_id
stringlengths 40
40
| text
stringlengths 0
9.56k
|
|---|---|
40baa5d4632d807cc5841874be73415775b500fd | मोटर ड्राइव्हसाठी पारंपारिक दोन-स्तरीय उच्च-वारंवारता इंपल्स-वाइड मॉड्युलेशन (पीडब्ल्यूएम) इन्व्हर्टरमध्ये त्यांच्या उच्च-वारंवारता स्विचिंगशी संबंधित अनेक समस्या आहेत ज्यामुळे सामान्य-मोड व्होल्टेज आणि उच्च-व्होल्टेज बदल (डीव्ही / डीटी) दर मोटर वाइंडिंगमध्ये निर्माण होतात. मल्टीलेव्हल इन्व्हर्टर या समस्या सोडवतात कारण त्यांचे डिव्हाइस कमी वारंवारतेवर स्विच करू शकतात. इलेक्ट्रिक ड्राइव्हसाठी कनवर्टर म्हणून वापरण्यासाठी दोन वेगवेगळ्या मल्टीलेव्हल टोपोलॉजीची ओळख आहे, स्वतंत्र डीसी स्रोतांसह कॅस्केड इन्व्हर्टर आणि बॅक-टू-बॅक डायोड क्लॅम्प्ड कनवर्टर. कॅस्केड इन्व्हर्टर हे मोठ्या ऑटोमोटिव्ह अॅलेलेक्ट्रिक ड्राइव्हसाठी एक नैसर्गिक फिट आहे कारण उच्च व्हीए रेटिंग्स शक्य आहेत आणि कारण ते डीसी व्होल्टेज स्रोतांच्या अनेक स्तरांचा वापर करतात जे बॅटरी किंवा इंधन पेशींमधून उपलब्ध असतील. बॅक-टू-बॅक डायोड क्लॅम्प्ड कनवर्टर आदर्श आहे जेथे हायब्रिड इलेक्ट्रिक वाहन सारख्या एसी व्होल्टेजचा स्रोत उपलब्ध आहे. अनुकरण आणि प्रयोगात्मक परिणामांमध्ये पीडब्लूएम आधारित ड्राइव्ह्सपेक्षा या दोन कन्व्हर्टरची श्रेष्ठता दिसून येते. |
895fa1357bcfa9b845945c6505a6e48070fd5d89 | या कामात आम्ही एक सुरक्षित इलेक्ट्रॉनिक मतदान प्रोटोकॉल प्रस्तावित करतो जो इंटरनेटवर मोठ्या प्रमाणात मतदान करण्यासाठी योग्य आहे. या प्रोटोकॉलमुळे मतदाराला अज्ञातपणे मतदान करता येते, ज्याचा शोध लावता येत नाही परंतु अस्सल संदेश पाठवता येतात. या प्रोटोकॉलमध्ये हे सुनिश्चित केले आहे की (i) केवळ पात्र मतदारच मतदान करू शकतात, (ii) एक मतदार फक्त एक मत देऊ शकतो, (iii) एक मतदार त्याच्या मताची अंतिम मोजणीमध्ये गणना केली जाते हे सत्यापित करू शकतो, (iv) मतदार व्यतिरिक्त कोणीही मतदानाला मतदाराशी जोडू शकत नाही आणि (v) जर मतदाराने मत न देण्याचा निर्णय घेतला तर कोणीही मतदाराच्या जागी फसवणूक मत देऊ शकत नाही. या प्रोटोकॉलमध्ये सर्व नोंदणीकृत मतदारांच्या सहकार्याची आवश्यकता नाही. तसेच मतदानासाठी थ्रेशोल्ड क्रिप्टोसिस्टम किंवा अनामिक चॅनेल सारख्या जटिल क्रिप्टोग्राफिक तंत्रांचा वापर करण्याची आवश्यकता नाही. याच्या उलट इतर मतदान प्रोटोकॉल जे साहित्य मध्ये प्रस्तावित केले गेले आहे. यशस्वी ऑपरेशनसाठी प्रोटोकॉलमध्ये मतदारांव्यतिरिक्त तीन एजंट्सचा वापर केला जातो. मात्र, यापैकी कोणत्याही एजंटवर विश्वास ठेवण्याची गरज नाही. म्हणजेच, एजंट शारीरिकरित्या एकत्रितपणे एकत्रितपणे किंवा एकमेकांशी घोटाळा करण्याचा प्रयत्न करण्यासाठी एकत्रितपणे काम करू शकतात. जर फसवणूक झाली असेल तर ती सहजपणे शोधून काढता येते आणि सिद्ध करता येते, त्यामुळे मतदान शून्य आणि अवैध घोषित करता येते. इलेक्ट्रॉनिक मतदान लक्षात घेऊन आम्ही प्रोटोकॉलचा प्रस्ताव ठेवला असला तरी, प्रोटोकॉलचा वापर इतर अनुप्रयोगांमध्ये केला जाऊ शकतो ज्यात ट्रॅक न करता अद्याप अस्सल संदेश देवाणघेवाण करणे समाविष्ट आहे. अशा प्रकारच्या अनुप्रयोगांची उदाहरणे गोपनीय प्रश्नावलीचे अनामिकपणे उत्तर देणे किंवा अनामिक आर्थिक व्यवहार आहेत. |
cf9145aa55da660a8d32bf628235c615318463bf | गेल्या दशकात हे स्पष्ट झाले आहे की एम्बेडेड सिस्टीम आपल्या दैनंदिन जीवनाचा अविभाज्य भाग आहेत. अनेक एम्बेडेड अॅप्लिकेशन्सचा वायरलेस स्वभाव आणि त्यांची सर्वव्यापीता यामुळे सुरक्षा आणि गोपनीयता राखण्यासाठी यंत्रणांची आवश्यकता विशेषतः महत्वाची बनली आहे. त्यामुळे एफपीजीए एम्बेडेड सिस्टिमचा अविभाज्य भाग बनत असल्याने त्यांच्या सुरक्षेचा संपूर्ण विचार करणे गरजेचे आहे. या लेखामध्ये एफपीजीएच्या सुरक्षा समस्यांचे वर्णन केले आहे. आम्ही क्रिप्टोग्राफिक अनुप्रयोगांसाठी पुनर्रचना करण्यायोग्य हार्डवेअरच्या फायद्यांविषयी चर्चा करतो, एफपीजीएच्या संभाव्य सुरक्षा समस्या दर्शवितो आणि खुल्या संशोधन समस्यांची यादी प्रदान करतो. याव्यतिरिक्त, आम्ही एफपीजीए वर सार्वजनिक आणि सममितीय-की अल्गोरिदम अंमलबजावणीचे सारांश देतो. |
748eb923d2c384d2b3af82af58d2e6692ef57aa1 | मजकूर खनन हे संगणक विज्ञानाचे एक नवीन आणि रोमांचक क्षेत्र आहे जे डेटा खनन, मशीन लर्निंग, नैसर्गिक भाषा प्रक्रिया, माहिती पुनर्प्राप्ती आणि ज्ञान व्यवस्थापन या तंत्रांचे संयोजन करून माहितीच्या ओव्हरलोडच्या संकटाचे निराकरण करण्याचा प्रयत्न करते. टेक्स्ट मायनिंग हँडबुकमध्ये टेक्स्ट मायनिंग आणि लिंक डिटेक्शनच्या नवीनतम तंत्रांची व्यापक चर्चा आहे. कोर टेक्स्ट मायनिंग आणि लिंक डिटेक्शन अल्गोरिदम आणि ऑपरेशन्सची सखोल तपासणी करण्याव्यतिरिक्त, पुस्तक प्रगत पूर्व-प्रक्रिया तंत्र, ज्ञान प्रतिनिधित्व विचारांवर आणि व्हिज्युअलायझेशन दृष्टिकोन, वास्तविक-जगातील अनुप्रयोगांसह समाप्त करते. |
d044d399049bb9bc6df8cc2a5d72610a95611eed | उद्देश: लोकोमॅटच्या सहाय्याने चालण्याचे प्रशिक्षण देणाऱ्या रोबोटची, स्ट्रोक झालेल्या व्यक्तींमध्ये चालण्याचे पारंपरिक प्रशिक्षण देणाऱ्या रोबोटशी तुलना करणे. पद्धती एकूण 63 सहभागी < 6 महिने स्ट्रोक नंतर सुरुवातीच्या चालण्याच्या गती 0. 1 ते 0. 6 मीटर/ सेकंदाच्या दरम्यान असलेल्यांनी बहुकेंद्री, यादृच्छिक क्लिनिकल चाचणी पूर्ण केली. सर्व सहभागींना लोकोमॅट किंवा पारंपरिक चालण्याच्या प्रशिक्षणाच्या चोवीस एक तासांच्या सत्रांमध्ये सहभागी करण्यात आले. प्रशिक्षणानंतर 12 आणि 24 सत्रांनंतर आणि 3 महिन्यांच्या अनुवर्ती परीक्षेत परिणाम मापन केले गेले. जमिनीवर चालण्याचा वेग आणि 6 मिनिटांत चाललेले अंतर हे प्राथमिक परिणाम होते, तर दुय्यम परिणाम उपाय म्हणजे संतुलन, गतिशीलता आणि कार्य, ताल आणि सममिती, अपंगत्वाची पातळी आणि जीवन गुणवत्ता यांचा समावेश होता. परिणामी, ज्यांना पारंपरिक चालण्याचे प्रशिक्षण मिळाले, त्यांच्या चालण्याच्या गतीमध्ये (पी = . 002) आणि अंतरावर (पी = . 03) लक्षणीय वाढ झाली. तीन महिन्यांच्या अनुवर्ती मूल्यांकनात हे फरक कायम राहिले. दुय्यम मापन हे दोन गटांमध्ये वेगळे नव्हते, जरी पारंपरिक विरूद्ध लोकोमॅट गटात 2 पट जास्त सुधारणा दिसून आली. निष्कर्ष मध्यम ते गंभीर चालण्याच्या क्षमतेच्या घटनेने ग्रस्त उप- तीव्र स्ट्रोक सहभागींसाठी, चालण्याच्या क्षमतेमध्ये परतावा मिळविण्यासाठी रोबोट- सहाय्यक चालण्याच्या प्रशिक्षणापेक्षा पारंपरिक चालण्याच्या प्रशिक्षण हस्तक्षेप अधिक प्रभावी असल्याचे दिसते. |
098cc8b16697307a241658d69c213954ede76d59 | दोन प्लॅटफॉर्मवर 43 वापरकर्त्यांचा डेटा वापरून आम्ही स्मार्टफोन ट्रॅफिकचा सविस्तर आढावा सादर करतो. आम्हाला आढळले की ब्राउझिंगमुळे अर्ध्याहून अधिक रहदारी होते, तर ईमेल, मीडिया आणि नकाशे प्रत्येकी अंदाजे 10% योगदान देतात. आम्हाला असेही आढळले आहे की खालच्या लेयर प्रोटोकॉलचे ओव्हरहेड लहान हस्तांतरण आकारांमुळे जास्त आहे. अर्ध्या ट्रान्सफरसाठी जे ट्रान्सपोर्ट लेव्हल सिक्युरिटी वापरतात, हेडर बाइट्स एकूण 40% असतात. आम्ही दाखवतो की पॅकेट गमावणे हा मुख्य घटक आहे जो स्मार्टफोन ट्रॅफिकची मर्यादा मर्यादित करतो, इंटरनेट सर्व्हरवरील मोठ्या पाठवा बफरमुळे हस्तांतरणाच्या एक चतुर्थांश हस्तांतरणाची वाढ होऊ शकते. आणि शेवटी, स्मार्टफोन ट्रॅफिक आणि रेडिओ पॉवर मॅनेजमेंट पॉलिसी यांच्यातील परस्परसंवादाचा अभ्यास करून, आम्हाला आढळले की पॅकेट एक्सचेंजच्या कामगिरीवर कमीतकमी परिणाम करून रेडिओचा उर्जा वापर 35% कमी केला जाऊ शकतो. |
1e126cee4c1bddbfdd4e36bf91b8b1c2fe8d44c2 | या पेपरमध्ये पॉवरबूटर, एक स्वयंचलित पॉवर मॉडेल बांधकाम तंत्र आहे ज्यामध्ये अंगभूत बॅटरी व्होल्टेज सेन्सर्स आणि बॅटरी डिस्चार्ज वर्तनाचे ज्ञान वापरून पॉवर वापरावर लक्ष ठेवण्यासाठी वापरले जाते. यासाठी बाह्य मोजमाप उपकरणाची गरज नाही. पॉवर ट्युटर, एक घटक शक्ती व्यवस्थापन आणि क्रियाकलाप स्थिती अंतर्दृष्टी आधारित साधन जे पॉवरबूटरद्वारे ऑनलाइन शक्ती अंदाज करण्यासाठी तयार केलेले मॉडेल वापरते. पॉवरबूटरचा उद्देश अॅप्लिकेशन डेव्हलपर्स आणि अंतिम वापरकर्त्यांसाठी नवीन स्मार्टफोन प्रकारांसाठी पॉवर मॉडेल तयार करणे जलद आणि सोपे करणे आहे, ज्यात प्रत्येकाची वेगवेगळी उर्जा उपभोग गुणधर्म आहेत आणि म्हणूनच वेगवेगळ्या उर्जा मॉडेलची आवश्यकता आहे. एम्बेडेड सिस्टिमसाठी पॉवर ट्यूटरचा वापर ऊर्जा कार्यक्षम सॉफ्टवेअरची रचना आणि निवड सुलभ करण्यासाठी केला जातो. पॉवरबूटर आणि पॉवरट्यूटर एकत्रितपणे अधिक स्मार्टफोन प्रकार आणि त्यांच्या वापरकर्त्यांसाठी पॉवर मॉडेलिंग आणि विश्लेषण उघडण्याचे लक्ष्य आहे. |
3f62fe7de3bf15af1e5871dd8f623db29d8f0c35 | २५५ वापरकर्त्यांच्या तपशीलवार मागोवा घेत आम्ही स्मार्टफोनच्या वापराचा व्यापक अभ्यास करतो. आम्ही वापरकर्त्याच्या क्रियाकलापांची व्याख्या करतो -- यंत्राशी आणि वापरलेल्या अनुप्रयोगांशी संवाद -- आणि त्या क्रियाकलापांचा परिणाम नेटवर्क आणि ऊर्जेच्या वापरावर होतो. आम्हाला वापरकर्त्यांमध्ये प्रचंड विविधता आढळते. आपण अभ्यास केलेल्या सर्व बाबींमध्ये, वापरकर्ते एक किंवा अधिक परिमाणाने भिन्न आहेत. उदाहरणार्थ, दररोज सरासरी 10 ते 200 संवाद होतात आणि दररोज प्राप्त होणाऱ्या डेटाची सरासरी 1 ते 1000 एमबी असते. या विविधतेच्या पातळीवरून असे सूचित होते की वापरकर्त्याचा अनुभव किंवा उर्जा वापर सुधारण्यासाठी यंत्रणा अधिक प्रभावी असतील जर ते वापरकर्त्याच्या वर्तनाशी शिकले आणि जुळवून घेतले तर. आम्हाला असे आढळले की वापरकर्त्यांमध्ये गुणात्मक समानता आहे जी वापरकर्त्याच्या वर्तनाचे शिक्षण घेण्यास सुलभ करते. उदाहरणार्थ, अॅप्लिकेशनची सापेक्ष लोकप्रियता एका घातांक वितरण वापरून मॉडेल केली जाऊ शकते, ज्यामध्ये भिन्न वापरकर्त्यांसाठी भिन्न वितरण मापदंड आहेत. भविष्यातील ऊर्जेच्या वापराचा अंदाज लावण्यासाठी वापरकर्त्याच्या वर्तनाशी जुळवून घेण्याचे महत्त्व आम्ही दाखवतो. अनुकूलन सह 90 व्या टक्केवारी त्रुटी वापरकर्त्यांमधील सरासरी वर्तनावर आधारित अंदाजानुसार अर्ध्यापेक्षा कमी आहे. |
45654695f5cad20d2be36d45d280af5180004baf | या लेखात आपण भविष्यातील 5G नेटवर्कसाठी नवीन फ्रंटहॉल इंटरफेसच्या डिझाइनबद्दल चर्चा करतो. सध्याच्या फ्रंटहॉल सोल्यूशन्सच्या प्रमुख कमतरतेचे प्रथम विश्लेषण केले जाते आणि त्यानंतर पुढील पिढीच्या फ्रंटहॉल इंटरफेस (एनजीएफआय) नावाचा एक नवीन फ्रंटहॉल इंटरफेस प्रस्तावित केला जातो. एनजीएफआयसाठी डिझाइन तत्त्वे सादर केली जातात, ज्यात फ्रंटहॉल बँडविड्थला अँटेनाच्या संख्येपासून विभक्त करणे, सेल आणि वापरकर्ता उपकरणे प्रक्रिया करणे आणि उच्च-कार्यक्षमतेच्या सहकार्यात्मक तंत्रज्ञानावर लक्ष केंद्रित करणे समाविष्ट आहे. एनजीएफआयचे उद्दीष्ट 5 जी तंत्रज्ञानाचे समर्थन करणे आहे, विशेषतः क्लाउड आरएएन, नेटवर्क फंक्शन्स व्हर्च्युअलायझेशन आणि मोठ्या प्रमाणात अँटेना सिस्टम. एनजीएफआयने कमी बँडविड्थ आणि मोबाईल नेटवर्क ट्रॅफिकवर ज्वारीय लाटांचा परिणाम वापरून प्रसारण कार्यक्षमतेत सुधारणा करण्याचे फायदे सांगितले आहेत. एनजीएफआयचे प्रसारण इथरनेटवर आधारित असून, यामुळे लवचिकता आणि विश्वासार्हतेचे फायदे मिळतात. इथरनेट आधारित फ्रंटहॉल नेटवर्कचा मोठा परिणाम, आव्हाने आणि संभाव्य उपाय यांचेही विश्लेषण केले जाते. झिटर, विलंब, आणि वेळ आणि वारंवारता समक्रमण ही समस्या सोडविण्याची प्रमुख समस्या आहेत. |
a1bbd52c57ad6a36057f5aa69544887261eb1a83 | आम्ही एक वाक्यरचना-आधारित अल्गोरिदम वर्णन करतो जे अर्थशास्त्रीय समतुल्य भाषांतर संचातून स्वयंचलितपणे फिनिट स्टेट ऑटोमॅटा (शब्द जाळी) तयार करते. हे एफएसए हे शब्दलेखनचे चांगले प्रतिनिधित्व आहेत. त्यांचा उपयोग शब्दसंग्रहासंबंधी आणि वाक्यरचनासंबंधी परिभाषावली जोड्या काढण्यासाठी आणि नवीन, अदृश्य वाक्ये व्युत्पन्न करण्यासाठी केला जाऊ शकतो जे इनपुट संचातील वाक्यांशांसारखेच अर्थ व्यक्त करतात. आमच्या एफएसए देखील पर्यायी सिमेंटिक रेंडरर्सची अचूकता अंदाज लावू शकतात, ज्याचा उपयोग भाषांतरांच्या गुणवत्तेचे मूल्यांकन करण्यासाठी केला जाऊ शकतो. |
78e2cf228287d7e995c6718338e3ec58dc7cca50 | |
7674e4e66c60a4a31d0b68a07d4ea521cca8a84b | फझीलॉग हा अंशतः ऑर्डर केलेला सामायिक लॉग अमूर्त आहे. वितरित अनुप्रयोग एकाच वेळी आंशिक ऑर्डरला जोडू शकतात आणि ते परत प्ले करू शकतात. फझीलॉग अनुप्रयोगांना त्याच्या कमतरता न अनुभवता, एक मूलभूत सामायिक लॉगचा फायदा मिळतो - मजबूत सुसंगतता, टिकाऊपणा आणि अपयश अणुत्व साध्या पद्धतीने काढून टाकणे. अर्धवट ऑर्डर उघड करून, फझीलॉग अनुप्रयोगांसाठी तीन मुख्य क्षमता सक्षम करते: थ्रूपुट आणि क्षमतेसाठी रेषेचा स्केलिंग (अणूत्व न देऊन), कमकुवत सुसंगतता हमी आणि नेटवर्क विभाजनांना सहनशीलता. आम्ही डॅपल सादर करतो, जो फझीलॉग अॅब्स्ट्रॅक्शनची वितरित अंमलबजावणी आहे जो आंशिक ऑर्डर कॉम्पॅक्टपणे संग्रहित करतो आणि नवीन ऑर्डरिंग प्रोटोकॉलद्वारे कार्यक्षम जोड / प्लेबॅकला समर्थन देतो. आम्ही फझीलॉगवर अनेक डेटा संरचना आणि अनुप्रयोग लागू करतो, ज्यात अनेक नकाशा प्रकार तसेच एक झोओकीपर अंमलबजावणी समाविष्ट आहे. आमचे मूल्यमापन हे दर्शविते की हे अनुप्रयोग संक्षिप्त, वेगवान आणि लवचिक आहेत: ते सामायिक लॉग डिझाइनची साधेपणा (100 ओळींचे कोड) आणि मजबूत सिमेंटिक्स (स्थायित्व आणि अपयश अणूत्व) टिकवून ठेवतात, तर रेषेच्या स्केलेबिलिटीसाठी फ्यूझीलॉगच्या आंशिक क्रमाचा फायदा घेताना, लवचिक सुसंगतता हमी (उदाहरणार्थ, कारण + सुसंगतता) आणि नेटवर्क विभाजन सहनशीलता. 6-नोड डॅपल उपयोजनावर, आमचा फझीलॉग आधारित झुओकीपर 3M/सेकंद सिंगल-की लिहिते आणि 150K/सेकंद अणू क्रॉस-शेड नामकरण करीता समर्थन देते. |
38bcf0bd4f8c35ff54d292d37cbdca1da677f3f5 | ऐकू येणारे बायोसेन्सर (डब्ल्यूबीएस) अनेक नवीन सेटिंग्जमध्ये सतत हृदय व रक्तवाहिन्या (सीव्ही) चे परीक्षण करण्यास अनुमती देतील. अनेक मोठ्या आजारांचे निदान आणि उपचारांमध्ये लाभ मिळू शकतो. WBS, योग्य अलार्म अल्गोरिदमच्या संयोजनात, उच्च जोखीम असलेल्या विषयांसाठी सीव्ही आपत्तीसाठी देखरेख क्षमता वाढवू शकते. WBS देखील तीव्र आजारांच्या उपचारांमध्ये भूमिका बजावू शकते, ज्यामुळे उपचारांचे अचूक प्रमाण किंवा रुग्णांच्या अनुपालनातील त्रुटी शोधणे शक्य होते. धोकादायक ऑपरेशन (लष्करी, अग्निशमन इ.) दरम्यान लोकांच्या वायरलेस पाळत ठेवण्यात डब्ल्यूबीएस महत्वाची भूमिका बजावू शकते. ), किंवा अशा सेन्सर मोठ्या प्रमाणात नागरी हानीच्या घटनेदरम्यान वितरित केल्या जाऊ शकतात. CV फिजियोलॉजिकल पॅरामीटर्स हे " जीवनातील लक्षणे " बनवतात, जी आपत्कालीन वैद्यकीय परिस्थितीत सर्वात महत्वाची माहिती असते, WBS मोठ्या संख्येने जोखीम असलेल्या व्यक्तींसाठी वायरलेस मॉनिटरिंग सिस्टम सक्षम करू शकते. आजच्या अतिव्यस्त आपत्कालीन विभागांच्या प्रतीक्षा कक्षातही हाच दृष्टिकोन उपयुक्त ठरू शकतो. ज्या रुग्णालयांना हृदयाची तपासणी करण्याची गरज असते, त्यांच्यासाठी सध्याच्या बायोसेन्सर तंत्रज्ञानामुळे रुग्णांना केबल्सच्या जाळ्यात अडकवले जाते. तर पोशाखात वापरता येणारे हृदयसंवेदी सेन्सर रुग्णांना आरामदायक बनवतात आणि त्यांना अडखळण्याचा आणि पडण्याचा धोका कमी करतात. रुग्णालयात आजारी, औषधोपचार घेतलेल्या आणि अपरिचित वातावरणात असलेल्या रुग्णांना ही समस्या कायमची असते. दररोज, परिधान करण्यायोग्य सीव्ही सेन्सर उपचार न केलेल्या उच्च रक्तदाबाची जाणीव करून औषधाचा एक चुकलेला डोस शोधू शकतो आणि रुग्णाला औषधोपचार घेण्यासाठी स्वयंचलित स्मरणपत्र ट्रिगर करू शकतो. याव्यतिरिक्त, डॉक्टरांनी उच्च रक्तदाबाच्या उपचाराचे प्रमाण निश्चित करणे महत्वाचे आहे, कारण अपुरा उपचार तसेच जास्त उपचार (असामान्यपणे कमी रक्तदाबाकडे नेणारे) मृत्यूची शक्यता वाढवते. तथापि, आरोग्य सेवा पुरवठादारांकडे केवळ रक्तदाबाचे ठराविक मूल्य आहे ज्यावर उपचारविषयक निर्णय घेता येतील; हे शक्य आहे की सतत रक्तदाबाचे परीक्षण केल्यास थेरपीचे सुधारित टायटरेशन आणि मृत्यूदर कमी होऊ शकेल. त्याचप्रमाणे, डब्ल्यूबीएस रुग्णाच्या व्यायामाच्या प्रयत्नांची शारीरिक स्वाक्षरी (हृदयाची गती आणि रक्तदाबातील बदल म्हणून प्रकट) नोंदवू शकेल, ज्यामुळे रुग्ण आणि आरोग्य सेवा प्रदाता आरोग्य परिणामांमध्ये सुधारणा करण्यासाठी सिद्ध झालेल्या रेजिमेंटचे पालन मूल्यांकन करू शकतील. तीव्र हृदयविकाराच्या आजारासह रुग्णांसाठी, जसे की हृदय अपयश, डब्ल्यूबीएसचा वापर करून घरगुती देखरेखीमुळे रुग्णाला आपत्कालीन कक्ष भेटीची आणि महागड्या रुग्णालयात दाखल होण्याची आवश्यकता असलेल्या अधिक धोकादायक पातळीवर प्रगती होण्यापूर्वी, अत्यंत लवकर (आणि अनेकदा सहजपणे उपचार करणे) टप्प्यात तीव्रता आढळू शकते. या लेखात आपण तांत्रिक आणि क्लिनिकल दोन्ही बाबींवर चर्चा करू . . . |
86c9a59c7c4fcf0d10dbfdb6afd20dd3c5c1426c | फिंगरप्रिंट वर्गीकरण फिंगरप्रिंट डेटाबेसमध्ये एक महत्त्वपूर्ण अनुक्रमणिका यंत्रणा प्रदान करते. अचूक आणि सुसंगत वर्गीकरण मोठ्या डेटाबेससाठी फिंगरप्रिंट जुळवणीचा वेळ मोठ्या प्रमाणात कमी करू शकते. आम्ही फिंगरप्रिंट वर्गीकरण अल्गोरिदम सादर करतो जे साहित्यात पूर्वीच्या अहवालापेक्षा अधिक अचूकता प्राप्त करण्यास सक्षम आहे. आम्ही फिंगरप्रिंट्सचे पाच प्रकारांमध्ये वर्गीकरण करतो: घिरट्या, उजवी लूप, डाव्या लूप, आर्क, आणि टेन्ट आर्क. अल्गोरिदम एक नवीन प्रतिनिधित्व (फिंगरकोड) वापरतो आणि वर्गीकरण करण्यासाठी दोन-चरण वर्गीकरणकर्त्यावर आधारित आहे. एनआयएसटी-४ डेटाबेसमध्ये ४००० प्रतिमांवर त्याची चाचणी घेण्यात आली आहे. पाच-वर्ग समस्येसाठी, 90 टक्के वर्गीकरण अचूकता प्राप्त केली जाते (वैशिष्ट्य काढण्याच्या टप्प्यात 1.8 टक्के नकार सह). चार-वर्ग समस्येसाठी (आर्क आणि टेंट आर्क एकत्रितपणे एक वर्ग), आम्ही 94.8 टक्के वर्गीकरण अचूकता (1.8 टक्के नकार सह) प्राप्त करण्यास सक्षम आहोत. वर्गीकरणकर्त्यामध्ये नकार देण्याचा पर्याय समाविष्ट करून, वर्गीकरण अचूकता पाच-वर्ग वर्गीकरण कार्यासाठी 96 टक्क्यांपर्यंत वाढवता येते आणि एकूण 32.5 टक्के प्रतिमा नाकारल्यानंतर चार-वर्ग वर्गीकरण कार्यासाठी 97.8 टक्के. |
a2ed347d010aeae4ddd116676bdea2e77d942f6e | या पेपरमध्ये फिंगरप्रिंट वर्गीकरण अल्गोरिदम सादर केले आहे. बोटांच्या ठसांचे वर्गीकरण पाच प्रकारात केले जाते: आर्क, टेंट आर्क, लेफ्ट लूप, राईट लूप आणि व्हॉर्ल. अल्गोरिदम फिंगरप्रिंट इमेजमध्ये सिंगल पॉईंट्स (कोर आणि डेल्टा) काढतो आणि आढळलेल्या सिंगल पॉईंट्सची संख्या आणि स्थानांच्या आधारावर वर्गीकरण करतो. वर्गीकरणकर्ता फिरविणे, भाषांतर करणे आणि प्रमाणात बदल होण्याच्या लहान प्रमाणात अपरिवर्तनीय आहे. वर्गीकरणकर्ता नियम-आधारित आहे, जेथे नियम दिलेल्या डेटा सेटपासून स्वतंत्रपणे व्युत्पन्न केले जातात. या वर्गीकरणाची चाचणी एनआयएसटी-४ डेटाबेसमधील ४००० आणि एनआयएसटी-९ डेटाबेसमधील ५४०० प्रतिमांवर करण्यात आली. एनआयएसटी -४ डेटाबेससाठी, पाच-वर्ग समस्येसाठी 85.4% आणि चार-वर्ग समस्येसाठी 91.1% (आर्क आणि टेंट आर्क एकाच श्रेणीत ठेवलेल्या) वर्गीकरण अचूकता प्राप्त झाली. नकार देण्याचा पर्याय वापरून, चार-वर्ग वर्गीकरण त्रुटी 6% पेक्षा कमी कमी केली जाऊ शकते 10% फिंगरप्रिंट प्रतिमा नाकारल्या जातात. एनआयएसटी -९ डेटाबेसवरही अशीच वर्गीकरण कामगिरी झाली. |
b07ce649d6f6eb636872527104b0209d3edc8188 | |
3337976b072405933a02f7d912d2b6432de38feb | या पेपरमध्ये तीन भाग आहेत: सर्वसाधारणपणे सारांशातील एक प्राथमिक प्रकार; सॅट आयएसआयवर तयार करण्यात आलेल्या SUMMARIST स्वयंचलित बहुभाषिक मजकूर सारांश प्रणालीचे सध्याचे आणि नियोजित मॉड्यूल आणि कामगिरीचे वर्णन आणि सारांश मूल्यांकन करण्यासाठी तीन पद्धतींची चर्चा. १. T H E N A T U R E O F S U M A R I E S १९५० च्या उत्तरार्धात आणि १९६० च्या सुरुवातीला झालेल्या प्रयोगांमुळे असे दिसून आले की संगणकाद्वारे मजकूर सारांश करणे शक्य आहे, जरी ते थेट नाही (लुहान, ५९; एडमंडसन, ६८). तेव्हा विकसित केलेली पद्धती प्रामुख्याने पृष्ठभागाच्या पातळीवरील घटनांवर अवलंबून होती जसे की वाक्य स्थिती आणि शब्द वारंवारता मोजणी, आणि सारण्याऐवजी उतारे तयार करण्यावर लक्ष केंद्रित केले (मजकूरातून निवडलेले मार्ग, शब्दशः पुनरुत्पादित) सार (मजकूराचे अर्थ लावलेले भाग, नव्याने व्युत्पन्न). काही दशकांच्या अंतराळानंतर, मोठ्या प्रमाणात ऑनलाइन मजकूराची वाढती उपस्थिती - कॉर्पोरामध्ये आणि विशेषतः वेबवर - स्वयंचलित मजकूर सारांशात रस पुन्हा वाढविला. या दरम्यानच्या दशकांत, नैसर्गिक भाषा प्रक्रियेतील (एनएलपी) प्रगती, संगणकाची स्मृती आणि गती मोठ्या प्रमाणात वाढल्याने, अधिक परिष्कृत तंत्रज्ञानास शक्य केले, ज्याचे परिणाम अतिशय उत्साहवर्धक आहेत. 1990 च्या दशकाच्या उत्तरार्धात, अमेरिकेत काही तुलनेने लहान संशोधन गुंतवणूक (मायक्रोसॉफ्ट, लेक्सिस-नेक्सिस, ओरॅकल, एसआरए आणि टेक्स्टवाइजमधील व्यावसायिक प्रयत्नांसह आणि सीएमयू, एनएमएसयू, यूपीएन आणि यूएससी / आयएसआयमधील विद्यापीठ प्रयत्नांसह) तीन किंवा चार वर्षांत संभाव्य विक्रीक्षमता दर्शविणार्या अनेक प्रणाली तसेच सतत सुधारणा करण्याचे वचन देणारे अनेक नवकल्पना तयार केल्या आहेत. याव्यतिरिक्त, अनेक अलीकडील कार्यशाळा, एक पुस्तक संग्रह आणि अनेक शिकवण्या यांचे पुरावे आहेत की स्वयंचलित मजकूर सारांश एक गरम क्षेत्र बनले आहे. मात्र, जेव्हा एखादी व्यक्ती वेगवेगळ्या प्रणालींचा अभ्यास करण्यासाठी आणि प्रत्यक्षात काय साध्य झाले आहे याचा विचार करण्यासाठी थोडा वेळ घेते तेव्हा त्यांच्या मूलभूत साम्य, त्यांच्या लक्ष केंद्रित करण्याच्या अरुंदतेमुळे आणि समस्येभोवती असलेल्या मोठ्या संख्येने अज्ञात घटकांद्वारे धक्का बसला आहे. उदाहरणार्थ, सारांश म्हणजे नक्की काय? कोणालाही नक्की माहीत नाही. आमच्या कामात, आम्ही सारांश हा सर्वसाधारण शब्द म्हणून वापरतो आणि त्याची व्याख्या खालीलप्रमाणे करतोः सारांश हा एक मजकूर आहे जो एक किंवा अधिक (शक्यतो मल्टीमीडिया) मजकूरांवरून तयार केला जातो, ज्यामध्ये मूळ मजकूराची (काही) समान माहिती असते आणि मूळ मजकूराच्या अर्ध्यापेक्षा जास्त नसते. चित्र थोडे स्पष्ट करण्यासाठी, आम्ही खालील पैलू ओळखून अनुसरण आणि विस्तार (स्पिरिक जोन्स, 97) बदल. कोणत्याही सारांशची वैशिष्ट्ये (किमान) तीन प्रमुख वर्गांद्वारे दर्शविली जाऊ शकतात: इनपुटः स्त्रोत मजकूराची वैशिष्ट्ये) स्त्रोत आकारः एकल-दस्तऐवज v s. बहु-दस्तऐवज: एकाच दस्तऐवजाचा सारांश एकाच इनपुट मजकूरातून मिळतो (जरी सारांश प्रक्रिया स्वतःच इतर मजकूरातून पूर्वी संकलित केलेली माहिती वापरू शकते). एकाधिक दस्तऐवजांचे सारांश हा एक मजकूर आहे जो एकापेक्षा जास्त इनपुट मजकूराच्या सामग्रीचा समावेश करतो आणि सामान्यतः केवळ जेव्हा इनपुट मजकूर विषयाशी संबंधित असतात तेव्हाच वापरला जातो. विशिष्टता: डोमेन-विशिष्ट वि. सामान्य: जेव्हा इनपुट मजकूर सर्व एकाच डोमेनशी संबंधित असतात, तेव्हा डोमेन-विशिष्ट सारांश तंत्र लागू करणे, विशिष्ट सामग्रीवर लक्ष केंद्रित करणे आणि सामान्य प्रकरणाच्या तुलनेत विशिष्ट स्वरूपात आउटपुट करणे योग्य ठरू शकते. डोमेन-विशिष्ट सारांश इनपुट मजकूर (एस) पासून प्राप्त होतो ज्याची थीम (एस) एकाच प्रतिबंधित डोमेनशी संबंधित आहे. अशा प्रकारे, हे कमी टर्म अस्पष्टता, वैशिष्ट्यपूर्ण शब्द आणि व्याकरण वापर, विशेष स्वरूपन इत्यादी गृहीत धरू शकते आणि त्यांना सारांशात प्रतिबिंबित करू शकते. |
25126128faa023d1a65a47abeb8c33219cc8ca5c | आम्ही मोठ्या प्रमाणात कर्नल पद्धतींसाठी निस्ट्रॉम प्रकारच्या सबसॅम्पलिंग पध्दतींचा अभ्यास करतो आणि सांख्यिकीय शिक्षण सेटिंगमध्ये शिकण्याच्या मर्यादा सिद्ध करतो, जिथे यादृच्छिक नमुना आणि उच्च संभाव्यता अंदाज विचारात घेतले जातात. या पद्धतींमुळे चांगल्या प्रकारे शिकण्याची मर्यादा मिळू शकते, जर उप-नमुना पातळी योग्यरित्या निवडली असेल तर. या परिणामांनी निस्ट्रॉम कर्नल रेग्युलराइज्ड लेस्ट स्क्वेअर्सचा एक साधा वाढीव प्रकार सुचवला आहे, जिथे सबसॅम्पलिंग लेव्हल संगणकीय रेग्युलराइझेशनचा एक प्रकार लागू करते, म्हणजे एकाच वेळी रेग्युलराइझेशन आणि संगणना नियंत्रित करते. व्यापक प्रायोगिक विश्लेषणाने हे सिद्ध केले आहे की विचारात घेतलेला दृष्टिकोन मोठ्या प्रमाणात डेटासेटवर अत्याधुनिक कामगिरी प्राप्त करतो. |
414573bcd1849b4d3ec8a06dd4080b62f1db5607 | वितरित सेवा नाकारणे (डीडीओएस) हल्ले इंटरनेट-व्यापी धोका दर्शवतात. आम्ही डी-वार्ड, डीडीओएस संरक्षण प्रणालीची शिफारस करतो जी स्त्रोत-अंत नेटवर्कवर तैनात केली जाते जी या नेटवर्कमधून उद्भवणारे हल्ले स्वयंचलितपणे शोधते आणि थांबवते. नेटवर्क आणि उर्वरित इंटरनेट दरम्यानच्या दुतर्फी वाहतूक प्रवाहाचे सतत निरीक्षण करून आणि सामान्य प्रवाह मॉडेलसह नियतकालिक तुलना करून हल्ले शोधले जातात. असंगत प्रवाह त्यांच्या आक्रमकतेच्या प्रमाणात दर-मर्यादित असतात. डी-वार्डने हल्ल्यादरम्यानही कायदेशीर रहदारीसाठी चांगली सेवा दिली आहे, तर डीडीओएस रहदारी दुर्लक्षित पातळीवर प्रभावीपणे कमी केली आहे. या प्रणालीचा एक नमुना लिनक्स राउटरमध्ये बनवण्यात आला आहे. आम्ही विविध हल्ल्याच्या परिस्थितीत त्याची कार्यक्षमता दर्शवितो, तैनातीची प्रेरणा चर्चा करतो आणि संबंधित खर्चाचे वर्णन करतो. |
705a24f4e1766a44bbba7cf335f74229ed443c7b | चेहऱ्याची ओळख पटवणाऱ्या अल्गोरिदम सामान्यपणे असे मानतात की चेहऱ्याच्या प्रतिमा चांगल्या प्रकारे जुळलेल्या आहेत आणि एकसारखी पोझ आहे -- तरीही अनेक व्यावहारिक अनुप्रयोगांमध्ये या अटी पूर्ण करणे अशक्य आहे. म्हणूनच चेहऱ्याच्या प्रतिमांना मर्यादित नसलेल्या चेहऱ्याच्या प्रतिमांना विस्तारित करणे हा संशोधनाचा एक सक्रिय क्षेत्र बनला आहे. या कारणासाठी, लोकल बायनरी पॅटर्न (एलबीपी) चे हिस्टोग्राम चेहर्यावरील ओळखसाठी अत्यंत भेदभाव करणारे वर्णनकर्ता असल्याचे सिद्ध झाले आहे. तरीही, बहुतेक एलबीपी-आधारित अल्गोरिदम कठोर डिस्क्रिप्टर जुळवणी धोरण वापरतात जे पोझ बदल आणि विसंगततेविरूद्ध मजबूत नसतात. आम्ही दोन अल्गोरिदम चेहऱ्याच्या ओळखण्यासाठी प्रस्तावित करतो जे पोझच्या विविधतेशी आणि चुकीच्या संरेखनशी निगडीत आहेत. आम्ही एक प्रकाशमान सामान्यीकरण चरण देखील समाविष्ट करतो जे प्रकाशमानतेच्या बदलांविरूद्ध दृढता वाढवते. प्रस्तावित अल्गोरिदम एलबीपीच्या हिस्टोग्रामवर आधारित डिस्क्रिप्टर्स वापरतात आणि अनुक्रमे स्पेसियल पिरामिड मॅचिंग (एसपीएम) आणि नायव्ह बेज नजीकच्या शेजारी (एनबीएनएन) सह डिस्क्रिप्टर जुळवणी करतात. आमचे योगदान म्हणजे लवचिक जागेशी जुळवून घेणारी योजना समाविष्ट करणे जे प्रतिमा-वर्ग संबंध वापरतात जेणेकरून वर्गातील अंतर-भिन्नतेच्या संदर्भात सुधारित दृढता प्रदान केली जाऊ शकते. आम्ही प्रस्तावित अल्गोरिदमची अचूकता अहोननच्या मूळ एलबीपी-आधारित चेहर्यावरील ओळख प्रणाली आणि चार मानक डेटासेटवरील दोन मूलभूत समग्र वर्गीकरणकर्त्यांशी तुलना करतो. आमचे परिणाम दर्शवतात की एनबीएनएनवर आधारित अल्गोरिदम इतर उपाययोजनांपेक्षा अधिक कार्यक्षम आहे आणि पोझच्या विविधतेच्या उपस्थितीत हे अधिक स्पष्टपणे करते. |
fb8704210358d0cbf5113c97e1f9f9f03f67e6fc | कॉन्टेंट बेस्ड व्हिज्युअल इन्फॉर्मेशन रिकव्हरी (सीबीव्हीआयआर) किंवा कॉन्टेंट बेस्ड इमेज रिकव्हरी (सीबीआयआर) हे संगणक दृष्टीच्या क्षेत्रात गेल्या 10 वर्षांत सर्वात जास्त शोध घेणारे क्षेत्र आहे. मोठ्या प्रमाणात आणि सतत वाढणाऱ्या व्हिज्युअल आणि मल्टीमिडीया डेटाची उपलब्धता आणि इंटरनेटचा विकास हे विषयगत प्रवेश पद्धती तयार करण्याची गरज अधोरेखित करतात जे साध्या मजकूर-आधारित क्वेरी किंवा अचूक डेटाबेस फील्ड्सच्या जुळण्यावर आधारित विनंत्या देण्यापेक्षा अधिक देतात. दृश्य किंवा ऑडिओ सामग्रीवर आधारित क्वेरी तयार करण्यासाठी आणि अंमलात आणण्यासाठी आणि मोठ्या मल्टीमीडिया रेपॉजिटरीज ब्राउझ करण्यास मदत करण्यासाठी अनेक प्रोग्राम आणि साधने विकसित केली गेली आहेत. तरीही, विविध प्रकारच्या आणि वैशिष्ट्यांसह विविध प्रकारच्या दस्तऐवजांसह मोठ्या प्रमाणात डेटाबेसच्या संदर्भात कोणतीही सामान्य घुसखोरी झाली नाही. गती, सिमेंटिक डिस्क्रिप्टर्स किंवा ऑब्जेक्टिव्ह इमेज इंटरप्रिटेशन्स यासंबंधी अनेक प्रश्नांची उत्तरे अद्याप अनुत्तरित आहेत. वैद्यकीय क्षेत्रात प्रतिमा आणि विशेषतः डिजिटल प्रतिमांची निर्मिती वाढत आहे आणि निदान आणि उपचारांसाठी वापरली जाते. २००२ मध्ये फक्त जिनिव्हा विद्यापीठ रुग्णालयाच्या रेडिओलॉजी विभागाने दररोज १२,००० पेक्षा जास्त प्रतिमा तयार केल्या. कार्डिओलॉजी सध्या डिजिटल प्रतिमांचा दुसरा सर्वात मोठा उत्पादक आहे, विशेषतः कार्डिओ कॅथेटरायझेशनच्या व्हिडिओंसह (दर वर्षी सुमारे 1800 परीक्षा ज्यात जवळजवळ 2000 प्रतिमा असतात). जिनेव्हा युनिव्हर्सिटी हॉस्पिटलमध्ये तयार करण्यात आलेल्या कार्डियोलॉजिकल इमेज डेटाची एकूण मात्रा २००२ मध्ये सुमारे १ टीबी होती. एंडोस्कोपिक व्हिडिओ देखील प्रचंड प्रमाणात डेटा तयार करू शकतात. डिजिटल इमेजिंग अँड कम्युनिकेशन्स इन मेडिसिन (डीआयसीओएम) ने इमेज कम्युनिकेशनसाठी एक मानक निश्चित केले आहे आणि रुग्णांची माहिती वास्तविक प्रतिमेसह संग्रहित केली जाऊ शकते, जरी मानकीकरणाच्या संदर्भात अजूनही काही समस्या आहेत. अनेक लेखांमध्ये क्लिनिकल निर्णय घेण्यास मदत करण्यासाठी वैद्यकीय प्रतिमांवर सामग्री-आधारित प्रवेश प्रस्तावित केला गेला आहे ज्यामुळे क्लिनिकल डेटाचे व्यवस्थापन सुलभ होईल आणि प्रतिमा संग्रहण आणि संप्रेषण प्रणाली (पीएसीएस) मध्ये सामग्री-आधारित प्रवेश पद्धतींचा समावेश करण्यासाठी परिस्थिती तयार केली गेली आहे. या लेखात वैद्यकीय प्रतिमा डेटाच्या सामग्री-आधारित प्रवेशाच्या क्षेत्रात आणि या क्षेत्रात वापरल्या जाणाऱ्या तंत्रज्ञानावर उपलब्ध साहित्याचा आढावा दिला आहे. भाग १ मध्ये सामान्य सामग्रीवर आधारित प्रतिमा पुनर्प्राप्ती आणि वापरलेल्या तंत्रज्ञानाची ओळख दिली आहे. विभाग 2 वैद्यकीय सराव आणि विविध पध्दतींमध्ये प्रतिमा पुनर्प्राप्तीच्या वापरासाठी प्रस्ताव स्पष्ट करते. उदाहरण प्रणाली आणि अनुप्रयोग क्षेत्रे वर्णन केली आहेत. कलम ३ मध्ये अंमलबजावणी केलेल्या प्रणाली, त्यांच्या डेटासेट आणि मूल्यांकनांमध्ये वापरल्या जाणाऱ्या तंत्रांचे वर्णन केले आहे. क्लिनिकल प्रॅक्टिस तसेच संशोधन आणि शिक्षणामध्ये इमेज रिकव्हरी सिस्टीमचे संभाव्य क्लिनिकल फायदे विभाग 4 मध्ये नमूद केले आहेत. संशोधनाच्या नवीन दिशा निश्चित केल्या जात आहेत ज्या उपयुक्त ठरू शकतात. या लेखात या क्षेत्रातील काही समस्यांचे स्पष्टीकरण देखील दिले आहे कारण असे दिसते की वैद्यकीय क्षेत्रामधून सिस्टीमसाठी बरेच प्रस्ताव तयार केले गेले आहेत आणि वैद्यकीय डेटासेटचा वापर करून संगणक विज्ञान विभागात संशोधन नमुने विकसित केले गेले आहेत. तरीही, अशी फारच कमी प्रणाली आहेत ज्यांचा क्लिनिकल प्रॅक्टिसमध्ये वापर केला जातो. हे देखील सांगणे आवश्यक आहे की, सर्वसाधारणपणे, सध्या अस्तित्वात असलेल्या मजकूर-आधारित पुनर्प्राप्ती पद्धतींना पुनर्स्थित करणे हे उद्दीष्ट नाही परंतु त्यांना व्हिज्युअल शोध साधनांसह पूरक करणे. |
38919649ae3fd207b96b62e95b3c8c8e69635c7f | हा अभ्यास वायरलेस मोबाईल अॅड-हॉक नेटवर्कसाठी प्रस्तावित तीन रूटिंग प्रोटोकॉलची तुलना आहे. प्रोटोकॉल हे आहेतः डेस्टिनेशन सिक्वेंस्ड डिस्टन्स वेक्टर (डीएसडीव्ही), अॅड-हॉक ऑन डिमांड डिस्टन्स वेक्टर (एओडीव्ही) आणि डायनॅमिक सोर्स रूटिंग (डीएसआर). नोड्स यादृच्छिकपणे हलवतात अशा परिस्थितीवर व्यापक सिम्युलेशन केले जाते. परिणामांना एका परिस्थितीत नोड्सच्या सापेक्ष वेग प्रतिबिंबित करण्यासाठी डिझाइन केलेल्या नवीन गतिशीलता मेट्रिकच्या फंक्शन म्हणून सादर केले जाते. याव्यतिरिक्त, अधिक विशेष संदर्भात प्रोटोकॉलची चाचणी घेण्यासाठी तीन वास्तववादी परिस्थिती सादर केल्या आहेत. बहुतेक सिमुलेशनमध्ये प्रतिक्रियाशील प्रोटोकॉल (एओडीव्ही आणि डीएसआर) डीएसडीव्हीपेक्षा लक्षणीय चांगले काम केले. मध्यम ट्रॅफिक लोडमध्ये डीएसआरने एओडीव्हीपेक्षा सर्व चाचणी केलेल्या मोबिलिटी मूल्यांसाठी चांगले काम केले, तर एओडीव्हीने उच्च ट्रॅफिक लोडमध्ये डीएसआरपेक्षा चांगले काम केले. डीएसआर डेटा पॅकेटमधील स्त्रोत मार्गांमुळे नेटवर्कवरील भार वाढतो. रूटर आणि होस्ट, अशा प्रकारे एक नोड इतर नोड्स दरम्यान पॅकेट्स फॉरवर्ड करू शकतो तसेच वापरकर्ता अनुप्रयोग चालवू शकतो. मोबाईल अॅड-हॉक नेटवर्क हे अलीकडील अनेक संशोधन आणि विकास प्रयत्नांचे केंद्रबिंदू आहे. अॅड-हॉक पॅकेट रेडिओ नेटवर्कने आतापर्यंत मुख्यतः लष्करी अनुप्रयोगांचा विचार केला आहे, जिथे विकेंद्रीकृत नेटवर्क कॉन्फिगरेशन एक ऑपरेशनल फायदा आहे किंवा अगदी एक गरज आहे. अॅड-हॉक कॉन्फिगरेशन संकल्पना वापरणारे नेटवर्क अनेक लष्करी अनुप्रयोगांमध्ये वापरले जाऊ शकतात, ज्यात परस्पर कनेक्ट केलेल्या वायरलेस ऍक्सेस पॉईंट्सपासून ते वैयक्तिकरित्या चालविल्या जाणार्या वायरलेस डिव्हाइसेसच्या नेटवर्कपर्यंत, उदाहरणार्थ, डिजिटल नकाशे, शरीरावर संलग्न सेन्सर्स, व्हॉइस कम्युनिकेशन इ. ब्रॉड रेंज आणि शॉर्ट रेंज अॅड-हॉक नेटवर्कचे संयोजन प्रतिकूल ऑपरेटिंग परिस्थितीतही मजबूत, जागतिक कव्हरेज प्रदान करण्याचा प्रयत्न करतात. |
0f7329cf0d388d4c5d5b94ee52ad2385bd2383ce | सुपरव्हॉक्सल सेगमेंटेशनमध्ये लवकर व्हिडिओ विश्लेषणामध्ये समाविष्ट होण्याची मोठी क्षमता आहे कारण सुपरपिक्सेल सेगमेंटेशनमध्ये प्रतिमा विश्लेषणामध्ये आहे. तथापि, अनेक संभाव्य सुपरव्हॉक्सल पद्धती आहेत आणि प्रत्येक कधी आणि कुठे सर्वात योग्य आहे याबद्दल थोडी समज आहे. खरे तर सुपरव्हॉक्सल विभाजनावर एकही तुलनात्मक अभ्यास नाही. त्या उद्देशाने, आम्ही सात सुपरव्हॉक्सल अल्गोरिदमचा अभ्यास करतो, ज्यात ऑफलाइन आणि प्रवाह पद्धतींचा समावेश आहे, ज्याला आम्ही एक चांगला सुपरव्हॉक्सल मानतो त्या संदर्भातः म्हणजेच, स्पेस-टाइमॉरियल एकसारखेपणा, ऑब्जेक्ट / प्रदेश सीमा शोधणे, प्रदेश संक्षेप आणि पारसमी. मूल्यमापनासाठी आम्ही या इच्छित सुपरव्हॉक्सल वैशिष्ट्यांचे मोजमाप करण्यासाठी सात गुणवत्ता मेट्रिक्सचा एक व्यापक संच प्रस्तावित करतो. याव्यतिरिक्त, आम्ही सुपरव्हॉक्सल वर्गीकरण कार्यात पद्धतींचे मूल्यांकन करतो जे व्हिडिओ विश्लेषणामध्ये सुपरव्हॉक्सलच्या उच्च-स्तरीय वापरासाठी प्रॉक्सी म्हणून आहे. आम्ही सहा विद्यमान बेंचमार्क व्हिडिओ डेटासेट वापरतो विविध प्रकारच्या सामग्रीसह आणि घन मानवी भाष्य. या सात पद्धतींमध्ये अनुक्रमिक आलेख-आधारित (जीबीएच), भारित एकत्रीकरण (एसडब्ल्यूए) आणि तात्पुरते सुपरपिक्सेल (टीएसपी) पद्धती सर्वाधिक कार्यक्षम आहेत, याचे ठोस पुरावे आमच्या निष्कर्षांनी आम्हाला दिले आहेत. ते सर्व विभागणी अचूकतेच्या दृष्टीने चांगले काम करतात, परंतु इतर इच्छित डेटाच्या बाबतीत भिन्नता आहेः जीबीएच ऑब्जेक्ट सीमा सर्वोत्तम कॅप्चर करते; एसडब्ल्यूएमध्ये प्रदेश संक्षेप करण्यासाठी सर्वोत्तम क्षमता आहे; आणि टीएसपी सर्वोत्तम उपविभाजन त्रुटी प्राप्त करते. |
50dea03d4feb1797f1d5c260736e1cf7ad6d45ca | आम्ही वेगाने वाढणाऱ्या फायब्रोएडेनोमाच्या एका प्रकरणाची नोंद करतो. एक १३ वर्षाची मुलगी बाह्यरुग्ण दवाखान्यात डाव्या स्तनाच्या गाठीबद्दल विचारणा केली. क्लिनिकल तपासणीद्वारे या पिशवीचे निदान फायब्रोएडेनोमा म्हणून करण्यात आले आणि रुग्णाची काळजीपूर्वक देखरेख केली गेली. प्रत्येक मासिक पाळीच्या वेळी द्रव्यमान वेगाने वाढत गेले आणि चार महिन्यांनंतर खंडात 50% वाढ झाली. लँम्पक्टॉमी करण्यात आली. या ट्यूमरचे हिस्टोलॉजिकल निदान फायब्रोएडेनोमा ऑर्गनाइज्ड प्रकारचे करण्यात आले आणि अनेक ग्रंथीय उपकला पेशींमध्ये अँटी- एस्ट्रोजेन रिसेप्टर अँटीबॉडीसाठी सकारात्मक इम्यूनोहिस्टोकेमिकल रंगाची रचना होती. निष्कर्ष ट्यूमरची एस्ट्रोजेन संवेदनशीलता ही वेगाने वाढण्याची कारणे असू शकते. |
0674c1e2fd78925a1baa6a28216ee05ed7b48ba0 | प्रो. कॉम्प्युटर व्हिजन, कोर्फू (सप्टेंबर 1999) या आंतरराष्ट्रीय परिषदेच्या अहवालानुसार, स्थानिक प्रतिमा वैशिष्ट्यांचा एक नवीन वर्ग वापरणारी ऑब्जेक्ट ओळख प्रणाली विकसित केली गेली आहे. प्रतिमेचे स्केलिंग, ट्रान्सलेशन आणि रोटेशनसाठी वैशिष्ट्ये अपरिवर्तनीय आहेत आणि अंशतः प्रदीपन बदल आणि एफिन किंवा 3 डी प्रोजेक्शनसाठी अपरिवर्तनीय आहेत. या वैशिष्ट्यांचे समान गुणधर्म खालच्या temporal cortex मधील न्यूरॉन्सशी असतात जे प्राण्यांच्या दृष्टीमध्ये ऑब्जेक्ट ओळखण्यासाठी वापरले जातात. स्केल स्पेसमध्ये स्थिर बिंदू ओळखणार्या टप्प्याटप्प्याने फिल्टरिंग पद्धतीद्वारे वैशिष्ट्ये कार्यक्षमतेने शोधली जातात. इमेज की तयार केल्या जातात ज्यामुळे अनेक दिशेने आणि अनेक प्रमाणात अस्पष्ट प्रतिमा ग्रेडियंट्सचे प्रतिनिधित्व करून स्थानिक भूमितीय विकृत रूपे तयार करता येतात. या कीचा उपयोग जवळच्या शेजारी अनुक्रमणिका पद्धतीसाठी इनपुट म्हणून केला जातो जो उमेदवार ऑब्जेक्ट जुळण्या ओळखतो. प्रत्येक जुळणीची अंतिम पडताळणी अज्ञात मॉडेल पॅरामीटर्ससाठी कमी अवशिष्ट किमान-वर्ग समाधान शोधून प्राप्त केली जाते. प्रायोगिक परिणामांमध्ये असे दिसून आले आहे की 2 सेकंदांपेक्षा कमी वेळात संगणकीय वेळेसह अव्यवस्थित अंशतः-अवरोधित प्रतिमांमध्ये मजबूत ऑब्जेक्ट ओळख साध्य केली जाऊ शकते. |
bbb9c3119edd9daa414fd8f2df5072587bfa3462 | हे ओपन सोर्स संगणकीय फ्रेमवर्क नवीन अनुप्रयोग अनलॉक करण्यासाठी प्रवाहित, बॅच आणि परस्परसंवादी बिग डेटा वर्कलोड्स एकत्र करते. |
18ca2837d280a6b2250024b6b0e59345601064a7 | विज्ञानाच्या अनेक क्षेत्रे शोध डेटा विश्लेषण आणि व्हिज्युअलायझेशनवर अवलंबून असतात. मोठ्या प्रमाणात बहु-परिवर्तनशील डेटाचे विश्लेषण करण्याची गरज परिमाणवाढीची मूलभूत समस्या वाढवते: उच्च-आयामी डेटाचे कॉम्पॅक्ट प्रतिनिधित्व कसे शोधायचे. येथे, आम्ही स्थानिक रेषेचा एम्बेडिंग (एलएलई) सादर करतो, एक अनसुप्रिव्हेस्ड लर्निंग अल्गोरिदम जे कमी-आयामी, शेजारच्या-संरक्षण एम्बेडिंगची गणना करते उच्च-आयामी इनपुट. स्थानिक परिमाण कमी करण्यासाठी क्लस्टरिंग पद्धतींप्रमाणे, एलएलई कमी परिमाणातील एकाच जागतिक समन्वय प्रणालीमध्ये त्याचे इनपुट मॅप करते आणि त्याचे ऑप्टिमायझेशनमध्ये स्थानिक किमान समाविष्ट नसते. रेषेच्या पुनर्बांधणीच्या स्थानिक सममितीचा फायदा घेत, एलएलई नॉन-रेषेच्या विविधतेची जागतिक रचना शिकण्यास सक्षम आहे, जसे की चेहऱ्यांच्या प्रतिमा किंवा मजकूर दस्तऐवजांद्वारे व्युत्पन्न केलेले. |
a3bfe87159938a96d3f2037ff0fe10adca0d21b0 | जसे जसे वाहनांमध्ये सॉफ्टवेअर मॉड्यूल आणि बाह्य इंटरफेस जोडले जात आहेत, नवीन हल्ले आणि असुरक्षितता उदयास येत आहेत. या संशोधनातून वाहन चालवणाऱ्यांना धोका आहे. या कमकुवतपणाला तोंड देण्यासाठी विविध प्रकारच्या संरक्षण यंत्रणांचा प्रस्ताव ठेवण्यात आला आहे, परंतु ते वाहन-नेटवर्कवरील हल्ल्यांविरूद्ध सुरक्षा-महत्त्वाच्या ईसीयूसाठी मजबूत संरक्षणाची आवश्यकता पूर्ण करण्यास सक्षम नाहीत. ही कमतरता कमी करण्यासाठी आम्ही एक असामान्य आधारित घुसखोरी ओळख प्रणाली (आयडीएस) प्रस्तावित करतो, ज्याला घड्याळ आधारित आयडीएस (सीआयडीएस) म्हणतात. या यंत्रणेने वाहनातील ठराविक संदेशांचे मोजमाप केले आणि त्यानंतर ECU च्या फिंगरप्रिंटिंगसाठी त्याचा उपयोग केला. अशा प्रकारे प्राप्त झालेल्या फिंगरप्रिंट्सचा वापर रिकर्सिव्ह लेस्ट स्क्वेअर्स (आरएलएस) अल्गोरिदमसह ईसीयूच्या घड्याळाच्या वर्तनाची मूलभूत रचना तयार करण्यासाठी केला जातो. या बेसलाइनच्या आधारे, सीआयडीएस ओळख त्रुटींमध्ये कोणत्याही असामान्य शिफ्ट्स शोधण्यासाठी संचयी बेरीज (सीयूएसयूएम) वापरते - घुसखोरीचे स्पष्ट चिन्ह. यामुळे वाहनातील नेटवर्क घुसखोरीची जलद ओळख कमी 0.055% खोट्या सकारात्मक दरासह शक्य होते. अत्याधुनिक आयडीएसच्या विपरीत, जर एखाद्या हल्ल्याचा शोध लागला तर सीआयडीएसच्या ईसीयूच्या फिंगरप्रिंटिंगमुळे मूळ कारण विश्लेषण सुलभ होते; कोणत्या ईसीयूने हल्ला केला हे ओळखणे. कॅन बसच्या नमुन्यावर आणि खऱ्या वाहनांवर केलेल्या प्रयोगांमधून सीआयडीएस वाहनातील नेटवर्कवरील हल्ल्यांची विस्तृत श्रेणी शोधण्यात सक्षम असल्याचे दिसून आले आहे. |
c567bdc35a40e568e0661446ac4f9b397787e40d | अल्ट्रा-लो पॉवर वायरलेस सेन्सर नोड्ससाठी 2.4 जीएचझेड इंटरफेअर-रेसिस्टेंट वेक-अप रिसीव्हर अनिश्चित-आयएफ ड्युअलकन्व्हेशन टोपोलॉजी वापरते, जे वितरित मल्टी-स्टेज एन-पाथ फिल्टरिंग तंत्रज्ञानासह अनलॉक केलेले लो-क्यू रेझोनॅटर-रेफर केलेले स्थानिक दोलन एकत्र करते. या संरचनेमुळे अरुंद-बँड निवडकता आणि व्यत्यय आणणार्या विषाणूंविरूद्ध मजबूत प्रतिकारशक्ती मिळते, तर BAW रेझोनॅटर्स किंवा क्रिस्टल्स सारख्या महागड्या बाह्य अनुनाद घटकांना टाळले जाते. 65 एनएम सीएमओएस रिसीव्हर प्रोटोटाइप -97 डीबीएमची संवेदनशीलता आणि 5 मेगाहर्ट्झ ऑफसेटवर वाहक-टू-इंटरफेरर रेशो -27 डीबीपेक्षा चांगले प्रदान करते, 10 केबी / से 10 बीट त्रुटी दराने 10 केबी / से डेटा दर, सतत ऑपरेशन अंतर्गत 0.5 व्ही व्होल्टेज सप्लायमधून 99 μ डब्ल्यू वापरताना. |
703244978b61a709e0ba52f5450083f31e3345ec | या खंडात, लेखक शिक्षणातील सात सामान्य तत्त्वांचा परिचय देतात, संशोधन साहित्यापासून तसेच कॉलेजच्या प्राध्यापकांसोबत एक-एक-एक काम करण्याच्या वीस-सात वर्षांच्या अनुभवातून. त्यांनी विविध दृष्टीकोनातून (संज्ञानात्मक, विकासात्मक आणि सामाजिक मानसशास्त्र; शैक्षणिक संशोधन; मानवशास्त्र; लोकसंख्याशास्त्र; आणि संघटनात्मक वर्तन) संशोधनावर आधारित शिकण्याच्या मूलभूत तत्त्वांचा एक संच ओळखण्यासाठी आकर्षित केला आहे. प्रभावी संघटना माहिती पुनर्प्राप्ती आणि वापर कसा वाढवते ते प्रेरणा काय परिणाम करते. या तत्त्वांमुळे शिक्षकांना विद्यार्थ्यांच्या शिक्षणाची समज मिळते ज्यामुळे त्यांना काही विशिष्ट शिक्षण पद्धती विद्यार्थ्यांच्या शिक्षणास समर्थन देतात किंवा देत नाहीत हे पाहण्यास मदत होते, विशिष्ट संदर्भात विद्यार्थ्यांच्या शिक्षणास अधिक प्रभावीपणे प्रोत्साहन देणारे शिक्षण पद्धती आणि धोरणे तयार करतात किंवा परिष्कृत करतात आणि नवीन अभ्यासक्रमांमध्ये या तत्त्वांचे हस्तांतरण आणि लागू करतात. |
52a345a29267107f92aec9260b6f8e8222305039 | हे पेपर बियानचिनी आणि इतर यांनी केलेल्या आतील पेज रँक पेपरला साथीदार किंवा विस्तार म्हणून काम करते. [१९] हे सर्वसाधारणपणे PageRank शी संबंधित सर्व समस्यांचे एक व्यापक सर्वेक्षण आहे, ज्यामध्ये मूलभूत PageRank मॉडेल, उपलब्ध आणि शिफारस केलेले उपाय पद्धती, स्टोरेज समस्या, अस्तित्व, अद्वितीयता आणि अभिसरण गुणधर्म, मूलभूत मॉडेलमध्ये संभाव्य बदल, पारंपारिक उपाय पद्धतींचे पर्यायी पर्याय, संवेदनशीलता आणि कंडिशनिंग आणि शेवटी अद्ययावत समस्या समाविष्ट आहे. आम्ही काही नवीन निष्कर्ष सादर करतो, विस्तृत संदर्भ सूची प्रदान करतो आणि भविष्यातील संशोधनाच्या रोमांचक क्षेत्रांबद्दल अनुमान करतो. |
0e5c8094d3da52340b58761d441eb809ff96743f | भाग २ विषय या लेखात आपण नवीनपणे सादर केलेल्या वितरित सक्रिय ट्रान्सफॉर्मर (डीएटी) संरचनेची कार्यक्षमता पारंपारिक ऑन-चिप इम्पॅडन्स-परिवर्तन पद्धतींशी तुलना केली आहे. मानक सिलिकॉन प्रक्रिया तंत्रज्ञानात उच्च-शक्तीच्या पूर्णपणे समाकलित अॅम्प्लिफायरच्या डिझाइनमध्ये त्यांच्या मूलभूत उर्जा-कार्यक्षम मर्यादांचे विश्लेषण केले जाते. डीएटी ही एक कार्यक्षम प्रतिरोधक-परिवर्तन आणि शक्ती-संयोजन पद्धत असल्याचे सिद्ध झाले आहे, जे चुंबकीय जोडणीद्वारे अनेक कमी-व्होल्टेज पुश-पुल अॅम्प्लीफायर्सला मालिकांमध्ये जोडते. नवीन संकल्पनेची वैधता दर्शविण्यासाठी, 2.4-GHz 1.9-W 2-V पूर्णपणे समाकलित पॉवर-एम्प्लीफायरची निर्मिती केली गेली आहे जी 50 इनपुट आणि आउटपुट मॅचिंगसह 41% पॉवर-अॅड-इफेसिटिव्ह आहे. 0.35-μm CMOS ट्रान्झिस्टरचा वापर करून आयटम प्रकारः लेख अतिरिक्त माहिती: © कॉपीराइट 2002 IEEE. परवानगीसह पुनर्मुद्रित केले. हस्तलिखित 27 मे 2001 रोजी प्राप्त झाले. [ऑनलाईन पोस्ट केलेले: २००२-०८-०७] हे काम इंटेल कॉर्पोरेशन, आर्मी रिसर्च ऑफिस, जेट प्रोपल्शन लॅबोरेटरी, इन्फिनियन आणि नॅशनल सायन्स फाउंडेशनने समर्थित केले. चिप निर्मितीसाठी लेखक कोनेक्सेंट सिस्टम्सचे आभार मानतात, विशेषतः आर. मागून, एफ. इंटवेल्ड, जे. पॉवेल, ए. वो आणि के. मोये. के. पॉटर, डी. हॅम आणि एच. वू, कॅलिफोर्निया इन्स्टिट्यूट ऑफ टेक्नॉलॉजी (कॅल्टेक), पासाडेना, यांचे त्यांच्या मदतीबद्दल विशेष आभार मानले पाहिजेत. एजीलेंट टेक्नॉलॉजीज आणि सोनट सॉफ्टवेअर इंक, लिव्हरपूल, न्यूयॉर्क यांच्या सीएडी साधनांसाठी तांत्रिक समर्थनाचे देखील कौतुक केले जाते. सिलिकॉन-आधारित आरएफ आणि मायक्रोवेव्ह इंटिग्रेटेड सर्किट्स वर विशेष अंक, मायक्रोवेव्ह सिद्धांत आणि तंत्रांवर आयईईई व्यवहार, खंड. ५०, नाही. |
14fae9835ae65adfdc434b7b7e761487e7a9548f | हे ज्ञात आहे की रेडियल पॉवर कंबाइनर मोठ्या संख्येने पॉवर अॅम्पलीफायर एकत्रित करण्यात खूप प्रभावी आहे, जिथे तुलनेने विस्तृत बँडवर उच्च कार्यक्षमता (90% पेक्षा जास्त) प्राप्त केली जाऊ शकते. तथापि, त्याच्या डिझाइनची जटिलता यामुळे त्याचा सध्याचा वापर मर्यादित आहे. या पेपरमध्ये, आम्ही चरण-दर-चरण डिझाइन प्रक्रिया विकसित करतो, ज्यात प्रारंभिक अंदाजे डिझाइन सूत्रे आणि अंतिम अचूक डिझाइन ऑप्टिमायझेशन हेतूंसाठी योग्य मॉडेल दोन्ही समाविष्ट आहेत. त्रि-आयामी विद्युत चुंबकीय मॉडेलिंगच्या आधारे, अंदाज केलेले परिणाम मोजलेल्या लोकांशी उत्कृष्ट सहमत होते. रेडियल-कॉम्बिनर कार्यक्षमता, त्याचे मोहक क्षय आणि उच्च ऑर्डर पॅकेज रेझोनन्सच्या प्रभावाशी संबंधित व्यावहारिक मुद्द्यांवर येथे तपशीलवार चर्चा केली आहे |
47fdb5ec9522019ef7e580d59c262b3dc9519b26 | मायक्रोस्ट्रिप प्रोब आणि डब्ल्यूआर -430 आयताकृती वेव्हगाइडचा वापर करून 1:4 पॉवर डिवाइडरचे यशस्वी प्रात्यक्षिक सादर केले आहे. नॉन-ऑप्टिमाइझ केलेल्या संरचनेची 15-डीबी रिटर्न लॉस बँडविड्थ 22% आणि त्याची 0.5-डीबी इन्सर्टशन लॉस बँडविड्थ 26% असल्याचे सिद्ध झाले आहे. परंपरागत मशीनिंगद्वारे साकार केले जात असताना, अशी रचना मिलिमीटर आणि सबमिलिमीटर-वेव्ह मायक्रो-मशीनिंग तंत्राशी सुसंगत असलेल्या फॅशनमध्ये एकत्र केली जाते. त्यामुळे, या रचनामध्ये पॉवर डिव्हिडिंग आणि पॉवर कॉम्बिनेटिंग आर्किटेक्चरचा समावेश आहे, जो मायक्रोमेकिंगद्वारे 100GHz पेक्षा जास्त अनुप्रयोगांसाठी वापरला जाऊ शकतो. |
68218edaf08484871258387e95161a3ce0e6fe67 | आठ-डिव्हाइस का-बँड सॉलिड-स्टेट पॉवर अॅम्प्लीफायर ट्रॅव्हलिंग-वेव्ह पॉवर-डिव्हिडिंग / कॉम्बिनेशन तंत्र वापरून डिझाइन केले गेले आहे आणि तयार केले गेले आहे. या डिझाईनमध्ये वापरण्यात आलेल्या कमी प्रोफाइल स्लॉटेड वेव्हगाइड स्ट्रक्चरमुळे केवळ मोठ्या बँडविड्थवर उच्च पॉवर-कॉम्बिनिंग कार्यक्षमताच नाही तर सक्रिय उपकरणांसाठी कार्यक्षम उष्णता विसर्जन देखील होते. आठ-डिव्हाइस पॉवर अॅम्प्लीफायरची मोजलेली कमाल लहान सिग्नल गॅनिंग 34 जीएचझेड येथे 19.4 डीबी आहे, ज्यामध्ये 3 डीबी बँडविड्थ 3.2 जीएचझेड आहे (एफ / सब एल / = 31.8 जीएचझेड, एफ / सब एच / = 35 जीएचझेड). पॉवर अॅम्प्लिफायरमधून मोजलेल्या कमाल आउटपुट पॉवर 1 डीबी कॉम्प्रेशन (पी / सब आउट / 1 डीबी) वर 33 डीबीएम (/ स्प्लिसिम / 2 डब्ल्यू) 32.2 जीएचझेडवर आहे, पॉवर कॉम्बिनेशनची कार्यक्षमता 80% आहे. याव्यतिरिक्त, डिव्हाइसच्या अपयशाने या पॉवर अॅम्पलीफायरची कामगिरी कमी होण्याची देखील नक्कल केली गेली आहे आणि मोजली गेली आहे. |
db884813d6d764aea836c44f46604128735bffe0 | उच्च शक्ती, विस्तृत बँडविड्थ, उच्च रेषेचा आणि कमी आवाज हे अॅम्प्लिफायर डिझाइनमधील सर्वात महत्वाचे वैशिष्ट्ये आहेत. ब्रॉडबँड स्पेसियल पॉवर-कॉम्बिंग टेक्निक या सर्व समस्यांना संबोधित करते ज्यात ब्रॉडबँड कोएक्सियल वेव्हगाइड वातावरणात मोठ्या प्रमाणात मायक्रोवेव्ह मोनोलिथिक इंटिग्रेटेड सर्किट (एमएमआयसी) अॅम्प्लीफायरची आउटपुट पॉवर एकत्रित केली जाते, तर चांगली रेषेची देखभाल केली जाते आणि एमएमआयसी अॅम्प्लीफायरचा फेज आवाज सुधारला जातो. प्रत्येक घटकामध्ये समान रीतीने इनपुट पॉवर वितरित करून व्यापक बँडविड्थ आणि चांगल्या एकसमानतेसाठी एकत्रित सर्किटचे होस्ट म्हणून एक समाक्षीय वेव्हगाइड वापरले गेले. एका नवीन कॉम्पॅक्ट कोएक्सियल कंबाइनरची तपासणी केली जात आहे. ब्रॉडबँड स्लॉटलाइन ते मायक्रोस्ट्रिप-लाइन ट्रान्झिशन व्यावसायिक एमएमआयसी अॅम्प्लीफायर्सशी चांगल्या सुसंगततेसाठी समाकलित केले आहे. थर्मल सिमुलेशन केले जाते आणि उच्च-शक्तीच्या अनुप्रयोगांमध्ये उष्णता सॅंक सुधारण्यासाठी मागील डिझाइनपेक्षा सुधारित थर्मल मॅनेजमेंट स्कीम वापरली जाते. कॉम्पॅक्ट कंबाइनर डिझाइनचा वापर करणारा एक उच्च-शक्तीचा वर्धक तयार केला जातो आणि 44-डब्ल्यू कमाल आउटपुट पॉवरसह 6 ते 17 जीएचझेड पर्यंत बँडविड्थ असल्याचे सिद्ध केले जाते. रेषेच्या मापनाने 52 डीबीएमचा उच्च तृतीय-क्रमातील छेदनबिंदू दर्शविला आहे. विश्लेषणाने हे सिद्ध केले आहे की, या अॅम्पलीफायरमध्ये स्प्युरियस-फ्री डायनॅमिक रेंजमध्ये २ ते ३ पटीने वाढ करण्याची क्षमता आहे. या अॅम्पलीफायरमध्ये वाहक पासून १० किलोहर्ट्झ ऑफसेटवर १४० डीबीसीच्या जवळचा अवशिष्ट फेज फ्लोअर दाखवण्यात आला आहे. यामध्ये एमएमआयसी अॅम्पलीफायरच्या तुलनेत ५-६ डीबी कमी झाले आहे. |
e73ee8174589e9326d3b36484f1b95685cb1ca42 | आगामी पाचव्या पिढीच्या सेल्युलर संप्रेषणासाठी 28 जीएचझेडचा पहिला अँटेना सोल्यूशन सविस्तरपणे सादर केला आहे. 28 जीएचझेडच्या प्रस्तावित अँटेना सोल्यूशनला वास्तविक प्रजनन वातावरणात कार्यरत सेल्युलर हँडसेटसाठी अत्यंत प्रभावी असल्याचे व्यापक मोजमाप आणि सिम्युलेशनद्वारे निश्चित केले गेले आहे. |
4e85503ef0e1559bc197bd9de0625b3792dcaa9b | नेटवर्कवर आधारित हल्ले सामान्य आणि अत्याधुनिक झाले आहेत. या कारणास्तव, घुसखोरी शोध प्रणाली आता त्यांचे लक्ष होस्ट आणि त्यांच्या ऑपरेटिंग सिस्टमवरून स्वतः नेटवर्कवर वळवत आहेत. नेटवर्कवर आधारित घुसखोरी शोधणे आव्हानात्मक आहे कारण नेटवर्क ऑडिटिंग मोठ्या प्रमाणात डेटा तयार करते आणि एकाच घुसखोरीशी संबंधित भिन्न घटना नेटवर्कवरील वेगवेगळ्या ठिकाणी दृश्यमान असू शकतात. या पेपरमध्ये नेटस्टॅट, नेटवर्क घुसखोरी शोधण्यासाठी एक नवीन दृष्टीकोन सादर केला आहे. नेटवर्क आणि हल्ले या दोन्हीचे औपचारिक मॉडेल वापरून नेटस्टॅट हे ठरवू शकतो की कोणत्या नेटवर्क इव्हेंट्सवर लक्ष ठेवणे आवश्यक आहे आणि ते कुठे निरीक्षण केले जाऊ शकतात. |
818c13721db30a435044b37014fe7077e5a8a587 | मोठ्या क्लस्टरवर मोठ्या प्रमाणात डेटा विश्लेषण क्वेरी ऑप्टिमायझेशनसाठी नवीन संधी आणि आव्हाने सादर करते. या वातावरणात कामगिरीसाठी डेटा विभाजन करणे अत्यंत महत्वाचे आहे. तथापि, डेटाचे पुनर्वितरण करणे ही एक अतिशय महागडी प्रक्रिया आहे त्यामुळे अशा ऑपरेशन्सची संख्या कमी केल्याने कामगिरीत लक्षणीय सुधारणा होऊ शकते. या वातावरणासाठी क्वेरी ऑप्टिमाइझरला डेटा विभाजन करण्याबद्दल तर्क करणे आवश्यक आहे ज्यात क्रमवारी लावणे आणि गटबद्ध करण्यासह त्याचे परस्परसंवाद समाविष्ट आहे. स्कोप ही एसक्यूएल सारखी स्क्रिप्टिंग भाषा आहे जी मायक्रोसॉफ्टमध्ये मोठ्या प्रमाणात डेटा विश्लेषणासाठी वापरली जाते. एक रूपांतरण-आधारित ऑप्टिमाइझर कॉसमॉस वितरित संगणकीय प्लॅटफॉर्मसाठी स्क्रिप्ट्सला कार्यक्षम अंमलबजावणी योजनांमध्ये रूपांतरित करण्यासाठी जबाबदार आहे. या पेपरमध्ये, आम्ही वर्णन करतो की डेटा विभाजन बद्दल तर्कशास्त्र कसे समाविष्ट केले जाते. आम्ही रिलेशनल ऑपरेटर विभाजन, क्रमवारी लावणे आणि गट गुणधर्म कसे प्रभावित करतात हे दर्शवितो आणि अनावश्यक ऑपरेशन्स टाळण्यासाठी ऑप्टिमाइझर कशा प्रकारे तर्क करते आणि अशा गुणधर्मांचा फायदा घेते हे वर्णन करतो. बहुतेक ऑप्टिमाइझर्समध्ये, समांतर योजनांचा विचार करणे हा पोस्टप्रोसेसिंग चरणात केलेला एक विचार आहे. विभाजन करण्याबाबत तर्कशास्त्र केल्याने स्कोप ऑप्टिमाइझरला खर्च आधारित ऑप्टिमाइझरमध्ये समांतर, सिरीयल आणि मिश्रित योजनांचा विचार पूर्णपणे समाकलित करण्यास सक्षम करते. आमच्या पद्धतीमुळे विविध योजना शक्य झाल्याचे दाखवून या फायद्याचे उदाहरण दिले आहे. |
8420f2f686890d9675538ec831dbb43568af1cb3 | रोमन लिपीत लिहिलेल्या हिंग्लिश मजकुराची भावनात्मक ध्रुवीयता निश्चित करण्यासाठी, आम्ही वैशिष्ट्य निवड पद्धतींचे विविध संयोजन आणि टर्म वारंवारता-इंव्हर्स्ड दस्तऐवज वारंवारता वैशिष्ट्य प्रतिनिधित्व वापरून वर्गीकरणकर्त्यांची एक मेजवानी प्रयोग केली. आम्ही एकूण ८४० प्रयोग केले. हे प्रयोग हे हिंग्लिश भाषेतल्या बातम्या आणि फेसबुक कमेंट्समध्ये व्यक्त होणाऱ्या भावनांचे वर्गीकरण करण्यासाठी केले. आम्ही असा निष्कर्ष काढला की, हिंग्लिश मजकूरातील भावनांचे वर्गीकरण करण्यासाठी सर्वोत्तम संयोजन म्हणून वारंवारता-उलट दस्तऐवज वारंवारता-आधारित वैशिष्ट्य प्रतिनिधित्व, लाभ गुणोत्तर आधारित वैशिष्ट्य निवड आणि रेडियल बेस फंक्शन न्यूरल नेटवर्क यांचा त्रिकूट आहे. |
c97ebb60531a86bea516d3582758a45ba494de10 | आयईईई इंटेलिजेंट ट्रान्सपोर्ट सिस्टम सोसायटी आणि सर्वव्यापी संगणकीय संशोधन समुदायामध्ये अधिक घट्ट सहकार्याला प्रोत्साहन देण्यासाठी, लेखक आयटीएस सोसायटीची ओळख करुन देतात आणि आयटीएस सोसायटीच्या संशोधक काम करीत असलेल्या अनेक सर्वव्यापी संगणकीय-संबंधित संशोधन विषयांची ओळख करुन देतात. हा विभाग इंटेलिजेंट ट्रान्सपोर्टच्या विशेष विषयाचा भाग आहे. |
e91196c1d0234da60314945c4812eda631004d8f | आम्ही भाषा शिकण्यासाठी एक परस्परसंवादी बहु-मोडल फ्रेमवर्क प्रस्तावित करतो. मोठ्या प्रमाणात नैसर्गिक मजकूराच्या निष्क्रिय प्रदर्शनाऐवजी, आमचे शिकणारे (फीड-फॉरवर्ड न्यूरल नेटवर्क म्हणून लागू केलेले) एक ताबुला रासा सेटअपपासून सुरू होणारे सहकारी संदर्भात्मक गेममध्ये गुंततात आणि अशा प्रकारे गेममध्ये यशस्वी होण्यासाठी संवाद साधण्याची गरज त्यांच्या स्वतः च्या भाषेचा विकास करते. प्राथमिक प्रयोगांमुळे आशादायक परिणाम दिसून येतात, परंतु असेही सूचित होते की अशा प्रकारे प्रशिक्षित एजंट्स केवळ खेळत असलेल्या खेळासाठी प्रभावी असलेला एक अदलाबदल संप्रेषण कोड विकसित करत नाहीत याची खात्री करणे महत्वाचे आहे. |
500b7d63e64e13fa47934ec9ad20fcfe0d4c17a7 | अलीकडे, त्रि-आयामी (3 डी) एलटीसीसी-आधारित सीपी अनुप्रयोगांमध्ये उच्च एकत्रीकरण घनतेमुळे उच्च-वारंवारता सिग्नलच्या वेळेवर नियंत्रणाची जोरदार मागणी आहे. त्यामुळे या विलंबावर नियंत्रण ठेवण्यासाठी नवीन 3 डी विलंब रेषा प्रस्तावित केल्या जातील. सिग्नलच्या कमकुवततेसाठी, आम्ही कोएक्सियल लाइनची संकल्पना स्वीकारली आणि अर्ध-कोएक्सियल ग्राउंड (क्यूसीओएक्स-जीएनडी) वायससह संरचनेद्वारे प्रगत सिग्नल प्रस्तावित केला. आम्ही ईएम आणि सर्किट सिम्युलेटरचा वापर करून अनुकरण परिणाम दर्शवू. |
1a07186bc10592f0330655519ad91652125cd907 | आम्ही एका एकल संक्रमणीय न्यूरल नेटवर्क आर्किटेक्चरचे वर्णन करतो, जे वाक्य दिले जाते, भाषा प्रक्रियेच्या अंदाजानुसार अनेक भाषेचे उत्पादन करते: भाषेचे भाग-टॅग, तुकडे, नावाची संस्था टॅग, सिमेंटिक भूमिका, सिमेंटिकली समान शब्द आणि वाक्य अर्थपूर्ण आहे याची शक्यता (व्याकरणिक आणि सिमेंटिकली) भाषा मॉडेल वापरून. भार वाटप करून, मल्टीटास्क लर्निंगच्या उदाहरणावरून या सर्व कामांवर संपूर्ण नेटवर्कला एकत्रितपणे प्रशिक्षण दिले जाते. या सर्व कामांमध्ये लेबल केलेले डेटा वापरले जातात. लेबल नसलेल्या मजकूरावरून शिकवलेल्या भाषा मॉडेलला वगळता, शेअर केलेल्या कामांसाठी अर्ध-पर्यवेक्षित शिक्षणाचा हा एक नवीन प्रकार आहे. आम्ही दाखवतो की मल्टीटास्किंग शिक्षण आणि अर्ध-पर्यवेक्षित शिक्षण दोन्ही सामायिक केलेल्या कामांचे सामान्यीकरण कसे सुधारतात, परिणामी अत्याधुनिक कामगिरी होते. |
27e38351e48fe4b7da2775bf94341738bc4da07e | एक शब्द वेक्टर स्पेस मॉडेल शब्दसंग्रही माहिती शिकण्यात खूप यशस्वी झाले आहेत. तथापि, ते लांब वाक्यांशांचे रचनात्मक अर्थ पकडू शकत नाहीत, त्यांना भाषेची सखोल समज होण्यापासून प्रतिबंधित करते. आम्ही एक पुनरावृत्ती न्यूरल नेटवर्क (आरएनएन) मॉडेल सादर करतो जे अनियमित वाक्यरचना प्रकार आणि लांबीच्या वाक्ये आणि वाक्यांशांसाठी रचना वेक्टर प्रतिनिधित्व शिकते. आमचे मॉडेल एक वेक्टर आणि एक मॅट्रिक्स लावते. प्रत्येक नोडला पार्स ट्री मध्ये. वेक्टर घटकातील मूळ अर्थ पकडतो, तर मॅट्रिक्स शेजारच्या शब्दांचा किंवा वाक्यांचा अर्थ कसा बदलतो ते पकडतो. हे मॅट्रिक्स-वेक्टर आरएनएन प्रस्तावनात्मक तर्कशास्त्र आणि नैसर्गिक भाषेत ऑपरेटरचा अर्थ शिकू शकते. या मॉडेलला तीन वेगवेगळ्या प्रयोगांवर अत्याधुनिक कामगिरी मिळते: अॅडव्हेर्ब-विशेषण जोड्यांचे बारीक-कणयुक्त भावना वितरण अंदाज करणे; चित्रपट पुनरावलोकनांचे भावना लेबल वर्गीकरण करणे आणि कारण-परिणाम किंवा विषय-संदेश यासारख्या शब्दार्थ संबंधांचे वर्गीकरण करणे. |
303b0b6e6812c60944a4ac9914222ac28b0813a2 | या लेखात वाक्यांच्या पातळीवरील भावना विश्लेषणाचा एक नवीन दृष्टिकोन सादर केला आहे जो प्रथम एक अभिव्यक्ती तटस्थ किंवा ध्रुवीय आहे की नाही हे निर्धारित करतो आणि नंतर ध्रुवीय अभिव्यक्तींच्या ध्रुवीयतेचे स्पष्टीकरण करतो. या पद्धतीमुळे, प्रणाली भावना व्यक्त करण्याच्या मोठ्या उपसंचात संदर्भातील ध्रुवीयतेची स्वयंचलितपणे ओळख करण्यास सक्षम आहे, मूलभूत परिणामापेक्षा लक्षणीय चांगले परिणाम प्राप्त करतात. |
4eb943bf999ce49e5ebb629d7d0ffee44becff94 | काळ हा अनेक मनोरंजक मानवी वर्तनाचा आधार आहे. त्यामुळे कनेक्शनवादी मॉडेलमध्ये वेळेचे प्रतिनिधित्व कसे करावे हा प्रश्न खूप महत्वाचा आहे. एक दृष्टिकोन म्हणजे स्पष्टपणे (जगिक प्रतिनिधित्व प्रमाणे) प्रक्रियेवर होणाऱ्या प्रभावांद्वारे वेळ अप्रत्यक्षपणे दर्शविणे. या अहवालात जॉर्डन (१९८६) यांनी प्रथम वर्णन केलेल्या या दिशेने एक प्रस्ताव विकसित केला आहे ज्यामध्ये नेटवर्कला गतिमान स्मृती प्रदान करण्यासाठी आवर्ती दुवे वापरणे समाविष्ट आहे. या पद्धतीमध्ये, लपविलेले युनिट नमुने स्वतःकडे परत आणले जातात; विकसित होणारी अंतर्गत प्रतिनिधित्व अशा प्रकारे मागील अंतर्गत राज्यांमधील कार्य आवश्यकता प्रतिबिंबित करतात. यामध्ये सिमुलेशनचा एक संच देण्यात आला आहे, ज्यात साध्या सोप्या समस्यांपासून (एक्सओआरची तात्पुरती आवृत्ती) शब्दांसाठी वाक्यरचना / सिमेंटिक वैशिष्ट्ये शोधण्यापर्यंतचा समावेश आहे. नेटवर्क मनोरंजक अंतर्गत प्रतिनिधित्व शिकण्यास सक्षम आहेत जे मेमरी मागण्यांसह कार्य मागण्यांचा समावेश करतात; खरंच, या दृष्टिकोनातून मेमरीची संकल्पना टास्क प्रोसेसिंगशी अतूटपणे जोडली गेली आहे. या प्रतिनिधित्व एक श्रीमंत रचना प्रकट, जे त्यांना अत्यंत संदर्भ-निर्भर असल्याचे परवानगी देते, तर देखील आयटम वर्ग ओलांडून सामान्यीकरण व्यक्त. या प्रतिनिधित्व शब्दकोशातील श्रेणी आणि प्रकार / टोकन फरक दर्शविण्यासाठी एक पद्धत सुचवतात. |
2069c9389df8bb29b7fedf2c2ccfe7aaf82b2832 | नवीन मशीन लर्निंग पॅराडाइम म्हणून ट्रान्सफर लर्निंगला अलीकडेच वाढते लक्ष मिळाले आहे. ज्या परिस्थितीत लक्ष्य डोमेनमधील प्रशिक्षण डेटा प्रभावीपणे भविष्यवाणी मॉडेल शिकण्यासाठी पुरेसे नाहीत, त्या परिस्थितीत हस्तांतरण शिक्षण शिकण्यासाठी इतर संबंधित सहाय्यक डोमेनमधील सहाय्यक स्त्रोत डेटाचा लाभ घेते. या क्षेत्रातील बहुतेक विद्यमान कामे केवळ लक्ष्य डेटासारख्या समान प्रतिनिधित्वात्मक संरचनेसह स्त्रोत डेटा वापरण्यावर केंद्रित आहेत, या पेपरमध्ये आम्ही हेतू पाठ आणि प्रतिमा दरम्यान ज्ञान हस्तांतरणासाठी विषम हस्तांतरण शिक्षण फ्रेमवर्कचा विस्तार करून ही मर्यादा पुढे ढकलतो. आम्ही असे निरीक्षण करतो की लक्ष्य-डोमेन वर्गीकरण समस्येसाठी, काही एनोटेटेड प्रतिमा अनेक सामाजिक वेब साइटवर आढळू शकतात, जे वेबवर उपलब्ध असलेल्या भरपूर मजकूर दस्तऐवजांमधून ज्ञान हस्तांतरित करण्यासाठी पूल म्हणून काम करू शकतात. मूलभूत प्रश्न हा आहे की मजकूर दस्तऐवज मनमानी असले तरीही स्त्रोत डेटामधील ज्ञान प्रभावीपणे कसे हस्तांतरित करावे. आमचे समाधान हे आहे की मॅट्रिक्स फॅक्टरायझेशनद्वारे सहाय्यक स्त्रोत डेटामधून काढलेल्या सिमेंटिक संकल्पनांसह लक्ष्य प्रतिमांचे प्रतिनिधित्व समृद्ध करणे आणि अधिक चांगले प्रतिमा वर्गीकरण तयार करण्यासाठी सहाय्यक डेटाद्वारे व्युत्पन्न केलेले लॅटेंट सिमेंटिक वैशिष्ट्ये वापरणे. कॅलटेक-256 च्या प्रतिमा डेटासेटवर आम्ही आमच्या अल्गोरिदमची कार्यक्षमता प्रायोगिकरित्या सत्यापित करतो. |
381231eecd132199821c5aa3ff3f2278f593ea33 | |
a8823ab946321079c63b9bd42f58bd17b96a25e4 | चेहर्याचा शोध आणि डोळे काढणे यांची अनेक अनुप्रयोगांमध्ये महत्वाची भूमिका आहे जसे की चेहरा ओळखणे, चेहर्यावरील अभिव्यक्ती विश्लेषण, सुरक्षा लॉगिन इ. मानवी चेहऱ्याचा शोध घेणे आणि डोळे, नाक यासारख्या चेहऱ्याच्या रचना शोधणे ही संगणकासाठी एक जटिल प्रक्रिया आहे. या पेपरमध्ये सोबेल एज डिटेक्शन आणि मॉर्फोलॉजिकल ऑपरेशन्सचा वापर करून फ्रंटल फेस इमेजेसमधून चेहरा शोधणे आणि डोळे काढण्यासाठी एक अल्गोरिदम प्रस्तावित केला आहे. प्रस्तावित पद्धत तीन टप्प्यात विभागली गेली आहे; पूर्व प्रक्रिया, चेहऱ्याच्या भागाची ओळख आणि डोळे काढणे. प्रतिमांचे आकार बदलणे आणि ग्रे स्केल प्रतिमा रूपांतरण पूर्व-प्रक्रियामध्ये प्राप्त होते. चेहर्याचे क्षेत्र ओळखणे सोबेल किनार शोध आणि आकारशास्त्रीय ऑपरेशन्सद्वारे पूर्ण केले जाते. शेवटच्या टप्प्यात, मॉर्फोलॉजिकल ऑपरेशन्सच्या मदतीने डोळे चेहर्याच्या भागातून काढले जातात. आयएमएम फ्रंटल फेस डेटाबेस, एफईआय फेस डेटाबेस आणि आयएमएम फेस डेटाबेसच्या अनुक्रमे 120, 75, 40 प्रतिमांवर प्रयोग केले जातात. चेहऱ्याचा शोध घेण्याची अचूकता 100%, 100%, 97.50% आणि डोळे काढण्याची अचूकता दर अनुक्रमे 92.50%, 90.66%, 92.50% आहे. |
3b6911dc5d98faeb79d3d3e60bcdc40cfd7c9273 | एकत्रीकृत स्वाक्षरी योजना ही एक डिजिटल स्वाक्षरी आहे जी एकत्रिकरणास समर्थन देते: n भिन्न वापरकर्त्यांकडून n भिन्न संदेशांवर n स्वाक्षर्या दिल्यास, या सर्व स्वाक्षर्या एकाच लहान स्वाक्षरीमध्ये एकत्रित करणे शक्य आहे. ही सिंगल सिग्नेचर (आणि n मूळ मेसेजेस) सत्यापनकर्ताला खात्री देईल की n वापरकर्त्यांनी n मूळ मेसेजेसवर सही केली आहे (म्हणजेच, वापरकर्ता i ने i = 1 साठी संदेश Mi वर सही केली आहे. . . मी . . मी , n) या लेखात आपण एकूण स्वाक्षरीची संकल्पना, अशा स्वाक्षरींसाठी सुरक्षा मॉडेल सादर करतो आणि एकूण स्वाक्षरीसाठी अनेक अनुप्रयोग देतो. आम्ही बोने, लिन आणि शॅचम यांच्यामुळे द्विरेखा नकाशांवर आधारित अलीकडील लहान स्वाक्षरी योजनेतून एक कार्यक्षम एकत्रीत स्वाक्षरी तयार करतो. एकत्रित स्वाक्षर्या प्रमाणपत्र साखळीचा आकार कमी करण्यासाठी (साखळीतील सर्व स्वाक्षर्या एकत्रित करून) आणि एसबीजीपी सारख्या सुरक्षित रूटिंग प्रोटोकॉलमध्ये संदेशाचा आकार कमी करण्यासाठी उपयुक्त आहेत. आम्ही हेही दाखवून दिले की एकत्रित स्वाक्षर्या सत्यापितपणे एन्क्रिप्ट केलेल्या स्वाक्षर्यांना जन्म देतात. अशा स्वाक्षर्या सत्यापनकर्ताला दिलेल्या सिफरटेक्स्ट सी दिलेल्या संदेशाच्या स्वाक्षरीचा एनक्रिप्शन आहे की नाही याची चाचणी घेण्यास सक्षम करतात . करारावर स्वाक्षरी करण्याच्या प्रोटोकॉलमध्ये सत्यापितपणे एन्क्रिप्ट केलेली स्वाक्षरी वापरली जाते. शेवटी, आम्ही दाखवतो की अशाच कल्पनांचा वापर लहान स्वाक्षरी योजनेचा विस्तार करण्यासाठी साध्या रिंग स्वाक्षरी देण्यासाठी केला जाऊ शकतो. |
6d4fa4b9037b64b8383331583430711be321c587 | भावना विश्लेषण हे संशोधन क्षेत्र वाढत आहे, जे व्यावसायिक अनुप्रयोग आणि शैक्षणिक स्वारस्य या दोन्हीद्वारे चालविले जाते. या पेपरमध्ये, आम्ही व्हॅलेंस आणि उत्तेजनाच्या भावनिक आयामांसाठी डायरीसारख्या ब्लॉग पोस्ट्सच्या मल्टीक्लास वर्गीकरणाचा शोध घेतो, जिथे कार्याचा उद्देश क्रमवारी पाच-स्तरीय प्रमाणात पोस्टच्या व्हॅलेंस आणि उत्तेजनाची पातळी अंदाज करणे आहे, अनुक्रमे अत्यंत नकारात्मक / कमी ते अतिशय सकारात्मक / उच्च. रसेलच्या सर्कंप्लेक्स मॉडेल ऑफ अफेक्टच्या मानसशास्त्रीय मॉडेलवर आधारित या दोन परिमाणांमध्ये ऑर्डिनल स्केलमध्ये वेगळ्या भावनिक स्थितीचे नकाशा कसे तयार करावे हे आम्ही दर्शवितो आणि बहुआयामी, वास्तविक-मूल्यवान टिपण्णीसह पूर्वी उपलब्ध असलेल्या कॉर्पसचे लेबल लावतो. रेग्रेशन आणि एक-विरुद्ध-सर्व दृष्टिकोन वापरून प्रयोगात्मक परिणाम दर्शविते की जरी नंतरचा दृष्टिकोन अधिक अचूक ऑर्डिनल क्लास अंदाज अचूकता प्रदान करतो, तरी रेग्रेशन तंत्रे लहान प्रमाणात त्रुटी करतात. |
9931c6b050e723f5b2a189dd38c81322ac0511de | मानवी कृती ओळख समुदायामध्ये सार्वजनिकरित्या उपलब्ध डेटासेटच्या सद्यस्थितीचा आढावा आम्ही सादर करतो; पोज आधारित पद्धतींचे पुनरुज्जीवन आणि व्यक्ती-व्यक्ती परस्परसंवाद मॉडेलिंग समजून घेण्याच्या अलीकडील प्रगतीवर प्रकाश टाकणे. आम्ही डेटासेटचे वर्गीकरण बेंचमार्क डेटासेट म्हणून वापरण्यासाठी अनेक प्रमुख गुणधर्मांसह करतो; वर्ग लेबल्सची संख्या, प्रदान केलेली ग्राउंड सत्य आणि ते व्यापलेल्या अनुप्रयोग डोमेनसह. आम्ही प्रत्येक डेटासेटच्या अमूर्ततेच्या पातळीवर देखील विचार करतो; क्रिया, परस्परसंवाद आणि उच्च स्तरीय सिमेंटिक क्रियाकलाप सादर करणारे गट. या सर्वेक्षणात मुख्य देखावा आणि पोझ आधारित डेटासेटची ओळख आहे, सरलीकृत, भरलेल्या किंवा स्क्रिप्ट केलेल्या कृती वर्गाची प्रवृत्ती लक्षात घेता जी सहसा सब-एक्शन जेश्चरच्या स्थिर संग्रहाने सहजपणे परिभाषित केली जाऊ शकते. जवळून संबंधित क्रिया प्रदान करणारे डेटासेट स्पष्टपणे कमी आहेत, जे पोझ आणि हावभावांच्या मालिकेद्वारे अप्रत्यक्षपणे ओळखले जात नाहीत, परंतु परस्परसंवादाचा गतिमान संच आहे. म्हणून आम्ही एक नवीन डेटासेट प्रस्तावित करतो जो 3 डी पोझद्वारे दोन व्यक्तींमधील जटिल संभाषणात्मक परस्परसंवादाचे प्रतिनिधित्व करतो. दोन किनेक्ट खोली सेन्सरचा वापर करून 7 स्वतंत्र संभाषण आधारित परिस्थितींचे वर्णन करणारे 8 जोड्यांचे परस्परसंवाद गोळा केले गेले. याचे उद्दीष्ट असे आहे की, अनेक प्राचीन क्रिया, परस्परसंवाद आणि हालचालींमधून तयार केलेल्या घटना प्रदान करणे; वास्तविक जगाचे अधिक प्रतिनिधीत्व करणारे सूक्ष्म कृती वर्ग प्रदान करणे आणि सध्या विकसित मान्यता पद्धतींना आव्हान देणे. आमचा विश्वास आहे की हे संभाषणात्मक परस्परसंवादाचे वर्गीकरण करण्यासाठी समर्पित पहिल्या डेटासेटपैकी एक आहे. 3 डी पोज प्रीप्रिंट वापरून एल्सव्हिअरला सादर केले गेले ऑक्टोबर 27, 2015 वैशिष्ट्ये आणि संबंधित कागदपत्रे हे कार्य खरोखर शक्य आहे हे दर्शविते. या संपूर्ण डेटासॅटला संशोधक समुदायासाठी [1] येथे सार्वजनिकरित्या उपलब्ध करून देण्यात आले आहे. |
26e6b1675e081a514f4fdc0352d6cb211ba6d9c8 | आम्ही आधुनिक कारमध्ये वापरल्या जाणाऱ्या निष्क्रीय कीलेस एंट्री आणि स्टार्ट (पीकेईएस) प्रणालीवर रिले हल्ले दाखवतो. आम्ही दोन कार्यक्षम आणि स्वस्त हल्ले तयार केले, वायर्ड आणि वायरलेस फिजिकल लेयर रिले, जे हल्लेखोरांना कारमध्ये प्रवेश करण्याची आणि स्मार्ट की दरम्यान संदेश पाठवून कार सुरू करण्याची परवानगी देते. आमचे रिले मॉड्युलेशन, प्रोटोकॉल, किंवा मजबूत प्रमाणीकरण आणि एन्क्रिप्शनच्या उपस्थितीपासून पूर्णपणे स्वतंत्र आहेत. आम्ही 8 उत्पादकांच्या 10 कार मॉडेलवर व्यापक मूल्यांकन करतो. आमच्या परिणामांमध्ये असे दिसून आले आहे की सिग्नल फक्त एका दिशेने (कार ते की पर्यंत) पाठवणे हा हल्ला करण्यासाठी पुरेसा आहे, तर की आणि कारमधील वास्तविक अंतर मोठे राहते (चाचणी 50 मीटर पर्यंत, दृष्टीकोन नाही). आम्ही हेही दाखवतो की, आमच्या सेटअपमुळे, स्मार्ट की 8 मीटरपर्यंत उत्तेजित होऊ शकते. यामुळे आक्रमणकर्त्याला रिले स्थापित करण्यासाठी की जवळ जाण्याची गरज भासणार नाही. आम्ही पुढील विश्लेषण आणि गंभीर प्रणाली वैशिष्ट्ये चर्चा. रिले हल्ल्याची सर्वसाधारणता आणि मूल्यमापन केलेल्या प्रणालींची संख्या लक्षात घेता, समान डिझाइनवर आधारित सर्व पीकेईएस सिस्टम देखील त्याच हल्ल्यास असुरक्षित आहेत. अखेरीस, आम्ही तात्काळ उपाययोजनांचा प्रस्ताव ठेवतो ज्यामुळे रिले हल्ल्यांचा धोका कमी होईल तसेच अलीकडील उपाययोजना ज्यामुळे रिले हल्ले टाळता येतील आणि वापरण्याची सोय टिकून राहील, ज्यासाठी पीकेईएस प्रणाली सुरुवातीला सादर केल्या गेल्या. |
69d685d0cf85dfe70d87c1548b03961366e83663 | रक्तातील ऑक्सिजनच्या संतृप्तिवर (SpO2) नियंत्रण ठेवण्यासाठी आम्ही संपर्क नसलेली पद्धत सादर करतो. या पद्धतीमध्ये एक सीएमओएस कॅमेरा वापरला जातो ज्यामध्ये ट्रिगर कंट्रोल असते जेणेकरून दोन विशिष्ट तरंगलांबींवर फोटोप्लेथिसमोग्राफी (पीपीजी) सिग्नलची नोंद होऊ शकते आणि या तरंगलांबींवर पीपीजी सिग्नलच्या पल्सटाइल आणि नॉनपल्सटाइल घटकांच्या मोजलेल्या गुणोत्तरातून एसपीओ 2 निश्चित करते. सिग्नल-टू-रूस रेशो (एसएनआर) SpO2 मूल्याची तरंगलांबी निवडण्यावर अवलंबून असते. आम्ही आढळले की नारिंगी (λ = 611 एनएम) आणि जवळच्या इन्फ्रारेड (λ = 880 एनएम) यांचे संयोजन संपर्क नसलेल्या व्हिडिओ-आधारित शोध पद्धतीसाठी सर्वोत्तम एसएनआर प्रदान करते. या संयोजनाचा वापर पारंपारिक संपर्क-आधारित एसपीओ 2 मोजमापांमध्ये केला जातो. कारण पीपीजी सिग्नलची ताकद आणि या तरंगलांबीवरील कॅमेरा क्वांटम कार्यक्षमता संपर्क नसलेल्या पद्धतीचा वापर करून एसपीओ 2 मोजमापासाठी अधिक अनुकूल आहे. आम्ही एक छोटासा प्रायोगिक अभ्यास देखील केला आहे ज्यामध्ये ८३% ते ९८% च्या SpO2 श्रेणीवर संपर्क नसलेल्या पद्धतीची चाचणी केली आहे. या अभ्यासाचे परिणाम संदर्भ संपर्क SpO2 उपकरणाद्वारे मोजल्या गेलेल्या परिणामांसह सुसंगत आहेत (r = 0.936, p <; 0.001). या पद्धतीमुळे, ज्यांना पारंपारिक संपर्क-आधारित पीपीजी उपकरणे वापरता येत नाहीत, त्यांनाही हे साधन वापरता येईल. |
51c88134a668cdfaccda2fe5f88919ac122bceda | वेब व्हिडिओंमध्ये मल्टीमीडिया इव्हेंट्स शोधणे हे मल्टीमीडिया आणि संगणक दृष्टी या क्षेत्रात उदयोन्मुख संशोधन क्षेत्र आहे. या पेपरमध्ये, आम्ही इव्हेंट डिटेक्शनच्या एकूण समस्येच्या विविध पैलूंचा सामना करण्यासाठी आमच्या इव्हेंट लेबलिंग थ्रू एनालिटिक मीडिया प्रोसेसिंग (ई-लॅम्प) सिस्टमसाठी अलीकडे विकसित केलेल्या फ्रेमवर्कच्या मुख्य पद्धती आणि तंत्रज्ञानाची ओळख करुन देतो. अधिक विशेषतः, आम्ही वैशिष्ट्य काढण्यासाठी कार्यक्षम पद्धती विकसित केल्या आहेत जेणेकरून आम्ही हजारो तासांच्या व्हिडिओंसह व्हिडिओ डेटाचे मोठे संग्रह हाताळू शकू. दुसरे म्हणजे, आम्ही काढलेल्या कच्च्या वैशिष्ट्यांचे प्रतिनिधित्व एका जागेच्या बॅग-ऑफ-वर्ड मॉडेलमध्ये अधिक प्रभावी टाइलिंगसह करतो जेणेकरून वेगवेगळ्या वैशिष्ट्यांची आणि वेगवेगळ्या घटनांची जागेची मांडणी माहिती अधिक चांगल्या प्रकारे कॅप्चर केली जाऊ शकते, अशा प्रकारे एकूणच शोध कार्यक्षमता सुधारली जाऊ शकते. तिसरे, मोठ्या प्रमाणावर वापरल्या जाणाऱ्या लवकर आणि उशीरा फ्यूजन योजनांपेक्षा वेगळे, एकाधिक वैशिष्ट्यांमधून अधिक मजबूत आणि भेदभाव करणारे इंटरमीडिएट फीचर प्रतिनिधित्व शिकण्यासाठी एक नवीन अल्गोरिदम विकसित केले जाते जेणेकरून त्यावर चांगले इव्हेंट मॉडेल तयार केले जाऊ शकतात. केवळ काही सकारात्मक उदाहरणांसह इव्हेंट शोधण्याच्या अतिरिक्त आव्हानाचा सामना करण्यासाठी, आम्ही एक नवीन अल्गोरिदम विकसित केला आहे जो इव्हेंट शोधण्यात मदत करण्यासाठी सहाय्यक स्त्रोतांकडून शिकलेल्या ज्ञानास प्रभावीपणे अनुकूलित करण्यास सक्षम आहे. आमचे अनुभवजन्य परिणाम आणि TRECVID MED11 आणि MED12 च्या अधिकृत मूल्यांकनाचे परिणाम या कल्पनांच्या एकात्मतेची उत्कृष्ट कामगिरी दर्शवतात. |
10d6b12fa07c7c8d6c8c3f42c7f1c061c131d4c5 | दृश्यात्मक ऑब्जेक्ट ओळखण्यासाठी वैशिष्ट्य संचाचा प्रश्न आम्ही अभ्यास करतो; एक चाचणी केस म्हणून रेषेचा एसव्हीएम आधारित मानवी शोध स्वीकारणे. विद्यमान किनार आणि ग्रेडियंट आधारित डिस्क्रिप्टर्सचा आढावा घेतल्यानंतर, आम्ही प्रायोगिकरित्या हे दर्शवितो की ओरिएंटेड ग्रेडियंट (एचओजी) डिस्क्रिप्टर्सच्या हिस्टोग्रामचे ग्रीड मानवी शोधण्यासाठी विद्यमान वैशिष्ट्य संचपेक्षा लक्षणीय प्रमाणात चांगले काम करतात. आम्ही कामगिरीवर संगणनाच्या प्रत्येक टप्प्याचा प्रभाव अभ्यास करतो, असा निष्कर्ष काढतो की बारीक-स्केल ग्रेडियंट्स, बारीक अभिमुखता ब्लिंकिंग, तुलनेने उग्र अवकाशीय ब्लिंकिंग आणि अतिव्यापी डिस्क्रिप्टर ब्लॉक्समध्ये उच्च-गुणवत्तेचे स्थानिक कॉन्ट्रास्ट नॉर्मलायझेशन हे सर्व चांगले परिणाम मिळविण्यासाठी महत्वाचे आहेत. नवीन पद्धत एमआयटीच्या मूळ पादचारी डेटाबेसवर जवळजवळ परिपूर्ण वेगळेपण देते, म्हणून आम्ही एक अधिक आव्हानात्मक डेटासेट सादर करतो ज्यामध्ये 1800 पेक्षा जास्त मानवी प्रतिमा आहेत ज्यात मोठ्या प्रमाणात मुद्रा बदल आणि पार्श्वभूमी आहेत. |
2337ff38e6cfb09e28c0958f07e2090c993ef6e8 | अनेक नमुना ओळख कार्यांसाठी, आदर्श इनपुट वैशिष्ट्य अनेक गोंधळात टाकणारे गुणधर्म (जसे की प्रदीपन आणि पाहण्याचा कोन, संगणक दृष्टी अनुप्रयोगांमध्ये) अपरिवर्तनीय असेल. अलीकडे, निरिक्षण नसलेल्या पद्धतीने प्रशिक्षित केलेली खोल आर्किटेक्चर उपयुक्त वैशिष्ट्ये काढण्यासाठी स्वयंचलित पद्धत म्हणून प्रस्तावित केली गेली आहे. तथापि, वर्गीकरणकर्त्यामध्ये त्यांचा वापर करण्याव्यतिरिक्त इतर कोणत्याही प्रकारे शिकलेल्या वैशिष्ट्यांचे मूल्यांकन करणे कठीण आहे. या पेपरमध्ये, आम्ही अनेक अनुभवजन्य चाचण्या प्रस्तावित करतो जे थेट मोजतात की या शिकलेल्या वैशिष्ट्यांची विविध इनपुट रूपांतरणांमध्ये किती प्रमाणात अविरल आहे. आपल्याला आढळले आहे की स्टॅक केलेल्या ऑटोएन्कोडरने निसर्ग प्रतिमांवर प्रशिक्षित केल्यावर खोलीसह विनम्रपणे वाढत्या अपरिवर्तनीय वैशिष्ट्ये शिकली आहेत. आम्हाला आढळले की संकुचित खोल विश्वास नेटवर्क प्रत्येक थरात लक्षणीय अधिक अपरिवर्तनीय वैशिष्ट्ये शिकतात. या परिणामामुळे deep आणि shallower यांचे प्रतिनिधित्व करणे योग्य ठरते, परंतु असे सूचित करते की एक ऑटोकोडर दुसर्या वर स्टॅक करण्यापेक्षा यंत्रणा अपरिवर्तनीयतेसाठी महत्त्वपूर्ण असू शकते. आमचे मूल्यांकन मेट्रिक्स भविष्यातील गहन शिक्षणाच्या कामाचे मूल्यांकन करण्यासाठी देखील वापरले जाऊ शकतात, आणि अशा प्रकारे भविष्यातील अल्गोरिदमच्या विकासास मदत करतात. |
31b58ced31f22eab10bd3ee2d9174e7c14c27c01 | इंटरनेटच्या आगमनाने, अब्जावधी प्रतिमा आता ऑनलाईन मोफत उपलब्ध आहेत आणि दृश्य जगाचा घनदाट नमुना बनवतात. विविध नॉन-पॅरामेट्रिक पद्धतींचा वापर करून आम्ही हे जग एक्सप्लोर करतो. इंटरनेटवरून गोळा केलेल्या 79,302,017 प्रतिमांच्या मोठ्या डेटासेटच्या मदतीने. मानवी दृश्य प्रणालीच्या प्रतिमा रिझोल्यूशनमध्ये होणाऱ्या हानीसाठी उल्लेखनीय सहनशीलता दर्शविणार्या मनोभौतिक परिणामांद्वारे प्रेरित, डेटासेटमधील प्रतिमा 32 x 32 रंगीत प्रतिमा म्हणून संग्रहित केल्या आहेत. प्रत्येक प्रतिमेला इंग्रजीतील 75,062 नॉन-अॅब्स्ट्रॅक्ट संज्ञांपैकी एकासह मोकळेपणाने लेबल केले गेले आहे, जसे की वर्डनेट शब्दसंग्रहाच्या डेटाबेसमध्ये सूचीबद्ध आहे. त्यामुळे प्रतिमा डेटाबेस सर्व ऑब्जेक्ट श्रेणी आणि दृश्यांचे व्यापक कव्हरेज देते. वर्डनेटमधील सिमेंटिक माहितीचा वापर जवळच्या शेजारी पद्धतींसह ऑब्जेक्ट वर्गीकरण करण्यासाठी सिमेंटिक स्तरांच्या श्रेणीवर लेबलिंगच्या आवाजाचे परिणाम कमी करण्यासाठी केला जाऊ शकतो. काही विशिष्ट वर्गांसाठी जे डेटासेटमध्ये विशेषतः प्रचलित आहेत, जसे की लोक, आम्ही वर्ग-विशिष्ट वायला-जोन्स शैली डिटेक्टरशी तुलना करण्यायोग्य ओळख कार्यक्षमता दर्शविण्यास सक्षम आहोत. |
4b605e6a9362485bfe69950432fa1f896e7d19bf | डीप लर्निंगमध्ये झालेल्या प्रगतीमुळे आणि डीप नेटवर्क्सच्या प्रशिक्षणासाठी मोठ्या प्रमाणात डेटासेट उपलब्ध झाल्यामुळे स्वयंचलित चेहरा ओळखण्याच्या तंत्रज्ञानामध्ये कामगिरीत लक्षणीय सुधारणा झाली आहे. चेहऱ्यांची ओळख ही अशी गोष्ट आहे ज्यामध्ये मानवाची चांगली कामगिरी आहे. त्यामुळे स्वयंचलित चेहऱ्याची ओळख आणि मानवाची तुलना करणे हे नैसर्गिक आहे. या कामात, आम्ही मानवांच्या आणि स्वयंचलित प्रणालींच्या ओळख अचूकतेच्या मागील अभ्यासावर विस्तार करतो, असंख्य नवीन विश्लेषण करून निर्बंधित चेहर्याची प्रतिमा वापरून. जेव्हा मानवी ओळखकर्त्यांना प्रति विषय वेगवेगळ्या प्रमाणात प्रतिमा सादर केल्या जातात तेव्हा आम्ही कामगिरीवर होणाऱ्या प्रभावाची तपासणी करतो, जसे की लिंग आणि निसर्गाचे स्वरूप, प्रदीपन आणि पोझ सारख्या परिस्थितीशी संबंधित गुणधर्म. परिणामांमध्ये असे दिसून आले आहे की, आव्हानात्मक आयजेबी-ए डेटासेटवर मनुष्य अत्याधुनिक स्वयंचलित चेहरा ओळखण्याचे अल्गोरिदमपेक्षा जास्त काम करतो. |
a4d510439644d52701f852d9dd34bbd37f4b8b78 | सेल्युलर ऑटोमॅट (सीए) वर आधारित स्लेथ मॉडेल महानगरांच्या विकास सिम्युलेशनवर लागू केले जाऊ शकते. या अभ्यासात शहरी विस्ताराचे मॉडेलिंग करण्यासाठी आणि तेहरानमधील शहरी वाढीच्या भविष्यातील संभाव्य वर्तनाचा अंदाज लावण्यासाठी स्लेथ मॉडेलचा वापर करण्यात आला. मूलभूत डेटा 1988, 1992, 1998, 2001 आणि 2010 मधील पाच लँडसॅट TM आणि ईटीएम प्रतिमा होते. तीन परिस्थिती अवकाशीय नमुना अनुकरण करण्यासाठी डिझाइन केले होते. पहिल्या परिस्थितीत ऐतिहासिक शहरीकरण पद्धत कायम राहील आणि विकासासाठी फक्त उंची आणि उतार ही मर्यादा असेल असे गृहीत धरले गेले. दुसरा एक कॉम्पॅक्ट परिस्थिती आहे ज्यामुळे वाढ मुख्यतः अंतर्गत होते आणि उपनगरीय क्षेत्राचा विस्तार मर्यादित केला जातो. या शेवटच्या परिस्थितीत एका बहुकेंद्री शहर रचना प्रस्तावित केली गेली होती ज्यामुळे लहान पॅच * संबंधित लेखक. टेल. : +98 912 3572913 ई-मेल पत्ता: शाघायघ.कार्गोझार@याहू.कॉम |
f19e6e8a06cba5fc8cf234881419de9193bba9d0 | वर्गीकरण आणि निर्णय घेण्याच्या कामांमध्ये न्यूरल नेटवर्कचा वापर केला जातो. या लेखात आपण त्यांच्या परिणामांच्या स्थानिक विश्वासार्हतेच्या समस्येवर लक्ष केंद्रित केले आहे. आम्ही सांख्यिकीय निर्णय सिद्धांतातील काही संकल्पनांचा आढावा घेतो जे न्यूरल नेटवर्क्ससह वर्गीकरणासाठी आत्मविश्वास उपाययोजनांचे निर्धारण आणि वापर याबद्दल अंतर्दृष्टी देतात. मग आम्ही विद्यमान विश्वास मापन एक विहंगावलोकन सादर आणि शेवटी नेटवर्क आउटपुट संभाव्य-लिस्टिक अर्थ लावणे आणि बूटस्ट्रॅप त्रुटी अंदाज करून मॉडेल गुणवत्ता अंदाज फायदे मेळ एक साधी उपाय प्रस्तावित. आम्ही वास्तविक जगाच्या अनुप्रयोगावर आणि कृत्रिम समस्येवर अनुभवजन्य परिणामांवर चर्चा करतो आणि हे दर्शवितो की सर्वात सोपा उपाय अधिक परिष्कृत लोकांपेक्षा बर्याचदा चांगला वागतो, परंतु काही विशिष्ट परिस्थितींमध्ये धोकादायक असू शकतो. |
4a5be26509557f0a1a911e639868bfe9d002d664 | मॅन्युफॅक्चरिंग मेसेजिंग स्पेसिफिकेशन (एमएमएस) प्रोटोकॉलचा मोठ्या प्रमाणावर औद्योगिक प्रक्रिया नियंत्रण अनुप्रयोगांमध्ये वापर केला जातो, परंतु त्याचे दस्तऐवजीकरण कमी आहे. माहिती सुरक्षेच्या संदर्भात एमएमएसची समज सुधारण्यासाठी या लेखात आम्ही एमएमएस प्रोटोकॉलचे विश्लेषण सादर केले आहे. आमच्या निष्कर्षांतून असे दिसून आले आहे की एमएमएसमध्ये पुरेशी सुरक्षा यंत्रणा नाही आणि उपलब्ध असलेली कमी सुरक्षा यंत्रणा व्यावसायिकरित्या उपलब्ध असलेल्या औद्योगिक उपकरणांमध्ये लागू केली गेली नाही. |
15a2ef5fac225c864759b28913b313908401043f | ग्राहकांचा विश्वास मिळवण्यासाठी सॉफ्टवेअर विक्रेते त्यांच्या उत्पादनांना सुरक्षा मानकांनुसार प्रमाणपत्र देऊ शकतात, उदा. कॉमन क्रिटेरिया (आयएसओ 15408). मात्र, कॉमन क्रिटेरिया प्रमाणन मिळवण्यासाठी सॉफ्टवेअर उत्पादनाचे स्पष्ट दस्तऐवजीकरण आवश्यक असते. या कागदपत्रांची निर्मिती वेळ आणि पैशाच्या दृष्टीने उच्च खर्चाची होते. आम्ही एक सॉफ्टवेअर विकास प्रक्रिया प्रस्तावित करतो जी कॉमन क्रिटेरिया प्रमाणनसाठी आवश्यक कागदपत्रांच्या निर्मितीस समर्थन देते. त्यामुळे सॉफ्टवेअर तयार झाल्यानंतर आपल्याला दस्तऐवज तयार करण्याची गरज नाही. याव्यतिरिक्त, आम्ही कॉमन क्रिटेरिया दस्तऐवजांच्या स्थापनेत संभाव्य समस्या शोधण्यासाठी एडीआयटी नावाच्या आवश्यकता-चालित सॉफ्टवेअर अभियांत्रिकी प्रक्रियेची सुधारित आवृत्ती वापरण्याचा प्रस्ताव ठेवतो. प्रमाणन प्रक्रियेपूर्वीच या समस्यांचे निदान करण्याचे आमचे ध्येय आहे. अशा प्रकारे, आम्ही प्रमाणन प्रयत्नांच्या महागड्या विलंब टाळतो. ADIT एक अखंड विकास दृष्टिकोन प्रदान करते जे विविध प्रकारच्या UML मॉडेल दरम्यान सुसंगतता तपासणी करण्यास अनुमती देते. एडीआयटी सुरक्षा आवश्यकतांपासून ते डिझाइन दस्तऐवजांपर्यंतच्या शोधण्यायोग्यतेस देखील समर्थन देते. आम्ही स्मार्ट मीटरिंग गेटवे प्रणालीच्या विकासाद्वारे आपला दृष्टिकोन स्पष्ट करतो. |
21968ae000669eb4cf03718a0d97e23a6bf75926 | अलीकडे, सोशल नेटवर्क्समध्ये प्रभाव पसरवण्याच्या घटनेत प्रचंड रस आहे. या क्षेत्रातील अभ्यास असे मानतात की त्यांच्या समस्यांना इनपुट म्हणून वापरकर्त्यांमधील प्रभावाच्या संभाव्यतेसह लेबल केलेल्या कडांसह सामाजिक आलेख आहे. मात्र, या संभाव्यता कुठून येतात किंवा वास्तविक सामाजिक नेटवर्कच्या डेटावरून ते कसे गणना करता येतील या प्रश्नाकडे आतापर्यंत दुर्लक्ष केले गेले आहे. त्यामुळे सामाजिक आलेख आणि त्याच्या वापरकर्त्यांनी केलेल्या कृतींचे लॉग, प्रभाव मॉडेल तयार करू शकतो का हे विचारणे मनोरंजक आहे. या पेपरमध्ये हा मुख्य मुद्दा आहे. मॉडेल पॅरामीटर्स शिकण्यासाठी आणि अंदाज करण्यासाठी शिकलेल्या मॉडेलची चाचणी घेण्यासाठी मॉडेल आणि अल्गोरिदम प्रस्तावित करण्याव्यतिरिक्त, आम्ही वापरकर्त्याने एखादी क्रिया करण्याची अपेक्षा केली जाऊ शकते अशा वेळेचा अंदाज लावण्यासाठी तंत्र देखील विकसित करतो. आम्ही आमच्या कल्पना आणि तंत्रांची पडताळणी फ्लिकर डेटा सेटच्या माध्यमातून करतो. त्यात १.३ दशलक्ष नोड्स, ४० दशलक्ष कडा असलेला एक सामाजिक आलेख आणि ३५ दशलक्ष ट्यूपल्स असलेला एक अॅक्शन लॉग असतो. ज्यात ३००,००० वेगवेगळ्या कृतींचा उल्लेख असतो. प्रत्यक्ष सामाजिक नेटवर्कमध्ये प्रत्यक्ष प्रभाव आहे हे दाखवण्याव्यतिरिक्त, आम्ही दाखवतो की आमच्या तंत्रामध्ये उत्कृष्ट अंदाज कामगिरी आहे. |
c8a04d0cbb9f70e86800b11b594c9a05d7b6bac0 | |
61dc8de84e0f4aab21a03833aeadcefa87d6d4e5 | खासगीपणाचे रक्षण करणारे डेटा एकत्रिकरण ही एक आव्हानात्मक समस्या आहे, वितरित संप्रेषण आणि नियंत्रण आवश्यकता, डायनॅमिक नेटवर्क टोपोलॉजी, अविश्वसनीय संप्रेषण दुवे इत्यादींचा विचार करून. जेव्हा बेईमान नोड्स अस्तित्वात असतात तेव्हा अडचण अतिशयोक्तीपूर्ण असते आणि बेईमान नोड्सच्या विरोधात गोपनीयता, अचूकता आणि सामर्थ्य कसे सुनिश्चित करावे हे अद्याप खुला प्रश्न आहे. मोठ्या प्रमाणावर वापरल्या जाणाऱ्या क्रिप्टोग्राफिक पद्धतींपेक्षा वेगळ्या पद्धतीने, या पेपरमध्ये, आम्ही वितरित एकमत तंत्रज्ञानाचा वापर करून या आव्हानात्मक समस्येवर लक्ष केंद्रित करतो. आम्ही सर्वप्रथम एक सुरक्षित सर्वसहमतीवर आधारित डेटा एकत्रीकरण (एससीडीए) अल्गोरिदमची शिफारस करतो जे संवेदनशील डेटाची गोपनीयता राखत अचूक बेरीज एकत्रीकरणाची हमी देते. मग, बेईमान नोड्स पासून polluti वर कमी करण्यासाठी, आम्ही एक सुधारित SCDA (ई-SCDA) अल्गोरिदम शेजारी बेईमान नोड्स शोधण्यात परवानगी देते, आणि त्रुटी बंधनकारक साधित केलेली आहे तेव्हा undetectable dishones टी नोड्स. आम्ही एससीडीए आणि ई-एससीडीए या दोन्हीचे अभिसरण सिद्ध करतो. आम्ही हे देखील सिद्ध करतो की प्रस्तावित अल्गोरिदम आहेत ((, σ) - डेटा गोपनीयता, आणि आणि σ दरम्यान गणितीय संबंध मिळवा. विस्तृत सिमुलेशनने हे सिद्ध केले आहे की प्रस्तावित अल्गोरिथम्समध्ये उच्च अचूकता आणि कमी जटिलता आहे आणि ते नेटवर्क डायनॅमिक्स आणि बेईमान नोड्सच्या विरोधात मजबूत आहेत. |
dbde4f47efed72cbb99f412a9a4c17fe39fa04fc | नैसर्गिक प्रतिमा निर्मिती सध्या डीप लर्निंगमध्ये सर्वात सक्रियपणे शोधले जाणारे क्षेत्र आहे. अनेक पद्धती, उदा. अत्याधुनिक कलात्मक शैली हस्तांतरण किंवा नैसर्गिक पोत संश्लेषण साठी, पर्यवेक्षणीय प्रशिक्षित खोल न्यूरल नेटवर्क मध्ये पदानुक्रमित प्रतिनिधित्व आकडेवारी अवलंबून. तथापि, नैसर्गिक प्रतिमा निर्मितीसाठी या वैशिष्ट्यांचे प्रतिनिधित्व कोणते पैलू महत्त्वपूर्ण आहेत हे अस्पष्ट आहेः ते खोली, एकत्रित करणे किंवा नैसर्गिक प्रतिमांवर वैशिष्ट्यांचे प्रशिक्षण आहे का? आम्ही येथे नैसर्गिक पोत संश्लेषणाच्या कार्यासाठी या प्रश्नाकडे लक्ष देतो आणि हे दर्शवितो की वरील पैलूंपैकी कोणताही अपरिहार्य नाही. त्याऐवजी, आम्ही दाखवतो की उच्च दर्जाचे नैसर्गिक पोत केवळ एका थरासह नेटवर्कमधून व्युत्पन्न केले जाऊ शकतात, कोणतेही पूलिंग आणि यादृच्छिक फिल्टर नाहीत. |
acdc3d8d8c880bc9b9e10b337b09bed4c0c762d8 | परिधान आणि परिधान करण्यायोग्य उत्पादनांमध्ये समाविष्ट केलेली दूरसंचार प्रणाली ही अशी पद्धती आहे ज्याद्वारे वैद्यकीय उपकरणे आरोग्य सेवांच्या तरतुदींमध्ये सुधारणा करण्यासाठी दिवसभर परिणाम करीत आहेत. जेव्हा हे कपडे पूर्णपणे विकसित होतील तेव्हा रुग्णालयाचे संसाधने आणि श्रम कमी करण्याबरोबरच आवश्यक असल्यास आणि जेव्हा आवश्यक असेल तेव्हा सतर्कता आणि लक्ष देण्यास सक्षम असतील. याव्यतिरिक्त, निरोगी दिसणाऱ्या व्यक्तींमध्ये रोग, आरोग्यविषयक अनियमितता आणि अनपेक्षित हृदय किंवा मेंदूच्या विकारांमध्ये ते एक प्रमुख भूमिका बजावू शकतात. या कामात अल्ट्रा-वाइडबँड (यूडब्ल्यूबी) अँटेनाची तपासणी करण्याची व्यवहार्यता दर्शविली गेली आहे जी पूर्णपणे कापड सामग्रीपासून बनविली गेली आहे जी सब्सट्रेटसाठी तसेच डिझाइन केलेल्या अँटेनाच्या वाहक भागांसाठी वापरली गेली आहे. अनुकरण आणि मोजमापांमुळे असे दिसून आले आहे की प्रस्तावित अँटेना डिझाइन विस्तृत कार्यरत बँडविड्थची आवश्यकता पूर्ण करते आणि कॉम्पॅक्ट आकार, वॉश करण्यायोग्य आणि लवचिक साहित्यासह 17GHz बँडविड्थ प्रदान करते. रिटर्न लॉस, बँडविड्थ, रेडिएशन पॅटर्न, करंट डिस्ट्रीब्यूशन तसेच गॅनिंग आणि इफेक्शनिटी या संदर्भातील परिणाम सध्याच्या हस्तलिखित डिझाइनची उपयुक्तता मान्य करण्यासाठी सादर केले आहेत. येथे सादर केलेल्या कामाचे स्वतंत्र संचिकांच्या भविष्यातील अभ्यासासाठी खोलवर परिणाम होतात जे एक दिवस परिधान करणाऱ्या (रुग्णाला) अशा विश्वसनीय आणि आरामदायक वैद्यकीय देखरेख तंत्रासह प्रदान करण्यास मदत करू शकतात. १२ एप्रिल २०११ रोजी प्राप्त झाले, २३ मे २०११ रोजी स्वीकारले, १० जून २०११ रोजी नियोजित * पत्रलेखक: माई ए. रहमान ओस्मान ([email protected]). |
aab8c9514b473c4ec9c47d780b7c79112add9008 | एक संशोधन धोरण म्हणून केस स्टडी हा विद्यार्थी आणि इतर नवीन संशोधकांसाठी एक सोपा पर्याय म्हणून उदयास येतो जो त्यांच्या कामाच्या ठिकाणी किंवा मर्यादित संख्येच्या संस्थांच्या तुलनेवर आधारित एक विनम्र प्रमाणात संशोधन प्रकल्प हाती घेण्याचा प्रयत्न करीत आहेत. या संदर्भात केस स्टडी संशोधनाच्या वापराचा सर्वात आव्हानात्मक पैलू म्हणजे तपासणीला "काय होते" या वर्णनात्मक लेखापासून संशोधनाच्या तुकड्यावर उचलणे जे ज्ञानाला योग्य, जरी विनम्र जोड म्हणून दावा करू शकते. या लेखात केस स्टडी रिसर्च आणि संबंधित क्षेत्रांवर आधारित पुस्तके आहेत, जसे की यिन, 1994, हॅमेल व इतर, 1993, ईटन, 1992, गोम, 2000, पेरी, 1998 आणि सॉन्डर्स व इतर, 2000 परंतु केस स्टडी रिसर्चचे मुख्य पैलू अशा प्रकारे डिस्टिल करण्याचा प्रयत्न केला जातो जेणेकरून नवीन संशोधकांना या संशोधन पद्धतीच्या काही मुख्य तत्त्वांशी झुंज देण्यास आणि लागू करण्यास प्रोत्साहित केले जाईल. या लेखात केस स्टडी रिसर्चचा वापर कधी करता येईल, संशोधन डिझाइन, डेटा संकलन आणि डेटा विश्लेषण याबद्दल माहिती दिली आहे आणि शेवटी अहवाल किंवा प्रबंध लिहिताना पुराव्यावर आधारित सूचना दिल्या आहेत. |
a088bed7ac41ae77dbb23041626eb8424d96a5ba | या लेखात इफ्रा प्रश्न उत्तर इंजिनचे वर्णन केले आहे, एक मॉड्यूलर आणि विस्तारयोग्य फ्रेमवर्क जे एका प्रणालीमध्ये प्रश्नांची उत्तरे देण्याच्या अनेक पध्दती समाकलित करण्यास अनुमती देते. इंग्रजी व्यतिरिक्त इतर भाषांमध्येही भाषा-विशिष्ट घटकांची जागा घेऊन हे फ्रेमवर्क वापरता येऊ शकते. प्रश्न-उत्तर, ज्ञान टिपण्णी आणि ज्ञान खनन या दोन प्रमुख पद्धतींना समर्थन देते. इफ्रा वेबचा वापर डेटा स्त्रोत म्हणून करते, परंतु लहान कॉर्पोरासह देखील कार्य करू शकते. याव्यतिरिक्त, आम्ही प्रश्नाच्या व्याख्येचा एक नवीन दृष्टीकोन प्रस्तावित करतो जो प्रश्नाच्या मूळ सूत्रापासून मुक्त होतो. एखाद्या प्रश्नाचे अर्थ लावण्यासाठी आणि मजकूरातील तुकड्यांमधून उत्तरे काढण्यासाठी मजकूर नमुन्यांचा वापर केला जातो. आमची प्रणाली आपोआपच उत्तर काढण्यासाठी नमुने शिकते, प्रश्न-उत्तर जोड्या प्रशिक्षण डेटा म्हणून वापरते. प्रयोगाच्या परिणामांनी या दृष्टिकोनाची क्षमता प्रकट केली. |
227ed02b3e5edf4c5b08539c779eca90683549e6 | काही विशिष्ट सामाजिक-आर्थिक आणि तांत्रिक परिस्थिती असलेल्या देशांमध्ये सध्याच्या चौकटींची सार्वत्रिक अंमलबजावणी करण्यासाठी बहुतांश चौकटी अपुरी आहेत. ई-गव्हर्नन्सच्या अंमलबजावणीसाठी आतापर्यंत एक आकार सर्व तऱ्हेचा धोरण अस्तित्वात नसला तरी, या परिवर्तनात काही आवश्यक सामान्य घटक आहेत. म्हणूनच, या पेपरमध्ये विकसित आणि विकसनशील देशांच्या विद्यमान ई-सहभाग उपक्रमांवर आधारित काही सिद्धांत आणि शिकलेल्या धडे यावर आधारित एक अद्वितीय टिकाऊ मॉडेल विकसित करण्याचा प्रयत्न केला गेला आहे, जेणेकरून आयसीटीचे फायदे जास्तीत जास्त केले जाऊ शकतील आणि मोठ्या प्रमाणात सहभाग सुनिश्चित केला जाईल. |
6afe5319630d966c1355f3812f9d4b4b4d6d9fd0 | |
a2c2999b134ba376c5ba3b610900a8d07722ccb3 | |
ab116cf4e1d5ed947f4d762518738305e3a0ab74 | |
64f51fe4f6b078142166395ed209d423454007fb | अचूक आणि मजबूत खोल नेटवर्क मॉडेलसाठी मोठ्या प्रमाणात एनोटेटेड प्रशिक्षण प्रतिमा आवश्यक आहेत परंतु मोठ्या प्रमाणात एनोटेटेड प्रशिक्षण प्रतिमांचे संकलन करणे बर्याचदा वेळ घेणारे आणि महागडे असते. इमेज सिंथेसिस या मर्यादा कमी करते, कारण मशीनद्वारे स्वयंचलितपणे एनोटेटेड प्रशिक्षण प्रतिमा तयार केल्या जातात, ज्यामुळे अलीकडील खोल शिक्षण संशोधनात वाढती रस निर्माण झाला आहे. आम्ही एक अभिनव प्रतिमा संश्लेषण तंत्र विकसित करतो जे पार्श्वभूमी प्रतिमांमध्ये वास्तववादीपणे अग्रभागी असलेल्या वस्तू (ओओआय) एम्बेड करून एनोटेटेड प्रशिक्षण प्रतिमा बनवते. प्रस्तावित तंत्रज्ञानामध्ये दोन प्रमुख घटक आहेत जे तत्त्वतः सखोल नेटवर्क प्रशिक्षणात संश्लेषित प्रतिमांची उपयुक्तता वाढवतात. पहिला संदर्भ-जागरूक सिमेंटिक सुसंगतता आहे जो हे सुनिश्चित करतो की ओओआय पार्श्वभूमी प्रतिमेच्या आत सिमेंटिक सुसंगत क्षेत्राभोवती ठेवलेले आहेत. दुसरे म्हणजे सुसंवादी स्वरूप अनुकूलन जे हे सुनिश्चित करते की एम्बेडेड ओओआय दोन्ही भूमिती संरेखन आणि देखावा वास्तववाद या दोन्ही बाबींमधून सभोवतालच्या पार्श्वभूमीशी अनुकूल आहे. प्रस्तावित तंत्रज्ञानाचे मूल्यांकन दोन संबंधित परंतु अतिशय भिन्न संगणक दृष्टी आव्हानांवर केले गेले आहे, म्हणजे, देखावा मजकूर शोधणे आणि देखावा मजकूर ओळखणे. अनेक सार्वजनिक डेटासेटवरील प्रयोगांमुळे आमच्या प्रस्तावित प्रतिमा संश्लेषण तंत्राची कार्यक्षमता सिद्ध होते. सखोल नेटवर्क प्रशिक्षणात आमच्या संश्लेषित प्रतिमांचा वापर वास्तविक प्रतिमा वापरण्यापेक्षा समान किंवा अगदी चांगले दृश्य मजकूर शोध आणि दृश्य मजकूर ओळख कार्यक्षमता प्राप्त करण्यास सक्षम आहे. |
ceb4040acf7f27b4ca55da61651a14e3a1ef26a8 | |
226cfb67d2d8eba835f2ec695fe28b78b556a19f | आम्ही बिटकॉइन प्रोटोकॉलमध्ये एक व्यावहारिक बदल प्रस्तावित करतो जे बिटकॉइनला सामान्य प्रकरणात संरक्षण देते. या कायद्यात एकत्रीत सरकारला 1/4 पेक्षा कमी संसाधनांची ताकद आहे. ही सीमा चुकीच्या पद्धतीने गृहीत धरलेल्या १/२ च्या मर्यादेपेक्षा कमी आहे, परंतु सध्याच्या वास्तवापेक्षा चांगली आहे जिथे कोणत्याही आकाराची आघाडी व्यवस्थेशी तडजोड करू शकते. बिटकॉइन क्रिप्टोकरन्सी आपल्या व्यवहारांची नोंद ब्लॉकचेन नावाच्या सार्वजनिक लॉगमध्ये ठेवते. त्याची सुरक्षा हे ब्लॉकचेनचे व्यवस्थापन करणाऱ्या वितरित प्रोटोकॉलवर अवलंबून असते. ज्याला खाण कामगार म्हणतात. पारंपरिक ज्ञान असे सांगते की खाण प्रोटोकॉल प्रोत्साहन-संगत आहे आणि अल्पसंख्याक गटांच्या कल्लूसिंगपासून सुरक्षित आहे, म्हणजेच, ते खाण कामगारांना प्रोटोकॉलचे पालन करण्यासाठी प्रोत्साहित करते. आम्ही दाखवतो की बिटकॉइन खाण प्रोटोकॉल प्रोत्साहन-अनुकूल नाही. आम्ही अशा प्रकारचा हल्ला सादर करतो ज्यात खाण कामगारांच्या उत्पन्नापेक्षा त्यांचा वाटा जास्त आहे. या हल्ल्याचे बिटकॉइनवर गंभीर परिणाम होऊ शकतात: तर्कसंगत खाण कामगार हल्लेखोरांना सामील होण्यास प्राधान्य देतील आणि गुन्हेगारी गटात बहुमत येईपर्यंत त्याचा आकार वाढेल. या क्षणी, बिटकॉइन प्रणाली विकेंद्रीकृत चलन होणे थांबवते. काही गृहीतके केल्याशिवाय, स्वार्थी खाणकाम करणाऱ्या खाण कामगारांच्या कोणत्याही आकाराच्या आघाडीसाठी व्यवहार्य असू शकते. |
2b00e526490d65f2ec00107fb7bcce0ace5960c7 | हे पत्र इंटरनेट ऑफ थिंग्जशी संबंधित आहे. या आश्वासक नमुन्याचे मुख्य घटक म्हणजे अनेक तंत्रज्ञान आणि संप्रेषण उपाययोजनांचे एकत्रीकरण. ओळख आणि ट्रॅकिंग तंत्रज्ञान, वायर्ड आणि वायरलेस सेन्सर आणि एक्ट्युएटर नेटवर्क, वर्धित कम्युनिकेशन प्रोटोकॉल (नवीन पिढीच्या इंटरनेटसह सामायिक केलेले) आणि स्मार्ट वस्तूंसाठी वितरित बुद्धिमत्ता ही सर्वात संबंधित आहेत. आपण सहजपणे कल्पना करू शकतो की, इंटरनेट ऑफ थिंग्जच्या प्रगतीसाठी कोणतेही गंभीर योगदान हे आवश्यकतेने दूरसंचार, माहिती, इलेक्ट्रॉनिक्स आणि सामाजिक विज्ञान यासारख्या विविध ज्ञान क्षेत्रात केलेल्या सहकार्याचा परिणाम असावा. अशा जटिल परिस्थितीत, हे सर्वेक्षण अशा लोकांना निर्देशित केले आहे ज्यांना या जटिल शिस्त जवळ जाण्याची इच्छा आहे आणि त्याच्या विकासासाठी योगदान द्यावे. या इंटरनेट ऑफ थिंग्स पॅराडाइमच्या विविध दृष्टीकोनांची माहिती दिली जाते आणि सक्षम तंत्रज्ञानाचा आढावा घेतला जातो. यावरून असे दिसून येते की संशोधन समुदायाला अजूनही मोठ्या समस्यांचा सामना करावा लागणार आहे. त्यातील सर्वात महत्वाच्या विषयावर सविस्तर चर्चा केली आहे. २०१० एल्सवियर बी. व्ही. सर्व हक्क राखीव आहेत. |
839a69a55d862563fe75528ec5d763fb01c09c61 | एलएसटीएम किंवा सोप्या तंत्राचा वापर करून गणना केलेली कमी-आयामी वेक्टर एम्बेडिंग ही मजकूराचा "अर्थ" पकडण्यासाठी एक लोकप्रिय पद्धत आहे आणि डाउनस्ट्रीम कार्यांसाठी उपयुक्त असलेले अनसुप्रिव्हिएटेड लर्निंगचे एक प्रकार आहे. तथापि, त्यांची शक्ती सैद्धांतिकदृष्ट्या समजली जात नाही. या लेखात, रेषेच्या एम्बेडिंग स्कीमच्या उप-प्रकरणाकडे पाहण्याद्वारे औपचारिक समज प्राप्त केली आहे. संकुचित संवेदना सिद्धांत वापरून आम्ही दर्शवितो की घटक शब्द वेक्टर एकत्रित करणारे प्रतिनिधित्व मूलतः मजकूर बॅग-ऑफ-एन-ग्राम (बॉनजी) च्या रेषेचा मापन माहिती-संरक्षण करणारे आहेत. यामुळे एलएसटीएम बद्दल एक नवीन सैद्धांतिक परिणाम होतो: कमी मेमरी असलेल्या एलएसटीएममधून प्राप्त झालेले कमी-आयामी एम्बेडमेंट वर्गीकरण कार्यांमध्ये कमीतकमी तितकेच शक्तिशाली आहेत, अगदी लहान त्रुटीपर्यंत, बोनजी वेक्टरवर रेषेचा वर्गीकरणकर्ता म्हणून, एक परिणाम जो आतापर्यंत व्यापक अनुभवजन्य कार्य दर्शविण्यात अक्षम आहे. आमचे प्रयोग या सैद्धांतिक निष्कर्षांना आधार देतात आणि मानक बेंचमार्कवर मजबूत, साधे आणि अनियंत्रित बेसलाइन स्थापित करतात जे काही प्रकरणांमध्ये शब्द-स्तरीय पद्धतींमध्ये कला राज्य आहेत. आम्ही ग्लोव्ह आणि वर्ड2वेक सारख्या एम्बेड केलेल्या गोष्टींचे एक आश्चर्यकारक नवीन गुणधर्म देखील दर्शवितो: ते मजकूरासाठी एक चांगले सेन्सिंग मॅट्रिक्स तयार करतात जे यादृच्छिक मॅट्रिक्सपेक्षा अधिक कार्यक्षम असतात, मानक विरळ पुनर्प्राप्ती साधन, जे सराव मध्ये चांगल्या प्रतिनिधित्व का करतात हे स्पष्ट करू शकते. |
06e04fd496cd805bca69eea2c1977f90afeeef83 | अल्गोरिदमच्या निष्पक्षतेतील बहुतेक पद्धती मशीन लर्निंग पद्धतींना प्रतिबंधित करतात जेणेकरून परिणामी अंदाज निष्पक्षतेच्या अनेक अंतर्ज्ञानी संकल्पनांपैकी एक पूर्ण करतात. या उपाययोजनांमुळे खासगी कंपन्यांना भेदभावविरोधी कायद्याचे पालन करण्यास किंवा नकारात्मक प्रसिद्धी टाळण्यास मदत होऊ शकते, परंतु आमच्या मते, हे उपाय खूप कमी आणि खूप उशीराने केले जातात. प्रशिक्षण डेटा गोळा केल्यावर, वंचित गटांमधील व्यक्तींना आधीच त्यांच्या नियंत्रणाबाहेरच्या घटकांमुळे भेदभाव आणि संधी गमावल्या आहेत. या कामामध्ये आम्ही त्याऐवजी नवीन सार्वजनिक धोरणासारख्या हस्तक्षेपावर लक्ष केंद्रित करतो आणि विशेषतः, एकूणच प्रणालीची निष्पक्षता सुधारित करताना त्यांचे सकारात्मक परिणाम कसे जास्तीत जास्त केले जाऊ शकतात यावर लक्ष केंद्रित करतो. आम्ही हस्तक्षेप परिणाम मॉडेल करण्यासाठी कारण पद्धती वापरतो, संभाव्य हस्तक्षेप परवानगी - प्रत्येक व्यक्तीच्या परिणाम हस्तक्षेप प्राप्त कोण इतर अवलंबून शकते. आम्ही हे उदाहरण देतो. न्यूयॉर्क शहरातील शाळांच्या डेटासेटचा वापर करून शिक्षण संसाधनांचा अर्थसंकल्प वाटप करण्याचा. |
44dd6443a07f0d139717be74a98988e3ec80beb8 | अनुकरणात्मक शिक्षणासाठी आता अनेक विकसित पद्धती अस्तित्वात आहेत, परंतु प्रत्येकाची विशिष्ट मर्यादा आहेत ज्यावर मात करणे कठीण आहे. एकाधिक पद्धतींचा वापर करून एका अल्गोरिदममध्ये अनेक पद्धती एकत्र करून या समस्येचे निराकरण करण्याचा प्रयत्न केला जातो. या लेखात दोन मोठ्या प्रमाणावर वापरल्या जाणाऱ्या अनुभवजन्य पद्धतींचे वर्णन केले आहे: नियम प्रेरण आणि उदाहरण-आधारित शिक्षण. नवीन अल्गोरिदममध्ये, उदाहरणांना जास्तीत जास्त विशिष्ट नियम म्हणून मानले जाते आणि वर्गीकरण सर्वोत्तम जुळणी धोरणाचा वापर करून केले जाते. नियम हळूहळू सामान्यीकरण करून शिकले जातात, जोपर्यंत स्पष्ट अचूकतेमध्ये कोणतीही सुधारणा होत नाही. सैद्धांतिक विश्लेषणाने हा दृष्टिकोन प्रभावी असल्याचे सिद्ध केले आहे. ती RISE 3.1 प्रणालीमध्ये लागू केली आहे. एका व्यापक अनुभवजन्य अभ्यासात, RISE ने दोन्ही मूळ पद्धती (PEBLS आणि CN2) च्या अत्याधुनिक प्रतिनिधींपेक्षा तसेच निर्णय वृक्ष शिकणारा (C4.5) पेक्षा सातत्याने उच्च अचूकता प्राप्त केली आहे. या कामगिरीसाठी RISE चे प्रत्येक घटक आवश्यक आहेत. यापैकी 14 क्षेत्रात RISE चा अभ्यास PEBLS आणि CN2 च्या सर्वोत्तम पद्धतींपेक्षा अधिक अचूक आहे. हे दर्शविते की अनेक प्रायोगिक पद्धती एकत्रित करून लक्षणीय समन्वयाची साधने मिळू शकतात. |
b38ac03b806a291593c51cb51818ce8e919a1a43 | |
4debb3fe83ea743a888aa2ec8f4252bbe6d0fcb8 | ओपन सोर्स सॉफ्टवेअर (ओएसएस) हा अलीकडेच मोठ्या प्रमाणात व्यावसायिक स्वारस्याचा विषय बनला आहे. अर्थात, सॉफ्टवेअर संकटाच्या मुख्य समस्या सोडविण्यासाठी ओएसएस खूप आशादायक असल्याचे दिसते, म्हणजे सॉफ्टवेअर विकसित होण्यास खूप वेळ लागतो, त्याचा अर्थसंकल्प ओलांडतो आणि ते फार चांगले कार्य करत नाही. खरे तर ओएसएसच्या यशोगाथांची अनेक उदाहरणे आहेत - लिनक्स ऑपरेटिंग सिस्टम, अपाचे वेब सर्व्हर, बिंड डोमेन नेम रिझोल्यूशन युटिलिटी, यापैकी काही. मात्र, आजपर्यंत ओएसएसवर कठोर शैक्षणिक संशोधन केले गेले नाही. या अभ्यासात, एक फ्रेमवर्क दोन मागील फ्रेमवर्कमधून काढण्यात आले आहे जे आयएस क्षेत्रात खूप प्रभावशाली आहेत, म्हणजेच जॅकमॅनची आयएस आर्किटेक्चर (आयएसए) आणि सॉफ्ट सिस्टीम मेथडॉलॉजी (एसएसएम) मधील चेकलँडची सीएटीडब्ल्यूईई फ्रेमवर्क. परिणामी फ्रेमवर्कचा उपयोग ओएसएस दृष्टिकोनाचे तपशीलवार विश्लेषण करण्यासाठी केला जातो. ओएसएस संशोधनाच्या संभाव्य भविष्यावरही चर्चा केली जाते. |
4bd48f4438ba7bf731e91cb29508a290e938a1d0 | 2.4 GHz WLAN access-point अनुप्रयोगांसाठी परिपत्रक ध्रुवीकरण (सीपी) चे कॉम्पॅक्ट सर्व-दिशात्मक अँटेना सादर केले आहे. या अँटेनामध्ये चार मोनोपोल असतात आणि एक फीडिंग नेटवर्क एकाच वेळी या चार मोनोपोलला उत्तेजित करते. सीपी अँटेनाचा विद्युत आकार फक्त λ<sub>0</sub>/5×λ<sub>0</sub>/5×λ<sub>0</sub>/13 आहे. प्रतिरोध बँडविड्थ (Sgadgad <sub>11 <sub>gad <; -10 डीबी) 3.85% (2.392 GHz ते 2.486 GHz) आहे आणि अक्षीय प्रमाण अजिमुथ विमानात ऑपरेटिंग बँडमध्ये 0.5 डीबीपेक्षा कमी आहे. |
0015fa48e4ab633985df789920ef1e0c75d4b7a8 | शोध (सीव्हीपीआर ९७ च्या प्रक्रियेत दिसून येण्यासाठी, जून १७-१९, १९९७, पोर्तो रिको) एडगर ओसुने? रॉबर्ट फ्रॉईंड? फेडेरिको गिरोसी y सेंटर फॉर बायोलॉजिकल अँड कम्प्युटेशनल लर्निंग अँड ऑपरेशन्स रिसर्च सेंटर मॅसॅच्युसेट्स इन्स्टिट्यूट ऑफ टेक्नॉलॉजी केंब्रिज, एमए, 02139, यूएसए सारांश आम्ही संगणक दृष्टी मध्ये समर्थन वेक्टर मशीन (एसव्हीएम) च्या अनुप्रयोगाची तपासणी करतो. एसव्हीएम ही व्ही. वापनिक आणि त्यांच्या टीमने (एटी अँड टी बेल लॅब) विकसित केलेली एक शिक्षण तंत्र आहे. बहुपद, न्यूरल नेटवर्क किंवा रेडियल बेसिस फंक्शन्स क्लासिफायर प्रशिक्षण देण्यासाठी ही एक नवीन पद्धत म्हणून पाहिली जाऊ शकते. निर्णय पृष्ठभाग एक रेषेचा प्रतिबंधित चौरस प्रोग्रामिंग समस्या सोडवून आढळतात. ही ऑप्टिमायझेशन समस्या आव्हानात्मक आहे कारण चौरस आकार पूर्णपणे घन आहे आणि मेमरी आवश्यकता डेटा पॉईंट्सच्या संख्येच्या चौरसाने वाढतात. आम्ही एक विघटन अल्गोरिदम सादर करतो जे जागतिक इष्टतमतेची हमी देते आणि एसव्हीएमला खूप मोठ्या डेटा सेटवर प्रशिक्षित करण्यासाठी वापरले जाऊ शकते. विघटन मागे मुख्य कल्पना उप-समस्यांचे पुनरावृत्ती समाधान आणि इष्टतमतेच्या परिस्थितीचे मूल्यांकन आहे जे सुधारित पुनरावृत्ती मूल्ये निर्माण करण्यासाठी आणि अल्गोरिदमसाठी थांबविण्याचे निकष देखील स्थापित करण्यासाठी वापरले जातात. आम्ही एसव्हीएमच्या अंमलबजावणीचे प्रायोगिक परिणाम सादर करतो आणि 50,000 डेटा पॉईंट्सचा डेटा सेट समाविष्ट असलेल्या चेहर्याचा शोध घेण्याच्या समस्येवर आमच्या दृष्टिकोनाची व्यवहार्यता दर्शवितो. |
ca74a59166af72a14af031504e31d86c7953dc91 | |
0122e063ca5f0f9fb9d144d44d41421503252010 | अलिकडच्या काळात अनसुपेयर्ड फीचर लर्निंग आणि डीप लर्निंगमध्ये केलेल्या कामावरून हे दिसून आले आहे की मोठ्या मॉडेलला प्रशिक्षित करण्यात सक्षम झाल्याने कामगिरीत लक्षणीय सुधारणा होऊ शकते. या पेपरमध्ये, आम्ही दहा हजार सीपीयू कोर वापरून अब्जावधी पॅरामीटर्ससह खोल नेटवर्कचे प्रशिक्षण देण्याच्या समस्येवर विचार करतो. आम्ही डिस्टबेलिफ नावाचे सॉफ्टवेअर फ्रेमवर्क विकसित केले आहे जे हजारो मशीन असलेल्या संगणकीय क्लस्टरचा वापर करून मोठ्या मॉडेल्सला प्रशिक्षित करू शकते. या आराखड्यात, आम्ही मोठ्या प्रमाणात वितरित प्रशिक्षणासाठी दोन अल्गोरिदम विकसित केले आहेत: (i) डाउनपूअर एसजीडी, एक अतुल्यकालिक स्टोकास्टिक ग्रेडियंट वंश प्रक्रिया मोठ्या संख्येने मॉडेल प्रतिकृतींना समर्थन देते आणि (ii) सँडब्लास्टर, एक फ्रेमवर्क जे विविध वितरित बॅच ऑप्टिमायझेशन प्रक्रियेस समर्थन देते, ज्यात एल-बीएफजीएसची वितरित अंमलबजावणी समाविष्ट आहे. डाउनपूर एसजीडी आणि सॅन्डब्लास्टर एल-बीएफजीएस दोन्ही गहन नेटवर्क प्रशिक्षणाची प्रमाण आणि गती वाढवतात. आम्ही आमच्या प्रणालीचा वापर करून 30 पट जास्त मोठ्या नेटवर्कला प्रशिक्षित केले आहे. आणि इमेजनेटवर अत्याधुनिक कामगिरी प्राप्त केली आहे. 16 दशलक्ष प्रतिमा आणि 21 हजार श्रेणी असलेले दृश्य ऑब्जेक्ट ओळखण्याचे कार्य. आम्ही दाखवतो की हीच तंत्रे व्यावसायिक भाषण ओळख सेवेसाठी अधिक मर्यादित आकाराच्या खोल जाळ्याच्या प्रशिक्षणाला नाटकीयपणे गती देतात. जरी आम्ही मोठ्या तंत्रिका नेटवर्कच्या प्रशिक्षणासाठी लागू केलेल्या या पद्धतींच्या कामगिरीवर लक्ष केंद्रित करतो आणि अहवाल देतो, परंतु मूलभूत अल्गोरिदम कोणत्याही ग्रेडियंट-आधारित मशीन लर्निंग अल्गोरिदमवर लागू आहेत. |
f5fca08badb5f182bfc5bc9050e786d40e0196df | वायरलेस सेन्सर नेटवर्कवर आधारित जल पर्यावरण देखरेख प्रणाली प्रस्तावित आहे. यामध्ये तीन भाग आहेत: डेटा मॉनिटरिंग नोड्स, डेटा बेस स्टेशन आणि रिमोट मॉनिटरिंग सेंटर. ही प्रणाली जलाशय, तलाव, नद्या, दलदल आणि उथळ किंवा खोल भूजल यासारख्या जटिल आणि मोठ्या प्रमाणात जल पर्यावरण देखरेखीसाठी उपयुक्त आहे. या पेपरमध्ये आपल्या नवीन जल पर्यावरण निरीक्षण प्रणालीच्या डिझाइनचे स्पष्टीकरण आणि चित्रण दिले आहे. या यंत्रणेने कृत्रिम तलावाच्या पाण्याचे तापमान आणि पीएच मूल्याचे ऑनलाईन स्वयंचलित निरीक्षण यशस्वीरित्या पूर्ण केले होते. पाण्याच्या तापमानासाठी यंत्रणेची मोजमाप क्षमता ० ते ८० डिग्री सेल्सियसपर्यंत असते, ज्याची अचूकता ०.५ डिग्री सेल्सियस असते; पीएच मूल्यासाठी ० ते १४ पर्यंत असते, ज्याची अचूकता ०.०५ पीएच युनिट्स असते. पाण्याच्या विविध परिस्थितींसाठी आणि वेगवेगळ्या मापदंडांसाठी आवश्यक असलेल्या देखरेखीसाठी नोडवर वेगवेगळ्या पाण्याच्या गुणवत्तेच्या परिस्थितीसाठी उपयुक्त सेन्सर बसवले पाहिजेत. त्यामुळे या मॉनिटरिंग सिस्टीममुळे व्यापक प्रमाणात अंमलबजावणी होण्याची शक्यता आहे. |
0969bae35536395aff521f6fbcd9d5ff379664e3 | आम्ही एकाधिक-रेडिओ, एकाधिक-हॉप वायरलेस नेटवर्कमध्ये रूटिंगसाठी एक नवीन मेट्रिक सादर करतो. आम्ही स्थिर नोड्स असलेल्या वायरलेस नेटवर्कवर लक्ष केंद्रित करतो, जसे की कम्युनिटी वायरलेस नेटवर्क. मेट्रिकचे ध्येय स्त्रोत आणि गंतव्य दरम्यान उच्च-थ्रूपुट मार्ग निवडणे आहे. आमच्या मेट्रिकने लिंकवर पॅकेटच्या अपेक्षित ट्रान्समिशन टाइम (ईटीटी) वर आधारित वैयक्तिक दुव्यांना वजन दिले आहे. ईटीटी हे नुकसान दर आणि दुव्याच्या बँडविड्थचे कार्य आहे. वैयक्तिक लिंक वेट्स वेटेड क्युमुलेटिव्ह ईटीटी (डब्ल्यूसीईटीटी) नावाच्या पथ मेट्रिकमध्ये एकत्रित केले जातात जे समान चॅनेल वापरणार्या दुव्यांमधील व्यत्ययासाठी स्पष्टपणे खाते देतात. डब्ल्यूसीईटीटी मेट्रिक एका रूटिंग प्रोटोकॉलमध्ये समाविष्ट केले गेले आहे ज्याला आम्ही मल्टी-रेडिओ लिंक-क्वालिटी सोर्स रूटिंग म्हणतो. आम्ही आमच्या मेट्रिकच्या कामगिरीचा अभ्यास केला आहे ज्यामध्ये २३ नोड्सचा समावेश आहे, प्रत्येक दोन 802.11 वायरलेस कार्डसह सुसज्ज आहे. आम्हाला आढळले की एकाधिक-रेडिओ वातावरणात, आमची मेट्रिक पूर्वी प्रस्तावित रूटिंग मेट्रिक्सपेक्षा लक्षणीय आहे. दुसऱ्या रेडिओचा योग्य वापर करून. |
3a01f9933066f0950435a509c2b7bf427a1ebd7f | या लेखात आम्ही मॉनिटरच्या एलईडीमधून स्मार्टफोनच्या कॅमेऱ्यापर्यंत डेटा लीक करून डेटा एक्सफिल्ट्रेशनचा एक नवीन दृष्टीकोन सादर करतो. नवीन दृष्टिकोनचा वापर हल्लेखोरांनी प्रगत कायमस्वरुपी धमकी (एपीटी) चा भाग म्हणून संस्थेतून मौल्यवान माहिती लीक करण्यासाठी केला जाऊ शकतो. या संशोधनातून सिद्ध झालेले सिद्धांत या लेखात वर्णन केले आहेत. त्यानंतर एका प्रयोगाचे वर्णन केले आहे. ज्यातून हे सिद्ध झाले आहे की लोकांना हल्ल्याची माहिती नाही. आम्ही अशा धोक्यांचा शोध घेण्यास मदत करणारे मार्ग आणि काही संभाव्य प्रतिसादांचे प्रस्तावित करतो. |
698b8181cd613a72adeac0d75252afe7f57a5180 | आम्ही रँडम फॉरेस्ट (आरएफ) आणि अत्यंत यादृच्छिक झाडे (ईआरटी) या ट्री-एन्सेम्बल अल्गोरिदमच्या दोन नवीन समांतर अंमलबजावणी सादर करतो. रँडम फॉरेस्ट आणि अत्यंत रँडम झाडे वर्गीकरण आणि पुनरावृत्तीसाठी एकत्रित शिकणारे आहेत. प्रशिक्षण वेळेत निर्णय घेणाऱ्या झाडांची संख्या वाढवून आणि त्या झाडांच्या परिणामांची तुलना करून अंदाज तयार करून ते काम करतात. या समानांतरतेमुळे, समकालीन GPUs वापरणे हे या समस्येचे एक स्पष्ट व्यासपीठ आहे. साहित्यातील रँडम फॉरेस्टसाठी मागील समांतर अल्गोरिदम हे पारंपारिक मल्टी-कोर सीपीयू प्लॅटफॉर्मसाठी किंवा सोप्या हार्डवेअर आर्किटेक्चरसह आणि तुलनेने कमी कोर असलेल्या लवकर इतिहासातील जीपीयूसाठी डिझाइन केलेले आहेत. नवीन समांतर अल्गोरिदम मोठ्या संख्येने कोर असलेल्या समकालीन जीपीयूसाठी डिझाइन केलेले आहेत आणि मेमरी पदानुक्रम आणि थ्रेड शेड्यूलिंग सारख्या नवीन हार्डवेअर आर्किटेक्चरचे पैलू विचारात घेतात. एनव्हीडिया-आधारित जीपीयूवर सर्वोत्तम कामगिरीसाठी सी / सी ++ भाषा आणि सीयूडीए इंटरफेसचा वापर करून ते अंमलात आणले जातात. सीपीयू आणि जीपीयू प्लॅटफॉर्मसाठी सर्वात महत्वाच्या मागील सोल्यूशन्सची तुलना करणारा एक प्रायोगिक अभ्यास नवीन अंमलबजावणीसाठी बर्याचदा बर्याच परिमाणात लक्षणीय सुधारणा दर्शवितो. |
1b4e04381ddd2afab1660437931cd62468370a98 | भाषेच्या संशोधनाच्या अनेक क्षेत्रांमध्ये भाषेच्या भागाशी संबंधित माहितीसह टॅग केलेले मजकूर कॉर्पोरेस उपयुक्त आहेत. या लेखात, न्यूरल नेटवर्क्सवर (नेट-टॅगर) वापरण्यात आलेली एक नवीन भाषणाची टॅगिंग पद्धत सादर केली गेली आहे आणि त्याची कार्यक्षमता llMM-टॅगर (कटिंग व इतर, 1992) आणि ट्रिग्राम आधारित टॅगर (केम्पे, 1993) च्या तुलनेत आहे. नेट-टॅगर ट्रिग्राम-आधारित टॅगर आणि आयआयएमएम-टॅगरपेक्षा चांगले कार्य करते हे दर्शविले गेले आहे. |
68ba338be70fd3c5bdbc1c271243740f2e0a0f0c | आम्ही मोठ्या दुबळ्या बायनरी डेटा सेटवर विचारलेल्या क्वेरींना जलद अंदाजे उत्तर देण्याची समस्या तपासतो. आम्ही या समस्येवर संभाव्य मोड-एल-आधारित दृष्टिकोनावर विशेष लक्ष केंद्रित करतो आणि मूलभूत स्वातंत्र्य मॉडेलपेक्षा लक्षणीय अधिक अचूक असलेली अनेक तंत्रे विकसित करतो. विशेष म्हणजे, आम्ही वारंवार आइटमसेटपासून संभाव्य मॉडेल तयार करण्यासाठी दोन तंत्रे सादर करतोः आइटमसेट कमाल एन्ट्रोपी पद्धत आणि आइटमसेट समावेशन-विनाश मॉडेल. कमाल एन्ट्रोपी पद्धतीत आपण आयटमसेटला प्रश्न चरच्या वितरणावरील निर्बंध म्हणून मानतो आणि कमाल एन्ट्रोपी तत्त्वाचा वापर करणारे एक संयुक्त संभाव्यता मॉडेल तयार करतो. समावेशन-निष्कासन मॉडेलमध्ये आयटमसेट आणि त्यांची वारंवारता डेटा स्ट्रक्चरमध्ये संग्रहित केली जाते ज्याला एडीट्री म्हणतात जे क्वेरीला उत्तर देण्यासाठी समावेशन-निष्कासन तत्त्वाच्या कार्यक्षम अंमलबजावणीस समर्थन देते. आम्ही या दोन आयटमसेट-आधारित मॉडेलची प्रत्यक्षपणे तुलना ओरिजिनल डेटाच्या थेट क्वेरीशी करतो, मूळ डेटाच्या नमुन्यांची क्वेरी करतो, तसेच इतर संभाव्य मॉडेल जसे की इंडिपेंडन्स मॉडेल, चाऊ-लियू ट्री मॉडेल आणि बर्नौली मिश्रण मॉडेल. या मॉडेल उच्च-आयामी (शेकडो किंवा हजारो गुणधर्म) हाताळण्यास सक्षम आहेत, तर या विषयावरील बहुतेक इतर कार्य तुलनेने कमी-आयामी ओएलएपी समस्यांवर केंद्रित केले गेले आहेत. अनुकरण आणि वास्तविक व्यवहार डेटा सेट दोन्हीवर प्रयोगात्मक परिणाम अंदाजे त्रुटी, मॉडेलची जटिलता आणि क्वेरी उत्तर गणना करण्यासाठी आवश्यक ऑनलाइन वेळ यामधील विविध मूलभूत तडजोडी दर्शविते. |
90522a98ccce3aa0ce20b4dfedb76518b886ed96 | या हस्तलिखिताच्या पूर्वीच्या आवृत्तीवर मदत केल्याबद्दल रॉबर्ट स्किपर आणि आरोन हायमन यांचे विशेष आभार. तसेच शॉन मॅकक्विटी, रॉबिन पीटरसन, चक पिकट, केव्हिन शनाहान आणि जर्नल ऑफ बिझनेस रिसर्चचे संपादक आणि समीक्षक यांचे आभार, त्यांच्या उपयुक्त टिप्पण्यांसाठी. या हस्तलिखिताच्या पूर्वीच्या आवृत्तीने 2001 च्या सोसायटी फॉर मार्केटिंग एडव्हान्स कॉन्फरन्समध्ये सादर केलेल्या सर्वोत्कृष्ट पेपरसाठी शॉ पुरस्कार जिंकला. या हस्तलिखिताची संक्षिप्त आवृत्ती जर्नल ऑफ बिझनेस रिसर्चमध्ये प्रकाशित करण्यासाठी स्वीकारण्यात आली आहे. |
2e0db4d4c8bdc7e11541b362cb9f8972f66563ab | |
05c025af60aeab10a3069256674325802c844212 | आम्ही व्हिडिओ आणि मोशन कॅप्चरमध्ये मानवी शरीराची स्थिती ओळखण्यासाठी आणि अंदाज लावण्यासाठी एन्कोडर-रिकर्न्स-डेकोडर (ईआरडी) मॉडेलचा प्रस्ताव ठेवतो. ईआरडी मॉडेल एक पुनरावृत्ती न्यूरल नेटवर्क आहे ज्यामध्ये पुनरावृत्ती थरांच्या आधी आणि नंतर नॉनलाइनर एन्कोडर आणि डिकोडर नेटवर्क समाविष्ट आहेत. मोशन कॅप्चर (मोकॅप) निर्मिती, बॉडी पोज लेबलिंग आणि व्हिडिओमध्ये बॉडी पोज अंदाज या कार्यात आम्ही ईआरडी आर्किटेक्चरच्या उदाहरणांची चाचणी करतो. आमचे मॉडेल अनेक विषय आणि क्रियाकलाप क्षेत्रात मॉकॅप प्रशिक्षण डेटा हाताळते आणि दीर्घ कालावधीसाठी वाहून जाणे टाळताना नवीन हालचाली संश्लेषित करते. मानवी पोझ लेबलिंगसाठी, ईआरडी डाव्या-उजव्या शरीराच्या भागाच्या गोंधळाचे निराकरण करून प्रति फ्रेम शरीराच्या भागाचा शोध घेण्यापेक्षा अधिक कार्य करते. व्हिडिओ पोझींग अंदाजानुसार, ईआरडी 400 मिमीच्या कालावधीत शरीराच्या सांध्यातील विस्थापनाचा अंदाज लावते आणि ऑप्टिकल प्रवाहावर आधारित पहिल्या क्रमांकाच्या मोशन मॉडेलपेक्षा अधिक कार्य करते. ईआरडी साहित्यातील मागील दीर्घकालीन लघुकालीन स्मृती (एलएसटीएम) मॉडेलला विस्तारित करते आणि प्रतिनिधित्व आणि त्यांची गतिशीलता एकत्रितपणे शिकते. आमचे प्रयोग दाखवतात की अशा प्रकारचे प्रतिनिधित्व शिकणे हे स्पेस-टाइममध्ये लेबलिंग आणि भविष्यवाणी दोन्हीसाठी महत्वाचे आहे. आम्हाला असे वाटते की 1 डी मजकूर, भाषण किंवा हस्तलेखनच्या तुलनेत हे अवकाशीय-कालांतरिक दृश्य डोमेनमधील एक विशिष्ट वैशिष्ट्य आहे, जिथे सरळ हार्ड कोडेड प्रतिनिधित्व पुनरावृत्ती युनिट्स [31] सह थेट एकत्रित झाल्यावर उत्कृष्ट परिणाम दर्शविले आहेत. |
092b64ce89a7ec652da935758f5c6d59499cde6e | आम्ही एक नवीन डेटासेट, ह्युमन 3.6 एम सादर करतो, 3.6 दशलक्ष अचूक 3 डी मानवी पोझ, 5 महिला आणि 6 पुरुष विषयांच्या कामगिरीची नोंद करून, 4 वेगवेगळ्या दृष्टीकोनातून, वास्तववादी मानवी सेन्सिंग सिस्टमचे प्रशिक्षण देण्यासाठी आणि मानवी पोझ मूल्यांकन मॉडेल आणि अल्गोरिदमच्या पुढील पिढीचे मूल्यांकन करण्यासाठी. सध्याच्या अत्याधुनिक पद्धतीनुसार डेटासेटचा आकार वाढवण्याबरोबरच, आम्ही अशा डेटासेटला विविध प्रकारच्या हालचाली आणि पोजसह पूरक बनवण्याचाही प्रयत्न केला आहे, जे सामान्य मानवी क्रियाकलापांचा भाग म्हणून आढळतात (फोटो काढणे, फोनवर बोलणे, पोज देणे, अभिवादन करणे, खाणे इ. ), अतिरिक्त समक्रमित प्रतिमा, मानवी हालचाल कॅप्चर आणि फ्लाइट टाइम (गहनता) डेटा आणि सर्व सहभागी विषय अभिनेत्यांच्या अचूक 3 डी बॉडी स्कॅनसह. आम्ही नियंत्रित मिश्रित वास्तव मूल्यांकन परिस्थिती देखील प्रदान करतो जिथे 3 डी मानवी मॉडेल मोशन कॅप्चर वापरून अॅनिमेटेड असतात आणि योग्य 3 डी भूमिती वापरून समाविष्ट केले जातात, जटिल वास्तविक वातावरणात, हलत्या कॅमेर्यांद्वारे पाहिलेले आणि आच्छादन अंतर्गत. अखेरीस, आम्ही मोठ्या प्रमाणात सांख्यिकीय मॉडेल आणि डेटासेटसाठी तपशीलवार मूल्यांकन बेसलाइन प्रदान करतो जे त्याचे विविधता आणि संशोधन समुदायाच्या भविष्यातील कार्याद्वारे सुधारणा करण्याची संधी दर्शविते. आमच्या प्रयोगांमधून हे दिसून आले आहे की आमचे सर्वोत्तम मोठ्या प्रमाणात मॉडेल आमच्या संपूर्ण प्रशिक्षण संचाचा उपयोग करून 20% कामगिरी सुधारणा करू शकते. या समस्येसाठी उपलब्ध असलेल्या सर्वात मोठ्या सार्वजनिक डेटासेटच्या प्रमाणात प्रशिक्षण संचाची तुलना करता. मात्र, आमच्या मोठ्या डेटासेटच्या माध्यमातून अधिक क्षमता आणि अधिक जटिल मॉडेलचा वापर करून सुधारणा करण्याची क्षमता खूपच जास्त आहे आणि भविष्यातील संशोधनाला चालना देईल. या डेटासेटसह संबंधित मोठ्या प्रमाणात शिकण्याचे मॉडेल, वैशिष्ट्ये, व्हिज्युअलायझेशन टूल्स आणि मूल्यांकन सर्व्हरचे कोड http://vision.imar.ro/human3.6m येथे ऑनलाइन उपलब्ध आहेत. |
ba4a037153bff392b1e56a4109de4b04521f17b2 | क्राइसिस इन्फॉर्मेटिक्स हे संशोधन करते की तंत्रज्ञानाचा समाजात सर्वत्र प्रवेश कसा होत आहे, ते मोठ्या प्रमाणात आपत्कालीन घटनांना कसे प्रतिसाद देते. या परिवर्तनाचा अभ्यास करण्यासाठी संशोधकांना मोठ्या प्रमाणात डेटा मिळणे आवश्यक आहे जे त्यांच्या प्रमाणात आणि विषम स्वभावामुळे एकत्रित करणे आणि त्यांचे विश्लेषण करणे कठीण आहे. या चिंतेला तोंड देण्यासाठी आम्ही एक वातावरण तयार केले आहे - EPIC Analyze - जे संशोधकांना सोशल मीडिया डेटा गोळा आणि विश्लेषित करण्यास मदत करते. आमच्या संशोधनातून या सेवा विश्वासार्ह, स्केलेबल, विस्तारयोग्य आणि कार्यक्षम असल्याची खात्री करण्यासाठी आवश्यक असलेले घटक - जसे की NoSQL, MapReduce, कॅशिंग आणि शोध - ओळखले गेले आहेत. आम्ही ईपीआयसी विश्लेषण तयार करताना आढळलेल्या डिझाइन आव्हानांचे वर्णन करतो - जसे की डेटा मॉडेलिंग, वेळ वि. स्पेस ट्रेडऑफ्स आणि उपयुक्त आणि वापरण्यायोग्य प्रणालीची आवश्यकता - आणि त्याची स्केलेबिलिटी, कार्यक्षमता आणि कार्यक्षमतेवर चर्चा करतो. |
4416236e5ee4239e86e3cf3db6a2d1a2ff2ae720 | आधुनिक विश्लेषण अनुप्रयोग विविध लायब्ररी आणि फ्रेमवर्कमधील अनेक फंक्शन्स एकत्र करून वाढत्या जटिल वर्कफ्लो तयार करतात. जरी प्रत्येक फंक्शन स्वतंत्रपणे उच्च कार्यक्षमता प्राप्त करू शकेल, परंतु एकत्रित वर्कफ्लोची कार्यक्षमता बर्याचदा हार्डवेअर मर्यादेपेक्षा कमी प्रमाणात असते कारण फंक्शन्समध्ये मोठ्या प्रमाणात डेटा चळवळ होते. या समस्येचे निराकरण करण्यासाठी, आम्ही वेल्ड, डेटा-केंद्रित अनुप्रयोगांसाठी एक रनटाइम प्रस्तावित करतो जे विभक्त लायब्ररी आणि फंक्शन्समध्ये ऑप्टिमाइझ करते. एसक्यूएल, मशीन लर्निंग आणि आलेख विश्लेषण यासह विविध डेटा समांतर वर्कलोडची रचना कॅप्चर करण्यासाठी वेल्ड एक सामान्य इंटरमीडिएट प्रतिनिधित्व वापरते. त्यानंतर हे डेटा चळवळीचे मुख्य ऑप्टिमायझेशन करते आणि संपूर्ण वर्कफ्लोसाठी कार्यक्षम समांतर कोड तयार करते. वेल्डला टेंसरफ्लो, अपाचे स्पार्क, नुमपाय आणि पांडास सारख्या विद्यमान फ्रेमवर्कमध्ये त्यांचे वापरकर्ता-उभे असलेल्या एपीआय बदलल्याशिवाय वाढीवपणे समाकलित केले जाऊ शकते. आम्ही दाखवतो की वेल्ड हे फ्रेमवर्क, तसेच त्यांना जोडणारे अॅप्लिकेशन्स ३० पटीने वेगवान करू शकते. |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.