_id
stringlengths 40
40
| text
stringlengths 0
9.6k
|
|---|---|
98aa1650071dd259f45742dae4b97ef13a9de08a | |
2105d6e014290cd0fd093479cc32cece51477a5a | ଆଙ୍ଗୁଠିର ଚିହ୍ନଟ ପାଇଁ ଏକ ବିଶାଳ ଡାଟାବେସରୁ ଅସମ୍ପୂର୍ଣ୍ଣ କିମ୍ବା ଆଂଶିକ ଆଙ୍ଗୁଠିର ଚିହ୍ନଟ ଆଜି ମଧ୍ୟ ଏକ କଠିନ ଆହ୍ୱାନ ହୋଇ ରହିଛି । ଆଂଶିକ ଆଙ୍ଗୁଠିର ଚିହ୍ନ ଉପରେ ବର୍ତ୍ତମାନର ଅଧ୍ୟୟନଗୁଡ଼ିକ ସ୍ଥାନୀୟ କମ୍ବଳର ବିବରଣୀ ବ୍ୟବହାର କରି ଏକ-ଏକ ମେଳ ଉପରେ ଧ୍ୟାନ ଦେଇଥାଏ । ଏହି ଲେଖାରେ ଆମେ ଆଂଶିକ ଆଙ୍ଗୁଠି ଚିହ୍ନର ମେଳ ପାଇଁ ବିଶ୍ୱସ୍ତରୀୟ ଟପୋଲୋଜିକାଲ ବିଶେଷତ୍ୱର ଉପଯୋଗ କରି ପ୍ରାର୍ଥୀ ତାଲିକାକୁ ପୁନରୁଦ୍ଧାର କରିବାର ସମସ୍ୟା ଉପରେ ଗବେଷଣା କରିଛୁ । ବିଶେଷକରି, ଆମେ ଆଂଶିକ ଆଙ୍ଗୁଠି ଛାପରୁ ବିଶ୍ୱ ଟପୋଲୋଜି ପ୍ରତିନିଧିତ୍ୱକୁ ପୁନଃନିର୍ମାଣ କରିବା ପାଇଁ ଏକ ବିଶ୍ଳେଷଣାତ୍ମକ ଆଭିମୁଖ୍ୟ ପ୍ରସ୍ତାବିତ କରୁଛୁ । ପ୍ରଥମେ, ଆମେ ପୁନଃନିର୍ମାଣ ସମସ୍ୟାକୁ ବର୍ଣ୍ଣନା କରିବା ପାଇଁ ଏକ ବିପରୀତ ଦିଗନିର୍ଦ୍ଦେଶ ମଡେଲ ଉପସ୍ଥାପନ କରୁ । ତାପରେ, ଆମେ ଇନଭର୍ସ ମଡେଲର ସମସ୍ତ ବୈଧ ସମାଧାନ ପାଇଁ ଏକ ସାଧାରଣ ଅଭିବ୍ୟକ୍ତି ପ୍ରଦାନ କରୁ. ଏହା ଆମକୁ ଅଜଣା ଅଂଶରେ ଥିବା ଢାଞ୍ଚା ଅନ୍ୱେଷଣ କରିବା ସମୟରେ ବର୍ତ୍ତମାନର ଅଂଶରେ ତଥ୍ୟ ବିଶ୍ୱସ୍ତତା ବଜାୟ ରଖିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ଆମେ ଆହୁରି ମଧ୍ୟ ରିଜ ଟପୋଲୋଜିର ବିଶେଷତ୍ୱର କିଛି ପ୍ରାଥମିକ ଜ୍ଞାନ ଉପରେ ଆଧାର କରି ନିଖୋଜ ଓରିଏଣ୍ଟେସନ ସଂରଚନାକୁ ଆକଳନ କରିବା ପାଇଁ ଆଲଗୋରିଦମ ବିକଶିତ କରିଛୁ । ଆମର ପରିସଂଖ୍ୟାନ ପରୀକ୍ଷଣରୁ ଜଣାପଡ଼ୁଛି ଯେ ଆମର ପ୍ରସ୍ତାବିତ ମଡେଲ ଆଧାରିତ ଆଭିମୁଖ୍ୟ ଦ୍ୱାରା ଦମ୍ପତି-ବୁଦ୍ଧିମାନ ଆଙ୍ଗୁଠି ଚିହ୍ନଟ ପାଇଁ ପ୍ରାର୍ଥୀମାନଙ୍କ ସଂଖ୍ୟା ହ୍ରାସ କରାଯାଇପାରିବ ଏବଂ ଆଙ୍ଗୁଠି ଚିହ୍ନଟ ପାଇଁ ସିଷ୍ଟମ ପୁନରୁଦ୍ଧାର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଯଥେଷ୍ଟ ଉନ୍ନତ କରାଯାଇପାରିବ । |
7b71acff127c9bc736185343221f05aac4768ac0 | ନିମ୍ନ ମାନର ମାଟ୍ରିକ୍ସର ପୁନରୁଦ୍ଧାର ବିଜ୍ଞାନ ଏବଂ ଇଞ୍ଜିନିୟରିଂର ଅନେକ କ୍ଷେତ୍ରରେ ନିକଟରେ ଉଲ୍ଲେଖନୀୟ କାର୍ଯ୍ୟକଳାପ ଦେଖିଛି, ସଠିକ୍ ପୁନଃନିର୍ମାଣ ଗ୍ୟାରେଣ୍ଟି ଏବଂ ଆକର୍ଷଣୀୟ ବ୍ୟବହାରିକ ପ୍ରୟୋଗ ପାଇଁ ସଦ୍ୟତମ ଥିଓରିକ ଫଳାଫଳ ଦ୍ୱାରା ଅନୁପ୍ରାଣିତ ହୋଇଛି । ଏହି ଲେଖାରେ ଆମେ ମେଟ୍ରିକ୍ସ ପୂର୍ଣ୍ଣତାରେ ନିମ୍ନ ମାନର ମାଟ୍ରିକ୍ସକୁ ଆକଳନ କରିବା ପାଇଁ ନୂଆ ରିକଭରି ଆଲଗୋରିଦମ ଏବଂ ବିରଳ ବେଜିଆନ ଶିକ୍ଷଣ (ଏସବିଏଲ) ସିଦ୍ଧାନ୍ତ ଉପରେ ଆଧାରିତ ଦୃଢ଼ ମୂଳ ଉପାଦାନ ବିଶ୍ଳେଷଣ ଉପସ୍ଥାପନ କରୁଛୁ । ଏକ ମାଟ୍ରିକ୍ସ ଫ୍ୟାକ୍ଟୋରିଜେସନ୍ ଫର୍ମୁଲେସନରୁ ଆରମ୍ଭ କରି ଏବଂ ନିମ୍ନ ମାନ୍ୟତା ପ୍ରତିବନ୍ଧକକୁ ଏକ ସ୍ପେସିଟି ପ୍ରତିବନ୍ଧକ ଭାବରେ ଆକଳନଗୁଡିକରେ ଲାଗୁ କରି, ଆମେ ଏକ ଆଭିମୁଖ୍ୟ ବିକଶିତ କରିଛୁ ଯାହା ଉଚ୍ଚ ପୁନରୁଦ୍ଧାର କାର୍ଯ୍ୟଦକ୍ଷତା ପ୍ରଦାନ କରିବାବେଳେ ସଠିକ୍ ମାନ୍ୟତା ନିର୍ଣ୍ଣୟ କରିବାରେ ଅତ୍ୟନ୍ତ ପ୍ରଭାବଶାଳୀ ଅଟେ । ଆମେ ଅନ୍ୟ ସମାନ ସମସ୍ୟାଗୁଡ଼ିକରେ ଥିବା ପ୍ରଚଳିତ ପଦ୍ଧତିଗୁଡ଼ିକ ସହିତ ସଂଯୋଗ ଏବଂ ଅନୁଭବୀ ଫଳାଫଳ ଏବଂ ବର୍ତ୍ତମାନର ଅତ୍ୟାଧୁନିକ ପଦ୍ଧତିଗୁଡ଼ିକ ସହିତ ତୁଳନା ପ୍ରଦାନ କରୁ ଯାହା ଏହି ପଦ୍ଧତିର ପ୍ରଭାବକୁ ଦର୍ଶାଏ । |
93ed6511a0ae5b13ccf445081ab829d415ca47df | ଲେବଲ ପ୍ରପାଗେସନ ଏକ ଶକ୍ତିଶାଳୀ ଏବଂ ନମନୀୟ ସେମି-ସୁପରଭାଇଜଡ ଲର୍ଣ୍ଣିଂ କୌଶଳ ଯାହା ଗ୍ରାଫରେ ବ୍ୟବହାର କରାଯାଇଥାଏ । ଅନ୍ୟପଟେ, ଅନେକ ନିରୀକ୍ଷିତ ଶିକ୍ଷଣ କାର୍ଯ୍ୟରେ ନ୍ୟୁରାଲ ନେଟୱାର୍କଗୁଡ଼ିକର ପ୍ରମାଣିତ ରେକର୍ଡ ରହିଛି । ଏହି କାର୍ଯ୍ୟରେ, ଆମେ ଏକ ପ୍ରଶିକ୍ଷଣ ଢାଞ୍ଚା ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହାର ଗ୍ରାଫ-ନିୟମିତ ଉଦ୍ଦେଶ୍ୟ, ଯଥା ନ୍ୟୁରାଲ ଗ୍ରାଫ ମେସିନ, ଯାହା ନ୍ୟୁରାଲ ନେଟୱାର୍କର ଶକ୍ତି ଏବଂ ଲେବଲ ପ୍ରଚାରକୁ ମିଶାଇପାରେ । ଏହି କାର୍ଯ୍ୟରେ ନ୍ୟୁରାଲ ନେଟୱାର୍କର ଗ୍ରାଫଫୁଗମେଣ୍ଟେଡ୍ ଟ୍ରେନିଂ ଉପରେ ପୂର୍ବ ସାହିତ୍ୟକୁ ସାଧାରଣକରଣ କରାଯାଇଛି, ଯାହାଦ୍ୱାରା ଏହାକୁ ଏକାଧିକ ନ୍ୟୁରାଲ ଆର୍କିଟେକଚର (ଫିଡ୍-ଫରୱାର୍ଡ ଏନଏନ୍, ସିଏନ୍ଏନ୍ ଏବଂ ଏଲ୍ଏସ୍ଟିଏମ୍ ଆରଏନ୍ଏନ୍) ଏବଂ ବିଭିନ୍ନ ପ୍ରକାରର ଗ୍ରାଫ୍ ଉପରେ ପ୍ରୟୋଗ କରାଯାଇପାରିବ । ନୂତନ ଲକ୍ଷ୍ୟ ନିଉରଲ ନେଟୱାର୍କକୁ ଉଭୟ ଲେବଲଯୁକ୍ତ ଏବଂ ଅଣଲେବଲଯୁକ୍ତ ତଥ୍ୟକୁ ବ୍ୟବହାର କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ: (କ) ନେଟୱାର୍କକୁ ସୁପରଭାଇଜଡ ସେଟିଂରେ ଲେବଲଯୁକ୍ତ ତଥ୍ୟ ବ୍ୟବହାର କରି ତାଲିମ ଦେବା ପାଇଁ ଅନୁମତି ଦେଇଥାଏ, (ଖ) ନେଟୱାର୍କକୁ ଏକ ଗ୍ରାଫରେ ପଡୋଶୀ ନୋଡଗୁଡିକ ପାଇଁ ସମାନ ଲୁକ୍କାୟିତ ପ୍ରତିନିଧିତ୍ୱ ଶିଖିବା ପାଇଁ ପକ୍ଷପାତ କରିଥାଏ, ଲେବଲ ପ୍ରସାର ପରି ସମାନ ଧାରାରେ _ ପ୍ରସ୍ତାବିତ ଲକ୍ଷ୍ୟ ସହିତ ଏପରି ସ୍ଥାପତ୍ୟକୁ ଷ୍ଟୋକାଷ୍ଟିକ୍ ଗ୍ରାଡିଏଣ୍ଟ ଅବତରଣ ବ୍ୟବହାର କରି ଦକ୍ଷତାର ସହିତ ପ୍ରଶିକ୍ଷଣ କରାଯାଇପାରିବ ଏବଂ ବଡ ଗ୍ରାଫରେ ମାପ କରାଯାଇପାରିବ, ଏକ ରନଟାଇମ୍ ସହିତ ଯାହା କଡ଼ଗୁଡ଼ିକର ସଂଖ୍ୟାରେ ରେଖୀ ଅଟେ । ପ୍ରସ୍ତାବିତ ମିଳିତ ତାଲିମ ପଦ୍ଧତି ବହୁବିଧ କାର୍ଯ୍ୟ (ସାମାଜିକ ଗ୍ରାଫରେ ବହୁ-ଲେବଲ୍ ବର୍ଗୀକରଣ, ସମ୍ବାଦ ବର୍ଗୀକରଣ, ଡକ୍ୟୁମେଣ୍ଟ ବର୍ଗୀକରଣ ଏବଂ ଅର୍ଥନୈତିକ ଉଦ୍ଦେଶ୍ୟ ବର୍ଗୀକରଣ) ଉପରେ ଅନେକ ବିଦ୍ୟମାନ ପଦ୍ଧତିକୁ କଭର କରେ । ଗୁଗୁଲରେ ଇଣ୍ଟର୍ଣ୍ଣସିପ୍ ସମୟରେ କରାଯାଇଥିବା କାମ । |
a32e74d41a066d3dad15b020cce36cc1e3170e49 | ଗ୍ରାଫିକଲ ମଡେଲ ଗୁଡିକ ଗ୍ରାଫ ଥିଓରୀ ଏବଂ ସମ୍ଭାବ୍ୟତା ଥିଓରୀ କୁ ଏକ ଶକ୍ତିଶାଳୀ ଫର୍ମାଲିଜିମରେ ଏକତ୍ରିତ କରି ମଲ୍ଟିଭାରିଏଟ ପରିସଂଖ୍ୟାନ ମଡେଲ ପାଇଁ ବ୍ୟବହାର କରାଯାଏ । ପରିସଂଖ୍ୟାନ ସୂଚକ ପ୍ରକ୍ରିୟାକରଣରେ-ଏବଂ ସଂଚାର ସିଦ୍ଧାନ୍ତ, ନିୟନ୍ତ୍ରଣ ସିଦ୍ଧାନ୍ତ ଏବଂ ଜୈବ ସୂଚନା ବିଜ୍ଞାନ ଭଳି ସମ୍ବନ୍ଧିତ କ୍ଷେତ୍ରରେ- ପରିସଂଖ୍ୟାନ ମଡେଲଗୁଡିକ ଦୀର୍ଘ ସମୟ ଧରି ଗ୍ରାଫଗୁଡିକର ପରିପ୍ରେକ୍ଷୀରେ ପ୍ରସ୍ତୁତ କରାଯାଇଛି, ଏବଂ ସମ୍ଭାବ୍ୟତା ଏବଂ ସୀମିତ ସମ୍ଭାବ୍ୟତା ପରି ମୌଳିକ ପରିସଂଖ୍ୟାନ ପରିମାଣର ଗଣନା ପାଇଁ ଆଲଗୋରିଦମଗୁଡିକ ଏହି ଗ୍ରାଫଗୁଡିକରେ କାର୍ଯ୍ୟ କରୁଥିବା ପୁନଃସକ୍ରିୟତା ପରିପ୍ରେକ୍ଷୀରେ ପ୍ରକାଶ କରାଯାଇଛି । ଉଦାହରଣ ସ୍ୱରୂପ ଲୁକ୍କାୟିତ ମାର୍କୋଭ ମଡେଲ, ମାର୍କୋଭ ରାଣ୍ଡମ ଫିଲ୍ଡ, ଫରୱାର୍ଡ ବ୍ୟାକୱାର୍ଡ ଆଲଗୋରିଦମ ଏବଂ କଲମ୍ୟାନ୍ ଫିଲ୍ଟରିଂ [ ରବିନର ଏବଂ ଜୁଆଙ୍ଗ (1993); ପର୍ଲ (1988); କୈଲାଥ ଏଟ ଅଲ. (2000) ] ରେ ପ୍ରକାଶିତ ହୋଇଥିଲା । ଏହି ଧାରଣା ଗୁଡିକୁ ଗ୍ରାଫିକଲ ମଡେଲର ଫର୍ମାଲିଜିମ ଭିତରେ ବୁଝି, ଏକୀକୃତ ଓ ସାଧାରଣ କରାଯାଇ ପାରିବ । ବାସ୍ତବରେ, ଗ୍ରାଫିକାଲ ମଡେଲଗୁଡ଼ିକ ଏହି କ୍ଲାସିକାଲ ଆର୍କିଟେକ୍ଚରଗୁଡ଼ିକ ଉପରେ ପରିବର୍ତ୍ତନ ଆଣିବା ପାଇଁ ଏବଂ ପରିସଂଖ୍ୟାନ ମଡେଲଗୁଡ଼ିକର ସମ୍ପୂର୍ଣ୍ଣ ନୂତନ ପରିବାରଗୁଡ଼ିକୁ ଅନୁସନ୍ଧାନ କରିବା ପାଇଁ ଏକ ପ୍ରାକୃତିକ ଢାଞ୍ଚା ପ୍ରଦାନ କରିଥାଏ । ଉପରୋକ୍ତ ରିକର୍ସିଭ୍ ଆଲଗୋରିଦମଗୁଡିକ ଏକ ସାଧାରଣ ରିକର୍ସିଭ୍ ଆଲଗୋରିଦମର ସମସ୍ତ ଉଦାହରଣ ଅଟେ ଯାହାକୁ ଜଙ୍କସନ୍ ଟ୍ରି ଆଲଗୋରିଦମ କୁହାଯାଏ [ଲାରିଜେନ ଏବଂ ସ୍ପୀଗେଲହାଲ୍ଟର,୧୯୮୮] । ଜଙ୍କସନ ଟ୍ରି ଆଲଗୋରିଦମ ଯୁଗ୍ମ ସମ୍ଭାବ୍ୟତା ବଣ୍ଟନର କାରକ ଗୁଣର ଲାଭ ଉଠାଇଥାଏ ଯାହାକି ଏକ ଗ୍ରାଫିକଲ ମଡେଲରେ ଅଭାବୀ କଡ଼ର ପ୍ୟାଟର୍ନ ଦ୍ୱାରା ଏନକୋଡ୍ ହୋଇଥାଏ । ଉପଯୁକ୍ତ ଭାବରେ ବିରଳ ଗ୍ରାଫ ପାଇଁ, ଜଙ୍କସନ ଟ୍ରି ଆଲଗୋରିଦମ ଏକ ଗ୍ରାଫିକଲ ମଡେଲ ସହିତ ଜଡିତ ସମ୍ଭାବ୍ୟତା ଏବଂ ଅନ୍ୟାନ୍ୟ ପରିସଂଖ୍ୟାନିକ ପରିମାଣର ସାଧାରଣ ସମସ୍ୟାର ଏକ ବ୍ୟବସ୍ଥିତ ଏବଂ ବ୍ୟବହାରିକ ସମାଧାନ ପ୍ରଦାନ କରିଥାଏ । ଦୁର୍ଭାଗ୍ୟବଶତଃ, ବ୍ୟବହାରିକ ରୁଚି ଥିବା ଅନେକ ଗ୍ରାଫିକାଲ ମଡେଲ "ସଠିକ ଭାବରେ ବିରଳ" ନୁହଁନ୍ତି, ତେଣୁ ଜଙ୍କସନ ଟ୍ରି ଆଲଗୋରିଦମ ଆଉ ସୀମିତ ସମ୍ଭାବନା ଏବଂ ଅନ୍ୟାନ୍ୟ ଆଶା ଗୁଡିକୁ ଗଣନା କରିବା ପାଇଁ ଏକ ସକ୍ଷମ ଗଣନା ସମାଧାନ ପ୍ରଦାନ କରେ ନାହିଁ । ଏହିପରି ମାମଲାଗୁଡ଼ିକର ମୁକାବିଲା କରିବା ପାଇଁ ଏକ ଲୋକପ୍ରିୟ ଉପାୟ ହେଉଛି ମାର୍କୋଭ୍ ଚେନ୍ ମଣ୍ଟେ କାର୍ଲୋ (ଏମ୍ସିଏମ୍ସି) ଫ୍ରେମୱାର୍କ, ଏବଂ ପ୍ରକୃତରେ ଏହି ବିଷୟରେ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ସାହିତ୍ୟ ଅଛି । |
1d16975402e5a35c7e33b9a97fa85c689f840ded | ଏହି ଲେଖାରେ ଆମେ LSHDB, ରେକର୍ଡ ସଂଯୋଗ ଏବଂ ସମାନତା ସନ୍ଧାନ ପାଇଁ ପ୍ରଥମ ସମାନ୍ତରାଳ ଏବଂ ବଣ୍ଟିତ ଇଞ୍ଜିନ୍ ଉପସ୍ଥାପନ କରୁଛୁ । LSHDB ଏକ ଅବଷ୍ଟ୍ରାକସନ୍ ଲେୟାର୍ କୁ ଲୁଚାଇଥାଏ ଯାହା ଲୋକାଲିଟି-ସେନସିଟିଭ୍ ହ୍ୟାସିଂ (ଉଚ୍ଚ ଆକାରରେ ସମାନ ଆଇଟମ୍ ଚିହ୍ନଟ ପାଇଁ ଏକ ଲୋକପ୍ରିୟ ପଦ୍ଧତି) ର ମେକାନିଜିମ୍ ଲୁଚାଇଥାଏ ଯାହା ମୂଳ ସମାନତା ସର୍ଚ୍ଚ ଇଞ୍ଜିନ୍ ଭାବରେ ବ୍ୟବହୃତ ହୁଏ । LSHDB ଇନପୁଟ୍ ଡାଟାରୁ ଉପଯୁକ୍ତ ଡାଟା ସଂରଚନା ସୃଷ୍ଟି କରିଥାଏ ଏବଂ ଏହି ସଂରଚନାକୁ ନୋଏସକ୍ୟୁଏଲ୍ ଇଞ୍ଜିନ ବ୍ୟବହାର କରି ଡିସ୍କରେ ସ୍ଥାୟୀ କରିଥାଏ । ଏହା ବଣ୍ଟିତ ପ୍ରଶ୍ନର ସମାନ୍ତରାଳ ପ୍ରକ୍ରିୟାକରଣକୁ ସମର୍ଥନ କରେ, ଏହା ଅତ୍ୟନ୍ତ ବିସ୍ତାରଯୋଗ୍ୟ ଏବଂ ବ୍ୟବହାର କରିବା ସହଜ ଅଟେ । ରେକର୍ଡ ଲିଙ୍କେଜ୍ (ଏବଂ ଗୋପନୀୟତା-ସଂରକ୍ଷଣ ରେକର୍ଡ ଲିଙ୍କେଜ୍) କାର୍ଯ୍ୟଗୁଡିକ ପରିପ୍ରେକ୍ଷୀରେ ସମାନ ରେକର୍ଡଗୁଡିକ ଚିହ୍ନଟ କରିବା ପାଇଁ LSHDB ଉଭୟ ମୂଳ ସିଷ୍ଟମ ଭାବରେ ପ୍ରଦର୍ଶନ କରିବୁ, ଏବଂ ଦାଖଲ ହୋଇଥିବା ପ୍ରଶ୍ନ ସହିତ ସମାନ ଷ୍ଟ୍ରିଙ୍ଗ୍ ମୂଲ୍ୟଗୁଡିକ ଚିହ୍ନଟ କରିବା ପାଇଁ ଏକ ସର୍ଚ୍ଚ ଇଞ୍ଜିନ୍ ଭାବରେ । |
6f9ead16c5464a989dee4cc337d473e353ce54c7 | ଆମେ ଏକ ବାସ୍ତବ ସମୟର ଆଙ୍ଗୁଠି ବର୍ଗୀକରଣ ପ୍ରଣାଳୀ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ଅସ୍ଥି ତନ୍ତ୍ରର ଗତି ପାଇଁ ବ୍ୟବହାର କରାଯାଇଥାଏ । ଏହାର ମୁଖ୍ୟ ଉପାଦାନଗୁଡ଼ିକ ମଧ୍ୟରେ ରହିଛି କଙ୍କାଳର ଏକ କୋଣାତ୍ମକ ପ୍ରତିନିଧିତ୍ୱ ଯାହାକି ଶବ୍ଦପୂର୍ଣ୍ଣ ଇନପୁଟ୍ ରେ ଚିହ୍ନଟ ଦୃଢ଼ତା ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଛି, ବହୁ-ବିଭାଜକ ସମୟ-ଶୃଙ୍ଖଳା ତଥ୍ୟ ପାଇଁ ଏକ କାସ୍କେଡ୍ ସମ୍ବନ୍ଧ-ଆଧାରିତ ବର୍ଗୀକରଣକାରୀ, ଏବଂ ଏକ କ୍ରୟ କରାଯାଇଥିବା ଆଙ୍ଗୁଠି ଏବଂ ମେଳ କରୁଥିବା ଆଙ୍ଗୁଠି ପାଇଁ ଏକ ଓରାକଲ୍ ମଧ୍ୟରେ ଗତିର ପାର୍ଥକ୍ୟକୁ ଆକଳନ କରିବା ପାଇଁ ଗତିଶୀଳ ସମୟ-ବିକ୍ରାନ୍ତି ଉପରେ ଆଧାରିତ ଏକ ଦୂରତା ମେଟ୍ରିକ୍ । ପ୍ରଥମ ଓ ଶେଷ ଉପକରଣଗୁଡ଼ିକ ପ୍ରକୃତିର ଜେନେରିକ୍ ହୋଇଥିବା ବେଳେ ଏହାକୁ ଯେକୌଣସି ଆଙ୍ଗୁଠି ମେଳଣ ଦୃଶ୍ୟପଟ୍ଟରେ ପ୍ରୟୋଗ କରାଯାଇପାରିବ, ତେବେ ଏହି କ୍ଲାସିଫାୟରଟି ଏହି ଧାରଣା ଉପରେ ଆଧାରିତ ଯେ ଇନପୁଟ୍ ମୋସନ୍ ଏକ ଜଣାଶୁଣା, ନିୟମିତ ସମୟ-ଆଧାରକୁ ଅନୁସରଣ କରେଃ ଏକ ମ୍ୟୁଜିକାଲ୍ ବିଟ୍ । 28ଟି ଗେଷ୍ଟ୍ କ୍ଲାସ୍, ଶହ ଶହ ଗେଷ୍ଟ୍ ଇନଷ୍ଟାନ୍ସ ରେକର୍ଡ କରି XBOX Kinect ପ୍ଲାଟଫର୍ମ ବ୍ୟବହାର କରି ଏବଂ ପ୍ରତ୍ୟେକ ଗେଷ୍ଟ୍ କ୍ଲାସ୍ ପାଇଁ ଡଜନ ଡଜନ ବିଷୟ ଦ୍ୱାରା ପ୍ରଦର୍ଶିତ, ଆମର ବର୍ଗୀକରଣର ହାରାହାରି ସଠିକତା ହେଉଛି 96:9%, ପ୍ରାୟ 4 ସେକେଣ୍ଡର କଙ୍କାଳ ଗତି ରେକର୍ଡିଂ ପାଇଁ । ବାସ୍ତବ ସମୟ ଗଭୀରତା ସେନସରରୁ ଆସୁଥିବା ଇନପୁଟ୍ ଶବ୍ଦକୁ ବିଚାରକୁ ନେଇ ଏହି ସଠିକତା ଉଲ୍ଲେଖନୀୟ । |
8abbc8a8bdb2c1d7193ecb2a49cb8f9344ce4141 | ଆମେ ଘରେ ପାଦ-ପାଦ-ପାଦ ପରିବର୍ତ୍ତନଶୀଳତା ମାପିବା ପାଇଁ ଦୁଇଟି ଭିଜନ୍ ଆଧାରିତ ମନିଟରିଂ କୌଶଳ ବ୍ୟବହାର କରି ବିଶ୍ଳେଷଣ ଉପସ୍ଥାପନ କରୁଛୁ: ଦୁଇଟି ୱେବ୍ କ୍ୟାମେରା ସିଷ୍ଟମରୁ ଅଜ୍ଞାତ ଭିଡିଓ ତଥ୍ୟ ଏବଂ ଗୋଟିଏ ମାଇକ୍ରୋସଫ୍ଟ କିନେକ୍ଟରୁ ଗଭୀରତା ପ୍ରତିଛବି _ ପ୍ରତିବର୍ଷ ଲକ୍ଷ ଲକ୍ଷ ବୟସ୍କ ଲୋକ ଖସି ପଡ଼ନ୍ତି । ବୟସ୍କ ବ୍ୟକ୍ତିଙ୍କ ଖସିପଡ଼ିବାର ଆଶଙ୍କା ଆକଳନ କରିବାର କ୍ଷମତା ସେମାନଙ୍କର ନିରାପଦ ଜୀବନଯାପନ ପାଇଁ ଆବଶ୍ୟକ ଅଟେ । ଅଧ୍ୟୟନରୁ ଜଣାପଡିଛି ଯେ ପାଦଚଲା ଆଚରଣର ପରିବର୍ତ୍ତନଶୀଳତା ବୟସ୍କମାନଙ୍କ କ୍ଷେତ୍ରରେ ଝଟକା ହେବାର ପୂର୍ବାନୁମାନ କରିଥାଏ । ଏହି ବିଶ୍ଳେଷଣ ପାଇଁ, ଅଂଶଗ୍ରହଣକାରୀମାନଙ୍କୁ ଦୁଇଟି ଦୃଷ୍ଟିଭଙ୍ଗୀ ଆଧାରିତ ସିଷ୍ଟମ ଦ୍ୱାରା ଅନୁଧ୍ୟାନ କରାଯାଉଥିବାବେଳେ ଅନେକ ସଂକ୍ଷିପ୍ତ ପଦଯାତ୍ରା କରିବାକୁ କୁହାଯାଇଥିଲା, ଗ୍ରାଉଣ୍ଡ ସତ୍ୟତା ପାଇଁ ଏକ ମାର୍କର ଆଧାରିତ ଭିକନ୍ ମୋସନ୍ କ୍ୟାପଚର୍ ସିଷ୍ଟମ୍ ସହିତ । ପ୍ରତ୍ୟେକ ପ୍ରଣାଳୀକୁ ବ୍ୟବହାର କରି ପାଦ-ପାଦ ଗତିରେ ପରିବର୍ତ୍ତନକୁ ମାପ କରାଯାଇଥିଲା ଏବଂ ଭିକନରୁ ପ୍ରାପ୍ତ ହୋଇଥିବା ମାପ ସହିତ ତୁଳନା କରାଯାଇଥିଲା । |
386a8419dfb6a52e522cdab70ee8449422e529ba | ପ୍ରାଥମିକ ଉଦ୍ଦେଶ୍ୟ ଏହି ଅଧ୍ୟୟନର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ବରିଷ୍ଠ ନାଗରିକମାନଙ୍କ ଜୀବନଶୈଳୀରେ ଉନ୍ନତି ଆଣିବା ଏବଂ/କିମ୍ବା ସେମାନଙ୍କ ସ୍ୱାସ୍ଥ୍ୟର ସ୍ଥିତିକୁ ଅନୁଧ୍ୟାନ କରିବା ଉଦ୍ଦେଶ୍ୟରେ ସେମାନଙ୍କ ଘରେ ସ୍ଥାପିତ ଏବଂ ପରିଚାଳିତ "ସ୍ମାର୍ଟ ହୋମ୍" ଟେକ୍ନୋଲୋଜି ସମ୍ପର୍କରେ ସେମାନଙ୍କର ଧାରଣା ଏବଂ ଆଶା ଆକାଂକ୍ଷା ଉପରେ ଗବେଷଣା କରିବା । ଏହି ପାଇଲଟ ଅଧ୍ୟୟନ ଅନ୍ତର୍ଗତ ବୟସ୍କ ବ୍ୟକ୍ତିଙ୍କ ଜ୍ଞାନକୌଶଳ ପ୍ରତି ଥିବା ଧାରଣା ଏବଂ ସେମାନେ ବିଶ୍ୱାସ କରୁଥିବା ଟେକ୍ନୋଲୋଜି ସେମାନଙ୍କ ଦୈନନ୍ଦିନ ଜୀବନରେ କିପରି ଉନ୍ନତି ଆଣିପାରିବ ସେ ସମ୍ପର୍କରେ ତିନୋଟି ଫୋକସ ଗ୍ରୁପ୍ ଅଧିବେଶନ ଆୟୋଜନ କରାଯାଇଥିଲା । ଏହି ଗୋଷ୍ଠୀଗୁଡ଼ିକରେ ଆଲୋଚନା କରାଯାଇଥିବା ବିଷୟବସ୍ତୁଗୁଡ଼ିକ ମଧ୍ୟରେ ସାମିଲ ଥିଲା ଉପକରଣ ଏବଂ ସେନସରଗୁଡ଼ିକର ଉପଯୋଗିତା ସମ୍ପର୍କରେ ଅଂଶଗ୍ରହଣକାରୀଙ୍କ ଧାରଣା ସ୍ୱାସ୍ଥ୍ୟ ସମ୍ବନ୍ଧୀୟ ପ୍ରସଙ୍ଗରେ ଯେପରିକି ପତନକୁ ରୋକିବା କିମ୍ବା ଚିହ୍ନଟ କରିବା, ଦୃଷ୍ଟି କିମ୍ବା ଶ୍ରବଣରେ କ୍ଷତିକୁ ସହାୟତା କରିବା, ଗତିଶୀଳତାକୁ ଉନ୍ନତ କରିବା, ବିଚ୍ଛିନ୍ନତା ହ୍ରାସ କରିବା, ଔଷଧ ପରିଚାଳନା ଏବଂ ଶାରୀରିକ ପାରାମିଟରଗୁଡ଼ିକର ତଦାରଖ କରିବା । ଏହି ଅଡିଓ ଟେପ ଗୁଡିକୁ ଲିପିବଦ୍ଧ କରାଯାଇଥିଲା ଏବଂ ବିଷୟବସ୍ତୁ ବିଶ୍ଳେଷଣ କରାଯାଇଥିଲା । ଫଳାଫଳ: ମୋଟ ଉପରେ ୧୫ ଜଣ ବୟସ୍କ ବ୍ୟକ୍ତି ତିନିଟି ଫୋକସ୍ ଗ୍ରୁପ୍ ଅଧିବେଶନରେ ଅଂଶଗ୍ରହଣ କରିଥିଲେ । ଯେଉଁ କ୍ଷେତ୍ରରେ ଅତ୍ୟାଧୁନିକ ପ୍ରଯୁକ୍ତିର ଲାଭ ବରିଷ୍ଠ ନାଗରିକଙ୍କୁ ମିଳିପାରିବ, ସେଗୁଡ଼ିକ ହେଲା ଜରୁରୀକାଳୀନ ସହାୟତା, ଖସିପଡ଼ିବା ରୋକିବା ଏବଂ ଚିହ୍ନଟ କରିବା, ଶାରୀରିକ ମାନଦଣ୍ଡର ଅନୁଧ୍ୟାନ ଆଦି । ଉପକରଣର ବ୍ୟବହାର ଅନୁକୂଳତା, ମାନବୀୟ ପ୍ରତିକ୍ରିୟା ଅଭାବ ଏବଂ ବୟସ୍କ ଶିକ୍ଷାର୍ଥୀମାନଙ୍କ ପାଇଁ ତାଲିମ ଆବଶ୍ୟକତାକୁ ନେଇ ଚିନ୍ତା ପ୍ରକଟ କରାଯାଇଥିଲା । ଉପରୋକ୍ତ ସମସ୍ତ ଅଂଶଗ୍ରହଣକାରୀମାନେ ସେମାନଙ୍କର ଜୀବନକୁ ଉନ୍ନତ କରିବା ପାଇଁ ସେମାନଙ୍କ ଘରେ ସ୍ଥାପିତ ଉପକରଣ ଏବଂ ସେନସର ପ୍ରତି ସାମଗ୍ରିକ ସକାରାତ୍ମକ ମନୋଭାବ ପୋଷଣ କରିଥିଲେ । |
3b8a4cc6bb32b50b29943ceb7248f318e589cd79 | ଆମେ ଏକ ପ୍ରଭାବଶାଳୀ ସୂଚୀକରଣ ପଦ୍ଧତି ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ଦ୍ବାରା ଏକ-ଆକାରର ଉପସାରଣୀଗୁଡ଼ିକୁ ଗୋଟିଏ ଧାରା ମଧ୍ୟରେ ସ୍ଥାନିତ କରାଯାଇପାରିବ, ଯାହା ଫଳରେ ଉପସାରଣୀଗୁଡ଼ିକ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ସହନଶୀଳତା ମଧ୍ୟରେ ଦିଆଯାଇଥିବା (କ୍ୱେରୀ) ପଦ୍ଧତି ସହିତ ମେଳ ଖାଇବ । ଏହି ଧାରଣା ହେଉଛି ପ୍ରତ୍ୟେକ ତଥ୍ୟ କ୍ରମକୁ ବିଶେଷତା ସ୍ଥାନରେ ବହୁ-ଆକାରର ଆୟତନଗୁଡ଼ିକର ଏକ ଛୋଟ ସେଟରେ ମ୍ୟାପ୍ କରିବା । ତାପରେ, ଏହି ଆୟତକଗୁଡ଼ିକୁ ପାରମ୍ପରିକ ଆଭ୍ୟନ୍ତରୀଣ ପ୍ରବେଶ ପଦ୍ଧତି ବ୍ୟବହାର କରି ସହଜରେ ସୂଚୀଭୁକ୍ତ କରାଯାଇପାରିବ, ଯେପରିକି R*-tree [9]. ଅଧିକ ବିସ୍ତୃତ ଭାବରେ, ଆମେ ତଥ୍ୟ କ୍ରମ ଉପରେ ଏକ ସ୍ଲାଇଡିଂ ୱିଣ୍ଡୋ ବ୍ୟବହାର କରୁ ଏବଂ ଏହାର ବୈଶିଷ୍ଟ୍ୟ ବାହାର କରୁ; ଫଳାଫଳ ହେଉଛି ବୈଶିଷ୍ଟ୍ୟ ସ୍ଥାନରେ ଏକ ଟ୍ରାଏଲ୍ । ଆମେ ଏହିପରି ଟ୍ରାଲଗୁଡ଼ିକୁ ସବ-ଟ୍ରାଲରେ ବିଭକ୍ତ କରିବା ପାଇଁ ଏକ ଦକ୍ଷ ଏବଂ ପ୍ରଭାବଶାଳୀ ଆଲଗୋରିଦମ ପ୍ରସ୍ତାବ ଦେଉଛୁ, ଯାହା ପରବର୍ତ୍ତୀ ସମୟରେ ସେମାନଙ୍କର ସର୍ବନିମ୍ନ ସୀମା ବିଶିଷ୍ଟ ଆୟତକ (ଏମବିଆର) ଦ୍ୱାରା ପ୍ରତିନିଧିତ୍ୱ କରାଯାଇଥାଏ । ଆମେ ବିଭିନ୍ନ ପ୍ରକାର ପ୍ରଶ୍ନର ଉତ୍ତର ମଧ୍ୟ ଯାଞ୍ଚ କରିଥାଉ ଏବଂ ପ୍ରତ୍ୟେକ ପ୍ରଶ୍ନକୁ କିପରି ଦକ୍ଷତାର ସହ ସମାଧାନ କରାଯାଇପାରିବ ତାହା ଦେଖାଇଥାଉ । ଆମେ ଆମର ପଦ୍ଧତିକୁ କାର୍ଯ୍ୟକାରୀ କରିଥିଲୁ ଏବଂ ସିନ୍ଥେଟିକ ଏବଂ ବାସ୍ତବ ତଥ୍ୟ (ଷ୍ଟକ୍ ମୂଲ୍ୟର ଗତି) ଉପରେ ପରୀକ୍ଷଣ କରିଥିଲୁ । ଆମେ ଏହି ପଦ୍ଧତିକୁ କ୍ରମିକ ସ୍କାନିଂ ସହିତ ତୁଳନା କରିଛୁ, ଯାହା ଏକମାତ୍ର ସ୍ପଷ୍ଟ ପ୍ରତିଦ୍ୱନ୍ଦୀ । ଏହାର ପରିଣାମ ବହୁତ ଭଲ ହେଲା: ଆମର ଏହି ପଦ୍ଧତି ଦ୍ବାରା ସନ୍ଧାନ ସମୟ 3 ଗୁଣରୁ 100 ଗୁଣ ପର୍ଯ୍ୟନ୍ତ ବୃଦ୍ଧି ପାଇଲା । |
886431a362bfdbcc6dd518f844eb374950b9de86 | ମାନବ ଗତିବିଧିକୁ ପ୍ରତିନିଧିତ୍ୱ କରିବା ଏବଂ ଚିହ୍ନଟ କରିବା ପାଇଁ ଏକ ନୂତନ ଦୃଶ୍ୟ ଆଧାରିତ ଦୃଷ୍ଟିକୋଣ ଉପସ୍ଥାପିତ କରାଯାଇଛି । ପ୍ରତିନିଧିତ୍ୱର ଆଧାର ହେଉଛି ଏକ କାଳୀନ ଟେମ୍ପଲେଟ୍ - ଏକ ସ୍ଥାୟୀ ଭେକ୍ଟର-ଛବି ଯେଉଁଠାରେ ପ୍ରତ୍ୟେକ ବିନ୍ଦୁରେ ଭେକ୍ଟର ମୂଲ୍ୟ ହେଉଛି ପ୍ରତିଛବି କ୍ରମର ଅନୁରୂପ ଭୌଗଳିକ ସ୍ଥାନରେ ଗତି ଗୁଣର ଏକ ଫଙ୍କସନ୍ । ଏରୋବିକ୍ସ ଅଭ୍ୟାସକୁ ପରୀକ୍ଷା କ୍ଷେତ୍ର ଭାବରେ ବ୍ୟବହାର କରି, ଆମେ ଟେମ୍ପଲେଟର ଏକ ସରଳ, ଦୁଇ-ବିଷୟକ ସଂସ୍କରଣର ପ୍ରତିନିଧିତ୍ୱ ଶକ୍ତିକୁ ଅନୁସନ୍ଧାନ କରୁଃ ପ୍ରଥମ ମୂଲ୍ୟ ହେଉଛି ଏକ ବାଇନାରୀ ମୂଲ୍ୟ ଯାହା ଗତିର ଉପସ୍ଥିତିକୁ ସୂଚିତ କରେ ଏବଂ ଦ୍ୱିତୀୟ ମୂଲ୍ୟ ହେଉଛି ଏକ କ୍ରମରେ ଗତିର ସାମ୍ପ୍ରତିକତାର ଏକ ଫଙ୍କସନ୍ _ ତାପରେ ଆମେ ଏକ ଚିହ୍ନଟ ପଦ୍ଧତି ବିକଶିତ କରିଥାଉ ଯାହା ଜଣାଶୁଣା କାର୍ଯ୍ୟର ଦୃଶ୍ୟର ସଂରକ୍ଷିତ ଉଦାହରଣ ସହିତ କାଳୀନ ଟେମ୍ପଲେଟଗୁଡିକର ମେଳ ଖାଏ । ଏହି ପଦ୍ଧତି ସ୍ୱୟଂଚାଳିତ ଭାବରେ କାଳୀନ ବିଭାଜନ କରିଥାଏ, ଗତିର ରେଖାଗତ ପରିବର୍ତ୍ତନ ପାଇଁ ଅସ୍ବାଭାବିକ ଅଟେ, ଏବଂ ମାନକ ପ୍ଲାଟଫର୍ମରେ ରିଅଲ-ଟାଇମରେ ଚାଲିଥାଏ । ସୂଚକାଙ୍କ ଶବ୍ଦ: ଗତି ଚିହ୍ନଟ, କମ୍ପ୍ୟୁଟର ଦୃଷ୍ଟି । |
846a1a0136e69554923301ea445372a57c6afd9d | ବହୁ-ପ୍ରତିନିଧି ଶିକ୍ଷଣରେ ମୁଖ୍ୟ ଆହ୍ୱାନ ହେଉଛି ଅନ୍ୟ ପ୍ରତିନିଧିମାନଙ୍କ ଆଚରଣ ପ୍ରତି ସର୍ବୋତ୍ତମ ପ୍ରତିକ୍ରିୟା ଶିଖିବା, ଯାହା ଅସ୍ଥିର ହୋଇପାରେ: ଯଦି ଅନ୍ୟ ପ୍ରତିନିଧିମାନେ ସେମାନଙ୍କର ରଣନୀତିକୁ ମଧ୍ୟ ଅନୁକୂଳ କରନ୍ତି, ଶିକ୍ଷଣ ଲକ୍ଷ୍ୟ ଗତି କରେ । ବିଭିନ୍ନ ଗବେଷଣା ବିଭିନ୍ନ ଦିଗରୁ ନନ୍ ଷ୍ଟେସନାରିଟିକୁ ଗ୍ରହଣ କରିଛନ୍ତି, ଯାହା ବିଭିନ୍ନ ପ୍ରକାର ନିହିତ ଅନୁମାନକୁ ନେଇ କରାଯାଇଛି, ଯାହାଦ୍ୱାରା କଳାର ସ୍ଥିତିର ଏକ ସମୀକ୍ଷା ରଖିବା ଏବଂ ନୂତନ କାର୍ଯ୍ୟର ନବସୃଜନ ଏବଂ ମହତ୍ତ୍ୱକୁ ବୈଧ କରିବା କଷ୍ଟକର ହୋଇପଡ଼ିଛି । ଏହି ସର୍ବେକ୍ଷଣରେ ଏକ ସୁସଂଗତ ସମୀକ୍ଷା ଉପସ୍ଥାପନ କରାଯାଇଛି, ଯାହା ଖେଳ ତତ୍ତ୍ୱ, ରିଏନଫୋର୍ସମେଣ୍ଟ ଲର୍ଣ୍ଣିଂ ଏବଂ ମଲ୍ଟି ଆର୍ମଡ ଡକାୟତମାନଙ୍କ ଉପକରଣ ସହିତ ବିରୋଧୀ-ପ୍ରବର୍ତ୍ତିତ ନନ୍-ଷ୍ଟେସନାରିଟିକୁ ସମାଧାନ କରିଥାଏ । ଏହା ପରେ ଆମେ ଆଲଗୋରିଦମ କିପରି ମଡେଲ ପ୍ରସ୍ତୁତ କରେ ଏବଂ ଏହି ଅସ୍ଥିରତାକୁ କିପରି ମୁକାବିଲା କରେ, ତାହା ଉପରେ ବିଚାର କରିବା, ଏକ ନୂତନ ଢାଞ୍ଚା ଏବଂ ପାଞ୍ଚଟି ଶ୍ରେଣୀରେ ପହଞ୍ଚିବା (ସମ୍ପୃକ୍ତତା ବୃଦ୍ଧି କ୍ରମରେ): ଅଣଦେଖା, ଭୁଲିଯିବା, ଟାର୍ଗେଟ୍ ମଡେଲକୁ ପ୍ରତିକ୍ରିୟା ଦେବା, ମଡେଲ ଶିଖିବା ଏବଂ ମନର ସିଦ୍ଧାନ୍ତ । ବିଭିନ୍ନ ପ୍ରକାର ଅତ୍ୟାଧୁନିକ ଆଲଗୋରିଦମକୁ ଏକ ଶ୍ରେଣୀଭୁକ୍ତ କରାଯାଇଥାଏ, ଏହି ଶ୍ରେଣୀଗୁଡିକ ଏବଂ ପରିବେଶର ମୁଖ୍ୟ ବୈଶିଷ୍ଟ୍ୟଗୁଡିକ (ଯେପରିକି ପର୍ଯ୍ୟବେକ୍ଷଣଯୋଗ୍ୟତା) ଏବଂ ବିରୋଧୀମାନଙ୍କର ଅନୁକୂଳ ବ୍ୟବହାର (ଯେପରିକି ସୁଗମ, ଆକସ୍ମିକ) ବ୍ୟବହାର କରି । ଆହୁରି ଅଧିକ ସ୍ପଷ୍ଟତା ପାଇଁ ଆମେ ଗୋଟିଏ କ୍ଷେତ୍ରର ଦୃଷ୍ଟାନ୍ତମୂଳକ ପରିବର୍ତ୍ତନକୁ ଉପସ୍ଥାପନ କରୁଛୁ, ପ୍ରତ୍ୟେକ ବର୍ଗର ଶକ୍ତି ଏବଂ ସୀମିତତାକୁ ତୁଳନା କରି । ଶେଷରେ, ଆମେ ଆଲୋଚନା କରିବା ଯେ କେଉଁ ପରିବେଶରେ ବିଭିନ୍ନ ଦୃଷ୍ଟିକୋଣରୁ ଅଧିକ ଉପକାରିତା ମିଳିଥାଏ ଏବଂ ଭବିଷ୍ୟତ ଗବେଷଣାର ଆଶାନୁରୂପ ଦିଗକୁ ସୂଚାଇଥାଏ । |
a3ee76b20df36976aceb16e9df93817255e26fd4 | ଜ୍ଞାନ ଆଧାରରେ ପ୍ରଶ୍ନ ଉତ୍ତର ଉପରେ ଗବେଷଣା ନିକଟରେ ଗଭୀର ସ୍ଥାପତ୍ୟର ବ୍ୟବହାରକୁ ବୃଦ୍ଧି କରିଛି । ଏହି ସଂପ୍ରସାରିତ ସାରାଂଶରେ, ଆମେ ପ୍ରଶ୍ନ ବିଶ୍ଳେଷଣ ପାଇଁ ନ୍ୟୁରାଲ ମେସିନ ଅନୁବାଦ ପାରାଡିଗମର ପ୍ରୟୋଗ ଅଧ୍ୟୟନ କରୁ । ଆମେ ଏକ କ୍ରମ-ରୁ-କ୍ରମ ମଡେଲକୁ ବ୍ୟବହାର କରି ଗ୍ରାଫ ପ୍ୟାଟର୍ନକୁ SPARQL ଗ୍ରାଫ ପ୍ରଶ୍ନ ଭାଷାରେ ଓ ତାହାର ରଚନାକୁ ଶିଖୁ । ପ୍ରଶ୍ନ-ଉତ୍ତର ଯୋଡି ମାଧ୍ୟମରେ ପ୍ରୋଗ୍ରାମକୁ ପ୍ରେରିତ କରିବା ପରିବର୍ତ୍ତେ, ଆମେ ଏକ ଅର୍ଦ୍ଧ-ନିରୀକ୍ଷିତ ଆଭିମୁଖ୍ୟ ଆଶା କରୁ, ଯେଉଁଠାରେ ପ୍ରଶ୍ନ ଏବଂ ପ୍ରଶ୍ନ ମଧ୍ୟରେ ସମାନତା ଟେମ୍ପଲେଟ୍ ମାଧ୍ୟମରେ ନିର୍ମିତ ହୁଏ । ଆମେ ଯୁକ୍ତି କରୁଛୁ ଯେ ପ୍ରାକୃତିକ ଭାଷା ସୃଷ୍ଟିରେ ବିଳମ୍ବିତ ଉଲ୍ଲେଖନୀୟ କାର୍ଯ୍ୟ ବ୍ୟବହାର କରି ଭାଷା ଉକ୍ତିର କଭରେଜ୍ ବିସ୍ତାର କରାଯାଇପାରିବ । |
4928aee4b9a558d8faaa6126201a45b7aaea7bb6 | ତେଣୁ ଏହି ଗବେଷଣା ଇ-ଗଭର୍ଣ୍ଣମେଣ୍ଟ ବ୍ୟବସ୍ଥାର ସଫଳତା ଏବଂ ଏହାର ପ୍ରାରମ୍ଭିକ କାର୍ଯ୍ୟକାରିତା ଉପରେ ଖର୍ଚ୍ଚ, ସୁଯୋଗ, ଲାଭ ଏବଂ ବିପଦକୁ ଭଲ ଭାବରେ ବିଶ୍ଳେଷଣ କରିବାରେ ସରକାରଙ୍କୁ ସାହାଯ୍ୟ କରିବ । ଇଲେକ୍ଟ୍ରୋନିକ ପ୍ରଶାସନ (ଇ-ଗଭର୍ଣ୍ଣମେଣ୍ଟ) କ୍ଷେତ୍ରରେ ଏକ ଦଶନ୍ଧିରୁ ଅଧିକ ସମୟ ବ୍ୟାପକ ଗବେଷଣା ପରେ ଇଲେକ୍ଟ୍ରୋନିକ ପ୍ରଶାସନ କାର୍ଯ୍ୟକାରୀ କରିବା ପାଇଁ ହେଉଥିବା ଖର୍ଚ୍ଚ, ସୁଯୋଗ, ଲାଭ ଏବଂ ବିପଦ ଉପରେ ସାହିତ୍ୟର ବ୍ୟବସ୍ଥିତ ସମୀକ୍ଷା କରିବା ପାଇଁ କୌଣସି ପ୍ରୟାସ କରାଯାଇନାହିଁ । ଇ-ଗଭର୍ଣ୍ଣାନ୍ସ ପଦକ୍ଷେପକୁ କାର୍ଯ୍ୟକାରୀ କରିବା ସମୟରେ ସରକାରମାନେ ବର୍ଷ ବର୍ଷ ଧରି ସମ୍ମୁଖୀନ ହେଉଥିବା ବିଭିନ୍ନ ଆହ୍ୱାନକୁ ଦୃଷ୍ଟିରେ ରଖି ଏହା ବିଶେଷ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । ତେଣୁ, ଏହି କାଗଜର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଇଲେକ୍ଟ୍ରୋନିକ ସରକାର, ଏକ ଆନ୍ତର୍ଜାତୀୟ ଜର୍ଣ୍ଣାଲ (EGIJ), ଇଲେକ୍ଟ୍ରୋନିକ ସରକାର ଅନୁସନ୍ଧାନର ଆନ୍ତର୍ଜାତୀୟ ଜର୍ଣ୍ଣାଲ (IJEGR) ଏବଂ ଟ୍ରାନ୍ସଫର୍ମିଂ ଗଭର୍ଣ୍ଣମେଣ୍ଟଃ ପିପୁଲ୍, ପ୍ରୋସେସ୍ ଏବଂ ପଲିସି (TGPPP) ପରି ଇଲେକ୍ଟ୍ରୋନିକ ସରକାର ଅନୁସନ୍ଧାନ ପାଇଁ ଉତ୍ସର୍ଗୀକୃତ ଜର୍ଣ୍ଣାଲରୁ ପ୍ରାସଙ୍ଗିକ କାଗଜପତ୍ରର ଏକ ମାନୁଆଲ୍ ସମୀକ୍ଷା ସହିତ ସ୍କୋପସ୍ ଅନଲାଇନ୍ ଡାଟାବେସ୍ ଏବଂ ଗୁଗୁଲ୍ ସ୍କଲାରରୁ ଚିହ୍ନଟ କରାଯାଇଥିବା 132 ଅଧ୍ୟୟନର ବ୍ୟବସ୍ଥିତ ସମୀକ୍ଷା ବ୍ୟବହାର କରି ଏହି ପ୍ରସଙ୍ଗଗୁଡ଼ିକୁ ସମାଧାନ କରୁଥିବା ପ୍ରାସଙ୍ଗିକ ସାହିତ୍ୟର ଏକ ବ୍ୟାପକ ବିଶ୍ଳେଷଣ କରିବା । ସାମଗ୍ରିକ ସମୀକ୍ଷାରୁ ଜଣାପଡିଛି ଯେ ଯଦିଓ ବହୁ ସଂଖ୍ୟକ କାଗଜପତ୍ରରେ ଖର୍ଚ୍ଚ, ସୁଯୋଗ, ଲାଭ ଏବଂ ବିପଦ ବିଷୟରେ ଆଲୋଚନା କରାଯାଇଛି, ଏହି ପ୍ରସଙ୍ଗଗୁଡ଼ିକର ଉପସ୍ଥାପନ ଅତି ସରଳ ହୋଇପଡ଼ିଛି । ଆହୁରି ମଧ୍ୟ, ବିଭିନ୍ନ ଇ-ଗଭର୍ଣ୍ଣମେଣ୍ଟ ସିଷ୍ଟମ ସମ୍ବନ୍ଧରେ ଏହି ନିର୍ମାଣଗୁଡ଼ିକର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ପରିସଂଖ୍ୟାନଗତ ଭାବେ ମୂଲ୍ୟାଙ୍କନ କରିପାରୁଥିବା ଅନୁଭବୀ ଅଧ୍ୟୟନର ଅଭାବ ରହିଛି । |
d990e96bff845b3c4005e20629c613bf6e2c5c40 | |
2169acce9014fd4ce462da494b71a3d2ef1c8191 | ଯଦିଓ ଏହା ଏପର୍ଯ୍ୟନ୍ତ ପ୍ରମାଣିତ ହୋଇନାହିଁ, କିନ୍ତୁ ଅନୁଭବୀ ପ୍ରମାଣ ଦର୍ଶାଉଛି ଯେ ମଡେଲ ସାଧାରଣକରଣ ସର୍ବୋତ୍ତମ ର ସ୍ଥାନୀୟ ଗୁଣ ସହିତ ଜଡିତ ଯାହା ହେସିୟାନ ମାଧ୍ୟମରେ ବର୍ଣ୍ଣନା କରାଯାଇପାରିବ । ଆମେ ମଡେଲ ଜେନେରାଲାଇଜେସନକୁ PAC-ବେଜ ପାରାଡିଗମ ଅନୁସାରେ ସମାଧାନର ସ୍ଥାନୀୟ ଗୁଣ ସହିତ ଯୋଡିଥାଉ । ବିଶେଷକରି, ଆମେ ପ୍ରମାଣ କରୁଛୁ ଯେ ମଡେଲ ସାଧାରଣକରଣ କ୍ଷମତା ହେସିୟାନ ସହିତ ସମ୍ବନ୍ଧିତ, ଉଚ୍ଚ-ଶ୍ରେଣୀର ସୁଗମତା ଶବ୍ଦ ହେସିୟାନର ଲିପ୍ସଚିଜ୍ ସ୍ଥିର ଏବଂ ପାରାମିଟରଗୁଡିକର ସ୍କେଲ ଦ୍ୱାରା ବର୍ଣ୍ଣିତ । ଏହି ପ୍ରମାଣ ଦ୍ୱାରା ପରିଚାଳିତ ହୋଇ ଆମେ ଏକ ମେଟ୍ରିକର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ମଡେଲର ସାଧାରଣକରଣ କ୍ଷମତାକୁ ସ୍କୋର କରିବ, ଏବଂ ସେହି ଅନୁଯାୟୀ ଏକ ଆଲଗୋରିଦମ ଯାହା ବିଶୃଙ୍ଖଳିତ ମଡେଲକୁ ଅନୁକୂଳ କରିବ । |
39ed372026adaf052d9c40613386da296ee552dc | ଡିପ୍ ମେଚିଂ (ଡିଏମ) ହେଉଛି ଛବିଗୁଡ଼ିକ ମଧ୍ୟରେ କ୍ୱାସି-ଡେନସ୍ ମେଳ ଖାଉଥିବା କମ୍ପ୍ୟୁଟର୍ ପାଇଁ ଅତ୍ୟାଧୁନିକ ମେଳ ଖାଉଥିବା ଆଲଗୋରିଦମ ମଧ୍ୟରୁ ଗୋଟିଏ । ନିକଟରେ ଅପ୍ଟିକାଲ ଫ୍ଲୋ ପଦ୍ଧତିଗୁଡ଼ିକ ଡିପମାଚିଂ ବ୍ୟବହାର କରି ପ୍ରାରମ୍ଭିକ ପ୍ରତିଛବି ମେଳ ଖୋଜିବା ପାଇଁ ଏବଂ ଉଲ୍ଲେଖନୀୟ କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇଛି । କିନ୍ତୁ ଡିପମେଚିଂର ମୂଳ ଉପାଦାନ ହେଉଛି କୋରେଲେସନ ମ୍ୟାପ କମ୍ପ୍ୟୁଟେସନ ଯାହା ସମୟସାପେକ୍ଷ । ଏହି କାଗଜରେ, ଆମେ ଏକ ନୂତନ ଆଲଗୋରିଦମ, LSHDM ପ୍ରସ୍ତାବିତ କରୁଛୁ, ଯାହା DeepMatching କୁ ସ୍ଥାନୀୟ ସମ୍ବେଦନଶୀଳ ହ୍ୟାସିଂ (LSH) ବ୍ୟବହାର କରି ସମସ୍ୟାକୁ ସମାଧାନ କରିଥାଏ । ଏହି ସଂଯୋଗ ମାନଚିତ୍ର ଗଣନା ପାଇଁ ଗଣନା ଜଟିଳତା ବହୁତ କମ୍ ହୋଇଥାଏ । ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ ଆମ ଆଭିମୁଖ୍ୟ ଦ୍ୱାରା ଡିପ୍ ମ୍ୟାଚିଂ ତୁଳନାରେ ଛବି ମେଳ ଦଶ ଗୁଣ କିମ୍ବା ଅଧିକ ବେଗରେ କରାଯାଇପାରିବ, ଅପ୍ଟିକାଲ ପ୍ରବାହ ଆକଳନ ପାଇଁ ସମାନ ସଠିକତା ବଜାୟ ରଖିପାରିବ । |
2fb8c7faf5e42dba3993a2b7cd8c6fd1b90d29ef | ସାକ୍ଷରତା ଶିକ୍ଷା ପିଲାମାନେ ସ୍କୁଲ ଯିବା ପୂର୍ବରୁ ହିଁ ଆରମ୍ଭ ହୋଇଯାଏ । ଲେଖା ଓ ପଢ଼ା କ୍ଷେତ୍ରରେ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଦକ୍ଷତା ହେଉଛି, ସାଙ୍କେତିକ ଭାବେ ଚିନ୍ତାଧାରାକୁ ଉପସ୍ଥାପନ କରିବା ଏବଂ ଏହାକୁ ଭାଷାରେ ଦର୍ଶକଙ୍କ ସହ ବାଣ୍ଟିବା, ଯେଉଁମାନେ କାହାଣୀ ପାଇଁ ସମାନ ସମୟ ଓ ସ୍ଥାନର ପରିସଂଖ୍ୟାନକୁ ଆବଶ୍ୟକ କରିପାରନ୍ତି ନାହିଁ । ପିଲାମାନେ ନିଜ ସହକର୍ମୀ ଓ ବୟସ୍କମାନଙ୍କ ସହ କାହାଣୀ କହି ଏହି ମହତ୍ୱପୂର୍ଣ୍ଣ ଭାଷା ଦକ୍ଷତା ପ୍ରତିଦିନ ଶିଖନ୍ତି ଓ ଅଭ୍ୟାସ କରନ୍ତି । ବିଶେଷକରି, ସହପାଠୀମାନଙ୍କ ସହଯୋଗରେ କାହାଣୀ କହିବା ପିଲାମାନଙ୍କ ପାଇଁ ସାକ୍ଷରତା ପାଇଁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଭାଷା ଦକ୍ଷତା ଶିଖିବା ପାଇଁ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପରିବେଶ ପ୍ରଦାନ କରିଥାଏ । ଏହାକୁ ଦୃଷ୍ଟିରେ ରଖି ଆମେ ସାମ ନାମକ ଏକ କଥୋପକଥନକାରୀ ଏଜେଣ୍ଟ ତିଆରି କରିଛୁ ଯିଏକି ପିଲାମାନଙ୍କ ସହ ମିଶି କାହାଣୀ ଶୁଣାଇଥାଏ । ସାମଙ୍କୁ ପ୍ରାକ୍ ବିଦ୍ୟାଳୟ ପିଲାମାନଙ୍କ ପାଇଁ ସମବୟସ୍କଙ୍କ ପରି ଦେଖାଯିବା ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଥିଲା, କିନ୍ତୁ ବିକାଶଶୀଳ ଭାବରେ ଉନ୍ନତ ଉପାୟରେ କାହାଣୀ କହିବା ପାଇଁ: ସାକ୍ଷରତା ପାଇଁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ବର୍ଣ୍ଣନା କୌଶଳ ମଡେଲିଂ କରିବା । ଫଳସ୍ୱରୂପ, ଯେଉଁ ପିଲାମାନେ ଭର୍ଚୁଆଲ୍ ସହପାଠୀଙ୍କ ସହିତ ଖେଳୁଥିଲେ ସେମାନେ ଏପରି କାହାଣୀ କହିଥିଲେ ଯାହା ଭର୍ଚୁଆଲ୍ ସହପାଠୀଙ୍କ ଭାଷାଗତ ଭାବରେ ଉନ୍ନତ କାହାଣୀ ସହିତ ଅଧିକ ସମାନ ଥିଲା: ଅଧିକ ଉଦ୍ଧୃତ ଭାଷଣ ଏବଂ କାଳଗତ ଏବଂ ସ୍ଥାନଗତ ଅଭିବ୍ୟକ୍ତି ବ୍ୟବହାର କରି । ଏହା ସହିତ ପିଲାମାନେ ସାମଙ୍କ କାହାଣୀକୁ ଧ୍ୟାନର ସହ ଶୁଣିଲେ, ତାଙ୍କୁ ସାହାଯ୍ୟ କଲେ ଏବଂ ଉନ୍ନତି ପାଇଁ ପରାମର୍ଶ ଦେଲେ । ଛୋଟ ପିଲାଙ୍କ ସାକ୍ଷରତା ଶିକ୍ଷାରେ ପ୍ରଯୁକ୍ତିର ସାମାଜିକ ଭୂମିକା ନେଇ ଏହାର ସମ୍ଭାବ୍ୟ ଲାଭ ବିଷୟରେ ଆଲୋଚନା କରାଯାଇଛି । |
4623accb0524d3b000866709ec27f1692cc9b15a | |
f9791399e87bba3f911fd8f570443cf721cf7b1e | ଶବ୍ଦଗୁଡ଼ିକର ଅର୍ଥକୁ ଦସ୍ତାବିଜଗୁଡ଼ିକର ଅର୍ଥ ସହ ଯୋଡ଼ୁଥିବା ରଚନାତ୍ମକ ପ୍ରକ୍ରିୟାକୁ ଧରିବା ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ ଏବଂ ସୂଚନା ପୁନରୁଦ୍ଧାର କ୍ଷେତ୍ରରେ ଗବେଷକମାନଙ୍କ ପାଇଁ ଏକ ପ୍ରମୁଖ ଆହ୍ୱାନ । ଆମେ ଏକ ମଡେଲର ଉପସ୍ଥାପନା କରୁଛୁ ଯାହା ନିମ୍ନ ଆକାରର ଭେକ୍ଟର ସ୍ପେସରେ ଦଲିଲର ଅର୍ଥକୁ ପ୍ରତିନିଧିତ୍ୱ କରିବାରେ ସକ୍ଷମ, ଯେତେବେଳେ ଶବ୍ଦ ଏବଂ ବାକ୍ୟର କ୍ରମରେ ଭିନ୍ନତା ବଜାୟ ରଖେ, ଯାହା ସୂକ୍ଷ୍ମ ଅର୍ଥଶାସ୍ତ୍ରକୁ ଧରିବା ପାଇଁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । ଆମର ମଡେଲ ଏକ ବିସ୍ତୃତ ଗତିଶୀଳ କନ୍ଭୋଲ୍ୟୁସନ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଉପରେ ଆଧାରିତ, ଯାହା ଉଭୟ ବାକ୍ୟ ଏବଂ ଡକ୍ୟୁମେଣ୍ଟ ସ୍ତରରେ କନ୍ଭୋଲସନ ଫିଲ୍ଟରକୁ ଶିଖେ, ଉଚ୍ଚସ୍ତରୀୟ ଶବ୍ଦକୋଷର ବିଶେଷତ୍ୱକୁ ଉଚ୍ଚସ୍ତରୀୟ ଅର୍ଥଶାସ୍ତ୍ରୀୟ ଧାରଣାକୁ ଗ୍ରହଣ କରିବା ଏବଂ ରଚନା କରିବା ପାଇଁ ବର୍ଗିକୃତ ଭାବରେ ଶିଖେ । ଆମେ ଏହି ମଡେଲର ପ୍ରଭାବକୁ ବିଭିନ୍ନ ପ୍ରକାରର ଡକ୍ୟୁମେଣ୍ଟ ମଡେଲିଂ କାର୍ଯ୍ୟରେ ପ୍ରଦର୍ଶନ କରିଛୁ, କୌଣସି ବୈଶିଷ୍ଟ୍ୟ ଇଞ୍ଜିନିୟରିଂ ବିନା ଏବଂ ଅଧିକ କମ୍ପାକ୍ଟ ମଡେଲ ସହିତ ଭଲ ଫଳାଫଳ ହାସଲ କରିଛୁ । କମ୍ପ୍ୟୁଟର ଭିଜନ୍ ପାଇଁ ଗଭୀର କଭୋଲିସନ୍ ନେଟୱାର୍କକୁ ଦୃଶ୍ୟମାନ କରିବାରେ ସାମ୍ପ୍ରତିକ ଅଗ୍ରଗତି ଦ୍ୱାରା ଅନୁପ୍ରାଣିତ ହୋଇ, ଆମେ ଆମର ଡକ୍ୟୁମେଣ୍ଟ୍ ନେଟୱାର୍କ ପାଇଁ ଏକ ନୂତନ ଭିଜୁଆଲାଇଜେସନ୍ କୌଶଳ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା କେବଳ ସେମାନଙ୍କର ଶିକ୍ଷଣ ପ୍ରକ୍ରିୟାରେ ଅନ୍ତର୍ଦୃଷ୍ଟି ପ୍ରଦାନ କରେ ନାହିଁ, ବରଂ ପାଠ୍ୟ ପାଇଁ ଏକ ଆକର୍ଷଣୀୟ ସ୍ୱୟଂଚାଳିତ ସାରାଂଶୀକରଣ ପ୍ରଣାଳୀ ଉତ୍ପାଦନ ପାଇଁ ବ୍ୟାଖ୍ୟା କରାଯାଇପାରିବ _ |
6f2cdce2eb8e6afdfd9e81316ff08f80e972cc47 | ଆମେ ଏକ ବୃହତ ଗଣମାଧ୍ୟମ କମ୍ପାନୀକୁ ସହାୟତା କରିବା ପାଇଁ ଏକ ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ ପ୍ଲାଟଫର୍ମ ନିର୍ମାଣ କରିବା ପାଇଁ ଚାରି ବର୍ଷର ଏକାଡେମିକ୍ ଗବେଷଣା ପ୍ରକଳ୍ପ ବିଷୟରେ ରିପୋର୍ଟ କରୁଛୁ । କମ୍ପ୍ୟୁଟେବଲ ନ୍ୟୁଜ ପ୍ଲାଟଫର୍ମ ଖବରର କାହାଣୀକୁ ପ୍ରୋସେସ କରିଥାଏ, ଯାହାଦ୍ୱାରା ସଂରଚନା ତଥ୍ୟର ଏକ ସ୍ତର ସୃଷ୍ଟି ହୋଇଥାଏ, ଯାହାକୁ ବ୍ୟବହାର କରି ସମୃଦ୍ଧ ଆପ୍ଲିକେସନ ତିଆରି କରାଯାଇପାରିବ । ଆମେ ମୂଳ ଭିତ୍ତିଭୂମିର ବର୍ଣ୍ଣନା କରିଛୁ ଏବଂ ଏହାକୁ ନିର୍ମାଣ କରିବା ପାଇଁ ଆମେ ଅନୁସନ୍ଧାନ କାର୍ଯ୍ୟଗୁଡ଼ିକର ବର୍ଣ୍ଣନା କରିଛୁ । ଏହି ପ୍ଲାଟଫର୍ମ ବିଭିନ୍ନ ପ୍ରକାରର ପ୍ରୋଟୋଟାଇପ ଆପ୍ଲିକେସନକୁ ସପୋର୍ଟ କରିଥାଏ । ଆମେ ଆଶା କରୁଛୁ ଯେ ଏହି ଗୁଣାତ୍ମକ ସମୀକ୍ଷା ଏହି ପ୍ରକାରର ପ୍ରକଳ୍ପରେ ଜଡିତ ଆହ୍ୱାନଗୁଡିକ ବିଷୟରେ କିଛି ଅନ୍ତର୍ଦୃଷ୍ଟି ପ୍ରଦାନ କରିବ । |
6ab5acb5f32ef2d28f91109d40e5e859a9c101bf | ଆମେ ଜେନେରିକ ଭିଡ଼ିଓ ଇଣ୍ଡେକ୍ସିଂ ପାଇଁ ଚ୍ୟାଲେଞ୍ଜ ସମସ୍ୟା ବିଷୟରେ ଜଣାଇବୁ ଯାହା ମଲ୍ଟିମିଡିଆ ବିଶ୍ଳେଷଣ ପଦ୍ଧତିର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ପ୍ରଭାବିତ କରୁଥିବା ମଧ୍ୟବର୍ତ୍ତୀ ପର୍ଯ୍ୟାୟରେ ଅନ୍ତର୍ଦୃଷ୍ଟି ପାଇବା ପାଇଁ, ଯେତେବେଳେ କି ଏକ ସମୟରେ ପରୀକ୍ଷଣର ପୁନରାବୃତ୍ତିକୁ ପ୍ରୋତ୍ସାହିତ କରିବୁ । ଏକ ଚ୍ୟାଲେଞ୍ଜ ସମସ୍ୟାକୁ ଆସିବା ପାଇଁ, ଆମେ ସ୍ୱୟଂଚାଳିତ ଧାରଣା ଚିହ୍ନଟ ପଦ୍ଧତିର ବ୍ୟବସ୍ଥିତ ପରୀକ୍ଷଣ ପାଇଁ ଏକ ସାଧାରଣ ଯୋଜନା ପ୍ରଦାନ କରୁ, ଜେନେରିକ୍ ଭିଡିଓ ଇଣ୍ଡେକ୍ସିଂ ସମସ୍ୟାକୁ 2 ୟୁନିମୋଡାଲ୍ ବିଶ୍ଳେଷଣ ପରୀକ୍ଷଣ, 2 ମଲ୍ଟିମୋଡାଲ୍ ବିଶ୍ଳେଷଣ ପରୀକ୍ଷଣ ଏବଂ 1 ମିଳିତ ବିଶ୍ଳେଷଣ ପରୀକ୍ଷଣରେ ବିଭକ୍ତ କରି । ପ୍ରତ୍ୟେକ ପରୀକ୍ଷଣ ପାଇଁ, ଆମେ TRECVID 2005/2006 ରେଞ୍ଜମାର୍କରୁ, 101ଟି ଅର୍ଥଶାସ୍ତ୍ରୀୟ ଧାରଣାକୁ ବ୍ୟବହାର କରି 85 ଘଣ୍ଟା ଅନ୍ତର୍ଜାତୀୟ ପ୍ରସାରଣ ଖବର ତଥ୍ୟ ଉପରେ ସାଧାରଣ ଭିଡିଓ ସୂଚୀକରଣ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ମୂଲ୍ୟାଙ୍କନ କରୁ । ପ୍ରତ୍ୟେକ ପରୀକ୍ଷଣରେ ସର୍ବନିମ୍ନ କାର୍ଯ୍ୟଦକ୍ଷତା ସ୍ଥାପନ କରି, ଆହ୍ୱାନ ସମସ୍ୟା ଜେନେରିକ ଇଣ୍ଡେକ୍ସିଂ ପ୍ରସଙ୍ଗର ଉପାଦାନ ଆଧାରିତ ଅପ୍ଟିମାଇଜେସନ୍ ପାଇଁ ଅନୁମତି ଦେଇଥାଏ, ଯେତେବେଳେ ଏକକାଳୀନ ଅନ୍ୟ ଗବେଷକମାନଙ୍କୁ ଇଣ୍ଡେକ୍ସିଂ ପଦ୍ଧତି ବିକାଶ ସମୟରେ ତୁଳନା ପାଇଁ ଏକ ରେଫରେନ୍ସ ପ୍ରଦାନ କରିଥାଏ । ମଧ୍ୟବର୍ତ୍ତୀ ବିଶ୍ଳେଷଣ ପର୍ଯ୍ୟାୟରେ ଅଧିକ ଅନୁସନ୍ଧାନକୁ ପ୍ରୋତ୍ସାହିତ କରିବା ପାଇଁ ଯାହା ଭିଡିଓ ଇଣ୍ଡେକ୍ସିଂ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ପ୍ରଭାବିତ କରେ, ଏହି ଆହ୍ୱାନ ଅନୁସନ୍ଧାନକାରୀ ସମ୍ପ୍ରଦାୟକୁ ଏକ ମାନୁଆଲ୍ ଆନୋଟେଡ୍ କନ୍ସେପ୍ଟ୍ ଶବ୍ଦକୋଷ, ପୂର୍ବ-କମ୍ପ୍ୟୁଟେଡ୍ ନିମ୍ନ ସ୍ତରର ମଲ୍ଟିମିଡିଆ ବୈଶିଷ୍ଟ୍ୟ, ତାଲିମପ୍ରାପ୍ତ କ୍ଲାସିଫାୟର୍ ମଡେଲ୍ ଏବଂ ପାଞ୍ଚଟି ପରୀକ୍ଷଣ ସହିତ ମୂଳ କାର୍ଯ୍ୟଦକ୍ଷତା ପ୍ରଦାନ କରେ, ଯାହା ସମସ୍ତ http://www.mediamill.nl/challenge/ ରେ ଉପଲବ୍ଧ । |
dc9681dbb3c9cc83b4636ec97680aa3326a7e7d0 | ଅଧିକାଂଶ ବିଦ୍ୟମାନ ଭିଡିଓ ଡେନୋଇସିଂ ଆଲଗୋରିଦମ ପ୍ରତିଛବି ଶବ୍ଦ ପାଇଁ ଏକକ ପରିସଂଖ୍ୟାନିକ ମଡେଲକୁ ଗ୍ରହଣ କରିଥାଏ, ଉଦାହରଣ ସ୍ୱରୂପ: ଅତିରିକ୍ତ ଗୌସିୟାନ୍ ଧଳା ଶବ୍ଦ, ଯାହା ପ୍ରାୟତଃ ବ୍ୟବହାରରେ ଉଲ୍ଲଂଘନ କରାଯାଏ । ଏହି କାଗଜରେ, ଆମେ ଏକ ନୂତନ ପ୍ୟାଚ୍-ଆଧାରିତ ଭିଡିଓ ଡେନୋସିଂ ଆଲଗୋରିଦମ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ଭିଡିଓ ତଥ୍ୟରୁ ଗମ୍ଭୀର ମିଶ୍ରିତ ଶବ୍ଦକୁ ହଟାଇବାରେ ସକ୍ଷମ ଅଟେ । ଉଭୟ ଭୌଗଳିକ ଓ କାଳଗତ କ୍ଷେତ୍ରରେ ସମାନ ପ୍ୟାଚଗୁଡିକୁ ଗୋଷ୍ଠୀଭୁକ୍ତ କରି, ଆମେ ମିଶ୍ରିତ ଶବ୍ଦକୁ ଦୂର କରିବାର ସମସ୍ୟାକୁ ଏକ ନିମ୍ନ-ଶ୍ରେଣୀ ମାଟ୍ରିକ୍ସ ସମାପନ ସମସ୍ୟା ଭାବରେ ପ୍ରସ୍ତୁତ କରୁ, ଯାହା ଶବ୍ଦର ପରିସଂଖ୍ୟାନିକ ଗୁଣ ଉପରେ ଦୃଢ ଅନୁମାନ ବିନା ଏକ ନିରୋଚନ ଯୋଜନାକୁ ନେଇଥାଏ । ଏହିପରି ପରମାଣୁ ନିୟମ ସମ୍ବନ୍ଧୀୟ ସର୍ବନିମ୍ନକରଣ ସମସ୍ୟାକୁ ଅନେକ ନିକଟରେ ବିକଶିତ ପଦ୍ଧତି ଦ୍ୱାରା ଦକ୍ଷତାର ସହିତ ସମାଧାନ କରାଯାଇପାରିବ । ମିଶ୍ରିତ ଶବ୍ଦକୁ ଦୂର କରିବା ପାଇଁ ଆମର ପ୍ରସ୍ତାବିତ ଡିନୋଇସିଂ ଆଲଗୋରିଦମର ଦୃଢ଼ତା ଏବଂ ପ୍ରଭାବ, ଉଦାହରଣ ସ୍ୱରୂପ ଭାରୀ ଗୌସିୟାନ ଶବ୍ଦ ସହିତ ଇମ୍ପଲସିଭ୍ ଶବ୍ଦ ମିଶ୍ରଣ, ପରୀକ୍ଷଣରେ ବୈଧତା ପ୍ରାପ୍ତ ହୋଇଛି ଏବଂ ଆମର ପ୍ରସ୍ତାବିତ ଆଭିମୁଖ୍ୟ କିଛି ବିଦ୍ୟମାନ ଭିଡିଓ ଡିନୋୟସିଂ ଆଲଗୋରିଦମ ସହିତ ଅନୁକୂଳ ଭାବରେ ତୁଳନା କରେ । |
005aea80a403da18f95fcb9944236a976d83580e | ଏହି ଲେଖାରେ ଅସମ୍ପୂର୍ଣ୍ଣ ଫ୍ରିକ୍ୱେନ୍ସି ନମୁନାରୁ ଏକ ବସ୍ତୁର ପୁନଃନିର୍ମାଣର ମଡେଲ ସମସ୍ୟାକୁ ବିଚାର କରାଯାଇଛି । ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ସମୟର ସିଗନାଲ୍ f/spl isin/C/sup N/ ଏବଂ ଏକ ଆକସ୍ମିକ ଭାବରେ ମନୋନୀତ ହୋଇଥିବା ଫ୍ରିକ୍ୱେନ୍ସି ସେଟ୍ /spl Omega/ କୁ ବିଚାର କରନ୍ତୁ । କ ଣ ସମୂହ /spl ଓମେଗା/ ଉପରେ ଏହାର ଫ୍ୟୁରିଅର ଗୁଣକଗୁଡ଼ିକର ଆଂଶିକ ଜ୍ଞାନରୁ f କୁ ପୁନଃନିର୍ମାଣ କରିବା ସମ୍ଭବ କି? ଏହି କାଗଜର ଏକ ସାଧାରଣ ଫଳାଫଳ ନିମ୍ନରେ ଦିଆଗଲା । ଧରି ନିଅନ୍ତୁ f ହେଉଛି ଏକ ସୁପରପୋଜିସନ୍ T ଡ଼ାଇଗୋସ୍ପାଇକ୍ f (t) =/spl ସିଗମା//sub (spl ତାଉ) /spl ଇସ୍ପିନ/T (f) /spl ତାଉ/) /spl ଡେଲଟା/ (t-/spl ତାଉ/) ପାଳନ କରୁଛି T (d) =/spl ଲେସ୍/C (sub) M (spl ମିଡଡଡଟ୍/ (log N) /sup -1/ (spl ମିଡଡଟ୍/) ଅମେଗା/ସେସେସ୍ କିଛି ସ୍ଥିର C (sub) M (>0) ପାଇଁ ଆମେ ଏହି ସ୍ପାଇକଗୁଡ଼ିକର ସ୍ଥାନ କିମ୍ବା ଆମ୍ପ୍ଲିଟ୍ୟୁଡ ଜାଣିନୁ । ତେଣୁ, 1-O{\displaystyle N}/sup -M/ ର ସମ୍ଭାବନା ସହିତ, f କୁ /spl lscr//sub 1/ ସର୍ବନିମ୍ନକରଣ ସମସ୍ୟାର ସମାଧାନ ଭାବରେ ପୁନଃନିର୍ମାଣ କରାଯାଇପାରିବ । ସଂକ୍ଷେପରେ କହିବାକୁ ଗଲେ, ଏକ ବକ୍ର ଅପ୍ଟିମାଇଜେସନ୍ ସମସ୍ୟା ସମାଧାନ କରି ସଠିକ୍ ପୁନରୁଦ୍ଧାର ପ୍ରାପ୍ତ କରାଯାଇପାରେ । ଆମେ C/sub M/ ପାଇଁ ସଂଖ୍ୟାତ୍ମକ ମୂଲ୍ୟ ଦେଉଛୁ ଯାହା ସଫଳତାର ଇଚ୍ଛାକୃତ ସମ୍ଭାବନା ଉପରେ ନିର୍ଭର କରେ । ଆମର ଫଳାଫଳକୁ ଏକ ନୂଆ ପ୍ରକାରର ଅଣ-ଲିନିୟର ନମୁନା ସଂଗ୍ରହ ସିଦ୍ଧାନ୍ତ ଭାବରେ ବ୍ୟାଖ୍ୟା କରାଯାଇପାରେ । ବାସ୍ତବରେ, ଏହା କୁହେ ଯେ, T ରାଉଣ୍ଡ ସ୍ପାଇକରୁ ତିଆରି ହୋଇଥିବା କୌଣସି ସିଗନାଲକୁ ପ୍ରାୟତଃ O{\displaystyle T} ଆକାରର ସମସ୍ତ ଫ୍ରିକ୍ୱେନ୍ସି ସେଟରୁ କନଭେକ୍ସ ପ୍ରୋଗ୍ରାମିଂ ଦ୍ୱାରା ପୁନଃପ୍ରାପ୍ତ କରାଯାଇପାରିବ । ଏହା ମଧ୍ୟ ପ୍ରାୟତଃ ସର୍ବୋତ୍ତମ ଅଟେ କାରଣ କୌଣସି ବି ପଦ୍ଧତି ସଫଳ ହେଲେ 1-O ((N/sup -M/) ର ସମ୍ଭାବନା ସହିତ ସାଧାରଣ ଭାବରେ T < middot/logN ସହିତ ସମାନ୍ତରାଳ ଭାବରେ ବହୁ ସଂଖ୍ୟକ ଫ୍ରିକ୍ୱେନ୍ସି ନମୁନା ଆବଶ୍ୟକ ହୋଇଥାଏ । ଏହି ପଦ୍ଧତି ଅନ୍ୟାନ୍ୟ ପରିସ୍ଥିତି ଏବଂ ଉଚ୍ଚତର ଦିଗକୁ ବିସ୍ତାର କରିଥାଏ । ଉଦାହରଣ ସ୍ୱରୂପ, ଆମେ ଦେଖାଇଥାଉ ଯେ କିପରି ଜଣେ ଅସମ୍ପୂର୍ଣ୍ଣ ଫ୍ରିକ୍ୱେନ୍ସି ନମୁନାଗୁଡିକରୁ ଏକ ଅଂଶବିଶେଷ ସ୍ଥିର (ଏକ କିମ୍ବା ଦୁଇ-ଆକାର) ବସ୍ତୁକୁ ପୁନଃନିର୍ମାଣ କରିପାରିବ - ଯଦି ଜମ୍ପ (ବିରାମ) ସଂଖ୍ୟା ଉପରୋକ୍ତ ସର୍ତ୍ତ ପାଳନ କରେ - ଅନ୍ୟ ବକ୍ର କାର୍ଯ୍ୟକଳାପକୁ ସର୍ବନିମ୍ନ କରି f ର ସମୁଦାୟ ପରିବର୍ତ୍ତନ ପରି _ |
023f6fc69fe1f6498e35dbf85932ecb549d36ca4 | ଏହି କାଗଜରେ ଏକ ନୂତନ ଆଲଗୋରିଦମକୁ ଆରମ୍ଭ କରାଯାଇଛି ଯାହାଦ୍ୱାରା ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ବକ୍ର ବାଧକକୁ ମାନୁଥିବା ସମସ୍ତ ମାଟ୍ରିକ୍ସ ମଧ୍ୟରେ ସର୍ବନିମ୍ନ ଆଣବିକ ନିୟମ ସହିତ ମାଟ୍ରିକ୍ସକୁ ଅନୁମାନ କରାଯାଇପାରିବ । ଏହି ସମସ୍ୟାକୁ ଏକ ମାନ୍ୟତା କ୍ଷୁଦ୍ରକରଣ ସମସ୍ୟାର ବକ୍ର ବିଶ୍ରାମ ଭାବରେ ବୁଝାଯାଇପାରେ ଏବଂ ଅନେକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପ୍ରୟୋଗରେ ଏହା ଉତ୍ପନ୍ନ ହୁଏ ଯେପରିକି ଏହାର ଏଣ୍ଟ୍ରିଗୁଡିକର ଏକ ଛୋଟ ଉପସୂଚୀରୁ ଏକ ବଡ଼ ମ୍ୟାଟ୍ରିକ୍ସ ପୁନରୁଦ୍ଧାର କରିବାର କାର୍ଯ୍ୟ (ପ୍ରସିଦ୍ଧ ନେଟଫ୍ଲିକ୍ସ ସମସ୍ୟା) । ଆଭ୍ୟନ୍ତରୀଣ ବିନ୍ଦୁ ପଦ୍ଧତି ପରି ଅଫ-ଦ-ଶେଲ୍ଫ ଆଲଗୋରିଦମ ସିଧାସଳଖ ଭାବରେ ଏହି ପ୍ରକାରର ଏକ ନିୟୁତରୁ ଅଧିକ ଅଜଣା ପ୍ରବେଶ ସହିତ ବଡ଼ ସମସ୍ୟା ପାଇଁ ଗ୍ରହଣୀୟ ନୁହେଁ । ଏହି କାଗଜରେ ଏକ ସରଳ ପ୍ରଥମ-ଶ୍ରେଣୀ ଏବଂ ସହଜରେ କାର୍ଯ୍ୟକାରୀ ହେଉଥିବା ଆଲଗୋରିଦମ ବିକଶିତ କରାଯାଇଛି ଯାହା ସେହି ସମସ୍ୟାଗୁଡ଼ିକର ସମାଧାନ କରିବାରେ ଅତ୍ୟନ୍ତ ଦକ୍ଷ ଅଟେ ଯେଉଁଠାରେ ସର୍ବୋତ୍ତମ ସମାଧାନର ମାନ୍ୟତା କମ୍ ଥାଏ । ଏହି ଆଲଗୋରିଦମଟି କ୍ରମିକ ଅଟେ, ଏହା ମାଟ୍ରିକ୍ସ {Xk , Yk} ର ଏକ କ୍ରମ ସୃଷ୍ଟି କରେ, ଏବଂ ପ୍ରତ୍ୟେକ ପଦକ୍ଷେପରେ ମୁଖ୍ୟତଃ ମାଟ୍ରିକ୍ସ Yk ର ଏକକ ମୂଲ୍ୟ ଉପରେ ଏକ ନରମ-ଥ୍ରେସଲିଡିଂ କାର୍ଯ୍ୟ କରିଥାଏ । ଦୁଇଟି ଉଲ୍ଲେଖନୀୟ ବୈଶିଷ୍ଟ୍ୟ ଅଛି ଯାହା ନିମ୍ନ-ଶ୍ରେଣୀ ମାଟ୍ରିକ୍ସ ସମାପନ ସମସ୍ୟା ପାଇଁ ଏହାକୁ ଆକର୍ଷଣୀୟ କରିଥାଏ । ପ୍ରଥମଟି ହେଉଛି ମୃଦୁ-ସୀମାକରଣ କାର୍ଯ୍ୟ ଏକ ବିରଳ ମାଟ୍ରିକ୍ସରେ ପ୍ରୟୋଗ କରାଯାଏ; ଦ୍ୱିତୀୟଟି ହେଉଛି iterates {Xk} ର ରାଙ୍କ୍ ଅନୁଭବଗତ ଭାବରେ ନନ୍-ଡିସ୍କ୍ରେସିଭ୍ ଅଟେ । ଏହି ଦୁଇଟି ତଥ୍ୟ ଆଲଗୋରିଦମକୁ ଅତି କମ୍ ସଂରକ୍ଷଣ ସ୍ଥାନର ବ୍ୟବହାର କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ ଏବଂ ପ୍ରତ୍ୟେକ ପୁନରାବୃତ୍ତିର ଗଣନା ଖର୍ଚ୍ଚ କମ୍ ରଖେ । ସିଦ୍ଧାନ୍ତିକ ପକ୍ଷରେ, ଆମେ ଏକ ସମ୍ମିଶ୍ରଣ ବିଶ୍ଳେଷଣ ପ୍ରଦାନ କରୁ ଯାହା ଦର୍ଶାଏ ଯେ iterates ର କ୍ରମ ସମ୍ମିଶ୍ରଣ କରେ । ବାସ୍ତବିକତା ଦୃଷ୍ଟିରୁ ଆମେ ଏକ ସାମାନ୍ୟ ଡେସ୍କଟପ କମ୍ପ୍ୟୁଟରରେ ଏକ ମିନିଟରୁ କମ୍ ସମୟ ମଧ୍ୟରେ ୧,୦୦୦ × ୧,୦୦୦ ମାଟ୍ରିକ୍ସ ପୁନରୁଦ୍ଧାର କରିବାର ସଂଖ୍ୟାଗତ ଉଦାହରଣ ପ୍ରଦାନ କରିଛୁ । ଆମେ ମଧ୍ୟ ଦର୍ଶାଇଛୁ ଯେ ଆମର ଆଭିମୁଖ୍ୟ ବହୁତ ବଡ଼ ଆକାରର ସମସ୍ୟା ପାଇଁ ଗ୍ରହଣୀୟ ଅଟେ, ପ୍ରାୟ ୧୦ର ମେଟ୍ରିକ୍ସକୁ ପ୍ରାୟ ଏକ ବିଲିୟନ ଅଜଣା ସହିତ ସେମାନଙ୍କର ନମୁନା ଏଣ୍ଟ୍ରିର ମାତ୍ର ୦.୪%ରୁ ପୁନରୁଦ୍ଧାର କରି । ଆମର ପଦ୍ଧତିଗୁଡ଼ିକ 1 ସର୍ବନିମ୍ନକରଣ ପାଇଁ ରେଖାପାତିତ ବ୍ରେଗମ୍ୟାନ୍ ପୁନରାବୃତ୍ତି ଉପରେ ସାମ୍ପ୍ରତିକ ସାହିତ୍ୟ ସହିତ ସଂଯୁକ୍ତ, ଏବଂ ଆମେ ଏକ ଫ୍ରେମୱାର୍କ ବିକଶିତ କରୁ ଯେଉଁଥିରେ ଜଣେ ଏହି ଆଲଗୋରିଦମଗୁଡ଼ିକୁ ଜଣାଶୁଣା ଲାଗ୍ରାଞ୍ଜ ଗୁଣକ ଆଲଗୋରିଦମଗୁଡିକର ପରିପ୍ରେକ୍ଷୀରେ ବୁଝିପାରିବ । |
e63ade93d75bc8f34639e16e2b15dc018ec9c208 | |
8f84fd69ea302f28136a756b433ad9a4711571c2 | |
8cbef23c9ee2ae7c35cc691a0c1d713a6377c9f2 | ଆଣ୍ଡୋର, ଡି., ଆଲବର୍ଟି, ସି., ୱେସ୍, ଡି., ସେଭେରିନ୍, ଏ., ପ୍ରେଷ୍ଟା, ଏ., ଗାନ୍ଚେଭ, କେ., ପେଟ୍ରୋଭ, ଏସ୍. ଏବଂ କଲିନ୍ସ, ଏମ୍. (୨୦୧୬) । ବିଶ୍ୱସ୍ତରରେ ସାଧାରଣ ସଂପ୍ରସାରଣ ଆଧାରିତ ନ୍ୟୁରାଲ ନେଟୱାର୍କ । କମ୍ପ୍ୟୁଟେସନାଲ ଲିଙ୍ଗୁଇଷ୍ଟିକ୍ସ ପାଇଁ ଆସୋସିଏସନ୍ରେ । ବାଲେଷ୍ଟରୋସ, ଏମ., ଗୋଲ୍ଡବର୍ଗ, ୱାଇ., ଡାୟର, ସି. ଏବଂ ସ୍ମିଥ, ଏନ. ଏ. ୨୦୧୬ ମସିହା । ଅନୁସନ୍ଧାନ ସହିତ ତାଲିମ ଏକ ଲୋଭୀ ଷ୍ଟେକ-LSTM ପାର୍ସରକୁ ଉନ୍ନତ କରିଥାଏ । ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣରେ ଅନୁଭବୀ ପଦ୍ଧତି ଉପରେ ସମ୍ମିଳନୀର କାର୍ଯ୍ୟସୂଚୀ । ଚେନ, ଡି. ଏବଂ ମନିଙ୍ଗ, ସି. ଡି. (୨୦୧୪) । ସ୍ଵିଷ୍ଟ ଏବଂ ସଠିକ ନିର୍ଭରଶୀଳତା ପାର୍ସର ନ୍ୟୁରାଲ ନେଟୱର୍କ ବ୍ୟବହାର କରି । ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣରେ ଅନୁଭବୀ ପଦ୍ଧତି ଉପରେ ସମ୍ମିଳନୀରେ, ପୃଷ୍ଠା ୭୪୦-୭୫୦ । ଚେଙ୍ଗ, ଏଚ., ଫାଙ୍ଗ, ଏଚ., ହେ, ଏକ୍ସ., ଗାଓ, ଜେ. ଏବଂ ଡେଙ୍ଗ, ଏଲ. (2016). ନିର୍ଭରଶୀଳତା ବିଶ୍ଳେଷଣ ପାଇଁ ସହମତି ସହିତ ଦ୍ୱି-ଦିଗାନ୍ତକାରୀ ଧ୍ୟାନ । arXiv ପ୍ରାକ୍ ମୁଦ୍ରଣ arXiv:1608.02076 ହାସିମୋଟୋ, କେ. , ସିଓଙ୍ଗ, ସି, ସୁରୁକ, ଓ୍ବାଇ ଏବଂ ସୋଚର, ଆର. (୨୦୧୬) । ଏକ ମିଳିତ ବହୁ-କାର୍ୟ୍ୟ ମଡେଲ: ଏକାଧିକ ଏନଏଲପି କାର୍ଯ୍ୟ ପାଇଁ ଏକ ନ୍ୟୁରାଲ ନେଟୱାର୍କର ବିକାଶ । arXiv ପ୍ରାକ୍ ମୁଦ୍ରଣ arXiv:1611.01587 କିପରୱାସର, ଇ. ଓ ଗୋଲ୍ଡବର୍ଗ, ୱାଇ. ୨୦୧୬ ମସିହା । ଦ୍ବି-ଆଧାରିତ ଏଲଏସଟିଏମ ବୈଶିଷ୍ଟ୍ୟ ପ୍ରତିନିଧିତ୍ୱ ବ୍ୟବହାର କରି ସରଳ ଏବଂ ସଠିକ ନିର୍ଭରଶୀଳତା ପାର୍ସିଂ । କମ୍ପ୍ୟୁଟେସନାଲ ଲିଙ୍ଗୁଇଷ୍ଟିକ୍ସ ପାଇଁ ଆସୋସିଏସନ୍ର କାରବାର, ୪ଃ୩୧୩-୩୨୭ କୁନକୋରୋ, ଏ. , ବାଲେଷ୍ଟରୋସ, ଏମ୍. , କଂଗ, ଏଲ୍. , ଡାୟର, ସି. , ନିଉବିଗ, ଜି. ଏବଂ ସ୍ମିଥ୍, ଏନ୍. ଏ. ୨୦୧୬ ମସିହା । ବାରମ୍ବାର ହେଉଥିବା ନ୍ୟୁରାଲ ନେଟୱାର୍କ ବ୍ୟାକରଣ ବାକ୍ୟରଚନା ବିଷୟରେ କ ଣ ଶିଖେ? ଆରଟିସି, ଏବିଏସ/1611.05774 ମେକଡୋନାଲ୍ଡ, ଆର. ଟି. ଏବଂ ପେରେରା, ଏଫ. ସି. (୨୦୦୬) । ଅନୁମାନିକ ନିର୍ଭରଶୀଳତା ପାର୍ସିଂ ଆଲଗୋରିଦମଗୁଡ଼ିକର ଅନଲାଇନ ଶିକ୍ଷାଲାଭ ଇଏସିଏଲରେ । ନିଭ୍ରେ, ଜେ., ହଲ୍, ଜେ. ଏବଂ ନିଲ୍ସନ୍, ଜେ. (୨୦୦୬) ରେ ପ୍ରକାଶିତ ହୋଇଥିଲା । ମାଲ୍ଟପାରସର: ନିର୍ଭରଶୀଳତା ପାରସିଂ ପାଇଁ ଏକ ଡାଟା-ଚାଳିତ ପାରସର ଜେନେରେଟର । LRECର ପ୍ରୋସିଡିଙ୍ଗ୍ସ, ଖଣ୍ଡ ୬, ପୃଷ୍ଠା ୨୨୧୬-୨୨୧୯ରେ । |
8645a7ff78dc321e08dea6576c04f02a3ce158f9 | ଭିଡିଓଗୁଡିକ ଜଟିଳ ଅର୍ଥନୈତିକ ସୂଚନା ପ୍ରଦାନ କରିବା ଏବଂ ନୂତନ ଜ୍ଞାନର ବୁଝିବା ପାଇଁ ସାହାଯ୍ୟ କରିଥାଏ । କିନ୍ତୁ ଯେତେବେଳେ ଭିନ୍ନ ଭିନ୍ନ ଅର୍ଥର ଅର୍ଥ ମିଶ୍ରଣ ହୋଇଥାଏ (ଯେପରିକି ଚିତ୍ର, ଭିଡିଓ, ଲେଖା) ଏକ କମ୍ପ୍ୟୁଟର ମଡେଲ ପାଇଁ ଧାରଣାକୁ ଚିହ୍ନଟ କରିବା ଓ ଶ୍ରେଣୀଭୁକ୍ତ କରିବା କଷ୍ଟକର ହୋଇଥାଏ (ଯେପରିକି ବନ୍ୟା, ଝଡ଼, ଏବଂ ପଶୁ) । ଏହି କାଗଜରେ ଟ୍ରାନ୍ସଫର ଲର୍ଣ୍ଣିଂ ଏବଂ କ୍ରମିକ ଗଭୀର ଶିକ୍ଷଣ ମଡେଲରେ ସାମ୍ପ୍ରତିକ ଅଗ୍ରଗତିକୁ ଉପଯୋଗ କରି ଭିଡିଓ ଧାରଣା ବର୍ଗୀକରଣରେ ଉନ୍ନତି ଆଣିବା ପାଇଁ ଏକ ମଲ୍ଟିମୋଡାଲ୍ ଗଭୀର ଶିକ୍ଷଣ ଢାଞ୍ଚା ଉପସ୍ଥାପନ କରାଯାଇଛି । ଉଭୟ ଅଡିଓ ଏବଂ ପାଠ୍ୟ ମଡେଲ ପାଇଁ କ୍ରମିକ ଅର୍ଥଶାସ୍ତ୍ର ପାଇବା ପାଇଁ ଲଙ୍ଗ୍-କର୍ଟ-ଟର୍ମ ମେମୋରୀ (LSTM) ରିକର୍ଭାଣ୍ଟ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ (RNN) ମଡେଲଗୁଡିକ ବ୍ୟବହୃତ ହୁଏ । ଏହି ପ୍ରସ୍ତାବିତ ଢାଂଚା ବିପର୍ଯ୍ୟୟ ସମ୍ବନ୍ଧୀୟ ଭିଡିଓ ଡାଟାସେଟ ଉପରେ ଲାଗୁ ହେବ ଯେଉଁଥିରେ କେବଳ ବିପର୍ଯ୍ୟୟ ଦୃଶ୍ୟ ନୁହେଁ, ବିପର୍ଯ୍ୟୟ ସମୟରେ ହୋଇଥିବା କାର୍ଯ୍ୟକଳାପ ମଧ୍ୟ ଅନ୍ତର୍ଭୁକ୍ତ ହେବ । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ପ୍ରସ୍ତାବିତ ଢାଞ୍ଚାର ପ୍ରଭାବକୁ ଦର୍ଶାଉଛି । |
119bb251cff0292cbf6bed27acdcad424ed9f9d0 | ଏହି ଲେଖାରେ ଗ୍ରାଫିକାଲ ମଡେଲ (ବେସୀୟ ନେଟୱାର୍କ ଏବଂ ମାର୍କୋଭ ରାଣ୍ଡମ ଫିଲ୍ଡ) ରେ ଅନୁମାନ ଏବଂ ଶିକ୍ଷଣ ପାଇଁ ଭେରିଏସନଲ ପଦ୍ଧତିର ବ୍ୟବହାର ବିଷୟରେ ଏକ ଟ୍ୟୁଟୋରିଆଲ ଉପସ୍ଥାପନ କରାଯାଇଛି । ଆମେ ଗ୍ରାଫିକାଲ ମଡେଲର ଅନେକ ଉଦାହରଣ ଉପସ୍ଥାପନ କରୁଛୁ, ଯେଉଁଥିରେ କ୍ୟୁଏମଆର-ଡିଟି ଡାଟାବେସ୍, ସିଗମୋଏଡ୍ ବିଶ୍ବାସ ନେଟୱାର୍କ, ବୋଲ୍ଟଜମାନ ମେସିନ୍ ଏବଂ ଲୁକ୍କାୟିତ ମାର୍କୋଭ୍ ମଡେଲର ଅନେକ ପ୍ରକାର ଅନ୍ତର୍ଭୁକ୍ତ, ଯେଉଁଥିରେ ସଠିକ୍ ଅନୁମାନ ଆଲଗୋରିଦମ ଚଳାଇବା ଅସମ୍ଭବ । ତାପରେ ଆମେ ଭେରିଏସନଲ ପଦ୍ଧତିକୁ ଆରମ୍ଭ କରିଥାଉ, ଯାହା ମୂଳ ଗ୍ରାଫିକାଲ ମଡେଲକୁ ସରଳୀକୃତ ଗ୍ରାଫିକାଲ ମଡେଲରେ ପରିବର୍ତ୍ତନ କରିବା ପାଇଁ ବଡ ସଂଖ୍ୟାର ନିୟମକୁ ବ୍ୟବହାର କରିଥାଏ ଯେଉଁଥିରେ ଅନୁମାନ ପ୍ରଭାବଶାଳୀ ହୋଇଥାଏ । ସରଳୀକୃତ ମଡେଲରେ ଅନୁମାନ ମୂଳ ମଡେଲରେ ଆଗ୍ରହର ସମ୍ଭାବନା ଉପରେ ସୀମା ପ୍ରଦାନ କରିଥାଏ । ଆମେ ବର୍ଣ୍ଣନା କରୁଛୁ ଯେ ବକ୍ର ଦ୍ୱୈତତା ଉପରେ ଆଧାରିତ ବିବିଧ ରୂପାନ୍ତରଣ ସୃଷ୍ଟି କରିବା ପାଇଁ ଏକ ସାଧାରଣ ଢାଞ୍ଚା ଅଛି । ଶେଷରେ ଆମେ ଉଦାହରଣକୁ ଫେରିଯିବା ଏବଂ ପ୍ରତ୍ୟେକ କ୍ଷେତ୍ରରେ ଭେରିଏସନଲ ଆଲଗୋରିଦମ କିପରି ପ୍ରସ୍ତୁତ କରାଯାଇପାରିବ ତାହା ପ୍ରଦର୍ଶନ କରିବା । |
17e9d3ba861db8a6d323e1410fe5ca0986d5ad6a | ଏହି ଗବେଷଣାରେ ଏକ ଅଣ-ପାରାମେଟ୍ରିକ ପଦ୍ଧତିର ବ୍ୟବହାର କରାଯାଇଛି । ଏହି ପ୍ରକ୍ରିୟାରେ ଏକ ନୂଆ ଛବି ବାହାରୁ ଏକ ମୂଳ ଛବିରୁ ବାହାରୁ ଗୋଟିଏ ପିକ୍ସେଲରେ ବିକଶିତ ହୋଇଥାଏ । ଏକ ମାର୍କୋଭ୍ ରାଣ୍ଡମ ଫିଲ୍ଡ ମଡେଲ ଧରାଯାଏ, ଏବଂ ଏକ ପିକ୍ସେଲର ସର୍ତ୍ତମୂଳକ ବଣ୍ଟନ ଏହାର ସମସ୍ତ ପଡ଼ୋଶୀମାନଙ୍କୁ ଦେଇ ବର୍ତ୍ତମାନ ପର୍ଯ୍ୟନ୍ତ ସଂଶ୍ଳେଷିତ ନମୁନା ପ୍ରତିଛବିକୁ ପ୍ରଶ୍ନ କରି ଏବଂ ସମସ୍ତ ସମାନ ପଡ଼ୋଶୀମାନଙ୍କୁ ପାଇ ଆକଳନ କରାଯାଏ । ଆକସ୍ମିକତାର ସ୍ତର ଏକକ ଅବଧାରଣାଗତ ଅନ୍ତର୍ଦୃଷ୍ଟିଗତ ପାରାମିଟର ଦ୍ୱାରା ନିୟନ୍ତ୍ରିତ ହୋଇଥାଏ । ଏହି ପଦ୍ଧତିର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଯଥାସମ୍ଭବ ଅଧିକ ସ୍ଥାନୀୟ ସଂରଚନାକୁ ସଂରକ୍ଷିତ ରଖିବା ଏବଂ ବିଭିନ୍ନ ପ୍ରକାର ସିନ୍ଥେଟିକ୍ ଏବଂ ବାସ୍ତବ ଦୁନିଆର ରଚନା ପାଇଁ ଭଲ ଫଳାଫଳ ପ୍ରଦାନ କରିଥାଏ । |
54205667c1f65a320f667d73c354ed8e86f1b9d9 | ଚିତ୍ରରୁ ଶବ୍ଦ ହଟାଇବା ପାଇଁ ଏକ ସଂଖ୍ୟକ ଆଲଗୋରିଦମର ଏକ ସୀମିତ ଅପ୍ଟିମାଇଜେସନ୍ ପ୍ରକାର ଉପସ୍ଥାପିତ କରାଯାଇଛି । ଚିତ୍ରର ମୋଟ ପରିବର୍ତ୍ତନକୁ ସର୍ବନିମ୍ନ କରାଯାଇଥାଏ, ଯେଉଁଥିରେ ଶବ୍ଦ ପରିସଂଖ୍ୟାନ ଅନ୍ତର୍ଭୁକ୍ତ ହୋଇଥାଏ । ଏହି ପ୍ରତିବନ୍ଧକଗୁଡ଼ିକ ଲାଗ୍ରାଞ୍ଜ ଗୁଣକ ବ୍ୟବହାର କରି ଲଗାଯାଇଥାଏ । ଏହି ଦ୍ରବଣକୁ ଗ୍ରାଡିଏଣ୍ଟ-ପ୍ରୋଜେକ୍ସନ ପଦ୍ଧତି ବ୍ୟବହାର କରି ପ୍ରାପ୍ତ କରାଯାଇଥାଏ । ଏହା ଏକ ସମୟ ନିର୍ଭରଶୀଳ ଆଂଶିକ ବିବରଣୀ ସମୀକରଣକୁ ସମାଧାନ କରିବା ସହିତ ସମାନ ହୋଇଥାଏ । t → ∞ ହେଲେ ସମାଧାନ ସ୍ଥିର ଅବସ୍ଥାକୁ ଆସେ ଯାହାକି ଏକ ନିରବୀକୃତ ପ୍ରତିଛବି । ସଂଖ୍ୟାଗତ ଆଲଗୋରିଦମ ସରଳ ଏବଂ ଅପେକ୍ଷାକୃତ ଦ୍ରୁତ । ଏହି ଫଳାଫଳ ଅତ୍ୟନ୍ତ ଧ୍ୱନିଯୁକ୍ତ ଚିତ୍ର ପାଇଁ ଅତ୍ୟାଧୁନିକ ବୋଲି ଜଣାପଡିଛି । ଏହି ପଦ୍ଧତି ଅଣ-ଆକ୍ରମଣକାରୀ, ଯାହାଦ୍ୱାରା ଛବିରେ ତୀକ୍ଷ୍ଣ କଡ଼ ମିଳିଥାଏ । ଏହି କୌଶଳକୁ ପ୍ରତିଛବିର ପ୍ରତ୍ୟେକ ସ୍ତର ସେଟକୁ ନିଜ ଆଡକୁ ନର୍ମାଲ ବେଗରେ ଗତି କରିବାର ପ୍ରଥମ ପଦକ୍ଷେପ ଭାବରେ ବ୍ୟାଖ୍ୟା କରାଯାଇପାରେ, ଯାହା ସ୍ତର ସେଟର ବକ୍ରତା ସହିତ ପ୍ରତିଛବିର ଗ୍ରାଡିଏଣ୍ଟର ପରିମାଣ ଦ୍ୱାରା ବିଭକ୍ତ ହୋଇଥାଏ, ଏବଂ ଦ୍ୱିତୀୟ ପଦକ୍ଷେପ ଯାହା ପ୍ରତିଛବିକୁ ପ୍ରତିବନ୍ଧକ ସେଟକୁ ପ୍ରୋଜେକ୍ଟ କରିଥାଏ । |
cc6a972b3ce231aa86757ecfe6af7997e6623a13 | ବାସ୍ତବ ସମୟର ଭାଷଣ ଚିହ୍ନଟ ପ୍ରୟୋଗରେ, ଲେଟେନ୍ସି ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ବିଷୟ । ଆମେ ଏକ ଅକ୍ଷର ସ୍ତରୀୟ ବୃଦ୍ଧିଶୀଳ ଭାଷଣ ଚିହ୍ନଟ (ଆଇଏସଆର) ପ୍ରଣାଳୀ ବିକଶିତ କରିଛୁ ଯାହା ଭାଷଣ ସମୟରେ ମଧ୍ୟ ଶୀଘ୍ର ପ୍ରତିକ୍ରିୟା କରେ, ଯେଉଁଠାରେ କଳ୍ପନାଗୁଡିକ କ୍ରମଶଃ ଉନ୍ନତ ହୋଇଥାଏ ଯେତେବେଳେ କଥାବାର୍ତ୍ତା ଆଗକୁ ବଢ଼େ । ଏହି ଆଲଗୋରିଦମରେ ଏକ ଭାଷଣ-ଅକ୍ଷର ଏକ-ଆଭିମୁଖୀ ପୁନଃପୌନିକ ନ୍ୟୁରାଲ ନେଟୱାର୍କ (RNN) ବ୍ୟବହାର କରାଯାଇଛି, ଯାହା ସଂଯୋଗବାଦୀ କାଳୀନ ବର୍ଗୀକରଣ (CTC) ସହିତ ଏଣ୍ଡ-ଟୁ-ଏଣ୍ଡ ତାଲିମପ୍ରାପ୍ତ ଏବଂ ଏକ RNN-ଆଧାରିତ ଅକ୍ଷର-ସ୍ତରୀୟ ଭାଷା ମଡେଲ (LM) । ସିଟିସି ଦ୍ୱାରା ପ୍ରଶିକ୍ଷିତ ଆରଏନଏନର ଆଉଟପୁଟ୍ ମୂଲ୍ୟଗୁଡିକ ଅକ୍ଷର ସ୍ତରୀୟ ସମ୍ଭାବନା ଅଟେ, ଯାହାକୁ ବିମ୍ ସର୍ଚ୍ଚ ଡିକୋଡିଂ ଦ୍ୱାରା ପ୍ରକ୍ରିୟାକରଣ କରାଯାଏ । ଦୀର୍ଘକାଳୀନ ନିର୍ଭରଶୀଳତା ସୂଚନା ପ୍ରଦାନ କରି ଆରଏନଏଲ ଏଲଏମ ଡିକୋଡିଂକୁ ବୃଦ୍ଧି କରିଥାଏ । ଆମେ ବୃକ୍ଷ ଆଧାରିତ ଅନଲାଇନ ବିମ୍ ସର୍ଚ୍ଚ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯେଉଁଥିରେ ଅତିରିକ୍ତ ଗଭୀରତା-ଛେଦନ ସହିତ, ଯାହା ସିଷ୍ଟମକୁ କମ୍ ଲେଟାନ୍ସି ସହିତ ଅସୀମ ଦୀର୍ଘ ଇନପୁଟ୍ ଭାଷଣ ପ୍ରକ୍ରିୟାକରଣ କରିବାକୁ ସକ୍ଷମ କରେ । ଏହି ପ୍ରଣାଳୀ କେବଳ ଭାଷାରେ ଶୀଘ୍ର ପ୍ରତିକ୍ରିୟା କରେ ନାହିଁ ବରଂ ଉଚ୍ଚାରଣ ଅନୁଯାୟୀ ଶବ୍ଦାବଳୀ ବାହାରେ ଥିବା ଶବ୍ଦ (ଓଓଭି) କୁ ମଧ୍ୟ ନିର୍ଦ୍ଦେଶ ଦେଇପାରେ । ପ୍ରସ୍ତାବିତ ମଡେଲ ୱାଲ ଷ୍ଟ୍ରିଟ ଜର୍ଣ୍ଣାଲ (ଡବ୍ଲୁଏସଜେ) ନଭେମ୍ବର ୧୯୯୨ ୨୦କେ ମୂଲ୍ୟାୟନ ସେଟରେ ୮.୯୦%ର ଶବ୍ଦ ତ୍ରୁଟି ହାର (ଡବ୍ଲୁଇଆର) ହାସଲ କରିଥାଏ ଯେତେବେଳେ ଡବ୍ଲୁଏସଜେଏସଆଇ-୨୮୪ ପ୍ରଶିକ୍ଷଣ ସେଟରେ ତାଲିମ ଦିଆଯାଇଥାଏ । |
f4f3a10d96e0b6d134e7e347e1727b7438d4006f | |
1ecffbf969e0d46acfcdfb213e47027227d8667b | ଯଦିଓ ପାରମ୍ପରିକ ଭାବେ ବିପଦକୁ ଏକ ଏକକ, ସ୍ଥିର ବ୍ୟକ୍ତିଗତ ଭିନ୍ନତା ଭେରିଏବଲ୍ ଭାବରେ ଦେଖାଯାଇଥାଏ, ଆଚରଣଗତ ନିଷ୍ପତ୍ତି ଗ୍ରହଣ ଗବେଷଣାରେ ଉଦୀୟମାନ ପ୍ରମାଣ ଦର୍ଶାଏ ଯେ ବିପଦ ଗ୍ରହଣ କରିବା ଏକ ଡୋମେନ୍-ନିର୍ଦ୍ଦିଷ୍ଟ ଗଠନ ଅଟେ । ଏକ ମନସ୍ତାତ୍ତ୍ୱିକ ବିପଦ-ପୁନଃପୌନିକ ଫ୍ରେମୱାର୍କ ବ୍ୟବହାର କରି, ଯାହା ଏକ କାର୍ଯ୍ୟର ଅନୁଭୂତ ଲାଭ ଏବଂ ଅନୁଭୂତ ବିପଦକୁ ନେଇ ବିପଦକୁ ହ୍ରାସ କରିଥାଏ (ୱେବର ଏବଂ ମିଲିମାନ, 1997) ଏହି ଅଧ୍ୟୟନ ଚାରୋଟି ବିପଦ କ୍ଷେତ୍ର ମଧ୍ୟରେ ନୂତନ HEXACO ବ୍ୟକ୍ତିତ୍ୱ ଫ୍ରେମୱାର୍କ (ଲି ଏବଂ ଆଷ୍ଟନ, 2004) ବ୍ୟବହାର କରି ବିପଦ ମନୋଭାବ ଏବଂ ବ୍ୟାପକ ବ୍ୟକ୍ତିତ୍ୱ ଦିଗ ମଧ୍ୟରେ ସମ୍ପର୍କକୁ ପରୀକ୍ଷା କରିଥିଲା । ଏହି ବ୍ୟକ୍ତିତ୍ୱ ଢାଞ୍ଚା, ଯାହା ୧୨ଟି ପ୍ରାକୃତିକ ଭାଷାରେ ଶବ୍ଦକୋଷ ଅଧ୍ୟୟନରେ ନକଲ କରାଯାଇଛି, ପାରମ୍ପରିକ ପାଞ୍ଚ-କାରକ ମଡେଲ ବା ବିଗ୍ ଫାଇଭ୍ ବିପରୀତରେ ଛଅଟି ବ୍ୟାପକ ବ୍ୟକ୍ତିତ୍ୱ ପରିମାପ ଉପରେ ବ୍ୟକ୍ତିତ୍ୱକୁ ଆକଳନ କରେ । ପଥ ବିଶ୍ଳେଷଣ ମାଧ୍ୟମରେ, ଆମେ ବିପଦକୁ ଚାରିଟି ପୃଥକ ଡୋମେନରେ ନେଇଛୁ । ବିପଦ ଧାରଣ, ଲାଭକୁ ବିବେଚନା କରିବା ଏବଂ ଛଅଟି ହେକ୍ସାକୋ ପରିମାପ । ସମସ୍ତ ବିପଦ କ୍ଷେତ୍ରରେ ଆମେ ପାଇଲୁ ଯେ ଭାବନାତ୍ମକ ଦିଗ ଅଧିକ ବିପଦ ସହ ଜଡିତ ଏବଂ ଅଧିକ ସଚେତନତା କମ୍ ଲାଭ ସହିତ ଜଡିତ । ଆମେ ମଧ୍ୟ HEXACO ପରିମାପକ ଓ ବିପଦ ମନୋଭାବ ମଧ୍ୟରେ ଥିବା କ୍ଷେତ୍ର-ନିର୍ଦ୍ଦିଷ୍ଟ ସମ୍ପର୍କର ଅନେକ ଅନନ୍ୟ ନମୁନା ବିଷୟରେ ରିପୋର୍ଟ କରିଛୁ । ବିଶେଷକରି, ଖୋଲାପଣ ସାମାଜିକ ଏବଂ ମନୋରଞ୍ଜନ ବିପଦ ପାଇଁ ବିପଦ ଗ୍ରହଣ କରିବା ଏବଂ ଲାଭକୁ ଅନୁଭବ କରିବା ସହିତ ଜଡିତ ଥିଲା, ଯେତେବେଳେ କି ନିମ୍ନମାନର ସଚ୍ଚୋଟତା / ନମ୍ରତା ଅଧିକ ସ୍ୱାସ୍ଥ୍ୟ / ନିରାପତ୍ତା ଏବଂ ନୈତିକ ବିପଦ ଗ୍ରହଣ ସହିତ ଜଡିତ ଥିଲା । ଏହି ଫଳାଫଳଗୁଡିକ ବିଭିନ୍ନ ପ୍ରସଙ୍ଗରେ ବ୍ୟକ୍ତିମାନେ କିପରି ବିପଦକୁ ଆଭିମୁଖ୍ୟ ଗ୍ରହଣ କରନ୍ତି ସେ ବିଷୟରେ ଆମର ବୁଝାମଣାକୁ ବିସ୍ତାର କରିଥାଏ ଏବଂ ବ୍ୟକ୍ତିଗତ ପାର୍ଥକ୍ୟ ଅନୁସନ୍ଧାନରେ ବିଗ୍ ଫାଇଭ୍ ମଡେଲରେ ପୁନରୁଦ୍ଧାର ହୋଇନଥିବା ଏକ ଦିଗ, ସଚ୍ଚୋଟତା / ବିନମ୍ରତାର ଉପଯୋଗିତା ଉପରେ ଅଧିକ ଆଲୋକପାତ କରିଥାଏ । କପିରାଇଟ୍ # 2010 ଜନ ୱାଇଲି ଆଣ୍ଡ୍ ସନ୍ସ, ଲିମିଟେଡ୍ କୀ ଶବ୍ଦ ବିପଦ ଗ୍ରହଣ; ବିପଦ ଧାରଣ; ବିପଦ-ଫେରିବା ଢାଞ୍ଚା; ବ୍ୟକ୍ତିତ୍ୱ; ହେକ୍ସାକୋ; ସଚ୍ଚୋଟତା / ନମ୍ରତା ବିପଦ ଗ୍ରହଣକୁ ପାରମ୍ପରିକ ଭାବରେ ଉଭୟ ଆଚରଣଗତ ନିଷ୍ପତ୍ତି ଗ୍ରହଣ ଏବଂ ବ୍ୟକ୍ତିତ୍ୱ ଅନୁସନ୍ଧାନରେ ଏକ ସ୍ଥାୟୀ, ସ୍ଥିର ଏବଂ ଡୋମେନ୍-ଅବନତିଶୀଳ ଗଠନ ଭାବରେ ଦେଖାଯାଏ (ଯଥା, ଇସେନକ୍ ଏବଂ ଇସେନକ୍, 1977; କାହ୍ ନେମାନ୍ ଏବଂ ଟଭର୍ସ୍କି, 1979; ପୌନୋନନ୍ ଏବଂ ଜ୍ୟାକସନ୍, 1996; ଟେଲେଜେନ୍, 1985) । ତେବେ, ନିକଟରେ ହୋଇଥିବା ଅଗ୍ରଗତିରୁ ଜଣାପଡିଛି ଯେ ବିପଦକୁ ଗ୍ରହଣ କରିବା ବିଷୟବସ୍ତୁ କିମ୍ବା ଡୋମେନ୍ ନିର୍ଦ୍ଦିଷ୍ଟ ଅଟେ (ବ୍ଲେସ୍ ଏବଂ ୱେବର୍, ୨୦୦୬; ହାନୋଚ୍, ଜନସନ୍, ଏବଂ ୱିଲ୍କେ, ୨୦୦୬; ସୋଏନ୍ ଏବଂ ଚମିଲ୍, ୨୦୦୫; ୱେବର୍, ବ୍ଲେସ୍ ଏବଂ ବେଜ୍, ୨୦୦୨) । ଏହି ଜ୍ଞାନକୁ ଦୃଷ୍ଟିରେ ରଖି ମନୋବିଜ୍ଞାନୀମାନେ ଅଧିକ ଗଭୀର ଭାବରେ ଅଧ୍ୟୟନ କରି ଲାଭବାନ ହେବେ । ଇ-ମେଲ: [email protected] ଇ-ମେଲ: [email protected] ଇ-ମେଲ: [email protected] ଇ-ମେଲ: [email protected] |
34b9ba36c030cfb7a141e53156aa1591dfce3dcd | ଗାଡ଼ିର ବୃଦ୍ଧି ଓ ବାୟୁ ପ୍ରଦୂଷଣକୁ ନିୟନ୍ତ୍ରଣ କରିବା ପାଇଁ ବେଜିଂର ପୌର ପ୍ରଶାସନ ୨୦୧୧ରେ ଏକ ଗାଡ଼ି ଲଟେରୀ ବ୍ୟବସ୍ଥା ଲାଗୁ କରିଥିଲା, ଯେଉଁଥିରେ ସମ୍ଭାବ୍ୟ କ୍ରେତାମାନଙ୍କୁ ଲାଇସେନ୍ସଗୁଡ଼ିକର ଏକ କୋଟା ଆକସ୍ମିକ ଭାବେ ବଣ୍ଟନ କରାଯାଉଥିଲା । ଏହି ରିପୋର୍ଟରେ ଏହି ନୀତିର ପ୍ରଭାବ ଜାହାଜ ସଂଖ୍ୟା, ଇନ୍ଧନ ଖର୍ଚ୍ଚ, ବାୟୁ ପ୍ରଦୂଷଣ ଏବଂ ସାମାଜିକ କଲ୍ୟାଣ ଉପରେ ଅନୁଧ୍ୟାନ କରାଯାଇଛି । କାର ରେଜିଷ୍ଟ୍ରେସନ ଡାଟା ବ୍ୟବହାର କରି ଆମେ ଏକ ଆକସ୍ମିକ ଗୁଣକ ବିଶିଷ୍ଟ ବିକଳ୍ପ ମଡେଲର ଆକଳନ କରିଥାଉ ଏବଂ ଆକଳନ କରାଯାଇଥିବା ପାରାମିଟର ଉପରେ ଆଧାର କରି କାଉଣ୍ଟରଫ୍ୟାକ୍ଚୁଆଲ ବିଶ୍ଳେଷଣ କରିଥାଉ । ଆମେ ପାଇଲୁ ଯେ ଲଟେରୀ ଦ୍ୱାରା ନୂଆ ଯାତ୍ରୀବାହୀ ଯାନ ହ୍ରାସ ପାଇଛି *ଆମେ ଧନ୍ୟବାଦର ସହ ପ୍ରଫେସର ଆଣ୍ଡ୍ର୍ୟୁ କେସି, ଆନା ଏସ୍ପିନୋଲା-ଆରେଡୋଣ୍ଡୋ, ବେଞ୍ଜାମିନ କ୍ୱାନ, ଗ୍ରେଗମାର ଗଲିନାଟୋ, ଡଙ୍ଗ ଲୁ, ଜିଲ୍ ମ୍ୟାକ୍କଲାସ୍କି, ମାର୍କ ଗିବସନ, ଶଞ୍ଜୁନ୍ ଲି, ଜିଆ ୟାନ, ଡାନ୍ ୟାଙ୍ଗ ଏବଂ ୱାଶିଂଟନ୍ ଷ୍ଟେଟ୍ ୟୁନିଭର୍ସିଟିର ସେମିନାର ଅଂଶଗ୍ରହଣକାରୀଙ୍କ ସାହାଯ୍ୟ ଏବଂ ଗଠନମୂଳକ ମନ୍ତବ୍ୟକୁ ସ୍ୱୀକାର କରୁଛୁ । ଚୀନର ଜାତୀୟ ବିଜ୍ଞାନ ପାଣ୍ଠିରୁ ଆର୍ଥିକ ସହାୟତା (ଗ୍ରାଣ୍ଟ ନମ୍ବର 71620107005) କୁ ସ୍ୱୀକୃତି ଦିଆଯାଇଛି । • ସମ୍ପୃକ୍ତ ଲେଖକ ଇ-ମେଲ: [email protected] (ଜ୍ୟାଙ୍ଗ), [email protected] (ଫ୍ରେଣ୍ଡସ ମୁନୋଜ-ଗାର୍ସିଆ), [email protected] (ମ୍ୟାମଲାଙ୍ଗ ଟାଙ୍ଗ) । ୨୦୧୨ରେ ବିକ୍ରିରେ ୫୦.୧୫ ପ୍ରତିଶତ, ଇନ୍ଧନ ଖର୍ଚରେ ୪୮.୬୯ ପ୍ରତିଶତ ଏବଂ ପ୍ରଦୂଷଣକାରୀ ନିର୍ଗମନରେ ୪୮.୬୯ ପ୍ରତିଶତ ବୃଦ୍ଧି ଘଟିଥିଲା । ଏହା ସହିତ, ଏହି ଲଟେରୀ ନୂତନ ଅଟୋ କ୍ରୟକୁ ଉଚ୍ଚ-ଶ୍ରେଣୀ କିନ୍ତୁ କମ୍ ଇନ୍ଧନ ଦକ୍ଷ ଯାନ ଆଡକୁ ଘୁଞ୍ଚାଇଲା । ଆମର ଏହି ତର୍କ ବିରୋଧୀ ବିଶ୍ଳେଷଣରେ ଆମେ ଦେଖାଇଛୁ ଯେ ପ୍ରଗତିଶୀଳ ଟିକସ ବ୍ୟବସ୍ଥା ଇନ୍ଧନ ଖର୍ଚ୍ଚ ଓ ବାୟୁ ପ୍ରଦୂଷଣ ହ୍ରାସ କରିବାରେ ଲଟେରୀ ବ୍ୟବସ୍ଥାଠାରୁ ଅଧିକ ପ୍ରଭାବଶାଳୀ ଏବଂ ଏହାଦ୍ୱାରା ଅଧିକ ଇନ୍ଧନ ଖର୍ଚ୍ଚ ହେବା ସହ କଲ୍ୟାଣର କ୍ଷତି ମଧ୍ୟ କମ୍ ହୋଇଥାଏ । |
fac0151ed0494caf10c7d778059f176ba374e29c | |
4a74eb59728f0d3a06302c668db44d434bd7d69e | ଇଲେକ୍ଟ୍ରୋନିକ ମୁଦ୍ରା (ଇ-ମନି) ହେଉଛି ଏପରି ଏକ ମୁଦ୍ରା ଯାହା ଡିଜିଟାଲ ଭାବେ ପ୍ରତିନିଧିତ୍ୱ କରିଥାଏ ଏବଂ ଏହା ଏକ ସ୍ମାର୍ଟ କାର୍ଡ ମାଧ୍ୟମରେ ଏକ ପକ୍ଷରୁ ଅନ୍ୟ ପକ୍ଷକୁ ମଧ୍ୟସ୍ଥିଙ୍କ ଆବଶ୍ୟକତା ବିନା ବିନିମୟ କରାଯାଇପାରିବ । ଏହା ଆଶା କରାଯାଉଛି ଯେ ଇ-ଧନ କାଗଜଧନ ଭଳି କାମ କରିବ । ଏହାର ଏକ ପ୍ରମୁଖ ବୈଶିଷ୍ଟ୍ୟ ହେଉଛି ଅଜ୍ଞାତତା । ଅପରାଧରୁ ମିଳିଥିବା ଅର୍ଥକୁ ଇ-ଧନ ରୂପରେ ବ୍ୟବହାର କରାଯାଇପାରିବ, ବିଦେଶୀ ମୁଦ୍ରା ଏବଂ ଉଚ୍ଚ ମୂଲ୍ୟର ସାମଗ୍ରୀ କ୍ରୟ କରାଯାଇପାରିବ । ତେଣୁ ଇ-ଧନକୁ ନଗଦ ଅର୍ଥ ଚୋରା ଚାଲାଣ କରିବା କିମ୍ବା ପ୍ରତ୍ୟକ୍ଷ କାରବାର କରିବା ବିନା ଅପରିଷ୍କାର ଅର୍ଥ ରଖିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ । |
d8237600841361f7811f5fd9effaed9d2e6e34b0 | ଆପଣ JSTOR ଆର୍କାଇଭ୍ ର ବ୍ୟବହାର କରିବା ଦ୍ବାରା ଆପଣ JSTOR ର ବ୍ୟବହାର ସର୍ତ୍ତାବଳୀକୁ ଗ୍ରହଣ କରିଛନ୍ତି, ଯାହା http://www.jstor.org/page/info/about/policies/terms.jsp ରେ ଉପଲବ୍ଧ । JSTOR ର ବ୍ୟବହାର ସର୍ତ୍ତାବଳୀରେ ଏହା ମଧ୍ୟ ଉଲ୍ଲେଖ ରହିଛି ଯେ, ଆପଣ ପୂର୍ବ ଅନୁମତି ବିନା କୌଣସି ପତ୍ରିକାର ସମ୍ପୂର୍ଣ୍ଣ ସଂଖ୍ୟା କିମ୍ବା ଲେଖାର ଏକାଧିକ ନକଲ ଡାଉନଲୋଡ୍ କରିପାରିବେ ନାହିଁ ଏବଂ ଆପଣ JSTOR ଆର୍କାଇଭରେ ଥିବା ବିଷୟବସ୍ତୁକୁ କେବଳ ନିଜର ବ୍ୟକ୍ତିଗତ, ଅଣ-ବ୍ୟବସାୟୀକ ବ୍ୟବହାର ପାଇଁ ବ୍ୟବହାର କରିପାରିବେ । |
49a19fe67d8ef941af598e87775112f0b3191091 | ଏହି ଅଧ୍ୟୟନର ମୁଖ୍ୟ ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ରୋଗର ପୂର୍ବାନୁମାନ ପାଇଁ ଏକ ଦ୍ରୁତ, ସହଜ ଏବଂ ଦକ୍ଷ ଆଲଗୋରିଦମ ସୃଷ୍ଟି କରିବା, ଯାହା କମ୍ ତ୍ରୁଟି ହାର ସହିତ ଏବଂ ବଡ଼ ଡାଟା ସେଟ୍ ସହିତ ମଧ୍ୟ ପ୍ରୟୋଗ କରାଯାଇପାରିବ ଏବଂ ନିର୍ଭରଶୀଳ ବିବର୍ତକ ସହିତ ଯୁକ୍ତିଯୁକ୍ତ ପ୍ୟାଟର୍ନ ଦେଖାଇପାରିବ । ଡାଟା ମାଇନିଂରେ ରୋଗ ଚିହ୍ନଟ ଏବଂ ଭବିଷ୍ୟବାଣୀ ପାଇଁ ଏକ ନୂତନ ହାଇବ୍ରିଡ୍ ଆଲଗୋରିଦମ ନିର୍ମାଣ କରାଯାଇଥିଲା । ରୋଗ ଚିହ୍ନଟ ଏବଂ ପୂର୍ବାନୁମାନ (ଡିଆଇପି) ଆଲଗୋରିଦମ, ଯାହା ନିଷ୍ପତ୍ତି ଗଛ ଏବଂ ଆସୋସିଏସନ ନିୟମର ମିଶ୍ରଣ ଅଟେ, କିଛି ନିର୍ଦ୍ଦିଷ୍ଟ ଅଞ୍ଚଳରେ କିଛି ରୋଗର ସମ୍ଭାବନାକୁ ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ବ୍ୟବହୃତ ହୁଏ । ଏହା ମଧ୍ୟ ପୂର୍ବାନୁମାନ ପାଇଁ ବିଭିନ୍ନ ପାରାମିଟର ମଧ୍ୟରେ ସମ୍ପର୍କକୁ ଦର୍ଶାଇଥାଏ । ଏହି ଆଲଗୋରିଦମକୁ କାର୍ଯ୍ୟକାରୀ କରିବା ପାଇଁ vb.net ସଫ୍ଟୱେର ମଧ୍ୟ ବିକଶିତ କରାଯାଇଥିଲା । |
dfb9eec6c6ae7d3e07123045c3468c9b57b2a7e2 | |
903148db6796946182f27affc89c5045e6572ada | ହ୍ୟାଶ ଜଏନ ଆଲଗୋରିଦମ ପରିବାର ହେଉଛି ଏକ୍ବି-ଜଏନ କାର୍ଯ୍ୟଦକ୍ଷତା ମୂଲ୍ୟାଙ୍କନ ପାଇଁ ଏକ ଅଗ୍ରଣୀ କୌଶଳ । ଓଏଲଏପି ସିଷ୍ଟମ ଏହି ଗବେଷଣାକୁ ବ୍ୟବହାର କରି ଡାଇମେନ୍ସନ୍ ଟେବୁଲ ଓ ବିଗ୍ ଫ୍ୟାକ୍ଟ ଟେବୁଲ ମଧ୍ୟରେ ବିଦେଶୀ ଚାବି ସଂଯୋଗକୁ ପ୍ରଭାବୀ ଢଙ୍ଗରେ କାର୍ଯ୍ୟକାରୀ କରିଥାଏ । ଡାଟା ଭଣ୍ଡାର ସ୍କିମା ଏବଂ କାର୍ଯ୍ୟଭାର ବୈଶିଷ୍ଟ୍ୟ ଦୃଷ୍ଟିକୋଣରୁ, ହ୍ୟାଶ ଜଏନ୍ ଆଲଗୋରିଦମକୁ ବହୁ-ଆକାର ମ୍ୟାପିଂ ସହିତ ଆହୁରି ସରଳୀକୃତ କରାଯାଇପାରିବ ଏବଂ ବିଦେଶୀ ଚାବି ଜଏନ୍ ଆଲଗୋରିଦମକୁ ଏକକ କାର୍ଯ୍ୟଦକ୍ଷତା ଦୃଷ୍ଟିକୋଣ ପରିବର୍ତ୍ତେ ଏକାଧିକ ଦୃଷ୍ଟିକୋଣରୁ ମୂଲ୍ୟାଙ୍କନ କରାଯାଇପାରିବ । ଏହି କାଗଜରେ, ଆମେ ସରୋଗେଟ୍ କି ଇଣ୍ଡେକ୍ସ-ଆଧାରିତ ବିଦେଶୀ କି ସଂଯୋଗକୁ ସ୍କିମା-ଚେତନାଶୀଳ ଓ ଓଏଲଏପି କାର୍ଯ୍ୟଭାର କଷ୍ଟମାଇଜ୍ ଡିଜାଇନ୍ ବିଦେଶୀ କି ସଂଯୋଗ ଭାବରେ ପରିଚିତ କରାଉଛୁ ଓ ଓଏଲଏପି କାର୍ଯ୍ୟଭାରରେ ଅତ୍ୟାଧୁନିକ ସଂଯୋଗ ଆଲଗୋରିଦମ କିପରି କାର୍ଯ୍ୟ କରେ ତାହା ବ୍ୟାପକ ଭାବରେ ମୂଲ୍ୟାଙ୍କନ କରିବା ପାଇଁ । ଆମର ପରୀକ୍ଷଣ ଓ ବିଶ୍ଳେଷଣରୁ ନିମ୍ନଲିଖିତ ଅନ୍ତର୍ଦୃଷ୍ଟି ମିଳିଥିଲା: (1) OLAP କାର୍ଯ୍ୟଭାର ପାଇଁ କଷ୍ଟମାଇଜ୍ ହୋଇଥିବା ବିଦେଶୀ ଚାବି ଯୋଗ କରିବା ଆଲଗୋରିଦମ ସାଧାରଣ ଉଦ୍ଦେଶ୍ୟ ହ୍ୟାସ୍ ଯୋଗ ଅପେକ୍ଷା ଏକ ପଦକ୍ଷେପ ଆଗକୁ ବଢାଇପାରେ; (2) ପ୍ରତ୍ୟେକ ଯୋଗ କରିବା ଆଲଗୋରିଦମ ଇନପୁଟ୍_ସାଇଜ୍ / କ୍ୟାଚ୍_ସାଇଜ୍ ର କ୍ୟାଚ୍ ଲୋକାଲିଟି ଅନୁପାତ ଦ୍ୱାରା ପ୍ରାଧାନ୍ୟ ବିସ୍ତାରିତ ମାଇକ୍ରୋ ଯୋଗ କରିବା ବେଞ୍ଚମାର୍କ ସହିତ ଦୃ strong ଏବଂ ଦୁର୍ବଳ କାର୍ଯ୍ୟଦକ୍ଷତା କ୍ଷେତ୍ର ଦେଖାଏ; (3) ସରଳ ହାର୍ଡୱେର୍-ଅବଜୀବୀ ଅଂଶୀଦାର ହ୍ୟାସ୍ ଟେବଲ୍ ଯୋଗ କରିବା ଅଧିକାଂଶ ବେଞ୍ଚମାର୍କ କ୍ଷେତ୍ରରେ ଜଟିଳ ହାର୍ଡୱେର୍-ଚେତନାଶୀଳ ରେଡିକ୍ସ ବିଭାଜନ ହ୍ୟାସ୍ ଯୋଗକୁ ଅତିକ୍ରମ କରେ; (4) ସରଳ ହାର୍ଡୱେର୍ ଏକ୍ସଲେରେଟର୍ ପାଇଁ ଆଲଗୋରିଦମ ଜଟିଳତା ସରଳୀକରଣ ଏବଂ ବିଭିନ୍ନ ହାର୍ଡୱେର୍ ଏକ୍ସଲେଟର୍ ପାଇଁ କାର୍ଯ୍ୟକାରୀ କରିବା ସହଜ କରିଥାଏ । ସାମଗ୍ରିକ ଭାବେ, ଆମେ ଯୁକ୍ତି କରୁଛୁ ଯେ ଜଏନ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଉନ୍ନତ କରିବା ହେଉଛି ଏକ ବ୍ୟବସ୍ଥିତ କାର୍ଯ୍ୟ ଯାହାକି କେବଳ ହାର୍ଡୱେୟାର୍-ଚେତନାଶୀଳ ଆଲଗୋରିଦମ ଅପ୍ଟିମାଇଜେସନ୍ ବିପରୀତ ଅଟେ, ଏବଂ OLAP ଡୋମେନ୍ ଜ୍ଞାନ ସରୋଗେଟ୍ କୀ ସୂଚକାଙ୍କକୁ ଉଭୟ CPU ଏବଂ ହାର୍ଡୱେୟାର୍ ଆକ୍ସେଲେଟର ପାଇଁ ଡାଟା ଭଣ୍ଡାର କାର୍ଯ୍ୟଭାରରେ ବିଦେଶୀ କୀ ଜଏନ ପାଇଁ ପ୍ରଭାବଶାଳୀ ହେବାକୁ ସକ୍ଷମ କରେ । |
4e8930ae948262a89acf2e43c8e8b6e902c312c4 | ଯଦିଓ ଛବି ସଙ୍କୋଚନକୁ ଦଶନ୍ଧି ଧରି ସକ୍ରିୟ ଭାବରେ ଅଧ୍ୟୟନ କରାଯାଇଛି, ଆଧୁନିକ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ସହିତ ଛବି ସଙ୍କୋଚନ କରିବା ଶିଖିବା ଉପରେ ଅପେକ୍ଷାକୃତ କମ୍ ଗବେଷଣା କରାଯାଇଛି । ଷ୍ଟାଣ୍ଡାର୍ଡ ପଦ୍ଧତି, ଯେପରିକି ପ୍ୟାଚ୍-ଆଧାରିତ ଅଟୋଏନକୋଡର ବ୍ୟବହାର କରି ବହୁତ ଭଲ ପ୍ରଦର୍ଶନ କରିଛନ୍ତି କିନ୍ତୁ ଲୋକପ୍ରିୟ ଇମେଜ୍ କୋଡେକ୍ ସହିତ ପ୍ରତିଦ୍ୱନ୍ଦ୍ୱିତା କରିପାରନ୍ତି ନାହିଁ କାରଣ ସେମାନେ ତିନୋଟି ପ୍ରଶ୍ନର ସମାଧାନ କରିବାରେ ବିଫଳ ହୋଇଛନ୍ତି: 1) କିପରି ପ୍ରଭାବଶାଳୀ ଭାବରେ ବିନାରିଜାଇଜ୍ କରିବା: ବିନାରିଜାଇଜେସନ୍ ର ଅନୁପସ୍ଥିତିରେ, ଏକ ବାଟଲେକ୍ ସ୍ତର ଏକାକୀ ଦକ୍ଷ ସଙ୍କୋଚନକୁ ନେଇ ନଥାଏ; 2) କିପରି ପରିବର୍ତ୍ତନଶୀଳ ହାରରେ ଏନକୋଡିଂ ହାସଲ କରିବା: ଏକ ଷ୍ଟାଣ୍ଡାର୍ଡ ଅଟୋଏନକୋଡର ପ୍ରତ୍ୟେକ ସ୍ଥିର-ବିଭେଦନ ଇନପୁଟ୍ ପ୍ୟାଚ୍ ପାଇଁ ଏକ ସ୍ଥିର-ଲମ୍ବ କୋଡ୍ ସୃଷ୍ଟି କରେ, ଯାହାର ପରିଣାମ ସ୍ୱଳ୍ପ ଏବଂ ଉଚ୍ଚ-ଏଣ୍ଟ୍ରୋପି ପ୍ୟାଚ୍ ପାଇଁ ସମାନ ମୂଲ୍ୟରେ ହୋଇଥାଏ, ଏବଂ ନେଟୱାର୍କକୁ ଭିନ୍ନ ସଙ୍କୋଚନ ହାର ହାସଲ କରିବାକୁ ସମ୍ପୂର୍ଣ୍ଣ ପୁନ trained ଣ କରିବାକୁ ପଡିବ; ଏବଂ 3) କଳାକୃତିକୁ କିପରି ବ୍ଲକ୍ କରିବ: ପ୍ୟାଚ୍-ଆଧାରିତ ପଦ୍ଧତିଗୁଡିକ ବିରାମହୀନତାକୁ ବ୍ଲକ୍ କରିବାକୁ ପ୍ରବଳ _ ଆମେ ପରିବର୍ତ୍ତନଶୀଳ-ହାର ପ୍ରତିଛବି ସଙ୍କୋଚନ ପାଇଁ ଏକ ସାଧାରଣ ଢାଞ୍ଚା ଏବଂ LSTM ସମେତ କନଭୋଲ୍ୟୁସନାଲ ଏବଂ ଡିକନଭୋଲ୍ୟୁସନାଲ ପୁନଃପୌନିକ ନେଟୱାର୍କ ଉପରେ ଆଧାରିତ ଏକ ନୂତନ ସ୍ଥାପତ୍ୟ ପ୍ରସ୍ତାବ କରୁଛୁ, ଯାହା ଏହି ପ୍ରସଙ୍ଗଗୁଡ଼ିକୁ ସମାଧାନ କରେ ଏବଂ ବିଦ୍ୟମାନ ବେସଲାଇନ୍ କୋଡେକ୍ ତୁଳନାରେ ଆଶାନୁରୂପ ଫଳାଫଳ ରିପୋର୍ଟ କରେ । ଆମେ ପ୍ରସ୍ତାବିତ ପଦ୍ଧତିଗୁଡ଼ିକୁ ଛୋଟ ଛୋଟ ଛବି (32x32) ରେ ଗଠିତ ଏକ ବଡ଼ ଆକାରର ମାନଦଣ୍ଡ ଉପରେ ମୂଲ୍ୟାଙ୍କନ କରିଥାଉ, ଯାହାକି ସମସ୍ତ ପଦ୍ଧତି ପାଇଁ ଅତ୍ୟନ୍ତ ଆହ୍ୱାନପୂର୍ଣ୍ଣ ପ୍ରମାଣିତ ହୋଇଥାଏ । |
8f9376f3b71e9182c79531551d6e953cd02d7fe6 | ଗତ କିଛି ବର୍ଷ ମଧ୍ୟରେ ଗବେଷଣା ଗୋଷ୍ଠୀଗୁଡ଼ିକରେ ବେତାର ସେନସର ନେଟୱାର୍କ ପାଇଁ ପ୍ରଯୁକ୍ତିକୁ ସକ୍ଷମ କରିବା ଉପରେ ଯଥେଷ୍ଟ ଧ୍ୟାନ ଦିଆଯାଇଛି । ବେତାର ସେନସର ନୋଡଗୁଡିକର ସ୍ୱୟଂ ଶକ୍ତିଯୁକ୍ତ ହେବା ଅତ୍ୟନ୍ତ ଆବଶ୍ୟକ, ଏପରିକି କେତେକ ପରିସ୍ଥିତିରେ ଏହା ଆବଶ୍ୟକ । ଏହି ଲକ୍ଷ୍ୟକୁ ଦୃଷ୍ଟିରେ ରଖି ଏକ କମ୍ପନ ଆଧାରିତ ପିଜେଓଇଲେକ୍ଟ୍ରିକ ଜେନେରେଟରକୁ ବେତାର ସେନସର ନେଟୱାର୍କ ପାଇଁ ଏକ ସକ୍ଷମ ପ୍ରଯୁକ୍ତି ଭାବେ ବିକଶିତ କରାଯାଇଛି । ଏହି ଲେଖାରେ ମୁଖ୍ୟତଃ ଦୁଇସ୍ତରୀୟ ବକ୍ର ଉପାଦାନ ଉପରେ ଆଧାରିତ ପିଜୋ ଇଲେକ୍ଟ୍ରିକ ଜେନେରେଟରର ମଡେଲିଂ, ଡିଜାଇନ ଏବଂ ଅପ୍ଟିମାଇଜେସନ ଉପରେ ଆଲୋଚନା କରାଯିବ । ଜେନେରେଟରର ଏକ ବିଶ୍ଳେଷଣାତ୍ମକ ମଡେଲ ବିକଶିତ ଏବଂ ବୈଧତା ପ୍ରାପ୍ତ ହୋଇଛି । ଏହି ମଡେଲଟି କେବଳ ଇଣ୍ଟୁଇଟିଭ୍ ଡିଜାଇନ୍ ଅନ୍ତର୍ଦୃଷ୍ଟି ପ୍ରଦାନ କରିନାହିଁ, ବରଂ ଡିଜାଇନ୍ ଅପ୍ଟିମାଇଜେସନ୍ ପାଇଁ ମଧ୍ୟ ଆଧାର ଭାବେ ବ୍ୟବହାର କରାଯାଇଛି । ଏହି ମଡେଲକୁ ବ୍ୟବହାର କରି ପ୍ରସ୍ତୁତ କରାଯାଇଥିବା ୧ ସେମି3 ବିଶିଷ୍ଟ ଡିଜାଇନ୍ର ଶକ୍ତି ଉତ୍ପାଦନ କ୍ଷମତା ୨.୫ ମିଟର ସେକେଣ୍ଡ୍ ୨ ବେଗରେ ୧୨୦ ହର୍ଜ୍ର କମ୍ପନ ଉତ୍ସରୁ ୩୭୫ ମାଇକ୍ରୋୱାଟ ବୋଲି ପ୍ରମାଣିତ ହୋଇଛି । ଏହାବ୍ୟତୀତ, ଏକ 1 ସେମି3 ଜେନେରେଟରକୁ ବ୍ୟବହାର କରାଯାଇ ସେହି ସମାନ କମ୍ପନ ଉତ୍ସରୁ ଏକ କଷ୍ଟମ ଡିଜାଇନ 1.9 GHz ରେଡିଓ ଟ୍ରାନ୍ସମିଟରକୁ ଶକ୍ତି ଯୋଗାଇ ଦିଆଯାଇଛି । (ଏହି ଲେଖାର କେତେକ ଚିତ୍ର କେବଳ ଇଲେକ୍ଟ୍ରୋନିକ ସଂସ୍କରଣରେ ରଙ୍ଗୀନ ହୋଇଛି) |
96989405985e2d90370185f1e025443b56106d1a | ଏହି ପତ୍ରରେ ବ୍ୟାପକ ଶବ୍ଦାବଳୀ ଭାଷଣ ଚିହ୍ନଟ କାର୍ଯ୍ୟ ପାଇଁ ଭେଦଭାବପୂର୍ଣ୍ଣ ଭାଷା ମଡେଲିଂର ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଆମେ ଦୁଇଟି ପାରାମିଟର ଆକଳନ ପଦ୍ଧତିକୁ ତୁଳନା କରିଥାଉ: ପରସେପ୍ଟ୍ରନ୍ ଆଲଗୋରିଦମ, ଏବଂ ନିୟମିତ ସର୍ତ୍ତମୂଳକ ଲଗ-ସମ୍ଭବତାକୁ ସର୍ବାଧିକ କରିବା ଉପରେ ଆଧାରିତ ଏକ ପଦ୍ଧତି । ଏହି ମଡେଲ ଗୁଡିକ ନିର୍ଣ୍ଣାୟକ ଓଜନଯୁକ୍ତ ସୀମିତ ସ୍ଥିତି ସ୍ୱୟଂଚାଳିତ ଭାବରେ କୋଡ କରାଯାଇଥାଏ ଏବଂ ସ୍ୱୟଂଚାଳିତ ଶବ୍ଦ-ଲ୍ୟାଟ୍ସ ସହିତ ସଂଯୋଗ କରି ପ୍ରୟୋଗ କରାଯାଇଥାଏ ଯାହା ଏକ ମୂଳ ରେଖା ଚିହ୍ନଟକାରୀଙ୍କ ଠାରୁ ଆଉଟପୁଟ୍ ହୋଇଥାଏ । ଏହି ଆଲଗୋରିଦମ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଏକ ଛୋଟ ବୈଶିଷ୍ଟ୍ୟ ସେଟକୁ ତାଲିମ ତଥ୍ୟ ଉପରେ କିଛି ପାସ୍ ରେ ଚୟନ କରିବାର ଲାଭ ଅଛି । ଆମେ ଏକ ନିୟମିତ ସମ୍ଭାବ୍ୟତା ଉପରେ ଆଧାରିତ ପଦ୍ଧତି ବର୍ଣ୍ଣନା କରୁଛୁ ଯାହା ପରସେପ୍ଟ୍ରନ୍ ଆଲଗୋରିଦମ ଦ୍ୱାରା ଦିଆଯାଇଥିବା ଫିଚର ସେଟ୍ ଏବଂ ପରସେପ୍ଟ୍ରନ୍ ଓଜନ ସହିତ ଆରମ୍ଭ କରିବା ପାଇଁ ବ୍ୟବହାର କରେ; ଏହି ପଦ୍ଧତି କେବଳ ପରସେପ୍ଟ୍ରନ୍ ସହିତ ତାଲିମ ଅପେକ୍ଷା ଶବ୍ଦ ତ୍ରୁଟି ହାର (ଡବ୍ଲୁଇଆର) ରେ ଅତିରିକ୍ତ 0.5% ହ୍ରାସ ଦେଇଥାଏ । ଅନ୍ତିମ ସିଷ୍ଟମଟି WER ରେ 1. 8% ପୂର୍ଣ୍ଣ ହ୍ରାସ ହାସଲ କରିଛି (ମୂଳ ସ୍ତର ପ୍ରଥମ ପାସ୍ ଚିହ୍ନଟ ସିଷ୍ଟମ ପାଇଁ 39. 2% ରୁ 37. 4%) ଏବଂ WER ରେ 0. 9% ପୂର୍ଣ୍ଣ ହ୍ରାସ ପାଇଛି (ମଲ୍ଟି-ପାସ୍ ଚିହ୍ନଟ ସିଷ୍ଟମ ପାଇଁ 28. 9% ରୁ 28. 0%) । 2006 ଏଲ୍ସେଭିୟର ଲିଃ ସମସ୍ତ ଅଧିକାର ସଂରକ୍ଷିତ. |
4808ca8a317821bb70e226c5ca8c23241dd22586 | ଏହି ପତ୍ରିକା ମୋବାଇଲ ସ୍ୱାସ୍ଥ୍ୟ ସେବା ଉପରେ ଉପଲବ୍ଧ ସାହିତ୍ୟରୁ କଳାର ସ୍ଥିତିକୁ ଉପସ୍ଥାପନ କରେ । ଏହି ଅଧ୍ୟୟନ ଏକ ବ୍ୟବସ୍ଥିତ ସମୀକ୍ଷା ମାଧ୍ୟମରେ କରାଯାଇଥିଲା, ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ କ୍ଷେତ୍ରରେ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ବିଷୟ ଉପରେ ସମସ୍ତ ଉପଲବ୍ଧ ଗବେଷଣାକୁ ଏକ ନିର୍ଭରଯୋଗ୍ୟ ଏବଂ କଠୋର ପଦ୍ଧତି ବ୍ୟବହାର କରି ମୂଲ୍ୟାଙ୍କନ ଏବଂ ବ୍ୟାଖ୍ୟା କରିବାର ଏକ ଉପାୟ । ପ୍ରଥମ ପର୍ଯ୍ୟାୟରେ ୧୪୮୨ଟି ଲେଖା ପ୍ରକାଶ ପାଇଥିଲା । 2010 ପରଠାରୁ ଆମର ବିଶ୍ଳେଷଣ 10ଟି ପ୍ରୟୋଗ କ୍ଷେତ୍ରରେ ବର୍ତ୍ତମାନର ବିକାଶକୁ ଦର୍ଶାଉଛି ଏବଂ ଏହି ବିଷୟ ଉପରେ ଚାଲିଥିବା ଧାରା ଏବଂ ବୈଷୟିକ ଆହ୍ୱାନକୁ ଉପସ୍ଥାପନ କରୁଛି । ଏହି ପ୍ରୟୋଗ କ୍ଷେତ୍ରଗୁଡ଼ିକ ହେଲା: ରୋଗୀ ତଦାରଖ, ଭିତ୍ତିଭୂମି, ସଫ୍ଟୱେୟାର ସ୍ଥାପତ୍ୟ, ମଡେଲିଂ, ଫ୍ରେମୱାର୍କ, ସୁରକ୍ଷା, ଫିକେସନ୍, ମଲ୍ଟିମିଡିଆ, ମୋବାଇଲ୍ କ୍ଲାଉଡ୍ କମ୍ପ୍ୟୁଟିଂ ଏବଂ ଏହି ବିଷୟରେ ସାହିତ୍ୟ ସମୀକ୍ଷା । ସବୁଠାରୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଆହ୍ୱାନଗୁଡ଼ିକ ମଧ୍ୟରେ ରହିଛି ଉପକରଣଗୁଡ଼ିକର କମ୍ ବ୍ୟାଟେରୀ ଜୀବନ, ଅଲ୍ଟିପ୍ଲାଟଫର୍ମ ବିକାଶ, ଡାଟା ଟ୍ରାନ୍ସମିସନ ଏବଂ ସୁରକ୍ଷା । ଏହି କ୍ଷେତ୍ରରେ ନିକଟରେ ହୋଇଥିବା ଆବିଷ୍କାରକୁ ଆମର ଏହି କାଗଜରେ ଏକତ୍ରିତ କରାଯାଇଛି ଏବଂ ଏହା ଭବିଷ୍ୟତର ଗବେଷଣା ଯୋଜନା ଏବଂ ବିକାଶ ପାଇଁ ଏକ ଉପଯୋଗୀ ମାର୍ଗଦର୍ଶକ ଭାବେ କାର୍ଯ୍ୟ କରୁଛି । |
c876c5fed5b6a3a91b5f55e1f776d629cc8ed9bc | |
675913f7d834cf54a6d90b33e929b999cd6afc7b | ପର୍ଯ୍ୟାୟ ବିଚ୍ଛିନ୍ନ ପୂର୍ଣ୍ଣ ବ୍ରିଜ (PSFB) ପଲସ୍ ବ୍ରାଇଡଥ୍ ମଡ୍ୟୁଲେସନ୍ (PWM) କନ୍ଭର୍ଟରରେ, ବହ୍ୟ ସ୍ନବ୍ବର କଣ୍ଡେସ୍ଟରଗୁଡିକ ସମାନ୍ତରାଳ ଭାବରେ ଆଇସୋଲେଟେଡ୍ ଗେଟ୍ ବାଇପୋଲାର ଟ୍ରାନଜିଷ୍ଟର (IGBTs) ସହିତ ସଂଯୁକ୍ତ ହୋଇଥାଏ ଯାହାଫଳରେ ଟର୍ନ ଅଫ୍ କ୍ଷତି ହ୍ରାସ ପାଇଥାଏ । ଶୂନ ଭୋଲଟେଜ ପରିବର୍ତ୍ତନ (ZVT) ଅବସ୍ଥା ସାମାନ୍ୟ ଭାରରେ ଦିଆଯାଇନଥାଏ, ତେଣୁ ସମାନ୍ତରାଳ କଣ୍ଡେସଟରଗୁଡିକ IGBT ମାଧ୍ୟମରେ ଡିସଚାର୍ଜ ହୋଇଥାଏ ଯାହା IGBT ର ସୁଇଚ କ୍ଷତି ଏବଂ ବିଫଳତାର ବିପଦ ସୃଷ୍ଟି କରିଥାଏ । ଆଇଜିବିଟି ମାଧ୍ୟମରେ କଣ୍ଡେସଟରର ନିଷ୍କାସନ ଉଚ୍ଚ ମୂଲ୍ୟର ସ୍ନବ୍ବର କଣ୍ଡେସଟରର ବ୍ୟବହାରକୁ ସୀମିତ କରିଥାଏ ଏବଂ ଉଚ୍ଚ କରେଣ୍ଟରେ ଆଇଜିବିଟିର ଟର୍ନ ଅଫ୍ କ୍ଷତି ବୃଦ୍ଧି ପାଇଥାଏ । ଏହି ସମସ୍ୟା ବିଶେଷ କରି ପଛୁଆ ଗୋଡ଼ରେ ହୋଇଥାଏ । ଏହି ଅଧ୍ୟୟନରେ ଏକ ନୂତନ କୌଶଳ ପ୍ରସ୍ତାବିତ କରାଯାଇଛି ଯାହାଦ୍ୱାରା ପିଏସଏଫବି ପିଡବ୍ଲୁଏମ କନ୍ଭର୍ଟରର ଲାଙ୍ଗ ଲେଗ ସହିତ ଉଚ୍ଚ ମୂଲ୍ୟର ସ୍ନବ୍ବର କଣ୍ଡେସଟରର ବ୍ୟବହାର କରାଯାଇପାରିବ । ପ୍ରସ୍ତାବିତ କୌଶଳର ଲାଭ ହେଉଛି, ଆଇଜିବିଟି ମାଧ୍ୟମରେ ଉଚ୍ଚ କ୍ଷମତା ବିଶିଷ୍ଟ ନିଷ୍କାସନ ପ୍ରବାହକୁ କମ୍ ଭାରରେ ରୋକାଯାଇଥାଏ, ଆଇଜିବିଟିର ଟର୍ନ ଅଫ୍ ସୁଇଚିଂ କ୍ଷତି ହ୍ରାସ ପାଇଥାଏ ଏବଂ ଉଚ୍ଚ ପ୍ରବାହରେ କନ୍ଭର୍ଟରର କାର୍ଯ୍ୟଦକ୍ଷତା ଉନ୍ନତ ହୋଇଥାଏ । ପ୍ରସ୍ତାବିତ ପିଏସଏଫବି ପିଡବ୍ଲୁଏମ ରୂପାନ୍ତରକ ଏକ ସହାୟକ ସର୍କିଟକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରେ ଏବଂ ଏହାର ସରଳ ସଂରଚନା, କମ୍ ମୂଲ୍ୟ ଏବଂ ନିୟନ୍ତ୍ରଣରେ ସହଜତା ରହିଛି । ଏହି ଉପସ୍ଥାପନାରେ କନ୍ଭର୍ଟରର କାର୍ଯ୍ୟର ସିଦ୍ଧାନ୍ତ ଏବଂ ବିସ୍ତୃତ ଡିଜାଇନ୍ ପ୍ରକ୍ରିୟା ବିଷୟରେ କୁହାଯାଇଛି । ଏହି ତତ୍ତ୍ୱଜ୍ଞାନିକ ବିଶ୍ଳେଷଣକୁ 75 kHz ଓ 10 kW କନ୍ଭର୍ଟର ପ୍ରୋଟୋଟାଇପ ଦ୍ୱାରା ସଠିକ ଭାବେ ଯାଞ୍ଚ କରାଯାଇଛି । |
ce56eb0d9841b6e727077e9460b938f78506b324 | ଏକ୍ସରଗେମ୍ ବା ଆକ୍ଟିଭ୍ ଭିଡିଓ ଗେମ୍ ଜରିଆରେ ଭର୍ଚୁଆଲ ରିଆଲିଟିର ବ୍ୟବହାର, ଯଥା: ଗତ କିଛି ବର୍ଷ ମଧ୍ୟରେ ଗବେଷଣା ଓ କ୍ଲିନିକାଲ ପ୍ରୟୋଗରେ ଏକ ନୂଆ ପ୍ରକାର ଇଣ୍ଟରଆକ୍ଟିଭ ଗେମିଂକୁ ପୁନର୍ବାସରେ ଏକ ଅନୁପୂରକ ସାଧନ ଭାବେ ବ୍ୟବହାର କରାଯାଉଛି । କିନ୍ତୁ ବୟସ୍କ ଲୋକଙ୍କ କ୍ଷେତ୍ରରେ ଏହାର ପ୍ରଭାବର ପ୍ରମାଣ କମ୍ । ଏହି ସମୀକ୍ଷାର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ବୟସ୍କମାନଙ୍କ ଶାରୀରିକ କାର୍ଯ୍ୟରେ ଉନ୍ନତି ଆଣିବା ପାଇଁ ଏକ୍ସରଗେମ୍ସର ପ୍ରଭାବର ଏକ ସାରାଂଶ ପ୍ରଦାନ କରିବା । EMBASE, MEDLINE, PsyInfo, Cochrane ଡାଟାବେସ୍, PEDro ଏବଂ ISI ୱେବ ଅଫ୍ ନଲେଜ୍ ରେ ରାଣ୍ଡୋମିଜଡ୍ କଣ୍ଟ୍ରୋଲଡ ଟ୍ରାଏଲ ପାଇଁ ଏକ ସର୍ଚ୍ଚ କରାଯାଇଥିଲା । PEDro ସ୍କେଲ ଦ୍ୱାରା ସମୀକ୍ଷା ଏବଂ ପଦ୍ଧତିଗତ ଗୁଣବତ୍ତା ମାଧ୍ୟମରେ ଅନ୍ତର୍ଭୁକ୍ତ ଅଧ୍ୟୟନର ଫଳାଫଳଗୁଡିକ ବିଶ୍ଳେଷଣ କରାଯାଇଥିଲା । ଏହି ସମୀକ୍ଷାରେ ୧୩ଟି ଅଧ୍ୟୟନ ଅନ୍ତର୍ଭୁକ୍ତ କରାଯାଇଥିଲା । ଏକ୍ସରଗେମ୍ସ ଇଣ୍ଟର୍ଭେନସନ୍ ପାଇଁ ସବୁଠାରୁ ସାଧାରଣ ଉପକରଣ ଥିଲା ନିଣ୍ଟେଣ୍ଡୋ ୱାଇ ଗେମିଂ କନସୋଲ୍ (୮ଟି ଅଧ୍ୟୟନ), ତା ପରେ କମ୍ପ୍ୟୁଟର ଗେମ୍, ପ୍ୟାଡ୍ ସହିତ ଡ୍ୟାନ୍ସ ଭିଡିଓ ଗେମ୍ (ପ୍ରତିଟି ଦୁଇଟି ଅଧ୍ୟୟନ) ଏବଂ ବାଲାନ୍ସ ରିହାବିଲିଟେସନ୍ ୟୁନିଟ୍ ସହିତ କେବଳ ଗୋଟିଏ ଅଧ୍ୟୟନ ଥିଲା । ଶାରୀରିକ କାର୍ଯ୍ୟକଳାପକୁ ଆକଳନ କରିବା ପାଇଁ ଟାଇମ୍ଡ ଅପ୍ ଆଣ୍ଡ ଗୋ ସର୍ବାଧିକ ବ୍ୟବହୃତ ଉପକରଣ ଥିଲା (୭ଟି ଅଧ୍ୟୟନ) । ପିଇଡିରୋ ସ୍କେଲ ଅନୁସାରେ ଅଧିକାଂଶ ଅଧ୍ୟୟନରେ ପଦ୍ଧତିଗତ ସମସ୍ୟା ଦେଖାଦେଇଥିଲା, ଯେଉଁଥିରେ ୫ ପଏଣ୍ଟରୁ କମ୍ ସ୍କୋରର ଏକ ଉଚ୍ଚ ଅନୁପାତ (୮ ଅଧ୍ୟୟନ) ଥିଲା । ଏହି କ୍ରୀଡା ପ୍ରୋଟୋକଲ ଓ ଏହାର ଅବଧି ବହୁତ ଭିନ୍ନ ଥିଲା ଏବଂ ବୟସ୍କ ଲୋକଙ୍କ ଶାରୀରିକ କାର୍ଯ୍ୟ ପାଇଁ ଲାଭ ଅନିଶ୍ଚିତ ରହିଛି । କିନ୍ତୁ ଏକ୍ସରଗେମ୍ସ ବ୍ୟବହାର ଦ୍ୱାରା ଉତ୍ସାହ ବୃଦ୍ଧି ପାଇଥାଏ ବୋଲି ବିଭିନ୍ନ ଅଧ୍ୟୟନରୁ ଜଣାପଡ଼ିଛି । ଉନ୍ନତ ପଦ୍ଧତିଗତ ଗୁଣବତ୍ତା, ବାହ୍ୟ ବୈଧତା ହାସଲ କରିବା ଏବଂ ଦୃଢ଼ ବୈଜ୍ଞାନିକ ପ୍ରମାଣ ପ୍ରଦାନ କରିବା ପାଇଁ ଅଧିକ ଅଧ୍ୟୟନର ଆବଶ୍ୟକତା ରହିଛି । |
08f9a62cdbe43fca7199147123a7d957892480af | ଇଏମଭି, ଯାହାକୁ "ଚିପ୍ ଆଣ୍ଡ ପିନ୍" ମଧ୍ୟ କୁହାଯାଏ, କାର୍ଡ ପେମେଣ୍ଟ ପାଇଁ ଏହା ହେଉଛି ବିଶ୍ୱର ଅଗ୍ରଣୀ ପ୍ରଣାଳୀ । ଏହା ୟୁରୋପ ଏବଂ ଏସିଆର ଅଧିକାଂଶ ସ୍ଥାନରେ ବ୍ୟବହୃତ ହେଉଛି ଏବଂ ଉତ୍ତର ଆମେରିକାରେ ମଧ୍ୟ ଏହା ପ୍ରଚଳନ ହେବାକୁ ଯାଉଛି । ପେମେଣ୍ଟ କାର୍ଡରେ ଚିପ୍ ଥାଏ ଯାହାଦ୍ୱାରା ସେମାନେ ପ୍ରମାଣୀକରଣ ପ୍ରୋଟୋକଲକୁ କାର୍ଯ୍ୟକାରୀ କରିପାରିବେ । ଏହି ପ୍ରୋଟୋକଲ ଅନୁସାରେ ପଏଣ୍ଟ ଅଫ ସେଲ୍ (ପିଓଏସ୍) ଟର୍ମିନାଲ ବା ଏଟିଏମ୍ ଗୁଡ଼ିକରେ ପ୍ରତ୍ୟେକ କାରବାର ପାଇଁ ଏକ ନନ୍ସେ (ଅଭିକଳ୍ପନୀୟ ସଂଖ୍ୟା) ସୃଷ୍ଟି କରାଯାଇଥାଏ । ଆମେ ଦୁଇଟି ଗୁରୁତର ସମସ୍ୟା ଆବିଷ୍କାର କରିଛୁ: ଗୋଟିଏ ହେଉଛି ବ୍ୟାପକ ଭାବେ କାର୍ଯ୍ୟକାରୀ ହେଉଥିବା ତ୍ରୁଟି ଏବଂ ଅନ୍ୟଟି ହେଉଛି ଇଏମଭି ପ୍ରୋଟୋକଲରେ ଥିବା ଏକ ଗଭୀର ତ୍ରୁଟି ଯାହାକୁ ସୁଧାରିବା କଷ୍ଟକର । ପ୍ରଥମ ତ୍ରୁଟି ହେଉଛି ଯେ କେତେକ ଇଏମଭି କାର୍ଯ୍ୟକାରୀକାରୀକାରୀ ଏହି ନନ୍ସି ଯୋଗାଇବା ପାଇଁ କେବଳ କାଉଣ୍ଟର, ଟାଇମଷ୍ଟାମ୍ପ କିମ୍ବା ଘରୋଇ ଆଲଗୋରିଦମ ବ୍ୟବହାର କରିଛନ୍ତି । ଏହାଦ୍ୱାରା ସେମାନଙ୍କୁ "ପ୍ରି-ପ୍ଲେ" ଆକ୍ରମଣର ସମ୍ମୁଖୀନ ହେବାକୁ ପଡିଥାଏ ଯାହା କାର୍ଡ କ୍ଲୋନିଂ ଠାରୁ କାର୍ଡ ଜାରି କରୁଥିବା ବ୍ୟାଙ୍କ ପାଖରେ ଥିବା ଲଗ୍ ର ଦୃଷ୍ଟିକୋଣରୁ ଅସ୍ପଷ୍ଟ ହୋଇଥାଏ ଏବଂ କାର୍ଡକୁ ଶାରୀରିକ ଭାବରେ କ୍ଲୋନ୍ କରିବା ଅସମ୍ଭବ ହେଲେ ମଧ୍ୟ ଏହା କରାଯାଇପାରିବ । କାର୍ଡ କ୍ଲୋନିଂ ହେଉଛି ସେହି ପ୍ରକାର ଠକେଇ ଯାହାକୁ ଇଏମଭି ରୋକିବା ପାଇଁ ଉଦ୍ଦିଷ୍ଟ ଥିଲା । ଆମେ ଏହି ଦୁର୍ବଳତାକୁ କିପରି ଚିହ୍ନଟ କଲୁ, ଦୁର୍ବଳତାର ପରିସରକୁ ମ୍ୟାପ୍ କରିବା ପାଇଁ ଆମେ ବିକଶିତ କରିଥିବା ଏକ ସର୍ବେକ୍ଷଣ ପଦ୍ଧତି, ଏଟିଏମ୍ ଏବଂ ଟର୍ମିନାଲ୍ ପରୀକ୍ଷଣରୁ ପ୍ରମାଣ ଏବଂ ପ୍ରୁଫ୍-ଅଫ୍-କନସେପ୍ଟ ଆକ୍ରମଣର ଆମର କାର୍ଯ୍ୟକାରିତା ବିଷୟରେ ବର୍ଣ୍ଣନା କରିଛୁ । ଆମେ ବଡ଼ ବଡ଼ ନିର୍ମାତାଙ୍କ ବହୁଳ ଭାବେ ବ୍ୟବହୃତ ଏଟିଏମରେ ତ୍ରୁଟି ପାଇଛୁ । ଏବେ ଆମେ ଅତି କମରେ କିଛି ପରିମାଣରେ ବ୍ୟାଙ୍କର ସେହି କ୍ରମବର୍ଦ୍ଧିଷ୍ଣୁ ଠକେଇର କାରଣ ଖୋଜି ପାରିବା ଯେଉଁଥିରେ କ୍ଷତିଗ୍ରସ୍ତମାନଙ୍କୁ ଅର୍ଥ ଫେରସ୍ତ ପାଇଁ ମନା କରିଦିଆଯାଉଛି, କାରଣ ଇଏମଭି କାର୍ଡର କ୍ଲୋନିଂ ହୋଇନଥାଏ ଏବଂ ବିବାଦରେ ଜଡ଼ିତ ଥିବା ଗ୍ରାହକମାନେ ଭୁଲରେ କିମ୍ବା ସହଭାଗୀ ହୋଇଥାନ୍ତି । ଉପରୋକ୍ତ କାର୍ଯ୍ୟ ଦ୍ୱାରା ଦ୍ୱିତୀୟ ସମସ୍ୟା ପଦାକୁ ଆସିଛି । ରାଣ୍ଡମ ନମ୍ବରର ଗୁଣବତ୍ତା ଠାରୁ ଅଲଗା, ପ୍ରୋଟୋକଲ ବିଫଳତା ଅଛି: ଟର୍ମିନାଲ ଦ୍ୱାରା ସୃଷ୍ଟି ହୋଇଥିବା ପ୍ରକୃତ ରାଣ୍ଡମ ନମ୍ବରକୁ ଆକ୍ରମଣକାରୀ କାର୍ଡରୁ ପ୍ରମାଣୀକରଣ କୋଡ କ୍ୟାପଚର କରିବା ସମୟରେ ପୂର୍ବରୁ ବ୍ୟବହାର କରିଥିବା ଏକ ନମ୍ବର ଦ୍ୱାରା ବଦଳାଯାଇପାରିବ । ଏହି ପ୍ରକାର ପ୍ରି-ପ୍ଲେ ଆକ୍ରମଣ ଏଟିଏମ୍ କିମ୍ବା ପିଓଏସ୍ ଟର୍ମିନାଲରେ ମାଲୱେର୍ ଦ୍ୱାରା କିମ୍ବା ଟର୍ମିନାଲ୍ ଏବଂ ଆକ୍ସିଭର୍ ମଧ୍ୟରେ ଜଣେ ମ୍ୟାନ-ଇନ୍-ମଧ୍ୟମ ଦ୍ୱାରା କରାଯାଇପାରେ । ଆମେ ଡିଜାଇନ ଏବଂ କାର୍ଯ୍ୟାନ୍ୱୟନ ତ୍ରୁଟିଗୁଡ଼ିକର ଅନୁସନ୍ଧାନ କରିଛୁ ଯାହା ଏହି ତ୍ରୁଟିଗୁଡ଼ିକୁ ବର୍ତ୍ତମାନ ପର୍ଯ୍ୟନ୍ତ ଚିହ୍ନଟରୁ ରକ୍ଷା କରିବାରେ ସକ୍ଷମ ହୋଇଛି: ଇଏମଭି ସ୍ପେସିଫିକେସନ୍, ଇଏମଭି କର୍ଣ୍ଣଲ ସାର୍ଟିଫିକେସନ୍ ପ୍ରକ୍ରିୟାର ତ୍ରୁଟି, କାର୍ଯ୍ୟାନ୍ୱୟନ ପରୀକ୍ଷଣ, ଔପଚାରିକ ବିଶ୍ଳେଷଣ ଏବଂ ଗ୍ରାହକଙ୍କ ଅଭିଯୋଗର ତଦାରଖ । ଶେଷରେ ଆମେ ପ୍ରତିରୋଧକ ଉପାୟ ଉପରେ ଆଲୋଚନା କରୁଛୁ । ବ୍ୟାଙ୍କଗୁଡ଼ିକ ନିକଟରେ ଏହି ତ୍ରୁଟି ସମ୍ପର୍କରେ ଆମେ ପ୍ରଥମେ ଦାୟିତ୍ୱର ସହ ଜଣାଇବାର ଏକ ବର୍ଷରୁ ଅଧିକ ସମୟ ପରେ, କେବଳ ପ୍ରଥମ ତ୍ରୁଟିକୁ ଦୂର କରିବା ପାଇଁ ପଦକ୍ଷେପ ନିଆଯାଇଛି, ଯେତେବେଳେ କି ଆମେ ଦ୍ୱିତୀୟ ତ୍ରୁଟିର ଏକ ସମ୍ଭାବ୍ୟ ମାମଲା ଦେଖିଛୁ ଏବଂ ଏଟିଏମ୍ ଏବଂ ପିଓଏସ୍ ମାଲୱେୟାରର ପ୍ରସାର ଏହାକୁ ଆହୁରି ଅଧିକ ବିପଦପୂର୍ଣ୍ଣ କରି ଦେଇଛି । |
15f5ce559c8f3ea14a59cf49bacead181545dfb0 | ଆମେ ଏକ ଛୋଟ ଗୋଷ୍ଠୀ ହସ୍ତାକ୍ଷର ଯୋଜନା ପ୍ରସ୍ତୁତ କରୁ । ଆମ ଯୋଜନାରେ ଥିବା ହସ୍ତାକ୍ଷରଗୁଡ଼ିକ ପ୍ରାୟତଃ ସମାନ ସୁରକ୍ଷା ସହିତ ଏକ ମାନକ ଆରଏସଏ ହସ୍ତାକ୍ଷର ଆକାରର । ଆମ ଗ୍ରୁପ୍ ସିଗ୍ନେଚରର ସୁରକ୍ଷା ଷ୍ଟ୍ରଙ୍ଗ୍ ଡିଫି-ହେଲ୍ମାନ୍ ଅନୁମାନ ଉପରେ ଆଧାରିତ ଏବଂ ବାଇଲିନାରୀ ଗ୍ରୁପରେ ଏକ ନୂତନ ଅନୁମାନ ଯାହାକୁ ଡୀସିସନ୍ ଲିନିୟର ଅନୁମାନ କୁହାଯାଏ । ଆମେ ଆମ ସିଷ୍ଟମର ସୁରକ୍ଷା ପ୍ରମାଣିତ କରିଥାଉ, ରାଣ୍ଡମ ଓରାକଲ ମଡେଲରେ, ନିକଟରେ ବେଲାରେ, ମିକ୍ସିଆନସିଓ, ଏବଂ ୱାରିନ୍ସିଙ୍କ ଦ୍ୱାରା ଦିଆଯାଇଥିବା ଗୋଷ୍ଠୀ ହସ୍ତାକ୍ଷର ପାଇଁ ସୁରକ୍ଷା ସଂଜ୍ଞା ର ଏକ ଭାରିଆଣ୍ଟ ବ୍ୟବହାର କରି । |
96084442678300ac8be7778cf10a1379d389901f | ଏହି ଅଧ୍ୟୟନରେ ମାଇକ୍ରୋୱେଭ୍ ଉପାଦାନର ଆଦିଭ ଉତ୍ପାଦନ ପାଇଁ ଦୁଇଟି ଭିନ୍ନ ଭିନ୍ନ ପଦ୍ଧତି ଉପରେ ଆଲୋଚନା କରାଯାଇଛି । ପ୍ରଥମ ଉପାୟଟି ହେଲା ଲୋକପ୍ରିୟ ଏବଂ ଶସ୍ତା ଫ୍ୟୁଜଡ୍ ଡିପୋଜିସନ୍ ମଡେଲିଂ (ଏଫଡିଏମ୍) । ଏହି ଅଧ୍ୟୟନରେ ଦର୍ଶାଯାଇଛି ଯେ, ଭିନ୍ନ ଭିନ୍ନ ଭର୍ତ୍ତି ଫ୍ୟାକ୍ଟର ବ୍ୟବହାର କରି ଏଫଡିଏମ୍ ନିୟନ୍ତ୍ରିତ ଡାଏଲେକ୍ଟ୍ରିକ୍ ସ୍ଥିର ସହିତ ଉପକରଣ ନିର୍ମାଣ ପାଇଁ ଉପଯୁକ୍ତ । ଦ୍ୱିତୀୟ ଉପାୟ ହେଉଛି ଷ୍ଟେରିଓଲିଥୋଗ୍ରାଫି (ଏସଏଲଏ) । ଏହି ଉପାୟରେ ସମାଧାନର ଦୃଷ୍ଟିରୁ ଉନ୍ନତ ଫଳାଫଳ ହାସଲ କରାଯାଇପାରିବ । ଏହାବ୍ୟତୀତ ମାଇକ୍ରୋୱେଭ୍ ଉପକରଣର ପୃଷ୍ଠରେ ତମ୍ବା ପ୍ଲେଟ ଲଗାଇବାର ଏକ ସହଜ ଉପାୟ ଦର୍ଶାଯାଇଛି ଏବଂ ଏହାର ପ୍ରଭାବକୁ ପଂଜୀ ଆକାରର ରେଜୋନେଟର ସହିତ ଏକ ଦୁଇ ଧ୍ରୁବ ବିଶିଷ୍ଟ ଫିଲ୍ଟରର ନିର୍ମାଣ ଏବଂ ମାପଣ ଦ୍ୱାରା ପ୍ରମାଣିତ କରାଯାଇଛି । |
0668aba8199335b347a5c8d0cdd8e75cb7cd6122 | ଖାଦ୍ୟର ସ୍ୱୟଂଚାଳିତ ବୁଝାମଣା ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଗବେଷଣା ଆହ୍ୱାନ । ଖାଦ୍ୟ ଚିହ୍ନଟକାରୀ ଯନ୍ତ୍ରଗୁଡ଼ିକ ରୋଗୀର ଖାଦ୍ୟପେୟ ଓ ଖାଦ୍ୟ ଗ୍ରହଣ କରିବାର ଅଭ୍ୟାସକୁ ସିଧାସଳଖ ମୋବାଇଲ କିମ୍ବା ୱେରେବଲ କ୍ୟାମେରା ଦ୍ୱାରା ସଂଗ୍ରହ କରାଯାଇଥିବା ଚିତ୍ରରୁ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଅନୁଧ୍ୟାନ କରିବା ପାଇଁ ଏକ ଉପଯୁକ୍ତ ସହାୟତା ପ୍ରଦାନ କରିପାରିବ । ଏହି କ୍ଷେତ୍ରରେ ପ୍ରଥମ ଆହ୍ୱାନ ହେଉଛି ଖାଦ୍ୟ ଥିବା ଚିତ୍ର ଓ ଅନ୍ୟମାନଙ୍କ ମଧ୍ୟରେ ଭେଦଭାବ । ଖାଦ୍ୟ ବନାମ ଅଣ-ଖାଦ୍ୟ ବର୍ଗୀକରଣ ପାଇଁ ବର୍ତ୍ତମାନର ପଦ୍ଧତିଗୁଡ଼ିକ ଉଭୟ ଗଭୀର ଓ ନିବିଡ଼ ପ୍ରତିନିଧିତ୍ୱକୁ ବ୍ୟବହାର କରିଛି, ଯାହା ଏକାଧିକ ଶ୍ରେଣୀ କିମ୍ବା ଏକ-ଶ୍ରେଣୀ ବର୍ଗୀକରଣ ପଦ୍ଧତି ସହିତ ମିଳିତ ହୋଇଛି । କିନ୍ତୁ, ସାଧାରଣତଃ ବିଭିନ୍ନ ପଦ୍ଧତି ଓ ତଥ୍ୟକୁ ବ୍ୟବହାର କରି ଏହାର ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଛି, ଯାହାଦ୍ୱାରା ବର୍ତ୍ତମାନର ପଦ୍ଧତିର କାର୍ଯ୍ୟଦକ୍ଷତାର ପ୍ରକୃତ ତୁଳନା ସମ୍ଭବ ନୁହେଁ । ଏହି ଲେଖାରେ ଆମେ ଖାଦ୍ୟ ବର୍ଗୀକରଣ ଏବଂ ଅଣ-ଖାଦ୍ୟ ବର୍ଗୀକରଣ ପାଇଁ ବ୍ୟବହୃତ ହେଉଥିବା ସାମ୍ପ୍ରତିକ ଶ୍ରେଣୀକରଣ ପଦ୍ଧତି ଉପରେ ବିଚାର କରୁଛୁ ଏବଂ ସର୍ବସାଧାରଣରେ ଉପଲବ୍ଧ ତଥ୍ୟ ସେଟ୍ ସହିତ ତୁଳନା କରୁଛୁ । ବିଭିନ୍ନ ଗଭୀର ଶିକ୍ଷଣ ଆଧାରିତ ପ୍ରତିନିଧିତ୍ୱ ଏବଂ ଶ୍ରେଣୀକରଣ ପଦ୍ଧତି ଉପରେ ବିଚାର କରାଯାଇଥାଏ ଏବଂ ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଥାଏ । |
1f7d9319714b603d87762fa60e47b0bb40db25b5 | ବେୟେସୀୟ ସ୍ୱାଧୀନତା ବର୍ଗୀକରଣକାରୀ ଏବଂ ନିକଟତମ-ପଡୋଶୀ ବର୍ଗୀକରଣକାରୀଙ୍କୁ ହସ୍ତକୃତ ଭାବରେ ଗ୍ରେଡ୍ ହୋଇଥିବା ପ୍ରବନ୍ଧଗୁଡ଼ିକୁ ସ୍କୋର ଦେବା ପାଇଁ ତାଲିମ ଦିଆଯାଇଥିଲା । ଏହି ସ୍କୋରଗୁଡ଼ିକୁ ରେଖୀଗତ ପତନ ବ୍ୟବହାର କରି ଅନ୍ୟ କେତେକ ସାରାଂଶିକ ପାଠ୍ୟ ମାପ ସହିତ ମିଶାଯାଇଥିଲା । ଏହି ଶ୍ରେଣୀକରଣ ଏବଂ ରିଗ୍ରେସନ ସମୀକରଣକୁ ଏକ ନୂତନ ପରୀକ୍ଷଣରେ ପ୍ରୟୋଗ କରାଯାଇଥିଲା । ଶ୍ରେଣୀକରଣକାରୀମାନେ ଭଲ କାମ କରିଛନ୍ତି । ସ୍ୱୟଂଚାଳିତ ଗ୍ରେଡର ଓ ଶେଷ ମାନୁଆଲ ଗ୍ରେଡ ମଧ୍ୟରେ ବୁଝାମଣା ମଣିଷ ଗ୍ରେଡରଙ୍କ ମଧ୍ୟରେ ବୁଝାମଣା ଭଳି ଭଲ ଥିଲା । ସ୍ୱୟଂଚାଳିତ ପ୍ରବନ୍ଧ ଗ୍ରେଡିଂ ସମସ୍ୟା ପାଇଁ ଅନେକ ମାନକ ପାଠ୍ୟ-ବର୍ଗୀକରଣ କୌଶଳ ପ୍ରୟୋଗ କରାଯାଇଥିଲା । |
81dbf427ba087cf3a0f22b59e74d049f881bbbee | ବୈଷୟିକ ଜ୍ଞାନ ଓ ବିଚାରଧାରାରେ ସାମ୍ପ୍ରତିକ ପ୍ରଗତି ଶିକ୍ଷା ଗବେଷଣା ପାଇଁ ସମ୍ପୂର୍ଣ୍ଣ ନୂଆ ଦିଗ ଖୋଲି ଦେଇଛି । ବୃଦ୍ଧି ପାଉଥିବା ଟ୍ୟୁସନ ଖର୍ଚ୍ଚ ଏବଂ ମାଗଣା, ଅନଲାଇନ ପାଠ୍ୟକ୍ରମର ଚାପ ଆଲୋଚନାକୁ ଖୋଲିଛି ଏବଂ ଭୌତିକ ଶ୍ରେଣୀଗୃହରେ ପରିବର୍ତ୍ତନକୁ ଉତ୍ସାହିତ କରୁଛି । ଏହି ଆଲୋଚନାରେ ମୁଖ୍ୟ ପ୍ରସଙ୍ଗ ହେଉଛି "ପରିବର୍ତ୍ତିତ ଶ୍ରେଣୀଗୃହ" । ଫ୍ଲିପଡ କ୍ଲାସରୁମ ଏକ ନୂତନ ଶିକ୍ଷଣ ପଦ୍ଧତି, ଯାହା ଅସନ୍ତୁଳିତ ଭିଡିଓ ଅଧ୍ୟୟନ ଏବଂ ଅଭ୍ୟାସ ସମସ୍ୟାକୁ ହୋମୱାର୍କ ଭାବରେ ବ୍ୟବହାର କରେ, ଏବଂ କ୍ଲାସରୁମରେ ସକ୍ରିୟ, ଗୋଷ୍ଠୀ ଭିତ୍ତିକ ସମସ୍ୟା ସମାଧାନ କାର୍ଯ୍ୟକଳାପ ବ୍ୟବହାର କରେ । ଏହା ଏକ ଅନନ୍ୟ ସଂଯୋଜନାକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ ଯାହା ଶିକ୍ଷାଲାଭ ସିଦ୍ଧାନ୍ତର ଏକ ଅନନ୍ୟ ସଂଯୋଜନା ଅଟେ ଯାହା ଏକ ସମୟରେ ଅସଙ୍ଗତ-ସକ୍ରିୟ, ସମସ୍ୟା-ଆଧାରିତ ଶିକ୍ଷାଲାଭ କାର୍ଯ୍ୟକଳାପ ଭାବରେ ବିବେଚନା କରାଯାଉଥିଲା ଯାହା ଏକ ଗଠନମୂଳକ ଚିନ୍ତାଧାରା ଉପରେ ଆଧାରିତ ଏବଂ ଆଚରଣବାଦୀ ନୀତି ଉପରେ ଆଧାରିତ ପ୍ରତ୍ୟକ୍ଷ ଶିକ୍ଷାଦାନ ପଦ୍ଧତିରୁ ପ୍ରାପ୍ତ ନିର୍ଦ୍ଦେଶନାମ ଅଧ୍ୟୟନ ଉପରେ ଆଧାରିତ । ଏହି ଅଧ୍ୟୟନରେ ଅଦଳବଦଳ ଶ୍ରେଣୀଗୃହର ପୂର୍ବବର୍ତ୍ତୀ ଓ ବର୍ତ୍ତମାନର ଗବେଷଣା ଉପରେ ଏକ ବିସ୍ତୃତ ସମୀକ୍ଷା ପ୍ରଦାନ କରାଯାଇଛି । ଅଧ୍ୟୟନକୁ ଅନେକ ଦିଗରୁ ବର୍ଣ୍ଣନା କରାଯାଇଥାଏ । ଅନ୍ୟମାନଙ୍କ ମଧ୍ୟରେ, ଏହା ଶ୍ରେଣୀ ଭିତରେ ଏବଂ ଶ୍ରେଣୀ ବାହାରେ କାର୍ଯ୍ୟକଳାପର ପ୍ରକାର, ଅଧ୍ୟୟନର ମୂଲ୍ୟାଙ୍କନ ପାଇଁ ବ୍ୟବହୃତ ପଦକ୍ଷେପ, ଏବଂ ପ୍ରତ୍ୟେକ ଅଧ୍ୟୟନର ପଦ୍ଧତିଗତ ବୈଶିଷ୍ଟ୍ୟ ଅନ୍ତର୍ଭୁକ୍ତ କରେ । ଏହି ସର୍ଭେରୁ ଜଣାପଡିଛି ଯେ ବର୍ତ୍ତମାନ ପର୍ଯ୍ୟନ୍ତ କରାଯାଇଥିବା ଅଧିକାଂଶ ଅଧ୍ୟୟନ ଛାତ୍ରଛାତ୍ରୀଙ୍କ ଧାରଣାକୁ ଅନୁଧ୍ୟାନ କରିବା ସହ ଏକକ-ଗୋଷ୍ଠୀ ଅଧ୍ୟୟନ ଡିଜାଇନ ବ୍ୟବହାର କରିଛନ୍ତି । ଛାତ୍ରଛାତ୍ରୀମାନେ ଯେଉଁଭଳି ଭାବେ ଏହି ପରିବର୍ତ୍ତନକୁ ଗ୍ରହଣ କରିଛନ୍ତି ସେ ସମ୍ପର୍କରେ ବିଭିନ୍ନ ରିପୋର୍ଟ ପ୍ରକାଶ ପାଇଥିଲେ ମଧ୍ୟ ଏହା ସକାରାତ୍ମକ ରହିଛି । ଛାତ୍ରଛାତ୍ରୀମାନେ ଭିଡିଓ ପାଠ୍ୟକ୍ରମ ଅପେକ୍ଷା ବ୍ୟକ୍ତିଗତ ପାଠ୍ୟକ୍ରମକୁ ପସନ୍ଦ କରନ୍ତି, କିନ୍ତୁ ପାଠ୍ୟକ୍ରମ ଅପେକ୍ଷା ପାରସ୍ପରିକ କ୍ଲାସରୁମ୍ କାର୍ଯ୍ୟକଳାପକୁ ପସନ୍ଦ କରନ୍ତି । ପାରମ୍ପରିକ ଶ୍ରେଣୀ ଗୃହ ତୁଳନାରେ ଫ୍ଲିପଡ ଛାତ୍ରଛାତ୍ରୀଙ୍କ ଶିକ୍ଷଣରେ ଉନ୍ନତି ଘଟିଥିବା ଅନାବଶ୍ୟକ ପ୍ରମାଣରୁ ଜଣାପଡିଛି । କିନ୍ତୁ ଶିକ୍ଷାର୍ଥୀମାନଙ୍କର ଶିକ୍ଷଣ ଫଳାଫଳକୁ ନେଇ ବହୁତ କମ୍ ଗବେଷଣା କରାଯାଇଛି । ଭବିଷ୍ୟତ କାର୍ଯ୍ୟ ଅଧ୍ୟୟନ ପାଇଁ ଆମେ ସୁପାରିଶ କରୁଛୁ ଯେ ନିୟନ୍ତ୍ରିତ ପରୀକ୍ଷାମୂଳକ କିମ୍ବା କ୍ୱାସି-ପରୀକ୍ଷାମୂଳକ ଡିଜାଇନ୍ ବ୍ୟବହାର କରି ଉଦ୍ଦେଶ୍ୟପୂର୍ଣ୍ଣ ଶିକ୍ଷଣ ଫଳାଫଳର ଅନୁସନ୍ଧାନ କରନ୍ତୁ । ଆମେ ଏହା ମଧ୍ୟ ସୁପାରିଶ କରୁଛୁ ଯେ ଗବେଷକମାନେ କ୍ଲାସ୍ର କାର୍ଯ୍ୟକଳାପକୁ ପ୍ରସ୍ତୁତ କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଉଥିବା ଥିଓରିଟିକାଲ୍ ଫ୍ରେମୱାର୍କକୁ ଯତ୍ନର ସହ ବିଚାର କରନ୍ତୁ । ଶିକ୍ଷାର ରୂପ ବଦଳାଇବା ପାଇଁ ଦୁଇଟି ସମ୍ବନ୍ଧିତ ଆନ୍ଦୋଳନ ରହିଛି । ପ୍ରଥମଟି ହେଉଛି ବୈଷୟିକ ଆନ୍ଦୋଳନ । ଏହି ବୈଷୟିକ ପରିବର୍ତ୍ତନ ଫଳରେ ଅତି କମ୍ ଖର୍ଚ୍ଚରେ ସୂଚନାକୁ ବର୍ଦ୍ଧିତ ଏବଂ ନକଲ କରାଯାଇପାରୁଛି । ଏହା ୧୪ଶ ଶତାବ୍ଦୀରେ ପ୍ରିଣ୍ଟିଂ ପ୍ରେସ୍ ସହିତ ଆରମ୍ଭ ହୋଇଥିଲା, ଏବଂ ଏହା କ୍ରମାଗତ ଭାବେ ବୃଦ୍ଧି ପାଉଥିବା ହାରରେ ଜାରି ରହିଛି । ଇଲେକ୍ଟ୍ରୋନିକ ଟେଲିଗ୍ରାଫ ୧୮୩୦ ଦଶକରେ ଆସିଲା, ୱାୟାରଲେସ ରେଡିଓ ୧୮୦୦ ଦଶକର ଶେଷ ଭାଗରେ ଓ ୧୯୦୦ ଦଶକର ଆରମ୍ଭରେ, ଟେଲିଭିଜନ ୧୯୨୦ ଦଶକରେ, କମ୍ପ୍ୟୁଟର ୧୯୪୦ ଦଶକରେ, ଇଣ୍ଟରନେଟ ୧୯୬୦ ଦଶକରେ, ଓ ୱାର୍ଲଡ ୱାଇଡ ୱେବ ୧୯୯୦ ଦଶକରେ ଆସିଲା । ଏହି ଟେକ୍ନୋଲୋଜିକୁ ଆପଣାଇବା ପରେ, ସେମାନଙ୍କ ମାଧ୍ୟମରେ ପ୍ରସାରିତ ହୋଇଥିବା ଚିନ୍ତାଧାରା ଦ୍ୱିତୀୟ ଆନ୍ଦୋଳନକୁ ସକ୍ଷମ କରିଛି । ଯେତେବେଳେ ପ୍ରଯୁକ୍ତି ଆନ୍ଦୋଳନ ସୂଚନାର ମୁକ୍ତ ଏବଂ ମୁକ୍ତ ପ୍ରବାହ ପାଇଁ ବାସ୍ତବିକ ଭୌତିକ ପ୍ରତିବନ୍ଧକକୁ ଦୂର କରିବାକୁ ଚାହୁଁଥିଲା, ଏହି ଆଦର୍ଶବାଦୀ ଆନ୍ଦୋଳନ କୃତ୍ରିମ, ମନୁଷ୍ୟକୃତ ପ୍ରତିବନ୍ଧକକୁ ଦୂର କରିବାକୁ ଚାହୁଁଛି । ଏହା ମୁକ୍ତ ସଫ୍ଟୱେର ଆନ୍ଦୋଳନରେ ପ୍ରତିଫଳିତ ହୋଇଛି (ଉଦାହରଣ ସ୍ୱରୂପ ଷ୍ଟଲମ୍ୟାନ ଓ ଲେସିଗ [୬୭] ଦେଖନ୍ତୁ), ଯଦିଓ ଏହି ଆନ୍ଦୋଳନ ସଫ୍ଟୱେର ପାଇଁ ସୀମିତ ନୁହେଁ । ଏହାର ଏକ ଉତ୍ତମ ଉଦାହରଣ ଜ୍ଞାନକୋଷରୁ ଦେଖିବାକୁ ମିଳେ । ଏନସାଇକ୍ଲୋପିଡିଆ ବ୍ରିଟାନିକା ପ୍ରାୟ ୨୫୦ ବର୍ଷ [୨୦] (୧୭୬୮ ମସିହାରୁ) ଧରି ନିରନ୍ତର ପ୍ରକାଶିତ ହୋଇଆସୁଛି । ଯଦିଓ ଏନସାଇକ୍ଲୋପିଡିଆ ବ୍ରିଟାନିକା ବିଷୟବସ୍ତୁ 1981 ମସିହାରୁ ଡିଜିଟାଲ ଭାବରେ ରହିଆସିଛି, 2001 ରେ ଉଇକିପିଡ଼ିଆର ଆଗମନ ପର୍ଯ୍ୟନ୍ତ ବିଶ୍ୱବ୍ୟାପୀ ବ୍ୟବହାରକାରୀଙ୍କ ପାଇଁ ଏନସାଇକ୍ଲୋପିଡିଆ ବିଷୟବସ୍ତୁକୁ ମୁକ୍ତ ପ୍ରବେଶ ଉପଲବ୍ଧ ହୋଇନଥିଲା । ଏନସାଇକ୍ଲୋପିଡିଆ ବ୍ରିଟାନିକାକୁ ପ୍ରବେଶ ସୀମିତ ସଂଖ୍ୟକ ଦେୟଦାତାଙ୍କ ପାଇଁ ସୀମିତ ରହିଛି । [୨୧] କିନ୍ତୁ ଉଇକିପିଡ଼ିଆକୁ ପ୍ରବେଶ ଖୋଲା ଅଛି ଏବଂ ୱେବସାଇଟକୁ ମାସିକ ୨.୭ ବିଲିୟନରୁ ଅଧିକ ପୃଷ୍ଠା ଦର୍ଶନ ମିଳିଥାଏ । [୨୧] ତେଣୁ, ଯଦିଓ ଜ୍ଞାନକୌଶଳ ଏବଂ ଡିଜିଟାଲ ବିଷୟବସ୍ତୁ ଉପଲବ୍ଧ ଥିଲା ଯାହାଦ୍ୱାରା ଜ୍ଞାନକୌଶଳ ବିଷୟବସ୍ତୁକୁ ମୁକ୍ତ ଭାବରେ ଉପଲବ୍ଧ କରାଯାଇପାରିବ, ବୈଚାରିକ ପ୍ରତିବନ୍ଧକ ଏହାକୁ ଘଟିବାକୁ ଦେଇନଥିଲା । ଏହି ସବୁ ବିଚାରଧାରାକୁ ପରାସ୍ତ କରିବା ପରେ ହିଁ ମାନବଜାତିକୁ ବିଶ୍ୱର ସର୍ବବୃହତ ତଥା ସର୍ବଶ୍ରେଷ୍ଠ ଜ୍ଞାନକୋଷ ସୃଷ୍ଟି କରିବାର କ୍ଷମତା ମିଳିଥିଲା । ସେହିଭଳି ଉଚ୍ଚଶିକ୍ଷା କ୍ଷେତ୍ରରେ ଏହି ଦୁଇଟି ଆନ୍ଦୋଳନର ମିଳିତ ପ୍ରଭାବ ଦେଖିବାକୁ ମିଳୁଛି । ବୈଷୟିକ କ୍ଷେତ୍ରରେ ଗବେଷଣା କ୍ଷେତ୍ରରେ ଉଲ୍ଲେଖନୀୟ ଅଗ୍ରଗତି ହୋଇଛି । ଅଧ୍ୟୟନରୁ ଜଣାପଡିଛି ଯେ ଭିଡିଓ ବକ୍ତୃତା (ଲଘୁ) ବ୍ୟକ୍ତିଗତ ବକ୍ତୃତା ଠାରୁ ଅଧିକ ଭଲ ପ୍ରଦର୍ଶନ କରିଥାଏ [୯], ଇଣ୍ଟରାକ୍ଟିଭ୍ ଅନ୍ଲାଇନ୍ ଭିଡିଓଗୁଡିକ ଆହୁରି ଭଲ କରିଥାଏ (ପ୍ରଭାବ ଆକାର = ୦.୫) [୮୩,୫୧] । ଅନଲାଇନ ହୋମୱାର୍କ କାଗଜ ଓ ପେନ୍ସିଲ ହୋମୱାର୍କ [୮.୨୭] ଭଳି ପ୍ରଭାବଶାଳୀ ଅଟେ, ଏବଂ ଯତ୍ନର ସହିତ ବିକଶିତ ବୁଦ୍ଧିମାନ ଟ୍ୟୁସନ ସିଷ୍ଟମ ମାନବ ଟ୍ୟୁସନଙ୍କ ଭଳି ପ୍ରଭାବଶାଳୀ ବୋଲି ପ୍ରମାଣିତ ହୋଇଛି [୭୭] । ଏହିସବୁ ଅଗ୍ରଗତି ସତ୍ତ୍ୱେ, ଏହାକୁ ଗ୍ରହଣ କରିବା ଧୀରଗତିରେ ଚାଲିଛି, କାରଣ ଉତ୍ତମ ଶିକ୍ଷା ବ୍ୟବସ୍ଥା ବିକଶିତ କରିବା ଅତ୍ୟନ୍ତ ବ୍ୟୟବହୁଳ ହୋଇପାରେ । କିନ୍ତୁ, ଏହି ଅର୍ଥନୈତିକ ପ୍ରତିବନ୍ଧକକୁ ଭାଙ୍ଗିଦେବାର ପ୍ରୟାସରେ ରହିଛି ଆଦର୍ଶବାଦୀ ଆନ୍ଦୋଳନ । ଆଦର୍ଶଗତ ଭାବରେ, MIT ଏକ ମହତ୍ତ୍ୱପୂର୍ଣ୍ଣ ପଦକ୍ଷେପ ନେଇଥିଲା ଯେତେବେଳେ ଏହା 2001 ରେ ଏହାର ଓପନକର୍ସୱେୟାର (OCW) ପଦକ୍ଷେପ ଘୋଷଣା କରିଥିଲା । ଏହାଦ୍ୱାରା ସୂଚନା ପ୍ରାପ୍ତ କରିବା ସମ୍ଭବ ହୋଇପାରିଥିଲା ଯାହା ପୂର୍ବରୁ କେବଳ ବିଶ୍ୱବିଦ୍ୟାଳୟର ଟ୍ୟୁସନ ଫିସ୍ ଦେଇଥିବା ଛାତ୍ରମାନଙ୍କ ପାଇଁ ଉପଲବ୍ଧ ଥିଲା, ଯାହା ଏମଆଇଟିରେ ୪୦,୦୦୦ ଡଲାରରୁ ଅଧିକ ଥିଲା । ଏହି ଧାରାକୁ ଜାରି ରଖି ଏମଆଇଟି ଆଲୁମ ସଲମାନ ଖାନ ୨୦୦୬ରେ ଖାନ ଏକାଡେମୀ ପ୍ରତିଷ୍ଠା କରିଥିଲେ । ଖାନ ଏକାଡେମୀର ଲକ୍ଷ୍ୟ ହେଉଛି "ବିଶ୍ବସ୍ତରୀୟ ଶିକ୍ଷାଦାନକୁ ସମସ୍ତଙ୍କ ପାଇଁ ମୁକ୍ତ କରିବା" । ଗତ ବର୍ଷ ଏହି ଆନ୍ଦୋଳନ ଦ୍ରୁତ ଗତିରେ ଆଗକୁ ବଢ଼ିଛି । ଖାନଙ୍କ ପ୍ରୟାସରେ ପ୍ରେରିତ ହୋଇ ଷ୍ଟାନଫୋର୍ଡର ପ୍ରଫେସର ସେବାଷ୍ଟିଆନ ଥରୁନ ଏବଂ ଏଣ୍ଡ୍ର୍ୟୁ ଏନଗ ୨୦୧୧ରେ ଅନଲାଇନ ପାଠ୍ୟକ୍ରମ ଆରମ୍ଭ କରିଥିଲେ । ଥରୁନ ପିଟର ନୋର୍ଭିଗଙ୍କ ସହିତ ଆର୍ଟିଫିସିଆଲ ଇଣ୍ଟେଲିଜେନ୍ସ ବିଷୟରେ ଶିକ୍ଷାଦାନ କରିଥିଲେ, ଯାହାଦ୍ୱାରା ତାଙ୍କର ମାଗଣା ଅନଲାଇନ ପାଠ୍ୟକ୍ରମରେ ୧୬୦,୦୦୦ରୁ ଅଧିକ ଛାତ୍ରଛାତ୍ରୀଙ୍କୁ ଆକର୍ଷିତ କରିଥିଲେ । ପରେ ଥରୁନ୍ ବିଶ୍ୱବିଦ୍ୟାଳୟ ଛାଡି ଉଡାସ୍ଟି ପ୍ରତିଷ୍ଠା କରିଥିଲେ, ଯାହା ବର୍ତ୍ତମାନ ୧୧ ଟି ମାଗଣା ପାଠ୍ୟକ୍ରମ ଆୟୋଜନ କରୁଛି । ଷ୍ଟାନଫୋର୍ଡର ସହଯୋଗରେ, ଏନଗ ନିଜର ଖୋଲା ଅନଲାଇନ ଶିକ୍ଷା କାର୍ଯ୍ୟକ୍ରମ କୋର୍ସରା ଆରମ୍ଭ କରିଥିଲେ । ପ୍ରିନ୍ସଟନ, ପେନ୍ସିଲଭାନିଆ ବିଶ୍ୱବିଦ୍ୟାଳୟ ଏବଂ ମିଚିଗାନ ବିଶ୍ୱବିଦ୍ୟାଳୟ କୋର୍ସରା ସହଭାଗିତାରେ ସାମିଲ ହୋଇଛନ୍ତି, ଯାହା ଏହାର ଅଫରକୁ ୪୨ଟି ପାଠ୍ୟକ୍ରମରେ ବିସ୍ତାର କରିଛି । ଏମଆଇଟି ଏହାର ମୁକ୍ତ ଶିକ୍ଷା ପଦକ୍ଷେପକୁ ମଧ୍ୟ ଉନ୍ନତ କରିଛି ଏବଂ ହାର୍ଭାର୍ଡ ସହିତ ଏକ ୬୦ ମିଲିୟନ ଡଲାରର ଉଦ୍ୟୋଗ, ଏଡଏକ୍ସରେ ଯୋଗ ଦେଇଛି [୧୯] । ଏଡକ୍ସ, ହାର୍ଭାର୍ଡ ଏବଂ ଏମଆଇଟି ଶ୍ରେଣୀକୁ ମାଗଣାରେ ଅନଲାଇନରେ ପ୍ରଦାନ କରିବ ।ଯେତେବେଳେ ଅନଲାଇନ ଶିକ୍ଷା ଉନ୍ନତ, ବିସ୍ତାରିତ ଏବଂ ମାଗଣାରେ ଉପଲବ୍ଧ ହେଉଛି, ଇଟା ଏବଂ ମୋର୍ଟାର ବିଦ୍ୟାଳୟରେ ବିଶ୍ୱବିଦ୍ୟାଳୟ ଶିକ୍ଷା ଦରରେ ଦ୍ରୁତ ଗତିରେ ବୃଦ୍ଧି ପାଉଛି [୫୬] । କାଲିଫର୍ଣ୍ଣିଆ ବିଶ୍ୱବିଦ୍ୟାଳୟରେ ୨୦୦୦ ମସିହାଠାରୁ ଟ୍ୟୁସନ ଫି ପ୍ରାୟ ତିନି ଗୁଣ ବୃଦ୍ଧି ପାଇଛି । ସ୍ୱାଭାବିକ ଭାବେ ଏହାକୁ କାଲିଫର୍ଣ୍ଣିଆର ବିଶ୍ୱବିଦ୍ୟାଳୟର ଛାତ୍ରମାନେ ଭଲ ଭାବେ ଗ୍ରହଣ କରୁନାହାନ୍ତି । [2] ସେହିପରି କ୍ୱେବିକରେ ଛାତ୍ରଛାତ୍ରୀମାନେ ମଧ୍ୟ ଟ୍ୟୁସନ ଫି ବୃଦ୍ଧିକୁ ବିରୋଧ କରୁଛନ୍ତି । [୩୬] ଟ୍ୟୁସନ ଫି ବୃଦ୍ଧିକୁ ବିରୋଧ କରି ରୁଟଗର୍ସ ରେ ଛାତ୍ର ପ୍ରଦର୍ଶନକାରୀମାନେ (୨୦ ଜୁନ ୨୦୧୨) ବୋର୍ଡ ବୈଠକକୁ ବାଧାପ୍ରାପ୍ତ କରିଥିଲେ । ନିଆଁରେ ଇନ୍ଧନ ଭରିବା, ଗିଲେନ ଆଦିଙ୍କ ଦ୍ୱାରା କରାଯାଇଥିବା ଏକ ଅଧ୍ୟୟନରୁ ଏହା ଜଣାପଡିଛି । [୩୧] ଦର୍ଶାଏ ଯେ ସ୍ନାତକ ଛାତ୍ରମାନଙ୍କର ଟ୍ୟୁସନ୍ ରିସର୍ଚ୍ଚ ସବସିଡି ପାଇଁ ବ୍ୟବହୃତ ହୁଏ । ତେଣୁ ଛାତ୍ରଛାତ୍ରୀ ଓ ଶିକ୍ଷାନୁଷ୍ଠାନଗୁଡ଼ିକର ମନରେ ଗୋଟିଏ ପ୍ରଶ୍ନ ଉଙ୍କି ମାରୁଛି ଯେ, ସେମାନେ ନିଜ ଅର୍ଥରେ କ ଣ ପାଇବେ? ଏହାଦ୍ୱାରା ଶାରୀରିକ ଶିକ୍ଷାନୁଷ୍ଠାନଗୁଡ଼ିକ ଉପରେ ଚାପ ସୃଷ୍ଟି ହେଉଛି ଯେ ସେମାନେ ନିଜ ଶିକ୍ଷାର୍ଥୀମାନଙ୍କର ବ୍ୟକ୍ତିଗତ ଶିକ୍ଷଣ ଅଭିଜ୍ଞତାକୁ ଉନ୍ନତ ଓ ବୃଦ୍ଧି କରିବା ପାଇଁ ପ୍ରୟାସ କରିବେ । |
f395edb9c8ca5666ec54d38fda289e181dbc5d1b | ଏହି କାଗଜରେ ମଧ୍ୟମ ଭୋଲଟେଜ ପ୍ରୟୋଗ ପାଇଁ ଏକ ନୂତନ ଭୋଲଟେଜ ଉତ୍ସ କନ୍ଭର୍ଟର ଉପସ୍ଥାପିତ କରାଯାଇଛି ଯାହା ଶକ୍ତି ସେମିକଣ୍ଡକ୍ଟରକୁ ସିରିଜରେ ସଂଯୋଗ କରିବାର ଆବଶ୍ୟକତା ବିନା ଭୋଲଟେଜର ଏକ ବ୍ୟାପକ ପରିସର (୨.୪-୭.୨ କେଭି) ରେ କାର୍ଯ୍ୟ କରିପାରିବ । ପ୍ରସ୍ତାବିତ କନ୍ଭର୍ଟରର କାର୍ଯ୍ୟକଳାପ ଉପରେ ଅଧ୍ୟୟନ ଓ ବିଶ୍ଳେଷଣ କରାଯାଇଛି । ପ୍ରସ୍ତାବିତ କନ୍ଭର୍ଟରକୁ ନିୟନ୍ତ୍ରଣ କରିବା ପାଇଁ, ସ୍ପେସ୍ ଭେକ୍ଟର ମୋଡ୍ୟୁଲେସନ୍ (SVM) ରଣନୀତିକୁ ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । ସାଧାରଣତଃ ଏସଭିଏମ୍ ରେ ରିଡଣ୍ଡାଣ୍ଟ୍ ସୁଇଚିଙ୍ଗ୍ ଷ୍ଟେଟ୍ ଥାଏ । ଆମେ କେଉଁ ମୁଖ୍ୟ କଥାକୁ ବୁଝିବାକୁ ଚେଷ୍ଟା କରୁଛୁ? ଏହି ରିଡଣ୍ଡାଣ୍ଟ ସୁଇଚିଙ୍ଗ ଷ୍ଟେଟ୍ସ ଆଉଟପୁଟ ଭୋଲଟେଜକୁ ନିୟନ୍ତ୍ରଣ କରିବାରେ ସାହାଯ୍ୟ କରିଥାଏ ଏବଂ ପ୍ରସ୍ତାବିତ କନ୍ଭର୍ଟରରେ ଫ୍ଲାଇଙ୍ଗ କାଣ୍ଡେସଟରର ଭୋଲଟେଜକୁ ସନ୍ତୁଳିତ କରିଥାଏ । ବିଭିନ୍ନ କାର୍ଯ୍ୟ ଅବସ୍ଥାରେ କନ୍ଭର୍ଟରର କାର୍ଯ୍ୟଦକ୍ଷତା MATLAB/Simulink ପରିବେଶରେ ଅନୁସନ୍ଧାନ କରାଯାଏ । ପ୍ରସ୍ତାବିତ କନ୍ଭର୍ଟରର କାର୍ଯ୍ୟକାରିତା ପରୀକ୍ଷାମୂଳକ ଭାବେ ୫ କେଭିଏଲ ପ୍ରୋଟୋଟାଇପରେ ମୂଲ୍ୟାୟନ କରାଯାଇଛି । |
81a4183d5042a93356bc59cda54ede3283efe583 | ଏହି କାଗଜରେ ତଳ ଚାପ ତଥ୍ୟ ଆଧାରରେ ଚାଲିଚଳଣ ବ୍ୟବହାର କରି ଲୋକଙ୍କୁ ଚିହ୍ନଟ କରିବାର ଏକ ଉପାୟ ଉପସ୍ଥାପନ କରାଯାଇଛି । ଏକ ବଡ଼ କ୍ଷେତ୍ରର ଉଚ୍ଚ ରିଜୋଲ୍ୟୁସନ ଚାପ ସେନସିଂ ଫ୍ଲୋର ବ୍ୟବହାର କରି ଆମେ ପାଦଚଲା ଉପରେ ପାଦ ଚାପର କେନ୍ଦ୍ରର 3D ଟ୍ରାଫିକ ହାସଲ କରିବାରେ ସକ୍ଷମ ହୋଇଥିଲୁ ଯାହା ଉଭୟ 1D ଚାପ ପ୍ରୋଫାଇଲ୍ ଏବଂ COP ର 2D ସ୍ଥିତି ଟ୍ରାଫିକକୁ ଧାରଣ କରିଥାଏ । 3ଡି ସିଓପି ଟ୍ରାକ୍ଟୋରୀ ଉପରେ ଆଧାର କରି ଏକ ସେଟ୍ ଫିଚର ବାହାର କରାଯାଇଥାଏ ଏବଂ ଏହାକୁ ଲୋକମାନଙ୍କ ଚିହ୍ନଟ ପାଇଁ ବ୍ୟବହାର କରାଯାଇଥାଏ । ଫିଶର ରେଖୀଗତ ଭେଦଭାବକାରୀକୁ ଶ୍ରେଣୀଭୁକ୍ତକର୍ତ୍ତା ଭାବରେ ବ୍ୟବହାର କରାଯାଏ । ପ୍ରସ୍ତାବିତ ପଦ୍ଧତିର ଉପଯୋଗ କରି ଉତ୍ସାହଜନକ ଫଳାଫଳ ମିଳିଛି, ଯେଉଁଥିରେ ୧୦ ଜଣ ବ୍ୟକ୍ତିଙ୍କ ପାଦ ଚିହ୍ନଟ ତଥ୍ୟକୁ ବ୍ୟବହାର କରି ହାରାହାରି ୯୪% ଚିହ୍ନଟ ହାର ଏବଂ ୩% ମିଥ୍ୟା ଆଲାର୍ମ ହାର ମିଳିଛି । |
6b6fa87688f1e0ddb676a9ce5d18a7185f98d0c5 | ପାରମ୍ପରିକ ଇନଡୋର ଲେଜର ସ୍କାନିଂ ଟ୍ରଲି/ବ୍ୟାକପ୍ୟାକ୍ ଯେଉଁଥିରେ ମଲ୍ଟି-ଲେଜର ସ୍କାନର୍, ପାନୋରାମା କ୍ୟାମେରା ଏବଂ ଇନର୍ସିଆଲ୍ ମେଜର୍ ୟୁନିଟ୍ (ଆଇଏମୟୁ) ସ୍ଥାପିତ ଅଛି, ଏହା 3D ଇନଡୋର ମ୍ୟାପିଂ ସମସ୍ୟାର ଏକ ଲୋକପ୍ରିୟ ସମାଧାନ ଅଟେ । କିନ୍ତୁ ଏହି ମାନଚିତ୍ର ସୁଟ୍ ର ମୂଲ୍ୟ ବହୁତ ଅଧିକ ଏବଂ ଏହାକୁ କଷ୍ଟମର ଇଲେକ୍ଟ୍ରୋନିକ୍ସ ଉପାଦାନରେ ପ୍ରାୟତଃ ନକଲ କରାଯାଇପାରିବ ନାହିଁ । ଖାଉଟି ଆରଜିବି-ଡିପଥ (ଆରଜିବି-ଡି) କ୍ୟାମେରା (ଯେପରିକି କିନେକ୍ଟ ଭି୨) ହେଉଛି ୩ଡି ପଏଣ୍ଟ କ୍ଲାଉଡ ସଂଗ୍ରହ ପାଇଁ ଏକ କମ୍ ଖର୍ଚ୍ଚର ବିକଳ୍ପ । କିନ୍ତୁ ଏହାର ଦୃଶ୍ୟ କ୍ଷେତ୍ର (ଏଫଓଭି) କମ ଥିବାରୁ ଏହାର ସଂଗ୍ରହ କ୍ଷମତା ଓ ତଥ୍ୟ ସଂଗ୍ରହ କ୍ଷମତା ଲେଜର ସ୍କାନର ତୁଳନାରେ କମ୍ ରହିଛି । ଏହାବ୍ୟତୀତ ସୀମିତ ଏଫଓଭି ସ୍କାନିଂ କାର୍ଯ୍ୟଭାର, ଡାଟା ପ୍ରୋସେସିଂ ଓଜନ ଏବଂ ଭିଜୁଆଲ ଓଡୋମେଟ୍ରି (ଭିଓ) /ସାମୟିକ ଲୋକାଲାଇଜେସନ ଏବଂ ମ୍ୟାପିଂ (ଏସଏଲଏଏମ) ବିଫଳତାର ଆଶଙ୍କା ବଢ଼ାଇଥାଏ । ଇନଡୋର ମ୍ୟାପିଂ ପାଇଁ ସହାୟକ ସୂଚନା (ଯଥା ରଙ୍ଗ) ସହିତ 3D ପଏଣ୍ଟ କ୍ଲାଉଡ୍ ତଥ୍ୟ ସଂଗ୍ରହ କରିବା ପାଇଁ ଏକ ଦକ୍ଷ ଏବଂ କମ୍ ମୂଲ୍ୟର ଉପାୟ ଖୋଜିବା ପାଇଁ, ଏହି କାଗଜରେ ଆମେ ଏକ ପ୍ରୋଟୋଟାଇପ୍ ଇନଡୋର ମ୍ୟାପିଂ ସମାଧାନ ଉପସ୍ଥାପନ କରୁ ଯାହା ଏକ ବଡ଼ FOV ସହିତ ଏକ ଆରେ ନିର୍ମାଣ କରିବା ପାଇଁ ଏକାଧିକ RGB-D ସେନସରର କାଲିବ୍ରେସନ୍ ଉପରେ ନିର୍ମିତ _ ତିନୋଟି ସମୟ-ପର-ଉଡାଣ (ToF) ଆଧାରିତ କିନେକ୍ଟ ଭି୨ ଆରଜିବି-ଡି କ୍ୟାମେରା ଏକ ବୃହତ ଦୃଶ୍ୟ କ୍ଷେତ୍ର ଗଠନ କରିବା ପାଇଁ ଭିନ୍ନ ଭିନ୍ନ ଦୃଶ୍ୟ ଦିଗ ସହିତ ଏକ ରିଗ୍ ଉପରେ ଲଗାଯାଇଛି । ତିନୋଟି ଆରଜିବି-ଡି ଡାଟା ଷ୍ଟ୍ରିମ୍ ସନ୍ତୁଳିତ କରାଯାଇଥାଏ ଓ ଓପନକିନେକ୍ଟ ଡ୍ରାଇଭର ଦ୍ୱାରା ସଂଗ୍ରହ କରାଯାଇଥାଏ । ଗୋଟିଏ RGB-D କ୍ୟାମେରାର ଜ୍ୟାମିତି ଓ ଗଭୀରତା ମାପିବା ସହିତ ଅନ୍ତର୍ନିହିତ ମାପିବା ଯଥାକ୍ରମେ ହୋମୋଗ୍ରାଫି ଆଧାରିତ ପଦ୍ଧତି ଓ ରେ ସଂଶୋଧନ ଦ୍ୱାରା ସମାଧାନ କରାଯାଏ, ଯାହା ପରେ ପିକ୍ସେଲ-ୱାଇସ୍ ସ୍ପ୍ଲାଇନ୍ ଲାଇନ୍ ଫଙ୍କସନ୍ ଉପରେ ଆଧାରିତ ରେଞ୍ଜ ବିୟାସ ସଂଶୋଧନ ଦ୍ୱାରା ଅନୁସରଣ କରାଯାଏ । ବାହ୍ୟ ମାପକକୁ ଏକ ଗ୍ରାଫ-ଟୁ-ଫାଇନ ସ୍କିମ୍ ମାଧ୍ୟମରେ ହାସଲ କରାଯାଇଥାଏ ଯାହା ପ୍ରାଥମିକ ବାହ୍ୟ ଦିଗ ନିର୍ଣ୍ଣୟ ପାରାମିଟର (ଇଓପି) କୁ ବିରଳ ନିୟନ୍ତ୍ରଣ ମାର୍କରରୁ ସମାଧାନ କରିଥାଏ ଏବଂ ପ୍ରାଥମିକ ମୂଲ୍ୟକୁ ଏକ ଇଟେରେଟିଭ୍ ନିକଟତମ ବିନ୍ଦୁ (ଆଇସିପି) ଭାରିଆଣ୍ଟ ଦ୍ୱାରା ସଫା କରିଥାଏ ଯାହା ଆରଜିବି-ଡି ପଏଣ୍ଟ ମେଘ ଏବଂ ରେଫରେନ୍ସ ଲେଜର ପଏଣ୍ଟ ମେଘ ମଧ୍ୟରେ ଦୂରତାକୁ ସର୍ବନିମ୍ନ କରିଥାଏ । ପ୍ରସ୍ତାବିତ ପ୍ରୋଟୋଟାଇପ ଏବଂ କାଲିବ୍ରେସନ ପଦ୍ଧତିର ପ୍ରଭାବ ଏବଂ ସଠିକତା ମୂଲ୍ୟାଙ୍କନ ପ୍ରୋଟୋଟାଇପରୁ ପ୍ରାପ୍ତ ପଏଣ୍ଟ କ୍ଲାଉଡକୁ ଗ୍ରାଉଣ୍ଡ ଲେଶର ସ୍କାନର (TLS) ଦ୍ୱାରା ସଂଗୃହିତ ଗ୍ରାଉଣ୍ଡ ଟ୍ରୁଥ ଡାଟା ସହିତ ତୁଳନା କରି କରାଯାଏ । ଫଳାଫଳର ସାମଗ୍ରିକ ବିଶ୍ଳେଷଣରୁ ଜଣାପଡିଛି ଯେ ପ୍ରସ୍ତାବିତ ପଦ୍ଧତି ଦ୍ୱାରା ତିନିଟି କିନେକ୍ଟ ଭି୨ କ୍ୟାମେରାରୁ 30 ଫ୍ରେମ ପ୍ରତି ସେକେଣ୍ଡରେ ସଂଗ୍ରହ କରାଯାଇଥିବା ଏକାଧିକ ପଏଣ୍ଟ କ୍ଲାଉଡର ନିରବଚ୍ଛିନ୍ନ ଏକୀକରଣ ହାସଲ କରାଯାଇଥାଏ, ଯାହାଦ୍ୱାରା ସ୍ୱଳ୍ପ ଖର୍ଚ୍ଚ, ଦକ୍ଷ ଏବଂ ଉଚ୍ଚ କଭରେଜ ଥ୍ରୀଡି ରଙ୍ଗ ପଏଣ୍ଟ କ୍ଲାଉଡ ସଂଗ୍ରହ ପାଇଁ ଇନଡୋର ମ୍ୟାପିଂ ପ୍ରୟୋଗ କରାଯାଇଥାଏ । |
330f258e290adc2f78820eddde589946f775ae65 | ନିୟମ ଅନୁପ୍ରବେଶ ପାଇଁ କଠୋର ସେଟ୍ ତତ୍ତ୍ବ ପ୍ରୟୋଗ କରାଯାଇପାରେ । ଦୁଇ ପ୍ରକାରର ଶ୍ରେଣୀକରଣ ନିୟମ ରହିଛି, ସକାରାତ୍ମକ ନିୟମ ଏବଂ ସୀମା ନିୟମ, ଯାହା ଭିନ୍ନ ଭିନ୍ନ ନିଷ୍ପତ୍ତି ଏବଂ ପରିଣାମକୁ ନେଇଥାଏ । ସେଗୁଡିକ କେବଳ ବିଶ୍ବାସ, କଭରେଜ୍ ଏବଂ ସାଧାରଣତା ପରି ସିଣ୍ଟାକ୍ସ ମାପଦଣ୍ଡରୁ ନୁହେଁ, ବରଂ ନିଷ୍ପତ୍ତି-ଏକକତା, ଖର୍ଚ୍ଚ ଏବଂ ବିପଦ ପରି ଅର୍ଥନୈତିକ ମାପଦଣ୍ଡରୁ ମଧ୍ୟ ପୃଥକ କରାଯାଇପାରିବ । ଶ୍ରେଣୀକରଣ ନିୟମକୁ ପ୍ରତ୍ୟେକ ନିୟମ ପାଇଁ ସ୍ଥାନୀୟ ଭାବରେ କିମ୍ବା ନିୟମ ସମୂହ ପାଇଁ ବିଶ୍ୱସ୍ତରରେ ମୂଲ୍ୟାଙ୍କନ କରାଯାଇପାରିବ । ଉଭୟ ପ୍ରକାରର ଶ୍ରେଣୀକରଣ ନିୟମକୁ ଏକ ନିର୍ଣ୍ଣୟ-ବିଜ୍ଞାନ ମଡେଲରୁ ସୃଷ୍ଟି କରାଯାଇପାରିବ ଏବଂ ଏହାକୁ ବ୍ୟାଖ୍ୟା କରାଯାଇପାରିବ, ଯାହା ପାଓଲକ ରଫ୍ ସେଟ୍ ମଡେଲର ଏକ ସମ୍ଭାବ୍ୟତା ସମ୍ପ୍ରସାରଣ ଅଟେ । ଏକ ଆନୁମାନିକ ସେଟ୍ ଥିଓରୀ ର ଏକ ମହତ୍ୱପୂର୍ଣ୍ଣ ଧାରଣା ଭାବରେ, ଏକ ଗୁଣ ହ୍ରାସ ହେଉଛି ଗୁଣଗୁଡିକର ଏକ ଉପସୂଚୀ ଯାହା ମିଳିତ ଭାବରେ ଯଥେଷ୍ଟ ଏବଂ ବ୍ୟକ୍ତିଗତ ଭାବରେ ଆବଶ୍ୟକ ଅଟେ ଯାହା ଦିଆଯାଇଥିବା ସୂଚନା ସାରଣୀର ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଗୁଣକୁ ସଂରକ୍ଷଣ କରିଥାଏ । ଏହି କାଗଜରେ ବିଭିନ୍ନ ଶ୍ରେଣୀକରଣ ଗୁଣଗୁଡିକ ଉପରେ ନିର୍ଭର କରି ନିଷ୍ପତ୍ତି-ତତ୍ତ୍ୱଗତ ଆନୁମାନିକ ସେଟ୍ ମଡେଲଗୁଡିକରେ ଗୁଣ ହ୍ରାସକୁ ଦର୍ଶାଯାଇଛି, ଯେପରିକି: ନିଷ୍ପତ୍ତି ଏକକତା, ବିଶ୍ୱାସ, କଭରେଜ୍, ସାଧାରଣତା ଏବଂ ମୂଲ୍ୟ । ଏହା ଧ୍ୟାନ ଦେବା ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ ଯେ ଏହି ଗୁଣଗୁଡ଼ିକ ମଧ୍ୟରୁ ଅନେକକୁ ପୌଲକ ଗ୍ରାଫ୍ ସେଟ୍ ମଡେଲରେ ଏକକ ମାପ c ଦ୍ୱାରା ସଠିକ ଭାବରେ ପ୍ରତିଫଳିତ କରାଯାଇପାରିବ । ଅନ୍ୟପଟେ, ସମ୍ଭାବ୍ୟତା ମଡେଲରେ ସେମାନଙ୍କୁ ଅଲଗା ଭାବରେ ବିଚାର କରିବାର ଆବଶ୍ୟକତା ରହିଛି । ସି ମାପର ଏକ ସରଳ ସମ୍ପ୍ରସାରଣ ଏହି ଗୁଣଗୁଡିକର ମୂଲ୍ୟାଙ୍କନ କରିବାରେ ଅସମର୍ଥ । ଏହି ଅଧ୍ୟୟନ ଦ୍ୱାରା ଗୁଣ ହ୍ରାସର ସମସ୍ୟା ଉପରେ ଏକ ନୂତନ ଆଲୋକପାତ କରାଯାଇଛି । କ୍ରାଉନ୍ କପିରାଇଟ୍ 2008 ଏଲ୍ସେଭିୟର ଇନ୍.ସି. ଦ୍ବାରା ପ୍ରକାଶିତ ସମସ୍ତ ଅଧିକାର ସଂରକ୍ଷିତ। |
642db624b5b33a02a435ee1415d7c9f9cef36e1d | ଏହି କାଗଜଟି Dyna ସହିତ ପୂର୍ବ କାର୍ଯ୍ୟକୁ ବିସ୍ତାର କରେ ଏକ ଶ୍ରେଣୀ ଆର୍ଚେଟେକ୍ଚର୍ ପାଇଁ ବୁଦ୍ଧିମାନ ସିଷ୍ଟମ୍ ପାଇଁ ଗତିଶୀଳ ପ୍ରୋଗ୍ରାମିଂ ପଦ୍ଧତି ଉପରେ ଆଧାରିତ Dyna ଆର୍ଚେଟେକ୍ଚର୍ଗୁଡିକ ପରୀକ୍ଷଣ ଏବଂ ତ୍ରୁଟି ସୁଦୃଢ଼ୀକରଣ ଶିକ୍ଷା ଏବଂ କାର୍ଯ୍ୟକାରିତା ସମୟ ଯୋଜନାକୁ ଏକକ ପ୍ରକ୍ରିୟାରେ ଏକତ୍ର କରିଥାଏ ଯାହା ପୃଥିବୀ ଉପରେ ଏବଂ ପୃଥିବୀର ଏକ ଶିଖିଥିବା ମଡେଲ ଉପରେ କାର୍ଯ୍ୟ କରିଥାଏ । Dynamic Programming ର ନୀତି iteration ପଦ୍ଧତି ଉପରେ Dyna PI ସ୍ଥାପତ୍ୟ ଆଧାରିତ ଏବଂ ଏହା ମୂଲ୍ୟାଙ୍କନ ଫଙ୍କସନ୍ ଏବଂ ୟୁନିଭର୍ସାଲ୍ ପ୍ଲାନ୍ ରିଆକ୍ଟିଭ୍ ସିଷ୍ଟମ୍ ପରି ବର୍ତ୍ତମାନର AI ଚିନ୍ତାଧାରା ସହିତ ଜଡିତ ହୋଇପାରେ _ ଏକ ନେଭିଗେସନ୍ ଟାସ୍କ ଫଳାଫଳ ବ୍ୟବହାର କରି ଏକ ସରଳ Dyna PI ସିଷ୍ଟମ୍ ପାଇଁ ଫଳାଫଳ ପ୍ରଦର୍ଶିତ ହୁଏ ଯାହା ଏକ ସମୟରେ ପରୀକ୍ଷା ଏବଂ ତ୍ରୁଟି ଦ୍ୱାରା ଶିଖେ _ ଏକ ବିଶ୍ୱ ମଡେଲ ଶିଖେ ଏବଂ ସର୍ବୋତ୍ତମ ମାର୍ଗ ବ୍ୟବହାର କରି ଯୋଜନା କରେ _ ବିକାଶଶୀଳ ବିଶ୍ୱ ମଡେଲ ଡାଇନା କ୍ୟୁ ଆର୍କିଟେକଚର ୱାଟକିନ୍ସ କ୍ୟୁ ଲର୍ଣ୍ଣିଂ ଉପରେ ଆଧାରିତ ଏକ ନୂତନ ପ୍ରକାରର ରାଇନ ଫୋର୍ସମେଣ୍ଟ ଲର୍ଣ୍ଣିଂ ଡାଇନା କ୍ୟୁ ଡାଇନା ପିଆଇ ଅପେକ୍ଷା କମ୍ ପରିଚିତ ଡାଟା ସଂରଚନା ବ୍ୟବହାର କରେ କିନ୍ତୁ କାର୍ଯ୍ୟକାରୀ କରିବା ଏବଂ ବ୍ୟବହାର କରିବା ପାଇଁ ଯୁକ୍ତିଯୁକ୍ତ ଭାବରେ ସରଳ ଅଟେ ଆମେ ଦେଖୁଛୁ ଯେ ଡାଇନା କ୍ୟୁ ଆର୍କିଟେକଚରଗୁଡିକ ପରିବର୍ତ୍ତନଶୀଳ ପରିବେଶରେ ବ୍ୟବହାର ପାଇଁ ଅନୁକୂଳ ଅଟେ ଡାଇନା କ୍ୟୁର ପରିଚୟ ଏକ ରୋବଟ କିପରି ନିଷ୍ପତ୍ତି ନେବ କ ଣ କରିବ ଏଆଇର ପାରମ୍ପରିକ ଉତ୍ତର ହେଉଛି ଯେ ଏହା ବର୍ତ୍ତମାନର ଲକ୍ଷ୍ୟ ଏବଂ ବିଶ୍ୱ ମଡେଲକୁ ଦୃଷ୍ଟିରେ ରଖି ଏହାର ସର୍ବୋତ୍ତମ କାର୍ଯ୍ୟାନୁଷ୍ଠାନକୁ ଅନୁମାନ କରିବା ଉଚିତ ଅର୍ଥାତ୍ ଏହା ଯୋଜନା କରିବା ଉଚିତ _ ତେବେ ବର୍ତ୍ତମାନ ଏହା ବ୍ୟାପକ ଭାବରେ ସ୍ୱୀକୃତ ହୋଇଛି ଯେ ଯୋଜନା କରିବାର ଉପଯୋଗିତା ଏହାର ଗଣନା ଜଟିଳତା ଦ୍ୱାରା ସୀମିତ ଏବଂ ଏକ ସଠିକ୍ ବିଶ୍ୱ ମଡେଲ ଉପରେ ଏହାର ନିର୍ଭରଶୀଳତା _ ଏକ ବିକଳ୍ପ ତୃତୀୟ ଉପାୟ ହେଉଛି ପରୀକ୍ଷଣ ଓ ତ୍ରୁଟି ଦ୍ୱାରା ଉତ୍ତମ ପ୍ରତିକ୍ରିୟା ଶିଖିବା । ଏହାର ଲାଭ ହେଉଛି ବିଶ୍ୱ ମଡେଲ ଉପରେ ନିର୍ଭରଶୀଳତା ଦୂର କରିବା । ଏହି ତିନୋଟି ଆଭିମୁଖ୍ୟ ମଧ୍ୟରେ ବାଣିଜ୍ୟର ସମନ୍ୱୟ ଏବଂ ଅନୁମତି ଦେବା ପାଇଁ ଏକ ସରଳ ସ୍ଥାପତ୍ୟର ଏକ ଶ୍ରେଣୀ ଡାଇନା ଉପସ୍ଥାପନ କରେ ଡାଇନା ସ୍ଥାପତ୍ୟଗୁଡ଼ିକ ପାରମ୍ପରିକ ସର୍ବୋତ୍ତମ ନିୟନ୍ତ୍ରଣ କୌଶଳ ସହିତ ସମାନ କରିବା ପାଇଁ ମେସିନ୍ ଶିକ୍ଷା ଆଲଗୋରିଦମ ବ୍ୟବହାର କରେ ଯାହାକୁ ଗତିଶୀଳ ପ୍ରୋଗ୍ରାମିଂ କୁହାଯାଏ କାର୍ଯ୍ୟର ସମାଧାନ କରିବା ପାଇଁ ଏହା ହେଉଛି ବହୁତ ସମାନ ରାଜ୍ୟ ସ୍ଥାନ ସନ୍ଧାନ କିନ୍ତୁ ଭିନ୍ନ ଯେ ଏହା ଅଧିକ ବୃଦ୍ଧିଶୀଳ ଏବଂ କେବେ ବି ବାସ୍ତବ କାର୍ଯ୍ୟ କ୍ରମକୁ ସ୍ପଷ୍ଟ ଭାବରେ ବିଚାର କରେ ନାହିଁ ଏକ ସମୟରେ କେବଳ ଏକକ କାର୍ଯ୍ୟ ଏହା DP କୁ କାର୍ଯ୍ୟକାରିତା ସମୟରେ ବୃଦ୍ଧିଶୀଳ ଯୋଜନା ପାଇଁ ଅଧିକ ଗ୍ରହଣୀୟ କରିଥାଏ ଏବଂ ଏହା ଷ୍ଟୋକାଷ୍ଟିକ୍ କିମ୍ବା ସମ୍ପୂର୍ଣ୍ଣ ମଡେଲ୍ ପରିବେଶ ପାଇଁ ମଧ୍ୟ ଅଧିକ ଉପଯୁକ୍ତ କରିଥାଏ । ଏକ ଅନିଶ୍ଚିତ ପରିବେଶରେ ସମ୍ଭାବ୍ୟ କ୍ରମର ଅତ୍ୟଧିକ ସଂଖ୍ୟକକୁ ବିଚାରକୁ ନନେଇ ଶିଖାଯାଇଥିବା ଦୁନିଆର ମଡେଲଗୁଡିକ ଷ୍ଟୋକାଷ୍ଟିକ୍ ଏବଂ ଅନିଶ୍ଚିତ ହେବାର ସମ୍ଭାବନା ରହିଛି ଯାହା DP ଆଭିମୁଖ୍ୟକୁ ବିଶେଷ ଭାବରେ ଶିକ୍ଷାଲାଭ ପାଇଁ ଆଶାଜନକ କରିଥାଏ _ କଳ୍ପନାତ୍ମକ ଅନୁଭୂତିରୁ ଶିକ୍ଷା ଲାଭ କରିବା ପାଇଁ ପରୀକ୍ଷଣ ଓ ତ୍ରୁଟି ପରି ଯୋଜନା କରିବା ହେଉଛି ପ୍ରାଚୀନ ଧାରଣା କ୍ରାକ ଡେନେଟ ଡାଏନା ସିଦ୍ଧାନ୍ତ ଡିପି ଇ.ଜ ରସଙ୍କ ସିଦ୍ଧାନ୍ତ ଉପରେ ଆଧାରିତ ଏବଂ ଡିପିର ସମ୍ପର୍କକୁ ସୁଦୃଢ଼ୀକରଣ ଶିକ୍ଷା ଉପରେ ଆଧାରିତ ୱାଟକିନ୍ସ ବାର୍ଟୋ ସୁଟ୍ଟନ ୱାଟକିନ୍ସ ସାମୟିକ ପାର୍ଥକ୍ୟ ଶିକ୍ଷା ଉପରେ ସୁଟ୍ଟନ ଏବଂ ଯୋଜନା ଏବଂ ସନ୍ଧାନ ପାଇଁ ଏଆଇ ପଦ୍ଧତି ଉପରେ କୋରଫ ୱେରବୋସ ପୂର୍ବରୁ କୌଶଳ ପ୍ରଣାଳୀକୁ ଆନୁମାନିକ କରିବା ପାଇଁ ଆନ୍ତର୍ଜାତିକ ମଡେଲ ସହିତ ଏକ ଆନୁମାନିକ ଶିକ୍ଷଣ ପ୍ରଣାଳୀକୁ ବୃଦ୍ଧି କରିବା ପାଇଁ ଏକ ବିଶେଷ ଧାରଣା ପାଇଁ ଫଳାଫଳ ଉପସ୍ଥାପନ କରିଛନ୍ତି । ଡାଇନା ପିଆଇ କାରଣ ଏହା ଏକ ଡିପି ପଦ୍ଧତିକୁ ଅନୁମାନ କରିବା ଉପରେ ଆଧାରିତ ଯାହାକୁ ପଲିସି ଆଇଟେରେସନ୍ କୁହାଯାଏ ଡ଼ାଇନା ପିଆଇର ଆର୍କିଟେକ୍ଚର ଚାରୋଟି ଉପାଦାନକୁ ନେଇ ଗଠିତ ଯାହା ଚିତ୍ରରେ ଦେଖାଯାଇଥିବା ପରି ପରସ୍ପର ସହିତ କାର୍ଯ୍ୟ କରେ ନୀତି ହେଉଛି କେବଳ ପ୍ରତିକ୍ରିୟାର ସାମ୍ପ୍ରତିକ ସେଟ୍ ଦ୍ୱାରା ଗଠିତ ଫଙ୍କସନ୍ ଯାହା ଇନପୁଟ୍ ଭାବରେ ଗ୍ରହଣ କରେ ଦୁନିଆର ସାମ୍ପ୍ରତିକ ସ୍ଥିତିର ବର୍ଣ୍ଣନା ଏବଂ ଆଉଟପୁଟ୍ ଭାବରେ ଉତ୍ପାଦନ କରେ ଏକ ବିଶ୍ୱକୁ ପଠାଯିବାକୁ ଥିବା କାର୍ଯ୍ୟ ବିଶ୍ୱ ସମାଧାନ ହେବାକୁ ଥିବା କାର୍ଯ୍ୟକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ _ ଏହା ହେଉଛି ରୋବଟ୍ର ବାହ୍ୟ ପରିବେଶ _ ବିଶ୍ୱ ନୀତିରୁ କାର୍ଯ୍ୟ ଗ୍ରହଣ କରେ ଏବଂ ପରବର୍ତ୍ତୀ ରାଜ୍ୟ ଆଉଟପୁଟ୍ ଏବଂ ପୁରସ୍କାର ଆଉଟପୁଟ୍ ଉତ୍ପାଦନ କରେ _ ସାମଗ୍ରିକ କାର୍ଯ୍ୟ ହେଉଛି ଦୀର୍ଘକାଳୀନ ହାରାହାରି ପୁରସ୍କାରକୁ ସର୍ବାଧିକ କରିବା _ ଏକ ସ୍ପଷ୍ଟ ବିଶ୍ୱ ମଡେଲ ବିଶ୍ୱ ମଡେଲର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ବାସ୍ତବ ଦୁନିଆର ଏକ-ପଦ ଇନପୁଟ୍ ଆଉଟପୁଟ୍ ଆଚରଣକୁ ଅନୁକରଣ କରିବା ଅନ୍ତତଃ Dyn PI ଆର୍କିଟେକଚରରେ ଏକ ମୂଲ୍ୟାଙ୍କନ ଫଙ୍କସନ୍ ଅନ୍ତର୍ଭୁକ୍ତ ଯାହା ଦ୍ରୁତ ଗତିରେ ମାନଚିତ୍ରକୁ ମୂଲ୍ୟକୁ ମ୍ୟାପ୍ କରେ ଯେପରିକି ନୀତି ଦ୍ରୁତ ଗତିରେ କାର୍ଯ୍ୟକୁ ମ୍ୟାପ୍ କରେ ମୂଲ୍ୟାଙ୍କନ ଫଙ୍କସନ୍ ନୀତି ଏବଂ ବିଶ୍ୱ ମଡେଲ ପ୍ରତ୍ୟେକ ପୃଥକ ଶିକ୍ଷଣ ପ୍ରକ୍ରିୟା ଦ୍ୱାରା ଅପଡେଟ୍ ହୋଇଥାଏ ବିଶ୍ୱ କାର୍ଯ୍ୟ ପୁରସ୍କାର (ସ୍କାଲର) ହେଉରିଷ୍ଟିକ ପୁରସ୍କାର (ସ୍କାଲର) ରାଜ୍ୟ ମୂଲ୍ୟାୟନ ଫଙ୍କସନ୍ |
5991fee5265df4466627ebba62e545a242d9e22d | ଆମେ ଏକ ଅଟୋଏନକୋଡର ବ୍ୟବହାର କରିଥାଉ ଯାହା ଷ୍ଟାକ୍ ହୋଇଥିବା ବଲଜମାନ ମେସିନକୁ ବ୍ୟବହାର କରିଥାଉ ଯାହା ଦ୍ୱାରା ଆମେ ଷ୍ଟକ୍ ମୂଲ୍ୟର ଇତିହାସରୁ ତଥ୍ୟ ବାହାର କରିଥାଉ । ଆମ ମଡେଲ ଇନପୁଟ ବୈଶିଷ୍ଟ୍ୟର ବ୍ୟାପକ ହସ୍ତ-ଯାନ୍ତ୍ରିକୀକରଣ ବିନା ଷ୍ଟକଗୁଡିକରେ ମୋମେଣ୍ଟମ ପ୍ରଭାବର ଏକ ଉନ୍ନତ ସଂସ୍କରଣ ଆବିଷ୍କାର କରିବାରେ ସକ୍ଷମ ଏବଂ ମୂଳ ମୋମେଣ୍ଟମ ପାଇଁ 10.53% ବିପକ୍ଷରେ 1990-2009 ପରୀକ୍ଷଣ ଅବଧିରେ 45.93% ର ବାର୍ଷିକ ରିଟର୍ଣ୍ଣ ପ୍ରଦାନ କରିଥାଏ । |
d6cc46d8da91ded74ff31785000edc9ca8d67e23 | ଏହି କାର୍ଯ୍ୟରେ ଏକ ବ୍ରଡବ୍ୟାଣ୍ଡ, ପ୍ଲାନାର୍, ପ୍ରିଣ୍ଟେଡ୍ ଇନଭର୍ଟେଡ୍-ଏଫ୍ ଆଣ୍ଟିନା (ପିଆଇଏଫ୍ଏ) କୁ ମଲ୍ଟିପଲ୍-ଇନପୁଟ୍-ମଲ୍ଟିପଲ୍-ଆଉଟପୁଟ୍ (ଏମ୍ଆଇଏମ୍ଓ) ଆଣ୍ଟିନା କନଫିଗରେସନ୍ ସହିତ ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । 4G LTE ପ୍ରୟୋଗ ପାଇଁ MIMO ଆଣ୍ଟେନା ସିଷ୍ଟମ 4ଟି ଉପାଦାନକୁ ନେଇ ଗଠିତ ଯାହାକି 2.1 GHz ଫ୍ରିକ୍ୱେନ୍ସି ବ୍ୟାଣ୍ଡରେ କାର୍ଯ୍ୟ କରିଥାଏ । ପ୍ରସ୍ତାବିତ ଡିଜାଇନ କମ୍ପାକ୍ଟ, ନିମ୍ନ ପ୍ରୋଫାଇଲ ଏବଂ ୱାୟାରଲେସ ହ୍ୟାଣ୍ଡହେଲ ଡିଭାଇସ ପାଇଁ ଉପଯୁକ୍ତ । MIMO ଆଣ୍ଟିନା ବ୍ୟବସାୟିକ ଭାବେ ଉପଲବ୍ଧ FR4 ସବଷ୍ଟ୍ରେଟ ଉପରେ ନିର୍ମିତ ହୋଇଛି ଯାହାର εr ହେଉଛି 4.4 । ଏହାର ଏକକ ଉପାଦାନର ଆକାର 26x6 ମିମି2 ଏବଂ ଏହାର ବୋର୍ଡର ଆକାର 100x60x0.8 ମିମି3 । ଭୂମି ସ୍ଲଟ୍ ବ୍ୟବହାର କରି ପ୍ରସ୍ତାବିତ ଡିଜାଇନରେ 5 ଡିସିଏଲରେ ଆଇସୋଲେସନ୍ ଉନ୍ନତ କରାଯାଇଛି । ଆଣ୍ଟିନା ସିଷ୍ଟମର ଆଚରଣକୁ ବିଶ୍ଳେଷଣ କରିବା ପାଇଁ ଚରିତ୍ର ମୋଡ୍ ବିଶ୍ଳେଷଣ (ସିଏମ୍ଏ) ବ୍ୟବହାର କରାଯାଏ । |
2586dd5514cb203f42292f25238f1537ea5e4b8c | |
f20fbad0632fdd7092529907230f69801c382c0f | 100Gb/s ଅପ୍ଟିକାଲ ଟ୍ରାନ୍ସପୋର୍ଟ ପାଇଁ ଚାପ ଅଧିକ ବେଗରେ ଏବଂ ଏକୀକରଣ ସ୍ତରରେ ଇଲେକ୍ଟ୍ରୋନିକ ଉପାଦାନ ଆବଶ୍ୟକ କରେ ଯାହାଦ୍ୱାରା ଟ୍ରାନ୍ସସିଭର୍ ର ଖର୍ଚ୍ଚ, ଜଟିଳତା ଏବଂ ଆକାର ହ୍ରାସ କରାଯାଇପାରିବ [1-2] । ଏଥିପାଇଁ 25Gb/s କିମ୍ବା ତା ଠାରୁ ଅଧିକ ବେଗରେ କାର୍ଯ୍ୟ କରୁଥିବା ସମାନ୍ତରାଳ ବହୁ-ଚ୍ୟାନେଲ ଅପ୍ଟିକାଲ ଟ୍ରାନ୍ସସିଭର ଆବଶ୍ୟକ । ଟ୍ରାନ୍ସମିଟରର ଆଉଟପୁଟ୍ ପାୱାରରେ ପରିବର୍ତ୍ତନ ଏବଂ କେତେକ କ୍ଷେତ୍ରରେ ଭିନ୍ନ ଅପ୍ଟିକାଲ ପାଥ୍ କାରଣରୁ ସମାନ୍ତରାଳ ରିସିଭର୍ ଗୁଡ଼ିକୁ ଭିନ୍ନ ଭିନ୍ନ ଇନପୁଟ୍ ଅପ୍ଟିକାଲ ପାୱାର ସ୍ତରରେ କାମ କରିବାକୁ ପଡିଥାଏ । ଏହି ଧାରା ଦ୍ୱାରା ସମନ୍ୱିତ ବହୁ-ଚ୍ୟାନେଲ ରିସିଭରରେ ଗ୍ରହଣୀୟ ଆନ୍ତଃ-ଚ୍ୟାନେଲ କ୍ରସଷ୍ଟାଲ୍କ ଉପରେ ଅଧିକ ଚାପ ପଡ଼ିଥାଏ । ସମସ୍ତ ଚ୍ୟାନେଲ କାର୍ଯ୍ୟକ୍ଷମ ଥିବା ବେଳେ ଏହି କ୍ରସ-ଟକ ପେନାଲ୍ଟିକୁ ସର୍ବନିମ୍ନ କରିବା ଅତି ଉଚ୍ଚ-ପ୍ରବାହ ଅପ୍ଟିକାଲ ଲିଙ୍କରେ ଅଧିକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ହୋଇଯାଉଛି । |
430ddd5f2ed668e4c77b529607afa378453e11be | ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳରୁ ଜଣାପଡିଛି ଯେ, NTCIR9 ଜାପାନୀ-ଇଂରାଜୀ ଏବଂ ଚାଇନିଜ୍-ଇଂରାଜୀ କାର୍ଯ୍ୟ ପାଇଁ ସାଧାରଣ ନିର୍ଦ୍ଦେଶ ପ୍ରଣାଳୀ ତୁଳନାରେ BLEUରେ ୧.୭ ପଏଣ୍ଟ ଏବଂ TERରେ ୩.୧ ପଏଣ୍ଟ ପର୍ଯ୍ୟନ୍ତ ଉନ୍ନତି ଘଟିଛି । ଏହି କାର୍ଯ୍ୟରେ ଆମେ ପରିସଂଖ୍ୟାନ ମେସିନ ଅନୁବାଦ (SMT) ପାଇଁ ଶବ୍ଦ କ୍ରମାଙ୍କ ଡିକୋଡିଂ ନିର୍ଦ୍ଦେଶର ପ୍ରଭାବ ଅଧ୍ୟୟନ କରୁଛୁ । ଉଭୟ ବାକ୍ୟ-ଆଧାରିତ ଏବଂ ଶ୍ରେଣୀଗତ ବାକ୍ୟ-ଆଧାରିତ SMT ପ୍ରଣାଳୀକୁ ଉତ୍ସ ଏବଂ/କିମ୍ବା ଲକ୍ଷ୍ୟ ଭାଷାର ଶବ୍ଦ କ୍ରମରେ ପରିବର୍ତ୍ତନ କରି ଏବଂ ସାଧାରଣ ଦିଗ ସହିତ ଅନୁବାଦ ଫଳାଫଳର ତୁଳନା କରି ଅନୁସନ୍ଧାନ କରାଯାଇଛି । ବିଭିନ୍ନ ଅନୁବାଦ ଦିଗରୁ ସୃଷ୍ଟି ହେଉଥିବା ପାର୍ଥକ୍ୟକୁ ବୁଝିବା ପାଇଁ ଅନେକ ଉପାଦାନ ଯଥା ସମନ୍ୱୟ ମଡେଲ, ଭାଷା ମଡେଲ ଏବଂ ବାକ୍ୟ ସାରଣୀ ଉପରେ ବିଶ୍ଳେଷଣ କରାଯାଏ । ଆହୁରି ମଧ୍ୟ, ଆମେ ସିଷ୍ଟମ ସମଷ୍ଟି, ସମତୁଲ ସମଷ୍ଟି ଏବଂ ବାକ୍ୟଖଣ୍ଡ ସାରଣୀ ସମଷ୍ଟିର ବ୍ୟବହାର କରିବା ପାଇଁ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହାଫଳରେ କି ବିଭିନ୍ନ ଅନୁବାଦ ଦିଗ ସହିତ ତାଲିମପ୍ରାପ୍ତ ସିଷ୍ଟମଗୁଡ଼ିକର ଲାଭ ଉଠାଯାଇପାରିବ । |
7a1e584f9a91472d6e15184f1648f57256216198 | http://www.jstor.org ଜଟିଳ ବେୟେସୀୟ ମଡେଲିଂ ପାଇଁ ଏକ ଭାଷା ଏବଂ ପ୍ରୋଗ୍ରାମ ଲେଖକଃ ଡବ୍ଲୁ.ଆର. ଗିଲ୍କସ, ଏ. ଥୋମାସ୍ ଏବଂ ଡି.ଜେ. ସ୍ପୀଗେଲହାଲ୍ଟର ଉତ୍ସଃ ରୟାଲ ଷ୍ଟାଟିଷ୍ଟିକାଲ ସୋସାଇଟିର ଜର୍ଣ୍ଣାଲ । ସିରିଜ ଡି (ଦ ଷ୍ଟାଟିଷ୍ଟିକ୍ସ), ଖଣ୍ଡ ୪୩, ନା 1, ବିଶେଷ ସଂଖ୍ୟା: ପ୍ରାକ୍ଟିକାଲ ବେଜେସୀୟ ପରିସଂଖ୍ୟାନ ଉପରେ ସମ୍ମିଳନୀ, 1992 (3) (1994), ପୃଷ୍ଠା. 169-177 ପ୍ରକାଶକଃ ୱାଇଲି ରୟାଲ ଷ୍ଟାଟିଷ୍ଟିକାଲ ସୋସାଇଟି ପାଇଁ ସ୍ଥାୟୀ URL: http://www.jstor.org/stable/2348941 ଆକ୍ସେସଃ 19-08-2014 17:40 UTC |
062ece9dd7019b0a3ca7e789acf1dee57571e26d | ମନୋବିଜ୍ଞାନ ପତ୍ରିକାରେ ଗୁରୁତ୍ୱପୂର୍ଣ ପରୀକ୍ଷଣର ପ୍ରୟୋଗ ଉପରେ ଜାରି ବିତର୍କ ଏବଂ କୋହେନଙ୍କ (୧୯୯୪) ଲେଖା ପ୍ରକାଶିତ ହେବା ପରେ, ଆମେରିକୀୟ ମନୋବିଜ୍ଞାନ ସଂଘ (ଏପିଏ) ର ବୈଜ୍ଞାନିକ ବ୍ୟାପାର ବୋର୍ଡ (ବିଏସଏ) ଏକ କମିଟି ଡାକିଥିଲା ଯାହାର କାର୍ଯ୍ୟ ଥିଲା "ଅନୁମାନିକ ଅନ୍ତର୍ଭୁକ୍ତିକରଣ ଉପରେ ଟାସ୍କଫୋର୍ସ (TFSI) " ଯାହାର କାର୍ଯ୍ୟ ଥିଲା "ଅନୁମାନିକ ପ୍ରୟୋଗ ସହିତ ଜଡିତ କିଛି ବିବାଦୀୟ ପ୍ରସଙ୍ଗକୁ ସ୍ପଷ୍ଟ କରିବା; ମହତ୍ତ୍ୱପୂର୍ଣ୍ଣ ପରୀକ୍ଷା ଏବଂ ଏହାର ବିକଳ୍ପ; ବିକଳ୍ପ ମଡେଲ ଏବଂ ତଥ୍ୟ ରୂପାନ୍ତର; ଏବଂ ଶକ୍ତିଶାଳୀ କମ୍ପ୍ୟୁଟର ଦ୍ୱାରା ନୂତନ ପଦ୍ଧତି ସମ୍ଭବ" (ବିଏସଏ, ବ୍ୟକ୍ତିଗତ ଯୋଗାଯୋଗ, ଫେବୃଆରୀ ୨୮, ୧୯୯୬) । ରବର୍ଟ ରୋସେନ୍ଥାଲ୍, ରବର୍ଟ ଆବେଲସନ୍ ଏବଂ ଜେକୋବ୍ କୋହେନ୍ (କୋ-ଚେୟାର) ପ୍ରାରମ୍ଭିକ ଭାବେ ସାକ୍ଷାତ କରିଥିଲେ ଏବଂ ଟାସ୍କଫୋର୍ସରେ ବିଭିନ୍ନ ପ୍ରକାରର ବିଶେଷଜ୍ଞ ରହିବା ଉଚିତ ବୋଲି ସହମତ ହୋଇଥିଲେ: ପରିସଂଖ୍ୟାନବିଦ, ପରିସଂଖ୍ୟାନ ଶିକ୍ଷକ, ପତ୍ରିକା ସମ୍ପାଦକ, ପରିସଂଖ୍ୟାନ ପୁସ୍ତକ ଲେଖକ, କମ୍ପ୍ୟୁଟର ବିଶେଷଜ୍ଞ ଏବଂ ଜ୍ଞାନୀ ବୃଦ୍ଧ । ପରେ ନଅ ଜଣଙ୍କୁ ଏଥିରେ ଯୋଗଦେବା ପାଇଁ ଆମନ୍ତ୍ରଣ କରାଯାଇଥିଲା ଏବଂ ସମସ୍ତେ ରାଜି ହୋଇଥିଲେ । ଏମାନେ ହେଲେ ଲିଓନା ଏକେନ, ମାର୍କ ଆପେଲବାମ, ଗ୍ୱିନେଥ ବୁଡୁ, ଡେଭିଡ ଏ କେନି, ହେଲେନା କ୍ରାଇମର, ଡୋନାଲ୍ଡ ରୁବିନ୍, ବ୍ରୁସ ଥମ୍ପସନ, ହ୍ୱାର୍ଡ ୱାଇନର ଏବଂ ଲିଲ୍ୟାଣ୍ଡ ୱିଲକିନ୍ସନ୍ । ଏହାବ୍ୟତୀତ ଲି କ୍ରୋନବାଚ, ପଲ ମେହଲ, ଫ୍ରେଡରିକ ମୋଷ୍ଟେଲର ଏବଂ ଜନ୍ ଟୁକି ଟାସ୍କଫୋର୍ସର ବରିଷ୍ଠ ପରାମର୍ଶଦାତା ଭାବେ କାର୍ଯ୍ୟ କରିଥିଲେ ଏବଂ ଲିଖିତ ସାମଗ୍ରୀ ଉପରେ ମନ୍ତବ୍ୟ ଦେଇଥିଲେ । ଦୁଇ ବର୍ଷରେ ଦୁଇଥର TFSI ବୈଠକ ହୋଇଥିଲା ଏବଂ ଏହି ଅବଧି ମଧ୍ୟରେ ଚିଠି ଲେଖା ହୋଇଥିଲା । ପ୍ରଥମ ବୈଠକ ପରେ ଟାସ୍କଫୋର୍ସ ଏକ ପ୍ରାଥମିକ ରିପୋର୍ଟ ଜାରି କରିଥିଲା ଯେଉଁଥିରେ ସେ ଦର୍ଶାଇଥିଲେ ଯେ ସେ ଶୂନ୍ୟ-ମୂଲ୍ୟାଙ୍କନ ଗୁରୁତ୍ବ ପରୀକ୍ଷା ବ୍ୟତୀତ ଅନ୍ୟ ପ୍ରସଙ୍ଗଗୁଡ଼ିକର ଅନୁଧ୍ୟାନ କରିବାକୁ ଚାହୁଁଛନ୍ତି । ଟାସ୍କଫୋର୍ସ ନିଜର ଦ୍ୱିତୀୟ ବୈଠକରେ ମତାମତ ଆହ୍ୱାନ କରିଥିଲା ଏବଂ ଏହି ମତାମତକୁ ବିଚାରବିମର୍ଶରେ ବ୍ୟବହାର କରିଥିଲା । ଦ୍ୱିତୀୟ ବୈଠକ ପରେ ଟାସ୍କଫୋର୍ସ ପରବର୍ତ୍ତୀ କାର୍ଯ୍ୟାନୁଷ୍ଠାନ ପାଇଁ ଅନେକ ସମ୍ଭାବନା ସୁପାରିଶ କରିଥିଲେ, ଯେଉଁଥିରେ ମୁଖ୍ୟତଃ ଆମେରିକୀୟ ମନୋବିଜ୍ଞାନ ସଂଘର ପ୍ରକାଶନ ମାନୁଆଲର (ଏପିଏ,୧୯୯୪) ପରିସଂଖ୍ୟାନ ବିଭାଗର ସଂଶୋଧନ କରିବା । ବ୍ୟାପକ ଆଲୋଚନା ପରେ ବିଏସଏ ସୁପାରିଶ କରିଥିଲା ଯେ "ଏପିଏ ପ୍ରକାଶନ ମ୍ୟାନୁଆଲର ସଂଶୋଧନ କରିବା ପୂର୍ବରୁ, ଏଫଏସଆଇ ଆମେରିକୀୟ ମନୋବିଜ୍ଞାନୀରେ ଏକ ଲେଖା ପ୍ରକାଶ କରିବାକୁ ବିଚାର କରିପାରେ, ଯାହାଦ୍ୱାରା ଡାଟା ବିଶ୍ଳେଷଣ ଓ ରିପୋର୍ଟର ସାମ୍ପ୍ରତିକ ଅଭ୍ୟାସରେ ପରିବର୍ତ୍ତନ ବିଷୟରେ ଆଲୋଚନା ଆରମ୍ଭ କରାଯାଇପାରିବ" (ବିଏସଏ, ବ୍ୟକ୍ତିଗତ ଯୋଗାଯୋଗ, ନଭେମ୍ବର ୧୭, ୧୯୯୭) । ଏହି ରିପୋର୍ଟ ସେହି ଅନୁରୋଧର ଅନୁଗାମୀ । ଏହି ବିଭାଗଗୁଡ଼ିକରେ ପ୍ରସ୍ତାବିତ ନିର୍ଦ୍ଦେଶାବଳୀ ରହିଛି ଯାହା ଏପିଏ ପ୍ରକାଶନ ମ୍ୟାନୁଆଲକୁ ସଂଶୋଧନ କରିବା ପାଇଁ କିମ୍ବା ଅନ୍ୟାନ୍ୟ ବିଏସଏ ସହାୟକ ସାମଗ୍ରୀ ବିକଶିତ କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ । ପ୍ରତ୍ୟେକ ନିର୍ଦ୍ଦେଶାବଳୀ ପରେ ଟିପ୍ପଣୀ, ବ୍ୟାଖ୍ୟା କିମ୍ବା କାର୍ଯ୍ୟଦଳ ପାଇଁ ଲିଲ୍ୟାଣ୍ଡ ୱିଲକିନ୍ସନ୍ଙ୍କ ଦ୍ୱାରା ଏକତ୍ରିତ ହୋଇଥିବା ଏବଂ ଏହାର ସମୀକ୍ଷା ଅଧୀନରେ ଥିବା ବ୍ୟାଖ୍ୟା ରହିଛି । ଏହି ରିପୋର୍ଟ କେବଳ ପରିସଂଖ୍ୟାନିକ ପଦ୍ଧତିର ବ୍ୟବହାର ଉପରେ ପର୍ଯ୍ୟବସିତ ଏବଂ ଏହା ସାଧାରଣ ଭାବେ ଗବେଷଣା ପଦ୍ଧତିର ମୂଲ୍ୟାୟନ ନୁହେଁ । ମନୋବିଜ୍ଞାନ ଏକ ବ୍ୟାପକ ବିଜ୍ଞାନ । ଗୋଟିଏ କ୍ଷେତ୍ରରେ ଉପଯୁକ୍ତ ପଦ୍ଧତି ଅନ୍ୟ କ୍ଷେତ୍ରରେ ଅନୁପଯୁକ୍ତ ହୋଇପାରେ । ଏହି ରିପୋର୍ଟର ଶୀର୍ଷକ ଏବଂ ଫର୍ମାଟ, ବଇଲର ଏବଂ ମୋଷ୍ଟେଲର (୧୯୮୮) ଙ୍କ ଅନୁରୂପ ଲେଖାରୁ ଅନୁବାଦିତ । ସେହି ଲେଖାଟିକୁ ପଢିବା ଉଚିତ, କାରଣ ଏଥିରେ ଏହି ଲେଖା ସହିତ କିଛିଟା ସମାନତା ରହିଛି ଏବଂ ମନୋବିଜ୍ଞାନ ଗବେଷଣା ପାଇଁ କିଛି ପ୍ରସଙ୍ଗ ଉପରେ ଆଲୋଚନା କରାଯାଇଛି । ଏହି ବିଷୟ ଉପରେ ଅଧିକ ବିସ୍ତୃତ ତଥ୍ୟ ବିଭିନ୍ନ କମିଟି ସଦସ୍ୟଙ୍କ ପ୍ରକାଶନରୁ ମିଳିପାରିବ (ଏବେଲସନ, ୧୯୯୫, ୧୯୯୭; ରୋସେନ୍ଥାଲ, ୧୯୯୪; ଥମ୍ପସନ, ୧୯୯୬; ୱାଇନର, ପ୍ରେସରେ; ହାର୍ଲୋ, ମୁଲାୟିକ, ଏବଂ ଷ୍ଟାଇଗର, ୧୯୯୭ରେ ମଧ୍ୟ ଦେଖନ୍ତୁ) । |
21e2150b6cc03bc6f51405473f57efff598c77bc | ଆମେ ଯୁକ୍ତି କରୁଛୁ ଯେ ସମାନତା ବିଚାର ହେଉଛି ସୃଷ୍ଟି ପ୍ରକ୍ରିୟା ବିଷୟରେ ଅନୁମାନ, ଏବଂ ଦୁଇଟି ବସ୍ତୁ ସମାନ ଦେଖାଯାଏ ଯେତେବେଳେ ସେଗୁଡିକ ସମାନ ପ୍ରକ୍ରିୟା ଦ୍ୱାରା ସୃଷ୍ଟି ହେବାର ସମ୍ଭାବନା ଥାଏ । ଏହି ଧାରଣା ଉପରେ ଆଧାରିତ ଏକ ଆନୁଷ୍ଠାନିକ ମଡେଲର ବର୍ଣ୍ଣନା କରି ଆମେ ଦେଖାଇବୁ ଯେ କିପରି ବୈଶିଷ୍ଟ୍ୟ ଏବଂ ଆନ୍ତଃସ୍ଥଳୀ ମଡେଲଗୁଡିକ ବିଶେଷ ମାମଲା ଭାବରେ ଉଭା ହୁଅନ୍ତି । ଆମେ ଆମର ଆଭିମୁଖ୍ୟକୁ ପରିବର୍ତ୍ତନକାରୀ ଆଭିମୁଖ୍ୟ ସହିତ ତୁଳନା କରିଥାଉ, ଏବଂ ଏକ ପରୀକ୍ଷଣ ଉପସ୍ଥାପନ କରିଥାଉ ଯେଉଁଠାରେ ଆମର ମଡେଲ ଏକ ପରିବର୍ତ୍ତନକାରୀ ମଡେଲ ଅପେକ୍ଷା ଭଲ ପ୍ରଦର୍ଶନ କରେ । ପ୍ରତ୍ୟେକ ବସ୍ତୁ ହେଉଛି ଏକ ସୃଜନଶୀଳ ପ୍ରକ୍ରିୟାର ପରିଣାମ । ଏକ ପଶୁ ଏକ ଗର୍ଭଧାରଣ ଅଣ୍ଡାରୁ ଏକ ପ୍ରାପ୍ତ ବୟସ୍କରେ ପରିଣତ ହୁଏ, ଏକ ସହର ଏକ ନଗରରୁ ଏକ ମହାନଗରୀରେ ପରିଣତ ହୁଏ, ଏବଂ ଏକ କାରୁକାର୍ଯ୍ୟ ଏହାର ଡିଜାଇନରଙ୍କ ଯୋଜନା ଅନୁଯାୟୀ କଞ୍ଚାମାଲ ଗୁଣ୍ଡରୁ ଏକତ୍ରିତ ହୁଏ । ଏହିପରି ପର୍ଯ୍ୟବେକ୍ଷଣଗୁଡିକ ଉତ୍ପନ୍ନକାରୀ ଆଭିମୁଖ୍ୟକୁ ପ୍ରୋତ୍ସାହିତ କରେ, ଯାହା ପ୍ରସ୍ତାବ କରେ ଯେ ଏକ ବସ୍ତୁକୁ ସୃଷ୍ଟି କରିଥିବା ପ୍ରକ୍ରିୟା ବିଷୟରେ ଚିନ୍ତା କରି ଏହାକୁ ବୁଝିହେବ । ଏହି ପଦ୍ଧତିର ପ୍ରତିଶ୍ରୁତି ହେଉଛି ଯେ, ସରଳ ପ୍ରକ୍ରିୟା ଦ୍ୱାରା ବସ୍ତୁଗୁଡ଼ିକର ଜଟିଳତା ସୃଷ୍ଟି କରାଯାଇପାରେ । ଏହି ଧାରଣା ଜୀବବିଜ୍ଞାନ [୧୮], ଭୌତିକ ବିଜ୍ଞାନ [୨୧] ଏବଂ ସ୍ଥାପତ୍ୟ [୧] ସମେତ ବିଭିନ୍ନ ବିଭାଗରେ ଫଳପ୍ରଦ ପ୍ରମାଣିତ ହୋଇଛି । ଜୀବବିଜ୍ଞାନର ଦୁଇଟି ପ୍ରସିଦ୍ଧ ଉଦାହରଣ ଦେବା ପାଇଁ, ଗୋଟିଏ ପିନିକୋନର ଆକୃତି ଏବଂ ଚିତାବାଘର ଲାଞ୍ଜରେ ଥିବା ଚିହ୍ନଗୁଡିକ ଅଭିବୃଦ୍ଧିର ଉଲ୍ଲେଖନୀୟ ସରଳ ପ୍ରକ୍ରିୟା ଦ୍ୱାରା ସୃଷ୍ଟି କରାଯାଇପାରେ । ଏହି ସବୁ ଢାଞ୍ଚାକୁ ସିଧାସଳଖ ବର୍ଣ୍ଣନା କରିବା ପରିବର୍ତ୍ତେ ଏହାର କାରଣ ଇତିହାସକୁ ବର୍ଣ୍ଣନା କରି ଅଧିକ ସଂକ୍ଷିପ୍ତ ଭାବରେ ବର୍ଣ୍ଣନା କରାଯାଇପାରିବ । ଲେଟନ୍ ଯୁକ୍ତି କରିଛନ୍ତି ଯେ, ଜେନେରେଟିଭ୍ ଆଭିମୁଖ୍ୟ ଜ୍ଞାନକୁ ବୁଝିବା ପାଇଁ ଏକ ସାଧାରଣ ଢାଞ୍ଚା ପ୍ରଦାନ କରିଥାଏ । ଏହି ପଦ୍ଧତିର ପ୍ରୟୋଗ ଅବଧାରଣା [12], ସ୍ମୃତି [12], ଭାଷା [3], ବର୍ଗୀକରଣ [2], ଏବଂ ସଙ୍ଗୀତ [11] ର ଜନ୍ମମୂଳକ ସିଦ୍ଧାନ୍ତରେ ମିଳିପାରିବ । ଏହି କାଗଜରେ ସମାନତାର ଏକ ଜେନେରେଟିଭ୍ ଥିଓରୀ ପ୍ରଦାନ କରାଯାଇଛି, ଯାହା ଉଚ୍ଚସ୍ତରୀୟ ଜ୍ଞାନର ମଡେଲ ଦ୍ୱାରା ବ୍ୟବହୃତ ହୋଇଥାଏ । ଆମେ ଯୁକ୍ତି କରୁଛୁ ଯେ ଦୁଇଟି ବସ୍ତୁ ସମାନ ମାତ୍ରାରେ ସମାନ ଯେହେତୁ ସେଗୁଡିକ ସମାନ ମୂଳ ପ୍ରକ୍ରିୟାରେ ସୃଷ୍ଟି ହୋଇଛି । ସାହିତ୍ୟରେ ସମାନତା ଉପରେ ସେଟିଂ ରହିଛି ଯାହା ଟୋନ୍ ଏବଂ ରଙ୍ଗୀନ ପ୍ୟାଚ୍ ଭଳି ସରଳ ପ୍ରେରଣାକୁ ତୁଳନା କରିବା ଠାରୁ ଆରମ୍ଭ କରି ଉଚ୍ଚ-ସଂରଚନା ବସ୍ତୁଗୁଡିକର ତୁଳନା ପର୍ଯ୍ୟନ୍ତ ବ୍ୟାପିଥାଏ । ଏହି ଜେନେରେଟିଭ୍ ଆଭିମୁଖ୍ୟ ପ୍ରୟୋଗର ସମଗ୍ର ସ୍ପେକ୍ଟ୍ରମ ପାଇଁ ପ୍ରାସଙ୍ଗିକ, କିନ୍ତୁ ଆମେ ବିଶେଷ ଭାବରେ ଉଚ୍ଚ ସ୍ତରର ସମାନତା ପାଇଁ ଆଗ୍ରହୀ । ବିଶେଷକରି, ଆମେ ଏହା ଜାଣିବାକୁ ଚାହୁଁଛୁ ଯେ, ସମାନତା ବିଚାର କିପରି ଅନ୍ତର୍ଦୃଷ୍ଟିଗତ ସିଦ୍ଧାନ୍ତ ବା ଧାରଣାତ୍ମକ ଜ୍ଞାନର ସମୃଦ୍ଧ ପ୍ରଣାଳୀ ଉପରେ ଆଧାରିତ ହୋଇଥାଏ । ସୃଷ୍ଟି ପ୍ରକ୍ରିୟା ଓ ସିଦ୍ଧାନ୍ତ ପରସ୍ପର ସହ ନିବିଡ଼ ଭାବେ ଜଡ଼ିତ । ମର୍ଫି [14] , ଉଦାହରଣ ସ୍ୱରୂପ, ଏକ ସିଦ୍ଧାନ୍ତକୁ ଏକ କାରଣ ସମ୍ପର୍କର ଏକ ସେଟ୍ ଭାବରେ ବ୍ୟାଖ୍ୟା କରନ୍ତି ଯାହା ଏକ ଡୋମେନରେ ଘଟଣାଗୁଡ଼ିକୁ ସାମୂହିକ ଭାବରେ ସୃଷ୍ଟି କରେ କିମ୍ବା ବ୍ୟାଖ୍ୟା କରେ । ଆମେ ଆଶା କରୁଛୁ ଯେ ଆମର ସୃଷ୍ଟିକାରୀ ସିଦ୍ଧାନ୍ତ ଏକ ଢାଞ୍ଚା ପ୍ରଦାନ କରେ ଯେଉଁଥିରେ ମଡେଲ୍ କରିବା ପାଇଁ ସମାନତା ବିଚାର କିପରି ଅନ୍ତର୍ଦୃଷ୍ଟିଗତ ସିଦ୍ଧାନ୍ତରୁ ଉଦୟ ହୁଏ । ଆମେ ସମାନତାର ଏକ ଆନୁଷ୍ଠାନିକ ସିଦ୍ଧାନ୍ତ ବିକଶିତ କରିଛୁ ଏବଂ ଏହାକୁ ତିନୋଟି ପ୍ରଚଳିତ ସିଦ୍ଧାନ୍ତ ସହିତ ତୁଳନା କରିଛୁ । ବୈଶିଷ୍ଟ୍ୟଗତ ବିବରଣୀ [୨୦] ଦର୍ଶାଏ ଯେ ଦୁଇଟି ବସ୍ତୁର ସମାନତା ସେମାନଙ୍କର ସାଧାରଣ ଏବଂ ବିଶେଷ ଗୁଣର ଏକ ଫଙ୍କସନ୍ ଅଟେ, ଭୌଗୋଳିକ ବିବରଣୀ ଦର୍ଶାଏ ଯେ ସମାନତା ଏକ ଭୌଗୋଳିକ ପ୍ରତିନିଧିତ୍ୱରେ ଦୂରତା ସହିତ ବିପରୀତ ପରିମାଣରେ ସମାନ ଅଟେ, [୧୯] ଏବଂ ରୂପାନ୍ତରଣ ବିବରଣୀ ଦର୍ଶାଏ ଯେ ସମାନତା ଗୋଟିଏ ବସ୍ତୁକୁ ଅନ୍ୟ ଏକ ବସ୍ତୁରେ ରୂପାନ୍ତରିତ କରିବା ପାଇଁ ଆବଶ୍ୟକ କାର୍ଯ୍ୟର ସଂଖ୍ୟା ଉପରେ ନିର୍ଭର କରେ [୬] । ଆମେ ଦେଖାଇବୁ ଯେ ଏହି ସମସ୍ତ ଆଭିମୁଖ୍ୟର ସଂସ୍କରଣ ଆମର ସୃଷ୍ଟିକାରୀ ଆଭିମୁଖ୍ୟର ବିଶେଷ ମାମଲା ଭାବରେ ଉଭା ହୁଏ, ଏବଂ ଏକ ପରୀକ୍ଷଣ ଉପସ୍ଥାପନ କରେ ଯାହା ସିଧାସଳଖ ଆମର ଆଭିମୁଖ୍ୟକୁ ରୂପାନ୍ତରଣ ଖାତା ସହିତ ତୁଳନା କରେ । ଚତୁର୍ଥ ସିଦ୍ଧାନ୍ତ ଅନୁସାରେ ସମାନତା ଆନାଲୋଗିକ ମ୍ୟାପିଂ ପ୍ରକ୍ରିୟା ଉପରେ ନିର୍ଭର କରେ । ଆମେ ଏହି ଦୃଷ୍ଟିକୋଣକୁ ବିସ୍ତୃତ ଭାବେ ଆଲୋଚନା କରିବା ନାହିଁ, କିନ୍ତୁ ଶେଷରେ ଏହା ପରାମର୍ଶ ଦେବା ଯେ ଅନୁରୂପତା ପ୍ରତି ଏକ ଉତ୍ପନ୍ନ ଦୃଷ୍ଟିକୋଣ କିପରି ମାନକ ଦୃଷ୍ଟିକୋଣଠାରୁ ଭିନ୍ନ । ଜେନେରେଟିଭ୍ ପ୍ରକ୍ରିୟା ଏବଂ ସମାନତା ଆମର ଔପଚାରିକ ମଡେଲର ବର୍ଣ୍ଣନା କରିବା ପୂର୍ବରୁ, ଆମେ ସମାନତା ପାଇଁ ଏକ ଜେନେରେଟିଭ୍ ଆଭିମୁଖ୍ୟ ପାଇଁ ଏକ ଅନୌପଚାରିକ ପ୍ରେରଣା ଦେଇଛୁ । କଳ୍ପନା କରନ୍ତୁ ଯେ ଆମକୁ ଏକ ଆଦର୍ଶ ବସ୍ତୁ ଦେଖାଇ ଦିଆଯାଉଛି ଏବଂ ଦୁନିଆରେ ଆମେ ପାଇଥିବା ସମାନ ବସ୍ତୁଗୁଡ଼ିକର ବର୍ଣ୍ଣନା କରିବାକୁ କୁହାଯାଉଛି । ଉତ୍ତର ଦୁଇ ପ୍ରକାରର: ପ୍ରୋଟାଇପର ଛୋଟ ବ୍ୟାଘାତ, କିମ୍ବା ପ୍ରୋଟାଇପ ସୃଷ୍ଟି କରିଥିବା ପ୍ରକ୍ରିୟାର ଛୋଟ ବ୍ୟାଘାତ ଦ୍ୱାରା ଉତ୍ପାଦିତ ବସ୍ତୁ । ଦ୍ୱିତୀୟ ରଣନୀତି ପ୍ରଥମ ରଣନୀତିଠାରୁ ଅଧିକ ସଫଳ ହେବ, କାରଣ ପ୍ରୋଟାଇପର ଅନେକ ବିଶୃଙ୍ଖଳା କୌଣସି ସମ୍ଭାବ୍ୟ ଜେନେରେଟିଭ୍ ପ୍ରକ୍ରିୟାରୁ ଉତ୍ପନ୍ନ ହେବ ନାହିଁ, ଏବଂ ତେଣୁ ବ୍ୟବହାରରେ କେବେ ମଧ୍ୟ ଦେଖାଯିବ ନାହିଁ । କିନ୍ତୁ ନିର୍ମାଣ ଦ୍ୱାରା, ଏକ ବସ୍ତୁ ଯାହା ଏକ ବିଦ୍ୟମାନ ଉତ୍ପନ୍ନ ପ୍ରକ୍ରିୟାର ବିଶୃଙ୍ଖଳା ଦ୍ୱାରା ସୃଷ୍ଟି ହୋଇଥାଏ, ତାହାର ଏକ ଯୁକ୍ତିଯୁକ୍ତ କାରଣ ଇତିହାସ ରହିବ । ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଉଦାହରଣ ଦେବା ପାଇଁ, ଧରି ନିଅନ୍ତୁ ପ୍ରୋଟାଇପ୍ ହେଉଛି ଏକ ଜୈବିକ ଅଭିବୃଦ୍ଧି ପ୍ରକ୍ରିୟା ଦ୍ୱାରା ସୃଷ୍ଟି ହୋଇଥିବା ଏକ ବଗ୍ (ଚିତ୍ର 1ii) । i ରେ ଥିବା ବଗ୍ ହେଉଛି ପ୍ରୋଟାଇପର ଏକ ଛୋଟ ବ୍ୟାଘାତ, କିନ୍ତୁ ଏହା ଉତ୍ପନ୍ନ ହେବାର ସମ୍ଭାବନା କମ୍, କାରଣ ଗୋଡ଼ଗୁଡ଼ିକ ଯୋଡ଼ିରେ ସୃଷ୍ଟି ହୋଇଥାଏ । ସୃଷ୍ଟି ପ୍ରକ୍ରିୟାର ଏକ ବିଶୃଙ୍ଖଳା ଅଧିକ ଭାଗ ବିଶିଷ୍ଟ ଏକ ତ୍ରୁଟି ସୃଷ୍ଟି କରିପାରେ, ଯେପରିକି iii.ରେ ଥିବା ତ୍ରୁଟି । ଯଦି ଆମେ ଏକ ତ୍ରୁଟି ଖୋଜିବାକୁ ଆଶା କରୁ ଯାହା ପ୍ରୋଟୋଟାଇପ୍ ସହିତ ସମାନ କିନ୍ତୁ ସମାନ ନୁହେଁ, ତେବେ iii ହେଉଛି i ଅପେକ୍ଷା ଭଲ ବାଜି। ଜଣେ ସନ୍ଦେହୀ ଯୁକ୍ତି କରିପାରେ ଯେ ଏହି ଏକ-ଶଟ୍ ଶିକ୍ଷଣ ସମସ୍ୟାକୁ ପ୍ରୋଟାଇପ୍ ଏବଂ obi (ii) ପ୍ରୋଟାଇପ୍ (iii) ଚିତ୍ର 1: ତିନୋଟି ବଗ୍ ପରି ସମାନ ବସ୍ତୁଗୁଡ଼ିକର ସେଟ୍ ର ଅନ୍ତଃସାରଣୀ ନେଇ ସମାଧାନ କରାଯାଇପାରିବ । ପ୍ରୋଟୋଟାଇପ I କିମ୍ବା III ସହିତ କେଉଁଟି ଅଧିକ ସମାନ? ଏହା ସମ୍ଭବତଃ ସମ୍ଭବ ହୋଇପାରେ । ଦ୍ୱିତୀୟ ସେଟ୍ ଜେନେରେଟିଭ୍ ପ୍ରକ୍ରିୟା ଉପରେ ନିର୍ଭର କରେ, କିନ୍ତୁ ପ୍ରଥମ ସେଟ୍ (ଏବଂ ତେଣୁ ସମାନତାର ଧାରଣା) ଉପରେ ନିର୍ଭର କରେ ନାହିଁ । ଆମେ ଭାବୁଛୁ ଏହା ଅଧିକ ସମ୍ଭବ ଯେ ସମାନତାର ଧାରଣା ଶେଷରେ ଦୁନିଆରେ ଆଧାରିତ, ଏବଂ ଏହା ବାସ୍ତବ ଦୁନିଆର ବସ୍ତୁଗୁଡ଼ିକୁ ତୁଳନା କରିବା ଉଦ୍ଦେଶ୍ୟରେ ବିକଶିତ ହୋଇଛି । ଯଦି ଏହା ସତ୍ୟ, ତେବେ କେଉଁ ପ୍ରକାରର ବସ୍ତୁ ସମ୍ଭବତଃ ଅଛି, ସେ ବିଷୟରେ ଜ୍ଞାନ ସମାନତାର ଧାରଣା ସହିତ ଗଭୀର ଭାବରେ ଜଡିତ ହୋଇପାରେ । ଏକ-ଶଟ୍ ଶିକ୍ଷଣ ସମସ୍ୟା ବ୍ୟବହାରିକ ଭାବରେ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ, କିନ୍ତୁ ଏହା ସମାନତା ଉପରେ ଆଲୋଚନା ପାଇଁ ଏକ ସାଧାରଣ ପ୍ରସଙ୍ଗ ନୁହେଁ । ସାଧାରଣତଃ, ପରୀକ୍ଷାର୍ଥୀମାନଙ୍କୁ ଏକ ଯୋଡି ବସ୍ତୁ ଦେଖାଯାଇଥାଏ ଏବଂ ଯୋଡିର ସମାନତାକୁ ମୂଲ୍ୟାଙ୍କନ କରିବାକୁ କୁହାଯାଇଥାଏ । ଧ୍ୟାନ ଦିଅନ୍ତୁ ଯେ ଉଭୟ ବସ୍ତୁ ଅବସ୍ଥିତ ବୋଲି ବିବେଚନା କରାଯାଏ ଏବଂ ପୂର୍ବବର୍ତ୍ତୀ ଯୁକ୍ତି ଲାଗୁ ହୁଏ ନାହିଁ । ତଥାପି, ଜେନେରେଟିଭ୍ ପ୍ରକ୍ରିୟା ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ, କାରଣ ଏହା ସମାନତା ତୁଳନା ପାଇଁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ବୈଶିଷ୍ଟ୍ୟଗୁଡିକ ବାଛିବାରେ ସାହାଯ୍ୟ କରେ । ଉଦାହରଣ ସ୍ୱରୂପ, ମନେକରନ୍ତୁ ଜଣେ ଜଙ୍ଗଲ ବାସିନ୍ଦା ଏକ ପୋଷକଯୁକ୍ତ ଛତୁ ଆବିଷ୍କାର କରିଛନ୍ତି । କେଉଁଟି ଅଧିକ ପୋକ ପରି: ଆକାର ବ୍ୟତୀତ ସମାନ ପୋକ, କିମ୍ବା ରଙ୍ଗ ବ୍ୟତୀତ ସମାନ ପୋକ? କୁମ୍ଭୀର କିପରି ସୃଷ୍ଟି ହୁଏ ତାହା ଜାଣିବା ଦ୍ବାରା ଏହା ସ୍ପଷ୍ଟ ହୋଇଯାଏ ଯେ, ଏହାର ଆକାର ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ବସ୍ତୁ ନୁହେଁ । ଛତୁ ଛୋଟରୁ ବଡ଼ ପର୍ଯ୍ୟନ୍ତ ବଢ଼ିଥାଏ ଏବଂ ଚେର କେତେ ବଡ଼ ତାହା ସୂର୍ଯ୍ୟ କିରଣର ପରିମାଣ ଓ ମାଟିର ଉର୍ବରତା ଉପରେ ନିର୍ଭର କରିଥାଏ । ଏହିପରି ବିଚାରଧାରାରୁ ଜଣାପଡ଼େ ଯେ ଭିନ୍ନ ଆକାରର ଛତୁକୁ ଅଧିକ ସମାନ ବୋଲି ବିଚାର କରାଯିବା ଉଚିତ । ଏକ ଅନ୍ତିମ କାରଣ ଯାହା ପାଇଁ ଜେନେରେଟିଭ୍ ପ୍ରକ୍ରିୟା ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ତାହା ହେଉଛି ଯେ ସେମାନେ ଅତ୍ୟାବଶ୍ୟକତା ସହିତ ଗଭୀର ଭାବରେ ଜଡିତ । ମେଡିନ ଓ ଓର୍ଟନି [୧୩] ଉଲ୍ଲେଖ କରିଛନ୍ତି ଯେ, ପୃଷ୍ଠର ବିଶେଷତ୍ୱଗୁଡ଼ିକ ପ୍ରାୟତଃ ବସ୍ତୁର ଗଭୀର, କେନ୍ଦ୍ରୀୟ ଅଂଶ ଦ୍ୱାରା ସୀମିତ ହୋଇଥାଏ, ଏବଂ ବେଳେବେଳେ ଏହାଦ୍ୱାରା ସୃଷ୍ଟି ହୋଇଥାଏ । ଯଦି ଆମେ କେବଳ ଦୁଇଟି ବସ୍ତୁର ପୃଷ୍ଠର ବିଶେଷତ୍ୱକୁ ଲକ୍ଷ୍ୟ କରୁ, ତେବେ ମଧ୍ୟ ପୃଷ୍ଠର ବିଶେଷତ୍ୱ ସୃଷ୍ଟି କରିବା ପାଇଁ ଅନୁମାନ କରାଯାଇଥିବା ଗଭୀର ଗୁଣଗୁଡ଼ିକର ତୁଳନା କରି ସେମାନଙ୍କର ସମାନତା ବିଚାର କରିବା ଅର୍ଥପୂର୍ଣ୍ଣ ହୋଇପାରେ । କିନ୍ତୁ ଆମେ ଆହୁରି ଅଧିକ କହିପାରିବା: ଯେପରିକି ଉପରିସ୍ଥ ବୈଶିଷ୍ଟ୍ୟଗୁଡ଼ିକ ବସ୍ତୁର ସାର ଦ୍ୱାରା ସୃଷ୍ଟି ହୋଇଥାଏ, ସାର ସ୍ୱୟଂ ଏକ ଜନ୍ମନୀୟ ଇତିହାସ ରହିଛି । କୌଣସି ବସ୍ତୁର ଚରିତ୍ରକୁ ଜାଣିବା ପାଇଁ ତତକ୍ଷଣାତ୍ ଏହାର ପୃଷ୍ଠଭୂମିର ବିଶେଷତ୍ୱଗୁଡ଼ିକ ଏକ ନିର୍ଭରଯୋଗ୍ୟ ମାର୍ଗଦର୍ଶକ ହୋଇଥାଏ, କିନ୍ତୁ ବସ୍ତୁର କାରଣ ଇତିହାସ ଏକ ନିର୍ଭରଯୋଗ୍ୟ ସୂଚକ ହୋଇଥାଏ, ଯଦିଓ ଏହାର ଚରିତ୍ରର ପରିଭାଷା ନୁହେଁ । କେଲ [୯] ଏକ ପଶୁର ଘଟଣା ଉପରେ ଆଲୋଚନା କରିଛନ୍ତି, ଯିଏକି ଏକ ସ୍କଙ୍କ ଭାବରେ ଜନ୍ମ ହୋଇଛି, ତାପରେ ଏକ ଅସ୍ତ୍ରୋପଚାର କରାଯାଇଛି ଯାହା ଏହାକୁ ଏକ ରାକ୍ୟୁନ୍ ପରି ଦେଖାଯାଉଛି । ଯେହେତୁ ପଶୁଟି ସ୍କଙ୍କ୍ (ସ୍କଙ୍କ୍ ପିତାମାତାଙ୍କଠାରୁ ଜନ୍ମ) ଭଳି ଜନ୍ମ ହୋଇଥାଏ, ଆମେ ଏହି ସିଦ୍ଧାନ୍ତରେ ଉପନୀତ ହେଉ ଯେ ଏହା ସ୍କଙ୍କ୍ ହୋଇ ରହିଥାଏ, ଏହା ଯାହାବି ହେଉନା କାହିଁକି । ଏହି ଉଦାହରଣଗୁଡିକ ଦର୍ଶାଏ ଯେ, ଜେନେରେଟିଭ୍ ପଦ୍ଧତି ସିଦ୍ଧାନ୍ତ-ନିର୍ଭରଶୀଳ ଅନୁମାନର ଏକ ବ୍ୟାପକ ଶ୍ରେଣୀକୁ ବ୍ୟାଖ୍ୟା କରିବାରେ ସାହାଯ୍ୟ କରିପାରେ । ଆମେ ବର୍ତ୍ତମାନ ଏକ ଆନୁଷ୍ଠାନିକ ମଡେଲ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ଏହି ସମସ୍ତ ମାମଲାର ଅନ୍ତର୍ନିହିତ ଅନ୍ତର୍ଦୃଷ୍ଟିକୁ ଧାରଣ କରିବାକୁ ଚେଷ୍ଟା କରେ । ସମାନତାର ଏକ କମ୍ପ୍ୟୁଟେସନାଲ ଥିଓରୀ ଏକ ଡୋମେନ Dକୁ ଦେଇ ଆମେ ଏକ ଥିଓରୀ ବିକଶିତ କରିଥାଉ ଯାହା Dରୁ ଯେକୌଣସି ଦୁଇଟି ନମୁନା ମଧ୍ୟରେ ସମାନତା ନିର୍ଦ୍ଦିଷ୍ଟ କରିଥାଏ । Dରୁ ଏକ ନମୁନା ସାଧାରଣତଃ ଗୋଟିଏ ବସ୍ତୁ ଧାରଣ କରିଥାଏ, କିନ୍ତୁ ବସ୍ତୁଗୁଡ଼ିକର ସେଟ ମଧ୍ୟରେ ସମାନତା ସହିତ କାର୍ଯ୍ୟ କରିବା କିଛି ପ୍ରୟୋଗ ପାଇଁ ଉପଯୋଗୀ ଅଟେ । ଆମେ ଏକ ଜେନେରେଟିଭ୍ ପ୍ରକ୍ରିୟା କୁ D ଉପରେ ଏକ ସମ୍ଭାବ୍ୟତା ବଣ୍ଟନ ଭାବରେ ଔପଚାରିକ ଭାବରେ ଗ୍ରହଣ କରିଥାଉ ଯାହାକି ପାରାମିଟର ଭେକ୍ଟର θ ଉପରେ ନିର୍ଭର କରେ । ଧରନ୍ତୁ ଯେ s1 ଏବଂ s2 ହେଉଛି D ର ନମୁନା । ଆମେ ଦୁଇଟି ଅନୁମାନକୁ ବିଚାର କରୁ: H1 କୁହେ ଯେ s1 ଏବଂ s2 ହେଉଛି ଗୋଟିଏ ଉତ୍ପାଦକ ପ୍ରକ୍ରିୟାରୁ ସ୍ୱାଧୀନ ନମୁନା, ଏବଂ H2 କୁହେ ଯେ ନମୁନା ଦୁଇଟି ସ୍ୱାଧୀନ ଭାବରେ ମନୋନୀତ ପ୍ରକ୍ରିୟାରୁ ସୃଷ୍ଟି ହୋଇଛି । ସମାନତା ହେଉଛି ସମ୍ଭାବନା ଯେ ବସ୍ତୁ ଗୁଡିକ ସମାନ ପ୍ରକ୍ରିୟା ଦ୍ବାରା ସୃଷ୍ଟି ହୋଇଛି: ଅର୍ଥାତ୍ H2 ତୁଳନାରେ H1 ର ଆନୁଷଙ୍ଗିକ ପଶ୍ଚିମ ସମ୍ଭାବନା: sim ((s1, s2) = P (H1s1, s2) |
6377fee5214d9ace4ce629c9bfe463bdebbd889f | ଆପଣ JSTOR ଆର୍କାଇଭ୍ ର ବ୍ୟବହାର କରିବା ଦ୍ବାରା ଆପଣ JSTOR ର ବ୍ୟବହାର ସର୍ତ୍ତାବଳୀକୁ ଗ୍ରହଣ କରିଛନ୍ତି, ଯାହା http://www.jstor.org/about/terms.html ରେ ଉପଲବ୍ଧ । JSTOR ର ବ୍ୟବହାର ସର୍ତ୍ତାବଳୀରେ ଏହା ମଧ୍ୟ ଉଲ୍ଲେଖ ରହିଛି ଯେ, ଆପଣ ପୂର୍ବ ଅନୁମତି ବିନା କୌଣସି ପତ୍ରିକାର ସମ୍ପୂର୍ଣ୍ଣ ସଂଖ୍ୟା କିମ୍ବା ଲେଖାର ଏକାଧିକ ନକଲ ଡାଉନଲୋଡ୍ କରିପାରିବେ ନାହିଁ ଏବଂ ଆପଣ JSTOR ଆର୍କାଇଭରେ ଥିବା ବିଷୟବସ୍ତୁକୁ କେବଳ ନିଜର ବ୍ୟକ୍ତିଗତ, ଅଣ-ବ୍ୟବସାୟୀକ ବ୍ୟବହାର ପାଇଁ ବ୍ୟବହାର କରିପାରିବେ । |
87f8bcae68df7ba371baec5d0a2283ecb366b0fc | ମାନବ ବର୍ଗୀକରଣ ଆଚରଣର ଏକ ଯୁକ୍ତିଯୁକ୍ତ ମଡେଲ ଉପସ୍ଥାପିତ କରାଯାଇଛି ଯାହା ଧରି ନେଇଛି ଯେ ବର୍ଗୀକରଣ ବସ୍ତୁମାନଙ୍କର ଅଦୃଶ୍ୟ ବୈଶିଷ୍ଟ୍ୟର ସମ୍ଭାବନାର ସର୍ବୋତ୍ତମ ଆକଳନକୁ ପ୍ରତିଫଳିତ କରେ । ବର୍ଗଗୁଡ଼ିକ ଯଦି ବସ୍ତୁ ସ୍ଥାନର ଏକ ବିଭାଜିତ ବିଭାଜନ ଗଠନ କରନ୍ତି ଏବଂ ଯଦି ବର୍ଗ ମଧ୍ୟରେ ସ୍ବତନ୍ତ୍ର ଭାବରେ ବିଶେଷତ୍ୱଗୁଡ଼ିକ ପ୍ରଦର୍ଶିତ ହୁଏ ତେବେ ସର୍ବୋତ୍ତମ ଆକଳନ କ ଣ ହେବ ତାହା ଏକ ବେୟେସୀୟ ବିଶ୍ଳେଷଣ କରାଯାଇଥାଏ । ଏହି ବେଜିଆନ ବିଶ୍ଳେଷଣକୁ ଏକ ବୃଦ୍ଧିଶୀଳ ବର୍ଗୀକରଣ ଆଲଗୋରିଦମ ମଧ୍ୟରେ ରଖାଯାଇଛି । ଫଳସ୍ୱରୂପ, ରାସନାଲ୍ ମଡେଲରେ କେନ୍ଦ୍ରୀୟ ପ୍ରବୃତ୍ତିର ପ୍ରଭାବ, ନିର୍ଦ୍ଦିଷ୍ଟ ଘଟଣାଗୁଡ଼ିକର ପ୍ରଭାବ, ରେଖାପାତରେ ଅବିଭାଜ୍ୟ ଶ୍ରେଣୀର ଶିକ୍ଷା, ଶ୍ରେଣୀ ଲେବଲ୍ ପ୍ରଭାବ, ମୌଳିକ ସ୍ତରର ଶ୍ରେଣୀଗୁଡିକର ଉତ୍ତୋଳନ, ଆଧାର-ହାର ପ୍ରଭାବ, ଶ୍ରେଣୀକରଣରେ ସମ୍ଭାବ୍ୟତା ମେଳ ଏବଂ ପରୀକ୍ଷଣ-ବି-ପରୀକ୍ଷଣ ଶିକ୍ଷଣ କାର୍ଯ୍ୟଗୁଡିକର ପ୍ରଭାବ ରହିଥାଏ । ଯଦିଓ ଯୁକ୍ତିଯୁକ୍ତ ମଡେଲ କେବଳ ଶ୍ରେଣୀବିଭାଗର ପ୍ରଥମ ସ୍ତରକୁ ବିଚାର କରିଥାଏ, ଏହା ଦର୍ଶାଯାଇଛି ଯେ ଉଚ୍ଚ ଏବଂ ନିମ୍ନ ସ୍ତରକୁ ବିଚାର କରି ପୂର୍ବାନୁମାନକୁ କିପରି ଉନ୍ନତ କରାଯାଇପାରିବ । ନିମ୍ନ ସ୍ତରରେ ପୂର୍ବାନୁମାନକୁ ବିଚାର କଲେ, ବ୍ୟକ୍ତିଗତ ସ୍ତରରେ ଏହି ବର୍ଗୀକରଣର ଯୁକ୍ତିଯୁକ୍ତ ବିଶ୍ଳେଷଣକୁ ସ୍ମୃତିର ପୂର୍ବବର୍ତ୍ତୀ ଯୁକ୍ତିଯୁକ୍ତ ବିଶ୍ଳେଷଣ ସହିତ ଏକୀକରଣ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ (ଆଣ୍ଡରସନ ଏବଂ ମିଲସନ୍, 1989) । |
e742d8d7cdbef9393af36495137088cc7ca4e5d5 | ଉଦ୍ଦେଶ୍ୟ ଅଣଆନୁଷ୍ଠାନିକ ଭାବେ ଯତ୍ନ ନେଉଥିବା ବ୍ୟକ୍ତିମାନେ ସେମାନଙ୍କ ଯତ୍ନ ନେଉଥିବା ଡିମେନ୍ସିଆ ରୋଗୀଙ୍କର କାର୍ଯ୍ୟକଳାପରେ ପରିବର୍ତ୍ତନ ଯୋଗୁଁ ମାନସିକ ଚାପ ଅନୁଭବ କରନ୍ତି । ଡିମେନ୍ସିଆ ରୋଗୀକୁ ଭଲ ଭାବେ ବୁଝିବା ଦ୍ୱାରା ମାନସିକ ଦୁଶ୍ଚିନ୍ତା କମିଯାଏ । ଯତ୍ନ ନେଉଥିବା ବ୍ୟକ୍ତିଙ୍କ ମଧ୍ୟରେ ବୁଝାମଣା ଓ ସହାନୁଭୂତି ବୃଦ୍ଧି କରିବା ପାଇଁ ଡିମେନ୍ସିଆର ଅନୁଭୂତି ପାଇଁ ଏକ ଅଭିନବ ପ୍ରଯୁକ୍ତିଭିତ୍ତିକ ଭର୍ଚୁଆଲ ରିଆଲିଟି ହସ୍ତକ୍ଷେପ ଟ୍ରୁ ଦ ଡିମେନ୍ସିଆ ଲେନ୍ସ (ଟିଡିଏଲ) ବିକଶିତ କରାଯାଇଥିଲା । ଏଥିରେ ଏକ ଭର୍ଚୁଆଲ ରିଆଲିଟି ସିମୁଲେସନ ଚଳଚ୍ଚିତ୍ର ଏବଂ ଇ-କୋର୍ସ ଅନ୍ତର୍ଭୁକ୍ତ । ଟିଡିଏଲର ଏକ ପାଇଲଟ ଅଧ୍ୟୟନ କରାଯାଇଥିଲା । ଏହି ପରୀକ୍ଷଣରେ ପ୍ରି-ଟେଷ୍ଟ-ପୋଷ୍ଟ-ଟେଷ୍ଟ ଡିଜାଇନ ବ୍ୟବହାର କରାଯାଇଥିଲା । ଅଣଆନୁଷ୍ଠାନିକ ଯତ୍ନଦାତାମାନେ ପ୍ରଶ୍ନପତ୍ରରେ ବ୍ୟକ୍ତି-କେନ୍ଦ୍ରିକତା, ସହାନୁଭୂତି, ଅଣଆନୁଷ୍ଠାନିକ ଯତ୍ନରୁ ଅନୁଭବ କରାଯାଇଥିବା ଚାପ, ଅନୁଭବ କରାଯାଇଥିବା ଦକ୍ଷତା ଏବଂ ସମ୍ପର୍କର ଗୁଣବତ୍ତା ମୂଲ୍ୟାଙ୍କନ କରିଥିଲେ । ପରୀକ୍ଷଣ ପରେ ଟିଡିଏଲର କାର୍ଯ୍ୟକାରିତା ସମ୍ପର୍କରେ ଅତିରିକ୍ତ ପ୍ରଶ୍ନ ପଚରାଯାଇଥିଲା । ଫଳାଫଳ: 35 ଜଣ ଯତ୍ନକାରୀ ଏହି ପରୀକ୍ଷଣର ପୂର୍ବ ଏବଂ ପରବର୍ତ୍ତୀ ପର୍ଯ୍ୟାୟକୁ ସମ୍ପୂର୍ଣ୍ଣ କରିଥିଲେ । ଅଧିକାଂଶ ଅଂଶଗ୍ରହଣକାରୀ TDLରେ ସନ୍ତୁଷ୍ଟ ଥିଲେ ଏବଂ TDL ଦ୍ୱାରା ଡିମେନ୍ସିଆ ରୋଗୀଙ୍କର ଧାରଣା ବିଷୟରେ ଅଧିକ ସୂଚନା ମିଳିଥାଏ ବୋଲି କହିଥିଲେ । ସିମୁଲେସନ ଚଳଚ୍ଚିତ୍ରକୁ ୧୦ରୁ ୮.୦୩ ଏବଂ ଇ-କୋର୍ସକୁ ୭.୬୬ ରେଟିଂ ଦିଆଯାଇଛି । ଅଂଶଗ୍ରହଣକାରୀମାନଙ୍କ ମଧ୍ୟରେ ସହାନୁଭୂତି, ଡିମେନ୍ସିଆ ରୋଗୀମାନଙ୍କ ଯତ୍ନ ନେବାରେ ଆତ୍ମବିଶ୍ୱାସ ଏବଂ ଡିମେନ୍ସିଆ ରୋଗୀମାନଙ୍କ ସହିତ ସକାରାତ୍ମକ ଭାବ ବିନିମୟ କ୍ଷେତ୍ରରେ ଉଲ୍ଲେଖନୀୟ ଉନ୍ନତି ଘଟିଛି । TDL ଅଣଆନୁଷ୍ଠାନିକ ଯତ୍ନଦାତାଙ୍କ ପାଇଁ ସମ୍ଭବ ଅଟେ ଏବଂ ଏହା ଡିମେନ୍ସିଆ ରୋଗୀମାନଙ୍କର ଅନୁଭୂତିକୁ ବୁଝିବା ଏବଂ ଅନୁଧ୍ୟାନ କରିବା ପାଇଁ ସାହାଯ୍ୟ କରେ । ତେଣୁ, ଟିଡିଏଲ ଅଣଆନୁଷ୍ଠାନିକ ଭାବେ ଯତ୍ନ ନେଉଥିବା ବ୍ୟକ୍ତିମାନଙ୍କୁ ସେମାନଙ୍କର ଯତ୍ନ ନେବା କାର୍ଯ୍ୟରେ ସହାୟତା କରିପାରିବ । |
e8455cd00dd7513800bce5aa028067de7138f53d | ସିଙ୍ଗଲ ପଲ ଡବଲ ଥ୍ରୋ (ଏସପିଡିଟି) ସୁଇଚଗୁଡିକ ପର୍ଯ୍ୟାୟ-ଆରେ ରାଡାର ଟ୍ରାନ୍ସମିଟର/ରିସିଭ୍ ମଡ୍ୟୁଲଗୁଡିକର ଅଧିକରୁ ଅଧିକ ମୁଖ୍ୟ ଉପାଦାନ ହୋଇଚାଲିଛି । ଏକ ଏସପିଡିଟି ସୁଇଚ୍ ଉଚ୍ଚ କ୍ଷମତା ବିଶିଷ୍ଟ ଆମ୍ପ୍ଲିଫାୟରର ଆଉଟପୁଟ୍ ପାୱାରକୁ ସମ୍ଭାଳିବାରେ ସକ୍ଷମ ହେବା ଉଚିତ ଏବଂ ଟି/ଆର ମଡ୍ୟୁଲ୍ ଟ୍ରାନ୍ସମିଟ୍ କରୁଥିବା ସମୟରେ ରିସିଭ୍ ଚେନ୍ରେ ଥିବା କମ୍ ଶବ୍ଦ ବିଶିଷ୍ଟ ଆମ୍ପ୍ଲିଫାୟରକୁ ସୁରକ୍ଷା ଦେବା ପାଇଁ ପର୍ଯ୍ୟାପ୍ତ ଆଇସୋଲେସନ୍ ପ୍ରଦାନ କରିବା ଉଚିତ । ତେଣୁ ଗ୍ୟାଲିୟମ ନାଇଟ୍ରାଇଡ ଟେକ୍ନୋଲୋଜି ଉଚ୍ଚ କ୍ଷମତା ସମ୍ପନ୍ନ ଏସପିଡିଟି ସୁଇଚ ଡିଜାଇନ ପାଇଁ ଏକ ପ୍ରମୁଖ ଟେକ୍ନୋଲୋଜି ହୋଇପାରିଛି । ଏହି ଟେକ୍ନୋଲୋଜି ମାଇକ୍ରୋୱେଭ୍ ଫ୍ରିକ୍ୱେନ୍ସିରେ ଭଲ ପ୍ରଦର୍ଶନ କରୁଛି ଏବଂ ଏହା ଉଚ୍ଚ ଶକ୍ତିକୁ ସମ୍ଭାଳିବାରେ ସକ୍ଷମ । ଏକ X-ବ୍ୟାଣ୍ଡ SPDT ସୁଇଚ୍, 25 Wରୁ ଅଧିକର ଏକ ରେଖୀ ଶକ୍ତି ପରିଚାଳନା ସହିତ, ଡିଜାଇନ୍, ମାପ ଏବଂ ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଛି । ଏହି ସର୍କିଟକୁ କାଇନେଟିକ୍ୟୁରେ ବିକଶିତ କୋପ୍ଲାନାର ୱେବ ଗାଇଡ ଆଲଗାନ/ଗାନ ଟେକ୍ନୋଲୋଜିରେ ଡିଜାଇନ କରାଯାଇଛି । |
b0d343ad82eb4060f016ff39289eacb222c45632 | ଗଭୀର ଶିକ୍ଷଣ ଆଧାରିତ ଅର୍ଥିକ ବିଭାଜନ ମଡେଲର କାର୍ଯ୍ୟଦକ୍ଷତା ଯଥେଷ୍ଟ ତଥ୍ୟ ଉପରେ ନିର୍ଭର କରେ । କିନ୍ତୁ ସବୁଠାରୁ ବଡ଼ ସାର୍ବଜନୀନ ଡାଟାସେଟରେ କେବଳ ସୀମିତ ଅର୍ଥଶାସ୍ତ୍ରୀୟ ଶ୍ରେଣୀ ପାଇଁ ପିକ୍ସେଲ ସ୍ତରୀୟ ଟିପ୍ପଣୀ ଥିବା ନମୁନା ଉପଲବ୍ଧ ହୋଇଥାଏ । ଏହିପରି ତଥ୍ୟର ଅଭାବ ବାସ୍ତବିକ ପ୍ରୟୋଗରେ ସିମେଣ୍ଟିକ ସେଗମେଂଟ ମଡେଲର ମାପକତା ଏବଂ ପ୍ରୟୋଗକୁ ଗୁରୁତର ଭାବରେ ସୀମିତ କରିଥାଏ । ଏହି କାଗଜରେ, ଆମେ ଏକ ନୂତନ ସ୍ଥାନାନ୍ତରିତ ଅର୍ଦ୍ଧ-ନିରୀକ୍ଷିତ ଅର୍ଥନୈତିକ ବିଭାଜନ ମଡେଲର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା କିଛି ଶକ୍ତିଶାଳୀ ବର୍ଗରୁ ପିକ୍ସେଲ ସ୍ତରୀୟ ଟିପ୍ପଣୀ ସହିତ ଅଦୃଶ୍ୟ ଦୁର୍ବଳ ବର୍ଗକୁ ଶିଖିଥିବା ବିଭାଜନ ଜ୍ଞାନକୁ ସ୍ଥାନାନ୍ତର କରିପାରେ, କେବଳ ପ୍ରତିଛବି ସ୍ତରୀୟ ଟିପ୍ପଣୀ ସହିତ, ଗଭୀର ବିଭାଜନ ମଡେଲର ପ୍ରୟୋଗଯୋଗ୍ୟ କ୍ଷେତ୍ରକୁ ବ୍ୟାପକ ଭାବରେ ବିସ୍ତାର କରିଥାଏ _ ବିଶେଷ କରି, ପ୍ରସ୍ତାବିତ ମଡେଲରେ ଦୁଇଟି ପରସ୍ପର ପରିପୂରକ ଏବଂ ଶିକ୍ଷାଲାଭ ଯୋଗ୍ୟ ଉପାଦାନ ରହିଛି: ଏକ ଲେବଲ ଟ୍ରାନ୍ସଫର ନେଟୱାର୍କ (ଏଲ-ନେଟୱାର୍କ) ଏବଂ ଏକ ପୂର୍ବାନୁମାନ ଟ୍ରାନ୍ସଫର ନେଟୱାର୍କ (ପିଏନଇଟି) । ଏଲ-ନେଟ ଦୃଢ଼ ଶ୍ରେଣୀରୁ ଦୁର୍ବଳ ଶ୍ରେଣୀରେ ଥିବା ପ୍ରତିଛବିକୁ ସେଗମେଂଟ ଜ୍ଞାନକୁ ସ୍ଥାନାନ୍ତର କରିବା ଶିଖେ ଏବଂ ଶ୍ରେଣୀଗୁଡିକରେ ସମାନ ଦୃଶ୍ୟର ପ୍ରଭାବଶାଳୀ ଉପଯୋଗ କରି ପିକ୍ସେଲ ସ୍ତରରେ କୌଶଳାତ୍ମକ ମାନଚିତ୍ର ଉତ୍ପାଦନ କରେ । ଏହି ସମୟରେ, ପି-ନେଟ ଏକ ଯତ୍ନର ସହ ଡିଜାଇନ କରାଯାଇଥିବା ବିରୋଧାଭାସୀ ଶିକ୍ଷଣ ରଣନୀତି ମାଧ୍ୟମରେ ସ୍ଥାନାନ୍ତରିତ ଜ୍ଞାନକୁ ପ୍ରସ୍ତୁତ କରିଥାଏ ଏବଂ ଉତ୍ତମ ବିବରଣୀ ସହିତ ବିଶୋଧନ କରାଯାଇଥିବା ବିଭାଜନ ଫଳାଫଳ ସୃଷ୍ଟି କରିଥାଏ । ଏଲ-ନେଟ ଏବଂ ପି-ନେଟକୁ ଏକୀକୃତ କରିବା ଦ୍ୱାରା ପାସ୍କଲ ଭୋକଲ ୨୦୧୨ରେ ଯଥାକ୍ରମେ ୫୦% ଏବଂ ୦% ଶ୍ରେଣୀକୁ ପିକ୍ସେଲ ସ୍ତରୀୟ ଟିପ୍ପଣୀ ସହିତ ବ୍ୟବହାର କରି ପୂର୍ଣ୍ଣ ତଦାରଖ କରାଯାଇଥିବା ଆଧାରରେ ୯୬.୫% ଏବଂ ୮୯.୪% କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରାଯାଇପାରିବ । ଏହିପରି ଏକ ନୂତନ ସ୍ଥାନାନ୍ତରଣ ପ୍ରଣାଳୀ ସହିତ, ଆମର ପ୍ରସ୍ତାବିତ ମଡେଲ ବିଭିନ୍ନ ନୂତନ ବର୍ଗରେ ସହଜରେ ସାଧାରଣ ଅଟେ, କେବଳ ପ୍ରତିଛବି-ସ୍ତରୀୟ ଟିପ୍ପଣୀ ଆବଶ୍ୟକ କରେ, ଏବଂ ପ୍ରକୃତ ପ୍ରୟୋଗରେ ଆକର୍ଷଣୀୟ ମାପକତା ପ୍ରଦାନ କରେ । |
3d07718300d4a59482c3f3baafaa696d28a4e027 | ସ୍ମାର୍ଟ ହୋମ୍ ସବୁ ସ୍ଥାନରେ ସେବା ସୃଷ୍ଟି କରିବା ପାଇଁ ଆର୍ଏଫ୍ଆଇଡି ଟେକ୍ନୋଲୋଜି ସହିତ ନୂଆ ଇଣ୍ଟରନେଟ୍ ଅଫ୍ ଥିଙ୍ଗ୍ସ କନ୍ସେପ୍ଟକୁ ପ୍ରୟୋଗ କରିପାରିବ । ଏହି କାଗଜରେ ଏକ ନୂତନ ରିଡ୍-ଆଉଟ୍ ପଦ୍ଧତିର ପରିଚୟ ଦିଆଯାଇଛି ଯାହାକି ବହୁ ମାନକ ଏନଏଫସି (ନର୍ ଫିଲ୍ଡ କମ୍ୟୁନିକେସନ୍) ଏବଂ ୟୁଏଚ୍ଏଫ୍ (ଅଲ୍ଟ୍ରା ହାଇ ଫ୍ରିକ୍ୱେନ୍ସି) ଟେକ୍ନୋଲୋଜିର ଏକ ହାଇ-ଷ୍ଟାଣ୍ଡାର୍ଡ ମାଷ୍ଟର-ସ୍ଲେଭ୍ ଆରଏଫ୍ଆଇଡି ରିଡର ସ୍ଥାପତ୍ୟ ପାଇଁ ଏକ ସ୍ମାର୍ଟ ହୋମ୍ ସେବା ବ୍ୟବସ୍ଥା ନିର୍ମାଣ ପାଇଁ ଉଦ୍ଦିଷ୍ଟ ଯାହା ଖର୍ଚ୍ଚ, ଶକ୍ତି ଖର୍ଚ୍ଚ ଏବଂ ଜଟିଳତା ଦୃଷ୍ଟିରୁ ଲାଭଦାୟକ । ବିଭିନ୍ନ ସ୍ମାର୍ଟ ହୋମ୍ ସେବା ବ୍ୟବହାର ମାମଲା ଯେପରିକି ୱାସିଂ ପ୍ରୋଗ୍ରାମ, ରୋଷେଇ, ସପିଂ ଏବଂ ବୟସ୍କ ସ୍ୱାସ୍ଥ୍ୟ ସେବା ଏହି ବ୍ୟବସ୍ଥାର ବ୍ୟବହାର କରୁଥିବା ଉଦାହରଣ ଭାବରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି । |
5f0806351685bd999699399ea9553c91733ccb7d | ଆର୍ଟିକିଲ୍ ହିଷ୍ଟ୍ରିଃ ୨୨ ଜୁଲାଇ ୨୦୦୮ରେ ଗ୍ରହଣ କରାଯାଇଥିଲା ୨୩ ଫେବୃଆରୀ ୨୦୦୯ରେ ସଂଶୋଧିତ ରୂପରେ ଗ୍ରହଣ କରାଯାଇଥିଲା ୧୪ ମେ ୨୦୦୯ରେ ଗ୍ରହଣ କରାଯାଇଥିଲା |
e5aaaac7852df686c35e61a6c777cfcb2246c726 | ସିନ୍ଥେଟିକ୍ ଆପେଚର ରାଡାର ସିଷ୍ଟମ ପାଇଁ, ୦.୨ ମିଟର ଥର ୦.୨ ମିଟର ରିଜୋଲ୍ୟୁସନ ହାସଲ କରିବାର ଆବଶ୍ୟକତା ବଢିଚାଲିଛି । ତେଣୁ ବ୍ୟାପକ ବ୍ୟାଣ୍ଡର ଆଣ୍ଟିନା ବିକଶିତ କରିବାର ଆବଶ୍ୟକତା ରହିଛି । ଉଚ୍ଚ ଦକ୍ଷତା ଏବଂ ଶକ୍ତି ପରିଚାଳନା କ୍ଷମତା ଭଳି ଏହାର ଅନ୍ତର୍ନିହିତ ସୁବିଧା ହେତୁ ଅନେକ ସାର୍ ଉପଗ୍ରହରେ ୱେଭଗାଇଡ୍ ସ୍ଲଟ୍ ଆଣ୍ଟେନା କାର୍ଯ୍ୟକାରୀ କରାଯାଇଛି, କିନ୍ତୁ ଏହାର ବ୍ୟାଣ୍ଡୱିଡ୍ଥ୍ ସୀମିତ ଅଟେ । ସ୍ଲଟ୍ ଆଣ୍ଟେନାଗୁଡ଼ିକର ବ୍ୟାଣ୍ଡୱିଡ୍ଥ୍ ବିସ୍ତାର କରିବାରେ ସକ୍ଷମ ରିଡ୍ଜ୍ ୱେଭ୍ ଗାଇଡ୍ର ନିର୍ମାଣରେ ଅସୁବିଧା ଏଡ଼ାଇବା ପାଇଁ, ପାରମ୍ପରିକ ୱେଭ୍ ଗାଇଡ୍ ସହିତ ଏକ ନୂତନ ଆଣ୍ଟେନା ଉପାଦାନ ଡିଜାଇନ୍ କରାଯାଇଛି । VSWR les1.5 ର ବ୍ୟାଣ୍ଡୱିଡଥ୍ X-ବ୍ୟାଣ୍ଡରେ 1 GHz ଠାରୁ ଅଧିକ । ଆଣ୍ଟିନା ଉପାଦାନଗୁଡ଼ିକର ପରସ୍ପର ମଧ୍ୟରେ ସଂଯୋଗକୁ ହ୍ରାସ କରିବା ପାଇଁ, ଆଣ୍ଟିନା ଉପାଦାନଗୁଡ଼ିକ ମଧ୍ୟରେ ଗୁହାଳ ପରି କାନ୍ଥକୁ ଯୋଡ଼ିବା ପାଇଁ ଏକ ବିଚ୍ଛିନ୍ନକରଣ ପଦ୍ଧତି ଗ୍ରହଣ କରାଯାଇଛି ଏବଂ ଆଣ୍ଟିନା କାର୍ଯ୍ୟଦକ୍ଷତା ଉପରେ ଏହାର ପ୍ରଭାବକୁ ସାରାଂଶିତ କରାଯାଇଛି । |
f27ef9c1ff0b00ee46beb1bed2f34002bae728ac | |
7224d949cd34082b1249e8be84fde65b2c6b34fd | ଆମେ କାୟୁଗା, ଏକ ଜଟିଳ ଘଟଣା ନିରୀକ୍ଷଣ ବ୍ୟବସ୍ଥାକୁ ଉଚ୍ଚ ବେଗରେ ତଥ୍ୟ ପ୍ରବାହ ପାଇଁ ପ୍ରଦର୍ଶନ କରିବାକୁ ପ୍ରସ୍ତାବ ଦେଉଛୁ । ଆମର ପ୍ରଦର୍ଶନ ୱେବ୍ ଫିଡର ଅନୁଧ୍ୟାନ ପାଇଁ ପ୍ରୟୋଗ ହୋଇଥିବା କାୟୁଗାକୁ ଦର୍ଶାଇବ; ଡେମୋ କାୟୁଗା ପ୍ରଶ୍ନ ଭାଷା, ଏହାର ପ୍ରଶ୍ନ ପ୍ରକ୍ରିୟାକରଣ ଇଞ୍ଜିନର ଉଚ୍ଚ ଷ୍ଟ୍ରିମ୍ ହାରରେ ମାପିବା କ୍ଷମତା ଏବଂ ପ୍ରଶ୍ନ ପ୍ରକ୍ରିୟାକରଣ ଇଞ୍ଜିନର ଆଭ୍ୟନ୍ତରୀଣର ଏକ ଦୃଶ୍ୟମାନତା ଦର୍ଶାଇବ । |
96e7561bd99ed9f607440245451038aeda8d8075 | |
212d1c7cfad4d8dae39deb669337cb46b0274d78 | ଡାଟାବେସରେ ପ୍ରଶ୍ନ ପଚାରିବା ସମୟରେ, ବ୍ୟବହାରକାରୀମାନେ ଅନେକ ସମୟରେ ଅସ୍ପଷ୍ଟ ଧାରଣାକୁ ବ୍ୟକ୍ତ କରିବାକୁ ଚାହାଁନ୍ତି, ଯେପରିକି ଶସ୍ତା ହୋଟେଲ ବିଷୟରେ ପଚାରିବା । ଏହା ସମ୍ପର୍କରେ ଥିବା ଡାଟାବେସ୍ କ୍ଷେତ୍ରରେ ବ୍ୟାପକ ଭାବରେ ଅଧ୍ୟୟନ କରାଯାଇଛି । ଏହି କାଗଜରେ, ଆମେ ଅଧ୍ୟୟନ କରିବାକୁ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯେ କିପରି ଏହିପରି ଉପଯୋଗୀ କୌଶଳଗୁଡିକ NoSQL ଗ୍ରାଫ୍ ଡାଟାବେସ୍ ସହିତ ଖାପ ଖୁଆଇବାରେ ବ୍ୟବହାର କରାଯାଇପାରିବ ଯେଉଁଠାରେ ଫଜିର ଭୂମିକା ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । ଏହିପରି ଡାଟାବେସଗୁଡ଼ିକ ପ୍ରକୃତରେ ବଡ଼ ଡାଟା ସହିତ କାର୍ଯ୍ୟ କରିବା ପାଇଁ ଦ୍ରୁତତମ-ବୃଦ୍ଧିଶୀଳ ମଡେଲଗୁଡ଼ିକ ମଧ୍ୟରେ ରହିଛି, ବିଶେଷ କରି ଯେତେବେଳେ ନେଟୱାର୍କ ଡାଟା (ଯେପରିକି ସାମାଜିକ ନେଟୱାର୍କ) ସହିତ କାର୍ଯ୍ୟ କରିବା । ନିଓ୪ଜୀ ପାଇଁ ପ୍ରସ୍ତାବିତ ସିଫର ଘୋଷଣାତ୍ମକ ପ୍ରଶ୍ନ ଭାଷା ଉପରେ ଆମେ ବିଚାର କରୁଛୁ ଯାହାକି ଏହି ବଜାରରେ ବର୍ତ୍ତମାନର ଅଗ୍ରଣୀ ଏବଂ ଆମେ ଫଜୀ ପ୍ରଶ୍ନଗୁଡ଼ିକୁ କିପରି ପ୍ରକାଶ କରିବା ତାହା ଉପସ୍ଥାପନ କରୁଛୁ । |
0ecb87695437518a3cc5e98f0b872fbfaeeb62be | ଇଣ୍ଟରନେଟ ଏବଂ ଇଣ୍ଟରନେଟ ବ୍ୟବହାରକାରୀଙ୍କ ସଂଖ୍ୟା ଦିନକୁ ଦିନ ବୃଦ୍ଧି ପାଉଛି । ଇଣ୍ଟରନେଟ ଟେକ୍ନୋଲୋଜିର ଦ୍ରୁତ ବିକାଶ ହେତୁ ସୁରକ୍ଷା ଏକ ବଡ଼ ପ୍ରସଙ୍ଗ ପାଲଟିଛି । ଆକ୍ରମଣ ପାଇଁ ଅନୁପ୍ରବେଶକାରୀମାନେ କମ୍ପ୍ୟୁଟର ନେଟୱାର୍କକୁ ନିରନ୍ତର ନିରୀକ୍ଷଣ କରୁଛନ୍ତି । କମ୍ପ୍ୟୁଟର ନେଟୱର୍କ ଉପରେ ଆକ୍ରମଣକୁ ରୋକିବା ପାଇଁ ଏକ ଉନ୍ନତ ଫାୟାରୱାଲ ସହିତ ଏକ ଦକ୍ଷ ଅନୁପ୍ରବେଶ ଚିହ୍ନଟ ବ୍ୟବସ୍ଥା (ଆଇଡିଏସ) ର ଆବଶ୍ୟକତା ରହିଛି । ସାହିତ୍ୟର ଏକ ବ୍ୟାପକ ଅଧ୍ୟୟନ ପ୍ରମାଣ କରେ ଯେ ତଥ୍ୟ ଖନନ କୌଶଳ ହେଉଛି ଆଇଡିଏସକୁ ଏକ ଶ୍ରେଣୀକରଣ କୌଶଳ ଭାବରେ ବିକଶିତ କରିବା ପାଇଁ ଅଧିକ ଶକ୍ତିଶାଳୀ କୌଶଳ । ଆଇଡିଏସ ଦ୍ୱାରା ସ୍କାନ କରାଯାଉଥିବା ଫିଚର ସଂଖ୍ୟାକୁ ମଧ୍ୟ ଅପ୍ଟିମାଇଜ୍ କରାଯିବା ଉଚିତ । ଏହି କାଗଜରେ ଦୁଇଟି କୌଶଳ C5.0 ଏବଂ କୃତ୍ରିମ ନ୍ୟୁରାଲ ନେଟୱାର୍କ (ଏଏନଏନ) ର ବ୍ୟବହାର ବିଶେଷତା ଚୟନ ସହିତ କରାଯାଇଛି । ବିଶେଷତା ଚୟନ କୌଶଳ କିଛି ଅପ୍ରାସଙ୍ଗିକ ବିଶେଷତାକୁ ଅଗ୍ରାହ୍ୟ କରିଦେବ, ଯେତେବେଳେ କି C5.0 ଏବଂ ANN ତଥ୍ୟକୁ ସାଧାରଣ ପ୍ରକାର କିମ୍ବା ପାଞ୍ଚ ପ୍ରକାରର ଆକ୍ରମଣ ମଧ୍ୟରୁ ଗୋଟିଏରେ ଶ୍ରେଣୀଭୁକ୍ତ କରିବା ପାଇଁ ଏକ ଶ୍ରେଣୀଭୁକ୍ତକାରୀ ଭାବରେ କାର୍ଯ୍ୟ କରେ । KDD99 ତଥ୍ୟ ସେଟ୍ ମଡେଲଗୁଡିକର ତାଲିମ ଏବଂ ପରୀକ୍ଷଣ ପାଇଁ ବ୍ୟବହୃତ ହୁଏ । ଡାଟା ବିଭାଜନର ଆକାରକୁ ନେଇ ମଧ୍ୟ କାର୍ଯ୍ୟଦକ୍ଷତା ଯାଞ୍ଚ କରାଯାଇଥିଲା । |
8b8788ac5a01280c6484b30cac7a14894f29edf7 | ମେଟାମାଟେରିଆଲ ସାଧାରଣତଃ ଛୋଟ ଛୋଟ ବିଛାଇ ବା ଏପର୍ଚରଗୁଡ଼ିକୁ ଏକ ନିୟମିତ ଧାଡିରେ ଏକ ଅଞ୍ଚଳରେ ସ୍ଥାନାନ୍ତରିତ କରି ଇଞ୍ଜିନିୟରିଂ କରାଯାଇଥାଏ, ଯାହାଦ୍ୱାରା କିଛି ଇଚ୍ଛାକୃତ ବଲ୍କ ଇଲେକ୍ଟ୍ରୋମ୍ୟାଗ୍ନେଟିକ ଆଚରଣ ମିଳିଥାଏ । ସାଧାରଣତଃ ପ୍ରାକୃତିକ ଭାବେ ମିଳିନଥିବା ଗୁଣ (ନକାରାତ୍ମକ ବକ୍ରତା ସୂଚକାଙ୍କ, ଶୂନ୍ୟ-ଆଡକୁ ସୂଚକାଙ୍କ ଇତ୍ୟାଦି) । ବିଗତ ଦଶ ବର୍ଷ ମଧ୍ୟରେ, ମେଟାମାଟେରିଆଲଗୁଡ଼ିକ କେବଳ ଏକ ଥିଓରିଟିକାଲ ଧାରଣାରୁ ବିକଶିତ ଏବଂ ମାର୍କେଟରେ ପ୍ରୟୋଗର ଏକ କ୍ଷେତ୍ରକୁ ସ୍ଥାନାନ୍ତରିତ ହୋଇଛି । ତ୍ରି-ଆକାରର ମେଟାମାଟେରିଆଲକୁ ଏକ ପୃଷ୍ଠ କିମ୍ବା ଇଣ୍ଟରଫେସରେ ଦୁଇ-ଆକାରର ନମୁନାରେ ବିଦ୍ୟୁତ କ୍ଷୁଦ୍ର ବିସର୍ଜନକାରୀ କିମ୍ବା ଗର୍ତ୍ତର ବ୍ୟବସ୍ଥା କରି ବିସ୍ତାର କରାଯାଇପାରିବ । ମେଟାମାଟେରିଆଲର ଏହି ପୃଷ୍ଠଭାଗକୁ ମେଟାସର୍ଫେସ୍ ନାମ ଦିଆଯାଇଛି (ମେଟାଫିଲ୍ମ ଶବ୍ଦ ମଧ୍ୟ କେତେକ ସଂରଚନା ପାଇଁ ବ୍ୟବହୃତ ହୋଇଛି) । ଅନେକ ପ୍ରୟୋଗ ପାଇଁ, ମେଟାମାଟେରିଆଲ ସ୍ଥାନରେ ମେଟାସର୍ଫେସ ବ୍ୟବହାର କରାଯାଇପାରିବ । ମେଟାସର୍ଫେସଗୁଡ଼ିକର ଫାଇଦା ହେଉଛି ଯେ ସେମାନେ ପୂର୍ଣ୍ଣ ତ୍ରି-ଆକାରର ମେଟାମାଟେରିଆଲ ଷ୍ଟ୍ରକଚର ଅପେକ୍ଷା କମ୍ ଭୌତିକ ସ୍ଥାନ ଗ୍ରହଣ କରନ୍ତି; ଫଳସ୍ୱରୂପ, ମେଟାସର୍ଫେସଗୁଡ଼ିକ କମ୍-ହାନିଯୁକ୍ତ ଷ୍ଟ୍ରକଚର ସମ୍ଭାବନା ପ୍ରଦାନ କରନ୍ତି । ଏହି ଆବିଷ୍କାର ପତ୍ରରେ ଆମେ ସେହି ତତ୍ତ୍ୱଜ୍ଞାନ ଆଧାର ଉପରେ ଆଲୋଚନା କରିଛୁ ଯାହା ଦ୍ବାରା ମେଟାସର୍ଫେସକୁ ବର୍ଣ୍ଣନା କରାଯାଇପାରିବ ଏବଂ ଏହାର ବିଭିନ୍ନ ପ୍ରୟୋଗ ବିଷୟରେ ଆଲୋଚନା କରାଯାଇପାରିବ । ଆମେ ଦେଖିବୁ କିପରି ମେଟାସ୍ଫେସ୍ ପାରମ୍ପରିକ ଫ୍ରିକ୍ୱେନ୍ସି-ସିଲେକ୍ଟିଭ୍ ପୃଷ୍ଠଠାରୁ ଭିନ୍ନ । ମେଟାସର୍ଫେସ୍ର ଇଲେକ୍ଟ୍ରୋମ୍ୟାଗ୍ନେଟିକ୍ସରେ (ନିମ୍ନ ମାଇକ୍ରୋୱେଭ୍ ଠାରୁ ଆରମ୍ଭ କରି ଅପ୍ଟିକାଲ ଫ୍ରିକ୍ୱେନ୍ସି ପର୍ଯ୍ୟନ୍ତ) ବ୍ୟାପକ ସମ୍ଭାବ୍ୟ ପ୍ରୟୋଗ ରହିଛି, ଯେଉଁଥିରେ ଅନ୍ତର୍ଭୁକ୍ତ ରହିଛି: (1) ନିୟନ୍ତ୍ରିତ "ସ୍ମାର୍ଟ" ପୃଷ୍ଠ, (2) କ୍ଷୁଦ୍ରାୟିତ ଗୁହାଳ ରେଜୋନେଟର, (3) ନୂତନ ତରଙ୍ଗ-ଗାଇଡିଂ ସଂରଚନା, (4) କୋଣ-ସ୍ୱତନ୍ତ୍ର ପୃଷ୍ଠ, (5) ଅବଜର୍ବର, (6) ଜୈବିକ ଚିକିତ୍ସା ଉପକରଣ, (7) ଟେରାହେର୍ଟଜ ସୁଇଚ୍, ଏବଂ (8) ତରଳ-ଟ୍ୟୁନେବଲ୍ ଫ୍ରିକ୍ୱେନ୍ସି-ଆଗିଲିଟ ସାମଗ୍ରୀ, କେବଳ କିଛି ନାମ ଉଲ୍ଲେଖ କରିବା ପାଇଁ । ଏହି ସମୀକ୍ଷାରେ ଆମେ ଦେଖିବୁ ଯେ, ଗତ କିଛି ବର୍ଷ ମଧ୍ୟରେ ଏପରି ସାମଗ୍ରୀ ଏବଂ/କିମ୍ବା ପୃଷ୍ଠଭୂମିର ବିକାଶ ଆମକୁ ଶହେ ବର୍ଷ ପୂର୍ବେ ଲ୍ୟାମ, ଶୁଷ୍ଟର ଏବଂ ପୋକଲିଂଟନଙ୍କ କାର୍ଯ୍ୟ ଦ୍ୱାରା କରାଯାଇଥିବା ଆକର୍ଷଣୀୟ କଳ୍ପନାଗୁଡିକର ବାସ୍ତବତା ଆଡକୁ ନେଇଆସୁଛି, ଏବଂ ପରେ ମାଣ୍ଡେଲଷ୍ଟାମ ଏବଂ ଭେସେଲାଗୋଙ୍କ ଦ୍ୱାରା । |
63213d080a43660ac59ea12e3c35e6953f6d7ce8 | ଏହି କାର୍ଯ୍ୟରେ, ଆମେ କାର୍ଯ୍ୟ ବର୍ଗୀକରଣ ପାଇଁ ଏକ ନୂତନ ଭିଡିଓ ପ୍ରତିନିଧିତ୍ୱ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ଭିଡିଓର ସମଗ୍ର ସ୍ପେସିଓ-ଟାଇମର୍ଲ ପରିଧିରେ ସ୍ଥାନୀୟ କଭୋଲ୍ୟୁସନାଲ ବୈଶିଷ୍ଟ୍ୟକୁ ଏକତ୍ର କରିଥାଏ । ଆମେ ଅତ୍ୟାଧୁନିକ ଦୁଇ-ଧାରା ନେଟୱାର୍କକୁ ଏକୀକୃତ କରି [42] ଶିଖିବା ଯୋଗ୍ୟ ସ୍ପେସିଓ-ଟାଇମର୍ଲ ଫିଚର ଏକୀକରଣ [6] ସହିତ ଏହା କରିଥାଉ । ଏହାର ପରିଣାମ ସ୍ୱରୂପ ଯେଉଁ ସ୍ଥାପତ୍ୟ ପ୍ରସ୍ତୁତ ହୋଇଛି ତାହା ସମ୍ପୂର୍ଣ୍ଣ ଭିଡିଓ ଶ୍ରେଣୀକରଣ ପାଇଁ ଏଣ୍ଡ-ଟୁ-ଏଣ୍ଡ ଟ୍ରେନ କରାଯାଇପାରିବ । ଆମେ ବିଭିନ୍ନ ରଣନୀତି ଅନୁସନ୍ଧାନ କରିଥାଉ ଯାହା ମାଧ୍ୟମରେ ଆମେ ସମୟ ଓ ସ୍ଥାନ ମଧ୍ୟରେ ସଂଯୋଗ କରିଥାଉ ଏବଂ ବିଭିନ୍ନ ସ୍ରୋତରୁ ସିଗନାଲ୍ ଗୁଡିକୁ ମିଶାଇଥାଉ । ଆମେ ପାଇଲୁ ଯେ: (i) ସ୍ଥାନ ଓ ସମୟ ମଧ୍ୟରେ ମିଳିତ ଭାବରେ ଏକତ୍ରିତ ହେବା ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ, କିନ୍ତୁ (ii) ଦୃଶ୍ୟ ଏବଂ ଗତି ଧାରାକୁ ସେମାନଙ୍କର ନିଜସ୍ୱ ପୃଥକ ପ୍ରତିନିଧିତ୍ୱରେ ସର୍ବୋତ୍ତମ ଭାବରେ ଏକତ୍ରିତ କରାଯାଇଥାଏ । ଶେଷରେ, ଆମେ ଦେଖାଇଛୁ ଯେ ଆମର ପ୍ରତିନିଧିତ୍ୱ ଦୁଇ-ଷ୍ଟ୍ରିମ୍ ଆଧାର ସ୍ଥାପତ୍ୟକୁ ଏକ ବଡ଼ ବ୍ୟବଧାନରେ (୧୩% ଆପେକ୍ଷିକ) ଅତିକ୍ରମ କରେ ଏବଂ HMDB51, UCF101, ଏବଂ ଚାରାଡେସ୍ ଭିଡିଓ ବର୍ଗୀକରଣ ମାନଦଣ୍ଡରେ ସମାନ ଆଧାର ସ୍ଥାପତ୍ୟ ସହିତ ଅନ୍ୟ ଆଧାରରେ ଅତିକ୍ରମ କରେ । |
b2e83112b2956483c6cc5982b56f5987788dd973 | ଏକ ଚଳନ୍ତା ଉପଗ୍ରହ ଯୋଗାଯୋଗ ଟର୍ମିନାଲ ପାଇଁ ଏକ ମଲ୍ଟି-ବ୍ୟାଣ୍ଡ ରିଫ୍ଲେକ୍ଟର ଆଣ୍ଟିନା ର ଡିଜାଇନ ଉପସ୍ଥାପିତ ହୋଇଛି । ଏହି ଆଣ୍ଟିନା ବହୁ ଆଧୁନିକ ଏବଂ ଭବିଷ୍ୟତର ସାମରିକ ଯୋଗାଯୋଗ ଉପଗ୍ରହ ସହିତ କାର୍ଯ୍ୟ କରିବାକୁ ଡିଜାଇନ୍ କରାଯାଇଥିଲା, ଯାହା ଉଚ୍ଚ ଆପର୍ଚର ଦକ୍ଷତା ବଜାୟ ରଖିବାବେଳେ ଆଣ୍ଟିନା ବହୁ ଫ୍ରିକ୍ୱେନ୍ସି ଏବଂ ପଲାରିଜେସନ୍ରେ କାର୍ଯ୍ୟ କରିବାକୁ ସକ୍ଷମ ହେବା ଆବଶ୍ୟକ କରେ । ଏହି କାର୍ଯ୍ୟକୁ ସମ୍ପାଦନ କରିବା ପାଇଁ ଅନେକ ଫିଡ ଆଣ୍ଟେନା କଳ୍ପନା ବିକଶିତ କରାଯାଇଥିଲା ଏବଂ ସେଗୁଡିକ ଉପରେ ବିସ୍ତୃତ ଭାବରେ ଆଲୋଚନା କରାଯାଇଛି । ଏହି ଡିଜାଇନ ଆଧାରରେ ଅନେକ କାର୍ଯ୍ୟକ୍ଷମ ପ୍ରୋଟୋଟାଇପ ପ୍ରସ୍ତୁତ କରାଯାଇଛି, ଯାହାର କାର୍ଯ୍ୟଦକ୍ଷତା ବହୁତ ଭଲ । ଏଥିରେ ଆଣ୍ଟିନା ଉପାଦାନ ଏବଂ ସମ୍ପୂର୍ଣ୍ଣ ମଣ୍ଡଳୀର ମାପିତ ତଥ୍ୟ ମଧ୍ୟ ଅନ୍ତର୍ଭୁକ୍ତ । |
1dc697ae0d6a1e90dc8ff061e36441b6efdcff7e | ଆମେ ନିୟନ୍ତ୍ରଣ ପ୍ରତିବନ୍ଧକ ଅଧିନରେ ଥିବା ଅଣ-ଲିନିୟର ଷ୍ଟୋକାଷ୍ଟିକ ସିଷ୍ଟମଗୁଡିକର ସ୍ଥାନୀୟ-ଅପ୍ଟିମମଲ ଫିଡବ୍ୟାକ ନିୟନ୍ତ୍ରଣ ପାଇଁ ଏକ ଇଟେରେଟିଭ୍ ରେଖୀ-ଚତୁର୍ଦ୍ଦଶ-ଗୌସୀୟନ ପଦ୍ଧତି ଉପସ୍ଥାପନ କରୁଛୁ । ପୂର୍ବରୁ, ଏହିପରି ପଦ୍ଧତିଗୁଡ଼ିକ ବର୍ଗିକ ମୂଲ୍ୟ ସହିତ ନିର୍ଣ୍ଣାୟକ ଅସଂଯୋଜିତ ସମସ୍ୟାଗୁଡ଼ିକରେ ସୀମିତ ଥିଲା । ନୂତନ ପଦ୍ଧତି ଏକ ଆପ୍ଫିନ ଫିଡବ୍ୟାକ ନିୟନ୍ତ୍ରଣ ନିୟମ ନିର୍ମାଣ କରେ, ଯାହାକି ସର୍ବୋତ୍ତମ ମୂଲ୍ୟ-ଲଗାଇବା ଫଙ୍କସନ ପାଇଁ ଏକ ନୂତନ ଚତୁର୍ଭୁଜ ଅନୁପାତକୁ ସର୍ବନିମ୍ନ କରି ପ୍ରାପ୍ତ ହୁଏ । ବିଶ୍ୱସ୍ତରୀୟ ସମ୍ମିଶ୍ରଣକୁ ଲେଭେନବର୍ଗ-ମାର୍କାର୍ଡଟ ପଦ୍ଧତି ମାଧ୍ୟମରେ ସୁନିଶ୍ଚିତ କରାଯାଇଥାଏ; ସ୍ଥାନୀୟ ସର୍ବନିମ୍ନ ଆଖପାଖରେ ସମ୍ମିଶ୍ରଣ ହେଉଛି ଚତୁର୍ଦ୍ଦଶିକ । କାର୍ଯ୍ୟଦକ୍ଷତା ଏକ ସୀମିତ ଟର୍କ ଓଲଟ ପାଣ୍ଡୁଲି ସମସ୍ୟା ଉପରେ ପ୍ରଦର୍ଶିତ ହୋଇଛି, ସେହିଭଳି ଏକ ଜଟିଳ ଜୈବଯାନ୍ତ୍ରିକ ନିୟନ୍ତ୍ରଣ ସମସ୍ୟା ଯେଉଁଥିରେ ମାନବ ବାହୁର ଏକ ଷ୍ଟୋକାଷ୍ଟିକ୍ ମଡେଲ ସାମିଲ ଅଛି, ଯେଉଁଥିରେ 10 ଟି ରାଜ୍ୟ ପରିମାପକ ଏବଂ 6 ଟି ମାଂସପେଶୀ କାର୍ଯ୍ୟକାରୀ ଅଛି । ଏହି ନୂତନ ଆଲଗୋରିଦମର ଏକ ମାଟଲାବ୍ କାର୍ଯ୍ୟକାରିତା www.cogsci.ucsd.edu//spl sim/todorovରେ ଉପଲବ୍ଧ । |
3a68b92df71637d2ba0ecc1cde8cfe5b29f2d709 | ଲୁସିଆ ବୁଝିବା ପ୍ରଣାଳୀରେ ସୋଆର କାଗଜପତ୍ର ସ୍ଥାପତ୍ୟ, ଇକଜ (ଇସିଜି) ଏବଂ ଗ୍ରାଉଣ୍ଡେଡ୍ ପ୍ରୋସେସିଂ ପାଇଁ ଏକ ବର୍ଦ୍ଧିତ, ଶବ୍ଦ-ବଦ୍ଦ-ଶବ୍ଦ ପଦ୍ଧତି ବ୍ୟବହାର କରି ମାନବ ବୁଝିବା ମଡେଲ କରିବାକୁ ଚେଷ୍ଟା କରେ । ପାରମ୍ପରିକ ପଦ୍ଧତିଗୁଡିକର ବ୍ୟବହାର ସମାନ୍ତରାଳ ପଥ ଏବଂ ବୈଶ୍ୱିକ ଅନୁକୂଳନ ଭଳି କୌଶଳଗୁଡିକର ବ୍ୟବହାର ଦ୍ୱନ୍ଦ୍ୱ ଦୂର କରିବା ପାଇଁ । ଏଠାରେ ଆମେ ବର୍ଣ୍ଣନା କରୁଛୁ ଯେ ଲୁସିଆ କିପରି ଶବ୍ଦକୋଷ, ବ୍ୟାକରଣ, ଢାଞ୍ଚାଗତ ଏବଂ ଅର୍ଥନୈତିକ ଦ୍ୱନ୍ଦ୍ୱକୁ ଆଖପାଖର ଭାଷା ଏବଂ ପରିବେଶର ଜ୍ଞାନ ବ୍ୟବହାର କରି ସମାଧାନ କରନ୍ତି । ଏହା ଏକକ ପଥକୁ ବଜାୟ ରଖିବା ପାଇଁ ଏକ ସ୍ଥାନୀୟ ମରାମତି ପ୍ରଣାଳୀ ବ୍ୟବହାର କରେ, ଏବଂ ସ୍ଥାନୀୟ ମରାମତି ନଷ୍ଟ ହେଲେ ଏକ ବଗିଚା ପଥ ପ୍ରଭାବ ଦେଖାଏ । ନୂତନ ଭାଷା ଜ୍ଞାନର ଯୋଗଦାନର ତଥ୍ୟରୁ ଜଣାପଡ଼େ ଯେ ଇସିଜି ବ୍ୟାକରଣର ବିକାଶ ପ୍ରସଙ୍ଗ ପରିଚାଳନା ପାଇଁ ଜ୍ଞାନ ଅପେକ୍ଷା ଦ୍ରୁତତର ହୋଇଥାଏ ଏବଂ ନିମ୍ନସ୍ତରୀୟ ବ୍ୟାକରଣ ବିଷୟଗୁଡିକର ବିକାଶ ଅଧିକ ସାଧାରଣ ବିଷୟଗୁଡ଼ିକ ଅପେକ୍ଷା ଦ୍ରୁତତର ହୋଇଥାଏ । |
0fbb184871bd7660bc579178848d58beb8288b7d | ଆମେ ବହୁତ ବଡ଼ ଆକାରରେ ଛବି ସନ୍ଧାନର ସମସ୍ୟାକୁ ସମାଧାନ କରୁଛୁ, ଯେଉଁଠାରେ ତିନୋଟି ପ୍ରତିବନ୍ଧକକୁ ମିଳିତ ଭାବରେ ବିଚାର କରିବାକୁ ପଡିବଃ ସନ୍ଧାନର ସଠିକତା, ଏହାର ଦକ୍ଷତା, ଏବଂ ପ୍ରତିନିଧିତ୍ୱର ସ୍ମୃତି ବ୍ୟବହାର । ଆମେ ପ୍ରଥମେ ଏକ ସରଳ କିନ୍ତୁ ଦକ୍ଷ ଉପାୟରେ ସ୍ଥାନୀୟ ପ୍ରତିଛବି ବର୍ଣ୍ଣନାକାରୀଙ୍କୁ ସୀମିତ ଆକାରର ଭେକ୍ଟରରେ ଏକତ୍ରିତ କରିବାକୁ ପ୍ରସ୍ତାବ ଦେଉଛୁ, ଯାହାକୁ ଫିଶର କର୍ଣ୍ଣଲ ପ୍ରତିନିଧିତ୍ୱର ସରଳୀକରଣ ଭାବରେ ଦେଖାଯାଏ । ଆମେ ଦେଖାଇବୁ କିପରି ମିଳିତ ଭାବରେ ଆକାର ହ୍ରାସ ଏବଂ ସୂଚକାଙ୍କ ଆଲଗୋରିଦମକୁ ଅପ୍ଟିମାଇଜ୍ କରିପାରିବା, ଯାହାଦ୍ୱାରା ଭେକ୍ଟର ତୁଳନାର ଗୁଣବତ୍ତା ସର୍ବୋତ୍ତମ ଭାବରେ ସଂରକ୍ଷିତ ହେବ । ମୂଲ୍ୟାୟନରୁ ଜଣାପଡ଼ୁଛି ଯେ ଆମର ଆଭିମୁଖ୍ୟ ଆଧୁନିକ ଆଭିମୁଖ୍ୟଠାରୁ ଯଥେଷ୍ଟ ଉନ୍ନତ: 20 ବାଇଟ ବିଶିଷ୍ଟ ଛବି ପ୍ରତିନିଧିତ୍ୱ ପାଇଁ ସର୍ଚ୍ଚ ସଠିକତା ବ୍ୟାଗ୍ ଅଫ୍ ଫିଚର ଆଭିମୁଖ୍ୟ ସହିତ ତୁଳନାଯୋଗ୍ୟ । 10 ମିଲିୟନ ପ୍ରତିଛବି ଡାଟାସେଟକୁ ଖୋଜିବା ପାଇଁ 50 ସେକେଣ୍ଡ ଲାଗିଥାଏ । |
14815c67e4d215acf9558950e2762759229fe277 | ବାସ୍ତବ ଦୁନିଆର ଗ୍ରାଫକୁ ଦେଖି, ଆମେ ଏହାର କଡ଼କୁ କିପରି ବିସ୍ତାର କରିବା? ଆମେ ଏହାକୁ କିପରି ସଙ୍କୋଚନ କରିପାରିବା? ଏହି ପ୍ରଶ୍ନଗୁଡିକ ପରସ୍ପର ସହ ଘନିଷ୍ଠ ଭାବରେ ଜଡିତ ଏବଂ ବର୍ତ୍ତମାନ ପର୍ଯ୍ୟନ୍ତ ସାଧାରଣ ଆଭିମୁଖ୍ୟ ହେଉଛି କ୍ଲିକ୍ ପରି ସମ୍ପ୍ରଦାୟ ଖୋଜିବା, ଯେପରିକି କାବ୍ୟକର୍ମୀ ଗ୍ରାଫ୍ ଏବଂ ସେଗୁଡ଼ିକୁ ସଙ୍କୋଚନ କରିବା । ଆମେ ଦେଖାଇଛୁ ଯେ କାବ୍ୟକାର ଗ୍ରାଫ ର ବ୍ଲକ-ଆନୁପାତିକ ମାନସିକ ଚିତ୍ର ହେଉଛି ଭୁଲ ଦୃଷ୍ଟାନ୍ତ, ପୂର୍ଣ୍ଣ ଭାବରେ ପୂର୍ବ ଫଳାଫଳ ସହିତ ସହମତ ଯେ ବାସ୍ତବ ଦୁନିଆର ଗ୍ରାଫରେ ଭଲ କଟ ନାହିଁ । ଏହା ପରିବର୍ତ୍ତେ, ଆମେ ଗ୍ରାଫକୁ କଳ୍ପନା କରିବାକୁ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯେ ଏହା ହେଉଛି ସ୍ପେକ୍ ସଂଯୋଗ କରୁଥିବା ହବ୍ ର ଏକ ସଂଗ୍ରହ, ସୁପର-ହବ୍ ସହିତ ହବ୍ ସଂଯୋଗ କରିବା, ଏବଂ ଏହିପରି, ପୁନଃସ୍ଥାପନୀୟ ଭାବରେ । ଏହି ଧାରଣା ଉପରେ ଆଧାର କରି ଆମେ ସ୍ଲେସ୍ ବର୍ନ ପଦ୍ଧତି (ହବ୍ କୁ ଜାଳିବା ଏବଂ ବାକି ଗ୍ରାଫକୁ ଛୋଟ ଛୋଟ ସଂଯୁକ୍ତ ଉପାଦାନରେ କାଟିଦେବା) କୁ ପ୍ରସ୍ତାବ ଦେଉଛୁ । ଆମର ଦୃଷ୍ଟିକୋଣର ଅନେକ ସୁବିଧା ରହିଛି: (କ) ଏହା ନୋ ଗୁଡ୍ କଟ୍ ସମସ୍ୟାକୁ ଏଡ଼ାଇଥାଏ, (ଖ) ଏହା ଉତ୍ତମ ସଙ୍କୋଚନ ଦେଇଥାଏ, ଏବଂ (ଗ) ଏହା ମ୍ୟାଟ୍ରିକ୍ସ-ଭେକ୍ଟର ଅପରେସନ୍ ପାଇଁ ଦ୍ରୁତ କାର୍ଯ୍ୟକାରିତା ସମୟ ଦେଇଥାଏ, ଯାହା ଅଧିକାଂଶ ଗ୍ରାଫ୍ ପ୍ରୋସେସିଂ ଟୁଲ୍ସର ମେରୁଦଣ୍ଡ ଅଟେ । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଦର୍ଶାଏ ଯେ ଆମର ସ୍ଲେସ୍ ବର୍ନ ପଦ୍ଧତି ସମସ୍ତ ଡାଟାସେଟରେ ଅନ୍ୟ ପଦ୍ଧତିଗୁଡ଼ିକୁ କ୍ରମାଗତ ଭାବରେ ଅତିକ୍ରମ କରିଥାଏ, ଉତ୍ତମ ସଙ୍କୋଚନ ଏବଂ ଦ୍ରୁତ ଗତିରେ ଚାଲିବା ସମୟ ପ୍ରଦାନ କରିଥାଏ । |
5f09cb313b6fb14877c6b5be79294faf1f4f7f02 | ସୂଚନା ପ୍ରଣାଳୀ (ଆଇଏସ) ଏବଂ ସଂଗଠନ ରଣନୀତି ମଧ୍ୟରେ ସମ୍ପର୍କ ଏକ ବହୁ ଚର୍ଚ୍ଚିତ ବିଷୟ ହୋଇଛି, ଅଧିକାଂଶ ପୂର୍ବ ଅଧ୍ୟୟନ ସଂଗଠନ ରଣନୀତିକୁ ସକ୍ଷମ କରିବାରେ ଟେକ୍ନୋଲୋଜିର ଭୂମିକା ଉପରେ ଏକ ଅତ୍ୟନ୍ତ ସକାରାତ୍ମକ ଦୃଷ୍ଟିକୋଣ ନେଇଛି । ଏହି ସମୃଦ୍ଧ ଅଧ୍ୟୟନ ସତ୍ତ୍ୱେ, ଆଇଏସ କିପରି ନିର୍ଦ୍ଦିଷ୍ଟ ସଂଗଠନ ରଣନୀତିକୁ ସକ୍ଷମ କରେ ସେ ବିଷୟରେ ଅନୁଭବୀ ଅନୁସନ୍ଧାନର ଅଭାବ ରହିଛି । ପାଞ୍ଚଟି କେସ୍ ସଂଗଠନର ଗୁଣାତ୍ମକ ଅନୁଭବୀ ଅନୁସନ୍ଧାନ ମାଧ୍ୟମରେ ଏହି ଅନୁସନ୍ଧାନ ପାଞ୍ଚଟି ସାଂଗଠନିକ ରଣନୀତିକୁ ବାହାର କରେ ଯାହା IS ମାଧ୍ୟମରେ ବିଶେଷ ଭାବରେ ସକ୍ଷମ ହୋଇଥାଏ । ପାଞ୍ଚଟି ରଣନୀତି (i) ଜେନେରିକ-ହର୍ଟଲାଣ୍ଡ, (ii) ହସ୍ତଶିଳ୍ପ ଆଧାରିତ ଚୟନକର୍ତ୍ତା, (iii) ଆଡହକ, ଆଇଟି-ଚାଳିତ, (iv) କର୍ପୋରେଟିଭ-ଅର୍କେଷ୍ଟ୍ରେଟେଡ ଏବଂ (v) ଟ୍ରାନ୍ସଫରମେଟିଭ୍ ଏକ ଅନନ୍ୟ ଦୃଷ୍ଟିକୋଣ ପ୍ରଦାନ କରେ ଯେ ଆଇଏସ କିପରି ସଂଗଠନାତ୍ମକ ରଣନୀତିକୁ ସକ୍ଷମ କରେ । |
ad384ff98f002c16ccdb8264a631068f2c3287f2 | ବ୍ଲକଚେନ ପ୍ରଥମେ ୨୦୦୮ରେ ବିଟକଏନ [୧୦୫]ର ମୂଳ ପ୍ରଯୁକ୍ତି ଭାବରେ ଲୋକପ୍ରିୟତା ହାସଲ କରିଥିଲା । କିନ୍ତୁ ବର୍ତ୍ତମାନ ଏହା ବିଭିନ୍ନ ପ୍ରକାର ପ୍ରୟୋଗରେ ବ୍ୟବହୃତ ହେଉଛି ଏବଂ ୨୦୧୭ ସୁଦ୍ଧା ଏହା ୧୫୦ ବିଲିୟନ ଡଲାରରୁ ଅଧିକ ମୂଲ୍ୟର ଏକ ବିଶ୍ୱ ବଜାର ସୃଷ୍ଟି କରିଛି । ବ୍ଲକଚେନକୁ ପାରମ୍ପରିକ ବିତରିତ ଡାଟାବେସଠାରୁ ଭିନ୍ନ କରିଦେଉଛି ଏହା ଏକ ବିକେନ୍ଦ୍ରୀକୃତ ପରିବେଶରେ କାର୍ଯ୍ୟ କରିବା ପାଇଁ ଏକ ବିଶ୍ୱସ୍ତ ତୃତୀୟ ପକ୍ଷ ଉପରେ ନିର୍ଭର ନକରି । ତେଣୁ ସେମାନଙ୍କର ମୂଳ ବୈଷୟିକ ଉପାଦାନ ହେଉଛି ସହମତି: ନୋଡ ସମୂହ ମଧ୍ୟରେ କିପରି ଏକମତ ହେବ । ଏହା ପୂର୍ବରୁ ବଣ୍ଟିତ ସିଷ୍ଟମ ସମୁଦାୟରେ ବନ୍ଦ ସିଷ୍ଟମ ପାଇଁ ବ୍ୟାପକ ଭାବରେ ଅଧ୍ୟୟନ କରାଯାଇଛି, କିନ୍ତୁ ଏହାର ପ୍ରୟୋଗ ଖୋଲା ବ୍ଲକଚେନ୍ ପାଇଁ ଏହି କ୍ଷେତ୍ରକୁ ପୁନର୍ଜୀବିତ କରିଛି ଏବଂ ନୂତନ ଡିଜାଇନ୍ ର ଏକ ବିବିଧତା ସୃଷ୍ଟି କରିଛି । ସହମତି ପ୍ରୋଟୋକଲର ଅନ୍ତର୍ନିହିତ ଜଟିଳତା ଏବଂ ଏହାର ଦ୍ରୁତ ଓ ନାଟକୀୟ ବିକାଶ ଡିଜାଇନ୍ ଦୃଶ୍ୟପଟକୁ ପ୍ରସଙ୍ଗ କରିବା କଷ୍ଟକର କରିଥାଏ । ବ୍ଲକଚେନ ସହମତି ପ୍ରୋଟୋକଲର ବ୍ୟବସ୍ଥିତ ଏବଂ ବ୍ୟାପକ ଅଧ୍ୟୟନ କରି ଆମେ ଏହି ଆହ୍ୱାନର ମୁକାବିଲା କରୁଛୁ । କ୍ଲାସିକାଲ ସହମତି ପ୍ରୋଟୋକଲଗୁଡିକର ମୁଖ୍ୟ ବିଷୟଗୁଡିକ ଉପରେ ଆଲୋଚନା କରିବା ପରେ, ଆମେ ବର୍ଣ୍ଣନା କରୁଛୁ: (i) ପ୍ରୋଟୋକଲଗୁଡିକର କାର୍ଯ୍ୟ ପ୍ରମାଣ (ପିଓଡବ୍ଲୁ) ଉପରେ ଆଧାରିତ, (ii) ପ୍ରୁଫ୍-ଅଫ୍-ଏକ୍ସ (ପିଓଏକ୍ସ) ପ୍ରୋଟୋକଲଗୁଡିକ ଯାହା ପିଓଡବ୍ଲୁକୁ ଅଧିକ ଶକ୍ତି-ଦକ୍ଷ ବିକଳ୍ପ ସହିତ ବଦଳାଇଥାଏ, ଏବଂ (iii) ହାଇବ୍ରିଡ୍ ପ୍ରୋଟୋକଲଗୁଡିକ ଯାହା କ୍ଲାସିକାଲ ସହମତି ପ୍ରୋଟୋକଲଗୁଡିକର ରଚନା କିମ୍ବା ପରିବର୍ତ୍ତନ ଅଟେ । ଆମେ ସେମାନଙ୍କର କାର୍ଯ୍ୟଦକ୍ଷତା, ସୁରକ୍ଷା ଏବଂ ଡିଜାଇନ୍ ଗୁଣବତ୍ତା ମୂଲ୍ୟାଙ୍କନ କରିବା ପାଇଁ ଏକ ଢାଞ୍ଚା ବିକଶିତ କରୁଛୁ ଏବଂ ଏହାକୁ ଉପରୋକ୍ତ ପ୍ରୋଟୋକଲ୍ ବର୍ଗରେ ମୁଖ୍ୟ ବିଷୟଗୁଡିକର ବ୍ୟବସ୍ଥିତକରଣ ପାଇଁ ବ୍ୟବହାର କରୁଛୁ । ଏହି ମୂଲ୍ୟାୟନ ଆମକୁ ଗବେଷଣା କ୍ଷେତ୍ରରେ ଥିବା ଅଭାବ ଏବଂ ଆହ୍ୱାନଗୁଡ଼ିକୁ ଚିହ୍ନଟ କରିବାରେ ସହାୟକ ହୋଇଛି ଯାହା ପରବର୍ତ୍ତୀ ଗବେଷଣା ପ୍ରୟାସରେ ସମାଜ ପାଇଁ ବିଚାରଯୋଗ୍ୟ । |
aaaea1314570b6b692ff3cce3715ec9dada7c7aa | 60 GHz ଫାସ୍ଡ ମେଟ୍ରାଇ ସିଷ୍ଟମ ପାଇଁ ଏକ କମ ଖର୍ଚ୍ଚ, ସମ୍ପୂର୍ଣ୍ଣ ସମନ୍ୱିତ ଆଣ୍ଟିନା-ଇନ୍-ପ୍ୟାକେଜ୍ ସମାଧାନ ପ୍ରଦର୍ଶିତ ହୋଇଛି । ଷୋହଳଟି ପ୍ୟାଚ୍ ଆଣ୍ଟେନା 28 ମିମି × 28 ମିମି ବଲ୍ ଗ୍ରୀଡ୍ ଆରେରେ ଏକତ୍ରିତ ହୋଇଛି ଏବଂ ଏହା ସହିତ ଏକ ଫ୍ଲିପ୍ ଚିପ୍ ସଂଯୁକ୍ତ ଟ୍ରାନ୍ସମିଟର କିମ୍ବା ରିସିଭର ଆଇସି ଅଛି । ଏହି ପ୍ୟାକେଟଗୁଡ଼ିକ ନିମ୍ନ ତାପମାତ୍ରାରେ ସିଙ୍ଗିଲ୍ ଫାୟାର୍ଡ୍ ସିରାମିକ୍ ଟେକ୍ନୋଲୋଜି ବ୍ୟବହାର କରି ପ୍ରସ୍ତୁତ କରାଯାଇଛି । 60 GHz ଇଣ୍ଟରକନେକ୍ଟ, ଯେଉଁଥିରେ ଫ୍ଲିପ୍-ଚିପ୍ ଟ୍ରାଞ୍ଜିସନ୍ ଏବଂ ଭିଆଇଏସ୍ ସଂରଚନା ଅନ୍ତର୍ଭୁକ୍ତ, ସମ୍ପୂର୍ଣ୍ଣ ତରଙ୍ଗ ସିମୁଲେସନ୍ ବ୍ୟବହାର କରି ଅପ୍ଟିମାଇଜ୍ କରାଯାଇଛି । ଆନେକୋଏକ ଚାମ୍ବର ମାପ ସମସ୍ତ ଚାରୋଟି ଆଇଇଇଇ 802.15.3c ଚ୍ୟାନେଲରେ ~ 5 dBi ୟୁନିଟ ଆଣ୍ଟେନା ଲାଭ ଦେଖାଇଛି, ଯାହା ଉତ୍କୃଷ୍ଟ ମଡେଲ-ହାର୍ଡୱେୟାର ସମ୍ବନ୍ଧ ହାସଲ କରିଛି । ମୂଲ୍ୟାୟନ ବୋର୍ଡରେ ଲଗାଯାଇଥିବା ପ୍ୟାକେଜ ଟ୍ରାନ୍ସମିଟର ଏବଂ ରିସିଭର ଆଇସିଗୁଡ଼ିକରେ ୫.୩ ଗିଗାବାଇଟ/ସେକେଣ୍ଡ ପର୍ଯ୍ୟନ୍ତ ଡାଟା ବେଗ ସହିତ ବିମ୍-ଷ୍ଟେରେଡ୍, ଅଣ-ଲାଇନ୍ ଅଫ୍ ଭିଜିଲ୍ ଲିଙ୍କ୍ ପ୍ରଦର୍ଶନ କରାଯାଇଛି । |
0d3f6d650b1a878d5896e3b85914aeaeb9d78a4f | ଆଜି ଚିକିତ୍ସା କ୍ଷେତ୍ରରେ ଦେଖାଦେଇଥିବା ପ୍ରମୁଖ ସମସ୍ୟାଗୁଡ଼ିକର ଏକ ସମୀକ୍ଷା ଏବଂ ସମସ୍ୟାଗୁଡ଼ିକୁ "ପ୍ରତିରୋଧ" କରିପାରୁଥିବା ବୈଷୟିକ ସମାଧାନର ଆବଶ୍ୟକତା ସମ୍ପର୍କରେ ଆଲୋଚନା କରାଯାଇଛି । ଏହାପରେ, ସ୍ମାର୍ଟ ସାର୍ଟ ପରିଧାନଯୋଗ୍ୟ ମଦରବୋର୍ଡର ବିକାଶକୁ ସେନସର ଏବଂ ମନିଟରିଂ ଡିଭାଇସ ପାଇଁ ଏକ ପ୍ଲାଟଫର୍ମ ଭାବରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି ଯାହା ବ୍ୟକ୍ତିଙ୍କ ସ୍ୱାସ୍ଥ୍ୟ ଏବଂ କଲ୍ୟାଣକୁ ନିରବଚ୍ଛିନ୍ନ ଭାବରେ (ପ୍ରତ୍ୟକ୍ଷ ଏବଂ / କିମ୍ବା ଦୂର) ମନିଟରିଂ କରିପାରିବ । ଏହା ପରେ ଜୀବନ କାଳରେ ଏହି ଟେକ୍ନୋଲୋଜିର ପ୍ରୟୋଗ ଓ ପ୍ରଭାବ ଉପରେ ଆଲୋଚନା କରାଯିବ - ଏସଆଇଡିଏସକୁ ରୋକିବା ଠାରୁ ଆରମ୍ଭ କରି ବରିଷ୍ଠ ନାଗରିକଙ୍କ ପାଇଁ ସ୍ୱାଧୀନ ଜୀବନକୁ ସହଜ କରିବା ପର୍ଯ୍ୟନ୍ତ । ଶେଷରେ, ପୋଷାକ ପରିଧାନ କରି ବ୍ୟବହାର କରିବା ପାଇଁ ସୁବିଧାଜନକ, କିନ୍ତୁ ଆରାମଦାୟକ, ସ୍ୱାସ୍ଥ୍ୟସେବାର ପରିବର୍ତ୍ତନକୁ ଜାରି ରଖିବା ପାଇଁ ଭବିଷ୍ୟତରେ ହେବାକୁ ଥିବା ପ୍ରଗତିର ଉପସ୍ଥାପନା କରାଯାଇଛି । |
2a4a7d37babbab47ef62a60d9f0ea2cfa979cf08 | ସ୍ଥାନୀୟକରଣ ସମସ୍ୟା ହେଉଛି ଏକ ବେତାର ଆଡ-ହକ କିମ୍ବା ସେନସର ନେଟୱର୍କରେ ନୋଡକୁ ଏକ କୋର୍ଡିନେଟର ଆସାଇନମେଣ୍ଟ ନିର୍ଣ୍ଣୟ କରିବା ଯାହା ମାପିତ ଯୋଡା ନୋଡ ଦୂରତା ସହିତ ସମାନ ଅଟେ । ଏହି ସମସ୍ୟାର ଅଧିକାଂଶ ପ୍ରସ୍ତାବିତ ସମାଧାନ ମାନି ନେଇଥାଏ ଯେ ନୋଡଗୁଡ଼ିକ ପାଖରେ ଥିବା ଅନ୍ୟ ନୋଡଗୁଡ଼ିକର ଦୂରତା କିଛି ଦୂରତା ଟେକ୍ନୋଲୋଜି ବ୍ୟବହାର କରି ପାଇପାରିବେ । କିନ୍ତୁ ବିଭିନ୍ନ କାରଣରୁ, ଯେପରିକି ବାଧା ଏବଂ ବିଶ୍ୱସ୍ତ ସର୍ବଦିଗାନ୍ତ ଦୂରତା ସୂଚକର ଅଭାବ, ଏହି ଦୂରତା ସୂଚନା ପ୍ରଚଳିତ କ୍ଷେତ୍ରରେ ପାଇବା କଷ୍ଟକର । ଏପରିକି ନିକଟସ୍ଥ ନୋଡଗୁଡ଼ିକ ମଧ୍ୟରେ ଦୂରତା ଯୌଗିକ ଭାବରେ ଜଣା ପଡିଲେ ମଧ୍ୟ, ସମସ୍ୟାକୁ ଅନନ୍ୟ ଭାବରେ ସମାଧାନ କରିବା ପାଇଁ ଯଥେଷ୍ଟ ସୂଚନା ନଥାଇପାରେ । ଏହି କାଗଜରେ MAL, ଏକ ମୋବାଇଲ ସହାୟକ ସ୍ଥାନୀୟକରଣ ପଦ୍ଧତି ବିଷୟରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି ଯେଉଁଥିରେ ଏକ ମୋବାଇଲ ବ୍ୟବହାରକାରୀ ନୋଡ ଯୋଡି ମଧ୍ୟରେ ଦୂରତା ମାପିବାରେ ସହାୟତା କରନ୍ତି ଯେପର୍ଯ୍ୟନ୍ତ ଏହି ଦୂରତା ପ୍ରତିବନ୍ଧକଗୁଡ଼ିକ ଏକ "ବିଶ୍ୱସ୍ତରୀୟ କଠିନ * ସଂରଚନା ଗଠନ ନ କରେ ଯାହା ଏକ ଅନନ୍ୟ ସ୍ଥାନୀୟକରଣକୁ ଗ୍ୟାରେଣ୍ଟି ଦେଇଥାଏ । ଆମେ ମୋବାଇଲକୁ ଚଳାଇବା ପାଇଁ ଆବଶ୍ୟକୀୟ ପ୍ରତିବନ୍ଧକ ଏବଂ ସର୍ବନିମ୍ନ ମାପ ସଂଗ୍ରହ କରିବା ଆବଶ୍ୟକ; ଏହି ପ୍ରତିବନ୍ଧକଗୁଡିକ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଅଞ୍ଚଳରେ ମୋବାଇଲକୁ ଦୃଶ୍ୟମାନ ନୋଡଗୁଡିକର ସଂଖ୍ୟା ଉପରେ ନିର୍ଭର କରେ _ ନୋଡ ସ୍ଥାନୀୟକରଣ ପାଇଁ ଯଥେଷ୍ଟ ସଂଖ୍ୟକ ଦୂରତା ନମୁନା ସଂଗ୍ରହ କରିବା ପାଇଁ ମୋବାଇଲର ଗତିକୁ କିପରି ନିର୍ଦ୍ଦେଶିତ କରାଯିବ ତାହା ଆମେ ଦେଖାଇବୁ । ଆମେ ସିମୁଲେଶନ ଏବଂ ମାପକୁ ବ୍ୟବହାର କରି MALର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଅନୁସନ୍ଧାନ କରିବା ପାଇଁ କ୍ରିକେଟ ଅବସ୍ଥାନ ପ୍ରଣାଳୀ ବ୍ୟବହାର କରି ଏକ ଆଭ୍ୟନ୍ତରୀଣ ନିୟୋଜନରୁ ମାପ କରିଥାଉ, ବାସ୍ତବ ଦୁନିଆର ପରୀକ୍ଷଣରେ ପାଇଥାଉ ଯେ MALର ମଧ୍ୟମ ଯୋଡି ଦୂରତା ତ୍ରୁଟି ପ୍ରକୃତ ନୋଡ ଦୂରତାର 1.5% ରୁ କମ୍ ଅଟେ । |
e42838d321ece2ef7f8399c54d4dd856bfdbe4a4 | ଏହି ଅଧ୍ୟୟନରେ ଉପସ୍ଥାପିତ ହୋଇଥିବା କାର୍ଯ୍ୟ ଫେରାଇଟ ଆଧାରିତ ବ୍ରଡବ୍ୟାଣ୍ଡ ସମକକ୍ଷ ପରିବହନ-ଲାଇନ ଟ୍ରାନ୍ସଫର୍ମର ପାଇଁ ମଡେଲର ସଠିକତା ଉପରେ ଧ୍ୟାନ ଦେଇଥାଏ । ମୃଦୁ-ଫେରିଟ୍ସକୁ ବହୁଳ ଭାବରେ ଭିଏଚଏଫ/ୟୁଏଚଏଫ ଉପାଦାନରେ ବ୍ୟବହାର କରାଯାଇଥାଏ ଯାହା ନିମ୍ନ-କୋଣ ପାର୍ଶ୍ୱରେ ବ୍ୟାଣ୍ଡ ବିସ୍ତାରକୁ ଅନୁମତି ଦେଇଥାଏ । ଉଚ୍ଚ-ପ୍ରାନ୍ତ ପାର୍ଶ୍ୱରେ ଫ୍ରିକ୍ୱେନ୍ସି ପରଫରମାନ୍ସର ଅବକ୍ଷୟ ଉଭୟ ଫେରିଟ୍ କ୍ଷତି ଦ୍ୱାରା ଏବଂ ଉଚ୍ଚ ଶକ୍ତି ପ୍ରୟୋଗରେ ଥର୍ମାଲ୍ ଏବଂ ବୈଦ୍ୟୁତିକ ଗ୍ରାଉଣ୍ଡ ସହିତ ସଂଯୋଗ ହେତୁ ପରଜୀବୀ କ୍ଷମତାରେ ସୃଷ୍ଟି ହୁଏ । ଏଥିରେ କମ ଶକ୍ତି ପ୍ରୟୋଗ ପାଇଁ ଏକ ସର୍କିଟ ମଡେଲ ଏବଂ ଅଧିକ ଶକ୍ତି ପ୍ରୟୋଗ ପାଇଁ ଏକ ସ୍କେଲେବଲ ଇ.ଏମ. ମଡେଲର ଉପସ୍ଥାପନା କରାଯାଇଛି ଏବଂ ଆଲୋଚନା କରାଯାଇଛି । |
536c6d5e59a05da27153303a19e0274262affdcd | ଗଭୀର ନ୍ୟୁରାଲ ନେଟୱାର୍କରେ ଅପ୍ଟିମାଇଜେସନର ଗତିଶୀଳତାକୁ ବୁଝିବା ପାଇଁ, ଆମେ ଅପ୍ଟିମାଇଜେସନର ପ୍ରକ୍ରିୟା ସମୟରେ ସମଗ୍ର ହେସିୟାନ ସ୍ପେକ୍ଟ୍ରମର ବିକାଶକୁ ଅଧ୍ୟୟନ କରିବା ପାଇଁ ଏକ ଉପକରଣ ବିକଶିତ କରିଛୁ । ଏହାକୁ ବ୍ୟବହାର କରି, ଆମେ ଗଭୀର ଶିକ୍ଷଣ ସାହିତ୍ୟରେ ସୂକ୍ଷ୍ମତା, ବକ୍ରତା ଏବଂ ତୀକ୍ଷ୍ଣତା ସମ୍ବନ୍ଧରେ ଅନେକ କଳ୍ପନା ଅଧ୍ୟୟନ କରୁ । ଆମେ ସ୍ପେକ୍ଟ୍ରମର ଏକ ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ ସଂରଚନାତ୍ମକ ବିଶେଷତ୍ବକୁ ଭଲଭାବରେ ବିଶ୍ଳେଷଣ କରିଥାଉ: ନନ୍-ବ୍ୟାଚ୍ ନର୍ମାଲାଇଜ୍ଡ ନେଟୱର୍କରେ, ଆମେ ସ୍ପେକ୍ଟ୍ରମରେ ବଡ଼ ଆଇସୋଲେଟେଡ୍ ଇଜେନ୍ ଭାଲ୍ୟୁଗୁଡିକର ଦ୍ରୁତ ଦୃଶ୍ୟମାନତା, ଅନୁରୂପ ଇଜେନ୍ସ୍ପେସରେ ଗ୍ରାଡିଏଣ୍ଟର ଏକ ଆଶ୍ଚର୍ଯ୍ୟଜନକ ଏକାଗ୍ରତା ସହିତ ଲକ୍ଷ୍ୟ କରିଥାଉ । ବ୍ୟାଚ୍ ନର୍ମାଲୀକୃତ ନେଟୱର୍କରେ, ଏହି ଦୁଇଟି ପ୍ରଭାବ ପ୍ରାୟତଃ ନଥାଏ । ଆମେ ଏହି ପ୍ରଭାବର ବର୍ଣ୍ଣନା କରିଛୁ, ଏବଂ ଏହା କିଭଳି ଭାବେ ଅପ୍ଟିମାଇଜେସନ୍ ସ୍ପିଡ୍କୁ ପ୍ରଭାବିତ କରିଥାଏ ତାହା ଉଭୟ ଥିଓରୀ ଏବଂ ପରୀକ୍ଷଣ ମାଧ୍ୟମରେ ବର୍ଣ୍ଣନା କରିଛୁ । ଏହି କାର୍ଯ୍ୟର ଅଂଶବିଶେଷ ସ୍ୱରୂପ, ଆମେ ସଂଖ୍ୟାଗତ ରେଖାଗତ ବୀଜାଣୁମଣ୍ଡଳରୁ ଉନ୍ନତ ଉପକରଣଗୁଡ଼ିକୁ ଗ୍ରହଣ କରିଥାଉ ଯାହା ଇମେଜନେଟ୍-ମାପକ ନ୍ୟୁରାଲ ନେଟୱାର୍କର ସମଗ୍ର ହେସିୟାନ ସ୍ପେକ୍ଟ୍ରମର ସ୍କେଲେବଲ୍ ଏବଂ ସଠିକ୍ ଆକଳନକୁ ଅନୁମତି ଦେଇଥାଏ; ଏହି କୌଶଳ ଅନ୍ୟ ପ୍ରୟୋଗଗୁଡ଼ିକରେ ସ୍ୱାଧୀନ ଆଗ୍ରହର ହୋଇପାରେ । |
8acf78df5aa283f02d3805867e1dd1c6a97f389b | ଆର୍ଟିକିଲ ଇତିହାସ: 27 ଅଗଷ୍ଟ 2010 ରେ ଗ୍ରହଣ କରାଯାଇଥିଲା 23 ଡିସେମ୍ବର 2010 ରେ ସଂଶୋଧିତ ରୂପରେ ଗ୍ରହଣ କରାଯାଇଥିଲା 6 ଜାନୁଆରୀ 2011 ରେ ଗ୍ରହଣ କରାଯାଇଥିଲା ପାରମ୍ପରିକ ଅଡିଟ୍ ପାରାଡିଗମ୍ ରିଅଲ୍ ଟାଇମ୍ ଅର୍ଥନୀତିରେ ପୁରୁଣା ହୋଇ ଯାଇଛି । ବାସ୍ତବ ସମୟର ଆଶ୍ୱାସନାକୁ ସମର୍ଥନ କରିବା ପାଇଁ ପାରମ୍ପରିକ ଅଡିଟ୍ ପ୍ରକ୍ରିୟାରେ ନବସୃଜନ ଆବଶ୍ୟକ । ପାରମ୍ପରିକ ଅଡିଟ ପାରାଡିଗମର ସମ୍ଭାବ୍ୟ ଉତ୍ତରାଧିକାରୀ ଭାବେ ନିରନ୍ତର ଅଡିଟକୁ ଗବେଷଣା କରୁଛନ୍ତି । ପ୍ରଯୁକ୍ତି ଏବଂ ସ୍ୱୟଂଚାଳିତ ବ୍ୟବହାର କରି ନିରନ୍ତର ଅଡିଟ ପଦ୍ଧତି ଅଡିଟ ପ୍ରକ୍ରିୟାର ଦକ୍ଷତା ଏବଂ ପ୍ରଭାବକୁ ବୃଦ୍ଧି କରିଥାଏ । ଏହି କାଗଜରେ ସାତଟି ଦିଗରୁ ନିରନ୍ତର ଅଡିଟିଂ ପଦ୍ଧତି କିପରି ଭାବେ ଅଭିନବତାକୁ କାର୍ଯ୍ୟରେ ପ୍ରୟୋଗ କରେ ତାହା ବର୍ଣ୍ଣନା କରାଯାଇଛି ଏବଂ ଭବିଷ୍ୟତର ଗବେଷଣାକୁ ଆଗେଇ ନେବା ପାଇଁ ଏକ ଚାରି-ସ୍ତରୀୟ ଦୃଷ୍ଟିକୋଣ ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି । ଏହାବ୍ୟତୀତ, ଆମେ ବୃତ୍ତିଗତ ଏବଂ ଏକାଡେମିକ ଗବେଷକଙ୍କ ପାଇଁ ଭବିଷ୍ୟତର ଆଶ୍ୱାସନା ସମ୍ବନ୍ଧରେ ବିଭିନ୍ନ ପଦ୍ଧତିଗତ ପ୍ରସ୍ତାବ ପ୍ରସ୍ତୁତ କରୁଛୁ । © 2011 ଏଲ୍ସେଭିୟର ଇନକ. ସମସ୍ତ ଅଧିକାର ସଂରକ୍ଷିତ. |
45fcbb3149fdb01a130f5f013a4713328ee3e3c7 | ବର୍ଣ୍ଣନାତ୍ମକ ବକ୍ତବ୍ୟର ମଡେଲ |
b3dbdd8859e9a38712816dddf221843a5cae95a8 | ସାମାଜିକ ଉଦ୍ୟୋଗୀତା (ଏସଇ) ଉପରେ ଗବେଷଣା ବୃଦ୍ଧି ପାଉଥିଲେ ମଧ୍ୟ ଏସଇ ରଣନୀତି ସମ୍ପର୍କରେ ଭଲ ଭାବେ ବୁଝା ପଡ଼ୁନାହିଁ । ସାମାଜିକ ସକ୍ରିୟତା ଏବଂ ସାମାଜିକ ପରିବର୍ତ୍ତନ, ସଶକ୍ତିକରଣ ଏବଂ ଏସଇ ମଡେଲ ଉପରେ ବର୍ତ୍ତମାନର ଗବେଷଣାକୁ ଆଧାର କରି ଆମେ ବିଶ୍ୱର ସର୍ବବୃହତ ଏସଇ ସହାୟତା ସଂଗଠନ ଅଶୋକା ସହିତ ଜଡିତ ୨୩୩୪ ସାମାଜିକ ଉଦ୍ୟୋଗୀଙ୍କ ଦ୍ୱାରା ବ୍ୟବହୃତ ରଣନୀତିକୁ ଅନୁସନ୍ଧାନ, ଶ୍ରେଣୀଭୁକ୍ତ ଏବଂ ବୈଧତା ପ୍ରଦାନ କରିଛୁ । ସାମାଜିକ ଉଦ୍ୟୋଗୀମାନଙ୍କ ରଣନୀତି ପ୍ରୋଫାଇଲର ବିଷୟ ମଡେଲିଂର ଫଳାଫଳରୁ ଜଣାପଡିଛି ଯେ ସେମାନେ ମୋଟ 39ଟି ପରିବର୍ତ୍ତନକାରୀ ରଣନୀତି ବ୍ୟବହାର କରିଛନ୍ତି ଯାହା ସମ୍ବଳ (ମାଳାତ୍ମକ ବନାମ ସାଙ୍କେତିକ ରଣନୀତି), ନିର୍ଦ୍ଦିଷ୍ଟତା (ସାଧାରଣ ବନାମ ନିର୍ଦ୍ଦିଷ୍ଟ ରଣନୀତି) ଏବଂ ଅଂଶଗ୍ରହଣର ଉପାୟ (ଜନତା ବନାମ ଉଚ୍ଚବର୍ଗର ଅଂଶଗ୍ରହଣ ରଣନୀତି) ମଧ୍ୟରେ ଭିନ୍ନ ଅଟେ; ସେମାନେ ମଧ୍ୟ ଅଭ୍ୟାସ ଏବଂ ସମୟର ବିଭିନ୍ନ କ୍ଷେତ୍ରରେ ଭିନ୍ନ ଅଟନ୍ତି । ଶେଷରେ, ଆମେ ଛଅଟି ମେଟା-ଏସଇ ରଣନୀତି ଚିହ୍ନଟ କରିଛୁ-ଏହା ୩୯ଟି ରଣନୀତିରୁ ହ୍ରାସ ପାଇଛି-ଏବଂ ଚାରୋଟି ନୂତନ ମେଟା-ଏସଇ ରଣନୀତି ଚିହ୍ନଟ କରାଯାଇଛି (ଅର୍ଥାତ, ସିଷ୍ଟମ ସଂସ୍କାର, ଭୌତିକ ପୁଞ୍ଜି ବିକାଶ, ପ୍ରମାଣ ଆଧାରିତ ପଦ୍ଧତି ଏବଂ ପ୍ରୋଟୋଟାଇପିଂ) ଯାହା ପୂର୍ବ SE ଅନୁସନ୍ଧାନରେ ଅଣଦେଖା କରାଯାଇଛି । ଆମର ଏହି ଆବିଷ୍କାରଗୁଡ଼ିକ ଏସଇ ରଣନୀତି ଉପରେ ଗବେଷଣାକୁ ବିସ୍ତାରିତ ଓ ଗଭୀର କରିବ ଏବଂ ଏସଇ ରଣନୀତିର ଏକ ବ୍ୟାପକ ମଡେଲ ପ୍ରଦାନ କରିବ ଯାହା ତତ୍ତ୍ୱ, ବ୍ୟବହାର ଓ ନୀତି ନିର୍ଦ୍ଧାରଣରେ ଅଗ୍ରଗତି କରିବ । |
7ca3809484eb57c509acc18b016e9b010759dfa1 | ଏହି ବିପରୀତ ସମସ୍ୟାର ସ୍ୱଭାବିକତା କାରଣରୁ ପ୍ରତିଛବି ସୃଷ୍ଟି ପ୍ରକ୍ରିୟାକୁ ଅପସାରଣ କରିବା ଏବଂ ତେଣୁ ଏହାର ଆଭ୍ୟନ୍ତରୀଣ ଗୁଣରେ ରୂପକୁ ବିଭାଜନ କରିବା ଏକ ଆହ୍ୱାନପୂର୍ଣ୍ଣ କାର୍ଯ୍ୟ । କେବଳ ଛବିରୁ ଆକୃତି, ସାମଗ୍ରୀ ଏବଂ ଆଲୋକ ନିର୍ଦ୍ଧାରଣ କରିବାରେ ଯଥେଷ୍ଟ ଅଗ୍ରଗତି କରାଯାଇଥିଲେ ମଧ୍ୟ, ଏକ ଅସଂଯୋଜିତ ପରିବେଶରେ ଅଗ୍ରଗତି ଏପର୍ଯ୍ୟନ୍ତ ସୀମିତ ରହିଛି । ଆମେ ପ୍ରାକୃତିକ ଆଲୋକୀକରଣ ପରିସ୍ଥିତିରେ ସ୍ପେକୁଲାର ସାମଗ୍ରୀର ପ୍ରତିଫଳନ ମାନଚିତ୍ରକୁ ଆକଳନ କରିବା ପାଇଁ ଏକ କଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ସ୍ଥାପତ୍ୟ ପ୍ରସ୍ତାବ ଦେଉଛୁ । ଆମେ ଏହାକୁ ଏକ ଏଣ୍ଡ-ଟୁ-ଏଣ୍ଡ ଲର୍ଣ୍ଣିଂ ଫର୍ମୁଲେସନ୍ରେ ହାସଲ କରିଥାଉ ଯାହା ସିଧାସଳଖ ପ୍ରତିଛବିରୁ ଏକ ପ୍ରତିଫଳନ ମାନଚିତ୍ରକୁ ପୂର୍ବାନୁମାନ କରିଥାଏ । ଆମେ ଦେଖାଇବୁ ଯେ କିପରି ଆକଳନକୁ ଉନ୍ନତ କରାଯାଇପାରିବ, ଏକ ପରୋକ୍ଷ ଯୋଜନାରେ ଅତିରିକ୍ତ ତଦାରଖକୁ ସହଜ କରି ଯାହା ପ୍ରଥମେ ପୃଷ୍ଠଭୂମିର ଦିଗକୁ ପୂର୍ବାନୁମାନ କରେ ଏବଂ ପରେ ଶିକ୍ଷା-ଆଧାରିତ ବିରଳ ତଥ୍ୟ ଅନ୍ତଃସରଣ ଦ୍ୱାରା ପ୍ରତିଫଳନ ମାନଚିତ୍ରକୁ ପୂର୍ବାନୁମାନ କରେ । ଏହି କଠିନ କାର୍ଯ୍ୟରେ ପ୍ରଦର୍ଶନକୁ ବିଶ୍ଳେଷଣ କରିବା ପାଇଁ ଆମେ ଏକ ନୂଆ ଚ୍ୟାଲେଞ୍ଜର ପ୍ରସ୍ତାବ ଦେଉଛୁ । ଏହାବ୍ୟତୀତ ଆମେ ବାସ୍ତବିକ ଚିତ୍ରରେ ବିଭିନ୍ନ ପ୍ରକାର ଚିତ୍ର ସମ୍ପାଦନା କାର୍ଯ୍ୟରେ ଆମର ପଦ୍ଧତିର ପ୍ରୟୋଗକୁ ଦେଖାଇବୁ । |
c1742ca74f40c44dae2af6a992e569edc969c62c | ଏହି ଦସ୍ତାବିଜରେ କାର୍ଯ୍ୟକାରୀ ଫିଲ୍ଟର ଏବଂ ଆଣ୍ଟେନା ଭଳି ଅନ୍ୟାନ୍ୟ ନିଷ୍କ୍ରିୟ ଉପକରଣର ଶୀଘ୍ର, ସରଳ ଏବଂ ସୁଲଭ ଉତ୍ପାଦନ ପାଇଁ 3D ପ୍ଲାଷ୍ଟିକ ପ୍ରିଣ୍ଟର ଦ୍ୱାରା ଦିଆଯାଇଥିବା ସମ୍ଭାବନାର ଏକ ସମୀକ୍ଷା ପ୍ରଦାନ କରାଯାଇଛି । ଏହି ଦସ୍ତାବିଜରେ ଫ୍ୟୁଜଡ୍ ଡିପୋଜିସନ୍ ମଡେଲିଂ (ଏଫଡିଏମ୍) ଏବଂ ମେଟାଲିୟମ୍ ଜେଟିଂ (ପୋଲିଜେଟ୍) ପ୍ରଯୁକ୍ତିରେ ନିର୍ମିତ ନିଷ୍କ୍ରିୟ ଉପକରଣର ଅନେକ ଉଦାହରଣ ଦିଆଯାଇଛି ଏବଂ ଏହା ଉପରେ ଆଲୋକପାତ କରାଯାଇଛି ଯେ କିଭଳି ଭାବେ ଏଗୁଡ଼ିକ ବର୍ତ୍ତମାନ କୁ ଏବଂ ଉଚ୍ଚ ବ୍ୟାଣ୍ଡ ପର୍ଯ୍ୟନ୍ତ ଅପ୍ଟିମାଇଜେସନ୍ ପ୍ରକ୍ରିୟାରେ ଏଫଏଫ୍ ଡିଜାଇନରଙ୍କ ପାଇଁ ଏକ ଦୃଢ଼ ସହଯୋଗୀ ଭାବେ ବିବେଚନା କରାଯାଇପାରିବ । |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.