_id
stringlengths 40
40
| text
stringlengths 0
10.7k
|
|---|---|
a0117ec4cd582974d06159644d12f65862a8daa3 | ஆழமான நம்பிக்கை நெட்வொர்க்குகள் (DBN) என்பது மறைக்கப்பட்ட காரண மாறிகளின் பல அடுக்குகளைக் கொண்ட உருவாக்கும் மாதிரிகள் ஆகும், சமீபத்தில் ஹிண்டன், ஒசிண்டெரோ மற்றும் தெஹ் (2006) ஆகியோரால் அறிமுகப்படுத்தப்பட்டது, ஒரு பேராசை அடுக்கு-அறிவார்ந்த மேற்பார்வை செய்யப்படாத கற்றல் வழிமுறையுடன். Le Roux and Bengio (2008) மற்றும் Sutskever and Hinton (2008) ஆகியவற்றின் அடிப்படையில், ஆழமான ஆனால் குறுகிய உருவாக்கும் நெட்வொர்க்குகளுக்கு உலகளாவிய தோராயத்தை அடைய அடுக்குகளை விட அதிக அளவுருக்கள் தேவையில்லை என்பதைக் காட்டுகிறோம். நிரூபண நுட்பத்தை பயன்படுத்தி, ஆழமான ஆனால் குறுகிய ஊட்டமளிக்கும் நரம்பியல் நெட்வொர்க்குகள் சிக்மோயிடல் அலகுகளுடன் எந்த பூலியன் வெளிப்பாட்டையும் பிரதிநிதித்துவப்படுத்த முடியும் என்பதை நிரூபிக்கிறோம். |
274946a974bc2bbbfe89c7f6fd3751396f295625 | இந்த ஆய்வில், வலுவான தேர்வுமுறை (RO) பகுதியில் தத்துவார்த்த மற்றும் பயன்பாட்டு முதன்மை ஆராய்ச்சிகளை நாங்கள் ஆய்வு செய்கிறோம். RO அணுகுமுறைகளின் கணிப்பு கவர்ச்சியிலும், அதே போல் மாடலிங் சக்தியிலும், முறைமையின் பரந்த பொருந்தக்கூடிய தன்மையிலும் கவனம் செலுத்தப்படும். கடந்த பத்தாண்டுகளில் RO இன் மிக முக்கியமான கோட்பாட்டு முடிவுகளை ஆய்வு செய்வதோடு, பல கட்ட முடிவெடுக்கும் சிக்கல்களுக்கு RO ஐ மாற்றியமைக்கக்கூடிய மாதிரிகளுடன் இணைக்கும் சில சமீபத்திய முடிவுகளையும் நாங்கள் முன்வைப்போம். இறுதியாக, நிதி, புள்ளியியல், கற்றல் மற்றும் பொறியியல் துறைகள் உள்ளிட்ட பல்வேறு துறைகளில் RO இன் பயன்பாடுகளை நாங்கள் முன்னிலைப்படுத்துவோம். |
573cd4046fd8b899a7753652cd0f4cf6e351c5ae | சிக்கலான வடிவங்களை கொண்ட பொருட்களை அடையாளம் காணும் ஒரு அணுகுமுறையை நாங்கள் முன்வைக்கிறோம். முதலில் நாம் ஒரு இலக்கு பொருளின் எடுத்துக்காட்டு படங்களை வழக்கமான சூழல்களில் ஒரு வகைப்படுத்தி அலைவரிசையை பயிற்றுவிக்க பயன்படுத்துகிறோம், இது ஒரு படத்தில் உள்ள விளிம்பு பிக்சல்கள் விரும்பிய பொருளின் ஒரு நிகழ்வுக்கு சொந்தமானதா அல்லது குழப்பத்திற்கு சொந்தமானதா என்பதை தீர்மானிக்கிறது. ஒரு புதிய படத்தை முன்வைத்து, நாம் அலைவரிசையை பயன்படுத்தி குழப்பம் விளிம்பு பிக்சல்கள் நிராகரிக்க மற்றும் குழு பொருள் விளிம்பு பிக்சல்கள் ஒட்டுமொத்த கண்டறிதல்கள் பொருளின். விளிம்பு பிக்சல் வகைப்படுத்தலுக்கு பயன்படுத்தப்படும் அம்சங்கள் உள்ளூர்மயமாக்கப்பட்ட, அரிதான விளிம்பு அடர்த்தி செயல்பாடுகள் ஆகும். பட-விமானத்தின் வெளிப்புற சுழற்சியின் கீழ் பல்வேறு குழப்பமான உட்புற காட்சிகளில் சிக்கலான பொருள்களின் தொகுப்பை அங்கீகரிப்பதற்கான நுட்பத்தின் செயல்திறனை பரிசோதனைகள் சரிபார்க்கின்றன. மேலும், பயிற்சி மற்றும் சோதனை சூழல்களுக்கு இடையிலான மாறுபாடுகளுக்கு இந்த நுட்பம் உறுதியானது என்றும், இயங்கும் நேரத்தில் திறமையானது என்றும் எங்கள் சோதனைகள் தெரிவிக்கின்றன. |
e9b7367c63ba970cc9a0360116b160dbe1eb1bb4 | நிரல் ரீதியாக விளக்கக்கூடிய வலுவூட்டல் கற்றல் (PIRL) எனப்படும் ஒரு வலுவூட்டல் கற்றல் கட்டமைப்பை நாங்கள் முன்வைக்கிறோம், இது விளக்கக்கூடிய மற்றும் சரிபார்க்கக்கூடிய முகவர் கொள்கைகளை உருவாக்க வடிவமைக்கப்பட்டுள்ளது. பிரபலமான டீப் ரென்ஃபோர்ஸ்மென்ட் லேர்னிங் (டிஆர்எல்) மாதிரியைப் போலல்லாமல், இது நியூரல் நெட்வொர்க்குகளால் கொள்கைகளை பிரதிநிதித்துவப்படுத்துகிறது, பிஐஆர்எல் ஒரு உயர் மட்ட, டொமைன்-குறிப்பிட்ட நிரலாக்க மொழியைப் பயன்படுத்தி கொள்கைகளை பிரதிநிதித்துவப்படுத்துகிறது. இதுபோன்ற நிரலாக்கக் கொள்கைகள் நரம்பியல் நெட்வொர்க்குகளை விட எளிதாக விளக்கப்படுவதன் நன்மைகளைக் கொண்டுள்ளன, மேலும் அவை குறியீட்டு முறைகளால் சரிபார்க்கப்படுகின்றன. அதிகபட்ச வெகுமதியுடன் ஒரு நிரல் கொள்கையை கண்டுபிடிப்பதற்கான சவாலான ஒழுங்கற்ற தேர்வுமுறை சிக்கலை தீர்க்க, நரம்பியல் முறையில் இயக்கப்பட்ட நிரல் தேடல் (NDPS) எனப்படும் ஒரு புதிய முறையை நாங்கள் முன்மொழிகிறோம். NDPS முதலில் DRL ஐப் பயன்படுத்தி ஒரு நரம்பியல் கொள்கை வலையமைப்பைக் கற்றுக்கொள்வதன் மூலம் செயல்படுகிறது, பின்னர் இந்த நரம்பியல் அறிவாளரிடமிருந்து தூரத்தை குறைக்க முயற்சிக்கும் நிரல் கொள்கைகளில் உள்ளூர் தேடலைச் செய்கிறது. TORCS கார்ரேசிங் சூழலில் ஒரு சிமுலேட்டட் காரை ஓட்டக் கற்றுக்கொள்வதற்கான பணியில் NDPS ஐ மதிப்பீடு செய்கிறோம். சில குறிப்பிடத்தக்க செயல்திறன் பட்டியல்களை கடந்து மனிதனால் படிக்கக்கூடிய கொள்கைகளை NDPS கண்டறிய முடியும் என்பதை நாங்கள் நிரூபிக்கிறோம். PIRL கொள்கைகள் DRL மூலம் கண்டறியப்பட்ட கொள்கைகளை விட மென்மையான பாதைகளைக் கொண்டிருக்கலாம் என்பதையும், பயிற்சியின் போது சந்திக்கப்படாத சூழல்களுக்கு எளிதாக மாற்ற முடியும் என்பதையும் நாங்கள் காட்டுகிறோம். |
48d103f81e9b70dc2de82508973bc35f61f8ed01 | இந்த ஆவணம் அதிவேக ரயில்கள் மற்றும் நில வாகனங்களில் உள்ள மொபைல் செயற்கைக்கோள் தகவல்தொடர்புகளுக்கான டெஸ் கு பட்டை ஆண்டெனாக்களின் அதிநவீன நிலையை வழங்குகிறது, மேலும் கு பட்டை ஆண்டெனா செயல்திறன் மேம்பாடு மற்றும் கா பட்டை முனையங்களுக்கு மேம்படுத்தல் ஆகியவற்றின் அடிப்படையில் அதன் பரிணாமம். |
7294d9fa5c5524a43619ad7e52d132a90cfe91bb | இந்த கடிதத்தின் பொதுவான பிரச்சினை உயர் தரவு விகித SATCOM க்கான கட்டம் வரிசை ஆண்டெனாவின் வடிவமைப்பைக் கையாள்கிறது. ஒரு கடைசி ஆர்ப்பாட்ட ஆந்தை ஒரு ஆளில்லா வான்வழி வாகனத்தில் (UAV) நிறுவப்பட்டு, Ka-band இல் உள்ள ஒரு செயற்கைக்கோளுடன் தொடர்பு கொள்ள முடியும். முதலில், ஒரு சிறிய பிரதிபலிப்பு வகை கட்டம் மாற்றியை வடிவமைத்து, செயல்படுத்தப்படுகிறது. இரண்டாவது, ஒரு கட்ட வரிசை ஆண்டெனா முன்மாதிரி கருத்து விரிவாக உள்ளது. மூன்றாவதாக, ஒரு புதிய அளவுத்திருத்த முறை பயன்படுத்தப்படுகிறது, இது விரும்பிய திசையில் கற்றைகளை ஸ்கேன் செய்வதற்காக ஒவ்வொரு கட்ட மாற்றத்திற்கும் பயன்படுத்தப்படும் திசை திருப்ப மின்னழுத்தத்தை வழங்க முடியும். |
b40b8a2b528a88f45bba5ecd23cec02840798e72 | Ka-band satcom-on-the-move ground user terminal க்கான 2D-periodic leaky-wave antenna ஒன்று வழங்கப்பட்டுள்ளது. அந்தந்த வட்ட துருவமுனைப்புகளுடன் கூடிய 20 GHz கீழ் இணைப்பு மற்றும் 30 GHz மேல் இணைப்பு பட்டைகளில், ஒரு பொதுவான கதிர்வீச்சு துளை மற்றும் ஒரு பொதுவான கட்ட மையத்தைப் பயன்படுத்தி ஆண்டெனா பேனல் செயல்படுகிறது. இரட்டை-பாண்ட் செயல்திறன் ஒரு கவனமாக வடிவமைக்கப்பட்ட அடுக்கி இரட்டை அடுக்கு அதிர்வெண் தேர்ந்தெடுக்கும் மேற்பரப்பு மூலம் அடையப்படுகிறது, இதில் ஒரு அடுக்கு 20 GHz இல் செயல்படுகிறது மற்றும் 30 GHz இல் வெளிப்படையானது, மற்றும் இரண்டாவது அடுக்கு எதிர்மாறாக செயல்படுகிறது. இந்த ஆவணம் வட்டமிட்ட துருவமுனை முதன்மை உணவின் வடிவமைப்பு, இரட்டை அடுக்கு கட்டமைப்புகள், மற்றும் முழுமையான சிறிய கசிவு-அலை ஆண்டெனா குழு ஆகியவற்றை விவரிக்கிறது. அளவிடப்பட்ட கதிர்வீச்சு செயல்திறன் 22 dBi க்கும் அதிகமான உணர்ந்த-கூட்ட மதிப்புகளையும் 60% க்கும் அதிகமான செயல்திறன்களையும் வெளிப்படுத்துகிறது. குறுக்கு-துருவமுனைப்பு பாகுபாடு மற்றும் பக்கவாட்டு லோப் நிலை Ka-பந்தத்தில் செயற்கைக்கோள் தகவல்தொடர்புகளுக்கான சக்தி நிறமாலை தேவைகளை பூர்த்தி செய்ய ஏற்றது. |
1f009366a901c403a8aad65c94ec2fecf3428081 | முன்னைய நரம்பியல் இயந்திர மொழிபெயர்ப்பு மாதிரிகள் சில ஹூரிஸ்டிக் தேடல் வழிமுறைகளைப் பயன்படுத்தின (எ. கா. , பீம் தேடல்) சோதனை கட்டத்தில் மொழிபெயர்ப்பு வாக்கியங்கள் மீதான அதிகபட்ச பின்னோக்கி சிக்கலைத் தீர்ப்பதைத் தவிர்ப்பதற்காக. இந்த ஆய்வில், கும்பெல்-கிரெடி டிகோடிங் என்ற முறையை முன்மொழிகிறோம், இது ஒரு பயிற்சி பெற்ற மாதிரியின் கீழ் மொழிபெயர்ப்பைக் கணிப்பதற்காக ஒரு உருவாக்கும் வலையமைப்பை பயிற்றுவிக்கிறது. நாம் கும்பெல்-சாஃப்ட்மேக்ஸ் மறுசீரமைப்பைப் பயன்படுத்தி அத்தகைய சிக்கலைத் தீர்க்கிறோம், இது எங்கள் உற்பத்தி நெட்வொர்க்கை வேறுபடுத்தக்கூடியதாகவும், நிலையான ஸ்டோகாஸ்டிக் சாய்வு முறைகள் மூலம் பயிற்சி செய்யக்கூடியதாகவும் ஆக்குகிறது. நாம் முன்மொழிந்த மாதிரி, தனித்தனி வார்த்தைகளின் வரிசைகளை உருவாக்குவதில் பயனுள்ளதாக இருப்பதை நாம் அனுபவ ரீதியாக நிரூபிக்கிறோம். |
8e49caba006e1832a70162f3a93a31be25927349 | இந்த கட்டுரை அறிவாற்றல் ரேடார் என்ற புதிய கருத்தை விவாதிக்கிறது. அறிவாற்றல் ரேடார் அமைப்புக்கு மூன்று பொருட்கள் அடிப்படைஃ 1) அறிவார்ந்த சமிக்ஞை செயலாக்கம், இது சுற்றியுள்ள சூழலுடன் ரேடரின் தொடர்புகள் மூலம் கற்றலை உருவாக்குகிறது; 2) நுண்ணறிவின் ஒரு வசதிகாரரான டிரான்ஸ்மிட்டருக்கு பெறுநரிடமிருந்து பின்னூட்டம்; மற்றும் 3) ரேடார் வருமானங்களின் தகவல் உள்ளடக்கத்தை பாதுகாத்தல், இது கண்காணிப்பு மூலம் இலக்கு கண்டறிவதற்கான பேய்சியன் அணுகுமுறையால் உணரப்படுகிறது. இந்த மூன்று பொருட்களும் ஒரு வெளவாலின் எதிரொலி-இருப்பிட அமைப்பில் இடம்பெற்றுள்ளன, இது அறிவாற்றல் ரேடரின் உடல் உணர்தலாக (நரம்பியல் சொற்களில் இருந்தாலும்) பார்க்கப்படலாம். ரேடார் என்பது ஒரு தொலைநிலை உணர்திறன் அமைப்பாகும், இது பொதுமக்கள் மற்றும் இராணுவ தேவைகளுக்கு கண்காணிப்பு, கண்காணிப்பு மற்றும் பட பயன்பாடுகளுக்கு பரவலாகப் பயன்படுத்தப்படுகிறது. இந்த கட்டுரையில், ரேடரின் எதிர்கால சாத்தியக்கூறுகள் குறித்து நாம் கவனம் செலுத்துகிறோம், குறிப்பாக அறிவாற்றல் பிரச்சினைக்கு முக்கியத்துவம் அளிக்கிறோம். வழியில் ஒரு எடுத்துக்காட்டு வழக்கு ஆய்வாக, கடல் சூழலுக்குப் பயன்படுத்தப்படும் ரேடார் கண்காணிப்புப் பிரச்சினையை நாங்கள் கருதுகிறோம். |
f584c3d1c2d0e4baa7f8fc72fcab7b9395970ef5 | இந்த சுவாரஸ்யமான கேள்விகளை ஆராய்வதில் சிறிது செய்யப்பட்டுள்ளது, மேலும் "கோட்பாடு" என்று அழைக்கக்கூடிய எந்தவொரு விரிவான கருத்துக்களும் உள்ளன என்ற எண்ணத்தை நான் கொடுக்க விரும்பவில்லை. அறிவியல் மற்றும் தத்துவ வரலாற்றைப் பொறுத்தவரை, மிகவும் ஆச்சரியமான விஷயம் என்னவென்றால், மூளையின் செயல்முறைகள், உளவியல் மற்றும் உடலியல் இரண்டிலும், ஆர்வத்தின் அற்புதமான வளர்ச்சிக்கான முக்கிய உந்துதல் ஒரு சாதனம், ஒரு இயந்திரம், டிஜிட்டல் கணினி ஆகியவற்றிலிருந்து வந்தது. ஒரு மனிதனையும் ஒரு மனித சமூகத்தையும் கையாள்வதில், நாம் பகுத்தறிவற்றவர்களாக, பகுத்தறிவற்றவர்களாக, முரண்பாடானவர்களாக, முழுமையற்றவர்களாக இருப்பதற்கான ஆடம்பரத்தை அனுபவிக்கிறோம், ஆனால் சமாளிக்கிறோம். ஒரு கணினியை இயக்குவதில், விரிவான அறிவுறுத்தல்கள் மற்றும் முழுமையான துல்லியத்திற்கான கடுமையான தேவைகளை நாம் பூர்த்தி செய்ய வேண்டும். சிக்கலான, நிச்சயமற்ற, மற்றும் பகுத்தறிவற்ற தன்மைகளை எதிர்கொள்ளும் போது, மனித மனதில் திறமையான முடிவுகளை எடுக்கும் திறனை நாம் புரிந்து கொண்டால், கணினிகளை நாம் செய்வதை விட ஒரு மில்லியன் மடங்கு திறமையாக பயன்படுத்த முடியும். இந்த உண்மையை அங்கீகரிப்பது நரம்பியல் உடலியல் துறையில் ஆராய்ச்சிக்கு ஒரு உந்துதலாக இருந்து வருகிறது. [பக்கம் 3-ன் படம்] இந்த செயல்முறைகளை நாம் புரிந்து கொண்டு அவற்றை மீண்டும் உருவாக்க நீண்ட காலம் ஆகும். எவ்வாறாயினும், கணிதவியலாளர் நூற்றுக்கணக்கான மற்றும் ஆயிரக்கணக்கான புதிய சிக்கல்களை டஜன் கணக்கான வளர்ந்து வரும் பகுதிகளில் காண்கிறார், புதிர்கள் ஏராளமாக உள்ளன, மற்றும் அவரது இதயத்தின் உள்ளடக்கத்திற்கு சவால்கள். அவர் இவற்றில் சிலவற்றை ஒருபோதும் தீர்க்காமல் இருக்கலாம், ஆனால் அவர் ஒருபோதும் சலிப்படைய மாட்டார். அவர் இன்னும் என்ன கேட்க முடியும்? |
9d2222506f6a076e2c9803ac4ea5414eda881c73 | அறிமுகம் சாலையில் விபத்துக்கள் ஏற்படுவதற்கு ஓட்டுநரின் தூக்கம் ஒரு முக்கிய காரணியாகும். இந்த பிரச்சினையை சமாளிப்பதற்கான ஒரு அணுகுமுறை, ஓட்டுநர் தூக்கத்தை கண்டறியும் தொழில்நுட்ப எதிர் நடவடிக்கைகளை உருவாக்குவதாகும், இதனால் விபத்து ஏற்படுவதற்கு முன்னர் ஓட்டுநரை எச்சரிக்க முடியும். இந்த ஆய்வின் நோக்கம், தற்போதைய அறிவின் நிலையைக் கருத்தில் கொண்டு, உண்மையான நேரத்தில் தூக்கத்தை நம்பத்தகுந்த வகையில் கணிப்பதற்கு வாகன அளவீடுகளைப் பயன்படுத்த முடியுமா என்பதை மதிப்பீடு செய்வதாகும். பல நடத்தை பரிசோதனைகள் சோதனை சூழல்களில், தூக்கமின்மை வாகன ஓட்டுநர் திறனில் கடுமையான தாக்கத்தை ஏற்படுத்தும் என்பதைக் காட்டுகின்றன. இருப்பினும், பெரும்பாலான ஆய்வுகள் செயல்திறனின் எளிய செயல்பாடுகளை (வழிபாட்டு பாதையின் நிலையான விலகல் போன்றவை) ஆய்வு செய்துள்ளன, மேலும் முடிவுகள் பெரும்பாலும் ஓட்டுநர்கள் மற்றும் காலத்திற்கு இடையில் சராசரியாக தெரிவிக்கப்படுகின்றன. மேலும் சிக்கலான செயல்பாடுகளை ஆராய்வதற்கு மேலும் ஆராய்ச்சி தேவைப்படுகிறது, அதே போல் டிரைவர்கள் இடையே தனிப்பட்ட வேறுபாடுகள். தொழில் துறையில் தாக்கம் ஓட்டுநர் தூக்கம் வருவதை முன்னறிவிப்பதற்கான ஒரு வெற்றிகரமான எதிர் நடவடிக்கைக்கு பல அளவுகோல்களை அமைப்பதும், பல நடவடிக்கைகளை பயன்படுத்துவதும் தேவைப்படும். |
7bbd56f4050eb9f8b63f0eacb58ad667aaf49f25 | மொபைல் தரவுப் போக்குவரத்தின் அபார வளர்ச்சி, தற்போதைய 3G/4G நெட்வொர்க்குகளுக்கு அப்பால் மொபைல் நெட்வொர்க் திறனை அதிகளவில் அதிகரிக்க வேண்டும். இந்த ஆய்வில், அடுத்த தலைமுறை மொபைல் தகவல் தொடர்பு முறைமைக்கு (ஐந்தாம் தலைமுறை) மில்லிமீட்டர் அலைகள் கொண்ட மொபைல் பிராட்பேண்ட் (எம்எம்பி) முறையை முன்மொழிகிறோம். இந்த வளர்ந்து வரும் தேவையை பூர்த்தி செய்ய 3-300 ஜிகாஹெர்ட்ஸ் வரம்பில் பரந்த அளவிலான ஸ்பெக்ட்ரத்தை எம்எம்பி பயன்படுத்துகிறது. மில்லிமீட்டர் அலைகள் ஏன் மொபைல் பிராட்பேண்ட் பயன்பாடுகளுக்கு ஏற்றது என்பதை நாங்கள் விளக்குகிறோம். மில்லிமீட்டர் அலைகளின் தனித்துவமான நன்மைகள், அதாவது ஸ்பெக்ட்ரம் கிடைப்பது, சிறிய வடிவ காரணிகளில் பெரிய பீம் வடிவமைத்தல் ஆகியவற்றைப் பற்றி விவாதிக்கிறோம். 500 மீட்டர் வரை தொலைவில் ஜிபி/எஸ் தரவு விகிதத்தை வழங்கும் திறன் கொண்ட ஒரு நடைமுறை MMB அமைப்பு வடிவமைப்பையும் நாங்கள் விவரிக்கிறோம். மேலும் 350 கிமீ/மணிநேரம் வரை இயக்கம் ஆதரிக்கிறது. கணினி உருவகப்படுத்துதல்களின் மூலம், ஒரு அடிப்படை MMB அமைப்பு சராசரி செல் செயல்திறன் மற்றும் செல்-எட்ஜ் செயல்திறன் செயல்திறனை வழங்குவதற்கு திறன் கொண்டது என்பதை நாங்கள் காட்டுகிறோம், இது தற்போதைய 20MHz LTE-Advanced அமைப்புகளை விட 10-100 மடங்கு சிறந்தது. |
3bc9f8eb5ba303816fd5f642f2e7408f0752d3c4 | |
0c83eeceee8f55fb47aed1420b5510aa185feace | புவியியல் ரீதியான "மாஷப்" மூலம் ஈர்க்கப்பட்ட ஒரு அணுகுமுறையை நாங்கள் முன்மொழிகிறோம், இதில் இலவசமாகக் கிடைக்கும் செயல்பாடு மற்றும் தரவு தளர்வாக ஆனால் நெகிழ்வாக இணைக்கப்படுகின்றன, இது நடைமுறையில் பரிமாற்ற தரங்களைப் பயன்படுத்துகிறது. எங்கள் வழக்கு ஆய்வு MySQL, PHP மற்றும் LandSerf GIS ஆகியவற்றை இணைத்து, கூகிள் எர்த் காட்சி தொகுப்பு மற்றும் KML இல் விவரிக்கப்பட்ட குறியீட்டுடன் தொடர்பு கொள்ள அனுமதிக்கிறது. இந்த அணுகுமுறை ஒரு மொபைல் அடைவு சேவையிலிருந்து 1.42 மில்லியன் கோரிக்கைகளை ஆராய்வதற்கு பயன்படுத்தப்படுகிறது. இடைவினை மற்றும் காட்சி குறியீட்டுகளின் புதுமையான சேர்க்கைகள் உருவாக்கப்படுகின்றன, இதில் இடஞ்சார்ந்த குறியீட்டு மேகங்கள் , குறியீட்டு வரைபடங்கள் , தரவு டயல்கள் மற்றும் பல அளவிலான அடர்த்தி மேற்பரப்புகள் அடங்கும். அணுகுமுறையின் நான்கு அம்சங்கள் முறைசாரா முறையில் மதிப்பீடு செய்யப்படுகின்றனஃ பயன்படுத்தப்படும் காட்சி குறியீடுகள், தரவுத்தொகுப்பின் காட்சி ஆய்வில் அவற்றின் வெற்றி, பயன்படுத்தப்பட்ட குறிப்பிட்ட கருவிகள் மற்றும் மாஷ்அப் அணுகுமுறை. முன்னறிவிப்புக் கண்டுபிடிப்புகள், காட்சிப்படுத்தல் நோக்கத்திற்காக மஷ்-அப் பயன்படுத்துவதை கருத்தில் கொண்ட மற்றவர்களுக்கு பயனளிக்கும். இங்கு ஆராயப்பட்ட வகை பலவிதமான இட-நேர தரவுகளின் கட்டமைப்பைப் பற்றிய நுண்ணறிவை வழங்குவதற்காக உருவாக்கப்பட்டுள்ள குறிப்பிட்ட நுட்பங்கள் பரவலாகப் பயன்படுத்தப்படலாம். பெரிய கட்டமைக்கப்பட்ட, பல அம்சமான இட-நேர தரவுத் தொகுப்புகளின் ஆரம்ப விசாரணைக்கு ஆராய்ந்த காட்சி பகுப்பாய்வு பயனுள்ளதாக இருக்கும். இந்த செயல்முறைக்கு பதிவுகளை நேரம், இடம் மற்றும் பண்புகள் மூலம் தேர்ந்தெடுத்து ஒன்றிணைத்தல், தரவை மாற்றுவதற்கான திறன் மற்றும் பொருத்தமான காட்சி குறியீடுகள் மற்றும் தொடர்புகளைப் பயன்படுத்துவதற்கான நெகிழ்வுத்தன்மை தேவைப்படுகிறது. |
11e907ef1dad5daead606ce6cb69ade18828cc39 | கொடுக்கப்பட்ட எதிர்மறை அல்லாத வளைவு எடைகளுடன் பெரிய மற்றும் அரிதாக இயங்கும் வரைபடங்களில் புள்ளி-க்கு-புள்ளி குறுகிய பாதை கணக்கீடுகளுக்கான ஒரு முடுக்கம் முறையை நாங்கள் படிக்கிறோம். துரிதப்படுத்தும் முறை வில்-கொடி அணுகுமுறை என்று அழைக்கப்படுகிறது மற்றும் இது டிஜ்க்ஸ்ட்ராவின் வழிமுறையை அடிப்படையாகக் கொண்டது. வளைவு-கொடி அணுகுமுறையில், கூடுதல் தகவல்களை உருவாக்க நெட்வொர்க் தரவுகளை முன்கூட்டியே செயலாக்க அனுமதிக்கிறோம், இது குறுகிய பாதை வினவல்களை விரைவுபடுத்த பயன்படுகிறது. முன் செயலாக்க கட்டத்தில், வரைபடம் பகுதிகளாகப் பிரிக்கப்பட்டு, ஒரு வில் ஒரு குறிப்பிட்ட பிராந்தியத்தில் குறுகிய பாதையில் இருக்கிறதா என்பது பற்றிய தகவல்கள் சேகரிக்கப்படுகின்றன. வளைவு-கொடி முறை பொருத்தமான பிரிவு மற்றும் இரு திசை தேடலுடன் இணைந்து பெரிய நெட்வொர்க்குகளில் (1 மில்லியன் முனைகள், 2.5 மில்லியன் வளைவுகள்) டிஜ்க்ஸ்ட்ராவின் நிலையான வழிமுறையுடன் ஒப்பிடும்போது 500 க்கும் அதிகமான சராசரி வேகத்தை அடைகிறது. இந்த கலவையானது டைக்ஸ்ட்ராவின் வழிமுறையின் தேடல் இடத்தை நீண்ட தூர குறுகிய பாதை வினவல்களுக்கான தொடர்புடைய குறுகிய பாதையின் அளவைக் குறைக்கிறது. எந்தப் பிரிவுகளை வில்-கொடி முறைக்கு மிகவும் பொருத்தமானவை என்று மதிப்பீடு செய்யும் ஒரு பரிசோதனை ஆய்வை நாங்கள் நடத்துகிறோம். குறிப்பாக, கணக்கீட்டு வடிவியல் மற்றும் பல வழி வில் பிரிப்பான் பிரிப்பிலிருந்து பிரித்தல் வழிமுறைகளை நாங்கள் ஆய்வு செய்கிறோம். இந்த மதிப்பீடு ஜேர்மனியின் சாலை நெட்வொர்க்குகள் மீது மேற்கொள்ளப்பட்டது. குறுகிய பாதை வழிமுறையின் வேகத்தை அதிகரிப்பதில் வெவ்வேறு பகிர்வுகளின் தாக்கம் ஒப்பிடப்படுகிறது. மேலும், நாம் பகிர்வுகள் பல நிலைகளில் வேகத்தை நுட்பம் ஒரு நீட்டிப்பு முன்வைக்க. இந்த பல நிலை மாறுபாட்டின் மூலம், அதே வேகமான காரணிகளை சிறிய இட தேவைகளுடன் அடைய முடியும். எனவே, இது கணக்கிடப்பட்ட குறுகிய பாதைகளின் துல்லியத்தை பாதுகாக்கும் முன் கணக்கிடப்பட்ட தரவுகளின் சுருக்கமாகக் காணலாம். |
09be020a9738464799740602d7cf3273c1416c6a | நடைமுறை அமைப்பு உருவாக்கம் ஒரு கலைஞரின் உதவியின்றி மிகவும் பணக்கார மற்றும் விரிவான மெய்நிகர் சூழல்களை உருவாக்க உதவுகிறது. இருப்பினும், உண்மையான உலக அமைப்புகளின் நெகிழ்வான உருவாக்கும் மாதிரியைக் கண்டுபிடிப்பது திறந்த பிரச்சினையாகவே உள்ளது. இரண்டு சுருக்கமான புள்ளிவிவரங்கள் (கிராமியன் மற்றும் மொழிபெயர்ப்பு கிராமியன் மேட்ரிக்ஸ்), அத்துடன் ஸ்பெக்ட்ரல் கட்டுப்பாடுகள் ஆகியவற்றைக் கொண்ட ஒரு நாவல் கன்வோல்ஷனல் நியூரல் நெட்வொர்க் அடிப்படையிலான அமைப்பு மாதிரியை நாங்கள் முன்வைக்கிறோம். நாம் ஃபுரியர் மாற்றம் அல்லது ஜன்னல் ஃபுரியர் மாற்றம் ஆகியவற்றை ஆய்ந்து பார்ப்போம். அது ஸ்பெக்ட்ரல் கட்டுப்பாடுகளை பயன்படுத்துவதன் மூலம், ஜன்னல் ஃபுரியர் மாற்றம் உருவாக்கப்பட்ட அமைப்புகளின் தரத்தை மேம்படுத்தியுள்ளது என்பதைக் கண்டறிவோம். நமது அமைப்பின் செயல்திறனை, உருவாக்கப்பட்ட வெளியீட்டை, அதனுடன் தொடர்புடைய, நவீன அமைப்புகள் உருவாக்கிய வெளியீட்டுடன் ஒப்பிடுவதன் மூலம் நிரூபிக்கிறோம். |
9fa3c3f1fb6f1566638f97fcb993fe121646433e | |
f8f92624c8794d54e08b3a8f94910952ae03cade | நபர் மறு அடையாளம் (மறு-ஐடி) என்பது வெவ்வேறு கேமராக்களால் ஏற்படும் பட பாணி மாறுபாடுகளால் பாதிக்கப்படும் குறுக்கு கேமரா மீட்பு பணியாகும். இந்த கலை ஒரு கேமரா-தடையற்ற விவரிப்பு துணை இடத்தை கற்றுக்கொள்வதன் மூலம் இந்த சிக்கலை மறைமுகமாக தீர்க்கிறது. இந்த ஆய்வில், கேமரா ஸ்டைலை (CamStyle) அறிமுகப்படுத்துவதன் மூலம் இந்த சவாலை நாம் வெளிப்படையாக கருதுகிறோம். ஆழமான நெட்வொர்க் ஓவர்ஃபிட்டிங் அபாயத்தை குறைக்கும் மற்றும் கேம்ஸ்டைல் வேறுபாடுகளை மென்மையாக்கும் தரவு மேம்பாட்டு அணுகுமுறையாக கேம்ஸ்டைல் செயல்பட முடியும். குறிப்பாக, ஒரு பாணி பரிமாற்ற மாதிரியுடன், பெயரிடப்பட்ட பயிற்சி படங்கள் ஒவ்வொரு கேமராவிற்கும் பாணியில் மாற்றப்படலாம், மேலும் அசல் பயிற்சி மாதிரிகளுடன் சேர்ந்து, மேம்பட்ட பயிற்சி தொகுப்பை உருவாக்குகின்றன. இந்த முறை, அதிகப்படியான பொருத்தத்திற்கு எதிராக தரவு பன்முகத்தன்மையை அதிகரிக்கும் அதே வேளையில், கணிசமான அளவிலான சத்தத்தையும் ஏற்படுத்துகிறது. சத்தத்தின் தாக்கத்தை குறைக்கும் முயற்சியில், லேபிள் மென்மையான ஒழுங்குபடுத்தல் (எல்.எஸ்.ஆர்) ஏற்றுக்கொள்ளப்படுகிறது. எங்கள் முறையின் வெண்ணிலா பதிப்பு (எல்.எஸ்.ஆர் இல்லாமல்) சில கேமரா அமைப்புகளில் நியாயமான முறையில் சிறப்பாக செயல்படுகிறது, இதில் அதிக பொருத்தம் அடிக்கடி நிகழ்கிறது. LSR மூலம், அனைத்து அமைப்புகளிலும் நிலையான முன்னேற்றத்தை நாம் நிரூபிக்கிறோம். மார்க்கெட்-1501 மற்றும் டியூக் எம்டிஎம்சி-ரீ-ஐடி ஆகியவற்றின் தொழில்நுட்ப நிலைகளுடன் ஒப்பிடும்போது, போட்டித்திறன் மிக்க துல்லியத்தையும் நாங்கள் தெரிவிக்கிறோம். முக்கியமான விஷயம் என்னவென்றால், கேம்ஸ்டைல் ஒரு பார்வை கற்றல் மற்றும் மேற்பார்வை செய்யப்படாத டொமைன் தழுவல் (யுடிஏ) ஆகியவற்றின் சவாலான சிக்கல்களுக்கு பயன்படுத்தப்படலாம், இவை இரண்டும் முக்கியமான ஆராய்ச்சி மற்றும் பயன்பாட்டு முக்கியத்துவம் வாய்ந்தவை. முன்னாள் ஒரு கேமரா பார்வையில் மட்டுமே தரவுகளை பெயரிட்டுள்ளது மற்றும் பிந்தையது மூல களத்தில் மட்டுமே தரவுகளை பெயரிட்டுள்ளது. பரிசோதனை முடிவுகள் CamStyle இரண்டு பிரச்சினைகளில் அடிப்படை செயல்திறனை கணிசமாக மேம்படுத்துகிறது என்பதைக் காட்டுகிறது. குறிப்பாக, UDA க்கு, கேம்ஸ்டைல் சந்தை-1501 மற்றும் டூக் எம்டிஎம்சி-ரீஐடி ஆகியவற்றில் அடிப்படை ஆழமான மறு-ஐடி மாதிரியின் அடிப்படையில் அதிநவீன துல்லியத்தை அடைகிறது. எங்கள் குறியீடு https://github.com/zhunzhong07/CamStyle இல் கிடைக்கிறது. |
61ec08b1fd5dc1a0e000d9cddee6747f58d928ec | இந்த கட்டுரை நல்ல தோராயமான நம்பக இடைவெளிகளை உருவாக்குவதற்கான பூட்ஸ்ட்ராப் முறைகளை ஆய்வு செய்கிறது. இதன் நோக்கம், மிகவும் சிக்கலான சிக்கல்களுக்கு கூட வழக்கமான பயன்பாட்டை அனுமதிக்கும் வகையில், நிலையான இடைவெளிகளின் துல்லியத்தை ஒரு அளவுகோல் மூலம் மேம்படுத்துவதாகும். இது எவ்வாறு செய்யப்படுகிறது என்பதைக் காட்டும் வகையில் கோட்பாடு மற்றும் எடுத்துக்காட்டுகள் இரண்டையும் பயன்படுத்தப்படுகிறது. முதல் ஏழு பிரிவுகள் நான்கு பூட்ஸ்ட்ராப் நம்பகத்தன்மை இடைவெளி நடைமுறைகளின் ஒரு ஹூரிஸ்டிக் கண்ணோட்டத்தை வழங்குகின்றனஃ BCa, பூட்ஸ்ட்ராப்-t, ABC மற்றும் தராதரம். பிரிவு 8 மற்றும் 9 இந்த முறைகளுக்குப் பின்னால் உள்ள கோட்பாட்டை விவரிக்கிறது, மேலும் பார்ன்டோர்ஃப்-நில்சன், காக்ஸ் மற்றும் ரீட் மற்றும் பிறரால் உருவாக்கப்பட்ட நிகழ்தகவு அடிப்படையிலான நம்பிக்கை இடைவெளி கோட்பாட்டுடன் அவற்றின் நெருக்கமான தொடர்பு. |
a9a6322f5d6575adb04d9ed670ffdef741840958 | ஃபோர்டிஸ் புள்ளிகள் கருப்பையலத்திற்கு வெளியே உள்ள தசைக் கட்டிகள் ஆகும், அவை 2 முதல் 3 மிமீ விட்டம் கொண்டவை. இந்த நல்வகை நோய்கள் பெரும்பாலும் வாய்வழி சளி மற்றும் பிறப்புறுப்பு சருமத்தில் காணப்படுகின்றன. குறிப்பாக ஆண்களின் பிறப்புறுப்பு பகுதியில் அவை அரிப்பு, பாலியல் செயல்பாடுகளின் போது அசௌகரியத்தை ஏற்படுத்தும் மற்றும் அழகியல் ரீதியாக விரும்பத்தகாதவை. இதுவரை, வெவ்வேறு வெற்றிகரமான மற்றும் மீண்டும் நிகழும் விகிதங்களுடன் பல்வேறு சிகிச்சை முறைகள் அறிவிக்கப்பட்டுள்ளன. தற்போதைய பின்னோக்கி ஆய்வு (n = 2003 மற்றும் 2011 க்கு இடையில் 23 நோயாளிகள்) இல், மைக்ரோ-பஞ்ச் நுட்பத்தின் மூலம் எங்கள் அறுவை சிகிச்சை அணுகுமுறையை நாங்கள் முன்வைக்கிறோம். இந்த திறமையான முறையைப் பயன்படுத்தி, நாங்கள் மிகவும் திருப்திகரமான செயல்பாட்டு மற்றும் ஒப்பனை முடிவுகளை அடைந்தோம். 12 முதல் 84 மாதங்கள் வரையிலான அறுவை சிகிச்சைக்குப் பிந்தைய கண்காணிப்புகளின் போது (சராசரி = 51. 3 மாதங்கள்) மீண்டும் ஏற்படும் அறிகுறிகள் எதுவும் இல்லை. |
970698bf0a66ddf935b14e433c81e1175c0e8307 | இன்டர்நெட் ஆஃப் திங்ஸ் என்ற சொல்லின் நேரடி விளக்கம், உட்பொதிக்கப்பட்ட நெட்வொர்க்குகளில் மனிதன்-க்கு-பொருள் அல்லது பொருள்-க்கு-பொருள் தகவல்தொடர்புக்கான நிலையான இணைய நெறிமுறைகளைப் பயன்படுத்துவதைக் குறிக்கிறது. இந்தத் துறையில் பாதுகாப்புத் தேவைகள் நன்கு அங்கீகரிக்கப்பட்டிருந்தாலும், தற்போதுள்ள ஐபி பாதுகாப்பு நெறிமுறைகள் மற்றும் கட்டமைப்புகளை எவ்வாறு பயன்படுத்தலாம் என்பது இன்னும் முழுமையாக புரிந்து கொள்ளப்படவில்லை. இந்த ஆய்வில், தற்போதுள்ள இணைய நெறிமுறைகள் மற்றும் பாதுகாப்பு கட்டமைப்புகளின் பொருந்தக்கூடிய தன்மை மற்றும் வரம்புகள் பற்றி நாம் விவாதிக்கிறோம். முதலில், பயன்பாட்டு முறை மற்றும் பொதுவான பாதுகாப்புத் தேவைகள் பற்றிய ஒரு கண்ணோட்டத்தை தருகிறோம். பின்னர் ஐபி அடிப்படையிலான பாதுகாப்பு தீர்வுகளுக்கான சவால்களையும் தேவைகளையும் முன்வைத்து, நிலையான ஐபி பாதுகாப்பு நெறிமுறைகளின் குறிப்பிட்ட தொழில்நுட்ப வரம்புகளை முன்னிலைப்படுத்துகிறோம். |
140df6ceb211239b36ff1a7cfdc871f06d787d11 | செயல்பாட்டு குறியாக்கம் குறியாக்கப்பட்ட செய்திகளின் குறிப்பிட்ட செயல்பாடுகளை பயனர்கள் கற்றுக்கொள்ள அனுமதிக்கும் கட்டுப்படுத்தப்பட்ட டிக்ரிப்டேஷன் விசைகளை ஆதரிக்கிறது. செயல்பாட்டு குறியாக்கம் குறித்த ஆராய்ச்சியில் பெரும்பாலானவை குறியாக்கப்பட்ட செய்திகளின் தனியுரிமை மீது கவனம் செலுத்தியிருந்தாலும், பல யதார்த்தமான சூழ்நிலைகளில், குறியாக்க விசைகள் வழங்கப்படும் செயல்பாடுகளுக்கு தனியுரிமை வழங்குவது முக்கியம். பொது விசை அமைப்பில் செயல்பாடு தனியுரிமை இயல்பாகவே வரையறுக்கப்பட்டுள்ளது என்றாலும், தனியார் விசை அமைப்பில் இது ஒரு மகத்தான திறனைக் கொண்டுள்ளது. குறிப்பாக, $$\mathsf{m}_1, \ldots , \mathsf{m}_T$$ m 1 , ... , m T என்ற செய்திகளை குறியாக்கம் செய்தல், $$f_1, \ldots , f_T$$ f 1 , ... , f T என்ற செயல்பாடுகளுக்கு ஒத்திருக்கும் குறியாக்க விசைகளுடன் சேர்ந்து, $$\{ f_i(\mathsf{m}_j) \}_{i,j\in [T]}$ { f i (m j) } i , j ∈ [ T ] என்ற மதிப்புகளைத் தவிர வேறு எந்த தகவலும் வெளிப்படுத்தப்படாது என்று நம்பலாம். அதன் பெரும் ஆற்றல் இருந்தபோதிலும், அறியப்பட்ட செயல்பாடு-தனியார் தனியார் விசை திட்டங்கள் செயல்பாடுகளின் (உள் தயாரிப்புகள் போன்றவை) மிகவும் வரையறுக்கப்பட்ட குடும்பங்களை ஆதரிக்கின்றன அல்லது செயல்பாடு தனியுரிமை குறித்த சில பலவீனமான கருத்துக்களை வழங்குகின்றன. நாம் ஒரு பொதுவான மாற்றத்தை முன்வைக்கிறோம், இது ஒரு செயல்பாடு-தனியார் செயல்பாட்டு குறியாக்க திட்டத்தை அளிக்கிறது, இது போதுமான பணக்கார செயல்பாட்டு வகுப்பிற்கான எந்த செயல்பாடு-தனியார் திட்டத்தையும் தொடங்குகிறது. நமது மாற்றம் அடிப்படை திட்டத்தின் செய்தி தனியுரிமையை பாதுகாக்கிறது மற்றும் பல்வேறு வகையான திட்டங்களைப் பயன்படுத்தி உடனடியாக செய்ய முடியும். செயல்பாட்டு குறியாக்க திட்டங்களின் அறியப்பட்ட கட்டுமானங்களில் செருகினால், பிழைகள் கொண்ட கற்றல் அனுமானம், மழுப்பல் அனுமானங்கள், எளிய பன்முக-வரைபட அனுமானங்கள் மற்றும் எந்தவொரு ஒரு வழி செயல்பாட்டின் இருப்பையும் (பாதுகாப்பு மற்றும் செயல்திறன் இடையே பல்வேறு வர்த்தகங்களை வழங்குதல்) அடிப்படையாகக் கொண்ட செயல்பாடு-தனியார் திட்டங்களை நாங்கள் பெறுகிறோம். |
d0895e18d0553b9a35cff80bd7bd5619a19d51fb | அதிவேக ஒளியியல் தொடர்பு இணைப்புகளுக்கான 107 GHz அடிப்படை அலைவரிசை வேறுபாட்டு ஒலிபரப்பு பெருக்கி IC பற்றி நாங்கள் அறிக்கை செய்கிறோம். இரண்டு டார்லிங்டன் எதிர்ப்பு பின்னூட்ட நிலைகளைக் கொண்ட பெருக்கி, 500 nm InP HBT செயல்பாட்டில் செயல்படுத்தப்பட்டது மற்றும் 55 dBΩ மாறுபட்ட டிரான்ஸ்இம்பெடான்ஸ் ஆதாயம், 30 ps குழு தாமதம், P1dB = 1 dBm, மற்றும் 5.2 V வழங்கல் மூலம் இயக்கப்படுகிறது. உள்ளீடு மற்றும் வெளியீட்டு முரண்பாடுகள் 50Ω ஆகும். ஐசி, உள் நுழைவுத் தளத்தில் -2V DC உடன் அதிவேக ஒளிதிரையினை இணைக்கும் மற்றும் வெளியில் -450 mV DC உடன் கலர்ப்ட்-செல் கலவைகள் மற்றும் ECL லாஜிக் இணைக்கும். |
b9d5f2da9408d176a5cfc6dc0912b6d72e0ea989 | |
6910f307fef66461f5cb561b4d4fc8caf8594af5 | கடந்த இரண்டு ஆண்டுகளில், வார்த்தை உட்பொதித்தல் வழிமுறைகள் மற்றும் அவற்றின் ஆராய்ச்சிகள் அதிகரித்துள்ளன. இருப்பினும், பெரும்பாலும் மதிப்பீடுகள் ஒரு குறுகிய தொகுப்பு பணிகளில், முக்கியமாக வார்த்தை ஒற்றுமை/உறவு மற்றும் வார்த்தை உறவு ஒற்றுமை மற்றும் ஒரு மொழியில், அதாவது ஆங்கிலத்தில் மேற்கொள்ளப்பட்டுள்ளன. பல்வேறு மொழிகளில் உள்ளடக்கங்களை மதிப்பிடுவதற்கான ஒரு அணுகுமுறையை நாங்கள் முன்மொழிகிறோம், இது வெவ்வேறு தொடரியல் அம்சங்களைக் கொண்டு சொற்கள் உட்பொதிப்புகளை எவ்வாறு தொகுக்கிறது என்பதை ஆராய்வதன் மூலம் உட்பொதிக்கும் இடத்தின் கட்டமைப்பைப் பற்றிய நுண்ணறிவுகளையும் அளிக்கிறது. இந்த பணியில் அனைத்து உட்பொதிப்பு அணுகுமுறைகளும் ஒத்த முறையில் செயல்படுகின்றன என்பதை நாங்கள் காட்டுகிறோம், சார்பு அடிப்படையிலான உட்பொதிப்புகள் சிறப்பாக செயல்படுகின்றன. இந்த விளைவு இன்னும் அதிகமாக உள்ளது குறைந்த பரிமாண உட்பொதிக்கப்பட்ட உருவாக்கும் போது |
8d31dbda7c58de30ada8616e1fcb011d32d5cf83 | நெகிழ்வான தரவு விகிதத்துடன் கூடிய கட்டுப்பாட்டு பகுதி நெட்வொர்க் (CAN-FD) வாகனத்தில் உள்ள அடுத்த தலைமுறை நெட்வொர்க் தொழில்நுட்பமாக கவனத்தை ஈர்த்து வருகிறது. எனினும், டிரைவர் பாதுகாப்பிற்கு ஒவ்வொரு தகவல்களும் முக்கியமானதாக இருந்தாலும், பாதுகாப்பு பிரச்சினைகள் CAN-FD வடிவமைப்பின் போது முழுமையாக கணக்கில் எடுத்துக்கொள்ளப்படவில்லை. CAN-FD இன் பாதுகாப்பு குறைபாடுகளை நாம் சரிசெய்யத் தவறினால், வாகன தகவல் மற்றும் தகவல் தொடர்பு தொழில்நுட்பம் (Vehicle-ICT) தொடர்ந்து வளர்ச்சியடையும் என்று எதிர்பார்க்க முடியாது. அதிர்ஷ்டவசமாக, வாகனத்தில் பாதுகாப்பான CAN-FD தொடர்பு சூழல்கள் CAN-FD இன் பெரிய தரவு பயனுள்ள சுமைகளைப் பயன்படுத்தி கட்டமைக்கப்படலாம். இந்த ஆய்வில், வாகனத்தில் உள்ள CAN-FD க்கான பாதுகாப்பு கட்டமைப்பை ஒரு எதிர் நடவடிக்கை (CAN-FD விவரக்குறிப்புகளுக்கு ஏற்ப வடிவமைக்கப்பட்டுள்ளது) என்று நாங்கள் முன்மொழிகிறோம். சர்வதேச தரப்படுத்தல் அமைப்பு (ஐஎஸ்ஓ) 26262 ஆட்டோமொபைல் பாதுகாப்பு ஒருமைப்பாடு நிலை மற்றும் வாகனத்தில் உள்ள துணை நெட்வொர்க்கின் பண்புகளை நாங்கள் ஒரு நடைமுறை பாதுகாப்பு கட்டமைப்பை வடிவமைக்கக் கருதினோம். மூன்று வகையான மைக்ரோகண்ட்ரோலர் யூனிட் மற்றும் CANoe மென்பொருளைப் பயன்படுத்தி முன்மொழியப்பட்ட பாதுகாப்பு கட்டமைப்பின் சாத்தியக்கூறுகளையும் நாங்கள் மதிப்பீடு செய்தோம். எமது மதிப்பீட்டு முடிவுகள் அடுத்த தலைமுறை வாகனங்களை உற்பத்தி செய்வதற்கான மின்னணு கட்டுப்பாட்டு அலகுகளின் செயல்திறன் மட்டத்தின் ஒரு குறிகாட்டியாக பயன்படுத்தப்படலாம். |
122ab8b1ac332bceacf556bc50268b9d80552bb3 | சிக்கலான மென்பொருளில் அடிக்கடி பக்ஸ்கள் உள்ளன, அவை தாக்குபவர்களால் தொலைவிலிருந்து பயன்படுத்தப்படலாம் என்பது பரவலாக ஏற்றுக்கொள்ளப்பட்ட கருத்தாகும். இந்த மென்பொருள் ஒரு வாகனத்தில் உள்ள மின்னணு கட்டுப்பாட்டு அலகு (ECU) இல் இருக்கும்போது, இந்த பிழைகளை சுரண்டுவது வாழ்க்கை அல்லது இறப்பு விளைவுகளை ஏற்படுத்தும். வாகனங்களுக்கான மென்பொருள் காலப்போக்கில் பெருகிய முறையில் வளர்ந்து, சிக்கலானதாக மாறும் என்பதால், பயன்படுத்தக்கூடிய பாதிப்புகளின் எண்ணிக்கை அதிகரிக்கும். இதன் விளைவாக, மென்பொருள் பாதிப்புகளை விரைவில் சரிசெய்யும் வகையில், விரைவாகவும் திறமையாகவும் புதுப்பிப்புகளை செயல்படுத்த வேண்டியதன் அவசியத்தை உற்பத்தியாளர்கள் நன்கு உணர்ந்துள்ளனர். |
3a257a87ab5d1e317336a6cefb50fee1958bd84a | புதிய கணினித் தேவைகளைப் பூர்த்தி செய்ய மேகக்கணிப்பு அதிக அளவிடக்கூடிய தன்மை, நெகிழ்வுத்தன்மை மற்றும் செலவு-திறன் ஆகியவற்றை வழங்குகிறது. ஒரு பெரிய உற்பத்தி மேகக்கணி கிளஸ்டரில் உண்மையான பணிச்சுமைகளின் பண்புகளை புரிந்துகொள்வது மேகக்கணி சேவை வழங்குநர்கள் மட்டுமல்ல, ஆராய்ச்சியாளர்கள் மற்றும் தினசரி பயனர்களும் பயனடைவார்கள். இந்த ஆவணம் ஒரு பெரிய அளவிலான கூகிள் கிளஸ்டர் பயன்பாட்டு தடய தரவுத் தொகுப்பைப் படிக்கிறது மற்றும் கிளஸ்டரில் உள்ள இயந்திரங்கள் எவ்வாறு நிர்வகிக்கப்படுகின்றன என்பதையும், 29 நாள் காலப்பகுதியில் சமர்ப்பிக்கப்பட்ட பணிச்சுமைகள் எவ்வாறு செயல்படுகின்றன என்பதையும் வகைப்படுத்துகிறது. இயந்திர பராமரிப்பு நிகழ்வுகளின் அதிர்வெண் மற்றும் வடிவங்கள், வேலை மற்றும் பணி நிலை பணிச்சுமை நடத்தை, மற்றும் ஒட்டுமொத்த கிளஸ்டர் வளங்கள் எவ்வாறு பயன்படுத்தப்படுகின்றன என்பதில் நாங்கள் கவனம் செலுத்துகிறோம். |
7dfce578644bc101ae4ffcd0184d2227c6d07809 | பன்முக குறியாக்கம் மற்றும் மறைநூல், சுருக்கமாக PEP என, குறிப்பாக சுகாதாரத்தில், முக்கியமான தனிப்பட்ட தரவுகளை நிர்வகிப்பதற்கான ஒரு புதிய அணுகுமுறையை உருவாக்குகிறது. பாரம்பரிய குறியாக்கம் மிகவும் கடினமானது: ஒரு முறை குறியாக்கம் செய்தால், தரவைத் திறக்க ஒரு விசை மட்டுமே பயன்படுத்தப்பட முடியும். இந்த உறுதியற்ற தன்மை, பெரிய தரவு பகுப்பாய்வு சூழலில் ஒரு பெரிய பிரச்சினையாக மாறி வருகிறது, அங்கு ஒரு குறியாக்கப்பட்ட தரவுத் தொகுப்பின் ஒரு பகுதியை விசாரிக்க விரும்பும் வெவ்வேறு கட்சிகளுக்கு குறியாக்கத்தை அகற்றுவதற்கான ஒரே விசை தேவைப்படுகிறது. பாலிமோர்பிக் குறியாக்கம் என்பது இந்த சிக்கல்களை தீர்க்கும் ஒரு புதிய குறியாக்க நுட்பமாகும். இதுபோன்ற தொழில்நுட்பத்துடன் இணைந்து, தனிநபர் சார்ந்த சுகாதாரப் பாதுகாப்பு, சுய அளவீட்டு பயன்பாடுகள் மூலம் மருத்துவத் தரவுகளை சேகரித்தல், மற்றும் பொதுவாக தனியுரிமைக்கு உகந்த அடையாள மேலாண்மை மற்றும் தரவு பகுப்பாய்வு போன்ற துறைகளில் அவசியமான புதிய பாதுகாப்பு மற்றும் தனியுரிமை உத்தரவாதங்களை வழங்க முடியும். பல்லுருவ குறியாக்கத்தின் முக்கிய கருத்துக்கள் பின்வருமாறு: உருவாக்கப்பட்ட உடனேயே, தரவுகளை ஒரு பாலியார்பிக் முறையில் குறியாக்கம் செய்து, (மேகம்) சேமிப்பக வசதியில் சேமித்து வைக்க முடியும், இதனால் சேமிப்பக வழங்குநருக்கு அணுக முடியாது. முக்கியமாக, தரவுகளை யார் பார்க்க முடியும் என்பதை முன்கூட்டியே தீர்மானிக்க வேண்டிய அவசியமில்லை, இதனால் தரவுகளை உடனடியாக பாதுகாக்க முடியும். உதாரணமாக, ஒரு PEP-இயக்கப்பட்ட சுய அளவீட்டு சாதனம் அதன் அனைத்து அளவீட்டு தரவுகளையும் பாலிமோர்பிக் முறையில் குறியாக்கப்பட்ட வடிவத்தில் ஒரு பின்புற தரவுத்தளத்தில் சேமிக்கும். 2. பின்னர், தரவுகளை யார் டிக்ரிப்ட் செய்யலாம் என்பதை முடிவு செய்யலாம். இந்தத் தீர்மானம் ஒரு கொள்கையின் அடிப்படையில் எடுக்கப்படும், இதில் தரவுகளின் பொருள் முக்கிய பங்கு வகிக்க வேண்டும். PEP-இயக்கப்பட்ட சாதனத்தின் பயனர், எடுத்துக்காட்டாக, மருத்துவர்கள் X, Y, Z ஆகியோர் தங்கள் நோயறிதலில் தரவைப் பயன்படுத்த சில கட்டத்தில் டிக்ரிப்ட் செய்யலாம் அல்லது மருத்துவ ஆராய்ச்சி குழுக்கள் A, B, C ஆகியவை தங்கள் விசாரணைகளுக்குப் பயன்படுத்தலாம் அல்லது மூன்றாம் தரப்பினரான U, V, W ஆகியவை கூடுதல் சேவைகளுக்குப் பயன்படுத்தலாம். 3. பருவநிலை ஒரு குறிப்பிட்ட தரப்பினரால் குறியாக்கம் செய்யக்கூடிய வகையில் குறியாக்கப்பட்ட தரவுகளை இந்த சொல்லி டுவது ஒரு குருட்டு முறையில் செய்யப்படலாம். இது ஒரு நம்பகமான தரப்பினால் செய்யப்பட வேண்டும், யார் யார் எனக்கான குறியாக்கத்தை எப்படி மாற்ற வேண்டும் என்று தெரியும். இந்த PEP தொழில்நுட்பம், பெரிய தரவு பகுப்பாய்வுகளுக்கு தேவையான பாதுகாப்பு மற்றும் தனியுரிமை உள்கட்டமைப்பை வழங்க முடியும். மக்கள் தங்கள் தரவை பாலிமோர்பிக் முறையில் குறியாக்கப்பட்ட வடிவத்தில் ஒப்படைக்கலாம், ஒவ்வொரு முறையும் குறிப்பிட்ட பகுப்பாய்வு நோக்கங்களுக்காக குறிப்பிட்ட தரப்பினருக்கு (பகுதிகளை) கிடைக்கச் செய்ய (டி-கிரிப்டேட் செய்யக்கூடியது) பின்னர் முடிவு செய்யலாம். இந்த வழியில் பயனர்கள் கட்டுப்பாட்டைக் கொண்டிருப்பார்கள், மேலும் அவர்களின் தரவு எந்த இடத்தில், யாரிடமிருந்து, எந்த நோக்கத்திற்காக பயன்படுத்தப்படுகிறது என்பதைக் கண்காணிக்க முடியும். - - - - - |
0426408774fea8d724609769d6954dd75454a97e | மாறுபட்ட ஆட்டோகோடர்கள் மேற்பார்வை செய்யப்படாத கற்றலுக்கான ஒரு சக்திவாய்ந்த கட்டமைப்பாகும். இருப்பினும், முந்தைய பணிகள் முழுமையாக காரணிப்படுத்தப்பட்ட ஸ்டோகாஸ்டிக் மறைநிலை மாறிகளின் ஒன்று அல்லது இரண்டு அடுக்குகளைக் கொண்ட தட்டையான மாதிரிகளுக்கு மட்டுப்படுத்தப்பட்டன, இது மறைநிலை பிரதிநிதித்துவத்தின் நெகிழ்வுத்தன்மையைக் கட்டுப்படுத்துகிறது. மாறுபட்ட ஆட்டோகோடர்களின் பயிற்சி வழிமுறைகளில் மூன்று முன்னேற்றங்களை நாங்கள் முன்மொழிகிறோம், முதல் முறையாக ஐந்து ஸ்டோகாஸ்டிக் அடுக்குகளின் ஆழமான மாதிரிகளை பயிற்றுவிக்க அனுமதிக்கிறது, (1) லேடர் நெட்வொர்க்கைப் போன்ற ஒரு கட்டமைப்பை ஊக மாதிரியாகப் பயன்படுத்துதல், (2) ஆரம்ப பயிற்சியில் செயலில் இருக்கும் ஸ்டோகாஸ்டிக் அலகுகளை ஆதரிப்பதற்கான வெப்பநிலை காலம், மற்றும் (3) தொகுதி இயல்பாக்கத்தைப் பயன்படுத்துதல். இந்த மேம்பாடுகளை பயன்படுத்தி பல தரவுத்தளங்களில் உருவாக்கும் மாதிரிகளுக்கான அதிநவீன பதிவு-உறுதி முடிவுகளை காண்பிக்கிறோம். |
feebbb3378245c28c708a290a888248026b06ca8 | பல கை நுட்பத்தை அடிப்படையாகக் கொண்ட ஒரு புதிய பல அதிர்வெண் அச்சிடப்பட்ட நான்கு சுழல் சுழல் ஆண்டெனா இந்த ஆவணத்தில் வழங்கப்பட்டுள்ளது. இரட்டை அதிர்வெண் மற்றும் திருப்திகரமான ஆண்டெனா பண்புகள் அடையப்படுகின்றன. இந்த ஆண்டெனா ஒப்பீட்டளவில் சிறிய அளவிலும், அரைக்கோள வடிவத்திலும் உள்ளது. HFSS மென்பொருளைப் பயன்படுத்தி அந்தந்தன் வடிவமைக்கப்பட்டு உருவகப்படுத்தப்படுகிறது. உருவகப்படுத்துதல் முடிவுகள் மற்றும் பகுப்பாய்வுகள் வழங்கப்படுகின்றன. |
1ee72ed1db4ddbc49922255194890037c7a2f797 | GaAs செயல்முறையின் அடிப்படையில் ஒரு அகலக்கட்ட மோனோபல்ஸ் ஒப்பீட்டாளர் MMIC (மோனோலிதிக் மைக்ரோவேவ் ஒருங்கிணைந்த சுற்று) இந்த கடிதத்தில் வழங்கப்பட்டுள்ளது. மூன்று மேஜிக் டீக்கள் மற்றும் ஒரு ஒட்டுமொத்த சக்தி பிரிப்பான் ஆகியவற்றால் கட்டப்பட்ட ஒப்பீட்டாளர் நெட்வொர்க் ஒரு மொத்த சேனல் மற்றும் இரண்டு டெல்டா சேனல்களுக்கு முன்மொழியப்பட்டுள்ளது. அளவீட்டு முடிவுகள், 15 முதல் 30 GHz வரையிலான மிகப் பரந்த அதிர்வெண் பட்டை (அதிகபட்ச அதிர்வெண் பட்டை அகலத்தின் 66.7%) 2.5 dB க்கும் குறைவான இழப்புடன் மொத்த சேனலுக்கு அடைய முடியும் என்பதைக் காட்டுகின்றன. மேலும், இரண்டு டெல்டா சேனல்களுக்கு 15-27GHz இல் 22 dBக்கும், 27-30 GHz இல் 17 dBக்கும் அதிகமான ஆழம் உள்ளது. மொத்த சிப் அளவு 3.4 மிமீ 3.4 மிமீ (<inline-formula> <tex-math notation="LaTeX">$0.26\lambda _{0}~0.26\lambda _{0}$ </tex-math></inline-formula> 22.5 GHz மைய அதிர்வெண்ணில்). |
202b3b3bb4a5190ce53b77564f9ae1dc65f3489b | |
8eea0da60738a54c0fc6a092aecf0daf0c51cee3 | இந்த ஆய்வு, பயனர்களின் ஏற்றுக்கொள்ளல், கவலைகள் மற்றும் பகுதி, அதிக மற்றும் முழு தானியங்கி வாகனங்களை வாங்கும் விருப்பத்தை ஆய்வு செய்தது. 63 கேள்விகள் கொண்ட இணையதள அடிப்படையிலான கணக்கெடுப்பின் மூலம் 109 நாடுகளில் இருந்து 5000 பதில்களை நாங்கள் சேகரித்தோம் (குறைந்தபட்சம் 25 பதிலளித்தவர்களுடன் 40 நாடுகள்). தேசிய வேறுபாடுகளை நாங்கள் கண்டறிந்து, வயது, பாலினம், மற்றும் ஆளுமை பண்புகள் போன்ற தனிப்பட்ட மாறிகளுடன் தொடர்புகளை மதிப்பீடு செய்தோம். இது பெரிய ஐந்து பட்டியலின் குறுகிய பதிப்பில் அளவிடப்பட்டது. வினாத்தாளில் பதிலளித்தவர்கள், சராசரியாக, கையேடு ஓட்டுதல் மிகவும் சுவாரஸ்யமான ஓட்டுநர் முறையாக இருப்பதாக முடிவுகள் காட்டின. பதில்கள் வேறுபட்டவை: பதிலளித்தவர்களில் 22% பேர் முழுமையாக தானியங்கி ஓட்டுநர் அமைப்புக்கு $ 0 க்கு மேல் செலுத்த விரும்பவில்லை, அதே நேரத்தில் 5% அவர்கள் $ 30,000 க்கும் அதிகமாக செலுத்த தயாராக இருப்பதாகக் குறிப்பிட்டுள்ளனர், மேலும் 33% பேர் முழுமையாக தானியங்கி ஓட்டுநர் மிகவும் சுவாரஸ்யமாக இருப்பதாகக் குறிப்பிட்டுள்ளனர். முழுமையாக தானியங்கி வாகன ஓட்டுநர் அமைப்பு 2050க்குள் 50 சதவீத சந்தை பங்கை எட்டும் என்று 69 சதவீதத்தினர் மதிப்பிட்டுள்ளனர். பதிலளித்தவர்கள் மென்பொருள் ஹேக்கிங்/தவறாகப் பயன்படுத்துவது குறித்து மிகவும் கவலைப்படுவதாகக் கண்டறியப்பட்டது. மேலும் சட்டப் பிரச்சினைகள் மற்றும் பாதுகாப்பு குறித்து கவலைப்பட்டனர். நரம்புத்தன்மைக்கு அதிக மதிப்பெண் பெற்றவர்கள் தரவு பரிமாற்றத்தில் சற்று குறைவான வசதியாக இருந்தனர், அதே நேரத்தில் இணக்கத்தன்மைக்கு அதிக மதிப்பெண் பெற்றவர்கள் இதை சற்று வசதியாக இருந்தனர். வளர்ந்த நாடுகளைச் சேர்ந்தவர்கள் (குறைந்த விபத்து புள்ளிவிவரங்கள், உயர் கல்வி மற்றும் அதிக வருமானம் ஆகியவற்றின் அடிப்படையில்) தங்கள் வாகனங்கள் தரவை அனுப்புவதில் குறைவான வசதியாக இருந்தனர், q = 0.80 மற்றும் q = 0.90 க்கு இடையில் நாடுகள் இடையேயான தொடர்புகள் இருந்தன. சர்வதேச பொதுமக்களிடையே நம்பிக்கை மற்றும் கவலைகளை ஏற்படுத்தும் முக்கிய பகுதிகளை இந்த முடிவுகள் சுட்டிக்காட்டுகின்றன. வாகனத் தயாரிப்பாளர்களுக்கும், இதர பங்குதாரர்களுக்கும் இது பயனுள்ளதாக இருக்கும். 2015 Elsevier Ltd. அனைத்து உரிமைகளும் பாதுகாக்கப்பட்டவை. |
2d4f10ccd2503c37ec32aa0033d3e5b3559f4404 | நிலைமை விழிப்புணர்வு என்பது விமானப் பாதுகாப்பு மற்றும் செயல்பாட்டு செயல்திறனுக்கு பங்களிக்கும் ஒரு முக்கிய காரணியாக மாறியுள்ளது, மேலும் நவீன விமானங்களில் மேம்பட்ட ஏவியோனிக்ஸ் அமைப்புகளை நிறுவுவதோடு தொடர்புடைய மனித செயல்திறன் சவால்களை சமாளிக்க ஆராய்ச்சி வளர்ந்துள்ளது. நிலைமை உணர்வை முறையாக ஆய்வு செய்து பயன்படுத்துவது, விமானிகளின் அறையைத் தாண்டி, விமான போக்குவரத்து கட்டுப்பாட்டாளர்கள் மற்றும் பிற சிக்கலான, அதிக விளைவுகளை ஏற்படுத்தும் பணிப் பகுதிகளில் பணியாற்றும் பணியாளர்களை உள்ளடக்கியுள்ளது. இந்த தொகுதி சூழ்நிலை விழிப்புணர்வு ஆராய்ச்சி மற்றும் நடைமுறைக்கு முக்கியமான பங்களிப்புகளைச் செய்த கட்டுரைகளின் தொகுப்பை வழங்குகிறது. இந்த நோக்கத்திற்காக, இது சூழ்நிலை விழிப்புணர்வின் கருத்து வளர்ச்சி, அதன் மதிப்பீட்டு முறைகள் மற்றும் பயிற்சி மற்றும் வடிவமைப்பு மூலம் சூழ்நிலை விழிப்புணர்வை மேம்படுத்துவதற்கான பயன்பாடுகளை நிவர்த்தி செய்யும் முக்கிய வாசிப்புகளுக்கு தனித்துவமான அணுகலை வழங்குகிறது. |
a7621b4ec18719b08f3a2a444b6d37a2e20227b7 | கன்வோல்ஷனல் நெட்வொர்க்குகள் கணினி பார்வை மற்றும் இயந்திர கற்றலில் பரவலாகப் பயன்படுத்தப்படும் கட்டமைப்புகளில் ஒன்றாகும். சிக்கலான செயல்பாடுகளை கற்றுக்கொள்ளும் திறனை அதிகரிக்க, பயிற்சிக்கு அதிக அளவு தரவு தேவைப்படுகிறது. நவீன GPU களைப் பயன்படுத்தி கூட, மிக உயர்ந்த முடிவுகளைத் தர ஒரு பெரிய கன்வோல்ஷனல் நெட்வொர்க்கை பயிற்றுவிக்க பல வாரங்கள் ஆகலாம். வலை அளவிலான தரவுத்தொகுப்புகளை கையாளும் போது பயிற்சி பெற்ற வலையமைப்பைப் பயன்படுத்தி லேபிள்களை தயாரிப்பதும் செலவுமிக்கதாக இருக்கும். இந்த ஆய்வில், ஒரு எளிய வழிமுறையை நாங்கள் முன்வைக்கிறோம், இது பயிற்சி மற்றும் ஊகத்தை ஒரு குறிப்பிடத்தக்க காரணி மூலம் துரிதப்படுத்துகிறது, மேலும் தற்போதுள்ள அதிநவீன நடைமுறைகளுடன் ஒப்பிடும்போது ஒரு அளவுக்கு மேல் முன்னேற்றங்களை வழங்க முடியும். இது ஃபுரியர் களத்தில் புள்ளிவிவர தயாரிப்புகளாக சுருக்கங்களை கணக்கிடுவதன் மூலம் செய்யப்படுகிறது அதே நேரத்தில் அதே மாற்றப்பட்ட அம்ச வரைபடத்தை பல முறை மீண்டும் பயன்படுத்துகிறது. இந்த வழிமுறை ஒரு GPU கட்டமைப்பில் செயல்படுத்தப்பட்டு, பல தொடர்புடைய சவால்களை எதிர்கொள்கிறது. |
0ee6f663f89e33eb84093ea9cd94212d1a8170c9 | ஒரு வட்ட துருவமுனைப்புடன் கூடிய கசிவு அலை ஆண்டெனா (LWA) ஒருங்கிணைந்த வலது/இடது கை (CRLH) சப்ஸ்ட்ரேட் ஒருங்கிணைந்த அலை வழிகாட்டி (SIW) அடிப்படையில் ஆராயப்பட்டு வழங்கப்படுகிறது. தொடர் இடை டிஜிட்டல் மின்தேக்கிகள் அலை வழித்தட மேற்பரப்பில் ஸ்லாட்டுகளை எட்ஜ் செய்வதன் மூலம் சுற்றுக்குள் அறிமுகப்படுத்தப்பட்டுள்ளன, இது ஒரு சிஆர்எல்ஹெச் செயல்பாட்டை அடைகிறது. நேர்கோணல் துருவமுனைப்புடன் கூடிய இரண்டு சமச்சீரற்ற கசிவுள்ள பயண அலை பரிமாற்ற கோடுகள் பக்கவாட்டாக வைக்கப்பட்டு 90 ° கட்ட வேறுபாட்டுடன் தூய்மையான வட்ட துருவமுனைப்பு முறையை உருவாக்குகின்றன. இந்த ஆண்டெனாவின் பிரதான ஒளியை, பிரதான ஒளி திசையில் குறைந்த அச்சு விகிதத்தை (3 dB க்கு கீழ்) பராமரிக்கும் போது அதிர்வெண்ணை மாற்றுவதன் மூலம் தொடர்ந்து இயக்க முடியும். இந்த LWA இன் செயல்திறன் முழு அலை உருவகப்படுத்துதல் மற்றும் ஒரு நல்ல ஒத்திசைவைக் காட்டும் ஒரு தயாரிக்கப்பட்ட முன்மாதிரி அளவீடு மூலம் சரிபார்க்கப்படுகிறது. |
50bc77f3ec070940b1923b823503a4c2b09e9921 | |
48b38420f9c39c601dcf81621609d131b8035f94 | கடந்த இருபது ஆண்டுகளில் சுகாதார கண்காணிப்பு முறைகள் வேகமாக வளர்ந்துள்ளன. தற்போது சுகாதாரப் பாதுகாப்பு வழங்கப்படும் முறையை மாற்றும் ஆற்றல் கொண்டவை. ஸ்மார்ட் ஹெல்த் மானிட்டரிங் சிஸ்டங்கள் நோயாளி கண்காணிப்பு பணிகளை தானியங்குபடுத்துகின்றன, இதனால் நோயாளி பணிப்பாய்வு நிர்வாகத்தை மேம்படுத்துகின்றன என்றாலும், மருத்துவ சூழல்களில் அவற்றின் செயல்திறன் இன்னும் விவாதத்திற்குரியது. இந்த ஆவணம், ஸ்மார்ட் ஹெல்த் மானிட்டரிங் சிஸ்டம்ஸ் பற்றிய ஒரு ஆய்வு மற்றும் அவற்றின் வடிவமைப்பு மற்றும் மாடலிங் பற்றிய ஒரு கண்ணோட்டத்தை வழங்குகிறது. மேலும், செயல்திறன், மருத்துவ ரீதியான ஏற்றுக்கொள்ளும் தன்மை, தற்போதைய சுகாதார கண்காணிப்பு முறைகளை மேம்படுத்துவதற்கான உத்திகள் மற்றும் பரிந்துரைகள் பற்றிய விமர்சன பகுப்பாய்வு வழங்கப்படும். இதன் முக்கிய நோக்கம், தற்போதைய தொழில்நுட்ப கண்காணிப்பு முறைமைகளை ஆய்வு செய்வதும், புத்திசாலித்தனமான சுகாதார கண்காணிப்பு முறைமைகள் தொடர்பான கண்டுபிடிப்புகளை விரிவாகவும் ஆழமாகவும் ஆய்வு செய்வதும் ஆகும். இதை அடைவதற்கு, ஐம்பதுக்கும் மேற்பட்ட வெவ்வேறு கண்காணிப்பு முறைகள் தேர்ந்தெடுக்கப்பட்டு, வகைப்படுத்தப்பட்டு, வகைப்படுத்தப்பட்டு, ஒப்பிடப்பட்டுள்ளன. இறுதியாக, அமைப்பு வடிவமைப்பு மட்டத்தில் முக்கிய முன்னேற்றங்கள் விவாதிக்கப்பட்டுள்ளன, சுகாதார வழங்குநர்கள் எதிர்கொள்ளும் தற்போதைய பிரச்சினைகள், அத்துடன் சுகாதார கண்காணிப்பு துறையில் சாத்தியமான சவால்கள் அடையாளம் காணப்பட்டு பிற ஒத்த அமைப்புகளுடன் ஒப்பிடப்படும். |
66336d0b89c3eca3dec0a41d2696a0fda23b6957 | உயர்-கெய்ன், பிராட்பேண்ட், மற்றும் குறைந்த-சுயவிவர தொடர்ச்சியான குறுக்கு ஸ்டப் ஆண்டெனா வரிசை E-பாண்டில் வழங்கப்படுகிறது. இந்த வரிசையில் 32 நீண்ட துளைகள் உள்ளன, அவை ஒரு ஒற்றை நிறுவனத்தின் இணை-பிளேட்-அலை வழிகாட்டி பீம்ஃபார்மிங் நெட்வொர்க்கால் இணைந்து ஒரு பில்போக்ஸ் கப்லருடன் இணைக்கப்படுகின்றன. கதிர்வீச்சு துளைகள் மற்றும் நிறுவன ஊட்ட நெட்வொர்க் அலுமினியத்தில் கட்டப்பட்டுள்ளன, அதேசமயம் பில்போக்ஸ் கப்ளர் மற்றும் அதன் மைய மூலமானது அச்சிடப்பட்ட சர்க்யூட் போர்டு தொழில்நுட்பத்தில் தயாரிக்கப்படுகின்றன. இரண்டு உற்பத்தி தொழில்நுட்பங்களையும் இணைக்க குறிப்பிட்ட மாற்றங்கள் வடிவமைக்கப்பட்டுள்ளன. வடிவமைப்பு, உற்பத்தி மற்றும் அளவீட்டு முடிவுகள் விரிவாக உள்ளன, மேலும் ஒரு எளிய வடிவமைப்பு முறை முன்மொழியப்பட்டுள்ளது. 71 மற்றும் 86 GHz இடையே ஆண்டெனா நன்கு பொருந்தும் (S < -13.6 dB), மற்றும் முன்மொழியப்பட்ட வடிவமைப்பை சரிபார்க்கும் வகையில் உருவகப்படுத்துதல்கள் மற்றும் அளவீடுகளுக்கு இடையே ஒரு சிறந்த ஒப்பந்தம் காணப்படுகிறது. முழு அலைவரிசையிலும் 29.3 dBi ஐ விட ஆண்டெனா ஆதாயம் அதிகமாக உள்ளது, 82.25 GHz இல் 30.8 dBi இன் உச்ச ஆதாயம் உள்ளது, மேலும் ஈ மற்றும் எச் விமானங்களில் தோராயமாக அதே அரை சக்தி பீம் அகலத்தைக் கொண்ட கதிர் உள்ளது. இந்த ஆண்டெனா கட்டமைப்பு, மிமீ அலை தொலைதூர தொலைத்தொடர்பு பயன்பாடுகளான ஐந்தாவது தலைமுறை இ-பாண்ட் பின்னோக்கிப் போக்குவரத்து போன்றவற்றுக்கு ஒரு புதுமையான தீர்வாகக் கருதப்படுகிறது. |
07d9dd5c25c944bf009256cdcb622feda53dabba | மார்கோவ் சங்கிலி மான்டே கார்லோ (எ. கா. , மெட்ரோபோலிஸ் வழிமுறை மற்றும் கிப்ஸ் மாதிரி) என்பது பல வகையான புள்ளியியல் ஊகத்தில் பயனுள்ள சிக்கலான ஸ்டோகாஸ்டிக் செயல்முறைகளை உருவகப்படுத்துவதற்கான ஒரு பொதுவான கருவியாகும். மார்கோவ் சங்கிலி மான்டே கார்லோவின் அடிப்படைகள், அல்காரிதம்கள் மற்றும் மாறுபாடு மதிப்பீடுகளின் தேர்வு உட்பட மதிப்பாய்வு செய்யப்படுகின்றன, மேலும் சில புதிய முறைகள் அறிமுகப்படுத்தப்படுகின்றன. அதிகபட்ச நிகழ்தகவு மதிப்பீட்டிற்கான மார்கோவ் சங்கிலி மான்டே கார்லோவின் பயன்பாடு விளக்கப்பட்டுள்ளது, மேலும் அதன் செயல்திறன் அதிகபட்ச போலி நிகழ்தகவு மதிப்பீட்டுடன் ஒப்பிடப்படுகிறது. |
2ffd5c401a958e88c80291c48738d21d96942c1a | தன்னாட்சி ரோபோ கட்டுப்பாட்டுக்கான நமது பார்வையை, தன்னாட்சி ரோபோட்டிக்ஸிலிருந்து பெறப்பட்ட முடிவுகள், தன்னாட்சி ரோபோட்டிக்ஸின் கருத்து பற்றிய விவாதங்கள் மற்றும் ஆய்வுகளில் எவ்வாறு பிரதிபலிக்க முடியும் என்பதில் நாம் ஆர்வமாக உள்ளோம். இந்த ஆய்வில், 3D லேசர் ஸ்கேனருடன் பொருத்தப்பட்ட ஒரு மொபைல் ரோபோ, கடக்கக்கூடிய தன்மையை உணர்ந்து, கோளங்கள், சிலிண்டர்கள் மற்றும் பெட்டிகள் கொண்ட ஒரு அறையில் சுற்றித் திரிவதற்கு அதைப் பயன்படுத்தலாம் என்பதை நாங்கள் ஆய்வு செய்தோம். இதன் விளைவாக, கற்றுக்கொண்ட பிறகு, ரோபோக்கள் சுற்றித் திரிந்து, கடக்க முடியாத பொருள்களுடன் (அதாவது, பெட்டிகள், செங்குத்தாக இருக்கும் சிலிண்டர்கள், அல்லது ஒரு குறிப்பிட்ட திசையில் இருக்கும் சிலிண்டர்கள்), ஆனால் கடந்து செல்லக்கூடிய பொருள்களின் மீது நகரும் (கோளங்கள் போன்றவை, ரோபோவைப் பொறுத்தவரை உருட்டக்கூடிய திசையில் இருக்கும் சிலிண்டர்கள்) அவற்றை அதன் வழியிலிருந்து உருட்டுகின்றன. ஒவ்வொரு செயலுக்கும், அது வழங்கப்படுகிறதா இல்லையா என்பதை தீர்மானிக்க, தோராயமாக 1% உணர்தல் அம்சங்கள் பொருத்தமானவை என்பதை நாங்கள் நிரூபித்துள்ளோம், மேலும் இந்த பொருத்தமான அம்சங்கள் வரம்பு படத்தின் சில பகுதிகளில் நிலைநிறுத்தப்பட்டுள்ளன. இந்த சோதனைகள் இயற்பியல் அடிப்படையிலான சிமுலேட்டரையும், உண்மையான ரோபோவையும் பயன்படுத்தி நடத்தப்படுகின்றன. |
788121f29d86021a99a4d1d8ba53bb1312334b16 | இந்த ஆவணம் பயிற்சி செயல்முறையின் தன்மையைப் பற்றியது; ஒரு வயது வந்தவர் அல்லது "வல்லுநர்" குறைவான வயது வந்தவர் அல்லது குறைவான நிபுணருக்கு உதவும் வழிமுறைகள். அதன் நோக்கம் பொதுவானதாக இருந்தாலும், அது ஒரு குறிப்பிட்ட பணியின் அடிப்படையில் வெளிப்படுத்தப்படுகிறது: ஒரு ஆசிரியர் 3, 4 மற்றும் 5 வயதுடைய குழந்தைகளுக்கு ஒரு குறிப்பிட்ட முப்பரிமாண கட்டமைப்பை உருவாக்க கற்றுக்கொடுக்க முற்படுகிறார், இது ஆரம்பத்தில் அவர்களுக்கு அப்பாற்பட்ட ஒரு திறன் தேவைப்படுகிறது. இது வழக்கமான வகை பயிற்சி சூழ்நிலை, இதில் ஒரு உறுப்பினர் "பதில் தெரியும்" மற்றவர் இல்லை, மாறாக ஒரு "நடைமுறை" போன்றது, இதில் பயிற்றுவிப்பாளர் மட்டுமே "எப்படி தெரியும்". ஆசிரியர் மற்றும் குழந்தைகளின் மாறிவரும் தொடர்புகள் தான் எமது தரவுகளை வழங்குகின்றன. வளரும் குழந்தையின் ஆரம்பகால பிரச்சினை தீர்க்கும் திறன் இந்த வரிசையில் உள்ளது. வாழ்க்கையின் ஆரம்ப மாதங்களிலிருந்து அவர் ஒரு "இயற்கை" பிரச்சினை தீர்க்கும் தன் சொந்த உரிமையுடன் (எ. கா. Bruner, 1973) அடிக்கடி அவரது முயற்சிகள் அவரை விட திறமையான மற்றவர்களால் உதவியும் ஊக்குவிப்பும் பெறுகின்றன (கே, 1970). அவர் கலந்துகொள்வதற்கான திறன்களை உருவாக்கும் நடைமுறைகளை கற்றுக்கொண்டாலும், தொடர்புகொண்டாலும், பொருட்களை கையாளுவதாலும், லோகோமோட்டிங் செய்வதாலும், அல்லது உண்மையில், சிக்கலைத் தீர்ப்பதற்கான மிகவும் பயனுள்ள நடைமுறையைக் கற்றுக்கொண்டாலும், வழக்கமாக அவரது வழியில் அவருக்கு உதவும் மற்றவர்கள் இருக்கிறார்கள். சுருக்கமாக, குழந்தைப் பருவத்தின் ஒரு முக்கிய அம்சமாகவே பயிற்சிகள் உள்ளன. மேலும், நமது இனத்தில் மட்டுமே "தனிப்பட்ட" பயிற்சி நடைபெறுவதாகத் தெரிகிறது (Bruner, 1972; Hinde, 1971). உயர்ந்த முதலை இனங்கள் பலவற்றில் பெரியவர்களைக் கவனிப்பதன் மூலம் கற்றுக் கொள்வது உண்மை என்றாலும் (ஹம்பர்க், 1968; வான் லாவிக்-குடால், 1968), அந்த பெரியவர்கள் தங்கள் பிள்ளைகளுக்கு அந்த திறமையைச் செய்வதில் ஏதேனும் அறிவுறுத்துகிறார்கள் என்பதற்கு எந்த ஆதாரமும் இல்லை. மனிதனை ஒரு இனமாக வேறுபடுத்துவது, கற்றுக்கொள்ளும் திறன் மட்டுமல்ல, கற்பிப்பதற்கும் ஆகும். இந்த ஆய்வின் முக்கிய நோக்கம், வளரும் குழந்தைக்கும், அவரது பெரியவர்களுக்கும் இடையிலான இந்த ஊடாடும், அறிவுறுத்தல் உறவின் சில முக்கிய தாக்கங்களை, திறன் பெறுதல் மற்றும் சிக்கலைத் தீர்ப்பது பற்றிய ஆய்வுக்கு ஆராய்வது ஆகும். மனிதக் குழந்தையின் திறன் பெறுதல் ஒரு படிநிலைத் திட்டமாக கருதப்படலாம், இதில் கூறு திறன்கள் புதிய, சிக்கலான பணி தேவைகளை பூர்த்தி செய்ய பொருத்தமான இசைக்குழுவால் "உயர் திறன்களாக" இணைக்கப்படுகின்றன (ப்ரூனர், 1973). இந்த செயல்முறை சிக்கலைத் தீர்ப்பதில் ஒத்ததாகும், இதில் "குறைந்த வரிசை" அல்லது உறுப்பு சிக்கல்கள் ஒரு பெரிய அளவிலான வெற்றிக்கான ஒரு sine qua non ஆகும், ஒவ்வொரு மட்டமும் மற்றொன்றை பாதிக்கிறது - வாசிப்பில் சொற்களின் டிசிஃபரிங் வாக்கியங்களின் டிசிஃபரிங் சாத்தியமாக்குகிறது, மேலும் வாக்கியங்கள் குறிப்பிட்ட சொற்களின் டிசிஃபரிங் உதவியாக இருக்கும் (எஃப். ஸ்மித், 1971). இளம் கற்றவர்களில் உள்ள தொடர்ச்சியான நோக்கத்தை கருத்தில் கொண்டு, அடிப்படை திறன்களின் "லெக்ஸிகன்" கொடுக்கப்பட்டால், முக்கியமான பணி பெரும்பாலும் ஒரு கம்ப்யூட்டர்- |
13eba30632154428725983fcd8343f3f1b3f0695 | கிட்டத்தட்ட அனைத்து தற்போதைய சார்பு பகுப்பாய்விகளும் மில்லியன் கணக்கான அரிதான காட்டி அம்சங்களின் அடிப்படையில் வகைப்படுத்துகின்றன. இந்த அம்சங்கள் மோசமாக பொதுமயமாக்கப்படுவது மட்டுமல்லாமல், அம்ச கணக்கீட்டின் செலவு பகுப்பாய்வு வேகத்தை கணிசமாக கட்டுப்படுத்துகிறது. இந்த வேலையில், ஒரு புதிய வழிமுறைகளை முன்மொழிகிறோம் நரம்பியல் நெட்வொர்க் வகைப்படுத்தியை கற்றல் ஒரு பேராசை, மாற்றம் அடிப்படையிலான சார்பு பகுப்பாய்விக்கு பயன்படுத்த. இந்த வகைப்படுத்தி ஒரு சிறிய எண்ணிக்கையிலான அடர்த்தியான அம்சங்களை மட்டுமே கற்றுக் கொண்டு பயன்படுத்துவதால், இது மிக வேகமாக வேலை செய்ய முடியும், அதே நேரத்தில் ஆங்கிலம் மற்றும் சீன தரவுத்தளங்களில் பெயரிடப்படாத மற்றும் பெயரிடப்பட்ட இணைப்பு மதிப்பெண்களில் சுமார் 2% முன்னேற்றத்தை அடைகிறது. குறிப்பாக, நமது பகுப்பாய்வி ஒரு வினாடிக்கு 1000க்கும் மேற்பட்ட வாக்கியங்களை பிரித்தெடுக்க முடியும் 92.2% ஆங்கில பென் ட்ரீபேங்கில் பெயரிடப்படாத இணைப்பு மதிப்பெண். |
c22f9e2f3cc1c2296f7edb4cf780c6503e244a49 | |
3dd9793bc7b1f97115c45e90c8874f786262f466 | செல்போனிலிருந்து வைஃபைக்கு தரவுப் போக்குவரத்தை தள்ளுவது இன்டர் ரேடியோ அணுகல் தொழில்நுட்பத்தின் (RAT) அவுட்லோடிங்கின் ஒரு எடுத்துக்காட்டு. இது அதிக சுமை கொண்ட செல்லுலார் நெட்வொர்க்கில் நெரிசலைத் தெளிவாகக் குறைக்கும் போது, அத்தகைய சுமை நீக்கத்தின் இறுதி ஆற்றல் மற்றும் ஒட்டுமொத்த கணினி செயல்திறன் மீதான அதன் விளைவு சரியாக புரிந்து கொள்ளப்படவில்லை. இதைச் சமாளிக்க, M வெவ்வேறு RAT களைக் கொண்ட ஒரு பொதுவான மற்றும் கையாளக்கூடிய மாதிரியை நாங்கள் உருவாக்குகிறோம், ஒவ்வொன்றும் K வெவ்வேறு அடுக்கு அணுகல் புள்ளிகளை (AP கள்) பயன்படுத்துகின்றன, அங்கு ஒவ்வொரு அடுக்குக்கும் ஒலிபரப்பு சக்தி, பாதை இழப்பு அடுக்கு, பயன்பாட்டு அடர்த்தி மற்றும் அலைவரிசை ஆகியவற்றில் வேறுபடுகிறது. ஒவ்வொரு AP வர்க்கமும் ஒரு சுயாதீனமான போய்சன் புள்ளி செயல்முறை (PPP) என வடிவமைக்கப்பட்டுள்ளது, மொபைல் பயனர் இடங்கள் மற்றொரு சுயாதீனமான PPP என வடிவமைக்கப்பட்டுள்ளன, மேலும் அனைத்து சேனல்களும் i.i.d. ரேலி மங்கலாக. முழு நெட்வொர்க்கிலும் விகிதத்தின் விநியோகம் பின்னர் ஒரு எடைபோட்ட சங்க மூலோபாயத்திற்காக பெறப்படுகிறது, அங்கு ஒரு குறிப்பிட்ட இலக்கை மேம்படுத்துவதற்கு அத்தகைய எடைகளை சரிசெய்ய முடியும். SINR கவரேஜ் அதிகரிக்க உகந்த போக்குவரத்து விகிதம் பொதுவாக அதே இல்லை என்று நாங்கள் காட்டுகிறோம், இது ஒரு குறிப்பிட்ட விகிதத்தை அடைந்த பயனர்களின் விகிதமாக வரையறுக்கப்படுகிறது. |
e7b4ea66dff3966fc9da581f32cb69132a7bbd99 | ஒரு மேக்ரோசெல் நெட்வொர்க்கில் ஃபெம்டோசெல்ஸ்களைப் பயன்படுத்துவது, நெட்வொர்க் திறன் மற்றும் கவரேஜை அதிகரிப்பதற்கான ஒரு பொருளாதார மற்றும் பயனுள்ள வழியாகும். இருப்பினும், அடுக்குகளுக்கு இடையேயான மற்றும் அடுக்குகளுக்குள் இடையூறு மற்றும் ஃபெம்டோசெல்களின் ad hoc செயல்பாடு காரணமாக இதுபோன்ற பயன்பாடு சவாலானது. OFDMA இன் நெகிழ்வான துணை சேனல் ஒதுக்கீட்டு திறனால் ஊக்கமளிக்கப்பட்ட நாங்கள் இரு அடுக்கு நெட்வொர்க்குகளில் ஸ்பெக்ட்ரம் ஒதுக்கீட்டின் விளைவை ஆராய்வோம், அங்கு மேக்ரோசெல்ஸ் மூடிய அணுகல் கொள்கையைப் பயன்படுத்துகின்றன மற்றும் ஃபெம்டோசெல்ஸ் திறந்த அல்லது மூடிய அணுகலில் செயல்பட முடியும். ஒரு கையாளக்கூடிய மாதிரியை அறிமுகப்படுத்துவதன் மூலம், வெவ்வேறு ஸ்பெக்ட்ரம் ஒதுக்கீடு மற்றும் ஃபெம்டோசெல் அணுகல் கொள்கைகளின் கீழ் ஒவ்வொரு அடுக்குக்கும் வெற்றிகரமான நிகழ்தகவை நாங்கள் பெறுகிறோம். குறிப்பாக, நாம் கூட்டு துணை சேனல் ஒதுக்கீடு, இதில் முழு ஸ்பெக்ட்ரம் இரு அடுக்குகளிலும் பகிர்ந்து கொள்ளப்படுகிறது, அத்துடன் பிரிக்கப்பட்ட துணை சேனல் ஒதுக்கீடு, இதன் மூலம் பிரிக்கப்பட்ட துணை சேனல்கள் இரண்டு அடுக்குகளுக்கும் ஒதுக்கப்படுகின்றன. சேவை தரத்தின் கட்டுப்பாடுகளுக்கு உட்பட்டு, வெற்றிக்கான சாத்தியக்கூறுகள் மற்றும் ஒவ்வொரு அடுக்குக்கும் குறைந்தபட்ச விகிதங்கள் ஆகியவற்றின் அடிப்படையில் செயல்திறன் அதிகரிப்பு சிக்கலை நாங்கள் வடிவமைக்கிறோம், மேலும் உகந்த ஸ்பெக்ட்ரம் ஒதுக்கீட்டில் நுண்ணறிவுகளை வழங்குகிறோம். மூடிய அணுகல் கொண்ட ஃபெம்டோசெல் மூலம், உகந்த இணைப்பு மற்றும் பிரிக்கப்பட்ட துணை சேனல் ஒதுக்கீடுகள் முறையே, அரிதான மற்றும் அடர்த்தியான ஃபெம்டோசெல் நெட்வொர்க்குகளில் உள்ள அனைத்து திட்டங்களிலும் மிக உயர்ந்த செயல்திறனை வழங்குகின்றன என்பதை எங்கள் முடிவுகள் குறிப்பிடுகின்றன. திறந்த அணுகல் femtocells உடன், உகந்த கூட்டு துணை சேனல் ஒதுக்கீடு அனைத்து femtocell அடர்த்திகளுக்கான மிக உயர்ந்த செயல்திறனை வழங்குகிறது. |
09168f7259e0df1484115bfd44ce4fdcafdc15f7 | இரண்டு அடுக்கு செல்லுலார் நெட்வொர்க்கில் - குறுகிய தூர ஃபெம்டோசெல் ஹாட்ஸ்பாட்களுடன் ஒரு மைய மக்ரோசெல் கொண்டது - குறுக்கு-அடுக்கு குறுக்கீடு உலகளாவிய அதிர்வெண் மறுபயன்பாட்டுடன் ஒட்டுமொத்த திறனைக் கட்டுப்படுத்துகிறது. உலகளாவிய அதிர்வெண் மறுபயன்பாட்டுடன் அருகிலுள்ள தூர விளைவுகளை அளவிடுவதற்கு, இந்த ஆவணம் ஒரு அடிப்படை உறவைக் கொண்டுள்ளது, இது எந்தவொரு சாத்தியமான ஃபெம்டோசெல் SINR களையும் வழங்கிய மிகப்பெரிய சாத்தியமான செல்லுலார் சமிக்ஞை-தடையாக-பிளஸ்-சத்தம் விகிதம் (SINR) வழங்குகிறது. இரண்டு அடுக்கு நெட்வொர்க்கில் எளிய மற்றும் துல்லியமான செயல்திறன் நுண்ணறிவுகளை அனுமதிக்கும் ஒரு இணைப்பு பட்ஜெட் பகுப்பாய்வை நாங்கள் வழங்குகிறோம். கோகனல் பெம்டோ செல்களிலிருந்து மேக்ரோ செலில் குறுக்கு- அடுக்கு குறுக்கீட்டைக் குறைக்க femtocells இல் விநியோகிக்கப்பட்ட பயன்பாட்டு அடிப்படையிலான SINR தழுவல் முன்மொழியப்பட்டுள்ளது. ஃபோஷினி-மிலியானிக் (FM) வழிமுறை என்பது இந்த மாற்றத்தின் ஒரு சிறப்பு நிகழ்வு ஆகும். ஒவ்வொரு ஃபெம்டோசெலும் அவற்றின் தனிப்பட்ட பயன்பாட்டை அதிகரிக்கிறது, இது ஒரு SINR அடிப்படையிலான வெகுமதியைக் குறைத்து, ஏற்பட்ட செலவு (மேக்ரோசெல் குறுக்கீடு). எண் முடிவுகள் FM உடன் ஒப்பிடும்போது சராசரி ஃபெம்டோசெல் SINR களில் 30% க்கும் அதிகமான முன்னேற்றத்தைக் காட்டுகின்றன. ஒரு செல்போன் பயனர் தனது SINR இலக்கைப் பெறுவதை குறுக்கு-நிலை குறுக்கீடு தடுக்கும் நிலையில், ஒரு வழிமுறை முன்மொழியப்பட்டுள்ளது, இது வலுவான femtocell interferers இன் பரிமாற்ற சக்திகளைக் குறைக்கிறது. இந்த வழிமுறை ஒரு செல்லுலார் பயனர் 100 femtocells/cell-site (வழக்கமான செல்லுலார் அளவுருக்களுடன்) கூட தனது SINR இலக்கை அடைவதை உறுதிசெய்கிறது மற்றும் femtocells இல் 16% மட்டுமே SINR குறைப்பு தேவைப்படுகிறது. இந்த முடிவுகள், பகிரப்பட்ட ஸ்பெக்ட்ரம் கொண்ட இரு அடுக்கு நெட்வொர்க்குகளில் குறைந்தபட்ச நெட்வொர்க் ஓவர்ஹெட் தேவைப்படும் சக்தி கட்டுப்பாட்டு திட்டங்களை வடிவமைக்க ஊக்குவிக்கின்றன. |
5309b8f4723d44de2fa51cd2c15bffebf541ef57 | பாரம்பரிய தட்டையான அச்சிடப்பட்ட கிட்டத்தட்ட யாகி ஆண்டெனாக்களின் எளிமை மற்றும் உள்ளுணர்வு வடிவமைப்பு அதன் நல்ல திசைவழியாக பரவலான புகழ் பெற்றது. இந்த ஆய்வில், ஒரு ஒற்றை இயக்குநர் மற்றும் ஒரு குழிவான பாராபொலிக் பிரதிபலிப்புடன் கூடிய ஒரு நாவல் கிட்டத்தட்ட யாகி ஆண்டெனா, எஸ்-பாண்ட் இல் செயல்படுகிறது. CST-Microwave Studio மூலம் இம்பிடென்ஸ் பண்பு மற்றும் கதிர்வீச்சு பண்புகள் உருவகப்படுத்தப்பட்டு, ஆண்டெனா தயாரிக்கப்பட்டு அளவிடப்படுகிறது. 2.28-2.63GHz இல் இயங்கக்கூடிய அந்தினை 6.5dBi சராசரி ஆதாயத்தை இயக்க அதிர்வெண் வரம்பில் அடைய முடியும் என்று அளவிடப்பட்ட முடிவுகள் குறிப்பிடுகின்றன, குறிப்பாக 7.5dBi அதிகபட்ச ஆதாயம் 2.5GHz இல். இந்த செயலி WLAN/TD-LTE/BD1 போன்றவற்றில் பரவலாகப் பயன்படுத்தப்படலாம். |
c03c3583153d213f696f1cbd4cd65c57437473a5 | இந்த ஆய்வில், உயர் சக்தி காரணி கொண்ட எல்.இ.சி. ஒலிப்பு மாற்றி அடிப்படையிலான எல்.இ.டி (ஒளி வெளியீட்டு டையோடு) விளக்கு இயக்கி முன்மொழியப்பட்டுள்ளது. இந்த சுற்றுக்கு, தொடர்ச்சியான கடத்து முறை (CCM) இல் இயங்கும் PFC (பவர் காரணி திருத்தம்) க்கான ஒரு பூஸ்ட் கன்வெர்ட்டர் மற்றும் எல்இடி விளக்கு சுமையை இயக்க ஒரு அரை பாலம் அதிர்வு மாற்றி ஆகியவற்றைப் பயன்படுத்துகிறது. எல்.சி.சி. மாற்றி வடிவமைக்கப்பட்டுள்ளது, இதனால் அரை பாலத்தின் திட நிலை சுவிட்சுகள் சுவிட்ச் இழப்புகளைக் குறைக்க பூஜ்ஜிய மின்னழுத்த சுவிட்ச் (ZVS) கீழ் வேலை செய்கின்றன. 50 W LED டிரைவரின் பகுப்பாய்வு, வடிவமைப்பு, மாடலிங் மற்றும் உருவகப்படுத்துதல் ஆகியவை MATLAB/Simulink கருவியைப் பயன்படுத்தி யுனிவர்சல் ஏசி நெட்வொர்க்குகள் மூலம் மேற்கொள்ளப்படுகின்றன. முன்மொழியப்பட்ட எல்இடி விளக்கு இயக்கி செயல்திறனை மதிப்பிடுவதற்கு ஏசி மின்சார நெட்வொர்க்கின் மொத்த ஹார்மோனிக் சிதைவு (THDi), சக்தி காரணி (PF) மற்றும் கிரெஸ்ட் காரணி (CF) போன்ற சக்தி தர குறியீடுகள் கணக்கிடப்படுகின்றன. |
94a62f470aeea69af436e2dd0b54cd50eaaa4b23 | பரிந்துரைப்பு முறைமைகளை உருவாக்குவதற்கான மிகவும் வெற்றிகரமான அணுகுமுறைகளில் ஒன்றாக, கூட்டு வடிகட்டுதல் (சி.எஃப்) மற்ற பயனர்களுக்கான அறியப்படாத விருப்பங்களை பரிந்துரைக்க அல்லது கணிப்பதற்கு ஒரு பயனர் குழுவின் அறியப்பட்ட விருப்பங்களைப் பயன்படுத்துகிறது. இந்த ஆய்வில், முதலில் நாம் தரவு குறைபாடு, அளவிடக்கூடிய தன்மை, ஒத்தமைவு, சாம்பல் ஆடுகள், ஷில்லிங் தாக்குதல்கள், தனியுரிமை பாதுகாப்பு போன்றவற்றின் முக்கிய சவால்களையும் அவற்றின் சாத்தியமான தீர்வுகளையும் அறிமுகப்படுத்துகிறோம். பின்னர், CF நுட்பங்களின் மூன்று முக்கிய வகைகளை நாங்கள் முன்வைக்கிறோம்ஃ நினைவக அடிப்படையிலான, மாதிரி அடிப்படையிலான மற்றும் கலப்பின CF வழிமுறைகள் (அவை CF ஐ மற்ற பரிந்துரை நுட்பங்களுடன் இணைக்கின்றன), ஒவ்வொரு வகைக்கும் பிரதிநிதித்துவ வழிமுறைகளுக்கான எடுத்துக்காட்டுகளுடன், அவற்றின் முன்கணிப்பு செயல்திறன் மற்றும் சவால்களை எதிர்கொள்ளும் திறன் ஆகியவற்றின் பகுப்பாய்வு. அடிப்படை நுட்பங்கள் முதல் அதிநவீன வரை, இந்த பகுதியில் ஆராய்ச்சி மற்றும் நடைமுறைக்கு ஒரு வரைபடமாக பணியாற்றக்கூடிய CF நுட்பங்களுக்கான ஒரு விரிவான ஆய்வு ஒன்றை முன்வைக்க முயற்சிக்கிறோம். |
ced981c28215dd218f05ecbba6512671b22d1cc6 | சுருக்கம்-இன்று சமூக ஊடகத் தகவல்கள், செய்திகள், இணைப்புகள், படங்கள் அல்லது வீடியோக்கள் போன்றவை பரவலாகப் பகிரப்படுகின்றன. எனினும், சமூக ஊடகங்கள் மூலம் தகவல்களை பரப்புவதில் தரமான செயல்திறன் இல்லை: உண்மைகளை சரிபார்ப்பது குறைவாக உள்ளது, மேலும் பல சார்புகள் உள்ளன, மேலும் பல வதந்திகள் உள்ளன. பல ஆராய்ச்சியாளர்கள் ட்விட்டரில் நம்பகத்தன்மை பற்றி ஆய்வு செய்துள்ளனர், ஆனால் பேஸ்புக்கில் நம்பகத்தன்மை தகவல் பற்றிய ஆராய்ச்சி அறிக்கை இல்லை. இந்த ஆவணம் ஃபேஸ்புக் தகவலின் நம்பகத்தன்மையை அளவிடுவதற்கான அம்சங்களை முன்மொழிகிறது. நாங்கள் இந்த அமைப்பை உருவாக்கியது Facebook இல் நம்பகத்தன்மைக்காக. முதலாவதாக, FB நம்பகத்தன்மையை மதிப்பீடு செய்வதற்கான ஒரு கருவியை உருவாக்கியுள்ளோம். பின்பு, ஆதரவு வெக்டார் இயந்திரம் (SVM) பயன்படுத்தி ஒரு மாதிரியை உருவாக்க பயிற்சி தரவுகளை சேகரித்தோம். இரண்டாவது, ஒவ்வொரு பதிவின் நம்பகத்தன்மையை மதிப்பிடுவதற்கு பேஸ்புக் பயனர்களுக்காக FB நம்பகத்தன்மையின் ஒரு குரோம் நீட்டிப்பை நாங்கள் உருவாக்கியுள்ளோம். எமது FB நம்பகத்தன்மை குரோம் நீட்டிப்பின் பயன்பாட்டு பகுப்பாய்வின் அடிப்படையில், சுமார் 81% பயனர்கள் அளித்த பதில்கள், முன்மொழியப்பட்ட அமைப்பால் தானாக கணக்கிடப்பட்ட நம்பகத்தன்மைக்கு உடன்படுகின்றன. |
1b2a8dc42d6eebc937c9642799a6de87985c3da6 | சமூக ஊடகங்கள் இணையத்தில் கிடைத்து, எளிதில் அணுகக்கூடிய, ஏராளமான மதிப்புமிக்க தரவுகளை உருவாக்குகின்றன. பல பயனர்கள் பல்வேறு சமூக வலைதளங்களில் படங்கள், வீடியோக்கள், கருத்துகள், விமர்சனங்கள், செய்திகள் மற்றும் கருத்துக்களை பகிர்ந்து கொள்கின்றனர். ட்விட்டரில் இருந்து சேகரிக்கப்பட்ட தரவு மிகவும் கட்டமைக்கப்படாதது, மேலும் ட்வீட்களில் இருந்து பயனுள்ள தகவல்களை பிரித்தெடுப்பது ஒரு சவாலான பணியாகும். ட்விட்டரில் ஏராளமான அரபு பயனர்கள் உள்ளனர். அவர்கள் பெரும்பாலும் அரபு மொழியில் தங்கள் ட்வீட்களை இடுகிறார்கள். ஆங்கிலத்தில் உணர்வு பகுப்பாய்வு பற்றிய ஆராய்ச்சிகள் நிறையவே உள்ளன. ஆனால் அரபு மொழியில் ஆராய்ச்சிகள் மற்றும் தரவு தொகுப்புகள் குறைவாகவே உள்ளன. இந்த ஆவணம், Twitter-இல் இருந்து சேகரிக்கப்பட்ட, சுகாதார சேவைகள் குறித்த கருத்துக்களைக் கொண்ட அரபு மொழி தரவுத்தொகுப்பை அறிமுகப்படுத்துகிறது. இந்த ஆய்வறிக்கை முதலில் ட்விட்டரில் இருந்து தரவுகளை சேகரிக்கும் செயல்முறையை விவரிக்கும், மேலும் அரபு மொழியில் ஒரு பெரிய உணர்வு பகுப்பாய்வு தரவுத்தொகுப்பை உருவாக்க அரபு மொழியில் உள்ள உரையை வடிகட்டுதல், முன் செயலாக்கம் மற்றும் குறிப்புகளை உருவாக்கும் செயல்முறையை விவரிக்கும். நமது சுகாதார தரவுத் தொகுப்பில் உணர்வு பகுப்பாய்வின் சோதனைகளில் ஆழமான மற்றும் உருமாற்ற நரம்பியல் நெட்வொர்க்குகளுடன் பல இயந்திர கற்றல் வழிமுறைகள் (நயீவ் பேய்ஸ், ஆதரவு திசையன் இயந்திரம் மற்றும் லாஜிஸ்டிக் பின்னடைவு) பயன்படுத்தப்பட்டன. |
d228e3e200c2c6f757b9b3579fa058b2953083c0 | |
f87b713182d39297e930c41e23ff26394cbdcade | |
838ec45eeb7f63875742a76aa1080563f44af619 | வழக்கு ஆய்வு அணுகுமுறையைப் பயன்படுத்தி விசாரணைக்கு மிகவும் பொருத்தமான ஆராய்ச்சி பகுதிகளின் எடுத்துக்காட்டுகளுடன் இந்த ஆவணம் முடிகிறது. ACM வகைகள்: H. O., J. O. இந்த கட்டுரை இந்த குணவியல் முறைகளில் ஒன்றை வரையறுத்து விவாதிக்கிறது - வழக்கு ஆராய்ச்சி மூலோபாயம். இந்த அணுகுமுறையை பயன்படுத்தி ஆராய்ச்சி மேற்கொள்ள விரும்பும் ஆராய்ச்சியாளர்களுக்கு பரிந்துரைகள் வழங்கப்படுகின்றன. வழக்கு ஆராய்ச்சிக்கான மதிப்பீட்டுக்கான அளவுகோல்கள் நிறுவப்பட்டு, ஆய்வுகளை வகைப்படுத்துவதற்கு பல பயனுள்ள பண்புகள் அடையாளம் காணப்படுகின்றன. தகவல் முறைமைகள் குறித்த பத்திரிகைகளில் இருந்து எடுக்கப்பட்ட ஆவணங்களின் மாதிரிகள் ஆய்வு செய்யப்படுகின்றன. |
9cf2c6d3ab15c1f23fc708e74111324fa82a8169 | கல்வியில் தகவல் தொழில்நுட்பத்தின் பங்கு குறித்து இந்த கட்டுரை விவாதிக்கிறது. தகவல் தொடர்பு தொழில்நுட்பங்கள் (ICT) தற்போது மனித வாழ்வின் ஒவ்வொரு அம்சத்தையும் பாதித்து வருகின்றன. [பக்கம் 3-ன் படம்] மேலும், தகவல் தொடர்பு தொழில்நுட்பங்கள் மாற்றத்திற்கான ஊக்கியாக பலர் கருதுகின்றனர்; வேலை நிலைமைகள், தகவல் கையாளுதல் மற்றும் பரிமாற்றம், கற்பித்தல் முறைகள், கற்றல் அணுகுமுறைகள், அறிவியல் ஆராய்ச்சி மற்றும் தகவல் அணுகல் ஆகியவற்றில் மாற்றம். எனவே, இந்த ஆய்வுக் கட்டுரையில் தகவல் மற்றும் தொடர்பு தொழில்நுட்பங்களின் பங்கு, அதன் வாக்குறுதிகள், வரம்புகள் மற்றும் கல்வி முறைகளில் ஒருங்கிணைப்பதற்கான முக்கிய சவால்கள் ஆகியவை பற்றி விவாதிக்கப்படுகிறது. இந்த ஆய்வு பின்வரும் கேள்விகளுக்கு பதிலளிக்க முயற்சிக்கிறது: (1) கல்வியில் தகவல் மற்றும் தொடர்பு தொழில்நுட்பங்களின் நன்மைகள் என்ன? (2) சில வளரும் நாடுகளின் கல்வி முறைகளில் தகவல் தொழில்நுட்ப பயன்பாட்டின் தற்போதைய வாக்குறுதிகள் என்ன? (3) கல்வி முறைகளில் தகவல் தொழில்நுட்பங்களை இணைப்பதில் உள்ள முக்கிய தடைகள் மற்றும் சவால்கள் என்ன? தகவல் மற்றும் தொடர்பு தொழில்நுட்பம் கல்வி முறைக்கு நன்மைகளை அளிக்கிறது. இது கற்கையின் சமகால முன்னுதாரணமான கட்டமைப்பாளத்துவத்துடன் இணைந்து தரமான கல்வியை வழங்குகிறது. |
bb73ea8dc36030735c1439acf93a0e77ac8a907c | இந்த கடிதம் டேப்லெட்/நடிக கணினி பயன்பாடுகளுக்கான ஒரு உள் ஒற்றைத் தட்டையான சிறிய அளவிலான பல பட்டை ஆண்டெனாவை முன்வைக்கிறது. பொதுவான LTE/WWAN சேனல்களுக்கு மேலதிகமாக, முன்மொழியப்பட்ட ஆண்டெனா வணிக GPS/GLONASS அதிர்வெண் பட்டைகளை உள்ளடக்கியது. இந்த ஆண்டெனா மூன்று பிரிவுகளால் ஆனதுஃ இணைக்கப்பட்ட-உணவு, குறுகிய மற்றும் குறைந்த அதிர்வெண் சுழல் பட்டைகள் 50 × 11 × 0.8 மிமீ 2 அளவுடன். சுழல்பட்டை உதவியுடன், 900 MHz இல் குறைந்த அலைவரிசை செயல்பாடு அடையப்படுகிறது. இரண்டு இயக்க அதிர்வெண் பட்டைகள் 870-965 மற்றும் 1556-2480 MHz ஆகியவற்றை உள்ளடக்கியது. சிமுலேஷன் முடிவுகளை சரிபார்க்க, முன்மொழியப்பட்ட அச்சிடப்பட்ட ஆண்டெனாவின் முன்மாதிரி தயாரிக்கப்பட்டு சோதிக்கப்படுகிறது. உருவகப்படுத்துதல் மற்றும் அளவீட்டு முடிவுகளுக்கு இடையே நல்ல ஒற்றுமை பெறப்படுகிறது. |
8308e7b39d1f556e4041b4630a41aa8435fe1a49 | MIMO (multiple-input multiple-output) ரேடார் என்பது பல, இடப்பகுதியில் விநியோகிக்கப்பட்ட அனுப்புநர்கள் மற்றும் பெறுநர்களைப் பயன்படுத்தும் ஒரு கட்டமைப்பைக் குறிக்கிறது. பொதுவாக, MIMO ரேடார் ஒரு வகை மல்டிஸ்டாடிக் ரேடராகக் கருதப்படலாம் என்றாலும், தனிப்பட்ட பெயரிடல் MIMO ரேடார் தனித்துவமான அம்சங்களைக் குறிக்கிறது, இது MIMO ரேடார் மல்டிஸ்டாடிக் ரேடார் இலக்கியத்திலிருந்து தனித்து நிற்கிறது மற்றும் இது MIMO தகவல்தொடர்புகளுடன் நெருக்கமான உறவைக் கொண்டுள்ளது. இந்த கட்டுரை பரந்த அளவில் பிரிக்கப்பட்ட ஆண்டெனாக்களுடன் MIMO ரேடார் மீது சில சமீபத்திய வேலைகளை மதிப்பாய்வு செய்கிறது. பரந்த அளவில் பிரிக்கப்பட்ட அனுப்பு/பெறு அண்டெனாக்கள் இலக்கின் ரேடார் குறுக்குவெட்டு (RCS) இடவியல் பன்முகத்தன்மையைப் பிடிக்கிறது. மிமோ ரேடரின் தனித்துவமான அம்சங்கள் விளக்கப்பட்டு எடுத்துக்காட்டுகள் மூலம் விளக்கப்பட்டுள்ளன. இலக்கு கண்டறிதல் மற்றும் வருகை கோணம் மற்றும் டாப்லர் போன்ற பல்வேறு அளவுருக்கள் மதிப்பீடு செய்வதற்கு இலக்கின் RCS இடவியல் மாறுபாடுகளை பயன்படுத்தி ஒரு இலக்கின் RCS இடவியல் மாறுபாடுகளை பயன்படுத்த முடியும் என்று காட்டப்பட்டுள்ளது. இலக்கு இருப்பிடத்திற்கு, ரேடரின் அலை வடிவத்தால் ஆதரிக்கப்படுவதை விட அதிகமான தெளிவை ஒருங்கிணைந்த செயலாக்கம் வழங்க முடியும் என்பது நிரூபிக்கப்பட்டுள்ளது. |
958d165f8bb77838ec915d4f214a2310e3adde19 | ஒப்பீட்டளவில் குறைந்த பரிமாண இடைவெளியில் உண்மையான மதிப்புள்ள திசையன்களாக வார்த்தைகளின் விநியோகிக்கப்பட்ட பிரதிநிதித்துவங்கள் பெரிய உரைக் குழுக்களிலிருந்து தொடரியல் மற்றும் சொற்பொருள் அம்சங்களை பிரித்தெடுப்பதை நோக்கமாகக் கொண்டுள்ளன. சமீபத்தில் அறிமுகப்படுத்தப்பட்ட ஒரு நரம்பியல் நெட்வொர்க், word2vec (Mikolov et al., 2013a; Mikolov et al., 2013b) என பெயரிடப்பட்டது, இது சொற்களின் திசையில் சொற்பொருள் தகவல்களை குறியீட்டுக்கு காட்டியது. இந்த சுருக்கமான அறிக்கையில், ஒரு சொற்களஞ்சியத்தில் சொற்களின் முக்கியத்துவத்தை அளவிடுவதற்கு, சொற்களின் அதிர்வெண் மற்றும் திசையன்களின் நீளத்தைப் பயன்படுத்த முன்மொழியப்பட்டுள்ளது. இந்த முன்மொழிவை ஆதரிப்பதற்காக, கள-குறிப்பிட்ட சுருக்கங்களின் தொகுப்பைப் பயன்படுத்தி சோதனை ஆதாரங்கள் வழங்கப்படுகின்றன. உரைக் குவியல்களுக்கான ஒரு பயனுள்ள காட்சிப்படுத்தல் நுட்பம் வெளிப்படுகிறது, அங்கு வார்த்தைகள் இரு பரிமாண விமானத்தில் வரைபடமாக்கப்பட்டு, அவை தானாகவே முக்கியத்துவத்தின் அடிப்படையில் தரவரிசைப்படுத்தப்படுகின்றன. |
bb9e418469d018be7f5ac2c4b2435ccac50088a3 | மல்டிமீடியா சமூகத்தில் மல்டிமீடியா உள்ளடக்கத்தை மிகவும் திறம்பட பகுப்பாய்வு செய்வதில் ஆழமான கற்றல் அடிப்படையிலான நுட்பங்கள் அதிகரித்து வருகின்றன. கடந்த பத்தாண்டுகளில், ஆழமான கற்றல் மற்றும் மல்டிமீடியா பகுப்பாய்வு ஆகியவற்றின் ஒற்றுமை வகைப்பாடு, கண்டறிதல் மற்றும் பின்னடைவு போன்ற பல பாரம்பரிய பணிகளின் செயல்திறனை அதிகரித்துள்ளது, மேலும் சொற்பொருள் பிரிவு, தலைப்பு மற்றும் உள்ளடக்க உருவாக்கம் போன்ற பல ஒப்பீட்டளவில் புதிய பகுதிகளின் நிலப்பரப்பையும் அடிப்படையில் மாற்றியுள்ளது. இந்த கட்டுரை மல்டிமீடியா பகுப்பாய்வில் முக்கிய பணிகளின் வளர்ச்சி பாதையை மறுபரிசீலனை செய்வதையும் எதிர்கால திசைகளில் ஒரு பார்வை எடுப்பதையும் நோக்கமாகக் கொண்டுள்ளது. மல்டிமீடியா பகுப்பாய்வு தொடர்பான அடிப்படை ஆழமான நுட்பங்களை சுருக்கமாகக் கூறுவதன் மூலம் தொடங்குகிறோம், குறிப்பாக காட்சி மண்டலத்தில், பின்னர் சமீபத்திய முன்னேற்றங்களால் இயக்கப்படும் பிரதிநிதித்துவ உயர் மட்ட பணிகளை மதிப்பாய்வு செய்கிறோம். மேலும், பிரபலமான தரநிலைகளின் செயல்திறன் மதிப்பாய்வு தொழில்நுட்ப முன்னேற்றத்திற்கு ஒரு பாதையை வழங்குகிறது மற்றும் மைல்கல் பணிகள் மற்றும் எதிர்கால திசைகளை அடையாளம் காண உதவுகிறது. |
c481fb721531640e047ac7f598bd7714a5e62b33 | பாரம்பரிய கல்வி முறையில் வாய்வழி வழிமுறைகளுடன் பாடப்புத்தகங்களை அறிமுகப்படுத்துவதன் மூலம் ஆசிரியர்கள் தங்கள் மாணவர்களுக்கு கற்பிக்க முயன்றனர். தகவல் மற்றும் தொடர்பு தொழில்நுட்பத்தை (ICT) மேம்படுத்துவதற்கு, கற்பித்தல் மற்றும் கற்றல் முறைகள் மாற்றப்படலாம். மாணவர்கள் தங்களது கற்றல், பிடித்தல் மற்றும் மனப்பாடம் செய்யும் திறனை மேம்படுத்தும் வகையில், ஊடாடும் கற்றல் முறையுடன் அவர்களை மாற்றியமைக்க வேண்டிய நேரம் இது. மாணவர்களுக்கு உயர்தரமான மற்றும் யதார்த்தமான சாய்ந்த சூழலை உருவாக்குவது இன்றியமையாதது. காட்சி கற்றல் அவர்களின் கற்றலைப் புரிந்துகொள்வதற்கும் கையாள்வதற்கும் எளிதாக இருக்கும். பல்வேறு மல்டிமீடியா பயன்பாட்டுக் கருவிகளைப் பயன்படுத்தி, ஆரம்ப நிலை மாணவர்களுக்கான வீடியோ வடிவத்தில் காட்சி கற்றல் பொருட்களை (சூரிய மண்டலத்தின் கண்ணோட்டம்) உருவாக்கியுள்ளோம். இந்த ஆய்வின் நோக்கம், காட்சிக் கற்றல் பொருட்கள் மற்றும் கலப்பு சார்பு ஆகியவற்றின் மூலம் மாணவர்களின் புதிய அறிவு அல்லது திறன்களைப் பெறுவதற்கான திறன்களின் தாக்கத்தை ஆய்வு செய்வதாகும். இது காட்சிக் கற்றல் பொருட்களின் ஆசிரியரின் அறிவுறுத்தல்களுடன் ஒருங்கிணைப்பு ஆகும். இந்த ஆய்விற்காக டாக்கா நகரில் உள்ள ஒரு தொடக்கப் பள்ளியை நாங்கள் பார்வையிட்டோம். மூன்று வெவ்வேறு மாணவர் குழுக்களுடன் நாங்கள் கற்பித்தோம். (i) ஆசிரியர் மாணவர்களுக்கு பாரம்பரிய முறையில் அதே பொருட்கள் மற்றும் கேள்விகளின் தொகுப்பு மூலம் மாணவர்களின் தழுவல் திறன் குறித்து குறிப்பிட்டார் (ii) மற்றொரு குழுவுக்கு காட்சி கற்றல் பொருள் மட்டுமே கற்பிக்கப்பட்டது மற்றும் 15 கேள்வித்தாள்கள் மூலம் மதிப்பீடு செய்யப்பட்டது, (iii) மூன்றாவது குழு ஆசிரியரின் அறிவுறுத்தல்களுடன் இணைந்து சூரிய மண்டலத்தின் வீடியோவுடன் கற்பிக்கப்பட்டது மற்றும் அதே கேள்வித்தாள்களுடன் மதிப்பீடு செய்யப்பட்டது. இந்த காட்சிப் பொருட்கள் (சூரியக் குடும்பம்) மற்றும் வாய்மொழி வழிமுறைகளை ஒருங்கிணைப்பது கலப்பு கற்றல் முறையாகும். இந்த ஊடாடும் கலப்பு அணுகுமுறை மாணவர்களின் அறிவு மற்றும் திறன்களைப் பெறுவதற்கான திறனை பெரிதும் மேம்படுத்தியது. மற்ற இரண்டு முறைகளை விட கலப்பு நுட்பத்தை மாணவர்கள் மிகவும் நேர்மறையாகப் புரிந்து கொண்டனர். இந்த ஊடாடும் கலவை சாய்ந்த அமைப்பு குறிப்பாக பள்ளி குழந்தைகளுக்கு பொருத்தமான முறையாக இருக்கலாம். |
bde40c638fd03b685114d8854de2349969f2e091 | நகர்ப்புற கருந்துளை, ஒரு போக்குவரத்து அசாதாரணமாக, இன்று பல பெரிய நகரங்களில் பல பேரழிவு விபத்துக்களை ஏற்படுத்தியுள்ளது. பாரம்பரிய முறைகள் ஒரு மூல தரவை (எ. கா. , டாக்ஸி பாதைகள்) மட்டுமே சார்ந்து கருந்துளை கண்டறிதல் வழிமுறையை ஒரு கண்ணோட்டத்தில் வடிவமைக்கின்றன, இது பிராந்திய கூட்ட ஓட்டத்தை விவரிக்க முழுமையற்றது. இந்த ஆய்வில், நியூயார்க் நகரத்தின் ஒவ்வொரு பகுதியிலும் (NYC) வெவ்வேறு கால இடைவெளிகளில் நகர்ப்புற கருந்துளைகளை ஒரு முப்பரிமாண டென்சருடன் தரவு மூலங்களை இணைப்பதன் மூலம் மாதிரியாகக் கொண்டுள்ளோம். சூழல்-அறிவுடைய டென்சர் சிதைவு அணுகுமுறையின் மூலம் டென்சரின் காணாமல் போன உள்ளீடுகளை பூர்த்தி செய்தல், புவியியல் அம்சங்கள், 311 புகார் அம்சங்கள் மற்றும் மனித இயக்கம் அம்சங்கள் ஆகியவற்றிலிருந்து அறிவைப் பயன்படுத்தி NYC முழுவதும் கருந்துளை நிலைமையை மீட்டெடுக்கலாம். இந்தத் தகவல்கள் உள்ளூர்வாசிகள் மற்றும் அதிகாரிகளின் முடிவெடுப்பதை எளிதாக்கும். நாம் நமது மாதிரியை NYC உடன் தொடர்புடைய ஐந்து தரவுத்தொகுப்புகளுடன் மதிப்பீடு செய்கிறோம், அடையாளம் காண முடியாத (அல்லது கண்டறியப்பட்டவற்றை விட முந்தைய) நகர்ப்புற கருந்துளைகளை ஒரு தரவுத்தொகுப்பு மூலம் கண்டறிகிறோம். நான்கு அடிப்படை முறைகளுக்கு அப்பால் உள்ள நன்மைகளை பரிசோதனை முடிவுகள் நிரூபிக்கின்றன. |
09f83b83fd3b0114c2c902212101152c2d2d1259 | |
e905396dce34e495b32e40b93195deeba7096476 | இந்த தகவல் பரந்த-பட்டை மற்றும் குறைந்த-சுயவிவரம் கொண்ட H-plane கொம்பு ஆண்டெனாவை வழங்குகிறது, இது ஒரு பெரிய கடத்தும் தரையுடன் ஒருங்கிணைந்த அலை வழிகாட்டி (SIW) அடிப்படையில் உள்ளது. கொம்பு ஆண்டெனா 0.13 λ0 தடிமன் கொண்ட ஒரு அடி மூலக்கூறில் செயல்படுத்தப்படுகிறது. அதன் குறைந்த சுயவிவரம் இருந்தபோதிலும், புதிய H-plane கொம்பு ஆண்டெனா நீட்டிக்கப்பட்ட மின்கடத்தா தட்டு மற்றும் மூன்று-படி சிகரம் கொண்ட SIW மாற்றம் மீது அச்சிடப்பட்ட ஒரு வில் வடிவ செப்பு தண்டு பயன்படுத்தி ஒரு பரந்த அலைவரிசையை அடைகிறது. செயல்பாட்டு அலைவரிசையை விரிவுபடுத்துவதற்கும், பண்புடைய தடைநிலையைக் குறைப்பதற்கும், ஒருங்கிணைந்த ஆய்வாளரிடமிருந்து குறுகிய SIW க்கு ஒரு சிறந்த தடைநிலையை பொருத்துவதற்கும், பரந்த அதிர்வெண் வரம்பில் பெறக்கூடிய ஒரு க்ரீட் SIW முக்கியமானது. 6.6 GHz முதல் 18 GHz வரை தயாரிக்கப்பட்ட கொம்பு ஆண்டெனாவின் அளவிடப்பட்ட VSWR 2.5 க்குக் கீழே உள்ளது. அதே அதிர்வெண் வரம்பில் அந்த ஆண்டெனா நிலையான கதிர்வீச்சு கற்றைகளையும் காண்பிக்கிறது. அளவிடப்பட்ட முடிவுகள், உருவகப்படுத்தப்பட்ட முடிவுகளுடன் நன்றாக ஒத்துப்போகின்றன என்பது கவனிக்கப்படுகிறது. |
a33a1c0f69327b9bc112ee4857112312c41b13ff | வகைப்படுத்தல் மற்றும் பின்னடைவு அடிப்படையிலான பணிகள் இரண்டிலும், கன்வோல்ஷனல் நியூரல் நெட்வொர்க்குகளின் (சிஎன்என்) வலுவை மேம்படுத்துவதற்காக, சீரற்ற பாணி பரிமாற்றத்தை அடிப்படையாகக் கொண்ட தரவு அதிகரிப்பின் புதிய வடிவமான பாணி அதிகரிப்பை அறிமுகப்படுத்துகிறோம். பயிற்சியின் போது, நமது பாணி அதிகரிப்பு, வடிவத்தையும் அர்த்த உள்ளடக்கத்தையும் பாதுகாத்து, அமைப்பு, மாறுபாடு மற்றும் நிறத்தை சீரற்றதாக ஆக்குகிறது. இது ஒரு பாணி படத்திலிருந்து இணங்காமல், ஒரு பன்முக இயல்பான விநியோகத்திலிருந்து உள்ளீட்டு பாணி உட்பொதிப்புகளை மாதிரி செய்வதன் மூலம், பாணி சீரற்ற தன்மையைச் செய்ய ஒரு தன்னிச்சையான பாணி பரிமாற்ற வலையமைப்பைத் தழுவுவதன் மூலம் நிறைவேற்றப்படுகிறது. தரநிலை வகைப்படுத்தல் பரிசோதனைகளுக்கு மேலதிகமாக, டொமைன் பரிமாற்ற பணிகளில் பாணி அதிகரிப்பு (மற்றும் தரவு அதிகரிப்பு பொதுவாக) விளைவை நாங்கள் ஆராய்கிறோம். தரவு பெருக்கமானது டொமைன் மாற்றத்திற்கான வலுவை கணிசமாக மேம்படுத்துகிறது, மேலும் டொமைன் தழுவலுக்கு ஒரு எளிய, டொமைன் அக்னோஸ்டிக் மாற்றாக பயன்படுத்தப்படலாம். ஏழு பாரம்பரிய மேம்படுத்தல் நுட்பங்களின் கலவையுடன் பாணி மேம்பாட்டை ஒப்பிடுகையில், நெட்வொர்க் செயல்திறனை மேம்படுத்த இது எளிதாக இணைக்கப்படலாம் என்பதைக் காண்கிறோம். வகைப்படுத்தல் மற்றும் ஒற்றைநோக்கு ஆழ மதிப்பீட்டில் கள பரிமாற்ற பரிசோதனைகள் மூலம் எங்கள் நுட்பத்தின் செயல்திறனை நாங்கள் சரிபார்க்கிறோம், பொதுமயமாக்கலில் நிலையான முன்னேற்றங்களை விளக்குகிறோம். |
91acde3f3db1f793070d9e58b05c48401ff46925 | முடிவு மரங்கள் புள்ளியியல் தரவு வகைப்படுத்தலில் ஒரு பிரபலமான நுட்பமாகும். அவை அம்ச இடத்தை ஒரு குறிப்பிட்ட வகுப்பிற்கு ஏற்ப ஒவ்வொரு துணைப் பகுதியும் ஒரே மாதிரியாக மாறும் வரை பிரிக்கப்பட்ட துணைப் பகுதிகளாகப் பிரிக்கின்றன. அடிப்படை வகைப்படுத்தல் மற்றும் பின்னடைவு மரம் (CART) வழிமுறை அச்சு இணை பிளவுகளைப் பயன்படுத்தி அம்ச இடத்தை பிரிக்கிறது. உண்மையான முடிவு எல்லைகள் அம்ச அச்சுகளுடன் சீரமைக்கப்படாதபோது, இந்த அணுகுமுறை சிக்கலான எல்லை கட்டமைப்பை உருவாக்க முடியும். சாய்ந்த முடிவு மரங்கள் சாய்ந்த முடிவு எல்லைகளை பயன்படுத்துகின்றன. இந்த அணுகுமுறையின் முக்கிய வரம்பு என்னவென்றால், மர தூண்டல் வழிமுறை கணக்கீட்டு ரீதியாக விலை உயர்ந்தது. இந்த கட்டுரையில் நாம் HHCART எனப்படும் ஒரு புதிய முடிவு மரம் வழிமுறையை முன்வைக்கிறோம். இந்த முறை மரக் கட்டமைப்பின் போது ஒவ்வொரு முனையிலும் பயிற்சி தரவை பிரதிபலிக்க ஒரு தொடர் ஹவுஸ்ஹோல்டர் மேட்ரிக்ஸ்களைப் பயன்படுத்துகிறது. ஒவ்வொரு பிரதிபலிப்பும் ஒவ்வொரு வகுப்பு கூட்டுச்சேர்க்கை மேட்ரிக்ஸிலிருந்து சொந்த திசையன்களின் திசைகளை அடிப்படையாகக் கொண்டது. பிரதிபலித்த பயிற்சி தரவுகளில் அச்சு இணை பிளவுகளை கருத்தில் கொள்வது பிரதிபலிக்கப்படாத பயிற்சி தரவுகளில் சாய்ந்த பிளவுகளை கண்டுபிடிப்பதற்கான ஒரு திறமையான வழியை வழங்குகிறது. பரிசோதனை முடிவுகள் HHCART மரங்களின் துல்லியம் மற்றும் அளவு இலக்கியத்தில் உள்ள சில குறிப்பு முறைகளுடன் ஒப்பிடக்கூடியவை என்பதைக் காட்டுகின்றன. HHCART இன் கவர்ச்சிகரமான அம்சம் என்னவென்றால், இது தரமான மற்றும் அளவு அம்சங்களை ஒரே சாய்ந்த பிளவுகளில் கையாள முடியும். |
896e160b98d52d13a97caa664038e37e86075ee4 | படங்களை தானாகக் கற்றுக்கொள்ளும் தர மதிப்பீடு சமீபத்தில் பலவிதமான பயன்பாடுகளில் அதன் பயன் காரணமாக ஒரு சூடான தலைப்பாக மாறியுள்ளது, அதாவது பட பிடிப்பு குழாய்களை மதிப்பீடு செய்தல், சேமிப்பு நுட்பங்கள் மற்றும் ஊடகங்களைப் பகிர்வது போன்றவை. இந்த பிரச்சினையின் சுயநல தன்மை இருந்தபோதிலும், பெரும்பாலான தற்போதைய முறைகள் AVA மற்றும் TID2013 போன்ற தரவுத் தொகுப்புகளால் வழங்கப்படும் சராசரி கருத்து மதிப்பெண்ணை மட்டுமே கணித்துள்ளன. நமது அணுகுமுறை மற்றவர்களிடமிருந்து வேறுபடுகிறது, ஏனென்றால் நாம் மனித கருத்து மதிப்பெண்களின் விநியோகத்தை ஒரு சுருக்கமான நரம்பியல் வலையமைப்பைப் பயன்படுத்தி கணிக்கிறோம். நமது கட்டமைப்பு மற்ற முறைகளை விட கணிசமாக எளிமையானது என்பதன் நன்மை உள்ளது. எங்கள் முன்மொழியப்பட்ட அணுகுமுறை நிரூபிக்கப்பட்ட, அதிநவீன ஆழமான பொருள் அங்கீகார நெட்வொர்க்குகளின் வெற்றியை (மற்றும் மறுபயிற்சி) சார்ந்துள்ளது. இதன் விளைவாக உருவாகும் எங்கள் வலையமைப்பை நம்பகமான முறையில் மற்றும் மனித உணர்வின் உயர் தொடர்புடன் படங்களை மதிப்பீடு செய்ய மட்டுமல்லாமல், புகைப்படத் தொகுப்பு / மேம்பாட்டு வழிமுறைகளை ஒரு புகைப்படக் குழாயில் மாற்றியமைக்கவும் மேம்படுத்தவும் உதவலாம். இவை அனைத்தும் ஒரு "தங்க" குறிப்பு படத்தின் தேவையில்லாமல் செய்யப்படுகின்றன, இதன் விளைவாக ஒற்றை-பட, சொற்பொருள் மற்றும் உணர்திறன்-அறிவு, குறிப்பு இல்லாத தர மதிப்பீட்டை அனுமதிக்கிறது. |
8cfb316b3233d9b598265e3b3d40b8b064014d63 | வீடியோ வகைப்படுத்தலில் தற்போதைய நவீன நிலை உள்ளூர் காட்சி விவரிப்பாளர்களைப் பயன்படுத்தி பை-ஆஃப்-வார்த்தைகளை அடிப்படையாகக் கொண்டது. பொதுவாக இவை நோக்குநிலை சாய்வுகளின் ஹிஸ்டோகிராம் (HOG), ஒளியியல் ஓட்டத்தின் ஹிஸ்டோகிராம் (HOF) மற்றும் இயக்க எல்லை ஹிஸ்டோகிராம் (MBH) விவரிப்பாளர்கள் ஆகும். இதுபோன்ற அணுகுமுறை வகைப்படுத்தலுக்கு மிகவும் சக்தி வாய்ந்ததாக இருந்தாலும், இது கணக்கீட்டு ரீதியாகவும் விலை உயர்ந்தது. இந்த ஆவணம் கணக்கீட்டு செயல்திறன் பிரச்சினையை உரையாற்றுகிறது. குறிப்பாக: (1) நாம் அடர்த்தியான மாதிரி HOG, HOF மற்றும் MBH விவரிப்பாளர்களுக்கு பல வேகத்தை முன்மொழிகிறோம் மற்றும் MATLAB குறியீட்டை வெளியிடுகிறோம்; (2) பிரேம் மாதிரி விகிதம் மற்றும் ஆப்டிகல் ஃப்ளோ முறை வகை ஆகியவற்றின் அடிப்படையில் விவரிப்பாளர்களின் துல்லியம் மற்றும் கணக்கீட்டு செயல்திறன் ஆகியவற்றுக்கு இடையேயான சமரசத்தை நாங்கள் ஆராய்கிறோம்; (3) பொதுவாக ஏற்றுக்கொள்ளப்பட்ட பெரும்பாலான திசையன் குவாண்டிசேஷன் நுட்பங்களைப் பயன்படுத்தி மற்றும் ஒப்பிட்டு, அம்ச சொற்களஞ்சியத்தை கணக்கிட துல்லியம் மற்றும் கணக்கீட்டு செயல்திறன் ஆகியவற்றுக்கு இடையேயான சமரசத்தை நாங்கள் ஆராய்கிறோம்: $ $ k $ k -means, வரிசை $ $ k $ k -means, ரேண்டம் வனங்கள், ஃபிஷர் வெக்டர்கள் மற்றும் VLAD. |
9992626e8e063c1b23e1920efd63ab4f008710ac | |
1a8fd4b2f127d02f70f1c94f330628be31d18681 | |
d880d303ee0bfdbc80fc34df0978088cd15ce861 | சுருக்கம்-வீடியோ அசாதாரணத்தை கண்டறிவதற்கும், உள்ளூர்மயமாக்குவதற்கும் சாதாரண மாதிரிகளை மட்டுமே பயன்படுத்தி ஒரு புதிய முனை முதல் முனை வரை பகுதியாக மேற்பார்வையிடப்பட்ட ஆழமான கற்றல் அணுகுமுறையை நாங்கள் முன்வைக்கிறோம். இந்த ஆய்வை ஊக்குவிக்கும் நுண்ணறிவு என்னவென்றால், சாதாரண மாதிரிகள் ஒரு காஸ்ஸியன் கலவை மாதிரியின் (ஜிஎம்எம்) குறைந்தது ஒரு காஸ்ஸியன் கூறுடன் தொடர்புடையதாக இருக்கலாம், அதே நேரத்தில் அசாதாரணங்கள் எந்த காஸ்ஸியன் கூறுக்கும் சொந்தமானவை அல்ல. இந்த முறை Gaussian Mixture Variational Autoencoder அடிப்படையிலானது, இது ஆழமான கற்றலைப் பயன்படுத்தி பயிற்சி பெற்ற Gaussian Mixture Model ஆக இயல்பான மாதிரிகளின் அம்ச பிரதிநிதித்துவங்களைக் கற்றுக்கொள்ள முடியும். உள்ளீட்டு படத்திற்கும் வெளியீட்டு அம்ச வரைபடத்திற்கும் இடையிலான தொடர்புடைய இடவியல் ஒருங்கிணைப்புகளை பாதுகாக்க முழுமையாக இணைக்கப்பட்ட அடுக்கு இல்லாத ஒரு முழுமையான கன்வோல்ஷனல் நெட்வொர்க் (FCN) குறியாக்கி-டீக்கோடர் கட்டமைப்பிற்கு பயன்படுத்தப்படுகிறது. ஒவ்வொரு காஸ் கலவை கூறுகளின் கூட்டு நிகழ்தகவுகளின் அடிப்படையில், பட சோதனைத் தட்டுகளின் அசாதாரணத்தை மதிப்பிடுவதற்கு ஒரு மாதிரி ஆற்றல் அடிப்படையிலான முறையை அறிமுகப்படுத்துகிறோம். தோற்றம் மற்றும் இயக்கம் அசாதாரணங்களை இணைக்க இரண்டு-ஸ்ட்ரீம் நெட்வொர்க் கட்டமைப்பைப் பயன்படுத்துகிறது, முன்னாள் மற்றும் டைனமிக் ஓட்ட படங்களுக்கு, பிந்தையவற்றிற்கு RGB பிரேம்களைப் பயன்படுத்துகிறது. இரண்டு பிரபலமான தரவுகளை (UCSD தரவுத்தொகுப்பு மற்றும் Avenue தரவுத்தொகுப்பு) பயன்படுத்தி எங்கள் அணுகுமுறையை சோதிக்கிறோம். பரிசோதனை முடிவுகள், நமது முறையின் உயர்நிலையை, தொழில்நுட்பத்தின் முன்னேற்றத்துடன் ஒப்பிடும்போது உறுதிப்படுத்துகின்றன. |
09f02eee625b7aa6ba7e6f31cfb56f6d4ddd0fdd | உலக வலையமைப்பு (WWW) மற்றும் ஸ்மார்ட்போன் தொழில்நுட்பங்கள் நமது அன்றாட வாழ்க்கையில் புரட்சிகரமாக முக்கிய பங்கு வகித்துள்ளன. இருப்பிட அடிப்படையிலான சமூக வலைப்பின்னல்கள் (LBSN) உருவாகி, பயனர்கள் செக்-இன் தகவல் மற்றும் மல்டிமீடியா உள்ளடக்கங்களைப் பகிர்ந்து கொள்ள உதவியுள்ளன. புள்ளிகள் (POI) பரிந்துரை அமைப்பு, பதிவு செய்யும் தகவல்களைப் பயன்படுத்தி, மிகவும் சாத்தியமான பதிவு செய்யும் இடங்களைக் கணிக்கிறது. ஒரு பயனரின் சோதனை-உள்ள தகவலின் பல்வேறு அம்சங்கள், எடுத்துக்காட்டாக, புவியியல் தூரம், வகை, மற்றும் ஒரு POI இன் கால பிரபலத்தன்மை; மற்றும் கால சோதனை-உள்ள போக்குகள், மற்றும் ஒரு பயனரின் சமூக (நட்பு) தகவல் ஒரு திறமையான பரிந்துரையில் முக்கிய பங்கு வகிக்கின்றன. இந்த ஆய்வில், MAPS (Multi Aspect Personalized POI Recommender System) எனப்படும் ஒருங்கிணைந்த பரிந்துரை மாதிரி ஒன்றை முன்மொழிகிறோம். இது வகை, கால, சமூக மற்றும் இடவியல் அம்சங்களை ஒரே மாதிரியாக இணைக்கும் முதல் முறையாகும். இந்த ஆவணத்தின் முக்கிய பங்களிப்புஃ (i) இது வகை மற்றும் தூர அம்சங்களில் கட்டுப்பாடுகளுடன் இருப்பிட முனைகளின் வரைபடமாக சிக்கலை உணர்கிறது (அதாவது. இரண்டு இடங்களுக்கு இடையேயான விளிம்பு ஒரு உச்சநிலை தூரத்தால் மற்றும் இடங்களின் வகைகளால் கட்டுப்படுத்தப்படுகிறது), (ii) இது பல அம்சங்களைக் கொண்ட ஒருங்கிணைந்த POI பரிந்துரை மாதிரியை முன்மொழிகிறது, மற்றும் (iii) இது இரண்டு உண்மையான உலக தரவுத் தொகுப்புகளுடன் மாதிரியை விரிவாக மதிப்பீடு செய்கிறது. |
04d7b7851683809cab561d09b5c5c80bd5c33c80 | தரக் கட்டுப்பாட்டு அமைப்புகள், சவாலான தொடக்க அறிவியல் பரீட்சை துறையில் நிலையான முன்னேற்றங்களை செய்து வருகின்றன. இந்த பணியில், அறிவின் விளக்க அடிப்படையிலான பகுப்பாய்வையும், ஊகத் தேவைகளையும் நாங்கள் உருவாக்குகிறோம், இது சவால்களின் நுணுக்கமான தன்மையை ஆதரிக்கிறது. குறிப்பாக, தரக் கட்டுப்பாட்டு பணிக்கு பயன்படுத்தப்பட வேண்டிய பொருத்தமான ஆதார ஆதாரங்களின் அடிப்படையில் தேவைகளை நாங்கள் வடிவமைக்கிறோம். நாம் முதலில் சரியான விடையை ஆதரிக்கும் அறிவுத் தளத்தில் பொருத்தமான வாக்கியங்களை அடையாளம் கண்டு, பின்னர் அவற்றை விளக்கங்களை உருவாக்க பயன்படுத்துவதன் மூலம் தேவைகளை உருவாக்குகிறோம், தேவையான எந்தவொரு தகவலையும் நிரப்புகிறோம். இந்த விளக்கங்கள் தேவைகளின் ஒரு நுணுக்கமான வகைப்படுத்தலை உருவாக்க பயன்படுகின்றன. இந்த தேவைகளைப் பயன்படுத்தி, நாம் ஒரு மீட்டெடுப்பு மற்றும் ஒரு ஊக தீர்க்கும் 212 கேள்விகளை ஒப்பிடுகிறோம். பகுப்பாய்வு ஊக தீர்க்கும் சாதனத்தின் ஆதாயங்களை சரிபார்க்கிறது, இது சிக்கலான ஊகத்தை தேவைப்படும் அதிக கேள்விகளுக்கு பதிலளிப்பதை நிரூபிக்கிறது, அதே நேரத்தில் தீர்க்கும் கருவிகள் மற்றும் அறிவு மூலங்களின் ஒப்பீட்டு பலங்களைப் பற்றிய நுண்ணறிவுகளையும் வழங்குகிறது. அறிவியல் பரீட்சை தரக் கண்காணிப்புக்கான பரந்த பயன்பாட்டு ஆதாரமாக விளக்கப்பட கேள்விகள் மற்றும் விளக்கங்களை வெளியிடுகிறோம், இதில் அறிவுத் தள கட்டுமான இலக்குகளை தீர்மானிப்பது, அத்துடன் தானியங்கி ஊகத்தில் தகவல் திரட்டலை ஆதரிப்பது ஆகியவை அடங்கும். |
248040fa359a9f18527e28687822cf67d6adaf16 | ரோபோக்கள் ஆர்ப்பாட்டத்திலிருந்து கற்றல் (LfD) பற்றிய ஒரு விரிவான ஆய்வு ஒன்றை நாங்கள் முன்வைக்கிறோம், இது ஒரு நுட்பமாகும், இது எடுத்துக்காட்டு மாநிலத்திலிருந்து செயல் வரைபடங்களுக்கு கொள்கைகளை உருவாக்குகிறது. ஆர்ப்பாட்டக்காரர், பிரச்சனை இடம், கொள்கை வழிவகை மற்றும் செயல்திறன் ஆகியவற்றின் அடிப்படையில் LfD வடிவமைப்பு தேர்வுகளை நாங்கள் அறிமுகப்படுத்துகிறோம், மேலும் LfD ஆராய்ச்சியை வகைப்படுத்தும் ஒரு கட்டமைப்பிற்கான அடித்தளங்களை வழங்குகிறோம். குறிப்பாக, தொலைதூர செயற்பாடு முதல் பின்பற்றுதல் வரை, எடுத்துக்காட்டுகள் சேகரிக்கப்படும் பல வழிகளை நாங்கள் பகுப்பாய்வு செய்து வகைப்படுத்துகிறோம், அதே போல் கொள்கை வழித்தோன்றலுக்கான பல்வேறு நுட்பங்கள், பொருந்தும் செயல்பாடுகள், இயக்கவியல் மாதிரிகள் மற்றும் திட்டங்கள் உட்பட. முடிவில், LfD வரம்புகள் மற்றும் எதிர்கால ஆராய்ச்சிக்கான தொடர்புடைய நம்பிக்கைக்குரிய பகுதிகள் பற்றி விவாதிக்கிறோம். |
38b1eb892e51661cd0e3c9f6c38f1f7f8def1317 | ஸ்மார்ட்போன்கள் மற்றும் "ஆப்" சந்தைகள் மூன்றாம் தரப்பு பயன்பாடுகள் பயனர்களின் தனியுரிமை-உணர்திறன் தரவை எவ்வாறு தவறாகப் பயன்படுத்தலாம் அல்லது முறையற்ற முறையில் கையாளலாம் என்ற கவலையை எழுப்புகின்றன. அதிர்ஷ்டவசமாக, பிசி உலகில் இருந்து வேறுபட்ட வகையில், பிரபலமான செயலி சந்தைகள் மூலம் செயலி விநியோகத்தின் மையப்படுத்தப்பட்ட தன்மைக்கு நன்றி செலுத்தி, மொபைல் பயன்பாடுகளின் பாதுகாப்பை மேம்படுத்தும் தனித்துவமான வாய்ப்பு நமக்கு உள்ளது. பயன்பாட்டு சந்தை அனுமதி செயல்முறையின் ஒரு பகுதியாக பயன்படுத்தப்படும் பயன்பாடுகளின் முழுமையான சரிபார்ப்பு மொபைல் சாதன பாதுகாப்பை கணிசமாக மேம்படுத்தும் ஆற்றலைக் கொண்டுள்ளது. இந்த ஆய்வில், செயலிகளை பகுப்பாய்வு செய்து, சாத்தியமான பாதுகாப்பு மற்றும் தனியுரிமை மீறல்கள் குறித்த அறிக்கைகளை உருவாக்கும் ஒரு தானியங்கி பாதுகாப்பு சரிபார்ப்பு அமைப்பு AppInspector-ஐ முன்மொழிகிறோம். தானியங்கி சரிபார்ப்பு மூலம் ஸ்மார்ட்போன் பயன்பாடுகளை பாதுகாப்பானதாக மாற்றுவதற்கான எங்கள் பார்வையை நாங்கள் விவரிக்கிறோம், பாதுகாப்பு மற்றும் தனியுரிமை மீறல்களைக் கண்டறிந்து பகுப்பாய்வு செய்வது, முழுமையான சோதனை கவரேஜை உறுதி செய்வது மற்றும் அதிக எண்ணிக்கையிலான பயன்பாடுகளுக்கு அளவிடுவது போன்ற முக்கிய சவால்களை கோடிட்டுக் காட்டுகிறோம். |
74640bdf33a1e8b7a319fbbbaeccf681f80861cc | |
b7634a0ac84902b135b6073b61ed6a1909f89bd2 | |
c7b007d546d24322152719898c2836910f0d3939 | மாணவர்கள் ஃபேஸ்புக் போன்ற தளங்களை முக்கியமாக ஏற்கனவே உள்ள தனிப்பட்ட உறவுகளை பராமரிக்க பயன்படுத்துவதாகவும், SNS களில் தங்களைத் தாங்களே முன்வைக்கக் கட்டுப்படுத்த தனியுரிமை அமைப்புகளைத் தேர்ந்தெடுத்து பயன்படுத்துவதாகவும் ஆய்வறிக்கைகள் தெரிவிக்கின்றன. இந்த ஆய்வின் முடிவுகள் கல்லூரி மாணவர்களின் சுய வெளிப்பாட்டைப் புரிந்துகொள்வதற்கான நுண்ணறிவை வழங்குகின்றன, ஆளுமை மற்றும் சுய வெளிப்பாடு குறித்த இலக்கியத்தை சேர்க்கின்றன, மேலும் ஆன்லைன் சுய விளக்கக்காட்சியில் ஆராய்ச்சி மற்றும் நடைமுறையின் எதிர்கால திசைகளை வடிவமைக்கின்றன. வெளியீட்டாளர் Elsevier Ltd. தற்போதைய ஆராய்ச்சி, உயர் கல்வி நிறுவனங்களில் ஆன்லைன் அரங்கில் சுய வெளிப்படுத்தல் குறித்த தற்போதுள்ள கோட்பாட்டை விரிவுபடுத்தவும், கல்லூரி மாணவர்கள் பிரபலமான சமூக வலைப்பின்னல் தளமான ஃபேஸ்புக்கைப் பயன்படுத்துவது பற்றிய அறிவுத் தளத்திற்கும் புரிதலுக்கும் பங்களிக்கவும் முயல்கிறது. பல்கலைக்கழக மாணவர்கள் (N = 463) பேஸ்புக்கை எவ்வாறு பயன்படுத்துகிறார்கள் என்பதை ஆராய்வதற்காக ஒரு சோதனை அல்லாத ஆய்வை நாங்கள் நடத்தினோம், மேலும் ஆன்லைன் SNS அடிப்படையிலான சூழல்களில் தகவல்களை வெளியிடுவதில் ஆளுமை மற்றும் கலாச்சாரம் வகிக்கும் பாத்திரங்களை ஆய்வு செய்தோம். ஆன்லைனில் தனிநபர்கள் தனிநபர்களிடம் வித்தியாசமாக வெளிப்படுத்துகிறார்கள், கலாச்சாரம் மற்றும் ஆளுமை ஆகிய இரண்டும் முக்கியம் என்பதை முடிவுகள் காட்டுகின்றன. குறிப்பாக, வெளிநோக்குத்திறன் குறைவாக உள்ள கூட்டு நபர்கள் மற்றும் ஆன்லைன் சூழலில் தொடர்புகொள்வது மற்றவர்களுடன் ஒப்பிடும்போது குறைந்த நேர்மையான மற்றும் பார்வையாளர்களுக்கு மிகவும் பொருத்தமான தகவல்களை வெளிப்படுத்தியுள்ளனர். |
c83abfeb5a2f7d431022cd1f8dd7da41431c4810 | சாலை சந்திப்புகளில் ஓட்டுநர் நடத்தை மதிப்பீடு செய்வதற்கான ஒரு கட்டமைப்பை நாங்கள் முன்வைக்கிறோம், இது தன்னாட்சி ஓட்டுநர் மற்றும் வாகன பாதுகாப்புக்கான பயன்பாடுகளுடன் உள்ளது. இந்த கட்டமைப்பு ஒரு கலப்பின-நிலை அமைப்பு (HSS) என ஓட்டுநர் நடத்தை மற்றும் வாகன இயக்கவியல் மாதிரியை அடிப்படையாகக் கொண்டது, ஓட்டுநர் முடிவுகள் ஒரு தனித்தனி-நிலை அமைப்பு மற்றும் தொடர்ச்சியான-நிலை அமைப்பு என வாகன இயக்கவியல் மாதிரியாக வடிவமைக்கப்படுகின்றன. இந்த மதிப்பீட்டு முறை, கண்காணிக்கக்கூடிய அளவுருக்களைப் பயன்படுத்தி, தற்போதைய தொடர்ச்சியான நிலையைக் கண்காணித்து, இந்த கண்காணிப்புகளை அடிப்படையாகக் கொண்டு ஓட்டுநரின் மிகவும் சாத்தியமான நடத்தையை மதிப்பிடுகிறது. வாகன-ஓட்டுநர் இணைப்பின் கலப்பின கட்டமைப்பை உள்ளடக்கிய ஒரு கட்டமைப்பை இந்த ஆவணம் விவரிக்கிறது மற்றும் வடிகட்டப்பட்ட தொடர்ச்சியான அவதானிப்புகளிலிருந்து ஓட்டுநர் நடத்தையை மதிப்பிடுவதற்கு மறைக்கப்பட்ட மார்கோவ் மாதிரிகள் (HMM கள்) பயன்படுத்துகிறது. வாகனங்கள் பாதை மாற்றம் அல்லது சந்திப்பு அணுகல் போன்ற மற்ற வாகனங்கள் அறியப்படாத முடிவுகளை சம்பந்தப்பட்ட காட்சிகள் இத்தகைய முறை பொருத்தமானது. இத்தகைய ஒரு கட்டமைப்பிற்கு விரிவான தரவு சேகரிப்பு தேவைப்படுகிறது, மேலும் வாகன ஓட்டுதல் தரவை சேகரிப்பதற்கும் பகுப்பாய்வு செய்வதற்கும் பயன்படுத்தப்படும் நடைமுறையை ஆசிரியர்கள் விவரிக்கிறார்கள். எடுத்துக்காட்டாக, முன்மொழியப்பட்ட கலப்பின கட்டமைப்பு மற்றும் ஓட்டுநர் நடத்தை மதிப்பீட்டு நுட்பங்கள் பயிற்சி பெற்றவை மற்றும் சாலை சந்திப்புகளுக்கு அருகில் சோதிக்கப்படுகின்றன. முன்மொழியப்பட்ட கட்டமைப்பிற்கும், எளிய வகைப்படுத்திகளுக்கும், இயற்கையான இயக்கி மதிப்பீட்டிற்கும் இடையே ஒப்பீடு செய்யப்படுகிறது. பெறப்பட்ட முடிவுகள் HSS-HMM கட்டமைப்பைப் பயன்படுத்துவதற்கான வாய்ப்பைக் காட்டுகின்றன. |
a8c1347b82ba3d7ce03122955762db86d44186d0 | இந்த ஆவணம் திறமையான பெரிய அளவிலான வீடியோ மீட்டெடுப்பிற்கான ஒரு புதிய கட்டமைப்பை உருவாக்குகிறது. பாரம்பரியமாக இரட்டைப் படங்களைத் தேடுவதன் எல்லைக்கு அப்பாற்பட்ட, உயர் மட்ட ஒற்றுமைகளின் அடிப்படையில் வீடியோக்களைத் தேடுவதை நோக்கமாகக் கொண்டுள்ளோம். பிரபலமான ஹேஷிங் நுட்பத்தைப் பின்பற்றி, அருகிலுள்ள அண்டை நாடுகளைத் தேடுவதற்கு வசதியான பைனரி குறியீடுகளை பயன்படுத்துகிறோம். மீட்டெடுப்பதற்காக ஒரு வகை ஹாஷ் குறியீட்டை மட்டுமே பயன்படுத்தும் முந்தைய முறைகளைப் போலல்லாமல், இந்த ஆவணம் வீடியோக்களில் உள்ள பல்வேறு மற்றும் பல அளவிலான காட்சி உள்ளடக்கங்களை திறம்பட விவரிக்க வெவ்வேறு ஹாஷ் குறியீடுகளை இணைக்கிறது. எங்கள் முறை அம்சங்கள் மற்றும் ஹேஷிங் ஆகியவற்றை ஒரே கட்டமைப்பில் ஒருங்கிணைக்கிறது. கூட்டு கட்டத்தில், வீடியோ பிரேம்களை முன்-குறிப்பிட்ட கூறுகளின் தொகுப்பில் சேர்க்கிறோம், அவை வீடியோ உள்ளடக்கத்தின் பல்வேறு சொற்பொருள்களைப் பிடிக்கின்றன. ஹேஷிங் கட்டத்தில், ஒவ்வொரு வீடியோ கூறுகளையும் ஒரு சிறிய ஹேஷ் குறியீடாகக் குறிக்கிறோம், மேலும் பல ஹேஷ் குறியீடுகளை ஹேஷ் அட்டவணைகளில் இணைத்து பயனுள்ள தேடலைச் செய்கிறோம். அதிக தகவல்களைக் கொண்ட குறியீடுகளைத் தக்கவைத்துக்கொண்டு மீட்டெடுப்பை விரைவுபடுத்துவதற்கு, புல்லிங் மற்றும் ஹேஷிங் நிலைகளை இணைக்க வரைபட அடிப்படையிலான செல்வாக்கு அதிகரிப்பு முறையை நாங்கள் முன்மொழிகிறோம். செல்வாக்கு அதிகரிப்பு சிக்கல் துணை தொகுதி ஆகும் என்பதை நாம் காட்டுகிறோம், இது ஒரு ஏராளமான உகப்பாக்க முறைக்கு கிட்டத்தட்ட உகந்த தீர்வை அடைய அனுமதிக்கிறது. எங்கள் முறை மிகவும் திறமையாக செயல்படுகிறது, TRECVID தரவுத்தளத்திலிருந்து ஆயிரக்கணக்கான வீடியோ கிளிப்களை 0.001 வினாடிகளில் மீட்டெடுக்கிறது. 1 மில்லியன் மாதிரிகள் கொண்ட பெரிய அளவிலான செயற்கை தரவுத்தொகுப்புக்கு, 100 வினவல்களுக்கு பதிலளிக்க 1 வினாடிக்கும் குறைவாகவே பயன்படுகிறது. எங்கள் முறை மேற்பார்வை செய்யப்படாத மற்றும் மேற்பார்வை செய்யப்பட்ட சூழ்நிலைகளில் விரிவாக மதிப்பீடு செய்யப்பட்டுள்ளது, மேலும் TRECVID மல்டிமீடியா நிகழ்வு கண்டறிதல் மற்றும் கொலம்பியா நுகர்வோர் வீடியோ தரவுத்தொகுப்புகளின் முடிவுகள் எங்கள் முன்மொழியப்பட்ட நுட்பத்தின் வெற்றியை நிரூபிக்கின்றன. |
0faccce84266d2a8f0c4fa08c33b357b42cf17f2 | பல மொழி உருவாக்கும் பணிகளுக்கு கட்டமைக்கப்பட்ட மற்றும் கட்டமைக்கப்படாத உள்ளீடுகள் இரண்டிலும் நிபந்தனை விதித்த உரையின் உற்பத்தி தேவைப்படுகிறது. ஒரு புதிய நரம்பியல் வலையமைப்பு கட்டமைப்பை நாங்கள் முன்வைக்கிறோம், இது ஒரு வெளிச்செல்லும் வரிசையை உருவாக்குகிறது, இது ஒரு தன்னிச்சையான எண்ணிக்கையிலான உள்ளீட்டு செயல்பாடுகளை நிபந்தனை செய்கிறது. முக்கியமாக, எங்கள் அணுகுமுறை நிபந்தனை சூழல் மற்றும் உருவாக்கம், எடுத்துக்காட்டாக எழுத்துக்கள் அல்லது டோக்கன்களின் துல்லியத்தன்மை ஆகிய இரண்டையும் புறக்கணிக்க அனுமதிக்கிறது, இதனால் அளவிடக்கூடிய மற்றும் பயனுள்ள பயிற்சிக்கு அனுமதிக்கிறது. இந்த கட்டமைப்பைப் பயன்படுத்தி, இயற்கை மொழி மற்றும் கட்டமைக்கப்பட்ட விவரக்குறிப்பு ஆகியவற்றின் கலவையிலிருந்து நிரலாக்கக் குறியீட்டை உருவாக்குவதற்கான சிக்கலை நாங்கள் தீர்க்கிறோம். இந்த மாதிரியை இரண்டு புதிய தரவுத் தொகுப்புகளை உருவாக்குகிறோம், அவை Magic the Gathering மற்றும் Hearthstone ஆகியவற்றை அடிப்படையாகக் கொண்டவை. இவற்றில், மற்றும் மூன்றாவது முன்னரே இருக்கும் தொகுப்பில், பல கணிப்புகளை ஓரங்கட்டினால், நமது மாதிரி வலுவான தரங்களை விட சிறப்பாக செயல்பட அனுமதிக்கிறது என்பதை நிரூபிக்கிறோம். |
ac569822882547080d3dc51fed10c746946a6cfd | |
e70ea58d023df2c31325a9b409ee4493e38b6768 | |
3895912b187adee599b1ea662da92865dd0b197d | நோக்கம்: சுகாதாரத்தில் பெரிய தரவு பகுப்பாய்வுகளின் வாக்குறுதி மற்றும் திறனை விவரித்தல். இந்த ஆய்வறிக்கை சுகாதாரத்தில் பெரிய தரவு பகுப்பாய்வுகளின் வளர்ந்து வரும் துறையை விவரிக்கிறது, நன்மைகளைப் பற்றி விவாதிக்கிறது, ஒரு கட்டடக்கலை கட்டமைப்பையும் முறைகளையும் கோடிட்டுக் காட்டுகிறது, இலக்கியத்தில் தெரிவிக்கப்பட்ட எடுத்துக்காட்டுகளை விவரிக்கிறது, சவால்களை சுருக்கமாக விவாதிக்கிறது மற்றும் முடிவுகளை வழங்குகிறது. முடிவுகள் இந்த ஆவணம் சுகாதார ஆராய்ச்சியாளர்கள் மற்றும் பயிற்சியாளர்களுக்கான பெரிய தரவு பகுப்பாய்வு பற்றிய விரிவான கண்ணோட்டத்தை வழங்குகிறது. முடிவில், சுகாதாரத்தில் பெரிய தரவு பகுப்பாய்வு என்பது மிகப்பெரிய தரவுத் தொகுப்புகளிலிருந்து நுண்ணறிவை வழங்குவதற்கும் செலவுகளைக் குறைப்பதன் மூலம் முடிவுகளை மேம்படுத்துவதற்கும் ஒரு நம்பிக்கைக்குரிய துறையாக உருவாகி வருகிறது. இதன் திறன் மிகப்பெரியது; எனினும், கடக்க வேண்டிய சவால்கள் உள்ளன. |
73a19026fb8a6ef5bf238ff472f31100c33753d0 | இந்த ஆய்வில், சங்க விதி சுரங்கம் பற்றிய அடிப்படை கருத்துக்களின் ஆரம்பங்களை நாங்கள் வழங்குகிறோம் மற்றும் தற்போதுள்ள சங்க விதி சுரங்க நுட்பங்களின் பட்டியலை ஆய்வு செய்கிறோம். நிச்சயமாக, ஒரு கட்டுரை அனைத்து வழிமுறைகளின் முழுமையான ஆய்வு இருக்க முடியாது, ஆனால் மேற்கோள்கள் குறிப்பிடப்பட்ட முக்கிய கோட்பாட்டு பிரச்சினைகளை உள்ளடக்கும் என்று நம்புகிறோம், ஆராய்ச்சியாளரை இன்னும் ஆராயப்படாத சுவாரஸ்யமான ஆராய்ச்சி திசைகளில் வழிநடத்துகிறது. |
75e5ba7621935b57b2be7bf4a10cad66a9c445b9 | நாம் ஒரு அளவுரு இல்லாத முக அங்கீகார வழிமுறையை உருவாக்குகிறோம் இது ஒளி, வெளிப்பாடு, மூடல், மற்றும் வயது ஆகியவற்றில் பெரிய மாறுபாடுகளுக்கு உணர்திறன் இல்லாதது ஒரு பாடத்திற்கு ஒரு கேலரி மாதிரி பயன்படுத்தி. சமதூர முன்மாதிரிகள் உட்பொதித்தல் என்பது வகுப்புகளுக்கு இடையில் குறைந்தபட்ச ஒரு-எதிராக-மீதமுள்ள விளிம்பை அதிகரிக்கும் ஒரு உகந்த உட்பொதிப்பு ஆகும் என்ற அவதானிப்பை நாம் பயன்படுத்திக் கொள்கிறோம். பயிற்சி தரவுகளின் உலகளாவிய அல்லது உள்ளூர் கட்டமைப்பைப் பாதுகாப்பதை விட, நேரியல் பின்னடைவு பகுப்பாய்வு (LRA) எனப்படும் எங்கள் முறை, பயிற்சி தரவுகளின் உண்மையான கட்டமைப்பைப் பொருட்படுத்தாமல், சமமாக தொலைவில் உள்ள இடங்களுக்கு கேலரி மாதிரிகளை வரைபடமாக்குவதற்கு குறைந்த சதுர பின்னடைவு நுட்பத்தைப் பயன்படுத்துகிறது. மேலும், ஒரு புதிய பொதுவான கற்றல் முறை, பொதுவான முகங்களின் வகுப்புக்குள் முக வேறுபாடுகளை பூஜ்ஜிய திசையன்களுக்கு வரைபடமாக்குகிறது, இது LRA இன் பொதுமைப்படுத்தல் திறனை மேம்படுத்த இணைக்கப்பட்டுள்ளது. இந்த புதிய முறையைப் பயன்படுத்தி, ஒரு சில பொது வகுப்புகளை மட்டுமே அடிப்படையாகக் கொண்ட கற்றல், பொதுவான தரவு வேறு தரவுத்தளத்திலிருந்து மற்றும் கேமரா அமைப்பிலிருந்து சேகரிக்கப்பட்டாலும் கூட, முக அங்கீகார செயல்திறனை பெரிதும் மேம்படுத்த முடியும். கிரெவில் வழிமுறையின் அடிப்படையில் படிப்படியான கற்றல், புதிதாக வரும் கேலரி வகுப்புகள், பயிற்சி மாதிரிகள் அல்லது பொதுவான மாறுபாடுகளிலிருந்து வரைபட மேட்ரிக்ஸை திறம்பட புதுப்பிக்கிறது. இது மிகவும் எளிமையானது மற்றும் அளவுரு இல்லாதது என்றாலும், LRA, பொதுவாகப் பயன்படுத்தப்படும் உள்ளூர் விவரிப்பாளர்களுடன் இணைந்து, கபோர் பிரதிநிதித்துவம் மற்றும் உள்ளூர் பைனரி வடிவங்கள் போன்றவை, விரிவாக்கப்பட்ட யேல் பி, சிஎம்யு பிஐஇ, ஏஆர் மற்றும் சந்தேக எழுத்தாளர் ஆகியவற்றில் பல நிலையான பரிசோதனைகளுக்கான அதிநவீன முறைகளை விட சிறப்பாக செயல்படுகிறது. தொலைபேசி: +86 10 62283059 தொலைநகல்: +86 10 62285019 மின்னஞ்சல் முகவரி: [email protected] (Weihong Deng) முன்னுரையை Elsevier க்கு அனுப்பிவைக்கப்பட்டது மார்ச் 28, 2014 |
b1cfe7f8b8557b03fa38036030f09b448d925041 | - இந்த ஆவணம் மனித காட்சி அமைப்பின் ஆரம்ப கட்டங்களில் காட்சி தகவல் செயலாக்கத்திற்கான பல சேனல் வடிகட்டுதல் கோட்பாட்டால் ஈர்க்கப்பட்ட ஒரு அமைப்பு பிரிவு வழிமுறையை முன்வைக்கிறது. சேனல்கள் காபோர் வடிகட்டிகளின் வங்கியால் வகைப்படுத்தப்படுகின்றன, இது கிட்டத்தட்ட ஒரே மாதிரியாக இட-அதிர்வெண் களத்தை உள்ளடக்கியது, மேலும் வடிகட்டப்பட்ட படங்களிலிருந்து உள்ளீட்டு படத்தின் புனரமைப்பு அடிப்படையிலான ஒரு முறையான வடிகட்டி தேர்வு திட்டம் முன்மொழியப்பட்டுள்ளது. ஒவ்வொரு (தேர்ந்தெடுக்கப்பட்ட) வடிகட்டப்பட்ட படத்தையும் நேரியல் அல்லாத மாற்றத்திற்கு உட்படுத்துவதன் மூலமும், ஒவ்வொரு பிக்சலையும் சுற்றியுள்ள ஒரு சாளரத்தில் "ஆற்றல்" அளவைக் கணக்கிடுவதன் மூலமும் அமைப்பு அம்சங்கள் பெறப்படுகின்றன. ஒரு சதுர-பிழை கிளஸ்டரிங் வழிமுறை பின்னர் அம்சம் படங்களை ஒருங்கிணைக்க மற்றும் ஒரு பிரிவு உருவாக்க பயன்படுத்தப்படுகிறது. குளஸ்டரிங் செயல்பாட்டில் இடவியல் தகவல்களை இணைப்பதற்கான எளிய நடைமுறை முன்மொழியப்பட்டுள்ளது. ஒரு சார்பு குறியீடானது, உண்மையான அமைப்பு வகைகளின் எண்ணிக்கையை மதிப்பிடுவதற்குப் பயன்படுத்தப்படுகிறது. அமைப்பு பிரிவு பல சேனல் வடிகட்டுதல் குளஸ்டரிங் குளஸ்டரிங் குறியீட்டு கேபர் வடிகட்டிகள் அலை மாற்றம் I. பல பட பகுப்பாய்வு அல்லது கணினி பார்வை பயன்பாடுகளில் பட பிரிவு என்பது ஒரு கடினமான ஆனால் மிக முக்கியமான பணியாகும். சிறிய சுற்றுப்புறங்களில் சராசரி சாம்பல் மட்டத்தில் அல்லது நிறத்தில் உள்ள வேறுபாடுகள் மட்டும் பட பிரிப்புக்கு எப்போதும் போதுமானதாக இல்லை. மாறாக, அண்டை பிக்சல்களின் சாம்பல் மதிப்புகளின் இட ஒழுங்கமைப்பில் உள்ள வேறுபாடுகளை ஒருவர் நம்ப வேண்டும் - அதாவது, அமைப்புகளில் உள்ள வேறுபாடுகள். ஒரு படத்தை உரை குறிப்புகளின் அடிப்படையில் பிரிக்கும் சிக்கல், உரை பிரிவு சிக்கல் என்று குறிப்பிடப்படுகிறது. ஒரு குறிப்பிட்ட படத்தில் "ஒரே மாதிரியான" அமைப்புகளைக் கொண்ட பகுதிகளை அடையாளம் காண்பது அமைப்பு பிரிவு ஆகும். ஒரு குறிப்பிட்ட பிராந்தியத்தில் ஒரே மாதிரியான அமைப்பு உள்ளதா என்பதை தீர்மானிக்க பொருத்தமான அமைப்பு அளவீடுகள் தேவை. Sklansky (o) பின்வரும் அமைப்பு வரையறையை பரிந்துரைத்துள்ளார், இது பிரிவு சூழலில் பொருத்தமானதுஃ "ஒரு படத்தில் உள்ள ஒரு பகுதி நிலையான அமைப்பு கொண்டது, ஒரு தொகுப்பு உள்ளூர் புள்ளிவிவரங்கள் அல்லது படத்தின் பிற உள்ளூர் பண்புகள் நிலையானவை, மெதுவாக மாறுபடும் அல்லது தோராயமாக காலப்போக்கில் இருக்கும்". எனவே, உள்ளூர் மற்றும் உலகளாவிய அர்த்தங்களைக் கொண்டிருக்கும் - இது ஒரு படப் பகுதியில் சில உள்ளூர் நடவடிக்கைகள் அல்லது பண்புகளின் மாறிலிகளால் வகைப்படுத்தப்படுகிறது. இயற்கை மற்றும் செயற்கை அமைப்புகளின் பன்முகத்தன்மை, அமைப்புகளின் உலகளாவிய வரையறையை வழங்குவதை சாத்தியமற்றதாக ஆக்குகிறது. கடந்த இரு தசாப்தங்களில் பட அமைப்புகளை பகுப்பாய்வு செய்வதற்கான ஏராளமான நுட்பங்கள் முன்மொழியப்பட்டுள்ளன/2,3) இந்த ஆய்வில், அமைப்பு பகுப்பாய்வின் ஒரு குறிப்பிட்ட அணுகுமுறையில் கவனம் செலுத்துகிறோம். இது ° இந்த பணி தேசிய அறிவியல் அறக்கட்டளை உள்கட்டமைப்பு மானியத்தால் CDA-8806599 மற்றும் E. I. டு பாண்ட் டி நெமோர்ஸ் & கம்பெனி இன்க் நிறுவனம் பல சேனல் வடிகட்டுதல் அணுகுமுறையை அறிமுகப்படுத்தியது. இந்த அணுகுமுறை மனித காட்சி அமைப்பின் ஆரம்ப கட்டங்களில் காட்சி தகவல்களை செயலாக்குவதற்கான பல சேனல் வடிகட்டுதல் கோட்பாட்டால் ஈர்க்கப்பட்டுள்ளது. கம்பல் மற்றும் ராப்சன் (4) முதன்முதலில் முன்மொழிந்த இந்த கோட்பாடு, பார்வை அமைப்பு ரெட்டினல் படத்தை பல வடிகட்டப்பட்ட படங்களாக உடைக்கிறது, ஒவ்வொன்றும் ஒரு குறுகிய அளவிலான அதிர்வெண் (அளவு) மற்றும் நோக்குநிலைக்கு மேல் தீவிர மாறுபாடுகளைக் கொண்டுள்ளன. இதுபோன்ற சிதைவுகளை பரிந்துரைத்த மனோதத்துவ பரிசோதனைகள் பல்வேறு கிரேட்டிங் வடிவங்களை தூண்டுதல்களாகப் பயன்படுத்தின, மேலும் அவை தழுவல் நுட்பங்களை அடிப்படையாகக் கொண்டவை. பின்னர் நடந்த உளவியல் உடலியல் பரிசோதனைகள் இந்த கோட்பாட்டை ஆதரிக்கும் கூடுதல் ஆதாரங்களை வழங்கின. டி வாலோயிஸ் மற்றும் பலர். உதாரணமாக, மாக்கக் குரங்கின் பார்வை மண்டலத்தில் உள்ள எளிய செல்களின் எதிர்வினை வெவ்வேறு அதிர்வெண்கள் மற்றும் திசைகளுடன் சைனஸ் வடிவ கட்டங்களுக்கு பதிலளித்தது. ஒவ்வொரு செல்களும் ஒரு குறுகிய அளவிலான அதிர்வெண் மற்றும் நோக்குநிலைக்கு மட்டுமே பதிலளிப்பதாகக் காணப்பட்டது. எனவே, பாலூட்டிகளின் காட்சி மண்டலத்தில், ஒரு குறுகிய வரம்பில் அதிர்வெண் மற்றும் நோக்குநிலை ஆகியவற்றின் கலவையுடன் ஒத்திசைக்கப்பட்ட வழிமுறைகள் உள்ளன. இந்த வழிமுறைகள் பெரும்பாலும் சேனல்கள் என குறிப்பிடப்படுகின்றன, மேலும் அவை பொருத்தமான வகையில் அலைவரிசை-பாஸ் வடிப்பான்கள் என விளக்கப்படுகின்றன. பல சேனல் வடிகட்டுதல் அணுகுமுறை அமைப்பு பகுப்பாய்வுக்கு உள்ளுணர்வு முறையில் கவர்ச்சிகரமானதாக உள்ளது, ஏனெனில் இது வெவ்வேறு அமைப்புகளின் ஆதிக்கம் செலுத்தும் அளவுகள் மற்றும் திசைகளில் உள்ள வேறுபாடுகளை பயன்படுத்த அனுமதிக்கிறது. இன்று, அமைப்பு பகுப்பாய்வில் பல தீர்மான அணுகுமுறை தேவை நன்கு அங்கீகரிக்கப்பட்டுள்ளது. இந்த மாதிரியை ஏற்றுக்கொள்ள மற்ற அணுகுமுறைகளை விரிவுபடுத்த வேண்டியிருந்தது, பல சேனல் வடிகட்டுதல் அணுகுமுறை, இயல்பாகவே பல தீர்மானம் கொண்டது. மற்றொரு முக்கியமான |
5757dd57950f6b3c4d90a342a170061c8c535536 | இந்த ஆவணம் ஸ்டீரியோ பார்வைக்கான பொருந்தும் செலவை கணக்கிடுவதற்கான சிக்கலுக்கு ஒரு புதிய அணுகுமுறையை முன்வைக்கிறது. இந்த அணுகுமுறை ஒரு கன்வோல்ஷனல் நியூரல் நெட்வொர்க்கை அடிப்படையாகக் கொண்டது, இது ஸ்டீரியோ பட ஜோடிகளிலிருந்து உள்ளீட்டு பேட்ச்களின் ஒற்றுமையைக் கணக்கிடப் பயன்படுகிறது. அதிநவீன ஸ்டீரியோ பைப்லைன் படிகளுடன் இணைந்து, இந்த முறை முக்கிய ஸ்டீரியோ தரநிலைகளில் சிறந்த முடிவுகளை அடைகிறது. இந்த ஆய்வறிக்கை ஸ்டீரியோ பொருத்தத்தின் சிக்கலை அறிமுகப்படுத்துகிறது, முன்மொழியப்பட்ட முறையைப் பற்றி விவாதிக்கிறது மற்றும் சமீபத்திய ஸ்டீரியோ தரவுத் தொகுப்புகளிலிருந்து முடிவுகளைக் காட்டுகிறது. |
4b65024cd376067156a5ac967899a7748fa31f6f | எல்லையற்ற, ஒழுங்கற்ற, உலகளாவிய அளவிலான தரவுத்தொகுப்புகள் அன்றாட வணிகத்தில் (எ. கா. இணைய பதிவுகள், மொபைல் பயன்பாட்டு புள்ளிவிவரங்கள், மற்றும் சென்சார் நெட்வொர்க்குகள்). அதே நேரத்தில், இந்த தரவுத் தொகுப்புகளின் நுகர்வோர், நிகழ்வு-நேர வரிசைப்படுத்தல் மற்றும் தரவுகளின் அம்சங்களால் சாளரங்கள் போன்ற அதிநவீன தேவைகளை உருவாக்கியுள்ளனர், விரைவான பதில்களுக்கான தீராத பசியுடன் கூடுதலாக. இதற்கிடையில், நடைமுறை இந்த வகை உள்ளீடுகளுக்கு துல்லியம், தாமதம் மற்றும் செலவு ஆகிய அனைத்து பரிமாணங்களிலும் ஒருபோதும் முழுமையாக மேம்படுத்த முடியாது என்று கட்டளையிடுகிறது. இதன் விளைவாக, தரவு செயலாக்க பயிற்சியாளர்கள் இந்த வெளிப்படையான போட்டியிடும் முன்மொழிவுகளுக்கு இடையிலான பதட்டங்களை எவ்வாறு சமரசம் செய்வது என்ற சிக்கலுடன் இருக்கிறார்கள், இது பெரும்பாலும் வேறுபட்ட நடைமுறைகள் மற்றும் அமைப்புகளில் விளைகிறது. நவீன தரவு செயலாக்கத்தில் இந்த வளர்ந்த தேவைகளை சமாளிக்க அணுகுமுறையில் ஒரு அடிப்படை மாற்றம் தேவை என்று நாங்கள் முன்மொழிகிறோம். நாம் ஒரு துறையாக வரம்பற்ற தரவுத் தொகுப்புகளை முடிவற்ற தகவல்களின் குளங்களாக மாற்றுவதை நிறுத்த வேண்டும், அது இறுதியில் முழுமையடையும், அதற்கு பதிலாக நாம் ஒருபோதும் தெரியாது என்ற அனுமானத்தின் கீழ் வாழவும் சுவாசிக்கவும் நம் எல்லா தரவையும் பார்த்தோம், புதிய தரவு வரும், பழைய தரவு திரும்பப் பெறப்படலாம், இந்த சிக்கலை கையாளக்கூடிய ஒரே வழி கொள்கை அடிப்படையிலான சுருக்கங்கள் மூலம், இது பயிற்சியாளருக்கு பொருத்தமான தேர்வுகளை தேர்வு செய்ய அனுமதிக்கிறது ஆர்வத்தின் அச்சுகள் முழுவதும்ஃ துல்லியம், தாமதம், மற்றும் செலவு. இந்த ஆய்வில், இதுபோன்ற ஒரு அணுகுமுறையை, தரவு ஓட்ட மாதிரி, இது செயல்படுத்தும் சொற்பொருளின் விரிவான ஆய்வோடு, அதன் வடிவமைப்பை வழிநடத்திய முக்கிய கொள்கைகளின் கண்ணோட்டத்தையும், அதன் வளர்ச்சிக்கு வழிவகுத்த உண்மையான உலக அனுபவங்கள் மூலம் மாதிரியின் சரிபார்ப்பையும் வழங்குகிறோம். Google Cloud Dataflow இன் செயலாக்க மாதிரியை விவரிப்பதற்கு Dataflow Model என்ற வார்த்தையைப் பயன்படுத்துகிறோம் [20], இது FlumeJava [12] மற்றும் MillWheel [2] ஆகியவற்றின் தொழில்நுட்பத்தை அடிப்படையாகக் கொண்டது. இந்த படைப்பு கிரியேட்டிவ் காமன்ஸ் பண்புக்கூறு-வணிகரீதியற்ற-பழக்கற்ற 3.0 அனுமதிக்கப்படாத உரிமத்தின் கீழ் உரிமம் பெற்றது. இந்த உரிமத்தின் நகலைப் பார்க்க, http://creativecommons.org/licenses/by-nc-nd/3.0/ ஐப் பார்வையிடவும். உரிமத்தில் குறிப்பிடப்பட்டுள்ளவற்றைத் தவிர வேறு எந்தப் பயன்பாட்டிற்கும் முன் அனுமதி பெறுங்கள். [email protected] என்ற மின்னஞ்சல் முகவரிக்கு பதிப்புரிமை உரிமையாளரை தொடர்பு கொள்ளவும். இந்த தொகுதியிலிருந்து வரும் கட்டுரைகள், ஆகஸ்ட் 31 முதல் செப்டம்பர் 4, 2015 வரை, ஹவாய், கோஹலா கடற்கரையில் நடைபெற்ற மிகப் பெரிய தரவுத்தளங்களின் 41 வது சர்வதேச மாநாட்டில் தங்கள் முடிவுகளை முன்வைக்க அழைக்கப்பட்டன. வி.எல்.டி.பி. அறக்கட்டளையின் செயல்பாடுகள், தொகுதி. 8, இல்லை. 12 பதிப்புரிமை 2015 VLDB Endowment 2150-8097/15/08. |
40c3b350008ada8f3f53a758e69992b6db8a8f95 | கடந்த சில ஆண்டுகளில் HOG அம்சங்களை விட நேரியல் SVM களைப் பயன்படுத்துவதில் பொருள் கண்டறிதல் இணைந்துள்ளது. ஆனால் நேரியல் SVM களை பயிற்றுவிப்பது மிகவும் விலை உயர்ந்தது, மேலும் வகைகளின் எண்ணிக்கை அதிகரிக்கும் போது அது கடினமாகிவிடும். இந்த நூலில் நாம் மிகவும் பழமையான ஒரு நுட்பத்தை மீண்டும் ஆராய்வோம். நேரியல் பாகுபாடு பகுப்பாய்வு, மற்றும் LDA மாதிரிகள் கிட்டத்தட்ட அற்பமான பயிற்சி பெற முடியும் என்று காட்ட, மற்றும் செயல்திறன் சிறிய அல்லது எந்த இழப்பு. நாம் மதிப்பிடும் கூட்டுச்சேர்க்கை அடுக்குகள் இயற்கை படங்களின் பண்புகளை கைப்பற்றுகின்றன. இந்த கூட்டுத்திறன்களுடன் HOG அம்சங்களை வெண்மையாக்குவது HOG அம்சங்களுக்கிடையில் இயற்கையாக நிகழும் தொடர்புகளை நீக்குகிறது. இந்த வெண்மைப்படுத்தப்பட்ட அம்சங்கள் (WHO என்று அழைக்கப்படுகின்றன) ஒற்றுமைகளை கணக்கிட அசல் HOG அம்சங்களை விட கணிசமாக சிறந்தது என்பதை நாங்கள் காட்டுகிறோம், மேலும் கிளஸ்டரிங்கில் அவற்றின் பயனை நிரூபிக்கிறோம். இறுதியாக, நாம் நமது கண்டுபிடிப்புகள் பயன்படுத்தி ஒரு பொருள் கண்டறிதல் அமைப்பு உருவாக்க PASCAL VOC 2007 போட்டியிடும் போது கணிசமாக எளிதாக பயிற்சி மற்றும் சோதனை. |
28e0c6088cf444e8694e511148a8f19d9feaeb44 | இந்த ஆய்வறிக்கை CubeSats க்கான சுய-விரிவுபடுத்தும் சுழல்பட்ட பான்டோகிராஃப் ஆண்டெனாவின் நடத்தையை ஆராய்கிறது. செயற்கைக்கோள் பஸ்ஸில் இணைப்பதற்கான கருத்துக்களுடன் ஹெலிகல் பான்டோகிராஃப் கருத்து விவரிக்கப்பட்டுள்ளது. எட்டு ஹெலிகேஸ்கள் கொண்ட ஒரு பான்டோகிராஃப் ஒரு முடிவான உறுப்பு மடிப்பு உருவகப்படுத்துதல்கள் வழங்கப்படுகின்றன மற்றும் ஒரு முன்மாதிரி ஆண்டெனாவில் செய்யப்பட்ட ஒடுக்கம் படை சோதனைகள் ஒப்பிடப்படுகின்றன. பிரதிபலிப்பு குணக சோதனைகளும் முன்மாதிரி ஆண்டெனாவின் இயக்க அதிர்வெண் வரம்பை நிரூபிக்கிறது. தற்போதைய சிறிய செயற்கைக்கோள் ஆண்டெனா தீர்வுகளுக்கு ஹெலிகல் பான்டோகிராஃப் ஒரு நம்பிக்கைக்குரிய மாற்றாக நிரூபிக்கப்பட்டுள்ளது. |
1aad2da473888cb7ebc1bfaa15bfa0f1502ce005 | இந்த ஆவணம் முதல் நபர் பார்வையில் இருந்து தொடர்பு மட்ட மனித நடவடிக்கைகளை அங்கீகரிக்கும் பிரச்சினையை விவாதிக்கிறது. தொடர்ச்சியான வீடியோ உள்ளீடுகளிலிருந்து மற்றவர்கள் என்ன செயலைச் செய்கிறார்கள் என்பதை ஒரு பார்வையாளர் (எ. கா. , ஒரு ரோபோ அல்லது அணியக்கூடிய கேமரா) புரிந்துகொள்ள உதவுவதே இதன் நோக்கம். இவை பார்வையாளரைக் கட்டிப்பிடிக்கும் நபர் போன்ற நட்பு தொடர்புகளையும், பார்வையாளரை குத்துவது அல்லது பார்வையாளருக்கு பொருட்களை வீசுவது போன்ற விரோத தொடர்புகளையும் உள்ளடக்கியது, இதன் வீடியோக்களில் உடல் தொடர்புகளால் ஏற்படும் அதிக அளவு கேமரா ஈகோ-இயக்கம் அடங்கும். உலகளாவிய மற்றும் உள்ளூர் இயக்கத் தகவல்களை ஒருங்கிணைக்க பல சேனல் கருவிகளை ஆய்வில் ஆராய்ந்து, முதல் நபர் செயல்பாட்டு வீடியோக்களில் காண்பிக்கப்படும் கால கட்டமைப்புகளை வெளிப்படையாகக் கருத்தில் கொள்ளும் ஒரு புதிய செயல்பாட்டு கற்றல் / அங்கீகார முறையை முன்வைக்கிறது. எங்கள் பரிசோதனைகளில், பிரிவு வீடியோக்களுடன் வகைப்படுத்தல் முடிவுகளை காண்பிப்பது மட்டுமல்லாமல், எங்கள் புதிய அணுகுமுறை தொடர்ச்சியான வீடியோக்களிலிருந்து செயல்களை நம்பகத்தன்மையுடன் கண்டறிய முடியும் என்பதையும் உறுதிப்படுத்துகிறது. |
97876c2195ad9c7a4be010d5cb4ba6af3547421c | |
259c25242db4a0dc1e1b5e61fd059f8949bdb79d | பகிரப்பட்ட நினைவகத்தைப் பயன்படுத்தி பல செயலி மையங்களைக் கொண்ட கணினிகள் இப்போது எங்கும் உள்ளன. இந்த ஆய்வில், கூடுதல் கணினி திறனை பயன்படுத்தி, இந்த சூழலை குறிவைத்து பல இணையான வடிவியல் வழிமுறைகளை முன்வைக்கிறோம். நாம் விவரிக்கும் d- பரிமாண வழிமுறைகள் (a) புள்ளிகளின் இடஞ்சார்ந்த வரிசைப்படுத்தல், இது வழக்கமாக அதிகரிப்பு வழிமுறைகளைப் பயன்படுத்துவதற்கு முன் முன் செயலாக்கத்திற்குப் பயன்படுத்தப்படுகிறது, (b) kd-மர கட்டுமானம், (c) அச்சு-சமப்படுத்தப்பட்ட பெட்டி வெட்டுவெட்டு கணக்கீடு, மற்றும் இறுதியாக (d) மெஷ் தலைமுறை வழிமுறைகளுக்கான டெலோனே முக்கோணங்களில் புள்ளிகளை மொத்தமாக செருகுதல் அல்லது வெறுமனே டெலோனே முக்கோணங்களை கணக்கிடுதல். இந்த வழிமுறைகளுக்கான பரிசோதனை முடிவுகளை 3D இல் காண்பிக்கிறோம், கணக்கீட்டு வடிவியல் வழிமுறைகள் நூலகம் (CGAL, http://www.cgal.org/) அடிப்படையிலான எங்கள் நடைமுறைகளைப் பயன்படுத்துகிறோம். இந்த வேலை CGAL க்கு ஒரு இணையான முறையாக மாறும் என்று நாங்கள் நம்புகிறோம், அங்கு வழிமுறைகள் தானாகவே கிடைக்கக்கூடிய இணையான வளங்களை குறிப்பிடத்தக்க பயனர் தலையீடு தேவையில்லாமல் பயன்படுத்துகின்றன. |
ac4a2337afdf63e9b3480ce9025736d71f8cec1a | முற்போக்கான பார்கின்சன் நோயால் பாதிக்கப்பட்ட நோயாளிகளில் சுமார் 50% பேருக்கு நடைபயிற்சி முடக்கம் (FOG) ஏற்படுகிறது. இது அடிக்கடி வீழ்ச்சிகளை ஏற்படுத்துகிறது, அன்றாட நடவடிக்கைகளில் தலையிடுகிறது மற்றும் வாழ்க்கைத் தரத்தை கணிசமாகக் குறைக்கிறது. PD நோயாளிகளில் நடை பற்றாக்குறைகள் பெரும்பாலும் மருந்து சிகிச்சைக்கு எதிர்ப்புத் தெரிவிப்பதால், பயனுள்ள மருந்து அல்லாத சிகிச்சைகள் சிறப்பு ஆர்வமாக உள்ளன. குறிக்கோள்கள் நமது ஆய்வின் நோக்கம், நடைமுறை தரவுகளை உண்மையான நேரத்தில் பெற்று, அவற்றை செயலாக்கி, முன் தீர்மானிக்கப்பட்ட விவரக்குறிப்புகளின் அடிப்படையில் உதவி வழங்கக்கூடிய அணியக்கூடிய சாதனத்தின் கருத்தை மதிப்பீடு செய்வதாகும். முறைகள் நாம் ஒரு நிகழ்நேர அணியக்கூடிய FOG கண்டறிதல் அமைப்பை உருவாக்கியுள்ளோம், இது FOG கண்டறியப்பட்டால் தானாகவே ஒரு குரல் ஒலியை வழங்குகிறது, மேலும் இது பொருள் மீண்டும் நடக்கும் வரை இருக்கும். பத்து நோயாளிகளுடன் ஒரு ஆய்வில் எங்கள் அணியக்கூடிய உதவி தொழில்நுட்பத்தை மதிப்பீடு செய்தோம். எட்டு மணி நேரத்திற்கும் மேலாக தரவு பதிவு செய்யப்பட்டு ஒவ்வொரு நோயாளியும் ஒரு கேள்வித்தாளை நிரப்பினர். முடிவுகள் புதிதாக வீடியோ பகுப்பாய்வில் 237 FOG நிகழ்வுகள் தொழில்முறை உடற்கூறியல் சிகிச்சையாளர்களால் அடையாளம் காணப்பட்டுள்ளன. இந்த சாதனம் FOG நிகழ்வுகளை ஆன்லைனில் 73.1% உணர்திறன் மற்றும் 81.6% குறிப்பிட்ட தன்மையுடன் 0.5 வினாடிகள் பிரேம் அடிப்படையிலான மதிப்பீட்டில் கண்டறிந்தது. இந்த ஆய்வின் மூலம், பி. டி நோயாளிகளுக்கு ஆன்லைன் உதவித் தகவல் வழங்க முடியும் என்பதைக் காட்டுகிறோம். அணியக்கூடிய உதவியாளரின் அணியக்கூடிய தன்மை மற்றும் செயல்திறன் பற்றிய நோயாளிகளின் மற்றும் உடலியல் சிகிச்சையாளர்களின் கண்ணோட்டங்களையும், உதவியாளரைப் பயன்படுத்தும் போது அவர்களின் நடை செயல்திறனையும் நாங்கள் முன்வைத்து விவாதிக்கிறோம், மேலும் அடுத்த ஆராய்ச்சி படிகளை சுட்டிக்காட்டுகிறோம். நமது முடிவுகள் இத்தகைய சூழல்-அறிவு முறைமையின் நன்மையை நிரூபித்து மேலும் ஆய்வுகளை ஊக்குவிக்கின்றன. |
2a68c39e3586f87da501bc2a5ae6138469f50613 | மேற்பார்வையிடப்பட்ட கற்றலில் ஒரு பெரிய ஆராய்ச்சி ஒற்றை லேபிள் தரவுகளின் பகுப்பாய்வைக் கையாளுகிறது, அங்கு பயிற்சி எடுத்துக்காட்டுகள் ஒற்றை லேபிளுடன் தொடர்புடையவை λ பிரிக்கப்பட்ட லேபிள்களின் தொகுப்பிலிருந்து L. இருப்பினும், பல பயன்பாட்டு களங்களில் பயிற்சி எடுத்துக்காட்டுகள் பெரும்பாலும் லேபிள்களின் தொகுப்புடன் தொடர்புடையவை Y L. இத்தகைய தரவுகளை பல லேபிள் என்று அழைக்கப்படுகிறது. ஆவணங்கள் மற்றும் இணையப் பக்கங்கள் போன்ற உரைத் தரவுகள், பெரும்பாலும் ஒன்றுக்கு மேற்பட்ட லேபிள்களுடன் குறிக்கப்படுகின்றன. உதாரணமாக, "தா வின்சி கோட்" திரைப்படம் வெளியானதற்கு கிறிஸ்தவ தேவாலயத்தின் எதிர்வினைகள் தொடர்பான ஒரு செய்திக் கட்டுரை, மதமும் சினிமாவும் என்று பெயரிடப்படலாம். உரை தரவுகளின் வகைப்படுத்தல் ஒருவேளை ஆதிக்கம் செலுத்தும் பல லேபிள் பயன்பாடு ஆகும். சமீபத்தில், பல லேபிள் தரவுகளிலிருந்து கற்றல் பிரச்சினை பல ஆராய்ச்சியாளர்களிடமிருந்து கணிசமான கவனத்தை ஈர்த்துள்ளது, இது அதிகரித்து வரும் புதிய பயன்பாடுகளால் உந்துதல் அளிக்கப்படுகிறது, அதாவது படங்களின் சொற்பொருள் குறிப்பு [1, 2, 3] மற்றும் வீடியோ [4, 5], செயல்பாட்டு மரபணுவியல் [6, 7, 8, 9, 10], உணர்ச்சிகளாக இசை வகைப்படுத்தல் [11, 12, 13, 14] மற்றும் இயக்கிய சந்தைப்படுத்தல் [15]. அட்டவணை 1 இலக்கியத்தில் விவாதிக்கப்பட்ட பல்வேறு பயன்பாடுகளை முன்வைக்கிறது. இந்த அத்தியாயம், பல லேபிள்கள் கொண்ட தரவு சுரங்கத்தின் விரைவாக வளர்ந்து வரும் ஆராய்ச்சி பகுதியில் கடந்த கால மற்றும் சமீபத்திய பணிகளை மதிப்பாய்வு செய்கிறது. பிரிவு 2 பல லேபிள்கள் தரவு இருந்து கற்றல் இரண்டு முக்கிய பணிகளை வரையறுக்கிறது மற்றும் கற்றல் முறைகள் ஒரு குறிப்பிடத்தக்க எண்ணிக்கையிலான வழங்குகிறது. பிரிவு 3 பல லேபிள்கள் தரவு பரிமாணத்தை குறைப்பு முறைகள் விவாதிக்கிறது. பிரிவு 4 மற்றும் 5 இரண்டு முக்கியமான ஆராய்ச்சி சவால்களை விவாதிக்கின்றன, அவை வெற்றிகரமாக சந்தித்தால், பல லேபிள் கற்றல் முறைகளின் உண்மையான உலக பயன்பாடுகளை கணிசமாக விரிவுபடுத்த முடியும்ஃ a) லேபிள் கட்டமைப்பைப் பயன்படுத்துதல் மற்றும் b) பெரிய எண்ணிக்கையிலான லேபிள்களைக் கொண்ட களங்களுக்கு அளவிடுதல். பிரிவு 6 பல லேபிள்கள் தரவுத்தொகுப்புகள் மற்றும் அவற்றின் புள்ளிவிவரங்களை அறிமுகப்படுத்துகிறது, அதே நேரத்தில் பிரிவு 7 பல லேபிள்கள் கற்றல் மற்றும் கற்றல் மற்றும் கற்றல் மற்றும் கற்றல் மற்றும் கற்றல் மற்றும் கற்றல் மற்றும் கற்றல் மற்றும் கற்றல் ஆகியவற்றிற்கான மிகவும் அடிக்கடி பயன்படுத்தப்படும் மதிப்பீட்டு நடவடிக்கைகளை வழங்குகிறது. |
60686a80b91ce9518428e00dea95dfafadadd93c | இந்த தகவல் 2.4 GHz க்கு துருவமயமாக்கல் பன்முகத்தன்மையுடன் இரட்டை-தள மறுசீரமைக்கக்கூடிய சதுர பேட்ச் ஆண்டெனாவை முன்வைக்கிறது. பேட்சில் உள்ள நான்கு பி-ஐ-என் டையோட்களின் நிலைகளை கட்டுப்படுத்துவதன் மூலம், முன்மொழியப்பட்ட ஆண்டெனாவின் துருவமுனைப்பு நேரியல் துருவமுனைப்பு (எல்பி), இடது அல்லது வலதுபுற வட்ட துருவமுனைப்பு (சிபி) ஆகியவற்றுக்கு இடையில் ஒவ்வொரு துறைமுகத்திலும் மாற்றப்படலாம். பி-ஐ-என் டையோட்களின் பிளவு சுற்றை எளிமைப்படுத்த காற்று அடி மூலக்கூறு மற்றும் துளை இணைக்கப்பட்ட ஊட்ட அமைப்பு பயன்படுத்தப்படுகின்றன. உயர் தனிமைப்படுத்தல் மற்றும் குறைந்த குறுக்கு-துருவமுனைப்பு நிலை LP முறைகளில், இரு துறைமுகங்களும் துருவமுனைப்பு ரேடர்களுக்கான இரட்டை நேரியல் துருவமுனைப்பு ஆண்டெனாவாக ஒரே நேரத்தில் வேலை செய்ய முடியும். ஒவ்வொரு துறைமுகத்திலும் வெவ்வேறு CP அலைகள் பெறப்படுகின்றன, அவை இயக்கம், மோசமான வானிலை நிலைமைகள் மற்றும் பார்வைக்கு வெளியே உள்ள பயன்பாடுகள் போன்ற சவால்களை எதிர்கொள்ள ஏற்றவை. இந்த ஆண்டெனா எளிமையான சார்பு நெட்வொர்க், எளிதான உற்பத்தி மற்றும் சரிசெய்தல் ஆகியவற்றின் நன்மைகளைக் கொண்டுள்ளது, இது துருவமுனைப்பு பன்முகத்தன்மை பயன்பாடுகளில் பரவலாகப் பயன்படுத்தப்படலாம். |
0d11248c42d5a57bb28b00d64e21a32d31bcd760 | ஜூலை 19, 2001 அன்று, இணையத்துடன் இணைக்கப்பட்ட 359,000 கணினிகளில் குறியீடு-சிவப்பு (CRv2) புழு 14 மணி நேரத்திற்குள் பாதிக்கப்பட்டது. இந்த தொற்றுநோய்க்கான செலவு, அதன்பிறகு வந்த கோட்-ரெட் வகைகள் உட்பட, 2.6 பில்லியன் டாலர்களைத் தாண்டியதாக மதிப்பிடப்பட்டுள்ளது. இந்த தாக்குதலால் உலகளாவிய சேதம் ஏற்பட்ட போதிலும், புழுக்கள் பற்றிய உலகளாவிய தகவல்களை சேகரிப்பதற்கான சவாலால், புழுவின் பரவலை வகைப்படுத்த சில தீவிர முயற்சிகள் மேற்கொள்ளப்பட்டுள்ளன. குறுக்குவழி சிவப்பு பரவல் குறித்த தரவுகளை, உலகளாவிய முறையில் கண்டறிந்து, 45 நாட்களுக்குள், 2001 ஜூலை 2 முதல், இணையம் முழுவதும் குறுக்குவழி சிவப்பு பரவல் குறித்த தரவுகளை சேகரித்து, பகுப்பாய்வு செய்தோம். இந்த ஆய்வில், குறுக்குவழி சிவப்பு பரவுவதைக் கண்டறிய நாங்கள் பயன்படுத்தும் முறைமை குறித்து விவரிக்கிறோம், பின்னர் எங்கள் தடய பகுப்பாய்வுகளின் முடிவுகளை விவரிக்கிறோம். முதலில், சிவப்பு குறியீடு மற்றும் சிவப்பு குறியீடு II புழுக்களின் பரவல் விவரங்களை நோய்த்தொற்று மற்றும் செயலிழப்பு விகிதங்களின் அடிப்படையில் விரிவாகக் கூறுவோம். தொற்று பரவுவதற்கு உகந்ததாக இல்லாமல் கூட, குறியீடு-சிவப்பு தொற்று விகிதங்கள் நிமிடத்திற்கு 2,000 ஹோஸ்ட்களுக்கு மேல் உச்சத்தை எட்டின. பின்னர், புவியியல் இடம், வார மற்றும் பகல் நேர விளைவுகள், உயர்மட்ட களங்கள், மற்றும் இணையதள வழங்குநர்கள் உள்ளிட்ட தொற்றுநோயால் பாதிக்கப்பட்ட மக்கள் தொகையின் பண்புகளை நாங்கள் ஆய்வு செய்கிறோம். இந்த புழு சர்வதேச நிகழ்வு என்பதை நாங்கள் நிரூபிக்கிறோம், தொற்று செயல்பாடு நாள் நேர விளைவுகளை வெளிப்படுத்தியது, மேலும் பெரும்பாலான கவனம் பெரிய நிறுவனங்களில் கவனம் செலுத்தியிருந்தாலும், குறியீடு-சிவப்பு புழு முதன்மையாக வீட்டு மற்றும் சிறு வணிக பயனர்களை வேட்டையாடியது. மேலும், பாதிக்கப்பட்ட ஹோஸ்ட்களின் அளவீடுகளில் DHCP இன் விளைவுகளை நாங்கள் தகுதிபெற்றோம், மேலும் 24 மணி நேரத்திற்கு மேல் ஒரு புழு பரவுவதற்கான துல்லியமான அளவீடு ஐபி முகவரிகள் அல்ல என்பதை தீர்மானித்தோம். இறுதியாக, குறியீடு-சிவப்பு புழுவின் அனுபவம், இணைய ஹோஸ்ட்களில் பரவலான பாதிப்புகளை விரைவாகவும் வியத்தகு முறையிலும் பயன்படுத்த முடியும் என்பதையும், இணைய புழுக்களைத் தணிக்க ஹோஸ்ட் பேட்ச் செய்வதைத் தவிர வேறு நுட்பங்கள் தேவைப்படுவதையும் நிரூபிக்கிறது. |
0462a4fcd991f8d6f814337882da182c504d1d7b | கூகுள் புத்தகங்கள் Ngram Corpus இன் புதிய பதிப்பை நாங்கள் முன்வைக்கிறோம், இது ஐந்து நூற்றாண்டுகளில் எட்டு மொழிகளில் எத்தனை வார்த்தைகள் மற்றும் சொற்றொடர்கள் பயன்படுத்தப்பட்டன என்பதை விவரிக்கிறது; இது இதுவரை வெளியிடப்பட்ட அனைத்து புத்தகங்களிலும் 6% ஐ பிரதிபலிக்கிறது. இந்த புதிய பதிப்பில், சொற்களுக்கு அவற்றின் பேச்சுப் பகுதியுடன் குறிச்சொற்கள் கொடுக்கப்பட்டு, தலைமை மாற்றியமைப்பாளர் உறவுகள் பதிவு செய்யப்படுகின்றன. குறிப்பீடுகள் தானாகவே உருவாக்கப்பட்டன. அவை புள்ளியியல் மாதிரிகள் மூலம் உருவாக்கப்பட்டன. அவை குறிப்பாக வரலாற்று உரைக்கு ஏற்றவாறு வடிவமைக்கப்பட்டுள்ளன. இந்த தொகுப்பு மொழியியல் போக்குகள், குறிப்பாக, தொடரியல் வளர்ச்சியுடன் தொடர்புடையவை பற்றிய ஆய்வுகளை எளிதாக்கும். |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.