Datasets:

carlfeynman
/

Bharat_NanoSCIDOCS_mag

_id stringlengths 40 40	text stringlengths 0 9.75k
1b2a0e8af5c1f18e47e71244973ce4ace4ac6034	पदानुक्रमित पिटमैन-योर प्रक्रिया प्राथमिकता भाषा मॉडल के सीखने के लिए सम्मोहक विधियां हय, जे बिंदु-अनुमान आधारित विधियों से बेहतर प्रदर्शन करो हय। हालांकि, ई मॉडल कम्प्यूटेशनल और सांख्यिकीय अनुमान के मुद्दों के कारण अप्रासंगिक बनल रहो हय, जैसे कि मेमोरी और समय के उपयोग, साथे ही सैंपलर के खराब मिश्रण। ई काम में हम एगो नया ढांचा प्रस्तावित करई हई जे संपीड़ित प्रत्यय पेड़ के उपयोग कैके HPYP मॉडल के कॉम्पैक्ट रूप से प्रतिनिधित्व करई हई। फेर, हम इ ढांचा में एक कुशल अनुमानित अनुमान योजना विकसित कर हई जेकर पूर्ण एचपीवाईपी के तुलना में बहुत कम मेमोरी पदचिह्न हई अउर अनुमान समय में तेज हई। प्रायोगिक परिणाम बतावो हय कि पिछला एचपीवाईपी मॉडल के तुलना में हमर मॉडल के काफी बड़ा डेटासेट पर बनावल जा सको हय, जबकि कई आदेश के परिमाण छोटा, प्रशिक्षण और अनुमान के लिए तेज, और अत्याधुनिक संशोधित केनेसर-नी गणना-आधारित एलएम चिकनाई के उलझन से बेहतर प्रदर्शन 15% तक।
6c9bd4bd7e30470e069f8600dadb4fd6d2de6bc1	ई पत्र घटना अउर शब्दार्थ भूमिका के एगो नया भाषा संसाधन के वर्णन करई हई जे वास्तविक दुनिया के स्थिति के विशेषता हई। कथात्मक योजना में संबंधित घटनाओं के सेट (संपादित करें और प्रकाशित करें), घटनाओं के एक समयबद्ध क्रम (प्रकाशित करे से पहले संपादित करें), और प्रतिभागियों के अर्थ संबंधी भूमिकाएं (लेखक पुस्तकें प्रकाशित करते हैं) शामिल हय। इ प्रकार के विश्व ज्ञान प्राकृतिक भाषा समझ के प्रारंभिक शोध के केंद्र में हलय। लिपियों मुख्य औपचारिकताओं में से एक हलय, जे दुनिया में घटित होवे वाला घटनाओं के सामान्य अनुक्रम के प्रतिनिधित्व करो हलय। दुर्भाग्य से, अधिकांश ई ज्ञान हाथ से कोडित हलइ आउ एकरा बनावे में समय लगऽ हलइ । वर्तमान मशीन लर्निंग तकनीक, साथ ही कोररेफरेन्स चेन के माध्यम से सीखने के लिए एक नया दृष्टिकोण, हमरा कथा योजना के रूप में ओपन डोमेन पाठ से स्वचालित रूप से समृद्ध घटना संरचना निकाले के अनुमति दलकय हा। इ पेपर में वर्णित कथा योजना संसाधन में लगभग 5000 अद्वितीय घटनाएं शामिल हय जे विभिन्न आकार के योजना में संयुक्त हय। हम संसाधन के वर्णन कर रहलिए ह, कि ई कइसे सीखल गेल, आउ एगो नया मूल्यांकन के कवरेज के ई योजना के अनदेखा दस्तावेज पर।
8e508720cdb495b7821bf6e43c740eeb5f3a444a	भाषण, रोबोटिक्स, वित्त और जीव विज्ञान में कैगो अनुप्रयोग अनुक्रमिक डेटा से संबंधित छलई, जहां क्रमबद्ध मामला अउर आवर्ती संरचना आम छलई। हालाँकि, इ संरचना के मानक कर्नेल फ़ंक्शन द्वारा आसानी से पकड़ल नए जा सको हय। ऐसन संरचना के मॉडल करे के लिए, हम गॉसियन प्रक्रिया के लिए अभिव्यक्तिपूर्ण बंद-रूप के कर्नेल फ़ंक्शन के प्रस्ताव रखो हय। परिणामी मॉडल, जीपी-एलएसटीएम, गॉसियन प्रक्रिया के गैर-पैरामीटर संभाव्यता लाभ के बरकरार रखइत, दीर्घकालिक स्मृति (एलएसटीएम) आवर्ती नेटवर्क के प्रेरक पूर्वाग्रह के पूरी तरह से शामिल करई हई। हम नया साबित रूप से अभिसरण अर्ध-स्टोकास्टिक ढाल प्रक्रिया के उपयोग करके गॉसियन प्रक्रिया सीमांत संभावना के अनुकूलित करके प्रस्तावित कर्नेल के गुण सीखई हई, अउर स्केलेबल प्रशिक्षण अउर भविष्यवाणी के लेल येई कर्नेल के संरचना के शोषण करई हई। ई दृष्टिकोण बेयसियन एल एस टी एम के लेल एगो व्यावहारिक प्रतिनिधित्व प्रदान करई हई। हम कई बेंचमार्क पर अत्याधुनिक प्रदर्शन प्रदर्शित करई हई, अउर एगो परिणामी स्वायत्त ड्राइविंग अनुप्रयोग के गहराई से जांच करई हई, जहां GP-LSTM द्वारा प्रदान कैल गेल भविष्यवाणी अनिश्चितता अद्वितीय रूप से मूल्यवान छलई।
033b62167e7358c429738092109311af696e9137	ई पेपर समीक्षा के अनुशंसित (अंगूठे ऊपर) या अनुशंसित (अंगूठे नीचे) के रूप में वर्गीकृत करे के लिए एक सरल अनसुप्रबंधित सीखने के एल्गोरिथ्म प्रस्तुत करई हई। एगो समीक्षा के वर्गीकरण समीक्षा में वाक्यांश के औसत अर्थ संबंधी अभिविन्यास से भविष्यवाणी कैल जाई हई जोनमे विशेषण चाहे विशेषण होई छलई। एक वाक्यांश के सकारात्मक अर्थसामग्री अभिविन्यास होव हई जब ऐमे अच्छा संघन (जैसे, सूक्ष्म बारीकियों) और नकारात्मक अर्थसामग्री अभिविन्यास होव हई जब ऐमे खराब संघन (जैसे, बहुत अशिष्ट) होव हई। इ पत्र में, एक वाक्यांश के अर्थ संबंधी अभिविन्यास के गणना दिहल गेल वाक्यांश और शब्द के बीच पारस्परिक जानकारी के रूप में कैल जा हय। उत्कृष्ट माइनस दिहल गेल वाक्यांश और शब्द के बीच पारस्परिक जानकारी गरीब। एक समीक्षा के अनुशंसित के रूप में वर्गीकृत कियल जा हय यदि एकर वाक्यांश के औसत अर्थ संबंधी अभिविन्यास सकारात्मक हय। एल्गोरिथ्म 74% के औसत सटीकता प्राप्त करो हय जब इपिनियंस से 410 समीक्षा पर मूल्यांकन कैल जा हय, चार अलग-अलग डोमेन (ऑटोमोबाइल, बैंक, फिल्म और यात्रा गंतव्य के समीक्षा) से नमूना लिहल जा हय। सटीकता ऑटोमोबाइल समीक्षा के लिए 84% से लेकर फिल्म समीक्षा के लिए 66% तक है।
0eaa75861d9e17f2c95bd3f80f48db95bf68a50c	एकीकृत सर्किट (आईसी) डिजाइन में इंटरकनेक्ट विश्वसनीयता के लिए आगे बढ़ते हुए, इलेक्ट्रोमिग्रेशन (ईएम) प्रमुख चिंताओं में से एक है। यद्यपि एनालॉग डिजाइनर कुछ समय के लिए ईएम समस्या के बारे में जागरूक हलय, डिजिटल सर्किट भी अब प्रभावित हो रहले हा। ई वार्ता बुनियादी डिजाइन मुद्दा और इंटरकनेक्ट भौतिक डिजाइन के दौरान इलेक्ट्रोमिग्रेशन पर ओकर प्रभाव के संबोधित करई हई। ई इरादा इंटरकनेक्ट में विद्युत-प्रवासन-अवरोधक उपाय, जैसे कि लघु-लंबाई और जलाशय प्रभावों के अपनाने द्वारा वर्तमान घनत्व सीमा के बढ़ावे के हई। लेआउट चरण में इ प्रभावों के शोषण भविष्य में आईसी डिजाइन प्रवाह में ईएम चिंताओं के आंशिक राहत प्रदान कर सको हय।
45e2e2a327ea696411b212492b053fd328963cc3	पृष्ठभूमि मोबाइल एप जन स्वास्थ्य में जीवनशैली हस्तक्षेप के रूप में कल्याण के बढ़ावा देवे आउर पुरानी बीमारी के कम करे के लेल वादा करई हई, फिर भी पुरानी बीमारी वाला व्यक्ति मोबाइल एप के उपयोग चाहे धारणा के बारे में बहुत कम जानल जाई छलई। उद्देश्य इ अध्ययन के उद्देश्य पुरानी बीमारी वाला व्यक्ति के बीच स्वास्थ्य के लेल मोबाइल फोन-आधारित ऐप्स के बारे में व्यवहार अउर धारणा के पता लगाना रहई। METHODS संयुक्त राज्य अमेरिका में 1604 मोबाइल फोन उपयोगकर्ता के राष्ट्रीय क्रॉस-सेक्शनल सर्वेक्षण से डेटा एकत्र कैल गेल रहई जे एमएच उपयोग, विश्वास अउर प्राथमिकता के आकलन कलई। इ अध्ययन में स्वास्थ्य ऐप के उपयोग, डाउनलोड के कारण, और पुरानी स्थिति द्वारा कथित प्रभावकारिता के जांच कैल गेलय हल। परिणाम प्रतिभागि के बीच, 1 से 5 एप के बीच 38.9% (314/807) बिना स्थिति के उत्तरदाता द्वारा और उच्च रक्तचाप के साथ 6.6% (24/364) उत्तरदाता द्वारा रिपोर्ट कैल गेलय हल। स्वास्थ्य ऐप्स के उपयोग प्रति दिन 2 बार या उससे अधिक 21.3% (172/807) बिना स्थिति के उत्तरदाताओं द्वारा, उच्च रक्तचाप के साथ 2.7% (10/364), मोटापे के साथ 13.1% (26/198), मधुमेह के साथ 12.3% (20/163), अवसाद के साथ 12.0% (32/267) और उच्च कोलेस्ट्रॉल के साथ 16.6% (53/319) द्वारा रिपोर्ट कैल गेलय हल। लॉजिस्टिक प्रतिगमन के परिणाम क्रोनिक स्थिति वाला अउर बिना व्यक्ति के बीच स्वास्थ्य ऐप डाउनलोड में महत्वपूर्ण अंतर के संकेत ना देलो (पी>.05) । खराब स्वास्थ्य वाला व्यक्ति के तुलना में, स्व-रिपोर्ट कैल गेलय बहुत अच्छा स्वास्थ्य (ऑड्स रेश्यो [OR] 3.80, 95% आईसी 2.38-6.09, पी <.001) और उत्कृष्ट स्वास्थ्य (OR 4.77, 95% आईसी 2.70-8.42, पी <.001) वाला लोग के बीच स्वास्थ्य ऐप डाउनलोड करे के अधिक संभावना हलय। येही तरह, ऐसन व्यक्ति के तुलना में जे कहियो या शायद ही कभी शारीरिक गतिविधि में संलग्न होवे के रिपोर्ट करई हई, ऊ लोग में स्वास्थ्य ऐप डाउनलोड करे के संभावना अधिक रहई जे सप्ताह में 1 दिन (OR 2.47, 95% CI 1. 6- 3. 83, P<. 001), सप्ताह में 2 दिन (OR 4. 77, 95% CI 3. 27-6. 94, P<. 001), सप्ताह में 3 से 4 दिन (OR 5. 00, 95% CI 3. 52- 7. 10, P<. 001), अउर सप्ताह में 5 से 7 दिन (OR 4. 64, 95% CI 3. 11-6. 92, P<. 001) व्यायाम के रिपोर्ट करई रहई। उम्र, लिंग और नस्ल या जातीयता के लिए नियंत्रित सभी लॉजिस्टिक प्रतिगमन परिणाम। निष्कर्ष इ अध्ययन के परिणाम से पता चलई हई कि जिनकर स्व-रिपोर्ट कैल गेलय स्वास्थ्य खराब हई अउर शारीरिक गतिविधि के दर कम हई, तर्कसंगत रूप से ऊ लोग जे स्वास्थ्य ऐप्स से सबसे अधिक लाभ उठा सकई हई, येई स्वास्थ्य उपकरण के डाउनलोड अउर उपयोग करे के रिपोर्ट करे के सबसे कम संभावना रहई।
1935e0986939ea6ef2afa01eeef94dbfea6fb6da	औसत-वैरिएंस पोर्टफोलियो विश्लेषण ने लाभ और जोखिम के बीच व्यापार-ऑफ के पहला मात्रात्मक उपचार प्रदान कैलकय। हम अर्ध-विचलन मॉडल सहित कई एकल-अवधि के वेरिएंट में उद्देश्य और बाधाओं के बीच परस्पर क्रिया के विस्तार से वर्णन करो हय। अतिरेक के दंड से बचे के लेल विशेष जोर देल जाई हई। नतीजा के उपयोग तब परिदृश्य पेड़ के आधार पर बहु-अवधि के मॉडल के विकास और सैद्धांतिक विश्लेषण में बिल्डिंग ब्लॉक के रूप में कियल जा हय। एगो प्रमुख संपत्ति भविष्य के निर्णय में अधिशेष धन के हटावे के संभावना हई, जे अनुमानित डाउनसाइड जोखिम के कम कर देई हई।
0e1431fa42d76c44911b07078610d4b9254bd4ce	मुख्य घटक विश्लेषण के एगो गैर-रैखिक रूप के प्रदर्शन करे के लेल एगो नया विधि के प्रस्ताव कैल गेल हई। अभिन्न संचालक कर्नेल फ़ंक्शंस के उपयोग करके, कोई उच्च-आयामी सुविधा रिक्त स्थान में मुख्य घटकों के कुशलता से गणना कर सको हय, जे कुछ गैर-रैखिक मानचित्र द्वारा इनपुट अंतरिक्ष से संबंधित हय, उदाहरण के लिए, 16 16 छवियों में सभी संभावित पांच-पिक्सेल उत्पादों के स्थान। हम विधि के व्युत्पत्ति देई हई अउर पैटर्न मान्यता के लेल बहुपद विशेषता निष्कर्षण पर प्रयोगात्मक परिणाम प्रस्तुत करई हई।
292eee24017356768f1f50b72701ea636dba7982	हम बाहरी शहरी दृश्य के प्रतिनिधित्व करे वाला 3 डी बिंदु बादल में स्वचालित वस्तु स्थानीयकरण और मान्यता के लेल एगो विधि प्रस्तुत करई हई। ई विधि निहित आकार मॉडल (आईएसएम) ढांचे पर आधारित हई, जे ओकर केंद्र स्थान के लेल मतदान करके वस्तु के पहचान करई हई। एकर लेल प्रति वर्ग केवल कुछ प्रशिक्षण उदाहरण के आवश्यकता होई हई, जे व्यावहारिक उपयोग के लेल एगो महत्वपूर्ण गुण छलई। हम स्पिन इमेज डिस्क्रिप्टर के एगो बेहतर संस्करण के भी पेश अउर मूल्यांकन करई हई, जे सामान्य दिशा अनुमान में बिंदु घनत्व भिन्नता अउर अनिश्चितता के लेल अधिक मजबूत छलई। हमर प्रयोग से पता चललइ कि इ परिवर्तन के पहचान प्रदर्शन पर महत्वपूर्ण प्रभाव पड़लइ। हम अपन परिणाम के अत्याधुनिक विधि के साथ तुलना कर हई और ओहियो डेटासेट पर सटीकता और याद दोनों में महत्वपूर्ण सुधार प्राप्त कर हई, जोनमे कुल 150,000 मीटर के शहरी क्षेत्र के संयुक्त हवाई और स्थलीय लीडार स्कैन शामिल हई।
922b5eaa5ca03b12d9842b7b84e0e420ccd2feee	संचार और नियंत्रण में सैद्धांतिक और व्यावहारिक समस्याओं के एक महत्वपूर्ण वर्ग सांख्यिकीय प्रकृति के हय। ऐसन समस्या हई: (i) यादृच्छिक सिग्नल के भविष्यवाणी; (ii) यादृच्छिक शोर से यादृच्छिक सिग्नल के अलग करना; (iii) यादृच्छिक शोर के उपस्थिति में ज्ञात रूप (पल्स, साइनसॉइड) के संकेत के पता लगाना। अपन अग्रणी कार्य में, वीनर [1] 3 देखैलकय कि समस्या (i) और (ii) तथाकथित वीनर-हॉपफ अभिन्न समीकरण के ओर ले जा हय; ऊ स्थिर सांख्यिकी और तर्कसंगत स्पेक्ट्रा के व्यावहारिक रूप से महत्वपूर्ण विशेष मामला में इ अभिन्न समीकरण के समाधान के लिए एक विधि (स्पेक्ट्रल फैक्टरिज़ेशन) भी देलकय। कई विस्तार और सामान्यीकरण विनेर के मूल कार्य के अनुसरण कलकई। ज़देह और रगाज़िनी ने सीमित-स्मृति के मामला के हल कैलकय। एक साथ और बोडे और शैनन [3] से स्वतंत्र रूप से, ऊ समाधान के एक सरलीकृत विधि [२] भी दलकय। बूटोन ने नॉनस्टेशनरी वीनर-हॉपफ समीकरण [4] पर चर्चा कैलकय। ई परिणाम अब मानक पाठ [5-6] में छलई। येई मुख्य पंक्ति के जौरे कुछ अलग दृष्टिकोण हाल ही में डार्लिंगटन [7] द्वारा देल गेल हई। नमूनाकृत संकेतों के लिए विस्तार के लिए, उदाहरण के लिए, फ्रैंकलिन [8], लीज़ [9] देखें। वीनरहोफ समीकरण के स्वयंसिद्ध फलन पर आधारित एगो दोसर दृष्टिकोण (जे गैर-स्थिर समस्या पर भी लागू होई हई जबकि पिछला विधि आम तौर पर ना होई हई), डेविस द्वारा अग्रणी बनाएल गेल हई [10] अउर कैगो दोसर द्वारा लागू कैल गेल हई, जैसे कि शिन्ब्रोट [11], ब्लूम [12], पुगाचेव [13], सोलोडोव्निकोव [14]. ई सभे कार्य में, उद्देश्य एगो रैखिक गतिशील प्रणाली (विएनर फ़िल्टर) के विनिर्देश प्राप्त करनाई हई जे एगो यादृच्छिक संकेत के भविष्यवाणी, पृथक्करण चाहे पता लगानाई पूरा करई हई। 2 7212 बेलोना एवेन्यू 3 कोष्ठक में संख्या कागज के अंत में संदर्भ के इंगित करो हय। 4 बेशक, सामान्य तौर पर येई कार्य के गैर-रैखिक फ़िल्टर द्वारा बेहतर ढंग से कैल जा सकई हई। वर्तमान में, हालांकि, इ गैर-रैखिक फ़िल्टर के प्राप्त करे के तरीका (सैद्धांतिक और व्यावहारिक दोनों) के बारे में बहुत कम या कुछ भी नए जानल जा हय। इंस्ट्रूमेंट्स एंड रेगुलेटर डिवीजन द्वारा योगदान और द अमेरिकन सोसाइटी ऑफ मैकेनिकल इंजीनियर्स के इंस्ट्रूमेंट्स एंड रेगुलेटर कॉन्फ्रेंस, मार्च 29-अप्रैल 12, 1959 में प्रस्तुत कैल गेलय हल। नोट: कागजात में देल गेल बयान आउर राय के उनकर लेखक के व्यक्तिगत अभिव्यक्ति के रूप में समझे के चाही न कि सोसाइटी के। एएसएमई मुख्यालय में प्राप्त पांडुलिपि, 24 फरवरी, 1959। पेपर नंबर. 59-आई आर डी -11 रैखिक फ़िल्टरिंग और पूर्वानुमान समस्याओं के लिए एक नया दृष्टिकोण
e50a316f97c9a405aa000d883a633bd5707f1a34	पिछला 20 वर्षों में संचित प्रयोगात्मक साक्ष्य इंगित करो हय कि उपयुक्त रूप से वजनित एकल शब्द के असाइनमेंट के आधार पर पाठ अनुक्रमण प्रणाली अन्य अधिक विस्तृत पाठ प्रतिनिधित्व के साथे प्राप्त करे योग्य परिणाम से बेहतर पुनर्प्राप्ति परिणाम उत्पन्न करो हय। ई परिणाम प्रभावी शब्द भारन प्रणाली के चयन पर महत्वपूर्ण रूप से निर्भर करो हय। ई लेख स्वचालित शब्द भारन में प्राप्त अंतर्दृष्टि के सारांशित करई हई, अउर आधार रेखा एकल-शब्द-सूचकांक मॉडल प्रदान करई हई जेकर जौरे दोसर अधिक विस्तृत सामग्री विश्लेषण प्रक्रिया के तुलना कैल जा सकई हई। 1. हल स्वचालित पाठ विश्लेषण 1980 के दशक के अंत में, लुहान [l] सबसे पहिले सुझाव देलई कि स्वचालित पाठ पुनर्प्राप्ति प्रणाली के डिज़ाइन कैल जा सकई हई, जे संग्रहीत पाठ अउर उपयोगकर्ता के सूचना क्वेरी दुनु से जुड़ल सामग्री पहचानकर्ता के तुलना पर आधारित होई हई। आमतौर पर, सामग्री के पहचान के लिए दस्तावेजों और प्रश्नों के पाठ से निकाले गए कुछ शब्दों के उपयोग कियल जयतय; वैकल्पिक रूप से, सामग्री प्रतिनिधित्व के चयन मैन्युअल रूप से प्रशिक्षित अनुक्रमणकों द्वारा कियल जा सको हय जे विचाराधीन विषय क्षेत्रों और दस्तावेज़ संग्रह के सामग्री से परिचित हकय। कोनो भी मामले में, दस्तावेज़ के D= (ti,tj,...ytp) (1) रूप के शब्द वेक्टर द्वारा दर्शायल जयतई, जहां प्रत्येक tk कुछ नमूना दस्तावेज़ D के लेल असाइन कैल गेल एगो सामग्री शब्द के पहचान करई हई। इस प्रकार, एक विशिष्ट क्वेरी Q को Q = (qa,qbr . . . के रूप में तैयार किया जा सकता है। ,4r) (2)
6ac15e819701cd0d077d8157711c4c402106722c	ई तकनीकी रिपोर्ट DARPA शहरी चुनौती के लेल टीम MIT के दृष्टिकोण के वर्णन करई हई। हम कई सस्ते सेंसर के उपयोग करे के लिए एक उपन्यास रणनीति विकसित कैलकय हा, जे वाहन परिधि पर स्थापित हय, और एक नया क्रॉस-मोडल कैलिब्रेशन तकनीक के साथ कैलिब्रेट कैल गेलय हा। Lidar, कैमरा और रडार डेटा स्ट्रीम को एक अभिनव, स्थानीय रूप से चिकनी राज्य प्रतिनिधित्व के उपयोग से संसाधित किया जाता है जो वास्तविक समय के स्वायत्त नियंत्रण के लिए मजबूत धारणा प्रदान करता है। मिशन योजना, स्थिति योजना, स्थिति व्याख्या और प्रक्षेपवक्र नियंत्रण के लिए अच्छी तरह से सिद्ध एल्गोरिदम के एक अभिनव संयोजन से मिलकर यातायात में ड्राइविंग के लिए एक लचीला योजना और नियंत्रण वास्तुकला विकसित किया गया है। येई नवाचार के दो नया रोबोटिक वाहन में शामिल कैल जाई हई जे शहरी वातावरण में स्वायत्त ड्राइविंग के लेल सुसज्जित हई, डीएआरपीए साइट विज़िट कोर्स पर व्यापक परीक्षण के जौरे। प्रायोगिक परिणाम सभी बुनियादी नेविगेशन और कुछ बुनियादी यातायात व्यवहारों को प्रदर्शित करते हैं, जिसमें खाली स्वायत्त ड्राइविंग, शुद्ध-अनुवर्ती नियंत्रण और हमारी स्थानीय फ्रेम धारणा रणनीति का उपयोग करके लेन का पालन, किनो-डायनामिक आरटी पथ योजना के उपयोग से बाधा से बचना, U-turns, और अन्य कारों के बीच प्राथमिकता मूल्यांकन शामिल है। हम उन्नत नेविगेशन अउर यातायात परिदृश्य के लेल येई दृष्टिकोण के विस्तार करे के लेल काम करई छी। † कार्यकारी सारांश इ तकनीकी रिपोर्ट में डीएआरपीए शहरी चुनौती के लिए टीम एमआईटी के दृष्टिकोण के वर्णन कियल गेलय हा। हम कई सस्ते सेंसर के उपयोग करे के लिए एक उपन्यास रणनीति विकसित कैलकय हय, जे वाहन परिधि पर स्थापित हय, और एक नया क्रॉस-मोडल कैलिब्रेशन तकनीक के साथ कैलिब्रेट कैल गेलय हय। लीडर, कैमरा और रडार डेटा स्ट्रीम के एक अभिनव, स्थानीय रूप से चिकनी राज्य प्रतिनिधित्व के उपयोग करके संसाधित कियल जा हय जे वास्तविक समय के स्वायत्त नियंत्रण के लिए मजबूत धारणा प्रदान करो हय। मिशन योजना, स्थिति योजना, स्थिति व्याख्या और प्रक्षेपवक्र नियंत्रण के लिए अच्छी तरह से सिद्ध एल्गोरिदम के एक अभिनव संयोजन से मिलकर यातायात में ड्राइविंग के लिए एक लचीला योजना और नियंत्रण वास्तुकला विकसित कियल गलय हा। येई नवाचार के दो नया रोबोटिक वाहन में शामिल कैल जाई हई जे शहरी वातावरण में स्वायत्त ड्राइविंग के लेल सुसज्जित हई, डीएआरपीए साइट विज़िट कोर्स पर व्यापक परीक्षण के जौरे। प्रायोगिक परिणाम सब बुनियादी नेविगेशन और कुछ बुनियादी यातायात व्यवहार के प्रदर्शित करो हय, जेकरा मे खाली स्वायत्त ड्राइविंग, शुद्ध-पीछा नियंत्रण और हमर स्थानीय फ्रेम धारणा रणनीति के उपयोग करके लेन अनुसरण, किनो-डायनामिक आरआरटी पथ योजना के उपयोग करके बाधा से बचना, यू-टर्न, और अन्य कारों के बीच प्राथमिकता मूल्यांकन शामिल हय। हम उन्नत नेविगेशन अउर यातायात परिदृश्य के लेल येई दृष्टिकोण के विस्तार करे के लेल काम करई छी। अस्वीकरण: इ कागज में निहित जानकारी रक्षा उन्नत अनुसंधान परियोजना एजेंसी (डीएआरपीए) या रक्षा विभाग के आधिकारिक नीतियों के प्रतिनिधित्व नए करो हय, चाहे व्यक्त या निहित। डीएआरपीए इ कागज में जानकारी के सटीकता या विश्वसनीयता के गारंटी नय देवो हय। अतिरिक्त समर्थन ... (अभिवादन)
e275f643c97ca1f4c7715635bb72cf02df928d06
1e55bb7c095d3ea15bccb3df920c546ec54c86b5
8acaebdf9569adafb03793b23e77bf4ac8c09f83	हम टेराहर्ट्ज आवृत्ति पर समायोज्य देरी के साथ निश्चित भौतिक लंबाई, स्पूफ सरफेस प्लाज्मन पोलरिटन आधारित वेवगइड के विश्लेषण और डिजाइन प्रस्तुत करई हई। वेव गाइड के कुल भौतिक लंबाई के बदले के बिना एकर लहरन गहराई के बदलके नालीदार समतल गोबौ लाइन (सीपीजीएल) के उपयोग करके समायोज्य देरी प्राप्त कैल जा हय। हमार सिमुलेशन परिणाम से पता चलई हई कि 237.9°, 220.6°, अउर 310.6° के विद्युत लंबाई के भौतिक लंबाई 250 μm अउर 200 μm पर 0.25, 0.275, अउर 0.3 THz पर, क्रमशः प्रदर्शन उद्देश्य के लेल प्राप्त कैल जा सकई हई। येई सिमुलेशन परिणाम भौतिक पैरामीटर अउर सामग्री गुण के उपयोग कैके हमर विश्लेषणात्मक गणना के जौरे भी सुसंगत छलई। जब हम समान लंबाई के देरी वाला लाइन के जोड़े के जोड़ो हय जैसे कि ऊ टेराहर्ट्ज चरण शिफ्टर के दो शाखा हय, तओ हम सापेक्ष चरण शिफ्ट अनुमान के त्रुटि दर 5.8% से बेहतर प्राप्त कैलकय हा। हमर ज्ञान के सबसे अच्छा के लिए, ई समायोज्य स्पूफ सतह प्लाज्मन पोलरिटन आधारित सीपीजीएल देरी लाइनों के पहला प्रदर्शन हई। इ विचार के उपयोग निश्चित लंबाई और चरण शिफ्टर के साथ टेराहर्ट्ज बैंड सर्किट्री के लिए ट्यून करने योग्य देरी लाइनों के प्राप्त करे के लिए कियल जा सको हय।
325d145af5f38943e469da6369ab26883a3fd69e	इनपुट के रूप में ग्रेस्केल फ़ोटो के देखते हुए, इ पेपर फ़ोटो के एक प्रशंसनीय रंग संस्करण के भ्रम के समस्या पर हमला करो हय। ई समस्या स्पष्ट रूप से कम प्रतिबंधित हई, येहिलेल पिछला दृष्टिकोण चाहे त महत्वपूर्ण उपयोगकर्ता बातचीत पर निर्भर रहई चाहे परिणाम में असंतृप्त रंगीनता रहई। हम एगो पूर्ण स्वचालित दृष्टिकोण प्रस्तावित करई हई जे जीवंत अउर यथार्थवादी रंगन के उत्पादन करई हई। हम एकरा वर्गीकरण कार्य के रूप में प्रस्तुत करके समस्या के अंतर्निहित अनिश्चितता के गले लगावई हई अउर परिणाम में रंग के विविधता के बढ़ावे के लेल प्रशिक्षण समय में वर्ग-पुनः संतुलन के उपयोग करई छियई। परीक्षण के समय सिस्टम के सीएनएन में फीड-फॉरवर्ड पास के रूप में लागू कैल गेल हई अउर एक मिलियन से अधिक रंगीन छवि पर प्रशिक्षित कैल गेल हई। हम एगो रंगीकरण ट्यूरिंग परीक्षण के उपयोग करके अपन एल्गोरिथ्म के मूल्यांकन करई हई, मानव प्रतिभागि के एगो उत्पन्न अउर आधार सत्य रंग छवि के बीच चयन करे के लेल पूछई हई। हमार विधि सफलतापूर्वक 32% परीक्षणों पर मनुष्य के मूर्ख बनाबई हई, जे पिछला विधि से काफी अधिक हई। एकर अलावा, हम देखई हई कि क्रॉस-चैनल एन्कोडर के रूप में कार्य करइत, स्व-निरीक्षित सुविधा सीखना के लेल कलराइजेशन एगो शक्तिशाली बहाना कार्य हो सकई हई। ई दृष्टिकोण के परिणामस्वरूप कैगो फीचर लर्निंग बेंचमार्क पर अत्याधुनिक प्रदर्शन होई हई।
57bbbfea63019a57ef658a27622c357978400a50
7ffdf4d92b4bc5690249ed98e51e1699f39d0e71	पहली बार, 10 गीगाहर्ट्ज से ऊपर एक लचीले, कार्बनिक सब्सट्रेट पर रेडियो फ्रीक्वेंसी माइक्रोइलेक्ट्रोमैकेनिकल सिस्टम (आरएफ एमईएमएस) स्विच के साथ एक पूरी तरह से एकीकृत चरणबद्ध सरणी एंटीना के प्रदर्शन कियल जा हय। एक कम शोर एम्पलीफायर (एलएनए), एमईएमएस चरण शिफ्टर, और 2 गुना 2 पैच एंटीना सरणी एक तरल क्रिस्टल बहुलक सब्सट्रेट पर एक सिस्टम-ऑन-पैकेज (एसओपी) में एकीकृत हय। दो एंटीना सरणी के तुलना कैल जा हय; एक एकल-परत एसओपी के उपयोग करके लागू कैल गेलय हय और दूसरा एक बहुपरत एसओपी के साथ। दुनहु कार्यान्वयन कम-हानि वाला हय और बीम स्टीयरिंग के 12 डिग्री के क्षमता रखो हय। डिजाइन आवृत्ति 14 गीगाहर्ट्ज हई अउर मापल गेल वापसी हानि दुनहु कार्यान्वयन के लेल 12 डीबी से ज्यादे हई। एक एलएनए के उपयोग एक बहुत अधिक विकिरणित शक्ति स्तर के लिए अनुमति देता है। इ एंटीना के लगभग कोनो भी आकार, आवृत्ति और प्रदर्शन के आवश्यकता के पूरा करे के लिए अनुकूलित कैल जा सको हय। इ शोध जैविक एसओपी उपकरण के लिए अत्याधुनिक के बढ़ावा देवो हय।
d00ef607a10e5be00a9e05504ab9771c0b05d4ea	उच्च वोल्टेज रेटेड सॉलिड-स्टेट स्विच जैसे कि इन्सुलेटेड-गेट द्विध्रुवीय ट्रांजिस्टर (आईजीबीटी) 6.5 केवी तक के लिए व्यावसायिक रूप से उपलब्ध हय। इ तरह के वोल्टेज रेटिंग्स पल्सड पावर और हाई-वोल्टेज स्विच-मोड कनवर्टर अनुप्रयोगों के लिए आकर्षक हय। हालांकि, जैसे-जैसे IGBT वोल्टेज रेटिंग बढ़ई हई, वर्तमान में वृद्धि अउर गिरावट के दर आम तौर पर कम हो जाई छलई। इ व्यापार से बचना मुश्किल हय काहेकी आईजीबीटी के एपिटैक्सियल या बहाव क्षेत्र परत में कम प्रतिरोध बनाए रखे चाहि। रिवर्स वोल्टेज के समर्थन करे के लेल मोटी बहाव क्षेत्र के जौरे उच्च वोल्टेज रेटेड आईजीबीटी के लेल, आवश्यक उच्च वाहक सांद्रता के चालू करे पर इंजेक्ट कैल जाई हई अउर बंद होए पर हटाएल जाई हई, जे स्विचिंग गति के धीमा कर देई हई। तेजी से स्विच करे के लेल एगो विकल्प कैगो, कम वोल्टेज रेटेड आईजीबीटी के श्रृंखला करनाई हई। छह, 1200 V रेटेड IGBT के साथ IGBT-स्टैक प्रोटोटाइप के श्रृंखला में प्रयोगात्मक रूप से परीक्षण कियल गलय हा। छह-सीरीज के आईजीबीटी स्टैक में व्यक्तिगत, ऑप्टिकल रूप से अलग-थलग, गेट ड्राइवर और मजबूर हवा के ठंडा करे के लिए एल्यूमीनियम शीतलन प्लेट शामिल हय, जेकरा परिणामस्वरूप एक कॉम्पैक्ट पैकेज होवो हय। प्रत्येक IGBT क्षणिक वोल्टेज दमनकर्ता द्वारा अधिवोल्टेज संरक्षित होवो हय। छह-श्रृंखला IGBT स्टैक और एक एकल 6.5 kV रेटेड IGBT के चालू करे वाला वर्तमान वृद्धि समय के एक धक्का-प्रतिरोधक-लोड, कैपेसिटर डिस्चार्ज सर्किट में प्रयोगात्मक रूप से मापल गेलय हय। IGBT स्टैक के तुलना श्रृंखला में दू IGBT मॉड्यूल से कैल गेल हई, जे प्रत्येक के 3.3 kV पर रेटेड कैल गेल हई, एगो बूस्ट सर्किट एप्लिकेशन स्विचिंग में 9 kHz पर अउर 5 kV के आउटपुट के उत्पादन करई छलई। छह-श्रृंखला के आईजीबीटी स्टैक के परिणामस्वरूप चालू करे के गति में सुधार होवो हय, और बंद करे के दौरान कम करंट टेल के कारण काफी अधिक पावर बूस्ट कनवर्टर दक्षता होवो हय। निम्नलिखित पेपर में प्रयोगात्मक परीक्षण पैरामीटर और तुलनात्मक परीक्षणों के परिणामों पर चर्चा कियल गलय हा।
20f5b475effb8fd0bf26bc72b4490b033ac25129	हम शहरी सड़कन पर लेन मार्कर के पता लगावे के लेल एगो मजबूत अउर वास्तविक समय दृष्टिकोण प्रस्तुत करई छी। ई सड़क के एगो शीर्ष दृश्य उत्पन्न करे पर आधारित हई, चयनात्मक उन्मुख गॉसियन फ़िल्टर के उपयोग करके फ़िल्टरिंग करई हई, बेज़ियर स्प्लाइन के फिट करे के लेल एगो नया अउर तेज़ आरएएनएसएसी एल्गोरिथ्म के प्रारंभिक अनुमान देवे के लेल आरएएनएसएसी लाइन फिटिंग के उपयोग करई हई, जेकरा बाद में पोस्ट-प्रोसेसिंग चरण द्वारा अनुसरण कैल जाई छलई। हमार एल्गोरिथ्म विभिन्न परिस्थिति में सड़क के स्थिर छवियों में सभी लेनों के पता लगा सको हय, जबकि 50 हर्ट्ज के दर से काम कर रहले हा और पिछला तकनीकों के तुलनीय परिणाम प्राप्त कर रहले हा।
e6bef595cb78bcad4880aea6a3a73ecd32fbfe06	ऑनलाइन समीक्षा और सिफारिशों के उपलब्धता में घातीय वृद्धि अकादमिक और औद्योगिक अनुसंधान में भावना वर्गीकरण के एक दिलचस्प विषय बनावो हय। समीक्षा एतना अलग-अलग डोमेन पर फैले के सकई हई कि ऊ सभे के लेल एनोटेटेड प्रशिक्षण डेटा एकत्र करनाई मुश्किल हई। येहिलेल, ई पेपर भावना वर्गीकरण के लेल डोमेन अनुकूलन के समस्या के अध्ययन करई हई, येई प्रकार एगो सिस्टम के एगो स्रोत डोमेन से लेबल कैल गेल समीक्षा पर प्रशिक्षित कैल जाई हई लेकिन दोसर पर तैनात कैल जाए के लेल अभिप्रेत छलई। हम एगो गहन सीखना दृष्टिकोण प्रस्तावित करई हई जे प्रत्येक समीक्षा के लेल एगो अर्थपूर्ण प्रतिनिधित्व के बिना निगरानी के तरीका से निकाले के सीखई हई। [अमेज़न के] [एक्स्ट्रा लार्ज] [एक्स्ट्रा लार्ज] [एक्स्ट्रा लार्ज] [एक्स्ट्रा लार्ज] [एक्स्ट्रा लार्ज] [एक्स्ट्रा लार्ज] [एक्स्ट्रा लार्ज] [एक्स्ट्रा लार्ज] [एक्स्ट्रा लार्ज] [एक्स्ट्रा लार्ज] [एक्स्ट्रा लार्ज] [एक्स्ट्रा लार्ज] [एक्स्ट्रा लार्ज] [एक्स्ट्रा लार्ज] [एक्स्ट्रा लार्ज] [एक्स्ट्रा लार्ज] [एक्स्ट्रा लार्ज] [एक्स्ट्रा लार्ज] [एक्स्ट्रा लार्ज] [एक्स्ट्रा लार्ज] [एक्स्ट्रा लार्ज] [एक्स्ट्रा लार्ज] [एक्स्ट्रा लार्ज] [एक्स्ट्रा लार्ज] [एक्स्ट्रा लार्ज] [एक्स्ट्रा लार्ज] [एक्स्ट्रा लार्ज] [एक्स्ट्रा लार्ज] [एक्स्ट्रा लार्ज] [एक्स्ट्रा लार्ज] [एक्स्ट्रा लार्ज] [एक्स्ट्रा लार्ज] [एक्स्ट्रा लार्ज] [एक्स्ट्रा लार्ज] [एक्स्ट्रा लार्ज] [एक्स्ट्रा लार्ज] एकरा अलावा, इ विधि अच्छी तरह से स्केल कर हय और हमे 22 डोमेन के एक बड़े औद्योगिक-शक्ति डेटासेट पर डोमेन अनुकूलन के सफलतापूर्वक करे के अनुमति देलकय।
7cbbe0025b71a265c6bee195b5595cfad397a734	लोग अक्सर कुर्सी के जौरे बातचीत करई हई, जोनसे ऊ निहित स्वास्थ्य संवेदन के प्रदर्शन करे के लेल एगो संभावित स्थान बन जाई हई जेकरा उपयोगकर्ता द्वारा कोनो अतिरिक्त प्रयास के आवश्यकता ना होई हई। हम 550 प्रतिभागी के सर्वेक्षण कयलिं कि लोग कैसन बैठ हय और कैसन सीट के डिजाइन के सूचित कर हय जे क्रमशः कुर्सी के आर्मरेस्ट और बैकरेस्ट से हृदय और श्वसन दर के पता लगावो हय। 18 प्रतिभागि के जौरे एगो प्रयोगशाला अध्ययन में, हम ई निर्धारित करे के लेल सामान्य बैठे के स्थिति के एगो श्रृंखला के मूल्यांकन कलई कि हृदय गति अउर श्वसन गति के पता लगाबई कब संभव रहई (32% समय हृदय गति के लेल, 52% श्वसन गति के लेल) अउर पता लगाएल गेल दर के सटीकता के मूल्यांकन कलई (83% हृदय गति के लेल, 73% श्वसन गति के लेल) । हम 11 प्रतिभागी के साथे कुल मिलाके 40 घंटा के इन-सिटू अध्ययन के मूल्यांकन करके इ संवेदन के जंगली में ले जाए के चुनौति पर चर्चा करई हियई। हम देखबई कि, एगो निहित सेंसर के रूप में, कुर्सी अपन सवार से महत्वपूर्ण संकेत डेटा एकत्र कर सकई हई, कुर्सी के जौरे प्राकृतिक बातचीत के माध्यम से।
bf003bb2d52304fea114d824bc0bf7bfbc7c3106
9a59a3719bf08105d4632898ee178bd982da2204	स्वायत्त वाहन एगो मोबाइल रोबोट हई जे बहु-संवेदक नेविगेशन अउर पोजिशनिंग, बुद्धिमान निर्णय लेबे अउर नियंत्रण तकनीक के एकीकृत करई हई। ई पेपर स्वायत्त वाहन के नियंत्रण प्रणाली वास्तुकला के प्रस्तुत करई हई, जेकरा "इंटेलिजेंट पायनियर" कहल जाई हई, अउर अज्ञात वातावरण में प्रभावी रूप से नेविगेट करे के लेल पथ ट्रैकिंग अउर गति के स्थिरता पर चर्चा कैल जाई छलई। इ दृष्टिकोण में, राज्य अंतरिक्ष प्रारूप में पथ-ट्रैकिंग समस्या के तैयार करे के लिए दो डिग्री-स्वतंत्रता गतिशील मॉडल विकसित कैल गेल हई। क्षणिक पथ त्रुटि के नियंत्रित करे के लिए, पारंपरिक नियंत्रकों के पैरामीटर परिवर्तन और गड़बड़ी के एक विस्तृत श्रृंखला पर प्रदर्शन और स्थिरता के गारंटी देवे में कठिनाई होई हई। इसलिए, एक नया विकसित अनुकूली-पीआईडी नियंत्रक के उपयोग कैल जयतय। इ दृष्टिकोण के उपयोग करके वाहन नियंत्रण प्रणाली के लचीलापन में वृद्धि कैल जयतय और बहुत लाभ प्राप्त कैल जयतय। हम पूरे समय में, इंटेलिजेंट पायनियर से उदाहरण और परिणाम प्रदान करई हई अउर येई दृष्टिकोण के उपयोग करे वाला स्वायत्त वाहन चीन के 2010 अउर 2011 के भविष्य के चुनौती में प्रतिस्पर्धा करई छलई। इंटेलिजेंट पायनियर सब प्रतियोगिता कार्यक्रम के पूरा कैलकय और 2010 में पहला स्थान और 2011 में तीसरा स्थान प्राप्त कैलकय।
7592f8a1d4fa2703b75cad6833775da2ff72fe7b	प्रतिस्पर्धी एमएनआईएसटी हस्तलिखित अंक मान्यता बेंचमार्क के 1998 के बाद से टूटे रिकॉर्ड के एक लंबा इतिहास हई। अन्य द्वारा नवीनतम प्रगति 8 साल (त्रुटि दर 0.4%) के पीछे हय। सादा बहु-परत पर्सेप्ट्रोन के लेल अच्छा पुरान ऑन-लाइन बैक-प्रचार एगो एकल एमएलपी के जौरे एमएनआईएसटी हस्तलिखित अंक बेंचमार्क पर बहुत कम 0.35% त्रुटि दर अउर सात एमएलपी के समिति के जौरे 0.31% देई हई। 2011 तक एकरा प्राप्त करे के लेल सबसे अच्छा परिणाम के लेल बहुत छिपल परत, प्रत्येक परत पर बहुत से न्यूरॉन्स, ओवरफिट से बचे के लेल कई विकृत प्रशिक्षण छवि, अउर सीख के तेज करे के लेल ग्राफिक्स कार्ड के आवश्यकता होई हई।
cbcd9f32b526397f88d18163875d04255e72137f
14829636fee5a1cf8dee9737849a8e2bdaf9a91f	बिटकॉइन एगो वितरित डिजिटल मुद्रा हई जे काफी संख्या में उपयोगकर्ता के आकर्षित करई छलो। हम ई समझे के लेल एगो गहन जांच करई हई कि बिटकॉइन के एतना सफल काहे बनाएल गेल हई, जबकि क्रिप्टोग्राफिक ई-कैश पर दशकों के शोध के परिणामस्वरूप बड़ पैमाना पर तैनाती ना होएल हई। हम ई भी पूछऽ हिअइ कि बिटकॉइन एगो दीर्घकालिक स्थिर मुद्रा के लेल एगो अच्छा उम्मीदवार कइसे बन सकई हई। ऐसन करे में, हम बिटकॉइन के कैगो मुद्दा अउर हमला के पहचान करई हई, अउर ओई पर ध्यान देवे के लेल उपयुक्त तकनीक के प्रस्ताव करई छियई।
3d16ed355757fc13b7c6d7d6d04e6e9c5c9c0b78
d19f938c790f0ffd8fa7fccc9fd7c40758a29f94
cd5b7d8fb4f8dc3872e773ec24460c9020da91ed	ई पेपर पांचवा पीढ़ी (5 जी) पूर्ण आयाम बहु-इनपुट बहु-आउटपुट (एफडी-एमआईएमओ) प्रणाली के लेल 29 गीगाहर्ट्ज आवृत्ति पर डब्ल्यूआर28 वेव गाइड पर आधारित बीम स्टीरेबल हाई गेन फेज्ड एरे एंटीना के एगो नया डिजाइन अवधारणा प्रस्तुत करई हई। 8 × 8 समतल चरणबद्ध सरणी के त्रि-आयामी बीमफॉर्मर द्वारा खिलायल जा हय ताकि अज़ीमुथ और ऊंचाई दिशा दोनों में -60 से +60 डिग्री तक के वॉल्यूमेट्रिक बीम स्कैनिंग प्राप्त कैल जा सके। बीमफॉर्मिंग नेटवर्क (बीएफएन) के डिज़ाइन 64 बीम स्टेट प्राप्त करे के लिए 8 × 8 बटलर मैट्रिक्स बीमफॉर्मर के 16 सेट के उपयोग करके कियल गलय हा, जे क्षैतिज और ऊर्ध्वाधर कोण के नियंत्रित करो हय। ई 5 जी अनुप्रयोग के लेल का बैंड में वॉल्यूमेट्रिक मल्टीबीम के लेल वेव गाइड आधारित उच्च शक्ति वाला त्रि-आयामी बीमफॉर्मर के डिजाइन करे के एगो नया अवधारणा हई। चरणबद्ध सरणी के अधिकतम लाभ 28.5 dBi हई जे 28.9 GHz से 29.4 GHz आवृत्ति बैंड के कवर करई हई।
34feeafb5ff7757b67cf5c46da0869ffb9655310	कम बिजली वाला वायरलेस सेंसर नेटवर्क के लेल पर्यावरणीय ऊर्जा एगो आकर्षक ऊर्जा स्रोत हई। हम प्रोमेथियस के प्रस्तुत करऽ हियो, एगो अइसन प्रणाली जे बिना मानव हस्तक्षेप चाहे सेवा के ऊर्जा हस्तांतरण के प्रबंधन के लेल एगो बुद्धिमान प्रबंधन करई हई। विभिन्न ऊर्जा भंडारण तत्वों के सकारात्मक गुणों के संयोजन और माइक्रोप्रोसेसर के बुद्धि का लाभ उठाते हुए, हम एक कुशल बहु-चरण ऊर्जा हस्तांतरण प्रणाली पेश करते हैं जो एकल ऊर्जा भंडारण प्रणालियों की सामान्य सीमाओं को लगभग शाश्वत संचालन के लिए कम करता है। हम अपने के डिजाइन विकल्प, व्यापार-बंद, सर्किट मूल्यांकन, प्रदर्शन विश्लेषण और मॉडल प्रस्तुत करते हैं। हम सिस्टम घटक के बीच संबंध पर चर्चा करो हय और एक अनुप्रयोग के आवश्यकता के पूरा करे के लिए इष्टतम हार्डवेयर विकल्प के पहचान करो हय। अंत में हम एगो वास्तविक प्रणाली के कार्यान्वयन प्रस्तुत करई हई जे बर्कले के टेलोस मोट के शक्ति के लेल सौर ऊर्जा के उपयोग करई हई। हमार विश्लेषण के भविष्यवाणी हई कि सिस्टम 1% भार पर 43 वर्ष, 10% भार पर 4 वर्ष, और 100% भार पर 1 वर्ष तक काम करतई। हमर कार्यान्वयन सुपरकैपेसिटर (प्राथमिक बफर) और एक लिथियम रिचार्जेबल बैटरी (द्वितीय बफर) से बनल दू चरण के भंडारण प्रणाली के उपयोग करो हय। मोट के शक्ति स्तर के पूरा ज्ञान हई अउर जीवनकाल के अधिकतम करे के लेल ऊर्जा हस्तांतरण के बुद्धिमानी से प्रबंधित करई हई।
3689220c58f89e9e19cc0df51c0a573884486708	एम्बीमैक्स एक ऊर्जा कटाई सर्किट और वायरलेस सेंसर नोड्स (डब्ल्यूएसएन) के लिए एक सुपरकैपेसिटर आधारित ऊर्जा भंडारण प्रणाली है। पिछला WSNs विभिन्न स्रोत से ऊर्जा के फसल करे के प्रयास करो हय, और कुछ बैटरी के बजाय सुपरकैपेसिटर के उपयोग करो हय ताकि बैटरी के उम्र बढ़ने के समस्या के हल कैल जा सके। हालांकि, ऊ या त प्रतिबाधा असंगति के कारण बहुत अधिक उपलब्ध ऊर्जा के बर्बाद करो हय, या ऊ सक्रिय डिजिटल नियंत्रण के आवश्यकता होवो हय जे ओवरहेड में उत्पन्न होवो हय, या ऊ केवल एक विशिष्ट प्रकार के स्रोत के साथे काम करो हय। एम्बीमैक्स सबसे पहिले अधिकतम पावर प्वाइंट ट्रैकिंग (एमपीपीटी) के स्वचालित रूप से निष्पादित करके, और फिर अधिकतम दक्षता पर सुपरकैपेसिटर के चार्ज करके येई समस्या के समाधान करई हई। एकरा अलावा, एम्बीमैक्स मॉड्यूलर हय और सौर, पवन, थर्मल और कंपन सहित कई ऊर्जा कटाई स्रोत के संरचना के सक्षम करो हय, प्रत्येक एक अलग इष्टतम आकार के साथे। एगो वास्तविक डब्ल्यूएसएन प्लेटफॉर्म, इको पर प्रयोगात्मक परिणाम से पता चलई हई कि एम्बीमैक्स एक साथ अउर स्वायत्त रूप से डब्ल्यूएसएन के लेल वर्तमान अत्याधुनिक के दक्षता से कै गुना कै शक्ति स्रोत के सफलतापूर्वक प्रबंधन करई हई।
4833d690f7e0a4020ef48c1a537dbb5b8b9b04c6	एक कम-शक्ति, कम-लागत वाला अत्यधिक कुशल अधिकतम पावर प्वाइंट ट्रैकर (MPPT) के एक फोटोवोल्टिक (PV) पैनल में एकीकृत करे के प्रस्ताव हय। इ एक मानक फोटोवोल्टिक पैनल के तुलना में 25% ऊर्जा वृद्धि में परिणाम दे सको हय, जबकि बैटरी वोल्टेज विनियमन और लोड के साथ पीवी सरणी के मिलान करे जैसे कार्य के प्रदर्शन करो हय। बाहरी रूप से जुड़े एमपीपीटी के उपयोग के बजाय, पीवी पैनल के हिस्से के रूप में एक एकीकृत एमपीपीटी कनवर्टर के उपयोग के लिए प्रस्तावित है। लागत प्रभावी होवे के लेल ई एकीकृत एमपीपीटी के एगो सरल नियंत्रक के उपयोग करे के प्रस्ताव छलई। एकर अलावा, कन्वर्टर के बहुत कुशल होए के चाहि, ताकि सीधे युग्मित प्रणाली के तुलना में लोड में अधिक ऊर्जा स्थानांतरित कैल जा सके। ई एगो सरल सॉफ्ट-स्विच टोपोलॉजी के उपयोग कैके हासिल कैल जाई हई। कम लागत पर एक बहुत अधिक रूपांतरण दक्षता तब परिणाम होगा, एमपीपीटी को छोटे पीवी ऊर्जा प्रणालियों के लिए एक सस्ती समाधान बना देगा।
61c1d66defb225eda47462d1bc393906772c9196	वायरलेस सेंसर नेटवर्क के लिए हमारे समाज पर सकारात्मक प्रभाव डाले के विशाल क्षमता ने इस विषय पर बहुत अधिक शोध उत्पन्न कैलकय हय, और इ शोध अब पर्यावरण के लिए तैयार प्रणालि के उत्पादन कर रहले हा। वर्तमान प्रौद्योगिकी सीमा के साथ-साथ व्यापक रूप से भिन्न अनुप्रयोग आवश्यकता के कारण डिजाइन अंतरिक्ष के विभिन्न हिस्सों के लिए विभिन्न प्रकार के हार्डवेयर प्लेटफॉर्म होवो हय। एकर अलावा, मानव हस्तक्षेप के बिना एक बार में महीनों के लिए काम करे वाला प्रणाली के अद्वितीय ऊर्जा और विश्वसनीयता प्रतिबंध के मतलब हय कि सेंसर नेटवर्क हार्डवेयर पर मांग मानक एकीकृत सर्किट पर मांग से अलग हय। इ पेपर सेंसर नोड्स और ओकरा नियंत्रित करे के लिए निम्न स्तर के सॉफ्टवेयर के डिजाइन करे के हमारे अनुभव के वर्णन करो हय। ज़ेब्रानेट प्रणाली में हम दीर्घकालिक पशु प्रवास के ट्रैक करे के लिए बारीक दाने वाला स्थिति डेटा रिकॉर्ड करे के लिए जीपीएस तकनीक के उपयोग करो हय। ज़ेब्रानेट हार्डवेयर में 16-बिट टीआई माइक्रोकंट्रोलर, 4 एमबीआईटी ऑफ-चिप फ्लैश मेमोरी, 900 मेगाहर्ट्ज रेडियो और एक कम-शक्ति जीपीएस चिप शामिल हय। इ पत्र में, हम सेंसर नेटवर्क के लिए कुशल बिजली आपूर्ति के डिजाइन करे के लिए अपन तकनीकों, नोड्स के ऊर्जा खपत के प्रबंधन के तरीकों और रेडियो, फ्लैश और सेंसर सहित परिधीय उपकरणों के प्रबंधन के तरीकों पर चर्चा करते हैं। हम ज़ेब्रानेट नोड्स के डिजाइन के मूल्यांकन करके और एकर कैसे सुधार कैल जा सकई हई, ई चर्चा करके निष्कर्ष निकाललई। इ हार्डवेयर के विकसित करे में हमार सीख भविष्य के सेंसर नोड्स के डिजाइन करे और वास्तविक प्रणालि में ओकर उपयोग करे में उपयोगी हो सको हय।
146da74cd886acbd4a593a55f0caacefa99714a6	आर्टिफिशियल इंटेलिजेंस के विकास ने प्रौद्योगिकी के क्षेत्र में उत्प्रेरक के रूप में कार्य कैलकय हय। अब हम ऊ सब कुछ विकसित कर सकऽ हिअइ, जे कभी खाली कल्पना में हलइ । ऐसन रचना में से एगो स्व-चालित कार के जन्म हई। दिन आ गेलई हे जब कोई अप्पन काम कर सकई हे चाहे गाड़ी में सुत सकई हे आउ स्टीयरिंग व्हील के छूए के बिना एक्सेलेरेटर के इस्तेमाल कर सकई हे, तबो अपने सुरक्षित रूप से अपन गंतव्य तक पहुँच सकई छी। ई पेपर सेल्फ ड्राइविंग कार के एक वर्किंग मॉडल के प्रस्ताव हई जे एक स्थान से दूसर स्थान पर या विभिन्न प्रकार के ट्रैक जैसे कि घुमावदार ट्रैक, सीधा ट्रैक अउर सीधा के बाद घुमावदार ट्रैक पर चले में सक्षम छलई। कार के ऊपर एक कैमरा मॉड्यूल लगावल गेलय हय और रास्पबेरी पाई वास्तविक दुनिया से छवियों के कन्वोल्यूशनल न्यूरल नेटवर्क में भेजो हय जे तब निम्नलिखित दिशाओं में से एक के भविष्यवाणी करो हय। अर्थात्, ई दाएं, बाएं, आगे या रुकें, जेकरा बाद Arduino से रिमोट-नियंत्रित कार के नियंत्रक के लिए एक संकेत भेजल जा हय और एकर परिणामस्वरूप कार कोनो मानव हस्तक्षेप के बिना वांछित दिशा में चल जा हय।
bb17e8858b0d3a5eba2bb91f45f4443d3e10b7cd
090a6772a1d69f07bfe7e89f99934294a0dac1b9
f07fd927971c40261dd7cef1ad6d2360b23fe294	हम विरल कैनोनिकल सहसंबंध विश्लेषण (सीसीए) के समस्या पर विचार करई हई, अर्थात, दू रैखिक कॉम्बी राष्ट्र के खोज, प्रत्येक बहुविकल्पी के लेल एगो, जे एक निर्दिष्ट संख्या में चर के उपयोग करके अधिकतम सहसंबंध उत्पन्न करई हई। हम एक प्रत्यक्ष लालची दृष्टिकोण के आधार पर एक कुशल संख्यात्मक अनुमान प्रस्तावित करो हय जे प्रत्येक चरण में सहसंबंध के बाधित करो हय। विधि के विशेष रूप से बड़े डेटा सेट के सामना करे के लिए डिज़ाइन कैल गेलय हय और एकर कम्प्यूटेशनल जटिलता केवल विरलता स्तर पर निर्भर करो हय। हम सहसंबंध और परोपकारिता के बीच व्यापार-बंद के माध्यम से एल्गोरिथ्म के प्रदर्शन के विश्लेषण करो हय। संख्यात्मक सिमुलेशन के परिणाम से पता चलई हई कि सहसंबंध के एगो महत्वपूर्ण हिस्सा के अपेक्षाकृत कम संख्या में चर के उपयोग करके कैप्चर कैल जा सकई हई। एकर अलावा, हम एगो नियमितकरण विधि के रूप में विरल सीसीए के उपयोग के जांच करई हई जब उपलब्ध नमूना के संख्या बहुविकल्पी के आयाम के तुलना में छोट होई हई। कैनोनिक सहसंबंध विश्लेषण (सीसीए), हारोल डी होटेलिंग [1] द्वारा पेश कैल गेल, डेटा स्रोत के एक जोड़ी से सामान्य विशेषता के निकाले के लेल बहुभिन्नरूपी डेटा एन lysis में एक मानक तकनीक हई, [2] [3]। ई डेटा स्रोतवन में से प्रत्येक एगो यादृच्छिक वेक्टर आर उत्पन्न कर है जेकरा हम बहु-चर कह है। शास्त्रीय आयामीकरण कमी विधियों के विपरीत, जे एक बहु-चर के संबोधित करो हय, सीसीए संभवतः अलग-अलग आयाम और संरचना के दो स्थानों से नमूने के बीच सांख्यिकीय संबंध के ध्यान में रखो हय। विशेष रूप से, इ दुनहु सहसंबंध के अधिकतम करे के खातिर दो रैखिक संयोजन के खोज करो हय, प्रत्येक बहुविकल्पी के लिए एक। एकर उपयोग विभिन्न विषय में एक स्टैंड-अलोन उपकरण के रूप में या अन्य सांख्यिकीय विधियों के लिए पूर्व-प्रसंस्करण चरण के रूप में कियल जा हय। एकर अलावा, सीसीए एक सामान्यीकृत ढांचा हय जेकरा मे सांख्यिकी में कई शास्त्रीय विधियां शामिल हय, जैसे कि मुख्य घटक विश्लेषण (पीसीए), आंशिक न्यूनतम वर्ग (पीएलएस) और एकाधिक रैखिक प्रतिगमन (एमएलआर) । कोर सीसीए के आगमन और स्वतंत्र घटक विश्लेषण [5] [6] के लिए एकर अनुप्रयोग के साथ सीसीए हाल ही में ध्यान वापस पा लेले हा। पिछला दशक में सिग्नल के विरल प्रतिनिधित्व अउर विरल संख्यात्मक विधि के खोज में रुचि बढ़ल हई। इ प्रकार, हम विरल सीसीए के समस्या पर विचार कर हियई, अर्थात, कम संख्या में चर के उपयोग करके अधिकतम सहसंबंध वाला रैखिक संयोजन के खोज। विभिन्न तर्क के माध्यम से सघनता के खोज के प्रेरित कैल जा सको हय। पहला परिणाम के व्याख्या अउर दृश्य रूप से देखे के क्षमता छलई। कुछ छोट विवरण के त्याग के साथे, कम संख्या में चर हमरा "बड़ी तस्वीर" प्राप्त करे के अनुमति देइ हई। एकर अलावा, स्पायर ई प्रतिनिधित्व कम्प्यूटेशनली कुशल के उपयोग के सक्षम करो हय। ई काम के अंशतः ग्रांट FA9550-06-1-0 324 के तहत AFOSR MURI द्वारा समर्थित कैल गेल रहई। अल्पता के दोसर प्रेरणा नियमितता अउर स्थिरता छलई। सीसीए के मुख्य कमजोरियों में से एक कम संख्या में टिप्पणियों के लिए एकर संवेदनशीलता हय। हालांकि, रिज सीसीए [7] जैसे नियमित तरीकों का उपयोग किया जाना चाहिए। इ संदर्भ में, विरल सीसीए एक उपसमुच्चय चयन योजना हय जे हमनही के वेक्टर के आयाम के कम करे और एक स्थिर समाधान प्राप्त करे के अनुमति देवो हय। हमर ज्ञान के सबसे अच्छा के लिए, विरल सीसीए के पहला संदर्भ [2] में दिखाई देलकय जहां पिछड़े और चरणबद्ध उपसमुच्चय चयन के प्रस्ताव दिहल गेलय हल। ई चर्चा गुणात्मक प्रकृति के रहई अउर कोनो विशिष्ट संख्यात्मक एल्गोरिथ्म के प्रस्ताव ना कैल गेल रहई। हाल ही में, बहुआयामी डेटा प्रसंस्करण के लिए बढ़ता मांग और कम हो रही कम्प्यूटेशनल लागत ने विषय के एक बार फिर से प्रमुखता के लिए प्रेरित किया है [1]- [1]। येई वर्तमान समाधान के जौरे मुख्य नुकसान ई हई कि विरलता पर कोई प्रत्यक्ष नियंत्रण ना हई अउर उनकर इष्टतम हाइपरपैरामीटर के चयन करनाई मुश्किल (और गैर-सहज) हई। एकरा अलावा, येईमे से अधिकांश विधिय के कम्प्यूटेशनल जटिलता उच्च आयामी डेटा सेट के जौरे व्यावहारिक अनुप्रयोग के लेल ज्यादे उच्च छलई। दुर्लभ सीसीए के [9] में भी निहित रूप से संबोधित कैल गेल हई, [14] अउर डी दुर्लभ पीसीए पर हाल के परिणाम से निकटता से संबंधित छलई। वास्तव में, हमर प्रस्तावित समाधान सीसीए के लिए [17] में परिणाम के विस्तार हय। ई काम के मुख्य योगदान दूगो होलो। सबसे पहले, हम प्रत्येक बहुविकल्पी में विरलता पर प्रत्यक्ष नियंत्रण के साथ सीसीए एल्गोरिदम प्राप्त करई हई अउर उनकर प्रदर्शन के जांच करई छलई। हमार कम्प्यूटेशनल रूप से कुशल विधियां विशेष रूप से बड़े आयाम के दो डेटा सेट के बीच संबंधों के समझे में मदद करो हय। हम एगो अग्रिम (या पिछड़ा) लोभी दृष्टिकोण के अपनाबई हई जे क्रमिक रूप से चुनई (या छोड़ई) चर पर आधारित छलई। प्रत्येक चरण में, हम इष्टतम सीसीए समाधान के बांड करते हैं और पूरी समस्या के हल करने के लिए आवश्यकता को दरकिनार करते हैं। एकर अलावा, फॉरवर्ड लोभी विधि के कम्प्यूटेशनल जटिलता डेटा के आयाम पर निर्भर ना करई छई बल्कि केवल विरलता पैरामीटर पर निर्भर करई हई। संख्यात्मक सिमुलेशन परिणाम से पता चलई हई कि सहसंबंध के एगो महत्वपूर्ण हिस्सा के अपेक्षाकृत कम संख्या में गैर-शून्य गुणांक के उपयोग करके कुशलता से सीमित कैल जा सकई हई। हमर दोसर योगदान नियमितकरण विधि के रूप में विरल सीसीए के जांच हय। अनुभवजन्य सिमुलेशन के उपयोग करके हम विभिन्न एल्गोरिदम के उपयोग के जांच करई हई जब बहुविकल्पी के आयाम नमूना के संख्या से बड़ (या एके क्रम के) होई हई अउर विरल सीसीए के लाभ के प्रदर्शन करई हई। इ संदर्भ में, लालची दृष्टिकोण के लाभ में से एक इ हय कि इ एक ही रन में पूर्ण विरलता पथ उत्पन्न करो हय और उपयोग करके कुशल पैरामीटर ट्यूनिंग के अनुमति देवो हय।
49afbe880b8bd419605beb84d3382647bf8e50ea
19b7e0786d9e093fdd8c8751dac0c4eb0aea0b74
0b3cfbf79d50dae4a16584533227bb728e3522aa	आवर्ती बैकप्रोपेगरेशन द्वारा विस्तारित समय अंतराल पर जानकारी संग्रहीत करे के सीखना बहुत लंबा समय लेवो हय, ज्यादातर अपर्याप्त, क्षय त्रुटि बैकफ्लो के कारण। हम संक्षेप में होचराइटर (1991) के इ समस्या के विश्लेषण के समीक्षा करई हई, फेर एकरा एगो उपन्यास, कुशल, ढाल-आधारित विधि के परिचय देके संबोधित करई हई जेकरा लंबा अल्पकालिक स्मृति (एलएसटीएम) कहल जाई हई। जहां ई नुकसान न कर हई, वहां ढाल के काटकर, एलएसटीएम विशेष इकाइ के भीतर निरंतर त्रुटि कैरोसेल के माध्यम से निरंतर त्रुटि प्रवाह के लागू करके 1000 से अधिक असतत-समय चरण के न्यूनतम समय अंतराल के पाटना सीख सकई हई। गुणक गेट इकाइ लगातार त्रुटि प्रवाह के लिए पहुंच खोलना और बंद करना सीखो हय। LSTM अंतरिक्ष और समय में स्थानीय हय; एकर गणनात्मक जटिलता प्रति समय चरण और वजन O हय। 1. हल कृत्रिम डेटा के साथ हमर प्रयोग में स्थानीय, वितरित, वास्तविक-मूल्यवान, और शोरदार पैटर्न प्रतिनिधित्व शामिल हय। वास्तविक समय आवर्ती सीखना, समय के माध्यम से वापस प्रसार, आवर्ती कैस्केड सहसंबंध, एल्मान नेट, और तंत्रिका अनुक्रम खंडन के साथ तुलना में, एलएसटीएम बहुत अधिक सफल रन के ओर ले जा हय, और बहुत तेज़ी से सीखो हय। एल एस टी एम जटिल, कृत्रिम लंबा समय-विलंब कार्य के भी हल करो हय जे पहले के आवर्ती नेटवर्क एल्गोरिदम द्वारा कभी हल नए कियल गलय हल।
9eb67ca57fecc691853636507e2b852de3f56fac	पिछला अध्ययन से पता चललई कि शब्द अउर पाठ के अर्थपूर्ण रूप से सार्थक प्रतिनिधित्व तंत्रिका एम्बेडिंग मॉडल के माध्यम से प्राप्त कैल जा सकई हई। विशेष रूप से, पैराग्राफ वेक्टर (पीवी) मॉडल ने दस्तावेज़ (विषय) स्तर के भाषा मॉडल के अनुमान लगाके कुछ प्राकृतिक भाषा प्रसंस्करण कार्य में प्रभावशाली प्रदर्शन देखाएल हई। हालांकि, पुनर्प्राप्ति के लिए पारंपरिक भाषा मॉडल दृष्टिकोण के साथ पीवी मॉडल के एकीकरण अस्थिर प्रदर्शन और सीमित सुधार के उत्पादन करो हय। इ पत्र में, हम औपचारिक रूप से मूल पीवी मॉडल के तीन आंतरिक समस्याओं पर चर्चा करो हय जे पुनर्प्राप्ति कार्य में एकर प्रदर्शन के सीमित करो हय। हम मॉडल में संशोधन के भी वर्णन करो हय जे एकरा आईआर कार्य के लिए अधिक उपयुक्त बनावो हय, और प्रयोगों और केस अध्ययन के माध्यम से ओकर प्रभाव के दिखावो हय। हम तीन मुद्दा के संबोधित करई छी (1) पीवी के अनियमित प्रशिक्षण प्रक्रिया छोट दस्तावेज़ ओवर-फिटिंग के लेल कमजोर हई जे अंतिम पुनर्प्राप्ति मॉडल में लंबाई पूर्वाग्रह उत्पन्न करई हई; (2) पीवी के कोरपस-आधारित नकारात्मक नमूनाकरण शब्द के लेल एक वजन योजना के तरफ ले जाई हई जे अक्सर शब्द के महत्व के दबाबई हई; अउर (3) शब्द-संदर्भ जानकारी के कमी पीवी के शब्द प्रतिस्थापन संबंध के पकड़ने में असमर्थ बनाबई हई।
4df321947a2ac4365584a01d78a780913b171cf5	पहलू आधारित भावना विश्लेषण (एबीएसए) विशिष्ट संस्था अउर उनकर पहलु के बारे में पाठ से राय के खनन अउर सारांशित करे के काम हई। ई लेख फ्रेंच के लेल एबीएसए सिस्टम के विकास अउर परीक्षण के लेल दू डेटासेट के वर्णन करई हई जोनमे प्रासंगिक संस्था, पहलु अउर ध्रुवीयता मान के जौरे एनोटेट कैल गेल उपयोगकर्ता समीक्षा शामिल छलई। पहला डेटासेट में एबीएसए सिस्टम के प्रशिक्षण और परीक्षण के लिए 457 रेस्तरां समीक्षा (2365 वाक्य) शामिल हय, जबकि दूसर में आउट-ऑफ-डोमेन मूल्यांकन के लिए समर्पित 162 संग्रहालय समीक्षा (655 वाक्य) शामिल हय। दुनहु डेटा सेट के निर्माण सेमेवल-2016 टास्क 5 के हिस्सा के रूप में कियल गलय हल पहलू-आधारित भावना विश्लेषण जहां सात अलग-अलग भाषा के प्रतिनिधित्व कियल गलय हल, और अनुसंधान उद्देश्यों के लिए सार्वजनिक रूप से उपलब्ध हय। ई लेख एनोटेशन प्रकार द्वारा उदाहरण अउर सांख्यिकी प्रदान करई हई, एनोटेशन दिशानिर्देश के सारांश अउर उनकर क्रॉस-भाषाई प्रयोज्यता पर चर्चा करई हई। ई ई भी समझाबई हई कि कैसे डेटा के उपयोग सेमेवल एबीएसए कार्य में मूल्यांकन के लेल कैल गेल रहई अउर संक्षेप में फ्रेंच के लेल प्राप्त परिणाम के प्रस्तुत करई छलई।
2445089d4277ccbec3727fecfe73eaa4cc57e414	ई पेपर 8 भाषा जोड़े के लेल मशीन अनुवाद प्रणाली के अनुवाद गुणवत्ता के मूल्यांकन करई हई: फ्रेंच, जर्मन, स्पेनिश अउर चेक के अंग्रेजी में अनुवाद अउर वापस। हम व्यापक मानव मूल्यांकन कियलय, जे हमनही के न केवल विभिन्न एमटी प्रणालि के रैंक करे के अनुमति देलकय, बल्कि मूल्यांकन प्रक्रिया के उच्च-स्तरीय विश्लेषण भी कैलकय। हम तीन प्रकार के व्यक्तिपरक मूल्यांकन के लिए समय और इंट्रा-और इंटर-एनोटेटर समझौते को मापा। हम मानव निर्णय के साथ स्वचालित मूल्यांकन मीट्रिक के सहसंबंध के मापलकय। इ मेटा-मूल्यांकन सबसे आम तौर पर उपयोग कियल जाए वाला कार्यप्रणाली के बारे में आश्चर्यजनक तथ्य प्रकट करो हय।
1965a7d9a3eb0727c054fb235b1758c8ffbb8e22	परिपत्र ध्रुवीकृत एकल-परत यू-स्लॉट माइक्रोस्ट्रिप पैच एंटीना के प्रस्तावित कैल गेल हई। सुझावे वाला विषम यू-स्लॉट जांच-खाता स्क्वायर पैच माइक्रोस्ट्रिप एंटीना के कोनो कोने के छेद के बिना परिपत्र ध्रुवीकरण के लिए दो ऑर्थोगोनल मोड उत्पन्न कर सकई हई। यू-स्लॉट के विभिन्न हाथ के लंबाई के कारण होए वाला प्रभाव के जांच करे के लेल एगो पैरामीटर अध्ययन कैल गेल छलई। फोम सब्सट्रेट के मोटाई ऑपरेटिंग आवृत्ति पर तरंग दैर्ध्य के लगभग 8.5% हय। एंटीना के 3 डीबी अक्षीय अनुपात बैंडविड्थ 4% हय। एंटीना के प्रयोगात्मक और सैद्धांतिक परिणाम दोनों के प्रस्तुत और चर्चा कैल गेलय हय। परिपत्र ध्रुवीकरण, मुद्रित एंटीना, यू-स्लॉट।
9462cd1ec2e404b22f76c88b6149d1e84683acb7	इ पत्र में, एक वाइडबैंड कॉम्पैक्ट परिपत्र ध्रुवीकृत (सीपी) पैच एंटीना के प्रस्तावित कैल गेलय हय। इ पैच एंटीना में एक मुद्रित घुमावदार जांच (एम-सेंब) और ट्रंक्टेड पैच शामिल हय जे वाइडबैंड सीपी ऑपरेशन उत्पन्न करे के लिए ऑर्थोगोनल अनुनाद मोड के उत्तेजित करो हय। 5 जी वाई-फाई अनुप्रयोग के फिट करे के लेल अक्षीय-अनुपात (एआर) बैंडविड्थ के और बेहतर करे के लेल स्टैक्ड पैच के उपयोग कैल जाई हई। प्रस्तावित एंटीना क्रमशः 42.3% प्रतिबाधा बैंडविड्थ और 16.8% एआर बैंडविड्थ प्राप्त करो हय। एआर बैंडविड्थ के भीतर औसत लाभ 0.5 डीबीआईसी से कम भिन्नता के साथ 6.6 डीबीआईसी हय। ई काम एम-सोनड से खिलाएल जाए वाला सीपी पैच एंटीना के बैंडविड्थ विस्तारित करे के तकनीक के प्रदर्शित करई हई। ई जांच करे और प्रदर्शित करे वाला पहिला अध्ययन हई कि एम-सोंड डाइलेक्ट्रिक लोडेड पैच एंटीना में ब्रॉडबैंड विशेषता प्रदान कर सकई हई। एंटीना के संभावित अनुप्रयोग 5 जी वाई-फाई और उपग्रह संचार प्रणाली हय।
d6002a6cc8b5fc2218754aed970aac91c8d8e7e9	इ पेपर में हम वास्तविक समय में कई विशिष्ट 3 डी वस्तु के पता लगावे के लिए एक नया विधि प्रस्तावित करो हय। हम हाल ही में हिंटरस्टोइसर एट अल द्वारा पेश कैल गेलय LINE2D/LINEMOD प्रतिनिधित्व के आधार पर टेम्पलेट-आधारित दृष्टिकोण से शुरू करो हय, फिर भी एकरा दो तरह से विस्तारित करो हय। सबसे पहिले, हम टेम्पलेट के एगो भेदभावपूर्ण तरीका से सीखना चाहई छी। हम देखबई कि ई नमूना छविय के संग्रह के दौरान ऑनलाइन कैल जा सकई हई, केवल कुछ मिलीसेकंड में, अउर डिटेक्टर के सटीकता पर बड़का प्रभाव डालई हई। दोसर, हम कैस्केड पर आधारित एगो योजना प्रस्तावित करई हई जे पता लगावे के गति बढ़ाबई हई। चूंकि कोनो वस्तु के पता लगाबई तेज हई, येहिलेल नया वस्तु के बहुत कम लागत से जोड़ा जा सकई हई, जे हमर दृष्टिकोण के पैमाना के अच्छा बनाबई हई। हम अपने प्रयोग में, एगो सिंगल सी पी यू कोर के उपयोग करके 10 से 30 थ्री डी ऑब्जेक्ट के 10 एफ पी एस से ऊपर के फ्रेम दर से आसानी से संभाल सकई छी। हम गति के संदर्भ में अत्याधुनिक के साथ-साथ सटीकता के संदर्भ में भी बेहतर प्रदर्शन करते हैं, जैसा कि 3 अलग-अलग डेटा सेट पर मान्य है। ई मोनोकुलर रंग छवि (LINE2D के साथ) अउर RGBD छवि (LINEEMOD के साथ) के उपयोग करे पर दुनु लागू होई हई। एकरा अलावा, हम 12 वस्तु से बनल एगो चुनौतीपूर्ण नया डेटासेट प्रस्तावित करई छी, जे भविष्य में मोनोक्यूलर रंग छवि पर प्रतिस्पर्धी विधि के लेल हई।
41d103f751d47f0c140d21c5baa4981b3d4c9a76	लोग अपन इंटरनेट ब्लॉग में लिखल व्यक्तिगत कहानी में रोजमर्रा के घटना के बीच कारण-संबंध के बारे में पर्याप्त जानकारी शामिल छलई। ई पेपर में हम स्वचालित सामान्य ज्ञान के कारण तर्क के लेल येई लाखों कहानी के उपयोग करे के अपन प्रयास के वर्णन करई हई। सामान्य ज्ञान के कारण तर्क समस्या के एगो विकल्प विकल्प के रूप में कास्ट कर के, हम चार प्रयोग के वर्णन करई हई जे विभिन्न सांख्यिकीय अउर सूचना पुनर्प्राप्ति दृष्टिकोण के तुलना कहानी कॉर्पोरा में कारण संबंधी जानकारी के शोषण करे के लेल करई हई। येई प्रयोग में शीर्ष प्रदर्शन करे वाला प्रणाली कारण पूर्ववर्ती अउर परिणामी में शब्द के बीच एगो सरल सह-घटना सांख्यिकी के उपयोग करई हई, जेकर गणना लाखों व्यक्तिगत कहानिय के एगो कोरपस में शब्द के बीच बिंदुवार पारस्परिक जानकारी के रूप में कैल जाई छलई।
c9d1bcdb95aa748940b85508fd7277622f74c0a4	केस रिसर्च कम से कम एक दशक से सूचना प्रणाली (आईएस) अनुशासन में सम्मान के हकदार छलई। केस अध्ययन के प्रासंगिकता और संभावित मूल्य के बावजूद, इ पद्धतिगत दृष्टिकोण के कभी सबसे कम व्यवस्थित में से एक मानल जा हलय। 1980 के दशक के अंत के ओर, इ सवाल पहली बार उठाएल गेलय हल कि क्या आईएस केस रिसर्च के कठोरता से कियल गेलय हल। हमर क्षेत्र के शोधकर्ता (जैसे, बेनबास एट अल। 1987; ली 1989) और अन्य विषयों (जैसे, आइज़ेनहार्ड 1989; यिन 1994) से केस रिसर्च में अधिक कठोरता के लिए कहा और, अपनी सिफारिशों के माध्यम से, केस स्टडी पद्धति के उन्नयन में योगदान दिया। येई योगदान के ध्यान में रखईत, वर्तमान अध्ययन ई निर्धारित करे के प्रयास करई हई कि आईएस के क्षेत्र में केस स्टडी पद्धति के अपन परिचालन उपयोग में केतना प्रगति होले हई। ठीक से, ई पिछला दशक में आयोजित सकारात्मक आईएस केस रिसर्च में पद्धतिगत कठोरता के स्तर के जांच करई हई। ई उद्देश्य के पूरा करे के लेल, हम सात प्रमुख आईएस पत्रिका से 183 मामला के लेख के पहचान आउर कोडित कलई। वर्तमान समीक्षा में विचार कैल गेलय मूल्यांकन विशेषता या मानदंड तीन मुख्य क्षेत्र पर केंद्रित हय, अर्थात्, डिजाइन मुद्दे, डेटा संग्रह और डेटा विश्लेषण। जबकि कुछ विशिष्ट विशेषता के संबंध में पद्धतिगत कठोरता के स्तर में मामूली प्रगति होले हई, समग्र रूप से मूल्यांकन कैल गेल कठोरता कुछ हद तक अस्पष्ट हई अउर अभीयो सुधार के लेल महत्वपूर्ण क्षेत्र छलई। कुंजी में से एगो में विशेष रूप से डेटा संग्रह और उपयोग से संबंधित मुद्दों के संबंध में बेहतर प्रलेखन शामिल करनाई हई।
025cdba37d191dc73859c51503e91b0dcf466741	फिंगरप्रिंट इमेज एन्हांसमेंट फिंगरप्रिंट रिकॉग्निशन एप्लिकेशन में एगो आवश्यक प्रीप्रोसेसिंग चरण छलई। इ पेपर में हम एगो दृष्टिकोण के परिचय देई हई जे गैबोर वेवलेट फ़िल्टर बैंक द्वारा फिंगरप्रिंट छवि में स्थानीय रिज के अभिविन्यास अउर आवृत्ति के एक साथ निकालई हई अउर छवि के गैबोर फ़िल्टरिंग में उनकर उपयोग करई हई। एकरा अलावा, हम फिंगरप्रिंट इमेज एन्हांसमेंट के लेल एगो मजबूत दृष्टिकोण के वर्णन करई हई, जे गॅबोर फिल्टर अउर दिशात्मक माध्यमिक फिल्टर ((डीएमएफ) के एकीकरण पर आधारित छलई। वास्तव में, गॉशियन-वितरित शोर के गॅबोर फिल्टर द्वारा प्रभावी ढंग से कम कैल जा हय और डीएमएफ द्वारा आवेग शोर के कम कैल जा हय। प्रस्तावित डीएमएफ न केवल अपन मूल कार्य के पूरा कर सकई हई, ई टूटल फिंगरप्रिंट रिज के भी जोड़ सकई हई, फिंगरप्रिंट इमेज के छेद के भर सकई हई, अनियमित रिज के चिकना कर सकई हई अउर साथ ही रिज के बीच कुछ कष्टप्रद छोट कलाकृतियों के हटा सकई हई। प्रयोगात्मक परिणाम से पता चलई हई कि हमर विधि साहित्य में वर्णित विधि से बेहतर हई।
3dfce4601c3f413605399267b3314b90dc4b3362	आज के वैश्विक रूप से नेटवर्क समाज सूचना के प्रसार और साझाकरण पर बहुत अधिक मांग लगावो हय। जबकि अतीत में जारी कैल गेल जानकारी ज्यादातर सारणीबद्ध और सांख्यिकीय रूप में रहई, आज कैगो स्थिति विशिष्ट डेटा (माइक्रोडेटा) के जारी करे के आवश्यकता होई हई। जिन इकाई के (जकरा उत्तरदाता कहल जाई हई) के गुमनामी के रक्षा करे के लेल, डेटा धारक अक्सर नाम, पते अउर फोन नंबर जैसन स्पष्ट पहचानकर्ता के हटाबई चाहे एन्क्रिप्ट करई छलई। हालांकि, पहचान-घटावे वाला डेटा गुमनाम होवे के कोई गारंटी नय देवो हय। जारी कैल गेल जानकारी में अक्सर दोसर डेटा शामिल होई हई, जैसे कि जाति, जन्म तिथि, लिंग अउर ज़िप कोड, जेकरा सार्वजनिक रूप से उपलब्ध जानकारी से जोड़ल जा सकई हई ताकि उत्तरदाता के फेर से पहचान कैल जा सके अउर ओई जानकारी के अनुमान लगाएल जा सके जे खुलासा के लेल इरादा ना रहई। ई पेपर में हम डेटा के संदर्भित करे वाला उत्तरदाताओं के गुमनामी के संरक्षित करते हुए माइक्रोडाटा जारी करे के समस्या के संबोधित कर रहलियई हे। दृष्टिकोण के-गुमनाम के परिभाषा पर आधारित हय। एगो तालिका के-अनामी प्रदान करई हई यदि स्पष्ट रूप से पहचान करे वाला जानकारी के ओकर सामग्री से जोड़ने के प्रयास कम से कम के संस्था के लेल जानकारी के मैप करई हई। हम इ बताबई हई कि सामान्यीकरण अउर दमन तकनीक के उपयोग कैके जारी कैल गेल जानकारी के अखंडता (या सत्यता) के समझौता कैले बिना के-अनामीपन कैसे प्रदान कैल जा सकई हई। हम न्यूनतम सामान्यीकरण के अवधारणा के परिचय देई हई जे रिलीज प्रक्रिया के संपत्ति के पकड़ई हई ताकि के-गुमनामता प्राप्त करे के लेल आवश्यक से बेसी डेटा के विकृत न कैल जाए, अउर येई तरह के सामान्यीकरण के गणना के लेल एगो एल्गोरिथ्म प्रस्तुत करई हई। हम विभिन्न न्यूनतम के बीच चयन के लिए संभावित वरीयता नीतियों पर भी चर्चा करते हैं।
cd866d4510e397dbc18156f8d840d7745943cc1a
74c24d7454a2408f766e4d9e507a0e9c3d80312f	वायरलेस सेंसर नेटवर्क के लेल एगो स्मार्ट-कार्ड-आधारित उपयोगकर्ता प्रमाणीकरण योजना (संक्षेप में, एगो एसयूए-डब्ल्यूएसएन योजना) के डिज़ाइन कैल गेल हई ताकि सेंसर डेटा तक पहुंच केवल ओई उपयोगकर्ता तक सीमित हो जाए, जेकरा पास स्मार्ट कार्ड अउर संबंधित पासवर्ड दुनु होई हई। जबकि हाल के वर्षों में बड़ी संख्या में एसयूए-डब्ल्यूएसएन योजना के सुझाव देल गेल हई, उनकर इच्छित सुरक्षा गुण के व्यापक रूप से स्वीकृत मॉडल में औपचारिक परिभाषा अउर प्रमाण के कमी छलई। एकर एक परिणाम ई हई कि विभिन्न हमला के खिलाफ असुरक्षित एसयूए-डब्ल्यूएसएन योजनाएं बढ़ गेल हई। ई पेपर में, हम बेलारे, पॉइंटचेवल और रोगावे (2000) के व्यापक रूप से स्वीकृत मॉडल के विस्तार करके एसयूए-डब्ल्यूएसएन योजना के विश्लेषण के लेल एगो सुरक्षा मॉडल तैयार करई हई। हमर मॉडल साइड-चैनल हमला के साथे-साथ दोसर सामान्य हमला के कैप्चर करते हुए प्रमाणीकृत कुंजी विनिमय अउर उपयोगकर्ता गुमनामता के औपचारिक परिभाषा प्रदान करई हई। हम दीर्घवृत्तीय वक्र क्रिप्टोग्राफी (ईसीसी) के आधार पर एक नया एसयूए-डब्ल्यूएसएन योजना के भी प्रस्ताव करो हय, और अपन विस्तारित मॉडल में एकर सुरक्षा गुण के साबित करो हय। हमर ज्ञान के अनुसार, हमर प्रस्तावित योजना पहला SUA-WSN योजना हई जे प्रमाणित रूप से प्रमाणित कुंजी विनिमय अउर उपयोगकर्ता गुमनामी दुनहु प्राप्त करई हई। हमार योजना ईसीसी-आधारित (गैर-प्रमाणित रूप से सुरक्षित) योजना के साथ कंप्यूटेशनल रूप से प्रतिस्पर्धी हय।
3973e14770350ed54ba1272aa3e19b4d21f5dad3	ई पेपर बॉस के लेल विकसित बाधा पता लगावे अउर ट्रैकिंग एल्गोरिदम के वर्णन करई हई, जे 2007 के डीएआरपीए अर्बन चैलेंज में कार्नेगी मेलन विश्वविद्यालय के विजेता प्रविष्टि हई। हम ट्रैकिंग उपप्रणाली के वर्णन करई हई अउर देखई हई कि ई बड़का धारणा प्रणाली के संदर्भ में कैसे कार्य करई हई। ट्रैकिंग उपप्रणाली रोबोट के अन्य वाहन के निकटता में सुरक्षित रूप से संचालित करे के लिए शहरी ड्राइविंग के जटिल परिदृश्य के समझे के क्षमता प्रदान करो हय। ट्रैकिंग सिस्टम एगो सुसंगत स्थिति मॉडल उत्पन्न करे के लेल पर्यावरण के बारे में अतिरिक्त जानकारी के जौरे एक दर्जन से अधिक सेंसर से सेंसर डेटा के फ्यूज करई हई। सेंसर डेटा के गुणवत्ता के आधार पर वस्तु के ट्रैक करे के लिए एक उपन्यास बहु-मॉडल दृष्टिकोण के उपयोग कैल जा हय। अंत में, ट्रैकिंग उपप्रणाली के वास्तुकला प्रसंस्करण के प्रत्येक स्तर के स्पष्ट रूप से सारित करो हय। उपप्रणाली के नया सेंसर और सत्यापन एल्गोरिदम के जोड़के आसानी से बढ़ाएल जा सकई हई।
6a694487451957937adddbd682d3851fabd45626	अत्याधुनिक प्रश्न-उत्तर (क्यूए) प्रणाली उत्तर के मार्ग के पुनः प्राप्त करे के लेल शब्द-घनत्व रैंकिंग के उपयोग करई हई। ऐसन विधियन से अक्सर गलत मार्ग के पुनर्प्राप्त कैल जाई हई काहेकी प्रश्न शब्द के बीच संबंध पर विचार न कैल जाई छलई। पिछला अध्ययन प्रश्न और उत्तर के बीच निर्भरता संबंध के मिलान करके येई समस्या के समाधान करे के प्रयास कलई। ऊ सख्त मिलान के इस्तेमाल कैलकय, जे तब विफल हो जा हय जब अर्थसापेक्ष रूप से समतुल्य संबंध के अलग तरह से तैयार कैल जा हय। हम सांख्यिकीय मॉडल के आधार पर धुंधला संबंध मिलान के प्रस्ताव रखो हय। हम पिछला क्यूए जोड़े से संबंध मैपिंग स्कोर के सीखने के लिए दो विधियों के प्रस्तुत करो हय: एक पारस्परिक जानकारी के आधार पर और दूसरा अपेक्षा अधिकतम करे पर। प्रयोगात्मक परिणाम से पता चलई हई कि हमार विधि औसत पारस्परिक रैंक में 78% तक के अत्याधुनिक घनत्व-आधारित मार्ग पुनर्प्राप्ति विधि के बेहतर प्रदर्शन करई हई। संबंध मिलान क्वेरी विस्तार द्वारा बढ़ाएल गेल प्रणाली में लगभग 50% सुधार भी लाबई हई।
2538e3eb24d26f31482c479d95d2e26c0e79b990	हम एगो एकीकृत तंत्रिका नेटवर्क आर्किटेक्चर अउर सीखने के एल्गोरिथ्म के प्रस्ताव देई हई जेकरा विभिन्न प्राकृतिक भाषा प्रसंस्करण कार्य पर लागू कैल जा सकई हईः भाषण के हिस्सा टैगिंग, खंडन, नामित इकाई मान्यता, अउर शब्दार्थ भूमिका लेबलिंग। इ बहुमुखी प्रतिभा टास्क-विशिष्ट इंजीनियरिंग से बचे के कोशिश करके और येहिलेल बहुत सारे पूर्व ज्ञान के अनदेखी करके हासिल कैल जा हय। प्रत्येक कार्य के लेल सावधानीपूर्वक अनुकूलित मानव निर्मित इनपुट सुविधा के शोषण करे के बजाय, हमर प्रणाली विशाल मात्रा में ज्यादातर लेबल रहित प्रशिक्षण डेटा के आधार पर आंतरिक प्रतिनिधित्व सीखई हई। फेर ई काम के उपयोग अच्छा प्रदर्शन अउर न्यूनतम कम्प्यूटेशनल आवश्यकता के जौरे एगो स्वतंत्र रूप से उपलब्ध टैगिंग प्रणाली के निर्माण के आधार के रूप में कैल जाई हई।
317deb87586baa4ee7c7b5dfc603ebed94d1da07	हम प्राकृतिक भाषा पार्सिंग के लेल एगो नया तेज़ विशुद्ध रूप से भेदभावपूर्ण एल्गोरिथ्म के प्रस्ताव करई हई, जे एगो डीप रिकर्सिव कन्वॉल्यूशनल ग्राफ ट्रांसफार्मर नेटवर्क (जीटीएन) पर आधारित छलई। एगो पार्स ट्री के "स्तरों" के ढेर में विघटन के मानकर, नेटवर्क पिछला स्तर के भविष्यवाणिय के ध्यान में रखके पेड़ के एगो स्तर के भविष्यवाणी करई हई। कोलोबर्ट और वेस्टन (2008) से शब्द प्रतिनिधित्व के लाभ उठावे वाला केवल कुछ बुनियादी पाठ सुविधा के उपयोग करते हुए, हम विशाल गति लाभ के साथे मौजूदा शुद्ध भेदभावपूर्ण पार्सर और मौजूदा "बेंचमार्क" पार्सर (जैसे कोलिन्स पार्सर, संभाव्य संदर्भ-मुक्त व्याकरण आधारित) के समान प्रदर्शन (एफ 1 स्कोर में) दिखावो हय।
04cc04457e09e17897f9256c86b45b92d70a401f	कैगो डेटा जैसे कि सामाजिक नेटवर्क, फिल्म प्राथमिकता चाहे ज्ञान आधार बहु-संबंधी हई, येई प्रकार ई संस्था के बीच कैगो संबंध के वर्णन करई हई। जबकि इ डेटा के मॉडलिंग पर केंद्रित काम के एक बड़ा निकाय हय, इ कई प्रकार के संबंधों के संयुक्त रूप से मॉडलिंग करनाई चुनौतीपूर्ण बनल रहो हय। एकरा अलावा, मौजूदा दृष्टिकोण टूट जाई छलई जब येई प्रकार के संख्या बढ़ई हई। इ पत्र में, हम संभवतः हजारों संबंधों के साथे, बड़े बहु-संबंधी डेटासेट के मॉडलिंग के लिए एक विधि प्रस्तावित करो हय। हमार मॉडल एगो द्विध्रुवीय संरचना पर आधारित हई, जे डेटा के बातचीत के विभिन्न आदेश के कैप्चर करई हई, अउर विभिन्न संबंध में विरल गुप्त कारक के भी साझा करई हई। हम मानक टेंसर-फैक्टरिज़ेशन डेटासेट पर अपन दृष्टिकोण के प्रदर्शन के चित्रित करई हई जहां हम प्राप्त करई हई, चाहे बेहतर प्रदर्शन करई हई, अत्याधुनिक परिणाम। अंत में, एनएलपी अनुप्रयोग हमर मापनीयता के प्रदर्शित करई हई अउर हमर मॉडल के कुशल अउर अर्थपूर्ण क्रिया प्रतिनिधित्व के सीखने के क्षमता।
052b1d8ce63b07fec3de9dbb583772d860b7c769	हम न्यूरॉन जैसन इकाइ के नेटवर्क के लेल एगो नया सीखने के प्रक्रिया, बैक-प्रोपेगशन के वर्णन करई छलई। प्रक्रिया नेटवर्क में कनेक्शन के भार के बार-बार समायोजित करो हय ताकि नेट के वास्तविक आउटपुट वेक्टर और वांछित आउटपुट वेक्टर के बीच अंतर के एक माप के कम कर दलकय। भार समायोजन के परिणामस्वरूप, आंतरिक "छिपी हुई" इकाइ जे इनपुट या आउटपुट के हिस्सा न हई, कार्य डोमेन के महत्वपूर्ण विशेषता के प्रतिनिधित्व करे लगई हई, अउर कार्य में नियमितता के येई इकाइ के बातचीत द्वारा कैप्चर कैल जाई छलई। उपयोगी नया विशेषता बनावे के क्षमता बैक-प्रोपेगशन के पहले के, सरल तरीकों से अलग करो हय जैसे कि पर्सेप्ट्रॉन-कन्वर्जेंस प्रक्रिया1।
07f3f736d90125cb2b04e7408782af411c67dd5a	कई प्राकृतिक भाषा कार्यों के लिए अर्थ संबंधी मिलान केंद्रीय महत्व के हय [2, 28]। एक सफल मिलान एल्गोरिथ्म के भाषा वस्तु के आंतरिक संरचना अउर ओकरा बीच बातचीत के पर्याप्त रूप से मॉडल करे के आवश्यकता होई हई। ई लक्ष्य के तरफ एगो कदम के रूप में, हम दृष्टि और भाषण में संवहन रणनीति के अनुकूलित करके, दू वाक्य के मिलान करे के लेल संवहन तंत्रिका नेटवर्क मॉडल के प्रस्ताव रखई हई। प्रस्तावित मॉडल न केवल वाक्य के पदानुक्रमित संरचना के उनकर परत-दर-स्तर के संरचना अउर पूलिंग के जौरे अच्छा तरह से प्रदर्शित करई हई, बल्कि विभिन्न स्तर पर समृद्ध मिलान पैटर्न के भी पकड़ई हई। हमार मॉडल काफी सामान्य हय, जेकरा भाषा पर कोई पूर्व ज्ञान के आवश्यकता नए हय, और इलिए एकरा विभिन्न प्रकृति के कार्य और विभिन्न भाषा में मिलान करे पर लागू कियल जा सको हय। विभिन्न मिलान कार्य पर अनुभवजन्य अध्ययन विभिन्न मिलान कार्य पर प्रस्तावित मॉडल के प्रभावकारिता और प्रतिस्पर्धी मॉडल पर एकर श्रेष्ठता के प्रदर्शित करो हय।
0af737eae02032e66e035dfed7f853ccb095d6f5	कैगो एनएलपी कार्य में एगो जोड़ी वाक्य के कैसे मॉडल कैल जाए, ई एगो महत्वपूर्ण मुद्दा हई जैसे उत्तर चयन (एएस), पैराफ्रेज़ पहचान (पीआई) अउर पाठ्य संलग्नक (टीई) । अधिकांश पूर्व कार्य (i) एक विशिष्ट प्रणाली के ठीक करके एक व्यक्तिगत कार्य से संबंधित हय; (ii) प्रत्येक वाक्य के प्रतिनिधित्व के अलग से मॉडल करो हय, शायद ही कभी दूसरे वाक्य के प्रभाव के विचार करो हय; या (iii) पूरी तरह से मैन्युअल रूप से डिज़ाइन कैल गेलय, कार्य-विशिष्ट भाषाई विशेषता पर निर्भर करो हय। ई काम एगो जोड़ी वाक्य के मॉडलिंग करे के लेल एगो सामान्य ध्यान आधारित संवहन तंत्रिका नेटवर्क (एबीसीएनएन) प्रस्तुत करई हई। हम तीन गो परतछे कैली हल । (i) एबीसीएनएन के उपयोग विभिन्न प्रकार के कार्यों के लिए कैल जा सको हय जेकरा वाक्य जोड़े के मॉडलिंग के आवश्यकता होवो हय। (ii) हम तीन ध्यान योजना के प्रस्ताव करो हय जे सीएनएन में वाक्य के बीच पारस्परिक प्रभाव के एकीकृत करो हय; इ प्रकार, प्रत्येक वाक्य के प्रतिनिधित्व ओकर समकक्ष के ध्यान में रखो हय। ई परस्पर निर्भर वाक्य जोड़ी प्रतिनिधित्व अलग-थलग वाक्य प्रतिनिधित्व के तुलना में अधिक शक्तिशाली हई। (iii) एबीसीएनएन एएस, पीआई और टीई कार्यों पर अत्याधुनिक प्रदर्शन प्राप्त करते हैं। हम कोड के https://github.com/yinwenpeng/Answer_Selection पर जारी कर रहलियो ह।
1c059493904b2244d2280b8b4c0c7d3ca115be73	नेटवर्क में नोड्स और एज पर भविष्यवाणी कार्य के लेल लर्निंग एल्गोरिदम द्वारा उपयोग कैल जाए वाला इंजीनियरिंग सुविधा में सावधानीपूर्वक प्रयास के आवश्यकता होई हई। प्रतिनिधित्व सीखने के व्यापक क्षेत्र में हालिया शोध ने स्वयं सुविधा के सीखकर भविष्यवाणी के स्वचालित करे में महत्वपूर्ण प्रगति कैलकय हा। हालांकि, नेटवर्क में देखल गेल कनेक्टिविटी पैटर्न के विविधता के पकड़ने के लेल वर्तमान फीचर लर्निंग दृष्टिकोण पर्याप्त रूप से अभिव्यंजक ना हई। ईहां हम नोड2वेक के प्रस्ताव कर हई, नेटवर्क में नोड के लेल निरंतर विशेषता प्रतिनिधित्व के सीखने के लेल एगो एल्गोरिथम ढांचा। node2vec में, हम नोड्स के मैपिंग के एगो निम्न-आयामी स्थान के सुविधा के लेल सीखई हई जे नोड्स के नेटवर्क पड़ोस के संरक्षित करे के संभावना के अधिकतम करई हई। हम एगो नोड के नेटवर्क पड़ोस के एगो लचीला धारणा के परिभाषित करई हई अउर एगो पक्षपातपूर्ण यादृच्छिक पैदल प्रक्रिया के डिजाइन करई हई, जे कुशलता से विविध पड़ोस के खोज करई हई। हमार एल्गोरिथ्म पहिले के काम के सामान्यीकृत करई हई जे नेटवर्क पड़ोस के कठोर धारणा पर आधारित हई, अउर हमार तर्क हई कि पड़ोस के खोज करे में जोड़ा गेल लचीलापन समृद्ध प्रतिनिधित्व के सीखना के कुंजी छलई। हम विभिन्न डोमेन से कैगो वास्तविक-विश्व नेटवर्क में बहु-लेबल वर्गीकरण अउर लिंक भविष्यवाणी पर मौजूदा अत्याधुनिक तकनीक पर नोड 2 वीईसी के प्रभावकारिता के प्रदर्शन करई छलई। एक साथ लेले, हमर काम जटिल नेटवर्क में अत्याधुनिक कार्य-स्वतंत्र प्रतिनिधित्व के कुशलता से सीखने के एक नया तरीका के प्रतिनिधित्व करो हय।
de93c4f886bdf55bfc1bcaefad648d5996ed3302	ई अध्याय डेटा माइनिंग के उभरते दृष्टिकोण पर विशेष जोर देवे के जौरे आधुनिक घुसपैठ के पता लगावे के स्थिति के जांच करई हई। चर्चा में घुसपैठ के पता लगावे के दो महत्वपूर्ण पहलु के समानांतर कैल गेलय हय: सामान्य पता लगावे के रणनीति (दुरुपयोग पता लगावे बनाम विसंगति पता लगावे) और डेटा स्रोत (व्यक्तिगत मेजबान बनाम नेटवर्क ट्रैफिक) । दुरुपयोग पता लगाना घुसपैठ के ज्ञात पैटर्न से मेल खाने के प्रयास करो हय , जबकि विसंगति पता लगाना सामान्य व्यवहार से विचलन के खोज करो हय । दुनहु दृष्टिकोण के बीच, केवल विसंगति के पता लगावे में अज्ञात हमला के पता लगावे के क्षमता हय। विसंगति के पता लगावे के लिए एक विशेष रूप से आशाजनक दृष्टिकोण वर्गीकरण जैसे मशीन लर्निंग के अन्य रूप के साथ संघ खनन के जोड़ो हय। एकरा अलावा, घुसपैठ के पता लगावे वाला प्रणाली द्वारा उपयोग कैल जाए वाला डेटा स्रोत हमला के प्रकार के महत्वपूर्ण रूप से प्रभावित करई हई, जेकर ऊ पता लगा सकई हई। उपलब्ध विस्तृत जानकारी के स्तर में एक समझौता हय। बारबरा अउर सहयोगी। (संदर्भ में) ), कंप्यूटर सुरक्षा में डेटा माइनिंग के अनुप्रयोग © क्ल्यूवर एकेडमिक पब्लिशर्स 2002
9e00005045a23f3f6b2c9fca094930f8ce42f9f6
2ec2f8cd6cf1a393acbc7881b8c81a78269cf5f7	हम एगो स्किप-ग्राम भाषाई प्रतिनिधित्व वेक्टर के एगो दृश्य अवधारणा प्रतिनिधित्व वेक्टर के जौरे जोड़के बहु-मोडल अवधारणा प्रतिनिधित्व के निर्माण करई हई, जेकर गणना एगो डीप कन्वॉल्यूशनल न्यूरल नेटवर्क (सीएनएन) के फीचर निष्कर्षण परत के उपयोग करके कैल जाई हई जे एगो बड़का लेबल कैल गेल ऑब्जेक्ट मान्यता डेटासेट पर प्रशिक्षित होई हई। इ स्थानांतरण-शिक्षा दृष्टिकोण पारंपरिक बैग-ऑफ-विजुअल-वर्ड दृष्टिकोण के आधार पर सुविधाओं पर स्पष्ट प्रदर्शन लाभ लावो हय। WordSim353 और MEN सिमेंटिक रिलेटिविटी इवैल्यूएशन टास्क पर प्रयोगात्मक परिणाम के रिपोर्ट कैल गेल हई। हम इमेजनेट या ईएसपी गेम छवियों के उपयोग करके गणना कियल गेल दृश्य विशेषताओं का उपयोग करते हैं।
a65e815895bed510c0549957ce6baa129c909813	हम गैर-संयोजक रूपरेखा के सीखने के लिए एक अनसुर्धारित दृष्टिकोण प्रस्तावित करो हय, जेकरा हम अरबी जड़ों और पैटर्न टेम्पलेट्स के एक शब्दकोश के प्रेरित करे के लिए लागू करो हय। दृष्टिकोण इ विचार पर आधारित हय कि परिकल्पित पैटर्न और जड़ आवृत्ति के आधार पर पारस्परिक रूप से पुनरावर्ती स्कोरिंग के माध्यम से जड़ और पैटर्न के प्रकट कैल जा सको हय। आगे के पुनरावर्ती परिष्करण चरण के बाद, प्रेरित शब्दकोश के साथ रूपात्मक विश्लेषण 94% से अधिक के जड़ पहचान सटीकता प्राप्त करो हय। अरबी रूपक के अनसुर्क्षित शिक्षा पर पहिले के काम से हमर दृष्टिकोण अलग हई काहेकी ई स्वाभाविक रूप से लिखल गेल, बिना स्वर वाला पाठ पर लागू हो सकई हई।
3f4e71d715fce70c89e4503d747aad11fcac8a43	ई मामला के अध्ययन ऑटो इंक के भीतर तीन अलग-अलग डिजिटल नवाचार परियोजना के जांच करो हय - एक बड़ा यूरोपीय ऑटोमेकर। एक सैद्धांतिक लेंस के रूप में प्रतिस्पर्धी मूल्य ढांचे के उपयोग करके हम इ पता लगावई हई कि कैसे एक फर्म में गतिशील क्षमता उत्पन्न होई हई जे डिजिटलीकरण से उत्पन्न होए में अउर नवाचार में बढ़ल मांग के पूरा करे के प्रयास करई हई। ई डिजिटलीकरण प्रक्रिया में, हमार अध्ययन इंगित करई हई कि स्थापित सामाजिक-तकनीकी संगति के चुनौती देल जाई छलई। एकरा अलावा, हम संगठन के डिजिटलीकरण के युग में नया प्रयोगात्मक सीखने के प्रक्रिया के अपनाने के तरीका खोजे के आवश्यकता के रेखांकित करई छलई। जबकि ऐसन परिवर्तन के लेल दीर्घकालिक प्रतिबद्धता अउर दृष्टि के आवश्यकता होई हई, ई अध्ययन ऐसन प्रयोगात्मक प्रक्रिया के लेल तीन अनौपचारिक सक्षमकर्ता प्रस्तुत करई हई - समय, दृढ़ता अउर संपर्क।
c22366074e3b243f2caaeb2f78a2c8d56072905e	एगो कॉम्पैक्ट अनुप्रस्थ आयाम के साथ अनुदैर्ध्य-स्लॉट क्रीम वेवगाइड एंटीना सरणी प्रस्तुत कैल गेल हई। सरणी के बैंडविड्थ के व्यापक करे के लिए, एकरा एगो उपन्यास कॉम्पैक्ट उत्तल वेवगाइड डिवाइडर द्वारा खिलाएल गेल दू उप-सरणियों में विभाजित कैल गेल हई। डिजाइन के वैधता के सत्यापित करे के लिए एक्स-बैंड में 16-एलिमेंट वर्दी रैखिक सरणी के निर्माण और मापा गेलय हल। S11les-15 dB के मापल गेल बैंडविड्थ 14.9% हई अउर मापल गेल क्रॉस- ध्रुवीकरण स्तर पूरे बैंडविड्थ पर -36 dB से कम हई। सिंथेटिक एपर्चर रडार (एसएआर) अनुप्रयोग के लिए एक द्वि-आयामी दोहरी-ध्रुवीकरण एंटीना सरणी के निर्माण के लिए इस सरणी को एज-स्लॉटेड वेवगइड सरणी के साथ जोड़ा जा सकता है
0d57ba12a6d958e178d83be4c84513f7e42b24e5	गहरी सीखना बड़े तंत्रिका नेटवर्क और बड़े डेटासेट के साथ पनपता है। हालांकि, बड़ा नेटवर्क और बड़ा डेटासेट के परिणामस्वरूप लंबे प्रशिक्षण समय होवो हय जे अनुसंधान और विकास प्रगति में बाधा डालो हय। वितरित सिंक्रोनस एसजीडी समानांतर श्रमिक के एक पूल पर एसजीडी मिनीबैच के विभाजित करके इ समस्या के एक संभावित समाधान प्रदान करो हय। फिर भी इ योजना के कुशल बनावे के लिए, प्रति कार्यकर्ता कार्यभार बड़ा होना चाहि, जेकर अर्थ एसजीडी मिनीबैच आकार में महत्वपूर्ण वृद्धि हय। इ पेपर में, हम अनुभवजन्य रूप से देखावो कि इमेजनेट डेटासेट पर बड़े मिनीबैच अनुकूलन कठिनाइयों के कारण होवो हय, लेकिन जब एकरा संबोधित कैल जा हय तओ प्रशिक्षित नेटवर्क अच्छा सामान्यीकरण प्रदर्शित करो हय। विशेष रूप से, हम 8192 छवियों तक के बड़े मिनीबैच आकारों के साथ प्रशिक्षण के दौरान सटीकता में कोई हानि नहीं दिखाते हैं। ई परिणाम प्राप्त करे के लेल, हम मिनीबैच आकार के फलन के रूप में सीखने के दर के समायोजित करे के लेल एगो रैखिक स्केलिंग नियम के अपनाबई हई अउर एगो नया वार्मअप योजना विकसित करई हई जे प्रशिक्षण के शुरुआत में अनुकूलन चुनौती के दूर करई हई। इ सरल तकनीकों के साथ, हमर कैफे 2 आधारित प्रणाली एक घंटे में 256 जीपीयू पर 8192 के एक मिनीबैच आकार के साथ रेज़नेट 50 के प्रशिक्षित करो हय, जबकि छोटे मिनीबैच सटीकता के मिलान करो हय। कमोडिटी हार्डवेयर के उपयोग करके, 8 से 256 जीपीयू में स्थानांतरित करते समय हमारा कार्यान्वयन ∼90% स्केलिंग दक्षता प्राप्त करता है। ई प्रणाली हमरा उच्च दक्षता के साथ इंटरनेट-स्केल डेटा पर दृश्य मान्यता मॉडल के प्रशिक्षित करे में सक्षम बनावो हय।
2bbe9735b81e0978125dad005656503fca567902	कर्नेल रूटकिट कंप्यूटर सिस्टम के लिए बहुत बड़ा खतरा हय। ऊ चुपके से काम कर हई अउर सिस्टम संसाधन तकले असीमित पहुंच हो सकई हई। ई पेपर एगो नया वर्चुअल मशीन (वीएम) मॉनिटर आधारित फ्रेमवर्क, न्यूमचेकर के प्रस्तुत करई हई, जे गेस्ट वीएम में कंट्रोल-फ्लो मॉडिफाइंग कर्नेल रूटकिट के पता लगाबे आउर पहचान करे के लेल हई। NumChecker सिस्टम कॉल के निष्पादन के दौरान होवे वाला कुछ हार्डवेयर घटना के संख्या के माप के द्वारा अतिथि वीएम में सिस्टम कॉल में दुर्भावनापूर्ण संशोधन के पता लगावो हय और ओकर पहचान करो हय। स्वचालित रूप से इ घटना के गिनने के लिए, न्यूमचेकर हार्डवेयर प्रदर्शन काउंटर (एचपीसी) के लाभ उठावो हय, जे आधुनिक प्रोसेसर में मौजूद हय। एचपीसी के उपयोग करके, जांच लागत में काफी कमी आई हई अउर हेरफेर-प्रतिरोध बढ़ जाई छलई। हम कर्नेल-आधारित वीएम के साथ लिनक्स पर न्यूमचेकर के एक प्रोटोटाइप लागू करते हैं। एक एचपीसी-आधारित दो-चरण कर्नेल रूटकिट डिटेक्शन और पहचान तकनीक के कई वास्तविक-विश्व कर्नेल रूटकिट पर प्रस्तुत और मूल्यांकन कियल जा हय। परिणाम एकर व्यावहारिकता और प्रभावशीलता के दर्शाबई हई।
a3d638ab304d3ef3862d37987c3a258a24339e05	CycleGAN [Zhu et al., 2017] दू छवि वितरण के बीच परिवर्तन के सीखने के लिए एक हालिया सफल दृष्टिकोण हय। प्रयोग के एगो श्रृंखला में, हम मॉडल के एगो पेचीदा गुण के प्रदर्शित करई हई: साइकिलगैन एगो स्रोत छवि के बारे में जानकारी के ऊ छवियों में "लुकाए" सीखई हई जे ई एगो लगभग अदृश्य, उच्च आवृत्ति सिग्नल में उत्पन्न करई हई। इ चाल इ सुनिश्चित करो हय कि जनरेटर मूल नमूना के पुनर्प्राप्त कर सको हय और इ प्रकार चक्रीय स्थिरता आवश्यकता के पूरा करो हय, जबकि उत्पन्न छवि यथार्थवादी रहो हय। हम साइकिलगैन के प्रशिक्षण प्रक्रिया के विरोधी उदाहरण के जनरेटर के रूप में देखके विरोधी हमलों के साथ इ घटना के जोड़ई हई अउर ई दर्शाबई हई कि चक्रीय स्थिरता के नुकसान साइकिलगैन के विरोधी हमलों के लेल विशेष रूप से कमजोर बनबई हई।
c171faac12e0cf24e615a902e584a3444fcd8857
5a14949bcc06c0ae9eecd29b381ffce22e1e75b2	डेटाबेस के इ अंक में लेख एंथनी जी द्वारा चुनल गेलय हल। होपवुड, जे लंदन ग्रेजुएट स्कूल ऑफ बिजनेस स्टडीज में लेखा और वित्तीय रिपोर्टिंग के प्रोफेसर हथिन। लेख में महत्वपूर्ण विचार हई, प्रोफेसर हॉपवुड लिखले हई, सूचना प्रणाली में रुचि रखै वाला सभे के लेल महत्व के हई, चाहे ऊ व्यवसायी हो चाहे शिक्षाविद। लेखक, ओई समय अपन पेशेवर संबद्धता के जौरे, क्रिस अर्गिरिस, ग्रेजुएट स्कूल ऑफ एजुकेशन, हार्वर्ड विश्वविद्यालय; बो हेडबर्ग और स्टेन जॉनसन, बिजनेस एडमिनिस्ट्रेशन विभाग, गोथेनबर्ग विश्वविद्यालय; जे। फ़्रिसको डेन हर्टोग, एन। वी. फिलिप्स के ग्लोई लैम्पफैब्रीकेन, नीदरलैंड, और माइकल जे। अर्ल, ऑक्सफोर्ड सेंटर फॉर मैनेजमेंट स्टडीज। ई लेख मूल रूप से एकाउंटिंग, ऑर्गेनाइजेशन एंड सोसाइटी में छपलई, एगो प्रकाशन जेकर प्रोफेसर हॉपवुड संपादक-इन-चीफ हई। एओएस उभरते विकास के निगरानी करे और नया दृष्टिकोण और दृष्टिकोण के सक्रिय रूप से प्रोत्साहित करे के लिए मौजूद हय।
02227c94dd41fe0b439e050d377b0beb5d427cda	प्राकृतिक छवियों से पाठ का पता लगाना और पढ़ना एक कठिन कंप्यूटर विजन कार्य हय जे विभिन्न प्रकार के उभरते अनुप्रयोगों के लिए केंद्रीय हय। दस्तावेज़ वर्ण मान्यता जैसन संबंधित समस्या के कंप्यूटर विजन अउर मशीन लर्निंग शोधकर्ता द्वारा व्यापक रूप से अध्ययन कैल गेल हई अउर हाथ से लिखल अंक के पढ़े जैसन व्यावहारिक अनुप्रयोग के लेल वस्तुतः हल कैल गेल हई। हालांकि, फ़ोटोग्राफ़ जैसे अधिक जटिल दृश्य में पात्र के विश्वसनीय रूप से पहचानना बहुत कठिन हय: समान कार्य पर मानव प्रदर्शन से सबसे अच्छा मौजूदा विधियां बहुत पीछे हय। इ पेपर में हम अनसुनीकृत विशेषता सीखने के तरीकों के उपयोग करके एक वास्तविक अनुप्रयोग में अंकों के पहचानने की समस्या पर हमला करते हैंः सड़क स्तर के तस्वीरों से घर के नंबर पढ़ना। एकरा लेल, हम शोध उपयोग के लेल एगो नया बेंचमार्क डेटासेट पेश करई छी, जोनमे स्ट्रीट व्यू छवियों से 600,000 से अधिक लेबल कैल गेल अंक शामिल छलई। फेर हम इ प्रदर्शित करे के कठिनाई के पहचानई हई कि हाथ से डिज़ाइन कैल गेल विशेषता के जौरे समस्या के कैसे संबोधित कैल जाई हई। अंत में, हम हाल ही में प्रस्तावित दो अनसुप्रबंधित विशेषता सीखने के तरीकों के वेरिएंट के उपयोग करते हैं और पाते हैं कि वे हमारे बेंचमार्क पर आश्वस्त रूप से बेहतर हैं।
081651b38ff7533550a3adfc1c00da333a8fe86c	प्राकृतिक छविय पर प्रशिक्षित कैगो गहरी तंत्रिका नेटवर्क आम में एगो जिज्ञासु घटना प्रदर्शित करई हईः पहिला परत पर ऊ गैबोर फिल्टर अउर रंग के धब्बा के समान सुविधा सीखई हई। ऐसन पहला-स्तर के विशेषता कोनो विशेष डेटासेट चाहे कार्य के लेल विशिष्ट ना होई हई, बल्कि ई ऐसन सामान्य हई कि ई कैगो डेटासेट अउर कार्य पर लागू होई हई। नेटवर्क के अंतिम परत द्वारा विशेषता के अंततः सामान्य से विशिष्ट में संक्रमण होवे के चाहि, लेकिन इ संक्रमण के व्यापक रूप से अध्ययन नए कियल गेलय हा। इ पेपर में हम गहरा संवहन तंत्रिका नेटवर्क के प्रत्येक परत में न्यूरॉन्स के विशिष्टता के खिलाफ सामान्यता के प्रयोगात्मक रूप से मात्रा के वर्णन करो हय और कुछ आश्चर्यजनक परिणाम के रिपोर्ट करो हय। हस्तांतरणीयता दो अलग-अलग मुद्दों से नकारात्मक रूप से प्रभावित होवो हय: (1) लक्ष्य कार्य पर प्रदर्शन के कीमत पर अपन मूल कार्य के लिए उच्च परत न्यूरॉन्स के विशेषज्ञता, जे अपेक्षित हलय, और (2) सह-अनुकूलित न्यूरॉन्स के बीच नेटवर्क के विभाजित करे से संबंधित अनुकूलन कठिनाइ, जे अपेक्षित नए हलय। ImageNet पर प्रशिक्षित एगो उदाहरण नेटवर्क में, हम प्रदर्शित करई हई कि ई दुन्नो मुद्दा में से कोनो एक हावी हो सकई हई, येई बात पर निर्भर करई हई कि नेटवर्क के नीचे, मध्य चाहे ऊपर से सुविधा के स्थानांतरित कैल जाई हई। हम ई भी दस्तावेजीकरण करई हई कि आधार कार्य अउर लक्ष्य कार्य के बीच के दूरी के जौरे सुविधा के स्थानांतरण कम हो जाई हई, लेकिन दूर के कार्य से भी सुविधा के स्थानांतरित करनाई यादृच्छिक सुविधा के उपयोग करे से बेहतर हो सकई हई। एगो अंतिम आश्चर्यजनक परिणाम ई हई कि लगभग कोनो संख्या में परत से स्थानांतरित सुविधा के जौरे एगो नेटवर्क के आरंभ करे से सामान्यीकरण के लेल एगो बढ़ावा मिल सकई हई जे लक्ष्य डेटासेट के लेल ठीक-ठीक करे के बाद भी टिके रह सकई हई।
6c8d5d5eee5967958a2e03a84bcc00f1f81f4d9e	उच्च-थ्रूपुट अनुक्रमण ने सैद्धांतिक रूप से उच्च गुणवत्ता वाला डी नोवो असेंबल जीनोम अनुक्रम प्राप्त करनाई संभव बना देलकई लेकिन व्यवहार में डीएनए अर्क अक्सर अन्य जीव से अनुक्रम के जौरे दूषित हो जाई छलई। वर्तमान में, यूकेरियोटिक असेंबली के कठोर रूप से शुद्ध करे के लिए कुछ मौजूदा विधि हय। जे मौजूद हय ऊ प्रदूषक के न्यूक्लियोटाइड समानता के आधार पर अनुक्रम के फ़िल्टर करो हय और लक्षित जीव से अनुक्रम के समाप्त करे के जोखिम उठावो हय। हम एगो स्थापित मशीन लर्निंग पद्धति के एगो उपन्यास अनुप्रयोग प्रस्तुत करई हई, एगो निर्णय पेड़, जे अनुक्रम के कठोरता से वर्गीकृत कर सकई हई। निर्णय वृक्ष के मुख्य ताकत ई हई कि ई इनपुट के रूप में कोनो मापा गेल विशेषता ले सकई हई अउर महत्वपूर्ण वर्णकों के पूर्व पहचान के आवश्यकता ना होई हई। हम निर्णय वृक्ष के उपयोग नव-संयोजित अनुक्रम के वर्गीकृत करे के लेल करई हई अउर प्रकाशित प्रोटोकॉल के लेल विधि के तुलना करई छियई। यूकेरियोटिक डी नोवो असेंबली में अनुक्रम के वर्गीकृत करे पर एक निर्णय पेड़ मौजूदा तरीकों से बेहतर प्रदर्शन करो हय। ई कुशल हई, आसानी से लागू कैल जा सकई हई, अउर सटीक रूप से लक्ष्य अउर दूषित अनुक्रम के पहचान करई हई। महत्वपूर्ण रूप से, एक निर्णय पेड़ के उपयोग मापा गेल वर्णकों के अनुसार अनुक्रम के वर्गीकृत करे के लिए कियल जा सको हय और जैविक डेटासेट के आसवन में संभावित रूप से कई उपयोग हय।
26433d86b9c215b5a6871c70197ff4081d63054a	बायोमेट्रिक मान्यता प्रणाली में अपन उच्च प्रदर्शन के लेल बहुआयामी बायोमेट्रिक्स हाल ही में पर्याप्त रुचि आकर्षित कैले हई। इ पत्र में हम विशेषता स्तर पर संलयन तकनीक के उपयोग करके चेहरा और हथेली के निशान के छवियों के लिए बहुआयामी बायोमेट्रिक्स पेश करो हय। गेबोर आधारित छवि प्रसंस्करण के उपयोग भेदभावपूर्ण विशेषता के निकाले के लेल कैल जाई हई, जबकि प्रत्येक मोडल के आयाम के कम करे के लेल मुख्य घटक विश्लेषण (पीसीए) अउर रैखिक भेदभावपूर्ण विश्लेषण (एलडीए) के उपयोग कैल जाई छलई। एलडीए के आउटपुट विशेषता के क्रमबद्ध रूप से जोड़ल जाई हई अउर यूक्लिडियन दूरी वर्गीकरणकर्ता द्वारा वर्गीकृत कैल जाई छलई। ओआरएल चेहरा अउर पॉली-यू पामप्रिंट डेटाबेस पर आधारित प्रयोगात्मक परिणाम से साबित होलय कि इ संलयन तकनीक एकल मोडल बायोमेट्रिक्स द्वारा उत्पादित के तुलना में बायोमेट्रिक मान्यता दर के बढ़ावे में सक्षम हय।
1c01e44df70d6fde616de1ef90e485b23a3ea549	हम मार्कोव यादृच्छिक क्षेत्र (एमआरएफ) के लॉग विभाजन फ़ंक्शन पर ऊपरी सीमाओं के एक नए वर्ग को पेश करते हैं। ई मात्रा विभिन्न संदर्भों में एक महत्वपूर्ण भूमिका निभावो हय, जेकरा मे सीमांत वितरण, पैरामीटर अनुमान, संयोजक गणना, सांख्यिकीय निर्णय सिद्धांत और बड़े विचलन सीमा शामिल हय। हमार व्युत्पत्ति उत्तल द्वैत्य और सूचना ज्यामिति के अवधारणा पर आधारित हई: विशेष रूप से, ई घातीय डोमेन में वितरण के मिश्रण के शोषण करई हई, अउर घातीय अउर माध्य मापदंड के बीच लेजेंड्रे मैपिंग करई हई। पेड़-संरचित वितरण के उत्तल संयोजनों के विशेष मामले में, हम भिन्नता समस्या के एक परिवार प्राप्त करते हैं, जो बेथ भिन्नता समस्या के समान है, लेकिन निम्नलिखित वांछनीय गुणों द्वारा प्रतिष्ठित हैः i) वे उत्तल हैं, और एक अद्वितीय वैश्विक इष्टतम है; और ii) इष्टतम लॉग विभाजन फ़ंक्शन पर एक ऊपरी सीमा देता है। ई इष्टतम के स्थिर स्थितिय द्वारा परिभाषित करल जा हई जे राशि-उत्पाद एल्गोरिथ्म के निश्चित बिंदु के परिभाषित करे वाला के समान हई, चाहे अधिक सामान्य रूप से, बेथ भिन्नता समस्या के कोनो स्थानीय इष्टतम। योग-उत्पाद निश्चित बिंदुओं के साथ, अनुकूलन तर्क के तत्वों के मूल मॉडल के सीमांत के अनुमान के रूप में उपयोग कियल जा सको हय। विश्लेषण स्वाभाविक रूप से हाइपरट्री-संरचित वितरण के उत्तल संयोजन तक फैल जा हय, जेकरा से किकुची अनुमान और वेरिएंट से लिंक स्थापित होवो हय।
39a6cc80b1590bcb2927a9d4c6c8f22d7480fbdd	इ पेपर में हम वीडियो या 3 डी इमेजरी जैसे एमआरआई डेटा के लिए एक 3-आयामी (3 डी) एसआईएफटी डिस्क्रिप्टर पेश करो हय। हम इ भी दिखावो हय कि कैसे इ नया वर्णक कार्रवाई मान्यता के अनुप्रयोग में वीडियो डेटा के 3 डी प्रकृति के बेहतर ढंग से प्रदर्शित करे में सक्षम हय। इ पेपर इ दिखाओ हय कि कैसे 3 डी एसआईएफटी एक सुरुचिपूर्ण और कुशल तरीके से पहले से उपयोग कियल जाए वाला विवरण विधियों के बेहतर बनाने में सक्षम हय। हम वीडियो के प्रतिनिधित्व करे के लेल शब्द के बैग दृष्टिकोण के उपयोग करई हई, अउर वीडियो डेटा के बेहतर वर्णन करे के लेल स्थान-समय शब्द के बीच संबंध के खोज करे के लेल एगो विधि प्रस्तुत करई छियई।
0a10d64beb0931efdc24a28edaa91d539194b2e2	हम बहुत बड़ डेटा सेट से शब्द के निरंतर वेक्टर प्रतिनिधित्व के गणना के लेल दू उपन्यास मॉडल आर्किटेक्चर के प्रस्ताव रखई हई। इ प्रतिनिधित्व के गुणवत्ता के शब्द समानता कार्य में मापल जा हय, और परिणाम के तुलना विभिन्न प्रकार के तंत्रिका नेटवर्क के आधार पर पहिले से सबसे अच्छा प्रदर्शन करे वाला तकनीकों से कियल जा हय। हम बहुत कम गणना लागत पर सटीकता में बड़े सुधारों के अवलोकन करते हैं, अर्थात 1.6 बिलियन शब्द डेटा सेट से उच्च गुणवत्ता वाला शब्द वेक्टर सीखना एक दिन से भी कम समय लेता है। एकरा अलावा, हम देखई छियई कि ई वेक्टर वाक्यविन्यास अउर शब्दार्थिक शब्द समानता के मापे के लेल हमर परीक्षण सेट पर अत्याधुनिक प्रदर्शन प्रदान करई छलो।
b07bfdebdf11b7ab3ea3d5f0087891c464c5e34d	5 जी मिलीमीटर तरंग अनुप्रयोगों के लिए 64-घटक 29-30GHz सक्रिय चरणबद्ध सरणी के इस पेपर में प्रस्तुत कैल गेलय हय। प्रस्तावित चरणबद्ध सरणी 64-तत्व एंटीना, 64-चैनल टी / आर मॉड्यूल, 4 आवृत्ति रूपांतरण लिंक, बीम नियंत्रण सर्किट, पावर प्रबंधन सर्किट और शीतलन प्रशंसक के कंपोजिट हय, और बहुत कॉम्पैक्ट आकार में एकीकृत हय ((135 मिमी X 77 मिमी X 56 मिमी) । बेहतर आरएफ प्रदर्शन प्राप्त करे के लिए जीएएस और सीआई सर्किट के हाइब्रिड एकीकरण के उपयोग कैल जा हय। प्रस्तावित चरणबद्ध सरणी के वास्तुकला और टी / आर मॉड्यूल और एंटीना के विस्तार डिजाइन के विश्लेषण कियल गलय हा। ओटीए (ओवर द एयर) माप द्वारा, प्रस्तावित चरणबद्ध सरणी 29.5GHz के केंद्र आवृत्ति पर 1 GHz के बैंडविड्थ प्राप्त करो हय, और अज़ीमुथ बीम-चौड़ाई ± 45 डिग्री के स्कैनिंग रेंज के साथे 12 डिग्री हय। 800MHz 64QAM सिग्नल के उत्तेजना के साथ, ट्रांसमीटर बीम -5.5% के EVM, -30.5dBc के ACLR प्राप्त करो हय, PA -10dB बैक ऑफ पर काम करो हय, और मापा गेल संतृप्त EIRP 63 dBm हय।
5f507abd8d07d3bee56820fd3a5dc2234d1c38ee

End of preview. Expand in Dataset Viewer.

Bharat-NanoBEIR: Indian Language Information Retrieval Dataset

Overview

This dataset is part of the Bharat-NanoBEIR collection, which provides information retrieval datasets for Indian languages. It is derived from the NanoBEIR project, which offers smaller versions of BEIR datasets containing 50 queries and up to 10K documents each.

Dataset Description

This particular dataset is the Magahi version of the NanoSCIDOCS dataset, specifically adapted for information retrieval tasks. The translation and adaptation maintain the core structure of the original NanoBEIR while making it accessible for Magahi language processing.

Usage

This dataset is designed for:

Information Retrieval (IR) system development in Magahi
Evaluation of multilingual search capabilities
Cross-lingual information retrieval research
Benchmarking Magahi language models for search tasks

Dataset Structure

The dataset consists of three main components:

Corpus: Collection of documents in Magahi
Queries: Search queries in Magahi
QRels: Relevance judgments connecting queries to relevant documents

Citation

If you use this dataset, please cite:

@misc{bharat-nanobeir,
  title={Bharat-NanoBEIR: Indian Language Information Retrieval Datasets},
  year={2024},
  url={https://huggingface.co./datasets/carlfeynman/Bharat_NanoSCIDOCS_mag}
}