_id
stringlengths 40
40
| text
stringlengths 0
9.6k
|
|---|---|
05378af0c67c59505067e2cbeb9ca29ed5f085e4 | ଆମେ ବଣ୍ଟନ ଆଧାରିତ, ବଣ୍ଟିତ ଟ୍ରାଫିକ ସୂଚନା ପ୍ରଣାଳୀରେ ପର୍ଯ୍ୟବେକ୍ଷଣର ଶ୍ରେଣୀଗତ ସମଷ୍ଟି ପାଇଁ ଏକ ଆଲଗୋରିଦମ ପ୍ରସ୍ତାବିତ କରୁଛୁ । ନିର୍ଦ୍ଦିଷ୍ଟ ମୂଲ୍ୟ (ଉଦାହରଣ ସ୍ୱରୂପ, ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଅଞ୍ଚଳରେ ମାଗଣା ପାର୍କିଂ ସ୍ଥାନର ସଂଖ୍ୟା) ପରିବହନ କରିବା ପରିବର୍ତ୍ତେ, ଆମର ସମୂହଗୁଡ଼ିକରେ ଏକ ସଂଶୋଧିତ ଫ୍ଲାଜୋଲେ-ମାର୍ଟିନ ସ୍କେଚ୍ ଏକ ସମ୍ଭାବ୍ୟତା ଅନୁମାନ ଭାବରେ ଅନ୍ତର୍ଭୁକ୍ତ _ ଏହି ପଦ୍ଧତିର ମୁଖ୍ୟ ଲାଭ ହେଉଛି ଯେ, ସମଷ୍ଟିଗତ ତଥ୍ୟ ଦ୍ୱିଗୁଣିତ ହେବା ପାଇଁ ସମ୍ବେଦନଶୀଳ ନୁହେଁ । ଏହାଦ୍ୱାରା ଭ୍ୟାନ୍ ଆପ୍ଲିକେସନ ପାଇଁ ବର୍ତ୍ତମାନର ଏଗ୍ରିଗେସନ ସ୍କିମର ଦୁଇଟି ପ୍ରମୁଖ ସମସ୍ୟା ଦୂର ହୋଇଛି । ପ୍ରଥମତଃ, ଯେତେବେଳେ ଗୋଟିଏ ଅଞ୍ଚଳ ପାଇଁ ଏକାଧିକ ପର୍ଯ୍ୟବେକ୍ଷଣ ତଥ୍ୟ ଉପଲବ୍ଧ ହୋଇଥାଏ, ସେତେବେଳେ ସେଗୁଡ଼ିକୁ ମିଶାଇ ଏକ ତଥ୍ୟ ସଂଗ୍ରହ କରାଯାଇପାରିବ ଯେଉଁଥିରେ ମୂଳ ତଥ୍ୟରୁ ସମସ୍ତ ତଥ୍ୟ ରହିଥିବ । ଏହି ପଦ୍ଧତିର ମୂଳତଃ ପ୍ରଚଳିତ ପଦ୍ଧତିଠାରୁ ଭିନ୍ନ, ଯେଉଁଠି ସାଧାରଣତଃ ଏକ ପ୍ରକାର ଗୋଳାବାରୁଦକୁ ପରବର୍ତ୍ତୀ ବ୍ୟବହାର ପାଇଁ ଚୟନ କରାଯାଇଥାଏ ଏବଂ ବାକିକୁ ନଷ୍ଟ କରାଯାଇଥାଏ । ଦ୍ୱିତୀୟତଃ, କୌଣସି ପର୍ଯ୍ୟବେକ୍ଷଣ ବା ସମଷ୍ଟିକୁ ଉଚ୍ଚସ୍ତରୀୟ ସମଷ୍ଟିରେ ଅନ୍ତର୍ଭୁକ୍ତ କରାଯାଇପାରିବ, ଏହା ପୂର୍ବରୁ ପ୍ରତ୍ୟକ୍ଷ ବା ପରୋକ୍ଷ ଭାବେ ଯୋଡ଼ି ହୋଇସାରିଛି କି ନାହିଁ, ତା ର କୌଣସି ଫରକ ପଡ଼େନାହିଁ । ଏହି କାରଣରୁ, ଏହି ପଥରର ଗୁଣବତ୍ତା ଉଚ୍ଚ ଅଟେ, ଏବଂ ଏହାର ନିର୍ମାଣ ଅତ୍ୟନ୍ତ ନମନୀୟ ଅଟେ । ଆମେ ଏକ ଅନୁକରଣ ଅଧ୍ୟୟନ ଦ୍ୱାରା ଆମର ଆଭିମୁଖ୍ୟର ଏହି ଲକ୍ଷଣଗୁଡିକୁ ପ୍ରଦର୍ଶନ କରିଛୁ । |
2f83d2294d44b44ad07d327635a34276abe1ec55 | ଏହି କାଗଜରେ ଏଣ୍ଟେନା ଡିଜାଇନକୁ ଏମସିଏମ-ଡି ବିନିର୍ମାଣ ଟେକ୍ନୋଲୋଜି ଉପରେ ଆଧାରିତ କରାଯାଇଛି ଯାହା ଆଇଇଇଇ 802.11 ବି/ଜି ଆପ୍ଲିକେସନ ପାଇଁ ଆଣ୍ଟେନା-ଇଣ୍ଟିଗ୍ରେଟେଡ ପ୍ୟାକେଜକୁ ବାସ୍ତବ ରୂପ ଦେବ । ଆଣ୍ଟିନା ଏବଂ ଆର୍ଏଫ୍ ମଡ୍ୟୁଲ୍ ଏକୀକରଣ ଦ୍ୱାରା ସୃଷ୍ଟି ହୋଇଥିବା ପରଜୀବୀ ପ୍ରଭାବକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରିବା ପାଇଁ ସହ-ନିର୍ମାଣ ନିର୍ଦ୍ଦେଶାବଳୀ ବ୍ୟବହାର କରାଯାଇଛି । ଏମସିଏମ-ଡି ସବଷ୍ଟ୍ରେଟର ଦ୍ୱିତୀୟ ସ୍ତରରେ ଲୁପ ଆଣ୍ଟିନା ଅବସ୍ଥିତ । ଆଣ୍ଟିନାରେ ଏକ କ୍ଷମତାର ଇନ୍ଧନ ଷ୍ଟ୍ରିପ୍ ରହିଛି, ଯାହାକୁ କୋପ୍ଲାନାର୍ ୱେଭ୍ ଗାଇଡ୍ (ସିପିଡବ୍ଲ୍ୟୁ) ଦ୍ୱାରା ସଞ୍ଚାରିତ କରାଯାଇଥାଏ । କପଲିଂ ଫିଡ କୌଶଳ ଦ୍ୱାରା, ପ୍ରସ୍ତାବିତ ଆଣ୍ଟେନାର ଆକାର ୱିଲିୟାନ୍ ବ୍ୟାଣ୍ଡ (୨.୪-୨.୪୮୪ ଗିଗାହର୍ଟସ୍) ରେ କେବଳ ୩.୮ ମିମି × ୪.୭ ମିମି ଅଟେ । ଏହା ବ୍ୟତୀତ, କପଲିଂ ଷ୍ଟ୍ରିପର ଲମ୍ବକୁ ଟ୍ୟୁନ କରି ରେଜୋନାନ୍ସ ଫ୍ରିକ୍ୱେନ୍ସିକୁ ସଜା ଯାଇପାରିବ । ଏହି ଫଳାଫଳରୁ ଜଣାପଡିଛି ଯେ କପଲିଂ-ଫେଡ୍ ଲୁପ୍ ଆଣ୍ଟେନା 1.6 dBiର ଲାଭ ଏବଂ 2.45 GHzରେ 85 ପ୍ରତିଶତର ବିକିରଣ ଦକ୍ଷତା ହାସଲ କରିଛି । ଏହାବ୍ୟତୀତ ପ୍ୟାକେଜ ଆଣ୍ଟେନର ମୋଟ କ୍ଷେତ୍ରଫଳ ତୁଳନାରେ ଆଣ୍ଟେନର କ୍ଷେତ୍ରଫଳ ବହୁତ ଛୋଟ (୪.୪%) । ତେଣୁ ପ୍ୟାକେଜ ଆଣ୍ଟେନର ଡିଜାଇନ ପାଇଁ ପ୍ରସ୍ତାବିତ ପଦ୍ଧତି ଅତ୍ୟନ୍ତ ଉପଯୋଗୀ । ବିସ୍ତୃତ ପାରାମିଟର ଅଧ୍ୟୟନ ଉପସ୍ଥାପିତ କରାଯାଇଛି, ଯାହା ପ୍ରସ୍ତାବିତ ପଦ୍ଧତିର କାର୍ଯ୍ୟକାରିତା ଦର୍ଶାଇଥାଏ । |
cf08bf7bcf3d3ec926d0cedf453e257e21cc398a | ସେମିକଣ୍ଡକ୍ଟର ଉଦ୍ୟୋଗରେ ଡିଭାଇସ ପରୀକ୍ଷଣ ହେଉଛି ଏକକ ଭାବେ ସବୁଠାରୁ ବଡ଼ ଉତ୍ପାଦନ ଖର୍ଚ୍ଚ, ଯାହାର ବାର୍ଷିକ ମୂଲ୍ୟ ୪୦ ମିଲିୟନ ଡଲାରରୁ ଅଧିକ । ଏହି ପ୍ରକାରର ସବୁଠାରୁ ବ୍ୟାପକ ଏବଂ ବ୍ୟାପକ ପୁସ୍ତକ, ଡିଜିଟାଲ ସିଷ୍ଟମର ପରୀକ୍ଷଣରେ ଆପଣ ଏହି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ବିଷୟ ବିଷୟରେ ଜାଣିବା ପାଇଁ ଆବଶ୍ୟକ କରୁଥିବା ସମସ୍ତ ବିଷୟ ଅନ୍ତର୍ଭୁକ୍ତ । ମୂଳରୁ ଆରମ୍ଭ କରି ଲେଖକମାନେ ପାଠକଙ୍କୁ ସ୍ୱୟଂଚାଳିତ ପରୀକ୍ଷା ପ୍ୟାଟର୍ନ ସୃଷ୍ଟି, ପରୀକ୍ଷଣ ପାଇଁ ଡିଜାଇନ୍ ଏବଂ ଡିଜିଟାଲ୍ ସର୍କିଟର ବିଲ୍ଟ-ଇନ୍ ସ୍ୱୟଂ-ପରୀକ୍ଷଣ ମାଧ୍ୟମରେ ନେଇଥାନ୍ତି । ଏହା ପରେ ଅଧିକ ଉନ୍ନତ ବିଷୟ ଯେପରିକି IDDQ ପରୀକ୍ଷା, କାର୍ଯ୍ୟକ୍ଷମ ପରୀକ୍ଷା, ବିଳମ୍ବିତ ତ୍ରୁଟି ପରୀକ୍ଷା, ସ୍ମୃତି ପରୀକ୍ଷା ଏବଂ ତ୍ରୁଟି ନିଦାନକୁ ଯାଇଥାଏ । ଏହି ପୁସ୍ତକରେ ବିଭିନ୍ନ ତ୍ରୁଟି ପାଇଁ ପରୀକ୍ଷଣ ସୃଷ୍ଟି, ସମନ୍ୱିତ ସର୍କିଟ ହିରାର୍କିର ବିଭିନ୍ନ ସ୍ତରରେ ପରୀକ୍ଷଣ କୌଶଳ ଉପରେ ଆଲୋଚନା ଏବଂ ସିଷ୍ଟମ-ଅନ୍-ଏ-ଚିପ୍ ପରୀକ୍ଷଣ ସଂଶ୍ଳେଷଣ ଉପରେ ଏକ ଅଧ୍ୟାୟ ସହିତ ଅତ୍ୟାଧୁନିକ କୌଶଳଗୁଡିକର ବିସ୍ତୃତ ବିବରଣୀ ରହିଛି । ଛାତ୍ର ଓ ଇଞ୍ଜିନିୟରମାନଙ୍କ ପାଇଁ ଲେଖା ଯାଇଥିବା ଏହି ପୁସ୍ତକଟି ଉଭୟ ଉଚ୍ଚସ୍ତରୀୟ ଓ ସ୍ନାତକ ସ୍ତରର ଏକ ଉତ୍କୃଷ୍ଟ ପାଠ୍ୟପୁସ୍ତକ ଓ ଏକ ମୂଲ୍ୟବାନ ସନ୍ଦର୍ଭ । |
44c3dac2957f379e7646986f593b9a7db59bd714 | |
5a4bb08d4750d27bd5a2ad0a993d144c4fb9586c | ନିକଟରେ ବ୍ୟାପକ ଭାବେ ପ୍ରଚାରିତ ହୋଇଥିବା ଡାଟା ଲିକ୍ ଶହ ଶହ ନିୟୁତ ଲୋକଙ୍କ ବ୍ୟକ୍ତିଗତ ତଥ୍ୟକୁ ଉନ୍ମୋଚନ କରିଛି । କେତେକ ରିପୋର୍ଟରେ ଉଲ୍ଲେଖ କରାଯାଇଛି ଯେ, ଡାଟା ଲିକ୍ ର ପରିମାଣ ଓ ବାରମ୍ବାରତା ଉଭୟ ବୃଦ୍ଧି ପାଇବାରେ ଲାଗିଛି । କିନ୍ତୁ, ସମସ୍ୟା କ ଣ ପ୍ରକୃତରେ ଅଧିକ ଖରାପ ହେଉଛି? ଏହି ପତ୍ରିକାରେ ଆମେ ଏକ ଲୋକପ୍ରିୟ ସାର୍ବଜନୀନ ଡାଟାସେଟର ଅଧ୍ୟୟନ କରି ଡାଟା ଲିକ୍ ର ଧାରାକୁ ଅନୁସନ୍ଧାନ କରିବା ପାଇଁ ବେୟସୀୟ ଜେନେରାଲାଇଜଡ ଲିନିୟର ମଡେଲ ବିକଶିତ କରିଛୁ । ଏହି ମଡେଲର ବିଶ୍ଳେଷଣରୁ ଜଣାପଡ଼ୁଛି ଯେ ଗତ ଦଶନ୍ଧିରେ ଡାଟା ଲିକ୍ ର ପରିମାଣ କିମ୍ବା ବାରମ୍ବାରତା ବୃଦ୍ଧି ପାଇନାହିଁ । ଆମେ ଜାଣିବାକୁ ପାଇଲୁ ଯେ ଯେଉଁ ବୃଦ୍ଧି ଦୃଷ୍ଟି ଆକର୍ଷଣ କରିଛି ତାହା ତଥ୍ୟର ଆଧାରରେ ଥିବା ଭାରୀ-ପଶ୍ଚାଡ଼ି ପରିସଂଖ୍ୟାନ ବଣ୍ଟନ ଦ୍ୱାରା ବ୍ୟାଖ୍ୟା କରାଯାଇପାରିବ । ବିଶେଷକରି, ଆମେ ଜାଣିବାକୁ ପାଇଲୁ ଯେ ଡାଟା ଲିକ୍ ଆକାରର ଲୋଗୋ-ନର୍ମାଲ୍ ବଣ୍ଟନ ହୋଇଛି ଏବଂ ଦୈନିକ ଲିକ୍ ଫ୍ରିକ୍ୱେନ୍ସିକୁ ନକାରାତ୍ମକ ବାଇନୋମିୟଲ୍ ବଣ୍ଟନ ଦ୍ୱାରା ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଏହି ବଣ୍ଟନଗୁଡ଼ିକ ଉଲଙ୍ଘନ ପାଇଁ ଦାୟୀ ଜେନେରେଟିଭ୍ ମେକାନିଜିମ୍ ବିଷୟରେ ସୂଚକ ପ୍ରଦାନ କରିପାରେ । ଏହା ସହିତ, ଆମର ମଡେଲ ଭବିଷ୍ୟତର ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଆକାରର ଉଲ୍ଲଂଘନ ସମ୍ଭାବନା ବିଷୟରେ ପୂର୍ବାନୁମାନ କରିଥାଏ । ଉଦାହରଣ ସ୍ୱରୂପ, ଆମେ ଜାଣିବାକୁ ପାଇଲୁ ଯେ, ଆସନ୍ତା ବର୍ଷ ଆମେରିକାରେ ୧୦ ମିଲିୟନ କିମ୍ବା ତା ଠାରୁ ଅଧିକ ରେକର୍ଡର ଉଲ୍ଲଂଘନ ହେବାର ସମ୍ଭାବନା ମାତ୍ର ୩୧ ପ୍ରତିଶତ । ଯେ କୌଣସି ଧାରା ହେଉ ନା କାହିଁକି, ଡାଟା ଲିକ୍ କରିବା ବ୍ୟୟବହୁଳ ହୋଇଥାଏ, ଏବଂ ଆମେ ଏହି ମଡେଲକୁ ଦୁଇଟି ଭିନ୍ନ ଭିନ୍ନ ମୂଲ୍ୟ ମଡେଲ ସହିତ ମିଶାଇ ପରବର୍ତ୍ତୀ ତିନି ବର୍ଷରେ ଲିକ୍ କରିବା ପାଇଁ ୫୫ ବିଲିୟନ ଡଲାର ପର୍ଯ୍ୟନ୍ତ ଖର୍ଚ୍ଚ ହୋଇପାରେ ବୋଲି ଆକଳନ କରିଛୁ । |
e8e2c3d884bba807bcf7fbfa2c27f864b20ceb80 | ଏହି ମେମୋ ଇଣ୍ଟରନେଟ ସମୁଦାୟ ପାଇଁ ସୂଚନା ପ୍ରଦାନ କରିଥାଏ । ଏହି ମେମୋ କୌଣସି ପ୍ରକାରର ଇଣ୍ଟରନେଟ ମାନକ ନିର୍ଦ୍ଦିଷ୍ଟ କରେ ନାହିଁ । ଏହି ମେମୋର ବିତରଣ ଅସୀମିତ ଅଟେ । ସାରାଂଶ ଏହି ଦସ୍ତାବିଜରେ HMAC, କ୍ରିପ୍ଟୋଗ୍ରାଫିକ ହ୍ୟାଶ ଫଙ୍କସନ ବ୍ୟବହାର କରି ମେସେଜ ପ୍ରମାଣୀକରଣ ପାଇଁ ଏକ ବ୍ୟବସ୍ଥା ବର୍ଣ୍ଣନା କରାଯାଇଛି । HMAC କୁ କୌଣସି ବି କ୍ରମିକ କ୍ରିପ୍ଟୋଗ୍ରାଫିକ ହ୍ୟାଶ ଫଙ୍କସନ ସହିତ ବ୍ୟବହାର କରାଯାଇପାରିବ, ଉଦାହରଣ ସ୍ୱରୂପ, MD5, SHA-1, ଏକ ଗୁପ୍ତ ସହଭାଗୀ ଚାବି ସହିତ ମିଶ୍ରଣରେ । HMACର କ୍ରିପ୍ଟୋଗ୍ରାଫିକ ଶକ୍ତି ମୂଳ ହ୍ୟାଶ ଫଙ୍କସନର ଗୁଣ ଉପରେ ନିର୍ଭର କରେ । |
f01d369becb42ff69d156d5e19d8af18dadacc6e | ୱାୟାରଲେସ୍ ସେନସର ନେଟୱାର୍କ (ଡବ୍ଲୁଏସଏନ) ର ବୃଦ୍ଧି ସହିତ ପ୍ରଭାବୀ ସୁରକ୍ଷା ବ୍ୟବସ୍ଥା ପାଇଁ ଆବଶ୍ୟକତା ମଧ୍ୟ ବୃଦ୍ଧି ପାଉଛି । ଯେହେତୁ ସେନସର ନେଟୱାର୍କ ସମ୍ବେଦନଶୀଳ ତଥ୍ୟ ସହିତ ଯୋଗାଯୋଗ କରିପାରିବ ଏବଂ/କିମ୍ବା ଶତ୍ରୁପକ୍ଷର ପରିବେଶରେ ବିନା ତଦାରଖରେ କାର୍ଯ୍ୟ କରିପାରିବ, ତେଣୁ ଏହି ସୁରକ୍ଷା ସମସ୍ୟାକୁ ସିଷ୍ଟମ ଡିଜାଇନର ଆରମ୍ଭରୁ ହିଁ ସମାଧାନ କରାଯିବା ଜରୁରୀ । ଏହି ଦସ୍ତାବିଜର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ୱେବ୍ ନେଟୱାର୍କରେ ତଥ୍ୟ ସଂଗ୍ରହ ଏବଂ ପ୍ରକ୍ରିୟାକରଣ ପାଇଁ ସୁରକ୍ଷା ସମାଧାନର ବର୍ଣ୍ଣନା କରିବା । ମଧ୍ୟମ ଓ ବୃହତ ଆକାରର ୱେବ୍ ନେଟୱର୍କ ପାଇଁ ପର୍ଯ୍ୟାପ୍ତ ସୁରକ୍ଷା କ୍ଷମତା ହାସଲ କରିବା ଏକ କଠିନ କିନ୍ତୁ ଆବଶ୍ୟକ ଲକ୍ଷ୍ୟ ଯାହା ଏହି ନେଟୱର୍କକୁ ବଜାର ପାଇଁ ପ୍ରସ୍ତୁତ କରିବ । ଏହି ଦସ୍ତାବିଜରେ ୱାଇଏସଏନଗୁଡ଼ିକର ମହାକାଶ ସୁରକ୍ଷା ସମାଧାନ ଏବଂ ବିଶ୍ୱସନୀୟତା ଆହ୍ୱାନର ଏକ ସମୀକ୍ଷା ରହିଛି । |
18f5593d6082b1ba3c02cf64d64eb9d969db3e6b | ଭେକ୍ଟର ସ୍ପେସ୍ ଶବ୍ଦ ପ୍ରତିନିଧିତ୍ୱ ଅନେକ ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ ପ୍ରୟୋଗ ପାଇଁ ଉପଯୋଗୀ ଅଟେ । ଭେକ୍ଟର ପ୍ରତିନିଧିତ୍ବକୁ ଗଣନା କରିବା ପାଇଁ ବିଭିନ୍ନ ପ୍ରକାର କୌଶଳ ଏବଂ ବହୁ ସଂଖ୍ୟକ ମୂଲ୍ୟାୟନ ମାନଦଣ୍ଡ ଉଭୟ ଗବେଷକମାନଙ୍କ ପାଇଁ ଏକ କ୍ଳାନ୍ତିକର କାର୍ଯ୍ୟ ଅଟେ । ଆମେ ଏକ ୱେବସାଇଟ ଏବଂ ଅଫଲାଇନ ଉପକରଣର ଏକ ସ୍ୟୁଟ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ମାନକ ଶବ୍ଦକୋଷୀୟ ଅର୍ଥଶାସ୍ତ୍ରର ମାନଦଣ୍ଡ ଉପରେ ଶବ୍ଦ ଭେକ୍ଟରଗୁଡ଼ିକର ମୂଲ୍ୟାଙ୍କନକୁ ସୁଗମ କରିଥାଏ ଏବଂ ସେମାନଙ୍କ ପ୍ରୟୋଗ ପାଇଁ ଭଲ ଭେକ୍ଟର ଖୋଜିବାକୁ ଚାହୁଁଥିବା ଉପଭୋକ୍ତାମାନଙ୍କ ଦ୍ୱାରା ଆଦାନପ୍ରଦାନ ଏବଂ ଅଭିଲେଖାଗାରକୁ ଅନୁମତି ଦେଇଥାଏ । ଏହି ବ୍ୟବସ୍ଥା www.wordvectors.orgରେ ଉପଲବ୍ଧ । |
cc383d9308c38e36d268b77bd6acee7bcd79fc10 | ବର୍ତ୍ତମାନର ଅଗ୍ରଗତି ଦ୍ୱାରା ସ୍ୱାସ୍ଥ୍ୟ ସେବା କ୍ଷେତ୍ରରେ ପରିବର୍ତ୍ତନ ଆଣିବା ପାଇଁ ଏକ ବଡ଼ ସମ୍ଭାବନା ରହିଛି । ସ୍ୱାସ୍ଥ୍ୟ ନିରୀକ୍ଷଣ ପାଇଁ ବ୍ୟବହୃତ ହେଉଥିବା ଏକ ସାଧାରଣ ପ୍ରଣାଳୀ ହେଉଛି ପିନ୍ଧିବା ଯୋଗ୍ୟ ବା ପ୍ରତିରୋପିତ ସେନସର ନେଟୱାର୍କ ଯାହାକି ଶାରୀରିକ ପରିମାପକଗୁଡ଼ିକୁ ନିରନ୍ତର ନିରୀକ୍ଷଣ କରିଥାଏ । ସଂଗୃହୀତ ତଥ୍ୟକୁ ବର୍ତ୍ତମାନର ବେତାର ସଂଚାର ପ୍ରୋଟୋକଲ ମାଧ୍ୟମରେ ଏକ ଆଧାର ଷ୍ଟେସନକୁ ପଠାଯାଇ ଅତିରିକ୍ତ ପ୍ରକ୍ରିୟାକରଣ କରାଯାଇଥାଏ । ଏହି ଲେଖାଟି ଗବେଷକମାନଙ୍କୁ ସୂଚନା ପ୍ରଦାନ କରୁଛି ଯାହା ଦ୍ବାରା ସେମାନେ ବର୍ତ୍ତମାନର କମ ଶକ୍ତି ସଂଚାର ପ୍ରଯୁକ୍ତିର ତୁଳନା କରିପାରିବେ ଯାହା ୱାଇବିଏନ ସିଷ୍ଟମର ଦ୍ରୁତ ବିକାଶ ଏବଂ ନିୟୋଜନକୁ ସମର୍ଥନ କରିପାରିବ । |
b3e326f56fd2e32f33fd5a8f3138c6633da25786 | ଏହି ଦସ୍ତାବିଜରେ ସ୍ୱୟଂକ୍ରିୟ ସଫେଇ ରୋବୋଟ ରୋବୋକିଙ୍ଗର ସିଷ୍ଟମ ଇଣ୍ଟିଗ୍ରେସନ ଏବଂ ସମୀକ୍ଷା ଉପସ୍ଥାପନ କରାଯିବ । ରୋବୋକିଂ ହେଉଛି ଏକ ସ୍ୱୟଂଚାଳିତ ସ୍ୱୟଂଚାଳିତ ଭ୍ୟାକ୍ୟୁମ ସଫା କରିବା ରୋବୋଟ । ସଫେଇ କାର୍ଯ୍ୟ କରିବା ସମୟରେ ଏହା ଘର ଭିତରେ ଥିବା ପରିବେଶ ଏବଂ ନିଜକୁ ସୁରକ୍ଷିତ ରଖିବା ପାଇଁ ଅନେକ ସେନ୍ସର ବ୍ୟବହାର କରିଥାଏ । ଏହି କାଗଜରେ ଆମେ ସିଷ୍ଟମ ସଂରଚନା, ସେନସର, ଫଙ୍କସନ ଏବଂ ଇଣ୍ଟିଗ୍ରେଟେଡ ସବସିଷ୍ଟମ ସହିତ ଏହାର କାର୍ଯ୍ୟର ସିଦ୍ଧାନ୍ତକୁ ବର୍ଣ୍ଣନା କରିବୁ । |
85b3cd74945cc6517aa3a7017f89d8857c3600da | ଶିକ୍ଷାର୍ଥୀମାନଙ୍କର ଭବିଷ୍ୟତ ପ୍ରଦର୍ଶନକୁ ସଠିକ ଭାବେ ଆକଳନ କରିବା ଅତ୍ୟନ୍ତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ, ଯାହାଫଳରେ ଶିକ୍ଷାର୍ଥୀମାନଙ୍କୁ ଶିକ୍ଷଣ ପ୍ରକ୍ରିୟାରେ ଉପଯୁକ୍ତ ସହାୟତା ମିଳିପାରିବ । ଏହି ଉଦ୍ଦେଶ୍ୟରେ, ଏହି ଗବେଷଣାର ଉଦ୍ଦେଶ୍ୟ ଥିଲା, କେତେକ ଚିହ୍ନଟ ହୋଇଥିବା ଗୁଣର ମୂଲ୍ୟ ଆଧାରରେ ଜଣେ ଶିକ୍ଷାର୍ଥୀଙ୍କ ପ୍ରଦର୍ଶନକୁ ଅନୁମାନ କରିବା ପାଇଁ ବେୟସୀୟ ନେଟୱାର୍କର ବ୍ୟବହାରକୁ ଅନୁସନ୍ଧାନ କରିବା । ଆମେ ଉଚ୍ଚ ବିଦ୍ୟାଳୟର ଛାତ୍ରମାନଙ୍କ ତଥ୍ୟ ସେଟ୍ ସହିତ ପ୍ରଦର୍ଶନ ପୂର୍ବାନୁମାନ ଉପରେ ଅନୁଭବୀ ପରୀକ୍ଷଣ ଉପସ୍ଥାପନ କରିଛୁ ଯେଉଁଥିରେ 8 ଟି ଗୁଣ ଅଛି । ଏହି ଅଧ୍ୟୟନରେ ଶିକ୍ଷା କ୍ଷେତ୍ରରେ ବେଜେସୀୟ ଦୃଷ୍ଟିକୋଣର ପ୍ରୟୋଗକୁ ପ୍ରଦର୍ଶିତ କରାଯାଇଛି ଏବଂ ଏହା ଦର୍ଶାଯାଇଛି ଯେ ବେଜେସୀୟ ନେଟୱାର୍କ ବର୍ଗୀକରଣକାରୀକୁ ଛାତ୍ରଙ୍କ ପ୍ରଦର୍ଶନକୁ ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ଏକ ଉପକରଣ ଭାବରେ ବ୍ୟବହାର କରିବାର କ୍ଷମତା ରହିଛି । |
86aa83ebab0f72ef84f8e6d62379c71c04cb6b68 | |
05e5e58edead6167befb089444d35fbd17b13414 | |
8c63d23cc29dc6221ed6bd0704fccc03baf20ebc | ସଂଳାପ ଓ କଥାବାର୍ତ୍ତା ପାଇଁ ଆପ୍ଲିକେସନଗୁଡ଼ିକର ବିସ୍ଫୋରଣ ଘଟିଛି, ଯାହା ଦିଗ ନିର୍ଦ୍ଧାରଣ ଓ ପର୍ଯ୍ୟଟକ ସୂଚନା ଠାରୁ ଆରମ୍ଭ କରି ଇଣ୍ଟରଆକ୍ଟିଭ୍ ଷ୍ଟୋରୀ ସିଷ୍ଟମ ପର୍ଯ୍ୟନ୍ତ ବ୍ୟାପିଛି । ତଥାପି, ଏହି ପ୍ରଣାଳୀଗୁଡ଼ିକର ପ୍ରାକୃତିକ ଭାଷା ସୃଷ୍ଟି (ଏନଏଲଜି) ଉପାଦାନ ମୁଖ୍ୟତଃ ହାତ ତିଆରି ହୋଇରହିଛି । ଏହି ସୀମିତତା ପ୍ରୟୋଗର ପରିସରକୁ ବହୁତ ସୀମିତ କରିଥାଏ; ଏହାର ଅର୍ଥ ହେଉଛି ଯେ, ଅଭିବ୍ୟକ୍ତି ଏବଂ ପରିସଂଖ୍ୟାନ ଭାଷାର ସୃଷ୍ଟିରେ ସାମ୍ପ୍ରତିକ କାର୍ଯ୍ୟର ଲାଭ ଉଠାଇବା ଅସମ୍ଭବ ଅଟେ ଯାହା ଗତିଶୀଳ ଏବଂ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଦିଆଯାଇଥିବା ବିଷୟବସ୍ତୁର ବହୁ ସଂଖ୍ୟକ ପରିବର୍ତ୍ତନ ସୃଷ୍ଟି କରିପାରିବ । ଆମେ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯେ ଏହି ସମସ୍ୟାର ସମାଧାନ ଭାଷା ସୃଷ୍ଟି ସମ୍ବଳ ବିକାଶର ନୂଆ ପଦ୍ଧତିରେ ରହିଛି । ଆମେ ES-TRANSLATORର ବର୍ଣ୍ଣନା କରୁଛୁ, ଏକ କମ୍ପ୍ୟୁଟେସନାଲ ଭାଷା ଜେନେରେଟର ଯାହା ପୂର୍ବରୁ କେବଳ କାହାଣୀ ଉପରେ ପ୍ରୟୋଗ କରାଯାଇଥିଲା, ଏବଂ ଇଷ୍ଟର ଡୋମେନ୍ ସ୍ୱାଧୀନତାକୁ ପରିମାଣିକ ଭାବରେ ମୂଲ୍ୟାଙ୍କନ କରି ୱେବ୍ଲଗ୍ ରୁ ବ୍ୟକ୍ତିଗତ ବର୍ଣ୍ଣନା ଉପରେ ପ୍ରୟୋଗ କରି । ତାପରେ ଆମେ ଭାଷା ସୃଷ୍ଟି ଉପରେ ସାମ୍ପ୍ରତିକ କାର୍ଯ୍ୟର ଲାଭ ଉଠାଇ କାହାଣୀ ସୃଷ୍ଟି ପାଇଁ ଏକ ପାରାମିଟରିଜଡ୍ ବାକ୍ୟ ଯୋଜନାକାରୀ ସୃଷ୍ଟି କରିଥାଉ ଯାହା ଏକୀକରଣ କାର୍ଯ୍ୟ, ବକ୍ତବ୍ୟରେ ପରିବର୍ତ୍ତନ ଏବଂ ଦୃଷ୍ଟିକୋଣ ପ୍ରଦାନ କରିଥାଏ । ଶେଷରେ, ଆମେ ବିଭିନ୍ନ ବ୍ୟକ୍ତିଗତ ବର୍ଣ୍ଣନାତ୍ମକ ପୁନଃ-କଥାଗୁଡ଼ିକର ଏକ ଉପଭୋକ୍ତା ମୂଲ୍ୟାଙ୍କନ ଉପସ୍ଥାପନ କରୁଛୁ । |
43dfdf71c82d7a61367e94ea927ef1c33d4ac17a | ସମ୍ବେଦନଶୀଳ ତଥ୍ୟର ଦ୍ରୁତ ବୃଦ୍ଧି ଏବଂ ଦୀର୍ଘକାଳୀନ ତଥ୍ୟ ସଂରକ୍ଷଣ ଏବଂ ସୁରକ୍ଷା ଆବଶ୍ୟକ କରୁଥିବା ସରକାରୀ ନିୟମର ସଂଖ୍ୟା ବୃଦ୍ଧି ପାଇବା ଫଳରେ ଉଦ୍ୟୋଗଗୁଡ଼ିକ ଷ୍ଟୋରେଜ୍ ସୁରକ୍ଷା ପ୍ରତି ଗମ୍ଭୀର ଧ୍ୟାନ ଦେବାକୁ ବାଧ୍ୟ ହୋଇଛନ୍ତି । ଏହି ଲେଖାରେ ଆମେ ଷ୍ଟୋରେଜ ସହ ଜଡ଼ିତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ସୁରକ୍ଷା ପ୍ରସଙ୍ଗ ଉପରେ ଆଲୋଚନା କରିବା ସହ ବର୍ତ୍ତମାନର ଷ୍ଟୋରେଜ ସିଷ୍ଟମ ଦ୍ୱାରା ପ୍ରଦାନ କରାଯାଉଥିବା ସୁରକ୍ଷା ସେବାର ଏକ ବ୍ୟାପକ ସମୀକ୍ଷା ଉପସ୍ଥାପନ କରୁଛୁ । ଆମେ ଷ୍ଟୋରେଜ୍ ସୁରକ୍ଷା ସାହିତ୍ୟର ଏକ ବ୍ୟାପକ ପରିସରକୁ କଭର କରୁ, ବର୍ତ୍ତମାନର ସମାଧାନର ଏକ ସମାଲୋଚନାତ୍ମକ ସମୀକ୍ଷା ଉପସ୍ଥାପନ କରୁ, ସେଗୁଡିକ ତୁଳନା କରୁ ଏବଂ ସମ୍ଭାବ୍ୟ ଅନୁସନ୍ଧାନ ପ୍ରସଙ୍ଗକୁ ଆଲୋକପାତ କରୁ । |
b594a248218121789e5073a90c31b261610478e0 | ଏହି କାଗଜରେ ଲିନିୟର ଲଘୁତମ ବର୍ଗର ସମସ୍ଯା ସମାଧାନ କରି ବୃହତ ଆକାରର SLAM ର ରଣନୀତି ଉପସ୍ଥାପନ କରାଯାଇଛି । ଏହି ଆଲଗୋରିଦମ ଉପମାପ ସଂଯୋଗ ଉପରେ ଆଧାରିତ ଯେଉଁଠାରେ ଉପମାପ ଗୁଡିକ କୌଣସି ବିଦ୍ୟମାନ SLAM କୌଶଳ ବ୍ୟବହାର କରି ନିର୍ମାଣ କରାଯାଇଥାଏ । ଏହା ଦର୍ଶାଯାଇଛି ଯେ ଯଦି ଉପମାପଗୁଡ଼ିକର ସମନ୍ୱୟ ଫ୍ରେମ୍ଗୁଡ଼ିକ ବିଚାରବିମର୍ଶରେ ମନୋନୀତ ହୁଏ, ଦୁଇଟି ଉପମାପକୁ ଯୋଡିବା ପାଇଁ ସର୍ବନିମ୍ନ ବର୍ଗର ଲକ୍ଷ୍ୟ ଫଳନଟି ସ୍ଥିତି ଭେକ୍ଟରର ଏକ ବର୍ଗୀୟ ଫଳନ ହୋଇଥାଏ । ତେଣୁ, ବଡ଼ ଆକାରର SLAM ପାଇଁ ଏକ ସରଳ ସମାଧାନ ଯାହା ଅନେକ ସ୍ଥାନୀୟ ଉପ-ମ୍ୟାପକୁ କ୍ରମିକ ଭାବରେ କିମ୍ବା ଅଧିକ ଦକ୍ଷ ଭାବରେ ବିଭାଜନ ଏବଂ ବିଜୟ ଉପାୟରେ ଯୋଗ କରିବା ଆବଶ୍ୟକ କରେ, ପ୍ରାପ୍ତ କରାଯାଇପାରିବ । ପ୍ରସ୍ତାବିତ ରେଖୀ SLAM କୌଶଳ ଦୁଇଟି ଏବଂ ତିନୋଟି ଆକାରରେ ଉଭୟ ବୈଶିଷ୍ଟ୍ୟ-ଆଧାରିତ ଏବଂ ସ୍ଥିତି ଗ୍ରାଫ୍ SLAM ପାଇଁ ପ୍ରଯୁଜ୍ୟ ଏବଂ କୋଭାରିଏନ୍ସ ମ୍ୟାଟ୍ରିକ୍ସର ଚରିତ୍ର ଉପରେ କୌଣସି ଅନୁମାନ କିମ୍ବା ସ୍ଥିତି ଭେକ୍ଟରର ପ୍ରାରମ୍ଭିକ ଅନୁମାନ ଆବଶ୍ୟକ କରେ ନାହିଁ । ଯଦିଓ ଏହି ଆଲଗୋରିଦମ ସର୍ବୋତ୍ତମ ପୂର୍ଣ୍ଣ ଅଣ-ଲିନୀୟର ସର୍ବନିମ୍ନ ବର୍ଗ SLAM ର ଏକ ଅନୁମାନ ଅଟେ, 2D ଏବଂ 3D ରେ ସର୍ବସାଧାରଣରେ ଉପଲବ୍ଧ ଡାଟାସେଟ ବ୍ୟବହାର କରି ସିମୁଲେସନ୍ ଏବଂ ପରୀକ୍ଷଣ ଦର୍ଶାଏ ଯେ ଲାଇନୀୟ SLAM ଫଳାଫଳଗୁଡିକ ସୃଷ୍ଟି କରେ ଯାହା ଏକ ସଠିକ୍ ପ୍ରାରମ୍ଭିକ ମୂଲ୍ୟରୁ ଆରମ୍ଭ ହୋଇଥିବା ପୂର୍ଣ୍ଣ ଅଣ-ଲିନୀୟର ଅପ୍ଟିମାଇଜେସନ୍ ବ୍ୟବହାର କରି ପ୍ରାପ୍ତ ହୋଇପାରିବ । ପ୍ରସ୍ତାବିତ ଆଲଗୋରିଦମ ପାଇଁ ସି/ସି++ ଏବଂ ମାଟଲାବ ସ୍ରୋତ କୋଡ OpenSLAMରେ ଉପଲବ୍ଧ । |
69ab8fe2bdc2b1ea63d86c7fd64142e5d3ed88ec | ଆମେ ସୂଚନା ଆବିଷ୍କାରର କ୍ଲାସିକାଲ ସମ୍ଭାବ୍ୟତା ମଡେଲ ଏବଂ ଉଦୀୟମାନ ଭାଷା ମଡେଲୀଂ ଆଭିମୁଖ୍ୟ ମଧ୍ୟରେ ସମ୍ପର୍କକୁ ଅନୁସନ୍ଧାନ କରୁଛୁ । ଏହା ଦୀର୍ଘ ଦିନ ଧରି ସ୍ୱୀକୃତ ହୋଇଆସିଛି ଯେ ଶାସ୍ତ୍ରୀୟ ମଡେଲର ପ୍ରଭାବଶାଳୀ କାର୍ଯ୍ୟକାରିତା ପାଇଁ ପ୍ରାଥମିକ ପ୍ରତିବନ୍ଧକ ହେଉଛି ଏକ ପ୍ରାସଙ୍ଗିକତା ମଡେଲର ଆକଳନ କରିବାର ଆବଶ୍ୟକତା: ପ୍ରାସଙ୍ଗିକ ଶ୍ରେଣୀରେ ଶବ୍ଦଗୁଡ଼ିକର ସମ୍ଭାବନା । ଆମେ ଏହି ସମ୍ଭାବନା ଗୁଡିକୁ ଆକଳନ କରିବା ପାଇଁ ଏକ ନୂଆ କୌଶଳ ପ୍ରସ୍ତାବିତ କରୁଛୁ । ଆମେ ଦେଖାଇଛୁ ଯେ ଆମର କୌଶଳ ଉଚ୍ଚ ସଠିକତା ସମ୍ପନ୍ନ ପ୍ରାସଙ୍ଗିକତା ମଡେଲ ସୃଷ୍ଟି କରିପାରିବ, ଯାହା ସମନ୍ୱୟ ଏବଂ ବହୁବଚନତାର ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଧାରଣାକୁ ସମାଧାନ କରିପାରିବ । ଆମର ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ, ପ୍ରାସଙ୍ଗିକତା ମଡେଲଗୁଡ଼ିକ TREC ପୁନରୁଦ୍ଧାର ଏବଂ TDT ଟ୍ରାକିଂ କାର୍ଯ୍ୟରେ ମୂଳ ଭାଷା ମଡେଲୀଂ ସିଷ୍ଟମଗୁଡ଼ିକଠାରୁ ଅଧିକ ଭଲ ପ୍ରଦର୍ଶନ କରୁଛନ୍ତି । ଏହି କାର୍ଯ୍ୟର ମୁଖ୍ୟ ଅବଦାନ ହେଉଛି କୌଣସି ପ୍ରଶିକ୍ଷଣ ତଥ୍ୟ ବିନା ଏକ ପ୍ରାସଙ୍ଗିକତା ମଡେଲର ଆକଳନ ପାଇଁ ଏକ ପ୍ରଭାବଶାଳୀ ଔପଚାରିକ ପଦ୍ଧତି । |
2a894be44d07a963c28893cc6f45d29fbfa872f7 | ମେସିନ ଲର୍ଣ୍ଣିଂ (ଏମ୍ଏଲ୍) ଆଲଗୋରିଦମ ସାଧାରଣତଃ ବିଗ୍ ଡାଟା ଉପରେ ପ୍ରୟୋଗ କରାଯାଏ, ବିତରିତ ସିଷ୍ଟମ ବ୍ୟବହାର କରି ଯାହା ମେସିନ୍ଗୁଡ଼ିକରେ ତଥ୍ୟକୁ ବିଭାଜନ କରେ ଏବଂ ପ୍ରତ୍ୟେକ ମେସିନ୍ କୁ ସମସ୍ତ ଏମ୍ଏଲ୍ ମଡେଲ ପାରାମିଟରକୁ ପ read ିବା ଏବଂ ଅପଡେଟ୍ କରିବାକୁ ଅନୁମତି ଦିଏ - ଏକ ରଣନୀତି ଯାହା ଡାଟା ସମାନ୍ତରାଳତା ଭାବରେ ଜଣାଶୁଣା _ ଏକ ବିକଳ୍ପ ଏବଂ ଅନୁପୂରକ ରଣନୀତି, ମଡେଲ ସମାନ୍ତରାଳତା, ଅଣ-ସାମାନ୍ୟ ସମାନ୍ତରାଳ ପ୍ରବେଶ ଏବଂ ଅଦ୍ୟତନ ପାଇଁ ମଡେଲ ପାରାମିଟରଗୁଡ଼ିକୁ ବିଭାଜନ କରେ, ଏବଂ ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ବାରମ୍ବାର ମଡେଲ ସମାନ୍ତରାଳତା ଦୁଇଟି ଆହ୍ୱାନ ଦ୍ୱାରା ପ୍ରେରିତ ହୋଇଥାଏ ଯାହା ଡାଟା-ସମାନ୍ତରାଳତା ସାଧାରଣତଃ ସମାଧାନ କରିନଥାଏ: (1) ପାରାମିଟରଗୁଡିକ ନିର୍ଭରଶୀଳ ହୋଇପାରେ, ତେଣୁ ଏକକାଳୀନ ଅପଡେଟ୍ ତ୍ରୁଟି ଆଣିପାରେ ଯାହା ଏକୀକରଣକୁ ମନ୍ଥର କରିଥାଏ କିମ୍ବା ଆଲଗୋରିଦମ ବିଫଳତା ମଧ୍ୟ ସୃଷ୍ଟି କରିଥାଏ; (2) ମଡେଲ ପାରାମିଟରଗୁଡିକ ଭିନ୍ନ ହାରରେ ଏକୀକରଣ କରିଥାଏ, ତେଣୁ ପାରାମିଟରଗୁଡିକର ଏକ ଛୋଟ ଉପସମୂହ ML ଆଲଗୋରିଦମ ସମାପନକୁ ବାଧାପ୍ରାପ୍ତ କରିପାରେ । ଆମେ ଯୋଜନାବଦ୍ଧ ମଡେଲ ସମାନ୍ତରାଳତା (SchMP) କୁ ପ୍ରସ୍ତାବ ଦେଉଛୁ, ଏକ ପ୍ରୋଗ୍ରାମିଂ ଆଭିମୁଖ୍ୟ ଯାହା ପାରାମିଟର ନିର୍ଭରଶୀଳତା ଏବଂ ଅସମାନ ସମ୍ମିଶ୍ରଣକୁ ଧ୍ୟାନରେ ରଖି ପାରାମିଟର ଅପଡେଟ୍ କୁ ଦକ୍ଷ ଭାବରେ ଯୋଜନା କରି ML ଆଲଗୋରିଦମ ସମ୍ମିଶ୍ରଣ ବେଗକୁ ଉନ୍ନତ କରିଥାଏ । ସ୍କାମକୁ ସ୍ତରରେ ସମର୍ଥନ କରିବା ପାଇଁ, ଆମେ ଏକ ବିତରିତ ଫ୍ରେମୱାର୍କ STRADS ବିକଶିତ କରିଥାଉ ଯାହା ସ୍କାମ ପ୍ରୋଗ୍ରାମର ଥ୍ରୋପୁଟକୁ ଅପ୍ଟିମାଇଜ୍ କରିଥାଏ, ଏବଂ ଚାରୋଟି ସାଧାରଣ ML ପ୍ରୟୋଗକୁ ସ୍କାମ ପ୍ରୋଗ୍ରାମ ଭାବରେ ଲେଖାଯାଇଥାଏଃ LDA ବିଷୟ ମଡେଲିଂ, ମ୍ୟାଟ୍ରିକ୍ସ ଫ୍ୟାକ୍ଟୋରିଜେଶନ, ବିରଳ ସର୍ବନିମ୍ନ-ସ୍କୋୟାର (ଲାସୋ) ରିଗ୍ରେସନ ଏବଂ ବିରଳ ଲଜିଷ୍ଟିକ୍ ରିଗ୍ରେସନ । ସ୍କାମପ ପ୍ରୋଗ୍ରାମିଂ ମାଧ୍ୟମରେ ଆଇଟେରେସନ୍ ପ୍ରତି ଏମଏଲ ପ୍ରଗତିକୁ ଉନ୍ନତ କରି ଆମେ ଦେଖାଉଛୁ ଯେ STRADS ଉପରେ ଚାଲୁଥିବା SchMP ପ୍ରୋଗ୍ରାମଗୁଡିକ ଅଣ-ମଡେଲ-ସମାନ ML କାର୍ଯ୍ୟାନ୍ୱୟନକୁ ଅତିକ୍ରମ କରିଥାଏ: ଉଦାହରଣ ସ୍ୱରୂପ, SchMP LDA ଏବଂ SchMP Lasso ଯଥାକ୍ରମେ 10x ଏବଂ 5x ଶୀଘ୍ର ସମ୍ମିଶ୍ରଣ ହାସଲ କରେ ଯାହା ନିକଟରେ, ଭଲ ଭାବରେ ପ୍ରତିଷ୍ଠିତ ଆଧାରରେ _ |
bdc6acc8d11b9ef1e8f0fe2f0f41ce7b6f6a100a | ପାରମ୍ପରିକ ଲେଖା ସମାନତା ମାପକ ପ୍ରତ୍ୟେକ ଶବ୍ଦକୁ କେବଳ ନିଜ ସହିତ ସମାନ ବୋଲି ବିଚାର କରେ ଏବଂ ଶବ୍ଦଗୁଡ଼ିକର ଅର୍ଥଗତ ସମ୍ବନ୍ଧକୁ ମଡେଲ୍ କରେ ନାହିଁ । ଆମେ ଏକ ନୂଆ ଭେଦଭାବ ପ୍ରଶିକ୍ଷଣ ପଦ୍ଧତିର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଅଶୋଧିତ ଶବ୍ଦ ଭେକ୍ଟରଗୁଡ଼ିକୁ ଏକ ସାଧାରଣ, ନିମ୍ନ-ଆକାରର ଭେକ୍ଟର ସ୍ପେସରେ ପ୍ରୋଜେକ୍ଟ କରିଥାଏ । ଆମର ଆଭିମୁଖ୍ୟ ପ୍ରୋଜେକ୍ଟ ଭେକ୍ଟରଗୁଡ଼ିକର ପୂର୍ବ-ନିର୍ଦ୍ଧାରିତ ସମାନତା ଫଙ୍କସନ (ଯଥା, କୋସିନସ୍) ର କ୍ଷୟକୁ ସର୍ବନିମ୍ନ କରିବା ପାଇଁ ସର୍ବୋତ୍ତମ ମ୍ୟାଟ୍ରିକ୍ସ ଖୋଜିବା ଦ୍ୱାରା କାର୍ଯ୍ୟ କରେ, ଏବଂ ଉଚ୍ଚ-ଆକାରର ସ୍ଥାନରେ ବହୁ ସଂଖ୍ୟକ ତାଲିମ ଉଦାହରଣକୁ ଦକ୍ଷତାର ସହିତ ପରିଚାଳନା କରିବାରେ ସକ୍ଷମ ହୋଇଥାଏ । ଦୁଇଟି ଭିନ୍ନ ଭିନ୍ନ କାର୍ଯ୍ୟ, କ୍ରସ-ଲିଙ୍ଗୁଏଜ୍ ଡକ୍ୟୁମେଣ୍ଟ ରିଟ୍ରିଭ୍ୟୁ ଏବଂ ଆଡ୍ରିଲେଟେବିଲିଟି ମାପ ଉପରେ ମୂଲ୍ୟାଙ୍କନ କରାଯାଇ, ଆମର ପଦ୍ଧତି କେବଳ ବର୍ତ୍ତମାନର ଅତ୍ୟାଧୁନିକ ପଦ୍ଧତିକୁ ଅତିକ୍ରମ କରିନାହିଁ, ବରଂ କମ୍ ଆକାରରେ ମଧ୍ୟ ଉଚ୍ଚ ସଠିକତା ହାସଲ କରିଛି ଏବଂ ତେଣୁ ଅଧିକ ଦକ୍ଷ । |
50988101501366324c11e9e7a199e88a9a899bec | |
b2e68ca577636aaa6f6241c3af7478a3ae1389a7 | ନର୍ସିଂ କ୍ଷେତ୍ରରେ ପରିବର୍ତ୍ତନକାରୀ ନେତୃତ୍ୱକୁ ବିଶ୍ଳେଷଣ କରିବା । ସ୍ୱାସ୍ଥ୍ୟ ସେବାରେ ସଂସ୍କାର ଆଣିବା ପାଇଁ ନର୍ସମାନଙ୍କ ରଣନୀତିର ଆବଶ୍ୟକତା ରହିଛି ଏବଂ ଏକ ଆଶାଜନକ ରଣନୀତି ହେଉଛି ପରିବର୍ତ୍ତନକାରୀ ନେତୃତ୍ୱ । ପରିବର୍ତ୍ତନଶୀଳ ନେତୃତ୍ୱ ଏବଂ ଏହାର ସମ୍ଭାବନାକୁ ଅଧିକ ବୁଝିବା ଏବଂ ଏହାର ଅନୁସନ୍ଧାନ କରିବା କାର୍ଯ୍ୟଦକ୍ଷତା ଉନ୍ନତି ଏବଂ ରୋଗୀ ସୁରକ୍ଷା ପାଇଁ ଏକ ଅବିଚ୍ଛେଦ୍ୟ ଅଙ୍ଗ । ୱାକର ଏବଂ ଆଭାଣ୍ଟ (୨୦୦୫) ଙ୍କ ଧାରଣା ବିଶ୍ଳେଷଣ ପଦ୍ଧତି ବ୍ୟବହାର କରି ଡିଜାଇନ ଧାରଣା ବିଶ୍ଳେଷଣ । ଡାଟା ସ୍ରୋତ: ପବମେଡ, ସିନାଲ ଏବଂ ସାଇକିଆନଫୋ । ଏହି ରିପୋର୍ଟରେ ପରିବର୍ତ୍ତନଶୀଳ ନେତୃତ୍ୱ, ପରିଚାଳନା ଏବଂ ନର୍ସିଂ ଉପରେ ଉପଲବ୍ଧ ସାହିତ୍ୟ ଉପରେ ଆଧାରିତ, ନର୍ସିଂ ପ୍ରସଙ୍ଗରେ ପରିବର୍ତ୍ତନଶୀଳ ନେତୃତ୍ୱର ଧାରଣାକୁ ପ୍ରଭାବଶାଳୀ ଭାବରେ ବିଶ୍ଳେଷଣ କରିବା ପାଇଁ । ନର୍ସିଂ କ୍ଷେତ୍ରରେ ଏହାର ପ୍ରଭାବ ଏହି ରିପୋର୍ଟରେ ପରିବର୍ତ୍ତନଶୀଳ ନେତୃତ୍ୱ ପାଇଁ ଏକ ନୂତନ କାର୍ଯ୍ୟକାରୀ ସଂଜ୍ଞା ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି ଏବଂ ନର୍ସିଂ ପରିଦୃଶ୍ୟରେ ନିର୍ଦ୍ଦିଷ୍ଟ ଆଦର୍ଶ ମାମଲା ଏବଂ ନିର୍ଦ୍ଦିଷ୍ଟ ଗୁଣଗୁଡିକ ଚିହ୍ନଟ କରାଯାଇଛି । ସଂଗଠନ ସଂସ୍କୃତି ଏବଂ ରୋଗୀ ପରିଣାମ ଉପରେ ପରିବର୍ତ୍ତନଶୀଳ ନେତୃତ୍ୱର ପ୍ରଭାବ ସ୍ପଷ୍ଟ । ବିଶେଷ ଭାବେ ଏହି ତଥ୍ୟରେ ରୁଚି ରହିଛି ଯେ ପରିବର୍ତ୍ତନକାରୀ ନେତୃତ୍ୱକୁ ଶିକ୍ଷଣୀୟ ଦକ୍ଷତାର ଏକ ସମୂହ ଭାବେ ପରିଭାଷିତ କରାଯାଇପାରେ । କିନ୍ତୁ, ପରିବର୍ତ୍ତନକାରୀ ନେତୃତ୍ୱ ରୋଗୀମାନଙ୍କ ଉପରେ କିପରି ପ୍ରଭାବ ପକାଇଥାଏ ତାହା ଅସ୍ପଷ୍ଟ ରହିଛି । ନର୍ସିଂରେ ପରିବର୍ତ୍ତନକାରୀ ନେତୃତ୍ୱ ଉଚ୍ଚ ପ୍ରଦର୍ଶନକାରୀ ଦଳ ଏବଂ ଉନ୍ନତ ରୋଗୀ ସେବା ସହିତ ଜଡିତ, କିନ୍ତୁ ଏହା କ୍ୱଚିତ୍ ଏକ ଦକ୍ଷତା ଭାବରେ ବିବେଚନା କରାଯାଏ ଯାହା ଶିକ୍ଷା ଦିଆଯାଇପାରିବ । ଏହା ସହିତ, ଅଧିକ ଗବେଷଣା ଅନୁଭୂତିଗତ ସନ୍ଦର୍ଭକୁ ସୁଦୃଢ଼ କରିବା ପାଇଁ ଆବଶ୍ୟକ; ଏହା କାର୍ଯ୍ୟକାରୀ ପରିଭାଷାରେ ଉନ୍ନତି କରି, ମୁଖ୍ୟ ନିର୍ମାଣରେ ଦ୍ୱନ୍ଦ୍ୱକୁ ହ୍ରାସ କରି ଏବଂ ଉପ-ମାପ ପଦକ୍ଷେପକୁ ବୈଧ କରିବା ପାଇଁ ପରିବର୍ତ୍ତନଶୀଳ ନେତୃତ୍ୱ ସ୍ୱାସ୍ଥ୍ୟସେବା ଫଳାଫଳକୁ ପ୍ରଭାବିତ କରୁଥିବା ନିର୍ଦ୍ଦିଷ୍ଟ ପ୍ରଣାଳୀଗୁଡିକ ଅନୁସନ୍ଧାନ କରି କରାଯାଇପାରିବ । |
bdcdc95ef36b003fce90e8686bfd292c342b0b57 | ମୂଲ୍ୟ ଅନୁକୂଳନ ପାଇଁ କେବଳ ଗୋଟିଏ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ବ୍ୟବହାର କରି କଞ୍ଚା ସେନ୍ସୋର ଡାଟାକୁ ସାଧାରଣ କରିବାରେ ରିଏନଫୋର୍ସମେଣ୍ଟ ଲର୍ଣ୍ଣିଂର ବହୁତ ସମ୍ଭାବନା ରହିଛି । ବର୍ତ୍ତମାନର ଅତ୍ୟାଧୁନିକ ରିଏନଫୋର୍ସମେଣ୍ଟ ଲର୍ଣ୍ଣିଂ ଆଲଗୋରିଦମରେ ଅନେକ ଆହ୍ୱାନ ରହିଛି ଯାହା ସେମାନଙ୍କୁ ଗ୍ଲୋବାଲ ଅପ୍ଟିମାମ ଆଡକୁ ଏକତ୍ରିତ ହେବାରୁ ଅଟକାଇଥାଏ । ଏହି ସମସ୍ୟାର ସମାଧାନ ସ୍ୱଳ୍ପ ଏବଂ ଦୀର୍ଘକାଳୀନ ଯୋଜନା, ଅନୁସନ୍ଧାନ ଏବଂ ରିଏନଫୋର୍ସମେଣ୍ଟ ଲର୍ଣ୍ଣିଂ ଆଲଗୋରିଦମ ପାଇଁ ସ୍ମୃତି ପରିଚାଳନାରେ ରହିଛି । ଖେଳଗୁଡ଼ିକ ସାଧାରଣତଃ ରିଏନଫୋର୍ସମେଣ୍ଟ ଲର୍ଣ୍ଣିଂ ଆଲଗୋରିଦମକୁ ବେଞ୍ଚମାର୍କ କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଏ କାରଣ ସେମାନେ ଏକ ନମନୀୟ, ପୁନଃ ଉତ୍ପାଦନଯୋଗ୍ୟ ଏବଂ ନିୟନ୍ତ୍ରଣ କରିବା ସହଜ ପରିବେଶ ପ୍ରଦାନ କରନ୍ତି । ଏହା ସତ୍ତ୍ୱେ, ଅଳ୍ପ କିଛି ଖେଳରେ ଏକ ରାଜ୍ୟ-ସ୍ଥାନ ଥାଏ ଯେଉଁଠାରେ ଅନୁସନ୍ଧାନ, ସ୍ମରଣ ଏବଂ ଯୋଜନାରେ ଫଳାଫଳ ସହଜରେ ଅନୁଭବ କରାଯାଇଥାଏ । ଏହି କାଗଜରେ ସ୍ବପ୍ନର ଭାରିଆସନାଲ ଅଟୋଏନକୋଡର (ଡିଭିଏଇ) ର ଉପସ୍ଥାପନା କରାଯାଇଛି । ଏହା ଏକ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଆଧାରିତ ଜେନେରେଟିଭ ମଡେଲିଂ ସ୍ଥାପତ୍ୟ ଯାହାକି କମ ରିଫାଇଡ ଥିବା ପରିବେଶରେ ଅନ୍ୱେଷଣ ପାଇଁ ଉଦ୍ଦିଷ୍ଟ । ଆମେ ଆହୁରି ମଧ୍ୟ ଉପସ୍ଥାପନ କରୁଛୁ ଗଭୀର ଭ୍ରମଣାଗାର, ଏକ ନୂତନ ଏବଂ ନମନୀୟ ଭ୍ରମଣାଗାର ଇଞ୍ଜିନ ଯାହା ଆଂଶିକ ଏବଂ ସମ୍ପୂର୍ଣ୍ଣ-ଅବଲୋକନୀୟ ରାଜ୍ୟ-ସ୍ଥାନରେ, ଦୀର୍ଘ-ସୂତ୍ରୀକ କାର୍ଯ୍ୟ ଏବଂ ନିର୍ଣ୍ଣାୟକ ଏବଂ ଷ୍ଟୋକାଷ୍ଟିକ୍ ସମସ୍ୟାଗୁଡିକରେ DVAE କୁ ଆହ୍ୱାନ କରେ । ଆମେ ପ୍ରାରମ୍ଭିକ ଫଳାଫଳକୁ ଦେଖାଉଛୁ ଏବଂ ଉତ୍ସାହଜନକ ଅନୁସନ୍ଧାନ ଦ୍ୱାରା ପରିଚାଳିତ ସୁଦୃଢ଼ ଶିକ୍ଷଣରେ ଅଧିକ କାର୍ଯ୍ୟକୁ ଉତ୍ସାହିତ କରୁଛୁ । |
7e5af1cf715305fc394b5d24fc1caf17643a9205 | ସୂଚନା ପ୍ରଯୁକ୍ତି (ଆଇଟି) ଏବଂ ସଂଗଠନ ମଧ୍ୟରେ ସମ୍ପର୍କର ପ୍ରକୃତି ସୂଚନା ପ୍ରଣାଳୀ ସାହିତ୍ୟରେ ଦୀର୍ଘ ଦିନ ଧରି ଏକ ବିତର୍କର ବିଷୟ ହୋଇଆସୁଛି । ଆଇଟି ସଂଗଠନକୁ ରୂପ ଦିଏ ନା ସଂଗଠନର ଲୋକ ଆଇଟି କିପରି ବ୍ୟବହାର କରାଯାଏ ତାହା ନିୟନ୍ତ୍ରଣ କରନ୍ତି? ପ୍ରଶ୍ନଟିକୁ ଟିକେ ଭିନ୍ନ ଭାବରେ କହିବା ପାଇଁ: କ ଣ ଏଜେନ୍ସି (ପରିବର୍ତ୍ତନ ଆଣିବାର କ୍ଷମତା) ମୁଖ୍ୟତଃ ମେସିନ୍ (କମ୍ପ୍ୟୁଟର ସିଷ୍ଟମ୍) କିମ୍ବା ମନୁଷ୍ୟ (ସଂଗଠନାତ୍ମକ ଅଭିନେତା) ଙ୍କ ପାଖରେ ରହିଛି ? ବୈଷୟିକ ଏବଂ ସାମାଜିକ ନିର୍ଣ୍ଣୟବାଦର ଚରମ ସୀମାରେଖା ମଧ୍ୟରେ ଏକ ମଧ୍ୟମ ରାସ୍ତା ପାଇଁ ଅନେକ ପ୍ରସ୍ତାବ ଆଗତ କରାଯାଇଛି; ନିକଟ ବର୍ଷରେ ସାମାଜିକ ସିଦ୍ଧାନ୍ତ ପ୍ରତି ଆକର୍ଷିତ ଗବେଷକମାନେ ଢାଞ୍ଚା ସିଦ୍ଧାନ୍ତ ଏବଂ (ନିକଟରେ) ଅଭିନେତା ନେଟୱାର୍କ ସିଦ୍ଧାନ୍ତ ଉପରେ ଧ୍ୟାନ ଦେଇଛନ୍ତି । କିନ୍ତୁ ଏହି ଦୁଇଟି ସିଦ୍ଧାନ୍ତରେ ଏଜେନ୍ସିର ଭିନ୍ନ ଭିନ୍ନ ଏବଂ ଅସଙ୍ଗତ ଦୃଷ୍ଟିକୋଣ ରହିଛି । ଏହିପରି ଭାବରେ, ସଂରଚନା ତତ୍ତ୍ବ ଏଜେନ୍ସିକୁ କେବଳ ମନୁଷ୍ୟର ଏକ ଗୁଣ ଭାବରେ ଦେଖେ, ଯେତେବେଳେ କି ଆକ୍ଟର ନେଟୱାର୍କ ତତ୍ତ୍ବରେ ସାଧାରଣ ସମୀକରଣର ସିଦ୍ଧାନ୍ତ ସୂଚାଇଥାଏ ଯେ ମେସିନ୍ ମଧ୍ୟ ଏଜେଣ୍ଟ ହୋଇପାରେ । ଉଭୟ ଢାଞ୍ଚାଗତ ତତ୍ତ୍ବ ଓ ଅଭିନେତା ନେଟୱର୍କ ତତ୍ତ୍ବକୁ ସମାଲୋଚନା କରି ଏହି ଲେଖାରେ ମନୁଷ୍ୟ ଓ ମେସିନ ଏଜେନ୍ସି ମଧ୍ୟରେ ଥିବା ପାରସ୍ପରିକ କ୍ରିୟାକଳାପର ଏକ ଥିଓରିଟିକାଲ ବିବରଣୀ ପ୍ରସ୍ତୁତ କରାଯାଇଛି: ଏଜେନ୍ସିର ଡବଲ ଡ୍ୟାନ୍ସ । ଏହି ରିପୋର୍ଟରେ ମାନବ ଓ ମେସିନ ଏଜେନ୍ସିର ଭିନ୍ନ ଚରିତ୍ର ଏବଂ ସେମାନଙ୍କ ମଧ୍ୟରେ ଥିବା ପାରସ୍ପରିକ ସମ୍ପର୍କର ଉଦୀୟମାନ ଗୁଣକୁ ସ୍ୱୀକାର କରି ଟେକ୍ନୋଲୋଜି ଓ ସଂଗଠନ ମଧ୍ୟରେ ଥିବା ସମ୍ପର୍କର ଥିଓରୀକରଣରେ ଯୋଗଦାନ କରିବାକୁ ଚେଷ୍ଟା କରାଯାଇଛି । |
d7cbedbee06293e78661335c7dd9059c70143a28 | ଆମେ ଏକ ଶ୍ରେଣୀର ଅତି ଦକ୍ଷ ସିଏନଏନ ମଡେଲ, ମୋବାଇଲ ଫେସ ନେଟ ଉପସ୍ଥାପନ କରୁଛୁ, ଯାହା ୧ ନିୟୁତରୁ କମ୍ ପାରାମିଟର ବ୍ୟବହାର କରିଥାଏ ଏବଂ ମୋବାଇଲ ଏବଂ ଏମ୍ବେଡଡ ଡିଭାଇସରେ ଉଚ୍ଚ ସଠିକତା ରିଅଲ ଟାଇମ ଚେହେରା ଯାଞ୍ଚ ପାଇଁ ବିଶେଷ ଭାବରେ ପ୍ରସ୍ତୁତ କରାଯାଇଛି । ଆମେ ପ୍ରଥମେ ସାଧାରଣ ମୋବାଇଲ ନେଟୱର୍କର ଦୁର୍ବଳତା ଉପରେ ଏକ ସରଳ ବିଶ୍ଳେଷଣ କରିବା ଯାହାଦ୍ୱାରା ଚେହେରା ଯାଞ୍ଚ କରାଯାଇପାରିବ । ଏହି ଦୁର୍ବଳତାକୁ ଆମର ବିଶେଷ ଭାବେ ଡିଜାଇନ କରାଯାଇଥିବା ମୋବାଇଲ ଫେସ ନେଟ୍ୱାର୍କ ଦ୍ୱାରା ଭଲ ଭାବେ ଦୂର କରାଯାଇଛି । ସେହି ସମାନ ପରୀକ୍ଷାମୂଳକ ପରିସ୍ଥିତିରେ, ଆମର ମୋବାଇଲଫେସ ନେଟସ ଯଥେଷ୍ଟ ଉନ୍ନତ ସଠିକତା ହାସଲ କରିବା ସହିତ ମୋବାଇଲ ନେଟ ଭି 2 ତୁଳନାରେ 2 ଗୁଣରୁ ଅଧିକ ପ୍ରକୃତ ସ୍ପିଡ ଅପ୍ ହାସଲ କରିଥାଏ । ଆର୍କଫେସ୍ କ୍ଷତି ଦ୍ୱାରା ପ୍ରଶିକ୍ଷିତ ହେବା ପରେ ଉନ୍ନତ ଏମ୍ଏସ୍-ସେଲେବ୍-୧ଏମ, ଆମର ୪.୦ଏମବି ଆକାରର ଏକକ ମୋବାଇଲ୍ ଫେସ୍ ନେଟ୍ ଏଲ୍ଏଫ୍ଡବ୍ଲ୍ୟୁରେ ୯୯.୫୫% ସଠିକତା ହାସଲ କରେ ଏବଂ ମେଗାଫେସ୍ରେ ୯୨.୫୯% ଟିଆର୍@ଫାର୧ଇ-୬, ଯାହା ଶହ ଶହ ଏମ୍ବି ଆକାରର ଅତ୍ୟାଧୁନିକ ବଡ ସିଏନ୍ଏନ୍ ମଡେଲ ସହିତ ମଧ୍ୟ ତୁଳନାଯୋଗ୍ୟ । ମୋବାଇଲ ଫେଶନେଟର ସବୁଠାରୁ ଦ୍ରୁତତମ ମୋବାଇଲ ଫୋନ ଉପରେ 18 ମିଲିସେକେଣ୍ଡର ବାସ୍ତବିକ ଅନୁମାନ ସମୟ ଅଛି । ଚେହେରା ଯାଞ୍ଚ ପାଇଁ ମୋବାଇଲ ଫେସ ନେଟ ପୂର୍ବବର୍ତ୍ତୀ ଅତ୍ୟାଧୁନିକ ମୋବାଇଲ ସିଏନଏନ ତୁଳନାରେ ଯଥେଷ୍ଟ ଉନ୍ନତ କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରିଥାଏ । |
44f18ef0800e276617e458bc21502947f35a7f94 | ମାର୍କର ଆଧାରିତ ଓ ମାର୍କର-ଲସ ଅପ୍ଟିକାଲ ସ୍କେଲେଟର ମୋଶନ କ୍ୟାପଚର ପଦ୍ଧତିରେ ଏକ ଦୃଶ୍ୟ ଚାରିପଟେ ଲଗାଯାଇଥିବା କ୍ୟାମେରାର ଏକ ବାହାର-ଭିତର ବ୍ୟବସ୍ଥା ବ୍ୟବହାର କରାଯାଏ, ଯେଉଁଥିରେ ଦୃଶ୍ୟପଟ କେନ୍ଦ୍ରରେ ଏକତ୍ରିତ ହୋଇଥାଏ । ସେମାନେ ଅଧିକାଂଶ ସମୟରେ ମାର୍କର ସୁଟ୍ ପିନ୍ଧି ଅଶାନ୍ତି ସୃଷ୍ଟି କରିଥାନ୍ତି, ଏବଂ ସେମାନଙ୍କର ରେକର୍ଡିଂର ପରିମାଣ ଅତ୍ୟନ୍ତ ସୀମିତ ହୋଇଥାଏ ଏବଂ ଅନେକ ସମୟରେ କଣ୍ଟ୍ରୋଲ ହୋଇଥିବା ବ୍ୟାକଗ୍ରାଉଣ୍ଡ ସହିତ ଇନଡୋର ଦୃଶ୍ୟରେ ସୀମିତ ରହିଥାନ୍ତି । ବିକଳ୍ପ ସୁଟ୍ ଆଧାରିତ ସିଷ୍ଟମ୍ ଅନେକ ଇନର୍ସିଆଲ୍ ମାପକ ୟୁନିଟ୍ କିମ୍ବା ଏକ୍ସୋସ୍କେଲେଟ୍ର ବ୍ୟବହାର କରେ ଯାହା ଭିତର-ସେଟ୍ ଅପ୍ ସହିତ ଗତି ଧରିବା ପାଇଁ, ଯଥାଃ ବିନା ବାହ୍ୟ ସେନସର ଏହାଦ୍ୱାରା କଏଦ କରିବା ଏକ ସୀମିତ ପରିମାଣର ସ୍ୱାଧୀନତା ହାସଲ କରିଥାଏ, କିନ୍ତୁ ଏହା ପାଇଁ ଯଥେଷ୍ଟ, ଅନେକ ସମୟରେ ପ୍ରତିବନ୍ଧକ, ଏବଂ ଶରୀରର ଉପକରଣ ସ୍ଥାପନ କରିବା କଷ୍ଟକର ହୋଇଥାଏ । ତେଣୁ, ଆମେ ଏକ ନୂଆ ପଦ୍ଧତିର ପ୍ରସ୍ତାବ ଦେଉଛୁ ରିଅଲ ଟାଇମ୍, ମାର୍କର-ଲସ୍, ଏବଂ ଇଗୋସେଣ୍ଟ୍ରିକ୍ ମୋଶନ୍ କ୍ୟାପଚର୍ ପାଇଁ: ହେଲମେଟ୍ କିମ୍ବା ଭର୍ଚୁଆଲ୍ ରିଆଲିଟି ହେଡସେଟ୍ ସହିତ ସଂଯୁକ୍ତ ଏକ ହାଲୁକା ଷ୍ଟେରିଓ ଯୋଡି ଫିଶ୍-ଆଇ କ୍ୟାମେରାରୁ ସମ୍ପୂର୍ଣ୍ଣ ଶରୀରର କଙ୍କାଳ ସ୍ଥିତି ଆକଳନ କରିବା - ଏକ ଅପ୍ଟିକାଲ୍ ଭିତର-ମାର୍ଗ, ତେଣୁ କହିବାକୁ ଗଲେ । ଏହାଦ୍ୱାରା ସାଧାରଣ ଭିତର ଓ ବାହାର ଦୃଶ୍ୟରେ ସମ୍ପୂର୍ଣ୍ଣ ଶରୀରର ଗତି ଧରାଯାଇପାରିବ, ଯେଉଁଥିରେ ନିକଟସ୍ଥ ଅନେକ ଲୋକଙ୍କ ସହିତ ଭିଡ଼ ଥିବା ଦୃଶ୍ୟ ଅନ୍ତର୍ଭୁକ୍ତ, ଯାହା ବୃହତ ଆକାରର କାର୍ଯ୍ୟକଳାପରେ ପୁନଃନିର୍ମାଣକୁ ସକ୍ଷମ କରିଥାଏ । ଆମର ଆଭିମୁଖ୍ୟ ଏକ ନୂତନ ଜେନେରେଟିଭ୍ ପୋଜ ଆକଳନ ଫ୍ରେମୱାର୍କର ଶକ୍ତିକୁ ମିଶାଇଥାଏ ଯାହା ମାଛ ଆଖି ଦୃଶ୍ୟ ପାଇଁ ଏକ କନ୍ଭ୍ ନେଟ୍ ଆଧାରିତ ଶରୀର-ଅଙ୍ଗ ଡିଟେକ୍ଟର ସହିତ ଏକ ବୃହତ ନୂତନ ଡାଟାସେଟ୍ ଉପରେ ତାଲିମପ୍ରାପ୍ତ ହୋଇଥାଏ । ଭର୍ଚୁଆଲ ରିଆଲିଟିରେ ଏହା ବିଶେଷ ଉପଯୋଗୀ ଅଟେ ଯେ ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ ମୋଶନ କ୍ୟାପଚର ହୋଇଥିବା ଭର୍ଚୁଆଲ ବଡିକୁ ଦେଖିବା ସମୟରେ, ମୁକ୍ତ ଭାବରେ ଭ୍ରମଣ କରିବା ଏବଂ ଇଣ୍ଟରଆକ୍ଟ କରିବା । |
094ca99cc94e38984823776158da738e5bc3963d | ଏହି ଲେଖାଟି ପୂର୍ବାନୁମାନ ପାଇଁ ବିଶେଷ ଭାବରେ ବ୍ୟବହୃତ ହେଉଥିବା ଏକ ଶ୍ରେଣୀର ବୃଦ୍ଧିଶୀଳ ଶିକ୍ଷଣ ପଦ୍ଧତିର ପରିଚୟ ଦେଇଥାଏ - ଅର୍ଥାତ୍, ଏହାର ଭବିଷ୍ୟତର ଆଚରଣକୁ ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ଏକ ଅସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ ଜଣାଶୁଣା ସିଷ୍ଟମ ସହିତ ଅତୀତର ଅଭିଜ୍ଞତାକୁ ବ୍ୟବହାର କରିବା ପାଇଁ । ପୂର୍ବାନୁମାନ-ଶିକ୍ଷଣ ପଦ୍ଧତିଗୁଡିକ ପୂର୍ବାନୁମାନ ଓ ବାସ୍ତବିକ ପରିଣାମ ମଧ୍ୟରେ ଥିବା ପାର୍ଥକ୍ୟକୁ ଆଧାର କରି କ୍ରେଡିଟ ପ୍ରଦାନ କରୁଥିବାବେଳେ ନୂତନ ପଦ୍ଧତିଗୁଡିକ କ୍ରେଡିଟକୁ ସମୟାନୁବର୍ତ୍ତୀ ପୂର୍ବାନୁମାନ ମଧ୍ୟରେ ଥିବା ପାର୍ଥକ୍ୟକୁ ଆଧାର କରି ପ୍ରଦାନ କରିଥାନ୍ତି । ଯଦିଓ ସାମୁଏଲଙ୍କ ଚେକର ପ୍ଲେୟାର, ହଲାଣ୍ଡଙ୍କ ବକେଟ୍ ବ୍ରିଗେଡ୍ ଏବଂ ଲେଖକଙ୍କ ଆଡାପ୍ଟିଭ୍ ହେଉରିଷ୍ଟିକ୍ କ୍ରିଟିକ୍ରେ ଏହିପରି କାଳ-ଭେଦ ପଦ୍ଧତି ବ୍ୟବହାର କରାଯାଇଛି, ସେଗୁଡିକ ଭଲ ଭାବରେ ବୁଝାଯାଇନାହିଁ । ଏଠାରେ ଆମେ ସେମାନଙ୍କର ସମନ୍ୱୟ ଏବଂ ବିଶେଷ ପରିସ୍ଥିତି ପାଇଁ ସର୍ବୋତ୍ତମତାକୁ ପ୍ରମାଣିତ କରୁଛୁ ଏବଂ ସେଗୁଡ଼ିକୁ ତଦାରଖ କରାଯାଇଥିବା ଶିକ୍ଷଣ ପଦ୍ଧତି ସହିତ ସଂଯୋଗ କରୁଛୁ । ଅଧିକାଂଶ ବାସ୍ତବିକ-ବିଶ୍ୱ ପୂର୍ବାନୁମାନ ସମସ୍ୟା ପାଇଁ, ପାରମ୍ପରିକ ପଦ୍ଧତି ଅପେକ୍ଷା ସମୟ-ବିକଳ ପଦ୍ଧତିଗୁଡିକ କମ୍ ସ୍ମୃତି ଏବଂ କମ୍ ଶିଖର ଗଣନା ଆବଶ୍ୟକ କରେ ଏବଂ ସେମାନେ ଅଧିକ ସଠିକ୍ ପୂର୍ବାନୁମାନ ସୃଷ୍ଟି କରନ୍ତି । ଆମେ ଯୁକ୍ତି କରୁଛୁ ଯେ ଅଧିକାଂଶ ସମସ୍ୟା ଯାହା ଉପରେ ତଦାରଖ କରାଯାଇଥିବା ଶିକ୍ଷଣ ବର୍ତ୍ତମାନ ପ୍ରୟୋଗ ହେଉଛି ତାହା ପ୍ରକୃତରେ ପୂର୍ବାନୁମାନ ସମସ୍ୟା ଅଟେ ଯାହା ଉପରେ ସମୟ-ବିକଳ ପଦ୍ଧତିଗୁଡିକ ଲାଭଦାୟକ ଭାବରେ ପ୍ରୟୋଗ କରାଯାଇପାରିବ । |
86955608218ab293d41b6d1c0bf9e1be97f571d8 | |
03aca587f27fda3cbdad708aa69c07fc71b691d7 | ସ୍ୱୟଂଚାଳିତ ଟିସୁ ଚରିତ୍ର ନିର୍ଣ୍ଣୟ ଇଣ୍ଟରଷ୍ଟାଇସିଆଲ ଫୁସଫୁସ ରୋଗ (ଆଇଏଲଡି) ପାଇଁ କମ୍ପ୍ୟୁଟର ସହାୟକ ନିଦାନ (ସିଏଡି) ପ୍ରଣାଳୀର ସବୁଠାରୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଉପାଦାନ ମଧ୍ୟରୁ ଗୋଟିଏ । ଏହି କ୍ଷେତ୍ରରେ ଅନେକ ଗବେଷଣା କରାଯାଇଥିଲେ ମଧ୍ୟ ଏହି ସମସ୍ୟା ଏବେ ବି ଏକ ଆହ୍ୱାନ ହୋଇ ରହିଛି । ନିକଟ ଅତୀତରେ କମ୍ପ୍ୟୁଟର ଭିଜନ ସମସ୍ୟା କ୍ଷେତ୍ରରେ ଡିପ୍ ଲର୍ଣ୍ଣିଂ କୌଶଳ ପ୍ରଭାବଶାଳୀ ଫଳାଫଳ ହାସଲ କରିଛି, ଯାହା ମେଡିକାଲ ଇମେଜ୍ ଆନାଲିସିସ୍ ଭଳି ଅନ୍ୟ କ୍ଷେତ୍ରରେ ପ୍ରୟୋଗ କରାଯାଇପାରିବ ବୋଲି ଆଶା କରାଯାଉଛି । ଏହି ଅଧ୍ୟୟନରେ, ଆମେ ILD ରୂପରେଖର ବର୍ଗୀକରଣ ପାଇଁ ଡିଜାଇନ୍ ହୋଇଥିବା ଏକ କଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କ (CNN) ର ପ୍ରସ୍ତାବ ଏବଂ ମୂଲ୍ୟାଙ୍କନ କରୁଛୁ । ପ୍ରସ୍ତାବିତ ନେଟୱର୍କରେ 5ଟି କଭୋଲ୍ୟୁସନଲ ଲେୟାର ରହିଛି ଯେଉଁଥିରେ 2 × 2 କେରନେଲ ଏବଂ ଲିକି ରିଲ୍ୟୁ ଆକ୍ଟିଭେସନ ରହିଛି । ଏହା ପରେ ହାରାହାରି ପୁଲିଂର ଆକାର ଚୂଡ଼ାନ୍ତ ଫିଚର ମ୍ୟାପର ଆକାର ସହିତ ସମାନ ଏବଂ ତିନୋଟି ଘନ ଲେୟାର ରହିଛି । ଶେଷ ଘନ ସ୍ତରରେ 7ଟି ଆଉଟପୁଟ୍ ରହିଛି, ଯାହା ବିଚାର କରାଯାଉଥିବା ଶ୍ରେଣୀ ସହିତ ସମାନ: ସୁସ୍ଥ, ଗ୍ରାଇଣ୍ଡ ଗ୍ଲାସ୍ ଅପାକ୍ଟିସିଟି (ଜିଜିଓ), ମାଇକ୍ରୋନଡୁଲସ୍, କନସୋଲିଡେସନ୍, ରେଟିକୁଲେସନ୍, ହନିକମ୍ବିଂ ଏବଂ ଜିଜିଓ/ରେଟିକୁଲେସନ୍ ର ମିଶ୍ରଣ । ସିଏନ୍ଏନ୍ କୁ ତାଲିମ ଦେବା ଏବଂ ମୂଲ୍ୟାୟନ କରିବା ପାଇଁ, ଆମେ ୧୪୬୯୬ଟି ଚିତ୍ରର ଡାଟାସେଟ ବ୍ୟବହାର କରିଥିଲୁ, ଯାହା ୧୨୦ଟି ସିଟି ସ୍କାନରୁ ବିଭିନ୍ନ ସ୍କାନର ଏବଂ ଡାକ୍ତରଖାନାରୁ ପ୍ରାପ୍ତ ହୋଇଥିଲା । ଆମର ଜ୍ଞାନ ଅନୁସାରେ, ଏହା ହେଉଛି ପ୍ରଥମ ଗଭୀର ସିଏନଏନ ନିର୍ଦ୍ଦିଷ୍ଟ ସମସ୍ୟା ପାଇଁ ଡିଜାଇନ କରାଯାଇଛି । ଏକ ତୁଳନାତ୍ମକ ବିଶ୍ଳେଷଣରେ ଏକ ଆହ୍ୱାନପୂର୍ଣ୍ଣ ତଥ୍ୟରେ ପୂର୍ବବର୍ତ୍ତୀ ପଦ୍ଧତିଗୁଡ଼ିକ ତୁଳନାରେ ପ୍ରସ୍ତାବିତ ସିଏନଏନର ପ୍ରଭାବକୁ ପ୍ରମାଣିତ କରାଯାଇଥିଲା । ବର୍ଗୀକରଣ କାର୍ଯ୍ୟଦକ୍ଷତା (~ 85.5%) ଫୁସଫୁସ ପଦ୍ଧତିର ବିଶ୍ଳେଷଣରେ ସିଏନଏନର କ୍ଷମତାକୁ ଦର୍ଶାଇଥିଲା । ଭବିଷ୍ୟତ କାର୍ଯ୍ୟରେ ସିଏନଏନକୁ ସିଟି ଭୋଲ୍ୟୁମ ସ୍କାନ ଦ୍ୱାରା ପ୍ରଦତ୍ତ ତ୍ରି-ଆକାର ତଥ୍ୟକୁ ବିସ୍ତାର କରିବା ଏବଂ ପ୍ରସ୍ତାବିତ ପଦ୍ଧତିକୁ ଏକ ସିଏଡି ସିଷ୍ଟମରେ ଏକୀକୃତ କରିବା ଅନ୍ତର୍ଭୁକ୍ତ ଯାହା ଆଇଏଲଡି ପାଇଁ ଭିନ୍ନ ନିଦାନ ପ୍ରଦାନ କରିବା ପାଇଁ ଲକ୍ଷ୍ୟ ରଖିଛି ଯାହା ରେଡିଓଲୋଜିଷ୍ଟମାନଙ୍କ ପାଇଁ ଏକ ସହାୟକ ଉପକରଣ ଅଟେ । |
e7ad8adbb447300ecafb4d00fb84efc3cf4996cf | ସଂଶ୍ଳେଷିତ ସମ୍ଭାବ୍ୟତା ପଦ୍ଧତି, ସଂକ୍ଷିପ୍ତ ପରିସଂଖ୍ୟାନ ପାଇଁ ପ୍ଲଗ-ଇନ ସାଧାରଣ ଘନତା ଆକଳନରୁ ଏକ ଆନୁମାନିକ ସମ୍ଭାବ୍ୟତା ଫଳନକୁ ପ୍ରାପ୍ତ କରିଥାଏ, ପ୍ଲଗ-ଇନ ମଝି ଏବଂ କୋଭାରିଏନ୍ସ ମାଟ୍ରିକ୍ସ ମଡେଲ୍ ରୁ ମଣ୍ଟେ କାର୍ଲୋ ସିମୁଲେସନ୍ ଦ୍ୱାରା ପ୍ରାପ୍ତ ହୋଇଥାଏ । ଏହି ଲେଖାରେ ଆମେ ମାର୍କୋଭ୍ ଚେନ୍ ମଣ୍ଟେ କାର୍ଲୋର ବିକଳ୍ପ ବିକଳ୍ପ ବିକଶିତ କରିଛୁ । ଆମର ଆଭିମୁଖ୍ୟ, ସାଂଗଠନିକ ସମ୍ଭାବନା ପରିପ୍ରେକ୍ଷୀରେ ପଶ୍ଚାତବର୍ତ୍ତୀ ଅନୁମାନ ପାଇଁ ଷ୍ଟୋକାଷ୍ଟିକ୍ ଗ୍ରାଡିଏଣ୍ଟ ଭେରିଏସନ୍ ଅନୁମାନ ପଦ୍ଧତି ବ୍ୟବହାର କରେ, ଲଗ୍ ସମ୍ଭାବନା ର ନିରପେକ୍ଷ ଆକଳନ ବ୍ୟବହାର କରେ । ଆମେ ଏହି ନୂଆ ପଦ୍ଧତିକୁ ସାହିତ୍ୟରେ ଥିବା ଏକ ସଂଶ୍ଳିଷ୍ଟ ସମ୍ଭାବ୍ୟତା ମୁକ୍ତ ଭାରିଆସନାଲ ଅନୁମାନ କୌଶଳ ସହିତ ତୁଳନା କରିଛୁ, ଯେତେବେଳେ କି ସେହି ସମୟରେ ସେହି ପଦ୍ଧତିର କାର୍ଯ୍ୟକାରିତାକୁ ଅନେକ ଉପାୟରେ ଉନ୍ନତ କରିଛୁ । ଏହି ନୂତନ ଆଲଗୋରିଦମଗୁଡ଼ିକର କାର୍ଯ୍ୟାନ୍ୱୟନ ଏପରି ପରିସ୍ଥିତିରେ ସମ୍ଭବ ଯାହା ପାରମ୍ପରିକ ଅନୁମାନିତ ବେଜେସୀୟ ଗଣନା (ଏବିସି) ପଦ୍ଧତି ପାଇଁ ପାରାମିଟରର ଆକାର ଏବଂ ସାରାଂଶିକ ପରିସଂଖ୍ୟାନ ଦୃଷ୍ଟିରୁ ଆହ୍ୱାନପୂର୍ଣ୍ଣ । ସଂଶ୍ଳେଷିତ ସମ୍ଭାବ୍ୟତା ଏକ ଆକର୍ଷଣୀୟ ଦୃଷ୍ଟିକୋଣ ଅଟେ ଯେତେବେଳେ ତଥ୍ୟ ପାଇଁ ଏକ ପ୍ରାୟ ଗୌସିୟାନ ସାରାଂଶ ପରିସଂଖ୍ୟାନ ଉପଲବ୍ଧ ଥାଏ, ଯାହା ପାରାମିଟର ବିଷୟରେ ଅନୁମାନ ପାଇଁ ସୂଚନା ପ୍ରଦାନ କରିଥାଏ । |
27a8f746f43876dbd1019235ad8e302ea838a499 | ମଲ୍ଟି ରୋଟର ଭଳି କ୍ଷୁଦ୍ର ଆକାଶ ଯାନଗୁଡିକ ଅଟୋମୋନିକ ମନିଟରିଂ, ନିରୀକ୍ଷଣ ଏବଂ ନିରୀକ୍ଷଣ ପାଇଁ ବିଶେଷ ଉପଯୁକ୍ତ, ଉଦାହରଣ ସ୍ୱରୂପ ଶିଳ୍ପ କାରଖାନାଗୁଡ଼ିକରେ ରକ୍ଷଣାବେକ୍ଷଣ ପାଇଁ । ସୀମିତ ପରିବେଶରେ ମାଇକ୍ରୋ ଏରୋନେଟିକ ଯାନର ସମ୍ପୂର୍ଣ୍ଣ ସ୍ୱୟଂଚାଳିତ ପରିଚାଳନା ପାଇଁ 3D ମ୍ୟାପିଂ, ରିଅଲ ଟାଇମ ପୋଜ ଟ୍ରାକିଂ, ବାଧକ ଚିହ୍ନଟ ଏବଂ ଧକ୍କା ମୁକ୍ତ ପଥ ଯୋଜନା କରିବା ପ୍ରମୁଖ ଆବଶ୍ୟକତା । ଏହି ଲେଖାରେ ଆମେ ଏକ ପୂର୍ଣ୍ଣ ନାଭିଗେସନ ସିଷ୍ଟମ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯେଉଁଥିରେ ଏକ ମଲ୍ଟିମୋଡାଲ ସେନସର ସେଟଅପ୍ ରହିଛି ଯାହା ସର୍ବଦିଗାନ୍ତକାରୀ ପରିବେଶକୁ ଅନୁଧ୍ୟାନ କରିଥାଏ । ଏକ 3D ଲେଜର ସ୍କାନର ଦ୍ୱାରା କରାଯାଇଥିବା ମାପଗୁଡ଼ିକ ଏକାଗ୍ରତା ଆଧାରିତ ସ୍ଥାନୀୟ ବହୁ-ବିଭେଦକତା ଗ୍ରୀଡ ମ୍ୟାପରେ ଏକତ୍ରିତ ହୋଇଥାଏ । ସ୍ଥାନୀୟ ମାନଚିତ୍ରକୁ ପଞ୍ଜିକୃତ କରାଯାଇଥାଏ ଏବଂ ଏଲୋସେଣ୍ଟ୍ରିକ ମାନଚିତ୍ରରେ ମିଶ୍ରଣ କରାଯାଇଥାଏ ଯେଉଁଥିରେ ଏମଏଭି ସ୍ଥାନିତ ହୋଇଥାଏ । ସ୍ୱୟଂଚାଳିତ ନୌପରିବହନ ପାଇଁ ଆମେ ବହୁସ୍ତରୀୟ ଆଭିମୁଖ୍ୟରେ ପଥ ପ୍ରସ୍ତୁତ କରିଥାଉ: ମିଶନ ଯୋଜନା ଠାରୁ ଆରମ୍ଭ କରି ବୈଶ୍ୱିକ ଏବଂ ସ୍ଥାନୀୟ ପଥ ଯୋଜନା ପର୍ଯ୍ୟନ୍ତ ପ୍ରତିକ୍ରିୟାଶୀଳ ବାଧାବିଘ୍ନ ଏଡ଼ାଇବା ପର୍ଯ୍ୟନ୍ତ । ଆମେ ଆମର ଆଭିମୁଖ୍ୟକୁ ଏକ ଜିଏନଏସଏସ-ଅସମର୍ଥିତ ଆଭ୍ୟନ୍ତରୀଣ ପରିବେଶରେ ମୂଲ୍ୟାଙ୍କନ କରୁଛୁ ଯେଉଁଠାରେ ଏକାଧିକ ଧକ୍କା ବିପଦଗୁଡିକ ବିଶ୍ୱସ୍ତ ସର୍ବଦିଗଦର୍ଶୀ ଧାରଣ ଏବଂ ଦ୍ରୁତ ଦିଗନିର୍ଦ୍ଦେଶ ପ୍ରତିକ୍ରିୟା ଆବଶ୍ୟକ କରେ । |
e80d9d10956310d4ea926c2105c74de766c22345 | ଏହି କାଗଜରେ ଡିଜିଟାଲ ଆରେ ରାଡାରର ସ୍ଥାପତ୍ୟ ଏବଂ ବିଶ୍ଳେଷଣ କରାଯାଇଛି । ଡିଜିଟାଲ ଟି/ଆର ମଡ୍ୟୁଲ, ଡିଡିଏସ ଆଧାରିତ ୱେଭଫର୍ମ ଜେନେରେସନ ଏବଂ ଆମ୍ପ୍ଲିଟ୍ୟୁଡ-ଫେଜ କଣ୍ଟ୍ରୋଲ ମଡ୍ୟୁଲ, ଫ୍ରିକ୍ୱେନ୍ସି ଅପ/ଡାଉନ କନଭର୍ଟର, ଉଚ୍ଚ ଦକ୍ଷତା ବିଶିଷ୍ଟ ପାୱାର ଆମ୍ପ୍ଲିଫାୟର, ହାଇବ୍ରିଡ ଡିଜିଟାଲ/ମାଇକ୍ରୋୱେଭ୍ ମଲ୍ଟିଲେୟାର୍ ସର୍କିଟ ଏବଂ ଉଚ୍ଚ କ୍ଷମତା ସମ୍ପନ୍ନ କମ୍ପ୍ୟୁଟିଂକୁ ପ୍ରମୁଖ ପ୍ରଯୁକ୍ତି ଭାବେ ବର୍ଣ୍ଣନା କରାଯାଇଛି । ମାଇକ୍ରୋ ସିଷ୍ଟମ ପ୍ରଯୁକ୍ତି ଏବଂ ଡିଜିଟାଲ ଆରେ ଆର୍କିଟେକଚର ମଧ୍ୟରେ ଥିବା ସମ୍ପର୍କ ଉପରେ ମଧ୍ୟ ଆଲୋଚନା କରାଯାଇଛି । |
6f6e10b229a5a9eca2a2f694143632191d4c5e0c | ଚାଳକମାନଙ୍କ ଥକାପଣର ସ୍ତରକୁ ଚିହ୍ନଟ କରିବା ଏବଂ ତଦାରଖ କରିବା ପାଇଁ ବୈଷୟିକ ଉପାୟଗୁଡ଼ିକ ବିକଶିତ ହେଉଛି ଏବଂ ଅନେକ ବର୍ତ୍ତମାନ ବିକାଶ, ବୈଧତା ପରୀକ୍ଷଣ କିମ୍ବା ପ୍ରାରମ୍ଭିକ କାର୍ଯ୍ୟକାରିତା ପର୍ଯ୍ୟାୟରେ ଅଛି । ପୂର୍ବରୁ କରାଯାଇଥିବା ଅଧ୍ୟୟନରେ ଉପଲବ୍ଧ ଥକ୍କା ଚିହ୍ନଟ ଓ ପୂର୍ବାନୁମାନ ପ୍ରଯୁକ୍ତି ଓ ପଦ୍ଧତିର ସମୀକ୍ଷା କରାଯାଇଥିଲା । ଏହି ପ୍ରକଳ୍ପର ନାମରୁ ହିଁ ଜଣାପଡ଼ୁଛି ଯେ ଏହା ସଡ଼କ ଦୁର୍ଘଟଣାକୁ ଏଡ଼ାଇବା ପାଇଁ କାରକୁ ଅଧିକ ବୁଦ୍ଧିମାନ ଓ ପାରସ୍ପରିକ କ୍ରିୟାଶୀଳ କରିବା ପାଇଁ ଅତ୍ୟାଧୁନିକ ପ୍ରଯୁକ୍ତି ଉପରେ ପର୍ଯ୍ୟବସିତ । ARM7 ବ୍ୟବହାର କରି ଏହି ବ୍ୟବସ୍ଥା ଅଧିକ ଦକ୍ଷ, ବିଶ୍ୱସନୀୟ ଏବଂ ପ୍ରଭାବଶାଳୀ ହୋଇଯାଏ । କାରରେ କିମ୍ବା କାର ସହିତ ମାନବ ଆଚରଣ ଚିହ୍ନଟ ପାଇଁ ବହୁତ କମ୍ ସିଷ୍ଟମ କାର୍ଯ୍ୟକାରୀ କରାଯାଇଛି । ଏହି ଲେଖାରେ ଆମେ ଏକ ଅନଲାଇନ ସୁରକ୍ଷା ପ୍ରୋଟୋଟାଇପ ବିଷୟରେ ବର୍ଣ୍ଣନା କରୁଛୁ ଯାହା ଚାଳକ ଥକାପଣରେ ଯାନର ବେଗକୁ ନିୟନ୍ତ୍ରଣ କରିଥାଏ । ଏହି ମଡେଲର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଡ୍ରାଇଭରଙ୍କଠାରେ ଥକାପଣର ଲକ୍ଷଣକୁ ଚିହ୍ନଟ କରିବା ଏବଂ ଦୁର୍ଘଟଣାକୁ ଏଡ଼ାଇବା ପାଇଁ ଯାନର ଗତିକୁ ନିୟନ୍ତ୍ରଣ କରିବା ପାଇଁ ଏକ ବ୍ୟବସ୍ଥାକୁ ଅଗ୍ରଗତି କରିବା । ଏହି ବ୍ୟବସ୍ଥାର ମୁଖ୍ୟ ଉପାଦାନଗୁଡ଼ିକ ହେଉଛି ଗ୍ୟାସ, ଆଖି ଝାପସା, ମଦ, ଇନ୍ଧନ, ପ୍ରଭାବ ସେନସର ଭଳି ଅନେକ ବାସ୍ତବ ସମୟ ସେନସର ଏବଂ ଅବସ୍ଥାନ ପାଇଁ ଜିପିଏସ ଏବଂ ଗୁଗୁଲ ମ୍ୟାପ୍ସ ଏପିଆଇ ସହିତ ଏକ ସଫ୍ଟୱେୟାର ଇଣ୍ଟରଫେସ । |
593bdaa21941dda0b8c888ee88bbe730c4219ad6 | ତଥ୍ୟ ଖନନର ଏକ ଅଭିନ୍ନ ଅଙ୍ଗ ହେଉଛି ଆଉଟଲିୟର ଚିହ୍ନଟ ଏବଂ ଏହା ନିକଟରେ ଅଧିକ ଧ୍ୟାନ ଆକର୍ଷଣ କରିଛି [BKNS00, JTH01, KNT00] । ଏହି ଲେଖାରେ ଆମେ ଏକ ନୂଆ ପଦ୍ଧତିର ପ୍ରସ୍ତାବ ଦେଉଛୁ, ଯାହାକୁ ଆମେ ଲୋକାଲ କୋରେଲେସନ ଇଣ୍ଟିଗ୍ରେଟଲ (LOCI) ବୋଲି କହୁଛୁ । ପୂର୍ବବର୍ତ୍ତୀ ଶ୍ରେଷ୍ଠ ପଦ୍ଧତିଗୁଡ଼ିକ ଭଳି, LOCI ଅତି ପ୍ରଭାବଶାଳୀ ଅଟେ, ଯାହାକି ଅସାମାନ୍ୟ ଓ ଅସାମାନ୍ୟର ଗୋଷ୍ଠୀକୁ ଚିହ୍ନଟ କରିବାରେ ସାହାଯ୍ୟ କରେ (ଅନ୍ୟ ନାମ ମାଇକ୍ରୋ-କ୍ଲଷ୍ଟର) । ଏହା ବ୍ୟତୀତ, ଏହା ନିମ୍ନଲିଖିତ ସୁବିଧା ଏବଂ ନୂତନତ୍ୱ ପ୍ରଦାନ କରେ: (a) ଏହା ଏକ ସ୍ୱୟଂଚାଳିତ, ତଥ୍ୟ-ନିର୍ଦ୍ଧାରିତ କଟଅଫ୍ ପ୍ରଦାନ କରେ ଯାହା ଏକ ବିନ୍ଦୁ ଏକ ବର୍ଦ୍ଧିତ-ବିପରୀତ କି ନୁହେଁ ତାହା ନିର୍ଣ୍ଣୟ କରେ - ବିପରୀତ ଭାବରେ, ପୂର୍ବବର୍ତ୍ତୀ ପଦ୍ଧତିଗୁଡିକ ଉପଭୋକ୍ତାମାନଙ୍କୁ କଟଅଫ୍ ବାଛିବାକୁ ବାଧ୍ୟ କରେ, କୌଣସି ନିର୍ଦ୍ଦିଷ୍ଟ ଡାଟାସେଟ୍ ପାଇଁ କଟଅଫ୍ ମୂଲ୍ୟ କ ଣ ସର୍ବୋତ୍ତମ ତାହା ବିଷୟରେ କ any ଣସି ଟିପ୍ପଣୀ ବିନା _ (b) ଏହା ପ୍ରତ୍ୟେକ ବିନ୍ଦୁ ପାଇଁ ଏକ LOCI ଗ୍ରାଫ ପ୍ରଦାନ କରିପାରିବ; ଏହି ଗ୍ରାଫରେ ବିନ୍ଦୁର ଆଖପାଖରେ ଥିବା ତଥ୍ୟ ବିଷୟରେ ଅନେକ ସୂଚନାକୁ ସାରାଂଶିତ କରାଯାଇଥାଏ, ଯାହାଦ୍ୱାରା କ୍ଲଷ୍ଟର, ମାଇକ୍ରୋ କ୍ଲଷ୍ଟର, ସେମାନଙ୍କର ବ୍ୟାସ ଏବଂ ସେମାନଙ୍କ ମଧ୍ୟରେ ଦୂରତା ନିର୍ଣ୍ଣୟ କରାଯାଇଥାଏ । ବର୍ତ୍ତମାନର କୌଣସି ବିଚ୍ୟୁତ-ଜାଣିବା ପଦ୍ଧତି ଏହି ବୈଶିଷ୍ଟ୍ୟ ସହିତ ମେଳ ଖାଇ ପାରିବ ନାହିଁ, କାରଣ ସେମାନେ ପ୍ରତ୍ୟେକ ବିନ୍ଦୁ ପାଇଁ କେବଳ ଗୋଟିଏ ସଂଖ୍ୟା ବାହାର କରନ୍ତି: ଏହାର ବିଚ୍ୟୁତତା ସ୍କୋର । (ଗ) ଆମର LOCI ପଦ୍ଧତି ପୂର୍ବବର୍ତ୍ତୀ ଶ୍ରେଷ୍ଠ ପଦ୍ଧତି ଭଳି ଶୀଘ୍ର ଗଣନା କରାଯାଇପାରିବ । (d) ଆହୁରି ମଧ୍ୟ, LOCI ଏକ ପ୍ରାୟତଃ ରେଖାପଥୀ ଆନୁମାନିକ ପଦ୍ଧତି, aLOCI (ଆନୁମାନିକ LOCI ପାଇଁ) କୁ ନେଇଥାଏ, ଯାହା ଦ୍ରୁତ ଏବଂ ଅତ୍ୟନ୍ତ ସଠିକ ବିବର୍ତ୍ତନ ଚିହ୍ନଟ ପ୍ରଦାନ କରିଥାଏ । ଆମର ଜ୍ଞାନ ଅନୁସାରେ, ଏହା ହେଉଛି ପ୍ରଥମ କାର୍ଯ୍ୟ ଯାହା ପାଖାପାଖି ଗଣନା ବ୍ୟବହାର କରି ବର୍ଦ୍ଧିତ ପରିମାଣର ଚିହ୍ନଟକୁ ତ୍ୱରାନ୍ୱିତ କରିଥାଏ । ସିନ୍ଥେଟିକ୍ ଏବଂ ବାସ୍ତବିକ ତଥ୍ୟ ସେଟ୍ ଉପରେ ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ LOCI ଏବଂ aLOCI ସ୍ୱୟଂଚାଳିତ ଭାବରେ ବର୍ଦ୍ଧିତ ଏବଂ ମାଇକ୍ରୋ-କ୍ଲଷ୍ଟର ଚିହ୍ନଟ କରିପାରିବ, ବ୍ୟବହାରକାରୀଙ୍କ ଆବଶ୍ୟକ କଟ୍-ଅଫ୍ ବିନା, ଏବଂ ସେମାନେ ଶୀଘ୍ର ଉଭୟ ଆଶା କରାଯାଉଥିବା ଏବଂ ଅପ୍ରତ୍ୟାଶିତ ବର୍ଦ୍ଧିତ ଚିହ୍ନଟ କରନ୍ତି _ |
c1cfb9b530daae4dbb89f96a9bff415536aa7e4b | ଶୈଳୀ ସ୍ଥାନାନ୍ତରଣର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ମନଇଚ୍ଛା ଦୃଶ୍ୟ ଶୈଳୀକୁ ବିଷୟବସ୍ତୁ ପ୍ରତିଛବିରେ ସ୍ଥାନାନ୍ତର କରିବା । ଆମେ ଦୁଇଟି କାଗଜରୁ ଅନୁକୂଳିତ ଆଲଗୋରିଦମକୁ ଅନୁସନ୍ଧାନ କରୁଛୁ ଯାହା ଅଦୃଶ୍ୟ ଶୈଳୀ କିମ୍ବା ବିକୃତ ଭିଜୁଆଲ୍ ଗୁଣବତ୍ତା ଉପରେ ସାଧାରଣକରଣ କରିବାବେଳେ ଶୈଳୀ ସ୍ଥାନାନ୍ତର ସମସ୍ୟାର ସମାଧାନ କରିବାକୁ ଚେଷ୍ଟା କରେ _ ଅଧିକାଂଶ ଉନ୍ନତି ରିଅଲ-ଟାଇମ୍ ଷ୍ଟାଇଲ୍ ଟ୍ରାନ୍ସଫର ପାଇଁ ଆଲଗୋରିଦମକୁ ଅପ୍ଟିମାଇଜ୍ କରିବା ଉପରେ ଧ୍ୟାନ ଦେଇଥାଏ, ଯେତେବେଳେ ନୂତନ ଷ୍ଟାଇଲ୍ ସହିତ ଅନୁକୂଳ ହୋଇଥାଏ ଯଥେଷ୍ଟ କମ୍ ସମ୍ବଳ ଏବଂ ପ୍ରତିବନ୍ଧକ ସହିତ _ ଆମେ ଏହି ରଣନୀତିକୁ ତୁଳନା କରିଥାଉ ଏବଂ ତୁଳନା କରିଥାଉ ଯେ ସେମାନେ କିପରି ଦୃଶ୍ୟମାନ ଆକର୍ଷଣୀୟ ଚିତ୍ର ସୃଷ୍ଟି କରନ୍ତି । ଆମେ ଷ୍ଟାଇଲ ଟ୍ରାନ୍ସଫର ପାଇଁ ଦୁଇଟି ଉପାୟ ଅନୁସନ୍ଧାନ କରୁ: ଉନ୍ନତି ସହିତ ନ୍ୟୁରାଲ ଷ୍ଟାଇଲ ଟ୍ରାନ୍ସଫର ଏବଂ ୟୁନିଭର୍ସାଲ ଷ୍ଟାଇଲ ଟ୍ରାନ୍ସଫର । ଆମେ ମଧ୍ୟ ବିଭିନ୍ନ ଚିତ୍ରର ତୁଳନା କରିଥାଉ ଏବଂ ସେଗୁଡ଼ିକର ଗୁଣାତ୍ମକ ମାପ କିପରି କରାଯାଇପାରିବ ତାହା ମଧ୍ୟ ଦେଖୁ । |
1d2a3436fc7ff4b964fa61c0789df19e32ddf0ed | ଯେହେତୁ ଏହି କାଗଜରେ "ଅବିସ୍ମରଣୀୟ ସ୍ଥାନାନ୍ତରଣ"ର ଧାରଣାକୁ ଆଗେଇ ନିଆଯାଇଛି ଏବଂ ଏହା ଏକ ଜଣାଶୁଣା ଏବଂ ବାରମ୍ବାର ଉଦ୍ଧୃତ କାଗଜ ଅଟେ, ମୁଁ ଅନୁଭବ କଲି ଯେ ମୁଁ ହସ୍ତଲିଖନକୁ ଟାଇପ୍ କରିବା ଉଚିତ୍, ଏବଂ ଏଠାରେ ଫଳାଫଳ ଅଛି । ଟାଇପିଂ କରିବା ସମୟରେ ମୁଁ ମୂଳ ଲେଖା ସହିତ ଯଥାସମ୍ଭବ ଖାପ ଖୁଆଇବାକୁ ଚେଷ୍ଟା କଲି । କିନ୍ତୁ କିଛି କ୍ଷେତ୍ରରେ, ଯେପରିକି କିଛି ଟାଇପିଂ କିମ୍ବା ବିନ୍ଦୁ ଚିହ୍ନ, ଯାହାକୁ ପରିବର୍ତ୍ତନ କରାଯାଇଥିଲା । କ୍ରିପ୍ଟୋଗ୍ରାଫି ଉପରେ ଅନେକ ଲେଖାରେ ଆଲିସ୍ ଓ ବବ୍ ଦିଆଯାଇଥିବା କ୍ରିପ୍ଟୋଗ୍ରାଫି ପ୍ରୋଟୋକଲର ଅଂଶଗ୍ରହଣକାରୀ ଭୂମିକାରେ ଅଭିନୟ କରନ୍ତି । ପଠନୀୟତା ଦୃଷ୍ଟିରୁ ଆଲିସ୍ଙ୍କ ଏବଂ ବବ୍ଙ୍କ ବାର୍ତ୍ତା ଯଥାକ୍ରମେ ଲାଲ ଏବଂ ନୀଳ ରଙ୍ଗର କାଳିରେ ଛପା ଯାଇଥିଲା । ଏହି କାମକୁ ମୋର ସହକର୍ମୀ ୟେ.ସୋବଦେଲ ([email protected]) ଧ୍ୟାନର ସହ ପରଖିଲେ । ଏହା ସହିତ ଏଚ.ଏମ୍. ମୋଗାଡମ୍ଙ୍କୁ ମଧ୍ୟ ଧନ୍ୟବାଦ ଜଣାଉଛି ଯେ ସେ ପୂର୍ବ ସଂସ୍କରଣରେ ଏକ ଛୋଟ ଭୁଲ ବିଷୟରେ ଉଲ୍ଲେଖ କରିଛନ୍ତି । ଯଦି କୌଣସି ତ୍ରୁଟି ଥାଏ, ତେବେ ମୋତେ ଜଣାଇବେ । |
d20a17b42f95ee07e9a43cc852b35bda407c4be6 | |
caf912b716905ccbf46d6d00d6a0b622834a7cd9 | ଯନ୍ତ୍ର ଅଧିକ ବୁଦ୍ଧିମାନ ହୋଇଥିବାରୁ ଏହାର ବୁଦ୍ଧିକୁ ମାପିବା ପାଇଁ ନୂଆ ଉପାୟମାନ ବାହାର କରାଯାଇଛି । ଏକ ସାଧାରଣ ଉପାୟ ହେଉଛି ଏପରି କାର୍ଯ୍ୟର ପ୍ରସ୍ତାବ ଦେବା ଯେଉଁଥିପାଇଁ ମଣିଷ ଶ୍ରେଷ୍ଠ, କିନ୍ତୁ ଯାହାକୁ ମେସିନ କଷ୍ଟକର ମନେ କରେ । କିନ୍ତୁ, ଏକ ଆଦର୍ଶ କାର୍ଯ୍ୟକୁ ମଧ୍ୟ ସହଜରେ ମୂଲ୍ୟାଙ୍କନ କରାଯାଇପାରିବ ଏବଂ ଏହା ସହଜରେ ଗେମ୍ ହୋଇନପାରେ । ଆମେ ଏକ କେସ୍ ଷ୍ଟଡିରୁ ଆରମ୍ଭ କରିଛୁ ଯାହା ନିକଟରେ ଲୋକପ୍ରିୟ ହୋଇଥିବା ଛବି କ୍ୟାପ୍ସନ ଏବଂ ଏହାର ସୀମିତତାକୁ ମେସିନ୍ ଇଣ୍ଟେଲିଜେନ୍ସକୁ ମାପିବା ପାଇଁ ଏକ କାର୍ଯ୍ୟ ଭାବରେ ଅନୁସନ୍ଧାନ କରୁଛି । ଏକ ବିକଳ୍ପ ଏବଂ ଅଧିକ ଆଶାଜନକ କାର୍ଯ୍ୟ ହେଉଛି ଭିଜୁଆଲ୍ ପ୍ରଶ୍ନ ଉତ୍ତର ଯାହା ଭାଷା ଏବଂ ଦୃଷ୍ଟି ବିଷୟରେ ଏକ ମେସିନ୍ ର ଯୁକ୍ତି କରିବାର କ୍ଷମତାକୁ ପରୀକ୍ଷା କରେ । ଆମେ ଏହି କାର୍ଯ୍ୟ ପାଇଁ ସୃଷ୍ଟି କରାଯାଇଥିବା ଏକ ଅଭୂତପୂର୍ବ ପରିମାଣର ଡାଟାସେଟର ବର୍ଣ୍ଣନା କରୁଛୁ ଯେଉଁଥିରେ ଛବି ବିଷୟରେ 760,000 ରୁ ଅଧିକ ମନୁଷ୍ୟ ସୃଷ୍ଟି ହୋଇଥିବା ପ୍ରଶ୍ନ ଅଛି । ପ୍ରାୟ ୧୦ ନିୟୁତ ମାନବ ଜେନେରେଟେଡ୍ ଉତ୍ତର ବ୍ୟବହାର କରି, ମେସିନଗୁଡ଼ିକୁ ସହଜରେ ମୂଲ୍ୟାଙ୍କନ କରାଯାଇପାରିବ । |
8d3b8a59144352d0f60015f32c836001e4344a34 | ତ୍ରି-ଆକାରର ଜ୍ୟାମିତି ତଥ୍ୟ ପ୍ରତିନିଧିତ୍ୱ ଶିକ୍ଷା ଓ ଉତ୍ପନ୍ନ ମଡେଲିଂ ଅଧ୍ୟୟନ ପାଇଁ ଏକ ଉତ୍ତମ କ୍ଷେତ୍ର ପ୍ରଦାନ କରେ । ଏହି ଅଧ୍ୟୟନରେ, ଆମେ ଜ୍ୟାମିତି ତଥ୍ୟକୁ ବିନ୍ଦୁ ମେଘ ଭାବରେ ଦେଖୁଛୁ । ଆମେ ଏକ ଗଭୀର ସ୍ୱୟଂକ୍ରିୟ ଏନକୋଡର (ଏଇ) ନେଟୱାର୍କର ପ୍ରବର୍ତ୍ତନ କରିଛୁ ଯେଉଁଥିରେ ଅତ୍ୟାଧୁନିକ ପୁନଃନିର୍ମାଣ ଗୁଣବତ୍ତା ଏବଂ ସାଧାରଣକରଣ କ୍ଷମତା ରହିଛି । ଏହି ଶିକ୍ଷିତ ପ୍ରତିନିଧିତ୍ୱଗୁଡ଼ିକ 3D ଚିହ୍ନଟ କାର୍ଯ୍ୟରେ ବର୍ତ୍ତମାନର ପଦ୍ଧତିଗୁଡ଼ିକୁ ଅତିକ୍ରମ କରିଥାଏ ଏବଂ ସରଳ ଆଲଜେବ୍ରିକ୍ ମନିପ୍ୟୁଲେସନ୍ ମାଧ୍ୟମରେ ମୌଳିକ ଆକୃତି ସମ୍ପାଦନା କରିବାକୁ ସକ୍ଷମ କରିଥାଏ, ଯେପରିକି ଅର୍ଥାତ୍ମକ ଅଂଶ ସମ୍ପାଦନା, ଆକୃତି ଆନଲୋଗୀ ଏବଂ ଆକୃତି ଅନ୍ତଃସରଣ । ଆମେ ବିଭିନ୍ନ ଜେନେରେଟିଭ ମଡେଲର ସମ୍ପୂର୍ଣ୍ଣ ଅଧ୍ୟୟନ କରିଛୁ, ଯେଉଁଥିରେ ସାମିଲ ଅଛି: ଅଶୋଧିତ ପଏଣ୍ଟ କ୍ଲାଉଡରେ କାର୍ଯ୍ୟ କରୁଥିବା GAN, ଆମ ଏଇର ସ୍ଥାୟୀ ଲ୍ୟାଟେଣ୍ଟ ସ୍ପେସରେ ପ୍ରଶିକ୍ଷିତ ହୋଇଥିବା ଉନ୍ନତ GAN ଏବଂ ଗୌସୀୟ ମିଶ୍ରଣ ମଡେଲ (GMM) । ଆମ ପରିମାଣିକ ମୂଲ୍ୟାୟନ ପାଇଁ ଆମେ ନମୁନା ବିଶ୍ୱସ୍ତତା ଏବଂ ବିବିଧତାର ମାପକ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ବିନ୍ଦୁ ମେଘ ସେଟ୍ ମଧ୍ୟରେ ମେଳ ଖାଇଥାଏ । କୌତୁହଳର ବିଷୟ ହେଉଛି, ଆମର ସାଧାରଣକରଣ, ବିଶ୍ୱସ୍ତତା ଏବଂ ବିବିଧତାର ଯତ୍ନର ସହିତ ମୂଲ୍ୟାଙ୍କନରୁ ଜଣାପଡ଼େ ଯେ ଆମର ଏଇର ଗୁପ୍ତ ସ୍ଥାନରେ ତାଲିମପ୍ରାପ୍ତ ଜିଏମ୍ଏମ୍ମାନେ ସର୍ବୋତ୍ତମ ଫଳାଫଳ ପ୍ରଦାନ କରନ୍ତି । |
2c51c8da2f82a956e633049616b1bb7730faa2da | ଆମେ ଯେତେବେଳେ ଇଣ୍ଟରନେଟ ଅଫ୍ ଥିଙ୍ଗ୍ସ (ଆଇଓଟି) ଆଡ଼କୁ ଅଗ୍ରସର ହେଉଛୁ, ସାରା ବିଶ୍ୱରେ ନିୟୋଜିତ ସେନ୍ସର ସଂଖ୍ୟା ଦ୍ରୁତ ଗତିରେ ବୃଦ୍ଧି ପାଉଛି । ଗତ ଦଶନ୍ଧି ମଧ୍ୟରେ ବଜାର ଅନୁସନ୍ଧାନରେ ସେନସର ନିୟୋଜନ କ୍ଷେତ୍ରରେ ଉଲ୍ଲେଖନୀୟ ବୃଦ୍ଧି ପରିଲକ୍ଷିତ ହୋଇଛି ଏବଂ ଭବିଷ୍ୟତରେ ଏହି ଅଭିବୃଦ୍ଧି ହାରରେ ଉଲ୍ଲେଖନୀୟ ବୃଦ୍ଧି ଘଟିବ ବୋଲି ପୂର୍ବାନୁମାନ କରାଯାଇଛି । ଏହି ସେନସରଗୁଡ଼ିକ ଲଗାତାର ଭାବେ ବିପୁଳ ପରିମାଣର ତଥ୍ୟ ସୃଷ୍ଟି କରିଥାନ୍ତି । କିନ୍ତୁ ସେନ୍ସର ତଥ୍ୟକୁ ଅଧିକ ମୂଲ୍ୟଯୁକ୍ତ କରିବା ପାଇଁ ଆମକୁ ସେନ୍ସର ତଥ୍ୟକୁ ବୁଝିବାକୁ ପଡ଼ିବ । ସେନସର ତଥ୍ୟର ସଂଗ୍ରହ, ମଡେଲିଂ, ତର୍କ ଏବଂ ବିତରଣ ଏହି ଆହ୍ୱାନରେ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଭୂମିକା ଗ୍ରହଣ କରିଥାଏ । ସେନସର ତଥ୍ୟକୁ ବୁଝିବାରେ ସନ୍ଦର୍ଭ-ସଚେତନ କମ୍ପ୍ୟୁଟିଂ ସଫଳ ବୋଲି ପ୍ରମାଣିତ ହୋଇଛି । ଏହି ଅଧ୍ୟୟନରେ ଆମେ ଆଇଓଟି ଦୃଷ୍ଟିକୋଣରୁ ପ୍ରସଙ୍ଗ ସଚେତନତା ଉପରେ ସର୍ଭେ କରିଛୁ । ଆମେ ଆବଶ୍ୟକ ପୃଷ୍ଠଭୂମି ଉପସ୍ଥାପନ କରିଛୁ, ପ୍ରାରମ୍ଭରେ ଆଇଓଟି ଦୃଷ୍ଟାନ୍ତ ଏବଂ ପ୍ରସଙ୍ଗ-ସଚେତନ ମୌଳିକ ବିଷୟକୁ ଉପସ୍ଥାପନ କରିଛୁ । ତାପରେ ଆମେ ଜୀବନ ଚକ୍ରର ଗଭୀର ବିଶ୍ଳେଷଣ ପ୍ରଦାନ କରୁ । ଆମେ ପ୍ରକଳ୍ପର ଏକ ଉପସୂଚୀ (50) ର ମୂଲ୍ୟାଙ୍କନ କରୁଛୁ ଯାହା ଗତ ଦଶନ୍ଧି (2001-2011) ରେ କରାଯାଇଥିବା ପ୍ରସଙ୍ଗ-ସଚେତନ କମ୍ପ୍ୟୁଟିଂ କ୍ଷେତ୍ରରେ ପ୍ରସ୍ତାବିତ ଅଧିକାଂଶ ଗବେଷଣା ଏବଂ ବ୍ୟବସାୟିକ ସମାଧାନକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ । ଶେଷରେ, ଆମର ମୂଲ୍ୟାୟନ ଆଧାରରେ, ଆମେ ଅତୀତରୁ ଶିଖିବାକୁ ଥିବା ଶିକ୍ଷା ଏବଂ ଭବିଷ୍ୟତର ଗବେଷଣା ପାଇଁ କିଛି ସମ୍ଭାବ୍ୟ ଦିଗ ଉପରେ ଆଲୋକପାତ କରୁଛୁ । ଏହି ସର୍ଭେରେ ବିଭିନ୍ନ ପ୍ରକାର କୌଶଳ, ପଦ୍ଧତି, ମଡେଲ, କାର୍ଯ୍ୟକାରିତା, ପ୍ରଣାଳୀ, ପ୍ରୟୋଗ ଏବଂ ଇଣ୍ଟରନେଟ୍ ଅଫ୍ ଥିଙ୍ଗ୍ସ (ଆଇଓଟି) ସହିତ ଜଡ଼ିତ ମିଡିଲୱେୟାର ସମାଧାନ ଉପରେ ଆଲୋଚନା କରାଯାଇଛି । ଆମର ଲକ୍ଷ୍ୟ କେବଳ ଅତୀତର ଗବେଷଣା କାର୍ଯ୍ୟର ବିଶ୍ଳେଷଣ, ତୁଳନା ଏବଂ ଏକୀକରଣ ନୁହେଁ ବରଂ ସେମାନଙ୍କର ନିଷ୍କର୍ଷକୁ ପ୍ରଶଂସା କରିବା ଏବଂ ଆଇଓଟି ପ୍ରତି ସେମାନଙ୍କର ପ୍ରୟୋଗ ବିଷୟରେ ଆଲୋଚନା କରିବା । |
3406b672402828f2522b57e9ab11e0ae9c76ab2e | ସର୍ବତ୍ର ପ୍ରଚଳିତ କମ୍ପ୍ୟୁଟିଂ ଦ୍ୱାରା ଜ୍ଞାନକୌଶଳ ସମ୍ପନ୍ନ, ସୂଚନା ସମ୍ପନ୍ନ "ସ୍ମାର୍ଟ ସ୍ପେସ୍" ନିର୍ମାଣ କରିବାର ଧାରଣାକୁ ପ୍ରୋତ୍ସାହନ ମିଳିଛି ଯାହା ପାରମ୍ପରିକ କମ୍ପ୍ୟୁଟିଂର ସୀମାକୁ ବ୍ୟାପକ କରି ଭୌତିକ ସ୍ଥାନ, ଅନ୍ତର୍ନିହିତ ଉପକରଣ, ସେନସର ଏବଂ ଅନ୍ୟାନ୍ୟ ଯନ୍ତ୍ରପାତିକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରିଛି । ଏହାକୁ ହାସଲ କରିବା ପାଇଁ ସ୍ମାର୍ଟ ସ୍ପେସଗୁଡ଼ିକ ପରିସ୍ଥିତିଗତ ସୂଚନା ସଂଗ୍ରହ କରିବା ଆବଶ୍ୟକ ଯାହାଦ୍ୱାରା ସେମାନେ ପରିସ୍ଥିତିରେ ପରିବର୍ତ୍ତନକୁ ଚିହ୍ନଟ କରି ନିଜେ ନିଜକୁ ସେହି ଅନୁସାରେ ଅନୁକୂଳ କରିପାରିବେ । କିନ୍ତୁ, ମୌଳିକ ସୁରକ୍ଷା ପ୍ରସଙ୍ଗକୁ ବିଚାର ନକରି, ସର୍ବବ୍ୟାପୀ କମ୍ପ୍ୟୁଟିଂ ପରିବେଶରେ ଦୁର୍ବଳତା ଭରି ରହିପାରେ । ସର୍ବତ୍ର ଉପଲବ୍ଧ ହେଉଥିବା କମ୍ପ୍ୟୁଟିଂ ପରିବେଶ ସୁରକ୍ଷା ଉପରେ ନୂତନ ଆବଶ୍ୟକତା ଲାଗୁ କରିଥାଏ । ସୁରକ୍ଷା ସେବା, ଯେପରିକି ପ୍ରମାଣୀକରଣ ଏବଂ ପ୍ରବେଶ ନିୟନ୍ତ୍ରଣ, ଅଣ-ଅନୁପ୍ରବେଶୀ, ବୁଦ୍ଧିମାନ ଏବଂ ସ୍ଥାନର ଦ୍ରୁତ ପରିବର୍ତ୍ତନଶୀଳ ପ୍ରସଙ୍ଗରେ ଅନୁକୂଳ ହେବା ଆବଶ୍ୟକ । ଆମେ ଏକ ସର୍ବବ୍ୟାପୀ ସୁରକ୍ଷା ବ୍ୟବସ୍ଥା ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ସର୍ବବ୍ୟାପୀ କମ୍ପ୍ୟୁଟିଂ ପରିବେଶରେ ପ୍ରମାଣୀକରଣ ଏବଂ ପ୍ରବେଶ ନିୟନ୍ତ୍ରଣ କରିବା ପାଇଁ ସ୍ୱୟଂଚାଳିତ ତର୍କ ସହିତ ପ୍ରସଙ୍ଗ-ଜାଗୃତକୁ ଏକୀକୃତ କରେ । |
e658f77af84415bfa794202c433a22d08c91bed2 | ଇଣ୍ଟରନେଟ ଅଫ୍ ଥିଙ୍ଗସ୍ (ଆଇଓଟି) ର ବୃଦ୍ଧି ଫଳରେ ବ୍ୟାପକ କମ୍ପ୍ୟୁଟିଂ ଏକ ବାସ୍ତବତା ହୋଇପାରିଛି । ଏହି ଦୃଷ୍ଟାନ୍ତରେ, ଦୈନନ୍ଦିନ ଏବଂ ଭୌତିକ ବସ୍ତୁଗୁଡ଼ିକୁ ସେମାନଙ୍କର ପରିବେଶରୁ ପ୍ରାପ୍ତ ସୂଚନାକୁ ଚିହ୍ନଟ ଏବଂ ଯୋଗାଯୋଗ କରିବାର କ୍ଷମତା ସହିତ ସଜ୍ଜିତ କରାଯାଉଛି, ସେମାନଙ୍କୁ ସ୍ମାର୍ଟ ବସ୍ତୁରେ ପରିଣତ କରୁଛି । ତେବେ, ଏହିପରି ସଂସ୍ଥାଗୁଡିକ ସାଧାରଣତଃ ପରିବର୍ତ୍ତନଶୀଳ ଏବଂ ଗତିଶୀଳ ପରିସ୍ଥିତି ସହିତ ପରିବେଶରେ ନିୟୋଜିତ ହୋଇଥାନ୍ତି, ଯାହା ଦ୍ୱାରା ସେମାନଙ୍କର କାର୍ଯ୍ୟ କିମ୍ବା ଆଚରଣକୁ ପରିବର୍ତ୍ତନ କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ । ଇଉରୋପୀୟ ସାତମ ଫ୍ରେମୱାର୍କ ପ୍ରୋଜେକ୍ଟର ସୋକଲୋଟଲ ପ୍ରକଳ୍ପର ମୂଳଦୁଆ ଉପରେ ଏହି କାର୍ଯ୍ୟ ଏକ ସମୀକ୍ଷା ପ୍ରଦାନ କରୁଛି ଯେ କିପରି ଭାବରେ ସ୍ମାର୍ଟ ବସ୍ତୁଗୁଡ଼ିକ ସୁରକ୍ଷା ନିଷ୍ପତ୍ତି ନେବା ସମୟରେ ପ୍ରସଙ୍ଗଗତ ସୂଚନାକୁ ଧ୍ୟାନରେ ରଖିପାରିବେ, ଏହି ସୂଚନାକୁ ପ୍ରଥମ ଶ୍ରେଣୀର ଉପାଦାନ ଭାବରେ ବିଚାର କରି, ତଥାକଥିତ ପ୍ରସଙ୍ଗ-ସଚେତନ ସୁରକ୍ଷାକୁ ଆଇଓଟି ଦୃଶ୍ୟପଟ୍ଟରେ କାର୍ଯ୍ୟକାରୀ କରିବା ପାଇଁ । |
1c5a40cff6297bd14ecc3e0c5efbae76a6afce5b | ଆମେ ପରିବେଶ-ସଚେତନ ପରିବେଶ ପାଇଁ ସୁରକ୍ଷା ସେବା ନିର୍ମାଣ ପାଇଁ ଏକ ଆଭିମୁଖ୍ୟ ବର୍ଣ୍ଣନା କରୁଛୁ । ବିଶେଷକରି, ଆମେ ସୁରକ୍ଷା ସେବାଗୁଡିକର ଡିଜାଇନ୍ ଉପରେ ଧ୍ୟାନ ଦେଇଥାଉ ଯାହା ସୁରକ୍ଷା ସମ୍ବନ୍ଧୀୟ "ସାମଞ୍ଜସ୍ୟ"ର ବ୍ୟବହାରକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରେ ଯାହା ନମନୀୟ ପ୍ରବେଶ ନିୟନ୍ତ୍ରଣ ଏବଂ ନୀତି ପ୍ରବର୍ତ୍ତନ ପ୍ରଦାନ କରେ । ଆମେ ପୂର୍ବରୁ ଏକ ସାଧାରଣ ପ୍ରବେଶ ନିୟନ୍ତ୍ରଣ ମଡେଲ ଉପସ୍ଥାପନ କରିଛୁ ଯାହା ନୀତି ନିର୍ଦ୍ଧାରଣରେ ପ୍ରସଙ୍ଗଗତ ସୂଚନାର ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ବ୍ୟବହାର କରିଥାଏ । ଏହି ଦସ୍ତାବିଜରେ ସିଷ୍ଟମ ସ୍ତରୀୟ ସେବା ସ୍ଥାପତ୍ୟର ଉପସ୍ଥାପନା ସହିତ ଢାଞ୍ଚା ସହିତ ପ୍ରାରମ୍ଭିକ କାର୍ଯ୍ୟକାରିତା ଅଭିଜ୍ଞତା ପ୍ରଦାନ କରି ଏହି ମଡେଲର ଏକ ବାସ୍ତବିକ ରୂପାୟନ ପ୍ରଦାନ କରିଥାଏ । ଆମର ପରିସଂସ୍ଥା-ସଚେତନ ସୁରକ୍ଷା ସେବା ମାଧ୍ୟମରେ, ଆମର ସିଷ୍ଟମ ସ୍ଥାପତ୍ୟ ଉନ୍ନତ ପ୍ରାମାଣିକତା ସେବା, ଅଧିକ ନମନୀୟ ପ୍ରବେଶ ନିୟନ୍ତ୍ରଣ ଏବଂ ଏକ ସୁରକ୍ଷା ଉପ-ପ୍ରଣାଳୀ ପ୍ରଦାନ କରେ ଯାହା ପରିବେଶରେ ବର୍ତ୍ତମାନର ପରିସ୍ଥିତି ଉପରେ ଆଧାର କରି ନିଜକୁ ଅନୁକୂଳ କରିପାରିବ । ଆମେ ଆମର ସ୍ଥାପତ୍ୟ ଏବଂ କାର୍ଯ୍ୟକାରିତା ବିଷୟରେ ଆଲୋଚନା କରିବା ଏବଂ ଏହା କିପରି ଅନେକ ନମୁନା ପ୍ରୟୋଗକୁ ସୁରକ୍ଷିତ କରିବାରେ ବ୍ୟବହାର କରାଯାଇପାରିବ ତାହା ଦେଖାଇବା । |
4b814e9d09ff72279030960df5718041b8c1b50c | |
586407b38cc3bb0560ff9941a89f3402e34ee08b | ଏହି ଲେଖାରେ ବ୍ୟବସାୟିକ ପରିବେଶର ଧାରଣା ଉପରେ ଆଲୋଚନା କରାଯାଇଛି । ବ୍ୟବସାୟିକ ପରିବେଶ ହେଉଛି ବ୍ୟବସାୟିକ ଗବେଷଣା କ୍ଷେତ୍ରରେ ଏକ ନୂତନ ଧାରଣା, ଏବଂ ଏହାକୁ ପ୍ରତିଷ୍ଠା କରିବା ପାଇଁ ଏବେ ମଧ୍ୟ ବହୁତ କିଛି କରିବାକୁ ବାକି ଅଛି । ପ୍ରଥମେ ଜୈବିକ ପରିବେଶକୁ ଅନୁଧ୍ୟାନ କରି ଏହି ବିଷୟକୁ ବୁଝାଯାଏ, ବିଶେଷ କରି ଜୈବିକ ପରିବେଶକୁ କିପରି ବ୍ୟାଖ୍ୟା କରାଯାଏ, ସେଗୁଡିକ କିପରି ବିକଶିତ ହୁଏ ଏବଂ ସେଗୁଡିକ କିପରି ବର୍ଗୀକୃତ ଏବଂ ଗଠନ କରାଯାଏ । ଦ୍ୱିତୀୟରେ, ଜୈବିକ ଇକୋସିଷ୍ଟମର ବିଭିନ୍ନ ଅନୁରୂପତା ସମୀକ୍ଷା କରାଯାଇଛି, ଯେଉଁଥିରେ ଶିଳ୍ପ ଇକୋସିଷ୍ଟମ, ଇକୋସିଷ୍ଟମ ଭାବରେ ଅର୍ଥନୀତି, ଡିଜିଟାଲ ବ୍ୟବସାୟ ଇକୋସିଷ୍ଟମ ଏବଂ ସାମାଜିକ ଇକୋସିଷ୍ଟମ ଅନ୍ତର୍ଭୁକ୍ତ । ତୃତୀୟତଃ, ମୁଖ୍ୟ ଅବଦାନକାରୀମାନଙ୍କ ମତାମତ ଉପରେ ଆଲୋଚନା କରିବା ପରେ ଲେଖକମାନଙ୍କ ନିଜସ୍ୱ ପରିଭାଷା ଉପସ୍ଥାପନ କରି ବ୍ୟବସାୟିକ ପରିବେଶର ଧାରଣାକୁ ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଚତୁର୍ଥରେ, ସାମାଜିକ ବିଜ୍ଞାନରେ ଜଟିଳତାର ଉଦୀୟମାନ ଗବେଷଣା କ୍ଷେତ୍ରକୁ ପ୍ରକାଶ କରାଯାଇଛି କାରଣ ଲେଖକମାନେ ଇକୋସିଷ୍ଟମ ଏବଂ ବ୍ୟବସାୟ ଇକୋସିଷ୍ଟମକୁ ଜଟିଳ, ଅନୁକୂଳ ପ୍ରଣାଳୀ ଭାବରେ ବିବେଚନା କରନ୍ତି । ବ୍ୟବସାୟିକ ପରିବେଶରେ ଦେଖାଯାଉଥିବା ଜଟିଳତାର ପ୍ରମୁଖ ଦିଗଗୁଡ଼ିକ ଉପସ୍ଥାପିତ କରାଯାଇଛି; ସେଗୁଡ଼ିକ ହେଉଛି ସ୍ୱୟଂ-ସଂଗଠନ, ଉତ୍ପତ୍ତି, ସହ-ବିକାଶ ଏବଂ ଅନୁକୂଳନ । ବ୍ୟବସାୟିକ ପରିବେଶର ଧାରଣାକୁ ଜଟିଳତା ଗବେଷଣା ସହିତ ଯୋଡ଼ି, ପରିବର୍ତ୍ତିତ ବ୍ୟବସାୟିକ ପରିବେଶରେ ନୂତନ ଅନ୍ତର୍ଦୃଷ୍ଟି ଆଣିବା ସମ୍ଭବ । |
08c2649dee7ba1ab46106425a854ca3af869c2f0 | ସାଧାରଣ ଧାରଣା ବିରୁଦ୍ଧରେ, ଡାଇନାମିକ୍ ରାମ (DRAM), ଅଧିକାଂଶ ଆଧୁନିକ କମ୍ପ୍ୟୁଟରର ମୁଖ୍ୟ ସ୍ମୃତି, ବିଦ୍ୟୁତ୍ ଶକ୍ତି ହରାଇବା ପରେ ମଧ୍ୟ, ଏପରିକି ରୁମ୍ ତାପମାତ୍ରାରେ ଏବଂ ମଦରବୋର୍ଡରୁ ବାହାର କରିଦିଆଯାଇଥିଲେ ମଧ୍ୟ ଏହାର ବିଷୟବସ୍ତୁକୁ କିଛି ସେକେଣ୍ଡ ପାଇଁ ରଖେ । ଯଦିଓ DRAM ଅପଡେଟ୍ ନହେବା ପରେ ଏହା କମ୍ ନିର୍ଭରଯୋଗ୍ୟ ହୋଇଯାଏ, କିନ୍ତୁ ଏହା ତୁରନ୍ତ ଲିଭାଯାଇନଥାଏ, ଏବଂ ଏହାର ବିଷୟବସ୍ତୁ ଅପ୍ରତ୍ୟାଶିତ ଭାବରେ (କିମ୍ବା ଫରେନ୍ସିକ୍) ବ୍ୟବହାରଯୋଗ୍ୟ ସମ୍ପୂର୍ଣ୍ଣ ସିଷ୍ଟମ୍ ମେମୋରୀ ପ୍ରତିଛବିର ଅଧିଗ୍ରହଣ ପାଇଁ ଯଥେଷ୍ଟ ରହିଥାଏ । ଆମେ ଦେଖାଇଲୁ ଯେ ଏହି ଘଟଣାଟି ଏକ ଅପରେଟିଂ ସିଷ୍ଟମର କ୍ଷମତାକୁ ସୀମିତ କରିଥାଏ ଯାହା ଏକ ଆକ୍ରମଣକାରୀଙ୍କ ଠାରୁ କ୍ରିପ୍ଟୋଗ୍ରାଫିକ ଚାବି ସାମଗ୍ରୀକୁ ସୁରକ୍ଷା ଦେଇଥାଏ ଯାହା ଏକ ମେସିନକୁ ଭୌତିକ ପ୍ରବେଶ କରିଥାଏ । ଏହା ଡିସ୍କ ଏନକ୍ରିପସନ୍ ଉପରେ ନିର୍ଭର କରୁଥିବା ଲାପଟପ୍ ବ୍ୟବହାରକାରୀମାନଙ୍କ ପାଇଁ ଏକ ବିଶେଷ ବିପଦ ସୃଷ୍ଟି କରେ: ଆମେ ଦେଖାଇଛୁ ଯେ ଏହା ଅନେକ ଲୋକପ୍ରିୟ ଡିସ୍କ ଏନକ୍ରିପସନ୍ ଉତ୍ପାଦକୁ କୌଣସି ବିଶେଷ ଉପକରଣ କିମ୍ବା ସାମଗ୍ରୀର ଆବଶ୍ୟକତା ବିନା କ୍ଷତି ପହଞ୍ଚାଇବା ପାଇଁ ବ୍ୟବହୃତ ହୋଇପାରେ । ଆମେ ପରୀକ୍ଷାମୂଳକ ଭାବରେ ସ୍ମୃତି ସଂରକ୍ଷଣର ପରିମାଣ ଏବଂ ପୂର୍ବାନୁମାନକୁ ବର୍ଣ୍ଣନା କରିଛୁ ଏବଂ ରିପୋର୍ଟ କରିଛୁ ଯେ ସରଳ ଶୀତଳକରଣ କୌଶଳ ସହିତ ଅବଶିଷ୍ଟ ସମୟକୁ ନାଟକୀୟ ଭାବରେ ବୃଦ୍ଧି କରାଯାଇପାରିବ । ଆମେ ସ୍ମୃତି ପ୍ରତିଛବିରେ କ୍ରିପ୍ଟୋଗ୍ରାଫିକ ଚାବି ଖୋଜିବା ପାଇଁ ଏବଂ ବିଟ୍ କ୍ଷୟ ଦ୍ୱାରା ସୃଷ୍ଟି ହୋଇଥିବା ତ୍ରୁଟିକୁ ସଂଶୋଧନ କରିବା ପାଇଁ ନୂତନ ଆଲଗୋରିଦମ ପ୍ରଦାନ କରୁ । ଯଦିଓ ଆମେ ଏହି ବିପଦକୁ ହ୍ରାସ କରିବା ପାଇଁ ଅନେକ ରଣନୀତି ବିଷୟରେ ଆଲୋଚନା କରୁଛୁ, ଆମେ କୌଣସି ସରଳ ପ୍ରତିକାର ବିଷୟରେ ଜାଣିନାହୁଁ ଯାହା ଏହାକୁ ଦୂର କରିବ । |
05ba00812bbbe15be83418df6657f74edf76f727 | ଗତ ଦଶନ୍ଧି ମଧ୍ୟରେ କାର୍ଯ୍ୟାନୁଷ୍ଠାନର ମାନ୍ୟତା ପ୍ରତି ଅଧିକ ଧ୍ୟାନ ଦିଆଯାଇଛି । କାର୍ଯ୍ୟକଳାପ ଥିବା ଭିଡିଓକୁ ଏନକୋଡ୍ କରିବା ପାଇଁ ବିଭିନ୍ନ ଉପାୟ ପ୍ରସ୍ତାବିତ କରାଯାଇଛି, ଯେଉଁଥିରେ ସ୍ୱ-ସମାନତା ମାଟ୍ରିକ୍ସ (ଏସଏସଏମ) ଭିଡିଓର ଗତିଶୀଳତାକୁ ଏନକୋଡ୍ କରି ବହୁତ ଭଲ ପ୍ରଦର୍ଶନ କରିଛି । କିନ୍ତୁ ଏସଏସଏମ ସେତେବେଳେ ସମ୍ବେଦନଶୀଳ ହୋଇଥାଏ ଯେତେବେଳେ ଦୃଷ୍ଟିକୋଣରେ ବହୁତ ବଡ଼ ପରିବର୍ତ୍ତନ ହୋଇଥାଏ । ଏହି କାଗଜରେ ଆମେ ଏକ ସ୍ପେୟାର କୋଡ୍ ଫିଲ୍ଟରିଂ (SCF) ରୂପରେଖ ପ୍ରସ୍ତାବିତ କରି ମଲ୍ଟି-ଭିଉ ଆକ୍ସନ୍ ଚିହ୍ନଟ ସମସ୍ୟାକୁ ସମାଧାନ କରୁଛୁ ଯାହା ଆକ୍ସନ୍ ପ୍ୟାଟର୍ନକୁ ମାଇନ୍ କରିପାରିବ । ପ୍ରଥମତଃ, ଶ୍ରେଣୀ-ବିଶେଷରେ ବିରଳ କୋଡିଂ ପଦ୍ଧତିର ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି ଯାହାଦ୍ୱାରା ଶ୍ରେଣୀ-ମଧ୍ୟରେ ଥିବା ତଥ୍ୟର ବିରଳ କୋଡ୍ ଗୁଡିକ ନିକଟତର ହୋଇପାରିବେ । ତାପରେ ଆମେ ବର୍ଗୀକରଣକାରୀ ଏବଂ ଶ୍ରେଣୀ-ବିଶେଷୀ ବିରଳ କୋଡିଂ ପ୍ରକ୍ରିୟାକୁ ଏକ ସହଯୋଗୀ ଫିଲ୍ଟରିଂ (ସିଏଫ୍) ରୂପରେଖରେ ଏକତ୍ରିତ କରିଥାଉ ଯାହାଦ୍ୱାରା ଭେଦଭାବପୂର୍ଣ୍ଣ ବିରଳ କୋଡ୍ ଏବଂ ବର୍ଗୀକରଣକାରୀ ମିଳିତ ଭାବରେ ଖନନ କରାଯାଇପାରିବ । ଅନେକ ସାର୍ବଜନୀନ ମଲ୍ଟି-ଭିଉ ଆକ୍ସନ ରେକଗନାଇଜେସନ୍ ଡାଟାସେଟରେ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ଦର୍ଶାଏ ଯେ ଉପସ୍ଥାପିତ SCF ଢାଞ୍ଚା ଅନ୍ୟ ଅତ୍ୟାଧୁନିକ ପଦ୍ଧତିଠାରୁ ଅଧିକ ଭଲ। |
c956b29a133673c32586c7736d12c606f2d59a21 | |
f36ef0d3e8d3abc1f30abc06603471c9aa1cc0d7 | |
9c573daa179718f6c362f296f123e8ea2a775082 | ସମାନ ଓ ଅସମାନ ଦୁଇ-ଆଡୁ ଶକ୍ତି ବିଭାଜକ ପାଇଁ H-ପ୍ଲାନର ଆୟତନ ତରଙ୍ଗ-ଗାଇଡ ଟି-ଜଙ୍କସନ ଡିଜାଇନ୍ କରିବା ପାଇଁ ଆମେ ଏକ ସରଳ ଏବଂ ଦକ୍ଷ ପ୍ରକ୍ରିୟା ବିକଶିତ କରିଛୁ । ଏହି ସଂଶ୍ଳେଷଣ ପ୍ରକ୍ରିୟା ମାପଯୋଗ୍ୟ, ଏହା ନିର୍ମାଣଯୋଗ୍ୟ ସଂରଚନା ପ୍ରଦାନ କରିଥାଏ, ଯେକୌଣସି ମନଇଚ୍ଛା ଶକ୍ତି ବିଭାଜନ ଅନୁପାତରେ ପ୍ରୟୋଗ କରାଯାଇପାରିବ ଏବଂ ଏହା ବ୍ୟାପକ ବ୍ୟାଣ୍ଡ ଅପରେସନ ପ୍ରଦାନ କରିପାରିବ । ଆମ କାର୍ଯ୍ୟାନ୍ୱୟନରେ, ଆମେ କ୍ବିଜ୍ ଏବଂ ଇଣ୍ଡକ୍ଟିଭ୍ ୱିଣ୍ଡୋ (ଟି-ଜଙ୍କସନର ଏକ ଅଭିନ୍ନ ଅଙ୍ଗ) ବ୍ୟବହାର କରିଛୁ, ଅଧିକ ଡିଗ୍ରୀର ସ୍ୱାଧୀନତା ପ୍ରଦାନ କରିବା ପାଇଁ, ତେଣୁ, ଇନପୁଟ୍ ପୋର୍ଟରେ ଉତ୍କୃଷ୍ଟ ମେଳ, ସମାନ ପର୍ଯ୍ୟାୟ ସହିତ ବ୍ୟାଣ୍ଡରେ ଫ୍ଲାଟ୍ ପାୱାର-ସ୍ପଲିଟ୍ ଅନୁପାତ, ଯେଉଁଠାରେ ପର୍ଯ୍ୟାୟ ସନ୍ତୁଳନ ବିଭିନ୍ନ ଆଣ୍ଟେନା ଫିଡ୍ ପାଇଁ ଆବଶ୍ୟକ ଅଟେ । |
640eccc55eeb23f561efcb32ca97d445624cf326 | ଶକ୍ତି ନିରୀକ୍ଷଣ ଠାରୁ ଜଳସ୍ତର ମାପ ପର୍ଯ୍ୟନ୍ତ ବାସ୍ତବ ଦୁନିଆର ପ୍ରୟୋଗରେ ୱାୟାରଲେସ୍ ସେନସର ନେଟୱାର୍କର ବ୍ୟବହାର ବୃଦ୍ଧି ପାଉଛି । ବର୍ତ୍ତମାନର ନେଟୱର୍କ ଭିତ୍ତିଭୂମି ସହିତ ଉନ୍ନତ ଭାବେ ସମନ୍ୱିତ ହେବା ପାଇଁ, ସେମାନଙ୍କୁ ଆଇପିଭି୬ ବ୍ୟବହାର କରି ଯୋଗାଯୋଗ କରିବା ପାଇଁ ଡିଜାଇନ କରାଯାଇଛି । IPv6 ଆଧାରିତ ସେନସର ନେଟୱର୍କରେ ରୁଟିଙ୍ଗ ପାଇଁ ବର୍ତ୍ତମାନର ଡି-ଫାକ୍ଟୋ ମାନକ ହେଉଛି ସର୍ଟ-ପାଥ-ଆଧାରିତ RPL, ଯାହା IETF 6LoWPaN କାର୍ଯ୍ୟକାରୀ ଗୋଷ୍ଠୀ ଦ୍ୱାରା ବିକଶିତ ହୋଇଛି । ଏହି କାଗଜରେ ବ୍ୟାକଆଇପିର ବର୍ଣ୍ଣନା କରାଯାଇଛି, ଯାହା ଏକ ବିକଳ୍ପ ରୁଟିଙ୍ଗ ପ୍ରୋଟୋକଲ ଯାହାକି ଆଇପିଭି୬ ଆଧାରିତ ବେତାର ସେନସର ନେଟୱର୍କରେ ତଥ୍ୟ ସଂଗ୍ରହ ପାଇଁ ବ୍ୟବହୃତ ହୋଇଥାଏ । ଏକ ବ୍ୟାକପ୍ରେସର-ଆଧାରିତ ପ୍ରୋଟୋକଲରେ, ନୋଡଗୁଡ଼ିକ ଦ୍ୱାରା ବର୍ତ୍ତମାନର ସ୍ଥାନୀୟ ଭାବରେ ପର୍ଯ୍ୟବେକ୍ଷଣ କରାଯାଇଥିବା ସ୍ଥିତି ଉପରେ ଆଧାର କରି ପ୍ରତି ପ୍ୟାକେଟ୍ ଆଧାରରେ ରୁଟିଙ୍ଗ ନିଷ୍ପତ୍ତି ନିଆଯାଇପାରିବ ଏବଂ ପୂର୍ବ କାର୍ଯ୍ୟ ଦର୍ଶାଇଛି ଯେ ସେମାନେ ଉନ୍ନତ ଥ୍ରୁପୁଟ୍ କାର୍ଯ୍ୟଦକ୍ଷତା ଏବଂ କ୍ଷୁଦ୍ରତମ-ପଥ ରୁଟିଙ୍ଗ ପ୍ରୋଟୋକଲ ତୁଳନାରେ ଗତିଶୀଳ ପରିସ୍ଥିତିରେ ପ୍ରତିକ୍ରିୟାଶୀଳତା ପ୍ରଦାନ କରିପାରିବେ । ଆମେ ଅନେକ ଡିଜାଇନ୍ ନିଷ୍ପତ୍ତି ଉପରେ ଆଲୋଚନା କରୁଛୁ ଯାହା ଆବଶ୍ୟକ ଅଟେ IPv6 ସହିତ ଏକ ମାପଯୋଗ୍ୟ ଏବଂ ଦକ୍ଷ ଉପାୟରେ କାର୍ଯ୍ୟ କରିବାକୁ ବ୍ୟାକପ୍ରେସର ରୁଟିଙ୍ଗକୁ ସକ୍ଷମ କରିବା ପାଇଁ । ଆମେ ଏହି ପ୍ରୋଟୋକଲର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ପରୀକ୍ଷଣ କରିଥାଉ, ଟାଇନିଓଏସ୍ ଆଧାରିତ ବାସ୍ତବିକ ବେତାର ସେନ୍ସର ନେଟୱର୍କ ଉପରେ । |
053912e76e50c9f923a1fc1c173f1365776060cc | ଗଭୀର ଶିକ୍ଷଣ ତାଲିମରେ ପ୍ରଚଳିତ ପଦ୍ଧତି ଷ୍ଟୋକାଷ୍ଟିକ୍ ଗ୍ରାଡିଏଣ୍ଟ ଡସେଣ୍ଟ ପଦ୍ଧତି (ଏସଜିଡି) ର ବ୍ୟବହାରକୁ ସମର୍ଥନ କରେ । ଏହାକୁ ସହଜରେ କାର୍ଯ୍ୟକାରୀ କରାଯାଇପାରୁଥିଲେ ମଧ୍ୟ ଏସଜିଡିଗୁଡ଼ିକୁ ଟ୍ୟୁନ କରିବା ଏବଂ ସମାନ୍ତରାଳ କରିବା କଷ୍ଟକର । ଏହି ସମସ୍ୟାଗୁଡ଼ିକ ଏସଜିଡି ସହିତ ଗଭୀର ଶିକ୍ଷଣ ଆଲଗୋରିଦମ ବିକଶିତ କରିବା, ତ୍ରୁଟି ନିବାରଣ କରିବା ଏବଂ ଏହାକୁ ବୃଦ୍ଧି କରିବା ପାଇଁ ଆହ୍ୱାନ ସୃଷ୍ଟି କରିଥାଏ । ଏହି ପତ୍ରିକାରେ ଆମେ ଦର୍ଶାଇଛୁ ଯେ ଅଧିକ ଉନ୍ନତ ଅଫ-ଦ-ଶେଲଫ୍ ଅପ୍ଟିମାଇଜେସନ୍ ପଦ୍ଧତି ଯେପରିକି ସୀମିତ ମେମୋରୀ BFGS (L-BFGS) ଏବଂ ଲାଇନ୍ ସର୍ଚ୍ଚ ସହିତ କନଜ୍ୟୁଏଟ୍ ଗ୍ରାଡିଏଣ୍ଟ (CG) ଗଭୀର ଆଲଗୋରିଦମକୁ ପୂର୍ବ ପ୍ରଶିକ୍ଷଣ ପ୍ରକ୍ରିୟାକୁ ଯଥେଷ୍ଟ ସରଳ ଏବଂ ତ୍ୱରାନ୍ୱିତ କରିପାରିବ । ଆମର ପରୀକ୍ଷଣରେ, LBFGS/CG ଏବଂ SGD ମଧ୍ୟରେ ପାର୍ଥକ୍ୟ ଅଧିକ ସ୍ପଷ୍ଟ ହୋଇଥାଏ ଯଦି ଆମେ ଆଲଗୋରିଦମିକ ସମ୍ପ୍ରସାରଣ (ଯେପରିକି, କ୍ଷୁଦ୍ରତା ନିୟମିତକରଣ) ଏବଂ ହାର୍ଡୱେୟାର ସମ୍ପ୍ରସାରଣ (ଯେପରିକି, GPU କିମ୍ବା କମ୍ପ୍ୟୁଟର କ୍ଲଷ୍ଟର) ଉପରେ ବିଚାର କରୁ । ବଣ୍ଟିତ ଅନୁକୂଳନ ସହିତ ଆମର ପରୀକ୍ଷଣ ସ୍ଥାନୀୟ ଭାବରେ ସଂଯୁକ୍ତ ନେଟୱାର୍କ ଏବଂ କଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ସହିତ L-BFGS ର ବ୍ୟବହାରକୁ ସମର୍ଥନ କରେ । L-BFGS ବ୍ୟବହାର କରି ଆମର କଭୋଲ୍ୟୁସନାଲ ନେଟୱର୍କ ମଡେଲ ମାନକ MNIST ଡାଟାସେଟରେ 0.69% ହାସଲ କରିଥାଏ । ଏହା ହେଉଛି MNIST ରେ ଅତ୍ୟାଧୁନିକ ଫଳାଫଳ ଯାହା ବିକୃତ କିମ୍ବା ପୂର୍ବ ପ୍ରଶିକ୍ଷଣ ବ୍ୟବହାର କରେ ନାହିଁ । |
cabcfc0c8704fa15fa8212a6f8944a249d5dcfa9 | ଏହି କାଗଜରେ, ଏକ ନୂତନ କ୍ଷୁଦ୍ରିକୃତ ଦ୍ୱି-ପକ୍ଷୀ ମୁଦ୍ରିତ ଡାଇପୋଲ ଆଣ୍ଟିନା ସହିତ ସନ୍ତୁଳିତ କ୍ଷମତାର ଲୋଡ ହୋଇଥିବା ଲୁପ୍ (CLLs) ସହିତ ମେଟାମେଟରିଆଲ୍ ଗଠନ ଉପସ୍ଥାପିତ ହୋଇଛି । ମୁଦ୍ରିତ ଆଣ୍ଟେନା କଡ଼ରେ CLLs ରଖାଯାଇଥାଏ ଯାହା ଦ୍ବାରା ଆଣ୍ଟେନା ଦୁଇଟି ଭିନ୍ନ ଫ୍ରିକ୍ୱେନ୍ସିରେ ବିକିରଣ ହୋଇଥାଏ, ସେଥିମଧ୍ୟରୁ ଗୋଟିଏ ଡାଇପୋଲ ଆଣ୍ଟେନା ସ୍ୱୟଂ-ପ୍ରଶ୍ୱାନିତ ଫ୍ରିକ୍ୱେନ୍ସିଠାରୁ କମ୍ ହୋଇଥାଏ । ଅନ୍ୟ ଅର୍ଥରେ, ଭାରଯୁକ୍ତ ଡାଇପୋଲ ଆଣ୍ଟିନା ଅଧା ତରଙ୍ଗ ଲମ୍ବ ଡାଇପୋଲର ପ୍ରାକୃତିକ ରିଜୋନ୍ସନ ଫ୍ରିକ୍ୱେନ୍ସି ତୁଳନାରେ କମ୍ ଫ୍ରିକ୍ୱେନ୍ସିରେ କାର୍ଯ୍ୟ କରିପାରିବ । ଶେଷରେ, ସିଏଲଏଲ ଉପାଦାନକୁ ଚିପ କାଣ୍ଡେସିଟର ସହିତ ଏକୀକୃତ କରାଯାଇଥାଏ ଯାହାଦ୍ୱାରା ଏକ ବୃହତ କ୍ଷମତାର ଯୋଗାଣ କରାଯାଇଥାଏ ଯାହା ଫଳସ୍ୱରୂପ ସିଏଲଏଲ ଉପାଦାନକୁ ଏକ ନିମ୍ନ ଫ୍ରିକ୍ୱେନ୍ସିରେ ପ୍ରତିଧ୍ୱନିତ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ଏହା ଦର୍ଶାଯାଇଛି ଯେ ପ୍ରସ୍ତାବିତ ଲୋଡଡ ଡାଇପୋଲ ଆଣ୍ଟେନା ହେଉଛି ଏକ ଡୁଆଲ ବ୍ୟାଣ୍ଡ ରେଡିଏଟର ଯାହାକି ମୋବାଇଲ ସଂଚାର ଏବଂ ଶିଳ୍ପ, ବୈଜ୍ଞାନିକ ଏବଂ ଚିକିତ୍ସା (ଆଇଏସଏମ) ପ୍ରଣାଳୀ ଭଳି ପ୍ରୟୋଗ ପାଇଁ ଯଥେଷ୍ଟ ଉପଯୋଗୀ । କ୍ଷୁଦ୍ର ଆକାରର ଡବଲ ରେଜୋନାଣ୍ଟ ଡାଇପୋଲ ଆଣ୍ଟିନା ର ପ୍ରୋଟୋଟାଇପ ପ୍ରସ୍ତୁତ ଓ ପରୀକ୍ଷା କରାଗଲା । ମାପିତ ଫଳାଫଳ ସିମୁଲେସନରୁ ପ୍ରାପ୍ତ ଫଳାଫଳ ସହିତ ଭଲ ଭାବରେ ଏକମତ । |
2671bf82168234a25fce7950e0527eb03b201e0c | ପେନ୍ ୱାଲ୍ ଷ୍ଟ୍ରିଟ୍ ଜର୍ଣ୍ଣାଲ୍ (ଡବ୍ଲୁଏସଜେ) ର ବୃକ୍ଷବଣରେ ତାଲିମପ୍ରାପ୍ତ ଏବଂ ପରୀକ୍ଷିତ ହୋଇଥିବା ପରିସଂଖ୍ୟାନ ବିଶ୍ଳେଷଣକାରୀମାନେ ଗତ 10 ବର୍ଷ ମଧ୍ୟରେ ବ୍ୟାପକ ଉନ୍ନତି ଦେଖାଇଛନ୍ତି । କିନ୍ତୁ ଏହି ଉନ୍ନତିର ଅଧିକାଂଶ ଅଂଶ WSJ ଟ୍ରି ବ୍ୟାଙ୍କ ଡାଟା ଉପରେ ପ୍ରଶିକ୍ଷଣ ଦିଆଯାଉଥିବା ଫିଚର ସଂଖ୍ୟା ଉପରେ ଆଧାରିତ । ଏହାଦ୍ୱାରା ଚିନ୍ତାର କାରଣ ହେଲା ଯେ ଏହିପରି ପାର୍ସରଗୁଡ଼ିକ ଅନ୍ୟ ଜେନେରେସକୁ ସ୍ଥାନାନ୍ତରିତ ହେବା ସତ୍ତ୍ୱେ ଏହି କୋରପସକୁ ଅତି ସୂକ୍ଷ୍ମ ଭାବରେ ଟ୍ୟୁନ କରାଯାଇପାରେ । ଏପରି ଚିନ୍ତାର ଯଥାର୍ଥତା ରହିଛି । ମାନକ "ଚାର୍ନିଆକ ପାରସର" ପେନ୍ ୱାଲ୍ସ ଜର୍ଣ୍ଣାଲ ପରୀକ୍ଷଣ ସେଟରେ ୮୯.୭% ସଠିକତା ରେକଲ f-ମେଜରେ ଯାଞ୍ଚ କରିଥାଏ, କିନ୍ତୁ ବ୍ରାଉନ୍ ଟ୍ରିବ୍ୟାଙ୍କ୍ କୋରପସରୁ ପରୀକ୍ଷଣ ସେଟରେ କେବଳ ୮୨.୯% । ଏହି କାଗଜ ଏହି ଭୟକୁ ଦୂର କରିବ । ବିଶେଷ କରି ଆମେ ଦେଖାଇଛୁ ଯେ ଚାର୍ନିୟକ ଏବଂ ଜନସନ (୨୦୦୫) ରେ ବର୍ଣ୍ଣିତ ପୁନଃ-ର୍ୟାଙ୍କିଙ୍ଗ ପାର୍ସର ବ୍ରାଉନ ପାର୍ସରର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ୮୫.୨% କୁ ଉନ୍ନତ କରିଥାଏ । ଏହା ବ୍ୟତୀତ, (McClosky et al., 2006) ରେ ବର୍ଣ୍ଣିତ ସ୍ୱୟଂ ପ୍ରଶିକ୍ଷଣ କୌଶଳ ବ୍ୟବହାର କରି ଏହାକୁ 87.8% (୨୮%ର ତ୍ରୁଟି ହ୍ରାସ) କୁ ବୃଦ୍ଧି କରାଯାଇଛି, ପୁଣିଥରେ କୌଣସି ଲେଟେଲ୍ଡ ବ୍ରାଉନ୍ ତଥ୍ୟ ବ୍ୟବହାର ନକରି । ଏହା ଉଲ୍ଲେଖନୀୟ ଯେହେତୁ ବ୍ରାଉନ ଡାଟା ଉପରେ ପାର୍ସର ଏବଂ ରିର୍ୟାଙ୍କର ଟ୍ରେନିଂ ମାତ୍ର 88.4% ହାସଲ କରିଥାଏ । |
d4e974d68c36de92609fcffaa3ee11bbcbc9eb57 | |
13d09bcec49d2f0c76194f88b59520e6d20e7a34 | ଅପରାଧ ସ୍ଥଳରୁ ଅଜଣା ଅଦୃଶ୍ୟ ଆଙ୍ଗୁଠି ଚିହ୍ନକୁ ଆଇନ ପ୍ରବର୍ତ୍ତନକାରୀ ଡାଟାବେସରେ ଥିବା ସମ୍ପୂର୍ଣ୍ଣ (ରୋଲ୍ଡ କିମ୍ବା ସାଧା) ଆଙ୍ଗୁଠି ଚିହ୍ନ ସହିତ ମେଳ କରିବା ଅପରାଧର ମୁକାବିଲା ଏବଂ ଆତଙ୍କବାଦର ମୁକାବିଲା ପାଇଁ ଅତ୍ୟନ୍ତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । ପଞ୍ଜୀକରଣ ସମୟରେ ଲାଇଭ୍ ସ୍କାନ୍ କିମ୍ବା ଇଙ୍କିଂ ପଦ୍ଧତି ବ୍ୟବହାର କରି ହାସଲ କରାଯାଇଥିବା ଭଲ ଗୁଣବତ୍ତା ପୂର୍ଣ୍ଣ ଆଙ୍ଗୁଠି ଚିହ୍ନ ସହିତ ତୁଳନା କଲେ, ଲୁକ୍କାୟିତ ଆଙ୍ଗୁଠି ଚିହ୍ନ ପ୍ରାୟତଃ ଅସ୍ପଷ୍ଟ ଏବଂ ଅସ୍ପଷ୍ଟ, କେବଳ ଏକ ଛୋଟ ଆଙ୍ଗୁଠି ଅଞ୍ଚଳକୁ ଧାରଣ କରିଥାଏ ଏବଂ ଏଥିରେ ବଡ଼ ଅଣ-ଲିନର୍ ବିକୃତି ରହିଥାଏ । ଏହି କାରଣରୁ, ଲ୍ୟାଟେଣ୍ଟରେ ଥିବା ବିଶେଷତ୍ୱ (ମିନିଟିୟ ଏବଂ ସିଙ୍ଗୁଲାର ପଏଣ୍ଟ) କୁ ସାଧାରଣତଃ ତାଲିମପ୍ରାପ୍ତ ଲ୍ୟାଟେଣ୍ଟ ପରୀକ୍ଷକମାନଙ୍କ ଦ୍ୱାରା ମାନୁଆଲୀ ଭାବରେ ଚିହ୍ନିତ କରାଯାଇଥାଏ । ତେବେ ଏହାଦ୍ୱାରା ଲୁକ୍କାୟିତ ପରୀକ୍ଷକ ଏବଂ ସ୍ୱୟଂଚାଳିତ ଆଙ୍ଗୁଠି ଚିହ୍ନଟ ପ୍ରଣାଳୀ (ଏଏଫଆଇଏସ) ମଧ୍ୟରେ ଏକ ଅବାଞ୍ଛିତ ପାରସ୍ପରିକ କାର୍ଯ୍ୟକ୍ଷମତା ସମସ୍ୟା ସୃଷ୍ଟି ହୋଇଥାଏ । ପରୀକ୍ଷକମାନଙ୍କ ଦ୍ୱାରା ଚିହ୍ନଟ କରାଯାଇଥିବା ବୈଶିଷ୍ଟ୍ୟଗୁଡିକ ସବୁବେଳେ ଏଏଫଆଇଏସ ଦ୍ୱାରା ସ୍ୱୟଂଚାଳିତ ଭାବରେ ବାହାର କରାଯାଇଥିବା ବୈଶିଷ୍ଟ୍ୟଗୁଡିକ ସହିତ ସୁସଂଗତ ହୋଇନଥାଏ । ଯାହାଫଳରେ ମେଳ ଖାଉଥିବା ସଠିକତା ହ୍ରାସ ପାଇଥାଏ । ଯଦିଓ ଲ୍ୟାଟେଣ୍ଟରୁ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ବାହାର କରାଯାଇଥିବା ମିନିଟିଆର ବ୍ୟବହାର ଦ୍ୱାରା ପାରସ୍ପରିକ କାର୍ଯ୍ୟକାରିତା ସମସ୍ୟାକୁ ଏଡ଼ାଯାଇପାରିବ, ଏହିପରି ମିନିଟିଆଗୁଡ଼ିକର ଗୁଣବତ୍ତା ଖରାପ ଥିବାରୁ ଏହା ଅତ୍ୟନ୍ତ ଅବିଶ୍ୱସନୀୟ ହୋଇଥାଏ । ଏହି ଅଧ୍ୟୟନରେ ଆମେ ହସ୍ତକୃତ ଭାବରେ ଚିହ୍ନିତ (ଜମି ସତ୍ୟ) ସୂକ୍ଷ୍ମ ତଥ୍ୟକୁ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ବାହାର କରାଯାଇଥିବା ସୂକ୍ଷ୍ମ ତଥ୍ୟ ସହିତ ମିଶାଇ ଅଙ୍ଗୁଳି ଚିହ୍ନର ସମ୍ପୂର୍ଣ୍ଣ ସଠିକତା ବୃଦ୍ଧି କରିଛୁ । ଏକ ସର୍ବସାଧାରଣ ଡାଟାବେସ, NIST SD27 ରେ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ପ୍ରସ୍ତାବିତ ଆଲଗୋରିଦମର ପ୍ରଭାବକୁ ଦର୍ଶାଇଥାଏ । |
a5a268d65ad1e069770c11005021d830754b0b5c | ବର୍ତ୍ତମାନ ବୈଜ୍ଞାନିକ ସମୁଦାୟଙ୍କ ମଧ୍ୟରେ ଇଣ୍ଟରନେଟ ଅଫ୍ ଥିଙ୍ଗ୍ସ ପ୍ରତି ବିଶେଷ ଆଗ୍ରହ ଦେଖାଦେଇଛି । ଉଭୟ ଶିକ୍ଷା ଓ ଉଦ୍ୟୋଗ ଜଗତରେ, ସର୍ବୋତ୍ତମ କାର୍ଯ୍ୟପଦ୍ଧତିର ମାନକୀକରଣ ଓ ବିକାଶ ମାଧ୍ୟମରେ ବ୍ୟବହାର, ରକ୍ଷଣାବେକ୍ଷଣ ଓ ନିରାପତ୍ତାକୁ ଉନ୍ନତ କରିବା ପାଇଁ ପ୍ରୟାସ କରାଯାଉଛି । ଆମେ ନିରାପତ୍ତା ଉପରେ ଗୁରୁତ୍ୱ ଦେଉଛୁ କାରଣ ଏହା ଇଣ୍ଟରନେଟ ଅଫ ଥିଙ୍ଗ୍ସର ବ୍ୟାପକ ଗ୍ରହଣକୁ ସୀମିତ କରୁଥିବା ଏକ ପ୍ରମୁଖ କାରଣ । ଏହି କାଗଜରେ ପରିଚୟ ପରିଚାଳନା, ପ୍ରମାଣୀକରଣ ଏବଂ ପ୍ରାଧିକରଣ କ୍ଷେତ୍ରରେ ଆପ୍ଲିକେସନ ସ୍ତରରେ ଇଣ୍ଟରନେଟ ଅଫ୍ ଥିଙ୍ଗ୍ ପରିବେଶରେ ପ୍ରଯୁଜ୍ୟ ହେଉଥିବା ବର୍ତ୍ତମାନର ଗବେଷଣା ଉପରେ ଏକ ସମୀକ୍ଷା ପ୍ରଦାନ କରାଯାଇଛି । ଆମେ 200ରୁ ଅଧିକ ଲେଖା ସର୍ଭେ କରି ବିଶ୍ଳେଷଣ କରିଛୁ, ସେଗୁଡିକୁ ଶ୍ରେଣୀଭୁକ୍ତ କରିଛୁ, ଏବଂ ଇଣ୍ଟରନେଟ୍ ଅଫ୍ ଥିଙ୍ଗସ୍ ସୁରକ୍ଷା କ୍ଷେତ୍ରରେ ସାମ୍ପ୍ରତିକ ଧାରାକୁ ଉପସ୍ଥାପନ କରିଛୁ । |
81f76e74807e9d04e14065715e46a2d770a6d9cd | |
df26f9822785b07e787d43429ee5fdd2794ac7f8 | ଏହି କାଗଜରେ ବସ୍ତୁମାନଙ୍କର ଆପେକ୍ଷିକ ଅବସ୍ଥାନକୁ ପ୍ରତିନିଧିତ୍ୱ କରୁଥିବା କୋଅର୍ଡିନେଟ ଫ୍ରେମ ମଧ୍ୟରେ ନାମମାତ୍ର ସମ୍ବନ୍ଧ ଏବଂ ଆଶାତୀତ ତ୍ରୁଟି (କୋଭାରିଏନ୍ସ) ର ଆକଳନ ପାଇଁ ଏକ ସାଧାରଣ ପଦ୍ଧତି ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଫ୍ରେମଗୁଡ଼ିକ କେବଳ ପରୋକ୍ଷ ଭାବରେ ଜଣା ଯାଇପାରେ, ବିଭିନ୍ନ ଭୌଗଳିକ ସମ୍ପର୍କ ମାଧ୍ୟମରେ, ପ୍ରତ୍ୟେକଟି ଏହାର ସଂଯୁକ୍ତ ତ୍ରୁଟି ସହିତ, ବିଭିନ୍ନ କାରଣରୁ ଉତ୍ପନ୍ନ, ପୋଜିସନିଂ ତ୍ରୁଟି, ମାପ ତ୍ରୁଟି କିମ୍ବା ଅଂଶ ଆକାରରେ ଟୋଲେରାନ୍ସ ଅନ୍ତର୍ଭୁକ୍ତ କରି _ ଏହି ଆକଳନ ପଦ୍ଧତିକୁ ବ୍ୟବହାର କରି ପ୍ରଶ୍ନର ଉତ୍ତର ଦିଆଯାଇପାରିବ ଯେ ରୋବଟ ସହିତ ସଂଯୁକ୍ତ କ୍ୟାମେରାରେ ଏହାର ଦୃଶ୍ୟ କ୍ଷେତ୍ରରେ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ରେଫରେନ୍ସ ବସ୍ତୁ ଥିବାର ସମ୍ଭାବନା ଅଛି କି ନାହିଁ । ଗଣନା କରାଯାଇଥିବା ଆକଳନ ଏକ ସ୍ୱାଧୀନ ମଣ୍ଟେ କାର୍ଲୋ ସିମୁଲେସନ ସହିତ ଭଲ ଭାବରେ ମେଳ ଖାଉଛି । ଏହି ପଦ୍ଧତି ଦ୍ବାରା ଏହା ପୂର୍ବରୁ ସ୍ଥିର କରାଯାଇପାରିବ ଯେ କୌଣସି କାର୍ଯ୍ୟ ପାଇଁ ଏକ ଅନିଶ୍ଚିତ ସମ୍ପର୍କ ଯଥେଷ୍ଟ ସଠିକ ଭାବରେ ଜଣା ଯାଇଥାଏ କି ନାହିଁ ଏବଂ ଯଦି ନୁହେଁ, ତେବେ ପ୍ରସ୍ତାବିତ ସେନସର ଅବସ୍ଥାନ ଜ୍ଞାନରେ କେତେ ଉନ୍ନତି ଆଣିବ । ଏହି ପଦ୍ଧତିକୁ ଛଅଟି ସ୍ୱାଧୀନତା ସ୍ତର ପାଇଁ ସାଧାରଣ କରାଯାଇପାରିବ ଏବଂ ଏହା ବସ୍ତୁଗୁଡ଼ିକ ମଧ୍ୟରେ ସମ୍ପର୍କ (ସ୍ଥିତି ଏବଂ ଦିଗ) ର ଆକଳନ କରିବା ସହିତ ସମ୍ପର୍କ ସହିତ ଜଡିତ ଅନିଶ୍ଚିତତାକୁ ଆକଳନ କରିବାର ଏକ ବ୍ୟବହାରିକ ମାଧ୍ୟମ ପ୍ରଦାନ କରିଥାଏ । |
414b0d139d83024d47649ba37c3d11b1165057d6 | ଭାରତ ହେଉଛି କୃଷି ଆଧାରିତ ରାଷ୍ଟ୍ର । କୃଷିଭିତ୍ତିକ ଉତ୍ପାଦର ଉତ୍ପାଦକତା ଏବଂ ଗୁଣବତ୍ତାରେ ଉନ୍ନତି ଆଣିବା ଆବଶ୍ୟକ । ପ୍ରସ୍ତାବିତ ଡିଜାଇନ ଏକ ସ୍ୱୟଂଚାଳିତ ବ୍ୟବସ୍ଥା ଯାହା ଚାଷୀଙ୍କୁ ଜଳସେଚନ ପ୍ରକ୍ରିୟାରେ ସହାୟତା କରିଥାଏ । ଏହା ଏକ ଇନ-ବୋର୍ଡ ଏଲସିଡି ଡିସପ୍ଲେ ମାଧ୍ୟମରେ କୃଷକଙ୍କୁ ସୂଚନା ଦେଇଥାଏ ଏବଂ କୃଷକଙ୍କ ସେଲୁଲାର ନମ୍ବରରେ ବାର୍ତ୍ତା ପଠାଯାଇଥାଏ । ଏହି ପ୍ରସ୍ତାବିତ ଡିଜାଇନ ସେହି କୃଷକମାନଙ୍କ ପାଇଁ ମଧ୍ୟ ସହାୟକ ହେବ ଯେଉଁମାନେ ବିଦ୍ୟୁତ ବିଚ୍ଛିନ୍ନତା କିମ୍ବା ଅପର୍ଯ୍ୟାପ୍ତ ଏବଂ ଅସମାନ ଜଳ ଯୋଗାଣ କାରଣରୁ ସମାନ ଜଳ ଯୋଗାଣ ପାଇଁ ବିଦ୍ୟୁତ ବିଚ୍ଛିନ୍ନତା ସମସ୍ୟାର ସମ୍ମୁଖୀନ ହେଉଛନ୍ତି । ସ୍ୱୟଂଚାଳିତ ଜଳସେଚନ ବ୍ୟବସ୍ଥା ମଧ୍ୟ ସିମ୍ ୯୦୦ ମଡ୍ୟୁଲ ଜରିଆରେ ସମସ୍ତ ପୃଷ୍ଠଭୂମି ଗତିବିଧି ସମ୍ପର୍କରେ ଚାଷୀଙ୍କୁ ଅବଗତ କରାଇଥାଏ । ଏହି ଉପକରଣ ଆମ ସମାଜ ପାଇଁ ଏକ ପରିବର୍ତ୍ତନକାରୀ ଦିଗ ହୋଇପାରେ । ଏହି ଉପକରଣ ଦେଶର କୃଷକମାନଙ୍କ ପାଇଁ ସହଜରେ ଉପଲବ୍ଧ । ଏହି ପ୍ରସ୍ତାବିତ ଡିଜାଇନ ମାନବ ଶ୍ରମକୁ ହ୍ରାସ କରିବାରେ ସହାୟକ ହେବ । ଏହା ଏକ ନିମ୍ନ ବଜେଟ ବ୍ୟବସ୍ଥା ଯାହାର ସାମାଜିକ ପ୍ରୟୋଗ ଅତ୍ୟନ୍ତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । |
6ed591fec03437ed2bf7479d92f49833e3851f71 | ଏକ ବୁଦ୍ଧିମାନ ବୁନ୍ଦା ଜଳସେଚନ ବ୍ୟବସ୍ଥା ୱାୟାରଲେସ୍ ସେନସର ଏବଂ ଫଜ୍ଜି ଲଜିକ ବ୍ୟବହାର କରି କୃଷି ଫସଲ ପାଇଁ ଜଳ ଏବଂ ସାର ବ୍ୟବହାରକୁ ଅନୁକୂଳ କରିଥାଏ । ଏହି ବେତାର ସେନସର ନେଟୱର୍କରେ ଅନେକ ସେନସର ନୋଡ, ହବ୍ ଏବଂ କଣ୍ଟ୍ରୋଲ ୟୁନିଟ ରହିଛି । ସେନସର ତାପମାତ୍ରା, ମୃତ୍ତିକା ଆର୍ଦ୍ରତା ଭଳି ତଥ୍ୟ ସଂଗ୍ରହ କରିଥାଏ । ଏହି ତଥ୍ୟକୁ ହବ୍ କୁ ୱାୟାରଲେସ୍ ଟେକ୍ନୋଲୋଜି ବ୍ୟବହାର କରି ପଠାଯାଏ । ହବ୍ ଫଜ୍ଜି ଲଜିକ୍ ବ୍ୟବହାର କରି ତଥ୍ୟକୁ ପ୍ରୋସେସ୍ କରିଥାଏ ଏବଂ ଭ୍ୟାଲଭ୍କୁ ଖୋଲା ରଖିବା ପାଇଁ ସମୟ ସ୍ଥିର କରିଥାଏ । ତେଣୁ, ଡ୍ରିପ୍ ଜଳସେଚନ ବ୍ୟବସ୍ଥା ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ସମୟ ପାଇଁ କାର୍ଯ୍ୟକାରୀ ହୋଇଥାଏ । ଏହି ସମଗ୍ର ବ୍ୟବସ୍ଥା ଫୋଟୋଭୋଲ୍ଟାଇକ ସେଲ ଦ୍ୱାରା ପରିଚାଳିତ ଏବଂ ଏଥିରେ ଏକ ଯୋଗାଯୋଗ ଲିଙ୍କ ରହିଛି ଯାହାଦ୍ୱାରା ସେଲୁଲାର ଟେକ୍ସଟ ମେସେଜ ଜରିଆରେ ଏହି ବ୍ୟବସ୍ଥା ଉପରେ ନଜର ରଖାଯାଇପାରିବ, ନିୟନ୍ତ୍ରଣ କରାଯାଇପାରିବ ଏବଂ ଯୋଜନା କରାଯାଇପାରିବ । ଏହି ବ୍ୟବସ୍ଥା ଦ୍ୱାରା ଫସଲର ଜଳ ଆବଶ୍ୟକତାକୁ ଶୀଘ୍ର ଏବଂ ସଠିକ ଭାବେ ହିସାବ କରାଯାଇପାରିବ, ଯାହା ଜଳ ସଞ୍ଚୟ ଜଳସେଚନ ପାଇଁ ଏକ ବୈଜ୍ଞାନିକ ଆଧାର ପ୍ରଦାନ କରିପାରିବ ଏବଂ ବ୍ୟବହୃତ ସାରର ପରିମାଣକୁ ଅନୁକୂଳ କରିବା ପାଇଁ ଏକ ପଦ୍ଧତି ମଧ୍ୟ ପ୍ରଦାନ କରିପାରିବ । |
8075c73fd8b13fa9663230a383f5712bf210ebcf | ଅର୍ଦ୍ଧ ଶୁଷ୍କ ଏବଂ ଶୁଷ୍କ ଅଞ୍ଚଳରେ ଜଳ ପରିଚାଳନା ଏକ ପ୍ରମୁଖ ଚିନ୍ତାର ବିଷୟ । କ୍ଷେତରେ ଥିବା ସେନସର ଆଧାରିତ ଜଳସେଚନ ବ୍ୟବସ୍ଥା କ୍ଷେତ ନିର୍ଦ୍ଦିଷ୍ଟ ଜଳସେଚନ ପରିଚାଳନାକୁ ସମର୍ଥନ କରିବା ପାଇଁ ଏକ ସମ୍ଭାବ୍ୟ ସମାଧାନ ପ୍ରଦାନ କରିଥାଏ ଯାହା ଜଳ ସଂରକ୍ଷଣ ସହିତ ଉତ୍ପାଦକମାନଙ୍କୁ ସେମାନଙ୍କର ଉତ୍ପାଦକତା ବୃଦ୍ଧି କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ଏହି ଦସ୍ତାବିଜରେ ପରିବର୍ତ୍ତନଶୀଳ ହାର ଜଳସେଚନ, ଏକ ବେତାର ସେନସର ନେଟୱାର୍କ ଏବଂ ଏକ ସାଇଟ୍ ନିର୍ଦ୍ଦିଷ୍ଟ ସଠିକତା ରେଖୀ-ଚାଳନା ଜଳସେଚନ ବ୍ୟବସ୍ଥାର ରିଅଲ୍ ଟାଇମ୍ ଇନ୍-ଫିଲ୍ଡ ସେନ୍ସିଂ ଏବଂ ନିୟନ୍ତ୍ରଣ ପାଇଁ ସଫ୍ଟୱେର୍ ର ଡିଜାଇନ୍ ଏବଂ ଉପକରଣର ବର୍ଣ୍ଣନା କରାଯାଇଛି । କ୍ଷେତର ସ୍ଥିତି ଉପରେ ୬ଟି କ୍ଷେତରେ ଥିବା ସେନସର ଷ୍ଟେସନ ଦ୍ୱାରା ନିର୍ଦ୍ଦିଷ୍ଟ ଭାବେ ନଜର ରଖାଯାଇଥିଲା । ଏକ ଜଳସେଚନ ଯନ୍ତ୍ରକୁ ଏକ ପ୍ରୋଗ୍ରାମିଂ ଲଜିକ୍ କଣ୍ଟ୍ରୋଲର ଦ୍ୱାରା ଇଲେକ୍ଟ୍ରୋନିକ୍ସ ଭାବରେ ନିୟନ୍ତ୍ରିତ ହେବା ପାଇଁ ରୂପାନ୍ତରିତ କରାଯାଇଥିଲା ଯାହା ଏକ ଡିଫେରେନସିଆଲ ଗ୍ଲୋବାଲ ପୋଜିସନିଂ ସିଷ୍ଟମ (ଜିପିଏସ) ରୁ ସ୍ପ୍ରିଙ୍କଲରଗୁଡିକର ଭୌଗୋଳିକ ସ୍ଥାନକୁ ଅପଡେଟ୍ କରେ ଏବଂ ବେସ୍ ଷ୍ଟେସନରେ ଏକ କମ୍ପ୍ୟୁଟର ସହିତ ୱାୟାରଲେସ୍ ଯୋଗାଯୋଗ କରେ । ସେନସର ନେଟୱର୍କ ଏବଂ ଜଳସେଚନ ନିୟନ୍ତ୍ରକରୁ ବେସ ଷ୍ଟେସନକୁ କମ ଖର୍ଚ୍ଚର ବ୍ଲୁଟୁଥୁ ୱାୟାରଲେସ ରେଡିଓ ଯୋଗାଯୋଗ ବ୍ୟବହାର କରି ଯୋଗାଯୋଗ ସିଗନାଲ୍ ସଫଳତାର ସହ ଇଣ୍ଟରଫେସ୍ କରାଯାଇଥିଲା । ଏହି କାଗଜରେ ବିକଶିତ ଗ୍ରାଫିକ ୟୁଜର ଇଣ୍ଟରଫେସ ଆଧାରିତ ସଫ୍ଟୱେର କ୍ଷେତ୍ରର ସ୍ଥିତିକୁ ସ୍ଥିର ଦୂରଗାମୀ ପ୍ରବେଶ ଏବଂ ପରିବର୍ତ୍ତନଶୀଳ ହାର ଜଳସେଚନ ନିୟନ୍ତ୍ରକ ର ବାସ୍ତବ ସମୟ ନିୟନ୍ତ୍ରଣ ଏବଂ ଅନୁଧ୍ୟାନ ପ୍ରଦାନ କରିଥିଲା । |
ebf9bfbb122237ffdde5ecbbb292181c92738fd4 | ଏହି ଦସ୍ତାବିଜରେ ଏକ ଥର୍ମୋ-ଇଲେକ୍ଟ୍ରିକ ଜେନେରେଟର (ଟିଇଜି) ର ଡିଜାଇନ ଏବଂ ନିର୍ମାଣ ଏବଂ ଏହି ଟିଇଜିକୁ ମାଟିର ଆର୍ଦ୍ରତା ଡିଟେକ୍ଟର ଭାବରେ ବ୍ୟବହାର କରି ଏକ ସ୍ୱୟଂଚାଳିତ ଜଳସେଚନ ବ୍ୟବସ୍ଥାର କାର୍ଯ୍ୟକାରିତା ଦର୍ଶାଯାଇଛି । ଦୁଇଟି ଉତ୍ତାପ ବିନିମୟକାରୀ ଯନ୍ତ୍ରରେ ଲାଗିଥିବା ଟିଇଜି ବାୟୁ ଓ ମୃତ୍ତିକା ମଧ୍ୟରେ ଥିବା ତାପମାତ୍ରା ପାର୍ଥକ୍ୟକୁ ଚିହ୍ନଟ କରିପାରିବ । TEGର ଆଉଟପୁଟରୁ ମାଟିର ଆର୍ଦ୍ରତା ସ୍ତର ପାଇବାରେ ସକ୍ଷମ ହୋଇ, ଜଳସେଚନ ବ୍ୟବସ୍ଥାକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ପାଇଁ ଏକ ମାଇକ୍ରୋକଣ୍ଟ୍ରୋଲର ବ୍ୟବହାର କରାଯାଏ । ଜଳସେଚନ ବ୍ୟବସ୍ଥା ଟିଇଜି ମାଧ୍ୟମରେ ଚିହ୍ନଟ ହେଉଥିବା ଆର୍ଦ୍ରତା ଆଧାରରେ ଜଳସେଚିତ ହେଉଥିବା ମୃତ୍ତିକା କ୍ଷେତ୍ରର ସ୍ଥିତିକୁ ଅନୁକୂଳ କରିଥାଏ । ମାଟିର ଜଳ ବ୍ୟବହାରକୁ ସ୍ୱୟଂଚାଳିତ ଜଳସେଚନ ବ୍ୟବସ୍ଥା ଦ୍ୱାରା ମାଟିର ସ୍ଥିତି ଆଧାରରେ ନିୟନ୍ତ୍ରଣ କରାଯାଇଥାଏ ଏବଂ ଏହାଦ୍ୱାରା ମାନୁଆଲ ଜଳସେଚନ ବ୍ୟବସ୍ଥା ତୁଳନାରେ ଜଳ ସଂରକ୍ଷଣକୁ ପ୍ରୋତ୍ସାହନ ମିଳିଥାଏ । ଏହା ମଧ୍ୟ ଗଛର ବୃଦ୍ଧିକୁ ସୁଧାରିବାରେ ସାହାଯ୍ୟ କରେ କାରଣ ଏହା ଠିକ୍ ସମୟରେ ଠିକ୍ ଆର୍ଦ୍ରତା ସ୍ତରରେ ପାଣି ଦେଇଥାଏ । |
59f153ddd37e22af153aa0d7caf3ec44053aa8e8 | ବର୍ତ୍ତମାନ ସମୟରେ ଜଳସେଚନ କ୍ଷେତ୍ରରେ ଶ୍ରମ ଓ ଜଳ ସଂଚୟ ପ୍ରଯୁକ୍ତି ଏକ ପ୍ରମୁଖ ପ୍ରସଙ୍ଗ । ଏହି କାଗଜରେ ଜିଗବି ଟେକ୍ନୋଲୋଜି ଉପରେ ଆଧାରିତ ଏକ ଇଲେକ୍ଟ୍ରୋନିକ୍ସ ଫାର୍ମ ଇରିଗେସନ ସିଷ୍ଟମ ପାଇଁ ଏକ ୱାୟାରଲେସ ସମାଧାନ ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି । ପାରମ୍ପରିକ ତାରଯୁକ୍ତ ସଂଯୋଗ ପରିବର୍ତ୍ତେ, ତାରବିହୀନ ଡିଜାଇନ୍ ସିଷ୍ଟମକୁ ସହଜରେ ସଂସ୍ଥାପନ ଏବଂ ରକ୍ଷଣାବେକ୍ଷଣ କରିଥିଲା । ଏହି ଉପକରଣର ହାର୍ଡୱେର ଆର୍କିଟେକ୍ଚର ଏବଂ ସଫ୍ଟୱେର ଆଲଗୋରିଦମକୁ ବିସ୍ତୃତ ଭାବେ ପ୍ରସ୍ତୁତ କରାଯାଇଛି । ଶେଷରେ ସମଗ୍ର ବ୍ୟବସ୍ଥାର କାର୍ଯ୍ୟଦକ୍ଷତା ମୂଲ୍ୟାୟନ କରାଯାଇଥିଲା । ଦୀର୍ଘ ସମୟ ଧରି ଏହି ବ୍ୟବସ୍ଥାକୁ ସଠିକ ଭାବେ କାର୍ଯ୍ୟକାରୀ କରିବା ପରେ ଏହାର ଉଚ୍ଚ ବିଶ୍ୱସନୀୟତା ଓ ବ୍ୟବହାରିକତା ପ୍ରମାଣିତ ହୋଇଛି । ଜଳସେଚନ ପରିଚାଳନାରେ ୱାୟାରଲେସ୍ ସେନସର ନେଟୱାର୍କର ଏକ ଅନୁସନ୍ଧାନକାରୀ ପ୍ରୟୋଗ ଭାବରେ, ଏହି କାଗଜରେ ବୃହତ-ମାପ ବିଶିଷ୍ଟ ସୁଦୂର ବୁଦ୍ଧିମାନ ଜଳସେଚନ ବ୍ୟବସ୍ଥା ପ୍ରତିଷ୍ଠା ପାଇଁ ଏକ ପଦ୍ଧତି ପ୍ରଦାନ କରାଯାଇଛି । |
96e92ff6c7642cc75dc856ae4b22a5409c69e6cb | ସମବାୟ ଦିଗ ନିର୍ଣ୍ଣୟ (ସିଏନ) ସମବାୟ ରୋବଟ ସମୂହକୁ ସେମାନଙ୍କର ବ୍ୟକ୍ତିଗତ ଦିଗ ନିର୍ଣ୍ଣୟ ତ୍ରୁଟି ହ୍ରାସ କରିବାକୁ ସକ୍ଷମ କରେ । ଏକ ସାଧାରଣ ମଲ୍ଟି ରୋବଟ୍ (ଏମ୍ଆର) ମାପ ମଡେଲ ପାଇଁ ଯେଉଁଥିରେ ଉଭୟ ଇନର୍ସିଆଲ୍ ନାଭିଗେସନ୍ ଡାଟା ଏବଂ ଅନ୍ୟାନ୍ୟ ବୋର୍ଡ ସେନ୍ସର ରିଡିଂ ଅନ୍ତର୍ଭୁକ୍ତ, ଯାହା ବିଭିନ୍ନ ସମୟରେ ନିଆଯାଏ, ବିଭିନ୍ନ ସୂଚନାର ଉତ୍ସଗୁଡିକ ପରସ୍ପର ସହ ଜଡିତ ହୋଇଯାଏ । ତେଣୁ, ଏହି ସମ୍ପର୍କକୁ ସୂଚନାର ମିଶ୍ରଣ ପ୍ରକ୍ରିୟାରେ ସମାଧାନ କରାଯିବା ଉଚିତ ଯାହାଦ୍ୱାରା ଏକ ସୁସଙ୍ଗତ ସ୍ଥିତି ଆକଳନ କରାଯାଇପାରିବ । ଏହି ସମ୍ପର୍କକୁ ଜାଣିବା ପାଇଁ ଏକ ସାଧାରଣ ପଦ୍ଧତି ହେଉଛି ଏକ ଆଗୁମେଣ୍ଟେଡ୍ କୋଭାରିଏନ୍ସ ମ୍ୟାଟ୍ରିକ୍ସକୁ ବଜାୟ ରଖିବା । ଏହି ପଦ୍ଧତି ଆପେକ୍ଷିକ ସ୍ଥିତି ମାପ ପାଇଁ କାମ କରିବ, କିନ୍ତୁ ସାଧାରଣ ଏମଆର ମାପ ମଡେଲ ପାଇଁ ଏହା ଅସାଧ୍ୟ ଅଟେ, କାରଣ ମାପ ସୃଷ୍ଟି କରିବାରେ ଜଡିତ ରୋବଟଗୁଡିକର ପରିଚୟ, ଏବଂ ମାପ ସମୟର ଉଦାହରଣଗୁଡିକ ଅଜ୍ଞାତ ଅଟେ । ବର୍ତ୍ତମାନର କାର୍ଯ୍ୟରେ, ଏକ ସାଧାରଣ MR ମାପନ ମଡେଲ ପାଇଁ ଏକ ନୂତନ ସୁସଙ୍ଗତ ସୂଚନା ଫ୍ୟୁଜନ୍ ପଦ୍ଧତି ବିକଶିତ କରାଯାଇଛି । ପ୍ରସ୍ତାବିତ ପଦ୍ଧତି ଗ୍ରାଫ ତତ୍ତ୍ୱ ଉପରେ ଆଧାରିତ । ଏହା ଆବଶ୍ୟକୀୟ ସମ୍ବନ୍ଧୀୟ ଶବ୍ଦଗୁଡ଼ିକର ନିର୍ଦ୍ଦିଷ୍ଟ ଚାହିଦା ହିସାବକୁ ଅନୁମତି ଦେଇଥାଏ । ଗ୍ରାଫକୁ ଗ୍ରୁପର ପ୍ରତ୍ୟେକ ରୋବଟ ସ୍ଥାନୀୟ ଭାବେ ପରିଚାଳନା କରିଥାନ୍ତି, ଯାହାକି ସମସ୍ତ ଏମଆର ମାପ ଅପଡେଟକୁ ପ୍ରତିନିଧିତ୍ୱ କରିଥାଏ । ଏହି ବିକଶିତ ପଦ୍ଧତି ଦ୍ୱାରା MR ମାପନର ସର୍ବାଧିକ ସାଧାରଣ ପରିସ୍ଥିତିରେ ସମ୍ବନ୍ଧୀୟ ଶବ୍ଦଗୁଡ଼ିକୁ ଗଣନା କରାଯାଇଥାଏ ଏବଂ ଏଥିରେ ଜଡିତ ପ୍ରକ୍ରିୟା ଏବଂ ମାପ ଶବ୍ଦକୁ ସଠିକ୍ ଭାବରେ ପରିଚାଳନା କରାଯାଇଥାଏ । ଏକ ତ୍ରି-ଦୃଶ୍ୟ ମାପ ମଡେଲ ଉପରେ ଆଧାରିତ ଭିଜନ୍-ଆୟୋଜିତ ନାଭିଗେସନ୍ ପାଇଁ ପଦ୍ଧତିର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଦର୍ଶାଉଥିବା ଏକ ଥିଓରିଟିକାଲ୍ ଉଦାହରଣ ଏବଂ ଏକ ପରିସଂଖ୍ୟାନ ଅଧ୍ୟୟନ ପ୍ରଦାନ କରାଯାଇଛି । ଏହି ପଦ୍ଧତିକୁ ଏକ ସିମୁଲେଟେଡ୍ ପରିବେଶରେ ଏକ ଫିକ୍ସଡ-ଲେଗ କେନ୍ଦ୍ରୀକୃତ ସିଲେଇ ପଦ୍ଧତି ସହିତ ତୁଳନା କରାଯାଏ । ଏହି ପଦ୍ଧତିକୁ ଏକ ପରୀକ୍ଷଣରେ ମଧ୍ୟ ପ୍ରମାଣିତ କରାଯାଇଛି ଯେଉଁଥିରେ ବାସ୍ତବିକ ଚିତ୍ର ଏବଂ ନେଭିଗେସନ୍ ତଥ୍ୟ ସାମିଲ ରହିଛି । ଗଣନା ଜଟିଳତା ଆକଳନରୁ ଜଣାପଡ଼େ ଯେ ନୂତନ ବିକଶିତ ପଦ୍ଧତି ଗଣନାତ୍ମକ ଭାବରେ ଦକ୍ଷ ଅଟେ । |
fc20f0ce11946c7d17a676fd880fec6dfc1c0397 | |
bef9d9edd340eb09e2cda37cb7f4d4886a36fe66 | |
96230bbd9804f4e7ac0017f9065ebe488f30b642 | ଗଭୀର ସ୍ନାୟୁ ନେଟୱର୍କ ପରିପ୍ରେକ୍ଷୀରେ ଷ୍ଟୋକାଷ୍ଟିକ୍ ଗ୍ରାଡିଏଣ୍ଟ ଅବତରଣ (ଏସଜିଡି) ର ଆଚରଣକୁ ବୁଝିବା ନିକଟରେ ଅନେକ ଚିନ୍ତା ସୃଷ୍ଟି କରିଛି । ଏହି ଧାରାରେ ଆମେ ସିଦ୍ଧାନ୍ତିକ ଭାବେ ଏକ ସାଧାରଣ ପ୍ରକାର ଗ୍ରାଡିଏଣ୍ଟ ଆଧାରିତ ଅପ୍ଟିମାଇଜେସନ୍ ଡାଇନାମିକ୍ ସହିତ ନିରପେକ୍ଷ ଶବ୍ଦ ଅଧ୍ୟୟନ କରୁ, ଯାହା SGD ଏବଂ ମାନକ ଲାଙ୍ଗେଭିନ୍ ଡାଇନାମିକ୍ କୁ ଏକୀକୃତ କରେ । ଏହି ସାଧାରଣ ଅପ୍ଟିମାଇଜେସନ୍ ଡାଇନାମିକ୍ ଅନୁସନ୍ଧାନ କରି, ଆମେ ସର୍ବନିମ୍ନରୁ ଓ ଏହାର ନିୟମିତ ପ୍ରଭାବରୁ ରକ୍ଷା ପାଇବା ପାଇଁ SGD ର ଆଚରଣକୁ ବିଶ୍ଳେଷଣ କରୁ । ଶବ୍ଦ ସଂଯୋଜକତା ଏବଂ କ୍ଷତି ଫଳନ ବକ୍ରତାକୁ ମାପ କରି ସର୍ବନିମ୍ନରୁ ରକ୍ଷା ପାଇବାର ଦକ୍ଷତାକୁ ବର୍ଣ୍ଣନା କରିବା ପାଇଁ ଏକ ନୂତନ ସୂଚକ ଉତ୍ପନ୍ନ କରାଯାଇଛି । ଏହି ସୂଚକ ଆଧାରରେ ଦୁଇଟି ସର୍ତ୍ତ ନିର୍ଦ୍ଧାରିତ କରାଯାଇଛି ଯାହାଦ୍ୱାରା ଏହା ଜଣାପଡ଼ିବ ଯେ କେଉଁ ପ୍ରକାରର ଶବ୍ଦ ସଂରଚନାଟି ଏସୋଟ୍ରପିକ ଶବ୍ଦ ଠାରୁ ଅଧିକ ପ୍ରଭାବଶାଳୀ । ଆମେ ଆହୁରି ମଧ୍ୟ ଦେଖାଇଛୁ ଯେ ଏସଜିଡିରେ ଆନିସୋଟ୍ରପିକ ଶବ୍ଦ ଦୁଇଟି ସର୍ତ୍ତକୁ ପୂରଣ କରେ, ଏବଂ ଏହିପରି ଭାବରେ ତୀବ୍ର ଏବଂ ଖରାପ ସର୍ବନିମ୍ନରୁ ରକ୍ଷା ପାଇବାରେ ସାହାଯ୍ୟ କରେ, ଅଧିକ ସ୍ଥିର ଏବଂ ଫ୍ଲାଟ ସର୍ବନିମ୍ନ ଆଡକୁ ଯାହା ସାଧାରଣତ ଭଲ ଭାବରେ ସାଧାରଣ ଅଟେ । ଆମେ ଏହି ଆନିସୋଟ୍ରପିକ ପ୍ରସାରକୁ ପୂର୍ଣ୍ଣ ଗ୍ରାଡିଏଣ୍ଟ ଅବତରଣ ସହିତ ସମତୁଲ ପ୍ରସାର (ଅର୍ଥାତ୍, ଲଙ୍ଗେଭିନ୍ ଗତିଶୀଳତା) ଏବଂ ଅନ୍ୟ ପ୍ରକାରର ସ୍ଥିତି-ଆବଶ୍ଯକ ଶବ୍ଦ । |
d908f630582f1a11b6d481e635fb1d06e7671f32 | |
27db63ab642d9c27601a9311d65b63e2d2d26744 | ଗୋଟିଏ ଡାଟା ସେଟରେ ଦୁଇଟି ଶିକ୍ଷଣ ଆଲଗୋରିଦମକୁ ତୁଳନା କରିବା ପାଇଁ ପଦ୍ଧତିଗୁଡିକ ଅନେକ ସମୟ ଧରି ଯାଞ୍ଚ କରାଯାଇସାରିଛି, ଏକାଧିକ ଡାଟା ସେଟରେ ଅଧିକ ଆଲଗୋରିଦମର ତୁଳନା ପାଇଁ ପରିସଂଖ୍ୟାନ ପରୀକ୍ଷଣର ପ୍ରସଙ୍ଗ, ଯାହା ସାଧାରଣ ମେସିନ୍ ଶିକ୍ଷଣ ଅଧ୍ୟୟନରେ ଅଧିକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ, ତାହା ଅଣଦେଖା କରାଯାଇଛି । ଏହି ଲେଖାରେ ବର୍ତ୍ତମାନର ବ୍ୟବହାରର ସମୀକ୍ଷା କରାଯାଇଛି ଏବଂ ତାପରେ ଥିଓରି ଏବଂ ଅନୁଭବୀକୃତ ଭାବରେ ଅନେକ ଉପଯୁକ୍ତ ପରୀକ୍ଷଣର ପରୀକ୍ଷା କରାଯାଇଛି । ଏହାକୁ ଆଧାର କରି ଆମେ ଶ୍ରେଣୀକରଣର ପରିସଂଖ୍ୟାନଗତ ତୁଳନା ପାଇଁ ସରଳ, କିନ୍ତୁ ସୁରକ୍ଷିତ ଏବଂ ଦୃଢ଼ ଅଣ-ପାରାମେଟ୍ରିକ୍ ପରୀକ୍ଷଣର ଏକ ସେଟ୍ ସୁପାରିଶ କରୁଛୁ: ଦୁଇଟି ଶ୍ରେଣୀକରଣର ତୁଳନା ପାଇଁ ୱିଲକୋକ୍ସନ ସ୍ୱାକ୍ଷରିତ ର୍ୟାଙ୍କ୍ ପରୀକ୍ଷା ଏବଂ ଫ୍ରିଡମ୍ୟାନ୍ ପରୀକ୍ଷା ସହିତ ସମାନ ପୋଷ୍ଟ-ହୋକ୍ ପରୀକ୍ଷା ଏକାଧିକ ତଥ୍ୟ ସେଟ୍ ଉପରେ ଅଧିକ ଶ୍ରେଣୀକରଣର ତୁଳନା ପାଇଁ _ ଏହି ଅଙ୍କନ ଫଳାଫଳକୁ ନୂତନ ଭାବେ ପ୍ରଚଳିତ ହୋଇଥିବା CD (ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ ଅନ୍ତର) ଚିତ୍ର ସହିତ ମଧ୍ୟ ସୂଚାରୁ ରୂପେ ଉପସ୍ଥାପିତ କରାଯାଇପାରିବ । |
4dbd924046193a51e4a5780d0e6eb3a4705784cd | ବେୟସ ଅପ୍ଟ ହେଉଛି ଏକ ଲାଇବ୍ରେରୀ ଯେଉଁଥିରେ ଅତ୍ୟାଧୁନିକ ବେୟସୀୟ ଅପ୍ଟିମାଇଜେସନ ପଦ୍ଧତି ରହିଛି ଯାହାକି ଅଣ-ଲିନୀୟ ଅପ୍ଟିମାଇଜେସନ, ଷ୍ଟୋକାଷ୍ଟିକ ବ୍ୟାଣ୍ଟିଟ୍ସ କିମ୍ବା କ୍ରମିକ ପରୀକ୍ଷାମୂଳକ ଡିଜାଇନ ସମସ୍ୟାକୁ ସମାଧାନ କରିଥାଏ । ବୈଷୟିକ ଅନୁକୂଳନ ହେଉଛି ଏକ ପଶ୍ଚାତବର୍ତ୍ତୀ ବଣ୍ଟନ ନିର୍ମାଣ କରି ଲକ୍ଷ୍ଯ ଫଳନ ପାଇଁ ପ୍ରମାଣ ଏବଂ ପୂର୍ବ ଜ୍ଞାନକୁ ଧାରଣ କରିବା ଦ୍ବାରା ନମୁନା ଦକ୍ଷତା । ଏହି ଲାଇବ୍ରେରୀକୁ ମାନକ ସି++ରେ ନିର୍ମାଣ କରାଯାଇଛି, ଯାହାକି ଅତ୍ୟନ୍ତ ଦକ୍ଷ ଏବଂ ଏହା ପୋର୍ଟେବଲ ଏବଂ ନମନୀୟ ଅଟେ । ଏଥିରେ ସି, ସି++, ପାଇଥନ, ମାଟଲାବ ଏବଂ ଅକ୍ଟେବ ପାଇଁ ଏକ ସାଧାରଣ ଇଣ୍ଟରଫେସ ରହିଛି । |
801556eae6de26616d2ce90cdd4aecc4e2de7fe4 | ଏକ ଚେୟାରରେ ଇଲେକ୍ଟ୍ରୋନିକ୍ସ ଅଣ-ସଂଯୋଗ ଇସିଜି ମାପିବା ବ୍ୟବସ୍ଥା ଦୈନନ୍ଦିନ ଜୀବନରେ ନିରନ୍ତର ସ୍ୱାସ୍ଥ୍ୟ ମନିଟରିଂ ପାଇଁ ଅନେକ କ୍ଷେତ୍ରରେ ପ୍ରୟୋଗ କରାଯାଇପାରିବ । କିନ୍ତୁ ଏହି ସିଷ୍ଟମରେ, କ୍ୟାପାସିଟିଭ୍ ଇଲେକ୍ଟ୍ରୋଡ୍ କାରଣରୁ ଶରୀରକୁ ବିଦ୍ୟୁତ ଦ୍ୱାରା ଭାସାଇ ଦିଆଯାଇଥାଏ ଏବଂ ଭାସୁଥିବା ଶରୀର ବାହ୍ୟ ଶବ୍ଦ କିମ୍ବା ଗତିର କାରୁକାର୍ଯ୍ୟ ପ୍ରତି ଅତ୍ୟନ୍ତ ସମ୍ବେଦନଶୀଳ ହୋଇଥାଏ ଯାହା ସାଧାରଣ ମୋଡ୍ ଶବ୍ଦ ପରି ମାପକ ସିଷ୍ଟମକୁ ପ୍ରଭାବିତ କରିଥାଏ । ଏହି କାଗଜରେ, ଡ୍ରାଇଭ-ସିଟ-ଗ୍ରାଉଣ୍ଡ ସର୍କିଟ ଡ୍ରାଇଭ-ଡାହାଣ-ଲେଗ ସର୍କିଟ ଭଳି ସାଧାରଣ ମୋଡର ଶବ୍ଦକୁ ହ୍ରାସ କରିବା ପାଇଁ ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି । ଏହି ସମାନ ସର୍କିଟର ବିଶ୍ଳେଷଣ କରାଯାଇଥାଏ ଏବଂ ଆଉଟପୁଟ୍ ସିଗନାଲର ତରଙ୍ଗର ଆକୃତିକୁ ଡ୍ରାଇଭ ସିଟ୍ ଗ୍ରାଉଣ୍ଡ ଏବଂ କ୍ୟାପାସିଟିଭ ଗ୍ରାଉଣ୍ଡ ସହିତ ତୁଳନା କରାଯାଇଥାଏ । ଏହାର ପରିଣାମ ସ୍ୱରୂପ, ଡ୍ରାଇଭ ସିଟ୍-ଗ୍ରାଉଣ୍ଡ ସର୍କିଟ ନକାରାତ୍ମକ ପ୍ରତିକ୍ରିୟା ଭାବେ ସମ୍ପୂର୍ଣ୍ଣ କ୍ଷମତାର ଇସିଜି ମାପ ପ୍ରଣାଳୀର ଗୁଣରେ ଉନ୍ନତି ଆଣିଥାଏ । |
95f388c8cd9db1e800e515e53aaaf4e9b433866f | 0747-5632/$ 2012 ଏଲ୍ସେଭିୟର ଲିମିଟେଡର ପ୍ରଥମ ପୃଷ୍ଠା ଦେଖନ୍ତୁ । ଟେଲି. ଇ-ମେଲ ଠିକଣା: [email protected] (ମହାଶୟ ଜୁଆ) କ୍ଲାଉଡ କମ୍ପ୍ୟୁଟିଂ ପ୍ରଯୁକ୍ତିର ପରିପକ୍ୱତା ଆସିଛି କାରଣ ଏହା ପ୍ରତ୍ୟେକ ପ୍ରକାରର ଡିଜିଟାଲକରଣ ପ୍ରକ୍ରିୟାରେ ସମନ୍ୱିତ ହୋଇଛି । ଏହା ଡାଟା ଏବଂ ସଫ୍ଟୱେୟାର ସେୟାର୍ କରିବା ପାଇଁ ଅନେକ ସୁବିଧା ପ୍ରଦାନ କରିଥାଏ, ଯାହାଦ୍ୱାରା ଜଟିଳ ଆଇଟି ସିଷ୍ଟମର ପରିଚାଳନା ବହୁତ ସରଳ ହୋଇଯାଏ । ଇଞ୍ଜିନିୟରିଂ ଶିକ୍ଷା ପାଇଁ, କ୍ଲାଉଡ୍ କମ୍ପ୍ୟୁଟିଂ ଛାତ୍ରଛାତ୍ରୀଙ୍କୁ ବାସ୍ତବିକ କମ୍ପ୍ୟୁଟର ଲ୍ୟାବରେ ପାଦ ନ ଦେଇ କ୍ଷେତ୍ରରେ ବ୍ୟବହୃତ ହେଉଥିବା ସଫ୍ଟୱେୟାରକୁ ବହୁମୁଖୀ ଏବଂ ସର୍ବବ୍ୟାପୀ ପ୍ରବେଶ ପ୍ରଦାନ କରିଥାଏ । ଆମ ଅଧ୍ୟୟନ କ୍ଲାଉଡ୍ କମ୍ପ୍ୟୁଟିଂ ଟେକ୍ନୋଲୋଜି ଦ୍ୱାରା ପରିଚାଳିତ ସମ୍ବଳର ଉପଯୋଗ ଦ୍ୱାରା ଉତ୍ପନ୍ନ ଶିକ୍ଷଣ ମନୋଭାବ ଏବଂ ଏକାଡେମିକ୍ ପ୍ରଦର୍ଶନକୁ ବିଶ୍ଳେଷଣ କରିଥିଲା । ଉଚ୍ଚ ବିଦ୍ୟାଳୟ ଓ ବୃତ୍ତିଗତ ଉଚ୍ଚ ବିଦ୍ୟାଳୟର ଛାତ୍ରଛାତ୍ରୀଙ୍କ ମଧ୍ୟରେ ତୁଳନା କରାଯାଇଥିଲା । ଏହି ଅଧ୍ୟୟନରେ କମ୍ପ୍ୟୁଟର ସହାୟକ ଡିଜାଇନିଂ (ସିଏଡି) ପାଠ୍ୟକ୍ରମରେ ଅଧ୍ୟୟନ କରିଥିବା ୧୩୨ ଜଣ ଛାତ୍ରଛାତ୍ରୀ ଅଂଶଗ୍ରହଣ କରିଥିଲେ । ଟେକ୍ନୋଲୋଜି ଗ୍ରହଣୀୟତା ମଡେଲ (ଟିଏଏମ) କୁ ମୌଳିକ ଢାଞ୍ଚା ଭାବେ ବ୍ୟବହାର କରାଯାଇଥିଲା । ଶିକ୍ଷଣ କାର୍ଯ୍ୟଦକ୍ଷତା ଓ କାରଣଗତ ସମ୍ପର୍କକୁ ମାପିବା ପାଇଁ ଖୋଲା ପ୍ରଶ୍ନପତ୍ରର ବ୍ୟବହାର କରାଯାଇଥିଲା । ଏହାର ଫଳାଫଳରୁ ଜଣାପଡିଥିଲା ଯେ ଦୁଇ ଗୋଷ୍ଠୀ ମଧ୍ୟରେ କୌଣସି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଜ୍ଞାନଗତ ପାର୍ଥକ୍ୟ ନାହିଁ । ବୃତ୍ତିଗତ ଉଚ୍ଚ ବିଦ୍ୟାଳୟର ଛାତ୍ରଛାତ୍ରୀମାନେ CAD ପ୍ରୟୋଗରେ ଅଧିକ ଶିକ୍ଷଣୀୟ ପ୍ରେରଣା ପାଇଥିବା ଜଣାପଡିଛି । 2012 ଏଲ୍ସେଭିୟର ଲିଃ ସମସ୍ତ ଅଧିକାର ସଂରକ୍ଷିତ। |
e2413f14a014603253815398e56c7fee0ba01a3d | ଏହି ଅଧ୍ୟାୟରେ ଅନୁପ୍ରବେଶ ଚିହ୍ନଟ ଗବେଷଣା କ୍ଷେତ୍ରରେ ଅତ୍ୟାଧୁନିକ ଜ୍ଞାନ କୌଶଳର ସମୀକ୍ଷା କରାଯାଇଛି । ଇଣ୍ଟ୍ରୋଜିନ୍ ଡିଟେକ୍ସନ୍ ସିଷ୍ଟମ୍ ହେଉଛି ସଫ୍ଟୱେର୍ ଏବଂ/କିମ୍ବା ହାର୍ଡୱେର୍ ଉପାଦାନ ଯାହା କମ୍ପ୍ୟୁଟର ସିଷ୍ଟମକୁ ମନିଟରିଂ କରେ ଏବଂ ଇଣ୍ଟ୍ରୋଜିନ୍ ଚିହ୍ନଟ ପାଇଁ ସେଥିରେ ଘଟୁଥିବା ଘଟଣାକୁ ବିଶ୍ଳେଷଣ କରେ । କମ୍ପ୍ୟୁଟର ଭିତ୍ତିଭୂମିର ବ୍ୟାପକ ବିବିଧତା ଏବଂ ଜଟିଳତା ହେତୁ ଏକ ସମ୍ପୂର୍ଣ୍ଣ ସୁରକ୍ଷିତ କମ୍ପ୍ୟୁଟର ବ୍ୟବସ୍ଥା ପ୍ରଦାନ କରିବା କଷ୍ଟକର । ତେଣୁ, କମ୍ପ୍ୟୁଟର ସୁରକ୍ଷା ସମ୍ବନ୍ଧୀୟ ବିଭିନ୍ନ ଦିଗକୁ ଧ୍ୟାନରେ ରଖି ଅନେକ ସୁରକ୍ଷା ବ୍ୟବସ୍ଥା ଏବଂ ଅନୁପ୍ରବେଶ ଚିହ୍ନଟ ବ୍ୟବସ୍ଥା ରହିଛି । ଏହି ଅଧ୍ୟାୟରେ ପ୍ରଥମେ କମ୍ପ୍ୟୁଟର ଆକ୍ରମଣର ଶ୍ରେଣୀବିଭାଗ ପ୍ରଦାନ କରାଯାଇଛି ଏବଂ ମୁଖ୍ୟ କମ୍ପ୍ୟୁଟର ଆକ୍ରମଣ ଶ୍ରେଣୀର ସଂକ୍ଷିପ୍ତ ବର୍ଣ୍ଣନା ଦିଆଯାଇଛି । ଦ୍ୱିତୀୟରେ, ଅନୁପ୍ରବେଶ ଚିହ୍ନଟ ପ୍ରଣାଳୀର ଏକ ସାଧାରଣ ସ୍ଥାପତ୍ୟ ଏବଂ ଏହାର ମୌଳିକ ବୈଶିଷ୍ଟ୍ୟ ଉପସ୍ଥାପନ କରାଯାଇଛି । ତୃତୀୟରେ, ପାଞ୍ଚଟି ମାନଦଣ୍ଡ (ସୂଚନା ଉତ୍ସ, ବିଶ୍ଳେଷଣ ରଣନୀତି, ସମୟ ସମ୍ବନ୍ଧୀୟ ଦିଗ, ସ୍ଥାପତ୍ୟ, ପ୍ରତିକ୍ରିୟା) ଉପରେ ଆଧାରିତ ଅନୁପ୍ରବେଶ ଚିହ୍ନଟ ପ୍ରଣାଳୀର ଟ୍ୟାକ୍ସୋନୋମି ଦିଆଯାଇଛି । ଶେଷରେ, ଏହି ଶ୍ରେଣୀଗୁଡିକର ପ୍ରତ୍ୟେକ ଅନୁଯାୟୀ ଅନୁପ୍ରବେଶ ଚିହ୍ନଟ ପ୍ରଣାଳୀକୁ ବର୍ଗୀକୃତ କରାଯାଇଛି ଏବଂ ସବୁଠାରୁ ପ୍ରତିନିଧିତ୍ୱ କରୁଥିବା ଅନୁସନ୍ଧାନ ପ୍ରୋଟୋଟାଇପଗୁଡିକ ସଂକ୍ଷିପ୍ତରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି । |
42cfb5614cbef64a5efb0209ca31efe760cec0fc | ବିକାଶଶୀଳ ରୋବୋଟର ମୂଲ୍ୟ ପ୍ରଣାଳୀ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଇନ୍ଦ୍ରିୟ ଇନପୁଟକୁ ଚିହ୍ନଟ କରିଥାଏ, ଇନ୍ଦ୍ରିୟ ଇନପୁଟରୁ କାର୍ଯ୍ୟ ଇନପୁଟକୁ ମ୍ୟାପିଂକୁ ନିୟନ୍ତ୍ରିତ କରିଥାଏ ଏବଂ ସମ୍ଭାବ୍ୟ କାର୍ଯ୍ୟକୁ ମୂଲ୍ୟାଙ୍କନ କରିଥାଏ । ଏଠାରେ ବର୍ଣ୍ଣିତ କାର୍ଯ୍ୟରେ ଏକ ନିମ୍ନ ସ୍ତରର ମୂଲ୍ୟ ବ୍ୟବସ୍ଥାକୁ ମଡେଲ ଏବଂ କାର୍ଯ୍ୟକାରୀ କରାଯାଇଛି । ଏହା ଅଭ୍ୟାସ ଇଫେକ୍ଟ ନାମକ ଏକ ଅଣ-ସଂଯୁକ୍ତ ପ୍ରାଣୀ ଶିକ୍ଷଣ ପ୍ରଣାଳୀକୁ ଅନୁକରଣ କରେ । ପୁନଃସଂଯୋଜନା ଶିକ୍ଷଣ ମଧ୍ୟ ନୂତନତା ସହିତ ଏକୀକୃତ । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳରୁ ଜଣାପଡ଼ୁଛି ଯେ ପ୍ରସ୍ତାବିତ ମୂଲ୍ୟ ବ୍ୟବସ୍ଥା ରୋବଟ ଦୃଶ୍ୟ କୋଣ ଚୟନ ଅଧ୍ୟୟନରେ ଡିଜାଇନ କରାଯାଇଥିବା ପରି କାମ କରେ । |
73447b6a02d1caff0a96472a2e0b571e1be497c8 | ଡିଜିଟାଲ ଯୁଗରେ ବ୍ୟକ୍ତିଗତ ସ୍ମୃତିକୁ ମନେ ରଖିବା ଏବଂ ବାଣ୍ଟିବା ପାଇଁ ଇଣ୍ଟରନେଟ ଟେକ୍ନୋଲୋଜି ଏକ ନୂଆ ମାଧ୍ୟମ ପ୍ରଦାନ କରିଛି । ବ୍ୟକ୍ତିଗତ ସ୍ମୃତିକୁ ଅନଲାଇନରେ ପୋଷ୍ଟ କରିବାର ସ୍ମୃତିଶକ୍ତିଗତ ପରିଣାମ କ ଣ? ଟ୍ରାନଜାକ୍ଟିଭ ମେମୋରୀ ଏବଂ ଅଟୋବାୟୋଗ୍ରାଫିକ ମେମୋରୀ ସିଦ୍ଧାନ୍ତରେ ଭିନ୍ନ ଭିନ୍ନ ଭବିଷ୍ୟବାଣୀ କରାଯାଇପାରେ । ବର୍ତ୍ତମାନର ଅଧ୍ୟୟନରେ କଲେଜ ଛାତ୍ରମାନେ ଏକ ସପ୍ତାହ ପର୍ଯ୍ୟନ୍ତ ଏକ ଦୈନିକ ଡାଏରୀ ପୂରଣ କରିଥିଲେ, ପ୍ରତ୍ୟେକ ଦିନ ଶେଷରେ ସେହି ଦିନ ସେମାନଙ୍କ ସହିତ ଘଟିଥିବା ସମସ୍ତ ଘଟଣାଗୁଡ଼ିକୁ ତାଲିକାଭୁକ୍ତ କରିଥିଲେ । ସେମାନେ ମଧ୍ୟ ଏହି ଘଟଣାଗୁଡ଼ିକର କୌଣସି ଘଟଣା ଅନଲାଇନରେ ପୋଷ୍ଟ କରିଛନ୍ତି କି ନାହିଁ ତାହା ଜଣାଇଥିଲେ । ଏହି ଡାଏରୀ ରେକର୍ଡିଂ ଶେଷ ହେବା ପରେ ଅଂଶଗ୍ରହଣକାରୀମାନଙ୍କୁ ଏକ ଅଚାନକ ସ୍ମରଣ ଶକ୍ତି ପରୀକ୍ଷା କରାଯାଇଥିଲା ଏବଂ ତା ପରେ ଏକ ସପ୍ତାହ ପରେ ଆଉ ଏକ ପରୀକ୍ଷା କରାଯାଇଥିଲା । ଉଭୟ ପରୀକ୍ଷଣରେ ଅନଲାଇନରେ ପୋଷ୍ଟ କରାଯାଇଥିବା ଘଟଣା ଅନଲାଇନରେ ପୋଷ୍ଟ ହୋଇନଥିବା ଘଟଣା ଅପେକ୍ଷା ଅଧିକ ମନେରହିବାର ସମ୍ଭାବନା ଥିଲା । ମନେରଖିବା ପାଇଁ ଅନଲାଇନ ରେ ସ୍ମୃତି ବାଣ୍ଟିବା ଅଭ୍ୟାସ ଓ ଅର୍ଥ ସୃଷ୍ଟି ପାଇଁ ଅନନ୍ୟ ସୁଯୋଗ ପ୍ରଦାନ କରିଥାଏ ଯାହା ସ୍ମୃତି ଧାରଣକୁ ସହଜ କରିଥାଏ । |
b3ede733fcd97271f745d8c0f71e44562abbb6d5 | ସମସ୍ୟାପୂର୍ଣ୍ଣ ଆଚରଣର କାର୍ଯ୍ୟକୁ ଚିହ୍ନଟ କରିବା ଦ୍ୱାରା ଅଧିକ ପ୍ରଭାବଶାଳୀ ହସ୍ତକ୍ଷେପ ବିକଶିତ ହୋଇପାରିବ । କାର୍ଯ୍ୟକୁ ଚିହ୍ନଟ କରିବାର ଏକ ଉପାୟ ହେଉଛି କାର୍ଯ୍ୟାତ୍ମକ ଆଚରଣ ମୂଲ୍ୟାୟନ (ଏଫବିଏ) । ଶିକ୍ଷକମାନେ ବିଦ୍ୟାଳୟରେ ଏଫବିଏ ପରିଚାଳନା କରନ୍ତି । ତେବେ, ଡାଟା ମାନୁଆଲ ରେକର୍ଡ କରିବା ପାଇଁ ଅଧିକ କାର୍ଯ୍ୟଭାର ରହିଛି ଏବଂ ଛାତ୍ରଛାତ୍ରୀଙ୍କ ସହ କଥାବାର୍ତ୍ତା କରିବା ସମୟରେ ଏହାର ପୂର୍ବବର୍ତ୍ତୀ ଓ ପରବର୍ତ୍ତୀ ଘଟଣାକୁ ସଠିକ ଭାବେ ଚିହ୍ନଟ କରିବା ଏକ ବଡ଼ ଆହ୍ୱାନ । ଏହିସବୁ ସମସ୍ୟା ଯୋଗୁଁ ସୂଚନା ସଂଗ୍ରହରେ ତ୍ରୁଟି ପରିଲକ୍ଷିତ ହୋଇଥାଏ । କେୟାରଲୋଗ ଶିକ୍ଷକମାନଙ୍କୁ ଏଫବିଏ ସହଜରେ ପରିଚାଳନା କରିବା ପାଇଁ ଅନୁମତି ଦେଇଥାଏ ଏବଂ ପ୍ରାସଙ୍ଗିକ ସୂଚନା ସଂଗ୍ରହ କରିବାରେ ଉନ୍ନତି ଆଣିଥାଏ । ଏହି କାଗଜରେ, ଆମେ ଡିଜାଇନ୍ ପ୍ରକ୍ରିୟାକୁ ବର୍ଣ୍ଣନା କରିଛୁ ଯାହା ପାଞ୍ଚଟି ଡିଜାଇନ୍ ସିଦ୍ଧାନ୍ତକୁ ନେଇ ଆସିଛି ଯାହା କେୟାରଲୋଗର ବିକାଶକୁ ପରିଚାଳନା କରିଥିଲା । ଆମେ ଏଠାରେ ପାଞ୍ଚ ମାସର ଏକ କ୍ୱାସି-ନିୟନ୍ତ୍ରିତ ଅଧ୍ୟୟନର ଫଳାଫଳ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହାର ଉଦ୍ଦେଶ୍ୟ ସେହି ଡିଜାଇନ୍ ସିଦ୍ଧାନ୍ତଗୁଡ଼ିକୁ ବୈଧ କରିବା । ବିଶେଷ ଶିକ୍ଷା ସଂସ୍ଥାନ ଦ୍ୱାରା ସୃଷ୍ଟି ହେଉଥିବା ବିଭିନ୍ନ ପ୍ରତିବନ୍ଧକ କିପରି ଭାବେ ଏଚସିଆଇର ପ୍ରଚାଳକ ଓ ଗବେଷକମାନଙ୍କ ପାଇଁ ଡିଜାଇନ ଓ ମୂଲ୍ୟାୟନ ପ୍ରକ୍ରିୟାକୁ ପ୍ରଭାବିତ କରିଥାଏ, ସେ ବିଷୟରେ ଆମେ ବିଚାର ବିମର୍ଶ କରୁଛୁ । |
77e7b0663f6774b3d6e1d51106020a9a0f96bcd2 | ଏହି ଲେଖାରେ ଇଣ୍ଟରନେଟ ବ୍ୟବହାର ଓ ବ୍ୟକ୍ତିଗତ ସ୍ତରରେ ସାମାଜିକ ପୁଞ୍ଜି ଉତ୍ପାଦନ ମଧ୍ୟରେ ଥିବା ସମ୍ପର୍କକୁ ଅନୁଧ୍ୟାନ କରାଯାଇଛି । ଏହା କରିବା ପାଇଁ ଲେଖକମାନେ ଇଣ୍ଟରନେଟ ବ୍ୟବହାରର ବିଭିନ୍ନ ପ୍ରକାର ମଧ୍ୟରେ ଅନ୍ତର କରିବା ପାଇଁ ଏକ ପ୍ରେରଣାଦାୟୀ ଦୃଷ୍ଟିକୋଣ ଆପଣେଇଛନ୍ତି ଯେତେବେଳେ ନାଗରିକ ସମ୍ପୃକ୍ତି, ଆନ୍ତଃବ୍ୟକ୍ତିଗତ ବିଶ୍ୱାସ ଏବଂ ଜୀବନରେ ସନ୍ତୁଷ୍ଟିର ପୂର୍ବାନୁମାନ କରୁଥିବା କାରକଗୁଡ଼ିକୁ ପରୀକ୍ଷା କରୁଛନ୍ତି । ପରେ ୧୯୯୯ ଡିଡିବି ଲାଇଫ ଷ୍ଟାଇଲ ଅଧ୍ୟୟନକୁ ବ୍ୟବହାର କରି ନୂତନ ଗଣମାଧ୍ୟମ ବ୍ୟବହାରର ପୂର୍ବାନୁମାନ ଶକ୍ତିକୁ ପ୍ରମୁଖ ଜନସଂଖ୍ୟା, ପ୍ରସଙ୍ଗଗତ ଏବଂ ପାରମ୍ପରିକ ଗଣମାଧ୍ୟମ ବ୍ୟବହାର ଭେରିଏବଲ୍ ସହିତ ବିଶ୍ଳେଷଣ କରାଯାଇଛି । ଯଦିଓ ଏହି ସଂଗଠନର ଆକାର ସାଧାରଣତଃ ଛୋଟ, ତେବେ ତଥ୍ୟରୁ ଜଣାପଡ଼ୁଛି ଯେ ଇଣ୍ଟରନେଟର ସୂଚନାଭିତ୍ତିକ ବ୍ୟବହାର ସାମାଜିକ ପୁଞ୍ଜି ଉତ୍ପାଦନରେ ବ୍ୟକ୍ତିଗତ ପାର୍ଥକ୍ୟ ସହିତ ସକାରାତ୍ମକ ଭାବେ ଜଡ଼ିତ ଥିବାବେଳେ ସାମାଜିକ-ମୌଜଭୁତ ବ୍ୟବହାର ଏହି ନାଗରିକ ସୂଚକଗୁଡ଼ିକ ସହିତ ନକାରାତ୍ମକ ଭାବେ ଜଡ଼ିତ । ପିଢ଼ିଗତ ବୟସ ବ୍ୟବଧାନ ଦ୍ୱାରା ପରିଭାଷିତ ଉପ-ନମୁନା ମଧ୍ୟରେ ବିଶ୍ଳେଷଣ ଆହୁରି ମଧ୍ୟ ସୂଚିତ କରେ ଯେ ସାମାଜିକ ପୁଞ୍ଜି ଉତ୍ପାଦନ ପିଢ଼ି X ମଧ୍ୟରେ ଇଣ୍ଟରନେଟ୍ ବ୍ୟବହାର ସହିତ ଜଡିତ, ଯେତେବେଳେ କି ଏହା ବେବି ବୁମର୍ସ ମଧ୍ୟରେ ଟେଲିଭିଜନ ବ୍ୟବହାର ଏବଂ ନାଗରିକ ପିଢ଼ିର ସଦସ୍ୟମାନଙ୍କ ମଧ୍ୟରେ ଖବରକାଗଜ ବ୍ୟବହାର ସହିତ ଜଡିତ । ଜୀବନ ଚକ୍ର ଓ କ୍ରମ ପ୍ରଭାବର ସମ୍ଭାବନା ଉପରେ ଆଲୋଚନା କରାଯାଇଛି । |
076be17f97325fda82d1537aaa48798eb66ba91f | ପରିଚୟ ଆଧାରିତ ଏନକ୍ରିପସନ୍ (ଆଇବିଇ) ହେଉଛି ପବ୍ଲିକ୍-କି ଏନକ୍ରିପସନ୍ ପାଇଁ ଏକ ଉତ୍ତେଜକ ବିକଳ୍ପ, କାରଣ ଆଇବିଇ ପବ୍ଲିକ୍ କି ଇନଫ୍ରାଷ୍ଟ୍ରକଚର (ପିକେଆଇ) ର ଆବଶ୍ୟକତାକୁ ଦୂର କରିଥାଏ । IBE ବ୍ୟବହାର କରୁଥିବା ପ୍ରେରକମାନଙ୍କୁ ପ୍ରାପ୍ତକର୍ତ୍ତାଙ୍କ ସାର୍ବଜନୀନ ଚାବି ଏବଂ ଅନୁରୂପ ପ୍ରମାଣପତ୍ର, ପରିଚୟ (ଉଦାହରଣ ସ୍ୱରୂପ, "କ୍ଲିକ୍ ଇନ୍" ଏବଂ "କ୍ଲିକ୍ ଇନ୍") ଖୋଜିବାର ଆବଶ୍ୟକତା ନାହିଁ । ଇମେଲ କିମ୍ବା ଆଇପି ଠିକଣା) ଗୁଡିକୁ ଏନକ୍ରିପ୍ଟ କରିବା ପାଇଁ ଯଥେଷ୍ଟ । ଯେକୌଣସି ସେଟିଂ, PKI- କିମ୍ବା ପରିଚୟ-ଆଧାରିତ, ସିଷ୍ଟମରୁ ଉପଭୋକ୍ତାଙ୍କୁ ପ୍ରତ୍ୟାହାର କରିବାର ଏକ ମାଧ୍ୟମ ପ୍ରଦାନ କରିବା ଉଚିତ । ପାରମ୍ପରିକ ପିକେଆଇ ବ୍ୟବସ୍ଥାରେ ପ୍ରଭାବୀ ପ୍ରତ୍ୟାହାର ଏକ ଭଲଭାବେ ଅଧ୍ୟୟନ କରାଯାଇଥିବା ସମସ୍ୟା । କିନ୍ତୁ ଆଇବିଇର ବ୍ୟବସ୍ଥାରେ, ପ୍ରତ୍ୟାହାର ବ୍ୟବସ୍ଥା ଉପରେ ଅଧ୍ୟୟନ ଉପରେ କମ୍ କାର୍ଯ୍ୟ କରାଯାଇଛି । ସବୁଠାରୁ ବ୍ୟବହାରିକ ସମାଧାନ ହେଉଛି, ପ୍ରେରକମାନେ ମଧ୍ୟ ଏନକ୍ରିପ୍ଟ କରିବା ସମୟରେ ସମୟ ବ୍ୟବଧାନ ବ୍ୟବହାର କରିବା ଆବଶ୍ୟକ ଏବଂ ସମସ୍ତ ଗ୍ରହଣକାରୀ (ସେମାନଙ୍କ ଚାବି ହ୍ୟାକ୍ ହୋଇଛି କି ନାହିଁ ତାହା ଉପରେ ନିର୍ଭର ନକରି) ବିଶ୍ୱସ୍ତ କର୍ତ୍ତୃପକ୍ଷଙ୍କ ସହ ଯୋଗାଯୋଗ କରି ସେମାନଙ୍କର ବ୍ୟକ୍ତିଗତ ଚାବିକୁ ନିୟମିତ ଭାବରେ ଅପଡେଟ୍ କରିବା ଆବଶ୍ୟକ । ଆମେ ଲକ୍ଷ୍ୟ କରିଛୁ ଯେ ଏହି ସମାଧାନ ଭଲ ଭାବରେ ମାପ କରିପାରିବ ନାହିଁ - ଯେହେତୁ ଉପଭୋକ୍ତାଙ୍କ ସଂଖ୍ୟା ବୃଦ୍ଧି ପାଉଛି, ମୁଖ୍ୟ ଅପଡେଟ୍ ଉପରେ କାର୍ଯ୍ୟ ଏକ ବାଟବଣା ହୋଇଯାଏ । ଆମେ IBE ଯୋଜନା ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଉପଭୋକ୍ତାମାନଙ୍କ ପାଇଁ ଦକ୍ଷତା ବଜାୟ ରଖି ବିଶ୍ୱସ୍ତ ପକ୍ଷ (ବ୍ୟବହାରକାରୀମାନଙ୍କ ସଂଖ୍ୟାରେ ରେଖିକରୁ ଲଗାରିଥମିକକୁ) ର କୀ-ଅଦ୍ୟତନ ଦକ୍ଷତା ରେ ଯଥେଷ୍ଟ ଉନ୍ନତି ଆଣେ । ଆମର ଯୋଜନା ଫଜ୍ଜୀ ଆଇବିଇ ପ୍ରାଥମିକ ଏବଂ ବାଇନାରୀ ଟ୍ରି ଡାଟା ସଂରଚନା ଉପରେ ଆଧାରିତ ଏବଂ ଏହା ପ୍ରମାଣିତ ଭାବରେ ସୁରକ୍ଷିତ । |
7a58abc92dbe41c9e5b3c7b0a358ab9096880f25 | ଅନାବଶ୍ୟକ ବହୁଳ ଇମେଲ (ସ୍ପାମ) କୁ ହ୍ରାସ କରିବା ପାଇଁ ଏକ ବାରମ୍ବାର ପ୍ରସ୍ତାବିତ ପଦ୍ଧତି ହେଉଛି ପ୍ରେରକମାନେ ସେମାନେ ପ୍ରେରଣ କରୁଥିବା ପ୍ରତ୍ୟେକ ଇମେଲ ପାଇଁ ଦେୟ ଦେବା । ପ୍ରୁଫ୍-ଅଫ୍-ୱାର୍କ ସ୍କିମ୍ ଗୁଡିକ ପ୍ରକୃତ ଟଙ୍କା ଚାର୍ଜ କରିବା ଠାରୁ ଦୂରେଇ ରୁହନ୍ତି କାରଣ ସେମାନେ ପଠାଉଥିବା ବ୍ୟକ୍ତିଙ୍କୁ ପ୍ରମାଣ କରିବାକୁ କୁହନ୍ତି ଯେ ସେମାନେ ଏକ କ୍ରିପ୍ଟୋଗ୍ରାଫିକ୍ ପଜଲ୍ ସମାଧାନ କରିବାରେ ପ୍ରକ୍ରିୟାକରଣ ସମୟ ଖର୍ଚ୍ଚ କରିଛନ୍ତି । ଆମେ ଜାଣିବାକୁ ଚେଷ୍ଟା କରୁଛୁ ଯେ, ସ୍ପାମକୁ ରୋକିବା ପାଇଁ ସେହି ପଜଲ କେତେ କଷ୍ଟକର ହେବା ଉଚିତ । ଆମେ ଏହାକୁ ଉଭୟ ଅର୍ଥନୈତିକ ଦୃଷ୍ଟିକୋଣରୁ ବିଶ୍ଳେଷଣ କରୁଛୁ, "ଆମେ କିପରି ସ୍ପାମ ପଠାଇବା ପାଇଁ ଏହା ବ୍ୟୟ-ପ୍ରଭାବୀ ହେବାରୁ ଅଟକାଇ ପାରିବା? ଉଭୟ ବିଶ୍ଳେଷଣର ଫଳାଫଳ ହେଉଛି ଯେ ପଜଲ୍ ର କଷ୍ଟ ସମାନ । ଦୁର୍ଭାଗ୍ୟବଶତଃ, ଏକ ବଡ଼ ଆଇଏସପିର ବାସ୍ତବିକ ତଥ୍ୟ ଦର୍ଶାଉଛି ଯେ ଏହି କଷ୍ଟକର ସ୍ତରର ଅର୍ଥ ହେଉଛି ଯେ ବହୁ ସଂଖ୍ୟକ ବୈଧ ଇମେଲ ପ୍ରେରକ ସେମାନଙ୍କର ବର୍ତ୍ତମାନର କାର୍ଯ୍ୟକଳାପକୁ ଜାରି ରଖିବା ପାଇଁ ଅସମର୍ଥ ହେବେ । ଆମେ ଏହି ସିଦ୍ଧାନ୍ତରେ ଉପନୀତ ଯେ, ପ୍ରୁଫ୍ ଅଫ୍ ୱାର୍କ ଦ୍ୱାରା ସ୍ପାମ ସମସ୍ୟାର ସମାଧାନ ହୋଇପାରିବ ନାହିଁ । |
5284e8897f3a73ff08da1f2ce744ba652583405a | ୧. କେଉଁ ବିଷୟ ଉପରେ ଆଲୋଚନା କରିବା? କମ୍ପ୍ୟୁଟର ବିଜ୍ଞାନ ପାଠ୍ୟକ୍ରମରେ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ପ୍ରୋଗ୍ରାମିଂ ଆସାଇନମେଣ୍ଟଗୁଡିକର ଗ୍ରେଡିଂ ପ୍ରାୟତ କମ୍ପ୍ୟୁଟର ବିଜ୍ଞାନ ପାଠ୍ୟକ୍ରମର ଏକ ବୈଶିଷ୍ଟ୍ୟ ଅଟେ । ତେବେ କମ୍ପ୍ୟୁଟର ସାଇନ୍ସ ପାଠ୍ୟକ୍ରମରେ ସମସାମୟିକ ସ୍ୱୟଂକ୍ରିୟ ଗ୍ରେଡିଂ ସିଷ୍ଟମଗୁଡିକ ଗେମିଫିକେସନ୍ [2], ଟେଷ୍ଟ କଭରେଜ୍ ଆନାଲିସିସ୍ [3], ମାନବ-ସୃଷ୍ଟ ମତାମତ ପରିଚାଳନା, ପ୍ରତିଯୋଗୀତା ବିଚାର [4], ସୁରକ୍ଷିତ ରିମୋଟ୍ କୋଡ୍ ଏକଜିକ୍ୟୁସନ୍ [5] ଏବଂ ଅଧିକ ଅନ୍ତର୍ଭୁକ୍ତ କରିବା ପାଇଁ ସ୍ୱୟଂଚାଳିତ ମୂଲ୍ୟାଙ୍କନ କରିବାଠାରୁ ସେମାନଙ୍କର ପରିସରକୁ ବ୍ୟାପକ କରିଛନ୍ତି । ଏହି ସମସ୍ତ ବୈଶିଷ୍ଟ୍ୟକୁ କମ୍ପ୍ୟୁଟର ବିଜ୍ଞାନ ଶିକ୍ଷା ସାହିତ୍ୟରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି ଏବଂ ଏହାର ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଛି, କିନ୍ତୁ କମ୍ପ୍ୟୁଟର ବିଜ୍ଞାନ ପାଠ୍ୟକ୍ରମରେ ଏହି ବୈଶିଷ୍ଟ୍ୟଗୁଡ଼ିକୁ କାର୍ଯ୍ୟକାରୀ କରୁଥିବା ସିଷ୍ଟମଗୁଡ଼ିକର ବ୍ୟବହାରିକ ଲାଭ ଏବଂ ଆହ୍ୱାନ ପ୍ରତି କମ୍ ଧ୍ୟାନ ଦିଆଯାଇଛି । |
8a58a1107f790bc07774d18e0184e4bf9d1901ba | ଏହି ଥିସସ ୱାଇଟ୍ରାକକୁ ଉପସ୍ଥାପନ କରୁଛି, ଯାହା ଏକ ପ୍ରଣାଳୀ ଯାହା ଜଣେ ଉପଭୋକ୍ତାଙ୍କ ଶରୀରରୁ ପ୍ରତିଫଳିତ ରେଡିଓ ସିଗନାଲ୍ ଦ୍ୱାରା ତାଙ୍କର 3D ଗତିକୁ ଟ୍ରାକ୍ କରିଥାଏ । ଏହା କାର୍ଯ୍ୟ କରେ ଯଦିଓ ବ୍ୟକ୍ତିଟି ୱାଇଟ୍ରାକ ଉପକରଣରୁ ଅବରୋଧିତ କିମ୍ବା ଅନ୍ୟ ଏକ କୋଠରୀରେ ଥାଏ । ୱାଇଟ୍ରାକ ବ୍ୟବହାରକାରୀଙ୍କୁ କୌଣସି ୱାୟାରଲେସ୍ ଡିଭାଇସ୍ ନେବାକୁ ବାଧ୍ୟ କରେ ନାହିଁ, ତଥାପି ଏହାର ସଠିକତା ବର୍ତ୍ତମାନର ଆର୍ଏଫ୍ ଲୋକାଲାଇଜେସନ୍ ସିଷ୍ଟମଠାରୁ ଅଧିକ, ଯାହା ବ୍ୟବହାରକାରୀଙ୍କୁ ଏକ ଟ୍ରାନ୍ସସିଭର୍ ଧରିବାକୁ ବାଧ୍ୟ କରେ । ଏକ ୱାଇଟ୍ରାକ ପ୍ରୋଟୋଟାଇପ ସହିତ ଅନୁଭବୀ ମାପଗୁଡିକ ଦର୍ଶାଏ ଯେ, ହାରାହାରି ଭାବରେ, ଏହା ଏକ ମାନବ ଶରୀରର କେନ୍ଦ୍ରକୁ ଏକ x ଏବଂ y ପରିମାପରେ 10 ରୁ 13 ସେଣ୍ଟିମିଟର ମଧ୍ୟରେ ଏବଂ z ପରିମାପରେ 21 ସେଣ୍ଟିମିଟର ମଧ୍ୟରେ ସ୍ଥାନିତ କରେ । ଏହା ଶରୀରର ବିଭିନ୍ନ ଅଂଶକୁ ଚିହ୍ନଟ କରିବାରେ ସାହାଯ୍ୟ କରିଥାଏ, ଯାହାଦ୍ୱାରା ହାତର ଆଙ୍ଗୁଠିର ଦିଗ ମଧ୍ୟମ 11.20 ସହିତ ଚିହ୍ନଟ କରାଯାଇପାରିବ । ୱାଇଟ୍ରାକ ଆର୍ଏଫ୍ ଆଧାରିତ ଲୋକାଲାଇଜେସନ୍ ସିଷ୍ଟମ୍ ମଧ୍ୟରେ ଥିବା ବ୍ୟବଧାନକୁ ଦୂର କରିଥାଏ ଯାହା କାନ୍ଥ ଏବଂ ଅବରୋଧ ମାଧ୍ୟମରେ ଜଣେ ବ୍ୟବହାରକାରୀଙ୍କୁ ଚିହ୍ନଟ କରିଥାଏ ଏବଂ କିନେକ୍ଟ ପରି ମାନବ-କମ୍ପ୍ୟୁଟର ପାରସ୍ପରିକ କାର୍ଯ୍ୟ ପ୍ରଣାଳୀ ଯାହା ତାଙ୍କ ଶରୀରକୁ ଇନଷ୍ଟ୍ରୁମେଣ୍ଟେସନ୍ ନକରି ଜଣେ ବ୍ୟବହାରକାରୀଙ୍କୁ ଟ୍ରାକ୍ କରିପାରିବ, କିନ୍ତୁ ଉପକରଣର ସିଧାସଳଖ ଦୃଷ୍ଟିରେ ରହିବା ଆବଶ୍ୟକ କରେ । ଡ଼ିସ କମାଣ୍ଡର: ଦିନା କଟାବି ନାମ: କମ୍ପ୍ୟୁଟର ସାଇନ୍ସ ଏବଂ ଇଞ୍ଜିନିୟରିଂର ପ୍ରଫେସର |
42004b6bdf5ea375dfaeb96c1fd6f8f77d908d65 | ଇଣ୍ଟରନେଟ ସର୍ଚ୍ଚ ର୍ୟାଙ୍କିଙ୍ଗର ଗ୍ରାହକମାନଙ୍କ ପସନ୍ଦ ଉପରେ ଏକ ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ ପ୍ରଭାବ ରହିଥାଏ, କାରଣ ଉପଭୋକ୍ତାମାନେ ଉଚ୍ଚ ମାନ୍ୟତାପ୍ରାପ୍ତ ଫଳାଫଳକୁ ନିମ୍ନ ମାନ୍ୟତାପ୍ରାପ୍ତ ଫଳାଫଳ ଅପେକ୍ଷା ଅଧିକ ବିଶ୍ୱାସ କରନ୍ତି ଏବଂ ପସନ୍ଦ କରନ୍ତି । ସର୍ଚ୍ଚ ରାଙ୍କିଙ୍ଗର ସ୍ପଷ୍ଟ ଶକ୍ତିକୁ ଦେଖି ଆମେ ପଚାରିଲୁ ଯେ, ଗଣତାନ୍ତ୍ରିକ ନିର୍ବାଚନରେ ଅନିଶ୍ଚିତ ଭୋଟରଙ୍କ ପସନ୍ଦ ବଦଳାଇବା ପାଇଁ ଏଗୁଡ଼ିକର ବ୍ୟବହାର କରାଯାଇପାରିବ କି? ଏଠାରେ ଆମେ ପାଞ୍ଚଟି ପ୍ରାସଙ୍ଗିକ ଡବଲ-ବ୍ଲିଣ୍ଡ, ରାଣ୍ଡମାଇଜଡ ନିୟନ୍ତ୍ରିତ ପରୀକ୍ଷଣର ଫଳାଫଳ ବିଷୟରେ ରିପୋର୍ଟ କରୁଛୁ, ଯେଉଁଥିରେ ଯୁକ୍ତରାଷ୍ଟ୍ର ଆମେରିକା ଏବଂ ଭାରତର ଭୋଟର ଜନସଂଖ୍ୟାର ବିଭିନ୍ନ ଜନସାଂଖିକୀୟ ବିଶେଷତ୍ୱକୁ ପ୍ରତିନିଧିତ୍ୱ କରୁଥିବା ମୋଟ ୪,୫୫୬ ଜଣ ଅନିଶ୍ଚିତ ଭୋଟରଙ୍କୁ ବ୍ୟବହାର କରାଯାଇଛି । ପଞ୍ଚମ ପରୀକ୍ଷଣ ବିଶେଷ ଭାବେ ଉଲ୍ଲେଖନୀୟ ଯେ ଏହା ଭାରତର 2014 ଲୋକସଭା ନିର୍ବାଚନର ମଧ୍ୟଭାଗରେ ଅନ୍ତିମ ମତଦାନ ପୂର୍ବରୁ ସମଗ୍ର ଭାରତରେ ଯୋଗ୍ୟ ଭୋଟରମାନଙ୍କ ସହିତ କରାଯାଇଥିଲା । ଏହି ପରୀକ୍ଷଣର ଫଳାଫଳ ଦର୍ଶାଏ ଯେ (i) ପକ୍ଷପାତିତ ସର୍ଚ୍ଚ ର୍ୟାଙ୍କିଙ୍ଗ୍ ଅନିଶ୍ଚିତ ଭୋଟରଙ୍କ ମତଦାନ ପସନ୍ଦକୁ ୨୦% କିମ୍ବା ଅଧିକ କରିପାରେ, (ii) ଏହି ପରିବର୍ତ୍ତନ କିଛି ଜନସଂଖ୍ୟାଗତ ଗୋଷ୍ଠୀରେ ଅଧିକ ହୋଇପାରେ, ଏବଂ (iii) ସର୍ଚ୍ଚ ର୍ୟାଙ୍କିଙ୍ଗ୍ ପାର୍ଥକ୍ୟକୁ ଏପରି ଭାବରେ ଲୁଚାଯାଇପାରିବ ଯେ ଲୋକମାନେ ଏହି କୌଶଳ ବିଷୟରେ ସଚେତନତା ଦେଖାଇବେ ନାହିଁ । ଆମେ ଏହି ପ୍ରକାରର ପ୍ରଭାବକୁ, ଯାହା ବିଭିନ୍ନ ପ୍ରକାରର ମନୋଭାବ ଏବଂ ବିଶ୍ୱାସ ଉପରେ ପ୍ରୟୋଗ କରାଯାଇପାରିବ, ସର୍ଚ୍ଚ ଇଞ୍ଜିନ ମନିପୁଲେସନ ପ୍ରଭାବ ବୋଲି କହିଥାଉ । ଅନେକ ନିର୍ବାଚନକୁ ଅଳ୍ପ ବ୍ୟବଧାନରେ ଜିତାଯାଉଥିବା ଦୃଷ୍ଟିରୁ, ଆମର ଫଳାଫଳ ଦର୍ଶାଉଛି ଯେ ଏକ ସର୍ଚ୍ଚ ଇଞ୍ଜିନ କମ୍ପାନୀ ପାଖରେ ଅନେକ ନିର୍ବାଚନର ଫଳାଫଳକୁ ପ୍ରଭାବିତ କରିବାର କ୍ଷମତା ରହିଛି । ଏହିପରି କୌଶଳ ପ୍ରୟୋଗର ପ୍ରଭାବ ବିଶେଷ କରି ଗୋଟିଏ ସର୍ଚ୍ଚ ଇଞ୍ଜିନ କମ୍ପାନୀ ଦ୍ୱାରା ପ୍ରାଧାନ୍ୟ ବିସ୍ତାର କରିଥିବା ଦେଶରେ ଅଧିକ ହେବ । |
30a7fcdaa836837d87a8e4702ed015cd66e6ad03 | ଏହି କାଗଜରେ ଶାସ୍ତ୍ରୀୟ କୌଶଳ ଏବଂ ନ୍ୟୁରାଲ-ନେଟ ପଦ୍ଧତିର ମିଶ୍ରଣ ବ୍ୟବହାର କରି ହାତ ଛପା ଅଙ୍କକୁ ଚିହ୍ନଟ କରୁଥିବା ଏକ ବ୍ୟବସ୍ଥାର ନିର୍ମାଣ ବିଷୟରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି । ଏହି ପ୍ରଣାଳୀକୁ ପ୍ରଶିକ୍ଷଣ ଦିଆଯାଇଥିଲା ଏବଂ ବାସ୍ତବ ଦୁନିଆର ତଥ୍ୟ ଉପରେ ପରୀକ୍ଷଣ କରାଯାଇଥିଲା, ଯାହା ପ୍ରକୃତ ୟୁ.ଏସ୍. ମେଲ୍ରେ ଦେଖାଯାଉଥିବା ଜିପି କୋଡରୁ ପ୍ରାପ୍ତ ହୋଇଥିଲା । ଏହି ପ୍ରଣାଳୀ ଉଦାହରଣର ଏକ କ୍ଷୁଦ୍ର ଅଂଶକୁ ଅସଂରକ୍ଷିତ ଭାବରେ ପ୍ରତ୍ୟାଖ୍ୟାନ କରିଥାଏ ଏବଂ ଅବଶିଷ୍ଟ ଉଦାହରଣରେ ବହୁତ କମ୍ ତ୍ରୁଟି ହାର ହାସଲ କରିଥାଏ । ଏହି ବ୍ୟବସ୍ଥା ଅନ୍ୟ ଅତ୍ୟାଧୁନିକ ମାନ୍ୟତା ପ୍ରଦାନକାରୀ ସଂସ୍ଥା ସହ ତୁଳନାତ୍ମକ ଭାବେ ଭଲ ରହିଛି । କେତେକ ପଦ୍ଧତି ଏହି କାର୍ଯ୍ୟ ପାଇଁ ନିର୍ଦ୍ଦିଷ୍ଟ ହୋଇଥିବା ବେଳେ, ଅନେକ କୌଶଳ ବିଭିନ୍ନ ଚିହ୍ନଟ କାର୍ଯ୍ୟ ପାଇଁ ପ୍ରୟୋଗଯୋଗ୍ୟ ହେବ ବୋଲି ଆଶା କରାଯାଉଛି । |
605a12a1d02451157cc5fd4dc475d5cbddd5cb01 | ଅନେକ ଲୋକଙ୍କ ପାଇଁ ଘର ଏକ ଆଶ୍ରୟସ୍ଥଳୀ । ଯେଉଁ ଲୋକମାନଙ୍କର ବିଶେଷ ଚିକିତ୍ସା ଆବଶ୍ୟକ, ସେମାନଙ୍କୁ ଚିକିତ୍ସା ଆବଶ୍ୟକତା ପୂରଣ କରିବା ପାଇଁ ସେମାନଙ୍କ ଘରୁ ବାହାର କରି ନିଆଯିବା ଆବଶ୍ୟକ ହୋଇପାରେ । ଜନସଂଖ୍ୟାର ବୟସ ବଢ଼ିବା ସହିତ ଏହି ବର୍ଗର ଲୋକଙ୍କ ପ୍ରତିଶତ ବୃଦ୍ଧି ପାଉଛି ଏବଂ ଏହାର ପ୍ରଭାବ ବ୍ୟୟବହୁଳ ହେବା ସହିତ ଅସନ୍ତୁଷ୍ଟ ମଧ୍ୟ । ଆମେ ଅନୁମାନ କରୁଛୁ ଯେ ଅନେକ ଭିନ୍ନକ୍ଷମ ବ୍ୟକ୍ତି ସ୍ୱୟଂକ୍ରିୟ ସହାୟତା ଏବଂ ସ୍ୱାସ୍ଥ୍ୟ ତଦାରଖ ସହାୟତାରେ ନିଜ ଘରେ ସ୍ୱାଧୀନ ଜୀବନ ବିତାଇ ପାରିବେ । ଏହାକୁ ହାସଲ କରିବା ପାଇଁ, ଉପଯୁକ୍ତ ତଥ୍ୟ ସଂଗ୍ରହ କରିବା ଏବଂ ଏହାକୁ ଗତିଶୀଳ ଏବଂ ଅନୁକୂଳ ଭାବରେ ପ୍ରକ୍ରିୟାକରଣ କରିବା ପାଇଁ ଦୃଢ଼ ପଦ୍ଧତି ବିକଶିତ କରାଯିବା ଆବଶ୍ୟକ ଯାହା ଦ୍ୱାରା ଦୀର୍ଘକାଳୀନ ଧାରା କିମ୍ବା ତତ୍କାଳ ସଙ୍କଟକୁ ଚିହ୍ନଟ ଏବଂ/କିମ୍ବା ପୂର୍ବାନୁମାନ କରାଯାଇପାରିବ । ଏହି କାଗଜରେ ମୁଖ୍ୟ ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଘରେ ସ୍ୱାସ୍ଥ୍ୟ ମନିଟରିଂ ଏବଂ ସହାୟତା ପ୍ରଦାନ କରିବା ପାଇଁ ଏଜେଣ୍ଟ ଆଧାରିତ ସ୍ମାର୍ଟ ହୋମ୍ ଟେକ୍ନୋଲୋଜି ବ୍ୟବହାର କରିବାର କୌଶଳ ଅନୁସନ୍ଧାନ କରିବା । ଏହି ଉଦ୍ଦେଶ୍ୟରେ, ଆମେ ନୂଆ ଆବାସିକ ମଡେଲିଂ ଏବଂ ସ୍ୱୟଂଚାଳିତ ଆଲଗୋରିଦମ ବିକଶିତ କରିଛୁ ଯାହା ଯତ୍ନ ନେଉଥିବା ବ୍ୟକ୍ତିଙ୍କ ପାଇଁ ରିମୋଟ ସ୍ୱାସ୍ଥ୍ୟ ମନିଟରିଂ ପ୍ରଦାନ କରିଥାଏ । ବିଶେଷକରି ଆମେ ନିମ୍ନଲିଖିତ ବୈଷୟିକ ଆହ୍ୱାନର ମୁକାବିଲା କରୁଛୁ: 1) ଜୀବନଶୈଳୀରେ ପରିବର୍ତ୍ତନକୁ ଚିହ୍ନଟ କରିବା, 2) ସାମ୍ପ୍ରତିକ ତଥ୍ୟରେ ବ୍ୟତିକ୍ରମ ଚିହ୍ନଟ କରିବା ଏବଂ 3) ଏକ ସ୍ମରଣ ସହାୟକ ପ୍ରଣାଳୀର ଡିଜାଇନ୍ କରିବା । ଆମର ସମାଧାନ ପନ୍ଥାକୁ ସିମୁଲେସନରେ ପରୀକ୍ଷା କରାଯାଉଛି ଏବଂ UTAର MavHome ସାଇଟରେ ସ୍ୱେଚ୍ଛାସେବୀମାନଙ୍କ ସହିତ, ଏକ ଏଜେଣ୍ଟ ଆଧାରିତ |
494fc1e30be172fbe393e0d68695ae318e23da8c | ଉଭୟ ଶିକ୍ଷାବିତ୍ ଓ ଶିଳ୍ପ ଜଗତରେ ସବୁଜ ଯୋଗାଣ ଶୃଙ୍ଖଳା ପରିଚାଳନା (ଜିଏସସିଏମ୍) ପ୍ରତି ଅଧିକ ଧ୍ୟାନ ଦିଆଯାଉଛି । ସାହିତ୍ୟର ବୃଦ୍ଧି ସହିତ, ଗବେଷଣାକୁ ସମାଲୋଚନାତ୍ମକ ଭାବରେ ମୂଲ୍ୟାଙ୍କନ କରି ନୂତନ ଦିଗ ଖୋଜିବା ଏବଂ ଭବିଷ୍ୟତର ଦିଗକୁ ଚିହ୍ନଟ କରିବା ଏହି କ୍ଷେତ୍ର ପାଇଁ ଜ୍ଞାନକୁ ଆଗକୁ ବଢାଇବାରେ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ହୋଇଯାଏ । ସାହିତ୍ୟର ଶ୍ରେଣୀଭୁକ୍ତ କରିବାରେ ସାହାଯ୍ୟ କରିବା ପାଇଁ ସାଂଗଠନିକ ସିଦ୍ଧାନ୍ତ ବ୍ୟବହାର କରିବା ଉଭୟ କ୍ଷେତ୍ରର ବର୍ତ୍ତମାନ ସ୍ଥିତି ବୁଝିବା ଏବଂ ଅନୁସନ୍ଧାନ ସୁଯୋଗ ଏବଂ ଦିଗ ଚିହ୍ନଟ କରିବାର ଉଦ୍ଦେଶ୍ୟକୁ ସମାଧାନ କରିବାର ସୁଯୋଗ ପ୍ରଦାନ କରେ । ଜିଏସସିଏମ ଉପରେ ବ୍ୟାକଗ୍ରାଉଣ୍ଡ ଆଲୋଚନା କରିବା ପରେ ଆମେ ୯ଟି ବ୍ୟାପକ ସଂଗଠନ ତତ୍ତ୍ୱ ଅନୁସାରେ ଜିଏସସିଏମ ସାହିତ୍ୟକୁ ଶ୍ରେଣୀଭୁକ୍ତ କରିଛୁ । ଏହି ସମୀକ୍ଷା ଢାଞ୍ଚାରେ, ଆମେ ମଧ୍ୟ ଅନୁସନ୍ଧାନର ଯୋଗ୍ୟ GSCM ଗବେଷଣା ପ୍ରଶ୍ନ ଚିହ୍ନଟ କରୁ । ଭବିଷ୍ୟତରେ ଜିଏସସିଏମ ଗବେଷଣା ପାଇଁ ମୂଲ୍ୟବାନ ବୋଲି ବିବେଚନା କରାଯାଉଥିବା ଅତିରିକ୍ତ ସଂଗଠନ ତତ୍ତ୍ୱ ମଧ୍ୟ ଏହି ସମୀକ୍ଷା ପାଇଁ ଏକ ନିଷ୍କର୍ଷ ସହିତ ଚିହ୍ନଟ କରାଯାଇଛି । |
c3a41f97b29c6abce6f75ee9c668584d77a84170 | ନିରନ୍ତରତା ଏହି ସିଦ୍ଧାନ୍ତ ଉପରେ ଆଧାରିତ ଯେ ଆମେ ବର୍ତ୍ତମାନର ଆବଶ୍ୟକତାକୁ ପୂରଣ କରିବା ଉଚିତ, ଭବିଷ୍ୟତ ପିଢ଼ିକୁ ସେମାନଙ୍କର ଆବଶ୍ୟକତା ପୂରଣ କରିବାରେ ବାଧା ନଦେଇ । ଗରିବ ରାଷ୍ଟ୍ରରେ ଭୋକିଲା ଲୋକ, ଧନୀ ରାଷ୍ଟ୍ରରେ ମୋଟାପଣ, ଖାଦ୍ୟର ମୂଲ୍ୟ ବୃଦ୍ଧି, ଜଳବାୟୁ ପରିବର୍ତ୍ତନ, ଇନ୍ଧନ ଓ ପରିବହନ ଖର୍ଚ୍ଚ ବୃଦ୍ଧି, ବିଶ୍ୱ ବଜାରରେ ଥିବା ତ୍ରୁଟି, ବିଶ୍ୱବ୍ୟାପୀ କୀଟନାଶକ ପ୍ରଦୂଷଣ, କୀଟନାଶକ ଅନୁକୂଳ ଓ ପ୍ରତିରୋଧକ, ମୃତ୍ତିକା ଉର୍ବରତା ଓ ଜୈବିକ କାର୍ବନ ହ୍ରାସ, ମୃତ୍ତିକା କ୍ଷୟ, ଜୈବ ବିବିଧତାର ହ୍ରାସ, ମରୁଭୂମିକରଣ, ଏବଂ ଆହୁରି ଅନେକ । ବିଜ୍ଞାନ କ୍ଷେତ୍ରରେ ଅଭୂତପୂର୍ବ ଅଗ୍ରଗତି ସତ୍ତ୍ୱେ, ଯାହା ଆମକୁ ଗ୍ରହ ପରିଦର୍ଶନ କରିବାକୁ ଏବଂ ଉପ-ଆଣୁକ କଣିକାକୁ ପ୍ରକାଶ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ, ଖାଦ୍ୟ ସମ୍ବନ୍ଧୀୟ ଗମ୍ଭୀର ସ୍ଥଳୀୟ ସମସ୍ୟା ସ୍ପଷ୍ଟ ଭାବରେ ଦର୍ଶାଏ ଯେ ପାରମ୍ପରିକ କୃଷି ଆଉ ମଣିଷକୁ ଖାଦ୍ୟ ଯୋଗାଇବା ଏବଂ ଇକୋସିଷ୍ଟମକୁ ସଂରକ୍ଷଣ କରିବା ପାଇଁ ଉପଯୁକ୍ତ ନୁହେଁ । ପୋଷଣୀୟ କୃଷି ହେଉଛି ଏକ ବିକଳ୍ପ ଯାହା ଖାଦ୍ୟ ଉତ୍ପାଦନ ସହ ଜଡ଼ିତ ମୌଳିକ ଏବଂ ପ୍ରୟୋଗିକ ସମସ୍ୟାକୁ ପରିବେଶଗତ ଉପାୟରେ ସମାଧାନ କରିଥାଏ (ଲାଲ (୨୦୦୮) ଏଗ୍ରନ) । ସମର୍ଥନ କରନ୍ତୁ । ଦେବ୍ । 28, 57-64) ରେ ଉଲ୍ଲେଖ କରାଯାଇଛି । ପାରମ୍ପରିକ କୃଷି ପ୍ରାୟତଃ କେବଳ ଉତ୍ପାଦକତା ଓ ଲାଭ ଉପରେ ଆଧାରିତ ହୋଇଥିବା ବେଳେ ସ୍ଥାୟୀ କୃଷି ଜୈବିକ, ରାସାୟନିକ, ଭୌତିକ, ପରିବେଶ, ଅର୍ଥନୈତିକ ଓ ସାମାଜିକ ବିଜ୍ଞାନକୁ ଏକ ସାମଗ୍ରିକ ଉପାୟରେ ଏକୀକୃତ କରି ନୂଆ କୃଷି ପଦ୍ଧତି ବିକଶିତ କରିଥାଏ ଯାହା ନିରାପଦ ଏବଂ ଆମ ପରିବେଶକୁ ନଷ୍ଟ କରେ ନାହିଁ । ବର୍ତ୍ତମାନର କୃଷି ବିଜ୍ଞାନ ସମ୍ବନ୍ଧୀୟ ସମସ୍ୟାକୁ ସମାଧାନ କରିବା ଏବଂ ବିଶ୍ୱସ୍ତରରେ ଆଲୋଚନା ଓ ସହଯୋଗକୁ ପ୍ରୋତ୍ସାହିତ କରିବା ପାଇଁ ଆମେ 2003ରୁ 2006 ପର୍ଯ୍ୟନ୍ତ ସ୍ଥାୟୀ ବିକାଶ ପାଇଁ କୃଷି ବିଜ୍ଞାନ ପତ୍ରିକାରେ ତୀବ୍ର ପରିବର୍ତ୍ତନ କାର୍ଯ୍ୟକାରୀ କରିଥିଲୁ । ଏଠାରେ ଆମେ (1) ପତ୍ରିକାର ନବୀକରଣର ଫଳାଫଳ ଏବଂ (2) ନିରନ୍ତର କୃଷି ପାଇଁ କୃଷି ବିଜ୍ଞାନ ଗବେଷଣାର ସାମ୍ପ୍ରତିକ ଧାରଣା ବିଷୟରେ ସଂକ୍ଷିପ୍ତ ସୂଚନା ପ୍ରଦାନ କରୁଛୁ । ଦୀର୍ଘ ସମୟ ଧରି ଏକ ନରମ, ପାର୍ଶ୍ୱ ବିଜ୍ଞାନ ଭାବରେ ବିବେଚନା କରାଯାଉଥିବା କୃଷି ବିଜ୍ଞାନ ଏକ କେନ୍ଦ୍ରୀୟ ବିଜ୍ଞାନ ଭାବରେ ଦ୍ରୁତ ଗତିରେ ବୃଦ୍ଧି ପାଉଛି କାରଣ ସାମ୍ପ୍ରତିକ ପ୍ରସଙ୍ଗଗୁଡ଼ିକ ଖାଦ୍ୟ ବିଷୟରେ ଏବଂ ମଣିଷ ଖାଦ୍ୟ ଖାଏ । ଏହି ରିପୋର୍ଟ ଇଡିପି ସାଇନ୍ସ ଏବଂ ସ୍ପ୍ରିଙ୍ଗର (ଲିଚଟଫାଉଜ ଏଟ ଅଲ) ଦ୍ୱାରା ପ୍ରକାଶିତ ପୁସ୍ତକ "ସଷ୍ଟେନେବଲ ଏଗ୍ରିକଲଚର, ଭୋଲ୍ୟୁମ ୧"ର ପ୍ରାରମ୍ଭିକ ଲେଖା । (2009) ସ୍ଥାୟୀ କୃଷି, ଦଫ। 1, ସ୍ପ୍ରିଙ୍ଗର, ଇଡିପି ସାଇନ୍ସ, ପ୍ରେସରେ ପ୍ରକାଶିତ) । |
8216ca257a33d0d64cce02f5bb37de31c5b824f8 | |
1518c8dc6a07c2391e58ece6e2ad8edca87be56e | ତଥ୍ୟ ସଂଗ୍ରହ ଏବଂ ଉତ୍ପାଦନ ପ୍ରଯୁକ୍ତିର ଅଗ୍ରଗତି ସହିତ, ସଂଗଠନ ଏବଂ ଗବେଷକମାନେ କିପରି ବୃହତ ଗତିଶୀଳ ତଥ୍ୟ ସେଟଗୁଡ଼ିକୁ ପରିଚାଳନା ଏବଂ ବିଶ୍ଳେଷଣ କରିବେ ସେ ସମ୍ବନ୍ଧରେ କ୍ରମବର୍ଦ୍ଧିଷ୍ଣୁ ସମସ୍ୟାର ସମ୍ମୁଖୀନ ହେଉଛନ୍ତି । ଯେଉଁ ପରିବେଶରେ ଷ୍ଟ୍ରିମିଂ ଡାଟା ଉତ୍ସର ଉତ୍ପାଦନ ହୋଇଥାଏ ତାହା ସାଧାରଣ ହୋଇଯାଉଛି । ଏହାର ଉଦାହରଣ ହେଉଛି ଷ୍ଟକ୍ ମାର୍କେଟ୍, ସେନସର, ୱେବ୍ କ୍ଲିକ୍ ଷ୍ଟ୍ରିମ୍ ଏବଂ ନେଟୱର୍କ ଡାଟା । ଅନେକ କ୍ଷେତ୍ରରେ, ଏହି ପରିବେଶଗୁଡ଼ିକ ଏକାଧିକ ବଣ୍ଟିତ କମ୍ପ୍ୟୁଟିଂ ନୋଡ ସହିତ ମଧ୍ୟ ସଜ୍ଜିତ ହୋଇଥାଏ ଯାହା ପ୍ରାୟତ ଡାଟା ଉତ୍ସ ନିକଟରେ ଅବସ୍ଥିତ ଥାଏ । ଏହିପରି ପରିବେଶରେ ତଥ୍ୟ ବିଶ୍ଳେଷଣ ଏବଂ ମନିଟରିଂ ପାଇଁ ଡାଟା ମାଇନିଂ ଟେକ୍ନୋଲୋଜି ଆବଶ୍ୟକ ହୋଇଥାଏ ଯାହା ଖଣି କାର୍ଯ୍ୟ, ତଥ୍ୟର ବଣ୍ଟିତ ପ୍ରକୃତି ଏବଂ ତଥ୍ୟ ପ୍ରବାହ ହାର ବିଷୟରେ ଅବଗତ ଥାଏ । ଏହି ଅଧ୍ୟାୟରେ ଆମେ ଏହି କ୍ଷେତ୍ରର ବର୍ତ୍ତମାନ ସ୍ଥିତିର ସମୀକ୍ଷା କରିବା ଏବଂ ଭବିଷ୍ୟତର ଗବେଷଣାର ସମ୍ଭାବ୍ୟ ଦିଗଗୁଡିକ ଚିହ୍ନଟ କରିବା । |
dd86669b91927f4c4504786269f93870854e117f | ବିଶେଷକରି ସାଧାରଣ ଜ୍ଞାନକୌଶଳ ଏବଂ ସଫ୍ଟୱେୟାର ଗ୍ରହଣୀୟତାର ଅନୁସନ୍ଧାନ ଆଙ୍ଗ୍ଲୋ-ଆମେରିକାନୀୟ ଅନୁସନ୍ଧାନ (ପ୍ରବନ୍ଧନ) ସୂଚନା ପ୍ରଣାଳୀ ଏବଂ ଜର୍ମାନୀ ଇକୋନୋମିକ୍ ଇନଫର୍ମେଟିକ୍ସରେ ଏକ ଫଳପ୍ରଦ କ୍ଷେତ୍ର । ପ୍ରଯୁକ୍ତି ଗ୍ରହଣ ମଡେଲ ଏବଂ ଆନୁସଙ୍ଗିକ ସିଦ୍ଧାନ୍ତରେ ଉତ୍ପନ୍ନ ଅନେକ ଗବେଷଣା ସତ୍ତ୍ୱେ, ଅନେକ ଅବଦାନ ରହିଛି ଯାହା ପୂର୍ବବର୍ତ୍ତୀ ଅଧ୍ୟୟନ ଏବଂ ଗବେଷଣା ଆଭିମୁଖ୍ୟକୁ ଦୂର କରିଥାଏ । ଏକ ମୁଖ୍ୟ କାରଣ ହେଉଛି ପରିମାଣାତ୍ମକ ଗବେଷଣା ପଦ୍ଧତି ଉପରେ ଧ୍ୟାନ ଦେବା, ଯାହା ଆମେ Metastudien ଏବଂ ଆମର ନିଜସ୍ୱ ସାହିତ୍ୟ ଅନୁସନ୍ଧାନ ମାଧ୍ୟମରେ ଦେଖାଇବୁ _ ଯଦିଓ ପରିମାଣାତ୍ମକ ପଦ୍ଧତିଗୁଡିକ ସାଧାରଣତଃ ପ୍ରଦତ୍ତ ସିଦ୍ଧାନ୍ତର ଯାଞ୍ଚ ପାଇଁ ଭଲ ହୋଇଥାଏ, ନୂତନ ସିଦ୍ଧାନ୍ତର ନିର୍ମାଣ ପାଇଁ ସେମାନଙ୍କର ଯୋଗଦାନ ସୀମିତ । ଏହି ଅବଦାନରେ ଦର୍ଶାଯାଇଛି ଯେ ଉନ୍ନତ ତତ୍ତ୍ବଜ୍ଞାନ ଗଠନ ପାଇଁ ଏକ ଗୁଣାତ୍ମକ ପଦ୍ଧତି ବ୍ୟବହାର କରାଯାଇପାରିବ । ପ୍ରକଳ୍ପ ପରିଚାଳନା ସଫ୍ଟୱେର (PMS) ର ଗ୍ରହଣୀୟତା ଅନୁସନ୍ଧାନର ଉଦାହରଣରୁ ଏହା ଦର୍ଶାଯାଇପାରିବ ଯେ ଏହି ପ୍ରକ୍ରିୟା ନୂତନ ନିର୍ମାଣକୁ ନେଇଥାଏ, ଯେତେବେଳେ କି କିଛି ନିର୍ମାଣର ବିଦ୍ୟମାନ ଗ୍ରହଣୀୟତା ସିଦ୍ଧାନ୍ତକୁ ନିଶ୍ଚିତ କରାଯାଇପାରିବ ନାହିଁ । |
9249389a2fbc2151a80b4731f007c780616b067a | ଅସ୍ଫ୍ରାକ୍ଟ- ସ୍ମୃତିର କ୍ଷୟକୁ ବ୍ୟବହାର କରି ଆମେ ଦୁଇଟି ଲୋକକଥାକୁ ପ୍ରମାଣିତ କରିପାରିବା । ପ୍ରଥମଟି ହେଉଛି ଯେକୌଣସି ସମୟ-ଅନୁପାତିକ (TZ) ନିରନ୍ତର ଅଣ-ଲିଖିତ ଅପରେଟରକୁ ଭୋଲ୍ଟେରାର ଧାରା ଅପରେଟର ଦ୍ୱାରା ଅନୁମାନ କରାଯାଇପାରିବ ଏବଂ ଦ୍ୱିତୀୟଟି ହେଉଛି ଯେ ଅନୁମାନକାରୀ ଅପରେଟରକୁ ଏକ ସୀମିତ-ଆକାରର ରେଖୀ ଗତିଶୀଳ ସିଷ୍ଟମ ଭାବରେ ଅଣ-ଲିଖିତ ରିଡାଉଟ୍ ମ୍ୟାପ୍ ସହିତ କାର୍ଯ୍ୟକାରୀ କରାଯାଇପାରିବ । ପୂର୍ବବର୍ତ୍ତୀ ଅନୁମାନ ଫଳାଫଳ ସମାପ୍ତି ସମୟ ପାଇଁ ବୈଧ ଥିବା ବେଳେ, ଏଠାରେ ଉପସ୍ଥାପିତ ଅନୁମାନ ସବୁ ସମୟ ପାଇଁ ଏବଂ ଉପଯୋଗୀ (ଅନୁପଯୁକ୍ତ) ସେଟରେ ଥିବା ସିଗନାଲ୍ ପାଇଁ ବୈଧ ଅଟେ । ଦ୍ବିତୀୟ ସିଦ୍ଧାନ୍ତର ଡିସ୍କ୍ରିଟ ଟାଇମ ଆନାଲୋଗ୍ ଦାବି କରେ ଯେ ଫେଡିଙ୍ଗ ମେମୋରୀ ସହିତ nny TZ ଅପରେଟରକୁ ଏକ ଅଣ-ଲିନିୟର ମୁଭିଙ୍ଗ୍ ଆଭରେଜ ଅପରେଟର ଦ୍ୱାରା (ଆମର ଦୃଢ଼ ଅର୍ଥରେ) ଅନୁମାନ କରାଯାଇପାରିବ । ସ୍ମୃତିର କ୍ଷୟକୁ ନେଇ ଆହୁରି କିଛି ଆଲୋଚନା କରାଯାଇଛି । |
ef8af16b408a7c78ab0780fe419d37130f2efe4c | ତିନୋଟି ନୂତନ ଶ୍ରେଣୀର କ୍ଷୁଦ୍ର ମାର୍ଚ୍ଚାଣ୍ଡ ବାଲୁନକୁ ଫିଲ୍ଟର ପ୍ରୋଟୋଟାଇପର ସଂଶ୍ଳେଷଣ ଆଧାରରେ ପରିଭାଷିତ କରାଯାଇଛି । ଏହା ମିଶ୍ରିତ ଗଣ୍ଠି-ବଂଟିତ ପ୍ଲାନର ନିର୍ମାଣ ପାଇଁ ଉପଯୁକ୍ତ, ଯାହାର ଆକାର ଛୋଟ, କାରଣ ଟ୍ରାନ୍ସମିଶନ ଲାଇନ ରେଜୋନେଟରଗୁଡ଼ିକ ଚତୁର୍ଥାଂଶ ତରଙ୍ଗ ଲମ୍ବ, ପାସବ୍ୟାଣ୍ଡର କେନ୍ଦ୍ର ଫ୍ରିକ୍ୱେନ୍ସି ଠାରୁ ଉଚ୍ଚ ଫ୍ରିକ୍ୱେନ୍ସିରେ । ପ୍ରତ୍ୟେକ ଶ୍ରେଣୀ ଏସ୍-ପ୍ଲେନ୍ ବ୍ୟାଣ୍ଡପାସ୍ ପ୍ରୋଟାଇପ୍ ସହିତ ସମାନ, ଯାହା ଟ୍ରାନ୍ସମିସନ୍ ଜିରୋ ସ୍ଥାନର ନିର୍ଦ୍ଦିଷ୍ଟତା ଠାରୁ ଉତ୍ପନ୍ନ । ଏଠାରେ ଉପସ୍ଥାପିତ ହୋଇଥିବା ପଦ୍ଧତିର ଲାଭକୁ ଦର୍ଶାଇବା ପାଇଁ 1 GHz ରେ ଏକ ସୁସଂଗତ 50:100-/spl ଓମେଗା/ବାଲୁନ ପ୍ରସ୍ତୁତ କରାଯାଇଛି । |
87eeb5622d8fbe4dca5f1c9b4190f719818c4d6e | ୱେବ୍ ୨.୦ ଟେକ୍ନୋଲୋଜି ଅଧିକରୁ ଅଧିକ ଲୋକଙ୍କୁ ବିଭିନ୍ନ ପ୍ରକାରର ସଂସ୍ଥା ଉପରେ ମୁକ୍ତ ଭାବରେ ମନ୍ତବ୍ୟ ଦେବାକୁ ସକ୍ଷମ କରିଛି (ଯେପରିକି ୱେବ୍ ୨.୦) । ବିକ୍ରେତା, ଉତ୍ପାଦ, ସେବା) । ସୂଚନାର ବିଶାଳତା ସ୍ୱୟଂଚାଳିତ ସାରାଂଶର ଆବଶ୍ୟକତା ଓ ଆହ୍ୱାନ ସୃଷ୍ଟି କରେ । ଅନେକ କ୍ଷେତ୍ରରେ, ବ୍ୟବହାରକାରୀମାନଙ୍କ ଦ୍ୱାରା ସୃଷ୍ଟି ହୋଇଥିବା ପ୍ରତ୍ୟେକ ସଂକ୍ଷିପ୍ତ ମନ୍ତବ୍ୟ ଏକ ସାମଗ୍ରିକ ରେଟିଂ ସହିତ ଆସିଥାଏ । ଏହି ଲେଖାରେ ଆମେ ସଂକ୍ଷିପ୍ତ ଟିପ୍ପଣୀଗୁଡିକର ଏକ ଅନୁମାନିତ ଦିଗ ସାରାଂଶ ସୃଷ୍ଟି କରିବାର ସମସ୍ୟା ଉପରେ ଅଧ୍ୟୟନ କରୁଛୁ, ଯାହା ହେଉଛି ପ୍ରମୁଖ ଦିଗଗୁଡିକ ପାଇଁ ସାମଗ୍ରିକ ରେଟିଂର ଏକ ବିଭାଜିତ ଦୃଶ୍ୟ ଯାହା ଦ୍ବାରା ଜଣେ ଉପଭୋକ୍ତା ଟାର୍ଗେଟ୍ ସଂସ୍ଥା ପ୍ରତି ବିଭିନ୍ନ ଦୃଷ୍ଟିକୋଣ ହାସଲ କରିପାରିବେ । ଆମେ ସମସ୍ୟାକୁ ଆନୁଷ୍ଠାନିକ ଭାବେ ପରିଭାଷିତ କରିଥାଉ ଏବଂ ସମାଧାନକୁ ତିନୋଟି ପର୍ଯ୍ୟାୟରେ ବିଭକ୍ତ କରିଥାଉ । ଆମେ ଇବେ ବିକ୍ରେତାମାନଙ୍କ ମତାମତ ବ୍ୟବହାର କରି ଆମର ପଦ୍ଧତିର ପ୍ରଭାବକୁ ପ୍ରଦର୍ଶନ କରୁ । ଆମେ ମଧ୍ୟ ଆମର ପଦ୍ଧତିର ପ୍ରତ୍ୟେକ ପଦକ୍ଷେପକୁ ପରିମାଣିକ ଭାବରେ ମୂଲ୍ୟାଙ୍କନ କରୁ ଏବଂ ଅଧ୍ୟୟନ କରୁ ଯେ ଏପରି ଏକ ସାରାଂଶ କାର୍ଯ୍ୟରେ ମଣିଷ କେତେ ଭଲ ଭାବରେ ସହମତ । ପ୍ରସ୍ତାବିତ ପଦ୍ଧତିଗୁଡ଼ିକ ଯଥେଷ୍ଟ ସାଧାରଣ ଏବଂ ସମସ୍ତ ରେଟିଂ ସହିତ ସଂଯୁକ୍ତ ସଂକ୍ଷିପ୍ତ ଟିପ୍ପଣୀଗୁଡିକର ଯେକୌଣସି ସଂଗ୍ରହକୁ ଦେଇ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ରେଟିଂ ହୋଇଥିବା ଦିଗର ସାରାଂଶ ସୃଷ୍ଟି କରିବା ପାଇଁ ବ୍ୟବହୃତ ହୋଇପାରିବ । |
626d68fbbb10182a72d1ac305fbb52ae7e47f0dc | ଏହି କାର୍ଯ୍ୟରେ ଏକ ଆଡାପ୍ଟିଭ ରିକନ୍ଫିଗୁଏବଲ ରେକ୍ଟାଇଫାୟରର ଡିଜାଇନକୁ ପ୍ରଦର୍ଶନ କରାଯାଇଛି ଯାହା ଏକ ପାରମ୍ପରିକ ରେକ୍ଟାଇଫାୟରରେ ଆଗୁଆ ବ୍ରେକଅଫ ଭୋଲଟେଜ ସମସ୍ୟାର ସମାଧାନ କରିବ ଏବଂ ବ୍ୟାପକ ଗତିଶୀଳ ଇନପୁଟ ପାୱାର ରେଞ୍ଜ ପାଇଁ ରେକ୍ଟାଇଫାୟରର କାର୍ଯ୍ୟକୁ ବିସ୍ତାର କରିବ । ଏକ ନିଷ୍କ୍ରିୟ-ମୋଡ୍ ଫିଲ୍ଡ-ଏଫେକ୍ଟ ଟ୍ରାନଜିଷ୍ଟରକୁ ଏକ ସୁଇଚ୍ ଭାବରେ କାର୍ଯ୍ୟ କରିବା ପାଇଁ ଏବଂ ରେକ୍ଟିଫାୟର ପାଇଁ କମ୍ ଏବଂ ଉଚ୍ଚ ଇନପୁଟ୍ ପାୱାର ସ୍ତରରେ କ୍ଷତିପୂରଣ ଦେବା ପାଇଁ ପ୍ରବର୍ତ୍ତନ କରାଯାଇଛି । ଏହି ଡିଜାଇନ୍ -୧୦ ଡିସିଏମରୁ ୨୭ ଡିସିଏମ ପର୍ଯ୍ୟନ୍ତ ଏକ ବ୍ୟାପକ ଗତିଶୀଳ ଇନପୁଟ୍ ପାୱାର ରେଞ୍ଜରେ ୪୦% ଆରଏଫ୍-ଡିସି ପାୱାର ରୂପାନ୍ତର ଦକ୍ଷତା ହାସଲ କରିଥାଏ, ଯେତେବେଳେ କି ୨୨ ଡିସିଏମରେ ୭୮% ଶିଖର ଶକ୍ତି ଦକ୍ଷତା ପ୍ରଦର୍ଶନ କରିଥାଏ । ପାୱାର ହାର୍ଭେଷ୍ଟର 900 ମେଗାହର୍ଜ ଆଇଏସଏମ ବ୍ୟାଣ୍ଡରେ କାର୍ଯ୍ୟ କରିବା ପାଇଁ ଡିଜାଇନ କରାଯାଇଛି ଏବଂ ଏହା ୱାୟାରଲେସ ପାୱାର ଟ୍ରାନ୍ସଫର ପ୍ରୟୋଗ ପାଇଁ ଉପଯୁକ୍ତ । |
767755e5c7389eefb8b60e784dc8395c8d0f417a | ବିଟକଏନ ଭଳି କ୍ରିପ୍ଟୋକରେନ୍ସିଗୁଡିକ ଅଦ୍ଭୁତ ସଫଳତା ହାସଲ କରିଛନ୍ତି । ବିଟକଏନ ଭଳି ପ୍ରଣାଳୀରେ ପ୍ରୁଫ ଅଫ ୱାର୍କ ମେକାନିଜିମ ବ୍ୟବହାର କରାଯାଏ, ଯାହାକୁ 1-ହାପ୍ ବ୍ଲକଚେନ କୁହାଯାଏ, ଏବଂ ଯଦି କମ୍ପ୍ୟୁଟିଂ ଶକ୍ତିର ଅଧିକାଂଶ ସଚ୍ଚୋଟ ଖେଳାଳିଙ୍କ ନିୟନ୍ତ୍ରଣରେ ଥାଏ ତେବେ ସେମାନଙ୍କର ସୁରକ୍ଷା ରହିଥାଏ । ତେବେ ଏହି ଧାରଣାକୁ ଏବେ ଗମ୍ଭୀରତାର ସହ ଚ୍ୟାଲେଞ୍ଜ କରାଯାଇଛି ଏବଂ ବିଟକଏନ ଭଳି ବ୍ୟବସ୍ଥା ବିଫଳ ହେବ ଯେତେବେଳେ ଏହି ଧାରଣାକୁ ଭଙ୍ଗ କରାଯିବ । ଆମେ ପ୍ରଥମ ପ୍ରମାଣିତ ସୁରକ୍ଷିତ 2-ହାପ୍ ବ୍ଲକ୍ ଚେନ୍ କୁ ପ୍ରସ୍ତାବ ଦେଉଛୁ, ଯେଉଁଥିରେ ପ୍ରୁଫ୍ ଅଫ୍ ୱାର୍କ (ପ୍ରଥମ ହପ୍) ଏବଂ ପ୍ରୁଫ୍ ଅଫ୍ ଷ୍ଟେକ୍ (ଦ୍ୱିତୀୟ ହପ୍) ର ବ୍ୟବସ୍ଥାକୁ ମିଶାଇ ଦିଆଯିବ । ବ୍ଲକଚେନକୁ ସୁରକ୍ଷିତ କରିବା ପାଇଁ ସଚ୍ଚୋଟ ଖଣି ଖନନକାରୀମାନଙ୍କ ଶକ୍ତିକୁ ବ୍ୟବହାର କରିବା ପାଇଁ ବିଟକଏନର ଚମତ୍କାର ଚିନ୍ତାଧାରା ସହିତ, ଆମେ ଏହି ଲକ୍ଷ୍ୟ ହାସଲ କରିବା ପାଇଁ ସଚ୍ଚୋଟ ଉପଭୋକ୍ତା / ଅଂଶୀଦାରମାନଙ୍କ ଶକ୍ତିକୁ ସେମାନଙ୍କର ମୁଦ୍ରା / ଅଂଶଧନ ମାଧ୍ୟମରେ ଅଧିକ ଉପଯୋଗ କରୁଛୁ । ଆମର ବ୍ଲକଚେନ୍ର ସୁରକ୍ଷା ସଚ୍ଚୋଟ ଖେଳାଳିମାନେ ଯଦି ସାମୂହିକ ସମ୍ବଳର (ଯାହା ଉଭୟ କମ୍ପ୍ୟୁଟିଂ ଶକ୍ତି ଏବଂ ଅଂଶଧନକୁ ନେଇ ଗଠିତ) ଅଧିକାଂଶ ନିୟନ୍ତ୍ରଣ କରନ୍ତି ତେବେ ବଜାୟ ରହିବ । ତ କହିଛନ୍ତି, ଯଦି ଶତ୍ରୁ ୫୦%ରୁ ଅଧିକ କମ୍ପ୍ୟୁଟିଂ ଶକ୍ତିକୁ ନିୟନ୍ତ୍ରଣ କରେ, ତେବେ ମଧ୍ୟ ସଚ୍ଚୋଟ ଖେଳାଳିମାନେ ସଚ୍ଚୋଟତା ମାଧ୍ୟମରେ ବ୍ଲକଚେନ୍ ର ରକ୍ଷା କରିବାର ସୁଯୋଗ ପାଇବେ । ଏକ ପ୍ରାରମ୍ଭିକ ସଂସ୍କରଣ ବିଟ୍କଏନ ଭଳି ବ୍ଲକଚେନକୁ କମ୍ପ୍ୟୁଟିଂ ଶକ୍ତିର ଏକ ଦୁଷ୍ଟମନା ସଂଖ୍ୟାଗରିଷ୍ଠତା ବିରୁଦ୍ଧରେ ସୁରକ୍ଷିତ କରିବା ଶୀର୍ଷକ ସହିତ ଜୁଲାଇ ୨୦୧୬ରେ ଇପ୍ରିଣ୍ଟ ଆର୍କାଇଭରେ ପ୍ରକାଶିତ ହୋଇଥିଲା । ବର୍ତ୍ତମାନର ସଂସ୍କରଣରେ ମଧ୍ୟ ସମାନ ଉଦ୍ଦେଶ୍ୟ ରହିଛି । କିନ୍ତୁ ନିର୍ମାଣର ଧାରଣା ଓ ମଡେଲିଂର ଦୃଷ୍ଟିକୋଣକୁ ସଂପୂର୍ଣ୍ଣ ଭାବେ ସଂଶୋଧନ କରାଯାଇଛି । †ଭର୍ଜିନିଆ କମନୱେଲଥ ବିଶ୍ୱବିଦ୍ୟାଳୟ ଇ-ମେଲ ଠିକଣା: duong[email protected]. ‡ସାଂଘାଇ ଜିଆଓ ଟଙ୍ଗ ବିଶ୍ୱବିଦ୍ୟାଳୟ ଅଧିକାଂଶ କାର୍ଯ୍ୟ ଭର୍ଜିନିଆ କମନୱେଲଥ ବିଶ୍ୱବିଦ୍ୟାଳୟର କ୍ରିପ୍ଟୋଗ୍ରାଫି ଲ୍ୟାବକୁ ଯାଇ କରିଥିଲି । ଇ-ମେଲ: ଫାନଲେଇ@ସଜୁ.ଇଡୁ.ସିଏନ ଭର୍ଜିନିଆ କମନୱେଲଥ ବିଶ୍ୱବିଦ୍ୟାଳୟ ଇ-ମେଲ: [email protected]. |
a293b3804d1972c9f72ed3490eaafa66349d1597 | ଅନେକ ଖେଳର ବୋର୍ଡର ସଂଗ୍ରହ ଥାଏ । ଏହି ଖେଳର କଷ୍ଟ ବୋର୍ଡର ପ୍ରାରମ୍ଭିକ ସଂରଚନା ଦ୍ୱାରା ନିର୍ଦ୍ଧାରିତ ହୋଇଥାଏ । ବୋର୍ଡର କଷ୍ଟକୁ ସଠିକ ଭାବରେ ମୂଲ୍ୟାଙ୍କନ କରିବା କିଛି ମାତ୍ରାରେ ଅସଙ୍ଗତ ଅଟେ ଏବଂ ଖେଳର ଉଲ୍ଲେଖନୀୟ ସ୍ତରର ବୁଝାମଣା କିମ୍ବା ଖେଳ ପରୀକ୍ଷଣର ଏକ ଭଲ ଡିଲ୍ ଆବଶ୍ୟକ କରେ । ଏହି ଅଧ୍ୟୟନରେ ଆମେ ବିକାସାତ୍ମକ ଆଲଗୋରିଦମକୁ ଏକ ସାଧନ ଭାବରେ ଅନୁସନ୍ଧାନ କରୁଛୁ ଯାହା ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଖେଳର ଏକ ସଂସ୍କରଣ ପାଇଁ ବୋର୍ଡର କଷ୍ଟକୁ ଗ୍ରେଡ୍ କରିଥାଏ । ଏକ ବିବର୍ତ୍ତନୀୟ ଆଲଗୋରିଦମ ଦ୍ବାରା ସମାଧାନ ପାଇଁ ହାରାହାରି ସମୟ ଏବଂ ଏକ ବୋର୍ଡକୁ ସମାଧାନ କରିବାରେ ବିଫଳତା ସଂଖ୍ୟା ଏକ ବୋର୍ଡର ଅସୁବିଧା ପାଇଁ ଏକ ସରୋଗେଟ୍ ଭାବରେ ବ୍ୟବହୃତ ହୁଏ । ସୋକୋବାନ ଏଜେଣ୍ଟ ପାଇଁ ଗୋଟିଏ ସରଳ ଷ୍ଟ୍ରିଙ୍ଗ ଆଧାରିତ ପ୍ରତିନିଧିତ୍ୱ ସହିତ ପ୍ରାରମ୍ଭିକ ପରୀକ୍ଷଣ, ବହୁତ କମ୍ ସିଗନାଲ୍ ପ୍ରଦାନ କଲା; ଏହା ସାଧାରଣତଃ ବିଫଳ ହେଲା । ଦୁଇଟି ଅନ୍ୟ ପ୍ରତିନିଧିତ୍ୱ, ଏକ ପ୍ରତିକ୍ରିୟାଶୀଳ ରେଖାଗତ ଜେନେଟିକ୍ ପ୍ରୋଗ୍ରାମିଂ ସଂରଚନା ଉପରେ ଆଧାରିତ ଯାହା ISAc ତାଲିକା କୁହାଯାଏ, ଉଭୟ କଠିନତା ସରୋଗେଟ୍ ପାଇଁ ଉପଯୋଗୀ କଠିନତା-ବର୍ଗୀକରଣ ସୂଚନା ସୃଷ୍ଟି କରେ । ଏହି ଦୁଇଟି ପ୍ରତିନିଧିତ୍ୱ ଭିନ୍ନ ଯେ ଗୋଟିଏ ଆଇଏସଏସି ତାଲିକା ରକମର ଜନସଂଖ୍ୟା ବ୍ୟବହାର କରିଥାଏ, ଅନ୍ୟଟି ସୋକୋବାନ ବୋର୍ଡର ରକମର ସଂଗ୍ରହ ଉପରେ ପୂର୍ବରୁ ତାଲିମପ୍ରାପ୍ତ ଦକ୍ଷ ଏଜେଣ୍ଟଙ୍କ ସହିତ ଜନସଂଖ୍ୟା ଆରମ୍ଭ କରିଥାଏ । ଏହି ଅଧ୍ୟୟନରେ ଚାରୋଟି କଠିନତା ସରୋଗେଟ ସାମିଲ କରାଯାଇଛି: ବିଫଳତାର ସମ୍ଭାବନା ଏବଂ ସମାଧାନ ପାଇଁ ହାରାହାରି ସମୟ । ଏହି ଚାରିଟି ଯାକ ବୋର୍ଡର କଠିନତା ବିଷୟରେ ସମାନ ସୂଚନା ସୃଷ୍ଟି କରିଥାଏ, କିନ୍ତୁ ପୂର୍ବ-ବିକାଶିତ ଏଜେଣ୍ଟଗୁଡିକ ସହିତ ବିଫଳତାର ସମ୍ଭାବନା ଶୀଘ୍ର ଗଣନା କରିବା ଏବଂ ଅନ୍ୟ ତିନୋଟି ବୋର୍ଡ-କଠିନତା ସରୋଗେଟ୍ ଅପେକ୍ଷା ଏକ ସ୍ପଷ୍ଟ ଅର୍ଥ ଥିବା ଜଣାପଡିଛି । |
844b795767b7c382808cc866ffe0c74742f706d4 | ମଣିଷର ମାନସିକ ଚିତ୍ରଣରେ ଚାଲିବା ସମୟରେ ଏଫଏମଆରଆଇ ଦ୍ୱାରା କର୍କଟିକାଲ, ସେରେବେଲାର୍ ଏବଂ ବ୍ରେନ୍ଷ୍ଟମ୍ ବଲ୍ଡ ସିଗନାଲ୍ ପରିବର୍ତ୍ତନ ଚିହ୍ନଟ କରାଯାଇଛି । [୧୮] FDG-PET ଦ୍ୱାରା ବାସ୍ତବିକ ଯାତାୟାତ ସମୟରେ ସମ୍ପୂର୍ଣ୍ଣ ମସ୍ତିଷ୍କ ସକ୍ରିୟ ଓ ନିଷ୍କ୍ରିୟତା ପଦ୍ଧତିର ଅନୁସନ୍ଧାନ କରାଯାଇଥିଲା ଏବଂ fMRI ବ୍ୟବହାର କରି ସମାନ ବିଷୟଗୁଡ଼ିକରେ କଳ୍ପନା କରାଯାଇଥିବା ଯାତାୟାତ ସମୟରେ BOLD-ସିଗନାଲ୍ ପରିବର୍ତ୍ତନ ସହିତ ତୁଳନା କରାଯାଇଥିଲା । [୧୮]F-FDG-PET ଦ୍ୱାରା ୧୬ ଜଣ ସୁସ୍ଥ ବ୍ୟକ୍ତିଙ୍କୁ ଯାତାୟାତ ଓ ବିଶ୍ରାମ ସମୟରେ ସ୍କାନ କରାଯାଇଥିଲା । ଏହି ଲୋକୋମୋସନ ପାରାଡାଇମ୍ର ବିଷୟବସ୍ତୁଗୁଡ଼ିକରେ ୧୦ ମିନିଟ୍ ପର୍ଯ୍ୟନ୍ତ ସ୍ଥିର ବେଗରେ ଚାଲିବା ପାଇଁ କୁହାଯାଇଥିଲା । ଏହାପରେ [(18) F]- FDG କୁ ଅନ୍ତଃ ବସ୍ତ୍ରରେ ଦିଆଗଲା ଏବଂ ପରୀକ୍ଷାର୍ଥୀମାନେ ଆହୁରି ୧୦ ମିନିଟ ଚାଲିବା ଜାରି ରଖିଲେ । ତୁଳନାତ୍ମକ ଭାବେ, ସମାନ ବ୍ୟକ୍ତିମାନଙ୍କଠାରେ କଳ୍ପନା କରାଯାଇଥିବା ଚାଲିବା ସମୟରେ ଏଫଏମଆରଆଇ କରାଯାଇଥିଲା । ବାସ୍ତବ ଓ କଳ୍ପନାଶୀଳ ଗତି ସମୟରେ ମୌଳିକ ଗତି ନେଟୱର୍କ ଯାହା ସାମନାପଟ କୋର୍ଟେକ୍ସ, ସେରେବଲମ, ପୋଣ୍ଟୋମେସେଫଲିକ ଟେକମେଣ୍ଟମ, ପାରାହିପପୋକ୍ୟାମ୍ପାଲ, ଫ୍ୟୁଜିଫର୍ମ ଏବଂ ଓସିସିପାଟାଲ ଜାଇରୀରେ ସକ୍ରିୟତା ଏବଂ ମଲ୍ଟିସେନ୍ସୋରୀ ଭେଷ୍ଟିବୁଲାର କୋର୍ଟେକ୍ସରେ ନିଷ୍କ୍ରିୟତା (ବିଶେଷ କରି) । ଉପର ଶିରାପ୍ରକାରର ଘୁଙ୍ଗୁଡ଼ି, ନିମ୍ନ ପ୍ୟାରିଏଟାଲ ଲାବୁଲ) ଦେଖାଯାଇଥିଲା । ବାସ୍ତବିକ ଯାତାୟାତ ସମୟରେ ପ୍ରାଥମିକ ମୋଟର ଏବଂ ସୋମାଟୋସେନସୋରୀ କର୍ଟିକ୍ସ ସକ୍ରିୟ ହୋଇଥାଏ, ଯାହାକି କଳ୍ପନାଜଳ୍ପନା ସମୟରେ ସପ୍ଲିମେଣ୍ଟାରୀ ମୋଟର କର୍ଟିକ୍ସ ଏବଂ ବେସାଲ ଗ୍ୟାଙ୍ଗଲିୟାରୁ ଭିନ୍ନ ହୋଇଥାଏ । କଳ୍ପନା କରାଯାଇଥିବା ଯାତାୟାତରେ ମସ୍ତିଷ୍କର ତୃଣର ଗତି କେନ୍ଦ୍ରର ସକ୍ରିୟତା ଅଧିକ ଥିଲା । ଶେଷରେ, ବାସ୍ତବିକ ଯାତାୟାତର ମୌଳିକ ସକ୍ରିୟ ଓ ନିଷ୍କ୍ରିୟତା ପଦ୍ଧତି କଳ୍ପନାଜଳ୍ପନା ଯାତାୟାତର ସହ ସମାନ । ଏହି ପାର୍ଥକ୍ୟ ପରୀକ୍ଷଣ କରାଯାଇଥିବା ଭିନ୍ନ ଭିନ୍ନ ଗତି ପଦ୍ଧତି କାରଣରୁ ହୋଇପାରେ । [(18) F]-FDG-PET ରେ ସ୍ଥାୟୀ ବେଗରେ ବାସ୍ତବ ଗତି (୧୦ ମିନିଟ) ବିପରୀତ, ବାରମ୍ବାର ୨୦ ସେକେଣ୍ଡ ସମୟ ମଧ୍ୟରେ ଗତିର ମାନସିକ ଚିତ୍ର ଗେଜ ଆରମ୍ଭ ଏବଂ ବେଗ ପରିବର୍ତ୍ତନକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରେ । ପ୍ରକୃତ ସ୍ଥିର ଅବସ୍ଥାରେ ଗତି କରିବା ପାଇଁ ପ୍ରାଥମିକ ମୋଟର କର୍ଟେକ୍ସ ମାଧ୍ୟମରେ ଏକ ପ୍ରତ୍ୟକ୍ଷ ମାର୍ଗ ବ୍ୟବହାର କରୁଥିବା ବେଳେ କଳ୍ପନା କରାଯାଇଥିବା ମୋଡ୍ୟୁଲେଟରୀ ଗତି ପାଇଁ ଏକ ପରୋକ୍ଷ ମାର୍ଗ ଏକ ଅତିରିକ୍ତ ମୋଟର କର୍ଟେକ୍ସ ଏବଂ ବେସାଲ ଗାଙ୍ଗଲିୟା ଲୁପ୍ ମାଧ୍ୟମରେ ବ୍ୟବହାର କରିଥାଏ । |
d372629db7d6516c4729c847eb3f6484ee86de94 | ଭିଜୁଆଲ ପ୍ରଶ୍ନ ଉତ୍ତର (ଭିକ୍ୟୁଏ) ଆହ୍ୱାନର ସବୁଠାରୁ ଆକର୍ଷଣୀୟ ବୈଶିଷ୍ଟ୍ୟ ହେଉଛି ପ୍ରଶ୍ନର ଅପ୍ରତ୍ୟାଶିତତା । ଏହାର ଉତ୍ତର ଦେବା ପାଇଁ ଆବଶ୍ୟକ ସୂଚନା ବାହାର କରିବା ପାଇଁ ବିଭିନ୍ନ ପ୍ରକାର ପ୍ରତିଛବି ଅପରେସନ ଆବଶ୍ୟକ ହୋଇଥାଏ, ଯେପରିକି ଚିହ୍ନଟ ଏବଂ ଗଣନା, ସେଗମେଣ୍ଟେସନ୍ ଏବଂ ପୁନଃନିର୍ମାଣ । {ଛବି, ପ୍ରଶ୍ନ, ଉତ୍ତର} ଟାପୁଲରୁ ଏହିପରି ଗୋଟିଏ ବି କାର୍ଯ୍ୟକୁ ସଠିକ ଭାବରେ କରିବା ପାଇଁ ଏକ ପଦ୍ଧତିକୁ ତାଲିମ ଦେବା ଏକ ଆହ୍ୱାନ ହେବ, କିନ୍ତୁ ଏହିପରି ଏକ ସୀମିତ ତାଲିମ ତଥ୍ୟ ସହିତ ସେସବୁ ହାସଲ କରିବାକୁ ଲକ୍ଷ୍ୟ ରଖିବା ସର୍ବୋତ୍ତମ ଭାବରେ ମହତ୍ବାକାଂକ୍ଷୀ ମନେହୁଏ । ଆମର ପଦ୍ଧତି ଏହିପରି ଭାବରେ ଶିଖେ ଯେ କିପରି ଏକ୍ସଟର୍ନଲ ଅଫ-ଦ-ଶେଲଫ୍ ଆଲଗୋରିଦମକୁ ଏହାର ଲକ୍ଷ୍ୟ ହାସଲ କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ, ଏକ ଆଭିମୁଖ୍ୟ ଯାହା ନ୍ୟୁରାଲ ଟ୍ୟୁରିଙ୍ଗ ମେସିନ ସହିତ ସମାନ ଅଟେ । ଆମର ପ୍ରସ୍ତାବିତ ପଦ୍ଧତିର ମୂଳ ହେଉଛି ଏକ ନୂଆ ସହ-ଅଭିମାନ ମଡେଲ । ଏହା ସହିତ, ପ୍ରସ୍ତାବିତ ଆଭିମୁଖ୍ୟ ଏହାର ନିଷ୍ପତ୍ତି ପାଇଁ ମନୁଷ୍ୟ-ପଠନଯୋଗ୍ୟ କାରଣ ସୃଷ୍ଟି କରେ, ଏବଂ ଏହାର କାରଣ ଦିଆଯାଇ ନ ଥାଇ ମଧ୍ୟ ଏହାକୁ ଏଣ୍ଡ-ଟୁ-ଏଣ୍ଡ ତାଲିମ ଦିଆଯାଇପାରିବ । ଆମେ ଦୁଇଟି ସର୍ବସାଧାରଣ ଭାବେ ଉପଲବ୍ଧ ଡାଟାସେଟ, ଭିଜୁଆଲ ଜେନୋମ ଏବଂ ଭିକ୍ୟୁଏ ଉପରେ ଏହାର ପ୍ରଭାବକୁ ପ୍ରଦର୍ଶନ କରିଛୁ ଏବଂ ଦର୍ଶାଇଛୁ ଯେ ଏହା ଉଭୟ କ୍ଷେତ୍ରରେ ଅତ୍ୟାଧୁନିକ ଫଳାଫଳ ପ୍ରଦାନ କରିଥାଏ । |
8e9119613bceb83cc8a5db810cf5fd015cf75739 | ଭିତରକନିକା ବିପଦ କ୍ଷେତ୍ରରେ ବେଆଇନ ଉପକରଣ ଏକ ବିପଦଜନକ ବାସ୍ତବତା । ଶିଳ୍ପ, ସରକାର ଏବଂ ଶିକ୍ଷାବିତମାନେ ଏହି ସମସ୍ୟା ପ୍ରତି ସଚେତନ ହେବା ସହ ଅତ୍ୟାଧୁନିକ ଚିହ୍ନଟ ପଦ୍ଧତିକୁ ପ୍ରୋତ୍ସାହିତ କରିବା ଆବଶ୍ୟକ । |
95a213c530b605b28e1db4fcad6c3e8e1944f48b | |
018fd30f1a51c6523b382b6f7db87ddd865e393d | ଆମେ ଏଲଟିଟିସିସିରେ ଦୁଇଟି ଏଣ୍ଡ-ଫାୟାର ଆଣ୍ଟିନା ଡିଜାଇନ କରିଛୁ ଯାହା ଯଥାକ୍ରମେ ଭୂସମାନ୍ତର ଏବଂ ଭୂଲମ୍ବ ଧ୍ରୁବୀକରଣ ସହିତ ରହିଛି । ଆଣ୍ଟିନାଗୁଡ଼ିକ ୩୮GHz ରେ କାର୍ଯ୍ୟ କରିଥାଏ, ଯାହାକି ୫ଜି ପ୍ରୟୋଗ ପାଇଁ ଏକ ସମ୍ଭାବ୍ୟ ଫ୍ରିକ୍ୱେନ୍ସି ଅଟେ । ଏହି ଆଣ୍ଟିନା ଗୁଡିକର ଆଡକୁ ପଲାରିଜ କରିବା ଦ୍ୱାରା ବ୍ରଡବ୍ୟାଣ୍ଡର କାର୍ଯ୍ୟକାରିତା ୨୭% ଓ ୬ଡିବି ଫାଇନ ଫାଇନ ଗେନ୍ ହୋଇଥାଏ । ଉଭୟ ଆଣ୍ଟିନା ଏକ କମ୍ପାକ୍ଟ ସବଷ୍ଟ୍ରେଟ ତଳେ ଏକୀକୃତ ହୋଇଛି । ନିକଟବର୍ତ୍ତୀ ଉପାଦାନଗୁଡ଼ିକ ମଧ୍ୟରେ ଉତ୍ତମ ବିଚ୍ଛିନ୍ନତା ହାସଲ କରାଯାଇଥାଏ, ଯାହାଦ୍ୱାରା ଏହି ଆଣ୍ଟେନାଗୁଡ଼ିକ 5G ମୋବାଇଲ ସିଷ୍ଟମରେ କୋଣ ଉପାଦାନଗୁଡ଼ିକ ପାଇଁ ଉପଯୁକ୍ତ ହୋଇଥାଏ । |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.