_id
stringlengths 40
40
| text
stringlengths 0
9.6k
|
|---|---|
bdf67ee2a13931ca2d5eac458714ed98148d1b34 | ବାସ୍ତବ ସମୟର ଅନୁପ୍ରବେଶ-ଜାଣିବା ବିଶେଷଜ୍ଞ ପ୍ରଣାଳୀର ଏକ ମଡେଲ ବର୍ଣ୍ଣନା କରାଯାଇଛି ଯାହା କମ୍ପ୍ୟୁଟରର ଦୁରୁପଯୋଗର ଭଙ୍ଗାରୁଜା, ଅନୁପ୍ରବେଶ ଏବଂ ଅନ୍ୟାନ୍ୟ ରୂପକୁ ଚିହ୍ନଟ କରିବାରେ ସକ୍ଷମ ଅଟେ । ଏହି ମଡେଲର ସିଦ୍ଧାନ୍ତ ହେଉଛି ଯେ, ସିଷ୍ଟମ ବ୍ୟବହାରରେ କୌଣସି ଅସ୍ବାଭାବିକତା ପାଇଁ ସିଷ୍ଟମର ଅଡିଟ ରେକର୍ଡକୁ ମନିଟରିଂ କରି ସୁରକ୍ଷା ଉଲ୍ଲଂଘନକୁ ଚିହ୍ନଟ କରାଯାଇପାରିବ । ଏହି ମଡେଲରେ ମେଟ୍ରିକ୍ସ ଏବଂ ପରିସଂଖ୍ୟାନ ମଡେଲ ପରିପ୍ରେକ୍ଷୀରେ ବସ୍ତୁଗୁଡ଼ିକ ପ୍ରତି ବିଷୟଗୁଡ଼ିକର ଆଚରଣକୁ ପ୍ରତିନିଧିତ୍ୱ କରିବା ପାଇଁ ପ୍ରୋଫାଇଲ୍ ଅନ୍ତର୍ଭୁକ୍ତ, ଏବଂ ଅଡିଟ୍ ରେକର୍ଡରୁ ଏହି ଆଚରଣ ବିଷୟରେ ଜ୍ଞାନ ହାସଲ କରିବା ଏବଂ ଅସ୍ୱାଭାବିକ ଆଚରଣ ଚିହ୍ନଟ କରିବା ପାଇଁ ନିୟମ ଅନ୍ତର୍ଭୁକ୍ତ । ଏହି ମଡେଲ କୌଣସି ନିର୍ଦ୍ଦିଷ୍ଟ ସିଷ୍ଟମ, ଆପ୍ଲିକେସନ ପରିବେଶ, ସିଷ୍ଟମ ଭେଳାନେବିଲିଟି କିମ୍ବା ଅନୁପ୍ରବେଶର ପ୍ରକାର ଠାରୁ ସ୍ୱତନ୍ତ୍ର, ଯାହାଦ୍ୱାରା ଏକ ସାଧାରଣ ଉଦ୍ଦେଶ୍ୟ ବିଶିଷ୍ଟ ଅନୁପ୍ରବେଶ-ଜାଣିବା ବିଶେଷଜ୍ଞ ବ୍ୟବସ୍ଥା ପାଇଁ ଏକ ଢାଞ୍ଚା ପ୍ରଦାନ କରିଥାଏ । |
eeb1a1e0cab8d809b5789d04418dc247dca956cc | ଲି, ଷ୍ଟୋଲଫୋ ଏବଂ ମୋକ ପୂର୍ବରୁ ମଧ୍ୟ ଅନୁପ୍ରବେଶ ଚିହ୍ନଟ ପାଇଁ ଜ୍ଞାନ ହାସଲ କରିବା ପାଇଁ ଖଣି ଅଡିଟ ତଥ୍ୟ ପାଇଁ ଆସୋସିଏସନ ନିୟମ ଏବଂ ଫ୍ରିକ୍ୱେନ୍ସି ଏପିସୋଡର ବ୍ୟବହାର ବିଷୟରେ ରିପୋର୍ଟ କରିଛନ୍ତି । ଫଜ୍ଜି ଲଜିକ ସହିତ ଆସୋସିଏସନ ନିୟମ ଏବଂ ଫ୍ରିକ୍ୱେନ୍ସି ଏପିସୋଡର ସମନ୍ୱୟ ଅନୁପ୍ରବେଶ ଚିହ୍ନଟ ପାଇଁ ଅଧିକ ବିସ୍ତୃତ ଏବଂ ନମନୀୟ ମଡେଲ ସୃଷ୍ଟି କରିପାରିବ, ଯେହେତୁ ଅନେକ ପରିମାଣିକ ବୈଶିଷ୍ଟ୍ୟ ଅନୁପ୍ରବେଶ ଚିହ୍ନଟରେ ଜଡିତ ଏବଂ ସୁରକ୍ଷା ନିଜେ ଫଜ୍ଜି ଅଟେ । ଆମେ ପୂର୍ବରୁ ପ୍ରକାଶିତ ଅଲ୍ଗୋରିଦମ୍ର ଏକ ସଂଶୋଧନ ଉପସ୍ଥାପନ କରୁଛୁ, ଅସ୍ପଷ୍ଟ ଆସୋସିଏସନ୍ ନିୟମଗୁଡିକ ଖନନ କରିବା ପାଇଁ, ଅସ୍ପଷ୍ଟ ଫ୍ରିକ୍ୱେନ୍ସି ଏପିସୋଡର ଧାରଣାକୁ ପରିଭାଷିତ କରିବା ଏବଂ ଅସ୍ପଷ୍ଟ ଫ୍ରିକ୍ୱେନ୍ସି ଏପିସୋଡ ଖନନ ପାଇଁ ଏକ ମୂଳ ଆଲଗୋରିଦମ ଉପସ୍ଥାପନ କରିବା । ଆମେ ଏକ ସାଧାରଣକରଣ ପଦକ୍ଷେପକୁ ମିଶାଇ ଅସ୍ପଷ୍ଟ ଆସୋସିଏସନ ନିୟମକୁ ଖନନ କରିବା ପାଇଁ ଏକ ଡାଟା ଇନଷ୍ଟାନ୍ସକୁ ଅନ୍ୟମାନଙ୍କ ଠାରୁ ଅଧିକ ଯୋଗଦାନରୁ ରୋକିବା ପାଇଁ । ଆମେ ମଧ୍ୟ ଫଜ୍ ଫ୍ରିକ୍ୱେନ୍ସି ଏପିସୋଡ ଶିଖିବା ପାଇଁ ମାଇନିଂ ଫ୍ରିକ୍ୱେନ୍ସି ଏପିସୋଡ ପାଇଁ ପ୍ରକ୍ରିୟା ପରିବର୍ତ୍ତନ କରିଛୁ । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଦର୍ଶାଉଛି ଯେ, ଅନୁପ୍ରବେଶ ଚିହ୍ନଟ କରିବାରେ ଫଜ୍ଜୀ ଆସୋସିଏସନ ନିୟମ ଏବଂ ଫଜ୍ଜୀ ଫ୍ରିକ୍ୱେନ୍ସି ଏପିସୋଡର ଉପଯୋଗିତା ରହିଛି । ଆନ୍ତର୍ଜାତିକ ବୁଦ୍ଧିମାନ ପ୍ରଣାଳୀ ପତ୍ରିକା, ଖଣ୍ଡ 15, ନଂ. I, ଅଗଷ୍ଟ 2000 3 |
0b07f84c22ce01309981a02c23d5cd1770cad48b | ଟେବୁଲ ବିଭାଜନ ଏକ ଟେବୁଲକୁ ଛୋଟ ଛୋଟ ଭାଗରେ ବିଭକ୍ତ କରିଥାଏ ଯାହା ପରସ୍ପରଠାରୁ ପୃଥକ ଭାବରେ ପ୍ରବେଶ, ସଂରକ୍ଷଣ ଏବଂ ରକ୍ଷଣାବେକ୍ଷଣ କରାଯାଇପାରିବ । ପାରମ୍ପରିକ ଭାବେ କ୍ୱେରୀ ପ୍ରଦର୍ଶନ ବୃଦ୍ଧି କରିବା ପାଇଁ ବ୍ୟବହୃତ ହେଉଥିବା ପାର୍ଶନ ରଣନୀତିଗୁଡ଼ିକ ଡାଟାବେସ୍ ସିଷ୍ଟମର ସାମଗ୍ରିକ ପରିଚାଳନା କ୍ଷମତା ବୃଦ୍ଧି କରିବା ପାଇଁ ଏକ ଶକ୍ତିଶାଳୀ ପ୍ରଣାଳୀରେ ପରିଣତ ହୋଇଛି । ଟେବୁଲ ବିଭାଜନ ତଥ୍ୟ ଲୋଡିଂ, ଅପସାରଣ, ବ୍ୟାକଅପ୍, ପରିସଂଖ୍ୟାନ ରକ୍ଷଣାବେକ୍ଷଣ ଏବଂ ଷ୍ଟୋରେଜ୍ ପ୍ରୋଭିଜନିଂ ଭଳି ପ୍ରଶାସନିକ କାର୍ଯ୍ୟକୁ ସରଳ କରିଥାଏ । ପ୍ରଶ୍ନ ଭାଷା ସଂପ୍ରସାରଣ ବର୍ତ୍ତମାନ ପ୍ରୟୋଗ ଏବଂ ଉପଭୋକ୍ତା ପ୍ରଶ୍ନକୁ ସଠିକ ଭାବରେ ନିର୍ଦ୍ଦିଷ୍ଟ କରିବାକୁ ସକ୍ଷମ କରେ ଯେ ସେମାନଙ୍କର ଫଳାଫଳକୁ ପରବର୍ତ୍ତୀ ବ୍ୟବହାର ପାଇଁ କିପରି ବିଭାଜିତ କରାଯିବ । କିନ୍ତୁ, କ୍ୱେରୀ ଅପ୍ଟିମାଇଜେସନ୍ କୌଶଳଗୁଡ଼ିକ ଟେବୁଲ ବିଭାଜନର ବ୍ୟବହାର ଏବଂ ଉପଭୋକ୍ତା ନିୟନ୍ତ୍ରଣରେ ଦ୍ରୁତ ଅଗ୍ରଗତି ସହିତ ତାଳ ଦେଇ ଚାଲିନାହିଁ । ଆମେ ଏହି ବ୍ୟବଧାନକୁ ସମାଧାନ କରିବା ପାଇଁ ନୂତନ କୌଶଳ ବିକଶିତ କରିଛୁ ଯାହାଦ୍ୱାରା SQL ପ୍ରଶ୍ନ ପାଇଁ ଦକ୍ଷ ଯୋଜନା ପ୍ରସ୍ତୁତ କରାଯାଇପାରିବ ଯେଉଁଥିରେ ପାର୍ଟିସନ ଟେବୁଲରେ ମଲ୍ଟିୱେ ଜଏନ ସାମିଲ ରହିଛି । ଆମର କୌଶଳଗୁଡ଼ିକ ତଳ ଉପର କ୍ୱେରୀ ଅପ୍ଟିମାଇଜରଗୁଡ଼ିକରେ ସହଜରେ ଅନ୍ତର୍ଭୁକ୍ତ ହେବା ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଛି ଯାହା ଆଜି ବ୍ୟାପକ ଭାବରେ ବ୍ୟବହୃତ ହେଉଛି । ଆମେ ଏହି କୌଶଳଗୁଡିକୁ PostgreSQL ଅପ୍ଟିମାଇଜରରେ ପ୍ରୋଟୋଟାଇପ୍ କରିଛୁ । ଏକ ବ୍ୟାପକ ମୂଲ୍ୟାୟନ ଦର୍ଶାଏ ଯେ ଆମର ବିଭାଜନ-ଜାଣିବା ଅପ୍ଟିମାଇଜେସନ୍ କୌଶଳ, କମ୍ ଅପ୍ଟିମାଇଜେସନ୍ ଓଭରହେଡ୍ ସହିତ, ଯୋଜନା ସୃଷ୍ଟି କରେ ଯାହା ବର୍ତ୍ତମାନର ଅପ୍ଟିମାଇଜର୍ ଦ୍ୱାରା ଉତ୍ପାଦିତ ଯୋଜନା ଅପେକ୍ଷା ଭଲ ପରିମାଣର ହୋଇପାରେ । |
26d673f140807942313545489b38241c1f0401d0 | ଦୁନିଆରେ ଏବଂ ଆମ ଜୀବନରେ ତଥ୍ୟର ପରିମାଣ କ୍ରମାଗତ ଭାବେ ବୃଦ୍ଧି ପାଉଛି ଏବଂ ଏହାର କୌଣସି ଶେଷ ନାହିଁ । ୱେକା ୱାର୍କବେଞ୍ଚ ହେଉଛି ଅତ୍ୟାଧୁନିକ ମେସିନ ଲର୍ଣ୍ଣିଂ ଆଲଗୋରିଦମ ଏବଂ ଡାଟା ପ୍ରି-ପ୍ରୋସେସିଂ ଉପକରଣର ଏକ ସଂଗଠିତ ସଂଗ୍ରହ । ଏହି ପଦ୍ଧତିଗୁଡ଼ିକ ସହିତ ପାରସ୍ପରିକ କ୍ରିୟାକରଣର ମୌଳିକ ଉପାୟ ହେଉଛି କମାଣ୍ଡ ଲାଇନରୁ ସେଗୁଡ଼ିକୁ ଆହ୍ବାନ କରିବା । ତେବେ ତଥ୍ୟ ଅନୁସନ୍ଧାନ ପାଇଁ, ବିତରିତ କମ୍ପ୍ୟୁଟିଂ ପ୍ଲାଟଫର୍ମରେ ବୃହତ ଆକାରର ପରୀକ୍ଷଣ ପ୍ରତିଷ୍ଠା କରିବା ପାଇଁ ଏବଂ ଷ୍ଟ୍ରିମ୍ଡ ଡାଟା ପ୍ରୋସେସିଂ ପାଇଁ ବିନ୍ୟାସ ଡିଜାଇନ୍ କରିବା ପାଇଁ ଉପଯୁକ୍ତ ଇଣ୍ଟରଆକ୍ଟିଭ୍ ଗ୍ରାଫିକାଲ୍ ୟୁଜର୍ ଇଣ୍ଟରଫେସ୍ ପ୍ରଦାନ କରାଯାଇଛି । ଏହି ଇଣ୍ଟରଫେସଗୁଡିକ ପରୀକ୍ଷାମୂଳକ ଡାଟା ମାଇନିଂ ପାଇଁ ଏକ ଉନ୍ନତ ପରିବେଶ ସୃଷ୍ଟି କରିଥାଏ । ଶ୍ରେଣୀକରଣ ହେଉଛି ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ତଥ୍ୟ ଖନନ କୌଶଳ ଯାହାର ବ୍ୟାପକ ପ୍ରୟୋଗ ରହିଛି । ଏହା ବିଭିନ୍ନ ପ୍ରକାରର ତଥ୍ୟକୁ ଶ୍ରେଣୀଭୁକ୍ତ କରିଥାଏ । ଏହି କାଗଜରେ REPTree, Simple Cart ଏବଂ RandomTree ଶ୍ରେଣୀକରଣ ଆଲଗୋରିଦମର କାର୍ଯ୍ୟଦକ୍ଷତା ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଛି । ଏହି ରିପୋର୍ଟରେ ଭାରତୀୟ ସମ୍ବାଦର ଡାଟାସେଟ ପରିପ୍ରେକ୍ଷୀରେ REPTree, Simple Cart ଏବଂ RandomTree ଶ୍ରେଣୀକରଣର ତୁଳନାତ୍ମକ ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଛି ଯାହାଦ୍ୱାରା ସଠିକ ପଜିଟିଭ ହାରକୁ ସର୍ବାଧିକ କରାଯାଇ ମିଥ୍ୟା ପଜିଟିଭ ହାରକୁ ହ୍ରାସ କରାଯାଇପାରିବ । ପ୍ରକ୍ରିୟାକରଣ ପାଇଁ ୱେକା ଏପିଆଇ ବ୍ୟବହାର କରାଯାଇଥିଲା । ଭାରତୀୟ ସମ୍ବାଦର ଡାଟାସେଟ ଉପରେ ପ୍ରକାଶିତ ରିପୋର୍ଟରେ ମଧ୍ୟ ରେଣ୍ଡମଟ୍ରିର ଦକ୍ଷତା ଓ ସଠିକତା ରେପଟ୍ରି ଓ ସିମ୍ପଲ କାର୍ଟଠାରୁ ଭଲ ବୋଲି ଦର୍ଶାଯାଇଛି । ସୂଚକ ଶବ୍ଦ- ସରଳ କାର୍ଟ, ରାଣ୍ଡମଟ୍ରି, ରେପଟ୍ରି, ୱିକା, ୱେବ୍ ୱେବ୍ |
6e633b41d93051375ef9135102d54fa097dc8cf8 | ନିକଟରେ "ସାମୂହିକ ଶିକ୍ଷା"ରେ ବହୁତ ଆଗ୍ରହ ଦେଖାଦେଇଛି - ଯେଉଁ ପଦ୍ଧତିଗୁଡିକ ଅନେକ ଶ୍ରେଣୀକରଣକାରୀ ସୃଷ୍ଟି କରନ୍ତି ଏବଂ ସେମାନଙ୍କର ଫଳାଫଳକୁ ଏକତ୍ରିତ କରନ୍ତି । ଦୁଇଟି ଜଣାଶୁଣା ପଦ୍ଧତି ହେଉଛି ବର୍ଗୀକରଣ ବୃକ୍ଷର ବର୍ଦ୍ଧନ (ଉଦାହରଣ ସ୍ୱରୂପ, ଦେଖନ୍ତୁ, ଶାପିର ଏବଂ ଅନ୍ୟମାନେ, 1998) ଏବଂ ବ୍ରେମନ (1996) ବ୍ୟାଗିଂ । ବର୍ଦ୍ଧିତ କରିବା ସମୟରେ, କ୍ରମାଗତ ବୃକ୍ଷଗୁଡ଼ିକ ପୂର୍ବବର୍ତ୍ତୀ ପୂର୍ବାନୁମାନକାରୀମାନଙ୍କ ଦ୍ୱାରା ଭୁଲ ଭାବରେ ପୂର୍ବାନୁମାନ କରାଯାଇଥିବା ବିନ୍ଦୁଗୁଡ଼ିକୁ ଅତିରିକ୍ତ ଓଜନ ଦେଇଥାଏ । ଶେଷରେ, ଏକ ଭୋଟ୍ ପୂର୍ବାନୁମାନ ପାଇଁ ନିଆଯାଏ । ବ୍ୟାଗିଙ୍ଗରେ, କ୍ରମିକ ଗଛ ପୂର୍ବବର୍ତ୍ତୀ ଗଛ ଉପରେ ନିର୍ଭର କରେ ନାହିଁ - ପ୍ରତ୍ୟେକଟି ତଥ୍ୟ ସେଟର ଏକ ବୁଟଷ୍ଟ୍ରାପ ନମୁନା ବ୍ୟବହାର କରି ସ୍ୱାଧୀନ ଭାବରେ ନିର୍ମିତ ହୋଇଥାଏ । ଶେଷରେ, ଏକ ସରଳ ବହୁମତ ଭୋଟକୁ ଭବିଷ୍ୟବାଣୀ ପାଇଁ ନିଆଯାଏ । ବ୍ରେମାନ (୨୦୦୧) ରାଣ୍ଡମ ଫରେଷ୍ଟର ପ୍ରସ୍ତାବ ଦେଇଥିଲେ, ଯାହା ବ୍ୟାଗିଂରେ ଏକ ଅତିରିକ୍ତ ସ୍ତର ଯୋଡିଥାଏ । ପ୍ରତ୍ୟେକ ବୃକ୍ଷକୁ ଏକ ଭିନ୍ନ ବୁଟଷ୍ଟ୍ରାପ ନମୁନା ବ୍ୟବହାର କରି ନିର୍ମାଣ କରିବା ସହିତ, ଆକସ୍ମିକ ଜଙ୍ଗଲଗୁଡିକ କିପରି ଶ୍ରେଣୀକରଣ କିମ୍ବା ରିଗ୍ରେସନ୍ ବୃକ୍ଷଗୁଡିକର ନିର୍ମାଣକୁ ପରିବର୍ତ୍ତନ କରନ୍ତି । ମାନକ ବୃକ୍ଷରେ, ପ୍ରତ୍ୟେକ ନୋଡକୁ ସମସ୍ତ ଭେରିଏବଲ୍ ମଧ୍ୟରେ ସର୍ବୋତ୍ତମ ବିଭାଜନ ବ୍ୟବହାର କରି ବିଭକ୍ତ କରାଯାଏ । ଏକ ଆକସ୍ମିକ ଜଙ୍ଗଲରେ, ପ୍ରତ୍ୟେକ ନୋଡକୁ ସେହି ନୋଡରେ ଆକସ୍ମିକ ଭାବରେ ମନୋନୀତ ହୋଇଥିବା ପୂର୍ବାନୁମାନକାରୀମାନଙ୍କ ଉପସମୂହ ମଧ୍ୟରେ ସର୍ବୋତ୍ତମ ବ୍ୟବହାର କରି ବିଭକ୍ତ କରାଯାଏ । ଏହି କିଛିଟା ଅସ୍ପଷ୍ଟ ରଣନୀତି ଅନ୍ୟ ଅନେକ ଶ୍ରେଣୀକରଣ ସହିତ ତୁଳନା କଲେ ବହୁତ ଭଲ ଭାବରେ କାର୍ଯ୍ୟ କରେ, ଯେଉଁଥିରେ ଭେଦଭାବ ବିଶ୍ଳେଷଣ, ସମର୍ଥନ ଭେକ୍ଟର ମେସିନ୍ ଏବଂ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ ଅନ୍ତର୍ଭୁକ୍ତ ଏବଂ ଏହା ଅତ୍ୟଧିକ ଫିଟ୍ ବିରୁଦ୍ଧରେ ଦୃଢ ଅଟେ (ବ୍ରେମ୍ୟାନ୍, 2001) । ଏହାବ୍ୟତୀତ, ଏହା ବ୍ୟବହାରକାରୀ ଅନୁକୂଳ ଅଟେ କାରଣ ଏଥିରେ କେବଳ ଦୁଇଟି ପାରାମିଟର ଅଛି (ପ୍ରତ୍ୟେକ ନୋଡରେ ରାଣ୍ଡମ ସବସେଟରେ ଥିବା ଭେରିଏବଲ ସଂଖ୍ୟା ଏବଂ ଜଙ୍ଗଲରେ ଥିବା ଗଛ ସଂଖ୍ୟା) ଏବଂ ଏହା ସାଧାରଣତଃ ସେମାନଙ୍କର ମୂଲ୍ୟ ପ୍ରତି ସମ୍ବେଦନଶୀଳ ନୁହେଁ । ରାଣ୍ଡମ ଫରେଷ୍ଟ ପ୍ୟାକେଜ ବ୍ରେମାନ ଓ କାଟଲରଙ୍କ ଫୋରଟାନ ପ୍ରୋଗ୍ରାମ ପାଇଁ ଏକ R ଇଣ୍ଟରଫେସ ପ୍ରଦାନ କରିଥାଏ (http://www.stat.berkeley.edu/ users/breiman/ରେ ଉପଲବ୍ଧ) । ଏହି ଲେଖାଟି R ଫଙ୍କସନର ବ୍ୟବହାର ଓ ବିଶେଷତା ବିଷୟରେ ଏକ ସଂକ୍ଷିପ୍ତ ପରିଚୟ ପ୍ରଦାନ କରେ । |
8cfe24108b7f73aa229be78f9108e752e8210c36 | ଯଦିଓ କିଛି ସମୟ ହେବ ବ୍ୟବସାୟିକ ଜଗତରେ ଡାଟା ମାଇନିଂ ସଫଳତାର ସହ କାର୍ଯ୍ୟକାରୀ ହୋଇଆସୁଛି, ଉଚ୍ଚଶିକ୍ଷାରେ ଏହାର ବ୍ୟବହାର ଏବେ ବି ଅପେକ୍ଷାକୃତ ନୂତନ, ଯଥା: ଏହାର ବ୍ୟବହାର ତଥ୍ୟରୁ ନୂଆ ଓ ସମ୍ଭାବ୍ୟ ମୂଲ୍ୟବାନ ଜ୍ଞାନର ଚିହ୍ନଟ ଓ ବାହାର କରିବା ପାଇଁ ଉଦ୍ଦିଷ୍ଟ । ଡାଟା ମାଇନିଂ ମାଧ୍ୟମରେ ଏକ ମଡେଲ ବିକଶିତ କରିବାର ଲକ୍ଷ୍ୟ ରଖାଯାଇଥିଲା ଯାହାଦ୍ୱାରା ଛାତ୍ରଛାତ୍ରୀଙ୍କ ଶିକ୍ଷାଗତ ସଫଳତା ଉପରେ ଏକ ନିଷ୍କର୍ସ ବାହାର କରାଯାଇପାରିବ । ଏହି ଗବେଷଣାରେ ଛାତ୍ରଛାତ୍ରୀଙ୍କ ସଫଳତାକୁ ଆକଳନ କରିବା ପାଇଁ ବିଭିନ୍ନ ପ୍ରକାର ତଥ୍ୟ ସଂଗ୍ରହ ଓ ବ୍ୟବହାରର ତୁଳନା କରାଯାଇଥିଲା । ଏହି ଗବେଷଣାରେ ୨୦୧୦-୧୧ ଶିକ୍ଷା ବର୍ଷରେ ତୁଜଲା ବିଶ୍ୱବିଦ୍ୟାଳୟର ଅର୍ଥନୀତି ବିଭାଗରେ ପ୍ରଥମ ବର୍ଷ ଛାତ୍ରଛାତ୍ରୀଙ୍କ ମଧ୍ୟରେ ହୋଇଥିବା ସମୀକ୍ଷା ଓ ନାମଲେଖା ସମୟରେ ସଂଗୃହୀତ ତଥ୍ୟକୁ ବ୍ୟବହାର କରାଯାଇଥିଲା । ପରୀକ୍ଷାରେ ପାସ୍ ମାର୍କ ସହିତ ସଫଳତାକୁ ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଥିଲା । ଛାତ୍ରମାନଙ୍କର ସାମାଜିକ-ଜନସାଂଖିକ ପରିବର୍ତ୍ତନ, ଉଚ୍ଚ ବିଦ୍ୟାଳୟ ଏବଂ ପ୍ରବେଶିକା ପରୀକ୍ଷାରେ ହାସଲ କରାଯାଇଥିବା ଫଳାଫଳ ଏବଂ ଅଧ୍ୟୟନ ପ୍ରତି ମନୋଭାବ ଯାହା ସଫଳତା ଉପରେ ପ୍ରଭାବ ପକାଇପାରେ, ସେସବୁର ଅନୁସନ୍ଧାନ କରାଯାଇଥିଲା । ଭବିଷ୍ୟତରେ ହେବାକୁ ଥିବା ଅନୁସନ୍ଧାନରେ, ଅଧ୍ୟୟନ ପ୍ରକ୍ରିୟା ସହିତ ଜଡିତ ପରିବର୍ତ୍ତନକାରୀ ଚିହ୍ନଟ ଏବଂ ମୂଲ୍ୟାଙ୍କନ ସହିତ, ଏବଂ ନମୁନା ବୃଦ୍ଧି ସହିତ, ଏକ ମଡେଲ ପ୍ରସ୍ତୁତ କରିବା ସମ୍ଭବ ହେବ ଯାହା ଉଚ୍ଚଶିକ୍ଷାରେ ନିଷ୍ପତ୍ତି ସହାୟତା ବ୍ୟବସ୍ଥାର ବିକାଶ ପାଇଁ ଏକ ମୂଳଦୁଆ ଭାବରେ ଠିଆ ହେବ । |
cc5c84c1c876092e6506040cde7d2a5b9e9065ff | ଏହି ଅଧ୍ୟୟନରେ ଦୁଇ ଭିନ୍ନ ଭିନ୍ନ ଶିକ୍ଷାନୁଷ୍ଠାନରେ ସ୍ନାତକ ଓ ସ୍ନାତକୋତ୍ତର ଛାତ୍ରଙ୍କ ଶିକ୍ଷାଗତ ପ୍ରଦର୍ଶନକୁ ଆକଳନ କରିବା ପାଇଁ ନିଷ୍ପତ୍ତି ବୃକ୍ଷ ଏବଂ ବେୟସୀୟ ନେଟୱାର୍କ ଆଲଗୋରିଦମର ସଠିକତା ତୁଳନା କରାଯାଇଛି: ଭିଏତନାମର ଏକ ବୃହତ ଜାତୀୟ ବିଶ୍ୱବିଦ୍ୟାଳୟ କାନ ଥୋ ବିଶ୍ୱବିଦ୍ୟାଳୟ (ସିଟିୟୁ) ଏବଂ ଏସିଆନ ଇନଷ୍ଟିଚ୍ୟୁଟ୍ ଅଫ୍ ଟେକ୍ନୋଲୋଜି (ଏଆଇଟି), ଥାଇଲ୍ୟାଣ୍ଡର ଏକ ଛୋଟ ଆନ୍ତର୍ଜାତୀୟ ସ୍ନାତକୋତ୍ତର ଅନୁଷ୍ଠାନ ଯାହା 86 ଟି ବିଭିନ୍ନ ଦେଶରୁ ଛାତ୍ରଙ୍କୁ ଆକର୍ଷିତ କରେ । ଯଦିଓ ଏହି ଦୁଇ ଛାତ୍ରଙ୍କ ବିବିଧତା ବହୁତ ଭିନ୍ନ, ତେବେ ଡାଟା-ମାଇନିଂ ଉପକରଣଗୁଡ଼ିକ ଛାତ୍ରଙ୍କ ପ୍ରଦର୍ଶନକୁ ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ସମାନ ସ୍ତରର ସଠିକତା ହାସଲ କରିବାରେ ସକ୍ଷମ ହୋଇଥିଲେଃ ଯଥାକ୍ରମେ CTU/AITରେ 73/71% {fail, fair, good, very good} ଏବଂ 94/93% {fail, pass} ପାଇଁ । ଏହି ପୂର୍ବାନୁମାନ ସିଟିୟୁରେ ବିଫଳ ଛାତ୍ରମାନଙ୍କୁ ଚିହ୍ନଟ କରିବା ଏବଂ ସେମାନଙ୍କୁ ସହାୟତା କରିବା ପାଇଁ ସବୁଠାରୁ ଉପଯୋଗୀ (୬୪% ସଠିକତା) ଏବଂ ଏଆଇଟିରେ ଛାତ୍ରବୃତ୍ତି ପାଇଁ ବହୁତ ଭଲ ଛାତ୍ରମାନଙ୍କୁ ବାଛିବା ପାଇଁ (୮୨% ସଠିକତା) । ଏହି ବିଶ୍ଳେଷଣରେ, ନିଷ୍ପତ୍ତି ଗଛଟି ସର୍ବଦା 3-12% ଅଧିକ ସଠିକ ଥିଲା ବେଜେସୀୟ ନେଟୱାର୍କ ଅପେକ୍ଷା । ଏହି କେସ ଷ୍ଟଡିର ଫଳାଫଳ ଛାତ୍ରଙ୍କ ପ୍ରଦର୍ଶନକୁ ସଠିକ ଭାବରେ ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ କୌଶଳ ବିଷୟରେ ଅନ୍ତର୍ଦୃଷ୍ଟି ଦେଇଥାଏ, ଡାଟା ମାଇନିଂ ଆଲଗୋରିଦମର ସଠିକତାକୁ ତୁଳନା କରିଥାଏ ଏବଂ ମୁକ୍ତ ଉତ୍ସ ଉପକରଣର ପରିପକ୍ୱତାକୁ ଦର୍ଶାଇଥାଏ । |
9d0f09e343ebc9d5e896528273b79a1f13aa5c07 | |
2cb6d78e822ca7fd0e29670ec7e26e37ae3d3e8f | ଏହି ଦସ୍ତାବିଜରେ ଏକ ନୂଆ କମ୍ପାକ୍ଟ ନିମ୍ନ ତାପମାତ୍ରା ସହ-ଗୃହୀତ ସିରାମିକ୍ (ଏଲଟିସିସି) ବ୍ୟାଣ୍ଡପାସ୍ ଫିଲ୍ଟର (ବିପିଏଫ୍) ର ଉପସ୍ଥାପନା କରାଯାଇଛି । ପ୍ରସ୍ତାବିତ ସର୍କିଟରେ ଦୁଇଟି ସଂଯୁକ୍ତ λ<sub>g</sub>/4 ଟ୍ରାନ୍ସମିଶନ ଲାଇନ ରେଜୋନେଟର ରହିଛି । ତୃତୀୟ ହାର୍ମୋନିୟ ଫ୍ରିକ୍ୱେନ୍ସିରେ ଟ୍ରାନ୍ସମିଶନ ଜିରୋ (ଟିଜେଡ୍) ସୃଷ୍ଟି କରିବା ପାଇଁ ଏକ ନୂଆ ଡିସ୍କ୍ରିମିଂ କପଲିଂ ସ୍କିମ୍ ପ୍ରସ୍ତୁତ କରିବା ପାଇଁ ଏକ ସ୍ୱତନ୍ତ୍ର କପଲିଂ ଅଞ୍ଚଳ ଚୟନ କରାଯାଇଛି । ଏହି ଯନ୍ତ୍ରର ବିଶ୍ଳେଷଣ କରାଯାଇଥାଏ ଏବଂ ଏହାର ଡିଜାଇନ ଗାଇଡଲାଇନ ବର୍ଣ୍ଣନା କରାଯାଇଥାଏ । ଉତ୍ସ-ଭାର ଯୁକ୍ତିକରଣକୁ ପ୍ରବେଶ କରାଗଲେ ଦୁଇଟି TZ ସୃଷ୍ଟି ହୋଇଥାଏ । ତେଣୁ ବିନା ଅତିରିକ୍ତ ସର୍କିଟ୍ରେ ବିସ୍ତୃତ ଷ୍ଟପ ବ୍ୟାଣ୍ଡ୍ ପ୍ରାପ୍ତ କରାଯାଇପାରିବ । LTCC ର ବହୁସ୍ତରୀୟ ସଂରଚନା ହେତୁ, ଫିଲ୍ଟରର ଆକାର 0.058 λ <sub> g <sub> × 0.058 λ <sub> g <sub> × 0.011 λ <sub> g <sub>, କିମ୍ବା 2.63 mm × 2.61 mm × 0.5 mm ଅଟେ । ପ୍ରସ୍ତାବିତ ଡିଜାଇନର ବୈଧତା ପ୍ରମାଣ କରିବା ପାଇଁ ପ୍ରଦର୍ଶିତ LTCC BPFର ସିମୁଲେସନ ଏବଂ ମାପ ଫଳାଫଳ ଉପସ୍ଥାପନ କରାଯାଇଛି । |
52c9eb70c55685b349126ed907e037f383673cf3 | ଆମେ ଏକ ନୂଆ ଉପାୟର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଅବ୍ଷ୍ଟ୍ରାକ୍ଟିଭ ୱେବ୍ ସାରାଂଶୀକରଣ ଉପରେ ଆଧାରିତ, ଯାହା ଏହି ଅବ୍ଦୃଷ୍ଟି ଉପରେ ଆଧାରିତ ଯେ ସମାନ URL ପାଇଁ ସାରାଂଶ ଉଭୟ ବିଷୟବସ୍ତୁ ଏବଂ ସଂରଚନାରେ ସମାନ ଅଟେ । ଆମେ ବର୍ତ୍ତମାନର URL କ୍ଲଷ୍ଟରଗୁଡ଼ିକର ଲାଭ ଉଠାଇଥାଉ ଏବଂ ପ୍ରତି କ୍ଲଷ୍ଟର ଶବ୍ଦ ଗ୍ରାଫ ନିର୍ମାଣ କରିଥାଉ ଯାହା URL- ନିର୍ଦ୍ଦିଷ୍ଟ ଗୁଣଗୁଡ଼ିକୁ ବାହାର କରି ଜଣାଶୁଣା ସାରାଂଶଗୁଡ଼ିକୁ ମିଶ୍ରଣ କରିଥାଏ । URL ବିଶେଷତା ଉପରେ ନିର୍ଭର କରି ସୃଷ୍ଟି ହୋଇଥିବା ଟପୋଲୋଜି ଆମକୁ ସଂକ୍ଷିପ୍ତକରଣ ସମସ୍ୟାକୁ ଏକ ସଂରଚନାଗତ ଶିକ୍ଷଣ କାର୍ଯ୍ୟ ଭାବରେ ପ୍ରସ୍ତୁତ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ବହୁ ସଂଖ୍ୟକ URL କ୍ଲଷ୍ଟରରେ ପ୍ରାରମ୍ଭିକ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଦର୍ଶାଏ ଯେ ଏହି ପଦ୍ଧତି ପୂର୍ବରୁ ପ୍ରସ୍ତାବିତ ୱେବ୍ ସାରାଂଶକକୁ ଅତିକ୍ରମ କରିପାରିବ । |
8947ca4949fc66eb65f863dfb825ebd90ab01772 | ପାଠ୍ୟ ପ୍ରକ୍ରିୟାକରଣରେ ଅନେକ ପ୍ରୟୋଗରେ ବଡ଼ ଡକ୍ୟୁମେଣ୍ଟ ସଂଗ୍ରହକୁ ଲେବଲ୍ କରିବା ପାଇଁ (ଯେତେବେଳେ ପରିସଂଖ୍ୟାନ ମଡେଲ ଶିଖିବା) କିମ୍ବା ଏଥିରୁ ନିୟମ ବାହାର କରିବା ପାଇଁ (ଜାଣିବା ଇଞ୍ଜିନିୟରିଂ ବ୍ୟବହାର କରିବା ସମୟରେ) ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ମାନବ ପ୍ରୟାସ ଆବଶ୍ୟକ ହୋଇଥାଏ । ଏହି କାର୍ଯ୍ୟରେ, ଆମେ ଏହି ପ୍ରୟାସକୁ ହ୍ରାସ କରିବା ପାଇଁ ବର୍ଣ୍ଣନା କରିଛୁ, ପଦ୍ଧତିର ସଠିକତା ବଜାୟ ରଖି, ଏକ ହାଇବ୍ରିଡ୍ ବର୍ଗୀକରଣକାରୀ ନିର୍ମାଣ କରି ଯାହା ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଆବିଷ୍କୃତ ପାଠ୍ୟ ପଦ୍ଧତି ଉପରେ ମାନବ ତର୍କକୁ ମେସିନ୍ ଶିକ୍ଷଣର ପରିପୂରକ ଭାବରେ ବ୍ୟବହାର କରେ । ଏକ ମାନକ ଭାବନା-ବର୍ଗୀକରଣ ଡାଟାସେଟ ଏବଂ ବାସ୍ତବିକ ଗ୍ରାହକ ପ୍ରତିକ୍ରିୟା ତଥ୍ୟ ବ୍ୟବହାର କରି, ଆମେ ଦର୍ଶାଇଥାଉ ଯେ ପରିଣାମାତ୍ମକ କୌଶଳ ଫଳରେ ଦିଆଯାଇଥିବା ବର୍ଗୀକରଣ ସଠିକତା ହାସଲ କରିବା ପାଇଁ ଆବଶ୍ୟକ ମାନବ ପ୍ରୟାସରେ ଯଥେଷ୍ଟ ହ୍ରାସ ଘଟିଥାଏ । ଏହା ବ୍ୟତୀତ, ହାଇବ୍ରିଡ୍ ଟେକ୍ସଟ୍ କ୍ଲାସିଫାୟର ଦ୍ୱାରା ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ଆଧାରିତ କ୍ଲାସିଫାୟର ତୁଳନାରେ ସଠିକତା ବୃଦ୍ଧି ପାଇଥାଏ ଯେତେବେଳେ ସମାନ ପରିମାଣର ଲେବଲ୍ ହୋଇଥିବା ତଥ୍ୟ ବ୍ୟବହାର କରାଯାଇଥାଏ । |
563384a5aa6111610ac4939f645d1125a5a0ac7f | ସ୍ୱୟଂଚାଳିତ ଭାବେ ଲୋକଙ୍କୁ ଚିହ୍ନଟ କରିବା ପାଇଁ ଆଇନ ପ୍ରବର୍ତ୍ତନ, ସୁରକ୍ଷା ପ୍ରୟୋଗ କିମ୍ବା ଭିଡିଓ ଇଣ୍ଡେକ୍ସ ଭଳି ବିଭିନ୍ନ କ୍ଷେତ୍ରରେ ଏହାର ବହୁ ପ୍ରୟୋଗ ଯୋଗୁଁ ଗତ କିଛି ବର୍ଷ ମଧ୍ୟରେ ଏହା ଅଧିକ ଧ୍ୟାନ ପାଇଛି । ସ୍ୱୟଂଚାଳିତ ଭାବେ ଲୋକଙ୍କୁ ଚିହ୍ନିବା ପାଇଁ ଚେହେରା ଚିହ୍ନଟ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଏବଂ ଅତ୍ୟନ୍ତ ଆହ୍ୱାନପୂର୍ଣ୍ଣ କୌଶଳ । ବର୍ତ୍ତମାନ ସୁଦ୍ଧା ଏପରି କୌଣସି କୌଶଳ ନାହିଁ ଯାହା ସମସ୍ତ ପରିସ୍ଥିତି ଏବଂ ବିଭିନ୍ନ ପ୍ରୟୋଗ ପାଇଁ ଏକ ଦୃଢ଼ ସମାଧାନ ପ୍ରଦାନ କରେ ଯାହା ଚେହେରା ଚିହ୍ନଟ ଦ୍ୱାରା ସମ୍ମୁଖୀନ ହୋଇପାରେ । ସାଧାରଣତଃ, ଆମେ ନିଶ୍ଚିତ କରିପାରିବା ଯେ ଚେହେରା ଚିହ୍ନଟ ପ୍ରଣାଳୀର କାର୍ଯ୍ୟଦକ୍ଷତା ନିର୍ଦ୍ଧାରିତ ହୋଇଥାଏ କିପରି ବୈଶିଷ୍ଟ୍ୟ ଭେକ୍ଟରଗୁଡ଼ିକୁ ସଠିକ୍ ଭାବରେ ବାହାର କରାଯାଏ ଏବଂ ସେଗୁଡ଼ିକୁ ଏକ ଗୋଷ୍ଠୀରେ ସଠିକ୍ ଭାବରେ ଶ୍ରେଣୀଭୁକ୍ତ କରାଯାଏ । ତେଣୁ ଆମକୁ ବିଶେଷତ୍ୱ ଉତ୍ତୋଳନକାରୀ ଓ ଶ୍ରେଣୀକରଣକାରୀକୁ ଭଲଭାବେ ଅନୁଧ୍ୟାନ କରିବାକୁ ହେବ । ଏହି କାଗଜରେ, ଫିଚର ଏକ୍ସଟ୍ରାକ୍ଟରରେ ଏକ ପ୍ରମୁଖ ଭୂମିକା ଗ୍ରହଣ କରିବା ପାଇଁ ପ୍ରିନ୍ସିପାଲ କମ୍ପୋନେଣ୍ଟ ଆନାଲିସିସ (ପିସିଏ) ର ବ୍ୟବହାର କରାଯାଇଛି ଏବଂ ଚେହେରା ଚିହ୍ନଟ ସମସ୍ୟାର ସମାଧାନ ପାଇଁ ଏସଭିଏମ ବ୍ୟବହାର କରାଯାଇଛି । ନିକଟରେ, ନମୁନା ଚିହ୍ନଟ ପାଇଁ ଏକ ନୂତନ ବର୍ଗୀକରଣକାରୀ ଭାବରେ ସପୋର୍ଟ ଭେକ୍ଟର ମେସିନ (SVM) ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । ଆମେ କେମ୍ବ୍ରିଜ ଓଆରଏଲ ଫେସ ଡାଟାବେସରେ ଏସଭିଏମର ସମ୍ଭାବନାକୁ ଉଦାହରଣ ଭାବେ ଉପସ୍ଥାପନ କରୁଛୁ, ଯେଉଁଥିରେ ୪୦ ଜଣ ବ୍ୟକ୍ତିଙ୍କର ୪୦୦ଟି ଚିତ୍ର ରହିଛି, ଯେଉଁଥିରେ ଉଚ୍ଚ ସ୍ତରର ଅଭିବ୍ୟକ୍ତି, ଭଙ୍ଗୀ ଏବଂ ଚେହେରା ବିବରଣୀ ରହିଛି । ଏଥିରେ ରେଖୀ (ଏଲଏସଭିଏମ), ବହୁପଦ (ପିଏସଭିଏମ) ଏବଂ ରେଡିୟଲ ବେସ ଫଙ୍କସନ (ଆରବିଏଫଏସଭିଏମ) ଏସଭିଏମ ବ୍ୟବହାର କରାଯାଇଛି । ଆମେ ପରୀକ୍ଷାମୂଳକ ପ୍ରମାଣ ପ୍ରଦାନ କରିଛୁ ଯାହା ଦର୍ଶାଉଛି ଯେ ପଲିନୋମିୟଲ ଏବଂ ରେଡିୟଲ ବେସିସ ଫଙ୍କସନ (ଆରବିଏଫ) ଏସଭିଏମ ଓଆରଏଲ ଫେସ ଡାଟାସେଟରେ ରେଖୀ ଏସଭିଏମ ଠାରୁ ଭଲ ପ୍ରଦର୍ଶନ କରିଥାଏ ଯେତେବେଳେ ଉଭୟକୁ ଏକ ବିପରୀତ ସମସ୍ତ ବର୍ଗୀକରଣ ସହିତ ବ୍ୟବହାର କରାଯାଏ । ଆମେ ମଧ୍ୟ ଏସଭିଏମ ଆଧାରିତ ଚିହ୍ନଟକୁ ଷ୍ଟାଣ୍ଡାର୍ଡ ଏଜେନଫେସ ଆଭିମୁଖ୍ୟ ସହିତ ମଲ୍ଟି-ଲେୟାର୍ ପର୍ସେପ୍ଟ୍ରନ୍ (ଏମ୍ଏଲ୍ପି) ବର୍ଗୀକରଣ ମାନଦଣ୍ଡ ବ୍ୟବହାର କରି ତୁଳନା କରିଛୁ । |
47daf9cc8fb15b3a4b7c3db4498d29a5a8b84c22 | 3D ବସ୍ତୁ ଶ୍ରେଣୀକରଣ ହେଉଛି କମ୍ପ୍ୟୁଟର ଭିଜନରେ ଏକ ଅଣ-ତଥ୍ୟ କାର୍ଯ୍ୟ ଯାହା ଅନେକ ବାସ୍ତବ ଦୁନିଆର ପ୍ରୟୋଗକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରେ । ଆମେ 3D ବହୁମୁଖୀ ମେଷକୁ ଶ୍ରେଣୀଭୁକ୍ତ କରିବା ପାଇଁ ସମସ୍ୟା ସୃଷ୍ଟି କରିଥାଉ, ଯାହାଦ୍ୱାରା ଆମେ 2D ଚିତ୍ରରୁ ଦୃଶ୍ୟମାନ ହେଉଥିବା ପରିବର୍ତ୍ତନକୁ ଶିକ୍ଷା କରିପାରିବା । 3D ବହୁମୁଖୀ ମେଖାର ଏକ କୋରପସକୁ ଦେଇ, ଆମେ ପ୍ରଥମେ ସମାନ୍ତରାଳ ଗୋଲକ ଉପରେ ଏକାଧିକ ଦୃଷ୍ଟିକୋଣରୁ ଅନୁରୂପ RGB ଏବଂ ଗଭୀରତା ପ୍ରତିଛବିଗୁଡିକ ପ୍ରସ୍ତୁତ କରୁ । ରାଙ୍କିଙ୍ଗ ପୁଲିଂ ବ୍ୟବହାର କରି, ଆମେ 2D ଦୃଶ୍ୟର ଦୃଶ୍ୟ ବିକାଶକୁ ଶିଖିବା ପାଇଁ ଦୁଇଟି ପଦ୍ଧତି ପ୍ରସ୍ତାବିତ କରୁଛୁ । ପ୍ରଥମେ, ଆମେ ଗଭୀର କଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କ (ସିଏନଏନ) ଉପରେ ଆଧାରିତ ଭିଜୁଆଲ-ଇନଭାରିଏଣ୍ଟ ମଡେଲକୁ ପ୍ରଶିକ୍ଷଣ ଦେଇଛୁ ଏବଂ ରେଣ୍ଡର କରାଯାଇଥିବା ଆରଜିବି-ଡି ଇମେଜକୁ ବ୍ୟବହାର କରି ପ୍ରଥମ ସଂପୂର୍ଣ୍ଣ ସଂଯୁକ୍ତ ସ୍ତର ସକ୍ରିୟକରଣକୁ ର୍ୟାଙ୍କ କରିବା ଏବଂ ଏହିପରି ଭାବରେ, ଏହି ବାହାର କରାଯାଇଥିବା ବୈଶିଷ୍ଟ୍ୟଗୁଡିକର ବିବର୍ତ୍ତନକୁ ଧରିବା ଶିଖୁଛୁ । ଏହି ପ୍ରକ୍ରିୟାରେ ଶିଖାଯାଇଥିବା ପାରାମିଟରକୁ 3D ଆକୃତିର ପ୍ରତିନିଧିତ୍ୱ ଭାବରେ ବ୍ୟବହାର କରାଯାଏ । ଦ୍ୱିତୀୟ ଉପାୟରେ, ଆମେ ମୂଳରୁ ହିଁ ଦୃଶ୍ୟର ସମଷ୍ଟିକୁ ଶିଖୁ, ସିଧାସଳଖ ଭାବରେ ରେଣ୍ଡର କରାଯାଇଥିବା RGB-D ପ୍ରତିଛବିକୁ ର୍ୟାଙ୍କିଙ୍ଗ ମେସିନକୁ ବ୍ୟବହାର କରି, ଯାହା ସମଷ୍ଟି 2D ପ୍ରତିଛବି ଉତ୍ପାଦନ କରେ ଯାହାକୁ ଆମେ ``3D ଆକୃତି ପ୍ରତିଛବି ବୋଲି କହିଥାଉ । ତାପରେ ଆମେ ସିଏନଏନ ମଡେଲକୁ ଶିଖୁଛୁ ଏହି ନୂଆ ଆକୃତିର ପ୍ରତିନିଧିତ୍ୱ ପାଇଁ ଉଭୟ ଆରଜିବି ଏବଂ ଗଭୀରତା ଯାହା ପଲିଗନର ଜ୍ୟାମିତିୟ ସଂରଚନାକୁ ଏନକୋଡ୍ କରେ । ମଡେଲନେଟ40 ଏବଂ ମଡେଲନେଟ10 ଡାଟାସେଟରେ କରାଯାଇଥିବା ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ ପ୍ରସ୍ତାବିତ ପଦ୍ଧତି 3D ଆକୃତି ଚିହ୍ନଟ କ୍ଷେତ୍ରରେ ବର୍ତ୍ତମାନର ଅତ୍ୟାଧୁନିକ ଆଲଗୋରିଦମ ଠାରୁ ସର୍ବଦା ଭଲ । |
58156d27f80ee450ba43651a780ebd829b70c363 | ପୂର୍ବ ଗବେଷଣା ଅନୁସାରେ କର୍ଣ୍ଣଲ ମନିଟରିଂ ଏବଂ ପ୍ରୋଟେକ୍ସନ ଉପରେ ଅଧିକ ପ୍ରାଧିକୃତ ସିଷ୍ଟମ ଉପାଦାନ ଉପରେ ନିର୍ଭର କରିଥାଏ, ଯେପରିକି ହାର୍ଡୱେର ଭର୍ଚୁଆଲାଇଜେସନ ଏକ୍ସଟେନସନ, ସମ୍ଭାବ୍ୟ କର୍ଣ୍ଣଲ ଆକ୍ରମଣରୁ ସୁରକ୍ଷା ଉପକରଣକୁ ଅଲଗା କରିବା ପାଇଁ । ଏହି ପଦ୍ଧତିଗୁଡ଼ିକ ଉଭୟ ରକ୍ଷଣାବେକ୍ଷଣ ପ୍ରୟାସ ଏବଂ ପ୍ରାଧିକୃତ ସିଷ୍ଟମ ଉପାଦାନଗୁଡ଼ିକର କୋଡ୍ ଆଧାର ଆକାରକୁ ବୃଦ୍ଧି କରିଥାଏ, ଯାହା ଫଳସ୍ୱରୂପ ସୁରକ୍ଷା ଦୁର୍ବଳତାର ବିପଦକୁ ବୃଦ୍ଧି କରିଥାଏ । ଏସକେଇଇ, ଯାହାକି ସିକ୍ୟୁରିଟି କେରନ ଲେଭଲ ଏକଜିକ୍ୟୁସନ ଏନଭାର୍ନମେଣ୍ଟ ପାଇଁ ଉଦ୍ଦିଷ୍ଟ, ଏହି ମୌଳିକ ସମସ୍ୟାର ସମାଧାନ କରିଥାଏ । SKEE ହେଉଛି ଏକ ନୂତନ ବ୍ୟବସ୍ଥା ଯାହା କର୍ଣ୍ଣଲର ସମାନ ଅଧିକାର ସ୍ତରରେ ଏକ ପୃଥକ ହାଲୁକା କାର୍ଯ୍ୟକାରିତା ପରିବେଶ ପ୍ରଦାନ କରିଥାଏ । ଏସକେଇଇକୁ କମୋଡିଟି ଏଆରଏମ ପ୍ଲାଟଫର୍ମ ପାଇଁ ଡିଜାଇନ କରାଯାଇଛି । ଏହାର ମୁଖ୍ୟ ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଉଚ୍ଚତର ଅଧିକାରପ୍ରାପ୍ତ ସଫ୍ଟୱେରଗୁଡ଼ିକର ସକ୍ରିୟ ଅଂଶଗ୍ରହଣ ବିନା କର୍ଣ୍ଣଲର ନିରାପଦ ନିରୀକ୍ଷଣ ଏବଂ ସୁରକ୍ଷା । ଏସକେଇଇ ଏକ ନୂତନ କୌଶଳ ପ୍ରଦାନ କରୁଛି ଯାହାଦ୍ୱାରା ଆଇସୋଲେସନ ସୁନିଶ୍ଚିତ ହୋଇପାରିବ । ଏହା ଏକ ସୁରକ୍ଷିତ ଠିକଣା ସ୍ଥାନ ସୃଷ୍ଟି କରିଥାଏ ଯାହା କି କର୍ଣ୍ଣଲ ପାଇଁ ଉପଲବ୍ଧ ହୋଇନଥାଏ, ଯାହାକି କର୍ଣ୍ଣଲ ଏବଂ ପୃଥକ ପରିବେଶ ଉଭୟ ସମାନ ଅଧିକାର ସ୍ତର ବାଣ୍ଟିଥିବା ବେଳେ ହାସଲ କରିବା କଷ୍ଟକର ହୋଇଥାଏ । SKEE ଏହି ସମସ୍ୟାକୁ ସମାଧାନ କରିଥାଏ, ଏହାଦ୍ୱାରା କେରନେଲ ନିଜର ମେମୋରୀ ଟ୍ରାନ୍ସଲେସନ ଟେବୁଲକୁ ପରିଚାଳନା କରିପାରିବ ନାହିଁ । ତେଣୁ, ସିଷ୍ଟମ ମେମୋରୀ ଲେଆଉଟକୁ ପରିବର୍ତ୍ତନ କରିବା ପାଇଁ କେରନେଲକୁ SKEE କୁ ପରିବର୍ତ୍ତନ କରିବାକୁ ବାଧ୍ୟ କରାଯାଏ । ଏସକେଇଇ ନିଜ ତରଫରୁ ଯାଞ୍ଚ କରେ ଯେ ଅନୁରୋଧ କରାଯାଇଥିବା ପରିବର୍ତ୍ତନ ସଂରକ୍ଷିତ ଠିକଣା ସ୍ଥାନର ବିଚ୍ଛିନ୍ନତାକୁ ପ୍ରଭାବିତ କରେ ନାହିଁ । OS କର୍ଣ୍ଣଲରୁ SKEE କୁ ସୁଇଚ୍ କରିବା ଏକ ଭଲ ଭାବରେ ନିୟନ୍ତ୍ରିତ ସୁଇଚ୍ ଗେଟ୍ ମାଧ୍ୟମରେ ହୋଇଥାଏ । ଏହି ସୁଇଚ୍ ଗେଟ୍ କୁ ଯତ୍ନର ସହିତ ଡିଜାଇନ୍ କରାଯାଇଛି ଯାହା ଦ୍ବାରା ଏହାର କାର୍ଯ୍ୟକାରିତା କ୍ରମ ପରମାଣୁ ଏବଂ ନିର୍ଣ୍ଣାୟକ ଅଟେ । ଏହି ଗୁଣଗୁଡିକ ମିଳିତ ଭାବରେ ଗ୍ୟାରେଣ୍ଟି ଦେଇଥାଏ ଯେ ଏକ ସମ୍ଭାବ୍ୟ ଭାବରେ କ୍ଷତିଗ୍ରସ୍ତ କର୍ଣ୍ଣଲ ବିଚ୍ଛିନ୍ନତା ପ୍ରତି ବିପଦ ସୃଷ୍ଟି କରିବା ପାଇଁ ସୁଇଚିଂ କ୍ରମକୁ ବ୍ୟବହାର କରିପାରିବ ନାହିଁ । ଯଦି କେରନେଲ ଏହି ଗୁଣକୁ ଉଲ୍ଲଂଘନ କରିବାକୁ ଚେଷ୍ଟା କରେ, ତେବେ ଏହା କେବଳ ସିଷ୍ଟମକୁ ବିଫଳ କରିବ ଏବଂ ସୁରକ୍ଷିତ ଠିକଣା ସ୍ଥାନକୁ ପ୍ରକାଶ କରିବ ନାହିଁ । SKEE କେବଳ ସମଗ୍ର OS ସ୍ମୃତିର ପ୍ରବେଶ ଅନୁମତିକୁ ନିୟନ୍ତ୍ରଣ କରିଥାଏ । ତେଣୁ ଏହା ଆକ୍ରମଣକୁ ରୋକିଥାଏ ଯାହା କେରନରେ ଅସ୍ବୀକୃତ କୋଡକୁ ଇଞ୍ଜେକ୍ଟ କରିବାକୁ ଚେଷ୍ଟା କରିଥାଏ । ଏହାବ୍ୟତୀତ ବିଭିନ୍ନ ପ୍ରକାର ଅନୁପ୍ରବେଶ ଚିହ୍ନଟ ଓ ଅଖଣ୍ଡତା ଯାଞ୍ଚ ଉପକରଣକୁ ସମର୍ଥନ କରିବା ପାଇଁ ଏହାକୁ ଅନ୍ୟାନ୍ୟ ସିଷ୍ଟମ ଘଟଣାଗୁଡ଼ିକୁ ଅବରୋଧ କରିବା ପାଇଁ ସହଜରେ ବିସ୍ତାର କରାଯାଇପାରିବ । ଏହି କାଗଜରେ ଏକ SKEE ପ୍ରୋଟୋଟାଇପ ଉପସ୍ଥାପିତ କରାଯାଇଛି ଯାହା 32-ବିଟ୍ ARMv7 ଏବଂ 64-ବିଟ୍ ARMv8 ଉଭୟ ସ୍ଥାପତ୍ୟରେ ଚାଲିଥାଏ । କାର୍ଯ୍ୟଦକ୍ଷତା ମୂଲ୍ୟାୟନ ଫଳାଫଳ ଦର୍ଶାଏ ଯେ ବାସ୍ତବ ଦୁନିଆର ସିଷ୍ଟମ ପାଇଁ SKEE ଏକ ବ୍ୟବହାରିକ ସମାଧାନ ଅଟେ । ଏହି ଲେଖକମାନେ ଏହି କାମରେ ସମାନ ଭାବରେ ଯୋଗଦାନ କରିଛନ୍ତି |
698902ce1a836d353d4ff955c826095e28506e05 | |
da09bc42bbf5421b119abea92716186a1ca3f02f | ଆମେ ଏକ ନୂଆ ପ୍ରକାରର ପରିଚୟ-ଆଧାରିତ ଏନକ୍ରିପସନ୍ (ଆଇବିଇ) ଯୋଜନା ପ୍ରଚଳନ କରୁଛୁ ଯାହାକୁ ଆମେ ଫଜ୍ଜୀ ପରିଚୟ-ଆଧାରିତ ଏନକ୍ରିପସନ୍ ବୋଲି କହୁଛୁ । ଫଜ୍ଜୀ ଆଇବିଇରେ ଆମେ ଏକ ପରିଚୟକୁ ବର୍ଣ୍ଣନାତ୍ମକ ଗୁଣର ଏକ ସେଟ୍ ଭାବରେ ଦେଖୁ । ଏକ ଫଜ୍ଜୀ IBE ଯୋଜନା ଏକ ପରିଚୟ, ω ପାଇଁ ଏକ ବ୍ୟକ୍ତିଗତ ଚାବି ପାଇଁ ଅନୁମତି ଦେଇଥାଏ, ଏକ ପରିଚୟ, ω′ ସହିତ ଏକ ସିଫ୍ଟ ପାଠ୍ୟକୁ ଡିକ୍ରିପ୍ଟ କରିବାକୁ, ଯଦି ଏବଂ କେବଳ ଯଦି ପରିଚୟ ω ଏବଂ ω′ ପରସ୍ପରର ନିକଟବର୍ତ୍ତୀ ହୋଇଥା ନ୍ତି, ଯାହା ସେଟ୍ ଓଭରଲପ୍ ଦୂରତା ମେଟ୍ରିକ୍ ଦ୍ୱାରା ମାପ କରାଯାଏ _ ଏକ ଫଜ୍ଜୀ ଆଇବିଇ ଯୋଜନାକୁ ପରିଚୟ ଭାବରେ ବାୟୋମେଟ୍ରିକ୍ ଇନପୁଟ୍ ବ୍ୟବହାର କରି ଏନକ୍ରିପସନ୍ ସକ୍ଷମ କରିବାକୁ ପ୍ରୟୋଗ କରାଯାଇପାରିବ; ଏକ ଫଜ୍ଜୀ ଆଇବିଇ ଯୋଜନାର ତ୍ରୁଟି-ସହନଶୀଳତା ସମ୍ପତ୍ତି ହେଉଛି ଠିକ୍ ଯାହା ବାୟୋମେଟ୍ରିକ୍ ପରିଚୟ ବ୍ୟବହାର ପାଇଁ ଅନୁମତି ଦେଇଥାଏ, ଯାହା ସ୍ୱଭାବିକ ଭାବରେ ପ୍ରତ୍ୟେକ ଥର ନମୁନା ସଂଗ୍ରହ ସମୟରେ କିଛି ଶବ୍ଦ ସୃଷ୍ଟି କରିବ _ ଏହା ସହିତ, ଆମେ ଦେଖାଇବୁ ଯେ ଫଜ୍ଜୀ-ଆଇବିଇକୁ ଏକ ପ୍ରକାର ପ୍ରୟୋଗ ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ ଯାହାକୁ ଆମେ "ପ୍ରତିଶେଷ ଆଧାରିତ ଏନକ୍ରିପସନ୍" ବୋଲି କହିଥାଉ । ଏହି ଲେଖାରେ ଆମେ ଫଜ୍ଜୀ ଆଇବିଇ ସ୍କିମର ଦୁଇଟି ନିର୍ମାଣ ଉପସ୍ଥାପନ କରୁଛୁ । ଆମର ନିର୍ମାଣକୁ ଏକ (ଅସ୍ପଷ୍ଟ) ପରିଚୟକୁ ଗଠିତ କରୁଥିବା ଅନେକ ଗୁଣ ଅଧୀନରେ ଏକ ସନ୍ଦେଶର ଏକ ପରିଚୟ-ଆଧାରିତ ଏନକ୍ରିପସନ୍ ଭାବରେ ଦେଖାଯାଏ । ଆମର ଆଇବିଇ ଯୋଜନା ଉଭୟ ତ୍ରୁଟି-ସହିଷ୍ଣୁ ଏବଂ ସମ୍ମିଶ୍ରଣ ଆକ୍ରମଣ ବିରୁଦ୍ଧରେ ସୁରକ୍ଷିତ । ଏହା ସହିତ, ଆମର ମୌଳିକ ଗଠନ କୌଣସି ପ୍ରକାର ଭଣ୍ଡ ଭବିଷ୍ୟବାଣୀ ବ୍ୟବହାର କରେ ନାହିଁ । ଆମେ ଆମର ଯୋଜନାଗୁଡ଼ିକର ସୁରକ୍ଷା ଚୟନକର୍ତ୍ତା-ଆଇଡି ସୁରକ୍ଷା ମଡେଲ ଅଧୀନରେ ପ୍ରମାଣିତ କରୁଛୁ । |
b3baba6c34a2946b999cc0f6be6bb503d303073e | ଏହି କାଗଜରେ କୋଲମୋଗୋରୋଭ-ସ୍ମିରନୋଭ (କେଏସ) ପରୀକ୍ଷଣର ଏକ ସଂଶୋଧିତ ଆଧାରରେ ରିସିଭର ଅପରେଟିଂ ଚରିତ୍ର (ଆରଓସି) ବକ୍ରର ଏକ୍ସକ୍ୱିଭେନସିର ଏକ ସରଳ, ଅଣ-ପାରାମେଟ୍ରିକ ଏବଂ ଜେନେରିକ ପରୀକ୍ଷଣ ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଏହି ପରୀକ୍ଷଣର ବର୍ଣ୍ଣନା ସାଧାରଣ ଭାବେ ବ୍ୟବହୃତ କୌଶଳ ଯଥା ଆରଓସି ବକ୍ରତା ତଳେ ଥିବା କ୍ଷେତ୍ର (ଏୟୁସି) ଏବଂ ନିମ୍ୟାନ୍-ପିୟାର୍ସନ ପଦ୍ଧତି ସହିତ କରାଯାଇଛି । ଆମେ ପ୍ରଥମେ ସମୀକ୍ଷା କରିବା କି କିପରି KS ପରୀକ୍ଷଣକୁ ନଳ ପରିକଳ୍ପନା ପରୀକ୍ଷା କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଏ ଯେ ଶ୍ରେଣୀକରଣ ଦ୍ୱାରା ପୂର୍ବାନୁମାନ କରାଯାଇଥିବା ଶ୍ରେଣୀ ଲେବଲ୍ଗୁଡିକ ଆକସ୍ମିକ ଠାରୁ ଭଲ ନୁହେଁ । ଆମେ ଏକ ଅନ୍ତରାଳ ମ୍ୟାପିଂ କୌଶଳ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଆମକୁ ଦୁଇଟି କେଏସ ପରୀକ୍ଷଣ ବ୍ୟବହାର କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ, ଯାହା ଦ୍ବାରା ଦୁଇଟି ବର୍ଗୀକରଣର ସମାନ ROC ବକ୍ରତା ଅଛି ବୋଲି ଶୂନ୍ୟ ଅନୁମାନକୁ ପରୀକ୍ଷା କରାଯାଇପାରିବ । ଆମେ ଦେଖାଇଦେଉଛୁ ଯେ ଏହି ପରୀକ୍ଷଣ ଭିନ୍ନ ଭିନ୍ନ ROC ବକ୍ରକୁ ଭେଦଭାବ କରିଥାଏ ଯେତେବେଳେ ଗୋଟିଏ ବକ୍ର ଅନ୍ୟ ଉପରେ ପ୍ରାଧାନ୍ୟ ବିସ୍ତାର କରିଥାଏ ଏବଂ ଯେତେବେଳେ ବକ୍ରଗୁଡ଼ିକ ପରସ୍ପରକୁ ଅତିକ୍ରମ କରିଥାଏ ଏବଂ ଏଣୁ AUC ଦ୍ୱାରା ଭେଦଭାବ କରାଯାଏ ନାହିଁ । ଅନ୍ତରାଳ ମ୍ୟାପିଂ କୌଶଳ ପରେ ଏହା ଦର୍ଶାଇବା ପାଇଁ ବ୍ୟବହାର କରାଯାଏ ଯେ, ଯଦିଓ AUCର ସୀମିତତା ଅଛି, ଏହା ଶ୍ରେଣୀକରଣ କାର୍ଯ୍ୟଦକ୍ଷତାର ଏକ ମଡେଲ-ସ୍ୱାଧୀନ ଏବଂ ସୁସଂଗତ ମାପ ହୋଇପାରେ । |
090f4b588ba58c36a21eddd67ea33d59614480c1 | ମୋର ଆଭିମୁଖ୍ୟ ଏକ ନିବିଡ଼ ବକ୍ତବ୍ୟ ମଡେଲ ଉପରେ ନିର୍ଭର କରେ ଏବଂ ଶବ୍ଦକୋଷୀୟ ଜ୍ଞାନ ଆଧାରରୁ ପ୍ରାପ୍ତ ଆନିମେସନ୍ ସୂଚନା ଉପରେ ନିର୍ଭର କରେ । ମୁଁ ମଧ୍ୟ ଦେଖାଇବି କିପରି ବାକ୍ୟର ଅଂଶ ଏବଂ ସଂଜ୍ଞା ଖଣ୍ଡ ଦ୍ୱାରା ପ୍ରତିନିଧିତ୍ୱ କରୁଥିବା ସ୍ଥାନୀୟ ପ୍ରସଙ୍ଗ ଉପରେ ଆଧାରିତ ଏକ ନିଷ୍ପତ୍ତି ପ୍ରକ୍ରିୟା ବ୍ୟବହାର କରି ବାକ୍ୟର ଉପାଦାନ ଏବଂ ଆପୋଜିଟିଭ୍ ସୀମା ନିର୍ଣ୍ଣୟ କରାଯାଇପାରିବ । ସରଳୀକରଣ ପ୍ରକ୍ରିୟାରେ ମୁଁ ବାକ୍ୟରଚନା ଓ ବକ୍ତବ୍ୟ ମଧ୍ୟରେ ହେଉଥିବା ପାରସ୍ପରିକ କ୍ରିୟାକୁ ଔପଚାରିକତା ପ୍ରଦାନ କରେ । ଏହା ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କାରଣ ଯଦି ପୁନଃଲିଖିତ ପାଠ୍ୟର ଏକୀକରଣ ନଥାଏ ତେବେ ଏକ ପାଠ୍ୟକୁ ବ୍ୟାପକ ଦର୍ଶକଙ୍କ ନିକଟରେ ଉପଲବ୍ଧ କରାଇବାରେ ବାକ୍ୟରଚନା ସରଳୀକରଣର ଉପଯୋଗିତା କ୍ଷୁର୍ଣ୍ଣ ହୋଇପାରେ । ମୁଁ ବର୍ଣ୍ଣନା କରୁଛି କି କିପରି ବିଭିନ୍ନ ପ୍ରକାର ଜେନେରେସନ ସମସ୍ୟା ଯେପରି ବାକ୍ୟର କ୍ରମ, କ୍ୟୁ-ୱାର୍ଡ ଚୟନ, ରେଫରିଙ୍ଗ-ଏକ୍ସପ୍ରେସନ ଜେନେରେସନ, ନିର୍ଣ୍ଣାୟକ ଚୟନ ଏବଂ ପ୍ରୋନୋମିନଲ ବ୍ୟବହାରକୁ ସମାଧାନ କରାଯାଇପାରିବ ଯାହାଦ୍ୱାରା ସଂଯୋଜକ ଏବଂ ଆନାଫୋରିକ ସମନ୍ୱୟ-ସଂପର୍କକୁ ସଂଯୋଜକ ସରଳୀକରଣ ସମୟରେ ସଂରକ୍ଷିତ କରାଯାଇପାରିବ । ସଂଯୋଜନାଗତ ସରଳୀକରଣ କରିବା ପାଇଁ ମୋତେ ବିଭିନ୍ନ ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ ସମସ୍ୟାକୁ ସମାଧାନ କରିବାକୁ ପଡିଛି, ଯେଉଁଥିରେ ବାକ୍ୟ ଏବଂ ଆପୋଜିଟିଭ୍ ଚିହ୍ନଟ ଏବଂ ସଂଲଗ୍ନ, ସର୍ବନାମ ସମାଧାନ ଏବଂ ରେଫରର୍-ଅଭିପ୍ରାୟ ସୃଷ୍ଟି ଅନ୍ତର୍ଭୁକ୍ତ । ମୁଁ ପ୍ରତ୍ୟେକ ସମସ୍ୟାକୁ ସମାଧାନ କରିବା ପାଇଁ ମୋର ଆଭିମୁଖ୍ୟକୁ ବ୍ୟକ୍ତିଗତ ଭାବରେ ମୂଲ୍ୟାଙ୍କନ କରେ, ଏବଂ ମୋର ବାକ୍ୟବିନ୍ୟାସ ସରଳୀକରଣ ବ୍ୟବସ୍ଥାର ଏକ ସାମଗ୍ରିକ ମୂଲ୍ୟାଙ୍କନ ମଧ୍ୟ ଉପସ୍ଥାପନ କରେ । ବାକ୍ୟର ସରଳୀକରଣ ହେଉଛି ଏକ ପାଠର ବ୍ୟାକରଣିକ ଜଟିଳତାକୁ ହ୍ରାସ କରିବା ସହିତ ଏହାର ସୂଚନା ବିଷୟବସ୍ତୁ ଏବଂ ଅର୍ଥକୁ ବଜାୟ ରଖିବା ପ୍ରକ୍ରିୟା । ବାକ୍ୟର ସରଳୀକରଣର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ପାଠ୍ୟକୁ ମଣିଷ ପାଠକମାନଙ୍କ ପାଇଁ ବୁଝିବା ସହଜ କରିବା କିମ୍ବା ପ୍ରୋଗ୍ରାମ ଦ୍ୱାରା ପ୍ରକ୍ରିୟାକରଣ କରିବା । ଏହି ଥିସସରେ, ମୁଁ ବର୍ଣ୍ଣନା କରୁଛି କିପରି ଶବ୍ଦକୋଷୀୟ ସରଳୀକରଣକୁ ଉପରସ୍ତରୀୟ ଦୃଢ଼ ବିଶ୍ଳେଷଣ, ହାତ ତିଆରି ସରଳୀକରଣ ନିୟମର ଏକ ଛୋଟ ସେଟ୍ ଏବଂ ବାକ୍ୟର ଶବ୍ଦକୋଷୀୟ ପୁନଃଲିଖନର ବକ୍ତବ୍ୟ ସ୍ତରୀୟ ଦିଗର ବିସ୍ତୃତ ବିଶ୍ଳେଷଣ ବ୍ୟବହାର କରି ହାସଲ କରାଯାଇପାରିବ । ମୁଁ ଆପେକ୍ଷିକ ବାକ୍ୟ, ଆପୋଜିସନ, ସମନ୍ୱୟ ଏବଂ ଅଧୀନତା ଉପରେ ଏକ ଉପଚାର ପ୍ରଦାନ କରୁଛି । ମୁଁ ସମ୍ବନ୍ଧୀୟ ବାକ୍ୟ ଏବଂ ଆପୋଜିଟିଭ୍ ଆଟାଚ ପାଇଁ ନୂଆ କୌଶଳ ଉପସ୍ଥାପନ କରୁଛି । ମୁଁ ଯୁକ୍ତି କରୁଛି ଯେ ଏହି ସଂଲଗ୍ନ ନିଷ୍ପତ୍ତିଗୁଡ଼ିକ ସମ୍ପୂର୍ଣ୍ଣ ଭାବେ ବାକ୍ୟବିନ୍ୟାସଗତ ନୁହେଁ । |
a9a7168b5b45fcf63e7f8904f68f6a90f8062443 | |
6d7c6c8828c7ac91cc74a79fdc06b5783102a784 | ଏହି ଲେଖାରେ ସ୍ୱାସ୍ଥ୍ୟ ସମ୍ବନ୍ଧୀୟ ପ୍ରୟୋଗ ଉପରେ ଆଧାରିତ ମାଇକ୍ରୋୱେଭ୍ ଭିଜନ କମ୍ପାନୀ, ପୂର୍ବତନ ସାଟିମୋ, ର କାର୍ଯ୍ୟକଳାପ ବିଷୟରେ ସୂଚନା ଦିଆଯାଇଛି । ନିର୍ଦ୍ଦିଷ୍ଟ ଅବଶୋଷଣ ହାର (SAR) ମାପ ଏବଂ ରେଫରେନ୍ସ ସୁରକ୍ଷା ଦୃଷ୍ଟିରୁ ବର୍ତ୍ତମାନର ଉତ୍ପାଦଗୁଡ଼ିକର ବିସ୍ତୃତ ବର୍ଣ୍ଣନା କରାଯାଇଛି । ମାଇକ୍ରୋୱେଭ୍ ବ୍ୟବହାର କରି ସ୍ତନ ରୋଗ ଚିହ୍ନଟ ପାଇଁ ଏକ ନୂତନ ଇମେଜିଂ ମୋଡାଲିଟିର ବିକାଶର ଅଗ୍ରଗତି ବିଷୟରେ ଶୀଘ୍ର ରିପୋର୍ଟ କରାଯିବ । |
0c1a55e0e02c1dbf6cf363ec022ca17925586e16 | ଟ୍ରାକ୍ କରାଯାଉଥିବା ବସ୍ତୁ ଚିହ୍ନଟ ବାୟୁ, ଭୂମି, ଭୂତଳ (ସାମୁଦ୍ରିକ) ଏବଂ ସ୍ଥଳ ପରିବେଶ ପାଇଁ ସ୍ୱୟଂଚାଳିତ ନିରୀକ୍ଷଣ ଏବଂ ସୂଚନା ପ୍ରଣାଳୀର ଏକ ପ୍ରମୁଖ କ୍ଷମତା, ପରିସ୍ଥିତି ସଚେତନତା ବୃଦ୍ଧି କରିବା ଏବଂ ପରିଚାଳନା ଉପଭୋକ୍ତାମାନଙ୍କୁ ନିଷ୍ପତ୍ତି ସହାୟତା ପ୍ରଦାନ କରିବା । ବେୟସୀୟ ଆଧାରିତ ପରିଚୟ ତଥ୍ୟର ମିଶ୍ରଣ ପ୍ରକ୍ରିୟା (ଆଇଡିସିପି) ବିଭିନ୍ନ ଉତ୍ସରୁ ଅନିଶ୍ଚିତ ପରିଚୟ ସୂଚକାଙ୍କର ମିଶ୍ରଣ ପାଇଁ ଏକ ପ୍ରଭାବଶାଳୀ ଉପକରଣ ପ୍ରଦାନ କରେ । ଏହି ପ୍ରକ୍ରିୟାର ବିନ୍ୟାସ ପାଇଁ ଏକ ଉପଭୋକ୍ତା-ଆଧାରିତ ପଦ୍ଧତି ପ୍ରବର୍ତ୍ତନ କରାଯାଇଛି, ଯାହା ଅପରେଟରମାନଙ୍କୁ ବିଭିନ୍ନ କାର୍ଯ୍ୟକ୍ଷମ ପରିସ୍ଥିତିରେ ଆଇଡିସିପିକୁ ପରିବର୍ତ୍ତନଶୀଳ ଚିହ୍ନଟ ଆବଶ୍ୟକତା ଅନୁଯାୟୀ ଅନୁକୂଳ କରିବାକୁ ସକ୍ଷମ କରେ । କାଗଜପତ୍ରର ବ୍ୟବହାର ଓ ନିଷ୍ପତ୍ତି ତତ୍ତ୍ବଜ୍ଞାନର ଫଳାଫଳକୁ ବ୍ୟବହାର କରି ବେଜେସୀୟ ତଥ୍ୟର ପୁନରୁଦ୍ଧାର ପାଇଁ ଭଲ ପ୍ରବେଶର ସୁବିଧା ମିଳିଥାଏ ଏବଂ ଏହାଦ୍ୱାରା ପରିଚାଳନା ବିଶେଷଜ୍ଞମାନେ ସହଜରେ ବିନ୍ୟାସ କରିପାରିବେ । |
2636bff7d3bdccf9b39c5e1e7d86a77690f1c07d | ରିଏନଫୋର୍ସମେଣ୍ଟ ଲର୍ଣ୍ଣିଂ (ଆରଏଲ) ରେ କ୍ରେଡିଟ ପ୍ରଦାନର ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ତଥା ଆହ୍ୱାନପୂର୍ଣ୍ଣ ସମସ୍ୟାର ମୁକାବିଲା ପାଇଁ ପୁରସ୍କାର ଗଠନ ହେଉଛି ଏକ ପ୍ରଭାବଶାଳୀ ଉପାୟ । କିନ୍ତୁ, ଆକୃତି ପ୍ରଦାନକାରୀ କାର୍ଯ୍ୟର ଡିଜାଇନ୍ କରିବା ପାଇଁ ସାଧାରଣତଃ ବିଶେଷଜ୍ଞ ଜ୍ଞାନ ଓ ହସ୍ତକଳା ଇଞ୍ଜିନିୟରିଂର ଆବଶ୍ୟକତା ପଡ଼ିଥାଏ ଏବଂ ସମାଧାନ କରିବା ପାଇଁ ଏକାଧିକ ସମାନ କାର୍ଯ୍ୟକୁ ଦେଖି ଅସୁବିଧା ଆହୁରି ବଢ଼ିଯାଏ । ଏହି କାଗଜରେ, ଆମେ କାର୍ଯ୍ୟର ବଣ୍ଟନ ଉପରେ ପୁରସ୍କାର ଗଠନକୁ ବିଚାର କରୁଛୁ, ଏବଂ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ନୂତନ ନମୁନା କାର୍ଯ୍ୟ ଉପରେ ଦକ୍ଷ ପୁରସ୍କାର ଗଠନକୁ ଶିଖିବା ପାଇଁ ଏକ ସାଧାରଣ ମେଟା-ଲର୍ଣ୍ଣିଂ ଫ୍ରେମୱାର୍କ ପ୍ରସ୍ତାବ କରୁଛୁ, କେବଳ ଅଂଶୀଦାର ରାଜ୍ୟ ସ୍ଥାନ ଧାରଣ କରି କିନ୍ତୁ ଜରୁରୀ କାର୍ଯ୍ୟ ସ୍ଥାନ ନୁହେଁ _ ଆମେ ପ୍ରଥମେ ସିଦ୍ଧାନ୍ତରେ ସର୍ବୋତ୍ତମ ପୁରସ୍କାର ଆକାର ନିର୍ଦ୍ଧାରଣ କରିଥାଉ, ମଡେଲ ମୁକ୍ତ RL ରେ କ୍ରେଡିଟ୍ ଆସାଇନମେଣ୍ଟ ପରିପ୍ରେକ୍ଷୀରେ । ତାପରେ ଆମେ ଏକ ମୂଲ୍ୟ-ଆଧାରିତ ମେଟା-ଲର୍ଣ୍ଣିଂ ଆଲଗୋରିଦମ ପ୍ରସ୍ତାବିତ କରୁଛୁ ଯାହା ଦ୍ୱାରା ସର୍ବୋତ୍ତମ ପୁରସ୍କାର ଗଠନ ଉପରେ ପ୍ରଭାବଶାଳୀ ପ୍ରାଥମିକତା ବାହାର କରାଯାଇପାରିବ । ପୂର୍ବବର୍ତ୍ତୀ କାର୍ଯ୍ୟକୁ ସିଧାସଳଖ ନୂତନ କାର୍ଯ୍ୟରେ ପ୍ରୟୋଗ କରାଯାଇପାରେ, କିମ୍ବା କିଛି ଗ୍ରାଡିଏଣ୍ଟ ଅପଡେଟ୍ ମଧ୍ୟରେ କାର୍ଯ୍ୟକୁ ସମାଧାନ କରିବା ସମୟରେ କାର୍ଯ୍ୟ-ପଶ୍ଚାତବର୍ତ୍ତୀ କାର୍ଯ୍ୟରେ ପ୍ରମାଣିତ ଭାବରେ ଅନୁକୂଳ କରାଯାଇପାରେ । ଆମେ ଆମର ଆକାରର ପ୍ରଭାବକୁ ବିଭିନ୍ନ ସେଟିଂରେ ଉଲ୍ଲେଖନୀୟ ଭାବେ ଉନ୍ନତ ଶିକ୍ଷଣ ଦକ୍ଷତା ଏବଂ ବ୍ୟାଖ୍ୟାଯୋଗ୍ୟ ଦୃଶ୍ୟ ମାଧ୍ୟମରେ ପ୍ରଦର୍ଶନ କରିଛୁ, ବିଶେଷକରି ଡିକ୍ୟୁଏନରୁ ଡିଡିପିଜିକୁ ସଫଳ ସ୍ଥାନାନ୍ତର ସହିତ । |
0309ec1f0e139cc10090c4fefa08a83a2644530a | |
42771aede47980ae8eeebac246c7a8b941d11414 | ଆମେ ବ୍ୟକ୍ତିଗତ ୱେବ ସର୍ଚ୍ଚରେ ଉନ୍ନତି ଆଣିବା ପାଇଁ ସର୍ଚ୍ଚ ଫଳାଫଳକୁ ବିବିଧ କରିବା ପାଇଁ ଉପାୟଗୁଡ଼ିକର ଉପସ୍ଥାପନା ଏବଂ ମୂଲ୍ୟାଙ୍କନ କରୁ । ଏକ ସାଧାରଣ ବ୍ୟକ୍ତିଗତକରଣ ପଦ୍ଧତି ହେଉଛି ଶୀର୍ଷ Nଟି ସନ୍ଧାନ ଫଳାଫଳକୁ ପୁନଃ-ର୍ୟାଙ୍କିଙ୍ଗ କରିବା ଯାହାଦ୍ୱାରା ଉପଭୋକ୍ତାଙ୍କ ଦ୍ୱାରା ପସନ୍ଦଯୋଗ୍ୟ ଡକ୍ୟୁମେଣ୍ଟଗୁଡିକ ଉଚ୍ଚରେ ଉପସ୍ଥାପିତ ହେବ । ପୁନଃ-ଶ୍ରେଣୀକରଣର ଉପଯୋଗିତା ଆଂଶିକ ଭାବରେ ବିଚାର କରାଯାଇଥିବା ଫଳାଫଳର ସଂଖ୍ୟା ଏବଂ ବିବିଧତା ଦ୍ୱାରା ସୀମିତ । ଆମେ ତିନିଟି ଉପାୟ ପ୍ରସ୍ତାବିତ କରୁଛୁ ଯାହାଦ୍ୱାରା ଶୀର୍ଷ ଫଳାଫଳର ବିବିଧତା ବୃଦ୍ଧି ପାଇବ ଏବଂ ଏହି ପଦ୍ଧତିଗୁଡ଼ିକର ପ୍ରଭାବକୁ ମୂଲ୍ୟାଙ୍କନ କରାଯାଇପାରିବ । |
22a8979b53315fad7f98781328cc0326b5147cca | ଏକକ-ଖାଦ୍ୟ ଚକ୍ରୀୟ-ପୋଲାରାଇଜଡ୍ ବର୍ଗ ମାଇକ୍ରୋଷ୍ଟ୍ରିପ୍ ଆଣ୍ଟିନା (CPSMA) ର ଡିଜାଇନ୍ ପାଇଁ ଏକ କୃତ୍ରିମ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ-ଆଧାରିତ ସଂଶ୍ଳେଷଣ ମଡେଲ ପ୍ରସ୍ତାବିତ ହୋଇଛି । ତାଲିମ ତଥ୍ୟ ସେଟ ପାଇବା ପାଇଁ, ବର୍ଗ ମାଇକ୍ରୋଷ୍ଟ୍ରିପ୍ ଆଣ୍ଟେନାଗୁଡ଼ିକର ରେଜୋନାନ୍ସ ଫ୍ରିକ୍ୱେନ୍ସି ଏବଂ କ୍ୟୁ-ଫ୍ୟାକ୍ଟର ଅନୁଭୂତି ଫର୍ମୁଲା ଦ୍ୱାରା ହିସାବ କରାଯାଏ । ଏହାପରେ, ବଟନ ହୋଇଥିବା କୋଣର ଆକାର ଏବଂ ସର୍ବୋତ୍ତମ ଆକ୍ସିୟଲ ଅନୁପାତ ସହିତ କାର୍ଯ୍ୟର ବାରମ୍ବାରତା ପ୍ରାପ୍ତ ହୁଏ । ଲେଭେନବର୍ଗ-ମାର୍କାର୍ଡ (ଏଲଏମ) ଆଲଗୋରିଦମ ବ୍ୟବହାର କରି ଏକ ସଠିକ ସଂଶ୍ଳେଷଣ ମଡେଲ ହାସଲ କରିବା ପାଇଁ ତିନୋଟି ଲୁକ୍କାୟିତ ସ୍ତରୀୟ ନେଟୱାର୍କକୁ ପ୍ରଶିକ୍ଷଣ ଦିଆଯାଏ । ଶେଷରେ, ଏହାର ଫଳାଫଳକୁ ଇଲେକ୍ଟ୍ରୋମ୍ୟାଗ୍ନେଟିକ ସିମୁଲେସନ ଏବଂ ମାପ ସହିତ ତୁଳନା କରି ମଡେଲକୁ ବୈଧ କରାଯାଇଛି । ସିଙ୍ଗଲ ଫିଡ ସିପିଏସଏମଏର ପ୍ୟାଚ ଫିଜିକାଲ ଡିମେନ୍ସନ୍ସ ସିଧାସଳଖ ପ୍ରାପ୍ତ କରିବା ପାଇଁ ଆଣ୍ଟେନା ଇଞ୍ଜିନିୟରଙ୍କ ପାଇଁ ଏହା ଅତ୍ୟନ୍ତ ଉପଯୋଗୀ ଅଟେ । |
93f962a46b24030bf4486a77b282f567529e7782 | ଏହି କାଗଜରେ 180 ଡିଗ୍ରୀ ରିଙ୍ଗ ହାଇବ୍ରିଡ କପଲର ବ୍ୟବହାର କରି ANSYS HFSS ରେ ଏକ କମ୍ପାକ୍ଟ ଏବଂ ଶକ୍ତି-ଦକ୍ଷ 5 GHz ଇନ-ବ୍ୟାଣ୍ଡ ଫୁଲ-ଡୁପ୍ଲେକ୍ସ (FD) ଡିଜାଇନ ଉପସ୍ଥାପନ କରାଯାଇଛି । ପ୍ରସ୍ତାବିତ ଡିଜାଇନ୍ 57dBର ଏକ ଉତ୍କୃଷ୍ଟ ବିଚ୍ଛିନ୍ନତା ହାସଲ କରିଥାଏ, ଯାହା କପଲର ସହିତ ସଂଯୁକ୍ତ ଦୁଇଟି ବିକିରଣ ଆଣ୍ଟେନା ମଧ୍ୟରେ ବିନାଶକାରୀ ହସ୍ତକ୍ଷେପକୁ ଉପଯୋଗ କରି, ଯାହା ସ୍ୱୟଂ-ଘଟଣକୁ ହ୍ରାସ କରିଥାଏ । ଏହି ଡିଜାଇନଟି ନିଷ୍କ୍ରିୟ ଅଟେ ଏବଂ ଏହାଦ୍ୱାରା ଆଡାପ୍ଟିଭ୍ ଚ୍ୟାନେଲ ଆକଳନ ପାଇଁ ଅତିରିକ୍ତ ଶକ୍ତି ଆବଶ୍ୟକତାକୁ ଦୂର କରାଯାଇପାରିବ । ଏହାବ୍ୟତୀତ, ଏହାର ଭୌତିକ ଆକାର ମଧ୍ୟ ଆବଶ୍ୟକୀୟ କାର୍ଯ୍ୟର ଫ୍ରିକ୍ୱେନ୍ସି ପାଇଁ ବହୁତ ଉପଯୋଗୀ ଅଟେ । ତେଣୁ ପ୍ରସ୍ତାବିତ ଏଫଡି ଡିଜାଇନ କମ୍ପାକ୍ଟ ଏବଂ ଶକ୍ତି-ଦକ୍ଷ ଅଟେ, ଯାହାକୁ ମୋବାଇଲ ଡିଭାଇସରେ ବ୍ୟବହାର କରାଯାଇପାରିବ, ଯେପରିକି ସେଲଫୋନ କିମ୍ବା ଟାବଲେଟ/ଫାବଲେଟ ଡିଭାଇସ, ଯାହାକି କମ ପରିମାଣର ରେଫରେନ୍ସ ରିସୋର୍ସକୁ ଅଧିକ ନମନୀୟ ଏବଂ ଅଧିକ ମାତ୍ରାରେ ଧାରଣ କରିପାରିବ । |
023cc7f9f3544436553df9548a7d0575bb309c2e | ଏହି ଲେଖାରେ ଲେଖା ଶ୍ରେଣୀକରଣ ପାଇଁ ଏକ ସରଳ ଓ ପ୍ରଭାବୀ ଆଧାର ରେଖା ଆବିଷ୍କାର କରାଯାଇଛି । ଆମର ପରୀକ୍ଷଣରୁ ଜଣାପଡ଼ୁଛି ଯେ ଆମର ଦ୍ରୁତ ପାଠ୍ୟ ବର୍ଗୀକରଣକାରୀ ଫାଷ୍ଟଟେକ୍ସଟ, ଗଭୀର ଶିକ୍ଷଣ ବର୍ଗୀକରଣକାରୀମାନଙ୍କ ସହିତ ସମାନ ଭାବରେ ସଠିକତା ଦୃଷ୍ଟିରୁ ସମାନ ଏବଂ ତାଲିମ ଏବଂ ମୂଲ୍ୟାଙ୍କନ ପାଇଁ ଅନେକ ପରିମାଣର ଦ୍ରୁତ ଅଟେ । ଆମେ ଏକ ମଲ୍ଟି-କୋର ସିପିୟୁ ବ୍ୟବହାର କରି ଦଶ ମିନିଟରୁ କମ୍ ସମୟ ମଧ୍ୟରେ ଏକ ବିଲିୟନରୁ ଅଧିକ ଶବ୍ଦ ଉପରେ ଫାଷ୍ଟଟେକ୍ସଟକୁ ପ୍ରଶିକ୍ଷଣ ଦେଇପାରିବା ଏବଂ 312K ଶ୍ରେଣୀ ମଧ୍ୟରେ ଏକ ମିନିଟରୁ କମ୍ ସମୟ ମଧ୍ୟରେ ଅଧା ମିଲିୟନ ବାକ୍ୟକୁ ଶ୍ରେଣୀଭୁକ୍ତ କରିପାରିବା । |
d80e7da055f9c25e29f732d0a829daf172eb1fa0 | ଏହି ଲେଖାରେ ସ୍ୱାସ୍ଥ୍ୟ ସେବା ପ୍ରଦାନ ଓ ସଂଗଠନ କ୍ଷେତ୍ରରେ ନବସୃଜନକୁ କିପରି ପ୍ରସାର ଓ ନିରନ୍ତର କରାଯାଇପାରିବ ସେ ସମ୍ପର୍କରେ ବ୍ୟାପକ ସାହିତ୍ୟ ସମୀକ୍ଷାର ସାରାଂଶ ଦିଆଯାଇଛି । ଏଥିରେ ଉଭୟ ବିଷୟବସ୍ତୁ (ସଂଗଠନଗୁଡ଼ିକରେ ନବସୃଜନର ପ୍ରସାରକୁ ପରିଭାଷିତ କରିବା ଏବଂ ମାପିବା) ଏବଂ ପ୍ରକ୍ରିୟା (ପ୍ରଣିତ ଏବଂ ପୁନଃଉତ୍ପାଦନଯୋଗ୍ୟ ଢଙ୍ଗରେ ସାହିତ୍ୟର ସମୀକ୍ଷା) ଉପରେ ବିଚାର କରାଯାଇଛି । ଏହି ଆର୍ଟିକିଲରେ (1) ସ୍ୱାସ୍ଥ୍ୟ ସେବା ସଂଗଠନରେ ନବସୃଜନର ପ୍ରସାରକୁ ବିଚାର କରିବା ପାଇଁ ଏକ ସଂରକ୍ଷଣ ଏବଂ ପ୍ରମାଣ-ଆଧାରିତ ମଡେଲ, (2) ଅଧିକ ଗବେଷଣା ଉପରେ ଧ୍ୟାନ ଦେବା ଆବଶ୍ୟକ ଥିବା ଜ୍ଞାନର ବ୍ୟବଧାନ, ଏବଂ (3) ସ୍ୱାସ୍ଥ୍ୟ ସେବା ନୀତି ଏବଂ ପରିଚାଳନାକୁ ବ୍ୟବସ୍ଥିତ ଭାବରେ ସମୀକ୍ଷା କରିବା ପାଇଁ ଏକ ଦୃଢ ଏବଂ ସ୍ଥାନାନ୍ତରଯୋଗ୍ୟ ପଦ୍ଧତି ଉପରେ ଆଲୋଚନା କରାଯାଇଛି । ଏହି ମଡେଲ ଓ ପଦ୍ଧତିକୁ ବିଭିନ୍ନ ପରିସ୍ଥିତିରେ ଅଧିକ ବ୍ୟାପକ ଭାବେ ପରୀକ୍ଷା କରାଯିବା ଉଚିତ । |
3343d1d78f2a14045b52b71428efaf43073d616d | [ଅନୁସୂଚୀ] ଆମେ ଅନୁସନ୍ଧାନ କରିଥିଲୁ ଯେ ଖାଦ୍ୟରେ ଶକ୍ତିର ଘନତା ଓଜନ ଏବଂ ଇନସୁଲିନ ପ୍ରତିରୋଧକତା ଏବଂ ମେଟାବୋଲିକ ସିଣ୍ଡ୍ରୋମ ସମେତ ସମ୍ବନ୍ଧିତ ରୋଗ ସହିତ ଜଡିତ କି ନାହିଁ । ଗବେଷଣା ରୂପରେଖ ଏବଂ ପଦ୍ଧତି ଆମେ 1999-2002 ଜାତୀୟ ସ୍ୱାସ୍ଥ୍ୟ ଏବଂ ପୁଷ୍ଟି ପରୀକ୍ଷା ସର୍ବେକ୍ଷଣ (n = 9,688) ରୁ ଯୁକ୍ତରାଷ୍ଟ୍ର ଆମେରିକାର ବୟସ୍କ > କିମ୍ବା = 20 ବର୍ଷ ବୟସର ଜାତୀୟ ପ୍ରତିନିଧିତ୍ୱ ତଥ୍ୟ ବ୍ୟବହାର କରି ଏକ କ୍ରସ ସେକ୍ସନ ଅଧ୍ୟୟନ କରିଥିଲୁ । ଖାଦ୍ୟର ଶକ୍ତିର ଘନତା କେବଳ ଖାଦ୍ୟ ଉପରେ ଆଧାରିତ । ଆମେ ଖାଦ୍ୟରେ ଶକ୍ତିର ଘନତା, ମୋଟାପଣ (ବିଏମଆଇ [କିଗ୍ରା ପ୍ରତି ମିଟର ବର୍ଗ] ଏବଂ ଅଣ୍ଟା ପରିମାପ [ସେଣ୍ଟିମିଟରରେ]), ଗ୍ଲୁକୋମିୟା, କିମ୍ବା ଇନସୁଲିନମିୟା ମଧ୍ୟରେ ସ୍ୱାଧୀନ ସମ୍ପର୍କ ନିର୍ଦ୍ଧାରଣ କରିବା ପାଇଁ ବହୁବିଧ ଧାଡ଼ିଗତ ରିଗ୍ରେସନ ମଡେଲର ଏକ ଶୃଙ୍ଖଳ ବ୍ୟବହାର କରିଥିଲୁ । ଜାତୀୟ କୋଲେଷ୍ଟ୍ରୋଲ୍ ଏବଂ ଶିକ୍ଷା କାର୍ଯ୍ୟକ୍ରମ (ବୟସ୍କ ଚିକିତ୍ସା ପ୍ୟାନେଲ III) ଦ୍ୱାରା ପରିଭାଷିତ ଖାଦ୍ୟ ଶକ୍ତି ଘନତା ଏବଂ ମେଟାବୋଲିକ ସିଣ୍ଡ୍ରୋମ୍ ମଧ୍ୟରେ ସ୍ୱାଧୀନ ସମ୍ପର୍କ ନିର୍ଣ୍ଣୟ କରିବା ପାଇଁ ଆମେ ବହୁ-ପ୍ରକାର Poisson ରିଗ୍ରେସନ୍ ମଡେଲ ବ୍ୟବହାର କରିଥିଲୁ । ଫଳାଫଳ ଖାଦ୍ୟରେ ଶକ୍ତିର ଘନତା ସ୍ବାଧୀନ ଭାବରେ ଏବଂ ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ ଭାବରେ ମହିଳାମାନଙ୍କ ଠାରେ ଉଚ୍ଚ ବିଏମଆଇ ସହିତ ଜଡିତ ଥିଲା (ବେଟା = ୦.୪୪ [୯୫% ଆଇସି ୦.୧୪- ୦.୭୩]) ଏବଂ ପୁରୁଷମାନଙ୍କ ଠାରେ ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ ସମ୍ପର୍କ ପ୍ରତି ଆକର୍ଷିତ ହୋଇଥିଲା (ବେଟା = ୦.୩୭ [- ୦.୦୦୭ ରୁ ୦.୭୪], ପି = ୦.୦୫୪) । ଖାଦ୍ୟରେ ଶକ୍ତିର ଘନତା ମହିଳାମାନଙ୍କ କ୍ଷେତ୍ରରେ (ବେଟା = 1. 11 [0. 42- 1. 80]) ଏବଂ ପୁରୁଷମାନଙ୍କ କ୍ଷେତ୍ରରେ (ବେଟା = 1. 33 [0. 46- 2. 19]) ଅଧିକ ଅଣ୍ଟା ପରିଧି ସହିତ ଜଡିତ ଥିଲା । ଖାଦ୍ୟରେ ଶକ୍ତିର ଘନତା ମଧ୍ୟ ସ୍ୱାଧୀନ ଭାବରେ ବୃଦ୍ଧି ପାଇଥିବା ଉପବାସ ଇନସୁଲିନ (ବେଟା = ୦.୬୫ [୦.୧୮- ୧.୧୨]) ଏବଂ ମେଟାବୋଲିକ ସିଣ୍ଡ୍ରୋମ (ପ୍ରବଳତା ଅନୁପାତ = ୧.୧୦ [୯୫% CI ୧.୦୩- ୧.୧୭]) ସହିତ ଜଡିତ ଥିଲା । ଉପସଂହାର ଖାଦ୍ୟରେ ଥିବା ଶକ୍ତିର ଘନତା ଓଜନ ବୃଦ୍ଧି, ଉପବାସରେ ଇନସୁଲିନର ମାତ୍ରା ବୃଦ୍ଧି ଏବଂ ଯୁକ୍ତରାଷ୍ଟ୍ର ଆମେରିକାର ବୟସ୍କମାନଙ୍କଠାରେ ଥିବା ମେଟାବୋଲିକ ସିଣ୍ଡ୍ରୋମର ଏକ ସ୍ୱାଧୀନ ପୂର୍ବାନୁମାନ ଅଟେ । ଖାଦ୍ୟରେ ଶକ୍ତିର ଘନତ୍ୱ ହ୍ରାସ କରିବା ପାଇଁ ହସ୍ତକ୍ଷେପ ଅଧ୍ୟୟନ ଆବଶ୍ୟକ । |
3e597e492c1ed6e7bbd539d5f2e5a6586c6074cd | ଅଧିକାଂଶ ନ୍ୟୁରାଲ ମେସିନ ଟ୍ରାନ୍ସଲେସନ (ଏନଏମଟି) ମଡେଲ କ୍ରମିକ ଏନକୋଡର-ଡିକୋଡର ଫ୍ରେମୱାର୍କ ଉପରେ ଆଧାରିତ, ଯାହା କୌଣସି ବାକ୍ୟରଚନା ସୂଚନା ବ୍ୟବହାର କରେ ନାହିଁ । ଏହି ଲେଖାରେ ଆମେ ଏହି ମଡେଲକୁ ଉନ୍ନତ କରିଛୁ, ନିର୍ଦ୍ଦିଷ୍ଟ ଭାବରେ ଉତ୍ସ-ପକ୍ଷର ବାକ୍ୟବିନ୍ୟାସ ବୃକ୍ଷକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରି । ବିଶେଷକରି, ଆମେ ପ୍ରସ୍ତାବ ଦେଉଛୁ (1) ଏକ ଦ୍ୱି-ଦିଗାନ୍ତକାରୀ ବୃକ୍ଷ ଏନକୋଡର ଯାହା ଉଭୟ କ୍ରମିକ ଏବଂ ବୃକ୍ଷ ସଂରଚନା ପ୍ରତିନିଧିତ୍ୱ ଶିଖେ; (2) ଏକ ବୃକ୍ଷ-କଭରେଜ୍ ମଡେଲ ଯାହା ଧ୍ୟାନକୁ ଉତ୍ସ-ପକ୍ଷ ସିଣ୍ଟାକ୍ସ ଉପରେ ନିର୍ଭର କରେ । ଚାଇନିଜ୍-ଇଂରାଜୀ ଅନୁବାଦ ଉପରେ ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ ଆମର ପ୍ରସ୍ତାବିତ ମଡେଲଗୁଡ଼ିକ କ୍ରମିକ ଧ୍ୟାନ ମଡେଲ ସହିତ ନିମ୍ନରୁ ଉପର ବୃକ୍ଷ ଏନକୋଡର ଏବଂ ଶବ୍ଦ କଭରେଜ୍ ସହିତ ଏକ ଶକ୍ତିଶାଳୀ ଆଧାରକୁ ଅତିକ୍ରମ କରିଥାଏ । |
4e88de2930a4435f737c3996287a90ff87b95c59 | ସମୟ ସହିତ କ୍ରମ ସୂଚନା ସଂରକ୍ଷଣ କରିବାର ସେମାନଙ୍କର ଉନ୍ନତ କ୍ଷମତା ହେତୁ, ଲଙ୍ଗ୍ ସର୍ଟ-ଟର୍ମ ମେମୋରୀ (LSTM) ନେଟୱାର୍କ, ଏକ ଜଟିଳ ଗଣନା ୟୁନିଟ୍ ସହିତ ଏକ ପ୍ରକାର ପୁନଃନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ, ବିଭିନ୍ନ କ୍ରମ ମଡେଲିଂ କାର୍ଯ୍ୟରେ ଶକ୍ତିଶାଳୀ ଫଳାଫଳ ହାସଲ କରିଛି । ଏ ପର୍ଯ୍ୟନ୍ତ ଏଲଏସଟିଏମ୍ର ଏକମାତ୍ର ଭିତ୍ତିଭୂମି ଯାହା ଅନୁସନ୍ଧାନ କରାଯାଇଛି ତାହା ହେଉଛି ଏକ ରେଖୀ ଶୃଙ୍ଖଳ । ତେବେ, ପ୍ରାକୃତିକ ଭାଷାରେ ଏପରି ବାକ୍ୟବିନ୍ୟାସ ଗୁଣ ରହିଛି ଯାହା ସ୍ୱାଭାବିକ ଭାବରେ ଶବ୍ଦକୁ ବାକ୍ୟବିନ୍ୟାସ ସହିତ ଯୋଡ଼ିଥାଏ । ଆମେ Tree-LSTM, ଏକ ବୃକ୍ଷ-ସଂଗଠିତ ନେଟୱର୍କ ଟପୋଲୋଜି ପାଇଁ LSTM ର ଏକ ସାଧାରଣକରଣକୁ ପରିଚିତ କରାଉଛୁ । ଟ୍ରି ଏଲ ଏସ ଟି ଏମ ସମସ୍ତ ପ୍ରଚଳିତ ପ୍ରଣାଳୀ ଓ ଦୃଢ ଏଲ ଏସ ଟି ଏମ ଆଧାର ରେଖାକୁ ଦୁଇ କାର୍ଯ୍ୟ ରେ ଅତିକ୍ରମ କରେ: ଦୁଇଟି ବାକ୍ୟ ର ଅର୍ଥ ସମ୍ବନ୍ଧ ର ପୂର୍ବାନୁମାନ (ସେମ ଇଭାଲ 2014, ଟାସ୍କ 1) ଏବଂ ଭାବନା ବର୍ଗୀକରଣ (ଷ୍ଟାନଫୋର୍ଡ ଭାବନା ଟ୍ରି ବ୍ୟାଙ୍କ) । |
6411da05a0e6f3e38bcac0ce57c28038ff08081c | ଅର୍ଥ ସଂରକ୍ଷଣକୁ ବଳବତ୍ତର କରିବା ଏବଂ ମେସିନ ଅନୁବାଦ ପଦ୍ଧତିର ସାଧାରଣକରଣ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଉନ୍ନତ କରିବା ପାଇଁ ଅର୍ଥ ଉପସ୍ଥାପନା ଦୀର୍ଘ ସମୟ ଧରି ଯୁକ୍ତିଯୁକ୍ତ ଭାବରେ ଉପଯୋଗୀ ଭାବରେ ଯୁକ୍ତି କରାଯାଇଛି । ଏହି କାର୍ଯ୍ୟରେ, ଆମେ ପ୍ରଥମ ବ୍ୟକ୍ତି ଯିଏକି ମୂଳ ବାକ୍ୟର ପ୍ରଦତ୍ତ-ଆର୍ଗୁମେଣ୍ଟ ସଂରଚନା (ଯଥା, ଅର୍ଥ-ଭିତ୍ତିକ-ଭିତ୍ତିକ ପ୍ରତିନିଧିତ୍ୱ) ବିଷୟରେ ସୂଚନାକୁ ନ୍ୟୁରାଲ ମେସିନ ଅନୁବାଦରେ ଅନ୍ତର୍ଭୁକ୍ତ କରିଛୁ । ଆମେ ଗ୍ରାଫ କନଭୋଲ୍ୟୁସନାଲ ନେଟୱାର୍କ (ଜିସିଏନ) ବ୍ୟବହାର କରି ବାକ୍ୟ ସଂରଚନାକାରୀମାନଙ୍କୁ ଅର୍ଥଗତ ପାର୍ଥକ୍ୟ ପ୍ରଦାନ କରିଥାଉ ଏବଂ ଇଂରାଜୀ-ଜର୍ମାନୀ ଭାଷା ଯୋଡ଼ିରେ ଲିଙ୍ଗୁଇଷ୍ଟିକ-ଆଗ୍ନୋଷ୍ଟିକ ଏବଂ ସିଣ୍ଟାକ୍ସୱେୟାର ସଂସ୍କରଣ ତୁଳନାରେ ବ୍ଲୁଇୟୁ ସ୍କୋରରେ ଉନ୍ନତି ହାସଲ କରିଥାଉ । |
9f291ce2d0fc1d76206139a40a859283674d8f65 | ଏନକୋଡର-ଡିକୋଡର ସ୍ଥାପତ୍ୟ ଉପରେ ଆଧାରିତ ନ୍ୟୁରାଲ ମେସିନ ଟ୍ରାନ୍ସଲେସନ (ଏନଏମଟି) ନିକଟରେ ଅତ୍ୟାଧୁନିକ କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରିଛି । ଗବେଷକମାନେ ପ୍ରମାଣ କରିଛନ୍ତି ଯେ ଶବ୍ଦ ସ୍ତରରେ ଧ୍ୟାନକୁ ବାକ୍ୟ ସ୍ତରରେ ଧ୍ୟାନକୁ ବିସ୍ତାର କରି ଉତ୍ସ-ପାର୍ଶ୍ୱ ବାକ୍ୟ ଗଠନକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରି ଧ୍ୟାନ ମଡେଲକୁ ବୃଦ୍ଧି କରାଯାଇପାରିବ ଏବଂ ଆଶାଜନକ ଉନ୍ନତି ହାସଲ କରାଯାଇପାରିବ । କିନ୍ତୁ, ଶବ୍ଦ ନିର୍ଭରଶୀଳତା ଯାହା ଏକ ଉତ୍ସ ବାକ୍ୟକୁ ସଠିକ ଭାବରେ ବୁଝିବା ପାଇଁ ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ ହୋଇପାରେ, ତାହା ସର୍ବଦା କ୍ରମିକ ଭାବରେ (ଯଥା, କେବେ କେବେ ସେମାନେ ଦୂର ଦୂରାନ୍ତରେ ରହିପାରନ୍ତି । ବାକ୍ୟର ସଂରଚନା ଦୀର୍ଘ ଦୂରତା ନିର୍ଭରଶୀଳତାକୁ ସ୍ପଷ୍ଟ ଭାବରେ ମଡେଲ୍ କରିବାର ସର୍ବୋତ୍ତମ ଉପାୟ ନୁହେଁ । ଏହି ଲେଖାରେ ଆମେ ଏନ୍ଏମ୍ଟି ରେ ଉତ୍ସ-ପାର୍ଶ୍ୱ ଦୀର୍ଘ ଦୂରତା ନିର୍ଭରଶୀଳତାକୁ ସାମିଲ କରିବା ପାଇଁ ଏକ ସରଳ କିନ୍ତୁ ପ୍ରଭାବଶାଳୀ ପଦ୍ଧତି ପ୍ରସ୍ତାବିତ କରୁଛୁ । ନିର୍ଭରଶୀଳତା ବୃକ୍ଷ ଉପରେ ଆଧାରିତ ଆମର ପଦ୍ଧତି ପ୍ରତ୍ୟେକ ଉତ୍ସ ସ୍ଥିତିକୁ ବିଶ୍ୱ ନିର୍ଭରଶୀଳତା ସଂରଚନା ସହିତ ସମୃଦ୍ଧ କରିଥାଏ, ଯାହା ଉତ୍ସ ବାକ୍ୟର ଅନ୍ତର୍ନିହିତ ସିଣ୍ଟାକ୍ଟିକ୍ ସଂରଚନାକୁ ଭଲ ଭାବରେ ଧାରଣ କରିପାରିବ । ଚାଇନିଜ୍-ଇଂରାଜୀ ଏବଂ ଇଂରାଜୀ-ଜାପାନୀ ଅନୁବାଦ କାର୍ଯ୍ୟ ଉପରେ ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ ଆମର ପ୍ରସ୍ତାବିତ ପଦ୍ଧତି ଅତ୍ୟାଧୁନିକ SMT ଏବଂ NMT ଆଧାରରେ ଉନ୍ନତ ଅଟେ । |
d12c173ea92fc33dc276d1da90dc72a660f7ea12 | ଲିଙ୍କଡ ଡାଟାର ମୁଖ୍ୟ ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଲିଙ୍କିଙ୍ଗ ଏବଂ ଇଣ୍ଟିଗ୍ରେସନ ଏବଂ ଏହି ଲକ୍ଷ୍ୟ ହାସଲ ହୋଇଛି କି ନାହିଁ ତାହା ଆକଳନ କରିବା ପାଇଁ ଏକ ପ୍ରମୁଖ ପଦକ୍ଷେପ ହେଉଛି ଲିଙ୍କଡ ଓପନ ଡାଟା (LOD) କ୍ଲାଉଡ ଡାଟାସେଟ ମଧ୍ୟରେ ସମସ୍ତ ସଂଯୋଗ ଖୋଜିବା । ଦୁଇଟି ବା ଅଧିକ ଡାଟାସେଟ ମଧ୍ୟରେ ସଂଯୋଗ ସାଧାରଣ ଏଣ୍ଟିଟି, ଟ୍ରିପଲ୍ସ, ଲିତରଲ୍ସ ଏବଂ ସ୍କିମା ଏଲିମେଣ୍ଟ ମାଧ୍ୟମରେ ହାସଲ କରାଯାଇପାରିବ, ଯେତେବେଳେ କି ଅଧିକ ସଂଯୋଗ ୟୁଆରଆଇ ମଧ୍ୟରେ ସମାନତା ସମ୍ପର୍କ ହେତୁ ହୋଇପାରେ, ଯେପରିକି ଓଉଲ୍:ସେମେସ, ଓଉଲ୍:ଏକ୍ୟୁଇଭାଲାଣ୍ଟ ପ୍ରପର୍ଟି ଏବଂ ଓଉଲ୍:ଏକ୍ୟୁଇଭାଲାଣ୍ଟ କ୍ଲାସ୍, ଯେହେତୁ ଅନେକ ପ୍ରକାଶକ ଏହିପରି ସମାନତା ସମ୍ପର୍କ ବ୍ୟବହାର କରନ୍ତି, ଘୋଷଣା କରିବା ପାଇଁ ଯେ ସେମାନଙ୍କର ୟୁଆରଆଇ ଅନ୍ୟ ଡାଟାସେଟର ୟୁଆରଆଇ ସହିତ ସମାନ ଅଟେ । କିନ୍ତୁ, ଦୁଇରୁ ଅଧିକ ଡାଟାସେଟକୁ ନେଇ ଉପଲବ୍ଧ ସଂଯୋଗୀକରଣ ମାପ (ଏବଂ ସୂଚକାଙ୍କ) ନାହିଁ, ଯାହା ଡାଟାସେଟର ସମ୍ପୂର୍ଣ୍ଣ ବିଷୟବସ୍ତୁ (ଯେପରିକି ଏଣ୍ଟିଟି, ସ୍କିମା, ଟ୍ରିପଲ୍ସ) କିମ୍ବା ସଲାଇସ୍ (ଯେପରିକି ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଏଣ୍ଟିଟି ପାଇଁ ଟ୍ରିପଲ୍ସ) କୁ କଭର କରିଥାଏ, ଯଦିଓ ସେଗୁଡ଼ିକ ବାସ୍ତବ ଦୁନିଆର ଅନେକ କାର୍ଯ୍ୟ ପାଇଁ ପ୍ରାଥମିକ ଗୁରୁତ୍ୱର ହୋଇପାରେ, ଯେପରିକି ସୂଚନା ସମୃଦ୍ଧି, ଡାଟାସେଟ ଆବିଷ୍କାର ଏବଂ ଅନ୍ୟାନ୍ୟ । ସାଧାରଣତଃ, ତଥ୍ୟସମୂହ ମଧ୍ୟରେ ସଂଯୋଗ ଖୋଜିବା ସହଜ ନୁହେଁ, କାରଣ ବହୁ ସଂଖ୍ୟକ LOD ତଥ୍ୟସମୂହ ଅଛି ଏବଂ ସମାନତା ସମ୍ପର୍କର ଅତିକ୍ରମଣ ଏବଂ ସମତୁଲ ବନ୍ଦକୁ ଗଣନା କରାଯିବା ଉଚିତ ଯାହାଫଳରେ ସଂଯୋଗ ମିସ୍ ହୋଇନଥାଏ । ଏହି କାରଣରୁ, ଆମେ ମାପଯୋଗ୍ୟ ପଦ୍ଧତି ଏବଂ ଆଲଗୋରିଦମ, (କ) ସମାନତା ସମ୍ପର୍କ ପାଇଁ ଟ୍ରାଞ୍ଜିଟିଭ୍ ଏବଂ ସିମେଟ୍ରିକ୍ ବନ୍ଦର ଗଣନା କରିବା ପାଇଁ (କାରଣ ସେମାନେ ଡାଟାସେଟ୍ ମଧ୍ୟରେ ଅଧିକ ସଂଯୋଗ ସୃଷ୍ଟି କରିପାରିବେ); (ଖ) ଉତ୍ସର୍ଗୀକୃତ ଗ୍ଲୋବାଲ୍ ସେମାଂଟିକ୍-ସଚେତନ ସୂଚକାଙ୍କଗୁଡିକ ନିର୍ମାଣ କରିବା ପାଇଁ ଯାହା ଡାଟାସେଟର ସମଗ୍ର ବିଷୟବସ୍ତୁକୁ କଭର କରେ; ଏବଂ (ଗ) ଦୁଇଟି କିମ୍ବା ଅଧିକ ଡାଟାସେଟ୍ ମଧ୍ୟରେ ସଂଯୋଗୀକରଣ ମାପିବା ପାଇଁ _ ଶେଷରେ, ଆମେ ପ୍ରସ୍ତାବିତ ଆଭିମୁଖ୍ୟର ଗତିକୁ ମୂଲ୍ୟାଙ୍କନ କରୁଛୁ, ଯେତେବେଳେ ଆମେ ଦୁଇ ବିଲିୟନରୁ ଅଧିକ ତ୍ରିଗୁଣ ପାଇଁ ତୁଳନାତ୍ମକ ଫଳାଫଳ ବିଷୟରେ ରିପୋର୍ଟ କରୁଛୁ । |
d6020bdf3b03f209174cbc8fb4ecbe6208eb9ff1 | ପ୍ରଥମ ଲେଖକଙ୍କର ଗବେଷଣା ଜୀବନୀ ଉପରେ ଆମେ ଏକ ଅନୁଧ୍ୟାନରୁ ଆରମ୍ଭ କରିବା, ଯାହା ମୁଖ୍ୟତଃ ସଂଗଠନଗତ ପରିବର୍ତ୍ତନ ପାଇଁ ସୂଚନା ପ୍ରଯୁକ୍ତି (ଆଇଟି) ର ପ୍ରଭାବ ଉପରେ ଗବେଷଣା ପାଇଁ ସମର୍ପିତ । ଯଦିଓ ଆଇଟି ଦୀର୍ଘ ଦିନ ଧରି ସାଂଗଠନିକ ପରିବର୍ତ୍ତନ ସହିତ ଜଡିତ ହୋଇଆସୁଛି, ସଂଗଠନ ସିଦ୍ଧାନ୍ତରେ ଟେକ୍ନୋଲୋଜିର ଚିକିତ୍ସା ଉପରେ ଆମର ଐତିହାସିକ ସମୀକ୍ଷା ଦର୍ଶାଏ ଯେ ସଂଗଠନର ଭୌତିକ ଦିଗଗୁଡିକ ସିଦ୍ଧାନ୍ତ ବିକାଶର ପଛୁଆ ଜଳରେ କେତେ ସହଜରେ ଅଦୃଶ୍ୟ ହୋଇପାରେ । ଏହା ଏକ ଦୁର୍ଭାଗ୍ୟଜନକ ପରିଣାମ କାରଣ ଆଇଟି ପଦକ୍ଷେପଗୁଡ଼ିକର ଭୌତିକ ବୈଶିଷ୍ଟ୍ୟ ସେମାନଙ୍କୁ ଅନ୍ୟାନ୍ୟ ସାଂଗଠନିକ ପରିବର୍ତ୍ତନ ପଦକ୍ଷେପଠାରୁ ପୃଥକ କରିଥାଏ । ଆମର ଲକ୍ଷ୍ୟ ହେଉଛି ଆଇଟି ପ୍ରଭାବର ଅଧ୍ୟୟନରେ ଏହାର ନିଖୋଜ ହେବାର କାରଣ ଅନୁସନ୍ଧାନ କରି ଏବଂ ବିକଳ୍ପ ପ୍ରଦାନ କରି ଆଇଟି ପ୍ରଭାବକୁ ଏକ କେନ୍ଦ୍ରୀୟ ଥିଓରୀ ଭୂମିକା ପ୍ରଦାନ କରି ଏହାର ଗୁରୁତ୍ବକୁ ପୁନଃସ୍ଥାପନ କରିବା । ଆମେ ଏକ ସାମାଜିକ-ବୈଷୟିକ ଦୃଷ୍ଟିକୋଣକୁ ଗ୍ରହଣ କରୁ ଯାହା ଏକ କଠୋର ସାମାଜିକ-ପଦାର୍ଥ ଦୃଷ୍ଟିକୋଣଠାରୁ ଭିନ୍ନ ଯେହେତୁ ଆମେ ଭୌତିକ କଳାକୃତି ଏବଂ ସେମାନଙ୍କର ସାମାଜିକ ବ୍ୟବହାରର ପ୍ରସଙ୍ଗ ମଧ୍ୟରେ ଅସ୍ଥିତ୍ୱବିଜ୍ଞାନଗତ ବିଭେଦକୁ ସଂରକ୍ଷିତ କରିବାକୁ ଚାହୁଁଛୁ । ଆମର ବିଶ୍ଳେଷଣ "ସମର୍ଥ"ର ଧାରଣାକୁ ସାମାଜିକ-ବୈଷୟିକ ଦୃଷ୍ଟିକୋଣ ସହିତ ଏକ ସମ୍ପର୍କୀୟ ଧାରଣା ଭାବରେ ବ୍ୟବହାର କରି ଆଗକୁ ବଢ଼ୁଛି । ତାପରେ ଆମେ ସଂଗଠିତ ରୁଟିନ୍ ତତ୍ତ୍ବଜ୍ଞାନର ସଂପ୍ରସାରଣ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ରୁଟିନ୍ ନାମକ ଜେନେରେଟିଭ୍ ସିଷ୍ଟମରେ ଭୌତିକ କାରୁକାର୍ଯ୍ୟକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରେ । ଏହି ଅବଦାନ ଆଇଟି ର ସାଂଗଠନିକ ପ୍ରଭାବର ଅଧ୍ୟୟନରେ ଏକ ନୂତନ ଗବେଷଣା ଫୋକସ୍ ଭାବରେ ମେଟ୍ରିଆଲିଟିକୁ ଗ୍ରହଣ କରିବାରେ ଅନେକ ଆହ୍ୱାନ ମଧ୍ୟରୁ ଦୁଇଟିକୁ ଉଦାହରଣ ଦେଉଛି । |
7039b7c97bd0e59693f2dc4ed7b40e8790bf2746 | ଆମେ ଏକ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ମଡେଲର ବର୍ଣ୍ଣନା କରୁଛୁ ଯାହା ମିଳିତ ଭାବରେ ପାଠ୍ୟ ଏବଂ ଜ୍ଞାନ ଆଧାର (କେବି) ର ବିତରିତ ପ୍ରତିନିଧିତ୍ୱକୁ ଶିଖେ । KB ରେ ଏକ ପାଠ୍ୟ ଦିଆଯାଇ, ଆମେ ଆମର ପ୍ରସ୍ତାବିତ ମଡେଲକୁ ପାଠ୍ୟ ସହିତ ସମ୍ବନ୍ଧିତ ଥିବା ଅନୁମାନ କରିବାକୁ ପ୍ରଶିକ୍ଷଣ ଦେଇଥାଉ। ଆମର ମଡେଲକୁ ସାଧାରଣ ଭାବେ ପ୍ରସ୍ତୁତ କରାଯାଇଛି, ବିଭିନ୍ନ ଏନଏଲପି କାର୍ଯ୍ୟକୁ ସହଜରେ ସମାଧାନ କରିବାର କ୍ଷମତା ସହିତ । ଆମେ ଉଇକିପିଡ଼ିଆରୁ ଏକ ବଡ଼ ପାଠ୍ୟଖଣ୍ଡ ଏବଂ ସେମାନଙ୍କର ସଂସ୍ଥା ଟିପ୍ପଣୀ ବ୍ୟବହାର କରି ମଡେଲକୁ ତାଲିମ ଦେଇଥାଉ । ଆମେ ତିନୋଟି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଏନଏଲପି କାର୍ଯ୍ୟ (ଯଥା, ବାକ୍ୟର ପାଠ୍ୟଗତ ସମାନତା, ବିଷୟର ସଂଯୋଗ, ଏବଂ ବାସ୍ତବ ପ୍ରଶ୍ନର ଉତ୍ତର) ଉପରେ ମଡେଲର ମୂଲ୍ୟାଙ୍କନ କରିଛୁ ଯେଉଁଥିରେ ଉଭୟ ଅଣ-ନିରୀକ୍ଷିତ ଏବଂ ନିରୀକ୍ଷିତ ସେଟିଙ୍ଗ୍ ଅନ୍ତର୍ଭୁକ୍ତ । ଫଳସ୍ୱରୂପ, ଆମେ ଏହି ତିନିଟି କାର୍ଯ୍ୟରେ ଅତ୍ୟାଧୁନିକ ଫଳାଫଳ ହାସଲ କରିଛୁ । ଆମର କୋଡ୍ ଏବଂ ତାଲିମପ୍ରାପ୍ତ ମଡେଲଗୁଡିକ ଅଧିକ ଏକାଡେମିକ୍ ଅନୁସନ୍ଧାନ ପାଇଁ ସର୍ବସାଧାରଣଙ୍କ ପାଇଁ ଉପଲବ୍ଧ । |
42f75b297aed474599c8e598dd211a1999804138 | ଆମେ ଅଟୋ କ୍ଲାସ ବିଷୟରେ ବର୍ଣ୍ଣନା କରୁଛୁ, ଯାହାକି ଏକ ଅଣ-ନିରୀକ୍ଷିତ ଶ୍ରେଣୀକରଣର ଏକ ପଦ୍ଧତି ଯାହାକି କ୍ଲାସିକାଲ ମିଶ୍ରଣ ମଡେଲ ଉପରେ ଆଧାରିତ, ଯାହାକି ସର୍ବୋତ୍ତମ ଶ୍ରେଣୀ ନିର୍ଦ୍ଧାରଣ ପାଇଁ ଏକ ବେୟସୀୟ ପଦ୍ଧତି ଦ୍ୱାରା ପରିପୂରିତ । ଆମେ ଏଥିରେ ଅଟୋକ୍ଲାସ୍ ସିଷ୍ଟମ ପଛରେ ଥିବା ଗଣିତର ଏକ ମଧ୍ୟମ ବିସ୍ତୃତ ବର୍ଣ୍ଣନା ଅନ୍ତର୍ଭୁକ୍ତ କରିଛୁ । ଆମେ ଗୁରୁତ୍ୱ ଦେଇ କହୁଛୁ ଯେ ବର୍ତ୍ତମାନର ବିନା ତଦାରଖରେ ବ୍ୟବହୃତ ହେଉଥିବା ଶ୍ରେଣୀକରଣ ପ୍ରଣାଳୀ ଏକାକୀ କାର୍ଯ୍ୟ କରିବା ସମୟରେ ସର୍ବାଧିକ ଉପଯୋଗୀ ଫଳାଫଳ ଦେଇପାରିବ ନାହିଁ । ଏହା ହେଉଛି ଡୋମେନ୍ ବିଶେଷଜ୍ଞ ଏବଂ ମଡେଲ ସ୍ପେସ୍ ଉପରେ ସର୍ଚ୍ଚ କରୁଥିବା ମେସିନ୍ ମଧ୍ୟରେ ପାରସ୍ପରିକ କ୍ରିୟା ଯାହା ନୂତନ ଜ୍ଞାନ ସୃଷ୍ଟି କରେ । ଉଭୟ ଡାଟାବେସ ବିଶ୍ଳେଷଣ କାର୍ଯ୍ୟରେ ଅନନ୍ୟ ସୂଚନା ଏବଂ ଦକ୍ଷତା ପ୍ରଦାନ କରନ୍ତି ଏବଂ ପ୍ରତ୍ୟେକ ଅନ୍ୟର ପ୍ରଭାବକୁ ବୃଦ୍ଧି କରନ୍ତି । ଆମେ ଏହି କଥାକୁ ଅଟୋକ୍ଲାସର ବିଭିନ୍ନ ପ୍ରୟୋଗ ଦ୍ୱାରା ଜଟିଳ ବାସ୍ତବ ଦୁନିଆର ଡାଟାବେସକୁ ବୁଝାଇଛୁ ଏବଂ ଏହାର ପରିଣାମ ସ୍ୱରୂପ ସଫଳତା ଓ ବିଫଳତାକୁ ବର୍ଣ୍ଣନା କରୁଛୁ । 6.1 ପ୍ରାରମ୍ଭିକ ସୂଚନା ଏହି ଅଧ୍ୟାୟଟି ଏକ ସ୍ୱୟଂଚାଳିତ ଶ୍ରେଣୀକରଣ ପ୍ରୋଗ୍ରାମ (ଅଟୋ କ୍ଲାସ) ର ବ୍ୟବହାର କରି ଡାଟାବେସରୁ ଉପଯୋଗୀ ସୂଚନା ବାହାର କରିବାର ଆମର ଅଭିଜ୍ଞତାର ଏକ ସାରାଂଶ ଅଟେ । ଏହା ସାଧାରଣରେ ସ୍ୱୟଂଚାଳିତ ଶ୍ରେଣୀକରଣ ଏବଂ ବିଶେଷକରି ଅଟୋ କ୍ଲାସ ଉପରେ ଆଧାରିତ ନୀତିର ଏକ ରେଖା ମଧ୍ୟ ପ୍ରଦାନ କରେ । ଆମେ ତଥ୍ୟରେ ଶ୍ରେଣୀଗୁଡିକର ସ୍ୱୟଂଚାଳିତ ଆବିଷ୍କାର (ବେଳେବେଳେ କ୍ଲଷ୍ଟରିଂ ବା ଅଣ-ନିରୀକ୍ଷିତ ଶିକ୍ଷା) ର ସମସ୍ୟା ସହିତ ଜଡିତ, ଏହା ପରିବର୍ତ୍ତେ ଲେବଲ୍ ହୋଇଥିବା ଉଦାହରଣରୁ ଶ୍ରେଣୀ ବର୍ଣ୍ଣନା ସୃଷ୍ଟି କରିବା (ନିରୀକ୍ଷିତ ଶିକ୍ଷା କୁହାଯାଏ) । କିଛି ଅର୍ଥରେ ସ୍ୱୟଂଚାଳିତ ଶ୍ରେଣୀକରଣର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ତଥ୍ୟରେ ପ୍ରାକୃତିକ ଶ୍ରେଣୀକୁ ଆବିଷ୍କାର କରିବା । ଏହି ଶ୍ରେଣୀଗୁଡ଼ିକ ମୌଳିକ କାରଣ-କାରଣ ତନ୍ତ୍ରକୁ ପୁନଃପ୍ରକାଶ କରନ୍ତି ଯାହା କେତେକ ମାମଲାକୁ ଅନ୍ୟ କେସଗୁଡ଼ିକ ଅପେକ୍ଷା ଅଧିକ ସମାନ କରିଥାଏ । କାରଣଗତ ତନ୍ତ୍ରଗୁଡ଼ିକ ତଥ୍ୟରେ ନମୁନା ଭେଦଭାବ ଭଳି ବୋରିଂ ହୋଇପାରେ, କିମ୍ବା ଡୋମେନରେ କିଛି ପ୍ରମୁଖ ନୂତନ ଆବିଷ୍କାରକୁ ପୁନଃପ୍ରକାଶ କରିପାରେ । କେବେ କେବେ ଏହି ଶ୍ରେଣୀଗୁଡିକ କ୍ଷେତ୍ରର ବିଶେଷଜ୍ଞମାନଙ୍କ ପାଇଁ ଜଣାଶୁଣା ଥିଲା, କିନ୍ତୁ ଅଟୋକ୍ଲାସ୍ ପାଇଁ ଅଜଣା ଥିଲା, ଏବଂ ଅନ୍ୟ ସମୟରେ |
32aea4c9fb9eb7cf2b6869efa83cf73420374628 | |
091778f43d947affb69dbccc2c3251abfa852ad2 | ଏକ ସେମାନ୍ଟିକ ଫାଇଲ ସିଷ୍ଟମ ହେଉଛି ଏକ ସୂଚନା ଷ୍ଟୋରେଜ ସିଷ୍ଟମ ଯାହା ଫାଇଲ ପ୍ରକାର ନିର୍ଦ୍ଦିଷ୍ଟ ଟ୍ରାନ୍ସଡୁସର ସହିତ ଫାଇଲରୁ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଗୁଣବତ୍ତା ବାହାର କରି ସିଷ୍ଟମର ବିଷୟବସ୍ତୁକୁ ନମନୀୟ ଆସୋସିଏଟିଭ୍ ଆକସେସ୍ ପ୍ରଦାନ କରିଥାଏ । ଆସୋସିଏଟିଭ୍ ଆକସେସ୍ ବର୍ତ୍ତମାନର ବୃକ୍ଷ-ସଂଗଠିତ ଫାଇଲ୍ ସିଷ୍ଟମ୍ ପ୍ରୋଟୋକଲ୍ ର ଏକ ସଂରକ୍ଷଣାତ୍ମକ ସମ୍ପ୍ରସାରଣ ଦ୍ୱାରା ପ୍ରଦାନ କରାଯାଇଥାଏ, ଏବଂ ପ୍ରୋଟୋକଲ୍ ଯାହା ବିଷୟବସ୍ତୁ ଆଧାରିତ ଆକସେସ୍ ପାଇଁ ବିଶେଷ ଭାବରେ ଡିଜାଇନ୍ କରାଯାଇଥାଏ । ବର୍ତ୍ତମାନର ଫାଇଲ ସିଷ୍ଟମ ପ୍ରୋଟୋକଲ ସହିତ ଅନୁକୂଳତା ଭର୍ଚୁଆଲ ଡାଇରେକ୍ଟ୍ ଟୋରୀ (ଭର୍ଚୁଆଲ ଡାଇରେକ୍ଟ୍ ଟୋରୀ) ର ଧାରଣାକୁ ପ୍ରବର୍ତ୍ତନ କରି ପ୍ରଦାନ କରାଯାଇଛି । ଭର୍ଚୁଆଲ ଡିରେକ୍ଟୋରୀ ନାମକୁ ପ୍ରଶ୍ନ ଭାବରେ ବ୍ୟାଖ୍ୟା କରାଯାଏ, ଏବଂ ଏହିପରି ଭାବରେ ଫାଇଲ ଏବଂ ଡିରେକ୍ଟୋରୀକୁ ନମନୀୟ ଆସୋସିଏଟିଭ୍ ଆକସେସ୍ ପ୍ରଦାନ କରିଥାଏ, ଯାହାକି ପ୍ରଚଳିତ ସଫ୍ଟୱେର୍ ସହିତ ସୁସଙ୍ଗତ ଅଟେ । ଫାଇଲ ସିଷ୍ଟମ ବିଷୟବସ୍ତୁକୁ ଦ୍ରୁତ ଗୁଣ ଆଧାରିତ ପ୍ରବେଶ ଫାଇଲ ସିଷ୍ଟମ ବସ୍ତୁଗୁଡ଼ିକର ସ୍ୱୟଂଚାଳିତ ଉତ୍ତୋଳନ ଏବଂ ସୂଚକାଙ୍କ ଦ୍ୱାରା କାର୍ଯ୍ୟକାରୀ ହୋଇଥାଏ । ଫାଇଲ ଏବଂ ଡିରେକ୍ଟୋରୀଗୁଡିକର ସ୍ୱୟଂଚାଳିତ ସୂଚୀକରଣକୁ "ସୂଚକ" କୁହାଯାଏ କାରଣ ଉପଭୋକ୍ତା ପ୍ରୋଗ୍ରାମେବଲ ଟ୍ରାନ୍ସଡୁସରଗୁଡିକ ସୂଚୀକରଣ ପାଇଁ ଗୁଣଗୁଡିକ ବାହାର କରିବା ପାଇଁ ଅପଡେଟ ହୋଇଥିବା ଫାଇଲ ସିଷ୍ଟମ ବସ୍ତୁଗୁଡିକର ସୂଚକ ବିଷୟରେ ସୂଚନା ବ୍ୟବହାର କରନ୍ତି । ଏକ ସେମାନ୍ଟିକ ଫାଇଲ ସିଷ୍ଟମ କାର୍ଯ୍ୟକାରିତାରୁ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଏହି ସିଦ୍ଧାନ୍ତକୁ ସମର୍ଥନ କରେ ଯେ ସୂଚନା ବଣ୍ଟନ ଏବଂ କମାଣ୍ଡ ସ୍ତରୀୟ ପ୍ରୋଗ୍ରାମିଂ ପାଇଁ ପାରମ୍ପରିକ ବୃକ୍ଷ ସଂରଚନା ଫାଇଲ ସିଷ୍ଟମ ଅପେକ୍ଷା ସେମାନ୍ଟିକ ଫାଇଲ ସିଷ୍ଟମ ଏକ ଅଧିକ ପ୍ରଭାବଶାଳୀ ଷ୍ଟୋରେଜ୍ ଆବଷ୍ଟ୍ରାକସନ୍ ଉପସ୍ଥାପନ କରେ । |
096db7e8d2b209fb6dca9c7495ac84405c40e507 | ଏହି କାଗଜରେ ଆମେ ନନ୍ ନେଗେଟିଭ୍ ମ୍ୟାଟ୍ରିକ୍ସ ଫ୍ୟାକ୍ଟୋରିଜେସନ୍ (ଏନ୍ଏମ୍ଏଫ୍) ପାଇଁ ନୂତନ ଆଲର୍ଟନେଟିଂ ଲିମିଟ୍ ସ୍କ୍ୱେୟାର (ଏଏଲ୍ଏସ୍) ଆଲଗୋରିଦମ ଏବଂ 3D ନନ୍ ନେଗେଟିଭ୍ ଟେନସର ଫ୍ୟାକ୍ଟୋରିଜେସନ୍ (ଏନ୍ଟିଏଫ୍) ପାଇଁ ସେମାନଙ୍କର ଏକ୍ସଟେନ୍ସନ୍ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ଶବ୍ଦ ଉପସ୍ଥିତିରେ ଦୃଢ଼ ଏବଂ ବହୁ ସମ୍ଭାବ୍ୟ ପ୍ରୟୋଗ ଅଛି, ଯେଉଁଥିରେ ମଲ୍ଟି-ୱେ ବ୍ଲାଇଣ୍ଡ ସୋର୍ସ ସେପରେସନ୍ (ବିଏସ୍ଏସ୍), ମଲ୍ଟି-ସେନସର କିମ୍ବା ମଲ୍ଟି-ଡିମେନ୍ସନଲ୍ ଡାଟା ଆନାଲିସିସ୍ ଏବଂ ଅଣ-ନକାରାତ୍ମକ ନ୍ୟୁରାଲ୍ ସ୍ପାର୍ସ କୋଡିଂ ଅନ୍ତର୍ଭୁକ୍ତ ଅଛି । ଆମେ ସ୍ଥାନୀୟ ବ୍ୟୟ ଫଙ୍କସନ ବ୍ୟବହାର କରିବାକୁ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହାର ଏକକାଳୀନ କିମ୍ବା କ୍ରମିକ (ଗୋଟିଏ ପରେ ଗୋଟିଏ) ସର୍ବନିମ୍ନକରଣ ଏକ ସରଳ ALS ଆଲଗୋରିଦମକୁ ନେଇଥାଏ ଯାହା ଉଭୟ ଏକ ଅଳ୍ପ ନିର୍ଦ୍ଧାରିତ (ଏକ ସିଷ୍ଟମ ଯାହା ଉତ୍ସ ଅପେକ୍ଷା କମ୍ ସେନସର ଅଛି) ଏବଂ ଅତ୍ୟଧିକ ନିର୍ଦ୍ଧାରିତ ମଡେଲ ପାଇଁ କିଛି ବିରଳତା ପ୍ରତିବନ୍ଧକ ଅଧୀନରେ କାର୍ଯ୍ୟ କରେ । ବ୍ୟାପକ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ବିକଶିତ ଆଲଗୋରିଦମର ବୈଧତା ଏବଂ ଉଚ୍ଚ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ନିଶ୍ଚିତ କରିଥାଏ, ବିଶେଷକରି ବହୁସ୍ତରୀୟ ବର୍ଗୀକୃତ ଏନଏମଏଫର ବ୍ୟବହାର ସହିତ । ପ୍ରସ୍ତାବିତ ଆଲଗୋରିଦମର ବହୁ-ଆକାରର ବିରଳ ଉପାଦାନ ବିଶ୍ଳେଷଣ ଏବଂ ସୁଗମ ଉପାଦାନ ବିଶ୍ଳେଷଣକୁ ବିସ୍ତାର କରିବାକୁ ମଧ୍ୟ ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି । |
339888b357e780c6e80fc135ec48a14c3b524f7d | ଏକ ବ୍ଲୁମ ଫିଲ୍ଟର ହେଉଛି ଏକ ସରଳ ସ୍ଥାନ-ଦକ୍ଷତା ରାଣ୍ଡମାଇଜଡ ଡାଟା ଷ୍ଟ୍ରକଚର ଯାହା ସଦସ୍ୟତା ପ୍ରଶ୍ନକୁ ସମର୍ଥନ କରିବା ପାଇଁ ଏକ ସେଟକୁ ପ୍ରତିନିଧିତ୍ୱ କରିଥାଏ । ବ୍ଲୁମ ଫିଲ୍ଟର ମିଥ୍ୟା ପଜିଟିଭକୁ ଅନୁମତି ଦେଇଥାଏ କିନ୍ତୁ ତ୍ରୁଟି ହେବାର ସମ୍ଭାବନା ନିୟନ୍ତ୍ରଣରେ ରହିଲେ ସ୍ଥାନ ସଂଚୟ ଏହି ଅସୁବିଧାକୁ ଅତିକ୍ରମ କରିଥାଏ । ୧୯୭୦ ଦଶକରୁ ବ୍ଲୁମ ଫିଲ୍ଟରଗୁଡ଼ିକ ଡାଟାବେସ ଆପ୍ଲିକେସନରେ ବ୍ୟବହୃତ ହୋଇଆସୁଛି, କିନ୍ତୁ ନିକଟ ବର୍ଷଗୁଡ଼ିକରେ ଏହା ନେଟୱାର୍କିଂ ସାହିତ୍ୟରେ ଲୋକପ୍ରିୟ ହୋଇଛି । ଏହି ଅଧ୍ୟୟନରେ ବ୍ଲୁମ ଫିଲ୍ଟରଗୁଡିକର ବ୍ୟବହାର ଓ ପରିବର୍ତ୍ତନକୁ ବିଭିନ୍ନ ନେଟୱର୍କ ସମସ୍ୟା ପାଇଁ ସମୀକ୍ଷା କରାଯାଇଛି । ଏହାର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଏକ ଏକୀକୃତ ଗାଣିତିକ ଓ ବ୍ୟବହାରିକ ଢାଞ୍ଚା ପ୍ରଦାନ କରିବା ଯାହାଦ୍ୱାରା ଏହାକୁ ବୁଝାଯାଇପାରିବ ଏବଂ ଭବିଷ୍ୟତରେ ଏହାର ବ୍ୟବହାରକୁ ପ୍ରୋତ୍ସାହିତ କରାଯାଇପାରିବ । |
dc3e8bea9ef0c9a2df20e4d11860203eaf795b6a | ସାଧାରଣ ଚାଲିବା ସମୟରେ ସୃଷ୍ଟି ହେଉଥିବା ଗ୍ରାଉଣ୍ଡ ରିଆକ୍ସନ ଫୋର୍ସକୁ ବ୍ୟବହାର କରି ବ୍ୟକ୍ତିଙ୍କୁ ଚିହ୍ନଟ ଓ/କିମ୍ବା ଶ୍ରେଣୀଭୁକ୍ତ କରାଯାଇଥାଏ । ଭୂମିର ଭର୍ଟିକାଲ ପ୍ରତିକ୍ରିୟା ଶକ୍ତିରୁ ଏକ ବିଶେଷତ୍ୱ ବାହାର କରାଯାଇପାରିବ ତାହା ହେଉଛି ଶରୀରର ବସ୍ତୁତ୍ବ । ଏହି ଏକକ ବୈଶିଷ୍ଟ୍ୟର ଚିହ୍ନଟ ଶକ୍ତି ଅନ୍ୟ ଅଧ୍ୟୟନଗୁଡ଼ିକ ସହିତ ତୁଳନାଯୋଗ୍ୟ ଯାହା ଏକାଧିକ ଏବଂ ଅଧିକ ଜଟିଳ ବୈଶିଷ୍ଟ୍ୟ ବ୍ୟବହାର କରେ । ଏହି ଅଧ୍ୟୟନ ଦ୍ୱାରା ଚିହ୍ନଟ କ୍ଷେତ୍ରରେ ଶରୀରର ଭାରୀର ଭୂମିକାକୁ ବୁଝିବାରେ ସହାୟତା ମିଳିଥାଏ, (1) ଭୂମିର ଭାରିଆଣ୍ଟ ପ୍ରତିକ୍ରିୟା ଶକ୍ତି ବ୍ୟବହାର କରି ଶରୀରର ଭାରୀରିକତା ଏବଂ ସଠିକତା କେତେ ପରିମାଣରେ ପ୍ରାପ୍ତ କରାଯାଇପାରିବ ତାହା ପରିମାଣିକ କରିବା, (2) ଗାଇଡ ଆନାଲିସିସ ସମ୍ବନ୍ଧରେ ପୂର୍ବରୁ ଅଧ୍ୟୟନ କରାଯାଇଥିବା ଜନସଂଖ୍ୟାରୁ ଅଧିକ ଜନସଂଖ୍ୟାରେ ଶରୀରର ଭାରୀର ବଣ୍ଟନକୁ ପରିମାଣିକ କରିବା ଏବଂ (3) ଦୁର୍ବଳ ବାୟୋମେଟ୍ରିକ୍ ଭାବରେ ଶରୀରର ଭାର ବ୍ୟବହାର କରି ବ୍ୟବହୃତ ସିଷ୍ଟମର ଆଶା କରାଯାଉଥିବା ଚିହ୍ନଟ କ୍ଷମତାକୁ ପରିମାଣିକ କରିବା । ଆମର ଫଳାଫଳ ଦର୍ଶାଉଛି ଯେ ଶରୀରର ବସ୍ତୁତ୍ବ ଏକ କେଇ ସେକେଣ୍ଡର ଏକ ଅଂଶରେ 1 କିଲୋଗ୍ରାମର ଏକ ମାନକ ବିଚ୍ୟୁତି ତ୍ରୁଟି ସହିତ ମାପ କରାଯାଇପାରିବ । |
1b2f2bb90fb08d0e02eabb152120dbf1d6e5837e | ଆମେ ନିରଳ ନେଟୱର୍କ ଦ୍ୱାରା ଅନୁପ୍ରାଣିତ ମଡେଲର ଏକ ପରିବାରକୁ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହାକି ନିରନ୍ତର ଶବ୍ଦ ପ୍ରତିନିଧିତ୍ୱକୁ ଗଣନା କରିବା ପାଇଁ ଉଦ୍ଦିଷ୍ଟ, ବିଶେଷ ଭାବରେ ଏକ-ଭାଷୀ ଏବଂ ବହୁଭାଷୀ ପାଠ୍ୟକୁ ବ୍ୟବହାର କରିବା ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଛି । ଏହି ଢାଞ୍ଚା ଆମକୁ ପୂର୍ବ ମଡେଲ ତୁଳନାରେ ବିନା ତଦାରଖରେ ତାଲିମପ୍ରାପ୍ତ ଇମ୍ବେଡିଂର ବିନା ତଦାରଖରେ ତାଲିମ ପ୍ରଦାନ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ ଯାହା ସିଣ୍ଟାକ୍ଟିକ ଏବଂ ସେମାଂଟିକ କମ୍ପୋଜିସନିଲିଟି ଉପରେ ଅଧିକ ସଠିକତା ପ୍ରଦର୍ଶନ କରିଥାଏ, ଏବଂ ବହୁଭାଷୀ ସେମାଂଟିକ ସମାନତା ମଧ୍ୟ ଦେଇଥାଏ । ଆମେ ଏହା ମଧ୍ୟ ଦେଖାଇଛୁ ଯେ, ଏହିପରି ବହୁଭାଷୀ ଇମ୍ବେଡମେଣ୍ଟ, ଅର୍ଥଗତ ସମାନତା ପାଇଁ ଅନୁକୂଳିତ, ସମାନ୍ତରାଳ ତଥ୍ୟରେ ଉପସ୍ଥିତ ନଥିବା ଶବ୍ଦଗୁଡ଼ିକୁ କିପରି ପରିଚାଳନା କରେ ସେ ସମ୍ବନ୍ଧରେ ପରିସଂଖ୍ୟାନ ମେସିନ୍ ଅନୁବାଦର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଉନ୍ନତ କରିପାରିବ । |
396945dabf79f4a8bf36ca408a137d6e961306e7 | |
6010c2d8eb5b6c5da3463d0744203060bdcc07a7 | ସାଲମନ ପୋକ, ଲେପିଓଫଥେରିୟସ ସାଲମନିସ (କ୍ରୋୟେର, ୧୮୩୭), ମାଛର ଏକ୍ଟୋପାରାସିଟ ଯାହା ଆଟଲାଣ୍ଟିକ ସାଲମୋନ, ସାଲମୋ ସାଲମୋନ ଲିନାୟସ, ୧୭୫୮ର ମାଛ ଚାଷରେ ଗୁରୁତର ଅର୍ଥନୈତିକ କ୍ଷତି ଘଟାଇଥାଏ । ମାଛ ଚାଷରେ ଏଲ୍. ସାଲମୋନାଇସର ନିୟନ୍ତ୍ରଣ ବହୁ ପରିମାଣରେ ଆଣ୍ଟି-ପାରାସିଟିକ୍ ଔଷଧ ସହିତ ଚିକିତ୍ସା ଉପରେ ନିର୍ଭର କରେ । ରାସାୟନିକ ନିୟନ୍ତ୍ରଣ ସହିତ ଜଡିତ ଏକ ସମସ୍ୟା ହେଉଛି ପ୍ରତିରୋଧକ ଶକ୍ତିର ବିକାଶର ସମ୍ଭାବନା, ଯାହା L. ସାଲମନିସରେ ଅନେକ ଔଷଧ ଶ୍ରେଣୀ ପାଇଁ ଦସ୍ତାବିଜ କରାଯାଇଛି ଯେଉଁଥିରେ ଅର୍ଗାନୋଫୋସ୍ଫେଟ୍, ପାଇରେଥ୍ରୋଏଡ୍ ଏବଂ ଆଭରମେକ୍ଟାଇନ୍ ଅନ୍ତର୍ଭୁକ୍ତ । ଏଟିପି-ବନ୍ଧନକାରୀ କ୍ୟାସେଟ୍ (ଏବିସି) ଜିନ ସୁପରଫ୍ୟାମିଲି ସମସ୍ତ ଜୀବାଶ୍ମରେ ମିଳିଥାଏ ଏବଂ ଏଥିରେ ଔଷଧର ଇଫ୍ଲକ୍ସ ଟ୍ରାନ୍ସପୋର୍ଟର ଅନ୍ତର୍ଭୁକ୍ତ ଯାହା କ୍ୟାନସର ଏବଂ ରୋଗ ଉତ୍ପନ୍ନ କରୁଥିବା ଜୀବାଣୁକୁ ଔଷଧ ପ୍ରତିରୋଧକ ଶକ୍ତି ପ୍ରଦାନ କରିଥାଏ । ଏହା ବ୍ୟତୀତ, କିଛି ଏବିସି ପରିବହନକାରୀ କୀଟନାଶକ ପ୍ରତିରୋଧକ ଶକ୍ତି ପ୍ରଦାନ କରିବାରେ ସଂପୃକ୍ତ ବୋଲି ଜଣା ପଡ଼ିଛି । ଏଲ. ସାଲମନିସରେ ଅନେକ ଅଧ୍ୟୟନ ABC ପରିବହନକାରୀମାନଙ୍କୁ ଅନୁସନ୍ଧାନ କରିଛି, କିନ୍ତୁ ଏହି ପ୍ରଜାତି ପାଇଁ ABC ଜିନ ପରିବାରର କୌଣସି ବ୍ୟବସ୍ଥିତ ବିଶ୍ଳେଷଣ ନାହିଁ । ଏହି ଅଧ୍ୟୟନରେ ଏଲ. ସାଲମନିସରେ ଏବିସି ଜିନର ଏକ ଜିନୋମ ବ୍ୟାପକ ସର୍ବେକ୍ଷଣ ଉପସ୍ଥାପନ କରାଯାଇଛି, ଯାହା ପାଇଁ ଏବିସି ସୁପରଫ୍ୟାମିଲି ସଦସ୍ୟମାନଙ୍କୁ ଏଲ. ସାଲମନିସ ଜିନୋମର ହୋମୋଲୋଜି ସନ୍ଧାନ ମାଧ୍ୟମରେ ଚିହ୍ନଟ କରାଯାଇଥିଲା । ଏହା ସହିତ, ABC ପ୍ରୋଟିନକୁ ଏକ ମଲ୍ଟି-ଷ୍ଟେଜ୍ RNA ଲାଇବ୍ରେରୀର ହାଇ-ଥ୍ରୋପୁଟ୍ RNA ସିକ୍ୱେନ୍ସିଂ (RNA-seq) ଦ୍ୱାରା ସୃଷ୍ଟି ହୋଇଥିବା ପାରାସିଟ୍ର ରେଫରେନ୍ସ ଟ୍ରାନ୍ସକ୍ରିପ୍ଟୋମରେ ଚିହ୍ନଟ କରାଯାଇଥିଲା । ଉଭୟ ଜିନୋମ ଏବଂ ଟ୍ରାନ୍ସକ୍ରିପ୍ଟୋମର ଅନୁସନ୍ଧାନ ଦ୍ୱାରା ମୋଟ 33 ଟି ଜିନ / ଟ୍ରାନ୍ସକ୍ରିପ୍ଟ ଚିହ୍ନଟ କରାଯାଇଥିଲା ଯାହା ABC ପ୍ରୋଟିନ୍ ପାଇଁ କୋଡ୍ କରିଥାଏ, ସେଥିମଧ୍ୟରୁ 3 ଟି କେବଳ ଜିନୋମରେ ଏବଂ 4 ଟି କେବଳ ଟ୍ରାନ୍ସକ୍ରିପ୍ଟୋମରେ ପ୍ରତିନିଧିତ୍ୱ କରିଥିଲା । ୧୮ଟି ସିକ୍ୱେନ୍ସିକୁ ଏବିସି ସବଫେମିଲିରେ ବଣ୍ଟନ କରାଯାଇଥିଲା । ଉପ-ପରିବାର ବି (୪ଟି କ୍ରମ), ସି (୧୧) ଏବଂ ଜି (୨) । ଏହି ଫଳାଫଳରୁ ଜଣାପଡିଛି ଯେ ଏଲ. ସାଲମନିସର ଏବିସି ଜିନ ପରିବାରରେ ଅନ୍ୟ ଆର୍ଥ୍ରୋପୋଡଙ୍କ ତୁଳନାରେ କମ୍ ସଦସ୍ୟ ଅଛନ୍ତି । ଏଲ. ସାଲମନିସ ଏବିସି ଜିନ ସୁପରଫ୍ୟାମିଲିର ବର୍ତ୍ତମାନର ସର୍ଭେ ସାଲମୋନ ଡିଲୁସିଂ ଏଜେଣ୍ଟର ବିଷାକ୍ତତା ଏବଂ ଔଷଧ ପ୍ରତିରୋଧକ ଶକ୍ତିର ସମ୍ଭାବ୍ୟ ପ୍ରଣାଳୀରେ ଏବିସି ଟ୍ରାନ୍ସପୋର୍ଟରଙ୍କ ସମ୍ଭାବ୍ୟ ଭୂମିକା ଉପରେ ଅଧିକ ଅନୁସନ୍ଧାନ ପାଇଁ ଆଧାର ପ୍ରଦାନ କରିବ । |
4a3235a542f92929378a11f2df2e942fe5674c0e | ଏହି କାଗଜରେ ଅଣ ନିରୀକ୍ଷିତ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଆଧାରିତ ଇଣ୍ଟ୍ରୁଜିସନ ଡିଟେକ୍ଟର (ୟୁଏନଏନଆଇଡି) ସିଷ୍ଟମକୁ ପରିଚିତ କରା ଯାଇଛି, ଯାହା ଅଣ ନିରୀକ୍ଷିତ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ବ୍ୟବହାର କରି ନେଟୱାର୍କ ଆଧାରିତ ଇଣ୍ଟ୍ରୁଜିସନ ଏବଂ ଆକ୍ରମଣକୁ ଚିହ୍ନଟ କରିଥାଏ । ଏହି ବ୍ୟବସ୍ଥାରେ ପ୍ରଶିକ୍ଷଣ, ପରୀକ୍ଷଣ ଏବଂ ବିନା ତଦାରଖରେ ଜାଲକୁ ଟ୍ୟୁନ କରିବା ପାଇଁ ସୁବିଧା ରହିଛି । ଏହି ବ୍ୟବସ୍ଥାକୁ ବ୍ୟବହାର କରି ଆମେ ଦୁଇଟି ପ୍ରକାରର ଅଣ-ନିରୀକ୍ଷିତ ଆଡାପ୍ଟିଭ୍ ରେଜୋନାନ୍ସ ଥିଓରୀ (ଏଆରଟି) ନେଟୱାର୍କ (ଏଆରଟି-୧ ଏବଂ ଏଆରଟି-୨) କୁ ପରୀକ୍ଷା କରିଥିଲୁ । ଏହି ଫଳାଫଳ ଆଧାରରେ, ଏହିପରି ନେଟୱାର୍କଗୁଡ଼ିକ ନେଟୱାର୍କ ଟ୍ରାଫିକକୁ ସାଧାରଣ ଏବଂ ଅନୁପ୍ରବେଶକାରୀ ଭାବରେ ଦକ୍ଷତାର ସହିତ ବର୍ଗୀକୃତ କରିପାରିବେ । ଏହି ବ୍ୟବସ୍ଥା ଅପବ୍ୟବହାର ଏବଂ ବ୍ୟତିକ୍ରମ ଚିହ୍ନଟ ପଦ୍ଧତିର ଏକ ମିଶ୍ରଣ ବ୍ୟବହାର କରିଥାଏ, ତେଣୁ ଏହା ଜଣାଶୁଣା ଆକ୍ରମଣ ପ୍ରକାର ସହିତ ନୂତନ ଆକ୍ରମଣ ପ୍ରକାରକୁ ବ୍ୟତିକ୍ରମ ଭାବରେ ଚିହ୍ନଟ କରିବାରେ ସକ୍ଷମ ଅଟେ । |
10a9abb4c78f0be5cc85847f248d3e8277b3c810 | କମ୍ପ୍ୟୁଟେସନାଲ ନେଚୁରାଲ ଲ୍ୟାଙ୍ଗୁଏଜ ଲର୍ଣ୍ଣିଂ ଉପରେ ଆୟୋଜିତ ଏହି ସମ୍ମିଳନୀରେ ଏକ ସହଭାଗୀ କାର୍ଯ୍ୟ ରହିଛି, ଯେଉଁଥିରେ ଅଂଶଗ୍ରହଣକାରୀମାନେ ସମାନ ତଥ୍ୟ ସେଟ ଉପରେ ସେମାନଙ୍କର ଶିକ୍ଷଣ ପ୍ରଣାଳୀକୁ ପ୍ରଶିକ୍ଷଣ ଏବଂ ପରୀକ୍ଷା କରନ୍ତି । ୨୦୦୬ରେ ହୋଇଥିବା ଭଳି ୨୦୦୭ରେ ମଧ୍ୟ ନିର୍ଭରଶୀଳତା ବିଶ୍ଳେଷଣ ପାଇଁ ଏହି ସହଭାଗୀ କାର୍ଯ୍ୟକୁ ସମର୍ପିତ କରାଯାଇଛି । ଏହି ଲେଖାରେ ଆମେ ବିଭିନ୍ନ ଟ୍ରାକର କାର୍ଯ୍ୟକୁ ପରିଭାଷିତ କରିଛୁ ଏବଂ ଦଶଟି ଭାଷାର ତଥ୍ୟକୁ କିପରି ପ୍ରସ୍ତୁତ କରାଯାଇଛି ତାହା ବର୍ଣ୍ଣନା କରିଛୁ । ଏହାବ୍ୟତୀତ, ଆମେ ଅଂଶଗ୍ରହଣକାରୀ ପ୍ରଣାଳୀର ବିଭିନ୍ନ ଆଭିମୁଖ୍ୟର ବର୍ଣ୍ଣନା କରୁଛୁ, ପରୀକ୍ଷଣ ଫଳାଫଳ ବିଷୟରେ ରିପୋର୍ଟ କରୁଛୁ ଏବଂ ଏହି ଫଳାଫଳଗୁଡ଼ିକର ପ୍ରଥମ ବିଶ୍ଳେଷଣ ପ୍ରଦାନ କରୁଛୁ । |
14626b05a5ec7ec2addc512f0dfa8db60d817c1b | ଏହି ଲେଖାରେ ଆମେ ଗଭୀର ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଉପରେ ବିଶେଷ ଧ୍ୟାନ ଦେଇ ବଡ଼ ଆକାରର ଅଣ-ବିକାଶକାରୀ ଅପ୍ଟିମାଇଜେସନ୍ ସମସ୍ୟା ପାଇଁ ତ୍ୱରାନ୍ୱିତ କୌଶଳ ଅନୁସନ୍ଧାନ କରୁଛୁ । ଏକ୍ସଟ୍ରାପୋଲେସନ ସ୍କିମ ଏକ କ୍ଲାସିକାଲ ପଦ୍ଧତି ଯାହା ଷ୍ଟୋକାଷ୍ଟିକ ଗ୍ରାଡିଏଣ୍ଟ ଅବତରଣକୁ ତ୍ୱରାନ୍ୱିତ କରିଥାଏ କିନ୍ତୁ ଏହା ସାଧାରଣତଃ ଅଣ-ବକ୍ର ଅପ୍ଟିମାଇଜେସନ ପାଇଁ କାମ କରେ ନାହିଁ । ଅନ୍ୟଥା, ଆମେ ଏକ ଇଣ୍ଟରପୋଲେସନ୍ ସ୍କିମ୍ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଅଣ-କନଭେକ୍ସ ଅପ୍ଟିମାଇଜେସନ୍ କୁ ତ୍ୱରାନ୍ୱିତ କରିବ ଏବଂ ପଦ୍ଧତିକୁ ଇଣ୍ଟରପୋଲେଟ୍ରନ୍ ବୋଲି କହିବ । ଆମେ ଇଣ୍ଟରପୋଲାଟ୍ରନ ପଛରେ ଥିବା ପ୍ରେରଣା ବିଷୟରେ ବୁଝାଇବୁ ଏବଂ ଏକ ସମ୍ପୂର୍ଣ୍ଣ ଅନୁଭବୀ ବିଶ୍ଳେଷଣ କରିବୁ । ସିଫାର-୧୦ ଏବଂ ଇମେଜନେଟରେ ବଡ଼ ଗଭୀରତାର ଡିଏନଏନ (DNN) ଉପରେ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ (ଉଦାହରଣ ସ୍ୱରୂପ, ୯୮-ଲେୟାର୍ ରେସନେଟ୍ ଏବଂ ୨୦୦-ଲେୟାର୍ ରେସନେଟ୍) ଦର୍ଶାଏ ଯେ ଇଣ୍ଟରପୋଲାଟ୍ରନ୍ ଷ୍ଟେଟ୍ ଅଫ୍ ଦି ଆର୍ଟ ପଦ୍ଧତି ଯେପରିକି ଇମ୍ପୋଲ୍ଟମ୍ ଏବଂ ଆଡାମ ସହିତ SGD ଅପେକ୍ଷା ବହୁତ ଶୀଘ୍ର ଏକତ୍ରିତ ହୋଇପାରେ । ଏହା ବ୍ୟତୀତ ଆଣ୍ଡରସନଙ୍କ ତ୍ୱରାନ୍ୱିତ, ଯେଉଁଥିରେ ମିଶ୍ରଣ ଗୁଣକଗୁଡ଼ିକୁ ସର୍ବନିମ୍ନ-ଚତୁର୍ଥାଂଶ ଆକଳନ ଦ୍ୱାରା ଗଣନା କରାଯାଇଥାଏ, କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଉନ୍ନତ କରିବା ପାଇଁ ମଧ୍ୟ ବ୍ୟବହୃତ କରାଯାଇପାରିବ । ଉଭୟ ଇଣ୍ଟରପୋଲାଟ୍ରନ ଏବଂ ଆଣ୍ଡରସନଙ୍କ ତ୍ୱରାନ୍ୱିତ କାର୍ଯ୍ୟକାରୀ କରିବା ଏବଂ ଟ୍ୟୁନ କରିବା ସହଜ ଅଟେ । ଆମେ ମଧ୍ୟ ଦେଖାଇଛୁ ଯେ ଇଣ୍ଟରପୋଲାଟ୍ରନ୍ ରେଖାକାର ସମ୍ମିଶ୍ରଣ ହାରର କିଛି ନିୟମିତତା ଅନୁମାନରେ ଅଛି । |
55baef0d54403387f5cf28e2ae1ec850355cf60a | କିରନ୍ସ, ନୀଲ, ରୋଥ ଏବଂ ୱୁ [ICML 2018] ନିକଟରେ ଏକ ଧାରଣା ପ୍ରସ୍ତାବ ଦେଇଛନ୍ତି ଧନୀ ଉପଗୋଷ୍ଠୀ ନ୍ୟାୟସଙ୍ଗତତା ପରିସଂଖ୍ୟାନ ଏବଂ ବ୍ୟକ୍ତିଗତ ନ୍ୟାୟସଙ୍ଗତତା ମଧ୍ୟରେ ଥିବା ବ୍ୟବଧାନକୁ ଦୂର କରିବା ପାଇଁ ଉଦ୍ଦିଷ୍ଟ । ସମୃଦ୍ଧ ଉପଗୋଷ୍ଠୀ ନ୍ୟାୟ ଏକ ପରିସଂଖ୍ୟାନ ନ୍ୟାୟ ପ୍ରତିବନ୍ଧକ ବାଛିଥାଏ (କହନ୍ତୁ, ସଂରକ୍ଷିତ ଗୋଷ୍ଠୀଗୁଡିକରେ ମିଥ୍ୟା ସକାରାତ୍ମକ ହାରକୁ ସମାନ କରିବା), କିନ୍ତୁ ତାପରେ ପଚାରିଥାଏ ଯେ ଏହି ପ୍ରତିବନ୍ଧକ ଏକ ବର୍ଦ୍ଧିତ କିମ୍ବା ଅସୀମ ଭାବରେ ବଡ଼ ଉପଗୋଷ୍ଠୀ ସଂଗ୍ରହ ଉପରେ ରଖେ ଯାହା ବଣ୍ଡେଡ୍ ଭିସି ପରିମାପକ ସହିତ ଫଳନଗୁଡିକର ଏକ ଶ୍ରେଣୀ ଦ୍ୱାରା ବ୍ୟାଖ୍ୟା କରାଯାଇଛି । ସେମାନେ ଏହି କଟକଣାକୁ ଆଧାର କରି ଶିଖିବା ପାଇଁ ଏକ ଆଲଗୋରିଦମକୁ ଗ୍ୟାରେଣ୍ଟି ଦିଅନ୍ତି, ଏହି ସର୍ତ୍ତରେ ଯେ ଏହା ଏକ ନ୍ୟାୟସଂଗତ କଟକଣା ବିନା ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ ଶିଖିବା ପାଇଁ ଓରାକଲଗୁଡିକରେ ପ୍ରବେଶ କରିଥାଏ । ଏହି କାଗଜରେ, ଆମେ କୀରନ୍ସ ଆଦିଙ୍କ ଆଲଗୋରିଦମର ଏକ ବ୍ୟାପକ ଅନୁଭବୀ ମୂଲ୍ୟାଙ୍କନ କରୁଛୁ । ଚାରିଟି ବାସ୍ତବ ତଥ୍ୟ ସେଟ୍ ଉପରେ ଯେଉଁଠାରେ ନ୍ୟାୟ ଏକ ଚିନ୍ତାର ବିଷୟ, ଆମେ ଆଲଗୋରିଦମର ମୌଳିକ ସମ୍ମିଶ୍ରଣକୁ ଅନୁସନ୍ଧାନ କରୁ ଯେତେବେଳେ ଶିଳ୍ପାନୁଷ୍ଠାନର ସ୍ଥାନକୁ ଶୀଘ୍ର ହେରିଷ୍ଟିକ୍ସ ସହିତ ଅନୁଭୂତି କରାଯାଏ, ନ୍ୟାୟ ଏବଂ ସଠିକତା ମଧ୍ୟରେ ବାଣିଜ୍ୟକୁ ମାପ କରେ, ଏବଂ ଏହି ଆଭିମୁଖ୍ୟକୁ ଅଗ୍ରୱାଲ, ବେଗେଲଜାଇମର, ଡୁଡିକ, ଲାଙ୍ଗଫୋର୍ଡ ଏବଂ ୱାଲାଚ୍ [ICML 2018] ର ସାମ୍ପ୍ରତିକ ଆଲଗୋରିଦମ ସହିତ ତୁଳନା କରେ, ଯାହା ବ୍ୟକ୍ତିଗତ ସଂରକ୍ଷିତ ଗୁଣ ଦ୍ୱାରା ପରିଭାଷିତ ଦୁର୍ବଳ ଏବଂ ଅଧିକ ପାରମ୍ପାରିକ ସୀମା ନ୍ୟାୟ ପ୍ରତିବନ୍ଧକକୁ କାର୍ଯ୍ୟକାରୀ କରେ । ଆମେ ଏହା ସାଧାରଣରେ ପାଇଥାଉ, କିରନ ଆଦି । ଆଲଗୋରିଦମ ଶୀଘ୍ର ଏକତ୍ରିତ ହୁଏ, ସଠିକତା ପାଇଁ ସାମାନ୍ୟ ଖର୍ଚ୍ଚ ସହିତ ନ୍ୟାୟସଙ୍ଗତତାରେ ବଡ଼ ଲାଭ ମିଳିପାରେ, ଏବଂ କେବଳ ସୀମିତ ନ୍ୟାୟସଙ୍ଗତତା ସହିତ ସଠିକତା ଅପ୍ଟିମାଇଜ୍ କରିବା ଦ୍ୱାରା ଉପଗୋଷ୍ଠୀ ଅନ୍ୟାୟ ସହିତ ଶ୍ରେଣୀଭୁକ୍ତକାରୀମାନେ ବହୁଳ ଭାବରେ ଅଗ୍ରଗତି କରନ୍ତି । ଆମେ ମଧ୍ୟ କେରନ୍ସ ଆଦିଙ୍କ କାର୍ଯ୍ୟଧାରା ଓ ବ୍ୟବହାରର ଅନେକ ବିଶ୍ଳେଷଣ ଓ ଦୃଶ୍ୟମାନତା ପ୍ରଦାନ କରିଛୁ । ଆଲଗୋରିଦମ ମୋଟାମୋଟି ଭାବେ ଆମେ ଏହି ଆଲଗୋରିଦମକୁ ବାସ୍ତବ ତଥ୍ୟ ଉପରେ ପ୍ରଭାବଶାଳୀ ବୋଲି ଦେଖୁଛୁ, ଏବଂ ସମୃଦ୍ଧ ଉପଗୋଷ୍ଠୀ ନ୍ୟାୟସଙ୍ଗତତା ବ୍ୟବହାରିକ ଭାବରେ ଏକ ଉପଯୋଗୀ ଧାରଣା । |
6be461dd5869d00fc09975a8f8e31eb5f86be402 | କମ୍ପ୍ୟୁଟର ଆନିମେଟେଡ ଏଜେଣ୍ଟ ଏବଂ ରୋବଟ ମାନବ କମ୍ପ୍ୟୁଟରର ପାରସ୍ପରିକ କ୍ରିୟାକୁ ଏକ ସାମାଜିକ ଦିଗ ପ୍ରଦାନ କରିଥାନ୍ତି ଏବଂ ଆମକୁ ଦୈନନ୍ଦିନ ଜୀବନରେ କମ୍ପ୍ୟୁଟରର ବ୍ୟବହାର ବିଷୟରେ ନୂଆ ଉପାୟରେ ଚିନ୍ତା କରିବାକୁ ବାଧ୍ୟ କରିଥାନ୍ତି । ସାମନାସାମ୍ନି ଯୋଗାଯୋଗ ହେଉଛି ଏକ ବାସ୍ତବ ସମୟ ପ୍ରକ୍ରିୟା ଯାହାକି 40 ମିଲିସେକେଣ୍ଡର ସମୟ ପରିସୀମା ମଧ୍ୟରେ କାର୍ଯ୍ୟ କରିଥାଏ । ଏହି ସମୟ ପରିମାପରେ ଅନିଶ୍ଚିତତାର ସ୍ତର ଯଥେଷ୍ଟ ଅଟେ, ଯାହା ମଣିଷ ଏବଂ ମେସିନ ପାଇଁ ଧୀର ସାଙ୍କେତିକ ଅନୁମାନ ପ୍ରକ୍ରିୟା ପରିବର୍ତ୍ତେ ଇନ୍ଦ୍ରିୟ ସମୃଦ୍ଧ ଧାରଣା ପ୍ରାଥମିକତା ଉପରେ ନିର୍ଭର କରିବା ଆବଶ୍ୟକ କରେ । ଏହି ଅଧ୍ୟୟନରେ ଆମେ ଏପରି ଏକ ଆଦିମ ଧାରଣା ଉପରେ ଅଗ୍ରଗତିର ବର୍ଣ୍ଣନା କରୁଛୁ । ଏହି ସିଷ୍ଟମ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଭିଡିଓ ଷ୍ଟ୍ରିମରେ ସମ୍ମୁଖ ଚେହେରାକୁ ଚିହ୍ନଟ କରିଥାଏ ଏବଂ ଏହାକୁ 7ଟି ଦିଗ ପ୍ରତି ଧ୍ୟାନ ଦେଇ ରିଅଲ ଟାଇମରେ କୋଡ୍ କରିଥାଏ: ନିରପେକ୍ଷ, କ୍ରୋଧ, ଘୃଣା, ଭୟ, ଆନନ୍ଦ, ଦୁଃଖ, ଆଶ୍ଚର୍ଯ୍ୟ । ଚେହେରା ଖୋଜିବା ଯନ୍ତ୍ରରେ ବର୍ଦ୍ଧିତ କୌଶଳ ସହିତ ତାଲିମପ୍ରାପ୍ତ ବୈଶିଷ୍ଟ୍ୟ ଚିହ୍ନଟକାରୀ ଯନ୍ତ୍ରର ଏକ କାସକେଡ୍ ବ୍ୟବହାର କରାଯାଇଥାଏ [୧୫,୨] । ଅଭିବ୍ୟକ୍ତି ଚିହ୍ନଟକାରୀକୁ ଚେହେରା ଚିହ୍ନଟକାରୀ ଦ୍ୱାରା ଚିହ୍ନଟ କରାଯାଇଥିବା ପ୍ରତିଛବି ପ୍ୟାଚ୍ ଗ୍ରହଣ କରିଥାଏ । ପ୍ୟାଚର ଏକ ଗାବୋର ପ୍ରତିନିଧିତ୍ୱ ଗଠନ କରାଯାଏ ଏବଂ ତାପରେ SVM ବର୍ଗୀକରଣକାରୀମାନଙ୍କ ଏକ ବ୍ୟାଙ୍କ ଦ୍ୱାରା ପ୍ରକ୍ରିୟାକରଣ କରାଯାଏ । ଆଡାବୁଷ୍ଟ ଏବଂ ଏସଭିଏମର ଏକ ନୂତନ ମିଶ୍ରଣ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ବୃଦ୍ଧି କରିଥାଏ । ଏହି ପ୍ରଣାଳୀକୁ କୋହନ୍-କାନାଡେ ଡାଟାସେଟରେ ଚେହେରା ଉପରେ ପରୀକ୍ଷା କରାଯାଇଥିଲା । ସାତଟି ବାଟ ମଧ୍ୟରୁ ଗୋଟିଏ ବାଛିବା ପାଇଁ ବାଧ୍ୟତାମୂଳକ ଭାବେ ସଠିକ ହେବା ପାଇଁ ନୂଆ ବିଷୟଗୁଡ଼ିକ ପାଇଁ ସାଧାରଣକରଣ ପ୍ରଦର୍ଶନ । ସବୁଠାରୁ ରୋଚକ କଥା ହେଉଛି ବର୍ଗୀକରଣର ଫଳାଫଳ ସମୟର ଏକ ଫଙ୍କସନ ଭାବରେ ସୁଗମ ଭାବରେ ପରିବର୍ତ୍ତନ ହୋଇଥାଏ, ଯାହା ସମ୍ପୂର୍ଣ୍ଣ ସ୍ୱୟଂଚାଳିତ ଏବଂ ଅବିସ୍ମରଣୀୟ ଭାବରେ ଚେହେରା ଅଭିବ୍ୟକ୍ତିର ଗତିଶୀଳତାକୁ କୋଡ୍ କରିବା ପାଇଁ ଏକ ସମ୍ଭାବ୍ୟ ମୂଲ୍ୟବାନ ପ୍ରତିନିଧିତ୍ୱ ପ୍ରଦାନ କରିଥାଏ । ଏହି ବ୍ୟବସ୍ଥାକୁ ସୋନିର ଏଆଇବୋ ପେଟ ରୋବଟ, ଏଟିଆର ର ରୋବୋଭିଆଇ ଏବଂ ସିୟୁ ଆନିମେଟର ସମେତ ବିଭିନ୍ନ ପ୍ଲାଟଫର୍ମରେ ନିୟୋଜିତ କରାଯାଇଛି ଏବଂ ବର୍ତ୍ତମାନ ସ୍ୱୟଂଚାଳିତ ପଠନ ଟ୍ୟୁଟର, ମାନବ-ରୋବଟ ପାରସ୍ପରିକ କ୍ରିୟାକରଣର ଆକଳନ ସହିତ ପ୍ରୟୋଗ ପାଇଁ ମୂଲ୍ୟାଙ୍କନ କରାଯାଉଛି । |
15f932d189b13786ca54b1dc684902301d34ef65 | ଏହି କାଗଜରେ ଏକ ଉଚ୍ଚ ଦକ୍ଷ LLCC-ପ୍ରକାରର ରେଜୋନାଣ୍ଟ DC-DC କନ୍ଭର୍ଟର ବିଷୟରେ ଆଲୋଚନା କରାଯାଇଛି ଯାହା ଏକ କମ ଶକ୍ତିର ଫୋଟୋଭୋଲ୍ଟାଇକ ପ୍ରୟୋଗ ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ । ରେଜୋନାନ୍ସ ଟାଙ୍କିର ବିଭିନ୍ନ ଡିଜାଇନ ମେକାନିଜିମ ଉପରେ ଗୁରୁତ୍ୱ ଦିଆଯାଇଛି । ସେହି ସମୟରେ ଇନଭର୍ଟର ଏବଂ ରେକ୍ଟାଇଫର ବ୍ରିଜ୍ର ସଫ୍ଟ ସୁଇଚକୁ ମଧ୍ୟ ବିଚାରକୁ ନିଆଯାଏ । ଡିଜାଇନ୍ ନିୟମ ସମ୍ବନ୍ଧରେ, ଭୋଲଟେଜ୍-ସ୍ରୋତ ଆଉଟପୁଟ୍ ସହିତ ଏକ LLCC-କନଭର୍ଟର ଡିଜାଇନ୍ କରିବାରେ ଏକ ନୂତନ ଆହ୍ୱାନ ସମାଧାନ ହୋଇଛି । ରେଜୋନାନ୍ସ ଉପାଦାନ ବଦଳରେ, ସେଗୁଡିକର ଅନୁପାତ, ଉଦାହରଣ ସ୍ୱରୂପ ଇଣ୍ଡକ୍ଟାନ୍ସର ଅନୁପାତ Ls/Lp କୁ ପ୍ରଥମେ ଡିଜାଇନ୍ ପାରାମିଟର ଭାବରେ ବିଚାର କରାଯାଏ । ଏହା ବ୍ୟତୀତ ଟ୍ରାନ୍ସଫର୍ମର ଇଣ୍ଡକ୍ଟର ଉପକରଣ ପାଇଁ ପ୍ରାପ୍ତ ଡିଜାଇନ୍ ନିୟମ ସିଧାସଳଖ LLCC ର ସାମଗ୍ରିକ ଡିଜାଇନ୍ ସହିତ ଖାପ ଖୁଆଇଥାଏ । ଟ୍ରାନ୍ସଫର୍ମର ର ପ୍ରକୃତି କାରଣରୁ, ଯଥା ଇଣ୍ଡକ୍ଟାନ୍ସ Ls/Lp ର ସମ୍ପର୍କ କେବଳ ଜ୍ୟାମିତିର ଏକ ଫଙ୍କସନ୍ ଅଟେ, ଏହି ଡିଜାଇନ୍ ପାରାମିଟରକୁ ଜ୍ୟାମିତି ସିଧାସଳଖ ବିଚାର କରିଥାଏ । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳରୁ ଏହାର ଉଚ୍ଚ ଦକ୍ଷତା ପ୍ରମାଣିତ ହୋଇଛି । |
f13902eb6429629179419c95234ddbd555eb2bb6 | |
07d138a54c441d6ae9bff073025f8f5eeaac4da4 | ବିରାଟ ପରିମାଣର ତଥ୍ୟ ଉପରେ ପ୍ରଶିକ୍ଷିତ ବୃହତ ଗଭୀର ସ୍ନାୟୁ ନେଟୱାର୍କ (ଡିଏନଏନ) ମଡେଲଗୁଡ଼ିକ ନିକଟରେ କଠିନ କାର୍ଯ୍ୟଗୁଡ଼ିକରେ ସର୍ବୋତ୍ତମ ସଠିକତା ହାସଲ କରିଛନ୍ତି, ଯେପରିକି ପ୍ରତିଛବି ଏବଂ ସ୍ବର ଚିହ୍ନଟ । ଏହି ଡିଏନଏଗୁଡ଼ିକୁ କ୍ଲଷ୍ଟର ମେସିନ ବ୍ୟବହାର କରି ପ୍ରଶିକ୍ଷଣ ଦେବା ଏକ ଭଲ ଉପାୟ କାରଣ ପ୍ରଶିକ୍ଷଣ ସମୟସାପେକ୍ଷ ଏବଂ କମ୍ପ୍ୟୁଟ ଇଣ୍ଟେନସିଭ୍ । ଅତି ବଡ଼ ଡିଏନଏସର ପ୍ରଶିକ୍ଷଣକୁ ସକ୍ଷମ କରିବା ପାଇଁ, ମଡେଲଗୁଡ଼ିକୁ ବିଭିନ୍ନ ମେସିନରେ ବିଭକ୍ତ କରାଯାଇଛି । ବହୁତ ବଡ଼ ଡାଟା ସେଟ ଉପରେ ପ୍ରଶିକ୍ଷଣକୁ ତ୍ୱରାନ୍ୱିତ କରିବା ପାଇଁ, ଏକାଧିକ ମଡେଲ ପ୍ରତିରୂପକୁ ପ୍ରଶିକ୍ଷଣ ଉଦାହରଣର ବିଭିନ୍ନ ଉପସମୂହରେ ସମାନ୍ତରାଳ ଭାବରେ ପ୍ରଶିକ୍ଷଣ କରାଯାଏ, ଏହି ପ୍ରତିରୂପଗୁଡ଼ିକରେ ଅଂଶୀଦାର ଓଜନ ବଜାୟ ରଖିବା ପାଇଁ ଏକ ବିଶ୍ୱ ପାରାମିଟର ସର୍ଭର ସହିତ _ ମଡେଲ ଏବଂ ଡାଟା ବିଭାଜନ ଏବଂ ସାମଗ୍ରିକ ସିଷ୍ଟମ ପ୍ରୋଭିଜନିଂ ପାଇଁ ସଠିକ ଚୟନ ଡିଏନଏନ ଏବଂ ବଣ୍ଟିତ ସିଷ୍ଟମ ହାର୍ଡୱେର ବିଶେଷତା ଉପରେ ଅଧିକ ନିର୍ଭରଶୀଳ । ଏହି ନିଷ୍ପତ୍ତି ପାଇଁ ବର୍ତ୍ତମାନ ସମୟରେ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଡୋମେନ୍ ବିଶେଷଜ୍ଞତା ଏବଂ ସମୟସାପେକ୍ଷ ଅନୁଭବୀ ରାଜ୍ୟ ମହାକାଶ ଅନୁସନ୍ଧାନ ଆବଶ୍ୟକ । ଏହି କାଗଜରେ କାର୍ଯ୍ୟଦକ୍ଷତା ମଡେଲ ବିକଶିତ କରାଯାଇଛି ଯାହା ଏହି ବିଭାଜନ ଏବଂ ପ୍ରୋଭିଜନିଂ ନିଷ୍ପତ୍ତିର ପ୍ରଭାବକୁ ପରିମାଣିକ ଭାବରେ ବଣ୍ଟିତ ସିଷ୍ଟମର କାର୍ଯ୍ୟଦକ୍ଷତା ଏବଂ ମାପଯୋଗ୍ୟତା ଉପରେ ବର୍ଣ୍ଣନା କରିଥାଏ । ଏହା ସହିତ, ଆମେ ଏହି କାର୍ଯ୍ୟଦକ୍ଷତା ମଡେଲଗୁଡ଼ିକୁ ଏକ ସ୍କେଲେବିଲିଟି ଅପ୍ଟିମାଇଜର ନିର୍ମାଣ କରିବା ପାଇଁ ବ୍ୟବହାର କରୁ ଯାହା ଦକ୍ଷତାର ସହିତ ସର୍ବୋତ୍ତମ ସିଷ୍ଟମ୍ କନଫିଗୁରେସନ୍ ନିର୍ଣ୍ଣୟ କରେ ଯାହା DNN ତାଲିମ ସମୟକୁ ସର୍ବନିମ୍ନ କରିଥାଏ । ଆମେ ଆମର ପ୍ରଦର୍ଶନ ମଡେଲ ଏବଂ ସ୍କେଲେବିଲିଟି ଅପ୍ଟିମାଇଜରକୁ ଦୁଇଟି ବେଞ୍ଚମାର୍କ ଆପ୍ଲିକେସନରେ ଅତ୍ୟାଧୁନିକ ଡିଷ୍ଟ୍ରିବ୍ୟୁଟେଡ ଡିଏନଏନ ଟ୍ରେନିଂ ଫ୍ରେମୱାର୍କ ବ୍ୟବହାର କରି ମୂଲ୍ୟାଙ୍କନ କରିଥାଉ । ଫଳାଫଳ ଦର୍ଶାଏ ଯେ ଆମର କାର୍ଯ୍ୟଦକ୍ଷତା ମଡେଲଗୁଡିକ ଉଚ୍ଚ ଆକଳନ ସଠିକତା ସହିତ DNN ତାଲିମ ସମୟର ଆକଳନ କରିଥାଏ ଏବଂ ଆମର ମାପକତା ଅପ୍ଟିମାଇଜର ସଠିକ୍ ଭାବରେ ସର୍ବୋତ୍ତମ ବିନ୍ୟାସଗୁଡିକ ବାଛିଥାଏ, ବିତରିତ DNN ର ତାଲିମ ସମୟକୁ ସର୍ବନିମ୍ନ କରିଥାଏ । |
eee686b822950a55f31d4c9c33d02c1942424785 | ସାରାଂଶ - ଏହି ଦସ୍ତାବିଜରେ କ୍ୱାର୍ଟର ୱେଭ ଟ୍ରାନ୍ସଫର୍ମର ସହିତ ଟି-ଜଙ୍କସନ ବ୍ୟବହାର କରି 2 x 2 ତ୍ରିଭୁଜ ମାଇକ୍ରୋଷ୍ଟ୍ରିପ ପ୍ୟାଚ ଆଣ୍ଟିନା ବିଷୟରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି । ପ୍ୟାଚ୍ ଆଣ୍ଟେନା ମଧ୍ୟରେ ଦୂରତା ନିୟନ୍ତ୍ରିତ କରି ଏବଂ ଫିଡ୍ ପୋଜିସନକୁ ସଜାଡ଼ି ବ୍ୟାଣ୍ଡୱିଡ୍ଟ ହାସଲ କରାଯାଇପାରିବ ଏବଂ ଆରେ ବ୍ୟବହାର କରି, ନିର୍ଦ୍ଦେଶିତତା ବୃଦ୍ଧି କରାଯାଇପାରିବ । ବଡ଼ ବ୍ୟାଣ୍ଡୱିଡଥ୍, ଉଚ୍ଚ ଦିଗଦର୍ଶନ କ୍ଷମତା ଏବଂ ସର୍ବନିମ୍ନ ଆକାରର ଆବଶ୍ୟକତା ଯୋଗୁଁ ୨ x ୨ ତ୍ରିଭୁଜ ମାଇକ୍ରୋଷ୍ଟ୍ରିପ୍ ପ୍ୟାଚ୍ ଆଣ୍ଟିନା ଆରେ ଡିଜାଇନ୍ ପାଇଁ ଟାଇ-ଜଙ୍କସନ୍ ନେଟୱାର୍କରେ ଟାଇ-ଜଙ୍କସନ୍ ନେଟୱାର୍କରେ ଟାଇ-ଜଙ୍କସନ୍ ନେଟୱାର୍କରେ ଟାଇ-ଜଙ୍କସନ୍ ନେଟୱାର୍କରେ ଟାଇ-ଜଙ୍କସନ୍ ନେଟୱାର୍କରେ ଟାଇ-ଜଙ୍କସନ୍ ନେଟୱାର୍କରେ ଟାଇ-ଜଙ୍କସନ୍ ନେଟୱାର୍କରେ ଟାଇ-ଜଙ୍କସନ୍ ନେଟୱାର୍କରେ ଟାଇ-ଜଙ୍କସନ୍ ନେଟୱାର୍କରେ ଟାଇ-ଜଙ୍କସନ୍ ନେଟୱାର୍କରେ ଟାଇ-ଜଙ୍କସନ୍ ନେଟୱାର୍କ ନେଟୱାର୍କ ନେଟୱାର୍କ ନେଟୱାର୍କ ନେଟୱାର୍କ ନେଟୱାର୍କ ନେଟୱାର୍କ ନେଟୱାର୍କ ନେଟୱାର୍କ ନେଟୱାର୍କ ନେଟୱାର୍କ ନେଟୱାର୍କ ନେଟୱାର୍କ ନେଟୱାର୍କ ନେଟୱାର୍କ ନେଟୱାର୍କ ନେଟୱାର୍କ । ଏକ FR4 ସବଷ୍ଟ୍ରେଟ ଉପରେ ଡିଜାଇନ କରାଯାଇଥିବା ଆଣ୍ଟେନା ଯାହାର ଡାଏଲେକ୍ଟ୍ରିକ କଣ୍ଟେନସ (r) ୪.୪, କ୍ଷତି ଟାଙ୍ଗେଣ୍ଟ ୦.୦୨ ଏବଂ ୧.୬ ମିମିର ମୋଟା । ସିମୁଲେସନ ଫଳାଫଳରୁ ଜଣାପଡିଥିଲା ଯେ ଡିଜାଇନ କରାଯାଇଥିବା ଆଣ୍ଟେନାଟିଟି 12.91 dB ଏବଂ ବ୍ୟାଣ୍ଡୱିଡଥ 173 MHz ସହିତ VSWR 1.07 ଟି-ଜଙ୍କସନ ଫିଡିଂ ନେଟୱାର୍କ ବ୍ୟବହାର କରି । ପ୍ରସ୍ତାବିତ 2 x 2 ତ୍ରିଭୁଜ ଆରେରେ ହାଲୁକା ଓଜନ, ସରଳ ନିର୍ମାଣ, ଏକକ ସ୍ତରୀୟ ସଂରଚନା ଏବଂ ଉଚ୍ଚ ନିର୍ଦ୍ଦେଶିତାର ଲାଭ ରହିଛି । କୀ ଶବ୍ଦ ବ୍ୟାଣ୍ଡୱିଡଥ୍, କର୍ପୋରେଟ ଫିଡିଂ, ରିଟର୍ଣ୍ଣ ଲସ, ଟି-ଜଙ୍କସନ, ଭିଏସଡବ୍ଲୁଆର |
c707938422b60bf827ec161872641468ec1ffe00 | ଆମେ ସୀମିତ ସ୍ଥିତିରେ ମୂଲ୍ୟ ଫଳନଗୁଡ଼ିକର ଜ୍ୟାମିତିଗତ ଏବଂ ଟପୋଲୋଜିକାଲ ଗୁଣାବଳୀ ସ୍ଥାପନ କରୁଛେ, ମାର୍କୋଭ୍ ନିଷ୍ପତ୍ତି ପ୍ରକ୍ରିୟା । ଆମର ମୁଖ୍ୟ ଅବଦାନ ହେଉଛି ଏହାର ଆକୃତିର ପ୍ରକୃତିର ବର୍ଣ୍ଣନା: ଏକ ସାଧାରଣ ପଲିଟୋପ (ଏଗନର ଆଦିମ , 2010) । ଏହି ଫଳାଫଳକୁ ଦର୍ଶାଇବା ପାଇଁ, ଆମେ ନୀତି ଏବଂ ମୂଲ୍ୟ ଫଳନ ମଧ୍ୟରେ ସଂରଚନା ସମ୍ବନ୍ଧର ଅନେକ ଗୁଣ ପ୍ରଦର୍ଶନ କରୁ, ଯେଉଁଥିରେ ରେଖା ସିଦ୍ଧାନ୍ତ ଅନ୍ତର୍ଭୁକ୍ତ, ଯାହା ଦର୍ଶାଏ ଯେ ଗୋଟିଏ ରାଜ୍ୟ ବ୍ୟତୀତ ଅନ୍ୟ ସମସ୍ତ ରାଜ୍ୟ ଉପରେ ପ୍ରତିବନ୍ଧିତ ନୀତିର ମୂଲ୍ୟ ଫଳନ ଏକ ରେଖା ବିଭାଗକୁ ବର୍ଣ୍ଣନା କରେ । ଶେଷରେ, ଆମେ ଏହି ନୂତନ ଦୃଷ୍ଟିକୋଣକୁ ଦୃଶ୍ୟମାନ କରିବା ପାଇଁ ବ୍ୟବହାର କରିଥାଉ ଯାହା ଦ୍ବାରା ଆମେ ଦୃଢ଼ ଶିକ୍ଷଣ ଆଲଗୋରିଦମର ଗତିଶୀଳତାକୁ ଅଧିକ ଭଲ ଭାବରେ ବୁଝିପାରିବା । |
86854374c13516a8ad0dc28ffd9cd4be2bca9bfc | ଗତ କିଛି ବର୍ଷ ମଧ୍ୟରେ ସମସ୍ୟା ଗୁଡିକ ପ୍ରତି ଆଗ୍ରହ ବୃଦ୍ଧି ପାଇଛି, ଯେଉଁଠାରେ କି ପର୍ଯ୍ୟବେକ୍ଷଣ କରାଯାଇଥିବା ତଥ୍ୟ କିମ୍ବା ଲୁକ୍କାୟିତ ଅବସ୍ଥା ପରିବର୍ତ୍ତନଶୀଳଗୁଡ଼ିକ ଏକ ଜଣାଶୁଣା ରିମ୍ୟାନ ବିବିଧତାରେ ସୀମିତ । କ୍ରମିକ ତଥ୍ୟ ବିଶ୍ଳେଷଣରେ ଏହି ଆଗ୍ରହ ମଧ୍ୟ ବୃଦ୍ଧି ପାଇଛି, କିନ୍ତୁ ଏହା ପରିବର୍ତ୍ତେ କଞ୍ଚା ଆଲଗୋରିଦମ ପ୍ରୟୋଗ କରାଯାଇଛି: ମାଂଟେ କାର୍ଲୋ ଫିଲ୍ଟର କିମ୍ବା ବ୍ରୁଟ-ଫୋର୍ସ ଡିସକ୍ରେଟିଜେସନ୍ । ଏହି ପଦ୍ଧତିଗୁଡ଼ିକର ଆକାର ଦୁର୍ବଳ ଏବଂ ଏହା ସ୍ପଷ୍ଟ ଭାବରେ ଏକ ଅଭାବ ଥିବା ତ୍ରୁଟି ଦର୍ଶାଏଃ ଅଣ-ଇଉକ୍ଲିଡିୟନ୍ ଡୋମେନ୍ ରେ କଲ୍ମାନ ଫିଲ୍ଟର ପାଇଁ କୌଣସି ଜେନେରିକ୍ ଆନାଲୋଗ୍ ବର୍ତ୍ତମାନ ଉପଲବ୍ଧ ନାହିଁ । ଏହି ଲେଖାରେ ଆମେ ପ୍ରଥମେ ଅଣ ଗନ୍ଧିତ ପରିବର୍ତ୍ତନକୁ ସାଧାରଣ କରି ଏବଂ ପରେ ଅଣ ଗନ୍ଧିତ କାଲମାନ ଫିଲ୍ଟରକୁ ରିମାନ୍ ମାନିଫଲ୍ଡରେ ପ୍ରୟୋଗ କରି ଏହି ସମସ୍ୟାର ସମାଧାନ କରିଛୁ । ଯେହେତୁ କଲ୍ମାନ ଫିଲ୍ଟରକୁ ଗସ୍-ନ୍ୟୁଟନ୍ ପଦ୍ଧତି ସହିତ ସମାନ ଏକ ଅପ୍ଟିମାଇଜେସନ୍ ଆଲଗୋରିଦମ ଭାବରେ ଦେଖାଯାଏ, ଆମର ଆଲଗୋରିଦମ ମଧ୍ୟ ମନିଫୋଲ୍ଡରେ ଏକ ସାଧାରଣ ଉଦ୍ଦେଶ୍ୟ ଅପ୍ଟିମାଇଜେସନ୍ ଫ୍ରେମୱାର୍କ ପ୍ରଦାନ କରେ । ଆମେ ଦୃଢ଼ତା ଏବଂ ସମ୍ମିଶ୍ରଣ ଅଧ୍ୟୟନ ପାଇଁ ସିନ୍ଥେଟିକ ତଥ୍ୟ ଉପରେ ପ୍ରସ୍ତାବିତ ପଦ୍ଧତିକୁ ବର୍ଣ୍ଣନା କରୁଛୁ, ଏକ କ୍ଷେତ୍ର ଟ୍ରାକିଂ ସମସ୍ୟା ଉପରେ କୋଭାରିଏନ୍ସ ବୈଶିଷ୍ଟ୍ୟ ବ୍ୟବହାର କରି, ଏକ ଆର୍ଟିକ୍ୟୁଲେଟେଡ୍ ଟ୍ରାକିଂ ସମସ୍ୟା, ଏକ ହାରାହାରି ମୂଲ୍ୟ ଅପ୍ଟିମାଇଜେସନ୍ ଏବଂ ଏକ ପୋଜ୍ ଅପ୍ଟିମାଇଜେସନ୍ ସମସ୍ୟା _ |
a075a513b2b1e8dbf9b5d1703a401e8084f9df9c | ଏକ ଏକକ କମ୍ପାକ୍ଟ ଇଲେକ୍ଟ୍ରୋମ୍ୟାଗ୍ନେଟିକ ବ୍ୟାଣ୍ଡଗାପ (ୟୁସି-ଇବିଜି) ସବଷ୍ଟ୍ରେଟ ଛପା ଆଣ୍ଟେନା ଜ୍ୟାମିତିରେ ପୃଷ୍ଠ ତରଙ୍ଗ ଉତ୍ତେଜନାକୁ ହ୍ରାସ କରିବା ପାଇଁ ଏକ ପ୍ରଭାବଶାଳୀ ଉପାୟ ବୋଲି ପ୍ରମାଣିତ ହୋଇଛି । ଏହି ଅଧ୍ୟୟନରେ ଏକ ୟୁସି-ଇବିଜି ସବଷ୍ଟ୍ରେଟ୍ରେ ଅନ୍ତର୍ଭୁକ୍ତ ଏକ ମାଇକ୍ରୋଷ୍ଟ୍ରିପ୍ ଆଣ୍ଟେନା ପର୍ଯ୍ୟାୟଯୁକ୍ତ ଆରେର କାର୍ଯ୍ୟଦକ୍ଷତା ଉପରେ ଗବେଷଣା କରାଯାଇଛି । ଫଳାଫଳଗୁଡ଼ିକରେ ଉପାଦାନଗୁଡ଼ିକ ମଧ୍ୟରେ ପାରସ୍ପରିକ ସଂଯୋଗରେ ହ୍ରାସ ଦେଖାଦେଇଛି ଏବଂ ମୁଦ୍ରିତ ଉପାଦାନ ସହିତ ପର୍ଯ୍ୟାୟଯୁକ୍ତ ଆରେ ପ୍ରୟୋଗରେ "ଅନ୍ଧ ସ୍ଥାନ" ସମସ୍ୟାର ସମ୍ଭାବ୍ୟ ସମାଧାନ ପ୍ରଦାନ କରିଛି । ଏକ ନୂଆ ଓ ଦକ୍ଷ ୟୁସି-ଇବିଜି ଆରେ ବିନ୍ୟାସ ପ୍ରସ୍ତାବିତ ହୋଇଛି । ଏକ ଉଚ୍ଚ ଡାଏଲେକ୍ଟ୍ରିକ ସ୍ଥିର ତତ୍ତ୍ୱ ଉପରେ 7/spl ଗୁଣିତ/5 ଉପାଦାନ ବିଶିଷ୍ଟ ଏକ ପ୍ୟାଚ୍ ଆଣ୍ଟେନା ପର୍ଯ୍ୟାୟଯୁକ୍ତ ମଞ୍ଚର ଡିଜାଇନ୍, ନିର୍ମାଣ ଏବଂ ପରୀକ୍ଷା କରାଯାଇଥିଲା । ସିମୁଲେସନ ଏବଂ ମାପ ଫଳାଫଳ ଆରେ ସେଣ୍ଟର ଏଲିମେଣ୍ଟର ଆକ୍ଟିଭ ରିଟର୍ଣ୍ଣ ଲସ ଏବଂ ଆକ୍ଟିଭ ପ୍ୟାଟର୍ଣ୍ଣରେ ଉନ୍ନତି ଦେଖାଇଥାଏ । ସର୍ବୋତ୍ତମ କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରିବା ପାଇଁ ବ୍ୟବହୃତ ହେଉଥିବା ତାରତମ୍ୟ ବିଷୟରେ ଆଲୋଚନା କରାଯାଇଛି । |
16a0fde5a8ab5591a9b2985f60a04fdf50a18dc4 | ବ୍ୟବହାରକାରୀ ପ୍ରମାଣୀକରଣ ପାଇଁ ଗାଇଡକୁ ଏକ ପ୍ରଭାବଶାଳୀ ବାୟୋମେଟ୍ରିକ୍ ଗୁଣ ଭାବରେ ବିବେଚନା କରାଯାଇଛି । ଯଦିଓ କିଛି ଅଧ୍ୟୟନ ରହିଛି ଯାହା ଗେଜେଟ ଆଧାରିତ ପ୍ରାମାଣିକତା ପ୍ରଣାଳୀରେ ଗେଜେଟ ଟେମ୍ପଲେଟ/ମଡେଲକୁ ସୁରକ୍ଷିତ କରିବା କାର୍ଯ୍ୟକୁ ନେଇ ରହିଛି, ସେମାନେ ଗେଜେଟ ଡାଟାର କମ ଭେଦଭାବ ଓ ଉଚ୍ଚ ଭେଦଭାବକୁ ଧ୍ୟାନରେ ରଖି ନାହାନ୍ତି ଯାହା ପ୍ରସ୍ତାବିତ ପ୍ରଣାଳୀର ସୁରକ୍ଷା ଓ ବ୍ୟବହାରିକତାକୁ ଗୁରୁତର ଭାବେ ପ୍ରଭାବିତ କରିଥାଏ । ଏହି କାଗଜରେ ଆମେ ଇନର୍ସିଆଲ ସେନସର ଆଧାରିତ ଗେଜ କ୍ରିପ୍ଟୋ ସିଷ୍ଟମରେ ଉପରୋକ୍ତ ଅଭାବକୁ ଦୂର କରିବା ଉପରେ ଧ୍ୟାନ ଦେଉଛୁ । ବିଶେଷକରି, ଆମେ ଗାଇଡ ଟେମ୍ପଲେଟ୍ସର ଭେଦଭାବକୁ ବୃଦ୍ଧି କରିବା ପାଇଁ ରେଖୀ ଭେଦଭାବ ବିଶ୍ଳେଷଣ ଏବଂ ଉଚ୍ଚ ଭେଦଭାବ ଏବଂ ସ୍ଥିର ବାଇନାରୀ ଟେମ୍ପଲେଟ୍ସ ବାହାର କରିବା ପାଇଁ ଗ୍ରେ କୋଡ କ୍ୱାଣ୍ଟାଇଜେସନକୁ ବ୍ୟବହାର କରୁ । 38 ଜଣ ଭିନ୍ନ ଭିନ୍ନ ବ୍ୟବହାରକାରୀଙ୍କ ଉପରେ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଦର୍ଶାଇଛି ଯେ ଆମର ପ୍ରସ୍ତାବିତ ପଦ୍ଧତି ଗାଇଟ୍ କ୍ରିପ୍ଟୋସିଷ୍ଟମର କାର୍ଯ୍ୟଦକ୍ଷତା ଏବଂ ସୁରକ୍ଷାରେ ଯଥେଷ୍ଟ ଉନ୍ନତି ଆଣିଛି । ବିଶେଷ କରି, ଆମେ 6×10−5%ର ମିଥ୍ୟା ସ୍ୱୀକୃତି ହାର (ଅର୍ଥାତ, 16983 ପରୀକ୍ଷଣରେ 1 ବିଫଳ) ଏବଂ 148-ବିଟ୍ ସୁରକ୍ଷା ସହିତ 9.2%ର ମିଥ୍ୟା ପ୍ରତ୍ୟାଖ୍ୟାନ ହାର ହାସଲ କରିଛୁ । |
d7fd575c7fae05e055e47d898a5d9d2766f742b9 | |
84ade3cb5b57624baee89d9e617bb5847ee07375 | |
9e5158222c911bec96d4f533cd0d7a1a0cff1731 | ପରବର୍ତ୍ତୀ ପିଢ଼ିର ଆରଏଫ ସେନସର ମଡ୍ୟୁଲ ପାଇଁ ଆକ୍ଟିଭ ଇଲେକ୍ଟ୍ରୋନିକଲ ଗାଇଡେଡ ଆଣ୍ଟିନା (ଏଇଏସଏ) ସିଷ୍ଟମ ପାଇଁ ବିଭିନ୍ନ ଅପରେଟିଂ ମୋଡର ସମନ୍ୱୟ ଆବଶ୍ୟକ ହେବ, ଯେପରିକି ରାଡାର, ଇଲେକ୍ଟ୍ରୋନିକ ୱାରଫେୟାର (ଇଡବ୍ଲୁ) କାର୍ଯ୍ୟକାରିତା ଏବଂ ସମାନ ଆଣ୍ଟିନା ଫ୍ରଣ୍ଟଏଣ୍ଡରେ ଯୋଗାଯୋଗ/ଡାଟା ଲିଙ୍କ୍ । ସେମାନେ ସାଧାରଣତଃ ସି-ବ୍ୟାଣ୍ଡ, ଏକ୍ସ-ବ୍ୟାଣ୍ଡ ଏବଂ କୁ-ବ୍ୟାଣ୍ଡରେ କାମ କରନ୍ତି ଏବଂ ୧୦ ଗିଗାହର୍ଟଜରୁ ଅଧିକ ବ୍ୟାଣ୍ଡୱିଡଥ୍ ର ଆବଶ୍ୟକତା ରହିଛି । ଆଧୁନିକ ସକ୍ରିୟ ଇଲେକ୍ଟ୍ରୋନିକଲ ଗାଇଡ ଆଣ୍ଟେନା ନିର୍ମାଣ ପାଇଁ, ଟ୍ରାନ୍ସମିଟର/ରିସିଭର୍ (ଟି/ଆର) ମଡ୍ୟୁଲ୍ ଗୁଡିକର ଜ୍ୟାମିତିର କଡା ଆବଶ୍ୟକତାକୁ ପୂରଣ କରିବାକୁ ପଡିବ । ଏହି ଭବିଷ୍ୟତ ବହୁମୁଖୀ ଆର୍ଏଫ୍ ସେନସର ମଡ୍ୟୁଲ ପାଇଁ ଏକ ପ୍ରମୁଖ ଆହ୍ୱାନ ହେଉଛି ଅର୍ଦ୍ଧ ତରଙ୍ଗ ଲମ୍ବ ଆଣ୍ଟେନା ଗ୍ରୀଡ୍ ବ୍ୟବଧାନ, ଯାହା ବୀମ୍ ପଏଣ୍ଟିଂ ଆବଶ୍ୟକତା ସହିତ ସର୍ବାଧିକ କାର୍ଯ୍ୟର ଫ୍ରିକ୍ୱେନ୍ସି ଉପରେ ନିର୍ଭର କରି ଭୌତିକ ଚ୍ୟାନେଲର ଚଉଡା <୧୨ ମିମି କିମ୍ବା ତା ଠାରୁ କମ୍ ପର୍ଯ୍ୟନ୍ତ ସୀମିତ କରିଥାଏ । ଏହି ଜ୍ୟାମିତି ଆବଶ୍ୟକତାକୁ ପୂରଣ କରିବା ପାଇଁ ଏକ ଆଶାନୁରୂପ ସମାଧାନ ହେଉଛି ମୋଟ ମୋନୋଲିଥିକ୍ ମାଇକ୍ରୋୱେଭ୍ ଇଣ୍ଟିଗ୍ରେଟେଡ୍ ସର୍କିଟ୍ (ଏମଏମଆଇସି) ଚିପ୍ କ୍ଷେତ୍ରର ହ୍ରାସ, ଯାହା ବ୍ୟକ୍ତିଗତ ଆରଏଫ୍ କାର୍ଯ୍ୟକାରିତାକୁ ଏକତ୍ରିତ କରି ହାସଲ କରାଯାଇଥାଏ, ଯାହା ସାଧାରଣତ individual ବ୍ୟକ୍ତିଗତ ଇଣ୍ଟିଗ୍ରେଟେଡ୍ ସର୍କିଟ୍ (ଆଇସି) ମାଧ୍ୟମରେ ନୂତନ ମଲ୍ଟିଫଙ୍କସନାଲ୍ (ଏମ୍ଏଫ୍ସି) ଏମ୍ଏମଆଇସିରେ ହାସଲ କରାଯାଇଥାଏ । ପରବର୍ତ୍ତୀ ପିଢ଼ିର ଆରଏଫ ସେନସର ମଡ୍ୟୁଲ ପାଇଁ ବିଭିନ୍ନ ଧାରଣା, ସେଥିମଧ୍ୟରୁ କିଛି କାର୍ଯ୍ୟକାରୀ ହୋଇସାରିଛି, ଏହି କାର୍ଯ୍ୟରେ ଆଲୋଚନା କରାଯିବ ଏବଂ ବ୍ୟାଖ୍ୟା କରାଯିବ । |
77a9473256f6841d40cb9198feb5b91dccf9ffd1 | ଏହି କାଗଜରେ ଶକ୍ତି କାରକ ସଂଶୋଧନ (ପିଏଫସି) ଏବଂ ଜିରୋ ଭୋଲଟେଜ ସୁଇଚିଙ୍ଗ (ଜିଭିଏସ) ସହିତ ଲାଇଟ ଏମିଟିଙ୍ଗ ଡାୟୋଡ (ଏଲଇଡି) କୁ ଶକ୍ତି ଯୋଗାଇବା ପାଇଁ ଏକ ଡିମେବଲ ଚାର୍ଜ-ପମ୍ପ ଡ୍ରାଇଭର ଉପସ୍ଥାପନ କରାଯାଇଛି । ପ୍ରସ୍ତାବିତ ଏଲଇଡି ଡ୍ରାଇଭରରେ ଇଲେକ୍ଟ୍ରୋଲିଟିକ କାଣ୍ଡେସଟରର ବ୍ୟବହାର କରାଯାଇ ନଥାଏ, ଯାହାଦ୍ୱାରା ଉଚ୍ଚ ଉପଯୋଗୀ ଜୀବନକାଳ ମିଳିଥାଏ ଏବଂ ଏହା ବିନା କରେଣ୍ଟ ସେନସର ଆବଶ୍ୟକ ନ କରି ଓପନ ଲୁପ୍ କଣ୍ଟ୍ରୋଲରେ ଆଉଟପୁଟ କରେଣ୍ଟକୁ ସ୍ଥିର କରିପାରେ, ଯାହାଦ୍ୱାରା ଖର୍ଚ୍ଚ ହ୍ରାସ ପାଇଥାଏ । ଆଉଟପୁଟ୍ ପାୱାର ସୁଇଟିଂ ଫ୍ରିକ୍ୱେନ୍ସି ସହ ସମାନ୍ତରାଳ ହୋଇଥାଏ, ଯାହାଦ୍ୱାରା ଏଲଇଡିକୁ ଡିମ କରାଯାଇପାରିବ । 22 ୱାଟର ଏକ ପ୍ରୋଟୋଟାଇପ କାର୍ଯ୍ୟକାରୀ କରାଯାଇଥିଲା ଏବଂ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଉପରେ ଆଲୋଚନା କରାଯାଇଥିଲା । ଏହି ପ୍ରୋଟୋଟାଇପର ପାୱାର ଫ୍ୟାକ୍ଟର ୦.୯୯୬ ଥିଲା ଏବଂ ଏହାର ଇଫେକ୍ଟିଭିଟି ୮୯.୫% ଥିଲା । 53 kHz ରୁ 30 kHz ମଧ୍ୟରେ ପରିବର୍ତ୍ତନ ହେଉଥିବା ସମୟରେ ସୁଇଚିଂ ଫ୍ରିକ୍ୱେନ୍ସି ମାଧ୍ୟମରେ ଡ୍ରାଇଭର ଆଉଟପୁଟ୍ ପାୱାରକୁ 40% ରୁ ଅଧିକ ହ୍ରାସ କରାଯାଇଥିଲା ଏବଂ କନ୍ଭର୍ଟର ZVS ରେ କାର୍ଯ୍ୟ ଜାରି ରଖିଛି । |
b5fe4731ff6a7a7f1ad8232186e84b1f944162e0 | କ୍ରସ-ମିଡିଆ ହ୍ୟାସିଂ, ଯାହା ବିଭିନ୍ନ ପ୍ରକାରରୁ ତଥ୍ୟକୁ ଏକ ସାଧାରଣ ନିମ୍ନ-ଆକାରର ହାମିଂ ସ୍ପେସରେ ଅନ୍ତର୍ଭୁକ୍ତ କରି କ୍ରସ-ମିଡିଆ ପୁନରୁଦ୍ଧାର କରିଥାଏ, ନିକଟ ବର୍ଷଗୁଡ଼ିକରେ ଏହା ଅଧିକ ଧ୍ୟାନ ଆକର୍ଷଣ କରିଛି । ଏହାର କାରଣ ହେଉଛି ଯେ a) ମଲ୍ଟିମୋଡାଲ୍ ଡାଟା ବ୍ୟାପକ ଭାବରେ ପ୍ରସାରିତ ହୋଇଛି, ଉଦାହରଣ ସ୍ୱରୂପ, ଫ୍ଲିକରରେ ୱେବ୍ ପ୍ରତିଛବିଗୁଡିକ ଟ୍ୟାଗ୍ ସହିତ ଜଡିତ ଏବଂ b) ହାସିଂ ହେଉଛି ବୃହତ-ମାପ ବିଶିଷ୍ଟ ଉଚ୍ଚ-ଆକାରର ଡାଟା ପ୍ରକ୍ରିୟାକରଣ ପାଇଁ ଏକ ପ୍ରଭାବଶାଳୀ କୌଶଳ, ଯାହା କ୍ରସ-ମିଡିଆ ପୁନରୁଦ୍ଧାରର ପରିସ୍ଥିତି ଅଟେ । ଗଭୀର ଶିକ୍ଷଣରେ ସାମ୍ପ୍ରତିକ ଅଗ୍ରଗତି ଦ୍ୱାରା ଅନୁପ୍ରାଣିତ ହୋଇ ଆମେ ବହୁ-ମୋଡାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଉପରେ ଆଧାରିତ ଏକ କ୍ରସ-ମିଡିଆ ହ୍ୟାସିଂ ଆଭିମୁଖ୍ୟ ପ୍ରସ୍ତାବ ଦେଉଛୁ । ଶିକ୍ଷଣ ଲକ୍ଷ୍ୟରେ ସୀମିତ କରି a) ପ୍ରାସଙ୍ଗିକ କ୍ରସ-ମିଡିଆ ଡାଟା ପାଇଁ ହ୍ୟାଶ କୋଡଗୁଡିକ ସମାନ ହେବା, ଏବଂ b) ଶ୍ରେଣୀ ଲେବଲ୍ଗୁଡିକର ପୂର୍ବାନୁମାନ ପାଇଁ ହ୍ୟାଶ କୋଡଗୁଡିକ ଭେଦଭାବପୂର୍ଣ୍ଣ ହେବା, ଶିଖିଥିବା ହାମିଙ୍ଗ ସ୍ପେସ୍ କ୍ରସ-ମିଡିଆ ସେମାଂଟିକ୍ ସମ୍ପର୍କକୁ ଭଲ ଭାବରେ ଧାରଣ କରିବ ଏବଂ ସେମାଂଟିକ୍ ଭେଦଭାବପୂର୍ଣ୍ଣ ହେବ ବୋଲି ଆଶା କରାଯାଏ । ଦୁଇଟି ବାସ୍ତବିକ ତଥ୍ୟ ଉପରେ କରାଯାଇଥିବା ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ ଆମର ଆଭିମୁଖ୍ୟ ଅତ୍ୟାଧୁନିକ ପଦ୍ଧତି ତୁଳନାରେ ଉନ୍ନତ କ୍ରସ-ମିଡିଆ ପୁନରୁଦ୍ଧାର କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରିଛି । |
9814dd00440b08caf0df96988edb4c56cfcf7bd1 | ଆକର୍ଷକ ଉଚ୍ଚସ୍ତରୀୟ କାର୍ଯ୍ୟ ଉଦ୍ଦେଶ୍ୟ ପ୍ରଦାନ କରିଥାଏ ଏବଂ ସ୍ଥାନୀୟ ଯୋଜନାକାରୀ ପାଇଁ ପରିବେଶ ବିଷୟରେ ବିଶ୍ୱସ୍ତରୀୟ ସୂଚନା ଅନ୍ତର୍ଭୁକ୍ତ କରିଥାଏ, ଯାହାଦ୍ୱାରା ଦୀର୍ଘ ସମୟ ପର୍ଯ୍ୟନ୍ତ ମହଙ୍ଗା ବିଶ୍ୱସ୍ତରୀୟ ଯୋଜନା କରିବାର ଆବଶ୍ୟକତାକୁ ଦୂର କରିଥାଏ । ଏହା ଦର୍ଶାଯାଇଛି ଯେ ଆକର୍ଷକ ସହିତ ପଥ ଯୋଜନା କେବଳ ସ୍ଥାନୀୟ ଯୋଜନା ଥିବା ସିଷ୍ଟମ ଅପେକ୍ଷା ଉନ୍ନତ କାର୍ଯ୍ୟଦକ୍ଷତା ପ୍ରଦାନ କରେ _ ସକ୍ରିୟ SLAM ଏକ ସ୍ୱୟଂଶାସିତ ରୋବଟ ପାଇଁ ଏକ ଆହ୍ୱାନ ସୃଷ୍ଟି କରେ ଯାହା SLAM ପ୍ରକ୍ରିୟାରେ ଏକକାଳୀନ ଦକ୍ଷ ପଥ ଯୋଜନା କରିଥାଏ । ରୋବଟ, ମାନଚିତ୍ର ଏବଂ ସେନସର ମାପନର ଅନିଶ୍ଚିତତା ଏବଂ ଗତିଶୀଳ ଏବଂ ଗତି ପ୍ରତିବନ୍ଧକକୁ ଯୋଜନା ପ୍ରକ୍ରିୟାରେ ବିଚାର କରିବାର ଆବଶ୍ୟକତା ରହିଛି । ଏହି ଲେଖାରେ ସକ୍ରିୟ SLAM ସମସ୍ୟାକୁ ଏକ ସର୍ବୋତ୍ତମ ଗତିପଥ ଯୋଜନା ସମସ୍ୟା ଭାବରେ ପ୍ରସ୍ତୁତ କରାଯାଇଛି । ଏକ ନୂଆ କୌଶଳ ପ୍ରଚଳନ କରାଯାଇଛି ଯେଉଁଥିରେ ଆକର୍ଷକକୁ ସ୍ଥାନୀୟ ଯୋଜନା ରଣନୀତି ସହିତ ମିଶାଇ ବ୍ୟବହାର କରାଯାଇଛି ଯେପରିକି ମଡେଲ ପୂର୍ବାନୁମାନ ନିୟନ୍ତ୍ରଣ (ଏକା. ଏହି ସମସ୍ୟାର ସମାଧାନ ପାଇଁ ଏକ ନୂତନ ପଦ୍ଧତିର ପ୍ରୟୋଗ କରାଯାଇଛି । |
bc32313c5b10212233007ebb38e214d713db99f9 | ବୟସ୍କଙ୍କ କ୍ଲିନିକାଲ ଇଲେକ୍ଟ୍ରୋକାର୍ଡିଓଗ୍ରାଫି (ଇସିଜି) ରେ ସିଗନାଲ ପ୍ରୋସେସିଂ ଟେକ୍ନିକ ଏବଂ ଡିଜିଟାଲ ପ୍ରୋସେସରର ଶକ୍ତିରେ ଉଲ୍ଲେଖନୀୟ ଅଗ୍ରଗତି ସତ୍ତ୍ୱେ, ଅଣ-ଆକ୍ରମଣକାରୀ ଫେଟାଲ ଇସିଜି (ଏନଆଇ-ଏଫଇସିଜି) ର ବିଶ୍ଳେଷଣ ଏପର୍ଯ୍ୟନ୍ତ ଆରମ୍ଭରେ ଅଛି । ଫିଜିଓନେଟ/କମ୍ପ୍ୟୁଟିଂ ଇନ୍ କାର୍ଡିଓଲୋଜି ଚ୍ୟାଲେଞ୍ଜ ୨୦୧୩ ଏହି ସୀମିତତା ମଧ୍ୟରୁ କେତେକକୁ ଦୂର କରିଥାଏ । ସିଗନାଲ୍ ପ୍ରୋସେସିଂ କୌଶଳଗୁଡିକର ମୂଲ୍ୟାଙ୍କନ ପାଇଁ ବୈଜ୍ଞାନିକ ସମ୍ପ୍ରଦାୟ ପାଇଁ FECG ତଥ୍ୟର ଏକ ସେଟ୍ ସର୍ବସାଧାରଣରେ ଉପଲବ୍ଧ କରାଇଥାଏ । ଉଚ୍ଚ ଫ୍ରିକ୍ୱେନ୍ସି ଏବଂ ବେସଲାଇନ୍ ଭ୍ରମଣକୁ ଦୂର କରିବା ପାଇଁ ଆଭ୍ୟନ୍ତରୀଣ ଇସିଜି ସିଗନାଲ୍ ପ୍ରଥମେ ଏକ ବ୍ୟାଣ୍ଡ-ପାସ୍ ଫିଲ୍ଟର ସହିତ ପୂର୍ବ-ପ୍ରକ୍ରିୟା କରାଯାଇଥିଲା । ଆବଶ୍ୟକ ହେଲେ 50 Hz କିମ୍ବା 60 Hz ରେ ଶକ୍ତି ହସ୍ତକ୍ଷେପକୁ ଦୂର କରିବା ପାଇଁ ଏକ ନଚ୍ ଫିଲ୍ଟର ପ୍ରୟୋଗ କରାଯାଇଥିଲା । ମା ଙ୍କ ଇସିଜିକୁ ରଦ୍ଦ କରିବା ପାଇଁ ବିଭିନ୍ନ ଉତ୍ସ ବିଭାଜନ କୌଶଳ ପ୍ରୟୋଗ କରିବା ପୂର୍ବରୁ ସିଗନାଲକୁ ସାଧାରଣ କରାଯାଇଥିଲା । ଏହି କୌଶଳ ଗୁଡ଼ିକ ମଧ୍ୟରେ ରହିଛି: ଟେମ୍ପଲେଟ୍ ସବଟ୍ରାକସନ୍, ମୁଖ୍ୟ/ସ୍ୱାଧୀନ ଉପାଦାନ ବିଶ୍ଳେଷଣ, ବିସ୍ତାରିତ କାଲମାନ ଫିଲ୍ଟର ଏବଂ ଏହି ପଦ୍ଧତି ଗୁଡ଼ିକର ଏକ ଉପସୂଚୀର ମିଶ୍ରଣ (FUSE ପଦ୍ଧତି) । ପାନ ଏବଂ ଟମ୍ପକିନ୍ସ କ୍ୟୁଆରଏସ ଡିଟେକ୍ଟର ବ୍ୟବହାର କରି ସମସ୍ତ ଅବଶିଷ୍ଟ ଉପରେ ଫେଟାଲ କ୍ୟୁଆରଏସ ଚିହ୍ନଟ କରାଯାଇଥିଲା ଏବଂ ସବୁଠାରୁ ସୁଗମ ଫେଟାଲ ହାର୍ଟ ରେଟ୍ ସମୟ ଶୃଙ୍ଖଳା ସହିତ ଅବଶିଷ୍ଟ ଚ୍ୟାନେଲକୁ ଚୟନ କରାଯାଇଥିଲା । ବୈଧତା ଏବଂ ପରୀକ୍ଷଣ ସେଟରେ, ସର୍ବୋତ୍ତମ ଆହ୍ୱାନ ସ୍କୋର E1 = 179.44, E2 = 20.79, E3 = 153.07, E4 = 29.62 ଏବଂ E5 = 4.67 ଥିଲା ଯଥାକ୍ରମେ FUSE ପଦ୍ଧତି ବ୍ୟବହାର କରି 1-5 ଘଟଣା ପାଇଁ _ ଏହି ପ୍ରତିଯୋଗିତାରେ ଭାଗ ନେଇଥିବା ୫୩ଟି ଅନ୍ତର୍ଜାତୀୟ ଦଳ ମଧ୍ୟରୁ ଇ୧ ଓ ଇ୨ରେ ଶ୍ରେଷ୍ଠ ଏବଂ ଇ୩, ଇ୪ ଓ ଇ୫ରେ ତୃତୀୟ ଓ ଦ୍ୱିତୀୟ ଶ୍ରେଷ୍ଠ ଦଳ ଥିଲେ। ଫଳାଫଳ ଦର୍ଶାଇଥିଲା ଯେ ଗର୍ଭସ୍ଥ ଶିଶୁର ହାର୍ଟ ରେଟ୍ ଆକଳନ ପାଇଁ ବର୍ତ୍ତମାନର ମାନକ ପଦ୍ଧତିକୁ ଏକତ୍ରିତ କରି ଆକଳନକାରୀମାନଙ୍କୁ ଉନ୍ନତ କରାଯାଇପାରିବ । ଆମେ ଖୋଲା ସ୍ରୋତ କୋଡ ପ୍ରଦାନ କରିଛୁ ଯାହା ବର୍ଣ୍ଣିତ ପ୍ରତ୍ୟେକ ମାନକ ପଦ୍ଧତିର ତୁଳନାତ୍ମକ ବିଶ୍ଳେଷଣକୁ ସକ୍ଷମ କରିବ । |
09f13c590f19dce53dfd8530f8cbe8044cce33ed | ନିକଟ ବର୍ଷମାନଙ୍କରେ, ଅନେକ ୟୁଜର ଇଣ୍ଟରଫେସ ଡିଭାଇସ ବିଭିନ୍ନ ପ୍ରକାରର ଶାରୀରିକ ପାରସ୍ପରିକ କ୍ରିୟାକୁ ପରିଚାଳନା କରିବା ପାଇଁ ଦେଖାଯାଉଛି । ମାଇକ୍ରୋସଫ୍ଟ କିନେକ୍ଟ କ୍ୟାମେରା ଏକ କ୍ରାନ୍ତିକାରୀ ଏବଂ ଉପଯୋଗୀ ଗଭୀରତା କ୍ୟାମେରା ଯାହା ଇଣ୍ଟରଆକ୍ଟିଭ୍ ଗେମିଂର ନୂତନ ଉପଭୋକ୍ତା ଅନୁଭୂତି ପ୍ରଦାନ କରେ । ଏହି ଲେଖାରେ ଆମେ ମାଇକ୍ରୋସଫ୍ଟ କିନେକ୍ଟ ସେନସର ବ୍ୟବହାର କରି କ୍ୱାଡ୍ରୋଟର ଏଆର ଡ୍ରୋନକୁ ନିୟନ୍ତ୍ରଣ କରିବାର ଏକ ଉପାୟ ଉପସ୍ଥାପନ କରୁଛୁ । |
ca78c8c4dbe4c92ba90c8f6e1399b78ced3cf997 | ଏହି ଅଧ୍ୟୟନରେ ଆମେ ଦେଖାଇବୁ ଯେ, ଧ୍ୟାନ ଏବଂ ଆଉଟପୁଟ୍ ମଧ୍ୟରେ ମିଳିତ ବଣ୍ଟନର ଏକ ସରଳ ବିମ୍ ଅନୁମାନ ହେଉଛି କ୍ରମକୁ କ୍ରମ ଶିଖିବା ପାଇଁ ଏକ ସହଜ, ସଠିକ୍ ଏବଂ ଦକ୍ଷ ଧ୍ୟାନ ବ୍ୟବସ୍ଥା । ଏହି ପଦ୍ଧତିରେ କଠିନ ଧ୍ୟାନରେ ତୀକ୍ଷ୍ଣ ଫୋକସର ଲାଭ ଏବଂ ନରମ ଧ୍ୟାନର କାର୍ଯ୍ୟକାରିତା ସହଜତା ମିଶ୍ରିତ ହୋଇଥାଏ । ୫ଟି ଅନୁବାଦ ଓ ଦୁଇଟି ମର୍ଫୋଲୋଜିକାଲ ଇନଫ୍ଲେକ୍ସନ ଟାସ୍କରେ ଆମେ ବ୍ଲ୍ୟୁଇରେ ବର୍ତ୍ତମାନର ଧ୍ୟାନ ମେକାନିଜମ ତୁଳନାରେ ସହଜ ଓ ସ୍ଥିର ଲାଭ ଦେଖାଇଛୁ । |
abdb694ab4b1cb4f54f07ed16a657765ce8c47f5 | ନବସୃଜନ ଓ ଏହାର ପ୍ରବର୍ତ୍ତନ ଓ ଗ୍ରହଣ ସହ ସମ୍ପର୍କିତ ୭୫ଟି ଲେଖାର ସମୀକ୍ଷା ଓ ମେଟା-ଆନାଲିସିସ କରାଯାଇଥିଲା । ବିଶ୍ଳେଷଣର ଏକ ଅଂଶରେ ବର୍ତ୍ତମାନର ଅଧ୍ୟୟନର ଏକ ପଦ୍ଧତିଗତ ପ୍ରୋଫାଇଲ୍ ନିର୍ମାଣ ଏବଂ ଏକ କଳ୍ପନାଜଳ୍ପିତ ସର୍ବୋତ୍ତମ ଦୃଷ୍ଟିକୋଣ ସହିତ ତୁଳନା କରାଯାଇଥିଲା । ଅଧ୍ୟୟନର ଦ୍ୱିତୀୟ ଭାଗରେ, ବର୍ତ୍ତମାନର ଅନୁଭବୀକୃତ ଫଳାଫଳର ସାଧାରଣତା ଓ ସ୍ଥିରତା ଆକଳନ କରିବା ପାଇଁ, ମେଟା-ଆନାଲିଟିକ୍ସ ପରିସଂଖ୍ୟାନିକ କୌଶଳ ବ୍ୟବହାର କରାଯାଇଥିଲା । ନବସୃଜନକୁ ଗ୍ରହଣ କରିବା ପାଇଁ ତିନୋଟି ବିଶେଷତ୍ୱ (ସଂପର୍କ, ଆପେକ୍ଷିକ ଲାଭ ଏବଂ ଜଟିଳତା) ର ସବୁଠାରୁ ଅଧିକ ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ ସମ୍ପର୍କ ରହିଛି । ଏହି କ୍ଷେତ୍ରରେ ଭବିଷ୍ୟତରେ ଗବେଷଣା ପାଇଁ ପ୍ରସ୍ତାବ ଦିଆଯାଇଥିଲା । |
518fd110bbf86df5259fb99126173d626a2ff744 | ଆମେ ମୋବାଇଲ ମନିପ୍ୟୁଲେଟର ଯଥା ବ୍ୟକ୍ତିଗତ ରୋବଟ ଏବଂ ଆସେମ୍ବଲି ଲାଇନ ରୋବଟ ପାଇଁ ଟ୍ରାଫିକ ଉପରେ ପସନ୍ଦକୁ ଶିଖିବାର ସମସ୍ୟା ଉପରେ ବିଚାର କରୁଛୁ । ଆମେ ଶିଖୁଥିବା ପସନ୍ଦଗୁଡ଼ିକ ଟ୍ରାକ୍ଟୋରୀ ଉପରେ ସରଳ ଜ୍ୟାମିତିର ପ୍ରତିବନ୍ଧକଠାରୁ ଅଧିକ ଜଟିଳ; ସେମାନେ ପରିବର୍ତ୍ତେ ବିଭିନ୍ନ ବସ୍ତୁ ଏବଂ ପରିବେଶରେ ମାନବୀୟ ପାରସ୍ପରିକ କ୍ରିୟାକଳାପର ଆଖପାଖର ପ୍ରସଙ୍ଗ ଦ୍ୱାରା ପରିଚାଳିତ । ଆମେ ଏକ ସହଭାଗୀ ଅନଲାଇନ ଶିକ୍ଷଣ ଢାଞ୍ଚା ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ପରିବେଶଗତ ଭାବେ ସମୃଦ୍ଧ ପରିବେଶରେ ଶିକ୍ଷଣ ପସନ୍ଦକୁ ଶିକ୍ଷା ଦେଇପାରିବ । ଆମର ଆଭିମୁଖ୍ୟର ମୁଖ୍ୟ ନୂତନତା ହେଉଛି ବ୍ୟବହାରକାରୀଙ୍କ ଠାରୁ ଆଶା କରାଯାଉଥିବା ମତାମତ: ମାନବ ବ୍ୟବହାରକାରୀଙ୍କୁ ପ୍ରଶିକ୍ଷଣ ତଥ୍ୟ ଭାବରେ ସର୍ବୋତ୍ତମ ପଥ ପ୍ରଦର୍ଶନ କରିବାର ଆବଶ୍ୟକତା ନାହିଁ, କିନ୍ତୁ କେବଳ ପଥଗୁଡିକର ପୁନଃବିଚାର ଆବଶ୍ୟକ ଯାହା ବର୍ତ୍ତମାନ ସିଷ୍ଟମ୍ ଦ୍ୱାରା ପ୍ରସ୍ତାବିତ ପଥ ଉପରେ ସାମାନ୍ୟ ଉନ୍ନତି କରେ _ ଆମେ ଯୁକ୍ତି କରୁଛୁ ଯେ ଏହି ସହକର୍ମୀ ପସନ୍ଦ ପ୍ରତିକ୍ରିୟା ସର୍ବୋତ୍ତମ ପଥ ପ୍ରଦର୍ଶନର ପ୍ରଦର୍ଶନ ଅପେକ୍ଷା ଅଧିକ ସହଜରେ ପ୍ରାପ୍ତ କରାଯାଇପାରିବ । ତଥାପି, ଆମର ଆଲଗୋରିଦମର ସିଦ୍ଧାନ୍ତିକ ଅନୁତାପ ସୀମା ସର୍ବୋତ୍ତମ ପଥ ଆଲଗୋରିଦମର ଅସମର୍ଥିତ ହାର ସହିତ ମେଳ ଖାଏ । ଆମେ ଆମର ଆଲଗୋରିଦମକୁ ଦୁଇଟି ଉଚ୍ଚ-ସ୍ୱାଧୀନତା ରୋବଟ PR2 ଏବଂ ବକ୍ସଟର ଉପରେ ପ୍ରୟୋଗ କରିଛୁ, ଏବଂ ଏହିପରି ବୃଦ୍ଧିଶୀଳ ମତାମତ ପ୍ରଦାନ ପାଇଁ ତିନୋଟି ଅନ୍ତର୍ଦୃଷ୍ଟିସମ୍ପନ୍ନ ପ୍ରଣାଳୀ ଉପସ୍ଥାପନ କରିଛୁ । ଆମର ପରୀକ୍ଷାମୂଳକ ମୂଲ୍ୟାଙ୍କନରେ ଆମେ ଦୁଇଟି ପ୍ରସଙ୍ଗ ସମୃଦ୍ଧ ସେଟିଂ, ଘରର କାର୍ଯ୍ୟ ଏବଂ ଗ୍ରୋସରୀ ଷ୍ଟୋର ଚେକ୍ ଆଉଟ୍ ଉପରେ ବିଚାର କରୁଛୁ ଏବଂ ଦେଖାଉଛୁ ଯେ ଉପଭୋକ୍ତାମାନେ ରୋବର୍ଟକୁ କେବଳ କିଛି ପ୍ରତିକ୍ରିୟା ସହିତ ତାଲିମ ଦେଇପାରିବେ (କେବଳ କିଛି ମିନିଟ୍ ନିଅନ୍ତି) । |
9f927249d7b33b91ca23f8820e21b22a6951a644 | ମିଲିମିଟର ୱେଭ (ଏମଏମୱେଭ) ସେଲୁଲାର ସିଷ୍ଟମର ଉଚ୍ଚ ଡାଟା ହାରକୁ ସକ୍ଷମ କରିବା ପାଇଁ ଉଭୟ ବେସ ଷ୍ଟେସନ ଏବଂ ମୋବାଇଲ ବ୍ୟବହାରକାରୀଙ୍କ ନିକଟରେ ବୃହତ ଆଣ୍ଟିନା ଆରେ ନିୟୋଜନ କରିବାକୁ ପଡିବ । mmWave ସେଲୁଲାର ନେଟୱାର୍କର କଭରେଜ ଏବଂ ହାର ଉପରେ ପୂର୍ବ କାର୍ଯ୍ୟ ସେହି କ୍ଷେତ୍ରରେ ଧ୍ୟାନ ଦେଇଥିଲା ଯେତେବେଳେ ବେସ୍ ଷ୍ଟେସନ ଏବଂ ମୋବାଇଲ୍ ବିମ୍ ଫର୍ମିଂ ଭେକ୍ଟରଗୁଡିକ ସର୍ବାଧିକ ବିମ୍ ଫର୍ମିଂ ଲାଭ ପାଇଁ ପୂର୍ବନିର୍ଦ୍ଧାରିତ ହୋଇଥାଏ । ବିମ୍ ଫର୍ମିଂ/କମ୍ବାଇଂ ଭେକ୍ଟର ଡିଜାଇନ୍ କରିବା ପାଇଁ ପ୍ରଶିକ୍ଷଣ ଆବଶ୍ୟକ ହୋଇଥାଏ, ଯାହା ଉଭୟ ସିନ୍ ଆର୍ କଭରେଜ୍ ଏବଂ ମିମିୱେଭ୍ ସିଷ୍ଟମ୍ର ଗତିକୁ ପ୍ରଭାବିତ କରିପାରେ । ଏହି କାଗଜରେ ଏମ୍ଏମ୍ୱେଭ୍ ସେଲ୍ୟୁଲାର ନେଟୱାର୍କର କାର୍ଯ୍ୟଦକ୍ଷତା ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଛି । ପ୍ରଥମେ, ପ୍ରାରମ୍ଭିକ ବିମ୍ ଆସୋସିଏସନ୍ ପାଇଁ ଏକ ମଡେଲ ବିକଶିତ କରାଯାଇଛି ଯାହା ବିମ୍ ସାନିପିଂ ଏବଂ ଡାଉନ୍ଲିଙ୍କ୍ କଣ୍ଟ୍ରୋଲ୍ ପାଇଲଟ୍ ପୁନଃ ବ୍ୟବହାର ଉପରେ ଆଧାରିତ । ବିମ୍ ଟ୍ରେନିଂର ପ୍ରଭାବକୁ ସାମିଲ କରିବା ପାଇଁ ଏକ ନୂଆ ମେଟ୍ରିକ, ଯାହାକୁ ପ୍ରଭାବୀ ନିର୍ଭରଯୋଗ୍ୟ ହାର କୁହାଯାଏ, ତାହା ନିର୍ଦ୍ଧାରିତ ଏବଂ ଗ୍ରହଣ କରାଯାଇଛି । ଷ୍ଟୋକାଷ୍ଟିକ୍ ଜ୍ୟାମିତି ବ୍ୟବହାର କରି, mmWave ସେଲୁଲାର ନେଟୱାର୍କର ପ୍ରଭାବୀ ହାର ଦୁଇଟି ବିଶେଷ ପରିସ୍ଥିତି ପାଇଁ ପ୍ରାପ୍ତ ହୋଇଥାଏ: ପାଖାପାଖି-ଅର୍ଥୋଗୋନାଲ୍ ପାଇଲଟ୍ ଏବଂ ସମ୍ପୂର୍ଣ୍ଣ ପାଇଲଟ୍ ପୁନଃ ବ୍ୟବହାର । ବିଶ୍ଳେଷଣ ଓ ଅନୁକରଣ ଫଳାଫଳ ଦୁଇଟି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପ୍ରଶ୍ନର ଉତ୍ତର ପ୍ରଦାନ କରିଥାଏ । ପ୍ରଥମତଃ, ମିମିୱେଭ ନେଟୱର୍କର କାର୍ଯ୍ୟଦକ୍ଷତା ଉପରେ ବିମ୍ ଆସୋସିଏସନ୍ର ପ୍ରଭାବ କ ଣ? ତେବେ, ଅର୍ଟୋଗୋନାଲ୍ କିମ୍ବା ପୁନଃବ୍ୟବହାର ପାଇଲଟ୍ ନିୟୋଜିତ ହେବା ଉଚିତ କି? ଏହି ଫଳାଫଳରୁ ଜଣାପଡିଛି ଯେ, ଯଦି ବ୍ୟବହାର କରାଯାଇଥିବା ବିମ୍ଗୁଡ଼ିକ ବହୁତ ଚଉଡ଼ା ନହୁଏ, ତେବେ ପୂର୍ଣ୍ଣ ପାଇଲଟ୍ ପୁନଃ ବ୍ୟବହାର ସହିତ ପ୍ରାରମ୍ଭିକ ବିମ୍ ତାଲିମ ପ୍ରାୟତଃ ବିମ୍ଗୁଡ଼ିକର ସଂପୂର୍ଣ୍ଣ ସନ୍ତୁଳନ ସହିତ ସମାନ ଅଟେ । |
6bd1f2782d6c8c3066d4e7d7e3afb995d79fa3dd | ଏକ ଅର୍ଥପୂର୍ଣ୍ଣ ବିଭାଜନ ଆଲଗୋରିଦମ ପ୍ରତିଛବିରେ ଥିବା ପ୍ରତ୍ୟେକ ପିକ୍ସେଲକୁ ଏକ ଲେବଲ୍ ପ୍ରଦାନ କରିବା ଆବଶ୍ୟକ । ନିକଟ ଅତୀତରେ, ଡିପ୍ ଲର୍ଣ୍ଣିଂ କାରଣରୁ ଆରଜିବି ଚିତ୍ରର ଅର୍ଥଗତ ବିଭାଜନ ଯଥେଷ୍ଟ ଉନ୍ନତ ହୋଇଛି । କାରଣ ଅର୍ଥାତ୍ମକ ବିଭାଜନ ପାଇଁ ଡାଟାସେଟ ସୃଷ୍ଟି କରିବା କଷ୍ଟକର, ଏହି ଡାଟାସେଟଗୁଡ଼ିକ ବସ୍ତୁ ଚିହ୍ନଟ ଡାଟାସେଟ ଅପେକ୍ଷା ଯଥେଷ୍ଟ ଛୋଟ ହୋଇଥାଏ । ଏହା ସିଧାସଳଖ ଭାବରେ ଏକ ଗଭୀର ସ୍ନାୟୁ ନେଟୱାର୍କକୁ ସେମାନ୍ଟିକ ସେଗମେଂଟେଶନ ପାଇଁ ପ୍ରଶିକ୍ଷଣ ଦେବା କଷ୍ଟକର କରିଥାଏ, କାରଣ ଏହା ଓଭରଫିଟିଂ ପାଇଁ ପ୍ରଲୋଭିତ ହେବ । ଏହାକୁ ମୁକାବିଲା କରିବା ପାଇଁ, ଗଭୀର ଶିକ୍ଷଣ ମଡେଲଗୁଡିକ ସାଧାରଣତଃ ବଡ଼ ଆକାରର ପ୍ରତିଛବି ବର୍ଗୀକରଣ ଡାଟାସେଟ୍ ଉପରେ ପୂର୍ବ-ପ୍ରଶିକ୍ଷିତ କଭୋଲ୍ୟୁସନାଲ୍ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କଗୁଡିକ ବ୍ୟବହାର କରନ୍ତି, ଯାହା ପରେ ଅର୍ଥନୈତିକ ବିଭାଜନ ପାଇଁ ସୂକ୍ଷ୍ମ-ସଙ୍ଗଠିତ ହୋଇଥାଏ । ଅଣ-ଆରଜିବି ଚିତ୍ର ପାଇଁ ଏହା ବର୍ତ୍ତମାନ ସମ୍ଭବ ନୁହେଁ କାରଣ ବୃହତ-ମାପ ବିଶିଷ୍ଟ ଅଣ-ଆରଜିବି ଡାଟାସେଟର ଅସ୍ତିତ୍ୱ ନାହିଁ । ଏହି କାଗଜରେ, ଆମେ ମଲ୍ଟିସ୍ପେକ୍ଟ୍ରାଲ ରିମୋଟ୍ ସେନ୍ସିଂ ଇମେଜିଂର ଅର୍ଥଗତ ବିଭାଜନ ପାଇଁ ଦୁଇଟି ଗଭୀର ନ୍ୟୁରାଲ ନେଟୱାର୍କ ବିକଶିତ କରିଛୁ । ଟାର୍ଗେଟ ଡାଟାସେଟରେ ତାଲିମ ଦେବା ପୂର୍ବରୁ, ଆମେ ନେଟୱାର୍କକୁ ବହୁ ସଂଖ୍ୟକ କୃତ୍ରିମ ମଲ୍ଟି ସ୍ପେକ୍ଟ୍ରଲ ଚିତ୍ର ସହିତ ଆରମ୍ଭ କରିଥାଉ । ଆମେ ଦେଖାଇଲୁ ଯେ ଏହା ବାସ୍ତବ ଦୁନିଆର ରିମୋଟ୍ ସେନ୍ସିଂ ଇମେଜିଂରେ ପରିଣାମକୁ ଯଥେଷ୍ଟ ଉନ୍ନତ କରିଥାଏ, ଏବଂ ଆମେ ଆହ୍ୱାନପୂର୍ଣ୍ଣ ହାମଲିନ୍ ବିଚ୍ ଷ୍ଟେଟ୍ ପାର୍କ ଡାଟାସେଟରେ ଏକ ନୂତନ ଅତ୍ୟାଧୁନିକ ଫଳାଫଳ ସ୍ଥାପନ କରିଛୁ । |
9e9b8832b9e727d5f7a61cedfa4bdf44e8969623 | ଏହି କାଗଜରେ ବୈଶ୍ୱିକ ସମାଧାନ ଖୋଜିବା ପାଇଁ ବୃହତ ଅଣ-ଲିନୀୟର ଅପ୍ଟିମାଇଜେସନ୍ ସମସ୍ୟା ପାଇଁ ଶିକ୍ଷଣ-ଶିକ୍ଷଣ-ଆଧାରିତ ଅପ୍ଟିମାଇଜେସନ୍ (TLBO) ନାମକ ଏକ ଦକ୍ଷ ଅପ୍ଟିମାଇଜେସନ୍ ପଦ୍ଧତି ପ୍ରସ୍ତାବିତ ହୋଇଛି । ଏହି ପଦ୍ଧତିର ଆଧାର ହେଉଛି ଶିକ୍ଷାର୍ଥୀମାନଙ୍କ ଶିକ୍ଷଣରେ ଶିକ୍ଷକଙ୍କ ପ୍ରଭାବର ପ୍ରଭାବ । ଏହି ପଦ୍ଧତିର ମୌଳିକ ଦର୍ଶନ ବିସ୍ତୃତ ଭାବରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଏହି ପଦ୍ଧତିର ପ୍ରଭାବ ବିଭିନ୍ନ ପ୍ରକାରର ଲକ୍ଷଣ ଥିବା ଅନେକ ମାନଦଣ୍ଡ ସମସ୍ୟା ଉପରେ ପରୀକ୍ଷଣ କରାଯାଏ ଏବଂ ଫଳାଫଳକୁ ଅନ୍ୟ ଜନସଂଖ୍ୟା ଆଧାରିତ ପଦ୍ଧତି ସହିତ ତୁଳନା କରାଯାଏ । ୨୦୧୧ ଏଲ୍ସେଭିୟର ଇନକ. ସମସ୍ତ ଅଧିକାର ସଂରକ୍ଷିତ. |
3ca6ab58ae015860098d800a9942af9df4d1e090 | ସର୍ଚ୍ଚ ଆଧାରିତ ଗ୍ରାଫ ପ୍ରଶ୍ନ, ଯେପରିକି ଛୋଟ ପଥ ଏବଂ ଆଇସୋମର୍ଫିକ ସବଗ୍ରାଫ ଖୋଜିବା, ମେମୋରୀ ଲେଟେନ୍ସି ଦ୍ୱାରା ପ୍ରାଧାନ୍ୟ ଲାଭ କରିଥାଏ । ଯଦି ଇନପୁଟ୍ ଗ୍ରାଫ୍ କୁ ଉପଯୁକ୍ତ ଭାବରେ ବିଭକ୍ତ କରାଯାଇପାରିବ, ତେବେ ବଡ଼ କ୍ଲଷ୍ଟର ଆଧାରିତ କମ୍ପ୍ୟୁଟିଂ ପ୍ଲାଟଫର୍ମ ଏହି ପ୍ରଶ୍ନଗୁଡ଼ିକୁ ଚଲାଇପାରିବ । କିନ୍ତୁ, ଇନପୁଟ୍ ଗ୍ରାଫର ପ୍ରତ୍ୟେକ ଭର୍ଟେକ୍ସରେ କମ୍ପ୍ୟୁଟ-ବଣ୍ଡ ପ୍ରୋସେସିଂର ଅଭାବ ଏବଂ ପଡ଼ୋଶୀମାନଙ୍କୁ ପୁନରୁଦ୍ଧାର କରିବାର ନିରନ୍ତର ଆବଶ୍ୟକତା କମ୍ ପ୍ରୋସେସର ଉପଯୋଗକୁ ସୂଚିତ କରେ । ଏହା ସହିତ, ଗ୍ରାଫ ଶ୍ରେଣୀ ଯେପରିକି ସ୍କେଲ-ଫ୍ରି ସୋସିଆଲ ନେଟୱାର୍କରେ ବିଭାଜନକୁ ସ୍ପଷ୍ଟ ଭାବରେ ପ୍ରଭାବଶାଳୀ କରିବା ପାଇଁ ସ୍ଥାନୀୟତାର ଅଭାବ ରହିଛି । ବ୍ୟାପକ ବହୁ-ଥ୍ରେଡିଂ ହେଉଛି ଏକ ବିକଳ୍ପ ସ୍ଥାପତ୍ୟ ପାରାଡିଗମ, ଯେଉଁଥିରେ ଏକ ବୃହତ ଅଂଶୀଦାର ମେମୋରୀ ପ୍ରୋସେସର ସହିତ ମିଳିତ ହୋଇଥାଏ ଯାହା ଅନେକ ଥ୍ରେଡ୍ ପ୍ରସଙ୍ଗକୁ ସମର୍ଥନ କରିବା ପାଇଁ ଅତିରିକ୍ତ ହାର୍ଡୱେର୍ ଅଛି । ପ୍ରୋସେସରର ଗତି ସାଧାରଣ ଠାରୁ ଅଧିକ ଧୀର ହୋଇଥାଏ, ଏବଂ କୌଣସି ଡାଟା କ୍ୟାଶ ନଥାଏ । ସ୍ମୃତି ଲେଟେନସିକୁ ହ୍ରାସ କରିବା ପରିବର୍ତ୍ତେ ମଲ୍ଟିଥ୍ରେଡ ମେସିନ ଏହାକୁ ସହ୍ୟ କରିଥାଏ । ଏହି ପାରାଡିଗମ ଗ୍ରାଫ ସର୍ଚ୍ଚ ସମସ୍ୟା ସହିତ ଭଲ ଭାବରେ ସଂଯୁକ୍ତ, କାରଣ ମଲ୍ଟିଥ୍ରେଡିଂ ମାଧ୍ୟମରେ ଗଣନା ପାଇଁ ସ୍ମୃତି ଅନୁରୋଧର ଉଚ୍ଚ ଅନୁପାତକୁ ସହ୍ୟ କରାଯାଇପାରିବ । ଏହି ଲେଖାରେ ଆମେ ମଲ୍ଟିଥ୍ରେଡ୍ ଗ୍ରାଫ୍ ଲାଇବ୍ରେରୀ (ଏମଟିଜିଏଲ୍) ର ପରିଚୟ ଦେଉଛୁ, ମଲ୍ଟିଥ୍ରେଡ୍ କମ୍ପ୍ୟୁଟରରେ ସେମାନ୍ଟିକ୍ ଗ୍ରାଫ୍ ପ୍ରୋସେସିଂ ପାଇଁ ଜେନେରିକ୍ ଗ୍ରାଫ୍ କ୍ୱେରୀ ସଫ୍ଟୱେର୍ । ଏହି ଲାଇବ୍ରେରୀ ବର୍ତ୍ତମାନ ସିରିୟଲ ମେସିନ ଏବଂ କ୍ରେ ଏମଟିଏ-୨ରେ ଚାଲେ, କିନ୍ତୁ ସାଣ୍ଡିଆ ଏକ ରନ-ଟାଇମ ସିଷ୍ଟମ ବିକଶିତ କରୁଛି ଯାହା ସିମେଟ୍ରିକ ମଲ୍ଟିପ୍ରୋସେସରରେ ଏମଟିଜିଏଲ ଆଧାରିତ କୋଡକୁ ଚଲାଇବା ସମ୍ଭବ କରିବ । ଆମେ ମଧ୍ୟ ସଂଯୁକ୍ତ ଉପାଦାନ ପାଇଁ ଏକ ମଲ୍ଟିଥ୍ରେଡ୍ ଆଲଗୋରିଦମ ଏବଂ ଅସମ୍ପୂର୍ଣ୍ଣ ସବଗ୍ରାଫ୍ ଆଇସୋମର୍ଫିଜମ୍ ପାଇଁ ଏକ ନୂତନ ହେରିଷ୍ଟିକ୍ ଉପସ୍ଥାପନ କରୁ _ ଆମେ ଏହି ଏବଂ ଅନ୍ୟାନ୍ୟ ମୌଳିକ ଗ୍ରାଫ୍ ଆଲଗୋରିଦମର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ବଡ଼ ଆକାରର ମାଗଣା ଗ୍ରାଫରେ ଅନୁସନ୍ଧାନ କରୁ _ ଆମେ କ୍ରେ ଏମଟିଏ-୨ ଏବଂ ବ୍ଲୁ ଜେନ/ଲାଇଟ ମଧ୍ୟରେ କାର୍ଯ୍ୟଦକ୍ଷତା ତୁଳନା କରି ଏସ-ଟି ସଂଯୋଗ ପାଇଁ ସମାପ୍ତ କରୁଛୁ । |
d4c65ee21bb8d64b8e4380f80ad856a1629b5949 | ବ୍ରଡବ୍ୟାଣ୍ଡ ଓର୍ଥୋ ମୋଡ ଟ୍ରାନ୍ସଡ୍ୟୁସରରେ ଡୁଆଲ ଅର୍ଟୋଗୋନାଲ ରେଖାତ୍ମକ ଧ୍ରୁବୀକରଣକୁ ଅଲଗା କରିବା ପାଇଁ ଏକ ୱେଭଗାଇଡ ଡିଭାଇଡର ସହିତ ଫୋଲ୍ଡ ଲେଟେରାଲ ଆର୍ମ ଉପସ୍ଥାପିତ କରାଯାଇଛି । ଏହାର ଗଠନ ଏକ ଜଣାଶୁଣା ଦ୍ୱୈତ ସମୀକରଣ ଉପରେ ଆଧାରିତ, ଯେଉଁଠାରେ ଧାତୁ ପିନ୍ ଗୁଡିକୁ ହଟାଇ ଦିଆଯାଇଛି ଏବଂ ପାର୍ଶ୍ୱବର୍ତ୍ତୀ ଆଉଟପୁଟ୍ ଗୁଡିକୁ ଗୁଡ଼ାଇ ଦିଆଯାଇଛି । ଏହା ସହିତ, ଯେହେତୁ ପାର୍ଶ୍ବ ଶାଖାଗୁଡ଼ିକର ପଥ ହ୍ରାସ ପାଇଛି, ବିଭିନ୍ନ ଧ୍ରୁବୀକରଣ ପାଇଁ ଇନସର୍ଟ କ୍ଷତି ସନ୍ତୁଳିତ ହୋଇଛି । ଅର୍ତୋଗୋନାଲ ପଲାରିଜେଶନ ମଧ୍ୟରେ ଥିବା ବିଚ୍ଛିନ୍ନତା, ଜଙ୍କସନର ଡବଲ-ସିମେଟ୍ରି କାରଣରୁ ରଖାଯାଇଥାଏ । ଯାନ୍ତ୍ରିକ ଦୃଷ୍ଟିକୋଣରୁ, ପ୍ରସ୍ତାବିତ ସଂଯୋଗ ଅର୍ଥୋ-ମୋଡ୍ ଟ୍ରାନ୍ସଡ୍ୟୁସର ଅଂଶଗୁଡିକର ଏକ ସରଳ ଉତ୍ପାଦନ ଏବଂ ଏକତ୍ର କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ, ଯାହା ଏକ କୁ-ବ୍ୟାଣ୍ଡ ଡିଜାଇନ୍ ସହିତ ପ୍ରଦର୍ଶିତ ହୋଇଛି, ଯାହା 12.6 ରୁ 18.25 GHz ପର୍ଯ୍ୟନ୍ତ ସମ୍ପୂର୍ଣ୍ଣ କୁ-ବ୍ୟାଣ୍ଡକୁ କଭର କରେ _ ପରୀକ୍ଷାମୂଳକ ପ୍ରୋଟୋଟାଇପରେ ଡିଜାଇନ ବ୍ୟାଣ୍ଡରେ 28 dBରୁ ଅଧିକ ରିଟର୍ଣ୍ଣ ଲସ୍ଟ ମିଟେଡ ହୋଇଥିବା ବେଳେ ଉଭୟ ପଲାରିଜେସନ ପାଇଁ 0.15 dBରୁ କମ୍ ଇନସର୍ଟସନ ଲସ୍ଟ ମିଟେଡ ହୋଇଛି । |
db3259ae9e7f18a319cc24229662da9bf400221a | |
10dae7fca6b65b61d155a622f0c6ca2bc3922251 | |
5021c5f6d94ffaf735ab941241ab21e0c491ffa1 | ଏମଏସଇଆର ବିଶେଷତ୍ୱକୁ ପୁନଃ ପରିଭାଷିତ କରାଯାଇଛି ଯାହାଦ୍ୱାରା କି ମେଳଣ ଓ ପୁନଃପ୍ରାପ୍ତି କାର୍ଯ୍ୟରେ ଏହାର କାର୍ଯ୍ୟଦକ୍ଷତା ଉନ୍ନତ ହୋଇପାରିବ । ପ୍ରସ୍ତାବିତ ସିମସର ବୈଶିଷ୍ଟ୍ୟ (ଯଥା ସ୍କେଲ-ଅସ୍ପୃଶ୍ୟ MSERs) ହେଉଛି ସେହି ଆଖପାଖ ଅଞ୍ଚଳ ଯାହା କେବଳ ଥ୍ରେସୋଲ୍ଡ ପରିବର୍ତ୍ତନ (MSERs ପରି) ରେ ନୁହେଁ ବରଂ ଛବି ପୁନଃସମୃଦ୍ଧିକରଣ (ସ୍ଫୁଟନିଂ) ରେ ମଧ୍ୟ ସର୍ବାଧିକ ସ୍ଥିର ଅଟେ । ଏହି ସଂଶୋଧନର ବୈଜ୍ଞାନିକ ଲାଭ ବିଷୟରେ ଆଲୋଚନା କରାଯାଇଛି । ଏହା ମଧ୍ୟ ପରୀକ୍ଷାମୂଳକ ଭାବେ ପ୍ରାଥମିକ ଭାବେ ଯାଞ୍ଚ କରାଯାଇଛି ଯେ ଏହିପରି ପରିବର୍ତ୍ତନ ଦ୍ୱାରା ଏମଏସଇଆର ର ମୌଳିକ ଗୁଣଗୁଡିକ ସଂରକ୍ଷିତ ରହିଥାଏ, ଯଥା: ହାରାହାରି ବୈଶିଷ୍ଟ୍ୟ ସଂଖ୍ୟା, ପୁନରାବୃତ୍ତି, ଏବଂ ଗଣନା ଜଟିଳତା (ଯାହା କେବଳ ବ୍ୟବହୃତ ସ୍କେଲ ସଂଖ୍ୟା ଦ୍ୱାରା ଗୁଣାତ୍ମକ ଭାବରେ ବୃଦ୍ଧି ପାଇଥାଏ), ଯେତେବେଳେ କାର୍ଯ୍ୟଦକ୍ଷତା (ସାଧାରଣ CBVIR ମାପଦଣ୍ଡ ଦ୍ୱାରା ମାପ କରାଯାଏ) ଯଥେଷ୍ଟ ଉନ୍ନତ ହୋଇପାରିବ _ ବିଶେଷକରି, ବେଞ୍ଚମାର୍କ ଡାଟାସେଟର ଫଳାଫଳ ଦର୍ଶାଏ ଯେ ଉଭୟ ବର୍ଣ୍ଣନାକାରୀ ଆଧାରିତ ମେଳ ଏବଂ ଶବ୍ଦ ଆଧାରିତ ମେଳ ପାଇଁ ସ୍ମରଣ ମୂଲ୍ୟରେ ଯଥେଷ୍ଟ ବୃଦ୍ଧି ଘଟିଛି । ସାଧାରଣ ଭାବେ, SIMSER ଗୁଡ଼ିକ ବିଶେଷ କରି ବଡ଼ ଭିଜୁଆଲ୍ ଶବ୍ଦାବଳୀ ସହିତ ବ୍ୟବହାର ପାଇଁ ଉପଯୁକ୍ତ ମନେହୁଏ, ଯେପରିକି ସେଗୁଡିକୁ ଭବିଷ୍ୟତରେ ପ୍ରୟୋଗ କରାଯାଇପାରିବ, ଯାହାଦ୍ୱାରା ବଡ଼ ଆକାରର ଡାଟାବେସରେ ବୋର୍ଡ ୱିଣ୍ଡୋ ପ୍ରି-ରିଟ୍ରିଭିଲ୍ ଅପରେସନର ଗୁଣବତ୍ତା ଉନ୍ନତ ହୋଇପାରିବ । |
e23c9687ba0bf15940af76b7fa0e0c1af9d3156e | ଉପଭୋକ୍ତା ଇଲେକ୍ଟ୍ରୋନିକ୍ସ ଶିଳ୍ପ ହେଉଛି ଏକ 240 ବିଲିୟନ ଡଲାରର ବିଶ୍ୱସ୍ତରୀୟ ଶିଳ୍ପ ଯେଉଁଥିରେ ଅଳ୍ପ ସଂଖ୍ୟକ ଉଚ୍ଚ ପ୍ରତିଦ୍ୱନ୍ଦ୍ୱୀ ବିଶ୍ୱସ୍ତରୀୟ ଖେଳାଳି ଅଛନ୍ତି । ଆମେ ଏହି ଶିଳ୍ପରେ ଯେକୌଣସି ବିଶ୍ୱ ଯୋଗାଣ ଶୃଙ୍ଖଳ ସହିତ ଜଡିତ ଅନେକ ବିପଦ ବିଷୟରେ ବର୍ଣ୍ଣନା କରିଛୁ । ଉଦାହରଣ ସ୍ୱରୂପ, ଆମେ ସାମସଙ୍ଗ ଇଲେକ୍ଟ୍ରୋନିକ୍ସ ଏବଂ ଏହାର ସହାୟକ କମ୍ପାନୀ ସାମସଙ୍ଗ ଇଲେକ୍ଟ୍ରୋନିକ୍ସ ୟୁକେ ଦ୍ୱାରା ନିଆଯାଇଥିବା ପଦକ୍ଷେପଗୁଡ଼ିକର ତାଲିକା ମଧ୍ୟ ଦେଇଛୁ । ବିପଦଗୁଡିକର ବର୍ଣ୍ଣନା ଏବଂ ହ୍ରାସ ପ୍ରୟାସର ଦୃଷ୍ଟାନ୍ତ ଭବିଷ୍ୟତର ଅନୁସନ୍ଧାନ କ୍ଷେତ୍ର ଚିହ୍ନଟ କରିବା ପାଇଁ ପୃଷ୍ଠଭୂମି ପ୍ରଦାନ କରେ । |
2f52cbef51a6a8a2a74119ad821526f9e0b57b39 | SAP HANA ଡାଟାବେସକୁ SAP HANA ଆପ୍ଲିକେସନର ମୂଳ ଭାବରେ ରଖାଯାଇଛି ଯାହା ଟ୍ରାନଜାକସନଲ ଭାବରେ ସମାନ କାର୍ଯ୍ୟଭାର ସହିତ ଜଟିଳ ବ୍ୟବସାୟ ବିଶ୍ଳେଷଣ ପ୍ରକ୍ରିୟାକୁ ସମର୍ଥନ କରେ । ଏହି କାଗଜରେ, ଆମେ SAP HANA ଡାଟାବେସର ମୌଳିକ ବୈଶିଷ୍ଟ୍ୟ ବିଷୟରେ ବର୍ଣ୍ଣନା କରିଛୁ, ଅନ୍ୟାନ୍ୟ ଶାସ୍ତ୍ରୀୟ ସମ୍ପର୍କୀୟ ଡାଟାବେସ୍ ପରିଚାଳନା ସିଷ୍ଟମରୁ SAP HANA ଡାଟାବେସ୍ କୁ ପୃଥକ କରୁଥିବା ସ୍ୱତନ୍ତ୍ର ବୈଶିଷ୍ଟ୍ୟ ଉପରେ ଗୁରୁତ୍ୱାରୋପ କରିଛୁ । ବୈଷୟିକ ଦୃଷ୍ଟିରୁ, SAP HANA ଡାଟାବେସ୍ ରେ ଏକାଧିକ ଡାଟା ପ୍ରୋସେସିଂ ଇଞ୍ଜିନ ରହିଛି ଯାହା ଏକ ବଣ୍ଟିତ ପ୍ରଶ୍ନ ପ୍ରୋସେସିଂ ପରିବେଶ ସହିତ ଡାଟା ପ୍ରୋସେସିଂର ସମ୍ପୂର୍ଣ୍ଣ ସ୍ପେକ୍ଟ୍ରମ ପ୍ରଦାନ କରିଥାଏ - ଏକ ହାଇବ୍ରିଡ୍ ଇଞ୍ଜିନରେ ଧାଡ଼ି ଏବଂ ସ୍ତମ୍ଭ-ଆଧାରିତ ଭୌତିକ ପ୍ରତିନିଧିତ୍ୱକୁ ସମର୍ଥନ କରୁଥିବା କ୍ଲାସିକାଲ୍ ରିଲେସନାଲ୍ ଡାଟାରୁ ଆରମ୍ଭ କରି ଗ୍ରାଫ୍ ଏବଂ ଟେକ୍ସଟ୍ ପ୍ରୋସେସିଂ ପର୍ଯ୍ୟନ୍ତ ସମାନ ସିଷ୍ଟମ୍ ମଧ୍ୟରେ ଅର୍ଦ୍ଧ- ଏବଂ ଅଣସଂରଚନା ତଥ୍ୟ ପରିଚାଳନା ପାଇଁ । ଅଧିକ ପ୍ରୟୋଗ-ଆଧାରିତ ଦୃଷ୍ଟିକୋଣରୁ, ଆମେ ନିର୍ଦ୍ଦିଷ୍ଟ ଭାବରେ କାର୍ଯ୍ୟକାରୀ ହୋଇଥିବା ବ୍ୟବସାୟ କାର୍ଯ୍ୟଗୁଡ଼ିକର ଏକ ଅନ୍ତର୍ନିହିତ ସେଟ୍ ସହିତ ଏକାଧିକ ଡୋମେନ୍-ନିର୍ଦ୍ଦିଷ୍ଟ ଭାଷାଗୁଡ଼ିକର SAP HANA ଡାଟାବେସ୍ ଦ୍ୱାରା ପ୍ରଦାନ କରାଯାଇଥିବା ନିର୍ଦ୍ଦିଷ୍ଟ ସମର୍ଥନ ବିଷୟରେ ବର୍ଣ୍ଣନା କରିଛୁ । SQL - ରିଲେସନାଲ୍ ଡାଟାବେସ୍ ସିଷ୍ଟମ୍ ପାଇଁ ଲିଙ୍ଗୁଆ ଫ୍ରାନ୍କା ଭାବରେ - ବର୍ତ୍ତମାନ ଆଉ ଆଧୁନିକ ଆପ୍ଲିକେସନର ସମସ୍ତ ଆବଶ୍ୟକତା ପୂରଣ କରିବାକୁ ବିବେଚନା କରାଯାଇପାରିବ ନାହିଁ, ଯାହା ଡାଟା ପରିଚାଳନା ସ୍ତର ସହିତ ଦୃଢ଼ ଆଦାନପ୍ରଦାନ ଆବଶ୍ୟକ କରେ । ତେଣୁ, SAP HANA ଡାଟାବେସ୍ ଆପ୍ଲିକେସନ୍ ସେମାଂଟିକ୍ସକୁ ଆଧାରିତ ଡାଟା ପରିଚାଳନା ପ୍ଲାଟଫର୍ମ ସହିତ ବିନିମୟ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ ଯାହା କ୍ୱେରୀ ଅଭିବ୍ୟକ୍ତିକୁ ବୃଦ୍ଧି କରିବା ଏବଂ ବ୍ୟକ୍ତିଗତ ଆପ୍ଲିକେସନ୍-ଡେଟାବେସ୍ ରାଉଣ୍ଡ ଟ୍ରିପ୍ ସଂଖ୍ୟା ହ୍ରାସ କରିବାକୁ ବ୍ୟବହାର କରାଯାଇପାରିବ । |
3a011bd31f1de749210b2b188ffb752d9858c6a6 | ଆମେ ନିଷ୍ପତ୍ତି ସହାୟତା ସୁବିଧାକୁ ବିସ୍ତାର କରିବା ପାଇଁ ବିଚାର କରୁଛୁ, ଯାହା ଉପରେ ବହୁ-ଆକାରର ଗୁଣଗୁଡ଼ିକ ନେଟୱାର୍କ ଏଣ୍ଟିଟି ସହିତ ଜଡିତ, ଯାହା ଦ୍ୱାରା ତଥାକଥିତ ବହୁ-ଆକାର ନେଟୱାର୍କ ଗଠନ କରାଯାଇପାରିବ । ତଥ୍ୟ ଭଣ୍ଡାର ଏବଂ ଓଏଲଏପି (ଅନ୍ଲାଇନ୍ ଆନାଲିଟିକାଲ୍ ପ୍ରୋସେସିଂ) ଟେକ୍ନୋଲୋଜି ସମ୍ବନ୍ଧୀୟ ତଥ୍ୟ ଉପରେ ନିଷ୍ପତ୍ତି ସହାୟତା ପାଇଁ ପ୍ରଭାବଶାଳୀ ଉପକରଣ ବୋଲି ପ୍ରମାଣିତ ହୋଇଛି । କିନ୍ତୁ ସେମାନେ ନୂଆ ତଥା ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ବହୁମୁଖୀ ନେଟୱାର୍କକୁ ପରିଚାଳନା କରିବା ପାଇଁ ଭଲ ଭାବରେ ସଜ୍ଜିତ ନୁହଁନ୍ତି । ଏହି କାଗଜରେ, ଆମେ ଗ୍ରାଫ୍ କ୍ୟୁବ୍, ଏକ ନୂତନ ଡାଟା ଭଣ୍ଡାରଣ ମଡେଲକୁ ପରିଚିତ କରାଉଛୁ ଯାହା ବଡ଼ ବହୁ-ଆକାର ନେଟୱାର୍କରେ OLAP ପ୍ରଶ୍ନକୁ ପ୍ରଭାବଶାଳୀ ଭାବରେ ସମର୍ଥନ କରେ । ଉଭୟ ଗୁଣ ସମୂହ ଏବଂ ନେଟୱାର୍କର ସଂରଚନା ସମୀକ୍ଷାକୁ ଧ୍ୟାନରେ ରଖି, ଗ୍ରାଫ୍ ଘନ କେବଳ ସଂଖ୍ୟାଗତ ମୂଲ୍ୟ ଆଧାରିତ ଗ୍ରୁପ୍-ବାଇ ସହିତ ଜଡିତ ପାରମ୍ପାରିକ ଡାଟା ଘନ ମଡେଲ ବାହାରେ ଯାଇଥାଏ, ଯାହାଫଳରେ ପ୍ରତ୍ୟେକ ସମ୍ଭାବ୍ୟ ବହୁ-ଆକାରର ସ୍ଥାନ ମଧ୍ୟରେ ଏକ ଅଧିକ ଅନ୍ତର୍ଦୃଷ୍ଟିପୂର୍ଣ୍ଣ ଏବଂ ସଂରଚନା ସମୃଦ୍ଧ ସମୁଦାୟ ନେଟୱାର୍କରେ ପରିଣତ ହୁଏ । ପାରମ୍ପରିକ କ୍ୟୁବୋଏଡ୍ ପ୍ରଶ୍ନ ବ୍ୟତୀତ, OLAP ପ୍ରଶ୍ନର ଏକ ନୂତନ ଶ୍ରେଣୀ, କ୍ରସବଏଡ୍, ପ୍ରବର୍ତ୍ତନ କରାଯାଇଛି ଯାହା ବହୁ-ଆକାର ବିଶିଷ୍ଟ ନେଟୱାର୍କରେ ବିଶେଷ ଉପଯୋଗୀ ଏବଂ ପୂର୍ବରୁ ଅଧ୍ୟୟନ କରାଯାଇନାହିଁ । ଆମେ ଗ୍ରାଫ୍ କ୍ୟୁବ୍ କୁ କାର୍ଯ୍ୟକାରୀ କରୁଛୁ, ବହୁ-ଆକାର ବିଶିଷ୍ଟ ନେଟୱାର୍କର ବିଶେଷ ଗୁଣକୁ ବର୍ତ୍ତମାନର ଭଲ ଭାବରେ ଅଧ୍ୟୟନ ହୋଇଥିବା ଡାଟା କ୍ୟୁବ୍ କୌଶଳ ସହିତ ମିଶାଇ । ଆମେ ବାସ୍ତବ ଦୁନିଆର ତଥ୍ୟ ସେଟ ଉପରେ ବ୍ୟାପକ ପରୀକ୍ଷାମୂଳକ ଅଧ୍ୟୟନ କରୁଛୁ ଏବଂ ଗ୍ରାଫ କ୍ୟୁବକୁ ବୃହତ ବହୁ-ଆକାର ନେଟୱାର୍କରେ ନିଷ୍ପତ୍ତି ସହାୟତା ପାଇଁ ଏକ ଶକ୍ତିଶାଳୀ ଏବଂ ଦକ୍ଷ ଉପକରଣ ଭାବରେ ଦେଖାଯାଇଛି । |
4b573416043cf9cff42cbb7b753993c907a2be4a | ଅନେକ ପାରମ୍ପରିକ ଏବଂ ନୂତନ ବ୍ୟବସାୟ ପ୍ରୟୋଗ ଅନ୍ତର୍ନିହିତ ଗ୍ରାଫଷ୍ଟ୍ରକଚର ତଥ୍ୟ ସହିତ କାର୍ଯ୍ୟ କରେ ଏବଂ ତେଣୁ ଗ୍ରାଫ ଅବଶେଷ ଏବଂ ତଥ୍ୟ ପରିଚାଳନା ସ୍ତରରେ ପ୍ରଦାନ କରାଯାଇଥିବା କାର୍ଯ୍ୟରୁ ଲାଭବାନ ହୁଏ । ସମ୍ପତ୍ତି ଗ୍ରାଫ୍ ଡାଟା ମଡେଲ କେବଳ ସ୍କିମା ନମନୀୟତା ପ୍ରଦାନ କରେ ନାହିଁ ବରଂ ମିଳିତ ଭାବରେ ଡାଟା ଏବଂ ମେଟାଡାଟା ପରିଚାଳନା ଏବଂ ପ୍ରକ୍ରିୟାକରଣକୁ ଅନୁମତି ଦେଇଥାଏ । ସାଧାରଣ ଗ୍ରାଫିକ୍ସ କାର୍ଯ୍ୟକଳାପକୁ ସିଧାସଳଖ ଡାଟାବେସ ଇଞ୍ଜିନରେ କାର୍ଯ୍ୟକାରୀ କରି ଏବଂ ସେଗୁଡ଼ିକୁ ଉଭୟ ଏକ ଅନ୍ତର୍ଦୃଷ୍ଟିସମ୍ପନ୍ନ ପ୍ରୋଗ୍ରାମିଂ ଇଣ୍ଟରଫେସ୍ ଏବଂ ଏକ ଘୋଷଣାତ୍ମକ ଭାଷାରେ ପ୍ରକାଶ କରି, ଜଟିଳ ବ୍ୟବସାୟ ପ୍ରୟୋଗ ତର୍କକୁ ଅଧିକ ସହଜରେ ପ୍ରକାଶ କରାଯାଇପାରିବ ଏବଂ ଅତ୍ୟନ୍ତ ଦକ୍ଷତାର ସହିତ କାର୍ଯ୍ୟକାରୀ କରାଯାଇପାରିବ । ଏହି କାଗଜରେ ଆମେ SAP HANA ଡାଟାବେସକୁ ଅନ୍ତର୍ନିହିତ ଗ୍ରାଫ ଡାଟା ସମର୍ଥନ ସହିତ ସମ୍ପ୍ରସାରଣ କରିବା ପାଇଁ ଆମର ଚାଲୁଥିବା କାର୍ଯ୍ୟର ବର୍ଣ୍ଣନା କରୁଛୁ । ଆମେ ଏହାକୁ SAP HANA ସହିତ ଆଧୁନିକ ବ୍ୟବସାୟିକ ପ୍ରୟୋଗଗୁଡ଼ିକ ପାଇଁ ଏକ ଦକ୍ଷ ଏବଂ ଅନ୍ତର୍ଦୃଷ୍ଟିସମ୍ପନ୍ନ ଡାଟା ପରିଚାଳନା ପ୍ଲାଟଫର୍ମ ପ୍ରଦାନ କରିବା ଦିଗରେ ପରବର୍ତ୍ତୀ ପଦକ୍ଷେପ ବୋଲି ବିବେଚନା କରୁଛୁ । |
16af753e94919ca257957cee7ab6c1b30407bb91 | |
cc75568885ab99851cc0e0ea5679121606121e5d | କାର୍ଯ୍ୟରତ କୁକୁରମାନଙ୍କୁ ତାଲିମ ଦେବା ଓ ସେମାନଙ୍କ ସହିତ ବ୍ୟବହାର କରିବା ଏକ ବ୍ୟୟ ବହୁଳ ପ୍ରକ୍ରିୟା ଏବଂ ଏଥିପାଇଁ ବିଶେଷ ଦକ୍ଷତା ଓ କୌଶଳ ଆବଶ୍ୟକ । କମ୍ ବ୍ୟୟସାପେକ୍ଷ ଏବଂ କମ୍ ବ୍ୟୟସାପେକ୍ଷ ପ୍ରଶିକ୍ଷଣ କୌଶଳ ଦ୍ୱାରା ଏହି କୁକୁରମାନଙ୍କ ସହିତ ଆମର ଭାଗିଦାରୀତା ବୃଦ୍ଧି ପାଇବ ଏବଂ ଆମେ ସେମାନଙ୍କ ଦକ୍ଷତାରୁ ଅଧିକ ଲାଭବାନ ହୋଇପାରିବା । ଏହାକୁ ସୁଗମ କରିବା ପାଇଁ ଆମେ ଏକ କୁକୁର ଶରୀର-କ୍ଷେତ୍ର ନେଟୱାର୍କ (cBAN) ବିକଶିତ କରୁଛୁ ଯାହା ସେନ୍ସିଂ ଟେକ୍ନୋଲୋଜି ଏବଂ କମ୍ପ୍ୟୁଟେଶନାଲ୍ ମଡେଲିଂକୁ ମିଶାଇ କୁକୁର ତାଲିମ ପାଇଁ ଅଧିକ ସଠିକ୍ ବ୍ୟାଖ୍ୟା ସହିତ ପରିଚାଳକମାନଙ୍କୁ ପ୍ରଦାନ କରିବ । ପ୍ରଥମ ପଦକ୍ଷେପ ଭାବେ ଆମେ ଇନର୍ସିଆଲ ମେଟର ୟୁନିଟ (ଆଇଏମୟୁ) ବ୍ୟବହାର କରି କୁକୁରମାନଙ୍କର ଆଚରଣଗତ ଗତିବିଧିକୁ ରିମୋଟରୁ ଚିହ୍ନଟ କରିଥିଲୁ । ନିଷ୍ପତ୍ତି ଗଛ ବର୍ଗୀକରଣ ଏବଂ ଲୁକ୍କାୟିତ ମାର୍କୋଭ ମଡେଲର ବ୍ୟବହାର ସ୍ଥାୟୀ ସ୍ଥିତି (ସିଟ, ଛିଡା, ତଳେ ପଡି, ଦୁଇ ଗୋଡରେ ଠିଆ ହେବା ଏବଂ ଭୂମିରୁ ଖାଇବା) ଏବଂ ଗତିଶୀଳ କାର୍ଯ୍ୟକଳାପ (ଚାଲିବା, ପାହାଚ ଚଢ଼ିବା ଏବଂ ର୍ୟାମ୍ପ ତଳକୁ ଯିବା) କୁ ଚିହ୍ନଟ କରିବା ପାଇଁ କରାଯାଇଥିଲା । 6ଟି ଲାବ୍ରାଡର ରିଟ୍ରିଭର ଏବଂ ଗୋଟିଏ କାଇ କେନଙ୍କ ଠାରୁ ତଥ୍ୟ ସଂଗ୍ରହ କରାଯାଇଥିଲା । IMUର ଅବସ୍ଥାନ ଏବଂ ଦିଗ ନିର୍ଣ୍ଣୟ ବିଶ୍ଳେଷଣ ଦ୍ୱାରା ଷ୍ଟାଟିକ୍ ଏବଂ ଡାଇନାମିକ୍ କାର୍ଯ୍ୟକଳାପ ଚିହ୍ନଟ ପାଇଁ ଉଚ୍ଚ ଶ୍ରେଣୀକରଣ ସଠିକତା ହାସଲ କରିବାରେ ସାହାଯ୍ୟ ମିଳିଥିଲା । |
694a40785f480cc0d65bd94a5e44f570aff5ea37 | ମୋବାଇଲ ରୋବଟ ନେଭିଗେସନ ଉପରେ ଗବେଷଣା ଦ୍ୱାରା ଘର ଭିତରେ ଥିବା ପରିବେଶର ମାନଚିତ୍ର ପ୍ରସ୍ତୁତ କରିବା ପାଇଁ ଦୁଇଟି ପ୍ରମୁଖ ମଡେଲ ପ୍ରସ୍ତୁତ କରାଯାଇଛି । ଗ୍ରୀଡ ଆଧାରିତ ପଦ୍ଧତିଗୁଡିକ ସଠିକ ମେଟ୍ରିକ ମାନଚିତ୍ର ଉତ୍ପାଦନ କରୁଥିବାବେଳେ, ସେମାନଙ୍କର ଜଟିଳତା ଅନେକ ସମୟରେ ବଡ଼ ଆକାରର ଆଭ୍ୟନ୍ତରୀଣ ପରିବେଶରେ ଦକ୍ଷ ଯୋଜନା ଏବଂ ସମସ୍ୟା ସମାଧାନକୁ ନିଷେଧ କରେ । ଅନ୍ୟପଟେ ଟପୋଲୋଜିକାଲ ମ୍ୟାପକୁ ଅଧିକ ଦକ୍ଷତାର ସହ ବ୍ୟବହାର କରାଯାଇପାରିବ, କିନ୍ତୁ ସଠିକ ଓ ସ୍ଥିର ଟପୋଲୋଜିକାଲ ମ୍ୟାପକୁ ବଡ଼ ଆକାରର ପରିବେଶରେ ଶିଖିବା କଷ୍ଟକର ହୋଇଥାଏ । ଏହି କାଗଜରେ ଏକ ଦୃଷ୍ଟିକୋଣ ବର୍ଣ୍ଣନା କରାଯାଇଛି ଯେଉଁଥିରେ ଉଭୟ ପାରାଡିଗମକୁ ଏକୀକୃତ କରାଯାଇଛି: ଗ୍ରୀଡ ଆଧାରିତ ଏବଂ ଟପୋଲୋଜିକାଲ । ଗ୍ରୀଡ ଆଧାରିତ ମାନଚିତ୍ରକୁ କୃତ୍ରିମ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଏବଂ ବେୟେସୀୟ ସମନ୍ୱୟ ବ୍ୟବହାର କରି ଶିଖାଯାଇଥାଏ । ଟପୋଲୋଜିକାଲ ମ୍ୟାପ ଗୁଡିକୁ ଗ୍ରୀଡ ଆଧାରିତ ମ୍ୟାପ ଉପରେ ତିଆରି କରାଯାଏ, ଯାହା ପରେ ଏକ ସଙ୍ଗଠିତ ଅଞ୍ଚଳରେ ବିଭକ୍ତ କରାଯାଇଥାଏ । ଉଭୟ ପାରାଡିଗମ-ଗ୍ରୀଡ ଆଧାରିତ ଏବଂ ଟପୋଲୋଜିକାଲ-କୁ ମିଶାଇ, ଏଠାରେ ଉପସ୍ଥାପିତ ଆଭିମୁଖ୍ୟ ଉଭୟ ଜଗତର ସର୍ବୋତ୍ତମ ହାସଲ କରିଥାଏ: ସଠିକତା/ସଂଗତତା ଏବଂ ଦକ୍ଷତା । ଏହି ଅଧ୍ୟୟନରେ ଏକ ମୋବାଇଲ ରୋବଟକୁ ସ୍ୱୟଂକ୍ରିୟ ଭାବେ ଚଳାଇବା ପାଇଁ ସୋନାର ସେନସର ସହିତ ସଜ୍ଜିତ ଏକ ବହୁ କୋଠରୀ ବିଶିଷ୍ଟ ପରିବେଶରେ ଫଳାଫଳ ପ୍ରଦାନ କରାଯାଇଛି । |
a512385be058b1e2e1d8b418a097065707622ecd | ବିଶ୍ୱସ୍ତରରେ କର୍କଟ ରୋଗର ବୋଝ ବଢ଼ିବାରେ ଲାଗିଛି, ଏହାର ମୁଖ୍ୟ କାରଣ ହେଉଛି ବିଶ୍ୱ ଜନସଂଖ୍ୟାର ବାର୍ଦ୍ଧକ୍ୟ ଓ ବୃଦ୍ଧି ସହିତ ଆର୍ଥିକ ବିକାଶଶୀଳ ରାଷ୍ଟ୍ରରେ କର୍କଟ ଜନିତ ବ୍ୟବହାର, ବିଶେଷ କରି ଧୂମପାନର ଅଭିବୃଦ୍ଧି । ଗ୍ଲୋବୋକାନ ୨୦୦୮ର ଆକଳନ ଅନୁସାରେ ୨୦୦୮ରେ ପ୍ରାୟ ୧୨.୭ ନିୟୁତ କ୍ୟାନସର ରୋଗୀ ଓ ୭.୬ ନିୟୁତ କ୍ୟାନସର ମୃତ୍ୟୁର ଆକଳନ କରାଯାଇଛି । ଏଥିମଧ୍ୟରୁ ୫୬% ରୋଗୀ ଓ ୬୪% ମୃତ୍ୟୁର ଆକଳନ ବିକାଶଶୀଳ ଅର୍ଥନୈତିକ ରାଷ୍ଟ୍ରରେ ହୋଇଛି । ସ୍ତନ କର୍କଟ ହେଉଛି ସବୁଠାରୁ ଅଧିକ ମାତ୍ରାରେ ଚିହ୍ନଟ ହେଉଥିବା କର୍କଟ ରୋଗ ଏବଂ ଏହା ମହିଳାଙ୍କ ମଧ୍ୟରେ କର୍କଟ ରୋଗରେ ମୃତ୍ୟୁର ମୁଖ୍ୟ କାରଣ, ଏହା ମୋଟ କର୍କଟ ରୋଗୀଙ୍କ ମଧ୍ୟରୁ ୨୩% ଏବଂ କର୍କଟ ରୋଗରେ ମୃତ୍ୟୁର ୧୪% । ପୁରୁଷମାନଙ୍କ କ୍ଷେତ୍ରରେ ଫୁସଫୁସ କର୍କଟ ରୋଗର ମୁଖ୍ୟ କାରଣ ହେଉଛି ମୋଟ ନୂଆ କର୍କଟ ରୋଗର ୧୭% ଏବଂ ମୋଟ କର୍କଟ ରୋଗ ମୃତ୍ୟୁର ୨୩% । ଆର୍ଥିକ ଦୃଷ୍ଟିରୁ ବିକାଶଶୀଳ ଦେଶମାନଙ୍କରେ ସ୍ତନ କର୍କଟ ଏବେ ମହିଳାମାନଙ୍କ ମଧ୍ୟରେ କର୍କଟ ରୋଗରେ ମୃତ୍ୟୁର ପ୍ରମୁଖ କାରଣ ପାଲଟିଛି । ଗତ ଦଶନ୍ଧିରେ ଯେଉଁ ସମୟରେ ସର୍ବାଧିକ କର୍କଟ ରୋଗରେ ମୃତ୍ୟୁର କାରଣ ଥିଲା, ସେହି ସମୟଠାରୁ ଏହା ବଦଳିଯାଇଛି । ଏହାବ୍ୟତୀତ ବିକାଶଶୀଳ ଦେଶମାନଙ୍କରେ ମହିଳାମାନଙ୍କ ମଧ୍ୟରେ ଫୁସଫୁସ କର୍କଟ ରୋଗର ମୃତ୍ୟୁହାର ଗର୍ଭାଶୟ କର୍କଟ ରୋଗର ମୃତ୍ୟୁହାର ସହିତ ସମାନ, ଉଭୟ କ୍ଷେତ୍ରରେ ମୋଟ ମହିଳା କର୍କଟ ରୋଗର ମୃତ୍ୟୁହାରର ୧୧% । ଯଦିଓ ବିକାଶଶୀଳ ଦେଶରେ ଉଭୟ ଲିଙ୍ଗର ଲୋକମାନଙ୍କ ମଧ୍ୟରେ କର୍କଟ ରୋଗର ମୋଟ ସଂକ୍ରମଣ ହାର ବିକଶିତ ଦେଶରେ ଦେଖାଯାଉଥିବା ସଂକ୍ରମଣ ହାରର ଅଧା ଅଟେ, ତଥାପି କର୍କଟ ରୋଗରେ ମୃତ୍ୟୁ ହାର ପ୍ରାୟ ସମାନ । ବିକାଶଶୀଳ ଦେଶମାନଙ୍କରେ କର୍କଟ ରୋଗର ଚିକିତ୍ସା କମ୍ ହୋଇଥାଏ, ଏହାର କାରଣ ହେଉଛି ରୋଗ ଚିହ୍ନଟ ହେବା ପରେ ଚିକିତ୍ସା ବିଳମ୍ବ ହେବା ଏବଂ ଠିକ୍ ସମୟରେ ଚିକିତ୍ସା ନ ହେବା । ବିଶ୍ୱସ୍ତରରେ କର୍କଟ ରୋଗର ଏକ ବଡ଼ ଅଂଶକୁ ପ୍ରତିହତ କରାଯାଇପାରିବ ଯଦି କର୍କଟ ରୋଗ ନିୟନ୍ତ୍ରଣ ପାଇଁ ବର୍ତ୍ତମାନର ଜ୍ଞାନକୁ ପ୍ରୟୋଗ କରାଯିବ ଏବଂ ତମାଖୁ ନିୟନ୍ତ୍ରଣ, ଟୀକାକରଣ (ଯକୃତ ଓ ଗର୍ଭାଶୟ କର୍କଟ ପାଇଁ), ପ୍ରାଥମିକ ଚିହ୍ନଟ ଓ ଚିକିତ୍ସା, ଏବଂ ଶାରୀରିକ କାର୍ଯ୍ୟକଳାପ ଓ ସୁସ୍ଥ ଆହାରକୁ ପ୍ରୋତ୍ସାହିତ କରୁଥିବା ଜନସ୍ୱାସ୍ଥ୍ୟ ଅଭିଯାନର କାର୍ଯ୍ୟକାରୀତା କରାଯିବ । ବିଶ୍ୱସ୍ତରରେ ଏହିପରି ହସ୍ତକ୍ଷେପକୁ ତ୍ୱରାନ୍ୱିତ କରିବାରେ କ୍ଲିନିକାଲ ବିଶେଷଜ୍ଞ, ଜନସ୍ୱାସ୍ଥ୍ୟ ବିଶେଷଜ୍ଞ ଏବଂ ନୀତି ନିର୍ଦ୍ଧାରକମାନେ ସକ୍ରିୟ ଭୂମିକା ଗ୍ରହଣ କରିପାରିବେ । |
37fa040ec0c4bc1b85f3ca2929445f3229ed7f72 | ଆମେ sketch-rnn, ଏକ ପୁନଃପୌନିକ ନ୍ୟୁରାଲ ନେଟୱାର୍କ (RNN) ଉପସ୍ଥାପନ କରୁଛୁ ଯାହାକି ସାଧାରଣ ବସ୍ତୁର ଷ୍ଟ୍ରୋକ୍ ଆଧାରିତ ଚିତ୍ର ନିର୍ମାଣ କରିବାରେ ସକ୍ଷମ । ଏହି ମଡେଲକୁ ହଜାର ହଜାର କଞ୍ଚା ମାନବ ଚିତ୍ରରେ ପ୍ରଶିକ୍ଷଣ ଦିଆଯାଏ ଯାହା ଶହ ଶହ ଶ୍ରେଣୀର ପ୍ରତିନିଧିତ୍ୱ କରେ । ସର୍ତ୍ତମୂଳକ ଏବଂ ଅନିର୍ଦ୍ଦିଷ୍ଟ ସ୍କେଚ୍ ସୃଷ୍ଟି ପାଇଁ ଆମେ ଏକ ଢାଞ୍ଚା ପ୍ରସ୍ତୁତ କରିଛୁ ଏବଂ ଭେକ୍ଟର ଫର୍ମାଟରେ ଏକୀକୃତ ସ୍କେଚ୍ ଚିତ୍ର ସୃଷ୍ଟି ପାଇଁ ନୂତନ ଦୃଢ଼ ତାଲିମ ପଦ୍ଧତି ବର୍ଣ୍ଣନା କରିଛୁ । |
a1a1c4fb58a2bc056a056795609a2be307b6b9bf | କ୍ଲାଉଡ୍ ଷ୍ଟୋରେଜ୍ ଦ୍ରୁତ ଗତିରେ ଅନେକ ଆଇଟି ଭିତ୍ତିଭୂମିର ଏକ ଆଧାରଶିଳା ପାଲଟିଛି, ବ୍ୟାକଅପ୍, ସିଙ୍କ୍ରୋନାଇଜେସନ୍ ଏବଂ ବିପୁଳ ପରିମାଣର ତଥ୍ୟର ଆଦାନପ୍ରଦାନ ପାଇଁ ଏକ ନିରବଚ୍ଛିନ୍ନ ସମାଧାନ ଗଠନ କରେ । କ୍ଲାଉଡ୍ ସେବା ପ୍ରଦାନକାରୀମାନଙ୍କ ପ୍ରତ୍ୟକ୍ଷ ନିୟନ୍ତ୍ରଣରେ ଉପଭୋକ୍ତା ତଥ୍ୟ ରଖିବା ଦ୍ୱାରା ବାହ୍ୟ ତଥ୍ୟର ଅଖଣ୍ଡତା, ଆକସ୍ମିକ କିମ୍ବା ଉଦ୍ଦେଶ୍ୟମୂଳକ ଭାବରେ ସମ୍ବେଦନଶୀଳ ସୂଚନା ଲିକ୍ ହେବା, ଉପଭୋକ୍ତା କାର୍ଯ୍ୟକଳାପର ପ୍ରୋଫାଇଲିଂ ଇତ୍ୟାଦି ସମ୍ବନ୍ଧୀୟ ସୁରକ୍ଷା ଏବଂ ଗୋପନୀୟତା ଚିନ୍ତା ସୃଷ୍ଟି ହୁଏ । ଆହୁରି ମଧ୍ୟ, ଯଦିଓ କ୍ଲାଉଡ୍ ପ୍ରଦାନକାରୀ ବିଶ୍ୱସ୍ତ, କିନ୍ତୁ ଆଉଟସୋର୍ସିଂ ଫାଇଲକୁ ପ୍ରବେଶ କରୁଥିବା ବ୍ୟବହାରକାରୀମାନେ ଦୁଷ୍ଟ ଏବଂ ଖରାପ ଆଚରଣ କରିପାରନ୍ତି । ଏହି ଚିନ୍ତା ବିଶେଷ କରି ବ୍ୟକ୍ତିଗତ ସ୍ୱାସ୍ଥ୍ୟ ରେକର୍ଡ ଏବଂ କ୍ରେଡିଟ୍ ସ୍କୋର ସିଷ୍ଟମ ଭଳି ସମ୍ବେଦନଶୀଳ ପ୍ରୟୋଗରେ ଗୁରୁତର ଅଟେ । ଏହି ସମସ୍ୟାର ସମାଧାନ ପାଇଁ ଆମେ ଗୋରାମ୍ ନାମକ ଏକ କ୍ରିପ୍ଟୋଗ୍ରାଫିକ୍ ସିଷ୍ଟମ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ଉଭୟ ଅବିଶ୍ୱସ୍ତ ସର୍ଭର ଏବଂ ଦୁଷ୍ଟ ଗ୍ରାହକଙ୍କ ପ୍ରତି ଆଉଟସୋର୍ସିଂ ତଥ୍ୟର ଗୋପନୀୟତା ଏବଂ ଅଖଣ୍ଡତାକୁ ସୁରକ୍ଷା ଦେଇଥାଏ, ଏହିପରି ତଥ୍ୟକୁ ପ୍ରବେଶର ଅଜ୍ଞାତତା ଏବଂ ଅଲିଙ୍କିଂକୁ ଗ୍ୟାରେଣ୍ଟି ଦେଇଥାଏ ଏବଂ ତଥ୍ୟ ମାଲିକଙ୍କୁ ଅନ୍ୟ ଗ୍ରାହକଙ୍କ ସହିତ ଆଉଟସୋର୍ସିଂ ତଥ୍ୟ ଅଂଶୀଦାର କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ, ସେମାନଙ୍କୁ ଚୟନକୃତ ଭାବରେ ପଠନ ଏବଂ ଲେଖିବା ଅନୁମତି ଦେଇଥାଏ _ ଗୋରାମ ହେଉଛି ପ୍ରଥମ ସିଷ୍ଟମ ଯାହା ଆଉଟସୋର୍ସିଂ ଷ୍ଟୋରେଜ ପାଇଁ ଏତେ ବ୍ୟାପକ ସୁରକ୍ଷା ଏବଂ ଗୋପନୀୟତା ଗୁଣ ହାସଲ କରିଛି । ଏକ ଦକ୍ଷ ନିର୍ମାଣର ଡିଜାଇନ୍ ପ୍ରକ୍ରିୟାରେ, ଆମେ ଦୁଇଟି ନୂତନ, ସାଧାରଣ ଭାବେ ପ୍ରଯୁଜ୍ୟ କ୍ରିପ୍ଟୋଗ୍ରାଫିକ୍ ଯୋଜନା ବିକଶିତ କରିଛୁ, ଯଥା, ଶୂନ୍ୟ-ଜ୍ଞାନ ପ୍ରମାଣର ଶେଫଲ୍ ଏବଂ ଚାମେଲିନ୍ ସ୍ୱାକ୍ଷର ଉପରେ ଆଧାରିତ ଏକ ଉତ୍ତରଦାୟିତ୍ୱ କୌଶଳ, ଯାହାକୁ ଆମେ ସ୍ୱୟଂକ୍ରିୟ ସ୍ୱାର୍ଥ ବୋଲି ବିବେଚନା କରୁ । ଆମେ ଆମାଜନ ଇଲାଷ୍ଟିକ କମ୍ପ୍ୟୁଟ କ୍ଲାଉଡ (ଇସି୨) ରେ ଗୋରାମକୁ କାର୍ଯ୍ୟକାରୀ କରିଥିଲୁ ଏବଂ ଆମର ନିର୍ମାଣର ମାପଦଣ୍ଡ ଏବଂ ଦକ୍ଷତା ପ୍ରଦର୍ଶନ କରି ପ୍ରଦର୍ଶନ ମୂଲ୍ୟାଙ୍କନ କରିଥିଲୁ । |
32527d9fcbfb0c84daf715d7e9a375f647b33c2c | |
269ed5ba525519502123b58472e069d77c5bda14 | ଏକ ଇଣ୍ଟରଆକ୍ଟିଭ୍ ପ୍ରଶ୍ନ ଉତ୍ତର (QA) ପ୍ରଣାଳୀରେ ବାରମ୍ବାର ଅଣ-ସନ୍ଦେହଜନକ (ଅପୂର୍ଣ୍ଣ) ପ୍ରଶ୍ନର ସମ୍ମୁଖୀନ ହୋଇଥାଏ । ଏହି ଅଣ-ସନ୍ଦେହଜନକ ପ୍ରଶ୍ନଗୁଡ଼ିକ ସିଷ୍ଟମ ପାଇଁ ବୋଧହୁଏ ଅର୍ଥହୀନ ହୋଇପାରେ ଯେତେବେଳେ ଜଣେ ଉପଭୋକ୍ତା ଏହାକୁ ବାର୍ତ୍ତାଳାପର ପ୍ରସଙ୍ଗ ବିନା ପଚାରିଥାଏ । ତେଣୁ ସିଷ୍ଟମକୁ ଅସମ୍ପୂର୍ଣ୍ଣ ପ୍ରଶ୍ନକୁ ପ୍ରୋସେସ୍ କରିବା ପାଇଁ ବାର୍ତ୍ତାଳାପ ପ୍ରସଙ୍ଗକୁ ଧ୍ୟାନରେ ରଖିବାକୁ ପଡିବ । ଏହି କାର୍ଯ୍ୟରେ, ଆମେ ଏକ ପୁନଃପୌନିକ ନ୍ୟୁରାଲ ନେଟୱାର୍କ (ଆରଏନଏନ) ଆଧାରିତ ଏନକୋଡର ଡିକୋଡର ନେଟୱାର୍କ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ଏକ ଅସମ୍ପୂର୍ଣ୍ଣ ପ୍ରଶ୍ନ ଏବଂ ବାର୍ତ୍ତାଳାପ ପ୍ରସଙ୍ଗକୁ ଦେଇ ଏକ ସମ୍ପୂର୍ଣ୍ଣ (ଆଧାରିତ) ପ୍ରଶ୍ନ ସୃଷ୍ଟି କରିପାରିବ । ଆରଏନଏନ ଏନକୋଡର ଡିକୋଡର ନେଟୱାର୍କ ଲକ୍ଷ ଲକ୍ଷ ବାକ୍ୟର ସମାନ୍ତରାଳ କୋରପସ ଉପରେ ତାଲିମ ଦିଆଯିବା ପରେ ଭଲ ଭାବରେ କାମ କରୁଥିବା ଦେଖାଯାଇଛି, ତଥାପି ଏହି ପରିମାଣର ବାର୍ତ୍ତାଳାପ ତଥ୍ୟ ହାସଲ କରିବା ଅତ୍ୟନ୍ତ କଷ୍ଟକର । ତେଣୁ ଆମେ ମୂଳ ସମସ୍ୟାକୁ ଦୁଇଟି ଅଲଗା ସରଳୀକୃତ ସମସ୍ୟାରେ ବିଭକ୍ତ କରିବାକୁ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯେଉଁଠାରେ ପ୍ରତ୍ୟେକ ସମସ୍ୟା ଏକ ବିରଳତା ଉପରେ ଧ୍ୟାନ ଦେଇଥାଏ । ବିଶେଷକରି, ଆମେ ଏକ ଅର୍ଥାତ୍ମକ କ୍ରମ ମଡେଲକୁ ଅର୍ଥାତ୍ମକ ମଡେଲ ଶିଖିବା ପାଇଁ ଏବଂ ଏକ ବାକ୍ୟବିନ୍ୟାସ କ୍ରମ ମଡେଲକୁ ଭାଷାଗତ ମଡେଲ ଶିଖିବା ପାଇଁ ତାଲିମ ଦେଇଥାଉ । ଆମେ ଆହୁରି ମଧ୍ୟ ଏକ ଆଂଶିକ ମଡେଲ ସୃଷ୍ଟି କରିବା ପାଇଁ ସଂଯୋଜକ ଏବଂ ଅର୍ଥିକ କ୍ରମ ମଡେଲକୁ ମିଶାଇ ଦେଇଥାଉ । ଆମର ମଡେଲରେ BLEU ସ୍କୋର 30.15 ରହିଛି ଯାହାକି 18.54 ଅଟେ ଯାହାକି ଏକ ମାନକ RNN ଏନକୋଡର ଡିକୋଡର ମଡେଲ ବ୍ୟବହାର କରି ହାସଲ କରାଯାଇଥାଏ । |
27099ec9ea719f8fd919fb69d66af677a424143b | ବିଚାର-ବିବେକ ର ଆଡାପ୍ଟିଭ କଣ୍ଟ୍ରୋଲ (ACT-R; J. R. Anderson & C. Lebiere, 1998) ଏକ ସିଦ୍ଧାନ୍ତରେ ବିକଶିତ ହୋଇଛି ଯାହା ଏକାଧିକ ମଡ୍ୟୁଲକୁ ନେଇ ଗଠିତ କିନ୍ତୁ ଏହା ମଧ୍ୟ ବ୍ୟାଖ୍ୟା କରେ ଯେ ଏହି ମଡ୍ୟୁଲଗୁଡିକ କିପରି ଏକୀକୃତ ଜ୍ଞାନ ସୃଷ୍ଟି କରିବାକୁ ଏକୀକୃତ ହୋଇଛି । ଏସିଟି-ଆର ରେ ସ୍ବତନ୍ତ୍ର ପ୍ରଣାଳୀ ର ଉଦାହରଣ ରୂପରେ ଅବଗତ-ମୋଟର ମଡ୍ୟୁଲ, ଲକ୍ଷ୍ୟ ମଡ୍ୟୁଲ, ଏବଂ ଘୋଷଣା ସ୍ମୃତି ମଡ୍ୟୁଲ କୁ ଉପସ୍ଥାପିତ କରା ଯାଇଛି. ଏହି ମଡ୍ୟୁଲଗୁଡିକ ଭିନ୍ନ ଭିନ୍ନ କର୍କଟିକ କ୍ଷେତ୍ର ସହିତ ଜଡିତ । ଏହି ମଡ୍ୟୁଲଗୁଡ଼ିକ ବଫରରେ ବଟକୁ ରଖେ ଯେଉଁଠାରେ ସେଗୁଡ଼ିକ ଏକ ଉତ୍ପାଦନ ପ୍ରଣାଳୀ ଦ୍ୱାରା ଚିହ୍ନଟ କରାଯାଇପାରିବ ଯାହା ବଫରରେ ସୂଚନା ପ୍ୟାଟର୍ନକୁ ପ୍ରତିକ୍ରିୟା କରେ । ଯେକୌଣସି ସମୟରେ, ବର୍ତ୍ତମାନର ମଡେଲକୁ ଦୃଷ୍ଟିରେ ରଖି ଏକକ ଉତ୍ପାଦନ ନିୟମକୁ ଚୟନ କରାଯାଇଥାଏ । ସବ୍ ସିମ୍ବୋଲିକ୍ ପ୍ରକ୍ରିୟା ଗୁଳି ଚଳାଇବା ପାଇଁ ନିୟମ ଚୟନ କରିବା ସହିତ କିଛି ମଡ୍ୟୁଲର ଆଭ୍ୟନ୍ତରୀଣ କାର୍ଯ୍ୟକୁ ନିର୍ଦ୍ଦେଶିତ କରିଥାଏ । ଅଧିକାଂଶ ଶିକ୍ଷଣରେ ଏହି ଉପ-ପ୍ରତୀକାତ୍ମକ ପ୍ରକ୍ରିୟାଗୁଡ଼ିକର ସଠିକତା ସାମିଲ ରହିଛି । ଏହି ମଡ୍ୟୁଲଗୁଡିକ କିପରି ପୃଥକ ଭାବରେ ଏବଂ ମିଳିତ ଭାବରେ କାର୍ଯ୍ୟ କରନ୍ତି ତାହା ବୁଝାଇବା ପାଇଁ ଅନେକ ସରଳ ଏବଂ ଜଟିଳ ଅନୁଭବୀ ଉଦାହରଣ ବର୍ଣ୍ଣନା କରାଯାଇଛି । |
6fdbf20f50dfd6276d9b89e494f86fbcc7b0b9b7 | ଆମେ ଏକ ନୂଆ ଇଲେକ୍ଟ୍ରୋନିକ ଟ୍ରାକିଂ ଆଣ୍ଟିନା ଆରେ ଡିଜାଇନ କରି ପରୀକ୍ଷଣ କରିଛୁ ଯାହା 2 × 2 ମାଇକ୍ରୋଷ୍ଟ୍ରିପ ସବ-ଆରେ ଦ୍ୱାରା ଗଠିତ । ପ୍ରତ୍ୟେକ ଉପ-ସୂଚୀ ଉପରେ ସମୟ କ୍ରମାଙ୍କ ପର୍ଯ୍ୟାୟ ଭାରୋଚିତ କରି, ପ୍ରତ୍ୟେକ ଉପ-ସୂଚୀ ଉପରେ ଆମ୍ପ୍ଲୁଟ୍ୟୁଡ୍ ଏବଂ ପର୍ଯ୍ୟାୟକୁ ପରିଣାମ ସ୍ୱରୂପ ଏକକ ଚ୍ୟାନେଲର ଆଉଟପୁଟ୍ ରୁ ପୁନରୁଦ୍ଧାର କରାଯାଇପାରିବ । ପ୍ରତ୍ୟେକ ଆରେରେ ଆମ୍ପ୍ଲିଟ୍ୟୁଡ୍ ଓ ଫେଜ୍ ଡିଜିଟାଲ୍ ସିଗନାଲ୍ ପ୍ରୋସେସିଂ ଦ୍ୱାରା ସମୁଦାୟ ଓ ଭିନ୍ନତା ବିକିରଣ ପ୍ୟାଟର୍ନ ସୃଷ୍ଟି କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ । ଏକ-ଆତ୍ମବାହନ ବ୍ୟବସ୍ଥା ତୁଳନାରେ, ଏଫଏ କମପରେଟରକୁ ସମାପ୍ତ କରାଯାଇଛି ଏବଂ ରିସିଭର ଚ୍ୟାନେଲ ସଂଖ୍ୟା ୩ରୁ ୧କୁ ହ୍ରାସ କରାଯାଇଛି । ଏହାର ଏକ ପ୍ରୋଟୋଟାଇପ ପ୍ରସ୍ତୁତ କରାଯାଇ ପରୀକ୍ଷଣ କରାଯାଇଥିଲା । ମାପ ଫଳାଫଳ ପ୍ରସ୍ତାବିତ ଯୋଜନାର ବୈଧତା ଏବଂ ଲାଭକୁ ସୁନିଶ୍ଚିତ କରିଥିଲା । ଚ୍ୟାନେଲ ସଂଶୋଧନ ପ୍ରକ୍ରିୟା ଦିଆଯାଇଛି । |
3701bdb05b6764b09a5735cdc3cb9c40736d9765 | ଆମେ ଷ୍ଟୋକାଷ୍ଟିକ ଆସିନକ୍ରୋନସ ପ୍ରୋକ୍ସିମାଲ ଅଲଟରନେଟିଙ୍ଗ ଲିନିୟରାଇଜଡ ମିନିମାଇଜେସନ (SAPALM) ପଦ୍ଧତିର ପରିଚୟ ଦେଉଛୁ, ଏକ ବ୍ଲକ କୋଅର୍ଡିନେଟ ଷ୍ଟୋକାଷ୍ଟିକ ପ୍ରୋକ୍ସିମାଲ-ଗ୍ରେଡିଏଣ୍ଟ ପଦ୍ଧତି ଅଣ-ସାମୟିକ, ଅଣ-ସମୃଦ୍ଧ ଅପ୍ଟିମାଇଜେସନ ସମସ୍ୟା ସମାଧାନ ପାଇଁ । SAPALM ହେଉଛି ପ୍ରଥମ ଅସନ୍ତୁଳିତ ସମାନ୍ତରାଳ ଅନୁକୂଳନ ପଦ୍ଧତି ଯାହାକି ଏକ ବୃହତ ଶ୍ରେଣୀରେ ଏକତ୍ରିତ ହୋଇଥାଏ । ଆମେ ପ୍ରମାଣ କରୁଛୁ ଯେ SAPALM ଏହି ସମସ୍ୟା ଶ୍ରେଣୀରେ - ସମକାଳୀନ କିମ୍ବା ଅସମକାଳୀନ ପଦ୍ଧତିଗୁଡିକ ମଧ୍ୟରେ - ସର୍ବୋତ୍ତମ ପରିଚିତ ହାରର ସମାନତା ସହିତ ମେଳ ଖାଏ । ଆମେ ଯେଉଁ କର୍ମଚାରୀଙ୍କ ସଂଖ୍ୟା ପାଇଁ ଏକ ରେଖାପାତିକ ତ୍ୱରାନ୍ୱିତ ହେବାର ଆଶା ରଖିଛୁ, ତାହାର ଉପର ସୀମା ପ୍ରଦାନ କରିଛୁ, ଯାହା କମ୍ ଜଟିଳ ସମସ୍ୟା ପାଇଁ ସର୍ବୋତ୍ତମ ସୀମା ସହିତ ମେଳ ଖାଏ ଏବଂ ଦେଖାଏ ଯେ ବାସ୍ତବରେ SAPALM ଏହି ରେଖାପାତିକ ତ୍ୱରାନ୍ୱିତ ହାସଲ କରେ । ଆମେ ଅନେକ ମାଟ୍ରିକ୍ସ ଫ୍ୟାକ୍ଟୋରିଜେଶନ ସମସ୍ୟା ଉପରେ ଅତ୍ୟାଧୁନିକ କାର୍ଯ୍ୟଦକ୍ଷତା ପ୍ରଦର୍ଶନ କରିଛୁ । |
5cd28cdc4c82f788dee27cb73d7d9280cf9c7343 | ଏହି ଲେଖାରେ ଏରୋ ଇମେଜ ଶ୍ରେଣୀକୁ ଚିହ୍ନିବା ପାଇଁ ଏକ ପଦ୍ଧତି ଉପସ୍ଥାପନ କରାଯାଇଛି । ପ୍ରତ୍ୟେକ ଏରୋ-ଇମେଜର ଜ୍ୟାମିତିଗତ ଗୁଣ ଏବଂ ରଙ୍ଗ ବଣ୍ଟନକୁ ଏନକୋଡ୍ କରିବା ପାଇଁ ଏକ ରିଜିଓନ୍ ଆଡଜେକେନ୍ସି ଗ୍ରାଫ୍ (RAG) ନିର୍ମାଣ କରି ଆମେ RAG-to-RAG ମେଳ ଖାଉଥିବା ଏରୋ-ଇମେଜ୍ ବର୍ଗ ଚିହ୍ନଟକୁ କାଷ୍ଟ କରିଥାଉ । ଗ୍ରାଫ ତତ୍ତ୍ୱ ଆଧାରରେ, RAG-to-RAG ମେଳଣ ସମସ୍ତ ସମ୍ବନ୍ଧୀୟ ଗ୍ରାଫଲେଟକୁ ମେଳ କରି କରାଯାଇଥାଏ । ଏକ ପ୍ରଭାବଶାଳୀ ଗ୍ରାଫଲେଟ୍ ମେଳ ପ୍ରକ୍ରିୟା ଆଡ଼କୁ, ଆମେ ବିଭିନ୍ନ ଆକାରର ଗ୍ରାଫଲେଟକୁ ସମାନ ଲମ୍ବ ବିଶିଷ୍ଟ ଭେକ୍ଟରରେ ସ୍ଥାନାନ୍ତର କରିବା ପାଇଁ ଏକ ବିବିଧ ଇମ୍ବେଡିଂ ଆଲଗୋରିଦମ ବିକଶିତ କରୁଛୁ ଏବଂ ଏହି ବୈଶିଷ୍ଟ୍ୟ ଭେକ୍ଟରଗୁଡ଼ିକୁ ଏକ କର୍ଣ୍ଣଲରେ ଆହୁରି ଏକୀକୃତ କରୁଛୁ । ଏହି କେରନେଲ ଏରୋ ଇମେଜ ଶ୍ରେଣୀ ଚିହ୍ନଟ ପାଇଁ ଏକ ଏସଭିଏମ [8] କ୍ଲାସିଫାୟରକୁ ପ୍ରଶିକ୍ଷଣ ଦେବା ପାଇଁ ବ୍ୟବହୃତ ହୁଏ । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳରୁ ଜଣାପଡିଛି ଯେ ଆମର ପଦ୍ଧତି ଅନେକ ଅତ୍ୟାଧୁନିକ ବସ୍ତୁ/ଦୃଶ୍ୟ ଚିହ୍ନଟ ମଡେଲକୁ ଅତିକ୍ରମ କରିପାରିଛି । |
b2dac341df54e5f744d5b6562d725d254aae8e80 | ଏହି ଅଧ୍ୟୟନରେ ଓପନ ହାର୍, ସର୍ବସାଧାରଣରେ ଉପଲବ୍ଧ ତଥ୍ୟକୁ ମିଶ୍ରଣ ଓ ଏକୀକରଣ କରିବା ପାଇଁ ଏକ ମାଗଣା ମାଟଲାବ୍ ଟୁଲବକ୍ସର ପରିଚୟ ଦିଆଯାଇଛି । ଏହା ଦଶଟି ସର୍ବସାଧାରଣରେ ଉପଲବ୍ଧ ମାନବ ଗତିବିଧି ତଥ୍ୟ ସେଟର ଆକ୍ସେଲେରୋମିଟର ସିଗନାଲ୍ କୁ ସହଜରେ ଆକ୍ସେସ କରିଥାଏ । ଡାଟା ସେଟକୁ ସହଜରେ ଆକ୍ସେସ କରାଯାଇପାରିବ କାରଣ ଓପନ ହାର୍ ସମସ୍ତ ଡାଟା ସେଟକୁ ସମାନ ଫର୍ମାଟରେ ଉପଲବ୍ଧ କରାଇଥାଏ । ଏହାବ୍ୟତୀତ, ଏକକ, ମାପିବା ପରିସର ଏବଂ ଲେବଲ୍ ସମନ୍ୱିତ, ଏବଂ ଶରୀରର ସ୍ଥିତି ID ମଧ୍ୟ । ଏହା ସହିତ ବିଭିନ୍ନ ନମୁନା ସଂଗ୍ରହ ହାର ଥିବା ତଥ୍ୟକୁ ଏକୀକୃତ କରାଯାଇ ନିମ୍ନ ନମୁନା ସଂଗ୍ରହ କରାଯାଇଥାଏ । ଏହାବ୍ୟତୀତ, ସେନସର ଭୁଲ ଦିଗରେ ରହିବା ଭଳି ଦୃଶ୍ୟମାନ ତ୍ରୁଟି ଖୋଜିବା ପାଇଁ ଡାଟା ସେଟଗୁଡ଼ିକୁ ଭିଜୁଆଲ ଯାଞ୍ଚ କରାଯାଇଛି । ଏହି ତ୍ରୁଟିଗୁଡ଼ିକୁ ଠିକ୍ କରି OpenHAR ତଥ୍ୟ ସେଟଗୁଡ଼ିକର ପୁନଃ ବ୍ୟବହାରକୁ ଉନ୍ନତ କରିଥାଏ । ମୋଟାମୋଟି ଭାବରେ ଓପନ ହାର୍ ରେ 65 ନିୟୁତରୁ ଅଧିକ ଲେବଲ୍ ହୋଇଥିବା ଡାଟା ନମୁନା ରହିଛି । ଏହା ୨୮୦ ଘଣ୍ଟାର ତଥ୍ୟ ସହିତ ସମାନ ଅଟେ ଯାହା ୩ଡି ଆକ୍ସେଲେରୋମିଟରରୁ ମିଳିଥାଏ । ଏଥିରେ 211 ଜଣ ଅଧ୍ୟୟନକାରୀ ସାମିଲ ଥିଲେ ଯେଉଁମାନେ 17ଟି ଦୈନନ୍ଦିନ ମାନବୀୟ କାର୍ଯ୍ୟକଳାପ କରୁଥିଲେ ଏବଂ 14ଟି ଭିନ୍ନ ଭିନ୍ନ ଶରୀର ସ୍ଥିତିରେ ସେନସର ପିନ୍ଧିଥିଲେ । |
7347b4601078bd52eec80d5de29f801890f82de3 | ଏକ କପଲ୍ଡ-ଗାଇସେଲ ବ୍ରଡବ୍ୟାଣ୍ଡ କମ୍ବିନେଟର/ଡିଭିଡର ପ୍ରସ୍ତାବିତ ଏବଂ ପ୍ରଦର୍ଶିତ ହୋଇଛି । ନୂତନ ଧାରଣାଟି ଡିଜାଇନରେ ଏକକ ସଂଯୁକ୍ତ ଲାଇନ ସେଗମେଣ୍ଟ ବ୍ୟବହାର ଉପରେ ନିର୍ଭର କରେ । ବ୍ୟାଣ୍ଡୱିଡ୍ତରେ ଉଲ୍ଲେଖନୀୟ ଉନ୍ନତି ହାସଲ କରାଯାଇଥାଏ, ଯେତେବେଳେ କି କମ୍ କ୍ଷତି, ଡିଜାଇନର ସହଜତା ଏବଂ ନମନୀୟତା ବଜାୟ ରଖାଯାଇଥାଏ । କପଲ୍ଡ-ଗାଇସେଲକୁ 2.5-8 GHz (105% ଫ୍ରାକ୍ଚୁଆଲ ବ୍ୟାଣ୍ଡୱିଡଥ୍) ଡିଭାଇଡର୍ ସହିତ 0.1 dB ଡିଭାଇଡର୍ କ୍ଷତି ଏବଂ 3.4-10.2 GHz (100% ଫ୍ରାକ୍ଚୁଆଲ ବ୍ୟାଣ୍ଡୱିଡଥ୍) ସହିତ 0.2 dB ଡିଭାଇଡର୍ କ୍ଷତି ସହିତ ପ୍ରଦର୍ଶିତ କରାଯାଇଛି । |
a05d984443d62575c097ad65b747aae859a5f8b0 | ପିଲାମାନଙ୍କର ମାନସିକ-ସାମାଜିକ ବିକାଶ ଉପରେ ଭିଡିଓ ଗେମ୍ ର ପ୍ରଭାବ ଉପରେ ବିତର୍କ ଜାରି ରହିଛି । ଦୁଇ ଥର, 1 ବର୍ଷ ବ୍ୟବଧାନରେ, 194 ଜଣ ପିଲା (7.27-11.43 ବର୍ଷ ବୟସ୍କ; ପୁରୁଷ = 98) ସେମାନଙ୍କ ଗେମିଂ ଫ୍ରିକ୍ୱେନ୍ସି, ଏବଂ ସେମାନଙ୍କ ହିଂସାତ୍ମକ ଭିଡିଓ ଗେମ୍ ଖେଳିବା, ଏବଂ ଖେଳିବା (ଏ) ସହଯୋଗୀ ଏବଂ (ବି) ପ୍ରତିଦ୍ୱନ୍ଦ୍ୱିତାମୂଳକ ଭାବରେ; ସେହିପରି, ପିତାମାତାମାନେ ସେମାନଙ୍କ ପିଲାମାନଙ୍କର ମାନସିକ ସ୍ୱାସ୍ଥ୍ୟ ବିଷୟରେ ରିପୋର୍ଟ କରିଛନ୍ତି । ସମୟାନୁବର୍ତ୍ତୀ ଖେଳ ଖେଳିବା ଦ୍ୱାରା ଭାବନାତ୍ମକ ସମସ୍ୟା ବୃଦ୍ଧି ପାଇଥାଏ । ହିଂସାତ୍ମକ ଗେମିଂ ମାନସିକ-ସାମାଜିକ ପରିବର୍ତ୍ତନ ସହିତ ଜଡିତ ନଥିଲା । ସମବାୟ ଖେଳ ସାମାଜିକ ବ୍ୟବହାରରେ ପରିବର୍ତ୍ତନ ସହିତ ଜଡିତ ନଥିଲା । ଶେଷରେ, ପ୍ରତିଯୋଗିତାମୂଳକ ଖେଳ ସାମାଜିକ ବ୍ୟବହାରରେ ହ୍ରାସ ସହିତ ଜଡିତ ଥିଲା, କିନ୍ତୁ କେବଳ ସେହି ପିଲାମାନଙ୍କ ମଧ୍ୟରେ ଯେଉଁମାନେ ଉଚ୍ଚ ଫ୍ରିକ୍ୱେନ୍ସି ସହିତ ଭିଡିଓ ଗେମ୍ ଖେଳୁଥିଲେ । ଏହିପରି ଭାବରେ, ଗେମିଂ ଫ୍ରିକ୍ୱେନ୍ସି ଅନ୍ତର୍ନିହିତ କିନ୍ତୁ ବାହ୍ୟିକରଣ, ଧ୍ୟାନ କିମ୍ବା ସହକର୍ମୀ ସମସ୍ୟା ବୃଦ୍ଧି ସହିତ ଜଡିତ ଥିଲା, ହିଂସାତ୍ମକ ଗେମିଂ ବାହ୍ୟିକରଣ ସମସ୍ୟା ବୃଦ୍ଧି ସହିତ ଜଡିତ ନଥିଲା, ଏବଂ ପିଲାମାନଙ୍କ ପାଇଁ ସପ୍ତାହରେ ପ୍ରାୟ 8 ଘଣ୍ଟା କିମ୍ବା ଅଧିକ ସମୟ ଖେଳିବା, ବାରମ୍ବାର ପ୍ରତିଯୋଗିତାମୂଳକ ଗେମିଂ ପ୍ରୋସୋସିଆଲ୍ ଆଚରଣ ହ୍ରାସ ପାଇଁ ଏକ ବିପଦ କାରଣ ହୋଇପାରେ । ଆମେ ଯୁକ୍ତି କରୁଛୁ ଯେ ନକଲ ଆବଶ୍ୟକ ଏବଂ ଭବିଷ୍ୟତ ଗବେଷଣା ଅଧିକ ନିବିଡ଼ ଏବଂ ସାଧାରଣ ଜ୍ଞାନ ପାଇଁ ବିଭିନ୍ନ ପ୍ରକାରର ଗେମିଂ ମଧ୍ୟରେ ଅଧିକ ଭଲ ଭାବରେ ଅନ୍ତର କରିବା ଉଚିତ । |
5a47e047d4d41b61204255e1b265d704b7f265f4 | ବିଗ୍ ଡାଟା ଶବ୍ଦଟି ଏବେ ସର୍ବବ୍ୟାପୀ ହୋଇଗଲାଣି । ଏକାଡେମୀ, ଉଦ୍ୟୋଗ ଏବଂ ଗଣମାଧ୍ୟମ ମଧ୍ୟରେ ଏକ ସାଧାରଣ ଉତ୍ପତ୍ତି ହେତୁ, ଏହାର କୌଣସି ଏକକ ଏକୀକୃତ ପରିଭାଷା ନାହିଁ ଏବଂ ବିଭିନ୍ନ ଅଂଶୀଦାରମାନେ ବିଭିନ୍ନ ଏବଂ ଅନେକ ସମୟରେ ବିରୋଧାଭାସୀ ପରିଭାଷା ପ୍ରଦାନ କରନ୍ତି । ଏକ ସୁସଂଗତ ପରିଭାଷାର ଅଭାବ ଦ୍ୱନ୍ଦ୍ୱ ସୃଷ୍ଟି କରିଥାଏ ଏବଂ ବିଗ୍ ଡାଟା ସମ୍ବନ୍ଧୀୟ ଆଲୋଚନାକୁ ବାଧାପ୍ରାପ୍ତ କରିଥାଏ । ଏହି ସଂକ୍ଷିପ୍ତ ଲେଖାରେ ବିଭିନ୍ନ ପରିଭାଷାକୁ ଏକତ୍ରିତ କରିବାର ପ୍ରୟାସ କରାଯାଇଛି ଯାହା କିଛି ମାତ୍ରାରେ ଲୋକପ୍ରିୟତା ହାସଲ କରିଛି ଏବଂ ଏକ ଅସ୍ପଷ୍ଟ ଶବ୍ଦର ସ୍ପଷ୍ଟ ଏବଂ ସଂକ୍ଷିପ୍ତ ପରିଭାଷା ପ୍ରଦାନ କରିଛି । |
7065e6b496af41bba16971246a02986f5e388860 | ସଂଗଠନଗତ ସାମର୍ଥ୍ୟର ପରିଚାଳନା ଏବଂ ଉନ୍ନତି ଅନେକ କମ୍ପାନୀ ପାଇଁ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଏବଂ ଜଟିଳ ବିଷୟ । ପରିଚାଳନାକୁ ସମର୍ଥନ କରିବା ଏବଂ ଉନ୍ନତିକୁ ସକ୍ଷମ କରିବା ପାଇଁ, ପ୍ରଦର୍ଶନ ମୂଲ୍ୟାଙ୍କନ ସାଧାରଣତଃ ବ୍ୟବହୃତ ହୁଏ । ସାଂଗଠନିକ ଦକ୍ଷତା ଆକଳନ କରିବାର ଏକ ଉପାୟ ହେଉଛି ପରିପକ୍ୱତା ଗ୍ରୀଡ୍ । ପରିପକ୍ୱତା ଗ୍ରୀଡର ସାଧାରଣ ଢାଞ୍ଚା ରହିପାରେ, କିନ୍ତୁ ଏହାର ବିଷୟବସ୍ତୁ ଭିନ୍ନ ହୋଇଥାଏ ଏବଂ ଅନେକ ସମୟରେ ଏହାକୁ ନୂତନ ଭାବେ ବିକଶିତ କରାଯାଇଥାଏ । ଏହି ଦସ୍ତାବିଜରେ ଉଭୟ ଏକ ରେଫରେନ୍ସ ପଏଣ୍ଟ ଏବଂ ପରିପକ୍ୱତା ଗ୍ରୀଡ ବିକଶିତ କରିବା ପାଇଁ ମାର୍ଗଦର୍ଶନ ଦିଆଯାଇଛି । ଏହା 24ଟି ପ୍ରଚଳିତ ପରିପକ୍ୱତା ଗ୍ରୀଡର ସମୀକ୍ଷା କରି ଏବଂ ସେଗୁଡ଼ିକର ବିକାଶ ପାଇଁ ରୋଡମ୍ୟାପ ପ୍ରସ୍ତାବ ଦେଇ ହାସଲ କରାଯାଇଥାଏ । ଏହି ସମୀକ୍ଷାରେ ବିଶେଷ ଭାବେ ସଂସ୍ଥାଗତ ପରିବର୍ତ୍ତନ ଉପରେ ଥିବା ପୂର୍ବାନୁମାନ ଉପରେ ଗୁରୁତ୍ୱ ଦିଆଯାଇଛି । ପ୍ରସ୍ତାବିତ ରୋଡମ୍ୟାପରେ ଚାରୋଟି ପର୍ଯ୍ୟାୟ ରହିଛି: ଯୋଜନା, ବିକାଶ, ମୂଲ୍ୟାୟନ ଏବଂ ରକ୍ଷଣାବେକ୍ଷଣ । ପ୍ରତ୍ୟେକ ପର୍ଯ୍ୟାୟରେ ବିକାଶ ପାଇଁ ନିର୍ଣ୍ଣୟ ନେବା ପାଇଁ ବିଭିନ୍ନ ପ୍ରସଙ୍ଗ ଉପରେ ଆଲୋଚନା କରାଯାଇଥାଏ, ଯେପରିକି ପ୍ରକ୍ରିୟା କ୍ଷେତ୍ରର ଚୟନ, ପରିପକ୍ୱତା ସ୍ତର ଏବଂ ବିତରଣ ବ୍ୟବସ୍ଥା । ଶିଳ୍ପ କ୍ଷେତ୍ରରେ ଏହି ରୋଡମ୍ୟାପର ଉପଯୋଗିତା ସମ୍ପର୍କରେ ଏକ ଉଦାହରଣ ଦିଆଗଲା । ଏହି ରୋଡମ୍ୟାପକୁ ବର୍ତ୍ତମାନର ଆଭିମୁଖ୍ୟର ମୂଲ୍ୟାଙ୍କନ ପାଇଁ ମଧ୍ୟ ବ୍ୟବହାର କରାଯାଇପାରିବ । ଏହି କାଗଜରେ ପରିଚାଳନା ପ୍ରଣାଳୀ ଏବଂ ଗବେଷଣା ପାଇଁ ଏହାର ପ୍ରଭାବ ବିଷୟରେ ଉଲ୍ଲେଖ କରାଯାଇଛି । |
5dd79167d714ff3907ffbba102b8e6fba49f053e | ଏହି କାଗଜରେ ଡିଜିଟାଲ ବେତାର ସଂଚାରରେ ଉଚ୍ଚ ବିଟ୍-ରେଟ୍ର ବ୍ୟାଣ୍ଡୱିଡ୍ଥ୍ ଦକ୍ଷ ବିତରଣର ଚୂଡ଼ାନ୍ତ ସୀମାର ମୌଳିକ ବୁଝାମଣାର ଆବଶ୍ୟକତା ରହିଛି ଏବଂ ଏହି ସୀମାର କିପରି ନିକଟତର ହୋଇପାରିବ ତାହା ମଧ୍ୟ ଦେଖିବା ଆରମ୍ଭ କରିବା ଆବଶ୍ୟକ । ଆମେ ମଲ୍ଟି ଏଲେମେଣ୍ଟ ଆରେ (ଏମଇଏ) ଟେକ୍ନୋଲୋଜିର ବ୍ୟବହାର ଉପରେ ବିଚାର କରୁଛୁ, ଯାହା କେତେକ ପ୍ରୟୋଗରେ ୱାୟାରଲେସ୍ କ୍ଷମତା ବୃଦ୍ଧି କରିବା ପାଇଁ ସ୍ପେସିଆଲ ଡାଇମେନ୍ସନ୍ (କେବଳ ସମୟର ଡାଇମେନ୍ସନ୍ ନୁହେଁ) କୁ ପ୍ରୋସେସ୍ କରୁଛି । ବିଶେଷକରି, ଆମେ କିଛି ମୌଳିକ ସୂଚନା ସିଦ୍ଧାନ୍ତର ଫଳାଫଳ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ୱାୟାରଲେସ୍ LAN ରେ MEAs ବ୍ୟବହାର କରିବାର ବଡ଼ ଲାଭ ଏବଂ ୱାୟାରଲେସ୍ ଯୋଗାଯୋଗ ଲିଙ୍କ୍ ନିର୍ମାଣ କରିବାର ନିର୍ମାଣର ପ୍ରତିଜ୍ଞା କରେ । ଆମେ ସେହି ମହତ୍ୱପୂର୍ଣ୍ଣ ଘଟଣାର ଅନୁଧ୍ୟାନ କରୁ ଯେଉଁଠି ଚ୍ୟାନେଲର ବୈଶିଷ୍ଟ୍ୟ ପ୍ରେରକ ପାଖରେ ଉପଲବ୍ଧ ନଥାଏ କିନ୍ତୁ ଗ୍ରହଣକର୍ତ୍ତା ସେହି ବୈଶିଷ୍ଟ୍ୟକୁ ଜାଣନ୍ତି (ଟ୍ରାକ କରନ୍ତି) ଯାହା ରେଲି ଫେଡିଙ୍ଗର ଅଧୀନରେ ଥାଏ । ମୋଟ ପ୍ରସାରିତ ଶକ୍ତିକୁ ସ୍ଥିର କରି ଆମେ MEA ଟେକ୍ନୋଲୋଜି ଦ୍ୱାରା ପ୍ରଦାନ କରାଯାଇଥିବା କ୍ଷମତାକୁ ପ୍ରକାଶ କରିଥାଉ ଏବଂ ଆମେ ଦେଖିଥାଉ ଯେ ଏସଏନଆର ବୃଦ୍ଧି ସହିତ ଏଣ୍ଟେନା ଏଲିମେଣ୍ଟର ଏକ ବୃହତ କିନ୍ତୁ ବ୍ୟବହାରିକ ସଂଖ୍ୟା ପାଇଁ ଉଭୟ ଟ୍ରାନ୍ସମିଟର ଏବଂ ରିସିଭରରେ କ୍ଷମତା କିପରି ବୃଦ୍ଧି ପାଇଥାଏ । ଆଣ୍ଟିନା ଉପାଦାନ ମଧ୍ୟରେ ଥିବା ସ୍ୱାଧୀନ ରେଲିହ୍ ଧ୍ୱଂସପଥକୁ ଆମେ ଅନୁସନ୍ଧାନ କରି ଜାଣିବାକୁ ପାଇଲୁ ଯେ ଉଚ୍ଚ ସମ୍ଭାବନା ସହିତ ଅସାଧାରଣ କ୍ଷମତା ଉପଲବ୍ଧ । ମୂଳ n = 1 ମାମଲାରେ, ଯାହା ଶାନନଙ୍କ କ୍ଲାସିକାଲ ଫର୍ମୁଲା ଅନୁସାରେ ସିଗନାଲ୍-ଟୁ-ନ୍ୟୁଜ୍ ରେସିଓ (SNR) ର ପ୍ରତି 3 dB ବୃଦ୍ଧି ପାଇଁ ଗୋଟିଏ ବିଟ୍/ସାଇକଲ୍ ଭାବରେ ସ୍କେଲ୍ ହୋଇଥାଏ, ଉଲ୍ଲେଖନୀୟ ଭାବରେ MEAs ସହିତ, ସ୍କେଲିଂ ପ୍ରାୟତଃ N ଅଧିକ ବିଟ୍/ସାଇକଲ୍ ପ୍ରତି 3 dB ବୃଦ୍ଧି ପାଇଁ SNR ପରି ଅଟେ । ଏହି କ୍ଷମତା କେତେ ବଡ଼ ତାହା ବୁଝାଇବା ପାଇଁ, ଏପରିକି ଛୋଟ n ପାଇଁ, n = 2, 4 ଏବଂ 16 ମାମଲାକୁ 21 dBର ହାରାହାରି ଗ୍ରହଣ SNR ସହିତ ନିଅନ୍ତୁ । 99%ରୁ ଅଧିକ ଚ୍ୟାନେଲ ପାଇଁ କ୍ଷମତା ଯଥାକ୍ରମେ 7, 19 ଏବଂ 88 ବିଟ୍/ଚକ୍ର ଅଟେ, ଯେତେବେଳେ n = 1 99% ସ୍ତରରେ କେବଳ 1.2 ବିଟ୍/ଚକ୍ର ଅଛି । ସିଗନାଲ୍ ନକ୍ଷତ୍ର ପାଇଁ ବିଟ୍/ସିଗନାଲ୍/ଆକାର ପ୍ରାସଙ୍ଗିକ ହୋଇଥିବାରୁ, ଚ୍ୟାନେଲ ବ୍ୟାଣ୍ଡ୍ ୱିଥ୍ ସହିତ ସମାନ ସିଗନାଲ୍ ହାର ପାଇଁ, ଏହି ଉଚ୍ଚ କ୍ଷମତା ଅଯୌକ୍ତିକ ନୁହେଁ । n = 4 ପାଇଁ 19 ବିଟ୍/ଚକ୍ର 4.75 ବିଟ୍/ପ୍ରତୀକ/ଆକାରର ହୋଇଥିବା ବେଳେ n = 16 ପାଇଁ 88 ବିଟ୍/ଚକ୍ର 5.5 ବିଟ୍/ପ୍ରତୀକ/ଆକାରର ହୋଇଥାଏ । ଚୟନ ଏବଂ ସର୍ବୋତ୍ତମ ମିଶ୍ରଣ ଭଳି ମାନକ ପଦ୍ଧତିଗୁଡିକର ଅଭାବ ଦେଖିବାକୁ ମିଳୁଛି ଯେତେବେଳେ ସେଗୁଡିକର ତୁଳନା ଶେଷରେ ଯାହା ସମ୍ଭବ ହେବ ତାହା ସହିତ କରାଯାଏ । ନୂତନ କୋଡେକର ଉଦ୍ଭାବନ କରାଯିବା ଆବଶ୍ୟକ ଯାହାଦ୍ୱାରା ପ୍ରତିଶ୍ରୁତି ଦିଆଯାଇଥିବା ବିଶାଳ କ୍ଷମତାର ଏକ ବଡ଼ ଅଂଶକୁ ବାସ୍ତବ ରୂପ ଦିଆଯାଇପାରିବ । |
4f911fe6ee5040e6e46e84a9f1e211153943cd9b |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.