्रियेला ब्रॉडथ्रस्ट वृक्ष वाढीच्या धोरणाशी जोडले गेले आहे जेणेकरून डिस्क-निवासी डेटासेटचे वर्गीकरण करणे शक्य होईल. एसएलआयक्यू एक नवीन वृक्ष-उपकरण अल्गोरिदम देखील वापरते जे स्वस्त आहे आणि परिणामी कॉम्पॅक्ट आणि अचूक झाडे मिळतात. या तंत्रांचे संयोजन एसएलआयक्यूला मोठ्या डेटा सेटसाठी स्केल करण्यास आणि डेटा सेटची वर्गीकरण वर्ग, गुणधर्म आणि उदाहरणे (रेकॉर्ड) यांच्या संख्येकडे दुर्लक्ष करून करण्यास सक्षम करते, ज्यामुळे ते डेटा खननसाठी एक आकर्षक साधन बनते. |
1f25ed3c9707684cc0cdf3e8321c791bc7164147 | वर्गीकरण ही एक महत्वाची डेटा खाण समस्या आहे. वर्गीकरण ही एक चांगली अभ्यासलेली समस्या असली तरी, सध्याच्या बहुतेक वर्गीकरण अल्गोरिदममध्ये संपूर्ण डेटासेटचा सर्व किंवा काही भाग कायमस्वरूपी मेमरीमध्ये राहण्याची आवश्यकता असते. यामुळे मोठ्या डेटाबेसवर खाण करण्यासाठी त्यांची उपयुक्तता मर्यादित होते. आम्ही एक नवीन निर्णय-वृक्ष आधारित वर्गीकरण अल्गोरिदम सादर करतो, ज्याला स्प्रिंट म्हणतात, जे सर्व स्मृती प्रतिबंध काढून टाकते, आणि जलद आणि स्केलेबल आहे. अल्गोरिदम हे सहजपणे समांतर करण्यासाठी डिझाइन केले गेले आहे, जे एका सुसंगत मॉडेल तयार करण्यासाठी अनेक प्रोसेसर एकत्र काम करण्यास अनुमती देते. हे समांतरकरण, जे इथेही सादर केले आहे, त्यातही उत्कृष्ट प्रमाणता आहे. या वैशिष्ट्यांचा संयोजन प्रस्तावित अल्गोरिदम डेटा खाणसाठी एक आदर्श साधन बनवते. |
7c3a4b84214561d8a6e4963bbb85a17a5b1e003a | |
76c87ec44fc5dc96bc445abe008deaf7c97c9373 | या लेखात एक सपाट ग्रीड अॅरे अँटेना सादर केला आहे ज्यामध्ये मानक सॉफ्ट सब्सट्रेटच्या एका थरावर 100 Ω भिन्नता मायक्रोस्ट्रिप लाइन फीड आहे. ऑटोमोटिव्ह रडार अनुप्रयोगांसाठी अँटेना 79 जीएचझेड फ्रिक्वेन्सी बँडमध्ये कार्य करते. त्याची सिंगल रो डिझाइन उंचीमध्ये एक अरुंद बीम आणि अझिमथमध्ये एक विस्तृत बीम देते. या अँटेनामध्ये डिफरेंशियल मायक्रोस्ट्रिप लाइन फीडिंग आहे. |
bc7308a97ec2d3f7985d48671abe7a8942a5b9f8 | या पेपरमध्ये भावना विश्लेषणाचा एक दृष्टिकोन सादर केला आहे जो संभाव्य संबंधित माहितीचे विविध स्त्रोत एकत्र आणण्यासाठी समर्थन वेक्टर मशीन (एसव्हीएम) वापरतो, ज्यात वाक्यांश आणि विशेषणांचे अनेक अनुकूलता उपाय आणि उपलब्ध असल्यास, मजकूराच्या विषयाचे ज्ञान समाविष्ट आहे. या वैशिष्ट्यांचा वापर करणारे मॉडेल पूर्वीच्या युनिग्राम मॉडेलसह एकत्र केले जातात जे पूर्वी प्रभावी असल्याचे दर्शविले गेले आहे (पॅंग व इतर, 2002) आणि युनिग्राम मॉडेलच्या लेमेटिझ्ड आवृत्त्या. Epinions.com वरून चित्रपट पुनरावलोकन डेटावरील प्रयोगांमुळे हे दिसून येते की हायब्रिड एसव्हीएम जे एकोग्राम-शैलीतील वैशिष्ट्य-आधारित एसव्हीएमला रिअल-मूल्यवान अनुकूलता उपाययोजनांवर आधारित असलेल्यांसह एकत्र करतात, उत्कृष्ट कार्यक्षमता मिळवतात, या डेटाचा वापर करून आतापर्यंत प्रकाशित केलेले सर्वोत्तम परिणाम तयार करतात. याव्यतिरिक्त, संगीत पुनरावलोकनांच्या लहान डेटासेटवर विषयाशी संबंधित माहितीसह समृद्ध वैशिष्ट्य संच वापरून पुढील प्रयोगांची नोंद केली गेली आहे, ज्याचे परिणाम असे सूचित करतात की अशा मॉडेलमध्ये विषयाची माहिती समाविष्ट केल्याने सुधारणा देखील होऊ शकते. |
be389fb59c12c8c6ed813db13ab74841433ea1e3 | अंजीर. १. आम्ही आयमॅपर सादर करतो, ही एक पद्धत आहे जी मनुष्याच्या वस्तूशी असलेल्या परस्परसंवादाबद्दल तर्क करते, एक संभाव्य देखावा व्यवस्था आणि मानवी हालचाली दोन्ही पुनर्प्राप्त करण्यासाठी, जे इनपुट मोनोक्युलर व्हिडिओचे सर्वोत्तम स्पष्टीकरण देते (अंतर्निहित पहा). आम्ही व्हिडिओमध्ये सीनलेट्स (उदाहरणार्थ, ए, बी, सी) नावाच्या वैशिष्ट्यपूर्ण परस्परसंवादांना फिट करतो आणि संभाव्य ऑब्जेक्ट व्यवस्था आणि मानवी हालचालीचा मार्ग (डावीकडे) पुन्हा तयार करण्यासाठी त्यांचा वापर करतो. मुख्य आव्हान म्हणजे विश्वासार्ह फिटिंगला अज्ञानाबद्दल माहिती आवश्यक आहे, जे अज्ञात (म्हणजेच, गुप्त) आहेत. (उजवीकडे) आम्ही आमच्या परिणामाचे आच्छादन (वरच्या दृश्यातून) मॅन्युअली एनोटेटेड ग्राउंडट्रूथ ऑब्जेक्ट प्लेसमेंटवर दाखवतो. ऑब्जेक्ट मेष हे अंदाजे ऑब्जेक्ट श्रेणी, स्थान आणि आकाराच्या माहितीच्या आधारे ठेवलेले आहे. |
f24a1af3bd8873920593786d81590d29520cfebc | या पत्रात मल्टीलेयर सब्सट्रेट इंटिग्रेटेड वेव्हगाइड (एमएसआयडब्ल्यू) तंत्रज्ञानावर आधारित एका नवीन दीर्घवृत्तीय फिल्टरचे डिझाइन आणि प्रयोग सादर केले आहेत. चार गुंडाळलेल्या एमएसआयडब्ल्यू गुहांसह सी-बँड अण्डाकृती फिल्टर उच्च वारंवारता संरचना सिम्युलेटर सॉफ्टवेअर वापरुन सिम्युलेटेड आहे आणि दोन-थर मुद्रित सर्किट बोर्ड प्रक्रियेसह तयार केले गेले आहे, मोजमाप परिणाम चांगली कार्यक्षमता दर्शवतात आणि सिम्युलेटेड परिणामांशी सहमत आहेत. |
8052bc5f9beb389b3144d423e7b5d6fcf5d0cc4f | गुणधर्म म्हणजे वस्तूंद्वारे सामायिक केलेले अर्थपूर्ण दृश्य गुणधर्म. ते ऑब्जेक्ट ओळख सुधारण्यासाठी आणि सामग्री-आधारित प्रतिमा शोध वाढविण्यासाठी दर्शविले गेले आहेत. गुणधर्म अनेक श्रेणींमध्ये असणे अपेक्षित आहे, उदा. एक दालमाटियन आणि एक व्हेल दोन्ही "सुथरा त्वचा" असू शकतात, आम्हाला आढळले की एकाच गुणधर्माचे स्वरूप श्रेणींमध्ये थोडेसे बदलते. अशा प्रकारे, एका श्रेणीवर शिकलेले गुणधर्म मॉडेल दुसर्या श्रेणीवर वापरण्यायोग्य असू शकत नाही. आम्ही नवीन श्रेणींमध्ये गुणधर्म मॉडेल कसे अनुकूलित करावे हे दर्शवितो. आम्ही हे सुनिश्चित करतो की श्रेणींचे स्त्रोत डोमेन आणि नवीन लक्ष्य डोमेन दरम्यान सकारात्मक हस्तांतरण होऊ शकते, फीचर निवड द्वारे आढळलेल्या वैशिष्ट्य उप-जागामध्ये शिकून जेथे डोमेनचे डेटा वितरण समान आहेत. आम्ही हे दाखवतो की जेव्हा नवीन डोमेनमधील डेटा मर्यादित असतो, तेव्हा त्या नवीन डोमेनसाठी विशेषता मॉडेल नियमित करणे सहाय्यक डोमेनवर प्रशिक्षित मॉडेलसह (अनुकूली एसव्हीएमद्वारे) विशेषता अंदाज अचूकतेत सुधारणा करते. |
01094798b20e96e1d029d6874577167f2214c7b6 | वेगवान समवर्ती हॅश टेबल हे एक वाढत्या महत्वाचे बिल्डिंग ब्लॉक आहेत कारण आम्ही मोठ्या संख्येने कोर आणि थ्रेड्सवर सिस्टम स्केल करतो. या पेपरमध्ये एकाधिक वाचक आणि लेखकांना समर्थन देणारे उच्च-प्रवाह आणि स्मृती-कार्यक्षम समवर्ती हॅश टेबलचे डिझाइन, अंमलबजावणी आणि मूल्यांकन सादर केले आहे. या डिझाइनची उत्पत्ती प्रणाली स्तरावरील ऑप्टिमायझेशनवर काळजीपूर्वक लक्ष देण्यापासून होते जसे की गंभीर विभागाची लांबी कमी करणे आणि अल्गोरिदम री-इंजिनिअरिंगद्वारे इंटरप्रोसेसर सुसंगतता रहदारी कमी करणे. या अभियांत्रिकीच्या आर्किटेक्चरल आधारभूत भागाचा भाग म्हणून, आम्ही या गंभीर बिल्डिंग ब्लॉकसाठी इंटेलच्या अलीकडील हार्डवेअर ट्रान्झॅक्शनल मेमरी (एचटीएम) समर्थन स्वीकारण्याच्या आमच्या अनुभवाची आणि परिणामांची चर्चा समाविष्ट करतो. आम्हाला असे आढळले आहे की, सध्याच्या डेटा स्ट्रक्चरवर एकूणच लॉक वापरून समवर्ती प्रवेशास सहजपणे परवानगी देणे, अधिक थ्रेडसह एकूण कामगिरी कमी करते. एचटीएममुळे ही मंदी काही प्रमाणात कमी होते, परंतु ती दूर होत नाही. उच्च कार्यक्षमता प्राप्त करण्यासाठी एचटीएम आणि बारीक-ग्रॅन्ड लॉकसाठी डिझाइन दोन्हीला फायदा होणारे अल्गोरिदम ऑप्टिमायझेशन आवश्यक आहेत. आमच्या कामगिरीच्या परिणामांमध्ये असे दिसून आले आहे की, आमच्या नवीन हॅश टेबल डिझाइन---आधारित ऑप्टिमाइझ्ड कुक्कू हॅशिंग---वर आधारित आहे. हे इतर ऑप्टिमाइझ्ड समवर्ती हॅश टेबलपेक्षा 2.5 पट जास्त काम करते. १६ कोरच्या मशीनवर, आमचे हॅश टेबल प्रति सेकंद जवळपास ४० दशलक्ष इन्सर्ट आणि ७० दशलक्षपेक्षा जास्त लुकअप ऑपरेशन्स चालवते. |
5685a394b25fcb27b6ad91f7325f2e60a9892e2a | आलेख सारख्या संरचनेसह डेटा संग्रहित आणि व्यवस्थापित करण्यासाठी पारंपारिक डेटाबेसच्या मर्यादांवर मात करण्यासाठी अलीकडेच आलेख डेटाबेस (जीडीबी) उद्भवले आहेत. आज, ते सामाजिक नेटवर्कसारख्या आलेख-सारख्या डेटा व्यवस्थापित करणाऱ्या बर्याच अनुप्रयोगांसाठी एक आवश्यकता दर्शवितात. आलेख डेटाबेसमध्ये क्वेरी ऑप्टिमाइझ करण्यासाठी वापरल्या जाणार्या बहुतेक तंत्रांचा वापर पारंपारिक डेटाबेस, वितरण प्रणाली, इत्यादींमध्ये केला गेला आहे किंवा ते आलेख सिद्धांतातून प्रेरित आहेत. मात्र, ग्राफ डेटाबेसमध्ये त्यांचा पुन्हा वापर केल्यास, ग्राफ डेटाबेसची मुख्य वैशिष्ट्ये जसे की डायनॅमिक स्ट्रक्चर, अत्यंत परस्पर जोडलेले डेटा आणि डेटा संबंधांमध्ये कार्यक्षमतेने प्रवेश करण्याची क्षमता यांची काळजी घेतली पाहिजे. या पेपरमध्ये, आम्ही आलेख डेटाबेसमध्ये क्वेरी ऑप्टिमायझेशन तंत्रांचा आढावा घेतला आहे. आम्ही ग्राफ सारख्या डेटाची क्वेरी सुधारण्यासाठी त्यांनी आणलेल्या वैशिष्ट्यांवर विशेष लक्ष केंद्रित केले आहे. |
0541d5338adc48276b3b8cd3a141d799e2d40150 | मॅपरेड्यूस हे एक प्रोग्रामिंग मॉडेल आहे आणि मोठ्या डेटासेटची प्रक्रिया आणि निर्मिती करण्यासाठी संबंधित अंमलबजावणी आहे जी वास्तविक जगातील विविध प्रकारच्या कार्यांसाठी उपयुक्त आहे. वापरकर्ते नकाशा आणि कमी करण्याच्या फंक्शनच्या दृष्टीने गणना निर्दिष्ट करतात आणि मूलभूत रनटाइम सिस्टम स्वयंचलितपणे मशीन्सच्या मोठ्या प्रमाणात क्लस्टरमध्ये संगणनास समांतर करते, मशीन अपयश हाताळते आणि नेटवर्क आणि डिस्कचा कार्यक्षम वापर करण्यासाठी इंटर-मशीन संप्रेषण शेड्यूल करते. प्रोग्रामरना ही प्रणाली वापरण्यास सोपी वाटते: गेल्या चार वर्षांत गुगलमध्ये दहा हजाराहून अधिक वेगवेगळ्या मॅपरेड्यूस प्रोग्रामची अंमलबजावणी केली गेली आहे आणि दररोज गुगलच्या क्लस्टरवर सरासरी शंभर हजार मॅपरेड्यूस जॉबची अंमलबजावणी केली जाते, दररोज एकूण वीसपेक्षा जास्त पेटाबाइट डेटाची प्रक्रिया केली जाते. |
683c8f5c60916751bb23f159c86c1f2d4170e43f | |
3a116f2ae10a979c18787245933cb9f984569599 | वायरलेस सेन्सर नेटवर्क (डब्ल्यूएसएन) हे अनेक प्रकारच्या अनुप्रयोगांसाठी एक प्रभावी उपाय म्हणून उदयास आले आहे. बहुतेक पारंपरिक डब्ल्यूएसएन आर्किटेक्चरमध्ये स्थिर नोड्स असतात जे सेन्सिंग एरियावर घनतेने तैनात केले जातात. अलीकडेच, मोबाईल घटकांवर (एमई) आधारित अनेक डब्ल्यूएसएन आर्किटेक्चर प्रस्तावित केले गेले आहेत. बहुतांश कंपन्या डब्ल्यूएसएनमध्ये डेटा संकलनाच्या समस्येवर उपाय म्हणून मोबिलिटीचा वापर करतात. या लेखात आम्ही प्रथम एमई सह डब्ल्यूएसएन परिभाषित करतो आणि एमईच्या भूमिकेवर आधारित त्यांच्या आर्किटेक्चरची एक व्यापक वर्गीकरण प्रदान करतो. त्यानंतर आम्ही अशा परिस्थितीत डेटा संकलन प्रक्रियेचा आढावा सादर करतो आणि संबंधित समस्या आणि आव्हाने ओळखतो. या विषयांच्या आधारे आम्ही संबंधित साहित्याचा विस्तृत आढावा देतो. शेवटी, आम्ही मूळ दृष्टीकोन आणि उपाय तुलना, उघडा समस्या आणि भविष्यात संशोधन दिशा इशारे. |
e7b50e3f56e21fd2a5eb34923d427a0bc6dd8905 | या लेखात मायक्रोवेव्ह फिल्टर्ससाठी युग्मन मॅट्रिक्सच्या संश्लेषणासाठी एक नवीन दृष्टिकोन सादर केला आहे. हा नवीन दृष्टिकोन युग्मन मॅट्रिक्स संश्लेषणासाठी विद्यमान थेट आणि ऑप्टिमायझेशन पद्धतींवर एक प्रगती दर्शवितो कारण जर एकापेक्षा जास्त नेटवर्क अस्तित्वात असतील तर ते सर्व संभाव्य युग्मन मॅट्रिक्स सोल्यूशन्स पूर्णपणे शोधतील. यामुळे युग्मन मूल्ये, रेझोनॅटर वारंवारता ऑफसेट, परजीवी युग्मन सहिष्णुता इत्यादींच्या संचाची निवड केली जाऊ शकते जी मायक्रोवेव्ह फिल्टर बनविण्याच्या उद्देशाने असलेल्या तंत्रज्ञानाशी सर्वात योग्य असेल. या पद्धतीचा वापर दाखवण्यासाठी नुकत्याच सादर झालेल्या "विस्तारित बॉक्स" (ईबी) जोडणी मॅट्रिक्स कॉन्फिगरेशनची उदाहरणे घेतली जातात. ईबी फिल्टर कॉन्फिगरेशनचा एक नवीन वर्ग आहे ज्यात अनेक महत्त्वपूर्ण फायदे आहेत, त्यापैकी एक म्हणजे प्रत्येक प्रोटोटाइप फिल्टरिंग फंक्शनसाठी एकाधिक जोडणी मॅट्रिक्स सोल्यूशन्सचे अस्तित्व आहे, उदा. या प्रकरणात संश्लेषण पद्धतीचा वापर दर्शविण्यासाठी एक उदाहरण म्हणून घेतले जाते - दुहेरी मोड साध्य करण्यासाठी योग्य असलेले एक समाधान आणि एक जेथे काही जोडणी दुर्लक्ष करण्यासाठी पुरेसे लहान आहेत. अनुक्रमणिका अटी - जोडणी मॅट्रिक्स, फिल्टर संश्लेषण, ग्रॉबनेर आधार, उलटा वैशिष्ट्य, अनेक उपाय. |
a6f1dfcc44277d4cfd8507284d994c9283dc3a2f | आम्ही जवळजवळ रिअल टाइम संगणक प्रणाली विकसित केली आहे जी एखाद्या व्यक्तीच्या डोक्याचे स्थान शोधू शकते आणि त्याचा मागोवा घेऊ शकते आणि नंतर त्या व्यक्तीला ओळखू शकते. चेहऱ्याची वैशिष्ट्ये ओळखल्या गेलेल्या व्यक्तींशी तुलना करून. या प्रणालीमध्ये वापरण्यात येणारा संगणकीय दृष्टिकोन शारीरिक आणि माहिती सिद्धांत, तसेच जवळजवळ वास्तविक-वेळ कामगिरी आणि अचूकतेच्या व्यावहारिक आवश्यकतांद्वारे प्रेरित आहे. आपला दृष्टिकोन चेहरा ओळखण्याची समस्या तीन-आयामी भूमितीच्या पुनर्प्राप्तीची आवश्यकता नसून, मुळात द्वि-आयामी (2-डी) ओळखण्याची समस्या म्हणून हाताळतो, चेहऱ्याचे सामान्यतः उभ्या असतात आणि अशा प्रकारे 2-डी वैशिष्ट्यपूर्ण दृश्यांच्या छोट्या संचाद्वारे वर्णन केले जाऊ शकते. या प्रणालीचे कार्य म्हणजे, चेहऱ्याच्या प्रतिमांना अशा वैशिष्ट्यांच्या जागेवर प्रक्षेपित करणे जे ज्ञात चेहऱ्याच्या प्रतिमांमध्ये लक्षणीय फरक दर्शविते. महत्त्वपूर्ण वैशिष्ट्ये "इजेनफेस" म्हणून ओळखली जातात, कारण ते चेहऱ्यांच्या संचाचे स्वतःचे वेक्टर (मुख्य घटक) आहेत; ते डोळे, कान आणि नाक यासारख्या वैशिष्ट्यांशी संबंधित नसतात. प्रोजेक्शन ऑपरेशन एखाद्या व्यक्तीच्या चेहऱ्याचे वैशिष्ट्य त्याच्या स्वतः च्या चेहऱ्याच्या वैशिष्ट्यांच्या भारित बेरीजद्वारे दर्शवते आणि अशा प्रकारे एखाद्या विशिष्ट चेहऱ्याला ओळखण्यासाठी केवळ या वजनाची तुलना ज्ञात व्यक्तींच्या वजनाशी करणे आवश्यक आहे. आमच्या पद्धतीचे काही विशेष फायदे असे आहेत की ते शिकण्याची क्षमता प्रदान करते आणि नंतर नवीन चेहऱ्यांना अनियंत्रित पद्धतीने ओळखते आणि न्यूरल नेटवर्क आर्किटेक्चरचा वापर करून ते अंमलात आणणे सोपे आहे. |
b217788dd6d274ad391ee950e6f6a34033bd2fc7 | बहुस्तरीय पेर्सेप्ट्रॉन, जेव्हा बॅकप्रोपागॅशनचा वापर करून वर्गीकरणकर्ता म्हणून प्रशिक्षित केले जाते, तेव्हा बेज इष्टतम भेदभाव करणारे फंक्शनचे अंदाजे प्रदर्शन केले जाते. दोन-वर्ग समस्या आणि अनेक वर्गांसाठी परिणाम दर्शविला जातो. बहुस्तरीय पेल्ट्रॉनचे आउटपुट प्रशिक्षित वर्गातील संभाव्यता फंक्शन्सचे अनुमानित असल्याचे दर्शविले जाते. पुरावा कोणत्याही लेयर आणि युनिट सक्रिय कार्य कोणत्याही प्रकारच्या, रेषेचा किंवा नॉन-रेषेचा लागू होते. |
647cb3825baecb6fab8b098166d5a446f7711f9b | अलिकडच्या वर्षांत, सखोल जनरेटिव्ह मॉडेलने प्रतिमा, ऑडिओ आणि अगदी व्हिडिओ सारख्या उच्च-आयामी निरीक्षणांची कल्पना केली आहे, जे थेट कच्च्या डेटामधून शिकत आहेत. या कामात, आम्ही विचारतो की लक्ष्य-दिग्दर्शित व्हिज्युअल योजनांची कल्पना कशी करावी - निरीक्षणांची एक संभाव्य क्रमवारी जी डायनॅमिक सिस्टमला त्याच्या सध्याच्या कॉन्फिगरेशनपासून इच्छित लक्ष्य स्थितीत संक्रमण करते, जी नंतर नियंत्रणासाठी संदर्भ मार्ग म्हणून वापरली जाऊ शकते. आम्ही उच्च-आयामी निरीक्षणांसह प्रणालीवर लक्ष केंद्रित करतो, जसे की प्रतिमा, आणि नैसर्गिकरित्या प्रतिनिधित्व शिक्षण आणि नियोजन एकत्रित करणारा एक दृष्टीकोन प्रस्तावित करतो. आमचे फ्रेमवर्क अनुक्रमे निरीक्षणांचे जनरेटिव्ह मॉडेल शिकते, जिथे जनरेटिव्ह प्रक्रिया कमी-आयामी नियोजन मॉडेलमध्ये संक्रमण करून आणि अतिरिक्त आवाजाने प्रेरित होते. उत्पन्नाच्या निरीक्षणाच्या आणि नियोजन मॉडेलमधील संक्रमणाच्या दरम्यान परस्पर माहितीची वाढ करून, आम्ही कमी-आयामी प्रतिनिधित्व मिळवतो जे डेटाच्या कारण-कारण स्वरूपाचे सर्वोत्तम स्पष्टीकरण देते. आम्ही नियोजन मॉडेलची रचना कार्यक्षम नियोजन अल्गोरिदमशी सुसंगत करण्यासाठी करतो आणि आम्ही अशा अनेक मॉडेलचा प्रस्ताव करतो जे एकतर स्वतंत्र किंवा सतत राज्यांवर आधारित आहेत. शेवटी, दृश्य योजना तयार करण्यासाठी, आम्ही नियोजन मॉडेलमध्ये वर्तमान आणि लक्ष्य निरीक्षणे त्यांच्या संबंधित राज्यांवर प्रोजेक्ट करतो, एक मार्गदर्शक योजना आखतो आणि नंतर ट्रॅजेक्टरीला निरीक्षणांच्या अनुक्रमामध्ये रूपांतरित करण्यासाठी जनरेटिव्ह मॉडेलचा वापर करतो. आम्ही दोरीच्या हाताळणीची दृश्यमान कल्पना कल्पना करून आपली पद्धत दर्शवितो. |
a63b97291149bfed416aa9e56a21314069540a7b | लक्ष लक्ष-अभावी/अतिसक्रियता विकार (एडीएचडी) असलेल्या मुले आणि किशोरवयीन मुलांमध्ये कार्यरत स्मृती (डब्ल्यूएम) प्रक्रियेतील कमतरतेचे अनुभवजन्य पुरावे निश्चित करणे. पद्धत ADHD असलेल्या मुलांना WM विकार दिसतात की नाही हे तपासण्यासाठी एक्सप्लोरर मेटा- विश्लेषणात्मक पद्धती वापरल्या गेल्या. १९९७ ते डिसेंबर २००३ या कालावधीत प्रकाशित झालेले २६ प्रायोगिक संशोधन अभ्यास (आधीच्या पुनरावलोकनाच्या अनुषंगाने) आमच्या समावेशाच्या निकषांची पूर्तता करतात. WM उपाय दोन्ही पद्धतीनुसार (मौखिक, अवकाशीय) आणि आवश्यक प्रक्रिया प्रकार (संग्रहित विरूद्ध संग्रह / हाताळणी) नुसार वर्गीकृत केले गेले. परिणाम एडीएचडी असलेल्या मुलांमध्ये डब्ल्यूएमच्या अनेक घटकांमध्ये कमतरता दिसून आली जी भाषा शिकण्याच्या विकारांसह कॉमॉर्बिडिटी आणि सामान्य बौद्धिक क्षमतेमध्ये कमकुवतपणापासून स्वतंत्र होती. अवकाशीय संचयन (प्रभाव आकार = 0. 85, आयसी = 0. 62 - 1. 08) आणि अवकाशीय केंद्रीय कार्यकारी डब्ल्यूएम (प्रभाव आकार = 1. 06, विश्वासार्हता कालावधी = 0. 72-1.39) साठी एकूण परिणाम आकार शब्दशः संचयन (प्रभाव आकार = 0. 47, विश्वासार्हता कालावधी = 0. 36- 0. 59) आणि शब्दशः केंद्रीय कार्यकारी डब्ल्यूएम (प्रभाव आकार = 0. 43, विश्वासार्हता कालावधी = 0. 24- 0. 62) साठी प्राप्त झालेल्यापेक्षा जास्त होते. निष्कर्ष एडीएचडी असलेल्या मुलांमध्ये डब्ल्यूएम विकारांचे पुरावे एडीएचडीमध्ये डब्ल्यूएम प्रक्रियेस सामील असलेल्या अलीकडील सैद्धांतिक मॉडेलचे समर्थन करतात. एडीएचडीच्या विकारांचे स्वरूप, तीव्रता आणि विशिष्टता अधिक स्पष्टपणे स्पष्ट करण्यासाठी भविष्यातील संशोधनाची आवश्यकता आहे. |
49e77b981a0813460e2da2760ff72c522ae49871 | डीप लर्निंग विविध मशीन लर्निंग कार्यांमध्ये इतर पद्धतींपेक्षा अधिक कार्यक्षम होण्यासाठी मोठ्या डेटासेट आणि संगणकीयदृष्ट्या कार्यक्षम प्रशिक्षण अल्गोरिदमचा फायदा घेते. तथापि, खोल न्यूरल नेटवर्कच्या प्रशिक्षण टप्प्यातील अपूर्णता त्यांना प्रतिकूल नमुन्यांना असुरक्षित बनवते: विरोधकांनी तयार केलेल्या इनपुटमुळे खोल न्यूरल नेटवर्कचे वर्गीकरण चुकीचे होते. या कामात, आम्ही डीप न्यूरल नेटवर्क (डीएनएन) विरुद्ध विरोधकांची जागा औपचारिक करतो आणि डीएनएनच्या इनपुट आणि आऊटपुटमधील मॅपिंगच्या अचूक समजावर आधारित प्रतिकूल नमुने तयार करण्यासाठी अल्गोरिदमचा एक नवीन वर्ग सादर करतो. संगणक दृष्टीच्या अनुप्रयोगामध्ये, आम्ही दाखवतो की आमचे अल्गोरिदम मानवी विषयांद्वारे योग्यरित्या वर्गीकृत नमुने विश्वासार्हपणे तयार करू शकतात परंतु डीएनएनद्वारे विशिष्ट लक्ष्यांमध्ये 97% विरोधी यश दराने चुकीचे वर्गीकरण केले जाते तर केवळ सरासरी 4.02 टक्क्यांची सुधारणा करते. प्रति नमुना इनपुट वैशिष्ट्ये. मग आम्ही कठोरता उपाय परिभाषित करून प्रतिकूल व्यत्यय विविध नमुना वर्ग असुरक्षितता मूल्यांकन. शेवटी, आम्ही एक सौम्य इनपुट आणि लक्ष्य वर्गीकरण दरम्यान अंतर एक अंदाज उपाय व्याख्या करून विरोधी नमुने विरुद्ध संरक्षण रुपरेषा प्राथमिक काम वर्णन. |
3f52f57dcfdd1bb0514ff744f4fdaa986a325591 | ऍपलच्या मॅकबुक फर्मवेअर सुरक्षामध्ये अनेक त्रुटी आहेत ज्यामुळे या लॅपटॉपच्या एसपीआय फ्लॅश बूट रॉममध्ये अविश्वसनीय सुधारणा लिहिल्या जाऊ शकतात. ही क्षमता लोकप्रिय Apple MacBook उत्पादनासाठी कायमस्वरूपी फर्मवेअर रूटकिट्स किंवा बूटकिट्स चे एक नवीन वर्ग दर्शवते. गुप्त बूटकिट्स स्वतःला शोधण्यापासून लपवू शकतात आणि सॉफ्टवेअरने त्यांना काढण्याचा प्रयत्न रोखू शकतात. बूट रॉममधील दुर्भावनायुक्त बदल ऑपरेटिंग सिस्टमची पुन्हा स्थापना आणि हार्ड ड्राइव्ह बदलण्यापासून वाचू शकतात. याव्यतिरिक्त, हे मालवेअर इतर थंडरबोल्ट उपकरणांच्या ऑप्शन रॉमवर स्वतःची एक प्रत स्थापित करू शकते जेणेकरून एअर-गॅप सुरक्षा परिमितीवर व्हायरल पसरू शकेल. Apple ने CVE 2014-4498 चा भाग म्हणून यापैकी काही त्रुटी निश्चित केल्या आहेत, परंतु या प्रकारच्या असुरक्षिततेसाठी कोणताही सोपा उपाय नाही, कारण मॅकबुकमध्ये बूटच्या वेळी फर्मवेअरची क्रिप्टोग्राफिक पडताळणी करण्यासाठी विश्वासार्ह हार्डवेअरचा अभाव आहे. |
3b3acbf7cc2ec806e4177eac286a2ee22f6f7630 | या पेपरमध्ये अल्ट्रा-ब्रॉडबँड डिजिटल-टू-अॅनालॉग (डी / ए) रूपांतरण उपप्रणालीसाठी 110-जीएचझेड-बँडविड्थ 2: 1 एनालॉग मल्टीप्लेक्सर (एएमयूएक्स) सादर केले आहे. एएमयूएक्स नवीन विकसित $\pmb{0.25-\mu \mathrm{m}}$ -इमिटर-वाइड इनपी डबल हेटरोजंक्शन बायपोलर ट्रान्झिस्टर (डीएचबीटी) वापरून डिझाइन आणि तयार केले गेले होते, ज्यात अनुक्रमे 460 आणि 480 गीगाहर्ट्झची पीक $\pmb{f_{\mathrm{T}}}$ आणि $\pmb{f\displaystyle \max}$ आहे. एएमयूएक्स आयसीमध्ये डेटा-इनपुट रेषेचा बफर, क्लॉक-इनपुट मर्यादित बफर, एएमयूएक्स कोर आणि आउटपुट रेषेचा बफर यासह एकत्रीत बिल्डिंग ब्लॉक्स असतात. डेटा आणि घड्याळ मार्गांसाठी मोजलेली 3-डीबी बँडविड्थ दोन्ही 110 जीएचझेडपेक्षा जास्त आहे. याव्यतिरिक्त, हे 180 GS/s पर्यंतच्या वेळ-डोमेन मोठ्या सिग्नल नमुना घेण्याच्या ऑपरेशन्सचे मापन करते आणि प्राप्त करते. या AMUX चा वापर करून 224-Gb/s (112-GBaud) चार-स्तरीय पल्स-एम्प्लिट्यूड मोड्युलेशन (PAM4) सिग्नल यशस्वीरित्या तयार करण्यात आला. आमच्या माहितीनुसार, या AMUX IC मध्ये सर्वात जास्त बँडविड्थ आहे आणि इतर कोणत्याही AMUX च्या तुलनेत सर्वात वेगवान सॅम्पलिंग रेट आहे. |
4dd7721248c5489e25f46f7ab78c7d0229a596d4 | या पेपरमध्ये एक पूर्णपणे एकात्मिक आरएफ ऊर्जा-शेती प्रणालीची ओळख आहे. ही प्रणाली एकाच वेळी बाह्य सीसी भाराने मागणी केलेली चालू वितरीत करू शकते आणि अतिरिक्त आउटपुट पॉवरच्या कालावधीत बाह्य कॅपेसिटरमध्ये अतिरिक्त ऊर्जा साठवू शकते. हे डिझाईन 0.18- $\mu \text{m}$ CMOS तंत्रज्ञानाने बनवलेले आहे आणि सक्रिय चिप क्षेत्र 1.08 मिमी2 आहे. प्रस्तावित सेल्फ-स्टार्टिंग सिस्टम एकात्मिक एलसी जुळणारे नेटवर्क, एक आरएफ रेक्टिफायर आणि पॉवर मॅनेजमेंट / कंट्रोलर युनिटसह पुन्हा कॉन्फिगर करण्यायोग्य आहे, जे 66-157 एनडब्ल्यू वापरते. आवश्यक घड्याळ निर्मिती आणि व्होल्टेज संदर्भ सर्किट एकाच चिपवर समाकलित केलेले आहेत. कमी इनपुट पॉवरसाठी ऑपरेट करण्यासाठी ड्यूटी सायकल कंट्रोलचा वापर केला जातो जो मागणीची आउटपुट पॉवर प्रदान करू शकत नाही. याव्यतिरिक्त, उपलब्ध आउटपुट पॉवरची कार्यक्षमता वाढविण्यासाठी आरएफ रेक्टिफायरच्या टप्प्यांची संख्या पुन्हा कॉन्फिगर करण्यायोग्य आहे. उच्च उपलब्ध शक्तीसाठी, बाह्य ऊर्जा संचय घटक चार्ज करण्यासाठी एक दुय्यम मार्ग सक्रिय केला जातो. मोजलेल्या आरएफ इनपुट पॉवरची संवेदनशीलता -14.8 डीबीएम आहे. |
7314be5cd836c8f06bd1ecab565b00b65259eac6 | मोठ्या प्रमाणात दस्तऐवज संग्रहणाचे व्यवस्थापन करण्यासाठी उपाययोजना करणाऱ्या अल्गोरिदमच्या संचिकेचा अभ्यास करणे. |
f0eace9bfe72c2449f76461ad97c4042d2a7141b | या पत्रात डब्ल्यू-बँडमध्ये नवीन अँटेना-इन-पॅकेज (एआयपी) तंत्रज्ञानाचा प्रस्ताव देण्यात आला आहे. या तंत्रज्ञानाचा उपयोग विशेष प्रकरण सोडवण्यासाठी केला जातो. बहुस्तरीय कमी तापमान सह-उजवलेल्या सिरेमिक (एलटीसीसी) तंत्रज्ञानाचा फायदा घेऊन, अँटेनाची रेडिएशन कार्यक्षमता राखली जाऊ शकते. दरम्यान, उच्च यांत्रिक शक्ती आणि ढाल कार्यक्षमता प्राप्त केली जाते. एआयपीचा एक नमुना तयार करण्यात आला आहे. या प्रोटोटाइपमध्ये एकात्मिक एलटीसीसी अँटेना, कमी-हानी फीडर आणि एक कॉनर्ड हॉर्न एपर्चर असलेले मेटलिक पॅकेज आहे. या एलटीसीसी फीडरला लॅमिनेटेड वेव्हगाइड (एलडब्ल्यूजी) द्वारे साकार केले जाते. एलटीसीसीमध्ये पुरलेल्या एलडब्ल्यूजी पोकळीचा उपयोग अँटेना इम्पॅडन्स बँडविड्थ वाढवण्यासाठी केला जातो. इलेक्ट्रोमॅग्नेटिक (ईएम) सिमुलेशन आणि अँटेना कामगिरीचे मोजमाप संपूर्ण आवृत्ती व्याप्तीवर चांगले सहमत आहेत. प्रस्तावित नमुना 88 ते 98 GHz पर्यंत 10 GHz ची -10-dB प्रतिरोध बँडविड्थ आणि 89 GHz वर 12.3 dBi ची पीक गॅनिंग मिळवते. |
2077d0f30507d51a0d3bbec4957d55e817d66a59 | आम्ही एक फ्रेमवर्क विकसित करतो जे सामान्य, अभिव्यक्तीपूर्ण प्रतिमा प्राधान्ये शिकण्यासाठी नैसर्गिक दृश्यांची आकडेवारी कॅप्चर करते आणि विविध मशीन व्हिजन कार्यांसाठी वापरली जाऊ शकते. या पद्धतीमुळे पारंपरिक मार्कोव्ह रँडम फील्ड (एमआरएफ) मॉडेलचा विस्तार होतो. फील्ड पोटेंशियल्सचे मॉडेलिंग प्रॉडक्ट्स-ऑफ-एक्सपर्ट्स फ्रेमवर्कच्या सहाय्याने केले जाते जे अनेक रेषेच्या फिल्टर प्रतिसादांचे नॉन-लाइनर फंक्शन्स वापरतात. पूर्वीच्या एमआरएफ पद्धतींपेक्षा, सर्व पॅरामीटर्स, ज्यात रेषेचा फिल्टर देखील समाविष्ट आहे, प्रशिक्षण डेटामधून शिकले जाते. आम्ही या फील्ड ऑफ एक्सपर्ट्स मॉडेलची क्षमता दोन उदाहरण अनुप्रयोगांसह दर्शवितो, प्रतिमा डेनोइझिंग आणि प्रतिमा इनपेंटिंग, जे साध्या, अंदाजे अनुमान योजना वापरुन अंमलात आणले जातात. मॉडेलला सामान्य प्रतिमा डेटाबेसवर प्रशिक्षित केले जाते आणि विशिष्ट अनुप्रयोगाकडे ट्यून केले जात नाही, आम्ही असे परिणाम मिळवितो जे विशेष तंत्रज्ञानाशी स्पर्धा करतात आणि त्यापेक्षाही चांगले काम करतात. |
214658334c581f0d18b9a871928e91b6e4f83be7 | ही कल्पना स्विच केलेल्या कॅपेसिटर टोपोलॉजीसारखीच आहे ज्यामध्ये व्होल्टेज संतुलित करण्यासाठी बॅटरीच्या पेशींमध्ये कॅपेसिटर किंवा कॅपेसिटर बँक स्विच केले जातात. बॅटरीच्या सेलच्या मूलभूत मॉडेलमध्ये सेलच्या कॅपेसिटिव्ह प्रभावामुळे क्षमता समाविष्ट असल्याने, हा कॅपेसिटिव्ह प्रभाव सेल बॅलेंसिंगमध्ये वापरला जाऊ शकतो. त्यामुळे स्विच केलेल्या कॅपेसिटर टोपोलॉजीमधील इक्वलाइझर कॅपेसिटर काढून टाकले जाऊ शकतात आणि बॅटरीच्या पेशी एकमेकांशी स्विच केल्या जाऊ शकतात. यामुळे ऊर्जा अधिक वेगाने हस्तांतरित होते आणि त्यामुळे जलद समतोल साधला जातो. प्रस्तावित टोपोलॉजीमुळे पॉवर इलेक्ट्रॉनिक सर्किटमध्ये वारंवार अपयशी ठरणाऱ्या कॅपेसिटरसारख्या अतिरिक्त ऊर्जा साठवण घटकांची गरज दूर होते, अतिरिक्त ऊर्जा साठवण घटकांद्वारे घातलेले नुकसान आणि सर्किटची किंमत आणि खंड कमी होतो आणि नियंत्रण अल्गोरिदम सोपे होते. प्रस्तावित संतुलन सर्किट अनुप्रयोगाच्या आवश्यकतेनुसार अंमलात आणले जाऊ शकते. प्रस्तावित टोपोलॉजी मॅटॅब/सिमुलिंक वातावरणात अनुकरण केली जाते आणि स्विच केलेल्या कॅपेसिटर टोपोलॉजीच्या तुलनेत संतुलनाच्या गतीच्या बाबतीत चांगले परिणाम दिसून आले. बॅटरीचे आयुष्य वाढविण्यासाठी आणि बॅटरीमधून जास्तीत जास्त शक्ती काढण्यासाठी सेल बॅलेंसिंग सर्किट महत्वाचे आहेत. बॅटरी पॅकमध्ये सेल बॅलन्सिंगसाठी पॉवर इलेक्ट्रॉनिक्स टोपोलॉजीचा खूप प्रयत्न केला गेला आहे. अॅक्टिव्ह सेल बॅलन्सिंग टोपोलॉजीजमध्ये इंडक्टर-कॅपेसिटर किंवा ट्रान्सफॉर्मर-कॅपेसिटर किंवा स्विच केलेला कॅपेसिटर किंवा स्विच केलेला इंडक्टर यांचे संयोजन वापरून बॅटरीच्या पेशींमधील व्होल्टेज संतुलित करण्यासाठी उच्च कार्यक्षमता दर्शविणार्या पेशींमधून कमी कार्यक्षमता दर्शविणार्या पेशींमध्ये ऊर्जा हस्तांतरित केली जाते. या अभ्यासामध्ये कोणत्याही ऊर्जा साठवण घटक वापरल्याशिवाय सक्रिय संतुलन टोपोलॉजीचा प्रस्ताव आहे. |
0c04909ed933469246defcf9aca2b71ae8e3f623 | या पुस्तकाच्या दुसऱ्या आवृत्तीत झालेला मुख्य बदल म्हणजे संभाव्यता पुनर्प्राप्तीवर एक नवीन अध्याय जोडला गेला आहे. हा अध्याय समाविष्ट करण्यात आला आहे कारण मला वाटते की माहिती पुनर्प्राप्तीमध्ये संशोधनाचे हे सर्वात मनोरंजक आणि सक्रिय क्षेत्र आहे. अजूनही अनेक समस्या सोडवण्यासारख्या आहेत त्यामुळे मला आशा आहे की, या विशेष अध्यायात या क्षेत्रातील ज्ञानाची स्थिती सुधारण्याची इच्छा असलेल्यांना काही मदत होईल. इतर सर्व अध्याय अद्ययावत करण्यात आले आहेत. या पुस्तकाची सामग्री माहिती (किंवा संगणक) विज्ञानातील पदवीधर विद्यार्थ्यांना, ग्रंथालय विज्ञानातील पदव्युत्तर विद्यार्थ्यांना आणि आयआर क्षेत्रातील संशोधकांना उद्देशून आहे. काही अध्याय, विशेषतः अध्याय ६ * मध्ये, थोडेसे प्रगत गणिताचा वापर केला आहे. तथापि, आवश्यक गणिती साधने आता अस्तित्वात असलेल्या असंख्य गणिती ग्रंथांमधून सहजपणे मास्टर केली जाऊ शकतात आणि कोणत्याही परिस्थितीत, जेथे गणित येते तेथे संदर्भ दिले गेले आहेत. मला स्पष्टपणे मांडणी आणि संदर्भ घनतेच्या समतोल साधण्याची समस्या होती. मी मोठ्या संख्येने संदर्भ देण्याचा मोह केला पण मला भीती होती की ते मजकुराची सातत्य नष्ट करतील. मी एक मध्यम मार्ग निवडण्याचा प्रयत्न केला आहे आणि माहिती विज्ञान आणि तंत्रज्ञानाच्या वार्षिक आढावाशी स्पर्धा केली नाही. सामान्यतः एखाद्याला फक्त अशाच प्रकारच्या कामांमधून उद्धरण देण्यास प्रोत्साहन दिले जाते जे पुस्तक किंवा नियतकालिक यासारख्या सहज उपलब्ध स्वरूपात प्रकाशित केले गेले आहेत. दुर्दैवाने, आयआरमधील बहुतेक मनोरंजक काम तांत्रिक अहवाल आणि पीएचडीमध्ये आहे. उदाहरणार्थ, कॉर्नेल येथे SMART प्रणालीवर केलेले बहुतेक काम केवळ अहवालांमध्ये उपलब्ध आहे. नशीबाने यापैकी बरेच आता नॅशनल टेक्निकल इन्फॉर्मेशन सर्व्हिस (यू.एस.) आणि युनिव्हर्सिटी मायक्रोफिल्म्स (यू.के.) द्वारे उपलब्ध आहेत. मी या स्त्रोतांचा वापर करणे टाळले नाही, जरी तीच सामग्री इतर काही स्वरूपात अधिक सहज उपलब्ध असेल तर मी ती प्राधान्य दिली आहे. मला मदत करणाऱ्या अनेक व्यक्ती आणि संस्थांबद्दल मी माझे ऋण व्यक्त करतो. या पुस्तकातील अनेक कल्पनांना ते जबाबदार आहेत, पण त्या जबाबदारीची जबाबदारी फक्त माझीच असावी, असे मला म्हणायचे आहे. माझे सर्वात मोठे ऋण आहे कारेन स्पार्क जोन्सचे ज्यांनी मला माहिती पुनर्प्राप्तीचे संशोधन एक प्रयोगात्मक विज्ञान म्हणून शिकवले. निक जार्डिन आणि रॉबिन . |
3cfbb77e5a0e24772cfdb2eb3d4f35dead54b118 | संदर्भ-अभ्यासाचे मॉडेल (ज्यांना एम्बेडमेंट किंवा न्यूरल भाषा मॉडेल म्हणून अधिक सामान्यपणे ओळखले जाते) हे वितरण सिमेंटिक्स ब्लॉकवरील नवीन मुले आहेत. या मॉडेलच्या सभोवतालच्या चर्चा असूनही, साहित्यात अद्याप क्लासिक, काउंट-वेक्टर-आधारित वितरण सिमेंटिक पध्दतींसह भविष्यवाणी मॉडेलची पद्धतशीर तुलना नाही. या पेपरमध्ये, आम्ही अशा व्यापक मूल्यांकनाची कार्यक्षमता, लेक्सिकल सिमेंटिक्सच्या विस्तृत कार्य आणि अनेक पॅरामीटर सेटिंग्जवर करतो. परिणाम, आमच्या स्वतः च्या आश्चर्यचकित करण्यासाठी, की चर्चा पूर्णपणे न्याय्य आहे, संदर्भ-अंदाजी मॉडेल त्यांच्या गणना आधारित भागांच्या विरुद्ध एक सखोल आणि resounding विजय प्राप्त म्हणून दाखवा. |
9ec20b90593695e0f5a343dade71eace4a5145de | 1 विद्यार्थी, विभाग. कम्प्युटर इंजिनिअरिंग, वेसट, महाराष्ट्र, भारत -----------------------------------------------------------------------------------*** ----------------------------------------------------------------------------------------------------------- सार डीप लर्निंग हे मशीन लर्निंगमधील संशोधनाचे एक नवीन क्षेत्र म्हणून अस्तित्वात आले आहे. मानवी मेंदूप्रमाणे काम करण्याची क्षमता असलेला हा उपकरणाला जटिल माहिती शिकण्याची आणि त्यावर प्रक्रिया करण्याची क्षमता आहे आणि जटिल कार्ये सोडवण्याचा प्रयत्न देखील करतो. या क्षमतेमुळे त्याचा वापर मजकूर, ध्वनी, प्रतिमा इत्यादी विविध क्षेत्रात केला जात आहे. नैसर्गिक भाषा प्रक्रियेवर खोल शिक्षण तंत्रज्ञानाचा परिणाम होऊ लागला आहे. या संशोधन पेपरमध्ये नैसर्गिक भाषा प्रक्रियेतील डीप लर्निंगच्या अलीकडील घडामोडी आणि अनुप्रयोगांवर प्रकाश टाकला गेला आहे. |
cc13fde0a91f4d618e6af66b49690702906316ae | अलिकडच्या वर्षांत क्लाउड कंप्यूटिंग आणि बिग डेटा युग विकसित झाले आहे, ज्यामुळे पारंपरिक निर्णय वृक्ष अल्गोरिदमला आव्हाने निर्माण झाली आहेत. प्रथम, डेटासेटचा आकार खूप मोठा होत असल्याने निर्णय वृक्ष तयार करण्याची प्रक्रिया खूप वेळ घेणारी असू शकते. दुसरे म्हणजे, डेटा मेमरीमध्ये अडकू शकत नाही, काही गणना बाह्य संचयनामध्ये हलविली पाहिजे आणि म्हणूनच आय / ओ खर्च वाढतो. यासाठी आम्ही मॅप रेड्यूस प्रोग्रामिंग मॉडेलचा वापर करून एक ठराविक निर्णय वृक्ष अल्गोरिदम, सी 4. 5 लागू करण्याचा प्रस्ताव ठेवतो. आम्ही पारंपारिक अल्गोरिदमला मॅप आणि रिड्यूस प्रक्रियेच्या मालिकेत रूपांतरित करतो. याशिवाय, आम्ही काही डेटा संरचना डिझाइन करतो जेणेकरून कम्युनिकेशनची किंमत कमी होईल. आम्ही मोठ्या प्रमाणात डेटासेटवर व्यापक प्रयोगही करतो. याचे परिणाम असे दर्शवतात की, आपला अल्गोरिदम वेळ कार्यक्षमता आणि स्केलेबिलिटी दोन्ही दाखवतो. |
d73a71fa24b582accb934a9c2308567376ff396d | 3 डी भौगोलिक डेटाबेस संशोधन हे 3 डी शहरी नियोजन, पर्यावरण देखरेख, पायाभूत सुविधा व्यवस्थापन आणि लवकर चेतावणी किंवा आपत्ती व्यवस्थापन आणि प्रतिसाद यासारख्या आव्हानात्मक अनुप्रयोगांना समर्थन देण्यासाठी एक आशादायक क्षेत्र आहे. या क्षेत्रात, जीआयएस विज्ञान आणि संबंधित क्षेत्रात आंतरशास्त्रीय संशोधनाची आवश्यकता आहे जी मानवी क्रियाकलाप आणि भौगोलिक घटनांचे वर्णन करणारे मोठ्या भौगोलिक संदर्भित डेटा सेटचे मॉडेलिंग, विश्लेषण, व्यवस्थापन आणि एकत्रीकरण समर्थित करते. भू-डेटाबेस 2 डी नकाशे, 3 डी भू-वैज्ञानिक मॉडेल आणि इतर भू-संदर्भित डेटा समाकलित करण्यासाठी प्लॅटफॉर्म म्हणून काम करू शकतात. मात्र सध्याच्या भौगोलिक डेटाबेसमध्ये 3 डी डेटा मॉडेलिंग आणि डेटा हँडलिंगची पुरेशी सुविधा उपलब्ध नाही. पृष्ठभाग आणि खंड मॉडेल हाताळण्यासाठी नवीन 3 डी भू-डेटाबेसची आवश्यकता आहे. या लेखात प्रथम भू-डेटाबेस संशोधनाचे 25 वर्षांचे पुनरावलोकन सादर केले आहे. डेटा मॉडेलिंग, मानके आणि भौगोलिक डेटाचे अनुक्रमणिका याबद्दल सविस्तर चर्चा केली जाते. यामध्ये 3 डी भू-डेटाबेसच्या विकासासाठी नवीन दिशानिर्देश दिले आहेत. पूर्वसूचना आणि आपत्कालीन प्रतिसाद या क्षेत्रात दोन परिस्थिती मानव आणि भूभौतिक घटनांचे एकत्रित व्यवस्थापन दर्शवतात. या लेखाचा शेवट हा खुल्या संशोधनाच्या समस्यांवर एक गंभीर दृष्टिकोन आहे. & २०११ एल्सव्हिअर लिमिटेड सर्व हक्क राखीव आहेत. |
dce7a0550b4d63f6fe2e6908073ce0ce63626b0c | रोबोटिक्स आणि कृत्रिम बुद्धिमत्तेच्या स्वयंचलिततेच्या मार्गावर वाटचाल करत असताना, आपल्या उपकरणांना आपल्यापासून स्वतंत्रपणे काम करता यावे यासाठी आपल्याला अधिकाधिक नैतिक निर्णय स्वयंचलित करणे आवश्यक आहे. पण नैतिक निर्णय स्वयंचलितपणे घेण्यामुळे अभियंते आणि डिझाइनर्सना नवीन प्रश्न पडतात, ज्यांना हे काम कसे पूर्ण करायचे याबाबत निर्णय घ्यावा लागेल. उदाहरणार्थ, काही नैतिक निर्णय घेण्यामध्ये कठीण नैतिक प्रकरणे समाविष्ट असतात, ज्यात आम्हाला स्वायत्तता आणि माहितीपूर्ण संमतीच्या आसपासच्या स्थापित नियमांचा आदर करावा लागतो. या लेखकाच्या लेखनात नैतिक निर्णय घेण्याच्या स्वयंचलिततेशी संबंधित इतर नैतिक विचारांचा विचार केला आहे. तो काही सामान्य नैतिक आवश्यकता प्रस्तावित करतो ज्या डिझाइन रूममध्ये विचारात घेतल्या पाहिजेत आणि अभियंते, डिझाइनर, नैतिकतावादी आणि धोरणकर्त्यांना काही प्रकारचे नैतिक निर्णय स्वयंचलित कसे करावे हे ठरविण्यात मदत करण्यासाठी डिझाइन प्रक्रियेत समाकलित केले जाऊ शकणारे डिझाइन साधन स्केच करते. |
ab19cbea5c61536b616cfa7654cf01bf0621b83f | |
102153467f27d43dd1db8a973846d3ac10ffdc3c | आरोग्य सेवा ही इंटरनेट ऑफ थिंग्स (आयओटी) तंत्रज्ञानाच्या सर्वात वेगाने विस्तारत असलेल्या अनुप्रयोग क्षेत्रांपैकी एक आहे. आयओटी उपकरणांचा वापर हृदयरोगासारख्या तीव्र आजारांसह असलेल्या रुग्णांच्या आरोग्याचे दूरस्थपणे निरीक्षण करण्यास सक्षम करण्यासाठी केला जाऊ शकतो. या पेपरमध्ये आम्ही हृदयगती निदान करण्यासाठी ईसीजी विश्लेषण आणि वर्गीकरणासाठी एक अल्गोरिदम विकसित करतो आणि आयओटी-आधारित एम्बेडेड प्लॅटफॉर्मवर ते लागू करतो. हा अल्गोरिदम हा एक पोशाखयोग्य ईसीजी निदान उपकरणाचा आमचा प्रस्ताव आहे, जो रुग्णाच्या 24 तास सतत देखरेखीसाठी योग्य आहे. आम्ही ईसीजी विश्लेषण करण्यासाठी डिस्क्रीट वेव्हलेट ट्रान्सफॉर्म (डीडब्ल्यूटी) आणि सपोर्ट वेक्टर मशीन (एसव्हीएम) वर्गीकरणकर्ता वापरतो. आकार 18 च्या वैशिष्ट्य वेक्टरसाठी आणि 2493 समर्थन वेक्टरसाठी 98.9% ही सर्वोत्तम वर्गीकरण अचूकता आहे. गॅलिलिओ बोर्डवर अल्गोरिदमची वेगवेगळी अंमलबजावणी, हे दर्शविण्यास मदत करते की संगणकीय खर्च असा आहे की, ईसीजी विश्लेषण आणि वर्गीकरण रिअल-टाइममध्ये केले जाऊ शकते. |
44159c85dec6df7a257cbe697bfc854ecb1ebb0b | नॅशनल इन्स्टिट्यूट ऑफ हेल्थच्या नॅशनल सेंटर फॉर रिसर्च रिसोर्सेसच्या संरक्षणात तयार करण्यात आलेल्या कॉम्प्लेक्स फिजियोलॉजिकल सिग्नल्ससाठी नव्याने उद्घाटन केलेल्या संशोधन संसाधनाचा उद्देश हृदय व रक्तवाहिन्यासंबंधी आणि इतर जटिल बायोमेडिकल सिग्नलच्या अभ्यासामध्ये सध्याचे संशोधन आणि नवीन तपासणीला उत्तेजन देणे आहे. या संसाधनामध्ये तीन परस्पर अवलंबून घटक आहेत. फिजियोबँक हे बायोमेडिकल संशोधन समुदायाद्वारे वापरण्यासाठी शारीरिक सिग्नल आणि संबंधित डेटाच्या चांगल्या प्रकारे वैशिष्ट्यीकृत डिजिटल रेकॉर्डिंगचे एक मोठे आणि वाढणारे संग्रहण आहे. यामध्ये सध्या निरोगी व्यक्तींचे आणि आरोग्यविषयक गंभीर परिणाम असलेल्या अनेक प्रकारच्या स्थिती असलेल्या रुग्णांचे मल्टीपॅरामीटर कार्डिओपल्मोनरी, न्यूरल आणि इतर बायोमेडिकल सिग्नलचे डेटाबेस समाविष्ट आहेत, ज्यात जीवन-धमकी देणारे अरिदमिया, हृदयविकाराचे अपयश, स्लीप एपनिया, न्यूरोलॉजिकल विकार आणि वृद्धत्व यांचा समावेश आहे. फिझियोटूलकिट हे शारीरिक सिग्नल प्रोसेसिंग आणि विश्लेषणासाठी ओपन सोर्स सॉफ्टवेअरचे ग्रंथालय आहे, शास्त्रीय तंत्रे आणि नवीन पद्धतींचा वापर करून शारीरिकदृष्ट्या महत्त्वपूर्ण घटनांचा शोध घेणे, सांख्यिकीय भौतिकशास्त्र आणि नॉनलाइनर डायनॅमिक्सवर आधारित, सिग्नलचे परस्परसंवादी प्रदर्शन आणि वैशिष्ट्यीकरण, नवीन डेटाबेस तयार करणे, शारीरिक आणि इतर सिग्नलचे अनुकरण, विश्लेषण पद्धतींचे परिमाणात्मक मूल्यांकन आणि तुलना आणि नॉनस्टॅशनिअर प्रक्रियेचे विश्लेषण. फिजियोनेट हा ऑनलाईन मंच आहे ज्यामध्ये रेकॉर्ड केलेल्या बायोमेडिकल सिग्नल आणि त्यांचे विश्लेषण करण्यासाठी ओपन सोर्स सॉफ्टवेअरचे प्रसार आणि देवाणघेवाण केली जाते. यात डेटाचे सहकार्याने विश्लेषण आणि प्रस्तावित नवीन अल्गोरिदमचे मूल्यांकन करण्याची सुविधा उपलब्ध आहे. फिजियोबँक डेटा आणि फिजियोटूलकिट सॉफ्टवेअरला वर्ल्ड वाइड वेब (http://www.physionet.com/) द्वारे मोफत इलेक्ट्रॉनिक प्रवेश प्रदान करण्याव्यतिरिक्त, फिजियोबँकचे हे सॉफ्टवेअर सर्वसाधारणपणे वापरकर्त्यांना उपलब्ध आहे. org) या संस्थेच्या माध्यमातून, PhysioNet ऑनलाईन ट्युटोरियल्सद्वारे सेवा आणि प्रशिक्षण देते जे विविध स्तरावरील तज्ञांना मदत करते. |
a92eac4415719698d7d2097ef9564e7b36699010 | उद्देश - कॉर्पोरेट शाश्वतता आणि त्याच्या कामगिरीचा अहवाल देण्यासाठी आणि त्याबाबत अहवाल देण्यासाठी हितधारकांना सहभागी करून घेण्याचा एक दृष्टीकोन म्हणून सामाजिक लेखापरीक्षणाची उपयुक्तता ओळखणे. डिझाईन/मेथडोलॉजी/पद्धती - एए 1000 आणि सामाजिक ऑडिटिंग अभ्यास या चौकटीवर आधारित, हा पेपर कॉर्पोरेट शाश्वततेच्या उद्देशाने संवाद-आधारित सामाजिक ऑडिटिंग लागू करण्यासाठी हितधारक सहभाग, सामाजिक ऑडिटिंग आणि कॉर्पोरेट टिकाव यांचा दुवा साधतो. निष्कर्ष - या पेपरमध्ये कॉर्पोरेट शाश्वतता आणि सामाजिक ऑडिट यांच्यात एक सामना ओळखला गेला आहे, कारण दोन्ही संघटनांच्या सामाजिक, पर्यावरणीय आणि आर्थिक कामगिरीमध्ये सुधारणा करण्याचा हेतू आहे, हितधारकांच्या विस्तृत श्रेणीचे कल्याण विचारात घेत आणि प्रक्रियेत हितधारकांच्या गुंतवणूकीची आवश्यकता आहे. या पेपरमध्ये असे सुचवले आहे की संवादातून हितधारकांना गुंतवून ठेवून सामाजिक ऑडिटिंगचा वापर ट्रस्ट तयार करण्यासाठी, वचनबद्धता ओळखण्यासाठी आणि हितधारक आणि कॉर्पोरेशन्समध्ये सहकार्याला प्रोत्साहन देण्यासाठी केला जाऊ शकतो. संशोधन मर्यादा/परिणाम - या संशोधनासाठी कॉर्पोरेट शाश्वततेच्या दृष्टीने सामाजिक लेखापरीक्षणाची व्यावहारिकता आणि संवाद-आधारित सामाजिक लेखापरीक्षणाच्या मर्यादा निश्चित करण्याच्या बाबतीत अधिक अनुभवजन्य संशोधनाची आवश्यकता आहे. व्यावहारिक परिणाम - सामाजिक लेखापरीक्षण ही लोकशाही व्यवसायाच्या समाजात हितधारक आणि कॉर्पोरेशनमधील भिन्न हितसंबंधांचे संतुलन साधण्याची उपयुक्त यंत्रणा म्हणून ओळखली गेली आहे. कॉर्पोरेट शाश्वततेचा विकास आणि साध्य करण्यासाठी सामाजिक लेखापरीक्षणाचा वापर केल्यास प्रत्यक्षात व्यावहारिक परिणाम दिसून येतात. मूळपणा/मूल्य - या पेपरमध्ये व्यवसायात शाश्वततेकडे वाटचाल करण्यासाठी संवाद-आधारित सामाजिक लेखापरीक्षणाची उपयुक्तता तपासली आहे. संवादातून हितधारकांना सहभागी करून कंपनीच्या सामाजिक आणि पर्यावरणीय कामगिरीचे मूल्यांकन आणि अहवाल देण्याची प्रक्रिया म्हणून सामाजिक ऑडिटिंगचा वापर ट्रस्ट तयार करण्यासाठी, प्रतिबद्धता ओळखण्यासाठी आणि हितधारक आणि कॉर्पोरेशनमधील सहकार्याला प्रोत्साहन देण्यासाठी केला जाऊ शकतो. |
915c4bb289b3642489e904c65a47fa56efb60658 | आपण प्रतिमा रूपांतरण समस्यांचा विचार करतो, जिथे इनपुट प्रतिमा आउटपुट प्रतिमेमध्ये रूपांतरित केली जाते. अशा समस्यांसाठी अलीकडील पद्धती सामान्यतः फीड-फॉरवर्ड कन्वॉल्युशनल न्यूरल नेटवर्कला आउटपुट आणि ग्राउंड-ट्रूथ इमेजेस दरम्यान प्रति-पिक्सेल नुकसान वापरून प्रशिक्षित करतात. या समानांतर कामाने हे सिद्ध केले आहे की पूर्व-प्रशिक्षित नेटवर्कमधून काढलेल्या उच्च-स्तरीय वैशिष्ट्यांवर आधारित धारणा नुकसान कार्ये परिभाषित आणि ऑप्टिमाइझ करून उच्च-गुणवत्तेची प्रतिमा तयार केली जाऊ शकते. आम्ही दोन्ही पद्धतींचे फायदे एकत्र करतो आणि प्रतिमा रूपांतरण कार्यांसाठी फीड-फॉरवर्ड नेटवर्कचे प्रशिक्षण देण्यासाठी अनुभूती नुकसान कार्ये वापरण्याचा प्रस्ताव ठेवतो. आम्ही प्रतिमा शैली हस्तांतरण परिणाम दर्शवितो, जेथे फीड-फॉरवर्ड नेटवर्कला गॅटिस आणि इतर यांनी प्रस्तावित केलेल्या ऑप्टिमायझेशन समस्येचे रिअल-टाइममध्ये निराकरण करण्यासाठी प्रशिक्षित केले जाते. ऑप्टिमायझेशनवर आधारित पद्धतीच्या तुलनेत, आपले नेटवर्क समान गुणात्मक परिणाम देते परंतु ते तीन ऑर्डर वेगाने आहे. आम्ही एका प्रतिमेच्या सुपर-रिझोल्यूशनचा प्रयोगही करतो, ज्यामध्ये प्रति-पिक्सेलचे नुकसान प्रतिबिंबक नुकसानाने बदलले तर दृश्यात्मकदृष्ट्या आनंददायक परिणाम मिळतात. |
9201bf6f8222c2335913002e13fbac640fc0f4ec | |
929a376c6fea1376baf40fc2979cfbdd867f03ab | लोसी इमेज कॉम्प्रेशन पद्धती नेहमीच संकुचित परिणामांमध्ये विविध अप्रिय कलाकृती सादर करतात, विशेषतः कमी बिट-रेटवर. अलिकडच्या वर्षांत, जेपीईजी संकुचित प्रतिमांसाठी अनेक प्रभावी सॉफ्ट डीकोडिंग पद्धती प्रस्तावित केल्या गेल्या आहेत. मात्र, जेपीईजी 2000 संकुचित प्रतिमांच्या सॉफ्ट डिकोडिंगवर फारच कमी काम झाले आहे. कॉन्वॉल्यूशन न्यूरल नेटवर्क (सीएनएन) च्या विविध संगणक दृष्टी कार्यांमध्ये उत्कृष्ट कामगिरीने प्रेरित, आम्ही एकाधिक बिट-रेट-चालित खोल सीएनएन वापरुन जेपीईजी 2000 साठी एक सॉफ्ट डीकोडिंग पद्धत सादर करतो. अधिक विशेषतः, प्रशिक्षण टप्प्यात, आम्ही अनेक उच्च दर्जाचे प्रशिक्षण प्रतिमा आणि संबंधित JPEG 2000 संकुचित प्रतिमा विविध कोडिंग बिट-रेट वापरून खोल सीएनएनची मालिका प्रशिक्षित करतो. चाचणीच्या टप्प्यात, इनपुट संकुचित प्रतिमेसाठी, सर्वात जवळच्या कोडिंग बिट-रेटसह प्रशिक्षित सीएनएन सॉफ्ट डीकोडिंग करण्यासाठी निवडले जाते. विस्तृत प्रयोगांमुळे सादर केलेल्या सॉफ्ट डिकोडिंग फ्रेमवर्कची कार्यक्षमता दिसून येते, जी जेपीईजी 2000 संकुचित प्रतिमांची दृश्य गुणवत्ता आणि उद्दीष्ट गुणोत्तर मोठ्या प्रमाणात सुधारते. |
cfa092829c4c7a42ec77ab6844661e1dae082172 | बिटकॉईनने एक नवीन संकल्पना सादर केली आहे जी संपूर्ण इंटरनेटमध्ये शक्यतो क्रांती घडवून आणू शकते आणि बँकिंग, सार्वजनिक क्षेत्र आणि पुरवठा साखळीसह अनेक प्रकारच्या उद्योगांवर सकारात्मक परिणाम करू शकते. या नवकल्पना छद्म-अनामिकतेवर आधारित आहे आणि ब्लॉकचेन तंत्रज्ञानावर आधारित त्याच्या नाविन्यपूर्ण विकेंद्रीकृत आर्किटेक्चरवर प्रयत्नशील आहे. ब्लॉकचेन व्यवहारांवर आधारित अनुप्रयोगांची शर्यत पुढे ढकलत आहे ज्यात विश्वासार्हता स्थापन करण्यासाठी केंद्रीकृत प्राधिकरणाची आवश्यकता नसताना, व्यवसाय प्रक्रियेमध्ये जबाबदारी आणि पारदर्शकता वाढविणे आवश्यक आहे. तथापि, ब्लॉकचेन लेजर (उदाहरणार्थ, बिटकॉइन) खूपच जटिल बनते आणि विशेष साधने, ज्यांना एकत्रितपणे ब्लॉकचेन ticsनालिटिक्स म्हणतात, आवश्यक आहेत जेणेकरून व्यक्ती, कायद्याची अंमलबजावणी करणारे संस्था आणि सेवा प्रदाते शोधू शकतील, एक्सप्लोर करू शकतील आणि त्याचे दृश्यमान करू शकतील. गेल्या काही वर्षांत, अनेक विश्लेषणात्मक साधने विकसित केली गेली आहेत ज्यात क्षमता आहे, उदा. संबंधांचे नकाशे तयार करणे, व्यवहारांचे प्रवाह तपासणे आणि फोरेंसिक तपासणी वाढविण्याचा एक मार्ग म्हणून गुन्हेगारी प्रकरणे फिल्टर करणे. या पेपरमध्ये ब्लॉकचेन विश्लेषणात्मक साधनांच्या सद्यस्थितीवर चर्चा केली आहे आणि त्यांच्या अनुप्रयोगांवर आधारित थीमॅटिक वर्गीकरण मॉडेल सादर केले आहे. भविष्यातील विकास आणि संशोधनासाठी असलेल्या आव्हानांचाही यामध्ये अभ्यास केला जातो. |
2e5fadbaab27af0c2b5cc6a3481c11b2b83c4f94 | आम्ही फोटोच्या मागे फोटोग्राफरची ओळख पटवण्याची नवीन समस्या सादर करतो. या समस्येवर उपाय शोधण्यासाठी संगणकीय दृष्टीच्या सध्याच्या तंत्रज्ञानाची व्यवहार्यता तपासण्यासाठी आम्ही एक नवीन डेटासेट तयार केला. १८०,००० पेक्षा जास्त छायाचित्रांचा जो ४१ सुप्रसिद्ध फोटोग्राफरनी घेतला होता. या डेटासेटचा वापर करून आम्ही छायाचित्रकाराची ओळख पटवण्यासाठी विविध वैशिष्ट्यांची (निच- आणि उच्च-स्तरीय, सीएनएन वैशिष्ट्यांसह) प्रभावीता तपासली. आम्ही या कामासाठी एक नवीन खोल संकुचित तंत्रिका नेटवर्क देखील प्रशिक्षित केले. आमचे परिणाम दाखवतात की उच्च स्तरीय वैशिष्ट्ये कमी स्तरीय वैशिष्ट्यांपेक्षा जास्त कार्य करतात. आम्ही या शिकलेल्या मॉडेलचा वापर करून गुणात्मक परिणाम प्रदान करतो जे आमच्या पद्धतीच्या फोटोग्राफरमधील फरक ओळखण्याच्या क्षमतेची अंतर्दृष्टी देते आणि आम्हाला विशिष्ट फोटोग्राफर काय शूट करतात याबद्दल मनोरंजक निष्कर्ष काढण्याची परवानगी देते. आम्ही आमच्या पद्धतीचे दोन अनुप्रयोग देखील दर्शवितो. |
25b6818743a6c0b9502a1c026c653038ff505c09 | |
6ed67a876b3afd2f2fb7b5b8c0800a0398c76603 | |
24281c886cd9339fe2fc5881faf5ed72b731a03e | मॅपरेड्यूस आणि त्याचे प्रकार मोठ्या प्रमाणात डेटा-केंद्रित अनुप्रयोगांच्या अंमलबजावणीत मोठ्या प्रमाणात यशस्वी झाले आहेत. तथापि, यापैकी बहुतेक प्रणाली एक अ-चक्रवाचक डेटा प्रवाह मॉडेलच्या आसपास तयार केल्या आहेत जी इतर लोकप्रिय अनुप्रयोगांसाठी योग्य नाही. या पेपरमध्ये अशा प्रकारच्या अनुप्रयोगांच्या एका वर्गावर लक्ष केंद्रित केले आहे: जे एकाधिक समांतर ऑपरेशन्समध्ये डेटाच्या कार्यरत संचाचा पुन्हा वापर करतात. यात अनेक पुनरावृत्ती यंत्र शिक्षण अल्गोरिदम तसेच परस्परसंवादी डेटा विश्लेषण साधने समाविष्ट आहेत. आम्ही स्पार्क नावाच्या नवीन फ्रेमवर्कचा प्रस्ताव करतो जे या अनुप्रयोगांना समर्थन देते आणि मॅपरेड्यूसची स्केलेबिलिटी आणि फॉल्ट टॉलरन्स कायम ठेवते. या उद्दिष्टांच्या पूर्ततेसाठी स्पार्क एक अमूर्त परिचय देते ज्याला रेझिलिएंट डिस्ट्रिब्युटेड डेटासेट (आरडीडी) म्हणतात. आरडीडी हे केवळ वाचनीय वस्तूंचे संग्रह आहे जे मशीनच्या संचामध्ये विभागलेले आहे जे विभाजन गमावले असल्यास पुन्हा तयार केले जाऊ शकते. स्पार्क पुनरावृत्ती मशीन लर्निंग जॉबमध्ये हॅडूपपेक्षा 10 पट अधिक कामगिरी करू शकते आणि उप-सेकंद प्रतिसाद वेळेसह 39 जीबी डेटासेटला परस्परसंवादीपणे क्वेरी करण्यासाठी वापरले जाऊ शकते. |
03ff3f8f4d5a700fbe8f3a3e63a39523c29bb60f | वाक्य अचूकपणे मांडण्याची क्षमता भाषेच्या समजण्यासाठी महत्त्वाची आहे. आम्ही एक संक्रमणीय वास्तू वर्णन करतो ज्याला डायनॅमिक कन्व्होल्युशनल न्यूरल नेटवर्क (डीसीएनएन) असे म्हणतात जे आम्ही वाक्ये अर्थपूर्ण मॉडेलिंगसाठी स्वीकारतो. नेटवर्क डायनॅमिक के-मॅक्स पूलिंग वापरते, जे रेषेच्या अनुक्रमांवर जागतिक पूलिंग ऑपरेशन आहे. नेटवर्क वेगवेगळ्या लांबीच्या इनपुट वाक्ये हाताळते आणि वाक्यांवर एक वैशिष्ट्य आलेख निर्माण करते जे स्पष्टपणे लहान आणि दीर्घ-श्रेणीचे संबंध कॅप्चर करण्यास सक्षम आहे. हे नेटवर्क पार्स ट्रीवर अवलंबून नाही आणि कोणत्याही भाषेवर सहज लागू होते. आम्ही डीसीएनएन चाचणी चार प्रयोगांमध्ये केली: लहान प्रमाणात बायनरी आणि मल्टी-क्लास भावना अंदाज, सहा-मार्ग प्रश्न वर्गीकरण आणि दूरस्थ देखरेखीद्वारे ट्विटर भावना अंदाज. पहिल्या तीन कामांमध्ये नेटवर्क उत्कृष्ट कामगिरी करते आणि शेवटच्या कामामध्ये 25% पेक्षा जास्त त्रुटी कमी होते. |
ff5c193fd7142b3f426baf997b43937eca1bbbad | उच्च शक्तीच्या मध्यम-व्होल्टेज ऊर्जा नियंत्रणाच्या क्षेत्रात बहुस्तरीय इन्व्हर्टर तंत्रज्ञान अलीकडेच एक अतिशय महत्वाचा पर्याय म्हणून उदयास आले आहे. या पेपरमध्ये डायोड-कॅम्पस्ड इन्व्हर्टर (न्यूट्रल-पॉईंट क्लॅम्पस्ड), कॅपेसिटर-कॅम्पस्ड (फ्लाइंग कॅपेसिटर) आणि कॅस्केडेड मल्टीसेल सारख्या स्वतंत्र डीसी स्रोतांसह सर्वात महत्वाच्या टोपोलॉजी सादर केल्या आहेत. अशा प्रकारच्या टॉपॉलॉजीज जसे की असममित संकरित सेल आणि सॉफ्ट-स्विच मल्टीलेव्हल इन्व्हर्टर यांचीही चर्चा केली जाते. या कागदपत्रामध्ये या परिवर्तनाच्या कुटुंबासाठी विकसित केलेल्या सर्वात संबंधित नियंत्रण आणि मॉड्युलेशन पद्धतींचा देखील उल्लेख केला आहे. बहुस्तरीय सिन्यूसोइडल पल्सविड्थ मॉड्युलेशन, बहुस्तरीय निवडक हार्मोनिक एलिमिनेशन आणि स्पेस-वेक्टर मॉड्युलेशन. या कन्व्हर्टरचे नवीन आणि अधिक संबंधित अनुप्रयोग जसे की लॅमिनेटर, कन्व्हेयर बेल्ट आणि युनिफाइड पॉवर-फ्लो कंट्रोलर याकडे विशेष लक्ष दिले जाते. पुनरुत्पादक भार पुरवणार्या इन्व्हर्टरसाठी इनपुट बाजूला सक्रिय फ्रंट एंडची आवश्यकता देखील चर्चा केली जाते आणि सर्किट टोपोलॉजी पर्याय देखील सादर केले जातात. यामध्ये उच्च-दाब उच्च-शक्ती उपकरणे आणि ऑप्टिकल सेन्सर्स आणि भविष्यातील विकासाच्या इतर संधी यासारख्या विकसनशील क्षेत्रांचा समावेश आहे. |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.