_id
stringlengths 40
40
| text
stringlengths 0
9.54k
|
|---|---|
5a3306619ab02d8b9b022946f3ddac16af16bcce | हामी भाषा विकासको हालैको कम्प्युटर मोडलिङ अनुसन्धानको सर्वेक्षण गर्छौं, लेक्सिकन-सिन्टेक्स सह-विकासको अनुकरण गर्ने नियममा आधारित मोडेल र भाषा प्रतिस्पर्धा गतिशीलतालाई मात्रात्मक बनाउने समीकरणमा आधारित मोडेलमा ध्यान केन्द्रित गर्दै। हामी यी मोडेलहरूको चार भविष्यवाणीहरू छलफल गर्दछौं: (a) डोमेन-सामान्य क्षमताहरू बीचको सम्बन्ध (उदाहरणका लागि) भाषा-विशिष्ट संयन्त्रहरू (उदाहरणका लागि, पाठ आदेश प्रोसेसिंग); (ख) भाषा र सान्दर्भिक क्षमताहरूको सह-विकास (उदाहरणका लागि, भाषा र भाषाको विकास) । (ख) भाषाको भाषाई बुझाइमा सांस्कृतिक प्रसारण र सामाजिक संरचनाको प्रभाव; र (घ) भाषाई, जैविक र भौतिक घटनाहरू बीचको समानता। यी सबै कुराले भाषा संरचना, व्यक्तिगत सिकाइ संयन्त्र र प्रासंगिक जैविक र सामाजिक-सांस्कृतिक कारकहरूको विकासको बारेमा हाम्रो बुझाइमा महत्त्वपूर्ण योगदान पुर्याउँछ। हामी सर्वेक्षणको निष्कर्षमा भाषा विकासको मोडलिङ अध्ययनका तीन भविष्यका दिशाहरू हाइलाइट गर्दैछौं: (क) मोडेल मूल्यांकनका लागि प्रयोगात्मक दृष्टिकोण अपनाउने; (ख) मोडेलहरूको अनुभवजन्य आधारहरू सुदृढ पार्ने; र (ग) मोडलिङ, भाषा विज्ञान, र अन्य सान्दर्भिक विषयहरूमा बहु-विषयक सहयोग। |
dcbb2c33c082fedf009139a9456bd90e549aac3d | मानिसमा उमेर बढ्दै गएपछि र हर्मोनल परिवर्तनका कारण अंग र पाखुरामा दुखाइ हुने गर्छ। यसको परिणाम स्वरूप मानिसको मौलिक क्रियाकलाप अर्थात् अंगको गतिशीलता, जसलाई हिँडडुल पनि भनिन्छ, प्रभावित हुन्छ। एक खुट्टामा दुखाइ नहोस् भनेर दुवै खुट्टामा असमान भार प्रयोग गर्दा मानिसमा बिस्तारै असामान्य चाल ढाँचा विकास हुन्छ जसमा लम्पसार र आसनमा साइडवेज झुकाव हुन्छ। [पृष्ठ २३-मा भएको चित्र] हामी एउटा यस्तो प्रणाली प्रस्ताव गर्छौं जसले असामान्य हिँडडुलको अनुभूति र पहिचान गर्न सक्छ। अंगको गतिलाई स्मार्टफोनमा एम्बेडेड एक्सेलेरोमिटरले सेन्सिङ गर्छ र असामान्य हिड्ने ढाँचाको पहिचान विभिन्न विशेषताहरू जस्तै चरण लम्बाइ, हिड्ने गति आदि वर्गीकरण गरेर गरिन्छ। नेभ बेयस् र निर्णय रूख वर्गीकरणकर्ताहरू समावेश गरेर हामीले विभिन्न स्तरका असामान्यताहरूको वर्गीकरणमा ८९% शुद्धता प्राप्त गर्यौं। यसबाहेक, निर्णय वृक्षमा आधारित पैदल गति परिवर्तन डिटेक्टर स्मार्टफोन एप्लिकेसनलाई पाँच प्रयोगकर्ताहरूमा लागू गरेर थप प्रमाणीकरण गरिएको थियो, जसको परिणाम स्वरूप ९० प्रतिशत शुद्धता प्राप्त भएको थियो। |
f19983b3e9b7fe8106c0375ebbd9f73a53295a28 | डाटाबेस खोज, खानी र विश्लेषणसँग सम्बन्धित बिग डाटा एनालिटिक्सलाई एक नवीन आईटी क्षमताको रूपमा देख्न सकिन्छ जसले फर्मको प्रदर्शन सुधार गर्न सक्छ। केही अग्रणी कम्पनीहरूले बजार प्रतिस्पर्धालाई सुदृढ पार्न र नयाँ व्यापारिक अवसरहरू खोल्न ठूलो डाटा विश्लेषणलाई सक्रिय रूपमा अपनाइरहेका छन्, धेरै फर्महरू अझै ठूलो डाटाको बारेमा समझ र अनुभवको अभावका कारण अपनाउने वक्रको प्रारम्भिक चरणमा छन्। त्यसैले, ठूलो डाटाको प्रयोगसँग सम्बन्धित मुद्दाहरू बुझ्न रोचक र समयोचित छ। यस अध्ययनमा, ठूलो डाटा एनालिटिक्सको अधिग्रहणको उद्देश्य बुझाउन एक अनुसन्धान मोडेल प्रस्ताव गरिएको छ |
6834913a76b686957c0b8c755d1ca6ef3bd76914 | डाटाको पहिचान हटाउने कार्यले अनुसन्धानको उद्देश्यका लागि डाटा जारी गर्ने माग र व्यक्तिहरूको गोपनीयताको मागलाई मिलाउँछ। यस कागजातले के-अनामिकरणको रूपमा चिनिने शक्तिशाली डि-पहिचान प्रक्रियाको लागि एक अनुकूलन एल्गोरिथ्म प्रस्ताव गर्दछ र मूल्यांकन गर्दछ। एक k-अनामित डाटासेटको गुण हुन्छ कि प्रत्येक रेकर्ड कम्तिमा k - 1 अन्यबाट भिन्न हुँदैन। अनुकूलित k-अनामिकताको सरल प्रतिबन्धहरू पनि NP-हार्ड हुन्, जसले महत्वपूर्ण कम्प्युटेशनल चुनौतीहरू निम्त्याउँछ। हामी सम्भावित अज्ञातकरणको अन्तरिक्ष अन्वेषण गर्न नयाँ दृष्टिकोण प्रस्तुत गर्दछौं जसले समस्याको संयोजनलाई सुधार्दछ, र डाटा व्यवस्थापन रणनीतिहरू विकास गर्दछ जुन महँगो अपरेशनहरूमा निर्भरता कम गर्न सकिन्छ। वास्तविक जनगणना डाटामा प्रयोगहरू मार्फत, हामी देखाउँछौं कि परिणामी एल्गोरिथ्मले दुई प्रतिनिधि लागत उपायहरू र के को विस्तृत दायरा अन्तर्गत इष्टतम के-अनामीकरणहरू फेला पार्न सक्छ। हामी यो पनि देखाउँदछौं कि एल्गोरिथ्मले राम्रो अज्ञातकरणहरू उत्पादन गर्न सक्दछ जहाँ इनपुट डाटा वा इनपुट प्यारामिटरहरूले उचित समयमा इष्टतम समाधान फेला पार्न रोक्दछ। अन्तमा, हामी एल्गोरिथ्म प्रयोग गरी विभिन्न कोडिङ दृष्टिकोण र समस्या भिन्नताहरूको प्रभावलाई अज्ञातकरण गुणस्तर र प्रदर्शनमा अन्वेषण गर्दछौं। हाम्रो ज्ञानको लागि, यो समस्याको सामान्य मोडेल अन्तर्गत गैर-तर्जुमी डाटासेटको इष्टतम के-अनामीकरण प्रदर्शन गर्ने पहिलो परिणाम हो। |
1b7690012a25bb33b429dbd72eca7459b9f50653 | हामी मार्कोभ निर्णय प्रक्रिया (एमडीपी) वा आंशिक रूपमा अवलोकन योग्य मार्कोभ निर्णय प्रक्रिया (पीओएमडीपी) को लागि नीतिहरूको अन्तरिक्ष खोजी गर्ने समस्याको लागि नयाँ दृष्टिकोण प्रस्ताव गर्दछौं, एक मोडेल दिइएको छ। हाम्रो दृष्टिकोण निम्न अवलोकनमा आधारित छ: कुनै पनि (PO) MDP लाई समकक्ष POMDP मा रूपान्तरण गर्न सकिन्छ जसमा सबै राज्य संक्रमणहरू (वर्तमान राज्य र कार्य दिइएको) निर्धारणात्मक हुन्छन्। यसले नीति खोजको सामान्य समस्यालाई कम गर्छ जसमा हामीले केवल POMDPs लाई विचार गर्न आवश्यक छ जुन निर्धारणात्मक संक्रमणहरूसँग छ। हामी यी परिवर्तन भएका पीओएमडीपीमा सबै नीतिहरूको मूल्य अनुमान गर्ने प्राकृतिक तरिका दिन्छौं। नीति खोज तब उच्च अनुमानित मूल्य संग एक नीति को खोज गरेर बस प्रदर्शन गरिन्छ। हामी पनि अवस्था हाम्रो मूल्य अनुमान राम्रो हुनेछ अन्तर्गत, Kearns, Mansour र Ng [7] को ती समान सैद्धान्तिक परिणाम पुनः प्राप्त, तर "नमूना जटिलता" सीमा मात्र एक बहुपद भन्दा क्षितिज समय मा घातीय निर्भरता छ कि संग। हाम्रो विधि मनमाने POMDP हरूमा लागू हुन्छ, असीमित अवस्था र कार्य स्थान सहित। हामी पनि एक सानो असतत समस्या मा हाम्रो दृष्टिकोण को लागि अनुभवजन्य परिणाम प्रस्तुत, र एक साइकल सवारी सिक्ने समावेश एक जटिल निरन्तर राज्य / निरन्तर कार्य समस्या मा. |
e60778347ffb55b8b42ba831ffb8f8f7269182a5 | हाम्रो कामको मुख्य योगदान भनेको सिटीइन्जिन जस्ता उच्च विशेष सफ्टवेयरको प्यारामिट्रिक शहरी डिजाइनको लागि विधिहरू र घाँसकोट जस्ता सामान्य उद्देश्य प्यारामिट्रिक मोडेलिंग प्लेटफर्मको संयोजनमा छ। हाम्रो कामले शहरी डिजाइनका लागि आर्किटेक्ट र योजनाकारहरूद्वारा प्यारामिटरिक उपकरणहरूको प्रयोगलाई सजिलो र प्रोत्साहित गर्दछ। यस लेखमा हामी सडक सञ्जाल उत्पादन र ब्लक उपविभाजनको लागि अनुकूलित घाँसको कम्पोनेन्ट प्रस्तुत गर्दछौं। यो घटक राइनो कमोन एसडीके प्रयोग गरेर सी# मा विकसित गरिएको थियो। हामीले ग्रासहपरलाई एउटा शिक्षण अभ्यासमा शहरी डिजाइन प्रस्तावको विकासका लागि प्रयोग गर्यौं। शहरी डिजाइन परियोजनाको आवश्यकताहरू पूरा गर्न, अतिरिक्त कार्यक्षमताहरू विद्यमान घाँसको घटकहरूको दायरामा थप्न आवश्यक थियो। विशेष गरी हामीलाई सडक सञ्जाल उत्पादन र ब्लक उपविभाजनका लागि कम्पोनेन्टहरू चाहिएको थियो। कम्पोनेन्ट विकास गर्न हामीले सडक विस्तार रणनीतिहरू लागू गरेका छौं (वेबर एट अल, २००)) र ब्लक उपविभाजनका लागि विधिहरू (भनेगास एट अल, २००)) मा वर्णन गरिएको छ। यसका अतिरिक्त हामीले राइनोसेरोसको एनयूआरबीएस मोडेलिंग क्षमतालाई पूरा गर्नका लागि रणनीतिहरू अनुकूलन र सुधार गरेका छौं। |
c763bf953a3381d7631ccad11843cb35e8a37441 | धेरै व्यवसायहरूले मार्केटिङ आउटरीचका लागि सिफारिस प्रणालीहरू प्रयोग गरिरहेका छन्। सिफारिस एल्गोरिदमहरू सामग्रीमा आधारित हुन सक्छ वा सहयोगी फिल्टरिङद्वारा संचालित हुन सक्छ। हामी सामग्री जानकारीलाई सहयोगी फिल्टरिङको म्याट्रिक्स फ्याक्टराइजेशन दृष्टिकोणमा सिधै समावेश गर्ने विभिन्न तरिकाहरू अध्ययन गर्दछौं। यी सामग्री-बढाई म्याट्रिक्स फैक्टरि algorithms एल्गोरिदमहरूले सिफारिश शुद्धतामा सुधार मात्र गर्दैन, तर सामग्रीको बारेमा उपयोगी अन्तर्दृष्टि पनि प्रदान गर्दछ, साथै सिफारिसहरूलाई अझ सजिलै व्याख्या गर्न सकिन्छ। |
25eb626f0024f9733f0381d6c907c31a3f75c9c5 | लेखकहरूले २ अध्ययनको परिणामको बारेमा रिपोर्ट गरेका छन् जसमा आत्म- र अन्य नेतृत्वको मूल्याङ्कन, कार्यस्थल विचलन, र कार्य र सन्दर्भ प्रदर्शनसँग सम्बन्धित छ। अध्ययन १ को नतिजाले देखाएको छ कि नार्सिज्म नेतृत्वको बढ्दो आत्म-रेटिंगसँग सम्बन्धित थियो, जब ठूला पाँच विशेषताहरूको लागि नियन्त्रण गर्दा पनि। अध्ययन २ को नतिजाले पनि देखाएको छ कि नार्सिज्म नेतृत्वको आत्म-धारणामा सुधारसँग सम्बन्धित थियो; वास्तवमा, जबकि नार्सिज्म नेतृत्वको आत्म-रेटिंगसँग महत्त्वपूर्ण सकारात्मक सम्बन्ध थियो, यो नेतृत्वको अन्य रेटिंगसँग महत्त्वपूर्ण नकारात्मक सम्बन्ध थियो। अध्ययन २ ले पनि देखाएको छ कि अरु (सुपरिवेसर) को रेटिङको तुलनामा काम गर्ने स्थानको विचलन र सन्दर्भ प्रदर्शनको बढी अनुकूल आत्म-रेटिङसँग सम्बन्धित छ। अन्तमा, परिकल्पना गरिएको अनुसार, कामको प्रदर्शन भन्दा पनि संबन्धित प्रदर्शनसँग बढी नकारात्मक सम्बन्ध थियो। |
0ad0518637d61e8f4b151657797b067ec74418e4 | गहिरो सञ्जालहरू वर्गीकरण मोडेलको रूपमा सफलतापूर्वक प्रयोग गरिन्छ जब लेबल गरिएका नमूनाहरूको ठूलो संख्यामा प्रशिक्षित गर्दा अत्याधुनिक परिणामहरू प्राप्त गर्दछ। यी मोडेलहरू, तथापि, प्रायः अर्ध-पर्यवेक्षित समस्याहरूको लागि धेरै कम उपयुक्त हुन्छन् किनभने तिनीहरू सजिलैसँग ओभरफिट हुने प्रवृत्तिमा हुन्छन् जब थोरै डाटामा तालिम दिन्छन्। यस कार्यमा हामी नयाँ प्रशिक्षण उद्देश्यको अन्वेषण गर्नेछौं जुन लेबल गरिएको डाटाको सानो उप-सेटको साथ अर्ध-निरीक्षित शासनलाई लक्षित गर्दैछ। यो मापदण्ड लेबल गरिएका नमूनाहरूको सेट भित्र दूरी सम्बन्धमा गहिरो मेट्रिक एम्बेडिंगमा आधारित छ, साथसाथै लेबल नगरिएको सेटको एम्बेडिंगमा प्रतिबन्धहरू। अन्तिम सिकिएको प्रतिनिधित्वहरू युक्लिडियन स्पेसमा भेदभावपूर्ण हुन्छन्, र यसैले लेबल गरिएका नमूनाहरू प्रयोग गरेर पछिल्लो निकटतम-पड़ोसी वर्गीकरणको साथ प्रयोग गर्न सकिन्छ। |
e629bbeba17b8312fde05b0334760e6743d11a4d | |
308da0c615e83a4616c8a4d1cf8159bb35897dfe | हामी बिटकॉइन अर्थतन्त्रमा सञ्चालकहरूमा वितरित सेवा अस्वीकार (डीडीओएस) आक्रमणको प्रसार र प्रभावको बारेमा अनुभवजन्य अनुसन्धान प्रस्तुत गर्दछौं। त्यस उद्देश्यका लागि, हामी लोकप्रिय बिटकॉइन फोरम bitcointalk.org मा DDoS उल्लेख गर्ने पोष्टहरू संकलन र विश्लेषण गर्दछौं। मे २०११ देखि अक्टोबर २०१३ सम्मको अवधिमा गरिएको ३००० विभिन्न पोस्टबाट सुरु गर्दै हामीले ४० वटा बिटकॉइन सेवाहरूमा १४२ वटा अनौठा डीडीओएस आक्रमणहरू दस्तावेजीकरण गरेका छौं। हामीले पत्ता लगायौं कि ७ प्रतिशत सबै ज्ञात अपरेटरहरु आक्रमणमा परेका छन्, तर मुद्रा विनिमय, खानी पूल, जुवा अपरेटरहरु, ई-वालेट, र वित्तीय सेवाहरु अन्य सेवाहरु भन्दा धेरै आक्रमणमा पर्ने सम्भावना छ। संयोगले होइन, हामीले मुद्रा विनिमय र खानी पूलहरू क्लाउडफ्लेयर, इन्कैप्सुला, वा अमेजन क्लाउड जस्ता DDoS सुरक्षाको लागि धेरै बढी सम्भावना पाउँछौं। हामीले देखाएका छौं कि ती सेवाहरू जुन आक्रमणमा परेका छन् ती सेवाहरू जसले आक्रमणमा परेका छैनन् ती भन्दा तीन गुणा बढी DDoS विरोधी सेवाहरू खरीद गर्ने सम्भावना छ। हामीले पत्ता लगायौं कि ठूला खानी पोलहरू (त्योसँग ऐतिहासिक ह्याशरेट शेयरहरू कम्तिमा%% छन्) साना पोलहरू भन्दा DDoSed हुने सम्भावना धेरै छ। हामी माउन्ट Gox को रूपमा एक केस स्टडीको रूपमा मुद्रा एक्सचेन्जमा DDoS आक्रमणको लागि र २०१३ को वसन्तमा ट्रेडिंग भोल्युम र विनिमय दरहरूमा ठूलो स्पाइकको समयमा बनाइएको DDoS रिपोर्टहरूको एक असमान मात्रा फेला पार्नुहोस्। हामी बिटकॉइनमा डीडीओएस आक्रमणको अनुसन्धानका लागि भविष्यका अवसरहरूको रूपरेखा बनाएर निष्कर्ष निकाल्छौं। |
30acc826a84919f6474e2f91f9eba81c4b1824be | बिटकॉइनले कुनै पनि अघिल्लो क्रिप्टो-मुद्रा भन्दा व्यापक स्वीकृति प्राप्त गरेको छ; तर यसको सफलताले धोखाधडी गर्नेहरूको ध्यान पनि आकर्षित गरेको छ जसले परिचालन असुरक्षा र लेनदेन अपरिवर्तनीयताको फाइदा लिएका छन्। हामी बिटकॉइन एक्सचेन्जबाट लगानीकर्ताले सामना गर्ने जोखिमको अध्ययन गर्छौं, जुन बिटकॉइन र हार्ड मुद्राको बीचमा रूपान्तरण गर्दछ। हामीले विगत तीन वर्षमा स्थापित ४० वटा बिटकॉइन एक्सचेन्जको ट्र्याक रेकर्डको अध्ययन गर्यौं, र १८ वटा बन्द भए, ग्राहक खाताको ब्यालेन्स प्रायः नष्ट भए। [पृष्ठ २३-मा भएको चित्र] आनुपातिक जोखिम मोडल प्रयोग गरेर, हामीले फेला पारेका छौं कि एक्सचेन्जको लेनदेनको मात्राले यो बन्द हुने सम्भावना छ कि छैन भनेर संकेत गर्दछ। कम लोकप्रिय एक्सचेन्जहरू लोकप्रिय भन्दा बन्द हुने सम्भावना बढी हुन्छ। हामी एक तार्किक प्रतिगमन पनि प्रस्तुत गर्दछौं जसले लोकप्रिय एक्सचेन्जहरू सुरक्षा उल्लंघनको शिकार हुने बढी सम्भावना रहेको देखाउँदछ। |
1621f05894ad5fd6a8fcb8827a8c7aca36c81775 | यस कागजले उत्तल प्रोग्रामिंग (सीपी) समस्याहरूको महत्त्वपूर्ण वर्गलाई विचार गर्दछ, अर्थात्, स्टोकास्टिक कम्पोजिट अप्टिमाइजेसन (एससीओ), जसको उद्देश्य कार्य सामान्य गैर-स्मूथ र स्मूथ स्टोकास्टिक कम्पोनेन्टहरूको योग द्वारा दिइएको छ। एससीओले गैर-स्मूद, स्मूद र स्टोकास्टिक सीपीलाई केही विशेष केसहरूको रूपमा समेट्छ, यी समस्याहरूको समाधानका लागि अभिसरण दरमा एक मान्य तल्लो सीमा उत्तल प्रोग्रामिंगको क्लासिक जटिलता सिद्धान्तबाट ज्ञात छ। तर, यो तल्लो सीमा प्राप्त गर्न सक्ने अनुकूलन एल्गोरिदम कहिल्यै विकास भएको थिएन। यस कागजमा, हामी देखाउँछौं कि सरल दर्पण-अवतरण स्टोकास्टिक अनुमान विधिले यी समस्याहरूको समाधानको लागि कन्भर्जेन्सको सबैभन्दा राम्रो ज्ञात दर प्रदर्शन गर्दछ। हाम्रो प्रमुख योगदान सुचारु सीपी [32,34] को लागि नेस्टरोभको इष्टतम विधिमा आधारित त्वरित स्टोकास्टिक अनुमान (एसी-एसए) एल्गोरिथ्मको परिचय हो, र देखाउँदछ कि एसी-एसए एल्गोरिथ्मले एससीओको लागि अभिसरण दरमा माथि उल्लेखित तल्लो सीमा प्राप्त गर्न सक्छ। हाम्रो ज्ञानको सर्वश्रेष्ठ, यो पनि साहित्यमा पहिलो सार्वभौमिक इष्टतम एल्गोरिथ्म हो गैर-स्मूथ, स्मूथ र स्टोकास्टिक सीपी समस्याहरू समाधान गर्न। हामी एसी-एसए एल्गोरिथ्मको उल्लेखनीय फाइदाहरू अवस्थित विधिहरूमा स्टोकास्टिक प्रोग्रामिंग समस्याहरूको विशेष तर व्यापक वर्गको समाधानको सन्दर्भमा चित्रण गर्दछौं। |
0dd72887465046b0f8fc655793c6eaaac9c03a3d | [1] जे. शियाओ, एस. बेकर, आई. म्याथ्यूज, टी. कनाडे, वास्तविक समय संयुक्त 2D + 3D सक्रिय उपस्थिति मोडेलहरू, सीवीपीआर, pp.535-542, 2004। [2] एन. गोरियर, डी. हल, जे. एल. क्रौली, मुख्य अनुहारका सुविधाहरूको बलियो पत्ता लगाउनेबाट अनुहार अभिमुखीकरणको अनुमान, पोइन्टिंगको कार्यवाही 2004, आईसीपीआर, डेक्टिक गेस्टहरूको दृश्य अवलोकनमा अन्तर्राष्ट्रिय कार्यशाला, २०० 2004। [3] जी. फनेली, एम. डान्टोन, जे. ग्याल, ए. जेस्सीटी, एल. भान गोल, र्यान्डम फोरेस्ट्स रियल टाइम थ्रीडी फेस एनालिसिसका लागि, आईजेसीभी, pp.437-458, २०१।। [4] Y. LeCun, R. Bottou, Y. Bengio, P. Haffner, ग्र्याडिएन्ट-आधारित लर्निंग कागजात मान्यतामा लागू गरियो, प्रो। आईईईई, खण्ड ८६, होइन। ११, पृ.२२७८-२३२४, १९९८ [5] ए. क्रिजवेस्की, आई. सुट्स्केभर, जी. ई. हिन्टन, गहिरो कन्भोल्युसनल न्यूरल नेटवर्कको साथ छविनेट वर्गीकरण, एनआईपीएस, pp.1106-1114, २०१२। यो काम कोरियाली सरकारद्वारा वित्त पोषित कोरियाको राष्ट्रिय अनुसन्धान फाउन्डेसन (एनआरएफ) अनुदानद्वारा समर्थित थियो। २०१०-००२८६८०) प्रस्तावित विधि सामान्य हेड पोज अनुमान दृष्टिकोण |
93ffe14e172976135d167fb593c4b97e0ff14faa | ध्यान केन्द्रित गर्ने दृश्य र मानसिक अवस्थाको सूचकको रूपमा टाउकोको स्थिति प्रयोग गर्ने ड्राइभर सहायता प्रणालीमा ठूलो चासो केन्द्रित छ। वास्तवमा, टाउकोको स्थिति अनुमान एक प्रविधि हो जसले क्यामेराको दृश्यको सापेक्ष टाउकोको अभिमुखीकरण घटाउन अनुमति दिन्छ र मोडेल-आधारित वा उपस्थिति-आधारित दृष्टिकोणहरू द्वारा प्रदर्शन गर्न सकिन्छ। मोडेलमा आधारित दृष्टिकोणले सामान्यतया अनुहारको विशेषताबाट प्राप्त अनुहारको ज्यामितीय मोडेल प्रयोग गर्दछ, जबकि उपस्थितिमा आधारित प्रविधिहरूले सम्पूर्ण अनुहार छवि प्रयोग गर्दछ जुन वर्णनकर्ताले चित्रण गर्दछ र सामान्यतया पोज अनुमानलाई वर्गीकरण समस्याको रूपमा लिन्छ। उपस्थितिमा आधारित विधिहरू छिटो र असतत मुद्रा अनुमान गर्न अनुकूल छन्। तर, यसको कार्यक्षमता टाउकोको विवरणमा निर्भर हुन्छ, जसलाई राम्रोसँग छनौट गर्नुपर्दछ ताकि अनुहारको उपस्थितिमा रहेको पहिचान र प्रकाशको बारेमा जानकारी कम गर्न सकियोस् । यस लेखमा, हामी एक दृश्यमा आधारित असतत टाउको स्थिति अनुमान प्रस्ताव गर्दछौं जसले मोनोकुलर दृश्य स्पेक्ट्रम छविहरूबाट चालकको ध्यान स्तर निर्धारण गर्ने लक्ष्य राख्दछ, यदि अनुहारका सुविधाहरू देखिँदैन भने पनि। स्पष्ट रूपमा, हामी पहिले चार सबैभन्दा सान्दर्भिक अभिमुखीकरण-आधारित हेड डिस्क्रिप्टर्सको फ्यूजनको परिणामस्वरूप एक उपन्यास डिस्क्रिप्टर प्रस्ताव गर्दछौं, अर्थात् स्टेरिएबल फिल्टरहरू, अभिमुखीकृत ग्रेडियन्टहरूको हिस्टोग्राम (एचओजी), हायर सुविधाहरू, र द्रुत गतिमा बलियो सुविधा (एसयूआरएफ) डिस्क्रिप्टरको अनुकूलित संस्करण। दोस्रो, डिस्क्रिप्टरको विशेषताहरूको कम्प्याक्ट, सान्दर्भिक र सुसंगत उप-सेट प्राप्त गर्न, केही प्रसिद्ध विशेषता चयन एल्गोरिदमहरूमा तुलनात्मक अध्ययन गरिन्छ। अन्तमा, प्राप्त उपसमूह वर्गीकरण प्रक्रियाको अधीनमा छ, समर्थन भेक्टर मेसिन (एसवीएम) द्वारा प्रदर्शन गरिएको, टाउको स्थिति भिन्नताहरू सिक्न। हामीले सार्वजनिक डाटाबेस (पोइन्टिङ ०४) र हाम्रो वास्तविक संसार अनुक्रमको प्रयोगमा देखाएअनुसार हाम्रो दृष्टिकोणले टाउकोको वर्णन उच्च शुद्धताका साथ गर्छ र अत्याधुनिक विधिहरूको तुलनामा टाउकोको स्थितिको बलियो अनुमान प्रदान गर्छ। |
a6c04f3ba5a59bdeedb042835c8278e0d80e81ff | यस कागजमा Q-LINKPAN अनुप्रयोगको लागि कम प्रोफाइल सब्सट्रेट-एकीकृत वेभगाइड गुहा-समर्थित ई-आकारको प्याच एन्टेना प्रस्ताव गरिएको छ। सञ्चालन ब्यान्डविथ विस्तार गर्नको लागि, एक को-प्लेनार वेवगाइड (सीपीडब्ल्यू) को प्रयोग प्रस्तावित एन्टेनालाई एक धातुकृत मार्फत एक थप अनुनाद मोड उत्पन्न गर्नको लागि प्रयोग गरिन्छ। यसको अतिरिक्त, सतहको तरंगलाई दबाउन र विकिरण दक्षता सुधार गर्न सब्सट्रेटमा एकीकृत गुहा प्रयोग गरिन्छ। ई-प्लेन विकिरण ढाँचा र एच-प्लेन क्रस ध्रुवीकरणको सममिति सुधार गर्न डिजाइनमा भिन्नता खुवाउने नेटवर्क प्रयोग गरिएको छ। २ डलरको प्रोटोटाइप डिजाइन, निर्माण र प्रदर्शनको लागि मापन गरिएको छ। मापन गरिएका नतिजाहरूले देखाउँछ कि प्रोटोटाइपमा १० डीबी प्रतिबाधा ब्यान्डविथ ३४.४% छ, लामो दूरीका अनुप्रयोगहरूको लागि ३७.५-४६ गीगाहर्ट्ज भित्रको साँघुरो ई-प्लेन विकिरण बीमको साथ करीव १२.५ डीबीआईको लाभ, र छोटो दूरीका अनुप्रयोगहरूको लागि ४७-५३ गीगाहर्ट्ज भित्रको फराकिलो ई-प्लेन विकिरण बीमको साथ करीव ८ डीबीआईको लाभ। प्रस्तावित प्रविधिको प्रयोग कम्प्याक्ट प्लानर एन्टेना विकास गर्नका लागि प्रयोग गर्न सकिन्छ जुन उभरिरहेको Q-LINKPAN वायरलेस प्रणालीको छोटो र लामो दूरीको संचार आवश्यकताहरू दुवै पूरा गर्न सकिन्छ। |
2dec5b671af983b1e57418434932f0320f51e9ca | नेभ बेय्स प्रेरण एल्गोरिदमहरू पहिले नै धेरै वर्गीकरण कार्यहरूमा आश्चर्यजनक रूपमा सटीक देखाइएको थियो जब सशर्त स्वतन्त्रता धारणा जुन तिनीहरूमा आधारित छ उल्ल is्घन गरिएको छ तर धेरै जसो अध्ययनहरू साना डाटाबेसहरूमा गरिएको थियो हामी देखाउँदछौं कि केही ठूला डाटाबेसमा नेभ बेय्सको शुद्धता निर्णय रूखहरू जस्तै स्केल अप हुँदैन हामी त्यसपछि नयाँ एल्गोरिथ्म एनबीट्री प्रस्ताव गर्दछौं जुन निर्णय रूख वर्गीकरणकर्ता र नेभ बेय्स वर्गीकरणकर्ताहरूको हाइब्रिड हो निर्णय रूख नोडहरूमा नियमित निर्णय रूखहरू जस्तै भिन्न भिन्न विभाजनहरू हुन्छन् तर पातहरूमा नेभ बेयसियन वर्गीकरणकर्ताहरू हुन्छन्। दृष्टिकोणले नेभ बेय्स र निर्णय रूखहरूको व्याख्यात्मकतालाई कम गर्दछ जबकि वर्गीकरणमा परिणाम दिन्छ जुन प्रायः दुबै ठूला घटकहरू विशेष गरी परीक्षण गरिएको डाटाबेसमा प्रदर्शन गर्दछ। |
43c0ff1070def3d98f548b7cbf523fdd4a83827a | बहु-मिडिया सामग्रीले आजको वेब सूचनामा प्रभुत्व जमाइरहेको छ। मल्टिमिडिया प्रयोगकर्ता-आइटम अन्तरक्रियाको प्रकृति १/० बाइनरी निहित प्रतिक्रिया हो (उदाहरणका लागि, फोटो मनपर्दछ, भिडियो दृश्यहरू, गीत डाउनलोडहरू, आदि। ), जुन स्पष्ट प्रतिक्रिया (उदाहरणका लागि उत्पाद मूल्याङ्कन) भन्दा धेरै कम लागतको साथ ठूलो मात्रामा संकलन गर्न सकिन्छ। तथापि, विद्यमान सहयोगी फिल्टरिङ (सीएफ) प्रणालीको बहुमत मल्टिमिडिया सिफारिसका लागि राम्रोसँग डिजाइन गरिएको छैन, किनकि यसले मल्टिमिडिया सामग्रीसँग प्रयोगकर्ताहरूको अन्तरक्रियामा निहिततालाई बेवास्ता गर्दछ। हामी तर्क गर्छौं कि, मल्टिमिडिया सिफारिसमा, वस्तु र घटक स्तरमा निहितता छ जसले अन्तर्निहित प्रयोगकर्ताहरूको प्राथमिकताहरू धुंधला गर्दछ। वस्तु-स्तरको निहितताको अर्थ हो कि वस्तुहरूमा प्रयोगकर्ताहरूको प्राथमिकताहरू (उदाहरणका लागि, फोटो, भिडियो, गीत आदि) अज्ञात छन्, जबकि घटक-स्तरको निहितताले प्रत्येक वस्तु भित्र प्रयोगकर्ताहरूको प्राथमिकताहरू फरक घटकहरूमा (उदाहरणका लागि, छविमा क्षेत्रहरू, भिडियोको फ्रेमहरू, आदि) अज्ञात छन्। उदाहरणका लागि, भिडियोमा दृश्य ले प्रयोगकर्तालाई भिडियो कसरी मन पर्छ (अर्थात् वस्तु-स्तर) र भिडियोको कुन भागमा प्रयोगकर्ता रुचि राख्छ (अर्थात् घटक-स्तर) भन्ने बारे कुनै विशेष जानकारी प्रदान गर्दैन। यस लेखमा, हामी ध्यान केन्द्रित गर्ने संयन्त्रको परिचय दिन्छौं जसले मल्टीमीडिया सिफारिसमा चुनौतीपूर्ण वस्तु र घटक स्तरको निहित प्रतिक्रियालाई सम्बोधन गर्न सक्छ, जसलाई ध्यान केन्द्रित सहयोगी फिल्टरि (एसीएफ) भनिन्छ। विशेष गरी, हाम्रो ध्यान मोडेल एक तंत्रिका नेटवर्क हो जुन दुई ध्यान मोड्युलहरू समावेश गर्दछः घटक-स्तर ध्यान मोड्युल, कुनै पनि सामग्री सुविधा निकासी नेटवर्कबाट सुरू गरेर (उदाहरणका लागि, सीएनएन छविहरू/भिडियोहरूको लागि), जसले मल्टीमीडिया वस्तुहरूको सूचनात्मक घटकहरू चयन गर्न सिक्छ, र वस्तु-स्तर ध्यान मोड्युल, जसले वस्तु प्राथमिकताहरू स्कोर गर्न सिक्छ। एसीएफलाई क्लासिक सीएफ मोडेलमा सहजै समाहित गर्न सकिन्छ जसमा निहित प्रतिक्रिया हुन्छ, जस्तै बीपीआर र एसवीडी ++, र एसजीडी प्रयोग गरेर कुशलतापूर्वक प्रशिक्षण दिन सकिन्छ। दुई वास्तविक संसारका मल्टिमिडिया वेब सेवाहरूमा व्यापक प्रयोगहरू मार्फत: वाइन र पिन्टेरेस्ट, हामी देखाउँछौं कि एसीएफले अत्याधुनिक सीएफ विधिहरू भन्दा उल्लेखनीय प्रदर्शन गर्दछ। |
421703f469c46e06bddf0642224e75189b208af6 | |
25ac694fa23f733679496a139e9168472e267865 | यस लेखमा हामी स्वचालित सुविधा ईन्जिनियरिङ्का लागि दुई अत्याधुनिक दृष्टिकोणहरूको अध्ययन, तुलना र संयोजन गर्दछौंः कन्भोल्युसन ट्री कर्नेलहरू (सीटीके) र कन्भोल्युसनल न्यूरल नेटवर्कहरू (सीएनएन) प्रश्न उत्तर (क्यूए) सेटिंगमा उत्तर वाक्यहरू क्रमबद्ध गर्न सिक्नका लागि। QA सँग सम्बन्धित हुँदा, मुख्य पक्ष भनेको सिक्ने एल्गोरिदममा प्रश्न र उत्तरका घटकहरू बीचको सम्बन्ध जानकारीलाई एन्कोड गर्नु हो। यस उद्देश्यका लागि, हामी सम्बन्ध सम्बन्धी जानकारी प्रयोग गरेर र तिनीहरूलाई सम्बन्ध सम्बन्धी सीटीकेसँग मिलाएर उपन्यास सीएनएनहरू प्रस्ताव गर्दछौं। परिणामले देखाउँछ कि (i) दुवै दृष्टिकोणले प्रश्नको उत्तर दिने कार्यमा प्रविधिको राज्य प्राप्त गर्दछ, जहाँ सीटीकेले उच्च शुद्धता उत्पादन गर्दछ र (ii) त्यस्ता विधिहरूको संयोजनले अभूतपूर्व उच्च परिणामहरू दिन्छ। |
6882dcb241f5aaefe85025bf754f8dd1c1502df1 | हाम्रो लक्ष्य भनेको रोबोटिक्स र स्वचालित प्रविधिलाई न्यूरो रिहाबिलिटेशनलाई सहयोग, बढाउन, मापन र दस्तावेजीकरण गर्न प्रयोग गर्नु हो। यस लेखमा म्यासाचुसेट्स इन्स्टिच्युट अफ टेक्नोलोजी, क्याम्ब्रिज (एमआईटी) मा विकसित र न्यूयोर्कको वाइट प्लेन्सको बुर्क रिहाबिलिटेशन हस्पिटलमा परीक्षण गरिएको रोबोट-सहायता पुनर्वास सुविधाको प्रोटोटाइपको साथ २० स्ट्रोक बिरामीहरू समावेश भएको क्लिनिकल परीक्षणको समीक्षा गरिएको छ। यसले रोबोट-सहायता मूल्यांकन प्रक्रियामा संकलन गरिएको गतिजन्य डाटाको विश्लेषण गर्ने हाम्रो दृष्टिकोण पनि प्रस्तुत गर्दछ। विशेष गरी, हामी प्रमाण प्रस्तुत गर्दछौं १) कि रोबोट-सहायता प्राप्त थेरापीको प्रतिकूल प्रभाव हुँदैन, २) कि बिरामीहरूले प्रक्रिया सहन गर्छन्, र ३) कि कमजोर अंगको परिधीय हेरफेरले मस्तिष्कको पुनः प्राप्तिलाई प्रभाव पार्न सक्छ। यी नतिजाहरू मानक क्लिनिकल मूल्यांकन प्रक्रियाहरूमा आधारित छन्। हामी रोबोट-सहायता मूल्यांकन प्रक्रियामा गतिज डाटा प्रयोग गरेर एउटा दृष्टिकोण पनि प्रस्तुत गर्दछौं। |
106804244aeca715094e12266e3233adca5b78af | ओर्थोटिक्सको क्षेत्रमा नवीन प्राविधिक प्रगति, जस्तै पोर्टेबल पावर ओर्थोटिक प्रणाली, पुनर्वासको कार्यात्मक परिणाम सुधार गर्न नयाँ उपचार मोडेलहरू सिर्जना गर्न सक्दछ। यस लेखमा हामी एक नयाँ पोर्टेबल पावर एंकल-फुट ओर्थोसिस (पीपीएएफओ) प्रस्तुत गर्दछौं जसले हिड्ने क्रममा अनट्यान्ड सहायता प्रदान गर्दछ। पीपीएएफओले प्लान्टार फ्लेक्सर र डोरसिफ्लेक्सर दुबैलाई द्विदिशात्मक वायमेटिक रोटरी एक्ट्युएटरको माध्यमबाट टोकरी सहायता प्रदान गर्दछ। प्रणालीले एक पोर्टेबल वायमेटिक पावर स्रोत (संकुचित कार्बन डाइअक्साइड बोतल) र एम्बेडेड इलेक्ट्रोनिक्सको प्रयोग गर्दछ खुट्टाको एक्टुएसन नियन्त्रण गर्न। हामीले एक अशक्त र तीन गैर-अशक्त व्यक्तिहरूको प्रयोगात्मक डेटा संकलन गर्यौं डिजाइनको कार्यक्षमता प्रदर्शन गर्नका लागि। कमजोरी भएका व्यक्तिमा कडा इक्विना सिन्ड्रोमका कारण खुट्टाको तल्लो भागमा द्विपक्षीय कमजोरी थियो। हामीले पत्ता लगायौं कि गैर-अशक्तता भएका मानिसहरुबाट प्राप्त डाटाले PPAFO को क्षमतालाई सही समयमै पादपन्थी फ्लेक्सर र डोरसिफ्लेक्सर सहायता प्रदान गर्ने क्षमतालाई प्रदर्शन गर्यो। अशक्त नभएको अवस्थामा पनि टिसियालिस एन्टेरियरको सक्रियता कम भएको पाइएको छ। कमजोर व्यक्तिहरूको लागि सहायता परीक्षणको क्रममा स्थितिको दोस्रो आधा समयमा ठाडो जमीन प्रतिक्रिया बलमा वृद्धि देखा पर्यो। गैर-अशक्तता भएका मानिसहरूको डाटाले कार्यक्षमता प्रदर्शन गर्यो, र एक अशक्तता भएका मानिसहरूको डाटाले फंक्शनल प्लान्टार फ्लेक्सर सहायता प्रदान गर्ने क्षमता प्रदर्शन गर्यो। |
8ef2a5e3dffb0a155a14575c8333b175b61e0675 | |
8d2dd62b1784794e545d44332a5cb66649af0eca | यस लेखमा नेटवर्क घनत्वको बारेमा छलफल गरिएको छ जुन आगामी दशकमा वायरलेस विकासको लागि महत्वपूर्ण संयन्त्र हो। नेटवर्क घनत्वकरणमा अन्तरिक्षमा घनत्वकरण (उदाहरणका लागि साना सेलहरूको घना तैनाती) र फ्रिक्वेन्सी (विभिन्न ब्यान्डहरूमा रेडियो स्पेक्ट्रमको ठूलो भाग प्रयोग गरेर) समावेश छ। स्व-संगठित सञ्जाल र अन्तर-कोषीय हस्तक्षेप व्यवस्थापनले ठूलो मात्रामा लागत-प्रभावी स्थानिक घनत्वलाई सहज बनाएको छ। नेटवर्कको घनत्वको पूर्ण लाभ तब मात्र प्राप्त गर्न सकिन्छ जब यसलाई ब्याकहाउल घनत्व र हस्तक्षेप रद्द गर्न सक्षम उन्नत रिसीभरहरू द्वारा पूरक गरिन्छ। |
cdee17ad8dc9cf6cf074512d8c2e776e0ff4d18c | अहिलेको समयमा प्रविधिको तीव्र विकासले मानिसहरूलाई नयाँ र क्रान्तिकारी अवधारणामा पुर्याएको छ, जसलाई इन्टरनेट अफ थिंग्स भनिन्छ। यस मोडेलले सबै "वस्तुहरू" लाई अनिवार्य गर्दछ, जस्तै व्यक्तिगत वस्तुहरू (स्मार्टफोन, नोटबुक, स्मार्ट घडी, ट्याब्लेटहरू आदि), सेन्सरहरू सहित ईलेक्ट्रोनिक उपकरणहरू र अन्य वातावरणीय तत्वहरू सँधै साझा नेटवर्कमा जडित हुन्छन्। यसैले, नेटवर्कमा पहिचान गरिएको उपकरण प्रयोग गरेर कुनै पनि समयमा कुनै पनि स्रोतमा पहुँच गर्न सकिन्छ। यद्यपि आईओटी आर्थिक र सामाजिक रूपमा लाभदायक हुन सक्छ, यस्तो प्रणालीको कार्यान्वयनले धेरै कठिनाइहरू, जोखिमहरू र सुरक्षा मुद्दाहरू खडा गर्दछ जुन विचारमा लिनुपर्दछ। आज, इन्टरनेटको वास्तुकलालाई अपडेट र पुनर्विचार गर्नुपर्दछ ताकि ट्रिलियन उपकरणहरू एक अर्कामा जोड्न र तिनीहरू बीचको अन्तरक्रियाशीलता सुनिश्चित गर्न। यद्यपि, सबैभन्दा महत्त्वपूर्ण समस्या आईओटीको सुरक्षा आवश्यकताहरू हुन्, जुन सम्भवतः यस क्षेत्रको अपेक्षाकृत ढिलो विकासको मुख्य कारणहरू मध्ये एक हो। यस कागजातले सबैभन्दा महत्त्वपूर्ण अनुप्रयोग तह प्रोटोकलहरू प्रस्तुत गर्दछ जुन हाल आईओटी सन्दर्भमा प्रयोग भइरहेको छः सीओएपी, एमक्यूटीटी, एक्सएमपीपी। हामी यी दुवैको बारेमा अलग अलग र तुलनात्मक रूपमा चर्चा गर्छौं, यी प्रोटोकलहरूले प्रदान गर्ने सुरक्षामा ध्यान केन्द्रित गर्दै। अन्तमा, हामी केही भविष्यका अनुसन्धान अवसरहरू र निष्कर्षहरू प्रदान गर्दछौं। |
e4f7706213ee2bc9b1255c82c88990992ed0fddc | यस पत्रमा एक ब्रडब्यान्ड स्ट्याक्ड सर्कुलर प्याच एन्टेना प्रस्तुत गरिएको छ। ब्रडब्यान्ड विशेषता क्षमतात्मक रूपमा जोडिएको फिड संरचना प्रयोग गरेर प्राप्त गरिन्छ। एन्टेनालाई समान परिमाण र लगातार ९० डिग्री चरण परिवर्तनको साथ चार आउटपुट पोर्टको फराकिलो ब्यान्ड फिड नेटवर्कबाट खुवाइएको छ। अन्तिम एन्टेनाले जीपीएस, ग्लोनास, ग्यालिलियो र कम्पास सहित ग्लोबल नेभिगेसन स्याटेलाइट सिस्टम अनुप्रयोगहरूको लागि धेरै राम्रो गोलाकार ध्रुवीकृत विकिरण प्रदान गर्दछ। |
bd0b7181eb8b2cb09a4e1318649d442986cf9697 | यस लेखमा द्विदिशात्मक पुश-पुल डीसी-डीसी कन्भर्टरको लागि विश्लेषण र मोडेलिंग प्रस्तुत गरिएको छ। विशेष गरी, PWM प्लस चरण-शिफ्ट नियन्त्रण संग रिसाव वर्तमान को कमी को लागी ध्यान दिईन्छ। विभिन्न परिचालन अवस्थाका लागि दक्ष मोडहरू पहिचान गर्न विभिन्न परिचालन मोडहरूमा चुहावट वर्तमान तुलना गरिएको छ। राज्य अन्तरिक्ष औसतकरण विधि सबैभन्दा कुशल मोड को सानो संकेत र ठूलो संकेत मोडेल व्युत्पन्न गर्न अपनाइन्छ। ३०~७०V/300V प्रोटोटाइप बनाइएको थियो। सिमुलेसन र प्रयोगात्मक दुवै परिणामले मोडेलको वैधता प्रमाणित गर्छन्। |
60e3f74c98407e362560edbcb10a094e2a64c3ce | माइक्रोब्लग सन्देशहरूले हालको भावना विश्लेषण प्रविधिहरूको लागि गम्भीर चुनौतीहरू खडा गर्दछन् किनकि केही अन्तर्निहित विशेषताहरू जस्तै लम्बाई सीमा र अनौपचारिक लेखन शैली। यस लेखमा, हामी चिनियाँ माइक्रोब्लग सन्देशहरूबाट राय लक्ष्यहरू निकाल्ने समस्याको अध्ययन गर्दछौं। माइक्रोब्लगमा यस्तो सफा शब्द स्तरको कार्यको बारेमा राम्रोसँग अनुसन्धान भएको छैन। हामी समस्या समाधान गर्नको लागि एक अनसुर्पेक्षित लेबल प्रसारण एल्गोरिथ्म प्रस्ताव गर्दछौं। एक विषय मा सबै सन्देशहरु को राय लक्ष्यहरु सामूहिक रूप मा निकालेको छ कि समान सन्देशहरु समान राय लक्ष्यहरु मा ध्यान केन्द्रित गर्न सक्छन् भन्ने धारणा को आधार मा। माइक्रोब्लगमा विषयहरू ह्यासट्यागद्वारा वा क्लस्टरिङ एल्गोरिदम प्रयोग गरेर पहिचान गरिन्छ। चिनियाँ माइक्रोब्लगमा प्रयोगात्मक परिणामले हाम्रो ढाँचा र एल्गोरिदमको प्रभावकारिता देखाउँछ। |
04e34e689386604ab37780c48797352321f95102 | सिग्नल प्रोसेसिंग र ढाँचा पहिचान एल्गोरिदमले कन्भोल्युसनको व्यापक प्रयोग गर्दछ। धेरै अवस्थामा, कम्प्युटेशनल सटीकता कम्प्युटेशनल गति जत्तिकै महत्त्वपूर्ण हुँदैन। उदाहरणका लागि, विशेषता निकासीमा, संकेतमा रुचिको विशेषताहरू सामान्यतया धेरै विकृत हुन्छन्। यस प्रकारको आवाजले केही स्तरको क्वांटिजेसनलाई औचित्य दिन्छ ताकि छिटो सुविधा निकासी प्राप्त गर्न सकियोस्। हाम्रो दृष्टिकोणमा संकेतको क्षेत्रहरूलाई कम डिग्री बहुपदहरूको साथ नजिकबाट हेर्नु र त्यसपछि परिणाम संकेतहरूलाई भिन्नता दिनु हो ताकि आवेग प्रकार्यहरू (वा आवेग प्रकार्यहरूको व्युत्पन्नहरू) प्राप्त गर्न सकियोस्। यस प्रतिनिधित्वको साथ, कन्भोल्युसन अत्यन्त सरल हुन्छ र धेरै प्रभावकारी रूपमा लागू गर्न सकिन्छ। वास्तविक संकुचनको परिणामलाई एकीकृत गरेर पुनः प्राप्त गर्न सकिन्छ। यो विधिले सुविधा निकासीमा पर्याप्त गति दिन्छ र कन्भोल्युसनल न्यूरल नेटवर्कहरूमा लागू हुन्छ। |
0fb1b0ce8b93abcfd30a4bb41d4d9b266b1c0f64 | यस कागजले दृश्य वस्तु पत्ता लगाउने ढाँचाको वर्णन गर्दछ जुन उच्च पत्ता लगाउने दरहरू प्राप्त गर्दा अत्यन्त द्रुत रूपमा छविहरू प्रशोधन गर्न सक्षम छ। यसका तीन प्रमुख योगदान छन्। पहिलो भनेको नयाँ छवि प्रतिनिधित्वको परिचय हो जसलाई Integral Image भनिन्छ जसले हाम्रो डिटेक्टरले प्रयोग गर्ने सुविधाहरू धेरै चाँडै गणना गर्न अनुमति दिन्छ। दोस्रो एक सिक्ने एल्गोरिथ्म हो, AdaBoost मा आधारित, जसले महत्वपूर्ण दृश्य सुविधाहरूको एक सानो संख्या चयन गर्दछ र अत्यधिक कुशल वर्गीकरणकर्ताहरू उत्पन्न गर्दछ। तेस्रो योगदान वर्गीकरणकर्ताहरूलाई कास्केडमा मिलाउने विधि हो जसले छविको पृष्ठभूमि क्षेत्रहरूलाई छिटो खारेज गर्न अनुमति दिन्छ जबकि आशाजनक वस्तु-जस्तो क्षेत्रहरूमा बढी गणना खर्च गर्दछ। अनुहार पहिचानको क्षेत्रमा प्रयोगहरूको एक समूह प्रस्तुत गरिएको छ। प्रणालीले अनुहार पत्ता लगाउने कार्यक्षमता प्रदान गर्दछ जुन उत्तम अघिल्लो प्रणालीहरूसँग तुलना गर्न सकिन्छ [१८, १३, १६, १२, १] । सामान्य डेस्कटपमा लागू गरिएको अनुहार पत्ता लगाउने प्रणालीले प्रति सेकेन्ड १५ फ्रेमको गतिमा काम गर्छ। |
2d0f96c27695b213a55bcd5681bf1dba9dc5ad94 | सफ्टवेयरमा समावेश बौद्धिक सम्पत्तिको आक्रमणका तीन प्रकारहरू र तिन सम्बन्धित प्राविधिक रक्षाहरू हामी पहिचान गर्छौं। रिभर्स इन्जिनियरिङको विरुद्धको एउटा शक्तिशाली रक्षा भनेको ओफसकेसन हो, एउटा यस्तो प्रक्रिया जसले सफ्टवेयरलाई असम्भव बनाउँछ तर अझै पनि कार्यशील बनाउँछ। सफ्टवेयर चोरी विरुद्धको रक्षा वाटरमार्किंग हो, एक प्रक्रिया जसले सफ्टवेयरको उत्पत्ति निर्धारण गर्न सम्भव बनाउँछ। हेरफेर विरुद्धको रक्षा हेरफेर-प्रूफिंग हो, ताकि सफ्टवेयरमा अनधिकृत परिमार्जनहरू (उदाहरणका लागि वाटरमार्क हटाउन) को परिणामस्वरूप गैर-कार्यात्मक कोड हुनेछ। हामी प्रत्येक प्रकारको रक्षाका लागि उपलब्ध प्रविधिबारे संक्षिप्त समीक्षा गर्छौं। |
51fe1d8999b48a499fc711df1a27ce6966fd2f65 | एक संधारित्र वा इन्डक्टर सानो एन्टेनाको रूपमा कार्य गर्दछ सैद्धान्तिक रूपमा यसको आकारको स्वतन्त्र, सर्किट घाटा बिना ट्यूनिंगको धारणामा निश्चित मात्रामा शक्ति अवरोध गर्न सक्षम छ। यो आदर्शको सापेक्ष व्यावहारिक दक्षता एन्टेनाको "रेडिएसन पावर फ्याक्टर" द्वारा सीमित छ जुन एन्टेना ट्युनिंगको पावर फ्याक्टर र ब्यान्डविथसँग तुलना गरिएको छ। कुनै पनि प्रकारको एन्टेनाको विकिरण शक्ति कारक (1/6π) (Ab/l2) भन्दा केही ठूलो हुन्छ जसमा Ab एन्टेनाले ओगटेको बेलनाकार आयतन हो, र l रेडियन लम्बाई हो (१/२π तरंगदैर्ध्यको रूपमा परिभाषित) अपरेटिंग फ्रिक्वेन्सीमा। एन्टेनाको ट्यूनरसँगको जोडको निकटताले दक्षतालाई थप सीमित गर्दछ। साना एन्टेनाहरूको अधिक आधारभूत गुणहरू र साधारण सर्किटमा उनीहरूको व्यवहारका लागि अन्य सरल सूत्रहरू दिइएका छन्। १-एमसीका लागि उदाहरणहरू। सामान्य सर्किटमा सञ्चालनले आई.आर.ई.को लागि लगभग ३५ डीबीको हानि देखाउँछ। मानक क्षमतात्मक एन्टेना, 43 db एक ठूलो लूप को लागी एक अक्षीय लम्बाई द्वारा 0.5 मीटर को एक वर्ग वर्ग को एक मात्रा कब्जा, र 64 db यी आयामहरु को 1/5 को एक लूप को लागी। |
b3a7ef30218832c1ab69cf18bee5aebb39dc746f | एक उपन्यास ±45 डिग्री दोहोरो ध्रुवीकृत एक दिशा एन्टेना तत्व प्रस्तुत गरिएको छ, दुई क्रस केन्द्र-खाद्य टेपर मोनो-लूप र दुई क्रस इलेक्ट्रिक डाइपोलहरू अल्ट्रावाइडब्यान्ड अनुप्रयोगहरूको लागि रिफ्लेक्टरको बिरूद्ध अवस्थित छन्। असन्तुलित उर्जालाई सन्तुलित उर्जामा ट्रान्जिट गर्नका लागि दीर्घवृत्तीय रूपमा सान्निध्ययुक्त प्रसारण लाइनको प्रयोग सहित एन्टेनाको अपरेशन सिद्धान्त वर्णन गरिएको छ। विभिन्न परावर्तनकर्ताहरू-प्लेनार वा कोनिकल-को साथ डिजाइनहरू अनुसन्धान गरिन्छ। एक मापन गरिएको ओभरल्याप प्रतिरोध ब्यान्डविथ १२%% (SWR <; २) को प्रदर्शन गरिएको छ। संरचनाको पूरक प्रकृतिका कारण, एन्टेनासँग कम क्रस पोलराइजेशन र कम ब्याक लोब विकिरणको साथ अपरेटिंग ब्यान्डमा तुलनात्मक रूपमा स्थिर ब्रॉडसाइड विकिरण ढाँचा छ। प्रस्तावित एन्टेनाको मापन लाभ 4 देखि 13 dBi र 7 देखि 14.5 dBi पोर्ट 1 र पोर्ट 2, क्रमशः, सञ्चालन ब्यान्ड भन्दा, एक शंकु जस्तै समर्थन रिफ्लेक्टर विरुद्ध माउन्ट गर्दा भिन्न हुन्छ। दुई पोर्टहरू बीच मापन युग्मन सञ्चालन ब्यान्डमा -25 dB भन्दा कम छ। |
ef7d230c4f24ccc1c70fe9fbfb8936488aea92ba | यस लेखमा, हामी तंत्रिका मेसिन अनुवादको ढाँचा प्रयोग गर्छौं ६ वटा विभिन्न भाषामा संयुक्त वाक्यको प्रतिनिधित्व सिक्नका लागि। हाम्रो उद्देश्य भनेको भाषाबाट स्वतन्त्र प्रतिनिधित्व हो, यसले अन्तर्निहित अर्थशास्त्रलाई समात्न सक्छ। हामी एक नयाँ क्रसलिङ्गुअल समानता मापन परिभाषित गर्छौं, १.४ मिलियन वाक्य प्रतिनिधित्वहरू तुलना गर्छौं र नजिकका वाक्यहरूको विशेषताहरू अध्ययन गर्छौं। हामी प्रयोगात्मक प्रमाण प्रदान गर्दछौं कि अन्तरिक्षमा सम्मिलित वाक्यहरू वास्तवमै अर्थपूर्ण रूपमा अत्यधिक सम्बन्धित छन्, तर प्रायः धेरै फरक संरचना र वाक्यरचना हुन्छ। यी सम्बन्धहरू विभिन्न भाषाहरूमा वाक्यहरू तुलना गर्दा पनि मान्य हुन्छन्। |
620b7d0d5e2ceeba58d808dc3d7b09a9fb57831c | |
44561e7a54649b2b7aa2ba08f2842d754f648e23 | यस कार्यमा हामीले १५७ कार्य वर्गहरूको साथ चारैड कार्य मान्यता डाटासेट प्रयोग गरेर कार्य मान्यता समस्याको अनुसन्धान गरेका छौं। हामीले विभिन्न प्रविधिहरूको परिणामहरू तुलना गरेका छौं जस्तै चरम सिकाउने मेसिनहरू, समर्थन भेक्टर मेसिनहरू, र निर्णय रूखहरू, गहिरो न्यूरोनल नेटवर्कहरू र दृश्य-कार्य सशर्त सम्भावनाहरूसँग निकालेका सुविधाहरूमा लागू गरियो। |
171a4ef673e40d09d7091082c7fd23b3758fc3c2 | निगरानी र बायोमेट्रिक अनुप्रयोगहरूको बढ्दो संख्याले भिडियो क्यामेराको दृश्यमा देखा पर्ने व्यक्तिको अनुहार चिन्न खोज्छ। भिडियोमा आधारित एफआर प्रणालीहरू चुनौतीपूर्ण परिचालन वातावरणमा पर्न सक्छन्, जहाँ भिडियो क्यामेराको साथ क्याप्चर गरिएको अनुहारहरूको उपस्थिति पोज, प्रकाश, स्केल, धुंधलापन, अभिव्यक्ति, ओक्ल्युसन, आदिमा परिवर्तनका कारण उल्लेखनीय रूपमा भिन्न हुन्छ। विशेष गरी, स्थिर-देखि-भिडियो एफआरको साथ, प्रणालीमा एक व्यक्तिको नामांकनको लागि उच्च गुणस्तरको अनुहार छविहरूको सीमित संख्या सामान्यतया कब्जा गरिन्छ, जबकि अनुहारको प्रशस्त प्रक्षेपहरू भिडियो क्यामेरा प्रयोग गरेर अपरेशनको बखत कब्जा गर्न सकिन्छ, बिभिन्न दृष्टिकोण र अनियन्त्रित सर्तहरूमा। यस कागजातले गहिरो सिकाई वास्तुकला प्रस्तुत गर्दछ जुन भर्नाको बखत प्रत्येक लक्षित व्यक्तिको लागि एक मजबूत अनुहार प्रतिनिधित्व सिक्न सक्छ, र त्यसपछि सटीक रूपमा रूचि अनुहार क्षेत्रहरू (आरओआई) लाई एक स्थिर सन्दर्भ छविबाट निकालेको छ (लक्षित व्यक्तिको) लाई प्रत्यक्ष वा अभिलेखित भिडियोहरूबाट निकालेको आरओआईसँग तुलना गर्नुहोस्। HaarNet नामक गहिरो कन्भोल्युसनल न्यूरल नेटवर्क (DCNNs) को एक समूह प्रस्ताव गरिएको छ, जहाँ ट्रंक नेटवर्कले पहिले अनुहारको ROIs (समग्र प्रतिनिधित्व) को वैश्विक उपस्थितिबाट सुविधाहरू निकाल्छ। त्यसपछि, तीन शाखा सञ्जालहरूले प्रभावकारी रूपमा असममित र जटिल अनुहारका विशेषताहरू (स्थानीय प्रतिनिधित्वहरू) हायर-जस्तो सुविधाहरूमा आधारित हुन्छन्। अनुहारको प्रतिनिधित्वको भेदभाव बढाउनको लागि, एक उपन्यास नियमित ट्रिपल-हार प्रकार्य प्रस्ताव गरिएको छ जसले अन्तर-वर्ग भिन्नताहरूलाई कम गर्दछ, जबकि अन्तर-वर्ग भिन्नताहरूलाई बढाउँदछ। प्रति लक्षित व्यक्ति एकल सन्दर्भ अझै पनि दिइएको छ, प्रस्तावित DCNN को दृढता थप परिचालन वातावरणमा फेला फेसनल अझै पनि ROIs कि अनुकरण गर्न संश्लेषित उत्पन्न अनुहार संग HaarNet fine-tuning द्वारा सुधार गरिएको छ। प्रस्तावित प्रणालीको मूल्यांकन COX फेस र चोकपोइन्ट डाटासेटको सटीकता र जटिलता अनुसार स्टिल र भिडियोहरूमा गरिन्छ। प्रयोगात्मक नतिजाले सुझाव दिन्छ कि प्रस्तावित विधिले भिडियोमा आधारित एफआरका लागि अत्याधुनिक प्रणालीहरूको सम्बन्धमा प्रदर्शनमा उल्लेखनीय सुधार गर्न सक्छ। |
71d55130ae9a96564ec176ff081ac5cba574db5c | |
c9c9b50b51dc677ff83f58f1a5433b2a41321ec3 | समर्थन-भेक्टर नेटवर्क दुई समूह वर्गीकरण समस्याहरूको लागि नयाँ सिकाउने मेसिन हो। मेसिनले निम्न विचारलाई अवधारणागत रूपमा कार्यान्वयन गर्दछः इनपुट भेक्टरहरू धेरै उच्च-आयामिक सुविधा स्पेसमा गैर-रेखीय रूपमा म्याप गरिएको छ। यस सुविधा अन्तरिक्षमा एक रैखिक निर्णय सतह निर्माण गरिएको छ। निर्णय सतहको विशेष गुणले सिकाइ गर्ने मेसिनको उच्च सामान्यीकरण क्षमता सुनिश्चित गर्दछ। समर्थन-भेक्टर नेटवर्कको पछाडि विचार पहिले सीमित केसको लागि लागू गरिएको थियो जहाँ प्रशिक्षण डाटालाई त्रुटि बिना अलग गर्न सकिन्छ। हामी यहाँ यो परिणामलाई अविभाज्य प्रशिक्षण डेटामा विस्तार गर्दछौं। बहुपद इनपुट रूपान्तरणको उपयोग गर्दै समर्थन-भेक्टर नेटवर्कहरूको उच्च सामान्यीकरण क्षमता प्रदर्शन गरिएको छ। हामी समर्थन-भेक्टर नेटवर्कको प्रदर्शनलाई विभिन्न क्लासिकल लर्निंग एल्गोरिदमसँग पनि तुलना गर्छौं जुन सबै अप्टिकल क्यारेक्टर रिकग्निशनको बेन्चमार्क अध्ययनमा भाग लिएका थिए। |
ffdceba3805493828cf9b65f29edd4d29eee9622 | |
3115d42d3a2a7ac8a0148d93511bd282613b8396 | धेरै अनलाइन प्लेटफर्महरूमा (उदाहरणका लागि, अमेजन.कम र नेटफ्लिक्स.कम) ठूलो संख्यामा प्रयोगकर्ताहरूलाई ठूलो संख्यामा उम्मेदवारहरूबाट सान्दर्भिक वस्तुहरूको सटिक सिफारिश गर्नु अपरिहार्य तर कम्प्युटेशनल रूपमा महँगो कार्य हो। एक आशाजनक तरिका प्रयोगकर्ता र वस्तुहरू ह्यामि space स्पेसमा प्रोजेक्ट गर्नु हो र त्यसपछि ह्यामि distance दूरी मार्फत वस्तुहरू सिफारिस गर्नु हो। तर, अघिल्ला अध्ययनहरूले कोल्ड स्टार्टको चुनौतीलाई सम्बोधन गरेनन् र निहित प्रतिक्रिया जस्ता प्राथमिकता डेटाको उत्तम प्रयोग गर्न सकेनन्। यो खाडललाई भर्न, हामी एक अलग सामग्री-जागरूक म्याट्रिक्स फैक्टरिजेसन (डीसीएमएफ) मोडेल प्रस्ताव गर्दछौं, १) प्रयोगकर्ता / वस्तु सामग्री जानकारीको उपस्थितिमा कम्प्याक्ट तर सूचनात्मक बाइनरी कोडहरू प्राप्त गर्न; २) लगिट घाटाको स्थानीय माथिल्लो सीमामा आधारित वर्गीकरण कार्यलाई समर्थन गर्न; ३) स्पार्सिटी मुद्दासँग व्यवहार गर्न अन्तरक्रिया नियमितकरण परिचय गर्न। हामी परिमिति सिक्ने एउटा कुशल असतत अनुकूलन एल्गोरिथ्म विकास गर्छौं। तीनवटा वास्तविक डेटासेटमा गरिएको व्यापक प्रयोगको आधारमा हामीले देखाएका छौं कि डीसीएफएमले रिग्रेसन र वर्गीकरण दुवै कार्यमा अत्याधुनिक प्रविधिभन्दा राम्रो प्रदर्शन गर्छ। |
48327aaf21902c09a92b90b1122f5bf2de62f56e | हालैका वर्षहरूमा, हामीले सहायता प्राप्त जीवन प्रविधिमा तीव्र वृद्धि देखेका छौं जुन समाजको तीव्र वृद्धिको कारण हो। वृद्ध जनसंख्या, औपचारिक स्वास्थ्य सेवाको बढ्दो लागत, हेरचाहकर्ताको बोझ, र व्यक्तिले स्वतन्त्र रूपमा बाँच्नको महत्त्व, सबै सुरक्षित र स्वतन्त्र बुढेसकालको लागि नवीन-सहायतायुक्त जीवन प्रविधिहरूको विकासलाई उत्प्रेरित गर्दछ। यस सर्वेक्षणमा हामी परिवेश बुद्धिमत्ता प्रतिमानमा आधारित वृद्ध वयस्कहरूको लागि ∀ambient-assisted living (AAL) उपकरणहरूको उदयको सारांश दिनेछौं। हामी अत्याधुनिक एएएल प्रविधि, उपकरण र प्रविधिको सारांश प्रस्तुत गर्नेछौं र वर्तमान र भविष्यका चुनौतीहरूलाई हेर्नेछौं। |
5cf52b914bfed5aa5babf340b489392c0d961d38 | यस लेखमा हामी घरको गतिविधि लयको अध्ययन गर्छौं र चारवटा केस स्टडीको साथ सहायक जीवनको वातावरणमा २२ जना बासिन्दाहरूको गतिविधि अनुगमन पायलट अध्ययनबाट प्राप्त एक दर्जन व्यवहार ढाँचा प्रस्तुत गर्दछौं। स्थापित व्यवहारिक ढाँचाहरू एक सांख्यिकीय भविष्यवाणी एल्गोरिथ्ममा आधारित अनुकूलन सफ्टवेयर प्रयोग गरेर कब्जा गरिएको छ जुन सर्काडियन गतिविधि लय (सीएआर) र तिनीहरूको विचलनहरू मोडेल गर्दछ। CAR को तथ्याङ्कले एक व्यक्तिले आफ्नो सहायता प्राप्त अपार्टमेन्टको प्रत्येक कोठामा बिताएको औसत समयको आधारमा र गतिविधि स्तरमा प्रति कोठा औसत गति घटनाहरूको संख्याको आधारमा अनुमान गरिएको थियो। एक मान्य इन-होम मोनिटरिङ सिस्टम (आईएमएस) ले अनुगमन गरिएको निवासीको आवागमन डेटा रेकर्ड गर्यो र प्रत्येक कोठाको लागि ओक्पायन्सी अवधि र गतिविधि स्तर निर्धारण गर्यो। यी डाटाको प्रयोग गरेर, निवासीहरूको सर्काडियन व्यवहारहरू निकालिन्थ्यो, विसंगतिहरू संकेत गर्ने विचलनहरू पत्ता लगाइयो, र पछिल्लो आईएमएस द्वारा उत्पन्न गतिविधि रिपोर्टहरू साथै अनुगमन गरिएका निवासीहरूमा सुविधाको पेशेवर हेरचाहकर्ताहरूको नोटहरूसँग सम्बन्धित थियो। यो प्रणालीले गतिविधि ढाँचामा विचलनहरू पत्ता लगाउन र यस्ता विचलनहरूको हेरचाहकर्ताहरूलाई चेतावनी दिन प्रयोग गर्न सकिन्छ, जसले स्वास्थ्य स्थितिको परिवर्तनलाई प्रतिबिम्बित गर्न सक्छ, यसैले हेरचाहकर्ताहरूलाई मानक हेरचाह निदान लागू गर्ने र समयमै हस्तक्षेप गर्ने अवसर प्रदान गर्दछ। |
20faa2ef4bb4e84b1d68750cda28d0a45fb16075 | समय श्रृंखला क्लस्टरिङ विभिन्न क्षेत्रमा उपयोगी जानकारी प्रदान गर्न प्रभावकारी देखिएको छ। समय डाटा खानी अनुसन्धानमा प्रयासको भागको रूपमा समय श्रृंखला क्लस्टरिंगमा बढ्दो चासो देखिन्छ। यस लेखमा विभिन्न अनुप्रयोग क्षेत्रमा समय श्रृंखला डेटाको क्लस्टरिङको बारेमा अनुसन्धान गरिएको छ। समय श्रृंखला क्लस्टरिंगको आधारभूत कुरा प्रस्तुत गरिएको छ, जसमा सामान्य उद्देश्य क्लस्टरिंग एल्गोरिदमहरू समावेश छन् जुन सामान्यतया समय श्रृंखला क्लस्टरिंग अध्ययनहरूमा प्रयोग गरिन्छ, क्लस्टरिंग परिणामहरूको प्रदर्शनको मूल्यांकनका लागि मापदण्डहरू, र दुई समय श्रृंखलाहरू बीच समानता / भिन्नता निर्धारण गर्नका लागि उपायहरू तुलना गरिएको छ, या त कच्चा डाटाको रूपमा, निकालेका सुविधाहरू, वा केही मोडेल प्यारामिटरहरू। विगतका अनुसन्धानहरू तीन समूहमा व्यवस्थित छन् जुन उनीहरूले कच्चा डाटासँग प्रत्यक्ष रूपमा काम गर्छन् या त समय वा फ्रिक्वेन्सी डोमेनमा, अप्रत्यक्ष रूपमा कच्चा डाटाबाट निकालेका सुविधाहरूसँग, वा अप्रत्यक्ष रूपमा कच्चा डाटाबाट निर्मित मोडेलहरूसँग। यसअघि गरिएको अनुसन्धानको विशिष्टता र सीमितताबारे छलफल गरिएको छ र भविष्यमा गरिने अनुसन्धानका लागि केही विषयहरू पनि उल्लेख गरिएको छ। यसबाहेक, समय श्रृंखला क्लस्टरिंग लागू गरिएको क्षेत्रहरू पनि सारांशित छन्, प्रयोग गरिएको डाटाको स्रोतहरू सहित। यो समीक्षा यस क्षेत्रमा अनुसन्धानलाई अघि बढाउन चाहनेहरूका लागि एउटा आधारको रूपमा काम गर्नेछ भन्ने आशा गरिएको छ। २००५ ढाँचा पहिचान समाज। एल्सभियर लिमिटेडद्वारा प्रकाशित। सबै अधिकार सुरक्षित। |
363601765e56e4a68c22da3760a2e4f8d7db3e68 | यस कार्यमा, एक लघु अल्ट्रा-वाइडब्यान्ड (UWB) पावर डिभाइडर (PD) प्रस्ताव गरिएको छ। दुई-चरण विल्किन्सन पीडीको प्रसारण लाइनहरू पुल गरिएको टी-कोइल प्रयोग गरेर, ब्यान्डविथमा कुनै कमी बिना धेरै कम्प्याक्ट आकार प्राप्त गर्न सकिन्छ। विशेष गरी, प्रस्तावित UWB दुई-तरिका PD को केन्द्र आवृत्ति f <sub> 0 <sub> = 5.5 GHz वाणिज्यिक GaAs pHEMT प्रक्रिया प्रयोग गरी लागू गरिएको छ। प्याड बिना सर्किटको आकार केवल १.४५ मिमी × ०.८४ मिमी हुन्छ, जुन लगभग ०.०२७λ<sub>0</sub> × ०.०१६λ<sub>0</sub> हुन्छ f<sub>0</sub> मा। 15 dB इनपुट/आउटपुट रिटर्न हानि र अलगावको लागि आंशिक ब्यान्डविथ 110% हो, र इन-ब्यान्ड सम्मिलन हानि 1.3 ± 0.36 dB भित्र छ। |
0f42befba8435c7e7aad8ea3d150504304eb3695 | यो एउटा सरल र कम्प्याक्ट स्लट एन्टेना हो जसको सुनुवाईको दायरा धेरै व्यापक छ। ग्राउन्डको किनारमा २५ मिमी (लगभग λH/8 बराबर, जहाँ λH ट्युनिंग दायराको उच्चतम आवृत्तिसँग मेल खान्छ) खुला स्लट इट्ज गरिएको छ। ट्युनेबिलिटी प्राप्त गर्नका लागि संरचनामा दुईवटा लम्प एलिमेन्ट अर्थात् एक पिन डायोड र एक भाराक्टर डायोड प्रयोग गरिन्छ । स्लटको खुला अन्तमा राखिएको पिन डायोड स्विच गरेर, स्लट एन्टेना मानक स्लट (जब स्विच अन छ) वा आधा स्लट (जब स्विच अफ छ) को रूपमा प्रतिध्वनि गर्न सक्दछ। यी दुई मोडमा फराकिलो आवृत्ति दायरामा निरन्तर ट्युनिंग स्लटमा लोड गरिएको भाराक्टर डायोडको रिभर्स बायस (फरक क्षमताहरू दिँदै) समायोजन गरेर प्राप्त गर्न सकिन्छ। इष्टतम डिजाइनको माध्यमबाट, दुई मोडका ट्युनिंग ब्यान्डहरू एकसाथ जोडिएका छन् धेरै विस्तृत ट्युनिंग दायरा बनाउन। निर्मित प्रोटोटाइपमा ०.४२ गीगाहर्ट्जदेखि १.४८ गीगाहर्ट्जसम्मको ट्युनिंग फ्रिक्वेन्सी रेंज छ, जसमा एसएलएल १० डीबी भन्दा राम्रो छ, जसले ३.५२ः१ को फ्रिक्वेन्सी अनुपात (एफआर = फ्यू / एफएल) दिन्छ। मापन गरिएको पूर्ण गोलाकार विकिरण ढाँचाले सम्पूर्ण ट्युनिंग दायरा भित्र प्रस्तावित एन्टेनाको लगातार विकिरण विशेषताहरू देखाउँदछ। |
bf77b3a8fa0ec0e4ef5f40089ca86001a6901f2d | |
d2c4e319a7351f1091ae08a6fc870309003ace31 | |
0abb49fe138e8fb7332c26b148a48d0db39724fc | हामीले चार छवि डाटासेटमा अत्याधुनिक प्रदर्शन प्राप्त गरेका छौं, अन्य दृष्टिकोणहरूको तुलनामा जुन डाटा वृद्धि प्रयोग गर्दैन। हामी ठूला संवृतिक तंत्रिका सञ्जालहरूलाई नियमित बनाउनको लागि एउटा सरल र प्रभावकारी विधि प्रस्तुत गर्दछौं। हामी परम्परागत निर्धारात्मक पूलिंग अपरेसनलाई स्टोकास्टिक प्रक्रियाको साथ बदल्छौं, प्रत्येक पूलिंग क्षेत्र भित्रका गतिविधिहरू द्वारा दिइएको बहुपद वितरण अनुसार अनियमित रूपमा सक्रियता चयन गर्दछौं। यो दृष्टिकोण हाइपर-पारामिटर-मुक्त छ र यसलाई अन्य नियमितकरण दृष्टिकोणहरूसँग मिलाउन सकिन्छ, जस्तै ड्रपआउट र डाटा वृद्धि। |
23ae5fa0e8d581b184a8749d764d2ded128fd87e | सारांश हामी गहिरो न्यूरल नेटवर्कहरू सुधार गर्न खोज्छौं जुन पूलिंग अपरेसनहरूलाई सामान्यीकरण गरेर जुन हालको आर्किटेक्चरमा केन्द्रीय भूमिका खेल्दछ। हामी ध्यानपूर्वक खोज्छौं कि कसरी प्युलिङले सिक्न सक्छ र जटिल र परिवर्तनशील ढाँचामा अनुकूलन गर्न सक्छ। दुई प्राथमिक दिशाहरू (1) अधिकतम र औसत पूलिंगको संयोजनको माध्यमबाट पूलिंग प्रकार्य सिक्ने (दुई रणनीतिहरू) मा छन्, र (2) पूलिंग फिल्टरहरूको रूख-संरचित फ्यूजनको रूपमा पूलिंग प्रकार्य सिक्ने जुन आफैंमा सिकेका छन्। हाम्रो प्रयोगमा हामीले अन्वेषण गर्ने प्रत्येक सामान्यीकृत पूलिंग अपरेशनले प्रदर्शन सुधार गर्दछ जब औसत वा अधिकतम पूलिंगको ठाउँमा प्रयोग गरिन्छ। हामी प्रयोगात्मक रूपमा देखाउँछौं कि प्रस्तावित पूलिंग अपरेसनहरूले परम्परागत पूलिंगको तुलनामा इन्भेरियन्स गुणहरूमा वृद्धि प्रदान गर्दछ र धेरै व्यापक रूपमा अपनाईएको बेन्चमार्क डाटासेटमा कलाको राज्य सेट गर्दछ; तिनीहरू कार्यान्वयन गर्न पनि सजिलो छ, र विभिन्न गहिरो न्यूरोनल नेटवर्क आर्किटेक्चर भित्र लागू गर्न सकिन्छ। यी लाभहरू प्रशिक्षणको समयमा कम्प्युटेशनल ओभरहेडमा केवल हल्का वृद्धि (टाइमिंग प्रयोगहरूमा%% देखि १%% सम्म) र मोडेल प्यारामिटरहरूको संख्यामा धेरै मामूली वृद्धिको साथ आउँदछ। उदाहरणका लागि, 45 अतिरिक्त मापदण्डहरू प्रयोग गरेर, हामी 6% सापेक्षिक (शीर्ष -5, एकल दृश्य) द्वारा छविनेटमा एलेक्सनेट प्रदर्शन सुधार गर्दछौं। |
fd6d101967259f9f8c86f5f5a9871e34d22c63e6 | ग्राफ खानी डाटा खानीको क्षेत्रमा एक महत्त्वपूर्ण अनुसन्धान क्षेत्र हो। अध्ययनको क्षेत्र ग्राफ डाटा सेट भित्र बारम्बार उपग्राफहरूको पहिचानमा केन्द्रित छ। अनुसन्धानका लक्ष्यहरू निम्न छन्: (i) उम्मेदवार उपग्राफहरू उत्पन्न गर्नका लागि प्रभावकारी संयन्त्रहरू (डुप्लिकेटहरू उत्पन्न नगरी) र (ii) कसरी उत्पन्न उम्मेदवार उपग्राफहरू प्रशोधन गर्ने ताकि इच्छित आवृत्ति उपग्राफहरू पहिचान गर्नका लागि जुन कम्प्युटेशनल रूपमा दक्ष र प्रक्रियागत रूपमा प्रभावकारी हुन्छ। यस कागजातले बारम्बार सबग्राफ खानीको क्षेत्रमा हालको अनुसन्धानको एक सर्वेक्षण प्रस्तुत गर्दछ, र मुख्य अनुसन्धान मुद्दाहरूलाई सम्बोधन गर्न प्रस्तावित समाधानहरू। |
97862a468d375d6fbd83ed1baf2bd8d74ffefdee | प्रिसिजन एग्रीकल्चर मोनिटर सिस्टम (पीएएमएस) एक यस्तो बुद्धिमान प्रणाली हो जसले बालीको कृषि वातावरणको अनुगमन गर्न सक्छ र किसानलाई सेवा प्रदान गर्दछ। हालैका वर्षहरूमा वायरलेस सेन्सर नेटवर्क (डब्लुएसएन) प्रविधिमा आधारित पिएमएसले बढ्दो ध्यान आकर्षित गरिरहेको छ। यस्ता प्रणालीको उद्देश्य बालीको उत्पादनलाई वृद्धि अवधि व्यवस्थापन र अनुगमनको माध्यमबाट सुधार गर्नु हो। यस लेखमा पिएमएसका लागि डब्लुएसएनको डिजाइन प्रस्तुत गरिएको छ, हाम्रो वास्तविक अनुभव साझा गरिएको छ, र कार्यान्वयन र तैनातीमा अनुसन्धान र ईन्जिनियरि challenges चुनौतीहरूको बारेमा छलफल गरिएको छ। |
1a736409c7711f8673f31d366f583ddc8759547f | दीर्घकालीन अल्पकालीन मेमोरी (एलएसटीएम) नेटवर्कले ग्रेडियन्ट अवतरणद्वारा प्रशिक्षित कठिन समस्याहरू समाधान गर्दछ जुन परम्परागत पुनरावर्ती न्यूरल नेटवर्कहरू सामान्यतया गर्न सक्दैनन्। हामीले हालै देख्यौं कि डिस्कप्ल गरिएको विस्तारित कलमान फिल्टर प्रशिक्षण एल्गोरिथ्मले अझ राम्रो प्रदर्शनको लागि अनुमति दिन्छ, प्रशिक्षण चरणहरूको संख्यालाई उल्लेखनीय रूपमा कम गर्दछ जब मूल ढाँचागत वंश प्रशिक्षण एल्गोरिथ्मको तुलनामा। यस लेखमा हामी प्रयोगहरूको एक समूह प्रस्तुत गर्दछौं जुन क्लासिक रिकर्सिभ नेटवर्कहरू द्वारा समाधान गर्न सकिदैन तर जुन एलएसटीएम द्वारा कल्मान फिल्टरको साथ संयोजन गरी सुरुचिपूर्ण र बलियो र छिटो समाधान गरिन्छ। |
52b0c5495e8341c7a6f0afe4bba6b2e0c0dc3a68 | यस कागजातले लिनक्स कर्नेल इन्टिग्रिटी मोनिटर (एलकेआईएम) लाई सफ्टवेयर अखण्डता मापनको परम्परागत विधिहरूमा सुधारको रूपमा प्रस्तुत गर्दछ। LKIM ले चलिरहेको कर्नेलको परिचालन अखण्डताको पूर्ण विशेषताको रूपमा सन्दर्भगत निरीक्षण प्रयोग गर्दछ। कर्नेलमा क्रिप्टोग्राफिक रूपमा स्थिर कोड र डाटा ह्याशिंगको अतिरिक्त, गतिशील डाटा संरचनाहरू सुधारिएको अखण्डता मापन प्रदान गर्नका लागि जाँच गरिन्छ। आधार दृष्टिकोणले संरचनाहरूको जाँच गर्दछ जसले कर्नेलको कार्यान्वयन प्रवाहलाई नियन्त्रण गर्दछ प्रकार्य सूचकहरूको प्रयोगको साथसाथै कर्नेलको सञ्चालनलाई असर गर्ने अन्य डाटा। यस्तो संरचनाले कर्नेल अपरेसनहरू विस्तार गर्ने एक कुशल माध्यम प्रदान गर्दछ, तर तिनीहरू स्थिर भागहरू परिमार्जन नगरीकन खराब कोड सम्मिलित गर्ने माध्यम पनि हुन्। एलकेआईएम कार्यान्वयनको बारेमा छलफल गरिएको छ र प्रारम्भिक प्रदर्शन डेटा प्रस्तुत गरिएको छ कि प्रासंगिक निरीक्षण व्यावहारिक छ भनेर देखाउन। |
589d06db45e2319b29fc96582ea6c8be369f57ed | यस लेखमा हामी भिडियोमा आधारित व्यक्तिको पुनः पहिचानको समस्याको अध्ययन गर्नेछौं। यो परम्परागत छविमा आधारित व्यक्तिको पुनः पहिचान भन्दा बढी चुनौतीपूर्ण र बढी व्यावहारिक चासोको विषय हो। यस समस्याको समाधान गर्न, हामी व्यक्तिको पुनः पहिचानको लागि भिडियो-आधारित प्रतिनिधित्व सिक्न कन्भोल्युसनल लङ्ग कर्ट टर्म मेमोरी (एलएसटीएम) आधारित नेटवर्कको प्रयोगको प्रस्ताव गर्दछौं। यस उद्देश्यका लागि हामी गहिरो कन्भोल्युसनल न्युरल नेटवर्क (सीएनएन) र एलएसटीएम नेटवर्कको संयुक्त उपयोग गर्ने प्रस्ताव गर्दछौं। एक व्यक्ति को अनुक्रमिक भिडियो फ्रेम दिईएको छ, फ्रेम मा एन्कोड स्थानिक जानकारी पहिलो CNNs को एक सेट द्वारा निकालेको छ। एनसीएन आउटपुटको समयको सङ्केतन गर्न एलएसटीएमबाट प्राप्त एन्कोडरको फ्रेमवर्क प्रयोग गरिन्छ। यो दृष्टिकोणले परिष्कृत सुविधा प्रतिनिधित्व गर्न सक्छ जसले स्पष्ट रूपमा भिडियोलाई क्रमबद्ध अनुक्रमको रूपमा मोडेल गर्न सक्दछ, जबकि स्थानिक जानकारी संरक्षण गर्दछ। तुलनात्मक प्रयोगहरूले देखाउँछ कि हाम्रो दृष्टिकोणले भिडियोमा आधारित व्यक्तिको पुनः पहिचानको लागि अत्याधुनिक प्रदर्शन प्राप्त गर्दछ iLIDS-VID र PRID २०११ मा, यस उद्देश्यका लागि दुई प्राथमिक सार्वजनिक डाटासेटहरू। |
ab41136c0a73b42463db10f9dd2913f8d8735155 | |
c0bf57b798b7350ab8ace771faad6320663300bd | आरजीबी-डी (रेड ग्रीन ब्लू एण्ड डेप्थ) सेन्सरहरू यन्त्रहरू हुन् जसले एकै समयमा दृश्यबाट रङ र गहिराई जानकारी प्रदान गर्न सक्छन्। हालसालै, तिनीहरू धेरै समाधानहरूमा व्यापक रूपमा प्रयोग गरिएको छ उनीहरूको व्यावसायिक वृद्धिको कारण मनोरन्जन बजारबाट धेरै विविध क्षेत्रहरूमा (जस्तै, रोबोटिक्स, सीएडी, आदि) । अनुसन्धान समुदायमा, यी उपकरणहरू धेरै अनुप्रयोगहरूको लागि स्वीकार्य स्तरको शुद्धता र उनीहरूको कम लागतको कारण राम्रोसँग ग्रहण गरिएको छ, तर केही केसहरूमा, तिनीहरू आफ्नो संवेदनशीलताको सीमामा काम गर्छन्, न्यूनतम सुविधा आकारको नजिक जुन अवलोकन गर्न सकिन्छ। यस कारण, क्यालिब्रेसन प्रक्रियाहरू उनीहरूको शुद्धता बढाउन र तिनीहरूलाई यस्तो प्रकारको अनुप्रयोगहरूको आवश्यकताहरू पूरा गर्न सक्षम गर्न महत्वपूर्ण छन्। हाम्रो ज्ञानको सर्वश्रेष्ठ, त्यहाँ धेरै आरजीबी-डी सेन्सर मा यसको परिणाम मूल्यांकन calibration एल्गोरिदम को एक तुलनात्मक अध्ययन छैन। विशेष गरी, यस कागजमा, तीनवटा सबैभन्दा धेरै प्रयोग गरिएको क्यालिब्रेसन विधिहरूको तुलना तीन फरक आरजीबी-डी सेन्सरहरूमा संरचनात्मक प्रकाश र उडान-समयमा आधारित छ। विधिहरूको तुलना गहिराई मापनको शुद्धताको मूल्यांकन गर्न प्रयोगहरूको सेट द्वारा गरिएको छ। यसको अतिरिक्त, एउटा वस्तु पुनर्निर्माण अनुप्रयोग एउटा अनुप्रयोगको उदाहरणको रूपमा प्रयोग गरिएको छ जसको लागि सेन्सरले यसको संवेदनशीलताको सीमामा काम गर्दछ। पुनर्निर्माणको प्राप्त परिणामहरू दृश्य निरीक्षण र मात्रात्मक मापनको माध्यमबाट मूल्यांकन गरिएको छ। |
6a636ea58ecf86cba2f25579c3e9806bbd5ddce9 | यो पत्रले ताररहित शक्ति प्रसारण अनुप्रयोगहरूको लागि सबै ध्रुवीकरण-प्राप्त क्षमताको साथ एक नयाँ रेक्टिना प्रस्तुत गर्दछ। एक दोहोरो रैखिक-ध्रुवीकृत एन्टेनाको उपयोग गरेर, मनमाने ध्रुवीकरणको घटनात्मक तरंग पूर्ण रूपमा यसको दुई पोर्टहरूमा संकलन गर्न सकिन्छ। एन्टेनाको साथ रेक्टिनाको रूपमा जडान गर्न, एक डुअल-इनपुट रेक्टिफायर डिजाइन गरिएको छ ताकि एन्टेनाको दुई पोर्टहरू द्वारा आपूर्ति गरिएको आरएफ पावर कुशलतापूर्वक सुधार गर्न सकिन्छ। घटनात्मक तरंगको उचित ध्रुवीकरणको साथ, प्रस्तावित रेक्टिनाले २ 95.3 μW / सेमी २ को इनपुट पावर घनत्व अन्तर्गत% 78% को अधिकतम दक्षता प्रदर्शन गर्दछ। यसको अतिरिक्त, एउटै शक्ति घनत्व अन्तर्गत, रेक्टिनाको दक्षता सधैँ 61% भन्दा माथि रहन सक्छ, चाहे घटनाको लहरको ध्रुवीकरणको बावजूद। |
23a0a9b16462b96bf7b5aa6bb4709e919d7d7626 | माइक्रो एयर भेहिकल्स (एमएभी) को लागि गडबडी वा अवरोधको वातावरणमा सञ्चालन गर्नको लागि सटीक ट्रयाक्टरी ट्र्याकिङ एक महत्वपूर्ण गुण हो। यस लेखमा हामी दुई अत्याधुनिक मोडेलमा आधारित नियन्त्रण प्रविधिहरूको बीचमा विस्तृत तुलना प्रस्तुत गर्दछौं। एक क्लासिक रैखिक मोडेल भविष्यवाणी नियन्त्रक (LMPC) प्रस्तुत गरिएको छ र एक अधिक उन्नत गैर-रेखीय मोडेल भविष्यवाणी नियन्त्रक (NMPC) को तुलनामा प्रस्तुत गरिएको छ जुन पूर्ण प्रणाली मोडेललाई विचार गर्दछ। सावधानीपूर्वक विश्लेषण गरेर हामी गति र ट्र्याकिङ प्रदर्शनको सन्दर्भमा दुई कार्यान्वयनको फाइदा र हानि देखाउँछौं। यो लक्ष्यलाई हवाई जहाजको उडान क्षमता, उडानको गतिमा प्रतिक्रिया र आक्रामक गतिमा उडानको गतिलाई मूल्याङ्कन गरेर प्राप्त गरिन्छ। |
11c116b2750e064ce32b3b8de8760234de508314 | विगत केही वर्षहरूमा मुख्य मेमोरी र व्यापक रूपमा समानान्तर बहु-कोर प्रोसेसिंगको वृद्धि गर्ने दुई मुख्य हार्डवेयर प्रवृत्तिहरूद्वारा संचालित, त्यहाँ प्रसिद्ध जोडी एल्गोरिदमहरू समानान्तर गर्नमा धेरै अनुसन्धान प्रयासहरू छन्। तर, मुख्य मेमोरीमा गैर-समान मेमोरी पहुँच (एनयूएमए) यी आर्किटेक्चरको मात्र यी एल्गोरिदम को डिजाइन मा सीमित ध्यान प्राप्त गरेको छ। हामी मुख्य मेमोरी ह्यास ज्वाइन कार्यान्वयनको हालैका प्रस्तावहरूको अध्ययन गर्छौं र NUMA आर्किटेक्चरमा उनीहरूको प्रमुख प्रदर्शन समस्याहरू पहिचान गर्दछौं। हामी त्यसपछि NUMA-सचेत ह्यास जोडीको विकास गर्दछौं, विशाल समानान्तर वातावरणको लागि, र कसरी विशिष्ट कार्यान्वयन विवरणहरू NUMA प्रणालीमा प्रदर्शनलाई असर गर्छ भनेर देखाउँदछौं। हाम्रो प्रयोगात्मक मूल्यांकनले देखाउँछ कि ध्यानपूर्वक ईन्जिनियर गरिएको हैश ज्वाइन कार्यान्वयनले अघिल्लो उच्च प्रदर्शन ह्याश जोइनलाई दुई गुणा भन्दा बढी प्रदर्शन गर्दछ, जसको परिणामस्वरूप प्रति सेकेन्ड ३/४ अरब जोइन आर्गुमेन्ट टुपलको अभूतपूर्व थ्रुपुट हुन्छ। |
5678ade24d18e146574ad5c74b64b9030ed8cf44 | विगत केही वर्षहरूमा कम्प्युटर सञ्जालको तीव्र विस्तारसँगै सुरक्षा आधुनिक कम्प्युटर प्रणालीहरूको लागि एउटा महत्त्वपूर्ण मुद्दा भएको छ। अवैध प्रयोगको पहिचान गर्नका लागि एउटा राम्रो तरिका प्रयोगकर्ताको अनौठो गतिविधिलाई निगरानी गर्नु हो। हातले कोड गरिएको नियम सेट वा पूर्वानुमान आदेशहरू अन-लाइनमा आधारित घुसपैठ पत्ता लगाउने विधिहरू निर्माण गर्न कठिन छन् वा धेरै भरपर्दो छैनन्। यस लेखमा घुसपैठ पत्ता लगाउन न्यूरल नेटवर्कको प्रयोग गर्ने नयाँ तरिकाको प्रस्ताव गरिएको छ। हामी विश्वास गर्छौं कि प्रणाली प्रयोग गर्दा प्रयोगकर्ताले एउटा छाप छोड्दछ; एक न्यूरल नेटवर्क यो छाप सिक्नको लागि प्रयोग गर्न सकिन्छ र हरेक प्रयोगकर्तालाई पहिचान गर्न सकिन्छ जसरी जासूसहरूले अपराधको दृश्यमा मानिसहरूलाई राख्न औंलाको छाप प्रयोग गर्छन्। यदि प्रयोगकर्ताको व्यवहार उसको छापसँग मेल खाँदैन भने, प्रणाली प्रशासकलाई सम्भावित सुरक्षा उल्लंघनको बारेमा सचेत गराउन सकिन्छ। एनएनआईडी (न्युरल नेटवर्क इन्ट्रुजन डिटेक्टर) नामक एक ब्याकप्रोपागनेशन न्यूरल नेटवर्कलाई पहिचान कार्यमा प्रशिक्षित गरिएको थियो र १० प्रयोगकर्ताहरूको प्रणालीमा प्रयोगात्मक रूपमा परीक्षण गरिएको थियो। प्रणाली ९६% अचूक थियो अनौठो गतिविधि पत्ता लगाउन, ७% गलत अलार्म दर संग। यी परिणामहरूले प्रयोगकर्ता प्रोफाइलहरू सिक्नु घुसपैठ पत्ता लगाउनको लागि प्रभावकारी तरिका हो भन्ने सुझाव दिन्छ। |
cf528f9fe6588b71efa94c219979ce111fc9c1c9 | एउटा कठोर वस्तुको मुद्रामा ६ डिग्री स्वतन्त्रता हुन्छ र यसको पूर्ण ज्ञान धेरै रोबोटिक र दृश्य बुझ्ने अनुप्रयोगहरूमा आवश्यक हुन्छ। ६ डी वस्तुको स्थिति अनुमानको मूल्यांकन सरल छैन। वस्तुको स्थिति वस्तु सममिति र ओक्ल्युसनको कारण अस्पष्ट हुन सक्छ, अर्थात्। त्यहाँ धेरै वस्तुहरू हुन सक्छन् जुन दिइएको छविमा असम्भव छ र त्यसैले समकक्षको रूपमा व्यवहार गर्नुपर्छ। यस लेखमा ६ डी वस्तुको अनुमानित समस्याको व्याख्या गरिएको छ, मूल्यांकन विधि प्रस्ताव गरिएको छ र तीन नयाँ पोज त्रुटि प्रकार्यहरू प्रस्तुत गरिएको छ जसले पोज अस्पष्टतासँग सम्बन्धित छ। नयाँ त्रुटि प्रकार्यहरू साहित्यमा सामान्य रूपमा प्रयोग गरिएका प्रकार्यहरूसँग तुलना गरिन्छ र केही प्रकारका गैर-सामान्य परिणामहरू हटाउन देखाइन्छ। मूल्यांकन उपकरणहरू निम्नमा उपलब्ध छन्: https: //github.com/thodan/obj pose eval |
356827905c70ef763e3aa373f966fe6d8cf753f9 | कम्प्युटर ग्राफिक्स, दृष्टि र छवि प्रसंस्करणमा धेरै अनुप्रयोगहरूको लागि बनावट संश्लेषण महत्त्वपूर्ण छ। यद्यपि, यस्तो एल्गोरिथ्म डिजाइन गर्न अझै पनि गाह्रो छ जुन दुबै कुशल र उच्च गुणस्तरको परिणामहरू उत्पन्न गर्न सक्षम छ। यस लेखमा हामी यथार्थवादी बनावट संश्लेषणको लागि एक प्रभावकारी एल्गोरिथ्म प्रस्तुत गर्दछौं। यो एल्गोरिथ्म प्रयोग गर्न सजिलो छ र इनपुटको रूपमा नमूना बनावटको मात्र आवश्यकता हुन्छ। यसले पूर्ववर्ती प्रविधिहरूद्वारा उत्पादित भन्दा बराबर वा राम्रो गुणस्तरको साथ बनावटहरू उत्पन्न गर्दछ, तर परिमाणको दुई अर्डरहरू छिटो चल्छ। यसले हामीलाई समस्याहरूमा बनावट संश्लेषण लागू गर्न अनुमति दिन्छ जहाँ यसलाई परम्परागत रूपमा अव्यावहारिक मानिन्छ। विशेष गरी, हामीले यसलाई छवि सम्पादन र अस्थायी बनावट उत्पादनको लागि बाध्य संश्लेषणमा लागू गरेका छौं। हाम्रो एल्गोरिथ्म मार्कोभ र्यान्डम फिल्ड बनावट मोडेलबाट व्युत्पन्न हुन्छ र निर्धारात्मक खोज प्रक्रियाको माध्यमबाट बनावट उत्पन्न गर्दछ। हामी यो संश्लेषण प्रक्रियालाई वृक्ष-संरचित भेक्टर क्वान्टिजेसन प्रयोग गरेर गति दिन्छौं। |
c0de99c5f15898e2d28f9946436fec2b831d4eae | [पृष्ठ २३-मा भएको चित्र] थ्रीडी स्क्यानबाट कपडाको क्याप्चर सम्बोधन गर्ने अघिल्लो विधिहरू एकल कपडा र सरल गतिहरूमा सीमित छन्, विवरणको अभाव छ, वा विशेष बनावट ढाँचाको आवश्यकता छ। यहाँ हामी सामान्य कपडामा पूर्ण रूपमा पहिरिएका मानिसहरूलाई गतिमा खिच्ने समस्याको समाधान गर्छौं। मानिसहरूले प्रायः एकै समयमा धेरै कपडा लगाउँछन्। [पृष्ठ २३-मा भएको चित्र] हाम्रो कपडा क्याप दृष्टिकोणले कपडा लगाएका शरीरको नयाँ बहु-भाग 3D मोडेल प्रयोग गर्दछ, स्वचालित रूपमा कपडाको प्रत्येक टुक्रा खण्ड गर्दछ, न्यूनतम कपडा लगाएको शरीरको आकार र कपडाको मुनि पोजको अनुमान गर्दछ, र समयको साथ कपडाको 3D विकृतिलाई ट्र्याक गर्दछ। हामीले ४ डी स्क्यानबाट कपडा र उनीहरुको गति अनुमान गरेका छौं, अर्थात् ६० एफपीएसमा गतिमा रहेको विषयको उच्च रिजोल्युसनको ३ डी स्क्यानबाट । क्लथक्यापले लुगा लगाएका व्यक्तिलाई गतिमा खिच्न, उनीहरूको लुगा निकाल्न र नयाँ शरीरको आकारमा लुगा पुनः लक्षित गर्न सक्षम छ; यसले भर्चुअल प्रयासको लागि एक कदम प्रदान गर्दछ। |
ec614c4f636aeeb6ea10accddfcb1a2f7a1ce603 | सामाजिक उद्यमशीलतामा काम गर्नु अध्ययनको एउटा क्षेत्र हो जुन उद्यमशीलता अध्ययन, सामाजिक नवीनता, र गैर नाफामुखी व्यवस्थापन सहित धेरै डोमेनहरू पार गर्दछ। विद्वानहरूले यस नयाँ अनुशासनको विकासमा योगदान दिन थालेका छन् जुन सामाजिक उद्यमशीलताको उदयलाई ट्र्याक गर्ने प्रयासको माध्यमबाट र यसलाई परम्परागत उद्यमशीलता जस्ता अन्य संगठनात्मक गतिविधिहरूसँग तुलना गरेर। यद्यपि, एउटा नवोदित क्षेत्रको रूपमा, सामाजिक उद्यमशीलता विद्वानहरू परिभाषा र वैचारिक स्पष्टता, क्षेत्रको सीमा, र सान्दर्भिक र अर्थपूर्ण अनुसन्धान प्रश्नहरूको सेटमा पुग्न संघर्ष गर्ने थुप्रै बहसहरूको बीचमा छन्। यस लेखमा सामाजिक उद्यमशीलताको अनुसन्धानको क्षेत्रको रूपमा रहेको सम्भावनाको बारेमा चर्चा गरिएको छ र भविष्यमा अध्ययनका लागि केही अनुसन्धान क्षेत्र र अनुसन्धान प्रश्नहरूको सुझाव दिइएको छ। |
40e153460564ed0dbb2523394438c7a1172ca9dc | सन् १९९० को दशकको मध्यतिर पहिलो पटक सहयोगी फिल्टरिङको बारेमा लेखिएको थियो। सामान्यतया, सिफारिस प्रणालीहरूलाई समर्थन प्रणालीको रूपमा परिभाषित गरिन्छ जसले प्रयोगकर्ताहरूलाई सूचना, उत्पादनहरू, वा सेवाहरू (जस्तै पुस्तकहरू, चलचित्रहरू, संगीत, डिजिटल उत्पादनहरू, वेब साइटहरू, र टिभी कार्यक्रमहरू) अन्य प्रयोगकर्ताहरूबाट सुझावहरू एकत्रित र विश्लेषण गरेर, जसको अर्थ विभिन्न प्राधिकरणहरूबाट समीक्षाहरू, र प्रयोगकर्ता विशेषताहरू। यद्यपि, पछिल्लो दश वर्षमा सिफारिसकर्ता प्रणालीमा शैक्षिक अनुसन्धानमा उल्लेख्य वृद्धि भएको छ, वास्तविक विश्वको स्थितिमा लागू गर्न थप अनुसन्धान आवश्यक छ। किनभने सिफारिसकर्ता प्रणालीको अनुसन्धान क्षेत्र अझै पनि अन्य अनुसन्धान क्षेत्रको तुलनामा व्यापक र कम परिपक्व छ। यस अनुसार, सिफारिसकर्ता प्रणालीमा विद्यमान लेखहरू सिफारिसकर्ता प्रणालीको अर्को पुस्ताको लागि समीक्षा गर्न आवश्यक छ। तथापि, सिफारिसकर्ता प्रणाली अनुसन्धानलाई विशिष्ट विषयहरूमा सीमित गर्न सजिलो हुँदैन, सिफारिसकर्ता प्रणाली अनुसन्धानको प्रकृतिलाई विचार गर्दा। हामीले २००१ देखि २०१० सम्म प्रकाशित ३७ वटा पत्रिकाका सिफारिसकर्ता प्रणालीका लेखहरूको समीक्षा गर्यौं। यी ३७ पत्रिकाहरू एमआईएस जर्नल र्याङ्किङ्गका शीर्ष १२५ पत्रिकाहरूमध्येबाट चयन गरिएका हुन्। साथै, साहित्य खोज वर्णनकर्ताहरूमा आधारित थियो सिफारिश प्रणाली , सिफारिश प्रणाली , निजीकरण प्रणाली , सहयोगी फिल्टरिंग र |
aa0b03716596832e93f67f99d5c3fed553f89f44 | हामी एउटा नयाँ लचिलो बहुपरत त्रिबिओइलेक्ट्रिक नानो जेनरेटर (टीईएनजी) प्रदर्शन गर्छौं जसको लागत अत्यन्तै कम छ, संरचना सरल छ, आकार सानो छ (३.८ सेमी×३.८ सेमी×०.९५ सेमी) र हल्का तौल (७ ग्राम) छ। धातुको सतहमा अद्वितीय संरचना र नानोपोरो-आधारित सतह परिमार्जनको कारण, तत्काल छोटो सर्किट वर्तमान (Isc) र खुला सर्किट भोल्टेज (Voc) ०.66 mA र २१5 V सम्म पुग्न सक्दछ 9.8 mW / सेमीको तत्काल अधिकतम शक्ति घनत्वको साथ।2 र १०.२10 mW / सेमी।3। यो पहिलो थ्रीडी एकीकृत टेन्ग हो जसले आउटपुट पावर बढाउँछ। सामान्य हिड्ने बेलामा प्रेसको प्रयोग गरेर ट्रिगर गरिएको टेंग जुत्ताको प्याडमा जडान गरिएको थियो र यसले धेरै व्यावसायिक एलईडी बल्बहरूलाई तत्काल चलाउन सक्थ्यो। लचिलो संरचनाका साथ, टेन्गलाई कपडामा थप एकीकृत गर्न सकिन्छ वा मानव शरीरमा पनि जोड्न सकिन्छ, बिना कुनै अवरोध र मानवीय आन्दोलनमा असुविधाको परिचय दिई। यहाँ देखाइएको टेन्गको नयाँ डिजाइनलाई सम्भावित रूपमा आत्म-संचालित पोर्टेबल इलेक्ट्रोनिक्स प्राप्त गर्न प्रयोग गर्न सकिन्छ। |
2c38ef0c12c0a3dabb7015c77638d171609654f5 | भावना विश्लेषणले मानिसले व्यक्त गर्ने वाक्यमा भावना, विचार र तथ्यहरूको विश्लेषणसँग सम्बन्धित छ। यसले हामीलाई ब्लग, टिप्पणी, समीक्षा र सबै पक्षको बारेमा ट्वीटहरू विश्लेषण गरेर मानिसहरूको मनोवृत्ति र भावनाहरू ट्र्याक गर्न अनुमति दिन्छ। इन्टरनेटको विकासले पर्यटन, स्वास्थ्य सेवा र कुनै पनि व्यवसाय जस्ता सबै प्रकारका उद्योगहरूमा बलियो प्रभाव पारेको छ। इन्टरनेटको उपलब्धताले सूचनाको पहुँच गर्ने र प्रयोगकर्ताहरूबीच अनुभव बाँड्ने तरिकामा परिवर्तन ल्याएको छ। सामाजिक सञ्जालले यस्तो जानकारी प्रदान गर्छ र अन्य प्रयोगकर्ताले पनि यस्ता टिप्पणीलाई विश्वास गर्छन् । यस लेखमा स्वास्थ्य सेवा उद्योगमा सामाजिक सञ्जालको प्रयोग र प्रभावलाई विश्लेषण गरिएको छ। यसमा प्रयोगकर्ताले स्वतन्त्र पाठको रूपमा व्यक्त गरेको भावनाको विश्लेषण गरिएको छ। यस लेखमा, एक सुधारिएको शब्द आवृत्ति उल्टो कागजात आवृत्ति (TFIDF) विधि र रैखिक प्रतिगमन मोडेल प्रयोग गरेर भावना वर्गीकरण मोडेल अनलाइन समीक्षा, ट्वीट वा ग्राहक प्रतिक्रिया विभिन्न सुविधाहरूको लागि वर्गीकृत गर्न प्रस्ताव गरिएको छ। यो मोडेलमा अस्पतालहरूको बारेमा अनलाइन प्रयोगकर्ता समीक्षाहरू संकलन गर्ने प्रक्रिया समावेश छ र ती समीक्षाहरूलाई व्यक्त भावनाहरूको हिसाबले विश्लेषण गर्दछ। सूचना निकासी प्रक्रियाले अप्रासंगिक समीक्षाहरूलाई फिल्टर गर्दछ, पहिचान गरिएका सुविधाहरूको भावनात्मक शब्दहरू निकाल्छ र भावना शब्दकोश प्रयोग गरेर सुविधाहरूको भावनालाई मात्रात्मक बनाउँछ। भावनात्मक रूपमा व्यक्त सकारात्मक वा नकारात्मक शब्दहरूलाई शब्दकोशमा निर्धारित वर्गीकरणको प्रयोग गरेर तौलहरू तोकिन्छ। ट्वीट्स/रिभ्युमा भावना विश्लेषण प्राकृतिक भाषा प्रशोधन (एनएलपी) र सूचना पुनःप्राप्ति (आईआर) प्रविधि प्रयोग गरेर विभिन्न सुविधाहरूको लागि गरिन्छ। सेन्टी-स्कोर प्रयोग गरेर प्रस्तावित रैखिक प्रतिगमन मोडेलले सेवा सुविधाको तारा रेटिंगको भविष्यवाणी गर्दछ। तथ्याङ्क परिणामहरू देखाउँछन् कि सुधारिएको TF-IDF विधिले पाठको प्रतिनिधित्व गर्न प्रयोग गरिएको TF र TF-IDF विधिहरूको तुलनामा राम्रो शुद्धता दिन्छ। सुविधाहरूमा पाठ विश्लेषण (प्रयोगकर्ता प्रतिक्रिया) को परिणामको रूपमा प्राप्त भएको सेन्टी-स्कोरले राय सारांश मात्र प्रदान गर्दैन तर विभिन्न प्रतिस्पर्धीहरूको विभिन्न सुविधाहरूमा तुलनात्मक परिणामहरू पनि दिन्छ। यस जानकारीलाई व्यवसायले कम स्कोर भएका सुविधाहरूमा ध्यान केन्द्रित गर्न प्रयोग गर्न सक्दछ ताकि उनीहरूको व्यवसाय सुधार गर्न र प्रयोगकर्ता सन्तुष्टिको उच्च स्तर सुनिश्चित गर्न। |
841a5de1d71a0b51957d9be9d9bebed33fb5d9fa | यस लेखमा, हामी छवि वर्गीकरणको लागि एक धेरै सरल गहिरो शिक्षा नेटवर्क प्रस्ताव गर्दछौं जुन धेरै आधारभूत डाटा प्रोसेसिंग कम्पोनेन्टहरूमा आधारित छः १) क्यास्केड गरिएको मुख्य घटक विश्लेषण (पीसीए); २) बाइनरी हेसि; र 3) ब्लकवाइज हिस्टोग्रामहरू। प्रस्तावित वास्तुकलामा, पीसीए बहु-चरण फिल्टर बैंकहरू सिक्नको लागि प्रयोग गरिन्छ। यसको पछि सरल बाइनरी हसिङ र इन्डेक्सिङ र पूलिंगका लागि ब्लक हिस्टोग्रामहरू हुन्छन्। यस वास्तुकलालाई पीसीए नेटवर्क (पीसीएनेट) भनिन्छ र यसलाई अत्यन्त सजिलो र प्रभावकारी रूपमा डिजाइन र सिक्न सकिन्छ। तुलना र राम्रोसँग बुझ्नको लागि, हामी पीसीएनेटका दुई सरल भिन्नताहरू पनि प्रस्तुत र अध्ययन गर्दछौं: १) र्यान्डनेट र २) एलडीएनेट। तिनीहरू PCANet को रूपमा समान टोपोलोजी साझा गर्छन्, तर तिनीहरूको क्यास्केड फिल्टरहरू या त अनियमित रूपमा चयन गरिएका छन् वा रैखिक भेदभाव विश्लेषणबाट सिकेका छन्। हामीले यी आधारभूत सञ्जालहरूको विभिन्न कार्यहरूका लागि धेरै बेन्चमार्क भिजुअल डाटा सेटहरूमा व्यापक रूपमा परीक्षण गरेका छौं, जसमा अनुहारको प्रमाणिकरणका लागि लेबल गरिएको फेस इन द वाइल्ड (एलएफडब्ल्यू) समावेश छ; अनुहार पहिचानका लागि मल्टिपिआईई, विस्तारित येल बी, एआर, अनुहार पहिचान टेक्नोलोजी (एफईआरईटी) डाटा सेटहरू; र हस्तलिखित अंक पहिचानका लागि एमएनआईएसटी। आश्चर्यजनक कुरा के छ भने, सबै कार्यहरूको लागि, यस्तो देखिने भोली पीसीएनेट मोडेल अत्याधुनिक सुविधाहरूसँग मिल्दोजुल्दो छ जुन या त पूर्वनिर्धारित, अत्यधिक हस्तनिर्मित, वा ध्यानपूर्वक सिकेको छ [गहिरो न्यूरल नेटवर्कहरू (डीएनएनहरू) द्वारा]। अझ अचम्मको कुरा, मोडेलले विस्तारित येल बी, एआर, र फेरेट डाटा सेट र एमएनआईएसटी भिन्नताहरूमा धेरै वर्गीकरण कार्यहरूको लागि नयाँ रेकर्डहरू सेट गर्दछ। अन्य सार्वजनिक डाटा सेटमा थप प्रयोगहरूले पनि पीसीएनेटको क्षमतालाई सरल तर अत्यधिक प्रतिस्पर्धी आधारभूत तहको रूपमा सेवा गर्नका लागि बनावट वर्गीकरण र वस्तु पहिचानको लागि प्रदर्शन गर्दछ। |
d10ffc7a9f94c757f68a1aab8e7ed69ec974c831 | |
08639cd6b89ac8f375cdc1076b9485ac9d657083 | यस कागजमा हामी प्रयोगात्मक रूपमा मुख्य-मेमोरी, समानान्तर, बहु-कोर जोडी एल्गोरिदमको प्रदर्शन अध्ययन गर्दछौं, क्रमबद्ध-मर्ज र (रेडिक्स-) ह्याश जोडीमा केन्द्रित। यी दुई जोडिएका दृष्टिकोणहरूको सापेक्षिक प्रदर्शन लामो समयदेखि छलफलको विषय रहँदै आएको छ। आधुनिक बहु-कोर आर्किटेक्चरको आगमनको साथ, यो तर्क गरिएको छ कि क्रमबद्ध-मर्ज जोड अब रेडिक्स-ह्यास जोड भन्दा राम्रो विकल्प हो। यो दाबी SIMD निर्देशनहरूको चौडाईको आधारमा उचित छ (Sort-merge ले रेडिक्स-ह्यास जोइनलाई पार गर्दछ जब SIMD पर्याप्त चौडा हुन्छ), र NUMA जागरूकता (Sort-merge NUMA आर्किटेक्चरमा ह्याश जोइन भन्दा राम्रो छ) । हामी यी एल्गोरिदमको मूल र अनुकूलित संस्करणमा व्यापक प्रयोगहरू गर्छौं। प्रयोगहरूले देखाउँदछ कि यी दावीहरूको विपरीत, रेडिक्सह्याश ज्वाइन अझै स्पष्ट रूपमा उत्कृष्ट छ, र रेडिक्सको प्रदर्शनमा क्रमबद्ध-मर्ज दृष्टिकोण मात्र जब धेरै ठूलो मात्रामा डाटा समावेश हुन्छ। यस कागजातले यी एल्गोरिदमहरूको सब भन्दा छिटो कार्यान्वयन प्रदान गर्दछ, र आधुनिक हार्डवेयर आर्किटेक्चरका धेरै पक्षहरूलाई जोइनका लागि मात्र नभई कुनै पनि समानान्तर डाटा प्रोसेसिंग अपरेटरका लागि पनि सान्दर्भिक छ। |
0a5033c0b2bb2421f8c46e196fb0fb1464a636b6 | आधुनिक सीपीयूमा निर्देशनहरू छन् जसले आधारभूत अपरेसनहरूलाई समानान्तर रूपमा धेरै डाटा तत्वहरूमा प्रदर्शन गर्न अनुमति दिन्छ। यी निर्देशनहरूलाई सिम्ड निर्देशनहरू भनिन्छ, किनकि तिनीहरू बहु डाटा तत्वहरूमा एकल निर्देशन लागू गर्दछन्। सिमडी प्रविधि सुरुमा मल्टिमिडिया अनुप्रयोगहरूको प्रदर्शनलाई गति दिनको लागि कमोडिटी प्रोसेसरहरूमा निर्मित गरिएको थियो। सिम्ड निर्देशनले डाटाबेस इन्जिनको डिजाइन र कार्यान्वयनका लागि नयाँ अवसरहरू प्रदान गर्दछ। हामी डाटाबेस सन्दर्भमा विभिन्न प्रकारका अपरेसनहरू अध्ययन गर्छौं, र देखाउँछौं कि कसरी अपरेसनहरूको भित्री पाशलाई एसआईएमडी निर्देशनहरू प्रयोग गरेर गति दिन सकिन्छ। सिमडी निर्देशनहरूको प्रयोगले दुई तत्काल प्रदर्शन लाभहरू छन्: यसले समानांतरताको डिग्रीलाई अनुमति दिन्छ, ताकि धेरै अपरेन्डहरू एकैचोटि प्रशोधन गर्न सकिन्छ। यसले प्रायः सशर्त शाखा निर्देशनहरूको उन्मूलनमा पनि पुर्याउँछ, शाखा गलत भविष्यवाणीहरू कम गर्दछ। हामी क्रमबद्ध स्क्यान, एकत्रीकरण, अनुक्रमणिका अपरेशनहरू, र जोड्दै सहित सबैभन्दा महत्त्वपूर्ण डाटाबेस अपरेशनहरू विचार गर्दछौं। हामी एसआईएमडी निर्देशनहरू प्रयोग गरेर यी कार्यान्वयन गर्न प्रविधिहरू प्रस्तुत गर्दछौं। हामी देखाउँछौं कि परम्परागत क्वेरी प्रोसेसिंग एल्गोरिदमहरू पुनः डिजाइन गर्नमा महत्त्वपूर्ण फाइदाहरू छन् ताकि तिनीहरू एसआईएमडी टेक्नोलोजीको राम्रो प्रयोग गर्न सक्दछन्। हाम्रो अध्ययनले देखाउँछ कि चारको सिमड समानान्तरताको प्रयोग गरेर, नयाँ एल्गोरिदमहरूको लागि सीपीयू समय परम्परागत एल्गोरिदमहरूको तुलनामा १०% देखि चार गुणा कम हुन्छ। शाखा गलत पूर्वानुमान प्रभाव को उन्मूलन को परिणाम को रूप मा सुपरलाइनर accelerups प्राप्त गरिन्छ। |
30b1293e39c52ddd0e2a617de47c1ad843621258 | तालिका स्क्यानहरू हालसालै अधिक रोचक भएका छन् कारण एड-होक क्वेरीहरूको बढ्दो प्रयोग र बहु-कोर, भेक्टर-सक्षम हार्डवेयरको अधिक उपलब्धताका कारण। तालिका स्क्यान प्रदर्शन मूल्य प्रतिनिधित्व, तालिका लेआउट, र प्रशोधन प्रविधिहरू द्वारा सीमित छ। यस लेखमा हामी एक नयाँ लेआउट र प्रोसेसिंग टेक्निकको प्रस्ताव गर्दछौं जुन एक कुशल एक-पास प्रेडिक्ट मूल्यांकनको लागि हो। प्रति स्तम्भ बिट्सको निश्चित संख्याको पङ्क्तिहरूको सेटबाट सुरु गर्दै, हामी स्तम्भहरूलाई जोडेर बैंकहरूको सेट बनाउँछौं र त्यसपछि प्रत्येक बैंकलाई समर्थित मेशिन शब्द लम्बाइमा प्याड गर्दछौं, सामान्यतया १६, ३२ वा ६४ बिट। त्यसपछि हामी प्रत्येक बैंकको स्तम्भहरूमा आंशिक भविष्यवाणीहरूको मूल्यांकन गर्छौं, नयाँ मूल्यांकन रणनीति प्रयोग गरेर जसले स्तम्भ स्तर समानता, दायरा परीक्षण, IN-सूची भविष्यवाणीहरू, र यी भविष्यवाणीहरूको संयोजनहरूको मूल्यांकन गर्दछ, एकै साथ बैंक भित्र बहु स्तम्भहरूमा, र मेशिन रेजिस्टर भित्र बहु पows्क्तिहरूमा। यो दृष्टिकोण शुद्ध स्तम्भ भण्डारहरू भन्दा राम्रो प्रदर्शन गर्दछ, जसले आंशिक भविष्यवाणीहरूलाई एक समयमा एक स्तम्भमा मूल्याate्कन गर्नुपर्दछ। हामी यस नयाँ दृष्टिकोण र प्रस्तावित विकल्पहरूको प्रदर्शन र प्रतिनिधित्वको तुलना गर्छौं। |
313e8120c31fda6877ea426d8a3be9bcf1b6e088 | यस लेखमा भर्टिका एनालिटिक डाटाबेस (भर्टिका) को प्रणाली वास्तुकलाको वर्णन गरिएको छ, जुन सी-स्टोर अनुसन्धान प्रोटोटाइपको डिजाइनको व्यवसायीकरण हो। भर्टिकाले आधुनिक व्यावसायिक आरडीबीएमएस प्रणाली प्रदर्शन गर्दछ जसले शास्त्रीय सम्बन्ध इन्टरफेस प्रस्तुत गर्दछ जबकि एकै समयमा उपयुक्त वास्तुशिल्प विकल्पहरू बनाउँदै आधुनिक वेब स्केल विश्लेषणात्मक प्रणालीबाट अपेक्षित उच्च प्रदर्शन प्राप्त गर्दछ। भर्टिका पनि शैक्षिक प्रणाली अनुसन्धान कसरी एक सफल उत्पादन मा सीधा व्यावसायिक गर्न सकिन्छ मा एक शिक्षाप्रद पाठ हो। |
370e1fcea7074072fe5946d3e728affd582a9a44 | मोनेटडीबी एक अत्याधुनिक खुला स्रोत स्तम्भ भण्डार डाटाबेस व्यवस्थापन प्रणाली हो जुन डाटाको ठूलो संग्रहमा विश्लेषणको लागि अनुप्रयोगहरूलाई लक्षित गर्दछ। मोनेटडीबी अहिले स्वास्थ्य सेवा, दूरसञ्चार, वैज्ञानिक डेटाबेस र डाटा व्यवस्थापन अनुसन्धानमा सक्रिय रूपमा प्रयोग भइरहेको छ, जुन औसतमा मासिक १०,००० भन्दा बढी डाउनलोडहरू संकलन गर्दछ। यस लेखमा विगत दुई दशकमा विकसित भएको मोनेटडीबी प्रविधि र हालको मोनेटडीबी डिजाइनलाई चलाउने र यसको भविष्यको विकासको आधार बनाउने मुख्य अनुसन्धान हाइलाइटहरूको संक्षिप्त सिंहावलोकन दिइएको छ। |
22b26297e0cc5df3efdba54a45714e4e27b59e17 | कुनै पनि फिल्टरिङ/नियन्त्रण समस्यामा सन्दर्भ परिमाण र यसको अनुमानित/नियन्त्रित मानबीचको मिस-डिस्टेंस वा त्रुटिको अवधारणाले आधारभूत भूमिका खेल्छ। तर बहु-वस्तु फिल्टरिङको राम्रोसँग स्थापित क्षेत्रमा मिस्-डिस्टेंसको कुनै सन्तोषजनक धारणा छैन। यस लेखमा, हामी प्रदर्शन मूल्यांकनको लागि बहु-वस्तु मिस-दूरीको सन्दर्भमा अवस्थित मेट्रिक्सको असंगतिहरूको रूपरेखा दिन्छौं। त्यसपछि हामी एउटा नयाँ गणितीय र सहज सुसंगत मेट्रिक प्रस्ताव गर्छौं जसले हालको बहु-वस्तु प्रदर्शन मूल्यांकन मेट्रिक्सको कमजोरीहरूलाई सम्बोधन गर्दछ। |
9fbf7bb9f8bd898cfb2f2164c269518359ef5f18 | मिस डिस्टन्स-यूक्लिडियन, महालनोबिस आदि अवधारणा इन्जिनियरिङ सिद्धान्त र एकल-लक्षित प्रणालीको अभ्यासको एक आधारभूत, दूरगामी र स्वीकृत तत्व हो। यस लेखमा हामी बहुलक्षित (र, सामान्यतया, बहु-वस्तु) प्रणालीहरूको लागि दूरी मेट्रिक्सको एक व्यापक एल / उप पी / प्रकार सिद्धान्त प्रस्तुत गर्दछौं। हामी यो सिद्धान्त विस्तार गर्छौं, र एक कठोर सैद्धान्तिक आधार प्रदान गर्दछौं, एक सहज रूपमा अपील गर्ने इष्टतम-आयोग दृष्टिकोण ड्रुमन्ड द्वारा प्रस्तावित बहु लक्ष्य ट्र्याकिंग एल्गोरिदमको प्रदर्शनको मूल्यांकन गर्न। हामी मानक इष्टतम असाइनमेन्ट वा उत्तरोत्तर अनुकूलन प्रविधिहरूमा आधारित त्यस्ता मेट्रिक्स गणना गर्नका लागि व्यवहार्य कम्प्यूटेशनल दृष्टिकोणहरूको वर्णन गर्दछौं। हामी यी मेट्रिक्सको सम्भावित दूरगामी प्रभावहरूको वर्णन गर्दछौं अनुप्रयोगहरूको लागि जस्तै प्रदर्शन मूल्यांकन र सेन्सर व्यवस्थापन। पहिलो उदाहरणमा, हामी बहुलक्षित ट्र्याकिङ एल्गोरिदमका लागि प्रभावकारिताको मापन (एमओई) को रूपमा बहुलक्षित मिस-दूरी मेट्रिक्सको अनुप्रयोग प्रदर्शन गर्दछौं। |
859af6e67aec769c58ec1ea6a971108a60df0b9d | अनिश्चित निष्कर्षको साथ संरचित शिक्षा एउटा आधारभूत समस्या हो। हामी संरचनात्मक पर्सेप्ट्रोन एल्गोरिथ्मको भेरियन्टहरू सामान्य "भ्याल्युएसन फिक्सिंग" ढाँचा अन्तर्गत प्रस्ताव गर्दछौं जसले अभिसरणको ग्यारेन्टी गर्दछ। यस ढाँचाले विशेष केसहरूको रूपमा "early update" सहित अघिल्लो उपचारहरूलाई समाहित गर्दछ, र यो पनि वर्णन गर्दछ कि किन मानक पर्सेप्ट्रोन गलत खोजीको साथ असफल हुन सक्छ। हामी यस ढाँचा भित्र नयाँ अद्यावधिक विधिहरू पनि प्रस्ताव गर्दछौं जसले अत्याधुनिक भाग-भाषण ट्यागिंग र वृद्धिशील पार्सि systems प्रणालीहरूमा नाटकीय रूपमा कम प्रशिक्षण समयको साथ राम्रो मोडेलहरू सिक्छन्। |
b78c04c7f29ddaeaeb208d4eae684ffccd71e04f | अनुक्रमिक गणनाको भोन न्युमान मोडेलको सफलता यस तथ्यको लागि श्रेय योग्य छ कि यो सफ्टवेयर र हार्डवेयर बीच एक कुशल पुल होः उच्च-स्तर भाषाहरू यस मोडेलमा कुशलतापूर्वक कम्पाइल गर्न सकिन्छ; अझै यो हार्डवेयरमा प्रभावकारी रूपमा लागू गर्न सकिन्छ। लेखक तर्क गर्छन् कि सफ्टवेयर र हार्डवेयर बीचको एक समान पुल समानान्तर गणनाको लागि आवश्यक छ यदि त्यो व्यापक रूपमा प्रयोग हुन चाहन्छ भने। यस लेखले यस भूमिकाको लागि एक उम्मेदवारको रूपमा थोक-सिnch्ख्रोनिक समानान्तर (बीएसपी) मोडेलको परिचय दिन्छ, र उच्च-स्तर भाषा सुविधाहरू र एल्गोरिदमहरू कार्यान्वयन गर्नका साथै हार्डवेयरमा कार्यान्वयन गर्न यसको दक्षतालाई मात्रात्मक रूपमा परिणाम दिन्छ। |
1d5a7c0bd3b6c445127c6861cea6c69f2291d9d8 | यस लेखमा हामी मोबाइल फोन नेटवर्कमा सञ्चार सेवाहरू प्रयोग गरी मालवेयरको प्रसारको प्रभावको मूल्याङ्कन गर्दछौं। यद्यपि इन्टरनेटमा स्व-प्रसार हुने मालवेयरको बारेमा राम्रोसँग बुझिन्छ, तर मोबाइल फोन नेटवर्कमा टोपोलोजी, सेवा, प्रावधान र क्षमता, उपकरण र सञ्चार ढाँचाका हिसाबले धेरै फरक विशेषताहरू छन्। यस नयाँ वातावरणमा मालवेयरको अनुसन्धान गर्न हामीले एउटा घटना-चालक सिम्युलेटर विकास गरेका छौं जसले मोबाइल फोन नेटवर्कको विशेषता र सीमितताहरूलाई समेट्छ। विशेष गरी, सिमुलेटरले नेटवर्क पूर्वाधारको यथार्थपरक टोपोलोजी र प्रावधान क्षमताको साथसाथै सेल फोन ठेगाना पुस्तकहरू द्वारा निर्धारित सम्पर्क ग्राफहरू मोडेल गर्दछ। हामी मोबाइल फोन नेटवर्कमा अनियमित सम्पर्क कृमिहरूको गति र गम्भीरताको मूल्याङ्कन गर्छौं, नेटवर्कमा यस्ता कृमिहरूको सेवा अस्वीकार प्रभावहरूको विशेषता दिन्छौं, मालवेयर प्रसारलाई गति दिनको लागि दृष्टिकोणहरू अनुसन्धान गर्छौं, र त्यस्ता आक्रमणहरू विरुद्ध नेटवर्कको रक्षा गर्ने प्रभावहरूको बारेमा छलफल गर्छौं। |
013dfaac7508a46d6781cb58e7be0ddad2920a23 | यस कागजातले आईएसओ २६२६२ हार्डवेयर आवश्यकताहरूको साथ मोटर वाहन सुरक्षा माइक्रोप्रोसेसरको मूल्याङ्कनको लागि चरण-देखि-चरण दिशानिर्देश प्रदान गर्दछ। आईएसओ २६२६२ भाग ५ - हार्डवेयर स्तरमा उत्पाद विकास - मोटर वाहन हार्डवेयर विकासको चरणमा सुरक्षा गतिविधिहरू निर्दिष्ट गर्दछ। यस चरणमा हार्डवेयर सुरक्षा डिजाइन (आईएसओ २६२६२ भाग ३ र ४ को नतिजाबाट) प्राप्त हुन्छ, कार्यान्वयन हुन्छ, एकीकृत हुन्छ र परीक्षण गरिन्छ । आईएसओ २६२६२ हार्डवेयर विकास प्रक्रियासँगको अनुपालन प्रमाणित गर्न, हार्डवेयरमा मात्रात्मक मूल्यांकनहरू अपरिहार्य छन्। यी मात्रात्मक मूल्यांकनहरू हार्डवेयर आर्किटेक्चर मेट्रिक्स र सम्भावित हार्डवेयर मेट्रिक्सको रूपमा चिनिन्छन्। मूल्यांकनको नतिजाले एउटा डिजाइनलाई अटोमोबाइल सुरक्षा अखण्डता स्तर (एएसआईएल) को लागि योग्य बनाउँछ जुन एएसआईएल-ए (सबैभन्दा कम) देखि एएसआईएल-डी (सबैभन्दा उच्च) सम्म हुन्छ। यस लेखमा हामीले आईएसओ २६२६२ हार्डवेयर मूल्यांकन प्रक्रिया प्रदर्शन गर्नका लागि एउटा उदाहरण सुरक्षा माइक्रोप्रोसेसर लागू गरेका छौं। हार्डवेयर आर्किटेक्चर मेट्रिक्स र सम्भावित हार्डवेयर मेट्रिक्सबाट एएसआईएल स्तरको व्युत्पन्न प्रक्रियाहरू पूर्ण रूपमा छलफल गरिन्छ। मूल्यांकनको नतिजाको आधारमा हामी आईएसओ २६२६२ सुरक्षा हार्डवेयर डिजाइनका लागि डिजाइन सुझावहरू पनि प्रदान गर्दछौं। |
78cec49ca0acd3b961021bc27d5cf78cbbbafc7e | कम्प्रेसिभ सेन्सिङ साहित्यमा अनुहार पहिचानको मानक विधिमध्ये एक बनेको छ। हामी देखाउँछौं, तथापि, कि यो कामको धेरै आधारमा रहेको sparsity धारणा डाटा द्वारा समर्थित छैन। डाटामा यो अभावको अर्थ यो हो कि कम्प्रेसिभ सेन्सि approach दृष्टिकोणले सही संकेत पुनः प्राप्ति गर्न ग्यारेन्टी गर्न सकिदैन, र त्यसकारण कि थोरै अनुमानले इच्छित स्थिरता वा प्रदर्शन प्रदान गर्न सक्दैन। यस प्रकार हामी देखाउँछौं कि अनुहार पहिचान समस्याको लागि २ पाउण्डको सरल दृष्टिकोण अत्याधुनिक दृष्टिकोण भन्दा धेरै सही मात्र होइन, यो अझ बलियो र छिटो पनि छ। यी परिणामहरू सार्वजनिक रूपमा उपलब्ध येलबी र एआर अनुहार डाटासेटमा प्रदर्शन गरिएको छ तर कम्प्रेसिभ सेन्सि ofको व्यापक रूपमा प्रयोगको लागि प्रभावहरू छन्। |
c530fbb3950ccdc88db60eff6627feb9200f6bda | |
be515b4070f746cc39e49e9e80ef0e419cadb1f0 | हालैका वर्षहरूमा मानव गतिविधिहरूको पहिचानको बारेमा धेरै अनुसन्धानकर्ताहरूको लागि रुचिको विषय छ। यस लेखमा हामी मानव गतिविधिलाई गहिरो सिकाइ (डीएल) एल्गोरिथ्मद्वारा पहिचान गर्न अनुसन्धानको प्रस्ताव गर्दछौं। हामीले मानव गतिविधिहरूको पहिचानको नतिजाको मूल्याङ्कन गर्न गतिविधिहरू प्रदर्शन गर्ने सहभागीहरूबाट डाटा संकलन गरेका छौं। गहिरो सञ्जालको पूर्व प्रशिक्षण पछि, फाइन-ट्युनिंग प्रक्रिया सुरु हुन्छ। लुकेको मार्कोभ मोडेल (एचएमएम) र नौटंकी बेयज वर्गीकरणकर्ता (एनबीसी) सँग तुलना गर्दा, प्रयोगको नतिजाले प्रस्तावित गहिरो सिकाइ एल्गोरिथ्म स्मार्ट होममा मानव गतिविधिहरू पहिचान गर्नका लागि प्रभावकारी तरिका हो भनेर देखाउँछ। |
c79a608694c3d9a75ef06ed6baa80c6d1ce71bd4 | प्राकृतिक भाषा प्रशोधनमा हालैका प्रगतिहरूले पुस्तकालयहरू उत्पादन गरेका छन् जसले कच्चा पाठहरूको संग्रहबाट निम्न स्तरका सुविधाहरू निकाल्दछन्। यी विशेषताहरू, एनोटेशनको रूपमा चिनिन्छन्, सामान्यतया पदानुक्रमित, रूख-आधारित डाटा संरचनाहरूमा भण्डारण गरिन्छ। यस कागजातले अन्वेषणात्मक डाटा विश्लेषण र भविष्यवाणी मोडेलिंगको लागि अनुकूलित सामान्यीकृत सम्बन्ध डाटा तालिकाहरूको संग्रहको रूपमा एनोटेशनहरू प्रतिनिधित्व गर्न डाटा मोडेल प्रस्ताव गर्दछ। आर प्याकेज क्लीनएनएलपी, जसले दुई अत्याधुनिक एनएलपी लाइब्रेरीहरू (कोरएनएलपी वा स्पेसी) मध्ये एकलाई बोलाउँछ, यस डाटा मोडेलको कार्यान्वयनको रूपमा प्रस्तुत गरिएको छ। यसले कच्चा पाठलाई इनपुटको रूपमा लिन्छ र सामान्यीकृत तालिकाहरूको सूची फर्काउँछ। विशिष्ट एनोटेशनहरू प्रदान गरिएको टोकन, भाषण ट्यागिंगको अंश, नामित संस्था मान्यता, भावना विश्लेषण, निर्भरता पार्सिंग, कोररेफरेन्स रिजोलुसन, र शब्द एम्बेडिंग समावेश गर्दछ। प्याकेजले हाल अंग्रेजी, जर्मन, फ्रान्सेली र स्पेनिश भाषामा इनपुट पाठलाई समर्थन गर्दछ। |
5854f613c1617e8f27f3406f9319b88e200783ca | |
178c3df6059d9fc20f8b643254289642c47b5d9d | यो प्रस्तावित मोडेलको विकास गर्ने विचार समाजप्रति सामाजिक उत्तरदायित्वबाट आएको हो। दुर्घटनाको समयमा तत्काल प्राथमिक उपचार र आपतकालीन चिकित्सा सेवाको अभाव दुर्घटनाका अधिकांश घटनामा मृत्युको प्रमुख कारण हो। दुर्घटनाको एउटा मुख्य कारण एम्बुलेन्सको ढिलो आगमन, दुर्घटनास्थलमा एम्बुलेन्सलाई जानकारी दिनका लागि कोही व्यक्ति नहुँदा हुन सक्छ। समाजको जिम्मेवारी लिने यो सोचको परिणाम स्वरूप हामीले प्रस्तावित मोडल जीएसएम र जीपीआरएस प्रयोग गरी माइक्रो कन्ट्रोलरमा आधारित स्मार्ट हेलमेट बनायौं। प्रस्तावित मोडेल डिजाइनको उद्देश्य दुर्घटनाको बारेमा जिम्मेवार व्यक्तिहरूलाई यथाशीघ्र जानकारी दिनु हो ताकि उनीहरूले घाइते व्यक्तिको जीवन बचाउन आवश्यक कार्यहरू गर्न सकून्। हाम्रो प्रस्तावित प्रणालीमा माइक्रो कन्ट्रोलरको रुपमा अर्डिनो, कल गर्ने उद्देश्यका लागि जीएसएम, ट्रयाकिङको उद्देश्यका लागि जीपीआरएस र मुख्यतया दुर्घटना पत्ता लगाउने सेन्सर समावेश छ। हाम्रो प्रस्तावित प्रणालीले दुर्घटनाको पहिचान गर्छ र एक मिनेट भित्रमा रेजिष्टर्ड नम्बरमा भ्वाइस सन्देश सहितको एसएमएस पठाउँछ। |
2878bd8a17c2ba7c4df445cd88dd7fc2cb44e15d | ग्यासियन प्रक्रियाहरू (जीपी) सम्भावित मोडेलिंग उद्देश्यका लागि शक्तिशाली उपकरणहरू हुन्। तिनीहरू पदानुक्रमित बेइजियन मोडेलहरूमा लुकेका प्रकार्यहरूमा पूर्व वितरणहरू परिभाषित गर्न प्रयोग गर्न सकिन्छ। पूर्ववर्ती ओभर फंक्शनहरू औसत र सह-परिवर्तन फंक्शनद्वारा निहित रूपमा परिभाषित हुन्छन्, जसले फंक्शनको सहजता र परिवर्तनशीलता निर्धारण गर्दछ। त्यसपछि अनुमानलाई पछाडि प्रक्रियाको मूल्यांकन वा अनुमान गरेर फंक्शन स्पेसमा सिधै सञ्चालन गर्न सकिन्छ। उनीहरूको आकर्षक सैद्धान्तिक गुणहरूको बाबजुद जीपीहरूले उनीहरूको कार्यान्वयनमा व्यावहारिक चुनौतीहरू प्रस्तुत गर्छन्। GPstuff लिनक्स र विन्डोज MATLAB र Octave सँग मिल्दो GP मोडेलहरूको लागि कम्प्यूटेशनल उपकरणहरूको बहुमुखी संग्रह हो। यसमा अन्य कुराहरुका साथै विभिन्न अनुमान विधि, थोरै अनुमान र मोडेल मूल्यांकनका लागि उपकरणहरू समावेश छन्। यस कार्यमा, हामी यी उपकरणहरूको समीक्षा गर्छौं र विभिन्न मोडेलहरूमा जीपीस्टफको प्रयोग प्रदर्शन गर्दछौं। |
accbf0cd5f19a9ec5bbdd97f11db8c3bfdbb4913 | यस कागजातमा, एक गैर सम्पर्क निकटता महत्वपूर्ण संकेत सेन्सर, एक चरण लक लूप (पीएलएल) को प्रयोग गरेर भोल्टेज नियन्त्रित थरथरानवाला (वीसीओ) निर्मित-इन समतल प्रकारको सर्कुलर रेजोनेटरको साथ, गम्भीर वातावरणमा संवेदनशीलता बढाउन प्रस्ताव गरिएको छ। यो योजनाबद्ध प्रकारको गोलाकार अनुनादकर्ताले वीसीओको सिरिज फीडबैक एलिमेन्टको साथै निकट-क्षेत्र प्राप्त गर्ने एन्टेनाको रूपमा काम गर्दछ। शरीरको निकटता प्रभावसँग सम्बन्धित VCO को आवृत्ति विचलन 0.07 MHz/mm देखि 1.8 MHz/mm (6.8 mV/mm देखि 205 mV/mm संवेदनशीलतामा) सम्म 50 mm को दूरी सम्म हुन्छ, जबकि VCO बहावको मात्रा 60 °C तापमान दायरा र ± 5% को असतत घटक सहिष्णुता को स्थितिमा लगभग 21 MHz हो। कुल आवृत्ति परिवर्तन PLL को कब्जा दायरामा हुन्छ जुन 60 मेगाहर्ट्ज हो। यस प्रकार, यसको लूप नियन्त्रण भोल्टेजले आवृत्ति विचलनको मात्रालाई सीडी (DC) भोल्टेजको भिन्नतामा रूपान्तरण गर्दछ, जुन परिवेशको तापक्रमको पर्वाह नगरी महत्वपूर्ण संकेतहरू निकाल्न प्रयोग गरिन्छ। प्रयोगात्मक नतिजाले देखाउँछ कि प्रस्तावित सेन्सरले व्यक्तिबाट ५० मिमीको दूरीमा राखिएको श्वासप्रश्वास र मुटुको धड्कनको संकेतलाई २.४ गीगाहर्जको अपरेटिङ फ्रिक्वेन्सीमा श्वासप्रश्वासको संकेतको कारण हुने हार्मोनिक संकेतको अस्पष्टता बिना विश्वसनीय रूपमा पत्ता लगाउन सक्छ। |
519da94369c1d87e09c592f239b55cc9486b5b7c | विगत केही वर्षहरूमा भाषामा आधारित भिडियो पुनःप्राप्तिको बारेमा धेरै ध्यान आकर्षित भएको छ। तथापि, एक प्राकृतिक विस्तारको रूपमा, वर्णन क्वेरी दिइएको भिडियो भित्र विशिष्ट भिडियो क्षणहरू स्थानीयकरण गर्न विरलै अन्वेषण गरिन्छ। यद्यपि यी दुई कार्यहरू समान देखिन्छन्, पछिल्लो दुई मुख्य कारणका कारण बढी चुनौतीपूर्ण छ: 1) पहिलेको कार्यले मात्र भिडियोमा क्वेरी हुन्छ कि हुँदैन र सम्पूर्ण भिडियो फिर्ता गर्दछ कि हुँदैन भनेर न्याय गर्न आवश्यक छ, तर पछिल्लो भिडियो भित्र कुन क्षण क्वेरीसँग मेल खान्छ र सही रूपमा फिर्ता हुन्छ। क्षणको सुरू र अन्त्य बिन्दुहरू। भिडियोमा विभिन्न क्षणहरूको फरक फरक अवधि र विभिन्न स्थानिक-समय विशेषताहरू छन् भन्ने तथ्यको कारण, अन्तर्निहित क्षणहरू पत्ता लगाउन अत्यन्त चुनौतीपूर्ण छ। २) सान्दर्भिकता अनुमानको मुख्य घटकको रूपमा, पूर्वले सामान्यतया सान्दर्भिकता स्कोर गणना गर्न साझा स्थानमा भिडियो र क्वेरी इम्बेड गर्दछ। यद्यपि, पछिल्लो कार्य क्षण स्थानीयकरणको बारेमा हो जहाँ केवल एक विशिष्ट क्षणको विशेषताहरू मात्र होइन, तर क्षणको सन्दर्भ जानकारीले पनि धेरै योगदान पुर्याउँछ। उदाहरणका लागि, क्वेरीमा समयको सीमा शब्दहरू हुन सक्छन्, जस्तै "पहिलो" त्यसैले तिनीहरूलाई सही रूपमा बुझ्नको लागि समयको सन्दर्भ चाहिन्छ। यी समस्याहरूको समाधान गर्न, हामी एक ध्यानपूर्ण क्रस-मोडल पुनःप्राप्ति नेटवर्क विकास गर्दछौं। विशेष गरी, हामीले एउटा मेमोरी ध्यान संयन्त्र डिजाइन गरेका छौं जसले क्वेरीमा उल्लेख गरिएका दृश्य विशेषताहरूलाई जोड दिन्छ र एकै साथ तिनीहरूको सन्दर्भ समावेश गर्दछ। यसको प्रकाशमा, हामी विस्तारित क्षण प्रतिनिधित्व प्राप्त गर्दछौं। यस बीच, क्रस-मोडल फ्यूजन सब-नेटवर्कले दुबै-आन्तरिक र अन्तर-मोडालिटी गतिशीलता सिक्छ, जसले क्षण-क्वेरी प्रतिनिधित्वको शिक्षालाई बढाउन सक्छ। हामीले हाम्रो विधिलाई दुई डाटासेटमा मूल्यांकन गरेका छौं: डिडेमो र ट्याकोस। विस्तृत प्रयोगहरूले अत्याधुनिक विधिहरूको तुलनामा हाम्रो मोडेलको प्रभावकारिता देखाउँछन्। |
9eab375b7add5f02a0ae1293d0aa7880ea70233a | |
977f48fe151c06176049b832f2574d8c41309c3a | अनलाइन पाठको मात्रा बढ्दै जाँदा, पाठको विश्लेषण र व्यवस्थापनमा सहयोग पुर्याउन पाठ वर्गीकरणको माग बढ्दै गइरहेको छ। पाठ सस्तो छ, तर जानकारी, पाठ कुन वर्गमा पर्छ भन्ने कुराको रूपमा, महँगो छ। पाठको स्वचालित वर्गीकरणले यो जानकारी कम लागतमा प्रदान गर्न सक्छ, तर वर्गीकरणकर्ताहरू आफैंलाई महँगो मानव प्रयासको साथ निर्माण गर्नुपर्दछ, वा पाठहरूबाट तालिम लिनुपर्दछ जुन आफैंलाई मैन्युअल रूपमा वर्गीकृत गरिएको छ। यस लेखमा हामी डाटा माइनिङको एसोसिएसन नियमको अवधारणा प्रयोग गरेर पाठ वर्गीकरण गर्ने प्रक्रियाको बारेमा छलफल गर्नेछौं। पूर्व वर्गीकृत पाठ कागजातहरूबाट सुविधा सेट प्राप्त गर्न एसोसिएसन नियम खनन प्रविधिको प्रयोग गरिएको छ। त्यसपछि अन्तिम वर्गीकरणका लागि व्युत्पन्न विशेषताहरूमा नैभ बेयस् वर्गीकरणकर्ता प्रयोग गरिन्छ। |
2e6d28d44016a6cfab7f949f74fc129e27960575 | यस कागजमा, लेखकहरूले लाभ सुधार गर्न, एच-प्लेन बीमविड्थलाई संकुचित गर्न, र भिभल्डी एन्टेनाको प्रयोग गरेर फ्रिक्वेन्सीको साथ चरण केन्द्र भिन्नतालाई कम गर्न एक प्रविधि प्रस्ताव गरे। एउटा नमूना एन्टेना बनाइएको थियो र मापन गरिएको थियो, र प्रारम्भिक मापन परिणामहरू धेरै आशाजनक छन्, र सिमुलेशन परिणामहरूसँग राम्रो सम्झौतामा। |
7740bc0f8afdcf2199b797c904b07cddb401682a | ओमको नियमको सरलीकृत धारणाहरू भन्दा पर गएर, औसत स्वतन्त्र मार्ग भित्र विद्युतीय क्षेत्र भिन्नताको प्रभाव र गैर-स्थानीय विद्युतीय क्षेत्रमा हालको निर्भरतालाई ध्यानमा राखिन्छ ग्राफेन रिबन (जीआर) को उच्च आवृत्ति व्यवहारलाई सही रूपमा कब्जा गर्न। एकै समयमा, एक सरलीकृत दृष्टिकोण पनि कम आवृत्तिहरूमा अपनाउन सकिन्छ। मूल बोल्जमन समीकरणबाट सुरु गर्दै र यसको हेक्सागोनल ब्रिलुइन क्षेत्रमा ग्राफेनको लागि अद्वितीय फैलाव सम्बन्धको साथ संयोजन गर्दै, GR संरचनामा वर्तमान घनत्व प्राप्त हुन्छ। पहिलो, GR को अर्ध-असीमित स्लैबको विश्लेषण फुरियर इन्टिग्रलहरूको सिद्धान्त प्रयोग गरेर गरिन्छ, जसलाई ग्रीनको प्रकार्य दृष्टिकोण प्रयोग गरेर व्युत्पन्न वर्तमान घनत्वको आत्म-संगत संख्यात्मक गणनामा आधारित व्यावहारिक सीमित संरचनाहरूको लागि कठोर पद्धति विकासको अनुसरण गरिन्छ। यस कागजातले ग्राफेन-आधारित संरचनाहरूको उच्च आवृत्ति प्रतिरोधको सही मूल्यांकनको लागि पहिलो विस्तृत पद्धति प्रस्तुत गर्दछ जुन अन-चिप इन्टरकनेक्ट र इन्डक्टर अनुप्रयोगहरूको लागि प्रासंगिक छ। |
21a1654b856cf0c64e60e58258669b374cb05539 | हामी योलो प्रस्तुत गर्दछौं, वस्तु पत्ता लगाउने एउटा नयाँ दृष्टिकोण। वस्तु पत्ता लगाउने काममा अघिल्लो कामले वर्गीकरणकर्ताहरूलाई पत्ता लगाउनका लागि पुनः प्रयोग गर्दछ। यसको सट्टामा, हामी वस्तु पत्ता लगाउने फ्रेमलाई एक रिग्रेसन समस्याको रूपमा स्थानिक रूपमा अलग गरिएको बाउन्डि boxes बक्सहरू र सम्बन्धित वर्ग सम्भावनाहरूमा फ्रेम गर्दछौं। एक एकल न्यूरल नेटवर्कले सिमाना बक्सहरू र वर्ग सम्भावनाहरू एक मूल्यांकनमा पूर्ण छविहरूबाट प्रत्यक्ष रूपमा भविष्यवाणी गर्दछ। सम्पूर्ण पत्ता लगाउने पाइपलाइन एकल नेटवर्क भएकोले, यसलाई पत्ता लगाउने प्रदर्शनमा सिधै अन्त्य-देखि-अन्तमा अनुकूलित गर्न सकिन्छ। हाम्रो एकीकृत वास्तुकला अत्यन्तै छिटो छ। हाम्रो आधारभूत योलो मोडेलले वास्तविक समयमा प्रति सेकेन्ड ४५ फ्रेममा छविहरू प्रशोधन गर्छ। नेटवर्कको एउटा सानो संस्करण फास्ट योलोले प्रति सेकेन्डमा १५५ फ्रेमको प्रक्रिया गर्दछ र अझै पनि अन्य वास्तविक समय डिटेक्टरहरूको तुलनामा डबल एमएपी प्राप्त गर्दछ। अत्याधुनिक पत्ता लगाउने प्रणालीहरूको तुलनामा, योलोले अधिक स्थानीयकरण त्रुटिहरू बनाउँछ तर पृष्ठभूमिमा गलत सकारात्मकहरूको भविष्यवाणी गर्ने सम्भावना कम छ। अन्तमा, योलोले वस्तुहरूको धेरै सामान्य प्रतिनिधित्वहरू सिक्छ। यसले अन्य पत्ता लगाउने विधिहरू, डीपीएम र आर-सीएनएन सहित, प्राकृतिक छविहरूबाट कलाकृति जस्ता अन्य डोमेनहरूमा सामान्यीकरण गर्दा प्रदर्शन गर्दछ। |
5a39d6c1bb04737cc81634f3ea2e81d3bc1ee6dd | असीमित प्राकृतिक फोटोहरूमा मनमानी बहु-वर्ण पाठ पहिचान गर्नु कठिन समस्या हो। यस लेखमा हामी यस क्षेत्रको एउटा कठिन उप-समस्यालाई सम्बोधन गर्नेछौं। सडक दृश्यको छविबाट मनमाने बहु-अंकको संख्या पहिचान गर्दै। यो समस्या समाधान गर्न परम्परागत दृष्टिकोणले सामान्यतया स्थानीयकरण, विभाजन, र पहिचान चरणहरू अलग गर्दछ। यस लेखमा हामी एक एकीकृत दृष्टिकोण प्रस्ताव गर्दछौं जसले यी तीन चरणहरूलाई एकीकृत गर्दछ गहिरो कन्भोल्युसनल न्यूरल नेटवर्कको प्रयोगको माध्यमबाट जुन छवि पिक्सेलमा प्रत्यक्ष रूपमा कार्य गर्दछ। हामी डिस्टबिलीफ (डीन एट अल, २०१२) को प्रयोग गहिरो न्यूरोनल नेटवर्कको कार्यान्वयनमा प्रयोग गर्छौं ताकि ठूला, वितरित न्यूरोनल नेटवर्कलाई उच्च गुणस्तरको छविहरूमा प्रशिक्षण दिन सकियोस्। हामीले पत्ता लगायौं कि यो दृष्टिकोणको प्रदर्शन संकुचन नेटवर्कको गहिराईको साथ बढ्छ, सबै भन्दा राम्रो प्रदर्शन हामीले प्रशिक्षण दिएका गहिरा वास्तुकलामा देखा पर्दछ, ११ वटा लुकेका तहहरू सहित। हामी यो दृष्टिकोणलाई सार्वजनिक रूपमा उपलब्ध एसवीएचएन डाटासेटमा मूल्यांकन गर्छौं र पूर्ण सडक नम्बरहरू पहिचान गर्नमा ९६% भन्दा बढी शुद्धता प्राप्त गर्छौं। हामीले देखाएका छौं कि प्रति-अंक पहिचान कार्यमा, हामी अत्याधुनिकमा सुधार गर्छौं र ९७.८४% शुद्धता प्राप्त गर्छौं। हामी यो दृष्टिकोणको मूल्यांकन पनि गर्छौं अझ बढी चुनौतीपूर्ण डाटासेटमा जुन स्ट्रीट भ्यू छविबाट उत्पन्न हुन्छ जुन धेरै लाखौं सडक नम्बर एनोटेशनहरू समावेश गर्दछ र 90 ०% भन्दा बढी शुद्धता प्राप्त गर्दछ। हाम्रो मूल्यांकनले यो पनि देखाउँछ कि विशिष्ट परिचालन सीमाहरूमा प्रस्तावित प्रणालीको प्रदर्शन मानव अपरेटरहरूको तुलनामा छ। आजसम्म, हाम्रो प्रणालीले हामीलाई विश्वभरका सडक दृश्य छविहरूबाट झण्डै १०० मिलियन भौतिक सडक नम्बरहरू निकाल्न मद्दत गरेको छ। |
746add3fde7424f55d8424894e663eee51dc8f1c | मानव रहित हवाई यान (यूएभी) को प्रयोग भविष्यका वायरलेस नेटवर्कहरूमा विशेष गरी अस्थायी घटना र आपतकालीन स्थितिमा मागमा तैनातीको लागि हवाई आधार स्टेशन (बीएस) को रूपमा ठूलो व्यावहारिक महत्त्वको छ। यद्यपि यसअघि भएका कार्यहरूले यूएभी गतिशीलताले ल्याएको प्रदर्शन सुधारलाई देखाएका छन्, तर ती कार्यहरू मुख्यतया फाइल ट्रान्सफर र डाटा संकलन जस्ता ढिलाइ-सहिष्णु अनुप्रयोगहरूमा केन्द्रित छन्। यसैले, यो अज्ञात छ कि यूएवी गतिशीलता विलम्ब-प्रतिबन्धित अनुप्रयोगहरूको लागि प्रदर्शन लाभ प्रदान गर्न सक्षम छ, जस्तै भिडियो कन्फरेन्सिंग र अनलाइन गेमिङ। यसबाट प्रेरित भएर, हामी यस कागजमा यूएभी-सक्षम डाउनलिंक ओर्थोगोनल डिभिजन मल्टिपल एक्सेस (ओएफडीएमए) नेटवर्कको अध्ययन गर्दछौं जहाँ एक यूएभीलाई दिइएको उडान अवधि भित्र दुई जमिन प्रयोगकर्ताहरूको सेवा गर्न पठाइन्छ। प्रयोगकर्ताहरूको विलम्ब-निर्दिष्ट न्यूनतम दर-अनुपात बाधाहरूलाई ध्यानमा राखेर, हाम्रो लक्ष्य संयुक्त रूपमा यूएवी प्रक्षेप र संचार स्रोत आवंटन अनुकूलन गरेर न्यूनतम प्रयोगकर्ता थ्रूपुट अधिकतम गर्नु हो। हामी देखाउँछौं कि अधिकतम-न्यूनतम प्रयोगकर्ता थ्रूपुट सामान्यतया कम हुन्छ जब न्यूनतम दर-अनुपात प्रतिबन्धहरू कडा हुन्छन्, जसले यूएवी गतिशीलता र प्रयोगकर्ता ढिलाइ आवश्यकताको शोषण गरेर थ्रूपुट लाभको बीचमा मौलिक व्यापारको खुलासा गर्दछ। सिमुलेसनको नतिजाले हाम्रो सैद्धान्तिक निष्कर्षलाई प्रमाणित गर्छ र हाम्रो प्रस्तावित डिजाइनको प्रभावकारिता पनि देखाउँछ। |
929bb4a0088a0b420cbf08684e374761690b19f2 | |
32f140fbb9514fd3ead5177025c467b50896db30 | |
5d3158674e1a0fedf69299a905151949fb8b01a5 | आरडीएफ स्कीमा-मुक्त संरचित जानकारीको लागि डाटा मोडेल हो जुन सिमेन्टिक-वेब डाटा, लाइफ साइन्स, र वेब २.० प्लेटफर्मको सन्दर्भमा गति लिइरहेको छ। आरडीएफको "पे-एज-यू-गो" प्रकृति र यसको क्वेरी भाषा स्पार्कको लचिलो ढाँचा-मिल्दो क्षमताहरूले लामो जडान मार्गहरू सहित जटिल प्रश्नहरूको लागि दक्षता र स्केलेबिलिटी चुनौतीहरू निम्त्याउँछ। यस कागजातले आरडीएफ-३एक्स इन्जिन प्रस्तुत गर्दछ, स्पार्कको कार्यान्वयन जसले उत्कृष्ट प्रदर्शन प्राप्त गर्दछ र एक आरआईएससी-शैली आर्किटेक्चरको अनुसरण गर्दछ सरलीकृत अनुक्रमणिका र क्वेरी प्रोसेसिंगको साथ। भौतिक डिजाइन सबै आरडीएफ-३एक्स डाटाबेसहरूको लागि समान छ, उनीहरूको कार्यभारको पर्वाह नगरी, र विषय-सम्पत्ति-वस्तु ट्रिपल र उनीहरूको बाइनरी र अनरी प्रक्षेपणको सबै क्रमबद्धहरूको लागि विस्तृत अनुक्रमणिकाहरू द्वारा अनुक्रमणिका ट्युनिंगको आवश्यकतालाई पूर्ण रूपमा हटाउँछ। यी अनुक्रमणिकाहरू अत्यधिक संकुचित हुन्छन्, र क्वेरी प्रोसेसरले प्रोसेसर क्यासको उत्कृष्ट प्रदर्शनको साथ आक्रामक रूपमा द्रुत मर्ज जोइनहरू लाभ उठाउन सक्छ। क्वेरी अप्टिमाइजरले जटिल क्वेरीहरूको लागि पनि इष्टतम ज्वाइन अर्डरहरू छनौट गर्न सक्षम छ, लागत मोडेलको साथ जुन सम्पूर्ण ज्वाइन मार्गहरूको लागि सांख्यिकीय सिंहावलोकन समावेश गर्दछ। यद्यपि आरडीएफ-३एक्स क्वेरीहरूको लागि अनुकूलित गरिएको छ, यसले चरणबद्ध वास्तुकलाको माध्यमबाट दक्ष अनलाइन अपडेटहरूको लागि पनि राम्रो समर्थन प्रदान गर्दछ: मुख्य डाटाबेस अनुक्रमणिकामा प्रत्यक्ष अपडेटहरू स्थगित हुन्छन्, र यसको सट्टा कम्प्याक्ट भिन्नता अनुक्रमणिकामा लागू हुन्छन् जुन पछि ब्याच गरिएको तरिकामा मुख्य अनुक्रमणिकामा मर्ज हुन्छन्। धेरै ठूला डाटासेटहरूसँग प्रयोगात्मक अध्ययनहरू 50 मिलियन भन्दा बढी आरडीएफ ट्रिपलहरू र बेंचमार्क क्वेरीहरू जुन ढाँचा मिल्दो, बहु-तारा जोड्दछ, र लामो मार्ग-जोड्दछ जुन देखाउँदछ कि आरडीएफ-३एक्सले एक वा दुई परिमाणको अर्डर द्वारा पहिलेको उत्तम विकल्पहरू भन्दा राम्रो प्रदर्शन गर्न सक्छ। |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.