_id
stringlengths 40
40
| text
stringlengths 0
10.7k
|
|---|---|
5c1ab86362dec6f9892a5e4055a256fa5c1772af | 3G அமைப்புகளின் நீண்டகால பரிணாமம் (LTE) குறித்த விவரக்குறிப்பு தற்போது 3GPP-யில் நடந்து வருகிறது. 2007 ஆம் ஆண்டின் இறுதியில் இது குறித்த விவரக்குறிப்புகளைத் தயாரிக்க இலக்கு வைக்கப்பட்டுள்ளது. வளர்ந்த ரேடியோ அணுகல் நெட்வொர்க் (RAN) OFDM தொழில்நுட்பம் மற்றும் ஒரு தீவிரமாக வேறுபட்ட RAN கட்டமைப்பு அடிப்படையில் ஒரு புதிய ரேடியோ இடைமுகம் அடங்கும், அங்கு ரேடியோ செயல்பாடு அடிப்படை நிலையங்களில் விநியோகிக்கப்படுகிறது. RAN கட்டமைப்பின் பரவலான தன்மை புதிய வானொலி கட்டுப்பாட்டு வழிமுறைகள் மற்றும் விநியோகிக்கப்பட்ட முறையில் செயல்படும் நடைமுறைகளை தேவைப்படுகிறது, இதில் விநியோகிக்கப்பட்ட கையளிப்பு திட்டம் அடங்கும். LTE இல் ஒப்படைப்பு நடைமுறையின் மிக முக்கியமான அம்சங்கள் ஏற்கனவே 3GPP இல் ஒரு சில விவரங்களைத் தவிர தீர்க்கப்பட்டுள்ளன. இந்த ஆய்வில் நாம் LTE இன்ட்ரா-அணுகல் ஒப்படைப்பு நடைமுறை பற்றிய ஒரு கண்ணோட்டத்தை தருகிறோம் மற்றும் அதன் செயல்திறன் பயனரின் உணரப்பட்ட செயல்திறன் அம்சங்களை மையமாகக் கொண்டு அதன் செயல்திறனை மதிப்பீடு செய்கிறோம். TCP செயல்திறன் கண்ணோட்டத்தில் பாக்கெட் அனுப்புதல் அவசியமா என்பதை ஆய்வு செய்கிறோம், பரிமாற்றத்தின் போது வரிசையில் இல்லாத பாக்கெட் விநியோகத்தின் சிக்கலை ஆராய்ந்து அதற்கான எளிய தீர்வை முன்மொழிகிறோம். இறுதியாக, ஹார்க்/ஆர்க் மாநில கைவிடல், ரேடியோ செயல்திறன் மீது தாக்கத்தை ஆய்வு செய்கிறோம். பயனர்கள் உணரும் செயல்திறன் அல்லது ரேடியோ செயல்திறன் ஆகியவை LTE இன் இடமாற்ற அடிப்படையிலான ஒப்படைப்பு நடைமுறை மூலம் பாதிக்கப்படவில்லை என்பதை முடிவுகள் காட்டுகின்றன. |
3fb91bbffa86733fc68d4145e7f081353eb3dcd8 | எலக்ட்ரோமியோகிராஃபி (EMG) சிக்னல்களை மருத்துவ/உயிரியல் பயன்பாடுகள், வளரும் வன்பொருள் சிப் (EHW) வளர்ச்சி மற்றும் நவீன மனித-கணினி தொடர்பு ஆகியவற்றில் பயன்படுத்தலாம். தசைகளிலிருந்து பெறப்படும் EMG சமிக்ஞைகளை கண்டறிதல், சிதைத்தல், செயலாக்கம் மற்றும் வகைப்படுத்தல் ஆகியவற்றிற்கு மேம்பட்ட முறைகள் தேவைப்படுகின்றன. இந்த ஆவணத்தின் நோக்கம், EMG சமிக்ஞை பகுப்பாய்வின் பல்வேறு முறைகள் மற்றும் வழிமுறைகளை விளக்குவதாகும். இதன் மூலம் சமிக்ஞை மற்றும் அதன் தன்மையைப் புரிந்துகொள்ளும் திறமையான மற்றும் பயனுள்ள வழிகளை வழங்க முடியும். மேலும், செயற்கை கை கட்டுப்பாடு, கைப்பிடிப்பு அங்கீகாரம், மற்றும் மனித கணினி தொடர்பு ஆகியவற்றுடன் தொடர்புடைய பயன்பாடுகளில் கவனம் செலுத்தும் EMG ஐப் பயன்படுத்தி சில வன்பொருள் நடைமுறைகளை நாங்கள் சுட்டிக்காட்டுகிறோம். பல்வேறு EMG சமிக்ஞை பகுப்பாய்வு முறைகளின் செயல்திறனைக் காண்பிப்பதற்காக ஒரு ஒப்பீட்டு ஆய்வு வழங்கப்பட்டுள்ளது. இந்த ஆய்வறிக்கை ஆராய்ச்சியாளர்களுக்கு EMG சமிக்ஞை மற்றும் அதன் பகுப்பாய்வு நடைமுறைகள் பற்றிய நல்ல புரிதலை வழங்குகிறது. இந்த அறிவு, அதிக சக்திவாய்ந்த, நெகிழ்வான, திறமையான பயன்பாடுகளை உருவாக்க அவர்களுக்கு உதவும். |
ab71da348979c50d33700bc2f6ddcf25b4c8cfd0 | |
6cc4a3d0d8a278d30e05418afeaf6b8e5d04d3d0 | |
6180a8a082c3d0e85dcb9cec3677923ff7633bb9 | இரண்டு தசாப்தங்களுக்கு முன்னர் தகவல் அமைப்புகள் (ISR) ஆராய்ச்சி தொடங்கப்பட்டதில் இருந்து, தகவல் அமைப்புகள் (IS) துறையின் கவனம் நிர்வாக அமைப்புகள் மற்றும் தனிப்பட்ட கருவிகளுக்கு அப்பால் நகர்ந்துள்ளது. மில்லியன் கணக்கான பயனர்கள் பேஸ்புக்கில் உள்நுழைந்து, ஐபோன் பயன்பாடுகளை பதிவிறக்கம் செய்து, மற்றும் பரவலாக்கப்பட்ட வேலை அமைப்புகளை உருவாக்க மொபைல் சேவைகளைப் பயன்படுத்துகின்றனர். இந்த புதிய இயக்கவியல் புரிந்து கொள்ளும் துறையில் டிஜிட்டல் உள்கட்டமைப்புகளை கவனம் செலுத்துவது அவசியம். இலக்கியத்தின் ஒரு அதிநவீன ஆய்வு, டிஜிட்டல் உள்கட்டமைப்புகளில் வளர்ந்து வரும் ஆர்வத்தை வெளிப்படுத்துகிறது, ஆனால் இந்த துறையில் இன்னும் அதன் ஆராய்ச்சி முயற்சியின் மையத்தில் உள்கட்டமைப்பை வைக்கவில்லை என்பதை உறுதிப்படுத்துகிறது. இந்த மாற்றத்திற்கு உதவுவதற்காக, IS ஆராய்ச்சிக்காக மூன்று புதிய திசைகளை நாங்கள் முன்மொழிகிறோம்: (1) டிஜிட்டல் உள்கட்டமைப்பின் தன்மை பற்றிய கோட்பாடுகள் ஒரு தனித்துவமான வகை ஐடி கலைப்பொருளாக, சுய ஜெனரிஸ்; (2) டிஜிட்டல் உள்கட்டமைப்புகள் அனைத்து பாரம்பரிய IS ஆராய்ச்சி பகுதிகளையும் வடிவமைக்கும் உறவு கட்டமைப்புகள்; (3) மாற்றம் மற்றும் கட்டுப்பாட்டின் முரண்பாடுகள் முக்கிய IS நிகழ்வுகளாக. நாம் நீண்டகால, பெரிய அளவிலான சமூக தொழில்நுட்ப நிகழ்வுகளை எவ்வாறு ஆய்வு செய்வது என்பதற்கான பரிந்துரைகளுடன் முடிக்கிறோம், அதே நேரத்தில் IS ஆராய்ச்சியை வழிநடத்திய பாரம்பரிய வகைகளின் வரம்புகளுக்கு கவனமாக இருக்க முயற்சிக்கிறோம். |
e83a2fa459ba921fb176beacba96038a502ff64d | ஒருங்கிணைப்பு மூலோபாயம் ஒருங்கிணைப்பு மூலோபாயம் (இணைப்பு திட்டம் என்றும் அழைக்கப்படுகிறது) என்பது தனித்தனி வகைப்படுத்திகளின் வெளியீட்டை இணைக்கப் பயன்படுத்தப்படும் ஒரு நுட்பமாகும். சுருக்கமான மட்டத்தில் மிகவும் பிரபலமான கலவை உத்திகள் பெரும்பான்மை வாக்கு விதிகளை அடிப்படையாகக் கொண்டவை, இது மிகவும் வாக்களித்த வகுப்பிற்கு ஒரு உள்ளீட்டு வடிவத்தை ஒதுக்குகிறது (பிரிவு 7.2 ஐப் பார்க்கவும்). இரண்டு வகைப்படுத்திகள் இணைக்கப்படும்போது, ஒரு தர்க்கரீதியான AND அல்லது ஒரு தர்க்கரீதியான OR ஆபரேட்டர் பொதுவாக பயன்படுத்தப்படுகிறது. இரண்டுக்கும் மேற்பட்ட வகைப்படுத்திகள் ஒருங்கிணைக்கப்படும்போது, AND/OR விதிகள் இணைக்கப்படலாம். உதாரணமாக, ஒரு பயோமெட்ரிக் அமைப்பு விரல் அச்சு அல்லது (முகமும் கை வடிவியலும்) மீது வேலை செய்யலாம்; அதாவது, ஒரு பயனர் ஒரு கைரேகை அல்லது அடையாளம் காண முக மற்றும் கை வடிவியலை வழங்க வேண்டும். தரவரிசைக் குறியீடுகளின் அடிப்படையில் வகைப்படுத்திகளை இணைப்பதில் மிகவும் பொதுவாகப் பயன்படுத்தப்படும் அணுகுமுறைகள் வகுப்பு தொகுப்பு குறைப்பு, தளவாட பின்னடைவு மற்றும் போர்டா எண்ணிக்கைகள் (ஹோ, ஹல் மற்றும் ஸ்ரீஹரி, 1994). வகுப்பு தொகுப்பு குறைப்பில், வகுப்புகளின் துணைக்குழு, துணைக்குழு முடிந்தவரை சிறியதாக இருக்க வேண்டும் என்ற நோக்கத்துடன் தேர்ந்தெடுக்கப்படுகிறது. பல முறைகளில் இருந்து பல துணைக்குழுக்கள் பொதுவாக ஒரு சங்கம் அல்லது துணைக்குழுக்களின் குறுக்குவெட்டு பயன்படுத்தி இணைக்கப்படுகின்றன. லாஜிஸ்டிக் பின்னடைவு மற்றும் போர்டா எண்ணிக்கை முறைகள் கூட்டாக வகுப்பு தொகுப்பு மறுசீரமைப்பு முறைகள் என்று அழைக்கப்படுகின்றன. இங்கு நோக்கம் கொடுக்கப்பட்ட வகுப்புகளின் ஒருமித்த தரவரிசையை பெறுவதாகும், இதனால் உண்மையான வகுப்பு மேலே தரவரிசைப்படுத்தப்படுகிறது. தரவரிசைக் குறிச்சொற்கள் ஒரு குறியீட்டு/தேடல் அமைப்பில் ஒருங்கிணைப்பதற்கு மிகவும் பயனுள்ளதாக இருக்கும். ஒரு பயோமெட்ரிக் மீட்பு முறை பொதுவாக வேட்பாளர்களின் வரிசைப்படுத்தப்பட்ட பட்டியலை வெளியிடுகிறது (மிகவும் சாத்தியமான போட்டிகள்). இந்த வரிசைப்படுத்தப்பட்ட பட்டியலின் மேல் உறுப்பு சரியான பொருத்தமாக இருக்க வாய்ப்புள்ளது மற்றும் பட்டியலின் கீழ் உறுப்பு குறைவான சாத்தியமான பொருத்தமாகும். பல முறைகளில் இருந்து நம்பகத்தன்மை மதிப்புகளை இணைப்பதற்கான மிகவும் பிரபலமான கலவை திட்டங்கள் தொகை, சராசரி, ஊடகம், தயாரிப்பு, குறைந்தபட்ச மற்றும் அதிகபட்ச விதிகள். கிட்லர் மற்றும் பலர். (1998) இந்த பிரபலமான திட்டங்களின் அடிப்படை கணித அடிப்படையை புரிந்து கொள்ள முயற்சிக்கும் ஒரு கோட்பாட்டு கட்டமைப்பை உருவாக்கியுள்ளது. அவர்களின் பரிசோதனைகள், தொகை அல்லது சராசரி திட்டம் நடைமுறையில் சிறப்பாக செயல்படுகிறது என்பதை நிரூபித்தது. கூட்டு விதியை பயன்படுத்துவதில் ஒரு சிக்கல் என்னவென்றால், வெவ்வேறு முறைகளிலிருந்து வரும் நம்பகத்தன்மைகள் (அல்லது மதிப்பெண்கள்) இயல்பாக்கப்பட வேண்டும். இந்த இயல்பான தன்மை பொதுவாக ஒரு பொதுவான களத்தில் வெவ்வேறு முறைகளில் இருந்து நம்பகத்தன்மை நடவடிக்கைகளை வரைபடமாக்குவதை உள்ளடக்கியது. உதாரணமாக, ஒரு பயோமெட்ரிக் அமைப்பு ஒரு தூர மதிப்பெண்ணை வெளியிடலாம் (மதிப்பெண் குறைவாக இருக்கும்போது, வடிவங்கள் மிகவும் ஒத்ததாக இருக்கும்) அதே நேரத்தில் மற்றொரு ஒற்றுமை மதிப்பெண்ணை வெளியிடலாம் (மதிப்பெண் அதிகமாக இருக்கும்போது, வடிவங்கள் மிகவும் ஒத்ததாக இருக்கும்) எனவே மதிப்பெண்களை நேரடியாக இணைக்க முடியாது. அதன் எளிமையான வடிவத்தில், இந்த இயல்பாக்கம் தூர மதிப்பெண்களின் அடையாளத்தை மாற்றியமைப்பதை மட்டுமே உள்ளடக்கியிருக்கலாம், இதனால் அதிக மதிப்பெண் அதிக ஒற்றுமைக்கு ஒத்ததாக இருக்கும். மிகவும் சிக்கலான வடிவத்தில், இயல்பாக்கம் நேரியல் அல்லாததாக இருக்கலாம், இது ஒவ்வொரு முறைகளிலிருந்தும் நம்பகத்தன்மை மதிப்புகளின் விநியோகங்களை மதிப்பிடுவதன் மூலம் பயிற்சி தரவுகளிலிருந்து கற்றுக்கொள்ள முடியும். மதிப்பெண்கள் பின்னர் மொழிபெயர்க்கப்பட்டு, பூஜ்ஜிய சராசரி, அலகு மாறுபாடு, பின்னர் ஒரு ஹைப்பர்போலிக் தொடுதிரை செயல்பாட்டைப் பயன்படுத்தி (0,1) என்ற நிலையான இடைவெளியில் மறுபரிசீலனை செய்யப்படுகின்றன. மதிப்பிடப்பட்ட விநியோகங்களை இயல்பாக்குவதற்கு அளவுருக்கள் அமைப்பது சோதனையானது என்பதைக் கவனத்தில் கொள்ளவும். இருப்பினும், விநியோகங்களின் இந்த அளவுருவை கவனமாகப் பயன்படுத்த வேண்டும், ஏனெனில் பயோமெட்ரிக் அமைப்புகளின் பிழை விகிதங்கள் பொதுவாக மிகச் சிறியவை, மேலும் விநியோகங்களின் வால் மதிப்பீட்டில் ஒரு சிறிய பிழை பிழை மதிப்பீடுகளில் குறிப்பிடத்தக்க மாற்றத்தை ஏற்படுத்தக்கூடும் (படம் 7.3 ஐப் பார்க்கவும்). மற்றொரு பொதுவான நடைமுறை பயிற்சி தரவுகளிலிருந்து ஒவ்வொரு முறைக்கும் வெவ்வேறு அளவீட்டு காரணிகளை (எடைகள்) கணக்கிடுவதாகும், இதனால் ஒருங்கிணைந்த வகைப்படுத்தியின் துல்லியம் அதிகபட்சமாக உள்ளது. இந்த எடை கொண்ட கூட்டு விதிகள், வெவ்வேறு வலுவான கூறுகளைக் கொண்டிருக்கும்போது (அதாவது, வெவ்வேறு பிழை விகிதங்கள்) எளிய கூட்டு விதியை விட சிறப்பாக செயல்படும் என்று எதிர்பார்க்கப்படுகிறது. படம் 7.3. a) கைரேகை சரிபார்ப்பு முறைமைக்கான உண்மையான மற்றும் மோசடி விநியோகங்கள் (ஜெய்ன் மற்றும் பலர், 2000) மற்றும் மோசடி விநியோகத்திற்கான சாதாரண தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோராயமான தோற்றமான தோற்றமான தோற்றமான தோற்றமான தோற்றமான தோற்றமான தோற்றமான தோற்றமான தோற்றமான தோற்றமான தோற்றமான தோற்றமான தோற்றமான தோற்றமான தோற்றமான தோற்றமான தோற்றமான தோற்றமான தோற்றமான தோற்றமான தோற்றமான தோற்றமான தோற்றமான தோற்றமான தோற்றமான தோற்ற பார்வைக்கு, சாதாரண தோராயமானது நன்றாகத் தெரிகிறது, ஆனால் ROC களில் (b) இல் காட்டப்பட்டுள்ளபடி, செயல்திறன் அல்லாத அளவுரு மதிப்பீட்டைக் காட்டிலும் செயல்திறன் கணிசமாகக் குறைகிறது, அங்கு FMR FAR (தவறான ஏற்றுக்கொள்ளும் விகிதம்) மற்றும் (1-FNMR) உண்மையான ஏற்றுக்கொள்ளும் விகிதம் என குறிப்பிடப்படுகிறது. ©எல்சீவியர். பயோமெட்ரிக் அமைப்புகளில் பல முறைகளை இணைப்பதற்கான சில திட்டங்கள் ஒரு கோட்பாட்டுக் கண்ணோட்டத்தில் ஆய்வு செய்யப்பட்டுள்ளன. ஒரு தத்துவார்த்த பகுப்பாய்வின் மூலம், பலமான பயோமெட்ரிக் மற்றும் பலவீனமான பயோமெட்ரிக் ஆகியவை AND அல்லது OR வாக்களிப்பு விதிகளைப் பயன்படுத்தி ஒரு சுருக்கமான நிலை கலவையுடன் இணைக்கப்பட்டால், இரண்டு தனிப்பட்ட பயோமெட்ரிக்ஸின் சிறந்ததை விட கலவையின் செயல்திறன் மோசமாக இருக்கும் என்பதை டாகுமன் (1999b) காட்டினார். சில நிபந்தனைகள் பூர்த்தி செய்யப்பட்டால் மட்டுமே AND/OR வாக்களிப்பு உத்திகள் செயல்திறனை மேம்படுத்த முடியும் என்று ஹொங், ஜெயின் மற்றும் பங்கந்தி (1999) ஆகியோர் கோட்பாட்டு பகுப்பாய்வு டவுக்மனின் கண்டுபிடிப்புகளை உறுதிப்படுத்தியது. பலவீனமான மற்றும் வலுவான பயோமெட்ரிக் இணைக்கப்பட்டால் கூட, நம்பகத்தன்மை நிலை இணைப்பு ஒட்டுமொத்த செயல்திறனை கணிசமாக மேம்படுத்தும் என்று எதிர்பார்க்கப்படுகிறது. கிட்லர் மற்றும் பலர். (1998) ஒரு உணர்திறன் பகுப்பாய்வை அறிமுகப்படுத்தியது, ஏன் தொகை (அல்லது சராசரி) விதி மற்ற விதிகளை விட சிறப்பாக செயல்படுகிறது என்பதை விளக்குகிறது. பின்வரும் சாத்தியக்கூறுகளை மதிப்பிடுவதில் தனிப்பட்ட வகைப்படுத்திகளின் பிழை விகிதங்களுக்கு (நம்பிக்கையான மதிப்புகள்) மற்ற ஒத்த விதிகளை விட (உற்பத்தி விதி போன்றவை) தொகை விதி குறைவாக உணர்திறன் கொண்டது என்பதை அவர்கள் காட்டினர். ஒரே பின்புற நிகழ்தகவுகளின் வெவ்வேறு மதிப்பீடுகளை இணைக்க (எ. கா. வெவ்வேறு வகைப்படுத்தி தொடக்கங்களிலிருந்து உருவாகும்) கூட்டு விதி மிகவும் பொருத்தமானது என்று அவர்கள் கூறுகின்றனர். பிரபாகர் மற்றும் ஜெயின் (2002) கூட்டு மற்றும் தயாரிப்பு விதிகளை நியூமன்-பியர்சன் கலவையான திட்டத்துடன் ஒப்பிட்டு, தொடர்புடைய அம்சங்களை இணைக்கும்போது தயாரிப்பு விதி கூட்டு விதிகளை விட மோசமானது என்றும், பலவீனமான மற்றும் வலுவான வகைப்படுத்திகளை இணைக்கும்போது, கூட்டு விதி மற்றும் தயாரிப்பு விதிகள் நியூமன்-பியர்சன் கலவையான திட்டத்தை விட தாழ்ந்தவை என்றும் காட்டியது. 0 20 40 60 80 100 0 1 2 3 4 5 6 7 இயல்பான பொருந்தும் மதிப்பெண் பெர்சீனென்ட் (% ) இம்போஸ்டர் உண்மையான அளவுரு அல்லாத இம்போஸ்டர் விநியோகம் இயல்பான இம்போஸ்டர் விநியோகம் உண்மையான விநியோகம் 0 1 2 3 4 5 50 55 60 65 70 75 80 85 90 95 100 தவறான ஏற்றுக்கொள்ளும் விகிதம் (%) G en ui ne A cc ep ta nc e R at e (% ) Nonparametric இம்போஸ்டர் விநியோகத்தைப் பயன்படுத்தி இயல்பான இம்போஸ்டர் விநியோகத்தைப் பயன்படுத்தி இம்போஸ்டர் விநியோகம் |
b4894f7d6264b94ded94181d54c7a0c773e3662b | நடை பகுப்பாய்வு சமீபத்தில் ஒரு பிரபலமான ஆராய்ச்சி துறையாக மாறியுள்ளது மற்றும் நரம்பியல் சீரழிவு நோய்களின் மருத்துவ நோயறிதலுக்கு பரவலாகப் பயன்படுத்தப்படுகிறது. இடுப்பு மற்றும் முழங்கால் மூட்டு கோணங்களைக் கண்டறிய பல்வேறு குறைந்த செலவு சென்சார் அடிப்படையிலான மற்றும் பார்வை அடிப்படையிலான அமைப்புகள் உருவாக்கப்பட்டுள்ளன. எனினும், இந்த அமைப்புகளின் செயல்திறன் சரிபார்க்கப்பட்டு, ஒருவருக்கொருவர் ஒப்பிடப்படவில்லை. இந்த ஆய்வின் நோக்கம் ஒரு பரிசோதனையை அமைத்து, பல சகிப்புத்தன்மை அளவீட்டு அலகுகள் (IMU கள்) கொண்ட சென்சார் அடிப்படையிலான அமைப்பு, மார்க்கர் கண்டறிதலுடன் கூடிய பார்வை அடிப்படையிலான நடை பகுப்பாய்வு அமைப்பு மற்றும் சாதாரண நடைபயிற்சியின் போது இடுப்பு மற்றும் முழங்கால் மூட்டு கோணங்களை கைப்பற்றும் மார்க்கர் இல்லாத பார்வை அடிப்படையிலான அமைப்பு ஆகியவற்றின் செயல்திறனை ஒப்பிடுவதாகும். பெறப்பட்ட அளவீடுகள் கோனியோமீட்டர்களில் இருந்து பெறப்பட்ட தரவுகளுடன் தரவு உண்மை அளவீடுகளாக சரிபார்க்கப்பட்டன. IMU- அடிப்படையிலான சென்சார் அமைப்பு சிறிய பிழைகளுடன் சிறந்த செயல்திறனை அளிக்கிறது, அதே நேரத்தில் பார்வை அமைப்புகள் சற்று பெரிய பிழைகளுடன் ஏற்றுக்கொள்ளக்கூடிய முடிவுகளை வழங்குகின்றன. |
0e78b20b27d27261f9ae088eb13201f2d5b185bd | அம்சத் தேர்வுக்கான வழிமுறைகள் இரண்டு பரந்த வகைகளாக உள்ளனஃ அம்சங்களின் பயனை மதிப்பிடுவதற்கு கற்றல் வழிமுறையைத் தானே பயன்படுத்தும் உறைகள் மற்றும் தரவின் பொதுவான பண்புகளின் அடிப்படையில் ஹூரிஸ்டிக்ஸ் படி அம்சங்களை மதிப்பிடுகின்ற வடிப்பான்கள். பெரிய தரவுத்தளங்களில் பயன்படுத்துவதற்கு, வடிகட்டிகள் சுருள்களை விட மிகவும் நடைமுறைக்குரியவை என்று நிரூபிக்கப்பட்டுள்ளது, ஏனெனில் அவை மிக வேகமாக உள்ளன. இருப்பினும், தற்போதுள்ள பெரும்பாலான வடிகட்டி வழிமுறைகள் தனித்தனி வகைப்படுத்தல் சிக்கல்களுடன் மட்டுமே செயல்படுகின்றன. தொடர்ச்சியான மற்றும் தனித்தனி சிக்கல்களுக்குப் பயன்படுத்தக்கூடிய ஒரு வேகமான, தொடர்பு அடிப்படையிலான வடிகட்டி வழிமுறையை இந்த ஆவணம் விவரிக்கிறது. இந்த வழிமுறை பெரும்பாலும் நன்கு அறியப்பட்ட ReliefF பண்பு மதிப்பீட்டாளரை விட சிறப்பாக செயல்படுகிறது, இது நேயர் பேஸ், நிகழ்வு அடிப்படையிலான கற்றல், முடிவு மரங்கள், உள்ளூர் எடை கொண்ட பின்னடைவு மற்றும் மாதிரி மரங்களுக்கு முன் செயலாக்க நடவடிக்கையாக பயன்படுத்தப்படும் போது. இது ReliefF-ஐ விட அதிக அம்சத் தேர்வைச் செய்கிறது - பெரும்பாலான சந்தர்ப்பங்களில் தரவு பரிமாணத்தை ஐம்பது சதவீதம் குறைக்கிறது. மேலும், முன் செயலாக்கப்பட்ட தரவுகளிலிருந்து கட்டப்பட்ட முடிவு மற்றும் மாதிரி மரங்கள் பெரும்பாலும் கணிசமாக சிறியவை. |
1b65af0b2847cf6edb1461eda659f08be27bc76d | நேரியல் மாதிரிகளில் மதிப்பீடு செய்வதற்கான ஒரு புதிய முறையை நாங்கள் முன்மொழிகிறோம். லாசோ என்பது சதுரங்களின் மீதமுள்ள தொகையை குறைக்கிறது, இது குணகங்களின் முழுமையான மதிப்பின் தொகை ஒரு மாறிலிக்குக் குறைவாக இருக்கும். இந்த கட்டுப்பாட்டின் தன்மை காரணமாக, சில குணகங்கள் சரியாக 0 ஆக இருப்பதோடு, விளக்கக்கூடிய மாதிரிகளை வழங்குகிறது. நமது உருவகப்படுத்துதல் ஆய்வுகள் லேசோ துணைக்குழு தேர்வு மற்றும் க்ரீஜ் பின்னடைவு ஆகிய இரண்டின் சில சாதகமான பண்புகளை அனுபவிப்பதாகக் கூறுகின்றன. இது துணைக்குழு தேர்வு போன்ற விளக்கக்கூடிய மாதிரிகளை உருவாக்குகிறது மற்றும் க்ரீஜ் பின்னடைவின் ஸ்திரத்தன்மையைக் காட்டுகிறது. டோனோஹோ மற்றும் ஜான்ஸ்டோன் ஆகியோரால் தழுவல் செயல்பாடு மதிப்பீட்டில் சமீபத்திய பணிகளுடன் ஒரு சுவாரஸ்யமான உறவும் உள்ளது. லேசோ யோசனை மிகவும் பொதுவானது மற்றும் பல்வேறு புள்ளியியல் மாதிரிகளில் பயன்படுத்தப்படலாம்ஃ பொதுவான பின்னடைவு மாதிரிகள் மற்றும் மர அடிப்படையிலான மாதிரிகள் ஆகியவற்றின் நீட்டிப்புகள் சுருக்கமாக விவரிக்கப்பட்டுள்ளன. |
3a8aa4cc6142d433ff55bea8a0cb980103ea15e9 | |
75cbc0eec23375df69de6c64e2f48689dde417c5 | மைக்ரோசாப்ட் கினெக்ட் சென்சார் கண்டுபிடிப்பு மூலம், உயர் தெளிவுத்திறன் கொண்ட ஆழம் மற்றும் காட்சி (RGB) உணர்தல் பரவலான பயன்பாட்டிற்கு கிடைத்துள்ளது. கினெக்ட் சென்சார் வழங்கும் ஆழம் மற்றும் காட்சி தகவல்களின் ஒருவருக்கொருவர் பூர்த்தி செய்யும் தன்மை கணினி பார்வைக்கு அடிப்படை சிக்கல்களைத் தீர்க்க புதிய வாய்ப்புகளைத் திறக்கிறது. இந்த ஆவணம் சமீபத்திய கினெக்ட் அடிப்படையிலான கணினி பார்வை வழிமுறைகள் மற்றும் பயன்பாடுகளின் விரிவான மதிப்பாய்வை வழங்குகிறது. இந்த அணுகுமுறைகள் கினெக்ட் சென்சார் மூலம் கண்பார்வைப் பிரச்சினைகளை சரிசெய்ய அல்லது மேம்படுத்த முடியும். இதில் உள்ளடக்கப்பட்ட தலைப்புகளில் முன் செயலாக்கம், பொருள் கண்காணிப்பு மற்றும் அங்கீகாரம், மனித செயல்பாட்டு பகுப்பாய்வு, கை சைகை பகுப்பாய்வு மற்றும் உட்புற 3-டி வரைபடங்கள் ஆகியவை அடங்கும். ஒவ்வொரு வகை முறைகளுக்கும், அவற்றின் முக்கிய வழிமுறை பங்களிப்புகளை சுருக்கமாகக் கூறுகிறோம், அவற்றின் RGB சகாக்களுடன் ஒப்பிடும்போது அவற்றின் நன்மைகள் / வேறுபாடுகளை சுருக்கமாகக் கூறுகிறோம். இறுதியாக, இந்த துறையில் உள்ள சவால்கள் மற்றும் எதிர்கால ஆராய்ச்சி போக்குகள் பற்றிய ஒரு கண்ணோட்டத்தை நாங்கள் தருகிறோம். இந்த ஆவணம் கினெக்ட் அடிப்படையிலான கணினி பார்வை ஆராய்ச்சியாளர்களுக்கு ஒரு பயிற்சி மற்றும் குறிப்புகளின் ஆதாரமாக இருக்கும் என்று எதிர்பார்க்கப்படுகிறது. |
aa358f4a0578234e301a305d8c5de8d859083a4c | ஆழம் உணர்த்திகள் மூலம் மனித நடவடிக்கைகளை உண்மையான நேரத்தில் அடையாளம் காணும் வகையில், ஆர்டர்லெட்ஸ் எனப்படும் ஒரு புதிய காட்சி பிரதிநிதித்துவத்தை இந்த ஆவணம் முன்வைக்கிறது. ஒரு ஆர்டர்லெட் என்பது ஒரு நடுத்தர நிலை அம்சமாகும், இது குறைந்த நிலை அம்சங்களின் குழுவில் உள்ள ஒழுங்கு முறையை கைப்பற்றுகிறது. எலும்புக்கூடுகளுக்கு, ஒரு ஆர்டர்லெட் ஒரு குறிப்பிட்ட இடஞ்சார்ந்த உறவை ஒரு குழுவின் மூட்டுகளுக்கு இடையில் கைப்பற்றுகிறது. ஆழம் வரைபடத்திற்கு, ஒரு ஆர்டர்லெட் துணைப் பகுதிகளின் குழுவிற்கு இடையில் வடிவத் தகவலின் ஒப்பீட்டு உறவைக் குறிக்கிறது. ஆர்டர்லெட் பிரதிநிதித்துவத்திற்கு இரண்டு நல்ல பண்புகள் உள்ளன. முதலாவதாக, சிறிய சத்தத்திற்கு இது உணர்திறன் இல்லாதது, ஏனெனில் ஒரு ஆர்டர்லெட் தனிப்பட்ட அம்சங்களுக்கிடையேயான ஒப்பீட்டு உறவை மட்டுமே சார்ந்துள்ளது. இரண்டாவதாக, இது ஒரு சட்ட-நிலை பிரதிநிதித்துவம் ஆகும், எனவே நிகழ்நேர ஆன்லைன் நடவடிக்கை அங்கீகாரத்திற்கு ஏற்றது. ஆன்லைன் செயல்களின் அங்கீகாரம் மற்றும் சுற்றுச்சூழல் சார்ந்த செயல்களின் அங்கீகாரம் ஆகியவற்றில் அதன் உயர்ந்த செயல்திறனை பரிசோதனை முடிவுகள் நிரூபிக்கின்றன. |
30f1ea3b4194dba7f957fd6bf81bcaf12dca6ff8 | ஷிஃப்ட்-ரெடூஸ் போன்ற அதிகரிக்கும் பகுப்பாய்வு நுட்பங்கள் அவற்றின் செயல்திறன் காரணமாக பிரபலமடைந்துள்ளன, ஆனால் ஒரு பெரிய சிக்கல் உள்ளதுஃ தேடல் பேராசை மற்றும் முழு இடத்தின் ஒரு சிறிய பகுதியை மட்டுமே ஆராய்கிறது (பீம் தேடலுடன் கூட) மாறும் நிரலாக்கத்திற்கு மாறாக. ஆச்சரியமாக, மாறும் நிரலாக்கமானது உண்மையில் பல மாற்ற-குறைக்கும் பாகுபடுத்திகளுக்கு சாத்தியமானது என்பதைக் காட்டுகிறோம், அம்ச மதிப்புகளின் அடிப்படையில் சமமான அடுக்குகளை ஒன்றிணைப்பதன் மூலம். அனுபவ ரீதியாக, நமது வழிமுறை ஒரு மாநில-அதிநவீன மாற்றம்-குறைக்க சார்பு பகுப்பாய்வி மீது ஐந்து மடங்கு வேகத்தை வரை விளைவுகளை துல்லியம் எந்த இழப்பு. சிறந்த தேடல் சிறந்த கற்றலுக்கும் வழிவகுக்கிறது, மேலும் நமது இறுதி பாகுபடுத்தி ஆங்கிலம் மற்றும் சீன மொழிகளுக்கான முன்னர் அறிவிக்கப்பட்ட அனைத்து சார்பு பாகுபடுத்திகளையும் விட சிறப்பாக செயல்படுகிறது, ஆனால் இன்னும் வேகமாக உள்ளது. |
422d9b1a05bc33fcca4b9aa9381f46804c6132fd | சில கேள்விகளுக்கு இயந்திரங்களால் மட்டுமே பதில் சொல்ல முடியாது. தரவுத்தளத்தில் இல்லாத தகவல்களை வழங்கவும், கணக்கீட்டு ரீதியாக கடினமான செயல்பாடுகளைச் செய்யவும், தெளிவற்ற அளவுகோல்களை அடிப்படையாகக் கொண்டு முடிவுகளை பொருத்தவும், தரவரிசைப்படுத்தவும் அல்லது கூட்டுவதற்குவும் இத்தகைய வினவல்களைச் செயலாக்குவதற்கு மனித உள்ளீடு தேவைப்படுகிறது. தரவுத்தள அமைப்புகளோ அல்லது தேடுபொறிகளோ போதுமான அளவு பதிலளிக்க முடியாத வினவல்களை செயலாக்க CrowdDB, கூட்டம் மூலமாக மனித உள்ளீட்டைப் பயன்படுத்துகிறது. இது சிக்கலான வினவல்களை முன்வைப்பதற்கான ஒரு மொழியாகவும் தரவை மாதிரியாகக் காண்பிப்பதற்கான ஒரு வழியாகவும் SQL ஐப் பயன்படுத்துகிறது. பாரம்பரிய தரவுத்தள அமைப்புகளின் பல அம்சங்களை CrowdDB பயன்படுத்தி வருகின்ற போதிலும், முக்கியமான வேறுபாடுகளும் உள்ளன. கருத்து ரீதியாக, ஒரு முக்கிய மாற்றம் என்னவென்றால், கேள்வி செயலாக்கத்திற்கான பாரம்பரிய மூடிய உலக அனுமானம் மனித உள்ளீட்டிற்கு பொருந்தாது. நடைமுறைப்படுத்தல் கண்ணோட்டத்தில், கூட்டமாக தரவைத் தேடுவதற்கும், ஒருங்கிணைப்பதற்கும், சுத்தம் செய்வதற்கும் மனித நோக்குடைய வினவல் ஆபரேட்டர்கள் தேவை. மேலும், செயல்திறன் மற்றும் செலவு ஆகியவை தொழிலாளர் நட்பு, பயிற்சி, சோர்வு, உந்துதல் மற்றும் இடம் உள்ளிட்ட பல புதிய காரணிகளை சார்ந்துள்ளது. CrowdDB இன் வடிவமைப்பை விவரிக்கிறோம், அமேசான் மெக்கானிக்கல் துர்க் பயன்படுத்தி ஒரு ஆரம்ப சோதனைகள் தொகுப்பைப் பற்றி அறிக்கை செய்கிறோம், மேலும் கூட்டம் சார்ந்த வினவல் செயலாக்க அமைப்புகளின் வளர்ச்சியில் எதிர்கால வேலைக்கான முக்கியமான வழிகளை கோடிட்டுக் காட்டுகிறோம். |
edc2e4e6308d7dfce586cb8a4441c704f8f8d41b | இந்த ஆய்வில், செயல்பாடுகளின் சராசரியை விநியோகிக்கப்பட்ட குறைந்தபட்சமாக்குவதற்கான இரண்டு புதிய தகவல் தொடர்பு திறன் கொண்ட முறைகளை நாங்கள் முன்வைக்கிறோம். முதல் வழிமுறை DANE வழிமுறையின் ஒரு துல்லியமற்ற மாறுபாடாகும் [20] இது எந்தவொரு உள்ளூர் வழிமுறையையும் உள்ளூர் துணைப் பிரச்சினையின் தோராயமான தீர்வைத் திருப்பித் தர அனுமதிக்கிறது. இதுபோன்ற ஒரு மூலோபாயம் DANE இன் தத்துவார்த்த உத்தரவாதங்களை கணிசமாக பாதிக்காது என்பதை நாங்கள் காட்டுகிறோம். உண்மையில், எங்கள் அணுகுமுறை ஒரு வலுவூட்டல் மூலோபாயமாக பார்க்கப்படலாம், ஏனெனில் நடைமுறையில் ஏற்படும் தரவு பகிர்வில் DANE ஐ விட இந்த முறை கணிசமாக சிறப்பாக செயல்படுகிறது. DANE வழிமுறை தொடர்பு சிக்கலான கீழ் எல்லைகளை பொருந்தாது என்பது நன்கு அறியப்பட்டதே. இந்த இடைவெளியை மூடுவதற்கு, AIDE எனப்படும் முதல் முறையின் விரைவான மாறுபாட்டை நாங்கள் முன்மொழிகிறோம், இது தகவல்தொடர்பு கீழ் வரம்புகளுடன் பொருந்துவது மட்டுமல்லாமல், முற்றிலும் முதல் வரிசை ஆரக்கிள் பயன்படுத்தி செயல்படுத்தப்படலாம். இயந்திரக் கற்றல் பயன்பாடுகளில் இயல்பாக ஏற்படும் சூழல்களில், AIDE மற்ற தகவல்தொடர்பு திறன்மிக்க வழிமுறைகளை விட சிறந்தது என்பதை எங்கள் அனுபவ முடிவுகள் காட்டுகின்றன. |
c677166592b505b80a487fb88ac5a6996fc47d71 | இந்த ஆவணம், பெரிய அளவிலான சிக்கலான அமைப்புகளின் பரவலாக்கப்பட்ட கட்டுப்பாட்டுத் துறையில் கடந்த கால மற்றும் தற்போதைய முடிவுகளை ஆய்வு செய்கிறது. பரவலாக்கம், சிதைவு, வலுவான தன்மை ஆகியவற்றுக்கு முக்கியத்துவம் கொடுக்கப்பட்டுள்ளது. இந்த முறைகள், பெரிய அளவிலான சிக்கலான அமைப்புகளில் ஏற்படும் குறிப்பிட்ட சிரமங்களைத் தவிர்க்கும் திறமையான கருவிகளாக செயல்படுகின்றன. எதிர்கால ஆராய்ச்சிக்கான பல முன்னோக்கு தலைப்புகள் இந்த உள்ளடக்கத்தில் அறிமுகப்படுத்தப்பட்டுள்ளன. பரஸ்பர தொடர்புடைய மாறும் அமைப்புகளில் சமீபத்திய சிதைவு அணுகுமுறைகள் மீது இந்த கண்ணோட்டம் கவனம் செலுத்துகிறது, ஏனெனில் அவை பரவலாக்கப்பட்ட கட்டுப்பாட்டை நெட்வொர்க் கட்டுப்பாட்டு அமைப்புகளுக்கு விரிவாக்குவதற்கான திறனை வழங்குகின்றன. # 2008 Elsevier Ltd. அனைத்து உரிமைகளும் பாதுகாக்கப்பட்டவை. |
0debd1c0b73fc79dc7a64431b8b6a1fe21dcd9f7 | அம்சத் தேர்வு வகைப்படுத்தலின் துல்லியத்தை மேம்படுத்தலாம் மற்றும் வகைப்படுத்தலின் கணக்கீட்டு சிக்கலைக் குறைக்கலாம். ஊடுருவல் கண்டறிதல் அமைப்புகளில் (IDS) தரவு அம்சங்கள் எப்போதும் சமநிலையற்ற வகைப்படுத்தலின் சிக்கலை முன்வைக்கின்றன, இதில் சில வகைப்படுத்தல்களில் சில நிகழ்வுகள் மட்டுமே உள்ளன, மற்றவை பல நிகழ்வுகள் உள்ளன. இந்த சமநிலையின்மை, வகைப்படுத்தலின் செயல்திறனைக் குறைக்கலாம், ஆனால் அதைத் தீர்ப்பதற்கு சில முயற்சிகள் மேற்கொள்ளப்பட்டுள்ளன. இந்த ஆய்வில், IDS இல் அம்சத் தேர்வைப் பொறுத்தவரை பல-நோக்கம் கொண்ட சிக்கலுக்கான ஒரு திட்டம் முன்மொழியப்பட்டுள்ளது, இது இரண்டு உத்திகளைப் பயன்படுத்துகிறது, அதாவது, ஒரு சிறப்பு ஆதிக்கம் முறை மற்றும் முன்னரே வரையறுக்கப்பட்ட பல இலக்கு தேடல், மக்கள்தொகை பரிணாமத்திற்காக. இது இயல்பான மற்றும் இயல்பற்ற போக்குவரத்து மட்டுமல்லாமல், இயல்பற்ற தன்மை வகைகளிலும் வேறுபடுத்திப் பார்க்கும். நமது திட்டத்தின் அடிப்படையில், NSGA-III நல்ல செயல்திறன் கொண்ட ஒரு போதுமான அம்ச துணைக்குழுவைப் பெற பயன்படுகிறது. ஒரு மேம்பட்ட பல-நோக்கம் தேர்வுமுறை வழிமுறை (I-NSGA-III) மேலும் ஒரு புதிய முக்கிய பாதுகாப்பு நடைமுறை பயன்படுத்தி முன்மொழியப்பட்டது. இது ஒரு சார்பு-தேர்வு செயல்முறையைக் கொண்டுள்ளது, இது தேர்ந்தெடுக்கப்பட்ட குறைவான அம்சங்களைக் கொண்ட நபரைத் தேர்ந்தெடுக்கிறது மற்றும் ஒரு பொருத்தமான-தேர்வு செயல்முறை அதன் இலக்குகளின் அதிகபட்ச மொத்த எடையைக் கொண்ட நபரைத் தேர்ந்தெடுக்கிறது. சோதனை முடிவுகள் I-NSGA-III குறைவான நிகழ்வுகளைக் கொண்ட வகுப்புகளுக்கு அதிக வகைப்படுத்தல் துல்லியத்துடன் சமநிலையற்ற சிக்கலைக் குறைக்க முடியும் என்பதைக் காட்டுகின்றன. மேலும், இது அதிக வகைப்படுத்தல் துல்லியம் மற்றும் குறைந்த கணக்கீட்டு சிக்கலான தன்மை ஆகிய இரண்டையும் அடைய முடியும். © 2016 வெளியீட்டாளர் Elsevier B. V. |
5a4a53339068eebd1544b9f430098f2f132f641b | ஆழமான மறைநிலை-மாறி மாதிரிகள் மேற்பார்வை செய்யப்படாத முறையில் உயர்-அளவு தரவுகளின் பிரதிநிதித்துவங்களைக் கற்றுக்கொள்கின்றன. சமீபத்திய முயற்சிகள் பல கற்றல் பிரதிநிதித்துவங்களில் கவனம் செலுத்தியுள்ளன, அவை புள்ளிவிவர ரீதியாக சுயாதீனமான மாறுபாடு அச்சுகளைத் தவிர்க்கின்றன, பெரும்பாலும் குறிக்கோள் செயல்பாட்டின் பொருத்தமான மாற்றங்களை அறிமுகப்படுத்துவதன் மூலம். மறைந்த குறியீட்டின் அரிமை, பிரதிநிதித்துவங்களின் பிஜெக்டிவிட்டி மற்றும் அனுபவ தரவு விநியோகத்தின் ஆதரவின் கவரேஜ் ஆகியவற்றுக்கு இடையேயான வர்த்தகங்களை வெளிப்படையாகக் குறிக்கும் ஆதாரத்தின் கீழ் எல்லையின் பொதுமயமாக்கலை உருவாக்குவதன் மூலம் இந்த வளர்ந்து வரும் இலக்கியத்தை நாங்கள் தொகுக்கிறோம். மாறிகளின் தொகுதிகளை பிரிக்கவும், தொகுதிகளுக்குள் சில அளவு தொடர்புகளை அனுமதிக்கவும் படிநிலை பிரதிநிதித்துவங்களைக் கற்றுக்கொள்வதற்கும் எங்கள் நோக்கம் பொருத்தமானது. பல்வேறு தரவுத் தொகுப்புகளில் மேற்கொள்ளப்பட்ட பரிசோதனைகள், கற்றெடுக்கப்பட்ட பிரதிநிதித்துவங்கள் விளக்கக்கூடிய அம்சங்களைக் கொண்டிருக்கின்றன, தனித்துவமான பண்புகளை கற்கவும், காணப்படாத காரணிகளின் கலவையை பொதுமைப்படுத்தவும் முடியும் என்பதை நிரூபிக்கின்றன. |
4b19be501b279b7d80d94b2d9d986bf4f8ab4ede | |
8ba965f138c1178aef09da3781765e300c325f3d | எலக்ட்ரோமியோகிராம் அல்லது ஈ.எம்.ஜி சிக்னல் என்பது மிகச் சிறிய சிக்னல் ஆகும்; இது காட்சி நோக்கத்திற்காக அல்லது மேலதிக பகுப்பாய்வு செயல்முறைக்கு ஒரு அமைப்பை மேம்படுத்த வேண்டும். குறைந்த செலவில் இயற்பியல் சிகிச்சை EMG சமிக்ஞை கையகப்படுத்தும் அமைப்பின் இரு சேனல் உள்ளீட்டு வளர்ச்சியை இந்த ஆவணம் முன்வைக்கிறது. கையகப்படுத்தும் அமைப்பில், இரண்டு உள்ளீட்டு சமிக்ஞைகளும் ஒரு வேறுபட்ட பெருக்கி மூலம் பெருக்கப்பட்டு, EMG சமிக்ஞையின் நேரியல் உறை பெற சமிக்ஞை முன் செயலாக்கத்திற்கு உட்படுகின்றன. பெறப்பட்ட EMG சமிக்ஞை பின்னர் டிஜிட்டல் மயமாக்கப்பட்டு கணினிக்கு அனுப்பப்பட்டு வரைபடமாக்கப்படுகிறது. |
01413e1fc981a8c041dc236dcee64790e2239a36 | இயந்திரக் கற்றலில் உள்ள பல்வேறு வகையான சிக்கல்கள், எடுத்துக்காட்டுக் குழுமம், ஆவண சுருக்கம் மற்றும் சென்சார் வைப்பு ஆகியவை கட்டுப்படுத்தப்பட்ட துணை மாடுலர் அதிகரிப்பு சிக்கல்களாக அனுப்பப்படலாம். இந்த சிக்கல்களுக்கு விநியோகிக்கப்பட்ட வழிமுறைகளை உருவாக்குவதற்கு அண்மையில் நிறைய முயற்சிகள் மேற்கொள்ளப்பட்டுள்ளன. இருப்பினும், இந்த முடிவுகள் அதிக எண்ணிக்கையிலான சுற்றுகள், உகந்ததாக இல்லாத தோராயமான விகிதங்கள் அல்லது இரண்டும் பாதிக்கப்படுகின்றன. தொடர்ச்சியான அமைப்பில் இருக்கும் வழிமுறைகளை விநியோகிக்கப்பட்ட அமைப்பிற்கு கொண்டு வருவதற்கான ஒரு கட்டமைப்பை நாங்கள் உருவாக்குகிறோம், நிலையான எண்ணிக்கையிலான வரைபடக் குறைப்பு சுற்றுகளில் மட்டுமே பல அமைப்புகளுக்கு உகந்ததாக நெருக்கமான விகிதங்களை அடைகிறோம். எங்கள் நுட்பங்கள் ஒரு மெட்ராய்டு கட்டுப்பாட்டுக்கு உட்பட்டு ஒரே மாதிரியான அல்லாத அதிகபட்சத்திற்கான விரைவான தொடர்ச்சியான வழிமுறையை வழங்குகின்றன. |
0451c923703472b6c20ff11185001f24b76c48e3 | நெட்வொர்க் மற்றும் கூட்டுறவு ரோபோக்களுக்கான வளர்ந்து வரும் பயன்பாடுகள் முகவர் குழுக்களுக்கான இயக்க ஒருங்கிணைப்பு பற்றிய ஆய்வை ஊக்குவிக்கின்றன. உதாரணமாக, கண்காணிப்பு, ஆய்வு மற்றும் சுற்றுச்சூழல் கண்காணிப்பு உள்ளிட்ட பல்வேறு பயனுள்ள பணிகளை முகவர்கள் குழுக்கள் செய்வார்கள் என்று கருதப்படுகிறது. இந்த ஆவணம், அடுத்த முகவரிடம் இருந்து விலகிச் செல்வது அல்லது உங்கள் சொந்த வோரோனோய் பலகோணத்தின் தூரமுள்ள உச்சம் நோக்கி நகர்வது போன்ற மொபைல் முகவர்களிடையே அடிப்படை தொடர்புகளை கையாள்கிறது. இந்த எளிய தொடர்புகள் விநியோகிக்கப்பட்ட மாறும் அமைப்புகளுக்கு சமம், ஏனெனில் அவற்றின் செயல்படுத்தலுக்கு அண்டை முகவர்கள் பற்றிய குறைந்தபட்ச தகவல் மட்டுமே தேவைப்படுகிறது. இந்த விநியோகிக்கப்பட்ட மாறும் அமைப்புகளுக்கும், வட்டு-அடைப்பு மற்றும் கோள-பேக்கிங் செலவு செயல்பாடுகளுக்கும் இடையிலான நெருக்கமான உறவை வடிவியல் தேர்வுமுறை மூலம் வகைப்படுத்துகிறோம். எமது முக்கிய முடிவுகள்: (i) இந்த வடிவியல் செலவுச் செயல்பாடுகளின் மென்மையின் தன்மைகளை நாம் வகைப்படுத்துகிறோம், (ii) நாம் பரஸ்பர விதிகள் செலவுச் செயல்பாடுகளின் மென்மையற்ற சாய்வு மாறுபாடுகளின் மாறுபாடுகள் என்பதைக் காட்டுகிறோம், (iii) நாம் சட்டங்களின் பல்வேறு அசிம்ப்டோடிக் ஒத்திசைவு பண்புகளை நிறுவுகிறோம். தொழில்நுட்ப அணுகுமுறை கணக்கீட்டு வடிவியல், சீரான பகுப்பாய்வு மற்றும் சீரான நிலைத்தன்மை கோட்பாடு ஆகியவற்றின் கருத்துக்களை நம்பியுள்ளது. |
0a37a647a2f8464379a1fe327f93561c90d91405 | சமீபத்திய முன்னேற்றங்கள், ஒரு முகவரின் இலக்கை அடையும் வகையில், பகுதியாக ஒழுங்குபடுத்தப்பட்ட, பகுதியாக குறிப்பிட்ட வரிசை நடவடிக்கைகளை உருவாக்கும் செயல்முறையை தெளிவுபடுத்தியுள்ளன. இந்த ஆவணம் குறைந்தபட்ச அர்ப்பணிப்பு திட்டமிடுபவர்களின் முன்னேற்றத்தை சுருக்கமாகக் கூறுகிறது, இது எளிய துண்டு பிரதிநிதித்துவத்தை கையாளும் ஒன்றிலிருந்து தொடங்கி, மாறும் பிரபஞ்சங்களில் பிளவுபடுத்தும் முன்நிபந்தனை, நிபந்தனை விளைவுகள் மற்றும் உலகளாவிய அளவு ஆகியவற்றைக் கொண்ட செயல்களை நிர்வகிக்கும் ஒன்றுடன் முடிவடைகிறது. பாதையில் நாம் எப்படி சாப்மேன் மோடல் உண்மை அளவுகோல் உருவாக்கம் தவறான மற்றும் அவரது NP-முழுமை விளைவு நிபந்தனை விளைவுகள் திட்டங்கள் பற்றி பகுத்தறிவு ஏன் எங்கள் திட்டமிடுபவர் பொருந்தாது விளக்க. 1 பயனுள்ள கருத்துக்களை தெரிவித்தமைக்காக பிரான்ஸ் அமடோர், டோனி பாரெட், டேரன் க்ரோன்கிஸ்ட், டெனிஸ் டிரேப்பர், எர்னி டேவிஸ், ஓரன் எட்சோனி, நோர்ட் ஃபவுலர், ராவ் கம்பம்பம்பட்டி, கிரேக் நோப்லாக், நிக் குஷ்மெரிக், நீல் லெஷ், கரன் லோக்பாம், ட்ரூ மெக்கெர்மொட், ரமேஷ் பாட்டில், கரி புல்லி, யிங் சன், ஆஸ்டின் டேட் மற்றும் மைக் வில்லியம்சன் ஆகியோருக்கு நன்றி தெரிவித்துக் கொள்கிறேன். ஆனால் தவறுகளுக்கு முழுப் பொறுப்பையும் நான் ஏற்றுக்கொள்கிறேன். இந்த ஆராய்ச்சிக்கு ஓபிஎஸ் ஆஃப் நேவல் ரிசர்ச் கிராண்ட் 90-ஜே-1904 மற்றும் நேஷனல் சயின்ஸ் ஃபவுண்டேஷன் கிராண்ட் ஐஆர்ஐ-8957302 ஆகியவற்றால் நிதியளிக்கப்பட்டது. |
63f97f3b4808baeb3b16b68fcfdb0c786868baba | இந்த ஆய்வில், ஒரு பரந்தவெளி இரட்டை-ரிட்ஜ் ஹார்ன் ஆண்டெனாவின் வடிவமைப்பு, உற்பத்தி மற்றும் பண்புக்கூறு உள்ளிட்ட முழு வடிவமைப்பு சுழற்சியும், ஒரு பாராபொலிக் லென்ஸ் மற்றும் ஒரு அலை வழிகாட்டி அடாப்டருடன் பொருத்தப்பட்டுள்ளது. 18-40 GHz அதிர்வெண் வரம்பில் பிரதான கதிர்வீச்சு ஓட்டத்தின் உள்ளே ஒரு தட்டையான கட்ட பண்புடன் உயர் திசைத்திறனைப் பெறுவதே முன்வைக்கப்பட்ட வேலையின் முக்கிய குறிக்கோளாக இருந்தது, இதனால் ஆண்டெனா ஒரு இலவச விண்வெளி பொருள் பண்புக்கூறு அமைப்பில் பொருந்தக்கூடியது. |
c5151f18c2499f1d95522536f167f2fcf75f647f | அடுத்த தலைமுறை வேறுபட்ட கம்பியில்லா நெட்வொர்க்குகளில், பல இடைமுக முனையம் கொண்ட ஒரு பயனர் பல்வேறு தொழில்நுட்பங்களைப் பயன்படுத்தி வெவ்வேறு சேவை வழங்குநர்களிடமிருந்து பிணைய அணுகலைக் கொண்டிருக்கலாம். பல அளவுகோல்களையும் பயனர்களின் விருப்பத்தையும் அடிப்படையாகக் கொண்டே கையளிப்பு முடிவு எடுக்கப்படுவதாக நம்பப்படுகிறது. கையளிப்பு முடிவெடுக்கும் சிக்கலைத் தீர்க்க பல்வேறு அணுகுமுறைகள் முன்மொழியப்பட்டுள்ளன, ஆனால் முடிவெடுக்கும் முறையின் தேர்வு தன்னிச்சையானதாகத் தோன்றுகிறது மற்றும் சில முறைகள் சர்ச்சைக்குரிய முடிவுகளை கூட தருகின்றன. இந்த ஆவணத்தில், ஒரு புதிய ஒப்படைப்புத் தீர்மான மூலோபாயத்துடன் ஒரு புதிய ஒப்படைப்புத் தரம் அறிமுகப்படுத்தப்பட்டுள்ளது. மேலும், சில தரநிலைகள் மற்றும் பயனர் விருப்பங்களின் துல்லியமற்ற தகவல்களைக் கையாளும் வகையில், மங்கலான பல பண்புகள் முடிவெடுக்கும் (MADM) சிக்கல் உள்ளது. பல்வேறு மழுப்பலான MADM முறைகளை முறையாக பகுப்பாய்வு செய்தபின், ஒரு சாத்தியமான அணுகுமுறை வழங்கப்படுகிறது. இறுதியில், முன்மொழியப்பட்ட முறைகளை விளக்கும் உதாரணங்கள் வழங்கப்படுகின்றன, மேலும் முறைகளின் உணர்திறன் பகுப்பாய்வு செய்யப்படுகிறது. |
e321ab5d7a98e18253ed7874946a229a10e40f26 | வகைப்படுத்தியின் செயல்திறன் மற்றும் துல்லியம் அம்சத் தேர்வின் விளைவால் நேரடியாக பாதிக்கப்படுகிறது. ஒரு வகுப்பு F- மதிப்பெண் அம்சத் தேர்வு மற்றும் மேம்பட்ட F- மதிப்பெண் அம்சத் தேர்வு மற்றும் மரபணு வழிமுறை ஆகியவற்றின் அடிப்படையில், K அருகிலுள்ள அண்டை, ஆதரவு திசையன் இயந்திரம், சீரற்ற காடு, நேர்மையான பேய்ஸ் போன்ற இயந்திர கற்றல் முறைகளுடன் இணைந்து, ஒரு கலப்பின அம்சத் தேர்வு வழிமுறை இரண்டு வகைப்படுத்தல் சமநிலையற்ற தரவு சிக்கல் மற்றும் பல வகைப்படுத்தல் சிக்கலை செயலாக்க முன்மொழியப்படுகிறது. பாரம்பரிய இயந்திர கற்றல் வழிமுறையுடன் ஒப்பிடும்போது, இது பரந்த அம்ச இடத்தை தேடலாம் மற்றும் சமநிலையற்ற தரவுத் தொகுப்புகளின் பண்புகளை ஹூரிஸ்டிக் விதிகளின்படி கையாள வகைப்படுத்தியை ஊக்குவிக்க முடியும், இது சமநிலையற்ற வகைப்படுத்தலின் சிக்கலை சிறப்பாக கையாள முடியும். பரிசோதனை முடிவுகள் மற்ற மாதிரிகள் ஒப்பிடும்போது இரண்டு வகைப்பாடுகள் மற்றும் பல வகைப்பாடு பிரச்சனை துல்லியம் விகிதம் ரிசீவர் இயக்க பண்பு வளைவு கீழ் பகுதியில் மேம்படுத்தப்பட்ட என்று காட்டுகின்றன |
08fddf1865e48a1adc21d4875396a754711f0a28 | உரை வகைப்படுத்தலுக்கான இயந்திரக் கற்றல் என்பது ஆவண வகைப்படுத்தல், செய்தி வடிகட்டுதல், ஆவண வழிவகுத்தல் மற்றும் தனிப்பயனாக்கத்தின் மூலக்கல்லாகும். உரைத் துறைகளில், கற்றல் பணியை திறம்படவும் துல்லியமாகவும் செய்ய, திறமையான அம்சத் தேர்வு அவசியம். இந்த ஆவணம் பன்னிரண்டு அம்சத் தேர்வு முறைகளின் அனுபவ ரீதியான ஒப்பீட்டை முன்வைக்கிறது (எ. கா. தகவல் பெறுதல்) 229 உரை வகைப்படுத்தல் சிக்கல் நிகழ்வுகளின் தரவரிசையில் மதிப்பீடு செய்யப்பட்டது. இது ராய்ட்டர்ஸ், டிஆர்இசி, ஓஹ்சுமெட் போன்றவற்றிலிருந்து சேகரிக்கப்பட்டது. பல இலக்குகளிலிருந்து முடிவுகள் பகுப்பாய்வு செய்யப்படுகின்றன- துல்லியம், F- அளவீட்டு, துல்லியம், மற்றும் நினைவு-ஒவ்வொருவரும் வெவ்வேறு சூழ்நிலைகளில் பொருத்தமானவை என்பதால். இதன் முடிவுகள், நாம் "Bi-Normal Separation" (BNS) என்று அழைக்கும் ஒரு புதிய அம்சத் தேர்வு முறையானது, பெரும்பாலான சூழ்நிலைகளில் மற்றவர்களை விட கணிசமான விளிம்பில் சிறப்பாக செயல்பட்டது என்பதை வெளிப்படுத்துகிறது. இந்த விளிம்பு உயர் வர்க்க சாய்வு கொண்ட பணிகளில் விரிவடைந்தது, இது உரை வகைப்படுத்தல் சிக்கல்களில் பரவலாக உள்ளது மற்றும் தூண்டல் வழிமுறைகளுக்கு குறிப்பாக சவாலானது. தரவுத் தொகுப்புடன் கூடிய தரவுத் துறையில் பணியாற்றும் நபரின் தேவைகளை மையமாகக் கொண்ட ஒரு புதிய மதிப்பீட்டு முறை வழங்கப்படுகிறது. இந்த முன்னோக்கில் இருந்து, BNS துல்லியத்தைத் தவிர மற்ற அனைத்து இலக்குகளுக்கும் சிறந்த ஒற்றை தேர்வாக இருந்தது, இதில் தகவல் ஆதாயம் பெரும்பாலும் சிறந்த முடிவை அளித்தது. உதாரணமாக, இலாபத்திற்கான தகவல் மற்றும் சதுர சதுர விகிதத்தில் தொடர்புடைய தோல்விகள் இருப்பதாகவும், எனவே அவை ஒன்றாக மோசமாக வேலை செய்கின்றன என்றும் இந்த பகுப்பாய்வு வெளிப்படுத்தியது. நான்கு செயல்திறன் இலக்குகளில் ஒவ்வொன்றிற்கும் உகந்த அளவீடுகளின் ஜோடிகளைத் தேர்ந்தெடுக்கும்போது, BNS என்பது ஜோடியின் உறுப்பு ஆகும் - உதாரணமாக, அதிகபட்ச நினைவுகூரலுக்காக, ஜோடி BNS + F1 அளவீடு மிகப்பெரிய எண்ணிக்கையிலான பணிகளில் சிறந்த செயல்திறனை கணிசமான விளிம்பில் அளித்தது. |
32352a889360e365fa242ad3040ccd6c54131d47 | |
7857cdf46d312af4bb8854bd127e5c0b4268f90c | தொடர்ச்சியான கடத்தல் முறையில் (CCM) செயல்படும் அதிகரிப்பு சக்தி காரணி திருத்தம் (PFC) மாற்றிகளின் மாறும் பதிலானது மின்னழுத்த கட்டுப்பாட்டு சுழற்சியின் குறைந்த அலைவரிசையால் பெரிதும் பாதிக்கப்படுகிறது. இந்த ஆய்வில், ஒரு புதிய முக்கோண-நிலை அதிகரிப்பு PFC மாற்றி, போலி-தொடர்பு-நடத்துதல் முறையில் (PCCM) செயல்படுகிறது. ஒரு ஃப்ரீவீலிங் சுவிட்ச் கண்ட்ரோல் இடைவெளியால் அறிமுகப்படுத்தப்பட்ட கூடுதல் அளவு கட்டுப்பாட்டு சுதந்திரம் PFC கட்டுப்பாட்டை அடைய உதவுகிறது. ஒரு எளிய மற்றும் வேகமான மின்னழுத்த கட்டுப்பாட்டு சுழற்சியை நிலையான வெளியீட்டு மின்னழுத்தத்தை பராமரிக்க பயன்படுத்தலாம். மேலும், வழக்கமான தொடர்ச்சியான கடத்தல் முறையில் (DCM) செயல்படும் boost PFC மாற்றிக்கு ஒப்பிடும்போது, PCCM இல் செயல்படும் boost PFC மாற்றி குறைந்த மின்னோட்ட மற்றும் மின்னழுத்த அலைகளுடன் கணிசமாக மேம்பட்ட மின்னோட்ட கையாளுதல் திறனைக் காட்டுகிறது. மூன்று நிலை அதிகரிப்பு PFC மாற்றி பகுப்பாய்வு மற்றும் உருவகப்படுத்துதல் முடிவுகள் வழங்கப்பட்டு, வழக்கமான CCM மற்றும் DCM இல் செயல்படும் அதிகரிப்பு PFC மாற்றிகளுடன் ஒப்பிடப்பட்டுள்ளன. சிமுலேஷன் முடிவுகள் மூன்று நிலை ஊக்க PFC மாற்றி சிறந்த மாறும் செயல்திறன் காட்டுகின்றன. |
8629cebb7c574adf40d71d41389f340804c8c81f | 1890 களில் வுசெடிச் மற்றும் ஹென்றி ஆகியோரின் விரல்வடிவ வகைப்படுத்தல் முறைகள் முதல் தானியங்கி விரல்வடிவ அடையாளம் காணல் வரையிலான தனிநபர்களை அடையாளம் காண விரல்வடிவ வடிவங்களைப் பயன்படுத்துவதற்கான முயற்சிகளின் வரலாற்றில் முக்கிய முன்னேற்றங்களை இந்த கட்டுரை சுருக்கமாகக் கூறுகிறது. கைரேகைகளை பதிவு செய்வதற்கும், சேமிப்பதற்கும், பொருத்துவதற்கும், மீட்டெடுப்பதற்கும் "கையேடு" அமைப்புகளின் வரலாற்றை விவரிப்பதன் மூலம், கட்டுரை தானியங்கி கைரேகை அங்கீகாரத்தில் முன்னேற்றங்களை வரலாற்று சூழலில் வைக்கிறது மற்றும் அவற்றின் வரலாற்று மற்றும் சமூக முக்கியத்துவத்தை எடுத்துக்காட்டுகிறது. |
7d9089cbe958da21cbd943bdbcb996f4499e701b | ஆவண மட்ட உணர்வு வகைப்பாடு ஒரு சவாலாக உள்ளது: ஒரு ஆவணத்தின் சொற்பொருள் அர்த்தத்தில் வாக்கியங்களுக்கு இடையிலான உள்ளார்ந்த உறவுகளை குறியீட்டு செய்தல். இதைத் தீர்க்க, ஒரு நரம்பியல் வலையமைப்பு மாதிரியை அறிமுகப்படுத்துகிறோம். இது ஒருங்கிணைந்த, கீழ் இருந்து மேல் வரை உள்ள வேக்டார் அடிப்படையிலான ஆவண பிரதிநிதித்துவத்தை கற்றுக்கொள்ள உதவுகிறது. இந்த மாதிரி முதலில், கூட்டு மூளை நெட்வொர்க் அல்லது நீண்ட குறுகிய கால நினைவகம் மூலம் வாக்கிய பிரதிநிதித்துவத்தை கற்றுக்கொள்கிறது. பின்னர், வாக்கியங்களின் சொற்பொருள் மற்றும் அவற்றின் உறவுகள் தழுவல் முறையில் வாயிலிடப்பட்ட தொடர்ச்சியான நரம்பியல் வலையமைப்பால் ஆவண பிரதிநிதித்துவத்தில் குறியிடப்படுகின்றன. IMDB மற்றும் Yelp தரவுத்தள சவாலில் இருந்து நான்கு பெரிய அளவிலான ஆய்வு தரவுத்தளங்களில் ஆவண நிலை உணர்வு வகைப்படுத்தலை நடத்துகிறோம். பரிசோதனை முடிவுகள் பின்வருமாறு காட்டுகின்றன: (1) நமது நரம்பியல் மாதிரி பல அதிநவீன வழிமுறைகளை விட சிறந்த செயல்திறனைக் காட்டுகிறது; (2) உணர்வு வகைப்பாட்டிற்கான ஆவண மாதிரியில் நிலையான தொடர்ச்சியான நரம்பியல் வலையமைப்பை விட கேட் செய்யப்பட்ட தொடர்ச்சியான நரம்பியல் நெட்வொர்க் வியத்தகு முறையில் சிறந்தது. |
b294b61f0b755383072ab332061f45305e0c12a1 | மேற்பார்வையிடப்பட்ட பணியில் செயல்திறனை மேம்படுத்த தற்போதுள்ள சொற்பொருள் சொல் திசையன்களை மறு நோக்கத்திற்காக ஒரு விரைவான முறையை நாங்கள் முன்வைக்கிறோம். சமீபத்தில், கணினி வளங்கள் அதிகரித்ததன் மூலம், பெரிய அளவிலான பெயரிடப்படாத தரவுகளிலிருந்து பணக்கார வார்த்தை உட்பொதிப்புகளைக் கற்றுக்கொள்வது சாத்தியமானது. இருப்பினும், சில முறைகள் நல்ல உட்பொதிப்புகளை கற்றுக்கொள்ள நாட்கள் அல்லது வாரங்கள் எடுக்கும், மேலும் சிலவற்றை பயிற்சி செய்வது மிகவும் கடினம். நாம் ஒரு முறையை முன்மொழிகிறோம், இது உள்ளீடாக ஒரு இருக்கும் உட்பொதிப்பை எடுத்து, சில பெயரிடப்பட்ட தரவு, மற்றும் அதே இடத்தில் ஒரு உட்பொதிப்பை உருவாக்குகிறது, ஆனால் மேற்பார்வையிடப்பட்ட பணியில் சிறந்த கணிப்பு செயல்திறனுடன். பல அடிப்படைக் கோடுகள் தொடர்பாக உணர்வு வகைப்படுத்தல் பணியில் முன்னேற்றத்தைக் காட்டுகிறோம், மேலும் பயிற்சி தொகுப்பு போதுமான அளவு சிறியதாக இருக்கும்போது அணுகுமுறை மிகவும் பயனுள்ளதாக இருக்கும் என்று கவனிக்கிறோம். |
4a27709545cfa225d8983fb4df8061fb205b9116 | வங்கி நீண்ட கால வைப்புகளை விற்பனை செய்வதற்கான தொலைத்தொடர்பு அழைப்புகளின் வெற்றியைக் கணிப்பதற்கு தரவு சுரங்க (டி.எம்.) அணுகுமுறையை நாங்கள் முன்மொழிகிறோம். 2008 முதல் 2013 வரையிலான காலப்பகுதியில் சேகரிக்கப்பட்ட தரவுகளுடன், சமீபத்திய நிதி நெருக்கடியின் விளைவுகள் உட்பட, ஒரு போர்த்துகீசிய சில்லறை வங்கிக்கு உரையாற்றப்பட்டது. வங்கி வாடிக்கையாளர், தயாரிப்பு மற்றும் சமூக பொருளாதார பண்புகளுடன் தொடர்புடைய 150 அம்சங்களை நாங்கள் பகுப்பாய்வு செய்தோம். ஜூலை 2012க்கு முன்னர் தரவுகளுடன் மேற்கொள்ளப்பட்ட மாதிரி கட்டத்தில் ஒரு அரை தானியங்கி அம்சத் தேர்வு ஆராயப்பட்டது, இது 22 அம்சங்களின் குறைக்கப்பட்ட தொகுப்பைத் தேர்ந்தெடுக்க அனுமதித்தது. நாங்கள் நான்கு டிஎம் மாதிரிகளையும் ஒப்பிட்டோம்: லாஜிஸ்டிக் பின்னடைவு, முடிவு மரங்கள் (டிடி), நரம்பியல் நெட்வொர்க் (என்என்) மற்றும் ஆதரவு திசையன் இயந்திரம். இரண்டு அளவீடுகள், ரிசீவர் இயக்க பண்புக் கோணத்தின் (AUC) பகுதி மற்றும் LIFT குவிப்புக் கோணத்தின் (ALIFT) பகுதி ஆகியவற்றைப் பயன்படுத்தி, நான்கு மாதிரிகள் சமீபத்திய தரவுகளை (ஜூலை 2012 க்குப் பிறகு) மற்றும் ஒரு உருட்டல் ஜன்னல் திட்டத்தைப் பயன்படுத்தி மதிப்பீட்டு கட்டத்தில் சோதிக்கப்பட்டன. NN சிறந்த முடிவுகளை (AUC=0.8 மற்றும் ALIFT=0.7) வழங்கியது, இது 79% சந்தாதாரர்களை அடைய அனுமதித்தது, பாதி சிறந்த வகைப்படுத்தப்பட்ட வாடிக்கையாளர்களைத் தேர்ந்தெடுத்தது. மேலும், இரண்டு அறிவு பிரித்தெடுத்தல் முறைகள், ஒரு உணர்திறன் பகுப்பாய்வு மற்றும் ஒரு டிடி, NN மாதிரிக்கு பயன்படுத்தப்பட்டன மற்றும் பல முக்கிய பண்புகளை வெளிப்படுத்தின (எ. கா. , யூரிபோர் விகிதம், அழைப்பின் திசை மற்றும் வங்கி முகவர் அனுபவம்). இத்தகைய அறிவு பிரித்தெடுத்தல், தொலைதொடர்பு சந்தைப்படுத்தல் பிரச்சார மேலாளர்களுக்கு பெறுகின்ற மாதிரி நம்பகமானதாகவும் மதிப்புமிக்கதாகவும் இருப்பதை உறுதிப்படுத்தியது. Elsevier க்கு 19 பிப்ரவரி 2014 அன்று வழங்கப்பட்ட முன் அச்சு |
138c86b9283e4f26ff1583acdf4e51a5f88ccad1 | மனிதர்கள் வெவ்வேறு பொருள்களுடன் தொடர்புகொள்வதைக் காட்டும் படங்கள் மற்றும் வீடியோக்களை விளக்குவது ஒரு கடினமான பணியாகும். இது ஒரு காட்சி அல்லது நிகழ்வைப் புரிந்துகொள்வது, மனித இயக்கங்களை பகுப்பாய்வு செய்வது, கையாளக்கூடிய பொருட்களை அடையாளம் காண்பது மற்றும் அந்த பொருட்களில் மனித இயக்கத்தின் விளைவைக் கவனிப்பது ஆகியவற்றை உள்ளடக்கியது. இந்த உணர்வுப் பணிகள் ஒவ்வொன்றும் சுயாதீனமாக மேற்கொள்ளப்படலாம் என்றாலும், அவைகளுக்கிடையேயான தொடர்புகள் கருதப்படும்போது அங்கீகார விகிதம் மேம்படுகிறது. மனித உணர்வின் உளவியல் ஆய்வுகளால் உந்துதல் பெற்ற, நாம் ஒரு பேயஸிய அணுகுமுறையை முன்வைக்கிறோம், இது மனித-பொருள் தொடர்புகளை புரிந்துகொள்வதில் ஈடுபட்டுள்ள பல்வேறு உணர்வு பணிகளை ஒருங்கிணைக்கிறது. பொருள் மற்றும் செயல் அங்கீகாரத்திற்கான முந்தைய அணுகுமுறைகள் முறையே நிலையான வடிவம் அல்லது தோற்ற அம்ச பொருத்தம் மற்றும் இயக்க பகுப்பாய்வு ஆகியவற்றை நம்பியுள்ளன. நமது அணுகுமுறை இந்த பாரம்பரிய அணுகுமுறைகளைத் தாண்டி, ஒவ்வொரு புலனுணர்வு கூறுகளுக்கும் இடஞ்சார்ந்த மற்றும் செயல்பாட்டு கட்டுப்பாடுகளை ஒருங்கிணைந்த சொற்பொருள் விளக்கத்திற்காக பயன்படுத்துகிறது. இதுபோன்ற கட்டுப்பாடுகள் வெளிப்பாடுகள் போதுமான அளவு வேறுபடுத்தி பார்க்காதபோது பொருள்களையும் செயல்களையும் அடையாளம் காண அனுமதிக்கின்றன. எந்தவொரு இயக்கத் தகவலையும் பயன்படுத்தாமல் நிலையான படங்களிலிருந்து செயல்களை அங்கீகரிப்பதில் இத்தகைய கட்டுப்பாடுகளின் பயன்பாட்டை நாங்கள் நிரூபிக்கிறோம். |
321f14b35975b3800de5e66da64dee96071603d9 | பல இயந்திர கற்றல் பயன்பாடுகளில் அம்சத் தேர்வு ஒரு முக்கியமான கூறு ஆகும். குறிப்பாக பல பயோஇன்ஃபோர்மேடிக்ஸ் பணிகளில், பயனுள்ள அம்சங்களை பிரித்தெடுக்கவும் சத்தமில்லாதவற்றை அகற்றவும் திறமையான மற்றும் வலுவான அம்ச தேர்வு முறைகள் விரும்பப்படுகின்றன. இந்த ஆய்வில், இழப்பு செயல்பாடு மற்றும் ஒழுங்குபடுத்தல் ஆகிய இரண்டிலும் கூட்டு ≠2,1-வழக்கக் குறைப்புக்கு முக்கியத்துவம் அளிக்கும் ஒரு புதிய வலுவான அம்சத் தேர்வு முறையை நாங்கள் முன்மொழிகிறோம். `2,1-வழக்கத்தை அடிப்படையாகக் கொண்ட இழப்பு செயல்பாடு தரவு புள்ளிகளில் அவுட்லீயர்களுக்கு வலுவானது மற்றும் `2,1norm ஒழுங்குபடுத்தல் கூட்டு மந்தநிலையுடன் அனைத்து தரவு புள்ளிகளிலும் அம்சங்களைத் தேர்ந்தெடுக்கிறது. நிரூபிக்கப்பட்ட ஒத்திசைவுடன் ஒரு திறமையான வழிமுறை அறிமுகப்படுத்தப்படுகிறது. நமது பின்னடைவு அடிப்படையிலான நோக்கம் அம்சத் தேர்வு செயல்முறையை மிகவும் திறமையாகச் செய்கிறது. எங்கள் முறை மரபணு மற்றும் புரதவியல் இருவகையிலும் பயோமார்க்கர்களைக் கண்டறியப் பயன்படுத்தப்பட்டுள்ளது. நமது அம்சத் தேர்வு முறையின் செயல்திறனை நிரூபிக்க ஆறு தரவுத் தொகுப்புகளில் விரிவான அனுபவ ஆய்வுகள் மேற்கொள்ளப்படுகின்றன. |
9b505dd5459fb28f0136d3c63793b600042e6a94 | மல்டிமீடியா உள்ளடக்க பகுப்பாய்வு மற்றும் மீட்டெடுப்புக்கான ஒரு புதிய கட்டமைப்பை நாங்கள் முன்வைக்கிறோம், இது இரண்டு சுயாதீனமான வழிமுறைகளைக் கொண்டுள்ளது. முதலில், தரவு தரவரிசைக்கு ஒரு வலுவான லப்பலசியன் மேட்ரிக்ஸியைக் கற்றுக்கொள்ள லோக்கல் ரெக்ரெஷன் மற்றும் குளோபல் அலைன்மென்ட் (LRGA) உடன் தரவரிசைப்படுத்தும் புதிய அரை மேற்பார்வையிடப்பட்ட வழிமுறையை நாங்கள் முன்மொழிகிறோம். LRGA இல், ஒவ்வொரு தரவு புள்ளியிலும், அதன் அண்டை புள்ளிகளின் தரவரிசை மதிப்பெண்களைக் கணிப்பதற்கு ஒரு உள்ளூர் நேரியல் பின்னடைவு மாதிரி பயன்படுத்தப்படுகிறது. பின்னர், அனைத்து தரவு புள்ளிகளிலிருந்தும் உள்ளூர் மாதிரிகளை ஒத்திசைக்க ஒரு ஒருங்கிணைந்த குறிக்கோள் செயல்பாடு முன்மொழியப்படுகிறது, இதனால் ஒவ்வொரு தரவு புள்ளியிலும் உகந்த தரவரிசை மதிப்பெண்ணை ஒதுக்க முடியும். இரண்டாவதாக, மல்டிமீடியா தரவு பிரதிநிதித்துவத்தை மேம்படுத்த ஒரு அரை-கண்காணிக்கப்பட்ட நீண்ட கால பொருத்தமான பின்னூட்ட (RF) வழிமுறையை நாங்கள் முன்மொழிகிறோம். முன்மொழியப்பட்ட நீண்ட கால RF வழிமுறை மல்டிமீடியா அம்ச இடத்திலுள்ள மல்டிமீடியா தரவு விநியோகம் மற்றும் பயனர்களால் வழங்கப்பட்ட வரலாற்று RF தகவல்களைப் பயன்படுத்துகிறது. ஒரு தடமறிதல் விகித உகப்பாக்கம் சிக்கல் பின்னர் ஒரு திறமையான வழிமுறையால் வடிவமைக்கப்பட்டு தீர்க்கப்படுகிறது. இந்த வழிமுறைகள் பல உள்ளடக்க அடிப்படையிலான மல்டிமீடியா மீட்டெடுப்பு பயன்பாடுகளுக்குப் பயன்படுத்தப்பட்டுள்ளன, இதில் குறுக்கு ஊடக மீட்டெடுப்பு, பட மீட்டெடுப்பு மற்றும் 3D இயக்கம் / நிலை தரவு மீட்டெடுப்பு ஆகியவை அடங்கும். நான்கு தரவுத் தொகுப்புகளில் விரிவான பரிசோதனைகள் துல்லியம், வலுவான தன்மை, அளவிடக்கூடிய தன்மை மற்றும் கணக்கீட்டு செயல்திறன் ஆகியவற்றில் அதன் நன்மைகளை நிரூபித்துள்ளன. |
0ef550dacb89fb655f252e5b17dbd5d643eb5ac1 | இரண்டு மாக்கக் குரங்குகளின் கீழ் பகுதி 6 (பகுதி F5) இன் ரோஸ்ட்ரல் பகுதியில் உள்ள 532 நியூரான்களிலிருந்து மின் செயல்பாட்டை நாங்கள் பதிவு செய்தோம். முன்னைய தரவு, இந்த பகுதியின் நரம்பியல் செல்கள் இலக்கு நோக்கிய கை மற்றும் வாய் இயக்கங்களின் போது வெளியேற்றப்படுகின்றன என்பதைக் காட்டியது. புதிதாகக் கண்டறியப்பட்ட F5 நியூரான்களின் தொகுப்பின் ("பிரதிபலிப்பு நியூரான்கள்", n = 92) பண்புகளை இங்கு விவரிக்கிறோம். இவை அனைத்தும் குரங்கு ஒரு குறிப்பிட்ட செயலைச் செய்தபோது மற்றும் பரிசோதகர் செய்த இதேபோன்ற செயலைக் கவனித்தபோது செயலில் இருந்தன. கண்ணாடி நரம்புகள், காட்சி ரீதியாக தூண்டப்படுவதற்கு, செயலின் முகவருக்கும் அதன் பொருளுக்கும் இடையே ஒரு தொடர்பு தேவைப்படுகிறது. முகவர் அல்லது பொருளின் பார்வை மட்டும் (மூன்று பரிமாண பொருள்கள், உணவு) பயனற்றது. கை மற்றும் வாய் மிகச் சிறந்த செயல்களாக இருந்தன. கண்ணாடி நரம்பணுக்களை செயல்படுத்தும் செயல்களில் மிகவும் பிரதிபலித்தவை, பிடிப்பது, கையாளுதல் மற்றும் வைப்பது. பெரும்பாலான கண்ணாடி நரம்பியல் செல்களில் (92%) அவர்கள் பதிலளித்த காட்சி நடவடிக்கைக்கும் அவர்கள் குறியீட்டு இயந்திர பதிலுக்கும் இடையில் ஒரு தெளிவான உறவு இருந்தது. சுமார் 30% கண்ணாடி நரம்பியல் ஒற்றுமை மிகவும் கண்டிப்பாக இருந்தது மற்றும் திறம்பட கண்காணிக்கப்பட்ட மற்றும் செயல்படுத்தப்பட்ட செயல்கள் பொது நடவடிக்கை அடிப்படையில் (எ. கா. கைப்பற்றல்) மற்றும் அந்த நடவடிக்கை நிறைவேற்றப்பட்ட விதத்தில் (எ. கா. துல்லியமான பிடியில்). கண்ணாடி நரம்பியல் கண்காணிப்பு மற்றும் இயக்க நடவடிக்கைகளை நிறைவேற்றுவதற்கான ஒரு அமைப்பை உருவாக்குகிறது என்று முன்மொழிவதன் மூலம் முடிக்கிறோம். இந்த அமைப்பின் செயல் அங்கீகாரத்தில் சாத்தியமான பங்கைப் பற்றி விவாதிக்கிறோம், மேலும் F5 மற்றும் மனித ப்ரோக்காவின் பிராந்தியத்திற்கு இடையில் முன்மொழியப்பட்ட ஒற்றுமையைக் கருத்தில் கொண்டு, கண்ணாடி நரம்பியல் போன்ற ஒரு பொருந்தக்கூடிய அமைப்பு மனிதர்களில் உள்ளது என்றும், செயல்களையும் ஒலிப்பு சைகைகளையும் அங்கீகரிப்பதில் ஈடுபடக்கூடும் என்றும் நாங்கள் கருதுகிறோம். |
15b2c44b3868a1055850846161aaca59083e0529 | லேபிளிடப்பட்ட மற்றும் லேபிளிடப்படாத தரவுகளிலிருந்து கற்றல் பற்றிய பொதுவான சிக்கலை நாங்கள் கருதுகிறோம், இது பெரும்பாலும் அரை மேற்பார்வையிடப்பட்ட கற்றல் அல்லது மாற்றும் ஊகங்கள் என்று அழைக்கப்படுகிறது. அரை மேற்பார்வையிடப்பட்ட கற்றலுக்கான ஒரு கொள்கை அணுகுமுறை, அறியப்பட்ட பெயரிடப்பட்ட மற்றும் பெயரிடப்படாத புள்ளிகளால் கூட்டாக வெளிப்படுத்தப்படும் உள் அமைப்பு தொடர்பாக போதுமான மென்மையான ஒரு வகைப்படுத்தும் செயல்பாட்டை வடிவமைப்பதாகும். இதுபோன்ற ஒரு மென்மையான தீர்வைப் பெறுவதற்கான எளிய வழிமுறையை நாங்கள் முன்வைக்கிறோம். எமது முறை பல வகைப்படுத்தல் சிக்கல்களில் ஊக்கமளிக்கும் பரிசோதனை முடிவுகளை அளிக்கிறது மற்றும் பெயரிடப்படாத தரவுகளின் பயனுள்ள பயன்பாட்டை நிரூபிக்கிறது. |
50886d25ddd5d0d1982ed94f90caa67639fcf1a1 | |
4c2bbcb3e897e927cd390517b2036b0b9123953c | இந்த கட்டமைப்பின் மறுபயன்பாட்டை மேம்படுத்துவதற்காக, கணிப்பொறிகள் மற்றும் இயந்திரங்கள் ஆகியவற்றின் இடைவெளி-நேர தொடர்புகள் பற்றிய கருத்தை அறிமுகப்படுத்துகிறது. அதன் பயன்பாட்டினைக் காட்ட, BeAware! சாலை போக்குவரத்து மேலாண்மை துறையில் இந்த திட்டம் செயல்படுத்தப்பட்டுள்ளது. இந்த முன்மாதிரி பற்றிய ஒரு கண்ணோட்டமும், ஆன்டாலஜி-டிரைன் தகவல் அமைப்புகளின் வளர்ச்சிக்கான படிப்பினைகளும் எங்கள் பங்களிப்பை நிறைவு செய்கின்றன. © 2010 Elsevier B. V. அனைத்து உரிமைகளும் பாதுகாக்கப்பட்டவை. 18 ஜூலை 2010 இணையத்தில் கிடைக்கிறது தகவல் அதிகப்படியான அளவு என்பது பெரிய அளவிலான கட்டுப்பாட்டு அமைப்புகளின் மனித ஆபரேட்டர்களுக்கு ஒரு கடுமையான பிரச்சினையாகும், எடுத்துக்காட்டாக, சாலை போக்குவரத்து நிர்வாகத்தின் துறையில் சந்தித்திருக்கிறது. இத்தகைய அமைப்புகளின் ஆபரேட்டர்கள் நிலைமை விழிப்புணர்வு இல்லாத ஆபத்தில் உள்ளனர், ஏனெனில் தற்போதுள்ள அமைப்புகள் கிராஃபிக் பயனர் இடைமுகங்களில் கிடைக்கக்கூடிய தகவல்களை வழங்குவதில் கவனம் செலுத்துகின்றன - இதனால் சரியான நேரத்தில் மற்றும் சரியான அடையாளம் காணல், தீர்வு மற்றும் முக்கியமான சூழ்நிலைகளைத் தடுப்பது ஆபத்தில் உள்ளது. சமீபத்திய ஆண்டுகளில், சூழ்நிலை விழிப்புணர்வுக்கு ஆன்டாலஜி அடிப்படையிலான அணுகுமுறைகள் ஒரு சொற்பொருளாக பணக்கார அறிவு மாதிரியைக் கொண்டுள்ளன. இருப்பினும், தற்போதைய அணுகுமுறைகள் மிகவும் கள-குறிப்பிட்டவை அல்லது கள-சுயாதீனமானவை என்றால், அவற்றின் மறுபயன்பாட்டு தொடர்பான குறைபாடுகள் உள்ளன. இந்த ஆய்வறிக்கையில், BeAware! என்ற அமைப்பை உருவாக்கியதில் நாம் பெற்ற அனுபவத்தை முன்வைக்கிறோம். இது ஒரு ஆன்டாலஜி-டிரைன் தகவல் அமைப்புகளுக்கான ஒரு கட்டமைப்பாகும். இதன் நோக்கம் ஒரு ஆபரேட்டரின் நிலைமை விழிப்புணர்வை அதிகரிப்பதாகும். தற்போதுள்ள டொமைன்-சுயாதீன அணுகுமுறைகளுக்கு மாறாக, BeAware! |
abf9ee52b29f109f5dbf6423fbc0d898df802971 | |
a31e3b340f448fe0a276b659a951e39160a350dd | பொது தகவல் அமைப்பு (IS) மற்றும் சில வகையான தகவல் தொழில்நுட்ப (IT) பயன்பாடுகள் குறித்த பயனர் திருப்தி IS ஆராய்ச்சியில் முழுமையாக ஆய்வு செய்யப்பட்டுள்ளது. போர்டல் தொழில்நுட்பத்தின் பரவலான மற்றும் அதிகரித்து வரும் பயன்பாட்டின் மூலம், போர்டல் பயன்பாட்டைப் பற்றிய பயனர் திருப்தி ஆய்வு நடத்த வேண்டிய அவசியம் உள்ளது - குறிப்பாக, வணிகத்திலிருந்து ஊழியர் (பி2இ) போர்டல். இந்த ஆய்வில், பயனர் திருப்தி அளவீடுகள் மற்றும் b2e போர்ட்டல் பற்றிய விரிவான இலக்கிய ஆய்வு மூலம் பெறப்பட்ட b2e போர்ட்டல் பயனர் திருப்தியை தீர்மானிக்க ஒரு கருத்தியல் மாதிரியை நாங்கள் முன்மொழிகிறோம். b2e இணையதள பயனர்களின் திருப்திக்கு ஒன்பது பரிமாணங்கள் அடையாளம் காணப்பட்டு மாதிரி செய்யப்பட்டுள்ளன: தகவல் உள்ளடக்கம், பயன்பாட்டின் எளிமை, அணுகல் வசதி, சரியான நேரத்தில், செயல்திறன், பாதுகாப்பு, இரகசியத்தன்மை, தொடர்பு மற்றும் தளவமைப்பு. |
0848827ba30956e29d7d126d0a05e51660094ebe | ஸ்மார்ட் வீடுகள், ஸ்மார்ட் நகரங்கள், சுகாதாரப் பாதுகாப்பு, போக்குவரத்து போன்ற துறைகளில் முன்னுதாரண மாற்றத்தை ஏற்படுத்தும் வகையில், தானியங்கி அமைப்புகளின் மேலாண்மை மற்றும் கட்டுப்பாட்டில், இன்டர்நெட் ஆஃப் திங்ஸ் (ஐஓடி) புரட்சியை ஏற்படுத்தி வருகிறது. போர்க்களங்களில் இராணுவ நடவடிக்கைகளின் செயல்திறனை மேம்படுத்துவதில் IoT தொழில்நுட்பம் முக்கிய பங்கு வகிக்கும் என்று எதிர்பார்க்கப்படுகிறது. ஒருங்கிணைந்த தானியங்கி முடிவுகளுக்கான போர்க்கள உபகரணங்கள் மற்றும் பிற போர்க்கள வளங்களின் ஒருங்கிணைப்பு போர்க்கள விஷயங்களின் இணையம் (IoBT) என குறிப்பிடப்படுகிறது. தகவல் தொடர்பு உள்கட்டமைப்பு இல்லாதது, சைபர் மற்றும் உடல் ரீதியான தாக்குதல்களுக்கு சாதனங்களின் பாதிப்பு போன்ற போர்க்கள குறிப்பிட்ட சவால்கள் காரணமாக IoBT நெட்வொர்க்குகள் பாரம்பரிய IoT நெட்வொர்க்குகளிலிருந்து கணிசமாக வேறுபடுகின்றன. போர்க்கால சூழ்நிலைகளில் போர்க்கால செயல்திறன் மற்றும் ஒருங்கிணைந்த முடிவெடுக்கும் அதிக அளவில் நிகழ்நேர தரவு சேகரிப்பில் உள்ளது, இது நெட்வொர்க்கின் இணைப்பு மற்றும் எதிரிகளின் முன்னிலையில் தகவல் பரப்புதல் ஆகியவற்றை சார்ந்துள்ளது. பாதுகாப்பான மற்றும் மறுசீரமைக்கக்கூடிய IoBT நெட்வொர்க்குகளை வடிவமைப்பதற்கான தத்துவார்த்த அடித்தளங்களை உருவாக்குவதை இந்த பணி நோக்கமாகக் கொண்டுள்ளது. ஸ்டோகாஸ்டிக் வடிவியல் மற்றும் கணித நோய்த்தொற்றுவியல் ஆகியவற்றின் கோட்பாடுகளை பயன்படுத்தி, பல்வேறு வகையான நெட்வொர்க் சாதனங்களுக்கு இடையில் பணி-முக்கிய தரவுகளின் தகவல்தொடர்புகளை ஆய்வு செய்வதற்கான ஒருங்கிணைந்த கட்டமைப்பை நாங்கள் உருவாக்குகிறோம், இதன் விளைவாக செலவு குறைந்த முறையில் நெட்வொர்க்கை வடிவமைக்கிறோம். |
32e876a9420f7c58a3c55ec703416c7f57a54f4c | நிகழ்தகவு வரைகலை மாதிரிகள், நம்பிக்கை நெட்வொர்க்குகள், காரண தாக்கம் மற்றும் நிகழ்தகவு ஊகங்கள் ஆகியவற்றின் வளர்ந்து வரும் துறைகளில் உள்ள பெரும்பாலான ஆராய்ச்சியாளர்களுக்கு, ACM டுரிங் விருது வென்ற டாக்டர் பேர்ல் மற்றும் அவரது கருத்தரங்கு ஆவணங்கள் காரணங்கள் குறித்து நன்கு அறியப்பட்டவை மற்றும் அங்கீகரிக்கப்பட்டுள்ளன. காரணத்தின் பிரதிநிதித்துவம் மற்றும் தீர்மானம், ஒரு நிகழ்வு (காரணம்) மற்றும் இரண்டாவது நிகழ்வு (விளைவு) ஆகியவற்றுக்கு இடையேயான உறவு, இரண்டாவது நிகழ்வு முதல் விளைவாக புரிந்து கொள்ளப்படும்போது, இது ஒரு சவாலான பிரச்சினையாகும். பல ஆண்டுகளாக, டாக்டர் பேர்ல், காரண விளைவுகளின் கலை மற்றும் அறிவியல் இரண்டையும் பற்றி குறிப்பிடத்தக்க வகையில் எழுதியுள்ளார். "உதவிக்குறிப்புஃ மாதிரிகள், பகுத்தறிவு மற்றும் ஊகங்கள்" என்ற இந்த புத்தகத்தில், பேயஸியன் நம்பிக்கை நெட்வொர்க்குகளின் கண்டுபிடிப்பாளர் தனது முந்தைய பணிகளை விவாதித்து விரிவுபடுத்துகிறார், ஆனால் காரணமும் விளைவும், புள்ளிவிவரங்களில் காரண ஊகம், சிம்ப்சன் முரண்பாடு, அனுபவ ஆராய்ச்சிக்கான காரண வரைபடங்கள், காரணக் கோரிக்கைகளின் வலுவான தன்மை, காரணங்கள் மற்றும் விளக்கங்கள் மற்றும் காரண வரம்புகள் மற்றும் அடையாளம் காணும் சாத்தியக்கூறுகள். |
a04145f1ca06c61f5985ab22a2346b788f343392 | கடந்த பத்தாண்டுக்கும் மேலாக தகவல் தொழில்நுட்ப அமைப்புகளின் வெற்றிக்கான காரணங்களை கண்டறியும் முயற்சியில் ஏராளமான ஆய்வுகள் மேற்கொள்ளப்பட்டுள்ளன. எனினும், இந்த ஆய்வுகளில் சார்ந்த மாறி - I/S வெற்றி - வரையறுக்க முடியாத ஒன்றாக இருந்து வருகிறது. வெவ்வேறு ஆராய்ச்சியாளர்கள் வெற்றியின் வெவ்வேறு அம்சங்களைக் கையாண்டனர், இது ஒப்பீடுகளை கடினமாக்குகிறது மற்றும் I / S ஆராய்ச்சிக்கான ஒரு குவிப்பு பாரம்பரியத்தை உருவாக்குவதற்கான வாய்ப்பு இதேபோல் தவிர்க்க முடியாதது. இந்த பல்வேறு ஆராய்ச்சியை ஒழுங்கமைக்க, அத்துடன் I/S வெற்றியின் கருத்தை ஒருங்கிணைந்த பார்வையை முன்வைக்க, ஒரு விரிவான வகைப்பாடு அறிமுகப்படுத்தப்பட்டுள்ளது. இந்த வகைப்பாடு ஆறு முக்கிய பரிமாணங்களை அல்லது I/S வெற்றிக்கான வகைகளை முன்வைக்கிறது- அமைப்பு முறை, தகவல் தரம், பயன்பாடு, பயனர் திருப்தி, தனிப்பட்ட தாக்கம், மற்றும் நிறுவன தாக்கம். இந்த பரிமாணங்களைப் பயன்படுத்தி, கருத்தியல் மற்றும் அனுபவ ஆய்வுகள் இரண்டும் மதிப்பாய்வு செய்யப்படுகின்றன (மொத்தம் 180 கட்டுரைகள் மேற்கோள் காட்டப்படுகின்றன) மற்றும் வகைப்பாட்டின் பரிமாணங்களின்படி ஒழுங்கமைக்கப்படுகின்றன. இறுதியாக, I/S வெற்றியின் பல அம்சங்கள் ஒரு விவரிப்பு மாதிரி ஒன்றாக வரையப்பட்டு, எதிர்கால I/S ஆராய்ச்சிக்கான அதன் தாக்கங்கள் விவாதிக்கப்படுகின்றன. |
a99f1f749481e44abab0ba9a8b7c1d3572a2e465 | |
5c8bb027eb65b6d250a22e9b6db22853a552ac81 | |
3913d2e0a51657a5fe11305b1bcc8bf3624471c0 | பிரதிநிதித்துவக் கற்றல் என்பது இயற்கை மொழி செயலாக்கத்தில் ஒரு அடிப்படைப் பிரச்சினையாகும். இந்த ஆய்வில், உரை வகைப்படுத்தலுக்கான கட்டமைக்கப்பட்ட பிரதிநிதித்துவத்தை எவ்வாறு கற்றுக்கொள்வது என்பது பற்றி ஆய்வு செய்யப்படுகிறது. தற்போதுள்ள பெரும்பாலான பிரதிநிதித்துவ மாதிரிகள் எந்த கட்டமைப்பையும் பயன்படுத்தாத அல்லது முன்-குறிப்பிட்ட கட்டமைப்புகளை நம்பியிருக்கவில்லை, உகந்த கட்டமைப்புகளை தானாகவே கண்டுபிடிப்பதன் மூலம் வாக்கிய பிரதிநிதித்துவத்தை கற்றுக்கொள்ள ஒரு வலுவூட்டல் கற்றல் (ஆர்எல்) முறையை நாங்கள் முன்மொழிகிறோம். கட்டமைக்கப்பட்ட பிரதிநிதித்துவத்தை உருவாக்க இரண்டு முயற்சிகளை நாங்கள் நிரூபிக்கிறோம்: தகவல் வடிகட்டப்பட்ட LSTM (ID-LSTM) மற்றும் படிநிலை கட்டமைக்கப்பட்ட LSTM (HS-LSTM). ஐடி-எல்எஸ்எம் முக்கிய, பணிக்கு பொருத்தமான சொற்களை மட்டுமே தேர்ந்தெடுக்கிறது, மற்றும் HS-எல்எஸ்எம் ஒரு வாக்கியத்தில் சொற்றொடர் கட்டமைப்புகளைக் கண்டறிகிறது. இரண்டு பிரதிநிதித்துவ மாதிரிகளில் கட்டமைப்பு கண்டுபிடிப்பு ஒரு தொடர்ச்சியான முடிவெடுக்கும் பிரச்சினையாக வடிவமைக்கப்பட்டுள்ளதுஃ கட்டமைப்பு கண்டுபிடிப்பின் தற்போதைய முடிவு பின்வரும் முடிவுகளை பாதிக்கிறது, இது கொள்கை சாய்வு RL மூலம் தீர்க்கப்படலாம். எமது முறை, முக்கிய வார்த்தைகளை அல்லது பணிக்கு பொருத்தமான கட்டமைப்புகளை அடையாளம் காண்பதன் மூலம், தெளிவான கட்டமைப்பு குறிப்புகள் இல்லாமல், பணிக்கு ஏற்ற பிரதிநிதித்துவங்களை கற்றுக்கொள்ள முடியும் என்பதை முடிவுகள் காட்டுகின்றன. இதனால், போட்டித்திறன் மிக்க செயல்திறனை அளிக்கிறது. |
599ebeef9c9d92224bc5969f3e8e8c45bff3b072 | உலகளாவிய வலையின் வெடிக்கும் வளர்ச்சி மற்றும் மின்னணு வர்த்தகத்தின் தோற்றம் பரிந்துரைப்பு அமைப்புகளின் வளர்ச்சிக்கு வழிவகுத்தது --- ஒரு குறிப்பிட்ட பயனருக்கு ஆர்வமுள்ள பொருட்களை அடையாளம் காண தனிப்பயனாக்கப்பட்ட தகவல் வடிகட்டுதல் தொழில்நுட்பம். பயனர் அடிப்படையிலான கூட்டு வடிகட்டுதல் என்பது பரிந்துரைப்பு அமைப்புகளை உருவாக்குவதற்கான மிக வெற்றிகரமான தொழில்நுட்பமாகும். இது இன்றுவரை பல வணிக பரிந்துரைப்பு அமைப்புகளில் பரவலாகப் பயன்படுத்தப்படுகிறது. துரதிருஷ்டவசமாக, இந்த முறைகளின் கணக்கீட்டு சிக்கலானது வாடிக்கையாளர்களின் எண்ணிக்கையுடன் நேரியல் முறையில் வளர்கிறது, இது வழக்கமான வணிக பயன்பாடுகளில் பல மில்லியன் ஆக இருக்கலாம். இந்த அளவிடக்கூடிய தன்மை தொடர்பான கவலைகளை நிவர்த்தி செய்ய மாதிரி அடிப்படையிலான பரிந்துரை நுட்பங்கள் உருவாக்கப்பட்டுள்ளன. இந்த நுட்பங்கள் பயனர் - உருப்படி மேட்ரிக்ஸை பகுப்பாய்வு செய்து வெவ்வேறு உருப்படிகளுக்கு இடையிலான உறவுகளைக் கண்டறிந்து, இந்த உறவுகளைப் பயன்படுத்தி பரிந்துரைகளின் பட்டியலைக் கணக்கிடுகின்றன. இந்த கட்டுரையில், மாதிரி அடிப்படையிலான பரிந்துரை வழிமுறைகளின் ஒரு வகையை நாங்கள் முன்வைக்கிறோம், இது முதலில் பல்வேறு உருப்படிகளுக்கு இடையிலான ஒற்றுமைகளை தீர்மானிக்கிறது, பின்னர் அவற்றை பரிந்துரைக்க வேண்டிய உருப்படிகளின் தொகுப்பை அடையாளம் காண பயன்படுத்துகிறது. இந்த வகை வழிமுறைகளில் முக்கிய படிகள் (i) உருப்படிகளுக்கு இடையிலான ஒற்றுமையை கணக்கிடப் பயன்படுத்தப்படும் முறை, மற்றும் (ii) உருப்படிகளின் கூடைக்கும் ஒரு வேட்பாளர் பரிந்துரைக்கும் உருப்படிக்கும் இடையிலான ஒற்றுமையைக் கணக்கிட இந்த ஒற்றுமைகளை இணைக்கப் பயன்படுத்தப்படும் முறை. எட்டு உண்மையான தரவுத் தொகுப்புகளில் எங்கள் பரிசோதனை மதிப்பீடுகள், இந்த உருப்படி அடிப்படையிலான வழிமுறைகள் பாரம்பரிய பயனர்-அண்டை அடிப்படையிலான பரிந்துரை அமைப்புகளை விட இரண்டு அளவுகள் வேகமாக இருப்பதையும், ஒப்பிடக்கூடிய அல்லது சிறந்த தரத்துடன் பரிந்துரைகளை வழங்குவதையும் காட்டுகிறது. |
01a8909330cb5d4cc37ef50d03467b1974d6c9cf | இந்த கண்ணோட்டம் 3D பொருள்களை தன்னாட்சி பல விரல்களுடன் ரோபோ கைகளால் உருவாக்கும் கணக்கீட்டு வழிமுறைகளை முன்வைக்கிறது. ரோபோட் கிராப்பிங் பல தசாப்தங்களாக ஒரு செயலில் ஆராய்ச்சி பொருள், மற்றும் ஒரு பெரிய முயற்சி கிராப் தொகுப்பு வழிமுறைகள் செலவிடப்பட்டுள்ளது. தற்போதுள்ள ஆவணங்கள் கைப்பிடித்தல் மற்றும் விரல்-பொருள் தொடர்பு தொடர்புகளின் இயக்கவியல் [7] அல்லது ரோபோ கை வடிவமைப்பு மற்றும் அவற்றின் கட்டுப்பாட்டை மறுஆய்வு செய்வதில் கவனம் செலுத்துகின்றன [1]. ரோபோ கிராப் தொகுப்பு வழிமுறைகள் [63] இல் மதிப்பாய்வு செய்யப்பட்டுள்ளன, ஆனால் அதன் பின்னர் கற்றல் நுட்பங்களை கிராப்பிங் சிக்கலுக்குப் பயன்படுத்துவதில் ஒரு முக்கியமான முன்னேற்றம் செய்யப்பட்டுள்ளது. இந்த கண்ணோட்டம் பகுப்பாய்வு மற்றும் அனுபவபூர்வமான புரிதல் தொகுப்பு அணுகுமுறைகளில் கவனம் செலுத்துகிறது. |
4e03cadf3095f8779eaf878f0594e56ad88788e2 | |
a63c3f53584fd50e27ac0f2dcbe28c7361b5adff | ரேடியோ அலைக்கற்றை, நுண்ணலை, மற்றும் மில்லிமீட்டர் அலை பயன்பாடுகளுக்கு சிலிக்கான் புதிய சாத்தியக்கூறுகளையும் சவால்களையும் வழங்குகிறது. SiGe ஹெட்டோஜுன்ஷன் இருமுனை டிரான்சிஸ்டர்களின் உயர் வெட்டு அதிர்வெண்கள் மற்றும் MOSFET களின் எப்போதும் சுருங்கும் அம்ச அளவுகள் நிறைய வாக்குறுதிகளை வைத்திருக்கும்போது, இந்த தொழில்நுட்பங்களின் யதார்த்தங்களை சமாளிக்க புதிய வடிவமைப்பு நுட்பங்கள் வடிவமைக்கப்பட வேண்டும், அதாவது குறைந்த முறிவு மின்னழுத்தங்கள், இழப்பு அடுக்குகள், குறைந்த Q பாசிவ்ஸ், நீண்ட இணைப்பு ஒட்டுண்ணிகள் மற்றும் உயர் அதிர்வெண் இணைப்பு சிக்கல்கள். சிலிக்கானில் முழுமையான அமைப்பு ஒருங்கிணைப்பின் உதாரணமாக, இந்த ஆவணம் 0.18-/spl mu/m சிலிக்கான்-ஜெர்மனியத்தில் முதல் முழுமையாக ஒருங்கிணைந்த 24-GHz எட்டு-எலெமென்ட் கட்டம் வரிசை ரிசீவர் மற்றும் 0.18-/spl mu/m CMOS இல் ஒருங்கிணைந்த சக்தி பெருக்கிகளுடன் முதல் முழுமையாக ஒருங்கிணைந்த 24-GHz நான்கு-எலெமென்ட் கட்டம் வரிசை டிரான்ஸ்மிட்டர் ஆகியவற்றை வழங்குகிறது. அனுப்புநரும் பெறுநரும் கதிர் உருவாக்கும் திறன் கொண்டவை மற்றும் தகவல்தொடர்பு, தூர, நிலைப்படுத்தல் மற்றும் உணர்திறன் பயன்பாடுகளுக்கு பயன்படுத்தப்படலாம். |
64da24aad2e99514ab26d093c19cebec07350099 | உலகளாவிய இணைய நெட்வொர்க்குகள் ஆழ் விண்வெளி ஆய்வு மற்றும் விண்வெளி ஆராய்ச்சி முயற்சிகளுக்கு மாற்று தீர்வுகளாக கியூப்சாட் தளங்கள் வணிக முயற்சிகளில் பெருகிய முறையில் பிரபலமடைகின்றன. பல தொழில்நுட்ப நிறுவனங்கள் மற்றும் கணினி பொறியாளர்கள் உலகளாவிய லோ எர்த் ஆர்பிட் (LEO) இடை-செயற்கைக்கோள் விண்மீன் தொகுப்புகளின் ஒரு பகுதியாக சிறிய செயற்கைக்கோள் அமைப்புகளை செயல்படுத்த திட்டமிட்டுள்ளனர். இந்த முயற்சிகளை முன்னெடுப்பதில் உயர் செயல்திறன் கொண்ட குறைந்த விலை வன்பொருள் முக்கிய பங்கு வகிக்கிறது. இந்த ஆவணம், Ka-Band Integrated Transmitter Assembly (ITA) Module இன் ஹெட்டரோடைன் கட்டமைப்பு மற்றும் செயல்திறனை முன்வைக்கிறது, இது நானோ/மைக்ரோசேட்டிலைட் அல்லது பிற செயற்கைக்கோள் அமைப்புகளில் உயர் தரவு விகித விண்வெளி தொடர்பு அமைப்புகளுக்கான குறைந்த செலவு தீர்வாக செயல்படுத்தப்படலாம். தொகுதி 0.9 முதல் 1.1 GHz வரை IF உள்ளீட்டு சமிக்ஞையை மாற்றி, 26.7 முதல் 26.9 GHz வரை அதிர்வெண் வரம்பில் +29 dBm நேரியல் பரிமாற்றத்தை வழங்குகிறது, இதில் ஒரு கட்டமைக்கப்பட்ட கட்ட பூட்டு ஆஸிலைட்டர், ஒருங்கிணைந்த டிரான்ஸ்மிட்டர், துருவமுனைப்பான் மற்றும் லென்ஸ் சரிசெய்யப்பட்ட ஆண்டெனா ஆகியவை உள்ளன. |
0b44fcbeea9415d400c5f5789d6b892b6f98daff | இந்த ஆய்வில், பென் ட்ரீ பேங்க் என்ற ஒரு பெரிய குறிப்புக் குறியீட்டை உருவாக்கிய அனுபவத்தை நாங்கள் மதிப்பாய்வு செய்கிறோம், இது அமெரிக்க ஆங்கிலத்தில் 4.5 மில்லியனுக்கும் அதிகமான சொற்களைக் கொண்டது. பென் ட்ரீபேங்க் திட்டத்தின் (1989-1992) முதல் மூன்று ஆண்டு கட்டத்தில், இந்த தொகுப்பு பகுதி-பேச்சு (பிஓஎஸ்) தகவல்களுக்காக குறிக்கப்பட்டுள்ளது. கூடுதலாக, பாதிக்கும் மேற்பட்டவை எலும்புக்கூடு தொடரியல் கட்டமைப்பிற்காக விளக்கப்பட்டுள்ளன. கருத்துக்கள் பென்சில்வேனியா பல்கலைக்கழக கணினி மற்றும் தகவல் அறிவியல் துறை தொழில்நுட்ப அறிக்கை எண். MSCIS-93-87. இது ஒரு விண்வெளி நிலையம். இந்த தொழில்நுட்ப அறிக்கை ScholarlyCommons இல் கிடைக்கிறது: http://repository.upenn.edu/cis_reports/237 ஆங்கிலத்தின் ஒரு பெரிய குறிக்கப்பட்ட தொகுப்பை உருவாக்குதல்: தி பென் ட்ரீபேங்க் MS-CIS-93-87 LINC LAB 260 மிட்செல் பி. மார்கஸ் பீட்ரிஸ் சாண்டோரினி மேரி ஆன் மார்கின்ஸ்கிவிச் பென்சில்வேனியா பல்கலைக்கழக பொறியியல் மற்றும் பயன்பாட்டு அறிவியல் கணினி மற்றும் தகவல் அறிவியல் துறை பிலடெல்பியா, PA 19104-6389 |
7c70c29644ff1d6dd75a8a4dd0556fb8cb13549b | மைக்ரோவேவ் பயன்பாடுகளுக்கான இணக்கமான மற்றும் நெகிழ்வான அடி மூலக்கூறுகளை உற்பத்தி செய்வதற்கான ஒரு புதிய நுட்பத்தை நாங்கள் முன்வைக்கிறோம். உற்பத்தி செய்யப்படும் பொருட்கள் பீங்கான் பொடிகளை பாலிமர்களுடன் இணைத்து, உயர் மாறுபாட்டு மூலக்கூறை உருவாக்குவதன் மூலம் தயாரிக்கப்படுகின்றன, இது ஒரே நேரத்தில் நெகிழ்வானது (வளைந்து கொள்ளக்கூடியது). இதுபோன்ற பல பாலிமர்-செராமிக் அடி மூலக்கூறுகள் தயாரிக்கப்பட்டு, ஒரு பேட்ச் ஆண்டெனா மற்றும் இணைக்கப்பட்ட லைன் வடிகட்டியின் செயல்திறனை ஆய்வு செய்யப் பயன்படுகின்றன. இந்த ஆவணத்தில் அடி மூலக்கூறு கலவை முறை பற்றி விளக்கப்பட்டுள்ளது. அதே நேரத்தில் அடி மூலக்கூறுகளின் இழப்பு செயல்திறனை மதிப்பிடுவதற்கான அளவீடுகள் கொடுக்கப்பட்டுள்ளன. ஒட்டுமொத்தமாக, தயாரிக்கப்பட்ட கலப்பு பொருட்கள் ஒரு நெகிழ்வான அடி மூலக்கூறுகளை எபிசிவர் = 20 வரை அனுமதிக்கக்கூடிய தன்மையுடன் மற்றும் போதுமான குறைந்த இழப்புடன் வழிவகுக்கிறது |
85947d646623ef7ed96dfa8b0eb705d53ccb4efe | நெட்வொர்க் தடயவியல் என்பது ஊடுருவல்களைக் கண்டறிந்து அவற்றை விசாரிப்பதற்காக நெட்வொர்க் போக்குவரத்தை கைப்பற்றுதல், பதிவு செய்தல் மற்றும் பகுப்பாய்வு செய்வதைக் கையாளும் அறிவியலாகும். இந்த ஆவணம், இதுவரை முன்மொழியப்பட்ட பல்வேறு வலையமைப்பு தடயவியல் கட்டமைப்புகள் பற்றிய விரிவான ஆய்வு ஒன்றை மேற்கொள்கிறது. நெட்வொர்க் ஃபோரென்சிக்ஸிற்கான ஒரு பொதுவான செயல்முறை மாதிரி முன்மொழியப்பட்டுள்ளது, இது டிஜிட்டல் ஃபோரென்சிக்ஸின் பல்வேறு தற்போதுள்ள மாதிரிகள் மீது கட்டப்பட்டுள்ளது. நெட்வொர்க் ஃபோரென்சிக்ஸின் வரையறை, வகைப்படுத்தல் மற்றும் உந்துதல் தெளிவாகக் கூறப்பட்டுள்ளது. நீதித்துறை ஆய்வாளர்களுக்குக் கிடைக்கும் பல்வேறு வலையமைப்பு நீதித்துறை பகுப்பாய்வு கருவிகள் (NFATs) மற்றும் வலையமைப்பு பாதுகாப்பு கண்காணிப்பு கருவிகளின் செயல்பாடுகள் குறித்து விவாதிக்கப்படுகிறது. நடைமுறைப்படுத்தும் கட்டமைப்புகள், செயல்முறை மாதிரிகள் மற்றும் பகுப்பாய்வு கருவிகளில் இருக்கும் குறிப்பிட்ட ஆராய்ச்சி இடைவெளிகள் அடையாளம் காணப்பட்டு முக்கிய சவால்கள் முன்னிலைப்படுத்தப்படுகின்றன. இந்த பணி முக்கியத்துவம் வாய்ந்தது, இது நெட்வொர்க் ஃபோர்ன்சிக்ஸ் கருவிகள், செயல்முறை மாதிரிகள் மற்றும் கட்டமைப்பு செயல்படுத்தல்களை உள்ளடக்கிய ஒரு கண்ணோட்டத்தை வழங்குகிறது, இது இந்த வரவிருக்கும் மற்றும் இளம் ஒழுக்கத்தை ஆராய்வதில் பாதுகாப்பு பயிற்சியாளர்கள் மற்றும் ஆராய்ச்சியாளர்களுக்கு மிகவும் பயனுள்ளதாக இருக்கும். a 2010 Elsevier Ltd. அனைத்து உரிமைகளும் பாதுகாக்கப்பட்டவை. |
7d98dce77cce2d0963a3b6566f5c733ad4343ce4 | இந்த ஆய்வு டேவிஸ் (1989) TAM மாதிரி மற்றும் ஸ்ட்ராப் (1994) SPIR சேர்த்தலை ஒரு ஐடி பரவல் மாதிரியில் பாலினத்தை சேர்ப்பதன் மூலம் விரிவுபடுத்துகிறது. தொழில்நுட்ப ஏற்றுக்கொள்ளும் மாதிரி (TAM) என்பது தகவல் தொழில்நுட்ப ஆராய்ச்சியில் தகவல் தொழில்நுட்ப வகைகள் மற்றும் தேசிய இனங்கள் முழுவதும் தகவல் அமைப்புகளின் பயன்பாட்டை விளக்குவதற்காக பரவலாக ஆய்வு செய்யப்பட்டுள்ளது. இந்த ஆராய்ச்சி வரிசையில் குறிப்பிடத்தக்க கலாச்சார வேறுபாடுகள் காணப்பட்டாலும், சமூக-மொழி ஆராய்ச்சியில், பாலினம் கலாச்சாரத்தின் ஒரு அடிப்படை அம்சமாக இருந்தாலும், அது பாலினத்தின் விளைவுகளை புறக்கணித்துள்ளது. உண்மையில், சமூக மொழியியல் ஆராய்ச்சி ஆண்கள் வரிசைமுறை மற்றும் சுதந்திரம் மீது உரையாடலை மையப்படுத்த முனைகிறார்கள் என்பதைக் காட்டியுள்ளது, அதே நேரத்தில் பெண்கள் நெருக்கம் மற்றும் ஒற்றுமை மீது கவனம் செலுத்துகிறார்கள். தகவல் தொழில்நுட்ப பரவல் ஆராய்ச்சி மற்றும் தொழில்நுட்ப ஏற்றுக்கொள்ளும் மாதிரி ஆகியவற்றிற்கு கருத்து விரிவாக்கங்களுக்கு இந்த இலக்கியம் ஒரு திடமான அடித்தளத்தை வழங்குகிறது. நம்பிக்கைகள் மற்றும் கணினி அடிப்படையிலான ஊடகங்களின் பயன்பாடு ஆகியவற்றுடன் தொடர்புடைய பாலின வேறுபாடுகளை சோதிக்கும் வகையில், இந்த ஆய்வு 392 பெண் மற்றும் ஆண் பதில்களை ஒரு குறுக்குவெட்டு ஆய்வு கருவி மூலம் மாதிரி செய்தது. வட அமெரிக்கா, ஆசியா மற்றும் ஐரோப்பாவில் உள்ள விமானத் துறையில் மின்னஞ்சல் அமைப்புகளைப் பயன்படுத்தும் அறிவுத் தொழிலாளர்களின் ஒப்பிடக்கூடிய குழுக்களிலிருந்து இந்த மாதிரி எடுக்கப்பட்டது. ஆய்வின் முடிவுகள், பெண்கள் மற்றும் ஆண்கள் தங்கள் கருத்துக்களில் வேறுபடுகிறார்கள், ஆனால் மின்னஞ்சலைப் பயன்படுத்துவதில் வேறுபாடு இல்லை என்பதைக் காட்டுகிறது. இந்த கண்டுபிடிப்புகள் ஆராய்ச்சியாளர்கள் பிற கலாச்சார விளைவுகளுடன் ஐடி பரவல் மாதிரிகளில் பாலினத்தை சேர்க்க வேண்டும் என்று கூறுகின்றன. மேலாளர்களும் சக ஊழியர்களும், அதே தகவல்தொடர்பு முறையை பாலினங்களால் வித்தியாசமாக உணர முடியும் என்பதை உணர வேண்டும், இது மிகவும் சாதகமான தகவல்தொடர்பு சூழல்களை உருவாக்கக்கூடும் என்று பரிந்துரைக்கிறது, நிறுவன சூழல் காரணிகளை மட்டும் கணக்கில் எடுத்துக்கொள்ளாத சூழல்கள், ஆனால் பயனர்களின் பாலினம். இந்த சூழல்களை உருவாக்குவது என்பது தகவல்தொடர்பு ஊடகங்களை நடைமுறையில் பயன்படுத்துவது மட்டுமல்லாமல், தகவல்தொடர்பு ஊடகங்கள் குறித்த நிறுவன பயிற்சியையும் உள்ளடக்கியது. |
2599131a4bc2fa957338732a37c744cfe3e17b24 | பயிற்சி முறைகள் மற்றும் முடிவெடுக்கும் எல்லை ஆகியவற்றுக்கு இடையேயான விளிம்பை அதிகரிக்கும் ஒரு பயிற்சி வழிமுறை வழங்கப்படுகிறது. இந்த நுட்பம் பரந்த அளவிலான வகைப்படுத்தல் செயல்பாடுகளுக்கு பொருந்தும், இதில் பெர்செப்டிரான்கள், பல்லுறுப்புக்கள் மற்றும் ரேடியல் அடிப்படை செயல்பாடுகள் ஆகியவை அடங்கும். சிக்கலான சிக்கலான சிக்கலுக்கு ஏற்ப அளவுருக்களின் எண்ணிக்கை தானாகவே சரிசெய்யப்படுகிறது. தீர்வு ஆதரவு வடிவங்களின் நேரியல் கலவையாக வெளிப்படுத்தப்படுகிறது. இவைதான் பயிற்சி முறைகளின் துணைக்குழுவாகும். ஒருவரை விட்டுவிடுதல் முறை மற்றும் விசி பரிமாணத்தின் அடிப்படையில் பொதுமைப்படுத்தல் செயல்திறன் மீதான வரம்புகள் கொடுக்கப்பட்டுள்ளன. ஒளியியல் எழுத்து அங்கீகாரம் சிக்கல்களில் சோதனை முடிவுகள் மற்ற கற்றல் வழிமுறைகளுடன் ஒப்பிடும்போது பெறப்பட்ட நல்ல பொதுமயமாக்கலை நிரூபிக்கின்றன. |
68c29b7bf1811f941040bba6c611753b8d756310 | நவீன வாகனம் நெட்வொர்க் கணினிகளால் கட்டுப்படுத்தப்படுகிறது. இந்த வலையமைப்புகளின் பாதுகாப்பு வரலாற்று ரீதியாக சிறிய கவலையாக இருந்தது, ஆனால் ஆராய்ச்சியாளர்கள் சமீபத்திய ஆண்டுகளில் தாக்குதலுக்கு பல பலவீனங்களை நிரூபித்துள்ளனர். இந்த தாக்குதல்களுக்கு எதிரான ஒரு பாதுகாப்பின் ஒரு பகுதியாக, வாகன கட்டுப்பாட்டு பகுதி நெட்வொர்க் (CAN) பஸ்ஸிற்கான ஒரு அசாதாரணமான கண்டறிதலை நாங்கள் மதிப்பீடு செய்கிறோம். பெரும்பாலான தாக்குதல்கள் நெட்வொர்க்கில் கூடுதல் பாக்கெட்டுகளைச் செருகுவதன் அடிப்படையில் அமைந்தவை. ஆனால் பெரும்பாலான சாதாரண பாக்கெட்டுகள் ஒரு குறிப்பிட்ட அதிர்வெண்ணில் வந்து சேரும். இது தற்போதைய மற்றும் வரலாற்று தொகுப்பு நேரத்தை ஒப்பிடுகின்ற ஒரு அசாதாரணமான கண்டறிதலை தூண்டுகிறது. ஒரு நெகிழ்வு சாளரத்தின் மீது தொகுப்புகளுக்கு இடையேயான நேரத்தை அளவிடும் ஒரு வழிமுறையை நாங்கள் முன்வைக்கிறோம். சராசரி நேரங்கள் வரலாற்று சராசரிகளுடன் ஒப்பிடுகையில், ஒரு அசாதாரண சமிக்ஞை கிடைக்கிறது. இந்த அணுகுமுறையை பல்வேறு உள்ளீட்டு அதிர்வெண்களில் மதிப்பீடு செய்து அதன் செயல்திறனின் எல்லைகளை நிரூபிக்கிறோம். பேக்கெட்டுகளின் தரவு உள்ளடக்கத்தின் இதேபோன்ற அளவீடுகள் எவ்வாறு அசாதாரணங்களை அடையாளம் காண பயனுள்ளதாக இல்லை என்பதையும் நாங்கள் காட்டுகிறோம். இறுதியாக, ஒரு வர்க்க ஆதரவு வெக்டர் இயந்திரம் எவ்வாறு அதே தகவலைப் பயன்படுத்தி அதிக நம்பகத்தன்மையுடன் அசாதாரணங்களைக் கண்டறிய முடியும் என்பதைக் காட்டுகிறோம். |
c43d8a3d36973e3b830684e80a035bbb6856bcf7 | படத்தின் சூப்பர்-ரெசல்யூஷனுக்கு (SR) கன்வோல்ஷனல் நியூரல் நெட்வொர்க் (CNN) ஆழம் மிக முக்கியமானது. ஆனால், பட SR-க்கு ஆழமான நெட்வொர்க்குகள் பயிற்சி பெறுவது மிகவும் கடினம். குறைந்த தெளிவுத்திறன் உள்ளீடுகள் மற்றும் அம்சங்கள் ஏராளமான குறைந்த அதிர்வெண் தகவல்களைக் கொண்டுள்ளன, அவை சேனல்களில் சமமாக நடத்தப்படுகின்றன, இதனால் சிஎன்என்ஸின் பிரதிநிதித்துவ திறனைத் தடுக்கிறது. இந்த பிரச்சனைகளை தீர்க்க, மிக ஆழமான மீதமுள்ள சேனல் கவனம் நெட்வொர்க்குகளை (RCAN) நாங்கள் முன்மொழிகிறோம். குறிப்பாக, மீதமுள்ள ஒரு மீதமுள்ள (RIR) கட்டமைப்பை மிகவும் ஆழமான வலையமைப்பை உருவாக்க நாங்கள் முன்மொழிகிறோம், இது நீண்ட ஸ்கிப் இணைப்புகளுடன் பல மீதமுள்ள குழுக்களைக் கொண்டுள்ளது. ஒவ்வொரு மீதமுள்ள குழுவிலும் சில மீதமுள்ள தொகுதிகள் குறுகிய ஸ்கிப் இணைப்புகளுடன் உள்ளன. அதே நேரத்தில், RIR ஆனது ஏராளமான குறைந்த அதிர்வெண் தகவல்களை பல ஸ்பிப் இணைப்புகள் மூலம் தவிர்க்க அனுமதிக்கிறது, இதனால் முக்கிய நெட்வொர்க் உயர் அதிர்வெண் தகவல்களைக் கற்றுக்கொள்வதில் கவனம் செலுத்துகிறது. மேலும், சேனல்களுக்கு இடையேயான பரஸ்பர சார்புகளை கருத்தில் கொண்டு சேனல் வாரியாக அம்சங்களை தழுவி மறுஅளவிட ஒரு சேனல் கவனம் பொறிமுறையை நாங்கள் முன்மொழிகிறோம். விரிவான பரிசோதனைகள், நமது RCAN, அதிநவீன முறைகளை விட அதிக துல்லியத்தையும், காட்சி மேம்பாடுகளையும் அடைகிறது என்பதைக் காட்டுகிறது. |
77768638f4f400272b6e5970596b127663471538 | ஆராய்ச்சி ஆதாரங்களை தொகுப்பதற்கான ஒரு பிரபலமான அணுகுமுறையாக ஸ்கோப்பிங் விமர்சனம் மாறிவிட்டது. இது ஒரு ஒப்பீட்டளவில் புதிய அணுகுமுறையாகும், இது ஒரு உலகளாவிய ஆய்வு வரையறை அல்லது இறுதி நடைமுறை நிறுவப்படவில்லை. இலக்கியத்தில் உள்ள நோக்கம் சார்ந்த ஆய்வுகளின் கண்ணோட்டத்தை வழங்குவதே இந்த நோக்கம் சார்ந்த ஆய்வுகளின் நோக்கம் ஆகும். முறைகள் ஆர்க்ஸி மற்றும் ஓ மாலி கட்டமைப்பைப் பயன்படுத்தி ஒரு நோக்கம் பரிசீலனை மேற்கொள்ளப்பட்டது. நான்கு நூல் தரவுத்தளங்களிலும், சாம்பல் இலக்கியத்திலும் ஆய்வுகள் தேடப்பட்டு, ஆய்வுகள் வரையறுக்கப்பட்ட ஆய்வுகள் கண்டறியப்பட்டன. பரிசீலனைத் தேர்வு மற்றும் பண்புக்கூறு இரண்டு சுயாதீன மதிப்பாய்வாளர்களால் முன் சோதனை செய்யப்பட்ட படிவங்களைப் பயன்படுத்தி மேற்கொள்ளப்பட்டது. முடிவுகள் 1999 முதல் 2012 அக்டோபர் வரை வெளியிடப்பட்ட 344 நோக்கம் சார்ந்த ஆய்வுகளை இந்த தேடல் கண்டறிந்தது. மதிப்பாய்வுகள் நோக்கம், முறைமை மற்றும் அறிக்கையின் விவரம் ஆகியவற்றின் அடிப்படையில் வேறுபட்டன. கிட்டத்தட்ட மூன்று-கால் பகுப்பாய்வுகள் (74.1%) சுகாதாரப் பிரச்சினையைக் கையாண்டன. ஆய்வு முடிவடைவதற்கான கால அளவு 2 வாரங்கள் முதல் 20 மாதங்கள் வரை மாறுபட்டது, மேலும் 51% வெளியிடப்பட்ட முறைமை கட்டமைப்பைப் பயன்படுத்தியது. சேர்க்கப்பட்ட ஆய்வுகளின் தர மதிப்பீடு அரிதாகவே (22. 38%) செய்யப்பட்டது. முடிவுகள் பரந்த தலைப்புகளை வரைபடமாக்குவதற்கு நோக்கம் கொண்ட ஆய்வுகள் என்பது ஒப்பீட்டளவில் புதியது ஆனால் பெருகிய முறையில் பொதுவான அணுகுமுறையாகும். அவற்றின் நடத்தை மாறுபடும் தன்மை காரணமாக, ஆதாரங்களின் பயனுள்ள தன்மை மற்றும் வலிமையை உறுதிப்படுத்த அவற்றின் முறைமுறை தரப்படுத்தல் தேவைப்படுகிறது. |
4c5815796c29d44c940830118339e276f741d34a | ரோபோ உதவியாளர்கள் மற்றும் தொழில்முறை சக ஊழியர்கள் வீட்டு மற்றும் தொழில்துறை அமைப்புகளில் ஒரு பொருளாக மாறி வருகின்றனர். ரோபோக்கள் மனிதர்களுடன் தங்கள் பணியிடத்தைப் பகிர்ந்து கொள்ளவும், அவர்களுடன் உடல் ரீதியாக தொடர்பு கொள்ளவும், ரோபோ கட்டமைப்பில் சாத்தியமான மோதல்களை விரைவாகவும் நம்பகமான முறையிலும் கையாளுதல், பாதுகாப்பான ரோபோ எதிர்வினைக்கான கட்டுப்பாட்டு உத்திகள் தேவை. உடல் ரீதியான தொடர்புகளால் ஏற்படக்கூடிய மனித காயங்களைத் தடுப்பது அல்லது குறைப்பதுதான் முதன்மை நோக்கமாகும். இந்த ஆய்வறிக்கையில், இந்த விஷயத்தில் எங்கள் ஆரம்பகால பணிகளின் அடிப்படையில், மோதல் கண்டறிதல், தனிமைப்படுத்தல் மற்றும் அடையாளம் காணல் ஆகியவற்றிற்கான சோதனை மாதிரி அடிப்படையிலான வழிமுறைகளை நாங்கள் மதிப்பாய்வு செய்கிறோம், விரிவுபடுத்துகிறோம், ஒப்பிடுகிறோம், மதிப்பீடு செய்கிறோம். இவை சுய உணர்திறன் சென்சார்கள் மட்டுமே பயன்படுத்துகின்றன. இது மனித-ரோபோ தொடர்பு அல்லது கையாளுதல் பணிகள் போன்ற சுற்றுச்சூழலுடன் தொடர்பு கொள்ளும் ரோபோக்களுக்கான மோதல் நிகழ்வு குழாய்வழியின் சூழல்-சுயாதீன கட்டங்களை உள்ளடக்கியது. இந்த பிரச்சனை முதலில் கடினமான ரோபோக்களுக்கு தீர்க்கப்பட்டு பின்னர் கூட்டு/இயக்கமாக்கல் நெகிழ்வுத்தன்மை இருப்பதை விரிவுபடுத்தப்படுகிறது. இயற்பியல் ரீதியாக உந்துதல் பெற்ற அடிப்படை தீர்வு ஏற்கனவே உலகெங்கிலும் உள்ள ஏராளமான ரோபோ அமைப்புகளில் பயன்படுத்தப்பட்டுள்ளது, இது கையாளுபவர்கள் மற்றும் மனித உருவங்களிலிருந்து பறக்கும் ரோபோக்கள் மற்றும் வணிக தயாரிப்புகளுக்கு கூட. |
4e3a22ed94c260b9143eee9fdf6d5d6e892ecd8f | |
e18fa8c8f402c483b2c3eaaa89192fe99e80abd5 | செய்திகளில் வெளியிடப்படும் செய்திகள் பங்குச் சந்தையின் திசை, அதன் ஏற்ற இறக்கம், வர்த்தகங்களின் அளவு, மற்றும் செய்திகளில் குறிப்பிடப்பட்ட தனிப்பட்ட பங்குகளின் மதிப்பு ஆகியவற்றில் முக்கியமான தாக்கத்தை ஏற்படுத்துகின்றன என்று பல ஆய்வுகள் தெரிவிக்கின்றன. செய்தி ஆவணங்கள், காலாண்டு அறிக்கைகள், வலைப்பதிவுகள் மற்றும்/அல்லது ட்விட்டர் தரவுகளை தானியங்கி முறையில் பகுப்பாய்வு செய்தல் ஆகியவற்றை வர்த்தக மூலோபாயத்தின் ஒரு பகுதியாக உற்பத்தி ரீதியாகப் பயன்படுத்தலாம் என்று சில வெளியிடப்பட்ட ஆராய்ச்சிகள் கூட உள்ளன. இந்த ஆவணம் வர்த்தக உத்திகளின் ஒரு குடும்பத்தை முன்வைக்கிறது, பின்னர் இந்த பயன்பாட்டைப் பயன்படுத்துகிறது, அவற்றின் பயன்பாட்டின் சூழல்கள் இருந்தபோதிலும், உணர்வு பகுப்பாய்விகள் பொதுவாக எவ்வாறு மதிப்பீடு செய்யப்படுகின்றன என்பதன் பின்னணியில் உள்ள சில மறைமுகமான அனுமானங்களை மறுபரிசீலனை செய்ய. இந்த முரண்பாடு ஒரு விலையைக் கொண்டுள்ளது. |
050c6fa2ee4b3e0a076ef456b82b2a8121506060 | படங்களில் உள்ள 2D எல்லை பெட்டிகளாக பொருட்களை அடையாளம் காண்பதில் பெரும் முன்னேற்றம் அடைந்த போதிலும், மறைக்கப்பட்ட பொருட்களைக் கண்டறிவது மற்றும் ஒரே படத்திலிருந்து பல பொருள்களின் 3D பண்புகளை மதிப்பிடுவது இன்னும் மிகவும் சவாலானது. இந்த ஆய்வில், 3D வோக்சல் பேட்டர்ன் (3DVP) என்ற ஒரு புதிய பொருளின் பிரதிநிதித்துவத்தை நாங்கள் முன்மொழிகிறோம், இது தோற்றம், 3D வடிவம், பார்வை, அடைப்பு மற்றும் வெட்டுதல் உள்ளிட்ட பொருள்களின் முக்கிய பண்புகளை இணைந்து குறியீட்டு முறைப்படுத்துகிறது. 3DVPகளை தரவு அடிப்படையில் கண்டறிந்து, 3DVPகளின் அகராதிக்காக சிறப்பு கண்டறிதல் கருவிகளை உருவாக்குகிறோம். 3DVP கண்டறிதல் சாதனங்கள் குறிப்பிட்ட தெரிவுநிலை வடிவங்களைக் கொண்ட பொருட்களைக் கண்டறிந்து, 2D பிரிவு முகமூடி, 3D போஸ் மற்றும் அடைப்பு அல்லது முறிவு எல்லைகள் போன்ற 3DVP களில் இருந்து மெட்டா-தரவை கண்டறியப்பட்ட பொருள்களுக்கு மாற்றும் திறன் கொண்டவை. மாற்றப்பட்ட மெட்டா-தரவு, பொருள்களுக்கு இடையிலான அடைப்பு உறவைக் கண்டறிய அனுமதிக்கிறது, இது மறுபுறம் மேம்பட்ட பொருள் அங்கீகார முடிவுகளை வழங்குகிறது. KITTI கண்டறிதல் தரநிலை [17] மற்றும் வெளிப்புற காட்சி தரவுத்தொகுப்பு [41] ஆகியவற்றில் சோதனைகள் நடத்தப்படுகின்றன. வாகனங்களை கண்டறிவதில் அதிநவீன முடிவுகளை மேம்படுத்துகிறோம் மற்றும் கணிசமான விளிம்புகளுடன் மதிப்பீடுகளை முன்வைக்கிறோம் (கிட்டியின் கடினமான தரவுகளில் 6%). பின்னணியில் இருந்து பொருட்களை துல்லியமாக பிரித்து அவற்றை 3D யில் உள்ளூர்மயமாக்குவதில் எங்கள் முறையின் திறனை நாங்கள் சரிபார்க்கிறோம். |
1a124ed5d7c739727ca60cf11008edafa9e3ecf2 | தரவு சார்ந்த பொருளாதாரத்தின் வளர்ச்சியுடன், நிறுவனங்கள் அதிக அளவு, அதிக வேக தரவு ஓட்டங்கள் மீது செயல்பட முடிந்தால் ஒரு போட்டி நன்மையை உணர்ந்துள்ளன. விநியோகிக்கப்பட்ட செய்தி வரிசைகள் மற்றும் ஸ்ட்ரீமிங் செயலாக்க தளங்கள் போன்ற தொழில்நுட்பங்கள், ஆயிரக்கணக்கான தரவு ஸ்ட்ரீம் பகிர்வுகளுக்கு அளவிடக்கூடியவை. இருப்பினும், இந்த அமைப்புகளால் வழங்கப்படும் நிரலாக்க API பெரும்பாலும் குறைந்த மட்டமானது, இது கணிசமான தனிப்பயன் குறியீட்டைக் கோருகிறது, இது புரோகிராமரின் கற்றல் வளைவு மற்றும் பராமரிப்பு ஓவர்ஹெட் ஆகியவற்றைச் சேர்க்கிறது. கூடுதலாக, இந்த அமைப்புகள் பெரும்பாலும் ஹைவ், இம்பாலா அல்லது பிரஸ்டோ போன்ற பெரிய தரவு அமைப்புகளில் பிரபலமாக நிரூபிக்கப்பட்ட SQL வினவல் திறன்களைக் கொண்டிருக்கவில்லை. தரவு ஓட்டத்தை வினவுதல் மற்றும் கையாளுதல் ஆகியவற்றிற்கான தரமான SQL க்கு குறைந்தபட்ச நீட்டிப்புகளை வரையறுக்கிறோம். இந்த நீட்டிப்புகள் SamzaSQL இல் முன்மாதிரியாக உள்ளன, இது SQL ஸ்ட்ரீமிங்கிற்கான ஒரு புதிய கருவியாகும், இது ஸ்ட்ரீமிங் SQL ஐ இயற்பியல் திட்டங்களாக தொகுக்கிறது, அவை Samza இல் இயக்கப்படுகின்றன, இது ஒரு திறந்த மூல விநியோகிக்கப்பட்ட ஸ்ட்ரீம் செயலாக்க கட்டமைப்பாகும். நாம் சம்சா பயன்பாடுகள் எதிராக ஸ்ட்ரீமிங் SQL வினவல்கள் செயல்திறன் ஒப்பிட்டு மற்றும் பயன்பாட்டினை மேம்பாடுகள் விவாதிக்க. சாம்சாஎஸ்.எஸ்.எல் என்பது அபாச்சி சாம்சா திட்டத்தின் ஒரு பகுதியாகும். |
b8ec319b1f5223508267b1d5b677c0796d25ac13 | பல நிஜ உலக சூழ்நிலைகளில், ஒரு குறிப்பிட்ட இயந்திர கற்றல் பணிக்கான பெயரிடப்பட்ட தரவைப் பெறுவது செலவு மிகுந்தது. அரை மேற்பார்வையிடப்பட்ட பயிற்சி முறைகள் ஏராளமான கிடைக்கக்கூடிய பெயரிடப்படாத தரவுகளையும் பெயரிடப்பட்ட எடுத்துக்காட்டுகளின் சிறிய எண்ணிக்கையையும் பயன்படுத்துகின்றன. மனிதர்களிடம் கற்றல் மூலம் ஈர்க்கப்பட்ட ஆழமான நரம்பியல் வலையமைப்புகளின் அரை மேற்பார்வையிடப்பட்ட பயிற்சிக்கான ஒரு புதிய கட்டமைப்பை நாங்கள் முன்மொழிகிறோம். குறிக்கப்பட்ட மாதிரிகள், குறிக்கப்படாத மாதிரிகள் மற்றும் பின்னால் உள்ளடக்கங்களிலிருந்து சங்கங்கள் செய்யப்படுகின்றன. உகப்பாக்கம் அட்டவணை சரியான சங்கம் சுழற்சிகளை ஊக்குவிக்கிறது, அவை சங்கம் தொடங்கப்பட்ட அதே வகுப்பில் முடிவடைகின்றன, மேலும் தவறான சங்கங்களை வேறு வகுப்பில் முடிவடைகிறது. இந்த நடைமுறைப்படுத்தல் பயன்படுத்த எளிதானது மற்றும் ஏற்கனவே உள்ள எந்தவொரு முனை முதல் முனை வரை பயிற்சி அமைப்பிலும் சேர்க்கப்படலாம். பல தரவுத் தொகுப்புகளில் இணைப்பு மூலம் கற்றலின் திறன்களை நாங்கள் நிரூபிக்கிறோம், மேலும் கூடுதலாக கிடைக்கக்கூடிய பெயரிடப்படாத தரவைப் பயன்படுத்துவதன் மூலம் வகைப்படுத்தல் பணிகளில் செயல்திறனை பெரிதும் மேம்படுத்த முடியும் என்பதைக் காட்டுகிறோம். குறிப்பாக, சிறிய அளவிலான தரவுகளைக் கொண்ட வழக்குகளுக்கு, எங்கள் பயிற்சி திட்டம் SVHN இல் உள்ள தற்போதைய தொழில்நுட்ப நிலையை விட சிறப்பாக செயல்படுகிறது. |
852c633882927affd1a951e81e6e30251bb40867 | தொடர்ந்து வளர்ந்து வரும் ரேடியோ அதிர்வெண் அடையாளம் காணும் (RFID) தொழில்நுட்பத்துடன், புதிய பயன்பாட்டு பகுதிகளில் எதிர்கொள்ளும் தேவைகளை பூர்த்தி செய்ய புதிய வகை டேக் ஆண்டெனா பொருட்கள் மற்றும் கட்டமைப்புகள் உருவாகின்றன. இந்த பணியில், செயலற்ற அதி உயர் அதிர்வெண் (UHF) RFID டிபோல் டேக் ஆண்டெனாக்களுக்கான கதிர்வீச்சு செயல்திறன் அளவீட்டு முறை உருவாக்கப்பட்டு சரிபார்க்கப்படுகிறது. கூடுதலாக, அணியக்கூடிய உடல்-மையப்படுத்தப்பட்ட வயர்லெஸ் தகவல்தொடர்பு பயன்பாடுகளுக்கான தையப்பட்ட டிபோல் டேக் ஆண்டெனாக்களின் கதிர்வீச்சு செயல்திறனை அளவிடுவதற்கு அளவீட்டு முறை பயன்படுத்தப்படுகிறது. அளவீடுகளிலிருந்து பெறப்பட்ட தகவல்களை டேக் ஆண்டெனா பொருள் கட்டமைப்பு இழப்புகளை வகைப்படுத்தவும், மேலும் டேக் ஆண்டெனா செயல்திறன் மற்றும் நம்பகத்தன்மையை மேம்படுத்தவும் மேம்படுத்தவும் பயன்படுத்தலாம். |
833de6c09b38a679ed870ad3a7ccfafc8de010e1 | ஈகோ வாகனத்தின் இயக்கத்தை மதிப்பிடுவது மேம்பட்ட ஓட்டுநர் உதவி அமைப்புகள் மற்றும் மொபைல் ரோபோ இடமயமாக்கலுக்கான முக்கிய திறமையாகும். பின்வரும் ஆவணம், ஈகோ வாகனத்தின் முழுமையான 2D இயக்க நிலையை (நீளமான, பக்க வேகம் மற்றும் வளைவு விகிதம்) உடனடியாக தீர்மானிக்க ரேடார் சென்சார்கள் பயன்படுத்தி ஒரு வலுவான வழிமுறையை முன்வைக்கிறது. இது குறைந்தது இரண்டு டாப்லர் ரேடார் சென்சார்கள் மற்றும் அவற்றின் பெறப்பட்ட நிலையான பிரதிபலிப்புகள் (இலக்குகள்) இடையேயான உறவினர் இயக்கத்தை மதிப்பீடு செய்கிறது. அசிமுத் கோணத்தில் அவற்றின் கதிர் வேகங்களின் விநியோகத்தின் அடிப்படையில், நிலையற்ற இலக்குகள் மற்றும் குழப்பம் ஆகியவை விலக்கப்பட்டுள்ளன. ஈகோ-மோஷன் மற்றும் அதனுடன் தொடர்புடைய கோவரியன்ஸ் மேட்ரிக்ஸ் மதிப்பிடப்படுகின்றன. இந்த வழிமுறைக்கு கிளஸ்டரிங் அல்லது கிளட்டர் ஒழிப்பு போன்ற எந்த முன் செயலாக்க நடவடிக்கைகளும் தேவையில்லை, மேலும் எந்த மாதிரி அனுமானங்களும் இல்லை. இந்த சென்சார்கள் வாகனத்தின் எந்தப் பகுதியிலும் பொருத்தப்படலாம். விண்வெளியில் இலக்கு தொடர்புகளை தவிர்ப்பதற்காக பொதுவான பார்வைத் துறை தேவையில்லை. கூடுதலாக, அனைத்து இலக்குகளும் நிலையற்ற அல்லது நிலையற்றவை என உடனடியாக குறிக்கப்படுகின்றன. |
31918003360c352fb0750040d163f287894ab547 | சமீபத்தில், ஸ்மார்ட் கார், எலக்ட்ரிக் கார்டு போன்றவற்றின் வருகையிலிருந்து ஆட்டோமொபைல் உட்பொதிக்கப்பட்ட அமைப்பு மிகவும் வளர்ச்சியடைந்துள்ளது. IPA (Intelligent Parking Assistance), BSW (Blind Spot Warning), LDWS (லேன் விலகல் எச்சரிக்கை அமைப்பு), LKS (லேன் கீப்பிங் சிஸ்டம்) போன்ற பல்வேறு மதிப்பு கூட்டப்பட்ட அமைப்புகளை அவை கொண்டுள்ளன. இவை ADAS (மேம்பட்ட ஓட்டுநர் உதவி அமைப்புகள்) ஆகும். AUTOSAR (AUTomotive Open System Architecture) என்பது வாகன உள் மென்பொருளை உருவாக்குவதற்கான மிக முக்கியமான தொழில்துறை தரமாகும். AUTOSAR என்பது வாகன உற்பத்தியாளர்கள் மற்றும் சப்ளையர்கள் கூட்டாக இணைந்து வாகன E/E கட்டமைப்புகளுக்கான திறந்த தொழில் தரத்தை உருவாக்கவும் நிறுவவும் இணைந்து செயல்படும் ஒரு கூட்டாண்மை ஆகும். இந்த ஆய்வில், AUTOSAR ஐ சுருக்கமாக அறிமுகப்படுத்தி, வாகன மென்பொருள் LDWS (லேன் டிடெக்டிங் & வார்னிங் சிஸ்டம்) வளர்ச்சியின் விளைவை நிரூபிப்போம். |
36bb4352891209ba0a7df150c74cd4db6d603ca5 | எடுத்துக்காட்டு கற்றல் அடிப்படையிலான ஒற்றை பட சூப்பர்-தெளிவுத்திறன் (SR) என்பது ஒரு ஒற்றை உள்ளீட்டு குறைந்த-தெளிவுத்திறன் (LR) படத்திலிருந்து உயர்-தெளிவுத்திறன் (HR) படத்தை மீண்டும் உருவாக்குவதற்கான ஒரு நம்பிக்கைக்குரிய முறையாகும். பிரபலமான SR அணுகுமுறைகள் நிறைய நேர-அல்லது இட-தீவிரமாக இருக்கும், இது அவற்றின் நடைமுறை பயன்பாடுகளை கட்டுப்படுத்துகிறது. எனவே, சில ஆராய்ச்சிகள் துணை விண்வெளி பார்வையில் கவனம் செலுத்தியுள்ளன மற்றும் அதிநவீன முடிவுகளை வழங்கியுள்ளன. இந்த ஆய்வில், எல்ஆர் படங்களின் பெரிய நேரியல் அல்லாத அம்ச இடத்தை பயிற்சி கட்டத்தில் நேரியல் துணை இடங்களின் குழுவாக மாற்ற கலவையின் முந்தைய மாதிரிகளுடன் ஒரு பயனுள்ள வழியைப் பயன்படுத்துகிறோம். குறிப்பாக, நாம் முதலில் படப் பிழைத்திருத்தங்களை பல குழுக்களாக பிரித்து, LR பிழைத்திருத்தங்களின் வேறுபாடு வளைவின் அடிப்படையில் ஒரு புதிய தேர்ந்தெடுக்கப்பட்ட பிழைத்திருத்த செயலாக்க முறையால், பின்னர் ஒவ்வொரு குழுவிலும் கலவையின் முந்தைய மாதிரிகளை கற்றுக்கொள்கிறோம். மேலும், வெவ்வேறு முன்னுரிமை விநியோகங்கள் SR இல் வெவ்வேறு செயல்திறனைக் கொண்டுள்ளன, மேலும் இந்த விஷயத்தில், நன்கு அறியப்பட்ட காஸ்ஸியன் முன்னுரிமையை விட மாணவர்-டி முன்னுரிமை வலுவான செயல்திறனைக் காட்டுகிறது என்பதைக் காண்கிறோம். சோதனை கட்டத்தில், உள்ளீட்டு LR அம்சங்களை பொருத்தமான துணை இடத்திற்கு வரைபடமாக்க கற்றுக்கொண்ட பல கலவை முந்தைய மாதிரிகளை நாங்கள் ஏற்றுக்கொள்கிறோம், இறுதியாக அதனுடன் தொடர்புடைய HR படத்தை ஒரு புதிய கலப்பு பொருந்தும் வழியில் மீண்டும் உருவாக்குகிறோம். பரிசோதனை முடிவுகள் முன்மொழியப்பட்ட அணுகுமுறை அளவு மற்றும் தர ரீதியாக சில அதிநவீன SR முறைகளை விட சிறந்தது என்பதைக் குறிப்பிடுகின்றன. |
189a391b217387514bfe599a0b6c1bbc1ccc94bb | மோதல் இல்லாத ஹேஷ் செயல்பாடுகளை வடிவமைப்பதற்கான ஒரு எளிய, புதிய முன்னுதாரணத்தை நாங்கள் முன்வைக்கிறோம். இந்த மாதிரியில் இருந்து வெளிப்படும் எந்த ஒரு செயல்பாடும் அதிகரிக்கும் தன்மை கொண்டது. (அதாவது, நான் முன்பு ஹேஷ் செய்த ஒரு செய்தி x, x0 ஆக மாற்றப்பட்டால், x0 இன் ஹேஷை மீண்டும் கணக்கிட வேண்டிய அவசியத்தை விட, பழைய ஹேஷ் மதிப்பை புதியதாக விரைவாக புதுப்பிக்க முடியும், x இல் செய்யப்பட்ட மாற்றத்தின் அளவுக்கு விகிதாசாரமாக x ஐப் பெறலாம்) மேலும் இந்த மாதிரியிலிருந்து வெளிப்படும் எந்தவொரு செயல்பாடும் இணையாக இருக்கும், இது வன்பொருள் செயல்படுத்தலுக்கு பயனுள்ளதாக இருக்கும். நாம் நமது முன்னுதாரணத்திலிருந்து பல குறிப்பிட்ட செயல்பாடுகளை பெறுகிறோம். இவை அனைத்தும் ஒரு நிலையான ஹாஷ் செயல்பாட்டை, கருதப்பட்ட சிறந்த மற்றும் சில அல்ஜீப்ரா செயல்பாடுகளை பயன்படுத்துகின்றன. முதல் செயல்பாடு, MuHASH, செய்தியின் ஒரு தொகுதிக்கு ஒரு மாடுலர் பெருக்கத்தைப் பயன்படுத்துகிறது, இது நியாயமான திறன் கொண்டதாகவும், முந்தைய அதிகரிப்பு ஹாஷ் செயல்பாடுகளை விட கணிசமாக வேகமாகவும் உள்ளது. அதன் பாதுகாப்பு நிரூபிக்கப்பட்டுள்ளது, இது discrete logarithm சிக்கலின் கடினத்தன்மையை அடிப்படையாகக் கொண்டது. இரண்டாவது செயல்பாடு, AdHASH, இன்னும் வேகமாக உள்ளது, பெருக்கங்களுக்கு பதிலாக சேர்த்தல்களைப் பயன்படுத்துகிறது, குறுகிய கட்டம் திசையன்களின் நீளத்தை தோராயமாக மதிப்பிடுவது கடினம் அல்லது எடைபோட்ட துணைக்குழு தொகை சிக்கல் கடினம் என்பதைக் கருத்தில் கொண்டு பாதுகாப்பு நிரூபிக்கப்பட்டுள்ளது. மூன்றாவது செயல்பாடு, LtHASH, சமீபத்திய கட்டம் அடிப்படையிலான செயல்பாடுகளின் நடைமுறை மாறுபாடு ஆகும், பாதுகாப்பு நிரூபிக்கப்பட்ட அடிப்படையில், மீண்டும் குறுகிய கட்டம் திசையன் தோராயத்தின் கடினத்தன்மை. திணைக்களம். கணிப்பொறி அறிவியல் மற்றும் பொறியியல், கலிபோர்னியா பல்கலைக்கழகம் சான் டியாகோ, 9500 கில்மன் டிரைவ், லா ஜோலா, கலிபோர்னியா 92093, அமெரிக்கா. மின்னஞ்சல் முகவரி: [email protected]. URL: http://www-cse.ucsd.edu/users/mihir. NSF CAREER விருது CCR-9624439 மற்றும் அறிவியல் மற்றும் பொறியியலில் பேக்கர்ட் அறக்கட்டளை உதவித்தொகை ஆகியவற்றால் பகுதியாக ஆதரிக்கப்படுகிறது. yMIT கணினி அறிவியல் ஆய்வகம், 545 டெக்னாலஜி ஸ்கொயர், கேம்பிரிட்ஜ், MA 02139, அமெரிக்கா. மின்னஞ்சல்: miccianc@theory. lcs. mit. edu. DARPA ஒப்பந்தம் DABT63-96-C-0018 மூலம் பகுதியாக ஆதரிக்கப்படுகிறது. |
9b9c9cc72ebc16596a618d5b78972437c9c569f6 | |
3ffce42ed3d7ac5963e03d4b6e32460ef5b29ff7 | ஒரு இயற்பியல் பொருளின் முழுமையான மாதிரியை உருவாக்குவதற்கான சிக்கலை நாங்கள் ஆய்வு செய்கிறோம். இது தீவிர படங்களைப் பயன்படுத்தி சாத்தியமானதாக இருந்தாலும், மூன்று பரிமாண தகவலுக்கான நேரடி அணுகலை வழங்கும் வரம்பில் உள்ள படங்களை நாங்கள் பயன்படுத்துகிறோம். நாம் தீர்க்க வேண்டிய முதல் பிரச்சனை, வெவ்வேறு கருத்துக்களுக்கு இடையேயான மாற்றத்தைக் கண்டுபிடிப்பதாகும். முந்தைய அணுகுமுறைகள் இந்த மாற்றத்தை அறியப்பட வேண்டும் என்று கருதின (இது ஒரு முழுமையான மாதிரியில் மிகவும் கடினம்), அல்லது அம்ச பொருத்தத்துடன் கணக்கிடப்பட்டது (இது ஒருங்கிணைப்புக்கு போதுமான துல்லியமாக இல்லை). இந்த ஆய்வில், நாம் ஒரு புதிய அணுகுமுறையை முன்மொழிகிறோம், இது நேரடியாக d a t a range இல் வேலை செய்கிறது, மேலும் காட்சிகளுக்கு இடையில் துல்லியமான மாற்றத்தை பெற போதுமான ஒன்றுடன் ஒன்றுள்ள காட்சிகளை பதிவு செய்கிறது. இது புள்ளி-க்கு-புள்ளி பொருத்தங்களைத் தேவையில்லாத ஒரு செயல்பாட்டுக் கருவியைக் குறைப்பதன் மூலம் செய்யப்படுகிறது. பதிவு முறை மற்றும் மாதிரி நடைமுறை பற்றிய விவரங்களை அளித்து, சிக்கலான பொருள்களின் உண்மையான தூர படங்களில் அவற்றை விளக்குகிறோம். 1 அறிமுகம் இயற்பியல் பொருள்களின் மாதிரிகளை உருவாக்குவது உயிரியல் பார்வை தொகுதிகளின் அவசியமான கூறு இயந்திரமாகும். இந்த மாதிரிகள் பொருள் அங்கீகாரம், போஸ் மதிப்பீடு அல்லது ஆய்வு பணிகளில் பயன்படுத்தப்படலாம். ஆர்வமுள்ள பொருள் துல்லியமாக வடிவமைக்கப்பட்டிருந்தால், அத்தகைய மாதிரி CAD மாதிரியின் வடிவத்தில் உள்ளது. எனினும் பல பயன்பாடுகளில், இதுபோன்ற CAD மாதிரிகளை அணுகுவது சாத்தியமற்றது அல்லது நடைமுறைக்குரியது அல்ல, மேலும் நாம் இயற்பியல் பொருளிலிருந்து மாதிரிகளை உருவாக்க வேண்டும். சில ஆராய்ச்சியாளர்கள் பல பார்வைகளை கொண்ட ஒரு மாதிரியைப் பயன்படுத்துவதன் மூலம் சிக்கலைத் தவிர்க்கிறார்கள் ([4], [a]), ஆனால் t, liis எப்போதும் போதாது. ஒரு பொருளின் முழுமையான மாதிரி தேவைப்பட்டால், பின்வரும் படிகள் அவசியம்: 1. தரவு கையகப்படுத்தல், 2. பார்வைகள் இடையே பதிவு, 3. பார்வைகள் ஒருங்கிணைப்பு. பார்வை என்றாலே குறிப்பிட்ட பார்வையில் இருந்து பொருளின் 3D மேற்பரப்பு தகவல்களைக் குறிப்பிடுகிறோம். ஒருங்கிணைப்பு செயல்முறை பயன்படுத்தப்படும் பிரதிநிதித்துவ திட்டத்தை மிகவும் சார்ந்துள்ளது என்றாலும், ஒருங்கிணைப்பைச் செய்வதற்கான முன்நிபந்தனை வெவ்வேறு பார்வைகளிலிருந்து தரவுகளுக்கு இடையிலான மாற்றத்தை அறிவது. பதிவின் நோக்கம், அத்தகைய ஒரு மாற்றத்தைக் கண்டுபிடிப்பதாகும், இது t, the covrespon, den, ce problem என்றும் அழைக்கப்படுகிறது. இந்த பிரச்சனை பல முந்தைய ஆராய்ச்சி முயற்சிகளின் மையமாக இருந்தது: பானு பல பார்வைகளை பெறுவதற்கு அறியப்பட்ட கோணங்களில் பொருள் சுழற்சி மூலம் பொருள் அங்கீகாரம் ஒரு பொருள் மாடலிங் அமைப்பு உருவாக்கப்பட்டது. நாய் மற்றும் பிறர். [3] மற்றும் அஹுஜா மற்றும் வென்-ஸ்ட்ரா [l] ஆகியோர் ஆக்ட்ரி பொருள் மாதிரிகளை உருவாக்க நேர்கோட்டு காட்சிகளைப் பயன்படுத்தினர். இந்த முறைகள் மூலம், ... |
883b2b981dc04139800f30b23a91b8d27be85b65 | இந்த ஆய்வில், திறமையான 3D பொருள்களை அங்கீகரிப்பதற்கான அணுகுமுறையை முன்வைக்கிறோம். மேலும், குழப்பமான மற்றும் மூடப்பட்ட சூழல்களில் நடைமுறைகளைப் புரிந்துகொள்வதற்கான மதிப்பீட்டு அணுகுமுறையை முன்வைக்கிறோம். பொதுவான தோற்ற அடிப்படையிலான அணுகுமுறைகளுக்கு மாறாக, 3D வடிவியல் தகவல்களை மட்டுமே நாங்கள் நம்பியிருக்கிறோம். எங்கள் முறை ஒரு வலுவான வடிவியல் விவரிப்பு, ஒரு ஹேஷிங் நுட்பம் மற்றும் ஒரு திறமையான, உள்ளூர்மயமாக்கப்பட்ட RANSAC போன்ற மாதிரி மூலோபாயம் ஆகியவற்றின் அடிப்படையில் அமைந்துள்ளது. ஒவ்வொரு பொருளும் அதனுடன் தொடர்புடைய மேற்பரப்பு இயல்புநிலைகளைக் கொண்ட புள்ளிகளின் தொகுப்பால் ஆன ஒரு மாதிரியால் பிரதிநிதித்துவப்படுத்தப்படுகிறது என்று நாம் கருதுகிறோம். ஒரே நேரத்தில் பல மாதிரி நிகழ்வுகளை அடையாளம் கண்டு, காட்சியில் அவற்றின் போஸை மதிப்பிடுகிறது. பல்வேறு சோதனைகள், இந்த முறை சத்தம் மிகுந்த, ஒழுங்கற்ற மற்றும் பிரிவுகளற்ற ரேஞ்ச் ஸ்கேன்களில் சிறப்பாக செயல்படுகிறது என்பதைக் காட்டுகிறது. இதில் பொருள்களின் சிறிய பகுதிகள் மட்டுமே தெரியும். வழிமுறையின் முக்கிய செயல்முறை ஒரு நேரியல் நேர சிக்கலான தன்மையைக் கொண்டுள்ளது, இதன் விளைவாக ஒரு உயர் அங்கீகார வேகம் உள்ளது, இது முறையை ஒரு தொடர்ச்சியான கையாளுதல் பணியில் நேரடியாக ஒருங்கிணைக்க அனுமதிக்கிறது. 7 டிகிரி-ஆஃப்-ஃப்ரீடி கார்டீசியன் இம்பிடென்ஸ் கட்டுப்படுத்தப்பட்ட ரோபோவுடன் சோதனை சரிபார்ப்பு சிக்கலான சீரற்ற அடுக்கிலிருந்து பொருட்களைப் பிடிக்க இந்த முறையை எவ்வாறு பயன்படுத்தலாம் என்பதைக் காட்டுகிறது. கணினி பார்வை மற்றும் மென்மையான ரோபோட்டிக்ஸ் ஆகியவற்றின் ஒருங்கிணைப்பு, கட்டமைக்கப்படாத மற்றும் மூடப்பட்ட சூழல்களில் செயல்படக்கூடிய ஒரு ரோபோடிக் அமைப்பை எவ்வாறு வழிநடத்துகிறது என்பதை இந்த பயன்பாடு காட்டுகிறது. |
9bc8aaaf23e2578c47d5d297d1e1cbb5b067ca3a | இந்த ஆவணம் ஒரு கேமரா படத்தில் ஒரு 3D பொருளின் நிகழ்வுகளை அடையாளம் காணும் மற்றும் அவற்றின் 3D போஸ்களை தீர்மானிப்பதற்கான ஒரு அணுகுமுறையை விவரிக்கிறது. ஒரு வரிசை மாதிரி என்பது பொருளின் 3D CAD மாதிரியின் வடிவியல் தகவலின் அடிப்படையில் மட்டுமே உருவாக்கப்படுகிறது. இந்த அணுகுமுறை பொருளின் மேற்பரப்பின் அமைப்பு அல்லது பிரதிபலிப்பு தகவல்களை நம்பவில்லை, இது பரந்த அளவிலான தொழில்துறை மற்றும் ரோபோ பயன்பாடுகளுக்கு பயனுள்ளதாக இருக்கும், எ. கா. , குப்பைத் தொட்டியைத் தேர்ந்தெடுப்பது. முந்தைய முறைகளின் வழக்கமான சிக்கல்களைக் கையாளும் ஒரு படிநிலை பார்வை அடிப்படையிலான அணுகுமுறை பயன்படுத்தப்படுகிறதுஃ இது உண்மையான முன்னோக்கைக் கையாளுகிறது, சத்தம், மூடல்கள் மற்றும் குழப்பத்திற்கு வலுவானது, இது பல நடைமுறை பயன்பாடுகளுக்கு போதுமானதாகும், மேலும் மாறுபட்ட மாற்றங்களுக்கு மாறாதது. இந்த வரிசை மாதிரி உருவாக்கத்திற்காக, ஒரு புதிய மாதிரி பட உருவாக்கும் நுட்பம் வழங்கப்படுகிறது, இதன் மூலம் அளவிலான-வெளி விளைவுகள் கணக்கில் எடுத்துக்கொள்ளப்படலாம். தேவையான பொருள் காட்சிகள் ஒற்றுமை அடிப்படையிலான அம்ச வரைபடத்தைப் பயன்படுத்தி பெறப்படுகின்றன. முழுமையான தேடலின் உயர் வலுவான தன்மை ஒரு திறமையான படிநிலை தேடலுடன் இணைக்கப்பட்டுள்ளது. 3D போஸ் ஒரு குறைந்தபட்ச சதுர சரிசெய்தல் பயன்படுத்தி சுத்திகரிக்கப்படுகிறது இது படத்தில் வடிவியல் தூரங்களை குறைக்கிறது, பொருளின் தூரத்துடன் 0.12 சதவீதம் வரை நிலை துல்லியத்தை அளிக்கிறது, மற்றும் எங்கள் சோதனைகளில் 0.35 டிகிரி வரை நோக்குநிலை துல்லியம். அங்கீகரிப்பு நேரம் என்பது பொருளின் சிக்கலான தன்மையிலிருந்து பெரிதும் சுயாதீனமானது, ஆனால் முக்கியமாக பொருளின் முன் தோன்றக்கூடிய போஸ்களின் வரம்பைப் பொறுத்தது. செயல்திறன் காரணங்களுக்காக, இந்த அணுகுமுறை பயன்பாட்டைப் பொறுத்து போஸ் வரம்பை கட்டுப்படுத்த அனுமதிக்கிறது. வழக்கமான இயக்க நேரம் சில நூறு ms வரம்பில் உள்ளது. |
dbd66f601b325404ff3cdd7b9a1a282b2da26445 | ஆரம்ப மதிப்பீட்டு முடிவுகள் 6D பொருளின் போஸ் மதிப்பீட்டில் தொழில்நுட்பத்தின் நிலை மேம்படுத்த நிறைய இடங்களைக் கொண்டுள்ளது என்பதைக் குறிக்கிறது, குறிப்பாக குறிப்பிடத்தக்க அடைப்புடன் கடினமான சந்தர்ப்பங்களில். T-LESS தரவுத்தொகுப்பு cmp:felk:cvut:cz/t-less என்ற இணையதளத்தில் கிடைக்கிறது. T-LESS என்ற புதிய பொது தரவுத்தொகுப்பை அறிமுகப்படுத்துகிறோம். உரை இல்லாத உறுதியான பொருள்களின் மொழிபெயர்ப்பு மற்றும் சுழற்சி. இந்த தரவுத் தொகுப்பில் குறிப்பிடத்தக்க அமைப்பு மற்றும் பாகுபாடு நிறம் அல்லது பிரதிபலிப்பு பண்புகள் இல்லாத முப்பது தொழில்-தொடர்புடைய பொருள்கள் உள்ளன. இந்த பொருட்கள் வடிவத்திலும், அளவிலும் சமச்சீரமைப்பைக் கொண்டுள்ளன. மற்ற தரவுத் தொகுப்புகளுடன் ஒப்பிடும்போது, சில பொருள்கள் மற்றவற்றின் பகுதிகளாக இருப்பதே தனித்துவமான பண்பு. இந்த தரவுத் தொகுப்பில் மூன்று ஒத்திசைக்கப்பட்ட சென்சார்கள், குறிப்பாக ஒரு கட்டமைக்கப்பட்ட ஒளி மற்றும் ஒரு RGB-D சென்சார் மற்றும் ஒரு உயர் தெளிவுத்திறன் கொண்ட RGB கேமரா ஆகியவற்றால் கைப்பற்றப்பட்ட பயிற்சி மற்றும் சோதனை படங்கள் அடங்கும். ஒவ்வொரு சென்சாரில் இருந்து சுமார் 39K பயிற்சி மற்றும் 10K சோதனை படங்கள் உள்ளன. கூடுதலாக, ஒவ்வொரு பொருளுக்கும் இரண்டு வகையான 3D மாதிரிகள் வழங்கப்படுகின்றன, அதாவது கைமுறையாக உருவாக்கப்பட்ட CAD மாதிரி மற்றும் அரை தானியங்கி முறையில் மீண்டும் உருவாக்கப்பட்ட ஒன்று. பயிற்சி படங்கள் தனித்தனி பொருட்களை கருப்பு பின்னணியில் சித்தரிக்கிறது. சோதனை படங்கள் பல்வேறு சிக்கலான இருபது சோதனை காட்சிகளில் இருந்து உருவாகின்றன, இது பல தனிமைப்படுத்தப்பட்ட பொருள்களைக் கொண்ட எளிய காட்சிகளிலிருந்து பல பொருள்களின் பல நிகழ்வுகளுடன் மற்றும் அதிக அளவு குழப்பம் மற்றும் அடைப்புடன் மிகவும் சவாலானதாகிறது. படங்கள் பொருள் / காட்சியைச் சுற்றியுள்ள முறையாக மாதிரி செய்யப்பட்ட பார்வை கோளத்திலிருந்து கைப்பற்றப்பட்டன, மேலும் அனைத்து மாதிரியான பொருள்களின் துல்லியமான தரை உண்மை 6 டி போஸ்களுடன் குறிக்கப்பட்டுள்ளன. |
74257c2a5c9633565c3becdb9139789bcf14b478 | தகவல் தொழில்நுட்ப கட்டுப்பாட்டு கட்டமைப்புகள் பரவலாக ஏற்றுக்கொள்ளப்பட்ட போதிலும், அவற்றின் பயன்பாட்டை ஆய்வு செய்ய சிறிய கல்வி அனுபவ ஆராய்ச்சி மேற்கொள்ளப்பட்டுள்ளது. ஆஸ்திரேலியா முழுவதும் உள்ள பொதுத்துறை நிறுவனங்களில் தகவல் மற்றும் தொடர்புடைய தொழில்நுட்பத்திற்கான கட்டுப்பாட்டு இலக்குகளில் (COBIT) இருந்து 15 முக்கிய தகவல் தொழில்நுட்ப கட்டுப்பாட்டு செயல்முறைகளின் முதிர்வு நிலைகளை ஒப்பிடும் ஆராய்ச்சியைப் பற்றி இந்த ஆவணம் அறிக்கை செய்கிறது. இது பல நாடுகளைச் சேர்ந்த கலப்புத் துறை குழு, ஆசிய-ஓசியானிக் நாடுகளைச் சேர்ந்த கலப்புத் துறை குழு மற்றும் அனைத்து புவியியல் பகுதிகளிலும் உள்ள பொதுத்துறை அமைப்புகளுக்கான இதே போன்ற தரத்துடன் ஒப்பிடும். ஆஸ்திரேலிய தரவு 50 க்கும் மேற்பட்ட ஊழியர்களைக் கொண்டதாக அடையாளம் காணப்பட்ட 387 நிதிசார்பற்ற பொதுத்துறை நிறுவனங்களின் அஞ்சல் கணக்கெடுப்பில் சேகரிக்கப்பட்டது, இது 27% பதிலளிப்பு விகிதத்தை அளித்தது. 2002ல் IS தணிக்கை மற்றும் கட்டுப்பாட்டு சங்கம் மேற்கொண்ட ஆரம்ப சர்வதேச கணக்கெடுப்பில் காணப்பட்ட மாதிரிகள் ஆஸ்திரேலிய தரவுகளிலும் காணப்பட்டன. எனினும், 15 மிக முக்கியமான தகவல் தொழில்நுட்ப செயல்முறைகளுக்கான அனைத்து சர்வதேச தரநிலைகளிலும், ஆஸ்திரேலிய பொதுத்துறை துறைகளை விட சிறப்பாக செயல்பட்டது. |
0e9bac6a2b51e93e73f7f5045d4252972db10b5a | மில்லியன் கணக்கான வரிசைகள், மில்லியன் கணக்கான நெடுவரிசைகள், மற்றும் பில்லியன் கணக்கான பூஜ்ஜியமற்ற கூறுகள் கொண்ட பெரிய அடுக்கைகளை தோராயமாக வகுப்பதற்கான ஒரு புதிய வழிமுறையை நாங்கள் வழங்குகிறோம். எங்கள் அணுகுமுறை ஸ்டோகாஸ்டிக் கிராடியன்ட் வம்சாவளியை (SGD) அடிப்படையாகக் கொண்டது, இது ஒரு தொடர்ச்சியான ஸ்டோகாஸ்டிக் தேர்வுமுறை வழிமுறை ஆகும். நாம் முதலில் ஒரு புதிய "அடுக்கு" SGD மாறுபாட்டை (SSGD) உருவாக்குகிறோம், இது பொது இழப்பு-குறைக்க சிக்கல்களுக்கு பொருந்தும், இதில் இழப்பு செயல்பாடு "அடுக்கு இழப்புகளின்" எடை கொண்ட தொகையாக வெளிப்படுத்தப்படலாம். ஸ்டோகாஸ்டிக் தோராயமான கோட்பாடு மற்றும் மீளுருவாக்கம் செயல்முறை கோட்பாடு ஆகியவற்றின் முடிவுகளைப் பயன்படுத்தி SSGD இன் ஒத்திசைவுக்கான போதுமான நிலைமைகளை நாங்கள் நிறுவுகிறோம். பின்னர் நாம் ஒரு புதிய மேட்ரிக்ஸ்-காரணி அல்காரிதம் பெற SSGD நிபுணத்துவம், DSGD என்று, முழுமையாக விநியோகிக்கப்பட்ட மற்றும் பயன்படுத்தி வலை அளவிலான தரவுத்தளங்கள் இயங்கும் முடியும், எ. கா. , MapReduce. டி.எஸ்.ஜி.டி. பல்வேறு வகையான மேட்ரிக்ஸ் காரணிகளை கையாள முடியும். எமது DSGD நடைமுறைப்படுத்தலில் செயல்திறனை மேம்படுத்த பயன்படுத்தப்படும் நடைமுறை நுட்பங்களை விவரிக்கிறோம். மாற்று வழிமுறைகளை விட டி.எஸ்.ஜி.டி. கணிசமாக வேகமாக ஒன்றிணைகிறது மற்றும் சிறந்த அளவிடுதல் பண்புகளைக் கொண்டுள்ளது என்று பரிசோதனைகள் தெரிவிக்கின்றன. |
1109b663453e78a59e4f66446d71720ac58cec25 | வகைப்படுத்தல், உள்ளூர்மயமாக்கல் மற்றும் கண்டறிதலுக்கான கன்வோல்ஷனல் நெட்வொர்க்குகளைப் பயன்படுத்துவதற்கான ஒருங்கிணைந்த கட்டமைப்பை நாங்கள் முன்வைக்கிறோம். பல அளவுகோல் மற்றும் ஸ்லைடிங் விண்டோ அணுகுமுறை எவ்வாறு ஒரு கான்வெட் நெட்வொர்க்கில் திறம்பட செயல்படுத்தப்படலாம் என்பதை நாங்கள் காட்டுகிறோம். மேலும், உள்ளூர்மயமாக்கலுக்கு ஒரு புதிய ஆழமான கற்றல் அணுகுமுறையை அறிமுகப்படுத்துகிறோம். கண்டறிதல் நம்பகத்தன்மையை அதிகரிப்பதற்காக, எல்லை பெட்டிகள் அடக்கப்படுவதற்குப் பதிலாக குவிக்கப்படுகின்றன. ஒரே நேரத்தில் பல பணிகளை ஒரே பகிரப்பட்ட வலையமைப்பை பயன்படுத்தி கற்றுக்கொள்ள முடியும் என்பதை நாங்கள் காட்டுகிறோம். இந்த ஒருங்கிணைந்த கட்டமைப்பானது ImageNet Large Scale Visual Recognition Challenge 2013 (ILSVRC2013) இன் உள்ளூர்மயமாக்கல் பணியில் வென்றது மற்றும் கண்டறிதல் மற்றும் வகைப்படுத்தல் பணிகளுக்கு மிகவும் போட்டித்திறன் வாய்ந்த முடிவுகளைப் பெற்றது. போட்டிக்கு பிந்தைய பணியில், கண்டறிதல் பணிக்கான ஒரு புதிய கலை நிலையை நாங்கள் நிறுவுகிறோம். இறுதியாக, நாம் ஒரு அம்சம் பிரித்தெடுத்தல் வெளியிட எங்கள் சிறந்த மாதிரி OverFeat என்று. |
062c1c1b3e280353242dd2fb3c46178b87cb5e46 | இந்த ஆய்வில் தொடர்ச்சியான மாநில-செயல்பாட்டு இடங்களுடன் வலுவூட்டல் கற்றல் சிக்கல்களை நாங்கள் கையாளுகிறோம். நாம் ஒரு புதிய வழிமுறையை முன்மொழிகிறோம், tted இயற்கை நடிகர்-விமர்சன (FNAC), இது பொதுவான செயல்பாடு தோராயத்தை மற்றும் தரவு மறுபயன்பாட்டை அனுமதிக்க [1] இல் உள்ள வேலையை விரிவுபடுத்துகிறது. நாம் இயற்கையான நடிகர்-விமர்சன கட்டமைப்பை [1] ஒரு மாறுபாடான tted மதிப்பு மீண்டும் பயன்படுத்தி முக்கியத்துவம் மாதிரி இணைக்கிறோம். இவ்வாறு பெறப்பட்ட முறை இரு அணுகுமுறைகளின் முக்கிய பலவீனங்களைக் கடந்து, இருவரின் கவர்ச்சிகரமான அம்சங்களையும் இணைக்கிறது: தொடர்ச்சியான நடவடிக்கை-விண்வெளிகளில் கொள்கை உகப்பாக்கலுடன் பின்னடைவு முறைகளில் காணப்படும் சிக்கல்களை ஒரு சாய்வு அடிப்படையிலான நடிகரின் பயன்பாடு எளிதில் சமாளிக்கிறது; மறுபுறம், பின்னடைவு அடிப்படையிலான விமர்சகரின் பயன்பாடு தரவை திறம்பட பயன்படுத்த அனுமதிக்கிறது மற்றும் டி.டி. அடிப்படையிலான விமர்சகர்கள் பெரும்பாலும் வெளிப்படுத்தும் ஒத்திசைவு சிக்கல்களைத் தவிர்க்கிறது. நாம் நமது அல்காரிதமின் ஒற்றுமையை நிறுவுகிறோம், அதன் பயன்பாட்டை ஒரு எளிய தொடர்ச்சியான விண்வெளி, தொடர்ச்சியான செயல்பாட்டு சிக்கலில் விளக்குகிறோம். |
f97f0902698abff8a2bc3488e8cca223e5c357a1 | தரவு சுரங்கம் மற்றும் இயந்திர கற்றல் சிக்கல்களைத் தீர்ப்பதில் அம்சத் தேர்வு ஒரு முக்கியமான அம்சமாகும். இந்த ஆவணம் ஆதரவு வெக்டர் இயந்திரம் (SVM) கற்றலுக்கான அம்ச-தேர்வு முறையை முன்மொழிகிறது. பெரும்பாலான அம்சத் தேர்வு முறைகளைப் போலவே, முன்மொழியப்பட்ட முறையும் அனைத்து அம்சங்களையும் முக்கியத்துவத்தின் கீழ் வரிசைப்படுத்துகிறது, இதனால் மிகவும் பொருத்தமான அம்சங்களை அடையாளம் காண முடியும். இது SVM இன் நிகழ்தகவு வெளியீடுகளை அடிப்படையாகக் கொண்ட ஒரு புதிய அளவுகோலைப் பயன்படுத்துகிறது. இந்த அளவுகோல், பின்வரும் சாத்தியக்கூறுகளின் அம்ச அடிப்படையிலான உணர்திறன் (FSPP) என்று அழைக்கப்படுகிறது, இது ஒரு குறிப்பிட்ட அம்சத்தின் முக்கியத்துவத்தை மதிப்பீடு செய்கிறது, அம்ச இடத்தின் மீது, அம்சத்துடன் மற்றும் இல்லாமல் SVM இன் நிகழ்தகவு வெளியீடுகளின் முழுமையான வேறுபாட்டின் மொத்த மதிப்பை கணக்கிடுவதன் மூலம். இந்த அளவுகோலின் சரியான வடிவம் எளிதில் கணக்கிட முடியாதது மற்றும் தோராயமான தேவை உள்ளது. இந்த நோக்கத்திற்காக FSPP1-FSPP4 என நான்கு தோராயமானவை முன்மொழியப்பட்டுள்ளன. முதல் இரண்டு தோராயமான மதிப்பீடுகள் பயிற்சி தரவுகளின் மாதிரிகள் மத்தியில் அம்சத்தின் மதிப்புகளை தோராயமாக மாற்றுவதன் மூலம் அளவுகோலை மதிப்பீடு செய்கின்றன. தரமான SVM வெளியீட்டிலிருந்து அதன் நிகழ்தகவு வெளியீட்டிற்கு வரைபட செயல்பாட்டை அவர்கள் தேர்வு செய்வதில் வேறுபடுகிறார்கள்ஃ FSPP1 ஒரு எளிய வாசல் செயல்பாட்டைப் பயன்படுத்துகிறது, அதே நேரத்தில் FSPP2 ஒரு சிக்மோயிட் செயல்பாட்டைப் பயன்படுத்துகிறது. இரண்டாவது இரண்டு நேரடியாக அளவுகோலை நெருங்குகின்றன ஆனால் அம்சங்கள் தொடர்பாக அளவுகோலின் மென்மையான அனுமானங்களில் வேறுபடுகின்றன. இந்த தோராயங்களின் செயல்திறன், ஒரு ஒட்டுமொத்த அம்ச-தேர்வு திட்டத்தில் பயன்படுத்தப்படுகிறது, பின்னர் பல்வேறு செயற்கை சிக்கல்கள் மற்றும் உண்மையான உலக சிக்கல்களில் மதிப்பீடு செய்யப்படுகிறது, இதில் சமீபத்திய நரம்பியல் தகவல் செயலாக்க அமைப்புகள் (NIPS) அம்சத் தேர்வு போட்டியில் இருந்து தரவுத் தொகுப்புகள் அடங்கும். FSPP1-3 தொடர்ச்சியாக நல்ல செயல்திறனைக் காட்டுகிறது, FSPP2 ஒட்டுமொத்தமாக சிறந்ததாக உள்ளது. FSPP2 இன் செயல்திறன், நாங்கள் சோதித்த தரவுத் தொகுப்புகளில் உள்ள இலக்கியத்தில் சிறந்த செயல்திறன் கொண்ட அம்ச-தேர்வு முறைகளுடன் போட்டியிடும். இது தொடர்பான கணக்கீடுகள் மிதமானவை, எனவே இது SVM பயன்பாடுகளுக்கான அம்ச-தேர்வு முறையாக பொருத்தமானது. |
a1c5a6438d3591819e730d8aecb776a52130c33d | ஒரு சிறிய மைக்ரோஸ்ட்ரிப் லோபாஸ் வடிகட்டி (LPF) ஒரு மாற்றப்பட்ட படிநிலை இம்பிடன்ஸ் ஹேர்பைன் ரிசொன்டரைப் பயன்படுத்தி அல்ட்ரா-வைட் ஸ்டாப் பேண்டுடன் முன்மொழியப்பட்டுள்ளது. இந்த மாற்றப்பட்ட ஒலிப்புத்தகமானது ஒரு படிநிலை இம்பிடன்ஸ் ஹேர்பின் ஒலிப்புத்தகத்தையும், ஒரு உட்பொதிக்கப்பட்ட அறுகோண ஸ்டப் ஏற்றப்பட்ட இணைக்கப்பட்ட-வரி அமைப்பையும் கொண்டுள்ளது. அளவை பெரிதாக்காமல், ஒரு பரந்த நிறுத்தப் பட்டையை பெற உட்பொதிக்கப்பட்ட அமைப்பு அறிமுகப்படுத்தப்படுகிறது. ஒரு முன்மாதிரி LPF உருவகப்படுத்தப்பட்டு, தயாரிக்கப்பட்டு, அளவிடப்பட்டு, அளவீடுகள் உருவகப்படுத்துதல்களுடன் நல்ல உடன்பாட்டில் உள்ளன. இதில் உள்ள குறைந்த பாஸ் வடிகட்டி 12.01fc வரை மிக பரந்த நிறுத்தப் பட்டைக் கொண்டுள்ளது. கூடுதலாக, முன்மொழியப்பட்ட வடிகட்டி 0.071λg × 0.103λg அளவு கொண்டது, அங்கு λg என்பது அலைவரிசை நீளம் 1.45 GHz வெட்டு அதிர்வெண்ணில் உள்ளது. |
70d2d4b07b5c65ef4866c7fd61f9620bffa01e29 | கடந்த பத்தாண்டுகளில் காலநிலை மாற்றங்களும், மழைப்பொழிவும் சீரற்றதாகவே இருந்து வருகின்றன. இதன் காரணமாக, சமீப காலங்களில், ஸ்மார்ட் வேளாண்மை எனப்படும் காலநிலை-ஸ்மார்ட் முறைகள் பல இந்திய விவசாயிகளால் பின்பற்றப்படுகின்றன. ஸ்மார்ட் விவசாயம் என்பது ஒரு தானியங்கி மற்றும் இயக்கிய தகவல் தொழில்நுட்பமாகும். இது IoT (இன்டர்நெட் ஆஃப் திங்ஸ்) உடன் செயல்படுத்தப்படுகிறது. அனைத்து வயர்லெஸ் சூழல்களிலும் ஐஓடி வேகமாக வளர்ந்து பரவலாகப் பயன்படுத்தப்படுகிறது. இந்த ஆய்வில், சென்சார் தொழில்நுட்பம் மற்றும் வயர்லெஸ் நெட்வொர்க்குகள், IoT தொழில்நுட்பத்தின் ஒருங்கிணைப்பு ஆகியவை விவசாய அமைப்பின் உண்மையான நிலைமையை அடிப்படையாகக் கொண்டு ஆய்வு செய்யப்பட்டு மதிப்பாய்வு செய்யப்பட்டுள்ளன. இணையம் மற்றும் கம்பியில்லா தகவல்தொடர்புகள், தொலை கண்காணிப்பு அமைப்பு (RMS) ஆகியவற்றுடன் இணைந்த அணுகுமுறை முன்மொழியப்பட்டுள்ளது. குறுகிய நேர மசாஜ் சேவை (எஸ்எம்எஸ்) மற்றும் வானிலை, பயிர்கள் போன்றவற்றின் ஆலோசனைகள் போன்ற விவசாய வசதிகளுக்கு எளிதாக அணுகக்கூடிய விவசாய உற்பத்தி சூழலின் உண்மையான நேர தரவுகளை சேகரிப்பதே முக்கிய நோக்கம். |
ea88b58158395aefbb27f4706a18dfa2fd7daa89 | ஆன்லைன் சமூக வலைப்பின்னல்களில் (OSN) கணிசமான அளவு சுய வெளிப்பாடு இருந்தாலும், இந்த நிகழ்வின் பின்னணியில் உள்ள உந்துதல் இன்னும் கொஞ்சம் புரிந்து கொள்ளப்பட்டுள்ளது. தனியுரிமை கணிப்புக் கோட்பாட்டை அடிப்படையாகக் கொண்டு, இந்த ஆய்வு தனிநபர்களின் சுய வெளிப்படுத்தல் முடிவுகளுக்கு பின்னால் உள்ள காரணிகளை உன்னிப்பாகப் பார்ப்பதன் மூலம் இந்த இடைவெளியை நிரப்புகிறது. 237 நபர்களைக் கொண்ட ஒரு கட்டமைப்பு சமன்பாட்டு மாதிரியில், உணரப்பட்ட இன்பம் மற்றும் தனியுரிமைக் கவலைகள் ஆகியவை தகவல்களை வெளிப்படுத்துவதற்கான முக்கிய தீர்மானிப்பாளர்களாக இருப்பதைக் காண்கிறோம். OSN பயனர்களின் தனியுரிமைக் கவலைகள் முதன்மையாக தனியுரிமை மீறல் நிகழும் சாத்தியத்தினால் தீர்மானிக்கப்படுகின்றன என்பதை நாங்கள் உறுதிப்படுத்துகிறோம். இந்த நுண்ணறிவு OSN வழங்குநர்களுக்கும் கொள்கை வகுப்பாளர்களுக்கும் ஒரு உறுதியான அடிப்படையை வழங்குகிறது, இது புறநிலை பகுத்தறிவுகளை விட புறநிலை பகுத்தறிவுகளை அடிப்படையாகக் கொண்ட ஆரோக்கியமான வெளிப்படுத்தல் நிலைகளை உறுதி செய்வதற்கான அவர்களின் முயற்சியில் உள்ளது. |
9dbfcf610da740396b2b9fd75c7032f0b94896d7 | தரவுத்தள மேலாண்மை அமைப்புகளுடன் (DBMS) தொடர்பு கொள்ளும் பயன்பாடுகள் எங்கும் காணப்படுகின்றன. இத்தகைய தரவுத்தள பயன்பாடுகள் பொதுவாக ஒரு பயன்பாட்டு சேவையகத்தில் ஹோஸ்ட் செய்யப்படுகின்றன மற்றும் தரவுத்தள சேவையகத்தில் ஹோஸ்ட் செய்யப்பட்ட ஒரு DBMS க்கு நெட்வொர்க் மூலம் பல சிறிய அணுகல்களை செயலாக்குகின்றன. பல தசாப்தங்களாக, தரவுத்தள மற்றும் நிரலாக்க அமைப்புகளின் ஆராய்ச்சி சமூகங்கள் இத்தகைய பயன்பாடுகளை வெவ்வேறு கண்ணோட்டங்களில் மேம்படுத்துவதில் பணியாற்றியுள்ளன: தரவுத்தள ஆராய்ச்சியாளர்கள் மிகவும் திறமையான டிபிஎம்எஸ்ஸை உருவாக்கியுள்ளனர், மேலும் நிரலாக்க அமைப்புகளின் ஆராய்ச்சியாளர்கள் பயன்பாடுகளை ஹோஸ்ட் செய்வதற்கான சிறப்பு கம்பைலர்கள் மற்றும் இயக்க முறைமைகளை உருவாக்கியுள்ளனர். இருப்பினும், தரவுத்தள பயன்பாடுகளை மேம்படுத்துவதில் ஒப்பீட்டளவில் சிறிய வேலைகள் உள்ளன. இந்த சிறப்பு அமைப்புகளை இணைத்து, அவற்றைத் தாண்டி மேம்படுத்தும் வாய்ப்புகளைத் தேடுவதன் மூலம். இந்த கட்டுரையில், தரவுத்தள பயன்பாடுகளை மேம்படுத்தும் மூன்று திட்டங்களை நாங்கள் முன்னிலைப்படுத்துகிறோம், இது நிரலாக்க அமைப்பு மற்றும் டிபிஎஸ்எஸ் இரண்டையும் முழுமையான முறையில் பார்ப்பதன் மூலம். DBMS மற்றும் பயன்பாட்டுக்கு இடையேயான இடைமுகத்தை கவனமாக மறுபரிசீலனை செய்வதன் மூலம், மற்றும் அறிவிப்பு தரவுத்தள மேம்படுத்தல் மற்றும் நவீன நிரல் பகுப்பாய்வு நுட்பங்களின் கலவையைப் பயன்படுத்துவதன் மூலம், உண்மையான உலக பயன்பாடுகளில் பல அளவுகளின் வேகத்தை அதிகரிப்பது சாத்தியம் என்பதை நாங்கள் காட்டுகிறோம். |
fdc3948f5fec24eb7cd4178aee9732ab284f1f1c | WWAN/LTE மெட்டல்-ரிம் ஸ்மார்ட்போன் பயன்பாடுகளுக்கான ஒரு கலப்பின பல-மோட் குறுகிய-அட்டவணை ஆண்டெனா இந்த ஆவணத்தில் முன்மொழியப்பட்டுள்ளது. தரையில் இருந்து தூரம் 5 மிமீ × 45 மிமீ மட்டுமே, இது குறுகிய-கட்டமைப்பின் ஸ்மார்ட்போன்களுக்கு நம்பிக்கை அளிக்கிறது. சிறிய இடைவெளியுடன் கூடிய உலோக ரிம் மூன்று நிலத்தடி இணைப்புகளால் அமைப்பு நிலத்தோடு இணைக்கப்பட்டுள்ளது. இந்த முன்மொழியப்பட்ட ஆண்டெனா மூன்று இணைக்கப்பட்ட சுழற்சி முறைகளையும், ஒரு ஸ்லாட் முறையையும் தூண்ட முடியும். இந்த நான்கு முறைகளை இணைப்பதன் மூலம், முன்மொழியப்பட்ட ஆண்டெனா GSM850/900, DCS/PCS/UMTS2100, மற்றும் LTE2300/2500 செயல்பாடுகளுக்கு பாதுகாப்பு வழங்க முடியும். முன்மொழியப்பட்ட அந்தென்டெனாவின் விரிவான வடிவமைப்புக் கருத்தாய்வுகள் விவரிக்கப்பட்டுள்ளன, மேலும் சோதனை மற்றும் உருவகப்படுத்தப்பட்ட முடிவுகள் இரண்டையும் முன்வைக்கப்பட்டுள்ளன. |
021f37e9da69ea46fba9d2bf4e7ca3e8ba7b3448 | சூரிய ஒளிபரப்பு அல்ட்ராவைட் பேண்ட் விவாலடி ஆண்டெனாவை முன்மொழியப்பட்டுள்ளது. அமோர்ஃப் சிலிக்கான் செல்களிலிருந்து வெட்டப்பட்ட இது 4.25 V இல் உச்ச சக்தியை பராமரிக்கிறது, இது இழப்பு சக்தி மேலாண்மை கூறுகளின் தேவையை வெல்லும். இந்த வயர்லெஸ் தகவல்தொடர்பு சாதனம் சூரிய சக்தியை உற்பத்தி செய்யலாம் அல்லது இரட்டை மூல ஆற்றல் சேகரிப்புக்கான ரெக்டெனாவாக செயல்படலாம். சூரிய விவாலடி 0.95-2.45 GHz இலிருந்து 0.5-2.8 dBi ஆதாயத்துடன் செயல்படுகிறது, மேலும் ரெக்டெனா பயன்முறையில், இது வயர்லெஸ் ஆற்றல் சுத்திகரிப்புக்கான மூன்று பட்டைகளை உள்ளடக்கியது. |
592a6d781309423ceb95502e92e577ef5656de0d | இயந்திர மொழிபெயர்ப்பின் நரம்பியல் குறியாக்கி-தீர்க்குறியீட்டு மாதிரிகள் பாரம்பரிய மொழிபெயர்ப்பு மாதிரிகளை எதிர்த்துப் போட்டியிடும் வகையில், அற்புதமான முடிவுகளை எட்டியுள்ளன. இருப்பினும், அவற்றின் மாதிரி வடிவமைப்பு மிகவும் எளிமையானது, மேலும் பாரம்பரிய மாதிரிகளில் கட்டமைக்கப்பட்ட பல முக்கிய தூண்டல் சார்புகளைத் தவிர்க்கிறது. இந்த ஆய்வில், கவனம் செலுத்தும் நரம்பியல் மொழிபெயர்ப்பு மாதிரியை, நிலை சார்பு, மார்கோவ் நிபந்தனை, கருவுறுதல் மற்றும் மொழிபெயர்ப்பு திசைகள் மீதான உடன்பாடு உள்ளிட்ட வார்த்தை அடிப்படையிலான சீரமைப்பு மாதிரிகளிலிருந்து கட்டமைப்பு சார்புகளை உள்ளடக்குவதற்காக விரிவுபடுத்துகிறோம். பல மொழி ஜோடிகளில் அடிப்படை கவனம் செலுத்தும் மாதிரி மற்றும் நிலையான சொற்றொடர் அடிப்படையிலான மாதிரியை விட முன்னேற்றங்களை நாங்கள் காட்டுகிறோம், குறைந்த வள அமைப்பில் கடினமான மொழிகளை மதிப்பீடு செய்கிறோம். |
9ebe089caca6d78ff525856c7a828884724b9039 | பெய்சியன் அணுகுமுறைகள், வலுவூட்டல் கற்றலில் ஆய்வு மற்றும் சுரண்டல் சமரசத்திற்கு ஒரு கொள்கை அடிப்படையிலான தீர்வை வழங்குகின்றன. இருப்பினும், வழக்கமான அணுகுமுறைகள் முழுமையாகக் காணக்கூடிய சூழலைக் கருதுகின்றன அல்லது மோசமாக அளவிடுகின்றன. இந்த பணி காரணி பேய்ஸ்-தொடர்புடைய POMDP மாதிரியை அறிமுகப்படுத்துகிறது, இது ஓரளவு கண்காணிக்கக்கூடிய அமைப்புகளில் இயக்கவியல் கற்றலைக் கற்கும் போது அடிப்படை கட்டமைப்பைப் பயன்படுத்தக்கூடிய ஒரு கட்டமைப்பாகும். மாநில மற்றும் மாதிரி மாறிகள் மீது கூட்டு பின்னிணைப்பை தோராயமாகக் கண்காணிக்கும் ஒரு நம்பிக்கை கண்காணிப்பு முறையையும், மான்டே-கார்லோ ட்ரீ தேடல் தீர்வு முறையின் தழுவலை நாங்கள் முன்வைக்கிறோம், இவை அனைத்தும் அடிப்படை சிக்கலை கிட்டத்தட்ட உகந்த முறையில் தீர்க்கும் திறன் கொண்டவை. நமது முறை ஒரு அறியப்பட்ட காரணிகளை திறம்பட கற்க முடியும் அல்லது காரணிகள் மற்றும் மாதிரி அளவுருக்கள் ஒரே நேரத்தில் கற்க முடியும். இந்த அணுகுமுறை தற்போதைய முறைகளை விட சிறப்பாக செயல்படுவதோடு, முன்பு சாத்தியமற்றதாக இருந்த பிரச்சினைகளை தீர்க்கும் திறன் கொண்டது என்பதை நாங்கள் நிரூபிக்கிறோம். |
b3a18280f63844e2178d8f82bc369fcf3ae6d161 | வேர்ட் உட்பொதித்தல் என்பது ஒரு பிரபலமான கட்டமைப்பாகும், இது உரை தரவை உண்மையான எண்களின் திசையன்களாகக் குறிக்கிறது. இந்த திசையன்கள் மொழியில் சொற்பொருளைப் பிடித்து, இயற்கை மொழி செயலாக்கம் மற்றும் இயந்திர கற்றல் பயன்பாடுகளில் பல்வேறு பயன்பாடுகளில் பயன்படுத்தப்படுகின்றன. இந்த பயனுள்ள பண்புகள் இருந்தபோதிலும், சாதாரண மொழிக் குழுக்களிலிருந்து பெறப்பட்ட சொல் உட்பொதிவுகள் மனித சார்புகளை அவசியமாகக் காட்டுகின்றன [6]. GloVe சொல் உட்பொதித்தல் வழிமுறை [9] மூலம் உற்பத்தி செய்யப்படும் ஆக்கிரமிப்பு சொல் திசையன்களுக்கான நேரடி மற்றும் மறைமுக பாலின சார்புகளை நாங்கள் அளவிடுகிறோம், பின்னர் இந்த உட்பொதிப்பைப் பயன்படுத்தி கீழ்நிலை பயன்பாடுகளில் சார்புகளை பெருக்க குறைவான சார்புடன் ஒரு உட்பொதிப்பை உருவாக்க இந்த வழிமுறையை மாற்றியமைக்கிறோம். |
08a6e999532544e83618c16a96f6d4c7356bc140 | |
0c35a65a99af8202fe966c5e7bee00dea7cfcbf8 | இந்த கட்டுரை ஒரு ஆட்டோ நோமோஸ், ஊடாடும் சுற்றுலா வழிகாட்டி ரோபோவின் மென்பொருள் கட்டமைப்பை விவரிக்கிறது. இது ஒரு தொகுதி மற்றும் விநியோகிக்கப்பட்ட மென்பொருள் கட்டமைப்பை வழங்குகிறது, இது உள்ளூர்மயமாக்கல், வரைபடமாக்கல், மோதல் தவிர்ப்பு, திட்டமிடல் மற்றும் பயனர் தொடர்பு மற்றும் இணைய அடிப்படையிலான தொலைநிலை இருப்பைச் சுற்றியுள்ள பல்வேறு தொகுதிகளை ஒருங்கிணைக்கிறது. அதன் மையத்தில், s oftware அணுகுமுறை நிகழ்தகவு கணக்கீடு, ஆன்லைன் கற்றல், மற்றும் எந்த நேரத்திலும் அல்காரிதம் ஆகியவற்றை நம்பியுள்ளது. இது ரோபோக்களை மிகவும் மாறும் சூழல்களில் பாதுகாப்பாகவும், நம்பகத்தன்மையுடனும், அதிக வேகத்தில் செயல்பட உதவுகிறது, மேலும் ரோபோவின் செயல்பாட்டை ஆதரிக்க சுற்றுச்சூழலில் எந்த மாற்றமும் தேவையில்லை. மக்களின் உள்ளுணர்வை ஈர்க்கும் வகையில், ஊடாடும் திறன்களை வடிவமைப்பதில் சிறப்பு கவனம் செலுத்தப்படுகிறது. இந்த இடைமுகம் பொது இடங்களில் மக்கள் கூட்டங்களுடன் மனிதன்-ரோபோ தொடர்பு கொள்ள புதிய வழிகளை வழங்குகிறது, மேலும் இது உலகெங்கிலும் உள்ள மக்களுக்கு இணையத்தைப் பயன்படுத்தி ஒரு "மெய்நிகர் தொலைநிலை இருப்பை" நிறுவுவதற்கான திறனை வழங்குகிறது. 1997 ஆம் ஆண்டின் நடுப்பகுதியில் எமது ரோபோ RHINO ஆறு நாட்களுக்கு ஒரு அடர்த்தியான அருங்காட்சியகத்தில் பயன்படுத்தப்பட்டபோது எமது அணுகுமுறையை விளக்குவதற்கு கிடைத்த முடிவுகள் இங்கு கொடுக்கப்பட்டுள்ளன. இந்த அனுபவ முடிவுகள் பொது சூழலில் நம்பகமான செயல்பாட்டை நிரூபித்துள்ளன. இந்த ரோபோ, அருங்காட்சியகத்தின் நடனக் கண்காட்சியை 50%க்கும் அதிகமாக அதிகரித்தது. மேலும், உலகெங்கிலும் ஆயிரக்கணக்கான மக்கள் இணையம் மூலம் ரோபோவை கட்டுப்படுத்தினர். இந்த புதுமைகள் சேவை ரோபோக்களுக்கான பயன்பாட்டு களங்களின் மிகப் பெரிய அளவிற்கு செல்கிறது என்று நாங்கள் யூகிக்கிறோம். |
66479c2251088dae51c228341c26164f21250593 | |
2c521847f2c6801d8219a1a2e9f4e196798dd07d | |
c0e97ca70fe29db4ceb834464576b699ef8874b1 | நீண்ட கால முப்பரிமாண (3-D) லிடார் தரவுகளிலிருந்து கற்றுக் கொள்ளப்பட்ட ஒரு புதிய சொற்பொருள் வரைபட அணுகுமுறையான Recurrent-OctoMap ஐ இந்த கடிதம் முன்வைக்கிறது. பெரும்பாலான தற்போதைய சொற்பொருள் வரைபட அணுகுமுறைகள் சொற்பொருள் வரைபடங்களின் 3-டி சுத்திகரிப்புக்கு பதிலாக ஒற்றை பிரேம்களின் சொற்பொருள் புரிதலை மேம்படுத்துவதில் கவனம் செலுத்துகின்றன (அதாவது. சொற்பொருள் கருத்துக்களை இணைத்தல்). 3-டி சொற்பொருள் வரைபட சுத்திகரிப்புக்கு மிகவும் பரவலாகப் பயன்படுத்தப்படும் அணுகுமுறை பேஸ் புதுப்பிப்பு, இது தொடர்ச்சியான முன்கணிப்பு நிகழ்தகவுகளை மார்கோவ்-சங்கிலி மாதிரியைப் பின்பற்றி இணைக்கிறது. அதற்கு பதிலாக, ஒரு வகைப்படுத்தியிலிருந்து வெறுமனே கணிப்புகளை இணைப்பதை விட, சொற்பொருள் அம்சங்களை இணைக்க ஒரு கற்றல் அணுகுமுறையை நாங்கள் முன்மொழிகிறோம். எங்கள் அணுகுமுறையில், எங்கள் 3D வரைபடத்தை ஒரு ஆக்டோமேப் என பிரதிநிதித்துவப்படுத்தி பராமரிக்கிறோம், ஒவ்வொரு செல் மாதிரியையும் ஒரு தொடர்ச்சியான நரம்பியல் வலையமைப்பாக மாடல் செய்கிறோம், ஒரு தொடர்ச்சியான ஆக்டோமேப்பைப் பெற. இந்த வழக்கில், சொற்பொருள் வரைபட செயல்முறை ஒரு வரிசை-க்கு-வரிசை குறியீட்டு-பதிலீடு சிக்கலாக வடிவமைக்கப்படலாம். மேலும், எங்கள் Recurrent-OctoMap இல் கண்காணிப்புகளின் காலத்தை நீட்டிக்க, இரண்டு வாரங்களுக்கும் மேலாக தரவைப் பயன்படுத்தி ஒரு மாறும் சூழலை அடுத்தடுத்து வரைபடமாக்குவதற்கு ஒரு வலுவான 3-டி உள்ளூர்மயமாக்கல் மற்றும் வரைபட அமைப்பை நாங்கள் உருவாக்கியுள்ளோம், மேலும் கணினியை பயிற்சி செய்து, தன்னிச்சையான நினைவக நீளத்துடன் பயன்படுத்தலாம். ETH நீண்டகால 3-D லிடார் தரவுத்தொகுப்பில் எங்கள் அணுகுமுறையை நாங்கள் சரிபார்க்கிறோம். பரிசோதனை முடிவுகள், நாம் முன்மொழிந்த அணுகுமுறை, வழக்கமான பேய்ஸ் புதுப்பிப்பு அணுகுமுறையை விட சிறப்பாக செயல்படுகிறது என்பதைக் காட்டுகின்றன. |
1d3ddcefe4d5fefca04fe730ca73312e2c588b3b | மாணவர்களைத் தக்கவைத்துக்கொள்வது பல சேர்க்கை மேலாண்மை அமைப்புகளின் ஒரு முக்கிய பகுதியாகும். பல்கலைக்கழக தரவரிசை, பள்ளி புகழ், மற்றும் நிதி நல்வாழ்வு ஆகியவற்றை பாதிக்கிறது. உயர்கல்வி நிறுவனங்களில் மாணவர்களைத் தக்கவைத்துக்கொள்வது என்பது முடிவெடுப்பவர்களுக்கு மிக முக்கியமான முன்னுரிமைகளில் ஒன்றாக மாறியுள்ளது. மாணவர்களைத் தக்கவைத்துக் கொள்வதை மேம்படுத்துவது, மாணவர்கள் வெளியேறுவதற்கான காரணங்களை முழுமையாகப் புரிந்துகொள்வதிலிருந்து தொடங்குகிறது. இதுபோன்ற புரிதல் ஆபத்துள்ள மாணவர்களை துல்லியமாக முன்னறிவிப்பதற்கும் அவர்களை தக்கவைத்துக்கொள்ள பொருத்தமான தலையீடு செய்வதற்கும் அடிப்படையாகும். இந்த ஆய்வில், ஐந்து வருட கால கல்வி நிறுவன தரவுகளை பல தரவு சுரங்க நுட்பங்களுடன் (தனிநபர்கள் மற்றும் குழுக்கள்) பயன்படுத்தி, புதிதாக படிக்கும் மாணவர்களின் வீழ்ச்சிக்கு பின்னால் உள்ள காரணங்களைக் கணிக்கவும் விளக்கவும் பகுப்பாய்வு மாதிரிகளை நாங்கள் உருவாக்கியுள்ளோம். ஒப்பீட்டு பகுப்பாய்வுகளின் முடிவுகள், தனிப்பட்ட மாதிரிகளை விட தொகுப்புகள் சிறப்பாக செயல்பட்டன, அதே நேரத்தில் சமநிலையான தரவுத்தொகுப்பு சமநிலையற்ற தரவுத்தொகுப்பை விட சிறந்த கணிப்பு முடிவுகளை உருவாக்கியது. கொள்முதல் ஏற்றுமதியின் உணர்திறன் பகுப்பாய்வு முந்தைய கட்டுரை அடுத்த கட்டுரை உங்கள் உள்நுழைவு சான்றுகள் அல்லது உங்கள் நிறுவனத்தின் மூலம் உங்களுக்கு அணுகல் இருக்கிறதா என்று சரிபார்க்கவும். |
1b3b22b95ab55853aff3ea980a5b4a76b7537980 | தொடர்ச்சியான பண்புகளைக் கொண்ட களங்களில் C4.5 இன் அறிவிக்கப்பட்ட பலவீனம் தொடர்ச்சியான பண்புகளைச் சோதிக்கும் சோதனைகளின் உருவாக்கம் மற்றும் மதிப்பீட்டை மாற்றியமைப்பதன் மூலம் தீர்க்கப்படுகிறது. MDL-ஆல் தூண்டப்பட்ட ஒரு தண்டனை இத்தகைய சோதனைகளுக்கு பயன்படுத்தப்படுகிறது, அவற்றில் சிலவற்றை கருத்தில் கொள்வதிலிருந்து நீக்குகிறது மற்றும் அனைத்து சோதனைகளின் ஒப்பீட்டு விருப்பத்தையும் மாற்றுகிறது. இந்த மாற்றங்கள், அதிக முன்கணிப்பு துல்லியத்துடன் சிறிய முடிவு மரங்களுக்கு வழிவகுக்கிறது என்பதை அனுபவ சோதனைகள் காட்டுகின்றன. இந்த மாற்றங்களை உள்ளடக்கிய C4.5 இன் புதிய பதிப்பு, உலகளாவிய டிஸ்க்ரீட்டீசேஷனைப் பயன்படுத்தும் மற்றும் பல இடைவெளி பிளவுகளுடன் சிறிய மரங்களை உருவாக்கும் சமீபத்திய அணுகுமுறைகளை விட சிறந்தது என்பதையும் முடிவுகள் உறுதிப்படுத்துகின்றன. |
1060ff9852dc12e05ec44bee7268efdc76f7535d | முக்கிய யோசனை என்னவென்றால், உள்ளீட்டு ஜோடிக்கு (I, J) இடையே நேரடியாக ஓட்டத்தை கணக்கிடுவதற்குப் பதிலாக, நாம் படங்களின் பதிப்புகளை (I , J ) கணக்கிடுகிறோம், இதில் முகபாவனைகள் மற்றும் போஸ் இயல்பாக்கப்படுகின்றன, அதே நேரத்தில் விளக்குகள் பாதுகாக்கப்படுகின்றன. முழு புகைப்படத் தொகுப்பிலிருந்து உருவாக்கப்பட்ட தோற்ற துணை இடத்திற்கு ஒவ்வொரு புகைப்படத்தையும் மீண்டும் மீண்டும் திட்டமிடுவதன் மூலம் இது அடையப்படுகிறது. (I → I ) o (J → J) என்ற ஓட்டங்களின் இணைப்பு மூலம் விரும்பிய ஓட்டம் பெறப்படுகிறது. எங்கள் அணுகுமுறையை எந்த இரண்டு-பிரேம் ஒளியியல் ஓட்ட வழிமுறையிலும் பயன்படுத்தலாம், மேலும் ஒளி மற்றும் வடிவ மாற்றங்களுக்கு மாறாமையை வழங்குவதன் மூலம் வழிமுறையின் செயல்திறனை கணிசமாக அதிகரிக்கிறது. இணைய முக புகைப்படங்களின் எந்த ஜோடிக்கும் இடையில் ஆப்டிகல் ஓட்டத்தை கணக்கிடுவது, விளக்கு, போஸ் மற்றும் வடிவியல் ஆகியவற்றில் உள்ள வேறுபாடுகள் காரணமாக, தற்போதைய கலை ஓட்ட மதிப்பீட்டு முறைகளுக்கு சவாலானது. அதே (அல்லது ஒத்த) பொருளின் பெரிய புகைப்படத் தொகுப்பைப் பயன்படுத்தி ஓட்ட மதிப்பீட்டை வியத்தகு முறையில் மேம்படுத்த முடியும் என்பதை நாங்கள் காட்டுகிறோம். குறிப்பாக, கூகிள் படத் தேடலில் இருந்து பிரபலங்களின் புகைப்படங்களைக் கவனியுங்கள். இதுபோன்ற இரண்டு புகைப்படங்கள் வெவ்வேறு முகபாவனை, விளக்குகள் மற்றும் முக நோக்குநிலை ஆகியவற்றைக் கொண்டிருக்கலாம். |
823964b144009f7c395cd09de9a70fe06542cc84 | பசுமை இல்ல வாயு வெளியேற்றத்தை குறைப்பதற்கும் கலப்பு எரிசக்தி ஆதாரங்களை அறிமுகப்படுத்துவதற்கும் தேவைப்படுவதால் மின்சார உற்பத்தி உலகம் முழுவதும் அதிரடியாக மாறி வருகிறது. மின்சார நெட்வொர்க், கணிக்க முடியாத தினசரி மற்றும் பருவகால மாறுபாடுகளுடன் கூடிய தேவைகளை பூர்த்தி செய்ய, மின்சார பரிமாற்றம் மற்றும் விநியோகத்தில் பெரும் சவால்களை எதிர்கொள்கிறது. இந்த சவால்களை எதிர்கொள்ள மிகுந்த ஆற்றலைக் கொண்டிருக்கும் தொழில்நுட்பங்களாக மின்சார ஆற்றல் சேமிப்பு (EES) அங்கீகரிக்கப்பட்டுள்ளது. இதன் மூலம் பயன்படுத்தப்படும் தொழில்நுட்பத்தின்படி, ஒரு குறிப்பிட்ட நிலையில் ஆற்றல் சேமிக்கப்படுகிறது, தேவைப்படும்போது மின்சார ஆற்றலாக மாற்றப்படுகிறது. இருப்பினும், பல்வேறு விருப்பங்கள் மற்றும் சிக்கலான பண்புக்கூறுகள் ஒரு குறிப்பிட்ட பயன்பாட்டிற்கான ஒரு குறிப்பிட்ட EES தொழில்நுட்பத்தை மதிப்பிடுவதை கடினமாக்குகின்றன. இந்த ஆவணம், கிடைக்கக்கூடிய அதிநவீன தொழில்நுட்பங்கள் பற்றிய ஒரு விரிவான மற்றும் தெளிவான படத்தை வழங்குவதன் மூலம் இந்த பிரச்சினையை குறைக்க விரும்புகிறது, மேலும் அவை மின் உற்பத்தி மற்றும் விநியோக அமைப்பில் ஒருங்கிணைக்க பொருத்தமானவை. செயல்பாட்டுக் கொள்கைகள், தொழில்நுட்ப மற்றும் பொருளாதார செயல்திறன் அம்சங்கள் மற்றும் முக்கியமான EES தொழில்நுட்பங்களின் தற்போதைய ஆராய்ச்சி மற்றும் மேம்பாடு ஆகியவற்றின் கண்ணோட்டத்துடன் இந்த ஆவணம் தொடங்குகிறது, சேமிக்கப்படும் ஆற்றலின் வகைகளின் அடிப்படையில் ஆறு முக்கிய வகைகளாக வகைப்படுத்தப்பட்டுள்ளது. இதைத் தொடர்ந்து, ஆய்வு செய்யப்பட்ட தொழில்நுட்பங்களின் விரிவான ஒப்பீடு மற்றும் பயன்பாட்டு சாத்தியக்கூறு பகுப்பாய்வு வழங்கப்படுகிறது. 2014 ஆசிரியர்கள். வெளியீட்டாளர் Elsevier Ltd. இது CC BY உரிமத்தின் கீழ் ஒரு திறந்த அணுகல் கட்டுரை (http://creativecommons.org/licenses/by/3.0/). |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.