_id
stringlengths 40
40
| text
stringlengths 0
9.54k
|
|---|---|
5c1ab86362dec6f9892a5e4055a256fa5c1772af | 3G प्रणालीको दीर्घकालीन विकास (LTE) को विशिष्टता हाल 3GPP मा चलिरहेको छ 2007 को अन्त्यमा तयार विशिष्टताको लक्ष्य मिति संग। विकसित रेडियो पहुँच नेटवर्क (आरएएन) मा ओएफडीएम टेक्नोलोजीमा आधारित नयाँ रेडियो इन्टरफेस र मौलिक रूपमा फरक आरएएन आर्किटेक्चर समावेश छ, जहाँ रेडियो कार्यक्षमता आधार स्टेशनहरूमा वितरण गरिन्छ। आरएएन आर्किटेक्चरको वितरित प्रकृतिले नयाँ रेडियो नियन्त्रण एल्गोरिदम र प्रक्रियाहरू माग गर्दछ जुन वितरित तरिकामा सञ्चालन गर्दछ, वितरित हस्तान्तरण योजना सहित। एलटीईमा हस्तान्तरण प्रक्रियाको सबैभन्दा महत्त्वपूर्ण पक्षहरू केही विवरणहरू बाहेक 3GPP मा पहिले नै व्यवस्थित गरिएको छ। यस लेखमा हामी एलटीई इन्ट्रा-एक्सेस हस्तान्तरण प्रक्रियाको एक सिंहावलोकन दिन्छौं र यसको प्रदर्शनको मूल्यांकन गर्छौं जुन प्रयोगकर्ताले यसको प्रदर्शन पक्षहरूमा ध्यान केन्द्रित गर्दछ। हामी प्याकेट फर्वार्डिङको आवश्यकतालाई टीसीपी थ्रूपुटको दृष्टिकोणबाट अनुसन्धान गर्छौं, हामी हस्तान्तरणको क्रममा प्याकेट डेलिभरीको समस्याको विश्लेषण गर्छौं र यसको लागि सरल समाधान प्रस्ताव गर्दछौं। अन्तमा, हामी रेडियो दक्षतामा हस्तान्तरणमा HARQ / ARQ राज्य त्यागको प्रभावको अनुसन्धान गर्दछौं। परिणामले देखाउँछ कि प्रयोगकर्ताले अनुभव गरेको प्रदर्शन र रेडियो दक्षता दुवैलाई LTE को स्थानान्तरणमा आधारित हस्तान्तरण प्रक्रियाले कमजोरी गर्दैन। |
3fb91bbffa86733fc68d4145e7f081353eb3dcd8 | इलेक्ट्रोमाइग्राफी (ईएमजी) सिग्नलहरू क्लिनिकल/बायोमेडिकल अनुप्रयोगहरू, इभोल्विएबल हार्डवेयर चिप (ईएचडब्ल्यू) विकास, र आधुनिक मानव कम्प्युटर अन्तर्क्रियाको लागि प्रयोग गर्न सकिन्छ। मांसपेशीबाट प्राप्त ईएमजी संकेतहरूलाई पत्ता लगाउन, विघटन गर्न, प्रशोधन गर्न र वर्गीकरण गर्न उन्नत विधिहरू आवश्यक पर्दछ। यस कागजको उद्देश्य ईएमजी संकेत विश्लेषणको लागि विभिन्न विधि र एल्गोरिदमहरू चित्रण गर्नु हो ताकि संकेत र यसको प्रकृति बुझ्नको लागि दक्ष र प्रभावकारी तरिकाहरू प्रदान गर्न सकिन्छ। हामी थप केही हार्डवेयर कार्यान्वयनहरू EMG प्रयोग गरेर प्रोस्थेटिक हात नियन्त्रण, पकड पहिचान, र मानव कम्प्युटर अन्तर्क्रियासँग सम्बन्धित अनुप्रयोगहरूमा ध्यान केन्द्रित गर्दछौं। विभिन्न ईएमजी संकेत विश्लेषण विधिहरूको प्रदर्शन देखाउनको लागि एक तुलनात्मक अध्ययन पनि दिइएको छ। यस लेखमा अनुसन्धानकर्ताहरूले ईएमजी संकेत र यसको विश्लेषण प्रक्रियाको बारेमा राम्रोसँग बुझ्न सक्छन्। यो ज्ञानले उनीहरूलाई अझ शक्तिशाली, लचिलो र प्रभावकारी अनुप्रयोगहरू विकास गर्न मद्दत गर्नेछ। |
ab71da348979c50d33700bc2f6ddcf25b4c8cfd0 | |
6cc4a3d0d8a278d30e05418afeaf6b8e5d04d3d0 | |
6180a8a082c3d0e85dcb9cec3677923ff7633bb9 | सूचना प्रणाली अनुसन्धान (आईएसआर) को उद्घाटन दुई दशक पहिले, सूचना प्रणाली (आईएस) क्षेत्रको ध्यान प्रशासनिक प्रणाली र व्यक्तिगत उपकरण भन्दा बाहिर सारिएको छ। लाखौं प्रयोगकर्ताहरू फेसबुकमा लग इन हुन्छन्, आईफोन अनुप्रयोगहरू डाउनलोड गर्छन्, र विकेन्द्रीकृत कार्य संगठनहरू सिर्जना गर्न मोबाइल सेवाहरू प्रयोग गर्छन्। यी नयाँ गतिशीलतालाई बुझ्नको लागि क्षेत्रले डिजिटल पूर्वाधारहरूलाई आईटी कलाकृतिको श्रेणीको रूपमा ध्यान दिन आवश्यक छ। साहित्यको एक अत्याधुनिक समीक्षाले डिजिटल पूर्वाधारमा बढ्दो चासो देखाउँदछ तर यसले यो पनि पुष्टि गर्दछ कि यस क्षेत्रले अझै पनि यसको अनुसन्धान प्रयासको केन्द्रमा पूर्वाधार राख्नुपर्दछ। यस परिवर्तनलाई सहयोग गर्न हामी आईएस अनुसन्धानका लागि तीन नयाँ दिशाहरू प्रस्ताव गर्दछौं: (१) डिजिटल पूर्वाधारको प्रकृतिलाई आईटी आर्टिफ्याक्टको एक अलग प्रकारको रूपमा सिद्धान्तहरू, स्विस जेनेरिस; (२) डिजिटल पूर्वाधारहरू सबै परम्परागत आईएस अनुसन्धान क्षेत्रहरूलाई आकार दिने रिलेशनल निर्माणको रूपमा; (३) परिवर्तन र नियन्त्रणको विरोधाभासहरू प्रमुख आईएस घटनाको रूपमा। हामी कसरी अनुदैर्ध्य, ठूलो-मात्राको सामाजिक-तकनीकी घटनाहरू अध्ययन गर्नका लागि सुझावहरू सहित निष्कर्षमा पुग्छौं जबकि परम्परागत कोटीहरूको सीमिततामा ध्यान दिएर रहन प्रयास गर्दछौं जसले आईएस अनुसन्धानलाई निर्देशित गरेको छ। |
e83a2fa459ba921fb176beacba96038a502ff64d | एक संयोजन रणनीति (जसलाई संयोजन योजना पनि भनिन्छ) एक प्रविधि हो जुन व्यक्तिगत वर्गीकरणकर्ताहरूको आउटपुट संयोजन गर्न प्रयोग गरिन्छ। अमूर्त स्तरमा सबैभन्दा लोकप्रिय संयोजन रणनीतिहरू बहुमत भोट नियमहरूमा आधारित हुन्छन्, जसले केवल सबैभन्दा बढी भोट गरिएको वर्गलाई इनपुट ढाँचा प्रदान गर्दछ (खण्ड 7.2 हेर्नुहोस्) । जब दुई वर्गीकरणकर्ताहरू संयुक्त हुन्छन्, तार्किक AND वा तार्किक OR अपरेटर सामान्यतया प्रयोग गरिन्छ। जब दुई भन्दा बढी वर्गीकरणकर्ताहरू एकीकृत हुन्छन्, AND/OR नियमहरू संयोजन गर्न सकिन्छ। उदाहरणका लागि, एक बायोमेट्रिक प्रणाली फिंगरप्रिन्ट वा (अनुहार र हात ज्यामिति) मा काम गर्न सक्छ; त्यो हो, यो एक प्रयोगकर्तालाई एक औंठाछाप वा दुवै अनुहार र हात ज्यामिति पहिचानको लागि प्रस्तुत गर्न आवश्यक छ। वर्ग सेट घटाउने, तार्किक प्रतिगमन, र बोर्डा गणनाहरू श्रेणी लेबलहरूमा आधारित वर्गीकरणकर्ताहरू संयोजन गर्न सबैभन्दा सामान्य रूपमा प्रयोग हुने दृष्टिकोणहरू हुन् (हो, हल, र श्रीहरि, १ 199 1994) । वर्ग सेट घटाउने क्रममा, वर्गहरूको एउटा उप-समूहलाई यो उद्देश्यले चयन गरिन्छ कि यो उप-समूह जतिसक्दो सानो होस् र अझै पनि वास्तविक वर्ग समावेश होस्। बहुविध मोडलिटीहरूबाट बहु उपसमूहहरू सामान्यतया युनियन वा उपसमूहहरूको एक चौराहे प्रयोग गरेर संयुक्त हुन्छन्। तार्किक प्रतिगमन र बोर्डा गणना विधिहरू सामूहिक रूपमा वर्ग सेट पुनः क्रमबद्ध विधिहरू भनिन्छ। यहाँ उद्देश्य दिइएको वर्गहरूको एक सहमति श्रेणीकरण निकाल्नु हो कि वास्तविक वर्ग शीर्षमा क्रमबद्ध छ। श्रेणी लेबलहरू अनुक्रमणिका/पुनर्प्राप्ति प्रणालीमा एकीकरणको लागि धेरै उपयोगी हुन्छन्। एक बायोमेट्रिक पुनः प्राप्ति प्रणाली सामान्यतया उम्मेदवारहरूको क्रमबद्ध सूची आउटपुट गर्दछ (सबै भन्दा सम्भव मेल खाने) । यो क्रमबद्ध सूचीको माथिल्लो तत्व सही मेल खाने सम्भावना सबैभन्दा बढी छ र सूचीको तलको तत्व कम सम्भावनाको मेल खाने सम्भावना कम छ। धेरै मोडेलहरूबाट विश्वास मानहरू संयोजन गर्नको लागि सबैभन्दा लोकप्रिय संयोजन योजनाहरू योग, औसत, मध्य, उत्पादन, न्यूनतम, र अधिकतम नियमहरू हुन्। किटलर एट अल (1998) ले यी लोकप्रिय योजनाहरूको आधारभूत गणितीय आधार बुझ्न प्रयासमा एक सैद्धान्तिक ढाँचा विकास गरेको छ। उनीहरूको प्रयोगले देखाएको छ कि योग वा औसत योजनाले सामान्यतया अभ्यासमा धेरै राम्रो प्रदर्शन गर्दछ। योग नियम प्रयोग गर्दा समस्या यो हो कि विभिन्न मोडलिटीबाट प्राप्त हुने आत्मविश्वास (वा स्कोर) लाई सामान्य बनाउनु पर्छ। यो सामान्यीकरणमा सामान्यतया विभिन्न मोडलिटीबाट साझा डोमेनमा विश्वास मापन समावेश गर्दछ। उदाहरणका लागि, एक बायोमेट्रिक प्रणालीले दूरीको स्कोर (स्कोर जति कम हुन्छ, ढाँचा त्यति नै समान हुन्छ) आउटपुट गर्न सक्छ जबकि अर्कोले समानता स्कोर (स्कोर जति बढी हुन्छ, ढाँचा त्यति नै समान हुन्छ) आउटपुट गर्न सक्छ र यसरी स्कोरहरू योग नियम प्रयोग गरेर सिधा संयोजन गर्न सकिँदैन। यसको सरल रूपमा, यो सामान्यीकरणले दूरी स्कोरहरूको संकेतलाई उल्ट्याउन मात्र समावेश गर्न सक्दछ ताकि उच्च स्कोर उच्च समानतासँग मेल खान्छ। अधिक जटिल रूपमा, सामान्यीकरण गैर-रेखीय हुन सक्छ जुन प्रशिक्षण डेटाबाट सिक्न सकिन्छ प्रत्येक मोडलिटीबाट विश्वास मानहरूको वितरणको अनुमान गरेर। स्कोरहरू त्यसपछि अनुवादित र शून्य औसत, एकाई भिन्नता, र त्यसपछि एक हाइपरबोलिक स्पर्शरेखा प्रकार्य प्रयोग गरेर (0,1) को एक निश्चित अन्तरालमा remapped गर्न स्केल गरिएको छ। नोट गर्नुहोस् कि यो सामान्यीकरणको लागि अनुमानित वितरणहरू प्यारामिटर गर्न लोभ्याउने छ। तर, वितरणको यस्तो मापदण्ड सावधानीपूर्वक प्रयोग गर्नुपर्छ, किनकि बायोमेट्रिक प्रणालीको त्रुटि दर सामान्यतया धेरै कम हुन्छ र वितरणको पुच्छरको अनुमानमा सानो त्रुटिले त्रुटि अनुमानमा महत्त्वपूर्ण परिवर्तन हुन सक्छ (चित्र ७.३ हेर्नुहोस्) । अर्को सामान्य अभ्यास प्रशिक्षण डेटाबाट प्रत्येक मोडलिटीका लागि विभिन्न स्केलिङ कारकहरू (वजनहरू) गणना गर्नु हो, ताकि संयुक्त वर्गीकरणकर्ताको शुद्धता अधिकतम हो। यो भारित योग नियमले साधारण योग नियम भन्दा राम्रो काम गर्ने अपेक्षा गरिन्छ जब घटक वर्गीकरणकर्ताहरूको फरक शक्ति हुन्छ (अर्थात्, फरक त्रुटि दरहरू) । चित्र ७.३.क) औंठाछाप प्रमाणिकरण प्रणालीका लागि वास्तविक र नक्कली वितरण (जैन एट अल, २०००) र नक्कली वितरणको लागि सामान्य अनुमान। भिजुअल रूपमा, सामान्य अनुमान राम्रो देखिन्छ, तर प्रदर्शनमा उल्लेखनीय कमी ल्याउँछ गैर-पारामेट्रिक अनुमानको तुलनामा b) मा ROCs मा देखाइएको छ, जहाँ FMR लाई FAR (झूटो स्वीकृति दर) र (1-FNMR) वास्तविक स्वीकृति दरको रूपमा उल्लेख गरिएको छ। © एल्सेभियर। बायोमेट्रिक प्रणालीमा धेरै मोडलिटीहरू मिलाउने केही योजनाहरूको सैद्धान्तिक दृष्टिकोणबाट पनि अध्ययन गरिएको छ। सैद्धान्तिक विश्लेषणको माध्यमबाट, डगमान (१९९९बी) ले देखाए कि यदि बलियो बायोमेट्रिक र कमजोर बायोमेट्रिकलाई अमूर्त स्तरको संयोजनको साथ संयोजन गरिएको छ भने वा वा वा मतदान नियमहरू प्रयोग गरेर, संयोजनको प्रदर्शन दुई व्यक्तिगत बायोमेट्रिक्सको राम्रो भन्दा खराब हुनेछ। होङ, जैन र पंकान्ती (१९९९) ले गरेको सैद्धान्तिक विश्लेषणले केही शर्तहरू पूरा भएमा मात्र AND/OR भोटिङ रणनीतिहरूले प्रदर्शनमा सुधार ल्याउन सक्छ भन्ने कुराले डगम्यानको निष्कर्षलाई पुष्टि गर्यो। उनीहरूको विश्लेषणले यो पनि देखाएको छ कि एक कमजोर र बलियो बायोमेट्रिकको संयोजनको मामलामा पनि विश्वास स्तरको फ्यूजनले समग्र प्रदर्शनमा उल्लेखनीय सुधार ल्याउने अपेक्षा गरिएको छ। किटलर एट अल (1998) ले एक संवेदनशीलता विश्लेषण प्रस्तुत गर्यो कि किन योग (वा औसत) नियमले अन्य नियमहरूलाई पार गर्दछ। तिनीहरूले देखाए कि योग नियम अन्य समान नियमहरू भन्दा कम संवेदनशील छ (जस्तै उत्पादन नियम) पछिल्लो सम्भावनाहरू (विश्वास मानहरू) अनुमान गर्न व्यक्तिगत वर्गीकरणकर्ताहरूको त्रुटि दरहरूमा। तिनीहरू दाबी गर्छन् कि योग नियम एउटै पछाडि सम्भावनाहरूको विभिन्न अनुमानहरूको संयोजनको लागि सबैभन्दा उपयुक्त छ (उदाहरणका लागि, विभिन्न वर्गीकरणकर्ता प्रारम्भिकरणको परिणाम स्वरूप) । प्रभाकर र जैन (२००२) ले योग र उत्पाद नियमलाई नेयमान-पियर्सन संयोजन योजनासँग तुलना गरे र देखाए कि उत्पाद नियम योग नियम भन्दा खराब छ जब सहसंबद्ध सुविधाहरू संयोजन गर्दा र योग नियम र उत्पाद नियम दुबै नेयमान-पियर्सन संयोजन योजना भन्दा कम छन् जब कमजोर र कडा वर्गीकरणकर्ताहरू संयोजन गर्दा। 0 20 40 60 80 100 0 1 2 3 4 5 6 7 सामान्यीकृत मिलान स्कोर पर्सेंटेज (% ) इम्पोजर वास्तविक गैर- प्यारामेट्रिक इम्पोजर वितरण सामान्य इम्पोजर वितरण वास्तविक वितरण 0 1 2 3 4 5 50 55 60 65 70 75 80 85 90 95 100 गलत स्वीकृति दर (%) G en ui ne A cc ep ta nc e R at e (% ) गैर- प्यारामेट्रिक इम्पोजर वितरण प्रयोग गर्दै सामान्य इम्पोजर वितरण प्रयोग गर्दै इम्पोजर वितरण |
b4894f7d6264b94ded94181d54c7a0c773e3662b | हालैमा हिँड्ने तरिकाको विश्लेषण एउटा लोकप्रिय अनुसन्धान क्षेत्र बनेको छ र यसलाई व्यापक रूपमा न्यूरोडिजेनेरेटिभ रोगहरूको क्लिनिकल निदानमा प्रयोग गरिएको छ। हिप र घुँडाको संयुक्त कोणलाई कैद गर्नका लागि विभिन्न कम लागतको सेन्सर आधारित र भिजन आधारित प्रणालीहरू विकसित गरिएको छ। तर, यी प्रणालीहरूको प्रदर्शन प्रमाणित र एकअर्कासँग तुलना गरिएको छैन। यस अध्ययनको उद्देश्य एउटा प्रयोगको स्थापना गर्नु र बहुविध इनर्शियल मापन एकाइहरू (आईएमयू) को साथ सेन्सर-आधारित प्रणालीको प्रदर्शनको तुलना गर्नु हो, मार्कर पत्ता लगाउने दृष्टि-आधारित ग्याट विश्लेषण प्रणाली, र सामान्य हिड्ने क्रममा हिप र घुँडा संयुक्त कोणहरू क्याप्चर गर्न मार्कर-रहित दृष्टि-आधारित प्रणाली। प्राप्त मापनहरू गोनिओमिटरबाट प्राप्त डाटाको साथ जमिन सत्य मापनको रूपमा मान्य गरिएको थियो। परिणामले संकेत गर्दछ कि आईएमयूमा आधारित सेन्सर प्रणालीले सानो त्रुटिहरूको साथ उत्कृष्ट प्रदर्शन प्रदान गर्दछ, जबकि दृष्टि प्रणालीहरूले थोरै ठूलो त्रुटिहरूको साथ स्वीकार्य परिणामहरू उत्पादन गर्दछ। |
0e78b20b27d27261f9ae088eb13201f2d5b185bd | सुविधा चयनका लागि एल्गोरिदमहरू दुई ठूला वर्गमा पर्दछन्: र्यापरहरू जसले सुविधाहरूको उपयोगिताको मूल्या to्कन गर्न सिक्ने एल्गोरिथ्म आफैं प्रयोग गर्दछन् र फिल्टरहरू जसले डाटाको सामान्य विशेषताहरूमा आधारित हेरिस्टिक्स अनुसार सुविधाहरूको मूल्या .्कन गर्दछन्। ठूला डाटाबेसहरूमा प्रयोगको लागि, फिल्टरहरू र्यापरहरू भन्दा बढी व्यावहारिक साबित भएका छन् किनकि तिनीहरू धेरै छिटो हुन्छन्। तर, धेरैजसो फिल्टर एल्गोरिदमले मात्र वर्गीकरण समस्या समाधान गर्न सक्छन्। यस कागजातले एक द्रुत, सहसंबंध आधारित फिल्टर एल्गोरिथ्म वर्णन गर्दछ जुन निरन्तर र असतत समस्याहरूमा लागू गर्न सकिन्छ। एल्गोरिथ्मले प्रायः प्रख्यात रिलीफएफ एट्रिब्यूट अनुमानकलाई पार गर्दछ जब यो इमानदार बेय्स, उदाहरण-आधारित शिक्षा, निर्णय रूखहरू, स्थानीय तौल रिग्रेसन, र मोडेल रूखहरूको लागि पूर्व-प्रक्रिया चरणको रूपमा प्रयोग गरिन्छ। यसले रिलीफ एफ भन्दा बढी सुविधा चयन गर्दछ - डाटा आयामलाई कम गर्दै पचास प्रतिशत धेरै जसो केसहरूमा। यसबाहेक, पूर्व-प्रक्रिया गरिएको डाटाबाट निर्मित निर्णय र मोडेल रूखहरू प्रायः साना हुन्छन्। |
1b65af0b2847cf6edb1461eda659f08be27bc76d | हामी रैखिक मोडेलमा अनुमानको लागि नयाँ विधि प्रस्ताव गर्दछौं। लस ले वर्गहरूको अवशिष्ट योगलाई न्यूनतम बनाउँछ, जसका लागि गुणांकहरूको निरपेक्ष मानको योग स्थिर भन्दा कम हुन्छ। यस प्रतिबन्धको प्रकृतिले केही गुणांकहरू उत्पादन गर्न प्रवृत्त गर्दछ जुन ठीक ० हुन्छ र यसैले व्याख्यायोग्य मोडेलहरू दिन्छ। हाम्रो सिमुलेसन अध्ययनले लेसोले उपसमूह चयन र रिज रिग्रेसन दुवैको केही अनुकूल गुणहरू पाएको देखाउँछ। यसले उपसमूह चयन जस्ता व्याख्यायोग्य मोडेलहरू उत्पादन गर्दछ र रिज रिग्रेसनको स्थिरता प्रदर्शन गर्दछ। डोनोहो र जोनस्टोनद्वारा अनुकूली कार्य अनुमानमा हालैका कामहरूसँग पनि एउटा रोचक सम्बन्ध छ। लासो विचार एकदम सामान्य छ र विभिन्न सांख्यिकीय मोडेलहरूमा लागू गर्न सकिन्छ: सामान्यीकृत प्रतिगमन मोडेलहरू र रूख-आधारित मोडेलहरूमा विस्तारहरू संक्षिप्त रूपमा वर्णन गरिएको छ। |
3a8aa4cc6142d433ff55bea8a0cb980103ea15e9 | |
75cbc0eec23375df69de6c64e2f48689dde417c5 | कम लागतमा माइक्रोसफ्ट किनेक्ट सेन्सरको आविष्कारसँगै उच्च रिजोल्युसनको गहिराई र भिजुअल (आरजीबी) सेन्सिङ व्यापक प्रयोगको लागि उपलब्ध भएको छ। किनेक्ट सेन्सरले प्रदान गर्ने गहिराइ र दृश्य सूचनाको पूरक प्रकृतिले कम्प्युटर भिजनमा मौलिक समस्याहरू समाधान गर्न नयाँ अवसरहरू खोल्दछ। यस लेखमा हालैका किनेक्टमा आधारित कम्प्युटर भिजन एल्गोरिदम र अनुप्रयोगहरूको विस्तृत समीक्षा प्रस्तुत गरिएको छ। समीक्षा गरिएका दृष्टिकोणहरू दृष्टि समस्याहरूको प्रकार अनुसार वर्गीकृत गरिएको छ जुन Kinect सेन्सरको माध्यमबाट सम्बोधन गर्न वा बढाउन सकिन्छ। यस कार्यक्रममा पूर्व-प्रक्रिया, वस्तु ट्र्याकिङ र पहिचान, मानव गतिविधि विश्लेषण, हातको इशारा विश्लेषण, र इनडोर थ्री-डी म्यापिङ विषयहरू समावेश छन्। प्रत्येक वर्गका विधिहरूको लागि, हामी तिनीहरूको मुख्य एल्गोरिदमिक योगदानहरू रेखांकित गर्दछौं र उनीहरूको आरजीबी समकक्षहरूको तुलनामा उनीहरूको फाइदाहरू / भिन्नताहरूको सारांश दिन्छौं। अन्तमा, हामी यस क्षेत्रमा चुनौतीहरू र भविष्यका अनुसन्धान प्रवृत्तिहरूको एक सिंहावलोकन दिन्छौं। यो कागज Kinect-आधारित कम्प्युटर दृष्टि अनुसन्धानकर्ताहरूको लागि ट्यूटोरियल र सन्दर्भ स्रोतको रूपमा सेवा गर्ने अपेक्षा गरिएको छ। |
aa358f4a0578234e301a305d8c5de8d859083a4c | यस लेखमा गहिराई सेन्सरको साथ वास्तविक समय मानव कार्य पहिचानको लागि अर्डरलेट भनिने एक उपन्यास दृश्य प्रतिनिधित्व प्रस्तुत गरिएको छ। अर्डरलेट एक मध्य स्तरको विशेषता हो जसले निम्न स्तरका सुविधाहरूको समूह बीचमा अर्डिनल ढाँचा कब्जा गर्दछ। अस्थिभङ्गहरूका लागि, अर्डरलेटले जोइन्टहरूको समूह बीचको विशिष्ट स्थानिक सम्बन्धलाई समेट्छ। गहिराई नक्साको लागि, अर्डरलेटले उपक्षेत्रहरूको समूह बीचको आकार जानकारीको तुलनात्मक सम्बन्धलाई चित्रण गर्दछ। अर्डरलेट प्रतिनिधित्वको दुई राम्रा गुणहरू छन्। पहिलो, यो सानो हल्लामा असंवेदनशील छ किनकि अर्डरलेट केवल व्यक्तिगत सुविधाहरू बीचको तुलनात्मक सम्बन्धमा निर्भर गर्दछ। दोस्रो, यो फ्रेम-स्तर प्रतिनिधित्व हो र यसैले वास्तविक-समय अनलाइन कार्य मान्यताको लागि उपयुक्त छ। प्रयोगात्मक परिणामहरूले अनलाइन कार्य पहिचान र क्रस-पर्यावरण कार्य पहिचानमा यसको उत्कृष्ट प्रदर्शन प्रदर्शन गर्दछ। |
30f1ea3b4194dba7f957fd6bf81bcaf12dca6ff8 | वृद्धिशील पार्सिंग प्रविधिहरू जस्तै शिफ्ट-रिड्यूस उनीहरूको दक्षताको लागि लोकप्रियता प्राप्त गरेका छन्, तर त्यहाँ एक प्रमुख समस्या रहन्छः खोज लोभी छ र केवल सम्पूर्ण ठाउँको सानो अंश अन्वेषण गर्दछ (बीम खोजीको साथ पनि) गतिशील प्रोग्रामिंगको विपरित। हामी आश्चर्यजनक रूपमा देखाउँछौं कि गतिशील प्रोग्रामिंग वास्तवमा धेरै शिफ्ट-कम पार्सरहरूको लागि सम्भव छ, सुविधा मानहरूमा आधारित "समान" स्ट्याकहरू मर्ज गरेर। अनुभविक रूपमा, हाम्रो एल्गोरिथ्मले कुनै पनि हानि बिना अत्याधुनिक शिफ्ट-कम निर्भरता पार्सर भन्दा पाँच गुणा बढी गति प्रदान गर्दछ। राम्रो खोजले राम्रो सिक्ने पनि गर्छ, र हाम्रो अन्तिम पार्सरले अंग्रेजी र चिनियाँका लागि सबै पहिले रिपोर्ट गरिएको निर्भरता पार्सरहरूलाई पार गर्छ, अझै धेरै छिटो छ। |
422d9b1a05bc33fcca4b9aa9381f46804c6132fd | केही प्रश्नहरूको उत्तर केवल यन्त्रहरूले मात्र दिन सक्दैनन्। यस्तो प्रश्नहरूको प्रशोधन गर्न डेटाबेसमा हराइरहेको जानकारी प्रदान गर्न, कम्प्युटेशनल रूपमा गाह्रो कार्यहरू गर्न, र फजी मापदण्डमा आधारित परिणामहरू मेल खाने, श्रेणीकरण गर्ने, वा समग्र गर्न मानव इनपुट आवश्यक पर्दछ। क्राउडडीबीले डाटाबेस प्रणाली वा खोज इञ्जिनहरूले पर्याप्त रूपमा जवाफ दिन नसक्ने प्रश्नहरूको प्रशोधन गर्न क्राउडसोर्सिंग मार्फत मानव इनपुट प्रयोग गर्दछ। यसले एसक्यूएललाई जटिल क्वेरीहरू र डाटा मोडेल गर्ने तरिकाको रूपमा प्रयोग गर्दछ। जबकि क्राउडडीबीले परम्परागत डाटाबेस प्रणालीका धेरै पक्षहरूलाई लाभ उठाउँछ, त्यहाँ महत्त्वपूर्ण भिन्नताहरू पनि छन्। अवधारणागत रूपमा, एउटा प्रमुख परिवर्तन यो हो कि क्वेरी प्रोसेसिंगको लागि परम्परागत बन्द-विश्व धारणा मानव इनपुटको लागि मान्य हुँदैन। कार्यान्वयनको दृष्टिकोणबाट, मानव-उन्मुख क्वेरी अपरेटरहरू अनुरोध गर्न, एकीकृत गर्न र क्राउडसोर्स डाटा सफा गर्न आवश्यक छ। यसबाहेक, कार्यसम्पादन र लागत धेरै नयाँ कारकहरूमा निर्भर गर्दछ जसमा कामदारको आत्मीयता, प्रशिक्षण, थकान, प्रेरणा र स्थान समावेश छ। हामी क्राउडडीबीको डिजाइनको वर्णन गर्छौं, अमेजन मेकानिकल टर्क प्रयोग गरेर प्रयोगको प्रारम्भिक सेटको रिपोर्ट गर्छौं, र क्राउडसोर्स क्वेरी प्रोसेसिंग प्रणालीको विकासमा भविष्यको कामका लागि महत्त्वपूर्ण मार्गहरूको रूपरेखा दिन्छौं। |
edc2e4e6308d7dfce586cb8a4441c704f8f8d41b | यस लेखमा, हामी दुई नयाँ संचार-कुशल विधिहरू प्रस्तुत गर्दछौं जुन कार्यहरूको औसतको वितरित न्यूनतमकरणको लागि हो। पहिलो एल्गोरिथ्म DANE एल्गोरिथ्मको एक गलत प्रकार हो [२०] जसले कुनै पनि स्थानीय एल्गोरिथ्मलाई स्थानीय उपसमस्याको अनुमानित समाधान फर्काउन अनुमति दिन्छ। हामीले यो देखाएका छौं कि यस्तो रणनीतिले डानेको सैद्धान्तिक ग्यारेन्टीलाई खासै असर गर्दैन। वास्तवमा, हाम्रो दृष्टिकोणलाई एक बलियोकरण रणनीतिको रूपमा हेर्न सकिन्छ किनकि यो विधि व्यवहारमा उत्पन्न हुने डाटा विभाजनमा DANE भन्दा राम्रो व्यवहार गर्दछ। यो राम्रोसँग ज्ञात छ कि DANE एल्गोरिथ्म संचार जटिलता तल्लो सीमाहरू मेल खाँदैन। यो खाडललाई कम गर्न, हामी पहिलो विधि को एक त्वरित संस्करण प्रस्ताव गर्दछौं, AIDE भनिन्छ, जुन केवल संचार तल्लो सीमाहरूसँग मेल खाँदैन तर शुद्ध पहिलो अर्डर ओरेकल प्रयोग गरेर पनि लागू गर्न सकिन्छ। हाम्रो अनुभविक परिणामले देखाउँछ कि एआईडीई अन्य संचार कुशल एल्गोरिदम भन्दा माथि छ जुन मेशिन लर्निंग अनुप्रयोगहरूमा स्वाभाविक रूपमा देखा पर्दछ। |
c677166592b505b80a487fb88ac5a6996fc47d71 | यस लेखमा ठूला-ठूला जटिल प्रणालीहरूको विकेन्द्रीकृत नियन्त्रणको क्षेत्रमा विगत र वर्तमान परिणामहरूको समीक्षा गरिएको छ। यस योजनामा विकेन्द्रीकरण, विघटन र बलियोपनमा जोड दिइएको छ। यी विधिहरू ठूलो मात्रामा जटिल प्रणालीहरूमा उत्पन्न हुने विशेष कठिनाइहरू जस्तै उच्च आयाम, सूचना संरचना प्रतिबन्धहरू, अनिश्चितता, र ढिलाइहरू हटाउनको लागि प्रभावकारी उपकरणहरूको रूपमा सेवा गर्दछन्। यस सामग्रीमा भविष्यका अनुसन्धानका लागि सम्भावित विषयहरू प्रस्तुत गरिएको छ। यस सिंहावलोकनमा हालैको विघटन दृष्टिकोणमा केन्द्रित छ जुन एक आपसमा जोडिएको गतिशील प्रणालीमा विकेन्द्रीकृत नियन्त्रणको विस्तारलाई सञ्जाल नियन्त्रण प्रणालीमा प्रदान गर्ने क्षमताको कारण हो। # २००८ एल्सभियर लिमिटेड सबै अधिकार सुरक्षित। |
0debd1c0b73fc79dc7a64431b8b6a1fe21dcd9f7 | सुविधा चयन वर्गीकरण शुद्धता सुधार गर्न र वर्गीकरण को कम्प्यूटेशनल जटिलता कम गर्न सक्नुहुन्छ। घुसपैठ पत्ता लगाउने प्रणाली (आईडीएस) मा डाटा सुविधाहरू सधैं असंतुलित वर्गीकरणको समस्या प्रस्तुत गर्दछ जसमा केही वर्गीकरणहरूमा केवल केही उदाहरणहरू हुन्छन् जबकि अन्यमा धेरै उदाहरणहरू हुन्छन्। यो असन्तुलनले वर्गीकरणको प्रभावकारितालाई स्पष्ट रूपमा सीमित गर्न सक्छ, तर यसलाई सम्बोधन गर्न थोरै प्रयासहरू गरिएका छन्। यस कागजमा, आईडीएसमा सुविधा चयनको लागि बहु-उद्देश्य समस्याको लागि योजना प्रस्ताव गरिएको छ, जसले दुई रणनीतिहरू प्रयोग गर्दछ, अर्थात्, विशेष प्रभुत्व विधि र पूर्वनिर्धारित बहु लक्षित खोजी, जनसंख्या विकासको लागि। यसले सामान्य र असामान्य यातायातलाई मात्र नभई असामान्य प्रकारका यातायातलाई पनि फरक पार्न सक्छ। हाम्रो योजनाको आधारमा, एनएसजीए-III राम्रो प्रदर्शनको साथ पर्याप्त सुविधा उपसेट प्राप्त गर्न प्रयोग गरिन्छ। एक सुधारिएको बहु-उद्देश्य अनुकूलन एल्गोरिथ्म (I-NSGA-III) एक उपन्यास आला संरक्षण प्रक्रिया प्रयोग गरेर थप प्रस्ताव गरिएको छ। यसमा पूर्वाग्रह-छनौट प्रक्रिया समावेश छ जसले कम से कम चयनित सुविधाहरू र एक फिट-छनौट प्रक्रियाको साथ व्यक्ति चयन गर्दछ जसले यसको उद्देश्यहरूको अधिकतम योग वजनको साथ व्यक्ति चयन गर्दछ। प्रयोगात्मक परिणामले देखाउँछ कि I-NSGA-III ले कम उदाहरणहरू भएका वर्गहरूको लागि उच्च वर्गीकरण सटीकताको साथ असंतुलन समस्यालाई कम गर्न सक्छ। यसबाहेक, यसले उच्च वर्गीकरण सटीकता र कम कम्प्युटेशनल जटिलता दुवै प्राप्त गर्न सक्छ। © २०१६ एल्सभियर बी.भी.द्वारा प्रकाशित |
5a4a53339068eebd1544b9f430098f2f132f641b | गहिरो लुप्त-परिवर्तनीय मोडेलहरूले उच्च-आयामी डाटाको प्रतिनिधित्वहरू एक अनसुर्झाई तरीकाले सिक्छन्। हालैका प्रयासहरूको एक संख्याले सांख्यिकीय रूपमा स्वतन्त्र भिन्नता अक्षहरूलाई हटाउने शिक्षा प्रतिनिधित्वहरूमा ध्यान केन्द्रित गरेको छ, प्रायः उद्देश्य प्रकार्यको उपयुक्त परिमार्जनहरू प्रस्तुत गरेर। हामी यस बढ्दो साहित्यको संश्लेषण गर्छौं प्रमाणको तल्लो सीमाको सामान्यीकरणको सूत्र तयार गरेर जुन स्पष्ट रूपमा लुकेको कोडको स्पायरिटी, प्रतिनिधित्वको द्विपक्षीयता, र अनुभवजन्य डाटा वितरणको समर्थनको कभरेज बीचको व्यापार-अफ प्रतिनिधित्व गर्दछ। हाम्रो उद्देश्य पनि पदानुक्रमित प्रतिनिधित्वहरू सिक्नको लागि उपयुक्त छ जुन ब्लकहरूको भेरिएबलहरूको ब्लकहरू छुट्याउँदछ जबकि ब्लकहरू भित्र केही डिग्रीको सहसंबंधको लागि अनुमति दिँदै। विभिन्न डाटासेटमा गरिएको प्रयोगले सिकाइएका प्रतिनिधित्वहरूमा व्याख्यायोग्य विशेषताहरू हुन्छन्, भिन्न विशेषताहरू सिक्न सक्षम हुन्छन्, र कारकहरूको अदृश्य संयोजनहरूमा सामान्यीकरण गर्न सक्षम हुन्छन् भन्ने कुरा देखाउँछ। |
4b19be501b279b7d80d94b2d9d986bf4f8ab4ede | |
8ba965f138c1178aef09da3781765e300c325f3d | इलेक्ट्रोमायोग्राम वा ईएमजी संकेत धेरै सानो संकेत हो; यसलाई प्रदर्शन उद्देश्य वा थप विश्लेषण प्रक्रियाको लागि बढाउनको लागि प्रणालीको आवश्यकता पर्दछ। यस लेखमा दुई च्यानल इनपुटको साथ कम लागतको फिजियोथेरापी ईएमजी सिग्नल अधिग्रहण प्रणालीको विकास प्रस्तुत गरिएको छ। अधिग्रहण प्रणालीमा, दुवै इनपुट सिग्नलहरू एक भिन्नता एम्पलीफायरको साथ प्रवर्धित हुन्छन् र EMG संकेतको रैखिक लिफाफा प्राप्त गर्न संकेत पूर्व-प्रसंस्करणको अधीनमा हुन्छन्। प्राप्त ईएमजी संकेत त्यसपछि डिजिटलाइज्ड हुन्छ र कम्प्युटरमा पठाइन्छ। |
01413e1fc981a8c041dc236dcee64790e2239a36 | मेशिन लर्निंगमा विभिन्न प्रकारका समस्याहरू, उदाहरण क्लस्टरिंग, कागजात सारांश र सेन्सर प्लेसमेन्ट सहित, सीमित सबमड्यूलर अधिकतम समस्याहरूको रूपमा फ्याँक्न सकिन्छ। हालैका प्रयासहरू यी समस्याहरूको लागि वितरित एल्गोरिदमहरू विकास गर्न समर्पित गरिएको छ। तर, यी परिणामहरू उच्च संख्यामा राउन्ड, सब-इष्टतम अनुमान अनुपात, वा दुबैबाट ग्रस्त हुन्छन्। हामी क्रमबद्ध सेटिंगमा अवस्थित एल्गोरिदमहरू वितरण सेटिंगमा ल्याउनको लागि एक फ्रेमवर्क विकास गर्दछौं, केवल नक्सा घटाउने राउन्डहरूको स्थिर संख्यामा धेरै सेटिंग्सका लागि इष्टतम अनुमान अनुपातहरू प्राप्त गर्दै। हाम्रो प्रविधिले म्याट्रॉयडको बाध्यतामा गैर-मोनोटोन अधिकतमकरणको लागि द्रुत अनुक्रमिक एल्गोरिथ्म पनि दिन्छ। |
0451c923703472b6c20ff11185001f24b76c48e3 | नेटवर्कमा जोडिएका र सहकार्य गर्ने रोबोटहरूको नयाँ अनुप्रयोगहरूले एजेन्टहरूको समूहहरूको लागि गति समन्वयको अध्ययनलाई उत्प्रेरित गर्दछ। उदाहरणका लागि, यो एजेन्टहरूको समूह निगरानी, अन्वेषण, र पर्यावरण अनुगमन सहित उपयोगी कार्यहरू को एक किसिम प्रदर्शन गर्नेछ भनेर कल्पना गरिएको छ। यो कागज मोबाइल एजेन्टहरू बीच आधारभूत अन्तरक्रियाहरूसँग सम्बन्धित छ जस्तै नजिकको अर्को एजेन्टबाट टाढा जानुहोस् वा तपाईंको आफ्नै वोरोनोई बहुभुजको सबैभन्दा टाढाको शिखर तिर जानुहोस्। यी सरल अन्तरक्रियाहरू वितरित गतिशील प्रणालीहरूमा छन् किनकि तिनीहरूको कार्यान्वयनलाई छिमेकी एजेन्टहरूको बारेमा न्यूनतम जानकारीको मात्र आवश्यकता छ। हामी यी वितरित गतिशील प्रणालीहरू र ज्यामितीय अनुकूलनबाट डिस्क-कभरिंग र गोलाकार प्याकिंग लागत प्रकार्यहरू बीचको घनिष्ठ सम्बन्धको विशेषता दिन्छौं। हाम्रो मुख्य परिणामहरू हुन्: (i) हामी यी ज्यामितीय लागत प्रकार्यहरूको चिकनाई गुणहरूको विशेषता दिन्छौं, (ii) हामी देखाउँदछौं कि अन्तरक्रिया कानूनहरू लागत प्रकार्यहरूको गैर-स्मूथ ग्रेडियन्टको भिन्नता हुन्, र (iii) हामी कानूनहरूको विभिन्न एसिम्प्टोटिक कन्भर्जेन्स गुणहरू स्थापना गर्दछौं। प्राविधिक दृष्टिकोण कम्प्युटेशनल ज्यामिति, गैर-स्मूथ विश्लेषण, र गैर-स्मूथ स्थिरता सिद्धान्तबाट अवधारणाहरूमा निर्भर गर्दछ। |
0a37a647a2f8464379a1fe327f93561c90d91405 | हालैका विकासले आंशिक रूपमा आदेशित, आंशिक रूपमा निर्दिष्ट कार्यहरूको अनुक्रम उत्पन्न गर्ने प्रक्रियालाई स्पष्ट पारेको छ जसको कार्यान्वयनले एजेन्टको लक्ष्य प्राप्त गर्नेछ। यस कागजातले कम प्रतिबद्धता योजनाकारहरूको प्रगतिलाई सारांशित गर्दछ, एकसँग सुरू गरेर जुन साधारण स्ट्रिप प्रतिनिधित्वको साथ काम गर्दछ, र एकसँग समाप्त हुन्छ जुन गतिशील ब्रह्माण्डहरूमा विच्छेदन पूर्व शर्त, सशर्त प्रभाव र विश्वव्यापी मात्राको साथ कार्यहरू प्रबन्ध गर्दछ। बाटोमा हामी व्याख्या गर्छौं कि चैपम्यानको मोडल सत्य मापदण्डको फार्मूलेसन कसरी भ्रामक छ र किन उसको एनपी-पूर्णता परिणाम सशर्त प्रभावहरूको साथ योजनाहरूको बारेमा तर्कको लागि हाम्रो योजनाकारमा लागू हुँदैन। 1 म फ्रांज अमाडोर, टोनी बार्ट, डारेन क्रोनक्विस्ट, डेनिस ड्रापर, एर्नी डेभिस, ओरेन एटजोन, नर्थ फाउलर, राओ काम्भाम्पाटी, क्रेग नोब्लक, निक कुशमेरिक, नील लेश, करेन लोचबाम, ड्रू म्याकडरमोट, रमेश पाटिल, क्यारी पुल्ली, यिंग सन, अस्टिन टेट र माइक विलियमसनलाई उपयोगी टिप्पणीका लागि धन्यवाद दिन्छु, तर त्रुटिहरूको लागि सम्पूर्ण जिम्मेवारी राख्छु। यो अनुसन्धान आंशिक रूपमा नौसेना अनुसन्धान अनुदान 90-J-1904 र नेशनल साइन्स फाउन्डेशन अनुदान IRI-8957302 द्वारा वित्त पोषित थियो। |
63f97f3b4808baeb3b16b68fcfdb0c786868baba | यस कागजमा डिजाइन, निर्माण र विशेषता सहित सम्पूर्ण डिजाइन चक्र, एक प्याराबोलिक लेन्स र एक वेभगाइड एडाप्टर संग सुसज्जित एक ब्रॉडब्यान्ड डबल-रिज्ड्ड हर्न एन्टेनाको प्रस्तुत गरिएको छ। प्रस्तुत कार्यको एक प्रमुख लक्ष्य १८-४० गीगाहर्ज आवृत्ति दायरामा मुख्य विकिरण लोब भित्र फ्ल्याट फेज विशेषताको साथ उच्च निर्देशकत्व प्राप्त गर्नु थियो, ताकि एन्टेनालाई फ्रिस्पेस सामग्री विशेषता सेटअपमा लागू गर्न सकिन्छ। |
c5151f18c2499f1d95522536f167f2fcf75f647f | अर्को पुस्ताको विषम वायरलेस नेटवर्कमा, बहु-इन्टरफेस टर्मिनलको साथ प्रयोगकर्तासँग विभिन्न प्रविधिहरू प्रयोग गरेर विभिन्न सेवा प्रदायकहरूबाट नेटवर्क पहुँच हुन सक्छ। यो विश्वास गरिन्छ कि हस्तान्तरण निर्णय धेरै मापदण्डहरूमा आधारित छ साथै प्रयोगकर्ता प्राथमिकतामा। हस्तान्तरण निर्णय समस्या समाधान गर्न विभिन्न दृष्टिकोणहरू प्रस्ताव गरिएको छ, तर निर्णय विधि छनौट मनमाने ढंगले देखिन्छ र केही विधिहरूले विवादास्पद परिणामहरू पनि दिन्छ। यस कागजातमा, नयाँ हस्तान्तरण मापदण्डको साथसाथै नयाँ हस्तान्तरण निर्णय रणनीति पनि प्रस्तुत गरिएको छ। यसबाहेक, हस्तान्तरण निर्णय हामीलाई एक फजी बहु विशेषता निर्णय (एमएडीएम) समस्या पहिचान गरिएको छ, र फजी तर्क केही मापदण्ड र प्रयोगकर्ता प्राथमिकता को अशुद्ध जानकारी सामना गर्न लागू गरिएको छ। विभिन्न फजी एमएडीएम विधिहरूको व्यवस्थित विश्लेषण पछि, एक सम्भावित दृष्टिकोण प्रस्तुत गरिएको छ। अन्तमा, प्रस्तावित विधिहरू चित्रण गर्ने उदाहरणहरू प्रदान गरिन्छ र विधिहरूको संवेदनशीलता पनि विश्लेषण गरिन्छ। |
e321ab5d7a98e18253ed7874946a229a10e40f26 | वर्गीकरणकर्ताको कार्यक्षमता र शुद्धता विशेषता चयनको परिणामबाट प्रत्यक्ष रूपमा प्रभावित हुन्छ। एक वर्ग एफ-स्कोर सुविधा चयन र सुधारिएको एफ-स्कोर सुविधा चयन र आनुवंशिक एल्गोरिथ्मको आधारमा, K निकटतम छिमेकी, समर्थन भेक्टर मेशिन, अनियमित वन, भोली बेय्स जस्ता मेशिन लर्निंग विधिहरूसँग संयुक्त, दुई वर्गीकरण असंतुलित डाटा समस्या र बहु वर्गीकरण समस्या प्रशोधन गर्न हाइब्रिड सुविधा चयन एल्गोरिथ्म प्रस्ताव गरिएको छ। परम्परागत मेशिन लर्निंग एल्गोरिथ्मको तुलनामा यसले व्यापक सुविधा स्पेसमा खोजी गर्न सक्छ र असंतुलित डाटा सेटको विशेषताहरू हेरिस्टिक नियमहरू अनुसार व्यवहार गर्न वर्गीकरणकर्तालाई प्रमोट गर्न सक्छ, जसले असंतुलित वर्गीकरणको समस्यालाई राम्रोसँग सम्हाल्न सक्छ। प्रयोग परिणाम रिसीभर सञ्चालन विशेषता दुई वर्गीकरण लागि क्षेत्र अन्तर्गत वक्र र बहु वर्गीकरण समस्या लागि शुद्धता दर अन्य मोडेल तुलना सुधार गरिएको छ देखाउँछ |
08fddf1865e48a1adc21d4875396a754711f0a28 | पाठ वर्गीकरणका लागि मेसिन लर्निंग कागजात वर्गीकरण, समाचार फिल्टरिङ, कागजात रुटिङ र निजीकरणको आधारशिला हो। पाठ क्षेत्रमा, प्रभावकारी विशेषता चयन सिकाउने कार्यलाई कुशल र अधिक सटीक बनाउनको लागि आवश्यक छ। यस लेखमा बाह्र विशेषता चयन विधिहरूको अनुभवजन्य तुलना प्रस्तुत गरिएको छ (उदाहरणका लागि , सूचना प्राप्ति) ले २२९ वटा पाठ वर्गीकरण समस्याका उदाहरणहरूको बेन्चमार्कमा मूल्यांकन गरेको थियो जुन हामीले रोयटर्स, ट्रेक, ओएचएसयूएमईडी, आदिबाट संकलन गरेका थियौं। परिणामहरू बहु लक्ष्य परिप्रेक्ष्यहरूबाट विश्लेषण गरिन्छ - शुद्धता, एफ-मापन, परिशुद्धता, र सम्झना - किनकि प्रत्येक फरक परिस्थितिमा उपयुक्त छ। नतिजाले देखाउँछ कि एउटा नयाँ विशेषता चयन विधि जसलाई हामी बि-नर्मल सेपरेसन (बीएनएस) भन्छौं, धेरैजसो अवस्थामा अन्यभन्दा धेरै राम्रो प्रदर्शन गर्छ। यो मार्जिन उच्च वर्ग तिरस्कार संग कार्यहरु मा विस्तारित, जो पाठ वर्गीकरण समस्या मा rampant छ र विशेष गरी प्रेरण एल्गोरिदम को लागी चुनौतीपूर्ण छ। नयाँ मूल्यांकन पद्धति प्रस्ताव गरिएको छ जुन डाटा माइनिङ प्रैक्टिशनरको आवश्यकतामा केन्द्रित छ जसले एकल डाटासेटको सामना गर्दछ जसले एक (वा जोडी) मेट्रिक्स छनौट गर्न खोज्छ जुन उत्तम प्रदर्शनको उत्पादन गर्ने सम्भावना हुन्छ। यस परिप्रेक्ष्यमा, बीएनएस सबै लक्ष्यहरूको लागि शीर्ष एकल विकल्प थियो, सटीक बाहेक, जसको लागि सूचना लाभले प्रायः उत्तम परिणाम प्रदान गर्यो। यस विश्लेषणले पनि देखाएको छ, उदाहरणका लागि, कि इन्फोर्मेटिओन गेन र चि-स्क्वायरमा सम्बन्धित असफलताहरू छन्, र त्यसैले तिनीहरू सँगै खराब काम गर्छन्। जब चार प्रदर्शन लक्ष्यहरूको प्रत्येकको लागि मेट्रिक्सको इष्टतम जोडीहरू जाँच गर्दै, BNS लगातार जोडीको सदस्य हो - उदाहरणका लागि, सबैभन्दा ठूलो सम्झनाको लागि, जोडी BNS + F1 मापनले सबैभन्दा ठूलो कार्यहरूमा उल्लेखनीय मार्जिनले उत्तम प्रदर्शन प्रदान गर्यो। |
32352a889360e365fa242ad3040ccd6c54131d47 | |
7857cdf46d312af4bb8854bd127e5c0b4268f90c | निरन्तर-प्रवाह मोड (सीसीएम) मा काम गर्ने बूस्ट पावर फ्याक्टर सुधार (पीएफसी) कन्भर्टरको गतिशील प्रतिक्रिया भोल्टेज नियन्त्रण लूपको कम ब्यान्डविथबाट धेरै प्रभावित हुन्छ। यस लेखमा एक उपन्यास त्रि-राज्य बढावा पीएफसी कन्भर्टर छद्म-लगातार-प्रवाह मोड (पीसीसीएम) मा काम गर्ने प्रस्ताव गरिएको छ। एक अतिरिक्त नियन्त्रण-स्वतन्त्रता को एक फ्रीव्हीलिंग स्विचिंग नियन्त्रण अन्तराल द्वारा शुरू गरिएको पीएफसी नियन्त्रण प्राप्त गर्न मद्दत गर्दछ। एक सरल र छिटो भोल्टेज नियन्त्रण लूप एक स्थिर आउटपुट भोल्टेज कायम गर्न प्रयोग गर्न सकिन्छ। यसबाहेक, परम्परागत अविरल-प्रवाह मोड (डीसीएम) मा काम गर्ने बूस्ट पीएफसी कन्भर्टरको तुलनामा, पीसीसीएममा काम गर्ने बूस्ट पीएफसी कन्भर्टरले कम वर्तमान र भोल्टेज लहरको साथ धेरै सुधारिएको वर्तमान ह्यान्डलिंग क्षमता प्रदर्शन गर्दछ। विश्लेषणात्मक र सिमुलेसन परिणामहरू तीन-राज्यको बढावा PFC कनवर्टरको प्रस्तुत गरिएको छ र पारंपरिक CCM र DCM मा काम गर्ने बढावा PFC कनवर्टरको तुलनामा। सिमुलेसनको नतिजाले त्रि-राज्य प्रवर्धन पीएफसी कन्भर्टरको उत्कृष्ट गतिशील प्रदर्शन देखाउँछ। |
8629cebb7c574adf40d71d41389f340804c8c81f | यस लेखले व्यक्तिहरूको पहिचान गर्न फिंगरप्रिन्ट ढाँचा प्रयोग गर्ने प्रयासको इतिहासमा प्रमुख घटनाक्रमहरूको सारांश दिन्छ, १ 1890 ० को दशकमा भ्युसेटिच र हेनरीको सबैभन्दा प्रारम्भिक फिंगरप्रिन्ट वर्गीकरण प्रणालीबाट स्वचालित फिंगरप्रिन्ट पहिचानको आगमनसम्म। औंठाछापको अभिलेख, भण्डारण, मिलान र पुनः प्राप्तिका लागि म्यानुअल प्रणालीको इतिहासलाई इतिहासमा राखेर लेखले औंठाछापको स्वचालित पहिचानमा भएका प्रगतिहरूलाई ऐतिहासिक सन्दर्भमा राख्छ र उनीहरूको ऐतिहासिक र सामाजिक महत्त्वलाई उजागर गर्दछ। |
7d9089cbe958da21cbd943bdbcb996f4499e701b | कागजात स्तर भावना वर्गीकरण एक चुनौती रहन्छ: एक कागजात को अर्थ अर्थमा वाक्य बीचको आन्तरिक सम्बन्ध encoding। यसलाई सम्बोधन गर्न, हामी एक न्यूरल नेटवर्क मोडेल प्रस्तुत गर्छौं जसले भेक्टर-आधारित कागजात प्रतिनिधित्व सिक्छ, तलबाट माथि एकिकृत तरिकामा। मोडेलले पहिले कन्भोल्युसनल न्युरोनल नेटवर्क वा लामो अल्पकालीन मेमोरीको साथ वाक्य प्रतिनिधित्व सिक्छ। त्यसपछि, वाक्यहरूको अर्थशास्त्र र तिनीहरूको सम्बन्धहरू अनुकूली रूपमा गेट गरिएको पुनरावर्ती न्यूरल नेटवर्कको साथ कागजात प्रतिनिधित्वमा एन्कोड गरिन्छ। हामी कागजात स्तरको भावना वर्गीकरण गर्दछौं आईएमडीबी र येलप डाटासेट चुनौतीबाट चार ठूला-ठूला समीक्षा डाटासेटहरूमा। प्रयोगात्मक परिणामहरूले देखाउँदछ कि: १) हाम्रो न्यूरल मोडेलले धेरै अत्याधुनिक एल्गोरिदमहरूमा उत्कृष्ट प्रदर्शन देखाउँदछ; २) गेटेड रिकर्सिभ न्यूरल नेटवर्कले भावना वर्गीकरणको लागि कागजात मोडेलिंगमा मानक रिकर्सिभ न्यूरल नेटवर्कलाई नाटकीय रूपमा पार गर्दछ। १ |
b294b61f0b755383072ab332061f45305e0c12a1 | हामी एक पर्यवेक्षित कार्यमा प्रदर्शन सुधार गर्न अवस्थित अर्थिक शब्द भेक्टरहरू पुनः प्रयोग गर्नका लागि द्रुत विधि प्रस्तुत गर्दछौं। हालै, कम्प्युटिङ स्रोतहरूको वृद्धि संग, यो सम्भव भएको छ कि धनी शब्द एम्बेडेडहरू सिक्न सकिन्छ विशाल मात्रामा लेबल नभएको डाटाबाट। तर, केही तरिकाहरू राम्रो तरिकाले सिक्न दिन वा हप्ता लाग्छ, र केहीलाई तालिम दिन निकै कठिन हुन्छ। हामी एउटा यस्तो विधि प्रस्ताव गर्छौं जसले इनपुटको रूपमा विद्यमान इम्बेडिङ लिन्छ, केही लेबल गरिएको डाटा, र उही स्थानमा इम्बेडिङ उत्पादन गर्दछ, तर सुपरिवेक्षित कार्यमा राम्रो पूर्वानुमानात्मक प्रदर्शनको साथ। हामी धेरै आधार रेखाहरूको सम्बन्धमा भावना वर्गीकरणको कार्यमा सुधार देखाउँदछौं, र अवलोकन गर्दछौं कि यो दृष्टिकोण सबैभन्दा उपयोगी हुन्छ जब प्रशिक्षण सेट पर्याप्त सानो हुन्छ। |
4a27709545cfa225d8983fb4df8061fb205b9116 | हामी डाटा माइनिङ (डीएम) को प्रयोग गरेर बैंकको दीर्घकालीन निक्षेप बिक्रीका लागि टेलिमार्केटिङको सफलताको भविष्यवाणी गर्ने प्रस्ताव राख्छौं। सन् २००८ देखि २०१३ सम्मको तथ्याङ्क संकलन गरी हालैको वित्तीय संकटको असरलाई समेत समेटेर एक पोर्चुगलको खुद्रा बैंकलाई सम्बोधन गरिएको थियो। हामीले बैंकका ग्राहक, उत्पादन र सामाजिक-आर्थिक विशेषतासँग सम्बन्धित १ सय ५० वटा विशेषताहरूको ठूलो समूहको विश्लेषण गर्यौं। जुलाई २०१२ भन्दा पहिलेको डाटाको साथ मोडेलिंग चरणमा अर्ध-स्वचालित सुविधा चयनको खोजी गरिएको थियो र यसले २२ सुविधाहरूको कम सेट चयन गर्न अनुमति दियो। हामीले चारवटा डीएम मोडेलहरू पनि तुलना गर्यौं: लजिस्टिक रिग्रेसन, निर्णय रूखहरू (डीटी), न्यूरल नेटवर्क (एनएन) र समर्थन भेक्टर मेसिन। दुई मेट्रिक्स, रिसीभर अपरेटिंग विशेषता वक्र (एयूसी) र लिफ्ट संचयी वक्र (एएलआईएफटी) को क्षेत्र प्रयोग गरेर चार मोडेलहरू मूल्यांकन चरणमा परीक्षण गरिएको थियो, सबैभन्दा पछिल्लो डाटा (जुलाई २०१२ पछि) र रोलिंग विन्डोज योजना प्रयोग गरेर। एनएनले सब भन्दा राम्रो परिणाम प्रस्तुत गर्यो (एयूसी = ०.8 र एलिफ्ट = ०.7) जसले ग्राहकहरूको 79% सम्म पुग्न अनुमति दियो आधा राम्रो वर्गीकृत ग्राहकहरू छनौट गरेर। साथै, दुई ज्ञान निकासी विधिहरू, एक संवेदनशीलता विश्लेषण र एक डीटी, NN मोडेलमा लागू गरियो र धेरै प्रमुख विशेषताहरू प्रकट गरियो (जस्तै, यूरिबोर दर, कलको दिशा र बैंक एजेन्ट अनुभव) । यस्तो ज्ञान निकासीले प्राप्त मोडेललाई टेलिमार्केटिंग अभियान प्रबन्धकहरूको लागि विश्वसनीय र मूल्यवानको रूपमा पुष्टि गर्यो। एलेस्भियरलाई १९ फेब्रुअरी २०१४ मा प्रेप्रिन्ट बुझाइएको थियो |
138c86b9283e4f26ff1583acdf4e51a5f88ccad1 | मानिसहरु विभिन्न वस्तुहरुसँग अन्तरक्रिया गरिरहेको चित्र र भिडियोको व्याख्या एक डरलाग्दो कार्य हो। यसमा दृश्य वा घटना बुझ्न, मानव आन्दोलनको विश्लेषण, हेरफेर गर्न सकिने वस्तुहरूको पहिचान, र ती वस्तुहरूमा मानव आन्दोलनको प्रभाव अवलोकन गर्नु समावेश छ। यी प्रत्येक अवधारणात्मक कार्यहरू स्वतन्त्र रूपमा गर्न सकिन्छ, जब तिनीहरू बीचको अन्तरक्रियाहरू विचार गरिन्छ तब मान्यता दर सुधार हुन्छ। मानव धारणाको मनोवैज्ञानिक अध्ययनबाट प्रेरित भएर हामी बेयसियन दृष्टिकोण प्रस्तुत गर्दछौं जसले मानव-वस्तु अन्तरक्रिया बुझ्नका लागि विभिन्न धारणात्मक कार्यहरूलाई एकीकृत गर्दछ। वस्तु र क्रिया पहिचानका लागि पहिलेका दृष्टिकोणहरू क्रमशः स्थिर आकार वा उपस्थिति सुविधा मिलान र गति विश्लेषणमा निर्भर छन्। हाम्रो दृष्टिकोण यी परम्परागत दृष्टिकोण भन्दा बाहिर जान्छ र सुसंगत अर्थपूर्ण व्याख्याको लागि प्रत्येक अवधारणात्मक तत्वहरूमा स्थानिक र कार्यात्मक प्रतिबन्धहरू लागू गर्दछ। यस्तो बाध्यताले हामीलाई वस्तुहरू र कार्यहरू पहिचान गर्न अनुमति दिन्छ जब उपस्थिति पर्याप्त भेदभावपूर्ण हुँदैन। हामी पनि कुनै गति जानकारी प्रयोग बिना स्थिर छविहरू देखि कार्यहरू पहिचान मा यस्तो constraints को प्रयोग देखाउन। |
321f14b35975b3800de5e66da64dee96071603d9 | सुविधा चयन धेरै मेशिन लर्निंग अनुप्रयोगहरूको एक महत्त्वपूर्ण घटक हो। विशेष गरी धेरै जैव सूचना विज्ञान कार्यहरूमा, प्रभावकारी र बलियो सुविधा चयन विधिहरू अर्थपूर्ण सुविधाहरू निकाल्न र शोर भएकाहरूलाई हटाउन चाहन्छन्। यस लेखमा, हामी एक नयाँ बलियो विशेषता चयन विधि प्रस्ताव गर्दछौं जसले दुबै हानि प्रकार्य र नियमितकरणमा संयुक्त ∀2,1-नर्म न्यूनतमकरणमा जोड दिन्छ। ∀2,1-नर्म आधारित हानि फंक्शन डाटा बिन्दुहरूमा आउटलाइरहरूको लागि बलियो छ र ∀2,1norm नियमितकरणले संयुक्त स्पार्सिटीको साथ सबै डाटा बिन्दुहरूमा सुविधाहरू चयन गर्दछ। एक कुशल एल्गोरिथ्म संग प्रमाणित अभिसरण शुरू गरिएको छ। हाम्रो प्रतिगमन आधारित उद्देश्यले विशेषता चयन प्रक्रियालाई अझ प्रभावकारी बनाउँछ। हाम्रो विधिलाई जीनोमिक र प्रोटोमिक बायोमार्करको खोजमा प्रयोग गरिएको छ। हाम्रो विशेषता चयन विधि को प्रदर्शन प्रदर्शन गर्न छ डाटा सेट मा व्यापक अनुभवजन्य अध्ययन प्रदर्शन गरिन्छ। |
9b505dd5459fb28f0136d3c63793b600042e6a94 | हामी मल्टिमिडिया सामग्री विश्लेषण र पुनः प्राप्तिको लागि नयाँ ढाँचा प्रस्तुत गर्दछौं जुन दुई स्वतन्त्र एल्गोरिदमहरू समावेश गर्दछ। पहिलो, हामी डाटा र्याङ्किङका लागि बलियो लाप्लासियन म्याट्रिक्स सिक्नका लागि स्थानीय प्रतिगमन र ग्लोबल एलाइन्मेन्ट (एलआरजीए) सँगको र्याङ्किङ भनिने नयाँ अर्ध-पर्यवेक्षित एल्गोरिथ्म प्रस्ताव गर्छौं। LRGA मा, प्रत्येक डाटा पोइन्टको लागि, यसको छिमेकी पोइन्टहरूको रैंकिंग स्कोरको भविष्यवाणी गर्न स्थानीय रैखिक प्रतिगमन मोडेल प्रयोग गरिन्छ। त्यसपछि सबै डाटा पोइन्टबाट स्थानीय मोडेलहरू विश्वव्यापी रूपमा पign्क्तिबद्ध गर्न एक एकीकृत उद्देश्य प्रकार्य प्रस्ताव गरिएको छ ताकि प्रत्येक डाटा पोइन्टलाई इष्टतम रैंकिंग स्कोर तोकिएको हुन सक्छ। दोस्रो, हामी मल्टिमिडिया डाटा प्रतिनिधित्व परिष्कृत गर्न एक अर्ध-पर्यवेक्षित दीर्घकालीन प्रासंगिकता प्रतिक्रिया (आरएफ) एल्गोरिथ्म प्रस्ताव गर्दछौं। प्रस्तावित दीर्घकालीन आरएफ एल्गोरिथ्मले मल्टीमीडिया फिचर स्पेसमा मल्टीमीडिया डाटा वितरण र प्रयोगकर्ताहरूद्वारा प्रदान गरिएको इतिहास आरएफ जानकारी दुबै प्रयोग गर्दछ। एक ट्रेस अनुपात अनुकूलन समस्या त्यसपछि एक कुशल एल्गोरिथ्म द्वारा तैयार र हल गरिएको छ। एल्गोरिदमहरू धेरै सामग्री-आधारित मल्टिमेडिया पुनः प्राप्ति अनुप्रयोगहरूमा लागू गरिएको छ, क्रस-मिडिया पुनः प्राप्ति, छवि पुनः प्राप्ति, र थ्रीडी मोशन / पोज डाटा पुनः प्राप्ति सहित। चार डाटा सेटमा गरिएको व्यापक प्रयोगले यसको सटीकता, बलियोपन, स्केलेबिलिटी र कम्प्युटेशनल दक्षतामा फाइदाहरू देखाएको छ। |
0ef550dacb89fb655f252e5b17dbd5d643eb5ac1 | हामीले दुईवटा म्याका बाँदरको तल्लो भाग ६ (क्षेत्र एफ५) को रोस्ट्रल भागमा रहेका ५३२ न्यूरोनहरूको विद्युतीय गतिविधि रेकर्ड गर्यौं। यसअघि प्राप्त तथ्याङ्कले यस क्षेत्रका न्यूरोनहरू हात र मुखको लक्ष्य-निर्देशित आन्दोलनको क्रममा डिस्चार्ज हुने देखाएको थियो। हामी यहाँ एफ५ न्यूरोनको नयाँ पत्ता लगाइएको सेटको गुणहरू वर्णन गर्दछौं ("मिरर न्यूरोनहरू", एन = ९२) जुन सबै सक्रिय भए जब बाँदरले दिइएको कार्य गर्यो र जब यसले प्रयोगकर्ताले गरेको समान कार्य अवलोकन गर्यो। दर्पण न्युरोनहरू, दृश्य रूपमा ट्रिगर गर्नको लागि, कार्यको एजेन्ट र यसको वस्तु बीचको अन्तरक्रिया आवश्यक पर्दछ। एजेन्टको दृष्टि मात्र वा वस्तुको मात्र (तीन आयामी वस्तुहरू, खाना) प्रभावकारी थिएन। हात र मुख सबैभन्दा प्रभावकारी माध्यमहरू थिए। ती क्रियाकलापहरू जुन दर्पण न्यूरोनहरू सक्रिय पार्नेहरूमध्ये सबैभन्दा बढी प्रतिनिधित्व गर्थे, ती थिए समात्ने, हेरफेर गर्ने र राख्ने । धेरैजसो दर्पण न्यूरोन (९२%) मा उनीहरूले प्रतिक्रिया दिएका दृश्य क्रिया र उनीहरूले कोड गरेको मोटर प्रतिक्रियाबीच स्पष्ट सम्बन्ध थियो। लगभग ३०% दर्पण न्यूरन्समा समरूपता धेरै कडा थियो र प्रभावकारी अवलोकन र कार्यान्वयन कार्यहरू सामान्य कार्यको हिसाबले (उदाहरणका लागि, यस प्रकारको कार्य कसरी सम्पन्न भयो (उदाहरणका लागि, सटीक पकड) । हामी यो निष्कर्षमा पुग्छौं कि दर्पण न्यूरोनहरूले अवलोकन र मोटर क्रियाकलापको कार्यान्वयनलाई मिलाउने प्रणाली बनाउँछ। हामी क्रिया पहिचानमा यस प्रणालीको सम्भावित भूमिकाको बारेमा छलफल गर्छौं र एफ ५ र मानव ब्रोकाको क्षेत्रबीच प्रस्तावित समरूपतालाई ध्यानमा राख्दै हामी मान्दछौं कि मिरर न्यूरोनहरू जस्तै मिल्दो प्रणाली मानवमा अवस्थित छ र क्रियाहरूको पहिचानमा साथै ध्वन्यात्मक इशाराहरूमा पनि संलग्न हुन सक्छ। |
15b2c44b3868a1055850846161aaca59083e0529 | हामी लेबल र unlabeled डाटा बाट सिक्ने को सामान्य समस्या विचार, जो अक्सर अर्ध-supervised सिक्ने वा transductive inference भनिन्छ। अर्ध-पर्यवेक्षित सिकाइको सिद्धान्तमा आधारित दृष्टिकोण भनेको वर्गीकरण गर्ने प्रकार्य डिजाइन गर्नु हो जुन ज्ञात लेबल र लेबल नलगाएको बिन्दुहरू द्वारा सामूहिक रूपमा प्रकट गरिएको आन्तरिक संरचनाको सम्बन्धमा पर्याप्त सहज छ। हामी यस्तो सहज समाधान प्राप्त गर्न सरल एल्गोरिथ्म प्रस्तुत गर्दछौं। हाम्रो विधिले वर्गीकरणका विभिन्न समस्याहरूमा उत्साहजनक प्रयोगात्मक परिणामहरू प्रदान गर्दछ र लेबल नलगाएको डाटाको प्रभावकारी प्रयोग प्रदर्शन गर्दछ। |
50886d25ddd5d0d1982ed94f90caa67639fcf1a1 | |
4c2bbcb3e897e927cd390517b2036b0b9123953c | को ओन्टोलोजीले अवलोकन गरिएका वास्तविक-विश्व वस्तुहरू बीचको स्थानिक-समय आदिम सम्बन्धहरूको अवधारणा प्रस्तुत गर्दछ जसले गर्दा फ्रेमवर्कको पुनः प्रयोग क्षमता सुधार हुन्छ। यसको प्रयोगयोग्यता देखाउन, एउटा बी अवेयर को प्रोटोटाइप! सडक यातायात व्यवस्थापनको क्षेत्रमा कार्यान्वयन गरिएको छ। यो प्रोटोटाइपको एक सिंहावलोकन र ओन्टोलोजी-संचालित सूचना प्रणालीको विकासका लागि सिकेका पाठहरूले हाम्रो योगदानलाई पूर्णता दिन्छन्। © २०१० एल्सभियर बी.भी. सबै अधिकार सुरक्षित। अनलाइनमा उपलब्ध 18 जुलाई 2010 सूचनाको अधिकता ठूलो मात्रामा नियन्त्रण प्रणालीको मानव संचालकहरूको लागि गम्भीर समस्या हो, उदाहरणका लागि, सडक ट्राफिक व्यवस्थापनको क्षेत्रमा सामना गरिएको छ। यस्ता प्रणालीका संचालकहरू परिस्थितिबारे सचेत नहुने खतरा छ, किनकि विद्यमान प्रणालीहरू ग्राफिकल प्रयोगकर्ता इन्टरफेसमा उपलब्ध जानकारीको प्रस्तुतीकरणमा केन्द्रित छन् - जसले गर्दा समयमै र सही पहिचान, समाधान र गम्भीर अवस्थाको रोकथाममा खतरा उत्पन्न हुन्छ। हालैका वर्षहरूमा, स्थिति जागरूकतामा ओन्टोलोजी-आधारित दृष्टिकोणहरू देखा पर्यो जुन अर्थपूर्ण रूपमा धनी ज्ञान मोडेल प्रस्तुत गर्दछ। यद्यपि, हालका दृष्टिकोणहरू या त अत्यधिक डोमेन-विशिष्ट छन् वा यदि तिनीहरू डोमेन-स्वतन्त्र छन् भने, उनीहरूको पुनः प्रयोगको सम्बन्धमा कमीहरू छन्। यस लेखमा हामी बीएवेयर! को विकासबाट प्राप्त अनुभव प्रस्तुत गर्नेछौं, जुन ओन्टोलोजी-संचालित सूचना प्रणालीहरूको लागि एक ढाँचा हो जसको उद्देश्य अपरेटरको स्थिति जागरूकता बढाउनु हो। विद्यमान डोमेन-स्वतन्त्र दृष्टिकोणहरूको विपरीत, सावधान रहनुहोस्! |
abf9ee52b29f109f5dbf6423fbc0d898df802971 | |
a31e3b340f448fe0a276b659a951e39160a350dd | सामान्य सूचना प्रणाली (आईएस) र केही प्रकारका सूचना प्रविधि (आईटी) अनुप्रयोगहरूसँग प्रयोगकर्ताको सन्तुष्टिलाई आईएस अनुसन्धानमा राम्ररी अध्ययन गरिएको छ। पोर्टल प्रविधिको व्यापक र बढ्दो प्रयोगको साथ, तथापि, पोर्टल प्रयोगमा प्रयोगकर्ता सन्तुष्टि अध्ययन सञ्चालन गर्न आवश्यक छ - विशेष गरी, व्यवसाय-देखि-कर्मचारी (b2e) पोर्टल। यस लेखमा, हामी b2e पोर्टल प्रयोगकर्ता सन्तुष्टि निर्धारण गर्नका लागि एक वैचारिक मोडेल प्रस्ताव गर्दछौं, जुन प्रयोगकर्ता सन्तुष्टि मापन र b2e पोर्टलको विस्तृत साहित्य समीक्षाबाट प्राप्त भएको छ। बी२ई पोर्टल प्रयोगकर्ता सन्तुष्टिको नौ आयामहरू पहिचान र मोडेल गरिएको छः सूचना सामग्री, प्रयोगमा सहजता, पहुँचको सुविधा, समयबद्धता, दक्षता, सुरक्षा, गोपनीयता, सञ्चार, र लेआउट। |
0848827ba30956e29d7d126d0a05e51660094ebe | इन्टरनेट अफ थिंग्स (आईओटी) ले स्वचालित प्रणालीको व्यवस्थापन र नियन्त्रणमा क्रान्ति ल्याइरहेको छ जसले स्मार्ट घर, स्मार्ट शहर, स्वास्थ्य सेवा, यातायात आदि जस्ता क्षेत्रमा एउटा परिदृश्य परिवर्तन ल्याइरहेको छ। युद्धको मैदानमा सैन्य अभियानको प्रभावकारितामा सुधार गर्नका लागि आईओटी प्रविधिले महत्वपूर्ण भूमिका खेल्ने अनुमान गरिएको छ। युद्धमा प्रयोग हुने उपकरण र अन्य युद्धक्षेत्रका स्रोतहरूबीच समन्वयित स्वचालित निर्णय लिने संयन्त्रलाई युद्धक्षेत्रका चीजहरूको इन्टरनेट (इन्टरनेट अफ थिंग्स) भनिन्छ। इन्टरनेटमा इन्टरनेटको प्रयोग गर्ने नेटवर्कहरू परम्परागत आईओटी नेटवर्कहरू भन्दा फरक छन्। युद्धको मैदानमा विशेष चुनौतीहरू छन्। युद्ध परिदृश्यमा लडाई दक्षता र समन्वयित निर्णय लिने कार्य वास्तविक समय डाटा संकलनमा निर्भर गर्दछ, जुन नेटवर्कको कनेक्टिविटी र विरोधीहरूको उपस्थितिमा सूचना प्रसारणमा निर्भर गर्दछ। यो कार्यको उद्देश्य सुरक्षित र पुनः कन्फिगर योग्य IoBT नेटवर्कको डिजाइनको सैद्धान्तिक आधार निर्माण गर्नु हो। स्टोकास्टिक ज्यामिति र गणितीय महामारी विज्ञानको सिद्धान्तको उपयोग गर्दै, हामी विभिन्न प्रकारका नेटवर्क उपकरणहरू बीच मिशन-महत्वपूर्ण डाटाको सञ्चारको अध्ययन गर्न एकीकृत ढाँचा विकास गर्दछौं र फलस्वरूप लागत-प्रभावी तरिकामा नेटवर्क डिजाइन गर्दछौं। |
32e876a9420f7c58a3c55ec703416c7f57a54f4c | प्राय सम्भावनावादी ग्राफिकल मोडेल, विश्वास नेटवर्क, कारण प्रभाव र सम्भावनावादी अनुमानको बढ्दो क्षेत्रका अधिकांश अनुसन्धानकर्ताहरूका लागि, एसीएम ट्युरिङ पुरस्कार विजेता डा. पर्ल र उनको कारण सम्बन्धमा सेमिनार कागजातहरू राम्ररी परिचित र मान्यता प्राप्त छन्। प्रतिनिधित्व र कारणको निर्धारण, एक घटना (कारण) र दोस्रो घटना (प्रभाव) बीचको सम्बन्ध, जहाँ दोस्रो घटना पहिलोको परिणामको रूपमा बुझिन्छ, एक चुनौतीपूर्ण समस्या हो। वर्षौंदेखि डा. पर्लले कारण र परिणामको कला र विज्ञान दुवै विषयमा महत्त्वपूर्ण लेख्नुभएको छ। "कारणता: मोडेल, तर्क र निष्कर्ष" मा यस पुस्तकमा, बेयसियन विश्वास नेटवर्कका आविष्कारकले छलफल र छलफल गर्दछन् र उनको पहिलेका कार्यहरूमा छलफल गर्दछन् तर कारण र प्रभावको साथ तर्क, तथ्या .्कमा कारणिक अनुमान, सिम्पसनको विरोधाभास, अनुभवजन्य अनुसन्धानका लागि कारण रेखाचित्र, कारण दावीहरूको दृढता, कारण र स्पष्टीकरण, र कारण सीमा र पहिचानको सम्भावनाहरू। |
a04145f1ca06c61f5985ab22a2346b788f343392 | पछिल्लो डेढ दशकमा सूचना प्रणालीको सफलतामा योगदान गर्ने कारकहरू पहिचान गर्ने प्रयासमा धेरै अध्ययनहरू गरिएको छ। यद्यपि यी अध्ययनहरूमा निर्भर भेरिएबल-आई/एस सफलता-लाई परिभाषित गर्न कठिन थियो। विभिन्न अनुसन्धानकर्ताहरूले सफलताका विभिन्न पक्षहरूलाई सम्बोधन गरेका छन्, तुलना गर्न गाह्रो बनाउँदै र आई / एस अनुसन्धानको लागि संचयी परम्परा निर्माण गर्ने सम्भावना पनि त्यस्तै छ। यो विविध अनुसन्धानलाई व्यवस्थित गर्नका साथै आई/एस सफलताको अवधारणाको थप एकीकृत दृष्टिकोण प्रस्तुत गर्न, एक व्यापक वर्गीकरण प्रस्तुत गरिएको छ। यो वर्गीकरणले I/S सफलताका ६ वटा प्रमुख आयाम वा वर्गहरू प्रस्तुत गर्दछ- प्रणालीको सामान्यता, सूचनाको गुणस्तर, प्रयोग, प्रयोगकर्ताको सन्तुष्टि, व्यक्तिगत प्रभाव, र संगठनात्मक प्रभाव। यी आयामहरू प्रयोग गरेर, दुवै वैचारिक र अनुभवजन्य अध्ययनहरू त्यसपछि समीक्षा गरिन्छ (कुल १ 180० लेखहरू उद्धृत गरिएका छन्) र वर्गीकरणको आयाम अनुसार व्यवस्थित गरिएको छ। अन्तमा, आई/एस सफलताका धेरै पक्षहरू एक वर्णनात्मक मोडेलमा एकसाथ ल्याइएका छन् र भविष्यका आई/एस अनुसन्धानका लागि यसको प्रभावहरूको बारेमा छलफल गरिएको छ। |
a99f1f749481e44abab0ba9a8b7c1d3572a2e465 | |
5c8bb027eb65b6d250a22e9b6db22853a552ac81 | |
3913d2e0a51657a5fe11305b1bcc8bf3624471c0 | प्राकृतिक भाषा प्रशोधनमा प्रतिनिधित्व सिकाइ एउटा आधारभूत समस्या हो। यस लेखमा पाठ वर्गीकरणका लागि संरचित प्रतिनिधित्व कसरी सिक्ने भन्ने विषयमा अध्ययन गरिएको छ। धेरै जसो अवस्थित प्रतिनिधित्व मोडेलहरू जस्तो कि कुनै संरचना प्रयोग गर्दैन वा पूर्व निर्दिष्ट संरचनाहरूमा निर्भर गर्दछ, हामी एक सुदृढीकरण शिक्षा (आरएल) विधि प्रस्ताव गर्दछौं वाक्य प्रतिनिधित्व सिक्नको लागि स्वचालित रूपमा अनुकूलित संरचनाहरू पत्ता लगाएर। हामी संरचित प्रतिनिधित्व निर्माण गर्न दुई प्रयासहरू प्रदर्शन गर्दछौं: सूचना डिस्टिल्ड एलएसटीएम (आईडी-एलएसटीएम) र पदानुक्रमित संरचित एलएसटीएम (एचएस-एलएसटीएम) । आईडी-एलएसटीएमले केवल महत्त्वपूर्ण, कार्यसँग सम्बन्धित शब्दहरू चयन गर्दछ, र एचएस-एलएसटीएमले वाक्यमा वाक्यांश संरचनाहरू पत्ता लगाउँदछ। दुई प्रतिनिधित्व मोडेलमा संरचना खोज एक अनुक्रमिक निर्णय समस्याको रूपमा तयार पारिएको छ: संरचना खोजको वर्तमान निर्णयले निम्न निर्णयहरूलाई असर गर्छ, जसलाई नीति ढाँचा RL द्वारा सम्बोधन गर्न सकिन्छ। परिणामले देखाउँछ कि हाम्रो विधिले महत्त्वपूर्ण शब्दहरू वा कार्य-सम्बन्धित संरचनाहरू पहिचान गरेर स्पष्ट संरचना एनोटेशन बिना कार्य-मैत्री प्रतिनिधित्वहरू सिक्न सक्छ, र यसैले प्रतिस्पर्धी प्रदर्शन दिन्छ। |
599ebeef9c9d92224bc5969f3e8e8c45bff3b072 | विश्वव्यापी वेबको विस्फोटक वृद्धि र ई-वाणिज्यको उदयले सिफारिस प्रणालीको विकासलाई निम्त्याएको छ - एक व्यक्तिगत जानकारी फिल्टरिंग टेक्नोलोजी जुन निश्चित प्रयोगकर्तालाई चासोको विषयवस्तुहरूको सेट पहिचान गर्न प्रयोग गरिन्छ। प्रयोगकर्ता-आधारित सहयोगी फिल्टरिङ सिफारिशकर्ता प्रणाली निर्माण गर्नको लागि अहिलेसम्मको सबैभन्दा सफल प्रविधि हो र धेरै व्यावसायिक सिफारिशकर्ता प्रणालीहरूमा व्यापक रूपमा प्रयोग गरिन्छ। दुर्भाग्यवश, यी विधिहरूको कम्प्यूटेशनल जटिलता ग्राहकहरूको संख्यासँग रैखिक रूपमा बढ्छ, जुन सामान्य व्यावसायिक अनुप्रयोगहरूमा धेरै लाखहरू हुन सक्छ। यी स्केलेबिलिटी चिन्ताहरूलाई सम्बोधन गर्न मोडेलमा आधारित सिफारिस प्रविधिहरू विकास गरिएको छ। यी प्रविधिहरूले प्रयोगकर्ता-आइटम म्याट्रिक्सको विश्लेषण गरी विभिन्न वस्तुहरू बीचको सम्बन्ध पत्ता लगाउँदछन् र यी सम्बन्धहरू सिफारिसहरूको सूची गणना गर्न प्रयोग गर्दछन्। यस लेखमा, हामी मोडेल-आधारित सिफारिस एल्गोरिदमको एक यस्तो वर्ग प्रस्तुत गर्दछौं जसले पहिले विभिन्न वस्तुहरू बीच समानताहरू निर्धारण गर्दछ र त्यसपछि सिफारिस गरिने वस्तुहरूको सेट पहिचान गर्न तिनीहरूलाई प्रयोग गर्दछ। एल्गोरिदमको यस वर्गमा प्रमुख चरणहरू हुन् (i) आइटमहरू बीचको समानता गणना गर्न प्रयोग गरिएको विधि, र (ii) आइटमहरूको टोकरी र एक उम्मेदवार सिफारिशकर्ता आइटम बीचको समानता गणना गर्न यी समानताहरू संयोजन गर्न प्रयोग गरिएको विधि। आठ वास्तविक डाटासेटमा हाम्रो प्रयोगात्मक मूल्यांकनले देखाउँछ कि यी वस्तु-आधारित एल्गोरिदमहरू परम्परागत प्रयोगकर्ता-पड़ोसी आधारित सिफारिश प्रणाली भन्दा दुई परिमाणको छिटो हुन्छन् र तुलनात्मक वा राम्रो गुणस्तरको सिफारिसहरू प्रदान गर्दछन्। |
01a8909330cb5d4cc37ef50d03467b1974d6c9cf | यस सिंहावलोकनले स्वतन्त्र बहु-औँला रोबोट हातहरूसँग थ्रीडी वस्तु पकड उत्पन्न गर्न कम्प्युटेशनल एल्गोरिदम प्रस्तुत गर्दछ। रोबोटिक ग्रिपिंग दशकौंदेखि सक्रिय अनुसन्धानको विषय हो, र ग्रिप संश्लेषण एल्गोरिदममा ठूलो प्रयास खर्च गरिएको छ। विद्यमान कागजातहरू समात्नको मेकानिक्स र औंला-वस्तु सम्पर्क अन्तर्क्रियाको समीक्षामा केन्द्रित छन् []] वा रोबोट हात डिजाइन र तिनीहरूको नियन्त्रण []]। रोबोट ग्रिप सिन्थेसिस एल्गोरिदमको समीक्षा सन् २००३ मा गरिएको थियो, तर त्यसबेलादेखि ग्रिपिंग समस्यामा सिकाइ प्रविधिहरू लागू गर्ने दिशामा महत्त्वपूर्ण प्रगति भएको छ। यो अवलोकन विश्लेषणात्मक र अनुभवजन्य सम्वन्धमा केन्द्रित छ। |
4e03cadf3095f8779eaf878f0594e56ad88788e2 | |
a63c3f53584fd50e27ac0f2dcbe28c7361b5adff | आरएफ, माइक्रोवेभ र मिलिमिटर-वेभ अनुप्रयोगहरूको लागि सिलिकनले नयाँ सम्भावना र चुनौतीहरूको सेट प्रदान गर्दछ। सिजी हेटरोजंक्शन द्विध्रुवीय ट्रांजिस्टरको उच्च कटआउट आवृत्ति र MOSFET को निरन्तर संकुचन सुविधा आकारले धेरै प्रतिज्ञा राखेको छ, यी प्रविधिहरूको वास्तविकतालाई सम्बोधन गर्न नयाँ डिजाइन प्रविधिहरू आविष्कार गर्न आवश्यक छ, जस्तै कम ब्रेकडाउन भोल्टेज, हानिकारक सब्सट्रेट, कम-क्यू निष्क्रिय, लामो अन्तर्संयोजन परजीवी, र उच्च आवृत्ति युग्मन मुद्दाहरू। सिलिकनमा पूर्ण प्रणाली एकीकरणको उदाहरणको रूपमा, यस कागजातले पहिलो पूर्ण एकीकृत २-GHz आठ-एलिमेन्ट चरणबद्ध एर्रे रिसीभर ०.१८-/spl mu/m सिलिकन-जर्मेनियामा र पहिलो पूर्ण एकीकृत २-GHz चार-एलिमेन्ट चरणबद्ध एर्रे ट्रान्समिटर ०.१८-/spl mu/m सीएमओएसमा एकीकृत पावर एम्पलीफायरहरूको साथ प्रस्तुत गर्दछ। "सञ्चार" भन्नाले "सञ्चार, दूरी निर्धारण, स्थान निर्धारण र अनुभूति गर्ने अनुप्रयोगहरू" सम्झनु पर्छ। |
64da24aad2e99514ab26d093c19cebec07350099 | विश्वव्यापी इन्टरनेट नेटवर्क, गहिरो अन्तरिक्ष अन्वेषण र एयरोस्पेस अनुसन्धान प्रयासहरूको लागि वैकल्पिक समाधानको रूपमा व्यावसायिक उद्यमहरूमा क्युबसट प्लेटफर्महरू बढ्दो लोकप्रिय हुँदै गइरहेका छन्। धेरै प्रविधि कम्पनीहरू र प्रणाली ईन्जिनियरहरूले ग्लोबल कम पृथ्वी कक्ष (एलईओ) अन्तर-उपग्रह नक्षत्रहरूको भागको रूपमा साना उपग्रह प्रणालीहरू लागू गर्ने योजना बनाएका छन्। यी प्रयासहरूलाई अगाडि बढाउन उच्च प्रदर्शन र कम लागतको हार्डवेयरको महत्वपूर्ण भूमिका छ। यस कागजातले का-ब्यान्ड इन्टिग्रेटेड ट्रान्समिटर असेंबली (आईटीए) मोड्युलको हेटरोडिन आर्किटेक्चर र प्रदर्शन प्रस्तुत गर्दछ, जुन उच्च डाटा रेट स्पेस कम्युनिकेशन सिस्टमको लागि कम लागत समाधानको रूपमा नानो / माइक्रोसेटेलाइट वा अन्य उपग्रह प्रणालीमा लागू गर्न सकिन्छ। मोड्युलले ०.९ देखि १.१ गीगाहर्जसम्मको आईएफ इनपुट सिग्नललाई २६.७ देखि २६.९ गीगाहर्ज आवृत्ति दायरामा २९ डीबीएमको रैखिक प्रसारण प्रदान गर्न कन्भर्टर गर्दछ। यसमा निर्मित चरण लक गरिएको ओसिलेटर, एकीकृत ट्रान्समिटर, पोलराइजर र लेन्स सुधार गरिएको एन्टेना छ। |
0b44fcbeea9415d400c5f5789d6b892b6f98daff | यस लेखमा, हामी एउटा यस्तो ठूलो एनोटेटेड कोर्पस निर्माण गर्ने हाम्रो अनुभवको समीक्षा गर्छौं - पेन ट्रीबैंक, अमेरिकी अंग्रेजीको ४.५ मिलियन भन्दा बढी शब्दहरू भएको कोर्पस। पेन ट्रीबैंक परियोजनाको पहिलो तीन वर्षको चरण (१९८९-१९९२) को समयमा, यो कोर्पसलाई पार्ट-अफ-स्पीच (पीओएस) जानकारीको लागि एनोटेट गरिएको छ। यसको अतिरिक्त, यसको आधा भन्दा बढी भागमा अस्थिर वाक्य रचनाको लागि टिप्पणी गरिएको छ। टिप्पणीहरू पेन्सिलभेनिया विश्वविद्यालयको कम्प्युटर र सूचना विज्ञान विभाग प्राविधिक रिपोर्ट नं। एमएससीआईएस-९३-८७ यो प्राविधिक रिपोर्ट ScholarlyCommons मा उपलब्ध छः 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 पेन्सिलभेनिया विश्वविद्यालयको इन्जिनियरिङ र एप्लाइड साइन्स कम्प्युटर र सूचना विज्ञान विभाग फिलाडेल्फिया, PA 19104-6389 |
7c70c29644ff1d6dd75a8a4dd0556fb8cb13549b | हामी माइक्रोवेव अनुप्रयोगहरूका लागि अनुकूल र लचिलो सब्सट्रेटहरू निर्माण गर्नका लागि एउटा नयाँ प्रविधिको परिचय दिन्छौं जसमा प्रणाली-मा-प्याकेज समावेश छ। उत्पादित सामग्रीहरू सिरेमिक पाउडरहरूलाई पोलीमरहरूसँग मिलाएर उच्च-विपरीत सब्सट्रेट उत्पन्न गर्नका लागि निर्माण गरिन्छ जुन एकै साथ लचिलो (बन्डेबल) हुन्छ। यस्तो पोलीमर-सिरेमिक सब्सट्रेटको प्रयोग प्याच एन्टेना र कप्ड लाइन फिल्टरको कार्यक्षमता जाँच गर्न गरिन्छ। यस लेखमा सब्सट्रेट मिश्रण विधि प्रस्तुत गरिएको छ जबकि सब्सट्रेटको हानि प्रदर्शनको मूल्यांकन गर्न मापनहरू दिइन्छ। समग्रमा, निर्मित कम्पोजिटले लचिलो सब्सट्रेटहरू epsivr = २० सम्मको अनुमति क्षमता र पर्याप्त कम घाटाको साथ नेतृत्व गर्दछ। |
85947d646623ef7ed96dfa8b0eb705d53ccb4efe | नेटवर्क फरेन्सिक भनेको विज्ञान हो जुन नेटवर्क ट्राफिकको क्याप्चर, रेकर्डि and र विश्लेषणको साथ व्यवहार गर्दछ घुसपैठ पत्ता लगाउन र अनुसन्धान गर्नका लागि। यस लेखमा हालसम्म प्रस्तावित विभिन्न नेटवर्क फरेन्सिक फ्रेमवर्कहरूको विस्तृत समीक्षा गरिएको छ। नेटवर्क फरेन्सिकका लागि एउटा सामान्य प्रक्रिया मोडेल प्रस्ताव गरिएको छ जुन डिजिटल फरेन्सिकका विभिन्न विद्यमान मोडेलहरूमा आधारित छ। नेटवर्क फरेन्सिकको परिभाषा, वर्गीकरण र प्रेरणा स्पष्ट रूपमा उल्लेख गरिएको छ। विभिन्न नेटवर्क फरेन्सिक एनालिसिस टूल (एनएफएटी) र नेटवर्क सुरक्षा निगरानी उपकरणहरूको कार्यक्षमताको बारेमा छलफल गरिएको छ, जुन फरेन्सिक परीक्षकहरूको लागि उपलब्ध छ। कार्यान्वयन ढाँचा, प्रक्रिया मोडेल र विश्लेषण उपकरणहरूमा अवस्थित विशिष्ट अनुसन्धान खाडलहरू पहिचान गरिएका छन् र प्रमुख चुनौतीहरू हाइलाइट गरिएका छन्। यस कार्यको महत्व यो हो कि यसले उपकरण, प्रक्रिया मोडेल र फ्रेमवर्क कार्यान्वयनलाई कभर गर्ने नेटवर्क फोरेंसिकको बारेमा एक सिंहावलोकन प्रस्तुत गर्दछ, जुन सुरक्षा व्यवसायी र अनुसन्धानकर्ताहरूलाई यो आगामी र युवा अनुशासनको अन्वेषण गर्न धेरै उपयोगी हुनेछ। a 2010 Elsevier Ltd. सबै अधिकार सुरक्षित। |
7d98dce77cce2d0963a3b6566f5c733ad4343ce4 | यस अध्ययनले डेभिसको (१९८९) टीएएम मोडेल र स्ट्राउबको (१९९४) एसपीआईआर परिशिष्टलाई आईटी प्रसार मोडेलमा लिङ्ग थपेर विस्तार गरेको छ। सूचना प्रणालीको प्रयोगको व्याख्याको रूपमा सूचना प्रणाली अनुसन्धानमा टेक्नोलोजी स्वीकृति मोडेल (टीएएम) को व्यापक अध्ययन गरिएको छ। यद्यपि यस अनुसन्धानले महत्वपूर्ण पार-सांस्कृतिक भिन्नताहरू फेला पारेको छ, यसले लैंगिक प्रभावहरूलाई वेवास्ता गरेको छ, यद्यपि सामाजिक-भाषाई अनुसन्धानमा, लैंगिक संस्कृतिको आधारभूत पक्ष हो। वास्तवमा, समाजशास्त्रीय अनुसन्धानले देखाएको छ कि पुरुषहरू पदानुक्रम र स्वतन्त्रतामा प्रवचन केन्द्रित गर्छन् जबकि महिलाहरू आत्मीयता र एकतामा केन्द्रित हुन्छन्। यस साहित्यले सूचना प्रविधि प्रसार अनुसन्धान र प्रविधि स्वीकृति मोडेलको वैचारिक विस्तारको लागि ठोस आधार प्रदान गर्दछ। विश्वास र कम्प्युटरमा आधारित मिडियाको प्रयोगसँग सम्बन्धित हुन सक्ने लैंगिक भिन्नताहरूको परीक्षण गर्न, वर्तमान अध्ययनले 392 महिला र पुरुष प्रतिक्रियाहरूको नमूनालाई क्रस-सेक्शनल सर्वेक्षण उपकरणको माध्यमबाट लिएको थियो। उत्तर अमेरिका, एसिया र युरोपका एयरलाइन्स उद्योगमा इमेल प्रणाली प्रयोग गर्ने ज्ञानकर्मीहरूको तुलनात्मक समूहबाट यो नमूना लिइएको थियो। अध्ययनका निष्कर्षहरूले देखाउँछ कि महिला र पुरुषहरू इमेलको प्रयोगमा भिन्न छन् तर प्रयोगमा भने भिन्न छैनन्। यी निष्कर्षहरूले अनुसन्धानकर्ताहरूले अन्य सांस्कृतिक प्रभावहरूसँगै आईटी प्रसार मोडेलहरूमा लैंगिकता समावेश गर्नुपर्दछ भन्ने सुझाव दिन्छ। प्रबन्धकहरू र सहकर्मीहरूले पनि बुझ्नु आवश्यक छ कि संचारको समान मोडलाई लिंगहरूले फरक तरिकाले बुझ्दछन्, सुझाव दिँदै कि अधिक अनुकूल संचार वातावरण सिर्जना गर्न सकिन्छ, वातावरण जसले संगठनको सन्दर्भ कारकहरूलाई मात्र ध्यानमा राख्दैन, तर प्रयोगकर्ताहरूको लिंग पनि। यी वातावरणको सिर्जना संचार माध्यमको वास्तविक तैनाती मात्र होइन, संचार माध्यममा संगठनात्मक प्रशिक्षण पनि समावेश गर्दछ। |
2599131a4bc2fa957338732a37c744cfe3e17b24 | प्रशिक्षण एल्गोरिथ्म जुन प्रशिक्षण ढाँचा र निर्णय सीमा बीचको मार्जिन अधिकतम गर्दछ प्रस्तुत गरिएको छ। यो प्रविधि वर्गीकरण कार्यहरूको विस्तृत विविधतामा लागू हुन्छ, जसमा पर्सेप्ट्रोन्स, बहुपदहरू, र रेडियल बेस फंक्शनहरू समावेश छन्। समस्याको जटिलतासँग मेल खाने गरी प्यारामिटरहरूको प्रभावकारी संख्या स्वचालित रूपमा समायोजित हुन्छ। समाधानलाई समर्थन गर्ने ढाँचाहरूको रैखिक संयोजनको रूपमा व्यक्त गरिन्छ। यी प्रशिक्षण ढाँचाहरूको उपसमूह हुन् जुन निर्णय सीमाको नजिक छन्। सामान्यीकरण प्रदर्शनको सीमाहरू एक-बाहिर छोड्ने विधि र वीसी आयाममा आधारित छन्। अप्टिकल वर्ण पहिचान समस्याहरूमा प्रयोगात्मक परिणामहरूले अन्य सिकाउने एल्गोरिदमहरूसँग तुलना गर्दा प्राप्त राम्रो सामान्यीकरण प्रदर्शन गर्दछ। |
68c29b7bf1811f941040bba6c611753b8d756310 | आधुनिक कार सञ्जालमा जडान भएका कम्प्युटरद्वारा नियन्त्रित छ। यी सञ्जालहरूको सुरक्षाको बारेमा ऐतिहासिक रूपमा थोरै चिन्ता थियो, तर हालैका वर्षहरूमा अनुसन्धानकर्ताहरूले उनीहरूको आक्रमणको लागि धेरै कमजोरताहरू प्रदर्शन गरेका छन्। यी आक्रमणहरू विरुद्धको रक्षाको भागको रूपमा, हामी मोटर वाहन नियन्त्रक क्षेत्र नेटवर्क (सीएएन) बसको लागि एक विसंगति डिटेक्टरको मूल्यांकन गर्दछौं। अधिकांश आक्रमणहरू नेटवर्कमा अतिरिक्त प्याकेटहरू घुसाएर गरिन्छ। तर सामान्य प्याकेटहरू एउटा निश्चित आवृत्तिमा आइपुग्छन्। यसले एउटा असामान्यता डिटेक्टरलाई प्रेरित गर्छ जसले वर्तमान र ऐतिहासिक प्याकेट समयको तुलना गर्दछ। हामी एउटा एल्गोरिथ्म प्रस्तुत गर्दछौं जसले स्लाइडिंग विन्डोमा अन्तर-प्याकेट समय मापन गर्दछ। औसत समयको तुलना ऐतिहासिक औसतसँग गरिन्छ । हामी यो दृष्टिकोणको मूल्यांकन सम्मिलित आवृत्तिहरूको दायरामा गर्छौं र यसको प्रभावकारिताको सीमाहरू प्रदर्शन गर्दछौं। हामी पनि देखाउँछौं कि प्याकेटको डाटा सामग्रीको समान मापन कसरी विसंगतिहरू पहिचान गर्न प्रभावकारी छैन। अन्तमा हामी देखाउँछौं कि कसरी एक वर्ग समर्थन भेक्टर मेसिनले उच्च विश्वासको साथ विसंगतिहरू पत्ता लगाउन समान जानकारी प्रयोग गर्न सक्दछ। |
c43d8a3d36973e3b830684e80a035bbb6856bcf7 | छवि सुपर-रिजोल्युसन (एसआर) को लागि कन्भोल्युसनल न्युरोल नेटवर्क (सीएनएन) गहिराई महत्वपूर्ण महत्वको छ। तर, हामी देख्छौं कि छवि एसआरका लागि गहिरा नेटवर्कहरू प्रशिक्षण गर्न अझ कठिन छ। कम रिजोल्युसन इनपुट र सुविधाहरूमा प्रशस्त कम आवृत्ति जानकारी हुन्छ, जुन च्यानलहरूमा समान रूपमा व्यवहार गरिन्छ, यसैले सीएनएनहरूको प्रतिनिधित्व क्षमतामा बाधा पुर्याउँछ। यी समस्याहरूको समाधान गर्न, हामी धेरै गहिरो अवशिष्ट च्यानल ध्यान नेटवर्क (आरसीएएन) प्रस्ताव गर्दछौं। विशेष गरी, हामी एक अवशिष्ट अवशिष्ट (आरआईआर) संरचना प्रस्ताव गर्दछौं धेरै गहिरो नेटवर्क बनाउनको लागि, जुन लामो स्किप जडानहरूको साथ धेरै अवशिष्ट समूहहरू समावेश गर्दछ। प्रत्येक अवशिष्ट समूहमा छोटो स्किप जडानहरू सहित केही अवशिष्ट ब्लकहरू हुन्छन्। यसैबीच, आरआईआरले बहुविध स्किप जडानहरू मार्फत प्रशस्त कम आवृत्ति जानकारीलाई बाइपास गर्न अनुमति दिन्छ, जसले मुख्य नेटवर्कलाई उच्च आवृत्ति जानकारी सिक्नेमा केन्द्रित गर्दछ। यसबाहेक, हामी च्यानलहरू बीचको अन्तरनिर्भरतालाई विचार गरेर च्यानल-बुद्धिमानी सुविधाहरू अनुकूलन गर्न च्यानल ध्यान संयन्त्र प्रस्ताव गर्दछौं। विस्तृत प्रयोगहरूले देखाउँछ कि हाम्रो आरसीएएनले अत्याधुनिक विधिहरूको तुलनामा राम्रो सटीकता र दृश्य सुधारहरू प्राप्त गर्दछ। |
77768638f4f400272b6e5970596b127663471538 | अनुसन्धानको प्रमाणलाई समेट्ने सन्दर्भमा स्कोपिङ रिभ्युको प्रयोग बढ्दो लोकप्रियता पाइरहेको छ। यो एक अपेक्षाकृत नयाँ दृष्टिकोण हो जसको लागि एक सार्वभौमिक अध्ययन परिभाषा वा अन्तिम प्रक्रिया स्थापित गरिएको छैन। यस स्कोपिङ समीक्षाको उद्देश्य साहित्यमा स्कोपिङ समीक्षाको एक सिंहावलोकन प्रदान गर्नु थियो। विधिहरू एक स्कोपिङ समीक्षा अर्कसी र ओ माले फ्रेमवर्क प्रयोग गरेर गरिएको थियो। चारवटा ग्रन्थसूचीगत डेटाबेस र ग्रे लिटरेचरमा खोजी गरी स्कोपिङ रिभ्यू अध्ययनहरू पत्ता लगाइएको थियो। समीक्षा चयन र विशेषता दुई स्वतन्त्र समीक्षकहरूले पूर्व परीक्षण गरिएका फारामहरू प्रयोग गरेर गरेका थिए। परिणाम सन् १९९९ देखि अक्टोबर २०१२ सम्म प्रकाशित ३४४ वटा समीक्षाहरू खोजमा फेला परेका थिए। समीक्षाको उद्देश्य, विधि र विवरणमा भिन्नता थियो। लगभग तीन चौथाई समीक्षाहरू (७४.१%) स्वास्थ्य विषयलाई सम्बोधन गर्थे। अध्ययन पूरा गर्न लाग्ने समय २ हप्तादेखि २० महिनासम्मको थियो र ५१ प्रतिशतले प्रकाशित विधिगत ढाँचाको प्रयोग गरेका थिए। समावेश अध्ययनहरूको गुणस्तर मूल्याङ्कन कमै मात्र (२२.३८%) गरियो। निष्कर्ष स्कोपिङ समीक्षाहरू व्यापक विषयहरूको नक्साङ्कन गर्ने अपेक्षाकृत नयाँ तर बढ्दो सामान्य दृष्टिकोण हो। उनीहरूको व्यवहारमा भिन्नताका कारण प्रमाणको उपयोगिता र शक्ति सुनिश्चित गर्न उनीहरूको पद्धतिगत मानकीकरणको आवश्यकता छ। |
4c5815796c29d44c940830118339e276f741d34a | रोबोट सहायकहरू र व्यावसायिक सहकर्मीहरू घरेलू र औद्योगिक परिवेशमा वस्तुको रूपमा परिणत हुँदैछन्। रोबोटलाई आफ्नो कार्यक्षेत्र मानिससँग बाँड्न र उनीहरूसँग शारीरिक रूपमा अन्तरक्रिया गर्न सक्षम बनाउन, रोबोटको सम्पूर्ण संरचनामा सम्भावित टकरावहरूको द्रुत र भरपर्दो ह्यान्डलिंग आवश्यक छ, साथ साथै सुरक्षित रोबोट प्रतिक्रियाको लागि नियन्त्रण रणनीतिहरू। यसको मुख्य उद्देश्य शारीरिक सम्पर्कका कारण मानिसमा हुन सक्ने सम्भावित चोटपटकको रोकथाम वा सीमितता हो । यस सर्वेक्षण कागजमा, यस विषयमा हाम्रो प्रारम्भिक कामको आधारमा, हामी समीक्षा, विस्तार, तुलना, र प्रयोगात्मक मोडेल-आधारित एल्गोरिदमको मूल्यांकन वास्तविक समयको टकराव पत्ता लगाउन, पृथक गर्न, र पहिचानको लागि जुन केवल प्रोप्रियोसेप्टिव सेन्सरहरू प्रयोग गर्दछ। यसले वातावरणसँग अन्तरक्रिया गर्ने रोबोटहरूको लागि टकराव घटना पाइपलाइनको सन्दर्भ-स्वतन्त्र चरणहरूलाई समेट्छ, जस्तै भौतिक मानव-रोबोट अन्तरक्रिया वा हेरफेर कार्यहरूमा। यो समस्या पहिले कठोर रोबोटहरूको लागि सम्बोधन गरिएको छ र त्यसपछि संयुक्त / प्रसारण लचिलोपनको उपस्थितिमा विस्तार गरिएको छ। भौतिक कारणले प्रेरित आधारभूत समाधान पहिले नै विश्वव्यापी असंख्य रोबोट प्रणालीहरूमा लागू गरिएको छ, जुन मनिपुलेटर र ह्युमनोइडदेखि उडान रोबोटहरू, र व्यावसायिक उत्पादनहरूमा पनि लागू गरिएको छ। |
4e3a22ed94c260b9143eee9fdf6d5d6e892ecd8f | |
e18fa8c8f402c483b2c3eaaa89192fe99e80abd5 | समाचारमा प्रकाशित समाचारले सेयर बजारको दिशा, यसको अस्थिरता, कारोबारको मात्रा र समाचारमा उल्लेख गरिएका व्यक्तिगत सेयरको मूल्यमा महत्त्वपूर्ण प्रभाव पार्ने धेरै अध्ययनहरू छन्। समाचार कागजातहरू, त्रैमासिक रिपोर्टहरू, ब्लगहरू र / वा ट्विटर डाटाको स्वचालित भावना विश्लेषणलाई व्यापार रणनीतिको भागको रूपमा उत्पादक रूपमा प्रयोग गर्न सकिन्छ भन्ने सुझाव दिने केही प्रकाशित अनुसन्धानहरू पनि छन्। यस कागजले ट्रेडिंग रणनीतिहरूको यस्तो परिवार प्रस्तुत गर्दछ, र त्यसपछि यो अनुप्रयोग प्रयोग गर्दछ केही मौन धारणाहरूको पुनः जाँच गर्नका लागि उनीहरूको अनुप्रयोगको सन्दर्भको बाबजुद भावना विश्लेषकहरू कसरी सामान्य रूपमा मूल्या are्कन गरिन्छ। [पृष्ठ २३-मा भएको चित्र] |
050c6fa2ee4b3e0a076ef456b82b2a8121506060 | छविहरूमा २ डी बाउन्डिंग बक्सको रूपमा वस्तुहरू पहिचान गर्नमा ठूलो प्रगति भए पनि, यो अझै पनि अवरुद्ध वस्तुहरू पत्ता लगाउन र एकल छविबाट बहु वस्तुहरूको थ्रीडी गुणहरूको अनुमान गर्न धेरै चुनौतीपूर्ण छ। यस लेखमा, हामी एउटा नयाँ वस्तु प्रतिनिधित्व, थ्रीडी वोक्सल प्याटर्न (३डीवीपी) को प्रस्ताव गर्छौं, जसले संयुक्त रूपमा वस्तुहरूको मुख्य गुणहरू कोड गर्दछ जसमा उपस्थिति, थ्रीडी आकार, दृश्य, अवरुद्ध र ट्रन्केसन समावेश छ। हामी ३ डी वी पी को पहिचान डेटा आधारित तरिकाले गर्छौं, र ३ डी वी पी को शब्दकोशको लागि विशेष डिटेक्टरहरुको एक समूहलाई प्रशिक्षण दिन्छौं। थ्रीडीभीपी डिटेक्टरहरू विशिष्ट दृश्यता ढाँचाका साथ वस्तुहरू पत्ता लगाउन सक्षम छन् र थ्रीडीभीपीबाट मेटा-डाटालाई पत्ता लगाइएको वस्तुहरूमा स्थानान्तरण गर्दछ, जस्तै २ डी सेग्मेन्टेशन मास्क, थ्रीडी पोज साथै ओक्ल्युसन वा ट्रन्केसन सीमाहरू। हस्तान्तरण गरिएको मेटा-डाटाले हामीलाई वस्तुहरू बीचको ओक्ल्युसन सम्बन्ध अनुमान गर्न अनुमति दिन्छ, जसले फलस्वरूप सुधारिएको वस्तु मान्यता परिणामहरू प्रदान गर्दछ। KITTI पत्ता लगाउने बेन्चमार्क [17] र आउटडोर दृश्य डाटासेट [41] मा प्रयोगहरू गरिन्छ। हामी कार पत्ता लगाउने अत्याधुनिक परिणामहरू सुधार गर्छौं र उल्लेखनीय मार्जिनहरूसँग अनुमान लगाउँदछौं (किट्टीको कठिन डाटामा%%) । हामी हाम्रो विधिले पृष्ठभूमिबाट वस्तुहरूलाई सही रूपमा विभाजन गर्न र तिनको स्थानिककरण गर्न सक्ने क्षमताको पनि जाँच गर्छौं। |
1a124ed5d7c739727ca60cf11008edafa9e3ecf2 | डाटा-संचालित अर्थतन्त्रको विकाससँगै, उद्यमहरूले उच्च मात्रा, उच्च गतिको डाटा स्ट्रिमहरूमा कार्य गर्न सक्षम हुनुमा प्रतिस्पर्धात्मक लाभ महसुस गर्न थालेका छन्। वितरण सन्देश लामहरू र स्ट्रिमिङ प्रोसेसिंग प्लेटफर्म जस्ता प्रविधिहरू जुन वस्तु हार्डवेयरमा हजारौं डाटा स्ट्रिम विभाजनहरूमा स्केल गर्न सकिन्छ एक प्रतिक्रिया हो। यद्यपि, यी प्रणालीहरू द्वारा प्रदान गरिएको प्रोग्रामिंग एपीआई प्रायः कम स्तरको हुन्छ, जसलाई पर्याप्त अनुकूलन कोड चाहिन्छ जसले प्रोग्रामरको सिक्ने वक्र र मर्मत ओभरहेडमा थप्दछ। यसको अतिरिक्त, यी प्रणालीहरूमा प्रायः एसक्यूएल क्वेरी क्षमताहरू हुँदैनन् जुन हाइभ, इम्पाला वा प्रेस्टो जस्ता बिग डाटा प्रणालीहरूमा लोकप्रिय साबित भएका छन्। हामी डाटा स्ट्रिम क्वेरी र हेरफेरका लागि मानक SQL मा विस्तारहरूको न्यूनतम सेट परिभाषित गर्दछौं। यी विस्तारहरू SamzaSQL मा प्रोटोटाइप गरिएको छ, SQL स्ट्रिमिङका लागि नयाँ उपकरण जसले स्ट्रिमिङ SQL लाई भौतिक योजनाहरूमा संकलन गर्दछ जुन Samza मा कार्यान्वयन गरिन्छ, एक खुला स्रोत वितरित स्ट्रीम प्रोसेसिंग फ्रेमवर्क। हामी एसक्यूएल क्वेरीहरूको स्ट्रिमिङको प्रदर्शनलाई सामजाको नेटिभ अनुप्रयोगहरूसँग तुलना गर्छौं र उपयोगिता सुधारको बारेमा छलफल गर्छौं। सामजास्कुल खुला स्रोत अपाचे सामजा परियोजनाको एक भाग हो र सामान्य प्रयोगको लागि उपलब्ध हुनेछ। |
b8ec319b1f5223508267b1d5b677c0796d25ac13 | धेरै वास्तविक संसार परिदृश्यहरूमा, विशिष्ट मेशिन लर्निंग कार्यको लागि लेबल गरिएको डाटा प्राप्त गर्न महँगो हुन्छ। अर्ध-पर्यवेक्षित प्रशिक्षण विधिहरूले प्रशस्त उपलब्ध लेबल गरिएको डाटा र कम संख्यामा लेबल गरिएका उदाहरणहरूको प्रयोग गर्दछ। हामी मानवमा सिक्ने प्रेरणाको साथ गहिरो तंत्रिका नेटवर्कको अर्ध-पर्यवेक्षित प्रशिक्षणको लागि नयाँ ढाँचा प्रस्ताव गर्दछौं। संघहरू लेबल गरिएका नमूनाहरूको एम्बेडेडबाट लेबल नलगाएकाहरू र पछाडिबाट बनाइन्छन्। अनुकूलन तालिकाले सहि संघ चक्रलाई प्रोत्साहित गर्दछ जुन उही वर्गमा समाप्त हुन्छ जहाँबाट संघ सुरु भएको थियो र गलत संघहरूलाई दण्डित गर्दछ जुन फरक वर्गमा समाप्त हुन्छ। यो कार्यान्वयन प्रयोग गर्न सजिलो छ र कुनै पनि विद्यमान अन्त-देखि-अन्त प्रशिक्षण सेटअपमा थप्न सकिन्छ। हामी धेरै डाटा सेटमा संघ द्वारा सिक्ने क्षमताहरू प्रदर्शन गर्दछौं र देखाउँदछौं कि यसले वर्गीकरण कार्यहरूमा प्रदर्शनलाई ठूलो मात्रामा सुधार गर्न सक्दछ थप उपलब्ध लेबल गरिएको डाटाको प्रयोग गरेर। विशेष गरी, कम लेबल गरिएको डाटा भएका केसहरूको लागि, हाम्रो प्रशिक्षण योजनाले एसभीएचएनमा हालको प्रविधिको राज्यलाई पार गर्दछ। |
852c633882927affd1a951e81e6e30251bb40867 | रेडियो फ्रिक्वेन्सी पहिचान (आरएफआईडी) प्रविधिको निरन्तर विकासको साथसाथै नयाँ प्रकारका ट्याग एन्टेना सामग्री र संरचनाहरू नयाँ अनुप्रयोग क्षेत्रहरूमा सामना गरिएका आवश्यकताहरू पूरा गर्न देखा पर्दैछन्। यस कार्यमा, विकिरण दक्षता मापन विधि विकसित र प्रमाणित गरिएको छ जुन निष्क्रिय अल्ट्रा-उच्च आवृत्ति (UHF) आरएफआईडी डाइपोल ट्याग एन्टेनाहरूको लागि हो। यसको अतिरिक्त, यो मापन विधि शरीर केन्द्रित वायरलेस संचार अनुप्रयोगहरूको लागि पहिरन योग्य डायपोल ट्याग एन्टेनाको विकिरण दक्षता मापन गर्न प्रयोग गरिन्छ। मापनबाट प्राप्त जानकारी ट्याग एन्टेना सामग्री संरचना हानि को विशेषता र थप दुवै सुधार र ट्याग एन्टेना प्रदर्शन र विश्वसनीयता अनुकूलन गर्न प्रयोग गर्न सकिन्छ। |
833de6c09b38a679ed870ad3a7ccfafc8de010e1 | ईगो-वाहनको गतिको अनुमान उन्नत ड्राइभिङ्ग सहायक प्रणाली र मोबाइल रोबोट स्थानीयकरणको लागि एक प्रमुख क्षमता हो। निम्न कागजातले ईगो-वाहकको पूर्ण २ डी गति अवस्था (लम्बाइ, पार्श्व वेग र यव रेट) तत्काल निर्धारण गर्न रडार सेन्सर प्रयोग गरेर एक मजबूत एल्गोरिथ्म प्रस्तुत गर्दछ। यसले कम्तिमा दुई डोप्लर राडार सेन्सरहरू र उनीहरूको प्राप्त स्थिर प्रतिबिम्बहरू (लक्ष्यहरू) बीचको सापेक्षिक गतिको मूल्या .्कन गर्दछ। अजिमुथ कोणमा उनीहरूको रेडियल वेगको वितरणको आधारमा, गैर-स्थिर लक्ष्यहरू र गडबडीलाई हटाइन्छ। अहं-गति र यसको सम्बन्धित सह-भिन्नता म्याट्रिक्स अनुमानित छन्। एल्गोरिथ्मलाई कुनै पनि पूर्व-प्रक्रिया चरणहरू जस्तै क्लस्टरिंग वा क्लटर दमनको आवश्यकता पर्दैन र कुनै पनि मोडेल धारणाहरू समावेश गर्दैन। सेन्सरहरू सवारी साधनमा कुनै पनि स्थानमा माउन्ट गर्न सकिन्छ। अन्तरिक्षमा लक्ष्यको सम्बन्धलाई रोक्नको लागि, एउटा साझा दृश्य क्षेत्र आवश्यक छैन। एक अतिरिक्त लाभको रूपमा, सबै लक्ष्यहरू तुरुन्त स्थिर वा गैर-स्थिरको रूपमा लेबल गरिएको छ। |
31918003360c352fb0750040d163f287894ab547 | हालैमा अटोमोटिभ एम्बेडेड प्रणालीले स्मार्ट कार, इलेक्ट्रिक कार्ड आदिको आगमन पछि उच्च विकास गरेको छ। यसमा विभिन्न मूल्यवर्धित प्रणालीहरू छन् जस्तै आइपीए (इन्टेलेजेन्ट पार्किङ असिस्टेन्स), बीएसडब्ल्यू (ब्लाइन्ड स्पट वार्निंग), एलडीडब्ल्यूएस (लेन डिभर्सन वार्निंग सिस्टम), एलकेएस (लेन कीपिंग सिस्टम) - यी एड्स (एडभान्स ड्राइभर असिस्टेन्स सिस्टम) हुन्। अटोमोटिभ ओपन सिस्टम आर्किटेक्चर (अटोसार) अटोमोटिभ इम्बेडेड सफ्टवेयरको विकासका लागि सबैभन्दा उल्लेखनीय औद्योगिक मानक हो। अटोसर अटोमोटिभ ई/ई आर्किटेक्चरका लागि खुला उद्योग मानकको विकास र स्थापना गर्नका लागि काम गर्ने अटोमोटिभ निर्माता र आपूर्तिकर्ताहरूको साझेदारी हो। यस लेखमा हामी अटोसारको बारेमा संक्षिप्त जानकारी दिनेछौं र अटोमोबाइल सफ्टवेयर एलडीडब्लूएस (लेन डिटेक्सन एण्ड वार्निंग सिस्टम) को विकासको परिणाम देखाउनेछौं। |
36bb4352891209ba0a7df150c74cd4db6d603ca5 | उदाहरण सिकाइमा आधारित एकल छवि सुपर-रिजोल्युसन (एसआर) उच्च-रिजोल्युसन (एचआर) छविलाई एकल इनपुट कम-रिजोल्युसन (एलआर) छविबाट पुनः निर्माण गर्नका लागि एक आशाजनक विधि हो। धेरै लोकप्रिय एसआर दृष्टिकोणहरू समय वा ठाउँ-गहन हुने सम्भावना बढी हुन्छ, जसले उनीहरूको व्यावहारिक अनुप्रयोगहरूलाई सीमित गर्दछ। यसैले, केही अनुसन्धान उप-अन्तरिक्ष दृश्यमा केन्द्रित छ र अत्याधुनिक परिणामहरू प्रदान गर्दछ। यस कागजमा, हामी प्रशिक्षण चरणमा रैखिक उप-स्थानहरूको समूहमा LR छविहरूको ठूलो गैर-रेखीय सुविधा स्थान रूपान्तरण गर्न मिश्रण पूर्व मोडेलहरूको साथ एक प्रभावकारी तरिका प्रयोग गर्दछौं। विशेष गरी, हामी पहिलो पटक छवि प्याचहरूलाई विभिन्न समूहमा विभाजन गर्दछौं, नयाँ छनौट प्याच प्रोसेसिंग विधि द्वारा LR प्याचहरूको भिन्नता वक्रतामा आधारित, र त्यसपछि प्रत्येक समूहमा मिश्रण अघिल्लो मोडेलहरू सिक्ने। यसबाहेक, विभिन्न पूर्व वितरणको एसआरमा विभिन्न प्रभावकारिता हुन्छ, र यस अवस्थामा, हामी विद्यार्थी-टी पूर्वले राम्रोसँग ज्ञात ग्यासियन पूर्व भन्दा बलियो प्रदर्शन देखाउँछ। परीक्षण चरणमा, हामी इनपुट LR सुविधाहरू उपयुक्त उप-स्थानमा म्याप गर्नका लागि सिकेका बहु मिश्रण अघिल्लो मोडेलहरू अपनाउँछौं, र अन्तमा सम्बन्धित HR छविलाई उपन्यास मिश्रित मिलान तरिकामा पुनः निर्माण गर्दछौं। प्रयोगात्मक नतिजाले प्रस्तावित दृष्टिकोणलाई गुणात्मक र मात्रात्मक रूपमा केही अत्याधुनिक एसआर विधिहरू भन्दा उत्कृष्ट रहेको देखाउँछ। |
189a391b217387514bfe599a0b6c1bbc1ccc94bb | हामी टकराव-मुक्त ह्यास प्रकार्यहरूको डिजाइनको लागि एक सरल, नयाँ प्रतिमान प्रस्तुत गर्दछौं। यस परिदृश्यबाट उत्पन्न हुने कुनै पनि प्रकार्य वृद्धिशील हुन्छ। (यसको अर्थ यो हो कि यदि मैले पहिले ह्याश गरेको सन्देश x लाई x0 मा परिमार्जन गरियो भने x 0 को ह्याशलाई पुनः गणना गर्नुको सट्टा, म चाँडै नै पुरानो ह्याश मानलाई नयाँमा अपडेट गर्न सक्छु, समयको अनुपातमा x मा गरिएको परिमार्जनको मात्रामा x प्राप्त गर्न) यस परिदृश्यबाट उत्पन्न हुने कुनै पनि प्रकार्य पनि समानांतर गर्न योग्य हुन्छ, हार्डवेयर कार्यान्वयनका लागि उपयोगी हुन्छ। हामी हाम्रो प्रतिमानबाट धेरै विशिष्ट प्रकार्यहरू निकाल्छौं। सबैमा मानक ह्यास फंक्शन, मानिएको आदर्श, र केही बीजगणितीय अपरेशनहरू प्रयोग गरिन्छ। पहिलो फंक्शन, मुहाश, सन्देशको प्रति ब्लक एक मोड्युलर गुणन प्रयोग गर्दछ, यसलाई उचित रूपमा कुशल बनाउँदै, र अघिल्लो वृद्धिशील हैश फंक्शनहरू भन्दा महत्त्वपूर्ण रूपमा छिटो। यसको सुरक्षा प्रमाणित छ, असतत लघुगणक समस्याको कठोरतामा आधारित छ। दोस्रो प्रकार्य, AdHASH, अझ छिटो छ, गुणाको सट्टा थप प्रयोग गरेर, सुरक्षाको साथ प्रमाणित गरिएको छ कि छोटो जाली भेक्टरहरूको लम्बाइको अनुमान कठिन छ वा कि भारित उपसमूह योग समस्या गाह्रो छ। तेस्रो प्रकार्य, LtHASH, हालको जाली आधारित प्रकार्यहरूको व्यावहारिक भिन्नता हो, सुरक्षाको साथ प्रमाणित आधारमा, फेरि छोटो जाली भेक्टर अनुमानको कठोरतामा। विभागको कम्प्युटर विज्ञान र इन्जिनियरिङ, क्यालिफोर्निया विश्वविद्यालय, सान डिएगो, 9500 गिलम्यान ड्राइभ, ला जोला, क्यालिफोर्निया 92093, संयुक्त राज्य अमेरिका। ई-मेल: [email protected]। युएसएसआरको सीमामा रहेको यो क्षेत्रको सीमामा रहेको यो क्षेत्रको सीमामा रहेको यो क्षेत्रको सीमामा रहेको यो क्षेत्रको सीमामा रहेको यो क्षेत्रको सीमामा रहेको यो क्षेत्रको सीमामा रहेको यो क्षेत्रको सीमामा रहेको यो क्षेत्रको सीमामा रहेको यो क्षेत्रको सीमामा रहेको यो क्षेत्रको सीमामा रहेको यो क्षेत्रको सीमामा रहेको यो क्षेत्रको सीमामा रहेको यो क्षेत्रको सीमामा रहेको छ। एनएसएफ क्यारियर पुरस्कार सीसीआर-९६२४४३९ र विज्ञान र इन्जिनियरिङमा प्याकार्ड फाउन्डेसन फेलोशिपद्वारा आंशिक रूपमा समर्थित। yMIT कम्प्युटर विज्ञान प्रयोगशाला, 545 टेक्नोलोजी स्क्वायर, क्याम्ब्रिज, एमए 02139, संयुक्त राज्य अमेरिका। इमेल: [email protected] आंशिक रूपमा DARPA अनुबंध DABT63-96-C-0018 द्वारा समर्थित। |
9b9c9cc72ebc16596a618d5b78972437c9c569f6 | |
3ffce42ed3d7ac5963e03d4b6e32460ef5b29ff7 | हामी भौतिक वस्तुको पूर्ण मोडेल बनाउने समस्याको अध्ययन गर्छौं। यद्यपि यो तीव्रता छविहरू प्रयोग गरेर सम्भव हुन सक्छ, हामी यहाँ दायरा छविहरू प्रयोग गर्दछौं जसले तीन आयामिक जानकारीमा सीधा पहुँच प्रदान गर्दछ। हामीले हल गर्नुपर्ने पहिलो समस्या भनेको विभिन्न दृष्टिकोणहरू बीचको रूपान्तरण पत्ता लगाउनु हो। यसअघिका दृष्टिकोणहरूले या त यो रूपान्तरणलाई ज्ञात मानेको छ (जुन पूर्ण मोडेलका लागि अत्यन्तै गाह्रो छ), वा यसलाई सुविधा मिलानको साथ गणना गरिएको छ (जुन एकीकरणको लागि पर्याप्त सही छैन) । यस लेखमा, हामी नयाँ दृष्टिकोण प्रस्ताव गर्दछौं जुन दायरा d a t a मा काम गर्दछ र दृश्यहरू बीच सटीक रूपान्तरण प्राप्त गर्न पर्याप्त ओभरल्याप क्षेत्रको साथ क्रमिक दृश्यहरू रेकर्ड गर्दछ। यो कार्यक्षमतालाई कम गर्नका लागि गरिन्छ, जसका लागि बिन्दु-देखि-बिन्दु मेल खाने आवश्यकता पर्दैन। हामी दर्ता विधि र मोडेलिंग प्रक्रियाको विवरण दिन्छौं, र तिनीहरूलाई जटिल वस्तुहरूको वास्तविक दायरा छविहरूमा चित्रण गर्दछौं। भौतिक वस्तुहरूको मोडेलहरू सिर्जना गर्नु जैविक दृष्टि मोड्युलहरूको आवश्यक घटक मेसिन हो। यस्ता मोडेलहरू वस्तु पहिचान, पोज अनुमान वा निरीक्षण कार्यहरूमा प्रयोग गर्न सकिन्छ। यदि रुचिको वस्तु ठीकसँग डिजाइन गरिएको छ भने, त्यसो भए यस्तो मोडेल CAD मोडेलको रूपमा अवस्थित छ। धेरै अनुप्रयोगहरूमा, तथापि, यो सम्भव छैन वा व्यावहारिक छैन त्यस्ता CAD मोडेलहरूमा पहुँच गर्न, र हामीले भौतिक वस्तुबाट मोडेलहरू निर्माण गर्न आवश्यक छ। केही अनुसन्धानकर्ताहरूले समस्यालाई बाइपास गरेर मोडेल प्रयोग गर्छन् जुन बहु दृश्यहरू ([4], [a]) बाट बनेको हुन्छ, तर यो सधैं पर्याप्त हुँदैन। यदि कुनै वस्तुको पूर्ण मोडेल चाहिन्छ भने निम्न चरणहरू आवश्यक छन्: १. डाटा अधिग्रहण, २. दृश्यहरू बीच रेजिष्ट्रेसन, ३. दृश्यहरूको एकीकरण। दृश्यको अर्थ हामी वस्तुको ३ डी सतहको जानकारीलाई विशिष्ट दृष्टिकोणबाट बुझ्छौं। जबकि एकीकरण प्रक्रिया प्रयोग गरिएको प्रतिनिधित्व योजनामा धेरै निर्भर छ, एकीकरण प्रदर्शन गर्न पूर्व शर्त विभिन्न दृश्यबाट डाटा बीचको रूपान्तरण जान्नु हो। रजिस्ट्रारको लक्ष्य यस्तो रूपान्तरण खोज्नु हो, जसलाई कोभरेस्पोन्स्ड डेन पनि भनिन्छ। यस समस्या धेरै अघिल्लो अनुसन्धान प्रयासहरूको मूल हो: भानु [a] ले वस्तु मोडेलिंग प्रणालीको विकास गरेको छ जुन वस्तुको पहिचानको लागि वस्तुलाई ज्ञात कोणहरू मार्फत घुमाएर बहु दृश्यहरू प्राप्त गर्नका लागि हो। कुकुर र अरूहरू [3] र आहुजा र वेन-स्ट्र्रा [l] ले ओक्ट्री वस्तु मोडेलहरू निर्माण गर्न ओर्थोगोनल दृश्यहरू प्रयोग गरे। यी विधिहरूद्वारा, ... |
883b2b981dc04139800f30b23a91b8d27be85b65 | यस लेखमा, हामी एक कुशल थ्रीडी वस्तु पहिचान प्रस्तुत गर्दछौं र अव्यवस्थित र अवरुद्ध वातावरणमा प्रक्रियाहरू समात्ने अनुमान दृष्टिकोण प्रस्तुत गर्दछौं। सामान्य उपस्थितिमा आधारित दृष्टिकोणहरूको विपरीत, हामी केवल ३ डी ज्यामिति जानकारीमा भर पर्दछौं। हाम्रो विधि एक बलियो ज्यामितीय वर्णनकर्ता, एक हैशिंग प्रविधि र एक कुशल, स्थानीयकृत RANSAC-जस्तो नमूना रणनीतिमा आधारित छ। हामी मान्छौं कि प्रत्येक वस्तुलाई सतहको सामान्यसँग सम्बन्धित बिन्दुहरूको सेटले बनेको मोडेलले प्रतिनिधित्व गर्दछ। हाम्रो विधिले एकै समयमा धेरै मोडेलको पहिचान गर्छ र दृश्यमा उनीहरूको स्थिति अनुमान गर्छ। विभिन्न परीक्षणहरूले देखाएअनुसार प्रस्तावित विधिले हल्ला, गडबडी र असम्बन्धित दायरा स्क्यानमा राम्रोसँग काम गर्छ जसमा वस्तुहरूको सानो भाग मात्र देखिने हुन्छ। एल्गोरिथ्मको मुख्य प्रक्रियामा रैखिक समय जटिलता हुन्छ जसको परिणामस्वरूप उच्च मान्यता गति हुन्छ जसले विधिलाई निरन्तर हेरफेर कार्यमा प्रत्यक्ष एकीकरण गर्न अनुमति दिन्छ। ७ डिग्री स्वतन्त्रता भएको कार्टेशियन प्रतिबाधा नियन्त्रित रोबोटको प्रयोगात्मक प्रमाणीकरणले कसरी यो विधिलाई जटिल अनियमित स्ट्याकबाट वस्तुहरू समात्न प्रयोग गर्न सकिन्छ भन्ने देखाउँछ। यो अनुप्रयोगले कसरी कम्प्युटर भिजन र सफ्ट्रोबोटिक्सको एकीकरणले असंगठित र अवरुद्ध वातावरणमा कार्य गर्न सक्षम रोबोट प्रणालीमा पुर्याउँछ भन्ने देखाउँदछ। |
9bc8aaaf23e2578c47d5d297d1e1cbb5b067ca3a | यस कागजातले एकल क्यामेरा छविमा थ्रीडी वस्तुको उदाहरणहरू पहिचान गर्न र उनीहरूको थ्रीडी पोजहरू निर्धारण गर्न एक दृष्टिकोण वर्णन गर्दछ। वस्तुको ३ डी सीएडी मोडेलको ज्यामिति जानकारीको आधारमा मात्र पदानुक्रमित मोडेल उत्पन्न गरिन्छ। यो दृष्टिकोण वस्तुको सतहको बनावट वा प्रतिबिम्ब जानकारीमा निर्भर हुँदैन, जसले यसलाई औद्योगिक र रोबोटिक अनुप्रयोगहरूको विस्तृत श्रृंखलाको लागि उपयोगी बनाउँदछ, उदाहरणका लागि, बिन-पिकिंग। एक पदानुक्रमित दृश्य-आधारित दृष्टिकोण जुन अघिल्लो विधिहरूको विशिष्ट समस्याहरूको समाधान गर्दछ लागू गरिएको छः यसले साँचो परिप्रेक्ष्यलाई सम्हाल्छ, शोर, ओक्ल्युसन, र गडबडीलाई एक हदसम्म बलियो छ जुन धेरै व्यावहारिक अनुप्रयोगहरूको लागि पर्याप्त छ, र यसको विपरीत परिवर्तनहरूमा अपरिवर्तनीय छ। यो पदानुक्रमिक मोडेलको उत्पादनको लागि, नयाँ मोडेल छवि उत्पादन प्रविधि प्रस्तुत गरिएको छ जसको द्वारा स्केल-स्पेस प्रभावहरू ध्यानमा राख्न सकिन्छ। आवश्यक वस्तु दृश्यहरू समानता-आधारित पक्ष ग्राफ प्रयोग गरेर व्युत्पन्न हुन्छन्। विस्तृत खोजको उच्च बलियोता कुशल पदानुक्रमित खोजसँग जोडिएको छ। थ्रीडी पोजलाई न्यूनतम वर्गको समायोजन प्रयोग गरेर परिष्कृत गरिएको छ जसले छविमा ज्यामितीय दूरीलाई कम गर्दछ, वस्तुको दूरीको सन्दर्भमा ०.१२ प्रतिशतसम्मको स्थिति शुद्धता प्रदान गर्दछ, र हाम्रो परीक्षणहरूमा ०.३५ डिग्रीसम्मको अभिमुखीकरण शुद्धता। पहिचान समय वस्तुको जटिलताबाट धेरै हदसम्म स्वतन्त्र छ, तर मुख्यतया पोसहरूको दायरामा निर्भर गर्दछ जसमा वस्तु क्यामेराको अगाडि देखा पर्न सक्छ। दक्षताका कारण, यो दृष्टिकोणले अनुप्रयोगमा निर्भर गर्दै पोज दायराको सीमिततालाई अनुमति दिन्छ। सामान्य रनटाइम केही सय एमएसको दायरामा हुन्छ । |
dbd66f601b325404ff3cdd7b9a1a282b2da26445 | प्रारम्भिक मूल्याङ्कनको नतिजाले 6D वस्तुको स्थिति अनुमानमा प्रविधिको राज्यमा सुधारको लागि प्रशस्त ठाउँ छ, विशेष गरी महत्वपूर्ण ओक्ल्युसनको साथ कठिन अवस्थामा। T-LESS डाटासेट cmp:felk:cvut:cz/t-less मा अनलाइन उपलब्ध छ। हामी टी-लेस, ६ डी पोजको अनुमान गर्नका लागि नयाँ सार्वजनिक डाटासेट प्रस्तुत गर्दछौं, अर्थात् पाठहीन कठोर वस्तुहरूको अनुवाद र परिक्रमा। डाटासेटमा तीस उद्योग-सम्बन्धित वस्तुहरू छन् जुन कुनै महत्त्वपूर्ण बनावट र कुनै भेदभावपूर्ण रंग वा प्रतिबिम्ब गुणहरू छैनन्। वस्तुहरू सममितिको प्रदर्शन गर्दछन् र आकार र / वा आकारमा आपसी समानताहरू। अन्य डाटासेटहरूको तुलनामा, एउटा अनौठो गुण यो हो कि केही वस्तुहरू अरूको अंश हुन्। डाटासेटमा प्रशिक्षण र परीक्षण छविहरू समावेश छन् जुन तीन सिnch्क्रोनाइज्ड सेन्सरहरूसँग क्याप्चर गरिएको थियो, विशेष गरी एक संरचित-प्रकाश र एक समय-उडान आरजीबी-डी सेन्सर र एक उच्च रिजोलुसन आरजीबी क्यामेरा। प्रत्येक सेन्सरबाट लगभग ३९ हजार प्रशिक्षण र १० हजार परीक्षण छविहरू छन्। यसको अतिरिक्त, प्रत्येक वस्तुको लागि दुई प्रकारका थ्रीडी मोडेलहरू प्रदान गरिएको छ, अर्थात् एक म्यानुअल CAD मोडेल र एक अर्ध स्वचालित पुनः निर्माण। प्रशिक्षण छविहरूले कालो पृष्ठभूमिमा व्यक्तिगत वस्तुहरू चित्रण गर्दछ। परीक्षण छविहरू बीस परीक्षण दृश्यहरूबाट उत्पन्न हुन्छन् जुन जटिलतामा फरक हुन्छ, जुन धेरै पृथक वस्तुहरूको साथ सरल दृश्यहरूबाट धेरै चुनौतीपूर्ण व्यक्तिहरूमा धेरै वस्तुहरूको बहुविध उदाहरणहरू र अत्यधिक अव्यवस्था र अवरुद्धिको साथ बढ्छ। छविहरू वस्तु / दृश्यको वरिपरि व्यवस्थित नमूना गरिएको दृश्य क्षेत्रबाट कब्जा गरिएको थियो, र सबै मोडेल गरिएका वस्तुहरूको सटीक ग्राउन्ड सत्य 6D पोजहरूको साथ एनोटेट गरिएको छ। |
74257c2a5c9633565c3becdb9139789bcf14b478 | सूचना प्रविधि नियन्त्रण ढाँचाको व्यापक प्रयोग भए पनि यसको प्रयोगको बारेमा अनुसन्धान गर्नका लागि शैक्षिक र अनुभवजन्य अनुसन्धानहरू थोरै मात्र गरिएको छ। यस लेखमा अष्ट्रेलियाका सार्वजनिक क्षेत्रका संस्थाहरूमा सूचना तथा सम्बन्धित प्रविधि (कोबिट) को नियन्त्रणका लागि १५ वटा प्रमुख आईटी नियन्त्रण प्रक्रियाहरूको परिपक्वता स्तरको बेंचमार्क गर्न गरिएको अनुसन्धानको बारेमा उल्लेख गरिएको छ। यसले विभिन्न देशका मिश्रित क्षेत्र समूह, एशियाली-महासागर देशका मिश्रित क्षेत्र समूह र सबै भौगोलिक क्षेत्रका सार्वजनिक क्षेत्रका संगठनहरूको तुलना पनि गर्दछ। अष्ट्रेलियाको तथ्याङ्क ३८७ गैर वित्तीय सार्वजनिक क्षेत्रका संस्थाहरूबाट मेलमार्फत संकलन गरिएको थियो, जसमा ५० भन्दा बढी कर्मचारी कार्यरत थिए। सन् २००२ मा आईएस अडिट एण्ड कन्ट्रोल एसोसिएसनले गरेको अन्तर्राष्ट्रिय सर्वेक्षणमा देखिएका नमुनाहरू अष्ट्रेलियाको तथ्याङ्कमा पनि देखिएका थिए। तर, १५ वटा सबैभन्दा महत्त्वपूर्ण सूचना प्रविधि प्रक्रियाका लागि अन्तर्राष्ट्रिय मापदण्डमा अष्ट्रेलियाको सार्वजनिक क्षेत्रले सबै क्षेत्रको तुलनामा राम्रो प्रदर्शन गरेको छ। |
0e9bac6a2b51e93e73f7f5045d4252972db10b5a | हामी नयाँ एल्गोरिथ्म प्रदान गर्छौं जुन लाखौं पङ्क्ति, लाखौं स्तम्भ, र अरबौं शून्य तत्वहरूको साथ ठूला म्याट्रिक्सलाई लगभग गुणन गर्नका लागि हो। हाम्रो दृष्टिकोण स्टोकास्टिक ग्रेडियन्ट डिसेंट (एसजीडी) मा आधारित छ, एक पुनरावर्ती स्टोकास्टिक अनुकूलन एल्गोरिथ्म। हामी पहिलो पटक एक उपन्यास "स्तरित" एसजीडी संस्करण (एसएसजीडी) विकास गर्दछौं जुन सामान्य घाटा-न्यूनतम समस्याहरूमा लागू हुन्छ जसमा घाटा प्रकार्य "स्तरित घाटा" को भारित योगको रूपमा व्यक्त गर्न सकिन्छ। हामी एसएसजीडीको अभिसरणको लागि पर्याप्त अवस्थाहरू स्थापना गर्दछौं स्टोकास्टिक अनुमान सिद्धान्त र पुनःप्राप्ति प्रक्रिया सिद्धान्तबाट परिणामहरू प्रयोग गरेर। त्यसपछि हामी एसएसजीडीलाई नयाँ म्याट्रिक्स-फ्याक्टरिजेसन एल्गोरिथ्म प्राप्त गर्नका लागि विशेषज्ञ बनाउँछौं, जसलाई डीएसजीडी भनिन्छ, जुन पूर्ण रूपमा वितरित गर्न सकिन्छ र वेब-स्केल डाटासेटमा चलाउन सकिन्छ, उदाहरणका लागि, म्यापरेड्यूस प्रयोग गरेर। डीएसजीडीले म्याट्रिक्स फ्याक्टराइजेशनको विस्तृत विविधतालाई सम्हाल्न सक्छ। हामी हाम्रो DSGD कार्यान्वयनमा प्रदर्शन अनुकूलन गर्न प्रयोग व्यावहारिक प्रविधिहरू वर्णन। प्रयोगहरूले सुझाव दिन्छ कि DSGD ले महत्त्वपूर्ण रूपमा छिटो कन्भर्जेन्स गर्दछ र वैकल्पिक एल्गोरिदमहरू भन्दा राम्रो स्केलेबिलिटी गुणहरू छन्। |
1109b663453e78a59e4f66446d71720ac58cec25 | हामी वर्गीकरण, स्थानीयकरण र पत्ता लगाउनका लागि कन्भोल्युसनल नेटवर्क प्रयोग गर्नका लागि एकीकृत ढाँचा प्रस्तुत गर्दछौं। हामी कसरी बहु-स्केल र स्लाइडिंग विन्डो दृष्टिकोण एक कन्भनेट भित्र कुशलतापूर्वक लागू गर्न सकिन्छ भनेर देखाउँदछौं। हामी स्थानीयकरणको लागि नयाँ गहिरो सिकाइ दृष्टिकोण पनि प्रस्तुत गर्दछौं वस्तुको सीमाहरूको भविष्यवाणी गर्न सिकेर। सीमांकन बक्सहरू त्यसपछि संचित हुन्छन् सट्टा दबाइएका छन् पत्ता लगाउने विश्वास बढाउनको लागि। हामीले देखाएका छौं कि एउटै साझा सञ्जाल प्रयोग गरेर विभिन्न कार्यहरू एकैसाथ सिक्न सकिन्छ। यो एकीकृत ढाँचा इमेजनेट लार्ज स्केल भिजुअल रिकग्निशन च्यालेन्ज २०१३ (आईएलएसवीआरसी २०१३) को स्थानीयकरण कार्यको विजेता हो र पत्ता लगाउने र वर्गीकरण कार्यहरूको लागि धेरै प्रतिस्पर्धी परिणामहरू प्राप्त गर्यो। प्रतियोगितापछिको काममा, हामी पत्ता लगाउने कार्यको लागि नयाँ कलाको स्थिति स्थापना गर्दछौं। अन्तमा, हामीले हाम्रो उत्कृष्ट मोडल ओभरफिटबाट एउटा फिचर एक्स्ट्रक्टर जारी गरेका छौं । |
062c1c1b3e280353242dd2fb3c46178b87cb5e46 | यस लेखमा हामी निरन्तर राज्य-कार्य स्थानहरूको साथ सुदृढीकरण सिकाउने समस्याहरू सम्बोधन गर्दछौं। हामी नयाँ एल्गोरिथ्म, tted प्राकृतिक अभिनेता-आलोचनात्मक (FNAC) प्रस्ताव गर्दछौं, जसले सामान्य प्रकार्य अनुमान र डाटा पुनः प्रयोगको लागि अनुमति दिन [1] मा काम विस्तार गर्दछ। हामी प्राकृतिक अभिनेता-आलोचनात्मक वास्तुकला [1] लाई महत्व नमूना प्रयोग गरेर tted मान पुनरावृत्ति को एक प्रकारको साथ संयोजन गर्दछौं। यस प्रकार प्राप्त विधिले दुबै दृष्टिकोणका आकर्षक सुविधाहरूलाई संयोजन गर्दछ जबकि उनीहरूको मुख्य कमजोरीहरूलाई पार गर्दछः ग्रेडियन्ट-आधारित अभिनेताको प्रयोगले निरन्तर कार्य-क्षेत्रहरूमा नीति अनुकूलनको साथ प्रतिगमन विधिहरूमा फेला परेका कठिनाइहरूलाई सजिलै पार गर्दछ; यसको बदलामा, प्रतिगमन-आधारित आलोचकको प्रयोगले डाटाको कुशल प्रयोगको लागि अनुमति दिन्छ र कन्भर्जेन्स समस्याहरूबाट बच्दछ जुन TD-आधारित आलोचकहरूले प्रायः प्रदर्शन गर्दछन्। हामी हाम्रो एल्गोरिथ्मको अभिसरण स्थापना गर्छौं र यसको अनुप्रयोगलाई सरल निरन्तर अन्तरिक्ष, निरन्तर कार्य समस्यामा चित्रण गर्छौं। |
f97f0902698abff8a2bc3488e8cca223e5c357a1 | सुविधा चयन डाटा-खानी र मेशिन-लर्निंग समस्याहरूको समाधानको एक महत्त्वपूर्ण पक्ष हो। यस कागजातले समर्थन भेक्टर मेसिन (एसभीएम) शिक्षाको लागि सुविधा-चयन विधि प्रस्ताव गर्दछ। अधिकांश विशेषता चयन विधिहरू जस्तै, प्रस्तावित विधिले सबै विशेषताहरूलाई महत्त्वको क्रममा क्रमबद्ध गर्दछ ताकि अधिक सान्दर्भिक विशेषताहरू पहिचान गर्न सकिन्छ। यसले एसवीएमको सम्भावित आउटपुटमा आधारित नयाँ मापदण्ड प्रयोग गर्दछ। यो मापदण्ड, जसलाई विशेषतामा आधारित संवेदनशीलता पछाडि सम्भावनाहरू (एफएसपीपी) भनिन्छ, विशेषताको साथ र बिना एसवीएमको सम्भावित आउटपुटको निरपेक्ष भिन्नताको विशेषता अन्तरिक्षमा कुल मान गणना गरेर विशिष्ट विशेषताको महत्त्वको मूल्यांकन गर्दछ। यो मापदण्डको सही रूप सजिलै संगणनीय छैन र अनुमान आवश्यक छ। यस उद्देश्यका लागि चार समीकरणहरू प्रस्ताव गरिएको छ, FSPP1-FSPP4, पहिलो दुई अनुमानहरू प्रशिक्षण डेटाको नमूनाहरू बीच सुविधाको मानहरू अनियमित रूपमा permuting द्वारा मापदण्डको मूल्यांकन गर्दछ। तिनीहरू मानक एसवीएम आउटपुटबाट यसको सम्भावित आउटपुटमा म्यापि function्ग प्रकार्यको छनौटमा भिन्न हुन्छन्ः एफएसपीपी १ ले साधारण थ्रेसहोल्ड प्रकार्य प्रयोग गर्दछ जबकि एफएसपीपी २ ले सिग्मोइड प्रकार्य प्रयोग गर्दछ। दोस्रो दुई प्रत्यक्ष मापदण्ड नजिक छन् तर विशेषताहरु को सम्बन्ध मा मापदण्ड को चिकनाई को धारणा मा फरक छन्। यी अनुमानहरूको प्रदर्शन, एक समग्र सुविधा-चयन योजनामा प्रयोग गरिएको, त्यसपछि विभिन्न कृत्रिम समस्याहरू र वास्तविक संसारका समस्याहरूमा मूल्याङ्कन गरिएको छ, जसमा हालैको न्यूरल सूचना प्रोसेसिंग सिस्टम (एनआईपीएस) सुविधा चयन प्रतियोगिताबाट डाटासेटहरू समावेश छन्। एफएसपीपी-१-३ ले राम्रो प्रदर्शन देखाउँछ र एफएसपीपी-२ सामान्यतया राम्रो प्रदर्शन गर्दछ। एफएसपीपी २ को प्रदर्शन हामीले परीक्षण गरेका डाटासेटमा साहित्यमा केहि उत्तम प्रदर्शन गर्ने सुविधा-छनौट विधिहरूसँग प्रतिस्पर्धी छ। यसको सम्बन्धित गणनाहरू नम्र छन् र यसैले यो एसवीएम अनुप्रयोगहरूको लागि सुविधा-चयन विधिको रूपमा उपयुक्त छ। |
a1c5a6438d3591819e730d8aecb776a52130c33d | एक कम्प्याक्ट माइक्रोस्ट्रिप लोपास फिल्टर (एलपीएफ) अल्ट्रा-विस्तृत स्टपब्यान्डको साथ रूपान्तरित स्टेप्ड इम्प्याडन्स हेयरपिन रेजोनेटर प्रयोग गरेर प्रस्ताव गरिएको छ। यो रेजोनेटर एक स्टेप्ड इम्प्याडेन्स हेयरपिन रेजोनेटर र एक इम्बेडेड हेक्सागोन स्टब लोड गरिएको कपल्ड-लाइन संरचनाबाट बनेको छ। आकार बढाउन बिना, एम्बेडेड संरचना एक व्यापक स्टपब्यान्ड प्राप्त गर्न परिचय गरिएको छ। एक प्रोटोटाइप एलपीएफ सिमुलेटेड, निर्मित र मापन गरिएको छ, र मापन सिमुलेशन संग राम्रो सम्झौतामा छन्। यो फिल्टरमा १२.०१ एफसी सम्मको अल्ट्रा वाइड स्टप ब्यान्ड र १४ डीबीको रिजेक्शन लेभल छ । यसका अतिरिक्त प्रस्तावित फिल्टरको आकार ०.०७१λg × ०.१०३λg छ, जहाँ λg १.४५ गीगाहर्जको कटुअफ फ्रिक्वेन्सीमा वेभगाइडको लम्बाइ हो। |
70d2d4b07b5c65ef4866c7fd61f9620bffa01e29 | विगत एक दशकदेखि जलवायु परिवर्तन र वर्षा अनियमित छ। यस कारण हालैका समयमा धेरै भारतीय किसानहरूले जलवायु-स्मार्ट विधिहरू अपनाएका छन् जसलाई स्मार्ट कृषि भनिन्छ। स्मार्ट कृषि भनेको स्वचालित र निर्देशित सूचना प्रविधि हो जुन आईओटी (इन्टरनेट अफ थिंग्स) को साथ लागू गरिएको छ। इन्टरनेट अफ थिंग्स (आईओटी) तीव्र गतिमा विकास भइरहेको छ र यसको प्रयोग सबै प्रकारका वायरलेस वातावरणमा व्यापक रूपमा भइरहेको छ। यस लेखमा कृषि प्रणालीको वास्तविक स्थितिको आधारमा सेन्सर टेक्नोलोजी र आईओटी टेक्नोलोजीको वायरलेस नेटवर्कको एकीकरणको अध्ययन र समीक्षा गरिएको छ। इन्टरनेट र वायरलेस संचारको संयोजनमा रिमोट मोनिटरिङ सिस्टम (आरएमएस) को प्रस्ताव गरिएको छ। कृषि उत्पादनको वास्तविक समयको तथ्याङ्क संकलन गर्ने प्रमुख उद्देश्य छ जसले कृषि सुविधाहरूको लागि सहज पहुँच प्रदान गर्दछ जस्तै छोटो मालिश सेवा (एसएमएस) मार्फत सतर्कता र मौसम ढाँचा, बाली आदिमा सल्लाह। |
ea88b58158395aefbb27f4706a18dfa2fd7daa89 | अनलाइन सामाजिक सञ्जाल (ओएसएन) मा धेरै व्यक्तिले आफ्नो कुरा सार्वजनिक गरे पनि यसको कारणबारे अझै पनि धेरैलाई थाहा छैन। गोपनीयता क्याल्कुलस सिद्धान्तमा आधारित, यो अध्ययनले व्यक्तिगत स्व-प्रकटीकरण निर्णयहरूको पछाडि कारकहरूलाई नजिकबाट हेरेर यो खाडल पूरा गर्दछ। २३७ जनाको संरचनात्मक समीकरण मोडेलमा हामीले सूचनाको खुलासाको महत्वपूर्ण निर्धारकको रूपमा अनुभव गरिएको आनन्द र गोपनीयता चिन्ताहरू फेला पारेका छौं। हामी पुष्टि गर्छौं कि ओएसएन प्रयोगकर्ताहरूको गोपनीयता चिन्ताहरू मुख्यतया गोपनीयता उल्लङ्घनको कथित सम्भावना र अपेक्षित क्षतिबाट कम निर्धारण गरिन्छ। यी अन्तर्दृष्टिहरूले ओएसएन प्रदायकहरू र नीति निर्माताहरूलाई उनीहरूको प्रयासमा स्वस्थ खुलासा स्तरहरू सुनिश्चित गर्न ठोस आधार प्रदान गर्दछ जुन व्यक्तिपरक गलत धारणाको सट्टा उद्देश्य तर्कमा आधारित हुन्छ। |
9dbfcf610da740396b2b9fd75c7032f0b94896d7 | डाटाबेस व्यवस्थापन प्रणाली (डीबीएमएस) सँग अन्तरक्रिया गर्ने अनुप्रयोगहरू सर्वव्यापी छन्। यस्ता डाटाबेस अनुप्रयोगहरू सामान्यतया एउटा अनुप्रयोग सर्भरमा होस्ट गरिन्छ र डाटा प्रोसेसिंगका लागि डाटा पुनः प्राप्त गर्न डाटाबेस सर्भरमा होस्ट गरिएको DBMS मा नेटवर्कमा धेरै साना पहुँचहरू प्रदर्शन गर्दछ। दशकौंदेखि डाटाबेस र प्रोग्रामिङ सिस्टम अनुसन्धान समुदायले यस्ता अनुप्रयोगहरूलाई विभिन्न दृष्टिकोणबाट अनुकूलित गर्ने काम गरेका छन्: डाटाबेस अनुसन्धानकर्ताहरूले अत्यधिक कुशल डीबीएमएस निर्माण गरेका छन्, र प्रोग्रामिङ सिस्टम अनुसन्धानकर्ताहरूले विशेष कम्पाइलरहरू र अनुप्रयोगहरू होस्टिंगका लागि रनटाइम प्रणालीहरू विकास गरेका छन्। यद्यपि, त्यहाँ अपेक्षाकृत थोरै काम भएको छ जुन डाटाबेस अनुप्रयोगहरूलाई अनुकूलन गर्दछ यी विशेष प्रणालीहरूलाई संयोजनमा विचार गरेर र अनुकूलन अवसरहरू खोज्दै जुन तिनीहरू भर पर्दछ। यस लेखमा, हामी तीन परियोजनाहरू हाइलाइट गर्दछौं जसले प्रोग्रामिंग प्रणाली र DBMS दुवैलाई समग्र तरिकामा हेरेर डाटाबेस अनुप्रयोगहरूलाई अनुकूलित गर्दछ। DBMS र अनुप्रयोग बीचको इन्टरफेसलाई ध्यानपूर्वक पुनः अवलोकन गरेर, र घोषणात्मक डाटाबेस अप्टिमाइजेसन र आधुनिक कार्यक्रम विश्लेषण प्रविधिहरूको मिश्रण लागू गरेर, हामी देखाउँछौं कि वास्तविक विश्व अनुप्रयोगहरूमा परिमाणको बहु आदेशहरूको गति सम्भव छ। |
fdc3948f5fec24eb7cd4178aee9732ab284f1f1c | यस कागजातमा डब्ल्यूडब्ल्यूएएन/एलटीई धातु-रिम्ड स्मार्टफोन अनुप्रयोगहरूको लागि हाइब्रिड बहु-मोड साँघुरो फ्रेम एन्टेना प्रस्ताव गरिएको छ। ग्राउन्ड क्लियरेंस केवल ५ मिमी × ४५ मिमी छ, जुन साँघुरो फ्रेम स्मार्टफोनका लागि आशाजनक छ। सानो अन्तर भएको धातुको रिम तीनवटा ग्राउन्ड प्याचद्वारा सिस्टम ग्राउन्डसँग जोडिएको छ। यो प्रस्तावित एन्टेनाले तीनवटा जोडिएको-लूप मोड र एउटा स्लट मोड उत्तेजित गर्न सक्छ। यी चार मोड समावेश गरेर, प्रस्तावित एन्टेनाले जीएसएम८५०/९००, डीसीएस/पीसीएस/यूएमटीएस२१०० र एलटीई२३००/२५०० अपरेसनहरूको लागि कभरेज प्रदान गर्न सक्छ। प्रस्तावित एन्टेनाको विस्तृत डिजाइन विचारहरू वर्णन गरिएको छ, र दुवै प्रयोगात्मक र अनुकरण परिणामहरू पनि प्रस्तुत गरिएको छ। |
021f37e9da69ea46fba9d2bf4e7ca3e8ba7b3448 | अल्ट्रा वाइडब्यान्ड सौर्य भिभाल्डी एन्टेना प्रस्ताव गरिएको छ। यो एमोर्फस सिलिकन सेलबाट काटिएको छ, यसले ४.२५ भोल्टमा चोटीको शक्ति कायम राख्छ, जसले हानियुक्त पावर व्यवस्थापन कम्पोनेन्टहरूको आवश्यकतालाई हटाउँछ। ताररहित सञ्चार उपकरणले सौर्य ऊर्जा उत्पादन गर्न सक्छ वा दोहोरो स्रोत ऊर्जा संकलनको लागि रेक्टिनाको रूपमा कार्य गर्न सक्छ। सौर्य भिभल्डीले ०.९५-२.४५ गीगाहर्जबाट ०.५-२.८ डीबीआई लाभको साथ प्रदर्शन गर्दछ, र रेक्टेन मोडमा, यसले वायरलेस उर्जा स्केभिंगका लागि तीन ब्यान्डहरू कभर गर्दछ। |
592a6d781309423ceb95502e92e577ef5656de0d | मेसिन अनुवादको न्यूरल एन्कोडर-डेकोडर मोडेलले परम्परागत अनुवाद मोडेलहरूको प्रतिद्वन्द्वी प्रभावशाली परिणामहरू प्राप्त गरेको छ। तर, उनीहरूको मोडलिङ फारमुलेसन अति सरलीकृत छ र यसले परम्परागत मोडेलमा समावेश गरिएका धेरै प्रमुख प्रेरक पूर्वाग्रहहरूलाई हटाउँछ। यस लेखमा हामी ध्यान केन्द्रित न्यूरल अनुवाद मोडेललाई शब्द आधारित पङ्क्तिबद्ध मोडेलहरूबाट संरचनात्मक पूर्वाग्रहहरू समावेश गर्न विस्तार गर्दछौं, जसमा स्थितिको पूर्वाग्रह, मार्कोभ कन्डिसन, प्रजनन क्षमता र अनुवाद दिशाहरूमा सम्झौता समावेश छ। हामीले आधारभूत ध्यान मोडेल र मानक वाक्यांशमा आधारित मोडेलमा सुधार देखाएका छौं, धेरै भाषाका जोडीहरूमा, कम स्रोतको सेटिङमा कठिन भाषाहरूमा मूल्यांकन गर्दै। |
9ebe089caca6d78ff525856c7a828884724b9039 | बेयसियन दृष्टिकोणले प्रबलित शिक्षामा अन्वेषण र शोषणको व्यापार-अफको सिद्धान्तगत समाधान प्रदान गर्दछ। तर, सामान्य दृष्टिकोणले पूर्ण रूपमा अवलोकनयोग्य वातावरण वा खराब मापनको आधारमा काम गर्दछ। यस कार्यले कारक बेय-अनुकूली POMDP मोडेलको परिचय दिन्छ, एक ढाँचा जसले आंशिक अवलोकन योग्य प्रणालीहरूमा गतिशीलता सिक्ने क्रममा अन्तर्निहित संरचनाको शोषण गर्न सक्षम छ। हामी पनि एक विश्वास ट्र्याकिङ विधि राज्य र मोडेल चर भन्दा संयुक्त पछाडि अनुमान गर्न, र Monte-कार्लो ट्री खोज समाधान विधि को एक अनुकूलन, जो सँगै लगभग-उत्तम आधारभूत समस्या समाधान गर्न सक्षम छन्। हाम्रो विधिले प्रभावकारी रूपमा सिक्न सक्छ ज्ञात कारककरण दिइएको छ वा एकै समयमा कारककरण र मोडेल प्यारामिटरहरू पनि सिक्न सक्छ। हामीले यो देखाएका छौं कि यो दृष्टिकोणले हालको विधिहरू भन्दा राम्रो प्रदर्शन गर्न सक्छ र समस्याहरू समाधान गर्न सक्छ जुन पहिले असम्भव थियो। |
b3a18280f63844e2178d8f82bc369fcf3ae6d161 | शब्द सम्मिलन एक लोकप्रिय ढाँचा हो जसले पाठ डेटालाई वास्तविक संख्याहरूको भेक्टरको रूपमा प्रतिनिधित्व गर्दछ। यी भेक्टरहरूले भाषामा अर्थशास्त्रलाई कब्जा गर्दछन्, र विभिन्न प्रकारका प्राकृतिक भाषा प्रसंस्करण र मेशिन शिक्षा अनुप्रयोगहरूमा प्रयोग गरिन्छ। यी उपयोगी गुणहरूको बावजुद, साधारण भाषाको कर्पोराबाट व्युत्पन्न शब्द एम्बेडिंगले आवश्यक रूपमा मानव पूर्वाग्रह प्रदर्शन गर्दछ। हामी ग्लोभ शब्द इम्बेडिङ एल्गोरिथ्म [9] द्वारा उत्पादित व्यवसाय शब्द भेक्टरहरूको लागि प्रत्यक्ष र अप्रत्यक्ष लि gender्ग पूर्वाग्रह मापन गर्दछौं, त्यसपछि यस एल्गोरिथ्मलाई कम पूर्वाग्रहको साथ इम्बेडिङ उत्पादन गर्न परिमार्जन गर्दछौं यस इम्बेडिङको उपयोग गरेर डाउनस्ट्रीम अनुप्रयोगहरूमा पूर्वाग्रहलाई प्रवर्धन गर्न। |
08a6e999532544e83618c16a96f6d4c7356bc140 | |
0c35a65a99af8202fe966c5e7bee00dea7cfcbf8 | यस लेखमा एक स्वतः नाम, अन्तरक्रियात्मक टूर-मार्गदर्शक रोबोटको सफ्टवेयर वास्तुकलाको वर्णन गरिएको छ। यसले एक मोड्युलर र वितरित सफ्टवेयर आर्किटेक्चर प्रस्तुत गर्दछ, जसले स्थानीयकरण, म्यापिङ, टकरावबाट बच्ने, योजना र प्रयोगकर्ता अन्तरक्रिया र वेब-आधारित टेलिप्रेसेन्ससँग सम्बन्धित विभिन्न मोड्युलहरू एकीकृत गर्दछ। यसको मूलमा, s oftware दृष्टिकोण सम्भावित गणना, अनलाइन शिक्षा, र कुनै पनि समयको एल्गोरिदममा निर्भर गर्दछ। यसले रोबोटलाई सुरक्षित, भरपर्दो र उच्च गतिमा अत्यधिक गतिशील वातावरणमा सञ्चालन गर्न सक्षम बनाउँछ र रोबोटको कार्यलाई सहयोग गर्न वातावरणमा कुनै परिमार्जनको आवश्यकता पर्दैन। मानिसको अन्तर्ज्ञानलाई आकर्षित गर्ने खालका अन्तरक्रियात्मक क्षमताको डिजाइनमा विशेष जोड दिइएको छ। इन्टरफेसले सार्वजनिक स्थानहरूमा मानिसहरूको भीडसँग मानव-रोबोट अन्तरक्रियाको लागि नयाँ माध्यम प्रदान गर्दछ, र यसले विश्वभरका मानिसहरूलाई वेब प्रयोग गरेर "भर्चुअल टेलिप्रेसेन्स" स्थापना गर्ने क्षमता प्रदान गर्दछ। हाम्रो दृष्टिकोणको उदाहरणको रूपमा, सन् १९९७ को मध्यमा प्राप्त परिणामहरू प्रस्तुत गरिएको छ, जब हाम्रो रोबोट रिनो लाई घना बस्ती भएको संग्रहालयमा ६ दिनको लागि प्रयोग गरिएको थियो। अनुभवजन्य परिणामहरूले सार्वजनिक वातावरणमा विश्वसनीय सञ्चालन प्रदर्शन गर्दछ। रोबोटले संग्रहालयको दर्शकको ध्यान ५० प्रतिशतभन्दा बढी बढाउन सफल भएको छ। यसका अतिरिक्त, संसारभरि हजारौं मानिसहरूले वेबको माध्यमबाट रोबोटलाई नियन्त्रण गरे। हामी अनुमान गर्छौं कि यी नवीनताहरू सेवा रोबोटहरूको लागि धेरै ठूलो अनुप्रयोग डोमेनमा पार गर्दछन्। |
66479c2251088dae51c228341c26164f21250593 | |
2c521847f2c6801d8219a1a2e9f4e196798dd07d | |
c0e97ca70fe29db4ceb834464576b699ef8874b1 | यस पत्रमा दीर्घकालीन त्रि-आयामिक (3-डी) लिडर डाटाबाट सिकिएको एक उपन्यास अर्थपूर्ण मानचित्रण दृष्टिकोण, रिकर्सिभ-ओक्टोम्याप प्रस्तुत गरिएको छ। धेरै जसो अवस्थित अर्थपूर्ण नक्शा दृष्टिकोणहरू अर्थपूर्ण नक्साको 3-डी परिष्कृत भन्दा एकल फ्रेमहरूको अर्थपूर्ण समझ सुधार गर्नमा केन्द्रित हुन्छन् (उदाहरणका लागि, अर्थपूर्ण अवलोकनहरूको मिश्रण) । ३-डी अर्थिक नक्सा परिष्कृत गर्नका लागि सबैभन्दा व्यापक रूपमा प्रयोग गरिएको दृष्टिकोण हो बेज अपडेट, जसले मार्कोभ-चेन मोडेल पछ्याउँदै लगातार भविष्यवाणी सम्भावनाहरूलाई फ्यूज गर्दछ। यसको सट्टामा, हामी वर्गीकरणकर्ताबाट भविष्यवाणीहरू मात्र मिलाउनुको सट्टा अर्थपूर्ण विशेषताहरू फ्यूज गर्न सिकाउने दृष्टिकोण प्रस्ताव गर्दछौं। हाम्रो दृष्टिकोणमा, हामी हाम्रो ३-डी नक्सालाई ओक्टोम्यापको रूपमा प्रतिनिधित्व गर्छौं र त्यसलाई कायम राख्छौं, र प्रत्येक कोषलाई पुनरावर्ती न्यूरल नेटवर्कको रूपमा मोडेल गर्छौं, पुनरावर्ती-ओक्टोम्याप प्राप्त गर्नका लागि। यस अवस्थामा, अर्थिक नक्साङ्कन प्रक्रियालाई अनुक्रम-देखि-अनुक्रम सङ्केतन-डिकोडिङ समस्याको रूपमा तयार गर्न सकिन्छ। यसबाहेक, हाम्रो पुनरावर्ती-ओक्टोम्यापमा अवलोकनको अवधि विस्तार गर्न, हामीले एक बलियो ३-डी स्थानीयकरण र म्यापिङ प्रणाली विकास गरेका छौं क्रमिक रूपमा गतिशील वातावरण म्यापिङ गर्नका लागि दुई हप्ता भन्दा बढी डाटा प्रयोग गरेर, र प्रणालीलाई प्रशिक्षित गर्न सकिन्छ र मनमानी मेमोरी लम्बाइको साथ तैनाथ गर्न सकिन्छ। हामीले ईटीएचको दीर्घकालीन ३-डी लिडर डाटासेटमा हाम्रो दृष्टिकोणलाई प्रमाणित गरेका छौं। प्रयोगात्मक नतिजाले हाम्रो प्रस्तावित दृष्टिकोणले परम्परागत बेयज अपडेट दृष्टिकोणलाई पार गर्छ भन्ने देखाउँछ। |
1d3ddcefe4d5fefca04fe730ca73312e2c588b3b | विद्यार्थीहरूको सङ्ख्या कायम राख्नु धेरै भर्ना व्यवस्थापन प्रणालीहरूको एउटा महत्त्वपूर्ण भाग हो। विश्व विद्यालयको दर्जा, विद्यालयको प्रतिष्ठा र आर्थिक अवस्था उच्च शिक्षा संस्थाहरूमा निर्णय लिनेहरूको लागि विद्यार्थीहरूको प्रतिधारण सबैभन्दा महत्त्वपूर्ण प्राथमिकताहरूमध्ये एक भएको छ। विद्यार्थीलाई पढाउन छोड्नुको कारणबारे राम्रोसँग बुझ्न आवश्यक छ। यस्तो समझदारी जोखिममा रहेका विद्यार्थीहरूको सही पूर्वानुमान गर्न र तिनीहरूलाई कायम राख्न उचित हस्तक्षेपको आधार हो। यस अध्ययनमा, पाँच वर्षको संस्थागत डेटाको प्रयोग गरेर र विभिन्न डाटा माइनिङ प्रविधिहरू (व्यक्तिगत र समूह दुवै) को प्रयोग गरेर हामीले विश्लेषणात्मक मोडेलहरू विकास गर्यौं जसले नयाँ विद्यार्थीहरूको घट्ने कारणको भविष्यवाणी गर्न र व्याख्या गर्न सक्छ। तुलनात्मक विश्लेषणका परिणामहरूले देखाए कि समूहले व्यक्तिगत मोडेलहरू भन्दा राम्रो प्रदर्शन गरे, जबकि सन्तुलित डाटासेटले असंतुलित डाटासेटको तुलनामा राम्रो पूर्वानुमान परिणामहरू उत्पादन गर्यो। खरीद निर्यातको संवेदनशीलता विश्लेषण अघिल्लो लेख अर्को लेख जाँच गर्नुहोस् कि तपाईंसँग लगइन क्रेडेन्शियल वा तपाईंको संस्था मार्फत पहुँच छ कि छैन। |
1b3b22b95ab55853aff3ea980a5b4a76b7537980 | निरन्तर विशेषताहरू भएका डोमेनहरूमा C4.5 को रिपोर्ट गरिएको कमजोरीलाई निरन्तर विशेषताहरूमा परीक्षणहरूको गठन र मूल्यांकनलाई परिमार्जन गरेर सम्बोधन गरिएको छ। एमडीएल-प्रेरित दण्ड यस्तो परीक्षणहरूमा लागू हुन्छ, केहीलाई विचारबाट हटाएर र सबै परीक्षणहरूको सापेक्षिक इच्छालाई परिवर्तन गर्दै। अनुभवजन्य परीक्षणहरूले देखाउँछ कि परिमार्जनहरूले उच्च पूर्वानुमान सटीकताका साथ साना निर्णय रूखहरू निम्त्याउँछ। परिणामहरूले पनि पुष्टि गर्दछ कि यी परिवर्तनहरू समावेश गर्ने सी.४.५ को नयाँ संस्करण ग्लोबल डिस्क्रेटिजेसन प्रयोग गर्ने र बहु-अवधि विभाजनको साथ साना रूखहरू निर्माण गर्ने भर्खरका दृष्टिकोणहरू भन्दा उच्च छ। |
1060ff9852dc12e05ec44bee7268efdc76f7535d | यसको मुख्य विचार भनेको, इनपुट जोडी (I, J) बीचको प्रवाहलाई सिधै गणना गर्नुको सट्टा, हामी छविहरूको संस्करणहरू (I , J ) गणना गर्छौं जसमा अनुहारको भाव र मुद्रा सामान्य हुन्छ जबकि प्रकाश संरक्षण हुन्छ। यो प्रत्येक फोटोलाई पूर्ण फोटो संग्रहबाट बनेको उपस्थिति उप-स्थानमा पुनरावृत्तिपूर्वक प्रक्षेपण गरेर प्राप्त गरिन्छ। इच्छित प्रवाह प्रवाहको संयोजनको माध्यमबाट प्राप्त हुन्छ (I → I ) o (J → J) । हाम्रो दृष्टिकोण कुनै पनि दुई फ्रेम अप्टिकल प्रवाह एल्गोरिथ्मको साथ प्रयोग गर्न सकिन्छ, र प्रकाश र आकार परिवर्तनमा अपरिवर्तनीयता प्रदान गरेर एल्गोरिथ्मको प्रदर्शनलाई उल्लेखनीय रूपमा बढाउँदछ। प्रकाश, मुद्रा र ज्यामितिमा भिन्नताका कारण इन्टरनेट अनुहार फोटोहरूको कुनै पनि जोडी बीचको अप्टिकल प्रवाहको गणना सबैभन्दा हालको कला प्रवाह अनुमान विधिहरूको लागि चुनौतीपूर्ण छ। हामी देखाउँछौं कि प्रवाह अनुमानलाई नाटकीय रूपमा सुधार गर्न सकिन्छ उही (वा समान) वस्तुको ठूलो फोटो संग्रहको लाभ उठाएर। विशेष गरी, गुगल इमेज सर्चबाट एक सेलिब्रेटीको फोटोको मामलालाई विचार गर्नुहोस्। कुनै पनि दुई यस्ता फोटोहरू फरक अनुहार अभिव्यक्ति, प्रकाश र अनुहार अभिमुखीकरण हुन सक्छ। |
823964b144009f7c395cd09de9a70fe06542cc84 | विश्वभर विद्युत् उत्पादनमा ठूलो परिवर्तन भइरहेको छ किनकि हरितगृह ग्यास उत्सर्जन घटाउनु र मिश्रित ऊर्जा स्रोतहरू प्रयोग गर्नु आवश्यक छ। विद्युत सञ्जालले अप्रत्याशित दैनिक र मौसमी परिवर्तनका साथ माग पूरा गर्न प्रसारण र वितरणमा ठूलो चुनौतीहरूको सामना गर्नुपर्दछ। विद्युतीय ऊर्जा भण्डारण (ईईएस) लाई यी चुनौतीहरूको सामना गर्न ठूलो सम्भावना भएको आधारभूत प्रविधिहरूको रूपमा मान्यता दिइएको छ, जसमा ऊर्जा प्रयोग गरिएको टेक्नोलोजी अनुसार एक निश्चित राज्यमा भण्डारण गरिन्छ र आवश्यक भएमा विद्युतीय ऊर्जामा रूपान्तरण हुन्छ। तर, विकल्पको विस्तृत विविधता र जटिल विशेषता म्याट्रिक्सले कुनै विशेष अनुप्रयोगको लागि विशिष्ट EES प्रविधिको मूल्यांकन गर्न कठिन बनाउँछ। यस कागजातले विद्युत उत्पादन र वितरण प्रणालीमा एकीकृत गर्नका लागि उपयुक्त हुने अत्याधुनिक प्रविधिहरूको विस्तृत र स्पष्ट चित्र प्रदान गरेर यो समस्यालाई कम गर्ने उद्देश्य राख्दछ। यस कागजातले सञ्चालन सिद्धान्त, प्राविधिक र आर्थिक प्रदर्शन विशेषताहरू र हालको अनुसन्धान र महत्त्वपूर्ण ईईएस टेक्नोलोजीहरूको विकासको अवलोकनको साथ सुरू गर्दछ, भण्डारण गरिएको उर्जाको प्रकारको आधारमा छ मुख्य कोटीहरूमा क्रमबद्ध। यसपछि, समीक्षा गरिएका प्रविधिहरूको विस्तृत तुलना र अनुप्रयोग सम्भावित विश्लेषण प्रस्तुत गरिएको छ। २०१४ द अाउथर्स। एल्सेभियर लिमिटेडद्वारा प्रकाशित यो लेख CC BY लाइसेन्स (http://creativecommons.org/licenses/by/3.0/) अन्तर्गत खुला पहुँचमा छ। |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.