_id
stringlengths 40
40
| text
stringlengths 0
9.6k
|
|---|---|
ced7811f2b694e54e3d96ec5398e4b6afca67fc0 | ଏହି କାଗଜରେ ବିଭିନ୍ନ ଆଲୋକ ଅବସ୍ଥାରେ ଚେହେରା ଚିହ୍ନଟ ପାଇଁ ଏକ ନୂଆ ଆଲୋକୀକରଣ ସାଧାରଣକରଣ ପଦ୍ଧତି ଉପସ୍ଥାପନ କରାଯାଇଛି । ପ୍ରସ୍ତାବିତ ପଦ୍ଧତିରେ, ଏକ ଭିନ୍ନ କୋସିନୋ ରୂପାନ୍ତର (DCT) ଲଗାରିଥମ ଡୋମେନରେ ଆଲୋକର ପରିବର୍ତ୍ତନ ପାଇଁ କ୍ଷତିପୂରଣ ପାଇଁ ବ୍ୟବହୃତ ହୁଏ । ଯେହେତୁ ଆଲୋକର ପରିବର୍ତ୍ତନ ମୁଖ୍ୟତଃ ନିମ୍ନ-ଫ୍ରିକ୍ୱେନ୍ସି ବ୍ୟାଣ୍ଡରେ ରହିଥାଏ, ବିଭିନ୍ନ ଆଲୋକ ପରିସ୍ଥିତିରେ ପରିବର୍ତ୍ତନକୁ କମ୍ କରିବା ପାଇଁ ଉପଯୁକ୍ତ ସଂଖ୍ୟକ DCT ଗୁଣକକୁ ସଂକୁଚିତ କରାଯାଇଥାଏ । ୟେଲ୍ ବି ଡାଟାବେସ୍ ଏବଂ ସିଏମୟୁ ପିଇଇ ଡାଟାବେସ୍ରେ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଦର୍ଶାଉଛି ଯେ ପ୍ରସ୍ତାବିତ ପଦ୍ଧତି ଦ୍ୱାରା ଉଚ୍ଚ ଆଲୋକର ବିବିଧତା ଥିବା ଚେହେରା ପ୍ରତିଛବିଗୁଡ଼ିକର କାର୍ଯ୍ୟଦକ୍ଷତା ଯଥେଷ୍ଟ ଉନ୍ନତ ହୋଇଛି । ଆହୁରି ମଧ୍ୟ, ଆମର ଆଭିମୁଖ୍ୟର ଲାଭ ହେଉଛି ଯେ ଏହା କୌଣସି ମଡେଲିଂ ପଦକ୍ଷେପ ଆବଶ୍ୟକ କରେ ନାହିଁ ଏବଂ ଏହାକୁ ରିଅଲ-ଟାଇମ୍ ଚେହେରା ଚିହ୍ନଟ ପ୍ରଣାଳୀରେ ସହଜରେ କାର୍ଯ୍ୟକାରୀ କରାଯାଇପାରିବ । |
30a587efb58f103ff4e42444e191f50a99513f1b | ଏହି ଲେଖାରେ ଆମେ ବସ୍ତୁ ମେସିନଗୁଡ଼ିକର ଏକ ଅଂଶୀଦାର କ୍ଲଷ୍ଟରରେ ଏକ ବେୟେସୀୟ ସହଯୋଗୀ ଫିଲ୍ଟରିଂ ମଡେଲ ଶିଖିବା ବିଷୟରେ ବିଚାର କରୁଛୁ । ଦୁଇଟି ମୁଖ୍ୟ ଆହ୍ୱାନ ସୃଷ୍ଟି ହୋଇଛି: (1) ଆମେ କିପରି ବେଜେସୀୟ ସହଯୋଗୀ ଫିଲ୍ଟରିଂକୁ ସମାନ୍ତରାଳ ଓ ବଣ୍ଟନ କରିପାରିବା? (2) ଆମର ବଣ୍ଟିତ ଅନୁମାନ ପ୍ରଣାଳୀ କିପରି ଏକ ସହଭାଗୀ, ସମ୍ବଳ ପରିଚାଳିତ କ୍ଲଷ୍ଟରରେ ସାଧାରଣ ଇଲାଷ୍ଟିକ୍ଟି ଘଟଣାଗୁଡ଼ିକୁ ପରିଚାଳନା କରିପାରିବ, ଯେଉଁଥିରେ ସମ୍ବଳ ର୍ୟାମ୍ପ୍ ଅପ୍, ପ୍ରି-ଇଣ୍ଟିଗ୍ରେସନ୍ ଏବଂ ପଛୁଆ ଥିବା ବ୍ୟକ୍ତି ଅନ୍ତର୍ଭୁକ୍ତ? ବେଜିଆନ ଅନୁମାନକୁ ସମାନ୍ତରାଳ କରିବା ପାଇଁ, ଆମେ ଉଭୟ ମାଟ୍ରିକ୍ସ ଫ୍ୟାକ୍ଟୋରିଜେଶନ ବିଭାଜନ ଯୋଜନାକୁ ଅନୁକୂଳ କରିଥାଉ ଯାହା ଷ୍ଟୋକାଷ୍ଟିକ୍ ଗ୍ରାଡିଏଣ୍ଟ ବଂଶ ସହିତ ବ୍ୟବହୃତ ହୁଏ ଏବଂ ପାରାମିଟର ସର୍ଭର ସହିତ ବ୍ୟବହୃତ ପୁରୁଣା ସିଙ୍କ୍ରୋନସ ପ୍ରୋଗ୍ରାମିଂ । ଇଲାଷ୍ଟିକେଟୀ ଘଟଣାକୁ ପରିଚାଳନା କରିବା ପାଇଁ ଆମେ ପୂର୍ବବର୍ତ୍ତୀ ବିଭାଜନ ଯୋଜନାକୁ ସାଧାରଣ କରିବା ପାଇଁ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ସିଷ୍ଟମ ବାଧା ସମୟରେ ଅଧିକ ନମନୀୟତା ପ୍ରଦାନ କରିଥାଏ । ଆମେ ଅତିରିକ୍ତ ଭାବେ ଦୁଇଟି ନୂତନ କାର୍ଯ୍ୟସୂଚୀ ଆଲଗୋରିଦମକୁ ବର୍ଣ୍ଣନା କରିଛୁ ଯାହା ରନ୍ଟାଇମ୍ ସମୟରେ କାର୍ଯ୍ୟକୁ ଗତିଶୀଳ ଭାବରେ ରୁଟ୍ କରିଥାଏ । ଆମ ପରୀକ୍ଷଣରେ, ଆମେ ଉଭୟ ନିର୍ଦ୍ଧାରଣ ଆଲଗୋରିଦମର ପ୍ରଭାବକୁ ତୁଳନା କରିଥାଉ ଏବଂ ସିଷ୍ଟମ ବିଫଳତା ପ୍ରତି ସେମାନଙ୍କର ଦୃଢ଼ତା ପ୍ରଦର୍ଶନ କରିଥାଉ । |
dc821ab3a1a3b49661639da37e980bfd21d3746a | |
558fc9a2bce3d3993a9c1f41b6c7f290cefcf92f | |
4ee9f569e7878ef2b8bac9a563312c7176139828 | ଆମେ ପ୍ରତିଛବି ଚିହ୍ନଟ ପାଇଁ ଏକ ନୂତନ ଢାଞ୍ଚା ପ୍ରସ୍ତାବିତ କରୁଛୁ, ଯେଉଁଥିରେ ସ୍ଥାନୀୟ ଦୃଶ୍ୟ ବର୍ଣ୍ଣନାକାରୀମାନଙ୍କୁ ଚୟନମୂଳକ ଭାବରେ ଏକତ୍ରିତ କରି ଏହାର ଉନ୍ନତ ବିବେଚନା ଶକ୍ତିକୁ ସୂକ୍ଷ୍ମ-କଣାତ୍ମକ ପ୍ରତିଛବି ଶ୍ରେଣୀକରଣ କାର୍ଯ୍ୟରେ ଦେଖାଇବୁ । ଏହି ପ୍ରତିନିଧିତ୍ୱ ଏକ ଉଚ୍ଚ ଆକାରର ଅନ୍ତର୍ନିହିତ ସ୍ଥାନରେ ଏକ ରେଖୀ ସମୀକରଣ ବ୍ୟବହାର କରି ଅଣ-ରେଖୀ ଫଳନ ଶିକ୍ଷଣ ପାଇଁ ସବୁଠାରୁ ଆତ୍ମବିଶ୍ୱାସୀ ସ୍ଥାନୀୟ ବର୍ଣ୍ଣନାକାରୀ ଚୟନ ଉପରେ ଆଧାରିତ । ଆମର ଚୟନୀୟ ପୁଲିଂ ଭେକ୍ଟରର ଲାଭ ହେଉଛି ପୂର୍ବବର୍ତ୍ତୀ ଅତ୍ୟାଧୁନିକ ସୁପର ଭେକ୍ଟର ଏବଂ ଫିଶର ଭେକ୍ଟର ପ୍ରତିନିଧିତ୍ୱ ଉପରେ, ଏହା ଏକ ସଠିକ୍ ଶିକ୍ଷଣ କାର୍ଯ୍ୟ ନିଶ୍ଚିତ କରେ, ଯାହା ସୂକ୍ଷ୍ମ-ଗ୍ରାନାଇଲ୍ ଇମେଜ୍ ଚିହ୍ନଟରେ ବିବରଣୀକୁ ଶ୍ରେଣୀଭୁକ୍ତ କରିବା ପାଇଁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପ୍ରମାଣିତ ହୁଏ । ଆମର ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଏହି ଦାବିକୁ ସମର୍ଥନ କରେ: ଏକ ସରଳ ରେଖାଗତ SVM ସହିତ ବର୍ଗୀକରଣକାରୀ ଭାବରେ, ଚୟନକର୍ତ୍ତା ପୁଲିଂ ଭେକ୍ଟର ବିଭିନ୍ନ ସୂକ୍ଷ୍ମ-କଣିକିଆ କାର୍ଯ୍ୟ ପାଇଁ ମାନକ ବେଞ୍ଚମାର୍କ ଡାଟାସେଟ୍ ଉପରେ ଯଥେଷ୍ଟ କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରେ ଯେପରିକି ଚେହେରା ଚିହ୍ନଟ ପାଇଁ CMU ମଲ୍ଟି-PIE ଡାଟାସେଟ୍, କ୍ଯାଲଟେକ୍-UCSD ବାର୍ଡ ଡାଟାସେଟ୍ ଏବଂ ଷ୍ଟାନଫୋର୍ଡ ଡଗ୍ ଡାଟାସେଟ୍ ସୂକ୍ଷ୍ମ-କଣିକିଆ ବସ୍ତୁ ବର୍ଗୀକରଣ ପାଇଁ । ସମସ୍ତ ଡାଟାସେଟରେ ଆମେ ଅତ୍ୟାଧୁନିକ ଜ୍ଞାନକୌଶଳ ଠାରୁ ଅଧିକ ପ୍ରଦର୍ଶନ କରିଛୁ ଏବଂ ଚିହ୍ନଟ ହାରକୁ ଯଥାକ୍ରମେ 96.4%, 48.9%, 52.0%କୁ ବୃଦ୍ଧି କରିଛୁ । |
563e821bb5ea825efb56b77484f5287f08cf3753 | |
6434b7610aa9e7c37fce2258ab459fa99a631748 | ଏହି ଲେଖାରେ ଆମେ ଏକକ ଚିତ୍ର ସୁପର ରିଜୋଲ୍ୟୁସନ ସମସ୍ୟାର ସମାଧାନ ପାଇଁ ଏକ ନୂଆ ପଦ୍ଧତିର ପ୍ରସ୍ତାବ ଦେଉଛୁ । ଏକ ନିମ୍ନ-ବିଚାରିତ ପ୍ରତିଛବିକୁ ଇନପୁଟ୍ ଭାବରେ ଦିଆଯାଇ, ଆମେ ତା ର ଉଚ୍ଚ-ବିଚାରିତ ପ୍ରତିରୂପକୁ ଏକ ତାଲିମ ଉଦାହରଣର ସେଟ୍ ବ୍ୟବହାର କରି ପୁନରୁଦ୍ଧାର କରୁ । ଏହି ଫର୍ମୁଲା ସୁପର ରିଜୋଲ୍ୟୁସନ ପାଇଁ ଅନ୍ୟ ଲର୍ଣ୍ଣିଂ-ଆଧାରିତ ପଦ୍ଧତି ସହିତ ସମାନ ହୋଇଥିବା ବେଳେ, ଆମର ପଦ୍ଧତି ସାମ୍ପ୍ରତିକ ମନିପଲ୍ଡ ଟିମିଂ ପଦ୍ଧତି, ବିଶେଷକରି ସ୍ଥାନୀୟ ରୀଖନୀଯ ଇମ୍ବେଡିଂ (ଏଲ୍.ଏଲ୍.ଇ.) ଦ୍ୱାରା ଅନୁପ୍ରାଣିତ ହୋଇଛି । ବିଶେଷକରି, ନିମ୍ନ ଓ ଉଚ୍ଚ-ବିଭେଦତା ବିଶିଷ୍ଟ ପ୍ରତିଛବିରେ ଛୋଟ ଛବି ପ୍ୟାଚ୍ ଦୁଇଟି ଭିନ୍ନ ବିଶେଷତା କ୍ଷେତ୍ରରେ ସମାନ ସ୍ଥାନୀୟ ଜ୍ୟାମିତି ସହିତ ବିବିଧତା ସୃଷ୍ଟି କରିଥାଏ । LLE ପରି, ସ୍ଥାନୀୟ ଜ୍ୟାମିତିର ବିଶେଷତ୍ୱ ହେଉଛି ଯେ, ଏକ ପ୍ୟାଚ ସହିତ ସମାନ ଏକ ବୈଶିଷ୍ଟ୍ୟ ଭେକ୍ଟରକୁ ବୈଶିଷ୍ଟ୍ୟ ସ୍ଥାନର ଏହାର ପଡ଼ୋଶୀମାନଙ୍କ ଦ୍ୱାରା ପୁନଃନିର୍ମାଣ କରାଯାଇପାରିବ । ଉଚ୍ଚ-ବିଚାରନାମା ଅନ୍ତର୍ଭୁକ୍ତିକରଣକୁ ଆକଳନ କରିବା ପାଇଁ ପ୍ରଶିକ୍ଷଣ ପ୍ରତିଛବି ଯୋଡି ବ୍ୟବହାର କରିବା ବ୍ୟତୀତ, ଆମେ ମଧ୍ୟ ଆବରଣ ମାଧ୍ୟମରେ ଲକ୍ଷ ଉଚ୍ଚ-ବିଚାରନାମା ପ୍ରତିଛବିରେ ପ୍ୟାଚ୍ଗୁଡିକ ମଧ୍ୟରେ ସ୍ଥାନୀୟ ସୁସଙ୍ଗତତା ଏବଂ ସୁଗମତା ପ୍ରତିବନ୍ଧକକୁ ଲାଗୁ କରୁ । ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ ଆମର ପଦ୍ଧତି ଅତ୍ୟନ୍ତ ନମନୀୟ ଏବଂ ଭଲ ଅନୁଭବୀ ଫଳାଫଳ ଦେଇଥାଏ । |
a21bb8ddfe448e890871e248e196dc0f56000d3a | କମ୍ପ୍ୟୁଟର ଗ୍ରାଫିକ୍ସ ପାଇଁ ଇମେଜ ଆଧାରିତ ମଡେଲଗୁଡିକର ରେଜୋଲୁସନ ସ୍ୱାଧୀନତା ନାହିଁ: ସେମାନେ ପିକ୍ସେଲ ରେଜୋଲୁସନ ଠାରୁ ଅଧିକ ଜୁମ କରିପାରିବେ ନାହିଁ ଯାହା ଦ୍ୱାରା ସେମାନେ ନମୁନା ନେଇଥିଲେ । ଚିତ୍ରକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରିବା ଦ୍ୱାରା ସାଧାରଣତଃ କଡ଼ ଏବଂ ଚିତ୍ରର ବିବରଣୀ ଅସ୍ପଷ୍ଟ ହୋଇଥାଏ । ଆମେ ଚିତ୍ର ଅନ୍ତର୍ଭୁକ୍ତିକରଣ ଆଲଗୋରିଦମ ବିଷୟରେ ବର୍ଣ୍ଣନା କରିଛୁ ଯାହା ପ୍ରଶିକ୍ଷଣ ଚିତ୍ରର ଏକ ଡାଟାବେସ୍ ବ୍ୟବହାର କରି ଜୁମ୍ ହୋଇଥିବା ଚିତ୍ରରେ ବିଶ୍ୱାସଯୋଗ୍ୟ ଉଚ୍ଚ-ଫ୍ରିକ୍ୱେନ୍ସି ବିବରଣୀ ସୃଷ୍ଟି କରିଥାଏ । ଚିତ୍ରର ପୂର୍ବ-ପ୍ରକ୍ରିୟା ଦ୍ୱାରା ପ୍ରଶିକ୍ଷଣ ଚିତ୍ରର ସେହି ଅଞ୍ଚଳର ଚିତ୍ରର ସବିଶେଷ ତଥ୍ୟକୁ ବ୍ୟବହାର କରାଯାଇପାରିବ ଯାହା ପ୍ରକ୍ରିୟାକରଣ ହେବାକୁ ଥିବା ଚିତ୍ରଠାରୁ ସମ୍ପୂର୍ଣ୍ଣ ଭିନ୍ନ ଦେଖାଯାଏ । ଏହି ପଦ୍ଧତିଗୁଡ଼ିକ କଡ଼ ଭଳି ଛୋଟ ଛୋଟ ତଥ୍ୟକୁ ସଂରକ୍ଷିତ ରଖିଥାଏ, ବିଶ୍ୱାସଯୋଗ୍ୟ ଢାଞ୍ଚା ସୃଷ୍ଟି କରିଥାଏ ଏବଂ ଅନେକ ଅକ୍ଟାଭ୍ ଜୁମ୍ କରିବା ପରେ ମଧ୍ୟ ଭଲ ଫଳାଫଳ ଦେଇଥାଏ । ଏହି କାମର କପି କିମ୍ବା ପୁନଃପ୍ରକାଶ ସମ୍ପୂର୍ଣ୍ଣ କିମ୍ବା ଆଂଶିକ ଭାବେ କୌଣସି ବ୍ୟବସାୟିକ ଉଦ୍ଦେଶ୍ୟରେ କରାଯାଇପାରିବ ନାହିଁ । ବିନା କୌଣସି ଦେୟରେ ସମ୍ପୂର୍ଣ୍ଣ କିମ୍ବା ଆଂଶିକ ନକଲ କରିବା ପାଇଁ ଅନୁମତି ଅଣଲାଭକାରୀ ଶିକ୍ଷା ଏବଂ ଗବେଷଣା ଉଦ୍ଦେଶ୍ୟରେ ପ୍ରଦାନ କରାଯାଇଥାଏ, ଏହିପରି ସମସ୍ତ ସମ୍ପୂର୍ଣ୍ଣ କିମ୍ବା ଆଂଶିକ ନକଲ ନିମ୍ନଲିଖିତ ବିଷୟ ଅନ୍ତର୍ଭୁକ୍ତ କରିଥାଏ: ଏକ ନୋଟିସ୍ ଯେ ଏହିପରି ନକଲ କରିବା ମିତ୍ସୁବୀଶୀ ଇଲେକ୍ଟ୍ରିକ୍ ସୂଚନା ପ୍ରଯୁକ୍ତିବିଦ୍ୟା କେନ୍ଦ୍ର ଆମେରିକାର ଅନୁମତି ଦ୍ୱାରା ହୋଇଥାଏ; ଲେଖକ ଏବଂ କାର୍ଯ୍ୟରେ ବ୍ୟକ୍ତିଗତ ଅବଦାନର ସ୍ୱୀକୃତି; ଏବଂ କପିରାଇଟ୍ ବିଜ୍ଞପ୍ତିର ସମସ୍ତ ପ୍ରଯୁଜ୍ୟ ଅଂଶ _ ଅନ୍ୟ କୌଣସି ଉଦ୍ଦେଶ୍ୟରେ ନକଲ, ପୁନଃପ୍ରକାଶନ କିମ୍ବା ପୁନଃ ପ୍ରକାଶନ ପାଇଁ ମିତ୍ସୁବୀଶି ଇଲେକ୍ଟ୍ରିକ୍ ସୂଚନା ପ୍ରଯୁକ୍ତି କେନ୍ଦ୍ର ଆମେରିକାକୁ ଦେୟ ପ୍ରଦାନ ସହିତ ଲାଇସେନ୍ସ ଆବଶ୍ୟକ ହେବ । ସମସ୍ତ ଅଧିକାର ସଂରକ୍ଷିତ. କପିରାଇଟ୍ ସି ମିଟ୍ସୁବିଶି ଇଲେକ୍ଟ୍ରିକ୍ ଇନଫରମେସନ୍ ଟେକ୍ନୋଲୋଜି ସେଣ୍ଟର ଆମେରିକା, ୨୦୦୧ ୨୦୧ ବ୍ରୋଡୱେ, କେମ୍ବ୍ରିଜ୍, ମାସାଚୁସେଟ୍ସ ୦୨୧୩୯ ୧. ପ୍ରଥମ ଛପା, TR2001-30, ଅଗଷ୍ଟ, 2001 ଏଗନ ପାଷ୍ଟରଙ୍କ ବର୍ତ୍ତମାନ ଠିକଣା: ଏମଆଇଟି ମିଡିଆ ଲ୍ୟାବ ୨୦ ଏମସ ସେଣ୍ଟ କେମ୍ବ୍ରିଜ, ଏମଏ ୦୨୧୩୯ ଉଦାହରଣ ଆଧାରିତ ସୁପର ରିଜୋଲ୍ୟୁସନ ୱିଲିୟମ ଟି. ଫ୍ରିମ୍ୟାନ୍, ତୋଇସ ଆର. ଜୋନ୍ସ, ଏଗନ ସି. ପାଷ୍ଟର ମିଟ୍ସୁବୀସି ଇଲେକ୍ଟ୍ରିକ ରିସର୍ଚ୍ଚ ଲାବୋରେଟୋରିଜ୍ (ମର୍ଲ) ୨୦୧ ବ୍ରୋଡୱେ କେମ୍ବ୍ରିଜ, ଏମଏ ୦୨୧୩୯ (କ) (ଖ) ଚିତ୍ର ୧ଃ ପାରମ୍ପରିକ ବହୁମୁଖୀ କୌଶଳ ଦ୍ୱାରା ମଡେଲ୍ କରାଯାଇଥିବା ଏକ ବସ୍ତୁରେ ବାସ୍ତବ ଦୁନିଆର ବସ୍ତୁଗୁଡ଼ିକର କିଛି ସମୃଦ୍ଧି ନଥାଇପାରେ, କିନ୍ତୁ ଏହା ଜୁମ୍ କରିବା ସମୟରେ ସଠିକ୍ ଭାବରେ କାର୍ଯ୍ୟ କରେ (ଖ) । |
6f657378907d2e4ad3167f4c5fb7b52426a7d6cb | |
fd4c6f56c58923294d28dc415e1131a976e8ea93 | ଉଦ୍ଦେଶ୍ୟ - ଏହି କାଗଜର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଛଅ ସିଗମା ଏବଂ ଲୀନ ନୂଆ ପଦ୍ଧତି କି, କିମ୍ବା ଏହା ପୂର୍ବରୁ ଲୋକପ୍ରିୟ ପଦ୍ଧତିର ପୁନଃ ପ୍ୟାକେଜ ସଂସ୍କରଣ କି - ସମ୍ପୂର୍ଣ୍ଣ ଗୁଣବତ୍ତା ପରିଚାଳନା (TQM) ଏବଂ ଜଷ୍ଟ-ଇନ୍-ଟାଇମ୍ (JIT) । ଡିଜାଇନ/ପଦ୍ଧତି/ପନ୍ଥା - ଏହି ଅଧ୍ୟୟନଟି ଜିଆଇଟି ସହିତ ଲୀନ ଏବଂ ଟିକ୍ୟୁଏମ୍ ସହିତ ଛଅ ସିଗମାର ଏକ ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ ତୁଳନା ଉପରେ ଆଧାରିତ, ପ୍ରକାଶନ ବାରମ୍ବାରତା ମାପିବା ଉପରେ ଅଧ୍ୟୟନ - ପୂର୍ବ 30 ବର୍ଷରୁ ପ୍ରତ୍ୟେକ ବର୍ଷ ପ୍ରକାଶିତ ଏକାଡେମିକ୍ ଆର୍ଟିକିଲ୍ ସଂଖ୍ୟା - ପ୍ରତ୍ୟେକ ବିଷୟ ପାଇଁ ଏବଂ ପରିବର୍ତ୍ତନ ପ୍ରୟାସ ପାଇଁ ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ ସଫଳତା କାରକ (ସିଏସଏଫ) ର ସମୀକ୍ଷା _ ନିଷ୍କର୍ଷ - ନୂତନ ଧାରଣା ଯେପରିକି ନିମ୍ନ ଏବଂ ଛଅ ସିଗମା ମୁଖ୍ୟତଃ ଜିଆଇଟି ଏବଂ ଟିକ୍ୟୁଏମ୍ ର ସ୍ଥାନ ନେଇଛି - କିନ୍ତୁ ଏହା ସହିତ ଯୋଡ଼ି ହୋଇନାହିଁ । Lean ଓ Six Sigma ହେଉଛି ପ୍ରଥମର ପୁନଃ ପ୍ୟାକେଜ ହୋଇଥିବା ସଂସ୍କରଣ, ଏବଂ ଏହି ପଦ୍ଧତିଗୁଡିକ ଫ୍ୟାଡ୍ (ଉତ୍ପାଦ) ଜୀବନ ଚକ୍ରକୁ ଅନୁସରଣ କରୁଥିବା ପରି ମନେହୁଏ । ସାହିତ୍ୟରେ ଏହି ପଦ୍ଧତିଗୁଡ଼ିକ ପାଇଁ ସମାନ ଏବଂ ସାଧାରଣ ସିଏସଏଫ ପ୍ରଦାନ କରାଯାଇଛି, ଉଦାହରଣ ସ୍ୱରୂପ: ଉଚ୍ଚ ପରିଚାଳନାଗତ ସହାୟତା ଏବଂ ଯୋଗାଯୋଗ ଓ ସୂଚନା ପ୍ରଦାନର ଗୁରୁତ୍ୱ ତେବେ ସଂଗଠନଗତ ପରିବର୍ତ୍ତନ ଓ ଉନ୍ନତି ପାଇଁ ବ୍ୟବସ୍ଥିତ ଆଭିମୁଖ୍ୟର ଆବଶ୍ୟକତା ରହିଛି । ବ୍ୟବହାରିକ ପ୍ରଭାବ - ଏକ ପୂର୍ବାନୁମାନ ହେଉଛି, ଫ୍ୟାଡ୍ କିମ୍ବା ଉତ୍ପାଦ ଜୀବନ ଚକ୍ରର ଘଟଣାକୁ ଦୃଷ୍ଟିରେ ରଖି, ଶୀଘ୍ର ଏକ ନୂତନ ପଦ୍ଧତି ପ୍ରଚାର କରାଯିବ, ଯାହା ବୋଧହୁଏ ପୂର୍ବରୁ ଛଅ ସିଗମାର ସୀମା-ଅର୍ଥହୀନ ଧାରଣା ସହିତ ଅନୁଭବ ହୋଇଛି । ଅନ୍ୟପକ୍ଷରେ, ଉଭୟ ଜିଆଇଟି ଏବଂ ଲୀନ, ଏବଂ ଟିକ୍ୟୁଏମ୍ ଏବଂ ସିଗମା ମଧ୍ୟରେ ଥିବା ସମୟର ବ୍ୟବଧାନକୁ ଆଧାର କରି - ବିଆରପି/ରିଇଞ୍ଜିନିୟରିଂ ଦ୍ୱାରା ପୂରଣ ହୋଇଥିବା ଏକ ବ୍ୟବଧାନ - ପରବର୍ତ୍ତୀ ପଦ୍ଧତି ପ୍ରକ୍ରିୟା ଆଧାରିତ ହେବ । ଏହି କାଗଜରେ ସଂଗଠନଗତ ଉନ୍ନତି ପ୍ରୟାସରେ ଏକ ପ୍ରକ୍ରିୟା ଆଧାରିତ ଆଭିମୁଖ୍ୟର ଆବଶ୍ୟକତା ଉପରେ ଆଲୋଚନା କରାଯାଇଛି । ମୂଳ/ମୂଲ୍ୟ - ଏହି କାଗଜରେ ମୂଲ୍ୟ ରହିଛି ଯେ ଏହା ଅନୁଧ୍ୟାନ କରୁଛି ଯେ ସାଂଗଠନିକ ପରିବର୍ତ୍ତନ ଏବଂ ଉନ୍ନତି ପ୍ରୟାସରୁ କ ଣ ଶିକ୍ଷା କରାଯାଇପାରିବ । ଏହି ବିଶ୍ଳେଷଣରେ ସଫଳ ସାଂଗଠନିକ ଉନ୍ନତି ପ୍ରୟାସ ପାଇଁ ପ୍ରକ୍ରିୟା (ପ୍ରଣାଳୀ) ଦୃଷ୍ଟିକୋଣର ଆବଶ୍ୟକତା ଉପରେ ଆଲୋଚନା କରିବା ପୂର୍ବରୁ ଯେକୌଣସି ପରିବର୍ତ୍ତନ ପ୍ରକଳ୍ପ ପାଇଁ ସିଏସଏଫର ତୁଳନା ଅନ୍ତର୍ଭୁକ୍ତ । |
364dc9031ec997a15015099d876d8e49c76a4e9f | ଗତ କିଛି ବର୍ଷ ମଧ୍ୟରେ ସୋସିଆଲ ମିଡିଆ (ଯେପରିକି ଟ୍ୱିଟର ଏବଂ ଫେସବୁକ) ରେ ଲୋକପ୍ରିୟତା ବୃଦ୍ଧି ପାଇବାରେ ଲାଗିଛି ଏବଂ ଏହା ବିଷୟବସ୍ତୁ ଅଂଶୀଦାର ଏବଂ ସାମାଜିକ ନେଟୱାର୍କିଂ ପାଇଁ ଏକ ସର୍ବବ୍ୟାପୀ ବକ୍ତବ୍ୟ ପାଲଟିଛି । ମୋବାଇଲ ଡିଭାଇସ ଓ ଅବସ୍ଥାନ ଆଧାରିତ ସେବାଗୁଡିକର ବ୍ୟାପକ ପ୍ରସାର ସହିତ, ସୋସିଆଲ ମିଡିଆ ସାଧାରଣତଃ ବ୍ୟବହାରକାରୀମାନଙ୍କୁ ଦୈନନ୍ଦିନ କାର୍ଯ୍ୟକଳାପର ଅବସ୍ଥାନ (ଯେପରିକି ଚେକ୍-ଇନ୍ ଏବଂ ଫଟୋ ଉଠାଇବା) ବାଣ୍ଟିବାକୁ ଅନୁମତି ଦେଇଥାଏ ଏବଂ ଏହିପରି ଭାବରେ ମାନବ ଆଚରଣ ଏବଂ ଭୌଗୋଳିକ କ୍ଷେତ୍ରରେ ଜଟିଳ ସାମାଜିକ ଗତିଶୀଳତାକୁ ବୁଝିବା ପାଇଁ ସୋସିଆଲ ମିଡିଆର ଭୂମିକାକୁ ସୁଦୃଢ଼ କରିଥାଏ । ପାରମ୍ପରିକ ସ୍ପେସିଓ-ଟାଇମ ଡାଟା ପରି, ଏହି ନୂତନ ଡାଟା ମୋଡାଲିଟି ଗତିଶୀଳ, ବିଶାଳ ଏବଂ ସାଧାରଣତଃ ଅଣସଂଗଠିତ ମିଡିଆ (ଯେପରିକି, ପାଠ୍ୟ ଏବଂ ଫଟୋ) ର ଷ୍ଟ୍ରିମରେ ପ୍ରତିନିଧିତ୍ୱ କରିଥାଏ, ଯାହା ପାରମ୍ପରିକ ସ୍ପେସିଓ-ଟାଇମ ଆନାଲିସିସ୍ ଏବଂ ଭୌଗୋଳିକ ସୂଚନା ବିଜ୍ଞାନ ପାଇଁ ମୌଳିକ ପ୍ରତିନିଧିତ୍ୱ, ମଡେଲିଂ ଏବଂ ଗଣନା ଚ୍ୟାଲେଞ୍ଜ ସୃଷ୍ଟି କରିଥାଏ । ଏହି ପତ୍ରିକାରେ, ଆମେ ଏକ ମାପଯୋଗ୍ୟ ଗଣନାତ୍ମକ ଢାଞ୍ଚା ବିଷୟରେ ବର୍ଣ୍ଣନା କରିଛୁ ଯାହା ପ୍ରଭାବଶାଳୀ ଏବଂ ବ୍ୟବସ୍ଥିତ ସ୍ଥାନ-କାଳୀନ ତଥ୍ୟ ବିଶ୍ଳେଷଣ ପାଇଁ ବୃହତ ଅବସ୍ଥାନ-ଆଧାରିତ ସୋସିଆଲ ମିଡିଆ ତଥ୍ୟକୁ ବ୍ୟବହାର କରିଥାଏ । ଏହି ପରିପ୍ରେକ୍ଷୀରେ, ସାମାଜିକ ଗଣମାଧ୍ୟମ ବ୍ୟବହାରକାରୀଙ୍କ କାର୍ଯ୍ୟକଳାପ ପ୍ରୋଫାଇଲକୁ ପ୍ରତିନିଧିତ୍ୱ କରିବା ପାଇଁ ସ୍ପେସ୍-ଟାଇମ୍ ଟ୍ରାଜେକ୍ଟୋରୀ (କିମ୍ବା ପଥ) ର ଧାରଣା ପ୍ରୟୋଗ କରାଯାଏ । ଏକ ଜ୍ୟୋତିର୍ବିଜ୍ଞାନିକ ସ୍ପେସିଓ-ଟାଇମ ଡାଟା ମଡେଲ, ଯଥା ଏକ ସ୍ପେସିଓ-ଟାଇମ ଡାଟା କ୍ୟୁବ ମଡେଲ, ବହୁ ସ୍ପେସିଓ-ଟାଇମ ସ୍କେଲରେ ଏକୀକରଣ ସୀମା ପାର କରି ସୋସିଆଲ ମିଡିଆ ବ୍ୟବହାରକାରୀଙ୍କ ସାମୂହିକ ଗତିଶୀଳତାକୁ ପ୍ରତିନିଧିତ୍ୱ କରିବା ପାଇଁ ସ୍ପେସିଓ-ଟାଇମ ଟ୍ରାକ୍ଟୋରୀଗୁଡିକର ସଂଗ୍ରହ ଉପରେ ଆଧାର କରି ବିକଶିତ ହୋଇଛି । ଏହି ଫ୍ରେମୱାର୍କ ଉତ୍ତର ଆମେରିକା ମହାଦେଶରେ ପୋଷ୍ଟ କରାଯାଇଥିବା ଟ୍ୱିଟର ଫିଡର ସାର୍ବଜନୀନ ଡାଟା ଷ୍ଟ୍ରିମ ଉପରେ ଆଧାରିତ । ଏହି ଫ୍ରେମୱାର୍କର ଲାଭ ଏବଂ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ପ୍ରଦର୍ଶନ କରିବା ପାଇଁ ଏକ ଇଣ୍ଟରଆକ୍ଟିଭ୍ ଫ୍ଲୋ ମ୍ୟାପିଂ ଇଣ୍ଟରଫେସ୍ (ଉଭୟ ଏକକ ଉତ୍ସ ଏବଂ ଏକାଧିକ ଉତ୍ସ ଫ୍ଲୋ ମ୍ୟାପିଂ ଅନ୍ତର୍ଭୁକ୍ତ କରି) ବିକଶିତ କରାଯାଇଛି ଯାହା ବହୁଳ ସ୍ଥାନରେ ବହୁଳ ଭାବରେ ଅବସ୍ଥିତ ସୋସିଆଲ ମିଡିଆରେ ଗତିଶୀଳତାର ରିଅଲ୍-ଟାଇମ୍ ଏବଂ ଇଣ୍ଟରଆକ୍ଟିଭ୍ ଭିଜୁଆଲ୍ ଅନୁସନ୍ଧାନକୁ ଅନୁମତି ଦେଇଥାଏ । ଅନୁସଙ୍ଗିକ ଲେଖକ ପ୍ରିପ୍ରିଣ୍ଟ କମ୍ପ୍ୟୁଟର, ପରିବେଶ ଏବଂ ସହରାଞ୍ଚଳ ପ୍ରଣାଳୀରେ ଦାଖଲ କରାଯାଇଛି ସେପ୍ଟେମ୍ବର ୧୦, ୨୦୧୪ 28 26 v1 [ ସି. ଏସ. ଆଇ] 8 ଏସ. ପି. 2 01 4 |
b51cdeb74165df0ce32ea3a1a606d28186f03e9d | |
c1e4420ddc71c4962e0ba26287293a25a774fb6e | ଆମେ ଗୋଟିଏ ଏକକ ଦୃଶ୍ୟରୁ ଗଭୀରତା ଆକଳନ କରିବା କାର୍ଯ୍ୟକୁ ବିଚାର କରୁଛୁ । ଆମେ ଏହି ସମସ୍ୟାକୁ ଏକ ସୁପରଭାଇଜଡ ଲର୍ଣ୍ଣିଂ ଆଭିମୁଖ୍ୟ ଗ୍ରହଣ କରିଥାଉ, ଯେଉଁଥିରେ ଆମେ ଏକକ ଦୃଶ୍ୟମାନ ଚିତ୍ରର ଏକ ତାଲିମ ସେଟ ସଂଗ୍ରହ କରି ଆରମ୍ଭ କରୁ (ଅବନିତ ବାହ୍ୟ ପରିବେଶର ଯାହା ଜଙ୍ଗଲ, ଗଛ, କୋଠା ଆଦି ଅନ୍ତର୍ଭୁକ୍ତ କରେ) । ଏବଂ ସେମାନଙ୍କର ଅନୁରୂପ ଗ୍ରାଉଣ୍ଡ-ଟୁରିଟି ଡିପ୍ଟମ୍ୟାପ୍ । ତାପରେ, ଆମେ ଅନୁଧ୍ୟାନିତ ଶିକ୍ଷଣକୁ ପ୍ରୟୋଗ କରି ପ୍ରତିଛବିର ଏକ ଫଙ୍କସନ୍ ଭାବରେ ଗଭୀରତା ମାନଚିତ୍ରକୁ ପୂର୍ବାନୁମାନ କରିଥାଉ । ଗଭୀରତା ଆକଳନ ଏକ ଚ୍ୟାଲେଞ୍ଜପୂର୍ଣ୍ଣ ସମସ୍ୟା, କାରଣ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ସ୍ଥାନରେ ଗଭୀରତା ଆକଳନ କରିବା ପାଇଁ କେବଳ ସ୍ଥାନୀୟ ବୈଶିଷ୍ଟ୍ୟ ଯଥେଷ୍ଟ ନୁହେଁ, ଏବଂ ଜଣେ ଛବିର ବିଶ୍ୱବ୍ୟାପୀ ପ୍ରସଙ୍ଗକୁ ବିଚାର କରିବା ଆବଶ୍ୟକ । ଆମର ମଡେଲ ଏକ ଭେଦଭାବପୂର୍ଣ୍ଣ ତାଲିମପ୍ରାପ୍ତ ମାର୍କୋଭ ରାଣ୍ଡମ ଫିଲ୍ଡ (ଏମ୍ଆରଏଫ୍) ବ୍ୟବହାର କରେ ଯାହା ବହୁ-ସ୍କେଲ ସ୍ଥାନୀୟ ଏବଂ ବିଶ୍ୱ-ପ୍ରତିଛବି ବିଶେଷତ୍ୱକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରେ ଏବଂ ଉଭୟ ବ୍ୟକ୍ତିଗତ ବିନ୍ଦୁରେ ଗଭୀରତା ଏବଂ ବିଭିନ୍ନ ବିନ୍ଦୁରେ ଗଭୀରତା ମଧ୍ୟରେ ସମ୍ପର୍କକୁ ମଡେଲ କରେ । ଆମେ ଦେଖାଇଛୁ ଯେ, ଅଣସଂଗଠିତ ଦୃଶ୍ୟରେ ମଧ୍ୟ, ଆମର ଆଲଗୋରିଦମ ପ୍ରାୟତଃ ସଠିକ ଗଭୀରତା ମାନଚିତ୍ରକୁ ପୁନରୁଦ୍ଧାର କରିବାରେ ସକ୍ଷମ । |
29ad218282cd9d66fe921d49ba066dae32bfa76d | ପରସ୍ପର ସହ ସଂଯୁକ୍ତ ଉପକରଣ ଏବଂ ଇଣ୍ଟରନେଟ ଅଫ୍ ଥିଙ୍ଗ୍ସର ବିସ୍ଫୋରଣ ଇଣ୍ଟରନେଟ ନିରାପତ୍ତା କ୍ଷେତ୍ରରେ ନୂତନ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଆହ୍ୱାନ ସୃଷ୍ଟି କରିଛି, କାରଣ ବିଭିନ୍ନ ଉପକରଣର ଦୁର୍ବଳତା ଏବଂ ସାଇବର ଆକ୍ରମଣର ସମ୍ଭାବନା ବୃଦ୍ଧି ପାଇଛି । ଏହି ପତ୍ରରେ ସାଇବର ସୁରକ୍ଷା, ଅନୁପ୍ରବେଶ ଚିହ୍ନଟ, ପ୍ରତିରୋଧ ପ୍ରଣାଳୀ ଏବଂ କୃତ୍ରିମ ବୁଦ୍ଧିମତା ଉପରେ ଆଲୋଚନା କରାଯାଇଛି । ଆମର ଲକ୍ଷ୍ୟ ହେଉଛି ମେସିନ ଲର୍ଣ୍ଣିଂର ପ୍ରୟୋଗିକ ଧାରଣାକୁ ବ୍ୟବହାର କରି ଏକ ବ୍ୟବସ୍ଥା ସୃଷ୍ଟି କରିବା ଯାହା କ୍ଷତିକାରକ ସଂଯୋଗକୁ ବୁଝିବା, ଚିହ୍ନଟ କରିବା ଏବଂ ରୋକିବାରେ ସକ୍ଷମ ହେବ । ଆମେ ବିଶେଷତ୍ୱଗୁଡ଼ିକୁ ଚୟନ କରିବା ଏବଂ ବାହାର କରିବା ଉପରେ ଗୁରୁତ୍ୱ ଦେଉଛୁ ଯାହା ମାଲୱେୟାର ଏବଂ ଅନୁପ୍ରବେଶ ଆକ୍ରମଣର ସଠିକ ନିଷ୍ପତ୍ତି ନେଇପାରେ । ଆମେ ଏକ ସମାଧାନ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ସେହି ସମାନ ଏବଂ ଭିନ୍ନ ସେବା ଏବଂ ହୋଷ୍ଟ ପାଇଁ ପ୍ୟାକେଟ୍ ଇତିହାସରୁ ସମ୍ବନ୍ଧିତ ବିଷୟଗୁଡିକ ବାହାର କରିଥାଏ, REJ, SYN ଏବଂ ACK ଫ୍ଲାଗ୍ ଏବଂ ସଂଯୋଗ ସ୍ଥିତିର ହାର ଉପରେ ଆଧାର କରି, URI ଏବଂ RESTful ପଦ୍ଧତିରୁ ବାହାର କରାଯାଇଥିବା HTTP ବିଶେଷତାଗୁଡିକ ସହିତ । ଆମର ପ୍ରସ୍ତାବିତ ସମାଧାନ ନେଟୱର୍କ ଅନୁପ୍ରବେଶ ଏବଂ ବଟନେଟ ଯୋଗାଯୋଗକୁ 98.4% ସଠିକତା ସହିତ ବାଇନାରୀ ଶ୍ରେଣୀକରଣ ସମସ୍ୟାରେ ଚିହ୍ନଟ କରିବାରେ ସକ୍ଷମ । |
c8d170a6cf0b773a1db726492793c0426c7bc10a | ବାସ୍ତବ ବିକଳ୍ପ ସିଦ୍ଧାନ୍ତକୁ ଆଇଟି ନିବେଶର ମୂଲ୍ୟାଙ୍କନ ପାଇଁ ପ୍ରୟୋଗ କରାଯାଏ । ବାସ୍ତବ ବିକଳ୍ପ ତତ୍ତ୍ୱର ପ୍ରୟୋଗ ସାଧାରଣତ ବାସ୍ତବ ବିକଳ୍ପର ମୁଦ୍ରା ମୂଲ୍ୟାୟନ ସହିତ ହୋଇଥାଏ ବିକଳ୍ପ ମୂଲ୍ୟ ନିର୍ଦ୍ଧାରଣ ମଡେଲ ମାଧ୍ୟମରେ ଯାହା ପ୍ରତିବନ୍ଧକମୂଳକ ଅନୁମାନ ଉପରେ ଆଧାରିତ ଏବଂ ତେଣୁ ସମାଲୋଚନାର ବିଷୟ ହୋଇଥାଏ । ତେଣୁ ଏହି ପୁସ୍ତକରେ ଆଇଟି ନିବେଶର ମୂଲ୍ୟାୟନ ପାଇଁ ବିକଳ୍ପ ମୂଲ୍ୟ ନିର୍ଦ୍ଧାରଣ ମଡେଲର ପ୍ରୟୋଗକୁ ବିଶ୍ଳେଷଣ କରାଯାଇଛି । ସାହିତ୍ୟର ଏକ ସଂରଚନାତ୍ମକ ସମୀକ୍ଷା ବୈଜ୍ଞାନିକ ସାହିତ୍ୟରେ ବାସ୍ତବ ବିକଳ୍ପ ସିଦ୍ଧାନ୍ତ ସହିତ ମୂଲ୍ୟ ନିର୍ଦ୍ଧାରଣ କରାଯାଇଥିବା ଆଇଟି ନିବେଶର ପ୍ରକାରକୁ ପ୍ରକାଶ କରେ । ଏହି ପ୍ରକାରର ଆଇଟି ନିବେଶ ଉପରେ ଅଧିକ ଅନୁସନ୍ଧାନ କରାଯାଇଛି ଏବଂ ଏହାର ମୁଖ୍ୟ ବୈଶିଷ୍ଟ୍ୟଗୁଡିକ ପାରମ୍ପରିକ ବିକଳ୍ପ ମୂଲ୍ୟ ନିର୍ଦ୍ଧାରଣ ମଡେଲର ପ୍ରତିବନ୍ଧକ ଅନୁମାନ ସହିତ ତୁଳନା କରାଯାଇଛି । ଏହି ବିଶ୍ଳେଷଣ ଏହି ମାନ୍ୟତା ଗୁଡିକୁ ଚିହ୍ନଟ କରାଯାଇଥିବା କାଗଜପତ୍ରରେ କିପରି ସମାଧାନ କରାଯାଇଛି ସେ ବିଷୟରେ ଅଧିକ ଆଲୋଚନା ପାଇଁ ଆଧାର ଭାବରେ କାର୍ଯ୍ୟ କରେ । ଏହି ଫଳାଫଳରୁ ଜଣାପଡ଼ୁଛି ଯେ ଅନେକ ଗବେଷଣାରେ ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ ଅନୁମାନକୁ ବିଚାରକୁ ନିଆଯାଇନାହିଁ, ଯଦିଓ ଏହା ଜଣା ପଡ଼ିଛି ଯେ ଅନୁମାନଗୁଡ଼ିକ ପୂରଣ ହୋଇନାହିଁ । ଏହା ବ୍ୟତୀତ ଆଇଟି ନିବେଶର ପ୍ରକାର ଅନୁମାନର ଗୁରୁତ୍ବକୁ ନିର୍ଣ୍ଣୟ କରେ । ଏହାବ୍ୟତୀତ, ପାରମ୍ପରିକ ବିକଳ୍ପ ମୂଲ୍ୟ ନିର୍ଦ୍ଧାରଣ ମଡେଲର ଅନେକ ସଂପ୍ରସାରଣ କିମ୍ବା ଅନୁକୂଳନ ମିଳିପାରିବ ଯାହା ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ ଅନୁମାନକୁ ଆରାମ ଦେବା ପାଇଁ ସୁଯୋଗ ପ୍ରଦାନ କରିଥାଏ । ଏହି ଅଧ୍ୟୟନରେ ପ୍ରାପ୍ତ ଫଳାଫଳରୁ ଗବେଷକମାନେ ଦୁଇଟି ଉପାୟରେ ଲାଭ ପାଇପାରିବେ: ପ୍ରଥମତଃ, ବିଭିନ୍ନ ପ୍ରକାରର ଆଇଟି ନିବେଶ ପାଇଁ କେଉଁ ଅନୁମାନଗୁଡିକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ହୋଇପାରେ ତାହା ପ୍ରଦର୍ଶିତ ହୋଇଛି । ଦ୍ୱିତୀୟତଃ, ବିକଳ୍ପ ମୂଲ୍ୟ ନିର୍ଦ୍ଧାରଣ ମଡେଲର ବିସ୍ତାର ଯାହା ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ ଅନୁମାନକୁ ସହଜ କରିଥାଏ । |
675b402bd488aae006ff9a9dd0951797558b2d6d | [ପ୍ରକାଶିତ ପୁସ୍ତକ/ଅନୁଛେଦ/ସମ୍ପାଦନା] ବର୍ତ୍ତମାନ ଫାର୍ମାକୋଲୋଜିକାଲ ଓ ଅଣଫାର୍ମାକୋଲୋଜିକାଲ ଉପଚାର ମାଧ୍ୟମରେ ଏଚଡିଏଚଡିର ଚିକିତ୍ସା କରାଯାଉଛି । କିନ୍ତୁ, ଟେକ୍ନୋଲୋଜିରେ ଉନ୍ନତି ଏବଂ ମୋବାଇଲ ଆପ୍ଲିକେସନର ବ୍ୟବହାର ବୃଦ୍ଧି ସହିତ, ଏଚଡିଏଚଡିର ପରିଚାଳନା ଏହି ଜନସଂଖ୍ୟା ପାଇଁ ବିଶେଷ ଭାବରେ ଡିଜାଇନ କରାଯାଇଥିବା ଆପ୍ଲିକେସନର ବ୍ୟବହାର କରି ବୃଦ୍ଧି କରାଯାଇପାରିବ । କିନ୍ତୁ ବର୍ତ୍ତମାନ ଉପଲବ୍ଧ ଆପଗୁଡ଼ିକର ଉପଯୋଗିତା ଓ ବ୍ୟବହାର ବିଷୟରେ ବହୁତ କମ୍ ଜଣା ଅଛି । ଏହି ଅଧ୍ୟୟନର ଉଦ୍ଦେଶ୍ୟ ଥିଲା ଏଚଡିଏଚଡି ଥିବା ପିଲା ଓ ଯୁବକମାନଙ୍କ ପାଇଁ ଓ ସେମାନଙ୍କ ସହିତ କାମ କରୁଥିବା ଡାକ୍ତରମାନଙ୍କ ପାଇଁ ଶ୍ରେଷ୍ଠ ୧୦ଟି ଆପର ଉପଯୋଗିତା ଉପରେ ଗବେଷଣା କରିବା । ଏହି ଜନସଂଖ୍ୟା ପାଇଁ ଡିଜାଇନ କରାଯାଇଥିବା ମୋବାଇଲ ଆପ୍ ଅଧିକ ଉପଯୁକ୍ତ ଭାବରେ ଡିଜାଇନ କରାଯାଇପାରିବ ବୋଲି ଅନୁମାନ କରାଯାଉଛି । ବ୍ରିଟେନରେ ଏଚଡିଏଚଡି ଥିବା ପିଲା ଓ ଯୁବକମାନଙ୍କ ପାଇଁ ନିର୍ଦ୍ଦିଷ୍ଟ ଭାବେ ପ୍ରସ୍ତୁତ ହୋଇଥିବା ଶ୍ରେଷ୍ଠ ୧୦ଟି ଆପ୍ ଗୁଗୁଲ୍ ପ୍ଲେ (ଏନ=୫) ଏବଂ ଆଇଟ୍ୟୁନ୍ସ ଷ୍ଟୋର (ଏନ=୫) ମାଧ୍ୟମରେ ଚିହ୍ନଟ କରାଯାଇଛି । ଏହା ପରେ ଏହି ଜନସଂଖ୍ୟାର ଚିକିତ୍ସା କରୁଥିବା ୫ ଜଣ କ୍ଲିନିକାଲ ବିଶେଷଜ୍ଞ ଏବଂ ୫ ଜଣ ଏଡ୍ ଡ଼ିଏଚ୍ ଡି ଥିବା ପିଲା ଓ ଯୁବକଙ୍କ ସହ ସାକ୍ଷାତକାର ନିଆଯାଇଥିଲା । ଫଳାଫଳ କ୍ଲିନିକାଲ ବିଶେଷଜ୍ଞ ଏବଂ ଯୁବକଙ୍କ ସାକ୍ଷାତକାରରୁ ପାଞ୍ଚଟି ବିଷୟ ପଦାକୁ ଆସିଛି: ଟେକ୍ନୋଲୋଜିର ଉପଲବ୍ଧତା, ଆପ୍ ସହିତ ସମ୍ପର୍କର ଗୁରୁତ୍ୱ, ଏଡିଏଚ୍ଡିର ଲକ୍ଷଣ ଏବଂ ସମ୍ବନ୍ଧିତ ଅସୁବିଧାକୁ ଦୂର କରିବା, ବୟସ ଅନୁପଯୁକ୍ତତା ଏବଂ ଆପ୍ ପାରସ୍ପରିକ କ୍ରିୟା । କେବଳ କ୍ଲିନିକାଲ ସାକ୍ଷାତକାରରୁ ତିନୋଟି ଅତିରିକ୍ତ ବିଷୟ ସାମ୍ନାକୁ ଆସିଛି: ଲକ୍ଷଣର ଅନୁଧ୍ୟାନ, ପାର୍ଶ୍ୱ ପ୍ରତିକ୍ରିୟା ଏବଂ ସମ୍ପର୍କ ଉପରେ ଆପର ପ୍ରଭାବ ଏବଂ ସାଧାରଣ କୋମର୍ବିଡ ସ୍ଥିତିର ପ୍ରଭାବ । ଆପଗୁଡ଼ିକର ବୈଶିଷ୍ଟ୍ୟ ଆମ ନମୁନାର ମତ ସହ ମେଳ ଖାଉନାହିଁ । ଏହି ଆବିଷ୍କାରରୁ ଜଣାପଡ଼ୁଛି ଯେ ଏହି ଆପ୍ ଏହି ରୋଗର ଜଟିଳ ଆବଶ୍ୟକତା ପୂରଣ କରିବା ପାଇଁ ଉପଯୁକ୍ତ ନୁହେଁ । ଏଚଡିଏଚଡି ଥିବା ପିଲା ଓ ଯୁବଗୋଷ୍ଠୀ ଏବଂ ସେମାନଙ୍କ ପରିବାର ପାଇଁ ଆପର ମୂଲ୍ୟ ଏବଂ ବିଶେଷ କରି ଏହି ବୟସ ବର୍ଗରେ ଏଚଡିଏଚଡିର ପରିଚାଳନାରେ ଆପର କୌଣସି ସକାରାତ୍ମକ ଭୂମିକାକୁ ଅନୁସନ୍ଧାନ କରିବା ପାଇଁ ଅଧିକ ଗବେଷଣା ଆବଶ୍ୟକ । ଏହି ଜନସଂଖ୍ୟାକୁ କିପରି ଟେକ୍ନୋଲୋଜି ବ୍ୟବହାର କରାଯାଇପାରିବ ଏବଂ ସେମାନଙ୍କୁ କିପରି ସାହାଯ୍ୟ କରାଯାଇପାରିବ ସେ ବିଷୟରେ ଏକ ବ୍ୟବସ୍ଥିତ ସମୀକ୍ଷା ଏକ ଉପଯୋଗୀ ଉପାୟ ହେବ । ଏହା ଆପ୍ଲିକେସନ୍ର ବ୍ୟବହାରକୁ ଅଧିକ ଅନୁସନ୍ଧାନ କରିବା ପାଇଁ ଏକ ମଞ୍ଚ ହୋଇପାରେ । |
d16afa6fe546451bb4330eae67b1722823e37e41 | ଆମେ ସ୍ୱୟଂଚାଳିତ ଆହାର ମୂଲ୍ୟାୟନ ପାଇଁ ଖାଦ୍ୟ ଚିତ୍ରକୁ ଭାଗ କରିବା ପାଇଁ ଏକ ଇଣ୍ଟରଆକ୍ଟିଭ୍ ସ୍କିମ୍ ପ୍ରସ୍ତାବିତ କରୁଛୁ । ସ୍ମାର୍ଟଫୋନ୍ ବ୍ୟବହାରକାରୀ ଖାଦ୍ୟର ଫଟୋ ଉଠାଇଥାନ୍ତି ଏବଂ ଫଳାଫଳ ଚିତ୍ରରେ କିଛି ସ୍ପର୍ଶ ବିନ୍ଦୁ ଚିହ୍ନିତ କରିଥାନ୍ତି । ସେଗମେଂଟେଶନ ଆଲଗୋରିଦମ ଟଚ ପଏଣ୍ଟ ସହିତ ଖାଦ୍ୟ ସେଗମେଂଟକୁ ଆରମ୍ଭ କରିଥାଏ ଏବଂ ସ୍ଥାନୀୟ ପ୍ରତିଛବି ବିଶେଷତା ବ୍ୟବହାର କରି ସେଗୁଡିକୁ ବଢାଇଥାଏ । ଆମେ ଆଲଗୋରିଦମକୁ ୩୦୦ଟି ଖାଦ୍ୟ ଚିତ୍ର ସହିତ ମୂଲ୍ୟାଙ୍କନ କରିଥିଲୁ । ଏହି ସେଗମେଂଟେଶନର ସଠିକତା ହେଉଛି ୦.୮୭, ଯାହାକି ସମ୍ପୂର୍ଣ୍ଣ ସ୍ୱୟଂଚାଳିତ ସେଗମେଂଟେଶନ ପାଇଁ ୦.୭୦ ଅଟେ । ଏହି ଫଳାଫଳରୁ ଜଣାପଡ଼ୁଛି ଯେ, ଉପଭୋକ୍ତାଙ୍କ ସର୍ବନିମ୍ନ ହସ୍ତକ୍ଷେପ ଦ୍ୱାରା ସେଗମେଂଟେଶନର ସଠିକତା ଯଥେଷ୍ଟ ଉନ୍ନତ ହୋଇଛି । |
03a3b5ca18f6482cfee128eb24ddd1a59015fb2d | ବ୍ଲୁମ ଫିଲ୍ଟର ଏକ ସମ୍ଭାବ୍ୟତା ତଥ୍ୟ ସଂରଚନା ଯାହାକି ଏକ ସେଟ ଉପାଦାନର ଏକ କମ୍ପାକ୍ଟ ପ୍ରତିନିଧିତ୍ୱ ପ୍ରଦାନ କରିଥାଏ । ମିଥ୍ୟା ପଜିଟିଭ୍ ସମ୍ଭାବନା କମ୍ ରଖିବା ପାଇଁ, ବ୍ଲୁମ୍ ଫିଲ୍ଟରର ଆକାରକୁ ପ୍ରାଥମିକ ଭାବରେ ଆକାର କରାଯିବା ଉଚିତ ଯାହା ସର୍ବାଧିକ ସଂଖ୍ୟକ ଚାବିରେ ରେଖୀ ହେବ, ରେଖୀ ସ୍ଥିରତା ସାଧାରଣତ 1 ରୁ କିଛି ବାଇଟ୍ ପର୍ଯ୍ୟନ୍ତ ରହିବ । ଏକ ବ୍ଲୁମ ଫିଲ୍ଟର ସାଧାରଣତଃ ଇନ ମେମୋରି ଡାଟା ଷ୍ଟ୍ରକଚର ଭାବରେ ବ୍ୟବହୃତ ହୁଏ, ତେଣୁ ଏହାର ଆକାର ମେସିନରେ ଉପଲବ୍ଧ RAM ସ୍ପେସ ଦ୍ୱାରା ସୀମିତ । ଯେହେତୁ ଡାଟାସେଟ ସମୟ ସହିତ ଇଣ୍ଟରନେଟ ସ୍କେଲରେ ବୃଦ୍ଧି ପାଇଛି, ତେଣୁ ବ୍ଲୁମ୍ ଫିଲ୍ଟରର RAM ସ୍ପେସ୍ ଆବଶ୍ୟକତା ମଧ୍ୟ ରହିଛି । ଯଦି ପର୍ଯ୍ୟାପ୍ତ ପରିମାଣର RAM ସ୍ଥାନ ଉପଲବ୍ଧ ନଥାଏ, ଆମେ ପରାମର୍ଶ ଦେଉଛୁ ଯେ ଫ୍ଲାସ୍ ମେମୋରୀ ବ୍ଲୁମ୍ ଫିଲ୍ଟର ସଂରକ୍ଷଣ ପାଇଁ ଏକ ଉପଯୁକ୍ତ ମାଧ୍ୟମ ଭାବରେ କାର୍ଯ୍ୟ କରିପାରିବ, ଯେହେତୁ ଏହା GB ପ୍ରତି RAM ର ଏକ ଦଶମାଂଶ ମୂଲ୍ୟ ଅଟେ, ତଥାପି ହାର୍ଡ ଡିସ୍କ ଅପେକ୍ଷା ଆକ୍ସେସ୍ ସମୟ ଆକାରର ଆଦେଶ ପ୍ରଦାନ କରିଥାଏ । ଆମେ BLOOMFLASH, ଏକ ବ୍ଲୁମ୍ ଫିଲ୍ଟର ଉପସ୍ଥାପନ କରୁଛୁ ଯାହାକି ଫ୍ଲାସ୍ ମେମୋରୀ ଆଧାରିତ ଷ୍ଟୋରେଜ୍ ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଛି, ଯାହା ବ୍ଲୁମ୍ ଫିଲ୍ଟର ଆକ୍ସେସ୍ ଟାଇମ୍ ସହିତ ବାଣିଜ୍ୟର ଏକ ନୂତନ ଦିଗ ପ୍ରଦାନ କରିଥାଏ ଯାହା RAM ସ୍ଥାନ ବ୍ୟବହାର (ଏବଂ ତେଣୁ ସିଷ୍ଟମ୍ ମୂଲ୍ୟ) ହ୍ରାସ କରିଥାଏ । ଫ୍ଲାସ୍ ରେ ଏକ ଫ୍ଲାଟ୍ ବ୍ଲୁମ୍ ଫିଲ୍ଟରର ସରଳ ଡିଜାଇନ୍ ଅନେକ କାର୍ଯ୍ୟଦକ୍ଷତା ବାଟଲେକ୍ ରେ ପୀଡିତ, ଯେଉଁଥିରେ ଇନ୍-ପ୍ଲେସ୍ ବିଟ୍ ଅପଡେଟ୍ ଅନ୍ତର୍ଭୁକ୍ତ, ଯାହା ଫ୍ଲାସ୍ ରେ ଅକ୍ଷମ ଏବଂ ଏକାଧିକ ପଠନ ଏବଂ ଅନିୟମିତ ଲେଖା ଏକକ ଲୁକ୍ ଅପ୍ କିମ୍ବା ଇନସର୍ଟ ଅପରେସନ୍ ପାଇଁ ଅନେକ ଫ୍ଲାସ୍ ପୃଷ୍ଠାରେ ବିସ୍ତାରିତ _ ଏହି କାର୍ଯ୍ୟଦକ୍ଷତା ବାଧାକୁ ଦୂର କରିବା ପାଇଁ, BLOOMFLASH ଦୁଇଟି ପ୍ରମୁଖ ଡିଜାଇନ୍ ନବସୃଜନକୁ ଉପଯୋଗ କରେ: (i) RAM ରେ ବିଟ୍ ଅପଡେଟ୍ଗୁଡିକର ବଫରିଂ ଏବଂ ସେଗୁଡିକକୁ ଫ୍ଲାସ୍ରେ ବଲ୍କରେ ପ୍ରୟୋଗ କରିବା ଯାହା ଫ୍ଲାସ୍ରେ ଅନିୟମିତ ଲେଖାକୁ ହ୍ରାସ କରିବାରେ ସାହାଯ୍ୟ କରେ, ଏବଂ (ii) ଏକ ଜ୍ୟୋତିର୍ବିଜ୍ଞାନିକ ବ୍ଲୁମ୍ ଫିଲ୍ଟର୍ ଡିଜାଇନ୍ ଯାହା ଉପାଦାନ ବ୍ଲୁମ୍ ଫିଲ୍ଟର୍ଗୁଡିକର ଏକ ଅଂଶ, ପ୍ରତ୍ୟେକ ଫ୍ଲାସ୍ ପୃଷ୍ଠାରେ ଏକ ଷ୍ଟୋର୍ ହୋଇଛି, ଯାହା ଫ୍ଲାସ୍ରେ ପଠନ ଏବଂ ଲେଖାକୁ ସ୍ଥାନୀୟକରଣ କରିବାରେ ସାହାଯ୍ୟ କରେ । ଆମେ ଦୁଇଟି ବାସ୍ତବିକ ତଥ୍ୟର ବ୍ୟବହାର କରିଥାଉ ଯାହା ପ୍ରତିନିଧି ଫୁଲ ଫିଲ୍ଟର ପ୍ରୟୋଗରୁ ନିଆଯାଇଥାଏ ଯାହା ଆମର ଡିଜାଇନକୁ ପରିଚାଳନା ଏବଂ ମୂଲ୍ୟାଙ୍କନ କରିଥାଏ । ବ୍ଲୁମ୍ଫ୍ଲାଶ୍ କିଛି ମାଇକ୍ରୋ ସେକେଣ୍ଡର ପରିଧିରେ ବ୍ଲୁମ୍ ଫିଲ୍ଟର ଆକ୍ସେସ୍ ଟାଇମ୍ ହାସଲ କରିଥାଏ, ଯାହାଦ୍ୱାରା ସେକେଣ୍ଡ ପ୍ରତି ଦଶ ହଜାର ଅପରେସନ୍ ପର୍ଯ୍ୟନ୍ତ ଅନୁମତି ମିଳିଥାଏ । |
14d792772da62654f5c568153222ae1523659b96 | ଏହି କାର୍ଯ୍ୟରେ ଆମେ ଦେଖାଇଛୁ ଯେ ଗଭୀର କନ୍ଭୋଲ୍ୟୁସନାଲ୍ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ୍ ମାନକ ବର୍କଲେ ସେଗମେଣ୍ଟେସନ୍ ଡାଟାସେଟରେ ମାପିତ ସୀମା ଚିହ୍ନଟ କାର୍ଯ୍ୟରେ ମଣିଷଠାରୁ ଭଲ ପ୍ରଦର୍ଶନ କରିପାରିବ । ଆମର ଡିଟେକ୍ଟରଟି ଲୋକପ୍ରିୟ କାଫେ ଫ୍ରେମୱାର୍କରେ ସମ୍ପୂର୍ଣ୍ଣ ଭାବେ ଏକୀକୃତ ହୋଇଛି ଏବଂ ଗୋଟିଏ ସେକେଣ୍ଡରୁ କମ୍ ସମୟରେ 320x420 ପ୍ରତିଛବି ପ୍ରକ୍ରିୟାକରଣ କରୁଛି । ଆମର ଅବଦାନ ହେଉଛି ପ୍ରଥମେ ସୀମା ଚିହ୍ନଟ ପ୍ରଶିକ୍ଷଣ ପାଇଁ କ୍ଷତିର ଏକ ଯତ୍ନର ସହ ଡିଜାଇନ୍, ଏକ ମଲ୍ଟି ରିଜୋଲ୍ୟୁସନ୍ ଆର୍କିଟେକ୍ଚର ଏବଂ ବାହ୍ୟ ତଥ୍ୟ ସହିତ ପ୍ରଶିକ୍ଷଣକୁ ମିଶାଇ ଆଧୁନିକ ଜ୍ଞାନର ଚିହ୍ନଟ ସଠିକତାକୁ ଉନ୍ନତ କରିବା ପାଇଁ, ଏକ ସର୍ବୋତ୍ତମ ଡାଟାସେଟ୍ ସ୍କେଲ F-ମାପ 0.780 ରୁ 0.808 ପର୍ଯ୍ୟନ୍ତ ଥିବାବେଳେ ମାନବ କାର୍ଯ୍ୟଦକ୍ଷତା 0.803 ଅଟେ । ଆମେ ଗଭୀର ନେଟୱାର୍କରେ ନର୍ମାଲାଇଜଡ୍ କଟ୍ କୌଶଳକୁ ଏକତ୍ରିତ କରି, ଗଭୀର ଶିକ୍ଷଣକୁ ଗୋଷ୍ଠୀକରଣ ସହିତ ମିଶାଇ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ୦.୮୧୩କୁ ଉନ୍ନତ କରିଛୁ । ଆମେ ମଧ୍ୟ ଆମର ସୀମା ଡିଟେକ୍ଟର ର କ୍ଷମତାକୁ ବସ୍ତୁ ପ୍ରସ୍ତାବ ସୃଷ୍ଟିର ଉଚ୍ଚ ସ୍ତରୀୟ କାର୍ଯ୍ୟ ଏବଂ ଅର୍ଥାତ୍ମକ ବିଭାଜନ ସହିତ ସଂଯୋଗ କରି ଯାଞ୍ଚ କରୁଛୁ । ଉଭୟ କାର୍ଯ୍ୟ ପାଇଁ ଆମର ଡିଟେକ୍ଟର ଅତ୍ୟାଧୁନିକ ସିଷ୍ଟମ ତୁଳନାରେ ସ୍ପଷ୍ଟ ଉନ୍ନତି ପ୍ରଦାନ କରେ । |
7970532dc583554818922954ba518577e22a3cae | |
4869e04d79917d9b0b561a6d32103214d5ab2cfd | ଆଧୁନିକ କ୍ରିପ୍ଟୋକରେନ୍ସି ପାଇଁ ପ୍ରଭାବୀ କ୍ରିପ୍ଟୋକରେନ୍ସି ଚାବି ପରିଚାଳନା ଏକ ଜରୁରୀ ଆବଶ୍ୟକତା ହୋଇପଡ଼ିଛି । ଯଦିଓ କ୍ରିପ୍ଟୋକରେନ୍ସି ୱାଲେଟ୍ ପରିଚାଳନା ଯୋଜନାଗୁଡ଼ିକର ଏକ ବଡ଼ ଶରୀର ପ୍ରସ୍ତାବିତ ହୋଇଛି, ସେମାନେ ଅଧିକାଂଶ ନିର୍ଦ୍ଦିଷ୍ଟ ପ୍ରୟୋଗ ପରିସ୍ଥିତି ପାଇଁ ନିର୍ମିତ ଏବଂ ପ୍ରାୟତଃ ଦୁର୍ବଳ ସୁରକ୍ଷା ଦ୍ୱାରା ପୀଡିତ । ଏହି କାଗଜରେ, ଆମେ ଏକ ଅଧିକ ପ୍ରଭାବଶାଳୀ, ବ୍ୟବହାରଯୋଗ୍ୟ ଏବଂ ସୁରକ୍ଷିତ କ୍ରିପ୍ଟୋକରେନ୍ସି ୱାଲେଟ୍-ପ୍ରବନ୍ଧନ ବ୍ୟବସ୍ଥା ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଅର୍ଦ୍ଧ-ବିଶ୍ୱସ୍ତ ସାମାଜିକ ନେଟୱାର୍କ ଉପରେ ଆଧାରିତ, ଯାହାଦ୍ୱାରା ଉପଭୋକ୍ତାମାନେ ସଂପୃକ୍ତ ପକ୍ଷଙ୍କ ସହ ସହଯୋଗ କରି କେତେକ ଶକ୍ତିଶାଳୀ କାର୍ଯ୍ୟ ଏବଂ କିଛି ପରିସ୍ଥିତିରେ ପୁନରୁଦ୍ଧାର ହାସଲ କରିପାରିବେ । ଏହାବ୍ୟତୀତ, ଆମେ ଏକ ପରିଚୟ-ଆଧାରିତ, ଶ୍ରେଣୀଗତ ଚାବି-ବିଚ୍ଛିନ୍ନ ଏନକ୍ରିପସନ୍ ଯୋଜନାକୁ ସମୟ-ଭାଗୀକରଣ ପ୍ରାଧିକରଣ ହାସଲ କରିବା ପାଇଁ ବ୍ୟବହାର କରୁଛୁ ଏବଂ ଏକ ଅର୍ଦ୍ଧ-ବିଶ୍ୱସ୍ତ ପୋର୍ଟେବଲ୍ ସୋସିଆଲ୍ ନେଟୱାର୍କ-ଆଧାରିତ ୱାଲେଟ୍ ପରିଚାଳନା ଯୋଜନା ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ସୁରକ୍ଷା-ଉନ୍ନତ ଷ୍ଟୋରେଜ୍, ବିଭିନ୍ନ ଡିଭାଇସରେ ପୋର୍ଟେବଲ୍ ଲଗଇନ୍, ପାସୱାର୍ଡ-ବିହୀନ ପ୍ରାମାଣିକରଣ, ନମନୀୟ ଚାବି ପ୍ରତିନିଧିତ୍ୱ, ଇତ୍ୟାଦିର ବୈଶିଷ୍ଟ୍ୟ ପ୍ରଦାନ କରେ । ପ୍ରଦର୍ଶନ ବିଶ୍ଳେଷଣରୁ ଜଣାପଡ଼ୁଛି ଯେ ଆମର ପ୍ରସ୍ତାବିତ ଯୋଜନାଗୁଡ଼ିକରେ ଅତିରିକ୍ତ ଅତିରିକ୍ତ ଖର୍ଚ୍ଚର ଆବଶ୍ୟକତା ରହିଛି ଏବଂ ଏଥିରେ କମ୍ ସମୟ ବିଳମ୍ବ ରହିଛି, ଯାହା ବାସ୍ତବ ଦୁନିଆରେ ନିୟୋଜନ ପାଇଁ ପର୍ଯ୍ୟାପ୍ତ ଭାବରେ ପ୍ରଭାବଶାଳୀ ଅଟେ । |
82eb267b8e86be0b444e841b4b4ed4814b6f1942 | ଗୋଟିଏ ଛବିରୁ 3D ବସ୍ତୁ ସଂରଚନାକୁ ବୁଝିବା କମ୍ପ୍ୟୁଟର ଭିଜନରେ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କିନ୍ତୁ କଷ୍ଟକର କାର୍ଯ୍ୟ, ମୁଖ୍ୟତଃ ପ୍ରକୃତ ଛବିରେ 3D ବସ୍ତୁ ଟିପ୍ପଣୀ ଅଭାବ ହେତୁ । ପୂର୍ବ କାର୍ଯ୍ୟ ଏହି ସମସ୍ୟାକୁ ସମାଧାନ କରିଥାଏ, ଯଥା, 2D କି ପଏଣ୍ଟ ସ୍ଥିତିକୁ ନେଇ ଏକ ଅପ୍ଟିମାଇଜେସନ୍ ଟାସ୍କ ସମାଧାନ କରିବା କିମ୍ବା ତୃଣମୂଳ ସତ୍ୟ 3D ସୂଚନା ସହିତ ସିନ୍ଥେଟିକ୍ ଡାଟା ଉପରେ ତାଲିମ ଦେବା । ଏହି କାର୍ଯ୍ୟରେ, ଆମେ 3D ଇଣ୍ଟରପ୍ରେଟର ନେଟୱାର୍କ (3D-INN) ର ପ୍ରସ୍ତାବ ଦେଉଛୁ, ଯାହା ଏକ ଏଣ୍ଡ-ଟୁ-ଏଣ୍ଡ ଫ୍ରେମୱାର୍କ ଯାହା କ୍ରମିକ ଭାବରେ 2D କୀପଏଣ୍ଟ ହିଟମ୍ୟାପ୍ ଏବଂ 3D ଅବଜେକ୍ଟ ସଂରଚନାକୁ ଆକଳନ କରେ, ଯାହା ଉଭୟ ବାସ୍ତବ 2D-ଆନୋଟେଡ୍ ପ୍ରତିଛବି ଏବଂ ସିନ୍ଥେଟିକ୍ 3D ତଥ୍ୟ ଉପରେ ତାଲିମପ୍ରାପ୍ତ । ଏହା ମୁଖ୍ୟତଃ ଦୁଇଟି ବୈଷୟିକ ନବସୃଜନ ଦ୍ୱାରା ସମ୍ଭବ ହୋଇପାରିଛି । ପ୍ରଥମେ, ଆମେ ଏକ ପ୍ରୋଜେକ୍ସନ ଲେୟାର ପ୍ରସ୍ତାବ ଦେଉଛୁ, ଯାହା ଅନୁମାନିତ 3D ସଂରଚନାକୁ 2D ସ୍ପେସକୁ ପ୍ରୋଜେକ୍ଟ କରେ, ଯାହା ଦ୍ବାରା 3D-INN କୁ ପ୍ରକୃତ ପ୍ରତିଛବି ଉପରେ 2D ଟିପ୍ପଣୀ ଦ୍ୱାରା ତଦାରଖ କରାଯାଇଥିବା 3D ସଂରଚନା ପାରାମିଟରର ପୂର୍ବାନୁମାନ କରିବାକୁ ତାଲିମ ଦିଆଯାଇପାରିବ । ଦ୍ୱିତୀୟତଃ, ମୁଖ୍ୟ ବିନ୍ଦୁଗୁଡ଼ିକର ହିଟମ୍ୟାପ୍ ବାସ୍ତବ ଓ କୃତ୍ରିମ ତଥ୍ୟକୁ ଯୋଡ଼ୁଥିବା ଏକ ମଧ୍ୟବର୍ତ୍ତୀ ପ୍ରତିନିଧିତ୍ୱ ଭାବରେ କାର୍ଯ୍ୟ କରିଥାଏ, ଯାହାଦ୍ୱାରା 3D-INN ଅସମ୍ପୂର୍ଣ୍ଣ ରେଣ୍ଡରିଂ କାରଣରୁ ବାସ୍ତବ ଓ କୃତ୍ରିମ ପ୍ରତିଛବିଗୁଡ଼ିକର ପରିସଂଖ୍ୟାନ ମଧ୍ୟରେ ପାର୍ଥକ୍ୟକୁ ନ ଦେଖି, କୃତ୍ରିମ 3D ବସ୍ତୁଗୁଡ଼ିକର ବିବିଧତା ଓ ପ୍ରଚୁରତାରୁ ଲାଭ ଉଠାଇପାରେ । ଏହି ନେଟୱାର୍କ ଉଭୟ 2D କୀପଏଣ୍ଟ ଆକଳନ ଏବଂ 3D ସଂରଚନା ପୁନରୁଦ୍ଧାରରେ ଅତ୍ୟାଧୁନିକ କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରିଛି । ଆମେ ଏହା ମଧ୍ୟ ଦେଖାଇବୁ ଯେ ପୁନରୁଦ୍ଧାର ହୋଇଥିବା 3D ସୂଚନାକୁ ଅନ୍ୟ ଭିଜନ୍ ପ୍ରୟୋଗରେ ବ୍ୟବହାର କରାଯାଇପାରିବ, ଯେପରିକି 3D ରେଣ୍ଡରିଂ ଏବଂ ଇମେଜ୍ ରିଟ୍ରିଭ୍ କରିବା । |
04f818827a2ad16bf6d8585f45fba703c509c57b | ଆମେ ଦ୍ବିତୀୟ-ଶ୍ରେଣୀ ସାଧାରଣ ବିବରଣୀ ସମୀକରଣ (ODE) ବାହାର କରିଥାଉ, ଯାହାକି ନେଷ୍ଟରୋଭ୍ ର ତ୍ୱରିତ ଗ୍ରାଡିଏଣ୍ଟ ପଦ୍ଧତିର ସୀମା ଅଟେ । ଏହି ODE ନେଷ୍ଟରୋଭଙ୍କ ଯୋଜନା ସହିତ ପ୍ରାୟ ସମାନତା ପ୍ରଦର୍ଶନ କରେ ଏବଂ ତେଣୁ ବିଶ୍ଳେଷଣ ପାଇଁ ଏକ ଉପକରଣ ଭାବରେ କାର୍ଯ୍ୟ କରିପାରିବ । ଆମେ ଦେଖାଇଛୁ ଯେ ନିରନ୍ତର ସମୟ ODE ନେଷ୍ଟରୋଭ୍ ର ଯୋଜନାକୁ ଭଲ ଭାବରେ ବୁଝିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ଏହାର ପରିଣାମ ସ୍ୱରୂପ ଆମେ ସମାନ ପ୍ରକାର ଏକତ୍ରୀକରଣ ହାର ସହିତ ଯୋଜନାଗୁଡ଼ିକର ଏକ ପରିବାର ପ୍ରାପ୍ତ କରିଥାଉ । ODE ବ୍ୟାଖ୍ୟା ମଧ୍ୟ ଏକ ଆଲଗୋରିଦମକୁ ନେଇ ନେଷ୍ଟରୋଭ୍ ର ଯୋଜନାକୁ ପୁନଃ ଆରମ୍ଭ କରିବାକୁ ପରାମର୍ଶ ଦେଇଥାଏ, ଯାହା ଲକ୍ଷ୍ୟ ଦୃଢ଼ ଭାବରେ ବକ୍ର ହେଲେ ଏକ ରେଖୀ ହାରରେ ଏକତ୍ରିତ ହୁଏ ବୋଲି କଠୋର ଭାବରେ ପ୍ରମାଣିତ ହୋଇପାରେ । |
90140914a3a8d68bfe68f50821661f6af7bba5be | ସାଇବର ସୁରକ୍ଷା କ୍ଷେତ୍ରରେ ଏକ ପ୍ରଭାବୀ ପ୍ରତିରକ୍ଷା-ଗଭୀରତା ଏକ ସିଷ୍ଟମ ସାରା ପ୍ରତିରକ୍ଷା ର ଏକାଧିକ ସ୍ତର ପ୍ରୟୋଗ କରେ । ସାଇବର ଆକ୍ରମଣରୁ ସିଷ୍ଟମକୁ ରକ୍ଷା କରିବା ପାଇଁ ଲକ୍ଷ୍ୟ ରଖିଛି । ତେଣୁ, ସାଇବର ଆକ୍ରମଣ ଯାହା ପ୍ରତିରକ୍ଷା ସ୍ତରର ଏକ ସ୍ତରକୁ ପ୍ରବେଶ କରିବାରେ ସକ୍ଷମ ହୋଇଥାଏ, ଅନ୍ୟ ସ୍ତରରେ ଅସଫଳ ହୋଇପାରେ । ସାଇବର ପ୍ରତିରକ୍ଷା ର ସାଧାରଣ ସ୍ତର ଗୁଡିକ ହେଲା: ଆକ୍ରମଣ ଏଡାଇବା, ପ୍ରତିରୋଧ, ଚିହ୍ନଟ, ବଞ୍ଚିବା ଏବଂ ପୁନରୁଦ୍ଧାର । ଏଥିରୁ ଜଣାପଡ଼ୁଛି ଯେ ସୁରକ୍ଷା ସଚେତନ ସଂଗଠନଗୁଡ଼ିକରେ ସାଇବର ସୁରକ୍ଷା ନିବେଶ ପୋର୍ଟଫୋଲିଓକୁ ପ୍ରତିରକ୍ଷା ସ୍ତରରେ ବିଭକ୍ତ କରାଯାଇଛି । ଉଦାହରଣ ସ୍ୱରୂପ, ଦୁଇ-ଆଡକୁ ବିଭାଜନ ହେଉଛି ଚଞ୍ଚଳତା ଏବଂ ପୁନରୁଦ୍ଧାର । ସାଇବର ଆଜିଲ୍ଟି ଏପରି ଆକ୍ରମଣ ଏଡ଼ାଇବା କୌଶଳ ଅନୁସରଣ କରେ ଯାହା ସାଇବର ଆକ୍ରମଣକୁ ଅକ୍ଷମ ବୋଲି ଦର୍ଶାଇଥାଏ, ଯେତେବେଳେ କି ସାଇବର ପୁନରୁଦ୍ଧାର ସଫଳ ଆକ୍ରମଣ ମାଧ୍ୟମରେ ଲଢ଼ିବାକୁ ଚେଷ୍ଟା କରେ । ଆମେ ଦେଖାଇଛୁ ଯେ ଯେତେବେଳେ ଏକ ସିଷ୍ଟମର ଚଞ୍ଚଳତା ଉପରେ ପ୍ରାଥମିକ ଧ୍ୟାନ ଦିଆଯାଏ, ପୁନରୁଦ୍ଧାର କାର୍ଯ୍ୟକାରିତା ସମୟରେ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ବିନ୍ଦୁ ହେବା ଉଚିତ କାରଣ ଆକ୍ରମଣର ବାରମ୍ବାରତା ସିଷ୍ଟମକୁ ଦୁର୍ବଳ କରିବ ଏବଂ ଶୀଘ୍ର ଏବଂ ଶୀଘ୍ର ପୁନରୁଦ୍ଧାର ଆବଶ୍ୟକ। କିନ୍ତୁ ସୀମିତ ସାଇବର ସୁରକ୍ଷା ସମ୍ବଳକୁ ବିଭିନ୍ନ ସ୍ତରରେ ଆବଣ୍ଟନ କରିବା ଲାଗି ଏପର୍ଯ୍ୟନ୍ତ କୌଣସି ସର୍ବୋତ୍ତମ ବ୍ୟବସ୍ଥା ନାହିଁ । ଆମେ ଦୁଇଟି ଶେଷ ସ୍ତର- ଚଞ୍ଚଳତା ଏବଂ ପୁନରୁଦ୍ଧାର ମଧ୍ୟରେ ସମ୍ବଳ ଆବଣ୍ଟନ ପାଇଁ ମର୍କୋଭ୍ ନିଷ୍ପତ୍ତି ପ୍ରକ୍ରିୟା (ଏମଡିପି) ର ଢାଞ୍ଚାକୁ ବ୍ୟବହାର କରି ଏକ ଆଭିମୁଖ୍ୟ ପ୍ରସ୍ତାବ କରୁଛୁ । |
4fc2cc541fc8e85d5bfef6c6f8be97765462494b | ଏହି ଅଧ୍ୟୟନ ବୈଷୟିକ ଜ୍ଞାନର ଗ୍ରହଣ ଏବଂ ବ୍ୟବହାରର ଏକୀକୃତ ସିଦ୍ଧାନ୍ତ (ୟୁଟିଏୟୁଟି) କୁ ବୈଷୟିକ ଚିକିତ୍ସା ରେକର୍ଡ (ଇଏମଆର) ପ୍ରଯୁକ୍ତିର ଡାକ୍ତରଙ୍କ ଗ୍ରହଣର ଘଟଣା ଉପରେ ପ୍ରୟୋଗ କରୁଛି । UTAUT ଆଠଟି ସିଦ୍ଧାନ୍ତକୁ ଏକ ବ୍ୟାପକ ମଡେଲରେ ଏକୀକୃତ କରିଛି ଯାହା ବୁଝିବାରେ ସାହାଯ୍ୟ କରିବା ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଛି ଯାହା ଟେକ୍ନୋଲୋଜି ଗ୍ରହଣ ଏବଂ ବ୍ୟବହାରକୁ ଅନୁମତି ଦେଇଥାଏ କିମ୍ବା ପ୍ରତିବନ୍ଧକ ସୃଷ୍ଟି କରିଥାଏ । ଏହିପରି ଭାବରେ, ଏହା ଏକ ଉପଯୋଗୀ ଲେନ୍ସ ପ୍ରଦାନ କରେ ଯାହା ମାଧ୍ୟମରେ ଇଏମଆର ଗ୍ରହଣକୁ ନେଇ ସ୍ୱାସ୍ଥ୍ୟସେବା ଉଦ୍ୟୋଗରେ ବର୍ତ୍ତମାନ କ ଣ ଘଟୁଛି ତାହା ଦେଖିବା ପାଇଁ । ଏହା ଉଭୟ ସ୍ୱାସ୍ଥ୍ୟସେବା ଏବଂ ଏମଆଇଏସ ସମ୍ପ୍ରଦାୟ ପାଇଁ ଲାଭଦାୟକ ଅଟେ, ଯେହେତୁ ୟୁଟଟଟ ସ୍ୱାସ୍ଥ୍ୟସେବା ଶିଳ୍ପକୁ ମୂଲ୍ୟବାନ ବ୍ୟବହାରିକ ଅନ୍ତର୍ଦୃଷ୍ଟି ପ୍ରଦାନ କରିଥାଏ ଯାହା ବୁଝାଇଥାଏ ଯେ କାହିଁକି ଇଏମଆର ଟେକ୍ନୋଲୋଜି ଅଧିକ ବ୍ୟାପକ ଭାବରେ ଗ୍ରହଣ କରାଯାଇ ନାହିଁ ଏବଂ ଭବିଷ୍ୟତରେ ଗ୍ରହଣକୁ ସହଜ କରିବା ପାଇଁ କେଉଁ ପ୍ରେସକ୍ରିପସନ୍ ପ୍ରଦାନ କରାଯାଇପାରିବ, ଏହା ସହିତ ଏମଆଇଏସ ସମ୍ପ୍ରଦାୟକୁ ଏହାର ପ୍ରୟୋଗର ଚିତ୍ର ମାଧ୍ୟମରେ ବିଦ୍ୟମାନ ସିଦ୍ଧାନ୍ତକୁ ଦୃଢ କରିବାର ସୁଯୋଗ ପ୍ରଦାନ କରିଥାଏ । |
09dc808c3249bbacb28a1e7b9c234cb58ad7dab4 | ଏହି ଅଧ୍ୟୟନରେ ସିଲିକନ ଆଧାରିତ ଅଟୋମୋବାଇଲ ରାଡାରର ବିକାଶ 76-81 GHz ରେଞ୍ଜ ପାଇଁ ବର୍ଣ୍ଣନା କରାଯାଇଛି । ୨୦୦୯ରେ ସିଜିର ବ୍ରେଡଡାଇ ଚିପ୍ସରୁ ଆରମ୍ଭ କରି ଆଜି କମ୍ ଖର୍ଚ୍ଚରେ ରାଡାର ପ୍ରୟୋଗ ପାଇଁ ପ୍ୟାକେଜଡ୍ ଏମଏମଆଇସି ଉପଲବ୍ଧ । ଭବିଷ୍ୟତରେ ସିଜି ବିଆଇସିଏମଓଏସ ପ୍ରଯୁକ୍ତି ଦ୍ୱାରା ଉଚ୍ଚ ସମନ୍ୱିତ ସିଙ୍ଗଲ ଚିପ ରାଡାରକୁ କମ ଶକ୍ତି ଖର୍ଚ୍ଚରେ ଉନ୍ନତ କାର୍ଯ୍ୟଦକ୍ଷତା ସହିତ କାର୍ଯ୍ୟକ୍ଷମ କରାଯାଇପାରିବ । ଏହାଦ୍ୱାରା ସମସ୍ତଙ୍କ ପାଇଁ ଅଟୋମୋବାଇଲ ରାଡାର ନିରାପତ୍ତା ପାଇଁ ମାର୍ଗ ପ୍ରଶସ୍ତ ହେବ ଏବଂ ସ୍ୱୟଂଚାଳିତ ଚାଳନା ଦିଗରେ ଏହା ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପଦକ୍ଷେପ ହେବ । |
1bb6b92e874bf7cab8748a9acbb71a8dcda9ec65 | ଏହି ଲେଖାରେ ମିଲିମିଟର ତରଙ୍ଗର ଫ୍ରିକ୍ୱେନ୍ସିରେ ବହୁ-କାର୍ୟ୍ୟକଳାପୀ ସ୍କେଲେବଲ୍ ଫେସ୍ଡ ଆରେର ଡିଜାଇନ୍ ସହିତ ଜଡିତ ଲାଭ ଏବଂ ଆହ୍ୱାନ ବିଷୟରେ ଆଲୋଚନା କରାଯାଇଛି । ପ୍ରଥମେ ଦଶରୁ ଶହ ଶହ ଉପାଦାନ ବିଶିଷ୍ଟ ପର୍ଯ୍ୟାୟଯୁକ୍ତ ଧାରା ପାଇଁ ପ୍ରୟୋଗ ବିଷୟରେ ଆଲୋଚନା କରାଯାଇଛି । ମାଇକ୍ରୋୱେଭରୁ ଟେରାହେର୍ଜ ଫ୍ରିକ୍ୱେନ୍ସି ପର୍ଯ୍ୟନ୍ତ ସିଲିକନ ଆଧାରିତ ଫେଜଡ ଆରେକୁ ସ୍କେଲ କରିବା ପାଇଁ ବର୍ତ୍ତମାନର ସମାଧାନର ସମୀକ୍ଷା କରାଯାଇଛି । ୱାଇ-ବ୍ୟାଣ୍ଡ ଫାସ୍ଡ ଆରେ ପାଇଁ ଏକାଧିକ ଏକୀକରଣ ବିକଳ୍ପ ସହିତ ଜଡିତ ଆହ୍ୱାନ ଏବଂ ବାଣିଜ୍ୟର ବିଶ୍ଳେଷଣ କରାଯାଇଛି, ପ୍ୟାକେଜିଂ ଏବଂ ଆଣ୍ଟେନା କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ବିଶେଷ ଧ୍ୟାନ ଦିଆଯାଇଥାଏ । ଶେଷରେ, ଏକ 64-ଏଲେମେଣ୍ଟ୍ ଡୁଆଲ୍-ପୋଲାରାଇଜ୍ଡ 94 GHz ଫେଜ୍ ଆରେ ପାଇଁ SiGe IC ଏବଂ ଅର୍ଗାନିକ୍ ପ୍ୟାକେଜ୍ ଉପରେ ଆଧାରିତ ଏକ ସମାଧାନର ବର୍ଣ୍ଣନା କରାଯାଇଛି, ଏହା ସହିତ ସମ୍ବନ୍ଧିତ ମାପ ଫଳାଫଳ ମଧ୍ୟ ବର୍ଣ୍ଣନା କରାଯାଇଛି । |
42cf4dd14f07cf34d5cad14fea5c691f31ab19ef | ଏହି କାଗଜରେ ଏକ ୭୭-ଗିଗାହର୍ଜ ରାଡାର ରିସିଭର ଉପସ୍ଥାପିତ କରାଯାଇଛି, ଯାହା ୱାଫର ସ୍ତରୀୟ ପ୍ୟାକେଜରେ ଆସିଥାଏ ଏବଂ ଏହିପରି ଭାବରେ ତାର ସଂଯୋଗର ଆବଶ୍ୟକତାକୁ ଦୂର କରିଥାଏ ଯାହା ଯଥେଷ୍ଟ ମୂଲ୍ୟ ହ୍ରାସ କରିଥାଏ । ଏହି କାଗଜରେ ବ୍ୟବହୃତ ଉତ୍ପାଦକ ସିଲିକନ-ଜର୍ମାନିୟମ (SiGe) ପ୍ରଯୁକ୍ତିରେ ଉପଲବ୍ଧ ଉଚ୍ଚ ସମନ୍ୱୟ ସ୍ତର ରିସିଭର ରୂପାନ୍ତରଣ ପାରାମିଟରର ଇନ-ସିଷ୍ଟମ ମନିଟରିଂ କାର୍ଯ୍ୟକାରୀ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ଏହାଦ୍ୱାରା ଅଟୋମୋଟିଭ୍ ନିରାପତ୍ତା ପ୍ରୟୋଗ ପାଇଁ ଆଇଏସଓ ୨୬୨୬୨ ଅନୁରୂପ ରାଡାର ସେନସର ନିର୍ମାଣ ସହଜ ହୋଇପାରିବ । |
4a97f8d83c5cc523110beb11913ea5fb2a4271fe | ୱାଇ-ବ୍ୟାଣ୍ଡ ସ୍କେଲେବଲ ଫେଜଡ-ଆରେ ସିଷ୍ଟମ ପାଇଁ ଏକ ସମ୍ପୂର୍ଣ୍ଣ ସମନ୍ୱିତ ଆଣ୍ଟେନା-ଇନ-ପ୍ୟାକେଜ (ଏଆଇପି) ସମାଧାନ ପ୍ରଦର୍ଶିତ ହୋଇଛି । ଆମେ ଏକ ସମ୍ପୂର୍ଣ୍ଣ କାର୍ଯ୍ୟକ୍ଷମ କମ୍ପାକ୍ଟ ଡବ୍ଲୁ-ବ୍ୟାଣ୍ଡ ଟ୍ରାନ୍ସସିଭର ପ୍ୟାକେଜ ଉପସ୍ଥାପନ କରୁଛୁ ଯେଉଁଥିରେ 64ଟି ଦ୍ୱୈତ-ଧ୍ରୁବୀୟ ଆଣ୍ଟିନା ରହିଛି ଯାହାକି ଏକ ବହୁସ୍ତରୀୟ ଜୈବିକ ସବଷ୍ଟ୍ରେଟରେ ଅନ୍ତର୍ଭୁକ୍ତ । ଏହି ପ୍ୟାକେଟରେ ୧୨ଟି ଧାତୁ ସ୍ତର ରହିଛି, ଯାହାର ଆକାର ୧୬.୨ ମିମି × ୧୬.୨ ମିମି ଏବଂ ଏଥିରେ ୨୯୨ଟି ବଲ୍-ଗ୍ରିଡ୍-ଆରେ (ବିଜିଏ) ପିନ୍ ରହିଛି, ଯାହାର ପିଚ୍ ୦.୪ ମିମି ରହିଛି। ଚାରିଟି ସିଲିକନ-ଜର୍ମାନିୟମ (SiGe) ଟ୍ରାନ୍ସସିଭର ଆଇସି ପ୍ୟାକେଟରେ ଫ୍ଲିପ ଚିପ ଭାବେ ସଂଲଗ୍ନ ହୋଇଛି । ପ୍ୟାକେଜ ପରିବେଶରେ ଆଣ୍ଟେନା କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ସର୍ବୋତ୍ତମ କରିବା ପାଇଁ ବ୍ୟାପକ ପୂର୍ଣ୍ଣ ତରଙ୍ଗ ଇଲେକ୍ଟ୍ରୋମ୍ୟାଗ୍ନେଟିକ ସିମୁଲେସନ ଏବଂ ବିକିରଣ ପ୍ୟାଟର୍ନ ମାପ କରାଯାଇଥାଏ, ଯେଉଁଥିରେ ଉତ୍କୃଷ୍ଟ ମଡେଲ-ହାର୍ଡୱେର୍ ସମ୍ବନ୍ଧ ହାସଲ କରାଯାଇଥାଏ । ସର୍କିଟ-ପ୍ୟାକେଜ ସହ-ଡିଜାଇନ ଦ୍ୱାରା ସମର୍ଥିତ, ଆଡ୍ଡା ଆଣ୍ଟେନା ଉପାଦାନଗୁଡ଼ିକ ମଧ୍ୟରେ ଏକ ଅର୍ଦ୍ଧ-ବେଲ୍ଟେଙ୍ଗ୍ ଦୂରତା, ଅର୍ଥାତ୍, 94 GHz ରେ 1.6 ମିମି ବଜାୟ ରଖାଯାଏ ଯାହା ଉଭୟ ପ୍ୟାକେଜ୍ ଏବଂ ବୋର୍ଡ ସ୍ତରରେ ଆରେ ସ୍କାଲେବିଲିଟିକୁ ସମର୍ଥନ କରେ। ପ୍ରଭାବୀ ଆଇସୋଟ୍ରପିକ ବିକିରଣ ଶକ୍ତି (ଇଆଇଆରପି) ଏବଂ ବିକିରଣ ପଦ୍ଧତିକୁ ମଧ୍ୟ ମାପ କରାଯାଇଥାଏ ଯାହା ୬୪ ଉପାଦାନ ବିଶିଷ୍ଟ ଶକ୍ତି ମିଶ୍ରଣକୁ ଦର୍ଶାଇଥାଏ । |
76d7ddd030ef5ab4403a53caf2b46de89af71544 | ୬୦-ଜିଏଚ୍ଜେଡ୍ ବ୍ୟାଣ୍ଡରେ ଏକ ସ୍ୱଳ୍ପ ମୂଲ୍ୟର ଉଚ୍ଚ ଲାଭ ଏବଂ ବ୍ରଡବ୍ୟାଣ୍ଡ ସବଷ୍ଟ୍ରେଟ୍ ସମନ୍ୱିତ ୱେଭ୍ ଗାଇଡ୍ (ଏସଆଇଡବ୍ଲୁ) -ଫେଡ୍ ପ୍ୟାଚ୍ ଆଣ୍ଟିନା ଆରେ ପ୍ରଦର୍ଶିତ ହୋଇଛି । ଏକ ଏକ-ସ୍ତରୀୟ ଏସଆଇଡବ୍ଲୁ ଫିଡିଂ ନେଟୱାର୍କ ସହିତ ବ୍ରଡବ୍ୟାଣ୍ଡ ଟି-ଜଙ୍କସନ ଏବଂ ବ୍ରଡବ୍ୟାଣ୍ଡ ହାଇ-ଗେନ କେଭିଟି-ବ୍ୟାକ ପ୍ୟାଚ୍ ଆଣ୍ଟେନା ଏକ ସମୟରେ ଉଚ୍ଚ ଲାଭ ଏବଂ ବ୍ରଡବ୍ୟାଣ୍ଡ କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରିବାକୁ ନିୟୋଜିତ ହୋଇଥାଏ । ପ୍ରସ୍ତାବିତ ଆଣ୍ଟିନା ମଣ୍ଡଳର ବହୁସ୍ତରୀୟ ଢାଞ୍ଚା ଥିଲେ ମଧ୍ୟ ଏହାକୁ ପାରମ୍ପରିକ ଶସ୍ତା ସିଙ୍ଗଲ-ଲେୟର୍ଡ ପ୍ରିଣ୍ଟେଡ ସର୍କିଟ ବୋର୍ଡ (ପିସିବି) ପ୍ରଯୁକ୍ତି ଦ୍ୱାରା ନିର୍ମାଣ କରାଯାଇପାରିବ ଏବଂ ତାପରେ ସମସ୍ତ ସିଙ୍ଗଲ-ଲେୟାର୍ଗୁଡ଼ିକୁ ଏକାଠି ଷ୍ଟାକ୍ କରି ଫିକ୍ସ କରି ଏହାକୁ ବାସ୍ତବ ରୂପ ଦିଆଯାଇପାରିବ । 4 × 4 ଆଣ୍ଟିନା ମଞ୍ଚର ଅନୁକରଣ ଏବଂ ମାପିତ ଇମ୍ପେଡେନ୍ସ ବ୍ୟାଣ୍ଡୱିଡଥ୍ 10 dB ପାଇଁ 27.5% ଏବଂ 22.6% ଅଟେ । ସିମୁଲେସନ ଓ ମାପ ମଧ୍ୟରେ ଥିବା ଅସଙ୍ଗତିକୁ ବିଶ୍ଳେଷଣ କରାଯାଇଛି । ଏହାଦ୍ୱାରା 19.6 dBi ପର୍ଯ୍ୟନ୍ତ ଲାଭ ମିଳିଥାଏ ଏବଂ ସିମଟ୍ରିକ ଏକ ଦିଗର ବିକିରଣର ପଦ୍ଧତି ମଧ୍ୟ ହାସଲ କରାଯାଇଥାଏ । ଏହାର କମ୍ ନିର୍ମାଣ ଖର୍ଚ୍ଚ ଏବଂ ଉତ୍ତମ କାର୍ଯ୍ୟଦକ୍ଷତା ଯୋଗୁ ପ୍ରସ୍ତାବିତ ଆଣ୍ଟିନା ମଣ୍ଡଳ ମିଲିମିଟର ତରଙ୍ଗ ବେତାର ସଂଚାର ପ୍ରଣାଳୀ ପାଇଁ ଏକ ଆଶାନୁରୂପକ ପ୍ରାର୍ଥୀ । |
ba2c1d97590651e152657eba5cb9e0a37d7d74d8 | ଏହି ଅଧ୍ୟୟନରେ ଆମେ ଏକ ବ୍ୟବସ୍ଥିତ ଆଭିମୁଖ୍ୟକୁ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ବ୍ରଡବ୍ୟାଣ୍ଡ 5:1 ବ୍ୟାଣ୍ଡୱିଡଥ୍ (0.8 ରୁ 4.0 GHz) ଆଣ୍ଟିନା ସବରେର ଡିଜାଇନ୍, ଅପ୍ଟିମାଇଜେସନ୍ ଏବଂ ଚରିତ୍ରକୁ ଦର୍ଶାଇଥାଏ । ଆରେ ଉପାଦାନ ହେଉଛି ଏକ ଅପ୍ଟିମାଇଜଡ-କନପର ଆଣ୍ଟିପୋଡାଲ ଭିଭାଲଡି ସ୍ଲଟ୍ ଯାହାର ବ୍ୟାଣ୍ଡୱିଡଥ୍ ହେଉଛି ୨.୫ଃ୧ । ଭିନ୍ନ ଭିନ୍ନ ଆକାରର ଏବଂ ୦.୪ ଗିଗାହର୍ଟଜ (ସର୍ବୋଚ୍ଚ ଫ୍ରିକ୍ୱେନ୍ସିର ୧୦ ପ୍ରତିଶତ) ଓଭରଲେପିଂ ବ୍ୟାଣ୍ଡୱିଡଥ୍ ଥିବା ଦୁଇଟି ଏଲିମେଣ୍ଟ ଏକ ନେଷ୍ଟେଡ୍ ଗ୍ରୀଡ୍ରେ ଏକ ମଲ୍ଟିଲେଭଲ୍ ଗ୍ରାଉଣ୍ଡ ପ୍ଲେନ୍ ଉପରେ ସଜାଯାଇଛି ଯାହା ଫିଡ୍ ଏବଂ ଇଲେକ୍ଟ୍ରୋନିକ୍ସକୁ ସୁରକ୍ଷା ଦେଇଥାଏ । ରିଟର୍ନ ଲସ, ରେଡିଏସନ ପ୍ୟାଟର୍ନ, କ୍ରସ-ପୋଲାରାଇଜେସନ ଏବଂ ମ୍ୟୁଚୁଆଲ କପଲିଂକୁ ୦.୫-୫.୦ ଗିଗାହର୍ଟଗେଜରୁ ମାପ କରାଯାଏ । ଏହି ଆରେରେ ନିମ୍ନ ଓ ଉଚ୍ଚ ଫ୍ରିକ୍ୱେନ୍ସି ବ୍ୟାଣ୍ଡରେ ଯଥାକ୍ରମେ 50 ଏବଂ 45 3-ଡିବି ବିମ୍ୱାଇଡର ଇ ପ୍ଲେନ୍ ପ୍ୟାଟର୍ନ ପ୍ରଦର୍ଶିତ ହୋଇଛି । ତିନୋଟି ଯାକ ଦିଗ ପାଇଁ ଆଣ୍ଟିନା ଗୁଡିକର ଭିନ୍ନ ଭିନ୍ନ ସ୍ଥାନ ପାଇଁ ଏଲିମେଣ୍ଟ ଗୁଡିକ ମଧ୍ୟରେ କପଲିଂର ବିଶେଷତ୍ୱ ରହିଛି । |
6b880d58b826074c49d0a38d0f9fb481e93c0acc | |
6a307cf51517f6c97d855639129afd002634ab92 | ଏହି ଲେଖାରେ ଆମେ ଉପଗ୍ରହ ଆବିଷ୍କାର ପାଇଁ ନୂଆ ଏସଡି-ମ୍ୟାପ୍ ଆଲଗୋରିଦମ ଉପସ୍ଥାପନ କରୁଛୁ । ଏସଡି-ମ୍ୟାପ୍ ଏକ ଡାଟା ସେଟରେ ଅନ୍ତର୍ଭୁକ୍ତ ସମସ୍ତ ଆକର୍ଷଣୀୟ ଉପଗୋଷ୍ଠୀ ମଡେଲକୁ ଚିହ୍ନଟ କରିବା ପାଇଁ ଗ୍ୟାରେଣ୍ଟି ଦେଇଥାଏ, ଯାହା ହେଉରିଷ୍ଟିକ୍ କିମ୍ବା ନମୁନା ଆଧାରିତ ପଦ୍ଧତିଗୁଡିକର ବିପରୀତ ଅଟେ । SD-Map ଆଲଗୋରିଦମ ଖଣିଜ ସମ୍ବନ୍ଧୀୟ ନିୟମ ପାଇଁ ଜଣାଶୁଣା FP-ବୃଦ୍ଧି ପଦ୍ଧତିକୁ ଉପଗ୍ରହ ଆବିଷ୍କାର କାର୍ଯ୍ୟ ପାଇଁ ଅନୁକୂଳକରଣ ସହିତ ବ୍ୟବହାର କରେ । ଆମେ ଦେଖାଇବୁ ଯେ SD-Map କିପରି ନିଖୋଜ ମୂଲ୍ୟଗୁଡ଼ିକୁ ପରିଚାଳନା କରିପାରିବ ଏବଂ ସିନ୍ଥେଟିକ୍ ତଥ୍ୟ ବ୍ୟବହାର କରି ଆଲଗୋରିଦମର କାର୍ଯ୍ୟଦକ୍ଷତାର ଏକ ପରୀକ୍ଷାମୂଳକ ମୂଲ୍ୟାଙ୍କନ ପ୍ରଦାନ କରିବ । |
1ea6b2f67a3a7f044209aae0d0fd1cb14a1e9e06 | ପ୍ରାକୃତିକ ଚିତ୍ରର ବଣ୍ଟନକୁ ମଡେଲିଂ କରିବା ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ସମସ୍ୟା ଅଟେ । ଏହି କାର୍ଯ୍ୟ ପାଇଁ ଏକ ଛବି ମଡେଲର ଆବଶ୍ୟକତା ରହିଛି ଯାହା ଏକ ସମୟରେ ଅଭିବ୍ୟକ୍ତ, ବ୍ୟବହାରଯୋଗ୍ୟ ଏବଂ ମାପଯୋଗ୍ୟ । ଆମେ ଏକ ଗଭୀର ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା କ୍ରମିକ ଭାବରେ ଦୁଇଟି ଆଭ୍ୟନ୍ତରୀଣ ପରିମାପକ ସହିତ ଏକ ପ୍ରତିଛବିରେ ପିକ୍ସେଲଗୁଡିକର ପୂର୍ବାନୁମାନ କରିଥାଏ । ଆମର ପଦ୍ଧତି ମୂଳ ପିକ୍ସେଲ ମୂଲ୍ୟର ପୃଥକ ସମ୍ଭାବନାକୁ ମଡେଲ୍ କରେ ଏବଂ ପ୍ରତିଛବିରେ ନିର୍ଭରଶୀଳତାର ସମ୍ପୂର୍ଣ୍ଣ ସେଟ୍ କୁ ଏନକୋଡ୍ କରେ । ସ୍ଥାପତ୍ୟରେ ନୂତନତ୍ୱ ମଧ୍ୟରେ ଦ୍ରୁତ ଦୁଇ-ଆକାରର ପୁନଃପୌନିକ ସ୍ତର ଏବଂ ଗଭୀର ପୁନଃପୌନିକ ନେଟୱାର୍କରେ ଅବଶିଷ୍ଟ ସଂଯୋଗର ପ୍ରଭାବଶାଳୀ ବ୍ୟବହାର ଅନ୍ତର୍ଭୁକ୍ତ । ଆମେ ପ୍ରାକୃତିକ ଚିତ୍ରରେ ଲଗ-ପ୍ରତ୍ୟାଶିତତା ସ୍କୋର ହାସଲ କରିଛୁ ଯାହା ପୂର୍ବ ଷ୍ଟେଟ୍ ଅଫ୍ ଆର୍ଟ ଅପେକ୍ଷା ଯଥେଷ୍ଟ ଭଲ ଅଟେ । ଆମର ମୁଖ୍ୟ ଫଳାଫଳଗୁଡ଼ିକ ମଧ୍ୟ ବିଭିନ୍ନ ଇମେଜନେଟ ଡାଟାସେଟ ଉପରେ ଆଧାରିତ । ଏହି ମଡେଲରୁ ପ୍ରସ୍ତୁତ ହୋଇଥିବା ନମୁନା ସଫା, ବିବିଧ ଏବଂ ବିଶ୍ୱସ୍ତରରେ ଏକୀକୃତ ଦେଖାଯାଏ । |
9871aa511ca7e3c61c083c327063442bc2c411bf | |
ba753286b9e2f32c5d5a7df08571262e257d2e53 | ଜେନେରେଟିଭ୍ ଆଡଭର୍ସିଅଲ ନେଟ୍ସ [8] ନିକଟରେ ଜେନେରେଟିଭ୍ ମଡେଲକୁ ପ୍ରଶିକ୍ଷଣ ଦେବାର ଏକ ନୂଆ ଉପାୟ ଭାବରେ ଆରମ୍ଭ କରାଯାଇଥିଲା । ଏହି କାର୍ଯ୍ୟରେ ଆମେ ସର୍ତ୍ତମୂଳକ ସଂସ୍କରଣର ସୃଷ୍ଟିକାରୀ ବିରୋଧାଭାସୀ ନେଟୱାର୍କର ପରିଚୟ ଦେଉଛୁ, ଯାହା କେବଳ ତଥ୍ୟକୁ ଫିଡ୍ କରି ନିର୍ମାଣ କରାଯାଇପାରିବ, y, ଆମେ ଉଭୟ ଜେନେରେଟର ଏବଂ ଡିସ୍କ୍ରିମିନେଟରକୁ ସର୍ତ୍ତ କରିବାକୁ ଚାହୁଁଛୁ । ଆମେ ଦେଖାଇଛୁ ଯେ ଏହି ମଡେଲ କ୍ଲାସ ଲେବଲ ଉପରେ ନିର୍ଭର କରି MNIST ଅଙ୍କ ସୃଷ୍ଟି କରିପାରିବ । ଆମେ ମଧ୍ୟ ଏହି ମଡେଲକୁ କିପରି ଏକ ମଲ୍ଟିମୋଡାଲ ମଡେଲ ଶିଖିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ ତାହା ଦର୍ଶାଇବୁ ଏବଂ ଇମେଜ ଟ୍ୟାଗିଂ ପାଇଁ ପ୍ରୟୋଗର ପ୍ରାଥମିକ ଉଦାହରଣ ପ୍ରଦାନ କରିବୁ ଯେଉଁଥିରେ ଆମେ ଦର୍ଶାଇବୁ ଯେ ଏହି ପଦ୍ଧତି କିପରି ବର୍ଣ୍ଣନାତ୍ମକ ଟ୍ୟାଗ୍ ସୃଷ୍ଟି କରିପାରିବ ଯାହା ତାଲିମ ଲେବଲର ଅଂଶ ନୁହେଁ । |
2621c894885e3f42bca8bd2b11dab1637e697814 | ଉଦ୍ଦେଶ୍ୟଃ ଯୌନ ଓ ଯୌନ ସ୍ୱାସ୍ଥ୍ୟ ସମ୍ବନ୍ଧୀୟ ବିଭିନ୍ନ ଧାରଣା, ଅନୁଭୂତି ଓ ଆବଶ୍ୟକତାକୁ ଭଲ ଭାବେ ବୁଝିବା ପାଇଁ ଚାରିଟି ୟୁରୋପୀୟ ଦେଶର ପିଏମଡବ୍ଲୁ ମହିଳାମାନଙ୍କୁ ଏହି ଗବେଷଣା କରାଯାଇଥିଲା । ଇଟାଲୀ, ଜର୍ମାନୀ, ସ୍ପେନ ଏବଂ ଯୁକ୍ତରାଜ୍ୟରେ ଇଣ୍ଟରନେଟ ଆଧାରିତ ଏକ ସର୍ଭେ କରାଯାଇଥିଲା ଯେଉଁଥିରେ ୪୫ରୁ ୭୫ ବର୍ଷ ବୟସର ମୋଟ ୩୭୬୮ ଜଣ ପିଏମଡବ୍ଲୁଙ୍କୁ ସାମିଲ କରାଯାଇଥିଲା । ଫଳାଫଳ ବ୍ରିଟେନର ନମୁନା ବହୁ ପୁରୁଣା ଥିଲା, ଯେଉଁଥିରେ ଭାଗ ନେଇଥିବା ପ୍ରାୟ ଏକ ଚତୁର୍ଥାଂଶ ଲୋକ ୬୫ ବର୍ଷରୁ ଅଧିକ ବୟସର ଥିଲେ ଏବଂ ନିକଟରେ ଭୃଣ ଏବଂ ଯୌନ ଅସ୍ଥି କ୍ଷୟ ହୋଇଥିବା ମହିଳାମାନଙ୍କ ଅନୁପାତ ସର୍ବାଧିକ ଥିଲା (୫୨.୮%) । ଇଟାଲୀ ଓ ସ୍ପେନର ଅଧିକାଂଶ ଅଂଶଗ୍ରହଣକାରୀ ଭିଆଇ ଚିକିତ୍ସା ପାଉଥିବା ବେଳେ ବ୍ରିଟେନରେ ମାତ୍ର ୨୮% ମହିଳା ଭିଆଇପି ଔଷଧ ସେବନ କରୁଥିଲେ । [୧] [୨] [୩] [୪] [୫] [୬] [୭] [୮] [୮] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୯] [୧] [୧] [୧] [୧] [୧] [୧] [୧] [୧] [୧] [୧] [୧] [୧] [୧] [୧] [୧] [୧] [୧] [୧] [୧] [୧] [୧] [୧] [୧] [୧] [୧] [୧] [୧] [୧] [୧] [୧] [୧] [୧] [୧] [୧] [୧] [୧] ଅନ୍ୟପଟେ ବ୍ରିଟେନରେ ଭ୍ୟାଜିନାଲ/ଭୁଲଭାର ଇରିଟେଶନ ଅଧିକ ମାତ୍ରାରେ (୪୧%) ରିପୋର୍ଟ କରାଯାଇଥିଲା । ବ୍ରିଟେନରେ ଅଂଶଗ୍ରହଣକାରୀଙ୍କ ମଧ୍ୟରେ ସହକର୍ମୀ ଥିବା ଲୋକଙ୍କ ପ୍ରତିଶତ (୭୧%) କମ୍ ଥିଲା, ଯୌନ କାର୍ଯ୍ୟକଳାପର ମାସିକ ହାର (୪୯%) ମଧ୍ୟ କମ୍ ଥିଲା । ବ୍ରିଟେନରେ, ଗତ ବର୍ଷରେ ସ୍ତ୍ରୀ ରୋଗର କାରଣ ପାଇଁ ସ୍ୱାସ୍ଥ୍ୟସେବା ପେସାଦାରଙ୍କୁ ଦେଖାଇଥିବା ଅଂଶଗ୍ରହଣକାରୀଙ୍କ ଅନୁପାତ ଅନ୍ୟ ଦେଶମାନଙ୍କ ତୁଳନାରେ କମ୍ ଥିଲା (୨୭% ବନାମ ≥୫୦%) । ସେମାନଙ୍କ ସହ ଭିଆଇ ଲକ୍ଷଣ ବିଷୟରେ ଆଲୋଚନା କରିଥିବା ଅଂଶଗ୍ରହଣକାରୀଙ୍କ ଅନୁପାତ (୪୫% ବନାମ ∼୬୭%) ମଧ୍ୟ କମ୍ ଥିଲା । ଏହି ଦୃଷ୍ଟିରୁ, ବ୍ରିଟେନର ପିଏମଡବ୍ଲୁମାନେ ସାହାଯ୍ୟ ମାଗିବା ପୂର୍ବରୁ ଅଧିକ ସମୟ ଅପେକ୍ଷା କରିଥିଲେ (ବିଶେଷ କରି ଯୌନ ସମ୍ପର୍କ ସମୟରେ ଯନ୍ତ୍ରଣା ଏବଂ ଶୁଷ୍କତା ପାଇଁ) । ଅଂଶଗ୍ରହଣକାରୀମାନଙ୍କ ଦ୍ୱାରା ପ୍ରକାଶିତ ଭିଆଇଏ ଚିକିତ୍ସା ସମ୍ବନ୍ଧୀୟ ମୁଖ୍ୟ ସମସ୍ୟାଗୁଡ଼ିକ ଥିଲା ବ୍ରିଟେନରେ ପ୍ରୟୋଗ ପଥ, ଜର୍ମାନୀରେ ପ୍ରଭାବ ଏବଂ ଇଟାଲୀରେ ପାର୍ଶ୍ୱ ପ୍ରତିକ୍ରିୟା । ଯଦିଓ ସମସ୍ତ ୟୁରୋପୀୟ ମହିଳାମାନେ ସେମାନଙ୍କର ଯୌନ ଜୀବନର ଗୁଣବତ୍ତାରେ ଉନ୍ନତି ଆଣିବା ପାଇଁ ସମାନ ଆଶା ରଖିଥିଲେ, ସ୍ୱାସ୍ଥ୍ୟସେବା ବ୍ୟବସ୍ଥା ଏବଂ ସ୍ୱାସ୍ଥ୍ୟସେବା ପେସାଦାରଙ୍କ ସହ ପ୍ରଭାବଶାଳୀ ଯୋଗାଯୋଗରେ ଭିଭିଏ ପରିଚାଳନା କରିବା ସମୟରେ ଏହା ପାଇଁ ସୁଯୋଗ ବିଭିନ୍ନ ଦେଶରେ ଭିନ୍ନ ଥିଲା । |
46a26a258bbd087240332376a6ead5f1f7cf497a | ଆମେ ସୂଚନା ପ୍ରଯୁକ୍ତି ଏବଂ ଉପକରଣର ବ୍ୟବହାର କରି ଉତ୍ପାଦକତା ବୃଦ୍ଧି କରିବା ଏବଂ ନୂତନ ପ୍ରକାରର ଛାତ୍ରବୃତ୍ତିର ସୁବିଧା ପ୍ରଦାନ କରୁଛୁ । JSTOR ବିଷୟରେ ଅଧିକ ସୂଚନା ପାଇଁ ଦୟାକରି [email protected]. ଏହି ଲେଖାଟି ସଂଗଠନ ଜୀବନରେ ସୂଚନା ପ୍ରଯୁକ୍ତିର ପ୍ରଭାବ କାହିଁକି ଏବଂ କିପରି ରହିଛି ସେ ସମ୍ବନ୍ଧରେ ସିଦ୍ଧାନ୍ତ ସମ୍ବନ୍ଧରେ । ଉତ୍ତମ ସିଦ୍ଧାନ୍ତ ଅନୁସନ୍ଧାନକୁ ମାର୍ଗଦର୍ଶନ କରିଥାଏ, ଯାହାକି ପ୍ରୟୋଗ ହେଲେ ସୂଚନା ପ୍ରଯୁକ୍ତିର ଉପଯୋଗର ସମ୍ଭାବନା ବଢ଼ିଥାଏ ଏବଂ ଏହାଦ୍ୱାରା ଉପଭୋକ୍ତା, ସଂଗଠନ ଏବଂ ଅନ୍ୟାନ୍ୟ ଆଗ୍ରହୀ ପକ୍ଷଙ୍କ ପାଇଁ ଆଶାନୁରୂପ ପରିଣାମ ମିଳିଥାଏ । କିନ୍ତୁ ଏକ ଭଲ ସିଦ୍ଧାନ୍ତ କ ଣ? ସିଦ୍ଧାନ୍ତଗୁଡିକୁ ସେମାନଙ୍କ ବିଷୟବସ୍ତୁ-ବ୍ୟବହୃତ ନିର୍ଦ୍ଦିଷ୍ଟ ଧାରଣା ଏବଂ ମାନବୀୟ ମୂଲ୍ୟବୋଧ ଅନୁଯାୟୀ ମୂଲ୍ୟାଙ୍କନ କରାଯାଏ । ଏହି ଲେଖାରେ, କାରଣ ପ୍ରଭାବର ପ୍ରକୃତି ଓ ଦିଗ ବିଷୟରେ ସିଦ୍ଧାନ୍ତକାରୀମାନଙ୍କ ଅନୁମାନକୁ ନେଇ ତତ୍ତ୍ୱାବଧାନ କରାଯାଇଛି । କାରଣଗତ ସଂରଚନାର ତିନୋଟି ଦିଗ ଉପରେ ବିଚାର କରାଯାଉଛି- କାରଣଗତ ସଂସ୍ଥା, ଯୁକ୍ତିଯୁକ୍ତ ସଂରଚନା ଏବଂ ବିଶ୍ଳେଷଣର ସ୍ତର । କାରଣଗତ ସଂସ୍ଥା ହେଉଛି କାରଣଗତ ପ୍ରକୃତିର ବିଶ୍ବାସ: ବାହ୍ୟ ଶକ୍ତି ପରିବର୍ତ୍ତନ ସୃଷ୍ଟି କରେ କି ନାହିଁ, ଉଦ୍ଦେଶ୍ୟମୂଳକ ଉଦ୍ଦେଶ୍ୟ ହାସଲ କରିବା ପାଇଁ ଲୋକମାନେ ଉଦ୍ଦେଶ୍ୟମୂଳକ ଭାବରେ କାର୍ଯ୍ୟ କରନ୍ତି କି ନାହିଁ, କିମ୍ବା ଲୋକ ଏବଂ ଘଟଣାଗୁଡ଼ିକର ପାରସ୍ପରିକ କ୍ରିୟାକର୍ମରୁ ପରିବର୍ତ୍ତନ ଅକଳ୍ପନୀୟ ଭାବରେ ଉତ୍ପନ୍ନ ହୁଏ କି ନାହିଁ । ଯୁକ୍ତିଯୁକ୍ତ ସଂରଚନା ସିଦ୍ଧାନ୍ତର କାଳୀନ ଦିଗକୁ ସୂଚିତ କରେ - ସ୍ଥାୟୀ ବନାମ ଗତିଶୀଳ - ଏବଂ "କାରଣ" ଏବଂ ପରିଣାମ ମଧ୍ୟରେ ଯୁକ୍ତିଯୁକ୍ତ ସମ୍ପର୍କକୁ ସୂଚିତ କରେ । ବିଶ୍ଳେଷଣର ସ୍ତର ସେହି ସଂସ୍ଥାକୁ ବୁଝାଏ ଯାହା ବିଷୟରେ ସିଦ୍ଧାନ୍ତ ଧାରଣା ଏବଂ ସମ୍ପର୍କ-ବ୍ୟକ୍ତି, ଗୋଷ୍ଠୀ, ସଂଗଠନ ଏବଂ ସମାଜକୁ ଦର୍ଶାଇଥାଏ । ସାଂଗଠନିକ ପରିବର୍ତ୍ତନ କ୍ଷେତ୍ରରେ ସୂଚନା ପ୍ରଯୁକ୍ତିର ଭୂମିକା ସମ୍ପର୍କରେ ଭଲ ଥିଓରୀ ପାଇଁ ଅନେକ ସମ୍ଭାବ୍ୟ ଢାଞ୍ଚା ଥିବାବେଳେ, ବର୍ତ୍ତମାନର ଥିଓରିରେ ଏହି ଢାଞ୍ଚାଗୁଡ଼ିକ ମଧ୍ୟରୁ ଅଳ୍ପ କିଛିକୁ ହିଁ ଦେଖିବାକୁ ମିଳିଥାଏ । ବିକଳ୍ପଗୁଡ଼ିକ ବିଷୟରେ ଅଧିକ ସଚେତନତା, ସେଗୁଡ଼ିକର ଲାଭ ଓ କ୍ଷତି ବିଷୟରେ ଖୋଲା ଆଲୋଚନା, ଏବଂ ଏଠାରେ ଆଲୋଚନା କରାଯାଇଥିବା ପରିମାପ ଓ ଶ୍ରେଣୀଗୁଡିକର ପରିପ୍ରେକ୍ଷୀରେ ଭବିଷ୍ୟତର ଥିଓରିକଲ ବକ୍ତବ୍ୟର ସ୍ପଷ୍ଟ ବର୍ଣ୍ଣନା, ଆମେ ବିଶ୍ୱାସ କରୁ, ଉନ୍ନତ ତତ୍ତ୍ୱର ବିକାଶକୁ ପ୍ରୋତ୍ସାହିତ କରିବା ଉଚିତ । ଜେଷ୍ଟୋର ହେଉଛି ଏକ ଅଣଲାଭକାରୀ ସେବା ଯାହା ବିଦ୍ୱାନ, ଗବେଷକ ଏବଂ ଛାତ୍ରମାନଙ୍କୁ ଏକ ବିଶ୍ୱସ୍ତ ଡିଜିଟାଲ ଆର୍କାଇଭରେ ଥିବା ବିଷୟବସ୍ତୁର ଏକ ବ୍ୟାପକ ପରିସରକୁ ଆବିଷ୍କାର, ବ୍ୟବହାର ଏବଂ ନିର୍ମାଣ କରିବାରେ ସାହାଯ୍ୟ କରେ । |
21a39ca716c37ccc133ff96c31cc71565d0c968e | ଆମେ ଆକୃତିର ଯୋଡି ମଧ୍ୟରେ ମାନଚିତ୍ରର ଏକ ନୂତନ ପ୍ରତିନିଧିତ୍ୱ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ଦକ୍ଷ ଅନୁମାନ ଏବଂ ପରିଚାଳନା ପାଇଁ ଅନୁମତି ଦେଇଥାଏ । ଆମର ଏହି ଆଭିମୁଖ୍ୟର ମୂଳମନ୍ତ୍ର ହେଉଛି ମାନଚିତ୍ରର ଧାରଣାକୁ ସାଧାରଣ କରିବା ଯାହାକି ଆକୃତିର ବିନ୍ଦୁ ପରିବର୍ତ୍ତେ ବାସ୍ତବ-ମୂଲ୍ୟଯୁକ୍ତ କାର୍ଯ୍ୟଗୁଡ଼ିକୁ ସମାନତା ଦେଇଥାଏ । ପ୍ରତ୍ୟେକ ଆକୃତି ଉପରେ ଫଙ୍କସନ ସ୍ପେସ ପାଇଁ ଏକ ମଲ୍ଟି-ସ୍କେଲ ଆଧାର ବାଛିବା ଦ୍ବାରା, ଯେପରିକି ଏହାର ଲାପ୍ଲେସ୍-ବେଲ୍ଟ୍ରାମି ଅପରେଟରର ଇଜେନ୍ ଫଙ୍କସନ, ଆମେ ଏକ ମ୍ୟାପର ଏକ ପ୍ରତିନିଧିତ୍ୱ ପାଇଥାଉ ଯାହା ଅତି କମ୍ପାକ୍ଟ, ତଥାପି ଗ୍ଲୋବାଲ୍ ଅନୁମାନ ପାଇଁ ସମ୍ପୂର୍ଣ୍ଣ ଉପଯୁକ୍ତ । ବୋଧହୁଏ ଅଧିକ ଉଲ୍ଲେଖନୀୟ, ଏକ ମାନଚିତ୍ରରେ ଅଧିକାଂଶ ପ୍ରାକୃତିକ ପ୍ରତିବନ୍ଧକ, ଯେପରିକି ବର୍ଣ୍ଣନାକାରୀ ସଂରକ୍ଷଣ, ଲ୍ୟାଣ୍ଡମାର୍କ ଅନୁରୂପତା, ଅଂଶ ସଂରକ୍ଷଣ ଏବଂ ଅପରେଟର କମ୍ୟୁଟେବିଲିଟି ଏହି ଫର୍ମୁଲେସନରେ ରେଖୀ ହୋଇଯାଏ । ଏହା ସହିତ, ଏହି ପ୍ରତିନିଧିତ୍ୱ ପ୍ରାକୃତିକ ଭାବେ କିଛି ଆଲଜେବ୍ରିକ କାର୍ଯ୍ୟକଳାପକୁ ସମର୍ଥନ କରେ ଯେପରିକି ମାନଚିତ୍ର ସମୂହ, ଭିନ୍ନତା ଏବଂ ରଚନା, ଏବଂ ଅନେକ ପ୍ରୟୋଗକୁ ସକ୍ଷମ କରେ, ଯେପରିକି ପଏଣ୍ଟ-ଟୁ-ପଏଣ୍ଟ ଅନୁପାତ ପ୍ରତିଷ୍ଠା ନକରି ଫଙ୍କସନ୍ କିମ୍ବା ଆନୋଟେସନ୍ ସ୍ଥାନାନ୍ତର । ଆମେ ଏହି ଗୁଣଗୁଡିକୁ ବ୍ୟବହାର କରି ଏକ ଦକ୍ଷ ଆକୃତି ମେଳଣ ପଦ୍ଧତି ପ୍ରସ୍ତୁତ କରିଛୁ, ଯାହାର ମୂଳରେ ଏକ ସରଳ ରେଖୀ ସମାଧାନ ରହିଛି । ନୂତନ ପଦ୍ଧତି ଦ୍ୱାରା ଆଇସୋମେଟ୍ରିକ ଆକୃତିର ମେଳ ଖାଉଥିବା ଏକ ମାନଦଣ୍ଡ ଉପରେ ଅତ୍ୟାଧୁନିକ ଫଳାଫଳ ହାସଲ କରାଯାଇଥାଏ । ଆମେ ମଧ୍ୟ ଦେଖାଇବୁ କି ଏହି ପ୍ରତିନିଧିତ୍ୱ କିପରି ଭାବରେ ବର୍ତ୍ତମାନର ଆକୃତି ମେଳଣ ପଦ୍ଧତି ଦ୍ୱାରା ଉତ୍ପାଦିତ ମାନଚିତ୍ରର ଗୁଣବତ୍ତାରେ ଉନ୍ନତି ଆଣିବା ପାଇଁ ବ୍ୟବହୃତ ହୋଇପାରିବ ଏବଂ ସେଗମେଣ୍ଟେସନ୍ ସ୍ଥାନାନ୍ତର ଏବଂ ଆକୃତି ସଂଗ୍ରହଗୁଡିକର ମିଳିତ ବିଶ୍ଳେଷଣରେ ଏହାର ଉପଯୋଗିତା ବର୍ଣ୍ଣନା କରେ । |
1bdf90cc38336e6e627150e006fd58bcba201792 | ବଡି ସେନସର ନେଟୱାର୍କ (ବିଏସଏନ) କୁ ଦୈନନ୍ଦିନ ଜୀବନରେ ମାନବକୁ ସହାୟତା କରିବାର କ୍ଷମତା କାରଣରୁ ଉଲ୍ଲେଖନୀୟ ଧ୍ୟାନ ଦିଆଯାଉଛି । ବିଶେଷ କରି, ଅସହାୟ ଜୀବନଯାପନର ରିଅଲ ଟାଇମ ଏବଂ ଅଣ-ଆକ୍ରମଣକାରୀ ମନିଟରିଂର ଅନେକ ପ୍ରୟୋଗ କ୍ଷେତ୍ରରେ ଯଥା ସ୍ୱାସ୍ଥ୍ୟ ସେବା, କ୍ରୀଡ଼ା/ଫିଟନେସ, ଇ-ମନୋରଞ୍ଜନ, ସାମାଜିକ ପାରସ୍ପରିକ କ୍ରିୟା ଏବଂ ଇ-ଫ୍ୟାକ୍ଟ୍ରିରେ ବହୁତ ସମ୍ଭାବନା ରହିଛି । ଆଉ ଏହିପରି ପ୍ରଣାଳୀକୁ ପରିଭାଷିତ କରୁଥିବା ମୌଳିକ ତଥା ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ବିଶେଷତ୍ୱ ହେଉଛି ମାନବ କାର୍ଯ୍ୟକଳାପ ଏବଂ ବ୍ୟବହାରକୁ ଚିହ୍ନଟ କରିବାର କ୍ଷମତା । ଏହି ଅଧ୍ୟୟନରେ ମାନବ ଶରୀରର ସ୍ଥିତିକୁ ଚିହ୍ନଟ କରିବା ପାଇଁ ଏକ ନୂଆ ଉପାୟ ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । ଆମର ବିଏସଏନ ବ୍ୟବସ୍ଥା ଡି-ଏସ ପ୍ରମାଣ ସିଦ୍ଧାନ୍ତ ଉପରେ ଆଧାରିତ ସୂଚନା ମିଶ୍ରଣ ପଦ୍ଧତି ଉପରେ ନିର୍ଭର କରେ, ଯାହା ଏକାଧିକ ପୋଷାକରେ ପିନ୍ଧାଯାଇଥିବା ସେନସରରୁ ଆସୁଥିବା ଆକ୍ସେଲେରୋମିଟର ତଥ୍ୟ ଉପରେ ପ୍ରୟୋଗ କରାଯାଏ । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳରୁ ଜଣାପଡିଛି ଯେ ବିକଶିତ ପ୍ରୋଟୋଟାଇପ୍ ସିଷ୍ଟମ୍ 98.5%ରୁ 100% ମଧ୍ୟରେ ମୌଳିକ ସ୍ଥିତି (ଉଠିବା, ବସିବା, ଶୋଇବା, କୁଣ୍ଢେଇ ହେବା) ପାଇଁ ଚିହ୍ନଟ ସଠିକତା ହାସଲ କରିବାରେ ସକ୍ଷମ ଅଟେ । |
0ef98882d8a7356c7cf7ac715bef84656a0632d4 | ନେଷ୍ଟେଡ୍ ଡାଇକୋଟୋମି ହେଉଛି ଏକ ମାନକ ପରିସଂଖ୍ୟାନ କୌଶଳ ଯାହା ଲଜିଷ୍ଟିକ୍ ରିଗ୍ରେସନ ସହିତ କେତେକ ପଲିଟୋମସ୍ ବର୍ଗୀକରଣ ସମସ୍ୟାର ସମାଧାନ କରିଥାଏ । ସେଗୁଡିକୁ ବାଇନାରୀ ଟ୍ରି ଭାବରେ ଦର୍ଶାଯାଇପାରେ ଯାହା ଏକ ମଲ୍ଟି-କ୍ଲାସ୍ ବର୍ଗୀକରଣ କାର୍ଯ୍ୟକୁ ଏକ ଡିହୋଟୋମି ସିଷ୍ଟମରେ ପୁନଃବିଭାଜନ କରେ ଏବଂ ମଲ୍ଟି-କ୍ଲାସ୍ ସମସ୍ୟା ପାଇଁ ଦୁଇ-କ୍ଲାସ୍ ଶିକ୍ଷଣ ଆଲଗୋରିଦମ ପ୍ରୟୋଗ କରିବାର ଏକ ପରିସଂଖ୍ୟାନଗତ ଭାବରେ ସଠିକ୍ ଉପାୟ ପ୍ରଦାନ କରେ (ଏହି ଆଲଗୋରିଦମଗୁଡିକ ଶ୍ରେଣୀ ସମ୍ଭାବ୍ୟତା ଆକଳନ ସୃଷ୍ଟି କରନ୍ତି ବୋଲି ଧରିନେବା) । ତେବେ, ସାଧାରଣତଃ କୌଣସି ସମସ୍ୟା ପାଇଁ ଅନେକ ପ୍ରାର୍ଥୀ ଗଛ ରହିଥାଏ ଏବଂ ମାନକ ପଦ୍ଧତିରେ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଗଛର ପସନ୍ଦ ଡୋମେନ୍ ଜ୍ଞାନ ଉପରେ ଆଧାରିତ ହୋଇଥାଏ ଯାହା ବ୍ୟବହାରିକ ଭାବରେ ଉପଲବ୍ଧ ନ ହୋଇପାରେ । ଗୋଟିଏ ବିକଳ୍ପ ହେଉଛି ପ୍ରତ୍ୟେକ ନେଷ୍ଟେଡ୍ ଡାଇକୋଟୋମିକୁ ସମାନ ଭାବରେ ସମ୍ଭବ ବୋଲି ବିବେଚନା କରିବା ଏବଂ ଏହି ଅନୁମାନ ଉପରେ ଆଧାର କରି ଏକ ଏନ୍ସମ୍ବଲ୍ କ୍ଲାସିଫାୟର ଗଠନ କରିବା । ଆମେ ଦେଖାଇଛୁ ଯେ ଏହି ପଦ୍ଧତି ସି.୪.୫ ଏବଂ ଲଜିଷ୍ଟିକ୍ ରିଗ୍ରେସନକୁ ସିଧାସଳଖ ବହୁ-ଶ୍ରେଣୀ ସମସ୍ୟାକୁ ପ୍ରୟୋଗ କରିବା ଅପେକ୍ଷା ଅଧିକ ସଠିକ୍ ବର୍ଗୀକରଣ ସୃଷ୍ଟି କରେ । ଆମର ଫଳାଫଳ ମଧ୍ୟ ଦର୍ଶାଏ ଯେ ନେଷ୍ଟେଡ୍ ଡାଇକୋଟୋମିର ସମୂହ ଯୋଡି ବର୍ଗୀକରଣ ଅପେକ୍ଷା ଅଧିକ ସଠିକ୍ ବର୍ଗୀକରଣ ଉତ୍ପାଦନ କରେ ଯଦି ଉଭୟ କୌଶଳ C4.5 ସହିତ ବ୍ୟବହୃତ ହୁଏ, ଏବଂ ଲଜିଷ୍ଟିକ୍ ରିଗ୍ରେସନ୍ ପାଇଁ ତୁଳନାତ୍ମକ ଫଳାଫଳ _ ତ୍ରୁଟି ସଂଶୋଧନ କରୁଥିବା ଆଉଟପୁଟ୍ କୋଡ୍ ତୁଳନାରେ, ଯଦି ଲଜିଷ୍ଟିକ୍ ରିଗ୍ରେସନ୍ ବ୍ୟବହାର କରାଯାଏ, ତେବେ ସେଗୁଡିକ ଅଧିକ ଉପଯୁକ୍ତ ଏବଂ C4.5 କ୍ଷେତ୍ରରେ ତୁଳନାତ୍ମକ । ଏକ ଅତିରିକ୍ତ ଲାଭ ହେଉଛି ସେମାନେ ଶ୍ରେଣୀ ସମ୍ଭାବ୍ୟତା ଆକଳନ ସୃଷ୍ଟି କରନ୍ତି । ତେଣୁ ଏହା ଏକ ଭଲ ସାଧାରଣ ଉଦ୍ଦେଶ୍ୟର ପଦ୍ଧତି ଯାହାଦ୍ୱାରା ବହୁ ଶ୍ରେଣୀ ସମସ୍ୟା ପାଇଁ ବାଇନାରୀ କ୍ଲାସିଫାୟର ପ୍ରୟୋଗ କରାଯାଇପାରିବ । |
3d0f7539d17816a5ba1925f10ed5c274c9d570b5 | ଛାତ୍ରମାନଙ୍କର ପ୍ରଦର୍ଶନକୁ ଅନୁମାନ କରିବାର କ୍ଷମତା ଆମର ବର୍ତ୍ତମାନ ଶିକ୍ଷା ବ୍ୟବସ୍ଥାରେ ଅତ୍ୟନ୍ତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । ଆମେ ଏଥିପାଇଁ ଡାଟା ମାଇନିଂର ଧାରଣାକୁ ବ୍ୟବହାର କରିପାରିବା । ID3 ଆଲଗୋରିଦମ ହେଉଛି ନିଷ୍ପତ୍ତି ଗଛ ସୃଷ୍ଟି କରିବା ପାଇଁ ଆଜି ପ୍ରଚଳିତ ପ୍ରସିଦ୍ଧ ଆଲଗୋରିଦମ ମଧ୍ୟରୁ ଗୋଟିଏ । କିନ୍ତୁ ଏହି ଆଲଗୋରିଦମର ଏକ ଅଭାବ ରହିଛି ଯେ ଏହା ଅନେକ ମୂଲ୍ୟ ସହିତ ଗୁଣବତ୍ତା ପ୍ରତି ଆକର୍ଷିତ ହୋଇଥାଏ । ତେଣୁ, ଏହି ଗବେଷଣାର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଗେନ୍ ରେସିଓ (ଅନୁମାନିକ ଲାଭ) ବ୍ୟବହାର କରି ଏବଂ ପ୍ରତ୍ୟେକ ନିର୍ଣ୍ଣୟ ନେବା ସମୟରେ ପ୍ରତ୍ୟେକ ଗୁଣକୁ ଓଜନ ଦେଇ ଆଲଗୋରିଦମର ଏହି ଅଭାବକୁ ଦୂର କରିବା । ଏହି ଡାଟାସେଟରେ J48 ଏବଂ ନିଭ୍ ବେୟସ୍ ଶ୍ରେଣୀକରଣ ଆଲଗୋରିଦମ ଭଳି ଅନେକ ଆଲଗୋରିଦମ ମଧ୍ୟ ପ୍ରୟୋଗ କରାଯାଇଛି । ୱେକା ଉପକରଣକୁ J48 ଏବଂ ନିଭ୍ ବେଜ୍ ଆଲଗୋରିଦମର ବିଶ୍ଳେଷଣ ପାଇଁ ବ୍ୟବହାର କରାଯାଇଥିଲା । ଫଳାଫଳକୁ ତୁଳନା କରାଯାଇ ଉପସ୍ଥାପନା କରାଯାଇଛି । ଆମ ଅଧ୍ୟୟନରେ ବ୍ୟବହୃତ ତଥ୍ୟାବଳୀ ବିଆଇଟି ବିଶ୍ୱବିଦ୍ୟାଳୟର ସ୍କୁଲ୍ ଅଫ୍ କମ୍ପ୍ୟୁଟିଂ ସାଇନ୍ସ ଆଣ୍ଡ ଇଞ୍ଜିନିୟରିଂ (ଏସସିଇଇ) ରୁ ନିଆଯାଇଛି । କୀ ଶବ୍ଦ ଡାଟା ମାଇନିଂ, ଶିକ୍ଷାଗତ ଡାଟା ମାଇନିଂ (ଇଡିଏମ୍), ନିଷ୍ପତ୍ତି ଗଛ, ଲାଭ ଅନୁପାତ, ଓଜନିତ ଆଇଡି୩ |
2cef1515ac1d98f1dcfdc9b84c1a3b6f3758b9d1 | ଚିତ୍ର ଏବଂ ଭିଡିଓରେ ମାନବୀୟ ବିଶ୍ଳେଷଣ ଏକ କଠିନ ସମସ୍ୟା କାରଣ ମାନବୀୟ ସ୍ଥିତି, ପୋଷାକ, କ୍ୟାମେରା ଦୃଶ୍ୟପଟ, ଆଲୋକ ଏବଂ ଅନ୍ୟାନ୍ୟ କାରଣଗୁଡିକର ବ୍ୟାପକ ପରିବର୍ତ୍ତନ ଯୋଗୁଁ । ଏହି ପରିବର୍ତ୍ତନଶୀଳତାର ସ୍ପଷ୍ଟ ମଡେଲିଂ କଷ୍ଟକର ହୋଇଥିଲେ ମଧ୍ୟ, ଉପଲବ୍ଧ ବ୍ୟକ୍ତିଙ୍କ ପ୍ରତିଛବିର ବିପୁଳ ପରିମାଣ ମାନବ ବିଶ୍ଳେଷଣ ପାଇଁ ନିହିତ, ତଥ୍ୟ-ଆଧାରିତ ଆଭିମୁଖ୍ୟ ପାଇଁ ପ୍ରେରଣା ଯୋଗାଏ । ଏହି କାମରେ ଆମେ ଲକ୍ଷ୍ୟ ରଖିଛୁ ଯେ, ଏହି ଦୃଷ୍ଟିକୋଣକୁ ଅନୁସନ୍ଧାନ କରିବା ପାଇଁ ମାନବୀୟ ଦୃଶ୍ୟପଟ୍ଟର ଏକ ଉପ-ବିଭାଗରେ ବ୍ୟାପିଥିବା ବହୁ ସଂଖ୍ୟକ ଚିତ୍ରକୁ ବ୍ୟବହାର କରିବା । ଆମେ ଏହି ଉପ-ମହାକାଶକୁ ଏକ ଗ୍ରାଫରେ ଚିତ୍ରଗୁଡିକୁ ସଂଯୋଗ କରି ଏବଂ ଏକ ଭେଦଭାବପୂର୍ଣ୍ଣ ଭାବରେ ତାଲିମପ୍ରାପ୍ତ ଗ୍ରାଫିକାଲ ମଡେଲ ବ୍ୟବହାର କରି ଏହି ଗ୍ରାଫ ମାଧ୍ୟମରେ ସୂଚନା ପ୍ରସାର କରି ମଡେଲ କରିଥାଉ । ଆମେ ବିଶେଷ କରି ମାନବ ସ୍ଥିତି ଆକଳନ ଓ କାର୍ଯ୍ୟ ଚିହ୍ନଟ ସମସ୍ୟା ଉପରେ ଆଲୋଚନା କରିବା ସହ ଦର୍ଶାଇବୁ କି କିପରି ଇମେଜ ଗ୍ରାଫ ଏହି ସମସ୍ୟାକୁ ମିଳିତ ଭାବେ ସମାଧାନ କରିବାରେ ସାହାଯ୍ୟ କରିଥାଏ । ଆମେ କେଟିଏଚ ଡାଟାସେଟରୁ ମାନବୀୟ କାର୍ଯ୍ୟକଳାପ ସହିତ ଷ୍ଟିଲ୍ ଇମେଜ ଉପରେ ଫଳାଫଳ ରିପୋର୍ଟ କରୁଛୁ । |
033e667eec844477bdfcd0e4b3d5c81b7598af39 | ହେଲିକଲ ଆଣ୍ଟିନା ଦୀର୍ଘ ସମୟ ଧରି ଜଣାଶୁଣା, କିନ୍ତୁ ସାହିତ୍ୟରେ ସେମାନଙ୍କର କାର୍ଯ୍ୟଦକ୍ଷତା ବିଷୟରେ ବିବାଦୀୟ ସୂଚନା ସହିତ ଭରି ରହିଛି । ଆମେ ବ୍ୟବସ୍ଥିତ ଭାବେ ଏକ ଅସୀମ ଭୂମି ତଳ ଉପରେ ଅବସ୍ଥିତ ହେଲିକଲ୍ ଆଣ୍ଟିନାଗୁଡ଼ିକର ଅନୁସନ୍ଧାନ କରିଛୁ ଏବଂ ଡିଜାଇନ୍ ବକ୍ରତା ହାସଲ କରିଛୁ । ଆମେ ମଧ୍ୟ ଲକ୍ଷ୍ୟ କରିଛୁ ଯେ ଗ୍ରାଉଣ୍ଡ କଣ୍ଡକ୍ଟରର ଆକାର ଓ ଆକାର ହେଲିକଲ ଆଣ୍ଟେନା କାର୍ଯ୍ୟଦକ୍ଷତା ଉପରେ ପ୍ରଭାବ ପକାଇଥାଏ । କପ୍ ଏବଂ କୋନ୍ ଆକାରର ଗ୍ରାଉଣ୍ଡ କଣ୍ଡକ୍ଟରଗୁଡ଼ିକର ଆକାରକୁ ଉନ୍ନତ କରି ଆମେ ଆଣ୍ଟେନା ଗେନ୍ କୁ ଯଥେଷ୍ଟ ବୃଦ୍ଧି କରିଛୁ । ଆଣ୍ଟିନା କାର୍ଯ୍ୟଦକ୍ଷତା ବୃଦ୍ଧି କରିବା ପାଇଁ ଏକକାଳୀନ ହିଲିକ୍ସ ଏବଂ ଗ୍ରାଉଣ୍ଡ କଣ୍ଡକ୍ଟରର ଅପ୍ଟିମାଇଜେସନ୍ କରାଯାଉଛି । |
91e4456442a7bce77cdfd24bc8a2fb6a4a3a3b6f | ପରିସଂଖ୍ୟାନ ଭାଷାର ମଡେଲଗୁଡିକ ଶବ୍ଦଗୁଡିକର ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ କ୍ରମରେ ସମ୍ଭାବ୍ୟତା ଆକଳନ କରିଥାଏ । ଗୋଟିଏ ବାକ୍ୟ s କୁ n ଟି ଶବ୍ଦ ସହିତ ଦିଆଯାଇଥାଏ ଯେପରିକି s = (w1,w2) । ମୁଁ ଜାଣିଛି । .wn), ଭାଷା ମଡେଲ P ((s) କୁ ନିର୍ଦ୍ଧାରଣ କରିଥାଏ । ପରିସଂଖ୍ୟାନ ଭାଷାର ମଡେଲଗୁଡିକ ଭଲ ଶବ୍ଦ କ୍ରମ ଅନୁମାନକୁ ଅନୁକ୍ରମ ସମ୍ଭାବ୍ୟତା ଅନୁମାନ ଉପରେ ଆଧାର କରି ଆକଳନ କରିଥାଏ । ଦୃଢ଼, ଦ୍ରୁତ ଏବଂ ସଠିକ ଭାଷା ମଡେଲ ନିର୍ମାଣ କରିବା ହେଉଛି ମେସିନ ଟ୍ରାନ୍ସଲେସନ ସିଷ୍ଟମ ଏବଂ ସ୍ୱୟଂଚାଳିତ ଭାଷଣ ଚିହ୍ନଟ ପ୍ରଣାଳୀ ଭଳି ସିଷ୍ଟମ ନିର୍ମାଣର ସଫଳତାର ମୁଖ୍ୟ କାରଣ । ବିଭିନ୍ନ ଉପାୟରେ ପରିସଂଖ୍ୟାନ ଭାଷାର ଆକଳନ କରାଯାଇପାରିବ । କ୍ଲାସିକାଲ ଭାଷା ମଡେଲଗୁଡ଼ିକର ଅନୁମାନ N-ଗ୍ରାମ ଶବ୍ଦ କ୍ରମ ଉପରେ ଆଧାରିତ ଯେପରିକି P ((s) = P ((w1,w2) । ମୁଁ ଜାଣିଛି । .wn) = ∏n i=1 P(wiwiwiwi−1) ଏବଂ ଏହା ମାର୍କୋଭ୍ ଧାରଣା ଆଧାରରେ ଛୋଟ ପ୍ରସଙ୍ଗ ପାଇଁ ଅନୁମାନ କରାଯାଇପାରିବ (ଉଦାହରଣ ସ୍ୱରୂପ, ବିଗ୍ରାମ ଯଦି n = 2 କିମ୍ବା ତ୍ରିଗ୍ରାମ ଯଦି n = 3 ଏବଂ ଅନ୍ୟାନ୍ୟ) । ସାମ୍ପ୍ରତିକ ଗବେଷକମାନେ ଭାଷା ମଡେଲ ନିର୍ମାଣ ଏବଂ ଆକଳନ କରିବା ପାଇଁ ବିଭିନ୍ନ ପ୍ରକାରର ନେଟୱାର୍କର ପ୍ରୟୋଗ କରିଛନ୍ତି । ପାରମ୍ପରିକ ଏନ୍-ଗ୍ରାମ ଭାଷା ମଡେଲିଂ କୌଶଳ ମଧ୍ୟରେ କ୍ଲାସିକାଲ୍ ଫିଡ୍-ଫରୱାର୍ଡ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ-ଆଧାରିତ ଭାଷା ମଡେଲ୍ ଲଗାତାର ଭଲ ଫଳାଫଳ ରିପୋର୍ଟ କରୁଛି । [1] ଏହା ସାରାଂଶ |
f713a480be9d569803349338a1c2db8cabb0165c | ଜଟିଳ ଭିଜୁଆଲ ମୋଟର ନିୟନ୍ତ୍ରଣରେ ଏକ ପ୍ରମୁଖ ଆହ୍ୱାନ ହେଉଛି ଅବ୍ଷ୍ଟ୍ରାକ୍ଟ ପ୍ରତିନିଧିତ୍ୱ ଶିଖିବା ଯାହା ଲକ୍ଷ୍ୟ, ଯୋଜନା ଏବଂ ସାଧାରଣକରଣ ନିର୍ଦ୍ଦିଷ୍ଟ କରିବା ପାଇଁ ପ୍ରଭାବଶାଳୀ ଅଟେ । ଏଥିପାଇଁ ଆମେ ୟୁନିଭର୍ସାଲ ପ୍ଲାନିଂ ନେଟୱାର୍କ (ୟୁପିଏନ) ପ୍ରଚଳନ କରୁଛୁ । ୟୁପିଏନଗୁଡ଼ିକ ଲକ୍ଷ୍ୟ-ନିର୍ଦ୍ଦେଶିତ ନୀତି ମଧ୍ୟରେ ଭିନ୍ନକ୍ଷମ ଯୋଜନାକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରିଥାଏ । ଏହି ଯୋଜନା ଗଣନା ଏକ ଅଦୃଶ୍ୟ ସ୍ଥାନରେ ଏକ ଅଗ୍ରଗାମୀ ମଡେଲକୁ ଖୋଲିଥାଏ ଏବଂ ଗ୍ରାଡିଏଣ୍ଟ ଅବତରଣ ପଥ ଅପ୍ଟିମାଇଜେସନ୍ ମାଧ୍ୟମରେ ଏକ ସର୍ବୋତ୍ତମ କାର୍ଯ୍ୟ ଯୋଜନାକୁ ଅନୁମାନ କରିଥାଏ । ପ୍ଲାନ-ବେବି-ଗ୍ରେଡିଏଣ୍ଟ-ଡସେଣ୍ଟ ପ୍ରକ୍ରିୟା ଏବଂ ଏହାର ମୂଳ ପ୍ରତିନିଧିତ୍ୱ ଏକ ସୁପରଭାଇଜଡ ଇମାଇଟେସନ ଲର୍ଣ୍ଣିଂ ଲକ୍ଷ୍ୟକୁ ସିଧାସଳଖ ଅପ୍ଟିମାଇଜ୍ କରିବା ପାଇଁ ଏଣ୍ଡ-ଟୁ-ଏଣ୍ଡ ଶିଖାଯାଇଥାଏ । ଆମେ ଜାଣିବାକୁ ପାଇଲୁ ଯେ ଶିଖାଯାଇଥିବା ପ୍ରତିନିଧିତ୍ୱଗୁଡ଼ିକ କେବଳ ଗ୍ରେଡିଏଣ୍ଟ ଆଧାରିତ ଟ୍ରାଫିକ ଅପ୍ଟିମାଇଜେସନ୍ ମାଧ୍ୟମରେ ଲକ୍ଷ୍ୟ-ନିର୍ଦ୍ଦେଶିତ ଭିଜୁଆଲ୍ ଅନୁକରଣ ପାଇଁ ପ୍ରଭାବଶାଳୀ ନୁହେଁ, ବରଂ ପ୍ରତିଛବି ବ୍ୟବହାର କରି ଲକ୍ଷ୍ୟ ନିର୍ଦ୍ଦିଷ୍ଟ କରିବା ପାଇଁ ଏକ ମେଟ୍ରିକ୍ ମଧ୍ୟ ପ୍ରଦାନ କରିପାରିବ । ଏହି ଶିକ୍ଷିତ ପ୍ରତିନିଧିତ୍ୱକୁ ଦୂରତା ଆଧାରିତ ପୁରସ୍କାରକୁ ନିର୍ଦ୍ଦିଷ୍ଟ କରିବା ପାଇଁ ଉପଯୋଗ କରାଯାଇପାରିବ ଯାହାଦ୍ୱାରା ମଡେଲ ମୁକ୍ତ ସୁଦୃଢ଼ୀକରଣ ଶିକ୍ଷଣ ପାଇଁ ନୂତନ ଲକ୍ଷ୍ୟ ସ୍ଥିତିରେ ପହଞ୍ଚାଯାଇପାରିବ, ଯାହାଦ୍ୱାରା ପ୍ରତିଛବି ଆଧାରିତ ଲକ୍ଷ୍ୟ ମାଧ୍ୟମରେ ବର୍ଣ୍ଣିତ ନୂତନ କାର୍ଯ୍ୟଗୁଡ଼ିକର ସମାଧାନ ସମୟରେ ଯଥେଷ୍ଟ ଅଧିକ ପ୍ରଭାବଶାଳୀ ଶିକ୍ଷଣ ହୋଇପାରିବ । https://sites.google କୁ ଯାଆନ୍ତୁ । com/view/upn-public/home ଭିଡିଓର ମୁଖ୍ୟ ବିଷୟଗୁଡ଼ିକ ପାଇଁ । |
c2c8292dad37adcdda3b0aba5db5e33e3222832e | |
5facbc5bd594f4faa0524d871d49ba6a6e956e17 | ଆମେ ଏକ ପଦ୍ଧତିର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଏକ ଉଚ୍ଚ-ଆକାରର ସ୍ଥାନ ମଧ୍ୟରେ ଥିବା ଏକାଧିକ ନିମ୍ନ-ଆକାରର ରେଖାପାତ କିମ୍ବା ଆପେକ୍ଷିକ ଉପ-ସ୍ଥାନରୁ ସଂଗ୍ରହ କରାଯାଇଥିବା ତଥ୍ୟକୁ କ୍ଲଷ୍ଟର କରିବା ପାଇଁ ବିରଳ ପ୍ରତିନିଧିତ୍ୱ (SR) ଉପରେ ଆଧାରିତ । ଆମର ପଦ୍ଧତି ଏହି ତଥ୍ୟ ଉପରେ ଆଧାରିତ ଯେ ଉପ-ସ୍ଥାନର ଏକୀକରଣରେ ଥିବା ପ୍ରତ୍ୟେକ ବିନ୍ଦୁ ଅନ୍ୟ ସମସ୍ତ ତଥ୍ୟ ବିନ୍ଦୁ ଦ୍ୱାରା ଗଠିତ ଏକ ଶବ୍ଦକୋଷ ସମ୍ବନ୍ଧରେ ଏକ SR ଅଛି । ସାଧାରଣତଃ, ଏହିପରି ଏକ SR ଖୋଜିବା NP କଷ୍ଟକର । ଆମର ମୁଖ୍ୟ ଅବଦାନ ହେଉଛି, ସାମାନ୍ୟ ଅନୁମାନରେ, SR କୁ l1 ଅପ୍ଟିମାଇଜେସନ୍ ବ୍ୟବହାର କରି ସଠିକ୍ ଭାବରେ ପ୍ରାପ୍ତ କରାଯାଇପାରିବ । ଏହି SRରୁ ନିର୍ମିତ ଏକ ସମାନତା ମାଟ୍ରିକ୍ସରେ ସ୍ପେକ୍ଟ୍ରାଲ୍ କ୍ଲଷ୍ଟରିଂ ପ୍ରୟୋଗ କରି ତଥ୍ୟର ବିଭାଜନ ପ୍ରାପ୍ତ ହୁଏ _ ଆମର ପଦ୍ଧତି ଶବ୍ଦ, ବାମପନ୍ଥୀ ଏବଂ ଅଭାବୀ ତଥ୍ୟକୁ ସମ୍ଭାଳିପାରେ _ ଆମେ ଆମର ଉପ-ମହାକାଶ କ୍ଲଷ୍ଟରିଂ ଆଲଗୋରିଦମକୁ ଭିଡିଓରେ ଏକାଧିକ ଗତିକୁ ବିଭାଜନ କରିବା ପାଇଁ ପ୍ରୟୋଗ କରିଥାଉ । 167ଟି ଭିଡିଓ କ୍ରମ ଉପରେ କରାଯାଇଥିବା ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ ଆମର ଏହି ପଦ୍ଧତି ଅତ୍ୟାଧୁନିକ ପଦ୍ଧତିଠାରୁ ଯଥେଷ୍ଟ ଉନ୍ନତ । |
b98063ae46f00587a63547ce753c515766db4fbb | ମାଇକ୍ରୋଷ୍ଟ୍ରିପ୍ ପ୍ୟାଚ୍ ଆଣ୍ଟିନାଗୁଡ଼ିକର ଫାଇଦା ହେଉଛି ଏହା ପତଳା ପ୍ରୋଫାଇଲ୍, ହାଲୁକା ଓଜନ, କମ୍ ମୂଲ୍ୟ, ସହଜରେ ତିଆରି ହେବା ଏବଂ ସମନ୍ୱିତ ସର୍କିଟ୍ର ସହ ସୁସଙ୍ଗତ, ତେଣୁ ଆଣ୍ଟିନାଗୁଡ଼ିକ ବହୁଳ ଭାବରେ ପଲାରିଜେସନ୍ ବିବିଧତା ଏବଂ ଡୁଆଲ୍ ଫ୍ରିକ୍ୱେନ୍ସି ପାଇଁ ଦାବି ପୂରଣ ପାଇଁ ବ୍ୟବହୃତ ହୁଏ । ଏହି କାଗଜରେ ଏୟାରବୋର୍ନ ସିନ୍ଥେଟିକ ଆପେଚର ରାଡାର (ଏସଏଆର) ସିଷ୍ଟମରେ ପ୍ରୟୋଗ ପାଇଁ ଉପଯୁକ୍ତ ଡୁଆଲ-ପୋଲାରାଇଜଡ ବିକିରଣ ହାସଲ କରିବା ପାଇଁ ଏକ କୋଆକ୍ସିଲି-ଫେଡଡ ସିଙ୍ଗଲ-ଲେୟାର୍ କମ୍ପାକ୍ଟ ଡୁଆଲ ବ୍ୟାଣ୍ଡ (କ୍ୟାଣ୍ଡ୍ ଏକ୍ସ-ବ୍ୟାଣ୍ଡ୍) ମାଇକ୍ରୋଷ୍ଟ୍ରିପ୍ ପ୍ୟାଚ୍ ଆଣ୍ଟିନା ଉପସ୍ଥାପନ କରାଯାଇଛି । ଏହି ଆଣ୍ଟିନା ତିନୋଟି ଆୟତନ ବିଶିଷ୍ଟ ପ୍ୟାଚରେ ନିର୍ମିତ ହୋଇଛି । ଆଣ୍ଟେନର ଫ୍ରିକ୍ୱେନ୍ସି ରେସପନ୍ସକୁ ସଠିକ ଭାବେ ଅନୁମାନ କରିବା ପାଇଁ ପୂର୍ଣ୍ଣ ତରଙ୍ଗର ଇଲେକ୍ଟ୍ରୋମ୍ୟାଗ୍ନେଟିକ ସିମୁଲେସନ କରାଯାଏ । ନିର୍ମିତ ଆଣ୍ଟେନା 154 MHz (f0 = 6.83 GHz) ଏବଂ 209 MHz (f0 = 9.73 GHz) ର ଇମ୍ପେଡେନ୍ସ ବ୍ୟାଣ୍ଡୱିଡ୍ଟ ହାସଲ କରିଥାଏ VSWR < 2 ପାଇଁ । ଉଭୟ ଫ୍ରିକ୍ୱେନ୍ସିର ଏକକାଳୀନ ବ୍ୟବହାର ଦ୍ୱାରା ଡାଟା ସଂଗ୍ରହ ଏବଂ ସାର୍ଜ ପ୍ରଣାଳୀରେ ଥିବା ଲକ୍ଷ୍ୟଗୁଡ଼ିକର ଜ୍ଞାନରେ ଉନ୍ନତି ଆସିବ । |
358d2a02275109c250f74f8af150d42eb75f7b5f | ପବ୍ଲିକ କୀ କ୍ରିପ୍ଟୋଗ୍ରାଫି (ପି.କେ.ସି) ହେଉଛି ଇଣ୍ଟରନେଟ ଭଳି ପାରମ୍ପରିକ ନେଟୱାର୍କରେ ଅନେକ ସୁରକ୍ଷା ସେବା ଏବଂ ପ୍ରୋଟୋକଲକୁ ସମର୍ଥ କରୁଥିବା ଟେକ୍ନୋଲୋଜି । ବେତାର ସେନସର ନେଟୱାର୍କ କ୍ଷେତ୍ରରେ, ଏଲିପ୍ଟିକ ବକ୍ର କ୍ରିପ୍ଟୋଗ୍ରାଫି (ଇସିସି) କୁ ଅନୁସନ୍ଧାନ କରାଯାଉଛି, ଯାହାକି ସବୁଠାରୁ ପ୍ରଭାବଶାଳୀ ପ୍ରକାରର ପିକେସି ମଧ୍ୟରୁ ଗୋଟିଏ, ଯାହା ପିକେସିକୁ ସେନସର ନେଟୱାର୍କ ପ୍ରୟୋଗରେ ସମର୍ଥନ ପ୍ରଦାନ କରିବ ଯାହାଫଳରେ ବର୍ତ୍ତମାନର ପିକେସି ଆଧାରିତ ସମାଧାନର ଲାଭ ଉଠାଯାଇପାରିବ । ଏହି ଦସ୍ତାବିଜରେ ଟାଇନିଇସିସିର ଡିଜାଇନ, କାର୍ଯ୍ୟକାରିତା ଏବଂ ମୂଲ୍ୟାଙ୍କନ ବିଷୟରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଟାଇନିଇସିସିର ପ୍ରାଥମିକ ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଇସିସି ଆଧାରିତ ପିକେସି କାର୍ଯ୍ୟ ପାଇଁ ଏକ ବ୍ୟବହାର ପାଇଁ ପ୍ରସ୍ତୁତ, ସର୍ବସାଧାରଣରେ ଉପଲବ୍ଧ ସଫ୍ଟୱେର୍ ପ୍ୟାକେଜ୍ ପ୍ରଦାନ କରିବା ଯାହା ନମନୀୟ ଭାବରେ ବିନ୍ୟାସିତ ଏବଂ ସେନସର ନେଟୱାର୍କ ପ୍ରୟୋଗରେ ଏକୀକୃତ ହୋଇପାରିବ । TinyECC ଅନେକ ପ୍ରକାର ଅପ୍ଟିମାଇଜେସନ୍ ସୁଇଚ୍ ପ୍ରଦାନ କରିଥାଏ, ଯାହା ନିର୍ଦ୍ଦିଷ୍ଟ ଅପ୍ଟିମାଇଜେସନ୍ କୁ ଡେଭଲପରଙ୍କ ଆବଶ୍ୟକତା ଅନୁସାରେ ଅନ୍ କିମ୍ବା ଅଫ କରିପାରେ । ବିଭିନ୍ନ ପ୍ରକାର ଅପ୍ଟିମାଇଜେସନ୍ ର ଭିନ୍ନ ଭିନ୍ନ ସମନ୍ୱୟ ଭିନ୍ନ ଭିନ୍ନ କାର୍ଯ୍ୟକାରିତା ସମୟ ଏବଂ ସମ୍ବଳ ଖର୍ଚ୍ଚ ଦେଇଥାଏ, ଯାହା ବିକାଶକାରୀମାନଙ୍କୁ ଟାଇନିଇସିସିକୁ ସେନସର ନେଟୱାର୍କ ଆପ୍ଲିକେସନ୍ ରେ ଏକୀକୃତ କରିବାରେ ବହୁତ ନମନୀୟତା ପ୍ରଦାନ କରିଥାଏ । ଏହି ପତ୍ରିକାରେ ମଧ୍ୟ ଟାଇନିଇସିସିର ପରୀକ୍ଷାମୂଳକ ମୂଲ୍ୟାୟନ ବିଷୟରେ ଉଲ୍ଲେଖ କରାଯାଇଛି । ମୂଲ୍ୟାୟନ ଫଳାଫଳଗୁଡିକ କାର୍ଯ୍ୟକାରିତା ସମୟ ଏବଂ ଉତ୍ସ ବ୍ୟବହାର ଉପରେ ବ୍ୟକ୍ତିଗତ ଅପ୍ଟିମାଇଜେସନର ପ୍ରଭାବକୁ ଦର୍ଶାଏ ଏବଂ TinyECC ର ସବୁଠାରୁ ଅଧିକ ଗଣନା ଦକ୍ଷ ଏବଂ ସର୍ବାଧିକ ସଂରକ୍ଷଣ ଦକ୍ଷ ବିନ୍ୟାସ ପ୍ରଦାନ କରେ । |
d1d044d0a94f6d8ad1a00918abededbd2a41f1bd | * ସମ୍ପୃକ୍ତ ଲେଖକ: ଚ. ସନ୍ଦୀପ କୁମାର ସୁବୁଦ୍ଧି ସାରାଂଶ ଆମ କାର୍ଯ୍ୟର ଲକ୍ଷ୍ୟ ହେଉଛି ମାନବ ଶରୀରର ତାପମାତ୍ରା, ରକ୍ତଚାପ (ବିପି), ନାଡି ହାର ଏବଂ ଇସିଜି ଉପରେ ନଜର ରଖିବା ଏବଂ ରୋଗୀର ଅବସ୍ଥାନକୁ ଟ୍ରାକ୍ କରିବା । ମାନବ ଶରୀରର ତାପମାତ୍ରା, BP, ପଲସ୍ ରେଟ୍ ଏବଂ ECG କାର୍ଯ୍ୟ ପରିବେଶରେ ଚିହ୍ନଟ କରାଯାଇଥାଏ; ଏହାକୁ ଯଥାକ୍ରମେ ସେନସର ବ୍ୟବହାର କରି ଅନୁଭୂତ କରାଯାଇପାରିବ । ଏହି ସୂଚନା ରୋଗୀ ୟୁନିଟରୁ ସଙ୍କେତ ସନ୍ତୁଳନ ସର୍କିଟ ମାଧ୍ୟମରେ PIC16F877 ମାଇକ୍ରୋ କଣ୍ଟ୍ରୋଲରକୁ ପଠାଯାଇଥାଏ । ସେନସର ମୂଲ୍ୟର ଏକ ଇଚ୍ଛାକୃତ ପରିମାଣ ସେଟ କରାଯାଇଥାଏ ଏବଂ ଯଦି ଏହା ଅତିକ୍ରମ କରାଯାଏ ତେବେ ପ୍ରାଥମିକ ପଦକ୍ଷେପ ଗୁଡିକୁ ବଜର ଦ୍ୱାରା ସୂଚାଇ ନିଆଯିବା ଉଚିତ । ସେନସର ସୂଚନା ରୋଗୀ ୟୁନିଟରୁ ମୁଖ୍ୟ ନିୟନ୍ତ୍ରଣ ୟୁନିଟକୁ ଜିଗବି ଯୋଗାଯୋଗ ବ୍ୟବସ୍ଥାର ସାହାଯ୍ୟରେ ପଠାଯିବ ଯାହା ଉଭୟ ୟୁନିଟରେ ମାଇକ୍ରୋକଣ୍ଟ୍ରୋଲର ସହିତ ସଂଯୁକ୍ତ । ମୁଖ୍ୟ ନିୟନ୍ତ୍ରଣ ୟୁନିଟ ଏହି ସେନସର ଡାଟା ସହିତ ରୋଗୀର ଅବସ୍ଥାନକୁ ଜିପିଏସ ମଡ୍ୟୁଲ ସାହାଯ୍ୟରେ ପର୍ଯ୍ୟବେକ୍ଷକ/ଡାକ୍ତରଙ୍କୁ ପଠାଇବ । ପର୍ଯ୍ୟବେକ୍ଷକ/ଡାକ୍ତର GSM ମଡ୍ୟୁଲ ଦ୍ୱାରା ପଠାଯାଇଥିବା ଏସଏମଏସକୁ ଗ୍ରହଣ କରିପାରିବେ ଏବଂ ପରବର୍ତ୍ତୀ ନିଷ୍ପତ୍ତି ନିଆଯାଇପାରିବ । ଏହି ବାର୍ତ୍ତା ଗ୍ଲୋବାଲ ସିଷ୍ଟମ ମୋବାଇଲ (ଜିଏସଏମ) ମୋଡେମ ବ୍ୟବହାର କରି ମୋବାଇଲ ଫୋନକୁ ପଠାଯାଇଥାଏ । MAX232 ମାଇକ୍ରୋ କଣ୍ଟ୍ରୋଲର ଏବଂ ମୋଡେମ ମଧ୍ୟରେ ଏକ ଡ୍ରାଇଭର ଥିଲା । |
f980462aa340a1beed2f040db9b54d7f22378a58 | ସ୍ଥିରିଓ ଭିଜନ କମ୍ପ୍ୟୁଟର ଭିଜନରେ ଏକ ସକ୍ରିୟ ଗବେଷଣା ବିଷୟ । ପଏଣ୍ଟ ଗ୍ରେ ବମ୍ବେଲବି ଏବଂ ଡିଜିଟାଲ ସିଙ୍ଗଲ ଲେନ୍ସ ରିଫ୍ଲେକ୍ସ କ୍ୟାମେରା (ଡିଏସଏଲଆର) ସାଧାରଣତଃ ଷ୍ଟେରିଓ ଭିଜନ ଗବେଷଣାରେ ବ୍ୟବହାର କରାଯାଏ । ଆର୍ଡୁଇନୋ ଏବଂ ରାସ୍ପବେରୀ ପାୟ ପରି ଓପନ ସୋର୍ସ ଇଲେକ୍ଟ୍ରୋନିକ୍ସ ପ୍ରୋଟୋଟାଇପିଂ ପ୍ଲାଟଫର୍ମଗୁଡିକ ଆକର୍ଷଣୀୟ ଉତ୍ପାଦ, ଯାହା ଛାତ୍ର କିମ୍ବା ଗବେଷକମାନଙ୍କୁ ସେମାନଙ୍କର ଗବେଷଣା ପ୍ରକଳ୍ପ ପାଇଁ କଷ୍ଟମ ନିର୍ମିତ ଶସ୍ତା ପରୀକ୍ଷାମୂଳକ ଉପକରଣ ତିଆରି କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ଏହି କାଗଜରେ ପାଇ ଏବଂ କ୍ୟାମେରା ମଡ୍ୟୁଲ ବ୍ୟବହାର କରି ଆମ ଗବେଷଣାରେ ବିକଶିତ ବୁଦ୍ଧିମାନ ଷ୍ଟେରିଓ କ୍ୟାମେରା ମୋବାଇଲ ପ୍ଲାଟଫର୍ମର ବର୍ଣ୍ଣନା କରାଯାଇଛି ଏବଂ ରୋବୋଟିକ ଷ୍ଟେରିଓ ଭିଜନ ଗବେଷଣା କାର୍ଯ୍ୟ ପାଇଁ ଶସ୍ତା ଓପନ ସୋର୍ସ ଅଂଶ ବ୍ୟବହାର କରିବାର ଧାରଣାକୁ ବିସ୍ତୃତ ଭାବରେ ଉପସ୍ଥାପନ କରାଯାଇଛି । |
11db74171df92a50d64bd88d569454415878c63a | ଆମେ ଏକ ଅମଳ ଅର୍ଥ ପ୍ରତିନିଧିତ୍ୱ (ଏଏମଆର) ପାଇଁ ଏକ ପାର୍ସର ଉପସ୍ଥାପନ କରୁଛୁ । ଆମେ ଇଂରାଜୀରୁ ଏଏମଆର ରୂପାନ୍ତରଣକୁ ଷ୍ଟ୍ରିଙ୍ଗ-ଟ୍ରି, ବାକ୍ୟବିନ୍ୟାସ ଆଧାରିତ ମେସିନ ଅନୁବାଦ (ଏସବିଏମଟି) ର ଢାଞ୍ଚାରେ ବ୍ୟବହାର କରିଥାଉ । ଏହି କାର୍ଯ୍ୟ କରିବା ପାଇଁ, ଆମେ ଏଏମଆର ସଂରଚନାକୁ ଏସବିଏମଟି ର ଯାନ୍ତ୍ରିକତା ପାଇଁ ଉପଯୁକ୍ତ ଏବଂ ମଡେଲିଂ ପାଇଁ ଉପଯୋଗୀ ଏକ ଫର୍ମରେ ରୂପାନ୍ତରିତ କରିଥାଉ । ଆମେ ଏମଆର-ସ୍ୱତନ୍ତ୍ର ଭାଷା ମଡେଲର ଉପଯୋଗ କରିଥାଉ ଏବଂ ଅର୍ଥନୈତିକ ସମ୍ବଳରୁ ତଥ୍ୟ ଓ ବୈଶିଷ୍ଟ୍ୟ ଯୋଡ଼ିଥାଉ । ଆମର ଏମଆର ପାର୍ସର ଅତ୍ୟାଧୁନିକ ଫଳାଫଳ ଉପରେ 7ଟି ମେଳ ଖାଉଥିବା ପଏଣ୍ଟରେ ଉନ୍ନତି ଆଣିଥାଏ । |
f99f46f1b90be4582946951f4f12d8b9209354b2 | ଏକ ଧାତୁ ସିଲିଣ୍ଡରରେ ଏକତ୍ରିତ ହୋଇଥିବା ଇ- ଆକାରର ପ୍ୟାଚର 4 ଟି ଉପାଦାନ ଉପ-ରେଜକୁ ନେଇ ଏକ ଆଣ୍ଟେନା ୱାୟାରଲେସ୍ ଲୋକାଲ ଏରିଆ ନେଟୱାର୍କ (ଡବ୍ଲୁଏଲଏନ) ରେ ବ୍ୟବହାର ପାଇଁ ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି । ଏହି ବିଶେଷ ଆରେ କନଫିଗରେସନକୁ ସିଲିଣ୍ଡର କେସରେ ବ୍ୟବହାର କରି ୮.୩% ବ୍ୟାଣ୍ଡୱିଡଥ୍ ଏବଂ କେବଳ ୨ଟି ସବ-ଆରେ ସହିତ ହରିଜଣ୍ଟାଲ ପ୍ଲେନରେ ଏକ ସର୍ବନିର୍ଦ୍ଦେଶୀୟ ବିକିରଣ ପଟ୍ଟର ହାସଲ କରାଯାଇପାରିବ । ସିଏସଟି ମାଇକ୍ରୋୱେଭ ଷ୍ଟୁଡିଓକୁ ଉତ୍ପାଦନ ପୂର୍ବରୁ ବୈଧତା ଉଦ୍ଦେଶ୍ୟରେ ବ୍ୟବହାର କରାଯାଏ । ଲେଖକମାନଙ୍କ ଜ୍ଞାନ ଅନୁସାରେ, ଏହା ପ୍ରଥମ ଥର ପାଇଁ ହୋଇଛି ଯେ, ନିକଟରେ ପ୍ରଚଳିତ ଏହି ଦୃଢ଼ ଭାବେ ଯୋଡ଼ି ହୋଇଥିବା ଇ- ଆକାରର ପ୍ୟାଚର ଧାରଣା ଏକ କନଫର୍ମ ଆଣ୍ଟିନାରେ ବ୍ୟବହୃତ ହୋଇଛି । |
b72a44e0f509a91a02c4d5b2df2a95fb1b3ee392 | ଏହି ଲେଖାରେ ଫଲୋ-ମି କ୍ଲାଉଡ୍ ବିଷୟବସ୍ତୁ ବିଷୟରେ ଆଲୋଚନା କରାଯାଇଛି ଏବଂ ଏହାର ରୂପରେଖ ସମ୍ପର୍କରେ ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି । ପ୍ରସ୍ତାବିତ ଢାଂଚା ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଡାଟା ସେଣ୍ଟର ଏବଂ 3GPP ମୋବାଇଲ ନେଟୱାର୍କର ଉପଭୋକ୍ତା ଉପକରଣ ମଧ୍ୟରେ ଚାଲିଥିବା ଆଇପି ସେବାର ସମସ୍ତ କିମ୍ବା କେବଳ ଏକ ଆବଶ୍ୟକୀୟ ଅଂଶକୁ ଅନ୍ୟ ଏକ ସର୍ବୋତ୍ତମ ସିଡିକୁ ବିନା ସେବା ବାଧାବିଘ୍ନରେ ସୁଗମ ଭାବରେ ସ୍ଥାନାନ୍ତରିତ କରିବା । ସେବା ପରିଚୟ ସହିତ ଆଇପି ଠିକଣାର ସ୍ଥାନାନ୍ତରଣ ଦ୍ୱାରା ସେବା ସ୍ଥାନାନ୍ତରଣ ଏବଂ ନିରନ୍ତରତାକୁ ସମର୍ଥନ କରାଯାଇଥାଏ । ବାସ୍ତବରେ, ଏକ ଏଫଏମସି ସେବା/ପ୍ରୟୋଗକୁ ଏକ ସେସନ୍/ସେବା ଆଇଡି ଦ୍ୱାରା ଚିହ୍ନଟ କରାଯାଇଥାଏ, ଯାହା ସେସନ୍ ସମୟରେ ପ୍ରଦାନ କରାଯାଉଥିବା ସେବା ସହିତ ଗତିଶୀଳ ଭାବରେ ପରିବର୍ତ୍ତନ ହୋଇଥାଏ; ଏଥିରେ 3GPP ମୋବାଇଲ୍ ନେଟୱାର୍କ ମଧ୍ୟରେ ୟୁଇର ଏକ ଅନନ୍ୟ ପରିଚୟକର୍ତ୍ତା, କ୍ଲାଉଡ୍ ସେବାର ପରିଚୟକର୍ତ୍ତା ଏବଂ କ୍ଲାଉଡ୍ ସେବାର ଗତିଶୀଳ ପରିବର୍ତ୍ତନଶୀଳ ବୈଶିଷ୍ଟ୍ୟ ଅନ୍ତର୍ଭୁକ୍ତ । ଏଫଏମସିରେ ସେବା ସ୍ଥାନାନ୍ତରଣ ୟୁଇର ଆଇପି ଠିକଣାରେ ପରିବର୍ତ୍ତନ ଦ୍ୱାରା ଆରମ୍ଭ ହୋଇଥାଏ, ଯାହା ମୋବାଇଲ ନେଟୱାର୍କରେ ଡାଟା ଆଙ୍କର ଗେଟୱେରେ ପରିବର୍ତ୍ତନ କାରଣରୁ ହୋଇଥାଏ, ଯାହା ୟୁଇର ଗତିଶୀଳତା ଏବଂ/କିମ୍ବା ଲୋଡ ବାଲାନ୍ସ ପାଇଁ ହୋଇଥାଏ । ଏହାପରେ ନୂତନ ଡାଟା ଆଙ୍କର ଗେଟୱେର ବୈଶିଷ୍ଟ୍ୟ ଆଧାରରେ ଏକ ସର୍ବୋତ୍ତମ ସିଡି ଚୟନ କରାଯାଇଥାଏ । ସୁଗମ ସେବା ସ୍ଥାନାନ୍ତରଣ ଏବଂ ନିରନ୍ତରତା ୟୁଇ ଏବଂ ଡିସିରେ ସ୍ଥାପିତ ଲଜିକ କାରଣରୁ ସମର୍ଥିତ ଯାହା IP ପ୍ରବାହଗୁଡ଼ିକର ବୈଶିଷ୍ଟ୍ୟକୁ ସେସନ୍/ସେବା IDକୁ ମ୍ୟାପ୍ କରିଥାଏ । |
11190a466d1085c09a11e52cc63f112280ddce74 | ଆବିଷ୍କାର କରାଯାଇଥିବା ଦୃଷ୍ଟିଶକ୍ତି ପ୍ରଣାଳୀ, ପ୍ରାରମ୍ଭିକ ପ୍ରାଇମେଟ ଦୃଷ୍ଟିଶକ୍ତି ପ୍ରଣାଳୀର ଆଚରଣ ଏବଂ ନ୍ୟୁରୋନାଲ ସ୍ଥାପତ୍ୟ ଦ୍ୱାରା ଅନୁପ୍ରାଣିତ । ବହୁସ୍ତରୀୟ ଛବି ବିଶେଷତ୍ୱକୁ ଏକକ ଭୌଗଳିକ ଉତ୍କର୍ଷ ମାନଚିତ୍ରରେ ମିଶ୍ରଣ କରାଯାଇଛି । ଏକ ଗତିଶୀଳ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ପରେ ଉପସ୍ଥିତ ସ୍ଥାନଗୁଡ଼ିକୁ ହ୍ରାସ ପାଉଥିବା ସୂଚୀରେ ଚୟନ କରିଥାଏ । ଏହି ପ୍ରଣାଳୀରେ ଦୃଶ୍ୟକୁ ବୁଝିବା ପାଇଁ ଜଟିଳ ସମସ୍ୟାକୁ ଦୂର କରାଯାଇଥାଏ । |
5b2bc4aaa63412ff1745a79d2f322b5ff67d0f9c | |
b2db00f73fc6b97ebe12e97cfdaefbb2fefc253b | କ୍ଲଷ୍ଟରିଂ ବ୍ୟବହାର କରି କୌଣସି ବ୍ୟତିକ୍ରମ ବା ଅନୁପ୍ରବେଶ ଚିହ୍ନଟ ପ୍ରଣାଳୀ (ଆଇଡିଏସ) ର ଡିଜାଇନ୍ କରିବାରେ ସବୁଠାରୁ କଷ୍ଟକର ସମସ୍ୟା ହେଉଛି କ୍ଲଷ୍ଟରଗୁଡ଼ିକୁ ଲେବଲ୍ କରିବା, ଅର୍ଥାତ୍ କ୍ଲଷ୍ଟରଗୁଡ଼ିକୁ ଚିହ୍ନଟ କରିବା । ନେଟୱର୍କ/ହୋଷ୍ଟରେ କେଉଁଟି "ଭଲ" ବ୍ୟବହାର ଓ କେଉଁଟି "ଖରାପ" ବ୍ୟବହାର ତାହା ନିର୍ଣ୍ଣୟ କରିବା । ଏହି କାଗଜରେ, ଏକ ନୂତନ କ୍ଲଷ୍ଟର ଲେବଲିଂ ରଣନୀତି, ଯାହା କ୍ଲଷ୍ଟର ଗୁଣବତ୍ତା ସୂଚକାଙ୍କ ବ୍ୟବହାର କରେ, ଏପରି ଏକ IDS ରେ ପ୍ରୟୋଗ ପାଇଁ ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି । ନୂଆ ଲେବଲିଂ ଆଲଗୋରିଦମର ଲକ୍ଷ୍ୟ ହେଉଛି ବହୁତ ସମାନ ଭେକ୍ଟର ଥିବା କମ୍ପାକ୍ଟ କ୍ଲଷ୍ଟରକୁ ଚିହ୍ନଟ କରିବା ଏବଂ ଏହା ଆକ୍ରମଣ ଭେକ୍ଟର ହେବାର ସମ୍ଭାବନା ଅଧିକ । ଦୁଇଟି କ୍ଲଷ୍ଟର ଗୁଣବତ୍ତା ସୂଚକାଙ୍କ ପରୀକ୍ଷା କରାଯାଇ ତୁଳନା କରାଯାଇଛି: ସିଲୁଏଟ ସୂଚକାଙ୍କ ଏବଂ ଡେଭିସ-ବୋଲ୍ଡିନ୍ ସୂଚକାଙ୍କ । ଏକ ମଲ୍ଟିପଲ କ୍ଲାସିଫାୟର ଆଇଡିଏସ୍ର ପ୍ରଭାବକୁ ଦୁଇଟି ପ୍ରଚଳିତ ସିଷ୍ଟମ ସହିତ ତୁଳନା କରି ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳରୁ ଜଣାପଡିଛି ଯେ ସିଲୁଏଟ୍ ସୂଚକାଙ୍କ ବ୍ୟବହାର କରୁଥିବା ସିଷ୍ଟମ ଡେଭିସ୍-ବୋଲ୍ଡିନ୍ ସୂଚକାଙ୍କ ବ୍ୟବହାର କରୁଥିବା ସିଷ୍ଟମ ଅପେକ୍ଷା ସାମାନ୍ୟ ଅଧିକ ସଠିକ୍ ଫଳାଫଳ ପ୍ରଦାନ କରିଥାଏ । କିନ୍ତୁ ଡେଭିସ-ବୋଲ୍ଡିନ ସୂଚକାଙ୍କର ଗଣନା ସିଲୁଏଟ ସୂଚକାଙ୍କ ଗଣନାଠାରୁ କମ୍ ଜଟିଳ, ଯାହାକି କ୍ଲଷ୍ଟରିଂ ବ୍ୟବହାର କରୁଥିବା ଆଇଡିଏସ୍ର ରିଅଲ-ଟାଇମ୍ ଅପରେସନ୍ ସମ୍ବନ୍ଧରେ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଲାଭ । |
ee35c52c22fadf92277c308263be6288249a6327 | ଭିଭାଲଡି ବ୍ରଡବ୍ୟାଣ୍ଡ ଫାସିଙ୍ଗ ଆରେ ଉପରେ ପୂର୍ବରୁ କରାଯାଇଥିବା ଅଧ୍ୟୟନ ମୁଖ୍ୟତଃ ଦୁଇ-ଆକାର ସ୍କାନିଂ ଫାସିଙ୍ଗ ଆରେ ଉପରେ କେନ୍ଦ୍ରିତ ଥିଲା । ଏହି କାଗଜରେ ଏକ କ୍ଷୁଦ୍ର ସନ୍ତୁଳିତ ଆଣ୍ଟିପୋଡାଲ ଭିଭାଲଡି ଆଣ୍ଟିନା (BAVA) ଉପସ୍ଥାପିତ କରାଯାଇଛି । ଏକ ନୂତନ ଭର୍ଟିକାଲ ପାରାସିଟିକ୍ ମେଟାଲ ଷ୍ଟ୍ରିପ୍ ଲୋଡିଂକୁ ଡୁଆଲ-ପୋଲାରାଇଜଡ୍ ଲିନିୟର ଫେଜଡ୍ ଆରେରେ ନିୟୋଜିତ କରାଯାଇଛି, ଯାହା ଏକ କମ୍ପାକ୍ଟ ସଂରଚନା ସୃଷ୍ଟି କରିଥାଏ । ଆର୍ଚ ଆକାରର ସ୍ଲଟ୍ ଏବଂ ମେଟାଲ ଷ୍ଟ୍ରିପ୍ ଲୋଡ୍ ସହିତ, ନିମ୍ନ କାର୍ଯ୍ୟ ବ୍ୟାଣ୍ଡରେ ବିକିରଣ କାର୍ଯ୍ୟଦକ୍ଷତା ଯଥେଷ୍ଟ ବୃଦ୍ଧି କରାଯାଇପାରିବ । ପ୍ରସ୍ତାବିତ ଆଣ୍ଟେନା 100mm (ଲମ୍ବ) *100mm (ବିସ୍ତୃତ) *125mm (ଗଭୀର) ଆକାରର ଏକ ସମୟସୀମା ମାଧ୍ୟମରେ ଅସୀମ ଅବସ୍ଥାରେ ଅନୁକରଣ କରାଯାଇଥାଏ । ଆଣ୍ଟେନା ±50° ପର୍ଯ୍ୟନ୍ତ ସ୍କାନ କରିବା ସମୟରେ ଇମ୍ପେଡେନ୍ସ ବ୍ୟାଣ୍ଡୱିଡଥ ହାସଲ କରିଥାଏ VSWR≤3 ଯଥାକ୍ରମେ ଭର୍ଟିକାଲ ପୋଲାରାଇଜେସନ ଏବଂ ହରିଜଣ୍ଟାଲ ପୋଲାରାଇଜେସନରେ 4:1 (0.5GHz-2GHz) ବ୍ୟାଣ୍ଡୱିଡଥ ଏବଂ 5:1 (0.4GHz-2GHz) ବ୍ୟାଣ୍ଡୱିଡଥ ହାସଲ କରିଥାଏ ଏବଂ ଅପରେଟିଂ ଫ୍ରିକ୍ୱେନ୍ସି ରେଞ୍ଜରେ ଆଇସୋଲେସନ -18dB ରୁ କମ୍ ହୋଇଥାଏ । |
62198d1c71b827f0674da3d4d7ebf718702713eb | ଅଲଟ୍ରା-ୱାଇଡ ବ୍ୟାଣ୍ଡ (UWB) ପଲସ ଡପଲର ରାଡାରକୁ ଏକରୁ ଅଧିକ ବିଷୟର ଅଣସଂଯୋଗୀ ଜୀବନ ଚିହ୍ନ ନିରୀକ୍ଷଣ ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ । ତଥାପି, ସେମାନଙ୍କର ଚିହ୍ନଟ ହୋଇଥିବା ସିଗନାଲରେ ସାଧାରଣତଃ କମ୍ ସିଗନାଲ୍-ଟୁ-ରୁଡ୍ ରେସିଓ (SNR) ଥାଏ ଯାହା ହୃଦସ୍ପନ୍ଦନ (HR) ଚିହ୍ନଟ କରିବାରେ ଗୁରୁତର ତ୍ରୁଟି ସୃଷ୍ଟି କରିଥାଏ, କାରଣ ଶ୍ୱାସକ୍ରିୟା ସିଗନାଲର ମିଥ୍ୟା ହାର୍ମୋନିକ୍ ଏବଂ ଶ୍ୱାସକ୍ରିୟା ଏବଂ ହୃଦସ୍ପନ୍ଦନ ସିଗନାଲର ମିଶ୍ରିତ ଉତ୍ପାଦ (ଯାହା ହୃଦସ୍ପନ୍ଦନ ସିଗନାଲ୍ ଅପେକ୍ଷା ଅପେକ୍ଷାକୃତ ଅଧିକ ହୋଇପାରେ) ପାରମ୍ପାରିକ ଦ୍ରୁତ ଫ୍ୟୁରିଏର୍ ରୂପାନ୍ତରିତ ସ୍ପେକ୍ଟ୍ରୋଗ୍ରାମକୁ ନଷ୍ଟ କରିଥାଏ । ଏହି କାଗଜରେ, ଆମେ ପୂର୍ବରୁ ବ୍ୟବହାର କରାଯାଇଥିବା ଜଟିଳ ସିଗନାଲ୍ ଡେମୋଡ୍ୟୁଲେସନ୍ (ସିଏସ୍ଡି) ଏବଂ ଆର୍କଟ୍ୟାଙ୍ଗେଣ୍ଟ ଡେମୋଡ୍ୟୁଲେସନ୍ (ଏଡି) କୌଶଳକୁ ୟୁଡବ୍ଲ୍ୟୁବି ପଲସ୍ ରାଡାରରେ ମଧ୍ୟ ବିସ୍ତାର କରିଛୁ । ଏହି ଚିହ୍ନଟ କୌଶଳ ଦ୍ୱାରା ହସ୍ତକ୍ଷେପ କରୁଥିବା ହାର୍ମୋନିୟମ ସିଗନାଲର ପ୍ରଭାବକୁ ହ୍ରାସ କରାଯାଇଥାଏ, ଯାହାଦ୍ୱାରା ଚିହ୍ନଟ ହୋଇଥିବା ଜୀବନ୍ତ ସଙ୍କେତର SNRରେ ଉନ୍ନତି ଆସିଥାଏ । HR ଆକଳନକୁ ଆହୁରି ଅଧିକ ସଠିକ କରିବା ପାଇଁ, ନିକଟରେ ବିକଶିତ ହୋଇଥିବା ଏକ ଷ୍ଟେଟସ୍ପେସ୍ ପଦ୍ଧତିକୁ ସିଏସଡି ଏବଂ ଏଡି କୌଶଳ ସହିତ ସଫଳତାର ସହିତ ମିଶ୍ରଣ କରାଯାଇଛି ଏବଂ ଏସଏନଆରରେ 10 ଡିସିଏଲରୁ ଅଧିକ ଉନ୍ନତି ପ୍ରଦର୍ଶିତ ହୋଇଛି । ଏହି ବିଭିନ୍ନ ଚିହ୍ନଟ କୌଶଳ ପ୍ରୟୋଗକୁ ପରୀକ୍ଷାମୂଳକ ଭାବେ ଅନୁସନ୍ଧାନ କରାଯାଇଛି ଏବଂ ସମ୍ପୂର୍ଣ୍ଣ ତ୍ରୁଟି ଏବଂ ଏସ୍ଏନ୍ଆର ବିଶ୍ଳେଷଣ HR ଚିହ୍ନଟକୁ ଉପସ୍ଥାପନ କରାଯାଇଛି । |
962f9eec6cce6253a2242fad2461746c9ccd2a0f | ଏକ ନୂଆ ଭିଆ-ଲେସ୍ କୋପ୍ଲାନାର୍ ୱେଭ୍ ଗାଇଡ୍ (ସିପିଡବ୍ଲ୍ୟୁ) କୁ ମାଇକ୍ରୋଷ୍ଟ୍ରିପ୍ ଟ୍ରାଞ୍ଜିସନ୍ ଉପରେ ଆଲୋଚନା କରାଯାଇଛି ଏବଂ ସିମୁଲେସନ୍ ଏବଂ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଉପରେ ଆଧାରିତ ଡିଜାଇନ୍ ନିୟମ ଉପସ୍ଥାପନ କରାଯାଇଛି । ଏହି ପରିବର୍ତ୍ତନ 10 ଗିଗାହର୍ଟସରୁ 40 ଗିଗାହର୍ଟସ ପର୍ଯ୍ୟନ୍ତ ଫ୍ରିକ୍ୱେନ୍ସି ରେଞ୍ଜରେ ସର୍ବାଧିକ 1 ଡିବି ଇନସର୍ଟନ କ୍ଷତି ଦର୍ଶାଇଥାଏ, 20 ଗିଗାହର୍ଟସରେ ଏହାର ମୂଲ୍ୟ 0.4 ଡିବି ହୋଇଥାଏ । ଏହି ପରିବର୍ତ୍ତନ ଆର୍ଏଫ୍ ସିଷ୍ଟମ-ଅନ୍-ଚିପ୍, କମ୍ କ୍ଷୟକ୍ଷତି, କମ୍ ଖର୍ଚ୍ଚ ଏବଂ ଏହାର ସହଜ ନିର୍ମାଣ କାରଣରୁ ବିଭିନ୍ନ ପ୍ରୟୋଗ ପାଇପାରିବ । |
987878e987c493de52efa5b96db6558a65374585 | ଏକ ମେଟାମାଟେରିଆଲ ବାଲୁନ ଯାହାକି ଏକକ-ଅନ୍ତର ଇନପୁଟକୁ ଏକ ବଡ଼ ବ୍ୟାଣ୍ଡୱିଡଥ୍ ରେ ଡିଫେରେନସିଆଲ ଆଉଟପୁଟକୁ ରୂପାନ୍ତରିତ କରିଥାଏ । ଏହି ଉପକରଣରେ ମଧ୍ୟ ଉତ୍କୃଷ୍ଟ ରିଟର୍ଣ୍ଣ ଲସ, ଆଇସୋଲେସନ ଏବଂ ସମାନ ଫ୍ରିକ୍ୱେନ୍ସି ବ୍ୟାଣ୍ଡରେ ପାରଦର୍ଶୀ ଗୁଣ ରହିଛି । ଏହି ବଲନଟି ଏକ ୱିଲକିନ୍ସନ୍ ଡିଭାଇଡର, ତାପରେ +୯୦/ସ୍ପଲ ଡିଗ୍ରୀ/ନକାରାତ୍ମକ-ବିକ୍ରିମ-ଇଣ୍ଡେକ୍ସ (ଏନଆରଆଇ) ମେଟାମାଟେରିଆଲ (ଏମଏମ) ଫେଜ-ସିଫ୍ଟିଙ୍ଗ ଲାଇନ ଉପର ଶାଖା ଏବଂ -୯୦/ସ୍ପଲ ଡିଗ୍ରୀ/ଏମଏମ ଫେଜ-ସିଫ୍ଟିଙ୍ଗ ଲାଇନ ତଳ ଶାଖା ସହିତ ରହିଥାଏ । +୯୦/ସ୍ପଲ ଡିଗ୍ରି/ ଏବଂ -୯୦/ସ୍ପଲ ଡିଗ୍ରି/ ଶାଖା ପାଇଁ ଏମଏମ ଲାଇନ ବ୍ୟବହାର କରିବା ଦ୍ୱାରା ସେମାନଙ୍କର ପର୍ଯ୍ୟାୟ ପ୍ରତିକ୍ରିୟାର ଢଳଣକୁ ମେଳ ଖାଇବାକୁ ଅନୁମତି ମିଳିଥାଏ, ଯାହାଫଳରେ ବ୍ରଡବ୍ୟାଣ୍ଡ ଡିଫେରେନସିଆଲ ଆଉଟପୁଟ୍ ସିଗନାଲ୍ ମିଳିଥାଏ । ଏହି ବଲନର ସିଦ୍ଧାନ୍ତିକ କାର୍ଯ୍ୟଦକ୍ଷତା ୧.୫ ଗିଗାହର୍ଟଜରେ ଏକ ନିର୍ମିତ ପ୍ରୋଟୋଟାଇପର ସର୍କିଟ ସିମୁଲେସନ ଓ ମାପ ଦ୍ୱାରା ଯାଞ୍ଚ କରାଯାଇଥାଏ । ଏମଏମ ବାଲୁନ ୧.୧୭ ରୁ ୨.୩୩ ଗିଗାହର୍ଟଜ ପର୍ଯ୍ୟନ୍ତ ୧.୧୬ ଗିଗାହର୍ଟଜ (୭୭%) ର ମାପିତ ବିବିଧତା ବିଶିଷ୍ଟ ଆଉଟପୁଟ ଫ୍ୟାସ ବ୍ୟାଣ୍ଡୱିଡଥ୍ (୧୮୦/ସପଲ ଡିଗ/ସପଲ ପ୍ଲସ ଏମଏନ/୧୦/ସପଲ ଡିଗ/) ପ୍ରଦର୍ଶନ କରିଥାଏ । ସମସ୍ତ ତିନୋଟି ପୋର୍ଟ ପାଇଁ ମାପିତ ବିଚ୍ଛିନ୍ନତା ଏବଂ ଫେରସ୍ତ କ୍ଷତି 2 GHz ରୁ ଅଧିକ ବ୍ୟାଣ୍ଡୱିଡ୍ଟ ଉପରେ -10 dB ତଳେ ରହିଥାଏ, ଯେତେବେଳେ କି S/sub 21/ "କ୍ୟାପ" ଏବଂ S/sub 31/ "କ୍ୟାପ"ର ଆଉଟପୁଟ୍ ପରିମାଣ 0.5 ରୁ 2.5 GHz ପର୍ଯ୍ୟନ୍ତ -4 dB ଉପରେ ରହିଥାଏ । |
39da8410e503738eb19cd5d2f3e154e7e2a9971b | ଏହି ଅଧ୍ୟୟନରେ ଆମେ ଖାଦ୍ୟର ଆକଳନ ପାଇଁ କ୍ୟାଲୋରୀ ବିଷୟବସ୍ତୁ ଆକଳନ ପାଇଁ ଏକ ପ୍ରତିଛବି-ବିଶ্লেষণ ଆଧାରିତ ପଦ୍ଧତି ଉପସ୍ଥାପନ କରୁଛୁ । ଆମେ ଦୈନିକ ଖାଦ୍ୟ ଚିତ୍ର ବ୍ୟବହାର କରିଥାଉ ଯାହା ଏକାଧିକ ବ୍ୟବହାରକାରୀ ଦ୍ୱାରା ଖାଦ୍ୟ ଲଗ ନାମକ ଏକ ସର୍ବସାଧାରଣ ୱେବ ସେବାରେ କଏଦ କରାଯାଇଥାଏ । ଏହି ପ୍ରତିଛବିଗୁଡ଼ିକ ବିନା କୌଣସି ନିୟନ୍ତ୍ରଣ କିମ୍ବା ମାର୍କରରେ ନିଆଯାଇଛି । ଆମେ ଏକ ଶବ୍ଦକୋଷ ଡାଟାସେଟ ତିଆରି କରିଥାଉ, ଯେଉଁଥିରେ ୬୫୧୨ଟି ଚିତ୍ର ଥାଏ, ଯାହା ଖାଦ୍ୟ ଲଗରେ ରହିଥାଏ, ଯାହାର କ୍ୟାଲୋରୀ ବିଷୟବସ୍ତୁ ପୁଷ୍ଟିସାଧନ ବିଶେଷଜ୍ଞଙ୍କ ଦ୍ୱାରା ଆକଳନ କରାଯାଇଛି । ଗୋଟିଏ ଛବିକୁ ଏକାଧିକ ଛବି ବିଶେଷତା ଯଥା ରଙ୍ଗ ହିଷ୍ଟୋଗ୍ରାମ୍, ରଙ୍ଗ କୋରେଲୋଗ୍ରାମ୍ ଏବଂ ସର୍ଜର୍ ଫେଟୁର୍ ଭଳି ଦୃଷ୍ଟିକୋଣରୁ ଗ୍ରାଉଣ୍ଡ୍ ଟ୍ରୁଥ୍ ଡାଟା ସହିତ ତୁଳନା କରାଯାଏ ଏବଂ ଗ୍ରାଉଣ୍ଡ୍ ଟ୍ରୁଥ୍ ଛବିଗୁଡ଼ିକର ସମାନତା ଅନୁଯାୟୀ ଶ୍ରେଣୀଭୁକ୍ତ କରାଯାଇଥାଏ । ଶେଷରେ, ଇନପୁଟ୍ ଖାଦ୍ୟ ପ୍ରତିଛବିର କ୍ୟାଲୋରୀ ବିଷୟବସ୍ତୁକୁ ଅନେକ ବିଶେଷତାରେ ଶୀର୍ଷ n ର୍ୟାଙ୍କ୍ କ୍ୟାଲୋରୀ ବ୍ୟବହାର କରି ରେଖାଗତ ଆକଳନ ଦ୍ୱାରା ଗଣନା କରାଯାଏ । ଆକଳନ ବଣ୍ଟନରୁ ଜଣାପଡ଼େ ଯେ 79% ଆକଳନ ±40% ତ୍ରୁଟି ସହିତ ସଠିକ ଏବଂ ±20% ତ୍ରୁଟି ସହିତ 35% ସଠିକ । |
164bd38ee518e8191fc3fb27b23a10c2668f76d9 | ଅଙ୍ଗୁର । ୧. କେଉଁ ବିଷୟ ଉପରେ ଆଲୋଚନା କରିବା? ପ୍ରାକୃତିକ ଦୃଶ୍ୟକୁ ଦେଖି, ପ୍ରସ୍ତାବିତ ଉପାୟରେ ଗୋଟିଏ ଦୃଶ୍ୟର ଭିନ୍ନ ଭିନ୍ନ ରୂପକୁ ବିଭିନ୍ନ ପରିସ୍ଥିତିରେ, ଯେପରିକି ରାତି, ସୂର୍ଯ୍ୟାସ୍ତ, ଶୀତ, ବସନ୍ତ, ବର୍ଷା, କୁହୁଡ଼ି କିମ୍ବା ସେସବୁର ମିଶ୍ରଣରେ ଦେଖିହେବ । ପ୍ରଥମତଃ, ଆମର ପଦ୍ଧତି ଗୋଟିଏ ଜେନେରେଟର ନେଟୱର୍କକୁ ବ୍ୟବହାର କରି ଏହାର ଅର୍ଥଗତ ବିନ୍ୟାସ ଏବଂ ଆବଶ୍ୟକୀୟ ଗୁଣାବଳୀକୁ ଦୃଷ୍ଟିରେ ରଖି ଦୃଶ୍ୟକୁ କଳ୍ପନା କରିଥାଏ । ତାପରେ, ଏହା ସିଧାସଳଖ ଭାବରେ ହାଲୁକିନିତ ଆଉଟପୁଟରୁ ଇନପୁଟ ଇମେଜକୁ ରୂପାନ୍ତରିତ କରିଥାଏ, ରେଫରେନ୍ସ ଷ୍ଟାଇଲ ଇମେଜକୁ ଆକସେସର କରିବାର ଆବଶ୍ୟକତା ବିନା । |
08d94e04e4be38ef06bd0a3294af3936a27db529 | ଯେଉଁ ପ୍ରୟୋଗରେ ଅତି ଉଚ୍ଚ ଦିଗଦର୍ଶନ ଆବଶ୍ୟକ ହୋଇଥାଏ, ସେଠାରେ ଲଗ୍ ପିରିୟଡିକ୍ ଆଣ୍ଟିନା ଏବଂ ୟାଗି-ଉଦା ଆଣ୍ଟିନା ବ୍ୟବହାର କରାଯାଏ । ଏହା ମଧ୍ୟ 17-20dBi ପରିସର ମଧ୍ୟରେ ବହୁତ ଅଧିକ ଲାଭ ଦେଇଥାଏ । ଏହି ଅଧ୍ୟୟନରେ ବିଭିନ୍ନ ପ୍ରକାର ଲଗ୍ ପିରିୟଡିକ୍ ଏବଂ ୟାଗି ଆଣ୍ଟିନା, ଏହାର ସୁବିଧା ଏବଂ ସମସ୍ୟା ବିଷୟରେ ଆଲୋଚନା କରାଯାଇଛି । ୟାଗି-ଉଦା ଆଣ୍ଟିନା ସହିତ ଏକ ସମସ୍ୟା ହେଉଛି ଯଥେଷ୍ଟ କମ୍ ବ୍ୟାଣ୍ଡୱିଡ୍ଥ୍ । ଏହି ସମସ୍ୟାକୁ ଲଗ୍ ପିରିୟଡିକ୍ ଆଣ୍ଟିନା ଦ୍ୱାରା ସମାଧାନ କରାଯାଇଥାଏ ଯାହା ଉଚ୍ଚ ବ୍ୟାଣ୍ଡୱିଡ୍ଥ୍ ରେ କାର୍ଯ୍ୟ କରିପାରିବ ଏବଂ ଏକ ସମୟରେ ଉଚ୍ଚ ଲାଭ ପ୍ରଦାନ କରିପାରିବ । ଏହି ଅଧ୍ୟୟନରେ ମୁଦ୍ରିତ ୟାଗି-ଉଦା ଏବଂ ଲଗ୍ ପିରିୟଡିକ୍ ଆଣ୍ଟିନାକୁ ବାସ୍ତବ ରୂପ ଦେବା ପାଇଁ ବିଭିନ୍ନ କୌଶଳ ଉପରେ ସମୀକ୍ଷା କରାଯାଇଛି । ମାଇକ୍ରୋ ଷ୍ଟ୍ରିପ୍ ଫିଡିଂ, କୋ-ଏକ୍ସିୟଲ ଫିଡିଂ ଆଦି ବିଭିନ୍ନ ଫିଡିଂ କୌଶଳ ବ୍ୟବହାର କରି ଏହାକୁ ହାସଲ କରାଯାଇଥାଏ । ଏହା ମଧ୍ୟ ନିର୍ଦେଶକ ଓ ପ୍ରତିଫଳକ ଆକାରରେ ପରିବର୍ତ୍ତନ କରି ପ୍ରସ୍ତୁତ କରାଯାଇଥାଏ । ଉଚ୍ଚ ବ୍ୟାଣ୍ଡୱିଡଥ (ଲଗ ପିରିୟଡିକ ଆଣ୍ଟିନା) କୁ ମଧ୍ୟ ପ୍ରତିଫଳକ ସଂଖ୍ୟା ବୃଦ୍ଧି କରି ସମ୍ଭବ କରାଯାଇଛି । |
2e0b1facffd6e9a0b1bc6b87d1dab0874846fee0 | ନିରନ୍ତର କାର୍ଯ୍ୟକ୍ଷମ ହେବା ପାଇଁ ପରିବେଶରୁ ଶକ୍ତି ସଂଗ୍ରହ କରୁଥିବା ପ୍ରଣାଳୀଗୁଡିକ ସେମାନଙ୍କର ଚାହିଦା ପୂରଣ କରିବା ପାଇଁ ସେମାନଙ୍କର ବ୍ୟବହାରକୁ ଯତ୍ନର ସହିତ ନିୟନ୍ତ୍ରଣ କରିବା ଆବଶ୍ୟକ । ଶକ୍ତି ବ୍ୟବହାରକୁ ନିୟନ୍ତ୍ରଣ କରିବା ଏକ ଚ୍ୟାଲେଞ୍ଜ ହୋଇଥାଏ ଯଦି କୌଣସି ସିଷ୍ଟମର ଚାହିଦା ଇଲାଷ୍ଟିକ ନଥାଏ ଏବଂ ଏହାର ହାର୍ଡୱେର ଉପାଦାନଗୁଡ଼ିକ ଶକ୍ତି ଅନୁପାତିକ ନଥାଏ, କାରଣ ଏହା ଏହାର ଯୋଗାଣକୁ ମେଳାଇବା ପାଇଁ ଏହାର ବ୍ୟବହାରକୁ ସଠିକ ଭାବରେ ମାପ କରିପାରିବ ନାହିଁ । ଏହା ପରିବର୍ତ୍ତେ, ସିଷ୍ଟମକୁ ଏହାର ବର୍ତ୍ତମାନର ଶକ୍ତି ଭଣ୍ଡାର ଏବଂ ଭବିଷ୍ୟତର ଶକ୍ତି ଯୋଗାଣର ପୂର୍ବାନୁମାନ ଉପରେ ଆଧାର କରି ଏହାର ଶକ୍ତି ଚାହିଦା ପୂରଣ କରିବାକୁ ପଡିବ । ଏହି ଅଧ୍ୟୟନରେ ଆମେ ପାଣିପାଗ ପୂର୍ବାନୁମାନର ବ୍ୟବହାରକୁ ଅନୁସନ୍ଧାନ କରି ଏହାର ପୂର୍ବାନୁମାନକୁ ଉନ୍ନତ କରି ଚାହିଦା ପୂରଣ କରିବା ପାଇଁ ଏକ ବ୍ୟବସ୍ଥାର କ୍ଷମତାକୁ ଉନ୍ନତ କରିବାକୁ ଚେଷ୍ଟା କରୁଛୁ । ଆମେ ପାଣିପାଗ ପୂର୍ବାନୁମାନ, ପର୍ଯ୍ୟବେକ୍ଷଣ ଏବଂ ଶକ୍ତି ସଂଗ୍ରହ ତଥ୍ୟକୁ ବିଶ୍ଳେଷଣ କରି ଏକ ମଡେଲ ପ୍ରସ୍ତୁତ କରିଥାଉ ଯାହା ପାଣିପାଗ ପୂର୍ବାନୁମାନକୁ ପବନ କିମ୍ବା ସୌର ଶକ୍ତି ସଂଗ୍ରହ ପୂର୍ବାନୁମାନରେ ରୂପାନ୍ତରିତ କରେ ଏବଂ ଏହାର ସଠିକତାକୁ ପରିମାଣିକ କରେ । ଆମେ ଦୁଇଟି ଶକ୍ତି ଉତ୍ସ ପାଇଁ ଆମର ମଡେଲକୁ ଦୁଇଟି ଭିନ୍ନ ଶକ୍ତି ସଂଗ୍ରହ କରୁଥିବା ସେନସର ସିଷ୍ଟମ ସହିତ ମୂଲ୍ୟାଙ୍କନ କରିଛୁ ଯାହା ଇଲେଷ୍ଟିକ ଚାହିଦା ସହିତ ଅଛି: ଏକ ସେନସର ଟେଷ୍ଟବେଡ୍ ଯାହା ବାହ୍ୟ ଉପଭୋକ୍ତାମାନଙ୍କୁ ସେନସର ଲିଜ୍ ଦେଇଥାଏ ଏବଂ ଏକ ଶବ୍ଦକୋଷଗତ ଭାବରେ ନ୍ୟାୟପୂର୍ଣ୍ଣ ସେନସର ନେଟୱାର୍କ ଯାହା ସ୍ଥିର ନୋଡ୍ ସେନସିଂ ହାର ବଜାୟ ରଖିଥାଏ _ ଆମେ ଦେଖାଇଛୁ ଯେ ଉଭୟ ପବନ ଏବଂ ସୌର ଶକ୍ତି ଚାଳିତ ସେନସର ସିଷ୍ଟମରେ ପାଣିପାଗ ପୂର୍ବାନୁମାନ ବ୍ୟବହାର କରିବା ଦ୍ୱାରା ବର୍ତ୍ତମାନର ପୂର୍ବାନୁମାନ ରଣନୀତି ତୁଳନାରେ ପ୍ରତ୍ୟେକ ସିଷ୍ଟମର ଚାହିଦା ପୂରଣ କରିବାର କ୍ଷମତା ବୃଦ୍ଧି ପାଇଥାଏ । |
87a851593965e371184cf3c3df5630f8d66bf49b | ଦ୍ରୁତ ଗତିରେ ବିକଶିତ ହେଉଥିବା ଭିଆଇଏଲଏସଆଇ ପ୍ରଯୁକ୍ତି ଦ୍ୱାରା ଏମ୍ବେଡ ସିଷ୍ଟମର ମୂଲ୍ୟରେ ଯଥେଷ୍ଟ ହ୍ରାସ ଘଟିବ । ଏହିପରି ବ୍ୟବସ୍ଥା ଗୋଟିଏ ବ୍ୟକ୍ତିଙ୍କ ପାଇଁ ସମର୍ପିତ ଏବଂ ଦୂରରୁ ରୋଗ ନିରୂପଣ ସୂଚନା ପ୍ରଦାନ କରିଥାଏ । ଏହି କାଗଜରେ ପିଏସଓସି ମାଇକ୍ରୋ କଣ୍ଟ୍ରୋଲର ଏବଂ ଜିଏସଏମ ମଡ୍ୟୁଲ ବିଷୟରେ ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି, ଆମେ ରୋଗୀମାନଙ୍କ ସହିତ ସଂଯୁକ୍ତ କେବୁଲକୁ ସମାପ୍ତ କରୁଛୁ । ରୋଗୀକୁ ଦୈନନ୍ଦିନ କାର୍ଯ୍ୟ କରିବା ପାଇଁ ସ୍ୱାଧୀନତା ମିଳିଥାଏ ଏବଂ ସେ କ୍ରମାଗତ ଭାବେ ନିରୀକ୍ଷଣରେ ରହିଥାଏ (ବୃଦ୍ଧ ବ୍ୟକ୍ତିଙ୍କ ପାଇଁ ଏହା ବହୁତ ଉପଯୁକ୍ତ) । ପିଏସଓସିରେ ଏଡିସି ଏବଂ ପ୍ରୋଗ୍ରାମେବଲ ଗେନ୍ ଆମ୍ପ୍ଲିଫାୟର ରହିଛି ଯାହା ସିଙ୍ଗଲ ଚିପ୍ କାର୍ଯ୍ୟକାରୀ କରିବା ପାଇଁ ସକ୍ଷମ ହୋଇଛି । ହାର୍ଡୱେର ଜଟିଳତା ମଧ୍ୟ ସରଳ ଏବଂ ଖର୍ଚ୍ଚ ହ୍ରାସ କରିଥାଏ । ଏହି ବ୍ୟବସ୍ଥାର ମୂଳ ସିଦ୍ଧାନ୍ତ ହେଉଛି ବାୟୋମେଡିକାଲ ସେନସର ମଡ୍ୟୁଲରୁ ବାୟୋମେଡିକାଲ ସିଗନାଲକୁ ପଢିବା ଏବଂ ଡାଟା ରୂପାନ୍ତରଣ କାର୍ଯ୍ୟ କରିବା, ଜି.ଏସ୍.ଏମ୍. ବ୍ୟବହାର କରି ଏସ.ଏମ୍.ଏସ୍. ପଠାଇବା ଏବଂ ସରଳ ପ୍ରି-ପ୍ରୋସେସିଂ କ୍ଷମତା ପ୍ରଦାନ କରିବା ଯେପରିକି ୱେଭଫର୍ମ ଏଭରେଜିଂ କିମ୍ବା ରିକ୍ଟିଫିକେସନ୍ । ଏଟି କମାଣ୍ଡ ମାଧ୍ୟମରେ ପିଏସଓସିକୁ ଜିଏସଏମ ଆଧାରିତ ମୋଡେମ ଇଣ୍ଟରଫେସ ମାଇକ୍ରୋ କଣ୍ଟ୍ରୋଲର ଟେକ୍ସଟ ମେସେଜ ଗ୍ରହଣ ଏବଂ ପଠାଇବାରେ ସକ୍ଷମ ହେବ । ଆଙ୍ଗୁଠିକୁ LED ଓ LDR ମଧ୍ୟରେ ରଖାଯାଏ । ଚର୍ମକୁ ଦୃଷ୍ଟିଗୋଚର (ରୋଡ) ଆଲୋକରେ ଆଲୋକିତ କରାଯାଇପାରିବ । ଏହି କାଗଜରେ ବ୍ୟକ୍ତିଗତ ସ୍ୱାସ୍ଥ୍ୟ ସେବାରେ ବିପ୍ଳବ ଆଣିବା ପାଇଁ ଚିକିତ୍ସା ପ୍ରୟୋଗରେ ବେତାର ସଂଚାରର ଏକୀକରଣ ଉପରେ ଆଧାରିତ । ଏହି ଧାରଣା ଅନୁସାରେ ରୋଗୀମାନଙ୍କୁ ଆଉ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ସ୍ୱାସ୍ଥ୍ୟ ସେବା କେନ୍ଦ୍ରରେ ରଖାଯିବ ନାହିଁ ଯେଉଁଠାରେ ସେମାନଙ୍କୁ ଡାକ୍ତରୀ ଉପକରଣ ଦ୍ୱାରା ନିରୀକ୍ଷଣ କରାଯିବ - ବେତାର ଯୋଗାଯୋଗ ସେମାନଙ୍କୁ କେବଳ ନିରାପଦ ଏବଂ ସଠିକ ନିରୀକ୍ଷଣ ପ୍ରଦାନ କରିବ ନାହିଁ ବରଂ ସେମାନଙ୍କୁ ଯାତାୟାତର ସ୍ୱାଧୀନତା ମଧ୍ୟ ପ୍ରଦାନ କରିବ । ଦୂରବର୍ତ୍ତୀ ରୋଗୀ ତଦାରଖ କେବଳ ଡାକ୍ତରଖାନାରେ ଚିକିତ୍ସା ନୁହେଁ ବରଂ କାର୍ଯ୍ୟ, ଘର ଏବଂ ମନୋରଞ୍ଜନ କାର୍ଯ୍ୟକଳାପକୁ ମଧ୍ୟ ନୂତନ ପରିଭାଷା ପ୍ରଦାନ କରିବ । ଭବିଷ୍ୟତର ଘରର କଳ୍ପନା କରନ୍ତୁ: ବୟସ୍କ ବ୍ୟକ୍ତିଙ୍କୁ ଆଉ ଡାକ୍ତରଖାନା ଯିବାକୁ ପଡିବ ନାହିଁ, କାମରେ ବ୍ୟସ୍ତ ଥିବା ଜଣେ ମା ରୋଗୀ ପିଲାଙ୍କ ତାପମାତ୍ରା ବିଷୟରେ ଇମେଲ ମାଧ୍ୟମରେ ସୂଚନା ପାଇପାରିବେ, ଜଣେ ଡାକ୍ତର ଯାତାୟାତ ସମୟରେ ନିଜର ମୋବାଇଲ ଫୋନକୁ ଅନ୍ କରି ରୋଗୀଙ୍କ ସ୍ଥିତି ଯାଞ୍ଚ କରିପାରିବେ । ଏହି ପ୍ରକଳ୍ପର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି GSM ଟେକ୍ନୋଲୋଜି ବ୍ୟବହାର କରି ଏକ ବେତାର ହାର୍ଟ ବିଟ୍ ମନିଟରିଂ ସିଷ୍ଟମ ନିର୍ମାଣ କରିବା, ଯାହା ଏକ ବଡ଼ ଆକାରର ରିମୋଟ ରୋଗୀ ମନିଟରିଂ ସିଷ୍ଟମ ପାଇଁ ବ୍ୟକ୍ତିଗତ ସ୍ୱାସ୍ଥ୍ୟ ସେବା ଉପକରଣର ଏକ ଅଭିନ୍ନ ଅଙ୍ଗ ହୋଇପାରେ । ଏହି କାଗଜରେ ପିଏସଓସି ମାଇକ୍ରୋକଣ୍ଟ୍ରୋଲର ବ୍ୟବହାର କରି ଏକ ଶସ୍ତା ଡିଜିଟାଲ ହାର୍ଟ ମିଟର ଡିଜାଇନ କରାଯାଇଛି ଏବଂ ଏହି ୟୁନିଟକୁ ଜିଏସଏମ ମୋଡେମ ସହିତ ସଂଯୋଗ କରି ପଠାଯାଉଛି... |
0558c94a094158ecd64f0d5014d3d9668054fb97 | ଆମେ ରେସିଲିଏଣ୍ଟ ଡିଷ୍ଟ୍ରିବ୍ୟୁଟେଡ ଡାଟାସେଟ (ଆରଡିଡି) ଉପସ୍ଥାପନ କରୁଛୁ, ଏକ ବିତରିତ ସ୍ମୃତି ଅବକ୍ଷୟ ଯାହା ପ୍ରୋଗ୍ରାମରମାନଙ୍କୁ ବଡ଼ କ୍ଲଷ୍ଟରରେ ଇନ-ମେମୋରୀ ଗଣନା କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ, ଯେତେବେଳେ ଡାଟା ପ୍ରବାହ ମଡେଲଗୁଡିକର ତ୍ରୁଟି ସହନଶୀଳତା ବଜାୟ ରଖିଥାଏ ଯେପରିକି ମ୍ୟାପ ରେଡ୍ୟୁସ । RDD ଗୁଡିକ ଦୁଇ ପ୍ରକାରର ପ୍ରୟୋଗ ଦ୍ୱାରା ପ୍ରେରିତ ହୋଇଥାଏ ଯାହା ବର୍ତ୍ତମାନର ଡାଟା ପ୍ରବାହ ପ୍ରଣାଳୀକୁ ଅକର୍ମଣ୍ୟ ଭାବରେ ପରିଚାଳନା କରିଥାଏ: Iterative algorithms, ଯାହା ଗ୍ରାଫ୍ ପ୍ରୟୋଗ ଏବଂ ମେସିନ୍ ଶିକ୍ଷଣରେ ସାଧାରଣ ଅଟେ, ଏବଂ ଇଣ୍ଟରଆକ୍ଟିଭ୍ ଡାଟା ମାଇନିଂ ଉପକରଣ । ଉଭୟ କ୍ଷେତ୍ରରେ, ତଥ୍ୟକୁ ସ୍ମୃତିରେ ରଖିବା ଦ୍ୱାରା କାର୍ଯ୍ୟଦକ୍ଷତା ଉନ୍ନତ ହୋଇପାରିବ । ତ୍ରୁଟି ସହନଶୀଳତା କୁ ଦକ୍ଷତାର ସହିତ ହାସଲ କରିବା ପାଇଁ, RDD ଗୁଡିକ ଏକ ସୀମିତ ପ୍ରକାରର ସହଭାଗୀ ସ୍ମୃତି ପ୍ରଦାନ କରିଥାଏ: ସେଗୁଡିକ କେବଳ ପଠନୀୟ ଡାଟାସେଟ ଅଟେ ଯାହା କେବଳ ଅନ୍ୟ RDD ଗୁଡିକରେ ବଲ୍କ ଅପରେସନ ମାଧ୍ୟମରେ ନିର୍ମାଣ କରାଯାଇପାରିବ । ତେବେ, ଆମେ ଦେଖାଇଛୁ ଯେ RDD ଗୁଡ଼ିକ ବ୍ୟାପକ ଶ୍ରେଣୀର ଗଣନା ଧାରଣ କରିବା ପାଇଁ ଯଥେଷ୍ଟ ଅଭିବ୍ୟକ୍ତ ଅଟେ, ଯେଉଁଥିରେ MapReduce ଏବଂ ପ୍ରିଗେଲ ପରି ପୁନରାବୃତ୍ତି କାର୍ଯ୍ୟ ପାଇଁ ସ୍ୱତନ୍ତ୍ର ପ୍ରୋଗ୍ରାମିଂ ମଡେଲ ଅନ୍ତର୍ଭୁକ୍ତ । ଆମର ଆରଡିଡିର କାର୍ଯ୍ୟାନ୍ୱୟନ, ବାରମ୍ବାର କାର୍ଯ୍ୟ ପାଇଁ ହାଡୋପକୁ 20 ଗୁଣ ଅଧିକ ଭଲ କରିପାରିବ ଏବଂ 5-7 ସେକେଣ୍ଡର ଲେଟେନ୍ସି ସହିତ 1 ଟିବି ଡାଟାସେଟକୁ ସନ୍ଧାନ କରିବା ପାଇଁ ଇଣ୍ଟରଆକ୍ଟିଭ୍ ଭାବରେ ବ୍ୟବହାର କରାଯାଇପାରିବ । |
c77be34db96695159244723fe9ffa4a88dc4a36d | ସର୍ଚ୍ଚ ଇଞ୍ଜିନରେ ସନ୍ତୁଷ୍ଟତା ବୁଝିବା ଏବଂ ଆକଳନ କରିବା ହେଉଛି ପୁନରୁଦ୍ଧାର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ମୂଲ୍ୟାଙ୍କନ କରିବାର ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଦିଗ । ବର୍ତ୍ତମାନ ପର୍ଯ୍ୟନ୍ତ ଗବେଷଣା ଏକ ବାଇନାରୀ ସ୍କେଲରେ ସର୍ଚ୍ଚ ସନ୍ତୋଷର ମଡେଲିଂ ଏବଂ ପୂର୍ବାନୁମାନ କରିଛି, ଅର୍ଥାତ୍, ସନ୍ଧାନକାରୀମାନେ ସେମାନଙ୍କର ସର୍ଚ୍ଚ ଫଳାଫଳ ସହିତ ସନ୍ତୁଷ୍ଟ କିମ୍ବା ଅସନ୍ତୁଷ୍ଟ ଅଟନ୍ତି । କିନ୍ତୁ, ବ୍ୟବହାରକାରୀଙ୍କ ସର୍ଚ୍ଚ ଅନୁଭୂତି ଏକ ଜଟିଳ ଗଠନ ଅଟେ ଏବଂ ଏଥିରେ ବିଭିନ୍ନ ସ୍ତରର ସନ୍ତୁଷ୍ଟି ରହିଛି । ତେଣୁ, ସନ୍ତୋଷର ଦ୍ବିଗୁଣୀୟ ବର୍ଗୀକରଣ ସୀମିତ ହୋଇପାରେ । ଆମର ଜ୍ଞାନ ଅନୁସାରେ, ଆମେ ପ୍ରଥମ ଲୋକ ଯିଏକି ବୁଝିବା ଓ ଅନୁମାନ କରିବା ପାଇଁ ସମସ୍ୟାକୁ ବୁଝୁଛୁ । ଆମେ ସର୍ଚ୍ଚ ଇଞ୍ଜିନର ଲଗରୁ ମାଇନ୍ ହୋଇଥିବା ସେସନ୍ଗୁଡ଼ିକର ପରୀକ୍ଷା କରିଥିଲୁ, ଯେଉଁଠାରେ ସର୍ଚ୍ଚରଙ୍କ ସନ୍ତୁଷ୍ଟି ମଧ୍ୟ ମାନବ ଏନାଟୋଟର୍ ଦ୍ୱାରା ବହୁ-ବିନ୍ଦୁ ସ୍କେଲରେ ଆକଳନ କରାଯାଇଥିଲା । ଏହି ସର୍ଚ୍ଚ ଲଗ ଡାଟାର ଲାଭ ଉଠାଇ ଆମେ ବିଭିନ୍ନ ସ୍ତରର ସନ୍ତୁଷ୍ଟି ସହିତ ସେସନରେ ସର୍ଚ୍ଚ ବ୍ୟବହାରରେ ସମୃଦ୍ଧ ଏବଂ ଅଣ-ଏକକ ପ୍ରକାର ପରିବର୍ତ୍ତନକୁ ଲକ୍ଷ୍ୟ କରିଥାଉ । ଏହି ଫଳାଫଳରୁ ଜଣାପଡ଼ୁଛି ଯେ, ଆମେ ଅଧିକ ସଠିକ ସନ୍ତୋଷର ସ୍ତର ବିଷୟରେ ପୂର୍ବାନୁମାନ କରିବା ଉଚିତ । ଏହି ସମସ୍ୟାକୁ ସମାଧାନ କରିବା ପାଇଁ ଆମେ ସର୍ଚ୍ଚ ସନ୍ତୋଷର ମଡେଲ ତିଆରି କରିଥାଉ ଯାହା ସର୍ଚ୍ଚ ଫଳାଫଳ, ସର୍ଚ୍ଚ ପ୍ରୟାସ ଏବଂ ସେସନ୍ ସମୟରେ ଉଭୟ ଫଳାଫଳ ଏବଂ ପ୍ରୟାସରେ ପରିବର୍ତ୍ତନକୁ ଦର୍ଶାଇଥାଏ । ଆମେ ଦେଖାଇଛୁ ଯେ ଆମର ଆଭିମୁଖ୍ୟ ସର୍ଚ୍ଚ ସନ୍ତୋଷରେ ସୂକ୍ଷ୍ମ ପରିବର୍ତ୍ତନକୁ ଅତ୍ୟାଧୁନିକ ପଦ୍ଧତି ଅପେକ୍ଷା ଅଧିକ ସଠିକ୍ ଭାବରେ ପୂର୍ବାନୁମାନ କରିପାରିବ, ଯାହା ସର୍ଚ୍ଚ ସନ୍ତୋଷରେ ଅଧିକ ଅନ୍ତର୍ଦୃଷ୍ଟି ପ୍ରଦାନ କରିଥାଏ । ଆମର ମଡେଲଗୁଡ଼ିକର ଭଲ ପ୍ରଦର୍ଶନ ସର୍ଚ୍ଚ ପ୍ରଦାନକାରୀମାନଙ୍କ ପାଇଁ ପ୍ରଭାବ ପକାଇଥାଏ ଯେଉଁମାନେ ସେମାନଙ୍କର ସେବାରେ ସନ୍ତୁଷ୍ଟତାକୁ ସଠିକ୍ ଭାବରେ ମାପିବାକୁ ଚେଷ୍ଟା କରନ୍ତି । |
d7d9d643a378b6fd69fff63d113f4eae1983adc8 | |
5e38e39dee575b07fb751bff5b05064b6942e2d3 | ଅନଲାଇନ ଏବଂ ମୁକ୍ତ ଦୂରଶିକ୍ଷା ପାଠ୍ୟକ୍ରମରେ ଛାତ୍ରଛାତ୍ରୀଙ୍କ ଅବହେଳା ହାର ଏକ ପ୍ରମୁଖ ମାପଦଣ୍ଡ । ଆମେ ଏକ ସମୟ-ଶୃଙ୍ଖଳା ବର୍ଗୀକରଣ ପଦ୍ଧତିର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଅନଲାଇନ ଦୂରଶିକ୍ଷା ମଡ୍ୟୁଲଗୁଡ଼ିକରେ ଛାତ୍ରଛାତ୍ରୀଙ୍କ ଆଚରଣ ଏବଂ କାର୍ଯ୍ୟକଳାପ ଉପରେ ଆଧାରିତ ତଥ୍ୟ ନିର୍ମାଣ କରିବ । ଆହୁରି ମଧ୍ୟ, ଆମେ ସମୟ ଶୃଙ୍ଖଳା ଜଙ୍ଗଲ (ଟିଏସଏଫ) ବର୍ଗୀକରଣ ଆଲଗୋରିଦମ ଉପରେ ଆଧାରିତ ଏକ ଡ୍ରପଆଉଟ ପୂର୍ବାନୁମାନ ମଡେଲ ପ୍ରସ୍ତାବ କରୁଛୁ । ପ୍ରସ୍ତାବିତ ପୂର୍ବାନୁମାନ ମଡେଲଟି ଆଦାନପ୍ରଦାନ ତଥ୍ୟ ଉପରେ ଆଧାରିତ ଏବଂ ଶିକ୍ଷଣ ଲକ୍ଷ୍ୟ ଏବଂ ବିଷୟ କ୍ଷେତ୍ରଠାରୁ ସ୍ୱାଧୀନ । ଏହି ମଡେଲ ଶିକ୍ଷାଦାନରେ ବିଶେଷଜ୍ଞଙ୍କ ଆବଶ୍ୟକତା ବିନା ଶିକ୍ଷାନୁଷ୍ଠାନରୁ ବିଦାୟ ନେବାର ହାରର ପୂର୍ବାନୁମାନ କରିବାକୁ ସକ୍ଷମ କରିଥାଏ । ଫଳାଫଳ ଦର୍ଶାଉଛି ଯେ ଦୁଇଟି ବଛା ବଛା ଡାଟାସେଟରେ ପୂର୍ବାନୁମାନ ସଠିକତା ବୃଦ୍ଧି ପାଇଥାଏ କାରଣ ମଡେଲରେ ବ୍ୟବହୃତ ଡାଟାର ଅଂଶ ବୃଦ୍ଧି ପାଇଥାଏ । ତେବେ, ଡାଟାସେଟର ମାତ୍ର ୫% ପ୍ରକ୍ରିୟାକରଣ ସହିତ ୦.୮୪ର ଏକ ଯୁକ୍ତିଯୁକ୍ତ ପୂର୍ବାନୁମାନ ସଠିକତା ସମ୍ଭବ ଅଟେ । ଫଳସ୍ୱରୂପ, ପ୍ରାରମ୍ଭିକ ପୂର୍ବାନୁମାନ ଶିକ୍ଷକଙ୍କ ହସ୍ତକ୍ଷେପକୁ ଡିଜାଇନ୍ କରିବାରେ ସାହାଯ୍ୟ କରିପାରିବ ଯାହାଦ୍ୱାରା ଜଣେ ଛାତ୍ର ବହୁତ ପଛରେ ପଡ଼ିବା ପୂର୍ବରୁ ପାଠ୍ୟକ୍ରମ ସମାପ୍ତ କରିବାକୁ ଉତ୍ସାହିତ କରିବ । |
625fb5f70406ac8dbd954d1105bd8e725d9254d9 | 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 । |
b959164d1efca4b73986ba5d21e664aadbbc0457 | ଫିଡଫରୱାର୍ଡ ନେଟୱର୍କରେ ମ୍ୟାପିଂ ଶିଖିବା ପାଇଁ ଏକ ପରିମାଣିକ ଏବଂ ବ୍ୟବହାରିକ ବେଜେସୀୟ ଢାଞ୍ଚା ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଏହି ଢାଞ୍ଚା (1) ବିକଳ୍ପ ନେଟୱର୍କ ସ୍ଥାପତ୍ୟ ବ୍ୟବହାର କରି ସମାଧାନ ମଧ୍ୟରେ ଉଦ୍ଦେଶ୍ୟମୂଳକ ତୁଳନା, (2) ନେଟୱର୍କ ସଂରକ୍ଷଣ କିମ୍ବା ବୃଦ୍ଧି ପ୍ରକ୍ରିୟା ପାଇଁ ଉଦ୍ଦେଶ୍ୟମୂଳକ ବନ୍ଦ ନିୟମ, (3) ଓଜନ ହ୍ରାସର ପରିମାଣ ଏବଂ ପ୍ରକାର କିମ୍ବା ଅତିରିକ୍ତ ନିୟମିତକାରୀ (ବଡ଼ ଓଜନକୁ ଦଣ୍ଡିତ କରିବା ପାଇଁ ଇତ୍ୟାଦି) ର ଉଦ୍ଦେଶ୍ୟମୂଳକ ପସନ୍ଦକୁ ସମ୍ଭବ କରିଥାଏ । ), (4) ଏକ ମଡେଲରେ ଭଲ ଭାବରେ ନିର୍ଦ୍ଧାରିତ ପାରାମିଟରର ପ୍ରଭାବଶାଳୀ ସଂଖ୍ୟାର ଏକ ମାପ, (5) ନେଟୱାର୍କ ପାରାମିଟର ଏବଂ ନେଟୱାର୍କ ଆଉଟପୁଟରେ ତ୍ରୁଟି ବାରର ପରିମାଣିକ ଆକଳନ, ଏବଂ (6) ବିକଳ୍ପ ଶିକ୍ଷଣ ଏବଂ ଇଣ୍ଟରପୋଲେସନ୍ ମଡେଲ ସହିତ ଉଦ୍ଦେଶ୍ୟପୂର୍ଣ୍ଣ ତୁଳନା ଯେପରିକି ସ୍ପ୍ଲାଇନ୍ ଏବଂ ରେଡିଏଲ୍ ବେସ୍ ଫଙ୍କସନ୍ _ ବେୟେସୀୟ "ପ୍ରମାଣ" ସ୍ୱୟଂଚାଳିତ ଭାବରେ "ଅକ୍କାମର ରେଜର"କୁ ଅନ୍ତର୍ଭୁକ୍ତ କରେ, ଯାହାକି ଅତ୍ୟଧିକ ନମନୀୟ ଏବଂ ଅତ୍ୟଧିକ ଜଟିଳ ମଡେଲକୁ ଦଣ୍ଡିତ କରେ । ବେୟେସୀୟ ପଦ୍ଧତି ଶିକ୍ଷଣ ମଡେଲରେ ଦୁର୍ବଳ ଅନ୍ତର୍ନିହିତ ଅନୁମାନକୁ ଚିହ୍ନଟ କରିବାରେ ସାହାଯ୍ୟ କରେ । କୌଣସି ସମସ୍ୟା ସହିତ ଭଲ ଭାବରେ ମେଳ ଖାଉଥିବା ଶିକ୍ଷଣ ମଡେଲ ପାଇଁ, ସାଧାରଣକରଣ କ୍ଷମତା ଏବଂ ବେୟେସୀୟ ପ୍ରମାଣ ମଧ୍ୟରେ ଏକ ଭଲ ସମ୍ପର୍କ ପ୍ରାପ୍ତ ହୁଏ । |
27578f85abf2cc167e855411bbfa972d7d26ec0f | ଏକ ଏଫଇଟି ଆକାରର 1-18 ଗିଗାହର୍ଜ ଏକ ଏକଲିଥିକ ଆକ୍ଟିଭ୍ ମ୍ୟାଜିକ୍ ଟି (1 ୱାଟ୍ ହାଇବ୍ରିଡ୍) ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । ଏହା ଦୁଇଟି ଭିନ୍ନ ଭିନ୍ନ ଡିଭାଇଡରକୁ ଏକତ୍ରିତ କରିଥାଏ, ଯାହା ପରସ୍ପରଠାରୁ ବିଦ୍ୟୁତ ଦ୍ୱାରା ପୃଥକ ହୋଇଥାଏ, ଏକ ନୂତନ GaAs FET ଇଲେକ୍ଟ୍ରୋଡ ବିନ୍ୟାସ, ଯଥାଃ ଏହି ପ୍ରକଳ୍ପରେ ଲୁଫେଟ କଳ୍ପନାଜଳ୍ପନା ସାମିଲ ରହିଛି । ଏହାର ବିଶେଷତ୍ୱ ଓ ପରୀକ୍ଷଣ ଫଳାଫଳ ଉପସ୍ଥାପିତ ହୋଇଛି । ମାଇନେଟ୍ରିକ ଟିର ପ୍ରୟୋଗ କ୍ଷୁଦ୍ର ବ୍ରଡବ୍ୟାଣ୍ଡ ଆରଏଫ ସିଗନାଲ ପ୍ରୋସେସିଂରେ । ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । |
25642be46de0f2e74e0da81a14646f8bfcc9000a | ଉଭୟ ମଣିଷ ଓ କମ୍ପ୍ୟୁଟର ପାଇଁ ପ୍ରତିଛବି ଶ୍ରେଣୀକରଣ ଏକ ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ କାର୍ଯ୍ୟ । ଏଥିରୁ ଗୋଟିଏ ଆହ୍ୱାନ ହେଉଛି ବ୍ୟାପକ ଅର୍ଥନୈତିକ ପରିସର । ବିଶେଷ କରି, ମନୁଷ୍ୟ ଦଶ ହଜାର ବସ୍ତୁ ଶ୍ରେଣୀ ଏବଂ ଦୃଶ୍ୟକୁ ଚିହ୍ନିପାରେ । ଆଜି ପର୍ଯ୍ୟନ୍ତ କୌଣସି କମ୍ପ୍ୟୁଟର ଭିଜନ ଆଲଗୋରିଦମକୁ ଏହି ସ୍ତରରେ ପରୀକ୍ଷା କରାଯାଇନାହିଁ । ଏହି ଅଧ୍ୟୟନରେ ବିଶାଳ ଆକାରର ଶ୍ରେଣୀବିଭାଗୀକରଣର ଏକ ଅଧ୍ୟୟନ ଉପସ୍ଥାପିତ କରାଯାଇଛି ଯେଉଁଥିରେ ୧୦,୦୦୦ରୁ ଅଧିକ ପ୍ରତିଛବି ଶ୍ରେଣୀ ସହିତ ଶ୍ରେଣୀବିଭାଗୀକରଣ ଉପରେ ଏକ ଚ୍ୟାଲେଞ୍ଜିଂ ପରୀକ୍ଷଣର ଏକ ଶୃଙ୍ଖଳା ଅନ୍ତର୍ଭୁକ୍ତ । ଆମେ ପାଇଲୁ ଯେ a) ଆଲଗୋରିଦମ ଡିଜାଇନରେ କମ୍ପ୍ୟୁଟେଶନାଲ ସମସ୍ୟା ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ ହୋଇଯାଏ; b) ବିଭିନ୍ନ ଶ୍ରେଣୀକାରଙ୍କ ଆପେକ୍ଷିକ କାର୍ଯ୍ୟଦକ୍ଷତା ଉପରେ ଦୁଇ ଶହ ପ୍ରତିଛବି ଶ୍ରେଣୀରୁ ପାରମ୍ପରିକ ଜ୍ଞାନ ଆବଶ୍ୟକ ନାହିଁ ଯେତେବେଳେ ଶ୍ରେଣୀ ସଂଖ୍ୟା ବୃଦ୍ଧି ପାଏ; c) ୱାର୍ଡନେଟର ସଂରଚନା (ଭାଷା ଅଧ୍ୟୟନ ପାଇଁ ବିକଶିତ) ଏବଂ ଭିଜୁଆଲ୍ ଶ୍ରେଣୀକରଣର ଅସୁବିଧା ମଧ୍ୟରେ ଏକ ଆଶ୍ଚର୍ଯ୍ୟଜନକ ଦୃ strong ସମ୍ପର୍କ ଅଛି; d) ଅର୍ଥଶାସ୍ତ୍ରର ହିରାର୍କିକୁ ବ୍ୟବହାର କରି ଶ୍ରେଣୀକରଣରେ ଉନ୍ନତି କରାଯାଇପାରିବ _ ସ୍ୱୟଂଚାଳିତ ଦୃଷ୍ଟିଶକ୍ତି ଆଲଗୋରିଦମ ବିକଶିତ କରିବାର ଭବିଷ୍ୟତ ଲକ୍ଷ୍ୟ ଦିଗରେ ଦଶ ହଜାର କିମ୍ବା ଲକ୍ଷ ଲକ୍ଷ ପ୍ରତିଛବି ଶ୍ରେଣୀକୁ ଚିହ୍ନିବା ପାଇଁ, ଆମେ ତଥ୍ୟ ସେଟ୍ ସ୍କେଲ, ଶ୍ରେଣୀ ଘନତା, ଏବଂ ପ୍ରତିଛବି ଶ୍ରେଣୀ ବିଷୟରେ ଅନେକ ପର୍ଯ୍ୟବେକ୍ଷଣ ଏବଂ ଯୁକ୍ତି ପ୍ରସ୍ତୁତ କରୁ । |
b8b17b2dd75749ecd68eb1ff1d2cea1703660a18 | ଏହା କୌଣସି ସାଧାରଣ କଥା ନୁହେଁ କାରଣ ପରିବେଶ ସମ୍ବନ୍ଧୀୟ ଜ୍ଞାନ ହେଉଛି ଏକ ସ୍ମୃତିର ପରିମାଣ ଯାହା ରାଡାର ଫ୍ରଣ୍ଟ-ଏଣ୍ଡ୍ ଥ୍ରୋପୁଟ୍ ଆବଶ୍ୟକତାକୁ ପୂରଣ କରିବା ପାଇଁ ଆବଶ୍ୟକ ହାରରେ ପ୍ରବେଶ କରିବା କଷ୍ଟକର (ଯଦି ଅସମ୍ଭବ ନୁହେଁ) । ଏହି ଲେଖାରେ ଆମେ କାସ୍ପର୍ ପ୍ରୋଗ୍ରାମର ଏକ ସମୀକ୍ଷା ପ୍ରଦାନ କରିବୁ ଯେଉଁଥିରେ କେଏ ଆଡାପ୍ଟିଭ୍ ରାଡାରର ଲାଭ, ମୁଖ୍ୟ ଆଲଗୋରିଦମିକ୍ ଧାରଣା ଏବଂ କାସ୍ପର୍ ଏଚପିଇସି ସ୍ଥାପତ୍ୟର ଚାବିକାଠି ହୋଇଥିବା ଅଗ୍ରଗତିଶୀଳ ରାଡାର ଯୋଜନା ପଦ୍ଧତି ଉପରେ ଆଲୋକପାତ କରାଯିବ । ଗତ କିଛି ବର୍ଷ ଧରି ପ୍ରତିରକ୍ଷା ଉନ୍ନତ ଗବେଷଣା ପ୍ରକଳ୍ପ ଏଜେନ୍ସି (ଡାରପା) ପ୍ରଥମ ଥର ପାଇଁ ରିଅଲ ଟାଇମ୍ ଜ୍ଞାନ ସହାୟକ (କା) ଅନୁକୂଳ ରାଡାର ସ୍ଥାପତ୍ୟର ବିକାଶରେ ଅଗ୍ରଣୀ ଭୂମିକା ଗ୍ରହଣ କରିଛି । ଏହି କାର୍ଯ୍ୟକ୍ରମର ପ୍ରେରଣା ହେଉଛି ଆଧୁନିକ ରାଡାରଗୁଡ଼ିକ ଦ୍ୱାରା ସମ୍ମୁଖୀନ ହେଉଥିବା ଅଧିକରୁ ଅଧିକ ଜଟିଳ ମିଶନ ଏବଂ କାର୍ଯ୍ୟକାରୀ ପରିବେଶ ଏବଂ ଦ୍ରୁତ ଗତିରେ ପରିବର୍ତ୍ତନ ହେଉଥିବା ହସ୍ତକ୍ଷେପ ପରିବେଶକୁ ମୁକାବିଲା କରିବା ପାଇଁ ପାରମ୍ପରିକ ଅନୁକୂଳକରଣ ପଦ୍ଧତିର ଅକ୍ଷମତା । ଡାରପା କେଏ ସେନସର ସିଗନାଲ ପ୍ରୋସେସିଂ ଏବଂ ବିଶେଷଜ୍ଞ ତର୍କ (କାସପର୍) କାର୍ଯ୍ୟକ୍ରମର ଲକ୍ଷ୍ୟ ହେଉଛି ଏକ ଉଚ୍ଚ-ପ୍ରଦକ୍ଷତା ଏମ୍ବେଡଡ୍ କମ୍ପ୍ୟୁଟିଂ (ଏଚପିଇସି) ସ୍ଥାପତ୍ୟର ପ୍ରଦର୍ଶନ ଯାହା ଆଧୁନିକ ରାଡାରର ସବୁଠାରୁ କମ୍ପ୍ୟୁଟିଂ ଚାହିଦା ଥିବା ଉପ-ପ୍ରଣାଳୀରେ ଉଚ୍ଚ-ବିଶ୍ୱାସଯୋଗ୍ୟ ପରିବେଶ ଜ୍ଞାନ (ଅର୍ଥାତ, ପ୍ରାଥମିକ) କୁ ଏକୀକରଣ କରିବାରେ ସକ୍ଷମଃ ଆଡାପ୍ଟିଭ୍ ସ୍ପେସ୍-ଟାଇମ୍ ବିମ୍ ଫର୍ମାଟର । |
0f4f5ba66a0b666c512c4f120c521cecc89e013f | ପାରମ୍ପରିକ ଚିକିତ୍ସା ମଡେଲର ଅଂଶଗ୍ରହଣକାରୀ ଚିକିତ୍ସା ପ୍ରତି ବର୍ତ୍ତମାନର ବିବର୍ତ୍ତନକୁ ଇଣ୍ଟରନେଟ୍ ଅଫ୍ ଥିଙ୍ଗସ୍ (ଆଇଓଟି) ପାରାଡିଗମ୍ ଦ୍ୱାରା ପ୍ରୋତ୍ସାହିତ କରାଯାଇପାରିବ ଯେଉଁଥିରେ ସେନସର (ପର୍ଯ୍ୟାବରଣ, ପରିଧାନଯୋଗ୍ୟ ଏବଂ ପ୍ରତିରୋପଣ) ଘରୋଇ ପରିବେଶରେ ବିସ୍ତାରିତ ହୋଇଥାଏ ଯାହା ବ୍ୟବହାରକାରୀଙ୍କ ସ୍ୱାସ୍ଥ୍ୟ ଉପରେ ନଜର ରଖିବା ଏବଂ ରିମୋଟ୍ ସହାୟତାକୁ ସକ୍ରିୟ କରିବା ପାଇଁ ଉଦ୍ଦିଷ୍ଟ । ସ୍ୱଳ୍ପ ମୂଲ୍ୟର, ଶକ୍ତି-ସ୍ୱୟଂକ୍ରିୟ ଏବଂ ଏକକାଳୀନ ବ୍ୟବହାର ଯୋଗ୍ୟ ସେନସର ମାଧ୍ୟମରେ ସ୍ମାର୍ଟ ପରିବେଶରେ ବ୍ୟକ୍ତିଗତ ସ୍ୱାସ୍ଥ୍ୟସେବା ପାଇଁ ଆଇଓଟି ଭୌତିକ ସ୍ତରର ଏକ ଅଂଶ ଯୋଗାଇବା ପାଇଁ ଆରଏଫଆଇଡି ଟେକ୍ନୋଲୋଜି ବର୍ତ୍ତମାନ ପରିପକ୍ୱ ହୋଇଛି । ଏଠାରେ ଶରୀର କେନ୍ଦ୍ରିତ ପ୍ରଣାଳୀରେ ପ୍ରୟୋଗ ଏବଂ ଉପଭୋକ୍ତାଙ୍କ ଜୀବନ ପରିବେଶ ବିଷୟରେ ସୂଚନା (ତାପମାତ୍ରା, ଆର୍ଦ୍ରତା ଏବଂ ଅନ୍ୟାନ୍ୟ ଗ୍ୟାସ) ସଂଗ୍ରହ ପାଇଁ ଆଧୁନିକ RFID ଉପରେ ଏକ ସର୍ବେକ୍ଷଣ ଉପସ୍ଥାପନ କରାଯାଇଛି । ଅନେକ ଉପଲବ୍ଧ ବିକଳ୍ପଗୁଡିକ ପ୍ରୟୋଗ ସ୍ତର ପର୍ଯ୍ୟନ୍ତ ବର୍ଣ୍ଣନା କରାଯାଇଛି ଯେଉଁଥିରେ ଶକ୍ତିର ପ୍ରକାଶ ଏବଂ ପରିମଳ ନିୟମାବଳୀକୁ ପାଳନ କରି ମାନବ ଆଚରଣ ବିଷୟରେ ମଲ୍ଟିଚ୍ୟାନେଲ ତଥ୍ୟ ସଂଗ୍ରହ ଏବଂ ପ୍ରକ୍ରିୟାକରଣ କରିବାରେ ସକ୍ଷମ RFID ସିଷ୍ଟମର କିଛି ଉଦାହରଣ ଅଛି । ଶେଷରେ ଖୋଲା ଆହ୍ୱାନ ଏବଂ ସମ୍ଭାବ୍ୟ ନୂତନ ଗବେଷଣା ଧାରା ଉପରେ ଆଲୋଚନା କରାଯାଇଛି । |
f9cd7da733c5b5b54a4bbd35f67a913c05df83ea | ଜାମର ଏବଂ ଇଣ୍ଟରଫେରାନ୍ସ ଜିଏନଏସଏସ ରିସିଭର ଦ୍ୱାରା ଆକଳନ କରାଯାଇଥିବା ସ୍ଥିତିରେ ତ୍ରୁଟି ସୃଷ୍ଟି କରିଥାଏ । ଏହି ବାଧା ସଙ୍କେତ ସିଗନାଲ୍-ରୁ-ଧ୍ବନି ଅନୁପାତକୁ ହ୍ରାସ କରିଥାଏ ଏବଂ ରିସିଭର୍ ସଠିକ୍ ଭାବରେ ସାଟେଲାଇଟ୍ ସିଗନାଲ୍ ଚିହ୍ନଟ କରିବାରେ ବିଫଳ ହୋଇଥାଏ । ଜାମିଙ୍ଗ୍ ଏବଂ ମଲ୍ଟିପାଥ୍ ମିତାଗେଜମେଣ୍ଟ ପାଇଁ ବିମ୍ ଫର୍ମିଂ ଟେକ୍ନିକ୍ ର ଦୃଢ଼ତା ହେତୁ, ଜାମିଙ୍ଗ୍ ସିଗନାଲ୍ ର ଦିଗକୁ ଶୂନ୍ୟ ସ୍ଥାନ ଦେଇ, ମଲ୍ଟି-ଚ୍ୟାନେଲ ରିସିଭର୍ ସହିତ ଏକ ଆଣ୍ଟିନା ଆରେ GNSS ସିଗନାଲ୍ ରିସିପସନ୍ ଉନ୍ନତ କରିବାକୁ ବ୍ୟବହୃତ ହୋଇପାରିବ । ଏହି ଉଦ୍ଦେଶ୍ୟରେ ସ୍ପେସିଆଲ ରେଫରେନ୍ସ ବିମ୍ ଫର୍ମିଂ ଇଚ୍ଛୁକ ଏବଂ ହସ୍ତକ୍ଷେପ ସିଗନାଲର ଆଗମନ ଦିଗ (DOA) ରେ ଥିବା ସୂଚନା ବ୍ୟବହାର କରେ । କିନ୍ତୁ, ସିଗନାଲର ଆଙ୍ଗଲ ଅଫ୍ ଆରିଭେଲ (ଏଓଏ) ଆକଳନ କରିବା ପାଇଁ ବହୁ ପ୍ରୟୋଗରେ ମଲ୍ଟି-ଚ୍ୟାନେଲ ରିସିଭର ବ୍ୟବହାର କରିବା ପ୍ରୟୋଗଯୋଗ୍ୟ ନୁହେଁ (ହାର୍ଡୱେର ସୀମିତତା କିମ୍ବା ପୋର୍ଟେବିଲିଟି ସମସ୍ୟା) । ଏହି କାଗଜରେ ଏକ ନୂତନ ପଦ୍ଧତିର ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି ଯାହା ସିନ୍ଥେଟିକ ଆଣ୍ଟେନା ଆରେ ଉପରେ ଆଧାରିତ ଜାମର ଏବଂ ଇଣ୍ଟରଫେରାନ୍ସ ସିଗନାଲର DOA ଆକଳନ ପାଇଁ ଉଦ୍ଦିଷ୍ଟ । ଏହି କ୍ଷେତ୍ରରେ, ଏକ ଆଣ୍ଟିନା ର ଗତି କୁ ବ୍ୟବହାର କରି ଏଓଏ ର ଆକଳନ କରାଯାଇ ପାରିବ. |
77f14f3b5f094bf2e785fae772846116da18fa48 | ୱେବ୍ ଆଧାରିତ ଓ କେସ୍ ଆଧାରିତ ତର୍କବିତର୍କରୁ ସହଜରେ ସମାନତା ମିଳିଥାଏ । ତଥାପି, ବର୍ଣ୍ଣନାତ୍ମକ ପ୍ରସଙ୍ଗ ଏବଂ ଲେଖକ ଶୈଳୀ ସହିତ ଅର୍ଥପୂର୍ଣ୍ଣ ସମ୍ପର୍କ ଥିବା ଚିନ୍ତାଶୀଳ ଆଲେଖିକ ବର୍ଣ୍ଣନା ସୃଷ୍ଟି କରିବା ଏପର୍ଯ୍ୟନ୍ତ ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ ଅନୁସନ୍ଧାନ କରାଯାଇ ନାହିଁ । ଏହି ଲେଖାରେ ଲେଖକ ଏକ କମ୍ପ୍ୟୁଟେସନାଲ ମଡେଲର ମୂଳଦୁଆ ପ୍ରସ୍ତୁତ କରିଛନ୍ତି ଯାହା ଏହି ସ୍ତରର ସୌନ୍ଦର୍ଯ୍ୟ ଜଟିଳତା ହାସଲ କରିପାରିବ । ଏହି କାଗଜରେ ମନୁଷ୍ୟ ସହିତ ସମାନ ଭାବରେ ପ୍ରତିମୂର୍ତ୍ତିଗତ ତୁଳନା ସୃଷ୍ଟି ଏବଂ ର୍ୟାଙ୍କିଙ୍ଗ ପାଇଁ ଏକ ସମ୍ଭାବ୍ୟ ସ୍ଥାପତ୍ୟର ମଧ୍ୟ ପରିଚୟ ଏବଂ ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଛି: |
8759c972d89e1bf6deeab780aa2f8e21140c953b | ଏକ ସିରିଜ୍ ସ୍ଲଟ୍ ଆରେ ଆଣ୍ଟେନା ପାଇଁ ଏକ ସାଇଡେଲୋବ୍ ଦମନ ପଦ୍ଧତି ପ୍ରସ୍ତାବିତ ହୋଇଛି ଯାହା 45°-କୋଣଯୁକ୍ତ ରେଖୀ ପଲାରିଜେସନ୍ ବିକିରଣ କରେ । ଏକ ବ୍ୟାପକ କାନ୍ଥର କେନ୍ଦ୍ର ରେଖା ଉପରେ କେନ୍ଦ୍ରିତ-ଛଳନାଯୁକ୍ତ ବିକିରଣ ସ୍ଲଟ୍ ପାଇଁ ମନଇଚ୍ଛା ଉତ୍ତେଜନା ଗୁଣକ ସୃଷ୍ଟି କରିବା ପାଇଁ ଆକ୍ସିୟଲ୍ ସ୍ଥାନାନ୍ତର କାର୍ଯ୍ୟରେ ନିୟୋଜିତ ହୋଇଥାଏ । ପ୍ରସ୍ତାବିତ ଡିଜାଇନ୍ ପଦ୍ଧତିକୁ ଯାଞ୍ଚ କରିବା ପାଇଁ, ଆମେ ଦୁଇଟି ପ୍ରକାରର ସେଣ୍ଟର୍-ଫେଡ୍ ଲିନିୟର ସ୍ଲଟ୍ ଆରେ ଆଣ୍ଟେନା ଡିଜାଇନ୍ କରିଛୁ ଯାହା ଡଲଫ୍-ଚେବିଶେଭ୍ ବଣ୍ଟନ ସହିତ -୨୦ଡିସିଏଲ୍ ଏବଂ -୨୬ଡିସିଏଲ୍ ସାଇଡଲୋବ୍ ସ୍ତର (ଏସଏଲ୍ଏଲ୍) ପାଇଁ କା ବ୍ୟାଣ୍ଡରେ ଅଛି । ଏହାବ୍ୟତୀତ, ଏକ କ୍ରସ-ଭାଲିଡେସନ ପ୍ରକ୍ରିୟା ବ୍ୟବହାର କରାଯାଇଥାଏ ଯେଉଁଥିରେ ସମାନ ସର୍କିଟ ମଡେଲ ବିଶ୍ଳେଷଣ ଏବଂ ସିଏସଟି ଏମଡବ୍ଲୁଏସ ବ୍ୟବହାର କରି ଇଲେକ୍ଟ୍ରୋମ୍ୟାଗ୍ନେଟିକ ଫୁଲ୍ ୱେଭ୍ ସିମୁଲେସନ ସାମିଲ ହୋଇଥାଏ । କ୍ଷୁଦ୍ରକରଣ ଏବଂ ଖର୍ଚ୍ଚ ହ୍ରାସର ଲାଭକୁ ସୁନିଶ୍ଚିତ କରିବା ପାଇଁ ପ୍ରସ୍ତାବିତ ସିରିଜ ସ୍ଲଟ ଆରେ ଆଣ୍ଟେନର ସମ୍ପୂର୍ଣ୍ଣ ସଂରଚନା ପ୍ରିଣ୍ଟ ସର୍କିଟ ବୋର୍ଡ (ପିସିବି) ରେ ନିର୍ମିତ ହୋଇଛି, ଯେଉଁଥିରେ ବୁରିବା ଏବଂ ରାସାୟନିକ ଏଚ୍ଚିଂ ମଧ୍ୟ ଅନ୍ତର୍ଭୁକ୍ତ । ଦୁଇଟି ପ୍ରକାର ଆଣ୍ଟେନା ପାଇଁ ମାପ କରାଯାଇଥିବା ବାସ୍ତବିକ ଲାଭ 15.17 ଏବଂ 15.95 dBi ଏବଂ SLLs ଯଥାକ୍ରମେ -18.7 ଏବଂ -22.5 dB ଅଟେ । ଏହା ପ୍ରସ୍ତାବିତ ସାଇଡେଲୋବ୍ ନିଷେଧ ପଦ୍ଧତିର ବୈଧତାକୁ ଦର୍ଶାଇଥାଏ । |
b790ed1ac0b3451ff7522b3b2b9cda6ca3e28670 | |
dde75bf73fa0037cbf586d89d698825bae2a4669 | ଆମେ ଏକ କମ୍ପାକ୍ଟ କନଫର୍ମାଲ ୱେରେବଲ ଆଣ୍ଟିନା ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ୨.୩୬-୨.୪ ଗିଗାହର୍ଜ ଡାକ୍ତରୀ ଶରୀର-କ୍ଷେତ୍ର ନେଟୱାର୍କ ବ୍ୟାଣ୍ଡରେ କାର୍ଯ୍ୟ କରିଥାଏ । ଆଣ୍ଟିନା ଏକ ଉଚ୍ଚ ସ୍ତରୀୟ ମେଟାସର୍ଫେସ୍ ସ୍ଥାପନ କରି ସକ୍ଷମ ହୋଇଥାଏ, ଯାହା କେବଳ ଏକ ପ୍ଲାନାର୍ ମୋନୋପୋଲ୍ ତଳେ I- ଆକାରର ଉପାଦାନର ଦୁଇ ଦୁଇ ମଣ୍ଡଳ ଦ୍ୱାରା ଗଠିତ । ପୂର୍ବରୁ ରିପୋର୍ଟ କରାଯାଇଥିବା କୃତ୍ରିମ ଚୁମ୍ବକୀୟ କଣ୍ଡକ୍ଟିଙ୍ଗ ଗ୍ରାଉଣ୍ଡ ପ୍ଲେନ ବ୍ୟାକଡ ଆଣ୍ଟିନା ଡିଜାଇନ ବିପରୀତ, ଏଠାରେ ମେଟାସରଫେସ୍ କେବଳ ଆଇସୋଲେସନ ପାଇଁ ଗ୍ରାଉଣ୍ଡ ପ୍ଲେନ ଭାବରେ ନୁହେଁ, ବରଂ ମୁଖ୍ୟ ରେଡିଏଟର ଭାବରେ ମଧ୍ୟ କାର୍ଯ୍ୟ କରେ । ଏକ ଆଣ୍ଟିନା ପ୍ରୋଟୋଟାଇପ ନିର୍ମାଣ କରାଯାଇ ପରୀକ୍ଷଣ କରାଯାଇଥିଲା, ଯାହା ସିମୁଲେସନ ଏବଂ ମାପ ମଧ୍ୟରେ ଏକ ଦୃଢ଼ ବୁଝାମଣା ଦର୍ଶାଇଥିଲା । ପୂର୍ବରୁ ପ୍ରସ୍ତାବିତ ପୋଷାକ ଆଣ୍ଟିନା ତୁଳନାରେ ପ୍ରଦର୍ଶିତ ଆଣ୍ଟିନା ୦.୫ λ0 × ୦.୩ λ0 × ୦.୦୨୮ λ0 ର ଏକ କମ୍ପାକ୍ଟ ଫର୍ମ ଫ୍ୟାକ୍ଟର ସହିତ ୫.୫% ଇମ୍ପେଡେନ୍ସ ବ୍ୟାଣ୍ଡୱିଡଥ୍, ୬.୨ ଡିବିଏଲ୍ ର ଲାଭ ଏବଂ ୨୩ ଡିବିଏଲ୍ ରୁ ଅଧିକ ଆଗ-ପଛ ଅନୁପାତ ହାସଲ କରିଥାଏ । ଅଧିକ ସଂଖ୍ୟକ ଓ ପରୀକ୍ଷାମୂଳକ ଅନୁସନ୍ଧାନରୁ ଜଣାପଡିଛି ଯେ ଆଣ୍ଟେନାର କାର୍ଯ୍ୟଦକ୍ଷତା ଉଭୟ ଢାଞ୍ଚାଗତ ବିକୃତି ଓ ମାନବ ଶରୀରର ଭାର ପାଇଁ ଅତ୍ୟନ୍ତ ଦୃଢ଼ ଅଟେ, ଉଭୟ ପ୍ଲାନାଲ ମୋନୋପୋଲ ଏବଂ ମାଇକ୍ରୋଷ୍ଟ୍ରିପ୍ ପ୍ୟାଚ୍ ଆଣ୍ଟେନା ଠାରୁ ବହୁ ଉନ୍ନତ । ଏହାବ୍ୟତୀତ, ଧାତୁରେ ନିର୍ମିତ ମେଟାସର୍ଫେସ୍ ନିର୍ଦ୍ଦିଷ୍ଟ ଅବଶୋଷଣ ହାରରେ ୯୫.୩% ହ୍ରାସ କରିପାରିବ, ଯାହା ଏହି ଆଣ୍ଟେନାକୁ ବିଭିନ୍ନ ପୋଷାକ ଉପକରଣରେ ଅନ୍ତର୍ଭୁକ୍ତ କରିବା ପାଇଁ ଏକ ପ୍ରମୁଖ ପ୍ରାର୍ଥୀ କରିଥାଏ । |
a3442990ba9059708272580f0eef5f84f8605427 | ନେଟୱର୍କ ଫଙ୍କସନ ଭର୍ଚୁଆଲାଇଜେସନ (ଏନଏଫଭି) ନିକଟରେ ଏକ ପ୍ରମୁଖ ବୈଷୟିକ ଚାଳକ ଶକ୍ତି ଭାବରେ ଉଭା ହୋଇଛି ଯାହା ଆଜିର କମ୍ପ୍ୟୁଟର ଏବଂ ଯୋଗାଯୋଗ ନେଟୱାର୍କର ବିକାଶକୁ ଯଥେଷ୍ଟ ତ୍ୱରାନ୍ୱିତ କରୁଛି । ଏନଏଫଭିର ଲାଭ ସତ୍ତ୍ୱେ, ଯେପରିକି ନିବେଶ ଖର୍ଚ୍ଚ ହ୍ରାସ କରିବା, ସମ୍ବଳ ବ୍ୟବହାରକୁ ଅଧିକ ଭଲ କରିବା, ପରିଚାଳନା ଦକ୍ଷତା ବୃଦ୍ଧି କରିବା, ନେଟୱର୍କ ସେବା ଜୀବନଚକ୍ର ପରିଚାଳନାକୁ ସରଳ କରିବା, ଅନେକ ନୂଆ ସୁରକ୍ଷା ବିପଦ ଏବଂ ଦୁର୍ବଳତା ଆସିବ, ଯାହାଦ୍ୱାରା ଏହାର ପରବର୍ତ୍ତୀ ବିକାଶ ଏବଂ ବ୍ୟବହାରିକ କାର୍ଯ୍ୟକାରିତାକୁ ବାଧା ଦେବ । ଏହି କାଗଜରେ ଆମେ ଏନଏଫଭି ପରିପ୍ରେକ୍ଷୀରେ ଆମର ବିପଦ ବିଶ୍ଳେଷଣ ବିଷୟରେ ସଂକ୍ଷିପ୍ତରେ ରିପୋର୍ଟ କରୁଛୁ ଏବଂ ଏହାର ସୁରକ୍ଷା ଆବଶ୍ୟକତାକୁ ଚିହ୍ନଟ କରୁଛୁ । ଏହାର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଏକ ବ୍ୟାପକ ବିପଦ ଶ୍ରେଣୀବିଭାଗ ପ୍ରତିଷ୍ଠା କରିବା ଏବଂ ପ୍ରଭାବୀ ସୁରକ୍ଷା ପ୍ରତିରୋଧକ ଉପାୟ ବିକଶିତ କରିବା ପାଇଁ ଏକ ନିର୍ଦ୍ଦେଶାବଳୀ ପ୍ରଦାନ କରିବା । ଏହାବ୍ୟତୀତ ଏନଏଫଭି ଆଧାରିତ ସୁରକ୍ଷା ପରିଚାଳନା ଏବଂ ସେବା ସଂଗଠନ ପାଇଁ ଏକ ଧାରଣାଗତ ଢ଼ାଂଚା ପ୍ରସ୍ତୁତ କରାଯାଇଛି । ଏହାର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ବ୍ୟବହାରକାରୀ ଓ ଗ୍ରାହକଙ୍କ ଚାହିଦା ଅନୁସାରେ ସୁରକ୍ଷା କାର୍ଯ୍ୟକଳାପକୁ ଗତିଶୀଳ ଓ ଅନୁକୂଳ ଢଙ୍ଗରେ ନିୟୋଜନ ଓ ପରିଚାଳନା କରିବା । ଏନଏଫଭି ଆଧାରିତ ପ୍ରବେଶ ନିୟନ୍ତ୍ରଣର ଏକ ବ୍ୟବହାର ମାମଲା ମଧ୍ୟ ବିକଶିତ କରାଯାଇଛି, ଯାହା ଏନଏଫଭି ଆଧାରିତ ସୁରକ୍ଷା ପରିଚାଳନା ଏବଂ ସଂଗଠନ କାର୍ଯ୍ୟକାରୀ କରିବାର କାର୍ଯ୍ୟକାରିତା ଏବଂ ଲାଭକୁ ଦର୍ଶାଉଛି । |
5e6f43abce81b991a0860f28f0915b2333b280c5 | ବ୍ୟବହାରକାରୀମାନେ ନିରନ୍ତର ଭାବେ ପରିବର୍ତ୍ତିତ ପରିସ୍ଥିତିରେ ଅନେକ କାର୍ଯ୍ୟକଳାପରେ ଜଡ଼ିତ । ପରିସଂଖ୍ୟାନ ସମୃଦ୍ଧ ପରିବେଶରେ କାର୍ଯ୍ୟକଳାପକୁ ବିଶ୍ଳେଷଣ କରିବା ପରିସଂଖ୍ୟାନ ସଚେତନତା ଗବେଷଣାରେ ଏକ ବଡ଼ ଆହ୍ୱାନ ପାଲଟିଛି । କାର୍ଯ୍ୟକଳାପ ଚିହ୍ନଟ ପାଇଁ ପାରମ୍ପରିକ ପଦ୍ଧତି, ଯେପରିକି ଶ୍ରେଣୀକରଣ, ପ୍ରସଙ୍ଗ ଏବଂ କାର୍ଯ୍ୟକଳାପର ବିବିଧତା ଏବଂ ଗତିଶୀଳତାକୁ ସମ୍ଭାଳି ପାରିବ ନାହିଁ । ଏହି ଲେଖାରେ ଆମେ ଏକ କାର୍ଯ୍ୟକଳାପ ଚିହ୍ନଟ ପଦ୍ଧତିର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯେଉଁଥିରେ ଅଣ-ନିରୀକ୍ଷିତ ଶିକ୍ଷାଦାନକୁ ସାମିଲ କରାଯାଇଛି । ଆମେ ଉପ-ମହାକାଶ କ୍ଲଷ୍ଟରିଂ ପ୍ରୟୋଗ କରିବାର ସମ୍ଭାବନାକୁ ବିଶ୍ଳେଷଣ କରୁଛୁ- ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ପ୍ରକାରର ଅଣ-ନିରୀକ୍ଷିତ ଶିକ୍ଷଣ- ଉଚ୍ଚ-ଆକାରର, ବିବିଧ ସମ୍ବେଦନଶୀଳ ଇନପୁଟକୁ । ତାପରେ ଆମେ କ୍ଲଷ୍ଟରିଂ ଆଉଟପୁଟ୍ ଏବଂ କ୍ଲାସିଫିକେସନ୍ ଇନପୁଟ୍ ମଧ୍ୟରେ ଅନୁରୂପତା ଉପସ୍ଥାପନ କରୁ । ଏହି ପଦ୍ଧତିର ଅନ୍ତର୍ନିହିତ, ବିକଶିତ କାର୍ଯ୍ୟକଳାପକୁ ଆବିଷ୍କାର କରିବାର କ୍ଷମତା ଅଛି, ଏବଂ ପାରମ୍ପରିକ ବର୍ଗୀକରଣ ଆଧାରିତ ପଦ୍ଧତିକୁ ମୂଲ୍ୟବାନ ସହାୟତା ପ୍ରଦାନ କରିପାରିବ । ଯେହେତୁ ସେନସରଗୁଡ଼ିକ ପ୍ରସଙ୍ଗ ଚିହ୍ନଟ କରିବାରେ ପ୍ରଚଳିତ ମାଧ୍ୟମ ପାଲଟିଛି ଏବଂ ପ୍ରସଙ୍ଗ ବାଣ୍ଟିବା ସହଜ କରିବା ପାଇଁ ସୂଚନା ଚ୍ୟାନେଲଗୁଡ଼ିକର ବର୍ଦ୍ଧନ ହେଉଛି, ପ୍ରସଙ୍ଗକୁ ବ୍ୟାଖ୍ୟା କରିବା ଏବଂ କାର୍ଯ୍ୟକଳାପ ଉପରେ ଏହାର ପ୍ରଭାବକୁ ବିଶ୍ଳେଷଣ କରିବା କ୍ରମାଗତ ଭାବରେ ଏକ ଆହ୍ୱାନ ଅଟେ (ଲିମ୍ ଏବଂ ଡେୟ 2010) । ଆମେ ଯୁକ୍ତି କରୁଛୁ ଯେ କାର୍ଯ୍ୟକଳାପକୁ ମାନ୍ୟତା ଦେବା ପାଇଁ ପାରମ୍ପରିକ ପଦ୍ଧତିକୁ ପ୍ରୟୋଗ କରିବା ପ୍ରସଙ୍ଗ ଏବଂ କାର୍ଯ୍ୟକଳାପ ସମୃଦ୍ଧ ପରିବେଶରେ ପ୍ରୟୋଗ କରିବା ଅଧିକ କଷ୍ଟକର ହୋଇପାରେ । ସାହିତ୍ୟରେ, ଶିକ୍ଷଣ କାର୍ଯ୍ୟକଳାପ ପାଇଁ ବ୍ୟବହୃତ ପ୍ରସଙ୍ଗ ଗୁଣଗୁଡିକ ଏକ ଛୋଟ ସେଟ୍ ବୈଶିଷ୍ଟ୍ୟ (କ୍ରାଉସ୍, ସ୍ମେଲାଜିକ୍ ଏବଂ ସିୱିଓରେକ୍ 2006) ରେଣ୍ଡର କରିବା ପାଇଁ ଅନୁଭବଗତ ଅନୁମାନ କିମ୍ବା ଆକାର ହ୍ରାସ ଦ୍ୱାରା ବାଛିଥାଏ _ ଏହି ପଦ୍ଧତିଗୁଡ଼ିକ ବ୍ୟାପକ ପରିସର ସୂଚନା ସମ୍ମୁଖୀନ ହେବା ପରେ କାର୍ଯ୍ୟକାରୀ ହୋଇପାରୁନାହିଁ । ସବୁଠାରୁ ବଡ ଅସୁବିଧା ହେଉଛି ସେମାନେ ବିଭିନ୍ନ ପ୍ରକାର କାର୍ଯ୍ୟକଳାପକୁ ବର୍ଣ୍ଣନା କରିବା ପାଇଁ ଆବଶ୍ୟକ ହେଉଥିବା ବିବିଧ ବୈଶିଷ୍ଟ୍ୟକୁ ସ୍ୱୀକାର କରିବାରେ ବିଫଳ ହୋଇଛନ୍ତି । ଗତିବିଧି ଚିହ୍ନଟ ପାଇଁ, ଅଧିକାଂଶ ପୂର୍ବବର୍ତ୍ତୀ କାର୍ଯ୍ୟଗୁଡ଼ିକ ନିରୀକ୍ଷଣ ଶିକ୍ଷଣ ପଦ୍ଧତିକୁ ପ୍ରୟୋଗ କରିଥିଲା ଯାହା ଜଣାଶୁଣା ଶ୍ରେଣୀଗୁଡ଼ିକର ଏକ ସେଟ୍ ମଧ୍ୟରେ ଗତିବିଧିକୁ ପୂର୍ବାନୁମାନ କରିବାକୁ ଲକ୍ଷ୍ୟ ରଖିଥିଲା (Ferscha et al. ୨୦୦୪) ରେ ପ୍ରକାଶିତ ହୋଇଥିଲା । କିନ୍ତୁ ନୂଆ ଏବଂ ଦ୍ରୁତ ଗତିରେ ବିକଶିତ ହେଉଥିବା କାର୍ଯ୍ୟକଳାପକୁ ସାମ୍ନା କରିବା ସମୟରେ ଏହି ପଦ୍ଧତିଗୁଡ଼ିକ ମଧ୍ୟ ଆହ୍ୱାନର ସମ୍ମୁଖୀନ ହୋଇଥାଏ । ବିନା ତଦାରଖରେ ଶିକ୍ଷାଲାଭ, ବିଶେଷକରି କ୍ଲଷ୍ଟରିଂ, ବଡ଼ ଡାଟା ସେଟରେ ନିହିତ ସମ୍ପର୍କ ଏବଂ ନିୟମିତତାକୁ ପ୍ରକାଶ କରିବାରେ ଅତ୍ୟନ୍ତ ସଫଳ ହୋଇଛି । ଅନ୍ତର୍ନିହିତ ଭାବେ, ଆମେ ଏକ କାର୍ଯ୍ୟକଳାପ ଚିହ୍ନଟ ପଦ୍ଧତିର ପରିକଳ୍ପନା କରିପାରିବା ଯାହା ପ୍ରସଙ୍ଗ ଇତିହାସକୁ କ୍ଲଷ୍ଟରିଂ ପ୍ରୟୋଗ କରେ । ଏହି କ୍ଲଷ୍ଟରଗୁଡ଼ିକ ବାରମ୍ବାର ଘଟୁଥିବା ଘଟଣାକ୍ରମର ନମୁନା ଦର୍ଶାଇ କାର୍ଯ୍ୟକଳାପ ଓ ଏହାର ପରିସ୍ଥିତିକୁ ସୂଚାଇଥାଏ । ଏହି ଫଳାଫଳକୁ ସ୍ୱାଧୀନ ଭାବେ କାର୍ଯ୍ୟକଳାପର ବିଶ୍ଳେଷଣ ଓ ବ୍ୟାଖ୍ୟା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ । ଏହା ସହିତ କ୍ଲଷ୍ଟରଗୁଡ଼ିକରେ କପିରାଇଟ୍ ସି © 2011, ଆର୍ଟିଫିସିଆଲ୍ ଇଣ୍ଟେଲିଜେନ୍ସର ଅଗ୍ରଗତି ପାଇଁ ଆସୋସିଏସନ୍ (www.aaai.org) ର ପରିସର ଏବଂ ସର୍ତ୍ତାବଳୀ ପ୍ରକାଶ କରାଯାଇପାରିବ । ସମସ୍ତ ଅଧିକାର ସଂରକ୍ଷିତ. କାର୍ଯ୍ୟକଳାପ ଓ ପାରସ୍ପରିକ କ୍ରିୟାକଳାପ । ଏହି ସୂଚନା ବହୁଳ ପରିବେଶରେ ସୂଚନା ବାଣ୍ଟିବାର ପରିସର ନିର୍ଦ୍ଧାରଣ କରିବା ସମୟରେ ମୂଲ୍ୟବାନ ଅଟେ । ଯଦିଓ କ୍ଲଷ୍ଟରିଂ ପ୍ରସଙ୍ଗ ଭିତରେ ଆସୋସିଏସନ ଖୋଜିବାରେ ଏକ ଆଶାନୁରୂପ ଉପାୟ ଅଟେ, ପ୍ରସଙ୍ଗ ତଥ୍ୟର ଉଚ୍ଚ ଆକାର ଏବଂ ଅସମାନତା ସହିତ ମୁକାବିଲା କରିବା ପାଇଁ ପାରମ୍ପରିକ କ୍ଲଷ୍ଟରିଂର କାର୍ଯ୍ୟକାରିତା ସନ୍ଦେହଜନକ ଅଟେ । ଏହି ଲେଖାରେ ଆମେ ପ୍ରଥମେ କ୍ଲଷ୍ଟରକରଣକୁ କାର୍ଯ୍ୟକଳାପ ମାନ୍ୟତା ପାଇଁ ପ୍ରୟୋଗ କରିବାର ଆହ୍ୱାନଗୁଡ଼ିକ ବିଷୟରେ ବିସ୍ତୃତ ବିଶ୍ଳେଷଣ କରିବୁ । ଏହାପରେ ଆମେ ଦୁଇଟି ନୂତନ ଉପ-ମହାକାଶ କ୍ଲଷ୍ଟରିଂ ପଦ୍ଧତିର ଉପସ୍ଥାପନା କରିବୁ ଯାହା ଏହି ଆହ୍ୱାନଗୁଡ଼ିକୁ ସମାଧାନ କରିପାରିବ । ଶେଷରେ, ଅଣ-ନିରୀକ୍ଷିତ କାର୍ଯ୍ୟକଳାପକୁ ମାନ୍ୟତା ପ୍ରଦାନର ବିଶ୍ଳେଷଣ ଆଧାରରେ, ଆମେ ଏକ କାର୍ଯ୍ୟକଳାପ ମାନ୍ୟତା ପ୍ରଦାନର ଢାଞ୍ଚା ପ୍ରସ୍ତାବ ଦେବୁ ଯାହା ପାରମ୍ପରିକ ବର୍ଗୀକରଣରେ କ୍ଲଷ୍ଟରିଂକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରେ । ଆମେ ଦେଖାଇବୁ ଯେ ଦୁଇଟି ଦିଗ ପରସ୍ପରର ପରିପୂରକ ଏବଂ ଏକ ହାଇବ୍ରିଡ୍ ଆଭିମୁଖ୍ୟର ବିକାଶ କାର୍ଯ୍ୟର ପ୍ରସଙ୍ଗ ସଚେତନତାର ବହୁତ ଲାଭ ଦେବ । ବିନା ତତ୍ତ୍ୱାବଧାନରେ କାର୍ଯ୍ୟକଳାପ ଶିକ୍ଷା |
105f3fd2054cb63223d9ffbda7b6bd5915c6be6b | ବସ୍ତୁ ଶ୍ରେଣୀର ଦୃଶ୍ୟମାନ ମଡେଲକୁ ଶିଖିବା ପାଇଁ ହଜାର ହଜାର ପ୍ରଶିକ୍ଷଣ ଉଦାହରଣ ଆବଶ୍ୟକ ହୋଇଥାଏ; ଏହା ବସ୍ତୁ ରୂପର ବିବିଧତା ଏବଂ ସମୃଦ୍ଧି ଯୋଗୁଁ ହୋଇଥାଏ, ଯାହା ଶହ ଶହ ପାରାମିଟର ଥିବା ମଡେଲ ଆବଶ୍ୟକ କରିଥାଏ । ଆମେ କିଛି ଛବିରୁ ବସ୍ତୁ ଶ୍ରେଣୀ ଶିଖିବାର ଏକ ପଦ୍ଧତି ଉପସ୍ଥାପନ କରୁଛୁ ( ). ଏହା "ସାଧାରଣ" ଜ୍ଞାନକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରିବା ଉପରେ ଆଧାରିତ ଯାହା ପୂର୍ବରୁ ଅଣ-ସମ୍ବନ୍ଧିତ ଶ୍ରେଣୀର ମଡେଲରୁ ପ୍ରାପ୍ତ ହୋଇପାରେ । ଆମେ ଏକ ଭେରିଏସନଲ ବେଜିଆନ ଫ୍ରେମୱାର୍କରେ କାମ କରୁ: ବସ୍ତୁ ଶ୍ରେଣୀଗୁଡିକ ସମ୍ଭାବ୍ୟତା ମଡେଲ ଦ୍ୱାରା ପ୍ରତିନିଧିତ୍ୱ କରାଯାଏ, ଏବଂ ପୂର୍ବରୁ ଜ୍ଞାନ ଏହି ମଡେଲଗୁଡିକର ପାରାମିଟରଗୁଡିକ ଉପରେ ଏକ ସମ୍ଭାବ୍ୟତା ଘନତା ଫଙ୍କସନ୍ ଭାବରେ ପ୍ରତିନିଧିତ୍ୱ କରାଯାଏ । ଗୋଟିଏ ବା ଏକାଧିକ ପର୍ଯ୍ୟବେକ୍ଷଣକୁ ଦୃଷ୍ଟିରେ ରଖି ପୂର୍ବବର୍ତ୍ତୀକୁ ଅପଡେଟ୍ କରି ଏକ ବସ୍ତୁ ଶ୍ରେଣୀ ପାଇଁ "ପୋଷ୍ଟୋରିଅର" ମଡେଲ ପ୍ରାପ୍ତ କରାଯାଇଥାଏ । ଆମର ଚିନ୍ତାଧାରାକୁ ଚାରୋଟି ବର୍ଗ (ମାନବ ଚେହେରା, ବିମାନ, ମୋଟର ସାଇକେଲ, ଦାଗୀ ବିଲେଇ) ରେ ପ୍ରଦର୍ଶିତ କରାଯାଇଛି । ଶହ ଶହ ପ୍ରଶିକ୍ଷଣ ଉଦାହରଣରୁ ଆରମ୍ଭରେ ତିନୋଟି ଶ୍ରେଣୀକୁ ଶିକ୍ଷା କରାଯାଇଥାଏ ଏବଂ ଏହାଦ୍ୱାରା ଏକ ପୂର୍ବରୁର ଆକଳନ କରାଯାଇଥାଏ । ତାପରେ ଚତୁର୍ଥ ଶ୍ରେଣୀର ମଡେଲକୁ 1 ରୁ 5 ଟି ପ୍ରଶିକ୍ଷଣ ଉଦାହରଣରୁ ଶିଖାଯାଏ ଏବଂ ନୂତନ ନମୁନା ଚିହ୍ନଟ ପାଇଁ ଏକ ପରୀକ୍ଷଣ ପ୍ରତିଛବି ସେଟ୍ ବ୍ୟବହାର କରାଯାଏ _ |
7fcd60dd4feceb576f44d138c94a04644eeb5537 | ଅଧିକ ସଂଖ୍ୟକ କମ୍ପାନୀ ସ୍ଥାୟୀତା କ୍ଷେତ୍ରରେ ନିବେଶ କରୁଛନ୍ତି ଏବଂ ଅଧିକ ସଂଖ୍ୟକ ନିବେଶକ ସ୍ଥାୟୀତା ପ୍ରଦର୍ଶନ ତଥ୍ୟକୁ ପୁଞ୍ଜି ଆବଣ୍ଟନ ନିଷ୍ପତ୍ତିରେ ସାମିଲ କରୁଛନ୍ତି । କିନ୍ତୁ ବର୍ତ୍ତମାନ ପର୍ଯ୍ୟନ୍ତ, ପୂର୍ବବର୍ତ୍ତୀ ଏକାଡେମିକ୍ ସାହିତ୍ୟରେ ସ୍ଥାୟୀତା ପ୍ରସଙ୍ଗରେ ନିବେଶ ଏବଂ ଅପ୍ରାସଙ୍ଗିକ ପ୍ରସଙ୍ଗ ମଧ୍ୟରେ କୌଣସି ପାର୍ଥକ୍ୟ କରାଯାଇନାହିଁ । ଆମେ ଏକ ନୂଆ ଡାଟାସେଟ ବିକଶିତ କରୁଛୁ ଯାହାଦ୍ୱାରା ବିଭିନ୍ନ ନିରନ୍ତରତା ନିବେଶ ଉପରେ କମ୍ପାନୀ-ନିର୍ଦ୍ଦିଷ୍ଟ ପ୍ରଦର୍ଶନ ତଥ୍ୟକୁ ପ୍ରତ୍ୟେକ ଶିଳ୍ପ ପାଇଁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଭାବରେ ବର୍ଗୀକୃତ ନିରନ୍ତରତା ନିବେଶ ଉପରେ ତଥ୍ୟକୁ ମାନଚିତ୍ର କରିପାରିବା । ଏହାଦ୍ୱାରା ଆମେ ସ୍ଥାୟୀ ନିବେଶର ମୂଲ୍ୟ ଉପରେ ନୂଆ ପ୍ରମାଣ ଉପସ୍ଥାପନ କରିପାରିବା । କ୍ୟାଲେଣ୍ଡର ସମୟ ପୋର୍ଟଫୋଲିଓ ଷ୍ଟକ୍ ରିଟର୍ଣ୍ଣ ରିଗ୍ରେସନ ବ୍ୟବହାର କରି ଆମେ ପାଇଲୁ ଯେ ମାଟେରିଆଲ ସଷ୍ଟେନେବିଲିଟି ପ୍ରସଙ୍ଗରେ ଭଲ ପ୍ରଦର୍ଶନ କରିଥିବା ଫାର୍ମଗୁଡ଼ିକ ଏହି ପ୍ରସଙ୍ଗରେ ଖରାପ ପ୍ରଦର୍ଶନ କରିଥିବା ଫାର୍ମଗୁଡ଼ିକଠାରୁ ଯଥେଷ୍ଟ ଭଲ ପ୍ରଦର୍ଶନ କରିଛନ୍ତି, ଯାହା ସୂଚିତ କରେ ଯେ ସଷ୍ଟେନେବିଲିଟି ପ୍ରସଙ୍ଗରେ ନିବେଶ ଦ୍ୱାରା ସେୟାର ହୋଲଡର ମୂଲ୍ୟ ବୃଦ୍ଧି ହେଉଛି । ଆହୁରି ମଧ୍ୟ, ସ୍ଥାୟୀତା ପ୍ରସଙ୍ଗରେ ଭଲ ପ୍ରଦର୍ଶନ କରିଥିବା କମ୍ପାନୀଗୁଡ଼ିକୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଭାବରେ ବର୍ଗୀକୃତ କରାଯାଇନାହିଁ, ସେହି ସମାନ ପ୍ରସଙ୍ଗରେ ଖରାପ ପ୍ରଦର୍ଶନ କରିଥିବା କମ୍ପାନୀଗୁଡ଼ିକଠାରୁ କମ୍ ପ୍ରଦର୍ଶନ କରୁନାହିଁ, ଯାହା ସୂଚିତ କରେ ଯେ ସ୍ଥାୟୀତା ପ୍ରସଙ୍ଗରେ ନିବେଶ ସର୍ବନିମ୍ନ ମୂଲ୍ୟ ନଷ୍ଟ କରୁନାହିଁ । ଶେଷରେ, ଯେଉଁ କମ୍ପାନୀଗୁଡ଼ିକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପ୍ରସଙ୍ଗରେ ଭଲ ପ୍ରଦର୍ଶନ କରୁଛନ୍ତି ଏବଂ ଅପ୍ରାସଙ୍ଗିକ ପ୍ରସଙ୍ଗରେ ଖରାପ ପ୍ରଦର୍ଶନ କରୁଛନ୍ତି ସେମାନେ ଭଲ ପ୍ରଦର୍ଶନ କରୁଛନ୍ତି । ଏହି ଫଳାଫଳଗୁଡ଼ିକ କମ୍ପାନୀଗୁଡ଼ିକର ସ୍ଥାୟୀ ନିବେଶର ଦକ୍ଷତା ଉପରେ ପ୍ରଭାବ ପକାଇଥାଏ ଏବଂ ସମ୍ପତ୍ତି ପରିଚାଳକମାନଙ୍କ ପାଇଁ ମଧ୍ୟ ପ୍ରଭାବ ପକାଇଥାଏ ଯେଉଁମାନେ ସେମାନଙ୍କର ପୁଞ୍ଜି ଆବଣ୍ଟନ ନିଷ୍ପତ୍ତିରେ ସ୍ଥାୟୀତା କାରକଗୁଡ଼ିକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରିବାକୁ ପ୍ରତିଶ୍ରୁତିବଦ୍ଧ ଅଛନ୍ତି । ମୋଜାଫର ଖାନ ହାଭାର୍ଡ ବିଜନେସ ସ୍କୁଲରେ ଅତିଥି ସହକାରୀ ପ୍ରଫେସର । ଜର୍ଜ ସେରାଫାଇମ ହେଉଛନ୍ତି ହାର୍ଭାର୍ଡ ବିଜନେସ ସ୍କୁଲରେ ଜାକୁରସ୍କି ଫ୍ୟାମିଲି ଆସୋସିଏଟ ପ୍ରଫେସର । ହାରଭାର୍ଡ ବିଜନେସ ସ୍କୁଲରେ ଆରୋନ ୟୂନ ଜଣେ ଡକ୍ଟରେଟ ଛାତ୍ର । ସିଙ୍ଗାପୁରର ନ୍ୟାସନାଲ ୟୁନିଭର୍ସିଟି ଏବଂ ହାର୍ଭାର୍ଡ ବିଜନେସ ସ୍କୁଲର ସେମିନାର ଅଂଶଗ୍ରହଣକାରୀଙ୍କ ମତାମତ ପାଇଁ ଆମେ କୃତଜ୍ଞ । ଆମେ ହାର୍ଭାର୍ଡ ବିଜନେସ ସ୍କୁଲର ଗବେଷଣା ଓ ବିକାଶ ବିଭାଗର ଆର୍ଥିକ ସହାୟତା ପାଇଁ କୃତଜ୍ଞ । ଜର୍ଜ ସେରାଫାଇମ ଏସଏଏସବିର ମାନକ ପରିଷଦରେ କାର୍ଯ୍ୟ କରିଛନ୍ତି । ଯୋଗାଯୋଗ ଇମେଲ: [email protected]; [email protected]; [email protected] । |
65e1ada2360b42368a5f9f5e40ff436051c6fa84 | ଆମେ ଆପଣଙ୍କୁ "ଆମ୍ବ" ଉପସ୍ଥାପନ କରୁଛୁ, ଯାହାକି ଏକ ଖୋଲା ସ୍ରୋତ ମେସିନ ଶିକ୍ଷଣ ପ୍ୟାକେଜ ଯାହାକି Python ରେ ସମ୍ଭାବ୍ୟତା ମଡେଲିଂ ପାଇଁ ବ୍ୟବହାର କରାଯାଇଥାଏ । ସମ୍ଭାବ୍ୟତା ମଡେଲରେ ବିଭିନ୍ନ ପ୍ରକାର ପଦ୍ଧତି ରହିଛି ଯାହା ସମ୍ଭାବ୍ୟତା ବଣ୍ଟନକୁ ବ୍ୟବହାର କରି ଅନିଶ୍ଚିତତାକୁ ସ୍ପଷ୍ଟ ଭାବରେ ବର୍ଣ୍ଣନା କରିଥାଏ । ତିନିଟି ବହୁଳ ଭାବରେ ବ୍ୟବହୃତ ସମ୍ଭାବ୍ୟତା ମଡେଲ ଗୁଡ଼ିକ ହେଲା ସାଧାରଣ ମିଶ୍ରଣ ମଡେଲ, ଲୁକ୍କାୟିତ ମାର୍କୋଭ ମଡେଲ ଏବଂ ବେୟେସୀୟ ନେଟୱାର୍କ । ରଜନୀକାନ୍ତଙ୍କ ପ୍ରାଥମିକ ଲକ୍ଷ୍ୟ ହେଉଛି ତାଲିମ ମଡେଲର ଜଟିଳତାକୁ ତା ର ପରିଭାଷାରୁ ବାହାର କରିବା । ଏହାଦ୍ୱାରା ବ୍ୟବହାରକାରୀମାନେ ସେମାନଙ୍କର ପ୍ରୟୋଗ ପାଇଁ ସଠିକ ମଡେଲ ନିର୍ଦ୍ଧାରଣ କରିବା ଉପରେ ଧ୍ୟାନ କେନ୍ଦ୍ରିତ କରିପାରିବେ, ଏହାଦ୍ୱାରା ସେମାନଙ୍କର ଆଲଗୋରିଦମ ବୁଝିବାରେ ସୀମିତ ହେବ ନାହିଁ । ଏହି ଫୋକସର ଏକ ଦିଗ ହେଉଛି ପ୍ରଶିକ୍ଷଣ ମଡେଲ ପାଇଁ ଏକ ରଣନୀତି ଭାବରେ ତଥ୍ୟ ସେଟରୁ ପର୍ଯ୍ୟାପ୍ତ ପରିସଂଖ୍ୟାନ ସଂଗ୍ରହ କରିବା । ଏହି ପଦ୍ଧତି ବହୁ ଉପଯୋଗୀ ଶିକ୍ଷଣ ରଣନୀତିକୁ ସହଜରେ ସକ୍ଷମ କରିଥାଏ, ଯେପରିକି ବାହାର-କୋର ଶିକ୍ଷା, ମିନି-ବ୍ୟାଚ୍ ଶିକ୍ଷା, ଏବଂ ଅର୍ଦ୍ଧ-ନିରୀକ୍ଷିତ ଶିକ୍ଷା, ବ୍ୟବହାରକାରୀଙ୍କୁ ତଥ୍ୟକୁ କିପରି ବିଭାଜନ କରିବେ କିମ୍ବା ଆଲଗୋରିଦମକୁ ନିଜେ ଏହି କାର୍ଯ୍ୟଗୁଡ଼ିକୁ ପରିଚାଳନା କରିବାକୁ ଆବଶ୍ୟକ ନକରି । କମଳାକୁ Cython ରେ ଲେଖା ଯାଇଛି ଯାହା ଦ୍ବାରା ଗଣନା ଶୀଘ୍ର ହୋଇପାରିବ ଏବଂ ଗ୍ଲୋବାଲ ଇଣ୍ଟରପ୍ରିଟର ଲକକୁ ମୁକ୍ତ କରାଯାଇପାରିବ ଯାହାଦ୍ୱାରା ଏହା ମଲ୍ଟିଥ୍ରେଡ ସମାନ୍ତରାଳତା ପାଇଁ ଅନୁମତି ଦେଇଥାଏ, ଯାହା ଏହାକୁ ସମାନ ଆଲଗୋରିଦମର ଅନ୍ୟ କାର୍ଯ୍ୟକାରିତା ସହିତ ପ୍ରତିଯୋଗୀତା କରିପାରିବ କିମ୍ବା ଅତିକ୍ରମ କରିପାରିବ । ଏହି କାଗଜରେ ରଜନୀରେ ଡିଜାଇନ୍ ବିକଳ୍ପଗୁଡ଼ିକର ଏକ ସମୀକ୍ଷା ଉପସ୍ଥାପନ କରାଯାଇଛି ଏବଂ ଏହା କିପରି ସରଳ କୋଡ୍ ଦ୍ୱାରା ଜଟିଳ ବୈଶିଷ୍ଟ୍ୟଗୁଡ଼ିକୁ ସମର୍ଥନ କରିବାକୁ ସକ୍ଷମ କରିଛି । ଏହି କୋଡ https://github.com/jmschrei/pomegranate ରେ ଉପଲବ୍ଧ ଅଛି |
45fc88bbf2d007c8c8b9021d303c20611e03a715 | 0360-1315/$ ସାମ୍ନା ପୃଷ୍ଠା ଦେଖନ୍ତୁ 2008 ଏଲ୍ସେଭିୟର ଲିମିଟେଡ A doi:10.1016/j.compedu.2008.06.004 * Tel. +3 |
5ceaabef5e2ad55a781607433cc47573db786684 | ଶିକ୍ଷା ବ୍ୟବସ୍ଥାରେ ଏକ ନୂତନ ପିଢ଼ିର ଛାତ୍ରଛାତ୍ରୀ ପ୍ରବେଶ କରୁଛନ୍ତି ବୋଲି ଚିନ୍ତାଧାରା ଶିକ୍ଷାବିତ୍ ଓ ଶିକ୍ଷା ସମ୍ବନ୍ଧୀୟ ସମୀକ୍ଷକମାନଙ୍କ ମଧ୍ୟରେ ଏକ ନୂତନ ଉତ୍ସାହ ସୃଷ୍ଟି କରିଛି । ଡିଜିଟାଲ ନେଟିଭ୍ ବା ନେଟ ଜେନେରେସନ ଭାବେ ପରିଚିତ ଏହି ଯୁବପିଢ଼ି ସାରା ଜୀବନ ଟେକ୍ନୋଲୋଜିରେ ନିମଗ୍ନ ରହିଆସିଛନ୍ତି । ଏମାନଙ୍କ ପାଖରେ ଉନ୍ନତ ଜ୍ଞାନକୌଶଳ ଏବଂ ଶିକ୍ଷାଲାଭ କରିବାର ଅଭ୍ୟାସ ରହିଛି । ଏହି ପିଢ଼ି ପରିବର୍ତ୍ତନ ପ୍ରକୃତି ଏବଂ ଏହାର ପ୍ରତିକ୍ରିୟାରେ ଶିକ୍ଷା ସଂସ୍କାରର ଜରୁରୀ ଆବଶ୍ୟକତା ବିଷୟରେ ମହାନ ଦାବି କରାଯାଉଛି । ଏହି ବିତର୍କରେ ଏକ ସଙ୍କଟ ଆସିବାର ସଂକେତ ରହିଛି । କିନ୍ତୁ ବାସ୍ତବ ସ୍ଥିତି ଏ ପର୍ଯ୍ୟନ୍ତ ସ୍ପଷ୍ଟ ହୋଇନାହିଁ । ଏହି ଲେଖାରେ ଲେଖକମାନେ ଡିଜିଟାଲ ନେଟିଭ୍ ବା ଡିଜିଟାଲ ଦେଶୀମାନଙ୍କ ବିଷୟରେ ଆଲୋଚନା କରିବା ପାଇଁ ଶିକ୍ଷା ଓ ସମାଜ ବିଜ୍ଞାନର ବିଭିନ୍ନ କ୍ଷେତ୍ରକୁ ବ୍ୟବହାର କରିଛନ୍ତି । ଏହି ପତ୍ରିକାରେ ଡିଜିଟାଲ ନେଟିଭ୍ ବିଷୟରେ କରାଯାଇଥିବା ମୁଖ୍ୟ ଦାବିଗୁଡ଼ିକ ଉପସ୍ଥାପନ କରାଯାଇଛି ଏବଂ ଆଲୋଚନାର ସ୍ୱରୂପକୁ ବିଶ୍ଳେଷଣ କରାଯାଇଛି । ଆମେ ଯୁକ୍ତି କରୁଛୁ ଯେ ଅନୁଭବୀ ଏବଂ ଥିଓରୀ ଆଧାରରେ ସୂଚନା ଦେବା ପରିବର୍ତ୍ତେ, ଏହି ବିତର୍କକୁ "ନୈତିକ ଆତଙ୍କ"ର ଏକ ଶିକ୍ଷାଗତ ରୂପ ସହିତ ତୁଳନା କରାଯାଇପାରେ । ଆମେ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯେ ବର୍ତ୍ତମାନ "ଡିଜିଟାଲ ନେଟିଭ୍" ଏବଂ ଶିକ୍ଷା ପାଇଁ ଏହାର ପ୍ରଭାବ ଅନୁସନ୍ଧାନ କରିବା ପାଇଁ ଏକ ଅଧିକ ମାପକ ଏବଂ ନିଃସ୍ୱାର୍ଥପର ଆଭିମୁଖ୍ୟ ଆବଶ୍ୟକ । ଗୋଟିଏ କଥା ଯାହା ବଦଳୁନାହିଁ ତାହା ହେଉଛି ଯେ କୌଣସି ସମୟରେ ଏବଂ ପ୍ରତ୍ୟେକ ସମୟରେ ଏହା ଦେଖାଯାଏ ଯେ "ବଡ଼ ପରିବର୍ତ୍ତନ" ଆସିଛି । ମାର୍ସେଲ ପ୍ରୁଷ୍ଟ, ଏକ ଅଙ୍କୁରିତ ବଗିଚାରେ |
a708c162edd794cab982cf1049f2b81a05cf5757 | |
d36018859bbdac8797064a2f4c58e4661bbd4f02 | ଚିପ୍ ଆକାରକୁ କମ କରିବା ପାଇଁ ଏକ କା-ବ୍ୟାଣ୍ଡ ପ୍ଲାନାର୍ ତ୍ରି-ଦିଗ ପାୱାର ଡିଭାଇଡର ଯାହା ଟ୍ରାନ୍ସମିସନ୍ ଲାଇନ୍ ବଦଳରେ କପଲ୍ଡ ଲାଇନ୍ ବ୍ୟବହାର କରେ । ପ୍ରସ୍ତାବିତ ପ୍ଲାନର ଟପୋଲୋଜି, ଯାହାକି ପାରମ୍ପରିକ ୱିଲକିନ୍ସନ୍ ପାୱାର ଡିଭାଇଡରଠାରୁ ଭିନ୍ନ, ଏହାର ବିଶ୍ଳେଷଣ କରାଯାଇଛି ଏବଂ ଏହା କେବଳ କମ୍ପାକ୍ଟ ନୁହେଁ ବରଂ ଡିସି ବ୍ଲକ୍ ବୈଶିଷ୍ଟ୍ୟ ମଧ୍ୟ ପ୍ରଦାନ କରିପାରିବ, ଯାହା ଏକକ ମାଇକ୍ରୋୱେଭ୍ ଇଣ୍ଟିଗ୍ରେଟେଡ୍ ସର୍କିଟ୍ ପ୍ରୟୋଗ ପାଇଁ ଅତ୍ୟନ୍ତ ଉପଯୁକ୍ତ । pHEMT ପ୍ରକ୍ରିୟା ଦ୍ୱାରା କାର୍ଯ୍ୟକାରୀ ହୋଇଥିବା ଡିଭାଇଡରରେ ଇନସର୍ଟ କ୍ଷତି 5.1 dBରୁ କମ୍ ଏବଂ ଆଉଟ ଆଇସୋଲେସନ 17 dBରୁ ଭଲ । 30 GHz ରେ 18 dB ରୁ କମ ରିଟର୍ନ ଲସ ଏବଂ 4.2° ର ଫ୍ୟାସ ଡିଫେରେନ୍ସ ହାସଲ କରାଯାଇପାରିବ । ଶେଷରେ, ସିମୁଲେସନ ଓ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ମଧ୍ୟରେ ଭଲ ବୁଝାମଣା ଦେଖାଯାଇଛି । |
5f9d8263ab657a9985f8f5f252a3e2da49b6e15b | ଏହି କାଗଜରେ ଏକ ଇଲେକ୍ଟେବଲ ପ୍ଲାନାର ଇନଭର୍ଟେଡ-ଏଫ ଆଣ୍ଟେନା (ପିଆଇଏଫଏ) ଉପସ୍ଥାପିତ କରାଯାଇଛି ଯାହା ଏକ ନୂତନ ଧାତୁକରଣ କୌଶଳ ଉପରେ ଆଧାରିତ ଯାହା ଇଲାଷ୍ଟୋମର ପୋଲିଡିମେଥାଇଲସାଇଲୋକ୍ସାନ (ପିଡିଏମଏସ) ଉପରେ ନାନୋସ୍କେଲ ପତଳା (50/100 ନନୋମିଟର) ଅଉ ଫିଲମ୍ ଜମା କରିଥାଏ । ଏହି ପତଳା ଧାତୁକୁ ବିଦ୍ୟୁତ ସଂଚାର କ୍ଷମତା ହରାଇ ବିନା ୨୦% ପର୍ଯ୍ୟନ୍ତ ବିସ୍ତାର କରାଯାଇପାରିବ । ନୂତନ ସାମଗ୍ରୀରେ ନିର୍ମିତ ପିଆଇଏଫଏ ଆଣ୍ଟେନା ୧୦% ଚାପ ମଧ୍ୟରେ କାର୍ଯ୍ୟ କରିପାରିବ ଏବଂ ପ୍ରୟୋଗ କରାଯାଇଥିବା ଚାପକୁ ହଟାଇବା ପରେ ଏହାର ମୂଳ ଅବସ୍ଥାକୁ ଫେରିପାରିବ । ଆଣ୍ଟିନା କାର୍ଯ୍ୟଦକ୍ଷତା ପାଇଁ ସିମୁଲେସନ ଓ ମାପ ଫଳାଫଳ ଦିଆଯାଉଛି । |
de1a87431309ff9e9d3bce7fb0b2f3b1a62b45e3 | ଏହି ଅବଦାନକୁ ଏକ ଡବଲ ବ୍ଲାଇଣ୍ଡ ରିଭ୍ୟୁ ପ୍ରକ୍ରିୟାରେ ଚୟନ କରାଯାଇଥିଲା ଯାହା "ଲିଚର ନୋଟସ ଇନ ଜିଓଇନଫର୍ମେସନ ଆଣ୍ଡ କାର୍ଟୋଗ୍ରାଫି" (ସ୍ପ୍ରିଙ୍ଗର-ଭର୍ଲାଗ, ହାଇଡେଲବର୍ଗ) ସିରିଜରେ ପ୍ରକାଶିତ ହେବ । 3D ଜିଓ-ଇନଫରମେସନ ସାଇନ୍ସରେ ଅଗ୍ରଗତି Kolbe, Thomas H.; König, Gerhard; Nagel, Claus (Eds.) 2011, X ISBN 978-3-642-12669-7, ପ୍ରକାଶନ ତାରିଖ: ଜାନୁଆରୀ ୫, ୨୦୧୧ ସିରିଜ ସମ୍ପାଦକ: କାର୍ଟ୍ରାଇଟ, ୱି, ଗାର୍ଟନର୍, ଜି, ମେଙ୍ଗ, ଏଲ, ପିଟରସନ, ଏମ.ପି. ISSN: 1863-2246 ଫୋଟୋଗ୍ରାଫମେଟ୍ରି, ରିମୋଟ୍ ସେନ୍ସିଂ ଏବଂ ସ୍ପେସିଆଲ୍ ଇନଫରମେସନ୍ ସାଇନ୍ସର ଆନ୍ତର୍ଜାତୀୟ ଅଭିଲେଖାଗାର, ଖଣ୍ଡ XXXVIII-4/W15 ପଞ୍ଚମ ଆନ୍ତର୍ଜାତୀୟ 3D ଜିଓଇନଫୋ ସମ୍ମିଳନୀ, ନଭେମ୍ବର 3-4, 2010, ବର୍ଲିନ୍, ଜର୍ମାନୀ 193 ବିଆଇଏମ ଏବଂ ଜିଆଇଏସର ସମନ୍ୱୟ ପ୍ରତି ଆଗ୍ରହ ବୃଦ୍ଧି ପାଉଛି । କିନ୍ତୁ ଅଧିକାଂଶ ଗବେଷଣା ଜିଆଇଏସ୍ ଆପ୍ଲିକେସନରେ ବିଆଇଏମ୍ ତଥ୍ୟର ଆମଦାନୀ ଉପରେ କେନ୍ଦ୍ରିତ । ବିଆଇଏମ୍ ଏବଂ ଜିଆଇଏସର ପ୍ରକୃତ ସମନ୍ୱୟ ହେଉଛି ଜିଆଇଏସ୍ ଟେକ୍ନୋଲୋଜିର ଶକ୍ତିଶାଳୀ ଅଂଶକୁ ବିଆଇଏମ୍ରେ ବ୍ୟବହାର କରିବା ଏବଂ ଅବଶ୍ୟ ଜିଆଇଏସରେ ବିଆଇଏମ୍ ଟେକ୍ନୋଲୋଜିର ଶକ୍ତିଶାଳୀ ଅଂଶକୁ ବ୍ୟବହାର କରିବା । ଏହି କାଗଜରେ ଉଭୟ ଜଗତର ଶକ୍ତିଶାଳୀ ଅଂଶଗୁଡ଼ିକର ମିଶ୍ରଣ ଗୋଟିଏ ପ୍ରକଳ୍ପରେ ଏକୀକୃତ ହୋଇଛି । ଏହି ପତ୍ରିକାରେ ସିଟିଜିଏମଏଲର ଏକ୍ସଟେନସନ ଜିଓବିଏମକୁ ବିକଶିତ କରିବା ବିଷୟରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି ଯାହାଦ୍ୱାରା ଆଇଏଫସିର ଅର୍ଥନୈତିକ ତଥ୍ୟକୁ ଜିଆଇଏସ ପରିପ୍ରେକ୍ଷୀରେ ଉପଯୋଗ କରାଯାଇପାରିବ । ଆଇଏଫସିକୁ ସିଟିଜିଏମ୍ଏଲ (ଜିଆଇବିଏମ୍ ସମ୍ପ୍ରସାରଣ ସହିତ) ରେ ରୂପାନ୍ତରିତ କରିବା ପାଇଁ ଓପନ ସୋର୍ସ ବିଲ୍ଡିଂ ଇନଫରମେସନ୍ ମଡେଲ୍ ସର୍ଭରରେ କାର୍ଯ୍ୟକାରୀ କରାଯାଇଛି । |
4bba88ac970d88c7a4a6aa174d765649a3fcfb00 | ବଜାର ନିୟନ୍ତ୍ରଣର ଉପାଦାନ ସହିତ ଉଚ୍ଚସ୍ତରୀୟ ବ୍ୟବସ୍ଥାକୁ ଯୋଡ଼ିବା ଏକ ସମୟରେ ଉଦ୍ୟୋଗୀତା ଓ ଉଦ୍ୟୋଗୀମାନଙ୍କ ମଧ୍ୟରେ ପ୍ରେରଣା ବୃଦ୍ଧି କରିବାର ଏକ ବହୁଳ ଭାବେ ବ୍ୟବହୃତ ଉପାୟ ପାଲଟିଛି । ତେବେ ଏହି କାଗଜରେ ଦର୍ଶାଯାଇଛି ଯେ ଏହିପରି "ଅନ୍ତଃ-ସଂଯୋଗୀକରଣ", ବିଶେଷକରି ଏହାର ଚରମ ରୂପଗୁଡିକ, ସଫଳତାର ସହିତ ଡିଜାଇନ୍ ଏବଂ କାର୍ଯ୍ୟକାରୀ କରିବା କଷ୍ଟକର, କାରଣ ପ୍ରତିନିଧିତ୍ୱ ନିଷ୍ପତ୍ତି ନେବାରେ ହସ୍ତକ୍ଷେପ ନକରିବା ପାଇଁ ପରିଚାଳନାଗତ ପ୍ରତିଶ୍ରୁତି ସହିତ ଜଡିତ ମୌଳିକ ବିଶ୍ୱସନୀୟତା ସମସ୍ୟା _ ଏକ ପ୍ରୋତ୍ସାହନ ସମସ୍ୟା ଯାହା ପ୍ରାୟତ "ନିର୍ବାଚନାତ୍ମକ ହସ୍ତକ୍ଷେପ ସମସ୍ୟା" ଭାବରେ ଜଣାଶୁଣା _ ଏହି ଥିଓରୀ ବିଷୟବସ୍ତୁକୁ ବିକଶିତ ଏବଂ ଚିତ୍ରଣ କରାଯାଇଛି, ବିଶ୍ୱରେ ଅଗ୍ରଣୀ ଡେନମାର୍କର ଶ୍ରବଣ ଯନ୍ତ୍ର ଉତ୍ପାଦନକାରୀ, ଓଟିକନ୍ ର ମାମଲା ବ୍ୟବହାର କରି _ ୧୯୯୦ ଦଶକର ଆରମ୍ଭରେ, ଓଟିକନ୍ ଏହାର ଆଭ୍ୟନ୍ତରୀଣ ହାଇବ୍ରିଡ୍, ସ୍ପାଘେଟି ସଂଗଠନ ପାଇଁ ପ୍ରସିଦ୍ଧ ହୋଇଥିଲା । ସାମ୍ପ୍ରତିକ କାର୍ଯ୍ୟରେ, ସ୍ପାଘେଟି ସଂଗଠନକୁ ସଂଗଠନ ଉପରେ ଲୋ-କପଲିଂ ଲଗାଇ ଗତିଶୀଳ କ୍ଷମତାକୁ ପ୍ରୋତ୍ସାହିତ କରିବା ପାଇଁ ଏକ ଚରମ ପ୍ରୟାସ ଭାବରେ ବ୍ୟାଖ୍ୟା କରାଯାଇଛି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା କରି, ଅବହେଳା, ଅବହେଳା, ଅବହେଳା, ଅବହେଳା, ଅବହେଳା, ଅବହେ ଏହି ପତ୍ରିକାରେ ଓଟିକନ୍ର ସାଂଗଠନିକ ପରିବର୍ତ୍ତନର ସାଂଗଠନିକ ଅର୍ଥନୀତିର ବ୍ୟାଖ୍ୟା କରାଯାଇଛି ଏବଂ ଏହା ଦର୍ଶାଯାଇଛି ଯେ ଉପରୋକ୍ତ ପ୍ରୋତ୍ସାହନ ସମସ୍ୟା ପାଇଁ ସ୍ପାଗେଟି ସଂଗଠନର ଏକ ଦୃଢ଼ ଦାୟିତ୍ୱ ଥିଲା । ଉଚ୍ଚ ପ୍ରଶାସନିକ ସ୍ତରରେ ଚୟନମୂଳକ ହସ୍ତକ୍ଷେପ ଦ୍ୱାରା ଓଟିକନ୍ ରେ ପ୍ରେରଣା ଗୁରୁତର ଭାବେ କ୍ଷତିଗ୍ରସ୍ତ ହୋଇଥିଲା । ଏହି ପ୍ରେରଣା ସମସ୍ୟାକୁ ଦୂର କରିବା ପାଇଁ ସଂଗଠନ ଢାଞ୍ଚାରେ ପରିବର୍ତ୍ତନ ଏକ ମାଧ୍ୟମ ଥିଲା । ଆଭ୍ୟନ୍ତରୀଣ ହାଇବ୍ରିଡର ଦକ୍ଷ ଡିଜାଇନକୁ ବୁଝିବା ପାଇଁ ଏବଂ ଫାର୍ମ ଏବଂ ବଜାର ମଧ୍ୟରେ ଥିବା ଭିନ୍ନତା ତଥା ଆଭ୍ୟନ୍ତରୀଣ ଏବଂ ବାହ୍ୟ ହାଇବ୍ରିଡ ମଧ୍ୟରେ ଥିବା ବିକଳ୍ପର ସାଧାରଣ ପ୍ରସଙ୍ଗ ପାଇଁ ଉଭୟର ପ୍ରତିକୂଳ ପ୍ରଭାବ ବିକଶିତ କରାଯାଇଛି । |
8687feb71453c7b6fb7b73802d0b77800b7285b9 | |
cfdb77b2cb9f8ca9616fa34a84d23685c0a4c45e | ପୁନଃସଂକଳ୍ପନୀୟ ଆଣ୍ଟେନାଗୁଡ଼ିକ ପଲାରିଜେସନ୍, ଅପରେଟିଂ ଫ୍ରିକ୍ୱେନ୍ସି, କିମ୍ବା ଦୂର-କ୍ଷେତ୍ରର ମଡେଲକୁ ପରିବର୍ତ୍ତନ କରି ସିଷ୍ଟମ୍ ପାରାମିଟରକୁ ପରିବର୍ତ୍ତନ କରିପାରନ୍ତି । ଏହି ଦସ୍ତାବିଜରେ ପୂର୍ବ ଏବଂ ବର୍ତ୍ତମାନର ପ୍ରଯୁକ୍ତିର ସମୀକ୍ଷା କରାଯାଇଛି ଯାହାକି ପୁନଃସଂକଳ୍ପନୀୟ ଆଣ୍ଟେନା ପାଇଁ ପ୍ରଯୁଜ୍ୟ । ଯାନ୍ତ୍ରିକ ଭାବେ ଚଳପ୍ରଚଳ ହେଉଥିବା ଅଂଶ ଏବଂ ଆରେ ଉପରେ ଆଲୋଚନା କରାଯାଇଛି, ଏବଂ ପୁନଃସଂକଳ୍ପନୀୟ ଆଣ୍ଟେନା ପାଇଁ ଅଧିକ ନୂତନ ସେମିକଣ୍ଡକ୍ଟର-ବିଷୟକ ଏବଂ ଟ୍ୟୁନେବଲ-ମାଟିରିଆଲ ଟେକ୍ନୋଲୋଜି ଉପରେ ଆଲୋଚନା କରାଯାଇଛି । |
aef5223dd82909a78e36895e1fe261d29704eb0e | ଏହି ଚିଠିରେ ଏକ ଉଚ୍ଚ ଲାଭକାରୀ ନିମ୍ନ-ପ୍ରୋଫାଇଲ୍ ଫାବ୍ରି-ପେରୋଟ (ଏଫପି) ଲିକ୍ ୱେଭ୍ ଆଣ୍ଟିନା (ଏଲଡବ୍ଲ୍ୟୁଏ) ପ୍ରସ୍ତାବିତ କରାଯାଇଛି, ଯାହା ଏକ-ଆକାରର ଦୂର ଆଲୋକ ଷ୍ଟିଅରିଂ ଗୁଣବତ୍ତା ପ୍ରଦାନ କରିଥାଏ । ଏହି ସଂରଚନାରେ ଏକ ଭୂମି ପ୍ଲେନ ଏବଂ ଏକ ଭିନ୍ନ ଇଣ୍ଡକ୍ଟିଭ୍ ପାର୍ଟିଲି ରିଫ୍ଲେକ୍ଟିଭ୍ ସପ୍ଲାଏ (PRS) ରହିଛି । ମାଇକ୍ରୋଷ୍ଟ୍ରିପ୍ ପ୍ୟାଚ୍ ଆଣ୍ଟିନା ପ୍ରାଥମିକ ଫିଡ୍ ଭାବରେ କାର୍ଯ୍ୟ କରିବା ପାଇଁ ଗୁହାଳରେ ଭର୍ତ୍ତି କରାଯାଇଛି । ଡିଜାଇନ୍ ଉଦାହରଣ ସ୍ୱରୂପ, ଆଣ୍ଟେନାଗୁଡିକ ୯.୫ ଗିଗାହର୍ଟ୍ସରେ କାର୍ଯ୍ୟ କରିବା ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଛି । ଉପ-ବେଲୱେଙ୍ଗ୍ ଏଫପି ଗୁହାଳଗୁଡ଼ିକର ସ୍ଥାୟୀ ମୋଟ ମୋଟେଇ λ0 /6 (ଯେଉଁଠାରେ λ0 ହେଉଛି ମୁକ୍ତ ସ୍ଥାନର କାର୍ଯ୍ୟକାରୀ ତରଙ୍ଗ ଦୈର୍ଘ୍ୟ) ସହିତ ନିର୍ମାଣ ଏବଂ ମାପ କରାଯାଏ । PRS ଇଣ୍ଡକ୍ଟାନ୍ସର ପ୍ରଭାବକୁ ବିଶ୍ଳେଷଣ କରାଯାଇଛି । ଏହା ଦର୍ଶାଯାଇଛି ଯେ PRS ର ଇଣ୍ଡକ୍ଟିଭ୍ ଗ୍ରୀଡକୁ ବିଚାରପୂର୍ବକ ଡିଜାଇନ୍ କରିବା ଦ୍ୱାରା ବ୍ରଡସାଇଡରୁ ଏଣ୍ଡଫାୟାର ଦିଗରେ ପାଖାପାଖି 60 ର ଏକ ହାଇ ବୀମ୍ ଷ୍ଟିଅରିଂ କୋଣ ପ୍ରାପ୍ତ କରାଯାଇପାରିବ । |
99d03dc3437b5c4ed1b3e54d65a030330e32c6cb | |
fef3feb39ed95a4376019af8dbfe604643fb7f25 | ସ୍ ଟିଲଥ୍ ଆଡ୍ରେସ୍ ଏକ ବ୍ଲକଚେନ ଟ୍ରାଞ୍ଜାକ୍ସନର ଆଉଟପୁଟ୍ କୁ ଏକ ରିସିପିଏଣ୍ଟ୍ ୱାଲେଟ୍ ଆଡ୍ରେସ୍ ସହିତ ସାର୍ବଜନୀନ ଭାବରେ ଯୋଡିବାକୁ ବାରଣ କରିଥାଏ ଏବଂ ଟ୍ରାଞ୍ଜାକ୍ସନର ପ୍ରକୃତ ଲକ୍ଷ୍ୟସ୍ଥଳ ଠିକଣାକୁ ଲୁଚାଇଥାଏ । ଯଦିଓ ସ୍ ଟିଲଥ୍ ଆଡ୍ରେସ୍ ଏକ କ୍ରିପ୍ଟୋକରେନ୍ସି ନେଟୱାର୍କ ପାଇଁ ଏକ ପ୍ରଭାବଶାଳୀ ଗୋପନୀୟତା-ବର୍ଦ୍ଧକ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ପ୍ରଦାନ କରେ, ଏହା ସମସ୍ତ କାରବାରକୁ ସକ୍ରିୟ ଭାବରେ ତଦାରଖ କରିବା ଏବଂ ଉଦ୍ଦେଶ୍ୟ ଠିକଣାକୁ ଗଣନା କରିବା ପାଇଁ ବ୍ଲକ୍ ଚେନ୍ ନୋଡ୍ ଆବଶ୍ୟକ କରେ, ଯାହା ଇଣ୍ଟରନେଟ୍ ଅଫ୍ ଥିଙ୍ଗସ୍ (IoT) ପରି ସମ୍ବଳ-ସୀମିତ ପରିବେଶ ପାଇଁ ଏହାର ପ୍ରୟୋଗକୁ ସୀମିତ କରିଥାଏ । ଏହି କାଗଜରେ, ଆମେ DKSAP-IoT, ବ୍ଲକଚେନ ଆଧାରିତ IoT ସିଷ୍ଟମ ପାଇଁ ଏକ ଦ୍ରୁତ ଡୁଆଲ-କି ଷ୍ଟିଲଥ୍ ଆଡ୍ରେସ୍ ପ୍ରୋଟୋକଲ୍ ପ୍ରସ୍ତାବ ଦେଉଛୁ । ଡିକ୍ସେପ-ଆଇଓଟି ଏକ ଟେକନିକ ବ୍ୟବହାର କରିଥାଏ ଯାହା ଟିଏଲଏସ ସେସନ ପୁନଃ ଆରମ୍ଭ କରିବା ଭଳି ହୋଇଥାଏ । ଏହା ଦ୍ବାରା ଦୁଇ ସଂଚାର ସମକକ୍ଷଙ୍କ ମଧ୍ୟରେ ଏକ ସମୟରେ କାର୍ଯ୍ୟଦକ୍ଷତା ବୃଦ୍ଧି ହୋଇଥାଏ ଏବଂ କାରବାରର ଆକାର ହ୍ରାସ ହୋଇଥାଏ । ଆମର ଥିଓରିଟିକାଲ ବିଶ୍ଳେଷଣ ଏବଂ ଇମ୍ବେଡଡ କମ୍ପ୍ୟୁଟିଂ ପ୍ଲାଟଫର୍ମରେ ବ୍ୟାପକ ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ ଡିକେଏସଏପିଆଇଓଟି ଅତ୍ୟାଧୁନିକ ଯୋଜନା ତୁଳନାରେ କମ୍ପ୍ୟୁଟିଂ ଓଭରହେଡକୁ ଅତି କମରେ ୫୦ ପ୍ରତିଶତ ହ୍ରାସ କରିବାରେ ସକ୍ଷମ ହୋଇଛି, ଯାହା ବ୍ଲକଚେନ୍ ଆଧାରିତ ଆଇଓଟି ସିଷ୍ଟମରେ ଏହାର ପ୍ରୟୋଗ ପାଇଁ ପଥ ପରିଷ୍କାର କରିଛି । |
0b4b6932d5df74b366d9235b40334bc40d719c72 | ଏହି କାଗଜରେ, ଆମେ ଏକ ସରଳ ଏବଂ ଦକ୍ଷ ପଦ୍ଧତି ଉପସ୍ଥାପନ କରୁଛୁ ଗଭୀର ନ୍ୟୁରାଲ ନେଟୱାର୍କକୁ ପ୍ରଶିକ୍ଷଣ ପାଇଁ ଏକ ଅର୍ଦ୍ଧ-ନିରୀକ୍ଷିତ ସେଟିଂରେ ଯେଉଁଠାରେ ପ୍ରଶିକ୍ଷଣ ତଥ୍ୟର କେବଳ ଏକ ଛୋଟ ଅଂଶକୁ ଲେବଲ୍ କରାଯାଇଛି । ଆମେ ସ୍ୱୟଂ-ସଂଗଠନ ପ୍ରବର୍ତ୍ତନ କରୁ, ଯେଉଁଠାରେ ଆମେ ଅଜଣା ଲେବଲଗୁଡ଼ିକର ଏକ ସହମତି ପୂର୍ବାନୁମାନ ତିଆରି କରୁ ବିଭିନ୍ନ ଯୁଗରେ ପ୍ରଶିକ୍ଷଣରେ ଥିବା ନେଟୱାର୍କର ଆଉଟପୁଟ୍ ବ୍ୟବହାର କରି, ଏବଂ ସବୁଠାରୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କଥା, ବିଭିନ୍ନ ନିୟମିତକରଣ ଏବଂ ଇନପୁଟ୍ ବୃଦ୍ଧି ସର୍ତ୍ତରେ । ଏହି ସମୂହ ପୂର୍ବାନୁମାନ ଅଜଣା ଲେବଲ ପାଇଁ ନେଟୱର୍କର ଆଉଟପୁଟ ଠାରୁ ଭଲ ପୂର୍ବାନୁମାନ ହେବ ବୋଲି ଆଶା କରାଯାଇପାରେ ଏବଂ ତେଣୁ ତାଲିମ ପାଇଁ ଏକ ଲକ୍ଷ୍ୟ ଭାବରେ ବ୍ୟବହାର କରାଯାଇପାରିବ । ଆମର ଏହି ପଦ୍ଧତିକୁ ବ୍ୟବହାର କରି ଆମେ ଦୁଇଟି ମାନକ ଅର୍ଦ୍ଧ-ନିରୀକ୍ଷିତ ଶିକ୍ଷଣ ମାନଦଣ୍ଡ ପାଇଁ ନୂତନ ରେକର୍ଡ ସ୍ଥାପନ କରିଛୁ, (ଅନୁର୍ଦ୍ଧୃତ) ଶ୍ରେଣୀକରଣ ତ୍ରୁଟି ହାରକୁ SVHN ରେ 18.44% ରୁ 7.05% କୁ ହ୍ରାସ କରିଛୁ, ଯେଉଁଥିରେ 500 ଟି ଲେବଲ୍ ଅଛି ଏବଂ CIFAR-10 ରେ 18.63% ରୁ 16.55% କୁ 4000 ଟି ଲେବଲ୍ ଅଛି, ଏବଂ ଷ୍ଟାଣ୍ଡାର୍ଡ ବୃଦ୍ଧିକୁ ସକ୍ଷମ କରି 5.12% ଏବଂ 12.16% କୁ ହ୍ରାସ କରିଛୁ । ତାଲିମ ସମୟରେ ଅତିରିକ୍ତ ଇନପୁଟ ଭାବରେ ଛୋଟ ଛବି ଡାଟାସେଟରୁ ଅନିୟମିତ ଛବି ବ୍ୟବହାର କରି ଆମେ CIFAR-100 ଶ୍ରେଣୀକରଣ ସଠିକତାରେ ସ୍ପଷ୍ଟ ଉନ୍ନତି ହାସଲ କରିଥାଉ । ଶେଷରେ, ଆମେ ଭୁଲ ଲେବଲକୁ ଭଲ ଭାବେ ସହ୍ୟ କରିପାରୁ । |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.