_id
stringlengths 40
40
| text
stringlengths 0
9.6k
|
|---|---|
21b25b025898bd1cabe60234434b49cf14016981 | ଜେନେରେଟିଭ୍ ଆଡଭେଜରିୟାଲ ନେଟୱର୍କ (ଜିଏନ) ର ବୃଦ୍ଧି ପାଉଥିବା ପ୍ରସିଦ୍ଧି ସତ୍ତ୍ୱେ, ଜିଏନ ରେ ଅପ୍ଟିମାଇଜେସନ୍ ଏବେ ବି ଏକ ଦୁର୍ବଳ ଭାବରେ ବୁଝାଯାଇଥିବା ବିଷୟ । ଏହି ଲେଖାରେ ଆମେ GAN ଅପ୍ଟିମାଇଜେସନର ଗ୍ରେଡିଏଣ୍ଟ ଡସେଣ୍ଟ ଫର୍ମକୁ ବିଶ୍ଳେଷଣ କରୁଛୁ, ଅର୍ଥାତ୍ ପ୍ରାକୃତିକ ସେଟିଂ ଯେଉଁଠାରେ ଆମେ ଏକକାଳୀନ ଉଭୟ ଜେନେରେଟର ଏବଂ ଡିସ୍କ୍ରିମିନେଟର ପାରାମିଟରରେ ଛୋଟ ଗ୍ରେଡିଏଣ୍ଟ ପଦକ୍ଷେପ ଗ୍ରହଣ କରୁ । ଆମେ ଦେଖାଇ ଦେଉଛୁ ଯେ ଯଦିଓ GAN ଅପ୍ଟିମାଇଜେସନ୍ ଏକ ବକ୍ର-ବକ୍ର ଖେଳ ସହିତ ମେଳ ଖାଉନାହିଁ (ସମାନ ପାରାମିଟରିଜେସନ୍ ପାଇଁ ମଧ୍ୟ), ସଠିକ୍ ପରିସ୍ଥିତିରେ, ଏହି ଅପ୍ଟିମାଇଜେସନ୍ ପ୍ରକ୍ରିୟାର ସନ୍ତୁଳନ ବିନ୍ଦୁଗୁଡିକ ପାରମ୍ପରିକ GAN ଫର୍ମୁଲେସନ୍ ପାଇଁ ସ୍ଥାନୀୟ ଭାବରେ ସ୍ଥିର ଅଟେ । ଅନ୍ୟ ପକ୍ଷରେ, ଆମେ ଦେଖାଇଛୁ ଯେ ନିକଟରେ ପ୍ରସ୍ତାବିତ ୱାସରଷ୍ଟେନ ଗାନରେ ସମତୁଲ୍ୟର ନିକଟବର୍ତ୍ତୀ ଅଣ-ସଂଯୋଗ ସୀମା ଚକ୍ର ରହିପାରେ । ଏହି ସ୍ଥିରତା ବିଶ୍ଳେଷଣ ଦ୍ୱାରା ଅନୁପ୍ରାଣିତ ହୋଇ ଆମେ ଗ୍ରେଡିଏଣ୍ଟ ଅବତରଣ GAN ଅପଡେଟ୍ ପାଇଁ ଏକ ଅତିରିକ୍ତ ନିୟମିତକରଣ ଅବଧି ପ୍ରସ୍ତାବ କରୁଛୁ, ଯାହା WGAN ଏବଂ ପାରମ୍ପରିକ GAN ପାଇଁ ସ୍ଥାନୀୟ ସ୍ଥିରତା ନିଶ୍ଚିତ କରିବାରେ ସକ୍ଷମ ଅଟେ, ଏବଂ ସମ୍ମିଶ୍ରଣକୁ ତ୍ୱରାନ୍ୱିତ କରିବାରେ ଏବଂ ମୋଡ୍ ଭୁଶୁଡିବାକୁ ସମାଧାନ କରିବାରେ ବ୍ୟବହାରିକ ପ୍ରତିଜ୍ଞା ମଧ୍ୟ ଦେଖାଏ । |
c8cff23dcba448f4af436d40d32e367ea0bbe9bc | ଏହି ଦସ୍ତାବିଜରେ ମାଇକ୍ରୋୱେଭ୍ 3-ଡି ପ୍ରିଣ୍ଟେଡ୍ ଲୋଡର ବାସ୍ତବିକତା ଏବଂ ବୈଶିଷ୍ଟ୍ୟ ବର୍ଣ୍ଣନା କରାଯାଇଛି । କେତେକ ବ୍ୟବସାୟିକ ସାମଗ୍ରୀର X-ବ୍ୟାଣ୍ଡ (8-12 GHz) ରେ ବୈଶିଷ୍ଟ୍ୟ ନିର୍ଣ୍ଣୟ କରାଯାଇଥିଲା । ଏଗୁଡ଼ିକର ଡାଏଲେକ୍ଟ୍ରିକ୍ ଗୁଣ ଗୁଡିକୁ ଏକ କାଭିଟି-ପରଟର୍ବେଶନ ପଦ୍ଧତି ଏବଂ ଟ୍ରାନ୍ସମିଶନ/ରିଫ୍ଲେକ୍ସନ ରିକ୍ଟାଙ୍ଗୁଲାର ୱେଭ୍ ଗାଇଡ୍ ପଦ୍ଧତିର ବ୍ୟବହାର କରି ବାହାର କରାଯାଇଥିଲା । 8 ରୁ 12 GHz ମଧ୍ୟରେ ଏକ ମେଳ ଖାଉଥିବା ଲୋଡ ହାସଲ କରିବା ପାଇଁ ଏକ କାର୍ବନ-ଲୋଡେଡ ଏକ୍ରିଲୋନାଇଟ୍ରିଲ ବୁଟାଡିଏନ ଷ୍ଟାଇରନ (ଏବିଏସ) ପଲିମରକୁ ଚୟନ କରାଯାଇଥିଲା । ଦୁଇଟି ଭିନ୍ନ ପ୍ରକାରର ଟର୍ମିନେସନ ଫ୍ୟୁଜଡ ଡିପୋଜିସନ ମଡେଲିଂ ଦ୍ୱାରା ପ୍ରସ୍ତୁତ କରାଯାଇଥିଲା: ଏକ ହାଇବ୍ରିଡ ଥ୍ରୀ-ଡି ପ୍ରିଣ୍ଟ ଟର୍ମିନେସନ (ମେଟାଲିକ ୱେବ ଗାଇଡ + ପିରାମିଡାଲ ପଲିମର ଅବଜର୍ବର + ମେଟାଲିକ ସର୍ଟ ସର୍କିଟ) ଏବଂ ଏକ ସମ୍ପୂର୍ଣ୍ଣ ଥ୍ରୀ-ଡି ପ୍ରିଣ୍ଟ ଟର୍ମିନେସନ (ସ୍ୱୟ-ସଂଗତ ମେଳ ଖାଉଥିବା ଲୋଡ) । ହାଇବ୍ରିଡ୍ ଓ ସମ୍ପୂର୍ଣ୍ଣ ୩ଡି ପ୍ରିଣ୍ଟିଙ୍ଗ ଟର୍ମିନେସନ୍ ପାଇଁ ଭୋଲ୍ଟେଜ୍ ଷ୍ଟାଣ୍ଡିଙ୍ଗ ୱେଭ୍ ଅନୁପାତ ଯଥାକ୍ରମେ ୧.୦୭୫ ଓ ୧.୦୨୫ରୁ କମ୍ ଥିଲା । ସମ୍ପୂର୍ଣ୍ଣ ୩-ଡି ପ୍ରିଣ୍ଟ ଟର୍ମିନେଶନର ଶକ୍ତି ବ୍ୟବହାର ଉପରେ ଅନୁସନ୍ଧାନ କରାଯାଇଥିଲା । 10 ଗିଗାହର୍ଟ୍ସରୁ 11.5 ୱାଟ ପର୍ଯ୍ୟନ୍ତ ଇନସିଡେଣ୍ଟ ପାୱାର ଆମ୍ପ୍ଲିଟ୍ୟୁଡର ଫଙ୍କସନ ହିସାବରେ ପ୍ରତିଫଳିତ ଶକ୍ତିର ଏକ ଅତି ସରଳ ବିକାଶ ପରିଲକ୍ଷିତ ହୋଇଥିଲା । ଏହି 3-ଡି ପ୍ରିଣ୍ଟିଂ ଡିଭାଇସଗୁଡ଼ିକ ମାଇକ୍ରୋୱେଭ୍ ମେଳ ଖାଉଥିବା ଲୋଡକୁ ରିଅକ୍ଟେଙ୍ଗୁଲାର ୱେଭ୍ ଗାଇଡ୍ ଟେକ୍ନୋଲୋଜିରେ କାର୍ଯ୍ୟକାରୀ କରିବା ପାଇଁ ଏକ ଅତି କମ୍ ଖର୍ଚ୍ଚ ସମାଧାନ ଭାବରେ ଦେଖାଯାଏ । |
16f63ebc5b393524b48932946cb1ba3b6ac5c702 | ଏହି ଲେଖାରେ ଆମେ ଏକ ରିକର୍ସିଭ୍ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ (ଆରଏନଏନ୍) ମଡେଲ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ଏକ ସିଣ୍ଟାକ୍ଟିକ୍ ଟ୍ରିରେ କାମ କରେ । ଆମର ମଡେଲ ପୂର୍ବବର୍ତ୍ତୀ ଆର୍ଏନ୍ଏନ୍ ମଡେଲଠାରୁ ଭିନ୍ନ କାରଣ ଏହି ମଡେଲରେ ଟାର୍ଗେଟ୍ ଟାସ୍କ ପାଇଁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ବାକ୍ୟର ଏକ ସ୍ପଷ୍ଟ ଭାର ଦିଆଯାଇଥାଏ । ଆମେ ମଧ୍ୟ ପ୍ରଶିକ୍ଷଣରେ ପାରାମିଟରକୁ ହାରାହାରି କରିବାକୁ ପ୍ରସ୍ତାବ ଦେଉଛୁ । ଆମ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳରୁ ଜଣାପଡ଼ୁଛି ଯେ ବାକ୍ୟବୋଧ ଶ୍ରେଣୀ ଓ କାର୍ଯ୍ୟ ନିର୍ଦ୍ଦିଷ୍ଟ ଓଜନ ଉଭୟ ମଡେଲର ପୂର୍ବାନୁମାନ ସଠିକତାକୁ ଯଥେଷ୍ଟ ଉନ୍ନତ କରିଥାଏ । ଆମେ ଏହା ମଧ୍ୟ ଦେଖାଇଛୁ ଯେ ମଡେଲ ପାରାମିଟରର ହାରାହାରି ଶିକ୍ଷଣକୁ ସ୍ଥିର କରିବାରେ ପ୍ରଭାବଶାଳୀ ଏବଂ ସାଧାରଣକରଣ କ୍ଷମତାକୁ ଉନ୍ନତ କରିଥାଏ । ପ୍ରସ୍ତାବିତ ମଡେଲର ସ୍କୋର ଆଧୁନିକ ଆର୍ଏନ୍ଏନ୍ ଆଧାରିତ ମଡେଲ ସହିତ ପ୍ରତିଯୋଗିତାମୂଳକ । |
49b3256add6efdcd9ed2ea90c54b18bb8f5cee3e | ନ୍ୟୁରାଲ ନେଟୱାର୍କରୁ ଉନ୍ନତ ସାଧାରଣକରଣ ପାଇଁ ମାନକ କୌଶଳଗୁଡ଼ିକ ମଧ୍ୟରେ ଓଜନ ହ୍ରାସ ଏବଂ କଟା ଅନ୍ତର୍ଭୁକ୍ତ । ଓଜନ ହ୍ରାସ ଏକ ବେଜିଆନ ବ୍ୟାଖ୍ୟା ସହିତ ଓଜନ ହ୍ରାସ ଫଙ୍କସନ ପୂର୍ବ ଓଜନ ସହିତ ସମାନ । ପରିବର୍ତ୍ତନ ସମୂହ ଓ ସର୍ବାଧିକ ଏଣ୍ଟ୍ରୋପିର ପଦ୍ଧତି ଏକ ଗୌସୀୟ ପୂର୍ବବର୍ତ୍ତୀ ପରିବର୍ତ୍ତେ ଏକ ଲାପ୍ଲେସ ପୂର୍ବବର୍ତ୍ତୀକୁ ସୂଚାଇଥାଏ । ତାଲିମ ପରେ ଓଜନକୁ ଦୁଇଟି ଶ୍ରେଣୀରେ ବିଭକ୍ତ କରାଯାଏ: (1) ଯେଉଁମାନଙ୍କର ତଥ୍ୟ ତ୍ରୁଟି ପ୍ରତି ସମାନ ସମ୍ବେଦନଶୀଳତା ରହିଛି ଏବଂ (2) ଯେଉଁମାନଙ୍କର ଏହି ସମ୍ବେଦନଶୀଳତା ହାସଲ କରିବାରେ ବିଫଳ ହୋଇଛନ୍ତି ଏବଂ ଯେଉଁମାନଙ୍କର ଏହି ସମ୍ବେଦନଶୀଳତା ରହିଛି ସେମାନେ ହଜିଯାଆନ୍ତି । ଯେହେତୁ ପ୍ରଶିକ୍ଷଣ ସମୟରେ ଏହି ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ ମୂଲ୍ୟ ଅନୁକୂଳ ଭାବରେ ନିର୍ଦ୍ଧାରିତ ହୋଇଥାଏ, ତେଣୁ ଓଜନକୁ ଏକ୍ସଟ୍ରା ଜିରୋରେ ସେଟ୍ କରିବାର ଅର୍ଥ କେବଳ ନିୟମିତକରଣର ଏକ ସ୍ୱୟଂଚାଳିତ ପରିଣାମ ହୋଇଥାଏ । ଓଜନ ହ୍ରାସ ହେବା ସହିତ ମୁକ୍ତ ପାରାମିଟରର ସଂଖ୍ୟା ମଧ୍ୟ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ହ୍ରାସ ପାଇଥାଏ । ପ୍ରମାଣ ଢାଞ୍ଚା ଏବଂ ଗୌସୀୟ ନିୟମିତକାରୀ ବ୍ୟବହାର କରି ମାକ୍କେଙ୍କ ଫଳାଫଳ ସହିତ ଏକ ତୁଳନା କରାଯାଏ । |
d142c1b2488ea054112187b347e1a5fa83a3d54e | |
3ccf752029540235806bdd0c5293b56ddc1254c2 | ଏହି ଅଧ୍ୟୟନରେ ଆମେ ବହୁବିଧ ସିଷ୍ଟମ ଡିଜାଇନ ଲକ୍ଷ୍ୟ ସହିତ ବହୁ ଉପଭୋକ୍ତା ବହୁ-ଇନପୁଟ ଏକକ-ଉତ୍ପାଦନ (MISO) ମାଧ୍ୟମିକ ଯୋଗାଯୋଗ ପ୍ରଣାଳୀ ପାଇଁ ସମ୍ବଳ ଆବଣ୍ଟନ ଅଧ୍ୟୟନ କରୁ । ଆମେ କାଗ୍ନାଇଟିଭ୍ ରେଡିଓ (ସି.ଆର୍.) ନେଟୱର୍କ ଉପରେ ବିଚାର କରୁଛୁ ଯେଉଁଠାରେ ସେକେଣ୍ଡାରୀ ରିସିଭର୍ମାନେ ନିଷ୍କ୍ରିୟ ଥିବା ସମୟରେ ରେଡିଓ ଫ୍ରିକ୍ୱେନ୍ସିରୁ ଶକ୍ତି ସଂଗ୍ରହ କରିବାରେ ସକ୍ଷମ । ଏହି ସେକେଣ୍ଡାରୀ ସିଷ୍ଟମ ଏକକାଳୀନ ୱାୟାରଲେସ ଶକ୍ତି ଏବଂ ସେକେଣ୍ଡାରୀ ରିସିଭରକୁ ସୁରକ୍ଷିତ ସୂଚନା ଟ୍ରାନ୍ସଫର ଯୋଗାଇଥାଏ । ଆମେ ଏକ ମଲ୍ଟି-ଅବଜେକ୍ଟିଭ୍ ଅପ୍ଟିମାଇଜେସନ୍ ଫ୍ରେମୱାର୍କର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଭେଟେଡ୍ ଚେବିଚେଫ୍ ଆଭିମୁଖ୍ୟ ଉପରେ ଆଧାରିତ ଏକ ପାରେଟୋ ସର୍ବୋତ୍ତମ ସମ୍ବଳ ଆବଣ୍ଟନ ଆଲଗୋରିଦମକୁ ଡିଜାଇନ୍ କରିବ । ବିଶେଷକରି, ଆଲଗୋରିଦମ ଡିଜାଇନ୍ ତିନୋଟି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ସିଷ୍ଟମ୍ ଡିଜାଇନ୍ ଲକ୍ଷ୍ୟକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରେଃ ମୋଟ ଟ୍ରାନ୍ସମିଟ୍ ପାୱାର ସର୍ବନିମ୍ନକରଣ, ଶକ୍ତି ଅମଳ ଦକ୍ଷତା ସର୍ବାଧିକକରଣ ଏବଂ ଇଣ୍ଟରଫେନ୍ସ ପାୱାର ଲିକେଜ୍-ଟୁଟ୍ରାନ୍ସମିଟ୍ ପାୱାର ଅନୁପାତ ସର୍ବନିମ୍ନକରଣ। ପ୍ରସ୍ତାବିତ ଢାଂଚାରେ ସେକେଣ୍ଡାରୀ ସିଷ୍ଟମରେ ଯୋଗାଯୋଗର ଗୋପନୀୟତା ଏବଂ ସମ୍ଭାବ୍ୟ ଇନସର୍ଟର (ଅଚଳ ସେକେଣ୍ଡାରୀ ରିସିଭର ଏବଂ ପ୍ରାଥମିକ ରିସିଭର) ର ଚ୍ୟାନେଲ ଷ୍ଟେଟ ସୂଚନା (CSI) ର ଅସମ୍ପୂର୍ଣ୍ଣତା ସମ୍ବନ୍ଧରେ ସେବା ଗୁଣବତ୍ତା (QoS) ଆବଶ୍ୟକତାକୁ ଧ୍ୟାନରେ ରଖାଯାଇଛି । ପ୍ରସ୍ତାବିତ ଢାଂଚାରେ ବିଶେଷ ମାମଲା ଭାବେ ମୋଟ ଉତ୍ପାଦିତ ଶକ୍ତିର ସର୍ବାଧିକ ଉପଯୋଗ ଏବଂ ହସ୍ତକ୍ଷେପ ଶକ୍ତିର ଲିକେଜକୁ ସର୍ବନିମ୍ନ କରିବା ସାମିଲ ରହିଛି । ଗ୍ରହଣ କରାଯାଇଥିବା ବହୁ ଉଦ୍ଦେଶ୍ୟ ବିଶିଷ୍ଟ ଅନୁକୂଳନ ସମସ୍ୟା ଅଣ-ବିକାଶିତ ଅଟେ ଏବଂ ସେମି-ଡିଫାଇନେଟ୍ ପ୍ରୋଗ୍ରାମିଂ (SDP) ଆରାମ ମାଧ୍ୟମରେ ଏକ ବିକାଶିତ ଅନୁକୂଳନ ସମସ୍ୟା ଭାବରେ ପୁନଃନିର୍ମାଣ କରାଯାଏ । ଏହା ଦର୍ଶାଯାଇଛି ଯେ ମୂଳ ସମସ୍ୟାର ସର୍ବୋତ୍ତମ ସମାଧାନ SDP ରିଲାକ୍ସଡ ସମସ୍ୟାର ଉଭୟ ପ୍ରାଥମିକ ଏବଂ ଦ୍ୱୈତ ସର୍ବୋତ୍ତମ ସମାଧାନର ଉପଯୋଗ କରି ନିର୍ମାଣ କରାଯାଇପାରିବ । ଏହା ବ୍ୟତୀତ, ଯେଉଁ କ୍ଷେତ୍ରରେ ଦୁଇଗୋଟି ସମସ୍ୟାର ସମାଧାନ ନଥାଏ, ସେହି କ୍ଷେତ୍ରରେ ସର୍ବୋତ୍ତମ ସମାଧାନର ନିର୍ମାଣ ପାଇଁ ଦୁଇଟି ଉପଯୁକ୍ତ ସମ୍ବଳ ଆବଣ୍ଟନ ଯୋଜନା ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । ସଂଖ୍ୟାଗତ ଫଳାଫଳ କେବଳ ପ୍ରସ୍ତାବିତ ଉପ-ଉତ୍ତମ ଯୋଜନାର ସର୍ବୋତ୍ତମ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଦର୍ଶାଏ ନାହିଁ, ବରଂ ବିଚାର କରାଯାଉଥିବା ବିରୋଧାଭାସୀ ସିଷ୍ଟମ ଡିଜାଇନ୍ ଲକ୍ଷ୍ୟ ମଧ୍ୟରେ ଏକ ଆକର୍ଷଣୀୟ ବାଣିଜ୍ୟର ଖୁଲାସା କରେ । |
503a6d42cfb0174ca944053372153e21fec1111c | ଅନେକ ଆନୁଷ୍ଠାନିକ ମଡେଲର କୌଜିକତା ମନୁଷ୍ୟ ଶିକ୍ଷାର୍ଥୀମାନଙ୍କର ଅନୁମାନକୁ ଧରିବା ପାଇଁ ଅନ୍ତର୍ନିହିତ ଭାବରେ ବ୍ୟକ୍ତିଗତ ସମ୍ଭାବ୍ୟତା ବଣ୍ଟନ ବ୍ୟବହାର କରିଥାଏ । ଏହି ମଡେଲର ଅଧିକାଂଶ ପ୍ରୟୋଗ ପରୋକ୍ଷରେ ଏହି ବଣ୍ଟନକୁ ନିର୍ଣ୍ଣୟ କରିଥାଏ । ଆମେ ମନୁଷ୍ୟ ଶିକ୍ଷାର୍ଥୀମାନଙ୍କର ସିଧାସଳଖ ଭାବେ ଅନୁମାନ ନିର୍ଦ୍ଧାରଣ କରିବା ପାଇଁ ଏକ ପଦ୍ଧତିର ପ୍ରସ୍ତାବ ଦେଉଛୁ । ମାନବ ଚୟନ ମଡେଲ ଏବଂ ମାର୍କୋଭ୍ ଚେନ୍ ମଣ୍ଟେ କାର୍ଲୋ (ଏମସିଏମସି) ମଧ୍ୟରେ ଏକ ମେଳ ବ୍ୟବହାର କରି, ଆମେ ବସ୍ତୁ ଉପରେ ବିତରଣରୁ ନମୁନା ସଂଗ୍ରହ ପାଇଁ ଏକ ପଦ୍ଧତି ବର୍ଣ୍ଣନା କରୁ ଯାହା ଲୋକମାନେ ବିଭିନ୍ନ ବର୍ଗ ସହିତ ସଂଯୁକ୍ତ କରନ୍ତି । ଆମର କାର୍ଯ୍ୟରେ, ବିଷୟଗୁଡ଼ିକ ଏକ ବସ୍ତୁରେ ପ୍ରସ୍ତାବିତ ପରିବର୍ତ୍ତନକୁ ଗ୍ରହଣ କରିବେ କି ନାହିଁ ବା ପ୍ରତ୍ୟାଖ୍ୟାନ କରିବେ କି ନାହିଁ ତାହା ବାଛିବେ । ଏହି କାର୍ଯ୍ୟକୁ ଏପରି ଭାବରେ ପ୍ରସ୍ତୁତ କରାଯାଇଛି ଯେ ଏହି ନିଷ୍ପତ୍ତିଗୁଡ଼ିକ MCMC ଗ୍ରହଣ ନିୟମକୁ ଅନୁସରଣ କରିଥାଏ, ଯାହା ଏକ ମାର୍କୋଭ୍ ଚେନ୍ କୁ ବ୍ୟାଖ୍ୟା କରିଥାଏ ଯାହାର ସ୍ଥିର ବଣ୍ଟନ ବର୍ଗ ବଣ୍ଟନ ଅଟେ । ଆମେ ଏହି ପ୍ରକ୍ରିୟାକୁ ପରୀକ୍ଷାଗାରରେ ପ୍ରାପ୍ତ କୃତ୍ରିମ ଶ୍ରେଣୀ ଏବଂ ଅଭିଜ୍ଞତା ଦ୍ୱାରା ପ୍ରାପ୍ତ ପ୍ରାକୃତିକ ଶ୍ରେଣୀ ପାଇଁ ପରୀକ୍ଷା କରିଥାଉ । |
2bab122e886271733c3be851b2b11b040cefc213 | ଇଲେକ୍ଟ୍ରୋନିକ ମେଡିକାଲ ରେକର୍ଡ (ଇଏମଆର) କୁ ଗ୍ରହଣ କରିବା ପାଇଁ ଡାକ୍ତରମାନଙ୍କ ଦ୍ୱାରା ଦେଖାଯାଉଥିବା ବାଧାଗୁଡ଼ିକୁ ଚିହ୍ନଟ କରିବା, ଶ୍ରେଣୀଭୁକ୍ତ କରିବା ଏବଂ ବିଶ୍ଳେଷଣ କରିବା ଏହି ଗବେଷଣାର ମୁଖ୍ୟ ଉଦ୍ଦେଶ୍ୟ । ଇଏମଆରକୁ ଡାକ୍ତରମାନେ ଗ୍ରହଣ କରିବା କ୍ଷେତ୍ରରେ ରହିଥିବା ବାଧାକୁ ନେଇ ୧୯୯୮ରୁ ୨୦୦୯ ମଧ୍ୟରେ ପ୍ରକାଶିତ ଗବେଷଣା ପତ୍ରକୁ ଆଧାର କରି ସାହିତ୍ୟର ଏକ ବ୍ୟବସ୍ଥିତ ସମୀକ୍ଷା କରାଯାଇଥିଲା । ସାହିତ୍ୟ ଅନୁସନ୍ଧାନରେ ଚାରୋଟି ଡାଟାବେସ୍ ଯଥା "ସାଇନ୍ସ", "ଇବସ୍କୋ", "ପବମେଡ" ଏବଂ "ଦ କୋକ୍ରେନ ଲାଇବ୍ରେରୀ" ବ୍ୟବହାର କରାଯାଇଥିଲା । ଅଧ୍ୟୟନକୁ ବିଶ୍ଳେଷଣରେ ସାମିଲ କରାଯାଇଥିଲା ଯଦି ସେମାନେ ଇଲେକ୍ଟ୍ରୋନିକ ଡାକ୍ତରୀ ରେକର୍ଡକୁ କାର୍ଯ୍ୟକାରୀ କରିବା ଏବଂ ବ୍ୟବହାର କରିବା ପାଇଁ ଡାକ୍ତରଙ୍କ ଦ୍ୱାରା ବିବେଚନା କରାଯାଇଥିବା ବାଧାବିଘ୍ନ ବିଷୟରେ ରିପୋର୍ଟ କରିଥିଲେ । ଇଲେକ୍ଟ୍ରୋନିକ ଡାକ୍ତରୀ ରେକର୍ଡକୁ କମ୍ପ୍ୟୁଟରୀକୃତ ଡାକ୍ତରୀ ସୂଚନା ପ୍ରଣାଳୀ ଭାବରେ ପରିଭାଷିତ କରାଯାଏ ଯାହା ରୋଗୀ ସୂଚନା ସଂଗ୍ରହ, ସଂରକ୍ଷଣ ଏବଂ ପ୍ରଦର୍ଶିତ କରେ । ଏହି ଅଧ୍ୟୟନରେ ୨୨ଟି ଲେଖା ସାମିଲ କରାଯାଇଛି ଯେଉଁଥିରେ ଇଏମଆର ପ୍ରତି ଡାକ୍ତରମାନଙ୍କ ଦ୍ୱାରା ଦେଖାଯାଉଥିବା ପ୍ରତିବନ୍ଧକଗୁଡ଼ିକ ଉପରେ ବିଚାର କରାଯାଇଛି । ବାଧାବିଘ୍ନର ଆଠଟି ମୁଖ୍ୟ ଶ୍ରେଣୀ ଚିହ୍ନଟ କରାଯାଇଥିଲା, ଯେଉଁଥିରେ ସମୁଦାୟ ୩୧ଟି ଉପ-ଶ୍ରେଣୀ ଅନ୍ତର୍ଭୁକ୍ତ । ଏହି ଆଠଟି ଶ୍ରେଣୀ ହେଲା: (କ) ଆର୍ଥିକ, (ଖ) ବୈଷୟିକ, (ଗ) ସମୟ, (ଘ) ମନସ୍ତାତ୍ତ୍ୱିକ, (ଗ) ସାମାଜିକ, (ଚ) ଆଇନଗତ, (ଗ) ସାଂଗଠନିକ ଏବଂ (ଘ) ପରିବର୍ତ୍ତନ ପ୍ରକ୍ରିୟା । ଏହି ସବୁ ଶ୍ରେଣୀ ପରସ୍ପର ସହ ଜଡ଼ିତ । ବିଶେଷକରି, ଶ୍ରେଣୀ ଜି (ସଂଗଠନାତ୍ମକ) ଏବଂ ଏଚ (ପରିବର୍ତ୍ତନ ପ୍ରକ୍ରିୟା) ଅନ୍ୟ ପ୍ରତିବନ୍ଧକ ଉପରେ ମଧ୍ୟସ୍ଥତା କରୁଥିବା କାରକ ଭଳି ଦେଖାଯାଏ । ପରିବର୍ତ୍ତନ ପରିଚାଳନା ଦୃଷ୍ଟିକୋଣକୁ ଗ୍ରହଣ କରି ଆମେ କିଛି ବାଧାବିଘ୍ନ ସମ୍ବନ୍ଧୀୟ ହସ୍ତକ୍ଷେପ ବିକଶିତ କରିଥାଉ ଯାହା ଚିହ୍ନଟ ବାଧାବିଘ୍ନକୁ ଦୂର କରିପାରିବ । ଚିକିତ୍ସା କ୍ଷେତ୍ରରେ ଇଏମଆର ବ୍ୟବହାରର ସକାରାତ୍ମକ ପ୍ରଭାବ ସତ୍ତ୍ୱେ, ଏହିପରି ସିଷ୍ଟମର ଗ୍ରହଣ ହାର ଏବେ ବି କମ୍ ରହିଛି ଏବଂ ଡାକ୍ତରମାନଙ୍କ ଦ୍ୱାରା ଏହାର ବିରୋଧ କରାଯାଉଛି । ଏହି ବ୍ୟବସ୍ଥିତ ସମୀକ୍ଷାରୁ ଜଣାପଡିଛି ଯେ ଇଏମଆର କାର୍ଯ୍ୟକାରୀ କରିବା ସମୟରେ ଡାକ୍ତରମାନେ ଅନେକ ବାଧାବିଘ୍ନର ସମ୍ମୁଖୀନ ହୋଇପାରନ୍ତି । ଆମେ ଏହି ସିଦ୍ଧାନ୍ତରେ ଉପନୀତ ଯେ ଇଏମଆର କାର୍ଯ୍ୟାନ୍ୱୟନ ପ୍ରକ୍ରିୟାକୁ ଏକ ପରିବର୍ତ୍ତନ ପ୍ରକଳ୍ପ ଭାବେ ଗ୍ରହଣ କରାଯିବା ଉଚିତ ଏବଂ ଏହାକୁ କାର୍ଯ୍ୟକାରୀକାରୀକାରୀ ବା ପରିବର୍ତ୍ତନ ପରିଚାଳକମାନେ ଚିକିତ୍ସା ପଦ୍ଧତିରେ ପରିଚାଳନା କରିବା ଉଚିତ । ଇଏମଆର କାର୍ଯ୍ୟାନ୍ୱୟନ ସଫଳ ହେବା ପାଇଁ ପରିବର୍ତ୍ତନ ପରିଚାଳନା ର ଗୁଣବତ୍ତା ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଭୂମିକା ଗ୍ରହଣ କରିଥାଏ । ଏହି ଅଧ୍ୟୟନରେ ଉଲ୍ଲେଖ କରାଯାଇଥିବା ବାଧାବିଘ୍ନ ଏବଂ ପ୍ରସ୍ତାବିତ ହସ୍ତକ୍ଷେପ ଇଲେକ୍ଟ୍ରୋନିକ ମେଡିକାଲ ରେକର୍ଡର କାର୍ଯ୍ୟକାରୀକାରୀମାନଙ୍କ ପାଇଁ ଏକ ରେଫରେନ୍ସ ଭାବରେ କାର୍ଯ୍ୟ କରିବା ପାଇଁ ଉଦ୍ଦିଷ୍ଟ । ଉପଯୁକ୍ତ ହସ୍ତକ୍ଷେପ ନିର୍ଦ୍ଧାରଣ କରିବା ପୂର୍ବରୁ ନିର୍ଦ୍ଦିଷ୍ଟ ପରିସ୍ଥିତିର ଯତ୍ନର ସହ ନିରୂପଣ କରାଯିବା ଆବଶ୍ୟକ । |
00514b5cd341ef128d216e86f2a795f218ef83db | ଏହି ଅଧ୍ୟୟନରେ ଆମେ ଏକ ନୂତନ ସମନ୍ୱିତ ଉପକରଣର ଡିଜାଇନ ଏବଂ ବିକାଶ ଉପସ୍ଥାପନ କରିଛୁ ଯାହା ଆଙ୍ଗୁଠିର ଉପଯୋଗ କରି ହୃଦସ୍ପନ୍ଦନ ମାପିବା ପାଇଁ ହୃଦସ୍ପନ୍ଦନ ହାରର ଆକଳନକୁ ଉନ୍ନତ କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ । ଦିନକୁ ଦିନ ହୃଦରୋଗ ବୃଦ୍ଧି ପାଉଥିବାରୁ ସ୍ୱାସ୍ଥ୍ୟର ଗୁଣବତ୍ତା ସୁନିଶ୍ଚିତ କରିବା ପାଇଁ ସଠିକ ଏବଂ ଶସ୍ତା ହାର୍ଟ ମିଟର ବା ହାର୍ଟ ମନିଟରର ଆବଶ୍ୟକତା ରହିଛି । କିନ୍ତୁ ଅଧିକାଂଶ ହାର୍ଟ ମିଟର ଓ ପରିବେଶ ମହଙ୍ଗା ହୋଇଥାଏ ଓ ଏହା ଏର୍ଗୋନୋମିକ୍ସକୁ ଅନୁସରଣ କରେ ନାହିଁ । ଆମର ପ୍ରସ୍ତାବିତ ହାର୍ଟ ରେଟ୍ ମାପ (ଏଚଆରଏମ) ଉପକରଣ ଶସ୍ତା ଏବଂ ବ୍ୟବହାର ଅନୁକୂଳ ଏବଂ ସୂଚକାଙ୍କ ଆଙ୍ଗୁଠି ମାଧ୍ୟମରେ ରକ୍ତ ପ୍ରବାହକୁ ଚିହ୍ନଟ କରିବା ପାଇଁ ଅପ୍ଟିକାଲ ଟେକ୍ନୋଲୋଜି ବ୍ୟବହାର କରେ । ଆଙ୍ଗୁଠିରେ ସ୍ପନ୍ଦନ ଚିହ୍ନଟ କରିବା ପାଇଁ ତିନୋଟି ପର୍ଯ୍ୟାୟ ବ୍ୟବହୃତ ହୁଏ ଯେଉଁଥିରେ ସ୍ପନ୍ଦନ ଚିହ୍ନଟ, ସିଗନାଲ୍ ବାହାର କରିବା ଏବଂ ସ୍ପନ୍ଦନ ବର୍ଦ୍ଧନ ଅନ୍ତର୍ଭୁକ୍ତ । ବାସ୍ତବିକ ସଙ୍କେତ ଉପରେ ଉପକରଣର ଗୁଣାତ୍ମକ ଏବଂ ପରିମାଣିକ କାର୍ଯ୍ୟଦକ୍ଷତା ମୂଲ୍ୟାଙ୍କନ ହୃଦସ୍ପନ୍ଦନ ଆକଳନ କରିବାରେ ସଠିକତା ଦର୍ଶାଏ, ଏପରିକି ପ୍ରବଳ ଶାରୀରିକ କାର୍ଯ୍ୟକଳାପ ଅଧୀନରେ ମଧ୍ୟ । ଆମେ ଏଚଆରଏମ ଉପକରଣର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଇଲେକ୍ଟ୍ରୋକାର୍ଡିଓଗ୍ରାମ ରିପୋର୍ଟ ଏବଂ ବିଭିନ୍ନ ବୟସର ୯୦ ଜଣ ବ୍ୟକ୍ତିଙ୍କ ହୃଦସ୍ପନ୍ଦନ ମାପ ସହିତ ତୁଳନା କରିଥିଲୁ । ଫଳାଫଳରୁ ଜଣାପଡିଥିଲା ଯେ ଉପକରଣର ତ୍ରୁଟି ହାର ଅଳ୍ପ । |
543ad4f3b3ec891023af53ef6fa2200ce886694f | ରୋଗ ନିରାକରଣ ଏବଂ ରୋଗୀମାନଙ୍କ ସ୍ୱାସ୍ଥ୍ୟର ରକ୍ଷଣାବେକ୍ଷଣ କ୍ଷେତ୍ରରେ ପ୍ରଯୁକ୍ତିଗତ ନବସୃଜନ ମନିଟରିଂ ସିଷ୍ଟମ ଭଳି କ୍ଷେତ୍ରର ବିକାଶକୁ ସମ୍ଭବ କରିପାରିଛି । ହୃଦସ୍ପନ୍ଦନ ହାର ସ୍ୱାସ୍ଥ୍ୟ ପାଇଁ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ମାନଦଣ୍ଡ ଯାହା ସିଧାସଳଖ ଭାବେ ମଣିଷର ହୃତ୍ପିଣ୍ଡ ପ୍ରଣାଳୀର ସୁସ୍ଥତା ସହିତ ଜଡ଼ିତ । ହୃଦସ୍ପନ୍ଦନ ହାର ହେଉଛି ହୃଦସ୍ପନ୍ଦନର ପ୍ରତି ମିନିଟ୍ର ସଂଖ୍ୟା, ଏହା ବିଭିନ୍ନ ଶାରୀରିକ ଅବସ୍ଥାକୁ ପ୍ରତିଫଳିତ କରେ ଯେପରିକି ଜୈବିକ କାର୍ଯ୍ୟଭାର, କାର୍ଯ୍ୟରେ ଚାପ ଏବଂ କାର୍ଯ୍ୟ ଉପରେ ଏକାଗ୍ରତା, ନିଦ୍ରା ଏବଂ ସ୍ୱୟଂଶାସିତ ସ୍ନାୟୁ ପ୍ରଣାଳୀର ସକ୍ରିୟ ଅବସ୍ଥା । ଏହାକୁ ଇସିଜି ତରଙ୍ଗ ଆକାରରେ କିମ୍ବା ସ୍ପନ୍ଦନକୁ ଅନୁଭବ କରି ମାପ କରାଯାଇପାରେ, ଧମନୀର ଲୟଯୁକ୍ତ ବିସ୍ତାର ଏବଂ ସଂକୋଚନ, କାରଣ ହୃଦୟର ନିୟମିତ ସଂକୋଚନ ଦ୍ୱାରା ରକ୍ତକୁ ଏହା ମାଧ୍ୟମରେ ବାଧ୍ୟ କରାଯାଏ । ଯେଉଁଠାରେ ଧମନୀ ଚର୍ମର ନିକଟବର୍ତ୍ତୀ ସେହି ସ୍ଥାନରୁ ସ୍ପନ୍ଦନକୁ ଅନୁଭବ କରାଯାଇପାରେ । ଏହି କାଗଜରେ ଆର୍ଡୁଇନୋ ଏବଂ ଆଙ୍ଗୁଠିର ତଳ ଅଂଶ ମାଧ୍ୟମରେ ହୃଦସ୍ପନ୍ଦନ ମାପିବା କୌଶଳ ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଏହା ଫୋଟୋଫେଲଥିସ୍ମୋଗ୍ରାଫି (ପିପିଜି) ର ସିଦ୍ଧାନ୍ତ ଉପରେ ଆଧାରିତ ଯାହାକି ଏକ ଆଲୋକ ଉତ୍ସ ଏବଂ ଡିଟେକ୍ଟର ବ୍ୟବହାର କରି ଟିସୁରେ ରକ୍ତ ପରିମାଣର ପରିବର୍ତ୍ତନକୁ ମାପିବାର ଏକ ଅଣ-ଆକ୍ରମଣକାରୀ ପଦ୍ଧତି ଅଟେ । ଯେତେବେଳେ ହୃଦୟ ସ୍ପନ୍ଦନ କରୁଛି, ଏହା ପ୍ରକୃତରେ ସମଗ୍ର ଶରୀରରେ ରକ୍ତ ପମ୍ପ କରୁଛି, ଏବଂ ଏହା ଆଙ୍ଗୁଠି ଧମନୀ ଭିତରେ ଥିବା ରକ୍ତ ପରିମାଣକୁ ମଧ୍ୟ ପରିବର୍ତ୍ତନ କରିଥାଏ । ଏହି ରକ୍ତର ପରିବର୍ତ୍ତନ ଆଙ୍ଗୁଠିର ଆଖପାଖରେ ରଖାଯାଇଥିବା ଏକ ଅପ୍ଟିକାଲ ସେନ୍ସିଂ ଯନ୍ତ୍ର ଦ୍ୱାରା ଚିହ୍ନଟ କରାଯାଇପାରିବ । ସିରିୟଲ ପୋର୍ଟ ଯୋଗାଯୋଗ ସାହାଯ୍ୟରେ ସିଗନାଲକୁ ବର୍ଦ୍ଧିତ କରାଯାଇପାରିବ ଏବଂ ଆର୍ଡୁଇନୋକୁ ପଠାଯାଇପାରିବ । ପ୍ରୋସେସିଂ ସଫ୍ଟୱେର ସାହାଯ୍ୟରେ ହାର୍ଟ ରେଟ୍ ମନିଟରିଂ ଏବଂ ଗଣନା କରାଯାଇଥାଏ । ସେନସର ୟୁନିଟ ରେ ଇନଫ୍ରାରେଡ ଲାଇଟ ଏମିଟିଙ୍ଗ-ଡିଓଡ (IR LED) ଏବଂ ଏକ ଫଟୋ ଡାୟୋଡ ଥାଏ । ଆଇଆର-ଏଲଇଡି ଆଙ୍ଗୁଠିରେ ଇନଫ୍ରା ରେଡ୍ ଲାଇଟ୍ ପଠାଇଥାଏ, ଯାହାର କିଛି ଅଂଶ ଆଙ୍ଗୁଠିର ଧମନୀରେ ଥିବା ରକ୍ତରୁ ପ୍ରତିଫଳିତ ହୋଇଥାଏ । ଫୋଟୋ ଡାୟୋଡ ଆଲୋକର ଅଂଶକୁ ଅନୁଭବ କରିଥାଏ ଯାହା ପଛକୁ ପ୍ରତିଫଳିତ ହୋଇଥାଏ । ଆଙ୍ଗୁଠିର ଧାରରେ ଥିବା ରକ୍ତ ପରିମାଣ ଉପରେ ପ୍ରତିଫଳିତ ଆଲୋକର ତୀବ୍ରତା ନିର୍ଭର କରେ । ତେଣୁ, ପ୍ରତ୍ୟେକ ଥର ହୃଦସ୍ପନ୍ଦନ ପ୍ରତିଫଳିତ ଇନଫ୍ରା ରେଡ୍ ଆଲୋକର ପରିମାଣ ପରିବର୍ତ୍ତନ କରେ, ଯାହା ଫୋଟୋ ଡାୟୋଡ୍ ଦ୍ୱାରା ଚିହ୍ନଟ କରାଯାଇପାରିବ । ଉଚ୍ଚଗତି ବିଶିଷ୍ଟ ବର୍ଦ୍ଧକ ଦ୍ୱାରା, ପ୍ରତିଫଳିତ ଆଲୋକର ଏହି କ୍ଷୁଦ୍ର ପରିବର୍ତ୍ତନକୁ ଏକ ସ୍ପନ୍ଦନରେ ପରିଣତ କରାଯାଇପାରେ । |
e35c466be82e1cb669027c587fb4f65a881f0261 | ଏହି କାଗଜରେ ଆମେ ଏକ ସରଳ ବେତାର ସଂଚାର ପ୍ରଣାଳୀ ପ୍ରସ୍ତାବିତ କରୁଛୁ ଯେଉଁଥିରେ ସାଧାରଣ ଆଭିମୁଖ୍ୟ ସେନସର ପ୍ଲାଟଫର୍ମ ବ୍ୟବହାର କରାଯାଇଥାଏ ଯାହାକୁ ବେତାର ଆଧାରିତ ରୋଗୀ ସେନସର ପ୍ଲାଟଫର୍ମ (ଡବ୍ଲୁଏସପି, ସେନସର ନୋଡ) କୁହାଯାଏ ଯେଉଁଥିରେ ରିମୋଟ ଆକ୍ସେସ କ୍ଷମତା ରହିଛି । ଏହି ପ୍ରକଳ୍ପର ଲକ୍ଷ୍ୟ ହେଉଛି: ଷ୍ଟାଣ୍ଡାର୍ଡ ସେନସର ନୋଡ (ସିଷ୍ଟମ ଅନ ମଡ୍ୟୁଲ), ଏକ ସାଧାରଣ ସଫ୍ଟୱେର ପ୍ରତିଷ୍ଠା କରିବା । ପ୍ରସ୍ତାବିତ ପ୍ଲାଟଫର୍ମ ସ୍ଥାପତ୍ୟ (ସେନସର ନୋଡ) ନମନୀୟତା ପ୍ରଦାନ କରିଥାଏ ଏବଂ ବିଭିନ୍ନ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପାରାମିଟର ସଂଗ୍ରହ ଏବଂ ପ୍ରେରଣ ପାଇଁ ସହଜ କଷ୍ଟୋମାଇଜେସନ କରିଥାଏ । ଏକ ପ୍ରୋଟୋଟାଇପ ନିର୍ମିତ ହୋଇଛି ଯାହା ବେତାର ସଂଚାର ଚ୍ୟାନେଲ ଉପରେ ଆଧାରିତ । ୱାୟରଲେସ୍ ଲାନ (ଆଇଇଇଇ .802.15.4) କୁ ଆମର ପ୍ରୋଟୋଟାଇପରେ (ସେନସର ନୋଡ) ଯୋଗାଯୋଗ ଚ୍ୟାନେଲ ଭାବରେ ବ୍ୟବହାର କରାଯାଇଛି । ଇଚ୍ଛାର ସେନସର ସୂଚନା (ଜୀବନ ସାଧନ) କୁ ଦୂରରୁ ଦେଖିହେବ, ଏବଂ ଆବଶ୍ୟକ ଅନୁସାରେ ଜୀବନ ସାଧନକୁ ମଧ୍ୟ ସଜାଡ଼ିହେବ । |
c2c465c332ec57a4430ce5f2093915b4ded497ff | ବିଶେଷ କରି ଭର୍ଚୁଆଲ ବସ୍ତୁ ମାଧ୍ୟମରେ ଶିକ୍ଷାବିତ୍ମାନେ ଜ୍ଞାନ ବାଣ୍ଟିବା କାରଣରୁ ମେଡିକାଲ ଶିକ୍ଷା କ୍ଷେତ୍ରରେ ଆଗ୍ମେଂଟେଡ ରିଆଲିଟି ଅଧିକ ମାତ୍ରାରେ ପ୍ରୟୋଗ କରାଯାଉଛି । ଏହି ଗବେଷଣାରେ ଏକ ୱେବ ଆପ୍ଲିକେସନର ବିକାଶକୁ ବର୍ଣ୍ଣନା କରାଯାଇଛି, ଯାହା ବ୍ୟବହାରକାରୀଙ୍କ ଡାକ୍ତରୀ ଜ୍ଞାନକୁ ବୃଦ୍ଧି କରିଥାଏ ଯାହା ମାନବ ହୃଦୟର ଶରୀର ଗଠନ ବିଷୟରେ ବର୍ଦ୍ଧିତ ବାସ୍ତବତା ମାଧ୍ୟମରେ ବର୍ଣ୍ଣନା କରିଥାଏ । ମୂଲ୍ୟାୟନ ଦୁଇଟି ଭିନ୍ନ ଭିନ୍ନ ଦିଗରୁ ହୋଇଥାଏ । ପ୍ରଥମଟି ହେଉଛି, ଜଣେ ବିଶେଷଜ୍ଞଙ୍କ ତତ୍ତ୍ୱାବଧାନରେ ଜଣେ ଗବେଷକଙ୍କୁ ବ୍ୟବହାର କରି ଏକ ତ୍ରି-ଆକାରର ମାନବ ହୃଦୟ ମଡ୍ୟୁଲର କାର୍ଯ୍ୟକାରିତା ମୂଲ୍ୟାଙ୍କନ କରିବା । ଦ୍ୱିତୀୟରେ, ମୂଲ୍ୟାୟନ ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ବ୍ୟବହାରଯୋଗ୍ୟତା ସମସ୍ୟାକୁ ଚିହ୍ନଟ କରିବା ପାଇଁ କାଗ୍ନିତିକ ୱାକଥ୍ରୁ ପଦ୍ଧତି ମାଧ୍ୟମରେ । ତିନିଜଣ ଡାକ୍ତରୀ ଛାତ୍ର (ନିଜସ୍ୱ ବ୍ୟବହାରକାରୀ) ଙ୍କୁ ୱେବ୍ ଆପ୍ଲିକେସନରେ ତିନୋଟି ଟାର୍ଗେଟ୍ ଟାସ୍କ ଦିଆଯାଏ । କାର୍ଯ୍ୟ ସମାପନକୁ ମାନକ ଜ୍ଞାନକୌଶଳ ପ୍ରଶ୍ନର ଆଧାରରେ ମୂଲ୍ୟାଙ୍କନ କରାଯାଏ । ତ୍ରି-ଆକାରର ମାନବ ହୃଦୟର ଶିକ୍ଷଣୀୟ ଉପଯୋଗିତା ବୃଦ୍ଧି କରିବା ପାଇଁ ପ୍ରୟାସରେ ପ୍ରଥମ ମୂଲ୍ୟାଙ୍କନ ମାଧ୍ୟମରେ ଆଗୁଆ ବାସ୍ତବତା ବିଷୟବସ୍ତୁ ମିସ୍ ହିଟ୍ ପ୍ରକାଶ ପାଇଥାଏ । କାଗ୍ନେଟିବ ୱାକଥ୍ରୁପ ଉନ୍ନତି ପଏଣ୍ଟ ପ୍ରଦାନ କରିଥାଏ, ଯାହା ପରବର୍ତ୍ତୀ ସଫ୍ଟୱେୟାର ରିଲିଜରେ ବ୍ୟବହାରକୁ ଆହୁରି ଉନ୍ନତ କରିପାରେ । ବର୍ତ୍ତମାନର କାମ ହେଉଛି ପ୍ରାକ୍ ପରୀକ୍ଷାମୂଳକ ମୂଲ୍ୟାୟନ । ଏହି ପ୍ରୟୋଗକୁ ଉନ୍ନତ କରିବା ପାଇଁ ଷ୍ଟାଣ୍ଡାର୍ଡ ପଦ୍ଧତିର ବ୍ୟବହାର କରାଯାଇଥାଏ, ଯାହାଦ୍ୱାରା ଏହାକୁ ଅଧିକ ସଂଖ୍ୟକ ଛାତ୍ରଛାତ୍ରୀଙ୍କ ପାଇଁ ପରୀକ୍ଷାମୂଳକ ଭାବେ ବ୍ୟବହାର କରାଯାଇପାରିବ । ଅନଲାଇନ ଶିକ୍ଷାଦାନରେ ସାହାଯ୍ୟ କରୁଥିବା ଅନୁଭୋଗିକ ଶିକ୍ଷଣ ପଦ୍ଧତିରେ ଏହିପରି ମୂଲ୍ୟାଙ୍କନକୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ବୋଲି ବିବେଚନା କରାଯାଏ । |
d5049a49ab605a6703b0461a330e4dbbcd7307fb | ଏହି ଚିଠିରେ ଏକ ନୂତନ ଟପୋଲୋଜି 4 × 4 ବଟଲର ମ୍ୟାଟ୍ରିକ୍ସର ଉପସ୍ଥାପନା କରାଯାଇଛି, ଯାହା ନିର୍ଗତ ପୋର୍ଟରେ ଅପେକ୍ଷାକୃତ ନମନୀୟ ପର୍ଯ୍ୟାୟ ପାର୍ଥକ୍ୟକୁ ଅନୁଭବ କରିପାରିବ । ପ୍ରସ୍ତାବିତ ବଟଲର ମାଟ୍ରିକ୍ସରେ ପାରମ୍ପରିକ ବଟଲର ମାଟ୍ରିକ୍ସରେ ଚତୁର୍ଭୁଜ କପଲରକୁ ବଦଳାଇବା ପାଇଁ ମନଇଚ୍ଛା ପର୍ଯ୍ୟାୟ-ବିବିଧତା ସହିତ କପଲର ବ୍ୟବହାର କରାଯାଏ । ପ୍ରୟୋଗ କରାଯାଇଥିବା କପଲରର ପର୍ଯ୍ୟାୟ ପାର୍ଥକ୍ୟକୁ ନିୟନ୍ତ୍ରଣ କରି, ପ୍ରସ୍ତାବିତ ବଟଲର ମ୍ୟାଟ୍ରିକ୍ସର ଆଉଟପୁଟ୍ ପୋର୍ଟ ମଧ୍ୟରେ ପ୍ରଗତିଶୀଳ ପର୍ଯ୍ୟାୟ ପାର୍ଥକ୍ୟ ଅପେକ୍ଷାକୃତ ନମନୀୟ ହୋଇପାରେ । ଏହି ଡିଜାଇନକୁ ସହଜ କରିବା ପାଇଁ ବନ୍ଦ ଫର୍ମ ଡିଜାଇନ ସମୀକରଣ ପ୍ରସ୍ତୁତ କରାଯାଇଛି । ଡିଜାଇନ କଳ୍ପନାକୁ ଯାଞ୍ଚ କରିବା ପାଇଁ, ଚାରୋଟି ଅନନ୍ୟ ପ୍ରଗତିଶୀଳ ପର୍ଯ୍ୟାୟ ପାର୍ଥକ୍ୟ (-30°, + 150°, - 120°, ଏବଂ + 60°) ସହିତ ଏକ ପ୍ଲାନାର୍ 4×4 ବଟଲର ମ୍ୟାଟ୍ରିକ୍ସ ଡିଜାଇନ୍ ଏବଂ ନିର୍ମାଣ କରାଯାଇଛି । କାର୍ଯ୍ୟରତ ଫ୍ରିକ୍ୱେନ୍ସିରେ, ଆମ୍ପ୍ଲିଟ୍ୟୁଡ ଅସନ୍ତୁଳନ 0.75 dBରୁ କମ୍ ଏବଂ ପର୍ଯ୍ୟାୟ ଅସନ୍ତୁଳନ ±6° ମଧ୍ୟରେ ରହିଥାଏ । ମାପ କରାଯାଇଥିବା ରିଟର୍ଣ୍ଣ ଲସ ୧୬ ଡିସିଏଲରୁ ଅଧିକ ଏବଂ ଆଇସୋଲେସନ ୧୮ ଡିସିଏଲରୁ ଅଧିକ । 10 dB ରିଟର୍ଣ୍ଣ ଲସ ସହିତ ବ୍ୟାଣ୍ଡୱିଡଥ୍ ପ୍ରାୟ 15% ଅଟେ । |
101c14f6a04663a7e2c5965c4e0a2d46cb465a08 | |
4d352696f60eaebf7ef941bb31173ba0a1bb9a41 | |
a16dc6af67ef9746068c63a56a580cb3b2a83e9c | ହାତ ଓ ଶରୀରର ଗତିକୁ ନିୟନ୍ତ୍ରଣ କରିବା ପାଇଁ, ଅନେକ ପ୍ରକାରର ଗଣନା ସମସ୍ୟାକୁ ସମାଧାନ କରିବାକୁ ପଡିବ । କେତେକ ସମାନ୍ତରାଳ ପଦ୍ଧତି ବର୍ଣ୍ଣନା କରାଯାଇଛି ଯାହା ନ୍ୟୁରନ୍ ଭଳି ପ୍ରୋସେସର ନେଟୱାର୍କରେ କାର୍ଯ୍ୟକାରୀ କରାଯାଇପାରିବ । ପ୍ରତ୍ୟେକ ପଦ୍ଧତିର ସମାଧାନର ଏକ ଭିନ୍ନ ଭାଗ ରହିଛି । ପ୍ରଥମେ, ଏକ ଇଚ୍ଛାକୃତ ଗତିପଥ ଅନୁସରଣ କରିବା ପାଇଁ ଆବଶ୍ୟକ ଟର୍କ୍ ଖୋଜିବା ପାଇଁ ଏକ ପଦ୍ଧତି ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଏହି ପଦ୍ଧତି ଟେବୁଲ ଖୋଜିବା ଠାରୁ ଅଧିକ ଅର୍ଥନୈତିକ ଏବଂ ଅଧିକ ବିବିଧ ଅଟେ ଏବଂ ଏହା ବହୁତ କମ୍ କ୍ରମିକ ପଦକ୍ଷେପ ଆବଶ୍ୟକ କରେ । ତାପରେ ଏକ ଇଚ୍ଛାକୃତ ପଥର ଆଭ୍ୟନ୍ତରୀଣ ପ୍ରତିନିଧିତ୍ୱ ସୃଷ୍ଟି କରିବାର ଏକ ଉପାୟ ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଏହି ପଦ୍ଧତି ଏକ "ଚଳନା କଳାପଟ୍ଟା" କୁ ଏକ ବୃହତ ସେଟ୍ ହ୍ୟୁରିଷ୍ଟିକ୍ ନିୟମ ପ୍ରୟୋଗ କରି ଟ୍ରାଜିଟୋରୀକୁ ଏକ ସମୟରେ ଏକ ଖଣ୍ଡ ଦେଖାଏ ଯାହା ଟ୍ରାଜିଟୋରୀରେ ବର୍ତ୍ତମାନର ପଏଣ୍ଟରେ ଶରୀରର ସ୍ଥିତିର ସ୍ଥିର ଏବଂ ଗତିଶୀଳ ପାରାମିଟରକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ । ସଂଯୁକ୍ତ କୋଣ ବା ଶରୀର ଉପରେ ଆଧାରିତ ଏକ ଅହଂକାର କେନ୍ଦ୍ରିତ ଫ୍ରେମ ପରିବର୍ତ୍ତେ ଏକକ, ଅଣ-ଦ୍ରୁତିଶୀଳ, ବିଶ୍ୱ-ଆଧାରିତ ରେଫରେନ୍ସ ଫ୍ରେମ ପରିପ୍ରେକ୍ଷୀରେ ଶରୀରର ଅଂଶଗୁଡ଼ିକର ସ୍ଥିତି, ଦିଗ ଏବଂ ଗତିକୁ ପ୍ରକାଶ କରି ଗଣନା ସରଳ କରାଯାଇଛି । |
5ab321e0ea7893dda145331bfb95e102c0b61a5d | ଏହି କାଗଜରେ, ଏକ ସିଙ୍ଗଲ-ଫେଡ୍ ବ୍ରଡବ୍ୟାଣ୍ଡ ସର୍କୁଲାର ପଲାରିଜଡ୍ ଷ୍ଟାକ୍ ପ୍ୟାଚ୍ ଆଣ୍ଟେନା ପାଇଁ ଭଲ ଇମ୍ପେଡେନ୍ସ ମେଳ ଏବଂ ସିମେଟ୍ରିକ୍ ବ୍ରଡସାଇଡ୍ ରେଡିଏସନ୍ ପ୍ୟାଟର୍ନ ହାସଲ କରିବା ପାଇଁ ଏକ ଭୂସମାନ୍ତର ମେହେନ୍ଦେଡ୍ ଷ୍ଟ୍ରିପ୍ (ଏଚଏମଏସ) ଫିଡ୍ କୌଶଳ ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି, ଯାହା ୟୁନିଭର୍ସାଲ୍ ଅଲ୍ଟ୍ରା ହାଇ ଫ୍ରିକ୍ୱେନ୍ସି (ୟୁଏଚଏଫ୍) ଆରଏଫ୍ଆଇଡି ପ୍ରୟୋଗ ପାଇଁ ଉପଯୁକ୍ତ । ଆଣ୍ଟିନା ଦୁଇଟି କୋଣରେ ଥିବା ଟନ୍କା ପ୍ୟାଚ ଏବଂ ଏକ ଏଚଏମଏସ ଦ୍ୱାରା ଗଠିତ, ଯାହା ସମସ୍ତ ଏଫଆର୪ ସବଷ୍ଟ୍ରେଟର ଉପର ପାର୍ଶ୍ୱରେ ମୁଦ୍ରିତ । ଏଚଏମଏସର ଗୋଟିଏ ପ୍ରାନ୍ତରେ ଏକ ସୋଣ୍ଡ ଦ୍ୱାରା ମୁଖ୍ୟ ପ୍ୟାଚ ସହ ସଂଯୋଗ ହୋଇଥାଏ, ଅନ୍ୟ ପ୍ରାନ୍ତରେ ଏକ ଏସଏମଏ କନେକ୍ଟର ସହିତ ସଂଯୋଗ ହୋଇଥାଏ । ସିମୁଲେସନ ଫଳାଫଳକୁ ମାପ ସହିତ ତୁଳନା କରାଯାଏ ଏବଂ ଏକ ଭଲ ବୁଝାମଣା ପ୍ରାପ୍ତ ହୁଏ । ମାପରୁ ଜଣାପଡ଼େ ଯେ ଆଣ୍ଟେନା ପାଖରେ ଇମ୍ପେଡେନ୍ସ ବ୍ୟାଣ୍ଡୱିଡଥ (ଭିଏସଡବ୍ଲ୍ୟୁଆର <;୧.୫) ପାଖାପାଖି ୨୫.୮% (୭୫୮-୯୮୩ ଏମଏଚଜି), ୩-ଡିବି ଆକ୍ସିୟଲ ରେସିଓ (ଏଆର) ବ୍ୟାଣ୍ଡୱିଡଥ ପାଖାପାଖି ୧୩.୫% (୮୩୮-୯୫୯ ଏମଏଚଜି) ଏବଂ ୩-ଡିବି ଏଆର ବ୍ୟାଣ୍ଡୱିଡଥ ଭିତରେ ପାଖାପାଖି ୮.୬ ଡିବି ବା ଅଧିକ ଲାଭ ସ୍ତର ରହିଛି । ତେଣୁ ପ୍ରସ୍ତାବିତ ଆଣ୍ଟିନା 840-955 MHzର UHF ବ୍ୟାଣ୍ଡରେ କାର୍ଯ୍ୟ କରୁଥିବା ୟୁନିଭର୍ସାଲ UHF RFID ରିଡର ପାଇଁ ଏକ ଭଲ ପ୍ରାର୍ଥୀ ହୋଇପାରେ । ଏହାବ୍ୟତୀତ, ପ୍ରସ୍ତାବିତ ଆଣ୍ଟିନା ପାଇଁ ଏକ ପାରାମିଟ୍ରିକ ଅଧ୍ୟୟନ ଏବଂ ଡିଜାଇନ ଗାଇଡଲାଇନ ଉପସ୍ଥାପନ କରାଯାଇଛି ଯାହା ଇଞ୍ଜିନିୟରମାନଙ୍କୁ ଏପରି ଆଣ୍ଟିନା ଡିଜାଇନ, ପରିବର୍ତ୍ତନ ଏବଂ ଅପ୍ଟିମାଇଜେସନ ପାଇଁ ସୂଚନା ପ୍ରଦାନ କରିବ । ଶେଷରେ ପ୍ରସ୍ତାବିତ ଆଣ୍ଟିନାକୁ ଆର୍ଏଫ୍ଆଇଡି ସିଷ୍ଟମ ପ୍ରୟୋଗରେ ବୈଧତା ପ୍ରଦାନ କରାଯାଇଛି । |
65077651b36a63d3ca4184137df348cc8b29776a | ନୂଆ ଅସାମିଚ-ଚକ୍ର ଆକାରର ସ୍ଲଟ ମାଇକ୍ରୋଷ୍ଟ୍ରିପ ପ୍ୟାଚ୍ ଆଣ୍ଟିନା ଗୁଡ଼ିକର ସିଲ୍ ଟି ସର୍କୁଲାର ପଲାରିଜଡ (ସିପି) ରେଡିଏସନ ଏବଂ ରେଡିଓ ଫ୍ରିକ୍ୱେନ୍ସି ଆଇଡେଣ୍ଟିଫିକେସନ (ଆରଏଫଆଇଡି) ରିଡର ଆପ୍ଲିକେସନ ପାଇଁ ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି । ଏକକ-ଫୀଡ ବିନ୍ୟାସ ଆଧାରିତ ଅସାମିଚ-ଚକ୍ର ଆକାରର ସ୍ଲଟଯୁକ୍ତ ବର୍ଗ ମାଇକ୍ରୋଷ୍ଟ୍ରିପ ପ୍ୟାଚଗୁଡିକ କମ୍ପାକ୍ଟ ଚକ୍ରୀୟ ଭାବେ ଧ୍ରୁବୀକୃତ ମାଇକ୍ରୋଷ୍ଟ୍ରିପ ଆଣ୍ଟେନାଗୁଡିକକୁ ହୃଦୟଙ୍ଗମ କରିବା ପାଇଁ ଗ୍ରହଣ କରାଯାଇଛି । ସିପି ବିକିରଣ ଏବଂ ଛୋଟ ଆଣ୍ଟିନା ଆକାର ପାଇଁ ଏକ ବର୍ଗ ମାଇକ୍ରୋଷ୍ଟ୍ରିପ୍ ପ୍ୟାଚ୍ ଉପରେ ଆନୁପାତିକ ଭାବରେ ଆନୁପାତିକ ଦିଗ ସହିତ ଅସାମିତ୍ରିକ-ଚକ୍ର ଆକୃତିର ସ୍ଲଟ୍ ଗୁଡ଼ିକ ସନ୍ତୁଳିତ ହୋଇଥାଏ । ସିପି ବିକିରଣକୁ ସ୍ଲଟ୍ କ୍ଷେତ୍ର ଦ୍ୱାରା ଆନୁମାନିକ ଦିଗ ଉପରେ ସାମାନ୍ୟ ଅସାମିମେଟ୍ରିକ (ଅସନ୍ତୁଳିତ) ପ୍ୟାଚ୍ ଦ୍ୱାରା ହାସଲ କରାଯାଇପାରିବ । ଆଣ୍ଟିନା ଆକାରକୁ ଆହୁରି କମ କରିବା ପାଇଁ ଚାରିଟି ସିମେଟ୍ରିକ-ସ୍ଲିଟ୍କୁ ମଧ୍ୟ ସିମେଟ୍ରିକ ଭାବରେ ଅସିମେଟ୍ରିକ-ଚକ୍ର ଆକାରର ସ୍ଲଟ ପ୍ୟାଚର ଅକ୍ଷରୋଣୀୟ ଦିଗ ସହିତ ଅନ୍ତର୍ଭୁକ୍ତ କରାଯାଇଛି । ସିପି ବିକିରଣକୁ ଅପରିବର୍ତ୍ତିତ ରଖି ସ୍ଲିଟ୍ ଲମ୍ବକୁ ପରିବର୍ତ୍ତନ କରି ଆଣ୍ଟେନର କାର୍ଯ୍ୟକାରୀ ଫ୍ରିକ୍ୱେନ୍ସିକୁ ଟ୍ୟୁନ୍ କରାଯାଇପାରିବ । ଆଣ୍ଟିନା ପାଇଁ RO4003C ସବଷ୍ଟ୍ରେଟ ଉପରେ ମାପ କରାଯାଇଥିବା 3-ଡିବି ଆକ୍ସିୟଲ-ର୍ୟାପୀ (AR) ବ୍ୟାଣ୍ଡୱିଡ୍ଟ ପ୍ରାୟ 6.0 ମେଗାହର୍ଟଜରେ 17.0 ମେଗାହର୍ଟଜ ଇମ୍ପେଡେନ୍ସ ବ୍ୟାଣ୍ଡୱିଡ୍ଟ ହାସଲ କରାଯାଇଥାଏ । ଆଣ୍ଟିନା ର ମୋଟ ଆକାର ହେଉଛି 0.27λo × 0.27λo × 0.0137λo 900 MHz ରେ. |
6f3ffb1a7b6cb168caeb81a23b68bbf99fdab052 | ଏକ ଅସନ୍ତୁଳିତ-ଖାଦ୍ୟ କ୍ରସ ଆପର୍ଚର ବିକଶିତ କରାଯାଇଥାଏ ଯାହା ଏକ ସର୍କୁଲାର ପଲାରିଜେସନ୍ ପାଇଁ ଏକ ଛୋଟ ବ୍ୟାକଫାୟର ଆଣ୍ଟିନା (SBA) କୁ ଉତ୍ତେଜିତ କରିଥାଏ । କ୍ରସ ଆପର୍ଚୁରରେ ଦୁଇଟି ଅର୍ଟୋଗୋନାଲ ଏଚ-ଆକାରର ସ୍ଲଟ୍ ରହିଛି ଯେଉଁଥିରେ ଦୁଇଟି କ୍ୟାପାସିଟିଭ୍ ଷ୍ଟବ୍ସ ରହିଛି ଏବଂ ଏହାକୁ ଏକ ସିଙ୍ଗଲ ସୋଣ୍ଡ ଦ୍ୱାରା ଫୁଡ୍ କରାଯାଏ ଯାହା ଏକ ସର୍ଟ-ଇନ୍ ସହିତ ଏକ ଅସନ୍ତୁଳିତ ଫିଡ୍ ଗଠନ କରିଥାଏ । ଏହା ଦର୍ଶାଯାଇଛି ଯେ କ୍ରସ-ଆପର୍ଚର-ଆକର୍ଷିତ ଏସବିଏ 4.2%ର ଏକ ଆକ୍ସିୟଲ ଅନୁପାତ (les 3 dB) ବ୍ୟାଣ୍ଡୱିଡଥ୍ ହାସଲ କରିପାରିବ, 6.5%ର ଭୋଲଟେଜ୍ ଷ୍ଟାଣ୍ଡ ୱେଭ୍ ଅନୁପାତ (VSWR) ବ୍ୟାଣ୍ଡୱିଡଥ୍ (VSWR<1.2) ଏବଂ 14 dBiର ଲାଭ ହାସଲ କରିପାରିବ । ଆଣ୍ଟିନା ସଂରଚନା ବର୍ଣ୍ଣନା କରାଯାଇଛି ଏବଂ ସିମୁଲେସନ ଓ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଉପସ୍ଥାପିତ କରାଯାଇଛି । ଇମ୍ପେଡେନ୍ସ ମେଳଣ ଏବଂ ଚକ୍ରୀୟ-ପୋଲାରାଇଜେସନ ଉତ୍ପାଦନ ପାଇଁ ତନ୍ତ୍ର ଗୁଡିକର ବିଶ୍ଳେଷଣ କରାଯାଇଛି |
838b107445e72d903f2217946c73a5d3d1e4344e | ଏହି ଦସ୍ତାବିଜରେ ଗ୍ଲୋବାଲ ପୋଜିସନିଂ ସାଟେଲାଇଟ (ଜିପିଏସ) ପ୍ରୟୋଗ ପାଇଁ ଏକ ଆପର୍ଚର-କପଲ୍ଡ ସର୍କୁଲାର ପୋଲାରାଇଜଡ୍ ଆଣ୍ଟିନା ର ଡିଜାଇନ ଏବଂ ପରୀକ୍ଷଣ ବିଷୟରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଆଣ୍ଟିନା ଉଭୟ L1 ଏବଂ L2 ଫ୍ରିକ୍ୱେନ୍ସିରେ 1575 ଏବଂ 1227 MHz ରେ କାର୍ଯ୍ୟ କରିଥାଏ, ଯାହା ସର୍ବାଧିକ ଅବସ୍ଥାନ ସଠିକତା ପ୍ରଦାନ କରିବା ପାଇଁ ଡିଫରେନସିଆଲ GPS ସିଷ୍ଟମ ପାଇଁ ଆବଶ୍ୟକ ହୋଇଥାଏ । ଏହି ଆଣ୍ଟିନା ପାଇଁ ବୈଦ୍ୟୁତିକ କାର୍ଯ୍ୟଦକ୍ଷତା, ନିମ୍ନ ପ୍ରୋଫାଇଲ୍ ଏବଂ ମୂଲ୍ୟ ସମାନ ଭାବରେ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଆବଶ୍ୟକତା ଥିଲା । ଡିଜାଇନ ପ୍ରକ୍ରିୟା ଉପରେ ଆଲୋଚନା କରାଯାଇଥାଏ ଏବଂ ମାପିତ ଫଳାଫଳ ଉପସ୍ଥାପିତ କରାଯାଇଥାଏ । ଏହା ସହିତ ଉତ୍ପାଦନ ସମ୍ବେଦନଶୀଳତା ବିଶ୍ଳେଷଣର ଫଳାଫଳ ମଧ୍ୟ ଅନ୍ତର୍ଭୁକ୍ତ କରାଯାଇଛି । |
9639aa5fadb89ea5e8362dad52082745012c90aa | ଏକ ନୂତନ 90 ଡିଗ୍ରୀ ବ୍ରଡବ୍ୟାଣ୍ଡ ବାଲୁନ ଯାହା 90 ଡିଗ୍ରୀ ବ୍ରଡବ୍ୟାଣ୍ଡ ସିଫମ୍ୟାନ୍ ଫେଜ ସିଫ୍ଟରକୁ ନେଇ ଗଠିତ, ଏହାକୁ ଦ୍ୱୈତ-ଫେଡ୍ ମାଇକ୍ରୋଷ୍ଟ୍ରିପ୍ ଆଣ୍ଟେନାଗୁଡ଼ିକର ବ୍ରଡବ୍ୟାଣ୍ଡ ସର୍କୁଲାର ପୋଲାରାଇଜେସନ୍ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ବୃଦ୍ଧି କରିବାର ଏକ ମାଧ୍ୟମ ଭାବରେ ପ୍ରବର୍ତ୍ତିତ କରାଯାଇଛି । ପ୍ରସ୍ତାବିତ 90 ଡିଗ୍ରୀ ବ୍ରଡବ୍ୟାଣ୍ଡ ବାଲନ ଏକ ବ୍ୟାପକ ବ୍ୟାଣ୍ଡୱିଡଥ (~57.5%) ରେ ଭଲ ଇମ୍ପେଡେନ୍ସ ମେଳ, ସନ୍ତୁଳିତ ଶକ୍ତି ବିଭାଜନ ଏବଂ ସ୍ଥିର 90 ଡିଗ୍ରୀ (ଅତିରିକ୍ତmn5 ଡିଗ୍ରୀ) ପର୍ଯ୍ୟାୟ ପରିବର୍ତ୍ତନ ପ୍ରଦାନ କରିଥାଏ । ପ୍ରସ୍ତାବିତ 90 ଡିଗ୍ରୀ ବ୍ରଡବ୍ୟାଣ୍ଡ ବାଲନ ବ୍ୟବହାର କରି ଏକ ସର୍କୁଲାର ପ୍ୟାଚ୍ ଆଣ୍ଟେନା ମାପିତ ଇମ୍ପେଡେନ୍ସ ((S11< -10 dB) ଏବଂ ଆକ୍ସିୟଲ ରେସିଓ (AR < 3 dB) ବାଣ୍ଡୱିଡ୍ସ ଯଥାକ୍ରମେ 60.24% ଏବଂ 37.7% ହାସଲ କରିଥିବାର ଦେଖାଯାଇଛି, ଡୁଆଲ L-ସୋଣ୍ଡ କେସ୍ ପାଇଁ; ଏବଂ ଯଥାକ୍ରମେ 71.28% ଏବଂ 81.6% ଚତୁର୍ଗୁଣ L-ସୋଣ୍ଡ କେସ୍ ପାଇଁ । |
a6a0384d7bf8ddad303034fe691f324734409568 | ଏହି ରିପୋର୍ଟରେ ୟୁରୋପୀୟ କମ୍ପାନୀରେ ବିଜିନେସ୍ ପ୍ରୋସେସ୍ ମ୍ୟାନେଜମେଣ୍ଟ (ବିପିଏମ୍) ର ବୁଝିବା ଏବଂ ପ୍ରୟୋଗ ଉପରେ ଏକ ସର୍ବେକ୍ଷଣ ଏବଂ କେସ୍ ଷ୍ଟଡି ରିସର୍ଚ୍ଚର ଫଳାଫଳ ଉପରେ ରିପୋର୍ଟ କରାଯାଇଛି । ପ୍ରକ୍ରିୟାର ଦୃଷ୍ଟିକୋଣକୁ କ୍ରମବର୍ଦ୍ଧିଷ୍ଣୁ ଭାବେ ପ୍ରଦର୍ଶନ ଉନ୍ନତି ମାଧ୍ୟମରେ ପ୍ରତିଯୋଗିତାମୂଳକ ଲାଭ ହାସଲ କରିବାର ଏକ ବ୍ୟବସ୍ଥା ଭାବରେ ଦେଖାଯାଉଛି ଏବଂ ବଜାର ଚାପ, ଉତ୍ତମ ଏବଂ ଅଧିକ ନିର୍ଭରଯୋଗ୍ୟ ସେବା ପାଇଁ ଗ୍ରାହକଙ୍କ ଆଶା ଏବଂ ପ୍ରତିଯୋଗିତାର ବୃଦ୍ଧିକୁ ପ୍ରତିଫଳିତ କରୁଛି । ଆମେ ଆପଣଙ୍କୁ ଜଣାଇବୁ ଯେ, ୟୁରୋପୀୟ କମ୍ପାନୀଗୁଡ଼ିକ ବିପିଏମ୍ ଉପରେ କେତେ ଗୁରୁତ୍ୱାରୋପ କରୁଛନ୍ତି, ଏହା ସେମାନଙ୍କ ପାଇଁ କ ଣ ଅର୍ଥ ରଖେ ଏବଂ ସେମାନେ ବାସ୍ତବରେ କ ଣ କରିଛନ୍ତି । ଏହି ରିପୋର୍ଟରେ ଇଉରୋପୀୟ ଫାଉଣ୍ଡେସନ ଫର କ୍ୱାଲିଟି ମ୍ୟାନେଜମେଣ୍ଟ (ଇଏଫକ୍ୟୁଏମ) ର ସଦସ୍ୟ ଥିବା ସଂଗଠନଗୁଡ଼ିକର ଗୁଣବତ୍ତା ନିର୍ଦ୍ଦେଶକ ଏବଂ ବ୍ୟବସାୟିକ ପ୍ରକ୍ରିୟା ପରିଚାଳକମାନଙ୍କ ସହିତ କରାଯାଇଥିବା ଏକ ଡାକ ସର୍ଭେ ଏବଂ ବିପିଏମ୍ ଗ୍ରହଣ କରିବାରେ ଅଗ୍ରଣୀ ବୋଲି ବିବେଚିତ ହେଉଥିବା କେତେକ ସଂଗଠନର କେସ୍ ଷ୍ଟଡି ଉପରେ ଆଧାରିତ । ଏହି ଅଧ୍ୟୟନ କିଛି ଆକର୍ଷଣୀୟ ଉପାୟକୁ ଉଜାଗର କରିବାରେ ସାହାଯ୍ୟ କରିଛି ଏବଂ ବିପିଏମର ସଫଳତା ପାଇଁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ବୈଶିଷ୍ଟ୍ୟଗୁଡିକ ପ୍ରକାଶ କରିଛି । ପ୍ରାରମ୍ଭିକ ସୂଚନା ବ୍ୟବସାୟିକ ପ୍ରକ୍ରିୟା ପରିଚାଳନା (ବିପିଏମ୍) ର ଏକ ସମସ୍ୟା ହେଉଛି ଶବ୍ଦକୋଷ । ଏହି ଶବ୍ଦଟି ଅନେକ ବିଷୟରେ ବ୍ୟବହୃତ ହୋଇଥାଏ ଯାହା ପରିଚାଳନା ସାହିତ୍ୟରେ ସଂଗଠନ ବିଷୟରେ ଆମର ବୁଝାମଣାକୁ ଉନ୍ନତ କରିଥାଏ । ଗୁଣବତ୍ତା ଉନ୍ନତି (ଡେମିଙ୍ଗ, ୧୯୮୬), ସାମଗ୍ରିକ ଗୁଣବତ୍ତା ପରିଚାଳନା (ଓକଲାଣ୍ଡ, ୧୯୮୯) ଏବଂ ଜଷ୍ଟ-ଇନ୍-ଟାଇମ୍ (ହ୍ୟାରିସନ, ୧୯୯୨) ର ଧାରଣା ଏକ କାର୍ଯ୍ୟକ୍ଷମ ଦୃଷ୍ଟିକୋଣରୁ ଦେଖାଯାଏ । ସିଷ୍ଟମସ୍ ଚିନ୍ତାଧାରା (ଜେଙ୍କିନ୍ସ, ୧୯୭୧; ଚେକ୍ଲେଣ୍ଡ, ୧୯୮୧), ସାଇବରନେଟିକ୍ସ (ବୀର, ୧୯୬୬) ଏବଂ ସିଷ୍ଟମସ୍ ଡାଇନାମିକ୍ସ (ସେଙ୍ଗେ, ୧୯୯୦) ଏହି ଶବ୍ଦକୁ ଅଧିକ ଅର୍ଥ ପ୍ରଦାନ କରିଥାଏ । ସଂଗଠନ ତତ୍ତ୍ୱାବଧାରକମାନେ ମଧ୍ୟ ସାମାଜିକ ଓ ସଂଗଠନ ପ୍ରକ୍ରିୟା (Burrell and Morgan, 1979; Monge, 1990) ର ପରିପ୍ରେକ୍ଷୀରେ କଥାବାର୍ତ୍ତା କରିଛନ୍ତି । ଏହି ପୂର୍ବାନୁମାନର ଏକ ଉପଯୋଗୀ ସମୀକ୍ଷା ପେପାର୍ଡ ଏବଂ ପ୍ରୀସ୍ (୧୯୯୫) ଦ୍ୱାରା ପ୍ରଦାନ କରାଯାଇଛି । ବର୍ତ୍ତମାନର ଅଧ୍ୟୟନର କେନ୍ଦ୍ରବିନ୍ଦୁ ହେଉଛି ସମ୍ପ୍ରତିର ଆଭିମୁଖ୍ୟ ଯାହା ସଂପୂର୍ଣ୍ଣ ଗୁଣବତ୍ତା କିମ୍ବା ବ୍ୟବସାୟ ଉତ୍କର୍ଷ ମଡେଲ ସହିତ ପରିଚାଳନାଗତ ଚିନ୍ତାଧାରାକୁ ସଂଲଗ୍ନ କରି ସଂଗଠନର ପ୍ରଭାବକୁ ଉନ୍ନତ କରିବାକୁ ଚେଷ୍ଟା କରେ । ଏହା ମୁଖ୍ୟତଃ ବ୍ୟବହାରିକ ବ୍ୟକ୍ତିଙ୍କ ଦ୍ୱାରା ପରିଚାଳିତ ହୋଇଛି ଏବଂ ଏହା ଶିକ୍ଷାଗତ ତତ୍ତ୍ୱ ଉପରେ ଆଧାରିତ ନୁହେଁ । ଉଦାହରଣ ସ୍ୱରୂପ ୟୁରୋପୀୟ ଫାଉଣ୍ଡେସନ ଫର କ୍ୱାଲିଟି ମ୍ୟାନେଜମେଣ୍ଟ ମଡେଲ (ଇଏଫକ୍ୟୁଏମ) (ହେକ୍ସ, ୧୯୯୫) ଏବଂ ମାଲକମ ବାଲ୍ଡ୍ରିଜ ନ୍ୟାସନାଲ କ୍ୱାଲିଟି ଆୱାର୍ଡ ମଡେଲ (ଏମବିଏନକ୍ୟୁଏ) (ଜର୍ଜ, ୧୯୯୨) । ଏହି ମଡେଲଗୁଡିକ ସଂଗଠନିକ ପ୍ରଭାବଶୀଳତାର ବହୁ-କାରକାତ୍ମକ ଏବଂ ବହୁ-ନିର୍ବାଚନ ମଡେଲକୁ ସମର୍ଥନ କରୁଥିବାବେଳେ ସେମାନେ ମୁଖ୍ୟତଃ ଲକ୍ଷ୍ୟ-ଆଧାରିତ ରହିଥାନ୍ତି (କ୍ୟାମେରନ୍, 1986) । ସେମାନେ ଏକ ଦୃଢ଼ କାର୍ଯ୍ୟକାରୀ ଢାଞ୍ଚାରୁ ବିକଶିତ ହୋଇଛନ୍ତି ଏବଂ ଅନେକ ସମୟରେ ରୟାଲ ମେଲର ବବ୍ ଡାର୍ଟ, ସାଇମନ ମାଚିନ୍ ଏବଂ ଟୋନି ଗ୍ରାଣ୍ଟଙ୍କ ଆଭିମୁଖ୍ୟକୁ ଗ୍ରହଣ କରିଛନ୍ତି । ଆମେ ମଧ୍ୟ ଇଏଫକ୍ୟୁଏମ, ର୍ୟାଙ୍କ ଜେରକ୍ସ, ବ୍ରିଟିଶ ଟେଲିକମ, ଟିଏନଟି ଏବଂ ନୋର୍ଟେଲର ସହଯୋଗ ପାଇଁ କୃତଜ୍ଞତା ଜଣାଉଛୁ । S E L C U K U N IV E R SI T Y A t 0 2: 52 0 8 ଫେବୃଆରୀ 2 01 5 (P T) ୟୁରୋପୀୟ ବ୍ୟବସାୟରୁ ଶିକ୍ଷା 11 ବ୍ୟବସାୟ ପ୍ରକ୍ରିୟା ପୁନଃ-ଇଞ୍ଜିନିୟରିଂ (ହାମର, 1990) ମୂଲ୍ୟ ଶୃଙ୍ଖଳା ବିଶ୍ଳେଷଣର ଦୃଢ଼ ପ୍ରକ୍ରିୟାକରଣରେ (ପୋର୍ଟର, 1985) ରଣନୀତିକ ଚିନ୍ତାଧାରା ଦ୍ୱାରା ମଧ୍ୟ ସେମାନେ ପ୍ରଭାବିତ ହୋଇଛନ୍ତି ଏବଂ ସେମାନେ କମ୍ପାନୀର ସମ୍ବଳ ଆଧାରିତ ଦୃଷ୍ଟିକୋଣକୁ ଗ୍ରହଣ କରିଛନ୍ତି (ଗ୍ରାଣ୍ଟ, 1991) । ମଡେଲର ବ୍ୟବହାର ଦ୍ୱାରା ସଂଗଠନର ରଣନୀତିକ ସ୍ତରରେ ଡିଜାଇନ ଉପରେ ପ୍ରଶ୍ନବାଚୀ ସୃଷ୍ଟି ହୋଇପାରେ, କାର୍ଯ୍ୟଗୁଡ଼ିକର ମୂଲ୍ୟକୁ ପୁନଃ ମୂଲ୍ୟାଙ୍କନ କରି କାର୍ଯ୍ୟକାରିତାକୁ ଅତିକ୍ରମ କରୁଥିବା ପ୍ରକ୍ରିୟା (ଘୋଶଲ ଏବଂ ବାର୍ଲେଟ, 1995; ଗାଲବ୍ରେଥ, 1995) । କିନ୍ତୁ, ଇଏଫକ୍ୟୁଏମ କିମ୍ବା ଏମବିଏନକ୍ୟୁଏ ବିପିଏମ୍ କିପରି କାର୍ଯ୍ୟକାରୀ କରାଯିବ ସେ ସମ୍ପର୍କରେ କୌଣସି ସିଧାସଳଖ ମାର୍ଗଦର୍ଶନ ପ୍ରଦାନ କରିନାହିଁ । ଏହି ପଦ୍ଧତିଗୁଡିକରେ ବ୍ୟବସାୟିକ ପ୍ରକ୍ରିୟା ଚିହ୍ନଟ କରିବା ଏବଂ ସେଗୁଡିକୁ ପରିଚାଳନା, ସହାୟତା କିମ୍ବା ଦିଗ ନିର୍ଦ୍ଧାରଣ ଭାବରେ ବର୍ଗୀକୃତ କରିବା ପାଇଁ ପ୍ରୟାସ ଅନ୍ତର୍ଭୁକ୍ତ ହୋଇଥାଏ । ଏହି କାର୍ଯ୍ୟକଳାପକୁ ଅନେକ ସମୟରେ ବିଭିନ୍ନ ପଦ୍ଧତି ବ୍ୟବହାର କରି ପରାମର୍ଶଦାତାମାନେ ସହଜ କରିଥାନ୍ତି କିନ୍ତୁ ସାଧାରଣତ ଅନ୍ତର୍ଭୁକ୍ତ କରି ପ୍ରକ୍ରିୟାର ମ୍ୟାପିଂ ଅନ୍ତତଃ ସଂଗଠନର ଶୀର୍ଷ ସ୍ତରରେ । ଏହି ପ୍ରକ୍ରିୟାର ଆଦର୍ଶକୁ ଆପଣାଇବା ପାଇଁ ସର୍ବନିମ୍ନ ବରିଷ୍ଠ ପରିଚାଳକମାନେ ପସନ୍ଦ କରନ୍ତି ବୋଲି ପ୍ରମାଣ ରହିଛି (ଗାର୍ଭିନ, ୧୯୯୫), ଯଦିଓ ଏହା ସ୍ପଷ୍ଟ ନୁହେଁ ଯେ ଏହା ସଂଗଠନଗୁଡିକରେ ଏକ ବ୍ୟାପକ ମତ ଅଟେ । ଯଦିଓ ବିପିଏମରେ ଉତ୍ତମ ଅଭ୍ୟାସ ବିଷୟରେ ସୂଚାଇବା ସମ୍ଭବ, ଅତି କମରେ ଏକ ପରିଚାଳନା ସ୍ତରରେ (ଆର୍ମଷ୍ଟେଡ୍, 1996) ଆମେ ଜାଣିନାହୁଁ ଯେ ସଂଗଠନଗୁଡିକ ବ୍ୟବହାରରେ ଏହି ଧାରଣାକୁ କିପରି ପ୍ରୟୋଗ କରନ୍ତି ଏବଂ ସେମାନେ ବିପିଏମ୍ ଆଭିମୁଖ୍ୟର ମୁଖ୍ୟ ଉପାଦାନଗୁଡିକ କ ଣ ବୋଲି ଜାଣିବାକୁ ପାଇଛନ୍ତି । ବିପିଏମ୍ ବିଷୟରେ ଅଧିକ ବୁଝିବା ଏବଂ ଏହାକୁ କିପରି ସଂଗଠନିକ ପ୍ରଭାବଶାଳୀତା ହାସଲ କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ ତାହା ଜାଣିବା ଏହି ଗବେଷଣାର ଉଦ୍ଦେଶ୍ୟ । ଆମେ ବିଶେଷ ଭାବେ ଏହା ଜାଣିବା ପାଇଁ ଆଗ୍ରହୀ ଥିଲୁ ଯେ, କମ୍ପାନୀଗୁଡ଼ିକ କିପରି ଭାବେ ନିଜର ସମ୍ପୂର୍ଣ୍ଣ ସଂଗଠନକୁ ପରିଚାଳନା କରିବା ପାଇଁ କେବଳ ପ୍ରକ୍ରିୟାରେ ଉନ୍ନତି ଆଣିବା ପାଇଁ ଟେକ୍ନିକ୍ ପ୍ରୟୋଗ କରିବା ପରିବର୍ତ୍ତେ ବ୍ୟବସାୟିକ ପ୍ରକ୍ରିୟା ଦୃଷ୍ଟିକୋଣକୁ ବ୍ୟବହାର କରିଛନ୍ତି । ବିଶେଷକରି ଆମେ ନିମ୍ନଲିଖିତ ପ୍ରଶ୍ନଗୁଡିକର ଅନୁସନ୍ଧାନ କରିବାକୁ ଚେଷ୍ଟା କରିଛୁ: ୟୁରୋପୀୟ ପରିଚାଳକମାନଙ୍କ ପାଇଁ ବିପିଏମ୍ କେତେ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ? ମୁଁ ଜାଣିଛି । ୟୁରୋପୀୟ ସଂଗଠନଗୁଡ଼ିକ ମଧ୍ୟରେ ବିପିଏମ୍ ସମ୍ପର୍କରେ ଏକ ସାଧାରଣ ଧାରଣା ରହିଛି କି? ମୁଁ ଜାଣିଛି । ୟୁରୋପୀୟ ସଂଗଠନଗୁଡ଼ିକ ବିପିଏମ୍ କୁ କାର୍ଯ୍ୟରେ କିପରି କାର୍ଯ୍ୟକାରୀ କରୁଛନ୍ତି? ଏହି ପ୍ରଶ୍ନର ଉତ୍ତର ଦେଇ ଆମେ ଆଶା କରୁଛୁ ଯେ ସଂଗଠନଗୁଡ଼ିକ କିପରି ବିପିଏମ୍ ର ପରିକଳ୍ପନା କରନ୍ତି ଏବଂ ସେମାନଙ୍କର ଅଭିଜ୍ଞତା ଉପରେ ଆଧାର କରି ଅନ୍ୟମାନଙ୍କୁ ଉଭୟ ରଣନୀତି ପ୍ରସ୍ତୁତି ଏବଂ ନିୟୋଜନ ଦୃଷ୍ଟିରୁ ଆଲୋକିତ କରିବେ । ଏହି ଅଧ୍ୟୟନରେ ଗବେଷଣାର ଫଳାଫଳ ଉପରେ ଆଲୋଚନା କରାଯାଇଛି ଏବଂ ଏଥିରୁ କ ଣ ଶିକ୍ଷା ଗ୍ରହଣ କରାଯାଇପାରିବ ସେ ସମ୍ପର୍କରେ ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି । ଆମ ଗବେଷଣା ସମୟରେ ଆମେ କେସ ଷ୍ଟଡିର ଏକ ସମୃଦ୍ଧ ଡାଟାବେସ ପ୍ରସ୍ତୁତ କରିଛୁ । ଏହି କେସ ଷ୍ଟଡିଗୁଡିକ ଏକ ଖୋଲା ସାକ୍ଷାତକାର ଫର୍ମାଟ ବ୍ୟବହାର କରି ପ୍ରସ୍ତୁତ କରାଯାଇଛି ଯେଉଁଥିରେ ବରିଷ୍ଠ କାର୍ଯ୍ୟନିର୍ବାହୀ (ସାଧାରଣତଃ ଗୁଣବତ୍ତା ନିର୍ଦ୍ଦେଶକ କିମ୍ବା ବ୍ୟବସାୟ ପ୍ରକ୍ରିୟା ପରିଚାଳକ) ଙ୍କୁ ସେମାନଙ୍କ ସଂଗଠନର ବିପିଏମ୍ ଆଭିମୁଖ୍ୟ ଉପରେ ବିସ୍ତୃତ ଭାବରେ କହିବାକୁ ନିମନ୍ତ୍ରଣ କରାଯାଇଛି । ସାକ୍ଷାତକାରକୁ ରେକର୍ଡ ଓ ଟ୍ରାନ୍ସକ୍ରିପ୍ଟ କରାଯାଇଥିଲା ଏବଂ ଧାରଣାକୁ ଚିହ୍ନଟ କରିବା ପାଇଁ ଏକ କୌଜିନିକ ମାନଚିତ୍ର ପ୍ରସ୍ତୁତ କରାଯାଇଥିଲା । କେତେକ କ୍ଷେତ୍ରରେ ଇଏଫକ୍ୟୁଏମ ମଡେଲ ଆଧାରରେ ଆଭ୍ୟନ୍ତରୀଣ ଆତ୍ମ ମୂଲ୍ୟାୟନ ପାଇଁ ବ୍ୟବହାର କରାଯାଇଥିବା ତଥ୍ୟ ସହିତ ସାକ୍ଷାତକାରର ତଥ୍ୟକୁ ସଂପୂର୍ଣ୍ଣ କରାଯାଇଥିଲା । ସାଧାରଣତଃ ସଂସ୍ଥାଗୁଡ଼ିକୁ ଏଥିପାଇଁ ଚୟନ କରାଯାଇଥିଲା କାରଣ ସେମାନେ ବିପିଏମ୍ ଆଭିମୁଖ୍ୟ ଆପଣାଇଥିବା ଜଣାଥିଲା । ଏହି ରିପୋର୍ଟରେ ବିଶେଷ ଭାବେ ରେଙ୍କ୍ ଜେରକ୍ସ, ନୋର୍ଟେଲ୍, ବ୍ରିଟିଶ୍ ଟେଲିକମ୍ ଏବଂ ଟିଏନ୍ଟି ସହିତ କେସ୍ ଷ୍ଟଡି ଉପରେ ଆଲୋଚନା କରାଯାଇଛି । ଏ ସମସ୍ତ କମ୍ପାନୀ ୟୁରୋପୀୟ କ୍ୱାଲିଟି ଆୱାର୍ଡରେ କୌଣସି ନା କୌଣସି ରୂପରେ (ପ୍ରତ୍ୟକ୍ଷ ଭାବରେ କିମ୍ବା ସହାୟକ କମ୍ପାନୀ ମାଧ୍ୟମରେ) ବିଜୟୀ ହୋଇଛନ୍ତି । D E L C U K U N IV E R SI T Y A t 0 2: 52 0 8 ଫ୍ରେବୃଆରୀ 2 01 5 (ପୃ. |
eb448bb53372d14df4113f04fee813307f24d049 | ଏହି କାଗଜରେ ଡିଜାଇନ ପ୍ରକ୍ରିୟା ଏବଂ ୨.୪୫GHz ୧୦μW ୱାୟାରଲେସ ଏନର୍ଜି ହାର୍ଭେଷ୍ଟର (WEH) ର ପରୀକ୍ଷାମୂଳକ କାର୍ଯ୍ୟଦକ୍ଷତା ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଏହାର ସର୍ବାଧିକ ସାମଗ୍ରିକ ଦକ୍ଷତା ≈ ୩୦% ଅଟେ । ୱେଚ୍ ଏକ ଉଚ୍ଚ-ଗତିଯୁକ୍ତ ସଠିକ ଡାୟୋଡ୍ ସହିତ ଏକ ଫଲ୍ଡ ଡାଇପୋଲ୍ ସହିତ ଏକ ଶଣ୍ଟ୍ ଏକୀକୃତ କରେ । ଏକ ଧାତୁ ପ୍ରତିଫଳକ ରେକ୍ଟେନା ର ଲାଭକୁ ବୃଦ୍ଧି କରିଥାଏ ଏବଂ ଏକ ଚତୁର୍ଥାଂଶ ତରଙ୍ଗ ଦୈର୍ଘ୍ୟର ଭିନ୍ନତା ରେଖା ଏକ ଚୋକ୍ ଭାବରେ ବ୍ୟବହୃତ ହୁଏ । ଆଣ୍ଟିନା ସହିତ ଉଭୟ ଏକ VDI WVD ଏବଂ ଏକ Skyworks GaAs Schottky ଡାୟୋଡକୁ ଏକୀକୃତ କରାଯାଇଛି ଏବଂ ସେମାନଙ୍କର କାର୍ଯ୍ୟଦକ୍ଷତା ତୁଳନା କରାଯାଇଛି । |
21c2bd08b2111dcf957567b98e1c8dcad652e3dd | କାରକ ବିଶ୍ଳେଷଣ ସାହିତ୍ୟରେ ଆବଶ୍ୟକ ପରିମାଣର ସ୍ଥିରତା ଥିବା ଏବଂ ଜନସଂଖ୍ୟା କାରକ ସହିତ ଘନିଷ୍ଠ ଭାବରେ ଜଡିତ ଥିବା କାରକ ସମାଧାନ ପାଇବା ପାଇଁ ଆବଶ୍ୟକ ସର୍ବନିମ୍ନ ନମୁନା ଆକାର ସମ୍ବନ୍ଧରେ ଅନେକ ସୁପାରିଶ ଅନ୍ତର୍ଭୁକ୍ତ । ଏହି ପ୍ରସଙ୍ଗରେ ଏକ ମୌଳିକ ଭୁଲ ଧାରଣା ହେଉଛି ସର୍ବନିମ୍ନ ନମୁନା ଆକାର, କିମ୍ବା ନମୁନା ଆକାରର ସର୍ବନିମ୍ନ ଅନୁପାତ ପରିବର୍ତ୍ତନଶୀଳ ସଂଖ୍ୟା ସହିତ, ଅଧ୍ୟୟନଗୁଡିକରେ ଅସ୍ଥିର ଅଟେ । ବାସ୍ତବରେ, ଆବଶ୍ୟକ ନମୁନା ଆକାର କୌଣସି ନିର୍ଦ୍ଦିଷ୍ଟ ଅଧ୍ୟୟନର ଅନେକ ଦିଗ ଉପରେ ନିର୍ଭର କରେ, ଯେଉଁଥିରେ ପରିବର୍ତ୍ତନଶୀଳମାନଙ୍କର ସାଧାରଣତା ସ୍ତର ଏବଂ କାରକଗୁଡ଼ିକର ଅତ୍ୟଧିକ ନିର୍ଣ୍ଣୟ ସ୍ତର ଅନ୍ତର୍ଭୁକ୍ତ । ଲେଖକମାନେ ଏକ ଥିଓରିଟିକାଲ ଏବଂ ଗାଣିତିକ ଢାଞ୍ଚା ଉପସ୍ଥାପନ କରିଛନ୍ତି ଯାହା ଏହି ପ୍ରଭାବଗୁଡ଼ିକୁ ବୁଝିବା ଏବଂ ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ଏକ ଆଧାର ପ୍ରଦାନ କରିଥାଏ । କୃତ୍ରିମ ତଥ୍ୟ ବ୍ୟବହାର କରି ଏକ ନମୁନା ଅଧ୍ୟୟନ ଦ୍ୱାରା ଅନୁମାନିତ ପ୍ରଭାବକୁ ଯାଞ୍ଚ କରାଯାଇଥାଏ । ଫଳାଫଳରୁ ସାଧାରଣ ନିୟମର ବୈଧତାର ଅଭାବକୁ ଦର୍ଶାଯାଇଛି ଏବଂ କାରକ ବିଶ୍ଳେଷଣରେ ନମୁନା ଆକାର ପାଇଁ ନିର୍ଦ୍ଦେଶାବଳୀ ପ୍ରତିଷ୍ଠା ପାଇଁ ଏହା ଏକ ଆଧାର ପ୍ରଦାନ କରେ । |
994c88b567703f76696ff29ca0c5232268d06261 | ନିକଟରେ କେତେକ ପ୍ରମୁଖ କ୍ରୀଡ଼ା ପ୍ରଶାସନିକ ସଂସ୍ଥା ଦ୍ୱାରା ହାଇପର ଆଣ୍ଡ୍ରୋଜେନେସିସ୍ ଥିବା ମହିଳାଙ୍କୁ ମହିଳା କ୍ରୀଡ଼ାରେ ପ୍ରତିଦ୍ୱନ୍ଦ୍ୱିତା କରିବା ପାଇଁ ଯୋଗ୍ୟତା ପ୍ରଦାନ କରୁଥିବା ନୀତିର କାର୍ଯ୍ୟାନ୍ୱୟନକୁ ନେଇ ଅନେକ ଦୃଷ୍ଟି ଆକର୍ଷଣ କରାଯାଇଛି ଏବଂ ଏହା ଏବେ ମଧ୍ୟ ଏକ ବିବାଦୀୟ ପ୍ରସଙ୍ଗ । ଏହି ସଂକ୍ଷିପ୍ତ ଲେଖାରେ ଦୁଇ ମୁଖ୍ୟ ବିବାଦୀୟ ବିଷୟ ଉପରେ ଆଲୋଚନା କରାଯାଇଛି: ଉଚ୍ଚକୋଟୀର ମହିଳା ଆଥଲେଟଙ୍କ ରକ୍ତରେ ଉଚ୍ଚ ଟି ସ୍ତରର ପ୍ରଦର୍ଶନ ବୃଦ୍ଧିକୁ ସମର୍ଥନ କରୁଥିବା ବର୍ତ୍ତମାନର ବୈଜ୍ଞାନିକ ଆଧାର ଏବଂ ଏହି ନୀତିଗୁଡିକ ବିଷୟରେ ନୈତିକ ତର୍କ ଏବଂ ବିଚାର। ନିକଟରେ ପ୍ରକାଶିତ ତଥ୍ୟକୁ ଦୃଷ୍ଟିରେ ରଖି ଉଭୟ ଜନ୍ମଗତ ଓ ଅର୍ଜିତ ହାଇପର ଆଣ୍ଡ୍ରୋଜେନିକ୍ ଅବସ୍ଥା ଏବଂ ମହିଳା କ୍ରୀଡ଼ାବିତ୍ଙ୍କ ମଧ୍ୟରେ ଏହାର ପ୍ରାଧାନ୍ୟକୁ ଦୃଷ୍ଟିରେ ରଖି ଆମେ ଦାବି କରୁଛୁ ଯେ ଉଚ୍ଚ ସ୍ତରର ଆଣ୍ଡ୍ରୋଜେନ ନିଜସ୍ୱ ଭାବେ ପ୍ରଦର୍ଶନ ବୃଦ୍ଧି କରିଥାଏ । କ୍ଲିନିକାଲ ଓ ବାୟୋଲୋଜିକାଲ ହାଇପର ଆଣ୍ଡ୍ରୋଜେନେସିସମ ଥିବା ମହିଳାଙ୍କୁ ନିୟନ୍ତ୍ରିତ କରିବା ଏକ ସମାଲୋଚନା ପାଇଁ ଏକ ନିମନ୍ତ୍ରଣ କାରଣ ଯୌନ ଜୀବନର ବାୟୋଲୋଜିକାଲ ପାରାମିଟରକୁ ବାସ୍ତବ ଦୁନିଆରେ କେବଳ ଦୁଇଟି ଶ୍ରେଣୀରେ ବିଭକ୍ତ କରାଯାଇନାହିଁ । କିନ୍ତୁ କ୍ରୀଡ଼ା ପ୍ରଶାସନିକ ସଂସ୍ଥାଗୁଡ଼ିକର ଦାୟିତ୍ୱ ହେଉଛି ସମସ୍ତ କ୍ରୀଡ଼ାବିତ୍ଙ୍କ ପାଇଁ ସମାନ ସୁଯୋଗ ସୁନିଶ୍ଚିତ କରିବା । କ୍ରୀଡ଼ାରେ ହାଇପର ଆଣ୍ଡ୍ରୋଜେନେସିମକୁ ନେଇ ନୀତି ନିର୍ଦ୍ଧାରଣ କରିବା ପାଇଁ ଆଲୋଚନାକୁ ଅନ୍ଧକାରମୟ ନ କରିବା ପାଇଁ କ୍ରୀଡ଼ାର ଯୋଗ୍ୟତା ଏବଂ ଚିକିତ୍ସା ବିକଳ୍ପକୁ ପୃଥକ ଭାବରେ ବିଚାର କରିବା ଉଚିତ, ଏପରିକି ଯଦି ସେମାନେ ପରସ୍ପର ଉପରେ ଲଦି ହୁଅନ୍ତି । ଶେଷରେ, ବର୍ତ୍ତମାନର ନୀତିକୁ ସୁଧାରିବା ପାଇଁ କେତେକ ପ୍ରସ୍ତାବ ଏହି ଲେଖାରେ ଦିଆଯାଇଛି । |
391d9ef4395cf2f69e7a2f0483d40b6addd95888 | ଏହି ଲେଖାରେ ଆମେ ଟ୍ୱିଟର ବାର୍ତ୍ତାଗୁଡ଼ିକ (ଟ୍ୱିଟ) ରେ ଭାବନାଗୁଡିକୁ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଚିହ୍ନଟ କରିବା ପାଇଁ ଏକ ପଦ୍ଧତି ପ୍ରସ୍ତାବିତ କରୁଛୁ ଯାହା ଟ୍ୱିଟଗୁଡିକ କିପରି ଲେଖାଯାଏ ଏବଂ ଏହି ବାର୍ତ୍ତାଗୁଡ଼ିକର ମେଟା-ସୂଚନାର କିଛି ବ features ଶିଷ୍ଟ୍ୟ ଅନୁସନ୍ଧାନ କରେ । ଆହୁରି ମଧ୍ୟ, ଆମେ ଆମର ତାଲିମ ତଥ୍ୟ ଭାବରେ ଶବ୍ଦଯୁକ୍ତ ଲେବଲର ଉତ୍ସକୁ ବ୍ୟବହାର କରିଥାଉ । ଏହି ଶବ୍ଦକୋଷ ଟ୍ୱିଟର ତଥ୍ୟ ଉପରେ କିଛି ଭାବନା ଚିହ୍ନଟ ୱେବସାଇଟ ଦ୍ୱାରା ପ୍ରଦାନ କରାଯାଇଥିଲା । ଆମର ପରୀକ୍ଷଣରେ ଆମେ ଦେଖାଇଛୁ ଯେ ଆମର ବୈଶିଷ୍ଟ୍ୟଗୁଡିକ ଟ୍ୱିଟ୍ର ଏକ ଅଧିକ ଅବିକଳ୍ପିତ ପ୍ରତିନିଧିତ୍ୱ ଧରିବାରେ ସକ୍ଷମ, ଆମର ସମାଧାନ ପୂର୍ବବର୍ତ୍ତୀ ତୁଳନାରେ ଅଧିକ ପ୍ରଭାବଶାଳୀ ଏବଂ ପକ୍ଷପାତିତ ଏବଂ ଶବ୍ଦପୂର୍ଣ୍ଣ ତଥ୍ୟ ବିଷୟରେ ମଧ୍ୟ ଅଧିକ ଦୃଢ, ଯାହା ଏହି ପ୍ରକାରର ତଥ୍ୟ ଦ୍ୱାରା ପ୍ରଦାନ କରାଯାଇଛି |
09779ea94f0035c1e5d5cf75f7dfca8c7966a17b | ଏହି କାଗଜରେ ଏକ ସମତଳ, କମ୍ପାକ୍ଟ, ଏକକ-ସବ୍ଷ୍ଟ୍ରେଟ, ମଲ୍ଟିବେଣ୍ଡ 2 ସେଟ୍ 2-ଏଲେମେଣ୍ଟ ପ୍ରତ୍ୟେକ ମଲ୍ଟିପଲ୍-ଇନପୁଟ୍-ମଲ୍ଟିପଲ୍-ଆଉଟପୁଟ୍ (MIMO) ଆଣ୍ଟେନା ସିଷ୍ଟମ୍ ଉପସ୍ଥାପିତ ହୋଇଛି । ଏମଆଇଏମଓ ଆଣ୍ଟେନା ସିଷ୍ଟମ ଏକ ସୁସଂଗତ ୨-ଏଲେମେଣ୍ଟ ମଇଣ୍ଡେଡ ଏବଂ ଫୋଲ୍ଡ ଏମଆଇଏମଓ ଆଣ୍ଟେନା ଯାହା ଏଲଟିଇ ବ୍ୟାଣ୍ଡ (୬୯୮-୮୧୩ ଏମଏଚଜି) କୁ କଭର କରିଥାଏ ଏବଂ ଏକ କମ୍ପାକ୍ଟ ୨-ଏଲେମେଣ୍ଟ ମୋଡିଫାଏଡ ଟ୍ରଙ୍କେଡ ବ୍ରୋଡବ୍ୟାଣ୍ଡ ଆଣ୍ଟେନା ଯଥାକ୍ରମେ ୭୫୪-୯୭୧ ଏମଏଚଜି, ୧.୬୫-୧.୮୩ ଏମଏଚଜି ଏବଂ ୨-୩.୬୬ ଏମଏଚଜିକୁ କଭର କରିଥାଏ । ଏହି ଆଣ୍ଟିନା ଭୂମିପୃଷ୍ଠରେ 0.76-1.92 GHz ଏବଂ 3.0-5.2 GHz ରେ କାର୍ଯ୍ୟ କରୁଥିବା ଏକ ସେନ୍ସିଂ ଆଣ୍ଟିନା ପରି କାର୍ଯ୍ୟ କରିଥାଏ । ଉପର ବ୍ୟାଣ୍ଡ ଆଣ୍ଟିନା 0.728-1.08 GHz, 1.64-1.84 GHz, 2.1-3.69 GHz, ଏବଂ 5.01-5.55 GHz ରେ କାମ କରିଥାଏ ଯାହାଦ୍ୱାରା କଗ୍ନିଟିଭ୍ ରେଡିଓ (CR) ଏବଂ ଇଣ୍ଟରନେଟ୍ ଅଫ୍ ଥିଙ୍ଗସ୍ (IoT) ଆପ୍ଲିକେସନ୍ ପାଇଁ ଏକ ସମ୍ପୂର୍ଣ୍ଣ ଆଣ୍ଟିନା ପ୍ଲାଟଫର୍ମ ବିକଶିତ କରାଯାଇପାରିବ । ଆଣ୍ଟିନାଟି 65 × 120 × 1.56 ମିମି 3 ଆକାରର କମ୍ ମୂଲ୍ୟର FR-4 ସବଷ୍ଟ୍ରେଟ୍ (ε <inf> r <inf> = 4.4 ଟାନ୍δ = 0.02) ରେ ନିର୍ମିତ । |
5b110494639f71fa8354e61af04c0cb5e8bbae70 | ଏହି ଅଧ୍ୟୟନରେ ଆମେ ଉଭୟ କାଗଜ ଆଧାରିତ ଜାମର କ୍ଷମତା ଏବଂ କାଗଜ ଆଧାରିତ ରେଡିଓ ନେଟୱାର୍କ (CRN) ର ଆଣ୍ଟି-ଜାମର କ୍ଷମତାକୁ ଅଧ୍ୟୟନ କରିଛୁ । CRN ଟ୍ରାନ୍ସମିଶନର ଏକ ମାର୍କୋଭ୍ ମଡେଲକୁ ଆଣ୍ଟି-ଜାମିଙ୍ଗ୍ କାର୍ଯ୍ୟଦକ୍ଷତାର କ୍ରସ୍-ଲେୟାର୍ ବିଶ୍ଳେଷଣ ପାଇଁ ସେଟ୍ ଅପ୍ କରାଯାଇଛି । ଏହି ଅସ୍ଥାୟୀ ସମ୍ଭାବନା ଗୁଡିକୁ ବିଶ୍ଳେଷଣାତ୍ମକ ଭାବରେ ଏକ ସ୍ମାର୍ଟ ଜାମିଂ ଆକ୍ରମଣ ରଣନୀତିକୁ ବିଚାର କରି ପ୍ରାପ୍ତ କରାଯାଇଥାଏ । ହାରାହାରି ଟର୍ନପୁଟ୍ ଅଭିବ୍ୟକ୍ତି ସିମୁଲେସନ୍ ଦ୍ୱାରା ପ୍ରାପ୍ତ ଏବଂ ଯାଞ୍ଚ କରାଯାଇଥାଏ । ଏହି ଫଳାଫଳରୁ ଜଣାପଡିଛି ଯେ ସିଆରଏନ ଯୋଗାଯୋଗ ସିଆରଏନ ସ୍ପେକ୍ଟ୍ରମ ସେନସିଂ ଏବଂ ଚ୍ୟାନେଲ ସୁଇଚିଂ ପ୍ରକ୍ରିୟାକୁ ଟାର୍ଗେଟ କରି ସ୍ମାର୍ଟ ଜାମିଂ ଆକ୍ରମଣ ପାଇଁ ଅତ୍ୟନ୍ତ ସମ୍ବେଦନଶୀଳ ହୋଇପାରେ । |
b8aae299e926d8e6f547faea4b90619fc6361146 | |
36638aff184754db62547b75bade8fa2076b1b19 | ଆମେ ବାସ୍ତବିକ ଆଡାବୁଷ୍ଟକୁ କ୍ରେଡିଟ ସ୍କୋରକାର୍ଡ ତିଆରି କରିବା ପାଇଁ ପ୍ରଚଳିତ ପଦ୍ଧତି ସହିତ ତୁଳନା କରିବୁ: ପ୍ରମାଣର ଲଜିଷ୍ଟିକ ରିଗ୍ରେସନ (SWOELR) ର ପର୍ଯ୍ୟାୟଭିତ୍ତିକ ଓଜନ । ରିଅଲ ଆଡାବୁଷ୍ଟ ହେଉଛି ସ୍ୱୋଲର୍ ସହିତ ବହୁତ ସମାନ ଏବଂ ସ୍ୱୋଲର୍ ମଡେଲ ପାଇଁ ଏକ ମାନଦଣ୍ଡ ଭାବରେ କାର୍ଯ୍ୟ କରିବା ପାଇଁ ଏହା ଭଲ ଭାବରେ ସ୍ଥାନିତ ହୋଇଛି; ଏହା ଏକ ପରିସଂଖ୍ୟାନ ଢାଞ୍ଚା ମଧ୍ୟ ପ୍ରଦାନ କରିପାରେ ଯାହା ଦ୍ୱାରା ଆମେ ସ୍ୱୋଲର୍ ଶକ୍ତିକୁ ବୁଝିପାରିବା । ଆମେ ଏସଏଏସ ରେ ରିଅଲ ଆଡାବୁଷ୍ଟ ମଡେଲ ସୃଷ୍ଟି କରିବା ପାଇଁ ଏକ ମାକ୍ରୋ ପ୍ରଦାନ କରୁ. ପ୍ରାରମ୍ଭିକ ସୂଚନା ଆର୍ଥିକ ପ୍ରତିଷ୍ଠାନ (ଏଫଆଇ) ଗୁଡ଼ିକ ବିପଣନ, ଠକେଇ ଚିହ୍ନଟ, ଋଣ ଆଦାନପ୍ରଦାନ ଆଦି ପାଇଁ ବିଭିନ୍ନ ପ୍ରକାରର ମଡେଲ ବିକଶିତ କରିବା ଆବଶ୍ୟକ । ମଡେଲିଂ ନିକଟରେ ଏକ ପୁନର୍ଜନ୍ମର ଶିକାର ହୋଇଛି ଯେବେକି ମେସିନ ଲର୍ଣ୍ଣିଂ ବିସ୍ଫୋରଣ ହୋଇଛି - ଉନ୍ନତ ପରିସଂଖ୍ୟାନ କୌଶଳ ଉପଲବ୍ଧତା, ଏହି କୌଶଳଗୁଡ଼ିକୁ କାର୍ଯ୍ୟକାରୀ କରିବା ପାଇଁ ଶକ୍ତିଶାଳୀ କମ୍ପ୍ୟୁଟରର ସର୍ବବ୍ୟାପୀ ଏବଂ ଏହି ପଦ୍ଧତିଗୁଡ଼ିକୁ ଗ୍ରହଣ କରିଥିବା କମ୍ପାନୀଗୁଡିକର ଭଲ ଭାବରେ ପ୍ରକାଶିତ ସଫଳତା ଦ୍ୱାରା ଅଗ୍ରାହ୍ୟ ହୋଇଛି (ପାର୍ଲଫ୍ ୨୦୧୬) । କେତେକ ଆର୍ଥିକ ସଂସ୍ଥାନରେ ମଡେଲିଂ ବିଭାଗ ବିପରୀତ ଦାବିର ସମ୍ମୁଖୀନ ହେଉଛନ୍ତି: କାର୍ଯ୍ୟନିର୍ବାହୀ ଅଧିକାରୀମାନେ ଅତ୍ୟାଧୁନିକ ପଦ୍ଧତିର କିଛି ପ୍ରସିଦ୍ଧ ମୂଲ୍ୟ ଚାହାଁନ୍ତି, ଯେତେବେଳେ କି ସରକାରୀ ନିୟାମକ, ଆଭ୍ୟନ୍ତରୀଣ ନିୟୋଜନ ଦଳ ଏବଂ ସମ୍ମୁଖ-ଶ୍ରେଣୀ କର୍ମଚାରୀମାନେ କାର୍ଯ୍ୟକାରୀ କରିବା, ବ୍ୟାଖ୍ୟା ଏବଂ ବୁଝିବା ସହଜ ମଡେଲ ଚାହାଁନ୍ତି । ଏହି ଲେଖାରେ ଆମେ ରିଅଲ ଆଡାବୁଷ୍ଟର ସମୀକ୍ଷା କରୁଛୁ, ଏକ ମେସିନ ଲର୍ଣ୍ଣିଂ କୌଶଳ ଯାହା ଶକ୍ତିଶାଳୀ କିନ୍ତୁ ଅପ୍ରାକୃତିକ ମେସିନ ଲର୍ଣ୍ଣିଂ ପଦ୍ଧତି ଏବଂ ପାରଦର୍ଶୀ ପାରମ୍ପରିକ ପଦ୍ଧତି ମଧ୍ୟରେ ଏକ ମଧ୍ୟମ ଭୂମି ପ୍ରଦାନ କରିପାରେ । ଉପଭୋକ୍ତାଙ୍କ ପାଇଁ ବିପଦ ମଡେଲ ହେଉଛି ମଡେଲର ଏକ କ୍ଷେତ୍ର ଯେଉଁଠାରେ ଆର୍ଥିକ ଅନୁଷ୍ଠାନଗୁଡିକ ଶକ୍ତି ଏବଂ ପାରଦର୍ଶିତା ମଧ୍ୟରେ ଏକ ସନ୍ତୁଳନ ରକ୍ଷା କରିବାକୁ ପଡିବ । ଗ୍ରାହକ ବିପଦ ମଡେଲିଂରେ ଗ୍ରାହକଙ୍କୁ ସେମାନଙ୍କ ଋଣ ଯୋଗ୍ୟତା (ସେମାନେ ଋଣ ପରିଶୋଧ କରିବାର ସମ୍ଭାବନା) ଅନୁଯାୟୀ ଶ୍ରେଣୀଭୁକ୍ତ କରିବା ଅନ୍ତର୍ଭୁକ୍ତଃ ପ୍ରଥମେ ଗ୍ରାହକ ବ features ଶିଷ୍ଟ୍ୟ ଚିହ୍ନଟ କରି, ଯାହା ଅପରାଧର ବିପଦକୁ ସୂଚିତ କରେ, ଏବଂ ତା ପରେ ପ୍ରତ୍ୟେକ ଗ୍ରାହକଙ୍କ ପାଇଁ ଏକ ଆପେକ୍ଷିକ ବିପଦ ସ୍କୋର ଗଣନା କରିବାକୁ ଗଣିତ ଭାବରେ ମିଶ୍ରଣ କରେ (ସାଧାରଣ ବ features ଶିଷ୍ଟ୍ୟଗୁଡିକ ଅନ୍ତର୍ଭୁକ୍ତଃ ଅତୀତର loan ଣ ଅପରାଧ, ଉଚ୍ଚ କ୍ରେଡିଟ୍ ଉପଯୋଗ ଇତ୍ୟାଦି) । କ୍ରେଡିଟ୍ ସ୍କୋର କାର୍ଡ ଗ୍ରାହକମାନଙ୍କ ପାଇଁ ବିପଦ ମଡେଲକୁ ଯଥାସମ୍ଭବ ପାରଦର୍ଶୀ କରିବା ପାଇଁ ଅନେକ ଏଫଆଇ ଆବଶ୍ୟକ କରନ୍ତି ଯେ ମଡେଲର ଅନ୍ତିମ ପରିଣାମ ସ୍କୋର କାର୍ଡ ଆକାରରେ ହେବା ଉଚିତ (ଏହାର ଏକ ଉଦାହରଣ ଟେବୁଲ ୧ରେ ଦିଆଯାଇଛି) । କ୍ରେଡିଟ୍ ସ୍କୋର କାର୍ଡ ଗ୍ରାହକ ବିପଦ ମଡେଲକୁ ପ୍ରତିନିଧିତ୍ୱ କରିବାର ଏକ ଲୋକପ୍ରିୟ ଉପାୟ କାରଣ ସେମାନଙ୍କର ସରଳତା, ପଠନୀୟତା ଏବଂ ମଡେଲିଂ ପ୍ରକ୍ରିୟା ସମୟରେ ବ୍ୟବସାୟିକ ବିଶେଷଜ୍ଞତାକୁ ସହଜରେ ଅନ୍ତର୍ଭୁକ୍ତ କରାଯାଇପାରିବ (ମାଲଡୋନାଡୋ ଏବଂ ଅନ୍ୟମାନେ) । ୨୦୧୩) ରେ ପ୍ରକାଶିତ ହୋଇଥିଲା । ସ୍କୋର କାର୍ଡରେ ଅନେକଗୁଡ଼ିଏ ଲକ୍ଷଣ ଥାଏ ଯାହା ବିପଦକୁ ସୂଚାଇଥାଏ ଏବଂ ପ୍ରତ୍ୟେକ ଲକ୍ଷଣକୁ ସେହି ଲକ୍ଷଣର ମୂଲ୍ୟର ପରିସର ଦ୍ୱାରା ପରିଭାଷିତ ଅଳ୍ପ ସଂଖ୍ୟକ ବିନରେ ବିଭକ୍ତ କରାଯାଇଥାଏ (ଉଦାହରଣ ସ୍ୱରୂପ, କ୍ରେଡିଟ୍ ଉପଯୋଗଃ 30-80% ହେଉଛି କ୍ରେଡିଟ୍ ଉପଯୋଗ ବର୍ଣ୍ଣନା ପାଇଁ ଏକ ବିନ) । ପ୍ରତ୍ୟେକ ବଣ୍ଡକୁ ଏକ ସ୍କୋର ପଏଣ୍ଟ ଦିଆଯାଏ, ଏକ ପରିସଂଖ୍ୟାନ ମଡେଲରୁ ପ୍ରାପ୍ତ ଏକ ମୂଲ୍ୟ ଏବଂ ସେହି ବଣ୍ଡର ବିପଦ ସହିତ ସମାନ୍ତରାଳ (SAS 2012) । ଜଣେ ଗ୍ରାହକ ଗୋଟିଏ ଏବଂ କେବଳ ଗୋଟିଏ ବସ୍ତାରେ ପ୍ରତି ବିଶେଷତା ଅନୁସାରେ ଆସିବେ ଏବଂ ଆବେଦନକାରୀଙ୍କ ଅନ୍ତିମ ସ୍କୋର ହେଉଛି ପ୍ରତ୍ୟେକ ବସ୍ତା ଦ୍ୱାରା ଦିଆଯାଇଥିବା ପଏଣ୍ଟଗୁଡିକର ସମୁଦାୟ (ଅତିରିକ୍ତ ଏକ ଇଣ୍ଟରସେପ୍ଟ) । ଏହି ଅନ୍ତିମ ସ୍କୋର ଗ୍ରାହକମାନଙ୍କ ବିପଦର ଅନୁପାତରେ ହୋଇଥାଏ । ସ୍କୋରକାର୍ଡ ପ୍ରସ୍ତୁତ କରିବାର ପ୍ରକ୍ରିୟା ହେଉଛି ପ୍ରମାଣର ଲଜିଷ୍ଟିକ ରିଗ୍ରେସନ (SWOELR) ର ପର୍ଯ୍ୟାୟଭିତ୍ତିକ ଓଜନ ଏବଂ ଏହା SAS® Enterprise MinerTM ରେ କ୍ରେଡିଟ୍ ସ୍କୋରିଂ ଆଡ-ଅନ୍ ରେ କାର୍ଯ୍ୟକାରୀ ହୋଇଛି । ଆଡାବୋଷ୍ଟ ହେଉଛି ଏକ ମେସିନ ଲର୍ଣ୍ଣିଂ ଆଲଗୋରିଦମ ଯାହା ଛୋଟ ନିର୍ଣ୍ଣୟ ଗଛର ଏକ ଶୃଙ୍ଖଳା ନିର୍ମାଣ କରେ, ପ୍ରତ୍ୟେକ ଗଛକୁ ପୂର୍ବ ଗଛ ଦ୍ୱାରା ମିସ୍ ହୋଇଥିବା କଠିନ କେସକୁ ପୂର୍ବାନୁମାନ କରିବାକୁ ଏବଂ ସମସ୍ତ ଗଛକୁ ଏକ ମଡେଲରେ ମିଶ୍ରଣ କରିବାକୁ ଅନୁକୂଳ କରିଥାଏ । ଆମେ ଆଡାବୁଷ୍ଟ ପଦ୍ଧତି ଉପରେ ଆଲୋଚନା କରିବା ଏବଂ ରିଅଲ ଆଡାବୁଷ୍ଟ ନାମକ ଏକ୍ସଟେନସନକୁ ପରିଚିତ କରାଇବା । ରିଅଲ ଆଡାବୁଷ୍ଟ ଏକ ଦୃଢ଼ ଏକାଡେମିକ୍ ପିଢିରୁ ଆସିଛି: ଏହାର ଲେଖକମାନେ ମେସିନ୍ ଶିକ୍ଷଣର ଅଗ୍ରଣୀ ଅଟନ୍ତି ଏବଂ ଏହି ପଦ୍ଧତିର 15 ବର୍ଷ ଧରି ଭଲଭାବେ ପ୍ରତିଷ୍ଠିତ ଅନୁଭବୀ ଏବଂ ଥିଓରୀ ସମର୍ଥନ ରହିଛି । ବାସ୍ତବରେ କହିବାକୁ ଗଲେ, ରିଅଲ ଆଡାବୁଷ୍ଟ ପଠନୀୟ କ୍ରେଡିଟ ସ୍କୋରକାର୍ଡ ପ୍ରସ୍ତୁତ କରିବାରେ ସକ୍ଷମ ଏବଂ ଆକର୍ଷଣୀୟ ବୈଶିଷ୍ଟ୍ୟ ପ୍ରଦାନ କରିଥାଏ ଯେଉଁଥିରେ ପରିବର୍ତ୍ତନଶୀଳ ପାରସ୍ପରିକ କ୍ରିୟା ଏବଂ ଅନୁକୂଳ, ପର୍ଯ୍ୟାୟ-ବିଶେଷିତ ବିନିଯୋଗ ଅନ୍ତର୍ଭୁକ୍ତ । |
f89ee2c9c67858c00bd87df310994ff3a69de747 | କିନ୍ତୁ ଏହି ସମସ୍ୟା ପାଇଁ, ସାଧାରଣ ପଦ୍ଧତି ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ ଅସଂପୂର୍ଣ୍ଣ ହେବ କାରଣ କୌଣସି ଯୁକ୍ତିଯୁକ୍ତ ପରିମାଣର ସଠିକତା ପାଇଁ θ କୁ ଅନୁମାନ କରିବା ପାଇଁ n ଅଯଥାରେ ବଡ଼ ହେବା ଆବଶ୍ୟକ । ଉଦାହରଣ ସ୍ୱରୂପ, I ର ଗୋଟିଏ ଅଣ-ଶୂନ ମୂଲ୍ୟ ପାଇବା ପାଇଁ ଆମକୁ n ≈ 2.7014 × 10 କୁ ସେଟ୍ କରିବାକୁ ପଡିବ । ଏହା ଅବଶ୍ୟ ଅସାଧ୍ୟ ଅଟେ ଏବଂ n ର ଏକ ଛୋଟ ମୂଲ୍ୟ ବ୍ୟବହାର କରିବାକୁ ହେବ । କିନ୍ତୁ n ର ଏକ ଛୋଟ ମୂଲ୍ୟ ବ୍ୟବହାର କରିବା ଦ୍ବାରା, ଏହା ପ୍ରାୟତଃ ଏକ ଆକଳନ, θ̂n = 0 ଏବଂ ଏକ ଆନୁମାନିକ ବିଶ୍ବାସ ଅନ୍ତରାଳ [L,U ] = [0, 0] ରେ ପରିଣତ ହେବ! ତେଣୁ ନିରପେକ୍ଷ ଆଭିମୁଖ୍ୟ କାମ କରେ ନାହିଁ । ଆମେ ବିବରଣୀ ରେ ଦେଖିଥିବା ପ୍ରଭେଦ ହ୍ରାସ କୌଶଳ କୁ ପ୍ରୟୋଗ କରିବା ପାଇଁ ଚେଷ୍ଟା କରି ପାରିବା, କିନ୍ତୁ ସେଗୁଡିକ କିଛି ସାହାଯ୍ୟ କରି ନ ପାରେ । |
a5366f4d0e17dce1cdb59ddcd90e806ef8741fbc | |
727a8deb17701dd07f4e74af37b8d2e8cb8cb35b | |
e99f72bc1d61bc7c8acd6af66880d9a815846653 | କୃଷି ହେଉଛି ଭାରତୀୟଙ୍କ ରୋଜଗାରର ଏକ ପ୍ରମୁଖ ଉତ୍ସ ଏବଂ କୃଷି ଭାରତର ଅର୍ଥବ୍ୟବସ୍ଥା ଉପରେ ଏକ ବଡ଼ ପ୍ରଭାବ ପକାଇଛି । ଉନ୍ନତ ଅମଳ ଏବଂ ଉନ୍ନତ ମାନର ଫସଲ ପାଇଁ ଫସଲ ବିକାଶର ଆବଶ୍ୟକତା ରହିଛି । ତେଣୁ ଉପଯୁକ୍ତ ପରିସ୍ଥିତି ଏବଂ ଫସଲ ଶଯ୍ୟାରେ ଉପଯୁକ୍ତ ଆର୍ଦ୍ରତା ଉତ୍ପାଦନ ପାଇଁ ଏକ ପ୍ରମୁଖ ଭୂମିକା ଗ୍ରହଣ କରିପାରିବ । ଅଧିକାଂଶ ଜଳସେଚନ ଏକ ପ୍ରାନ୍ତରୁ ଅନ୍ୟ ପ୍ରାନ୍ତକୁ ପ୍ରବାହିତ ହେଉଥିବା ନଦୀ ଦ୍ୱାରା କରାଯାଏ । ଏହିଭଳି ଯୋଗାଣରେ ବିଭିନ୍ନ ଆର୍ଦ୍ରତା ସ୍ତର ରହିପାରେ । ଜଳ ପରିଚାଳନା ବ୍ୟବସ୍ଥାକୁ ଉନ୍ନତ କରାଯାଇପାରିବ: ଏହି ଅଧ୍ୟୟନରେ ଜଳ ପରିଚାଳନା ବ୍ୟବସ୍ଥାକୁ ଉନ୍ନତ କରିବା ପାଇଁ ଏକ ଯୋଜନା ପ୍ରସ୍ତୁତ କରାଯାଇଛି । ସେଟଅପ ପ୍ରସ୍ତୁତ କରିବା ପାଇଁ ଆର୍ଡୁଇନୋ କିଟ ଓ୍ବାଇ-ଫାଇ ମଡ୍ୟୁଲ ସହିତ ଆର୍ଦ୍ରତା ସେନସର ବ୍ୟବହାର କରାଯାଏ । ଆମର ପରୀକ୍ଷାମୂଳକ ବ୍ୟବସ୍ଥା କ୍ଲାଉଡ୍ ଫ୍ରେମୱାର୍କ ସହିତ ସଂଯୁକ୍ତ ଏବଂ ତଥ୍ୟ ସଂଗ୍ରହ ଶେଷ ହୋଇଛି । ଏହାପରେ କ୍ଲାଉଡ ସର୍ଭିସ ଦ୍ୱାରା ଡାଟାର ବିଶ୍ଳେଷଣ କରାଯାଇ ଉପଯୁକ୍ତ ସୁପାରିସ କରାଯାଇଥାଏ । |
e4e9e923be7dba92d431cb70db67719160949053 | |
797f359b211c072a5b754e7a8f48a3b1ecf9b8be | ଫ୍ଲୋରିଡାର ଟାଇଣ୍ଡଲ ଏଏଫବିରେ ଥିବା ରାଇଟ ଲାବୋରେଟୋରୀ ବିଭିନ୍ନ ପ୍ରକାରର ରୋବୋଟିକ ଯାନ ପାଇଁ ସ୍ୱୟଂକ୍ରିୟ ଦିଗ ନିର୍ଣ୍ଣୟ ପ୍ରଣାଳୀ ବିକଶିତ କରିବା ପାଇଁ ଫ୍ଲୋରିଡା ବିଶ୍ୱବିଦ୍ୟାଳୟ ସହିତ ଚୁକ୍ତି କରିଛି, ଯାହା ବୋମା ଏବଂ ଖଣିଜ ପଦାର୍ଥର ଅବସ୍ଥିତି ଏବଂ ଅପସାରଣ ସହିତ ଜଡିତ କାର୍ଯ୍ୟ କରିବାକୁ ସକ୍ଷମ । ଏଥିମଧ୍ୟରୁ ଗୋଟିଏ ହେଉଛି ଅସ୍ପୃଶ୍ୟ ଗୁପ୍ତ ଗୋଳାବାରୁଦ ପାଇଁ ବନ୍ଦ ଲକ୍ଷ୍ୟସ୍ଥଳ ପରିଦର୍ଶନ କରିବା । ଏହି କାର୍ଯ୍ୟରେ ପଥ ଅନୁସରଣର ସଠିକତା ଅତ୍ୟନ୍ତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । ବର୍ତ୍ତମାନ ଶହ ଶହ ଏକର ଜମିରେ ସର୍ଭେ କରାଯିବାର ଆବଶ୍ୟକତା ରହିଛି । ଏହି ସାଇଟଗୁଡିକୁ ସାଧାରଣତଃ ବିଭିନ୍ନ ଅଞ୍ଚଳରେ ବିଭକ୍ତ କରାଯାଇଛି, ଯେଉଁଠାରେ ପ୍ରତ୍ୟେକ ମିଶନ 4.5 ଘଣ୍ଟା ପର୍ଯ୍ୟନ୍ତ ନେଇପାରେ । ଏହିସବୁ ସ୍ଥାନକୁ ସାଧାରଣତଃ ସମାନ୍ତରାଳ ଧାଡ଼ିରେ ସର୍ଭେ କରାଯାଇଥାଏ । ପଥ ଅନୁସରଣର ସଠିକତା ବୃଦ୍ଧି କରି, ଧାଡିଗୁଡ଼ିକ ମଧ୍ୟରେ ଦୂରତା ଭୂମିକୁ ଅନୁପ୍ରବେଶ କରୁଥିବା ସେନ୍ସରଗୁଡ଼ିକର ଚିହ୍ନଟ ଚଉଡା ପର୍ଯ୍ୟନ୍ତ ବୃଦ୍ଧି କରାଯାଇପାରିବ, ଯାହା ଫଳରେ ମିଶନ ପ୍ରତି ସର୍ଭେ କରାଯାଇଥିବା କ୍ଷେତ୍ରର ବୃଦ୍ଧି ଘଟିଥାଏ । ଏହି କାଗଜରେ ଉଚ୍ଚସ୍ତରୀୟ ପିଆଇଡି ଏବଂ ଏକ ଶୁଦ୍ଧ ଅନୁସରଣ ଷ୍ଟିଅରିଂ କଣ୍ଟ୍ରୋଲରର ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଛି । ଏହି କଣ୍ଟ୍ରୋଲରଗୁଡ଼ିକୁ ଏକ ଓଜନଯୁକ୍ତ ଦ୍ରବଣରେ ମିଶ୍ରଣ କରାଯାଇଥିଲା ଯାହାଦ୍ୱାରା ପ୍ରତ୍ୟେକ କଣ୍ଟ୍ରୋଲରର ଇଚ୍ଛାକୃତ ବୈଶିଷ୍ଟ୍ୟ ସଂରକ୍ଷିତ ହୋଇ ରହିବ । ଏହି ରଣନୀତିକୁ ସିମୁଲେସନରେ ପ୍ରଦର୍ଶିତ କରାଯାଇଥିଲା ଏବଂ ଏକ ନୌପରିବହନ ପରୀକ୍ଷଣ ଯାନ (ଏନଟିଭି) ରେ କାର୍ଯ୍ୟକାରୀ କରାଯାଇଥିଲା । ବିଭିନ୍ନ ପ୍ରକାର ବକ୍ରତା ବିଶିଷ୍ଟ ପରୀକ୍ଷଣ ପଥ ପାଇଁ, ଯାନର ବେଗ 1.34 ମିଲିମିଟର ଥିବାବେଳେ ହାରାହାରି ପାର୍ଶ୍ୱ ନିୟନ୍ତ୍ରଣ ତ୍ରୁଟି 2 ସେଣ୍ଟିମିଟର ଥିଲା । |
0dd6795ae207ae4bc455c9ac938c3eebd84897c8 | କମ୍ପ୍ୟୁଟେସନାଲ ଭାଷାବିଜ୍ଞାନରେ $୬୪,୦୦୦ର ପ୍ରଶ୍ନ ହେଉଛି: "ସଂଖ୍ୟାନିକ ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ ବିଷୟରେ ଶିଖିବା ପାଇଁ ମୁଁ କ ଣ ପଢ଼ିବି?" ମୋତେ ବାରମ୍ବାର ଏହି ପ୍ରଶ୍ନ ପଚରାଯାଇଛି, ଏବଂ ପ୍ରତ୍ୟେକ ଥର ମୁଁ ମୂଳତଃ ସମାନ ଉତ୍ତର ଦେଇଛି: ଏହି ବିଷୟକୁ ସିଧାସଳଖ ସମ୍ବୋଧିତ କରୁଥିବା କୌଣସି ପାଠ ନାହିଁ, ଏବଂ ଜଣେ ସବୁଠାରୁ ଭଲ କରିପାରିବ ଏକ ଭଲ ସମ୍ଭାବନା-ବିଜ୍ଞାନ ପାଠ୍ୟପୁସ୍ତକ ଏବଂ ଏକ ଭଲ ସୂଚନା-ବିଜ୍ଞାନ ପାଠ୍ୟପୁସ୍ତକ ଖୋଜିବା, ଏବଂ ସେହି ପାଠ୍ୟପୁସ୍ତକଗୁଡ଼ିକୁ ସମ୍ମିଳନୀ କାଗଜ ଏବଂ ପତ୍ରିକା ପ୍ରବନ୍ଧର ଏକ ବର୍ଗ ସହିତ ସଂପୂର୍ଣ୍ଣ କରିବା । ଏହି ଉତ୍ତର ମୋତେ ନିରାଶ କରିଥିଲା, କିନ୍ତୁ ଶେଷରେ କେହି ଜଣେ ଏହି ବିଷୟକୁ ନେଇ ଏକ ପୁସ୍ତକ ଲେଖିଛନ୍ତି ବୋଲି ଜାଣି ମୁଁ ଆନନ୍ଦିତ । କିନ୍ତୁ ୟୁଜିନ୍ ଚାର୍ନିଆଙ୍କ ଷ୍ଟାଟିଷ୍ଟିକାଲ୍ ଲାଙ୍ଗୁଏଜ୍ ଲର୍ଣ୍ଣିଂ ପୁସ୍ତକ ପଢ଼ିସାରିବା ପରେ, ଏହି ପୁସ୍ତକର ପ୍ରଭାବ ସମ୍ପର୍କରେ ମୋର ଅନେକ ମତଭେଦ ରହିଛି । ଏହି ପୁସ୍ତକ ଏନ୍.ଏଲ୍.ପି. (୧ମ ଅଧ୍ୟାୟ) ର କ୍ଲାସିକ୍ କୃତ୍ରିମ ବୁଦ୍ଧିମତା ଆଭିମୁଖ୍ୟର ସଂକ୍ଷିପ୍ତ ବର୍ଣ୍ଣନା ସହିତ ଆରମ୍ଭ ହୁଏ, ଯେଉଁଥିରେ ମର୍ଫୋଲୋଜି, ସିଣ୍ଟାକ୍ସ, ସେମାନ୍ଟିକ୍ସ ଏବଂ ପ୍ରାଗମାଟିକ୍ସ ଅନ୍ତର୍ଭୁକ୍ତ । ଏହା ସଂଭାବନା ତତ୍ତ୍ବ ଓ ସୂଚନା ତତ୍ତ୍ବ (୨ୟ ଅଧ୍ୟାୟ) ର କିଛି ସଂଜ୍ଞା ଉପସ୍ଥାପନ କରେ, ତାପରେ ଲୁକ୍କାୟିତ ମାର୍କୋଭ୍ ମଡେଲ (୩-୪ ଅଧ୍ୟାୟ) ଓ ସଂଭାବନାତ୍ମକ ପ୍ରସଙ୍ଗ-ମୁକ୍ତ ବ୍ୟାକରଣ (୫-୬ ଅଧ୍ୟାୟ) ର ପରିଚୟ ଦେଇଥାଏ । ଏହି ପୁସ୍ତକର ଶେଷ ଭାଗରେ କିଛି ଅଧ୍ୟାୟ ରହିଛି ଯେଉଁଥିରେ ଭାଷା ଶିକ୍ଷଣର ପରିସଂଖ୍ୟାନରେ ଉନ୍ନତ ବିଷୟଗୁଡ଼ିକ ଉପରେ ଆଲୋଚନା କରାଯାଇଛି, ଯେପରିକି ବ୍ୟାକରଣ ଇଣ୍ଡକ୍ସନ (୭ମ ଅଧ୍ୟାୟ), ବାକ୍ୟରୂପରେଖ (୮ମ ଅଧ୍ୟାୟ), ଶବ୍ଦ କ୍ଲଷ୍ଟରିଂ (୯ମ ଅଧ୍ୟାୟ) ଏବଂ ଶବ୍ଦ ଅର୍ଥର ବ୍ୟାଖ୍ୟା (୧୦ମ ଅଧ୍ୟାୟ) । ଏହି ପୁସ୍ତକଟି ଏନ୍.ଏଲ୍.ପି.ରେ ପରିସଂଖ୍ୟାନ ମଡେଲିଂର ଏକ ଆକର୍ଷଣୀୟ ଲୋକପ୍ରିୟ ଆଲୋଚନା ଭାବରେ କାର୍ଯ୍ୟ କରେ । ଏହା ଭଲ ଭାବରେ ଲେଖା ହୋଇଛି ଏବଂ ମନୋରଞ୍ଜନ ପାଇଁ ଉଦ୍ଦିଷ୍ଟ, ଏବଂ ସୀମିତ ଗଣିତ ପୃଷ୍ଠଭୂମି ଥିବା ପାଠକମାନଙ୍କ ପାଇଁ ଏହା ଅତି ସୁଗମ । ଏହି ପାଠ୍ୟକ୍ରମରେ ପାଠକମାନଙ୍କୁ ଏହି କ୍ଷେତ୍ର ସହ ପରିଚିତ କରାଇବା ପାଇଁ ପରିସଂଖ୍ୟାନ ଏନଏଲପି ବିଷୟର ଏକ ଉତ୍ତମ ଚୟନ କରାଯାଇଛି । ଏବଂ ଲୁକ୍କାୟିତ ମାର୍କୋଭ୍ ମଡେଲ ପାଇଁ ଫରୱାର୍ଡ-ବ୍ୟାକୱାର୍ଡ ଆଲଗୋରିଦମ ଏବଂ ସମ୍ଭାବ୍ୟତା-ସମ୍ୱନ୍ଧ-ମୁକ୍ତ ବ୍ୟାକରଣ ପାଇଁ ଇନଡୋର-ଆଉଟଡୋର ଆଲଗୋରିଦମର ବର୍ଣ୍ଣନାଗୁଡିକ ଅନ୍ତର୍ଦୃଷ୍ଟିସମ୍ପନ୍ନ ଏବଂ ଅନୁସରଣ କରିବା ସହଜ । କିନ୍ତୁ ଏହି ଗବେଷଣା କ୍ଷେତ୍ରରେ ପ୍ରବେଶ କରିବାକୁ ଆଗ୍ରହୀ ବ୍ୟକ୍ତିଙ୍କ ପାଇଁ ଏହି ପୁସ୍ତକଟି ଏକ ସମ୍ବଳ ହୋଇଥିବାରୁ ଏହା ଲେଖକଙ୍କର ଲକ୍ଷ୍ୟଠାରୁ ବହୁ ଦୂରରେ ରହିଛି । ଏହି ଲକ୍ଷ୍ୟଗୁଡ଼ିକର ଉଦ୍ଧୃତି ନିମ୍ନରେ ସ୍ପଷ୍ଟ ଭାବରେ ଦିଆଯାଇଛି: |
82bcb524a2036676bfa4ebd3324fe76013dced54 | ଭିନ୍ନତାପୂର୍ଣ୍ଣ ଗୋପନୀୟତା ହେଉଛି ଏକ ସଠିକ ଗାଣିତିକ ପ୍ରତିବନ୍ଧକ ଯାହା ଏକ ଡାଟାବେସରେ ଥିବା ବ୍ୟକ୍ତିଗତ ସୂଚନାକୁ ଗୋପନୀୟତା ସୁନିଶ୍ଚିତ କରିବା ପାଇଁ ଉଦ୍ଦିଷ୍ଟ, ଏପରିକି ଯେତେବେଳେ ସମୁଦାୟ ବିଷୟରେ ପ୍ରଶ୍ନର ଉତ୍ତର ଦିଆଯାଉଛି । ଅନ୍ତର୍ନିହିତ ଭାବେ, ଜଣେ ବ୍ୟକ୍ତିକୁ ବୁଝିବାକୁ ହେବ ଯେ ଭିନ୍ନ ଗୋପନୀୟତା କ ଣ ଏବଂ କ ଣ ଗ୍ୟାରେଣ୍ଟି ଦିଏ ନାହିଁ । ଉଦାହରଣ ସ୍ୱରୂପ, ପରିଭାଷାଟି ଏକ ଶକ୍ତିଶାଳୀ ବିରୋଧିକୁ ପ୍ରତିରୋଧ କରିଥାଏ ଯିଏ ଡାଟାବେସରେ ଥିବା ସମସ୍ତ ପ୍ରବେଶକୁ ଜାଣିଥାଏ କିନ୍ତୁ ଶେଷକୁ ଅଧିକ ଅନୁମାନ ଲଗାଇଥାଏ । ଏହି ଦୃଢ ବିରୋଧୀ ଅନୁମାନକୁ ଅଣଦେଖା କରାଯାଇପାରେ, ଯାହାଦ୍ୱାରା ପ୍ରଭେଦ ପ୍ରାଇଭେସିର ଗୋପନୀୟତା ଗ୍ୟାରେଣ୍ଟିକୁ ଭୁଲ ଭାବରେ ବ୍ୟାଖ୍ୟା କରାଯାଇପାରେ । ଏଠାରେ ଆମେ ଗୋପନୀୟତାର ଏକ ସମାନ ପରିଭାଷା ପ୍ରଦାନ କରୁଛୁ ଯାହା ପାରସ୍ପରିକ ସୂଚନା ବ୍ୟବହାର କରି ବିବିଧ ଗୋପନୀୟତାର କିଛି ସୂକ୍ଷ୍ମତାକୁ ସ୍ପଷ୍ଟ କରିଥାଏ । ପାରସ୍ପରିକ ସୂଚନା ଭେଦଭାବ ଭେଦଭାବ ବାସ୍ତବରେ ଏହାର ଶକ୍ତି ଦୃଷ୍ଟିରୁ ε-ବିବିଧ ଭେଦଭାବ ଭେଦଭାବ ଏବଂ (ε,δ) -ବିବିଧ ଭେଦଭାବ ମଧ୍ୟରେ ରହିଛି । ପୂର୍ବବର୍ତ୍ତୀ କାର୍ଯ୍ୟଗୁଡିକର ବିପରୀତରେ, ନିରପେକ୍ଷ ପାରସ୍ପରିକ ସୂଚନା ବ୍ୟବହାର କରି, ଭିନ୍ନ ଗୋପନୀୟତା ମୂଳତଃ ସର୍ତ୍ତମୂଳକ ପାରସ୍ପରିକ ସୂଚନା ସହିତ ଜଡିତ, ଡାଟାବେସ୍ ବିତରଣ ଉପରେ ସର୍ବାଧିକକରଣ ସହିତ । ପାରସ୍ପରିକ ସୂଚନା ବ୍ୟବହାର କରିବାର ଧାରଣାଗତ ଲାଭ, ଭିନ୍ନ ଗୋପନୀୟତାର ଏକ ସରଳ ଏବଂ ଅଧିକ ଅନ୍ତର୍ଦୃଷ୍ଟିସମ୍ପନ୍ନ ପରିଭାଷା ପ୍ରଦାନ କରିବା ବ୍ୟତୀତ, ଏହାର ଗୁଣଗୁଡିକ ଭଲ ଭାବରେ ବୁଝାଯାଏ । ବିଭିନ୍ନ ପ୍ରକାର ଗୋପନୀୟତାର ଅନେକ ଗୁଣ ସହଜରେ ପାରସ୍ପରିକ ସୂଚନା ବିକଳ୍ପ ପାଇଁ ଯାଞ୍ଚ କରାଯାଇଥାଏ, ଯେପରିକି ରଚନା ତତ୍ତ୍ୱ । |
2c075293886b601570024b638956828b4fbc6a24 | ଗତ କିଛି ବର୍ଷ ମଧ୍ୟରେ ତ୍ୱରାନ୍ୱିତକାରୀ ବ୍ୟବହାର କରି ସମାନ୍ତରାଳ କମ୍ପ୍ୟୁଟିଂ ବିଜ୍ଞାପନ ଗବେଷଣାରେ ବ୍ୟାପକ ଧ୍ୟାନ ପାଇଛି । ବିଶେଷକରି, ସାଧାରଣ ଉଦ୍ଦେଶ୍ୟ ପାଇଁ GPU ବ୍ୟବହାର କରି ସମୟ, ଖର୍ଚ୍ଚ, ଶକ୍ତି ଏବଂ ଅନ୍ୟାନ୍ୟ ମାପଦଣ୍ଡ ସମ୍ବନ୍ଧରେ ଅନେକ ସଫଳ କାହାଣୀ ଆଣିଛି । କିନ୍ତୁ, ଏକ୍ସେଲେରେଟର ଆଧାରିତ କମ୍ପ୍ୟୁଟିଂ କମ୍ପ୍ୟୁଟିଂରେ ସିପିୟୁର ଭୂମିକାକୁ ଯଥେଷ୍ଟ ହ୍ରାସ କରିଛି । ଯେହେତୁ CPU ଗୁଡିକ ବିକଶିତ ହେଉଛି ଏବଂ ସମାନ କମ୍ପ୍ୟୁଟେସନାଲ ରିସୋର୍ସ ପ୍ରଦାନ କରୁଛି, ତେଣୁ କମ୍ପ୍ୟୁଟରରେ CPU ଗୁଡିକୁ ମଧ୍ୟ ଅନ୍ତର୍ଭୁକ୍ତ କରିବା ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । ଆମେ ଏହାକୁ ହାଇବ୍ରିଡ୍ କମ୍ପ୍ୟୁଟିଂ ମଡେଲ କହୁଛୁ । ବାସ୍ତବରେ, ବର୍ତ୍ତମାନ ଯୁଗର ଅଧିକାଂଶ କମ୍ପ୍ୟୁଟର ସିଷ୍ଟମରେ ଏକ ପ୍ରକାରର ଭିନ୍ନତା ନାହିଁ ଏବଂ ତେଣୁ ଏହିପରି ଏକ ମଡେଲ ସମ୍ପୂର୍ଣ୍ଣ ସ୍ୱାଭାବିକ । ଆମେ ଲି ଆଦିଙ୍କ ଦ୍ୱାରା ପ୍ରକାଶିତ ଏକ ପତ୍ରିକାର ଦାବିକୁ ପୁନଃ ମୂଲ୍ୟାଙ୍କନ କରୁଛୁ । (ଆଇଏସସିଏ ୨୦୧୦) । ଆମେ ଯୁକ୍ତି କରୁଛୁ ଯେ ଲି ଆଦିଙ୍କ ଠାରୁ ଉପୁଜୁଥିବା ପ୍ରଶ୍ନ ହିଁ ଠିକ୍ । (ISCA 2010) ସିପିୟୁ+ଜିପିୟୁ ପ୍ଲାଟଫର୍ମକୁ କିପରି ଦକ୍ଷତାର ସହ ବ୍ୟବହାର କରାଯିବ, ଏହା ପରିବର୍ତ୍ତେ ସିପିୟୁ କିମ୍ବା ଜିପିୟୁକୁ ଏକାକୀ ବ୍ୟବହାର କରିବା ଉଚିତ କି ନୁହେଁ । ଏଥିପାଇଁ ଆମେ ବିଭିନ୍ନ ପ୍ରକାରର ୧୩ଟି କାର୍ଯ୍ୟଭାର ସହିତ ପରୀକ୍ଷଣ କରୁଛୁ, ଯେଉଁଥିରେ ଡାଟାବେସ, ଇମେଜ ପ୍ରୋସେସିଂ, ସ୍ପାର୍ସ ଏବଂ ମ୍ୟାଟ୍ରିକ୍ସ କର୍ଣ୍ଣଲ ଏବଂ ଗ୍ରାଫ ସାମିଲ ଅଛି । ଆମେ ଦୁଇଟି ଭିନ୍ନ ଭିନ୍ନ ହାଇବ୍ରିଡ୍ ପ୍ଲାଟଫର୍ମ ସହିତ ପରୀକ୍ଷଣ କରୁଛୁ: ଗୋଟିଏ 6-C ମୌଳିକ ଇଣ୍ଟେଲ୍ i7-980X CPU ଏବଂ NVidia Tesla T10 GPU, ଏବଂ ଅନ୍ୟଟି ଇଣ୍ଟେଲ୍ E7400 ଡୁଆଲ୍ କୋର୍ CP U ସହିତ NVidia GT520 GPU । ଏହି ଦୁଇଟି ପ୍ଲାଟଫର୍ମରେ ଆମେ ଦେଖାଇଛୁ ଯେ ହାଇବ୍ରିଡ୍ ସମାଧାନ ସିପିୟୁ କିମ୍ବା ଜିପିୟୁ ସମାଧାନ ଅପେକ୍ଷା ଭଲ ବିଜ୍ଞାପନ ସୁବିଧା ପ୍ରଦାନ କରେ । ଏହି ଦୁଇଟି ପ୍ଲାଟଫର୍ମରେ, ଆମେ ମଧ୍ୟ ଦେଖାଇଛୁ ଯେ ଆମର ସମାଧାନ ହେଉଛି ହାରାହାରି ୯୦% ସମ୍ବଳ ଦକ୍ଷତା । ଆମର କାର୍ଯ୍ୟରୁ ଏହା ଜଣାପଡ଼ୁଛି ଯେ ହାଇବ୍ରିଡ୍ କମ୍ପ୍ୟୁଟିଂ କେବଳ ଗବେଷଣା ସ୍ତରର ପ୍ଲାଟଫର୍ମ ନୁହେଁ ବରଂ ଅଧିକ ବାସ୍ତବିକ ସ୍ତରର yst ms ରେ ମଧ୍ୟ ବୃହତ ସ୍ତରର ଉପଭୋକ୍ତା ସମୁଦାୟକୁ ଯଥେଷ୍ଟ ପରିମାଣର କାର୍ଯ୍ୟଦକ୍ଷତା ଏବଂ ଉତ୍ସ ଦକ୍ଷତା ସହିତ ବିପୁଳ ଲାଭ ପ୍ରଦାନ କରିପାରିବ । |
4ad35158e11f8def2ba3c389df526f5664ab5d65 | |
58a34752553d41133f807ee37a6796c5193233f2 | ଯୋଗାଯୋଗ ନେଟୱାର୍କର ଅତ୍ୟଧିକ ବ୍ୟବହାର, ଇଣ୍ଟରନେଟ ଅଫ୍ ଥିଙ୍ଗ୍ସର ବୃଦ୍ଧି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଏବଂ ଗୁପ୍ତ ସୂଚନା ପ୍ରତି ଦୁର୍ବଳତାକୁ ବୃଦ୍ଧି କରିଥାଏ । ଆକ୍ରମଣକାରୀମାନଙ୍କ ସଂଖ୍ୟା ଏବଂ ଆକ୍ରମଣର କୌଶଳ ବ୍ୟାପକ ଭାବେ ବୃଦ୍ଧି ପାଉଛି । ଇଣ୍ଟରନେଟ ପାଇଁ ଅନୁପ୍ରବେଶ ଏକ ପ୍ରମୁଖ ବିପଦ । ତେଣୁ ସୁରକ୍ଷା ପ୍ରସଙ୍ଗ ଏକ ବଡ଼ ସମସ୍ୟା ଥିଲା, ତେଣୁ ବିଭିନ୍ନ କୌଶଳ ଏବଂ ଆଭିମୁଖ୍ୟ ଉପସ୍ଥାପନ କରାଯାଇଛି ଯାହା ଅନୁପ୍ରବେଶ ଚିହ୍ନଟ ବ୍ୟବସ୍ଥାର ସୀମିତତାକୁ ଦୂର କରିଥାଏ ଯେପରିକି ନିମ୍ନ ସଠିକତା, ଉଚ୍ଚ ମିଥ୍ୟା ଆଲାର୍ମ ହାର ଏବଂ ସମୟସାପେକ୍ଷ । ଏହି କାଗଜରେ ନେଟୱର୍କ ଇନଟ୍ରୁସନ ଚିହ୍ନଟ ପାଇଁ ଏକ ହାଇବ୍ରିଡ ମେସିନ ଲର୍ଣ୍ଣିଂ କୌଶଳ ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । ଏହା ଏକ ହାଇବ୍ରିଡ୍ ଆଭିମୁଖ୍ୟକୁ ପ୍ରବର୍ତ୍ତନ କରୁଛି ଯାହା ମିଥ୍ୟା ପଜିଟିଭ୍ ଆଲାର୍ମ ହାର, ମିଥ୍ୟା ନେଗେଟିଭ୍ ଆଲାର୍ମ ହାରକୁ ହ୍ରାସ କରିବାରେ ସକ୍ଷମ, ଚିହ୍ନଟ ହାରକୁ ଉନ୍ନତ କରିବା ଏବଂ ଶୂନ୍ୟ-ଦିନ ଆକ୍ରମଣକାରୀଙ୍କୁ ଚିହ୍ନଟ କରିବାରେ ସକ୍ଷମ । ପ୍ରସ୍ତାବିତ କୌଶଳ ପାଇଁ ଏନଏସଏଲ-କେଡିଡି ଡାଟାସେଟର ବ୍ୟବହାର କରାଯାଇଛି । ଏହି ଶ୍ରେଣୀକରଣ କ୍ରମିକ ସର୍ବନିମ୍ନ ଅନୁକୂଳନ ବ୍ୟବହାର କରି କରାଯାଇଛି । ପ୍ରସ୍ତାବିତ ହାଇବ୍ରିଡ ମେସିନ ଲର୍ଣ୍ଣିଂ କୌଶଳ ଉପରେ ତାଲିମ ଏବଂ ପରୀକ୍ଷଣ ପରେ, ଫଳାଫଳ ଦର୍ଶାଇଛି ଯେ ପ୍ରସ୍ତାବିତ କୌଶଳ (କେ-ମେନ + ଏସଏମଓ) ଦ୍ୱାରା ସକାରାତ୍ମକ ଚିହ୍ନଟ ହାର (94.48%) ହାସଲ କରାଯାଇଛି ଏବଂ ମିଥ୍ୟା ଆଲାର୍ମ ହାରକୁ (1.2%) ହ୍ରାସ କରାଯାଇଛି ଏବଂ ସଠିକତା (97.3695%) ହାସଲ କରାଯାଇଛି । |
8711a402d3b4e9133884116e5aaf6931c86ae46b | |
e2cf35d4235896ab823baf1a3801b67af2203cde | ଇଣ୍ଟରନେଟରେ ବହୁ ସଂଖ୍ୟାରେ ମାଗଣା ପାଠ୍ୟ ଉପଲବ୍ଧ ଥିବାରୁ ପ୍ରଶ୍ନ ଉତ୍ତର ପ୍ରଣାଳୀ ପାଇଁ ଉତ୍ତରର ସଠିକତା ବର୍ତ୍ତମାନ ଅତ୍ୟନ୍ତ ଜରୁରୀ ହୋଇପଡ଼ିଛି । ଉଚ୍ଚ ସଠିକତା ହାସଲ କରିବା ପାଇଁ ଆମେ ଏକ ପ୍ରଶ୍ନ ଉତ୍ତର ବ୍ୟବସ୍ଥା ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା କେସ୍ ଗ୍ରାମ୍ମା ତତ୍ତ୍ୱ ଦ୍ୱାରା ସମର୍ଥିତ ଏବଂ ଭର୍ଭନେଟ୍ ଫ୍ରେମ୍ ଉପରେ ଆଧାରିତ । ପ୍ରଶ୍ନରୁ ବାକ୍ୟର ଅର୍ଥ, ବିଷୟବସ୍ତୁ ଏବଂ ଅର୍ଥ ସମ୍ବନ୍ଧୀୟ ସୂଚନା ବାହାର କରି ବାକ୍ୟର ଅର୍ଥରେ ଅସନ୍ତୁଳିତ ବାକ୍ୟଗୁଡ଼ିକୁ ବାହାର କରିବା ଏବଂ ଉତ୍ତର ବାକ୍ୟରୁ ଉତ୍ତର ଖଣ୍ଡ (ଏକ ବାକ୍ୟ ବା ଶବ୍ଦ ଯାହା ପ୍ରଶ୍ନର ଉତ୍ତର ଦେଇପାରେ) ବାହାର କରିବା । ଆମ ସିଷ୍ଟମରେ VerbNet ପ୍ରୟୋଗ କରାଯାଇଥାଏ, ଯାହାଦ୍ୱାରା ପ୍ରଶ୍ନର କ୍ରିୟା ଫ୍ରେମ୍ ଏବଂ ପ୍ରାର୍ଥୀ ବାକ୍ୟଗୁଡିକୁ ଚିହ୍ନଟ କରାଯାଇପାରିବ, ଯାହାଦ୍ୱାରା ବାକ୍ୟର ବିନ୍ୟାସ ଏବଂ ବିଷୟଗତ ସୂଚନା ସହିତ ଅର୍ଥଗତ ସୂଚନା ମଧ୍ୟ ପ୍ରାପ୍ତ କରାଯାଇପାରିବ । ଆମର ପ୍ରଶ୍ନ ଉତ୍ତର ବ୍ୟବସ୍ଥା ବିଶେଷ କରି ବାସ୍ତବ ପ୍ରଶ୍ନର ଉତ୍ତର ଦେବା ପାଇଁ ଭଲ କାମ କରେ । ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ ଆମର ଆଭିମୁଖ୍ୟ ଅର୍ଥଗତ ଭାବରେ ଅସଙ୍ଗତ ବାକ୍ୟଗୁଡ଼ିକୁ ପ୍ରଭାବଶାଳୀ ଭାବରେ ଫିଲ୍ଟର୍ କରିପାରିବ ଏବଂ ତେଣୁ ସଠିକ୍ ଉତ୍ତରକୁ ଫଳାଫଳ ତାଲିକାରେ ଉଚ୍ଚରେ ସ୍ଥାନିତ କରିପାରିବ । |
2ede6a685ad9b58f2090b01ce1e3f86e42aeda7e | ରିଆନଫୋର୍ସମେଣ୍ଟ ଲର୍ଣ୍ଣିଂ ରୋବୋଟିକ ମୋସନ କୌଶଳ ଗୁଡିକୁ ସ୍ୱୟଂଚାଳିତ ଭାବେ ହାସଲ କରିବା ପାଇଁ ଏକ ଶକ୍ତିଶାଳୀ ଏବଂ ନମନୀୟ ଢାଞ୍ଚା ପ୍ରଦାନ କରିଥାଏ । ତେବେ, ରିଏନଫୋର୍ସମେଣ୍ଟ ଲର୍ଣ୍ଣିଂ ପ୍ରୟୋଗ କରିବା ପାଇଁ କାର୍ଯ୍ୟ-ସମ୍ବନ୍ଧୀୟ ବସ୍ତୁଗୁଡ଼ିକର ବିନ୍ୟାସ ସହିତ, ରାଜ୍ୟଗୁଡ଼ିକର ଏକ ଯଥେଷ୍ଟ ବିସ୍ତୃତ ପ୍ରତିନିଧିତ୍ୱ ଆବଶ୍ୟକ କରେ । ଆମେ ଏକ ଉପାୟ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା କ୍ୟାମେରା ଚିତ୍ରରୁ ସିଧାସଳଖ ଏକ ରାଜ୍ୟ ପ୍ରତିନିଧିତ୍ୱ ଶିଖି ରାଜ୍ୟ-ମହକାଶ ନିର୍ମାଣକୁ ସ୍ୱୟଂଚାଳିତ କରିଥାଏ । ଆମର ପଦ୍ଧତି ଏକ ଗଭୀର ଆଭ୍ୟନ୍ତରୀଣ ଅଟୋଏନକୋଡର ବ୍ୟବହାର କରେ ଯାହା ଦ୍ବାରା ଆମେ ଏକ ସେଟ୍ ଫିଚର ପଏଣ୍ଟ ପାଇଥାଉ ଯାହା ବର୍ତ୍ତମାନ କାର୍ଯ୍ୟ ପାଇଁ ପରିବେଶକୁ ବର୍ଣ୍ଣନା କରେ, ଯେପରିକି ବସ୍ତୁର ସ୍ଥିତି, ଏବଂ ତାପରେ ସ୍ଥାନୀୟ ରେଖାଗତ ମଡେଲ ଉପରେ ଆଧାରିତ ଏକ ଦକ୍ଷ ରିଆନ୍ସମେଣ୍ଟ ଲର୍ଣ୍ଣିଂ ପଦ୍ଧତି ବ୍ୟବହାର କରି ଏହି ଫିଚର ପଏଣ୍ଟ ସହିତ ଏକ ମୋସନ୍ କୌଶଳ ଶିଖିଥାଏ । ଏହାଦ୍ୱାରା ପ୍ରସ୍ତୁତ ହୋଇଥିବା ନିୟନ୍ତ୍ରକ କ୍ରମାଗତ ଭାବରେ ଶିଖିଥିବା ବୈଶିଷ୍ଟ୍ୟ ବିନ୍ଦୁ ଉପରେ ପ୍ରତିକ୍ରିୟା କରିଥାଏ, ଯାହାଦ୍ୱାରା ରୋବଟକୁ ଦୁନିଆରେ ବସ୍ତୁଗୁଡ଼ିକୁ ଗତିଶୀଳ ଭାବରେ ବନ୍ଦ ଲୁପ୍ ନିୟନ୍ତ୍ରଣ ସହିତ ପରିଚାଳନା କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ଆମେ ଆମର ପ୍ରଣାଳୀକୁ PR2 ରୋବର୍ଟ ସହିତ ପ୍ରଦର୍ଶନ କରିଛୁ ଯେଉଁଥିରେ ଏକ ମୁକ୍ତ ଖେଳନା ବ୍ଲକକୁ ଠେଲିଦେବା, ଏକ ସ୍ପାତୁଲ ବ୍ୟବହାର କରି ଏକ ଚାଉଳ ବ୍ୟାଗ ଉଠାଇବା ଏବଂ ବିଭିନ୍ନ ସ୍ଥାନରେ ଏକ ହୁକ ଉପରେ ଏକ ଲୁପ୍ ରାଇପ୍ ଟାଙ୍ଗିବା ଆଦି କାର୍ଯ୍ୟ ଅନ୍ତର୍ଭୁକ୍ତ । ପ୍ରତ୍ୟେକ କାର୍ଯ୍ୟରେ, ଆମର ପଦ୍ଧତି ସ୍ୱୟଂଚାଳିତ ଭାବରେ କାର୍ଯ୍ୟ ସମ୍ବନ୍ଧୀୟ ବସ୍ତୁଗୁଡ଼ିକୁ ଟ୍ରାକ୍ କରିବା ଶିଖେ ଏବଂ ରୋବର୍ଟର ବାହୁ ସହିତ ସେମାନଙ୍କର ସଂରଚନାକୁ ପରିଚାଳନା କରେ । |
36a5f8e1c3ad330d321ccf5b9943c1f5fe23de74 | ଶିକ୍ଷଣ ତତ୍ତ୍ବ ଏବଂ ଶିକ୍ଷଣ ଡିଜାଇନ କ୍ଷେତ୍ରରେ ବୈଜ୍ଞାନିକ ବିପ୍ଳବ ଘଟିଛି ଯେଉଁଥିରେ ସେମାନଙ୍କର ବସ୍ତୁବାଦୀ ଦାର୍ଶନିକ ମୂଳଦୁଆକୁ ଏକ ଗଠନମୂଳକ ଜ୍ଞାନକୌଶଳ ଦ୍ୱାରା ବଦଳାଯାଉଛି । ଏହି ଲେଖାରେ ଗଠନମୂଳକ ଜ୍ଞାନକୌଶଳର ଅନୁମାନକୁ ବର୍ଣ୍ଣନା କରାଯାଇଛି, ଏହାକୁ ଅବଜେକ୍ଟିଭିଷ୍ଟ ଅନୁମାନ ସହିତ ତୁଳନା କରାଯାଇଛି ଏବଂ ତା ପରେ ଦୂରରୁ ଗଠନମୂଳକ ଶିକ୍ଷାକୁ ସମର୍ଥନ କରୁଥିବା ଶିକ୍ଷାଦାନ ପ୍ରଣାଳୀ ବର୍ଣ୍ଣନା କରାଯାଇଛି ଦୂର ଶିକ୍ଷା ପ୍ରଯୁକ୍ତିର ସୀମିତତା ଜୀବନ୍ତ ମୁହାଁମୁହିଁ ଶିକ୍ଷାକୁ ପୂରଣ କରିବା କିମ୍ବା ବଦଳାଇବା ପାଇଁ ପ୍ରୟାସରେ, ଟେକ୍ନୋଲୋଜି ମାଧ୍ୟମରେ ଦୂର ଶିକ୍ଷା ପ୍ରାୟତ କେବଳ ଅଦରକାରୀ ପଦ୍ଧତିର ନକଲ କରିଛି ଯାହା ମୁହାଁମୁହିଁ ଶ୍ରେଣୀଗୃହରେ ଶିକ୍ଷାକୁ ସୀମିତ କରିଥାଏ (ଟୁରଫ୍ ୧୯୯୫) । ବହୁ ସମୟରେ, ଦୂରବର୍ତ୍ତୀ ସ୍ଥାନର ଛାତ୍ରଛାତ୍ରୀମାନଙ୍କୁ ଏକତରଫା ବକ୍ତୃତା ପ୍ରଦାନ କରିବା ପାଇଁ ସମ୍ଭାବ୍ୟ ପାରସ୍ପରିକ କୌଶଳ ବ୍ୟବହାର କରାଯାଇଥାଏ । କିନ୍ତୁ ଆମେ ବିଶ୍ୱାସ କରୁ ଯେ ଶ୍ରେଣୀରେ ସବୁଠାରୁ ମୂଲ୍ୟବାନ କାର୍ଯ୍ୟ ହେଉଛି ଛାତ୍ରଛାତ୍ରୀଙ୍କ ପାଇଁ ଏକତ୍ର କାର୍ଯ୍ୟ କରିବା ଏବଂ ପରସ୍ପର ସହିତ କଥାବାର୍ତ୍ତା କରିବା ଏବଂ ବିଦ୍ୱାନ ଓ ପ୍ରାକ୍ଟିସନର ଏକ ଗୋଷ୍ଠୀ ଗଠନ କରିବା ଓ ଏହାର ଅଂଶ ହେବା (ସେଲ୍ଫ ଓ ଇଲୋଲା ୧୯୮୯; ବେଟ୍ସ ୧୯୯୦; ସିଟନ୍ ୧୯୯୩; ନଲେ ୧୯୯୫) । ଏକ ଉତ୍ତମ ଶିକ୍ଷଣ ଅଭିଜ୍ଞତା ହେଉଛି ଏପରି ଏକ ଅଭିଜ୍ଞତା ଯେଉଁଥିରେ ଜଣେ ଛାତ୍ର "ନୂଆ ଜ୍ଞାନ ଏବଂ କୌଶଳକୁ ମାଷ୍ଟର କରିପାରିବ, ତର୍ଜମା କରିପାରିବ, ଅନୁମାନ ଏବଂ ବିଶ୍ୱାସକୁ ପରୀକ୍ଷା କରିପାରିବ ଏବଂ ଜ୍ଞାନ ଏବଂ ବ୍ୟକ୍ତିଗତ, ସାମଗ୍ରୀକ ବିକାଶ ପାଇଁ ଏକ ଶକ୍ତିଶାଳୀ, ସହଯୋଗୀ ସନ୍ଧାନରେ ନିୟୋଜିତ ହୋଇପାରିବ" (ଇଷ୍ଟମଣ୍ଡ ଏବଂ ଜିଗହାନ୍ 1995, 59) । ଦୂରଶିକ୍ଷାରେ ବ୍ୟବହୃତ ପ୍ରଯୁକ୍ତି ବିଦ୍ୟା ଶିକ୍ଷକ-କେନ୍ଦ୍ରିତ ବକ୍ତୃତା ଓ ପ୍ରଦର୍ଶନକୁ ପ୍ରସାରଣ କରିବା ପରିବର୍ତ୍ତେ ଏକ "ବିସ୍ତୃତ ଶ୍ରେଣୀଗୃହ ମଡେଲ"ରେ ଏହି "ଭଲ ଶିକ୍ଷଣ ଅଭିଜ୍ଞତା"କୁ ସୁଗମ କରିବା ଉଚିତ (ବର୍ଗ ଏବଂ ରବର୍ଟସ, 1993) । ଏହି ଲକ୍ଷ୍ୟ ହାସଲ କରିବାରେ ଏକ ପ୍ରମୁଖ ବାଧକ ହେଉଛି ବହୁ ଶିକ୍ଷକ ଓ ଶିକ୍ଷଣ ଡିଜାଇନରମାନେ ଦୂରଶିକ୍ଷା ପାଇଁ ପାରମ୍ପରିକ ପୃଷ୍ଠଭୂମିରୁ ଆସନ୍ତି, ସେମାନେ ନିଜ ସହିତ ଶିକ୍ଷାଦାନ ଓ ଶିକ୍ଷଣ ବିଷୟରେ ଏପରି ଧାରଣା ଆଣିଥାନ୍ତି ଯାହା ତତ୍ତ୍ୱ-ଆଧାରିତ ନୁହେଁ ଏବଂ ପ୍ରଯୁକ୍ତିଭିତ୍ତିକ କିମ୍ବା ମାଧ୍ୟମ ଶିକ୍ଷଣରେ ଭଲ ଭାବରେ ଅନୁବାଦ ହୋଇନଥାଏ (Schieman, Taere, and McLaren 1992) । |
5978ca8e9fdf4b900b72871a0c1e6de28294dd08 | |
0c7b67dcf86af3eb2ca4c19a713ce615e17343ab | ଏହି କ୍ଷେତ୍ରରେ ପ୍ରାରମ୍ଭିକ କାଗଜପତ୍ରର ନାମକରଣ ଉପରେ ଆଧାର କରି ଆମେ ଏକ ପରିଭାଷା ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଉଭୟ ଅଭିବ୍ୟକ୍ତିକର ଏବଂ ସଠିକ । ବିଶେଷକରି, ଆମେ ଅଜ୍ଞାତ, ଅଲିଙ୍କନୀୟ, ଅଦୃଶ୍ୟ, ଏବଂ ଛଦ୍ମନାମ (ଛଦ୍ମନାମ ଏବଂ ଡିଜିଟାଲ ଛଦ୍ମନାମ, ଏବଂ ସେମାନଙ୍କର ଗୁଣ) କୁ ପରିଭାଷିତ କରୁ । ଆମେ ଆଶା କରୁଛୁ ଯେ ଏହି ପରିଭାଷା ଗ୍ରହଣ କରିବା ଦ୍ୱାରା ଏହି କ୍ଷେତ୍ରରେ ଉନ୍ନତ ପ୍ରଗତି ହାସଲ କରିବାରେ ସାହାଯ୍ୟ ମିଳିପାରିବ, କାରଣ ପ୍ରତ୍ୟେକ ଗବେଷକଙ୍କୁ ନିଜସ୍ୱ ଭାଷା ଉଦ୍ଭାବନ କରିବାକୁ ପଡିବ ନାହିଁ । ଅବଶ୍ୟ ପ୍ରତ୍ୟେକ ଦସ୍ତାବିଜରେ ଅତିରିକ୍ତ ଶବ୍ଦାବଳୀ ଆବଶ୍ୟକ ହେବ, ଯାହାକୁ ଏଠାରେ ପରିଭାଷିତ ଶବ୍ଦାବଳୀରେ ଲଗାତାର ଭାବରେ ଯୋଡ଼ାଯାଇପାରିବ । |
af5a56f7d392e7c0c720f8600a5a278d132114ca | ଏହି ପତ୍ରରେ 74 ଟି ଅବଦାନର ବର୍ଗୀକରଣ ଏବଂ ବିଶ୍ଳେଷଣ ଉପରେ ଆଧାର କରି ପୁନଃବିଚାର ପ୍ରକଳ୍ପ ପରିଚାଳନା (RPM) ସାହିତ୍ୟର ଏକ ଗଠନମୂଳକ ସମୀକ୍ଷାର ଫଳାଫଳ ଉପସ୍ଥାପନ କରାଯାଇଛି ଏବଂ ଏହା ସହିତ ଏହି ସାହସୀ ନୂତନ ଦୁନିଆ ଉପରେ ଏକ ସମାଲୋଚନାମୂଳକ ଦୃଷ୍ଟି ପକାଇଛି । ଏହି ବିଶ୍ଳେଷଣ ମାଧ୍ୟମରେ ମୋଟ 6ଟି ପ୍ରମୁଖ ଶ୍ରେଣୀ ବାହାରିଲା: ପ୍ରସଙ୍ଗିକରଣ, ସାମାଜିକ ଏବଂ ରାଜନୈତିକ ଦିଗ, କାର୍ଯ୍ୟପଦ୍ଧତିର ପୁନର୍ବିଚାର, ଜଟିଳତା ଏବଂ ଅନିଶ୍ଚିତତା, ପ୍ରକଳ୍ପର ବାସ୍ତବତା ଏବଂ ବ୍ୟାପକ ଧାରଣା । ଏହି ଶ୍ରେଣୀଗୁଡିକରେ ପ୍ରକଳ୍ପ ପରିଚାଳନା ଉପରେ ବିଭିନ୍ନ ଓ ବିକଳ୍ପ ଦୃଷ୍ଟିକୋଣ ସହିତ ବିଭିନ୍ନ ପ୍ରକାରର ଅବଦାନ ରହିଛି । ଆରପିଏମ୍ ଉପରେ ପ୍ରାଥମିକ ସାହିତ୍ୟ ୧୯୮୦ ଦଶକରୁ ଆରମ୍ଭ ହୋଇଥିଲା, ଯେତେବେଳେ କି ଅଧିକାଂଶ ୨୦୦୬ରେ ପ୍ରକାଶିତ ହୋଇଥିଲା ଏବଂ ଗବେଷଣା ଧାରା ଏବେ ମଧ୍ୟ ସକ୍ରିୟ ଥିବା ଜଣାପଡ଼ୁଛି । ଏହି ନୂଆ ଦୁନିଆକୁ ଏକ ସମାଲୋଚନାତ୍ମକ ଦୃଷ୍ଟିରେ ଦେଖିବା ଦ୍ୱାରା ଆରପିଏମ୍ ର ବ୍ୟାପକ ପ୍ରସାର ଓ ଗ୍ରହଣୀୟତା ପାଇଁ ସାମଗ୍ରିକ ଆହ୍ୱାନକୁ ଦର୍ଶାଇଥାଏ । © ୨୦୧୪ ଏଲ୍ସେଭିୟର ଲିମିଟେଡ୍ ଏପିଏମ ଏବଂ ଆଇପିଏମଏ । ସମସ୍ତ ଅଧିକାର ସଂରକ୍ଷିତ. |
3000e77ed7282d9fb27216f3e862a3769119d89e | କ୍ଲାଉଡ୍ କମ୍ପ୍ୟୁଟିଂ ବ୍ୟବହାରକାରୀଙ୍କ ପାଇଁ ନମନୀୟତା ଏବଂ ଉଚ୍ଚ କାର୍ଯ୍ୟଦକ୍ଷତା ଏବଂ ଅପରେଟରମାନଙ୍କ ପାଇଁ ଉଚ୍ଚ ମୂଲ୍ୟ-ଦକ୍ଷତା ପ୍ରତିଜ୍ଞା କରେ । ତଥାପି, ଅଧିକାଂଶ କ୍ଲାଉଡ୍ ସୁବିଧା ବହୁତ କମ୍ ଉପଯୋଗରେ କାର୍ଯ୍ୟ କରିଥାଏ, ଉଭୟ ବ୍ୟୟ-ପ୍ରଭାବ ଏବଂ ଭବିଷ୍ୟତର ମାପନୀୟତା ଉପରେ କ୍ଷତି ପହଞ୍ଚାଇଥାଏ । ଆମେ କ୍ୱାସାରକୁ ଉପସ୍ଥାପନ କରୁଛୁ, ଯାହାକି ଏକ କ୍ଲଷ୍ଟର ପରିଚାଳନା ପ୍ରଣାଳୀ ଯାହା ଆପ୍ଲିକେସନକୁ ଉଚ୍ଚ କାର୍ଯ୍ୟଦକ୍ଷତା ପ୍ରଦାନ କରିବା ସମୟରେ ସମ୍ବଳର ଉପଯୋଗକୁ ବୃଦ୍ଧି କରିଥାଏ । କ୍ୱାସାର ତିନୋଟି କୌଶଳ ବ୍ୟବହାର କରେ । ପ୍ରଥମତଃ, ଏହା ସମ୍ବଳ ସଂରକ୍ଷଣ ଉପରେ ନିର୍ଭର କରେ ନାହିଁ, ଯାହା ବ୍ୟବହାରକାରୀଙ୍କ କାର୍ଯ୍ୟଭାର ଗତିଶୀଳତା ଏବଂ ଜଟିଳ କୋଡ୍ ଆଧାରର ଭୌତିକ ସମ୍ବଳ ଆବଶ୍ୟକତାକୁ ବୁଝିବା ଆବଶ୍ୟକ ନଥିବାରୁ ଏହା ଅଳ୍ପ ବ୍ୟବହାରକୁ ନେଇଥାଏ । ଏହା ବଦଳରେ, ବ୍ୟବହାରକାରୀମାନେ ପ୍ରତ୍ୟେକ କାର୍ଯ୍ୟଭାର ପାଇଁ କାର୍ଯ୍ୟଦକ୍ଷତା ପ୍ରତିବନ୍ଧକ ପ୍ରକାଶ କରନ୍ତି, କ୍ୱାସାରକୁ ଯେକୌଣସି ସମୟରେ ଏହି ପ୍ରତିବନ୍ଧକଗୁଡ଼ିକୁ ପୂରଣ କରିବା ପାଇଁ ସଠିକ୍ ପରିମାଣର ଉତ୍ସ ନିର୍ଣ୍ଣୟ କରିବାକୁ ଦିଅନ୍ତି । ଦ୍ୱିତୀୟରେ, କ୍ୱାସାର ଦ୍ରୁତ ଗତିରେ ଏବଂ ସଠିକ ଭାବରେ ନିର୍ଣ୍ଣୟ କରିବା ପାଇଁ ବର୍ଗୀକରଣ କୌଶଳ ବ୍ୟବହାର କରେ ଯେ ପ୍ରତ୍ୟେକ କାର୍ଯ୍ୟଭାର ଏବଂ ଡାଟାସେଟ୍ ପାଇଁ ସମ୍ବଳର ପରିମାଣ (ସ୍କେଲ-ଆଉଟ୍ ଏବଂ ସ୍କେଲ-ଅପ୍), ସମ୍ବଳର ପ୍ରକାର, ଏବଂ କାର୍ଯ୍ୟଦକ୍ଷତା ଉପରେ ହସ୍ତକ୍ଷେପ କିପରି ପ୍ରଭାବ ପକାଇଥାଏ । ତୃତୀୟତଃ, ଏହା ମିଳିତ ଭାବେ ସମ୍ବଳ ଆବଣ୍ଟନ ଏବଂ କାର୍ଯ୍ୟ ସମ୍ପାଦନ କରିବା ପାଇଁ ଶ୍ରେଣୀକରଣ ଫଳାଫଳକୁ ବ୍ୟବହାର କରିଥାଏ, ଉପଲବ୍ଧ ସମ୍ବଳ ଉପରେ କାର୍ଯ୍ୟଭାରକୁ ପ୍ୟାକ୍ କରିବାର ଏକ ଦକ୍ଷ ଉପାୟ ପାଇଁ ବିକଳ୍ପର ବୃହତ ସ୍ଥାନକୁ ଶୀଘ୍ର ଅନୁସନ୍ଧାନ କରିଥାଏ । କ୍ୱାସାର କାର୍ଯ୍ୟଭାରର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ନିରୀକ୍ଷଣ କରିଥାଏ ଏବଂ ଆବଶ୍ୟକ ସ୍ଥଳେ ସମ୍ବଳ ଆବଣ୍ଟନ ଏବଂ ଆସାଇନମେଣ୍ଟକୁ ସଠିକ କରିଥାଏ । ଆମେ କ୍ୱାସାରକୁ ବିଭିନ୍ନ ପ୍ରକାରର କାର୍ଯ୍ୟଭାର ଦୃଶ୍ୟପଟ୍ଟରେ ମୂଲ୍ୟାଙ୍କନ କରିଥାଉ, ଯେଉଁଥିରେ ବିତରିତ ଆନାଲିଟିକ୍ସ ଫ୍ରେମୱାର୍କର ମିଶ୍ରଣ ଏବଂ କମ ଲେଟେନସି, ଷ୍ଟେଟଫୁଲ ସେବା, ଉଭୟ ସ୍ଥାନୀୟ କ୍ଲଷ୍ଟର ଏବଂ ଉତ୍ସର୍ଗୀକୃତ EC2 ସର୍ଭରର କ୍ଲଷ୍ଟରରେ । ସ୍ଥାୟୀ ଅବସ୍ଥାରେ, କ୍ୱାସାର 200 ସର୍ଭର EC2 କ୍ଲଷ୍ଟରରେ 47% ସମ୍ବଳ ବ୍ୟବହାରରେ ଉନ୍ନତି ଆଣେ, ସମସ୍ତ ପ୍ରକାରର କାର୍ଯ୍ୟଭାର ପାଇଁ କାର୍ଯ୍ୟଦକ୍ଷତା ପ୍ରତିବନ୍ଧକକୁ ପୂରଣ କରିବାବେଳେ । |
1c667ca4a83b3db5f7b8bbf8d8ee6e5c2da5c3b9 | |
1a2c6843b9e781f2f77e875f3d073ab686f6fae3 | ବିଭିନ୍ନ ପ୍ରକାରର ଡାଟାବେସ୍ ସହିତ ବିଭକ୍ତ ଭୌଗୋଳିକ ପ୍ରୟୋଗରେ, ତଥ୍ୟ ଏକୀକରଣ ପାଇଁ ଏକ ଅନ୍ଟୋଲୋଜି-ଚାଳିତ ଆଭିମୁଖ୍ୟ ଏକ ବିଶ୍ୱ ଅନ୍ଟୋଲୋଜିର ଧାରଣାକୁ ସମାନ କରିବା ଉପରେ ନିର୍ଭର କରେ ଯାହା ଡୋମେନ୍ କୁ ବର୍ଣ୍ଣନା କରେ, ଅନ୍ଟୋଲୋଜିର ଧାରଣା ସହିତ ଯାହା ବଣ୍ଟିତ ଡାଟାବେସରେ ତଥ୍ୟକୁ ବର୍ଣ୍ଣନା କରେ _ ଥରେ ବିଶ୍ୱସ୍ତରୀୟ ଅନ୍ୱେଷଣ ଓ ପ୍ରତ୍ୟେକ ବଣ୍ଟିତ ଅନ୍ୱେଷଣ ମଧ୍ୟରେ ସମନ୍ୱୟ ସ୍ଥାପିତ ହୋଇଗଲେ, ବିଭିନ୍ନ ଧାରଣା ମଧ୍ୟରେ ବିଭିନ୍ନ ମାନଚିତ୍ରକୁ ସଂରଚନା କରୁଥିବା ରାଜିନାମା ପ୍ରାପ୍ତ ହୁଏ । ଏହି ଉପାୟରେ, ବ୍ୟବହାରକାରୀମାନେ ଏକକ ପ୍ରଶ୍ନ ବ୍ୟବହାର କରି ଶହ ଶହ ଭୂସ୍ଥାନିକ ଡାଟାବେସକୁ ପ୍ରଶ୍ନ କରିପାରିବେ । ଆମର ଏହି ଆଭିମୁଖ୍ୟକୁ ବ୍ୟବହାର କରି, ପ୍ରଶ୍ନ ପଚାରିବା ସହଜରେ ନୂତନ ତଥ୍ୟ ଉତ୍ସ ଏବଂ ତେଣୁ ନୂତନ ଅଞ୍ଚଳକୁ ବିସ୍ତାର କରାଯାଇପାରିବ । ଏହି କାଗଜରେ ଆମେ AgreementMaker ବିଷୟରେ ବର୍ଣ୍ଣନା କରୁଛୁ, ଏକ ଉପକରଣ ଯାହା ଅନଟୋଲୋଜିକୁ ପ୍ରଦର୍ଶିତ କରେ, ଅନେକ ମ୍ୟାପିଂ ସ୍ତରକୁ ଭିଜୁଆଲ ଭାବରେ ସମର୍ଥନ କରେ, ସ୍ୱୟଂଚାଳିତ ଭାବରେ ସୃଷ୍ଟି ହୋଇଥିବା ମ୍ୟାପିଂକୁ ଉପସ୍ଥାପନ କରେ ଏବଂ ଶେଷରେ ଚୁକ୍ତିନାମା ଉତ୍ପାଦନ କରେ । 2007 ଏଲ୍ସେଭିୟର ଲିଃ ସମସ୍ତ ଅଧିକାର ସଂରକ୍ଷିତ. |
8d69c06d48b618a090dd19185aea7a13def894a5 | |
664a2c6bff5fb2708f30a116745fad9470ef317a | ମୁଖ୍ୟ ଉପାଦାନ ବିଶ୍ଳେଷଣ (ପିସିଏ) ଏକ ଲୋକପ୍ରିୟ ଆକାର ହ୍ରାସ ଆଲଗୋରିଦମ ଅଟେ । କିନ୍ତୁ ମୂଳ ଉପାଦାନଗୁଡ଼ିକ ଭିତ୍ତିରେ କେଉଁ ମୂଳ ଉପାଦାନଗୁଡ଼ିକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ତାହା ବ୍ୟାଖ୍ୟା କରିବା ସହଜ ନୁହେଁ । ସାମ୍ପ୍ରତିକ ପଦ୍ଧତିଗୁଡ଼ିକ ଏକ L1 ନିୟନ୍ତ୍ରକ ଯୋଗ କରି PCA କୁ ବିଚ୍ଛିନ୍ନ କରି ବ୍ୟାଖ୍ୟାଶୀଳତାକୁ ଉନ୍ନତ କରିଥାଏ । ଏହି ଲେଖାରେ ଆମେ କ୍ଷୁଦ୍ର ପିସିଏ ପାଇଁ ଏକ ସମ୍ଭାବ୍ୟତା ସୂତ୍ର ପ୍ରସ୍ତୁତ କରିଛୁ । ବିରଳ ପିସିଏକୁ ଏକ ସମ୍ଭାବ୍ୟତା ବାୟେସିଆନ ସୂତ୍ର ଭାବରେ ଉପସ୍ଥାପନ କରି ଆମେ ସ୍ୱୟଂଚାଳିତ ମଡେଲ ଚୟନ ଲାଭ ପାଇଥାଉ । ଆମେ ତିନୋଟି ଭିନ୍ନ ଭିନ୍ନ ପ୍ରାଥମିକତାକୁ ବିଶ୍ଳେଷଣ କରିଛୁଃ (1) ଏକ ଦୁଇ ସ୍ତରୀୟ ପ୍ରାଥମିକତା ଯାହା ଏକ ଲାପ୍ଲାସିୟାନ ବଣ୍ଟନ ସହିତ ସମାନ ଏବଂ ଫଳସ୍ୱରୂପ ଏକ L1 ନିୟମିତକରଣ, (2) ଏକ ବିପରୀତ-ଗୌସିୟାନ ପ୍ରାଥମିକତା, ଏବଂ (3) ଏକ ଜେଫ୍ରିସ୍ ପ୍ରାଥମିକତା । ଆମେ ଏହି ମଡେଲଗୁଡିକୁ ବିଭିନ୍ନତା ଅନୁମାନ ପ୍ରୟୋଗ କରି ଶିଖିଥାଉ । ଆମର ପରୀକ୍ଷଣ ପ୍ରମାଣିତ କରେ ଯେ ବାସ୍ତବରେ ଆମର ବିରଳ ସମ୍ଭାବ୍ୟତା ମଡେଲର ପରିଣାମ ହେଉଛି ବିରଳ ପିସିଏ ସମାଧାନ । |
afde48d14d4b6783b6aef376a1bb4a47ffccc071 | ଏକ ଡ୍ରାଇଭିଂ କାର୍ଯ୍ୟ ସମୟରେ ବ୍ୟବହାର ପାଇଁ ଭାବନାତ୍ମକ ଚାପର ଶାରୀରିକ ବିଶେଷତ୍ୱକୁ ପରିମାପନ କରିବା ପାଇଁ ଏକ ପ୍ରଣାଳୀ ବିକଶିତ କରାଯାଉଛି । ଏଥିରେ ଦୁଇଟି ପ୍ରୋଟୋଟାଇପ ଉପସ୍ଥାପିତ କରାଯାଇଛି, ଯେଉଁଥିରେ ସେନସର ବ୍ୟବହାର କରାଯାଇ ଡ୍ରାଇଭରଙ୍କ ଚର୍ମର ଚଳାଚଳ, ଶ୍ୱାସକ୍ରିୟା, ମାଂସପେଶୀ କାର୍ଯ୍ୟକଳାପ ଏବଂ ହୃଦୟର କାର୍ଯ୍ୟକଳାପକୁ ମାପ କରାଯାଇଥାଏ । ପ୍ରଥମ ସିଷ୍ଟମ ଦୁଇଟି ଦ୍ରୁତ ଚ୍ୟାନେଲରେ 200 Hz ଏବଂ ଛଅଟି ଅତିରିକ୍ତ ଚ୍ୟାନେଲରେ 20 Hz ନମୁନା ସଂଗ୍ରହ ହାରକୁ ଅନୁମତି ଦେଇଥାଏ । ଏହି ସିଗନାଲକୁ ରିଅଲ ଟାଇମ ପ୍ରୋସେସିଂ କରିବା ପାଇଁ ଏକ ୱେରେବଲ କମ୍ପ୍ୟୁଟର ବ୍ୟବହାର କରାଯାଏ ଏବଂ ଏଥିରେ ଏକ ଡିଜିଟାଲ କ୍ୟାମେରା ଲାଗିଥାଏ ଯାହା ଡ୍ରାଇଭରଙ୍କ ମୁହଁର ଅଭିବ୍ୟକ୍ତି ପ୍ରତି ମିନିଟରେ ଥରେ କଏଦ କରିଥାଏ । ଦ୍ୱିତୀୟ ସିଷ୍ଟମରେ କାରରେ ଲାଗିଥିବା ଏକ କମ୍ପ୍ୟୁଟର ବ୍ୟବହାର କରାଯାଇଛି, ଯାହା ଆଠଟି ଚ୍ୟାନେଲରେ ପ୍ରତି ସେକେଣ୍ଡରେ ୧୯୮୪ଟି ନମୁନା ସଂଗ୍ରହ କରିବାରେ ସକ୍ଷମ । ଏହି ସିଷ୍ଟମ ଡ୍ରାଇଭରଙ୍କ ମୁହଁର ଅଭିବ୍ୟକ୍ତି ଏବଂ ରାସ୍ତାର ଅବସ୍ଥାକୁ ଲଗାତାର କଏଦ କରିବା ପାଇଁ ଏକାଧିକ ଭିଡିଓ କ୍ୟାମେରା ବ୍ୟବହାର କରେ । ଏହାପରେ ଭିଡିଓ କ୍ୱାଡ-ସ୍ପ୍ଲଟର୍ ସାହାଯ୍ୟରେ ଡାଟା ଫିଜିଓଲୋଜିକାଲ୍ ସିଗନାଲ୍ ସହିତ ସିଙ୍କ୍ରୋନାଇଜ୍ କରାଯାଏ । ଡ୍ରାଇଭିଂ ପରିବେଶରେ ଶାରୀରିକ ବିଶେଷତ୍ୱ ବାହାର କରିବାର ଉପାୟ ଉପରେ ଆଲୋଚନା କରାଯାଇଛି, ଯେଉଁଥିରେ ଚର୍ମର କଣ୍ଡକ୍ଟାନ୍ସ ଓରିଏଣ୍ଟେଂଟ ରେସପନ୍ସ, ମାଂସପେଶୀ କାର୍ଯ୍ୟକଳାପ, ନାଡ଼ି ଏବଂ ଶ୍ୱାସକ୍ରିୟା ମଡେଲର ମାପ ମଧ୍ୟ ଅନ୍ତର୍ଭୁକ୍ତ । ପ୍ରାଥମିକ ଅଧ୍ୟୟନରୁ ଜଣାପଡିଛି ଯେ, ଅନେକ ପ୍ରକାରର ସେନସର ବ୍ୟବହାର କରିବା ଦ୍ୱାରା ଡ୍ରାଇଭିଂ ଘଟଣା ପ୍ରତି ପ୍ରତିକ୍ରିୟାକୁ ଚିହ୍ନଟ କରିବାରେ ସାହାଯ୍ୟ ମିଳିପାରିବ ଏବଂ ସମାନ ଡ୍ରାଇଭିଂ ପରିସ୍ଥିତିରେ ବ୍ୟକ୍ତିର ପ୍ରତିକ୍ରିୟା ଦିନକୁ ଦିନ କିପରି ଭିନ୍ନ ହୋଇପାରେ । |
0853c2a59d44fe97e0d21f89d80fa2f5a220e3b9 | ପାରମ୍ପରିକ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ଆଲଗୋରିଦମ କେବଳ ସରଳ ପୂର୍ବାନୁମାନ କରିଥାଏ, କୌଣସି ଆନୁସଙ୍ଗିକ ଆତ୍ମବିଶ୍ୱାସ ମୂଲ୍ୟ ବିନା । ଆତ୍ମବିଶ୍ୱାସର ମୂଲ୍ୟ ହେଉଛି ପ୍ରତ୍ୟେକ ଭବିଷ୍ୟବାଣୀ କେତେ ସଠିକ ହେବାର ସମ୍ଭାବନା ଅଛି ତାହାର ଏକ ସୂଚକ । ଆଦର୍ଶରେ, ଏକ ସେଟରେ ଥିବା ସମସ୍ତ ଉଦାହରଣ ପାଇଁ 99% କିମ୍ବା ଅଧିକର ଏକ ବିଶ୍ବାସ, ଏହାର ଅର୍ଥ ହେଉଛି ସେହି ସେଟରେ ଭୁଲ ଭବିଷ୍ୟବାଣୀ ପ୍ରତିଶତ 1% ରୁ ଅଧିକ ହେବ ନାହିଁ । ପ୍ରତ୍ୟେକ ଭବିଷ୍ୟବାଣୀ କେତେ ସତ ତାହା ଜାଣିବା ପରେ ଆମେ ଏହା ଉପରେ କେତେ ଭରସା କରିପାରିବା ତାହା ଜାଣିପାରିବା । ଏହି କାରଣରୁ, ଭବିଷ୍ୟବାଣୀ ଯାହା କିଛି ପ୍ରକାରର ଆତ୍ମବିଶ୍ୱାସ ମୂଲ୍ୟ ସହିତ ଜଡିତ, ଅନେକ ବିପଦ-ସମ୍ବେଦନଶୀଳ ପ୍ରୟୋଗରେ ଅତ୍ୟନ୍ତ ଇଚ୍ଛୁକ, ଯେପରିକି ଡାକ୍ତରୀ ନିଦାନ କିମ୍ବା ଆର୍ଥିକ ବିଶ୍ଳେଷଣ ପାଇଁ ବ୍ୟବହୃତ ହୁଏ । ବାସ୍ତବରେ, ଏହିପରି ସୂଚନା ଯେକୌଣସି ପ୍ରୟୋଗ ପାଇଁ ଲାଭଦାୟକ ହୋଇପାରେ ଯାହା ମାନବ-କମ୍ପ୍ୟୁଟର ପାରସ୍ପରିକ କ୍ରିୟାକୁ ଆବଶ୍ୟକ କରେ, ଯେହେତୁ ପ୍ରତ୍ୟେକ ଭବିଷ୍ୟବାଣୀକୁ କିପରି ବ୍ୟବହାର କରାଯିବ ତାହା ନିର୍ଣ୍ଣୟ କରିବା ପାଇଁ ବିଶ୍ୱାସଯୋଗ୍ୟ ମୂଲ୍ୟଗୁଡିକ ବ୍ୟବହାର କରାଯାଇପାରିବ । ଉଦାହରଣ ସ୍ୱରୂପ, ଏକ ଫିଲ୍ଟରିଂ ବ୍ୟବସ୍ଥା ବ୍ୟବହାର କରାଯାଇପାରିବ ଯାହାଦ୍ୱାରା କେବଳ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ସ୍ତରର ଆତ୍ମବିଶ୍ୱାସକୁ ପୂରଣ କରୁଥିବା ଭବିଷ୍ୟବାଣୀଗୁଡ଼ିକୁ ବିଚାରକୁ ନିଆଯିବ, ଅନ୍ୟଗୁଡ଼ିକୁ ତ୍ୟାଗ କରାଯାଇପାରିବ କିମ୍ବା ବିଚାର ପାଇଁ ମନୁଷ୍ୟକୁ ଦିଆଯାଇପାରିବ । ମୁଖ୍ୟ ଧାରା ମେସିନ ଶିକ୍ଷଣରେ ଦୁଇଟି ମୁଖ୍ୟ କ୍ଷେତ୍ର ଅଛି ଯାହା କିଛି ପ୍ରକାରର ଆତ୍ମବିଶ୍ୱାସ ମୂଲ୍ୟ ପାଇବା ପାଇଁ ବ୍ୟବହୃତ ହୋଇପାରେ; ବେୟସୀୟ ଢାଞ୍ଚା ଏବଂ ବୋଧହୁଏ ପ୍ରାୟ ସଠିକ୍ ଶିକ୍ଷଣର ସିଦ୍ଧାନ୍ତ (PAC ସିଦ୍ଧାନ୍ତ) । ବେସୀୟାନ ଫ୍ରେମୱାର୍କକୁ ବହୁ ସମୟରେ ଆଲଗୋରିଦମ ପ୍ରସ୍ତୁତ କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଏ ଯାହା ବ୍ୟକ୍ତିର ପୂର୍ବାନୁମାନକୁ ସେମାନଙ୍କ ଗୁଣବତ୍ତାର ସମ୍ଭାବ୍ୟତା ମାପ ସହିତ ପୂରଣ କରିଥାଏ । ଅନ୍ୟ ପକ୍ଷରେ, PAC ତତ୍ତ୍ବଜ୍ଞାନକୁ କୌଣସି ବିଶ୍ବାସ ସ୍ତର 1 − δ ସହିତ କୌଣସି ନିର୍ଦ୍ଦିଷ୍ଟ ଆଲଗୋରିଦମ ପାଇଁ ତ୍ରୁଟିର ସମ୍ଭାବନାର ଉପର ସୀମା ପ୍ରସ୍ତୁତ କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରେ । କିନ୍ତୁ ଏହି ଦୁଇଟି ଯାକ ଉପାୟରେ କିଛି ଅସୁବିଧା ମଧ୍ୟ ରହିଛି । ବେଜୀୟନ ଫ୍ରେମୱାର୍କକୁ ପ୍ରୟୋଗ କରିବା ପାଇଁ, ତଥ୍ୟ ସୃଷ୍ଟି କରୁଥିବା ବଣ୍ଟନ ବିଷୟରେ କିଛି ପୂର୍ବ ଜ୍ଞାନ ରହିବା ଆବଶ୍ୟକ । ଯେତେବେଳେ ସଠିକ ପ୍ରାଥମିକତା ଜଣା ପଡିଥାଏ, ବେୟେସୀୟ ପଦ୍ଧତି ସର୍ବୋତ୍ତମ ନିଷ୍ପତ୍ତି ପ୍ରଦାନ କରିଥାଏ । ବାସ୍ତବ ଦୁନିଆର ତଥ୍ୟ ପାଇଁ ଆବଶ୍ୟକ ଜ୍ଞାନ ଉପଲବ୍ଧ ନଥିବାରୁ ମନଇଚ୍ଛା ବାଛିଥିବା ପ୍ରାଥମିକ ତଥ୍ୟର ଅସ୍ତିତ୍ୱକୁ ମାନିବାକୁ ହେବ । ଏହି କ୍ଷେତ୍ରରେ, ଯଦି ପୂର୍ବାନୁମାନ ଭୁଲ ହୋଇଥାଏ, ତେବେ ନିର୍ଦ୍ଧାରିତ ଆସ୍ଥା ସ୍ତର ମଧ୍ୟ ଭୁଲ ହୋଇପାରେ; ଉଦାହରଣ ସ୍ୱରୂପ 95% ଆସ୍ଥା ସ୍ତର ପାଇଁ ପୂର୍ବାନୁମାନ କ୍ଷେତ୍ରର ଆଉଟପୁଟ 95% ରୁ କମ୍ କ୍ଷେତ୍ରରେ ପ୍ରକୃତ ଲେବଲ ଧାରଣ କରିପାରେ । ଏହା ଏକ ବଡ଼ ବିଫଳତାର ସଙ୍କେତ ଦେଇଥାଏ, କାରଣ ଆମେ ଆଶା କରୁ ଯେ ବିଶ୍ୱାସ ସ୍ତରଗୁଡ଼ିକ ଆଶା କରାଯାଉଥିବା ତ୍ରୁଟିର ଶତକଡା ସୀମାକୁ ସୀମିତ କରିବ । ବୈଷୟିକ ତତ୍ତ୍ୱରେ ଥିବା ଅନୁମାନର ଉଲ୍ଲଂଘନ ହେଲେ ବୈଷୟିକ ତତ୍ତ୍ୱ କେତେ ବିଭ୍ରାନ୍ତିକର ହୋଇପାରେ ତାହାର ଏକ ପରୀକ୍ଷାମୂଳକ ପ୍ରଦର୍ଶନ (ମେଲ୍ଲୁଇସ୍ ଏଟ୍ ଆଲ., 2001) ରେ ଦେଖିବାକୁ ମିଳେ । |
1ff107c3230c51ae3cc8e0f14dced3eaebea9a8e | ଏକ ଏନକ୍ରିପସନ୍ ପଦ୍ଧତିକୁ ନୂତନ ଗୁଣ ସହିତ ଉପସ୍ଥାପିତ କରାଯାଇଛି ଯାହା ସାର୍ବଜନୀନ ଭାବରେ ଏକ ଏନକ୍ରିପସନ୍ ଚାବି ପ୍ରକାଶ କରିବା ଦ୍ୱାରା ଏହା ଦ୍ୱାରା ସମ୍ପୃକ୍ତ ଡିକ୍ରିପସନ୍ ଚାବି ପ୍ରକାଶ ହୁଏ ନାହିଁ । ଏହାର ଦୁଇଟି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପରିଣାମ ରହିଛି: (1) ଚାବି ପଠାଇବା ପାଇଁ କ୍ୟୁରି କିମ୍ବା ଅନ୍ୟାନ୍ୟ ସୁରକ୍ଷିତ ମାଧ୍ୟମର ଆବଶ୍ୟକତା ନାହିଁ, କାରଣ ଏକ ସନ୍ଦେଶକୁ ଏକ ଏନକ୍ରିପସନ୍ ଚାବି ବ୍ୟବହାର କରି ସିକ୍ରିପ୍ଟ କରାଯାଇପାରିବ ଯାହା ଉଦ୍ଦେଶ୍ୟ ପ୍ରାପ୍ତ ବ୍ୟକ୍ତି ଦ୍ୱାରା ସର୍ବସାଧାରଣରେ ପ୍ରକାଶ କରାଯାଇଥାଏ । କେବଳ ସେ ହିଁ ଏହି ସନ୍ଦେଶର ସଂଜ୍ଞା ଜାଣିପାରିବେ, କାରଣ କେବଳ ସେ ହିଁ ଏହାର ସଂଜ୍ଞା ଜାଣିଛନ୍ତି । (2) ଏକ ସନ୍ଦେଶକୁ ଏକ ଘରୋଇ ଡିକ୍ରିପ୍ଟେସନ୍ ଚାବି ବ୍ୟବହାର କରି ସିଗ୍ନେଚର କରାଯାଇପାରିବ । ଯେକୌଣସି ବ୍ୟକ୍ତି ଏହି ଦସ୍ତଖତକୁ ସାର୍ବଜନୀନ ଭାବେ ପ୍ରକାଶିତ ଏନକ୍ରିପସନ୍ କି ବ୍ୟବହାର କରି ଯାଞ୍ଚ କରିପାରିବେ । ଦସ୍ତଖତକୁ ଜାଲିଆତି କରାଯାଇପାରିବ ନାହିଁ ଏବଂ ଦସ୍ତଖତକାରୀ ନିଜ ଦସ୍ତଖତର ବୈଧତାକୁ ପରବର୍ତ୍ତୀ ସମୟରେ ଅସ୍ୱୀକାର କରିପାରିବେ ନାହିଁ । ଏହାଦ୍ୱାରା "ଇଲେକ୍ଟ୍ରୋନିକ ମେଲ" ଏବଂ "ଇଲେକ୍ଟ୍ରୋନିକ ଫଣ୍ଡ ଟ୍ରାନ୍ସଫର" ବ୍ୟବସ୍ଥାରେ ଆପ୍ଲିକେସନ ସ୍ପଷ୍ଟ ଭାବେ ଦେଖାଯାଏ । ଗୋଟିଏ ସଂଦେଶକୁ ଏକ ସଂଖ୍ଯା M ରୂପରେ ଦର୍ଶାଇ, M କୁ ଏକ ସର୍ବସାଧାରଣ ଭାବରେ ନିର୍ଦ୍ଦିଷ୍ଟ ଶକ୍ତି e କୁ ବୃଦ୍ଧି କରି ଏବଂ ତାପରେ ବାକିକୁ ନେଇ, ଯେତେବେଳେ ଫଳାଫଳକୁ ସର୍ବସାଧାରଣ ଭାବରେ ନିର୍ଦ୍ଦିଷ୍ଟ ଉତ୍ପାଦ, n ଦ୍ବାରା ବିଭକ୍ତ କରାଯାଏ, ଦୁଇଟି ବଡ ଗୁପ୍ତ ପ୍ରାଇମର ସଂଖ୍ୟା p ଏବଂ q. ଡିକ୍ରିପ୍ଟେସନ୍ ସମାନ; କେବଳ ଏକ ଭିନ୍ନ, ଗୁପ୍ତ, ଶକ୍ତି d ବ୍ୟବହାର କରାଯାଏ, ଯେଉଁଠାରେ e * d 1 ((mod (p - 1) * (q - 1)) । ଏହି ପ୍ରଣାଳୀର ସୁରକ୍ଷା ଆଂଶିକ ଭାବରେ ପ୍ରକାଶିତ ବିଭାଜକ, n କୁ ବିଭାଜନ କରିବାର ଅସୁବିଧା ଉପରେ ନିର୍ଭର କରେ । |
d21f261bf5a9d7333337031a3fa206eaf0c6082c | |
6665e03447f989c9bdb3432d93e89b516b9d18a7 | |
90a6f53bf0eb10fe53f908419c9ac644b16d6065 | |
f67acaa10ad4a0eb7130cd1f0b953478056f32af | ପ୍ରଥମ € ମୂଲ୍ୟ ଏବଂ £ ଏବଂ $ ମୂଲ୍ୟ ହେଉଛି ନେଟ୍ ମୂଲ୍ୟ, ସ୍ଥାନୀୟ ଭାଟକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରିଥାଏ । * ସହିତ ଦର୍ଶାଯାଇଥିବା ମୂଲ୍ୟରେ ବହି ପାଇଁ ଭାଟ୍ ଅନ୍ତର୍ଭୁକ୍ତ; ଜର୍ମାନୀ ପାଇଁ € ଡ଼ିରେ ୭% ଏବଂ ଅଷ୍ଟ୍ରିଆ ପାଇଁ € ଡ଼ିରେ ୧୦% ଅନ୍ତର୍ଭୁକ୍ତ । ** ସହିତ ଦର୍ଶାଯାଇଥିବା ମୂଲ୍ୟରେ ଇଲେକ୍ଟ୍ରୋନିକ୍ସ ଉତ୍ପାଦ ପାଇଁ ଭାଟ୍ ଅନ୍ତର୍ଭୁକ୍ତ; ଜର୍ମାନୀ ପାଇଁ ୧୯% ଏବଂ ଅଷ୍ଟ୍ରିଆ ପାଇଁ ୨୦% । ସମସ୍ତ ମୂଲ୍ୟ ପରିବହନ ଶୁଳ୍କକୁ ବାଦ୍ ଦେଇ । ଦର ଏବଂ ଅନ୍ୟାନ୍ୟ ବିବରଣୀ ବିନା ନୋଟିସରେ ପରିବର୍ତ୍ତନ ହୋଇପାରେ । ସମସ୍ତ ତ୍ରୁଟି ଏବଂ ଅବହେଳାକୁ ବାଦ୍ ଦିଆଯାଇଛି । ସିଲିକମ-ଜର୍ମାନିୟମ ପ୍ରଯୁକ୍ତିରେ ୭୭ ଗିଗାହର୍ଜ ଅଟୋମୋଟିଭ୍ ରାଡାର ପାଇଁ କିସିଙ୍ଗର ମିଲିମିଟର-ୱେଭ୍ ରିସିଭର କନ୍ସେପ୍ଟ |
97a18d0c88d72bac9fbdfe9d19485ac37175177b | ଏକ ଚକ୍କର ଧ୍ରୁବୀକରଣ (ସିପି) ଏବଂ କମ ଆକାରର ମାଇକ୍ରୋଷ୍ଟ୍ରିପ୍ ପ୍ୟାଚ୍ ଆଣ୍ଟିନା ଡିଜାଇନ୍ କରିବା ଏକ ଆହ୍ୱାନପୂର୍ଣ୍ଣ ଏବଂ ଜଟିଳ କାର୍ଯ୍ୟ । ଏଠାରେ ଏପରି ଏକ ଆଣ୍ଟିନା ପ୍ରସ୍ତାବିତ ଏବଂ ପରୀକ୍ଷାମୂଳକ ଭାବେ ଅଧ୍ୟୟନ କରାଯାଇଛି । ପ୍ୟାଚର ଚାରୋଟି କୋଣରେ ମିଣ୍ଡରିଂ କୌଶଳ ଏବଂ ସର୍ଟନିଂ ପିନ୍ ର ନିୟୋଜନ ପିସି ହାସଲ କରିବା ସହିତ ଆଣ୍ଟେନା ଆକାରକୁ ହ୍ରାସ କରିବା ସହିତ କମ୍ ବ୍ୟାକ୍ ରେଡିଏସନ୍ ପ୍ରଦାନ କରିଥାଏ । ଏହା ମଧ୍ୟ ପ୍ୟାଚକୁ ଇଣ୍ଡକ୍ଟିଭ୍ ଏବଂ କ୍ୟାପାସିଟିଭ୍ ଲୋଡିଂ ପ୍ରଭାବ ପ୍ରଦାନ କରିପାରେ ଯାହା ପରବର୍ତ୍ତୀ ସମୟରେ କାର୍ଯ୍ୟର ବାରମ୍ବାରତାକୁ ନିୟନ୍ତ୍ରଣ କରିଥାଏ । ଏହି ଅଧ୍ୟୟନରେ ବିଭିନ୍ନ ସର୍ଟ ଷ୍ଟ୍ରିପ୍ ସଂରଚନା ଯଥା ଆୟତକ, ୟୁ-ଆକାର ଏବଂ ମେଣ୍ଡରିଂ ସହିତ ଏକ ଅଧ୍ୟୟନ କରାଯାଇଛି । HFSSରେ ସିମୁଲେସନ କରାଯାଇଥିଲା ଏବଂ ସିମୁଲେସନ ଫଳାଫଳକୁ ବିଭିନ୍ନ ଢାଞ୍ଚାରେ ତୁଳନା କରାଯାଇଥିଲା । ଏହା ଜଣାପଡିଛି ଯେ, ଅନ୍ୟ ଦୁଇଟି ତୁଳନାରେ ମେଣ୍ଡରିଂ କୌଶଳ ଭଲ ଆକାର ହ୍ରାସ କରିଥାଏ କାରଣ ସବୁଠାରୁ ଅଧିକ ଶକ୍ତିଶାଳୀ କରେଣ୍ଟ ଷ୍ଟ୍ରେପ୍ସ ମେଣ୍ଡରିଂ ସର୍ଟରେ କେନ୍ଦ୍ରୀଭୂତ ହୋଇଥାଏ । ଏହା ବ୍ୟତୀତ, ଅନ୍ୟାନ୍ୟ ଟେକ୍ନିକ୍ ତୁଳନାରେ ମୋଡ଼ିବା ଟେକ୍ନିକ୍ ଉଚ୍ଚ ଆଗ-ପଛ ଅନୁପାତ ପ୍ରଦାନ କରିଥାଏ । |
70ca66188f98537ba9e38d87ee2e5c594ef4196d | ଏହି କାଗଜରେ ଏକ ନୂତନ ଫ୍ରିକ୍ୱେନ୍ସି-ମୋଡ୍ୟୁଲେଟେଡ୍ କଣ୍ଟିନ୍ୟୁଆଲ୍ ୱେଭ୍ ରାଡାର କଳ୍ପନା ବର୍ଣ୍ଣନା କରାଯାଇଛି, ଯେଉଁଠାରେ ପ୍ରସ୍ତାବିତ ବ୍ୟବସ୍ଥାର କୋଣାତ୍ମକ ରିଜୋଲ୍ୟୁସନ୍ ଉନ୍ନତ କରିବା ପାଇଁ ଅଣ-ସମାନ ବିରଳ ଆଣ୍ଟିନା ଆରେ ଏବଂ ଏକାଧିକ-ଇନପୁଟ୍ ଏକାଧିକ-ଆଉଟପୁଟ୍ କୌଶଳ ପରି ପଦ୍ଧତି ବ୍ୟବହୃତ ହୁଏ । ଷ୍ଟାଣ୍ଡାର୍ଡ ଉତ୍ପାଦନ କୌଶଳ ବ୍ୟବହାର କରି ଏହାର ବ୍ୟବହାରିକ ଉପଯୋଗିତା ଦର୍ଶାଇବା ପାଇଁ, ଏକ ନୂତନ ଚାରି-ଚ୍ୟାନେଲ ସିଙ୍ଗଲ-ଚିପ୍ ରାଡାର ଟ୍ରାନ୍ସସିଭର ସହିତ ଡିଫେରେନସିଆଲ ପ୍ୟାଚ୍ ଆଣ୍ଟେନା ଆରେ ବ୍ୟବହାର କରି ଏକ ପ୍ରୋଟୋଟାଇପ୍ ସେନସରକୁ ଅଫ-ଦ-ଶେଲଫ୍ ଆର୍ଏଫ୍ ସବଷ୍ଟ୍ରେଟ୍ ଉପରେ ପ୍ରସ୍ତୁତ କରାଯାଇଥିଲା । ଏହାବ୍ୟତୀତ ଏହାର ବ୍ୟବହାରିକ ପ୍ରୟୋଗକୁ ପ୍ରମାଣିତ କରିବା ପାଇଁ, ଉପସ୍ଥାପିତ ହୋଇଥିବା ସିଗନାଲ୍ ପ୍ରୋସେସିଂ ଆଲଗୋରିଦମ ସହିତ ଏକତ୍ରିତ ହୋଇ ଏକତ୍ରିତ ହୋଇଥିବା ସିଷ୍ଟମକୁ ବାସ୍ତବିକ ଦୁନିଆର ମାପ ସିନାରିଓରେ ପରୀକ୍ଷା କରାଯାଇଥିଲା । |
8da84ea04a289d06d314be75898d9aa96cdf7b55 | ମୁରଙ୍କ ନିୟମର ନିରନ୍ତର ଅଗ୍ରଗତି ଦ୍ୱାରା ରାଡାର ପ୍ରଣାଳୀର ବିକାଶ ସମ୍ଭବ ହୋଇପାରିଛି ଯାହା ଏକାଧିକ ପର୍ଯ୍ୟାୟ କେନ୍ଦ୍ରରୁ ଏକାଧିକ କୋଡଡ ତରଙ୍ଗର ରୂପକୁ ଏକକାଳୀନ ପ୍ରେରଣ ଏବଂ ଗ୍ରହଣ କରିଥାଏ ଏବଂ ଅତୀତରେ ଉପଲବ୍ଧ ହୋଇନଥିବା ଉପାୟରେ ସେଗୁଡ଼ିକୁ ପ୍ରକ୍ରିୟାକରଣ କରିଥାଏ । ଏହି ବହୁ-ଇନପୁଟ୍ ବହୁ-ଆଉଟପୁଟ୍ (MIMO) ରାଡାର ସିଷ୍ଟମରୁ ପ୍ରକ୍ରିୟାକରଣ ପାଇଁ ଉପଲବ୍ଧ ସିଗନାଲ୍ ଗୁଡ଼ିକ ପ୍ରେରଣ ଏବଂ ଗ୍ରହଣର ଫାସ୍ ସେଣ୍ଟରର କଭୋଲସନ୍ ସହିତ ସମାନ ସ୍ପେସିଆଲ୍ ନମୁନା ଭାବରେ ଦେଖାଯାଏ । ନମୁନା ଗୁଡିକ ଚ୍ୟାନେଲକୁ ଉତ୍ତେଜିତ କରିବା ଏବଂ ମାପିବା ପାଇଁ କ୍ଷମତା ପ୍ରଦାନ କରିଥାଏ ଯାହା ଟ୍ରାନ୍ସମିଟର/ରିସିଭ୍ ପ୍ରଚାର ମାର୍ଗ, ଟାର୍ଗେଟ୍ ଏବଂ ଦୁର୍ଘଟଣାଜନିତ ବିଛାଇ ବା ଗଣ୍ଡଗୋଳରୁ ତିଆରି ହୋଇଥାଏ । ଏହି ସିଗନାଲ୍ ଗୁଡିକୁ ପ୍ରକ୍ରିୟାକରଣ କରାଯାଇ ପାରିବ ଏବଂ ଏକ ଆଡାପ୍ଟିଭ୍ କୋହେରେଣ୍ଟ ଟ୍ରାନ୍ସମିଟ୍ ବିମ୍ ଗଠନ କରିବା ପାଇଁ କିମ୍ବା ଗୋଟିଏ ବାସସ୍ଥାନରେ ଉଚ୍ଚ ରିଜୋଲ୍ୟୁସନ ସହିତ ଏକ ବିସ୍ତୃତ ଅଞ୍ଚଳରେ ସନ୍ଧାନ କରିବା ପାଇଁ ସଂଯୁକ୍ତ କରାଯାଇ ପାରିବ । ଗ୍ରହଣ କରାଯାଇଥିବା ତଥ୍ୟକୁ ଅନୁକୂଳ ଭାବରେ ମିଶ୍ରଣ କରିବା ଦ୍ୱାରା ପ୍ରସାରଣ ବିମ୍ ଆକାରକୁ ଅନୁକୂଳ ଭାବରେ ନିୟନ୍ତ୍ରଣ କରିବାର ପ୍ରଭାବ ମିଳିଥାଏ ଏବଂ ଆଭ୍ୟନ୍ତରୀଣ ବିସ୍ତାର ଉନ୍ନତ ଟ୍ରାକ୍-ଏଣ୍ଡ-ସ୍କାନ୍ ସଠିକତା ପ୍ରଦାନ କରିଥାଏ । ଏହି କାଗଜରେ ଉନ୍ନତ ନିରୀକ୍ଷଣ ରାଡାର ପ୍ରଦର୍ଶନ ପଛରେ ଥିବା ସିଦ୍ଧାନ୍ତର ବର୍ଣ୍ଣନା କରାଯାଇଛି ଏବଂ ପରୀକ୍ଷାମୂଳକ MIMO ରାଡାରରୁ ମାପ ସହିତ ଏହା ଦର୍ଶାଯାଇଛି । |
df168c45654bf1d62b8e066e68be5ba1450a976a | ଏହି ଅଧ୍ୟୟନରେ ଆମେ ଫ୍ରିକ୍ୱେନ୍ସି-ମୋଡ୍ୟୁଲେଟେଡ୍ କଣ୍ଟିନ୍ୟୁଆଲ୍ ୱେଭ୍ (ଏଫଏମସିଡବ୍ଲୁ) ମଲ୍ଟିପଲ୍-ଇନପୁଟ୍ ମଲ୍ଟିପଲ୍-ଆଉଟପୁଟ୍ (ଏମ୍ଆଇଏମଓ) ଆରେର ଡିଜାଇନ୍ ପାଇଁ ପଦ୍ଧତିଗୁଡ଼ିକ ଉପସ୍ଥାପନ କରୁଛୁ । ଆମେ ଲକ୍ଷ୍ୟସ୍ଥଳର ଗତି ଓ କାର୍ଯ୍ୟର ସୀମା ଉପରେ ଆଲୋଚନା କରିବା ସହ ଏହାର ପ୍ରଭାବକୁ ଭରଣା କରିବା ପାଇଁ ଏକ ପଦ୍ଧତି ଉପସ୍ଥାପନ କରୁଛୁ, ଯାହା ଆରେ ଡିଜାଇନ୍ ଏବଂ ସିଗନାଲ୍ ପ୍ରୋସେସିଂରେ ବିଶେଷ ଧ୍ୟାନ ଆବଶ୍ୟକ କରେ । ଏହି ଲେଖାରେ ଆରେ ଡିଜାଇନ କୌଶଳ, ପ୍ରୟୋଗର ଉଦାହରଣ ଏବଂ ମାପ ଫଳାଫଳ ମଧ୍ୟ ରହିଛି । |
1cd8ee3bfead2964a3e4cc375123bb594949aa0b | ଏହି କାଗଜରେ ଏକ ନୂତନ ଆଲଗୋରିଦମ ଢାଞ୍ଚା, ପୂର୍ବାନୁମାନକାରୀ-ସାମ୍ୟକାରୀ ପ୍ରଶିକ୍ଷଣ, ନ୍ୟୁରାଲ ନେଟୱାର୍କକୁ ପ୍ରଶିକ୍ଷଣ କରିବା ପାଇଁ ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି ଯାହା ଯାଞ୍ଚଯୋଗ୍ୟ, ଅର୍ଥାତ୍, ନେଟୱାର୍କ ଯାହା କିଛି ଇନପୁଟ୍-ଆଉଟପୁଟ୍ ଗୁଣକୁ ସନ୍ତୁଷ୍ଟ କରିଥାଏ । ମୂଳ ବିଚାର ହେଉଛି ଏକ ସମୟରେ ଦୁଇଟି ନେଟୱର୍କକୁ ତାଲିମ ଦେବା: ଏକ ପୂର୍ବାନୁମାନକାରୀ ନେଟୱର୍କ ଯାହା ହାତରେ ଥିବା କାର୍ଯ୍ୟ କରିଥାଏ, ଉଦାହରଣ ସ୍ୱରୂପ, ଦିଆଯାଇଥିବା ଇନପୁଟକୁ ନେଇ ଲେବଲକୁ ପୂର୍ବାନୁମାନ କରିବା, ଏବଂ ଏକ ଯାଞ୍ଚକାରୀ ନେଟୱର୍କ ଯାହା ଏକ ସୀମାକୁ ଗଣନା କରିଥାଏ ଯେ ପୂର୍ବାନୁମାନକାରୀ ଯାଞ୍ଚ କରାଯାଉଥିବା ଗୁଣକୁ କେତେ ଭଲ ଭାବରେ ପୂରଣ କରିଥାଏ । ଉଭୟ ନେଟୱର୍କକୁ ଏକକାଳୀନ ପ୍ରଶିକ୍ଷଣ କରାଯାଇପାରିବ ମାନକ ଡାଟା ଫିଟିଂ ହାନି ଏବଂ ଗୁଣର ସର୍ବାଧିକ ଉଲ୍ଲଂଘନକୁ ସୀମିତ କରୁଥିବା ଏକ ଅବଧିର ଏକ ଭାରୀଯୁକ୍ତ ମିଶ୍ରଣକୁ ଅନୁକୂଳିତ କରିବା ପାଇଁ । ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ କେବଳ ପୂର୍ବାନୁମାନକାରୀ-ପ୍ରାମାଣିକରଣକାରୀ ସ୍ଥାପତ୍ୟ ନେଟୱାର୍କକୁ ପ୍ରଶିକ୍ଷଣ କରିବାରେ ସକ୍ଷମ ନୁହେଁ, ବରଂ ଏହା ସିଫାର-୧୦ ପାଇଁ ପ୍ରଥମ ଜଣାଶୁଣା (ଆମର ଜ୍ଞାନର ସର୍ବୋତ୍ତମ) ପ୍ରମାଣିତ ଦୃଢ଼ ନେଟୱାର୍କ ଉତ୍ପାଦନ କରିବାକୁ ମଧ୍ୟ ସ୍କେଲ କରାଯାଇପାରିବ । |
7a2fc025463d03b17a1d0fa4941b00db3ce71f26 | ସ୍ୱୟଂ-ଅଭିମାନୀ ନ୍ୟୁରାଲ ମେସିନ ଅନୁବାଦ ମଡେଲର ଗ୍ରାଡିଏଣ୍ଟ ଆଧାରିତ ଡୋମେନ ଅନୁକୂଳନ ପାଇଁ ଆମେ ପଦ୍ଧତି ପ୍ରସ୍ତାବ ଏବଂ ତୁଳନା କରୁଛୁ । ଆମେ ଦର୍ଶାଇଛୁ ଯେ ଅନୁକୂଳତା ସମୟରେ ମଡେଲ ପାରାମିଟରର ଏକ ବଡ଼ ଅଂଶକୁ ଅଳ୍ପ କିମ୍ବା ଅନୁବାଦ ଗୁଣରେ କୌଣସି ହ୍ରାସ ସହିତ ଫ୍ରିଜ୍ କରାଯାଇପାରିବ। ଗ୍ରୁପ୍ ଲାସୋ ନିୟମିତକରଣ ମାଧ୍ୟମରେ ଶିକ୍ଷାଲାଭ ସମୟରେ ଅଫସେଟ୍ ଟେନସର୍ ସେଟରେ ସଂରଚନାଗତ ବିରଳତାକୁ ଉତ୍ସାହିତ କରି । ଆମେ ଏହି କୌଶଳକୁ ଉଭୟ ବ୍ୟାଚ୍ ଏବଂ ବର୍ଦ୍ଧିତ ଅନୁକୂଳନ ପାଇଁ ମୂଲ୍ୟାଙ୍କନ କରୁ, ଏକାଧିକ ତଥ୍ୟ ସେଟ୍ ଏବଂ ଭାଷା ଯୋଡିରେ । ଆମର ସିଷ୍ଟମ ସ୍ଥାପତ୍ୟ- ଏକ ଅତ୍ୟାଧୁନିକ ସ୍ୱୟଂ-ଅନୁଧ୍ୟାନ ମଡେଲକୁ କମ୍ପାକ୍ଟ ଡୋମେନ୍ ଅନୁକୂଳନ ସହିତ ମିଶାଇ- ଉଚ୍ଚ ଗୁଣବତ୍ତା ବିଶିଷ୍ଟ ବ୍ୟକ୍ତିଗତ ମେସିନ୍ ଅନୁବାଦ ପ୍ରଦାନ କରେ ଯାହା ଉଭୟ ସ୍ଥାନ ଏବଂ ସମୟ ଦକ୍ଷ ଅଟେ । |
5324ba064dc1656dd51c04122c2c802ef9ec28ce | ସୁପାରିଶକାରୀ ପ୍ରଣାଳୀରେ ପାରମ୍ପରିକ ଭାବେ ଉପଭୋକ୍ତା ପ୍ରୋଫାଇଲ ଏବଂ ଚଳଚ୍ଚିତ୍ର ଗୁଣଗୁଡ଼ିକ ସ୍ଥିର ବୋଲି ଧରାଯାଏ । କାଳଗତ ଗତିଶୀଳତା ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ ପ୍ରତିକ୍ରିୟାଶୀଳ, ଅର୍ଥାତ୍, ସେଗୁଡିକ ଅନୁଧ୍ୟାନ କରାଯିବା ପରେ ଅନୁମାନ କରାଯାଏ, ଉଦାହରଣ ସ୍ୱରୂପ, ବ୍ୟବହାରକାରୀଙ୍କ ପସନ୍ଦ ବଦଳିବା ପରେ କିମ୍ବା ଚଳଚ୍ଚିତ୍ର ପାଇଁ ହସ୍ତନିର୍ମିତ କାଳୀନ ଭେଦ ସଂଶୋଧନ ଉପରେ ଆଧାରିତ । ଆମେ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯେ ବାରମ୍ବାର ସୁପାରିଶ କରୁଥିବା ନେଟୱାର୍କ (ଆରଆରଏନ) ଯାହା ଭବିଷ୍ୟତର ଆଚରଣଗତ ପଥକୁ ପୂର୍ବାନୁମାନ କରିବାରେ ସକ୍ଷମ । ଏହା ଉଭୟ ବ୍ୟବହାରକାରୀ ଓ ଚଳଚ୍ଚିତ୍ରକୁ ଏକ ଲଙ୍ଗ୍ ସର୍ଟ-ଟର୍ମ ମେମୋରି (ଏଲଏସଟିଏମ୍) ଅଟୋରେଗ୍ରେସିଭ୍ ମଡେଲ ପ୍ରଦାନ କରି ହାସଲ କରାଯାଇଥାଏ ଯାହା ପାରମ୍ପରିକ ନିମ୍ନ-ର୍ୟାଙ୍କ୍ ଫ୍ୟାକ୍ଟୋରିଜେସନ୍ ସହିତ ଗତିଶୀଳତାକୁ ଧାରଣ କରିଥାଏ । ବାସ୍ତବ ଦୁନିଆର ଅନେକ ତଥ୍ୟ ସେଟ ଉପରେ, ଆମର ମଡେଲ ବହୁତ ଭଲ ପୂର୍ବାନୁମାନ ସଠିକତା ପ୍ରଦାନ କରିଥାଏ ଏବଂ ଏହା ବହୁତ କମ୍ପାକ୍ଟ ହୋଇଥାଏ, ଯେହେତୁ ଆମକୁ ଲୁକ୍କାୟିତ ଅବସ୍ଥା ଶିଖିବାର ଆବଶ୍ୟକତା ନାହିଁ ବରଂ କେବଳ ଅବସ୍ଥା ପରିବର୍ତ୍ତନ ଫଙ୍କସନକୁ ଶିଖିବାର ଆବଶ୍ୟକତା ରହିଛି । |
3e090dac6019963715df50dc23d830d97a0e25ba | ନର୍ଭସ ନେଟୱର୍କ ପାଇଁ ବଏସିଆନ ଅନୁମାନ ପାଇଁ ଏକ ଅନୁକୂଳ ଅନୁମାନ ଭାବରେ ଭେରିଏସନଲ ପଦ୍ଧତିଗୁଡିକ ପୂର୍ବରୁ ଅନୁସନ୍ଧାନ କରାଯାଇଛି । କିନ୍ତୁ ବର୍ତ୍ତମାନ ପର୍ଯ୍ୟନ୍ତ ଯେଉଁ ଉପାୟଗୁଡ଼ିକ ପ୍ରସ୍ତାବିତ କରାଯାଇଛି, ତାହା କେବଳ କିଛି ସରଳ ନେଟୱର୍କ ସ୍ଥାପତ୍ୟ ପାଇଁ ହିଁ ପ୍ରଯୁଜ୍ୟ । ଏହି କାଗଜରେ ଏକ ସହଜରେ କାର୍ଯ୍ୟକାରୀ ହେଉଥିବା ଷ୍ଟୋକାଷ୍ଟିକ୍ ଭାରିଆସନାଲ ପଦ୍ଧତି (କିମ୍ବା ସମାନ ଭାବରେ, ସର୍ବନିମ୍ନ ବର୍ଣ୍ଣନା ଲମ୍ବ କ୍ଷତି ଫଙ୍କସନ୍) ର ପରିଚୟ ଦିଆଯାଇଛି ଯାହା ଅଧିକାଂଶ ନ୍ୟୁରାଲ ନେଟୱାର୍କରେ ପ୍ରୟୋଗ କରାଯାଇପାରିବ । ଏହି ପଥରେ ଏହା ବିଭିନ୍ନ ଦିଗକୁ ଦୃଷ୍ଟିରେ ରଖି ଅନେକ ସାଧାରଣ ନିୟମିତକାରୀକୁ ପୁନଃବିଚାର କରିଥାଏ । ଏହା ଏକ ସରଳ ଟାଣିବା ପଦ୍ଧତି ପ୍ରଦାନ କରିଥାଏ ଯାହା ଉଭୟ ନେଟୱର୍କ ଓଜନକୁ ହ୍ରାସ କରିଥାଏ ଏବଂ ଉନ୍ନତ ସାଧାରଣକରଣକୁ ନେଇଥାଏ । TIMIT ଭାଷଣ କୋରପସ୍ ଉପରେ ପ୍ରୟୋଗ କରାଯାଇଥିବା ଏକ ବର୍ଗୀକୃତ ବହୁ-ଆକାରର ପୁନଃପୌନିକ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ପାଇଁ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ପ୍ରଦାନ କରାଯାଇଛି । |
652d159bf64a70194127722d19841daa99a69b64 | ଏହି କାଗଜରେ ଦର୍ଶାଯାଇଛି ଯେ କିପରି ଦୀର୍ଘ ଏବଂ ସ୍ୱଳ୍ପକାଳୀନ ସ୍ମୃତିର ପୁନଃପୌନିକ ନ୍ୟୁରାଲ ନେଟୱାର୍କକୁ ଦୀର୍ଘକାଳୀନ ସଂରଚନା ସହିତ ଜଟିଳ କ୍ରମ ସୃଷ୍ଟି କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ, କେବଳ ଗୋଟିଏ ସମୟରେ ଗୋଟିଏ ତଥ୍ୟ ବିନ୍ଦୁକୁ ପୂର୍ବାନୁମାନ କରି । ଏହି ପଦ୍ଧତି ଲେଖା (ଯେଉଁଠାରେ ତଥ୍ୟ ଅଲଗା ଅଲଗା ହୋଇଥାଏ) ଏବଂ ଅନଲାଇନ ହସ୍ତଲିପି (ଯେଉଁଠାରେ ତଥ୍ୟ ବାସ୍ତବିକ ମୂଲ୍ୟଯୁକ୍ତ ହୋଇଥାଏ) ପାଇଁ ପ୍ରଦର୍ଶିତ ହୋଇଥାଏ । ଏହା ପରେ ଏହାକୁ ହସ୍ତଲିପି ସଂଶ୍ଳେଷଣରେ ବିସ୍ତାର କରାଯାଇଥାଏ, ଯାହାଦ୍ୱାରା ନେଟୱର୍କକୁ ଏହାର ପୂର୍ବାନୁମାନକୁ ଏକ ପାଠ୍ୟ କ୍ରମ ଉପରେ ସର୍ତ୍ତ ରଖିବାକୁ ଅନୁମତି ମିଳିଥାଏ । ଏହି ପ୍ରଣାଳୀରେ ବହୁବିଧ ଶୈଳୀରେ ଉଚ୍ଚକୋଟୀର ବାସ୍ତବିକତାପୂର୍ଣ୍ଣ ହସ୍ତାକ୍ଷର ସୃଷ୍ଟି କରାଯାଇପାରିବ । |
2d208d551ff9000ca189034fa683edb826f4c941 | ଆମେ ୱେବ ପୃଷ୍ଠାଗୁଡ଼ିକରୁ ଶ୍ରେଣୀ (ଯଥା, ଶିକ୍ଷଣ କ୍ଷେତ୍ର, କ୍ରୀଡ଼ାବିତ୍) ଏବଂ ସମ୍ପର୍କ (ଯଥା, ପ୍ଲେସ୍ ସ୍ପୋର୍ଟସ୍, ଆଥଲେଟ୍, କ୍ରୀଡ଼ା) ବାହାର କରିବା ପାଇଁ ଅର୍ଦ୍ଧ-ନିରୀକ୍ଷିତ ଶିକ୍ଷଣର ସମସ୍ୟାକୁ ବିଚାର କରୁଛୁ, ପ୍ରତ୍ୟେକ ଶ୍ରେଣୀ କିମ୍ବା ସମ୍ପର୍କର କିଛି ଲେବଲ୍ ବିଶିଷ୍ଟ ପ୍ରଶିକ୍ଷଣ ଉଦାହରଣ ସହିତ ଆରମ୍ଭ କରି, ପ୍ଲସ୍ ଲକ୍ଷ ଲକ୍ଷ ଲେବଲ୍ ନଥିବା ୱେବ୍ ଡକ୍ୟୁମେଣ୍ଟ୍ । କେବଳ କିଛି ଲେବଲ କରାଯାଇଥିବା ଉଦାହରଣ ବ୍ୟବହାର କରି ଅର୍ଦ୍ଧ-ନିରୀକ୍ଷିତ ତାଲିମ ସାଧାରଣତଃ ଅବିଶ୍ୱସନୀୟ କାରଣ ଶିକ୍ଷଣ କାର୍ଯ୍ୟ କମ୍ ସୀମିତ । ଏହି ଅଧ୍ୟୟନରେ ଏହି ସିଦ୍ଧାନ୍ତକୁ ଅନୁସରଣ କରାଯାଇଛି ଯେ, ବିଭିନ୍ନ ଶ୍ରେଣୀ ଓ ସମ୍ପର୍କ ପାଇଁ ଅନେକ ଉତ୍ତୋଳନକାରୀଙ୍କ ଅର୍ଦ୍ଧ-ନିରୀକ୍ଷିତ ପ୍ରଶିକ୍ଷଣକୁ ଯୋଡି ଶିକ୍ଷଣ କାର୍ଯ୍ୟକୁ ଆହୁରି ସୀମିତ କରି ଅଧିକ ସଠିକତା ହାସଲ କରାଯାଇପାରିବ । ଆମେ ଅନେକ ଉପାୟ ବର୍ଣ୍ଣନା କରିଛୁ ଯେଉଁଥିରେ ଶ୍ରେଣୀ ଏବଂ ସମ୍ପର୍କ ଏକ୍ସଟ୍ରାକ୍ଟରଙ୍କ ତାଲିମକୁ ଯୋଡାଯାଇପାରିବ ଏବଂ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଉପସ୍ଥାପନ କରିଛୁ ଯାହା ଫଳସ୍ୱରୂପ ଯଥେଷ୍ଟ ଉନ୍ନତ ସଠିକତା ଦର୍ଶାଉଛି । |
52aa38ffa5011d84cb8aae9f1112ce53343bf32c | ଆମେ ଡିଜିଟାଲ ପିର-ଟୁ-ପିର ମୁଦ୍ରା ବିଟ୍କଏନରେ ଅନେକ କ୍ଲଷ୍ଟରିଂ ଆଲଗୋରିଦମର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ବିଶ୍ଳେଷଣ କରୁଛୁ । ବିଟକଏନ୍ ରେ କ୍ଲଷ୍ଟରିଂ ହେଉଛି ଠିକଣା ଖୋଜିବା କାର୍ଯ୍ୟ ଯାହା ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଠିକଣା ପରି ସମାନ ୱାଲେଟ୍ ସହିତ ଜଡିତ । କ୍ଲଷ୍ଟର ରଣନୀତିର ପ୍ରଭାବକୁ ଆକଳନ କରିବା ପାଇଁ ଆମେ କନେକ୍ସନ ବ୍ଲୁମ ଫିଲ୍ଟରିଂର କାର୍ଯ୍ୟକାରିତାରେ ଏକ ଦୁର୍ବଳତାକୁ ବ୍ୟବହାର କରି ୩୭,୫୮୫ ବିଟକଏନ ୱାଲେଟ ଏବଂ ସେମାନଙ୍କ ପାଖରେ ଥିବା ଠିକଣା ବିଷୟରେ ତଥ୍ୟ ସଂଗ୍ରହ କରିଥାଉ । ଜଣାଶୁଣା କ୍ଲଷ୍ଟରିଂ କୌଶଳ ସହିତ, ଆମେ ଦୁଇଟି ନୂତନ ରଣନୀତି ପ୍ରବର୍ତ୍ତନ କରିଥାଉ, ସେଗୁଡ଼ିକୁ ସଂଗ୍ରହ କରାଯାଇଥିବା ୱାଲେଟଗୁଡ଼ିକର ଠିକଣାରେ ପ୍ରୟୋଗ କରିଥାଉ ଏବଂ ସଠିକତା ଏବଂ ସ୍ମରଣକୁ ମୂଲ୍ୟାଙ୍କନ କରିଥାଉ । ସଂଯୋଗ ବ୍ଲୁମ୍ ଫିଲ୍ଟରିଂର ପ୍ରକୃତି ହେତୁ ଆମେ ସଂଗ୍ରହ କରୁଥିବା ତଥ୍ୟରେ ତ୍ରୁଟି ନାହିଁ । ଆମେ ଏପରି ଏକ ପଦ୍ଧତି ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ଦ୍ବାରା ଏପରି ଭୁଲର ଉପସ୍ଥିତିରେ କାର୍ଯ୍ୟଦକ୍ଷତା ମାପଦଣ୍ଡକୁ ସଂଶୋଧନ କରାଯାଇପାରିବ । ଆମର ଫଳାଫଳ ଦର୍ଶାଉଛି ଯେ ଆଧୁନିକ ୱାଲେଟ ସଫ୍ଟୱେର ମଧ୍ୟ ଏହାର ଉପଭୋକ୍ତାମାନଙ୍କୁ ଉପଯୁକ୍ତ ସୁରକ୍ଷା ଦେଇପାରିବ ନାହିଁ । ଏପରିକି ମଲ୍ଟି-ଇନପୁଟ୍ ହେରିଷ୍ଟିକ୍ ନାମକ ଏକ ମୌଳିକ କ୍ଲଷ୍ଟରିଂ କୌଶଳ ସହିତ, ଜଣେ ଶତ୍ରୁ ହାରାହାରି ୬୮.୫୯% ଠିକଣା ଅନୁମାନ କରିପାରିବ । ଆମେ ଦେଖାଇଛୁ ଯେ ଏହି ମାପକକୁ ଆହୁରି ଉନ୍ନତ କରାଯାଇପାରିବ ଅନେକ ଅଧିକ ଜଟିଳ ହେରିଷ୍ଟିକ୍ସକୁ ମିଶାଇ । |
f824415989a7863a37e581fdeec2f1d9f4d54f62 | |
4abdf7f981612216de354f3dc6ed2b07b5e9f114 | ଏହି ଦସ୍ତାବିଜରେ ପଞ୍ଚମ ପିଢ଼ିର (5G) ବେତାର ସଂଚାର ନେଟୱର୍କ ପାଇଁ ଏକ ସମତଳ ଏକକ ଆଣ୍ଟିନା ଉପରେ ଗବେଷଣା କରାଯାଇଛି । ପ୍ରସ୍ତାବିତ ଆଣ୍ଟିନା ମିଲିମିଟର ୱେଭ (ଏମଏମଡବ୍ଲୁ) ସ୍ପେକ୍ଟ୍ରମ, 25-39 ଗିଗାହର୍ଜରେ କା ବ୍ୟାଣ୍ଡକୁ କଭର କରୁଥିବା ଅଲଟ୍ରା-ୱାଇଡ ବ୍ୟାଣ୍ଡ ଇମ୍ପେଡେନ୍ସ ରେସପନ୍ସ ରହିଛି । ଏହି ଆଣ୍ଟିନା ୦.୨୫୪ ମିମି ମୋଟା ରୋଜରସ ସବଷ୍ଟ୍ରେଟ ଉପରେ ଷଡଭୁଜ ମହୁମାଛି ପରି ଏକ ଅନନ୍ୟ ଢାଞ୍ଚାଗତ ବିନ୍ୟାସ ଏବଂ ନିମ୍ନ ପ୍ରୋଫାଇଲ (୮ × ୭ ମିମି2) ସହିତ ରହିଛି, ଯାହା ଭବିଷ୍ୟତରେ ମୋବାଇଲ ଫୋନରେ ଅନ୍ତର୍ଭୁକ୍ତ ହେବା ପାଇଁ ଡିଜାଇନକୁ ସକ୍ଷମ କରିଥାଏ । ଏହି ଆଣ୍ଟିନା ୪.୧୫ ଡିବିଏଲର ଶିଖର ଲାଭ ପ୍ରଦାନ କରିଥାଏ ଏବଂ କାର୍ଯ୍ୟ ବ୍ୟାଣ୍ଡରେ ୯୦% ଦକ୍ଷତା ପ୍ରଦାନ କରିଥାଏ । ଏହି ଡିଜାଇନକୁ 8×1 ଏଲେମେଣ୍ଟ ଆରେରେ ବିସ୍ତାର କରାଯାଇଛି, ଯାହା ଆଣ୍ଟେନାର କେନ୍ଦ୍ରୀୟ ଫ୍ରିକ୍ୱେନ୍ସିରେ ସର୍ବାଧିକ 12.7 dBi ଲାଭ ପ୍ରଦାନ କରିଥାଏ । |
958340c7ccd205ed7670693fa9519f9c140e372d | ନିକଟରେ ଲୋଗୋ ଚିହ୍ନଟକୁ ନେଇ ଶିଳ୍ପରେ ଅନେକ କାର୍ଯ୍ୟକଳାପ ଦେଖିବାକୁ ମିଳିଛି, ଯେପରିକି ଡିଟ୍ଟୋ ର ସେବା ମାର୍କେଟିଂ କରୁଥିବା ବ୍ୟକ୍ତିଙ୍କୁ ବ୍ୟବହାରକାରୀ ଦ୍ୱାରା ପ୍ରସ୍ତୁତ ହୋଇଥିବା ଚିତ୍ରରେ ସେମାନଙ୍କ ବ୍ରାଣ୍ଡକୁ ଟ୍ରାକ୍ କରିବା ପାଇଁ ଏବଂ ଲୋଗୋ ଚିହ୍ନଟ ପାଇଁ ଲୋଗୋଗ୍ରାବ ର ମୋବାଇଲ୍ ଆପ୍ ପ୍ଲାଟଫର୍ମ । କିନ୍ତୁ ଗତ ଚାରି ବର୍ଷ ମଧ୍ୟରେ ଶିକ୍ଷାଗତ କିମ୍ବା ମୁକ୍ତ ସ୍ରୋତ ଲୋଗୋ ମାନ୍ୟତା କ୍ଷେତ୍ରରେ ଯଥେଷ୍ଟ ଅଗ୍ରଗତି ହୋଇନାହିଁ । ଏହି ସମୟରେ, ଗଭୀର କଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କ (ଡିସିଏନଏନ) ବସ୍ତୁ ଚିହ୍ନଟ ପ୍ରୟୋଗର ଏକ ବ୍ୟାପକ ପରିସରକୁ ବିପ୍ଳବ କରି ଦେଇଛି । ଏହି କାମରେ, ଆମେ ଡିସିଏନଏନକୁ ଲୋଗୋ ଚିହ୍ନଟ ପାଇଁ ପ୍ରୟୋଗ କରୁ । ଆମେ ଅନେକ ଡିସିଏନଏନ ଆର୍କିଟେକଚର ପ୍ରସ୍ତାବ ଦେଉଛୁ, ଯାହା ସହିତ ଆମେ ଲୋକପ୍ରିୟ ଲୋଗୋ ଚିହ୍ନଟ ଡାଟାସେଟରେ ପ୍ରକାଶିତ ଅତ୍ୟାଧୁନିକ ସଠିକତାକୁ ଅତିକ୍ରମ କରିପାରିବା । |
087337fdad69caaab8ebd8ae68a731c5bf2e8b14 | କନଭୋଲ୍ୟୁସନାଲ ନେଟୱାର୍କ ହେଉଛି ଶକ୍ତିଶାଳୀ ଭିଜୁଆଲ ମଡେଲ ଯାହା ବୈଶିଷ୍ଟ୍ୟର ହିରାର୍କି ପ୍ରଦାନ କରିଥାଏ । ଆମେ ଦେଖାଇଛୁ ଯେ, କଭୋଲ୍ୟୁସନାଲ ନେଟୱାର୍କ ନିଜେ, ଏଣ୍ଡ-ଟୁ-ଏଣ୍ଡ, ପିକ୍ସେଲ-ଟୁ-ପିକ୍ସେଲ ତାଲିମପ୍ରାପ୍ତ, ସେମାନ୍ଟିକ ସେଗମେଂଟେଶନରେ ପୂର୍ବବର୍ତ୍ତୀ ସର୍ବୋତ୍ତମ ଫଳାଫଳକୁ ଉନ୍ନତ କରିଥାଏ । ଆମର ମୂଳ ଅନ୍ତର୍ଦୃଷ୍ଟି ହେଉଛି "ପୂର୍ଣ୍ଣ ଭାବରେ କଭୋଲ୍ୟୁସନାଲ" ନେଟୱାର୍କ ନିର୍ମାଣ କରିବା ଯାହା ମନଇଚ୍ଛା ଆକାରର ଇନପୁଟ୍ ଗ୍ରହଣ କରେ ଏବଂ ଦକ୍ଷ ଅନୁମାନ ଏବଂ ଶିକ୍ଷଣ ସହିତ ଅନୁରୂପ ଆକାରର ଆଉଟପୁଟ୍ ଉତ୍ପାଦନ କରେ । ଆମେ ସଂପୂର୍ଣ୍ଣ ଭାବରେ କଭୋଲ୍ୟୁସନାଲ ନେଟୱାର୍କର ସ୍ପେସକୁ ବ୍ୟାଖ୍ୟା କରିଛୁ, ଏହାର ପ୍ରୟୋଗକୁ ବର୍ଣ୍ଣନା କରିଛୁ ଏବଂ ପୂର୍ବବର୍ତ୍ତୀ ମଡେଲଗୁଡ଼ିକ ସହିତ ସଂଯୋଗ କରିଛୁ । ଆମେ ସମସାମୟିକ ଶ୍ରେଣୀକରଣ ନେଟୱାର୍କ (ଆଲେକ୍ସନେଟ, ଭିଜିଜି ନେଟ, ଏବଂ ଗୁଗଲନେଟ) କୁ ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ କଭୋଲ୍ୟୁସନାଲ ନେଟୱାର୍କରେ ରୂପାନ୍ତରିତ କରିଥାଉ ଏବଂ ସେଗମେଣ୍ଟ କାର୍ଯ୍ୟ ପାଇଁ ସୂକ୍ଷ୍ମ-ସୂଚନା ଦ୍ୱାରା ସେମାନଙ୍କର ଶିଖିଥିବା ପ୍ରତିନିଧିତ୍ୱକୁ ସ୍ଥାନାନ୍ତର କରିଥାଉ । ଆମେ ଏକ ସ୍କିପ୍ ଆର୍କିଟେକ୍ଚର ନିର୍ଣ୍ଣୟ କରିଥାଉ ଯାହା ଗଭୀର, କପଟୀ ସ୍ତରରୁ ଅର୍ଥଗତ ସୂଚନାକୁ ଏକ ପତଳ, ସୂକ୍ଷ୍ମ ସ୍ତରରୁ ଦୃଶ୍ୟମାନ ସୂଚନା ସହିତ ମିଶାଇ ସଠିକ ଏବଂ ବିସ୍ତୃତ ବିଭାଜନ ସୃଷ୍ଟି କରିଥାଏ । ଆମର ସମ୍ପୂର୍ଣ୍ଣ କଭୋଲ୍ୟୁସନାଲ ନେଟୱାର୍କ ପାସ୍କଲ ଭିଓସି (୨୦୧୨ରେ ୬୭.୨% ହାରାହାରି ଆଇୟୁ ତୁଳନାରେ ୩୦% ଆପେକ୍ଷିକ ଉନ୍ନତି), NYUDv2, SIFT ଫ୍ଲୋ ଏବଂ ପାସ୍କଲ-କାଂଟେକ୍ସଟ, ଯେତେବେଳେ କି ଅନୁମାନ ଏକ ସାଧାରଣ ପ୍ରତିଛବି ପାଇଁ ଏକ ଦଶମାଂଶ ସମୟ ନେଇଥାଏ, ସେଗୁଡିକୁ ଉନ୍ନତ ଭାବରେ ବିଭାଜନ କରିଥାଏ । |
08a4fa5caead14285131f6863b6cd692540ea59a | ବାସ୍ତବରେ, ମେସିନ୍ ଶିକ୍ଷଣ ପ୍ରୟୋଗରେ କେଉଁ ପ୍ରତିନିଧିତ୍ୱ କିମ୍ବା ନିଷ୍ପତ୍ତି ଗ୍ରହଣୀୟ ତାହା ଉପରେ ଅନେକ ସମୟରେ ସ୍ପଷ୍ଟ ପ୍ରତିବନ୍ଧକ ରହିଥାଏ । ଉଦାହରଣ ସ୍ୱରୂପ, ଏହା ଏକ ଆଇନଗତ ଆବଶ୍ୟକତା ହୋଇପାରେ ଯେ କୌଣସି ନିର୍ଣ୍ଣୟ କୌଣସି ନିର୍ଦ୍ଦିଷ୍ଟ ଗୋଷ୍ଠୀକୁ ଅନୁକୂଳ କରିବା ଉଚିତ ନୁହେଁ । ଅନ୍ୟଥା ଏହା ହୋଇପାରେ ଯେ ତଥ୍ୟର ସେହି ପ୍ରତିନିଧିତ୍ୱରେ ପରିଚୟ ସୂଚନା ନଥିବ । ଆମେ ଏହି ଦୁଇଟି ସମ୍ବନ୍ଧିତ ପ୍ରସଙ୍ଗକୁ ନମନୀୟ ପ୍ରତିନିଧିତ୍ୱ ଶିଖିବା ଦ୍ବାରା ସମାଧାନ କରିଥାଉ ଯାହା ଏକ ବିରୋଧୀ ସମାଲୋଚକଙ୍କ କ୍ଷମତାକୁ ହ୍ରାସ କରିଥାଏ । ଏହି ବିରୋଧୀ ପ୍ରତିନିଧିତ୍ୱରୁ ପ୍ରାସଙ୍ଗିକ ସମ୍ବେଦନଶୀଳ ପରିବର୍ତ୍ତନକାରୀକୁ ପୂର୍ବାନୁମାନ କରିବାକୁ ଚେଷ୍ଟା କରୁଛି, ଏବଂ ତେଣୁ ବିରୋଧୀ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ସର୍ବନିମ୍ନ କରିବା ନିଶ୍ଚିତ କରେ ଯେ ସମ୍ବେଦନଶୀଳ ପରିବର୍ତ୍ତନକାରୀ ବିଷୟରେ ପ୍ରତିନିଧିତ୍ୱରେ କମ୍ କିମ୍ବା କୌଣସି ସୂଚନା ନାହିଁ । ଆମେ ଏହି ବିରୋଧାଭାସୀ ଆଭିମୁଖ୍ୟକୁ ଦୁଇଟି ସମସ୍ୟା ଉପରେ ପ୍ରଦର୍ଶନ କରୁଛୁ: ନିଷ୍ପତି ନେବା ବେଳେ ଭେଦଭାବରୁ ମୁକ୍ତ ହେବା ଏବଂ ଛବିରୁ ବ୍ୟକ୍ତିଗତ ସୂଚନା ହଟାଇବା । ଆମେ ବିରୋଧି ମଡେଲକୁ ଏକ ମିନିମାକ୍ସ ସମସ୍ୟା ଭାବରେ ପ୍ରସ୍ତୁତ କରିଥାଉ, ଏବଂ ଏକ ଷ୍ଟୋକାଷ୍ଟିକ୍ ଗ୍ରାଡିଏଣ୍ଟ ବିକଳ୍ପ ମିନି-ମ୍ୟାକ୍ସ ଅପ୍ଟିମାଇଜର ବ୍ୟବହାର କରି ସେହି ମିନିମାକ୍ସ ଲକ୍ଷ୍ୟକୁ ଅପ୍ଟିମାଇଜ୍ କରିଥାଉ । ଆମେ ମାନକ ପରୀକ୍ଷଣ ସମସ୍ୟା ପାଇଁ ଭେଦଭାବ ମୁକ୍ତ ପ୍ରତିନିଧିତ୍ୱ ପ୍ରଦାନ କରିବାର କ୍ଷମତା ପ୍ରଦର୍ଶନ କରିଛୁ, ଏବଂ ନ୍ୟାୟ ପାଇଁ କଳାର ପୂର୍ବବର୍ତ୍ତୀ ଷ୍ଟେଟ୍ ସହିତ ତୁଳନା କରିଛୁ, ଅଧିକାଂଶ କ୍ଷେତ୍ରରେ ପରିସଂଖ୍ୟାନ ଦୃଷ୍ଟିରୁ ଉଲ୍ଲେଖନୀୟ ଉନ୍ନତି ଦେଖାଉଛୁ । ଏହି ପଦ୍ଧତିର ନମନୀୟତା ଏକ ନୂଆ ସମସ୍ୟା ମାଧ୍ୟମରେ ପ୍ରଦର୍ଶିତ ହୋଇଛି: ଚିତ୍ରରୁ ଟିପ୍ପଣୀ ହଟାଇବା, ପୃଥକ ତାଲିମ ଉଦାହରଣରୁ ଟିପ୍ପଣୀଯୁକ୍ତ ଏବଂ ଅଣ-ଟୀପ୍ପଣୀଯୁକ୍ତ ଚିତ୍ର ଏବଂ ମଡେଲକୁ ପ୍ରଦାନ କରାଯାଇଥିବା ଟିପ୍ପଣୀ ଫର୍ମର ପ୍ରାଥମିକ ଜ୍ଞାନ ବିନା _ |
d7805eee3daef814140001a6c59fda004266b3c8 | |
988c10748a66429dda79d02bc5eb57c64f9768fb | କଥାବାର୍ତ୍ତା ମେସିନ ବୁଝିବା ପାଇଁ କଥାବାର୍ତ୍ତା ଇତିହାସକୁ ଗଭୀର ଭାବରେ ବୁଝିବା ଆବଶ୍ୟକ । ପାରମ୍ପରିକ, ଏକ-ବୃତ୍ତି ମଡେଲକୁ ଇତିହାସକୁ ବ୍ୟାପକ ଭାବରେ ଏନକୋଡ୍ କରିବାକୁ ସକ୍ଷମ କରିବାକୁ, ଆମେ FLOW, ଏକ ବ୍ୟବସ୍ଥା ପ୍ରବର୍ତ୍ତନ କରିଛୁ ଯାହା ପୂର୍ବ ପ୍ରଶ୍ନର ଉତ୍ତର ପ୍ରକ୍ରିୟାରେ ସୃଷ୍ଟି ହୋଇଥିବା ମଧ୍ୟବର୍ତ୍ତୀ ପ୍ରତିନିଧିତ୍ୱକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରିପାରେ, ଏକ ବିକଳ୍ପ ସମାନ୍ତରାଳ ପ୍ରକ୍ରିୟାକରଣ ସଂରଚନା ମାଧ୍ୟମରେ _ ପୂର୍ବ ପ୍ରଶ୍ନ/ଉତ୍ତରକୁ ଇନପୁଟ୍ ଭାବରେ ଯୋଡୁଥିବା ତଳସ୍ତରୀୟ ପଦ୍ଧତି ତୁଳନାରେ, FLOW ବାର୍ତ୍ତାଳାପ ଇତିହାସର ଲୁକ୍କାୟିତ ଅର୍ଥଶାସ୍ତ୍ରକୁ ଅଧିକ ଗଭୀର ଭାବରେ ଏକୀକୃତ କରେ । ଆମର ମଡେଲ, ଫ୍ଲୋ କ୍ୱା, ନିକଟରେ ପ୍ରସ୍ତାବିତ ହୋଇଥିବା ଦୁଇଟି କଥାବାର୍ତ୍ତା ଆହ୍ୱାନରେ ଉନ୍ନତ ପ୍ରଦର୍ଶନ ଦେଖାଉଛି (+୭.୨% ଏଫ୧ କୋ କ୍ୱା ଏବଂ +୪.୦% କ୍ୱା) । ଅନ୍ୟାନ୍ୟ କାର୍ଯ୍ୟରେ ମଧ୍ୟ FLOW ର ପ୍ରଭାବ ଦେଖିବାକୁ ମିଳେ । କ୍ରମିକ ନିର୍ଦ୍ଦେଶ ବୁଝିବା ପାଇଁ କଥାବାର୍ତ୍ତା ମେସିନ ବୁଝିବା ପାଇଁ ହ୍ରାସ କରି, FLOWQA SCONE ରେ ସମସ୍ତ ତିନୋଟି ଡୋମେନରେ ସର୍ବୋତ୍ତମ ମଡେଲକୁ ଅତିକ୍ରମ କରେ, ସଠିକତାରେ +1.8% ରୁ +4.4% ଉନ୍ନତି ସହିତ _ |
31181e73befea410e25de462eccd0e74ba8fea0b | |
0e6f5abd7e4738b765cd48f4c272093ecb5fd0bc | |
0501336bc04470489529b4928c5b6ba0f1bdf5f2 | ଆଧୁନିକ ସର୍ଚ୍ଚ ଇଞ୍ଜିନଗୁଡ଼ିକ ଲୋକପ୍ରିୟ ବ୍ୟବସାୟିକ ପ୍ରଶ୍ନର ଉତ୍ତର ମୁଖ୍ୟତଃ ଅତ୍ୟନ୍ତ ପ୍ରାସଙ୍ଗିକ ଦସ୍ତାବିଜଗୁଡ଼ିକ ସହିତ ଦେବା ପାଇଁ ଯଥେଷ୍ଟ ଭଲ । କିନ୍ତୁ ଆମର ପରୀକ୍ଷଣରୁ ଜଣାପଡ଼ୁଛି ଯେ, ଏହିପରି ପ୍ରାସଙ୍ଗିକ ବ୍ୟବସାୟିକ ସାଇଟଗୁଡ଼ିକରେ ବ୍ୟବହାରକାରୀମାନଙ୍କ ବ୍ୟବହାର ଗୋଟିଏ ୱେବସାଇଟରୁ ଅନ୍ୟ ୱେବସାଇଟକୁ ସମାନ ପ୍ରାସଙ୍ଗିକତା ଥିବା ହେତୁ ଭିନ୍ନ ହୋଇପାରେ । ତେଣୁ ସର୍ଚ୍ଚ ଇଞ୍ଜିନଗୁଡ଼ିକର ସମ୍ମୁଖୀନ ହେବାକୁ ପଡୁଛି ସେହିସବୁ ଫଳାଫଳର ମାନ୍ୟତା ଦେବା ପାଇଁ ଯେଉଁଗୁଡ଼ିକ ପାରମ୍ପରିକ ପ୍ରାସଙ୍ଗିକତା ମାନ୍ୟତା ଦୃଷ୍ଟିକୋଣରୁ ସମାନ ଭାବରେ ପ୍ରାସଙ୍ଗିକ । ଏହି ସମସ୍ୟାର ସମାଧାନ ପାଇଁ ଆମେ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯେ, ଅତିରିକ୍ତ ଉପାଦାନଗୁଡ଼ିକ ଉପରେ ବିଚାର କରାଯିବ, ଯେପରିକି ବିଶ୍ୱସନୀୟତା, ବ୍ୟବହାରଯୋଗ୍ୟତା, ଡିଜାଇନ୍ ଗୁଣବତ୍ତା ଏବଂ ସେବା ଗୁଣବତ୍ତା । ଏକ ର୍ୟାଙ୍କିଙ୍ଗ ଆଲଗୋରିଦମକୁ ଏହି ଦିଗଗୁଡ଼ିକୁ ଧ୍ୟାନରେ ରଖିବାକୁ, ଆମେ ଅନେକ ବୈଶିଷ୍ଟ୍ୟ ପ୍ରସ୍ତାବିତ କରିଛୁ, ପ୍ରସ୍ତାବିତ ପରିମାପକ ସହିତ ଏକ ୱେବ୍ ପୃଷ୍ଠାର ଗୁଣବତ୍ତା ଧାରଣ କରିଛୁ । ଆମେ ଗୋଟିଏ ଟ୍ୟାଗରେ ନୂଆ ଦିଗକୁ ଯୋଡ଼ିଛୁ, ବ୍ୟବସାୟିକ ପ୍ରାସଙ୍ଗିକତା, ଯାହା ସାଇଟର ସମୁଦାୟ ଗୁଣବତ୍ତାର ପ୍ରତିନିଧିତ୍ୱ କରେ । ଆମେ ବ୍ୟବସାୟିକ ପ୍ରାସଙ୍ଗିକତା ପାଇଁ ସମଗ୍ର ଶିକ୍ଷଣ-ରୁ-ଶ୍ରେଣୀ ଡାଟାସେଟ ପାଇଁ ଲେବଲକୁ ଏକ୍ସଟ୍ରାପୋଲେଟ କରିଥିଲୁ ଏବଂ ଡିଫଲ୍ଟ ପ୍ରାସଙ୍ଗିକତା ଲେବଲ ବଦଳରେ ବ୍ୟବସାୟିକ ଏବଂ ସାଂପ୍ରତିକ ପ୍ରାସଙ୍ଗିକତାର ଓଜନଯୁକ୍ତ ସମୂହ ବ୍ୟବହାର କରିଥିଲୁ । ଆମର ପଦ୍ଧତିର ମୂଲ୍ୟାଙ୍କନ ପାଇଁ ଆମେ ନୂଆ ଡିସିଜି ଭଳି ମାପକ ପ୍ରସ୍ତୁତ କରିଛୁ ଏବଂ ଅଫଲାଇନ ମୂଲ୍ୟାଙ୍କନ ସହିତ ଅନଲାଇନ ଇଣ୍ଟରଲେଇଭିଂ ପରୀକ୍ଷଣ କରି ଦେଖାଇଛୁ ଯେ ପ୍ରଦତ୍ତ ଉପାଦାନର ପ୍ରାସଙ୍ଗିକତାକୁ ଧ୍ୟାନରେ ରଖି ଏକ ର୍ୟାଙ୍କିଙ୍ଗ ଆଲଗୋରିଦମ ବ୍ୟବହାରକାରୀଙ୍କ ପସନ୍ଦ ସହିତ ଅଧିକ ଅନୁରୂପ ଅଟେ । |
4a87972b28143b61942a0eb011b60f76be0ebf2e | ଗଣନା ବିଜ୍ଞାନ, ସାମାଜିକ ନେଟୱର୍କ ବିଶ୍ଳେଷଣ, ସୁରକ୍ଷା ଏବଂ ବ୍ୟବସାୟ ବିଶ୍ଳେଷଣରେ ଅନେକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ସମସ୍ୟା ତଥ୍ୟ-ଗଭୀର ଏବଂ ଗ୍ରାଫ-ତତ୍ତ୍ୱଗତ ବିଶ୍ଳେଷଣ ପାଇଁ ନିଜକୁ ଉପଯୁକ୍ତ କରିଥାଏ । ଏହି କାଗଜରେ ଆମେ ଆଧୁନିକ ମଲ୍ଟି-କୋର ପ୍ରୋସେସର ପାଇଁ ଏକ ବ୍ରଡଥ-ପ୍ରଥମ ସର୍ଚ୍ଚ (ବିଏଫଏସ) ଆଲଗୋରିଦମ ଡିଜାଇନ୍ କରି ବହୁତ ବଡ଼ ଗ୍ରାଫକୁ ଅନୁସନ୍ଧାନ କରିବାରେ ଜଡିତ ଆହ୍ୱାନଗୁଡିକ ଅନୁସନ୍ଧାନ କରୁଛୁ ଯାହା ଭବିଷ୍ୟତରେ ଏକ୍ସାସକେଲ୍ ସିଷ୍ଟମର ନିର୍ମାଣ ବ୍ଲକ ହୋଇପାରେ । ବୃହତ ଆକାରର ଗ୍ରାଫ ବିଶ୍ଳେଷଣ ପାଇଁ ଆମର ନୂତନ ପଦ୍ଧତି ଏକ ଉଚ୍ଚସ୍ତରୀୟ ଆଲଗୋରିଦମିକ୍ ଡିଜାଇନ୍ କୁ ମିଶ୍ରଣ କରେ ଯାହା ମେସିନ୍-ସ୍ୱାଧୀନ ଦିଗଗୁଡ଼ିକୁ କାବୁ କରେ, ଭବିଷ୍ୟତର ପ୍ରୋସେସର୍ ପାଇଁ କାର୍ଯ୍ୟଦକ୍ଷତା ସହିତ ପୋର୍ଟେବିଲିଟି ଗ୍ୟାରେଣ୍ଟି କରେ, ଏକ କାର୍ଯ୍ୟକାରିତା ସହିତ ଯାହା ପ୍ରୋସେସର୍ ନିର୍ଦ୍ଦିଷ୍ଟ ଅପ୍ଟିମାଇଜେସନ୍ ଅନ୍ତର୍ଭୁକ୍ତ କରେ _ ଆମେ ଏକ ପରୀକ୍ଷାମୂଳକ ଅଧ୍ୟୟନ ଉପସ୍ଥାପନ କରୁଛୁ ଯେଉଁଥିରେ ଅତ୍ୟାଧୁନିକ ଇଣ୍ଟେଲ ନେହେଲମ ଇପି ଏବଂ ଏକ୍ସ ପ୍ରୋସେସର ଏବଂ ଗୋଟିଏ ସିଷ୍ଟମରେ 64ଟି ଥ୍ରେଡ ବ୍ୟବହାର କରାଯାଇଛି । ବାସ୍ତବ ଦୁନିଆର ସମସ୍ୟାଗୁଡ଼ିକରେ ଥିବା ଶକ୍ତି-ଆଇନ ଗ୍ରାଫର ପ୍ରତିନିଧିତ୍ୱ କରୁଥିବା ଅନେକ ମାନଦଣ୍ଡ ସମସ୍ୟା ଉପରେ ଆମର ପ୍ରଦର୍ଶନ ପ୍ରକ୍ରିୟାକରଣ ହାରରେ ପହଞ୍ଚିଥାଏ ଯାହା ସାମ୍ପ୍ରତିକ ସାହିତ୍ୟରେ ସୁପରକମ୍ପ୍ୟୁଟିଂ ଫଳାଫଳ ସହିତ ପ୍ରତିଦ୍ୱନ୍ଦ୍ୱିତା କରିଥାଏ । ପରୀକ୍ଷାମୂଳକ ମୂଲ୍ୟାଙ୍କନରେ ଆମେ ପ୍ରମାଣ କରିଛୁ ଯେ 4-ସକେଟ୍ ନେହାଲେମ୍ ଏକ୍ସରେ ଚାଲୁଥିବା ଆମର ଗ୍ରାଫ୍ ଏକ୍ସପ୍ଲୋରେସନ୍ ଆଲଗୋରିଦମ ହେଉଛି (1) 64 ନିୟୁତ ଭର୍ଟିକିଲ୍ ଏବଂ 512 ନିୟୁତ କଡ଼ ସହିତ ଏକ ରାଣ୍ଡମ୍ ଗ୍ରାଫ୍ ଅନୁସନ୍ଧାନ କରିବା ସମୟରେ 128 ପ୍ରୋସେସର୍ ସହିତ ଏକ କ୍ରେ XMT ଅପେକ୍ଷା 2.4 ଗୁଣ ଅଧିକ ଦ୍ରୁତ, (2) 200 ନିୟୁତ ଭର୍ଟିକିଲ୍ ଏବଂ 1 ବିଲିୟନ୍ କଡ଼ ସହିତ ଏକ R-MAT ଗ୍ରାଫ୍ ସହିତ 550 ନିୟୁତ କଡ଼ ପ୍ରତି ସେକେଣ୍ଡରେ ପ୍ରକ୍ରିୟାକରଣ କରିବାରେ ସକ୍ଷମ, 40 ପ୍ରୋସେସର୍ ସହିତ ଏକ କ୍ରେ MTA-2 ରେ ସମାନ ଗ୍ରାଫ୍ କାର୍ଯ୍ୟଦକ୍ଷତା ସହିତ ତୁଳନାତ୍ମକ ଏବଂ (3) ହାରାହାରି 50 ଡିଗ୍ରୀ ସହିତ ଏକ ଗ୍ରାଫ୍ ଉପରେ 256 ବ୍ଲୁଜେନ୍ / L ପ୍ରୋସେସର୍ ଅପେକ୍ଷା 5 ଗୁଣ ଅଧିକ ଦ୍ରୁତ। |
50ac4c9c4409438719bcb8b1bb9e5d1a0dbedb70 | ୟୁନିକର୍ଣ୍ଣ ହେଉଛି ଏକ ଅନଲାଇନ, ଇନ-ମେମୋରୀ ସୋସିଆଲ ଗ୍ରାଫ-ସଚେତନ ଇଣ୍ଡେକ୍ସିଂ ସିଷ୍ଟମ ଯାହା ହଜାର ହଜାର କମୋଡିଟି ସର୍ଭରରେ ନିୟୁତ ନିୟୁତ ଉପଭୋକ୍ତା ଏବଂ ସଂସ୍ଥା ମଧ୍ୟରେ ଟ୍ରିଲିୟନ ଟ୍ରିଲିୟନ ଇଣ୍ଡେକ୍ସିଂ ସିଷ୍ଟମକୁ ସର୍ଚ୍ଚ କରିବା ପାଇଁ ଡିଜାଇନ କରାଯାଇଛି । ୟୁନିକର୍ଣ୍ଣ ସୂଚନା ଆଦାୟରେ ମାନକ ଧାରଣା ଉପରେ ଆଧାରିତ, କିନ୍ତୁ ଏଥିରେ ଭଲ ସାମାଜିକ ନିକଟତା ସହିତ ଫଳାଫଳକୁ ପ୍ରୋତ୍ସାହିତ କରିବା ପାଇଁ ବୈଶିଷ୍ଟ୍ୟ ଅନ୍ତର୍ଭୁକ୍ତ । ଏହା ମଧ୍ୟ ପ୍ରଶ୍ନଗୁଡ଼ିକୁ ସମର୍ଥନ କରେ ଯାହା ଉତ୍ସ ନୋଡରୁ ଏକରୁ ଅଧିକ ପ୍ରାନ୍ତ ଦୂରରେ ଥିବା ବସ୍ତୁଗୁଡ଼ିକୁ ପୁନରୁଦ୍ଧାର କରିବା ପାଇଁ ପତ୍ରକୁ ଏକାଧିକ ରାଉଣ୍ଡ-ଟ୍ରିପ୍ ଆବଶ୍ୟକ କରେ । ୟୁନିକର୍ଣ୍ଣକୁ ପ୍ରତିଦିନ ବିଲିୟନ ସଂଖ୍ୟକ ପ୍ରଶ୍ନର ଉତ୍ତର ଦେବା ପାଇଁ ଡିଜାଇନ କରାଯାଇଛି, ଯାହାର ସମୟସୀମା ଶହ ଶହ ମିଲିସେକେଣ୍ଡ ମଧ୍ୟରେ ରହିଛି । ଏହା ଫେସବୁକର ଗ୍ରାଫ ସର୍ଚ୍ଚ ଉତ୍ପାଦ ପାଇଁ ଭିତ୍ତିଭୂମି ନିର୍ମାଣ ବ୍ଲକ ଭାବରେ କାର୍ଯ୍ୟ କରିଥାଏ । ଏହି ଲେଖାରେ ଆମେ ୟୁନିକର୍ଣ୍ଣ ଦ୍ୱାରା ସମର୍ଥିତ ଡାଟା ମଡେଲ ଏବଂ ପ୍ରଶ୍ନ ଭାଷା ବିଷୟରେ ବର୍ଣ୍ଣନା କରୁଛୁ । ଆମେ ଏହାର ବିକାଶ ବିଷୟରେ ମଧ୍ୟ ବର୍ଣ୍ଣନା କରିଛୁ କାରଣ ଏହା ଫେସବୁକର ସର୍ଚ୍ଚ ଅଫର ପାଇଁ ପ୍ରାଥମିକ ବ୍ୟାକଏଣ୍ଡ ହୋଇପାରିଛି । |
94c817e196e71c03b3425f905ebd1793dc6469c2 | ବିଭିନ୍ନ ଗବେଷଣା କ୍ଷେତ୍ରରେ ବୃହତ ଗ୍ରାଫର ବିଶ୍ଳେଷଣ ଏକ ପ୍ରମୁଖ ଭୂମିକା ଗ୍ରହଣ କରିଥାଏ ଏବଂ ଅନେକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପ୍ରୟୋଗ କ୍ଷେତ୍ରରେ ଏହା ପ୍ରାସଙ୍ଗିକ ଅଟେ । ଗ୍ରାଫର ପ୍ରଭାବୀ ଦୃଶ୍ୟ ବିଶ୍ଳେଷଣ ପାଇଁ ଉପଯୁକ୍ତ ଦୃଶ୍ୟ ଉପସ୍ଥାପନା ଆବଶ୍ୟକ, ଯଥାକ୍ରମେ ଉପଭୋକ୍ତାଙ୍କ ସହ କଥାବାର୍ତ୍ତା କରିବା ପାଇଁ ସୁବିଧା ଏବଂ ଆଲଗୋରିଦମିକ୍ ଗ୍ରାଫ ବିଶ୍ଳେଷଣ ପଦ୍ଧତି ଆବଶ୍ୟକ । ଉପଯୁକ୍ତ ଗ୍ରାଫ ବିଶ୍ଳେଷଣ ପ୍ରଣାଳୀ କିପରି ଡିଜାଇନ୍ କରାଯିବ ତାହା ଅନେକ କାରକ ଉପରେ ନିର୍ଭର କରେ, ଯେଉଁଥିରେ ତଥ୍ୟ ବର୍ଣ୍ଣନା କରୁଥିବା ଗ୍ରାଫର ପ୍ରକାର, ବିଶ୍ଳେଷଣ କାର୍ଯ୍ୟ ଏବଂ ଗ୍ରାଫ ବିଶ୍ଳେଷଣ ପଦ୍ଧତିର ପ୍ରୟୋଗଯୋଗ୍ୟତା ଅନ୍ତର୍ଭୁକ୍ତ । ଗ୍ରାଫ ଭିଜୁଆଲାଇଜେସନ ଓ ନାଭିଗେସନ ଟେକ୍ନିକର ସଦ୍ୟତମ ସର୍ଭେ ହର୍ମାନ ଓ ଅନ୍ୟମାନେ ଉପସ୍ଥାପନ କରିଥିଲେ । [HMM00] ଏବଂ ଡିଆଜ [DPS02] । ପ୍ରଥମ କାର୍ଯ୍ୟରେ 2000 ମସିହା ପର୍ଯ୍ୟନ୍ତ ବ୍ୟବହୃତ ହେଉଥିବା ସର୍ବୋଚ୍ଚ ମାନଦଣ୍ଡର ଦୃଶ୍ୟମାନତା ଏବଂ ଗ୍ରାଫର ମୁଖ୍ୟ କୌଶଳଗୁଡ଼ିକର ସର୍ବେକ୍ଷଣ କରାଯାଇଥିଲା । ଦ୍ୱିତୀୟ କାର୍ଯ୍ୟଟି ୨୦୦୨ ପର୍ଯ୍ୟନ୍ତ ପ୍ରଚଳିତ ଗ୍ରାଫିକ୍ସ ଲେଆଉଟ ଉପରେ କେନ୍ଦ୍ରିତ ଥିଲା । ନିକଟରେ ନୂତନ କୌଶଳ ବିକଶିତ କରାଯାଇଛି ଯାହା ଗ୍ରାଫର ବିଭିନ୍ନ ପ୍ରକାରକୁ କଭର କରିଥାଏ, ଯେପରିକି ସମୟ-ପରିବର୍ତ୍ତନ ଗ୍ରାଫ । ଏହା ସହିତ, ଗ୍ରାଫ-ସଂଗଠିତ ତଥ୍ୟର ପରିମାଣ ବୃଦ୍ଧି ପାଇବା ସହିତ, ଆଲଗୋରିଦମ ଗ୍ରାଫ ବିଶ୍ଳେଷଣ ଏବଂ ପାରସ୍ପରିକ କ୍ରିୟା କୌଶଳ ଅନ୍ତର୍ଭୁକ୍ତ କରିବା ଅଧିକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ହୋଇଯାଏ । ଏହି ଅତ୍ୟାଧୁନିକ ରିପୋର୍ଟରେ ଆମେ ବଡ଼ ଗ୍ରାଫର ଦୃଶ୍ୟ ବିଶ୍ଳେଷଣ ପାଇଁ ଉପଲବ୍ଧ କୌଶଳଗୁଡ଼ିକର ସର୍ବେକ୍ଷଣ କରିଛୁ । ଆମର ସମୀକ୍ଷା ପ୍ରଥମେ ଗ୍ରାଫ ଭିଜୁଆଲାଇଜେସନ ଟେକନିକକୁ ଗ୍ରାଫର ପ୍ରକାର ଅନୁସାରେ ବିଚାର କରିଥାଏ । ଦୃଶ୍ୟମାନ କରିବା କୌଶଳଗୁଡ଼ିକ ଦୃଶ୍ୟମାନ ଗ୍ରାଫ ଅନୁସନ୍ଧାନ ପାଇଁ ଉପଯୁକ୍ତ ପାରସ୍ପରିକ ଆଭିମୁଖ୍ୟର ଉପସ୍ଥାପନା ପାଇଁ ଆଧାର ଗଠନ କରିଥାଏ । ଭିଜୁଆଲ ଗ୍ରାଫ ବିଶ୍ଳେଷଣର ଏକ ମହତ୍ୱପୂର୍ଣ୍ଣ ଉପାଦାନ ଭାବରେ, ଆମେ ଭିଜୁଆଲ ଗ୍ରାଫ ବିଶ୍ଳେଷଣ ପ୍ରକ୍ରିୟାର ବିଭିନ୍ନ ପର୍ଯ୍ୟାୟ ପାଇଁ ଉପଯୋଗୀ ବିଭିନ୍ନ ଗ୍ରାଫ ଆଲଗୋରିଦମିକ ଦିଗ ଉପରେ ଆଲୋଚନା କରୁଛୁ । |
2748dc51ba8dd9d2a7899caadbef2e3269b8b0b9 | ଆମେ ସ୍ୱୟଂଚାଳିତ ଚାଳନା ପାଇଁ ଏକ ଢାଞ୍ଚା ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ମାନବୀୟ ପ୍ରଦର୍ଶନରୁ ଶିକ୍ଷା ଲାଭ କରିପାରିବ, ଏବଂ ଆମେ ଏହାକୁ ସ୍ୱୟଂଚାଳିତ କାରର ଲମ୍ବ ନିୟନ୍ତ୍ରଣରେ ପ୍ରୟୋଗ କରିପାରିବା । ଅଫଲାଇନରେ, ଆମେ କାର-ଫଲୋଇଙ୍ଗ ରଣନୀତିକୁ ଏକ ନମୁନା ଡ୍ରାଇଭିଂ ସିକ୍ୱେନ୍ସିରୁ ମଡେଲ୍ କରିଥାଉ । ଅନଲାଇନରେ, ଏହି ମଡେଲର ବ୍ୟବହାର ତ୍ୱରାନ୍ୱିତକୁ ଗଣନା କରିବା ପାଇଁ କରାଯାଏ ଯାହା ସମାନ ପରିସ୍ଥିତିରେ ଜଣେ ମାନବ ଡ୍ରାଇଭର କ ଣ କରିବ ତାହା ନକଲ କରିଥାଏ । ଏହି ରେଫରେନ୍ସ ତୀବ୍ରତା ଏକ ପୂର୍ବାନୁମାନ ନିୟନ୍ତ୍ରକ ଦ୍ୱାରା ଟ୍ରାକ୍ କରାଯାଏ ଯାହା ଚୂଡ଼ାନ୍ତ ତୀବ୍ରତା ପ୍ରୟୋଗ କରିବା ପୂର୍ବରୁ ଆରାମ ଏବଂ ନିରାପତ୍ତା ପ୍ରତିବନ୍ଧକଗୁଡ଼ିକର ଏକ ସେଟ୍ ଲାଗୁ କରିଥାଏ । ଏହି ନିୟନ୍ତ୍ରକକୁ ଏପରି ଡିଜାଇନ କରାଯାଇଛି ଯେ ଏହା ପୂର୍ବବର୍ତ୍ତୀ ଯାନର ପୂର୍ବାନୁମାନିତ ଗତିର ଅନିଶ୍ଚିତତା ପ୍ରତି ଦୃଢ଼ ରହିବ । ଏହା ସହିତ ଆମେ ଡ୍ରାଇଭର ମଡେଲର ଭବିଷ୍ୟବାଣୀ ଉପରେ ବିଶ୍ବାସକୁ ଆକଳନ କରି ଏହାକୁ ପୂର୍ବାନୁମାନ ନିୟନ୍ତ୍ରକର ମୂଲ୍ୟ ଫଙ୍କସନରେ ବ୍ୟବହାର କରିଥାଉ । ଫଳସ୍ୱରୂପ, ଆମେ ସେହିସବୁ ମାମଲାକୁ ପରିଚାଳନା କରିପାରିବା ଯେଉଁଠାରେ ଡ୍ରାଇଭର ମଡେଲକୁ ଶିଖିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇଥିବା ତାଲିମ ତଥ୍ୟ ଯଥେଷ୍ଟ ସୂଚନା ପ୍ରଦାନ କରେ ନାହିଁ ଯେ ଜଣେ ମାନବ ଡ୍ରାଇଭର ବର୍ତ୍ତମାନର ଡ୍ରାଇଭିଂ ପରିସ୍ଥିତିକୁ କିପରି ପରିଚାଳନା କରିବେ । ଏହି ଆଭିମୁଖ୍ୟକୁ ସିମୁଲେସନ ଏବଂ ପରୀକ୍ଷଣର ମିଶ୍ରଣ ମାଧ୍ୟମରେ ଆମର ସ୍ୱୟଂଚାଳିତ ଯାନରେ ବୈଧ କରାଯାଇଛି । |
42a6ae6827f8cc92e15191e53605b0aa4f875fb9 | ସଫ୍ଟୱେର ପରୀକ୍ଷଣ ଗୁଣବତ୍ତା ସୁନିଶ୍ଚିତ କରିବା ପାଇଁ ଏକ ଭଲ ଭାବରେ ବିଚାର କରାଯାଇଥିବା ଅଭ୍ୟାସ ପରିବର୍ତ୍ତେ କେବଳ ଏକ ବଗ୍ ହଣ୍ଟ୍ ଅଟେ । ନିରାପଦ ସ୍ୱୟଂଚାଳିତ ଯାନଗୁଡ଼ିକୁ ବଡ଼ ଆକାରରେ ନିୟୋଜନ କରିବା ପାଇଁ ସିଷ୍ଟମ ସ୍ତରରେ ପରୀକ୍ଷଣ-ବିଫଳତା-ପ୍ୟାଚ୍-ପରୀକ୍ଷଣର ଏକ ସରଳ ଚକ୍ର ଅପେକ୍ଷା ଅଧିକ ପଦ୍ଧତିଗତ ଆଭିମୁଖ୍ୟ ଆବଶ୍ୟକ ହେବ । ଆଇଏସଓ ୨୬୨୬୨ ବିକାଶ ପ୍ରକ୍ରିୟା ଏକ ଢାଞ୍ଚା ସୃଷ୍ଟି କରେ ଯାହା ପ୍ରତ୍ୟେକ ପ୍ରକାରର ପରୀକ୍ଷଣକୁ ଏକ ଅନୁରୂପ ଡିଜାଇନ୍ କିମ୍ବା ଆବଶ୍ୟକତା ଡକ୍ୟୁମେଣ୍ଟ ସହିତ ଯୋଡିଥାଏ, କିନ୍ତୁ ସ୍ୱୟଂଚାଳିତ ଯାନଗୁଡିକ ସମ୍ମୁଖୀନ ହେଉଥିବା ନୂତନ ପରୀକ୍ଷଣ ସମସ୍ୟାଗୁଡିକର ମୁକାବିଲା ପାଇଁ ଅନୁକୂଳ ହେଲେ ଆହ୍ୱାନଗୁଡିକ ଉପସ୍ଥାପନ କରେ । ଏହି କାଗଜରେ ସ୍ୱୟଂ ଚାଳିତ ଯାନଗୁଡିକ ପାଇଁ ଭି ମଡେଲ ଅନୁଯାୟୀ ପରୀକ୍ଷଣରେ ପାଞ୍ଚଟି ପ୍ରମୁଖ ଆହ୍ୱାନ କ୍ଷେତ୍ର ଚିହ୍ନଟ କରାଯାଇଛି: ଡ୍ରାଇଭର ଲୁକ୍ ବାହାରେ, ଜଟିଳ ଆବଶ୍ୟକତା, ଅଣ-ନିର୍ଦ୍ଦିଷ୍ଟ ଆଲଗୋରିଦମ, ଇଣ୍ଡକ୍ଟିଭ୍ ଲର୍ଣ୍ଣିଂ ଆଲଗୋରିଦମ ଏବଂ ତ୍ରୁଟିପୂର୍ଣ୍ଣ ପ୍ରଣାଳୀ _ ଏହି ବିଭିନ୍ନ ଆହ୍ୱାନ କ୍ଷେତ୍ରଗୁଡିକରେ ସାଧାରଣ ସମାଧାନ ପନ୍ଥା ଯାହା ଆଶାଜନକ ମନେହୁଏ ତାହା ହେଉଛି: କ୍ରମାଗତ ଭାବରେ ଆରାମଦାୟକ କାର୍ଯ୍ୟକ୍ଷମ ପରିସ୍ଥିତି ବ୍ୟବହାର କରି ପର୍ଯ୍ୟାୟକ୍ରମେ ନିୟୋଜନ, ସରଳ ସୁରକ୍ଷା କାର୍ଯ୍ୟରୁ ସବୁଠାରୁ ଜଟିଳ ସ୍ୱୟଂଶାସିତ କାର୍ଯ୍ୟକୁ ପୃଥକ କରିବା ପାଇଁ ଏକ ମନିଟର / ଆକ୍ଟ୍ୟୁଏଟର ଯୋଡି ସ୍ଥାପତ୍ୟର ବ୍ୟବହାର, ଏବଂ ଅଧିକ ଦକ୍ଷ ଏଜ୍ କେସ୍ ପରୀକ୍ଷଣ କରିବା ପାଇଁ ଏକ ଉପାୟ ଭାବରେ ତ୍ରୁଟି ଇଞ୍ଜେକ୍ସନ୍ । ଯଦିଓ ଉଚ୍ଚସ୍ତରୀୟ ସ୍ୱୟଂଶାସିତତା ପ୍ରଦାନ କରୁଥିବା ଆଲଗୋରିଦମଗୁଡିକର ସୁରକ୍ଷା-ପ୍ରମାଣୀକରଣରେ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଆହ୍ୱାନଗୁଡିକ ରହିଆସିଛି, ଏହା ପରିବର୍ତ୍ତେ ସିଷ୍ଟମ ଏବଂ ଏହାର ଆନୁସଙ୍ଗିକ ଡିଜାଇନ୍ ପ୍ରକ୍ରିୟାକୁ ସ୍ଥାପିତ କରିବା ପାଇଁ ଉପଲବ୍ଧ ଥିବା ପରି ମନେହୁଏ ଯାହା ବର୍ତ୍ତମାନର ସଫ୍ଟୱେର୍ ସୁରକ୍ଷା ଆଭିମୁଖ୍ୟକୁ ନିୟୋଜିତ କରିବାରେ ସକ୍ଷମ ହେବ । |
64c83def2889146beb7ca2dddee2dae21d9ca6de | ଆମେ ଏକ ଆଲଗୋରିଦମ ଉପରେ ଗବେଷଣା କରୁଛୁ ଯାହା ଏକ ଯାନକୁ ନିର୍ଦ୍ଦିଷ୍ଟ ଭାବେ ଡ୍ରାଇଭରଙ୍କ ବିନା ଅନୁମତିରେ (ଯଥା, ଇଞ୍ଜିନରେ, କାରରେ, ବାହାନରେ) ଏକ ନିରାପଦ କିନ୍ତୁ ବ୍ୟକ୍ତିଗତ ଢଙ୍ଗରେ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଲେନ ପରିବର୍ତ୍ତନ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ଟର୍ନ୍ ସିଗନାଲ୍ ଆକ୍ଟିଭେଟ୍ କରିବା) ସ୍ୱୟଂଚାଳିତ ଚାଳନାରେ ଲେନ୍ ପରିବର୍ତ୍ତନ ଆରମ୍ଭ କରିବା ସାଧାରଣତଃ ବ୍ୟକ୍ତିଗତ ନିୟମ, ଆଖପାଖ ଯାନର ସ୍ଥିତି ଏବଂ ଆପେକ୍ଷିକ ବେଗ ଉପରେ ଆଧାରିତ । ଏହି ଆଭିମୁଖ୍ୟ ପ୍ରାୟତଃ ମନଇଚ୍ଛା ହୋଇଥାଏ ଏବଂ ଏହା କୌଣସି ବ୍ୟକ୍ତିର ଚାଳନା ଶୈଳୀ ପସନ୍ଦ ଅନୁସାରେ ସହଜରେ ଅନୁକୂଳ ହୋଇନଥାଏ । ଏଠାରେ ଆମେ ଏକ ଡାଟା-ଆଧାରିତ ମଡେଲିଂ ପଦ୍ଧତିର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ମାନବ ଡ୍ରାଇଭରଙ୍କ ଲେନ୍ ପରିବର୍ତ୍ତନ ନିଷ୍ପତ୍ତି ଆଚରଣକୁ ଧାରଣ କରିଥାଏ । ଆମେ ଏକ ପରୀକ୍ଷାମୂଳକ ଯାନ ସହିତ ତଥ୍ୟ ସଂଗ୍ରହ କରୁ ଏବଂ ଟ୍ରେନ୍ର ବର୍ଗୀକରଣକାରୀଙ୍କୁ ତାଲିମ ଦେଇ ନିର୍ଦ୍ଦିଷ୍ଟ ଚାଳକଙ୍କ ପସନ୍ଦକୁ ଦୃଷ୍ଟିରେ ରଖି ଲେନ୍ ପରିବର୍ତ୍ତନ ଆରମ୍ଭର ମୁହୂର୍ତ୍ତକୁ ଆକଳନ କରିଥାଉ । ଆମେ ଏହି ନିଷ୍ପତ୍ତିର ତର୍କକୁ ଏକ ମଡେଲ ପୂର୍ବାନୁମାନ ନିୟନ୍ତ୍ରଣ (ଏମପିସି) ରୂପରେଖରେ ଏକୀକୃତ କରିଛୁ ଯାହା ଏକ ଅଧିକ ବ୍ୟକ୍ତିଗତ ସ୍ୱୟଂଚାଳିତ ଲେନ ପରିବର୍ତ୍ତନ ଅଭିଜ୍ଞତା ସୃଷ୍ଟି କରିବ ଯାହା ସୁରକ୍ଷା ଏବଂ ଆରାମର ପ୍ରତିବନ୍ଧକକୁ ପୂରଣ କରିବ । ଆମେ ନିଷ୍ପତ୍ତି ତର୍କର କ୍ଷମତାକୁ ଦର୍ଶାଇଛୁ ଯାହା ଦୁଇ ଲେନ ପରିବର୍ତ୍ତନ ଶୈଳୀ ମଧ୍ୟରେ ପୁନଃ ଉତ୍ପାଦନ ଏବଂ ଭିନ୍ନତା ଦେଖାଇଥାଏ ଏବଂ ସିମୁଲେସନ ମାଧ୍ୟମରେ ନିୟନ୍ତ୍ରଣ ଫ୍ରେମୱାର୍କର ନିରାପତ୍ତା ଏବଂ ପ୍ରଭାବକୁ ଦର୍ଶାଇଥାଏ । |
2087c23fbc7890c1b27fe3f2914299cc0693306e | ଅନେକ କ୍ଷେତ୍ରରେ ସ୍ଵୟଂଚାଳିତ ନେଟୱାର୍କର ଉନ୍ନତି କମ୍ପ୍ୟୁଟରର ଭାଷା ଦକ୍ଷତାକୁ ଉନ୍ନତ କରିଥାଏ । |
680f268973fc8efd775a6bfe08487ee1c3cb9e61 | ଆମେ କର୍ମଚାରୀଙ୍କ ଆଭିମୁଖ୍ୟ ଉପରେ ପ୍ରଭାବକୁ ଅନୁସନ୍ଧାନ କରୁଛୁ ଯେ ସେମାନେ ସଂଗଠନ ବାହାରେ ଅନ୍ୟମାନଙ୍କୁ କିପରି ବ୍ୟବହାର କରୁଛନ୍ତି (ଯଥା, କର୍ପୋରେଟ୍ ସାମାଜିକ ଦାୟିତ୍ୱ) ସଂଗଠନ ଦ୍ୱାରା କର୍ମଚାରୀଙ୍କ ପ୍ରତ୍ୟକ୍ଷ ଭାବରେ କିପରି ବ୍ୟବହାର କରାଯାଏ ତାହାର ପ୍ରଭାବ ଉପରେ ଅଧିକ ଏବଂ ବାହାରେ । 18ଟି ସଂଗଠନରେ 827 କର୍ମଚାରୀଙ୍କ ଉପରେ କରାଯାଇଥିବା ଏକ ଅଧ୍ୟୟନର ଫଳାଫଳରୁ ଜଣାପଡିଛି ଯେ କର୍ପୋରେଟ ସାମାଜିକ ଦାୟିତ୍ୱ (ସିଏସ୍ଆର) ର କର୍ମଚାରୀଙ୍କ ଧାରଣା ସକାରାତ୍ମକ ଭାବରେ ଜଡିତ (ଏ) ସଂଗଠନିକ ପ୍ରତିବଦ୍ଧତା ସହିତ ସମ୍ପର୍କ ଆଂଶିକ ଭାବରେ କାର୍ଯ୍ୟର ଅର୍ଥପୂର୍ଣ୍ଣତା ଏବଂ ଅନୁଭୂତ ସଂଗଠନିକ ସମର୍ଥନ (ପିଓଏସ୍) ଦ୍ୱାରା ମଧ୍ୟସ୍ଥତା କରାଯାଏ ଏବଂ (ବି) କାର୍ଯ୍ୟ ସନ୍ତୁଷ୍ଟି ସହିତ କାର୍ଯ୍ୟର ଅର୍ଥପୂର୍ଣ୍ଣତା ଆଂଶିକ ଭାବରେ ସମ୍ପର୍କକୁ ମଧ୍ୟସ୍ଥତା କରେ କିନ୍ତୁ ପିଓଏସ୍ ନୁହେଁ । ଏଥିସହିତ, ସିଏସଆର କ୍ଷେତ୍ରରେ ସୀମିତ ମାଇକ୍ରୋ-ସ୍ତରୀୟ ଗବେଷଣାକୁ ସମାଧାନ କରିବା ପାଇଁ, ଆମେ ଚାରିଟି ପାଇଲଟ ଅଧ୍ୟୟନ ମାଧ୍ୟମରେ ସିଏସଆରକୁ ନେଇ କର୍ମଚାରୀଙ୍କ ଧାରଣାକୁ ମାପିବା ପାଇଁ ଏକ ମାପକ ବିକଶିତ କରୁଛୁ । ଏକ ଦ୍ୱି-କାରକ ମଡେଲ ବ୍ୟବହାର କରି ଆମେ ଜାଣିବାକୁ ପାଇଲୁ ଯେ ପରିବେଶ ଦାୟିତ୍ବ ବ୍ୟତୀତ ସାମାଜିକ ଦାୟିତ୍ବ ମଧ୍ୟ କର୍ମଚାରୀଙ୍କ ମନୋଭାବ ଉପରେ ଅଧିକ ପ୍ରଭାବ ପକାଇଥାଏ, ଯାହା ଆମେ ଭାବୁଛୁ ସାମାଜିକ ଦାୟିତ୍ବର ସମ୍ପର୍କୀୟ ଉପାଦାନ (ଯେପରିକି ସମ୍ପ୍ରଦାୟ ସହିତ ସମ୍ପର୍କ) କାରଣରୁ । |
9406ee01e3fda0932168f31cd3835a7d7a943fc6 | |
2402066417256a70d7bf36ee163af5eba0aed211 | ଏକ କଥିତ ବାର୍ତ୍ତାଳାପ ପ୍ରଣାଳୀ (ଏସଡିଏସ) ର ପ୍ରାକୃତିକ ଭାଷା ସୃଷ୍ଟି (ଏନଏଲଜି) ଉପାଦାନ ପାଇଁ ସାଧାରଣତଃ ବହୁ ପରିମାଣର ହସ୍ତଶିଳ୍ପ କିମ୍ବା ଏକ ଭଲ ଭାବରେ ଲେବଲ ହୋଇଥିବା ଡାଟାସେଟ ଆବଶ୍ୟକ ହୋଇଥାଏ । ଏହିସବୁ ସୀମିତତା ବିକାଶ ଖର୍ଚ୍ଚକୁ ଯଥେଷ୍ଟ ମାତ୍ରାରେ ବୃଦ୍ଧି କରିଥାଏ ଏବଂ ବିଭିନ୍ନ କ୍ଷେତ୍ର ଏବଂ ବହୁଭାଷୀ ଆଲୋଚନା ବ୍ୟବସ୍ଥାକୁ ଅକାମୀ କରିଥାଏ । ଏହା ସହିତ, ମାନବୀୟ ଭାଷା ପ୍ରସଙ୍ଗକୁ ନେଇ ସଚେତନ । ପୂର୍ବ ନିର୍ଦ୍ଧାରିତ ବାକ୍ୟବିନ୍ୟାସ ବା ନିୟମ ଉପରେ ନିର୍ଭର କରିବା ପରିବର୍ତ୍ତେ, ସବୁଠାରୁ ପ୍ରାକୃତିକ ପ୍ରତିକ୍ରିୟା ସିଧାସଳଖ ତଥ୍ୟରୁ ଶିଖିବା ଉଚିତ । ଏହି କାଗଜରେ ଏକ ପରିସଂଖ୍ୟାନିକ ଭାଷା ଜେନେରେଟର ଉପସ୍ଥାପିତ କରାଯାଇଛି ଯାହା ଏକ ମିଳିତ ପୁନଃପୌନିକ ଏବଂ କଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଢାଞ୍ଚା ଉପରେ ଆଧାରିତ ଯାହା କୌଣସି ଅର୍ଥନୈତିକ ସଂଯୋଜନ କିମ୍ବା ପୂର୍ବନିର୍ଦ୍ଧାରିତ ବ୍ୟାକରଣ ବୃକ୍ଷ ବିନା ସଂଳାପ କାର୍ଯ୍ୟ-ଉକ୍ତି ଯୋଡି ଉପରେ ତାଲିମ ଦିଆଯାଇପାରିବ । ଏହି ନୂଆ ମଡେଲର ପୂର୍ବବର୍ତ୍ତୀ ପଦ୍ଧତିଗୁଡ଼ିକର କାର୍ଯ୍ୟଦକ୍ଷତା ସମାନ ପରୀକ୍ଷାମୂଳକ ପରିସ୍ଥିତିରେ ଅଧିକ ବୋଲି ବସ୍ତୁଗତ ମାପଦଣ୍ଡରୁ ଜଣାପଡ଼ୁଛି । ମାନବ ବିଚାରକମାନଙ୍କ ଦ୍ୱାରା କରାଯାଇଥିବା ମୂଲ୍ୟାଙ୍କନର ଫଳାଫଳରୁ ଜଣାପଡ଼େ ଯେ ଏହା କେବଳ ଉଚ୍ଚ ଗୁଣବତ୍ତା ନୁହେଁ ବରଂ ଭାଷାଗତ ଭାବରେ ବିଭିନ୍ନ ପ୍ରକାରର ବକ୍ତବ୍ୟ ମଧ୍ୟ ପ୍ରଦାନ କରିଥାଏ ଯାହା n-ଗ୍ରାମ ଏବଂ ନିୟମ-ଆଧାରିତ ପ୍ରଣାଳୀ ତୁଳନାରେ ଅଧିକ ପସନ୍ଦଯୋଗ୍ୟ । |
d781b74cf002f9fffcb7f60c3c319c41797d702e | ଜଳଚାଷ କ୍ଷେତ୍ରରେ, ଉତ୍ପାଦନ (କଙ୍କଡ଼ା, ମାଛ ଆଦି) ଜଳଜୀବୀମାନଙ୍କ ପାଇଁ ଉଦ୍ଦିଷ୍ଟ ପୋଖରୀର ଜଳର ଗୁଣ ଉପରେ ନିର୍ଭର କରେ । ମାଛର ସର୍ବାଧିକ ଉତ୍ପାଦନ ପାଇଁ, ଜଳର କିଛି ସର୍ବୋତ୍ତମ ସ୍ତରରେ ରଖିବାକୁ ଥିବା ପାରାମିଟରଗୁଡିକ । ଏହି ପାରାମିଟରଗୁଡିକ ଦିନର ସମୟ ମଧ୍ୟରେ ବହୁତ ପରିବର୍ତ୍ତନ ହୋଇପାରେ ଏବଂ ବାହ୍ୟ ପରିବେଶର ପରିସ୍ଥିତି ଉପରେ ନିର୍ଭର କରି ଦ୍ରୁତ ଗତିରେ ପରିବର୍ତ୍ତନ ହୋଇପାରେ । ତେଣୁ ଏହି ପାରାମିଟରଗୁଡିକର ତଦାରଖ ଉଚ୍ଚତର ଫ୍ରିକ୍ୱେନ୍ସି ସହିତ କରିବା ଆବଶ୍ୟକ । ଏହି ସିଷ୍ଟମ ଦୁଇଟି ମଡ୍ୟୁଲ ଯଥା ଟ୍ରାନ୍ସମିଟର ଷ୍ଟେସନ ଏବଂ ରିସିଭର ଷ୍ଟେସନକୁ ନେଇ ଗଠିତ । ଏହି ତଥ୍ୟ ଜି.ଏସ୍.ଏମ୍. ଜରିଆରେ ରିସିଭର୍ ଷ୍ଟେସନରେ ଥିବା ଡାଟାବେସ୍ କୁ ପଠାଯାଏ । ଗ୍ରାଫିକାଲ ୟୁଜର ଇଣ୍ଟରଫେସକୁ ଏପରି ପ୍ରସ୍ତୁତ କରାଯାଇଛି ଯାହାଦ୍ୱାରା କୃଷକମାନଙ୍କୁ ସେମାନଙ୍କ ସ୍ଥାନୀୟ ଭାଷାରେ ଏକ ବାର୍ତ୍ତା ମାଧ୍ୟମରେ ସେମାନଙ୍କ ମୋବାଇଲ ଫୋନକୁ ପଠାଯାଇପାରିବ ଏବଂ ଅସ୍ୱାସ୍ଥ୍ୟକର ପରିବେଶରେ ସେମାନଙ୍କୁ ସତର୍କ କରାଯାଇପାରିବ । ମୂଳ ଶବ୍ଦ; ଜଳଜୀବୀ ଚାଷ; ବେତାର ସେନସର ନେଟୱର୍କ; ଆଇଏଆର-କିକ୍; ପିଏଚ; |
6fb3940ddd658e549a111870f10ca77ba3c4cf37 | ଆମେ ଏଭିଏ ଡାଟାସେଟରେ କାର୍ଯ୍ୟର ସ୍ଥାନୀୟକରଣ ପାଇଁ ଏକ ସରଳ ଆଧାରରେଖା ଉପସ୍ଥାପନ କରୁଛୁ । ଏହି ମଡେଲ ଫାଷ୍ଟର ଆର-ସିଏନଏନ ବୌଣ୍ଡିଙ୍ଗ ବକ୍ସ ଡିଟେକ୍ସନ ଫ୍ରେମୱାର୍କ ଉପରେ ଆଧାରିତ, ଯାହାକି ବିଶୁଦ୍ଧ ସ୍ପେସିଓ-ଟାଇମ୍ରଲ ବିଶେଷତା ଉପରେ କାର୍ଯ୍ୟ କରିବା ପାଇଁ ଅନୁକୂଳ କରାଯାଇଛି - ଆମ କ୍ଷେତ୍ରରେ ଏହା କେବଳ କାଇନେଟିକ୍ସ ଉପରେ ପୂର୍ବ ପ୍ରଶିକ୍ଷିତ ଆଇ୩ଡି ମଡେଲ ଦ୍ୱାରା ପ୍ରସ୍ତୁତ କରାଯାଇଛି । ଏହି ମଡେଲର ଏଭିଏ ଭେ.୨.୧ ର ବୈଧତା ସେଟରେ ୨୧.୯% ହାରାହାରି ଏପି ମିଳିଥାଏ, ଯାହାକି ମୂଳ ଏଭିଏ ପେପରରେ ବ୍ୟବହୃତ ସର୍ବୋତ୍ତମ ଆରଜିବି ସ୍ପେସିଓଟାଇମରାଲ ମଡେଲ ପାଇଁ ୧୪.୫%ରୁ ଅଧିକ (ଯାହା କିନେଟିକ୍ସ ଏବଂ ଇମେଜନେଟରେ ପୂର୍ବ ପ୍ରଶିକ୍ଷିତ ହୋଇଥିଲା) ଏବଂ ଇମେଜନେଟରେ ପୂର୍ବ ପ୍ରଶିକ୍ଷିତ ହୋଇଥିବା ରେସନେଟ ୧୦୧ ଇମେଜ ଫିଚର ଏକ୍ସଟ୍ରାକ୍ଟର ବ୍ୟବହାର କରି ସର୍ବସାଧାରଣରେ ଉପଲବ୍ଧ ବେସଲାଇନର ୧୧.୩%ରୁ ଅଧିକ । ଆମର ଚୂଡ଼ାନ୍ତ ମଡେଲରେ ଭାଲ/ପରୀକ୍ଷା ସେଟଗୁଡ଼ିକରେ 22.8%/21.9% ଏମଏପି ହାସଲ ହୋଇଛି ଏବଂ ସିଭିପିଆର 2018ରେ ଏଭିଏ ଆହ୍ୱାନରେ ସମସ୍ତ ସବମିଶନକୁ ଅତିକ୍ରମ କରିଛି । |
2060441ed47f6cee9bab6c6597a7709836691da3 | `1- ନିୟମିତ ସର୍ବାଧିକ ସମ୍ଭାବ୍ୟତା ଆକଳନ ସମସ୍ୟା ନିକଟରେ ମେସିନ୍ ଶିକ୍ଷା, ପରିସଂଖ୍ୟାନ ଏବଂ ଅପ୍ଟିମାଇଜେସନ୍ ସମ୍ପ୍ରଦାୟ ମଧ୍ୟରେ ଏକ ବିରଳ ଇନଭର୍ସ କୋଭାରିଏନ୍ସ ଆକଳନକାରୀ ଉତ୍ପାଦନ ପାଇଁ ଏକ ପଦ୍ଧତି ଭାବରେ ଏକ ମହତ୍ତ୍ୱପୂର୍ଣ୍ଣ ବିଷୟ ପାଲଟିଛି । ଏହି ଅଧ୍ୟୟନରେ `୧- ନିୟମିତ କୋଭାରିଏନ୍ସ ମାଟ୍ରିକ୍ସ ଆକଳନ କରିବା ପାଇଁ ଏକ ପ୍ରୋକ୍ସିମାଲ ଗ୍ରାଡିଏଣ୍ଟ ପଦ୍ଧତି (ଜି-ଆଇଏସଟିଏ) ଉପସ୍ଥାପିତ କରାଯାଇଛି । ଏହି ସମସ୍ୟାର ସମାଧାନ ପାଇଁ ଅନେକଗୁଡ଼ିଏ ଆଲଗୋରିଦମ ପ୍ରସ୍ତାବିତ ହୋଇଥିଲେ ମଧ୍ୟ ଏହି ସରଳ ଆନୁପାତିକ ଗ୍ରାଡିଏଣ୍ଟ ପଦ୍ଧତି ଆକର୍ଷଣୀୟ ଥିଓରିଟିକାଲ ଏବଂ ସଂଖ୍ୟାଗତ ଗୁଣବତ୍ତା ଥିବା ଜଣାପଡିଛି । G-ISTA ରେ ଏକ ରେଖୀ ସମନ୍ୱୟ ହାର ଅଛି, ଯାହା ଫଳରେ O ((log ε) ପୁନରାବୃତ୍ତି ଜଟିଳତା ε ର ସହନଶୀଳତା ପର୍ଯ୍ୟନ୍ତ ପହଞ୍ଚେ । ଏହି କାଗଜରେ ଜି-ଆଇଏସଟିଏର ପୁନଃପୌନିକ ପାଇଁ ସ୍ୱୟଂ ମୂଲ୍ୟ ସୀମା ଦିଆଯାଇଛି, ଯାହାକି ଏକ ବନ୍ଦ-ଫର୍ମ ରେଖୀଗତ ସମ୍ମିଶ୍ରଣ ହାର ପ୍ରଦାନ କରିଥାଏ । ଏହି ହାର ସର୍ବୋତ୍ତମ ବିନ୍ଦୁର ସ୍ଥିତି ସଂଖ୍ୟା ସହିତ ନିବିଡ଼ ଭାବରେ ସମ୍ବନ୍ଧିତ ବୋଲି ଦର୍ଶାଯାଇଛି । ପ୍ରସ୍ତାବିତ ପଦ୍ଧତିର ସଂଖ୍ୟାଗତ ସମ୍ମିଶ୍ରଣ ଫଳାଫଳ ଏବଂ ସମୟ ତୁଳନା ଉପସ୍ଥାପିତ କରାଯାଇଛି । ବିଶେଷ କରି ଯେତେବେଳେ ସର୍ବୋତ୍ତମ ସ୍ଥାନ ଭଲ ଭାବେ ସନ୍ତୁଳିତ ହୋଇଥାଏ ସେତେବେଳେ ଜି-ଆଇଏସଟିଏ ବହୁତ ଭଲ ଭାବେ କାର୍ଯ୍ୟ କରିଥାଏ । |
4a20823dd4ce6003e31f7d4e0649fe8c719926f2 | ଜିନ କାର୍ଯ୍ୟକୁ ବିଶ୍ୱସ୍ତରରେ ବୁଝିବା ପାଇଁ ଆମେ ଜିନ ଯୋଡି ଚିହ୍ନଟ କରିଛୁ ଯାହା ମନୁଷ୍ୟ, ମାଛି, କୀଟ ଏବଂ ଖମୀରର ୩୧୮୨ ଡିଏନଏ ମାଇକ୍ରୋରେରେ ପ୍ରକାଶିତ ହୋଇଛି । ଆମେ ୨୨,୧୬୩ଟି ଏପରି ସହ-ପ୍ରକଟ ସମ୍ପର୍କ ପାଇଲୁ, ଯାହା ମଧ୍ୟରୁ ପ୍ରତ୍ୟେକ ବିବର୍ତ୍ତନ ମାଧ୍ୟମରେ ସଂରକ୍ଷିତ ହୋଇଛି । ଏହି ସଂରକ୍ଷଣର ଅର୍ଥ ହେଉଛି ଏହି ଜିନ ଯୋଡିଗୁଡିକର ସହ-ପ୍ରକାଶ ଚୟନକ ଲାଭ ପ୍ରଦାନ କରେ ଏବଂ ତେଣୁ ଏହି ଜିନଗୁଡିକ କାର୍ଯ୍ୟକ୍ଷମ ଭାବରେ ସମ୍ବନ୍ଧିତ । ଏହି ସମ୍ପର୍କ ମଧ୍ୟରୁ ଅନେକ ଜୈବିକ କାର୍ଯ୍ୟ ଯଥା କୋଷ ଚକ୍ର, ସ୍ରାବ ଏବଂ ପ୍ରୋଟିନ ଅଭିବ୍ୟକ୍ତିରେ ନୂତନ ଜିନର ସମ୍ପୃକ୍ତି ପାଇଁ ଦୃଢ଼ ପ୍ରମାଣ ପ୍ରଦାନ କରିଥାଏ । ଆମେ ପରୀକ୍ଷାମୂଳକ ଭାବେ ଏହି ଲିଙ୍କଗୁଡ଼ିକରୁ କିଛି ପୂର୍ବାନୁମାନକୁ ନିଶ୍ଚିତ କରିଥିଲୁ ଏବଂ ଅନେକ ଜିନ ପାଇଁ ସେଲ ପ୍ରଲିଫରେସନ ଫଙ୍କସନକୁ ଚିହ୍ନଟ କରିଥିଲୁ । ଏହି ଲିଙ୍କଗୁଡିକୁ ଏକ ଜିନ-କୋଏକ୍ସପ୍ରେସନ ନେଟୱାର୍କରେ ଏକତ୍ର କରି, ଆମେ ଅନେକ ଉପାଦାନ ପାଇଲୁ ଯାହା ପଶୁ-ନିର୍ଦ୍ଦିଷ୍ଟ ଥିଲା ଏବଂ ନୂତନ ବିକଶିତ ଏବଂ ପ୍ରାଚୀନ ମଡ୍ୟୁଲଗୁଡିକ ମଧ୍ୟରେ ପାରସ୍ପରିକ ସମ୍ପର୍କ ମଧ୍ୟ ଥିଲା । |
25c760c11c7803b2aefd6b6ae36f15908f76b544 | ଆମେ ବିଚଳିତ ଗ୍ରାଫକୁ ଅନୁମାନ କରିବା ପାଇଁ ସମସ୍ୟାକୁ ବିଚାର କରୁଛୁ, ଯାହାକୁ ଇନଭର୍ସ କୋଭାରିଏନ୍ସ ମ୍ୟାଟ୍ରିକ୍ସରେ ପ୍ରୟୋଗ କରାଯାଇ ଲାସୋ ପେନାଲ୍ଟି ଦ୍ୱାରା ଅନୁମାନ କରାଯାଇଥାଏ । ଲାସୋ ପାଇଁ ଏକ କୋଅର୍ଡିନେଟ ଅବତରଣ ପଦ୍ଧତି ବ୍ୟବହାର କରି, ଆମେ ଏକ ସରଳ ଆଲଗୋରିଦମ - ଗ୍ରାଫିକାଲ ଲାସୋ - ବିକଶିତ କରିଛୁ ଯାହା ଉଲ୍ଲେଖନୀୟ ଭାବରେ ଦ୍ରୁତ ଅଟେ: ଏହା ସର୍ବାଧିକ ଏକ ମିନିଟରେ 1000-ନୋଡ ସମସ୍ୟା (ପ୍ରାୟ 500,000 ପାରାମିଟର) ସମାଧାନ କରିଥାଏ ଏବଂ ପ୍ରତିଯୋଗୀ ପଦ୍ଧତି ଅପେକ୍ଷା 30-4000 ଗୁଣ ଦ୍ରୁତ ଅଟେ । ଏହା ମଧ୍ୟ ସଠିକ ସମସ୍ୟା ଏବଂ ମଇନଶାଉସେନ ଏବଂ ବୁହଲମ୍ୟାନ (୨୦୦୬) ଦ୍ୱାରା ପ୍ରସ୍ତାବିତ ଅନୁମାନ ମଧ୍ୟରେ ଏକ ଧାରଣା ସମ୍ବନ୍ଧ ପ୍ରଦାନ କରେ । ଆମେ ପ୍ରୋଟିମିକ୍ସରୁ କିଛି ସେଲ-ସିଗନାଲିଂ ତଥ୍ୟ ଉପରେ ଏହି ପଦ୍ଧତିକୁ ବର୍ଣ୍ଣନା କରୁଛୁ । |
256f63cba7ede2a58d56a089122466bc35ce6abf | ଏହି କାଗଜରେ ଭିଡିଓରେ ବସ୍ତୁମାନଙ୍କର ଅର୍ଥଗତ ବିଭାଜନ ପାଇଁ ଏକ ନୂତନ ଢାଞ୍ଚା ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି । ଆମେ ଗଭୀର କଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କ (ଡିସିଏନଏନ) ର ଲେବଲ ଅସଙ୍ଗତି ସମସ୍ୟାକୁ ସମାଧାନ କରିଥାଉ କାରଣ ଭିଡିଓରେ ଏକାଧିକ ଫ୍ରେମ ଥାଏ । କିଛି ଫ୍ରେମରେ ବସ୍ତୁକୁ ଆତ୍ମବିଶ୍ୱାସରେ ଆକଳନ କରାଯାଇଥାଏ (ସିଇ) ଏବଂ ଆମେ ସେଗୁଡ଼ିକରେ ଥିବା ସୂଚନାକୁ ଅନ୍ୟ ଫ୍ରେମର ଲେବଲକୁ ଉନ୍ନତ କରିବା ପାଇଁ ବ୍ୟବହାର କରିଥାଉ । ଡିସିଏନଏନରୁ ପ୍ରାପ୍ତ ପ୍ରତ୍ୟେକ ଫ୍ରେମର ଅର୍ଥାତ୍ମକ ବିଭାଜନ ଫଳାଫଳକୁ ଦୃଷ୍ଟିରେ ରଖି, ଆମେ ବିଭିନ୍ନ ପରିସ୍ଥିତିରେ ସାଧାରଣ ବସ୍ତୁ ଅପେକ୍ଷା ଭିଡିଓରେ ନିର୍ଦ୍ଦିଷ୍ଟ ଉଦାହରଣ ଉପରେ ଧ୍ୟାନ ଦେଇ ଇନପୁଟ୍ ଭିଡିଓକୁ ଡିସିଏନଏନ ମଡେଲକୁ ଅନୁକୂଳ କରିବା ପାଇଁ ଅନେକ ସିଇ ଫ୍ରେମର ନମୁନା ନେଉଛୁ । ଆମେ ଭିନ୍ନ ଭିନ୍ନ ତଦାରଖ ସ୍ତରରେ ଅଫଲାଇନ ଏବଂ ଅନଲାଇନ ଆଭିମୁଖ୍ୟର ପ୍ରସ୍ତାବ ଦେଉଛୁ । ପରୀକ୍ଷଣରେ ଆମର ପଦ୍ଧତି ମୂଳ ମଡେଲ ଓ ପୂର୍ବବର୍ତ୍ତୀ ଅତ୍ୟାଧୁନିକ ପଦ୍ଧତି ତୁଳନାରେ ବହୁତ ଉନ୍ନତି ହାସଲ କରିଛି । c © 2016 ଏଲ୍ସେଭିୟର ଲିଃ ସମସ୍ତ ଅଧିକାର ସଂରକ୍ଷିତ। |
da411a876b4037434e4f47f7d14f0fca1ca0cad8 | |
127a818c2ba1bbafbabc62d4163b0dd98364f64a | ଏହି କାଗଜରେ ଧାତୁ-କଭର ସ୍ମାର୍ଟଫୋନ୍ ପ୍ରୟୋଗ ପାଇଁ ଏକ ନର୍ଦ୍ଦ-ଫିଲ୍ଡ କମ୍ୟୁନିକେସନ୍ (ଏନଏଫସି) ଆଣ୍ଟିନା ସମାଧାନ ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି । ଏହି ଏନଏଫସି ଆଣ୍ଟିନା ସମାଧାନରେ, ଏକ ସଂକୀର୍ଣ୍ଣ ସ୍ଲଟ୍ ପ୍ରଥମେ ଧାତୁ କଭରରେ ଭର୍ତ୍ତି ହୋଇଥାଏ, ଏବଂ ସ୍ମାର୍ଟଫୋନର ବାହ୍ୟ ରୂପ ଡିଜାଇନ୍ ଅନୁଯାୟୀ ଏହି ସ୍ଲଟର ସ୍ଥିତି ପରିବର୍ତ୍ତନ କରାଯାଇପାରିବ (ନମନୀୟତା ସହିତ) । ଏହା ପରେ ଏକ ଅଣ ପାରମ୍ପରିକ ଛଅ-ବୃତ୍ତ କଏଲ (ଛଅ-ପାର୍ଶ୍ୱ ବିଶିଷ୍ଟ ଅନିୟମିତ ଷଷ୍ଠିକୋଣୀୟ ଆକୃତି ସହିତ) ଡିଜାଇନ୍ କରାଯାଇଛି ଯାହାର ଏକ ଅନିୟମିତ ଲାଇନ୍ ଚଉଡା ଏବଂ ଦୁଇଟି ଲାଇନ୍ ମଧ୍ୟରେ ଏକ ଅନିୟମିତ ଲାଇନ୍ ବ୍ୟବଧାନ ଅଛି, ଏବଂ ଏହା ଆଂଶିକ ଭାବରେ ଏକ ଆୟତନ ବିଶିଷ୍ଟ ଫେରିଟ୍ କମ୍ପୋଜିଟ୍ ସହିତ ଭାରଯୁକ୍ତ ହୋଇଛି । ଏହି ଡିଜାଇନରେ, ଏକ ଉନ୍ନତ ଚୁମ୍ବକୀୟ ଶକ୍ତିର ରେଖା ନିର୍ଦ୍ଦିଷ୍ଟ ସ୍ଥାନରେ ଅନୁଭବ କରାଯାଇପାରିବ ଏବଂ ଏକ ଉତ୍କୃଷ୍ଟ ଇଣ୍ଡକ୍ଟିଭ୍ କପଲ୍ଡ ନିକଟସ୍ଥ କ୍ଷେତ୍ର ରିସିଭର ହାସଲ କରାଯାଇପାରିବ । ବିଶେଷ କରି ଏହି ପ୍ରସ୍ତାବିତ ଏନଏଫସି ଆଣ୍ଟିନା ଏନଏଫସି ଫୋରମ ପ୍ରମାଣପତ୍ରରେ ଆବଶ୍ୟକ ପରୀକ୍ଷାରେ ଉତ୍ତୀର୍ଣ୍ଣ ହୋଇପାରିବ ଏବଂ ଏହାର କାର୍ଯ୍ୟଦକ୍ଷତା ପାରମ୍ପରିକ ଏନଏଫସି ଆଣ୍ଟିନା ସହିତ ତୁଳନାଯୋଗ୍ୟ ଯାହା ନନମେଟାଲିକ କଭର ସହିତ ରହିଛି । |
3786308bf65cde7e5c0b320ab6cc01a8ab0abfff | ଏହି ଟାବଲେଟ ପିସିର ଏକ ସଙ୍କୁଚିତ ସୀମା ଏବଂ ସମ୍ପୂର୍ଣ୍ଣ ଧାତୁଯୁକ୍ତ ପଛ-କଭର ରହିଛି । ଲୁଲ ଆଣ୍ଟେନା ର ଉଭୟ ପାର୍ଶ୍ବରେ ଫେରିଟ ପ୍ଲେଟ ଲଗାଇ ଏକ କ୍ଷୁଦ୍ର ଲୁଲ ଆଣ୍ଟେନା ଡିଜାଇନ ପ୍ରସ୍ତୁତ କରାଯାଏ । ଫେରାଇଟ ପଟ୍ଟଗୁଡ଼ିକ ଏନ୍ଏଫ୍ସିର ଯୋଗାଯୋଗ ପରିସରକୁ ଉନ୍ନତ କରିବା ପାଇଁ ଲୁପ୍ ଆଣ୍ଟେନା ଦ୍ୱାରା ସଂଲଗ୍ନ ଧାତୁ ବ୍ୟାକକଭର ଉପରେ ସୃଷ୍ଟି ହେଉଥିବା ଇଡି କରେଣ୍ଟକୁ ହ୍ରାସ କରିପାରେ । କେବଳ ଟାବଲେଟ ପିସିର କଡ଼ରେ ଆଣ୍ଟିନା ବିକିରଣ କରିଥାଏ କାରଣ ଏହାର ସମ୍ପୂର୍ଣ୍ଣ ଧାତୁ ରୂପରେ ରହେ । ତେଣୁ ଟାବଲେଟ ପିସିର କଡ଼ରେ ଏନଏଫସି ଆଣ୍ଟିନା ସ୍ଥାପନ କରିବା ପାଇଁ ଏହା ଛୋଟ ହେବା ଆବଶ୍ୟକ । ତେଣୁ ଆମେ ଏକ କ୍ଷୁଦ୍ର ଏନଏଫସି ଆଣ୍ଟିନା ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହାର ଆକାର ମାତ୍ର 41.5 (ଲ) × 7.5 (ୱ) × 0.45 (ଟି) ମିମି3 । ସିମୁଲେଟେଡ୍ ଚୁମ୍ବକୀୟ କ୍ଷେତ୍ର ବଣ୍ଟନ ମାପିତ ଭୋଲଟେଜ୍ ବଣ୍ଟନ ସହିତ ସମାନ । ଏହି ଡିଜାଇନର ଟଚସ୍କ୍ରିନ ପ୍ୟାନେଲ ଆଗରେ 6 ସେଣ୍ଟିମିଟରରୁ ଅଧିକ ଭଲ ଯୋଗାଯୋଗର ପରିସର ରହିଛି ଏବଂ ଏହା ମେଟାଲ ବ୍ୟାକକଭର ଉପରେ ଅନ୍ୟ ପାର୍ଶ୍ୱରେ 2 ସେଣ୍ଟିମିଟର ପର୍ଯ୍ୟନ୍ତ ପହଞ୍ଚିଥାଏ । ଟାବଲେଟ ପିସି ପାଇଁ ନର୍ମାଲ ଫିଲ୍ଡ କମ୍ୟୁନିକେସନ (ଏନଏଫସି) ଆଣ୍ଟିନା ଡିଜାଇନର ଏକ ନୂଆ ଢାଞ୍ଚା ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.