_id
stringlengths 40
40
| text
stringlengths 0
9.56k
|
|---|---|
5c1ab86362dec6f9892a5e4055a256fa5c1772af | 3G प्रणालीच्या दीर्घकालीन उत्क्रांतीची (LTE) वैशिष्ट्यीकरण सध्या 3GPP मध्ये चालू आहे आणि 2007 च्या अखेरीस तयार वैशिष्ट्यीकरणची लक्ष्य तारीख आहे. विकसित रेडिओ प्रवेश नेटवर्क (आरएएन) मध्ये ओएफडीएम तंत्रज्ञानावर आधारित एक नवीन रेडिओ इंटरफेस आणि मूलतः भिन्न आरएएन आर्किटेक्चर समाविष्ट आहे, जिथे रेडिओ कार्यक्षमता बेस स्टेशनमध्ये वितरित केली जाते. आरएएन आर्किटेक्चरचे वितरित स्वरूप नवीन रेडिओ कंट्रोल अल्गोरिदम आणि प्रक्रियेची मागणी करते जे वितरित पद्धतीने कार्य करतात, ज्यात वितरित हस्तांतरण योजना देखील समाविष्ट आहे. एलटीईमध्ये हस्तांतरण प्रक्रियेचे सर्वात महत्वाचे पैलू काही तपशीलांना वगळता 3GPP मध्ये आधीच ठरवले गेले आहेत. या लेखात आम्ही एलटीई इंट्रा-एक्सेस हेंडओव्हर प्रक्रियेचा आढावा देतो आणि वापरकर्त्याने त्याच्या कामगिरीच्या पैलूंवर लक्ष केंद्रित करून त्याच्या कामगिरीचे मूल्यांकन करतो. आम्ही टीसीपी थ्रूपुटच्या दृष्टिकोनातून पॅकेट फॉरवर्डिंगची गरज तपासतो, आम्ही हस्तांतरणादरम्यान ऑर्डर पॅकेट डिलिव्हरीच्या समस्येचे विश्लेषण करतो आणि त्यासाठी सोपा उपाय प्रस्तावित करतो. अखेरीस, आम्ही हॅर्क / एआरक्यू स्टेट डिस्कसच्या हस्तांतरणाच्या वेळी रेडिओ कार्यक्षमतेवर होणाऱ्या परिणामाची तपासणी करतो. परिणामांवरून असे दिसून येते की एलटीईच्या स्थानांतरणाच्या आधारे हस्तांतरण प्रक्रियेमुळे वापरकर्त्याची समजलेली कार्यक्षमता किंवा रेडिओ कार्यक्षमता या दोघांनाही धोका नाही. |
3fb91bbffa86733fc68d4145e7f081353eb3dcd8 | इलेक्ट्रोमायोग्राफी (ईएमजी) सिग्नलचा उपयोग क्लिनिकल/बायोमेडिकल अनुप्रयोगांसाठी, इव्हॉल्व्हर हार्डवेअर चिप (ईएचडब्ल्यू) विकास आणि आधुनिक मानव-कंप्यूटर परस्परसंवादासाठी केला जाऊ शकतो. स्नायूंमधून प्राप्त होणाऱ्या ईएमजी सिग्नलला शोधण्यासाठी, विघटन करण्यासाठी, प्रक्रिया करण्यासाठी आणि वर्गीकरण करण्यासाठी प्रगत पद्धतींची आवश्यकता असते. या पेपरचा उद्देश ईएमजी सिग्नलचे विश्लेषण करण्यासाठी विविध पद्धती आणि अल्गोरिदम स्पष्ट करणे आहे जेणेकरून सिग्नल आणि त्याचे स्वरूप समजून घेण्यासाठी कार्यक्षम आणि प्रभावी मार्ग उपलब्ध होतील. आम्ही पुढे इएमजी वापरून काही हार्डवेअर अंमलबजावणीकडे लक्ष वेधतो ज्यामध्ये प्रोस्थेटिक हात नियंत्रण, पकड ओळख आणि मानवी संगणक संवाद यांसारख्या अनुप्रयोगांवर लक्ष केंद्रित केले आहे. ईएमजी सिग्नल विश्लेषण पद्धतींची कार्यक्षमता दर्शविण्यासाठी एक तुलनात्मक अभ्यास देखील दिला आहे. या पेपरमुळे संशोधकांना ईएमजी सिग्नल आणि त्याची विश्लेषण प्रक्रिया चांगली समजली आहे. या ज्ञानामुळे त्यांना अधिक शक्तिशाली, लवचिक आणि कार्यक्षम अनुप्रयोग विकसित करण्यात मदत होईल. |
ab71da348979c50d33700bc2f6ddcf25b4c8cfd0 | |
6cc4a3d0d8a278d30e05418afeaf6b8e5d04d3d0 | |
6180a8a082c3d0e85dcb9cec3677923ff7633bb9 | दोन दशकांपूर्वी माहिती प्रणाली संशोधन (आयएसआर) सुरू झाल्यापासून माहिती प्रणाली (आयएस) क्षेत्राकडे लक्ष प्रशासनिक प्रणाली आणि वैयक्तिक साधनांपेक्षा पुढे गेले आहे. लाखो लोक फेसबुकवर लॉग इन करतात, आयफोन अॅप डाउनलोड करतात, आणि विकेंद्रीकृत काम संस्था तयार करण्यासाठी मोबाईल सेवा वापरतात. या नवीन गतीशीलतेला समजून घेण्यासाठी आयटी कलाकृतींच्या श्रेणी म्हणून डिजिटल पायाभूत सुविधांकडे लक्ष देणे आवश्यक आहे. डिजिटल पायाभूत सुविधांबाबत वाढत्या व्याजदराने साहित्यिक आढावा घेतला गेला आहे. पण या क्षेत्रात अद्याप पायाभूत सुविधांना संशोधन प्रयत्नांच्या केंद्रस्थानी ठेवण्याची गरज आहे, हेही या आढावावरून स्पष्ट होते. या बदलाला मदत करण्यासाठी आम्ही आयएस संशोधनासाठी तीन नवीन दिशानिर्देश प्रस्तावित करतो: (1) डिजिटल पायाभूत सुविधांचा स्वरूपाचा सिद्धांत आयटी आर्टिफॅक्टचा एक स्वतंत्र प्रकार, सुई जेनेरिस; (2) डिजिटल पायाभूत सुविधा सर्व पारंपारिक आयएस संशोधन क्षेत्रांना आकार देणारी संबंध रचना म्हणून; (3) बदल आणि नियंत्रणाचे विरोधाभास जसे की प्रमुख आयएस घटना. आम्ही आयएस संशोधनाला मार्गदर्शन करणाऱ्या पारंपारिक श्रेणींच्या मर्यादांकडे लक्ष देण्याचा प्रयत्न करीत असताना, अनुलंब, मोठ्या प्रमाणात सामाजिक-तांत्रिक घटनांचा अभ्यास कसा करावा या सूचनांसह आम्ही निष्कर्ष काढतो. |
e83a2fa459ba921fb176beacba96038a502ff64d | एकत्रीकरण धोरण (ज्याला संयोजन योजना देखील म्हणतात) हे एक तंत्र आहे जे वैयक्तिक वर्गीकरणकर्त्यांचे आउटपुट एकत्र करण्यासाठी वापरले जाते. अमूर्त स्तरावर सर्वात लोकप्रिय संयोजन धोरणे बहुसंख्य मतदानाच्या नियमांवर आधारित आहेत, जे फक्त सर्वात जास्त मतदान केलेल्या वर्गाला इनपुट पॅटर्न नियुक्त करतात (विभाग 7.2 पहा). जेव्हा दोन वर्गीकरणकर्ते एकत्र केले जातात, तेव्हा तार्किक AND किंवा तार्किक OR ऑपरेटर सामान्यतः वापरला जातो. जेव्हा दोनपेक्षा जास्त वर्गीकरणकर्ते एकत्रित केले जातात, तेव्हा AND/OR नियम एकत्रित केले जाऊ शकतात. उदाहरणार्थ, बायोमेट्रिक प्रणाली फिंगरप्रिंट किंवा (चेहरा आणि हात भूमिती) वर कार्य करू शकते; म्हणजेच, वापरकर्त्यास ओळखण्यासाठी फिंगरप्रिंट किंवा चेहरा आणि हात भूमिती दोन्ही सादर करणे आवश्यक आहे. वर्ग संच कमी करणे, लॉजिस्टिक रिग्रेशन आणि बोर्डा गणना ही श्रेणी लेबलवर आधारित वर्गीकरणकर्त्यांना एकत्रित करण्यासाठी सर्वात सामान्यपणे वापरली जाणारी पध्दती आहेत (हो, हॉल आणि श्रीहरी, 1994). वर्ग संच कमी करण्यामध्ये, वर्गातील उपसंच निवडले जाते ज्याचा हेतू असा आहे की उपसंच शक्य तितका लहान असावा आणि तरीही त्यात खरा वर्ग असावा. अनेक पद्धतींमधून अनेक उपसमूह सहसा युनियन किंवा उपसमूहातील छेदनबिंदूचा वापर करून एकत्र केले जातात. लॉजिस्टिक रेग्रेशन आणि बोर्डा गणना पद्धतींना एकत्रितपणे वर्ग संच पुनर्व्यवस्था पद्धती म्हणतात. येथे उद्देश दिलेला वर्ग एकमताने क्रमवारी लावणे आहे जेणेकरून खरा वर्ग वरच्या स्थानावर असेल. अनुक्रमणिका/पुनर्प्राप्ती प्रणालीमध्ये समाकलित करण्यासाठी रँक लेबल खूप उपयुक्त आहेत. बायोमेट्रिक पुनर्प्राप्ती प्रणाली सहसा उमेदवारांची क्रमवारी लावलेली यादी (बहुतेक शक्यता जुळणारे) आउटपुट करते. या क्रमवारीत असलेल्या यादीतील वरचा घटक सर्वात योग्य जुळण्याची शक्यता आहे आणि यादीच्या तळाशी असलेला घटक सर्वात कमी संभाव्य जुळणी आहे. अनेक पद्धतींमधून आत्मविश्वास मूल्य एकत्र करण्यासाठी सर्वात लोकप्रिय संयोजन योजना म्हणजे बेरीज, सरासरी, मध्यम, उत्पादन, किमान आणि कमाल नियम. किटलर व इतर (१९९८) या लोकप्रिय योजनांच्या अंतर्निहित गणिताचे आधार समजून घेण्याच्या प्रयत्नात एक सैद्धांतिक चौकट विकसित केली आहे. त्यांच्या प्रयोगांनी हे सिद्ध केले की बेरीज किंवा सरासरी योजना सराव मध्ये खूप चांगली कामगिरी करते. बेरीज नियम वापरण्यात एक समस्या अशी आहे की वेगवेगळ्या पद्धतींमधून आत्मविश्वास (किंवा स्कोअर) सामान्य केले पाहिजे. या सामान्यीकरणात सामान्यतः वेगवेगळ्या पद्धतींमधून विश्वास मापन सामान्य डोमेनमध्ये मॅपिंग करणे समाविष्ट असते. उदाहरणार्थ, एक बायोमेट्रिक प्रणाली अंतर स्कोअर (जेवढे कमी स्कोअर, तेवढे अधिक समान नमुने) आउटपुट करू शकते तर दुसरी एक समानता स्कोअर (जेवढे जास्त स्कोअर, तेवढे अधिक समान नमुने) आउटपुट करू शकते आणि अशा प्रकारे स्कोअर थेट बेरीज नियम वापरुन एकत्र केले जाऊ शकत नाहीत. त्याच्या सर्वात सोप्या स्वरूपात, या सामान्यीकरणात फक्त अंतर स्कोअरचे चिन्ह उलट करणे समाविष्ट असू शकते जेणेकरून उच्च स्कोअर उच्च समानताशी संबंधित असेल. अधिक जटिल स्वरूपात, सामान्यीकरण हे नॉन-लाइनियर असू शकते जे प्रत्येक पद्धतीपासून आत्मविश्वास मूल्यांचे वितरण अंदाज करून प्रशिक्षण डेटामधून शिकले जाऊ शकते. नंतर स्कोअरचे भाषांतर केले जाते आणि शून्य सरासरी, युनिट विचलन असणे आवश्यक आहे आणि नंतर हायपरबोलिक टँजेंट फंक्शनचा वापर करून (0,1) च्या निश्चित अंतरावर पुन्हा मॅप केले जाते. हे लक्षात घ्या की सामान्यीकरणसाठी अंदाजे वितरण पॅरामीट्रीझ करणे मोहक आहे. तथापि, वितरण या प्रकारची पॅरामीटर काळजीपूर्वक वापरली पाहिजे, कारण बायोमेट्रिक प्रणाली त्रुटी दर सहसा खूप लहान आहेत आणि वितरण शेपटी अंदाज मध्ये एक लहान त्रुटी त्रुटी अंदाज लक्षणीय बदल होऊ शकते (चित्र 7.3 पहा). प्रशिक्षण डेटापासून प्रत्येक पद्धतीसाठी वेगवेगळ्या स्केलिंग फॅक्टर (वजन) ची गणना करणे ही आणखी एक सामान्य पद्धत आहे, ज्यामुळे एकत्रित वर्गीकरणकर्त्याची अचूकता जास्तीत जास्त आहे. या वजनाने जोडलेल्या नियमापेक्षा सोपे बेरीज नियम अधिक चांगले कार्य करेल अशी अपेक्षा आहे जेव्हा घटक वर्गीकरणकर्त्यांची भिन्न ताकद असते (म्हणजेच, भिन्न त्रुटी दर). आकृती 7.3. a) फिंगरप्रिंट सत्यापन प्रणालीसाठी वास्तविक आणि इम्पोस्टर वितरण (जैन व इतर, 2000) आणि इम्पोस्टर वितरणसाठी सामान्य अंदाजे. दृश्यदृष्ट्या, सामान्य अंदाजे चांगले दिसते, परंतु आरओसीमध्ये दर्शविल्याप्रमाणे नॉन-पॅरामेट्रिक अंदाजानुसार कामगिरीमध्ये लक्षणीय घट होते, जिथे एफएमआरला एफएआर (खोटे स्वीकृती दर) आणि (1-एफएनएमआर) वास्तविक स्वीकृती दर म्हणून संदर्भित केले जाते. © एल्सेवियर. बायोमेट्रिक प्रणालीमध्ये अनेक पद्धतींचा वापर करण्याच्या काही योजनांचा सैद्धांतिक दृष्टिकोनातून अभ्यास केला गेला आहे. सैद्धांतिक विश्लेषणाद्वारे, डगमन (१९९९ बी) यांनी दर्शविले की जर मजबूत बायोमेट्रिक आणि कमकुवत बायोमेट्रिक एकत्रितपणे अमूर्त पातळीच्या संयोजनासह AND किंवा OR मतदान नियमांचा वापर केला तर या संयोजनाची कार्यक्षमता दोन वैयक्तिक बायोमेट्रिक्सच्या चांगल्यापेक्षा वाईट असेल. हाँग, जैन आणि पंकान्टी (१९९९) यांचे सैद्धांतिक विश्लेषण असे आहे की, AND/OR मतदान धोरण काही विशिष्ट अटी पूर्ण झाल्यावरच कामगिरी सुधारू शकते, ज्यामुळे डगमनच्या निष्कर्षांची पुष्टी झाली. त्यांच्या विश्लेषणामुळे हेही दिसून आले की कमकुवत आणि मजबूत बायोमेट्रिक एकत्रित केल्यास विश्वास पातळीच्या संलयनाने एकूण कामगिरीत लक्षणीय सुधारणा होण्याची अपेक्षा आहे. किटलर व इतर (१९९८) मध्ये एक संवेदनशीलता विश्लेषण सादर केले जेणेकरून इतर नियमांच्या तुलनेत बेरीज (किंवा सरासरी) नियम अधिक प्रभावी का आहे हे स्पष्ट केले जाऊ शकते. त्यांनी हे दाखवून दिले की बेरीज नियम इतर समान नियमांपेक्षा कमी संवेदनशील आहे (जसे की उत्पादनाचा नियम) मागील संभाव्यतेचे (विश्वास मूल्य) अंदाज लावण्यामध्ये वैयक्तिक वर्गीकरणकर्त्यांच्या त्रुटी दरांवर. ते दावा करतात की बेरीज नियम समान मागील संभाव्यतेचे भिन्न अंदाज एकत्र करण्यासाठी सर्वात योग्य आहे (उदाहरणार्थ, भिन्न वर्गीकरणकर्त्यांच्या आरंभीकरणामुळे). प्रभाकर आणि जैन (२००२) ने नेयमन-पीयर्सन संयोजन योजनेशी बेरीज आणि उत्पादनाचे नियम तुलना केले आणि हे दर्शविले की संबंधित वैशिष्ट्ये एकत्रित करताना बेरीज नियमपेक्षा उत्पादन नियम वाईट आहे आणि दुबळा आणि मजबूत वर्गीकरणकर्त्यांना एकत्रित करताना बेरीज नियम आणि उत्पादनाचे नियम दोन्ही नेयमन-पीयर्सन संयोजन योजनेपेक्षा खालच्या दर्जाचे आहेत. 0 20 40 60 80 100 0 1 2 3 4 5 6 7 सामान्यीकृत जुळणारे गुणोत्तर प्रतिसादाचे प्रमाण (% ) इम्पॉस्टर वास्तविक नॉनपॅरामेट्रिक इम्पॉस्टर वितरण सामान्य इम्पॉस्टर वितरण वास्तविक वितरण 0 1 2 3 4 5 50 55 60 65 70 75 80 85 90 95 100 खोटे स्वीकृती दर (%) G en ui ne A cc ep ta nc e R at e (% ) इम्पॉस्टर वितरण वापरणे |
b4894f7d6264b94ded94181d54c7a0c773e3662b | हालचाली विश्लेषण अलीकडे एक लोकप्रिय संशोधन क्षेत्र बनले आहे आणि न्यूरोडिजेनेरेटिव्ह रोगांच्या क्लिनिकल निदानात मोठ्या प्रमाणात लागू केले गेले आहे. हिप आणि गुडघा संयुक्त कोन कॅप्चर करण्यासाठी विविध कमी किमतीच्या सेन्सर-आधारित आणि व्हिजन-आधारित प्रणाली विकसित केल्या आहेत. मात्र, या प्रणालींच्या कामगिरीची पडताळणी आणि तुलना करण्यात आलेली नाही. या अभ्यासाचा उद्देश एका प्रयोगाची स्थापना करणे आणि एकाधिक जडत्वीय मापन युनिट्स (आयएमयू) सह सेन्सर-आधारित प्रणालीची कामगिरी तुलना करणे, मार्कर शोधण्यासह व्हिजन-आधारित चाल विश्लेषण प्रणाली आणि सामान्य चालण्याच्या दरम्यान हिप आणि गुडघा संयुक्त कोन कॅप्चर करण्यासाठी मार्करलेस व्हिजन-आधारित प्रणाली. गोनिओमीटरने जमिनीवरच्या वस्तुस्थितीचे मोजमाप केल्यानंतर प्राप्त झालेल्या मोजमापांची पुष्टी केली गेली. या परिणामावरून असे दिसून आले आहे की आयएमयूवर आधारित सेन्सर प्रणाली लहान त्रुटींसह उत्कृष्ट कामगिरी देते, तर व्हिजन सिस्टम थोडी मोठी त्रुटींसह स्वीकार्य परिणाम देतात. |
0e78b20b27d27261f9ae088eb13201f2d5b185bd | वैशिष्ट्य निवडण्यासाठी अल्गोरिदम दोन मोठ्या श्रेणींमध्ये येतात: लर्निंग अल्गोरिदम स्वतःच वैशिष्ट्यांच्या उपयुक्ततेचे मूल्यांकन करण्यासाठी वापरणारे लपेटणे आणि डेटाच्या सामान्य वैशिष्ट्यांवर आधारित हेरिस्टिकनुसार वैशिष्ट्यांचे मूल्यांकन करणारे फिल्टर. मोठ्या डेटाबेसमध्ये फिल्टर वापरणे हे रॅपरपेक्षा अधिक व्यावहारिक असल्याचे सिद्ध झाले आहे कारण ते बरेच जलद आहेत. तथापि, बहुतेक विद्यमान फिल्टर अल्गोरिदम केवळ स्वतंत्र वर्गीकरण समस्यांसह कार्य करतात. या पेपरमध्ये एक वेगवान, परस्परसंवादावर आधारित फिल्टर अल्गोरिदमचे वर्णन केले आहे जे सतत आणि विभक्त समस्यांवर लागू केले जाऊ शकते. या अल्गोरिदमचा वापर प्रामाणिक बेयस, उदाहरण-आधारित शिक्षण, निर्णय झाडे, स्थानिक पातळीवर वजनदार पुनरावृत्ती आणि मॉडेल झाडे यांसाठी पूर्व-प्रक्रिया चरण म्हणून वापरल्यास हे अल्गोरिदम बर्याचदा सुप्रसिद्ध रिलीफएफ विशेषता अंदाज लावणारापेक्षा चांगले कार्य करते. हे रिलीफ एफ पेक्षा जास्त वैशिष्ट्य निवड करते- बहुतेक प्रकरणांमध्ये डेटाची परिमाणता पन्नास टक्क्यांनी कमी करते. तसेच, पूर्व-प्रक्रिया केलेल्या डेटापासून तयार केलेले निर्णय आणि मॉडेल झाडे बर्याचदा लक्षणीय प्रमाणात लहान असतात. |
1b65af0b2847cf6edb1461eda659f08be27bc76d | आम्ही रेषेच्या मॉडेलमध्ये अंदाज लावण्याची नवीन पद्धत प्रस्तावित करतो. लॅसो वर्गातील अवशिष्ट बेरीज कमी करते, ज्यामध्ये गुणांकच्या निरपेक्ष मूल्याचे बेरीज स्थिरतेपेक्षा कमी असते. या मर्यादेच्या स्वरूपामुळे काही गुणांक हे अगदी 0 असतात आणि त्यामुळे अर्थ लावण्यायोग्य मॉडेल मिळतात. आमच्या सिमुलेशन अभ्यासानुसार असे दिसून आले आहे की लासोला उपसंच निवड आणि रिज रेग्रेशन या दोन्हीपैकी काही अनुकूल गुणधर्म आहेत. हे उपसंच निवड सारखे अर्थ लावण्यायोग्य मॉडेल तयार करते आणि रिज रेग्रेशनची स्थिरता दर्शवते. डोनोहो आणि जॉनस्टोन यांच्या अनुकूली कार्य अंदाजातील अलीकडील कार्याशी देखील एक मनोरंजक संबंध आहे. लासो कल्पना खूपच सामान्य आहे आणि विविध सांख्यिकीय मॉडेलमध्ये लागू केली जाऊ शकते: सामान्यीकृत रिग्रेशन मॉडेल आणि ट्री-आधारित मॉडेलचे विस्तार थोडक्यात वर्णन केले आहेत. |
3a8aa4cc6142d433ff55bea8a0cb980103ea15e9 | |
75cbc0eec23375df69de6c64e2f48689dde417c5 | कमी किमतीच्या मायक्रोसॉफ्ट किनेक्ट सेन्सरच्या शोधामुळे उच्च-रिझोल्यूशनची खोली आणि व्हिज्युअल (आरजीबी) सेन्सिंग मोठ्या प्रमाणात वापरण्यासाठी उपलब्ध झाली आहे. किनेक्ट सेन्सरद्वारे पुरविलेल्या सखोल आणि दृश्य माहितीच्या पूरक स्वरूपामुळे संगणक दृष्टीच्या मूलभूत समस्या सोडविण्यासाठी नवीन संधी उपलब्ध झाल्या आहेत. या पेपरमध्ये अलीकडील किनेक्ट-आधारित संगणक दृष्टी अल्गोरिदम आणि अनुप्रयोगांचा व्यापक आढावा सादर केला आहे. किनेक्ट सेन्सरच्या माध्यमातून ज्या प्रकारच्या दृष्टी समस्यांना सामोरे जावे किंवा त्या सुधाराव्या लागतील त्यानुसार या पद्धतींचे वर्गीकरण करण्यात आले आहे. यामध्ये पूर्व प्रक्रिया, ऑब्जेक्ट ट्रॅकिंग आणि ओळख, मानवी क्रियाकलाप विश्लेषण, हाताने हावभाव विश्लेषण आणि इनडोअर 3-डी मॅपिंग यांचा समावेश आहे. प्रत्येक पद्धतीच्या श्रेणीसाठी, आम्ही त्यांचे मुख्य अल्गोरिदम योगदान आणि त्यांच्या आरजीबी समकक्षतेच्या तुलनेत त्यांचे फायदे / फरक सारांशित करतो. या क्षेत्रातल्या आव्हानांचा आणि भविष्यातील संशोधनाचा आढावा आपण शेवटी देतो. किनेक्टवर आधारित संगणक दृष्टी संशोधकांसाठी हा पेपर एक ट्यूटोरियल आणि संदर्भ स्त्रोत म्हणून काम करेल अशी अपेक्षा आहे. |
aa358f4a0578234e301a305d8c5de8d859083a4c | या लेखात, ऑर्डरलेट्स नावाच्या एका नवीन व्हिज्युअल प्रतिनिधित्वची माहिती दिली आहे, जी रिअल-टाइम मानवी कृती ओळखण्यासाठी खोली सेन्सरसह आहे. ऑर्डरलेट हे मध्यम स्तराचे वैशिष्ट्य आहे जे कमी स्तराच्या वैशिष्ट्यांच्या गटामधील ऑर्डिनल नमुना कॅप्चर करते. अस्थिभंजासाठी, ऑर्डरलेट सांध्यांच्या गटामधील विशिष्ट अवकाशीय संबंधांना पकडते. एक खोली नकाशासाठी, ऑर्डरलेट उप-प्रदेश गटांमधील आकार माहितीचे तुलनात्मक संबंध दर्शविते. ऑर्डरलेट प्रतिनिधित्व दोन सुंदर गुणधर्म आहेत. प्रथम, तो लहान आवाज करण्यासाठी असंवेदनशील आहे कारण एक ऑर्डरलेट केवळ वैयक्तिक वैशिष्ट्यांच्या दरम्यान तुलनात्मक संबंधावर अवलंबून असते. दुसरे म्हणजे, हे फ्रेम-स्तरीय प्रतिनिधित्व आहे जे रीअल-टाइम ऑनलाइन क्रिया ओळखण्यासाठी योग्य आहे. प्रायोगिक परिणामांनी ऑनलाईन कृती ओळखणे आणि क्रॉस-पर्यावरण कृती ओळखणे यामध्ये त्याचे उत्कृष्ट कार्यप्रदर्शन दर्शविले आहे. |
30f1ea3b4194dba7f957fd6bf81bcaf12dca6ff8 | शिफ्ट-रेड्यूस सारख्या वाढीव पार्सिंग तंत्रांनी त्यांच्या कार्यक्षमतेमुळे लोकप्रियता मिळविली आहे, परंतु एक मोठी समस्या आहेः शोध लोभी आहे आणि संपूर्ण जागेचा फक्त एक लहान भाग (बीम शोधसहही) शोधतो, डायनॅमिक प्रोग्रामिंगच्या विरूद्ध. आम्ही हे दर्शवितो की, आश्चर्यकारकपणे, डायनॅमिक प्रोग्रामिंग हे खरं तर अनेक शिफ्ट-कमी पार्सरसाठी वैशिष्ट्य मूल्यांवर आधारित "समान" स्टॅक एकत्र करून शक्य आहे. अनुभवजन्यदृष्ट्या, आमचा अल्गोरिदम अत्याधुनिक शिफ्ट-कमी अवलंबन विश्लेषकापेक्षा पाचपट वेगवान आहे अचूकतेत कोणतीही हानी न करता. चांगल्या शोधाने चांगले शिकणेही शक्य होते आणि आमचा अंतिम पार्सर इंग्रजी आणि चिनी भाषेतील सर्व आश्रय पार्सरपेक्षा अधिक वेगवान आहे. |
422d9b1a05bc33fcca4b9aa9381f46804c6132fd | काही प्रश्नांची उत्तरे केवळ यंत्रांद्वारे देता येत नाहीत. अशा क्वेरीवर प्रक्रिया करण्यासाठी डेटाबेसमध्ये गहाळ असलेली माहिती प्रदान करण्यासाठी, संगणकीयदृष्ट्या कठीण कार्ये करण्यासाठी आणि अस्पष्ट निकषांवर आधारित परिणाम जुळविण्यासाठी, क्रमवारी लावण्यासाठी किंवा एकत्रित करण्यासाठी मानवी इनपुटची आवश्यकता असते. डेटाबेस सिस्टम किंवा शोध इंजिनना पुरेसे उत्तर देऊ शकत नसलेल्या क्वेरीवर प्रक्रिया करण्यासाठी क्राउडडबॅक क्राउडसोर्सिंगद्वारे मानवी इनपुटचा वापर करते. यात एस क्यू एलचा वापर जटिल क्वेरीसाठी आणि डेटा मॉडेलिंगचा एक मार्ग म्हणून केला जातो. क्राऊडडीबी पारंपारिक डेटाबेस सिस्टीमच्या अनेक पैलूंचा लाभ घेत असताना, त्यातही महत्त्वाचे फरक आहेत. संकल्पनात्मकदृष्ट्या, एक मोठा बदल म्हणजे क्वेरी प्रक्रियेसाठी पारंपारिक बंद-जग गृहीत धरणे मानवी इनपुटसाठी मान्य नाही. अंमलबजावणीच्या दृष्टीकोनातून, मानव-उन्मुख क्वेरी ऑपरेटर आवश्यक आहेत, एकत्रितपणे एकत्रित आणि स्वच्छ डेटा. याव्यतिरिक्त कामगिरी आणि खर्च अनेक नवीन घटकांवर अवलंबून असतात, ज्यात कामगारांची आवड, प्रशिक्षण, थकवा, प्रेरणा आणि स्थान यांचा समावेश आहे. आम्ही क्राऊडडीबीच्या डिझाईनचे वर्णन करतो, ऍमेझॉन मेकॅनिकल तुर्क वापरून प्रयोगांच्या प्रारंभिक संचाचा अहवाल देतो आणि क्राउडसोर्स केलेल्या क्वेरी प्रोसेसिंग सिस्टमच्या विकासासाठी भविष्यातील कामासाठी महत्त्वपूर्ण मार्गांची रूपरेषा देतो. |
edc2e4e6308d7dfce586cb8a4441c704f8f8d41b | या लेखात आम्ही फंक्शन्सच्या सरासरीच्या वितरित कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीतकमी कमीत कमी पहिला अल्गोरिदम डीएएनई अल्गोरिदमचा एक अचूक प्रकार आहे [२०] जो कोणत्याही स्थानिक अल्गोरिदमला स्थानिक उपसमस्येचे अंदाजे समाधान परत करण्यास अनुमती देतो. आम्ही दाखवतो की अशा धोरणामुळे डॅनच्या सैद्धांतिक हमीवर कोणताही परिणाम होत नाही. प्रत्यक्षात, आमचा दृष्टिकोन एक मजबूत धोरण म्हणून पाहिला जाऊ शकतो कारण पद्धत व्यवहारात उद्भवणार्या डेटा विभाजनावर डीएएनईपेक्षा लक्षणीयरीत्या चांगली आहे. हे सर्वज्ञात आहे की डॅन अल्गोरिदम कम्युनिकेशन कॉम्प्लेक्सिटीच्या खालच्या मर्यादेशी जुळत नाही. या अंतर कमी करण्यासाठी, आम्ही पहिल्या पद्धतीचा वेगवान प्रकार प्रस्तावित करतो, ज्याला एआयडीई म्हणतात, जे केवळ संप्रेषणाच्या खालच्या मर्यादेशी जुळत नाही तर शुद्ध प्रथम-क्रमातील भविष्यवाणी वापरुन देखील अंमलात आणले जाऊ शकते. आमच्या अनुभवात्मक परिणामांमध्ये असे दिसून आले आहे की मशीन लर्निंग अॅप्लिकेशन्समध्ये नैसर्गिकरित्या उद्भवणार्या सेटिंग्जमध्ये एआयडीई इतर संप्रेषण कार्यक्षम अल्गोरिदमपेक्षा श्रेष्ठ आहे. |
c677166592b505b80a487fb88ac5a6996fc47d71 | या लेखात मोठ्या प्रमाणात जटिल प्रणालींच्या विकेंद्रीकृत नियंत्रणाच्या क्षेत्रातील मागील आणि सध्याच्या परिणामांचा आढावा घेण्यात आला आहे. यामध्ये विकेंद्रीकरण, विघटन आणि दृढतेवर भर देण्यात आला आहे. या पद्धती मोठ्या प्रमाणात जटिल प्रणालीमध्ये उद्भवणाऱ्या विशिष्ट अडचणींवर मात करण्यासाठी प्रभावी साधने म्हणून काम करतात जसे की उच्च आयाम, माहिती संरचना निर्बंध, अनिश्चितता आणि विलंब. भविष्यातील संशोधनासाठी अनेक संभाव्य विषय या सामग्रीमध्ये सादर केले आहेत. या आढावामध्ये आंतरसंबद्ध गतिशील प्रणालींमध्ये अलिकडच्या काळात वापरण्यात आलेल्या विघटन पद्धतींवर लक्ष केंद्रित केले गेले आहे. कारण या पद्धतींमुळे विकेंद्रीकृत नियंत्रणाचा विस्तार नेटवर्क नियंत्रण प्रणालींमध्ये होऊ शकतो. # २००८ एल्सेव्हर लिमिटेड सर्व हक्क राखीव. |
0debd1c0b73fc79dc7a64431b8b6a1fe21dcd9f7 | वैशिष्ट्य निवड वर्गीकरणाची अचूकता सुधारू शकते आणि वर्गीकरणाची संगणकीय जटिलता कमी करू शकते. घुसखोरी शोध प्रणाली (आयडीएस) मधील डेटा वैशिष्ट्ये नेहमीच असमतोल वर्गीकरणाची समस्या सादर करतात ज्यामध्ये काही वर्गीकरणामध्ये फक्त काही उदाहरणे असतात तर इतरांमध्ये अनेक उदाहरणे असतात. या असंतुलनामुळे वर्गीकरणाची कार्यक्षमता कमी होऊ शकते, परंतु या समस्येवर उपाययोजना करण्यासाठी फार कमी प्रयत्न केले गेले आहेत. या पेपरमध्ये, आयडीएसमध्ये वैशिष्ट्य निवडण्यासाठी अनेक-उद्देश्यीय समस्येची योजना प्रस्तावित केली गेली आहे, जी लोकसंख्येच्या उत्क्रांतीसाठी दोन धोरणे, म्हणजेच विशेष वर्चस्व पद्धत आणि पूर्वनिर्धारित एकाधिक लक्ष्यित शोध वापरते. हे केवळ सामान्य आणि असामान्य वाहतूकच नव्हे तर असामान्यतेच्या प्रकारानुसार देखील फरक करू शकते. आमच्या योजनेच्या आधारे, एनएसजीए-III चा वापर चांगल्या कामगिरीसह योग्य वैशिष्ट्य उपसंच मिळविण्यासाठी केला जातो. नवीन निशा संरक्षण प्रक्रियेचा वापर करून सुधारित अनेक-उद्देश्य ऑप्टिमायझेशन अल्गोरिदम (आय-एनएसजीए-III) पुढे प्रस्तावित आहे. यात एक बायस-सिलेक्शन प्रक्रिया असते जी कमीत कमी निवडलेल्या वैशिष्ट्यांसह व्यक्तीची निवड करते आणि एक फिट-सिलेक्शन प्रक्रिया असते जी त्याच्या उद्दीष्टांचे जास्तीत जास्त वजन असलेल्या व्यक्तीची निवड करते. प्रयोगात्मक परिणामांवरून असे दिसून आले आहे की I-NSGA-III कमी प्रकरणांसह वर्गांसाठी उच्च वर्गीकरण अचूकतेसह असमतोल समस्या कमी करू शकते. याव्यतिरिक्त, हे उच्च वर्गीकरण अचूकता आणि कमी संगणकीय जटिलता दोन्ही साध्य करू शकते. © 2016 Elsevier B. V. द्वारे प्रकाशित |
5a4a53339068eebd1544b9f430098f2f132f641b | खोल लॅटेंट-व्हॅरिएबल मॉडेल उच्च-आयामी डेटाचे प्रतिनिधित्व अनियंत्रित पद्धतीने शिकतात. अलीकडील अनेक प्रयत्नांनी आकडेवारीनुसार स्वतंत्र भिन्नता अक्ष सोडविणार्या शिक्षण प्रतिनिधींवर लक्ष केंद्रित केले आहे, अनेकदा उद्दीष्ट फंक्शनचे योग्य बदल करून. आम्ही या वाढत्या साहित्याचे संश्लेषण करतो पुराव्यांच्या खालच्या मर्यादेचे सामान्यीकरण तयार करून जे स्पष्टपणे लॅटेंट कोडच्या विरळता, प्रतिनिधित्वातील द्विपक्षीयता आणि अनुभवजन्य डेटा वितरणाच्या समर्थनाचे कव्हरेज यांच्यातील व्यापार-बंद दर्शवते. आमचे ध्येय हे श्रेणीबद्ध प्रतिनिधित्व शिकण्यासाठी देखील उपयुक्त आहे जे ब्लॉकमधील काही प्रमाणात संबंधांना परवानगी देताना चलनांचे ब्लॉक विभक्त करतात. अनेक प्रकारच्या डेटासेटवर केलेले प्रयोग हे दर्शवतात की शिकलेल्या प्रतिनिधित्वात अर्थ लावण्यायोग्य वैशिष्ट्ये आहेत, वेगळ्या गुणधर्म शिकण्यास सक्षम आहेत आणि घटकांच्या अदृश्य संयोजनांमध्ये सामान्यीकरण करतात. |
4b19be501b279b7d80d94b2d9d986bf4f8ab4ede | |
8ba965f138c1178aef09da3781765e300c325f3d | इलेक्ट्रोमायोग्राम किंवा ईएमजी सिग्नल हा एक अतिशय लहान सिग्नल आहे; त्याला प्रदर्शन उद्देशासाठी किंवा पुढील विश्लेषण प्रक्रियेसाठी प्रणाली वाढविण्याची आवश्यकता आहे. या लेखात कमी किमतीच्या फिजिओथेरपी ईएमजी सिग्नल अॅक्विझिशन सिस्टमची निर्मिती दोन चॅनेल इनपुटसह केली आहे. अधिग्रहण प्रणालीमध्ये, दोन्ही इनपुट सिग्नल एक भिन्नता वर्धकाने वर्धित केले जातात आणि ईएमजी सिग्नलचे रेषेचा लिफाफा मिळविण्यासाठी सिग्नल पूर्व-प्रक्रिया करतात. प्राप्त झालेला ईएमजी सिग्नल नंतर डिजिटलायझ केला जातो आणि प्लॉट करण्यासाठी संगणकावर पाठविला जातो. |
01413e1fc981a8c041dc236dcee64790e2239a36 | मशीन लर्निंगमधील विविध प्रकारच्या समस्या, ज्यात नमुना क्लस्टरिंग, दस्तऐवज सारांश आणि सेन्सर प्लेसमेंट यांचा समावेश आहे, त्यांना प्रतिबंधित सबमॉड्यूलर मॅक्सिमाइझेशन समस्या म्हणून टाकले जाऊ शकते. या समस्यांसाठी वितरित अल्गोरिदम विकसित करण्यासाठी अलीकडील प्रयत्न केले गेले आहेत. तथापि, हे परिणाम उच्च राउंड्स, सबऑप्टिमाइझ अॅप्रोचिमशन रेशो किंवा दोन्हीमुळे ग्रस्त आहेत. आम्ही अनुक्रमांकित सेटिंगमध्ये विद्यमान अल्गोरिदम वितरित सेटिंगमध्ये आणण्यासाठी एक फ्रेमवर्क विकसित करतो, केवळ सतत संख्यात मॅपरेड्यूस फेऱ्यांमध्ये बर्याच सेटिंग्जसाठी जवळपास इष्टतम सान्निध्य प्रमाण प्राप्त करतो. आमच्या तंत्रामुळे मॅट्रॉइडच्या मर्यादेत नॉन-मोनोटोन मॅक्सिमाइझेशनसाठी वेगवान अनुक्रमांक अल्गोरिदम देखील मिळतो. |
0451c923703472b6c20ff11185001f24b76c48e3 | नेटवर्क आणि सहकारी रोबोट्ससाठी उदयोन्मुख अनुप्रयोग एजंट्सच्या गटांसाठी हालचाली समन्वय अभ्यास करण्यास प्रवृत्त करतात. उदाहरणार्थ, एजंट्सचे गट निरिक्षण, शोध आणि पर्यावरणीय देखरेखीसह विविध उपयुक्त कार्ये करतील अशी कल्पना आहे. या पेपरमध्ये मोबाईल एजंट्समधील मूलभूत परस्परसंवादाचा अभ्यास केला गेला आहे जसे की जवळच्या इतर एजंटपासून दूर जाणे किंवा आपल्या स्वतःच्या वोरोनोई बहुभुजाच्या सर्वात दूरच्या शिखराकडे जाणे. या साध्या परस्परसंवादाचे वितरण डायनॅमिक सिस्टममध्ये केले जाते कारण त्यांच्या अंमलबजावणीसाठी शेजारच्या एजंट्सबद्दल फक्त कमीतकमी माहितीची आवश्यकता असते. आम्ही या वितरित गतिशील प्रणाली आणि डिस्क-कव्हरिंग आणि गोलाकार-पॅकिंग खर्च फंक्शन्स दरम्यानच्या घनिष्ठ संबंधाचे वर्णन करतो ज्यामितीय ऑप्टिमायझेशनमधून. आमचे मुख्य परिणाम असे आहेत: (i) आम्ही या भूमितीय खर्च फंक्शन्सचे गुळगुळीत गुणधर्म दर्शवितो, (ii) आम्ही दर्शवितो की परस्परसंवाद कायदे खर्च फंक्शन्सच्या नॉन-स्मूथ ग्रेडियंटचे बदल आहेत, आणि (iii) आम्ही कायद्यांचे विविध असीम संयोग गुणधर्म स्थापित करतो. तांत्रिक दृष्टिकोन संगणकीय भूमिती, नॉन-स्मूथ विश्लेषण आणि नॉन-स्मूथ स्थिरता सिद्धांत या संकल्पनांवर अवलंबून आहे. |
0a37a647a2f8464379a1fe327f93561c90d91405 | अलीकडील घडामोडींनी आंशिकपणे आदेशित, आंशिकपणे विशिष्ट क्रियांची क्रमवारी तयार करण्याची प्रक्रिया स्पष्ट केली आहे ज्याची अंमलबजावणी एजंटचे ध्येय साध्य करेल. या पेपरमध्ये कमीतकमी प्रतिबद्धता नियोजकांची प्रगती सारांशित केली आहे, ज्याची सुरुवात सोप्या पट्ट्यांच्या प्रतिनिधित्वासह होते आणि डायनॅमिक विश्वावर डिझायनक्टिव्ह पूर्वशर्त, सशर्त प्रभाव आणि सार्वत्रिक परिमाणवाचक क्रियांसह कार्य करते. मार्गाने आम्ही स्पष्ट करतो की चॅपमनचे मॉडेल सत्य निकष कसे तयार केले गेले आहे आणि सशर्त प्रभावांसह योजनांबद्दल तर्क करण्यासाठी त्याचे एनपी-पूर्णता परिणाम आमच्या नियोजकास लागू का होत नाहीत. 1 मी फ्रान्झ अमाडोर, टोनी बॅरेट, डॅरेन क्रोनक्विस्ट, डेनिस ड्रॅपर, एर्नी डेव्हिस, ओरेन एटझोनी, नॉर्ट फॉउलर, राओ कांबंपाटी, क्रेग नोब्लॉक, निक कुशमेरिक, नील लेश, करेन लोचबाम, ड्रू मॅकडरमॉट, रमेश पाटील, करी पुल्ली, यिंग सन, ऑस्टिन टेट आणि माईक विल्यमसन यांचे उपयुक्त टिप्पण्यांबद्दल आभार मानतो, परंतु त्रुटींसाठी एकमेव जबाबदारी राखून ठेवतो. या संशोधनासाठी नौदल संशोधन निधी 90-जे-1904 आणि नॅशनल सायन्स फाउंडेशन निधी IRI-8957302 द्वारे अंशतः निधी उपलब्ध झाला. |
63f97f3b4808baeb3b16b68fcfdb0c786868baba | या कागदपत्रामध्ये पॅराबोलिक लेन्स आणि वेव्हगाइड अॅडॉप्टरसह सुसज्ज ब्रॉडबँड डबल-रिज्ड हॉर्न अँटेनाचे डिझाइन, फॅब्रिकेशन आणि वैशिष्ट्यीकरण यासह संपूर्ण डिझाइन चक्र सादर केले आहे. या कामाचे मुख्य उद्दिष्ट हे होते की 18-40 गीगाहर्ट्झच्या वारंवारता श्रेणीत मुख्य रेडिएशन लोबमध्ये फ्लॅट फेज वैशिष्ट्यासह उच्च दिशात्मकता मिळवणे, जेणेकरून फ्रीस्पेस मटेरियल वैशिष्ट्यीकरण सेटअपमध्ये अँटेना लागू होऊ शकेल. |
c5151f18c2499f1d95522536f167f2fcf75f647f | पुढच्या पिढीच्या विषम वायरलेस नेटवर्कमध्ये, एका बहु-इंटरफेस टर्मिनलसह वापरकर्त्यास विविध तंत्रज्ञानाचा वापर करून भिन्न सेवा प्रदात्यांकडून नेटवर्क प्रवेश असू शकतो. असे मानले जाते की हस्तांतरण निर्णय अनेक निकषांवर तसेच वापरकर्त्याच्या पसंतीवर आधारित आहे. हस्तांतरण निर्णयाची समस्या सोडवण्यासाठी विविध दृष्टिकोन प्रस्तावित केले गेले आहेत, परंतु निर्णयाची पद्धत निवडणे मनमानी असल्याचे दिसते आणि काही पद्धतींमध्ये वादग्रस्त परिणाम देखील मिळतात. या पेपरमध्ये, नवीन हस्तांतरण निकषांसह नवीन हस्तांतरण निर्णय धोरणासह एक नवीन हस्तांतरण धोरण सादर केले आहे. याव्यतिरिक्त, हस्तांतरण निर्णय आम्हाला एक अस्पष्ट अनेक गुणधर्म निर्णय (एमएडीएम) समस्या ओळखले जाते, आणि अस्पष्ट तर्कशास्त्र काही निकष आणि वापरकर्ता प्राधान्य अचूक माहिती सामोरे लागू आहे. विविध अस्पष्ट एमएडीएम पद्धतींचे पद्धतशीर विश्लेषण केल्यानंतर, एक व्यवहार्य दृष्टिकोन सादर केला जातो. अखेरीस, प्रस्तावित पद्धतींचे उदाहरण दिले जाते आणि पद्धतींची संवेदनशीलता देखील विश्लेषित केली जाते. |
e321ab5d7a98e18253ed7874946a229a10e40f26 | वर्गीकरणकर्त्याची कार्यक्षमता आणि अचूकता वैशिष्ट्य निवडीच्या परिणामाद्वारे थेट प्रभावित होते. एक-वर्ग एफ-स्कोअर वैशिष्ट्य निवड आणि सुधारित एफ-स्कोअर वैशिष्ट्य निवड आणि अनुवांशिक अल्गोरिदमवर आधारित, के सर्वात जवळचा शेजारी, सपोर्ट वेक्टर मशीन, यादृच्छिक वन, निर्विकार बेयस सारख्या मशीन लर्निंग पद्धतींसह एकत्रितपणे, दोन वर्गीकरण असमतोल डेटा समस्या आणि मल्टी वर्गीकरण समस्या हाताळण्यासाठी एक संकरित वैशिष्ट्य निवड अल्गोरिदम प्रस्तावित आहे. पारंपारिक मशीन लर्निंग अल्गोरिदमच्या तुलनेत, हे व्यापक वैशिष्ट्य स्पेसमध्ये शोधू शकते आणि असमतोल डेटा सेटच्या वैशिष्ट्यांसह हेरिस्टिक नियमांनुसार व्यवहार करण्यासाठी वर्गीकरणकर्त्यास प्रोत्साहित करू शकते, जे असमतोल वर्गीकरणाची समस्या अधिक चांगल्या प्रकारे हाताळू शकते. प्रयोगाच्या परिणामांमध्ये असे दिसून आले आहे की इतर मॉडेलच्या तुलनेत दोन वर्गीकरणासाठी रिसीव्हर ऑपरेटिंग वैशिष्ट्यपूर्ण वक्र अंतर्गत क्षेत्र आणि एकाधिक वर्गीकरण समस्येसाठी अचूकता दर सुधारला गेला आहे |
08fddf1865e48a1adc21d4875396a754711f0a28 | मजकूर वर्गीकरणासाठी मशीन लर्निंग हा दस्तऐवज वर्गीकरण, बातम्या फिल्टरिंग, दस्तऐवज रूटिंग आणि वैयक्तिकरणचा मुख्य आधार आहे. मजकूर क्षेत्रात, प्रभावी वैशिष्ट्य निवड शिकण्याची कार्यक्षमता आणि अधिक अचूक करण्यासाठी आवश्यक आहे. या लेखात बारा वैशिष्ट्यपूर्ण निवड पद्धतींची (उदा . माहिती प्राप्ती) या संस्थेने रॉयटर्स, TREC, OHSUMED इत्यादींकडून गोळा केलेल्या 229 मजकूर वर्गीकरण समस्येच्या उदाहरणांच्या बेंचमार्कवर मूल्यांकन केले. परिणामांचे विश्लेषण अनेक उद्दीष्टे-शुद्धता, एफ-मापन, अचूकता आणि आठवणी-पासून केले जाते कारण प्रत्येक भिन्न परिस्थितीत योग्य आहे. या परीणामांमधून असे दिसून आले की, एक नवीन वैशिष्ट्य निवड पद्धत ज्याला आपण बाय-नॉर्मल सेपरेशन (बीएनएस) म्हणतो, ती बहुतेक परिस्थितींमध्ये इतरांपेक्षा जास्त कामगिरी करते. उच्च वर्ग तिरकसतेसह कार्यांमध्ये हा मार्जिन विस्तृत झाला, जो मजकूर वर्गीकरण समस्यांमध्ये प्रचलित आहे आणि विशेषतः प्रेरण अल्गोरिदमसाठी आव्हानात्मक आहे. एक नवीन मूल्यांकन पद्धतीची ऑफर दिली जाते जी डेटा खनन व्यावसायिकांच्या गरजांवर लक्ष केंद्रित करते ज्यांना एकाच डेटासेटचा सामना करावा लागतो ज्यात एक (किंवा दोन) मेट्रिक्स निवडण्याची इच्छा असते ज्यामुळे सर्वोत्तम कामगिरी होण्याची शक्यता असते. या दृष्टीकोनातून, बीएनएस अचूकतेशिवाय सर्व उद्दीष्टांसाठी सर्वोच्च निवड होती, ज्यासाठी माहिती मिळवणे बहुतेक वेळा सर्वोत्तम परिणाम देते. या विश्लेषणामुळे हेही उघड झाले की, उदाहरणार्थ, इन्फॉर्मेटी ऑन गेन आणि चि-स्क्वेअरमध्ये परस्पर संबंध आहेत, आणि म्हणून ते एकत्र काम करत नाहीत. चार कामगिरीच्या उद्दीष्टांपैकी प्रत्येक कामासाठी चांगल्या पॅरांची गणना करताना, बीएनएस सातत्याने जोडीचा एक भाग असतो-उदाहरणार्थ, सर्वात जास्त आठवणीसाठी, जोडी बीएनएस + एफ 1 मोजमापाने मोठ्या प्रमाणात कार्ये मोठ्या प्रमाणात कामगिरी केली. |
32352a889360e365fa242ad3040ccd6c54131d47 | |
7857cdf46d312af4bb8854bd127e5c0b4268f90c | सतत-प्रवाह मोडमध्ये (सीसीएम) कार्यरत बूस्ट पॉवर फॅक्टर सुधारणा (पीएफसी) कनवर्टरचा डायनॅमिक प्रतिसाद व्होल्टेज कंट्रोल लूपच्या कमी बँडविड्थद्वारे मोठ्या प्रमाणात प्रभावित होतो. या पेपरमध्ये एक नवीन त्रि-राज्य बूस्ट पीएफसी कनवर्टर प्रस्तावित आहे जो छद्म-सतत-प्रवाह मोड (पीसीसीएम) मध्ये कार्य करतो. फ्रीव्हीलिंग स्विचिंग कंट्रोल इंटरव्हलद्वारे आणलेल्या अतिरिक्त नियंत्रण-स्वातंत्र्याची डिग्री पीएफसी नियंत्रण साध्य करण्यास मदत करते. एक साधी आणि वेगवान व्होल्टेज नियंत्रण लूप सतत आउटपुट व्होल्टेज राखण्यासाठी वापरली जाऊ शकते. याव्यतिरिक्त, पारंपरिक डिसकंटीन्यूअस-कंडक्शन मोड (डीसीएम) मध्ये कार्यरत बूस्ट पीएफसी कनवर्टरच्या तुलनेत, पीसीसीएममध्ये कार्यरत बूस्ट पीएफसी कनवर्टर कमी चालू आणि व्होल्टेज रिपलसह मोठ्या प्रमाणात सुधारित चालू हाताळण्याची क्षमता दर्शविते. त्रि-राज्य बूस्ट पीएफसी कनवर्टरचे विश्लेषणात्मक आणि अनुकरण परिणाम सादर केले गेले आहेत आणि पारंपरिक सीसीएम आणि डीसीएममध्ये कार्यरत बूस्ट पीएफसी कनवर्टरच्या तुलनेत त्यांची तुलना केली गेली आहे. सिम्युलेशनच्या परिणामांमध्ये त्रि-राज्य बूस्ट पीएफसी कनवर्टरची उत्कृष्ट गतिमान कार्यक्षमता दिसून आली आहे. |
8629cebb7c574adf40d71d41389f340804c8c81f | या लेखात 1890 च्या दशकात व्हुकेटिच आणि हेन्री यांच्या पहिल्या फिंगरप्रिंट वर्गीकरण प्रणालीपासून स्वयंचलित फिंगरप्रिंट ओळखण्याच्या आगमनापर्यंत व्यक्तींची ओळख पटविण्यासाठी फिंगरप्रिंट नमुन्यांचा वापर करण्याच्या प्रयत्नांच्या इतिहासातील प्रमुख घडामोडींचा सारांश दिला आहे. फिंगरप्रिंट्स रेकॉर्डिंग, स्टोरेज, मॅचिंग आणि रिट्रीव्ह करण्यासाठीच्या मॅन्युअल सिस्टीमच्या इतिहासाचे वर्णन करून, लेख ऐतिहासिक संदर्भात स्वयंचलित फिंगरप्रिंट ओळख मध्ये प्रगती करतो आणि त्यांच्या ऐतिहासिक आणि सामाजिक महत्त्ववर प्रकाश टाकतो. |
7d9089cbe958da21cbd943bdbcb996f4499e701b | दस्तऐवज स्तरावरील भावना वर्गीकरण हे एक आव्हान आहे: दस्तऐवजाच्या सिमेंटिक अर्थाने वाक्यांमधील अंतर्निहित संबंध एन्कोड करणे. या समस्येवर उपाय म्हणून आम्ही न्यूरल नेटवर्क मॉडेल आणले आहे. जे एकात्मिक, तळापासून वरच्या पद्धतीने वेक्टर आधारित दस्तऐवज प्रतिनिधित्व शिकते. मॉडेल प्रथम कन्वॉल्युशनल न्यूरल नेटवर्क किंवा दीर्घकालीन स्मृतीसह वाक्य प्रतिनिधित्व शिकते. त्यानंतर, वाक्ये आणि त्यांचे संबंधांचे सिमेंटिक्स अनुकूलीतपणे गेट केलेल्या पुनरावृत्ती न्यूरल नेटवर्कसह दस्तऐवज प्रतिनिधित्व मध्ये एन्कोड केले जातात. आम्ही आयएमडीबी आणि येलप डेटासेट चॅलेंजच्या चार मोठ्या प्रमाणात आढावा डेटासेटवर दस्तऐवज स्तरावरील भावना वर्गीकरण करतो. प्रायोगिक परिणामांमध्ये असे दिसून आले आहे की: (1) आमचे न्यूरल मॉडेल अनेक अत्याधुनिक अल्गोरिदमपेक्षा उत्कृष्ट कामगिरी दर्शविते; (2) भावना वर्गीकरणासाठी दस्तऐवज मॉडेलिंगमध्ये गेटेड रिकर्सिव्ह न्यूरल नेटवर्क मानक रिकर्सिव्ह न्यूरल नेटवर्कपेक्षा नाटकीयपणे चांगले काम करते. |
b294b61f0b755383072ab332061f45305e0c12a1 | आम्ही विद्यमान सिमेंटिक शब्द वेक्टरचे पुनरुज्जीवन करण्यासाठी एक जलद पद्धत सादर करतो जेणेकरून पर्यवेक्षित कार्यात कार्यप्रदर्शन सुधारेल. अलीकडे, संगणकीय संसाधनांच्या वाढीमुळे, मोठ्या प्रमाणात लेबल नसलेल्या डेटामधून समृद्ध शब्द एम्बेड करणे शक्य झाले. काही पद्धती चांगल्या प्रकारे शिकण्यासाठी दिवस किंवा आठवडे लागतात. काही पद्धती शिकणे अवघड असते. आम्ही एक अशी पद्धत प्रस्तावित करतो जी विद्यमान एम्बेडिंग, काही लेबल केलेले डेटा इनपुट म्हणून घेते आणि त्याच जागेत एम्बेडिंग तयार करते, परंतु पर्यवेक्षित कार्यात अधिक चांगल्या पूर्वानुमानात्मक कामगिरीसह. आम्ही अनेक बेसलाईन्सच्या संदर्भात भावना वर्गीकरणाच्या कार्यात सुधारणा दर्शवितो आणि हे लक्षात घेतो की प्रशिक्षण संच पुरेसा लहान असेल तेव्हा हा दृष्टिकोन सर्वात उपयुक्त आहे. |
4a27709545cfa225d8983fb4df8061fb205b9116 | आम्ही डेटा माइनिंग (डीएम) पद्धतीचा प्रस्ताव ठेवतो जेणेकरून बँकेच्या दीर्घकालीन ठेवी विक्रीसाठी टेलिमार्केटिंग कॉलच्या यशाचा अंदाज लावता येईल. २००८ ते २०१३ या कालावधीत गोळा केलेल्या आकडेवारीसह पोर्तुगीज किरकोळ बँकेकडे लक्ष वेधण्यात आले, ज्यामध्ये अलीकडील आर्थिक संकटाचे परिणाम समाविष्ट आहेत. आम्ही बँकेच्या ग्राहकांच्या, उत्पादनांच्या आणि सामाजिक-आर्थिक वैशिष्ट्यांच्या 150 वैशिष्ट्यांचा एक मोठा संच विश्लेषित केला. जुलै २०१२ पूर्वीच्या डेटासह मॉडेलिंग टप्प्यात अर्ध-स्वयंचलित वैशिष्ट्य निवड तपासण्यात आली होती आणि यामुळे २२ वैशिष्ट्यांचा कमी सेट निवडण्यास अनुमती मिळाली. आम्ही चार डीएम मॉडेलची तुलना केली: लॉजिस्टिक रिग्रेशन, निर्णय झाडे (डीटी), न्यूरल नेटवर्क (एनएन) आणि सपोर्ट वेक्टर मशीन. दोन मेट्रिक्स, रिसीव्हर ऑपरेटिंग वैशिष्ट्यपूर्ण वक्र (एयूसी) आणि लिफ्ट एकूण वक्र (एएलआयएफटी) चे क्षेत्र वापरून, चार मॉडेलची मूल्यांकन टप्प्यात चाचणी घेण्यात आली, सर्वात अलीकडील डेटा (जुलै २०१२ नंतर) आणि रोलिंग विंडो स्कीमचा वापर करून. एनएनने सर्वोत्तम परिणाम सादर केले (एयूसी = 0.8 आणि एएलआयएफटी = 0.7), जे अर्ध्यापेक्षा चांगले क्लायंट निवडून 79% ग्राहकांपर्यंत पोहोचण्यास अनुमती देते. तसेच, दोन ज्ञान काढण्याची पद्धती, एक संवेदनशीलता विश्लेषण आणि डीटी, एनएन मॉडेलवर लागू करण्यात आली आणि अनेक प्रमुख गुणधर्म (उदाहरणार्थ, युरीबो दर, कॉलची दिशा आणि बँक एजंट अनुभव) प्रकट केले. अशा प्रकारच्या ज्ञानाच्या शोधामुळे प्राप्त मॉडेलला विश्वासार्ह आणि टेलिमार्केटिंग मोहिमेच्या व्यवस्थापकांसाठी मौल्यवान असल्याचे सिद्ध झाले. एल्सव्हिअरला 19 फेब्रुवारी 2014 रोजी सादर केलेली प्रिप्रिंट |
138c86b9283e4f26ff1583acdf4e51a5f88ccad1 | वेगवेगळ्या वस्तूशी संवाद साधणाऱ्या लोकांच्या चित्रांचा आणि व्हिडिओंचा अर्थ लावणे हे एक कठीण काम आहे. यात देखावा किंवा घटना समजून घेणे, मानवी हालचालींचे विश्लेषण करणे, हाताळण्यायोग्य वस्तू ओळखणे आणि त्या वस्तूवर मानवी हालचालीचा परिणाम पाहणे यांचा समावेश आहे. यापैकी प्रत्येक समजण्यायोग्य काम स्वतंत्रपणे केले जाऊ शकते, परंतु जेव्हा त्यांच्यातील परस्परसंवादाचा विचार केला जातो तेव्हा ओळखण्याची दर सुधारते. मानवी आकलनाच्या मानसशास्त्रीय अभ्यासाने प्रेरित, आम्ही बेझियन दृष्टिकोन सादर करतो जो मानवी-ऑब्जेक्ट परस्परसंवादाचे समजून घेण्यात गुंतलेल्या विविध आकलनविषयक कार्ये समाकलित करतो. ऑब्जेक्ट आणि अॅक्शन रेकग्निशनच्या आधीच्या पद्धती अनुक्रमे स्थिर आकार किंवा देखावा वैशिष्ट्य जुळवणी आणि हालचाली विश्लेषणावर अवलंबून असतात. आमचा दृष्टिकोन या पारंपारिक दृष्टिकोनाच्या पलीकडे जातो आणि सुसंगत सिमेंटिक अर्थ लावणीसाठी प्रत्येक अवयव घटकांवर अवकाशीय आणि कार्यात्मक निर्बंध लागू करतो. अशा प्रकारच्या मर्यादा आपल्याला वस्तू आणि कृती ओळखण्यास मदत करतात जेव्हा देखावा पुरेसा भेदभाव करीत नाही. आम्ही अशा प्रकारच्या मर्यादांचा वापर स्थिर प्रतिमांमधून क्रिया ओळखण्यासाठी कोणत्याही हालचालीची माहिती न वापरता करतो. |
321f14b35975b3800de5e66da64dee96071603d9 | अनेक मशीन लर्निंग अॅप्लिकेशन्समध्ये फीचर सिलेक्शन हा एक महत्त्वाचा घटक आहे. विशेषतः बायोइन्फॉर्मेटिक्सच्या अनेक कामांमध्ये, अर्थपूर्ण वैशिष्ट्ये काढण्यासाठी आणि गोंगाट करणाऱ्यांना दूर करण्यासाठी कार्यक्षम आणि मजबूत वैशिष्ट्य निवड पद्धतींची आवश्यकता असते. या पेपरमध्ये आम्ही नुकसानीच्या फंक्शन आणि रेग्युलरायझेशन या दोन्हीवर संयुक्त ∀2,1-नॉर्म कमीतकमी करण्यावर भर देणारी एक नवीन मजबूत वैशिष्ट्य निवड पद्धत प्रस्तावित करतो. ∀2,1-नॉर्म आधारित नुकसान फंक्शन डेटा पॉईंट्समध्ये आउटलाइर्ससाठी मजबूत आहे आणि ∀2,1 नॉर्म रेग्युलरायझेशन सर्व डेटा पॉईंट्समध्ये संयुक्त स्पार्सिटीसह वैशिष्ट्ये निवडते. एक कार्यक्षम अल्गोरिदम प्रमाणीकृत अभिसरण सह सादर केले जाते. आमच्या परताव्यावर आधारित उद्दीष्टाने वैशिष्ट्य निवड प्रक्रिया अधिक कार्यक्षम बनते. जीनोमिक आणि प्रोटेमिक बायोमार्करच्या शोधासाठी आमची पद्धत वापरली गेली आहे. आमच्या वैशिष्ट्य निवड पद्धतीची कार्यक्षमता दर्शविण्यासाठी सहा डेटा सेटवर व्यापक अनुभवजन्य अभ्यास केले जातात. |
9b505dd5459fb28f0136d3c63793b600042e6a94 | आम्ही मल्टीमीडिया सामग्रीचे विश्लेषण आणि पुनर्प्राप्तीसाठी एक नवीन फ्रेमवर्क सादर करतो ज्यामध्ये दोन स्वतंत्र अल्गोरिदम असतात. प्रथम, आम्ही डेटा रँकिंगसाठी एक मजबूत लाप्लासियन मॅट्रिक्स शिकण्यासाठी स्थानिक प्रतिगमन आणि ग्लोबल संरेखण (एलआरजीए) सह रँकिंग नावाचा एक नवीन अर्ध-पर्यवेक्षित अल्गोरिदम प्रस्तावित करतो. एलआरजीएमध्ये, प्रत्येक डेटा पॉईंटसाठी, त्याच्या शेजारच्या पॉईंट्सच्या रँकिंग स्कोअरचा अंदाज लावण्यासाठी स्थानिक रेषीय रेग्रेशन मॉडेल वापरले जाते. त्यानंतर सर्व डेटा पॉईंट्समधून स्थानिक मॉडेलचे जागतिक स्तरावर संरेखित करण्यासाठी एक एकीकृत उद्दीष्ट फंक्शन प्रस्तावित केले जाते जेणेकरून प्रत्येक डेटा पॉईंटला इष्टतम रँकिंग स्कोअर नियुक्त केला जाऊ शकेल. दुसरे म्हणजे, आम्ही मल्टीमीडिया डेटा प्रतिनिधित्व परिष्कृत करण्यासाठी अर्ध-पर्यवेक्षित दीर्घकालीन प्रासंगिकता फीडबॅक (आरएफ) अल्गोरिदम प्रस्तावित करतो. प्रस्तावित दीर्घकालीन आरएफ अल्गोरिदम मल्टीमीडिया फीचर स्पेसमध्ये मल्टीमीडिया डेटा वितरण आणि वापरकर्त्यांद्वारे प्रदान केलेल्या इतिहास आरएफ माहितीचा वापर करते. एक ट्रेस रेशो ऑप्टिमायझेशन समस्या नंतर एक कार्यक्षम अल्गोरिदम द्वारे तयार केली आणि सोडविली जाते. या अल्गोरिदमचा वापर अनेक सामग्री-आधारित मल्टीमीडिया पुनर्प्राप्ती अनुप्रयोगांमध्ये करण्यात आला आहे, ज्यात क्रॉस-मीडिया पुनर्प्राप्ती, प्रतिमा पुनर्प्राप्ती आणि 3 डी मोशन / पोज डेटा पुनर्प्राप्ती समाविष्ट आहे. चार डेटा सेटवर व्यापक प्रयोगांनी अचूकता, मजबुती, स्केलेबिलिटी आणि संगणकीय कार्यक्षमता यामध्ये त्याचे फायदे दर्शविले आहेत. |
0ef550dacb89fb655f252e5b17dbd5d643eb5ac1 | आम्ही दोन मॅकाक वानरांच्या खालच्या भाग 6 (क्षेत्र F5) च्या रोस्ट्रल भागातील 532 न्यूरॉन्समधून विद्युत क्रियाकलाप नोंदविला. यापूर्वीच्या आकडेवारीनुसार या भागातील न्यूरॉन्स ध्येय-दिग्दर्शित हात आणि तोंड हालचाली दरम्यान सोडतात. आम्ही येथे F5 न्यूरॉन्सच्या नव्याने शोधलेल्या संचाचे गुणधर्म वर्णन करतो ("मिरर न्यूरॉन्स", एन = 92) जे सर्व सक्रिय झाले जेव्हा माकडाने दिलेल्या कृती केल्या आणि जेव्हा त्याने प्रयोगकर्त्याने केलेल्या समान कृतीचे निरीक्षण केले. मिरर न्यूरॉन्स, दृश्यात्मकरित्या ट्रिगर होण्यासाठी, कृतीचा एजंट आणि त्यातील ऑब्जेक्ट यांच्यात परस्परसंवादाची आवश्यकता असते. केवळ एजंट किंवा केवळ ऑब्जेक्ट (तीन-डी ऑब्जेक्ट, अन्न) पाहणे अकार्यक्षम होते. हात आणि तोंड हे सर्वात प्रभावी घटक होते. मिरर न्यूरॉन्स सक्रिय करणाऱ्यांमध्ये सर्वात जास्त क्रिया केल्या गेल्या. पकडणे, हाताळणे आणि ठेवणे. बहुतेक मिरर न्यूरॉन्समध्ये (92%) त्यांनी प्रतिसाद दिलेल्या व्हिज्युअल कृती आणि त्यांनी कोड केलेल्या मोटर प्रतिसादामध्ये स्पष्ट संबंध होता. अंदाजे 30% मिरर न्यूरॉन्समध्ये समरूपता खूपच कडक होती आणि प्रभावीपणे निरीक्षण केलेली आणि अंमलात आणलेली कृती सामान्य कृतीच्या दृष्टीने (उदा. पकडणे) आणि त्या कृतीची अंमलबजावणी कशी झाली (उदा. अचूक पकड). आम्ही असा निष्कर्ष काढतो की मिरर न्यूरॉन्स हे निरीक्षण आणि मोटर क्रियांची अंमलबजावणी करण्यासाठी एक प्रणाली तयार करतात. आम्ही या प्रणालीच्या कृती ओळखण्याच्या संभाव्य भूमिकेवर चर्चा करतो आणि एफ 5 आणि मानवी ब्रोकच्या क्षेत्रामधील प्रस्तावित समरूपतेमुळे आम्ही असे मानतो की मिरर न्यूरॉन्ससारखी जुळणारी प्रणाली मानवांमध्ये अस्तित्वात आहे आणि कृती तसेच ध्वन्यात्मक हावभावांच्या ओळखात सहभागी होऊ शकते. |
15b2c44b3868a1055850846161aaca59083e0529 | आम्ही लेबल केलेले आणि लेबल न केलेले डेटा शिकण्याची सामान्य समस्या विचारात घेतो, ज्याला अनेकदा अर्ध-पर्यवेक्षित शिक्षण किंवा ट्रान्सडक्टिव अनुमान असे म्हणतात. अर्ध-पर्यवेक्षित शिक्षणासाठी एक तत्त्वनिष्ठ दृष्टिकोन म्हणजे वर्गीकरण करणारे फंक्शन डिझाइन करणे जे ज्ञात लेबल केलेले आणि लेबल नसलेले बिंदू एकत्रितपणे प्रकट केलेल्या अंतर्गत संरचनेच्या संदर्भात पुरेसे गुळगुळीत आहे. आम्ही अशा गुळगुळीत उपाय मिळविण्यासाठी एक सोपा अल्गोरिदम सादर करतो. आमच्या पद्धतीमुळे अनेक वर्गीकरण समस्यांवर उत्साहवर्धक प्रयोगात्मक परिणाम मिळतात आणि लेबल नसलेल्या डेटाचा प्रभावी वापर दर्शवितो. |
50886d25ddd5d0d1982ed94f90caa67639fcf1a1 | |
4c2bbcb3e897e927cd390517b2036b0b9123953c | यामध्ये अवलोकन केलेल्या वास्तविक जगाच्या वस्तू दरम्यान अवकाशा-वेळातील आदिम संबंधांची संकल्पना सादर केली गेली आहे, ज्यामुळे फ्रेमवर्कची पुन्हा वापरण्याची क्षमता सुधारली आहे. त्याची उपयुक्तता दाखवण्यासाठी, BeAware चा एक नमुना! रस्ते वाहतूक व्यवस्थापनाच्या क्षेत्रात या योजनेची अंमलबजावणी करण्यात आली आहे. या नमुन्याचा आढावा आणि ऑन्टोलॉजी-ड्राइव्ह इन्फॉर्मेशन सिस्टम्सच्या विकासासाठी शिकलेले धडे हे आपले योगदान पूर्ण करतात. © २०१० एल्सवियर बी. व्ही. सर्व हक्क राखीव आहेत. ऑनलाइन उपलब्ध 18 जुलै 2010 माहितीचा ओव्हरलोड ही मोठ्या प्रमाणात नियंत्रण प्रणालीच्या मानवी ऑपरेटरसाठी एक गंभीर समस्या आहे, उदाहरणार्थ, रस्ते वाहतूक व्यवस्थापनाच्या क्षेत्रात. अशा प्रणालीचे ऑपरेटर परिस्थितीची जाणीव नसण्याचा धोका आहे, कारण विद्यमान प्रणाली ग्राफिकल यूजर इंटरफेसवर उपलब्ध माहितीच्या सादरीकरणावर लक्ष केंद्रित करतात - अशा प्रकारे गंभीर परिस्थितीची वेळेवर आणि योग्य ओळख, निराकरण आणि प्रतिबंध धोक्यात आणतात. अलिकडच्या वर्षांत, परिस्थिती जागरूकता करण्यासाठी ऑन्टोलॉजी-आधारित दृष्टिकोन, ज्यामध्ये सिमेंटिकली समृद्ध ज्ञान मॉडेल आहे, ते उदयास आले आहेत. तथापि, सध्याचे दृष्टिकोन एकतर अत्यंत डोमेन-विशिष्ट आहेत किंवा डोमेन-स्वतंत्र असल्यास, त्यांच्या पुनर्नवीनीकरणासंदर्भात कमतरता आहेत. या लेखात आम्ही बीअवेअर! च्या विकासापासून प्राप्त झालेले अनुभव मांडत आहोत. हे एक ओन्टोलॉजी-ड्राइव्ह इन्फॉर्मेशन सिस्टिमचे फ्रेमवर्क आहे ज्याचा उद्देश ऑपरेटरची परिस्थिती जागरूकता वाढविणे हा आहे. डोमेन-स्वतंत्र पद्धतींच्या विरूद्ध, सावध व्हा! |
abf9ee52b29f109f5dbf6423fbc0d898df802971 | |
a31e3b340f448fe0a276b659a951e39160a350dd | सामान्य माहिती प्रणाली (आयएस) आणि काही प्रकारच्या माहिती तंत्रज्ञान (आयटी) अनुप्रयोगांबद्दल वापरकर्त्याच्या समाधानाचा सखोल अभ्यास आयएस संशोधनात करण्यात आला आहे. पोर्टल तंत्रज्ञानाचा व्यापक आणि वाढता वापर झाल्यामुळे पोर्टलच्या वापराबाबत वापरकर्त्यांच्या समाधानाचा अभ्यास करण्याची गरज आहे. विशेषतः बिझनेस टू एम्प्लॉईज (बी2ई) पोर्टलवर. या पेपरमध्ये, आम्ही बी 2 ई पोर्टल वापरकर्त्याच्या समाधानाचे निर्धारण करण्यासाठी एक संकल्पनात्मक मॉडेल प्रस्तावित करतो, जे वापरकर्त्याच्या समाधानाच्या स्केल आणि बी 2 ई पोर्टलच्या विस्तृत साहित्याचा आढावा घेण्यात आला आहे. बी2ई पोर्टल वापरकर्त्यांच्या समाधानाचे नऊ पैलू ओळखले गेले आहेत आणि त्यांचे मॉडेलिंग केले गेले आहे: माहिती सामग्री, वापरण्याची सोय, प्रवेश सोयी, वेळेवरपणा, कार्यक्षमता, सुरक्षा, गोपनीयता, संवाद आणि लेआउट. |
0848827ba30956e29d7d126d0a05e51660094ebe | इंटरनेट ऑफ थिंग्स (आयओटी) स्वयंचलित प्रणालीचे व्यवस्थापन आणि नियंत्रणात क्रांती घडवून आणत आहे ज्यामुळे स्मार्ट घरे, स्मार्ट शहरे, आरोग्य सेवा, वाहतूक इत्यादी क्षेत्रात नमुना बदल झाला आहे. युद्धक्षेत्रातील लष्करी कारवायांची कार्यक्षमता वाढविण्यात आयओटी तंत्रज्ञानाची महत्त्वपूर्ण भूमिका असेल. युद्धक्षेत्रातील उपकरणे आणि इतर युद्धक्षेत्रातील संसाधनांचे समन्वयित स्वयंचलित निर्णयांसाठी परस्पर जोडणीला युद्धक्षेत्रातील इंटरनेट ऑफ थिंग्स (आयओबीटी) असे म्हटले जाते. आयओबीटी नेटवर्क हे पारंपरिक आयओटी नेटवर्कपेक्षा वेगळे आहेत कारण युद्धक्षेत्रातील विशिष्ट आव्हाने जसे की संप्रेषण पायाभूत सुविधांची अनुपस्थिती आणि डिव्हाइस सायबर आणि भौतिक हल्ल्यांना असुरक्षित आहेत. युद्ध परिस्थितीत लढण्याची कार्यक्षमता आणि समन्वयित निर्णय घेणे हे रिअल-टाइम डेटा संकलनावर अवलंबून असते, जे नेटवर्कच्या कनेक्टिव्हिटीवर आणि विरोधकांच्या उपस्थितीत माहितीच्या प्रसारावर अवलंबून असते. या कामाचा उद्देश सुरक्षित आणि पुनर्रचना करण्यायोग्य आयओबीटी नेटवर्कच्या डिझाइनचे सैद्धांतिक पाया तयार करणे आहे. स्टोकास्टिक भूमिती आणि गणितीय महामारीशास्त्राच्या सिद्धांतांचा उपयोग करून आम्ही विविध प्रकारच्या नेटवर्क उपकरणांमधील मिशन-क्रिटिकल डेटाच्या संप्रेषणाचा अभ्यास करण्यासाठी एकात्मिक फ्रेमवर्क विकसित करतो आणि परिणामी नेटवर्कची रचना खर्च प्रभावी पद्धतीने करतो. |
32e876a9420f7c58a3c55ec703416c7f57a54f4c | संभाव्यतावादी ग्राफिकल मॉडेल, विश्वास नेटवर्क, कारण प्रभाव आणि संभाव्यतावादी अनुमान या सतत वाढत्या क्षेत्रातल्या बहुतेक संशोधकांसाठी, एसीएम ट्युरिंग पुरस्कार विजेते डॉ. पर्ल आणि त्याचे कारण आणि कारण यावरील सेमिनार पेपर सुप्रसिद्ध आणि मान्य आहेत. कारण आणि परिणाम यांचे प्रतिनिधित्व आणि निर्धारण, एक घटना (कारण) आणि दुसरी घटना (परिणाम) यांच्यातील संबंध, जिथे दुसरी घटना पहिल्याच्या परिणामी समजली जाते, ही एक आव्हानात्मक समस्या आहे. गेल्या काही वर्षांत डॉ. पर्ल यांनी कारण आणि परिणाम या दोन्ही विषयांवर लक्षणीय लिखाण केले आहे. "कारणत्व: मॉडेल, तर्क आणि निष्कर्ष" या पुस्तकात, बेयसीयन विश्वास नेटवर्कचे आविष्कारक त्याच्या पूर्वीच्या कामावर चर्चा करतात आणि विस्तृत करतात परंतु कारणे आणि परिणामासह तर्क करणे, सांख्यिकीय मध्ये कारणे, सिम्पसनचा विरोधाभास, अनुभवजन्य संशोधनासाठी कारणे आकृती, कारणे दाव्यांची मजबुती, कारणे आणि स्पष्टीकरण आणि कारणे आणि ओळखण्याची शक्यता यासह मर्यादित नाही. |
a04145f1ca06c61f5985ab22a2346b788f343392 | मागील दीड दशकात माहिती प्रणालीच्या यशामध्ये योगदान देणारे घटक ओळखण्याचा प्रयत्न करून मोठ्या संख्येने अभ्यास केले गेले आहेत. तथापि, या अभ्यासातील अवलंबून असलेले चल - आय / एस यश - परिभाषित करणे कठीण आहे. वेगवेगळ्या संशोधकांनी यशाचे वेगवेगळे पैलू हाताळले आहेत, ज्यामुळे तुलना करणे कठीण झाले आहे आणि आय / एस संशोधनासाठी संचयी परंपरा तयार करण्याची शक्यता देखील तशीच अशक्य आहे. या विविध संशोधनाचे आयोजन करण्यासाठी तसेच आय / एस यशाच्या संकल्पनेचे अधिक एकात्मिक दृश्य सादर करण्यासाठी, एक व्यापक वर्गीकरण सादर केले जाते. या वर्गीकरणात आय/एस यशाचे सहा प्रमुख आयाम किंवा श्रेणी आहेत- सिस्टीम ओव्हरआलिटी, माहिती गुणवत्ता, वापर, वापरकर्त्याचे समाधान, वैयक्तिक प्रभाव आणि संघटनात्मक प्रभाव. या परिमाणांचा वापर करून, संकल्पनात्मक आणि अनुभवजन्य अभ्यास या दोन्हीचा आढावा घेतला जातो (एकूण 180 लेख उद्धृत केले जातात) आणि वर्गीकरणाच्या परिमाणांनुसार आयोजित केले जातात. अखेरीस, आय/एस यशाचे अनेक पैलू एका वर्णनात्मक मॉडेलमध्ये एकत्र आणले गेले आहेत आणि भविष्यातील आय/एस संशोधनासाठी त्याचे परिणाम चर्चा केले आहेत. |
a99f1f749481e44abab0ba9a8b7c1d3572a2e465 | |
5c8bb027eb65b6d250a22e9b6db22853a552ac81 | |
3913d2e0a51657a5fe11305b1bcc8bf3624471c0 | नैसर्गिक भाषा प्रक्रियेमध्ये प्रतिनिधित्व शिकणे ही एक मूलभूत समस्या आहे. या पेपरमध्ये मजकूर वर्गीकरणासाठी संरचित प्रतिनिधित्व कसे शिकले जाते याचा अभ्यास केला जातो. बहुतेक विद्यमान प्रतिनिधित्व मॉडेलच्या विपरीत जे एकतर कोणतीही रचना वापरत नाहीत किंवा पूर्व-निर्दिष्ट केलेल्या रचनांवर अवलंबून असतात, आम्ही एक सुदृढीकरण शिक्षण (आरएल) पद्धत प्रस्तावित करतो जेणेकरून वाक्य प्रतिनिधित्व स्वयंचलितपणे ऑप्टिमाइझ केलेल्या रचनांचा शोध घेऊन शिकता येईल. आम्ही संरचित प्रतिनिधित्व तयार करण्यासाठी दोन प्रयत्न दर्शवितो: माहिती डिस्टिल्ड एलएसटीएम (आयडी-एलएसटीएम) आणि पदानुक्रमित संरचित एलएसटीएम (एचएस-एलएसटीएम). आयडी-एलएसटीएम केवळ महत्वाचे, कामाशी संबंधित शब्द निवडते आणि एचएस-एलएसटीएम वाक्यातील वाक्यांची रचना शोधते. दोन प्रतिनिधित्व मॉडेलमध्ये संरचना शोध एक अनुक्रमिक निर्णय समस्या म्हणून तयार केली गेली आहे: संरचना शोधण्याचा सध्याचा निर्णय पुढील निर्णयांवर परिणाम करतो, ज्यास पॉलिसी ग्रेडियंट आरएलद्वारे संबोधित केले जाऊ शकते. परिणाम दर्शवतात की आमची पद्धत स्पष्ट स्ट्रक्चर एनोटेशनशिवाय महत्वाचे शब्द किंवा कार्य-संबंधित संरचना ओळखून कार्य-अनुकूल प्रतिनिधित्व शिकू शकते आणि अशा प्रकारे स्पर्धात्मक कामगिरी मिळवते. |
599ebeef9c9d92224bc5969f3e8e8c45bff3b072 | वर्ल्ड वाइड वेबच्या विस्फोटक वाढीमुळे आणि ई-कॉमर्सच्या उदयामुळे शिफारस प्रणाली विकसित झाल्या आहेत - एक वैयक्तिकृत माहिती फिल्टरिंग तंत्रज्ञान जे विशिष्ट वापरकर्त्यासाठी स्वारस्य असलेल्या वस्तूंचा संच ओळखण्यासाठी वापरले जाते. युजर-बेस्ड कोलाबोरेटिव्ह फिल्टरिंग हे आतापर्यंतचे सर्वात यशस्वी तंत्रज्ञान आहे आणि अनेक व्यावसायिक सिस्टीममध्ये याचा मोठ्या प्रमाणात वापर केला जातो. दुर्दैवाने, या पद्धतींची संगणकीय जटिलता ग्राहकांच्या संख्येसह रेषात्मकपणे वाढते, जे ठराविक व्यावसायिक अनुप्रयोगांमध्ये कित्येक दशलक्ष असू शकते. या स्केलेबिलिटीच्या समस्या सोडवण्यासाठी मॉडेल आधारित शिफारसी तंत्र विकसित केले गेले आहे. या तंत्रांमध्ये वापरकर्ता-आयटम मॅट्रिक्सचे विश्लेषण करून वेगवेगळ्या आयटममधील संबंध शोधले जातात आणि शिफारसींची यादी गणना करण्यासाठी या संबंधांचा वापर केला जातो. या लेखात, आम्ही अशा प्रकारच्या मॉडेल-आधारित शिफारसी अल्गोरिदमचा एक वर्ग सादर करतो जे प्रथम विविध आयटममधील समानता निर्धारित करते आणि नंतर शिफारस करण्याच्या आयटमचा संच ओळखण्यासाठी त्यांचा वापर करते. या वर्गातील अल्गोरिदमची मुख्य पायरी म्हणजे (i) आयटममधील समानता गणना करण्यासाठी वापरली जाणारी पद्धत आणि (ii) आयटमची बास्केट आणि उमेदवार शिफारस आयटममधील समानता गणना करण्यासाठी या समानता एकत्रित करण्यासाठी वापरली जाणारी पद्धत. आमच्या प्रयोगात्मक मूल्यांकनावरून आठ वास्तविक डेटासेटवर हे दिसून आले आहे की हे आयटम-आधारित अल्गोरिदम पारंपारिक वापरकर्ता-पॉइंट-आधारित शिफारस प्रणालीपेक्षा दोन ऑर्डर वेगवान आहेत आणि तुलनात्मक किंवा चांगल्या गुणवत्तेच्या शिफारसी प्रदान करतात. |
01a8909330cb5d4cc37ef50d03467b1974d6c9cf | या आढावामध्ये स्वायत्त बहु-हात असलेल्या रोबोटिक हातांनी 3 डी ऑब्जेक्ट ग्रॅप्स तयार करण्यासाठी संगणकीय अल्गोरिदम सादर केले आहेत. रोबोटिक पकडणे हा अनेक दशकांपासून सक्रिय संशोधन विषय आहे आणि पकड संश्लेषण अल्गोरिदमवर खूप प्रयत्न केले गेले आहेत. विद्यमान कागदपत्रे पकडण्याच्या यांत्रिकीचा आढावा घेण्यावर आणि बोट-ऑब्जेक्ट संपर्क संवाद []] किंवा रोबोट हँड डिझाइन आणि त्यांचे नियंत्रण []] यावर लक्ष केंद्रित करतात. रोबोट पकड संश्लेषण अल्गोरिदमचा आढावा [६३] मध्ये घेण्यात आला आहे, परंतु तेव्हापासून शिकण्याच्या तंत्राचा वापर करून पकड समस्येवर लागू करण्याच्या दिशेने महत्त्वपूर्ण प्रगती झाली आहे. या आढावा विश्लेषणात्मक तसेच अनुभवजन्य समज संश्लेषण पध्दती लक्ष केंद्रित केले आहे. |
4e03cadf3095f8779eaf878f0594e56ad88788e2 | |
a63c3f53584fd50e27ac0f2dcbe28c7361b5adff | आरएफ, मायक्रोवेव्ह आणि मिलिमीटर वेव्ह अनुप्रयोगांसाठी सिलिकॉन नवीन शक्यता आणि आव्हाने प्रदान करते. SiGe हेटरोजंक्शन बायपोलर ट्रान्झिस्टरची उच्च कटऑफ फ्रिक्वेन्सी आणि MOSFET चे सतत कमी होणारे फीचर आकार खूप आश्वासक आहेत, परंतु या तंत्रज्ञानाच्या वास्तविकतेशी सामना करण्यासाठी नवीन डिझाइन तंत्रज्ञानाची आवश्यकता आहे, जसे की कमी ब्रेकडाउन व्होल्टेज, लॉसी सब्सट्रेट्स, कमी-क्यू निष्क्रिय, लांब इंटरकनेक्ट परजीवी आणि उच्च-वारंवारता जोडणी समस्या. सिलिकॉनमध्ये पूर्ण प्रणाली एकत्रीकरणाचे उदाहरण म्हणून, हा पेपर 0.18- / स्प्लर म्यू / एम सिलिकॉन-जर्मनियममध्ये प्रथम पूर्णपणे समाकलित 24-जीएचझेड आठ-घटक टप्प्याटप्प्याने अॅरे रिसीव्हर आणि 0.18- / स्प्लर म्यू / एम सीएमओएसमध्ये समाकलित पॉवर अॅम्प्लिफायर्ससह प्रथम पूर्णपणे समाकलित 24-जीएचझेड चार-घटक टप्प्याटपाने अॅरे ट्रान्समीटर सादर करतो. प्रेषक आणि प्राप्तकर्ता बीम तयार करण्यास सक्षम आहेत आणि ते संप्रेषण, श्रेणी, स्थिती आणि सेन्सिंग अनुप्रयोगांसाठी वापरले जाऊ शकतात. |
64da24aad2e99514ab26d093c19cebec07350099 | जागतिक इंटरनेट नेटवर्क, खोल अंतराळ अन्वेषण आणि एरोस्पेस संशोधन प्रयत्नांसाठी पर्यायी उपाय म्हणून व्यावसायिक उपक्रमांमध्ये क्यूबॅट प्लॅटफॉर्म वाढत्या प्रमाणात लोकप्रिय होत आहेत. अनेक तंत्रज्ञान कंपन्या आणि प्रणाली अभियंते जागतिक लो अर्थ ऑर्बिट (एलईओ) आंतर-उपग्रह नक्षत्रांचा भाग म्हणून लहान उपग्रह प्रणाली अंमलात आणण्याची योजना आखत आहेत. या प्रयत्नांना चालना देण्यासाठी उच्च कार्यक्षमतेचे कमी किमतीचे हार्डवेअर महत्वाचे आहे. या पेपरमध्ये हेटरोडीन आर्किटेक्चर आणि कामगिरीची माहिती देण्यात आली आहे. ही माहिती नॅनो/मायक्रोसॅटेलाइट किंवा इतर उपग्रह प्रणालीमध्ये हाय डेटा रेट स्पेस कम्युनिकेशन सिस्टीमसाठी कमी किमतीचे उपाय म्हणून लागू केली जाऊ शकते. मॉड्यूल एक 0.9 ते 1.1 GHz IF इनपुट सिग्नल रूपांतरित करते जेणेकरून 26.7 ते 26.9 GHz वारंवारता श्रेणीमध्ये +29 डीबीएमचे रेषीय प्रसारण प्रदान करते ज्यामध्ये अंगभूत फेज लॉक केलेला ऑस्सिलेटर, एकात्मिक ट्रान्समीटर, ध्रुवीकरणकर्ता आणि लेन्स सुधारित अँटेना आहे. |
0b44fcbeea9415d400c5f5789d6b892b6f98daff | या लेखात, आम्ही अशा मोठ्या भाषेच्या संचिका तयार करण्याच्या आमच्या अनुभवाचा आढावा घेतो. पेन ट्रीबँक, अमेरिकन इंग्रजीतील ४.५ दशलक्ष शब्दांचा एक संचिका. पेन ट्रीबँक प्रोजेक्टच्या पहिल्या तीन वर्षांच्या टप्प्यात (1989-1992) या कॉर्पसमध्ये भाषेच्या काही भागांसाठी (पीओएस) माहिती दिली गेली आहे. याव्यतिरिक्त, अर्ध्याहून अधिक भागांमध्ये अस्थिबंधीय वाक्यरचना रचनासाठी टिपण्णी केली गेली आहे. टिप्पण्या पेनसिल्वेनिया विद्यापीठातील संगणक आणि माहिती विज्ञान विभाग तांत्रिक अहवाल क्रमांक एमएससीआयएस -93-87 हा तांत्रिक अहवाल ScholarlyCommons येथे उपलब्ध आहे: http://repository.upenn.edu/cis_reports/237 Building A Large Annotated Corpus of English: The Penn Treebank MS-CIS-93-87 LINC LAB 260 Mitchell P. Marcus Beatrice Santorini Mary Ann Marcinkiewicz पेनसिल्वेनिया विद्यापीठातील अभियांत्रिकी आणि उपयोजित विज्ञान संगणक आणि माहिती विज्ञान विभाग फिलाडेल्फिया, पीए 19104-6389 |
7c70c29644ff1d6dd75a8a4dd0556fb8cb13549b | आम्ही एक नवीन तंत्रज्ञान सादर करतो ज्यामध्ये मायक्रोवेव्ह अनुप्रयोगांसाठी अनुरूप आणि लवचिक सब्सट्रेट तयार केले जातात. उत्पादित साहित्य सिरेमिक पावडर आणि पॉलिमर एकत्र करून तयार केले जातात जेणेकरून उच्च-विरोधी सब्सट्रेट तयार होईल जे एकाच वेळी लवचिक (बेंड करण्यायोग्य) आहे. अशा अनेक पॉलिमर-सिरेमिक सब्सट्रेट्स तयार केले जातात आणि पॅच अँटेना आणि जोडलेल्या लाइन फिल्टरच्या कामगिरीची तपासणी करण्यासाठी वापरले जातात. या पेपरमध्ये सब्सट्रेट मिक्सिंग पद्धतीचा उल्लेख केला आहे, तर सब्सट्रेटच्या नुकसान कामगिरीचे मूल्यांकन करण्यासाठी मोजमाप दिले आहेत. एकूणच, तयार केलेल्या कंपोझिटमुळे लवचिक सब्सट्रेट्स तयार होतात ज्यात इप्सिव्ह = 20 पर्यंतची परवानगी असते आणि पुरेसे कमी नुकसान होते. |
85947d646623ef7ed96dfa8b0eb705d53ccb4efe | नेटवर्क फॉरेन्सिक हे असे विज्ञान आहे जे घुसखोरी शोधण्यासाठी आणि तपासणीसाठी नेटवर्क रहदारीचे कॅप्चर, रेकॉर्डिंग आणि विश्लेषण करते. या पेपरमध्ये आजपर्यंत प्रस्तावित विविध नेटवर्क फोरेंसिक फ्रेमवर्कचा सविस्तर आढावा घेण्यात आला आहे. नेटवर्क फॉरेंसिकसाठी एक सर्वसामान्य प्रक्रिया मॉडेल प्रस्तावित आहे जे डिजिटल फॉरेंसिकच्या विविध विद्यमान मॉडेलवर आधारित आहे. नेटवर्क फॉरेंसिक्सची व्याख्या, वर्गीकरण आणि प्रेरणा स्पष्टपणे नमूद केली आहे. न्यायवैद्यक परीक्षकांसाठी उपलब्ध असलेल्या विविध नेटवर्क फोरेंसिक विश्लेषण साधने (एनएफएटी) आणि नेटवर्क सुरक्षा देखरेख साधनांच्या कार्यक्षमतेवर चर्चा केली जाते. अंमलबजावणीच्या चौकटीत, प्रक्रिया मॉडेल आणि विश्लेषण साधनांमध्ये असलेल्या विशिष्ट संशोधन त्रुटी ओळखल्या जातात आणि प्रमुख आव्हानांना ठळक केले जाते. या कामाचे महत्त्व असे आहे की ते नेटवर्क फॉरेंसिक्सचे एक विहंगावलोकन सादर करते ज्यामध्ये साधने, प्रक्रिया मॉडेल आणि फ्रेमवर्क अंमलबजावणी समाविष्ट आहे, जे या आगामी आणि तरुण शाखेचा शोध घेण्यासाठी सुरक्षा व्यावसायिकांना आणि संशोधकांना खूप उपयुक्त ठरेल. एल्सवियर लिमिटेड २०१० सर्व हक्क राखीव आहेत. |
7d98dce77cce2d0963a3b6566f5c733ad4343ce4 | या अभ्यासात डेव्हिस (१९८९) च्या टीएएम मॉडेल आणि स्ट्राब (१९९४) च्या एसपीआयआर परिशिष्टाचा विस्तार आयटी प्रसार मॉडेलमध्ये लिंग जोडून केला गेला आहे. तंत्रज्ञान स्वीकृती मॉडेल (टीएएम) चा आयएस संशोधनात आयएस-प्रकार आणि राष्ट्रीयतेमध्ये माहिती प्रणालीच्या वापराचे स्पष्टीकरण म्हणून मोठ्या प्रमाणात अभ्यास केला गेला आहे. या संशोधनाने सांस्कृतिक अंतर आढळले असले तरी, सामाजिक-भाषिक संशोधनात लिंग हा संस्कृतीचा एक मूलभूत पैलू आहे. खरे तर, समाजशास्त्रीय संशोधनात असे दिसून आले आहे की पुरुष वर्गावर आणि स्वातंत्र्यावर भाषण केंद्रित करतात तर स्त्रिया जवळीक आणि एकात्मतेवर लक्ष केंद्रित करतात. या साहित्यामुळे माहिती तंत्रज्ञान प्रसार संशोधन आणि तंत्रज्ञान स्वीकृती मॉडेलला संकल्पनात्मक विस्तारासाठी एक ठोस आधार उपलब्ध होतो. या अभ्यासात लैंगिक मतभेद तपासण्यात आले आहेत. यामध्ये संगणक आधारित माध्यमांच्या वापराशी संबंधित असलेले मत आणि मत यांचा समावेश आहे. या अभ्यासात 392 महिला आणि पुरुषांच्या प्रश्नांची चाचणी घेण्यात आली. उत्तर अमेरिका, आशिया आणि युरोपमधील विमान वाहतूक उद्योगातील ई-मेल प्रणाली वापरणार्या ज्ञान कामगारांच्या तुलनेत या गटांचा समावेश आहे. अभ्यासातील निष्कर्ष असे दर्शवतात की महिला आणि पुरुष त्यांच्या समजात भिन्न आहेत परंतु ई-मेलच्या वापरामध्ये नाही. या निष्कर्षावरून असे दिसून येते की संशोधकांनी इतर सांस्कृतिक प्रभावांसह आयटी प्रसार मॉडेलमध्ये लिंग समाविष्ट केले पाहिजे. मॅनेजर आणि सहकारी यांना हे लक्षात घ्यावे लागेल की संवादाची हीच पद्धत लिंगानुसार वेगळी समजली जाऊ शकते, ज्यामुळे अधिक अनुकूल संप्रेषण वातावरण तयार केले जाऊ शकते, असे वातावरण जे केवळ संस्थात्मक संदर्भातील घटकच नव्हे तर वापरकर्त्यांचे लिंग देखील विचारात घेते. या वातावरणात निर्माण करणे म्हणजे केवळ संवादाच्या माध्यमांचा प्रत्यक्ष वापर करणे नव्हे तर संवादाच्या माध्यमांवर संघटनात्मक प्रशिक्षण देणे. |
2599131a4bc2fa957338732a37c744cfe3e17b24 | प्रशिक्षण पद्धती आणि निर्णय सीमा यांच्यातील मार्जिन वाढविणारा एक प्रशिक्षण अल्गोरिदम सादर केला आहे. हे तंत्र अनेक प्रकारच्या वर्गीकरण फंक्शन्ससाठी लागू आहे, ज्यात पर्सेप्ट्रॉन, बहुपद आणि रेडियल बेस फंक्शन्स यांचा समावेश आहे. परिमाणांची प्रभावी संख्या समस्येच्या जटिलतेशी जुळवून घेत स्वयंचलितपणे समायोजित केली जाते. या सोल्यूशनला आधार देणाऱ्या पॅटर्नच्या रेषेच्या संयोजनात व्यक्त केले जाते. हे प्रशिक्षण पद्धतींचे उपसंच आहेत जे निर्णयाच्या सीमेजवळ आहेत. एक-बाहेर-जाण्याची पद्धत आणि व्हीसी-आयामावर आधारित सामान्यीकरण कामगिरीची मर्यादा दिली आहे. ऑप्टिकल कॅरेक्टर रिकग्निशनच्या समस्येवरील प्रयोगात्मक परिणाम इतर शिक्षण अल्गोरिदमशी तुलना करता प्राप्त झालेल्या चांगल्या सामान्यीकरण दर्शवतात. |
68c29b7bf1811f941040bba6c611753b8d756310 | आधुनिक कार नेटवर्क संगणकाद्वारे नियंत्रित केली जाते. या नेटवर्कची सुरक्षा ऐतिहासिकदृष्ट्या फारशी चिंताजनक नव्हती, परंतु संशोधकांनी अलिकडच्या वर्षांत त्यांच्यावर हल्ला करण्याच्या अनेक भेद्यता दर्शविल्या आहेत. या हल्ल्यांविरोधात संरक्षण म्हणून, आम्ही ऑटोमोटिव्ह कंट्रोलर एरिया नेटवर्क (सीएएन) बससाठी एक विसंगती डिटेक्टरचे मूल्यांकन करतो. बहुतेक हल्ले नेटवर्कमध्ये अतिरिक्त पॅकेट्स घालण्यावर आधारित असतात. पण बहुतेक सामान्य पॅकेट्स एका विशिष्ट वारंवारतेवर येतात. यामुळे एक विसंगती डिटेक्टर तयार होतो जो वर्तमान आणि ऐतिहासिक पॅकेट वेळेची तुलना करतो. आम्ही एक अल्गोरिदम सादर करतो जो स्लाइडिंग विंडोवर आंतर-पॅकेट वेळेची मोजमाप करतो. असामान्य सिग्नल मिळवण्यासाठी सरासरी वेळेची तुलना ऐतिहासिक सरासरीशी केली जाते. आम्ही या दृष्टिकोनाचे मूल्यांकन करतो आणि त्याच्या प्रभावीतेची मर्यादा दर्शवितो. आम्ही हे देखील दाखवतो की पॅकेटच्या डेटा सामग्रीचे समान मापन अपवाद ओळखण्यासाठी प्रभावी नाही. शेवटी आम्ही दाखवतो की एक वर्ग समर्थन वेक्टर मशीन उच्च विश्वासाने विसंगती शोधण्यासाठी समान माहिती कशी वापरू शकते. |
c43d8a3d36973e3b830684e80a035bbb6856bcf7 | प्रतिमेच्या सुपर-रिझोल्यूशन (एसआर) साठी संवितरण न्यूरल नेटवर्क (सीएनएन) खोली अत्यंत महत्वाची आहे. परंतु, आम्ही पाहतो की इमेज एसआरसाठी खोल जाळे प्रशिक्षित करणे अधिक कठीण आहे. कमी रिझोल्यूशन इनपुट आणि वैशिष्ट्यांमध्ये भरपूर प्रमाणात कमी वारंवारता माहिती असते, ज्याला चॅनेलवर समानपणे हाताळले जाते, यामुळे सीएनएनच्या प्रतिनिधित्वक्षमतेस अडथळा आणला जातो. या समस्या सोडवण्यासाठी आम्ही आरसीएएन (अत्यंत खोल अवशिष्ट चॅनेल लक्ष नेटवर्क) प्रस्तावित करतो. विशेष म्हणजे, आम्ही एक अवशिष्ट अवशिष्ट (आरआयआर) रचना प्रस्तावित करतो ज्यामध्ये खूप खोल नेटवर्क तयार केले जाते, ज्यात अनेक अवशिष्ट गट आहेत ज्यात लांब स्किप कनेक्शन आहेत. प्रत्येक अवशिष्ट गटात काही अवशिष्ट ब्लॉक्स असतात ज्यात लहान स्किप कनेक्शन असतात. दरम्यान, आरआयआरमुळे बहुसंख्य कमी-वारंवारता माहिती एकाधिक स्किप कनेक्शनद्वारे वगळली जाऊ शकते, ज्यामुळे मुख्य नेटवर्क उच्च-वारंवारता माहिती शिकण्यावर लक्ष केंद्रित करते. याव्यतिरिक्त, आम्ही चॅनेलमधील परस्पर अवलंबित्व विचारात घेऊन चॅनेल-वार वैशिष्ट्यांचे अनुकूलीतपणे पुनरावृत्ती करण्यासाठी चॅनेल लक्ष देण्याची यंत्रणा प्रस्तावित करतो. व्यापक प्रयोगांमधून हे दिसून आले आहे की, आरसीएएनमुळे अत्याधुनिक पद्धतींपेक्षा अधिक अचूकता आणि दृश्य सुधारणा मिळते. |
77768638f4f400272b6e5970596b127663471538 | पार्श्वभूमी संशोधन पुराव्यांचे संश्लेषण करण्यासाठी स्कोपिंग पुनरावलोकन हा एक लोकप्रिय दृष्टीकोन बनला आहे. हा एक तुलनेने नवीन दृष्टिकोन आहे ज्यासाठी सार्वत्रिक अभ्यास व्याख्या किंवा अंतिम प्रक्रिया स्थापित केली गेली नाही. या स्कोपिंग पुनरावलोकनाचा उद्देश साहित्यातील स्कोपिंग पुनरावलोकनांचा आढावा प्रदान करणे हा होता. आर्कसे आणि ओ मॅली फ्रेमवर्कचा वापर करून एक स्कोपिंग पुनरावलोकन करण्यात आले. चार ग्रंथसंग्रह आणि ग्रे साहित्य यामध्ये शोध घेण्यात आला. पूर्व-परीक्षण केलेल्या फॉर्मचा वापर करून दोन स्वतंत्र समीक्षकांनी पुनरावलोकन निवड आणि वैशिष्ट्यीकरण केले. निकाल शोधात 1999 ते ऑक्टोबर 2012 पर्यंत प्रकाशित झालेल्या 344 स्कोपिंग पुनरावलोकनांची ओळख झाली. या पुनरावलोकनांचा उद्देश, पद्धती आणि तपशीलवार अहवाल या बाबतीत फरक होता. जवळपास तीन चतुर्थांश आढावा (74.1%) आरोग्यविषयक विषयावर आधारित होते. अभ्यास पूर्ण होण्याची वेळ 2 आठवड्यांपासून ते 20 महिन्यांपर्यंत होती आणि 51% अभ्यास प्रकाशित पद्धतीच्या चौकटीचा वापर करत होते. समाविष्ट केलेल्या अभ्यासाचे गुणवत्ता मूल्यांकन क्वचितच केले गेले (22. 38%) निष्कर्ष स्कोपिंग पुनरावलोकने हे एक नवीन पण व्यापक विषयांचे मॅपिंग करण्यासाठी वाढत्या प्रमाणात सामान्य दृष्टिकोन आहे. त्यांच्या आचरणात बदल झाल्यामुळे, पुराव्याची उपयुक्तता आणि सामर्थ्य सुनिश्चित करण्यासाठी त्यांच्या पद्धतीत्मक मानकीकरणाची आवश्यकता आहे. |
4c5815796c29d44c940830118339e276f741d34a | घरगुती आणि औद्योगिक क्षेत्रात रोबोट सहाय्यक आणि व्यावसायिक सहकारी ही एक वस्तू बनत आहेत. रोबोटला मानवी कार्यक्षेत्रात सामायिक करण्यास आणि त्यांच्याशी शारीरिक संवाद साधण्यास सक्षम करण्यासाठी रोबोटच्या संपूर्ण संरचनेवर संभाव्य टक्करची जलद आणि विश्वासार्ह हाताळणी करणे आवश्यक आहे, तसेच रोबोटच्या सुरक्षित प्रतिक्रियेसाठी नियंत्रण धोरणे आवश्यक आहेत. याचे मुख्य उद्दीष्ट शारीरिक संपर्कामुळे होणाऱ्या मानवी दुखापतीचे प्रतिबंध करणे किंवा मर्यादित करणे हे आहे. या सर्वेक्षणात, या विषयावरील आमच्या सुरुवातीच्या कामावर आधारित, आम्ही रिअल-टाइम टक्कर शोध, अलगाव आणि ओळख यासाठी प्रायोगिक मॉडेल-आधारित अल्गोरिदमचे पुनरावलोकन, विस्तार, तुलना आणि मूल्यांकन करतो जे केवळ प्रोप्रोसेप्टिव सेन्सर्स वापरतात. यामध्ये पर्यावरणावर परिणाम करणाऱ्या रोबोट्सच्या टक्कर इव्हेंट पाइपलाइनच्या संदर्भ-स्वतंत्र टप्प्यांचा समावेश आहे, जसे की भौतिक मानव-रोबोट परस्परसंवाद किंवा हेरफेर कार्ये. या समस्येचे निराकरण प्रथम कठोर रोबोट्ससाठी केले जाते आणि नंतर संयुक्त / प्रसारण लवचिकतेच्या उपस्थितीवर विस्तारित केले जाते. भौतिकदृष्ट्या प्रेरित मूलभूत उपाय आधीच जगभरातील असंख्य रोबोटिक प्रणालींमध्ये लागू केला गेला आहे, ज्यात मॅनिपुलेटर आणि ह्युमॅनोइड्सपासून उड्डाण करणारे रोबोट्स आणि अगदी व्यावसायिक उत्पादनांपर्यंत आहे. |
4e3a22ed94c260b9143eee9fdf6d5d6e892ecd8f | |
e18fa8c8f402c483b2c3eaaa89192fe99e80abd5 | अनेक अभ्यासातून असे दिसून आले आहे की, प्रसिद्ध झालेल्या बातम्यांचा शेअर बाजाराच्या दिशेवर, त्याच्या अस्थिरतेवर, व्यवहारांच्या प्रमाणावर आणि बातम्यांमध्ये नमूद केलेल्या वैयक्तिक शेअरच्या मूल्यावर महत्त्वपूर्ण परिणाम होतो. काही प्रकाशित संशोधन असेही सांगते की, वृत्तपत्रे, तिमाही अहवाल, ब्लॉग आणि/किंवा ट्विटर डेटाचे स्वयंचलित भावनिक विश्लेषण हे ट्रेडिंग धोरणाचा भाग म्हणून उत्पादकतेने वापरले जाऊ शकते. या पेपरमध्ये ट्रेडिंग धोरणांचे असेच एक कुटुंब सादर केले आहे आणि नंतर त्यांच्या अनुप्रयोगाच्या संदर्भात असूनही, सेन्टिमेंट विश्लेषकांचे मूल्यांकन कसे केले जाते यामागील काही मूक गृहितकांची पुन्हा तपासणी करण्यासाठी हा अनुप्रयोग वापरतो. या विसंगतीची किंमत असते. |
050c6fa2ee4b3e0a076ef456b82b2a8121506060 | प्रतिमांमध्ये 2D बॉउंडिंग बॉक्स म्हणून वस्तू ओळखण्यात मोठी प्रगती झाली असली तरी, आच्छादित वस्तू शोधणे आणि एका प्रतिमेवरून एकाधिक वस्तूंचे 3D गुणधर्म अंदाज करणे अजूनही खूप आव्हानात्मक आहे. या पेपरमध्ये, आम्ही एक नवीन ऑब्जेक्ट प्रतिनिधित्व, 3 डी व्हॉक्सल पॅटर्न (3 डीव्हीपी) प्रस्तावित करतो, जे संयुक्तपणे ऑब्जेक्ट्सचे मुख्य गुणधर्म एन्कोड करते ज्यात देखावा, 3 डी आकार, दृश्य, ऑक्ल्यूशन आणि ट्रंकेशन समाविष्ट आहे. आम्ही 3DVP चा शोध डेटा आधारित पद्धतीने घेतो, आणि 3DVP च्या शब्दकोशासाठी विशेष डिटेक्टरची एक बॅंक तयार करतो. 3 डी व्ही पी डिटेक्टर विशिष्ट दृश्यमानता नमुन्यांसह वस्तू शोधण्यात आणि 2 डी सेगमेंटेशन मास्क, 3 डी पोज तसेच ऑक्ल्यूशन किंवा ट्रंकेशन बॉर्डर यासारख्या 3 डी व्ही पी मधून मेटा-डेटा शोधलेल्या वस्तूमध्ये हस्तांतरित करण्यास सक्षम आहेत. हस्तांतरित मेटा-डेटा आम्हाला ऑब्जेक्ट्समधील ऑक्ल्यूशन संबंधांचा निष्कर्ष काढण्याची परवानगी देते, जे त्याउलट ऑब्जेक्ट ओळखण्याचे परिणाम सुधारते. किट्टी शोध निकष [17] आणि आउटडोअर-स्केप डेटासेट [41] वर प्रयोग केले जातात. आम्ही कार शोधण्याच्या अत्याधुनिक परिणामांमध्ये सुधारणा करतो आणि लक्षणीय मार्जिनसह अंदाज लावतो (किट्टीच्या कठीण डेटामध्ये 6%). तसेच, आम्ही आमच्या पद्धतीची क्षमता तपासतो. पार्श्वभूमीवरील वस्तू अचूकपणे विभागून त्यांना 3D मध्ये स्थानिक बनवण्याची. |
1a124ed5d7c739727ca60cf11008edafa9e3ecf2 | डेटा-आधारित अर्थव्यवस्थेच्या विकासात, मोठ्या प्रमाणात, उच्च गतीच्या डेटा प्रवाहावर कार्य करण्यास सक्षम होण्यामुळे कंपन्यांना स्पर्धात्मक फायदा झाला आहे. वितरित संदेश रांगा आणि प्रवाहित प्रक्रिया प्लॅटफॉर्म सारख्या तंत्रज्ञानामुळे, जे कमोडिटी हार्डवेअरवरील हजारो डेटा प्रवाह विभाजनांवर स्केल करू शकतात, ते एक प्रतिसाद आहेत. तथापि, या प्रणालींद्वारे प्रदान केलेले प्रोग्रामिंग एपीआय बर्याचदा कमी-स्तरीय असते, ज्यास प्रोग्रामरच्या शिक्षण वक्र आणि देखभाल ओव्हरहेडमध्ये भर घालणारा महत्त्वपूर्ण सानुकूल कोड आवश्यक असतो. याव्यतिरिक्त, या प्रणालींमध्ये एसक्यूएल क्वेरी क्षमता नसतात ज्या हायव्ह, इम्पाला किंवा प्रेस्टो सारख्या बिग डेटा सिस्टमवर लोकप्रिय झाल्या आहेत. आम्ही डेटा प्रवाह क्वेरी आणि हाताळणीसाठी मानक एसक्यूएलच्या विस्तारनांचा किमान संच परिभाषित करतो. या विस्तारांचे नमुने साम्झाएसक्यूएलमध्ये तयार केले जातात, जे एसक्यूएल प्रवाहासाठी एक नवीन साधन आहे जे एसक्यूएल प्रवाहाची भौतिक योजनांमध्ये संकलित करते जे साम्झा, ओपन सोर्स वितरित प्रवाह प्रक्रिया फ्रेमवर्कवर चालविले जाते. आम्ही एसक्यूएल क्वेरीजची कामगिरी मूळ सॅमझा अनुप्रयोगांशी तुलना करतो आणि वापरण्यायोग्य सुधारणांवर चर्चा करतो. सॅमझाएसक्यूएल हा ओपन सोर्स अपाचे सॅमझा प्रकल्पाचा एक भाग आहे आणि सामान्य वापरासाठी उपलब्ध असेल. |
b8ec319b1f5223508267b1d5b677c0796d25ac13 | अनेक वास्तविक जगातील परिस्थितींमध्ये, विशिष्ट मशीन लर्निंग टास्कसाठी लेबल केलेले डेटा मिळवणे महाग आहे. अर्ध-पर्यवेक्षित प्रशिक्षण पद्धतींमध्ये भरपूर प्रमाणात उपलब्ध असलेले लेबल नसलेले डेटा आणि कमी संख्येने लेबल केलेले उदाहरण वापरले जातात. आम्ही मानवाच्या शिकवणीवर आधारित खोल मज्जासंस्थेच्या अर्ध-पर्यवेक्षित प्रशिक्षणासाठी एक नवीन आराखडा प्रस्तावित करतो. यामध्ये लेबल लावलेल्या नमुन्यांच्या एम्बेडमेंटपासून ते लेबल नसलेल्या नमुन्यांच्या एम्बेडमेंटपर्यंत आणि परत जोडणी केली जाते. ऑप्टिमायझेशन शेड्यूल योग्य संघटना चक्र प्रोत्साहित करते जे त्याच वर्गात संपते ज्यातून संघटना सुरू झाली होती आणि चुकीच्या संघटनांना दंड देते जे भिन्न वर्गात संपते. अंमलबजावणी वापरण्यास सोपी आहे आणि कोणत्याही विद्यमान एंड-टू-एंड प्रशिक्षण सेटअपमध्ये जोडली जाऊ शकते. आम्ही अनेक डेटा सेटवर असोसिएशनद्वारे शिकण्याची क्षमता दर्शवितो आणि हे दर्शवितो की अतिरिक्त उपलब्ध लेबल नसलेल्या डेटाचा वापर करून वर्गीकरण कार्यांवर कामगिरी मोठ्या प्रमाणात सुधारली जाऊ शकते. विशेषतः, कमी लेबल केलेल्या डेटा असलेल्या प्रकरणांसाठी, आमची प्रशिक्षण योजना एसव्हीएचएनवरील तांत्रिक स्थितीपेक्षा चांगली आहे. |
852c633882927affd1a951e81e6e30251bb40867 | सतत विकसित होत असलेल्या रेडिओ फ्रिक्वेन्सी आयडेंटिफिकेशन (आरएफआयडी) तंत्रज्ञानाबरोबरच नवीन अनुप्रयोग क्षेत्रांमध्ये उद्भवलेल्या आवश्यकता पूर्ण करण्यासाठी नवीन प्रकारच्या टॅग अँटेना सामग्री आणि संरचना उदयास येत आहेत. या कामात, विकिरण कार्यक्षमता मोजण्याची पद्धत विकसित केली जाते आणि निष्क्रिय अल्ट्रा-हाय फ्रीक्वेंसी (यूएचएफ) आरएफआयडी डायपोल टॅग अँटेनासाठी सत्यापित केली जाते. याव्यतिरिक्त, शरीर-केंद्रित वायरलेस कम्युनिकेशन अनुप्रयोगांसाठी परिधान केलेल्या डायपोल टॅग अँटेनाच्या किरणेची कार्यक्षमता मोजण्यासाठी मापन पद्धत लागू केली जाते. मापनातून प्राप्त माहिती टॅग अँटेना मटेरियल स्ट्रक्चर्सचे नुकसान दर्शविण्यासाठी आणि टॅग अँटेनाची कार्यक्षमता आणि विश्वसनीयता दोन्ही सुधारण्यासाठी आणि ऑप्टिमाइझ करण्यासाठी वापरली जाऊ शकते. |
833de6c09b38a679ed870ad3a7ccfafc8de010e1 | अहंकार वाहनाच्या हालचालीचा अंदाज घेणे ही प्रगत ड्रायव्हिंग सहाय्यक प्रणाली आणि मोबाइल रोबोट स्थानिकीकरणासाठी एक महत्त्वाची क्षमता आहे. खालील कागद इगो-वाहनाची संपूर्ण 2 डी मोशन स्थिती (लांबी, बाजूकडील वेग आणि यॉ रेट) त्वरित निर्धारित करण्यासाठी रडार सेन्सर वापरून एक मजबूत अल्गोरिदम सादर करतो. या यंत्रणेद्वारे किमान दोन डॉप्लर रडार सेन्सर आणि त्यांच्या प्राप्त स्थिरांक प्रतिबिंबा (लक्ष्य) यांच्यातील सापेक्ष हालचालीचे मूल्यांकन केले जाते. त्यांच्या रेडियल वेगाच्या वितरणानुसार, अजिमुथ कोन, नॉन-स्टेशनरी लक्ष्य आणि गोंधळ वगळण्यात आले आहे. अहं-गती आणि त्याचे संबंधित सह-परिवर्तन मॅट्रिक्सचे मूल्यांकन केले जाते. या अल्गोरिदममध्ये क्लस्टरिंग किंवा क्लटर सप्लीशन सारख्या कोणत्याही पूर्व-प्रक्रिया चरणांची आवश्यकता नाही आणि त्यात कोणत्याही मॉडेलच्या गृहीतकांचा समावेश नाही. सेन्सर वाहनाच्या कोणत्याही ठिकाणी बसवले जाऊ शकतात. अंतराळात लक्ष्य संघटना टाळण्यासाठी, सामान्य दृश्य क्षेत्राची आवश्यकता नाही. एक अतिरिक्त फायदा म्हणून, सर्व लक्ष्य त्वरित स्थिर किंवा अस्थिर म्हणून लेबल केले जातात. |
31918003360c352fb0750040d163f287894ab547 | अलीकडेच स्मार्ट कार, इलेक्ट्रिक कार्ड इत्यादींच्या आगमनानंतर ऑटोमोटिव्ह एम्बेडेड सिस्टमचा खूप विकास झाला आहे. त्यांच्याकडे विविध मूल्यवर्धित प्रणाली आहेत उदाहरणार्थ आयपीए (इंटेलिजेंट पार्किंग असिस्टन्स), बीएसडब्ल्यू (ब्लाइंड स्पॉट वॉर्निंग), एलडीडब्ल्यूएस (लेन डेव्हलपमेंट वॉर्निंग सिस्टम), एलकेएस (लेन होल्डिंग सिस्टम) - ही एडीएएस (एडव्हान्सड ड्रायव्हर असिस्टन्स सिस्टम) आहेत. ऑटोमोटिव्ह ओपन सिस्टम आर्किटेक्चर (ऑटोसार) ऑटोमोटिव्ह एम्बेडेड सॉफ्टवेअर विकसित करण्यासाठी सर्वात उल्लेखनीय औद्योगिक मानक आहे. ऑटोसार ही ऑटोमोटिव्ह उत्पादक आणि पुरवठादारांची भागीदारी आहे जी ऑटोमोटिव्ह ई / ई आर्किटेक्चरसाठी खुले उद्योग मानक विकसित आणि स्थापित करण्यासाठी एकत्र काम करते. या लेखात आपण ऑटोसॅरची थोडक्यात ओळख करून देऊ आणि ऑटोमोटिव्ह सॉफ्टवेअर एलडीडब्ल्यूएस (लेन डिटेक्शन अँड वॉर्निंग सिस्टम) विकासाचे परिणाम दाखवू. |
36bb4352891209ba0a7df150c74cd4db6d603ca5 | उदाहरणार्थ सिंगल-इमेज सुपर-रिझोल्यूशन (एसआर) ही उच्च-रिझोल्यूशन (एचआर) प्रतिमा एका-इनपुट लो-रिझोल्यूशन (एलआर) प्रतिमेपासून पुन्हा तयार करण्यासाठी एक आशादायक पद्धत आहे. अनेक लोकप्रिय एसआर पद्धती बहुधा वेळ किंवा जागा घेणारी असतात, ज्यामुळे त्यांचे व्यावहारिक अनुप्रयोग मर्यादित होतात. म्हणूनच, काही संशोधनांनी उप-जागाच्या दृश्यावर लक्ष केंद्रित केले आहे आणि अत्याधुनिक परिणाम दिले आहेत. या पेपरमध्ये, आम्ही प्रशिक्षण टप्प्यात एलआर प्रतिमांच्या मोठ्या नॉनलाइनर फीचर स्पेसला रेषेच्या उप-जागांच्या गटामध्ये रूपांतरित करण्यासाठी मिश्रण मागील मॉडेलसह प्रभावी मार्ग वापरतो. विशेष म्हणजे, आम्ही प्रथम आर.आर. पॅचच्या फरक वक्रतेवर आधारित नवीन निवडक पॅच प्रक्रिया पद्धतीने प्रतिमा पॅचचे अनेक गटांमध्ये विभाजन करतो आणि नंतर प्रत्येक गटातील मिश्रण मागील मॉडेल शिकतो. याव्यतिरिक्त, एसआरमध्ये वेगवेगळ्या पूर्व वितरणात वेगवेगळी कार्यक्षमता असते आणि या प्रकरणात, आम्हाला आढळले आहे की विद्यार्थी-टी पूर्व प्रसिद्ध गॉसियन पूर्वपेक्षा मजबूत कामगिरी दर्शविते. चाचणीच्या टप्प्यात, आम्ही इनपुट एलआर वैशिष्ट्यांचा योग्य उप-जागामध्ये नकाशा काढण्यासाठी शिकलेल्या एकाधिक मिश्रण मागील मॉडेलचा अवलंब करतो आणि शेवटी संबंधित एचआर प्रतिमेची कादंबरी मिश्रित जुळवून घेण्याच्या पद्धतीने पुनर्रचना करतो. प्रयोगात्मक परिणामांनुसार, प्रस्तावित पद्धत काही अत्याधुनिक एसआर पद्धतींपेक्षा गुणात्मक आणि संख्यात्मकदृष्ट्या श्रेष्ठ आहे. |
189a391b217387514bfe599a0b6c1bbc1ccc94bb | आम्ही टक्कर-मुक्त हॅश फंक्शन्सच्या डिझाइनसाठी एक साधे, नवीन नमुना सादर करतो. या पॅराडाइममधून उद्भवणारे कोणतेही फंक्शन वाढीव आहे. (याचा अर्थ असा की जर मी पूर्वी हॅश केलेला संदेश x x0 मध्ये बदलला असेल तर x 0 चे हॅश पुन्हा गणना करण्याऐवजी मी लवकरात लवकर जुने हॅश मूल्य नवीन हॅश मूल्यमध्ये अद्यतनित करू शकतो, x मध्ये केलेल्या बदल प्रमाणात x मिळविण्यासाठी. तसेच या पॅराडाइममधून उद्भवणारे कोणतेही फंक्शन पॅरेललाइझ करण्यायोग्य आहे, हार्डवेअर अंमलबजावणीसाठी उपयुक्त आहे. आपण आपल्या पॅराडाइममधून अनेक विशिष्ट फंक्शन्स काढतो. सर्व मानक हॅश फंक्शन, गृहीत धरले आदर्श, आणि काही बीजगणितीय ऑपरेशन्स वापरतात. प्रथम फंक्शन, मुहॅश, संदेशातील प्रत्येक ब्लॉकसाठी एक मॉड्यूलर गुणाकार वापरते, ज्यामुळे ते वाजवीपणे कार्यक्षम होते आणि मागील वाढीव हॅश फंक्शन्सपेक्षा लक्षणीय वेगवान होते. त्याची सुरक्षा सिद्ध झाली आहे, ज्यावर अविकसित लॉगरिदम समस्येच्या कठोरतेवर आधारित आहे. दुसरा फंक्शन, अॅडहॅश, हे आणखी वेगवान आहे, गुणाकारांऐवजी जोडणी वापरते, सुरक्षा सिद्ध केली आहे की सर्वात लहान जाळीच्या वेक्टरच्या लांबीचे अंदाजे अंदाज करणे कठीण आहे किंवा वजनदार उपसंच बेरीज समस्या कठीण आहे. तिसरे फंक्शन, LtHASH, हे अलीकडील जाळीवर आधारित फंक्शन्सचे व्यावहारिक रूप आहे, ज्याची सुरक्षा सिद्ध आहे, पुन्हा कमीतकमी जाळीच्या वेक्टर अंदाजाच्या कठोरतेवर आधारित आहे. विभाग. कॅलिफोर्निया विद्यापीठातील संगणक विज्ञान आणि अभियांत्रिकी, सॅन डिएगो, 9500 गिलमन ड्राईव्ह, ला जोला, कॅलिफोर्निया 92093, यूएसए. ई-मेल: [email protected]. युएसएसडीडीडीयूचे यूजर हे युएसएसडीडीयूचे सदस्य आहेत. एनएसएफ कॅरियर पुरस्कार सीसीआर-9624439 आणि विज्ञान आणि अभियांत्रिकीमधील पॅकार्ड फाउंडेशन फेलोशिपद्वारे अंशतः समर्थित. yMIT प्रयोगशाळा संगणक विज्ञान, 545 तंत्रज्ञान स्क्वेअर, केंब्रिज, एमए 02139, यूएसए. ई-मेल: miccianc@theory. lcs. mit. edu. डीएआरपीए कराराद्वारे अंशतः समर्थित DABT63-96-C-0018. |
9b9c9cc72ebc16596a618d5b78972437c9c569f6 | |
3ffce42ed3d7ac5963e03d4b6e32460ef5b29ff7 | भौतिक वस्तूचे पूर्ण मॉडेल तयार करण्याच्या समस्येचा आम्ही अभ्यास करतो. तीव्रतेच्या प्रतिमांचा वापर करून हे शक्य असले तरी आम्ही येथे त्रि-आयामी माहितीवर थेट प्रवेश प्रदान करणाऱ्या श्रेणी प्रतिमांचा वापर करतो. आपल्याला सोडवायची पहिली समस्या म्हणजे वेगवेगळ्या दृष्टिकोनांचे रूपांतर शोधणे. यापूर्वीच्या पद्धतींमध्ये या परिवर्तनाची माहिती असणे (जे पूर्ण मॉडेलसाठी अत्यंत कठीण आहे) किंवा वैशिष्ट्य जुळवून घेण्याद्वारे (जे एकत्रीकरणासाठी पुरेसे अचूक नाही) गणना केली गेली आहे. या पेपरमध्ये, आम्ही एक नवीन दृष्टिकोन प्रस्तावित करतो जो थेट श्रेणीवर कार्य करतो आणि दृश्यांच्या दरम्यान अचूक परिवर्तन मिळविण्यासाठी पुरेसे आच्छादित क्षेत्र असलेले सलग दृश्ये नोंदवतो. हे कार्यक्षमता कमी करून केले जाते ज्यासाठी पॉईंट टू पॉईंट मॅचची आवश्यकता नसते. आम्ही नोंदणी पद्धतीची आणि मॉडेलिंग प्रक्रियेची माहिती देतो आणि त्यांना जटिल वस्तूंच्या वास्तविक श्रेणीच्या प्रतिमांवर स्पष्ट करतो. 1 परिचय भौतिक वस्तूंचे मॉडेल तयार करणे हे जैविक दृष्टी मॉड्यूल्सचे आवश्यक घटक आहे. अशा मॉडेलचा उपयोग ऑब्जेक्ट ओळखण्यासाठी, पोजीशनचे अंदाज लावण्यासाठी किंवा तपासणीच्या कामासाठी केला जाऊ शकतो. जर स्वारस्य असलेल्या वस्तूची अचूक रचना केली गेली असेल तर असे मॉडेल सीएडी मॉडेलच्या रूपात अस्तित्वात आहे. मात्र अनेक अनुप्रयोगांमध्ये अशा सीएडी मॉडेलचा वापर करणे शक्य नाही किंवा व्यावहारिक नाही आणि आपल्याला भौतिक ऑब्जेक्टमधून मॉडेल तयार करण्याची आवश्यकता आहे. काही संशोधक या समस्येला टाळण्यासाठी अनेक दृश्ये ([4], [a]) वापरतात. पण हे नेहमीच पुरेसे नसते. एखाद्या वस्तूचे पूर्ण मॉडेल हवे असल्यास खालील पायऱ्या आवश्यक आहेतः 1. डेटा अधिग्रहण, 2. दृश्यांमधील नोंदणी, 3. दृश्ये एकत्रीकरण. दृश्याद्वारे आपण विशिष्ट दृष्टिकोनातून ऑब्जेक्टची 3D पृष्ठभाग माहिती समजतो. एकत्रीकरण प्रक्रिया वापरल्या गेलेल्या प्रतिनिधित्व योजनेवर खूप अवलंबून असते, परंतु एकत्रीकरण करण्यासाठी पूर्व शर्ती म्हणजे भिन्न दृश्यांमधून डेटामधील रूपांतर जाणून घेणे. रजिस्ट्रारचा उद्देश असा बदल शोधणे आहे, ज्याला ट हे उत्तर ड या समस्येचे उत्तर म्हणून देखील ओळखले जाते. या समस्येवर अनेक पूर्वीच्या संशोधन प्रयत्नांचे केंद्रबिंदू होते. भानु [अ] यांनी एकाधिक दृश्ये प्राप्त करण्यासाठी ज्ञात कोनाने वस्तू फिरवून ऑब्जेक्ट ओळखण्यासाठी ऑब्जेक्ट मॉडेलिंग सिस्टम विकसित केली. कुत्रा व इतर. [3] आणि आहुजा आणि वेन-स्ट्र [l] ऑक्ट्री ऑब्जेक्ट मॉडेल तयार करण्यासाठी ऑर्थोगोनल दृश्ये वापरली. या पद्धतींनी, |
883b2b981dc04139800f30b23a91b8d27be85b65 | या पेपरमध्ये, आम्ही एक कार्यक्षम 3 डी ऑब्जेक्ट ओळख आणि गोंधळ आणि आच्छादित वातावरणात प्रक्रियेस समजण्यासाठी अंदाज लावण्याचा दृष्टिकोन सादर करतो. सामान्य स्वरूप-आधारित दृष्टिकोनाच्या विपरीत, आम्ही केवळ 3 डी भूमिती माहितीवर अवलंबून आहोत. आमची पद्धत एक मजबूत भूमितीय वर्णनकर्ता, एक हॅशिंग तंत्र आणि एक कार्यक्षम, स्थानिक RANSAC सारखी नमुना धोरणावर आधारित आहे. आपण असे मानतो की प्रत्येक वस्तूचे प्रतिनिधित्व एक मॉडेलद्वारे केले जाते ज्यामध्ये संबंधित पृष्ठभागाच्या सामान्यतेसह बिंदूंचा संच असतो. आमची पद्धत एकाच वेळी अनेक मॉडेलची ओळख करून घेते आणि त्यांच्या पोझचा अंदाज लावते. अनेक चाचण्यांमधून असे दिसून आले आहे की, प्रस्तावित पद्धत गोंधळलेल्या, अव्यवस्थित आणि खंडित नसलेल्या श्रेणी स्कॅनवर चांगली कामगिरी करते ज्यामध्ये वस्तूंचे फक्त छोटे भाग दिसतात. या अल्गोरिदमच्या मुख्य प्रक्रियेमध्ये रेषीय वेळ जटिलता आहे ज्यामुळे उच्च ओळख गती मिळते ज्यामुळे सतत हाताळणीच्या कार्यात पद्धतीचा थेट एकत्रीकरण होऊ शकते. 7-डिग्री-ऑफ-फ्रीडम कार्टेशियन इम्पॅडन्स नियंत्रित रोबोटसह प्रायोगिक प्रमाणीकरण हे दर्शविते की जटिल यादृच्छिक स्टॅकमधून वस्तू पकडण्यासाठी ही पद्धत कशी वापरली जाऊ शकते. संगणक दृष्टी आणि सॉफ्ट्रोबोटिक्सच्या एकत्रीकरणामुळे असंरचित आणि बंद वातावरणात काम करण्यास सक्षम असलेली रोबोटिक प्रणाली कशी तयार होते हे या अनुप्रयोगातून स्पष्ट होते. |
9bc8aaaf23e2578c47d5d297d1e1cbb5b067ca3a | या पेपरमध्ये एकाच कॅमेरा इमेजमध्ये 3D ऑब्जेक्टची उदाहरणे ओळखण्यासाठी आणि त्यांचे 3D पोझ निश्चित करण्यासाठी एक दृष्टिकोन वर्णन केले आहे. एक श्रेणीबद्ध मॉडेल केवळ ऑब्जेक्टच्या 3 डी सीएडी मॉडेलच्या भूमिती माहितीवर आधारित तयार केले जाते. या पद्धतीचा उपयोग वस्तूंच्या पृष्ठभागाच्या पोत किंवा प्रतिबिंब माहितीवर अवलंबून नाही, ज्यामुळे ते औद्योगिक आणि रोबोटिक अनुप्रयोगांच्या विस्तृत श्रेणीसाठी उपयुक्त आहे, उदा. एक श्रेणीबद्ध दृश्य-आधारित दृष्टिकोन लागू केला जातो जो मागील पद्धतींच्या ठराविक समस्यांना संबोधित करतोः हे खरे दृष्टीकोन हाताळते, आवाज, आच्छादन आणि गोंधळात कठोर आहे जे बर्याच व्यावहारिक अनुप्रयोगांसाठी पुरेसे आहे आणि कॉन्ट्रास्ट बदलांसाठी अपरिवर्तनीय आहे. या श्रेणीबद्ध मॉडेलच्या निर्मितीसाठी, एक नवीन मॉडेल प्रतिमा निर्मिती तंत्र सादर केले आहे ज्याद्वारे स्केल-स्पेस प्रभाव विचारात घेतले जाऊ शकतात. आवश्यक ऑब्जेक्ट दृश्ये एक समानता आधारित पैलू आलेख वापरून साधित केलेली आहेत. एक व्यापक शोध उच्च मजबुती एक कार्यक्षम श्रेणीबद्ध शोध एकत्र आहे. 3 डी पोझमध्ये कमीतकमी चौरस समायोजन वापरून सुधारणा केली जाते ज्यामुळे प्रतिमेतील भूमितीय अंतर कमी होते, ज्यामुळे ऑब्जेक्टच्या अंतराच्या बाबतीत 0.12 टक्के स्थितीची अचूकता मिळते, आणि आमच्या चाचण्यांमध्ये 0.35 अंशापर्यंत अभिमुखता अचूकता. ओळखण्याची वेळ मुख्यतः ऑब्जेक्टच्या जटिलतेपासून स्वतंत्र आहे, परंतु मुख्यतः त्या पोझच्या श्रेणीवर अवलंबून असते ज्यामध्ये ऑब्जेक्ट कॅमेरासमोर दिसू शकतो. कार्यक्षमतेच्या कारणास्तव, हा दृष्टिकोन अनुप्रयोगानुसार पोझ श्रेणी मर्यादित करण्यास अनुमती देतो. सामान्य रनटाइम काही शंभर एमएसच्या श्रेणीत असतात. |
dbd66f601b325404ff3cdd7b9a1a282b2da26445 | प्रारंभिक मूल्यमापन परिणामांनुसार, 6 डी ऑब्जेक्टच्या स्थितीच्या अंदाजानुसार अत्याधुनिक तंत्रज्ञानाची स्थिती सुधारण्यासाठी पुरेशी जागा आहे, विशेषतः महत्त्वपूर्ण आच्छादन असलेल्या कठीण प्रकरणांमध्ये. टी-लेस डेटासेट ऑनलाइन उपलब्ध आहे cmp:felk:cvut:cz/t-less. आम्ही टी-लेस सादर करतो, 6 डी पोझचा अंदाज लावण्यासाठी एक नवीन सार्वजनिक डेटासेट, म्हणजेच मजकूर-मुक्त कठोर वस्तूंचे अनुवादाचे व फिरण्याचे कार्य. या डेटासेटमध्ये तीस उद्योग-संबंधित वस्तू आहेत ज्यात कोणतेही महत्त्वपूर्ण पोत नाही आणि कोणताही भेदभाव करणारा रंग किंवा प्रतिबिंब गुणधर्म नाही. या वस्तू आकार आणि/किंवा आकाराच्या बाबतीत सममिती आणि परस्पर साम्य दर्शवतात. इतर डेटासेटच्या तुलनेत, एक अनन्य गुणधर्म म्हणजे काही वस्तू इतरांचे भाग आहेत. या डेटासेटमध्ये प्रशिक्षण आणि चाचणी प्रतिमांचा समावेश आहे, जी तीन समक्रमित सेन्सरद्वारे कॅप्चर केली गेली आहे, विशेषतः एक संरचित-प्रकाश आणि वेळ-ऑफ-फ्लाइट आरजीबी-डी सेन्सर आणि उच्च-रिझोल्यूशन आरजीबी कॅमेरा. प्रत्येक सेन्सरमधून अंदाजे 39 हजार प्रशिक्षण आणि 10 हजार चाचणी प्रतिमा आहेत. याव्यतिरिक्त, प्रत्येक ऑब्जेक्टसाठी दोन प्रकारचे 3 डी मॉडेल प्रदान केले जातात, म्हणजेच एक हाताने तयार केलेला सीएडी मॉडेल आणि एक अर्ध-स्वयंचलितपणे पुन्हा तयार केलेला. प्रशिक्षण प्रतिमा काळ्या पार्श्वभूमीवर वैयक्तिक वस्तू दर्शवतात. चाचणी प्रतिमा वेगवेगळ्या अवघडपणाच्या वीस चाचणी दृश्यांकडून उद्भवतात, जे अनेक वेगळ्या वस्तूंसह साध्या दृश्यांपासून अनेक वस्तूंच्या अनेक उदाहरणांसह आणि मोठ्या प्रमाणात गोंधळ आणि आच्छादन असलेल्या अत्यंत आव्हानात्मक दृश्यांपर्यंत वाढते. ऑब्जेक्ट/ दृश्याच्या आसपासच्या दृश्याच्या गोलाकार पद्धतीने नमुने घेतल्या गेलेल्या प्रतिमांवरुन प्रतिमा कॅप्चर केल्या गेल्या आहेत आणि सर्व मॉडेल केलेल्या ऑब्जेक्ट्सच्या अचूक ग्राउंड सत्य 6 डी पोझसह टिप्पणी केली गेली आहेत. |
74257c2a5c9633565c3becdb9139789bcf14b478 | आयटी नियंत्रण आराखड्यांचा व्यापक अवलंब असूनही, त्यांचा वापर तपासण्यासाठी थोडेसे शैक्षणिक अनुभवजन्य संशोधन केले गेले आहे. माहिती आणि संबंधित तंत्रज्ञानाच्या नियंत्रण उद्दिष्टांनुसार (कोबिट) ऑस्ट्रेलियामधील सार्वजनिक क्षेत्रातील संस्थांमधील आयटी नियंत्रण प्रक्रियेच्या 15 प्रमुख परिपक्वता पातळीवर बेंचमार्क करण्यासाठी या पेपरमध्ये संशोधन केले गेले आहे. यामध्ये अनेक देशांमधील मिश्र क्षेत्रातील गटाची तुलना केली जाते. तसेच आशियाई-महासागरीय देशांमधील मिश्र क्षेत्रातील गट आणि सर्व भौगोलिक क्षेत्रांसाठी सार्वजनिक क्षेत्रातील संस्थांची तुलना केली जाते. ऑस्ट्रेलियामधील आकडेवारी मेलद्वारे 387 सार्वजनिक क्षेत्रातील गैर-वित्तीय संस्थांच्या सर्वेक्षणात गोळा करण्यात आली होती, ज्यात 50 पेक्षा जास्त कर्मचारी आहेत, ज्याने 27% प्रतिसाद दर दिला. आयएस ऑडिट अँड कंट्रोल असोसिएशनने 2002 मध्ये केलेल्या मूळ आंतरराष्ट्रीय सर्वेक्षणात दिसून आलेल्या नमुन्यांची आकडेवारी ऑस्ट्रेलियाच्या आकडेवारीतही दिसून आली. ऑस्ट्रेलियन सार्वजनिक क्षेत्रातील 15 सर्वात महत्वाच्या आयटी प्रक्रियेसाठी सर्व आंतरराष्ट्रीय निकषांमध्ये सर्व क्षेत्रापेक्षा चांगले काम केले. |
0e9bac6a2b51e93e73f7f5045d4252972db10b5a | आम्ही एक नवीन अल्गोरिदम पुरवतो ज्यामध्ये लाखो पंक्ती, लाखो स्तंभ आणि अब्जावधी शून्य नसलेले घटक असतात. आमचा दृष्टिकोन स्टोकेस्टिक ग्रेडियंट डिसेंट (एसजीडी) वर अवलंबून आहे, जो एक पुनरावृत्ती स्टोकेस्टिक ऑप्टिमायझेशन अल्गोरिदम आहे. आम्ही प्रथम एक नवीन "स्तरबद्ध" एसजीडी प्रकार (एसएसजीडी) विकसित करतो जो सामान्य तोटा-कमीतकमी समस्यांवर लागू होतो ज्यामध्ये तोटा फंक्शन "स्तर नुकसान" च्या वजनाने व्यक्त केला जाऊ शकतो. आम्ही स्टोकास्टिक अॅप्रोचिमशन थ्योरी आणि रेजिनेरेटिव्ह प्रोसेस थ्योरीच्या परिणामांचा वापर करून एसएसजीडीच्या अभिसरणसाठी पुरेशी परिस्थिती तयार करतो. मग आम्ही एसएसजीडीला विशेष बनवतो नवीन मॅट्रिक्स-फॅक्टरायझेशन अल्गोरिदम मिळवण्यासाठी, ज्याला डीएसजीडी म्हणतात, जे पूर्णपणे वितरित केले जाऊ शकते आणि वेब-स्केल डेटासेटवर चालविले जाऊ शकते, उदाहरणार्थ, मॅपरेड्यूस. डीएसजीडी विविध प्रकारच्या मॅट्रिक्स फॅक्टरायझेशन हाताळू शकते. आम्ही आमच्या डीएसजीडी अंमलबजावणीमध्ये कार्यक्षमता अनुकूल करण्यासाठी वापरल्या जाणार्या व्यावहारिक तंत्रांचे वर्णन करतो. प्रयोगांनुसार डीएसजीडी वेगाने अभिसरण करते आणि पर्यायी अल्गोरिदमपेक्षा स्केलेबिलिटी गुणधर्म चांगले आहे. |
1109b663453e78a59e4f66446d71720ac58cec25 | वर्गीकरण, स्थानिकीकरण आणि शोधण्यासाठी संक्रमणीय नेटवर्क वापरण्यासाठी आम्ही एकात्मिक फ्रेमवर्क सादर करतो. आम्ही दाखवतो की कॉनव्हनेटमध्ये मल्टीस्केल आणि स्लाइडिंग विंडो पद्धत कशी कार्यक्षमतेने लागू केली जाऊ शकते. आम्ही एक नवीन खोल शिक्षण पद्धत देखील आणत आहोत. ऑब्जेक्टच्या सीमांचा अंदाज लावणे शिकून स्थानिकीकरण. तपासणीची विश्वासार्हता वाढविण्यासाठी मर्यादित बॉक्स दडपल्या जाण्याऐवजी जमा केले जातात. आम्ही दाखवतो की एकाच सामायिक नेटवर्कचा वापर करून वेगवेगळ्या कामांना एकाच वेळी शिकता येते. इमेजनेट लार्ज स्केल व्हिज्युअल रिकग्निशन चॅलेंज 2013 (आयएलएसव्हीआरसी 2013) च्या स्थानिकीकरण कार्याचा हा एकात्मिक फ्रेमवर्क विजेता आहे आणि शोध आणि वर्गीकरण कार्यासाठी अत्यंत स्पर्धात्मक परिणाम प्राप्त केले आहेत. स्पर्धेनंतरच्या कामात, आम्ही शोधण्याच्या कामासाठी एक नवीन कला स्थापित करतो. शेवटी, आम्ही आमच्या सर्वोत्तम मॉडेलमधून एक वैशिष्ट्य काढणारा जारी करतो ज्याला ओव्हरफेट म्हणतात. |
062c1c1b3e280353242dd2fb3c46178b87cb5e46 | या पेपरमध्ये आम्ही सतत राज्य-क्रिया जागांसह मजबुतीकरण शिकण्याच्या समस्यांना संबोधित करतो. आम्ही एक नवीन अल्गोरिदम, फॅचर्ड नेचुरल एक्टर-क्रिटिकल (एफएनएसी) प्रस्तावित करतो, जे सामान्य फंक्शन अॅप्रोक्सिमेशन आणि डेटा पुन्हा वापरण्याची परवानगी देण्यासाठी [1] मधील कामाचा विस्तार करते. आम्ही नैसर्गिक अभिनेता-गंभीर आर्किटेक्चर [1] ला महत्व नमुना वापरून tted मूल्य पुनरावृत्तीच्या प्रकारासह एकत्र करतो. अशा प्रकारे प्राप्त झालेली पद्धत दोन्ही दृष्टिकोनांचे आकर्षक वैशिष्ट्ये एकत्र करते आणि त्यांच्या मुख्य कमकुवतपणांवर मात करतेः ग्रेडियंट-आधारित अभिनेत्याचा वापर सतत क्रिया-जागांमध्ये धोरण ऑप्टिमायझेशनसह रिग्रेशन पद्धतींमध्ये आढळणार्या अडचणींवर सहजपणे मात करतो; याउलट, रिग्रेशन-आधारित समीक्षक वापरणे डेटाचा कार्यक्षम वापर करण्यास अनुमती देते आणि डीडी-आधारित समीक्षकांची वारंवारता दर्शविणारी कन्व्हर्जेन्स समस्या टाळते. आपण आपल्या अल्गोरिदमचे अभिसरण स्थापित करतो आणि त्याचे अनुप्रयोग साध्या सतत जागेत, सतत कृती समस्येमध्ये स्पष्ट करतो. |
f97f0902698abff8a2bc3488e8cca223e5c357a1 | डेटा-माइनिंग आणि मशीन-लर्निंग समस्या सोडविण्यासाठी वैशिष्ट्य निवड हा एक महत्त्वाचा पैलू आहे. या पेपरमध्ये सपोर्ट वेक्टर मशीन (एसव्हीएम) लर्निंगसाठी फीचर-सिलेक्शन पद्धत प्रस्तावित केली आहे. बहुतेक वैशिष्ट्य-निवड पद्धतींप्रमाणेच, प्रस्तावित पद्धत सर्व वैशिष्ट्यांची क्रमवारी कमी होण्याच्या क्रमवारीत ठेवते जेणेकरून अधिक संबंधित वैशिष्ट्ये ओळखली जाऊ शकतात. एसव्हीएमच्या संभाव्य आउटपुटवर आधारित हे नवीन निकष वापरते. या निकषाला फीचर-आधारित सेन्सिटिव्हिटी ऑफ पोझिटरी प्रोबॉबिलिटीज (एफएसपीपी) असे म्हणतात, जे फीचर स्पेसवर एसव्हीएमच्या संभाव्य आऊटपुटच्या परिपूर्ण फरकाचे एकूण मूल्य आणि फीचरशिवाय विशिष्ट वैशिष्ट्याचे महत्त्व मूल्यांकन करते. या निकषाचा अचूक फॉर्म सहजपणे गणना करता येत नाही आणि अंदाजे आवश्यक आहे. या कारणासाठी चार समीकरण, एफएसपीपी 1-एफएसपीपी 4, प्रस्तावित आहेत. पहिल्या दोन अंदाजांनुसार प्रशिक्षण डेटाच्या नमुन्यांत वैशिष्ट्याची मूल्ये यादृच्छिकपणे बदलून निकषाचे मूल्यांकन केले जाते. ते मानक एसव्हीएम आउटपुटपासून त्याच्या संभाव्य आउटपुटपर्यंत मॅपिंग फंक्शनच्या त्यांच्या निवडींमध्ये भिन्न आहेत: एफएसपीपी 1 एक साधी थ्रेशोल्ड फंक्शन वापरते तर एफएसपीपी 2 सिग्मोइड फंक्शन वापरते. दुसरे दोन थेट निकषाच्या जवळ आहेत परंतु वैशिष्ट्यांशी संबंधित निकषाच्या गुळगुळीततेच्या गृहीतकामध्ये फरक आहे. या अंदाजांची कामगिरी, एकूण वैशिष्ट्य-निवड योजना वापरली जाते, त्यानंतर विविध कृत्रिम समस्या आणि वास्तविक जगाच्या समस्यांवर मूल्यांकन केले जाते, ज्यात नुकत्याच झालेल्या न्यूरल इन्फॉर्मेशन प्रोसेसिंग सिस्टम (एनआयपीएस) वैशिष्ट्य निवड स्पर्धेतील डेटासेटचा समावेश आहे. एफएसपीपी 1 ते 3 यांचे कामकाज सातत्याने चांगले आहे आणि एफएसपीपी 2 हे एकूणच थोड्या फरकाने सर्वोत्तम आहे. एफएसपीपी 2 ची कामगिरी आम्ही चाचणी केलेल्या डेटासेटवर साहित्यातील काही सर्वोत्कृष्ट कामगिरी करणाऱ्या वैशिष्ट्य-निवड पद्धतींशी स्पर्धात्मक आहे. त्याच्याशी संबंधित गणना विनम्र आहेत आणि म्हणूनच एसव्हीएम अनुप्रयोगांसाठी वैशिष्ट्य-निवड पद्धत म्हणून योग्य आहे. |
a1c5a6438d3591819e730d8aecb776a52130c33d | एक कॉम्पॅक्ट मायक्रोस्ट्रिप लोपास फिल्टर (एलपीएफ) अल्ट्रा-वाइड स्टॉपबँड वापरून ट्रान्सफॉर्म केलेले स्टेप्ड इम्पॅडन्स हेअरपिन रेझोनॅटर प्रस्तावित आहे. यामध्ये स्टेप्ड इम्पॅडन्स हेअरपिन रेझोनॅटर आणि एम्बेडेड हेक्सागोन स्टब लोड केलेली जोडलेली-लाइन स्ट्रक्चर असते. आकार वाढविल्याशिवाय, एम्बेडेड स्ट्रक्चरची ओळख करुन देण्यात आली आहे. एक प्रोटोटाइप एलपीएफचे अनुकरण, निर्मिती आणि मोजमाप करण्यात आले आहे आणि मोजमाप सिमुलेशनशी चांगल्या प्रकारे सहमत आहेत. यामध्ये वापरण्यात आलेल्या लो पास फिल्टरमध्ये १४ डीबी रिजेक्शन लेव्हलसह १२.०१ एफसी पर्यंत अल्ट्रा-वाइड स्टॉपबँड आहे. याव्यतिरिक्त, प्रस्तावित फिल्टरमध्ये 0.071λg × 0.103λg आकाराचे वैशिष्ट्य आहे, जेथे λg म्हणजे वेव्हगाइड लांबी 1.45 गीगाहर्ट्झच्या कटऑफ वारंवारतेवर. |
70d2d4b07b5c65ef4866c7fd61f9620bffa01e29 | गेल्या दशकात हवामान बदल आणि पावसाचे प्रमाण अस्थिर आहे. यामुळेच अलीकडच्या काळात अनेक भारतीय शेतकऱ्यांनी स्मार्ट शेती नावाच्या हवामान-स्मार्ट पद्धतींचा अवलंब केला आहे. स्मार्ट शेती ही एक स्वयंचलित आणि निर्देशित माहिती तंत्रज्ञान आहे जी आयओटी (इंटरनेट ऑफ थिंग्ज) सह अंमलात आणली जाते. आयओटी वेगाने विकसित होत आहे आणि सर्व वायरलेस वातावरणात मोठ्या प्रमाणात लागू होत आहे. या लेखात सेंसर तंत्रज्ञान आणि आयओटी तंत्रज्ञानाचा वायरलेस नेटवर्क एकत्रीकरणाचा अभ्यास केला गेला आहे आणि कृषी व्यवस्थेच्या वास्तविक परिस्थितीवर आधारित आढावा घेतला गेला आहे. इंटरनेट आणि वायरलेस कम्युनिकेशनसह रिमोट मॉनिटरिंग सिस्टम (आरएमएस) चा एक एकत्रित दृष्टीकोन प्रस्तावित आहे. कृषी उत्पादन वातावरणाचा रिअल टाइम डेटा गोळा करणे हे याचे मुख्य उद्दिष्ट आहे. यामुळे कृषी सुविधांना शॉर्ट मालिशिंग सर्व्हिस (एसएमएस) द्वारे अलर्ट आणि हवामान, पिके इत्यादींचा सल्ला मिळणे सोपे होईल. |
ea88b58158395aefbb27f4706a18dfa2fd7daa89 | ऑनलाईन सोशल नेटवर्क्स (ओएसएन) मध्ये स्वतः ची माहिती उघड करण्याच्या मोठ्या प्रमाणात असूनही, या घटनेमागील प्रेरणा अद्याप कमी समजली आहे. गोपनीयता कॅल्क्युलस सिद्धांतावर आधारित, हा अभ्यास वैयक्तिक स्व-प्रकटीकरण निर्णयामागील घटकांकडे बारकाईने पाहण्याद्वारे ही पोकळी भरतो. २३७ विषयांच्या स्ट्रक्चरल इक्वेशन मॉडेलमध्ये आम्हाला आढळले की माहितीच्या प्रकटीकरणाचे महत्त्वपूर्ण निर्धारक म्हणून अनुभवलेली आनंद आणि गोपनीयता चिंता. आम्ही पुष्टी करतो की ओएसएन वापरकर्त्यांची गोपनीयता चिंता प्रामुख्याने गोपनीयता उल्लंघनाची संभाव्यता आणि अपेक्षित नुकसानीद्वारे कमी ठरविली जाते. या अंतर्दृष्टी ओएनएस प्रदात्यांना आणि धोरणकर्त्यांना त्यांच्या प्रयत्नांमध्ये एक ठोस आधार प्रदान करतात जेणेकरून उद्दीष्ट तर्कशुद्धतेवर आधारित असलेले निरोगी प्रकटीकरण स्तर सुनिश्चित केले जाऊ शकतात. |
9dbfcf610da740396b2b9fd75c7032f0b94896d7 | डेटाबेस मॅनेजमेंट सिस्टीम (डीबीएमएस) सह परस्परसंवाद करणारे अनुप्रयोग सर्वत्र आहेत. अशा प्रकारचे डाटाबेस ऍप्लिकेशन्स साधारणपणे ऍप्लिकेशन सर्व्हरवर होस्ट केले जातात आणि डाटाबेस सर्व्हरवर होस्ट केलेल्या डीबीएमएसमध्ये डेटा प्रोसेसिंगसाठी पुनर्प्राप्त करण्यासाठी नेटवर्कवरुन अनेक लहान प्रवेश करतात. अनेक दशकांपासून डेटाबेस आणि प्रोग्रामिंग सिस्टम्स संशोधन समुदायांनी अशा अनुप्रयोगांना वेगवेगळ्या दृष्टीकोनातून अनुकूलित करण्यावर काम केले आहे: डेटाबेस संशोधकांनी अत्यंत कार्यक्षम डीबीएमएस तयार केले आहेत आणि प्रोग्रामिंग सिस्टम संशोधकांनी अनुप्रयोगांचे होस्टिंग करण्यासाठी विशेष कम्पाइलर आणि रनटाइम सिस्टम विकसित केले आहेत. तथापि, या विशेषीकृत प्रणालींचा विचार करून आणि त्यांच्यामध्ये विस्तारित होणाऱ्या ऑप्टिमायझेशन संधी शोधून डेटाबेस अनुप्रयोगांना अनुकूलित करण्याचे तुलनेने कमी काम झाले आहे. या लेखात, आम्ही तीन प्रकल्पांवर प्रकाश टाकतो जे प्रोग्रामिंग सिस्टम आणि डीबीएमएस दोन्हीकडे समग्र पद्धतीने पाहून डेटाबेस अनुप्रयोगांना अनुकूल करतात. डीबीएमएस आणि अनुप्रयोग यांच्यातील इंटरफेसचा काळजीपूर्वक पुनरावलोकन करून आणि घोषित डेटाबेस ऑप्टिमायझेशन आणि आधुनिक प्रोग्राम विश्लेषण तंत्रांचे मिश्रण लागू करून, आम्ही दर्शवितो की वास्तविक जगाच्या अनुप्रयोगांमध्ये परिमाणच्या अनेक ऑर्डरची गती वाढविणे शक्य आहे. |
fdc3948f5fec24eb7cd4178aee9732ab284f1f1c | डब्ल्यूडब्ल्यूएएन/एलटीई मेटल-रिमड स्मार्टफोन अनुप्रयोगांसाठी हायब्रिड मल्टी-मोड अरुंद-फ्रेम अँटेनाचा प्रस्ताव या पेपरमध्ये आहे. ग्राउंड क्लीयरन्स फक्त 5 मिमी × 45 मिमी आहे, जे अरुंद-फ्रेम स्मार्टफोनसाठी आशादायक आहे. एका लहान अंतराने धातूची रिंग तीन ग्राउंड केलेले पॅचद्वारे सिस्टम ग्राउंडशी जोडली जाते. या प्रस्तावित अँटेनामध्ये तीन जोडलेल्या लूप मोड आणि एक स्लॉट मोडला उत्तेजन दिले जाऊ शकते. या चार मोडचा समावेश करून प्रस्तावित अँटेना GSM850/900, DCS/PCS/UMTS2100 आणि LTE2300/2500 ऑपरेशन्ससाठी कव्हरेज प्रदान करू शकते. प्रस्तावित अँटेनाच्या तपशीलवार डिझाइन विचारांचे वर्णन केले आहे आणि प्रयोगात्मक आणि अनुकरण परिणाम दोन्ही सादर केले आहेत. |
021f37e9da69ea46fba9d2bf4e7ca3e8ba7b3448 | अल्ट्रा वाइडबँड सोलर विव्हल्डी अँटेनाचा प्रस्ताव आहे. अमूर्त सिलिकॉन पेशींपासून कापलेले, ते 4.25 व्हीवर पीक पॉवर राखते, जे नुकसानक्षम उर्जा व्यवस्थापन घटकांची आवश्यकता पार करते. वायरलेस कम्युनिकेशन डिव्हाइस सौर ऊर्जा मिळवू शकते किंवा दुहेरी स्त्रोत उर्जा संकलनासाठी रेक्टिना म्हणून कार्य करू शकते. सौर व्हिव्हलडी 0.95-2.45 GHz पासून 0.5-2.8 डीबीआय गॅनिंगसह कार्य करते आणि रेक्टेन मोडमध्ये, वायरलेस उर्जा स्कॅव्हनिंगसाठी तीन बँड्स व्यापते. |
592a6d781309423ceb95502e92e577ef5656de0d | यंत्र भाषांतराच्या न्यूरल एन्कोडर-डेकोडर मॉडेलने पारंपारिक भाषांतराच्या मॉडेलला स्पर्धा देऊन प्रभावी परिणाम साध्य केले आहेत. तथापि, त्यांचे मॉडेलिंग फॉर्म्युलेशन खूपच सरलीकृत आहे आणि पारंपारिक मॉडेलमध्ये बनविलेले अनेक प्रमुख प्रेरक पूर्वग्रह वगळले आहेत. या लेखात आपण लक्ष केंद्रित तंत्रिका भाषांतर मॉडेलचा विस्तार शब्द आधारित संरेखित मॉडेल पासून स्ट्रक्चरल बायस समाविष्ट करण्यासाठी करतो, ज्यात स्थानिक बायस, मार्कोव्ह कंडिशनिंग, फर्टिलिटी आणि भाषांतर दिशानिर्देशावरील करार समाविष्ट आहे. आम्ही मूलभूत लक्ष मॉडेल आणि मानक वाक्यांश-आधारित मॉडेलपेक्षा सुधारणा दर्शवितो अनेक भाषा जोड्यांवर, कमी संसाधनांच्या सेटिंगमध्ये कठीण भाषांचे मूल्यांकन. |
9ebe089caca6d78ff525856c7a828884724b9039 | बायेसियन पद्धतीमुळे प्रबळ शिक्षणातील शोध आणि शोषणाच्या व्यापारावरील तत्त्वावर आधारित उपाय उपलब्ध होतो. तथापि, सामान्य दृष्टिकोन एकतर पूर्णपणे निरीक्षण करण्यायोग्य वातावरण गृहीत धरतात किंवा खराब प्रमाणात असतात. या कामात फॅक्टर बेज-अनुकूलित पीओएमडीपी मॉडेलची ओळख करून दिली गेली आहे, जी आंशिकपणे निरीक्षण करण्यायोग्य प्रणालींमध्ये प्रेरक शक्ती शिकत असताना अंतर्निहित संरचनेचा फायदा घेण्यास सक्षम आहे. आम्ही विश्वास ट्रॅकिंग पद्धत देखील सादर करतो जेणेकरून संयुक्त मागील स्थिती आणि मॉडेल व्हेरिएबल्स आणि मॉन्टे-कार्लो ट्री सर्च सोल्यूशन पद्धतीचे अनुकूलन होईल, जे एकत्रितपणे जवळजवळ-सकारात्मकपणे मूलभूत समस्या सोडविण्यास सक्षम आहेत. आमची पद्धत एका ज्ञात घटकांच्या आधारे कार्यक्षमतेने शिकण्यास सक्षम आहे किंवा एकाच वेळी घटकांचे आणि मॉडेल पॅरामीटर्सचे शिक्षण घेण्यास सक्षम आहे. आम्ही दाखवून दिले की हा दृष्टिकोन सध्याच्या पद्धतींपेक्षा अधिक कार्यक्षम आहे आणि पूर्वी अशक्य असलेल्या समस्यांना सामोरे जाण्यास सक्षम आहे. |
b3a18280f63844e2178d8f82bc369fcf3ae6d161 | वर्ड एम्बेडिंग ही एक लोकप्रिय फ्रेमवर्क आहे जी मजकूर डेटाला वास्तविक संख्येच्या वेक्टर म्हणून दर्शवते. हे वेक्टर भाषेतील सिमेंटिक्स कॅप्चर करतात आणि विविध नैसर्गिक भाषा प्रक्रिया आणि मशीन लर्निंग अनुप्रयोगांमध्ये वापरले जातात. या उपयुक्त गुणधर्मांव्यतिरिक्त, सामान्य भाषेतील कॉर्पोरापासून प्राप्त शब्द एम्बेड करणे अपरिहार्यपणे मानवी पूर्वग्रह दर्शविते [6]. ग्लोव्ह वर्ड एम्बेडिंग अल्गोरिदम [9] द्वारे तयार केलेल्या व्यवसाय शब्द वेक्टरसाठी आम्ही थेट आणि अप्रत्यक्ष लिंग पूर्वाग्रह मोजतो, त्यानंतर या एम्बेडिंगचा वापर करून डाउनस्ट्रीम अनुप्रयोगांमध्ये पूर्वाग्रह वाढविणे कमी करण्यासाठी कमी पूर्वाग्रह असलेले एम्बेडिंग तयार करण्यासाठी हा अल्गोरिदम सुधारित करतो. |
08a6e999532544e83618c16a96f6d4c7356bc140 | |
0c35a65a99af8202fe966c5e7bee00dea7cfcbf8 | या लेखात ऑटोमोस, परस्परसंवादी टूर-गाइड रोबोटच्या सॉफ्टवेअर आर्किटेक्चरचे वर्णन केले आहे. यामध्ये मॉड्यूलर आणि वितरित सॉफ्टवेअर आर्किटेक्चर सादर केले आहे, ज्यामध्ये स्थानिकीकरण, मॅपिंग, टक्कर टाळणे, नियोजन आणि वापरकर्त्याच्या परस्परसंवादाशी संबंधित विविध मॉड्यूल आणि वेब-आधारित टेलिप्रेजन्स समाविष्ट आहेत. एस ऑफ्टवेअरचा दृष्टिकोन संभाव्यता संगणनावर, ऑनलाईन शिक्षणावर आणि कोणत्याही वेळी अल्गोरिदमवर अवलंबून आहे. यामुळे रोबोट्स सुरक्षितपणे, विश्वासार्हतेने आणि उच्च गतीने अत्यंत गतिमान वातावरणात कार्य करू शकतात आणि रोबोटच्या कामात मदत करण्यासाठी पर्यावरणामध्ये कोणतेही बदल करण्याची आवश्यकता नाही. लोकांच्या अंतर्ज्ञानावर अपील करणाऱ्या परस्परसंवादी क्षमतांच्या डिझाइनवर विशेष भर दिला जातो. या इंटरफेसमुळे सार्वजनिक ठिकाणी लोकांच्या गर्दीत मनुष्य-रोबोटच्या परस्परसंवादासाठी नवीन साधन उपलब्ध झाले आहे आणि जगभरातील लोकांना वेबचा वापर करून व्हर्च्युअल टेलिप्रेजन्स स्थापित करण्याची क्षमता देखील उपलब्ध झाली आहे. आमच्या दृष्टिकोनाचे उदाहरण म्हणून, 1997 च्या मध्यावर मिळालेले परिणाम नोंदवले गेले आहेत, जेव्हा आमचा रोबोट RHINO सहा दिवसांसाठी घनदाट लोकवस्ती असलेल्या संग्रहालयात तैनात करण्यात आला होता. या प्रयोगात्मक परिणामांनी सार्वजनिक वातावरणात विश्वासार्हता दर्शविली आहे. या यंत्राने संग्रहालयाच्या प्रेक्षकांची संख्या ५० टक्क्यांहून अधिक वाढविण्यात यश मिळवले आहे. याशिवाय जगभरातील हजारो लोकांनी वेबच्या माध्यमातून रोबोटवर नियंत्रण ठेवले. आम्ही असा अंदाज लावतो की ही नवकल्पना सर्व्हिस रोबोट्सच्या अनुप्रयोगांच्या मोठ्या श्रेणीपर्यंत पोहोचतात. |
66479c2251088dae51c228341c26164f21250593 | |
2c521847f2c6801d8219a1a2e9f4e196798dd07d | |
c0e97ca70fe29db4ceb834464576b699ef8874b1 | या पत्रात दीर्घकालीन त्रि-आयामी (3-डी) लिडर डेटावरून शिकलेल्या, रिकर्न्ट-ऑक्टोमॅप नावाच्या एका नवीन सिमेंटिक मॅपिंग पद्धतीचा उल्लेख केला आहे. बहुतेक विद्यमान सिमेंटिक मॅपिंग पद्धती सिमेंटिक मॅप्सच्या 3-डी परिष्कृत करण्याऐवजी सिंगल फ्रेम्सच्या सिमेंटिक समजूतदारपणावर लक्ष केंद्रित करतात (म्हणजेच. अर्थपूर्ण निरीक्षणांचे विलीनीकरण). 3-डी सिमेंटिक मॅप परिष्कृत करण्यासाठी सर्वात जास्त वापरला जाणारा दृष्टिकोन म्हणजे बेज अपडेट, जो मार्कोव्ह-चेन मॉडेलचे अनुसरण करून सलग भविष्यवाणी संभाव्यतेचे विलीन करतो. त्याऐवजी, आम्ही सिमेंटिक वैशिष्ट्यांचा संलयन करण्यासाठी शिकण्याची पद्धत प्रस्तावित करतो, फक्त वर्गीकरणकर्त्याकडून अंदाज एकत्रित करण्याऐवजी. आमच्या पद्धतीमध्ये, आम्ही आमच्या 3 डी नकाशाचे प्रतिनिधित्व आणि देखरेख करतो ऑक्टोमॅप म्हणून, आणि प्रत्येक सेलचे पुनरावृत्ती न्यूरल नेटवर्क म्हणून मॉडेल करतो, एक पुनरावृत्ती-ऑक्टोमॅप मिळविण्यासाठी. या प्रकरणात, सिमेंटिक मॅपिंग प्रक्रिया अनुक्रमांक-अनुक्रमांक एन्कोडिंग-डीकोडिंग समस्या म्हणून तयार केली जाऊ शकते. याशिवाय, आमच्या पुनरावृत्ती-ऑक्टोमॅपमध्ये निरीक्षणाचा कालावधी वाढविण्यासाठी, आम्ही एक मजबूत 3-डी स्थानिकीकरण आणि मॅपिंग प्रणाली विकसित केली आहे. दोन आठवड्यांपेक्षा जास्त डेटा वापरून डायनॅमिक वातावरणाचा क्रमिकपणे मॅपिंग करण्यासाठी, आणि प्रणालीला प्रशिक्षित केले जाऊ शकते आणि यादृच्छिक स्मृती लांबीसह तैनात केले जाऊ शकते. आम्ही ईटीएचच्या दीर्घकालीन 3-डी लिडर डेटासेटवर आमचा दृष्टिकोन मान्य करतो. प्रयोगात्मक परिणामांमधून असे दिसून आले आहे की, आमचा प्रस्तावित दृष्टिकोन पारंपरिक बेज अपडेट दृष्टिकोनपेक्षा अधिक कार्यक्षम आहे. |
1d3ddcefe4d5fefca04fe730ca73312e2c588b3b | अनेक नोंदणी व्यवस्थापन प्रणालींमध्ये विद्यार्थ्यांची संख्या कायम ठेवणे हा एक महत्त्वाचा भाग आहे. याचा परिणाम विद्यापीठाच्या क्रमवारीवर, शाळेच्या प्रतिष्ठेवर आणि आर्थिक कल्याणावर होतो. उच्च शिक्षण संस्थांमधील निर्णय घेणाऱ्यांसाठी विद्यार्थ्यांची संख्या कायम ठेवणे हे सर्वात महत्वाचे प्राधान्य आहे. विद्यार्थ्यांची संख्या वाढविण्यासाठी विद्यार्थ्यांच्या घटनेमागील कारणांची सखोल माहिती घेणे आवश्यक आहे. अशा प्रकारचे समजणे हे धोका असलेल्या विद्यार्थ्यांचा अचूक अंदाज लावण्याचे आणि त्यांना कायम ठेवण्यासाठी योग्य प्रकारे हस्तक्षेप करण्याचे आधार आहे. या अभ्यासात, पाच वर्षांच्या संस्थात्मक डेटाचा वापर करून आणि अनेक डेटा मायनिंग तंत्रज्ञानाचा वापर करून (व्यक्ती आणि संच दोन्ही) आम्ही विश्लेषणात्मक मॉडेल विकसित केले जेणेकरून प्रथम वर्षातील विद्यार्थ्यांच्या घटनेची कारणे स्पष्ट करता येतील. तुलनात्मक विश्लेषणाच्या परिणामांमधून असे दिसून आले की, एकत्रित मॉडेल वैयक्तिक मॉडेलपेक्षा चांगले काम करतात, तर संतुलित डेटासेट असंतुलित डेटासेटपेक्षा चांगले अंदाज परिणाम देते. खरेदी निर्यात संवेदनशीलता विश्लेषण मागील लेख पुढील लेख आपल्या लॉगिन क्रेडेंशियलद्वारे किंवा आपल्या संस्थेद्वारे आपल्याकडे प्रवेश आहे की नाही ते तपासा. |
1b3b22b95ab55853aff3ea980a5b4a76b7537980 | सतत गुणधर्म असलेल्या डोमेनमध्ये C4.5 च्या कमकुवतपणाचा अहवाल सतत गुणधर्म असलेल्या चाचण्यांचे निर्मिती आणि मूल्यांकन बदलून संबोधित केले जाते. एमडीएल-प्रेरित दंड अशा चाचण्यांना लागू केला जातो, त्यापैकी काही विचारातून काढून टाकले जातात आणि सर्व चाचण्यांच्या सापेक्ष इच्छाशक्तीमध्ये बदल होतो. प्रायोगिक चाचण्यांमधून असे दिसून आले आहे की सुधारणा केल्याने निर्णय घेण्याचे झाडे लहान होतात आणि अंदाज अधिक अचूक असतात. या बदलांचा समावेश करणारी सी. ४. ५ ची नवीन आवृत्ती ही जागतिक विभक्ती वापरणारी आणि बहु-अंतराल विभाजनासह लहान झाडे तयार करणारी अलीकडील पध्दतींपेक्षा श्रेष्ठ आहे याची पुष्टी देखील परिणाम करतात. |
1060ff9852dc12e05ec44bee7268efdc76f7535d | याचे मुख्य कारण म्हणजे इनपुट जोडी (I, J) दरम्यान थेट प्रवाह गणना करण्याऐवजी, आम्ही प्रतिमांच्या आवृत्त्या (I , J ) गणना करतो ज्यात चेहर्यावरील भाव आणि मुद्रा सामान्य होते आणि प्रकाश संरक्षित केला जातो. हे पूर्ण फोटो संग्रहातून तयार केलेल्या उप-जागावर प्रत्येक फोटोचे पुनरावृत्तीपूर्वक प्रक्षेपण करून साध्य केले जाते. इच्छित प्रवाह प्रवाह (I → I ) o (J → J) च्या जोडणीद्वारे प्राप्त केला जातो. आमचा दृष्टिकोन कोणत्याही दोन-फ्रेम ऑप्टिकल फ्लो अल्गोरिदमसह वापरला जाऊ शकतो, आणि प्रकाश आणि आकार बदलण्यासाठी इन्व्हॅरन्स प्रदान करून अल्गोरिदमची कार्यक्षमता लक्षणीयरीत्या वाढवते. इंटरनेट चेहऱ्याच्या कोणत्याही जोडीच्या फोटोमधील ऑप्टिकल प्रवाहची गणना करणे हे सध्याच्या अत्याधुनिक प्रवाहाच्या अंदाज पद्धतींसाठी आव्हानात्मक आहे कारण प्रकाश, पोझ आणि भूमितीमधील फरक. आम्ही दाखवतो की प्रवाहाचा अंदाज त्याच (किंवा तत्सम) ऑब्जेक्टच्या मोठ्या फोटो संग्रहात वाढ करून नाटकीयपणे सुधारला जाऊ शकतो. गुगल इमेज सर्च मधून एखाद्या सेलिब्रिटीच्या फोटोंचा विचार करा. अशा कोणत्याही दोन फोटोंमध्ये चेहऱ्याची अभिव्यक्ती, प्रकाश आणि चेहऱ्याचे दिशा भिन्न असू शकतात. |
823964b144009f7c395cd09de9a70fe06542cc84 | ग्रीनहाऊस गॅस उत्सर्जन कमी करणे आणि मिश्र ऊर्जा स्त्रोत आणण्याची गरज यामुळे जगभरात विद्युत उर्जा निर्मितीमध्ये नाटकीय बदल होत आहेत. अनपेक्षित दैनंदिन आणि हंगामी बदलांमुळे मागणी पूर्ण करण्यासाठी वीज नेटवर्कला प्रसारण आणि वितरणात मोठ्या आव्हानांचा सामना करावा लागतो. या आव्हानांना तोंड देण्यासाठी विद्युत ऊर्जा साठवण (ईईएस) हे एक महत्त्वाचे तंत्रज्ञान आहे. या तंत्रज्ञानाच्या आधारे वापरल्या जाणाऱ्या तंत्रज्ञानाच्या आधारे ऊर्जा एका विशिष्ट अवस्थेत साठवली जाते आणि आवश्यकतेनुसार ती विद्युत ऊर्जामध्ये रूपांतरित केली जाते. मात्र, विविध पर्याय आणि जटिल वैशिष्ट्यपूर्ण मॅट्रिक्समुळे विशिष्ट अनुप्रयोगासाठी विशिष्ट ईईएस तंत्रज्ञानाचे मूल्यांकन करणे कठीण होते. या कागदपत्राचा उद्देश हा आहे की, विद्युत उत्पादन आणि वितरण प्रणालीमध्ये समाकलित करण्यासाठी उपलब्ध अत्याधुनिक तंत्रज्ञानाची एक व्यापक आणि स्पष्ट चित्र प्रदान करून ही समस्या कमी करणे. या कागदपत्राची सुरुवात ऑपरेशनचे तत्त्वे, तांत्रिक आणि आर्थिक कामगिरीची वैशिष्ट्ये आणि सध्याचे संशोधन आणि महत्वाच्या ईईएस तंत्रज्ञानाचा विकास यांचा आढावा घेऊन केली जाते. संग्रहित ऊर्जेच्या प्रकारांवर आधारित सहा मुख्य श्रेणींमध्ये वर्गीकृत केले आहे. त्यानंतर, पुनरावलोकन केलेल्या तंत्रज्ञानाची व्यापक तुलना आणि अनुप्रयोग संभाव्य विश्लेषण सादर केले जाते. २०१४ द ऑथर्स. एल्सेवियर लिमिटेड द्वारे प्रकाशित. हा लेख CC BY परवान्याअंतर्गत मुक्त प्रवेश आहे (http://creativecommons.org/licenses/by/3.0/). |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.