_id
stringlengths 40
40
| text
stringlengths 0
9.6k
|
|---|---|
41d3fefdb1843abc74834226256a25ad0eea697a | Rn ରେ ଦୁଇଟି ପାରାମିଟର ସ୍ପେସ୍ କୁ ବିଚାର କରାଯାଏ - ସମ୍ଭାବନା ସିମ୍ପ୍ଲେକ୍ସ ଏବଂ ୟୁନିଟ୍ ସ୍ପେର୍ । ପ୍ରଥମ ସ୍ଥାନଟି ଷ୍ଟକ୍ ପୋର୍ଟଫୋଲିଓରେ ବିପଦକୁ କମ୍ କରିବା ସମସ୍ୟା ସହିତ ଜଡିତ ଏବଂ ଦ୍ୱିତୀୟ ସ୍ଥାନଟି ସର୍ବନିମ୍ନ ସ୍ୱୟଂ ମୂଲ୍ୟ ସହିତ ମୋଟ କୋଭାରିଏନ୍ସ ମ୍ୟାଟ୍ରିକ୍ସ $\sum_{t=1}^{T} \boldsymbol {C}^{t}$ ସହିତ ସ୍ୱୟଂ ଭେକ୍ଟରର ଅନଲାଇନ୍ ଗଣନା ପାଇଁ ପରିଚାଳିତ ହୋଇଥାଏ । ପ୍ରଥମ ପାରାମିଟର ସ୍ପେସ୍ ପାଇଁ ଆମେ ଏକ୍ସପୋନେଣ୍ଟେଟେଡ୍ ଗ୍ରାଡିଏଣ୍ଟ ଆଲଗୋରିଦମ ପ୍ରୟୋଗ କରିଥାଉ ଯାହା ଏକ ଆପେକ୍ଷିକ ଏଣ୍ଟ୍ରୋପି ନିୟମିତକରଣ ଦ୍ୱାରା ପ୍ରେରିତ । ଦ୍ୱିତୀୟ କ୍ଷେତ୍ରରେ, ଆଲଗୋରିଦମକୁ ସମସ୍ତ ଏକକ ଦିଗ u ଉପରେ ଅନିଶ୍ଚିତତା ସୂଚନା ବଜାୟ ରଖିବାକୁ ପଡିବ । ଏହି ଉଦ୍ଦେଶ୍ୟରେ, ଦିଗଗୁଡ଼ିକୁ ଡାୟାଡସ୍ uu ଭାବରେ ଦର୍ଶାଯାଇଥାଏ ଏବଂ ସମସ୍ତ ଦିଗ ଉପରେ ଅନିଶ୍ଚିତତାକୁ ଡାୟାଡସ୍ ର ମିଶ୍ରଣ ଭାବରେ ଦର୍ଶାଯାଇଥାଏ ଯାହା ଏକ ଘନତା ମାଟ୍ରିକ୍ସ ଅଟେ । ଘନତା ମାଟ୍ରିକ୍ସ ପାଇଁ ପ୍ରେରଣାଦାୟୀ ବିଭେଦ ହେଉଛି ଆପେକ୍ଷିକ ଏଣ୍ଟ୍ରୋପିର କ୍ୱାଣ୍ଟମ ସଂସ୍କରଣ ଏବଂ ଏହାର ପରିଣାମ ଆଲଗୋରିଦମ ହେଉଛି ମାଟ୍ରିକ୍ସ ଏକ୍ସପୋନେଣ୍ଟେଡ୍ ଗ୍ରାଡିଏଣ୍ଟ ଆଲଗୋରିଦମର ଏକ ବିଶେଷ ମାମଲା । ପ୍ରତ୍ୟେକ ଦୁଇଟି କ୍ଷେତ୍ରରେ ଆମେ ଶ୍ରେଷ୍ଠ ଅଫଲାଇନ ପାରାମିଟର ଉପରେ ଅନଲାଇନ ଆଲଗୋରିଦମ ଦ୍ୱାରା ସୃଷ୍ଟି ହୋଇଥିବା ଅତିରିକ୍ତ ସମୁଦାୟ ଭାରିଆନ୍ସ ଉପରେ ସୀମା ପ୍ରମାଣିତ କରୁ । ଆମେ ନିମ୍ନଲିଖିତ ପ୍ରକାରର ଅନଲାଇନ ବିବର୍ତ୍ତନ କ୍ଷୁଦ୍ରକରଣ ସମସ୍ୟାକୁ ବିଚାର କରିବା: ପ୍ରତ୍ୟେକ ପରୀକ୍ଷଣ t ରେ ଆମର ଆଲଗୋରିଦମ ଏକ ସହ-ବିବର୍ତ୍ତନ ମାଟ୍ରିକ୍ସ C t ପାଇଥାଏ ଏବଂ ଏପରି ଏକ ପାରାମିଟର ଭେକ୍ଟର w t−1 ଚୟନ କରିବାକୁ ଚେଷ୍ଟା କରିଥାଏ ଯାହା ଦ୍ବାରା ପରୀକ୍ଷଣର କ୍ରମ ଉପରେ ମୋଟ ବିବର୍ତ୍ତନ $\sum_{t=1}^{T} (\boldsymbol {w}^{t-1}) ^{\top} \boldsymbol {C}^{t}\boldsymbol {w}^{t-1}$ ସର୍ବୋତ୍ତମ ପାରାମିଟର ଭେକ୍ଟର u ର ମୋଟ ବିବର୍ତ୍ତନ ଠାରୁ ଅଧିକ ନୁହେଁ । |
4f22ad9252ba60f5971c627e686458b220b53110 | ଏହି ପତ୍ରରେ ନୈତିକ ତତ୍ତ୍ବ ଉପରେ ସାମ୍ପ୍ରତିକ ସାହିତ୍ୟର ସମୀକ୍ଷା କରାଯାଇଛି, କାରଣ ଏହା ଭର୍ଚୁଆଲ୍ ବ୍ୟବସାୟ ପରିବେଶରେ (ଇ-ନୈତିକତା) ଏବଂ ଭର୍ଚୁଆଲ୍ ପ୍ରକଳ୍ପ ନେତୃତ୍ୱରେ ନୈତିକ ନେତୃତ୍ୱ ସହିତ ଜଡିତ । ଭର୍ଚୁଆଲ ପ୍ରକଳ୍ପ ପରିଚାଳନା ସମ୍ବନ୍ଧରେ ନୈତିକ ତତ୍ତ୍ବ ସମୀକ୍ଷା କରାଯାଏ, ଯେପରିକି ସହଭାଗୀ ପରିଚାଳନା, ଥିଓରୀ Y, ଏବଂ ଉପଯୋଗୀତାବାଦ ସହିତ ଏହାର ସମ୍ପର୍କ; କାଣ୍ଟିଆନ ନୈତିକତା, ପ୍ରେରଣା ଏବଂ ବିଶ୍ୱାସ; ଗୋଷ୍ଠୀଗତ ନୈତିକତା, ଯତ୍ନ ଏବଂ ସମାନତାବାଦର ନୈତିକତା; ଅଂଶୀଦାର ଥିଓରୀ; ଏବଂ ରାଜନୈତିକ କୌଶଳର ବ୍ୟବହାର । ଇ-ନୈତିକ ନେତୃତ୍ୱ ପାଇଁ ଆହ୍ୱାନଗୁଡ଼ିକ ଉପସ୍ଥାପିତ କରାଯାଇଛି ଏବଂ ଏହି ପ୍ରସଙ୍ଗଗୁଡ଼ିକର ପ୍ରତିକ୍ରିୟା ଉପରେ ଆଲୋଚନା କରାଯାଇଛି । ଏହି ଫଳାଫଳ ଭବିଷ୍ୟତର ଗବେଷଣା ପାଇଁ ଚାରୋଟି ପ୍ରସ୍ତାବ ଉପସ୍ଥାପନ କରିଛି । ଏହି ଲେଖାର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଇ-ନୈତିକତା ଉପରେ ମାଧ୍ୟମିକ ସାହିତ୍ୟ ଚିହ୍ନଟ କରିବା ଏବଂ ବ୍ୟବସାୟିକ ନୈତିକତାର ଏହି ନୂତନ କ୍ଷେତ୍ର କିପରି ଭର୍ଚୁଆଲ୍ ପ୍ରକଳ୍ପ ଦଳର ନେତାମାନଙ୍କୁ ପ୍ରଭାବିତ କରିପାରେ । ୨୦୦୮ ଏଲ୍ସେଭିୟର ଲିମିଟେଡ୍ ଏବଂ ଆଇପିଏମଏ ସମସ୍ତ ଅଧିକାର ସଂରକ୍ଷିତ. |
262f97abfaab2ebef1cb0bc0d189f54851ce876b | ଏକାଧିକ ତଥ୍ୟ ସେଟକୁ ମିଳିତ ଭାବେ ଖନନ କରିବା ଦ୍ୱାରା ଆକର୍ଷଣୀୟ, ନୂଆ ଏବଂ ନିର୍ଭରଯୋଗ୍ୟ ନମୁନା ମିଳିଥାଏ, ଯାହା କେବଳ ଗୋଟିଏ ଉତ୍ସରୁ ମିଳି ନଥାଏ । ଉଦାହରଣ ସ୍ୱରୂପ, କ୍ରସ ମାର୍କେଟ ଗ୍ରାହକ ବିଭାଗୀକରଣରେ, ଏକାଧିକ ବଜାରରେ ସମାନ ଭାବରେ ବ୍ୟବହାର କରୁଥିବା ଗ୍ରାହକମାନଙ୍କର ଏକ ଗୋଷ୍ଠୀକୁ ଏକକ ବଜାରରେ ମିଳୁଥିବା କ୍ଲଷ୍ଟର ଅପେକ୍ଷା ଅଧିକ ସୁସଂଗତ ଏବଂ ଅଧିକ ନିର୍ଭରଯୋଗ୍ୟ ଭାବରେ ବିବେଚନା କରାଯିବା ଉଚିତ । ଅନ୍ୟ ଏକ ଉଦାହରଣ ସ୍ୱରୂପ, ଜୈବ ସୂଚନା ବିଜ୍ଞାନରେ, ଜିନ ଅଭିବ୍ୟକ୍ତି ତଥ୍ୟ ଏବଂ ପ୍ରୋଟିନ ପାରସ୍ପରିକ କାର୍ଯ୍ୟର ତଥ୍ୟର ମିଳିତ ଖନନ ଦ୍ୱାରା, ଆମେ ଜିନର କ୍ଲଷ୍ଟର ପାଇପାରିବା ଯାହା ସୁସଂଗତ ଅଭିବ୍ୟକ୍ତି ପଦ୍ଧତି ଦେଖାଏ ଏବଂ ପାରସ୍ପରିକ କାର୍ଯ୍ୟ କରୁଥିବା ପ୍ରୋଟିନ୍ ମଧ୍ୟ ଉତ୍ପାଦନ କରେ । ଏହିପରି କ୍ଲଷ୍ଟରଗୁଡ଼ିକ ସମ୍ଭାବ୍ୟ ପଥ ହୋଇପାରେ । ଏହି କାଗଜରେ, ଆମେ ଏକ ନୂତନ ତଥ୍ୟ ଖନନ ସମସ୍ୟା, ଖନନ କ୍ରସ-ଗ୍ରାଫ୍ କ୍ୱାସି-କ୍ଲିକ୍ ଅନୁସନ୍ଧାନ କରୁଛୁ, ଯାହା କ୍ରସ-ମାର୍କେଟ ଗ୍ରାହକ ସେଗମେଣ୍ଟେସନ୍ ଏବଂ ଜିନ ଅଭିବ୍ୟକ୍ତି ତଥ୍ୟ ଏବଂ ପ୍ରୋଟିନ୍ ପାରସ୍ପରିକ ତଥ୍ୟର ମିଳିତ ଖନନ ପରି ଅନେକ ଆକର୍ଷଣୀୟ ପ୍ରୟୋଗରୁ ସାଧାରଣ ଅଟେ । ଆମେ କ୍ରସ ଗ୍ରାଫ କ୍ୱାସି କ୍ଲିକ୍ସର ମାଇନିଂ ପାଇଁ ଏକ ସାଧାରଣ ମଡେଲ ତିଆରି କରିଛୁ, ପୂର୍ବ ଡାଟା ମାଇନିଂ ପଦ୍ଧତି ଦ୍ୱାରା କ୍ରସ ଗ୍ରାଫ କ୍ୱାସି କ୍ଲିକ୍ସର ସମ୍ପୂର୍ଣ୍ଣ ସେଟ କାହିଁକି ମିଳିପାରିବ ନାହିଁ ତାହା ଦର୍ଶାଇଛୁ ଏବଂ ସମସ୍ୟାର ଜଟିଳତା ଅଧ୍ୟୟନ କରିଛୁ । ସମସ୍ୟାଟି କଷ୍ଟକର ହୋଇଥିଲେ ମଧ୍ୟ ଆମେ ଏକ ଦକ୍ଷ ଆଲଗୋରିଦମ ବିକଶିତ କରିଛୁ, କ୍ରୋଚେଟ୍, ଯାହା ଅନେକ ଆକର୍ଷଣୀୟ ଏବଂ ପ୍ରଭାବଶାଳୀ କୌଶଳ ଏବଂ ହେରିଷ୍ଟିକ୍ସକୁ ବ୍ୟବହାର କରି କ୍ରସ ଗ୍ରାଫ କ୍ୱାସି-କ୍ଲିକ୍ ଗୁଡ଼ିକୁ ପ୍ରଭାବଶାଳୀ ଭାବରେ ଖନନ କରିଥାଏ । ଉଭୟ ସିନ୍ଥେଟିକ୍ ଏବଂ ପ୍ରକୃତ ତଥ୍ୟ ସେଟ୍ ଉପରେ ଏକ ବ୍ୟବସ୍ଥିତ କାର୍ଯ୍ୟଦକ୍ଷତା ଅଧ୍ୟୟନ ରିପୋର୍ଟ କରାଯାଇଛି । ଆମେ ଜୈବ ସୂଚନା ବିଜ୍ଞାନରେ କିଛି ରୋଚକ ଏବଂ ଅର୍ଥପୂର୍ଣ୍ଣ କ୍ରସ ଗ୍ରାଫ କ୍ୱାସି-କ୍ଲିକ୍ସର ପ୍ରଦର୍ଶନ କରିଛୁ । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ମଧ୍ୟ ଦର୍ଶାଉଛି ଯେ କ୍ରୋଚେଟ ଆଲଗୋରିଦମ ଦକ୍ଷ ଏବଂ ମାପଯୋଗ୍ୟ । |
26196511e307ec89466af06751a66ee2d95b6305 | ଅନେକ ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ କାର୍ଯ୍ୟ ପାଇଁ ମାନବ ଭାଷାଗତ ଟିପ୍ପଣୀ ଅତ୍ୟନ୍ତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କିନ୍ତୁ ଏହା ମହଙ୍ଗା ଏବଂ ସମୟସାପେକ୍ଷ ହୋଇପାରେ । ଆମେ ଆମାଜନ୍ର ମେକାନିକାଲ ଟର୍କ ସିଷ୍ଟମର ବ୍ୟବହାର ଉପରେ ଗବେଷଣା କରୁଛୁ, ଯାହା ୱେବରେ ପେଡ୍ ନୋ-ଏକ୍ସପର୍ଟ ଯୋଗଦାନକାରୀଙ୍କ ଏକ ବ୍ୟାପକ ଆଧାରରୁ ଏନାଟୋସନ୍ ସଂଗ୍ରହ କରିବା ପାଇଁ ଏକ ଯଥେଷ୍ଟ ଶସ୍ତା ଏବଂ ଦ୍ରୁତ ପଦ୍ଧତି । ଆମେ ପାଞ୍ଚଟି କାର୍ଯ୍ୟର ଅନୁସନ୍ଧାନ କରୁ: ପ୍ରଭାବ ଚିହ୍ନଟ, ଶବ୍ଦ ସମାନତା, ପାଠ୍ୟର ଅନ୍ତର୍ଭୁକ୍ତୀକରଣ ଚିହ୍ନଟ, ଘଟଣାର କାଳଗତ କ୍ରମାଙ୍କନ, ଏବଂ ଶବ୍ଦ ଅର୍ଥର ଅସ୍ପଷ୍ଟତା । ସମସ୍ତ ପାଞ୍ଚଟି ପାଇଁ, ଆମେ ମେକାନିକାଲ ଟର୍କର ଅଣ-ବିଜ୍ଞାନୀ ଟିପ୍ପଣୀ ଏବଂ ବିଶେଷଜ୍ଞ ଲେବଲର୍ ଦ୍ୱାରା ପ୍ରଦାନ କରାଯାଇଥିବା ବର୍ତ୍ତମାନର ସୁନା ମାନକ ଲେବଲ୍ ମଧ୍ୟରେ ଉଚ୍ଚ ସହମତି ଦେଖୁଛୁ । ଆମେ ଏହା ମଧ୍ୟ ଦେଖାଇଛୁ ଯେ, ମେସିନ ଲର୍ଣ୍ଣିଂ ଆଲଗୋରିଦମକୁ ପ୍ରଶିକ୍ଷଣ ଦେବା ପାଇଁ ଅଣ-ବିଜ୍ଞାନୀ ଲେବଲ ବ୍ୟବହାର କରିବା ବିଶେଷଜ୍ଞଙ୍କ ସୁନା ମାନାଙ୍କ ବ୍ୟକ୍ତିବିଶେଷ ବ୍ୟବହାର କରିବା ଭଳି ପ୍ରଭାବଶାଳୀ ହୋଇପାରେ । ଆମେ ଏକ ପାର୍ଥକ୍ୟ ସଂଶୋଧନ କୌଶଳ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଦୁଇଟି କାର୍ଯ୍ୟରେ ଟିପ୍ପଣୀ ଗୁଣରେ ଉଲ୍ଲେଖନୀୟ ଉନ୍ନତି ଆଣିଥାଏ । ଆମେ ଏହି ସିଦ୍ଧାନ୍ତରେ ଉପନୀତ ହୋଇଛୁ ଯେ, ସାଧାରଣ ଖର୍ଚ୍ଚର ଏକ ଅଂଶବିଶେଷରେ ଏହି ପଦ୍ଧତିରେ ଅନେକ ବଡ଼ ବଡ଼ ଲେବଲିଂ କାର୍ଯ୍ୟକୁ ପ୍ରଭାବୀ ଢଙ୍ଗରେ ଡିଜାଇନ୍ ଓ କାର୍ଯ୍ୟକାରୀ କରାଯାଇପାରିବ । |
360071e2f644fdecacaddca9d4af6188dc89846b | ଡିମେନ୍ସିଆ ରୋଗରେ ପୀଡିତ ବ୍ୟକ୍ତିମାନେ ସାଧାରଣତଃ ଡିମେନ୍ସିଆର ଆଚରଣଗତ ଓ ମାନସିକ ଲକ୍ଷଣ କାରଣରୁ ଖରାପ ଜୀବନଶୈଳୀ (କ୍ୱାଲିଟି ଅଫ୍ ଲାଇଫ୍) ଅନୁଭବ କରିଥାନ୍ତି । ସଙ୍ଗୀତ ଚିକିତ୍ସା ଦ୍ୱାରା ବିପିଏସଡି ହ୍ରାସ ପାଇପାରେ, କିନ୍ତୁ ଅଧିକାଂଶ ଅଧ୍ୟୟନ ସାମାନ୍ୟରୁ ମଧ୍ୟମ ଧରଣର ଡିମେନ୍ସିଆ ରୋଗୀଙ୍କ ଉପରେ କେନ୍ଦ୍ରିତ ହୋଇଛି । ଆମେ ଅନୁମାନ କରିଥିଲୁ ଯେ ସଙ୍ଗୀତର ହସ୍ତକ୍ଷେପ ବିନା ସଙ୍ଗୀତ ନିୟନ୍ତ୍ରଣ ସ୍ଥିତି ତୁଳନାରେ ଲାଭଦାୟକ ପ୍ରଭାବ ପକାଇବ ଏବଂ ପାରସ୍ପରିକ ସଙ୍ଗୀତ ହସ୍ତକ୍ଷେପ ଅପେକ୍ଷା ଅଧିକ ପ୍ରଭାବ ପକାଇବ । ଏହି ଗବେଷଣାରେ ଆଲଜାଇମର ରୋଗରେ ପୀଡିତ 39 ଜଣ ବ୍ୟକ୍ତିଙ୍କୁ ଦୁଇଟି ସଂଗୀତ ଅନୁକୂଳ (ଅନୁକୂଳ ବା ଅନୁକୂଳ) ଏବଂ ଗୋଟିଏ ସଂଗୀତ ଅନୁକୂଳ ନିୟନ୍ତ୍ରଣ ଗୋଷ୍ଠୀକୁ ବଣ୍ଟନ କରାଯାଇଥିଲା । ସଙ୍ଗୀତ ହସ୍ତକ୍ଷେପ ବ୍ୟକ୍ତିଗତ ସଙ୍ଗୀତକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରିଥିଲା । ସ୍ୱଳ୍ପକାଳୀନ ପ୍ରଭାବକୁ ଭାବନାତ୍ମକ ପ୍ରତିକ୍ରିୟା ଓ ସ୍ବେଚ୍ଛାସେବୀ ସ୍ନାୟୁ ସୂଚକାଙ୍କ ଓ ଫେସେସ୍ ସ୍କେଲରେ ମାପାଯାଇଥିବା ଚାପ ସ୍ତର ମାଧ୍ୟମରେ ଆକଳନ କରାଯାଇଥିଲା । ଆଲଜାଇମର ରୋଗରେ ବ୍ୟବହାରିକ ପଥୋଲୋଜି (BEHAVE- AD) ରେଟିଂ ସ୍କେଲ ବ୍ୟବହାର କରି ଦୀର୍ଘକାଳୀନ ପ୍ରଭାବକୁ BPSD ପରିବର୍ତ୍ତନ ଦ୍ୱାରା ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଥିଲା । ପରିଣାମଃ ନିଷ୍କ୍ରିୟ ଓ ପାରସ୍ପରିକ ସଙ୍ଗୀତର ହସ୍ତକ୍ଷେପ ଫଳରେ ପାରାସମ୍ପାଥିକ ପ୍ରାଧାନ୍ୟ ସ୍ୱଳ୍ପକାଳୀନ ଭାବେ ସୃଷ୍ଟି ହୋଇଥିଲା । ପାରସ୍ପରିକ ହସ୍ତକ୍ଷେପ ଦ୍ୱାରା ଭାବନାତ୍ମକ ସ୍ଥିତିରେ ସବୁଠାରୁ ଅଧିକ ଉନ୍ନତି ଘଟିଥିଲା । ନିରବ ସଙ୍ଗୀତର ହସ୍ତକ୍ଷେପ ଏବଂ ବିନା ସଙ୍ଗୀତର ନିୟନ୍ତ୍ରଣ ସ୍ଥିତି ତୁଳନାରେ, ପାରସ୍ପରିକ ହସ୍ତକ୍ଷେପ ପରେ ବିପିଏସଡିରେ ଅଧିକ ଦୀର୍ଘକାଳୀନ ହ୍ରାସ ଦେଖିବାକୁ ମିଳିଥିଲା । ଏହି ସଂଗୀତର ପ୍ରୟୋଗ ଗୁରୁତର ଡିମେନ୍ସିଆ ରୋଗୀମାନଙ୍କ ଉପରେ ହେଉଥିବା ଚାପକୁ ହ୍ରାସ କରିପାରେ । ଯେହେତୁ ଇଣ୍ଟରଆକ୍ଟିଭ୍ ମ୍ୟୁଜିକ୍ ଇଣ୍ଟରଭେନସନ୍ ଅବଶିଷ୍ଟ ଜ୍ଞାନକୌଶଳ ଏବଂ ଭାବପ୍ରବଣ କାର୍ଯ୍ୟକୁ ପୁନଃସ୍ଥାପନ କରିପାରିବ, ଏହି ପଦ୍ଧତି ଗୁରୁତର ଡ଼ିମେନ୍ସିଆ ରୋଗୀଙ୍କ ଅନ୍ୟମାନଙ୍କ ସହିତ ସମ୍ପର୍କକୁ ସାହାଯ୍ୟ କରିବା ଏବଂ କ୍ୱାଲିଟି ଅଫ୍ ଲାଇଫ୍ (କ୍ୟୁଏଲଏଫ୍) ରେ ଉନ୍ନତି ଆଣିବାରେ ଉପଯୋଗୀ ହୋଇପାରେ । ଏହି ପରୀକ୍ଷଣର ପଞ୍ଜୀକରଣ ସଂଖ୍ୟା ଓ ପଞ୍ଜୀକରଣର ନାମ ଯଥାକ୍ରମେ UMIN000008801 ଓ "ଶକ୍ତିଶାଳୀ ଡିମେନ୍ସିଆ ବୃଦ୍ଧ ବ୍ୟକ୍ତିଙ୍କ ପାଇଁ ସଙ୍ଗୀତ ଚିକିତ୍ସା ପାଇଁ ପ୍ରଭାବଶାଳୀ ନର୍ସିଂ ହସ୍ତକ୍ଷେପ ପରୀକ୍ଷା" ଅଟେ । |
6860f804436d856738369dd10922a004c3c5220d | ଅନେକ ବଡ଼ ବଡ଼ ଟ୍ରାଞ୍ଜାକ୍ସନ ଡାଟାବେସ, ବିପୁଳ ପରିମାଣର ତଥ୍ୟ, ବିଭାଜିତ ବ୍ୟବସ୍ଥାର ଉଚ୍ଚ ମାପଦଣ୍ଡ, ଏବଂ ଏକ କେନ୍ଦ୍ରୀକୃତ ଡାଟାବେସର ସହଜ ବିଭାଜନ ଏବଂ ବିତରଣର ଅସ୍ତିତ୍ୱ ସହିତ, ଆସୋସିଏସନ ନିୟମର ବିଭାଜିତ ଖନନ ପାଇଁ ଦକ୍ଷ ପଦ୍ଧତି ଖୋଜିବା ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । ଏହି ଅଧ୍ୟୟନରେ ସ୍ଥାନୀୟ ଭାବେ ବଡ଼ ଏବଂ ବିଶ୍ୱସ୍ତରରେ ବଡ଼ ଆଇଟମ ସେଟ ମଧ୍ୟରେ କିଛି ରୋଚକ ସମ୍ପର୍କକୁ ପ୍ରକାଶ କରାଯାଇଛି ଏବଂ ଏକ ରୋଚକ ବିତରିତ ଆସୋସିଏସନ ନିୟମ ଖଣି ଆଲଗୋରିଦମ, ଏଫଡିଏମ (ଗତିପୂର୍ବକ ବିତରିତ ଖଣି ଖଣି ଖଣି) ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି, ଯାହା ଅଳ୍ପ ସଂଖ୍ୟକ ପ୍ରାର୍ଥୀ ସେଟ ସୃଷ୍ଟି କରିଥାଏ ଏବଂ ଖଣି ଖଣି ନିୟମରେ ପଠାଯିବାକୁ ଥିବା ବାର୍ତ୍ତାର ସଂଖ୍ୟାକୁ ଯଥେଷ୍ଟ ହ୍ରାସ କରିଥାଏ । ଆମର କାର୍ଯ୍ୟଦକ୍ଷତା ଅଧ୍ୟୟନରୁ ଜଣାପଡିଛି ଯେ ଏଫଡିଏମର ସିଧାସଳଖ ପ୍ରୟୋଗ ତୁଳନାରେ ଏଫଡିଏମର ଉନ୍ନତ କାର୍ଯ୍ୟଦକ୍ଷତା ରହିଛି । ପରବର୍ତ୍ତୀ କାର୍ଯ୍ୟଦକ୍ଷତା ବୃଦ୍ଧି ଫଳରେ ଆଲଗୋରିଦମର କିଛି ପରିବର୍ତ୍ତନ ହୋଇଥାଏ । |
7a7b3f99fef5f7cb0c4597e3361209d974fb542c | ତୃତୀୟ ଅନ୍ତର୍ଜାତୀୟ ଛାତ୍ର ଅଲିମ୍ପିଆଡରେ କ୍ରିପ୍ଟୋଗ୍ରାଫି NSUCRYPTO2016 ର ଗାଣିତିକ ସମସ୍ୟା ଏବଂ ଏହାର ସମାଧାନ ଉପସ୍ଥାପିତ କରାଯାଇଛି । ଆମେ ଗାଣିତିକ ସମସ୍ୟାଗୁଡ଼ିକୁ ବିଚାର କରୁଛୁ, ଯାହା ଆଲଜେବ୍ରିକ ଇମ୍ୟୁନ ଭେକ୍ଟୋରିଆଲ ବୁଲିୟାନ ଫଙ୍କସନ ଓ ବଡ଼ ଫର୍ମାଟ ସଂଖ୍ୟା, ସିକ୍ରେଟ ସେୟାରିଂ ସ୍କିମ୍ ଓ ପ୍ଲୁଡୋରେଣ୍ଡମ ବାଇନାରୀ ସିକ୍ୱେନ୍ସ, ବାୟୋମେଟ୍ରିକ କ୍ରିପ୍ଟୋ ସିଷ୍ଟମ ଓ ବ୍ଲକଚେନ ଟେକ୍ନୋଲୋଜି ଆଦି ସହିତ ଜଡ଼ିତ । ଗାଣିତିକ କ୍ରିପ୍ଟୋଗ୍ରାଫିର ଦୁଇଟି ଖୋଲା ସମସ୍ୟା ଉପରେ ମଧ୍ୟ ଆଲୋଚନା କରାଯାଇଛି ଏବଂ ଅଲିମ୍ପିଆଡ ସମୟରେ ଜଣେ ଅଂଶଗ୍ରହଣକାରୀ ପ୍ରସ୍ତାବ ଦେଇଥିବା ଗୋଟିଏ ସମସ୍ୟାର ସମାଧାନ ବିଷୟରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଅଲିମ୍ପିଆଡ ଇତିହାସରେ ଏହା ପ୍ରଥମ ଥର ପାଇଁ ହୋଇଥିଲା । |
0b9af9b0ac87fafd9d7747d8047df38ee58dc647 | ଦୃଢ଼ ବସ୍ତୁ ଚିହ୍ନଟ ଅନେକ ବାସ୍ତବ ଦୁନିଆର ରୋବୋଟିକ ପ୍ରୟୋଗର ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଉପାଦାନ, ଯଦି ସମସ୍ତ ନୁହେଁ । ଏହି କାଗଜରେ ସଙ୍କୋଚନ ନ୍ୟୁରାଲ ନେଟୱାର୍କ (ସିଏନଏନ) ର ସାମ୍ପ୍ରତିକ ଅଗ୍ରଗତିକୁ ଉପଯୋଗ କରାଯାଇଛି ଏବଂ ବସ୍ତୁ ଚିହ୍ନଟ ପାଇଁ ଏକ ନୂତନ ଆରଜିବି-ଡି ସ୍ଥାପତ୍ୟ ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି । ଆମର ସ୍ଥାପତ୍ୟ ଦୁଇଟି ପୃଥକ ସିଏନଏନ ପ୍ରକ୍ରିୟାକରଣ ଧାରା ଦ୍ୱାରା ଗଠିତ - ପ୍ରତ୍ୟେକ ମୋଡାଲିଟି ପାଇଁ ଗୋଟିଏ - ଯାହା କ୍ରମାଗତ ଭାବରେ ଏକ ବିଳମ୍ବିତ ଫ୍ୟୁଜନ ନେଟୱାର୍କ ସହିତ ସଂଯୁକ୍ତ । ଆମେ ଅସମ୍ପୂର୍ଣ୍ଣ ସେନସର ତଥ୍ୟ ସହିତ ଶିକ୍ଷା ଉପରେ ଧ୍ୟାନ ଦେଇଥାଉ, ବାସ୍ତବ ଦୁନିଆର ରୋବୋଟିକ୍ସ କାର୍ଯ୍ୟରେ ଏକ ସାଧାରଣ ସମସ୍ୟା । ସଠିକ ଶିକ୍ଷା ପାଇଁ, ଆମେ ବହୁ-ସ୍ତରୀୟ ତାଲିମ ପଦ୍ଧତି ଏବଂ ସିଏନଏନ ସହିତ ଗଭୀର ତଥ୍ୟ ପରିଚାଳନା ପାଇଁ ଦୁଇଟି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଉପାଦାନ ପ୍ରବର୍ତ୍ତନ କରୁ । ପ୍ରଥମଟି ହେଉଛି ସିଏନଏନ ପାଇଁ ଗଭୀର ସୂଚନାକୁ ପ୍ରଭାବୀ ଢଙ୍ଗରେ ଏନକୋଡିଂ କରିବା ଯାହାଦ୍ୱାରା ବଡ଼ ଗଭୀର ଡାଟାସେଟର ଆବଶ୍ୟକତା ବିନା ଶିକ୍ଷାଲାଭ ସମ୍ଭବ ହୋଇପାରିବ । ଦ୍ୱିତୀୟଟି ହେଉଛି, ତଥ୍ୟ ବୃଦ୍ଧି ଯୋଜନା ଯାହା ବାସ୍ତବିକ ଶବ୍ଦ ପଦ୍ଧତି ସହିତ ଦୃଢ଼ ଚିତ୍ର ସହିତ ଦୃଢ଼ ଶିକ୍ଷଣ ପାଇଁ ବିକୃତ ହୋଇଥାଏ । ଆମେ RGB-D ଅବଜେକ୍ଟ ଡାଟାସେଟ ଉପରେ ଅତ୍ୟାଧୁନିକ ଫଳାଫଳ ଉପସ୍ଥାପନ କରୁଛୁ ଏବଂ ବାସ୍ତବ ଦୁନିଆର କଠିନ RGB-D ଶବ୍ଦପୂର୍ଣ୍ଣ ସେଟିଙ୍ଗରେ ଚିହ୍ନଟ କରିଛୁ । |
8075e2a607caac7d458f081c46d51cf1c7833ae9 | ଏହି ଅଧ୍ୟୟନରେ ନୂତନ ସୁପର କମ୍ପାକ୍ଟ ମାଇକ୍ରୋୱେଭ ପାୱାର ଡିଭାଇଡର ଏବଂ ବାଲୁନ (ସନ୍ତୁଳିତରୁ ଅସନ୍ତୁଳିତ) ସର୍କିଟ ବିଷୟରେ ଆଲୋଚନା କରାଯାଇଛି । ପ୍ରସ୍ତାବିତ ଉପକରଣଗୁଡ଼ିକ ବହୁସ୍ତରୀୟ ରିଙ୍ଗ ରେଜୋନେଟର (ଏମଆରଆର) ର ଢାଞ୍ଚା ଉପରେ ଆଧାରିତ । ଏହି ନୂତନ ମାଇକ୍ରୋୱେଭ୍ ଉପକରଣଗୁଡ଼ିକର ଡିଜାଇନ୍ ଅତ୍ୟନ୍ତ କମ୍ପାକ୍ଟ ଏବଂ ନମନୀୟ, ଯାହା ସ୍ୱଳ୍ପ-ବ୍ୟାଣ୍ଡରୁ ଅତି-ବ୍ୟାଣ୍ଡବ୍ୟାଣ୍ଡ (UWB) ପର୍ଯ୍ୟନ୍ତ ବିଭିନ୍ନ ଇଚ୍ଛାକୃତ ବ୍ୟାଣ୍ଡୱିଡ୍ଥ୍ ମଧ୍ୟରେ କାର୍ଯ୍ୟ କରିପାରିବ, ତେଣୁ ଏହା ଏକକାଳୀନ ନିଜସ୍ୱ କାର୍ଯ୍ୟ ସହିତ ବ୍ୟାଣ୍ଡପାସ୍ ଫିଲ୍ଟର ଭାବରେ କାର୍ଯ୍ୟ କରିଥାଏ । ଏହା ମଧ୍ୟ ସମ୍ଭବ ଯେ, ମନଇଚ୍ଛା କ୍ଷମତା ବିଭାଜନ କରାଯାଇପାରିବ । ଏହି କୌଶଳ ଦ୍ୱାରା ଏକ ବାଲୁନକୁ ଏକ ପାୱାର ଡାଇଭରରେ ପରିଣତ କରାଯାଇପାରିବ ଏବଂ ଏହାର ବିପରୀତ ମଧ୍ୟ କରାଯାଇପାରିବ । ନମୁନା ସର୍କିଟ ଡିଜାଇନ କରାଯାଇଥାଏ ଏବଂ ବିଦ୍ୟୁତ ଚୁମ୍ବକୀୟ ସିମୁଲେସନ ସଫ୍ଟୱେର ବ୍ୟବହାର କରି ବିସର୍ଜନ ଗୁଣବତ୍ତା ପ୍ରଦାନ କରାଯାଇଥାଏ । ଏହି ଉପକରଣର ଆକାର ହେଉଛି 2.3 ମିମି χ 2.3 ମିମି χ 1.5 ମିମି । |
7752e0835506a6629c1b06e67f2afb1e5d2bb714 | ବିଷୟବସ୍ତୁ ସ୍ମୃତି (ଶିକ୍ଷଣ କ୍ଷମତା) ବୁଝିବା ପରି 82 ଶବ୍ଦାବଳୀ Cs .30 ( ) .23 .31 ( ) .31 .35 ( ) .29 .48 .35 .38 ( ) .30 .40 .47 .58 .48 ( ) ଏହି ଶେଷ ମୂଲ୍ୟଗୁଡିକର ବିରୁଦ୍ଧରେ ବିଚାର କଲେ, ବୁଝିବା (.48) ଏବଂ ଶବ୍ଦାବଳୀ (.47), କିନ୍ତୁ ସ୍ମୃତି (.31) ନୁହେଁ, କିଛି ନିର୍ଦ୍ଦିଷ୍ଟ ବୈଧତା ଦେଖାଏ । ବୈଧତା ମାଟ୍ରିକ୍ସର ଏହି ପରିବର୍ତ୍ତନଶୀଳତା ହେଟେରୋମେଥୋଡ୍ ବ୍ଲକ୍ ମଧ୍ୟରେ ଥିବା ତୁଳନା ପାଇଁ ଯୁକ୍ତି ଦର୍ଶାଇଥାଏ ଯେ ଏହା ହେଉଛି ସର୍ବାଧିକ ସାଧାରଣ ଭାବରେ ପ୍ରାସଙ୍ଗିକ ବୈଧତା ତଥ୍ୟ, ଏବଂ ଗୁଣ ଏବଂ ପଦ୍ଧତି ଉପାଦାନଗୁଡ଼ିକର ସମ୍ଭାବ୍ୟ ବିନିମୟକୁ ଦର୍ଶାଇଥାଏ । ରେଟିଂରେ ହେଲୋ ପ୍ରଭାବର ଚି (୧୯୩୭) ର ବିସ୍ମୟକର ଅଧ୍ୟୟନରେ କେତେକ ସମ୍ପର୍କ ଏକ ମଲ୍ଟିଟ୍ରେଟ୍-ମଲ୍ଟିମେଥୋଡ୍ ମ୍ୟାଟ୍ରିକ୍ସ ପାଇଁ ଉପଯୁକ୍ତ ଯେଉଁଥିରେ ପ୍ରତ୍ୟେକ ରେଟରଙ୍କୁ ଏକ ଭିନ୍ନ ପଦ୍ଧତିର ପ୍ରତିନିଧିତ୍ୱ ଭାବରେ ବିବେଚନା କରାଯାଇପାରେ । ପ୍ରକାଶିତ ରିପୋର୍ଟରେ ଏଗୁଡ଼ିକର ସବିଶେଷ ତଥ୍ୟ ନଥିବା ବେଳେ, ଏହାର ମୂଲ୍ୟାଙ୍କନ ହାରାହାରି ମୂଲ୍ୟରେ ହୋଇଥିବା କାରଣରୁ, ତାଲିକାର ଚତୁର୍ଥ ଓ ଅଷ୍ଟମ ସାରଣୀ ତୁଳନା କଲେ ଜଣାପଡ଼େ ଯେ, ବିଭିନ୍ନ ମାନ୍ୟତାଦାତାଙ୍କ ଦ୍ୱାରା ସମାନ ଗୁଣର ମାନ୍ୟତା ସମାନ ମାନ୍ୟତାଦାତାଙ୍କ ଦ୍ୱାରା ଭିନ୍ନ ଗୁଣର ମାନ୍ୟତା ତୁଳନାରେ ଅଧିକ ଅନୁପାତରେ ରହିବା ଆବଶ୍ୟକ ବୋଲି ଥିବା ଆବଶ୍ୟକତାକୁ ମାନ୍ୟତାଦାତାମାନେ ସାଧାରଣତଃ ପୂରଣ କରିପାରିନାହାନ୍ତି । ବୈଧତା ଦର୍ଶାଯାଇଥାଏ ଯେ ହେଟେରୋମେଥୋଡ୍ ବ୍ଲକରେ ଥିବା ସମ୍ବନ୍ଧଗୁଡିକର ବୈଧତା ଆନୁମାନିକ ହାରାହାରି ହେଟେରୋମେଥୋଡ୍-ହେଟେରୋଟ୍ରାଇଟ୍ ମୂଲ୍ୟଗୁଡିକ ଠାରୁ ଅଧିକ ଅଟେ । ଏକ ଉଲ୍ଲେଖନୀୟ ଭାବେ ଅସଫଳ ମଲ୍ଟିଟ୍ରେଟ୍-ମଲ୍ଟିମେଥୋଡ୍ ମାଟ୍ରିକ୍ସ କ୍ୟାମ୍ପବେଲ୍ (୧୯୫୩, ୧୯୫୬) ଦ୍ୱାରା ପ୍ରଦାନ କରାଯାଇଛି, ଯାହା ଅଧିକାରୀମାନଙ୍କ ନେତୃତ୍ୱ ଆଚରଣର ମୂଲ୍ୟାଙ୍କନ ପାଇଁ ନିଜେ ଏବଂ ସେମାନଙ୍କ ଅଧୀନସ୍ଥ ଅଧିକାରୀମାନଙ୍କ ଦ୍ୱାରା ପ୍ରଦାନ କରାଯାଇଛି । 11ଟି ଭେରିଏବଲ ମଧ୍ୟରୁ କେବଳ ଗୋଟିଏ ଭେରିଏବଲ (Recognition Behavior) ହେଟେରୋଟ୍ରାଇଟ-ହେଟେରୋମେଥଡ ମୂଲ୍ୟ ଠାରୁ ଅଧିକ ବୈଧତା ଡାଇଗୋନାଲ ମୂଲ୍ୟ ପ୍ରଦାନ କରିବାର ଆବଶ୍ୟକତା ପୂରଣ କରିଥିଲା, ସେହି ବୈଧତା ହେଉଛି .29 । କୌଣସି ଗୋଟିଏ ଭେରିଏବଲ୍ ପାଇଁ ବୈଧତା ହେଟେରୋଟ୍ରାଇଟ୍-ମୋନୋମେଥୋଡ୍ ମୂଲ୍ୟଠାରୁ ଅଧିକ ନଥିଲା । ବରୁଣ ଏବଂ କ୍ୟାମ୍ପବେଲ (୧୯୫୭) ଙ୍କ ଦ୍ବାରା ପ୍ରାଧିକରଣ ଏବଂ ଅଣପ୍ରାଧିକରଣ ପ୍ରତି ମନୋଭାବର ଏକ ଅଧ୍ୟୟନ ଏକ ଜଟିଳ ମଲ୍ଟିଟ୍ରେଟ୍-ମଲ୍ଟିମେଥୋଡ୍ ମ୍ୟାଟ୍ରିକ୍ସ ଧାରଣ କରିଛି, ଯାହାର ଏକ ସନ୍ତୁଳିତ ଉଦ୍ଧୃତ ଅଂଶ ଟେବୁଲ ୬ରେ ପ୍ରଦର୍ଶିତ ହୋଇଛି । ଏହି ଅଧ୍ୟୟନରେ ଅଧିକାଂଶ ପଦ୍ଧତି ପାଇଁ ପଦ୍ଧତିର ପ୍ରଭେଦ ବହୁତ ଅଧିକ ଥିଲା । ଯେଉଁଠାରେ ବୈଧତା ମିଳିଥିଲା, ତାହା ମୁଖ୍ୟତଃ ହେଟେରୋଟ୍ରାଇଟ୍-ହେଟେରୋମେଥୋଡ୍ ମୂଲ୍ୟଠାରୁ ଉଚ୍ଚ ବୈଧତା ଆନୁମାନିକ ମୂଲ୍ୟ ସ୍ତରରେ ଥିଲା । ଟେବୁଲ ୬ ରେ ଦର୍ଶାଯାଇଥିବା ଅନୁସାରେ ପିତାଙ୍କ ପ୍ରତି ମନୋଭାବ ଏହି ପ୍ରକାରର ବୈଧତା ଦେଖାଇଲା, ଯେପରିକି ସହପାଠୀମାନଙ୍କ ପ୍ରତି ମନୋଭାବ କମ୍ ପରିମାଣରେ ଦେଖାଇଲା । ବସ୍ ପ୍ରତି ତାଙ୍କର ଆଭିମୁଖ୍ୟ କୌଣସି ବୈଧତା ଦେଖାଇ ନାହିଁ । କର୍ତ୍ତୃପକ୍ଷଙ୍କ ପ୍ରତି କୌଣସି ସାଧାରଣ ମନୋଭାବର କୌଣସି ପ୍ରମାଣ ନଥିଲା ଯେଉଁଥିରେ ପିତା ଏବଂ ମାଲିକ ସାମିଲ ଥିଲେ, ଯଦିଓ ଏହିପରି ମୂଲ୍ୟବୋଧ ଯେପରିକି ମଲ୍ଟିଟ୍ରେଟ୍-ମଲ୍ଟିମେଥୋଡ୍ ମ୍ୟାଟ୍ରିକ୍ସ ଦ୍ୱାରା ବୈଧତା |
9a756fa7e7c8afa53ada2201bcea38a095425a8e | |
3fb4f9bb4a82945558c1b92f00f82fc38f160155 | ଯାନ-ରୁ-କୌଣସି (ଭିଟୁଏକ୍ସ) ଯୋଗାଯୋଗରେ ଯାନ ଏବଂ ଇଣ୍ଟେଲିଜେଣ୍ଟ ଟ୍ରାନ୍ସପୋର୍ଟ ସିଷ୍ଟମ (ଆଇଏସଟି) ର ବିଭିନ୍ନ ଉପାଦାନ ମଧ୍ୟରେ ସୂଚନା ଆଦାନପ୍ରଦାନକୁ ବୁଝାଏ, ଯେଉଁଥିରେ ଅନ୍ୟ ଯାନ, ପଥଚାରୀ, ଇଣ୍ଟରନେଟ୍ ଗେଟୱେ ଏବଂ ପରିବହନ ଭିତ୍ତିଭୂମି (ଯେପରି ଟ୍ରାଫିକ୍ ଲାଇଟ୍ ଏବଂ ସଙ୍କେତ) ଅନ୍ତର୍ଭୁକ୍ତ । ଏହି ଟେକ୍ନୋଲୋଜିରେ ସଡ଼କ ସୁରକ୍ଷା, ଯାତ୍ରୀ ସୂଚନା-ମନୋରଞ୍ଜନ, କାର ନିର୍ମାତା ସେବା ଏବଂ ଯାନବାହନ ଟ୍ରାଫିକ ଅପ୍ଟିମାଇଜେସନ ପାଇଁ ବିଭିନ୍ନ ପ୍ରକାର ନୂତନ ପ୍ରୟୋଗକୁ ସକ୍ଷମ କରିବାର କ୍ଷମତା ରହିଛି । ଆଜି ଭିଟୁଏକ୍ସ ଯୋଗାଯୋଗ ଦୁଇଟି ମୁଖ୍ୟ ଟେକ୍ନୋଲୋଜି ମଧ୍ୟରୁ ଗୋଟିଏ ଉପରେ ଆଧାରିତ: ସମର୍ପିତ ସ୍ୱଳ୍ପ ଦୂରତା ଯୋଗାଯୋଗ (ଡିଏସଆରସି) ଏବଂ ସେଲୁଲାର ନେଟୱାର୍କ । ତେବେ ନିକଟ ଭବିଷ୍ୟତରେ ଗୋଟିଏ ଟେକ୍ନୋଲୋଜି ଏତେ ସଂଖ୍ୟକ ଯାନବାହନ ପାଇଁ ଏତେ ସଂଖ୍ୟକ ଭିଆଇଏକ୍ସ ପ୍ରୟୋଗକୁ ସମର୍ଥନ କରିପାରିବ ବୋଲି ଆଶା କରାଯାଉନାହିଁ । ତେଣୁ ଡିଏସଆରସି ଏବଂ ସେଲ୍ୟୁଲାର ନେଟୱାର୍କ ପ୍ରଯୁକ୍ତି ମଧ୍ୟରେ ଦକ୍ଷ ଭିଟୁଏକ୍ସ ଯୋଗାଯୋଗ ପାଇଁ ଆନ୍ତଃକାର୍ଯ୍ୟ କରିବାକୁ ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି । ଏହି ଦସ୍ତାବିଜରେ ଦକ୍ଷ ଭିଟୁଏକ୍ସ ଯୋଗାଯୋଗ ପାଇଁ ଡିଏସଆରସି ଏବଂ ସେଲୁଲାର ଇଣ୍ଟରୱାର୍କିଂ ସମାଧାନର ସମ୍ଭାବ୍ୟ ସମୀକ୍ଷା କରାଯାଇଛି । ପ୍ରଥମେ, ଆମେ V2X ପ୍ରୟୋଗକୁ ସମର୍ଥନ କରିବାରେ ପ୍ରତ୍ୟେକ ଟେକ୍ନୋଲୋଜିର ସୀମିତତାକୁ ଆଲୋକିତ କରୁଛୁ । ଏହା ପରେ, ଆମେ ସମ୍ଭାବ୍ୟ DSRC- ସେଲୁଲାର ହାଇବ୍ରିଡ୍ ଆର୍କିଟେକଚର ସମୀକ୍ଷା କରିବା, ଯାନର ଗତିଶୀଳତା ଦ୍ୱାରା ଉତ୍ପନ୍ନ ମୁଖ୍ୟ ଇଣ୍ଟରୱାର୍କିଂ ଆହ୍ୱାନଗୁଡିକ ସହିତ, ଯେପରିକି ଭର୍ଟିକାଲ୍ ହ୍ୟାଣ୍ଡଓଭର ଏବଂ ନେଟୱାର୍କ ଚୟନ ପ୍ରସଙ୍ଗ _ ଏହାବ୍ୟତୀତ, ଆମେ ବିଶ୍ୱସ୍ତରୀୟ ଡିଏସଆରସି ମାନକ, ବର୍ତ୍ତମାନର ଭିଟୁଏକ୍ସ ଗବେଷଣା ଓ ବିକାଶ ପ୍ଲାଟଫର୍ମ ଏବଂ କାର ନିର୍ମାତାମାନଙ୍କ ଦ୍ୱାରା ଗାଡ଼ିରେ ପୂର୍ବରୁ ଗ୍ରହଣ କରାଯାଇଥିବା ଓ ବ୍ୟବହାର କରାଯାଉଥିବା ଭିଟୁଏକ୍ସ ଉତ୍ପାଦଗୁଡ଼ିକର ଏକ ସମୀକ୍ଷା ପ୍ରଦାନ କରୁଛୁ । ଶେଷରେ, ଆମେ ଭବିଷ୍ୟତରେ V2X ଯୋଗାଯୋଗ ପାଇଁ DSRC ଏବଂ ସେଲୁଲାର ନେଟୱାର୍କ ଟେକ୍ନୋଲୋଜିର ଇଣ୍ଟରୱାର୍କିଂ ଉପରେ ଆଧାରିତ କିଛି ଖୋଲା ଗବେଷଣା ପ୍ରସଙ୍ଗ ପ୍ରସ୍ତାବ ଦେଉଛୁ । |
db77e6b8030e7f8f2c1503b99fc88ab002b84cb4 | ଏହି କାଗଜରେ ଏକ ନୂଆ ମଲ୍ଟି-ଲିନିୟର ପୋଲାରାଇଜେସନ୍ ରିକନଫିଗୁଏରେବଲ୍ ଆଣ୍ଟିନା ସହିତ ସର୍ଟକିଙ୍ଗ୍ ପୋଷ୍ଟ୍ ପ୍ରସ୍ତାବିତ କରାଯାଇଛି, ଯାହା ଚାରୋଟି ରେଖାଗତ ପୋଲାରାଇଜେସନ୍ (0°, 45°, 90°, 135°) ହାସଲ କରିପାରିବ । ଦୁଇଟି ବୃତ୍ତର ମଧ୍ୟରେ ଡାୟୋଡକୁ ପରିବର୍ତ୍ତନ କରି, ଚାରୋଟି ଧାଡିର ଧ୍ରୁବୀକରଣକୁ ଅନୁଭବ କରାଯାଇପାରେ । ପ୍ରସ୍ତାବିତ ଆଣ୍ଟେନର ଆକାର ପାଖାପାଖି 0.56λ×0.56λ×0.07λ 2.4 GHz ରେ ରହିଛି । ମାପିତ ଫଳାଫଳ ଅନୁକରଣିତ ଫଳାଫଳ ସହିତ ଭଲ ଭାବରେ ମେଳ ଖାଏ । |
9f5a4f397f1414116ebd9d53049fce1c53e35d4f | |
4007643eddbea0af2c6337d360b6474652f32223 | ଏକ ପାଠ୍ୟକୋଷରେ ଅନେକ ଗୁଡିଏ ଗୁପ୍ତ କାରଣକୁ ବିଚାର କରିବା ପାଇଁ ଏକ ବହୁ-ଆକାରର ଢାଞ୍ଚା ସହିତ ଲୁକ୍କାୟିତ ପରିବର୍ତ୍ତନଶୀଳ ମଡେଲକୁ ସମୃଦ୍ଧ କରାଯାଇପାରିବ, ଯେପରିକି ବିଷୟ, ଲେଖକ ଦୃଷ୍ଟିକୋଣ ଏବଂ ଭାବନା । ଆମେ କାରକୀୟ LDA, ଏକ ବହୁ-ଆକାର ମଡେଲର ପରିଚୟ ଦେଉଛୁ ଯେଉଁଥିରେ ଏକ ଦଲିଲ K ବିଭିନ୍ନ କାରକ ଦ୍ୱାରା ପ୍ରଭାବିତ ହୋଇଥାଏ, ଏବଂ ପ୍ରତ୍ୟେକ ଶବ୍ଦ ଟୋକନ୍ ଲୁକ୍କାୟିତ ଭେରିଏବଲ୍ ର K-ଆକାର ଭେକ୍ଟର ଉପରେ ନିର୍ଭର କରିଥାଏ । ଆମର ମଡେଲରେ ସଂରଚନା ଶବ୍ଦ ପ୍ରାଚୀନ ଶବ୍ଦ ଅନ୍ତର୍ଭୁକ୍ତ ଏବଂ ଏହା କାରକମାନଙ୍କର ଏକ ବିରଳ ଉତ୍ପାଦକୁ ଶିଖେ । ଗବେଷଣା ସାରାଂଶ ଉପରେ କରାଯାଇଥିବା ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ ଆମର ମଡେଲ ଗବେଷଣା ବିଷୟ, ବୈଜ୍ଞାନିକ ଶୃଙ୍ଖଳା ଏବଂ ଫୋକସ୍ (ପଦ୍ଧତି ବନାମ ପ୍ରୟୋଗ) ଭଳି ଲୁକ୍କାୟିତ କାରଣଗୁଡିକୁ ଶିଖିପାରିବ । ଆମର ମଡେଲିଂ ଉନ୍ନତି ପରୀକ୍ଷଣର ଦ୍ୱନ୍ଦ୍ୱକୁ ହ୍ରାସ କରେ ଏବଂ ଆବିଷ୍କୃତ କାରକଗୁଡ଼ିକର ମାନବ ବ୍ୟାଖ୍ୟାଶୀଳତାକୁ ଉନ୍ନତ କରେ । |
76d71d1726bf96a142b203dfca12a4401da8ecee | ଏହି କାଗଜରେ ଏକ ହାଇବ୍ରିଡ୍ ମଡେଲ ଏବଂ ଏକ ମଡେଲ ପ୍ରିଡିକ୍ଟିଭ୍ କଣ୍ଟ୍ରୋଲ୍ (MPC) ରଣନୀତିକୁ ଟ୍ରାକ୍ସନ କଣ୍ଟ୍ରୋଲ୍ ସମସ୍ୟାର ସମାଧାନ ପାଇଁ ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଏହି ସମସ୍ୟାକୁ ମଡେଲିଂ ଠାରୁ ଆରମ୍ଭ କରି ନିୟନ୍ତ୍ରଣ, ସଂଶ୍ଳେଷଣ ଏବଂ କାର୍ଯ୍ୟାନ୍ୱୟନ ପର୍ଯ୍ୟନ୍ତ ବ୍ୟବସ୍ଥିତ ଢଙ୍ଗରେ ସମାଧାନ କରାଯାଇଥାଏ । ଏହି ମଡେଲକୁ ପ୍ରଥମେ ହାଇବ୍ରିଡ ସିଷ୍ଟମ ବର୍ଣ୍ଣନା ଭାଷାରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି ଯାହା ଦ୍ବାରା ଏକ ମିଶ୍ରିତ-ତତ୍ତ୍ୱଗତ ଗତିଶୀଳ (ଏମ୍ଏଲ୍ଡି) ହାଇବ୍ରିଡ ମଡେଲ ଖୋଲା ଲୁପ୍ ସିଷ୍ଟମ ମିଳିପାରିବ । ଫଳସ୍ୱରୂପ ଏମଏଲଡି ମଡେଲ ପାଇଁ ଆମେ ଏକ ରିସିଡିଙ୍ଗ ହୋରିଜୋନ ଫାଇନାଇଟ ଟାଇମ ଅପ୍ଟିମମ କଣ୍ଟ୍ରୋଲର ଡିଜାଇନ କରିଛୁ । ଫଳସ୍ୱରୂପ ସର୍ବୋତ୍ତମ ନିୟନ୍ତ୍ରକକୁ ଏହାର ସମକକ୍ଷ ଖଣ୍ଡବିଖଣ୍ଡିତ ରୂପକୁ ବହୁପାମେଟ୍ରିକ ପ୍ରୋଗ୍ରାମିଂ କୌଶଳ ବ୍ୟବହାର କରି ରୂପାନ୍ତରିତ କରାଯାଏ ଏବଂ ଶେଷରେ ଏକ କାର ପ୍ରୋଟୋଟାଇପରେ ପରୀକ୍ଷାମୂଳକ ଭାବରେ ପରୀକ୍ଷା କରାଯାଏ । ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ, ଭଲ ଏବଂ ଦୃଢ଼ କାର୍ଯ୍ୟଦକ୍ଷତା ସୀମିତ ବିକାଶ ସମୟ ମଧ୍ୟରେ ହାସଲ କରାଯାଇପାରିବ, କାରଣ ଷ୍ଟାଣ୍ଡାର୍ଡ ଟେକ୍ନିକ୍ ଅନୁଯାୟୀ ବିକଶିତ ନିୟନ୍ତ୍ରକମାନଙ୍କ ପାଇଁ ଆବଶ୍ୟକ ହେଉଥିବା ଆଡହକ୍ ସୁପରଭାଇଜରି ଏବଂ ଲଜିକାଲ କନଷ୍ଟ୍ରକ୍ଟର ଡିଜାଇନ୍ ଠାରୁ ଦୂରେଇ ରହିବା ଆବଶ୍ୟକ । |
2d6d056ca33bb20e7bec33b49093cc4a907bf1a0 | ବାଧାବିଘ୍ନ ଥିବା ପରିବେଶରେ ରୋବଟକୁ ଦିଗଦର୍ଶନ ଦେବା ଏବେ ବି ଏକ ଆହ୍ୱାନପୂର୍ଣ୍ଣ ସମସ୍ୟା । ଏହି ଅଧ୍ୟୟନରେ ଚକିଆ ମୋବାଇଲ ରୋବଟ (ଡବ୍ଲୁଏମଆର) ର ଦିଗ ନିର୍ଣ୍ଣୟ ସମସ୍ୟା ଉପରେ ସମୀକ୍ଷା କରାଯାଇଛି, ଡବ୍ଲୁଏମଆର ର ଦିଗ ନିର୍ଣ୍ଣୟ ବ୍ୟବସ୍ଥା ଉପରେ ବିସ୍ତୃତ ଭାବେ ବିଶ୍ଳେଷଣ କରାଯାଇଛି, ମାନଚିତ୍ରଣ, ସ୍ଥାନୀକରଣ ଏବଂ ପଥ ଯୋଜନା ଭଳି ଉପ-ସମସ୍ୟାର ସମାଧାନର ପଦ୍ଧତି ଉପରେ ସମୀକ୍ଷା କରାଯାଇଛି, ଯାହା ଉଭୟ ରୋବଟ ଦିଗ ନିର୍ଣ୍ଣୟ ସହିତ ଜଡିତ ଏବଂ ବର୍ତ୍ତମାନର ପଦ୍ଧତିର ଲାଭ ଏବଂ କ୍ଷତି ବିଷୟରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି । ବିଶେଷ କରି କୃଷି କ୍ଷେତ୍ରରେ, ଜଟିଳ କୃଷି ପରିବେଶରେ ରୋବୋଟର ସଠିକ ଦିଗ ନିର୍ଣ୍ଣୟ ବିଭିନ୍ନ କାର୍ଯ୍ୟକୁ ସମ୍ପନ୍ନ କରିବା ପାଇଁ ଏକ ପୂର୍ବନିର୍ଦ୍ଧାରିତ ଆବଶ୍ୟକତା । ଏହି କାଗଜ କୃଷି ପରିବେଶର ବିଶେଷ ଜଟିଳତାକୁ ଲକ୍ଷ୍ୟ କରି କୃଷି ଇଞ୍ଜିନିୟରିଂରେ ୱାଇଏମ୍ଆରର ଦିଗନିର୍ଦ୍ଦେଶ ସମସ୍ୟାର ସମାଧାନର ପ୍ରୟୋଗକୁ ପରିକଳ୍ପନା କରିଛି, କୃଷି ପରିବେଶରେ ସଠିକ ଦିଗନିର୍ଦ୍ଦେଶ ସମସ୍ୟାର ସମାଧାନ ପାଇଁ ଗବେଷଣା ଦିଗକୁ ଆଗେଇ ନେଇଛି । |
6e8b32fc4f0a723f0629f7524d01a382ef77715a | ବ୍ରେନ୍-କମ୍ପ୍ୟୁଟର ଇଣ୍ଟରଫେସ୍ (ବିସିଆଇ) ର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଇଲେକ୍ଟ୍ରୋଏନ୍ସେଫାଲୋଗ୍ରାଫିକ୍ କାର୍ଯ୍ୟକଳାପ କିମ୍ବା ମସ୍ତିଷ୍କ କାର୍ଯ୍ୟର ଅନ୍ୟାନ୍ୟ ଇଲେକ୍ଟ୍ରୋଫିଜିଓଲୋଜିକାଲ୍ ମାପକୁ ବ୍ୟବହାର କରି ବାହ୍ୟ ଜଗତକୁ କମାଣ୍ଡ ପଠାଇବା ପାଇଁ ଏକ ଅଣ-ମାଂସପେଶୀ ଚ୍ୟାନେଲ୍ ଯୋଗାଇବା । ବିସିଆଇ ସିଷ୍ଟମର ସଫଳ ପରିଚାଳନାରେ ମସ୍ତିଷ୍କର ସଙ୍କେତକୁ ପ୍ରୋସେସ୍ କରିବା ପାଇଁ ବ୍ୟବହୃତ ପଦ୍ଧତି ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କାରଣ । କିନ୍ତୁ ବିସିଆଇ ସାହିତ୍ୟରେ ବ୍ୟବହାର କରାଯାଇଥିବା ସିଗନାଲ ପ୍ରୋସେସିଂ କୌଶଳର କୌଣସି ବିସ୍ତୃତ ସମୀକ୍ଷା କରାଯାଇନାହିଁ । ଏହି କାର୍ଯ୍ୟରେ ଜାନୁଆରୀ 2006 ପୂର୍ବରୁ ପ୍ରକାଶିତ ବିଦ୍ୟୁତ ସଙ୍କେତ ରେକର୍ଡିଂ ବ୍ୟବହାର କରି ସମସ୍ତ ବିସିଆଇ ଡିଜାଇନର ପ୍ରଥମ ବ୍ୟାପକ ସର୍ବେକ୍ଷଣ ଉପସ୍ଥାପନ କରାଯାଇଛି । ଏହି ସର୍ଭେର ବିସ୍ତୃତ ଫଳାଫଳ ଉପସ୍ଥାପିତ ଓ ଆଲୋଚନା କରାଯାଇଛି । ନିମ୍ନଲିଖିତ ପ୍ରମୁଖ ଗବେଷଣା ପ୍ରଶ୍ନଗୁଡ଼ିକର ସମାଧାନ କରାଯାଇଛି: (1) ବିସିଆଇର ମୁଖ୍ୟ ସିଗନାଲ ପ୍ରୋସେସିଂ ଉପାଦାନଗୁଡ଼ିକ କ ଣ, (2) ବିସିଆଇରେ କେଉଁ ସିଗନାଲ ପ୍ରୋସେସିଂ ଆଲଗୋରିଦମ ବ୍ୟବହାର କରାଯାଇଛି ଏବଂ (3) କେଉଁ ସିଗନାଲ ପ୍ରୋସେସିଂ କୌଶଳକୁ ଅଧିକ ଧ୍ୟାନ ଦିଆଯାଇଛି? |
11c88f516e1437e16fc94ff8db0e5f906f9aeb24 | |
4e74cadb44acfe373940f0b151c41ef3a02b9b0c | ଏହି କାଗଜରେ ଏକ କ୍ୱାସି-ଇଲିପ୍ଟିକ ଫିଲ୍ଟର ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି ଯେଉଁଥିରେ ସ୍ଲଟ୍ କପଲିଂ ଏବଂ ଅଣ-ଆଡଜେକ୍ଟ କ୍ରସ କପଲିଂ ସବଷ୍ଟ୍ରାଟ୍ ଇଣ୍ଟିଗ୍ରେଟେଡ୍ ୱେଭ୍ ଗାଇଡ୍ (SIW) ଗୁହାଳ ଉପରେ ଆଧାରିତ । ଏସଆଇଡବ୍ଲୁ ଗୁହାଳର ଉପର ଧାତୁ ପ୍ଲେନରେ ଗଢ଼ା ଯାଇଥିବା ସ୍ଲଟ୍ ଗୁଡିକ ବିଦ୍ୟୁତ ସଂଯୋଗୀକରଣ ପାଇଁ ବ୍ୟବହୃତ ହୁଏ ଏବଂ ଏସଆଇଡବ୍ଲୁ ଗୁହାଳ ଉପରେ ଥିବା ମାଇକ୍ରୋଷ୍ଟ୍ରିପ୍ ଟ୍ରାନ୍ସମିସନ୍ ଲାଇନ୍ ଦ୍ୱାରା କ୍ରସ କପଲିଂ କରାଯାଇଥାଏ । କପଲିଂର ଶକ୍ତି ମୁଖ୍ୟତଃ ସ୍ଲଟର ଉଚ୍ଚତା ଓ ପ୍ରସ୍ଥ ଦ୍ୱାରା ନିୟନ୍ତ୍ରିତ ହୋଇଥାଏ । ଖୋଲା ମାଇକ୍ରୋଷ୍ଟ୍ରିପ୍ ଲାଇନର ଲମ୍ବ କ୍ରସ କପଲିଂର ସଙ୍କେତକୁ ନିୟନ୍ତ୍ରଣ କରିଥାଏ । ବିଭିନ୍ନ ଚିହ୍ନ ସହିତ କ୍ରସ କପଲିଂକୁ ଫିଲ୍ଟରରେ ବ୍ୟବହାର କରାଯାଇଥାଏ ଯାହାଦ୍ୱାରା ପାସବ୍ୟାଣ୍ଡର ଉଭୟ ପାର୍ଶ୍ୱରେ ଏକ ଯୋଡି ଟ୍ରାନ୍ସମିଶନ ଜିରୋ (TZs) ସୃଷ୍ଟି ହୋଇଥାଏ । ଏହାର ବୈଧତା ପ୍ରମାଣ କରିବା ପାଇଁ, ଚତୁର୍ଥ-ଶ୍ରେଣୀ SIW କ୍ୱାସି-ଇଲିପ୍ଟିକ୍ ଫିଲ୍ଟର TZsat ସହିତ ପାସ୍ବ୍ୟାଣ୍ଡର ଉଭୟ ପାର୍ଶ୍ୱରେ ଦୁଇ-ସ୍ତର ପ୍ରିଣ୍ଟେଡ୍ ସର୍କିଟ୍ ବୋର୍ଡରେ ନିର୍ମିତ ହୋଇଥାଏ । 3.7 GHzର କେନ୍ଦ୍ର ଫ୍ରିକ୍ୱେନ୍ସିରେ ମାପ କରାଯାଇଥିବା ଇନସର୍ଟନ କ୍ଷତି 1.1 dB ଅଟେ । ପାସବ୍ୟାଣ୍ଡ ଭିତରେ ରିଟର୍ଣ୍ଣ ଲସ ୧୮ ଡିସିଏଲରୁ କମ୍ ଓ ବାଣ୍ଡୱିଡଥ୍ ୧୬% । ମାପିତ ଫଳାଫଳ ଅନୁକରଣିତ ଫଳାଫଳ ସହିତ ଭଲ ଭାବରେ ଏକମତ । |
d9676c349b51b066dee846db6792064cb1ee2a39 | ଏକ ସିଙ୍ଗଲ ଏଣ୍ଡ ପ୍ରାଇମେରୀ ଇଣ୍ଡକ୍ଟର କନ୍ଭର୍ଟର (SEPIC) ର ଏକ ଉନ୍ନତ ସଂସ୍କରଣ ଉପସ୍ଥାପିତ କରାଯାଇଛି । ଏହି କନ୍ଭର୍ଟରରେ ଏକ ପାରମ୍ପରିକ SEPIC କନ୍ଭର୍ଟର ସହିତ ଏକ ଅତିରିକ୍ତ ଉଚ୍ଚ-ଫ୍ରିକ୍ୱେନ୍ସି ଟ୍ରାନ୍ସଫର୍ମର ଏବଂ ଡାୟୋଡ୍ ରହିଛି ଯାହା ସିସି ଇଣ୍ଡକ୍ଟର କରେଣ୍ଟକୁ ସ୍ୱିଚ୍ ଅନ୍ ଅବସ୍ଥାରେ ରଖିବା ପାଇଁ ଏକ ଫ୍ରିୱେଲିଂ ମୋଡ୍ ବଜାୟ ରଖେ । ଏଥିରେ ଭୋଲ୍ଟେଜ୍ ରୂପାନ୍ତରଣ ଅନୁପାତର ବୈଶିଷ୍ଟ୍ୟ ଏବଂ ସେମିକଣ୍ଡକ୍ଟର ଉପକରଣର ଭୋଲ୍ଟେଜ୍ ଓ କରେଣ୍ଟ୍ ଚାପକୁ ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଏହି କନ୍ଭର୍ଟରର ମୁଖ୍ୟ ସୁବିଧା ହେଉଛି କ୍ରମାଗତ ଆଉଟପୁଟ୍ କରେଣ୍ଟ, ଛୋଟ ଆଉଟପୁଟ୍ ଭୋଲଟେଜ୍ ରିପ୍ଲେ, ଏବଂ ପାରମ୍ପରିକ SEPIC କନ୍ଭର୍ଟର ତୁଳନାରେ କମ୍ ସେମିକଣ୍ଡକ୍ଟର କରେଣ୍ଟ ଷ୍ଟ୍ରେସ୍ । ଏହି କଳ୍ପନା ର ଡିଜାଇନ ଏବଂ ସିମୁଲେସନ 48-V ଇନପୁଟ ଏବଂ 12-V/3.75-A ଆଉଟପୁଟ କନଭର୍ଟର ସହିତ ଏକ ପରୀକ୍ଷଣ ଦ୍ୱାରା ଯାଞ୍ଚ କରାଯାଇଛି । |
c6af28e992a1389114d4760c65ca258fc9cb74f9 | ଏହି କାଗଜରେ ମାଇକ୍ରୋଷ୍ଟ୍ରିପ ଲାଇନ ଏବଂ ମଲ୍ଟିଲେୟର ମଲ୍ଟିଲେୟର ଡିଜାଇନ ପରିବେଶରେ ସବଷ୍ଟ୍ରେଟ ଇଣ୍ଟିଗ୍ରେଟେଡ ୱେଭଗାଇଡ (SIW) ମଧ୍ୟରେ ଏକ ନୂଆ ପରିବର୍ତ୍ତନକୁ ଉପସ୍ଥାପନ କରାଯାଇଛି । କମ୍ କ୍ଷତି ବିଶିଷ୍ଟ ବ୍ରଡବ୍ୟାଣ୍ଡ ପ୍ରତିକ୍ରିୟା ହାସଲ କରିବା ପାଇଁ, ଏକ କୋଣାତ୍ମକ କିମ୍ବା ବହୁବିଧ କ୍ରମିକ SIW ଏବଂ ଏକ କୋଣାତ୍ମକ ମାଇକ୍ରୋଷ୍ଟ୍ରିପ୍ ଲାଇନ୍ ଥିବା ପରିବର୍ତ୍ତନକୁ ଏକକାଳୀନ ଉଭୟ ଇମ୍ପେଡେନ୍ସ ମେଳ ଏବଂ ଫିଲ୍ଡ ମେଳକୁ ବିଚାର କରି ମଡେଲ୍ ଏବଂ ଡିଜାଇନ୍ କରାଯାଏ । ବର୍ଣ୍ଣନାତ୍ମକ ପ୍ରତିରୋଧ ଏବଂ ଗାଇଡେଡ୍ ତରଙ୍ଗ ଦୈର୍ଘ୍ୟକୁ ବନ୍ଦ-ଫର୍ମ ଅଭିବ୍ୟକ୍ତି ବ୍ୟବହାର କରି ଏକ ଟ୍ରାନ୍ସଭର୍ସାଲ୍ ରେଜୋନାଣ୍ଟ ପଦ୍ଧତି ଉପରେ ଆଧାର କରି ଗଣନା କରାଯାଇଥାଏ । ଏହି ଅଧ୍ୟୟନରେ ବିକଶିତ ଦୁଇଟି ଉଦାହରଣରେ ପ୍ରଭାବୀ ବ୍ୟାଡବ୍ୟାଣ୍ଡୱିଡଥ୍ ପ୍ରାପ୍ତ ହୋଇଛି, ଯାହା ସିମୁଲେଟେଡ୍ ଏବଂ ମାପିତ ଫଳାଫଳ ସହିତ ବୈଧତା ପ୍ରାପ୍ତ ହୋଇଛି । ଏହି ପରିବର୍ତ୍ତନ ଦ୍ୱାରା ମଲ୍ଟିଲେୟାର୍ ସବଷ୍ଟ୍ରେଟରେ ମାଇକ୍ରୋଷ୍ଟ୍ରିପ୍ ସର୍କିଟ୍ ସହିତ ସବଷ୍ଟ୍ରେଟ୍ ଇଣ୍ଟିଗ୍ରେଟେଡ୍ ସର୍କିଟ୍ ଡିଜାଇନ୍ କରିବାର ଏକ ସରଳ ଉପାୟ ଉପଲବ୍ଧ ହୋଇଥାଏ ଯେଉଁଥିରେ ଇମ୍ପେଡେନ୍ସ ଟ୍ରାନ୍ସଫର୍ମର ଯେକୌଣସି ଅନୁପାତକୁ ପୂର୍ବାନୁମାନ କରାଯାଇପାରିବ । |
442a209e48c365076825198846cf7ec4761f3463 | ସାଧାରଣତଃ ସିଲାବସ ଓ ରେକ୍ଟେଙ୍ଗୁଲାର ୱେବ ଗାଇଡ ମଧ୍ୟରେ ପରିବର୍ତ୍ତନ ପାଇଁ ୩-ଡି କମ୍ପ୍ଲେକ୍ସ ମଣ୍ଟିଂ ଷ୍ଟ୍ରେଚର ବ୍ୟବହାର କରାଯାଏ । ଏହି ସମନ୍ୱୟ ପାଇଁ ବ୍ୟୟ ବହୁଳ ଉଚ୍ଚ ସଠିକ ଯାନ୍ତ୍ରିକ ସମନ୍ୱୟ ଆବଶ୍ୟକ । ଏହି କାଗଜରେ ଏକ ନୂତନ ପ୍ଲାଟଫର୍ମ ବିକଶିତ କରାଯାଇଛି ଯେଉଁଥିରେ ଏକ କୋପ୍ଲାନାର୍ ୱେଭ୍ ଗାଇଡ୍ (ସିପିଡବ୍ଲୁ) ଏବଂ ଏକ ଆୟତନ ୱେଭ୍ ଗାଇଡ୍ ସମାନ ସବଷ୍ଟ୍ରେଟ୍ ଉପରେ ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ ଏକୀକୃତ ହୋଇଛି ଏବଂ ସେଗୁଡିକ ଏକ ସରଳ ପରିବର୍ତ୍ତନ ମାଧ୍ୟମରେ ପରସ୍ପର ସହିତ ସଂଯୁକ୍ତ ହୋଇଛି । ସେଗୁଡିକୁ ସାଧାରଣ ପିସିବି ପ୍ରକ୍ରିୟାରେ ନିର୍ମାଣ କରାଯାଇପାରିବ । 28 GHz ରେ ଆମର ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ 15 dB ରିଟର୍ଣ୍ଣ ଲସ ସହିତ 7% ର ଏକ ପ୍ରଭାବୀ ବ୍ୟାଣ୍ଡୱିଡଥ୍ ସହଜରେ ହାସଲ କରାଯାଇପାରିବ । ସିପିଡବ୍ଲୁରୁ ୱେଭଗାଇଡକୁ ପରିବର୍ତ୍ତନ କରିବା ଦ୍ୱାରା ସବଷ୍ଟ୍ରେଟ ଉପରେ ୱେଭଗାଇଡ ଉପାଦାନକୁ ଏମଏମଆଇସି ପରି ସକ୍ରିୟ ଉପାଦାନ ସହିତ ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ ଏକୀକରଣ କରାଯାଇପାରିବ । |
520676110b3f7be99f170fe36d4aec1d9c2040a8 | ଉଚ୍ଚ-ବାରମ୍ବାର ସମନ୍ୱିତ ସର୍କିଟଗୁଡିକର ଏକ ନୂତନ ପିଢ଼ି ଉପସ୍ଥାପିତ ହୋଇଛି, ଯାହାକୁ ସବଷ୍ଟ୍ରେଟ୍ ସମନ୍ୱିତ ସର୍କିଟ (SICs) କୁହାଯାଏ । ଏହି ନୂତନ ଧାରଣା ଉପରେ ଆଧାରିତ ସର୍କିଟ ଡିଜାଇନ ଏବଂ କାର୍ଯ୍ୟାନ୍ୱୟନ ପ୍ଲାଟଫର୍ମର ବର୍ତ୍ତମାନର ଅତ୍ୟାଧୁନିକ ସ୍ଥିତିର ସମୀକ୍ଷା ଏବଂ ବିସ୍ତୃତ ଭାବରେ ଆଲୋଚନା କରାଯାଇଛି । ମାଇକ୍ରୋୱେଭ୍, ମିଲିମିଟର ୱେଭ୍ ଏବଂ ଅପ୍ଟୋଇଲେକ୍ଟ୍ରୋନିକ୍ସ ପ୍ରୟୋଗ ପାଇଁ ଏସଆଇସିର ବିଭିନ୍ନ ସମ୍ଭାବନା ଏବଂ ଅନେକ ସୁବିଧା ପ୍ରଦର୍ଶିତ ହୋଇଛି । ତୃଣକ ସମନ୍ୱିତ ୱେଭଗାଇଡ୍ (SIW), ତୃଣକ ସମନ୍ୱିତ ସ୍ଲାବ୍ ୱେଭଗାଇଡ୍ (SISW) ଏବଂ ତୃଣକ ସମନ୍ୱିତ ଅଣ-ବିଜୁଳି ବିସର୍ଜନ ଡାଏଲେକ୍ଟ୍ରିକ୍ (SINRD) ଗାଇଡ୍ ସର୍କିଟ୍ ପାଇଁ ସିଦ୍ଧାନ୍ତିକ ଏବଂ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ସହିତ ବ୍ୟବହାରିକ ଉଦାହରଣ ଦର୍ଶାଯାଇଛି । ଭବିଷ୍ୟତରେ ଗବେଷଣା ଓ ବିକାଶର ଧାରା ସମ୍ପର୍କରେ ମଧ୍ୟ ଆଲୋଚନା କରାଯାଇଛି ଯେଉଁଥିରେ ମିଲିମିଟର ୱେଭ୍ ଓ ଅପ୍ଟୋ ଇଲେକ୍ଟ୍ରୋନିକ୍ସ ସମନ୍ୱିତ ସର୍କିଟ୍ର କମ୍ ଖର୍ଚ୍ଚରେ ଅଭିନବ ଡିଜାଇନ୍ ବିଷୟରେ ଆଲୋଚନା କରାଯାଇଛି । |
9cc76f358a36c50dafc629d4735fcdd09f09f876 | |
572c58aee06d3001f1e49bbe6b39df18757fb3c5 | |
0a866d10c90e931d8b60a84f9f029c0cc79276fa | 123ଟି ପର୍ଯ୍ୟାୟ ବିଶିଷ୍ଟ ଏକ ସମ୍ପୂର୍ଣ୍ଣ ସମନ୍ୱିତ ଷ୍ଟେପ ଡାଉନ ସୁଇଚଡ କଣ୍ଡେସଟର ଡିସି-ଡିସି କନ୍ଭର୍ଟର ରିଙ୍ଗର ଡିଜାଇନ କରାଯାଇଛି ଯାହାଦ୍ୱାରା ପୋଷାକ ଉପକରଣର ମାଇକ୍ରୋପ୍ରୋସେସର ପାଇଁ ଦ୍ରୁତ ଗତିଶୀଳ ଭୋଲଟେଜ ସ୍କେଲିଂ ହାସଲ କରାଯାଇପାରିବ । ଏହି ସିମଟ୍ରିକ ମଲ୍ଟିଫେଜ କନ୍ଭର୍ଟର ରିଙ୍ଗ୍ ଏହାର ଲୋଡକୁ ବର୍ଗରେ ଘେରିଥାଏ ଏବଂ ଚିପ୍ ଇନ୍ ପାୱାର ଗ୍ରୀଡକୁ ଶକ୍ତି ଯୋଗାଏ ଯାହା ଚିପ୍ କଡ଼ର ଯେକୌଣସି ସ୍ଥାନରେ ସହଜରେ ଉପଲବ୍ଧ ହୋଇଥାଏ । <inline-formula> <tex-math notation="LaTeX">$V_{\mathrm {DD}}$ </tex-math></inline-formula>-ନିୟନ୍ତ୍ରିତ ଓସିଲିଟରର ଫ୍ରିକ୍ୱେନ୍ସି ଏହାର ଯୋଗାଣ ଭୋଲଟେଜ <inline-formula> <tex-math notation="LaTeX">$V_{\mathrm {DD}}$ </tex-math></inline-formula> ମାଧ୍ୟମରେ ନିୟନ୍ତ୍ରିତ ହୋଇଥାଏ, ଯାହା ୟୁନିଟ-ଗେନ୍ ଫ୍ରିକ୍ୱେନ୍ସିକୁ ସୁଇଚ୍ ଫ୍ରିକ୍ୱେନ୍ସି ଠାରୁ ଅଧିକ ଡିଜାଇନ୍ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । କନ୍ଭର୍ଟର ରିଙ୍ଗକୁ କମ-ଲିକିଂ 65-ଏନଏମ ସିଏମଓଏସ ପ୍ରକ୍ରିୟାରେ ପ୍ରସ୍ତୁତ କରାଯାଇଛି । ଏହି କନ୍ଭର୍ଟର ୩ ଏନ୍ଏସ୍ ର ପ୍ରତିକ୍ରିୟା ସମୟ ହାସଲ କରିଥାଏ, ୨.୫ ଭି/<inline-formula> <tex-math notation="LaTeX">$\mu \text{s}$ </tex-math></inline-formula> ର ରେଫରେନ୍ସ ଟ୍ରାକିଂ ସ୍ପିଡ୍ ଏବଂ ୨.୨ ଏମ୍ଭିର ସର୍ବନିମ୍ନ ଆଉଟପୁଟ୍ ରିପ୍ଲେ ହାସଲ କରିଥାଏ । ଏହାର ସର୍ବାଧିକ ଦକ୍ଷତା ହେଉଛି ୬୬.୬ ମିଲ୍ ୱାଟ୍/ମିମି ୨ର ଶକ୍ତି ଘନତାରେ ୮୦% ଏବଂ ସର୍ବାଧିକ ଶକ୍ତି ଘନତା ହେଉଛି ୧୮୦ ମିଲ୍ ୱାଟ୍/ମିମି ୨ । |
abf97fc7d0228d2c58321a10cca2df9dfcda571d | ଶକ୍ତି ଅର୍ଦ୍ଧସାମରିକ ଯନ୍ତ୍ରର ଦ୍ରୁତ ଉନ୍ନତି ସହିତ ଭୋଲଟେଜ ମଲ୍ଟିପ୍ଲିକେଟର ନୂତନ ଧାରାବାହିକ ଇମ୍ପଲ୍ସଡ ପାୱାର ଜେନେରେଟରକୁ ପ୍ରବର୍ତ୍ତନ କରିଛି । ଏହି କାଗଜରେ, ପାରମ୍ପରିକ ଭୋଲଟେଜ ଗୁଣକ ଉପରେ ଆଧାରିତ ଏବଂ ପାୱାର ଇଲେକ୍ଟ୍ରୋନିକ୍ସ ସୁଇଚ ବ୍ୟବହାର କରି ଉଚ୍ଚ ଭୋଲଟେଜ ଇମ୍ପଲ୍ସଡ ପାୱାର ପ୍ରୟୋଗରେ ଏକ ନୂତନ ଟପୋଲୋଜି ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । ଏହି ଟପୋଲୋଜି ଏକ ମଡ୍ୟୁଲାର ସର୍କିଟ ଯାହା ଏକ ଉଚ୍ଚ ଆଭ୍ୟନ୍ତରୀଣ ଭୋଲଟେଜରୁ ଏକ ଉଚ୍ଚ ଆଭ୍ୟନ୍ତରୀଣ ଭୋଲଟେଜ ସୃଷ୍ଟି କରିପାରେ । ପ୍ରସ୍ତାବିତ ଟପୋଲୋଜିର ଫାଇଦା ଜାଣିବା ପାଇଁ ଏକ ତୁଳନାତ୍ମକ ବିଶ୍ଳେଷଣ କରାଯାଇଛି । ପରୀକ୍ଷଣ ଓ ଅନୁକରଣ ଫଳାଫଳ ବିଶ୍ଳେଷଣର ପ୍ରମାଣ ପାଇଁ ଉପସ୍ଥାପିତ କରାଯାଇଛି । |
7c62116714a9b8a9222083b0f688ec7d423e81ac | ଅସ୍ଥିଶକ୍ତିର ଚିକିତ୍ସା ପାଇଁ ଆନାବୋଲିକ ଏଜେଣ୍ଟ, ଟେରିପାରାଇଡ [ମାନବ ପିଟିଏଚ ୧- ୩୪ (ଟିପିଟିଡି) ] ବ୍ୟବହାର କରିବା ଦ୍ୱାରା ଅସ୍ଥିଶକ୍ତିର ଚିକିତ୍ସା ପ୍ରଭାବଶାଳୀ ହୋଇଥାଏ, କିନ୍ତୁ ରୋଗୀଙ୍କର ଦୈନିକ ସିସି ଇଞ୍ଜେକ୍ସନ ପ୍ରତିରୋଧକତା ଏହାର ବ୍ୟବହାରକୁ ସୀମିତ କରିଛି । ଏକ ନୂତନ ଟ୍ରାନ୍ସଡର୍ମଲ ପ୍ଲାଷ୍ଟର, ଯାହା ଦ୍ରୁତ, ଟିବିଟିଡିର ସ୍ପନ୍ଦନ ପ୍ରଦାନ କରିଥାଏ, ଏକ ଇଚ୍ଛୁକ ବିକଳ୍ପ ପ୍ରଦାନ କରିପାରେ । ଅଧ୍ୟୟନର ଉଦ୍ଦେଶ୍ୟ ଥିଲା ଅସ୍ଥି କଳାବନ୍ୟା ରୋଗରେ ପୀଡ଼ିତ ପୋଷ୍ଟମେନୋପୋଜାଲ ମହିଳାମାନଙ୍କଠାରେ ଏକ ନୂଆ ଟ୍ରାନ୍ସଡର୍ମଲ ଟିପିଟିଡି ପ୍ୟାଚର ନିରାପତ୍ତା ଓ କାର୍ଯ୍ୟକାରିତାକୁ ପ୍ଲାସିବୋ ପ୍ୟାଚ ଓ ସିସିଟିଟିପିଟିଡି ୨୦ ମାଇକ୍ରୋଗ୍ରାମ ଇଞ୍ଜେକ୍ସନ ସହିତ ତୁଳନା କରିବା । ଆମର ଅଧ୍ୟୟନ 6 ମାସର, ରାଣ୍ଡୋମିଜଡ, ପ୍ଲେସିବୋ ନିୟନ୍ତ୍ରିତ, ପଜିଟିଭ କଣ୍ଟ୍ରୋଲ, ମଲ୍ଟିଡୋଜ୍ ଦୈନିକ ପ୍ରଶାସନ ଦ୍ୱାରା ପରିଚାଳିତ ହୋଇଥିଲା । ରୋଗୀ: ଆମେ ୧୬୫ ଜଣ ପୋଷ୍ଟମେନୋପୋଜାଲ ମହିଳାଙ୍କୁ (ସାରାହାରି ବୟସ ୬୪ ବର୍ଷ) ଅଷ୍ଟିଓପୋରୋସିସ୍ ରୋଗରେ ଆକ୍ରାନ୍ତ କରିଥିଲୁ । ହସ୍ତକ୍ଷେପଃ ପ୍ରତିଦିନ ୩୦ ମିନିଟ୍ ଧରି ନିଜେ ନିଜେ ଏକ ଟିପିଟିଡି ପ୍ୟାଚ୍ ୨୦, ୩୦, ୪୦ ମାଇକ୍ରୋଗ୍ରାମ କିମ୍ବା ପ୍ଲେସବୋ ପ୍ୟାଚ୍ ଲଗାଇଲେ କିମ୍ବା ପ୍ରତିଦିନ ୨୦ ମାଇକ୍ରୋଗ୍ରାମ ଟିପିଟିଡି ଇଞ୍ଜେକ୍ସନ ଦିଆଗଲା । ପରିଣାମ 6 ମାସ ପରେ ମୂଳ ସ୍ତର ତୁଳନାରେ ଲାମ୍ବା ସ୍ପାଇନ ଅସ୍ଥି ମିନେରାଲ ଡେନସିଟି (ବିଏମ୍ଡି) ରେ ହାରାହାରି ଶତକଡା ପରିବର୍ତ୍ତନକୁ ପ୍ରାଥମିକ ପ୍ରଭାବ ମାପକ ଭାବେ ଗ୍ରହଣ କରାଯାଇଥିଲା । ଫଳସ୍ୱରୂପ, ଟ୍ରାନ୍ସଡର୍ମଲ ପ୍ଲାଷ୍ଟର ଦ୍ବାରା ଦିଆଯାଇଥିବା TPTD, 6 ମାସ ପରେ, ଡୋଜ୍ ନିର୍ଭରଶୀଳ ଭାବରେ, ପ୍ଲାସବୋ ପ୍ଲାଷ୍ଟର ତୁଳନାରେ, ଯକୃତ ସ୍ତରୀୟ ବାମନ ଡିଏମ୍ଡିରେ ଯଥେଷ୍ଟ ବୃଦ୍ଧି ଘଟିଥିଲା (ପି < 0. 001) । ଟିପିଟିଡି ୪୦ ମାଇକ୍ରୋଗ୍ରାମ ପ୍ୟାଚ୍ ପ୍ଲେସବୋ ପ୍ୟାଚ୍ ଓ ଟିପିଟିଡି ଇଞ୍ଜେକ୍ସନ (ପି < ୦. ୦୫) ତୁଳନାରେ ମୋଟ ହିପ୍ ବମ୍ଡି ବୃଦ୍ଧି କରିଥିଲା । ସମସ୍ତ ଚିକିତ୍ସା ଗୋଷ୍ଠୀରେ ଅସ୍ଥି ପରିବର୍ତନ ମାର୍କର (ପ୍ରୋକୋଲେଗେନ୍ ଟାଇପ୍ I ଏନ- ଟର୍ମିନାଲ୍ ପ୍ରୋପେପ୍ଟାଇଡ୍ ଏବଂ ଟାଇପ୍ I କୋଲେଗେନ୍ ର ସି- ଟର୍ମିନାଲ୍ କ୍ରସ୍- ଲିଙ୍କ୍ ଟେଲୋପେପ୍ଟାଇଡ୍) ମୂଳ ସ୍ତରଠାରୁ ଡୋଜ- ନିର୍ଭରଶୀଳ ଭାବରେ ବୃଦ୍ଧି ପାଇଥିଲା ଏବଂ ପ୍ଲାସବୋ ପ୍ୟାଚ୍ ଠାରୁ ସମସ୍ତେ ଗୁରୁତର ଭାବରେ ଭିନ୍ନ ଥିଲେ (ପି < ୦. ୦୦୧) । ସମସ୍ତ ଚିକିତ୍ସା ଭଲ ଭାବେ ସହ୍ୟ କରାଯାଇଥିଲା ଏବଂ କୌଣସି ଦୀର୍ଘକାଳୀନ ହାଇପରକ୍ୟାଲସିମିଆ ଦେଖାଯାଇନଥିଲା । ଉପସଂହାର ୬ ମାସ ପର୍ଯ୍ୟନ୍ତ ଅସ୍ଥିଶୋଷିତ ପୋଷ୍ଟମେନୋପୋଜାଲ ମହିଳାମାନଙ୍କୁ ଟିପିଟିଡିର ଟ୍ରାନ୍ସଡର୍ମଲ ପ୍ଲାଷ୍ଟର ପ୍ରଦାନ କରିବା ସୁରକ୍ଷିତ ଏବଂ ମୋଟ ଅସ୍ଥିଶୋଷଣ ବୃଦ୍ଧିରେ ପ୍ରଭାବଶାଳୀ । |
c49044d31d82070a23d0ae223b7e95d12bc155ec | |
4d081514541737c24ae699814494b0c3a5585b31 | 60 ମିଲ୍ FR4 ଉପରେ ନିର୍ମିତ ମାନକ କ୍ୱାସି ୟାଗି-ଉଦା ଆଣ୍ଟେନା ପାଇଁ ଡିଜାଇନ୍ ସମୀକରଣ ଉପସ୍ଥାପିତ କରାଯାଇଛି ଯାହା ଫିକ୍ସଡ୍ ୱାୟାରଲେସ୍ ଟେଲିକମ୍ ସିଷ୍ଟମ୍, ୱାଇ-ଫାଇ, ୱାଇମାକ୍ସ ଏବଂ ଏଲ୍ଟିଇରେ ବ୍ୟବହୃତ ହେବ । ଏହି କାର୍ଯ୍ୟରେ, 1 GHz ଏବଂ 3 GHz ମଧ୍ୟରେ ବ୍ୟାଣ୍ଡ ପାଇଁ ଡିଜାଇନ୍ ସମୀକରଣଗୁଡ଼ିକ ବ୍ୟବସ୍ଥିତ ଭାବରେ ପ୍ରସ୍ତାବିତ କରାଯାଇଛି, ଯେଉଁଠାରେ ଆପେକ୍ଷିକ ବ୍ୟାଣ୍ଡୱିଡ୍ଥ୍ 39% ରୁ ଭଲ, ପ୍ରତ୍ୟେକ କୋଣ ଏବଂ ଫ୍ରିକ୍ୱେନ୍ସି ପାଇଁ କ୍ରସ୍-ପୋଲାରାଇଜେସନ୍ - 15dB ରୁ କମ୍, ମୁଖ୍ୟ ଲୋବରେ କ୍ରସ୍-ପୋଲାରାଇଜେସନ୍ - 25dB ରୁ କମ୍ ଏବଂ ସମସ୍ତ ବ୍ୟାଣ୍ଡୱିଡ୍ଥ୍ ରେ 12dB ରୁ ଭଲ ଫ୍ରଣ୍ଟ-ଟୁ-ବ୍ୟାକ୍ ଅନୁପାତ _ ତିନୋଟି ଆଣ୍ଟିନା ଡିଜାଇନ୍, ନିର୍ମାଣ ଏବଂ 1.5GHz, 2GHz ଏବଂ 3GHz ରେ ପ୍ରସ୍ତାବିତ ସମୀକରଣ ସହିତ ମାପ କରାଯାଇଥିଲା, ଯାହା ସିମୁଲେସନ୍ ଫଳାଫଳ ସହିତ ଭଲ ବୁଝାମଣା ଦର୍ଶାଉଛି । |
23cc8e75e04514cfec26eecc9e1bc14d05ac5ed5 | ଯେଉଁ ପଦ୍ଧତିଗୁଡ଼ିକ ତଥ୍ୟର ଲୁକ୍କାୟିତ ପ୍ରତିନିଧିତ୍ୱକୁ ବ୍ୟବହାର କରନ୍ତି, ଯେପରିକି ମାଟ୍ରିକ୍ସ ଏବଂ ଟେନସର ଫ୍ୟାକ୍ଟୋରିଜେସନ୍ କିମ୍ବା ଗଭୀର ସ୍ନାୟୁ ପଦ୍ଧତିଗୁଡ଼ିକ, ଜ୍ଞାନ ଆଧାର ଜନସଂଖ୍ୟା ଏବଂ ସୁପାରିଶ ପ୍ରଣାଳୀ ପରି ପ୍ରୟୋଗଗୁଡ଼ିକ ପାଇଁ ଅଧିକ ଲୋକପ୍ରିୟ ହୋଇଚାଲିଛି । ଏହି ପଦ୍ଧତିଗୁଡ଼ିକ ଅତ୍ୟନ୍ତ ଦୃଢ଼ ଏବଂ ମାପଯୋଗ୍ୟ ବୋଲି ପ୍ରମାଣିତ ହୋଇଛି କିନ୍ତୁ ଅଧିକ ସାଙ୍କେତିକ ପଦ୍ଧତିଗୁଡିକର ବିପରୀତରେ, ଏହାର ବ୍ୟାଖ୍ୟା କରିବାର ଅଭାବ ରହିଛି । ଏହାଦ୍ୱାରା ଏହିପରି ମଡେଲଗୁଡ଼ିକର ତ୍ରୁଟିନିବାରଣ କଷ୍ଟକର ହୋଇଥାଏ, ଏବଂ ଏହାର ପରିଣାମ ସ୍ୱରୂପ ଉପଭୋକ୍ତାମାନେ ଏହିପରି ସିଷ୍ଟମର ପୂର୍ବାନୁମାନ ଉପରେ ବିଶ୍ୱାସ କରନ୍ତି ନାହିଁ । ଏହି ସମସ୍ୟାକୁ ଦୂର କରିବା ପାଇଁ ଆମେ ଏକ ପୂର୍ବାନୁମାନିକ ଲଟେଣ୍ଟ ଭେରିଏବଲ୍ ମଡେଲରୁ ଏକ ବ୍ୟାଖ୍ୟାଯୋଗ୍ୟ ପ୍ରୋକ୍ସି ମଡେଲ ବାହାର କରିବା ପାଇଁ ପ୍ରସ୍ତାବ ଦେଉଛୁ । ଆମେ ଏକ ଶିକ୍ଷଣୀୟ ପଦ୍ଧତି ବ୍ୟବହାର କରୁ, ଯେଉଁଠାରେ ଆମେ ଆମର ପୂର୍ବାନୁମାନ ମଡେଲକୁ ପ୍ରଶ୍ନ କରି ବର୍ଣ୍ଣନାତ୍ମକ ମଡେଲକୁ ଶିଖିବା ପାଇଁ ଆବଶ୍ୟକୀୟ ପର୍ଯ୍ୟବେକ୍ଷଣ ପ୍ରାପ୍ତ କରୁ । ଆମେ ବର୍ଣ୍ଣନାତ୍ମକ ମଡେଲର ଦୁଇଟି ପରିବାର (ବୋଧହୁଏ ଅଧିକ) ବର୍ଣ୍ଣନାତ୍ମକ ମଡେଲ, ସରଳ ତର୍କ ନିୟମ ଏବଂ ବେୟସୀୟ ନେଟୱାର୍କର ବର୍ଣ୍ଣନା କରିଛୁ ଏବଂ ଏହି ପରିବାରର ସଦସ୍ୟମାନେ କିପରି ମାଟ୍ରିକ୍ସ ଫ୍ୟାକ୍ଟୋରିଜେସନ୍ ମଡେଲର ବର୍ଣ୍ଣନାତ୍ମକ ପ୍ରତିନିଧିତ୍ୱ ପ୍ରଦାନ କରନ୍ତି ତାହା ଦର୍ଶାଉଛୁ । ପାଠ୍ୟରୁ ଜ୍ଞାନ ଉତ୍ତୋଳନ ଉପରେ ପ୍ରାଥମିକ ପରୀକ୍ଷଣରୁ ଜଣାପଡ଼େ ଯେ ଯଦିଓ ବେୟେସୀୟ ନେଟୱାର୍କଗୁଡିକ ତର୍କ ନିୟମ ଅପେକ୍ଷା ମାଟ୍ରିକ୍ସ ଫ୍ୟାକ୍ଟୋରିଜେସନ୍ ମଡେଲ ପ୍ରତି ଅଧିକ ବିଶ୍ୱସ୍ତ ହୋଇପାରେ, ତଥାପି ଏହା ବୋଧହୁଏ ବ୍ୟାଖ୍ୟା ଏବଂ ତ୍ରୁଟିନିବାରଣ ପାଇଁ ଅଧିକ ଉପଯୋଗୀ ଅଟେ । |
02880c9ac973046bf8d2fc802fb7ee4fc60c193b | ମତାମତ ପ୍ରଶ୍ନର ଉତ୍ତର ଦେବା ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ ପାଇଁ ଏକ ଆହ୍ୱାନପୂର୍ଣ୍ଣ କାର୍ଯ୍ୟ । ଏହି ଲେଖାରେ, ଆମେ ମତାମତ ପ୍ରଶ୍ନ ଉତ୍ତର ପ୍ରଣାଳୀର ଏକ ଆବଶ୍ୟକ ଉପାଦାନ ଉପରେ ଆଲୋଚନା କରୁଛୁ: ଦସ୍ତାବିଜ ଓ ବାକ୍ୟ ସ୍ତରରେ ମତାମତକୁ ତଥ୍ୟରୁ ପୃଥକ କରିବା । ଆମେ ଏକ ବେୟେସୀୟ ଶ୍ରେଣୀକରଣ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହାଦ୍ୱାରା ସାଧାରଣ ସମ୍ବାଦରୁ ପ୍ରକାଶିତ ସମ୍ପାଦକୀୟ ପରି ମତାମତ ସମ୍ବଳିତ ଦସ୍ତାବିଜକୁ ପୃଥକ କରାଯାଇପାରିବ ଏବଂ ବାକ୍ୟ ସ୍ତରରେ ମତାମତ ଚିହ୍ନଟ କରିବା ପାଇଁ ତିନୋଟି ଅଣ-ନିରୀକ୍ଷିତ, ପରିସଂଖ୍ୟାନିକ କୌଶଳ ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଆମେ ମଧ୍ୟ ଏକ ପ୍ରଥମ ମଡେଲ ଉପସ୍ଥାପନ କରୁଛୁ ଯେଉଁଥିରେ ମତାମତ ବାକ୍ୟକୁ ମତାମତରେ ପ୍ରକାଶିତ ମୁଖ୍ୟ ଦୃଷ୍ଟିକୋଣ ଅନୁଯାୟୀ ସକାରାତ୍ମକ କିମ୍ବା ନକାରାତ୍ମକ ଭାବରେ ଶ୍ରେଣୀଭୁକ୍ତ କରାଯାଇପାରିବ । ସମ୍ବାଦର ଏକ ବଡ଼ ସଂଗ୍ରହ ଏବଂ 400ଟି ବାକ୍ୟର ମାନବୀୟ ମୂଲ୍ୟାଙ୍କନରୁ ମିଳିଥିବା ଫଳାଫଳରୁ ଜଣାପଡ଼େ ଯେ ଆମେ ଦସ୍ତାବିଜ ଶ୍ରେଣୀକରଣରେ ବହୁତ ଉଚ୍ଚ ପ୍ରଦର୍ଶନ ହାସଲ କରିଛୁ (ଉପର 97% ସଠିକତା ଏବଂ ସ୍ମରଣ) ଏବଂ ମତାମତକୁ ଚିହ୍ନଟ କରିବାରେ ଏବଂ ବାକ୍ୟ ସ୍ତରରେ ସକରାତ୍ମକ, ନକାରାତ୍ମକ କିମ୍ବା ନିରପେକ୍ଷ ଭାବରେ ଶ୍ରେଣୀଭୁକ୍ତ କରିବାରେ ସମ୍ମାନଜନକ ପ୍ରଦର୍ଶନ (ଉପର 91% ସଠିକତା) । |
2c64934a9475208f8f3e5a0921f30d78fb0c9f68 | |
6bb2326c8981a07498555df64416d764f03a30c0 | ବିଗତ ବର୍ଷଗୁଡ଼ିକରେ ପ୍ରତିଛବି ଚିହ୍ନଟ କାର୍ଯ୍ୟଦକ୍ଷତାରେ ସବୁଠାରୁ ବଡ଼ ଅଗ୍ରଗତି ପାଇଁ ଅତ୍ୟନ୍ତ ଗଭୀର କଭୋଲ୍ୟୁସନାଲ ନେଟୱାର୍କଗୁଡ଼ିକ କେନ୍ଦ୍ରରେ ରହିଛି । ଏହାର ଏକ ଉଦାହରଣ ହେଉଛି ଇନସେପସନ ଆର୍କିଟେକଚର ଯାହା ଅପେକ୍ଷାକୃତ କମ୍ କମ୍ପ୍ୟୁଟେଶନାଲ ଖର୍ଚ୍ଚରେ ବହୁତ ଭଲ କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରିପାରିଛି । ନିକଟରେ, ଅଧିକ ପାରମ୍ପରିକ ସ୍ଥାପତ୍ୟ ସହିତ ଅବଶିଷ୍ଟ ସଂଯୋଗର ପ୍ରବର୍ତ୍ତନ 2015 ILSVRC ଆହ୍ୱାନରେ ଅତ୍ୟାଧୁନିକ କାର୍ଯ୍ୟଦକ୍ଷତା ପ୍ରଦାନ କରିଛି; ଏହାର କାର୍ଯ୍ୟଦକ୍ଷତା ସର୍ବଶେଷ ପିଢ଼ିର ଇନସେପସନ୍-ଭି 3 ନେଟୱାର୍କ ସହିତ ସମାନ ଥିଲା । ଏହା ପ୍ରଶ୍ନ ଉଠାଉଛି ଯେ, ଇନସେପସନ୍ ଆର୍କିଟେକଚରକୁ ଅବଶିଷ୍ଟ ସଂଯୋଗ ସହିତ ମିଶ୍ରଣ କରିବାରେ କୌଣସି ଲାଭ ଅଛି କି? ଏଠାରେ ଆମେ ସ୍ପଷ୍ଟ ଅନୁଭବୀକ ପ୍ରମାଣ ଦେଉଛୁ ଯେ ଅବଶିଷ୍ଟ ସଂଯୋଗ ସହିତ ତାଲିମ ପ୍ରାରମ୍ଭିକ ନେଟୱାର୍କର ତାଲିମକୁ ଯଥେଷ୍ଟ ତ୍ୱରାନ୍ୱିତ କରେ । ଅବଶିଷ୍ଟ ଇନସେପସନ୍ ନେଟୱାର୍କର କିଛି ପ୍ରମାଣ ମଧ୍ୟ ରହିଛି ଯାହା ଅବଶିଷ୍ଟ ସଂଯୋଗ ବିନା ସମାନ ଦାମୀ ଇନସେପସନ୍ ନେଟୱାର୍କକୁ ଅଳ୍ପ ବ୍ୟବଧାନରେ ଅତିକ୍ରମ କରିଥାଏ । ଆମେ ମଧ୍ୟ ବଳକା ଏବଂ ଅଣ ବଳକା ଇନସେପସନ୍ ନେଟୱାର୍କ ପାଇଁ ଅନେକ ନୂତନ ସୁଗମ ଢାଞ୍ଚା ଉପସ୍ଥାପନ କରୁଛୁ । ଏହି ପରିବର୍ତ୍ତନଗୁଡ଼ିକ ILSVRC 2012 ଶ୍ରେଣୀକରଣ କାର୍ଯ୍ୟରେ ସିଙ୍ଗଲ ଫ୍ରେମ ଚିହ୍ନଟ କ୍ଷମତାକୁ ଯଥେଷ୍ଟ ଉନ୍ନତ କରିଥାଏ । ଆମେ ଆହୁରି ମଧ୍ୟ ଦର୍ଶାଇଛୁ ଯେ କିପରି ସଠିକ ଆକ୍ଟିଭେସନ୍ ସ୍କେଲିଂ ବହୁତ ବଡ଼ ଅବଶିଷ୍ଟ ଇନିସିଏସନ୍ ନେଟୱାର୍କର ପ୍ରଶିକ୍ଷଣକୁ ସ୍ଥିର କରିଥାଏ । ତିନୋଟି ଅବଶିଷ୍ଟ ଏବଂ ଗୋଟିଏ ପ୍ରାରମ୍ଭିକ-v4 ସହିତ, ଆମେ ଇମେଜନେଟ୍ ବର୍ଗୀକରଣ (CLS) ଆହ୍ୱାନର ପରୀକ୍ଷଣ ସେଟରେ 3.08% ଶୀର୍ଷ-5 ତ୍ରୁଟି ହାସଲ କରିଛୁ । |
a38168015a783fecc5830260a7eb5b9e3e945ee2 | ଶହ ଶହ ସ୍ତର ବିଶିଷ୍ଟ ଗଭୀର କଭୋଲ୍ୟୁସନାଲ ନେଟୱାର୍କ ପ୍ରତିଦ୍ୱନ୍ଦ୍ୱୀ ମାନଦଣ୍ଡରେ ତ୍ରୁଟି ହ୍ରାସ କରିବାରେ ସହାୟକ ହୋଇଛି । ଯଦିଓ ପରୀକ୍ଷଣ ସମୟରେ ଅନେକ ସ୍ତରର ଅତୁଳନୀୟ ଅଭିବ୍ୟକ୍ତି ଅତ୍ୟନ୍ତ ଇଚ୍ଛୁକ ହୋଇପାରେ, କିନ୍ତୁ ବହୁତ ଗଭୀର ନେଟୱାର୍କକୁ ତାଲିମ ଦେବା ପାଇଁ ନିଜସ୍ୱ ଆହ୍ୱାନର ଏକ ସେଟ୍ ଆସେ । ଏହି ଧାରଣା ହଜି ଯାଇପାରେ, ଆଗକୁ ପ୍ରବାହ କମ ହୋଇଥାଏ, ଏବଂ ତାଲିମ ସମୟ ଯନ୍ତ୍ରଣାଦାୟକ ଭାବରେ ଧୀର ହୋଇପାରେ । ଏହି ସମସ୍ୟାଗୁଡ଼ିକର ସମାଧାନ ପାଇଁ ଆମେ ଷ୍ଟୋକାଷ୍ଟିକ୍ ଗଭୀରତା, ଏକ ପ୍ରଶିକ୍ଷଣ ପଦ୍ଧତିର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ସ୍ୱଳ୍ପ ନେଟୱାର୍କକୁ ପ୍ରଶିକ୍ଷଣ ଦେବା ପାଇଁ ଏବଂ ପରୀକ୍ଷଣ ସମୟରେ ଗଭୀର ନେଟୱାର୍କ ବ୍ୟବହାର କରିବା ପାଇଁ ଏକ ପ୍ରକାର ବିରୋଧାଭାସୀ ସେଟଅପ୍ କୁ ସକ୍ଷମ କରେ । ଆମେ ବହୁତ ଗଭୀର ନେଟୱର୍କରୁ ଆରମ୍ଭ କରିଥାଉ କିନ୍ତୁ ତାଲିମ ସମୟରେ, ପ୍ରତ୍ୟେକ ମିନି-ବ୍ୟାଚ୍ ପାଇଁ, ଆମେ ଆକସ୍ମିକ ଭାବରେ ସ୍ତରର ଏକ ଉପସୂଚୀ ଛାଡିଥାଉ ଏବଂ ସେମାନଙ୍କୁ ପରିଚୟ ଫଳନ ସହିତ ଏଡ଼ାଇ ଦେଇଥାଉ । ଏହି ସରଳ ଉପାୟରେ ଅତୀତରେ ସଫଳ ହୋଇଥିବା ଅବଶିଷ୍ଟ ନେଟୱାର୍କର ପରିପୂରକ । ଏହାଦ୍ୱାରା ପ୍ରଶିକ୍ଷଣ ସମୟ ହ୍ରାସ ପାଇଥାଏ ଏବଂ ମୂଲ୍ୟାଙ୍କନ ପାଇଁ ଆମେ ବ୍ୟବହାର କରୁଥିବା ପ୍ରାୟ ସମସ୍ତ ତଥ୍ୟ ସେଟ୍ରେ ପରୀକ୍ଷଣ ତ୍ରୁଟିକୁ ଯଥେଷ୍ଟ ଉନ୍ନତ କରିଥାଏ । ଷ୍ଟୋକାଷ୍ଟିକ୍ ଗଭୀରତା ସହିତ ଆମେ ଅବଶିଷ୍ଟ ନେଟୱାର୍କର ଗଭୀରତାକୁ 1200 ସ୍ତରରୁ ଅଧିକ ବୃଦ୍ଧି କରିପାରିବା ଏବଂ ତଥାପି ପରୀକ୍ଷଣ ତ୍ରୁଟିରେ ଅର୍ଥପୂର୍ଣ୍ଣ ଉନ୍ନତି କରିପାରିବା (CIFAR-10 ରେ 4.91%) । |
22913f85923ddbb2607aec150fc74d3e24a63c3d | ଆଇଟି ଗଭର୍ଣ୍ଣାନ୍ସ କର୍ପୋରେଟ ଗଭର୍ଣ୍ଣାନ୍ସର ଏକ ପ୍ରମୁଖ ଉପାଦାନ ପାଲଟିଛି କାରଣ ସୂଚନା ପ୍ରଣାଳୀ ଏବଂ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ପ୍ରଭାବରେ ସଂଗଠନର ପ୍ରତ୍ୟେକ ଉପାଦାନକୁ ସମର୍ଥନ କରିଥାଏ । ସରକାରୀ ସଂଗଠନଗୁଡ଼ିକରେ ଆଇଟି ପ୍ରଶାସନ ପ୍ରୟୋଗ କରାଯିବା ଦ୍ୱାରା ସକାରାତ୍ମକ ଲାଭ ମିଳିପାରିବ ଏବଂ ସରକାରୀ ସେବାଗୁଡ଼ିକର ଗୁଣବତ୍ତା ବୃଦ୍ଧି କରିବା ଲାଗି ବ୍ୟବସାୟିକ ଲକ୍ଷ୍ୟ ହାସଲ କରିବାରେ ସହାୟତା ମିଳିପାରିବ । ଆଇଟି ପ୍ରଶାସନର ପ୍ରୟୋଗ ଅନୁଷ୍ଠାନିକ ପରିପ୍ରେକ୍ଷୀରେ ଏହାକୁ ପ୍ରୟୋଗ କରିବା ପାଇଁ ବ୍ୟବହୃତ ହୁଏ । ଏହି ପଦ୍ଧତି ହେଉଛି କୋବିଟ୍-୫କୁ ଆଇଟିବିଏସସି ସହିତ ମିଶାଇ ବ୍ୟବହାର କରିବା ଏବଂ ତାପରେ ସଂସ୍ଥାଗତ ଲକ୍ଷ୍ୟ ସହିତ ମ୍ୟାପିଂ କରିବା । କୁପାଙ୍ଗ ପୌରପାଳିକାର ଅଂଶୀଦାରମାନଙ୍କ ସହିତ ସଂରଚନା କରାଯାଇଥିବା ସାକ୍ଷାତକାର ପଦ୍ଧତି ବ୍ୟବହାର କରି ତଥ୍ୟ ସଂଗ୍ରହ କରିବାର ପ୍ରକ୍ରିୟା । ଏହି ଗବେଷଣାରୁ ଜଣାପଡିଛି ଯେ କୁପାଙ୍ଗ ପୌରପାଳିକାର କ୍ଷମତା ସ୍ତର 0 (ଅସମ୍ପୂର୍ଣ୍ଣ ପ୍ରକ୍ରିୟା) ରେ ରହିଛି ଏବଂ କ୍ଷମତା ସ୍ତର 3 ରହିଛି । ଏହାର ଅର୍ଥ ହେଉଛି ଯେ କୁପାଙ୍ଗ ପୌରପାଳିକାର ଆଇଟି ପ୍ରଶାସନ ବ୍ୟବସାୟିକ ପ୍ରକ୍ରିୟାକୁ ପ୍ରତିକ୍ରିୟା କରିବା ପାଇଁ ସର୍ବାଧିକ ଅବସ୍ଥାରେ ନାହିଁ । ଏହି ଅଧ୍ୟୟନ ଦ୍ୱାରା କୋବିଟ-୫ ଆଧାରରେ ନିର୍ଦ୍ଧାରିତ କ୍ଷମତା ସ୍ତରର ମୂଲ୍ୟ ବୃଦ୍ଧି କରିବା ପାଇଁ ସୁପାରିଶ ମଧ୍ୟ କରାଯାଇଥିଲା । |
7928e4eeb14d271fb66a07a1f9ec47893f556bc6 | ଏହି ଦସ୍ତାବିଜରେ ଲିକ୍ ୱେଭ୍ ଆଣ୍ଟିନା (ଏଲଡବ୍ଲ୍ୟୁଏ) ର ସାମ୍ପ୍ରତିକ ବିକାଶର ଏକ ମୂଳ ସମୀକ୍ଷା ଏବଂ ସାରାଂଶ ଦିଆଯାଇଛି । ଏକ ଏଲଡବ୍ଲୁଏ ଏକ ଗାଇଡିଂ ଷ୍ଟ୍ରକଚର ବ୍ୟବହାର କରେ ଯାହା ଷ୍ଟ୍ରକଚରର ଲମ୍ବ ସହିତ ତରଙ୍ଗ ପ୍ରସାରକୁ ସମର୍ଥନ କରେ, ଯେଉଁଥିରେ ତରଙ୍ଗ ଷ୍ଟ୍ରକଚର ସହିତ କ୍ରମାଗତ ଭାବରେ ବିକିରଣ କିମ୍ବା ଲିକ୍ ହୋଇଥାଏ । ଏହି ଆଣ୍ଟିନା ଗୁଡିକ ସମାନ, ପ୍ରାୟ ସମାନ, କିମ୍ବା ସମୟାନୁବର୍ତ୍ତୀ ହୋଇପାରେ । ଏହି ପ୍ରକାର ସଂରଚନା ପାଇଁ କିଛି ଅତ୍ୟାଧୁନିକ ଅଗ୍ରଗତିର ଏକ ସାରାଂଶ ଦିଆଯାଇଛି । ନିକଟରେ ହୋଇଥିବା ଅଗ୍ରଗତି ମଧ୍ୟରେ ରହିଛି, ଯେଉଁଗୁଡ଼ିକ ଅଗ୍ନିଶମକୁ ଶେଷ ପର୍ଯ୍ୟନ୍ତ ସ୍କାନ୍ କରିପାରିବ, ଯେଉଁଗୁଡ଼ିକ ବ୍ରଡସାଇଡ୍ ମାଧ୍ୟମରେ ସ୍କାନ୍ କରିପାରିବ, ଯେଉଁଗୁଡ଼ିକ ପୃଷ୍ଠଭୂମି ସହିତ ଅନୁକୂଳ, ଏବଂ ଯେଉଁଗୁଡ଼ିକ ଶକ୍ତି ପୁନଃ ବ୍ୟବହାରକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରେ କିମ୍ବା ସକ୍ରିୟ ଉପାଦାନଗୁଡ଼ିକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରେ । ଏହି ନୂତନ ଢାଞ୍ଚାଗୁଡ଼ିକ ମଧ୍ୟରୁ କେତେକ ମେଟାମାଟେରିଆଲ କ୍ଷେତ୍ରରେ ସାମ୍ପ୍ରତିକ ଅଗ୍ରଗତି ଦ୍ୱାରା ଅନୁପ୍ରାଣିତ । |
7cc67cbb00d3f854a4d5b1310889076f3d587464 | |
591705aa6ced4716075a64697786bb489447ece0 | ଏହି ଚିଠିରେ ସକ୍ରିୟ ଅନୁମାନ ଓ ପୂର୍ବାନୁମାନ କୋଡିଂ ଉପରେ ଆଧାରିତ ସେରେବଲମ୍ ରେ ପାଭଲୋଭିଆନ୍ କଣ୍ଡିସନିଂ ର ଏକ କମ୍ପ୍ୟୁଟେସନାଲ ବିବରଣୀ ପ୍ରଦାନ କରାଯାଇଛି । ଆଖି ଝାପସା ସର୍ତ୍ତାବଳୀକୁ ଏକ ନିୟମିତ ଆଦର୍ଶ ଭାବରେ ବ୍ୟବହାର କରି ଆମେ ଏକ ସର୍ବନିମ୍ନ ଜେନେରେଟିଭ୍ ମଡେଲ ପ୍ରସ୍ତୁତ କରିଛୁ ଯାହା ସ୍ୱତଃସ୍ଫୂର୍ତ୍ତ ଆଖି ଝାପସା, ଚମକିବା ପ୍ରତିକ୍ରିୟା ଏବଂ (ବିଳମ୍ବ କିମ୍ବା ଟ୍ରାସ୍) ସର୍ତ୍ତାବଳୀକୁ ବୁଝାଇପାରେ । ତାପରେ ଆମେ ମଡେଲର ଚେହେରା ବୈଧତା ସ୍ଥାପନ କରିଥାଉ ଅନୁକୂଳିତ ପ୍ରତିକ୍ରିୟା ବ୍ୟବହାର କରି ଅଣ-ପରିଶୋଧିତ ଏବଂ ସର୍ତ୍ତଯୁକ୍ତ ଉତ୍ତେଜକକୁ ବ୍ୟବହାର କରି ବ୍ୟବହାରର ପ୍ରକାରକୁ ପୁନଃ ଉତ୍ପାଦନ କରିବା ପାଇଁ ଯାହା ଅନୁଭବୀ ଭାବରେ ଦେଖାଯାଇଥାଏ । ଏହି ସ୍କିମର ଆନାଟୋମିକ ବୈଧତା ପରେ ପୂର୍ବାନୁମାନ କୋଡିଂ ସ୍କିମରେ ଥିବା ବିବିଧତାକୁ ନ୍ୟୁକ୍ଲିୟସ ଏବଂ ନ୍ୟୁରୋନ ଜନସଂଖ୍ୟା ସହିତ ଯୋଡି ସେରେବେଲାର୍ (ଆଖି ଝାପସା ସର୍ତ୍ତ) ସିଷ୍ଟମର (ବାହ୍ୟ ଏବଂ ଅନ୍ତର୍ନିହିତ) ସଂଯୋଗକୁ ମେଳାଇବା ପାଇଁ ସମାଧାନ କରାଯାଏ । ଶେଷରେ, ଆମେ ବିଳମ୍ବିତ ସର୍ତ୍ତ, ଟ୍ରାସ ସର୍ତ୍ତ ଏବଂ ବିଲୁପ୍ତ ହେବାର ଚୟନୀୟ ବିଫଳତାକୁ (ସିମୁଲେଟେଡ୍ ଏବଂ ରିଭର୍ସେବଲ୍) ଫୋକାଲ୍ କ୍ଷୟକ୍ଷତି ବ୍ୟବହାର କରି ପୂର୍ବାନୁମାନ ବୈଧତା ପ୍ରତିଷ୍ଠା କରିବାକୁ ଚେଷ୍ଟା କରୁ । ଯଦିଓ ଏହା ଏକ ରୂପକ ଅଟେ, କିନ୍ତୁ ଏହା ପରେ ଦିଆଯାଇଥିବା ଯୋଜନାରେ ସେରେବେଲାର ସର୍କିଟ୍ର ଏକ ଉଲ୍ଲେଖନୀୟ ଆନାଟୋମିକ ଏବଂ ନ୍ୟୁରୋଫିଜିଓଲୋଜିକାଲ ଦିଗ ଏବଂ ପରୀକ୍ଷାମୂଳକ ଭାବରେ ପ୍ରତିଷ୍ଠିତ ହୋଇଥିବା କ୍ଷତ-କ୍ଷମତା ମ୍ୟାପିଂର ବିଶେଷତା ବିଷୟରେ ବର୍ଣ୍ଣନା କରାଯାଇପାରେ । ଏକ କମ୍ପ୍ୟୁଟେଶନାଲ୍ ଦୃଷ୍ଟିକୋଣରୁ, ଏହି କାର୍ଯ୍ୟ ଦର୍ଶାଏ ଯେ କିପରି କଣ୍ଡିସନିଂ କିମ୍ବା ଶିକ୍ଷଣକୁ ପରିବର୍ତ୍ତନଶୀଳ ମୁକ୍ତ ଶକ୍ତିକୁ ସର୍ବନିମ୍ନ କରିବା (କିମ୍ବା ବେସିୟାନ୍ ମଡେଲ ପ୍ରମାଣକୁ ସର୍ବାଧିକ କରିବା) ର ପରିପ୍ରେକ୍ଷୀରେ ସୂଚିତ କରାଯାଇପାରିବ । |
175de84e1c7ce58cd969372a54461d7499086d46 | ବିଟକଏନ, ପ୍ରସିଦ୍ଧ ପିୟର-ଟୁ-ପିୟର, ବିକେନ୍ଦ୍ରୀକୃତ ଇଲେକ୍ଟ୍ରୋନିକ ମୁଦ୍ରା ପ୍ରଣାଳୀ, ପାଣ୍ଠିକୁ ସ୍ଥାନାନ୍ତର କରିବା ପାଇଁ ମନଇଚ୍ଛା ସଂଖ୍ୟକ ଉପନାମ (କିମ୍ବା ଠିକଣା) ସୃଷ୍ଟି କରି ଉପଭୋକ୍ତାମାନଙ୍କୁ ଛଦ୍ମନାମରୁ ଲାଭ ଉଠାଇବାକୁ ଅନୁମତି ଦେଇଥାଏ । ତେବେ, ସବୁ କାରବାରର ସମ୍ପୂର୍ଣ୍ଣ ଇତିହାସ, ଯାହାକୁ ବ୍ଲକଚେନ କୁହାଯାଏ, ସର୍ବସାଧାରଣ ଅଟେ ଏବଂ ପ୍ରତ୍ୟେକ ନୋଡରେ ଏହା ନକଲ କରାଯାଇଥାଏ । ଏଥିରେ ଥିବା ତଥ୍ୟକୁ ମାନୁଆଲ ଭାବେ ବିଶ୍ଳେଷଣ କରିବା କଷ୍ଟକର କିନ୍ତୁ ଏଥିରେ ବହୁ ସଂଖ୍ୟକ ପ୍ରାସଙ୍ଗିକ ସୂଚନା ମିଳିପାରିବ । ଏହି ଲେଖାରେ ଆମେ ଏକ ମଡ୍ୟୁଲାର ଫ୍ରେମୱାର୍କ, ବିଟଆଇଓଡିନ ଉପସ୍ଥାପନ କରୁଛୁ, ଯାହା ବ୍ଲକଚେନକୁ ବିଶ୍ଳେଷଣ କରେ, ଠିକଣାକୁ କ୍ଲଷ୍ଟର କରେ ଯାହା ସମାନ ଉପଭୋକ୍ତା କିମ୍ବା ଉପଭୋକ୍ତା ଗୋଷ୍ଠୀର ହୋଇପାରେ, ଏହିପରି ଉପଭୋକ୍ତାମାନଙ୍କୁ ଶ୍ରେଣୀଭୁକ୍ତ କରେ ଏବଂ ସେମାନଙ୍କୁ ଲେବଲ୍ କରେ, ଏବଂ ଶେଷରେ ବିଟ୍କଏନ୍ ନେଟୱାର୍କରୁ ବାହାର କରାଯାଇଥିବା ଜଟିଳ ସୂଚନାକୁ ଦୃଶ୍ୟମାନ କରେ । ବିଟଆଇଓଡିନ୍ ବ୍ୟବହାରକାରୀଙ୍କୁ ସେମାନଙ୍କ ପରିଚୟ ଓ କାର୍ଯ୍ୟକଳାପ ବିଷୟରେ ସୂଚନା ଦେଇ ସେମି-ଅଟୋମେଟିକ୍ ଭାବରେ ଲେବଲ୍ କରିଥାଏ ଯାହା ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଖୋଲା ଉପଲବ୍ଧ ସୂଚନା ଉତ୍ସରୁ ସଂଗ୍ରହ କରାଯାଇଥାଏ । ବିଟ୍ଲୋଡିନ ମଧ୍ୟ ଠିକଣା କିମ୍ବା ବ୍ୟବହାରକାରୀଙ୍କ ମଧ୍ୟରେ ପଥ ଏବଂ ବିପରୀତ ପଥ ଖୋଜିବା ଦ୍ୱାରା ମାନୁଆଲ ଅନୁସନ୍ଧାନକୁ ସମର୍ଥନ କରେ । ଆମେ ବାସ୍ତବ ଦୁନିଆରେ ବିଟ୍ଲୋଡିନକୁ ପରୀକ୍ଷା କରି ଦେଖିଲୁ, ଏକ ଠିକଣା ଚିହ୍ନଟ କଲୁ ଯାହା ବୋଧହୁଏ ସିଲ୍କ ରୋଡର କୋଲ୍ଡ ୱାଲେଟର ଅଟେ, କିମ୍ବା କ୍ରିପ୍ଟୋ ଲକର ରାନସମୱେୟାରର ଅନୁସନ୍ଧାନ କଲୁ ଏବଂ ପରିଶୋଧ କରାଯାଇଥିବା ମୂଲ୍ୟର ସଠିକ ପରିମାଣ ନିର୍ଦ୍ଧାରଣ କଲୁ, ଏବଂ ପୀଡିତଙ୍କ ବିଷୟରେ ସୂଚନା ମଧ୍ୟ । ବିଟ୍କଏନ ଫରେନସିକ ବିଶ୍ଳେଷଣ ଉପକରଣ ନିର୍ମାଣ ପାଇଁ ଆମେ ବିଟ୍କଏନ ୟୋଡିନର ଏକ ପ୍ରୋଟୋଟାଇପକୁ ଲାଇବ୍ରେରୀ ଭାବରେ ଉନ୍ମୋଚନ କରୁଛୁ । |
5ae4e852d333564923e1b6caf6b009729df6ca6a | ବିଟକଏନ ଏକ ଲୋକପ୍ରିୟ ଡିଜିଟାଲ ଦେୟ ବ୍ୟବସ୍ଥା ଭାବେ ଦ୍ରୁତ ଗତିରେ ଉଭା ହେଉଛି । କିନ୍ତୁ, ବିଟକଏନ୍ ସଦ୍ନାମ ଉପରେ ନିର୍ଭରଶୀଳ ହେବା ସତ୍ତ୍ୱେ, ଏହା ଅନେକ ଗୋପନୀୟତା ସମସ୍ୟା ସୃଷ୍ଟି କରିଥାଏ କାରଣ ସମସ୍ତ କାରବାରର ସିଷ୍ଟମରେ ସର୍ବସାଧାରଣରେ ଘୋଷଣା କରାଯାଇଥାଏ । ଏହି ଲେଖାରେ ଆମେ ବିଟକଏନର ଗୋପନୀୟତା ବ୍ୟବସ୍ଥା ଉପରେ ଗବେଷଣା କରୁଛୁ ଯେତେବେଳେ ଏହା ଏକ ପ୍ରାଥମିକ ମୁଦ୍ରା ଭାବରେ ବ୍ୟବହାର କରାଯାଏ ଏକ ବିଶ୍ୱବିଦ୍ୟାଳୟ ପରିସରରେ ବ୍ୟକ୍ତିମାନଙ୍କର ଦୈନନ୍ଦିନ କାରବାରକୁ ସମର୍ଥନ କରିବା ପାଇଁ । ବିଶେଷକରି, ଆମେ ବିଟକଏନ ଦ୍ୱାରା ପ୍ରଦତ୍ତ ଗୋପନୀୟତାକୁ ମୂଲ୍ୟାଙ୍କନ କରୁଛୁ (i) ପ୍ରକୃତ ବିଟକଏନ ସିଷ୍ଟମକୁ ବିଶ୍ଳେଷଣ କରି ଏବଂ (ii) ଏକ ସିମୁଲେଟର ମାଧ୍ୟମରେ ଯାହା ବିଶ୍ୱବିଦ୍ୟାଳୟ ମଧ୍ୟରେ ବିଟକଏନର ବ୍ୟବହାରକୁ ନିଷ୍ଠାର ସହ ଅନୁକରଣ କରେ । ଏହି ସେଟିଂରେ, ଆମର ଫଳାଫଳ ଦର୍ଶାଏ ଯେ ପ୍ରାୟ ୪୦% ଉପଭୋକ୍ତାଙ୍କ ପ୍ରୋଫାଇଲ୍ ବହୁ ପରିମାଣରେ ପୁନରୁଦ୍ଧାର ହୋଇପାରିବ, ଏପରିକି ଯେତେବେଳେ ଉପଭୋକ୍ତାମାନେ ବିଟକଏନ୍ ଦ୍ୱାରା ସୁପାରିଶ କରାଯାଇଥିବା ଗୋପନୀୟତା ପଦକ୍ଷେପ ଗ୍ରହଣ କରନ୍ତି । ଆମର ଜ୍ଞାନ ଅନୁସାରେ, ଏହା ହେଉଛି ପ୍ରଥମ କାର୍ଯ୍ୟ ଯାହା ବିଟକଏନର ଗୋପନୀୟତା ଉପରେ ପ୍ରଭାବକୁ ବ୍ୟାପକ ଭାବରେ ବିଶ୍ଳେଷଣ ଓ ମୂଲ୍ୟାଙ୍କନ କରେ । |
af3c5d46ea4f54a323017c7c430e4d0cc45e4abc | ବିଟକଏନ ଏକ ବିକେନ୍ଦ୍ରୀକୃତ ଡିଜିଟାଲ ମୁଦ୍ରା ଯାହା କେନ୍ଦ୍ରୀକୃତ ବ୍ୟାଙ୍କିଙ୍ଗ୍ ବ୍ୟବସ୍ଥା ପାଇଁ ଏକ ଅଜ୍ଞାତ ବିକଳ୍ପ ପ୍ରଦାନ କରିଥାଏ ଏବଂ ବାସ୍ତବରେ ଏହା ବ୍ୟାପକ ଏବଂ ବୃଦ୍ଧି ପାଉଥିବା ଗ୍ରହଣୀୟତା ହାସଲ କରିଛି । ତେବେ ନିକଟରେ ପ୍ରକାଶିତ ଏକ ଗବେଷଣାରୁ ଜଣାପଡିଛି ଯେ, ବିଟ୍କଏନର ସବୁଠାରୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଉପାଦାନ ବ୍ଲକଚେନ, ସମସ୍ତ କାରବାରର ଏକ ସର୍ବସାଧାରଣ ରେଜିଷ୍ଟର ଆଧାରରେ କିପରି ଭାବରେ ବ୍ୟବହାରକାରୀମାନଙ୍କୁ ଚିହ୍ନଟ କରାଯାଇପାରିବ ଏବଂ ସେମାନଙ୍କ ଦେୟକୁ ପରସ୍ପର ସହ ଯୋଡିହେବ । ତେଣୁ ଅନେକ ଲୋକ ବିଟକଏନର ଆର୍ଥିକ ଗୋପନୀୟତା ପ୍ରତି ଥିବା ପ୍ରତିଶ୍ରୁତିକୁ ଭଙ୍ଗ କରିଦେଲେ । ଏହି କାଗଜରେ, ଆମେ CoinParty, ଏକ ଦକ୍ଷ ବିକେନ୍ଦ୍ରୀକୃତ ମିଶ୍ରଣ ସେବାକୁ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ବ୍ୟବହାରକାରୀଙ୍କୁ ବିଟକଏନ୍ ଏବଂ ସମ୍ବନ୍ଧିତ କ୍ରିପ୍ଟୋକରେନ୍ସିରେ ସେମାନଙ୍କର ଆର୍ଥିକ ଗୋପନୀୟତା ପୁନଃ ପ୍ରତିଷ୍ଠା କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । କଏନପାର୍ଟି, ଡିକ୍ରିପ୍ଟେସନ୍ ମିକ୍ସନେଟ୍ସର ଏକ ନୂତନ ସମନ୍ୱୟ ମାଧ୍ୟମରେ, ଏକ ସିଷ୍ଟମରେ ପୂର୍ବରୁ ପ୍ରସ୍ତାବିତ କେନ୍ଦ୍ରୀକୃତ ଏବଂ ବିକେନ୍ଦ୍ରୀକୃତ ମିଶ୍ରଣ ସେବାର ଲାଭକୁ ମିଶ୍ରଣ କରି, ମିଶ୍ରଣ ସେବାଗୁଡିକର ଡିଜାଇନ୍ ସ୍ପେସରେ ଏକ ଅନନ୍ୟ ସ୍ଥାନ ଅଧିକାର କରେ । ଆମର ପ୍ରୋଟୋଟାଇପ କଏନପାର୍ଟି କାର୍ଯ୍ୟକାରିତା ବହୁ ସଂଖ୍ୟକ ବ୍ୟବହାରକାରୀଙ୍କୁ ନେଇ ମାପଚୁପ କରିଥାଏ ଏବଂ ଆମେ ପ୍ରକୃତ ବିଟକଏନ ବ୍ଲକଚେନ୍ର କାରବାରକୁ ବିଶ୍ଳେଷଣ କରି ପରିମାଣିକରଣ କରୁଥିବା ପରି, ଏହା ସମ୍ବନ୍ଧିତ କାର୍ଯ୍ୟଠାରୁ ବହୁଗୁଣ ଅଧିକ ଅଜ୍ଞାତତା ହାସଲ କରିଥାଏ । କଏନପାର୍ଟିକୁ କୌଣସି ବ୍ୟକ୍ତିଗତ ବ୍ୟବହାରକାରୀ ଗୋଷ୍ଠୀ ସହଜରେ ବ୍ୟବହାର କରିପାରିବେ, ଅର୍ଥାତ୍ କୌଣସି ତୃତୀୟ ପକ୍ଷଙ୍କଠାରୁ ସ୍ୱାଧୀନ ଭାବରେ, କିମ୍ବା ଏକ ବ୍ୟବସାୟିକ କିମ୍ବା ସ୍ୱେଚ୍ଛାକୃତ ସେବା ଭାବରେ ପ୍ରଦାନ କରାଯାଇପାରିବ, ଉଦାହରଣ ସ୍ୱରୂପ ଗୋପନୀୟତା ସଚେତନ ସଂଗଠନ ଦ୍ୱାରା ଏକ ଗୋଷ୍ଠୀ ସେବା ଭାବରେ । |
7d986dac610e20441adb9161e5466c88932626e9 | ସୂଚନା ପୁନରୁଦ୍ଧାର ପାଇଁ ଭାଷା ମଡେଲିଂ ଆଭିମୁଖ୍ୟ ଆକର୍ଷଣୀୟ ଏବଂ ଆଶାଜନକ କାରଣ ସେମାନେ ପୁନରୁଦ୍ଧାରର ସମସ୍ୟାକୁ ଭାଷା ମଡେଲ ଆକଳନ ସହିତ ସଂଯୋଗ କରନ୍ତି, ଯାହା ଭାଷାର ଚିହ୍ନଟ ପରି ଅନ୍ୟ ପ୍ରୟୋଗ କ୍ଷେତ୍ରରେ ବ୍ୟାପକ ଭାବରେ ଅଧ୍ୟୟନ କରାଯାଇଛି । ଏହି ପଦ୍ଧତିର ମୂଳ ଧାରଣା ହେଉଛି ପ୍ରତ୍ୟେକ ଦସ୍ତାବିଜ ପାଇଁ ଏକ ଭାଷା ମଡେଲର ଆକଳନ କରିବା ଏବଂ ତାପରେ ଆକଳନ କରାଯାଇଥିବା ଭାଷା ମଡେଲ ଅନୁଯାୟୀ ପ୍ରଶ୍ନର ସମ୍ଭାବନା ଅନୁଯାୟୀ ଦସ୍ତାବିଜଗୁଡ଼ିକୁ ଶ୍ରେଣୀଭୁକ୍ତ କରିବା । ଭାଷା ମଡେଲ ଆକଳନ କ୍ଷେତ୍ରରେ ଏକ ପ୍ରମୁଖ ସମସ୍ୟା ହେଉଛି ସମତୁଲକରଣ, ତଥ୍ୟର ବିରଳତା ପାଇଁ ସର୍ବାଧିକ ସମ୍ଭାବ୍ୟତା ଆକଳନକାରୀକୁ ସଜାଡ଼ିବା । ଏହି ଲେଖାରେ ଆମେ ଭାଷା ମଡେଲ ସୁଗମ କରିବାର ସମସ୍ୟା ଓ ଏହାର ପ୍ରଭାବ ପୁନରୁଦ୍ଧାର କାର୍ଯ୍ୟଦକ୍ଷତା ଉପରେ ଅଧ୍ୟୟନ କରୁଛୁ । ଆମେ ପୁନରୁଦ୍ଧାର କାର୍ଯ୍ୟଦକ୍ଷତାର ସମ୍ବେଦନଶୀଳତାକୁ ସମତୁଲକରଣ ପାରାମିଟର ସହିତ ଯାଞ୍ଚ କରିଥାଉ ଏବଂ ବିଭିନ୍ନ ପରୀକ୍ଷଣ ସଂଗ୍ରହରେ ଅନେକ ଲୋକପ୍ରିୟ ସମତୁଲକରଣ ପଦ୍ଧତିର ତୁଳନା କରିଥାଉ । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଦର୍ଶାଏ ଯେ ପୁନରୁଦ୍ଧାର କାର୍ଯ୍ୟଦକ୍ଷତା ସାଧାରଣତ smoothing ପାରାମିଟର ପ୍ରତି ସମ୍ବେଦନଶୀଳ ନୁହେଁ, କିନ୍ତୁ ସମ୍ବେଦନଶୀଳତା ପ୍ୟାଟର୍ନ ମଧ୍ୟ ପ୍ରଶ୍ନ ପ୍ରକାର ଦ୍ୱାରା ପ୍ରଭାବିତ ହୋଇଥାଏ, କୀୱାର୍ଡ ପ୍ରଶ୍ନ ଅପେକ୍ଷା ବିବର୍ତିକ ପ୍ରଶ୍ନ ପାଇଁ କାର୍ଯ୍ୟଦକ୍ଷତା smoothing ପ୍ରତି ଅଧିକ ସମ୍ବେଦନଶୀଳ ହୋଇଥାଏ । ଅଧିକ ବର୍ଣ୍ଣନାତ୍ମକ ପ୍ରଶ୍ନଗୁଡ଼ିକ ମଧ୍ୟ ସାଧାରଣତଃ ଅଧିକ ଆକ୍ରାମକ ସୂକ୍ଷ୍ମତା ଆବଶ୍ୟକ କରିଥାଏ । ଏହା ସୂଚାଇଥାଏ ଯେ ସୁଗମ କରିବାର ଦୁଇଟି ଭିନ୍ନ ଭୂମିକା ରହିଛି - ଅନୁମାନିତ ଦସ୍ତାବିଜ ଭାଷା ମଡେଲକୁ ଅଧିକ ସଠିକ କରିବା ଏବଂ ପ୍ରଶ୍ନରେ ଥିବା ଅଣ ସୂଚନାତ୍ମକ ଶବ୍ଦଗୁଡ଼ିକୁ "ବର୍ଣ୍ଣନା" କରିବା । ଏହି ଦୁଇଟି ଭିନ୍ନ ଭିନ୍ନ ଭୂମିକାର ସନ୍ତୁଳନକୁ ଅଲଗା କରିବା ପାଇଁ ଆମେ ଦୁଇଟି ପର୍ଯ୍ୟାୟ ବିଶିଷ୍ଟ ସନ୍ତୁଳନ ରଣନୀତିର ପ୍ରସ୍ତାବ ଦେଉଛୁ, ଯାହା ଉତ୍ତମ ସମ୍ବେଦନଶୀଳତା ପ୍ୟାଟର୍ନ ପ୍ରଦାନ କରିଥାଏ ଏବଂ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ସନ୍ତୁଳନ ପାରାମିଟର ସେଟିଂକୁ ସହଜ କରିଥାଏ । ଆମେ ଆହୁରି ମଧ୍ୟ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ସମତୁଲକରଣ ପାରାମିଟରର ଆକଳନ ପାଇଁ ଉପାୟ ପ୍ରସ୍ତାବିତ କରୁଛୁ । ପାଞ୍ଚଟି ଭିନ୍ନ ଭିନ୍ନ ଡାଟାବେସ୍ ଏବଂ ଚାରି ପ୍ରକାରର ପ୍ରଶ୍ନ ଉପରେ କରାଯାଇଥିବା ମୂଲ୍ୟାଙ୍କନରୁ ଜଣାପଡିଛି ଯେ ପ୍ରସ୍ତାବିତ ପାରାମିଟର ଆକଳନ ପଦ୍ଧତି ସହିତ ଦୁଇ-ପର୍ଯ୍ୟାୟ ବିଶିଷ୍ଟ ସନ୍ତୁଳନ ପଦ୍ଧତି ନିରନ୍ତର ଭାବରେ ପୁନରୁଦ୍ଧାର କାର୍ଯ୍ୟଦକ୍ଷତା ପ୍ରଦାନ କରିଥାଏ ଯାହା ଏକ ସନ୍ତୁଳନ ପଦ୍ଧତି ଏବଂ ପରୀକ୍ଷଣ ତଥ୍ୟ ଉପରେ ବିସ୍ତୃତ ପାରାମିଟର ସନ୍ଧାନ ବ୍ୟବହାର କରି ହାସଲ କରାଯାଇଥିବା ସର୍ବୋତ୍ତମ ଫଳାଫଳର ନିକଟତର କିମ୍ବା ଉତ୍ତମ ଅଟେ । |
0961683c0bdc4556ea673d9dfcc04aacc3a12859 | ମୁଖ୍ୟ ପରିବର୍ତ୍ତନଗୁଡ଼ିକ ହେଉଛି କ୍ରମର ପ୍ରୋଫାଇଲ୍, H-plane flares ଏବଂ E-plane flares ଉପରେ ଲାଗୁ କରାଯାଇଛି । ଏହି ଆଣ୍ଟିନା କେବଳ ଉନ୍ନତ କାର୍ଯ୍ୟଦକ୍ଷତା ନୁହେଁ ବରଂ ପାରମ୍ପରିକ ଆଣ୍ଟିନା ତୁଳନାରେ ଏହାର ଆକାର ଓ ଓଜନ ମଧ୍ୟ କମ୍ । ବ୍ରଡବ୍ୟାଣ୍ଡ ଇଏମସି ଡବଲ ରିଡ୍ ଗାଇଡ ହର୍ଣ୍ଣ (ଡିଆରଜିଏଚ) ଆଣ୍ଟିନା ପାଇଁ ଏକ ନୂଆ ଡିଜାଇନ ପ୍ରସ୍ତୁତ କରାଯାଇଛି । ଏକ ପାରମ୍ପରିକ 1-18 GHz ଡବଲ ରିଡ୍ ଗାଇଡ୍ ହର୍ଣ୍ଣକୁ କଠୋରତାର ସହିତ ଅନୁସନ୍ଧାନ କରାଯାଇଛି । ଏହାପରେ ଆଣ୍ଟିନା ସଂରଚନାରେ କିଛି ପରିବର୍ତ୍ତନ କରାଯାଇଛି । ଆଣ୍ଟେନର ଉନ୍ନତ ଇଏମ ବୈଶିଷ୍ଟ୍ୟ ସହିତ ବିଶେଷ କରି ଉଚ୍ଚତର ଫ୍ରିକ୍ୱେନ୍ସିରେ ବିକିରଣ ପଦ୍ଧତିର ଅଭାବକୁ ଦୂର କରିବା ଏହି ପରିବର୍ତ୍ତନଗୁଡ଼ିକର ମୁଖ୍ୟ ଉଦ୍ଦେଶ୍ୟ ଥିଲା । |
25782ed91d7c564628366a2e1edaaa02f9eed7c8 | ଏହି ଅଧ୍ୟୟନରେ ଏକ 1-18 GHz ଡବଲ ରିଡ୍ ଗାଇଡ୍ ହର୍ଣ୍ଣ ଆଣ୍ଟିନା (DRGH) ର କେତେକ ଗୁଣ ଉପରେ କଠୋର ଭାବରେ ଅନୁସନ୍ଧାନ କରାଯାଇଛି ଯେଉଁଥିରେ ଏକ ସମକକ୍ଷ ଇନପୁଟ୍ ଏବଂ ଏକ ବ୍ୟାକ୍ ସର୍ଟନିଂ ପ୍ଲେଟ୍ ସହିତ ଏକ ଫିଡିଂ ସେକ୍ସନ ଅଛି । ଏହି ଆଣ୍ଟେନା ର ଅଧିକାଂଶ ଇଲେକ୍ଟ୍ରୋମ୍ୟାଗ୍ନେଟିକ ବୈଶିଷ୍ଟ୍ୟ ବିଭିନ୍ନ ପାରାମିଟର ପାଇଁ ଆକାର ଖୋଜିବା ଦ୍ୱାରା ପ୍ରାପ୍ତ ହୋଇଥାଏ, ତଥାପି ଖୋଲା ସାହିତ୍ୟରେ ସେମାନଙ୍କ ମଧ୍ୟରୁ ଅଧିକାଂଶର ପ୍ରଭାବ ପାଇଁ କୌଣସି ବ୍ୟାଖ୍ୟା ନାହିଁ । ବିଭିନ୍ନ ପାରାମିଟରର ପ୍ରଭାବ ବିଷୟରେ ସ୍ପଷ୍ଟ ଧାରଣା ପାଇବା ପାଇଁ, 1-18 GHz DRGH HFSS ସହିତ ଅନୁକରଣ କରାଯାଇଛି । ଏହା ଫଳରୁ ବୁଝାପଡୁଛି ଯେ, ଭୋଜନ ବିନ୍ଦୁ ନିକଟରେ ଥିବା ପାରାମିଟର ଯେପରିକି କମ୍ବଳ ମଧ୍ୟରେ ପ୍ରାରମ୍ଭିକ ଦୂରତା, ଅନୁସନ୍ଧାନର କେନ୍ଦ୍ର ଏବଂ ଗୁହାଳ ମଧ୍ୟରେ ଦୂରତା ଏବଂ ଭର୍ତ୍ତି କରାଯାଇଥିବା ଅନୁସନ୍ଧାନର ରେଡିୟସ VSWR ଏବଂ ଲାଭକୁ ନିୟନ୍ତ୍ରଣ କରିବାରେ ଏବଂ ଉଚ୍ଚ ଫ୍ରିକ୍ୱେନ୍ସି ପାଇଁ ବିକିରଣ ପଦ୍ଧତିକୁ ଆକାର ଦେବାରେ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଭୂମିକା ଗ୍ରହଣ କରିଥାଏ । |
79a2e622245bb4910beb0adbce76f0a737f42035 | ବିଜନେସ ପ୍ରୋସେସ ମ୍ୟାନେଜମେଣ୍ଟ (ବିପିଏମ୍) କୁ ଏକ ନୂତନ ଗାର୍ଟନର୍ ଅଧ୍ୟୟନ (ଗାର୍ଟନର୍, ୨୦୦୫) ଦ୍ୱାରା ଏକ ନମ୍ବର ବ୍ୟବସାୟ ପ୍ରାଥମିକତା ଭାବରେ ଚିହ୍ନଟ କରାଯାଇଛି । କିନ୍ତୁ ବିପିଏମର ଅନେକ ଦିଗ ରହିଛି । ଏହାର ଉତ୍ପତ୍ତି ବିଜନେସ ପ୍ରୋସେସ ରିଇଞ୍ଜିନିୟରିଂ, ପ୍ରୋସେସ ଇନୋଭେସନ, ପ୍ରୋସେସ ମଡେଲିଂ ଏବଂ ୱାର୍କଫ୍ଲୋ ମ୍ୟାନେଜମେଣ୍ଟରେ ରହିଛି । ସଂଗଠନଗୁଡ଼ିକ ଅଧିକରୁ ଅଧିକ ପ୍ରକ୍ରିୟାକରଣର ଆବଶ୍ୟକତାକୁ ସ୍ୱୀକାର କରୁଛନ୍ତି ଏବଂ ଉପଯୁକ୍ତ ବ୍ୟାପକ ଢାଞ୍ଚା ଆବଶ୍ୟକ କରନ୍ତି, ଯାହା ସେମାନଙ୍କର ବିପିଏମ୍ ପଦକ୍ଷେପକୁ ବ୍ୟାପକ ଏବଂ ମୂଲ୍ୟାଙ୍କନ କରିବାରେ ସାହାଯ୍ୟ କରେ । ଏହି ଗବେଷଣା ପ୍ରକଳ୍ପର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ବିପିଏମ୍ ପରିପକ୍ୱତାର ଏକ ସାମଗ୍ରିକ ଏବଂ ବ୍ୟାପକ ଭାବେ ସ୍ୱୀକୃତ ମଡେଲର ବିକାଶ, ଯାହା ବିପିଏମ୍ କ୍ଷମତାକୁ ଆକଳନ କରିବାରେ ସହାୟକ ହେବ । ଏହି ପତ୍ରରେ ବର୍ତ୍ତମାନର ମଡେଲର ଏକ ସମୀକ୍ଷା ପ୍ରଦାନ କରାଯାଇଛି ଏବଂ ଏଥିରେ ଡେଲଫି ଅଧ୍ୟୟନର ଏକ ଶୃଙ୍ଖଳାର ଉପଯୋଗ କରି ବାସ୍ତବିକ ମଡେଲ ବିକାଶ ଉପରେ ଧ୍ୟାନ ଦିଆଯାଇଛି । ବିକାଶ ପ୍ରକ୍ରିୟାରେ ପୃଥକ ଅଧ୍ୟୟନ ଅନ୍ତର୍ଭୁକ୍ତ ଯାହା ମଡେଲର ଛଅଟି ମୂଳ ଉପାଦାନକୁ ଅଧିକ ବ୍ୟାଖ୍ୟା ଏବଂ ବିସ୍ତାର କରିବା ଉପରେ ଧ୍ୟାନ ଦେଇଥାଏ, ଯଥାଃ ରଣନୀତିକ ସମନ୍ୱୟ, ପ୍ରଶାସନ, ପଦ୍ଧତି, ସୂଚନା ପ୍ରଯୁକ୍ତି, ଲୋକ ଓ ସଂସ୍କୃତି । |
8687ee7335f6d9813ba9e4576ce25b56e57b16d1 | କେସ ଷ୍ଟଡି ହେଉଛି ସଫ୍ଟୱେର ଇଞ୍ଜିନିୟରିଂ ଗବେଷଣା ପାଇଁ ଏକ ଉପଯୁକ୍ତ ଗବେଷଣା ପଦ୍ଧତି କାରଣ ଏହା ଏହାର ପ୍ରାକୃତିକ ପରିପ୍ରେକ୍ଷୀରେ ସମସାମୟିକ ଘଟଣା ଅଧ୍ୟୟନ କରେ । ତେବେ କେସ୍ ଷ୍ଟଡି କ ଣ ବୁଝାଯାଏ ତାହା ଭିନ୍ନ ଭିନ୍ନ ହୋଇଥାଏ, ଏବଂ ଏଥିରୁ ଉତ୍ପନ୍ନ ହେଉଥିବା ଅଧ୍ୟୟନର ଗୁଣବତ୍ତା ମଧ୍ୟ ଭିନ୍ନ ହୋଇଥାଏ । ଏହି ଅଧ୍ୟୟନରେ କେସ ଷ୍ଟଡିର ପଦ୍ଧତି ଏବଂ ଗାଇଡଲାଇନ ସମ୍ପର୍କରେ ସୂଚନା ଦିଆଯାଇଛି । ଲେଖକମାନେ ନିଜେ ବିଭିନ୍ନ କେସ ଷ୍ଟଡି କରି ସେଗୁଡ଼ିକର ଅନୁଭୂତିକୁ ଆଧାର କରି ଲେଖାଟିକୁ ପ୍ରସ୍ତୁତ କରିଛନ୍ତି । ଏହି ପରିଭାଷା ଓ ନିର୍ଦ୍ଦେଶାବଳୀ ଅନ୍ୟ ଗବେଷଣା କ୍ଷେତ୍ରରେ, ବିଶେଷ କରି ସାମାଜିକ ବିଜ୍ଞାନ ଓ ସୂଚନା ପ୍ରଣାଳୀରେ ବିଭିନ୍ନ ପଦ୍ଧତିର ହ୍ୟାଣ୍ଡବୁକରୁ ସଂଗୃହିତ ହୋଇଛି ଏବଂ ସଫ୍ଟୱେର ଇଞ୍ଜିନିୟରିଂର ଆବଶ୍ୟକତା ଅନୁସାରେ ଏହାକୁ ପ୍ରସ୍ତୁତ କରାଯାଇଛି । ସଫ୍ଟୱେର ଇଞ୍ଜିନିୟରିଂ କେସ ଷ୍ଟଡି ପାଇଁ ଆମେ ସୁପାରିଶ କରାଯାଇଥିବା ପଦ୍ଧତି ଏବଂ ଗବେଷକ ଏବଂ କେସ ଷ୍ଟଡି ରିସର୍ଚ୍ଚର ପାଠକମାନଙ୍କ ପାଇଁ ଅନୁଭବୀ ଏବଂ ମୂଲ୍ୟାଙ୍କିତ ଚେକଲିଷ୍ଟ ଉପସ୍ଥାପନ କରୁଛୁ । |
56a475b4eff2e5bc52cf140d23e6e845ff29cede | ଦକ୍ଷତା ପରିପକ୍ୱତା ମଡେଲ (ସିଏମଏମ) ଉପରେ ଆଲୋଚନା କରାଯାଇଛି, ଯାହାକି ଅନେକ ପ୍ରମୁଖ ପ୍ରକ୍ରିୟା କ୍ଷେତ୍ରରେ ସୁପାରିଶ କରାଯାଇଥିବା କାର୍ଯ୍ୟକଳାପକୁ ଉପସ୍ଥାପନ କରିବା ପାଇଁ ବିକଶିତ କରାଯାଇଛି, ଯାହା ସଫ୍ଟୱେୟାର ବିକାଶ ଏବଂ ରକ୍ଷଣାବେକ୍ଷଣ ଦକ୍ଷତାକୁ ବୃଦ୍ଧି କରିବାରେ ପ୍ରମାଣିତ ହୋଇଛି । ସଫ୍ଟୱେର ଉନ୍ନତି ପାଇଁ ବିକାଶକାରୀଙ୍କୁ ସହାୟତା କରିବା ପାଇଁ ସିଏମଏମକୁ ପ୍ରସ୍ତୁତ କରାଯାଇଥିଲା । ସିଏମଏମର ପ୍ରାରମ୍ଭିକ ସଂସ୍କରଣ, ସଂସ୍କରଣ ୧.୦, ୧୯୯୧ ଏବଂ ୧୯୯୨ରେ ସଫ୍ଟୱେର ସମୁଦାୟ ଦ୍ୱାରା ସମୀକ୍ଷା କରାଯାଇଥିଲା ଏବଂ ବ୍ୟବହୃତ ହୋଇଥିଲା । ଏପ୍ରିଲ 1992ରେ ସିଆମଏମ 1.0 ଉପରେ ଆୟୋଜିତ ଏକ କର୍ମଶାଳାରେ ପ୍ରାୟ 200 ସଫ୍ଟୱେର ପ୍ରଫେସନାଲ ଯୋଗ ଦେଇଥିଲେ । ସିଏମଏମର ବର୍ତ୍ତମାନ ସଂସ୍କରଣ ସେହି କର୍ମଶାଳାରୁ ମିଳିଥିବା ମତାମତ ଏବଂ ସଫ୍ଟୱେର ସମୁଦାୟରୁ ମିଳୁଥିବା ଲଗାତାର ମତାମତର ପରିଣାମ ଅଟେ । ବୈଷୟିକ ରିପୋର୍ଟରେ ସଂସ୍କରଣ 1.1 ର ବର୍ଣ୍ଣନା କରାଯାଇଛି । |
de047381b2dbeaf668edb6843054dadd4dedd10c | କାହାଣୀ ରଚନା ଏକ ସର୍ବବ୍ୟାପୀ ଏବଂ ଆକର୍ଷଣୀୟ ଘଟଣା । ସଂରଚନା ଅନୁସାରେ ଆମେ କୌଣସି କାହାଣୀରେ ଭିଲିନି ବା ପ୍ରତିଶୋଧର ଉପସ୍ଥିତିକୁ ଚିହ୍ନିପାରୁ, ଏପରିକି ଯଦି ସେହି ଶବ୍ଦଟି ବାସ୍ତବରେ ପାଠ୍ୟରେ ନଥାଏ । ନୂତନ କୃତ୍ରିମ ବୁଦ୍ଧିମତା ଏବଂ ମେସିନ ଶିକ୍ଷଣ କୌଶଳ ସୃଷ୍ଟି କରିବା ପାଇଁ ବର୍ଣ୍ଣନାତ୍ମକ ଢାଞ୍ଚା ଏକ ଆମ୍ବିଲ ଅଟେ, ଏବଂ ଏହା ଅବୋଧ୍ୟତା ଏବଂ ଧାରଣାଭିତ୍ତିକ ଶିକ୍ଷଣ ସହିତ ସଂସ୍କୃତି ଏବଂ ଜ୍ଞାନ ଉପରେ ଏହାର ପ୍ରଭାବକୁ ଏକ ଝରକା ଅଟେ । ମୁଁ ଆନାଲୋଜିକାଲ ଷ୍ଟୋରୀ ମର୍ଜିଂ (ଏଏସଏମ) କୁ ବର୍ଣ୍ଣନା କରି କାହାଣୀ ସଂରଚନା ବିଷୟରେ ଆମର ବୁଝାମଣାକୁ ଆଗକୁ ବଢ଼ାଉଛି, ଏକ ନୂତନ ମେସିନ ଲର୍ଣ୍ଣିଂ ଆଲଗୋରିଦମ ଯାହା ଲୋକକଥା ସେଟରୁ ସାଂସ୍କୃତିକ ଭାବରେ ପ୍ରାସଙ୍ଗିକ ପ୍ଲଟ ପ୍ୟାଟର୍ନ ବାହାର କରିପାରିବ । ମୁଁ ପ୍ରମାଣ କରୁଛି ଯେ ଏଏସଏମ ଲୋକକଥା ପ୍ଲଟଗୁଡିକର ସଂରଚନା ଉପରେ ଭ୍ଲାଦିମିର ପ୍ରପଙ୍କ ପ୍ରଭାବଶାଳୀ ସିଦ୍ଧାନ୍ତର ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଅଂଶ ଶିଖିପାରିବ । ଚ୍ୟାଲେଞ୍ଜ ଥିଲା ଯେ ବର୍ଣ୍ଣନା ଗୋଟିଏ ଅର୍ଥନୈତିକ ସ୍ତରରେ ନିଆଯାଉ, ଯଥା ଲୋକକଥାରେ ବର୍ଣ୍ଣିତ ଏକ ଘଟଣା ସମୟସୀମା, ଏବଂ ପରବର୍ତ୍ତୀ ଉଚ୍ଚ ସ୍ତରକୁ ବିସ୍ତୃତ ଭାବରେ ନିଆଯାଉଃ ଭିଲାନି, ଷ୍ଟୁଗଲ୍ ଭିକ୍ଟୋରୀ ଏବଂ ପୁରସ୍କାର ପରି ସଂରଚନା _ ASM ନିୟମିତ ବ୍ୟାକରଣ ଶିଖିବା ପାଇଁ ଏକ କୌଶଳ Bayesian ମଡେଲ ମିଶ୍ରଣ ଉପରେ ଆଧାରିତ । ମୁଁ ଦର୍ଶାଉଛି ଯେ, ASM ର ବୃହତ ସନ୍ଧାନ ସ୍ଥାନ ସତ୍ତ୍ୱେ, ଏକ ଯତ୍ନର ସହିତ ଟ୍ୟୁନ ହୋଇଥିବା ପ୍ରାଥମିକତା ଆଲଗୋରିଦମକୁ ଏକତ୍ରିତ ହେବାକୁ ଅନୁମତି ଦେଇଥାଏ, ଏବଂ ଏହା ସହିତ ଏହା ପ୍ରପ୍ସ ବର୍ଗକୁ ପୁନଃ ଉତ୍ପାଦନ କରିଥାଏ, ଯାହାର ସୁଯୋଗ-ସମତୁଲ୍ୟ ରାଣ୍ଡ ସୂଚକାଙ୍କ ୦.୫୧୧ ରୁ ୦.୭୧୪ ଅଟେ । 0.8ରୁ ଅଧିକ F-ମାପ ସହିତ ତିନୋଟି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଶ୍ରେଣୀ ଚିହ୍ନଟ କରାଯାଇଛି । ଏହି ତଥ୍ୟ ୧୫ଟି ରୁଷୀୟ ଲୋକକଥା, ଯେଉଁଥିରେ ୧୮,୮୬୨ଟି ଶବ୍ଦ ରହିଛି, ଯାହାକି ପ୍ରୋପଙ୍କ ମୂଳ କାହାଣୀଗୁଡ଼ିକର ଏକ ଉପସୂଚୀ । ଏହି ଉପସୂଚୀକୁ ୧୮ଟି ଅର୍ଥ ସମ୍ବନ୍ଧୀୟ ଦିଗ ପାଇଁ ୧୨ ଜଣ ବ୍ୟଙ୍ଗକାରଙ୍କ ଦ୍ୱାରା ଷ୍ଟୋରୀ ୱାର୍କବେଞ୍ଚ ବ୍ୟବହାର କରି ବ୍ୟଙ୍ଗ କରାଯାଇଥିଲା, ଯାହା ଏହି କାର୍ଯ୍ୟ ପାଇଁ ମୁଁ ବିକଶିତ କରିଥିବା ଏକ ସାଧାରଣ ପାଠ୍ୟ-ବ୍ୟଙ୍ଗ ଉପକରଣ । ପ୍ରତ୍ୟେକ ଦିଗକୁ ଦୁଇଗୁଣ ଆନୋଟେଟେଡ କରାଯାଇଥିଲା ଏବଂ ଆନ୍ତଃ-ଆନୋଟେଟର ଏଫ-କାର୍ଯ୍ୟାନୁଷ୍ଠାନରେ ବିଚାର କରାଯାଇଥିଲା ଯାହା ୦.୭ ରୁ ୦.୮ ମଧ୍ୟରେ କ୍ଲଷ୍ଟର ହୋଇଥିଲା । ଏହା ହେଉଛି ଆଜି ପର୍ଯ୍ୟନ୍ତ ସଂଗୃହୀତ ହୋଇଥିବା ସବୁଠାରୁ ବଡ଼, ସବୁଠାରୁ ଗଭୀର ଭାବରେ ଅନୁବାଦିତ ବର୍ଣ୍ଣନାତ୍ମକ ପୁସ୍ତକ । ଏହି କାମର ମହତ୍ତ୍ୱ ଲୋକକଥାଠାରୁ ବହୁ ଅଧିକ । ପ୍ରଥମତଃ, ଏହା ଅନେକ କ୍ଷେତ୍ରରେ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପ୍ରୟୋଗଗୁଡ଼ିକର ମାର୍ଗ ଦର୍ଶାଇଥାଏ, ଯେଉଁଥିରେ ସୂଚନା ପୁନରୁଦ୍ଧାର, ମନୋବଳାଇବା ଏବଂ ଆଲୋଚନା, ପ୍ରାକୃତିକ ଭାଷା ବୁଝିବା ଏବଂ ସୃଷ୍ଟି ଏବଂ କମ୍ପ୍ୟୁଟେଶନାଲ୍ ସୃଜନଶୀଳତା ଅନ୍ତର୍ଭୁକ୍ତ । ଦ୍ୱିତୀୟରେ, ପ୍ରାକୃତିକ ଭାଷା ଅର୍ଥଶାସ୍ତ୍ରରୁ ବିସ୍ତାର ଏକ ଦକ୍ଷତା ଯାହା ଅନେକ ଜ୍ଞାନକୌଶଳ କାର୍ଯ୍ୟର ମୂଳଦୁଆ ଅଟେ, ଏବଂ ଏହି କାର୍ଯ୍ୟ ସେହି ପ୍ରକ୍ରିୟା ଗୁଡ଼ିକରେ ଅନ୍ତର୍ଦୃଷ୍ଟି ପ୍ରଦାନ କରେ । ଶେଷରେ, ଏହି କାର୍ଯ୍ୟ କୌଶଳ ଉପରେ ସାଂସ୍କୃତିକ ପ୍ରଭାବର ଏକ କମ୍ପ୍ୟୁଟେଶନାଲ୍ ବୁଝାମଣା ଏବଂ କାହାଣୀରେ ଧରାଯାଇଥିବା ସାଂସ୍କୃତିକ ପାର୍ଥକ୍ୟକୁ ବୁଝିବା ପାଇଁ ଦ୍ୱାର ଖୋଲିଥାଏ । ଡିସର୍ଟେସନ ସୁପରଭାଇଜର: ପାଟ୍ରିକ ଏଚ. ୱିନ୍ଷ୍ଟନ ପ୍ରଫେସର, ଇଲେକ୍ଟ୍ରିକାଲ ଇଞ୍ଜିନିୟରିଂ ଏବଂ କମ୍ପ୍ୟୁଟର ସାଇନ୍ସ ଡିସର୍ଟେସନ କମିଟିଃ ହ୍ୱିଟମ୍ୟାନ୍ ଏ. ରିଚାର୍ଡସ ପ୍ରଫେସର, ବ୍ରେନ୍ ଏବଂ କଗ୍ନିଟିଭ୍ ସାଇନ୍ସ ପିଟର ସୋଲୋଭିଟ୍ସ ପ୍ରଫେସର, ଇଲେକ୍ଟ୍ରିକାଲ ଇଞ୍ଜିନିୟରିଂ ଏବଂ କମ୍ପ୍ୟୁଟର ସାଇନ୍ସ ଏବଂ ହାର୍ଭାର୍ଡ-ଏମ୍ଆଇଟି ଡିଭିଜନ ଅଫ୍ ହେଲଥ ସାଇନ୍ସ ଆଣ୍ଡ ଟେକ୍ନୋଲୋଜି ଜୋଶୁଆ ବି. ଟେନେନବାମ୍ ପ୍ରଫେସର, ବ୍ରେନ୍ ଏବଂ କଗ୍ନିଟିଭ୍ ସାଇନ୍ସ |
cfdc7b01a7de752bce229008bfb87700b262ddea | |
17230f5b3956188055a48c5f4f61d131cce0662f | ଏହି ଲେଖାଟି ସମୀକରଣ ବୃକ୍ଷ ସୃଷ୍ଟି ଓ ସ୍କୋରିଂ କରିବା ଭଳି ବହୁ ବାକ୍ୟ ବିଶିଷ୍ଟ ବୀଜାଣୁ ଶବ୍ଦ ସମସ୍ୟାକୁ ସମାଧାନ କରିବା ପାଇଁ ଉଦ୍ଦିଷ୍ଟ । ଆମେ ସମୀକରଣ ଗଛ ସୃଷ୍ଟି କରିବା ପାଇଁ ସମ୍ପୂର୍ଣ୍ଣ ସଂଖ୍ୟା ରେଖୀ ପ୍ରୋଗ୍ରାମିଂ ବ୍ୟବହାର କରୁ ଏବଂ ସ୍ଥାନୀୟ ଏବଂ ବିଶ୍ୱ ଭେଦଭାବକାରୀ ମଡେଲଗୁଡିକ ଶିକ୍ଷା କରି ସେମାନଙ୍କର ସମ୍ଭାବନା ସ୍କୋର କରୁ । ଏହି ମଡେଲଗୁଡିକୁ ଛୋଟ ଛୋଟ ଶବ୍ଦ ସମସ୍ୟା ଏବଂ ଏହାର ଉତ୍ତର ଉପରେ ତାଲିମ ଦିଆଯାଏ, କୌଣସି ମାନୁଆଲ ଏନାଟୋଟେସନ ବିନା, ସମୀକରଣ ବାଛିବା ପାଇଁ ଯାହା ସମସ୍ୟା ପାଠ୍ୟ ସହିତ ସର୍ବୋତ୍ତମ ମେଳ ଖାଏ । ଆମେ ସାମଗ୍ରିକ ପ୍ରଣାଳୀକୁ ଆଲ୍ଗେସ୍ ବୋଲି କହିଥାଉ । ଆମେ ଆଲ୍ଜେସକୁ ପୂର୍ବବର୍ତ୍ତୀ କାର୍ଯ୍ୟ ସହିତ ତୁଳନା କରି ଦେଖାଇଛୁ ଯେ ଏହା ଗାଣିତିକ କାର୍ଯ୍ୟର ସମ୍ପୂର୍ଣ୍ଣ ପରିସରକୁ କଭର୍ କରିଥାଏ ଯେତେବେଳେ କି ହୋସେନି ଆଦି କରିଥିଲେ । (୧୯୦୪) କେବଳ ଯୋଗ ଓ କାଟକୁ ନେଇ କାମ କରେ । ଏହା ସହିତ ଆଲ୍ଜସ୍ କୁଶମ୍ୟାନ୍ ଆଦିଙ୍କ ଭଙ୍ଗୁରତାକୁ ଅତିକ୍ରମ କରିପାରିଛି । (୧୯୪୦) ସିଙ୍ଗଲ-ଇକ୍ୟୁଏସନ ସମସ୍ୟା ଉପରେ ଏକ ପଦ୍ଧତି, ଯାହାଦ୍ୱାରା ତ୍ରୁଟି ୧୫%ରୁ ୫୦% ପର୍ଯ୍ୟନ୍ତ ହ୍ରାସ ପାଇଥାଏ । |
8d0921b2ce0d30bffd8830b1915533c02b96958d | ଏହି ଅଧ୍ୟୟନରେ ମାଇକ୍ରୋ ଗ୍ରୀଡରେ ବ୍ୟବହୃତ ଶକ୍ତି ବିଦ୍ୟୁତ ରୂପାନ୍ତରକମାନଙ୍କର ଆଧୁନିକ ସ୍ଥିତିର ସମୀକ୍ଷା କରାଯାଇଛି । ଏହି କାଗଜରେ ମୁଖ୍ୟତଃ ଗ୍ରୀଡ ସଂଯୁକ୍ତ କନ୍ଭର୍ଟର ଉପରେ ଧ୍ୟାନ ଦିଆଯାଇଛି । ଏହି ନିର୍ଦ୍ଦିଷ୍ଟ କନ୍ଭର୍ଟରଗୁଡ଼ିକ ପାଇଁ ବିଭିନ୍ନ ଟପୋଲୋଜି ଏବଂ ନିୟନ୍ତ୍ରଣ ଏବଂ ମଡ୍ୟୁଲେସନ୍ ରଣନୀତିର ସମୀକ୍ଷା କରାଯାଇଛି । ଆହୁରି ମଧ୍ୟ ଏହିସବୁ ପରିବର୍ତ୍ତନକାରୀ ଯନ୍ତ୍ରଗୁଡ଼ିକର ଭବିଷ୍ୟତରେ ଦେଖାଦେବା ଭଳି ସମସ୍ୟା ଓ ଏହାର ସମ୍ଭାବ୍ୟ ସମାଧାନର ଉପାୟ ବିଷୟରେ ମଧ୍ୟ ଉଲ୍ଲେଖ କରାଯାଇଛି । |
4d6e39e24d0a8d7327ba94c5463ea465faf5b65d | କାର୍ଯ୍ୟଦକ୍ଷତା ବିଶିଷ୍ଟ ତଥ୍ୟ ବିଶ୍ଳେଷଣ ଏବଂ ଲଙ୍ଗୁଟିଗ୍ନେଡ ଡାଟା ବିଶ୍ଳେଷଣର ଦୃଷ୍ଟିକୋଣ ଏବଂ ପଦ୍ଧତିଗୁଡିକର ତୁଳନା ଏବଂ ତୁଳନା କରାଯାଇଛି । ଏହି ବିଷୟଗୁଡ଼ିକ ମଧ୍ୟରେ କେରନଲ ପଦ୍ଧତି ଏବଂ ସନ୍ତୁଳନ ପାଇଁ ରାଣ୍ଡମ ଇଫେକ୍ଟ ମଡେଲ, ବେସ ଫଙ୍କସନ ପଦ୍ଧତି ଏବଂ ବକ୍ର ଆକୃତି ସହିତ କୋଭାରିଏଟର ସମ୍ପର୍କର ପରୀକ୍ଷା ଅନ୍ତର୍ଭୁକ୍ତ । କେତେକ ଦିଗକୁ ଚିହ୍ନଟ କରାଯାଇଛି ଯେଉଁଠି ପଦ୍ଧତିଗତ ଅଗ୍ରଗତି ସମ୍ଭବ । |
bef980f5daf912fd69a9785739813dcdca06371f | |
b43be5de19e5cab8d1b476c42899f92e75660510 | ଜଳ ସମ୍ପଦ ପରିଚାଳନା, କୃଷି, ପାଣିପାଗ ପୂର୍ବାନୁମାନ, ଜଳବାୟୁ ଗବେଷଣା ଏବଂ ଉପଗ୍ରହ ଆଧାରିତ ବୃଷ୍ଟିପାତ ଆକଳନକୁ ଭୂମିଗତ ବୈଧତା ପ୍ରଦାନ କରିବା ପାଇଁ ସଠିକ ଏବଂ ସମୟୋଚିତ ଉପରତଳ ବୃଷ୍ଟିପାତ ମାପ ଅତ୍ୟନ୍ତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । କିନ୍ତୁ ପୃଥିବୀର ଅଧିକାଂଶ ଭୂଭାଗରେ ଏଭଳି ତଥ୍ୟର ଅଭାବ ରହିଛି ଏବଂ ବିଶ୍ୱର ଅନେକ ସ୍ଥାନରେ ଭୂମି ଉପରେ ବୃଷ୍ଟିପାତ ମାପିବା ନେଟୱାର୍କର ଘନତ୍ୱ ଦ୍ରୁତ ଗତିରେ ହ୍ରାସ ପାଉଛି । ଏହି ବିକାଶକୁ ବାଣିଜ୍ୟିକ ସେଲ୍ୟୁଲାର ଯୋଗାଯୋଗ ନେଟୱାର୍କରେ ସାରା ବିଶ୍ୱରେ ବ୍ୟବହୃତ ହେଉଥିବା ମାଇକ୍ରୋୱେଭ୍ ଲିଙ୍କ୍ ର ବିପୁଳ ସଂଖ୍ୟାରୁ ପ୍ରାପ୍ତ ସିଗନାଲ୍ ସ୍ତର ତଥ୍ୟ ବ୍ୟବହାର କରି ପ୍ରତିରୋଧ କରାଯାଇପାରିବ । ଏହିପରି ସଂଯୋଗ ଦ୍ୱାରା, ରେଡିଓ ସିଗନାଲ୍ ଗୋଟିଏ ଆଧାର ଷ୍ଟେସନରେ ଥିବା ଏକ ଟ୍ରାନ୍ସମିଟ ଆଣ୍ଟିନା ଠାରୁ ଅନ୍ୟ ଏକ ଆଧାର ଷ୍ଟେସନରେ ଥିବା ଏକ ରିସିଭ୍ ଆଣ୍ଟିନା ପର୍ଯ୍ୟନ୍ତ ପ୍ରସାରିତ ହୋଇଥାଏ । ବର୍ଷା ଦ୍ୱାରା ସୃଷ୍ଟି ହୋଇଥିବା ହ୍ରାସ ଏବଂ ତାପରେ, ପଥ-ସାରାହାରି ବୃଷ୍ଟିପାତର ତୀବ୍ରତା ଟ୍ରାନ୍ସମିଟର ଏବଂ ରିସିଭର ମଧ୍ୟରେ ସିଗନାଲର ହ୍ରାସରୁ ପ୍ରାପ୍ତ କରାଯାଇପାରିବ । ଏଠାରେ ଆମେ ଦେଖାଇବୁ ଯେ, ଏପରି ଏକ ନେଟୱାର୍କକୁ କିପରି ସମଗ୍ର ଦେଶ (ନେଦରଲାଣ୍ଡ, ∼35,500 କିମି) ପାଇଁ ବର୍ଷା ଅବପାତର ସ୍ପେସ୍-ଟାଇମ୍ ଡାଇନାମିକ୍ ପୁନରୁଦ୍ଧାର ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ, ଯାହା ଏକ ଅଭୂତପୂର୍ବ ସଂଖ୍ୟକ ଲିଙ୍କ୍ (∼2,400) ଏବଂ ଏକ ବର୍ଷା ଅବପାତ ପୁନରୁଦ୍ଧାର ଆଲଗୋରିଦମ ଉପରେ ଆଧାରିତ ଯାହା ବାସ୍ତବିକ ସମୟରେ ପ୍ରୟୋଗ କରାଯାଇପାରିବ । ଏହାଦ୍ୱାରା ବାସ୍ତବ ସମୟର ବର୍ଷା ଅନୁଧ୍ୟାନ ପାଇଁ ଏହିପରି ନେଟୱାର୍କର ସମ୍ଭାବନା ପ୍ରତିପାଦିତ ହେଉଛି, ବିଶେଷ କରି ବିଶ୍ୱର ସେହି ଭାଗରେ ଯେଉଁଠାରେ ସମର୍ପିତ ଭୂମିଭିତ୍ତିକ ବର୍ଷା ସେନସର ନେଟୱାର୍କ ପ୍ରାୟତଃ ନାହିଁ । |
328a3e8811a65ef301eda423800fefd9a10fc196 | ଆମେ ଏକ ବିକନ ଆଧାରିତ କ୍ଲଷ୍ଟରିଂ ଆଲଗୋରିଦମ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହାର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଭାନେଟରେ କ୍ଲଷ୍ଟର ଜୀବନକାଳକୁ ବୃଦ୍ଧି କରିବା । ଆମେ କ୍ଲଷ୍ଟର ପୁନର୍ଗଠନ ଉପରେ ନିଷ୍ପତ୍ତି ନେବା ପାଇଁ ଏକ ନୂତନ ସମଷ୍ଟିଗତ ସ୍ଥାନୀୟ ଗତିଶୀଳତା ମାନଦଣ୍ଡ ବ୍ୟବହାର କରୁ । ଏହି ଯୋଜନାରେ କଣ୍ଟେନସନ୍ ପଦ୍ଧତିକୁ ସାମିଲ କରାଯାଇଛି ଯଦ୍ବାରା ଦୁଇ କ୍ଲଷ୍ଟର ହେଡ୍ ପରସ୍ପରକୁ ଅଳ୍ପ ସମୟ ପାଇଁ ଭେଟିଲେ ବାରମ୍ବାର ପୁନର୍ଗଠନ ହେବ ନାହିଁ । ପୂର୍ବ ଲୋକପ୍ରିୟ କ୍ଲଷ୍ଟରିଂ ଆଲଗୋରିଦମ ତୁଳନାରେ ସିମୁଲେସନ ଫଳାଫଳ କ୍ଲଷ୍ଟର ଜୀବନକାଳର ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଉନ୍ନତି ଏବଂ ନୋଡ ଷ୍ଟେଟ / ରୋଲ ପରିବର୍ତ୍ତନ ହ୍ରାସ କରିଛି । |
cd0105649926af00e1f8fe4d32438ea2141628e8 | ମାଲୱେୟାରଗୁଡ଼ିକ ଅଧିକରୁ ଅଧିକ ଲୁଚକାଳି ହୋଇଚାଲିଛି, ଅଧିକରୁ ଅଧିକ ମାଲୱେୟାର ଗୁଡ଼ିକ ନିଜକୁ ବିଶ୍ଳେଷଣରୁ ରକ୍ଷା କରିବା ପାଇଁ କ୍ରିପ୍ଟୋଗ୍ରାଫିକ ଆଲଗୋରିଦମ (ଯଥା, ପ୍ୟାକିଂ, ସି ଆଣ୍ଡ ସି ଯୋଗାଯୋଗକୁ ଏନକ୍ରିପ୍ଟ କରିବା) ବ୍ୟବହାର କରୁଛନ୍ତି । ମାଲୱେୟାର ବାଇନାରୀ ଭିତରେ କ୍ରିପ୍ଟୋଗ୍ରାଫିକ ଆଲଗୋରିଦମ ଏବଂ ପ୍ରକୃତରେ ଅସ୍ଥାୟୀ କ୍ରିପ୍ଟୋଗ୍ରାଫିକ ସିକ୍ରେଟ ବ୍ୟବହାର କରିବା ଦ୍ୱାରା ପ୍ରଭାବଶାଳୀ ମାଲୱେୟାର ବିଶ୍ଳେଷଣ ଏବଂ ପ୍ରତିରକ୍ଷା ପାଇଁ ଏକ ପ୍ରମୁଖ ପ୍ରତିବନ୍ଧକ ସୃଷ୍ଟି ହୋଇଥାଏ । ଅଧିକ ପ୍ରଭାବୀ ମାଲୱେୟାର ବିଶ୍ଳେଷଣ, ଫରେନ୍ସିକ୍ସ ଏବଂ ରିଭର୍ସ ଇଞ୍ଜିନିୟରିଂକୁ ସକ୍ଷମ କରିବା ପାଇଁ, ଆମେ ସିଫରଏକ୍ସରେ ବିକଶିତ କରିଛୁ - ଏକ ନୂତନ ବାଇନାରୀ ବିଶ୍ଳେଷଣ ଫ୍ରେମୱାର୍କ ଯାହା ସ୍ୱୟଂଚାଳିତ ଭାବରେ କ୍ରିପ୍ଟୋଗ୍ରାଫିକ କାର୍ଯ୍ୟକଳାପ ଏବଂ ସମ୍ଭାବ୍ୟ ଅସ୍ପଷ୍ଟ ବାଇନାରୀ ଏକଜେକ୍ୟୁଟେବଲ୍ ର କାର୍ଯ୍ୟକାରିତାରୁ ଅସ୍ଥାୟୀ ରହସ୍ୟକୁ ଚିହ୍ନଟ ଏବଂ ପୁନରୁଦ୍ଧାର କରିପାରିବ । କ୍ରିପ୍ଟୋଗ୍ରାଫିକ ଫଙ୍କସନର ଲଘୁଚାପ ପ୍ରଭାବ ଉପରେ ଆଧାର କରି, ସିଫରଏକ୍ସରେ କ୍ରିପ୍ଟୋଗ୍ରାଫିକ ଅପରେସନର ସୀମାକୁ ସଠିକ ଭାବରେ ଚିହ୍ନଟ କରିବାରେ ସକ୍ଷମ ଏବଂ ପ୍ରକୃତରେ ଅସ୍ଥାୟୀ କ୍ରିପ୍ଟୋଗ୍ରାଫିକ ସିକ୍ରେଟକୁ ପୁନରୁଦ୍ଧାର କରିବାରେ ସକ୍ଷମ ଯାହା ଏକାଧିକ ନେଷ୍ଟ କ୍ରିପ୍ଟୋଗ୍ରାଫିକ ଅପରେସନ ମଧ୍ୟରେ କେବଳ ଏକ କ୍ଷଣ ପାଇଁ ସ୍ମୃତିରେ ରହିଥାଏ । ସିଫରଏକ୍ସରେ ଚିହ୍ନଟ ବ୍ଲକ ସିଫରର କିଛି ନିର୍ଦ୍ଦିଷ୍ଟ ଅପରେସନ ମୋଡ (ଯେପରିକି ଇସିବି, ସିବିସି, ସିଏଫବି) କୁ ଚିହ୍ନଟ କରିପାରିବ ଏବଂ ଚିହ୍ନଟ ହୋଇଥିବା ବ୍ଲକ ସିଫର ଅପରେସନଟି ଏନକ୍ରିପସନ କିମ୍ବା ଡିକ୍ରିପସନ କି ନୁହେଁ ତାହା କହିପାରିବ । ଆମେ ସିଫରଏକ୍ସରେକୁ ଓପନ୍ ଏସଏସଏଲ, ଲୋକପ୍ରିୟ ପାସୱାର୍ଡ ସେଫ କିପାସଏକ୍ସ, ମାଲୱେୟାର ଷ୍ଟକ୍ସନେଟ, କ୍ରାକେନ୍ ଏବଂ ଏଗୋବଟ ଦ୍ୱାରା ବ୍ୟବହୃତ ସିଫର ଏବଂ ବିଲ୍ଟ-ଇନ୍ କମ୍ପ୍ରେସନ ଏବଂ ଚେକସମ ସହିତ ଅନେକ ତୃତୀୟ ପକ୍ଷ ସଫ୍ଟୱେୟାର ସହିତ ଅନୁଭବୀ ଭାବରେ ବୈଧ କରିଛୁ । ସିଫରଏକ୍ସରେ ବିଭିନ୍ନ କ୍ରିପ୍ଟୋଗ୍ରାଫିକ କାର୍ଯ୍ୟକୁ ଚିହ୍ନଟ କରିପାରେ ଏବଂ କିଛି ମାଇକ୍ରୋସେକେଣ୍ଡ ପାଇଁ ସ୍ମୃତିରେ ରହିଥିବା କ୍ରିପ୍ଟୋଗ୍ରାଫିକ ରହସ୍ୟକୁ ପୁନରୁଦ୍ଧାର କରିପାରେ । ଆମର ଫଳାଫଳ ଦର୍ଶାଉଛି ଯେ ବର୍ତ୍ତମାନର ସଫ୍ଟୱେୟାର କାର୍ଯ୍ୟକାରୀତା କ୍ରିପ୍ଟୋଗ୍ରାଫିକ ଆଲଗୋରିଦମଗୁଡିକର କୌଣସି ଗୁପ୍ତତା ହାସଲ କରିପାରିବ ନାହିଁ ଯଦି ସେମାନଙ୍କର କାର୍ଯ୍ୟକାରିତା ଉପରେ ନଜର ରଖାଯାଇପାରିବ । |
1b6c1efb9725a3ba0b88a22bf048b2b207898b44 | ଆମେ ହ୍ୟାସ ଆଧାରିତ ହସ୍ତାକ୍ଷର ଯୋଜନା XMSS ଉପସ୍ଥାପନ କରୁଛୁ । ଏହା ହେଉଛି ସର୍ବନିମ୍ନ ସୁରକ୍ଷା ଆବଶ୍ୟକତା ସହିତ ପ୍ରଥମ ପ୍ରମାଣିତ (ଅଗ୍ରଗତି) ସୁରକ୍ଷିତ ଏବଂ ବ୍ୟବହାରିକ ଦସ୍ତଖତ ଯୋଜନାଃ ଏକ ଛଦ୍ମ-ରାଣ୍ଡମ ଏବଂ ଦ୍ୱିତୀୟ ପ୍ରି-ଇମେଜ୍ ପ୍ରତିରୋଧୀ (ହାଶ୍) ଫଙ୍କସନ୍ ପରିବାର । ଏହାର ହସ୍ତାକ୍ଷର ଆକାର ସର୍ବୋତ୍ତମ ପ୍ରମାଣିତ ସୁରକ୍ଷିତ ହ୍ୟାଶ ଆଧାରିତ ହସ୍ତାକ୍ଷର ଯୋଜନା ତୁଳନାରେ 25% ରୁ କମ୍ ହ୍ରାସ ପାଇଛି । |
13880d8bbfed80ab74e0a757292519a71230a93a | ଆମେ ନିଉରାଲ ମେସିନ ଟ୍ରାନ୍ସଲେସନ (ଏନଏମଟି) ପାଇଁ ଏକ ଓପନ-ସୋର୍ସ ଟୁଲକିଟ ବିଷୟରେ ବର୍ଣ୍ଣନା କରୁଛୁ । ଏହି ଟୁଲକିଟଟି ଦକ୍ଷତା, ମଡ୍ୟୁଲାରସିଟି ଏବଂ ଏକ୍ସଟେନସିବିଲିଟିକୁ ପ୍ରାଥମିକତା ଦେଇଥାଏ, ଯାହାର ଲକ୍ଷ୍ୟ ହେଉଛି ପ୍ରତିଯୋଗିତାମୂଳକ କାର୍ଯ୍ୟଦକ୍ଷତା ଏବଂ ଯୁକ୍ତିଯୁକ୍ତ ତାଲିମ ଆବଶ୍ୟକତା ବଜାୟ ରଖିବା ସହିତ ମଡେଲ ଆର୍କିଟେକ୍ଚର, ଫିଚର ପ୍ରତିନିଧିତ୍ୱ ଏବଂ ଉତ୍ସ ମୋଡାଲିଟି ଉପରେ ଏନଏମଟି ଗବେଷଣାକୁ ସମର୍ଥନ କରିବା । ଏହି ଉପକରଣରେ ମଡେଲିଂ ଏବଂ ଅନୁବାଦ ସହାୟତା ସହିତ ମୂଳ ଭିତ୍ତିରେ ଥିବା କୌଶଳ ବିଷୟରେ ବିସ୍ତୃତ ଶିକ୍ଷଣୀୟ ଦସ୍ତାବିଜ ରହିଛି । |
1518039b5001f1836565215eb047526b3ac7f462 | ନ୍ୟୁରାଲ ମେସିନ ଟ୍ରାନ୍ସଲେସନ (ଏନଏମଟି) ମଡେଲ ସାଧାରଣତଃ ଏକ ସ୍ଥିର ଶବ୍ଦାବଳୀ ସହିତ କାର୍ଯ୍ୟ କରିଥାଏ, କିନ୍ତୁ ଅନୁବାଦ ଏକ ଖୋଲା ଶବ୍ଦାବଳୀ ସମସ୍ୟା ଅଟେ । ପୂର୍ବରୁ କରାଯାଇଥିବା କାର୍ଯ୍ୟରେ ଶବ୍ଦକୋଷ ବାହାରେ ଥିବା ଶବ୍ଦଗୁଡିକୁ ଅନୁବାଦ କରିବା ପାଇଁ ଶବ୍ଦକୋଷର ସହାୟତା ନିଆଯାଇଥାଏ । ଏହି ଲେଖାରେ ଆମେ ଏକ ସରଳ ଓ ପ୍ରଭାବୀ ଉପାୟ ବିଷୟରେ ଆଲୋଚନା କରୁଛୁ, ଯାହାଦ୍ୱାରା ଏନ୍ଏମ୍ଟି ମଡେଲକୁ ଖୋଲା ଶବ୍ଦାବଳୀ ଅନୁବାଦରେ ସମର୍ଥ କରାଯାଇପାରିବ । ଏହା ଏହି ଅନ୍ତର୍ଦୃଷ୍ଟି ଉପରେ ଆଧାରିତ ଯେ ବିଭିନ୍ନ ଶବ୍ଦ ଶ୍ରେଣୀ ଶବ୍ଦ ଅପେକ୍ଷା ଛୋଟ ଏକକ ମାଧ୍ୟମରେ ଅନୁବାଦଯୋଗ୍ୟ, ଉଦାହରଣ ସ୍ୱରୂପ ନାମ (ଅକ୍ଷର ନକଲ କିମ୍ବା ଅନୁବାଦ ମାଧ୍ୟମରେ), ସଂଯୋଗ (ସଂଯୋଜନା ଅନୁବାଦ ମାଧ୍ୟମରେ), ଏବଂ ସହଜ ଏବଂ ଋଣ ଶବ୍ଦ (ଶବ୍ଦ ଏବଂ ଶୈଳୀ ପରିବର୍ତ୍ତନ ମାଧ୍ୟମରେ) । ଆମେ ବିଭିନ୍ନ ଶବ୍ଦ ବିଭାଜନ କୌଶଳର ଉପଯୋଗିତା ବିଷୟରେ ଆଲୋଚନା କରୁଛୁ, ଯେଉଁଥିରେ ସରଳ ଅକ୍ଷର ଏନଗ୍ରାମ ମଡେଲ ଏବଂ ବାଇଟ ଯୋଡି ଏନକୋଡିଂ କମ୍ପ୍ରେସନ ଆଲଗୋରିଦମ ଉପରେ ଆଧାରିତ ଏକ ବିଭାଜନ ଅନ୍ତର୍ଭୁକ୍ତ ଏବଂ ଅନୁଭବୀ ଭାବରେ ଦର୍ଶାଯାଇଛି ଯେ WMT 15 ଅନୁବାଦ କାର୍ଯ୍ୟ ପାଇଁ ସବୱାର୍ଡ ମଡେଲଗୁଡିକ ବ୍ୟାକଅଫ୍ ଡିକ୍ସନାରୀ ଆଧାରରେ ଯଥାକ୍ରମେ 1.1 ଏବଂ 1.3 BLEU ପର୍ଯ୍ୟନ୍ତ ଉନ୍ନତି କରେ। |
19fbe18e8da489b17ebb283ddc7e72af7c3ffd32 | ଆମେ ଚାରିଟି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କିନ୍ତୁ ଅଳ୍ପ ସେବାପ୍ରାପ୍ତ ଗବେଷଣା ପ୍ରଶ୍ନର ଉପସ୍ଥାପନା ଏବଂ ଆଲୋଚନା କରୁଛୁ ଯାହା ଭବିଷ୍ୟତରେ ସହଭାଗୀ ପରିବେଶରେ ମାନବ-ରୋବଟ୍ ସହଯୋଗ ପାଇଁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । ଆମେ ଏକ ସଂକ୍ଷିପ୍ତ ଗବେଷଣା ଆରମ୍ଭ କରିବା ଯାହା ଏକ ସମ୍ପୂର୍ଣ୍ଣ ସହଯୋଗୀ ରୋବଟ ନିୟନ୍ତ୍ରଣ ପ୍ରଣାଳୀ ପାଇଁ ଆବଶ୍ୟକ ହେଉଥିବା ବିଭିନ୍ନ ଉପାଦାନ ଉପରେ ପର୍ଯ୍ୟବେସିତ ହେବ । ଆମେ ଉପସ୍ଥାପିତ ଗବେଷଣା ପ୍ରଶ୍ନର ଅନୁସନ୍ଧାନକୁ ପ୍ରୋତ୍ସାହିତ କରୁଛୁ, ସେଗୁଡ଼ିକୁ ନିର୍ମାଣ ଏବଂ ରୋଷେଇ କ୍ଷେତ୍ରର ବର୍ତ୍ତମାନର କାର୍ଯ୍ୟ ଏବଂ ପ୍ରତିନିଧିତ୍ୱ ବ୍ୟବହାର ମାମଲା ସହିତ ସଂଯୋଗ କରି । |
5b3d331fba47697a9d38412f8eea7b2f6bc3a320 | |
cedeeccea19b851cdfa3cd8ce753226c2bf55dd8 | |
92c4413c2a344f297f2eb6f96800bcc7de01ad37 | ବ୍ୟାକରଣ ତ୍ରୁଟି ସଂଶୋଧନ (GEC) ହେଉଛି ଲିଖିତ ପାଠ୍ୟରେ ବ୍ୟାକରଣ ତ୍ରୁଟିଗୁଡ଼ିକୁ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ସଂଶୋଧନ କରିବାର କାର୍ଯ୍ୟ । ପୂର୍ବ ଗବେଷଣା ମୁଖ୍ୟତଃ ବ୍ୟକ୍ତିଗତ ତ୍ରୁଟି ପ୍ରକାର ଉପରେ ଧ୍ୟାନ ଦେଇଥିଲା ଏବଂ ବର୍ତ୍ତମାନର ବ୍ୟବସାୟିକ ସଂଶୋଧନ ଉପକରଣଗୁଡ଼ିକ କେବଳ ସୀମିତ ତ୍ରୁଟି ପ୍ରକାରକୁ ଲକ୍ଷ୍ୟ କରିଥାଏ । ଯେହେତୁ ଶିକ୍ଷାର୍ଥୀମାନଙ୍କ ଦ୍ୱାରା ପ୍ରସ୍ତୁତ ବାକ୍ୟରେ ବିଭିନ୍ନ ପ୍ରକାରର ଏକାଧିକ ତ୍ରୁଟି ରହିପାରେ, ତେଣୁ ଏକ ବ୍ୟବହାରିକ ତ୍ରୁଟି ସଂଶୋଧନ ପ୍ରଣାଳୀ ସମସ୍ତ ତ୍ରୁଟିକୁ ଚିହ୍ନଟ କରି ସଂଶୋଧନ କରିବାରେ ସକ୍ଷମ ହେବା ଉଚିତ । ଏହି ଥିସସରେ ଆମେ ଇଂରାଜୀକୁ ଦ୍ୱିତୀୟ ଭାଷା ଭାବରେ ଶିଖୁଥିବା ଛାତ୍ରଛାତ୍ରୀଙ୍କ ପାଇଁ GEC ଉପରେ ଗବେଷଣା କରୁଛୁ । ବିଶେଷକରି, ଆମେ GECକୁ ଭୁଲରୁ ସଠିକ ଇଂରାଜୀକୁ ଅନୁବାଦ କରିବା କାର୍ଯ୍ୟ ଭାବରେ ବ୍ୟବହାର କରୁ, ସମସ୍ତ ତ୍ରୁଟି ପ୍ରକାର ପାଇଁ ଏଣ୍ଡ-ଟୁ-ଏଣ୍ଡ GEC ସିଷ୍ଟମ ବିକାଶ ପାଇଁ ନୂତନ ମଡେଲଗୁଡିକ ଅନୁସନ୍ଧାନ କରୁ, ପ୍ରତ୍ୟେକ ତ୍ରୁଟି ପ୍ରକାର ପାଇଁ ସିଷ୍ଟମର କାର୍ଯ୍ୟଦକ୍ଷତା ଅଧ୍ୟୟନ କରୁ, ଏବଂ ବିଭିନ୍ନ କୋରୋପା ପାଇଁ ମଡେଲ ସାଧାରଣକରଣକୁ ପରୀକ୍ଷା କରୁ । ପ୍ରଥମେ ଆମେ ଜିଇସିରେ ଷ୍ଟାଟିଷ୍ଟିକାଲ ମେସିନ ଟ୍ରାନ୍ସଲେସନ (ଏସଏମଟି) ପ୍ରୟୋଗ କରି ଏହା ପ୍ରମାଣିତ କରିଛୁ ଯେ ଏହା ଏକ ପ୍ରତିଯୋଗିତାମୂଳକ ସମସ୍ତ ତ୍ରୁଟି ବିଶିଷ୍ଟ ଜିଇସି ସିଷ୍ଟମର ଆଧାର ହୋଇପାରିବ । ଆମେ ଏସଏମଟି ଆଧାରିତ ଜିଇସି ବ୍ୟବସ୍ଥା ଲାଗୁ କରୁଛୁ ଯାହା 2014ରେ ଏକ ସହଭାଗୀ କାର୍ଯ୍ୟରେ ଦାଖଲ ହୋଇଥିବା ଆମର ବିଜୟୀ ବ୍ୟବସ୍ଥାରେ ଯୋଗଦାନ ଦେଉଛି । ଏହାପରେ ଆମେ ଏକ ର୍ୟାଙ୍କିଙ୍ଗ ମଡେଲର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହାଦ୍ୱାରା ଏସଏମଟି ଆଧାରିତ ଜିଇସି ସିଷ୍ଟମ ଦ୍ୱାରା ସୃଷ୍ଟି କରାଯାଇଥିବା ସଂଶୋଧନ ପ୍ରାର୍ଥୀମାନଙ୍କୁ ର୍ୟାଙ୍କିଙ୍ଗ କରାଯାଇପାରିବ । ଏହି ମଡେଲରେ ନୂତନ ଭାଷା ସୂଚନା ଅନ୍ତର୍ଭୁକ୍ତ କରାଯାଇଛି ଏବଂ ଆମେ ଦେଖାଇଛୁ ଯେ ଏହା ସଂଶୋଧନ ଗୁଣବତ୍ତାରେ ଉନ୍ନତି ଆଣିଥାଏ । ଶେଷରେ, ଆମେ GEC ପାଇଁ ନ୍ୟୁରାଲ ମେସିନ ଟ୍ରାନ୍ସଲେସନ (NMT) ବ୍ୟବହାର କରି ପ୍ରଥମ ଅଧ୍ୟୟନ ଉପସ୍ଥାପନ କରୁଛୁ । ଆମେ ଦର୍ଶାଇଛୁ ଯେ ଏନ୍ଏମ୍ଟି ସଫଳତାର ସହ ଜିଇସିରେ ପ୍ରୟୋଗ କରାଯାଇପାରିବ ଏବଂ ଏସ୍ଏମ୍ଟି ଆଧାରିତ ଜିଇସି ସିଷ୍ଟମରେ ମିସ୍ ହୋଇଥିବା ନୂତନ ତ୍ରୁଟିଗୁଡ଼ିକୁ ଧରିବାରେ ସାହାଯ୍ୟ କରିବ । ଆମେ ଇଂରାଜୀ ପାଇଁ ଜିଏସି ଉପରେ ଗୁରୁତ୍ୱ ଦେଉଥିବା ବେଳେ ଏହି ଥିସୀରେ ଉପସ୍ଥାପିତ ଆମର ପଦ୍ଧତିକୁ ଯେକୌଣସି ଭାଷାରେ ସହଜରେ ପ୍ରୟୋଗ କରାଯାଇପାରିବ । କୃତଜ୍ଞତା ସର୍ବପ୍ରଥମେ, ମୁଁ ମୋର ସୁପରଭାଇଜର ଟେଡ୍ ବ୍ରିସ୍କୋଙ୍କ ନିକଟରେ କୃତଜ୍ଞତା ପ୍ରକାଶ କରୁଛି, ଯିଏକି ଧୈର୍ଯ୍ୟର ସହ ମୋତେ ପିଏଚଡି କରିବା ପାଇଁ ମାର୍ଗଦର୍ଶନ କରିଛନ୍ତି ଏବଂ ସର୍ବଦା ସାହାଯ୍ୟକାରୀ, ବୁଝାମଣା ଏବଂ ସମର୍ଥନ କରିଆସିଛନ୍ତି । ମୁଁ ତାଙ୍କୁ ଧନ୍ୟବାଦ ଜଣାଇ ପାରିବି ନାହିଁ ଯେ ସେ ମୋତେ ସୁଯୋଗ ଦେଇଛନ୍ତି ଯାହା ମୋତେ ଜଣେ ଗବେଷକ ଏବଂ ସମାଲୋଚନାତ୍ମକ ଚିନ୍ତାଧାରା ଭାବେ ବଢ଼ିବାରେ ସାହାଯ୍ୟ କରିଛି । ମୋର ପରୀକ୍ଷା ଦେଇଥିବା ପୌଲା ବଟରୀ ଏବଂ ଷ୍ଟିଫେନ ପୁଲମାନଙ୍କୁ ମୁଁ ଅଶେଷ ଧନ୍ୟବାଦ ଜଣାଉଛି, ସେମାନେ ମୋର ଥିସସକୁ ଭଲଭାବେ ପଢ଼ିଛନ୍ତି, ସେମାନଙ୍କର ମୂଲ୍ୟବାନ ମନ୍ତବ୍ୟ ଏବଂ ଏକ ଆନନ୍ଦଦାୟକ ଭିଭା ପାଇଁ । ପ୍ରାକୃତିକ ଭାଷା ଏବଂ ସୂଚନା ପ୍ରକ୍ରିୟାକରଣ ଗବେଷଣା ଗୋଷ୍ଠୀର ମୋର ସାଥୀ ସଦସ୍ୟମାନଙ୍କୁ ମୋର ପ୍ରଶଂସା, ଯାହାଙ୍କ ସହିତ ମୁଁ ସର୍ବଦା ଆମର କାର୍ଯ୍ୟ ଏବଂ ଅନ୍ୟାନ୍ୟ ଆକସ୍ମିକ ବିଷୟ ଉପରେ ଆଲୋଚନା କରିବାକୁ ଉପଭୋଗ କରେ । ମୋ କାମ ଉପରେ ମୋତେ ପ୍ରାରମ୍ଭିକ ପ୍ରତିକ୍ରିୟା ଦେଇଥିବାରୁ ମୁଁ ଷ୍ଟିଫେନ୍ କ୍ଲାର୍କ ଏବଂ ଆନ୍ କପଷ୍ଟେକଙ୍କୁ ଧନ୍ୟବାଦ ଜଣାଉଛି ଏବଂ ମୋ ଥିସସ୍ ଡ୍ରାଫ୍ଟକୁ ଉଦାରତାର ସହ ପଢ଼ିଥିବାରୁ କ୍ରିଷ୍ଟୋଫର ବ୍ରାଏଣ୍ଟଙ୍କୁ ମଧ୍ୟ ଧନ୍ୟବାଦ ଜଣାଉଛି । ମୁଁ ବିଶେଷ ଭାବେ ମରିୟାନୋ ଫେଲିସେଙ୍କୁ ଧନ୍ୟବାଦ ଦେବାକୁ ଚାହୁଁଛି ଯେ ସେ କେବଳ ଜଣେ ମହାନ ସହକର୍ମୀ ନୁହନ୍ତି ବରଂ ଜଣେ ପ୍ରିୟ ବନ୍ଧୁ ମଧ୍ୟ । ଏକ ବିଶେଷ ଉଲ୍ଲେଖ ରହିଛି ... |
5189c574f75610b11b3281ed03e07debb789279d | ଶରୀର ଚ୍ୟାନେଲ ସଂଚାର (ବିସିସି) ପାଇଁ ଏକ ଅତି-ନିମ୍ନ ଶକ୍ତି ଜାଗରଣ ରିସିଭର 130 ନନ୍ ମିଟର ସିଏମଓଏସ ପ୍ରକ୍ରିୟାରେ କାର୍ଯ୍ୟକାରୀ କରାଯାଇଛି । ପ୍ରସ୍ତାବିତ ୱେକଅପ୍ ରିସିଭର ଇଞ୍ଜେକ୍ସନ-ଲକିଂ ରିଙ୍ଗ୍ ଓସିଲିଏଟର (ଆଇଏଲଆରଓ) କୁ ବ୍ୟବହାର କରି କମ ଶକ୍ତି ଖର୍ଚ୍ଚ କରୁଥିବା ଆର୍ଏଫ୍ ଆମ୍ପଲିଫାୟରକୁ ବଦଳାଇଥାଏ । ILRO ମାଧ୍ୟମରେ, ଫ୍ରିକ୍ୱେନ୍ସି ମୋଡ୍ୟୁଲେଟେଡ୍ ଇନପୁଟ୍ ସିଗନାଲ୍ କୁ ପୂର୍ଣ୍ଣ ସ୍ୱିଙ୍ଗ୍ ରିଅଟଙ୍ଗୁଲାର ସିଗନାଲ୍ କୁ ବ amplified ାଇଥାଏ ଯାହା ସିଧାସଳଖ ନିମ୍ନଲିଖିତ କମ୍ ଶକ୍ତି PLL- ଆଧାରିତ FSK ଡେମୋଡ୍ୟୁଲେଟର ଦ୍ୱାରା ଡିମୋଡ୍ୟୁଲେଟ୍ ହୋଇଥାଏ _ ଏହା ବ୍ୟତୀତ ଶକ୍ତି-ଦକ୍ଷତାଯୁକ୍ତ ବିସିସି ଲିଙ୍କ୍ ରିସିଭର୍ ପାଇଁ ସମ୍ବେଦନଶୀଳତା ଏବଂ ଚୟନକର୍ତ୍ତା ଆବଶ୍ୟକତାକୁ ହ୍ରାସ କରିଥାଏ, ଯାହା ଶକ୍ତି ଖର୍ଚ୍ଚକୁ ଯଥେଷ୍ଟ ହ୍ରାସ କରିଥାଏ । ଏହାବ୍ୟତୀତ, ତାପମାତ୍ରା ପରିବର୍ତ୍ତନ ଏବଂ ଲିକେଜ କରେଣ୍ଟ କାରଣରୁ ରିଙ୍ଗ୍ ଓସିଲିଟରର ଫ୍ରି ରନ୍ ଫ୍ରିକ୍ୱେନ୍ସିକୁ କମ୍ କରିବା ପାଇଁ ଅଟୋ ଫ୍ରିକ୍ୱେନ୍ସି କାଲିବ୍ରେଟର (ଏଏଫସି) କୁ ଗ୍ରହଣ କରାଯାଇଛି । ଏଏଫସି ପିଏଲଏଲ ଆଧାରିତ ଡେମୋଡ୍ୟୁଲେଟରକୁ ପୁନଃ ବ୍ୟବହାର କରି ମାଗଣା ଚାଳନ ଫ୍ରିକ୍ୱେନ୍ସିକୁ କୌଣସି କ୍ଷେତ୍ର ଓଭରହେଡ ବିନା ଆବଶ୍ୟକୀୟ ଫ୍ରିକ୍ୱେନ୍ସିରେ ସମୟାନୁକ୍ରମେ ସେଟ କରିଥାଏ । ଫଳସ୍ୱରୂପ, ପ୍ରସ୍ତାବିତ ୱେକଅପ୍ ରିସିଭର 200 kbps ଡାଟା ହାରରେ -62.7 dBmର ସମ୍ବେଦନଶୀଳତା ହାସଲ କରିଥାଏ, ଯେତେବେଳେ 0.7 ଭୋଲ୍ଟର ଯୋଗାଣରୁ ମାତ୍ର 37.5 μW ବ୍ୟବହାର କରିଥାଏ । |
55b1250d48541ee0a6e7d907df3fcde9c118b1c2 | ୱେବରେ ବିତର୍କିତ ପ୍ରସଙ୍ଗର ପରିମାଣ ଦ୍ରୁତ ଗତିରେ ବୃଦ୍ଧି ପାଉଛି । ଲେଖା, ବ୍ଲଗ ଏବଂ ୱିକିରେ ଲୋକମାନେ ନିଜ ମତକୁ ତର୍କ ବା ଯୁକ୍ତି ଆକାରରେ ପ୍ରକାଶ କରିଥାନ୍ତି, ଅର୍ଥାତ୍ ପ୍ରମାଣ ଦ୍ୱାରା ସମର୍ଥିତ ଦାବି । ଯୁକ୍ତିର ଆବିଷ୍କାର ନିଷ୍ପତ୍ତି ନେବାରେ ସୂଚନା ଦେବାର ଏକ ବଡ଼ ସମ୍ଭାବନା ରହିଛି । କିନ୍ତୁ, ଯୁକ୍ତି ଖୋଜିବା ପାଇଁ ଉପଲବ୍ଧ ୱେବ ଡାଟାର ପରିମାଣ ଏବଂ ଏହାର ଅସଂରଚିତ, ମୁକ୍ତ-ପାଠ୍ୟ ପ୍ରତିନିଧିତ୍ୱ ବାଧକ ସାଜିଛି । ପ୍ରଥମଟି ସ୍ୱୟଂଚାଳିତ ପାଠ୍ୟ ଖନନ ପଦ୍ଧତିକୁ ଆହ୍ୱାନ କରେ, ଯେତେବେଳେ କି ଦ୍ୱିତୀୟଟି ଯୁକ୍ତିର ସଂରଚନା ବାହାର କରିବା ପାଇଁ ହସ୍ତକୃତ ପ୍ରକ୍ରିୟାକରଣର ଆବଶ୍ୟକତାକୁ ସୂଚାଇଥାଏ । ଏହି କାଗଜରେ, ଆମେ ଯୁକ୍ତିଗୁଡିକର ଏକ କୋରପସ୍, ଏକ ଯୁକ୍ତି ଆଧାର ନିର୍ମାଣ କରିବା ପାଇଁ ଏକ ସମୁଦାୟ-ଆଧାରିତ ଆଭିମୁଖ୍ୟ ପ୍ରସ୍ତାବିତ କରୁଛୁ, ଯାହାଦ୍ୱାରା ଯୁକ୍ତି ଆବିଷ୍କାରରେ ସ୍ୱୟଂଚାଳିତ ପାଠ୍ୟ ଖନନ ଏବଂ ମାନୁଆଲ୍ ପ୍ରକ୍ରିୟାକରଣର ବାଣିଜ୍ୟ-ଅବକ୍ଷୟକୁ ମଧ୍ୟସ୍ଥତା କରିଥାଏ । ଆମେ ଏକ ଏଣ୍ଡ-ଟୁ-ଏଣ୍ଡ ପ୍ରକ୍ରିୟା ବିକଶିତ କରିଛୁ ଯାହା ଜନତାଙ୍କ ଖର୍ଚ୍ଚକୁ ସର୍ବନିମ୍ନ କରି ଜନତାଙ୍କ ଉତ୍ତରର ଗୁଣବତ୍ତାକୁ ସର୍ବାଧିକ କରିଥାଏ: (1) ଯୁକ୍ତିଯୁକ୍ତ ପାଠ୍ୟର ମାନ୍ୟତା, (2) ଏହି ପାଠ୍ୟରୁ ଯୁକ୍ତି ବାହାର କରିବା ପାଇଁ ବ୍ୟବହାରକାରୀଙ୍କ ଇନପୁଟକୁ ସକ୍ରିୟ ଭାବରେ ଉତ୍ସାହିତ କରିବା, ଏବଂ (3) ବିବିଧ ଜନତାଙ୍କ ଉତ୍ତରକୁ ଏକତ୍ରିତ କରିବା । ବାସ୍ତବ ଦୁନିଆର ଡାଟାସେଟ ସହିତ ଆମର ପରୀକ୍ଷଣରୁ ଜଣାପଡ଼ୁଛି ଯେ ଆମର ପଦ୍ଧତି ଡକ୍ୟୁମେଣ୍ଟରେ ଥିବା ସମସ୍ତ ଯୁକ୍ତିକୁ ଆବିଷ୍କାର କରିଥାଏ ଯେତେବେଳେ କେବଳ ୨୫% ପାଠ୍ୟକୁ ୮୦%ରୁ ଅଧିକ ସଠିକତା ସହିତ ପ୍ରୋସେସ୍ କରିଥାଏ, ଏକ ମୂଳ ଆଲଗୋରିଦମ ଦ୍ୱାରା ବ୍ୟବହୃତ ବଜେଟର ମାତ୍ର ୫୦% ବ୍ୟବହାର କରି । |
d6ddbe79fbe374baed1aa7b1b1ed02ff13b9534d | ଏହି ଚିଠିରେ ଏକ ନୂଆ ବ୍ରଡବ୍ୟାଣ୍ଡ ମିଲିମିଟର ୱେଭ୍ ପାସିଭ୍ ପାୱାର କମ୍ବିନେଟର ଉପସ୍ଥାପିତ କରାଯାଇଛି ଯାହା ସବଷ୍ଟ୍ରେଟ୍ ଇଣ୍ଟିଗ୍ରେଟେଡ୍ ୱେଭ୍ ଗାଇଡ୍ (SIW) ରୁ ୱେଭ୍ ଗାଇଡ୍ ଟ୍ରାଞ୍ଜିସନ୍ ଉପରେ ଆଧାରିତ । ଦୁଇଟି ଟ୍ରାଞ୍ଜିସନ ସର୍କିଟକୁ ସନ୍ତୁଳିତ ଭାବରେ ଇ-ପ୍ଲାନରେ ଭର୍ତ୍ତି କରାଯାଇଥାଏ ଏବଂ ଏହା ପାୱାର କମ୍ବାଇନିଂ ନେଟୱାର୍କ ଭାବେ କାମ କରିଥାଏ । ପାୱାର କମ୍ବାଇନରର ବ୍ରଡବ୍ୟାଣ୍ଡ ଅନୁରୋଧକୁ ପୂରଣ କରିବା ପାଇଁ ଆଣ୍ଟିସିମେଟ୍ରିକ କପଡିତ ସୋଣ୍ଡ ବ୍ୟବହାର କରି ଏକ ବ୍ରଡବ୍ୟାଣ୍ଡ ଏବଂ କମ୍ପାକ୍ଟ ଏସଆଇଡବ୍ଲୁ-ଟୁ-ୱେଭ୍ ଗାଇଡ୍ ଟ୍ରାଞ୍ଜିସନ୍ ସର୍କିଟ ବିକଶିତ କରାଯାଇଛି । ଏକ କା-ବ୍ୟାଣ୍ଡ ଚାରି-ଦିଗ ଶକ୍ତି ସଂଯୋଜକ ନିର୍ମାଣ କରାଯାଇଥିଲା ଏବଂ ମାପିତ ଫଳାଫଳଗୁଡ଼ିକ ସିମୁଲେଟେଡ୍ ଫଳାଫଳ ସହିତ ଭଲ ଭାବରେ ମେଳ ଖାଉଥିଲା । ମାପ ଫଳାଫଳରୁ ଜଣାପଡ଼େ ଯେ ପ୍ରସ୍ତାବିତ କମ୍ବିନେଟର ଦ୍ୱାରା 23.5ରୁ 40 GHz ପର୍ଯ୍ୟନ୍ତ 52% ବ୍ୟାଣ୍ଡୱିଡଥ୍ ହାସଲ କରାଯାଇ 15 dBରୁ ଅଧିକ ରିଟର୍ନ ଲସ ଏବଂ 0.75ରୁ 1.4 dB ପର୍ଯ୍ୟନ୍ତ ଇନସର୍ଟନ ଲସ ମିଳିଥାଏ । ଏହି ମିଲିମିଟର-ୱେଭ୍ ପାୱାର କମ୍ବିନେଟରକୁ ଏହାର ସରଳ ସଂରଚନା ଏବଂ ବ୍ରଡବ୍ୟାଣ୍ଡ କାର୍ଯ୍ୟଦକ୍ଷତା ପାଇଁ ଉଚ୍ଚ ଶକ୍ତି-କମ୍ବିନେଟିଂ ସିଷ୍ଟମରେ ନିୟୋଜିତ କରାଯାଇପାରିବ । |
3071658f221769d8980db53ada045cdbb89340af | ଆମେ ପ୍ରସ୍ତାବ ଦେଉଛୁ, ୱାରପଗାନ, ଏକ ସମ୍ପୂର୍ଣ୍ଣ ସ୍ୱୟଂଚାଳିତ ନେଟୱାର୍କ ଯାହା ଏକ ଇନପୁଟ ଚେହେରା ଫଟୋ ଦେଇ କାରିକଚର ସୃଷ୍ଟି କରିପାରିବ । ସମୃଦ୍ଧ ଢାଞ୍ଚା ଶୈଳୀକୁ ସ୍ଥାନାନ୍ତର କରିବା ବ୍ୟତୀତ, ୱାରପଗାନ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ନିୟନ୍ତ୍ରଣ ବିନ୍ଦୁଗୁଡ଼ିକର ଏକ ସେଟକୁ ପୂର୍ବାନୁମାନ କରିବାକୁ ଶିଖେ ଯାହା ଫଟୋକୁ ଏକ କାରିକେଚରରେ ବକ୍ର କରିପାରେ, ପରିଚୟ ବଜାୟ ରଖିଥାଏ । ଆମେ ଏକ ପରିଚୟ-ସଂରକ୍ଷଣ ବିରୋଧାଭାସୀ କ୍ଷତି ପ୍ରବର୍ତ୍ତନ କରିଛୁ ଯାହା ଭିନ୍ନକ୍ଷମଙ୍କୁ ଭିନ୍ନ ଭିନ୍ନ ବିଷୟ ମଧ୍ୟରେ ଭିନ୍ନ କରିବାକୁ ସାହାଯ୍ୟ କରେ । ଏହାବ୍ୟତୀତ ୱାରପଗାନ ଦ୍ୱାରା ସୃଷ୍ଟି ହୋଇଥିବା କାରିକଚରଗୁଡ଼ିକୁ ମନମୁତାବକ ପ୍ରସ୍ତୁତ କରାଯାଇପାରିବ । ଏକ ସର୍ବସାଧାରଣ ଡାଟାସେଟ, ୱେବକ୍ୟାରିକୁଚରରେ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଦର୍ଶାଏ ଯେ ୱାରପଗାନ ପରିଚୟକୁ ସଂରକ୍ଷିତ ରଖି ବିଭିନ୍ନ ପ୍ରକାରର କାରିକଚର ସୃଷ୍ଟି କରିବାରେ ସକ୍ଷମ । ପାଞ୍ଚ ଜଣ କାରିକେଚର ବିଶେଷଜ୍ଞଙ୍କ ମତରେ ୱାରପଗାନ ଦ୍ୱାରା ପ୍ରସ୍ତୁତ କାରିକେଚରଗୁଡ଼ିକ ହସ୍ତରେଖା ସହିତ ଦୃଶ୍ୟମାନ ହୋଇଥାଏ ଏବଂ କେବଳ ପ୍ରସିଦ୍ଧ ଚେହେରା ବିଶେଷତ୍ୱକୁ ଅତିରଞ୍ଜିତ କରାଯାଇଥାଏ । ସମାନ ଯୋଗଦାନକୁ ସୂଚାଇଥାଏ |
ee742cdcec6fb80fda256c7202ffc3e7e2b34f4f | |
40b5ebd81c556a3799100689d1e92a5af7f895fb | ପୁରୁଷରୁ ମହିଳା ଲିଙ୍ଗ ପରିବର୍ତ୍ତନ ଅସ୍ତ୍ରୋପଚାରର କାର୍ଯ୍ୟକାରିତା ଓ ସୌନ୍ଦର୍ଯ୍ୟର ମୂଲ୍ୟାୟନ କରିବା । ରୋଗୀ ଓ ପଦ୍ଧତି ୨୦୦୧ ମେ ରୁ ୨୦୦୮ ଏପ୍ରିଲ୍ ମଧ୍ୟରେ ଆମେ ୫୦ ଜଣ ପୁରୁଷଙ୍କୁ ମହିଳାଙ୍କ ଲିଙ୍ଗ ପରିବର୍ତ୍ତନ ଅସ୍ତ୍ରୋପଚାର କରାଇଥିଲୁ । ସମସ୍ତ ରୋଗୀ କ୍ରସ ଡ୍ରେସିଂ କରୁଥିଲେ, ମହିଳା ଭାବରେ ରହୁଥିଲେ, ଏବଂ ଅତି କମରେ ୧୨ ମାସ ପର୍ଯ୍ୟନ୍ତ ଏଷ୍ଟ୍ରୋଜେନ୍ ଏବଂ ପ୍ରୋଗେସ୍ଟେରନ୍ ପାଉଥିଲେ, ଯାହା ସ୍ତନ ବିକାଶ ଏବଂ ଅଣ୍ଡକୋଷ ଏବଂ ପ୍ରୋଷ୍ଟେଟର ଆଟ୍ରଫି ପାଇଁ ଯଥେଷ୍ଟ ଥିଲା । ଏହି ହର୍ମୋନ ଥେରାପି ଅପରେସନ ପୂର୍ବରୁ ଏକ ମାସ ପାଇଁ ବନ୍ଦ କରାଯାଇଥିଲା । ଫଳାଫଳ: ହାରାହାରି ଅପରେସନ ସମୟ ୧୯୦ ମିନିଟ ଏବଂ ମଳାର ହାରାହାରି ଗଭୀରତା ୧୦ ସେମି ଥିଲା । ପରବର୍ତ୍ତୀ ସମୟରେ, ସବୁଠାରୁ ସାଧାରଣ ଜଟିଳତା (୧୦%) ଥିଲା ନିଓଭାଗିନାର ସଙ୍କୁଚିତ ହେବା, ଯାହାକୁ ଦ୍ୱିତୀୟ ସର୍ଜରୀ ଦ୍ୱାରା ସଂଶୋଧନ କରାଯାଇପାରିବ । ୫୦ ଜଣ ରୋଗୀଙ୍କ ମଧ୍ୟରୁ ୪୫ ଜଣ (୯୦%) ଏଷ୍ଟେଟିକ ଫଳାଫଳରେ ସନ୍ତୁଷ୍ଟ ଥିଲେ; ୪୨ ଜଣ ରୋଗୀ (୮୪%) ନିୟମିତ ଯୌନ ସମ୍ପର୍କ ରଖିଥିବା ଜଣାଇଥିଲେ, ଯେଉଁମାନଙ୍କ ମଧ୍ୟରୁ ୨ ଜଣ ଯୌନ ସମ୍ପର୍କ ସମୟରେ ଯନ୍ତ୍ରଣା ଅନୁଭବ କରିଥିଲେ । ୫୦ ଜଣ ରୋଗୀଙ୍କ ମଧ୍ୟରୁ ୩୫ ଜଣ (୭୦%) କ୍ଲିଟୋରଲ ଅର୍ଗାସମ ହାସଲ କରିଥିବା ଜଣାଇଥିଲେ । ଉପସଂହାର ପୁରୁଷରୁ ମହିଳା ଲିଙ୍ଗ ପରିବର୍ତ୍ତନ ଅସ୍ତ୍ରୋପଚାର ଦ୍ୱାରା ସନ୍ତୋଷଜନକ ସୌନ୍ଦର୍ଯ୍ୟ ଓ କାର୍ଯ୍ୟକାରିତା ଫଳ ମିଳିପାରିବ ଏବଂ ଅସ୍ତ୍ରୋପଚାର ସମୟରେ ଏବଂ ପରେ ରୋଗୀ ସଂଖ୍ୟା ହ୍ରାସ ପାଇବ । ତଥାପି ସର୍ଜନ ଓ କେନ୍ଦ୍ରର ଅଭିଜ୍ଞତା ସର୍ବୋତ୍ତମ ଫଳାଫଳ ପାଇବା ପାଇଁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । |
e6228e0454a00117965c5ed884173531a9246189 | ବହୁ ସଂଖ୍ୟାରେ କଲେଜ ଛାତ୍ରମାନେ ଅଳ୍ପ ସମୟ ମଧ୍ୟରେ ଫେସବୁକର ପ୍ରବଳ ବ୍ୟବହାରକାରୀ ହୋଇପାରିଛନ୍ତି । ଏହି ଅଧ୍ୟୟନରେ, ଆମେ ଅନୁସନ୍ଧାନ କରୁଛୁ ଯେ ଏହି ଛାତ୍ରମାନେ ଫେସବୁକ୍ ବ୍ୟବହାର କରୁଛନ୍ତି ସେମାନଙ୍କ ଅଫଲାଇନ୍ ସମ୍ପ୍ରଦାୟରେ ନୂତନ ଲୋକଙ୍କୁ ଖୋଜିବା ପାଇଁ କିମ୍ବା ସେମାନେ ପ୍ରଥମେ ଅଫଲାଇନ୍ରେ ସାକ୍ଷାତ କରିଥିବା ଲୋକଙ୍କ ବିଷୟରେ ଅଧିକ ଜାଣିବା ପାଇଁ । ଆମର ତଥ୍ୟରୁ ଜଣାପଡ଼ୁଛି ଯେ, ବ୍ୟବହାରକାରୀମାନେ ଫେସବୁକକୁ ବ୍ୟବହାର କରି ଅଫଲାଇନରେ ଭେଟୁଥିବା ଲୋକଙ୍କ ବିଷୟରେ ଅଧିକ ଜାଣିବାକୁ ଚାହୁଁଛନ୍ତି ଏବଂ ନୂଆ ସମ୍ପର୍କ ସ୍ଥାପନ ପାଇଁ ଏହି ସାଇଟକୁ ବ୍ୟବହାର କରିବା ସମ୍ଭାବନା କମ୍ ରହିଛି । |
8dc3c0008fb172710642db4fe5fcb2db9b0cd9fe | ଦୃଶ୍ୟ ପାଠ୍ୟ ଚିହ୍ନଟ ପାଇଁ ବର୍ତ୍ତମାନର ଅଧିକାଂଶ ଡାଟାସେଟରେ କେବଳ କିଛି ହଜାର ତାଲିମ ନମୁନା ରହିଛି ଯାହାର ଶବ୍ଦାବଳୀ ଅତ୍ୟନ୍ତ ସୀମିତ, ଯାହା ଅତ୍ୟାଧୁନିକ ଗଭୀର ଶିକ୍ଷା ଆଧାରିତ ପାଠ୍ୟ ଚିହ୍ନଟ ପଦ୍ଧତିର ଆବଶ୍ୟକତା ପୂରଣ କରିପାରିବ ନାହିଁ । ଯଦିଓ ସିନ୍ଥେଟିକ୍ ଡାଟାସେଟ୍ (ଯେପରିକି SynthText90k) ରେ ଲକ୍ଷ ଲକ୍ଷ ନମୁନା ରହିଥାଏ, ତଥାପି ଏହା ପ୍ରାକୃତିକ ଦୃଶ୍ୟରେ ଛୋଟ ଟାର୍ଗେଟ୍ ଡାଟାସେଟର ଡାଟା ବଣ୍ଟନକୁ ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ ଫିଟ୍ କରିପାରିବ ନାହିଁ । ଏହି ସମସ୍ୟାଗୁଡ଼ିକର ସମାଧାନ ପାଇଁ ଆମେ SynthText-Transfer ନାମକ ଏକ ଶବ୍ଦ ତଥ୍ୟ ସୃଷ୍ଟି ପଦ୍ଧତି ପ୍ରସ୍ତାବ ଦେଉଛୁ, ଯାହା ଲକ୍ଷ୍ୟ ତଥ୍ୟ ସେଟର ବଣ୍ଟନକୁ ଅନୁକରଣ କରିବାରେ ସକ୍ଷମ । ସିନ୍ଥଟେକ୍ସଟ-ଟ୍ରାନ୍ସଫର ଏକ ଷ୍ଟାଇଲ ଟ୍ରାନ୍ସଫର ପଦ୍ଧତି ବ୍ୟବହାର କରି ମନଇଚ୍ଛା ଲେଖା ଥିବା ନମୁନା ସୃଷ୍ଟି କରିଥାଏ, ଯାହା ଟାର୍ଗେଟ ଡାଟାସେଟରେ ରେଫରେନ୍ସ ନମୁନାର ଢାଞ୍ଚାକୁ ସଂରକ୍ଷିତ କରିଥାଏ । ସୃଷ୍ଟି ହୋଇଥିବା ପ୍ରତିଛବିଗୁଡ଼ିକ କେବଳ ବାସ୍ତବ ପ୍ରତିଛବି ସହିତ ଦୃଶ୍ୟମାନ ଭାବରେ ସମାନ ନୁହେଁ, ବରଂ ଅତ୍ୟାଧୁନିକ ପାଠ୍ୟ ଚିହ୍ନଟ ପଦ୍ଧତିର ସଠିକତାକୁ ଉନ୍ନତ କରିବାରେ ମଧ୍ୟ ସକ୍ଷମ, ବିଶେଷକରି ବୃହତ ଅକ୍ଷର ସହିତ ଇଂରାଜୀ ଏବଂ ଚାଇନିଜ୍ ଡାଟାସେଟ୍ ପାଇଁ (ଯେଉଁଠାରେ ଅନେକ ଅକ୍ଷର କେବଳ କିଛି ନମୁନାରେ ଦେଖାଯାଏ, ଯାହା କ୍ରମ ମଡେଲଗୁଡ଼ିକ ପାଇଁ ଶିଖିବା କଷ୍ଟକର କରିଥାଏ) । ଏହାବ୍ୟତୀତ ପ୍ରସ୍ତାବିତ ପଦ୍ଧତି ଦ୍ରୁତ ଓ ନମନୀୟ, ଯାହାକି ସାଧାରଣ ଶୈଳୀ ସ୍ଥାନାନ୍ତରଣ ପଦ୍ଧତି ମଧ୍ୟରେ ପ୍ରତିଯୋଗିତାମୂଳକ ବେଗରେ କାର୍ଯ୍ୟ କରିଥାଏ । |
83e70a4ecf9ada29678feef30a15be935c9e31e3 | |
8069614b90ebf48931a4b677a8f77799c94c4edb | |
336605da40485f4c8341f16bd26b9b4849dd0dc1 | ଏହି କାର୍ଯ୍ୟରେ, ଆମେ ଅନଲାଇନ ଆଲୋଚନାରେ ମନ୍ତବ୍ୟକୁ ଏକ କ୍ରମିକ କଥନ ଆକାରରେ ଶ୍ରେଣୀଭୁକ୍ତ କରିବା ପାଇଁ ଏକ ନୂତନ ପଦ୍ଧତି ଉପସ୍ଥାପନ କରୁଛୁ । ଏହି ଅଧ୍ୟୟନକୁ ସହଜ କରିବା ପାଇଁ, ଆମେ ସାଧାରଣ ଆଲୋଚନାକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରିବା ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଥିବା କୌଶଳାତ୍ମକ ବକ୍ତବ୍ୟର ଶ୍ରେଣୀକରଣ କରିଛୁ ଏବଂ ଭିଡ଼ କାର୍ଯ୍ୟକର୍ତ୍ତାଙ୍କ ଦ୍ୱାରା ସହଜରେ ଟିପ୍ପଣୀ କରିବାକୁ ଅନୁମତି ଦେଇଛୁ । ଆମେ ୯୦୦୦ରୁ ଅଧିକ ବିଷୟବସ୍ତୁ ସଂଗ୍ରହ କରି ପ୍ରକାଶ କରିଥାଉ ଯେଉଁଥିରେ ୧୦୦୦୦୦ରୁ ଅଧିକ ମନ୍ତବ୍ୟ ରହିଛି ଯାହା ପେଡ୍ କ୍ରାଉଡସୋର୍ସିଂ ମାଧ୍ୟମରେ ମନୁଷ୍ୟକୃତ ଭାବରେ ଲେଖା ଯାଇଛି ଏବଂ ରେଡ୍ଡିଟ୍ ସାଇଟରୁ ଆକସ୍ମିକ ଭାବେ ନମୁନା ସଂଗ୍ରହ କରାଯାଇଛି । ଆମର କୋରପସକୁ ବ୍ୟବହାର କରି, ଆମେ ଦେଖାଇବୁ ଯେ କିପରି ବକ୍ତବ୍ୟର ବିଶ୍ଳେଷଣ ବିଭିନ୍ନ ପ୍ରକାରର ଆଲୋଚନାକୁ ବର୍ଣ୍ଣନା କରିପାରିବ, ଯେଉଁଥିରେ ବକ୍ତବ୍ୟର କ୍ରମ ଅନ୍ତର୍ଭୁକ୍ତ ଯେପରିକି ପ୍ରଶ୍ନ ଏବଂ ଉତ୍ତର ଯୋଡି ଏବଂ ଅସହମତିର ଶୃଙ୍ଖଳ, ଏବଂ ବିଭିନ୍ନ ସମ୍ପ୍ରଦାୟ । ଶେଷରେ, ଆମେ ଆମର କୋରପସ୍ ବ୍ୟବହାର କରି କଥନ କ୍ରିୟାକୁ ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ପରୀକ୍ଷଣ କରି ଦେଖୁ ଯେ ସଂରଚନା ପୂର୍ବାନୁମାନ ମଡେଲ ଯେପରିକି ସର୍ତ୍ତସାପେକ୍ଷ ରାଣ୍ଡମ ଫିଲ୍ଡ 75% ର F1 ସ୍କୋର ହାସଲ କରିପାରିବ । ଆମେ ଏହା ମଧ୍ୟ ଦର୍ଶାଇବୁ ଯେ କିପରି ପ୍ରଶ୍ନ ଏବଂ ଉତ୍ତରରୁ ଅଧିକ ସମୃଦ୍ଧ ଶ୍ରେଣୀକୁ ବ୍ୟାପକ କରିବା ଦ୍ୱାରା ପ୍ରଶ୍ନ ଏବଂ ଉତ୍ତର ଉତ୍ତୋଳନ କରିବାର କାର୍ଯ୍ୟକୁ ଉନ୍ନତ କରାଯାଇପାରିବ । |
209929b05cee369ee000ae4ae4c2ec7d26cff197 | ଏଥିରେ 6-18 ଗିଗାହର୍ଟଜ ଫ୍ରିକ୍ୱେନ୍ସି ରେଞ୍ଜ ପାଇଁ ଡିଜାଇନ କରାଯାଇଥିବା ଏକ ଡୁଆଲ ପୋଲାରାଇଜଡ ବ୍ରଡବ୍ୟାଣ୍ଡ ଫେଜଡ ଆରେ ଆଣ୍ଟିନା, 45 ଡିଗ୍ରୀର କୋନିକାଲ ଗ୍ରେଡିଂ ଲୋବ ଫ୍ରି ସ୍କାନ ଭୋଲ୍ୟୁମ ଏବଂ ସାବ ଦ୍ୱାରା ବିକଶିତ ବୋର ଏଲିମେଣ୍ଟ ସହିତ ସଜ୍ଜିତ । ଏହି ଆରେ ଏଲିମେଣ୍ଟର ଲକ୍ଷ୍ୟ ହେଉଛି ଏକ ଡୁଆଲ ପୋଲାରାଇଜଡ ବ୍ରଡବ୍ୟାଣ୍ଡ ଆରେ ଆଣ୍ଟିନା ଆଣିବା ଯାହା ସହଜରେ ଏକତ୍ରିତ, ବିଚ୍ଛିନ୍ନ ଏବଂ ସକ୍ରିୟ ମାଇକ୍ରୋୱେଭ୍ ମଡ୍ୟୁଲ ସହିତ ସଂଯୋଗ ହୋଇପାରିବ । ରକ୍ଷଣାବେକ୍ଷଣ ଓ ଉନ୍ନତିକରଣ କାରଣରୁ ଏହାକୁ ଅଲଗା କରିବା ଜରୁରୀ ହୋଇପାରେ । ମେକାନିକାଲ ଡିଜାଇନ ଏବଂ ଇଲେକ୍ଟ୍ରୋମ୍ୟାଗ୍ନେଟିକ ପରଫରମାନ୍ସ ସକ୍ରିୟ ପ୍ରତିଫଳନ କୋଏଫସିଏଣ୍ଟ ରୂପରେ, ମାପିତ ପାରସ୍ପରିକ କପଲିଂ କୋଏଫସିଏଣ୍ଟରୁ ହିସାବ କରାଯାଇଥାଏ, ଏବଂ ଏକ କେନ୍ଦ୍ରୀୟ ଏବଂ ଏକ ପ୍ରାନ୍ତ ଉପାଦାନ ପାଇଁ ମାପିତ ସକ୍ରିୟ ଲାଭ ଉପାଦାନ ପ୍ୟାଟର୍ନ ଉପସ୍ଥାପିତ ହୋଇଥାଏ । ଆରେରେ ଥିବା ଏଜ ଇଫେକ୍ଟ, ଯାହା ଛୋଟ ବ୍ରଡବ୍ୟାଣ୍ଡ ଆରେରେ ଅଧିକ ହୋଇପାରେ, ଏହି କାଗଜରେ ବିଚାର କରାଯାଏ । |
5ae0ed96b0ebb7d8a03840aaf64c53b07ff0c1e7 | ଭାବନା ବର୍ଗୀକରଣର ମୁଖ୍ୟ କାର୍ଯ୍ୟ ହେଲା ପ୍ରକାଶିତ ଭାବନା ତଥ୍ୟର ଭାବନା ପଲାର୍ସିଟି (ଅସକାରାତ୍ମକ ବା ନକାରାତ୍ମକ) କୁ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ବିଚାର କରିବା (ଯେପରିକି ଭାବନା ପଲାର୍ସିଟି) । ଖବର କିମ୍ବା ସମୀକ୍ଷା) କେତେକ ଗବେଷଣା ଦର୍ଶାଇଛି ଯେ ନିରୀକ୍ଷଣ ପଦ୍ଧତି ବ୍ଲଗ କିମ୍ବା ସମୀକ୍ଷାର ଉତ୍ତମ ପ୍ରଦର୍ଶନ ହାସଲ କରିପାରିବ । କିନ୍ତୁ, ଖବରର ପଟ୍ଟା କେତେ ତାହା ଆକଳନ କରିବା କଷ୍ଟକର । ୱେବ୍ ସମ୍ବାଦ ରିପୋର୍ଟ ଅନ୍ୟ ୱେବ୍ ଡକ୍ୟୁମେଣ୍ଟଠାରୁ ଭିନ୍ନ । ସମ୍ବାଦରେ ଭାବନାତ୍ମକ ବୈଶିଷ୍ଟ୍ୟ ଅନ୍ୟ ୱେବ୍ ଦସ୍ତାବିଜରେ ଥିବା ବୈଶିଷ୍ଟ୍ୟ ଅପେକ୍ଷା କମ୍ । ଏହା ବ୍ୟତୀତ, ଭିନ୍ନ ଭିନ୍ନ କ୍ଷେତ୍ରରେ ସମାନ ଶବ୍ଦଗୁଡ଼ିକର ଭିନ୍ନ ଭିନ୍ନ ଧ୍ରୁବତା ରହିଛି । ତେଣୁ ଆମେ ଏକ ସ୍ୱୟଂ-ବୃଦ୍ଧି ଅଲ୍ଗୋରିଦମ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା କ୍ରସ-ଡୋମେନ୍ ଭାବନା ଶବ୍ଦ ତାଲିକା ସୃଷ୍ଟି କରିବ, ଯାହା ୱେବ୍ ସମ୍ବାଦର ଭାବନା ବର୍ଗୀକରଣରେ ବ୍ୟବହୃତ ହୁଏ । ଏହି ପତ୍ରିକାରେ ୱେବ୍ ଖବରକୁ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଶ୍ରେଣୀଭୁକ୍ତ କରିବା ପାଇଁ ପୂର୍ବରୁ ବର୍ଣ୍ଣନା କରାଯାଇନଥିବା କେତେକ ବୈଶିଷ୍ଟ୍ୟ ଉପରେ ବିଚାର କରାଯାଇଛି, ଏହି କୌଶଳଗୁଡିକର ପ୍ରଭାବକୁ ପୃଥକ ଭାବରେ ଏବଂ ଯେତେବେଳେ ଶ୍ରେଣୀଭୁକ୍ତ ଆଲଗୋରିଦମ ବ୍ୟବହାର କରି ଏକତ୍ରିତ କରାଯାଏ, ଏବଂ କ୍ରସ-ଡୋମେନ୍ ୱାର୍ଡ ତାଲିକା ପାଇଁ ସ୍ୱୟଂ-ବୃଦ୍ଧି ଆଲଗୋରିଦମକୁ ମଧ୍ୟ ବୈଧ କରିଥାଏ । |
2bd576ce574df33c834b6032962cd5ae0be5299f | |
fb2508f11a676c48bacad7a827f02db519fd969a | ବିକଳ୍ପ (ଅବଜରଭେସନ/ଅବଜେକ୍ଟ) ଗୁଡିକୁ ପୂର୍ବ ନିର୍ଦ୍ଧାରିତ ସମାନ ଗୋଷ୍ଠୀ ମଧ୍ୟରେ ବଣ୍ଟନ କରିବା ଏକ ପ୍ରମୁଖ ବ୍ୟବହାରିକ ଏବଂ ଗବେଷଣା ସମ୍ବନ୍ଧୀୟ ସମସ୍ୟା । ଏହି ପ୍ରକାର ସମସ୍ୟାକୁ ଶ୍ରେଣୀକରଣ ବା ସର୍ଟ ବୋଲି କୁହାଯାଇଥାଏ, ଏହା ନିର୍ଭର କରେ ଯେ ଗୋଷ୍ଠୀଗୁଡ଼ିକ ନାମମାତ୍ର ବା କ୍ରମିକ କି ନୁହେଁ । ବିଭିନ୍ନ ଗବେଷଣା ବିଷୟରୁ ଶ୍ରେଣୀକରଣ ଓ ସର୍ଟ କରିବା ପାଇଁ ବିଭିନ୍ନ ପଦ୍ଧତି ବିକଶିତ କରାଯାଇଛି, ଯେଉଁଥିରେ ପରିସଂଖ୍ୟାନ/ଅର୍ଥମାପ, କୃତ୍ରିମ ବୁଦ୍ଧିମତା ଓ ପରିଚାଳନା ଗବେଷଣା ସାମିଲ ରହିଛି । ଏହି ଲେଖାର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ବହୁ-ନିୟମ ନିର୍ଣ୍ଣୟ ସହାୟକ (ଏମସିଡିଏ) ର ଢାଞ୍ଚାରେ କରାଯାଇଥିବା ଗବେଷଣାକୁ ସମୀକ୍ଷା କରିବା । ଏହି ସମୀକ୍ଷାରେ ଏମସିଡିଏ ଶ୍ରେଣୀକରଣ/ସର୍ଟୀକରଣ ମଡେଲର ବିଭିନ୍ନ ପ୍ରକାର, ମଡେଲ ବିକାଶ ପ୍ରକ୍ରିୟାର ବିଭିନ୍ନ ଦିଗ ଏବଂ ଏମସିଡିଏ ଶ୍ରେଣୀକରଣ/ସର୍ଟୀକରଣ କୌଶଳର ବାସ୍ତବ ଦୁନିଆର ପ୍ରୟୋଗ ଏବଂ ଏହାର ସଫ୍ଟୱେୟାର କାର୍ଯ୍ୟାନ୍ୱୟନକୁ ସାମିଲ କରାଯାଇଛି । 2002 ଏଲ୍ସେଭିୟର ସାଇନ୍ସ ବି.ଭି. ସମସ୍ତ ଅଧିକାର ସଂରକ୍ଷିତ. |
e26cbabe8c60f1c62616917410f47ac2ad7d7609 | ଏହି କାଗଜରେ ଏକ ଜ୍ଞାନକୌଶଳ ଢାଞ୍ଚାରେ ଡ୍ରାଇଭର ବ୍ୟବହାରର ଏକ କଠୋର କମ୍ପ୍ୟୁଟେସନାଲ ମଡେଲର ବିକାଶକୁ ଅନୁସନ୍ଧାନ କରାଯାଇଛି - ଏକ ମନସ୍ତାତ୍ତ୍ୱିକ ସିଦ୍ଧାନ୍ତ ସହିତ ଏକ କମ୍ପ୍ୟୁଟେସନାଲ ଫ୍ରେମୱାର୍କ ଯାହା ମାନବ ପ୍ରଣାଳୀର ମୌଳିକ ଗୁଣ ଏବଂ ସୀମିତତାକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରେ । ଡ୍ରାଇଭିଂର ଜଟିଳ କାର୍ଯ୍ୟକୁ ଅଧ୍ୟୟନ କରିବା ପାଇଁ କମ୍ପ୍ୟୁଟେସନାଲ ମଡେଲିଂ ଏକ ଶକ୍ତିଶାଳୀ ସାଧନ ଭାବରେ ଉଭା ହୋଇଛି, ଯାହାଦ୍ୱାରା ଗବେଷକମାନେ ଡ୍ରାଇଭରଙ୍କ ଆଚରଣକୁ ଅନୁକରଣ କରିବା ଏବଂ ଏହି ଆଚରଣର ପାରାମିଟର ଏବଂ ପ୍ରତିବନ୍ଧକଗୁଡ଼ିକୁ ଅନୁସନ୍ଧାନ କରିବାକୁ ଅନୁମତି ଦେଇଥାନ୍ତି । ଏହି ଆର୍ଟିକିଲରେ ACT-R (ଆଡାପ୍ଟିଭ କଣ୍ଟ୍ରୋଲ ଅଫ୍ ଥଟ୍ସ-ରାସନାଲ) କଗ୍ନିଟିଭ୍ ଆର୍କିଟେକଚରରେ ବିକଶିତ ଏକ ସମନ୍ୱିତ ଡ୍ରାଇଭର ମଡେଲର ବର୍ଣ୍ଣନା କରାଯାଇଛି ଯାହା ମଲ୍ଟିଲେନ୍ ହାଇୱେ ପରିବେଶରେ ନିୟନ୍ତ୍ରଣ, ମନିଟରିଂ ଏବଂ ନିଷ୍ପତ୍ତି ନେବାର ଉପାଦାନ ପ୍ରକ୍ରିୟାଗୁଡ଼ିକ ଉପରେ ଧ୍ୟାନ ଦେଇଥାଏ । ଏହି ମଡେଲରେ ଲେନ୍ ରଖିବା, ବକ୍ରରେ କଥାବାର୍ତ୍ତା କରିବା ଏବଂ ଲେନ୍ ପରିବର୍ତ୍ତନ କରିବା ସମୟରେ ମାନବ ଡ୍ରାଇଭରଙ୍କ ଷ୍ଟିଅରିଂ ପ୍ରୋଫାଇଲ୍, ପାର୍ଶ୍ୱ ସ୍ଥିତି ପ୍ରୋଫାଇଲ୍ ଏବଂ ଦୃଷ୍ଟି ବଣ୍ଟନକୁ ବିଚାରକୁ ନିଆଯାଏ । ଏହି ମଡେଲ ଦର୍ଶାଏ ଯେ ସାଧାରଣ ମାନବୀୟ ଦକ୍ଷତା ଏବଂ ପ୍ରତିବନ୍ଧକ ପରିପ୍ରେକ୍ଷୀରେ କିପରି କୌଶଳାତ୍ମକ ସ୍ଥାପତ୍ୟଗୁଡ଼ିକ ଡ୍ରାଇଭରର ଆଚରଣକୁ ବୁଝିବାରେ ସାହାଯ୍ୟ କରେ ଏବଂ କିପରି ଡ୍ରାଇଭିଂ ଡୋମେନ୍ ଅଧିକ ଜଟିଳ, ବାସ୍ତବବାଦୀ କାର୍ଯ୍ୟ ଆଡକୁ ମଡେଲ ବିକାଶକୁ ଠେଲି ଦେଇ କୌଶଳାତ୍ମକ ସ୍ଥାପତ୍ୟଗୁଡ଼ିକୁ ଲାଭ କରେ । ଏହି ମଡେଲ ବ୍ୟବହାରିକ ପ୍ରୟୋଗ ପାଇଁ ଏକ ମୂଳ କମ୍ପ୍ୟୁଟେସନାଲ ଇଞ୍ଜିନ ଭାବରେ ମଧ୍ୟ କାର୍ଯ୍ୟ କରିପାରିବ ଯାହା ଡ୍ରାଇଭରଙ୍କ ଆଚରଣ ଏବଂ ବିଭ୍ରାନ୍ତିର ପୂର୍ବାନୁମାନ ଏବଂ ଚିହ୍ନଟ କରିଥାଏ । |
3d7ac1dae034997ca5501211685a67dbe009b5ae | ଏହି ଚିଠିରେ ଏକ ୬୦ ଗିଗାହର୍ଜ ବିଶିଷ୍ଟ ଲକ୍ ରେଞ୍ଜ ମିଲର ଡିଭାଇଡର ଉପସ୍ଥାପିତ କରାଯାଇଛି । ଡିଭାଇଡରର ଲକିଂ ରେଞ୍ଜକୁ ବୃଦ୍ଧି କରିବା ଏବଂ ଶକ୍ତି ଖର୍ଚ୍ଚକୁ ବଞ୍ଚାଇବା ପାଇଁ, ଆମେ ଦୁର୍ବଳ ଇନଭର୍ସନ ମିକ୍ସର ଉପରେ ଆଧାରିତ ମିଲର ଡିଭାଇଡର ପ୍ରସ୍ତାବ ଦେଇଥିଲୁ । ପ୍ରସ୍ତାବିତ ମିଲର ଡିଭାଇଡର 65 ନନୋମିଟର ସିଏମଓଏସରେ କାର୍ଯ୍ୟକାରୀ କରାଯାଇଛି ଏବଂ 0.4 ଭୋଲ୍ଟ ଯୋଗାଣରେ 1.6 ମିଲୱାଟ ସିସି ଶକ୍ତି ବ୍ୟବହାର କରୁଥିବା ବେଳେ 0 ଡିସିଏମ ଇନପୁଟ ପାୱାରରେ 35.7ରୁ 64.2 ଗିଗାହର୍ଜ ପର୍ଯ୍ୟନ୍ତ 57% ଲକ ରେଞ୍ଜ ପ୍ରଦର୍ଶନ କରୁଛି । ପୂର୍ବରୁ ପ୍ରଚଳିତ ଥିବା ସିଏମଓଏସ ମିଲିମିଟର ୱେଭ ଫ୍ରିକ୍ୱେନ୍ସି ଡିଭାଇଡର ତୁଳନାରେ ପ୍ରସ୍ତାବିତ ଡିଭାଇଡର କୌଣସି ଫ୍ରିକ୍ୱେନ୍ସି ଟ୍ୟୁନିଂ ବ୍ୟବସ୍ଥା ବିନା ସର୍ବାଧିକ ବଣ୍ଡୱିଡଥ ହାସଲ କରିଥାଏ । |
d8eca17cf10ff0762ef30e726ef303b937406692 | ବିନା ଅନୁମତିରେ ବ୍ଲକଚେନଗୁଡ଼ିକ ବିଶ୍ୱାସର ଅଭାବକୁ ଅନୁଭବ କରିପାରନ୍ତି, ଯଦିଓ ଗଣନା କାର୍ଯ୍ୟର ଜଟିଳତାକୁ ସୀମିତ କରିବାର ମୂଲ୍ୟରେ । ସ୍ମାର୍ଟ କଣ୍ଟ୍ରାକ୍ଟ ପାଇଁ ଆମେ ଏକ ଟ୍ରଷ୍ଟ ମଡେଲ ଲାଗୁ କରିଛୁ, ଯାହାକୁ ଏକ ମୁକ୍ତ ମଲ୍ଟି-ଏଜେଣ୍ଟ ସିଷ୍ଟମରେ ଏଜେଣ୍ଟ ଭାବରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଏଜେଣ୍ଟଙ୍କ ଉଦ୍ଦେଶ୍ୟ ବିଷୟରେ ଜଣା ନଥାଏ ଏବଂ ସ୍ବୟଂକ୍ରିୟ ଏଜେଣ୍ଟମାନେ ବିପଦପୂର୍ଣ୍ଣ ନିଷ୍ପତ୍ତି ନେଇପାରିବେ । ଏହି ସାଧାରଣ ମାପଯୋଗ୍ୟତା ସର୍ତ୍ତର ପ୍ରଭାବ ଇଥେରିୟମ ପାଇଁ ବିଶ୍ଳେଷଣ କରାଯାଇଛି ଏବଂ ପରେ ଅନ୍ୟ ବର୍ତ୍ତମାନ ଏବଂ ଭବିଷ୍ୟତ ପ୍ଲାଟଫର୍ମ ପାଇଁ ସାଧାରଣ କରାଯାଇଛି । |
537f16973900fbf4e559d64113711d35bf7ca4a2 | ନୂତନ ଭାବେ ବିକଶିତ ହେଉଥିବା ଆଇଓଟି ପ୍ରୋଗ୍ରାମିଂ ଫ୍ରେମୱାର୍କ୍ ସ୍ମାର୍ଟ ହୋମ୍ ଏବଂ ୱେୟାର୍ବଲ୍ ଦ୍ୱାରା ପ୍ରସ୍ତୁତ ସମ୍ବେଦନଶୀଳ ତଥ୍ୟ ଉପରେ ଆପ୍ ନିର୍ମାଣ କରିବାରେ ସକ୍ଷମ ହୋଇଥାଏ । ତେବେ ଏହି ଫ୍ରେମୱାର୍କ କେବଳ ସମ୍ବେଦନଶୀଳ ତଥ୍ୟ ଉପରେ ଅନୁମତି ଆଧାରିତ ପ୍ରବେଶ ନିୟନ୍ତ୍ରଣକୁ ସମର୍ଥନ କରେ, ଯାହା ଆପ୍ଲିକେସନ୍ଗୁଡିକ ପ୍ରବେଶ ପାଇବା ପରେ କିପରି ତଥ୍ୟ ବ୍ୟବହାର କରନ୍ତି ତାହା ନିୟନ୍ତ୍ରଣ କରିବାରେ ପ୍ରଭାବହୀନ ଅଟେ । ଏହି ସୀମିତତାକୁ ଦୂର କରିବା ପାଇଁ ଆମେ FlowFence, ଏକ ସିଷ୍ଟମ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ସମ୍ବେଦନଶୀଳ ତଥ୍ୟର ଉପଭୋକ୍ତାମାନଙ୍କୁ ସେମାନଙ୍କର ଉଦ୍ଦେଶ୍ୟିତ ଡାଟା ପ୍ରବାହ ପଦ୍ଧତି ଘୋଷଣା କରିବାକୁ ଆବଶ୍ୟକ କରେ, ଯାହା ଏହା କମ୍ ଓଭରହେଡ୍ ସହିତ ଲାଗୁ କରେ, ଅନ୍ୟ ସମସ୍ତ ଅଘୋଷିତ ପ୍ରବାହକୁ ଅବରୋଧ କରେ _ ଫ୍ଲୋଫେନ୍ସ ଆପ୍ ର ଢାଞ୍ଚାରେ ତଥ୍ୟ ପ୍ରବାହ ଏବଂ ସମ୍ବନ୍ଧିତ ନିୟନ୍ତ୍ରଣ ପ୍ରବାହକୁ ସ୍ପଷ୍ଟ ଭାବରେ ଅନ୍ତର୍ଭୁକ୍ତ କରି ଏହାକୁ ହାସଲ କରିଥାଏ । ଡେଭଲପରମାନେ ଫ୍ଲୋଫେନ୍ସ ସପୋର୍ଟକୁ ବ୍ୟବହାର କରି ନିଜର ଆପକୁ ଦୁଇ ଭାଗରେ ବିଭକ୍ତ କରିଥାନ୍ତି: (1) କ୍ୱାରେଣ୍ଟାଇନ ମୋଡ୍ୟୁଲସ ର ଏକ ସେଟ ଯାହା ସ୍ୟାଣ୍ଡବକ୍ସରେ ଥିବା ସମ୍ବେଦନଶୀଳ ତଥ୍ୟ ଉପରେ କାର୍ଯ୍ୟ କରିଥାଏ, ଏବଂ (2) କୋଡ ଯାହା ସମ୍ବେଦନଶୀଳ ତଥ୍ୟ ଉପରେ କାର୍ଯ୍ୟ କରେ ନାହିଁ କିନ୍ତୁ କ୍ୱାରେଣ୍ଟାଇନ ମୋଡ୍ୟୁଲସ କୁ ଏକାଠି କରି କ୍ୱାରେଣ୍ଟାଇନ ମୋଡ୍ୟୁଲସ କୁ ଶୃଙ୍ଖଳିତ କରିଥାଏ । ଆମେ ତିନୋଟି ଆଇଓଟି ଫ୍ରେମୱାର୍କର ଅଧ୍ୟୟନ କରି ଫ୍ଲୋଫେନ୍ସ ପାଇଁ ମୁଖ୍ୟ କାର୍ଯ୍ୟକାରିତା ଲକ୍ଷ୍ୟ ହାସଲ କରିଥିଲୁ ଏବଂ ତା ପରେ ଆମେ ତିନୋଟି ଆଇଓଟି ଆପ୍ଲିକେସନକୁ ପୋର୍ଟ କରିଥିଲୁ । ଫ୍ଲୋଫେନ୍ସ ବ୍ୟବହାର କରି ଏହି ଆପ୍ସଗୁଡ଼ିକୁ ସୁରକ୍ଷିତ କରିବା ଫଳରେ ସ୍ରୋତ କୋଡର ହାରାହାରି ଆକାର ୨୩୨ ଧାଡ଼ିରୁ ୩୩୨ ଧାଡ଼ିକୁ ବୃଦ୍ଧି ପାଇଥିଲା । ପୋର୍ଟ ହୋଇଥିବା ଆପ୍ସର ପ୍ରଦର୍ଶନ ଫଳାଫଳ ଦର୍ଶାଏ ଯେ ଫ୍ଲୋଫେନ୍ସ ବ୍ୟବହାରିକ ଅଟେ: ଏକ ଚେହେରା ଚିହ୍ନଟ ଆଧାରିତ ଡୋର କଣ୍ଟ୍ରୋଲର ଆପ୍ ଚେହେରା ଚିହ୍ନଟ କରିବା ଏବଂ ଏକ କବାଟ ଖୋଲିବା ପାଇଁ 4.9% ଲେଟେନ୍ସି ଓଭରହେଡ୍ ସୃଷ୍ଟି କରିଥିଲା । |
72c81c52b4bcff6480fd42539063333238ed37aa | ସ୍ୱ-ଅଭିମାନ ହେଉଛି ଭେକ୍ଟରଗୁଡ଼ିକର କ୍ରମକୁ ସଂରଚନା କରିବାର ଏକ ପଦ୍ଧତି, ଏହି ଭେକ୍ଟରଗୁଡ଼ିକୁ ପରସ୍ପର ସହ ଯୋଡ଼ିବା ପାଇଁ ଯୋଡ଼ି ସମାନତା ଉପରେ ଆଧାରିତ । ଏହି ମଡେଲଗୁଡ଼ିକ ନିକଟରେ ଭିନ୍ନ ଭିନ୍ନ ଧାରାକୁ ମଡେଲ କରିବା ପାଇଁ ଆଶାନୁରୂପ ଫଳାଫଳ ଦେଖାଇଛନ୍ତି, କିନ୍ତୁ ଗଣନା ଏବଂ ମଡେଲ ସମସ୍ୟା ହେତୁ ଏହା ଶଦ୍ଦ ମଡେଲ ପାଇଁ ପ୍ରୟୋଗ କରିବା ପାଇଁ ଅଣ-ତଥ୍ୟ ଅଟେ । ଏହି କାଗଜରେ, ଆମେ ସ୍ୱୟଂ-ଅଭିଧାନକୁ ଶଦ୍ଦ ମଡେଲିଂରେ ପ୍ରୟୋଗ କରିଛୁ, ଏହି ସମସ୍ୟାକୁ ହ୍ରାସ କରିବା ପାଇଁ ଅନେକ ଉନ୍ନତି ପ୍ରସ୍ତାବିତ କରୁଛୁ: ପ୍ରଥମ, ସ୍ୱୟଂ-ଅଭିଧାନ ସ୍ମୃତି କ୍ରମ ଲମ୍ବରେ ଚତୁର୍ଦ୍ଦିକ ଭାବରେ ବୃଦ୍ଧି ପାଏ, ଯାହାକୁ ଆମେ ଏକ ଡାଉନସମ୍ପଲିଂ କୌଶଳ ମାଧ୍ୟମରେ ସମାଧାନ କରୁ । ଦ୍ୱିତୀୟତଃ, ଆମେ ପାଇଲୁ ଯେ, ପୂର୍ବବର୍ତ୍ତୀ ପଦ୍ଧତିଗୁଡ଼ିକରେ ଅବସ୍ଥାନ ସୂଚନାକୁ ମଡେଲରେ ଅନ୍ତର୍ଭୁକ୍ତ କରିବା ଅନୁପଯୁକ୍ତ ଥିଲା ଏବଂ ଏହି ଉଦ୍ଦେଶ୍ୟରେ ଅନ୍ୟାନ୍ୟ ପ୍ରତିନିଧିତ୍ୱ ଏବଂ ହାଇବ୍ରିଡ୍ ମଡେଲଗୁଡ଼ିକର ଅନୁସନ୍ଧାନ କରାଯାଇଥିଲା । ତୃତୀୟତଃ, ଶଦ୍ଦ ସଂକେତରେ ସ୍ଥାନୀୟ ପ୍ରସଙ୍ଗର ଗୁରୁତ୍ୱକୁ ଗୁରୁତ୍ୱ ଦେବା ପାଇଁ ଆମେ ଏକ ଗୌସୀୟ ପକ୍ଷପାତୀକରଣ ପଦ୍ଧତିର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ପ୍ରସଙ୍ଗ ପରିସର ଉପରେ ସ୍ପଷ୍ଟ ନିୟନ୍ତ୍ରଣକୁ ଅନୁମତି ଦେଇଥାଏ । ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ ଆମର ମଡେଲ ଏକ ଦୃଢ ଆଧାରରେ LSTM ଉପରେ ଆଧାରିତ ଯାହା ନେଟୱର୍କ-ନେଟୱର୍କ ସଂଯୋଗ ସହିତ ଗଣନା ପାଇଁ ବହୁତ ଦ୍ରୁତ ଅଟେ । ବେଗ ବ୍ୟତୀତ, ଆମେ ପାଇଲୁ ଯେ ସ୍ୱୟଂ-ଅଭିଧାନ ଶଦ୍ଦ ମଡେଲର ଏକ ଶକ୍ତି ହେଉଛି ବ୍ୟାଖ୍ୟା, ଏବଂ ଏହା ଦର୍ଶାଏ ଯେ ସ୍ୱୟଂ-ଅଭିଧାନର ମୁଖ୍ୟମାନେ କାର୍ଯ୍ୟର ଏକ ଭାଷାଭିତ୍ତିକ ଭାବରେ ଯୁକ୍ତିଯୁକ୍ତ ବିଭାଜନ ଶିଖନ୍ତି । |
0e99b583eb0831edd7dae6285f23054ac377b85e | |
1e21c514f89375098dec5b947aa5f6bcdd0377c5 | ଏହି ଅଞ୍ଚଳରେ କାମ କରୁଥିବା ସଂସ୍ଥାପକଙ୍କ ନାମ । ଅନୁକୂଳତା ହେଉଛି ବଂଚିବା ଏବଂ ବିବର୍ତ୍ତନର ଚାବିକାଠି । ବିବର୍ତ୍ତନ ପରୋକ୍ଷରେ ଜୀବଜନ୍ତୁଙ୍କୁ ଉନ୍ନତ କରିଥାଏ । ଆର୍ଟିଫିସିଆଲ ଇଣ୍ଟେଲିଜେନ୍ସ (AI) ଜୈବିକ ଅନୁକୂଳନ (biological optimization) କୁ ଅନୁକରଣ କରିବାକୁ ଚାହୁଁଛି { ପରୀକ୍ଷଣର ବଂଚିବା (survival of the ttest) { ଅନୁସନ୍ଧାନ ଓ ଶୋଷଣ { ନିଚ ଅନ୍ୱେଷଣ { ପରିବର୍ତ୍ତନଶୀଳ ପରିବେଶରେ ଦୃଢତା (Mammals v. Dinos) { ସ୍ୱ-ନିୟାମକତା, ମରାମତି ଓ ପ୍ରଜନନ 2 କୃତ୍ରିମ ବୁଦ୍ଧି କିଛି ବ୍ୟାଖ୍ୟା { "କମ୍ପ୍ୟୁଟରକୁ ଚଳଚ୍ଚିତ୍ରରେ ଯାହା କରେ ତାହା କରିବା" { "କମ୍ପ୍ୟୁଟରକୁ ମଣିଷ (ବର୍ତ୍ତମାନ) ଯାହା ଭଲ କରେ ତାହା କରିବା" { "କମ୍ପ୍ୟୁଟରକୁ ସାଧାରଣ ଜ୍ଞାନ ଦେବା; ସେମାନଙ୍କୁ ସରଳ ନିଷ୍ପତ୍ତି ନେବାକୁ ଦେବା" (ମୁଁ ଯାହା ଚାହେଁ ତାହା କର, ମୁଁ ଯାହା କହୁ ନାହିଁ) { "କିଛି ବି ବହୁତ ନୂଆ, ପିଡଜିନ୍ହୋଲ୍ ହେବା ପାଇଁ" ଅନୁକୂଳନ ଓ ପରିବର୍ତ୍ତନ ହେଉଛି ବୁଦ୍ଧିମତା ର ମୂଳ (ନନ୍-ଜିଏ) AI ର କିଛି ଶାଖାଃ ବିଶେଷଜ୍ଞ ସିଷ୍ଟମ୍ { (ନିୟମ ଆଧାରିତ ହ୍ରାସ) |
11291b24e7ef097593f7960d66a5863a97f996aa | ବିକାଶମୂଳକ ଢାଞ୍ଚା, ଶାରୀରିକ ଅବତାର, ଏକାଧିକ ସେନ୍ସର ଏବଂ ମୋଟର ସିଷ୍ଟମର ଏକୀକରଣ ଏବଂ ସାମାଜିକ ପାରସ୍ପରିକ କ୍ରିୟାଶୀଳତାର ପ୍ରସଙ୍ଗଗୁଡିକ ଅନୁସନ୍ଧାନ କରିବା ପାଇଁ, ଆମେ ଏକ ଉପର-ବ୍ରାଣ୍ଡ ମାନବୀୟ ରୋବର୍ଟ ନିର୍ମାଣ କରିଛୁ ଯାହାକୁ କଗ୍ କୁହାଯାଏ । ଏହି ରୋବୋଟର ୨୧ଟି ସ୍ୱାଧୀନତା ରହିଛି ଏବଂ ଏଥିରେ ବିଭିନ୍ନ ପ୍ରକାରର ଇନ୍ଦ୍ରିୟ ରହିଛି, ଯେଉଁଥିରେ ଦୃଶ୍ୟ, ଶ୍ରବଣ, ବକ୍ଷ, କୌଶଳ ଏବଂ ସ୍ପର୍ଶ ଇନ୍ଦ୍ରିୟ ସାମିଲ ରହିଛି । ଏହି ଅଧ୍ୟାୟରେ ଆମେ ଅନୁସନ୍ଧାନରେ ବ୍ୟବହାର କରିଥିବା ପଦ୍ଧତିର ପୃଷ୍ଠଭୂମି ପ୍ରଦାନ କରିଛୁ, ଏହି ପ୍ରକଳ୍ପ ସମୟରେ ଉତ୍ଥାପିତ ହୋଇଥିବା ଅନୁସନ୍ଧାନ ପ୍ରସଙ୍ଗକୁ ଆଲୋକପାତ କରିଛୁ ଏବଂ ପ୍ରକଳ୍ପର ବର୍ତ୍ତମାନ ସ୍ଥିତି ଏବଂ ଆମର ଦୀର୍ଘକାଳୀନ ଲକ୍ଷ୍ୟର ସାରାଂଶ ପ୍ରଦାନ କରିଛୁ । ଆମେ ବିଭିନ୍ନ ପ୍ରକାର କାର୍ଯ୍ୟକାରୀ ହୋଇଥିବା ଭିଜୁଆଲ-ମୋଟର ରୁଟିନ (ସୁଗମ-ପଶ୍ଚାତ ଅନୁସରଣ, ସକଡେସ, ବାଇନୋକ୍ୟୁଲାର ଭେର୍ଜେନ୍ସ, ଏବଂ ଭେଷ୍ଟିବୁଲାର-ଆଖିକ ଏବଂ ଅପ୍ଟୋ-କିନେଟିକ ରିଫ୍ଲେକ୍ସ), ଦିଗଦର୍ଶନ ଆଚରଣ, ମୋଟର ନିୟନ୍ତ୍ରଣ କୌଶଳ, ଏବଂ ସାମାଜିକ ଆଚରଣ (ଭିଜୁଆଲ ଟାର୍ଗେଟକୁ ସୂଚାଇବା, ମୁହଁ ଏବଂ ଆଖି ଖୋଜିବା ମାଧ୍ୟମରେ ମିଳିତ ଧ୍ୟାନ ଚିହ୍ନଟ କରିବା, ମୁଣ୍ଡ ନଇଁବାକୁ ଅନୁକରଣ କରିବା, ଏବଂ ଅଭିବ୍ୟକ୍ତିଗତ ପ୍ରତିକ୍ରିୟା ମାଧ୍ୟମରେ ପାରସ୍ପରିକ କ୍ରିୟା ନିୟନ୍ତ୍ରିତ କରିବା) ଉପରେ ରିପୋର୍ଟ କରୁଛୁ । ଆମେ ଭବିଷ୍ୟତ ଗବେଷଣା ପାଇଁ କେତେକ କ୍ଷେତ୍ରର ମଧ୍ୟ ଆଲୋକପାତ କରୁଛୁ ଯାହା ଏକ ସମ୍ପୂର୍ଣ୍ଣ ପ୍ରାକୃତିକ ପ୍ରଣାଳୀ ନିର୍ମାଣ ପାଇଁ ଆବଶ୍ୟକ ହେବ । |
a909e1894433aae16c2123e7ad2cdaaae1ca893c | ସେଗୱେ ପର୍ସନାଲ ଟ୍ରାନ୍ସପୋର୍ଟର ହେଉଛି ଏକ ଛୋଟ ଇଲେକ୍ଟ୍ରିକ ଯାନ ଯାହାକି ଡିନ୍ କେମେନ୍ ଙ୍କ ଦ୍ବାରା ଡିଜାଇନ୍ କରାଯାଇଛି । ଏହା ସହରାଞ୍ଚଳରେ ପରିବେଶ ଅନୁକୂଳ ପରିବହନ ପଦ୍ଧତି ଭାବରେ କାରକୁ ବଦଳାଇବା ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଛି । ଯାନର ଗତିଶୀଳତା ଏକ ବିପରୀତ ପେଣ୍ଡୁଲମ୍ର କ୍ଲାସିକାଲ୍ ନିୟନ୍ତ୍ରଣ ସମସ୍ୟା ସହିତ ସମାନ, ଯାହାର ଅର୍ଥ ହେଉଛି ଏହା ଅସ୍ଥିର ଏବଂ ଓଲଟିବାର ସମ୍ଭାବନା ରହିଛି । ଏହା ଇଲେକ୍ଟ୍ରୋନିକ୍ସ ଦ୍ୱାରା ରୋକାଯାଇଥାଏ, ଯାହା ପିଚ ଆଙ୍ଗୁଲ୍ ଏବଂ ଏହାର ସମୟ ନିର୍ଣ୍ଣାୟକକୁ ଅନୁଭୂତ କରିଥାଏ, ଯାନକୁ ସନ୍ତୁଳିତ ରଖିବା ପାଇଁ ମୋଟରଗୁଡ଼ିକୁ ନିୟନ୍ତ୍ରଣ କରିଥାଏ । ଏହି ପ୍ରକାରର ଯାନବାହନ ଅତ୍ୟନ୍ତ ଆକର୍ଷଣୀୟ କାରଣ ଏଥିରେ ପରିବେଶ ଅନୁକୂଳ ଏବଂ ଶକ୍ତି ସଂରକ୍ଷଣ କ୍ଷେତ୍ରରେ ପ୍ରାସଙ୍ଗିକ ପ୍ରଯୁକ୍ତିର ବହୁଳ ବ୍ୟବହାର କରାଯାଇଥାଏ । ଏହି ଥିସସରେ ଏକ ସମାନ ଯାନର ବିକାଶ ବିଷୟରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି, ଯେଉଁଥିରେ ସାହିତ୍ୟ ଅଧ୍ୟୟନ ଠାରୁ ଆରମ୍ଭ କରି ଯୋଜନା, ଡିଜାଇନ୍, ଯାନ ନିର୍ମାଣ ଏବଂ ଯାଞ୍ଚ ପର୍ଯ୍ୟନ୍ତ ପ୍ରତ୍ୟେକ ପର୍ଯ୍ୟାୟ ଅନ୍ତର୍ଭୁକ୍ତ କରାଯାଇଛି । ଏହାର ମୁଖ୍ୟ ଉଦ୍ଦେଶ୍ୟ ଥିଲା ଯେ, ଏକ ଯାନ ନିର୍ମାଣ କରିବା ଯାହା ୧୦୦ କିଲୋଗ୍ରାମ ଓଜନର ବ୍ୟକ୍ତିଙ୍କୁ ୩୦ ମିନିଟ୍ କିମ୍ବା ୧୦ କିଲୋମିଟର ଦୂରତା ପର୍ଯ୍ୟନ୍ତ ପରିବହନ କରିପାରିବ । ରାଇଡର କଣ୍ଟ୍ରୋଲ ପ୍ରାକୃତିକ ଭାବେ ଚଳିବା ଉଚିତ; ଆଗକୁ କିମ୍ବା ପଛକୁ ଆଡେଇବା ସହିତ ହ୍ୟାଣ୍ଡେଲବାର୍ କୁ ପାର୍ଶ୍ବ ଆଡକୁ ଟିଲ୍ଟ କରିବା ଏକମାତ୍ର ଇନପୁଟ ହେବା ଉଚିତ ଯାହା ଯାନକୁ ଚଳାଇବା ପାଇଁ ଆବଶ୍ୟକ ହୋଇଥାଏ । ଏହି ଯାନକୁ ମଡେଲ ଆଧାରିତ ନିୟନ୍ତ୍ରଣ ଡିଜାଇନ ଏବଂ ଉପରୁ ତଳକୁ ନିର୍ମାଣ ପଦ୍ଧତି ବ୍ୟବହାର କରି ନିର୍ମାଣ କରାଯାଇଥିଲା । ନିୟନ୍ତ୍ରକ ହେଉଛି ଏକ 100 Hz ନିୟନ୍ତ୍ରକ ଲିକରେ କାର୍ଯ୍ୟକାରୀ ହୋଇଥିବା ଏକ ରେଖୀ ଚତୁର୍ଦ୍ଦଶ ନିୟନ୍ତ୍ରକ, ଯାହା ସାଧାରଣ କାର୍ଯ୍ୟ ଅବସ୍ଥାରେ ନିୟନ୍ତ୍ରକ ସିଗନାଲ୍ କୁ ନପୁଂସକ କରି ବିନା ବିଭ୍ରାଟରେ ଯେତେ ଶୀଘ୍ର ସମ୍ଭବ ପ୍ରତିକ୍ରିୟା ପ୍ରଦାନ କରିବାକୁ ଡିଜାଇନ୍ କରାଯାଇଛି । ଅଶ୍ବାରୋହୀ ଓଜନ ଓ ଉଚ୍ଚତା ଅନୁସାରେ ନିୟନ୍ତ୍ରଣ ନିୟମକୁ ଅନୁକୂଳ କରିବାର ଆବଶ୍ୟକତାକୁ 1,8 ମିଟର ଉଚ୍ଚତା ବିଶିଷ୍ଟ 80 କିଲୋଗ୍ରାମ ଓଜନ ବିଶିଷ୍ଟ ବ୍ୟକ୍ତିଙ୍କ ପାଇଁ ଡିଜାଇନ କରାଯାଇଥିବା ଏକ ନିୟନ୍ତ୍ରଣ ଉପକରଣ ସହିତ ଅନୁସନ୍ଧାନ କରାଯାଇଥିଲା । 60-100 କିଲୋଗ୍ରାମ ଓଜନ ଓ 1,6-1,9 ମିଟର ଉଚ୍ଚତା ବିଶିଷ୍ଟ ବ୍ୟକ୍ତିଙ୍କ ଉପରେ ସିମୁଲେସନ କରାଯାଇଥିଲା, ଯାହାଦ୍ୱାରା କଣ୍ଟ୍ରୋଲରକୁ ଆଡଜଷ୍ଟ କରିବାର କୌଣସି ଆବଶ୍ୟକତା ନଥିବା ଜଣାପଡିଥିଲା । କଣ୍ଟ୍ରୋଲର୍ ନିରାପଦ ଭାବରେ ଯାନକୁ ସିଧା ସ୍ଥିତିକୁ ଫେରାଇ ପାରିବ, ଏପରିକି ±6 ଡିଗ୍ରୀ କୋଣ ବିଶୃଙ୍ଖଳା ପରେ, ସର୍ବାଧିକ କୋଣ ବିଚ୍ୟୁତି ଯାହା କାର୍ଯ୍ୟ ସମୟରେ ଘଟିଥାଏ ବୋଲି ବିବେଚନା କରାଯାଏ । |
39915715b1153dff6e4345002f0a5b98f2633246 | ବର୍ତ୍ତମାନ ସମୟରେ ପ୍ରୁଫ୍ ଅଫ୍ ୱାର୍କ (ପିଓଡବ୍ଲୁ) ର ସବୁଠାରୁ ପ୍ରଭାବଶାଳୀ ପ୍ରୟୋଗ ହେଉଛି ବିଟକଏନ୍ ପରି ବ୍ଲକ୍ ଚେନ୍ ପ୍ରୋଟୋକଲ୍ ର ଡିଜାଇନ୍ । କିନ୍ତୁ, ଏହି ପରିପ୍ରେକ୍ଷୀରେ ଯୁଦ୍ଧବନ୍ଦୀକୁ ମୌଳିକ କ୍ରିପ୍ଟୋଗ୍ରାଫିକ ଉପକରଣ ଭାବରେ ବ୍ୟାପକ ଭାବରେ ସ୍ୱୀକୃତି ଦିଆଯାଇଥିଲେ ମଧ୍ୟ, ବିଟକଏନ ବ୍ଲକଚେନ ପ୍ରୋଟୋକଲର ସୁରକ୍ଷା ପାଇଁ କୌଣସି କ୍ରିପ୍ଟୋଗ୍ରାଫିକ ଫର୍ମୁଲେସନ ନାହିଁ । ବାସ୍ତବରେ, ବିଟକଏନ୍ ପ୍ରୋଟୋକଲର ସୁରକ୍ଷା ପାଇଁ ଆନୁଷ୍ଠାନିକ ଭାବେ ଯୁକ୍ତି ବାଢ଼ୁଥିବା ସମସ୍ତ ପୂର୍ବବର୍ତ୍ତୀ କାର୍ଯ୍ୟଗୁଡ଼ିକ ରାଣ୍ଡମ ଓରାକଲ ମଡେଲରେ ପ୍ରତ୍ୟକ୍ଷ ପ୍ରମାଣ ଉପରେ ନିର୍ଭର କରୁଥିଲା, ଯାହାଦ୍ୱାରା କୋର ପିଓୱେ ପ୍ରିମିଟିଭର ଆବଶ୍ୟକୀୟ ଗୁଣକୁ ପୃଥକ କରିବାର କଷ୍ଟକୁ ଏଡ଼ାଇ ଦିଆଯାଇପାରିଥିଲା । ଏହି କାର୍ଯ୍ୟରେ ଆମେ ଏହି ବ୍ୟବଧାନକୁ ପୁରଣ କରିଛୁ POW ପ୍ରାମାଣିକର ଏକ ଫର୍ମୁଲେସନ୍ ପ୍ରଦାନ କରି ଯାହା ଷ୍ଟାଣ୍ଡାର୍ଡ ମଡେଲରେ ବିଟକଏନ୍ ବ୍ଲକ୍ ଚେନ୍ ପ୍ରୋଟୋକଲର ସୁରକ୍ଷା ସୂଚାଇଥାଏ । ଆମର ପ୍ରାଥମିକତା ଅନେକ ଗୁଣକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରେ ଯାହା ଏକ ଦକ୍ଷ ଅଣ-ଇଣ୍ଟରାକ୍ଟିଭ୍ ପ୍ରମାଣ ପ୍ରଣାଳୀ ସହିତ ସମାନ୍ତରାଳ ଅଟେ: ପୂର୍ଣ୍ଣତା ଏବଂ ଦ୍ରୁତ ଯାଞ୍ଚ, ଦୁଷ୍ଟ ପ୍ରମାଣକମାନଙ୍କ ବିରୁଦ୍ଧରେ ସୁରକ୍ଷା (ବିକୃତ ଏବଂ ମନୋନୀତ ବାର୍ତ୍ତା ଆକ୍ରମଣ ବିରୁଦ୍ଧରେ କଠିନତା ଭାବରେ ବର୍ଣ୍ଣିତ) ଏବଂ ସଚ୍ଚୋଟ ପ୍ରମାଣକମାନଙ୍କ ପାଇଁ ସୁରକ୍ଷା (ନିର୍ବାଚିତ ଚାବି ଏବଂ ବାର୍ତ୍ତା ଆକ୍ରମଣରେ ଅନନ୍ୟ ଭାବରେ ସଫଳ ଭାବରେ ବର୍ଣ୍ଣିତ) । କୌତୁହଳର ବିଷୟ ହେଉଛି, ଆମର ଫର୍ମୁଲେସନ ପୂର୍ବ ଫର୍ମୁଲେସନ ସହିତ ତୁଳନାଯୋଗ୍ୟ ନୁହେଁ, ଯାହା ପ୍ରାଚୀନକୁ ବ୍ଲକଚେନ ବ୍ୟତୀତ ଅନ୍ୟ ପ୍ରସଙ୍ଗରେ ପ୍ରୟୋଗ କରିଥିଲା । ଆମର ଫଳାଫଳ ମାନକ ମଡେଲରେ ବ୍ଲକଚେନ ପ୍ରୋଟୋକଲର ସୁରକ୍ଷା ପ୍ରମାଣିତ କରିବାର ମାର୍ଗ ପ୍ରଶସ୍ତ କରୁଛି, ଆମର ପ୍ରାଥମିକତାକୁ କମ୍ପ୍ୟୁଟେଶନାଲ ଅନୁମାନରୁ ଅନୁଭବ କରାଯାଇପାରିବ । |
f264e8b33c0d49a692a6ce2c4bcb28588aeb7d97 | ଆମେ ରିକର୍ଭାଣ୍ଟ ନ୍ୟୁରାଲ ନେଟୱାର୍କ (ଆରଏନଏ) ପାଇଁ ଏକ ସରଳ ନିୟମିତକରଣ କୌଶଳ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ଲଙ୍ଗ୍ ସର୍ଟ ଟର୍ମ ମେମୋରି (ଏଲଏସଟିଏମ୍) ୟୁନିଟ୍ ସହିତ ଅଛି । ସ୍ଵୟଂଚାଳିତ ନେଟୱର୍କକୁ ନିୟମିତ କରିବା ପାଇଁ ସବୁଠାରୁ ସଫଳ କୌଶଳ ଡ୍ରପଆଉଟ, ଆରଏନଏ ଏବଂ ଏଲଏସଟିଏମ ସହିତ ଭଲ ଭାବରେ କାମ କରେ ନାହିଁ । ଏହି କାଗଜରେ, ଆମେ ଦର୍ଶାଇବୁ କିପରି ସଠିକ୍ ଭାବରେ ଏଲ୍ଏସ୍ଟିଏମ୍ରେ ଡ୍ରପଆଉଟ୍ ପ୍ରୟୋଗ କରିବା, ଏବଂ ଏହା ଦର୍ଶାଇବ ଯେ ଏହା ବିଭିନ୍ନ କାର୍ଯ୍ୟରେ ଅତ୍ୟଧିକ ଫିଟ୍ ହେବା ହ୍ରାସ କରେ । ଏହି କାର୍ଯ୍ୟଗୁଡ଼ିକ ମଧ୍ୟରେ ଭାଷା ମଡେଲିଂ, ସ୍ପିଚ୍ ଚିହ୍ନଟ ଏବଂ ମେସିନ୍ ଅନୁବାଦ ଅନ୍ତର୍ଭୁକ୍ତ । |
fd7725988e6b6a44d14e41c36d718bf0033f5b3c | |
d733324855d9c5c30d8dc079025b5b783a072666 | ଆମେ ଏକ ନୂଆ ପଦ୍ଧତି ଉପସ୍ଥାପନ କରୁଛୁ ଯାହାଦ୍ୱାରା କି ମେଳଣ ଏବଂ ପଞ୍ଜିକରଣ ଉଦ୍ଦେଶ୍ୟରେ ଚିତ୍ରକୁ ବର୍ଣ୍ଣନା କରାଯାଇପାରିବ । ଆମେ ଏହି ମତ ପୋଷଣ କରୁଛୁ ଯେ ପ୍ରତିଛବିରେ ଥିବା ବୃହତ, ସୁସଂଗତ କ୍ଷେତ୍ରଗୁଡ଼ିକ ପ୍ରତିଛବି ବର୍ଣ୍ଣନା ପାଇଁ ଏକ ସଂକ୍ଷିପ୍ତ ଏବଂ ସ୍ଥିର ଆଧାର ପ୍ରଦାନ କରିଥାଏ । ଆମେ ବୈଶିଷ୍ଟ୍ୟ ଚିହ୍ନଟ ପାଇଁ ଏକ ନୂତନ ଆଲଗୋରିଦମ ବିକଶିତ କରୁଛୁ ଯାହା ଚିତ୍ରର ଅନେକ ପରିଦୃଶ୍ୟ (ବିଶିଷ୍ଟ୍ୟ ସ୍ଥାନ) ଉପରେ କାର୍ଯ୍ୟ କରେ, ଯାହାକି କର୍ଣ୍ଣେଲ ଆଧାରିତ ଅପ୍ଟିମାଇଜେସନ୍ କୌଶଳ ବ୍ୟବହାର କରି କ୍ରମାଗତ ଭାବରେ ଆକାର-ସ୍ଥାନର ସ୍ଥାନୀୟ ଚରମ ସ୍ଥାନକୁ ଚିହ୍ନଟ କରିଥାଏ । ଏହି ଛବି କ୍ଷେତ୍ରର ବର୍ଣ୍ଣନାକାରୀ ଏବଂ ସେମାନଙ୍କର ଆପେକ୍ଷିକ ଜ୍ୟାମିତି ଛବି ବର୍ଣ୍ଣନାର ଆଧାର ଗଠନ କରିଥାଏ । ଏହି କାର୍ଯ୍ୟର ଗୁରୁତ୍ୱ ହେଉଛି ସେହି ବିଶେଷତ୍ୱ ଉପରେ ଯାହା ଚିତ୍ର ବିଷୟବସ୍ତୁକୁ ସାରାଂଶିତ କରିଥାଏ ଏବଂ ଦୃଶ୍ୟପଟ ପରିବର୍ତ୍ତନ ଏବଂ ଅବରୋଧ ପାଇଁ ଅତ୍ୟନ୍ତ ଦୃଢ଼ ହୋଇଥାଏ କିନ୍ତୁ ମେଳ ଏବଂ ପଞ୍ଜୀକରଣ ପାଇଁ ଭେଦଭାବକାରୀ ହୋଇ ରହିଥାଏ । ଆମେ ଏହି ପଦ୍ଧତିର ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳକୁ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହାକି ଚିତ୍ର ପୁନରୁଦ୍ଧାର ସମସ୍ୟା ପାଇଁ ପ୍ରୟୋଗ କରାଯାଇଛି । ଆମେ ପାଇଲୁ ଯେ ଆମର ପଦ୍ଧତି ଦୁଇଟି ପ୍ରକାଶିତ କୌଶଳ ସହିତ ତୁଳନାତ୍ମକ ଭାବରେ କାର୍ଯ୍ୟ କରେଃ ବ୍ଲୋବୱାର୍ଲ୍ଡ ଏବଂ ସିଫ୍ଟ ବୈଶିଷ୍ଟ୍ୟଗୁଡିକ । କିନ୍ତୁ ଏହି କୌଶଳ ତୁଳନାରେ ଆମର ଏହି ପଦ୍ଧତିର ଦୁଇଟି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଲାଭ ହେଲା (1) ପ୍ରତିଛବିରେ ବଡ଼ ପରିବର୍ତ୍ତନ ହେଲେ ଏହାର ସ୍ଥିରତା ଏବଂ (2) ଏହାର ପ୍ରତିନିଧିତ୍ୱ ଦକ୍ଷତା । ୨୦୦୮ ଏଲ୍ସେଭିୟର ଇନକ. ସମସ୍ତ ଅଧିକାର ସଂରକ୍ଷିତ. |
2329a46590b2036d508097143e65c1b77e571e8c | ଆମେ ଏକ ଅତ୍ୟାଧୁନିକ ଭାଷଣ ଚିହ୍ନଟ ପ୍ରଣାଳୀ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହାକି ଏଣ୍ଡ-ଟୁ-ଏଣ୍ଡ ଗଭୀର ଶିକ୍ଷଣ ବ୍ୟବହାର କରି ବିକଶିତ କରାଯାଇଛି । ଆମର ସ୍ଥାପତ୍ୟ ପାରମ୍ପରିକ କଥନ ପ୍ରଣାଳୀ ଅପେକ୍ଷା ଯଥେଷ୍ଟ ସରଳ ଅଟେ, ଯାହା ପରିଶ୍ରମୀ ଇଞ୍ଜିନିୟରିଂ ପ୍ରକ୍ରିୟାକରଣ ପାଇପଲାଇନ ଉପରେ ନିର୍ଭର କରେ; ଏହି ପାରମ୍ପରିକ ପ୍ରଣାଳୀଗୁଡିକ ମଧ୍ୟ ଶବ୍ଦପୂର୍ଣ୍ଣ ପରିବେଶରେ ବ୍ୟବହୃତ ହେଲେ ଖରାପ ପ୍ରଦର୍ଶନ କରନ୍ତି । ଏହାର ବିପରୀତରେ, ଆମ ସିଷ୍ଟମକୁ ପୃଷ୍ଠଭୂମି ଶବ୍ଦ, ପ୍ରତିଧ୍ୱନି କିମ୍ବା ସ୍ପିକର ପରିବର୍ତ୍ତନକୁ ମଡେଲ୍ କରିବା ପାଇଁ ହାତରେ ଡିଜାଇନ୍ ହୋଇଥିବା ଉପାଦାନର ଆବଶ୍ୟକତା ନାହିଁ, କିନ୍ତୁ ଏହା ପରିବର୍ତ୍ତେ ସିଧାସଳଖ ଏକ କାର୍ଯ୍ୟ ଶିଖେ ଯାହା ଏହିପରି ପ୍ରଭାବ ପାଇଁ ଦୃଢ ଅଟେ । ଆମକୁ ଫୋନେମ ଡିକ୍ସନାରୀ କିମ୍ବା ଫୋନେମ କଳ୍ପନା ମଧ୍ୟ ଦରକାର ନାହିଁ । ଆମର ଆଭିମୁଖ୍ୟର ଚାବିକାଠି ହେଉଛି ଏକ ଉତ୍ତମ ଭାବରେ ଅନୁକୂଳିତ ଆରଏନଏନ ତାଲିମ ପ୍ରଣାଳୀ ଯାହା ଏକାଧିକ ଜିପିୟୁ ବ୍ୟବହାର କରେ, ଏବଂ ନୂତନ ତଥ୍ୟ ସଂଶ୍ଳେଷଣ କୌଶଳ ଯାହା ଆମକୁ ଦକ୍ଷତାର ସହିତ ପ୍ରଶିକ୍ଷଣ ପାଇଁ ବିପୁଳ ପରିମାଣର ବିଭିନ୍ନ ତଥ୍ୟ ହାସଲ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ଆମର ଏହି ବ୍ୟବସ୍ଥାକୁ ଡିପ୍ ସ୍ପୀଚ୍ ନାମ ଦିଆଯାଇଛି, ଯାହାକି ବହୁଳ ଭାବେ ଅଧ୍ୟୟନ କରାଯାଇଥିବା ସୁଇଚ୍ ବୋର୍ଡ ହବ୍ ୫୦୦ରେ ପ୍ରକାଶିତ ଫଳାଫଳଠାରୁ ଅଧିକ ଭଲ ପ୍ରଦର୍ଶନ କରିଛି, ଯାହାକି ସମ୍ପୂର୍ଣ୍ଣ ପରୀକ୍ଷଣ ସେଟରେ ୧୬.୦% ତ୍ରୁଟି ହାସଲ କରିଛି । ଡିପ୍ ସ୍ପୀଚ୍ ବହୁଳ ଭାବେ ବ୍ୟବହୃତ ହେଉଥିବା ଅତ୍ୟାଧୁନିକ ବାଣିଜ୍ୟିକ ସ୍ବର ପ୍ରଣାଳୀ ଅପେକ୍ଷା ଆହ୍ୱାନପୂର୍ଣ୍ଣ ଶବ୍ଦପୂର୍ଣ୍ଣ ପରିବେଶକୁ ମଧ୍ୟ ଭଲ ଭାବେ ପରିଚାଳନା କରିଥାଏ । |
f4b44d2374c8387cfca7670d7c0caef769b9496f | ୱାୟାରଲେସ ସେନସର ନେଟୱାର୍କ (ଡବ୍ଲୁଏସଏନ) ପ୍ରଯୁକ୍ତି ବିଭିନ୍ନ ଶିଳ୍ପରେ ଏହାର ପ୍ରୟୋଗ ମାଧ୍ୟମରେ ଉତ୍ପାଦକତା, ନିରାପତ୍ତା ଏବଂ ମାନବ ଜୀବନର ଗୁଣବତ୍ତାରେ ଉନ୍ନତି ଆଣିବାରେ ସହାୟକ ହୋଇପାରିବ । ବିଶେଷ କରି ଅନ୍ୟ ଶିଳ୍ପ ତୁଳନାରେ କୃଷି କ୍ଷେତ୍ରରେ WSN ଟେକ୍ନୋଲୋଜିର ପ୍ରୟୋଗ, ଯାହାକି ଶ୍ରମ-ନିପୁଣ ଏବଂ ଏହା ସହିତ ଆଇଟି ଟେକ୍ନୋଲୋଜି ପ୍ରୟୋଗରେ ସାଧାରଣତ ଅଭାବ ରହିଛି, ମୂଲ୍ୟଯୁକ୍ତ କରେ ଏବଂ କୃଷି ଉତ୍ପାଦକତା ବୃଦ୍ଧି କରିପାରେ । ଏହି ଅଧ୍ୟୟନରେ ୱିଭିକୁଇଟସ ପପ୍ରିକା ଗ୍ରୀନ ହାଉସ ମ୍ୟାନେଜମେଣ୍ଟ ସିଷ୍ଟମ (ଡବ୍ଲୁଏସଏନ) ଟେକ୍ନୋଲୋଜି ବ୍ୟବହାର କରି ଏକ ସର୍ବବ୍ୟାପୀ କୃଷି ପରିବେଶ ସୃଷ୍ଟି କରିବା ଏବଂ ପପ୍ରିକା ଚାଷ କରୁଥିବା ଫାର୍ମଗୁଡ଼ିକର ଉତ୍ପାଦକତା ବୃଦ୍ଧି କରିବା ପାଇଁ ପ୍ରୟାସ କରାଯାଇଛି । ପ୍ରସ୍ତାବିତ ବ୍ୟବସ୍ଥାରେ ସିସିଟିଭି କ୍ୟାମେରାରେ କଏଦ ହୋଇଥିବା ଚିତ୍ରକୁ ଅନୁଧ୍ୟାନ କରିବା ସହିତ ଡବ୍ଲୁଏସଏନ ସେନସର ଲଗାଇ ପେପ୍ରିକା ଗ୍ରୀନ ହାଉସ ବାହାରେ ଏବଂ ଭିତରେ ଫସଲର ବୃଦ୍ଧି ପରିବେଶ ସମ୍ବନ୍ଧୀୟ ସୂଚନା ସଂଗ୍ରହ କରାଯାଇପାରିବ । ଏହାବ୍ୟତୀତ ଏହି ବ୍ୟବସ୍ଥାରେ ଏକ ପେପ୍ରିକା ଗ୍ରୀନ ହାଉସ ପରିବେଶ ନିୟନ୍ତ୍ରଣ ସୁବିଧା ରହିଛି ଯାହାଦ୍ୱାରା ଏହାକୁ ଦୂରରୁ ମାନୁଆଲ ଏବଂ ଅଟୋମେଟିକ ଭାବେ ନିୟନ୍ତ୍ରଣ କରାଯାଇପାରିବ । ଏହାଦ୍ୱାରା ଉପଭୋକ୍ତାଙ୍କ ସୁବିଧା ଏବଂ ଉତ୍ପାଦକତା ବୃଦ୍ଧି ପାଇବ । |
444471fdeb54a87202a20101503ec52c2e16e512 | ଏହି ଦସ୍ତାବିଜରେ ଆମର ସୂଚନା ଉତ୍ତୋଳନ (ଆଇଇ) ପ୍ରଣାଳୀ, ଟେକ୍ସଟ୍ରାକ୍ଟର ବ୍ୟବହାର ବିଷୟରେ ଆଲୋଚନା କରାଯାଇଛି, ନିକଟରେ ଆୟୋଜିତ ହୋଇଥିବା TREC-8 ପରୀକ୍ଷାର ପ୍ରଶ୍ନୋତ୍ତର (QA) ଟ୍ରାକରେ । ଆମର ଏକ ପ୍ରମୁଖ ଲକ୍ଷ୍ୟ ହେଉଛି କିଭଳି ଆଇଇ କ୍ୱାଲିଟି ଏସ୍ୟୁ ଭଳି ପ୍ରୟୋଗରେ ଆଇଆର (ସୂଚନା ପୁନରୁଦ୍ଧାର) କୁ ସାହାଯ୍ୟ କରିପାରିବ । ଆମର ଅଧ୍ୟୟନ ଦର୍ଶାଏ: (i) IE QA ପାଇଁ ଦୃଢ଼ ସମର୍ଥନ ପ୍ରଦାନ କରିପାରିବ; (ii) ନାମିତ ସଂସ୍ଥା ଟ୍ୟାଗିଂ ପରି ନିମ୍ନ ସ୍ତରର IE ଅଧିକାଂଶ ପ୍ରକାରର ପ୍ରଶ୍ନ ପରିଚାଳନାରେ ଏକ ଆବଶ୍ୟକ ଉପାଦାନ ଅଟେ; (iii) ଏକ ଦୃଢ଼ ପ୍ରାକୃତିକ ଭାଷା ମଇଳା ପାର୍ସର ପ୍ରଶ୍ନ ପରିଚାଳନା ପାଇଁ ଏକ ଢାଞ୍ଚାଗତ ଆଧାର ପ୍ରଦାନ କରେ; (iv) ଉଚ୍ଚ ସ୍ତର ଡୋମେନ୍ ସ୍ୱାଧୀନ IE, ଯଥା "କୌଣସି ବିଷୟବସ୍ତୁ" ପାଇଁ "କୌଣସି ବିଷୟବସ୍ତୁ" ପାଇଁ "କୌଣସି ବିଷୟବସ୍ତୁ" ପାଇଁ "କୌଣସି ବିଷୟବସ୍ତୁ" ପାଇଁ "କୌଣସି ବିଷୟବସ୍ତୁ" ପାଇଁ "କୌଣସି ବିଷୟବସ୍ତୁ" ପାଇଁ "କୌଣସି ବିଷୟବସ୍ତୁ" ପାଇଁ "କୌଣସି ବିଷୟବସ୍ତୁ" ପାଇଁ "କୌଣସି ବିଷୟବସ୍ତୁ" ପାଇଁ "କୌଣସି ବିଷୟବସ୍ତୁ" ପାଇଁ "କୌଣସି ବିଷୟବସ୍ତୁ" ପାଇଁ "କୌଣସି ବିଷୟବସ୍ତୁ" ପାଇଁ "କୌଣସି ବିଷୟବସ୍ତୁ" ପାଇଁ "କୌଣସି ବିଷୟବସ୍ତୁ" ପାଇଁ "କୌଣସି ବିଷୟବସ୍ତୁ" ପାଇଁ "କୌଣସି ବିଷୟବସ୍ତୁ" ପାଇଁ "କୌଣସି ବିଷୟବସ୍ତୁ" ପାଇଁ "କୌଣସି ବିଷୟବସ୍ତୁ" ପାଇଁ "କ" ପାଇଁ "କୌଣସି ବିଷୟବସ୍ତୁ" ପାଇଁ "କ" "କୌଣସି ବିଷୟବସ୍ତୁ" "କ" "କ" "କ" "କ" "କ" "କ" "କ ବହୁ ସଂଖ୍ୟକ ସମ୍ପର୍କ ଏବଂ ସାଧାରଣ ଘଟଣାକୁ ବାହାର କରିବା ଦ୍ୱାରା ଗୁଣବତ୍ତା ସୁନିଶ୍ଚିତ କରିବାରେ ଏକ ବିରାଟ ସଫଳତା ହାସଲ କରାଯାଇପାରିବ ବୋଲି ଆଶା କରାଯାଉଛି । |
2dcfc3c4e8680374ec3b1e81d1cf6cff84a8dd06 | ଏହି ଲେଖାରେ ଆମେ ପରବର୍ତ୍ତୀ ବଣ୍ଟନରୁ କ୍ରମିକ ସିମୁଲେସନ ପାଇଁ ପଦ୍ଧତିର ଏକ ସମୀକ୍ଷା ଉପସ୍ଥାପନ କରୁଛୁ । ଏହି ପଦ୍ଧତିଗୁଡ଼ିକ ସାଧାରଣତଃ ଅଣ-ଲିନିୟର ଏବଂ ଅଣ-ଗୌସିଆନ ସମୟ ଗତିଶୀଳ ମଡେଲଗୁଡ଼ିକ ପାଇଁ ବେୟେସିଆନ ଫିଲ୍ଟରିଂରେ ବିଶେଷ ରୁଚି ରଖେ । ଏକ ସାଧାରଣ ମହତ୍ୱ ବିଶିଷ୍ଟ ନମୁନା ସଂଗ୍ରହ ଢାଞ୍ଚା ବିକଶିତ କରାଯାଇଛି ଯାହା ଗତ କିଛି ଦଶନ୍ଧି ମଧ୍ୟରେ ଅନେକ ଭିନ୍ନ ଭିନ୍ନ ବୈଜ୍ଞାନିକ ବିଷୟବସ୍ତୁରେ ପ୍ରସ୍ତାବିତ କରାଯାଇଥିବା ଅନେକ ପଦ୍ଧତିକୁ ଏକୀକୃତ କରିଥାଏ । ବର୍ତ୍ତମାନର ପଦ୍ଧତିର ନୂତନ ସମ୍ପ୍ରସାରଣ ପାଇଁ ମଧ୍ୟ ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି । ବିଶେଷକରି ଆମେ ଦେଖାଇବୁ ଯେ କିପରି ସ୍ଥାନୀୟ ରେଖୀକରଣ ପଦ୍ଧତିକୁ ସାମିଲ କରାଯାଇପାରିବ ଯାହା ପୂର୍ବରୁ ନିର୍ଣ୍ଣାୟକ ଫିଲ୍ଟରିଂ ସାହିତ୍ୟରେ ବ୍ୟବହୃତ ହୋଇଛି । ଏହାଦ୍ୱାରା ଅତ୍ୟନ୍ତ ପ୍ରଭାବଶାଳୀ ଗୁରୁତ୍ୱ ବଣ୍ଟନ କରାଯାଇପାରିବ । ଏହା ସହିତ ଆମେ ରାଓ-ବ୍ଲାକୱେଲିଜେଶନ ବ୍ୟବହାର କରି କେତେକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଶ୍ରେଣୀର ଷ୍ଟେଟସ୍ପେସ୍ ମଡେଲରେ ଥିବା ଆନାଲିଟିକ୍ ସଂରଚନାକୁ ବ୍ୟବହାର କରିଥାଉ । ଶେଷ ଭାଗରେ ଆମେ ଗତିଶୀଳ ମଡେଲରେ ପୂର୍ବାନୁମାନ, ସୁଗମ ଏବଂ ସମ୍ଭାବନାର ମୂଲ୍ୟାଙ୍କନ ପାଇଁ ଆଲଗୋରିଦମ ବିକଶିତ କରୁଛୁ । |
17cdeca0150d68c583eaf749c86f47287e4ea6d5 | କ୍ରିପ୍ଟୋଗ୍ରାଫିକ ଆକୁମୁଲେଟର ଏକ ସିମ୍ପୁଟ ଆକୁମୁଲେଟରରେ ମୂଲ୍ୟର ଏକ ସୀମିତ ସେଟକୁ ଆକୁମୁଲେଟ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ପ୍ରତ୍ୟେକ ସଂଚୟିତ ମୂଲ୍ୟ ପାଇଁ, ଜଣେ ଦକ୍ଷତାର ସହିତ ଏକ ସାକ୍ଷୀ ଗଣନା କରିପାରିବ, ଯାହା ସଂଚୟକାରୀଙ୍କ ସଦସ୍ୟତାକୁ ପ୍ରମାଣିତ କରେ । ତେବେ, କୌଣସି ନନ-ଆକୁମିଟେଡ ମୂଲ୍ୟ ପାଇଁ ସାକ୍ଷୀ ଖୋଜିବା ଗଣନାତ୍ମକ ଭାବରେ ଅସମ୍ଭବ । ଏହାର ପ୍ରଚଳନ ପରଠାରୁ, ବିଭିନ୍ନ ପ୍ରକାର ଆକ୍ୟୁମ୍ୟୁଲେଟର ଯୋଜନା ଅନେକ ବ୍ୟବହାରିକ ପ୍ରୟୋଗ ପାଇଁ ଏବଂ ବିଭିନ୍ନ ବୈଶିଷ୍ଟ୍ୟ ସହିତ ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । ଦୁର୍ଭାଗ୍ୟର କଥା, ବର୍ତ୍ତମାନ ସୁଦ୍ଧା ସମସ୍ତ ବୈଶିଷ୍ଟ୍ୟକୁ ନେଇ ଏକ ଏକୀକୃତ ମଡେଲ ନାହିଁ । ଏହି ମଡେଲ ମୂଲ୍ୟବାନ ହୋଇପାରେ କାରଣ ଏହା ବ୍ଲାକବକ୍ସ ଭଳି ଆକ୍ଟୁମାଇଟରର ବ୍ୟବହାର କରିପାରିବ । ଏହି ଉଦ୍ଦେଶ୍ୟରେ ଆମେ ଏକ ଏକୀକୃତ ଔପଚାରିକ ମଡେଲ (ରାଣ୍ଡମାଇଜଡ) କ୍ରିପ୍ଟୋଗ୍ରାଫିକ ଆକୁମୁଲେଟର ପାଇଁ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଷ୍ଟାଟିକ ଏବଂ ଡାଇନାମିକ୍ ଆକୁମୁଲେଟର, ସେମାନଙ୍କର ସାର୍ବଜନୀନ ବୈଶିଷ୍ଟ୍ୟ ଏବଂ ଅସ୍ବୀକାର ଏବଂ ଅବିଭାଜ୍ୟତା ଧାରଣା ଅନ୍ତର୍ଭୁକ୍ତ କରେ । ଏହାବ୍ୟତୀତ ଆମେ ସମସ୍ତ ପ୍ରଚଳିତ ଯୋଜନାର ଏକ ବିସ୍ତୃତ ବର୍ଗୀକରଣ ପ୍ରଦାନ କରିଛୁ । ଏପରି କରିବା ଦ୍ୱାରା ଅଧିକାଂଶ ଆକ୍ଟୁମାଇଟରକୁ ଚିହ୍ନଟ କରାଯାଇପାରିବ । ସୌଭାଗ୍ୟବଶତଃ, ଏକ ସରଳ, ହାଲୁକା ଜେନେରିକ ପରିବର୍ତ୍ତନ ଅନେକ ପ୍ରଚଳିତ ଗତିଶୀଳ ଏକ୍ୟୁମିଟର ଯୋଜନାକୁ ଅସ୍ପଷ୍ଟ କରିପାରେ । କିନ୍ତୁ ଏହି ପରିବର୍ତ୍ତନ ଯୋଗୁଁ ଧକ୍କା ମୁକ୍ତତା ହ୍ରାସ ପାଇଥାଏ, ତେଣୁ ଆମେ ପ୍ରଥମ ଅସ୍ପଷ୍ଟ ଯୋଜନାକୁ ମଧ୍ୟ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଏହି ଅଭାବରୁ ପୀଡ଼ିତ ନୁହେଁ । ଶେଷରେ, ଆମେ ଆମର ଏକୀକୃତ ମଡେଲକୁ ବ୍ୟବହାର କରି ଅସ୍ପଷ୍ଟ ଆକୁମୁଲେଟରରୁ ପ୍ରତିବଦ୍ଧତାର ଏକ ବ୍ଲାକ ବକ୍ସ ନିର୍ମାଣ ଏବଂ ଶୂନ୍ୟ ଜ୍ଞାନ ସେଟରୁ ଅସ୍ପଷ୍ଟ, ଅସ୍ବୀକାରଯୋଗ୍ୟ ସାର୍ବଜନୀନ ଆକୁମୁଲେଟରର ଏକ ବ୍ଲାକ ବକ୍ସ ନିର୍ମାଣ ଉପସ୍ଥାପନ କରୁ । ପରେ ପ୍ରଥମ ସାର୍ବଜନୀନ ଆକୁମୁଲେଟର ନିର୍ମାଣ ହେଲା ଯାହା ଅଦୃଶ୍ୟତା ପ୍ରଦାନ କରେ । |
69c482aa414609c393c1e2df5c90e5617dc387ae | ଇଣ୍ଟରନେଟରେ ସୂଚନା ବିଭିନ୍ନ ତଥ୍ୟ ଉତ୍ସରୁ ସଂଗୃହୀତ ହୋଇଥାଏ, ଯାହାଦ୍ୱାରା ସ୍ୱୟଂଚାଳିତ ଜ୍ଞାନ ସଂଗ୍ରହ ଏବଂ ବୁଝିବା ମେସିନ ଏବଂ ଏପରିକି ମଣିଷ ପାଇଁ ମଧ୍ୟ କଷ୍ଟକର ହୋଇପଡେ । ବିଗତ କିଛି ବର୍ଷ ମଧ୍ୟରେ ଶିଳ୍ପ ଓ ଶିକ୍ଷାନୁଷ୍ଠାନରେ ଜ୍ଞାନ ଗ୍ରାଫର ବ୍ୟବହାର ଅଧିକ ମାତ୍ରାରେ ଦେଖିବାକୁ ମିଳୁଛି । ଜ୍ଞାନ ଗ୍ରାଫ ନିର୍ମାଣ ପାଇଁ ପ୍ରଣାଳୀଗୁଡ଼ିକ ସଂରଚନା, ଅର୍ଦ୍ଧ-ସଂରଚନା କିମ୍ବା ଏପରିକି ଅଣସଂରଚନା ତଥ୍ୟ ଉତ୍ସରୁ ସୂଚନା ସଂଗ୍ରହ କରିପାରେ ଏବଂ ଶେଷରେ ସୂଚନାକୁ ଜ୍ଞାନରେ ଏକତ୍ରିତ କରି ଏକ ଗ୍ରାଫରେ ଉପସ୍ଥାପିତ କରିପାରେ । ଏହାବ୍ୟତୀତ ଜ୍ଞାନ ଗ୍ରାଫରେ ସୂଚନାକୁ ସହଜରେ ରକ୍ଷଣାବେକ୍ଷଣ, ସହଜରେ ବୁଝିବା ଏବଂ ସହଜରେ ବ୍ୟବହାର କରିବା ଭଳି ଢଙ୍ଗରେ ସଂଗଠିତ କରାଯାଇପାରିବ । ଏହି ଲେଖାରେ ଆମେ ଜ୍ଞାନ ଗ୍ରାଫ ନିର୍ମାଣର କୌଶଳ ବିଷୟରେ ସଂକ୍ଷିପ୍ତ ବିବରଣୀ ପ୍ରଦାନ କରିଛୁ । ଆମେ ଉଭୟ ଶିକ୍ଷାନୁଷ୍ଠାନ ଓ ଶିଳ୍ପ ସଂସ୍ଥା ଦ୍ୱାରା ବିକଶିତ ଜ୍ଞାନ ଗ୍ରାଫ ସିଷ୍ଟମର ସମୀକ୍ଷା କରୁଛୁ । ଆମେ ଜ୍ଞାନ ଗ୍ରାଫ ନିର୍ମାଣର ପ୍ରକ୍ରିୟା ବିଷୟରେ ବିସ୍ତୃତ ଭାବରେ ଆଲୋଚନା କରିବା ଏବଂ ତର୍କଗତ ଅନୁମାନ ଏବଂ ତର୍କ ମାଧ୍ୟମରେ ସ୍ୱୟଂଚାଳିତ ଜ୍ଞାନ ଗ୍ରାଫ ଯାଞ୍ଚ ଏବଂ ବିସ୍ତାର ପାଇଁ ଅତ୍ୟାଧୁନିକ କୌଶଳଗୁଡିକର ସର୍ବେକ୍ଷଣ କରିବା । ଆମେ ଗ୍ରାଫ ଡାଟା ପରିଚାଳନା ବିଷୟରେ ମଧ୍ୟ ଆଲୋଚନା କରିଥାଉ, ବିଶେଷ କରି ନୋଏସକ୍ୟୁଏଲ ଦୃଷ୍ଟିକୋଣରୁ ଜ୍ଞାନ ଡାଟା ମଡେଲ ଏବଂ ଗ୍ରାଫ ଡାଟାବେସ ବିଷୟରେ ଆଲୋଚନା କରିଥାଉ । ଶେଷରେ, ଆମେ ବର୍ତ୍ତମାନର ଜ୍ଞାନ ଗ୍ରାଫ୍ ସିଷ୍ଟମଗୁଡ଼ିକର ସମୀକ୍ଷା କରିବା ଏବଂ ଭବିଷ୍ୟତର ଗବେଷଣା ଦିଗ ବିଷୟରେ ଆଲୋଚନା କରିବା । |
1cbea85150da333128d54603ed8567ac4df1d2c1 | ଚତୁର୍ଥ ପିଢ଼ିର ଦୀର୍ଘକାଳୀନ ବିକାଶ (୪ଜି ଏଲ୍ଟିଇ) ପାଇଁ ଏକ ବ୍ରଡବ୍ୟାଣ୍ଡ ନିମ୍ନ ପ୍ରୋଫାଇଲ ଡୁଆଲ ପଲାରିଜଡ ପ୍ୟାଚ୍ ଆଣ୍ଟିନା ଏହି ସୂଚନାରେ ଉପସ୍ଥାପିତ କରାଯାଇଛି । ଦୁଇଟି ଇନପୁଟ୍ ପୋର୍ଟ ପାଇଁ ଦୁଇଟି ବ୍ରଡବ୍ୟାଣ୍ଡ ଫିଡିଂ ବ୍ୟବସ୍ଥା ବ୍ୟବହାର କରି, ଏକ ଡୁଆଲ୍ ପଲାରିଜଡ୍ ପ୍ୟାଚ୍ ଆଣ୍ଟେନା ଏଲିମେଣ୍ଟକୁ ସଫଳତାର ସହିତ ଡିଜାଇନ୍ କରାଯାଇଛି, ଯାହାର ଉଚ୍ଚ ଇନପୁଟ୍ ପୋର୍ଟ ଆଇସୋଲେସନ୍ ଏବଂ ବ୍ୟାପକ ଇମ୍ପେଡେନ୍ସ ବ୍ୟାଣ୍ଡୱିଡ୍ଥ୍ ର ବୈଶିଷ୍ଟ୍ୟ ଅଛି । ଏକ ଚଉଡ଼ା ମେଣ୍ଡରିଂ ସୋଣ୍ଡ (M-ସୋଣ୍ଡ) ଏବଂ ଏକ ଯୋଡ଼ା ଟ୍ୱିନ୍-L-ସୋଣ୍ଡକୁ ଡୁଆଲ୍ ପଲାରିଜେସନ୍ ପାଇଁ ଏକ ପ୍ୟାଚ୍ ଫିଡ୍ କରିବାକୁ ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି । ପ୍ରସ୍ତାବିତ ଡିଜାଇନ୍ରେ ବ୍ରଡବ୍ୟାଣ୍ଡ ବାଲନ୍ର ଇମ୍ପେଡେନ୍ସ ବ୍ୟାଣ୍ଡୱିଡ୍ଥ୍ ୪୭%ରୁ ଅଧିକ ଦୁଇଟି ଇନପୁଟ୍ ପୋର୍ଟରେ ଏବଂ ସମଗ୍ର ଅପରେଟିଂ ବ୍ୟାଣ୍ଡରେ ୩୭ ଡିସିଏଲରୁ ଅଧିକ ଆଇସୋଲେସନ୍ ରହିଛି । ଦୁଇଟି ବନ୍ଦରରେ 8 ଡିବିରୁ ଅଧିକ ଲାଭ ହାସଲ କରାଯାଇପାରିବ । |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.