_id
stringlengths 40
40
| text
stringlengths 0
9.6k
|
|---|---|
fe13e79621be1fea2f6f4f37417155fb7079b05a | କେବଳ ଦୁଇଟି ଟ୍ରାନଜିଷ୍ଟର ବ୍ୟବହାର କରି ଏକ ସୁଇଚ୍ଡ-କ୍ୟାପାସିଟର ରିଜୋନାଣ୍ଟ ସର୍କିଟ ପରିବାର ଉପସ୍ଥାପିତ କରାଯାଇଛି । ଏହି ସର୍କିଟ ଶୂନ-ପ୍ରବାହ ସୁଇଚରେ କାମ କରେ ଏବଂ ସେଥିପାଇଁ ସୁଇଚ କ୍ଷତି ଶୂନ ଅଟେ । ଏହା ଭୋଲ୍ଟେଜ୍ ରୂପାନ୍ତରଣର ଏକ ବ୍ୟାପକ ବିକଳ୍ପ ପ୍ରଦାନ କରିଥାଏ ଯେଉଁଥିରେ ଫ୍ରାକ୍ଚନାଲ୍ ତଥା ଏକାଧିକ ଏବଂ ଇନଭର୍ଟେଡ୍ ଭୋଲ୍ଟେଜ୍ ରୂପାନ୍ତରଣ ଅନୁପାତ ଅନ୍ତର୍ଭୁକ୍ତ । |
90fcb6bd123a88bc6be5ea233351f0e12d517f98 | |
ac7023994da7768224e76d35c6178db36062182c | |
050b64c2343ef3c7f0c60285e4429e9bb8175dff | ଏହିସବୁ ଉପକରଣ ବର୍ତ୍ତମାନର ସମ୍ପର୍କୀୟ ତଥ୍ୟ ପରିଚାଳନା ପ୍ରଣାଳୀ ସହିତ କିପରି ଏକୀକୃତ ହୋଇପାରିବ? ଉଦ୍ୟୋଗର ସୁରକ୍ଷା ଆବଶ୍ୟକତାକୁ କିପରି ପୂରଣ କରାଯାଇପାରିବ? ବାସ୍ତବିକ ଅଟୋମୋବାଇଲ ପ୍ରୟୋଗ ପାଇଁ ଏହି ଉପକରଣଗୁଡ଼ିକର କାର୍ଯ୍ୟଦକ୍ଷତା ବୈଶିଷ୍ଟ୍ୟଗୁଡ଼ିକ କ ଣ? ଶେଷ ପ୍ରଶ୍ନର ଉତ୍ତର ପାଇଁ ଆମେ ଏକ ମାନକ ମାନକ (ଟିପିସିଏକ୍ସ-ଏଚଏସ) ଏବଂ ଦୁଇଟି ପ୍ରୟୋଗ ମାନକ (ଏସକ୍ୟୁଏଲ ଏବଂ ମେସିନ ଲର୍ଣ୍ଣିଂ) ବ୍ୟବହାର କରିଥାଉ ଯାହା ଏକାଧିକ ଟେରାବାଇଟ ଏବଂ ବିଲିୟନ ସଂଖ୍ୟକ ଧାଡ଼ିର ଡାଟାସେଟ ଉପରେ କାର୍ଯ୍ୟ କରିଥାଏ । ଯାନବାହନ ବିକାଶ ଠାରୁ ଆରମ୍ଭ କରି ଉତ୍ପାଦନ ଏବଂ ସେବା ପ୍ରକ୍ରିୟା, ସଂଯୁକ୍ତ ଯାନକୁ କେନ୍ଦ୍ର କରି ଅନଲାଇନ ସେବା ପର୍ଯ୍ୟନ୍ତ, ଏହି ତଥ୍ୟ ଅଟୋମୋବାଇଲ ଉଦ୍ୟୋଗକୁ ଅଧିକ ପ୍ରଭାବିତ କରୁଛି । ସଂଯୁକ୍ତ, ମୋବାଇଲ ଏବଂ ଇଣ୍ଟରନେଟ ଅଫ ଥିଙ୍ଗ୍ସ ଉପକରଣ ଏବଂ ମେସିନଗୁଡିକ ଅପାର ପରିମାଣର ସେନସର ତଥ୍ୟ ସୃଷ୍ଟି କରନ୍ତି । ଏହି ତଥ୍ୟକୁ ପ୍ରୋସେସ୍ କରିବା ଏବଂ ବିଶ୍ଳେଷଣ କରିବାର କ୍ଷମତା ଯାହା ବୁଦ୍ଧିମାନ ସେବାକୁ ସକ୍ଷମ କରେ, ବ୍ୟବସାୟିକ ସମସ୍ୟାକୁ ବୁଝିବା ପାଇଁ ନୂତନ ଉପାୟ, ପ୍ରକ୍ରିୟାଗୁଡ଼ିକର ଉନ୍ନତି ଏବଂ ନିଷ୍ପତ୍ତି, ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କ୍ଷମତା ଅଟେ । ହାଡୋପ ହେଉଛି ଏକ ମାପଯୋଗ୍ୟ ପ୍ଲାଟଫର୍ମ ଯାହା କମ୍ପ୍ୟୁଟ ଏବଂ ଷ୍ଟୋରେଜ ପାଇଁ ବ୍ୟବହାର କରାଯାଇଥାଏ ଏବଂ ଏହା ଇଣ୍ଟରନେଟ କମ୍ପାନୀ ଏବଂ ବୈଜ୍ଞାନିକ ସମୁଦାୟରେ ବିଗ ଡାଟା ପ୍ରୋସେସିଂ ପାଇଁ ଏକ ମାନକ ଭାବରେ ଉଭା ହୋଇଛି । ତେବେ, ଅଟୋମୋବାଇଲ ଆପ୍ଲିକେସନ ଏବଂ ସିଷ୍ଟମକୁ ବୃଦ୍ଧି କରିବା ପାଇଁ ଏହି ନୂତନ ହାଡୋପ କ୍ଷମତାକୁ କିପରି ଏବଂ କେଉଁ ବ୍ୟବହାର କ୍ଷେତ୍ରରେ ଦକ୍ଷତାର ସହିତ ବ୍ୟବହାର କରାଯାଇପାରିବ ସେ ବିଷୟରେ ବୁଝାମଣା ଅଭାବ ରହିଛି । ଏହି ପତ୍ରିକାରେ ଅଟୋମୋବାଇଲ ଉଦ୍ୟୋଗରେ ହାଡୋପକୁ ବ୍ୟବହାର କରିବା ପାଇଁ ବ୍ୟବହାର ମାମଲା ଏବଂ ପ୍ରୟୋଗର ସର୍ବେକ୍ଷଣ କରାଯାଇଛି । ବର୍ଷ ବର୍ଷ ଧରି ହାଡୋପ ଆଖପାଖରେ ଏକ ସମୃଦ୍ଧ ଇକୋସିଷ୍ଟମ ସୃଷ୍ଟି ହୋଇଥିଲା ଯେଉଁଥିରେ ସମାନ୍ତରାଳ, ଇନ-ମେମୋରୀ ଏବଂ ଷ୍ଟ୍ରିମ୍ ପ୍ରୋସେସିଂ (ବିଶେଷ କରି ମ୍ୟାପ ରେଡ୍ୟୁସ୍ ଏବଂ ସ୍ପାର୍କ), ଏସକ୍ୟୁଏଲ୍ ଏବଂ ଏନଓଏସକ୍ୟୁଏଲ୍ ଇଞ୍ଜିନ (ହାଇଭ୍, ଏଚବିଏସ୍), ଏବଂ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ (ମାହୁଟ୍, ଏମଏଲିବ) ପାଇଁ ଉପକରଣ ରହିଥିଲା । ଅଟୋମୋବାଇଲ ପ୍ରୟୋଗ ଏବଂ ଏହାର ବୈଶିଷ୍ଟ୍ୟ ଏବଂ ଡାଟା ଆବିଷ୍କାର, ଏକୀକରଣ, ଅନୁସନ୍ଧାନ ଏବଂ ବିଶ୍ଳେଷଣ ପାଇଁ ଆବଶ୍ୟକତାକୁ ବୁଝିବା ଅତ୍ୟନ୍ତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । ତାପରେ ଆମେ ଏହି ଆବଶ୍ୟକତା ଗୁଡିକୁ ଏକ ସୀମିତ ବୈଷୟିକ ସ୍ଥାପତ୍ୟ ସହିତ ମେଳ କରିଥାଉ ଯେଉଁଥିରେ ତଥ୍ୟ ଗ୍ରହଣ, ପ୍ରକ୍ରିୟାକରଣ ଏବଂ ବିଶ୍ଳେଷଣ ପାଇଁ ମୂଳ ହଡୋପ ସେବା ଏବଂ ଲାଇବ୍ରେରୀ ଅନ୍ତର୍ଭୁକ୍ତ । ଏହି କାଗଜର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ପ୍ରଶ୍ନଗୁଡିକର ସମାଧାନ କରିବା, ଯେପରିକି: କେଉଁ ପ୍ରୟୋଗ ଏବଂ ଡାଟାସେଟ୍ Hadoop ପାଇଁ ଉପଯୁକ୍ତ? କିପରି ବହୁ-ଚାଲାଣକାରୀ ହାଡୋପ କ୍ଲଷ୍ଟରରେ ବିଭିନ୍ନ ପ୍ରକାରର ଫ୍ରେମୱାର୍କ ଏବଂ ଉପକରଣ ପରିଚାଳନା କରାଯାଇପାରିବ? |
b8a0cfa55b3393de4cc600d115cf6adb49bfa4ee | ସୋସିଆଲ ନେଟୱାର୍କ ଏବଂ ଅନଲାଇନ ସାଇଟର ବ୍ୟବହାର ବୃଦ୍ଧି ପାଇବା ଫଳରେ ଲୋକମାନେ ନିଜର ମତାମତ ପ୍ରକାଶ କରିପାରିବେ । ମତାମତ ଖନନର ଏକ ମୁଖ୍ୟ କାର୍ଯ୍ୟ ହେଉଛି ମତାମତ ସକାରାତ୍ମକ କି ନକାରାତ୍ମକ ତାହା ନିର୍ଦ୍ଧାରଣ କରିବା । ତେଣୁ, ୱେବରେ ପ୍ରକାଶିତ ଭାବନାଗୁଡିକର ଭୂମିକା ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ହୋଇପଡିଛି, ମୁଖ୍ୟତଃ ଗ୍ରାହକ କିମ୍ବା ନାଗରିକଙ୍କ ମତାମତଗୁଡ଼ିକର ଅର୍ଥାତ୍ମକ ଦିଗକୁ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଚିହ୍ନଟ କରିବା ପାଇଁ ବ୍ୟବସାୟ ଏବଂ ସରକାରଙ୍କ ଚିନ୍ତା ହେତୁ । ଏହା ମଧ୍ୟ ଏକ ଚିନ୍ତାର ବିଷୟ, ସ୍ୱାସ୍ଥ୍ୟ କ୍ଷେତ୍ରରେ ମାନସିକ ରୋଗର ଚିହ୍ନଟ କରିବା । ଏହି ଗବେଷଣା SWePT (ସ୍ପେନିଶ ଭାଷାରେ ପୋଲାର୍ଟିଟି ଚିହ୍ନଟ ପାଇଁ ୱେବ ସର୍ଭିସ) ନାମକ ଏକ ୱେବ ଆପ୍ଲିକେସନର ବିକାଶ ଉପରେ କେନ୍ଦ୍ରିତ, ଯାହା ମେକ୍ସିକାନ ସ୍ପେନିଶ ଭାଷାରେ ଥିବା ଏକ ଆବେଗିକ ଶବ୍ଦକୋଷରୁ ଏହାର ବୈଶିଷ୍ଟ୍ୟ ବାହାର କରି ସିକ୍ୱେନ୍ସିଆଲ ମିନିମଲ ଅପ୍ଟିମାଇଜେସନ୍ (SMO) ଆଲଗୋରିଦମକୁ କାର୍ଯ୍ୟକାରୀ କରିଥାଏ । ଏହି ଉଦ୍ଦେଶ୍ୟରେ ମେକ୍ସିକୋ ସ୍ପାନିଶରେ ଏକ କୋରପସ୍ ଏବଂ ଏକ ଆବେଗିକ ଶବ୍ଦକୋଷ ସୃଷ୍ଟି କରାଯାଇଥିଲା । ତିନୋଟି (ଅନୁକୂଳ, ନିରପେକ୍ଷ, ନକାରାତ୍ମକ) ଏବଂ ପାଞ୍ଚଟି (ବହୁତ ସକାରାତ୍ମକ, ସକାରାତ୍ମକ, ନିରପେକ୍ଷ, ନକାରାତ୍ମକ ଏବଂ ଅତ୍ୟନ୍ତ ନକାରାତ୍ମକ) ଶ୍ରେଣୀ ବ୍ୟବହାର କରି କରାଯାଇଥିବା ପରୀକ୍ଷଣ ଆମକୁ ଉପସ୍ଥାପିତ ପଦ୍ଧତିର ପ୍ରଭାବଶୀଳତା ପ୍ରଦର୍ଶନ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ଏସୱିପିଟି ଇମୋସନ୍-ବ୍ରାସଲେଟ୍ ଇଣ୍ଟରଫେସରେ ମଧ୍ୟ କାର୍ଯ୍ୟକାରୀ କରାଯାଇଛି, ଯାହା ଗ୍ରାଫିକାଲ ଭାବରେ ଜଣେ ବ୍ୟବହାରକାରୀଙ୍କ ମତାମତକୁ ଦର୍ଶାଇଥାଏ । |
f176b7177228c1a18793cf922455545d408a65ae | ଭୂମି, ସମୁଦ୍ର, ଆକାଶ ଏବଂ ମହାକାଶ ଯାନରେ ମଲ୍ଟି କନ୍ଭର୍ଟର ପାୱାର ଇଲେକ୍ଟ୍ରୋନିକ ସିଷ୍ଟମ ରହିଛି । ଏହି ସିଷ୍ଟମରେ, ଲୋଡ୍ କନ୍ଭର୍ଟରଗୁଡ଼ିକ ଫିଡର୍ କନ୍ଭର୍ଟରଗୁଡ଼ିକ ପାଇଁ ସ୍ଥିର ପାୱାର୍ ଲୋଡ୍ (ସିପିଏଲ୍) ଆଚରଣ ପ୍ରଦର୍ଶନ କରନ୍ତି ଏବଂ ସିଷ୍ଟମକୁ ଅସ୍ଥିର କରନ୍ତି । ଏହି ଅଧ୍ୟୟନରେ ଡିସି/ଡିସି କନ୍ଭର୍ଟର ଉପରେ ନୂଆ ଆକ୍ଟିଭ୍ ଡେମ୍ପିଂ କୌଶଳର ପ୍ରୟୋଗକୁ ପ୍ରଦର୍ଶିତ କରାଯାଇଛି । ଏହାବ୍ୟତୀତ ସିପିଏଲ ଦ୍ୱାରା ସୃଷ୍ଟି ହେଉଥିବା ନକାରାତ୍ମକ ପ୍ରତିରୋଧ ଅସ୍ଥିରତାର ସମସ୍ୟା ଦୂର କରିବା ପାଇଁ ପ୍ରସ୍ତାବିତ ଆକ୍ଟିଭ୍ ଡମ୍ପିଂ ପଦ୍ଧତିର ବ୍ୟବହାର କରାଯାଇଛି । ନୂଆ ପ୍ରସ୍ତାବିତ ପଦ୍ଧତିର ପ୍ରଭାବକୁ ପିଏସପିସ ସିମୁଲେସନ ଓ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଦ୍ୱାରା ଯାଞ୍ଚ କରାଯାଇଛି । |
5bf4644c104ac6778a0aa07418321b14e0010e81 | ସ୍ୱୟଂଚାଳିତ ଯାନର ପ୍ରଚଳନ ଦ୍ୱାରା ଡ୍ରାଇଭର ଏବଂ ସେମାନଙ୍କ କାର ମଧ୍ୟରେ ପାରସ୍ପରିକ କ୍ରିୟାଶୀଳତା ଯଥେଷ୍ଟ ମାତ୍ରାରେ ପରିବର୍ତ୍ତନ ହେବ । ଡ୍ରାଇଭରଙ୍କ ଭୂମିକା ସେମାନଙ୍କ ସ୍ୱୟଂଚାଳିତ ଯାନର ତଦାରଖ ନିୟନ୍ତ୍ରଣ ଆଡ଼କୁ ଗତି କରିବ । ଡ୍ରାଇଭିଂ କାର୍ଯ୍ୟରୁ ମୁକ୍ତି ମିଳିବା ଦ୍ୱାରା ମାନବ-କମ୍ପ୍ୟୁଟର ପାରସ୍ପରିକ କ୍ରିୟା ଓ ପାରସ୍ପରିକ କ୍ରିୟା ଡିଜାଇନର ଏକ ସମ୍ପୂର୍ଣ୍ଣ ନୂଆ ଗବେଷଣା ଓ ବ୍ୟବହାର କ୍ଷେତ୍ରକୁ ଅନୁମତି ମିଳିଥାଏ । ଏହି ଦିନିକିଆ କର୍ମଶାଳାରେ ଅଂଶଗ୍ରହଣକାରୀମାନେ ସ୍ୱୟଂ ଚାଳିତ ଯାନର ଡିଜାଇନ୍ କ୍ଷେତ୍ରର ସୁଯୋଗ ସମ୍ପର୍କରେ ଗବେଷକ ଏବଂ ଡିଜାଇନରମାନଙ୍କୁ ଅବଗତ କରାଇବେ । କର୍ମଶାଳାର ପୂର୍ବଦିନ କର୍ମଶାଳା ଆୟୋଜକମାନଙ୍କ ସହ ମିଶି କର୍ମଶାଳା ଅଂଶଗ୍ରହଣକାରୀମାନଙ୍କୁ ଗୁଗୁଲ ପାର୍ଟନରପ୍ଲେକ୍ସ ଏବଂ ଷ୍ଟାନଫୋର୍ଡ ବିଶ୍ୱବିଦ୍ୟାଳୟ ପରିଦର୍ଶନ କରିବା ପାଇଁ ଆମନ୍ତ୍ରଣ କରାଯାଇଛି । ଗୁଗୁଲ କାର୍ଯ୍ୟକ୍ରମରେ ଅଂଶଗ୍ରହଣକାରୀମାନେ ଗୁଗୁଲର ସ୍ୱୟଂଚାଳିତ କାର ସିମୁଲେଟରକୁ ଅନୁସନ୍ଧାନ କରିବାର ସୁଯୋଗ ପାଇବେ ଏବଂ ଗୁଗୁଲ କାର (ଯଦି ଉପଲବ୍ଧ) ମଧ୍ୟରୁ ଗୋଟିଏର ଅନୁଭବ କରିବାର ସୁଯୋଗ ପାଇବେ । ଷ୍ଟାନଫୋର୍ଡରେ ଅଂଶଗ୍ରହଣକାରୀମାନଙ୍କୁ ଓଜ୍ର ଏକ ସ୍ୱୟଂଚାଳିତ ଯାନରେ ଯାତ୍ରା କରିବାକୁ ନିମନ୍ତ୍ରଣ କରାଯାଇଛି । ଏହି ପ୍ରଥମ ଅଭିଜ୍ଞତା ଆଧାରରେ ପରଦିନ କର୍ମଶାଳାରେ ଆମେ ଡିଜାଇନ୍ ପଦ୍ଧତି ଏବଂ ପ୍ରୋଟୋଟାଇପ୍ ଇଣ୍ଟରଆକ୍ସନ୍ ସିଷ୍ଟମ୍ ବିଷୟରେ ଆଲୋଚନା କରିବୁ । ଏହି କର୍ମଶାଳାର ଫଳାଫଳ ସ୍ୱୟଂ ଚାଳିତ କାରରେ ଚାଳନା କରିବାର ପ୍ରତିବନ୍ଧକ ଏବଂ ସମ୍ଭାବନାକୁ ଦୂର କରୁଥିବା କଳ୍ପନା, ପାରସ୍ପରିକ କ୍ରିୟାଶୀଳ ଚିତ୍ର ଏବଂ ନିମ୍ନ-ସତତା କାଗଜ ନମୁନାଗୁଡ଼ିକର ଏକ ସେଟ୍ ହେବ । |
8e79e46513e83bad37a029d1c49fca4a1c204738 | ଆମେ ଏକ ନ୍ୟୁରାଲ ସେମାନ୍ଟିକ ପାର୍ସରକୁ ଆରମ୍ଭ କରୁଛୁ ଯାହା ବ୍ୟାଖ୍ୟାଯୋଗ୍ୟ ଏବଂ ମାପଯୋଗ୍ୟ । ଆମର ମଡେଲ ପ୍ରାକୃତିକ ଭାଷାର ଉକ୍ତିକୁ ମଧ୍ୟବର୍ତ୍ତୀ, ଡୋମେନ୍-ସାଧାରଣ ପ୍ରାକୃତିକ ଭାଷା ପ୍ରତିନିଧିତ୍ବରେ ପରିଣତ କରେ, ଯାହା ଏକ ପ୍ରବଚନ-ଆର୍ଗୁମେଣ୍ଟ ଢାଞ୍ଚା ଆକାରରେ ହୋଇଥାଏ, ଯାହା ଏକ ଅତିକ୍ରମଣ ପ୍ରଣାଳୀ ସହିତ ପ୍ରେରିତ ହୋଇଥାଏ ଏବଂ ପରବର୍ତ୍ତୀ ସମୟରେ ଟାର୍ଗେଟ୍ ଡୋମେନ୍ ପାଇଁ ମ୍ୟାପ୍ କରାଯାଇଥାଏ । ସେମାନ୍ଟିକ ପାର୍ସରକୁ ଏଣ୍ଡ-ଟୁ-ଏଣ୍ଡ ଟ୍ରେନିଂ ଦିଆଯାଇଥାଏ । ଆମେ SPADES ଏବଂ GRAPHQUEST ଉପରେ ଆଧୁନିକ ଜ୍ଞାନକୌଶଳ ହାସଲ କରିଥାଉ ଏବଂ GEOQUERY ଏବଂ WEBQUEST ଉପରେ ପ୍ରତିଯୋଗିତାମୂଳକ ଫଳାଫଳ ହାସଲ କରିଥାଉ । ପ୍ରବର୍ତ୍ତିତ ପ୍ରବାଦ-ଆର୍ଗୁମେଣ୍ଟ ଢାଞ୍ଚା ବର୍ଣ୍ଣନାତ୍ମକ ବିଶ୍ଳେଷଣ ପାଇଁ ଉପଯୋଗୀ ପ୍ରତିନିଧିତ୍ୱ ପ୍ରକାର ଉପରେ ଆଲୋକପାତ କରେ ଏବଂ ଏହା କିପରି ଭାଷାଭିତ୍ତିକ ଭାବରେ ପ୍ରେରିତ ହୋଇଥିବା ଠାରୁ ଭିନ୍ନ _ |
a1d326e7710cb9a1464ef52ca557a20ea5aa7e91 | ଏହି କାମରେ, ଆମେ 4-ବ୍ୟାଣ୍ଡ୍ ଡୁଆଲ୍-ପୋଲାରାଇଜ୍ ଆଣ୍ଟିନା ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା 8-ଚ୍ୟାନେଲ୍ ପ୍ରୟୋଗ ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଛି । ଏଲଟିସିସି ପ୍ରଯୁକ୍ତି ଆଧାରରେ ଆଣ୍ଟିନା ଏକ ପ୍ୟାଚ୍ କପଲ୍ଡ ଆପେଚର ଅଟେ । ନିର୍ଦ୍ଦିଷ୍ଟ ବ୍ୟାଣ୍ଡର ପ୍ରତ୍ୟେକ ଆଣ୍ଟିନା ଉପାଦାନରେ ଦୁଇଟି ଅର୍ଥାନାଲ ପଲାରିଜଡ୍ ପୋର୍ଟ ମାଧ୍ୟମରେ ଦୁଇଟି ଚ୍ୟାନେଲ ରହିଥାଏ । ଭିନ୍ନ ଭିନ୍ନ ଫ୍ରିକ୍ୱେନ୍ସିରେ ଚାରୋଟି ଡୁଆଲ-ପୋଲାରାଇଜଡ ଆଣ୍ଟିନା ଏଲିମେଣ୍ଟକୁ ମିଶାଇ ୬୦GHz ଆପ୍ଲିକେସନ ପାଇଁ ଏକ ୮-ଚ୍ୟାନେଲ ଆଣ୍ଟିନା ହାସଲ କରାଯାଇପାରିବ । ଆରେ ଆଣ୍ଟିନାରେ ୮ଟି ଫିଡିଂ ପୋର୍ଟ ରହିଛି, ଯାହା ୮ଟି ସ୍ବତନ୍ତ୍ର ଚ୍ୟାନେଲକୁ ବୁଝାଇଥାଏ । ପ୍ରତ୍ୟେକ ପୋର୍ଟ ମଧ୍ୟରେ ଥିବା ବିଚ୍ଛିନ୍ନତା ଅଧିକାଂଶ ଫ୍ରିକ୍ୱେନ୍ସି ବ୍ୟାଣ୍ଡରେ 20dB ପର୍ଯ୍ୟନ୍ତ ପହଞ୍ଚିପାରେ । |
cbd92fac853bfb56fc1c3752574dc0831d8bc181 | ଆମେ ସୂଚନା ପୁନରୁଦ୍ଧାର ପାଇଁ ଏକ ଢାଞ୍ଚା ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା Bayesian ନିଷ୍ପତ୍ତି ସିଦ୍ଧାନ୍ତ ଉପରେ ଆଧାରିତ ଏକ ସମ୍ଭାବ୍ୟତା ର୍ୟାଙ୍କିଙ୍ଗ ଫଙ୍କସନ ବ୍ୟବହାର କରି ଡକ୍ୟୁମେଣ୍ଟ ମଡେଲ ଏବଂ ପ୍ରଶ୍ନ ମଡେଲକୁ ମିଶ୍ରଣ କରେ । ଏହି ଢାଞ୍ଚା ଏକ କାର୍ଯ୍ୟକ୍ଷମ ପୁନରୁଦ୍ଧାର ମଡେଲକୁ ପ୍ରସ୍ତାବିତ କରେ ଯାହା ସୂଚନା ପୁନରୁଦ୍ଧାର ପାଇଁ ଭାଷା ମଡେଲିଂ ଆଭିମୁଖ୍ୟରେ ସାମ୍ପ୍ରତିକ ବିକାଶକୁ ବିସ୍ତାର କରେ । ପ୍ରତ୍ୟେକ ଦସ୍ତାବିଜ ପାଇଁ ଏକ ଭାଷା ମଡେଲର ଆକଳନ କରାଯାଇଛି, ସେହିଭଳି ପ୍ରତ୍ୟେକ ପ୍ରଶ୍ନ ପାଇଁ ଏକ ଭାଷା ମଡେଲର ଆକଳନ କରାଯାଇଛି ଏବଂ ରିଟ୍ରିଭ୍ୟୁ ସମସ୍ୟାକୁ ବିପଦକୁ କମ୍ କରିବା ପାଇଁ ପ୍ରସ୍ତୁତ କରାଯାଇଛି । ପ୍ରଶ୍ନ ଭାଷା ମଡେଲକୁ ବ୍ୟବହାର କରି ବ୍ୟବହାରକାରୀଙ୍କ ପସନ୍ଦ, ପ୍ରଶ୍ନର ପ୍ରସଙ୍ଗ, ସମାନାର୍ଥକତା ଏବଂ ଶବ୍ଦ ଅର୍ଥକୁ ମଡେଲ କରାଯାଇପାରିବ । ଏହି ଉଦ୍ଦେଶ୍ୟରେ ନିକଟରେ କରାଯାଇଥିବା କାର୍ଯ୍ୟରେ ଶବ୍ଦ ଅନୁବାଦ ମଡେଲ ସାମିଲ କରାଯାଇଛି, ଆମେ ଏକ ନୂତନ ପଦ୍ଧତି ପ୍ରବର୍ତ୍ତନ କରିଛୁ ଯାହା କ୍ୱେରୀ ମଡେଲକୁ ଆକଳନ କରିବା ପାଇଁ ଦସ୍ତାବିଜଗୁଡ଼ିକର ଏକ ସେଟରେ ନିର୍ଦ୍ଦିଷ୍ଟ ମାର୍କୋଭ୍ ଚେନ୍ ବ୍ୟବହାର କରି । ମାର୍କୋଭ୍ ଶୃଙ୍ଖଳ ପଦ୍ଧତିର ଲିଙ୍କ୍ ବିଶ୍ଳେଷଣ ଏବଂ ସାମାଜିକ ନେଟୱାର୍କରୁ ଆଲଗୋରିଦମ ସହିତ ସମ୍ପର୍କ ରହିଛି । ଏହି ନୂତନ ଆଭିମୁଖ୍ୟର ମୂଲ୍ୟାଙ୍କନ TREC ସଂଗ୍ରହ ଉପରେ କରାଯାଇଛି ଏବଂ ଏହାର ତୁଳନା ମୌଳିକ ଭାଷା ମଡେଲିଂ ଆଭିମୁଖ୍ୟ ଏବଂ ଭେକ୍ଟର ସ୍ପେସ୍ ମଡେଲ ସହିତ କରାଯାଇଛି । ଦୃଢ଼ ମୂଳ TF-IDF ସିଷ୍ଟମ ପାଇଁ ମାନକ ପ୍ରଶ୍ନ ସଂପ୍ରସାରଣ ପଦ୍ଧତି ତୁଳନାରେ ଯଥେଷ୍ଟ ଉନ୍ନତି ହାସଲ କରାଯାଇଥାଏ, ୱେବ ଡାଟାରେ ସଂକ୍ଷିପ୍ତ ପ୍ରଶ୍ନ ପାଇଁ ସବୁଠାରୁ ଅଧିକ ଉନ୍ନତି ହାସଲ କରାଯାଇଥାଏ । |
61d234dd4f7b733e5acf2550badcf1e9333b6de1 | ସହରାଞ୍ଚଳରେ, ଚଳପ୍ରଚଳ ବାଧାବିଘ୍ନ ଚିହ୍ନଟ ଏବଂ ମୁକ୍ତ ସ୍ଥାନ ନିର୍ଣ୍ଣୟ କରିବା ଡ୍ରାଇଭିଂ ସହାୟତା ପ୍ରଣାଳୀ ଏବଂ ସ୍ୱୟଂ ଚାଳିତ ଯାନ ପାଇଁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ବିଷୟ ଅଟେ । ଯାନର ସମ୍ମୁଖ ଭାଗରେ ସ୍କାନ କରୁଥିବା ଲିଡାର ସେନସର ବ୍ୟବହାର କରିବା ସମୟରେ ଅଜ୍ଞତା ଏବଂ ତ୍ରୁଟି ଯୋଗୁଁ ଅନିଶ୍ଚିତତା ସୃଷ୍ଟି ହୋଇଥାଏ । ଅଜ୍ଞାନତା ନୂତନ କ୍ଷେତ୍ରର ଧାରଣା କାରଣରୁ ହୋଇଥାଏ ଏବଂ ଭୁଲ ଆକଳନ ଅସ୍ପଷ୍ଟ ସ୍ଥିତି ଏବଂ ଶବ୍ଦପୂର୍ଣ୍ଣ ମାପରୁ ହୋଇଥାଏ । ଯେତେବେଳେ ଲିଡାର ବହୁ-ଇକୋ ଏବଂ ବହୁ-ସ୍ତର ସୂଚନା ପ୍ରଦାନ କରେ ସେତେବେଳେ ଜଟିଳତା ମଧ୍ୟ ବୃଦ୍ଧି ପାଇଥାଏ । ଏହି କାଗଜରେ ଏକ ଭଡା ଗ୍ରୀଡ ଫ୍ରେମୱାର୍କ ଉପସ୍ଥାପନ କରାଯାଇଛି ଯାହା ଅନିଶ୍ଚିତତାର ବିଭିନ୍ନ ଉତ୍ସକୁ ପରିଚାଳନା କରିବା ପାଇଁ ପରିକଳ୍ପନା କରାଯାଇଛି । ଏହି ସମସ୍ୟାର ସମାଧାନ ପାଇଁ ଏକ ଉପାୟ ହେଉଛି ବିଶ୍ୱ ଏବଂ ସ୍ଥାନୀୟ ଫ୍ରେମରେ ରାସ୍ତା ଉପରେ ଗ୍ରୀଡର ବ୍ୟବହାର । ବିଶ୍ୱସ୍ତରୀୟ ମାନଚିତ୍ରଣ ସୃଷ୍ଟି କରେ ଏବଂ ସ୍ଥାନୀୟ ମାନଚିତ୍ରଣକୁ ଗତିଶୀଳ ବସ୍ତୁଗୁଡ଼ିକର ପରିଚାଳନା ପାଇଁ ବ୍ୟବହାର କରାଯାଏ । ସେନସର ସୂଚନାକୁ ମଡେଲିଂ କରିବା ପାଇଁ ବିଶ୍ୱସ୍ତରୀୟ ଦୃଷ୍ଟିକୋଣର ବ୍ୟବହାର କରାଯାଏ ଏବଂ ବିଶ୍ୱ-ନିର୍ଦ୍ଧାରିତ ମାନଚିତ୍ର ସହିତ ଏକ ବିଶ୍ୱସ୍ତରୀୟ ସମ୍ମିଶ୍ରଣ କରାଯାଏ । ଏକ ସଠିକ ସ୍ଥାନ ନିର୍ଣ୍ଣୟ ପ୍ରଣାଳୀ ସହିତ ବାହ୍ୟ ପରୀକ୍ଷଣ ଫଳାଫଳ ଦର୍ଶାଏ ଯେ ଏହିପରି ଏକ ଧାରଣ ରଣନୀତି ମାନକ ପଦ୍ଧତି ତୁଳନାରେ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଯଥେଷ୍ଟ ବୃଦ୍ଧି କରିଥାଏ । |
3bad518b0f56e72efadc4791a2bd65aaeaf47ec1 | ଏହି ଗବେଷଣାର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଇରୋପୀୟ ଇନଭେଷ୍ଟମେଣ୍ଟ ପ୍ରୋଗ୍ରାମର ପରବର୍ତ୍ତୀ ପର୍ଯ୍ୟାୟରେ ବହୁରାଷ୍ଟ୍ରୀୟ, ଘରୋଇ ଇଜିପ୍ଟୀୟ ଏବଂ ସରକାରୀ ସଂଗଠନଗୁଡ଼ିକର ମୁଖ୍ୟ ସମସ୍ୟାଗୁଡ଼ିକୁ ଚିହ୍ନଟ କରିବା ଏବଂ ମୂଲ୍ୟାଙ୍କନ କରିବା । ଇରାନରେ ଇରାନ ଇନଭେଷ୍ଟମେଣ୍ଟ ପ୍ରୋଗ୍ରାମ କାର୍ଯ୍ୟକାରୀ କରୁଥିବା ୫୦ଟି କମ୍ପାନୀକୁ ସାକ୍ଷାତକାର ଦେବା ସହ ଅନଲାଇନ ପ୍ରଶ୍ନପତ୍ର ଜରିଆରେ ତଥ୍ୟ ସଂଗ୍ରହ କରାଯାଇଥିଲା । ଇଆରପି ଲାଗୁ ହେବା ପରେ ମିଶରରେ ଥିବା ସଂଗଠନଗୁଡ଼ିକ ସମ୍ମୁଖୀନ ହୋଇଥିବା ଅସୁବିଧା ଏବଂ ସମସ୍ୟାଗୁଡ଼ିକର ବର୍ଣ୍ଣନାତ୍ମକ ବିଶ୍ଳେଷଣ ଏହି ରିପୋର୍ଟରେ ଦିଆଯାଇଛି ଏବଂ ଏହା କିପରି ସଫଳତାର ସହ କାର୍ଯ୍ୟକାରୀ ହୋଇପାରିଲା ନାହିଁ ତାହା ଦର୍ଶାଯାଇଛି । |
749546a58a1d46335de785c41a3eae977e84a0df | ମେସିନ ଶିକ୍ଷଣର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଏକ ମଡେଲ ଚିହ୍ନଟ କରିବା ଯାହା ଭଲ ସାଧାରଣକରଣ କାର୍ଯ୍ୟଦକ୍ଷତା ପ୍ରଦାନ କରିଥାଏ । ଏଥିରେ ବାରମ୍ବାର ଏକ ଅନୁମାନ ଶ୍ରେଣୀ ବାଛିବା, ମଡେଲର ପାରାମିଟର ସ୍ପେସରେ ଦିଆଯାଇଥିବା ଏକ ଉଦ୍ଦେଶ୍ୟ ଫଳନକୁ ସର୍ବନିମ୍ନ କରି ଅନୁମାନ ଶ୍ରେଣୀକୁ ଖୋଜିବା ଏବଂ ଫଳାଫଳ ମଡେଲର ସାଧାରଣକରଣ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ମୂଲ୍ୟାଙ୍କନ କରିବା ଅନ୍ତର୍ଭୁକ୍ତ । ଏହି ସନ୍ଧାନ ଗଣନାତ୍ମକ ଭାବରେ ଘନତ୍ୱପୂର୍ଣ୍ଣ ହୋଇପାରେ କାରଣ ତାଲିମ ତଥ୍ୟ କ୍ରମାଗତ ଭାବରେ ଆସେ, କିମ୍ବା କାରଣ ଜଣକୁ ପରିକଳ୍ପନା ଶ୍ରେଣୀ ଏବଂ ଉଦ୍ଦେଶ୍ୟ ଫଳନ ରେ ହାଇପରପାରାମିଟର ଟ୍ୟୁନ କରିବାକୁ ପଡିବ । ଏହି କାଗଜରେ, ଆମେ ସଠିକ ବୃଦ୍ଧିଶୀଳ ଶିକ୍ଷଣ ଏବଂ ସହାୟତା ଭେକ୍ଟର ମେସିନ (SVM) ବର୍ଗୀକରଣର ଅନୁକୂଳକରଣ ପାଇଁ ଏକ ଢାଞ୍ଚା ଉପସ୍ଥାପନ କରୁ । ଏହି ପଦ୍ଧତି ସାଧାରଣ ଅଟେ ଏବଂ ଏହା ଜଣକୁ ବ୍ୟକ୍ତିଗତ କିମ୍ବା ଏକାଧିକ ଉଦାହରଣ ଶିଖିବା ଏବଂ ଅଜଣା କରିବା ପାଇଁ ଅନୁମତି ଦେଇଥାଏ, ନିୟମିତକରଣ ଏବଂ କର୍ଣ୍ଣଲ ପାରାମିଟରଗୁଡିକରେ ପରିବର୍ତ୍ତନ ପାଇଁ ବର୍ତ୍ତମାନର SVM କୁ ଅନୁକୂଳ କରିଥାଏ, ଏବଂ ସଠିକ୍ ଛାଡ-ଏକ-ବାହାର ତ୍ରୁଟି ଆକଳନ ମାଧ୍ୟମରେ ସାଧାରଣକରଣ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ମୂଲ୍ୟାଙ୍କନ କରିଥାଏ । I. I NTRODUCTION ଶ୍ରେଣୀବିଭାଗୀକରଣ ଏବଂ ରିଗ୍ରେସନ ପାଇଁ SVM କୌଶଳଗୁଡ଼ିକ ଶିକ୍ଷଣ ମଡେଲଗୁଡ଼ିକ ପାଇଁ ଶକ୍ତିଶାଳୀ ଉପକରଣ ପ୍ରଦାନ କରିଥାଏ ଯାହା ବିରଳ, ଉଚ୍ଚ-ଆକାରର ସେଟିଙ୍ଗରେ ମଧ୍ୟ ଭଲ ଭାବରେ ସାଧାରଣ ହୋଇଥାଏ । ସେମାନଙ୍କର ସଫଳତାକୁ ଭାପନିକଙ୍କ ପରିସଂଖ୍ୟାନ ଶିକ୍ଷଣ ତତ୍ତ୍ୱରେ ଥିବା କାର୍ଯ୍ୟ ଦ୍ୱାରା ବିବେଚନା କରାଯାଇପାରେ [୧୫] ଯାହା ସାଧାରଣକରଣ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ପ୍ରଭାବିତ କରୁଥିବା କାରକଗୁଡିକ ବିଷୟରେ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଅନ୍ତର୍ଦୃଷ୍ଟି ପ୍ରଦାନ କରିଥିଲା । ଏସଭିଏମ ଶିକ୍ଷଣକୁ ଭାପନିକର ସଂରଚନାଗତ ବିପଦ ହ୍ରାସ ଇଣ୍ଡକ୍ସନ ସିଦ୍ଧାନ୍ତର ଏକ ବ୍ୟବହାରିକ କାର୍ଯ୍ୟକାରିତା ଭାବରେ ଦେଖାଯାଏ ଯେଉଁଥିରେ ସର୍ବୋତ୍ତମ ସାଧାରଣକରଣ ପ୍ରଦର୍ଶନ ସହିତ ମଡେଲ ଖୋଜିବା ପାଇଁ ବିଭିନ୍ନ କ୍ଷମତା ବିଶିଷ୍ଟ କଳ୍ପନା ଶ୍ରେଣୀ ଉପରେ ଅନୁସନ୍ଧାନ ଅନ୍ତର୍ଭୁକ୍ତ । SVM ଶ୍ରେଣୀଭୁକ୍ତକାରୀ ଫର୍ମ f (x) = w ·Φ (x) + b ତଥ୍ୟରୁ ଶିକ୍ଷା କରାଯାଏ { (xi, yi) ∈ R I m × {−1, 1} ∀ i ∈ {1, . ମୁଁ ଜାଣିଛି । ମୁଁ ଜାଣିଛି । , N}} କୁ ସର୍ବନିମ୍ନ କରି min w,b,ξ 1 2 ‖w‖ + C N |
6df617304e9f1185694f11ca5cae5c27e868809b | ଏକବିଂଶ ଶତାବ୍ଦୀରେ ୱାୟାରଲେସ୍ ମାଇକ୍ରୋସେନସର ନେଟୱାର୍କକୁ ସବୁଠାରୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପ୍ରଯୁକ୍ତି ଭାବେ ଚିହ୍ନଟ କରାଯାଇଛି । ଏହି ପତ୍ରରେ ଗତ ତିନି ଦଶନ୍ଧି ଧରି ସେନସର ନେଟୱାର୍କରେ ଗବେଷଣା ଇତିହାସକୁ ଅନୁସନ୍ଧାନ କରାଯାଇଛି, ଯେଉଁଥିରେ ଏହି ସମୟ ମଧ୍ୟରେ ଡିଫେନ୍ସ ଆଡଭାନ୍ସ ରିସର୍ଚ୍ଚ ପ୍ରୋଜେକ୍ଟ ଏଜେନ୍ସି (ଡାରପା) ର ଦୁଇଟି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କାର୍ଯ୍ୟକ୍ରମ ଅନ୍ତର୍ଭୁକ୍ତଃ ଡିଷ୍ଟ୍ରିବ୍ୟୁଟେଡ୍ ସେନସର ନେଟୱାର୍କ (ଡିଏସଏନ) ଏବଂ ସେନସର ସୂଚନା ପ୍ରଯୁକ୍ତିବିଦ୍ୟା (ସେନସଆଇଟି) କାର୍ଯ୍ୟକ୍ରମ । ସେନସର ନେଟୱାର୍କର ବିକାଶକୁ ପ୍ରଭାବିତ କରୁଥିବା ପ୍ରଯୁକ୍ତିର ଧାରା ଉପରେ ସମୀକ୍ଷା କରାଯାଇଛି ଏବଂ ଭିତ୍ତିଭୂମି ସୁରକ୍ଷା, ବାସସ୍ଥାନ ନିରୀକ୍ଷଣ ଏବଂ ଟ୍ରାଫିକ ନିୟନ୍ତ୍ରଣ ଭଳି ନୂତନ ପ୍ରୟୋଗଗୁଡ଼ିକ ଉପସ୍ଥାପନ କରାଯାଇଛି । ସେନସର ନେଟୱାର୍କ ବିକାଶରେ ବୈଷୟିକ ଆହ୍ୱାନଗୁଡ଼ିକ ମଧ୍ୟରେ ରହିଛି ନେଟୱାର୍କ ଆବିଷ୍କାର, ନିୟନ୍ତ୍ରଣ ଏବଂ ରୁଟିଙ୍ଗ, ସହଯୋଗୀ ସିଗନାଲ୍ ଏବଂ ସୂଚନା ପ୍ରକ୍ରିୟାକରଣ, ଟାସ୍କିଂ ଏବଂ ପ୍ରଶ୍ନ ଏବଂ ସୁରକ୍ଷା । ଏହି ପତ୍ରିକାଟି ସେନସର ନେଟୱର୍କ ଆଲଗୋରିଦମ, ସ୍ଥାନୀୟ ଆଲଗୋରିଦମ ଏବଂ ନିର୍ଦ୍ଦେଶିତ ପ୍ରସାର, ୱାୟାରଲେସ ଆଡ ହକ ନେଟୱର୍କରେ ବିତରିତ ଟ୍ରାକିଂ ଏବଂ ସ୍ଥାନୀୟ ଏଜେଣ୍ଟ ବ୍ୟବହାର କରି ବିତରିତ ବର୍ଗୀକରଣ ସହିତ କିଛି ସାମ୍ପ୍ରତିକ ଅନୁସନ୍ଧାନ ଫଳାଫଳ ଉପସ୍ଥାପନ କରି ସମାପ୍ତ ହୋଇଛି । |
3b655db109beaae48b238045cf9618418e349f36 | ଏକ ସୀମିତ ଜଟିଳତା ରେଖୀ ମଡେଲ ଦ୍ୱାରା ତଥ୍ୟକୁ ଫିଟ୍ କରିବା ତଥ୍ୟରୁ ନିର୍ମିତ ଏକ ମାଟ୍ରିକ୍ସର ନିମ୍ନ-ର୍ୟାଙ୍କ ଅନୁମାନ ସହିତ ସମାନ ଅଟେ । ହାନକେଲ୍ ସଂରଚନା ହୋଇଥିବା ଡାଟା ମାଟ୍ରିକ୍ସ ଏକ ରେଖୀ ସମୟ-ଅସ୍ବାଭାବିକ ବ୍ୟବସ୍ଥାର ଅସ୍ତିତ୍ୱ ସହିତ ସମାନ ଅଟେ ଯାହା ଡାଟା ସହିତ ମେଳ ଖାଏ ଏବଂ ମାନ୍ୟତା ପ୍ରତିବନ୍ଧକ ମଡେଲ ଜଟିଳତା ଉପରେ ଏକ ସୀମା ସହିତ ଜଡିତ । ଏକ ସ୍ଥାୟୀ ମଡେଲ ଦ୍ୱାରା ଫିଟିଂର ବିଶେଷ କ୍ଷେତ୍ରରେ, ଡାଟା ମ୍ୟାଟ୍ରିକ୍ସ ଏବଂ ଏହାର ନିମ୍ନ-ର୍ୟାଙ୍କ ଅନୁମାନ ଅଣସଂରଚନା ହୋଇଥାଏ । ଆମେ ସିଷ୍ଟମ ତତ୍ତ୍ୱରେ ପ୍ରୟୋଗର ବର୍ଣ୍ଣନା କରୁ (ଆନୁମାନିକ ବାସ୍ତବିକତା, ମଡେଲ ହ୍ରାସ, ଆଉଟପୁଟ୍ ତ୍ରୁଟି, ଏବଂ ତ୍ରୁଟି-ଇନ୍-ଭେରିଏବଲ୍ ପରିଚୟ), ସିଗନାଲ୍ ପ୍ରୋସେସିଂ (ହାର୍ମୋନିକ୍ ରିଟ୍ରିଭିଲ୍, ସମ-ଅଫ୍-ଡିମ୍ପେଡ୍ ଏକ୍ସପୋନ୍ସିଏଲ୍, ଏବଂ ସୀମିତ ଇମ୍ପଲସ୍ ପ୍ରତିକ୍ରିୟା ମଡେଲିଂ), ଏବଂ କମ୍ପ୍ୟୁଟର ଆଲଜିବିରା (ଆନୁମାନିକ ସାଧାରଣ ବିଭାଜକ) । ହେଉରିଷ୍ଟିକ୍ସ ଏବଂ ସ୍ଥାନୀୟ ଅପ୍ଟିମାଇଜେସନ୍ ପଦ୍ଧତି ଉପରେ ଆଧାରିତ ଆଲଗୋରିଦମ ଉପସ୍ଥାପିତ ହୋଇଛି । ନିମ୍ନ ମାନର ପାଖାପାଖି ସମସ୍ୟାର ସାଧାରଣକରଣ ବିଭିନ୍ନ ପାଖାପାଖି ମାନଦଣ୍ଡ (ଯଥା ଓଜନଯୁକ୍ତ ନିୟମ) ଏବଂ ତଥ୍ୟ ମାଟ୍ରିକ୍ସ ଉପରେ ପ୍ରତିବନ୍ଧକ (ଯଥା, ଅଣ-ନକାରାତ୍ମକତା) ରୁ ଉତ୍ପନ୍ନ ହୋଇଥାଏ । ଏହା ସହିତ ଜଡିତ ସମସ୍ୟା ହେଉଛି ର୍ୟାଙ୍କ୍ ମିନିମାଇଜେସନ୍ ଏବଂ ଷ୍ଟ୍ରକଚର୍ଡ ପ୍ଲେସୋସ୍ପେକ୍ଟ୍ରା । 2007 ଏଲ୍ସେଭିୟର ଲିଃ ସମସ୍ତ ଅଧିକାର ସଂରକ୍ଷିତ. |
ee1140f49c2f1ce32d0ed9404078c724429cc487 | ଏହି ଦସ୍ତାବିଜରେ ଏକ ଉଚ୍ଚ କମ୍ପାକ୍ଟ ତୁଳନାତ୍ମକ ଯନ୍ତ୍ରର ଡିଜାଇନ କୁ-ବ୍ୟାଣ୍ଡ ଫ୍ରିକ୍ୱେନ୍ସିରେ ଦିଆଯାଇଛି ଏବଂ ଏହାର ଫ୍ୟାବ୍ରିକେସନ ଇନପେକ୍ଚର ପାଇଁ ବିଶ୍ଳେଷଣ ଫଳାଫଳ ଉପସ୍ଥାପନ କରାଯାଇଛି । ପ୍ରଥମେ ଏକ ଅଣ-ପାରମ୍ପରିକ ମ୍ୟାଜିକ୍-ଟି ବ୍ୟବହାର କରି ଏକ ଅଣ-ମାନକ ୱେଭ୍ ଗାଇଡ୍ 15.50 GHz ରେ ଡିଜାଇନ୍ କରାଯାଇଛି । ମ୍ୟାଜିକ୍-ଟି ଦ୍ୱାରା ଧାରଣ କରାଯାଇଥିବା ପରିମାଣକୁ ହ୍ରାସ କରିବା ପାଇଁ, ଏହାର ଇ-ଆର୍ମ (କିମ୍ବା ଫରକ ପୋର୍ଟ) କୁ ଏକ ସମ୍ମିଳନୀ ମ୍ୟାଜିକ୍-ଟିରେ କରାଯାଇଥିବା ପରି ଦୁଇଟି ଇନପୁଟ୍ ର ସମତଳ ପାର୍ଶ୍ୱରେ ରଖିବା ପରିବର୍ତ୍ତେ ମ୍ୟାଜିକ୍-ଟିର ପାର୍ପେଣ୍ଡିକୁଲାର ଭାବରେ ରଖାଯାଏ । ଉପରୋକ୍ତ ଗୁଡ଼ାଯାଇଥିବା ମ୍ୟାଜିକ୍-ଟି ର ସମୁଦାୟ ଏବଂ ପାର୍ଥକ୍ୟ ପୋର୍ଟଗୁଡିକ ପରେ 15.50 GHz ରେ ଇଣ୍ଡକ୍ଟିଭ୍ ୱିଣ୍ଡୋ ବ୍ୟବହାର କରି ମେଳ ଖାଆନ୍ତି । ତୁଳନାତ୍ମକ ଉପକରଣର ଆବଶ୍ୟକୀୟ ସ୍ଥାନକୁ ଧ୍ୟାନରେ ରଖି, ଏହି ଚାରିଟି ମେଳ ଖାଉଥିବା ଫୋଲ୍ଡ ମ୍ୟାଜିକ୍-ଟିଗୁଡିକ ଅତ୍ୟନ୍ତ କମ୍ପାକ୍ଟ ତୁଳନାତ୍ମକ ଉପକରଣର ଡିଜାଇନ୍ ପାଇଁ ପରସ୍ପର ସହିତ ସଂଯୁକ୍ତ । ୱେଭ ଗାଇଡ ଏବଂ ମେଳ ଖାଉଥିବା ଉପାଦାନର ଆକାରରେ ନିର୍ମାଣ ତ୍ରୁଟିର ପ୍ରଭାବ ମଧ୍ୟବର୍ତ୍ତୀ ଫ୍ରିକ୍ୱେନ୍ସି, ଆକାର ଏବଂ ତୁଳନାତ୍ମକ ଉପକରଣର ପର୍ଯ୍ୟାୟ ପ୍ରତିକ୍ରିୟା ଉପରେ ମଧ୍ୟ ବିଶ୍ଳେଷଣ କରାଯାଇଛି ଏବଂ ଉପସ୍ଥାପିତ କରାଯାଇଛି । |
ecbcccd71b3c7e0cca8ecf0997e9775019b51488 | ଆମେ ଏକ ବ୍ୟକ୍ତିଗତ ଆଚରଣ ମଡେଲ ବିକଶିତ କରୁଛୁ ଯାହା ଶୀର୍ଷ ପରିଚାଳନା ଏବଂ ସଂଗଠନାତ୍ମକ ସଂସ୍କୃତିର ଭୂମିକାକୁ ଯୋଜନାବଦ୍ଧ ଆଚରଣର ସିଦ୍ଧାନ୍ତରେ ଏକୀକୃତ କରେ, ଏକ ପ୍ରୟାସରେ କି କିପରି ଶୀର୍ଷ ପରିଚାଳନା କର୍ମଚାରୀଙ୍କ ସୁରକ୍ଷା ଅନୁପାଳନ ଆଚରଣକୁ ପ୍ରଭାବିତ କରିପାରିବ । ସର୍ଭେ ତଥ୍ୟ ଏବଂ ଢାଞ୍ଚାଗତ ସମୀକରଣ ମଡେଲିଂ ବ୍ୟବହାର କରି ଆମେ ଶୀର୍ଷ ପରିଚାଳନା ଅଂଶଗ୍ରହଣ, ସାଂଗଠନିକ ସଂସ୍କୃତି ଏବଂ ସୂଚନା ସୁରକ୍ଷା ନୀତି ସହିତ କର୍ମଚାରୀଙ୍କ ଅନୁପାଳନକୁ ନିର୍ଣ୍ଣୟ କରୁଥିବା ପ୍ରମୁଖ ନିର୍ଣ୍ଣାୟକ ମଧ୍ୟରେ ସମ୍ପର୍କ ଉପରେ ଅନୁମାନକୁ ପରୀକ୍ଷା କରୁ । ଆମେ ଜାଣିବାକୁ ପାଇଲୁ ଯେ ସୂଚନା ସୁରକ୍ଷା ପଦକ୍ଷେପଗୁଡିକରେ ଶୀର୍ଷ ପରିଚାଳନାଗତ ଅଂଶଗ୍ରହଣର କର୍ମଚାରୀଙ୍କ ଆଭିମୁଖ୍ୟ ଉପରେ ସିଧାସଳଖ ଏବଂ ପରୋକ୍ଷ ପ୍ରଭାବ ରହିଛି । ଆମେ ଏହା ମଧ୍ୟ ଜାଣିବାକୁ ପାଇଲୁ ଯେ ଶୀର୍ଷ ପରିଚାଳନା ଭାଗିଦାରୀ ସଂଗଠନିକ ସଂସ୍କୃତିକୁ ଦୃଢ଼ ଭାବରେ ପ୍ରଭାବିତ କରିଥାଏ ଯାହା ପରବର୍ତ୍ତୀ ସମୟରେ ସୂଚନା ସୁରକ୍ଷା ନୀତିର ଅନୁପାଳନ ଉପରେ କର୍ମଚାରୀଙ୍କ ମନୋଭାବ ଏବଂ ବିବେଚନାଯୋଗ୍ୟ ଆଚରଣଗତ ନିୟନ୍ତ୍ରଣ ଉପରେ ପ୍ରଭାବ ପକାଇଥାଏ । ଏହା ସହିତ, ଆମେ ପାଇଲୁ ଯେ ଶୀର୍ଷ ପରିଚାଳନା ଅଂଶଗ୍ରହଣ ଏବଂ ସଂଗଠନିକ ସଂସ୍କୃତିର ପ୍ରଭାବ କର୍ମଚାରୀଙ୍କ ଆଚରଣ ଉଦ୍ଦେଶ୍ୟ ଉପରେ ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ କର୍ମଚାରୀଙ୍କ ଜ୍ଞାନଗତ ବିଶ୍ୱାସ ଦ୍ୱାରା ସୂଚନା ସୁରକ୍ଷା ନୀତିର ଅନୁପାଳନ ଉପରେ ମଧ୍ୟସ୍ଥତା କରାଯାଏ । ଆମର ଏହି ଆବିଷ୍କାରଗୁଡ଼ିକ ସୂଚନା ସୁରକ୍ଷା ଗବେଷଣା ସାହିତ୍ୟକୁ ବିସ୍ତାରିତ କରୁଛି, ଯେଉଁଥିରେ ଦର୍ଶାଯାଇଛି ଯେ ବର୍ତ୍ତମାନର ସାହିତ୍ୟରେ ପ୍ରବର୍ତ୍ତିତ ନିରାକରଣ-ଆଧାରିତ ପ୍ରତିକାର ବ୍ୟତୀତ କର୍ମଚାରୀଙ୍କ ଅନୁପାଳନ ଆଚରଣକୁ ଆକାର ଦେବାରେ ଶୀର୍ଷ ପରିଚାଳନା କିପରି ଏକ ସକ୍ରିୟ ଭୂମିକା ଗ୍ରହଣ କରିପାରିବ । ଆମର ଏହି ଆବିଷ୍କାର ମଧ୍ୟ କର୍ମଚାରୀଙ୍କ ଅନୁପାଳନ ଆଚରଣକୁ ଆକାର ଦେବାରେ ସଂଗଠନିକ ସଂସ୍କୃତିର ଭୂମିକା ବିଷୟରେ ସିଦ୍ଧାନ୍ତକୁ ସୁଧାରିଥାଏ । ଏହି ପ୍ରକଳ୍ପର ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଥିଓରି ଏବଂ ପ୍ରାକ୍ଟିକାଲ ପ୍ରଭାବ ଏହି ପ୍ରକଳ୍ପର ଲେଖକମାନଙ୍କୁ ପ୍ରତିରକ୍ଷା ବିଭାଗର ପ୍ରତିରକ୍ଷା ସୂଚନା ପ୍ରଣାଳୀ ଏଜେନ୍ସି (ଡିଆଇଏସଏ) ପକ୍ଷରୁ ଆଂଶିକ ଅନୁଦାନ ପ୍ରଦାନ କରାଯାଇଥିଲା । ଏହି ସମୀକ୍ଷା ପ୍ରକ୍ରିୟାରେ ସମ୍ପାଦକ, ବରିଷ୍ଠ ସମ୍ପାଦକ, ସହକାରୀ ସମ୍ପାଦକ ଏବଂ ଦୁଇ ଜଣ ଅଜ୍ଞାତ ସମୀକ୍ଷକଙ୍କୁ ସେମାନଙ୍କର ବିସ୍ତୃତ ଏବଂ ଗଠନମୂଳକ ମନ୍ତବ୍ୟ ଏବଂ ପରାମର୍ଶ ପାଇଁ ଲେଖକମାନେ ଧନ୍ୟବାଦ ଜଣାଇଛନ୍ତି । • ସମ୍ପୃକ୍ତ ଲେଖକ |
1ac7018b0935cdb5bf52b34d738b110e2ef0416a | ଅଧିକାଂଶ ଅନଲାଇନ ସମୀକ୍ଷାରେ ଏକ ସାମାନ୍ୟ ସଂଖ୍ୟା ସହିତ ସାଧା ପାଠ୍ୟ ପ୍ରତିକ୍ରିୟା ରହିଥାଏ । କିନ୍ତୁ, ବ୍ୟବହାରକାରୀଙ୍କ ରେଟିଂରେ ଯୋଗଦାନ ଦେଉଥିବା ଅନେକ ଅଭିମୁଖୀ ଦିଗ କୁ ବୁଝିବା ଦ୍ୱାରା ଆମେ ସେମାନଙ୍କ ବ୍ୟକ୍ତିଗତ ପସନ୍ଦକୁ ଭଲ ଭାବେ ବୁଝିପାରିବା । ଉଦାହରଣ ସ୍ୱରୂପ, ଏକ ଅଡିଓ ବୁକ୍ ର ଉପଭୋକ୍ତାଙ୍କ ଧାରଣା କାହାଣୀ ଏବଂ ବକ୍ତାଙ୍କ ପରି ଦିଗ ଉପରେ ନିର୍ଭର କରେ, ଏବଂ ଏହି ଦିଗ ଉପରେ ସେମାନଙ୍କର ମତାମତ ଜାଣିବା ଆମକୁ ଉତ୍ତମ ଉତ୍ପାଦ ସୁପାରିଶ କରିବାରେ ସାହାଯ୍ୟ କରିପାରେ _ ଏହି କାଗଜରେ, ଆମେ ରେଟିଂ ସିଷ୍ଟମ ପାଇଁ ମଡେଲ ନିର୍ମାଣ କରୁଛୁ ଯେଉଁଥିରେ ଏହି ପରିମାପ ସ୍ପଷ୍ଟ ଅଟେ, ଏହି ଅର୍ଥରେ ଯେ ଉପଭୋକ୍ତାମାନେ ଉତ୍ପାଦର ପ୍ରତ୍ୟେକ ଦିଗ ପାଇଁ ପୃଥକ ରେଟିଂ ଛାଡିଥାନ୍ତି । ପାଞ୍ଚ ନିୟୁତ ସମୀକ୍ଷାରୁ ପ୍ରସ୍ତୁତ ନୂଆ କୋରୋପାସର ଆରମ୍ଭ କରି, ତିନିରୁ ଛଅଟି ଦିଗକୁ ନେଇ ଆମେ ଆମର ମଡେଲକୁ ତିନୋଟି ପୂର୍ବାନୁମାନ କାର୍ଯ୍ୟ ଉପରେ ମୂଲ୍ୟାଙ୍କନ କରିଥାଉ: ପ୍ରଥମତଃ, ଆମେ ଖୋଜିଥାଉ ଯେ ସମୀକ୍ଷାର କେଉଁ ଅଂଶରେ କେଉଁ ଦିଗକୁ ନେଇ ଆଲୋଚନା କରାଯାଇଛି । ଦ୍ୱିତୀୟରେ, ଆମେ ସମୀକ୍ଷାଗୁଡ଼ିକୁ ସେହି ବାକ୍ୟଗୁଡ଼ିକ ଖୋଜିବା ଦ୍ୱାରା ସାରାଂଶିତ କରିଥାଉ ଯାହା ଜଣେ ବ୍ୟବହାରକାରୀଙ୍କ ମୂଲ୍ୟାଙ୍କନକୁ ସର୍ବୋତ୍ତମ ଭାବରେ ବ୍ୟାଖ୍ୟା କରିଥାଏ । ଶେଷରେ, ଯେହେତୁ ଆମେ ବିଚାର କରୁଥିବା ଅନେକ ଡାଟାସେଟରେ ଆକ୍ସେଣ୍ଟ ରେଟିଂ ବୈକଳ୍ପିକ ଅଟେ, ଆମେ ଉପଭୋକ୍ତାଙ୍କ ମୂଲ୍ୟାଙ୍କନରେ ଅଭାବ ଥିବା ରେଟିଂ ପୁନରୁଦ୍ଧାର କରୁ । ଆମର ମଡେଲ ଅତ୍ୟାଧୁନିକ ଆଭିମୁଖ୍ୟ ସହିତ ବର୍ତ୍ତମାନର ଛୋଟ-ମାପ ଡାଟାସେଟ ସହିତ ମେଳ ଖାଏ, ଯେତେବେଳେ ଆମେ ବାସ୍ତବ ଦୁନିଆର ଡାଟାସେଟକୁ ସ୍କେଲ କରିଥାଉ । ଏହା ସହିତ, ଆମର ମଡେଲ ବିଷୟବସ୍ତୁ ଏବଂ ଭାବନା ଶବ୍ଦକୁ "ବିଚ୍ଛିନ୍ନ" କରିପାରେ: ଆମେ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ବିଷୟବସ୍ତୁ ଶବ୍ଦଗୁଡ଼ିକୁ ଶିଖିଥାଉ ଯାହା ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଦିଗକୁ ସୂଚାଏ ଏବଂ ସେହି ଦିଗ-ନିର୍ଦ୍ଦିଷ୍ଟ ଭାବନା ଶବ୍ଦଗୁଡ଼ିକୁ ଶିଖିଥାଉ ଯାହା ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ରେଟିଂକୁ ସୂଚାଏ । |
be0b922ec9625a5908032bde6ae47fa6c4216a38 | ସମ୍ପୂର୍ଣ୍ଣ ତଦାରଖିତ ଢଙ୍ଗରେ ତାଲିମପ୍ରାପ୍ତ ବିଭିନ୍ନ ସଂରଚନାଗତ ଆଉଟପୁଟ୍ ପୂର୍ବାନୁମାନ କାର୍ଯ୍ୟରେ ନ୍ୟୁରାଲ ନେଟୱାର୍କଗୁଡିକ ଅତ୍ୟାଧୁନିକ କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରିଛନ୍ତି । ଅବଶ୍ୟ, ସଂରଚନା ସମ୍ପନ୍ନ ଡୋମେନରେ ବିଜ୍ଞପିତ ଉଦାହରଣଗୁଡିକ ପ୍ରାୟତଃ ପ୍ରାପ୍ତ କରିବା ପାଇଁ ବ୍ୟୟବହୁଳ ହୋଇଥାଏ, ଯାହାଦ୍ୱାରା ନ୍ୟୁରାଲ ନେଟୱାର୍କର ପ୍ରୟୋଗକୁ ସୀମିତ କରିଥାଏ । ଏହି କାର୍ଯ୍ୟରେ ଆମେ ସର୍ବାଧିକ ମାର୍ଜିନ ପୁରସ୍କାର ନେଟୱାର୍କ, ଏକ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଆଧାରିତ ଢାଞ୍ଚା ପ୍ରସ୍ତାବ କରୁଛୁ ଯାହା ସ୍ପଷ୍ଟ (ପୂର୍ଣ୍ଣ ସଂରଚନା) ଏବଂ ନିହିତ ତଦାରଖ ସଙ୍କେତ (ଭିତ୍ତିଗତ ସଂରଚନାର ସଠିକତା ଉପରେ ବିଳମ୍ବିତ ମତାମତ) ଉଭୟରୁ ଶିଖିବାକୁ ଲକ୍ଷ୍ୟ ରଖିଛି । ନାମିତ ସଂସ୍ଥା ଚିହ୍ନଟ ଏବଂ ଅର୍ଥଗତ ବିଶ୍ଳେଷଣରେ, ଆମର ମଡେଲ ପୂର୍ବବର୍ତ୍ତୀ ସିଷ୍ଟମଗୁଡିକ ତୁଳନାରେ ଅଧିକ ଭଲ ପ୍ରଦର୍ଶନ କରୁଛି । |
01a29e319e2afa2d29cab62ef1f492a953e8ca70 | ଏହି କାଗଜରେ ଏକ ବ୍ୟକ୍ତିଗତ k-anonymity ମଡେଲର ବର୍ଣ୍ଣନା କରାଯାଇଛି, ଯାହାକି ବିଭିନ୍ନ ଗୋପନୀୟତା ବିପଦରୁ ସ୍ଥାନ ଗୋପନୀୟତାକୁ ସୁରକ୍ଷା ପ୍ରଦାନ କରିଥାଏ । ଆମର ଏହି ମଡେଲର ଦୁଇଟି ବିଶେଷତ୍ୱ ରହିଛି । ପ୍ରଥମତଃ, ଆମେ ଏକ ଏକୀକୃତ ଗୋପନୀୟତା ବ୍ୟକ୍ତିଗତକରଣ ଢାଞ୍ଚା ପ୍ରଦାନ କରିଥାଉ ଯାହା ବହୁ ସଂଖ୍ୟକ ବ୍ୟବହାରକାରୀଙ୍କ ପାଇଁ ଅବସ୍ଥାନ k- ଅଜ୍ଞାତତାକୁ ସମର୍ଥନ କରିଥାଏ, ଯେଉଁମାନଙ୍କର ବ୍ୟକ୍ତିଗତ ଗୋପନୀୟତା ଆବଶ୍ୟକତା ପ୍ରସଙ୍ଗ ସମ୍ବେଦନଶୀଳ ହୋଇଥାଏ । ଏହି ଫ୍ରେମୱାର୍କ ପ୍ରତ୍ୟେକ ମୋବାଇଲ ନୋଡକୁ ସର୍ବନିମ୍ନ ସ୍ତରର ଅଜ୍ଞାତତା ସହିତ ସର୍ବାଧିକ ସମୟ ଏବଂ ସ୍ଥାନଗତ ରିଜୋଲ୍ୟୁସନକୁ ନିର୍ଦ୍ଦିଷ୍ଟ କରିବାକୁ ସକ୍ଷମ କରେ ଯାହା k- ଅଜ୍ଞାତତା ସଂରକ୍ଷଣ କରୁଥିବା ଅବସ୍ଥାନ ଆଧାରିତ ସେବା (LBS) ପାଇଁ ଅନୁରୋଧ କରିବା ସମୟରେ ସହମତ ଅଟେ । ଦ୍ୱିତୀୟରେ, ଆମେ ଏକ ଦକ୍ଷ ସନ୍ଦେଶ ଭ୍ରାନ୍ତି ଇଞ୍ଜିନର ପରିକଳ୍ପନା କରିଛୁ ଯାହା ଏକ ବିଶ୍ୱସ୍ତ ସର୍ଭରରେ ଅବସ୍ଥାନ ସୁରକ୍ଷା ବ୍ରୋକର ଦ୍ୱାରା ଚାଲେ ଏବଂ ମୋବାଇଲ୍ ବ୍ୟବହାରକାରୀଙ୍କ LBS ଅନୁରୋଧ ସନ୍ଦେଶରେ ଅବସ୍ଥାନ ଅଜ୍ଞାତକରଣ କରିଥାଏ, ଯେପରିକି ପରିଚୟ ଅପସାରଣ ଏବଂ ଅବସ୍ଥାନ ସୂଚନାର ସ୍ପେସିଓ-ଟାଇମରାଲ୍ କ୍ଲକିଂ । ଆମେ ଏକ ସୁଇଟ୍ ବିକଶିତ କରିଥାଉ ଯାହା ମାପଯୋଗ୍ୟ ଏବଂ ତଥାପି ଦକ୍ଷ ସ୍ପେସିଓ-ଟାଇମରାଲ୍ କ୍ଲକିଂ ଆଲଗୋରିଦମ, ଯାହାକୁ କ୍ଲିକ୍ କ୍ଲକ୍ ଆଲଗୋରିଦମ କୁହାଯାଏ, ଉଚ୍ଚ ଗୁଣବତ୍ତା ବିଶିଷ୍ଟ ବ୍ୟକ୍ତିଗତ ସ୍ଥାନ k- ଅଜ୍ଞାତତା ପ୍ରଦାନ କରିବା ପାଇଁ, LBS ପ୍ରଦାନକାରୀଙ୍କୁ ଅନୁରୋଧ ପଠାଇବା ପୂର୍ବରୁ ଜଣାଥିବା ଅବସ୍ଥାନ ଗୋପନୀୟତା ବିପଦକୁ ଏଡ଼ାଇବା କିମ୍ବା ହ୍ରାସ କରିବା ପାଇଁ ଲକ୍ଷ୍ୟ ରଖିଥାଏ । ଆମର କ୍ଲିକ୍ କ୍ଲକ୍ ଆଲଗୋରିଦମର ପ୍ରଭାବ ବିଭିନ୍ନ ପରିସ୍ଥିତିରେ ବାସ୍ତବିକ ସ୍ଥାନ ତଥ୍ୟ ବ୍ୟବହାର କରି ଅଧ୍ୟୟନ କରାଯାଇଛି ଯାହା ବାସ୍ତବିକ ସଡ଼କ ମାନଚିତ୍ର ଏବଂ ଟ୍ରାଫିକ୍ ପରିମାଣ ତଥ୍ୟ ବ୍ୟବହାର କରି ସିନ୍ଥେଟିକ୍ ଭାବରେ ସୃଷ୍ଟି ହୋଇଛି _ |
0d8f17d8d1d05d6405be964648e7fc622c776c5d | ମୋବାଇଲ ବ୍ୟବହାରର ପରିଦୃଶ୍ୟ ବହୁତ ଭିନ୍ନ ହୋଇଥାଏ, ଏବଂ ବ୍ୟବହାର ସମୟରେ ମଧ୍ୟ ଏହା କ୍ରମାଗତ ଭାବରେ ପରିବର୍ତ୍ତନ ହୋଇପାରେ । ଅବସ୍ଥିତି କେବଳ ସ୍ଥାନ ନୁହେଁ, ଏହାର ଅନ୍ୟ ଉପାଦାନଗୁଡ଼ିକୁ ଚିହ୍ନଟ କରିବା ବା ମାପିବା ମଧ୍ୟ କଷ୍ଟକର । ବିଭିନ୍ନ ମୋବାଇଲ ଡିଭାଇସର ଏକ ଅଭିନ୍ନ ଅଙ୍ଗ ଭାବେ ଅବସ୍ଥାନ ସୂଚନା ପରିଗଣିତ ହେଉଛି । ବର୍ତ୍ତମାନର ମୋବାଇଲ ସେବାକୁ ଅବସ୍ଥାନ-ସଚେତନ ବୈଶିଷ୍ଟ୍ୟ ସହିତ ଉନ୍ନତ କରାଯାଇପାରିବ, ଯାହାଦ୍ୱାରା ଉପଭୋକ୍ତାମାନଙ୍କୁ ପ୍ରସଙ୍ଗ-ସଚେତନ ସେବା ଆଡ଼କୁ ଏକ ସୁଗମ ପରିବର୍ତ୍ତନ ମିଳିପାରିବ । ଯାତ୍ରା ସୂଚନା, ସପିଂ, ମନୋରଞ୍ଜନ, କାର୍ଯ୍ୟକ୍ରମ ସୂଚନା ଏବଂ ବିଭିନ୍ନ ମୋବାଇଲ ବୃତ୍ତି ଭଳି କ୍ଷେତ୍ରରେ ସମ୍ଭାବ୍ୟ ପ୍ରୟୋଗ କ୍ଷେତ୍ର ମିଳିପାରିବ । ଏହି ଅଧ୍ୟୟନରେ ଉପଭୋକ୍ତାଙ୍କ ଦୃଷ୍ଟିକୋଣରୁ ଅବସ୍ଥାନ-ସଚେତନ ମୋବାଇଲ ସେବାଗୁଡ଼ିକର ଅଧ୍ୟୟନ କରାଯାଇଛି । ଏହି କାଗଜରେ ବ୍ୟବହାରକାରୀଙ୍କ ଆବଶ୍ୟକତା ସହ ଜଡ଼ିତ ପ୍ରମୁଖ ପ୍ରସଙ୍ଗ ଉପରେ ଉପଭୋକ୍ତା ସାକ୍ଷାତକାର, ବ୍ୟବହାରକାରୀଙ୍କ ସହିତ ଲାବୋରେଟୋରୀ ଏବଂ ଫିଲ୍ଡ ମୂଲ୍ୟାଙ୍କନ ଏବଂ ଅବସ୍ଥାନ ସଚେତନ ସେବାଗୁଡିକର ବିଶେଷଜ୍ଞ ମୂଲ୍ୟାଙ୍କନ ଉପରେ ଆଧାର କରି ନିଷ୍କର୍ସ ବାହାର କରାଯାଇଛି । ଉପଭୋକ୍ତାଙ୍କ ଆବଶ୍ୟକତାକୁ ପାଞ୍ଚଟି ମୁଖ୍ୟ ବିଷୟବସ୍ତୁରେ ଉପସ୍ଥାପନ କରାଯାଇଛି: ସାମ୍ପ୍ରତିକ ଏବଂ ବ୍ୟାପକ ବିଷୟବସ୍ତୁ, ସୁଗମ ଉପଭୋକ୍ତା ପାରସ୍ପରିକ ସମ୍ପର୍କ, ବ୍ୟକ୍ତିଗତ ଏବଂ ଉପଭୋକ୍ତା-ଉତ୍ପାଦିତ ବିଷୟବସ୍ତୁ, ନିରବଚ୍ଛିନ୍ନ ସେବା ସଂସ୍ଥା ଏବଂ ଗୋପନୀୟତା ପ୍ରସଙ୍ଗ । |
e9a9d7f2a1226b463fb18f2215553dfd01aa38e7 | ଆମେ କେ.ଇ.ଟି.ଆଇ. ସାଙ୍କେତିକ ଭାଷାର ଡାଟାସେଟକୁ ଉପସ୍ଥାପନ କରୁଛୁ ଯେଉଁଥିରେ ଉଚ୍ଚ ରିଜୋଲ୍ୟୁସନ ଏବଂ ଗୁଣବତ୍ତାର ୧୦,୪୮୦ଟି ଭିଡିଓ ରହିଛି । ଯେହେତୁ ବିଭିନ୍ନ ଦେଶରେ ଭିନ୍ନ ଭିନ୍ନ ସାଙ୍କେତିକ ଭାଷା ବ୍ୟବହାର କରାଯାଏ, ତେଣୁ କେଟିଆଇର ସାଙ୍କେତିକ ଭାଷା ଡାଟାସେଟ କୋରିଆର ସାଙ୍କେତିକ ଭାଷା ଚିହ୍ନଟ ଉପରେ ଅଧିକ ଗବେଷଣା ପାଇଁ ପ୍ରାରମ୍ଭିକ ଧାରାରେ ରହିପାରେ । ସାଙ୍କେତିକ ଭାଷାର ଡାଟାସେଟ ବ୍ୟବହାର କରି, ଆମେ ଏକ ସାଙ୍କେତିକ ଭାଷା ଚିହ୍ନଟ ପ୍ରଣାଳୀ ବିକଶିତ କରିଛୁ, ଯାହା ମାନବ କୀପଏଣ୍ଟ ବ୍ୟବହାର କରି ମୁହଁ, ହାତ ଏବଂ ଶରୀରର ଅଂଶରୁ ବାହାର କରାଯାଇଛି । ବାହାର କରାଯାଇଥିବା ମାନବ କୀପଏଣ୍ଟ ଭେକ୍ଟରକୁ କୀପଏଣ୍ଟର ହାରାହାରି ଓ ମାନକ ବିଚ୍ୟୁତି ଦ୍ୱାରା ମାନକୀକରଣ କରାଯାଇଥାଏ ଏବଂ ପୁନଃପୌନିକ ନ୍ୟୁରାଲ ନେଟୱାର୍କ (RNN) ରେ ଇନପୁଟ ଭାବରେ ବ୍ୟବହୃତ ହୋଇଥାଏ । ଆମେ ଦେଖାଇଛୁ ଯେ ଆମର ଚିହ୍ନ ଚିହ୍ନଟ ପ୍ରଣାଳୀ ଦୃଢ଼ ଅଟେ ଏପରିକି ଯେତେବେଳେ ପ୍ରଶିକ୍ଷଣ ତଥ୍ୟର ଆକାର ଯଥେଷ୍ଟ ନୁହେଁ । ଆମ ସିଷ୍ଟମ ୮୯.୫% ସଠିକତା ସହିତ ୧୦୦ଟି ବାକ୍ୟକୁ ଶ୍ରେଣୀଭୁକ୍ତ କରିପାରୁଛି ଯାହାକୁ ଜରୁରୀକାଳୀନ ପରିସ୍ଥିତିରେ ବ୍ୟବହାର କରାଯାଇପାରିବ । ଆମେ ସାଙ୍କେତିକ ଭାଷାର ଚିହ୍ନଟ ସମସ୍ୟାକୁ ଅଧ୍ୟୟନ କରୁ ଯାହା ହେଉଛି ଭିଡ଼ିଓ ପରି ଭିଜୁଆଲ ଇନପୁଟରୁ ଚିହ୍ନର ଅର୍ଥକୁ ଅନୁବାଦ କରିବା । ଏହା ଭଲ ଭାବେ ଜଣା ଯେ କମ୍ପ୍ୟୁଟର ଭିଜନ୍ କ୍ଷେତ୍ରରେ ଅନେକ ସମସ୍ୟା ପାଇଁ ଗଭୀର ସ୍ନାୟୁ ନେଟୱାର୍କ ମଡେଲକୁ ପ୍ରଶିକ୍ଷଣ ଦେବା ପାଇଁ ବିପୁଳ ପରିମାଣର ଡାଟାସେଟ ଆବଶ୍ୟକ ହୋଇଥାଏ । |
7c1cdcbdd30163f3d7fd9789e42c4a37eb2f7f04 | ୱେବ ସର୍ଚ୍ଚରେ, ଉପଭୋକ୍ତାମାନଙ୍କ ପ୍ରଶ୍ନ କେବଳ କିଛି ଶବ୍ଦ ବ୍ୟବହାର କରି ପ୍ରସ୍ତୁତ କରାଯାଏ ଏବଂ ଶବ୍ଦ-ମେଳ କରୁଥିବା ପୁନରୁଦ୍ଧାର କାର୍ଯ୍ୟଗୁଡିକ ସମ୍ପୃକ୍ତ ଡକ୍ୟୁମେଣ୍ଟଗୁଡ଼ିକୁ ପୁନରୁଦ୍ଧାର କରିବାରେ ବିଫଳ ହୋଇପାରେ । ଉପଭୋକ୍ତାଙ୍କ ପ୍ରଶ୍ନକୁ ଦେଖି, ପ୍ରଶ୍ନ ବିସ୍ତାର (କ୍ୟୁଇ) ର କୌଶଳ ହେଉଛି ସମ୍ବନ୍ଧିତ ଶବ୍ଦ ବାଛିବା ଯାହା ପ୍ରାସଙ୍ଗିକ ଦଲିଲକୁ ପୁନରୁଦ୍ଧାର କରିବାର ସମ୍ଭାବନା ବଢାଇପାରେ । ଏହି ପରି ସମ୍ପ୍ରସାରଣ ଶବ୍ଦ ଚୟନ କରିବା ଏକ ଆହ୍ୱାନ ଏବଂ ଏହା ଏକ କମ୍ପ୍ୟୁଟେସନାଲ ଫ୍ରେମୱାର୍କ ଆବଶ୍ୟକ କରେ ଯାହା ଜଟିଳ ଅର୍ଥନୈତିକ ସମ୍ପର୍କକୁ ଏନକୋଡ୍ କରିପାରିବ । ଏହି ଲେଖାରେ ଆମେ ଶବ୍ଦ ଓ ବାକ୍ୟର ଅର୍ଥିକ ଉପସ୍ଥାପନା ପାଇଁ ଏକ ନୂତନ ପଦ୍ଧତିର ପ୍ରସ୍ତାବ ଦେଉଛୁ । ବିଶେଷ ମାଟ୍ରିକ୍ସରେ ପ୍ରଶ୍ନ ଏବଂ ଦସ୍ତାବିଜକୁ ଭର୍ତ୍ତି କରି, ଭେକ୍ଟର ପ୍ରତିନିଧିତ୍ୱ ଗ୍ରହଣ କରୁଥିବା ବର୍ତ୍ତମାନର ଆଭିମୁଖ୍ୟକୁ ଦୃଷ୍ଟିରେ ରଖି ଆମର ମଡେଲ ଏକ ବର୍ଦ୍ଧିତ ପ୍ରତିନିଧିତ୍ୱ ଶକ୍ତିର ବଣ୍ଟନ କରେ । ଆମେ ଦେଖାଇଛୁ ଯେ ଆମର ମଡେଲ ଉଚ୍ଚ ଗୁଣବତ୍ତା ବିଶିଷ୍ଟ ପ୍ରଶ୍ନ ସଂପ୍ରସାରଣ ଶବ୍ଦ ସୃଷ୍ଟି କରିଥାଏ । ଆମର ସମ୍ପ୍ରସାରଣ IR ପଦକ୍ଷେପକୁ ବୃଦ୍ଧି କରୁଛି, ବର୍ତ୍ତମାନର ଶବ୍ଦ-ଇମ୍ବେଡିଂ ମଡେଲ ଏବଂ ସୁପ୍ରତିଷ୍ଠିତ ପାରମ୍ପରିକ QE ପଦ୍ଧତିରୁ ସମ୍ପ୍ରସାରଣ ବାହାରେ । |
8d4d06159413e1bb65ef218b4c78664d84a9b3c3 | ମୋବାଇଲ ଫୋନ ପାଇଁ ଆଣ୍ଡ୍ରଏଡ ଅପରେଟିଂ ସିଷ୍ଟମ, ଯାହା ଏବେ ବି ଅପେକ୍ଷାକୃତ ନୂଆ, ଦ୍ରୁତ ଗତିରେ ବଜାର ଅଂଶ ହାସଲ କରୁଛି, ଯେଉଁଥିରେ ଡଜନ ଡଜନ ସ୍ମାର୍ଟଫୋନ ଏବଂ ଟାବଲେଟ ଲଞ୍ଚ ହୋଇଛି କିମ୍ବା ଲଞ୍ଚ ହେବାକୁ ଯାଉଛି । ଏହି କାଗଜରେ ଆମେ ଆଣ୍ଡ୍ରଏଡ ଡିଭାଇସରୁ ଅସ୍ଥିର ଭୌତିକ ସ୍ମୃତିର ଆବିଷ୍କାର ଏବଂ ଗଭୀର ବିଶ୍ଳେଷଣ ପାଇଁ ପ୍ରଥମ ପଦ୍ଧତି ଏବଂ ଉପକରଣ ସେଟ ଉପସ୍ଥାପନ କରୁଛୁ । ଏହି କାଗଜରେ ଆଣ୍ଡ୍ରଏଡ ମେମୋରୀ ଅଧିଗ୍ରହଣ କରିବା ସମୟରେ କିଛି ସମସ୍ୟା ବିଷୟରେ ଆଲୋଚନା କରାଯାଇଛି, ଆମ ନୂଆ କେରନାଲ ମଡ୍ୟୁଲ ବିଷୟରେ ଆଲୋଚନା କରାଯାଇଛି, ଯାହାର ନାମ dmd ରଖାଯାଇଛି, ଏବଂ ବିଶେଷ ଭାବରେ ଡିଭାଇସ-ସ୍ୱାଧୀନ ଅଧିଗ୍ରହଣ ଉପକରଣ ବିକାଶରେ ଥିବା ଅସୁବିଧାଗୁଡ଼ିକୁ ସମାଧାନ କରାଯାଇଛି । ଆମର ଆବିଷ୍କାର ଉପକରଣ ସ୍ମାର୍ଟଫୋନର ଏସଡିରେ କିମ୍ବା ନେଟୱର୍କ ମାଧ୍ୟମରେ ସ୍ମୃତିକୁ ଡମ୍ପ କରିବା ପାଇଁ ସହାୟତା କରିଥାଏ । ଆମେ ମଧ୍ୟ ନୂତନ ବିକଶିତ ଅସ୍ଥିରତା କାର୍ଯ୍ୟକାରିତାକୁ ବ୍ୟବହାର କରି କେରନର ସଂରଚନାଗୁଡ଼ିକର ବିଶ୍ଳେଷଣ ଉପସ୍ଥାପନ କରୁଛୁ । ଏହି କାର୍ଯ୍ୟର ଫଳାଫଳ ଡିଜିଟାଲ ଫରେନସିକ ଅନୁସନ୍ଧାନକାରୀମାନଙ୍କୁ ଗଭୀର ସ୍ମୃତି ବିଶ୍ଳେଷଣର ସମ୍ଭାବନାକୁ ଦର୍ଶାଉଛି । 2011 ଏଲ୍ସେଭିୟର ଲିଃ ସମସ୍ତ ଅଧିକାର ସଂରକ୍ଷିତ। |
8db37013b0b3315badaa7190d4c3af9ec56ab278 | ଆଇଫୋନ୍ ୬ ରିଲିଜ୍ ସମୟରେ ଆଇଓଏସ୍ ବଜାରରେ ଅଧିକ ଅଂଶ ହାସଲ କରିଥିଲେ ମଧ୍ୟ ଆଣ୍ଡ୍ରଏଡ୍ ସ୍ମାର୍ଟଫୋନ୍ ବଜାରରେ ପ୍ରାଧାନ୍ୟ ବିସ୍ତାର କରିଛି । ବଜାରରେ ବିଭିନ୍ନ ପ୍ରକାରର ଆଣ୍ଡ୍ରଏଡ୍ ସ୍ମାର୍ଟଫୋନ୍ ଲଞ୍ଚ୍ କରାଯାଉଥିବାରୁ ଡାଟା ଅଧିଗ୍ରହଣ ଏବଂ ବିଶ୍ଳେଷଣର ପରୀକ୍ଷଣ ପାଇଁ ଫରେନ୍ସିକ୍ ଅଧ୍ୟୟନ କରାଯାଉଛି । କିନ୍ତୁ ନୂଆ ଆଣ୍ଡ୍ରଏଡ୍ ସୁରକ୍ଷା ପ୍ରଯୁକ୍ତିର ପ୍ରୟୋଗ ପରେ ବର୍ତ୍ତମାନର ଫରେନ୍ସିକ୍ ପଦ୍ଧତି ବ୍ୟବହାର କରି ତଥ୍ୟ ହାସଲ କରିବା କଷ୍ଟକର ହୋଇପଡ଼ିଛି । ଏହି ସମସ୍ୟାର ସମାଧାନ ପାଇଁ ଆମେ ଆଣ୍ଡ୍ରଏଡ୍ ସ୍ମାର୍ଟଫୋନର ଫର୍ମୱେୟାର ଅପଡେଟ୍ ପ୍ରୋଟୋକଲକୁ ବିଶ୍ଳେଷଣ କରି ଏକ ନୂତନ ଅଧିଗ୍ରହଣ ପଦ୍ଧତି ପ୍ରସ୍ତାବ ଦେଉଛୁ । ଆଣ୍ଡ୍ରଏଡ୍ ସ୍ମାର୍ଟଫୋନ୍ ର ଫିଜିକାଲ ଏକ୍ବିଜିନିୟରିଂ ଫ୍ଲାସ୍ ମେମୋରି ରିଡ୍ କମାଣ୍ଡ ବ୍ୟବହାର କରି ବୁଟଲୋଡରରେ ଫର୍ମୱେୟାର ଅପଡେଟ୍ ପ୍ରୋଟୋକଲକୁ ରିଭର୍ସ ଇଞ୍ଜିନିୟରିଂ କରି ହାସଲ କରାଯାଇପାରିବ । ଆମର ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଦର୍ଶାଉଛି ଯେ ପ୍ରସ୍ତାବିତ ପଦ୍ଧତିର ଅଖଣ୍ଡତା ଗ୍ୟାରେଣ୍ଟି, ଅଧିଗ୍ରହଣ ଗତି ଏବଂ ସ୍କ୍ରିନ୍ ଲକ୍ ସ୍ମାର୍ଟଫୋନ୍ (ୟୁଏସବି ଡିବଗିଂ ଅକ୍ଷମ) ସହିତ ଶାରୀରିକ ଡ଼ମ୍ପିଂ ଦୃଷ୍ଟିରୁ ବର୍ତ୍ତମାନର ଫରେନ୍ସିକ୍ ପଦ୍ଧତିଠାରୁ ଉନ୍ନତ ଅଟେ । © 2015 ଲେଖକମାନେ । ଡିଏଫଆରଡବ୍ଲୁଏସ ତରଫରୁ ଏଲସେଭିୟର ଲିମିଟେଡ ଦ୍ୱାରା ପ୍ରକାଶିତ । ଏହା CCBY-NC-ND ଲାଇସେନ୍ସ (http://creativecommons.org/licenses/by-nc-nd/4.0/) ଅଧୀନରେ ଏକ ମୁକ୍ତ ଅଭିଗମ୍ୟତା ଥିବା ଲେଖା । |
34f3955cb11db849789f7fbc78eb3cb347dd573d | |
4ef973984a8ea481edf74e0d2074e19d0389e76b | ଏକ କମ୍ପ୍ୟୁଟର ଭିଜନ ସିଷ୍ଟମ କାର୍ଯ୍ୟକାରୀ କରାଯାଇଛି ଯାହା ଏକକ ଧୂସର ଆକାରର ଚିତ୍ରରେ ଅଜଣା ଦୃଷ୍ଟିକୋଣରୁ ତ୍ରି-ଆକାରର ବସ୍ତୁଗୁଡ଼ିକୁ ଚିହ୍ନଟ କରିପାରିବ । ଅନ୍ୟାନ୍ୟ ଆଭିମୁଖ୍ୟଠାରୁ ଭିନ୍ନ ଭାବରେ, ଦୃଶ୍ୟମାନ ଇନପୁଟରୁ ତଳୁ ଉପରକୁ ଗଭୀର ସୂଚନା ପୁନଃନିର୍ମାଣ କରିବାର କୌଣସି ପ୍ରୟାସ ବିନା ଚିହ୍ନଟ ହାସଲ କରାଯାଇଥାଏ । ଏହା ପରିବର୍ତ୍ତେ, ଅନ୍ୟ ତିନୋଟି ବ୍ୟବସ୍ଥା ବ୍ୟବହାର କରାଯାଇଥାଏ ଯାହା ଦୁଇ-ଆକାରର ପ୍ରତିଛବି ଏବଂ ତ୍ରି-ଆକାରର ବସ୍ତୁଗୁଡ଼ିକର ଜ୍ଞାନ ମଧ୍ୟରେ ଥିବା ବ୍ୟବଧାନକୁ ଦୂର କରିପାରେ । ପ୍ରଥମତଃ, ଧାରଣାତ୍ମକ ସଂଗଠନର ପ୍ରକ୍ରିୟା ପ୍ରତିଛବିରେ ଗୋଷ୍ଠୀ ଏବଂ ସଂରଚନା ଗଠନ ପାଇଁ ବ୍ୟବହୃତ ହୁଏ ଯାହା ବିଭିନ୍ନ ଦୃଷ୍ଟିକୋଣରୁ ଅସ୍ବାଭାବିକ ହେବାର ସମ୍ଭାବନା ଥାଏ । ଦ୍ୱିତୀୟତଃ, ଏକ ସମ୍ଭାବ୍ୟତା ଭିତ୍ତିକ ର୍ୟାଙ୍କିଙ୍ଗ୍ ପଦ୍ଧତିକୁ ବ୍ୟବହାର କରାଯାଇ ମଡେଲ ଆଧାରିତ ମେଳଣ ସମୟରେ ସନ୍ଧାନ ସ୍ଥାନର ଆକାରକୁ ହ୍ରାସ କରାଯାଇଥାଏ । ଶେଷରେ, ଏକ ଭୌଗଳିକ ଅନୁରୂପତା ପ୍ରକ୍ରିୟା ଅଜଣା ଦୃଶ୍ୟପଟ ଏବଂ ମଡେଲ ପାରାମିଟର ସମାଧାନ କରି ତ୍ରି-ଆକାର ମଡେଲର ପ୍ରୋଜେକ୍ସନକୁ ପ୍ରତିଛବି ସହିତ ପ୍ରତ୍ୟକ୍ଷ ଅନୁରୂପତା ଆଣେ । ଅଦୃଶ୍ୟତା ଏବଂ ଅଭାବୀ ତଥ୍ୟର ଉପସ୍ଥିତିରେ ଦୃଢ଼ତାର ଏକ ଉଚ୍ଚ ସ୍ତର ଦୃଶ୍ୟପଟ୍ଟ ସ୍ଥିରତା ପ୍ରତିବନ୍ଧକର ସମ୍ପୂର୍ଣ୍ଣ ପ୍ରୟୋଗ ଦ୍ୱାରା ହାସଲ କରାଯାଇପାରିବ । ଏହା ଯୁକ୍ତି କରାଯାଏ ଯେ ସମାନ ମେକାନିଜିମ୍ ଏବଂ ପ୍ରତିବନ୍ଧକ ମାନବ ଦୃଷ୍ଟିରେ ଚିହ୍ନଟ ପାଇଁ ଆଧାର ଅଟେ । ଏହି ଲେଖା ଆର୍ଟିଫିସିଆଲ ଇଣ୍ଟେଲିଜେନ୍ସ, ୩୧, ୩ (ମାର୍ଚ୍ଚ ୧୯୮୭), ପୃ. 355-395 ମଧ୍ୟରେ । |
37de340b2a26a94a0e1db02a155cacb33c10c746 | 150 ମାଇଗ୍ରେନ ମେଗାହର୍ଟସରୁ 2000 ମାଇଗ୍ରେନ ମେଗାହର୍ଟସ ପର୍ଯ୍ୟନ୍ତ -6 ଡିସିଏଲ ବ୍ୟାଣ୍ଡୱିଡଥ୍ ସହିତ ଏକ ଭିଭାଲଡି ନମନୀୟ ଆଣ୍ଟିନା ପ୍ରଚଳନ କରାଯାଇଛି । ଆଣ୍ଟିନା 60×60 ସେମି2ର ସିଲିକନ ସବଷ୍ଟ୍ରେଟ ଉପରେ ନିର୍ମିତ । ଏହି କାଗଜରେ ଆମେ ଏହି ବ୍ରଡବ୍ୟାଣ୍ଡ ଏବଂ ନିର୍ଦ୍ଦେଶ ଆଣ୍ଟେନା ର ଡିଜାଇନ, ନିର୍ମାଣ ଏବଂ କାର୍ଯ୍ୟଦକ୍ଷତା ବିଷୟରେ ଜଣାଇବୁ । ପ୍ରସ୍ତାବିତ ଢାଞ୍ଚା ହାଲୁକା, ସହଜରେ କାର୍ଯ୍ୟକାରୀ ହେବା ଏବଂ କୌଣସି ମେଳ ଖାଉଥିବା ନେଟୱାର୍କର ଆବଶ୍ୟକତା ନାହିଁ । ଏହାର ପ୍ରୟୋଗ ହେଉଛି ହିଲିୟମ ଗ୍ୟାସ ବାଲୁନରୁ ସିଗନାଲ ଉତ୍ସ ଉତ୍ସ ଉତ୍ସକୁ ରେଡିଓ-ସ୍ଥାନୀକରଣ କରିବା । ବାଲୁକର ତଳ ଭାଗରେ ଛଅଟି ଆଣ୍ଟିନା ଲାଗିଛି ଏବଂ ଏହାର ସ୍ଥିରତା ପାଇଁ ଏକ କେବୁଲ ବ୍ୟବହାର କରାଯାଇ ସୂଚନା ସଂଗ୍ରହ କରାଯାଉଛି । |
407cf7a598d69c7802d16ada79d25e3c59275c9b | ଯେହେତୁ ଏକ ବୃହତ ଆକାରର ୱାୟାରଲେସ୍ ସେନସର ନେଟୱାର୍କ (ଡବ୍ଲୁଏସଏନ) କୁ ଇଣ୍ଟରନେଟ ଅଫ୍ ଥିଙ୍ଗ୍ସ (ଆଇଓଟି) କିମ୍ବା ସାଇବର ଫିଜିକାଲ ସିଷ୍ଟମ (ସିପିଏସ) ର ଏକ ମୁଖ୍ୟ ଅଂଶ ଭାବରେ ଇଣ୍ଟରନେଟରେ ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ ଏକୀକୃତ କରାଯିବ, ତେଣୁ ଆଇଓଟି / ସିପିଏସର ବିଭିନ୍ନ ସୁରକ୍ଷା ଆହ୍ୱାନକୁ ବିଚାର କରିବା ଆବଶ୍ୟକ, ଯେପରିକି କ୍ଷତିକାରକ ଆକ୍ରମଣର ଚିହ୍ନଟ । ସେନସର କିମ୍ବା ସେନସର ଇମ୍ବେଡ ଜିନିଷ ପରସ୍ପର ମଧ୍ୟରେ ସିଧାସଳଖ ଯୋଗାଯୋଗ ସ୍ଥାପନ କରିପାରେ 6LoWPAN ପ୍ରୋଟୋକଲ ବ୍ୟବହାର କରି । ବିଶ୍ବାସ ଏବଂ ପ୍ରତିଷ୍ଠା ମଡେଲକୁ ଏକ ବଡ଼ ବିତରିତ ସେନସର ନେଟୱାର୍କକୁ IoT/CPSରେ ଦୁଷ୍ଟ ସଂକେତ ଆକ୍ରମଣରୁ ରକ୍ଷା କରିବା ପାଇଁ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପଦ୍ଧତି ଭାବରେ ସ୍ୱୀକୃତି ଦିଆଯାଇଛି, କାରଣ ବିଶ୍ବାସ ପ୍ରତିଷ୍ଠା ପ୍ରଣାଳୀ ବିତରିତ କମ୍ପ୍ୟୁଟିଂ ଏବଂ ଯୋଗାଯୋଗ ସଂସ୍ଥା ମଧ୍ୟରେ ସହଯୋଗକୁ ଉତ୍ସାହିତ କରିପାରିବ, ଅବିଶ୍ୱସ୍ତ ସଂସ୍ଥାଗୁଡିକର ଚିହ୍ନଟକୁ ସହଜ କରିପାରିବ ଏବଂ ବିଭିନ୍ନ ପ୍ରୋଟୋକଲର ନିଷ୍ପତ୍ତି ଗ୍ରହଣ ପ୍ରକ୍ରିୟାରେ ସାହାଯ୍ୟ କରିପାରିବ । ଏହି କାଗଜରେ, ବିଶ୍ୱାସ ସ୍ଥାପନ ପ୍ରକ୍ରିୟା ଏବଂ ବିଶ୍ୱାସ ସ୍ଥାପନ ପଦ୍ଧତି ମଧ୍ୟରେ ପରିମାଣିକ ତୁଳନା ଉପରେ ଆଧାର କରି, ଆମେ ଏକ ବିଶ୍ୱାସ ଏବଂ ପ୍ରତିଷ୍ଠା ମଡେଲ TRM-IoT ଉପସ୍ଥାପନ କରୁ ଯାହା IoT / CPS ର ନେଟୱାର୍କରେ ଥିବା ଜିନିଷଗୁଡିକ ମଧ୍ୟରେ ସେମାନଙ୍କର ଆଚରଣ ଉପରେ ଆଧାର କରି ସହଯୋଗକୁ ଲାଗୁ କରେ । ଏହି ମଡେଲର ସଠିକତା, ଦୃଢ଼ତା ଏବଂ ହାଲୁକାତାକୁ ବ୍ୟାପକ ସିମୁଲେସନ ଦ୍ୱାରା ପ୍ରମାଣିତ କରାଯାଇଛି । |
e11f9ca6e574c779bdf0a868c368e5b1567a1517 | କୃତ୍ରିମ ଧୀଶକ୍ତି ହାସଲ କରିବା ପାଇଁ ଶିକ୍ଷାଲାଭ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଦିଗ ଭାବେ ଉଭା ହୋଇଛି । ଏହାକୁ ଗ୍ରହଣ କରିବାରେ ଦୁଇଟି ପ୍ରମୁଖ ବାଧା ହେଉଛି ବଡ଼ ସମସ୍ୟାକୁ ନେଇ ଏହାକୁ ଆକାର ଦେବାରେ ଅସମର୍ଥତା ଏବଂ ନୂତନ କାର୍ଯ୍ୟକୁ ନେଇ ସାଧାରଣ କରିବାର ସୀମିତ କ୍ଷମତା । ଆମେ ଏକ ଶିଖିଥିବା ଗ୍ରାଡିଏଣ୍ଟ ଅବତରଣ ଅପ୍ଟିମାଇଜର ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ନୂତନ କାର୍ଯ୍ୟ ପାଇଁ ଭଲ ଭାବରେ ସାଧାରଣ ଅଟେ, ଏବଂ ଯାହା ସ୍ମୃତି ଏବଂ ଗଣନା ଓଭରହେଡକୁ ଯଥେଷ୍ଟ ହ୍ରାସ କରିଛି । ଆମେ ଏକ ନୂତନ ହିରାର୍କିସିଆଲ ଆରଏନଏନ ଆର୍କିଟେକଚର ପ୍ରବର୍ତ୍ତନ କରି ଏହାକୁ ହାସଲ କରିଛୁ, ଯେଉଁଥିରେ ଅତି କମରେ ପରାମେଟର ଓଭରହେଡ୍ ଅଛି, ଅତିରିକ୍ତ ଆର୍କିଟେକଚରାଲ ବୈଶିଷ୍ଟ୍ୟ ସହିତ ବୃଦ୍ଧି କରାଯାଇଛି ଯାହା ଅପ୍ଟିମାଇଜେସନ୍ କାର୍ଯ୍ୟର ଜଣାଶୁଣା ସଂରଚନାକୁ ପ୍ରତିଫଳିତ କରେ । ଆମେ ମଧ୍ୟ କ୍ଷୁଦ୍ର, ବିବିଧ ଅପ୍ଟିମାଇଜେସନ୍ ଟାସ୍କର ଏକ ମେଟା-ଟ୍ରେନିଂ ସମୂହ ବିକଶିତ କରିଥାଉ ଯାହା କ୍ଷୟକ୍ଷତିର ସାଧାରଣ ଗୁଣାବଳୀକୁ ଧରିଥାଏ । ଏହି କୋରପସରେ ଥିବା ସମସ୍ୟାଗୁଡ଼ିକ ଉପରେ RMSProp/ADAM କୁ ଅତିକ୍ରମ କରିବା ପାଇଁ ଅପ୍ଟିମାଇଜର ଶିଖେ । ଅଧିକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କଥା ହେଉଛି, ଏହା ଛୋଟ କଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କରେ ପ୍ରୟୋଗ ହେଲେ ଏହା ତୁଳନାତ୍ମକ କିମ୍ବା ଭଲ କାର୍ଯ୍ୟ କରିଥାଏ, ଏହାର ମେଟା-ଟ୍ରେନିଂ ସେଟରେ କୌଣସି ନ୍ୟୁରାଲ ନେଟୱାର୍କ ନଦେଖିବା ସତ୍ତ୍ୱେ । ଶେଷରେ, ଏହା ଇମେଜନେଟ ଡାଟାସେଟରେ ଇନସେପସନ ଭି୩ ଏବଂ ରେସନେଟ ଭି୨ ଆର୍କିଟେକଚରକୁ ହଜାର ହଜାର ପଦକ୍ଷେପ ପାଇଁ ପ୍ରଶିକ୍ଷଣ ଦେବା ପାଇଁ ସାଧାରଣ କରିଥାଏ, ଅପ୍ଟିମାଇଜେସନ ସମସ୍ୟା ଯାହା ତାଲିମପ୍ରାପ୍ତ ସମସ୍ୟାଠାରୁ ବହୁତ ଭିନ୍ନ ହୋଇଥାଏ । ଆମେ ମେଟା-ଟ୍ରେନିଂ ଆଲଗୋରିଦମର ଏକ ମୁକ୍ତ ସ୍ରୋତ କାର୍ଯ୍ୟକାରିତା ଜାରି କରୁଛୁ । |
0458cec30079a53a2b7726a14f5dd826b9b39bfd | ଯେହେତୁ ରୋବଟମାନେ ଦୈନନ୍ଦିନ କାର୍ଯ୍ୟକ୍ଷେତ୍ରରେ ମଣିଷମାନଙ୍କ ସହିତ ସହଯୋଗ କରିବା ଆରମ୍ଭ କରିବେ, ସେମାନଙ୍କୁ ଉପକରଣ ଏବଂ ସେମାନଙ୍କର ଅଂଶଗୁଡ଼ିକର କାର୍ଯ୍ୟ ବୁଝିବାକୁ ପଡିବ । ଏକ ଆପଲ୍ କାଟିବା କିମ୍ବା ଏକ ନଖ ହାମର କରିବା ପାଇଁ ରୋବଟକୁ କେବଳ ସାଧନର ନାମ ଜାଣିବା ଆବଶ୍ୟକ ନୁହେଁ, ବରଂ ସେ ସାଧନର ଅଂଶଗୁଡ଼ିକୁ ଚିହ୍ନଟ କରିବା ଏବଂ ସେଗୁଡ଼ିକର କାର୍ଯ୍ୟକୁ ଚିହ୍ନଟ କରିବା ଆବଶ୍ୟକ । ଅନ୍ତର୍ଜ୍ଞାନିକ ଭାବରେ, ଏକ ଅଂଶର ଜ୍ୟାମିତି ଏହାର ସମ୍ଭାବ୍ୟ କାର୍ଯ୍ୟ କିମ୍ବା ଏହାର ଯୋଗ୍ୟତା ସହିତ ଘନିଷ୍ଠ ଭାବରେ ଜଡିତ । ତେଣୁ, ଆମେ ସ୍ଥାନୀୟ ଆକୃତି ଏବଂ ଜ୍ୟାମିତି ପ୍ରାଥମିକରୁ ଶିକ୍ଷା ଲାଭ ପାଇଁ ଦୁଇଟି ଉପାୟ ପ୍ରସ୍ତାବିତ କରୁଛୁ: 1) ସୁପରପିକ୍ସେଲ ଆଧାରିତ ବର୍ଗୀକୃତ ମେଳ ଖାଉଥିବା ଅନୁସରଣ (S-HMP); ଏବଂ 2) ସଂରଚନା ରାଣ୍ଡମ ଜଙ୍ଗଲ (SRF) । ଆହୁରି ମଧ୍ୟ, ଯେହେତୁ ଗୋଟିଏ ଅଂଶକୁ ଅନେକ ଉପାୟରେ ବ୍ୟବହାର କରାଯାଇପାରିବ, ଆମେ ଏକ ବଡ଼ RGB-Depth ଡାଟାସେଟକୁ ପ୍ରବର୍ତ୍ତନ କରିଛୁ ଯେଉଁଠାରେ ଉପକରଣ ଅଂଶଗୁଡ଼ିକୁ ଏକାଧିକ ଉପଯୋଗିତା ଏବଂ ସେମାନଙ୍କର ଆପେକ୍ଷିକ ର୍ୟାଙ୍କିଙ୍ଗ ସହିତ ଲେବଲ୍ କରାଯାଇଛି । ଆମେ ୩ଟି ଅପରିଷ୍କାର ଦୃଶ୍ୟ ଏବଂ ୧୦୫ରୁ ଅଧିକ ରୋଷେଇ ଘର, କର୍ମଶାଳା ଏବଂ ଉଦ୍ୟାନ ଉପକରଣ ଉପରେ ପ୍ରସ୍ତାବିତ ପଦ୍ଧତିଗୁଡ଼ିକର ମୂଲ୍ୟାଙ୍କନ କରିଥାଉ, ଯଥାକ୍ରମେ ର୍ୟାଙ୍କିଙ୍ଗ୍ କୋରେସନ୍ ଏବଂ ଏକ ଭାରୀ ଏଫ୍-ମେଜର ସ୍କୋର [୨୬] ବ୍ୟବହାର କରି । କ୍ଲଟର, ଅକ୍ଲୁଜିଅନ ଏବଂ ଭିଜୁଆଲ ପଏଣ୍ଟ ପରିବର୍ତ୍ତନ ଥିବା କ୍ରମ ଉପରେ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଦର୍ଶାଏ ଯେ ଏହି ପଦ୍ଧତିଗୁଡିକ ସଠିକ୍ ପୂର୍ବାନୁମାନ ଫେରାଇଥାଏ ଯାହା ଏକ ରୋବଟ୍ ଦ୍ୱାରା ବ୍ୟବହୃତ ହୋଇପାରିବ । ଏସ-ଏଚଏମପି ଉଚ୍ଚ ସଠିକତା ହାସଲ କରିଥାଏ କିନ୍ତୁ ଏହାର ଯଥେଷ୍ଟ ଗଣନା ଖର୍ଚ୍ଚ ହୋଇଥାଏ, ଯେତେବେଳେ କି ଏସଆରଏଫ ସାମାନ୍ୟ କମ ସଠିକ ପୂର୍ବାନୁମାନ ପ୍ରଦାନ କରିଥାଏ କିନ୍ତୁ ରିଅଲ ଟାଇମରେ ହୋଇଥାଏ । ଶେଷରେ, ଆମେ ଆମର ଆଭିମୁଖ୍ୟର ପ୍ରଭାବକୁ କର୍ଣ୍ଣେଲ ଗ୍ରାସିଂ ଡାଟାସେଟ [୨୫]ରେ ଯାଞ୍ଚ କରିଛୁ, ଯାହାଦ୍ୱାରା ଆମେ ଗ୍ରାସିଂ ଅଞ୍ଚଳ ଚିହ୍ନଟ କରିପାରିବା ଏବଂ ଅତ୍ୟାଧୁନିକ କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରିପାରିବା । |
e0398ab99daa5236720cd1d91e5b150985aac4f3 | ଆମେ ଏକ ଆହାର ମୂଲ୍ୟାୟନ ପ୍ରଣାଳୀ ବିକଶିତ କରୁଛୁ ଯାହା ଖାଦ୍ୟର ଚିତ୍ର ବ୍ୟବହାର କରି ଖାଦ୍ୟର ଦୈନିକ ଆହାରକୁ ରେକର୍ଡ କରିଥାଏ । ଖାଦ୍ୟର ପୋଷକ ତତ୍ତ୍ୱ ବାହାର କରିବା ପାଇଁ ଖାଦ୍ୟର ଚିତ୍ରକୁ ବିଶ୍ଳେଷଣ କରାଯାଏ । ଏହି ଲେଖାରେ ଆମେ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଖାଦ୍ୟ କେଉଁ ଅଞ୍ଚଳରେ ଅଛି ତାହା ଜାଣିବା ପାଇଁ (ଛବି ବିଭାଜନ), ଖାଦ୍ୟର ପ୍ରକାର ଚିହ୍ନଟ କରିବା (ବୈଶିଷ୍ଟ୍ୟ ବର୍ଗୀକରଣ) ଏବଂ ଖାଦ୍ୟର ଓଜନ ଆକଳନ କରିବା (ଓଜନ ଆକଳନ) ପାଇଁ ପ୍ରତିଛବି ବିଶ୍ଳେଷଣ ଉପକରଣଗୁଡ଼ିକର ବର୍ଣ୍ଣନା କରୁଛୁ । ଖାଦ୍ୟର ବିଭାଜନ ଏବଂ ଚିହ୍ନଟ ସଠିକତା ବୃଦ୍ଧି କରିବା ପାଇଁ ଏକ ପ୍ରତିଛବି ବିଭାଜନ ଏବଂ ଶ୍ରେଣୀକରଣ ବ୍ୟବସ୍ଥା ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । ତାପରେ ଆମେ ଖାଦ୍ୟର ଓଜନ ଆକଳନ କରି ଗୋଟିଏ ଚିତ୍ରରୁ ପୋଷକ ତତ୍ତ୍ୱ ବାହାର କରିଥାଉ ନିୟମିତ ଆକାରର ଖାଦ୍ୟ ପାଇଁ ଏକ ଆକାର ଟେମ୍ପଲେଟ୍ ବ୍ୟବହାର କରି ଏବଂ ଅନିୟମିତ ଆକାରର ଖାଦ୍ୟ ପାଇଁ କ୍ଷେତ୍ର-ଆଧାରିତ ଓଜନ ଆକଳନ କରି । |
ab2a41722ee1f2b26575080238ba25f7173a6ae2 | 2.24 ୱାଟର ପାୱାର ଆମ୍ପଲିଫାୟର (PA) ମଡ୍ୟୁଲ 35 GHz ରେ ଉପସ୍ଥାପିତ ହୋଇଛି ଯାହା ବ୍ରଡବ୍ୟାଣ୍ଡ ସ୍ପେସିଆଲ ପାୱାର କମ୍ବାଇନିଂ ସିଷ୍ଟମ ବ୍ୟବହାର କରି ଉପସ୍ଥାପିତ ହୋଇଛି । ଏହି କମ୍ପାଇଣ୍ଡର ଅଧିକ ମାଇକ୍ରୋୱେଭ୍ ଇଣ୍ଟିଗ୍ରେଟେଡ୍ ସର୍କିଟ୍ (ଏମଏମଆଇସି) ପିଏକୁ କା-ବ୍ୟାଣ୍ଡ ୱେଭ୍ ଗାଇଡ୍ ଷ୍ଟ୍ରକ୍ଚରରେ ସୀମିତ ମାଇକ୍ରୋଷ୍ଟ୍ରିପ୍ ସ୍ପେସ୍ ଉପରେ ଷ୍ଟେଗର୍ ପ୍ଲେସମେଣ୍ଟ ଷ୍ଟ୍ରକ୍ଚର୍ ସହିତ ଭଲ ରିଟର୍ଣ୍ଣ କ୍ଷତି ସହିତ ଗ୍ରହଣ କରିପାରିବ ଏବଂ ଆଲୁମିନିୟମ୍ କ୍ୟାରିୟରରେ ଉତ୍ତାପ ଶୀଘ୍ର ନଷ୍ଟ ହୋଇପାରେ । ଏହି କମ୍ବିନେଟର ସ୍ଲଟଲାଇନରୁ ମାଇକ୍ରୋଷ୍ଟ୍ରିପ ଟ୍ରାଞ୍ଜିସନ ଷ୍ଟ୍ରକଚର ଉପରେ ଆଧାରିତ, ଯାହା ଚାରି-ପଥ ଶକ୍ତି କମ୍ବିନେଟର ଭାବରେ କାର୍ଯ୍ୟ କରେ । ପ୍ରସ୍ତାବିତ 2*2 ସଂଯୋଜକ ସଂରଚନାକୁ ୱେଭ ଗାଇଡ ଭିତରେ ଭର୍ଟିକାଲ ଷ୍ଟାକିଂ ଦ୍ୱାରା ଯୋଡା ଯାଇଥିଲା । |
fa9c7e3c6d55175de25bea79ba66ef91607f3920 | ଉଚ୍ଚ କ୍ଷମତା ବିଶିଷ୍ଟ ସଲିଡ ଷ୍ଟେଟ ପାୱାର ଆମ୍ପ୍ଲିଫାୟରଗୁଡିକରେ ଉଚ୍ଚ ଦକ୍ଷତା ବିଶିଷ୍ଟ ପାୱାର ଡିଭିଡିଂ/କମ୍ବାଇନିଂ ସଂରଚନା ଆବଶ୍ୟକ ହୋଇଥାଏ ଯାହାଦ୍ୱାରା ପାୱାର ହାନିକୁ ଯଥାସମ୍ଭବ କମ୍ କରାଯାଇପାରିବ । ଡିଭାଇଡର/କମ୍ବାଇଣ୍ଡରର ଉତ୍ତାପ ସଙ୍କୋଚନ କ୍ଷମତା ମଧ୍ୟ ଏହାର ସର୍ବାଧିକ ଆଉଟପୁଟ୍ ଶକ୍ତିକୁ ସୀମିତ କରିଥାଏ । ଏହି କାଗଜରେ ଆମେ ଏକ ନୂଆ 8-ୱେ କୁ ବ୍ୟାଣ୍ଡ ପାୱାର ଡିଭାଇଡର/କମ୍ବାଇନର ସିଷ୍ଟମ ବିଷୟରେ ଜଣାଇଛୁ, ଏହା ଏକକାଳୀନ କମ୍ କ୍ଷତି, ବ୍ରଡବ୍ୟାଣ୍ଡ ଏବଂ ଉତ୍ତମ ଉତ୍ତାପ ସଙ୍କୋଚନ କ୍ଷମତାକୁ ପ୍ରଦର୍ଶିତ କରୁଛି । ଏହାର ଉପ-ବିଷୟକ ଭାବେ ୱେବ ଗାଇଡରୁ ମାଇକ୍ରୋଷ୍ଟ୍ରିପକୁ ପରିବର୍ତ୍ତନ ପାଇଁ କମ କ୍ଷତିର ସୋଣ୍ଡ ଏବଂ କମ କ୍ଷତିର ବ୍ରଡବ୍ୟାଣ୍ଡ 1-ରୁ-2 ଶକ୍ତି ସଂଯୋଜକକୁ ଡିଜାଇନ ଓ ନିର୍ମାଣ କରାଯାଇଛି । ସମଗ୍ର କୁ-ବ୍ୟାଣ୍ଡରେ ସମ୍ପୂର୍ଣ୍ଣ ଆଠ-ପଥ ଶକ୍ତି ସଂଯୋଜକ ର ମାପିତ ବ୍ୟାକ-ଟୁ-ବ୍ୟାକ ଇନସର୍ଟନ କ୍ଷତି 0.5dB ରୁ କମ୍ ଅଟେ, ଏବଂ ଅନୁରୂପ ସଂଯୋଜକ ଦକ୍ଷତା 94.5% ପର୍ଯ୍ୟନ୍ତ ଉଚ୍ଚ ଅଟେ। ସିଷ୍ଟମର ସିମୁଲେଟେଡ୍ ଥର୍ମାଲ ରେଜିଷ୍ଟାନ୍ସ 0.21°C/W ପର୍ଯ୍ୟନ୍ତ କମ୍ ରହିଛି, ଯାହା ସୂଚାଇଥାଏ ଯେ ପ୍ରସ୍ତାବିତ ପାୱାର କମ୍ବିନେଟର ବାଣିଜ୍ୟିକ ଉପଲବ୍ଧ ମୋନୋଲିଥିକ୍ ମାଇକ୍ରୋୱେଭ୍ ଇଣ୍ଟିଗ୍ରେଟେଡ୍ ସର୍କିଟ (MMIC) ସହିତ 50Wର CW ଆଉଟପୁଟ୍ ପାୱାର ଉତ୍ପାଦନ କରିବାରେ ସକ୍ଷମ ଅଟେ । |
c5695d4104e245ad54d3fe8e4ad33e65970c2d6a | ଏହି ଅଧ୍ୟୟନରେ AD5933 ସର୍କିଟ ଉପରେ ଆଧାରିତ ଇମ୍ପେଡେନ୍ସ ମାପିବା ପାଇଁ ଏକ ସିଷ୍ଟମ ଉପସ୍ଥାପିତ କରାଯାଇଛି । ଏହାର ଇମ୍ପେଡେନ୍ସ ମାପିବା ରେଞ୍ଜ ହେଉଛି 9 Ω ରୁ 18 MΩ ମଧ୍ୟରେ 1 kHz ÷ 100 kHz ଫ୍ରିକ୍ୱେନ୍ସି ରେଞ୍ଜ ପାଇଁ । ଏହି ଅଧ୍ୟୟନରେ ଏହି ପରିମାପର ପରିସରକୁ ବିସ୍ତାର କରିବାର ସମ୍ଭାବନା ବିଷୟରେ ମଧ୍ୟ ଆଲୋଚନା କରାଯାଇଛି । ସିଷ୍ଟମ କାଲିବ୍ରେସନ ସ୍ୱୟଂଚାଳିତ ହୋଇଥାଏ ଏବଂ ଇମ୍ପେଡେନ୍ସ ମୋଡ୍ୟୁଲସ୍ ମାପନର ଆପେକ୍ଷିକ ତ୍ରୁଟି ±2% ପରିସର ମଧ୍ୟରେ ରହିଥାଏ । ମାପ କରାଯାଇଥିବା ଇମ୍ପେଡେନ୍ସ ମୁଖ୍ୟ ପାରାମିଟରଗୁଡ଼ିକୁ ସ୍ଥାନୀୟ ଭାବରେ OLED ପ୍ରଦର୍ଶନୀରେ ପ୍ରଦର୍ଶିତ କରାଯାଇଥାଏ କିନ୍ତୁ ଅଧିକ ପ୍ରକ୍ରିୟାକରଣ ପାଇଁ SD ମେମୋରୀ କାର୍ଡରେ ମଧ୍ୟ ଷ୍ଟୋର୍ କରାଯାଇପାରିବ । ଏହି ବ୍ୟବସ୍ଥା ପୋର୍ଟେବଲ, ମଡ୍ୟୁଲାର ଏବଂ ବହୁ ସଂଖ୍ୟକ ପ୍ରୟୋଗ ପାଇଁ ଅନୁକୂଳ ଅଟେ । |
1df5051913989b441e7df2ddc00aa8c3ab5960d0 | ମୋବାଇଲ ଡିଭାଇସ ହେଉଛି ବିଗତ ବର୍ଷଗୁଡ଼ିକରେ ସବୁଠାରୁ ଅଧିକ ବିପର୍ଯ୍ୟସ୍ତକାରୀ ଟେକ୍ନୋଲୋଜି ମଧ୍ୟରୁ ଗୋଟିଏ, ଯାହା ବ୍ୟାପକ ବର୍ଗର ଲୋକମାନଙ୍କ ଦୈନନ୍ଦିନ ଜୀବନରେ ଅଧିକ ପ୍ରସାରିତ ଏବଂ ସଫଳତା ହାସଲ କରୁଛି । ଦୁର୍ଭାଗ୍ୟବଶତଃ, ଅପରାଧ ଗତିବିଧିରେ ଜଡିତ ମୋବାଇଲ ଡିଭାଇସର ସଂଖ୍ୟା ଯଥେଷ୍ଟ ଏବଂ ବୃଦ୍ଧି ପାଉଛି, କିନ୍ତୁ ଏହିପରି ଡିଭାଇସର ଫରେନ୍ସିକ ବିଶ୍ଳେଷଣ କରିବାର କ୍ଷମତା ଉଭୟ ବୈଷୟିକ ଏବଂ ପଦ୍ଧତିଗତ ସମସ୍ୟା ଦ୍ୱାରା ସୀମିତ । ଏହି ଲେଖାରେ ଆମେ ମୋବାଇଲ ଡିଭାଇସରେ ପ୍ରୟୋଗ କରାଯାଉଥିବା ଆଣ୍ଟି-ଫରେନସିକ ଟେକ୍ନିକ ଉପରେ ଧ୍ୟାନ ଦେଇଛୁ, ଆଣ୍ଡ୍ରଏଡ ଡିଭାଇସରେ ଏଭଳି ଟେକ୍ନିକର କିଛି ସମ୍ପୂର୍ଣ୍ଣ ସ୍ୱୟଂଚାଳିତ ଉଦାହରଣ ଉପସ୍ଥାପନ କରୁଛୁ । ଏହା ବ୍ୟତୀତ, ଆମେ ଏହିପରି କୌଶଳଗୁଡ଼ିକର ପ୍ରଭାବକୁ ଉଭୟ ଉପକରଣର ଉପରୋକ୍ତ ପରୀକ୍ଷା ଏବଂ କିଛି ଅଧିଗ୍ରହଣ ଉପକରଣ ସହିତ ପରୀକ୍ଷା କରିଛୁ । 2010 ଡିଜିଟାଲ ଫରେନସିକ ଗବେଷଣା କର୍ମଶାଳା ଏଲ୍ସେଭିୟର ଲିଃଦ୍ୱାରା ପ୍ରକାଶିତ । ସମସ୍ତ ଅଧିକାର ସଂରକ୍ଷିତ । |
93083f4225ea62b3733a76fc64f9991ed5fd6878 | ଆମେ ଭାରଡିଆଲ 4ରେ ଭାଗ ନେଇଥିବା ବିଷୟର ଫଳାଫଳକୁ ଉପସ୍ଥାପନ କରୁଛୁ । ଆମର ଉପସ୍ଥାପନାରେ ସରଳ ପାରମ୍ପରିକ ମଡେଲଗୁଡ଼ିକ ଅନ୍ତର୍ଭୁକ୍ତ ଯେଉଁଥିରେ ଲିନିୟର ସପୋର୍ଟ ଭେକ୍ଟର ମେସିନ (ଏସଭିଏମ) ଏବଂ ଏକ ନ୍ୟୁରାଲ ନେଟୱାର୍କ (ଏନଏନ) ବ୍ୟବହାର କରାଯାଇଛି । ମୁଖ୍ୟ ବିଚାର ଥିଲା ଭାଷା ସମୂହ ସୂଚନାକୁ ଉପଯୋଗ କରିବା । ଆମେ ପାରମ୍ପରିକ ମଡେଲରେ ଦୁଇ ସ୍ତରୀୟ ଆଭିମୁଖ୍ୟ ଏବଂ ମଲ୍ଟି ଟାସ୍କ ଉଦ୍ଦେଶ୍ୟରେ ନ୍ୟୁରାଲ ନେଟୱାର୍କରେ ଏହା କରିଛୁ । ଆମର ଫଳାଫଳ ପୂର୍ବ ସନ୍ଧାନକୁ ସୁନିଶ୍ଚିତ କରେ: ସରଳ ପାରମ୍ପରିକ ମଡେଲଗୁଡିକ ନିରନ୍ତର ଭାବରେ ଏହି କାର୍ଯ୍ୟ ପାଇଁ ନ୍ୟୁରାଲ ନେଟୱାର୍କକୁ ଅତିକ୍ରମ କରନ୍ତି, ଅତି କମରେ ଉପଲବ୍ଧ ସମୟ ମଧ୍ୟରେ ଆମେ ପରୀକ୍ଷା କରିପାରିବା ସିଷ୍ଟମର ପରିମାଣକୁ ବିଚାରକୁ ନେଇ। ଆମର ଦୁଇ ସ୍ତରୀୟ ରେଖାଗତ ଏସଭିଏମ ଅଂଶୀଦାର କାର୍ଯ୍ୟରେ ଦ୍ୱିତୀୟ ସ୍ଥାନ ଅଧିକାର କରିଛି । |
4fa0d9c4c3d17458085ee255b7a4b7c325d59e32 | ଡିବିପିଡିଆ କମ୍ୟୁନିଟି ପ୍ରୋଜେକ୍ଟ ଉଇକିପିଡ଼ିଆରୁ ସଂରଚନା, ବହୁଭାଷୀ ଜ୍ଞାନ ବାହାର କରିଥାଏ ଏବଂ ଏହାକୁ ସେମାନ୍ଟିକ ୱେବ୍ ଏବଂ ଲିଙ୍କଡ ଡାଟା ଟେକ୍ନୋଲୋଜି ବ୍ୟବହାର କରି ୱେବରେ ମାଗଣାରେ ଉପଲବ୍ଧ କରିଥାଏ । ଏହି ପ୍ରକଳ୍ପ ଉଇକିପିଡ଼ିଆର ୧୧୧ଟି ଭିନ୍ନ ଭିନ୍ନ ଭାଷାର ସଂସ୍କରଣରୁ ଜ୍ଞାନ ସଂଗ୍ରହ କରିଥାଏ । ସବୁଠାରୁ ବଡ଼ DBpedia ଜ୍ଞାନ ଆଧାର ଯାହା ଉଇକିପିଡ଼ିଆର ଇଂରାଜୀ ସଂସ୍କରଣରୁ ବାହାର କରାଯାଇଛି, ଏଥିରେ ୪୦୦ ନିୟୁତ ତଥ୍ୟ ରହିଛି ଯାହା ୩.୭ ନିୟୁତ ଜିନିଷର ବର୍ଣ୍ଣନା କରିଥାଏ । DBpedia ଜ୍ଞାନ ଆଧାର ଯାହା ଅନ୍ୟ ୧୧୦ଟି ଉଇକିପିଡ଼ିଆ ସଂସ୍କରଣରୁ ବାହାର କରାଯାଇଛି, ଏଥିରେ ୧.୪୬ ବିଲିୟନ ତଥ୍ୟ ରହିଛି ଏବଂ ଏଥିରେ ୧୦ ନିୟୁତ ଅତିରିକ୍ତ ବିଷୟ ବର୍ଣ୍ଣନା କରାଯାଇଛି । DBpedia ପ୍ରକଳ୍ପ ଉଇକିପିଡ଼ିଆର ଇନ୍ଫୋବକ୍ସକୁ 27ଟି ଭିନ୍ନ ଭିନ୍ନ ଭାଷାର ସଂସ୍କରଣରୁ 320ଟି ଶ୍ରେଣୀ ଓ 1,650ଟି ଗୁଣକୁ ନେଇ ଏକକ ସହଭାଗୀ ଅନଟୋଲଜିରେ ମ୍ୟାପ୍ କରିଥାଏ । ଏହି ମାନଚିତ୍ରଗୁଡ଼ିକ ବିଶ୍ୱବ୍ୟାପୀ ଜନ-ଉତ୍ସର୍ଗ ପ୍ରୟାସ ମାଧ୍ୟମରେ ସୃଷ୍ଟି କରାଯାଇଛି ଏବଂ ବିଭିନ୍ନ ଉଇକିପିଡ଼ିଆ ସଂସ୍କରଣରୁ ଜ୍ଞାନକୁ ମିଶ୍ରଣ କରିବାରେ ସକ୍ଷମ ହୋଇଛି । ଏହି ପ୍ରକଳ୍ପ ଡାଉନଲୋଡ ପାଇଁ ସମସ୍ତ ଡିବିପିଡିଆ ଜ୍ଞାନ ଆଧାରର ପ୍ରକାଶନ ପ୍ରକାଶ କରିଥାଏ ଏବଂ ସ୍ଥାନୀୟ ଡିବିପିଡିଆ ଅଧ୍ୟାୟର ଏକ ବିଶ୍ୱସ୍ତରୀୟ ନେଟୱାର୍କ ମାଧ୍ୟମରେ ୧୧୧ ଟି ଭାଷା ସଂସ୍କରଣ ମଧ୍ୟରୁ ୧୪ ଟିକୁ ସ୍ପାର୍କଲ ପ୍ରଶ୍ନ ପ୍ରବେଶ ପ୍ରଦାନ କରିଥାଏ । ନିୟମିତ ପ୍ରକାଶନ ବ୍ୟତୀତ, ଏହି ପ୍ରକଳ୍ପ ଏକ ଜୀବନ୍ତ ଜ୍ଞାନ ଆଧାରକୁ ବଜାୟ ରଖିଥାଏ ଯାହା ଉଇକିପିଡ଼ିଆରେ ପୃଷ୍ଠା ପରିବର୍ତ୍ତନ ହେଲେ ଅପଡେଟ୍ ହୋଇଥାଏ । DBpedia 27 ନିୟୁତ RDF ଲିଙ୍କ୍ ସ୍ଥାପନ କରେ ଯାହା 30 ରୁ ଅଧିକ ବାହ୍ୟ ତଥ୍ୟ ଉତ୍ସକୁ ସୂଚାଇଥାଏ ଏବଂ ଏହିପରି ଭାବରେ ଏହି ଉତ୍ସଗୁଡ଼ିକରୁ ତଥ୍ୟ DBpedia ତଥ୍ୟ ସହିତ ବ୍ୟବହାର କରାଯାଇପାରିବ । ୱେବରେ ଥିବା ଶହ ଶହ ଡାଟା ସେଟଗୁଡିକ RDF ଲିଙ୍କ ପ୍ରକାଶିତ କରନ୍ତି ଯାହା DBpedia କୁ ସୂଚାଇଥାଏ ଏବଂ DBpedia କୁ ଲିଙ୍କଡ ଓପନ ଡାଟା (LOD) କ୍ଲାଉଡରେ କେନ୍ଦ୍ରୀୟ ଇଣ୍ଟରଲିଙ୍କିଙ୍ଗ ହବ୍ ମଧ୍ୟରୁ ଗୋଟିଏ କରିଥାଏ । ଏହି ସିଷ୍ଟମ ରିପୋର୍ଟରେ, ଆମେ DBpedia କମ୍ୟୁନିଟି ପ୍ରୋଜେକ୍ଟର ଏକ ସମୀକ୍ଷା ପ୍ରଦାନ କରୁଛୁ, ଯେଉଁଥିରେ ଏହାର ସ୍ଥାପତ୍ୟ, ବୈଷୟିକ କାର୍ଯ୍ୟକାରିତା, ରକ୍ଷଣାବେକ୍ଷଣ, ଆନ୍ତର୍ଜାତୀୟକରଣ, ବ୍ୟବହାର ପରିସଂଖ୍ୟାନ ଏବଂ ପ୍ରୟୋଗ ଅନ୍ତର୍ଭୁକ୍ତ । |
1c2dbbc5268eff6c78f581b8fc7c649d40b60538 | ସେମାନ୍ଟିକ ୱେବରେ ନିକଟରେ ବଡ ଜ୍ଞାନ ଆଧାର (ଯେପରି DBpedia) ର ବୃଦ୍ଧି ଦେଖିବାକୁ ମିଳିଛି ଯାହା SPARQL ଏଣ୍ଡପଏଣ୍ଟ ମାଧ୍ୟମରେ ମୁକ୍ତ ଭାବରେ ଉପଲବ୍ଧ । ଏଥିରେ ଥିବା ସୂଚନାକୁ ସଂରଚନାଗତ ଭାବେ ଉପସ୍ଥାପନ କରିବା ଦ୍ୱାରା ଏହାକୁ କିପରି ଆକସେସ୍ କରାଯାଇପାରିବ ଏବଂ ପଚରା ଯାଇପାରିବ ସେ ବିଷୟରେ ନୂତନ ସମ୍ଭାବନା ସୃଷ୍ଟି ହୋଇଥାଏ । ଏହି ଲେଖାରେ ଆମେ ଏକ ଉପାୟ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ଦୁଇଟି ବସ୍ତୁ ମଧ୍ୟରେ ସମ୍ପର୍କକୁ କଭର କରୁଥିବା ଏକ ଗ୍ରାଫ ବାହାର କରିଥାଏ । ଆମେ ଏହି ଗ୍ରାଫର ଏକ ଇଣ୍ଟରଆକ୍ଟିଭ ଭିଜୁଆଲାଇଜେସନ ଦେଖାଉଛୁ ଯାହା ହାଇଲାଇଟ କରିବା, ପ୍ରିଭ୍ୟୁ କରିବା ଏବଂ ଫିଲ୍ଟର କରିବା ଭଳି ଫିଚର ପ୍ରଦାନ କରି ମିଳିଥିବା ସମ୍ପର୍କର ବ୍ୟବସ୍ଥିତ ବିଶ୍ଳେଷଣକୁ ସମର୍ଥନ କରେ । |
4b9a9fb54b3451e4212e298053f81f0cd49d70a2 | ସ୍ମାର୍ଟଫୋନର ବିକାଶ ସହିତ କମ୍ପ୍ୟୁଟେଶନାଲ ପାୱାରର ବୃଦ୍ଧି, ଡେଭଲପର୍ସଙ୍କୁ କୌଣସି ପରିସ୍ଥିତିରେ ଏବଂ କୌଣସି ସ୍ଥାନରେ ଉପଭୋକ୍ତାଙ୍କ ସମ୍ବନ୍ଧିତ ସାମାଜିକ ଏବଂ ଜ୍ଞାନକୌଶଳ କାର୍ଯ୍ୟକଳାପକୁ ଚିହ୍ନିବା ପାଇଁ ଅଭିନବ ପ୍ରସଙ୍ଗ-ସଚେତନ ଆପ୍ଲିକେସନ୍ ସୃଷ୍ଟି କରିବାକୁ ସକ୍ଷମ କରିଛି । ପରିସରର ଅସ୍ତିତ୍ୱ ଏବଂ ସଚେତନତା ମୋବାଇଲ ଉପକରଣ ବ୍ୟବହାରକାରୀଙ୍କ ଆଖପାଖର ଭୌତିକ ପରିବେଶ କିମ୍ବା ପରିସ୍ଥିତି ବିଷୟରେ ସଚେତନ ହେବାର କ୍ଷମତା ପ୍ରଦାନ କରିଥାଏ । ଏହାଦ୍ୱାରା ନେଟୱର୍କ ସେବାଗୁଡିକୁ ଏହି ସଚେତନତା ଆଧାରରେ ସକ୍ରିୟ ଓ ବୁଦ୍ଧିମାନର ସହ ପ୍ରତିକ୍ରିୟା କରିବାକୁ ଅନୁମତି ମିଳିଥାଏ । ପ୍ରସଙ୍ଗ-ସଚେତନ ପ୍ରୟୋଗଗୁଡ଼ିକର ମୂଳ ଚିନ୍ତାଧାରା ହେଉଛି ବ୍ୟବହାରକାରୀମାନଙ୍କୁ ଏକ ସ୍ମାର୍ଟ ନେଟୱାର୍କ ସୃଷ୍ଟି କରି ଏକ ବୃହତ-ମାପକାରୀ ଗୋଷ୍ଠୀ ବ୍ୟବହାର ପାଇଁ ସ୍ଥାନୀୟ ସେନ୍ସୋରୀ ଜ୍ଞାନ ସଂଗ୍ରହ, ବିଶ୍ଳେଷଣ ଏବଂ ଅଂଶୀଦାର କରିବାକୁ ଉତ୍ସାହିତ କରିବା । ଇଚ୍ଛାକୃତ ନେଟୱାର୍କ ପରିବେଶର ବସ୍ତୁଗୁଡ଼ିକୁ କାର୍ଯ୍ୟକ୍ଷମ କରିବା ପାଇଁ ସ୍ୱୟଂକ୍ରିୟ ତର୍କସଙ୍ଗତ ନିଷ୍ପତ୍ତି ନେବାରେ ସକ୍ଷମ ହେବା ସହିତ ବ୍ୟକ୍ତିମାନଙ୍କୁ ସହାୟତା ମଧ୍ୟ କରିଥାଏ । ତେବେ ଅନେକ ଖୋଲା ଆହ୍ୱାନ ରହିଛି, ଯାହା ଅଧିକାଂଶ ସମୟରେ ମୋବାଇଲ ଡିଭାଇସରେ ପ୍ରଦାନ କରାଯାଉଥିବା ମିଡିଲୱେୟାର ସେବାରେ ଶକ୍ତି, ସ୍ମୃତି ଏବଂ ବ୍ୟାଣ୍ଡୱିଡଥ୍ ଦୃଷ୍ଟିରୁ ସୀମିତ ସମ୍ବଳ ଥିବାରୁ ସୃଷ୍ଟି ହୋଇଛି । ତେଣୁ, ଏହା ଅତ୍ୟନ୍ତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଯେ କିପରି ଭାବେ ଏହାର ଅସୁବିଧା ଗୁଡ଼ିକୁ ଅଧିକରୁ ଅଧିକ ବୁଝାଯାଇପାରିବ ଏବଂ ସମାଧାନ କରାଯାଇପାରିବ ଏବଂ ସେହି ସମୟରେ, ଗବେଷଣା ଗୋଷ୍ଠୀ ପାଇଁ ପ୍ରସଙ୍ଗ-ସଚେତନତା ପ୍ରତି ଅବଦାନ ପାଇଁ ସୁଯୋଗ ଗୁଡ଼ିକୁ ଭଲ ଭାବରେ ବୁଝିବା । ଏହି ଉଦ୍ଦେଶ୍ୟରେ, ଏହି କାଗଜରେ 1991-2014 ଅବଧିରେ ସାହିତ୍ୟର ସର୍ବେକ୍ଷଣ କରାଯାଇଛି, ନୂତନ ଧାରଣା ଠାରୁ ଆରମ୍ଭ କରି ମୋବାଇଲ୍ ପ୍ଲାଟଫର୍ମରେ ପ୍ରସଙ୍ଗ-ସଚେତନାର ପ୍ରୟୋଗ ପର୍ଯ୍ୟନ୍ତ ଅତ୍ୟାଧୁନିକ ଗବେଷଣା ଏବଂ ଭବିଷ୍ୟତର ଗବେଷଣା ଦିଗ ପ୍ରଦାନ କରି । ଏହାବ୍ୟତୀତ ଏହି କ୍ଷେତ୍ରରେ ଦେଖାଦେଇଥିବା ଆହ୍ୱାନଗୁଡ଼ିକ ଉପରେ ମଧ୍ୟ ଆଲୋକପାତ କରାଯାଇଛି ଏବଂ ସମାଧାନର ସମ୍ଭାବ୍ୟ ଉପାୟଗୁଡ଼ିକ ବିଷୟରେ ମଧ୍ୟ ପରାମର୍ଶ ଦିଆଯାଇଛି । |
4c65005c8822c3117bd3c3746e3a9b9e17386328 | |
27208c88f07a1ffe97760c12be08fad3ab68fee2 | ବିଶେଷକରି, ଆମେ କ୍ରସ ମୋଡାଲିଟି ଫିଚର ଲର୍ଣ୍ଣିଂ ପ୍ରଦର୍ଶନ କରୁଛୁ, ଯେଉଁଠାରେ ଏକ ମୋଡାଲିଟି (ଯେପରିକି ଭିଡିଓ) ପାଇଁ ଉତ୍ତମ ଫିଚରଗୁଡ଼ିକ ଶିଖାଯାଇପାରିବ ଯଦି ଏକାଧିକ ମୋଡାଲିଟି (ଯେପରିକି ଅଡିଓ ଏବଂ ଭିଡିଓ) ଫିଚର ଲର୍ଣ୍ଣିଂ ସମୟରେ ଉପସ୍ଥିତ ଥାଏ । ଏହା ସହିତ ଆମେ ଦେଖାଇବୁ କିପରି ଶେୟାର ରେପ୍ରେଜେଣ୍ଟେସନକୁ ଶିଖିବା ଏବଂ ଏହାକୁ ଏକ ଅନନ୍ୟ କାର୍ଯ୍ୟରେ ମୂଲ୍ୟାଙ୍କନ କରିବା, ଯେଉଁଠାରେ କ୍ଲାସିଫାୟରକୁ କେବଳ ଅଡିଓ ଡାଟା ସହିତ ପ୍ରଶିକ୍ଷଣ କରାଯାଏ କିନ୍ତୁ କେବଳ ଭିଡିଓ ଡାଟା ସହିତ ପରୀକ୍ଷା କରାଯାଏ ଏବଂ ବିପରୀତ ଭାବରେ । ଆମେ ଆମର ପଦ୍ଧତିକୁ CUAVE ଏବଂ AVLetters ଡାଟାସେଟରେ ଅଡିଓ-ଭିଜୁଆଲ ଭାଷଣ ବର୍ଗୀକରଣ କାର୍ଯ୍ୟ ସହିତ ବୈଧ କରିଥାଉ, AVLetters ଉପରେ ଉନ୍ନତ ଭିଜୁଆଲ ଭାଷଣ ବର୍ଗୀକରଣ ଏବଂ ପ୍ରଭାବଶାଳୀ ମଲ୍ଟିମୋଡାଲ ଫ୍ୟୁଜନ ପ୍ରଦର୍ଶନ କରିଥାଉ । ଗଭୀର ନେଟୱାର୍କକୁ ଏକକ ମୋଡାଲିଟି (ଯେପରିକି, ପାଠ୍ୟ, ପ୍ରତିଛବି କିମ୍ବା ଅଡିଓ) ପାଇଁ ଅଣ-ନିରୀକ୍ଷିତ ଫିଚର ଲର୍ଣ୍ଣିଂରେ ସଫଳତାର ସହିତ ପ୍ରୟୋଗ କରାଯାଇଛି । ଏହି କାର୍ଯ୍ୟରେ, ଆମେ ଗଭୀର ନେଟୱାର୍କର ଏକ ନୂତନ ପ୍ରୟୋଗର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ବହୁମୁଖୀ ମୋଡାଲିଟି ଉପରେ ବିଶେଷତ୍ୱ ଶିଖିବା ପାଇଁ । ଆମେ ମଲ୍ଟିମୋଡାଲ ଲର୍ଣ୍ଣିଂ ପାଇଁ ବିଭିନ୍ନ ପ୍ରକାର କାର୍ଯ୍ୟ ଉପସ୍ଥାପନ କରୁଛୁ ଏବଂ ଏହି କାର୍ଯ୍ୟଗୁଡ଼ିକର ସମାଧାନ ପାଇଁ ବିଶେଷତ୍ୱ ଶିଖୁଥିବା ଏକ ଗଭୀର ନେଟୱାର୍କକୁ କିପରି ତାଲିମ ଦିଆଯିବ ତାହା ଦେଖାଉଛୁ । |
21c9dd68b908825e2830b206659ae6dd5c5bfc02 | ଆମେ ଇମବେଡ୍ ଟୁ କଣ୍ଟ୍ରୋଲ (ଇଟୁସି) ର ପରିଚୟ ଦେଉଛୁ, ଯାହାକି ମୂଳ ପିକ୍ସେଲ ଚିତ୍ରରୁ ଅଣ-ଲିନିୟର ଗତିଶୀଳ ପ୍ରଣାଳୀର ମଡେଲ ଶିକ୍ଷା ଏବଂ ନିୟନ୍ତ୍ରଣ ପାଇଁ ଏକ ପଦ୍ଧତି । E2C ଏକ ଗଭୀର ଜେନେରେଟିଭ ମଡେଲରେ ଗଠିତ, ଯାହା ଭେରିଏସନଲ ଅଟୋଏନକୋଡର ପରିବାର ସହିତ ସମ୍ବନ୍ଧିତ, ଯାହା ଏକ ଲଟେଣ୍ଟ ସ୍ପେସରୁ ଇମେଜ ଟ୍ରାଜେକ୍ଟୋରୀ ସୃଷ୍ଟି କରିବା ପାଇଁ ଶିଖେ ଯେଉଁଥିରେ ଗତିଶୀଳତା ସ୍ଥାନୀୟ ଭାବରେ ରେଖୀକ ହେବା ପାଇଁ ବାଧ୍ୟ ହୋଇଥାଏ । ଆମର ମଡେଲଟି ସିଧାସଳଖ ଭାବେ ଲଟେଣ୍ଟ ସ୍ପେସରେ ଏକ ସର୍ବୋତ୍ତମ ନିୟନ୍ତ୍ରଣ ଫର୍ମୁଲେସନରୁ ପ୍ରାପ୍ତ ହୋଇଛି, ଏହା ଇମେଜ ସିକ୍ୱେନ୍ସଗୁଡ଼ିକର ଦୀର୍ଘକାଳୀନ ପୂର୍ବାନୁମାନକୁ ସମର୍ଥନ କରେ ଏବଂ ବିଭିନ୍ନ ପ୍ରକାରର ଜଟିଳ ନିୟନ୍ତ୍ରଣ ସମସ୍ୟା ଉପରେ ଦୃଢ଼ କାର୍ଯ୍ୟଦକ୍ଷତା ପ୍ରଦର୍ଶନ କରେ । |
39b7007e6f3dd0744833f292f07ed77973503bfd | ଜ୍ୟେରାକିୟ ରିଏନଫୋର୍ସମେଣ୍ଟ ଲର୍ଣ୍ଣିଂ (ଏଚଆରଏଲ) ହେଉଛି ଏକ ଭଲ ଉପାୟ ଯାହାକି ପାରମ୍ପରିକ ରିଏନଫୋର୍ସମେଣ୍ଟ ଲର୍ଣ୍ଣିଂ (ଆରଏଲ) ପଦ୍ଧତିକୁ ଅଧିକ ଜଟିଳ କାର୍ଯ୍ୟଗୁଡ଼ିକର ସମାଧାନ ପାଇଁ ବିସ୍ତାର କରିଥାଏ । ତଥାପି, ବର୍ତ୍ତମାନର ଅଧିକାଂଶ HRL ପଦ୍ଧତିଗୁଡିକର ଯତ୍ନର ସହିତ କାର୍ଯ୍ୟ-ନିର୍ଦ୍ଦିଷ୍ଟ ଡିଜାଇନ୍ ଏବଂ ନୀତି ଉପରେ ତାଲିମ ଆବଶ୍ୟକ କରେ, ଯାହା ବାସ୍ତବ ଦୁନିଆର ପରିସ୍ଥିତିରେ ପ୍ରୟୋଗ କରିବା କଷ୍ଟକର କରିଥାଏ । ଏହି କାଗଜରେ, ଆମେ ଅଧ୍ୟୟନ କରୁଛୁ ଯେ ଆମେ କିପରି HRL ଆଲଗୋରିଦମ ବିକଶିତ କରିପାରିବା ଯାହା ସାଧାରଣ ଅଟେ, ଯେପରିକି ସେମାନେ ମାନକ RL ଆଲଗୋରିଦମ ବାହାରେ ଅତିରିକ୍ତ ଅତିରିକ୍ତ ଅନୁମାନ କରନ୍ତି ନାହିଁ, ଏବଂ ଦକ୍ଷ, ଏହି ଅର୍ଥରେ ଯେ ସେମାନେ ସାମାନ୍ୟ ସଂଖ୍ୟକ ପାରସ୍ପରିକ ନମୁନା ସହିତ ବ୍ୟବହୃତ ହୋଇପାରିବେ, ଯାହା ସେମାନଙ୍କୁ ରୋବୋଟିକ୍ ନିୟନ୍ତ୍ରଣ ପରି ବାସ୍ତବ ଦୁନିଆର ସମସ୍ୟା ପାଇଁ ଉପଯୁକ୍ତ କରିଥାଏ । ସାଧାରଣତା ପାଇଁ, ଆମେ ଏକ ଯୋଜନା ବିକଶିତ କରୁଛୁ ଯେଉଁଠାରେ ନିମ୍ନ ସ୍ତରର ନିୟନ୍ତ୍ରକମାନେ ଲକ୍ଷ୍ୟ ସହିତ ତଦାରଖ କରନ୍ତି ଯାହା ଉଚ୍ଚ ସ୍ତରର ନିୟନ୍ତ୍ରକମାନଙ୍କ ଦ୍ୱାରା ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଶିଖିଯାଇଥାଏ ଏବଂ ପ୍ରସ୍ତାବିତ ହୋଇଥାଏ । ଦକ୍ଷତା ବୃଦ୍ଧି ପାଇଁ ଆମେ ଉଚ୍ଚସ୍ତରୀୟ ଏବଂ ନିମ୍ନସ୍ତରୀୟ ତାଲିମ ପାଇଁ ନୀତି ବାହାରେ ଥିବା ଅଭିଜ୍ଞତାକୁ ବ୍ୟବହାର କରିବାକୁ ପ୍ରସ୍ତାବ ଦେଉଛୁ । ଏହା ଏକ ବଡ଼ ଆହ୍ୱାନ ସୃଷ୍ଟି କରୁଛି, କାରଣ ନିମ୍ନସ୍ତରୀୟ ଆଚରଣରେ ପରିବର୍ତ୍ତନ ଉଚ୍ଚସ୍ତରୀୟ ନୀତି ପାଇଁ କାର୍ଯ୍ୟକ୍ଷେତ୍ରକୁ ପରିବର୍ତ୍ତନ କରିଥାଏ, ଏବଂ ଆମେ ଏହି ଆହ୍ୱାନର ସମାଧାନ ପାଇଁ ଏକ ଅଣ-ନୀତି ସଂଶୋଧନ ପ୍ରବର୍ତ୍ତନ କରୁଛୁ । ଏହା ଆମକୁ ନୀତି ବାହାରେ ମଡେଲ ମୁକ୍ତ RL ରେ ସାମ୍ପ୍ରତିକ ଅଗ୍ରଗତିର ଲାଭ ଉଠାଇବାକୁ ଅନୁମତି ଦେଇଥାଏ ଯାହା ନୀତି ବାହାରେ ମଡେଲ ମୁକ୍ତ RL ରେ ସାମ୍ପ୍ରତିକ ଅଗ୍ରଗତିର ଲାଭ ଉଠାଇଥାଏ ଯାହା ନୀତି ବାହାରେ ମଡେଲ ମୁକ୍ତ RL ରେ ସାମ୍ପ୍ରତିକ ଅଗ୍ରଗତିର ଲାଭ ଉଠାଇଥାଏ । ଆମେ ଏହାର ନାମ HIRO ରଖିଛୁ ଏବଂ ଏହା ସାଧାରଣ ଭାବେ ପ୍ରୟୋଗଯୋଗ୍ୟ ଏବଂ ଏହା ନମୁନା ସଂଗ୍ରହ କରିବାରେ ଅତ୍ୟନ୍ତ ପ୍ରଭାବଶାଳୀ ବୋଲି ଆମେ ଜାଣିବାକୁ ପାଇଛୁ । ଆମର ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ, HIRO ଦ୍ୱାରା ସିମୁଲେସନ ରୋବଟମାନଙ୍କ ପାଇଁ ଅତ୍ୟନ୍ତ ଜଟିଳ ଆଚରଣ ଶିଖାଯାଇପାରିବ, ଯେପରିକି ବସ୍ତୁକୁ ଠେଲିଦେବା ଏବଂ ଲକ୍ଷ୍ୟସ୍ଥଳରେ ପହଞ୍ଚିବା ପାଇଁ ବ୍ୟବହାର କରିବା, ପୂର୍ବବର୍ତ୍ତୀ ଅନେକ ଏଚଆରଏଲ ପଦ୍ଧତି ସହିତ ତୁଳନା କରି ଆମେ ପାଇଲୁ ଯେ ଆମର ଏହି ପଦ୍ଧତି ପୂର୍ବବର୍ତ୍ତୀ ଅତ୍ୟାଧୁନିକ ପଦ୍ଧତିଠାରୁ ଯଥେଷ୍ଟ ଉନ୍ନତ ଅଟେ । |
5b44f587c4c7611d04e304fd7fa37648338d0cbf | ସମ୍ପୂର୍ଣ୍ଣ ସ୍ୱୟଂଚାଳିତ ପ୍ରଣାଳୀର ବିକାଶରେ ଏକ ପ୍ରମୁଖ ଆହ୍ୱାନ ହେଉଛି ନିରନ୍ତର ରାଜ୍ୟ-କାର୍ଯ୍ୟକ୍ଷେତ୍ରରେ ତଥ୍ୟ-ଦକ୍ଷତାଯୁକ୍ତ ସୁଦୃଢ଼ୀକରଣ ଶିକ୍ଷା (ଆରଏଲ) ଯାହାକି ଅତି ଉଚ୍ଚ-ଆକାରର ପର୍ଯ୍ୟବେକ୍ଷଣ ବ୍ୟବହାର କରିଥାଏ । ଆମେ ଏହି ଆହ୍ୱାନର ଏକ ବିଶେଷ ଭାବରେ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଉଦାହରଣ, ପିକ୍ସେଲ-ଟର୍କି ସମସ୍ୟାକୁ ବିଚାର କରୁଛୁ, ଯେଉଁଠାରେ ଏକ RL ଏଜେଣ୍ଟ କେବଳ ପିକ୍ସେଲ ସୂଚନାରୁ ଏକ ବନ୍ଦ-ଲୁପ୍ ନିୟନ୍ତ୍ରଣ ନୀତି (ଟର୍କି) ଶିଖିଥାଏ । ଆମେ ଏକ ଡାଟା-ଦକ୍ଷ, ମଡେଲ-ଆଧାରିତ ରିଏନଫୋର୍ସମେଣ୍ଟ ଲର୍ଣ୍ଣିଂ ଆଲଗୋରିଦମକୁ ଆରମ୍ଭ କରୁଛୁ ଯାହା ପିକ୍ସେଲ ସୂଚନାରୁ ସିଧାସଳଖ ଏକ ବନ୍ଦ-ଲୁପ୍ ନୀତି ଶିଖେ । ଏହାର ମୁଖ୍ୟ ଉପାଦାନ ହେଉଛି ଏକ ଗଭୀର ଗତିଶୀଳ ମଡେଲ ଯାହାକି ଏହି ନିମ୍ନ-ଆକାର ବିଶିଷ୍ଟ ସ୍ଥାନ ରେ ଏକ ପୂର୍ବାନୁମାନ ମଡେଲ ସହିତ ଏକ ନିମ୍ନ-ଆକାର ବିଶିଷ୍ଟ ସ୍ଥାନ ରେ ଛବିର ଅନ୍ତର୍ଭୁକ୍ତିକରଣକୁ ଶିକ୍ଷା କରିଥାଏ । ଦୀର୍ଘକାଳୀନ ପୂର୍ବାନୁମାନ ପାଇଁ ମିଳିତ ଶିକ୍ଷାଦାନ ଅତ୍ୟନ୍ତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ, ଯାହା ଅନୁକୂଳ ଅଣ-ଲିଖିତ ମଡେଲ ପୂର୍ବାନୁମାନ ନିୟନ୍ତ୍ରଣ ରଣନୀତିର ମୂଳରେ ରହିଛି ଯାହାକୁ ଆମେ ବନ୍ଦ ଲୁପ୍ ନିୟନ୍ତ୍ରଣ ପାଇଁ ବ୍ୟବହାର କରୁ । କ୍ରମାଗତ ସ୍ଥିତି ଏବଂ କାର୍ଯ୍ୟ ପାଇଁ ଅତ୍ୟାଧୁନିକ ଆର୍ଏଲ୍ ପଦ୍ଧତି ତୁଳନାରେ, ଆମର ଆଭିମୁଖ୍ୟ ଶୀଘ୍ର ଶିଖିଥାଏ, ଉଚ୍ଚ-ଆକାରର ସ୍ଥିତି ସ୍ଥାନକୁ ମାପ କରିଥାଏ, ହାଲୁକା ଏବଂ ପିକ୍ସେଲରୁ ଟର୍କ ପର୍ଯ୍ୟନ୍ତ ସମ୍ପୂର୍ଣ୍ଣ ସ୍ୱୟଂଚାଳିତ ଏଣ୍ଡ-ଟୁ-ଏଣ୍ଡ ଶିକ୍ଷଣ ଦିଗରେ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପଦକ୍ଷେପ _ |
d06ae5effef2922e7ee24a4b0f8274486f0a6523 | ଏକ ସ୍ୱୟଂ ପରିଚାଳିତ ପ୍ରଶ୍ନପତ୍ର ବ୍ୟବହାର କରି, ୧୪୯ ଜଣ ଉତ୍ତରଦାତା ନିକଟରେ ପରିଦର୍ଶନ କରିଥିବା ଏକ ଦୋକାନ କିମ୍ବା ରେଷ୍ଟୁରାଣ୍ଟ ସହିତ ଜଡିତ ସେବା ଉପାଦାନଗୁଡ଼ିକୁ ସ୍କେଲରେ ମୂଲ୍ୟାଙ୍କନ କରିଥିଲେ ଯାହା କେବଳ ଉତ୍ତର ବର୍ଗର ସଂଖ୍ୟା (୨ ରୁ ୧୧ ପର୍ଯ୍ୟନ୍ତ) ଏବଂ ଏକ ଭିନ୍ନ ଫର୍ମାଟରେ ଉପସ୍ଥାପିତ ୧୦୧ ପଏଣ୍ଟ ସ୍କେଲରେ ଭିନ୍ନ ଥିଲା । ବିଶ୍ୱସନୀୟତା, ବୈଧତା ଏବଂ ବିଚାର କରିବାର କ୍ଷମତା ଭଳି ଅନେକ ସୂଚକାଙ୍କରେ ଦୁଇ-ପଏଣ୍ଟ, ତିନି-ପଏଣ୍ଟ ଏବଂ ଚାରି-ପଏଣ୍ଟ ସ୍କେଲଗୁଡ଼ିକ ଅପେକ୍ଷାକୃତ ଖରାପ ପ୍ରଦର୍ଶନ କରିଥିଲେ ଏବଂ ଅଧିକ ପ୍ରତିକ୍ରିୟା ବର୍ଗ ଥିବା ସ୍କେଲଗୁଡ଼ିକ ପାଇଁ ସୂଚକାଙ୍କଗୁଡ଼ିକ ଯଥେଷ୍ଟ ଅଧିକ ଥିଲା, ପ୍ରାୟ ୭ ପର୍ଯ୍ୟନ୍ତ । ଆଭ୍ୟନ୍ତରୀଣ ସ୍ଥିରତା ସ୍କେଲଗୁଡ଼ିକ ମଧ୍ୟରେ ବିଶେଷ ଭିନ୍ନତା ଦେଖାଯାଇନାହିଁ, କିନ୍ତୁ ୧୦ରୁ ଅଧିକ ପ୍ରତିକ୍ରିୟା ଶ୍ରେଣୀ ଥିବା ସ୍କେଲଗୁଡ଼ିକରେ ପରୀକ୍ଷା-ପୁନଃପରୀକ୍ଷାର ବିଶ୍ୱସନୀୟତା ହ୍ରାସ ପାଇଥାଏ । ସର୍ଭେରେ ସର୍ବାଧିକ ୧୦ ପଏଣ୍ଟ ବିଶିଷ୍ଟ ସ୍କେଲକୁ ପସନ୍ଦ କରୁଥିବା ବେଳେ ୭ ଓ ୯ ପଏଣ୍ଟ ବିଶିଷ୍ଟ ସ୍କେଲକୁ ଅଧିକ ପସନ୍ଦ କରିଛନ୍ତି । ଗବେଷଣା ଓ ବ୍ୟବହାର ପାଇଁ ଏହାର ପ୍ରଭାବ ବିଷୟରେ ଆଲୋଚନା କରାଯାଇଛି । |
bc93ff646e6f863d885e609db430716d7590338f | ଆଜିକାଲି ଜିପିଏସ୍ ଆଧାରିତ କାର ନେଭିଗେସନ୍ ସିଷ୍ଟମ୍ ମୁଖ୍ୟତଃ କଥାବାର୍ତ୍ତା ଏବଂ ସରଳୀକୃତ ସଡ଼କ ମାନଚିତ୍ରର ଆକାଶମାର୍ଗ ଦର୍ଶନକୁ ବ୍ୟବହାର କରି ଡ୍ରାଇଭର୍ମାନଙ୍କୁ ସେମାନଙ୍କ ଗନ୍ତବ୍ୟସ୍ଥଳକୁ ନେଇଥାଏ । କିନ୍ତୁ, ଡ୍ରାଇଭରମାନେ ସାଧାରଣତଃ ଏହି ସରଳ ୨ଡି ଏରିଏଲ ମ୍ୟାପକୁ ବାସ୍ତବ ପରିବେଶରୁ ମିଳିଥିବା ଭିଜୁଆଲ ଇମ୍ପ୍ରେସନ ସହିତ ଯୋଡ଼ିବାରେ ଅସୁବିଧା ଅନୁଭବ କରିଥାନ୍ତି, ଯାହାକି ସ୍ୱଭାବିକ ଭାବେ ଗ୍ରାଉଣ୍ଡ ଲେଭଲ ଆଧାରିତ ହୋଇଥାଏ । ତେଣୁ, ଆଗାମୀ ଟ୍ରାଫିକ ପରିସ୍ଥିତିକୁ ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ଭୂମି ସ୍ତରରେ ବାସ୍ତବିକ ଭାବରେ ନିର୍ମିତ 3D ସହର ମଡେଲ ଯୋଗାଣ ଅତ୍ୟନ୍ତ ଉପଯୋଗୀ ପ୍ରମାଣିତ ହୋଇଛି । କାରଣ ଏହି ପୂର୍ବ ଦୃଶ୍ୟମାନତା ଡ୍ରାଇଭରର ଆଶା କରାଯାଉଥିବା ଭବିଷ୍ୟତର ଦୃଷ୍ଟିକୋଣରୁ ପ୍ରସ୍ତୁତ କରାଯାଇପାରିବ, ଯାହା ଦ୍ୱାରା ଡ୍ରାଇଭର ଆବଶ୍ୟକ ମୁହାଁଇବାକୁ ସହଜରେ ବୁଝିପାରିବ । ସର୍ଭେ ଯାନ ଦ୍ୱାରା ରେକର୍ଡ କରାଯାଇଥିବା ଚିତ୍ରରୁ 3D ସହର ମଡେଲ ପୁନଃନିର୍ମାଣ କରାଯାଇପାରିବ । ଏହି ଯାନଗୁଡ଼ିକ ଦ୍ୱାରା ସଂଗ୍ରହ କରାଯାଇଥିବା ବିଶାଳ ଚିତ୍ର ସାମଗ୍ରୀ, ବାସ୍ତବରେ ବ୍ୟବହାର ଉପଯୋଗୀତା ସୁନିଶ୍ଚିତ କରିବା ପାଇଁ ଦୃଷ୍ଟି ଆଲଗୋରିଦମ ଉପରେ ଅତ୍ୟଧିକ ଚାହିଦା ସୃଷ୍ଟି କରେ । ଆଲଗୋରିଦମକୁ ଯଥାସମ୍ଭବ ଦ୍ରୁତତର କରାଯିବା ଆବଶ୍ୟକ ଏବଂ ଏହାର ପରିଣାମ ସ୍ୱରୂପ ଏକ କମ୍ପାକ୍ଟ, ସ୍ମରଣ ଶକ୍ତି ସଞ୍ଚୟକାରୀ 3D ସହର ମଡେଲ ସୃଷ୍ଟି ହେବା ଆବଶ୍ୟକ ଯାହାଦ୍ୱାରା ଭବିଷ୍ୟତରେ ଏହାକୁ ସହଜରେ ବଣ୍ଟନ ଏବଂ ଦୃଶ୍ୟମାନ କରାଯାଇପାରିବ । ଏହି ଆପ୍ଲିକେସନ ପାଇଁ, ଏହା ପରସ୍ପର ବିରୋଧୀ ନୁହେଁ । ସରଳୀକୃତ ଜ୍ୟାମିତିର ଅନୁମାନ ସ୍ୱୟଂଚାଳିତ ଭାବେ କମ୍ପାକ୍ଟ ଜ୍ୟାମିତି ମଡେଲକୁ ଗ୍ୟାରେଣ୍ଟି ଦେବା ସହିତ ଦୃଷ୍ଟି ଆଲଗୋରିଦମକୁ ତ୍ୱରାନ୍ୱିତ କରିପାରିବ । ଆମେ ଏକ ନୂଆ ସହରର ମଡେଲିଂ ଫ୍ରେମୱାର୍କ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ଏହି ଦର୍ଶନ ଉପରେ ଆଧାରିତ ହାଇ ସ୍ପିଡରେ 3D ବିଷୟବସ୍ତୁ ସୃଷ୍ଟି କରିବା ପାଇଁ ଯାହା କାର ନେଭିଗେସନ୍ ମଡ୍ୟୁଲ୍ ଦ୍ୱାରା କଳ୍ପନାଯୋଗ୍ୟ ଟ୍ରାଫିକ୍ ପରିସ୍ଥିତିର ପୂର୍ବ ଦୃଶ୍ୟମାନତା ପାଇଁ ଅନୁମତି ଦେଇପାରେ । |
6dc245637d1d7335f50dbab0ee9d8463e7b35a49 | ବିଷୟବସ୍ତୁ ଆଧାରିତ ଭିଜୁଆଲ ସୂଚନା ପୁନରୁଦ୍ଧାର (ସିବିଭିଆଇଆର) ପାଇଁ ସୂଚୀକରଣ ଏବଂ ଶ୍ରେଣୀକରଣ ଉପକରଣଗୁଡ଼ିକ ଡାକ୍ତରୀ ପ୍ରତିଛବି ବିଶ୍ଳେଷଣର ଜଗତରେ ପ୍ରବେଶ କରିଆସୁଛି । ନିକଟରେ ଆଲଜାଇମର ରୋଗ (ଏଡି) ର ନିଦାନ ପାଇଁ ଏମାନଙ୍କ ଉପରେ ଗବେଷଣା କରାଯାଇଛି । ଏହା ଏକ ସାଧାରଣ ଜ୍ଞାନ ପ୍ରସାର ପ୍ରକ୍ରିୟା, ଯେତେବେଳେ ମଲ୍ଟିମିଡିଆ ଖନନ ପାଇଁ ବିକଶିତ ପଦ୍ଧତି ଏକ ନୂତନ ପ୍ରୟୋଗ କ୍ଷେତ୍ରରେ ପ୍ରବେଶ କରେ । ଏହି ବିଷୟର ନିଜସ୍ୱ ବିଶେଷତ୍ୱ ରହିଛି, ଯାହା ଏହି କ୍ଷେତ୍ରର ଜ୍ଞାନ ଆଧାରରେ ପଦ୍ଧତିର ସଂଶୋଧନ ଆବଶ୍ୟକ କରେ । ଏହି କାଗଜରେ, ଆମେ ଢାଞ୍ଚାଗତ ମ୍ୟାଗ୍ନେଟିକ୍ ରେଜୋନାନ୍ସ ଇମେଜ (MRI) ରେ AD ଚିହ୍ନଟ ପାଇଁ ଏକ ସ୍ୱୟଂଚାଳିତ ବର୍ଗୀକରଣ ଢାଞ୍ଚା ବିକଶିତ କରୁଛୁ । ଏହି କାର୍ଯ୍ୟର ମୁଖ୍ୟ ଅବଦାନ ହେଉଛି ଏଡି (ହିପୋକ୍ୟାମ୍ପାଲ୍ କ୍ଷେତ୍ର) ର ସବୁଠାରୁ ଅଧିକ ପ୍ରଭାବିତ ଅଞ୍ଚଳର ଦୃଶ୍ୟମାନ ବୈଶିଷ୍ଟ୍ୟକୁ ବିଚାର କରିବା ଏବଂ ସଠିକତା ବୃଦ୍ଧି ପାଇଁ ବିଳମ୍ବିତ ଫ୍ୟୁଜନ୍ ବ୍ୟବହାର କରିବା । ଆମର ଏହି ପଦ୍ଧତିର ମୂଳ ପରୀକ୍ଷା ପ୍ରଥମେ ଆଲଜାଇମର ରୋଗ ନ୍ୟୁରୋ ଇମେଜିଂ ଇନିସିଏଟିଭ (ଏଡିଏନଆଇ) ଡାଟାବେସରୁ ୨୧୮ ଜଣ ବ୍ୟକ୍ତିଙ୍କ ମୂଳ ଏମଆରଆଇ ଚିତ୍ର ଉପରେ କରାଯାଇଥିଲା ଏବଂ ପରେ ଏକ ବୃହତ ଫରାସୀ ମହାମାରୀ ଅଧ୍ୟୟନର ଉପନମୁନାରୁ ପ୍ରାପ୍ତ ଏକ ୩ଟି ଓଜନିତ କଣ୍ଟ୍ରାଷ୍ଟ ଏମଆରଆଇ ଉପରେ ପରୀକ୍ଷା କରାଯାଇଥିଲା: ବୋର୍ଡୋ ଡାଟାସେଟ । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଦର୍ଶାଏ ଯେ AD ରୋଗୀମାନଙ୍କୁ NC (ନର୍ମାଲ କଣ୍ଟ୍ରୋଲ) ରୋଗୀମାନଙ୍କ ତୁଳନାରେ ADNI ଉପସମୂହ ଏବଂ ବୋର୍ଡୋ ଡାଟାସେଟ ପାଇଁ ଆମର ଶ୍ରେଣୀକରଣ ଯଥାକ୍ରମେ 87 ପ୍ରତିଶତ ଏବଂ 85 ପ୍ରତିଶତ ସଠିକତା ହାସଲ କରେ । ସାମାନ୍ୟ ଜ୍ଞାନଗତ ଦୁର୍ବଳତା (ଏମସିଆଇ) ଥିବା ସବୁଠାରୁ ଅଧିକ ଆହ୍ୱାନପୂର୍ଣ୍ଣ ଗୋଷ୍ଠୀ ପାଇଁ, ଆମେ ଏଡଏନଆଇରେ ଯଥାକ୍ରମେ ଏମସିଆଇ ବନାମ ଏନସି ଏବଂ ଏମସିଆଇ ବନାମ ଏଡି ପାଇଁ ୭୮.୨୨% ଏବଂ ୭୨.୨୩% ସଠିକତା ହାସଲ କରିଛୁ । ବିଳମ୍ବିତ ଫ୍ୟୁଜନ ଯୋଜନାରେ ଏହି ତିନୋଟି ଶ୍ରେଣୀ ପାଇଁ ଶ୍ରେଣୀକରଣ ଫଳାଫଳରେ ହାରାହାରି 9 ପ୍ରତିଶତ ଉନ୍ନତି ଘଟିଛି । ଅତ୍ୟାଧୁନିକ ଆଣ୍ଟିଜେନ ରୋଗ ନିରୂପଣ ପଦ୍ଧତି ତୁଳନାରେ ଏହାର ପରିଣାମ ବହୁତ ଭଲ ଏବଂ ସରଳ ପ୍ରମାଣିତ ହୋଇଛି । |
7d4c85662ca70abb26e37b2fc40a045fd0369f70 | ସୌର ଫୋଟୋଭୋଲ୍ଟାଇକ ଏବଂ ଇନ୍ଧନ ସେଲ ଭଳି ଅକ୍ଷୟ ଶକ୍ତି ଉତ୍ସକୁ ଏକତ୍ରିତ କରିବା କାରଣରୁ ସିଡି ମାଇକ୍ରୋ ଗ୍ରୀଡ ଲୋକପ୍ରିୟ ହୋଇଛି । ଏହି ଡିସି ପାୱାର ଜେନେରେଟରର କମ୍ ଆଉଟପୁଟ୍ ଭୋଲଟେଜ୍ କାରଣରୁ ଡିସି ମାଇକ୍ରୋଗ୍ରିଡକୁ ସଂଯୋଗ କରିବା ପାଇଁ ଉଚ୍ଚ ଦକ୍ଷତା ବିଶିଷ୍ଟ ଉଚ୍ଚ ଲାଭ ବିଶିଷ୍ଟ ଡିସି-ଡିସି କନ୍ଭର୍ଟର ଆବଶ୍ୟକ ହୋଇଥାଏ । ଏହି କାଗଜରେ, ଭୋଲଟେଜ୍ ମଲ୍ଟିପ୍ଲିକେଟର ସେଲ୍ ଏବଂ/କିମ୍ବା ହାଇବ୍ରିଡ୍ ସୁଇଚ୍ଡ କାଣ୍ଡେସ୍ଟର କୌଶଳ ବ୍ୟବହାର ନକରି ଏକ ଅଣ-ବିଚ୍ଛିନ୍ନ ଉଚ୍ଚ ଲାଭ ଡିସି-ଡିସି କଣ୍ଡେସ୍ଟର ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି । ପ୍ରସ୍ତାବିତ ଟପୋଲୋଜିରେ ଦୁଇଟି ଅଣ-ବିଚ୍ଛିନ୍ନ ଇଣ୍ଡକ୍ଟର ବ୍ୟବହାର କରାଯାଇଛି ଯାହା ଡିସଚାର୍ଜ/ଚାର୍ଜ ମୋଡରେ ସିରିଜ/ପାରାଲେଲ ଭାବରେ ସଂଯୁକ୍ତ । ଦୁଇଟି ଭିନ୍ନ ଭିନ୍ନ କାର୍ଯ୍ୟ ଅନୁପାତ ସହିତ ସୁଇଚର କାର୍ଯ୍ୟକଳାପ ହେଉଛି ଏକ୍ସଟ୍ରିମ କାର୍ଯ୍ୟ ଅନୁପାତ ବ୍ୟବହାର ନକରି ଉଚ୍ଚ ଭୋଲଟେଜ ଲାଭ ହାସଲ କରିବା ପାଇଁ କନ୍ଭର୍ଟରର ମୁଖ୍ୟ ଲାଭ । ପ୍ରସ୍ତାବିତ କନ୍ଭର୍ଟରର ସ୍ଥିର ଅବସ୍ଥା ବିଶ୍ଳେଷଣ ଦୁଇଟି ଭିନ୍ନ ଭିନ୍ନ ଶୁଳ୍କ ଅନୁପାତକୁ ବ୍ୟବହାର କରି ବିସ୍ତୃତ ଭାବରେ ଆଲୋଚନା କରାଯାଇଛି । ଏହାବ୍ୟତୀତ 100W, 20/200V ଉଚ୍ଚ ଲାଭ ଡିସି-ଡିସି କନ୍ଭର୍ଟରର ଏକ ପ୍ରୋଟୋଟାଇପ ସର୍କିଟ ବିକଶିତ କରାଯାଇଛି ଏବଂ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ବ୍ୟବହାର କରି ଏହାର କାର୍ଯ୍ୟଦକ୍ଷତା ବୈଧତା ପ୍ରମାଣିତ କରାଯାଇଛି । |
43afc11883fb147ac37b4dc40bf6e7fa5fccf341 | ଆମେ ହ୍ୟାସିଂକୁ ସୁବିଧାଜନକ କରି ପାରିବା ପାଇଁ ପ୍ରସ୍ତାବ ଦେଉଛୁ । ଏହି ଜେନେରାଲିଜେଶନ ପୂର୍ବ କାର୍ଯ୍ୟକୁ ନମୁନା ସଂଗ୍ରହ କରି କାର୍ଯ୍ୟକାରୀ କରିଥାଏ ଏବଂ ଆମେ ତଥ୍ୟ ସ୍ରୋତ ଏବଂ ବିରଳ ବୈଶିଷ୍ଟ୍ୟ ସ୍ଥାନ ପାଇଁ କର୍ଣ୍ଣଲ ମ୍ୟାଟ୍ରିକ୍ସକୁ ଗଣନା କରିବାର ଏକ ନୀତିଗତ ଉପାୟ ଦେଖାଇଥାଉ । ଆହୁରି ମଧ୍ୟ, ଆମେ କେର୍ନେଲ ମାଟ୍ରିକ୍ସରୁ ବିଚ୍ୟୁତି ସୀମା ଦେଇଥାଉ । ଏହା ଶୃଙ୍ଖଳ ଏବଂ ଗ୍ରାଫରେ ଆକଳନ ପାଇଁ ପ୍ରୟୋଗ କରାଯାଇଥାଏ । |
bfcf14ae04a9a326f9263dcdd30e475334a96d39 | ଅସନ୍ତୁଳିତ ଡାଟାସେଟରୁ ଶ୍ରେଣୀକରଣର ନିର୍ମାଣ ପାଇଁ ଏକ ପଦ୍ଧତି ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଯଦି ଶ୍ରେଣୀକରଣ ଶ୍ରେଣୀଗୁଡିକ ପ୍ରାୟ ସମାନ ଭାବରେ ପ୍ରତିନିଧିତ୍ୱ ନକରନ୍ତି ତେବେ ଏକ ଡାଟାସେଟ୍ ଅସନ୍ତୁଳିତ ହୋଇଥାଏ । ଅନେକ ସମୟରେ ବାସ୍ତବ ଦୁନିଆର ତଥ୍ୟ ସେଟ ମୁଖ୍ୟତଃ "ନର୍ମାଲ" ଉଦାହରଣରେ ତିଆରି ହୋଇଥାଏ ଏବଂ ଏଥିରେ ଅଳ୍ପ ପ୍ରତିଶତ "ଅସ୍ବାଭାବିକ" କିମ୍ବା "ଆକର୍ଷକ" ଉଦାହରଣ ରହିଥାଏ । ଏହା ମଧ୍ୟ ସତ୍ୟ ଯେ ଏକ ଅସ୍ୱାଭାବିକ (ଆକର୍ଷଣୀୟ) ଉଦାହରଣକୁ ଏକ ସାଧାରଣ ଉଦାହରଣ ଭାବରେ ଭୁଲ ଶ୍ରେଣୀଭୁକ୍ତ କରିବାର ମୂଲ୍ୟ ପ୍ରାୟତଃ ବିପରୀତ ତ୍ରୁଟିର ମୂଲ୍ୟଠାରୁ ଅଧିକ । ସଂଖ୍ୟାଗରିଷ୍ଠ (ସାଧାରଣ) ଶ୍ରେଣୀରେ ନମୁନା ସଂଗ୍ରହ କମ୍ କରିବା ଏକ ଉତ୍ତମ ଉପାୟ ଭାବରେ ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । ଏହି କାଗଜରୁ ଜଣାପଡ଼ୁଛି ଯେ ସଂଖ୍ୟାଲଘୁ (ଅସ୍ବାଭାବିକ) ଶ୍ରେଣୀକୁ ଅଧିକ ନମୁନା ସଂଗ୍ରହ କରିବା ଏବଂ ସଂଖ୍ୟାଗରିଷ୍ଠ (ସ୍ବାଭାବିକ) ଶ୍ରେଣୀକୁ କମ୍ ନମୁନା ସଂଗ୍ରହ କରିବା ପାଇଁ ଆମର ପଦ୍ଧତିର ମିଶ୍ରଣ ଦ୍ୱାରା କେବଳ ସଂଖ୍ୟାଗରିଷ୍ଠ ଶ୍ରେଣୀକୁ କମ୍ ନମୁନା ସଂଗ୍ରହ କରିବା ଅପେକ୍ଷା ଶ୍ରେଣୀକରଣକାରୀ (ROC ସ୍ପେସରେ) ର ଉନ୍ନତ କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରାଯାଇପାରିବ । ଏହି କାଗଜରେ ଏହା ମଧ୍ୟ ଦର୍ଶାଯାଇଛି ଯେ ସଂଖ୍ୟାଲଘୁ ଶ୍ରେଣୀରେ ଅଧିକ ନମୁନା ସଂଗ୍ରହ ଏବଂ ସଂଖ୍ୟାଗରିଷ୍ଠ ଶ୍ରେଣୀରେ କମ୍ ନମୁନା ସଂଗ୍ରହ କରିବାର ଆମର ପଦ୍ଧତିର ମିଶ୍ରଣ ଦ୍ୱାରା ରିପର କିମ୍ବା ଶ୍ରେଣୀ ପ୍ରାଥମିକତା ନୈଭ ବେୟସରେ କ୍ଷତି ଅନୁପାତକୁ ପରିବର୍ତ୍ତନ କରିବା ଅପେକ୍ଷା ଶ୍ରେଣୀକରଣର ଉନ୍ନତ କାର୍ଯ୍ୟଦକ୍ଷତା (ROC ସ୍ପେସରେ) ହାସଲ କରାଯାଇପାରିବ । ସଂଖ୍ୟାଲଘୁ ଶ୍ରେଣୀକୁ ଅଧିକ ନମୁନା ସଂଗ୍ରହ କରିବାର ଆମର ପଦ୍ଧତି ହେଉଛି କୃତ୍ରିମ ସଂଖ୍ୟାଲଘୁ ଶ୍ରେଣୀ ଉଦାହରଣ ସୃଷ୍ଟି କରିବା । ପରୀକ୍ଷଣ C4.5, ରିପର ଏବଂ ଏକ ନିଭ୍ ବେଜ୍ ବର୍ଗୀକରଣକାରୀ ବ୍ୟବହାର କରି କରାଯାଏ । ଏହି ପଦ୍ଧତିର ମୂଲ୍ୟାଙ୍କନ ରିସିଭର ଅପରେଟିଂ ଚରିତ୍ର ବକ୍ର (ଏୟୁସି) ଏବଂ ଆରଓସିର ଘନ ଶରୀର ରଣନୀତିର ବ୍ୟବହାର କରି କରାଯାଏ । |
d920943892caa0bc9f300cb9e3b7f3ab250f78c9 | ବିଗତ କିଛି ବର୍ଷ ମଧ୍ୟରେ ବିଗ୍ ଡାଟା ଆପ୍ଲିକେସନଗୁଡ଼ିକର ଉଦୟ ହୋଇଛି ଏବଂ ଅନେକ ବିଷୟର ଗବେଷକମାନେ ଏହି ପ୍ରକାରର ସମସ୍ୟାଗୁଡ଼ିକରୁ ଜ୍ଞାନ ଆହରଣ କରିବା ଦ୍ୱାରା ହେଉଥିବା ଉଚ୍ଚ ଲାଭ ବିଷୟରେ ଅବଗତ ଅଛନ୍ତି । କିନ୍ତୁ ପାରମ୍ପରିକ ଶିକ୍ଷଣ ପଦ୍ଧତିକୁ ସିଧାସଳଖ ଭାବେ ପ୍ରୟୋଗ କରାଯାଇପାରିବ ନାହିଁ । ଏହି ସମସ୍ୟାର ସମାଧାନ ପାଇଁ, ମ୍ୟାପ ରେଡ୍ୟୁସ ଫ୍ରେମୱାର୍କ ଏକ ପ୍ରକୃତ ସମାଧାନ ଭାବରେ ଉଭା ହୋଇଛି । ମୂଳତଃ, ଏହା ଏକ ବିଭାଜନ-ଏବଂ-ବିଜଯ ବିତରିତ ପଦ୍ଧତିକୁ ଏକ ତ୍ରୁଟି-ସହନଶୀଳ ଉପାୟରେ ବସ୍ତୁ ହାର୍ଡୱେର ପାଇଁ ଅନୁକୂଳ କରିବା ପାଇଁ କାର୍ଯ୍ୟ କରିଥାଏ । ଏକ ନୂତନ ବିଷୟ ହୋଇଥିବାରୁ, ବିଗ୍ ଡାଟା ପାଇଁ ଅସନ୍ତୁଳିତ ଶ୍ରେଣୀକରଣ ଉପରେ ଅଳ୍ପ ଗବେଷଣା କରାଯାଇଛି । ଏହାର ମୁଖ୍ୟ କାରଣ ହେଉଛି ମାନକ କୌଶଳକୁ ମ୍ୟାପ ରେଡ୍ୟୁସ ପ୍ରୋଗ୍ରାମିଂ ଶୈଳୀରେ ଅନୁକୂଳ କରିବାରେ ଅସୁବିଧା । ଏହା ସହିତ, ଅସନ୍ତୁଳିତ ତଥ୍ୟର ଆଭ୍ୟନ୍ତରୀଣ ସମସ୍ୟା, ଯଥା ତଥ୍ୟର ଅଭାବ ଏବଂ ଛୋଟ ବିଭାଜନ, ମ୍ୟାପ ରେଡ୍ୟୁସ ପ୍ରୋଗ୍ରାମିଂ ଶୈଳୀରେ ଉପଯୁକ୍ତ ହେବା ପାଇଁ ତଥ୍ୟ ବିଭାଜନ ସମୟରେ ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ । ଏହି କାଗଜଟି ତିନୋଟି ମୁଖ୍ୟ ସ୍ତମ୍ଭ ଉପରେ ଆଧାରିତ । ପ୍ରଥମତଃ, ବିଗ୍ ଡାଟା ସମସ୍ୟାଗୁଡ଼ିକରେ ଅସନ୍ତୁଳିତ ଶ୍ରେଣୀକରଣର ପ୍ରଥମ ଫଳାଫଳ ଉପସ୍ଥାପନ କରିବା, ବର୍ତ୍ତମାନର ବି ଆଲବର୍ଟୋ ଫର୍ଣ୍ଣାଡେଜ୍ [email protected] ସାରା ଡେଲ ରିଓ [email protected] ନିତେଶ ଭି. ଚାୱଲା [email protected] ଫ୍ରାନସିସକୋ ହେରେରା [email protected] 1 କମ୍ପ୍ୟୁଟର ସାଇନ୍ସ ଏବଂ କୃତ୍ରିମ ବୁଦ୍ଧିମତା ବିଭାଗ, ଗ୍ରେନାଡା ବିଶ୍ୱବିଦ୍ୟାଳୟ, ଗ୍ରେନାଡା, ସ୍ପେନ୍ 2 କମ୍ପ୍ୟୁଟର ସାଇନ୍ସ ଏବଂ ଇଞ୍ଜିନିୟରିଂ ବିଭାଗ, 384 ଫିଜପ୍ୟାଟ୍ରିକ୍ ହଲ୍, ନୋଟ୍ରେ ଡାମ ବିଶ୍ୱବିଦ୍ୟାଳୟ, ନୋଟ୍ରେ ଡାମ, IN 46556, ଯୁକ୍ତରାଷ୍ଟ୍ର ଆମେରିକା 3 ନେଟୱାର୍କ ସାଇନ୍ସ ଏବଂ ଆପ୍ଲିକେସନ୍ ପାଇଁ ଆନ୍ତଃବିଦ୍ୟାୟ କେନ୍ଦ୍ର, 384 ନ୍ୟୁଓ୍ଲେଣ୍ଡ ସାଇନ୍ସ ହଲ୍, ନୋଟ୍ରେ ଡାମ ବିଶ୍ୱବିଦ୍ୟାଳୟ, ନୋଟ୍ରେ ଡାମ, IN 46556, ଯୁକ୍ତରାଷ୍ଟ୍ର ଆମେରିକା ଏହି କ୍ଷେତ୍ରରେ ଗବେଷଣା ସ୍ଥିତି । ଦ୍ୱିତୀୟରେ, ଏହି ନିର୍ଦ୍ଦିଷ୍ଟ ଢାଞ୍ଚାରେ ଷ୍ଟାଣ୍ଡାର୍ଡ ପ୍ରି-ପ୍ରୋସେସିଂ କୌଶଳର ଆଚରଣକୁ ବିଶ୍ଳେଷଣ କରିବା । ଶେଷରେ, ଏହି କାର୍ଯ୍ୟରେ ହାସଲ କରାଯାଇଥିବା ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳକୁ ଧ୍ୟାନରେ ରଖି, ଆମେ ଏହି ବିଷୟ ପାଇଁ ଆହ୍ୱାନ ଏବଂ ଭବିଷ୍ୟତର ଦିଗ ଉପରେ ଆଲୋଚନା କରିବୁ । |
cd1481e9cc0c86bcf3a44672f887522a95a174e8 | ସ୍ମାର୍ଟ ରେଳ ମୋବିଲିଟିର ନୂଆ ଯୁଗରେ, ଭିତ୍ତିଭୂମି, ଟ୍ରେନ ଏବଂ ଯାତ୍ରୀମାନେ ପରସ୍ପର ସହ ସଂଯୁକ୍ତ ହୋଇ ଯାତାୟାତର ସର୍ବୋତ୍ତମ ସୁବିଧା, ଅଧିକ ନିରାପତ୍ତା ଏବଂ କମ୍ ଖର୍ଚ୍ଚ ହାସଲ କରିବେ । ନିରବଚ୍ଛିନ୍ନ ଉଚ୍ଚ ଡାଟା ହାରର ବେତାର ସଂଯୋଗକୁ ବାସ୍ତବ ରୂପ ଦେବା ପାଇଁ, ଡଜନ ଡଜନ ଗିଗାହର୍ଟସ ବ୍ୟାଣ୍ଡୱିଡଥ୍ ଆବଶ୍ୟକ ହୋଇଥାଏ, ଏବଂ ଏହା ଅଳ୍ପ ଉପଯୋଗିତ ମିଲିମିଟର ୱେଭ୍ (mmWave) ର ଅନୁସନ୍ଧାନ ସହିତ ବହୁଳ ଭାବରେ ଅନ୍ୱେଷଣ କରାଯାଇନଥିବା ଟେରାହେର୍ଟଜ୍ (THz) ବ୍ୟାଣ୍ଡକୁ ପ୍ରୋତ୍ସାହିତ କରିଥାଏ । mmWave ଏବଂ THz ବ୍ୟାଣ୍ଡରେ ସ୍ମାର୍ଟ ରେଳ ମୋବିଲିଟି ହାସଲ କରିବା ପାଇଁ, ୱାୟାରଲେସ୍ ଚ୍ୟାନେଲଗୁଡ଼ିକର ସମ୍ପୂର୍ଣ୍ଣ ଜ୍ଞାନ ହାସଲ କରିବା ଅତ୍ୟନ୍ତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । ଏହି ରିପୋର୍ଟରେ, ରେଳବାଇର ବେତାର ଚ୍ୟାନେଲ ଉପରେ ଗବେଷଣା କ୍ଷେତ୍ରରେ ଅତ୍ୟାଧୁନିକ ଜ୍ଞାନକୌଶଳ ଆଧାରରେ, ଆମେ ମୁଖ୍ୟ ବୈଷୟିକ ଆହ୍ୱାନଗୁଡ଼ିକୁ ଚିହ୍ନଟ କରିଛୁ ଏବଂ ରେଫରେନ୍ସ ସିନ୍ହାରି ମଡ୍ୟୁଲ, ସଠିକ ଏବଂ ଦକ୍ଷ ସିମୁଲେସନ ପ୍ଲାଟଫର୍ମ, ବିମ୍ ଫର୍ମିଂ ରଣନୀତି ଏବଂ ହସ୍ତାନ୍ତର ଡିଜାଇନ ସମ୍ବନ୍ଧରେ ଅନୁରୂପ ସୁଯୋଗଗୁଡ଼ିକୁ ଚିହ୍ନଟ କରିଛୁ । |
6d1e97df31e9a4b0255243d86608c4b7f725133b | ଆମେ ଟାସ୍କ ଏବଂ ମୋଶନ ପ୍ଲାନିଂ (ଟିଏମପି) ପାଇଁ ଏକ ନୂତନ ଆଲଗୋରିଦମ ଉପସ୍ଥାପନ କରୁଛୁ ଏବଂ ସାଧାରଣ ଭାବେ ଟିଏମପି ପାଇଁ ଦୃଢ଼ ସମାଧାନ ପାଇବା ପାଇଁ ଆବଶ୍ୟକ ଆବଶ୍ୟକତା ଏବଂ ଅବକ୍ଷୟ ବିଷୟରେ ଆଲୋଚନା କରୁଛୁ । ଆମର ଇଟେରେଟିଭ୍ ଡିପ୍ ଫେନ୍ଡ ଟାସ୍କ ଆଣ୍ଡ ମୋଶନ୍ ପ୍ଲାନିଂ (ଆଇଡିଟିଏମ୍ପି) ପଦ୍ଧତି ସଂଭାବନାତ୍ମକ ଭାବେ ସମ୍ପୂର୍ଣ୍ଣ ଏବଂ ସମାନ, ଅତ୍ୟାଧୁନିକ, ସଂଭାବନାତ୍ମକ ଭାବେ ସମ୍ପୂର୍ଣ୍ଣ ପ୍ଲାନର ତୁଳନାରେ ଉନ୍ନତ କାର୍ଯ୍ୟଦକ୍ଷତା ଏବଂ ସାଧାରଣତା ପ୍ରଦାନ କରେ । ଆଇଡିଟିଏମପିର ମୂଳ ଚିନ୍ତାଧାରା ହେଉଛି କାର୍ଯ୍ୟ ସ୍ତରରେ ଗତିର କାର୍ଯ୍ୟକାରିତା ଉପରେ ପ୍ରଭାବୀ ଭାବରେ ପ୍ରତିବନ୍ଧକକୁ ଯୋଡିବା ଏବଂ ଅପସାରଣ କରିବା ପାଇଁ ବୃଦ୍ଧିଶୀଳ ପ୍ରତିବନ୍ଧକ ସମାଧାନକୁ ଉପଯୋଗ କରିବା । ଆମେ ଆଇଡିଟିଏମପିକୁ ଏକ ଭୌତିକ ମନିପ୍ୟୁଲେଟରରେ ବୈଧତା ପ୍ରଦାନ କରିଥାଉ ଏବଂ ଅନେକ ବସ୍ତୁ ଏବଂ ଲମ୍ବା ଯୋଜନା ସହିତ ଦୃଶ୍ୟପଟ୍ଟରେ ମାପକତା ମୂଲ୍ୟାଙ୍କନ କରିଥାଉ, ଯାହା ବେଞ୍ଚମାର୍କ ଯୋଜନାକାରଙ୍କ ତୁଳନାରେ ଆକାର-ସମାନତା ଲାଭ ଏବଂ ଆମର ସମ୍ପ୍ରସାରଣରୁ ଚାରିଗୁଣ ସ୍ୱୟଂ-ପ୍ରତିଲକ୍ଷଣ ତ୍ୱରାନ୍ୱିତ କରିଥାଏ । ଶେଷରେ, ଟୀଏମପି ପାଇଁ ଏକ ନୂତନ ପଦ୍ଧତିର ବର୍ଣ୍ଣନା ଏବଂ ଏକ ଭୌତିକ ରୋବଟରେ ଏହାର କାର୍ଯ୍ୟକାରିତା ବ୍ୟତୀତ, ଆମେ ଭବିଷ୍ୟତରେ ସମାନ ଯୋଜନାକାରୀଙ୍କ ବିକାଶ ପାଇଁ ଆବଶ୍ୟକତା ଏବଂ ଅବକ୍ଷୟ ମଧ୍ୟ ଉପସ୍ଥାପନ କରିଛୁ । |
04975368149e407c2105b76a7523e027661bd4f0 | ସଂଯୋଗ ଓ ସଂରକ୍ଷଣ ପ୍ରକ୍ରିୟାରେ ତଥ୍ୟର ଗୋପନୀୟତା ସୁନିଶ୍ଚିତ କରିବା ହେଉଛି ଏନକ୍ରିପ୍ସନର ଲକ୍ଷ୍ୟ । ନିକଟରେ, ଏହାର ବ୍ୟବହାର ସୀମିତ ଉପକରଣରେ ଅତିରିକ୍ତ ବୈଶିଷ୍ଟ୍ୟଗୁଡିକ ଉପରେ ବିଚାର କରିବାକୁ ନେଇଛି, ଯେପରିକି ଅବିଶ୍ୱସ୍ତ କମ୍ପ୍ୟୁଟରକୁ ଗଣନା ପ୍ରତିନିଧିତ୍ୱ କରିବାର କ୍ଷମତା । ଏହି ଉଦ୍ଦେଶ୍ୟରେ ଆମେ ଅବିଶ୍ୱସ୍ତ କମ୍ପ୍ୟୁଟରକୁ ତଥ୍ୟର ଏକ ଏନକ୍ରିପ୍ଟ ହୋଇଥିବା ସଂସ୍କରଣକୁ ପ୍ରୋସେସ୍ କରିବାକୁ ଦେବାକୁ ଚାହୁଁଛୁ । କମ୍ପ୍ୟୁଟର ଏହି ଏନକ୍ରିପ୍ଟ ହୋଇଥିବା ଡାଟା ଉପରେ ଗଣନା କରିବ, ତେଣୁ ଏହାର ପ୍ରକୃତ ମୂଲ୍ୟ ବିଷୟରେ କିଛି ନଜାଣି । ଶେଷରେ, ଏହା ଆମକୁ ଫଳାଫଳ ପଠାଇବ, ଏବଂ ଆମେ ଏହାକୁ ଡିକ୍ରିପ୍ଟ କରିବୁ । ଏକୀକରଣ ପାଇଁ, ଡିକ୍ରିପ୍ଟ ହୋଇଥିବା ଫଳାଫଳ ଯଦି ମୂଳ ତଥ୍ୟ ଉପରେ କରାଯାଏ, ତେବେ ଏହା ପୂର୍ବ ନିର୍ଦ୍ଧାରିତ ଗଣିତ ମୂଲ୍ୟ ସହିତ ସମାନ ହେବା ଆବଶ୍ୟକ । ଏହି କାରଣରୁ, ଏନକ୍ରିପସନ୍ ସ୍କିମ୍ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ସଂରଚନା ଉପସ୍ଥାପନ କରିବା ଆବଶ୍ୟକ । ରିଭେଷ୍ଟ ଆଦି ଏହି ସମସ୍ୟାକୁ ହୋମୋମର୍ଫିକ ଏନକ୍ରିପସନ ଜରିଆରେ ସମାଧାନ କରିବା ପାଇଁ ୧୯୭୮ରେ ପ୍ରସ୍ତାବ ଦିଆଯାଇଥିଲା । ଦୁର୍ଭାଗ୍ୟବଶତଃ, ରିବେଷ୍ଟ ଆଦିଙ୍କ ପ୍ରଥମ ପ୍ରସ୍ତାବରେ କିଛି ସୁରକ୍ଷା ତ୍ରୁଟି ଉପରେ ବ୍ରୀକେଲ ଏବଂ ୟାକୋବି [2] ରେ ଆଲୋକପାତ କରିଥିଲେ । ଏହି ପ୍ରଥମ ପ୍ରୟାସ ପରଠାରୁ, ଅନେକ ଲେଖାରେ ଅନେକ ପ୍ରୟୋଗ ପ୍ରସଙ୍ଗରେ ଉତ୍ସର୍ଗୀକୃତ ସମାଧାନର ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି: ଗୁପ୍ତ ଅଂଶୀଦାର ଯୋଜନା, ପ୍ରବାହ ଯୋଜନା (ଉଦାହରଣ ସ୍ୱରୂପ, [3]), ଶୂନ୍ୟ ଜ୍ଞାନ ପ୍ରମାଣ (ଉଦାହରଣ ସ୍ୱରୂପ, [4]), ଅଜ୍ଞାତ ସ୍ଥାନାନ୍ତର (ଉଦାହରଣ ସ୍ୱରୂପ, [5]), ପ୍ରତିବଦ୍ଧତା ଯୋଜନା (ଉଦାହରଣ ସ୍ୱରୂପ, [3]), ଅନାମନା, ଗୋପନୀୟତା, ଇଲେକ୍ଟ୍ରୋନିକ୍ ଭୋଟିଂ, ଇଲେକ୍ଟ୍ରୋନିକ୍ ନିଲାମ, ଲଟେରୀ ପ୍ରୋଟୋକଲ୍ (ଉଦାହରଣ ସ୍ୱରୂପ, [6]), ମୋବାଇଲ୍ ଏଜେଣ୍ଟଗୁଡିକର ସୁରକ୍ଷା (ଉଦାହରଣ ସ୍ୱରୂପ, [7]), ବହୁପକ୍ଷୀୟ ଗଣନା (ଉଦାହରଣ ସ୍ୱରୂପ, [3]), ମିଶ୍ରଣ-ନେଟ (ଉଦାହରଣ ସ୍ୱରୂପ, [8, 9]), ୱାଟରମାର୍କିଂ କିମ୍ବା ଫିଙ୍ଗର ପ୍ରିଣ୍ଟିଂ ପ୍ରୋଟୋକଲ୍ (ଉଦାହରଣ ସ୍ୱରୂପ, [10-14]) ଏବଂ ଅନ୍ୟାନ୍ୟ । ଏହି ଲେଖାର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଅଣ ବିଶେଷଜ୍ଞମାନଙ୍କୁ ହୋମୋମର୍ଫିକ ଏନକ୍ରିପସନ୍ କୌଶଳ ବିଷୟରେ ଏକ ସମୀକ୍ଷା ପ୍ରଦାନ କରିବା । ଭାଗ 2ରେ କ୍ରିପ୍ଟୋଗ୍ରାଫିର କିଛି ମୌଳିକ ଧାରଣାକୁ ମନେ ପକାଇ ଦିଆଯାଇଛି ଏବଂ ହୋମୋମର୍ଫିକ ଏନକ୍ରିପ୍ଟେସନକୁ ଉପସ୍ଥାପନ କରାଯାଇଛି । ଏହା ବିଶେଷ କରି ଅଣ-କ୍ରିପ୍ଟୋଗ୍ରାଫରମାନଙ୍କୁ ଲକ୍ଷ୍ୟ ରଖିଛି । ଭାଗ 3ରେ ବର୍ତ୍ତମାନ ପର୍ଯ୍ୟନ୍ତ ପ୍ରକାଶିତ ହୋମୋମର୍ଫିକ ଏନକ୍ରିପସନ ସ୍କିମଗୁଡ଼ିକର ଏକ ସମୀକ୍ଷା ପ୍ରଦାନ କରାଯାଇଛି ଏବଂ ସେମାନଙ୍କର ବିଶେଷତ୍ୱଗୁଡ଼ିକର ବିଶ୍ଳେଷଣ କରାଯାଇଛି । ଆମେ ବର୍ଣ୍ଣନା କରୁଥିବା ଅଧିକାଂଶ ଯୋଜନାଗୁଡ଼ିକ ଗଣିତର ଧାରଣା ଉପରେ ଆଧାରିତ, ଯାହା ପାଠକଙ୍କୁ ହୁଏତ ଜଣା ନଥିବ । ଯେଉଁ କ୍ଷେତ୍ରରେ ଏହି ଧାରଣାକୁ ସହଜରେ ପ୍ରବର୍ତ୍ତନ କରାଯାଇପାରିବ, ଆମେ ସେମାନଙ୍କୁ ସଂକ୍ଷିପ୍ତରେ ଉପସ୍ଥାପନ କରୁଛୁ । ପାଠକମାନେ [୧୫] କୁ ଯାଇ ଅଧିକ ସୂଚନା ପାଇପାରିବେ । ଏହି ବିଷୟରେ ଅଧିକ ଗଭୀର ଭାବରେ ଜାଣିବା ପୂର୍ବରୁ, ଆସନ୍ତୁ କିଛି ନୋଟେଶନ ବିଷୟରେ ଜାଣିବା । ସଂଖ୍ୟାରେ (x) ବିଟ ସଂଖ୍ୟାକୁ ଦର୍ଶାଇଥାଏ ଯାହା x ର ବାଇନାରୀ ବିସ୍ତାର ଅଟେ । ସବୁଥର ପରି Zn, n ମଡୁଲୁନ ବିଶିଷ୍ଟ ସମ୍ପୂର୍ଣ୍ଣ ସଂଖ୍ୟା ସମୂହକୁ ସୂଚାଇବ ଏବଂ Zn ଏହାର ବିପରୀତ ଉପାଦାନ ସମୂହକୁ ସୂଚାଇବ । |
1c1c40927787c40ffe0db9629ede6828ecf09e65 | ଆମେ ମିଲିମିଟର ତରଙ୍ଗ ଦୈର୍ଘ୍ୟରେ ଏକ ଫିନ୍ ଲାଇନ୍ ଅର୍ଥୋମୋଡ୍ ଟ୍ରାନ୍ସଡ୍ୟୁସର (ଓଏମଟି) ବ୍ୟବହାର କରିବାର ସମ୍ଭାବନାକୁ ମୂଲ୍ୟାଙ୍କନ କରୁଛୁ । ଏକ ଫାଇନଲାଇନ ଓଏମଟି ରେ କମ କ୍ଷତି, କମ କ୍ରସ-ପୋଲାରାଇଜେସନ, ଏବଂ ଭଲ ରିଟର୍ଣ୍ଣ କ୍ଷତି ପୂର୍ଣ୍ଣ ୱେବଗାଇଡ ବ୍ୟାଣ୍ଡରେ ଥାଏ । ଆମେ ଏକ ନୂଆ ଫିନ୍ ଲାଇନ୍ ଓଏମଟି ଢାଞ୍ଚା ମିଲିମିଟର ତରଙ୍ଗ ଦୈର୍ଘ୍ୟ ପାଇଁ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଏବଂ ଏକ୍ସ-ବ୍ୟାଣ୍ଡରେ ଫଳାଫଳ ଉପସ୍ଥାପନ କରୁଛୁ । |
88323e38f676a31ed613dad604829808ff96f714 | ଏକ ନୂତନ ବ୍ରଡବ୍ୟାଣ୍ଡ ଇଲେକ୍ଟ୍ରୋମ୍ୟାଗ୍ନେଟିକ ବ୍ୟାଣ୍ଡ ଗ୍ୟାପ (EBG) ସଂରଚନାକୁ ବିଭିନ୍ନ ପ୍ୟାଚ୍ ଆକାରର କାସକେଡ୍ ସହିତ ବହୁ-ପରୀଦୟ ପଙ୍ଗୁ-ସମାନ ସଂରଚନା ବ୍ୟବହାର କରି ଉପସ୍ଥାପିତ କରାଯାଇଛି । EBG ସଂରଚନାର ବ୍ୟାଣ୍ଡ ଗ୍ୟାପ ନିର୍ଦ୍ଧାରଣ କରିବା ପାଇଁ ସିଧାସଳଖ ସଂଚାର ପଦ୍ଧତି ବ୍ୟବହାର କରାଯାଏ । ପଞ୍ଜରାକାର ଇ.ବି.ଜି.ର ପଞ୍ଜରାକାର ଇ.ବି.ଜି.ର ସଂରଚନା ଉପରେ ୟୁନିଟ୍ ସଂଖ୍ୟା ଓ ପ୍ୟାଚ୍ ଆକାରର ପ୍ରଭାବ ଉପରେ ଗବେଷଣା କରାଯାଇଛି । ଇ.ବି.ଜି. ସଂରଚନାରେ ବ୍ୟାଣ୍ଡ ଗ୍ୟାପର ବିସ୍ତାର ପାଇଁ ଦୁଇଟି ଭିନ୍ନ ଭିନ୍ନ ପ୍ୟାଚ୍ ଆକାରର ୟୁନିଟ୍ କାସକେଡ୍ କରାଯାଇଥାଏ, ଯାହା ପ୍ରାୟ ୮୭.୧% ହାସଲ କରିଥାଏ । ସିମୁଲେସନ ଫଳାଫଳରୁ ଜଣାପଡ଼ୁଛି ଯେ ବାଣ୍ଡ ଗ୍ୟାପ୍ ପ୍ରାୟତଃ ଦୁଇଟି ସମାନ ଆକାରର ପ୍ୟାଚ୍ ଆକାରର ଷ୍ଟପ-ବ୍ୟାଣ୍ଡକୁ କଭର କରିଥାଏ । |
03b18dcde7ba5bb0e87b2bdb68ab7af951daf162 | ନିଉରାଲ ମେସିନ ଟ୍ରାନ୍ସଲେସନ, ଯାହା ସମ୍ପ୍ରତି ନିଉରାଲ ନେଟୱର୍କ ଉପରେ ଆଧାରିତ ମେସିନ ଟ୍ରାନ୍ସଲେସନ ପାଇଁ ପ୍ରସ୍ତାବିତ ଏକ ଆଭିମୁଖ୍ୟ, ଫ୍ରେଜ ଆଧାରିତ ପରିସଂଖ୍ୟାନ ମେସିନ ଟ୍ରାନ୍ସଲେସନ ଭଳି ବର୍ତ୍ତମାନର ଆଭିମୁଖ୍ୟ ତୁଳନାରେ ଆଶାନୁରୂପ ଫଳାଫଳ ଦେଖାଇଛି । ନିକଟରେ ସଫଳତା ହାସଲ ସତ୍ତ୍ୱେ, ନ୍ୟୁରାଲ ମେସିନ ଟ୍ରାନ୍ସଲେସନର ଏକ ବୃହତ ଶବ୍ଦାବଳୀକୁ ପରିଚାଳନା କରିବାରେ ଏହାର ସୀମିତତା ରହିଛି, କାରଣ ତାଲିମ ଜଟିଳତା ଏବଂ ଡିକୋଡିଂ ଜଟିଳତା ଲକ୍ଷ୍ୟ ଶବ୍ଦ ସଂଖ୍ୟା ସହିତ ସମାନୁପାତିକ ଭାବରେ ବୃଦ୍ଧି ପାଏ । ଏହି ଲେଖାରେ ଆମେ ଏକ ମହତ୍ୱ ନମୁନା ଉପରେ ଆଧାରିତ ପଦ୍ଧତିର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଆମକୁ ପ୍ରଶିକ୍ଷଣର ଜଟିଳତା ବୃଦ୍ଧି ନକରି ଏକ ବହୁତ ବଡ଼ ଲକ୍ଷ୍ୟ ଶବ୍ଦାବଳୀ ବ୍ୟବହାର କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ଆମେ ଦେଖାଇଛୁ ଯେ, ଡିକୋଡିଂକୁ ଦକ୍ଷତାର ସହିତ କରାଯାଇପାରିବ ଏପରିକି ମଡେଲରେ ବହୁତ ବଡ଼ ଲକ୍ଷ୍ୟ ଶବ୍ଦାବଳୀ ରହିଲେ ମଧ୍ୟ ସମ୍ପୂର୍ଣ୍ଣ ଲକ୍ଷ୍ୟ ଶବ୍ଦାବଳୀର ଏକ ଛୋଟ ଉପସୂଚୀକୁ ବାଛିବା ଦ୍ୱାରା । ପ୍ରସ୍ତାବିତ ଆଭିମୁଖ୍ୟ ଦ୍ୱାରା ପ୍ରଶିକ୍ଷିତ ମଡେଲଗୁଡିକ ଅନୁଭୂତିଗତ ଭାବରେ ମିଳୁଛି, ଏବଂ କେତେକ କ୍ଷେତ୍ରରେ, ଏକ ଛୋଟ ଶବ୍ଦାବଳୀ ସହିତ ମୂଳ ମଡେଲଗୁଡିକ ସହିତ LSTM- ଆଧାରିତ ନ୍ୟୁରାଲ ମେସିନ୍ ଅନୁବାଦ ମଡେଲଗୁଡିକର କାର୍ଯ୍ୟଦକ୍ଷତା ଅତିକ୍ରମ କରେ । ଆହୁରି ମଧ୍ୟ, ଯେତେବେଳେ ଆମେ ବହୁତ ବଡ଼ ଲକ୍ଷ୍ୟ ଶବ୍ଦାବଳୀ ସହିତ କିଛି ମଡେଲର ଏକ ସମୂହ ବ୍ୟବହାର କରୁ, ଆମେ ଉଭୟ ଇଂରାଜୀ→ଜର୍ମାନୀ ଏବଂ ଇଂରାଜୀ→ଫ୍ରେଞ୍ଚ WMT14ର ଅନୁବାଦ କାର୍ଯ୍ୟରେ କୌଶଳର ସ୍ଥିତି (BLEU ଦ୍ୱାରା ମାପିତ) ସହିତ ତୁଳନାତ୍ମକ କାର୍ଯ୍ୟ ହାସଲ କରୁ । |
f7b48b0028a9887f85fe857b62441f391560ef6d | ସମାନ୍ତରାଳ ପ୍ଲେଟ ମଧ୍ୟରେ TE10 ମୋଡ ପ୍ରସାର ଉପରେ ଆଧାରିତ ଏକ ନୂତନ ଦୁଇ-ଆକାରର ସିଲିଣ୍ଡ୍ରିକ ଲୁନବର୍ଗ ଲେନ୍ସ ଡିଜାଇନ୍ ପ୍ରବର୍ତ୍ତନ କରାଯାଇଛି, ଯାହା ନିର୍ମାଣର ସହଜତା ଉପରେ ବିଶେଷ ଧ୍ୟାନ ଦେଇଥାଏ । ସମାନ୍ତରାଳ ପ୍ଲେଟଗୁଡିକ ଆଂଶିକ ଭାବରେ ଲୋ-କଷ୍ଟ ପଲିମର ସାମଗ୍ରୀ (ରେକ୍ସୋଲାଇଟ ଏପିସିଭ୍ର = ୨.୫୪) ରେ ଭର୍ତ୍ତି କରାଯାଇଛି ଯାହା ଲୁନବେର୍ଗଙ୍କ ନିୟମକୁ ମେଳ ଖାଏ । ଏକ ପ୍ଲାନର ଲିନିୟର କୋପର ସ୍ଲଟ୍ ଆଣ୍ଟିନା (LTSA) କୁ ଲନବର୍ଗ ଲେନ୍ସ କଡ଼ରେ ସମାନ୍ତରାଳ ପ୍ଲେଟ୍ ମଧ୍ୟରେ ଥିବା ବାୟୁ ଅଞ୍ଚଳରେ ଫିଡ୍ ଆଣ୍ଟିନା ଭାବରେ ଭର୍ତ୍ତି କରାଯାଇଛି, ଆଣ୍ଟିନା ସିଷ୍ଟମର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଅପ୍ଟିମାଇଜ୍ କରିବା ପାଇଁ ଲନବର୍ଗ ଲେନ୍ସ ଫୋକସ୍ ପଏଣ୍ଟରେ ସୂକ୍ଷ୍ମ ସ୍ଥାନ ସହିତ। ଏହି ସିଷ୍ଟମର ବିକିରଣ ପଦ୍ଧତିକୁ ପାଇବା ପାଇଁ ଏକ ମିଳିତ ରେ-ଅପ୍ଟିକ୍ସ/ବିକୀରଣ ପଦ୍ଧତିର ବ୍ୟବହାର କରାଯାଏ ଏବଂ ଫଳାଫଳକୁ ଏକ ସମୟ ପରିସର ସଂଖ୍ୟାଗତ ସମାଧାନର ପୂର୍ବାନୁମାନ ସହିତ ତୁଳନା କରାଯାଏ । 30 ଗିଗାହର୍ଜରେ କାର୍ଯ୍ୟ କରିବା ପାଇଁ ଡିଜାଇନ କରାଯାଇଥିବା 10 ସେଣ୍ଟିମିଟର ଲନବର୍ଗ ଲେନ୍ସ ଉପରେ କରାଯାଇଥିବା ମାପ ପୂର୍ବାନୁମାନ ସହିତ ବହୁତ ଭଲ ଭାବରେ ମେଳ ଖାଉଛି । ଏହି ପ୍ରୋଟୋଟାଇପ ପାଇଁ ୩-ଡିବି ଇ- ଏବଂ ଇଫ-ପ୍ଲାନ ବିମ୍ୱାଇଡ୍ସ ଯଥାକ୍ରମେ ୬.୬ ଡିଗ୍ରୀ ଏବଂ ୫୪ ଡିଗ୍ରୀ ପ୍ରାପ୍ତ ହୋଇଥିଲା ଏବଂ ଇ-ପ୍ଲାନରେ ସାଇଡଲୋବ ସ୍ତର ୧୭.୭ ଡିବି ଥିଲା । ଯଦିଓ ସମାନ୍ତରାଳ ପ୍ଲେଟ୍ ବିନ୍ୟାସ TE10 ମୋଡର ବିଛାଇ ଗୁଣ ଯୋଗୁଁ ଏକ ସଂକୀର୍ଣ୍ଣ ବ୍ୟାଣ୍ଡ ଡିଜାଇନ୍ କୁ ନେଇଥାଏ, ମାପ ଫଳାଫଳ ବ୍ରୋଡବ୍ୟାଣ୍ଡ ଗୁଣକୁ ଦର୍ଶାଇଥାଏ ଯେଉଁଥିରେ କି କିରଣ ଦକ୍ଷତା 26.5-37 GHz ର ପରୀକ୍ଷିତ ଫ୍ରିକ୍ୱେନ୍ସି ବ୍ୟାଣ୍ଡରେ 43% ଏବଂ 72% ମଧ୍ୟରେ ପରିବର୍ତ୍ତନ ହୋଇଥାଏ । ପରିକଳ୍ପିତ ସିଲିଣ୍ଡ୍ରିକଲ ଲୁନବେର୍ଗ ଲେନ୍ସକୁ ଲେନ୍ସ ପରିଧିରେ ଏକ ଆର୍କ ଆରେଜ ପ୍ଲେନାର ଏଲଟିଏସଏ ଉପାଦାନକୁ କାର୍ଯ୍ୟକାରୀ କରି ଏକାଧିକ ବିମ୍ ଲଞ୍ଚ କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ ଏବଂ ଏହାକୁ ସହଜରେ ଉଚ୍ଚ ମିମି-ୱେଭ୍ ଫ୍ରିକ୍ୱେନ୍ସି ପର୍ଯ୍ୟନ୍ତ ବିସ୍ତାର କରାଯାଇପାରିବ । |
2881b79ff142496c27d9558361e48f105208dec4 | କାର୍ଯ୍ୟାନୁଷ୍ଠାନ ଅନୁସନ୍ଧାନ ହେଉଛି ଏକ ପ୍ରତିଷ୍ଠିତ ଅନୁସନ୍ଧାନ ପଦ୍ଧତି ଯାହା ବିଂଶ ଶତାବ୍ଦୀର ମଧ୍ୟଭାଗରୁ ସାମାଜିକ ଏବଂ ଚିକିତ୍ସା ବିଜ୍ଞାନରେ ବ୍ୟବହୃତ ହୋଇଆସୁଛି ଏବଂ 1990 ଦଶକର ଶେଷ ଆଡକୁ ସୂଚନା ପ୍ରଣାଳୀ ପାଇଁ ଏହାର ଗୁରୁତ୍ୱ ବୃଦ୍ଧି ପାଇଛି । ଏହାର ବିଶେଷ ଦାର୍ଶନିକ ପରିଦୃଶ୍ୟ ଦୃଢ଼ ଭାବରେ ପୋଷ୍ଟ-ପଜିଟିଭିଷ୍ଟ୍ ଅନୁମାନରେ ବର୍ଣ୍ଣିତ ହୋଇଛି ଯେପରିକି ଇଡିଓଗ୍ରାଫିକ୍ ଏବଂ ବ୍ୟାଖ୍ୟାତ୍ମକ ଅନୁସନ୍ଧାନ ଆଦର୍ଶ । ସୂଚନା ପ୍ରଣାଳୀରେ କାର୍ଯ୍ୟାନୁଷ୍ଠାନ ଅନୁସନ୍ଧାନର ଏକ ଇତିହାସ ବିକଶିତ ହୋଇଛି ଯାହା ଲ୍ୟୁଇନ୍ ଏବଂ ଟାଭିଷ୍ଟକ୍ ପ୍ରତିଷ୍ଠାନର ପ୍ରାରମ୍ଭିକ କାର୍ଯ୍ୟ ସହିତ ସ୍ପଷ୍ଟ ଭାବରେ ଜଡିତ ହୋଇପାରେ । କାର୍ଯ୍ୟାନୁଷ୍ଠାନ ଅନୁସନ୍ଧାନର ବିଭିନ୍ନ ରୂପ ରହିଛି ଏବଂ ଏହା ନିର୍ଦ୍ଦିଷ୍ଟ ସମସ୍ୟା କ୍ଷେତ୍ର ପ୍ରତି ପ୍ରତିକ୍ରିୟା ଦେଇଥାଏ । ଏହାର ସବୁଠାରୁ ସାଧାରଣ ରୂପ ହେଉଛି ଏକ ସହଭାଗୀ ପଦ୍ଧତି ଯାହା ପାଞ୍ଚଟି ପର୍ଯ୍ୟାୟ ମଡେଲ ଉପରେ ଆଧାରିତ, ଯାହାର ଉଦାହରଣ ପ୍ରକାଶିତ ଆଇଏସ ଗବେଷଣା ଦ୍ୱାରା ଦିଆଯାଇଥାଏ । |
ee42bceb15d28ce0c7fcd3e37d9a564dfbb3ab90 | |
443362dc552b36c33138c415408d307213ddfa36 | |
6fb37cbc83bd6cd1d732f07288939a5061400e91 | ଏହି ଅଧ୍ୟୟନରେ ଆମେ ଏକ ସର୍ତ୍ତସାପେକ୍ଷ ରାଣ୍ଡମ ଫିଲ୍ଡ ସହିତ ଏକ ଦ୍ୱି-ଦିଗାନ୍ତ ଲମ୍ବା ସ୍ୱଳ୍ପକାଳୀନ ସ୍ମୃତିକୁ ଅସ୍ଥିରତା ଚିହ୍ନଟ କାର୍ଯ୍ୟରେ ପ୍ରୟୋଗ କରୁଛୁ । ଦୀର୍ଘକାଳୀନ ନିର୍ଭରଶୀଳତା ହେଉଛି ଅସ୍ଥିରତା ଚିହ୍ନଟ ପାଇଁ ଏକ ପ୍ରମୁଖ ସମସ୍ୟା । ଆମର ମଡେଲ ଲଙ୍ଗ୍ ସର୍ଟ ଟର୍ମ ମେମୋରି ଏବଂ ହାତ ତିଆରି ଡିସକ୍ରିଟ୍ ଫିଚର ଉଭୟ ବ୍ୟବହାର କରି ଲଙ୍ଗ୍ ରିଜନ୍ ନିର୍ଭରଶୀଳତାକୁ ପରିଚାଳନା କରିଥାଏ । ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ ହସ୍ତନିର୍ମିତ ଭିନ୍ନ ଭିନ୍ନ ବୈଶିଷ୍ଟ୍ୟର ବ୍ୟବହାର ଦ୍ୱାରା ସୁଇଚବୋର୍ଡର ଶରୀରରେ 87.1% ଅତ୍ୟାଧୁନିକ ସ୍କୋର ହାସଲ କରି ମଡେଲର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଯଥେଷ୍ଟ ଉନ୍ନତ କରିଥାଏ । |
fb17e9cab49665863f360d5f9e61e6048a7e1b28 | ଉପଭୋକ୍ତାଙ୍କ ପାଇଁ ଗଭୀରତା କ୍ୟାମେରାରେ କଏଦ ହୋଇଥିବା ଅଶୋଧିତ ଗଭୀରତା ପ୍ରତିଛବିଗୁଡ଼ିକ ଶବ୍ଦ ଏବଂ ଅଭାବୀ ମୂଲ୍ୟରେ ପୀଡ଼ିତ । ରଙ୍ଗୀନ୍ ଛବି ପୁନଃସ୍ଥାପନ କ୍ଷେତ୍ରରେ ସିଏନ୍ଏନ୍ ଆଧାରିତ ଛବି ପ୍ରକ୍ରିୟାକରଣର ସଫଳତା ସତ୍ତ୍ୱେ, ଗଭୀରତା ବୃଦ୍ଧି ପାଇଁ ସମାନ ଉପାୟଗୁଡ଼ିକର ଅଧିକ ଆଲୋଚନା କରାଯାଇନାହିଁ କାରଣ କଞ୍ଚା-ସଫା ଯୋଡ଼ା ଡାଟାସେଟର ଅଭାବ ରହିଛି । ଏହି କାଗଜରେ, ଆମେ ଏକ ଯୋଡି ଗଭୀରତା ପ୍ରତିଛବି ଡାଟାସେଟ ସୃଷ୍ଟି ପଦ୍ଧତିର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ନିମ୍ନ ଗୁଣବତ୍ତା ଯୋଡିଗୁଡିକ ଅପସାରଣ କରିବା ପାଇଁ ଏକ ଫିଲ୍ଟରିଂ ପଦ୍ଧତି ସହିତ ଘନ 3D ପୃଷ୍ଠ ପୁନଃନିର୍ମାଣ ବ୍ୟବହାର କରି । ଆମେ ମଧ୍ୟ ଏକ ମଲ୍ଟି-ସ୍କେଲ ଲାପ୍ଲାସିୟନ୍ ପିରାମିଡ୍ ଆଧାରିତ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ ଏବଂ ସଂରଚନାକୁ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା କ୍ଷୟକ୍ଷତି କାର୍ଯ୍ୟକୁ ସଂରକ୍ଷଣ କରି କ୍ରମାଗତ ଭାବରେ ଶବ୍ଦ ଏବଂ ଗର୍ତ୍ତକୁ କ୍ରମାଗତ ଭାବରେ ହ୍ରାସ କରିଥାଏ। ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଦର୍ଶାଏ ଯେ ଆମର ନେଟୱାର୍କ ଆମର ଯୋଡି ଡାଟାସେଟ ସହିତ ତାଲିମପ୍ରାପ୍ତ ଇନପୁଟ୍ ଗଭୀରତା ପ୍ରତିଛବିକୁ ବୃଦ୍ଧି କରିପାରିବ ଯାହା ଗଭୀରତା ଷ୍ଟ୍ରିମ୍ ରୁ ପ୍ରାପ୍ତ 3D ପୁନଃନିର୍ମାଣ ସହିତ ତୁଳନାତ୍ମକ ହୋଇପାରିବ ଏବଂ ଘନ 3D ପୁନଃନିର୍ମାଣ ଫଳାଫଳର ସମ୍ମିଶ୍ରଣକୁ ତ୍ୱରାନ୍ୱିତ କରିପାରିବ । |
40de599b11b1553649354991cdf849048cb05f00 | ଉଭୟ ବ୍ୟୟ ସମ୍ବେଦନଶୀଳ ଶ୍ରେଣୀକରଣ ଏବଂ ଅନଲାଇନ ଶିକ୍ଷାଦାନକୁ ଯଥାକ୍ରମେ ଡାଟା ମାଇନିଂ ଏବଂ ମେସିନ ଲର୍ଣ୍ଣିଂ ସମ୍ପ୍ରଦାୟରେ ବ୍ୟାପକ ଭାବରେ ଅଧ୍ୟୟନ କରାଯାଇଛି । କିନ୍ତୁ ବହୁତ କମ୍ ଅଧ୍ୟୟନ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ସମସ୍ୟାକୁ ସମାଧାନ କରିଥାଏ, ତାହା ହେଉଛି "ମୂଲ୍ୟ ସମ୍ବେଦନଶୀଳ ଅନଲାଇନ୍ ବର୍ଗୀକରଣ" । ଏହି ଲେଖାରେ ଆମେ ଏହି ସମସ୍ୟାକୁ ଆନୁଷ୍ଠାନିକ ଭାବେ ଅଧ୍ୟୟନ କରିଛୁ ଏବଂ ଅନଲାଇନ ଗ୍ରାଡିଏଣ୍ଟ ଡସେଣ୍ଟ ଟେକନିକ ବ୍ୟବହାର କରି ସିଧାସଳଖ ଭାବରେ ମୂଲ୍ୟ ସମ୍ବେଦନଶୀଳ ମାପକୁ ଅପ୍ଟିମାଇଜ୍ କରି ମୂଲ୍ୟ ସମ୍ବେଦନଶୀଳ ଅନଲାଇନ୍ ବର୍ଗୀକରଣ ପାଇଁ ଏକ ନୂତନ ଢାଞ୍ଚା ପ୍ରସ୍ତାବ ଦେଇଛୁ । ବିଶେଷକରି, ଆମେ ଦୁଇଟି ନୂଆ ମୂଲ୍ୟ-ସମ୍ବେଦନଶୀଳ ଅନଲାଇନ ଶ୍ରେଣୀକରଣ ଆଲଗୋରିଦମ ପ୍ରସ୍ତାବ କରୁଛୁ, ଯାହା ଦୁଇଟି ଜଣାଶୁଣା ମୂଲ୍ୟ-ସମ୍ବେଦନଶୀଳ ମାପକୁ ସିଧାସଳଖ ଅପ୍ଟିମାଇଜ୍ କରିବା ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଛି: (i) ସମ୍ବେଦନଶୀଳତା ଏବଂ ନିର୍ଦ୍ଦିଷ୍ଟତାର ଓଜନଯୁକ୍ତ ସମୁଦାୟର ସର୍ବାଧିକକରଣ, ଏବଂ (ii) ଓଜନଯୁକ୍ତ ଭୁଲ୍ ଶ୍ରେଣୀକରଣ ମୂଲ୍ୟର ସର୍ବନିମ୍ନକରଣ । ଆମେ ପ୍ରସ୍ତାବିତ ଆଲଗୋରିଦମ ଦ୍ୱାରା କରାଯାଇଥିବା ବ୍ୟୟ ସମ୍ବେଦନଶୀଳ ମାପଗୁଡିକର ଥିଓରିଟିକାଲ ସୀମାକୁ ବିଶ୍ଳେଷଣ କରିଥାଉ, ଏବଂ ବିଭିନ୍ନ ବ୍ୟୟ ସମ୍ବେଦନଶୀଳ ଅନଲାଇନ୍ ବର୍ଗୀକରଣ କାର୍ଯ୍ୟରେ ସେମାନଙ୍କର ଅନୁଭବୀ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ବ୍ୟାପକ ଭାବରେ ପରୀକ୍ଷା କରିଥାଉ । ଶେଷରେ, ଆମେ ଅନଲାଇନ ବ୍ୟତିକ୍ରମ ଚିହ୍ନଟ କରିବା ପାଇଁ ପ୍ରସ୍ତାବିତ କୌଶଳର ପ୍ରୟୋଗକୁ ପ୍ରଦର୍ଶନ କରୁଛୁ, ଯାହା ଦର୍ଶାଉଛି ଯେ ପ୍ରସ୍ତାବିତ କୌଶଳ ବିଭିନ୍ନ ପ୍ରୟୋଗ କ୍ଷେତ୍ରରେ ବ୍ୟୟ ସମ୍ବେଦନଶୀଳ ଅନଲାଇନ ଶ୍ରେଣୀକରଣ କାର୍ଯ୍ୟକୁ ସମାଧାନ କରିବା ପାଇଁ ଏକ ଅତ୍ୟନ୍ତ ଦକ୍ଷ ଏବଂ ପ୍ରଭାବଶାଳୀ ଉପକରଣ ହୋଇପାରେ । |
2b7c330e7b3fbe96ea6f5342eae17d90095026cc | |
1bd1b7344044e8cc068a77b439fca011120c4bc3 | ନିରାପତ୍ତା ଦୃଷ୍ଟିରୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପ୍ରୟୋଗ ପାଇଁ ଗଭୀର ସ୍ନାୟୁ ନେଟୱାର୍କର ବୃଦ୍ଧି ପାଉଥିବା ବ୍ୟବହାର, ଯେପରିକି ସ୍ୱୟଂଚାଳିତ ଡ୍ରାଇଭିଂ ଏବଂ ଫ୍ଲାଇଟ୍ କଣ୍ଟ୍ରୋଲ୍, ସେମାନଙ୍କର ନିରାପତ୍ତା ଏବଂ ନିର୍ଭରଯୋଗ୍ୟତା ବିଷୟରେ ଚିନ୍ତା ସୃଷ୍ଟି କରେ । ଆନୁଷ୍ଠାନିକ ଯାଞ୍ଚ ଦ୍ୱାରା ଏହି ଚିନ୍ତାର ସମାଧାନ କରାଯାଇପାରିବ ଯେ ଗଭୀର ଶିକ୍ଷଣ ପ୍ରଣାଳୀ ଯେପରି ଲକ୍ଷ୍ୟ କରାଯାଇଛି ସେହିପରି କାର୍ଯ୍ୟ କରିବ, କିନ୍ତୁ ଅତ୍ୟାଧୁନିକ ପ୍ରଣାଳୀ ଛୋଟ ପ୍ରଣାଳୀରେ ସୀମିତ । ଏହି କାର୍ଯ୍ୟ-ପ୍ରଗତି ରିପୋର୍ଟରେ ଆମେ ଦୁଇଟି ପରିପୂରକ ଦିଗ ଅନୁସରଣ କରି ଏହି ଅସୁବିଧାକୁ ହ୍ରାସ କରିବା ପାଇଁ ଆମର କାର୍ଯ୍ୟର ଏକ ସମୀକ୍ଷା ପ୍ରଦାନ କରୁଃ ସ୍କେଲେବଲ୍ ଯାଞ୍ଚ କୌଶଳ ଉଦ୍ଭାବନ କରିବା ଏବଂ ଡିଜାଇନ୍ ବିକଳ୍ପ ଚିହ୍ନଟ କରିବା ଯାହା ଗଭୀର ଶିକ୍ଷଣ ସିଷ୍ଟମରେ ପରିଣତ ହୁଏ ଯାହା ଯାଞ୍ଚ ପାଇଁ ଅଧିକ ଗ୍ରହଣୀୟ ଅଟେ । ଏସିଏମ୍ ରେଫରେନ୍ସ ଫର୍ମାଟ୍: ଲିଣ୍ଡ୍ସି କୁପର, ଗାଏ କାଟ୍ସ, ଜଷ୍ଟିନ ଗଟ୍ସଚିଲିଚ୍, କାଇଲ୍ ଜୁଲିଆନ୍, କ୍ଲାର୍କ ବାରେଟ, ଏବଂ ମାଇକେଲ ଜେ. କୋଚେଣ୍ଡରଫର୍ । ୨୦୧୮ ମସିହା । ନିରାପତ୍ତା ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ ଗଭୀର ନେଟୱାର୍କ ପାଇଁ ସ୍କେଲେବଲ ଯାଞ୍ଚ ଆଡ଼କୁ ସିସଏମଏଲ ସମ୍ମିଳନୀରେ (ସିସଏମଏଲ) । ଏସିଏମ୍, ନ୍ୟୁୟର୍କ, ନ୍ୟୁୟର୍କ, ଆମେରିକା, ୩ ପୃଷ୍ଠା । |
6abe5eda71c3947013c59bbae700402813a1bc7f | ନିକଟରେ ନୋଏସକ୍ୟୁଏଲ ଡାଟାବେସ ଏବଂ ଏହାର ସମ୍ବନ୍ଧିତ ପ୍ରଯୁକ୍ତି ଦ୍ରୁତ ଗତିରେ ବିକଶିତ ହେଉଛି ଏବଂ ଏହାର ବେସ (ମୌଳିକ ଉପଲବ୍ଧତା, ନରମ ସ୍ଥିତି, ଶେଷ ସ୍ଥିରତା) ବୈଶିଷ୍ଟ୍ୟ ସହିତ ଅନେକ କ୍ଷେତ୍ରରେ ବ୍ୟାପକ ଭାବେ ପ୍ରୟୋଗ କରାଯାଉଛି । ବର୍ତ୍ତମାନ ସମୟରେ 225ରୁ ଅଧିକ ପ୍ରକାରର ନୋଏସକ୍ୟୁଏଲ ଡାଟାବେସ ରହିଛି । କିନ୍ତୁ, ଡାଟାବେସର ଅତ୍ୟଧିକ ପରିମାଣ ଏବଂ ଲଗାତାର ଅପଡେଟ୍ ହୋଇଥିବା ସଂସ୍କରଣଗୁଡ଼ିକ ଲୋକଙ୍କ ପାଇଁ ସେମାନଙ୍କର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ତୁଳନା କରିବା ଏବଂ ଉପଯୁକ୍ତ ଏକ ଚୟନ କରିବା ପାଇଁ ଏକ ଆହ୍ୱାନ ସୃଷ୍ଟି କରେ । ଏହି କାଗଜରେ YCSB (ଯାହୋ! କ୍ଲାଉଡ୍ ସର୍ଭିଙ୍ଗ୍ ବେଞ୍ଚମାର୍କ) ରେ ପ୍ରକାଶିତ ହୋଇଥିବା ତଥ୍ୟକୁ ବିଶ୍ଳେଷଣ କରି ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳକୁ ବ୍ୟାଖ୍ୟା କରିବା ସହ ନୋଏସକ୍ୟୁଏଲ୍ ଡେଭଲପର୍ ଓ ବ୍ୟବହାରକାରୀଙ୍କୁ ପରାମର୍ଶ ପ୍ରଦାନ କରିଥିଲେ । |
39424070108220c600f67fa2dbd25f779a9fdb7a | କମ୍ପ୍ୟୁଟର ପ୍ରୋଗ୍ରାମରେ ଏକ ଲେଖା ସ୍ୱୟଂଚାଳିତ ଭାବରେ ସୃଷ୍ଟି କରିବା କୃତ୍ରିମ ବୁଦ୍ଧିମତା ଏବଂ ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣରେ ଏକ ଆହ୍ୱାନପୂର୍ଣ୍ଣ କାର୍ଯ୍ୟ । ଏହି ଲେଖାରେ ଆମେ ପ୍ରବନ୍ଧ ସୃଷ୍ଟିକୁ ଲକ୍ଷ୍ୟ କରିଛୁ, ଯାହା ଏକ ବିଷୟବସ୍ତୁ ଶବ୍ଦକୁ ଇନପୁଟ୍ ଭାବରେ ଗ୍ରହଣ କରେ ଏବଂ ବିଷୟର ଥିମ୍ ଅଧୀନରେ ଏକ ସଂଗଠିତ ପ୍ରବନ୍ଧ ସୃଷ୍ଟି କରେ । ଆମେ ପାଠ୍ୟ ଯୋଜନା (ରାଇଟର ଏବଂ ଡେଲ୍, 1997) ର ଧାରଣାକୁ ଅନୁସରଣ କରି ଏକ ପ୍ରବନ୍ଧ ସୃଷ୍ଟି ଢାଞ୍ଚା ବିକଶିତ କରୁଛୁ । ଏହି ଢାଞ୍ଚାରେ ତିନୋଟି ଉପାଦାନ ରହିଛି, ଯେଉଁଥିରେ ବିଷୟ ବୁଝିବା, ବାକ୍ୟ ବାହାର କରିବା ଏବଂ ବାକ୍ୟର ପୁନଃନିର୍ଦ୍ଧାରଣ ସାମିଲ ରହିଛି । ପ୍ରତ୍ୟେକ ଉପାଦାନ ପାଇଁ ଆମେ ଅନେକ ପରିସଂଖ୍ୟାନ ଆଲଗୋରିଦମ ଅଧ୍ୟୟନ କରିଛୁ ଏବଂ ଗୁଣାତ୍ମକ କିମ୍ବା ପରିମାଣିକ ବିଶ୍ଳେଷଣ ଦୃଷ୍ଟିରୁ ସେମାନଙ୍କ ମଧ୍ୟରେ ଅନୁଭୂତିଗତ ତୁଳନା କରିଛୁ । ଯଦିଓ ଆମେ ଚାଇନିଜ କୋରପସ୍ ଉପରେ ପରୀକ୍ଷଣ କରୁଛୁ, ଏହି ପଦ୍ଧତି ଭାଷା-ସ୍ୱାଧୀନ ଏବଂ ଅନ୍ୟ ଭାଷାରେ ସହଜରେ ଅନୁକୂଳ ହୋଇପାରିବ । ଆମେ ବାକି ରହିଥିବା ଆହ୍ୱାନଗୁଡ଼ିକର ବର୍ଣ୍ଣନା କରିଛୁ ଏବଂ ଭବିଷ୍ୟତ ଗବେଷଣା ପାଇଁ ମାର୍ଗ ପରାମର୍ଶ କରୁଛୁ । |
e25221b4c472c4337383341f6b2c9375e86709af | |
e9c9da57bbf9a968489cb90ec7252319bcab42fb | ଏକକ GPU ରେ ଫିଟ୍ ହେଉଥିବା କନଭୋଲ୍ୟୁସନାଲ ନେଟୱାର୍କ (CNNs) କୁ ମିନିବ୍ୟାଚ୍ ଷ୍ଟୋକାଷ୍ଟିକ୍ ଗ୍ରାଡିଏଣ୍ଟ ଅବତରଣ ସହିତ ପ୍ରଶିକ୍ଷଣ କରିବା ବ୍ୟବହାରିକ ଭାବରେ ପ୍ରଭାବଶାଳୀ ହୋଇପାରିଛି । କିନ୍ତୁ, କିଛି GPU କାର୍ଡର ସ୍ମୃତିକୁ ନେଇ ନଥିବା ବଡ଼ ନେଟୱର୍କକୁ ପ୍ରଶିକ୍ଷଣ ଦେବା ପାଇଁ କିମ୍ବା ସିଏନଏନ ପ୍ରଶିକ୍ଷଣକୁ ସମାନ୍ତରାଳ କରିବା ପାଇଁ କୌଣସି ପ୍ରଭାବଶାଳୀ ପଦ୍ଧତି ନାହିଁ । ଏହି କାମରେ ଆମେ ଦେଖାଇବୁ ଯେ ଏକ ସରଳ ମେକ୍ଅପ୍ ବିଶେଷଜ୍ଞ ମଡେଲକୁ ବଡ଼ ଆକାରର ହ୍ୟାସଟ୍ୟାଗ୍ (ମଲ୍ଟିଲେବଲ୍) ପୂର୍ବାନୁମାନ କାର୍ଯ୍ୟରେ ଦକ୍ଷତାର ସହିତ ପ୍ରଶିକ୍ଷଣ କରାଯାଇପାରିବ । ବିଶେଷଜ୍ଞମାନଙ୍କ ମିଶ୍ରଣ ମଡେଲ ନୂଆ ନୁହେଁ [୭, ୩], କିନ୍ତୁ ଅତୀତରେ, ଗବେଷକମାନଙ୍କୁ ତଥ୍ୟର ବିଖଣ୍ଡିତତାକୁ ମୁକାବିଲା କରିବା ପାଇଁ ଜଟିଳ ପଦ୍ଧତି ପ୍ରସ୍ତୁତ କରିବାକୁ ପଡିଥିଲା । ଆମେ ଅନୁଭବୀ ଢ଼ଙ୍ଗରେ ଦେଖାଇଛୁ ଯେ ଆଧୁନିକ ଦୁର୍ବଳ ଭାବରେ ତଦାରଖ କରାଯାଉଥିବା ଡାଟା ସେଟ୍ ଗୁଡିକ ଏତେ ବଡ ଯେ ଏହା ନିର୍ଦ୍ଦିଷ୍ଟ ବିଭାଜନ ଯୋଜନାକୁ ସମର୍ଥନ କରେ ଯେଉଁଠାରେ ପ୍ରତ୍ୟେକ ଡାଟା ପଏଣ୍ଟକୁ ଜଣେ ବିଶେଷଜ୍ଞଙ୍କୁ ନ୍ୟସ୍ତ କରାଯାଏ । ବିଶେଷଜ୍ଞମାନେ ସ୍ୱାଧୀନ ହୋଇଥିବାରୁ ସେମାନଙ୍କୁ ସମାନ୍ତରାଳ ଭାବେ ତାଲିମ ଦେବା ସହଜ ହୋଇଥାଏ ଏବଂ ମଡେଲର ଆକାର ପାଇଁ ମୂଲ୍ୟାଙ୍କନ ଶସ୍ତା ହୋଇଥାଏ । ଆହୁରି ମଧ୍ୟ, ଆମେ ଦେଖାଇଛୁ ଯେ ଆମେ ସମସ୍ତ ବିଶେଷଜ୍ଞଙ୍କ ପାଇଁ ଗୋଟିଏ ଡିକୋଡିଂ ସ୍ତର ବ୍ୟବହାର କରିପାରିବା, ଯାହା ଏକ ଏକୀକୃତ ବୈଶିଷ୍ଟ୍ୟ ଇମ୍ବେଡିଂ ସ୍ଥାନକୁ ଅନୁମତି ଦେଇଥାଏ । ଆମେ ଦେଖାଇଛୁ ଯେ ଏହା ସମ୍ଭବ (ଏବଂ ବାସ୍ତବରେ ଅପେକ୍ଷାକୃତ ଯନ୍ତ୍ରଣାହୀନ) ଯେପରିକି ଷ୍ଟାଣ୍ଡାର୍ଡ ସିଏନଏନ ଆର୍କିଟେକଚର ଦ୍ୱାରା ପ୍ରଶିକ୍ଷିତ ହୋଇପାରିବ, ଏବଂ ଯେ ଅତିରିକ୍ତ କ୍ଷମତା ବର୍ତ୍ତମାନର ଡାଟାସେଟରେ ଭଲ ଭାବରେ ବ୍ୟବହୃତ ହୋଇପାରିବ । |
0ec33f27de8350470935ec5bf9d198eceaf63904 | ଆମେ ସ୍ଥାନୀୟ ନିଭ୍ ବେଜ୍ ନିକଟତମ ପଡ଼ୋଶୀକୁ ଉପସ୍ଥାପନ କରୁଛୁ, ଯାହା NBNN ପ୍ରତିଛବି ଶ୍ରେଣୀକରଣ ଆଲଗୋରିଦମକୁ ଉନ୍ନତ କରିଥାଏ ଯାହା ଶ୍ରେଣୀକରଣ ସଠିକତାକୁ ବୃଦ୍ଧି କରିଥାଏ ଏବଂ ବୃହତ ସଂଖ୍ୟକ ବସ୍ତୁ ଶ୍ରେଣୀରେ ମାପିବାର କ୍ଷମତାକୁ ଉନ୍ନତ କରିଥାଏ । ମୂଖ୍ୟ ଅବଲୋକନ ହେଉଛି ଯେ କେବଳ ବର୍ଣ୍ଣନାକାରଙ୍କ ସ୍ଥାନୀୟ ପଡ଼ୋଶୀରେ ପ୍ରତିନିଧିତ୍ୱ କରୁଥିବା ଶ୍ରେଣୀଗୁଡିକ ସେମାନଙ୍କର ପରବର୍ତ୍ତୀ ସମ୍ଭାବ୍ୟତା ଆକଳନକୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଏବଂ ନିର୍ଭରଯୋଗ୍ୟ ଭାବରେ ଯୋଗଦାନ କରନ୍ତି । ପ୍ରତ୍ୟେକ ଶ୍ରେଣୀର ପ୍ରଶିକ୍ଷଣ ବର୍ଣ୍ଣନାକାରୀ ପାଇଁ ପୃଥକ ସନ୍ଧାନ ଢାଞ୍ଚା ବଜାୟ ରଖିବା ପରିବର୍ତ୍ତେ, ଆମେ ସମସ୍ତ ରେଫରେନ୍ସ ତଥ୍ୟକୁ ଏକ ସନ୍ଧାନ ଢାଞ୍ଚାରେ ମିଶ୍ରଣ କରିଥାଉ, ଯାହା ଏକ ବର୍ଣ୍ଣନାକାରଙ୍କ ସ୍ଥାନୀୟ ପଡ଼ୋଶୀକୁ ଶୀଘ୍ର ଚିହ୍ନଟ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ _ ଆମେ ବର୍ଗୀକରଣ ସଠିକତାରେ ବୃଦ୍ଧି ଦେଖାଇଛୁ ଯେତେବେଳେ ଆମେ ଅଧିକ ଦୂର ଶ୍ରେଣୀକୁ ସଂଶୋଧନକୁ ଅଣଦେଖା କରିଥାଉ ଏବଂ ଦେଖାଇଥାଉ ଯେ ରନ୍ ଟାଇମ୍ ମୂଳ ଭାବରେ ଶ୍ରେଣୀ ସଂଖ୍ୟା ସହିତ ରେଖିକ ଭାବରେ ନୁହେଁ ବରଂ ଶ୍ରେଣୀ ସଂଖ୍ୟା ସହିତ ବଢେ । ସ୍ଥାନୀୟ ଏନବିଏନଏନ କୈଲଟେକ୍ 256 ଡାଟାସେଟରେ ମୂଳ ଏନବିଏନଏନ ତୁଳନାରେ 100 ଗୁଣ ଅଧିକ ବେଗ ପ୍ରଦାନ କରିଥାଏ । ଆମେ ମଧ୍ୟ ଏକ ସାଧାରଣ ଇନପୁଟ୍ ବୈଶିଷ୍ଟ୍ୟ ବ୍ୟବହାର କରି ସ୍ପେସିଆଲ୍ ପିରାମିଡ୍ ପଦ୍ଧତି ସହିତ NBNN ର ପ୍ରଥମ ହେଡ୍-ଟୁ-ହେଡ୍ ତୁଳନା ପ୍ରଦାନ କରୁ _ ଆମେ ଦେଖାଇଛୁ ଯେ ସ୍ଥାନୀୟ ଏନବିଏନଏନ ସମସ୍ତ ପୂର୍ବବର୍ତ୍ତୀ ଏନବିଏନଏନ ଆଧାରିତ ପଦ୍ଧତି ଏବଂ ମୂଳ ସ୍ପେସିଆଲ ପିରାମିଡ ମଡେଲକୁ ଅତିକ୍ରମ କରିଥାଏ । କିନ୍ତୁ ଆମେ ଜାଣିବାକୁ ପାଇଲୁ ଯେ ସ୍ଥାନୀୟ ଏନବିଏନଏନ, ଯଦିଓ ଏହା ସହିତ ପ୍ରତିଯୋଗିତା କରିପାରିବ, ଏହା ଆଧୁନିକ ଆନ୍ତଃସ୍ଥଳୀୟ ପିରାମିଡ ପଦ୍ଧତିକୁ ପରାସ୍ତ କରିପାରିବ ନାହିଁ ଯାହା ସ୍ଥାନୀୟ ନରମ ଆସାଇନମେଣ୍ଟ ଏବଂ ସର୍ବାଧିକ ପୁଲିଂ ବ୍ୟବହାର କରେ । |
68603a9372f4e9194ab09c4e585e3150b4025e97 | ମହିଳାମାନଙ୍କ କ୍ଷେତ୍ରରେ କେଶ ଝଡ଼ିବା ବା ଆଣ୍ଡ୍ରୋଜେନେଟିକ ଆଲୋପେସିଆ ବୟସ୍କ ମହିଳାଙ୍କ କ୍ଷେତ୍ରରେ କେଶ ଝଡ଼ିବାର ମୁଖ୍ୟ କାରଣ ଏବଂ ଏହା ରୋଗୀମାନଙ୍କ ଜୀବନ ଗୁଣବତ୍ତା ଉପରେ ଗୁରୁତର ପ୍ରଭାବ ପକାଇଥାଏ । ଏହା କ୍ରମଶଃ କ୍ଷୁଦ୍ରରୁ କ୍ଷୁଦ୍ର ହେଉଥିବା ଗୋଳାକୋଷରୁ ବିକଶିତ ହୋଇଥାଏ ଯାହା ପରେ କେଶର ଘନତ୍ୱ ହ୍ରାସ ପାଇଥାଏ, ଯାହାଦ୍ୱାରା ବିନା କ୍ଷତ ଚିହ୍ନରେ ବ୍ୟାପ୍ତ ଆଲୋପେସିଆ ହୋଇଥାଏ, ଯାହାର କ୍ଲିନିକାଲ, ଡର୍ମୋସ୍କୋପିକ୍ ଏବଂ ହିଷ୍ଟୋଲୋଜିକାଲ ପ୍ୟାଟର୍ନ ରହିଥାଏ । ଏହି ରୋଗର ଉଚ୍ଚତା ଏବଂ ଏହାର ମାନସିକ ପ୍ରଭାବ ସତ୍ତ୍ୱେ, ଏହାର ରୋଗ ଉତ୍ପତ୍ତି ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ ବୁଝାଯାଇନାହିଁ, କାରଣ ଜେନେଟିକ୍, ହରମୋନ୍ ଏବଂ ପରିବେଶଗତ କାରକଗୁଡିକ ପ୍ରଭାବିତ ହୋଇଥାଏ । ଏହା ସହିତ, ଚିକିତ୍ସାରେ ପ୍ରତିକ୍ରିୟା ମଧ୍ୟ ଭିନ୍ନ ହୋଇଥାଏ । ଏହି ଲେଖାରେ ଲେଖକମାନେ ମହିଳାମାନଙ୍କ କେଶ ଝଡ଼ିବା ରୋଗର ମୁଖ୍ୟ କ୍ଲିନିକାଲ, ଏପିଡେମିଓଲୋଜିକାଲ ଏବଂ ପ୍ୟାଥୋଫିଜିଓଲୋଜିକାଲ ଦିଗ ଉପରେ ଆଲୋଚନା କରିଛନ୍ତି । |
3c398007c04eb12c0b7417f5d135919a300a470d | ଗତ କିଛି ବର୍ଷ ମଧ୍ୟରେ ଇଣ୍ଟରନେଟରେ ଉପଲବ୍ଧ ପାଠ୍ୟ ଦସ୍ତାବିଜ, ଡିଜିଟାଲ ଲାଇବ୍ରେରୀ, ସମ୍ବାଦ ଉତ୍ସ ଏବଂ କମ୍ପାନୀ ବ୍ୟାପୀ ଇଣ୍ଟ୍ରାନେଟରେ ଉପଲବ୍ଧ ତଥ୍ୟର ପରିମାଣରେ ଏକ ବିରାଟ ବୃଦ୍ଧି ଦେଖିବାକୁ ମିଳିଛି । ସ୍ୱୟଂଚାଳିତ ପାଠ୍ୟ ଶ୍ରେଣୀକରଣ, ଯାହାକି ପାଠ୍ୟ ଦଲିଲଗୁଡ଼ିକୁ ପୂର୍ବ ନିର୍ଦ୍ଧାରିତ ଶ୍ରେଣୀ (ବିଷୟବସ୍ତୁ କିମ୍ବା ବିଷୟବସ୍ତୁ) କୁ ଦଲିଲଗୁଡ଼ିକୁ ବଣ୍ଟନ କରିବାର କାର୍ଯ୍ୟ, ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କାର୍ଯ୍ୟ ଯାହା ଏହି ଉଚ୍ଚ ସମ୍ବଳଗୁଡ଼ିକ ଉପରେ ସୂଚନାକୁ ସଂଗଠିତ କରିବା ଏବଂ ଖୋଜିବାରେ ସାହାଯ୍ୟ କରିପାରିବ । ପାଠ୍ୟ ଶ୍ରେଣୀକରଣରେ ଅନେକଗୁଡ଼ିଏ ଆହ୍ୱାନ ରହିଛି କାରଣ ଏଥିରେ ଅନେକଗୁଡ଼ିଏ ଗୁଣ ରହିଛି, ଅନେକଗୁଡ଼ିଏ ପ୍ରଶିକ୍ଷଣ ନମୁନା ରହିଛି ଏବଂ ଅନେକଗୁଡ଼ିଏ ଗୁଣ ଉପରେ ନିର୍ଭରଶୀଳତା ରହିଛି । ଏହି ଲେଖାରେ ଆମେ ଏକ ସରଳ ରେଖୀ-ସମୟ କେନ୍ଦ୍ରବିନ୍ଦୁ ଆଧାରିତ ଦସ୍ତାବିଜ ଶ୍ରେଣୀକରଣ ଆଲଗୋରିଦମ ଉପରେ ଧ୍ୟାନ କେନ୍ଦ୍ରିତ କରୁଛୁ, ଯାହା ଏହାର ସରଳତା ଏବଂ ଦୃଢ଼ କାର୍ଯ୍ୟଦକ୍ଷତା ସତ୍ତ୍ୱେ ବ୍ୟାପକ ଭାବରେ ଅଧ୍ୟୟନ ଏବଂ ବିଶ୍ଳେଷଣ କରାଯାଇ ନାହିଁ । ଆମର ବ୍ୟାପକ ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ ଏହି ସେଣ୍ଟ୍ରୋଏଡ୍ ଆଧାରିତ ବର୍ଗୀକରଣ କ୍ରମାଗତ ଭାବରେ ଏବଂ ବ୍ୟାପକ ଭାବରେ ଅନ୍ୟ ଆଲଗୋରିଦମ ଯେପରିକି ନିଭ୍ ବେସିୟାନ୍, କେ-ନର୍ଷ୍ଟ-ନାଇବର୍ ଏବଂ ସି.୪.୫,କୁ ବ୍ୟାପକ ଡାଟା ସେଟ୍ ରେ ଅତିକ୍ରମ କରିଥାଏ । ଆମର ବିଶ୍ଳେଷଣରୁ ଜଣାପଡ଼େ ଯେ ସେଣ୍ଟ୍ରୋଏଡ୍ ଆଧାରିତ ଯୋଜନାରେ ବ୍ୟବହୃତ ସମାନତା ମାପକ, ଏହାଦ୍ୱାରା ନୂତନ ଦଲିଲକୁ ଶ୍ରେଣୀଭୁକ୍ତ କରାଯାଇପାରିବ ଯେ ଏହାର ଆଚରଣ ବିଭିନ୍ନ ଶ୍ରେଣୀଭୁକ୍ତ ଦଲିଲର ଆଚରଣ ସହିତ କେତେ ଘନିଷ୍ଠ ଭାବରେ ମେଳ ଖାଏ, ଯେପରିକି ଦଲିଲଗୁଡ଼ିକ ମଧ୍ୟରେ ହାରାହାରି ସମାନତା ଦ୍ୱାରା ମାପ କରାଯାଏ । ଏହି ମେଳ ଖାଉଥିବା ବର୍ଗର ବର୍ଗର ଭିନ୍ନ ଭିନ୍ନ ଘନତା ପାଇଁ ଏହାକୁ ଗତିଶୀଳ ଭାବରେ ସଜାଡ଼ିବା ପାଇଁ ଅନୁମତି ଦେଇଥାଏ । ଆହୁରି ମଧ୍ୟ, ଆମର ବିଶ୍ଳେଷଣ ଦର୍ଶାଏ ଯେ, ସେଣ୍ଟ୍ରୋଏଡ୍ ଆଧାରିତ ଯୋଜନାର ସମାନତା ମାପ ବିଭିନ୍ନ ଶ୍ରେଣୀରେ ଥିବା ଶବ୍ଦଗୁଡ଼ିକ ମଧ୍ୟରେ ନିର୍ଭରଶୀଳତାକୁ ପ୍ରତିଫଳିତ କରେ । ଆମେ ବିଶ୍ୱାସ କରୁ ଯେ ଏହି ବୈଶିଷ୍ଟ୍ୟ ହେଉଛି କାରଣ ଯାହା ପାଇଁ ଏହା ଅନ୍ୟ ଶ୍ରେଣୀଭୁକ୍ତକାରୀଙ୍କୁ କ୍ରମାଗତ ଭାବରେ ଅତିକ୍ରମ କରେ ଯାହା ଏହି ନିର୍ଭରଶୀଳତାକୁ ଧ୍ୟାନରେ ରଖିପାରିବ ନାହିଁ । |
7f13e66231c96f34f8de2b091e5b5dafb5db5327 | ନ୍ୟୁରାଲ ମେସିନ ଟ୍ରାନ୍ସଲେସନ (ଏନଏମଟି) ମଡେଲଗୁଡିକ କ୍ରମିକ ଶବ୍ଦକୋଷୀୟ ସୂଚନାରୁ ଆଂଶିକ ଭାବରେ ବାକ୍ୟରଚନା ସୂଚନା ଶିଖିବାରେ ସକ୍ଷମ । ତଥାପି, କିଛି ଜଟିଳ ବାକ୍ୟବିନ୍ୟାସ ଦୃଶ୍ୟପଟ୍ଟ ଯେପରିକି ଉପସର୍ଗୀକୃତ ବାକ୍ୟ ସଂଲଗ୍ନତା ଖରାପ ଭାବରେ ମଡେଲ କରାଯାଇଛି । ଏହି କାର୍ଯ୍ୟର ଉଦ୍ଦେଶ୍ୟ ଦୁଇଟି ପ୍ରଶ୍ନର ଉତ୍ତର ଦେବା: 1) ଉତ୍ସ କିମ୍ବା ଲକ୍ଷ୍ୟ ଭାଷା ସିଣ୍ଟାକ୍ସକୁ ସ୍ପଷ୍ଟ ଭାବରେ ମଡେଲିଂ କରିବା NMT କୁ ସାହାଯ୍ୟ କରେ କି? 2) ଏକାଧିକ କାର୍ଯ୍ୟକୁ ଏକା ସାଙ୍ଗରେ କରିବା ଅପେକ୍ଷା ଶବ୍ଦ ଓ ବାକ୍ୟର ବିନ୍ୟାସକୁ ଏକତ୍ର କରିବା ଭଲ କି? ଆମେ ସିଙ୍କ୍ ଟ୍ୟାଗ୍ ରୂପରେ ସିଣ୍ଟାକ୍ଟିକ ସୂଚନାକୁ ଇନଡୋର୍ସ୍ ରେ ଇମ୍ବେଡିଂ ର ଏକ ଅତିରିକ୍ତ ଫିଚର ଭାବରେ କିମ୍ବା ଟାର୍ଗେଟରେ, ଟାର୍ଗେଟ ସୁପର ଟ୍ୟାଗକୁ ଶବ୍ଦ କ୍ରମ ସହିତ ଇଣ୍ଟର୍ଲେଇଙ୍ଗ୍ କରି, ସ୍ରୋତରେ ପ୍ରବର୍ତ୍ତନ କରୁ । ୱିଏମଟି ତଥ୍ୟ ଉପରେ ଆମର ଫଳାଫଳ ଦର୍ଶାଉଛି ଯେ ସିଣ୍ଟାକ୍ସକୁ ସ୍ପଷ୍ଟ ଭାବରେ ମଡେଲିଂ କରିବା ଦ୍ୱାରା ଇଂରାଜୀ-ଜର୍ମାନୀ, ଉଚ୍ଚ ସମ୍ବଳ ଯୁଗଳ ଏବଂ ଇଂରାଜୀ-ରୋମାନିଆ, ନିମ୍ନ ସମ୍ବଳ ଯୁଗଳ ପାଇଁ ମେସିନ ଅନୁବାଦର ଗୁଣବତ୍ତାରେ ଉନ୍ନତି ଘଟିଥାଏ ଏବଂ ଅନେକ ସିଣ୍ଟାକ୍ସିକ ଘଟଣା ମଧ୍ୟ ଅଛି ଯେଉଁଥିରେ ପ୍ରିପୋଜିସନାଲ ଫ୍ରେଜ୍ ଆଟାଚ୍ମେଣ୍ଟ ଅନ୍ତର୍ଭୁକ୍ତ । ଏହା ବ୍ୟତୀତ, ଏକାଧିକ କାର୍ଯ୍ୟକୁ ଏକା ସାଙ୍ଗରେ କରିବା ପାଇଁ ପ୍ରଶିକ୍ଷଣ ଅପେକ୍ଷା ଶବ୍ଦ ଏବଂ ବାକ୍ୟର ଏକ ଘନିଷ୍ଠ ସଂଯୋଗ ଅନୁବାଦର ଗୁଣବତ୍ତାରେ ଉନ୍ନତି ଆଣିଥାଏ । |
f218e9988e30b0dea133b8fcda7033b6f1172af9 | ପ୍ରାକୃତିକ ଚିତ୍ର (ଏନଆଇ) ଏବଂ କମ୍ପ୍ୟୁଟର ଦ୍ୱାରା ପ୍ରସ୍ତୁତ ଚିତ୍ର (ସିଜି) ମଧ୍ୟରେ ନଗ୍ନ ମାନବ ଆଖିରେ ଭେଦ କରିବା କଷ୍ଟକର । ଏହି ମୂଳଦୁଆ ପ୍ରତିଛବି ଫରେନସିକ ସମସ୍ୟା ପାଇଁ ଆମେ ଏକ ପ୍ରଭାବଶାଳୀ ପଦ୍ଧତି ଉପରେ ଆଧାରିତ ଏକ କନଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କ (ସିଏନଏନ) ପ୍ରସ୍ତାବ ଦେଉଛୁ । ବର୍ତ୍ତମାନର ସିସିଏନଗୁଡ଼ିକୁ ଶୂନ୍ୟରୁ ତାଲିମ ଦେବା କିମ୍ବା ପୂର୍ବରୁ ତାଲିମପ୍ରାପ୍ତ ନେଟୱାର୍କକୁ ସଠିକ କରିବା ପାଇଁ ସୀମିତ କାର୍ଯ୍ୟଦକ୍ଷତା ଦେଖି ଆମେ ଏକ ନୂଆ ଏବଂ ଉପଯୁକ୍ତ ନେଟୱାର୍କର ଡିଜାଇନ୍ ଏବଂ କାର୍ଯ୍ୟକାରୀ କରିଛୁ । ଆମର ନେଟୱର୍କକୁ ସହଜରେ ଭିନ୍ନ ଆକାରର ଇନପୁଟ୍ ଇମେଜ୍ ପ୍ୟାଚ୍ କୁ ଗ୍ରହଣ କରିବା ପାଇଁ ସଜାଇ ଦିଆଯାଇପାରିବ, ଯେତେବେଳେ ଏକ ସ୍ଥିର ଗଭୀରତା, ସିଏନଏନର ଏକ ସ୍ଥିର ସଂରଚନା ଏବଂ ଏକ ଭଲ ଫରେନସିକ କାର୍ଯ୍ୟଦକ୍ଷତା ବଜାୟ ରଖାଯିବ । ସିଏନଏନମାନଙ୍କୁ ତାଲିମ ଦେବାର ଜଟିଳତା ଏବଂ ପ୍ରତିଛବି ଫରେନସିକ୍ସର ନିର୍ଦ୍ଦିଷ୍ଟ ଆବଶ୍ୟକତାକୁ ବିଚାରକୁ ନେଇ ଆମେ ଆମର ପ୍ରସ୍ତାବିତ ନେଟୱାର୍କରେ ସ୍ଥାନୀୟରୁ ବିଶ୍ୱସ୍ତରୀୟ ରଣନୀତିକୁ ପ୍ରବର୍ତ୍ତନ କରୁଛୁ । ଆମର ସିଏନ୍ଏନ୍ ସ୍ଥାନୀୟ ପ୍ୟାଚ୍ ଉପରେ ଫରେନ୍ସିକ୍ ନିଷ୍ପତ୍ତି ନେଇଥାଏ, ଏବଂ ଏକ ପୂର୍ଣ୍ଣ ଆକାରର ପ୍ରତିଛବି ଉପରେ ଏକ ବିଶ୍ୱସ୍ତରୀୟ ନିଷ୍ପତ୍ତି ସହଜରେ ସରଳ ବହୁମତ ମତଦାନ ମାଧ୍ୟମରେ ପ୍ରାପ୍ତ କରାଯାଇପାରିବ । ଏହି ରଣନୀତିକୁ ହାତ ତିଆରି ହୋଇଥିବା ବୈଶିଷ୍ଟ୍ୟ ଉପରେ ଆଧାରିତ ଥିବା ବର୍ତ୍ତମାନର ପଦ୍ଧତିର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଉନ୍ନତ କରିବା ପାଇଁ ମଧ୍ୟ ବ୍ୟବହାର କରାଯାଇପାରିବ । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳରୁ ଜଣାପଡିଛି ଯେ ଆମର ପଦ୍ଧତି ବର୍ତ୍ତମାନର ପଦ୍ଧତିଠାରୁ ଅଧିକ ଭଲ, ବିଶେଷକରି ବିଭିନ୍ନ ଉତ୍ପତ୍ତିର ଏନଆଇ ଏବଂ ସିଜି ପ୍ରତିଛବି ସହିତ ଏକ ଆହ୍ୱାନପୂର୍ଣ୍ଣ ଫରେନ୍ସିକ୍ ପରିସ୍ଥିତିରେ । ଆମର ପଦ୍ଧତି ମଧ୍ୟ ସାଧାରଣ ପୋଷ୍ଟ-ପ୍ରୋସେସିଂ ଅପରେସନ୍, ଯେପରିକି ଆକାର ପରିବର୍ତ୍ତନ ଏବଂ JPEG ସଙ୍କୋଚନ ବିରୁଦ୍ଧରେ ଭଲ ଦୃଢ଼ତା ରହିଛି । ପୂର୍ବ ପ୍ରୟାସ ପରି, ଆମେ ସିଆଇଏନକୁ ଫରେନସିକ ଇମେଜ ପାଇଁ ବ୍ୟବହାର କରିଛୁ, ସିଆଇଏନକୁ ବୁଝିବାକୁ ଚେଷ୍ଟା କରିଛୁ ଯେ ସିଆଇଏନକୁ ସିଆଇଏନ ଏବଂ ସିଜି ଇମେଜ ମଧ୍ୟରେ ଥିବା ପାର୍ଥକ୍ୟ ବିଷୟରେ କଣ ଶିଖାଯାଇଛି । |
7c38c9ff0108e774cdfe2a90ced1c89812e7f498 | ଲକ୍ଷ୍ୟସ୍ଥଳ ଟ୍ରାକିଂ ଏବଂ ଉଚ୍ଚସ୍ତରୀୟ ଅଟୋମୋବାଇଲ ପ୍ରୟୋଗ ପାଇଁ ରାଡାର ସିଗନାଲ୍ ପ୍ରୋସେସିଂ ଆଲଗୋରିଦମର ବିକାଶ ମୁଖ୍ୟତଃ ବାସ୍ତବ ରାଡାର ତଥ୍ୟ ଉପରେ ଆଧାରିତ । ଏହିପରି ଏକ ଡାଟା ବେସକୁ ବହୁ ବ୍ୟୟ ବହୁଳ ଓ ସମୟସାପେକ୍ଷ ପରୀକ୍ଷଣ ସମୟରେ ହାସଲ କରିବାକୁ ପଡିଥାଏ । ଆଡାପ୍ଟିଭ୍ କ୍ରୁଜ କଣ୍ଟ୍ରୋଲ (ଏସିସି) ଭଳି ସରଳ ପ୍ରୟୋଗ ପାଇଁ, ବିଭିନ୍ନ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଟ୍ରାଫିକ୍ ପରିସ୍ଥିତିକୁ ପର୍ଯ୍ୟାପ୍ତ ପରିମାଣରେ ପରୀକ୍ଷା କରାଯାଇପାରିବ । କିନ୍ତୁ ଅଧିକ ଉନ୍ନତ ପ୍ରୟୋଗ ପାଇଁ ଯେପରିକି କ୍ରସ-ଅସସସେନ୍ସ ସହାୟତା, ରାଡାର ତଥ୍ୟର ପ୍ରତିନିଧିତ୍ୱ ସେଟ ହାସଲ କରିବା ପାଇଁ ପ୍ରୟାସ ଅସହ୍ୟ ହେବ । ଏହି କାଗଜରେ, ଆମେ ରାଡାର ଲକ୍ଷ୍ୟ ତାଲିକାଗୁଡ଼ିକୁ ଏକ ବାସ୍ତବବାଦୀ କିନ୍ତୁ ଗଣନାତ୍ମକ ଭାବରେ କମ୍ ଚାହିଦା ଥିବା ଉପାୟରେ ଅନୁକରଣ କରିବାର ଏକ ଉପାୟ ପ୍ରସ୍ତାବିତ କରୁଛୁ, ଯାହା ଆବଶ୍ୟକ ବାସ୍ତବ ରାଡାର ତଥ୍ୟର ପରିମାଣକୁ ଯଥେଷ୍ଟ ହ୍ରାସ କରିବ _ |
bca4e05a45f310ceb327d67278858343e8df7089 | |
1717dee0e8785d963e0333a0bb945757444bb651 | ବୈଧ କାରୁକାର୍ଯ୍ୟ କୌଶଳ ବ୍ୟବହାର କରି ଆମେ ଦେଖାଇଛୁ ଯେ ଲୋକପ୍ରିୟ ଅପରେଟିଂ ସିଷ୍ଟମ୍ (ଯେପରିକି ୱିଣ୍ଡୋ, ଲିନକ୍ସ ଏବଂ ଓଏସଏକ୍ସ) ରେ ବହୁ ସମୟରେ ଅବଶିଷ୍ଟ ଆଇପି ପ୍ୟାକେଟ, ଇଥରନେଟ ଫ୍ରେମ ଏବଂ ସମ୍ବନ୍ଧିତ ଡାଟା ଷ୍ଟ୍ରକଚର ସିଷ୍ଟମ ମେମୋରୀରେ ଲଙ୍ଗ ଟର୍ମିନେଟେଡ ନେଟୱର୍କ ଟ୍ରାଫିକରୁ ରହିଥାଏ । ଏହିପରି ସୂଚନା ଅନେକ ଫରେନ୍ସିକ ଉଦ୍ଦେଶ୍ୟ ପାଇଁ ଉପଯୋଗୀ, ଯେଉଁଥିରେ ପୂର୍ବ ସଂଯୋଗ କାର୍ଯ୍ୟକଳାପ ଏବଂ ବ୍ୟବହୃତ ସେବାଗୁଡିକର ପ୍ରତିଷ୍ଠା; ସିଷ୍ଟମ୍ର LAN କିମ୍ବା WLAN ରେ ଉପସ୍ଥିତ ଅନ୍ୟ ସିଷ୍ଟମଗୁଡିକର ଚିହ୍ନଟ; ହୋଷ୍ଟ କମ୍ପ୍ୟୁଟର ସିଷ୍ଟମର ଭୌଗୋଳିକ ଅବସ୍ଥାନ; ଏବଂ କ୍ରସ-ଡ୍ରାଇଭ୍ ବିଶ୍ଳେଷଣ ଅନ୍ତର୍ଭୁକ୍ତ _ ଆମେ ଦେଖାଇଛୁ ଯେ ନେଟୱର୍କ ସଂରଚନା ମଧ୍ୟ ସ୍ମୃତିରୁ ପୁନରୁଦ୍ଧାର କରାଯାଇପାରିବ ଯାହାକି ସିଷ୍ଟମ ସ୍ୱାପିଂ କିମ୍ବା ହାଇବର୍ନେସନ ସମୟରେ ଏକ ସାମୂହିକ ଷ୍ଟୋରେଜ୍ ମାଧ୍ୟମ ଉପରେ ସ୍ଥିର ରହିଥାଏ । ଆମେ ଆମର ନେଟୱର୍କ କାରୁକାର୍ଯ୍ୟ କୌଶଳ, ଆଲଗୋରିଦମ ଏବଂ ଉପକରଣଗୁଡ଼ିକର ଉପସ୍ଥାପନା କରୁଛୁ ଏବଂ ସେଗୁଡ଼ିକୁ ଉଭୟ ଉଦ୍ଦେଶ୍ୟ-ନିର୍ମିତ ସ୍ମୃତି ପ୍ରତିଛବି ଏବଂ ସହଜରେ ଉପଲବ୍ଧ ଫରେନ୍ସିକ କୋରପୋରା ସହିତ ଯାଞ୍ଚ କରୁଛୁ । ଏହି କୌଶଳ ଉଭୟ ଫରେନ୍ସିକ କାର୍ଯ୍ୟ ପାଇଁ ବିଶେଷ କରି ମୋବାଇଲ ଡିଭାଇସକୁ ବିଶ୍ଳେଷଣ କରିବା ଏବଂ ସାଇବର ନିରାପତ୍ତା ଉଦ୍ଦେଶ୍ୟ ଯେପରିକି ମାଲୱେୟାର ବିଶ୍ଳେଷଣ ପାଇଁ ମୂଲ୍ୟବାନ । ଏଲ୍ସେଭିୟର ଲିଃ ଦ୍ବାରା ପ୍ରକାଶିତ । |
62a7cfab468ef3bbd763db8f80745bd93d2be7dd | ଆଣ୍ଡ୍ରଏଡ, ନଭେମ୍ବର 2007ରେ ମୁକ୍ତିଲାଭ କରିଥିବା ଦ୍ରୁତତମ ବୃଦ୍ଧି ପାଉଥିବା ମୋବାଇଲ ଅପରେଟିଂ ସିଷ୍ଟମ, ଏହାର 1.4 ବିଲିୟନ ସକ୍ରିୟ ଉପଭୋକ୍ତା ଅଛନ୍ତି । ଆଣ୍ଡ୍ରଏଡ୍ ବ୍ୟବହାରକାରୀମାନେ ସେମାନଙ୍କ ବ୍ୟକ୍ତିଗତ ତଥ୍ୟ ହ୍ୟାକ୍ କରିପାରୁଥିବା ଆପ୍ଲିକେସନ୍ ଦ୍ୱାରା ପ୍ରଭାବିତ ହୋଇଥାନ୍ତି କାରଣ ସେମାନଙ୍କ ଡିଭାଇସ୍ରେ ସୁରକ୍ଷା ବ୍ୟବସ୍ଥା ଉପରେ ଯତ୍ନଶୀଳ ନଜର ରଖାଯାଏ ନାହିଁ । ମାଲୱେୟାର ଚିହ୍ନଟ ପଦ୍ଧତିର ବିକାଶ ଉପରେ ଅନେକ କାର୍ଯ୍ୟ କରାଯାଇଛି । କିନ୍ତୁ, ପୂର୍ବବର୍ତ୍ତୀ କାର୍ଯ୍ୟଗୁଡ଼ିକ ମଧ୍ୟରୁ କୌଣସିଟି ସିଧାସଳଖ ପ୍ରୟୋଗ ପାଇଁ ଯଥେଷ୍ଟ ନିର୍ଣ୍ଣାୟକ ନୁହେଁ ଏବଂ ପରୀକ୍ଷାମୂଳକ ବୈଧତା ଅଭାବ ରହିଛି । ଏହି ପତ୍ରିକାରେ, ଆମେ ଦୁଷ୍ଟ ଉଦ୍ଦେଶ୍ୟ ସମ୍ପନ୍ନ ଆପ୍ଲିକେସନର ପ୍ରକୃତି ଏବଂ ପରିଚୟକୁ ଅନୁସନ୍ଧାନ କରିଛୁ ଏବଂ ଚିହ୍ନଟ ପାଇଁ ଦୁଇଟି ନୂଆ ଚିହ୍ନଟ ପଦ୍ଧତି ପ୍ରସ୍ତୁତ କରିଛୁ: ନେଟୱାର୍କ ଆଧାରିତ ଚିହ୍ନଟ ଏବଂ ସିଷ୍ଟମ କଲ୍ ଆଧାରିତ ଚିହ୍ନଟ ପଦ୍ଧତି । ଆମର ପ୍ରସ୍ତାବିତ ଆଭିମୁଖ୍ୟକୁ ମୂଲ୍ୟାଙ୍କନ କରିବା ପାଇଁ, ଆମେ 1260 ମାଲୱେୟାରର ଏକ ଉପସମୂହ ଉପରେ ପରୀକ୍ଷଣ କରିଥିଲୁ, ଯାହା ଆଣ୍ଡ୍ରଏଡ୍ ମାଲୱେୟାର ଜେନୋମ ପ୍ରୋଜେକ୍ଟରୁ ହାସଲ କରାଯାଇଥିଲା, ୟାଇ.ଝୋ ଏବଂ ଅନ୍ୟମାନେ ସୃଷ୍ଟି କରିଥିବା ଏକ ମାଲୱେୟାର ଡାଟାବେସ୍ । [୧] ଏବଂ ୨୨୭ଟି ଅଣ-ମାଲୱେୟାର (ମାଗ୍ନ) ଆପ୍ଲିକେସନ । ଫଳାଫଳରୁ ଜଣାପଡ଼ୁଛି ଯେ ଆମର ସିଷ୍ଟମ କଲ୍ ଆଧାରିତ ଆଭିମୁଖ୍ୟ 87% ସଠିକତା ସହିତ ମାଲୱେୟାରକୁ ଚିହ୍ନଟ କରିବାରେ ସକ୍ଷମ ଅଟେ, ଯାହା ସାଧାରଣ ମାଲୱେୟାର ଚିହ୍ନଟ ପରିପ୍ରେକ୍ଷୀରେ ଯଥେଷ୍ଟ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଅଟେ । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ସହିତ ଆମର ପ୍ରସ୍ତାବିତ ଚିହ୍ନଟ ପଦ୍ଧତି ସୁରକ୍ଷା ବୃତ୍ତିଗତମାନଙ୍କୁ ଆଣ୍ଡ୍ରଏଡ୍ ସିଷ୍ଟମରେ ମୋବାଇଲ୍ ମାଲୱେୟାରର ଅନୁସନ୍ଧାନରେ ଅଧିକ ସଠିକ୍ ଏବଂ ପରିମାଣିକ ପଦ୍ଧତି ପ୍ରଦାନ କରିବ । |
e2d76fc1efbbf94a624dde792ca911e6687a4fd4 | ଗୁଗୁଲ୍ର ଅଫିସିଆଲ୍ ମାର୍କେଟରେ ୫୦ ବିଲିୟନରୁ ଅଧିକ ଡାଉନଲୋଡ୍ ଏବଂ ୧.୩ ନିୟୁତରୁ ଅଧିକ ଆପ୍ ସହିତ ଆଣ୍ଡ୍ରଏଡ୍ ସାରା ବିଶ୍ୱରେ ସ୍ମାର୍ଟଫୋନ୍ ବ୍ୟବହାରକାରୀଙ୍କ ମଧ୍ୟରେ ଲୋକପ୍ରିୟତା ହାସଲ କରିଆସୁଛି । ସେହି ସମୟରେ ପ୍ଲାଟଫର୍ମକୁ ଟାର୍ଗେଟ କରୁଥିବା ମାଲୱେୟାରର ସଂଖ୍ୟା ବୃଦ୍ଧି ପାଇଛି, ଯେଉଁଥିରେ ଅଧିକ ସଦ୍ୟ ଷ୍ଟ୍ରେନ୍ ଅତ୍ୟନ୍ତ ଉନ୍ନତ ଚିହ୍ନଟ ଏଡ଼ାଇବା କୌଶଳ ବ୍ୟବହାର କରୁଛି । ଯେହେତୁ ପାରମ୍ପରିକ ହସ୍ତାକ୍ଷର ଆଧାରିତ ପଦ୍ଧତି ଅଜଣା ମାଲୱେୟାର ଚିହ୍ନଟ କରିବାରେ କମ୍ ପ୍ରଭାବଶାଳୀ ହୋଇପାରିଛି, ତେଣୁ ସମୟାନୁବର୍ତ୍ତୀ ଶୂନ୍ୟ-ଦିନ ଆବିଷ୍କାର ପାଇଁ ବିକଳ୍ପ ଆବଶ୍ୟକ । ତେଣୁ ଏହି କାଗଜରେ ଏକ ଉପାୟ ପ୍ରସ୍ତାବିତ କରାଯାଇଛି ଯାହା ଆଣ୍ଡ୍ରଏଡ ମାଲୱେୟାର ଚିହ୍ନଟ ପାଇଁ ଏସେମ୍ବଲ ଲର୍ଣ୍ଣିଂର ବ୍ୟବହାର କରିଥାଏ । ଏହା ଆଣ୍ଡ୍ରଏଡ ମାଲୱେୟାର ଚିହ୍ନଟ ସଠିକତା ବୃଦ୍ଧି କରିବା ପାଇଁ ସାମୂହିକ ମେସିନ ଶିକ୍ଷଣର ଦକ୍ଷତା ଏବଂ କାର୍ଯ୍ୟଦକ୍ଷତା ସହିତ ଷ୍ଟାଟିକ ବିଶ୍ଳେଷଣର ଲାଭକୁ ମିଶ୍ରଣ କରେ । ମେସିନ ଲର୍ଣ୍ଣିଂ ମଡେଲଗୁଡ଼ିକ ଏକ ପ୍ରମୁଖ ଆଣ୍ଟିଭାଇରସ୍ ବିକ୍ରେତାଙ୍କ ଠାରୁ ମାଲୱେର୍ ନମୁନା ଏବଂ ନିରପେକ୍ଷ ଆପ୍ଲିକେସନ୍ଗୁଡିକର ଏକ ବଡ଼ ଭଣ୍ଡାର ବ୍ୟବହାର କରି ନିର୍ମିତ ହୋଇଛି । ଉପସ୍ଥାପିତ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଏବଂ ବିଶ୍ଳେଷଣରୁ ଜଣାପଡିଛି ଯେ ପ୍ରସ୍ତାବିତ ପଦ୍ଧତି ଯାହା ଏକ ବୃହତ ବୈଶିଷ୍ଟ୍ୟ ସ୍ଥାନ ବ୍ୟବହାର କରି ସମୂହ ଶିକ୍ଷଣର ଶକ୍ତିକୁ ବୃଦ୍ଧି କରିଥାଏ, ଏହା ଅତ୍ୟନ୍ତ କମ୍ ମିଥ୍ୟା ପଜିଟିଭ୍ ହାର ସହିତ 97.3 ପ୍ରତିଶତରୁ 99% ପର୍ଯ୍ୟନ୍ତ ଚିହ୍ନଟ ସଠିକତା ହାସଲ କରିବାରେ ସକ୍ଷମ ଅଟେ । ମୂଳପୃଷ୍ଠା/ସୂଚନା/ମାଗଜପତ୍ର/ସୂଚନା/ସୂଚନା/ସୂଚନା/ସୂଚନା/ସୂଚନା/ସୂଚନା/ସୂଚନା/ସୂଚନା/ସୂଚନା/ସୂଚନା/ସୂଚନା/ସୂଚନା/ସୂଚନା/ସୂଚନା/ସୂଚନା/ସୂଚନା/ସୂଚନା/ସୂଚନା/ସୂଚନା/ସୂଚନା/ସୂଚନା/ସୂଚନା/ସୂଚନା/ସୂଚନା/ସୂଚନା/ସୂଚନା/ସୂଚନା/ସୂଚନା |
08d32340e0e6aa50952860b90dfba2fe4764a85a | ବଜାରରେ ସ୍ମାର୍ଟଫୋନର ସଂଖ୍ୟା ବୃଦ୍ଧି ପାଇବା ସହିତ ଆଣ୍ଡ୍ରଏଡ୍ ପ୍ଲାଟଫର୍ମ ବଜାରରେ ଅଗ୍ରଣୀ ହେବା ପାଇଁ ପ୍ରସ୍ତୁତ ହୋଇଥିବାରୁ ଏହି ପ୍ଲାଟଫର୍ମରେ ମାଲୱେର୍ ବିଶ୍ଳେଷଣର ଆବଶ୍ୟକତା ଏକ ଜରୁରୀ ପ୍ରସଙ୍ଗ । ଏହି କାଗଜରେ ଆମେ ଆଣ୍ଡ୍ରଏଡ ପ୍ଲାଟଫର୍ମରେ ମାଲୱେୟାର ଚିହ୍ନଟ କରିବାର ଏକ ମାଧ୍ୟମ ଭାବରେ ଆପ୍ଲିକେସନ ବ୍ୟବହାରର ଗତିଶୀଳ ବିଶ୍ଳେଷଣ ପାଇଁ ପୂର୍ବବର୍ତ୍ତୀ ପଦ୍ଧତି ଉପରେ ପୁଞ୍ଜି ବିନିଯୋଗ କରୁ । ଏହି ଡିଟେକ୍ଟର ଏକ ସାମଗ୍ରିକ ଢାଞ୍ଚାରେ ଅନ୍ତର୍ଭୁକ୍ତ ହୋଇଛି ଯାହା ଅସୀମିତ ସଂଖ୍ୟକ ବାସ୍ତବିକ ବ୍ୟବହାରକାରୀଙ୍କ ଠାରୁ କ୍ରାଉଡସୋର୍ସିଂ ଆଧାରରେ ଟ୍ରାକ୍ ସଂଗ୍ରହ ପାଇଁ ଉଦ୍ଦିଷ୍ଟ । ଆମର ଫ୍ରେମୱାର୍କକୁ କେନ୍ଦ୍ରୀୟ ସର୍ଭରରେ ସଂଗୃହିତ ତଥ୍ୟକୁ ବିଶ୍ଳେଷଣ କରି ଦୁଇଟି ପ୍ରକାରର ତଥ୍ୟ ସେଟକୁ ବ୍ୟବହାର କରି ପ୍ରଦର୍ଶିତ କରାଯାଇଛି: ପରୀକ୍ଷା ଉଦ୍ଦେଶ୍ୟରେ ସୃଷ୍ଟି କରାଯାଇଥିବା କୃତ୍ରିମ ମାଲୱେୟାରରୁ ଏବଂ ଜଙ୍ଗଲରେ ମିଳିଥିବା ପ୍ରକୃତ ମାଲୱେୟାରରୁ । ଏହି ପଦ୍ଧତି ମାଲୱେୟାରକୁ ଅଲଗା କରିବା ଏବଂ ଡାଉନଲୋଡ ହୋଇଥିବା ମାଲୱେୟାରର ଉପଭୋକ୍ତାଙ୍କୁ ସତର୍କ କରିବାର ଏକ ପ୍ରଭାବଶାଳୀ ମାଧ୍ୟମ ବୋଲି ପ୍ରମାଣିତ ହୋଇଛି । ଏହାଦ୍ୱାରା ଚିହ୍ନଟ ହୋଇଥିବା ମାଲୱେୟାରକୁ ବ୍ୟାପକ ସମୁଦାୟକୁ ବ୍ୟାପିବା ଠାରୁ ରୋକାଯାଇପାରିବ । |
12ef153d9c7ccc374d56acf34b59fb2eaec6f755 | ବିଶେଷ କରି, ଏକ ବର୍ଷରୁ ଅଧିକ ସମୟର ପ୍ରୟାସରେ, ଆମେ 1,200 ରୁ ଅଧିକ ମାଲୱେର୍ ନମୁନା ସଂଗ୍ରହ କରିବାରେ ସଫଳ ହୋଇଛୁ ଯାହା ବର୍ତ୍ତମାନର ଆଣ୍ଡ୍ରଏଡ୍ ମାଲୱେର୍ ପରିବାରର ଅଧିକାଂଶକୁ କଭର କରେ, ଅଗଷ୍ଟ 2010 ରେ ସେମାନଙ୍କର ଡେବ୍ୟୁ ଠାରୁ ଅକ୍ଟୋବର 2011 ରେ ସାମ୍ପ୍ରତିକ ପର୍ଯ୍ୟନ୍ତ। ଏହାବ୍ୟତୀତ, ଆମେ ବିଭିନ୍ନ ଦିଗରୁ ବ୍ୟବସ୍ଥିତ ଭାବେ ସେମାନଙ୍କର ବର୍ଣ୍ଣନା କରିଥାଉ, ଯେଉଁଥିରେ ସେମାନଙ୍କ ସ୍ଥାପନ ପଦ୍ଧତି, ସକ୍ରିୟକରଣ ବ୍ୟବସ୍ଥା ଏବଂ ସେମାନଙ୍କ ଦ୍ୱାରା ପରିବହନ କରାଯାଉଥିବା କ୍ଷତିକାରକ ଉପଯୋଗୀ ଭାରର ପ୍ରକୃତି ଅନ୍ତର୍ଭୁକ୍ତ । ପ୍ରତିନିଧିତ୍ୱ କରୁଥିବା ପରିବାରଗୁଡ଼ିକର ବର୍ଣ୍ଣନା ଏବଂ ପରବର୍ତ୍ତୀ ବିବର୍ତ୍ତନ-ଆଧାରିତ ଅଧ୍ୟୟନ ଦର୍ଶାଏ ଯେ ସେମାନେ ବର୍ତ୍ତମାନର ମୋବାଇଲ୍ ଆଣ୍ଟି-ଭାଇରସ୍ ସଫ୍ଟୱେର୍ ଦ୍ୱାରା ଚିହ୍ନଟକୁ ଏଡ଼ାଇବା ପାଇଁ ଦ୍ରୁତ ଗତିରେ ବିବର୍ତ୍ତନ କରୁଛନ୍ତି । ଚାରୋଟି ପ୍ରତିନିଧି ମୋବାଇଲ ସୁରକ୍ଷା ସଫ୍ଟୱେର ସହିତ ମୂଲ୍ୟାଙ୍କନ ଉପରେ ଆଧାର କରି, ଆମର ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ ସର୍ବୋତ୍ତମ ପରିସ୍ଥିତିରେ 79.6% ଚିହ୍ନଟ ହୋଇଥାଏ, ଯେତେବେଳେ କି ସବୁଠାରୁ ଖରାପ ପରିସ୍ଥିତିରେ ଆମ ଡାଟାସେଟରେ କେବଳ 20.2% ଚିହ୍ନଟ ହୋଇଥାଏ । ଏହି ଫଳାଫଳ ସ୍ପଷ୍ଟ ଭାବରେ ପରବର୍ତ୍ତୀ ପିଢ଼ିର ମୋବାଇଲ-ଆଣ୍ଟି-ମାଲୱେୟାର ସମାଧାନର ଉନ୍ନତ ବିକାଶର ଆବଶ୍ୟକତାକୁ ଆହ୍ୱାନ କରେ । ସ୍ମାର୍ଟଫୋନର ଲୋକପ୍ରିୟତା ଏବଂ ଗ୍ରହଣୀୟତା ମୋବାଇଲ ମାଲୱେର ବିସ୍ତାରକୁ ବିଶେଷ କରି ଆଣ୍ଡ୍ରଏଡ ଭଳି ଲୋକପ୍ରିୟ ପ୍ଲାଟଫର୍ମରେ ପ୍ରୋତ୍ସାହିତ କରିଛି । ଏହାର ଦ୍ରୁତ ଅଭିବୃଦ୍ଧିକୁ ଦୃଷ୍ଟିରେ ରଖି ପ୍ରଭାବୀ ସମାଧାନର ଆବଶ୍ୟକତା ରହିଛି । ତେବେ, ଏହି ଉଦୀୟମାନ ମୋବାଇଲ ମାଲୱେୟାରର ସୀମିତ ବୁଝାମଣା ଏବଂ ସମ୍ବନ୍ଧିତ ନମୁନାଗୁଡିକୁ ସମୟୋଚିତ ପ୍ରବେଶର ଅଭାବ ଯୋଗୁଁ ଆମର ପ୍ରତିରକ୍ଷା କ୍ଷମତା ବହୁଳ ଭାବରେ ସୀମିତ ଅଟେ । ଏହି ଲେଖାରେ ଆମେ ଆଣ୍ଡ୍ରଏଡ୍ ପ୍ଲାଟଫର୍ମ ଉପରେ ଧ୍ୟାନ କେନ୍ଦ୍ରିତ କରିଛୁ ଏବଂ ଏହାର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ବର୍ତ୍ତମାନର ଆଣ୍ଡ୍ରଏଡ୍ ମାଲୱେୟାରକୁ ବ୍ୟବସ୍ଥିତ କରିବା କିମ୍ବା ବର୍ଣ୍ଣନା କରିବା । |
8e0b8e87161dd4001d31832d5d9864fd31e8eccd | ଏହି ଦସ୍ତାବିଜରେ ଏକ ବର୍ଗାକାର ପ୍ୟାଚ୍ ଆଣ୍ଟିନା ବ୍ୟାଣ୍ଡୱିଡ୍ଟକୁ 0.88 GHz (7.76 - 8.64 GHz) ରୁ 6.75 GHz (3.49 - 10.24 GHz) କୁ ବୃଦ୍ଧି କରିବାର କୌଶଳ ବିଷୟରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଏହି କୌଶଳରେ ସର୍ବାଧିକ ବ୍ୟାଣ୍ଡୱିଡ୍ଟ ହାସଲ କରିବା ପାଇଁ ପରିବର୍ତ୍ତିତ ଗ୍ରାଉଣ୍ଡ ପ୍ଲେନ ସହିତ ଇନସେଟ୍ ଫିଡ ପ୍ୟାଚ୍ ଆଣ୍ଟିନା ବ୍ୟବହାର କରାଯାଇଥାଏ । ଆମେ ତିନୋଟି ପ୍ରକାରର ଆୟତନ ବିଶିଷ୍ଟ ପ୍ୟାଚ୍ ଆଣ୍ଟିନା ପ୍ରସ୍ତାବ ଦେବୁ: ସରଳ ଆୟତନ ବିଶିଷ୍ଟ ପ୍ୟାଚ୍ ଯାହା ମାଇକ୍ରୋଷ୍ଟ୍ରିପ୍ ଲାଇନ୍ ଦ୍ୱାରା ଖିଆଯାଏ, ଇନସେଟ୍ ଫିଡ୍ ଆୟତନ ବିଶିଷ୍ଟ ପ୍ୟାଚ୍ ଏବଂ ଇନସେଟ୍ ଫିଡ୍ ଆୟତନ ବିଶିଷ୍ଟ ପ୍ୟାଚ୍ ଯାହା ଗ୍ରାଉଣ୍ଡ ପ୍ଲେନକୁ ପରିବର୍ତ୍ତନ କରେ । ଚୁଡ଼ାନ୍ତ ସିମୁଲେସନ ଫଳାଫଳ ଦର୍ଶାଉଛି ଯେ, ଫ୍ରିକ୍ୱେନ୍ସିର ନିମ୍ନ ସୀମାକୁ 7.76 GHzରୁ 3.49 GHzକୁ ଏବଂ ଉଚ୍ଚତମ ସୀମାକୁ 8.64 GHzରୁ 10.24 GHzକୁ ସ୍ଥାନାନ୍ତରିତ କରାଯାଇଛି, ଯାହା ହେଉଛି ବ୍ରଡବ୍ୟାଣ୍ଡ ପାଇଁ ଆୟତନ ପ୍ୟାଚ୍ ଆଣ୍ଟେନର ବ୍ୟାଣ୍ଡୱିଡଥ୍ ବୃଦ୍ଧି ପାଇଁ ଏକମାତ୍ର ଚୟନ । ମାଇକ୍ରୋଷ୍ଟ୍ରିପ୍ ପ୍ୟାଚ୍ ଆଣ୍ଟିନା ର ବର୍ଦ୍ଧିତ ବ୍ୟାଣ୍ଡୱିଡ୍ଟ ର ବିବରଣୀ ଦିଆ ଯାଇଛି ଏବଂ ପ୍ରାପ୍ତ ବ୍ରଡବ୍ୟାଣ୍ଡ କାର୍ଯ୍ୟଦକ୍ଷତା ପାଇଁ ସିମୁଲେସନ ଫଳାଫଳ IE3D Zeland ସଫ୍ଟୱେର୍ ବ୍ୟବହାର କରି ଉପସ୍ଥାପିତ କରାଯାଇଛି । |
3cd0b6a48b14f86ed261240f30113a41bacd2255 | ମାନବ ଏବଂ କମ୍ପ୍ୟୁଟର ମଧ୍ୟରେ ପାରସ୍ପରିକ କ୍ରିୟାରେ ପ୍ରସଙ୍ଗ ଏକ ପ୍ରମୁଖ ପ୍ରସଙ୍ଗ, ଯାହା ଅର୍ଥ ଯୋଗ କରୁଥିବା ଆଖପାଖ ତଥ୍ୟକୁ ବର୍ଣ୍ଣନା କରେ । ମୋବାଇଲ କମ୍ପ୍ୟୁଟିଂ ଗବେଷଣାରେ ପ୍ରକାଶିତ ପାରାମିଟର ଅବସ୍ଥାନ ପ୍ରାୟତଃ ପ୍ରସଙ୍ଗର ଅନୁମାନ କରିବା ପାଇଁ ଏବଂ ପ୍ରସଙ୍ଗ-ସଚେତନ ପ୍ରୟୋଗଗୁଡ଼ିକର କାର୍ଯ୍ୟକାରିତା ପାଇଁ ବ୍ୟବହୃତ ହୁଏ । ଆମେ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯେ ଅତି-ମୋବାଇଲ କମ୍ପ୍ୟୁଟିଂ, ଯନ୍ତ୍ର ଦ୍ୱାରା ପରିଚିତ ଯାହା କାର୍ଯ୍ୟକ୍ଷମ ଏବଂ ଚଳପ୍ରଚଳ ସମୟରେ ପରିଚାଳିତ ହୋଇଥାଏ (ଉଦାହରଣ ସ୍ୱରୂପ, ଏକ ମୋବାଇଲ କମ୍ପ୍ୟୁଟର) । ପିଡିଏ, ମୋବାଇଲ ଫୋନ, ୱେରେବଲ କମ୍ପ୍ୟୁଟର) ପରି ବହୁଳ ବ୍ୟବହାରକାରୀମାନେ ବ୍ୟାପକ ପ୍ରସଙ୍ଗରେ ଉପକୃତ ହୋଇପାରିବେ । ଏହି କ୍ଷେତ୍ରକୁ ସଂରଚନା କରିବା ପାଇଁ ଆମେ ପ୍ରସଙ୍ଗ ପାଇଁ ଏକ କାର୍ଯ୍ୟ ମଡେଲ ଉପସ୍ଥାପନ କରୁଛୁ, ସ୍ଥାନ ବାହାରେ ପ୍ରସଙ୍ଗ ହାସଲ କରିବା ପାଇଁ ତନ୍ତ୍ର ବିଷୟରେ ଆଲୋଚନା କରୁଛୁ, ଏବଂ ଅତି-ମୋବାଇଲ୍ କମ୍ପ୍ୟୁଟିଂରେ ପ୍ରସଙ୍ଗ-ସଚେତନାର ପ୍ରୟୋଗ । ଆମେ ସେନସରର ଉପଯୋଗିତା ଉପରେ ଗବେଷଣା କରିଛୁ ଏବଂ ଦୁଇଟି ପ୍ରୋଟୋଟାଇପିକାଲ କାର୍ଯ୍ୟକାରିତା ଉପସ୍ଥାପନ କରିଛୁ- ଏକ ଆଲୋକ ସମ୍ବେଦନଶୀଳ ଡିସପ୍ଲେ ଏବଂ ଏକ ଦିଗଦର୍ଶନ ସମ୍ବେଦନଶୀଳ ପିଡିଏ ଇଣ୍ଟରଫେସ୍ । ଏହି ଧାରଣାକୁ ଅଧିକ ଉନ୍ନତ ସନ୍ଦର୍ଭ ଚିହ୍ନଟ ପାଇଁ ସେନସର ଫ୍ୟୁଜନର ମଡେଲକୁ ବିସ୍ତାର କରାଯାଇଛି । ଏହି ମଡେଲର କାର୍ଯ୍ୟକାରିତା ଆଧାରରେ ଏକ ପରୀକ୍ଷଣର ବର୍ଣ୍ଣନା କରାଯାଇଛି ଏବଂ ଏହି ପଦ୍ଧତିର କାର୍ଯ୍ୟକାରିତା ଦର୍ଶାଯାଇଛି । ଅଧିକ ଜଟିଳ ପ୍ରସଙ୍ଗରେ ସୂଚନା ହାସଲ କରିବା ପାଇଁ ଆମେ ସେନସରଗୁଡ଼ିକର ମିଶ୍ରଣକୁ ଅନୁସନ୍ଧାନ କରୁଛୁ । 1 ପ୍ରାରମ୍ଭିକ ବିବରଣୀ ପରିଦୃଶ୍ୟ ହେଉଛି "ଯାହାକି କିଛି ଅନ୍ୟକୁ ଘେରି ରହିଛି ଏବଂ ଅର୍ଥ ପ୍ରଦାନ କରୁଛି" = । ସୂଚନା ପ୍ରକ୍ରିଯା ଓ ସଂଚାରକୁ ଯେଉଁ ପରିସ୍ଥିତିରେ ଏହି ପ୍ରକ୍ରିଯା ହୁଏ ତାହାର ଦିଗ ସହିତ ଯୋଡିବା ପାଇଁ କମ୍ପ୍ଯୁଟର ବିଜ୍ଞାନର ବିଭିନ୍ନ କ୍ଷେତ୍ର ଗତ 40 ବର୍ଷ ଧରି ଏହି ଧାରଣାକୁ ଅନୁସନ୍ଧାନ କରିଆସୁଛନ୍ତି । ବିଶେଷକରି, ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣରେ ଏବଂ ସାଧାରଣ ଭାବରେ ମାନବ-କମ୍ପ୍ୟୁଟର ପାରସ୍ପରିକ କ୍ରିୟାରେ ପ୍ରସଙ୍ଗ ଏକ ପ୍ରମୁଖ ଧାରଣା । ଉଦାହରଣ ସ୍ୱରୂପ, ଅତ୍ୟାଧୁନିକ ଗ୍ରାଫିକାଲ ୟୁଜର ଇଣ୍ଟରଫେସଗୁଡ଼ିକ ପ୍ରସଙ୍ଗକୁ ବ୍ୟବହାର କରି ମେନୁଗୁଡ଼ିକୁ ପ୍ରସଙ୍ଗ ସହିତ ଖାପ ଖୁଆଇଥାଏ ଯେପରିକି ବ୍ୟବହାରକାରୀ ପସନ୍ଦ ଏବଂ ସଂଳାପ ସ୍ଥିତି । ଏକ ନୂଆ କ୍ଷେତ୍ର, ଯେଉଁଠାରେ ବର୍ତ୍ତମାନ ସମୟରେ ଅଧିକ ଧ୍ୟାନ ଦିଆଯାଉଛି, ତାହା ହେଉଛି ମୋବାଇଲ କମ୍ପ୍ୟୁଟିଂ । ମୋବାଇଲ କମ୍ପ୍ୟୁଟିଂର ପ୍ରଥମ ତରଙ୍ଗ ପୋର୍ଟେବଲ ଜେନେରାଲ ପରପୋଜ କମ୍ପ୍ୟୁଟର ଉପରେ ଆଧାରିତ ଥିଲା ଏବଂ ମୁଖ୍ୟତଃ ଅବସ୍ଥାନ ସ୍ୱଚ୍ଛତା ଉପରେ ଧ୍ୟାନ ଦେଇଥିଲା, ଦ୍ୱିତୀୟ ତରଙ୍ଗ ବର୍ତ୍ତମାନ ଅଲଟ୍ରା-ମୋବାଇଲ ଡିଭାଇସ ଉପରେ ଆଧାରିତ ଏବଂ ଏହାର ଆଖପାଖ ବ୍ୟବହାରର ପରିସ୍ଥିତି ସହିତ ଜଡିତ ଏକ ଆଗ୍ରହ ଉପରେ ଆଧାରିତ । ଅଲଟ୍ରା-ମୋବାଇଲ ଡିଭାଇସ ହେଉଛି ଛୋଟ ମୋବାଇଲ କମ୍ପ୍ୟୁଟରର ଏକ ନୂତନ ଶ୍ରେଣୀ, ଯାହା କମ୍ପ୍ୟୁଟିଂ ଡିଭାଇସ ଭାବରେ ପରିଭାଷିତ ହୋଇଥାଏ ଯାହା କାର୍ଯ୍ୟକ୍ଷମ ଏବଂ ଚାଲି ଚାଲି ଚାଲିଥାଏ, ଏବଂ ସାଧାରଣ ଉଦ୍ଦେଶ୍ୟ କମ୍ପ୍ୟୁଟିଂରୁ କାର୍ଯ୍ୟ-ନିର୍ଦ୍ଦିଷ୍ଟ ସମର୍ଥନକୁ ସ୍ଥାନାନ୍ତରିତ ହେବା ଦ୍ୱାରା ବର୍ଣ୍ଣିତ ହୋଇଥାଏ । ଅତି-ମୋବାଇଲ ଉପକରଣଗୁଡ଼ିକ ମଧ୍ୟରେ ରହିଛି, ଉଦାହରଣ ସ୍ୱରୂପ, ବ୍ୟକ୍ତିଗତ ଡିଜିଟାଲ ସହାୟକ (ପିଡିଏ), ମୋବାଇଲ ଫୋନ୍ ଏବଂ ପୋଷାକ ପରିଧାନ ଯୋଗ୍ୟ କମ୍ପ୍ୟୁଟର । ମୋବାଇଲ କମ୍ପ୍ୟୁଟିଂରେ ପ୍ରସଙ୍ଗ-ସଚେତନତାର ଏକ ପ୍ରାଥମିକ ଚିନ୍ତା ହେଉଛି ଉପଭୋକ୍ତା ଏବଂ ସେମାନଙ୍କର ଅଲଟ୍ରା-ମୋବାଇଲ ଡିଭାଇସକୁ ଘେରି ରହିଥିବା ଭୌତିକ ପରିବେଶ ବିଷୟରେ ସଚେତନତା । ନିକଟରେ କରାଯାଇଥିବା କାର୍ଯ୍ୟରେ, ଏହି ଚିନ୍ତାର ସମାଧାନ ସ୍ଥାନ-ସଚେତନତାର କାର୍ଯ୍ୟକାରିତା ଦ୍ୱାରା କରାଯାଇଛି, ଉଦାହରଣ ସ୍ୱରୂପ ଗ୍ଲୋବାଲ ପୋଜିସନିଂ ଆଧାରିତ, କିମ୍ବା ବିକନଗୁଡ଼ିକର ବ୍ୟବହାର । ଅବସ୍ଥାନ ... |
62edb6639dc857ad0f33e5d8ef97af89be7a3bc7 | ଏକ କାର୍ଯ୍ୟାଳୟ ପରିବେଶରେ ଲୋକମାନଙ୍କ ଅବସ୍ଥାନ ପାଇଁ ଏକ ନୂତନ ପ୍ରଣାଳୀ ବର୍ଣ୍ଣନା କରାଯାଇଛି । କର୍ମଚାରୀମାନେ ବ୍ୟାଜ୍ ପିନ୍ଧିଥାନ୍ତି ଯାହା ସେନ୍ସର ନେଟୱର୍କ ମାଧ୍ୟମରେ ଏକ କେନ୍ଦ୍ରୀକୃତ ଅବସ୍ଥାନ ସେବାକୁ ସେମାନଙ୍କ ଅବସ୍ଥାନ ବିଷୟରେ ସୂଚନା ପ୍ରଦାନ କରୁଥିବା ସିଗନାଲ୍ ପଠାଇଥାଏ । ଏହି କାଗଜରେ ବିକଳ୍ପ ସ୍ଥାନ ନିର୍ଦ୍ଧାରଣ କୌଶଳ, ସିଷ୍ଟମ ଡିଜାଇନ ସମସ୍ୟା ଏବଂ ପ୍ରୟୋଗ, ବିଶେଷ କରି ଟେଲିଫୋନ କଲ ରୁଟିଙ୍ଗ ସମ୍ବନ୍ଧୀୟ ବିଷୟ ଉପରେ ମଧ୍ୟ ଆଲୋଚନା କରାଯାଇଛି । ଅବସ୍ଥାନ ବ୍ୟବସ୍ଥାରେ ବ୍ୟକ୍ତିର ଗୋପନୀୟତା ପ୍ରତି ଚିନ୍ତା ବଢ଼ିଥାଏ ଏବଂ ଏହି ସମସ୍ୟାଗୁଡ଼ିକର ସମାଧାନ ମଧ୍ୟ କରାଯାଇଥାଏ । |
a332fa84fb865fac25e9c7cf0c18933303a858d0 | ଚିକିତ୍ସା କ୍ଷେତ୍ରରେ ବ୍ୟବହାର ପାଇଁ ମାଇକ୍ରୋୱେଭ ଟମୋଗ୍ରାଫିକ ଇମେଜିଂ ସିଷ୍ଟମର ବିକାଶରେ ବିଗତ ବର୍ଷମାନଙ୍କରେ ଉଲ୍ଲେଖନୀୟ ଅଗ୍ରଗତି ହୋଇଛି । ଶିଳ୍ପ କ୍ଷେତ୍ରରେ ଉପଯୁକ୍ତ ମାଇକ୍ରୋୱେଭ୍ ଇମେଜିଂ ସିଷ୍ଟମ ଡିଜାଇନ୍ କରିବା ଏବଂ ଉତ୍ପାଦିତ ପ୍ରତିଛବିକୁ ବ୍ୟାଖ୍ୟା କରିବା ପାଇଁ, ଇମେଜିଂ ଅଧୀନରେ ଥିବା ସାମଗ୍ରୀର ଗୁଣବତ୍ତା ଆବଶ୍ୟକ । ଏହି ଅଧ୍ୟୟନରେ ଆମେ 400MHzରୁ 20GHz ମଧ୍ୟରେ ଫ୍ରିକ୍ୱେନ୍ସିରେ ତରଳ ପଦାର୍ଥର ଡାଏଲେକ୍ଟ୍ରିକ୍ ଗୁଣ ମାପିବା ପାଇଁ ଖୋଲା ଆକାରର ସମକକ୍ଷ ଯନ୍ତ୍ରର ବ୍ୟବହାର ବିଷୟରେ ବର୍ଣ୍ଣନା କରିଛୁ । ମିଶ୍ରା-ବ୍ଲାକହମ ମଡେଲ ବ୍ୟବହାର କରି ବିଭିନ୍ନ ପ୍ରକାରର ଲବଣୀୟତା ଥିବା ଜଳ ସମେତ ବିଭିନ୍ନ ତରଳ ପଦାର୍ଥ ପାଇଁ ପ୍ରାପ୍ତ ଫଳାଫଳକୁ ସାହିତ୍ୟରେ ପ୍ରକାଶିତ ଫଳାଫଳ ସହିତ ତୁଳନା କରାଯାଇଛି । ଖାସକରି ଲବଣ ଜଳ ପାଇଁ, ସର୍ବନିମ୍ନ କ୍ଷତିର ବାରମ୍ବାରତା ଲବଣତା ଉପରେ ନିର୍ଭର କରେ । ଏହା ୧.୫GHzରୁ ପରିବର୍ତ୍ତନ ହୋଇପାରେ ୦.୨% NaClକୁ ମିଶାଇବା ପାଇଁ ଏବଂ ୭GHzରୁ ୩.୫% NaClକୁ ମିଶାଇବା ପାଇଁ । ପରମିଟିଭିଟିର ବାସ୍ତବିକ ଅଂଶ ମଧ୍ୟ ପ୍ରାୟ ୫୦% ପରିବର୍ତ୍ତନ ହୋଇପାରେ ୪୦୦MHz ରୁ ୨୦GHz ପର୍ଯ୍ୟନ୍ତ । |
c02fd0b0ad018556de5f9cddcccdf813c8fbb0f8 | ଦୂରଦର୍ଶନ ବର୍ଗୀକରଣ ସମସ୍ୟା ପାଇଁ ଉଚ୍ଚ-ବିଚାରିତ ଉପଗ୍ରହ ଚିତ୍ରର ବ୍ୟବହାର ବୃଦ୍ଧି ପାଇଛି । ଏହି ପ୍ରକାରର ତଥ୍ୟର ଉପଲବ୍ଧତା ହେଉଛି ଏକ ମୁଖ୍ୟ କାରଣ । ଏହି ପଶୁମାନଙ୍କର ବହୁଳ ଉପଲବ୍ଧତା ସତ୍ତ୍ୱେ, ଜେବ୍ରା କ୍ରସିଂର ବର୍ଗୀକରଣ ସମସ୍ୟା ଉପରେ ବହୁତ କମ୍ ପ୍ରୟାସ କରାଯାଇଛି । ଏହି ଚିଠିରେ, କ୍ରାଉଡସୋର୍ସିଂ ସିଷ୍ଟମକୁ ବ୍ୟବହାର କରାଯାଇଥାଏ, ଯାହାଦ୍ୱାରା ପାଦଚଲା ରାସ୍ତା ପାର ହେବା ଭଳି କାର୍ଯ୍ୟ ପାଇଁ ଏକ ବଡ଼ ଆକାରର ସାଟେଲାଇଟ ଇମେଜ ଡାଟାବେସର ସ୍ୱୟଂଚାଳିତ ଅଧିଗ୍ରହଣ ଏବଂ ଏନାଟୋସନ ସମ୍ଭବ ହୋଇପାରିବ । ଏହାପରେ ଏହି ଡାଟା ସେଟକୁ ଡିପ୍ ଲର୍ଣ୍ଣିଂ ଆଧାରିତ ମଡେଲକୁ ତାଲିମ ଦେବା ପାଇଁ ବ୍ୟବହାର କରାଯାଏ ଯାହାଦ୍ୱାରା ସେଟଲାଇଟ୍ ଇମେଜରେ ଜେବ୍ରା କ୍ରସିଂ ଥିବା ବା ନଥିବା ସଠିକ୍ ଭାବରେ ବର୍ଗୀକୃତ କରାଯାଇପାରିବ । ଏହି ପରୀକ୍ଷଣରେ 3ଟି ମହାଦେଶ, 9ଟି ଦେଶ ଏବଂ 20ରୁ ଅଧିକ ସହରର 240000ରୁ ଅଧିକ ଚିତ୍ର ସହିତ ଏକ ନୂତନ ତଥ୍ୟ ସେଟ୍ ବ୍ୟବହାର କରାଯାଇଥିଲା । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳରୁ ଜଣାପଡିଛି ଯେ ମୁକ୍ତ ଭାବରେ ଉପଲବ୍ଧ କ୍ରାଉଡସୋର୍ସିଂ ତଥ୍ୟକୁ ବିଶ୍ୱସ୍ତରରେ କ୍ରସୱାକ ବର୍ଗୀକରଣ କରିବା ପାଇଁ ଦୃଢ ମଡେଲକୁ ସଠିକ୍ ଭାବରେ (97.11%) ତାଲିମ ଦେବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ । |
c14dff27746b49bea3c5f68621261f266a766461 | |
f32d9a72d51f6db6ec26f0209be73dd3c400b42e | କେତେକ ଅସ୍ତ୍ରଶସ୍ତ୍ରକୁ ନିଷିଦ୍ଧ କରିବା ପାଇଁ ଏକ ୧୦-ଦଫା ଯୋଜନା ପ୍ରସ୍ତୁତ କରିବା । |
bbbd015155bbe5098aad6b49a548e9f3570e49ec | ଏହି ପତ୍ରିକାରେ ଚେହେରା ଚିହ୍ନଟ ପାଇଁ ଏକ ନୂଆ ଗାବର-ଫିଶର (୧୯୩୬) ଶ୍ରେଣୀକରଣ (ଜିଏଫସି) ର ପ୍ରଚଳନ କରାଯାଇଛି । ଆଲୋକ ଏବଂ ଚେହେରା ଅଭିବ୍ୟକ୍ତିରେ ପରିବର୍ତ୍ତନ ପାଇଁ ଦୃଢ ଥିବା GFC ପଦ୍ଧତି, ଚେହେରା ପ୍ରତିଛବିର ଗାବୋର ୱେଭଲେଟ୍ ଉପସ୍ଥାପନାରୁ ପ୍ରାପ୍ତ ଏକ ଆଗୁମେଣ୍ଟେଡ୍ ଗାବୋର ଫିଚର ଭେକ୍ଟର ପାଇଁ ଉନ୍ନତ ଫିଶର୍ ରେଖୀ ଭେଦଭାବ ମଡେଲ (EFM) ପ୍ରୟୋଗ କରେ । ଏହି କାଗଜର ନୂତନତା ହେଉଛି 1) ଏକ ବୃଦ୍ଧି ପାଇଥିବା ଗାବୋର ଫିଚର ଭେକ୍ଟରର ଉତ୍ପତ୍ତି, ଯାହାର ଆକାର ଇଏଫଏମ ବ୍ୟବହାର କରି ଉଭୟ ଡାଟା ସଙ୍କୋଚନ ଏବଂ ସ୍ୱୀକୃତି (ସର୍ବସାଧାରଣକରଣ) କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ବିଚାର କରି ହ୍ରାସ କରାଯାଇଛି; 2) ବହୁ-ଶ୍ରେଣୀ ସମସ୍ୟା ପାଇଁ ଏକ ଗାବୋର-ଫିଶର୍ ବର୍ଗୀକରଣର ବିକାଶ; ଏବଂ 3) ବ୍ୟାପକ କାର୍ଯ୍ୟଦକ୍ଷତା ମୂଲ୍ୟାଙ୍କନ ଅଧ୍ୟୟନ _ ବିଶେଷକରି ଆମେ ବିଭିନ୍ନ ଶ୍ରେଣୀଭୁକ୍ତକାରୀମାନଙ୍କ ପାଇଁ ପ୍ରୟୋଗ କରାଯାଇଥିବା ବିଭିନ୍ନ ସମାନତା ମାପଦଣ୍ଡର ତୁଳନାତ୍ମକ ଅଧ୍ୟୟନ କରିଛୁ । ଆମେ ବିଭିନ୍ନ ଚେହେରା ଚିହ୍ନଟ ପଦ୍ଧତିର ତୁଳନାତ୍ମକ ପରୀକ୍ଷାମୂଳକ ଅଧ୍ୟୟନ ମଧ୍ୟ କରିଛୁ, ଯେଉଁଥିରେ ଆମର ନୂଆ GFC ପଦ୍ଧତି, ଗାବୋର ୱେଭଲେଟ ପଦ୍ଧତି, ଆପେକ୍ଷିକ ପଦ୍ଧତି, ଫିଶରଫେସ ପଦ୍ଧତି, ଇଏଫଏମ ପଦ୍ଧତି, ଗାବୋର ଏବଂ ଆପେକ୍ଷିକ ପଦ୍ଧତିର ମିଶ୍ରଣ, ଏବଂ ଗାବୋର ଏବଂ ଫିଶରଫେସ ପଦ୍ଧତିର ମିଶ୍ରଣ ଅନ୍ତର୍ଭୁକ୍ତ । ନୂଆ ଜିଏଫସି ପଦ୍ଧତିର କାର୍ଯ୍ୟକାରିତା ବିଷୟରେ ଚେହେରା ଚିହ୍ନଟ କ୍ଷେତ୍ରରେ ସଫଳତାର ସହ ପରୀକ୍ଷଣ କରାଯାଇଛି । ଏଥିରେ 200 ଜଣ ବ୍ୟକ୍ତିଙ୍କ 600ଟି ଫେରେଟ ସମ୍ମୁଖ ଚେହେରା ଚିତ୍ର ବ୍ୟବହାର କରାଯାଇଛି । ଏହି ନୂଆ ଜିଏଫସି ପଦ୍ଧତି କେବଳ ୬୨ଟି ବୈଶିଷ୍ଟ୍ୟ ବ୍ୟବହାର କରି ଚେହେରା ଚିହ୍ନଟ କ୍ଷେତ୍ରରେ ଶତପ୍ରତିଶତ ସଠିକତା ହାସଲ କରିଛି । |
0160ec003ae238a98676b6412b49d4b760f63544 | ଆମେ ଏକ ଅଣ-ଅନୁଧ୍ୟାନିତ କୌଶଳ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ଦୃଶ୍ୟ ଶିକ୍ଷଣ ପାଇଁ ଉଦ୍ଦିଷ୍ଟ, ଯାହାକି ଏକ ଆଇଜିନସ୍ପେସ୍ ବିଭାଜନ ବ୍ୟବହାର କରି ଉଚ୍ଚ-ଆକାରର ସ୍ଥାନଗୁଡ଼ିକରେ ଘନତା ଆକଳନ ଉପରେ ଆଧାରିତ । ତାଲିମ ତଥ୍ୟକୁ ମଡେଲିଂ କରିବା ପାଇଁ ଦୁଇ ପ୍ରକାରର ଘନତା ଆକଳନ କରାଯାଏ: ଏକ ବହୁ-ବିଭାଜନ ଗୌସୀୟ (ଅନିମୋଡାଲ ବଣ୍ଟନ ପାଇଁ) ଏବଂ ଏକ ମିଶ୍ରଣ-ଗୌସୀୟ ମଡେଲ (ମଲ୍ଟିମୋଡାଲ ବଣ୍ଟନ ପାଇଁ) । ଏହି ସମ୍ଭାବ୍ୟତା ଘନତ୍ୱକୁ ଏକ ସର୍ବାଧିକ ସମ୍ଭାବ୍ୟତା ଆକଳନ ଫ୍ରେମୱାର୍କକୁ ପ୍ରସ୍ତୁତ କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଏ ଯାହା ଭିଜୁଆଲ ସର୍ଚ୍ଚ ଏବଂ ସ୍ୱୟଂଚାଳିତ ବସ୍ତୁ ଚିହ୍ନଟ ଏବଂ କୋଡିଂ ପାଇଁ ଲକ୍ଷ୍ୟ ଚିହ୍ନଟ ପାଇଁ ବ୍ୟବହାର କରାଯାଇଥାଏ । ଆମର ଶିକ୍ଷଣ କୌଶଳ ମାନବ ଚେହେରା ଏବଂ ଅଣ-କଠିନ ବସ୍ତୁ, ଯେପରିକି ହାତର ସମ୍ଭାବ୍ୟତା ଦୃଷ୍ଟିରୁ ମଡେଲିଂ, ଚିହ୍ନଟ, ଚିହ୍ନଟ ଏବଂ କୋଡିଂ ପାଇଁ ପ୍ରୟୋଗ କରାଯାଏ । |
ac2c955a61002b674bd104b91f89087271fc3b8e | ଏହି କାଗଜରେ ଏକ ବହୁସ୍ତରୀୟ ବସ୍ତୁତ୍ୱ ଶକ୍ତି କାରକ ସଂଶୋଧନ (ପିଏଫସି) ରେକ୍ଟିଫାୟର ଉପସ୍ଥାପିତ କରାଯାଇଛି ଯାହା କାସକେଡ ନିୟନ୍ତ୍ରକ ଏବଂ ମଲ୍ଟି-କ୍ୟାରିୟର ଇମ୍ପଲ୍ସ ଚଉଡା ମଡ୍ୟୁଲେସନ୍ କୌଶଳ ଦ୍ୱାରା ନିୟନ୍ତ୍ରିତ । ଉପସ୍ଥାପିତ ଟପୋଲୋଜିରେ ସମାନ ତୁଳନାରେ କମ୍ ସକ୍ରିୟ ସେମିକଣ୍ଡକ୍ଟର ସୁଇଚ୍ ଅଛି ଯାହା ଆବଶ୍ୟକ ଗେଟ୍ ଡ୍ରାଇଭ୍ ସଂଖ୍ୟା ହ୍ରାସ କରିଥାଏ ଯାହା ଉତ୍ପାଦିତ ବକ୍ସକୁ ଯଥେଷ୍ଟ ହ୍ରାସ କରିବ । ଏକ ସରଳ ନିୟନ୍ତ୍ରକକୁ ଅଧ୍ୟୟନ କରାଯାଇଥିବା କନ୍ଭର୍ଟରରେ କାର୍ଯ୍ୟକାରୀ କରାଯାଇଛି ଯାହାଦ୍ୱାରା ଏକ ସ୍ଥିର ଭୋଲଟେଜ ସୃଷ୍ଟି କରାଯାଇଥାଏ, ସେହି ସମୟରେ ପାଞ୍ଚ ସ୍ତରର ଭୋଲଟେଜ ୱେଭଫର୍ମ ସୃଷ୍ଟି କରାଯାଇଥାଏ, ଯାହା ସିସି ବସ କାଣ୍ଡେସିଟରର ନିରପେକ୍ଷ ପଏଣ୍ଟ ସହିତ ଲୋଡକୁ ସଂଯୋଗ ନକରି ଇନପୁଟରେ ସୃଷ୍ଟି କରାଯାଇଥାଏ । ଏକ ନିର୍ଦ୍ଧିଷ୍ଟ ସ୍ବିଚ୍ ଫ୍ରିକ୍ୱେନ୍ସିରେ ନିୟନ୍ତ୍ରଣ ସିଗନାଲ୍ ରୁ ସୁଇଚ୍ ଇମ୍ପଲ୍ସ ଉତ୍ପାଦନ କରିବା ପାଇଁ ମଲ୍ଟି-କ୍ୟାରିୟର ପଲ୍ସ-ବିଡଥ୍ ମୋଡ୍ୟୁଲେସନ୍ କୌଶଳ ବ୍ୟବହାର କରାଯାଇଛି । ବହୁସ୍ତରୀୟ ଭୋଲଟେଜ ତରଙ୍ଗର ଆକୃତିର ହାର୍ମୋନିକ୍ସକୁ ବ୍ୟାପକ ଭାବରେ ବିଶ୍ଳେଷଣ କରାଯାଇଛି ଯାହା ଇନପୁଟ କରେଣ୍ଟର ହାର୍ମୋନିକ୍ସ ବିଷୟବସ୍ତୁ ଏବଂ ଆବଶ୍ୟକୀୟ ଫିଲ୍ଟରର ଆକାରକୁ ସିଧାସଳଖ ପ୍ରଭାବିତ କରିଥାଏ । ସମ୍ପୂର୍ଣ୍ଣ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ପ୍ରସ୍ତାବିତ ପାଞ୍ଚସ୍ତରୀୟ ପିଏଫସି ବୁଷ୍ଟ ରେକ୍ଟିଫାୟରର ଉତ୍ତମ ଗତିଶୀଳ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଏସି ଗ୍ରୀଡରୁ ଡିସି ଭାରକୁ ବିଦ୍ୟୁତ ଯୋଗାଣରେ ନିଶ୍ଚିତ କରିଥାଏ ଏବଂ ଏସି ପାର୍ଶ୍ୱରେ ପାୱାର ଫ୍ୟାକ୍ଟରକୁ ସଂଶୋଧନ କରିବା ସହିତ ବର୍ତ୍ତମାନର ହାର୍ମୋନିକକୁ ଉଲ୍ଲେଖନୀୟ ଭାବରେ ହ୍ରାସ କରିଥାଏ । |
c2fafa93bd9b91ede867d4979bc747334d989040 | ଆଙ୍ଗୁଠିର ଚିହ୍ନଟ ପ୍ରଣାଳୀରେ ଅଙ୍ଗୁଠିର ଚିହ୍ନଟ ପ୍ରଣାଳୀରେ ଅଙ୍ଗୁଠିର ଚିହ୍ନଟ ପ୍ରଣାଳୀରେ ଅଙ୍ଗୁଠିର ଚିହ୍ନଟ ପ୍ରଣାଳୀରେ ଅଙ୍ଗୁଠିର ଚିହ୍ନଟ ପ୍ରଣାଳୀରେ ଅଙ୍ଗୁଠିର ଚିହ୍ନଟ ପ୍ରଣାଳୀରେ ଅଙ୍ଗୁଠିର ଚିହ୍ନଟ ପ୍ରଣାଳୀରେ ଅଙ୍ଗୁଠିର ଚିହ୍ନଟ ପ୍ରଣାଳୀରେ ଅଙ୍ଗୁଠିର ଚିହ୍ନଟ ପ୍ରଣାଳୀରେ ଅଙ୍ଗୁଠିର ଚିହ୍ନଟ ପ୍ରଣାଳୀରେ ଅଙ୍ଗୁଠିର ଚିହ୍ନଟ ପ୍ରଣାଳୀରେ ଅଙ୍ଗୁଠିର ଚିହ୍ନଟ ପ୍ରଣାଳୀରେ ଅଙ୍ଗୁଠିର ଚିହ୍ନଟ ପ୍ରଣାଳୀରେ ଅଙ୍ଗୁଠିର ଚିହ୍ନଟ ପ୍ରଣାଳୀରେ ଅଙ୍ଗୁଠିର ଚିହ୍ନଟ ପ୍ରଣାଳୀରେ ଅଙ୍ଗୁଠିର ଚିହ୍ନଟ ପ୍ରଣାଳୀରେ ଅଙ୍ଗୁଠିର ଚିହ୍ନଟ ପ୍ରଣାଳୀରେ ଅଙ୍ଗୁଠିର ଚିହ୍ନଟ ପ୍ରଣାଳୀରେ ଅଙ୍ଗୁଠିର ଚିହ୍ନଟ ପ୍ରଣାଳୀରେ ଅଙ୍ଗୁଠିର ଚିହ୍ନଟ ପ୍ରଣାଳୀରେ ଅଙ୍ଗୁଠିର ଚିହ୍ନଟ ପ୍ରଣାଳୀରେ ଅଙ୍ଗୁଠିର ଚିହ୍ନଟ ପ୍ରଣାଳୀରେ ଅଙ୍ଗୁଠିର ଚିହ୍ନଟ କରାଯାଇଥାଏ । ଅଧିକାଂଶ ବର୍ତ୍ତମାନର କ୍ଷୁଦ୍ର ତତ୍ତ୍ବ ଉତ୍ତୋଳନ ପଦ୍ଧତିଗୁଡ଼ିକ ହାତ ନିର୍ଦ୍ଧାରିତ ପ୍ରାକ-ପ୍ରକ୍ରିୟା ଯଥା ବାଇନାରିଜେସନ, ଥାଇନାଇଜେସନ ଏବଂ ଏନ୍ହାନସମେଂଟ ଉପରେ ଆଧାରିତ । କିନ୍ତୁ ଏହି ସମସ୍ତ ପ୍ରକ୍ରିୟା ପାଇଁ ଦୃଢ଼ ପୂର୍ବ ଜ୍ଞାନର ଆବଶ୍ୟକତା ରହିଛି ଏବଂ ଏହା ସବୁବେଳେ କ୍ଷୟକ୍ଷତିପୂର୍ଣ୍ଣ କାର୍ଯ୍ୟ। ଏବଂ ଏହାଦ୍ୱାରା କ୍ଷୁଦ୍ର ବିଷୟର ଅବହେଳା କିମ୍ବା ଭୁଲ ତଥ୍ୟ ପ୍ରାପ୍ତ ହେବ । ଏହି କାଗଜରେ, ଗଭୀର କଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଉପରେ ଆଧାରିତ ଏକ ନୂଆ ମିନିଟାଇଟ୍ ଏକ୍ସଟ୍ରାକ୍ସନ ଆଭିମୁଖ୍ୟ ପ୍ରସ୍ତାବିତ କରାଯାଇଛି, ଯାହା ସିଧାସଳଖ ଅଶୋଧିତ ଆଙ୍ଗୁଠି ଛବି ଉପରେ ମିନିଟାଇଟ୍ ବାହାର କରିଥାଏ, କୌଣସି ପ୍ରାରମ୍ଭିକ ପ୍ରକ୍ରିୟାକରଣ ବିନା, ଯେହେତୁ ଆମେ ଗଭୀର କଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କର ଦୃଢ଼ ପ୍ରତିନିଧିତ୍ୱ କ୍ଷମତାକୁ ବ୍ୟବହାର କରିଥାଉ । ଭଲ ଭାବରେ ଡିଜାଇନ ହୋଇଥିବା ସ୍ଥାପତ୍ୟ କାରଣରୁ ମିନିଟିଆକୁ ପ୍ରଭାବୀ ଢଙ୍ଗରେ ବାହାର କରାଯାଇପାରିବ । ଏହା ସହିତ, ଏହାର ସଠିକତା ସୁନିଶ୍ଚିତ କରାଯାଇଛି କାରଣ ଏହାଦ୍ୱାରା କୌଣସି ମିଥ୍ୟା ତଥ୍ୟ ନଥିବା ପରି ଜଣାପଡ଼ିବ । ଏହାବ୍ୟତୀତ, ଅଧିକ ଫିଟ୍ ନହେବା ପାଇଁ ଏବଂ ଦୃଢ଼ତା ବୃଦ୍ଧି କରିବା ପାଇଁ ଅନେକ ଉପକରଣ ବ୍ୟବହାର କରାଯାଇଥାଏ । ଏହି ପଦ୍ଧତି ଭଲ ପ୍ରଦର୍ଶନ କରୁଛି କାରଣ ଏହା କେବଳ ଆଙ୍ଗୁଠିର ଛବିରେ ଥିବା ସମସ୍ତ ସୂଚନାକୁ ବ୍ୟବହାର କରେ ନାହିଁ ବରଂ ବଡ଼ ପରିମାଣର ତଥ୍ୟରୁ ବିସ୍ତୃତ ମଡେଲ ମଧ୍ୟ ଶିଖେ । ପୂର୍ବ କାର୍ଯ୍ୟ ଏବଂ ବହୁଳ ଭାବେ ବ୍ୟବହୃତ ବ୍ୟବସାୟିକ ଆଙ୍ଗୁଠି ଚିହ୍ନଟ ପ୍ରଣାଳୀ ସହିତ ତୁଳନା କରାଯାଇଛି । ଫଳାଫଳରୁ ଜଣାପଡ଼ୁଛି ଯେ ଆମର ଏହି ପଦ୍ଧତି ଉଭୟ ସଠିକତା ଏବଂ ଦୃଢ଼ତା ଦୃଷ୍ଟିରୁ ଅଧିକ ଫଳପ୍ରଦ । |
36b0ba31eb7489772616ea9d5bd789483d494e93 | ନୂତନ ନିୟମଗୁଡିକରେ ପାୱାର କନ୍ଭର୍ଟର ଦ୍ୱାରା ଇଞ୍ଜେକ୍ଟ ହୋଇଥିବା କରେଣ୍ଟ ହାର୍ମୋନିକ ଉପରେ ଅଧିକ କଠୋର ସୀମା ଧାର୍ଯ୍ୟ କରାଯାଇଛି ଯାହା ପାୱାର ବ୍ରାଇଡଥ୍ ମୋଡ୍ୟୁଲେଟେଡ୍ (ପିଡବ୍ଲୁଏମ୍) ରେକ୍ଟିଫାୟର ଦ୍ୱାରା ହାସଲ କରାଯାଇଥାଏ । ଏହାବ୍ୟତୀତ ଅନେକ ପ୍ରୟୋଗରେ ବିଦ୍ୟୁତ ଯୋଗାଣରେ ଶକ୍ତି ପୁନଃଉଦ୍ଧାରର କ୍ଷମତା ଆବଶ୍ୟକ ହୋଇଥାଏ । ଏହି କାର୍ଯ୍ୟରେ କମ ଇନପୁଟ ହାର୍ମୋନିକ ଏବଂ ଉନ୍ନତ ଶକ୍ତି କାରକ ସହିତ ପୁନଃଉତ୍ପାଦନ ସଠିକିକରଣ କ୍ଷେତ୍ରରେ କଳାର ସ୍ଥିତିକୁ ଉପସ୍ଥାପନ କରାଯାଇଛି । ପୁନଃଉତ୍ପାଦନ ସଠିକିକରଣକାରୀମାନେ ଡିସି ପାର୍ଶ୍ୱରୁ ଏସି ପାୱାର ସପ୍ଲାଏକୁ ଶକ୍ତି ଫେରାଇ ପାରିବେ । ଏକକ ଓ ତ୍ରି-ପର୍ଯ୍ୟାୟ ଶକ୍ତି ଯୋଗାଣ ପାଇଁ ଟପୋଲୋଜିକୁ ସେମାନଙ୍କର ନିୟନ୍ତ୍ରଣ ରଣନୀତି ସହିତ ବିଚାର କରାଯାଏ । ଭୋଲଟେଜ୍ ଏବଂ କରେଣ୍ଟ ସ୍ରୋତ ପିଡବ୍ଲୁଏମ୍ ରେକ୍ଟିଫାୟର୍ର ପ୍ରୟୋଗ ଉପରେ ବିଶେଷ ଧ୍ୟାନ ଦିଆଯାଉଛି । ଏହି ଅଧ୍ୟୟନରେ ଦର୍ଶାଯାଇଛି ଯେ ପିଡବ୍ଲୁଏମ ପୁନରୁଦ୍ଧାର ସଠିକିକରଣ ଏକ ଉଚ୍ଚ ବିକଶିତ ଏବଂ ପରିପକ୍ୱ ପ୍ରଯୁକ୍ତି ଯାହା ଶିଳ୍ପ କ୍ଷେତ୍ରରେ ବ୍ୟାପକ ଗ୍ରହଣୀୟତା ହାସଲ କରିଛି । |
7b8031213276b23060fbd17d1d7182835fc2e0c3 | ଏହି କାଗଜରେ ଏକ ସମନ୍ୱିତ ଫ୍ରିକ୍ୱେନ୍ସି ମଲ୍ଟିପ୍ଲିକେଟର ବର୍ଣ୍ଣନା କରାଯାଇଛି, ଯାହା ଏକ 130 ନନ୍ ମିଟର SiGe BiCMOS ଟେକ୍ନୋଲୋଜିରେ ଏକ ଗିଲବର୍ଟ ସେଲ୍ ଆଧାରିତ ଫ୍ରିକ୍ୱେନ୍ସି ଡବଲର୍ ଭାବରେ କାର୍ଯ୍ୟକାରୀ ହୋଇଛି । ଏହି ସର୍କିଟ 97-134GHzର 3 dB ବ୍ୟାଣ୍ଡୱିଡଥ୍ ପ୍ରଦର୍ଶନ କରିଥାଏ ଏବଂ 1 dBm ଇନପୁଟ୍ ପାୱାର ପାଇଁ 1 dBmର ପିକ୍ ଆଉଟପୁଟ୍ ପାୱାର ପ୍ରଦର୍ଶନ କରିଥାଏ । ଏକକ-ଅନ୍ତର ଆଉଟପୁଟରେ ମପାଯାଇଥିବା ମୌଳିକ ଦମନ 21 dBc ଠାରୁ ଭଲ ହୋଇଥିବା ବେଳେ ଫ୍ରିକ୍ୱେନ୍ସି ଡବଲର୍ 3.3V ସପ୍ଲାଇରୁ 69mW ଖର୍ଚ୍ଚ କରିଥାଏ । ଡବଲର୍ ପୂର୍ବରୁ ଏକ ଡିଫେରେନସିଆଲ୍ ଆମ୍ପଲିଫାୟର୍ ଥାଏ ଯାହା ଗିଲବର୍ଟ ସେଲ୍ ପାଇଁ ଡିଫେରେନସିଆଲ୍ ସିଗନାଲ୍ ସୃଷ୍ଟି କରିବା ପାଇଁ ଏକ ଆକ୍ଟିଭ୍ ବାଲୁନ୍ ଭାବରେ କାର୍ଯ୍ୟ କରିଥାଏ । |
2495ebdcb6da8d8c2e82cf57fcaab0ec003d571d | ଚିତ୍ରର ଏକ ବଡ଼ ଡାଟାସେଟକୁ ଦେଖି ଆମେ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଦୃଶ୍ୟମାନ ସମାନ ବସ୍ତୁ ଏବଂ ଦୃଶ୍ୟ ଶ୍ରେଣୀକୁ ସେମାନଙ୍କର ଚିତ୍ର ବିଭାଜନ ସହିତ ନିର୍ଣ୍ଣୟ କରିବାକୁ ଚେଷ୍ଟା କରୁ । ଏହାକୁ ହାସଲ କରିବା ପାଇଁ ଆମେ ଦୁଇଟି ଚିନ୍ତାଧାରାକୁ ମିଶାଇଥାଉ: (i) ଯେ ଏକ ସେଗମେଣ୍ଟେଟେଡ ବସ୍ତୁକୁ ଭିଜୁଆଲ ବସ୍ତୁ ଶ୍ରେଣୀରେ ବିଭକ୍ତ କରାଯାଇପାରିବ । ଏହି ଧାରଣାକୁ ଏକାଠି ଯୋଡ଼ିବା ପାଇଁ ଆମେ ପ୍ରତି ଛବିର ଏକାଧିକ ଭାଗକୁ ଗଣନା କରିଥାଉ ଏବଂ ତାପରେ: (i) ବସ୍ତୁ ଶ୍ରେଣୀକୁ ଶିଖିବା; ଏବଂ (ii) ସଠିକ୍ ଭାଗକୁ ବାଛିବା । ଆମେ ଦେଖାଇଛୁ ଯେ ଏହିପରି ଆଲଗୋରିଦମ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଅନେକ ପରିଚିତ ବସ୍ତୁକୁ ବିଭିନ୍ନ ପ୍ରକାରର ପ୍ରତିଛବି ଡାଟାସେଟରେ ଆବିଷ୍କାର କରିବାରେ ସଫଳ ହୁଏ, ଯେଉଁଥିରେ କ୍ୟାଲଟେକ୍, ଏମ୍ଏସ୍ଆରସି ଏବଂ ଲେବଲ୍ ମିର ତଥ୍ୟ ଅନ୍ତର୍ଭୁକ୍ତ । |
6d4e3616d0b27957c4107ae877dc0dd4504b69ab | ଏହି ଅଧ୍ୟୟନରେ ଆମେ ଭିଡିଓରେ ଥିବା ଅଶୋଧିତ ସ୍ପେସିଓ-ଟାଇମର୍ ସିଗନାଲ୍ ରୁ ଭିଜୁଆଲ୍ ପ୍ରତିନିଧିତ୍ୱ ଶିଖିବା ପାଇଁ ଏକ ଆଭିମୁଖ୍ୟ ଉପସ୍ଥାପନ କରୁଛୁ । ଆମ ପ୍ରତିନିଧିତ୍ୱ ବିନା ତତ୍ତ୍ୱାବଧାନରେ ସିମେଣ୍ଟିକ ଲେବଲରୁ ଶିଖିହୁଏ । ଆମେ ଆମର ପଦ୍ଧତିକୁ ଏକ ଅଣ-ପରଖିତ କ୍ରମିକ ଯାଞ୍ଚ କାର୍ଯ୍ୟ ଭାବରେ ପ୍ରସ୍ତୁତ କରିଥାଉ, ଅର୍ଥାତ୍, ଆମେ ନିର୍ଣ୍ଣୟ କରିଥାଉ ଯେ ଭିଡିଓରୁ ଫ୍ରେମର କ୍ରମ ସଠିକ୍ ସମୟ କ୍ରମରେ ଅଛି କି ନାହିଁ । ଏହି ସରଳ କାର୍ଯ୍ୟ ଏବଂ କୌଣସି ଅର୍ଥନୈତିକ ଲେବଲ୍ ବିନା, ଆମେ ଏକ କନଭୋଲ୍ୟୁସନାଲ୍ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ (ସିଏନ୍ଏନ୍) ବ୍ୟବହାର କରି ଏକ ଶକ୍ତିଶାଳୀ ଦୃଶ୍ୟ ପ୍ରତିନିଧିତ୍ୱ ଶିଖିଥାଉ । ପ୍ରତିନିଧିତ୍ୱରେ ଇମେଜନେଟ୍ ଭଳି ସୁପରଭାଇଜଡ୍ ଇମେଜ ଡାଟାସେଟରୁ ଶିକ୍ଷାଲାଭ କରିଥିବା ସୂଚନାକୁ ପରିପୂରକ ସୂଚନା ରହିଛି । ଗୁଣାତ୍ମକ ଫଳାଫଳରୁ ଜଣାପଡ଼େ ଯେ ଆମର ପଦ୍ଧତି ସୂଚନାକୁ ଧାରଣ କରିଥାଏ ଯାହା ସମୟାନୁସାରେ ପରିବର୍ତ୍ତନଶୀଳ, ଯେପରିକି ମାନବ ସ୍ଥିତି । ଯେତେବେଳେ କାର୍ଯ୍ୟର ଚିହ୍ନଟ ପାଇଁ ପ୍ରାକ୍ ପ୍ରଶିକ୍ଷଣ ଭାବେ ବ୍ୟବହାର କରାଯାଏ, ସେତେବେଳେ ଆମର ପଦ୍ଧତି ୟୁସିଏଫ୍ ୧୦୧ ଏବଂ ଏଚଏମଡିବି ୫୧ ପରି ବେଞ୍ଚମାର୍କ ଡାଟାସେଟ୍ ଉପରେ ବାହ୍ୟ ତଥ୍ୟ ବିନା ଶିକ୍ଷାଲାଭରେ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଲାଭ ଦେଇଥାଏ । ମାନବ ସ୍ଥିତି ପ୍ରତି ଏହାର ସମ୍ବେଦନଶୀଳତା ଦର୍ଶାଇବା ପାଇଁ, ଆମେ FLIC ଏବଂ MPII ଡାଟାସେଟରେ ସ୍ଥିତି ଆକଳନ ପାଇଁ ଫଳାଫଳ ଦେଖାଉଛୁ ଯାହା ପ୍ରତିଯୋଗୀତା କିମ୍ବା ଅଧିକ ତଦାରଖ ବ୍ୟବହାର କରୁଥିବା ଆଭିମୁଖ୍ୟ ଅପେକ୍ଷା ଭଲ ଅଟେ । ଆମର ଏହି ପଦ୍ଧତିକୁ ନିରୀକ୍ଷଣ ପ୍ରତିନିଧିତ୍ୱ ସହିତ ମିଶାଇ ଏହାର ସଠିକତା ବୃଦ୍ଧି କରାଯାଇପାରିବ । |
f226ec13e016943102eb7ebedab7cf3e9bef69b2 | |
f7ec4269303b4f5a4b4964a278a149a69f2a5910 | ରୋଗୀମାନଙ୍କ ଯତ୍ନ ଏବଂ ଭବିଷ୍ୟତର ଚିକିତ୍ସା ବିକାଶ ପାଇଁ ଆଲଜାଇମର ରୋଗର ସଠିକ ଏବଂ ପ୍ରାରମ୍ଭିକ ନିଦାନ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଭୂମିକା ଗ୍ରହଣ କରିଥାଏ । ଆଣ୍ଟିଜେନ ରୋଗ ସହ ଜଡ଼ିତ ଆନାଟୋମିକାଲ ଏବଂ ଫଙ୍କସନାଲ୍ ନ୍ୟୁରୋ ଇମେଜ୍, ଯେପରିକି ମ୍ୟାଗ୍ନେଟିକ୍ ରେଜୋନାନ୍ସ ଇମେଜ୍ (ଏମ୍ଆର୍ଆଇ) ଏବଂ ପୋଜିଟ୍ରନ୍ ଇମିସନ୍ ଟମୋଗ୍ରାଫି (ପିଇଟି) ଏଡ୍କୁ ବୁଝିବାରେ ସାହାଯ୍ୟ କରିବା ପାଇଁ ଶକ୍ତିଶାଳୀ ଇମେଜିଂ ମୋଡିଲିଟି ପ୍ରଦାନ କରୁଛି । ବିଗତ ବର୍ଷଗୁଡ଼ିକରେ, ଏଡର ପରିମାଣିକ ମୂଲ୍ୟାଙ୍କନ ଏବଂ କମ୍ପ୍ୟୁଟର ସହାୟକ-ପ୍ରାଥମିକ (ସିଏଡି) ପାଇଁ ମଲ୍ଟି-ମୋଡାଲିଟି ନ୍ୟୁରୋ-ଇମେଜର ବିଶ୍ଳେଷଣ ଉପରେ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ପଦ୍ଧତିଗୁଡ଼ିକର ବ୍ୟାପକ ଅଧ୍ୟୟନ କରାଯାଇଛି । ଅଧିକାଂଶ ପ୍ରଚଳିତ ପଦ୍ଧତି ରେ ରେଜିଷ୍ଟ୍ରେସନ ଏବଂ ସେଗମେଂଟେଶନ ଭଳି ଇମେଜ ପ୍ରି-ପ୍ରୋସେସିଂ ପରେ ହାତ ତିଆରି ଇମେଜିଂ ଫିଚର ବାହାର କରିନେଇଥାଏ ଏବଂ ତାପରେ ଅନ୍ୟ ଗ୍ରୁପରୁ ଏଡି ବିଷୟକୁ ଅଲଗା କରିବା ପାଇଁ ଏକ କ୍ଲାସିଫାୟର ଟ୍ରେନ କରିଥାଏ । ଏହି କାଗଜରେ ଏଡ ଶ୍ରେଣୀକରଣ ପାଇଁ ଏମଆରଆଇ ଏବଂ ପିଇଟି ବ୍ରେନ୍ ଇମେଜର ବହୁସ୍ତରୀୟ ଏବଂ ବହୁମୁଖୀ ବୈଶିଷ୍ଟ୍ୟ ଶିଖିବା ପାଇଁ କାସକେଡ୍ କଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ (ସିଏନଏନ୍) ନିର୍ମାଣ କରିବାକୁ ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି । ପ୍ରଥମେ, ସ୍ଥାନୀୟ ମସ୍ତିଷ୍କ ପ୍ରତିଛବିକୁ ଅଧିକ କମ୍ପାକ୍ଟ ଉଚ୍ଚସ୍ତରୀୟ ବୈଶିଷ୍ଟ୍ୟରେ ରୂପାନ୍ତରିତ କରିବା ପାଇଁ ବିଭିନ୍ନ ସ୍ଥାନୀୟ ପ୍ରତିଛବି ପ୍ୟାଚ୍ ଉପରେ ଏକାଧିକ ଗଭୀର 3D-CNNs ନିର୍ମାଣ କରାଯାଏ । ତାପରେ, ଏକ ଉଚ୍ଚ ସ୍ତରୀୟ 2D-CNN ଏବଂ ତାପରେ ସଫ୍ଟମାକ୍ସ ସ୍ତରକୁ କାସକେଡ୍ କରାଯାଇଥାଏ ଯାହା ମଲ୍ଟି-ମୋଡାଲିଟିରୁ ଶିଖାଯାଇଥିବା ଉଚ୍ଚ ସ୍ତରୀୟ ବ features ଶିଷ୍ଟ୍ୟକୁ ଏକତ୍ର କରିଥାଏ ଏବଂ ବର୍ଗୀକରଣ କାର୍ଯ୍ୟ ପାଇଁ ଅନୁରୂପ ପ୍ରତିଛବି ପ୍ୟାଚର ଲୁକ୍କାୟିତ ମଲ୍ଟିମୋଡାଲ୍ ସମ୍ବନ୍ଧୀୟ ବ features ଶିଷ୍ଟ୍ୟ ସୃଷ୍ଟି କରିଥାଏ _ ଶେଷରେ, ଏହି ଶିଖିଥିବା ବିଶେଷତ୍ୱଗୁଡ଼ିକୁ ଏକ ସଂପୂର୍ଣ୍ଣ ସଂଯୁକ୍ତ ସ୍ତର ଦ୍ୱାରା ଯୋଡା ଯାଇଥାଏ, ଯାହା ପରେ AD ଶ୍ରେଣୀକରଣ ପାଇଁ ସଫ୍ଟମାକ୍ସ ସ୍ତର ଦ୍ୱାରା ଅନୁସରଣ କରାଯାଇଥାଏ । ପ୍ରସ୍ତାବିତ ପଦ୍ଧତି ସ୍ୱୟଂଚାଳିତ ଭାବରେ ବର୍ଗୀକରଣ ପାଇଁ ଏକାଧିକ ଇମେଜିଂ ମୋଡାଲିଟିରୁ ଜେନେରିକ ମଲ୍ଟି ଲେଭଲ୍ ଏବଂ ମଲ୍ଟିମୋଡାଲ୍ ବିଶେଷତ୍ୱକୁ ଶିଖିପାରିବ, ଯାହା କିଛି ପରିମାଣରେ ସ୍କେଲ ଏବଂ ଘୂର୍ଣ୍ଣନ ପରିବର୍ତ୍ତନ ପାଇଁ ଦୃଢ଼ ଅଟେ । ମସ୍ତିଷ୍କର ଛବିକୁ ପୂର୍ବ-ପ୍ରକ୍ରିୟା କରିବା ପାଇଁ ଛବିର କୌଣସି ଭାଗୀଦାରୀ ଏବଂ କଠିନ ପଞ୍ଜୀକରଣର ଆବଶ୍ୟକତା ନାହିଁ । ଆମ ପଦ୍ଧତିର ମୂଲ୍ୟାଙ୍କନ 397 ଜଣ ରୋଗୀଙ୍କ ମୂଳ MRI ଏବଂ PET ଚିତ୍ର ଉପରେ କରାଯାଇଛି ଯେଉଁଥିରେ 93 ଜଣ AD ରୋଗୀ, 204 ଜଣ ସାମାନ୍ୟ ଜ୍ଞାନଗତ ଦୁର୍ବଳତା (MCI, 76 pMCI + 128 sMCI) ଏବଂ 100 ଜଣ ସାଧାରଣ ନିୟନ୍ତ୍ରଣ (NC) ଆଲଜାଇମର ରୋଗ ନ୍ୟୁରୋ ଇମେଜିଂ ଇନିସିଏଟିଭ୍ (ADNI) ଡାଟାବେସରୁ ନିଆଯାଇଛି । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳରୁ ଜଣାପଡିଛି ଯେ ପ୍ରସ୍ତାବିତ ପଦ୍ଧତି AD vs NCର ଶ୍ରେଣୀକରଣ ପାଇଁ 93.26% ଏବଂ pMCI vs NCର ଶ୍ରେଣୀକରଣ ପାଇଁ 82.95%ର ସଠିକତା ହାସଲ କରିଥାଏ, ଯାହାକି ଶ୍ରେଣୀକରଣର ଆଶାଜନକ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଦର୍ଶାଇଥାଏ । |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.