Datasets:

carlfeynman
/

Bharat_NanoSCIDOCS_ta

_id stringlengths 40 40	text stringlengths 0 10.7k
1b2a0e8af5c1f18e47e71244973ce4ace4ac6034	வரிசைப்படுத்தப்பட்ட பிட்மேன்-யோர் செயல்முறை முன்னுரிமைகள் மொழி மாதிரிகளை கற்றலுக்கான கட்டாய முறைகள் ஆகும், இது புள்ளி-மதிப்பீட்டு அடிப்படையிலான முறைகளை விட சிறந்தது. இருப்பினும், இந்த மாதிரிகள் கணக்கீட்டு மற்றும் புள்ளிவிவர ஊக சிக்கல்கள், நினைவகம் மற்றும் நேர பயன்பாடு போன்றவை, அதே போல் மாதிரி கலவையின் மோசமான கலவை ஆகியவற்றால் பிரபலமற்றதாகவே இருக்கின்றன. இந்த பணியில், சுருக்கப்பட்ட பின்னொட்டு மரங்களைப் பயன்படுத்தி HPYP மாதிரியை சுருக்கமாகக் குறிக்கும் ஒரு புதிய கட்டமைப்பை நாங்கள் முன்மொழிகிறோம். பின்னர், இந்த கட்டமைப்பில் ஒரு திறமையான தோராயமான ஊக திட்டத்தை உருவாக்குகிறோம், இது முழு HPYP உடன் ஒப்பிடும்போது மிகக் குறைந்த நினைவக தடம் மற்றும் ஊக நேரத்தில் வேகமாக உள்ளது. முந்தைய HPYP மாதிரிகளுடன் ஒப்பிடும்போது, நமது மாதிரியை கணிசமாக பெரிய தரவுத் தொகுப்புகளில் உருவாக்க முடியும் என்பதை பரிசோதனை முடிவுகள் விளக்குகின்றன, அதே நேரத்தில் பல அளவுகள் சிறியதாகவும், பயிற்சி மற்றும் ஊகத்திற்கான வேகமானதாகவும், அதிநவீன மாற்றியமைக்கப்பட்ட க்னெசர்-நேயின் எண்ணிக்கை அடிப்படையிலான எல்எம் மெருகூட்டலின் குழப்பத்தை 15% வரை சிறப்பாகவும் இருக்கும்.
6c9bd4bd7e30470e069f8600dadb4fd6d2de6bc1	இந்த ஆவணம் நிகழ்வுகள் மற்றும் உண்மையான உலக நிலைமைகளை வகைப்படுத்தும் சொற்பொருள் பாத்திரங்களின் ஒரு புதிய மொழி வளத்தை விவரிக்கிறது. கதைத் திட்டங்களில் தொடர்புடைய நிகழ்வுகளின் தொகுப்புகள் (திருத்துதல் மற்றும் வெளியீடு), நிகழ்வுகளின் கால வரிசை (வெளியிடுவதற்கு முன் திருத்துதல்), மற்றும் பங்கேற்பாளர்களின் சொற்பொருள் பாத்திரங்கள் (ஆசிரியர்கள் புத்தகங்களை வெளியிடுகிறார்கள்) ஆகியவை அடங்கும். இந்த வகை உலக அறிவு இயற்கை மொழி புரிதலில் ஆரம்ப ஆராய்ச்சிக்கு மையமாக இருந்தது. உலகில் நடக்கும் பொதுவான நிகழ்வுகளின் வரிசைகளை பிரதிநிதித்துவப்படுத்தும் முக்கிய முறைகளில் ஒன்று ஸ்கிரிப்டுகள் ஆகும். துரதிருஷ்டவசமாக, இந்த அறிவின் பெரும்பகுதி கையால் குறியிடப்பட்டு, உருவாக்க நேரம் எடுத்துக்கொண்டது. தற்போதைய இயந்திர கற்றல் நுட்பங்கள், அதே போல் ஒரு புதிய அணுகுமுறை மூலம் கற்றல் coreference சங்கிலிகள், எங்களுக்கு அனுமதித்துள்ளது தானாக பிரித்தெடுக்க பணக்கார நிகழ்வு அமைப்பு இருந்து திறந்த கள உரை வடிவில் கதை திட்டங்கள். இந்த ஆவணத்தில் விவரிக்கப்பட்டுள்ள கதைத் திட்ட வளத்தில் சுமார் 5000 தனித்துவமான நிகழ்வுகள் உள்ளன, அவை மாறுபட்ட அளவுகளின் திட்டங்களில் இணைக்கப்பட்டுள்ளன. நாம் வளத்தை விவரிக்கிறோம், அது எவ்வாறு கற்றுக்கொள்ளப்படுகிறது, மற்றும் காணப்படாத ஆவணங்கள் மீது இந்த திட்டங்களின் கவரேஜின் புதிய மதிப்பீடு.
8e508720cdb495b7821bf6e43c740eeb5f3a444a	பேச்சு, ரோபாட்டிக்ஸ், நிதி, மற்றும் உயிரியல் ஆகியவற்றில் பல பயன்பாடுகள் தொடர்ச்சியான தரவுகளைக் கையாளுகின்றன, அங்கு ஒழுங்குபடுத்தும் விஷயங்கள் மற்றும் தொடர்ச்சியான கட்டமைப்புகள் பொதுவானவை. இருப்பினும், இந்த கட்டமைப்பை நிலையான கருவி செயல்பாடுகளால் எளிதாகப் பிடிக்க முடியாது. இத்தகைய கட்டமைப்பை மாதிரியாகக் கொண்டு, காஸ்ஸியன் செயல்முறைகளுக்கான வெளிப்பாட்டு மூடிய வடிவ மைய செயல்பாடுகளை நாங்கள் முன்மொழிகிறோம். இதன் விளைவாக உருவாக்கப்பட்ட GP-LSTM மாதிரி, நீண்ட குறுகிய கால நினைவகத்தின் (LSTM) தொடர்ச்சியான நெட்வொர்க்குகளின் தூண்டல் சார்புகளை முழுமையாக உள்ளடக்கியது, அதே நேரத்தில் காஸ்ஸியன் செயல்முறைகளின் அளவுரு அல்லாத நிகழ்தகவு நன்மைகளைத் தக்க வைத்துக் கொள்கிறது. புதிய நிரூபிக்கக்கூடிய ஒத்திசைவு அரை-ஸ்டோகாஸ்டிக் சாய்வு முறையைப் பயன்படுத்தி கௌசியன் செயல்முறை விளிம்பு நிகழ்தகவை மேம்படுத்துவதன் மூலம் முன்மொழியப்பட்ட கருக்களின் பண்புகளை நாங்கள் கற்றுக்கொள்கிறோம், மேலும் அளவிடக்கூடிய பயிற்சி மற்றும் கணிப்பிற்காக இந்த கருக்களின் கட்டமைப்பைப் பயன்படுத்துகிறோம். இந்த அணுகுமுறை பேயஸியன் எல்எஸ்டிஎம்ஸிற்கான நடைமுறை பிரதிநிதித்துவத்தை வழங்குகிறது. நாங்கள் பல தரநிலைகளில் அதிநவீன செயல்திறனை நிரூபிக்கிறோம், மேலும் GP-LSTM வழங்கும் முன்கணிப்பு நிச்சயமற்ற தன்மைகள் தனித்துவமாக மதிப்புமிக்கதாக இருக்கும் ஒரு தொடர்ச்சியான தன்னாட்சி ஓட்டுநர் பயன்பாட்டை முழுமையாக ஆராய்வோம்.
033b62167e7358c429738092109311af696e9137	பரிந்துரைக்கப்பட்ட (தும்பை) அல்லது பரிந்துரைக்கப்படாத (தும்பை) மதிப்புரைகளை வகைப்படுத்த இந்த காகிதம் ஒரு எளிய மேற்பார்வை செய்யப்படாத கற்றல் வழிமுறையை முன்வைக்கிறது. ஒரு மதிப்பாய்வின் வகைப்பாடு, அந்த மதிப்பாய்வில் உள்ள சொற்றொடர்களின் சராசரி சொற்பொருள் நோக்குநிலை மூலம் கணித்துள்ளது. ஒரு சொற்றொடர் நல்ல சங்கங்களைக் கொண்டிருக்கும்போது (எ. கா. , நுட்பமான நுணுக்கங்கள்) மற்றும் எதிர்மறையான சொற்றொடர் நோக்குநிலைகள் (எ. கா. , மிகவும் கவர்ச்சியான) போது ஒரு நேர்மறையான சொற்பொருள் நோக்குநிலை உள்ளது. இந்த ஆய்வில், ஒரு சொற்றொடரின் சொற்பொருள் நோக்குநிலை கொடுக்கப்பட்ட சொற்றொடருக்கும் சிறந்த என்ற வார்த்தையுக்கும் இடையிலான பரஸ்பர தகவல்களாகக் கணக்கிடப்படுகிறது. கொடுக்கப்பட்ட சொற்றொடருக்கும் ஏழை என்ற வார்த்தையுக்கும் இடையிலான பரஸ்பர தகவல்களைக் கழித்து. ஒரு மறுஆய்வு அதன் சொற்றொடர்களின் சராசரி சொற்பொருள் நோக்குநிலை நேர்மறையானதாக இருந்தால் பரிந்துரைக்கப்படுகிறது. நான்கு வெவ்வேறு களங்களில் இருந்து (ஆட்டோமொபைல், வங்கிகள், திரைப்படங்கள் மற்றும் பயண இடங்கள் பற்றிய மதிப்புரைகள்) மாதிரிகள் எடுக்கப்பட்ட எபினியன்ஸிலிருந்து 410 மதிப்புரைகளை மதிப்பீடு செய்யும் போது, வழிமுறை 74% சராசரி துல்லியத்தை அடைகிறது. இந்த துல்லியம் 84% ஆட்டோமொபைல் விமர்சனங்களிலிருந்து 66% திரைப்பட விமர்சனங்களாக மாறுபடுகிறது.
0eaa75861d9e17f2c95bd3f80f48db95bf68a50c	ஒருங்கிணைந்த சுற்று (IC) வடிவமைப்பில் இணைப்பு நம்பகத்தன்மைக்கு முன்னோக்கி செல்லும் முக்கிய கவலைகளில் ஒன்று எலக்ட்ரோமிக்ரேஷன் (EM). அனலாக் வடிவமைப்பாளர்கள் சில காலமாக EM பிரச்சினையை அறிந்திருந்தாலும், டிஜிட்டல் சுற்றுகளும் இப்போது பாதிக்கப்படுகின்றன. இந்த உரையில் அடிப்படை வடிவமைப்பு பிரச்சினைகள் மற்றும் ஒருவருக்கொருவர் இணைப்பு இயற்பியல் வடிவமைப்பின் போது மின்மயமாக்கல் மீதான அவற்றின் விளைவுகள் குறித்து பேசப்படுகிறது. மின்சாரப் பரவலைத் தடுக்கும் நடவடிக்கைகளை ஏற்றுக்கொள்வதன் மூலம், குறுகிய நீளம் மற்றும் இருப்பு விளைவுகள் போன்றவற்றின் மூலம், இணைப்பில் தற்போதைய அடர்த்தி வரம்புகளை அதிகரிப்பதே நோக்கம். வடிவமைப்பு கட்டத்தில் இந்த விளைவுகளை பயன்படுத்தி எதிர்காலத்தில் IC வடிவமைப்பு ஓட்டங்களில் EM கவலைகளை ஓரளவு நிவாரணம் வழங்க முடியும்.
45e2e2a327ea696411b212492b053fd328963cc3	பின்னணி உடல்நலத்தை மேம்படுத்துவதற்கும் நாள்பட்ட நோய்களைக் குறைப்பதற்கும் பொது சுகாதாரத்தில் வாழ்க்கை முறை தலையீடாக மொபைல் பயன்பாடுகள் செயல்படுவதாக உறுதியளிக்கிறது, ஆனால் நாள்பட்ட நோய்களால் பாதிக்கப்பட்டவர்கள் மொபைல் பயன்பாடுகளை எவ்வாறு பயன்படுத்துகிறார்கள் அல்லது உணர்கிறார்கள் என்பது பற்றி அதிகம் அறியப்படவில்லை. நோக்கம் இந்த ஆய்வின் நோக்கம், நாள்பட்ட நோய்களால் பாதிக்கப்பட்டவர்களிடையே, உடல்நலத்திற்கான மொபைல் போன் அடிப்படையிலான செயலிகள் குறித்த நடத்தைகள் மற்றும் கருத்துக்களை ஆராயும் நோக்கம் கொண்டது. முறைகள் அமெரிக்காவில் 1604 மொபைல் போன் பயனர்களிடையே மேற்கொள்ளப்பட்ட தேசிய குறுக்குவெட்டு ஆய்வு ஒன்றிலிருந்து தரவு சேகரிக்கப்பட்டது. இந்த ஆய்வு, உடல்நல பயன்பாட்டு பயன்பாடு, பதிவிறக்கத்திற்கான காரணம் மற்றும் நாள்பட்ட நிலை மூலம் உணரப்பட்ட செயல்திறன் ஆகியவற்றை ஆய்வு செய்தது. முடிவுகள் பங்கேற்பாளர்களில், 1 முதல் 5 பயன்பாடுகள் வரை இருப்பதாக 38.9% (314/807) நோய் இல்லாத பதிலளித்தவர்கள் மற்றும் 6.6% (24/364) உயர் இரத்த அழுத்தம் உள்ள பதிலளித்தவர்கள் தெரிவித்தனர். ஒரு நாள் ஒன்றுக்கு 2 அல்லது அதற்கு மேற்பட்ட முறை சுகாதார பயன்பாடுகளைப் பயன்படுத்துவது 21.3% (172/807) ஒரு நிலை இல்லாமல் பதிலளித்தவர்களால், 2.7% (10/364) உயர் இரத்த அழுத்தம், 13.1% (26/198) உடல் பருமன், 12.3% (20/163) நீரிழிவு, 12.0% (32/267) மனச்சோர்வு மற்றும் 16.6% (53/319) உயர் கொழுப்பு. நீண்டகால நோய்கள் உள்ளவர்களுக்கும் இல்லாதவர்களுக்கும் இடையில் சுகாதார பயன்பாட்டு பதிவிறக்கத்தில் குறிப்பிடத்தக்க வேறுபாடு இருப்பதை லாஜிஸ்டிக் பின்னடைவு முடிவுகள் குறிக்கவில்லை (P>.05). உடல்நலம் குறைவாக உள்ளவர்களுடன் ஒப்பிடும்போது, சுய அறிக்கையிடப்பட்ட மிக நல்ல ஆரோக்கியம் (சந்தேக விகிதம் [OR] 3.80, 95% CI 2.38-6.09, P <.001) மற்றும் சிறந்த ஆரோக்கியம் (OR 4.77, 95% CI 2.70-8.42, P <.001) உள்ளவர்களிடையே சுகாதார பயன்பாட்டு பதிவிறக்கம் அதிகமாக இருந்தது. இதேபோல், உடற்பயிற்சியில் ஒருபோதும் அல்லது அரிதாக ஈடுபடுவதாகக் கூறும் நபர்களுடன் ஒப்பிடும்போது, வாரத்திற்கு 1 நாள் உடற்பயிற்சி (OR 2. 47, 95% CI 1. 6- 3. 83, P<. 001), வாரத்திற்கு 2 நாட்கள் (OR 4. 77, 95% CI 3. 27- 6. 94, P<. 001), வாரத்திற்கு 3 முதல் 4 நாட்கள் (OR 5. 00, 95% CI 3. 52- 7. 10, P<. 001), மற்றும் வாரத்திற்கு 5 முதல் 7 நாட்கள் (OR 4. 64, 95% CI 3. 11- 6. 92, P<. 001) உடற்பயிற்சி செய்த நபர்களிடையே சுகாதார பயன்பாட்டு பதிவிறக்கம் அதிகமாக இருந்தது. வயது, பாலினம், மற்றும் இனம் அல்லது இனத்தை பொறுத்து கட்டுப்படுத்தப்படும் அனைத்து தளவாட பின்னடைவு முடிவுகளும். இந்த ஆய்வின் முடிவுகள், உடல்நலம் குறைவாக இருப்பதாகவும், உடல் செயல்பாடு குறைவாக இருப்பதாகவும் கூறும் நபர்கள், சுகாதார பயன்பாடுகளிலிருந்து அதிகம் பயனடையக்கூடியவர்கள், இந்த சுகாதார கருவிகளை பதிவிறக்கம் செய்து பயன்படுத்துவதாகக் குறைவாக தெரிவிப்பதாகக் கூறுகின்றன.
1935e0986939ea6ef2afa01eeef94dbfea6fb6da	சராசரி-விலகல் போர்ட்ஃபோலியோ பகுப்பாய்வு, லாபத்திற்கும் ஆபத்துக்கும் இடையிலான சமரசத்தின் முதல் அளவு சிகிச்சையை வழங்கியது. அரை மாறுபாடு மாதிரிகள் உட்பட பல ஒற்றை கால வகைகளில் நோக்கம் மற்றும் கட்டுப்பாடுகளுக்கு இடையிலான தொடர்புகளை விரிவாக விவரிக்கிறோம். அதிக செயல்திறன் கொண்டவர்களுக்கு தண்டனை வழங்குவதை தவிர்ப்பதற்கு முக்கியத்துவம் கொடுக்கப்பட்டுள்ளது. பின்பு, இந்த முடிவுகள், காட்சி மரங்களின் அடிப்படையில் பல கால மாதிரிகளை உருவாக்குவதிலும், தத்துவார்த்த பகுப்பாய்விலும் கட்டமைப்பாக பயன்படுத்தப்படுகின்றன. ஒரு முக்கிய சொத்து எதிர்கால முடிவுகளில் உபரி பணத்தை அகற்றுவதற்கான சாத்தியம் ஆகும், இது தோராயமாக கீழ்நோக்கி ஆபத்தை குறைக்கிறது.
0e1431fa42d76c44911b07078610d4b9254bd4ce	முக்கிய கூறு பகுப்பாய்வின் நேரியல் அல்லாத வடிவத்தை மேற்கொள்ள ஒரு புதிய முறை முன்மொழியப்பட்டுள்ளது. ஒருங்கிணைந்த ஆபரேட்டர் கருவி செயல்பாடுகளைப் பயன்படுத்தி, உயர் பரிமாண அம்ச இடைவெளிகளில் உள்ள முக்கிய கூறுகளை திறம்பட கணக்கிட முடியும், இது சில நேரியல் அல்லாத வரைபடத்தால் உள்ளீட்டு இடத்துடன் தொடர்புடையது, எடுத்துக்காட்டாக, 16 16 படங்களில் சாத்தியமான அனைத்து ஐந்து பிக்சல் தயாரிப்புகளின் இடமும். முறைமைக்கான வழிவகைகளை நாம் தருகிறோம் மற்றும் வடிவமைப்பை அடையாளம் காணும் பலபட்ச குணங்கள் பிரித்தெடுப்பதற்கான பரிசோதனை முடிவுகளை முன்வைக்கிறோம்.
292eee24017356768f1f50b72701ea636dba7982	வெளிப்புற நகர்ப்புற காட்சிகளை பிரதிநிதித்துவப்படுத்தும் 3D புள்ளி மேகங்களில் தானியங்கி பொருள் இருப்பிடப்படுத்தல் மற்றும் அங்கீகரிப்புக்கான ஒரு முறையை நாங்கள் முன்வைக்கிறோம். இந்த முறை மறைமுக வடிவ மாதிரிகள் (ஐஎஸ்எம்) கட்டமைப்பை அடிப்படையாகக் கொண்டது, இது மைய இடங்களுக்கு வாக்களிப்பதன் மூலம் பொருட்களை அங்கீகரிக்கிறது. ஒரு வகுப்பிற்கு ஒரு சில பயிற்சி எடுத்துக்காட்டுகள் மட்டுமே தேவைப்படுகின்றன, இது நடைமுறை பயன்பாட்டிற்கான ஒரு முக்கியமான சொத்து. சுழற்சி பட விவரிப்பாளரின் மேம்படுத்தப்பட்ட பதிப்பையும் அறிமுகப்படுத்தி மதிப்பீடு செய்கிறோம், இது சாதாரண திசை மதிப்பீட்டில் புள்ளி அடர்த்தி மாறுபாடு மற்றும் நிச்சயமற்ற தன்மைக்கு மிகவும் வலுவானது. இந்த மாற்றங்கள் அங்கீகார செயல்திறனில் குறிப்பிடத்தக்க தாக்கத்தை ஏற்படுத்தியுள்ளன என்பதை எங்கள் பரிசோதனைகள் வெளிப்படுத்துகின்றன. ஓஹியோ தரவுத்தொகுப்பில் துல்லியத்திலும் நினைவு கூர்விலும் கணிசமான முன்னேற்றத்தை அடைகிறோம், இதில் மொத்தம் 150,000 மீட்டர் நகர்ப்புற பகுதியின் ஒருங்கிணைந்த வான்வழி மற்றும் நிலப்பரப்பு லிடார் ஸ்கேன் அடங்கும்.
922b5eaa5ca03b12d9842b7b84e0e420ccd2feee	தகவல் தொடர்பு மற்றும் கட்டுப்பாட்டுத் துறையில் உள்ள கோட்பாட்டு மற்றும் நடைமுறைப் பிரச்சினைகளின் முக்கியமான வகை புள்ளியியல் தன்மையுடையது. இத்தகைய சிக்கல்கள்ஃ (i) சீரற்ற சமிக்ஞைகளை முன்னறிவித்தல்; (ii) சீரற்ற சமிக்ஞைகளை சீரற்ற சத்தத்திலிருந்து பிரித்தல்; (iii) சீரற்ற சத்தம் இருக்கும்போது அறியப்பட்ட வடிவத்தின் (உந்துதல்கள், சைனோசைடுகள்) சமிக்ஞைகளை கண்டறிதல். (i) மற்றும் (ii) பிரச்சினைகள் Wiener-Hopf முழுமையான சமன்பாடு என்று அழைக்கப்படுவதற்கு வழிவகுக்கின்றன என்பதை Wiener [1] தனது முன்னோடி பணியில் காட்டினார்; நிலையான புள்ளிவிவரங்கள் மற்றும் பகுத்தறிவு ஸ்பெக்ட்ரம்களின் நடைமுறையில் முக்கியமான சிறப்பு வழக்கில் இந்த முழுமையான சமன்பாட்டின் தீர்வுக்கான ஒரு முறையையும் (ஸ்பெக்ட்ரல் காரணி) அவர் வழங்கினார். பல விரிவாக்கங்களும் பொதுமயமாக்கல்களும் வியனரின் அடிப்படைப் பணியைப் பின்பற்றின. Zadeh மற்றும் Ragazzini ஆகியோர் முடிவான-நினைவக வழக்கைத் தீர்த்தனர் [2]. அதே நேரத்தில் மற்றும் Bode மற்றும் Shannon [3] இலிருந்து சுயாதீனமாக, அவர்கள் ஒரு எளிமைப்படுத்தப்பட்ட முறையை [2] தீர்வு வழங்கினர். பூடன் நிலையற்ற வியனெர்-ஹோப் சமன்பாடு பற்றி விவாதித்தார் [4]. இந்த முடிவுகள் இப்போது தரமான நூல்களில் உள்ளன [5-6]. இந்த முக்கிய கோடுகள் வழியாக சற்று வித்தியாசமான அணுகுமுறை சமீபத்தில் டார்லிங்டன் [7] மூலம் வழங்கப்பட்டுள்ளது. மாதிரி சமிக்ஞைகளுக்கு விரிவாக்கங்கள், எ. கா. , பிராங்க்ளின் [8], லீஸ் [9]. WienerHopf சமன்பாட்டின் சொந்த செயல்பாடுகளை அடிப்படையாகக் கொண்ட மற்றொரு அணுகுமுறை (இது நிலையற்ற சிக்கல்களுக்கும் பொருந்தும், அதே நேரத்தில் முந்தைய முறைகள் பொதுவாக இல்லை), டேவிஸ் [10] ஆல் முன்னோடியாகக் கருதப்பட்டு பலரால் பயன்படுத்தப்பட்டது, எ. கா. , ஷின்ப்ரோட் [11], ப்ளூம் [12], புகாச்சேவ் [13], சோலோடோவ்னிகோவ் [14]. இந்த வேலைகள் அனைத்திலும், ஒரு நேரியல் மாறும் அமைப்பின் (வைனர் வடிகட்டி) விவரக்குறிப்பைப் பெறுவதே நோக்கம், இது ஒரு சீரற்ற சமிக்ஞையை முன்னறிவித்தல், பிரித்தல் அல்லது கண்டறிதல் ஆகியவற்றை நிறைவேற்றுகிறது. 2 7212 Bellona Ave. 3 அடைப்புக்குறிக்குள் உள்ள எண்கள் குறிப்பிடுகின்றன குறிப்புகள் காகிதத்தின் முடிவில். 4 பொதுவாக, இந்த பணிகளை நேரியல் அல்லாத வடிகட்டிகள் மூலம் சிறப்பாக செய்ய முடியும். இருப்பினும், தற்போது, இந்த நேரியல் அல்லாத வடிப்பான்களை எவ்வாறு பெறுவது என்பது பற்றி (கருத்துரீதியாகவும் நடைமுறையில்) சிறிதளவு அல்லது எதுவும் தெரியவில்லை. கருவிகள் மற்றும் கட்டுப்பாட்டு பிரிவு வழங்கியுள்ளது மற்றும் கருவிகள் மற்றும் கட்டுப்பாட்டு மாநாட்டில் வழங்கப்பட்டது, மார்ச் 29-ஏப்ரல் 12, 1959, அமெரிக்கன் சொசைட்டி ஆஃப் மெக்கானிக்கல் இன்ஜினியர்ஸ். குறிப்பு: கட்டுரைகளில் முன்வைக்கப்படும் அறிக்கைகள் மற்றும் கருத்துக்கள் அவற்றின் ஆசிரியர்களின் தனிப்பட்ட வெளிப்பாடுகளாகவே புரிந்து கொள்ளப்பட வேண்டும், சங்கத்தின் அல்ல. ASME தலைமையகத்தில் பெறப்பட்ட கையெழுத்துப் பிரதி, பிப்ரவரி 24, 1959. ஆவணம் எண். 59-IRD-11 ஐப் பார்க்கவும் நேரியல் வடிகட்டுதல் மற்றும் கணிப்பு சிக்கல்களுக்கு ஒரு புதிய அணுகுமுறை
e50a316f97c9a405aa000d883a633bd5707f1a34	கடந்த 20 ஆண்டுகளில் திரட்டப்பட்ட சோதனை சான்றுகள், பொருத்தமான முறையில் எடைபோட்ட ஒற்றை சொற்களின் ஒதுக்கீட்டை அடிப்படையாகக் கொண்ட உரை குறியீட்டு முறைகள், மற்ற விரிவான உரை பிரதிநிதித்துவங்களுடன் பெறக்கூடியவற்றைக் காட்டிலும் சிறந்த தேடல் முடிவுகளை உருவாக்குகின்றன என்பதைக் குறிக்கிறது. இந்த முடிவுகள், பயனுள்ள கால எடை முறைகளைத் தேர்ந்தெடுப்பதில் முக்கியமாகப் பொறுத்தது. இந்த கட்டுரை தானியங்கி கால எடைமுறை மூலம் பெறப்பட்ட நுண்ணறிவுகளை சுருக்கமாகக் கூறுகிறது, மேலும் அடிப்படை ஒற்றை கால-குறியீட்டு மாதிரிகளை வழங்குகிறது, இது மற்ற விரிவான உள்ளடக்க பகுப்பாய்வு நடைமுறைகளுடன் ஒப்பிடப்படலாம். 1. தானியங்கி உரை பகுப்பாய்வு 1980 களின் பிற்பகுதியில், தானியங்கி உரை மீட்பு அமைப்புகள் சேமிக்கப்பட்ட நூல்களுக்கும் பயனர்களின் தகவல் வினவல்களுக்கும் இணைக்கப்பட்ட உள்ளடக்க அடையாளங்காட்டிகளின் ஒப்பீட்டின் அடிப்படையில் வடிவமைக்கப்படலாம் என்று லுஹன் [l] முதலில் பரிந்துரைத்தார். வழக்கமாக, ஆவணங்கள் மற்றும் வினவல்களின் உரைகளிலிருந்து பிரித்தெடுக்கப்பட்ட சில சொற்கள் உள்ளடக்க அடையாளம் காண பயன்படுத்தப்படும்; மாற்றாக, உள்ளடக்க பிரதிநிதித்துவங்கள் கருத்தில் கொள்ளப்படும் பொருள் பகுதிகளை அறிந்த பயிற்சி பெற்ற குறியீட்டாளர்களால் கைமுறையாக தேர்ந்தெடுக்கப்படலாம் மற்றும் ஆவண சேகரிப்புகளின் உள்ளடக்கம். இரண்டு சந்தர்ப்பங்களிலும், ஆவணங்கள் வடிவத்தின் கால திசையன்களால் பிரதிநிதித்துவப்படுத்தப்படும் D= (ti,tj,...ytp) (1) ஒவ்வொரு tk ஒரு மாதிரி ஆவணத்திற்கு ஒதுக்கப்பட்ட உள்ளடக்க காலத்தை அடையாளம் காணும் D. ஒத்த முறையில், தகவல் கோரிக்கைகள், அல்லது வினவல்கள், வெக்டார் வடிவத்தில் அல்லது பூலியன் அறிக்கைகளின் வடிவத்தில் பிரதிநிதித்துவப்படுத்தப்படும். எனவே, ஒரு வழக்கமான வினவல் Q ஐ Q = (qa,qbr. . . ,4r) (2)
6ac15e819701cd0d077d8157711c4c402106722c	இந்த தொழில்நுட்ப அறிக்கை, டார்பா நகர்ப்புற சவாலுக்கு அணி எம்ஐடியின் அணுகுமுறையை விவரிக்கிறது. வாகனத்தின் புறத்தில் பொருத்தப்பட்ட பல மலிவான சென்சார்கள் பயன்படுத்தி, புதிய குறுக்கு-மாடல் தராதர நுட்பத்துடன் தராதரப்படுத்தும் புதிய மூலோபாயத்தை நாங்கள் உருவாக்கியுள்ளோம். லிடார், கேமரா மற்றும் ரேடார் தரவு ஓட்டங்கள் ஒரு புதுமையான, உள்ளூரில் மென்மையான நிலை பிரதிநிதித்துவத்தைப் பயன்படுத்தி செயலாக்கப்படுகின்றன, இது உண்மையான நேர தன்னாட்சி கட்டுப்பாட்டிற்கான வலுவான உணர்வை வழங்குகிறது. போக்குவரத்தில் ஓட்டுவதற்கு ஒரு நெகிழ்வான திட்டமிடல் மற்றும் கட்டுப்பாட்டு கட்டமைப்பு உருவாக்கப்பட்டுள்ளது, இது மிஷன் திட்டமிடல், சூழ்நிலைத் திட்டமிடல், சூழ்நிலை விளக்கம் மற்றும் பாதை கட்டுப்பாட்டுக்கான நன்கு நிரூபிக்கப்பட்ட வழிமுறைகளின் புதுமையான கலவையை உள்ளடக்கியது. இந்த கண்டுபிடிப்புகள் நகர்ப்புற சூழலில் தன்னாட்சி ஓட்டுநர் வசதி கொண்ட இரண்டு புதிய ரோபோ வாகனங்களில் இணைக்கப்பட்டு, DARPA தள வருகை பாடத்திட்டத்தில் விரிவான சோதனைகள் மேற்கொள்ளப்படுகின்றன. இந்த சோதனை முடிவுகள் அனைத்து அடிப்படை வழிசெலுத்தல் மற்றும் சில அடிப்படை போக்குவரத்து நடத்தைகளை நிரூபிக்கின்றன, இதில் ஆக்கிரமிக்கப்படாத தன்னாட்சி ஓட்டுநர், சுத்தமான-பின்தொடர் கட்டுப்பாடு மற்றும் எங்கள் உள்ளூர் சட்ட உணர்தல் மூலோபாயத்தைப் பயன்படுத்தி பாதையை பின்பற்றுதல், சினோ-டைனமிக் RRT பாதை திட்டமிடல் மூலம் தடைகளைத் தவிர்ப்பது, திருப்பங்கள், மற்றும் எங்கள் சூழ்நிலை விளக்கத்தைப் பயன்படுத்தி குறுக்குவெட்டுகளில் மற்ற கார்களிடையே முன்னுரிமை மதிப்பீடு. இந்த அணுகுமுறைகளை மேம்பட்ட வழிசெலுத்தல் மற்றும் போக்குவரத்து சூழ்நிலைகளுக்கு விரிவுபடுத்த நாங்கள் பணியாற்றி வருகிறோம். இந்த தொழில்நுட்ப அறிக்கை, டார்பா நகர்ப்புற சவாலுக்கு அணி எம்ஐடியின் அணுகுமுறையை விவரிக்கிறது. வாகனத்தின் புறத்தில் பொருத்தப்பட்ட பல மலிவான சென்சார்கள் பயன்படுத்தி ஒரு புதிய மூலோபாயத்தை நாங்கள் உருவாக்கியுள்ளோம். புதிய குறுக்கு-மாடல் அளவீட்டு நுட்பத்துடன் அளவீடு செய்யப்படுகிறது. லிடார், கேமரா மற்றும் ரேடார் தரவு ஓட்டங்கள் ஒரு புதுமையான, உள்ளூர் மென்மையான மாநில பிரதிநிதித்துவத்தைப் பயன்படுத்தி செயலாக்கப்படுகின்றன, இது நிகழ்நேர தன்னாட்சி கட்டுப்பாட்டிற்கான வலுவான உணர்வை வழங்குகிறது. போக்குவரத்தில் வாகனங்களை ஓட்டுவதற்கு ஒரு நெகிழ்வான திட்டமிடல் மற்றும் கட்டுப்பாட்டு கட்டமைப்பு உருவாக்கப்பட்டுள்ளது. இது மிஷன் திட்டமிடல், சூழ்நிலை திட்டமிடல், சூழ்நிலை விளக்கம் மற்றும் பாதை கட்டுப்பாட்டுக்கான நிரூபிக்கப்பட்ட வழிமுறைகளின் புதுமையான கலவையாகும். இந்த கண்டுபிடிப்புகள் நகர்ப்புற சூழலில் தன்னாட்சி ஓட்டுநர் வசதி கொண்ட இரண்டு புதிய ரோபோ வாகனங்களில் இணைக்கப்பட்டு, DARPA தள வருகை பாடத்திட்டத்தில் விரிவான சோதனைகள் மேற்கொள்ளப்படுகின்றன. சோதனை முடிவுகள் அனைத்து அடிப்படை வழிசெலுத்தல் மற்றும் சில அடிப்படை போக்குவரத்து நடத்தைகளை நிரூபிக்கின்றன, இதில் ஆக்கிரமிக்கப்படாத தன்னாட்சி ஓட்டுநர், தூய-பின்தொடர்தல் கட்டுப்பாடு மற்றும் எங்கள் உள்ளூர் சட்ட கருத்து மூலோபாயத்தைப் பயன்படுத்தி பாதையை பின்பற்றுதல், சினோ-டைனமிக் ஆர்ஆர்டி பாதை திட்டமிடல், யு-டர்ன்ஸ் மற்றும் எங்கள் சூழ்நிலை மொழிபெயர்ப்பாளரைப் பயன்படுத்தி குறுக்குவெட்டுகளில் மற்ற கார்களிடையே முன்னுரிமை மதிப்பீடு ஆகியவை அடங்கும். இந்த அணுகுமுறைகளை மேம்பட்ட வழிசெலுத்தல் மற்றும் போக்குவரத்து சூழ்நிலைகளுக்கு விரிவுபடுத்த நாங்கள் பணியாற்றி வருகிறோம். மறுப்பு: இந்த ஆவணத்தில் உள்ள தகவல்கள், பாதுகாப்பு மேம்பட்ட ஆராய்ச்சி திட்டங்கள் முகமை (DARPA) அல்லது பாதுகாப்புத் துறையின் அதிகாரப்பூர்வ கொள்கைகளை பிரதிநிதித்துவப்படுத்துவதில்லை. இந்த ஆவணத்தில் உள்ள தகவல்களின் துல்லியம் அல்லது நம்பகத்தன்மைக்கு DARPA உத்தரவாதம் அளிக்கவில்லை. கூடுதல் ஆதரவு ...
e275f643c97ca1f4c7715635bb72cf02df928d06
1e55bb7c095d3ea15bccb3df920c546ec54c86b5
8acaebdf9569adafb03793b23e77bf4ac8c09f83	நிலையான இயற்பியல் நீள, தராஹெர்ட்ஸ் அதிர்வெண்களில் சரிசெய்யக்கூடிய தாமதத்துடன் கூடிய ஸ்பூஃப் மேற்பரப்பு பிளாஸ்மோன் பொலாரிட்டன் அடிப்படையிலான அலைகாட்டிகளின் பகுப்பாய்வு மற்றும் வடிவமைப்பை நாங்கள் முன்வைக்கிறோம். அலைகாட்டிகளின் மொத்த இயற்பியல் நீளத்தை மாற்றாமல் அதன் அலைநீளத்தை மாற்றுவதன் மூலம் சரிசெய்யக்கூடிய தாமதத்தை அலைநீளமான தட்டையான கோபு கோடுகள் (CPGL) பயன்படுத்தி பெறப்படுகிறது. எமது உருவகப்படுத்துதல் முடிவுகள், 237.9°, 220.6°, மற்றும் 310.6° ஆகிய மின் நீளங்களை 250 μm மற்றும் 200 μm ஆகிய இயற்பியல் நீளங்களால் 0.25, 0.275, மற்றும் 0.3 THz ஆகியவற்றில், ஆர்ப்பாட்ட நோக்கங்களுக்காக அடைய முடியும் என்பதைக் காட்டுகின்றன. இந்த உருவகப்படுத்துதல்களின் முடிவுகள், இயற்பியல் அளவுரு மற்றும் பொருள் பண்புகளைப் பயன்படுத்தி எங்கள் பகுப்பாய்வு கணக்கீடுகளுடன் ஒத்துப்போகின்றன. ஒரே நீளமான தாமதக் கோடுகளை டெரஹெர்ட்ஸ் கட்டமாற்றிகளின் இரண்டு கிளைகள் போல இணைக்கும்போது, 5.8%-க்கும் அதிகமான தொடர்புடைய கட்டமாற்ற மதிப்பீட்டின் பிழை விகிதத்தை அடைகிறோம். எங்களது சிறந்த அறிவுக்கு, இது முதல் முறையாக சரிசெய்யக்கூடிய ஸ்பூஃப் மேற்பரப்பு பிளாஸ்மோன் பொலாரிட்டன் அடிப்படையிலான சிபிஜிஎல் தாமதக் கோடுகளின் ஆர்ப்பாட்டம் ஆகும். இந்த யோசனையை நிலையான நீளங்களுடன் மற்றும் டெராஹெர்ட்ஸ் பேண்ட் சர்க்யூட்டரிக்கு கட்டம் மாற்றங்களுடன் சரிசெய்யக்கூடிய தாமதக் கோடுகளைப் பெறுவதற்குப் பயன்படுத்தலாம்.
325d145af5f38943e469da6369ab26883a3fd69e	புகைப்படத்தின் சாம்பல் நிறத்தை உள்ளீடாகக் கொண்டு, இந்த ஆவணம் புகைப்படத்தின் நம்பத்தகுந்த வண்ண பதிப்பைக் காணும் பிரச்சினையைத் தாக்குகிறது. இந்த சிக்கல் தெளிவாக குறைவாகவே உள்ளது, எனவே முந்தைய அணுகுமுறைகள் குறிப்பிடத்தக்க பயனர் தொடர்புகளை நம்பியுள்ளன அல்லது தீர்க்கப்படாத வண்ணமயமாக்கல்களுக்கு வழிவகுத்தன. நாம் முன்மொழிகின்ற முழு தானியங்கி அணுகுமுறை துடிப்பான மற்றும் யதார்த்தமான வண்ணமயமாக்கல்களை உருவாக்குகிறது. இந்த சிக்கலின் அடிப்படை நிச்சயமற்ற தன்மையை ஒரு வகைப்படுத்தல் பணியாக முன்வைத்து, பயிற்சி நேரத்தில் வர்க்க மறுசீரமைப்பைப் பயன்படுத்தி, விளைவில் வண்ணங்களின் பன்முகத்தன்மையை அதிகரிக்கிறோம். இந்த அமைப்பு சோதனை நேரத்தில் ஒரு சிஎன்என்-யில் முன்னோக்கி அனுப்பும் பீட்-பாஸ் என செயல்படுத்தப்படுகிறது மற்றும் ஒரு மில்லியனுக்கும் அதிகமான வண்ண படங்களில் பயிற்சி அளிக்கப்படுகிறது. வண்ணமயமாக்கல் டுரிங் சோதனை பயன்படுத்தி நமது வழிமுறையை மதிப்பீடு செய்கிறோம், இது மனித பங்கேற்பாளர்களை உருவாக்கப்பட்ட மற்றும் அடிப்படை உண்மை வண்ண படத்திற்கு இடையில் தேர்வு செய்யுமாறு கேட்டுக்கொள்கிறது. நமது முறை மனிதர்களை 32% சோதனைகளில் வெற்றிகரமாக ஏமாற்றுகிறது, இது முந்தைய முறைகளை விட கணிசமாக அதிகம். மேலும், நிறமாற்றம் என்பது ஒரு குறுக்கு-சேனல் குறியீட்டாளராக செயல்படும் சுய-கண்காணிக்கப்பட்ட அம்ச கற்றலுக்கான ஒரு சக்திவாய்ந்த சாக்கு பணியாக இருக்கலாம் என்பதை நாங்கள் காட்டுகிறோம். இந்த அணுகுமுறை பல அம்ச கற்றல் குறிக்கோள்களில் அதிநவீன செயல்திறனை உருவாக்குகிறது.
57bbbfea63019a57ef658a27622c357978400a50
7ffdf4d92b4bc5690249ed98e51e1699f39d0e71	முதல் முறையாக, ரேடியோ அதிர்வெண் மைக்ரோ எலக்ட்ரோ மெக்கானிக்கல் சிஸ்டம் (RF MEMS) சுவிட்சுகளுடன் கூடிய முழுமையாக ஒருங்கிணைந்த கட்டம் வரிசை ஆண்டெனா 10 GHz க்கு மேல் நெகிழ்வான, கரிம அடி மூலக்கூறில் நிரூபிக்கப்பட்டுள்ளது. குறைந்த சத்தம் பெருக்கி (LNA), MEMS கட்ட மாற்றி, மற்றும் 2x2 பேட்ச் ஆண்டெனா வரிசை ஆகியவை திரவ படிக பாலிமர் அடி மூலக்கூறில் ஒரு சிஸ்டம்-ஆன்-பேக்கேஜ் (SOP) இல் ஒருங்கிணைக்கப்பட்டுள்ளன. இரண்டு ஆண்டெனா வரிசைகள் ஒப்பிடப்படுகின்றன; ஒன்று ஒரு அடுக்கு SOP ஐப் பயன்படுத்தி செயல்படுத்தப்படுகிறது, இரண்டாவது ஒரு பல அடுக்கு SOP உடன். இரண்டு செயலாக்கங்களும் குறைந்த இழப்பு மற்றும் 12 டிகிரி பீம் ஸ்ட்யீரிங் திறன் கொண்டவை. வடிவமைப்பு அதிர்வெண் 14 GHz ஆகும் மற்றும் அளவிடப்பட்ட திரும்ப இழப்பு இரு செயலாக்கங்களுக்கும் 12 dB ஐ விட அதிகமாக உள்ளது. LNA பயன்பாடானது கதிர்வீச்சு ஆற்றல் மட்டத்தை மிக அதிகமாக அனுமதிக்கிறது. இந்த ஆண்டெனாக்கள் எந்த அளவு, அதிர்வெண், மற்றும் செயல்திறன் தேவைப்படும் என்பதை பூர்த்தி செய்ய தனிப்பயனாக்கலாம். இந்த ஆராய்ச்சி, கரிம SOP சாதனங்களின் அதிநவீன நிலையை மேம்படுத்துகிறது.
d00ef607a10e5be00a9e05504ab9771c0b05d4ea	உயர் மின்னழுத்த மதிப்பிடப்பட்ட திடநிலை சுவிட்சுகள், அதாவது தனிமைப்படுத்தப்பட்ட-கேட் இருமுனை டிரான்சிஸ்டர்கள் (IGBT கள்) 6.5 kV வரை வணிக ரீதியாக கிடைக்கின்றன. இத்தகைய மின்னழுத்த மதிப்பீடுகள் துடிப்பு சக்தி மற்றும் உயர் மின்னழுத்த மாற்று முறை மாற்றி பயன்பாடுகளுக்கு கவர்ச்சிகரமானவை. இருப்பினும், IGBT மின்னழுத்த மதிப்பீடுகள் அதிகரிக்கும் போது, தற்போதைய உயர்வு மற்றும் வீழ்ச்சி விகிதம் பொதுவாக குறைக்கப்படுகிறது. இந்த சமரசத்தை தவிர்ப்பது கடினம், ஏனெனில் IGBT கள் எபிடாக்ஸியல் அல்லது டிரிஃப் பிராந்திய அடுக்கில் குறைந்த எதிர்ப்பை பராமரிக்க வேண்டும். தலைகீழ் மின்னழுத்தத்தை ஆதரிக்க அடர்த்தியான மிதவைப் பகுதிகளைக் கொண்ட உயர் மின்னழுத்த மதிப்பிடப்பட்ட ஐஜிபிடிகளுக்கு, தேவையான உயர் கேரியர் செறிவுகளை இயக்கத்தில் செலுத்துகிறது மற்றும் அணைக்கப்படும்போது அகற்றப்படுகிறது, இது மாற்று வேகத்தை குறைக்கிறது. விரைவான மாற்றுவதற்கான ஒரு விருப்பம் பல, குறைந்த மின்னழுத்த மதிப்பிடப்பட்ட IGBT களைத் தொடராகப் பயன்படுத்துவதாகும். தொடர்ச்சியாக ஆறு, 1200 V மதிப்பிடப்பட்ட IGBT களுடன் IGBT-ஸ்டேக் முன்மாதிரி சோதனை செய்யப்பட்டது. ஆறு தொடர் IGBT அடுக்கு தனிப்பட்ட, ஒளியியல் தனிமைப்படுத்தப்பட்ட, கேட் டிரைவர்கள் மற்றும் கட்டாய காற்று குளிரூட்டலுக்கான அலுமினிய குளிரூட்டும் தகடுகள் ஆகியவற்றைக் கொண்டுள்ளது, இது ஒரு சிறிய தொகுப்பை உருவாக்குகிறது. ஒவ்வொரு IGBT ஆனது மின்னழுத்தத்தை தற்காலிக மின்னழுத்த அடக்குமுறைகளால் பாதுகாக்கப்படுகிறது. ஆறு தொடர் IGBT அடுக்கு மற்றும் ஒரு 6.5 kV மதிப்பிடப்பட்ட IGBT இன் இயக்க-இப்போது அதிகரிப்பு நேரம் ஒரு துடிப்பு எதிர்ப்பு-சுமை, மின்தேக்கி வெளியேற்ற சுற்று பரிசோதனையாக அளவிடப்பட்டுள்ளது. IGBT அடுக்கு தொடர்ச்சியாக இரண்டு IGBT தொகுதிகளுடன் ஒப்பிடப்பட்டுள்ளது, ஒவ்வொன்றும் 3.3 kV என மதிப்பிடப்பட்டுள்ளது, 9 kHz இல் மாறும் ஒரு பூஸ்ட் சர்க்யூட் பயன்பாட்டு பயன்பாட்டில் 5 kV வெளியீட்டை உருவாக்குகிறது. ஆறு தொடர் IGBT அடுக்குகள் மேம்பட்ட இயக்க-மீது-இணைப்பு வேகத்தை விளைவிக்கின்றன, மேலும் ஆற்றல் அதிகரிப்பு மாற்றி செயல்திறன் கணிசமாக அதிகரிக்கிறது. பரிசோதனை சோதனை அளவுருக்கள் மற்றும் ஒப்பீட்டு சோதனைகளின் முடிவுகள் பின்வரும் காகிதத்தில் விவாதிக்கப்படுகின்றன
20f5b475effb8fd0bf26bc72b4490b033ac25129	நகர்ப்புற வீதிகளில் லேன் மார்க்கர்களை கண்டறிவதற்கான வலுவான மற்றும் உண்மையான நேர அணுகுமுறையை நாங்கள் முன்வைக்கிறோம். இது சாலைகளின் மேல்நோக்கி காட்சியை உருவாக்குவதன் அடிப்படையில் அமைந்துள்ளது, தேர்ந்தெடுக்கப்பட்ட நோக்குடைய காஸ்சியன் வடிப்பான்களைப் பயன்படுத்தி வடிகட்டுதல், பெசியர் ஸ்ப்லைன்களை பொருத்துவதற்கான புதிய மற்றும் வேகமான RANSAC வழிமுறைக்கு ஆரம்ப யூகங்களை வழங்க RANSAC வரி பொருத்துதலைப் பயன்படுத்துதல், பின்னர் பிந்தைய செயலாக்க படி பின்பற்றப்படுகிறது. நமது வழிமுறைகள், பல்வேறு நிலைகளில் உள்ள வீதியின் நிலையான படங்களில் உள்ள அனைத்து பாதைகளையும் கண்டறிந்து, 50 ஹெர்ட்ஸ் வேகத்தில் செயல்பட்டு, முந்தைய நுட்பங்களுடன் ஒப்பிடக்கூடிய முடிவுகளை அடைய முடியும்.
e6bef595cb78bcad4880aea6a3a73ecd32fbfe06	ஆன்லைன் மதிப்பீடுகள் மற்றும் பரிந்துரைகளின் கிடைப்பதில் அதிவேக அதிகரிப்பு, கல்வி மற்றும் தொழில்துறை ஆராய்ச்சியில் உணர்வு வகைப்படுத்தலை ஒரு சுவாரஸ்யமான தலைப்பாக ஆக்குகிறது. மதிப்பீடுகள் பல வேறுபட்ட களங்களை உள்ளடக்கியிருக்கலாம், அவை அனைத்திற்கும் விளக்கப்பட பயிற்சி தரவை சேகரிப்பது கடினம். எனவே, இந்த ஆவணம் உணர்வு வகைப்படுத்திகளுக்கான கள மாற்றத்தின் சிக்கலை ஆய்வு செய்கிறது, இதன் மூலம் ஒரு அமைப்பு ஒரு மூல களத்திலிருந்து பெயரிடப்பட்ட மதிப்புரைகளில் பயிற்சி பெற்றது, ஆனால் மற்றொரு இடத்தில் பயன்படுத்தப்பட வேண்டும். ஒவ்வொரு மதிப்பாய்விற்கும் ஒரு அர்த்தமுள்ள பிரதிநிதித்துவத்தை மேற்பார்வை செய்யப்படாத முறையில் பிரித்தெடுக்க கற்றுக்கொள்ளும் ஒரு ஆழமான கற்றல் அணுகுமுறையை நாங்கள் முன்மொழிகிறோம். அமேசான் நிறுவனம், அமேசான் நிறுவனத்தின் தரவரிசைப் பட்டியலில், அமேசான் நிறுவனத்தின் தரவரிசைப் பட்டியலில், அமேசான் நிறுவனத்தின் தரவரிசைப் பட்டியலில், அமேசான் நிறுவனத்தின் தரவரிசைப் பட்டியலில், அமேசான் நிறுவனத்தின் தரவரிசைப் பட்டியலில், அமேசான் நிறுவனத்தின் தரவரிசைப் பட்டியலில், அமேசான் நிறுவனத்தின் தரவரிசைப் பட்டியலில், அமேசான் நிறுவனத்தின் தரவரிசைப் பட்டியலில், அமேசான் நிறுவனத்தின் தரவரிசைப் பட்டியலில், அமேசான் நிறுவனத்தின் தரவரிசைப் பட்டியலில், அமேசான் நிறுவனத்தின் தரவரிசைப் பட்டியலில், அமேசான் நிறுவனத்தின் தரவரிசைப் பட்டியலில், அமேசான் நிறுவனத்தின் தரவரிசைப் பட்டியலில், அமேசான் நிறுவனத்தின் தரவரிசைப் பட்டியலில், அமேசான் நிறுவனத்தின் தரவரிசைப் பட்டியலில், அமேசான் நிறுவனத்தின் தரவரிசைப் பட்டியலில், அமேசான் நிறுவனத்தின் தரவரிசைப் பட்டியலில், அமேசையைக் காட்டியலிட்டுள்ளது. மேலும், இந்த முறை நன்றாக அளவிடப்படுகிறது, மேலும் 22 களங்களின் பெரிய தொழில்துறை வலிமை தரவுத்தொகுப்பில் டொமைன் தழுவலை வெற்றிகரமாக செய்ய அனுமதித்தது.
7cbbe0025b71a265c6bee195b5595cfad397a734	மக்கள் அடிக்கடி நாற்காலிகளுடன் தொடர்பு கொள்கிறார்கள், இதனால் பயனர்களால் கூடுதல் முயற்சி தேவையில்லாத மறைமுக சுகாதார உணர்வைச் செய்ய ஒரு சாத்தியமான இடமாக அவை மாறும். 550 பங்கேற்பாளர்களிடம் நாங்கள் ஆய்வு செய்தோம். மக்கள் எப்படி நாற்காலிகளில் அமர்ந்திருக்கிறார்கள் என்பதைப் புரிந்து கொள்ளவும், நாற்காலி வடிவமைப்பிற்கு உதவவும். இதயத்துடிப்பு மற்றும் சுவாச வீதத்தை கண்டறியவும். 18 பங்கேற்பாளர்களுடன் நடத்தப்பட்ட ஒரு ஆய்வக ஆய்வில், இதயத் துடிப்பு மற்றும் சுவாசத் துடிப்பு கண்டறிதல் எப்போது சாத்தியம் என்பதை தீர்மானிக்க பலவிதமான பொதுவான அமர்ந்திருக்கும் நிலைகளை மதிப்பீடு செய்தோம் (32% இதயத் துடிப்பு, 52% சுவாசத் துடிப்பு) மற்றும் கண்டறியப்பட்ட துடிப்பின் துல்லியத்தை மதிப்பீடு செய்தோம் (83% இதயத் துடிப்பு, 73% சுவாசத் துடிப்பு). இந்த உணர்வை காட்டுக்கு கொண்டு செல்வதில் உள்ள சவால்களை விவாதிக்கிறோம். 11 பங்கேற்பாளர்களுடன் 40 மணிநேர ஆய்வுகளை மதிப்பீடு செய்வதன் மூலம். நாம் காண்பிக்கிறோம், ஒரு மறைமுக சென்சார், நாற்காலி அதன் ஆட்களிடமிருந்து உயிர் அறிகுறி தரவுகளை சேகரிக்க முடியும் நாற்காலியுடன் இயற்கையான தொடர்பு மூலம்.
bf003bb2d52304fea114d824bc0bf7bfbc7c3106
9a59a3719bf08105d4632898ee178bd982da2204	இந்த தானியங்கி வாகனம் பல சென்சார் வழிசெலுத்தல் மற்றும் நிலைப்படுத்தல், புத்திசாலித்தனமான முடிவு எடுக்கும் மற்றும் கட்டுப்பாட்டு தொழில்நுட்பத்தை ஒருங்கிணைக்கும் ஒரு மொபைல் ரோபோ ஆகும். இந்த ஆவணம் "உளவுத்துறை முன்னோடி" எனப்படும் தன்னாட்சி வாகனத்தின் கட்டுப்பாட்டு அமைப்பு கட்டமைப்பை முன்வைக்கிறது, மேலும் அறியப்படாத சூழல்களில் திறம்பட செல்லும் பாதை கண்காணிப்பு மற்றும் இயக்கத்தின் ஸ்திரத்தன்மை ஆகியவை விவாதிக்கப்படுகின்றன. இந்த அணுகுமுறையில், பாதை-பின்தொடர்தல் சிக்கலை மாநில விண்வெளி வடிவத்தில் வடிவமைக்க இரண்டு டிகிரி-இலவச மாடல் உருவாக்கப்படுகிறது. திடீர் பாதை பிழையை கட்டுப்படுத்துவதற்கு, பாரம்பரிய கட்டுப்பாட்டு சாதனங்கள் பரந்த அளவிலான அளவுரு மாற்றங்கள் மற்றும் இடையூறுகளில் செயல்திறன் மற்றும் ஸ்திரத்தன்மையை உறுதிப்படுத்துவதில் சிரமப்படுகின்றன. எனவே, புதிதாக உருவாக்கப்பட்ட ஒரு தகவமைப்பு-PID கட்டுப்படுத்தி பயன்படுத்தப்படும். இந்த அணுகுமுறையைப் பயன்படுத்துவதன் மூலம் வாகனக் கட்டுப்பாட்டு அமைப்பின் நெகிழ்வுத்தன்மை அதிகரிக்கும் மற்றும் பெரும் நன்மைகளை அடைகிறது. இந்த அறிக்கைகள் முழுவதிலும், Intelligent Pioneer மற்றும் இந்த அணுகுமுறையைப் பயன்படுத்தி 2010 மற்றும் 2011 ஆம் ஆண்டுகளில் சீனாவின் எதிர்கால சவாலில் போட்டியிட்ட தன்னாட்சி வாகனத்தின் எடுத்துக்காட்டுகள் மற்றும் முடிவுகளை நாங்கள் வழங்குகிறோம். 2010 ஆம் ஆண்டில் முதல் இடத்தையும், 2011 ஆம் ஆண்டில் மூன்றாவது இடத்தையும் வென்ற Intelligent Pioneer அனைத்து போட்டித் திட்டங்களையும் முடித்தது.
7592f8a1d4fa2703b75cad6833775da2ff72fe7b	1998 முதல், கைப்பேசி எழுத்து அங்கீகாரம் குறித்த போட்டித் திறன் கொண்ட MNIST தரநிலை, நீண்ட காலமாக சாதனை படைத்து வருகிறது. மற்றவர்களால் சமீபத்தில் செய்யப்பட்ட முன்னேற்றம் 8 ஆண்டுகளுக்கு முந்தையது (பிழை விகிதம் 0.4%). எளிய பல அடுக்கு உணர்திறன் கொண்ட நல்ல பழைய ஆன்லைன் பின்னோக்கி பரவல் ஒரு MLP உடன் MNIST கையால் எழுதப்பட்ட இலக்கங்கள் தரப்படுத்தலில் 0.35% மற்றும் ஏழு MLP கமிட்டியுடன் 0.31% என்ற மிகக் குறைந்த பிழை விகிதத்தை அளிக்கிறது. 2011 ஆம் ஆண்டு வரை சிறந்த முடிவை அடைய நமக்குத் தேவையானது பல மறைக்கப்பட்ட அடுக்குகள், ஒவ்வொரு அடுக்குக்கும் பல நரம்புக்கள், அதிகப்படியான பொருத்தத்தைத் தவிர்க்க பல சிதைந்த பயிற்சி படங்கள், மற்றும் கற்றலை பெரிதும் துரிதப்படுத்தும் கிராபிக்ஸ் அட்டைகள்.
cbcd9f32b526397f88d18163875d04255e72137f
14829636fee5a1cf8dee9737849a8e2bdaf9a91f	பிட்காயின் என்பது விநியோகிக்கப்பட்ட டிஜிட்டல் நாணயமாகும், இது கணிசமான எண்ணிக்கையிலான பயனர்களை ஈர்த்துள்ளது. பிட்காயின் வெற்றிகரமாக இருப்பதற்கு என்ன காரணம் என்பதைப் பற்றி ஆழமான ஆய்வுகளை மேற்கொண்டு வருகிறோம். பல தசாப்தங்களாக, க்ரிப்டோகிராஃபிக் மின்னணு பணத்தை பற்றி ஆராய்ச்சி செய்தும், அது பெரிய அளவில் பயன்படுத்தப்படவில்லை. நீண்டகாலமாக நிலையான நாணயமாக பிட்காயின் எவ்வாறு ஒரு நல்ல வேட்பாளராக முடியும் என்பதையும் நாங்கள் கேட்கிறோம். இவ்வாறு செய்யும்போது, பிட்காயினின் பல பிரச்சினைகள் மற்றும் தாக்குதல்களை அடையாளம் கண்டு, அவற்றைத் தீர்க்க பொருத்தமான நுட்பங்களை முன்மொழிகிறோம்.
3d16ed355757fc13b7c6d7d6d04e6e9c5c9c0b78
d19f938c790f0ffd8fa7fccc9fd7c40758a29f94
cd5b7d8fb4f8dc3872e773ec24460c9020da91ed	ஐந்தாம் தலைமுறை (5G) முழு பரிமாண பல உள்ளீடு பல வெளியீடு (FD-MIMO) அமைப்பிற்கான 29 GHz அதிர்வெண்ணில் WR28 அலைகாட்டி அடிப்படையில் ஒரு பீம் ஸ்ட்யர்பிள் உயர் ஆதாய கட்ட வரிசை ஆண்டெனாவின் புதிய வடிவமைப்பு கருத்தை இந்த ஆவணம் முன்வைக்கிறது. 8×8 தட்டையான கட்ட வரிசை மூன்று பரிமாண பீம்ஃபார்மரால் வழங்கப்படுகிறது. இது அசிமுத் மற்றும் உயர திசையில் -60 முதல் +60 டிகிரி வரை அளவீட்டு பீம் ஸ்கேனிங்கைப் பெறுகிறது. பீம்ஃபார்மிங் நெட்வொர்க் (BFN) என்பது 64 பீம் நிலைகளைப் பெற 8 × 8 பட்லர் மேட்ரிக்ஸ் பீம்ஃபார்மர்களின் 16 தொகுப்புகளைப் பயன்படுத்தி வடிவமைக்கப்பட்டுள்ளது, இது கிடைமட்ட மற்றும் செங்குத்து கோணத்தை கட்டுப்படுத்துகிறது. 5ஜி பயன்பாட்டிற்காக கா அலைவரிசையில் உள்ள கன மல்டிபீம் வடிவமைப்பிற்கான அலை வழிகாட்டி அடிப்படையிலான உயர் சக்தி முப்பரிமாண பீம்ஃபார்மர் வடிவமைப்பதற்கான புதிய கருத்தாகும். 28.9 GHz முதல் 29.4 GHz வரையிலான அலைவரிசைப் பட்டை உள்ளடக்கிய 28.5 dBi அதிகபட்ச ஆற்றல் அதிகரிப்பு.
34feeafb5ff7757b67cf5c46da0869ffb9655310	குறைந்த சக்தி கொண்ட கம்பியில்லா சென்சார் நெட்வொர்க்குகளுக்கு சுற்றுச்சூழல் ஆற்றல் ஒரு கவர்ச்சிகரமான சக்தி ஆதாரமாகும். மனித தலையீடு அல்லது பராமரிப்பு இல்லாமல், ஒருங்கிணைந்த ஆற்றல் பரிமாற்றத்தை புத்திசாலித்தனமாக நிர்வகிக்கும் ஒரு அமைப்பான ப்ரோமெத்தீயஸை நாங்கள் முன்வைக்கிறோம். பல்வேறு ஆற்றல் சேமிப்பு கூறுகளின் நேர்மறையான பண்புகளை இணைத்து, நுண்கணித செயலியின் புத்திசாலித்தனத்தை மேம்படுத்துவதன் மூலம், ஒரு திறமையான பல நிலை ஆற்றல் பரிமாற்ற முறையை அறிமுகப்படுத்துகிறோம், இது ஒற்றை ஆற்றல் சேமிப்பு அமைப்புகளின் பொதுவான வரம்புகளை குறைத்து, கிட்டத்தட்ட நிரந்தர செயல்பாட்டை அடைகிறது. நாங்கள் எங்கள் வடிவமைப்பு தேர்வுகள், பரிமாற்றங்கள், சுற்று மதிப்பீடுகள், செயல்திறன் பகுப்பாய்வு மற்றும் மாதிரிகள் ஆகியவற்றை முன்வைக்கிறோம். கணினி கூறுகளுக்கு இடையேயான உறவுகளை விவாதித்து, பயன்பாட்டின் தேவைகளைப் பூர்த்தி செய்ய உகந்த வன்பொருள் தேர்வுகளை அடையாளம் காணலாம். இறுதியாக நாம் பெர்க்லேயின் டெலோஸ் மோட்டேவை இயக்குவதற்கு சூரிய சக்தியைப் பயன்படுத்தும் ஒரு உண்மையான அமைப்பை செயல்படுத்துவதை முன்வைக்கிறோம். இந்த அமைப்பு 43 வருடங்கள் 1% சுமை, 4 வருடங்கள் 10% சுமை, 1 வருடம் 100% சுமை ஆகியவற்றில் இயங்கும் என்று நமது பகுப்பாய்வு கணித்துள்ளது. எங்கள் செயலாக்கம் இரண்டு நிலை சேமிப்பு முறையை பயன்படுத்துகிறது. இதில் சூப்பர் கண்டெச்டர்கள் (முதன்மை பஃபர்) மற்றும் ஒரு லித்தியம் ரீசார்ஜ் செய்யக்கூடிய பேட்டரி (இரண்டாம் பஃபர்) ஆகியவை அடங்கும். மின்சார அளவுகள் பற்றிய முழுமையான அறிவைக் கொண்டிருக்கும் இந்த மோட், அதிகபட்ச ஆயுட்காலம் வரை ஆற்றல் பரிமாற்றத்தை புத்திசாலித்தனமாக நிர்வகிக்கிறது.
3689220c58f89e9e19cc0df51c0a573884486708	அம்பிகேக்ஸ் என்பது ஒரு ஆற்றல் அறுவடை சுற்று மற்றும் வயர்லெஸ் சென்சார் முனைகளுக்கான சூப்பர் கண்டெச்ட்டர் அடிப்படையிலான ஆற்றல் சேமிப்பு அமைப்பு ஆகும். முந்தைய WSN கள் பல்வேறு ஆதாரங்களில் இருந்து ஆற்றலைப் பெற முயற்சி செய்கின்றன, மேலும் சில பேட்டரிகள் பழையதாகிவிடும் சிக்கலை தீர்க்க பேட்டரிகளுக்கு பதிலாக சூப்பர் கண்டென்சர்களைப் பயன்படுத்துகின்றன. இருப்பினும், அவை தடைத்திறன் பொருந்தாததால் கிடைக்கக்கூடிய ஆற்றலை வீணடிக்கின்றன, அல்லது அவை செயலில் உள்ள டிஜிட்டல் கட்டுப்பாட்டைக் கோருகின்றன, அவை மேல்நிலை ஏற்படுகின்றன, அல்லது அவை ஒரு குறிப்பிட்ட வகை மூலத்துடன் மட்டுமே வேலை செய்கின்றன. AmbiMax இந்த சிக்கல்களை முதலில் அதிகபட்ச சக்தி புள்ளி கண்காணிப்பை (MPPT) தானாகச் செய்வதன் மூலம் தீர்க்கிறது, பின்னர் அதிகபட்ச செயல்திறனில் சூப்பர் கண்டென்சர்களை சார்ஜ் செய்கிறது. மேலும், அம்பிகேக்ஸ் தொகுதி வடிவமைப்பில் உள்ளது மற்றும் சூரிய, காற்று, வெப்பம் மற்றும் அதிர்வு உட்பட பல ஆற்றல் அறுவடை ஆதாரங்களை உள்ளடக்கியது, ஒவ்வொன்றும் வெவ்வேறு உகந்த அளவைக் கொண்டுள்ளன. ஒரு உண்மையான WSN மேடையில் சோதனை முடிவுகள், Eco, AmbiMax வெற்றிகரமாக WSNs தற்போதைய மாநில-of-the-art திறன் பல முறை ஒரே நேரத்தில் மற்றும் தன்னாட்சி பல சக்தி ஆதாரங்கள் நிர்வகிக்கிறது என்று காட்டுகின்றன
4833d690f7e0a4020ef48c1a537dbb5b8b9b04c6	குறைந்த சக்தி குறைந்த செலவு அதிகபட்ச சக்தி புள்ளி டிராக்கர் (MPPT) ஒரு ஒளிமின்னழுத்த (PV) பேனலில் ஒருங்கிணைக்கப்பட வேண்டும். இது ஒரு நிலையான ஃபோட்டோவோல்டாயிக் பேனலுடன் ஒப்பிடும்போது 25% ஆற்றல் மேம்பாட்டை ஏற்படுத்தும், அதே நேரத்தில் பேட்டரி மின்னழுத்த ஒழுங்குமுறை மற்றும் பி.வி. வரிசையை சுமைக்கு பொருத்துதல் போன்ற செயல்பாடுகளைச் செய்கிறது. வெளிப்புறமாக இணைக்கப்பட்ட MPPT ஐப் பயன்படுத்துவதற்குப் பதிலாக, PV பேனலின் ஒரு பகுதியாக ஒருங்கிணைந்த MPPT மாற்றி பயன்படுத்த பரிந்துரைக்கப்படுகிறது. இந்த ஒருங்கிணைந்த MPPT செலவு குறைந்ததாக இருக்க ஒரு எளிய கட்டுப்படுத்தியைப் பயன்படுத்துகிறது. மேலும், நேரடியாக இணைக்கப்பட்ட அமைப்பை விட அதிக ஆற்றலை சுமைக்கு மாற்றும் வகையில், மாற்றி மிகவும் திறமையாக இருக்க வேண்டும். இது ஒரு எளிய மென்மையான-மாறிக்கொண்ட டோபோலஜி பயன்படுத்தி அடையப்படுகிறது. இதன் விளைவாக குறைந்த செலவில் அதிக மாற்றம் திறன் கிடைக்கும், இதனால் சிறிய PV எரிசக்தி அமைப்புகளுக்கு MPPT ஒரு மலிவு தீர்வாக இருக்கும்.
61c1d66defb225eda47462d1bc393906772c9196	கம்பியில்லா சென்சார் நெட்வொர்க்குகள் நமது சமூகத்தில் நேர்மறையான தாக்கத்தை ஏற்படுத்தும் வகையில் மிகப்பெரிய சாத்தியம் உள்ளது. இது குறித்து பல ஆராய்ச்சிகள் மேற்கொள்ளப்பட்டு வருகின்றன. இந்த ஆராய்ச்சிகள் தற்போது சுற்றுச்சூழலுக்கு ஏற்ற அமைப்புகள் உருவாக்கி வருகின்றன. தற்போதைய தொழில்நுட்ப வரம்புகள் பரவலாக மாறுபடும் பயன்பாட்டுத் தேவைகளுடன் இணைந்து வடிவமைப்பு இடத்தின் வெவ்வேறு பகுதிகளுக்கு பல்வேறு வகையான வன்பொருள் தளங்களை வழிநடத்துகின்றன. கூடுதலாக, மனித தலையீடு இல்லாமல் பல மாதங்கள் தொடர்ந்து செயல்பட வேண்டிய ஒரு அமைப்பின் தனித்துவமான ஆற்றல் மற்றும் நம்பகத்தன்மை கட்டுப்பாடுகள், சென்சார் நெட்வொர்க் வன்பொருளுக்கான கோரிக்கைகள் நிலையான ஒருங்கிணைந்த சுற்றுகளுக்கான கோரிக்கைகளிலிருந்து வேறுபட்டவை. இந்த ஆய்வறிக்கை, சென்சார் முனைகள் மற்றும் அவற்றை கட்டுப்படுத்தும் குறைந்த அளவிலான மென்பொருளை வடிவமைப்பதில் எமது அனுபவங்களை விவரிக்கிறது. நீண்டகாலமாக விலங்குகள் இடம்பெயர்ந்து செல்வதைக் கண்காணிக்கும் வகையில், ஜிபிஎஸ் தொழில்நுட்பத்தை பயன்படுத்தி, செப்ராநெட் அமைப்பில், மிகச்சிறிய அளவிலான தரவுகளை பதிவு செய்கிறோம் [14]. ZebraNet வன்பொருள் ஒரு 16-பிட் TI மைக்ரோகண்ட்ரோலர், 4 Mbits ஆஃப்-சிப் ஃபிளாஷ் மெமரி, ஒரு 900 MHz ரேடியோ, மற்றும் ஒரு குறைந்த சக்தி கொண்ட ஜிபிஎஸ் சிப் ஆகியவற்றைக் கொண்டுள்ளது. இந்த ஆய்வில், சென்சார் நெட்வொர்க்குகளுக்கு திறமையான மின்சார விநியோகங்களை வடிவமைப்பதற்கான எங்கள் நுட்பங்கள், முனைகளின் ஆற்றல் நுகர்வுகளை நிர்வகிப்பதற்கான முறைகள் மற்றும் ரேடியோ, ஃபிளாஷ் மற்றும் சென்சார்கள் உள்ளிட்ட புற சாதனங்களை நிர்வகிப்பதற்கான முறைகள் குறித்து விவாதிக்கிறோம். ஜீப்ராநெட் முனைகளின் வடிவமைப்பை மதிப்பீடு செய்து, அதை எவ்வாறு மேம்படுத்தலாம் என்பதை விவாதிப்பதன் மூலம் முடிக்கிறோம். இந்த கருவிகளை உருவாக்குவதில் நாம் கற்றுக்கொண்ட பாடங்கள் எதிர்கால சென்சார் முனைகளை வடிவமைப்பதிலும் அவற்றை உண்மையான அமைப்புகளில் பயன்படுத்துவதிலும் பயனுள்ளதாக இருக்கும்.
146da74cd886acbd4a593a55f0caacefa99714a6	செயற்கை நுண்ணறிவின் பரிணாமம் தொழில்நுட்பத் துறையில் ஊக்கியாக செயல்பட்டு வருகிறது. ஒரு காலத்தில் வெறும் கற்பனையாக இருந்த விஷயங்களை இப்போது நாம் உருவாக்கலாம். அத்தகைய படைப்புகளில் ஒன்று சுய-ஓட்டுநர் காரின் பிறப்பு. ஒரு நாள், நீங்கள் காரில் வேலை செய்யலாம் அல்லது தூங்கலாம். ஸ்டீயரிங் வீலை, ஆக்சலரேட்டரைத் தொடாமல், உங்கள் இலக்கை பாதுகாப்பாக அடையலாம். இந்த ஆவணத்தில் ஒரு இடத்திலிருந்து இன்னொரு இடத்திற்கு அல்லது வளைந்த பாதைகள், நேரான பாதைகள் மற்றும் நேரான மற்றும் வளைந்த பாதைகள் போன்ற பல்வேறு வகையான பாதைகளில் ஓடக்கூடிய சுய-ஓட்டுநர் காரின் செயல்பாட்டு மாதிரியை முன்மொழிகிறது. காரின் மேல் ஒரு கேமரா தொகுதி பொருத்தப்பட்டுள்ளது. ராஸ்பெர்ரி பை உடன் இணைந்து, நிஜ உலகத்திலிருந்து படங்களை கன்வோல்ஷனல் நியூரல் நெட்வொர்க்கிற்கு அனுப்புகிறது. இது பின்வரும் திசைகளில் ஒன்றை கணிக்கிறது. அதாவது வலது, இடது, முன்னோக்கி அல்லது நிறுத்து, அதன் பிறகு ஆர்டுயினோவிலிருந்து ரிமோட் கண்ட்ரோல் செய்யப்பட்ட காரின் கன்ட்ரோலருக்கு ஒரு சமிக்ஞையை அனுப்புகிறது, இதன் விளைவாக கார் எந்த மனித தலையீடும் இல்லாமல் விரும்பிய திசையில் நகர்கிறது.
bb17e8858b0d3a5eba2bb91f45f4443d3e10b7cd
090a6772a1d69f07bfe7e89f99934294a0dac1b9
f07fd927971c40261dd7cef1ad6d2360b23fe294	பரவலான கானோனிக் தொடர்பு பகுப்பாய்வு (CCA) என்ற சிக்கலை நாம் கருதுகிறோம், அதாவது, இரண்டு நேரியல் காம்பினேஷன் நாடுகளைத் தேடுவது, ஒவ்வொரு பன்முகத்தன்மைக்கும் ஒன்று, குறிப்பிட்ட எண்ணிக்கையிலான மாறிகளைப் பயன்படுத்தி அதிகபட்ச தொடர்பு கிடைக்கும். ஒவ்வொரு கட்டத்திலும் உள்ள தொடர்புகளை கட்டுப்படுத்தும் ஒரு நேரடி பேராசை அணுகுமுறையின் அடிப்படையில் ஒரு திறமையான எண் கால் தோராயத்தை நாங்கள் முன்மொழிகிறோம். இந்த முறை குறிப்பாக பெரிய தரவுத் தொகுப்புகளை சமாளிக்க வடிவமைக்கப்பட்டுள்ளது மற்றும் அதன் கணக்கீட்டு சிக்கலானது அரிமை நிலைகளை மட்டுமே சார்ந்துள்ளது. நாம் அல்காரிதம் m ன் செயல்திறனை பகுப்பாய்வு செய்கிறோம். எண் உருவகப்படுத்துதலின் முடிவுகள், ஒரு குறிப்பிடத்தக்க பகுதியை ஒப்பீட்டளவில் சிறிய எண்ணிக்கையிலான மாறிகளைப் பயன்படுத்தி கைப்பற்ற முடியும் என்று கூறுகின்றன. கூடுதலாக, பல மாறிகளின் பரிமாணங்களுடன் ஒப்பிடும்போது கிடைக்கக்கூடிய மாதிரிகளின் எண்ணிக்கை சிறியதாக இருக்கும்போது, ஒரு ஒழுங்குபடுத்தும் முறையாக அரிதான சி.சி.ஏ.யை பயன்படுத்துவதை நாங்கள் ஆராய்வோம். I. I அறிமுகம் ஹரோல் டி ஹோட்டெலிங் [1] அறிமுகப்படுத்திய கானோனிக் தொடர்பு பகுப்பாய்வு (CCA) என்பது பல மாறி தரவுகளின் அறுவடைக்கு ஒரு தரவு மூலத்திலிருந்து பொதுவான அம்சங்களை பிரித்தெடுப்பதற்கான ஒரு நிலையான நுட்பமாகும் [2] [3]. இந்த தரவு மூலங்கள் ஒவ்வொன்றும் ஒரு சீரற்ற திசையனை உருவாக்குகின்றன r நாம் ஒரு பன்முகத்தன்மை என்று அழைக்கிறோம். ஒரு பன்முக மாறிக்கு முகங்கொடுக்கும் பாரம்பரிய பரிமாண குறைப்பு முறைகளைப் போலல்லாமல், CCA கள் இரண்டு இடங்களிலிருந்து சாத்தியமான வேறுபட்ட பரிமாணங்கள் மற்றும் கட்டமைப்பின் மாதிரிகள் இடையேயான புள்ளிவிவர உறவுகளை கணக்கில் எடுத்துக்கொள்கின்றன. குறிப்பாக, இது இரண்டு நேரியல் சேர்க்கைகளைத் தேடுகிறது, அவற்றின் தொடர்புகளை அதிகரிக்க ஒவ்வொரு பன்முகத்தன்மைக்கும் ஒன்று. இது பல்வேறு துறைகளில் ஒரு தனித்த கருவியாக அல்லது பிற புள்ளியியல் முறைகளுக்கான முன் செயலாக்க படிப்பாக பயன்படுத்தப்படுகிறது. மேலும், CCA என்பது ஒரு பொதுவான கட்டமைப்பாகும், இது புள்ளியியல் துறையில் பல பாரம்பரிய முறைகளை உள்ளடக்கியது, எ. கா. , பிரதான கூறு பகுப்பாய்வு (PCA), பகுதி குறைந்த சதுரங்கள் (PLS) மற்றும் பல நேரியல் பின்னடைவு (MLR) [4]. சமீபத்தில், கரு CCA மற்றும் அதன் பயன்பாடு சுயாதீனமான கூறு பகுப்பாய்வில் [5] [6] வருகையுடன் CCA மீண்டும் கவனத்தை ஈர்த்துள்ளது. கடந்த பத்தாண்டுகளில், சிக்னல்களின் அரிதான பிரதிநிதித்துவங்கள் மற்றும் அரிதான எண் முறைகள் ஆகியவற்றின் தேடலில் ஆர்வம் அதிகரித்துள்ளது. எனவே, ஒரு சிறிய எண்ணிக்கையிலான மாறிகளைப் பயன்படுத்தி அதிகபட்ச தொடர்பு கொண்ட நேரியல் சேர்க்கைகளைத் தேடுவது போன்ற, அரிதான சி.சி.ஏ. சிக்கலை நாங்கள் கருதுகிறோம். பல்வேறு காரணங்களால், பற்றாக்குறைக்கான தேடல் உந்துதலாக இருக்கலாம். முதலாவது, விளைவுகளை விளக்கி, கற்பனை செய்யும் திறன். சிறிய எண்ணிக்கையிலான மாறிகள் சில சிறிய விவரங்களை தியாகம் செய்யும் போது, "பெரிய படத்தை" பெற அனுமதிக்கிறது. மேலும், கணக்கீட்டு திறன் கொண்ட பயன்பாட்டை எளிய பிரதிநிதித்துவங்கள் அனுமதிக்கின்றன. இந்த வேலை FA9550-06-1-0 324 மானியத்தின் கீழ் ஒரு AFOSR MURI மூலம் ஒரு பகுதியாக ஆதரிக்கப்பட்டது. இரண்டாவது உந்துதல், ஒழுங்குபடுத்தல் மற்றும் நிலைத்தன்மை. CCAயின் முக்கிய பலவீனங்களில் ஒன்று, ஒரு சிறிய எண்ணிக்கையிலான கண்காணிப்புகளுக்கு அதன் உணர்திறன் ஆகும். எனினும், க்ரீஜ் சி.சி.ஏ [7] போன்ற முறையான முறைகள் பயன்படுத்தப்பட வேண்டும். இந்த சூழலில், அரிதாக CCA என்பது துணைக்குழு தேர்வு திட்டமாகும், இது திசையன்களின் பரிமாணங்களைக் குறைக்கவும் நிலையான தீர்வைப் பெறவும் அனுமதிக்கிறது. நமது அறிவின் சிறந்த பகுதிக்கு, சிசிஏவின் முதல் குறிப்பு [2] இல் தோன்றியது, அங்கு பின்னோக்கி மற்றும் படிப்படியான துணைக்குழு தேர்வு முன்மொழியப்பட்டது. இந்த விவாதம் தரமான தன்மை கொண்டது மற்றும் எந்த குறிப்பிட்ட எண் வழிமுறையும் முன்மொழியப்படவில்லை. சமீபத்தில், பல பரிமாண தரவு செயலாக்கத்திற்கான அதிகரித்து வரும் கோரிக்கைகள் மற்றும் கணக்கீட்டு செலவு குறைந்து வருவது இந்த தலைப்பை மீண்டும் முக்கியத்துவம் பெறச் செய்துள்ளது [1]- [13]. இந்த தற்போதைய தீர்வுகளின் முக்கிய குறைபாடுகள், மந்தமான தன்மை மீது நேரடி கட்டுப்பாடு இல்லை என்பதும், அவற்றின் உகந்த ஹைப்பர்பாரமிட்டர்களைத் தேர்ந்தெடுப்பது கடினம் (மற்றும் உள்ளுணர்வு அல்ல). கூடுதலாக, இந்த முறைகளில் பெரும்பாலானவற்றின் கணக்கீட்டு சிக்கலானது உயர் பரிமாண தரவுத் தொகுப்புகளுடன் நடைமுறை பயன்பாடுகளுக்கு மிக அதிகமாக உள்ளது. அரிதான CCA என்பது [9] இல் மறைமுகமாக உரையாற்றப்பட்டுள்ளது, [14] மற்றும் d அரிதான PCA [9] , [15]- [17] இல் சமீபத்திய முடிவுகளுடன் நெருக்கமாக தொடர்புடையது. உண்மையில், எங்கள் முன்மொழியப்பட்ட தீர்வு CCA க்கு [17] முடிவுகளின் நீட்டிப்பாகும். இந்த வேலையின் முக்கிய பங்களிப்பு இரண்டு விதமாக உள்ளது. முதலில், ஒவ்வொரு பன்முகத்தன்மைகளிலும் உள்ள அரிமை மீது நேரடி கட்டுப்பாட்டுடன் CCA வழிமுறைகளை நாம் பெறுகிறோம் மற்றும் அவற்றின் செயல்திறனை ஆய்வு செய்கிறோம். எங்கள் கணக்கீட்டு திறன்மிக்க முறைகள் குறிப்பாக பெரிய பரிமாணங்களின் இரண்டு தரவு தொகுப்புகளுக்கு இடையிலான உறவுகளை புரிந்துகொள்ள உதவுகின்றன. நாம் ஒரு முன்னோக்கி (அல்லது பின்னோக்கி) பேராசை அணுகுமுறையை ஏற்றுக்கொள்கிறோம், இது தொடர்ச்சியாக தேர்ந்தெடுக்கும் (அல்லது கைவிடுதல்) மாறிகள் அடிப்படையாகக் கொண்டது. ஒவ்வொரு கட்டத்திலும், நாம் உகந்த சி.சி.ஏ. தீர்வை இணைத்து முழு பிரச்சினையையும் தீர்க்க வேண்டிய அவசியத்தை தவிர்க்கிறோம். மேலும், முன்னோக்கி பேராசை முறையின் கணக்கீட்டு சிக்கலானது தரவுகளின் பரிமாணங்களை சார்ந்தது அல்ல, ஆனால் அரிதான அளவுருக்கள் மட்டுமே. எண் உருவகப்படுத்துதல் முடிவுகள், ஒரு குறிப்பிடத்தக்க பகுதியின் தொடர்பு, ஒப்பீட்டளவில் குறைந்த எண்ணிக்கையிலான பூஜ்ஜியமற்ற குணகங்களைப் பயன்படுத்தி திறம்பட மூடப்படலாம் என்பதைக் காட்டுகின்றன. இரண்டாவது பங்களிப்பு, ஒரு ஒழுங்குமுறை முறை என, சிசிஏவின் ஆய்வு ஆகும். பல மாறிகளின் பரிமாணங்கள் மாதிரிகளின் எண்ணிக்கையை விட (அல்லது அதே வரிசையில்) பெரியதாக இருக்கும்போது, பல்வேறு வழிமுறைகளின் பயன்பாட்டை நாம் பரிசோதிக்கிறோம், மேலும் அரிதான சி. சி. ஏவின் நன்மையை நிரூபிக்கிறோம். இந்த சூழலில், பேராசை அணுகுமுறையின் நன்மைகளில் ஒன்று, இது முழு ஸ்பாரிசிட்டி பாதையை ஒரே ஒரு ஓட்டத்தில் உருவாக்குகிறது மற்றும் திறமையான அளவுரு சரிசெய்தலை அனுமதிக்கிறது
49afbe880b8bd419605beb84d3382647bf8e50ea
19b7e0786d9e093fdd8c8751dac0c4eb0aea0b74
0b3cfbf79d50dae4a16584533227bb728e3522aa	தொடர்ச்சியான பின்னோக்கி பரப்புதல் மூலம் நீண்ட கால இடைவெளியில் தகவல்களை சேமிக்க கற்றுக்கொள்வது மிக நீண்ட நேரம் எடுக்கும், பெரும்பாலும் போதுமானதாக இல்லாததால், சிதைந்துபோகும் பிழை பின்னோக்கி ஓட்டம். இந்த பிரச்சினையின் ஹொக்ரைட்டரின் (1991) பகுப்பாய்வை சுருக்கமாக மறுபரிசீலனை செய்கிறோம், பின்னர் நீண்ட குறுகிய கால நினைவகம் (எல்.எஸ்.டி.எம்) எனப்படும் ஒரு புதிய, திறமையான, சாய்வு அடிப்படையிலான முறையை அறிமுகப்படுத்துவதன் மூலம் அதைத் தீர்ப்போம். இது சேதமடையாத இடத்தில் சாய்வு குறைப்பு, LSTM 1000 தனி நேர படிகளை விடக் குறைவான நேர தாமதங்களைக் கடக்கக் கற்றுக்கொள்ளலாம். பெருக்கல் வாயில் அலகுகள் நிலையான பிழை ஓட்டத்திற்கான அணுகலைத் திறக்கவும் மூடவும் கற்றுக்கொள்கின்றன. LSTM என்பது இடத்திலும் காலத்திலும் உள்ளூர்; அதன் கால படி மற்றும் எடைக்கு அதன் கணக்கீட்டு சிக்கலானது O ஆகும். 1. செயற்கை தரவுகளுடனான நமது பரிசோதனைகள் உள்ளூர், விநியோகிக்கப்பட்ட, உண்மையான மதிப்புள்ள, மற்றும் சத்தமில்லாத வடிவ பிரதிநிதித்துவங்களை உள்ளடக்கியது. நிகழ்நேர தொடர்ச்சியான கற்றல், காலத்தின் மூலம் பின்னோக்கி பரவுதல், தொடர்ச்சியான அலைவரிசை தொடர்பு, எல்மன் நெட், மற்றும் நரம்பியல் வரிசை துண்டுகள் ஆகியவற்றுடன் ஒப்பிடும்போது, LSTM பல வெற்றிகரமான ஓட்டங்களுக்கு வழிவகுக்கிறது, மேலும் மிக வேகமாக கற்றுக்கொள்கிறது. LSTM சிக்கலான, செயற்கை நீண்ட கால தாமத பணிகளை தீர்க்கிறது, அவை முந்தைய தொடர்ச்சியான நெட்வொர்க் வழிமுறைகளால் தீர்க்கப்படவில்லை.
9eb67ca57fecc691853636507e2b852de3f56fac	முந்தைய ஆய்வுகள், சொற்களின் மற்றும் உரையின் அர்த்தமுள்ள பிரதிநிதித்துவங்களை நரம்பியல் உட்பொதிப்பு மாதிரிகள் மூலம் பெற முடியும் என்பதைக் காட்டியுள்ளன. குறிப்பாக, பத்தி திசையன் (பி.வி) மாதிரிகள் ஒரு ஆவண (தலைப்பு) நிலை மொழி மாதிரியை மதிப்பிடுவதன் மூலம் சில இயற்கை மொழி செயலாக்க பணிகளில் ஈர்க்கக்கூடிய செயல்திறனைக் காட்டியுள்ளன. இருப்பினும், பாரம்பரிய மொழி மாதிரி அணுகுமுறைகளுடன் பி.வி. மாதிரிகளை ஒருங்கிணைப்பது நிலையற்ற செயல்திறன் மற்றும் வரையறுக்கப்பட்ட மேம்பாடுகளை உருவாக்குகிறது. இந்த ஆய்வில், நாம் முறையாக மூன்று உள் பிரச்சினைகள் பற்றி விவாதிக்கிறோம் அசல் PV மாதிரி மீட்பு பணிகளில் அதன் செயல்திறனை கட்டுப்படுத்துகிறது. IR பணிக்கு மிகவும் பொருத்தமானதாக மாற்றியமைக்கப்பட்ட மாடல்களின் மாற்றங்களையும் நாங்கள் விவரிக்கிறோம், மேலும் அவற்றின் தாக்கத்தை சோதனைகள் மற்றும் வழக்கு ஆய்வுகள் மூலம் காட்டுகிறோம். நாம் உரையாற்றும் மூன்று பிரச்சினைகள் (1) குறுகிய ஆவணத்தின் மீதான குறுகிய பயிற்சி செயல்முறை, இறுதி மீட்டெடுப்பு மாதிரியில் நீளத் திசைதிருப்பலை உருவாக்குகிறது; (2) குறுகிய-அடிப்படையிலான எதிர்மறை மாதிரி PV அடிக்கடி சொற்களின் முக்கியத்துவத்தை அதிகமாக அடக்கும் சொற்களுக்கான எடை திட்டத்திற்கு வழிவகுக்கிறது; மற்றும் (3) சொல்-சூழல் தகவல்கள் இல்லாததால் PV வார்த்தை மாற்று உறவுகளை கைப்பற்ற முடியாது.
4df321947a2ac4365584a01d78a780913b171cf5	அம்ச அடிப்படையிலான உணர்வு பகுப்பாய்வு (ABSA) என்பது குறிப்பிட்ட நிறுவனங்கள் மற்றும் அவற்றின் அம்சங்கள் பற்றிய கருத்துக்களை உரையிலிருந்து சுருக்கமாகக் கூறுவதற்கும் சுருக்கமாகக் கூறுவதற்கும் ஆகும். இந்த கட்டுரை பிரெஞ்சு மொழிக்கு ஏபிஎஸ்ஏ அமைப்புகளின் வளர்ச்சி மற்றும் சோதனைக்கான இரண்டு தரவுத்தொகுப்புகளை விவரிக்கிறது, இதில் பயனர் மதிப்புரைகள் தொடர்புடைய நிறுவனங்கள், அம்சங்கள் மற்றும் துருவமுனை மதிப்புகள் ஆகியவற்றுடன் குறிக்கப்பட்டுள்ளன. முதல் தரவுத்தொகுப்பில் ABSA அமைப்புகளின் பயிற்சி மற்றும் சோதனைக்காக 457 உணவக மதிப்புரைகள் (2365 வாக்கியங்கள்) உள்ளன, அதே நேரத்தில் இரண்டாவது 162 அருங்காட்சியக மதிப்புரைகள் (655 வாக்கியங்கள்) களத்திற்கு வெளியே மதிப்பீட்டிற்கு அர்ப்பணிக்கப்பட்டுள்ளன. இரண்டு தரவுத்தொகுப்புகளும் SemEval-2016 பணி 5 அம்ச அடிப்படையிலான உணர்வு பகுப்பாய்வு இன் ஒரு பகுதியாக கட்டப்பட்டன, இதில் ஏழு வெவ்வேறு மொழிகள் பிரதிநிதித்துவப்படுத்தப்பட்டன, மேலும் அவை ஆராய்ச்சி நோக்கங்களுக்காக பொதுவில் கிடைக்கின்றன. இந்த கட்டுரை விளக்கக் குறிப்பு வகைகளின் உதாரணங்களையும் புள்ளிவிவரங்களையும் வழங்குகிறது, விளக்கக் குறிப்பு வழிகாட்டுதல்களை சுருக்கமாகக் கூறுகிறது மற்றும் அவற்றின் மொழிகளுக்கு இடையிலான பொருந்தக்கூடிய தன்மையைப் பற்றி விவாதிக்கிறது. இது SemEval ABSA பணியில் மதிப்பீட்டிற்காக தரவு எவ்வாறு பயன்படுத்தப்பட்டது என்பதையும் விளக்குகிறது மற்றும் பிரெஞ்சு மொழிக்கான முடிவுகளை சுருக்கமாக முன்வைக்கிறது.
2445089d4277ccbec3727fecfe73eaa4cc57e414	பிரெஞ்சு, ஜெர்மன், ஸ்பானிஷ் மற்றும் செக் மொழிகளை ஆங்கிலத்தில் மொழிபெயர்த்து, மீண்டும் மொழிபெயர்க்கும் 8 மொழி ஜோடிகளுக்கு இயந்திர மொழிபெயர்ப்பு அமைப்புகளின் மொழிபெயர்ப்பு தரத்தை இந்த ஆவணம் மதிப்பீடு செய்கிறது. நாம் ஒரு விரிவான மனித மதிப்பீட்டை மேற்கொண்டோம், இது வெவ்வேறு MT அமைப்புகளை தரவரிசைப்படுத்துவதற்கு மட்டுமல்லாமல், மதிப்பீட்டு செயல்முறையின் உயர் மட்ட பகுப்பாய்வையும் செய்ய அனுமதித்தது. மூன்று வகையான சுய மதிப்பீடுகளுக்கான நேரத்தையும் உள் மற்றும் இடை-குறிப்புதாரர் உடன்பாட்டையும் நாங்கள் அளவிட்டோம். தானியங்கி மதிப்பீட்டு அளவீடுகளின் தொடர்புகளை மனித தீர்ப்புகளுடன் அளந்தோம். இந்த மெட்டா மதிப்பீடு மிகவும் பொதுவாக பயன்படுத்தப்படும் முறைகள் பற்றிய ஆச்சரியமான உண்மைகளை வெளிப்படுத்துகிறது.
1965a7d9a3eb0727c054fb235b1758c8ffbb8e22	வட்டமிட்ட துருவமயமாக்கப்பட்ட ஒற்றை அடுக்கு U- ஸ்லாட் மைக்ரோஸ்ட்ரிப் பேட்ச் ஆண்டெனா முன்மொழியப்பட்டுள்ளது. பரிந்துரைக்கப்பட்ட சமச்சீரற்ற U- ஸ்லாட், செறிவு-உணவளிக்கப்பட்ட சதுர பேட்ச் மைக்ரோஸ்ட்ரிப் ஆண்டெனாவின் எந்த மூலையையும் சேம்ஃபர் செய்யாமல் வட்ட துருவமயமாக்கலுக்கான இரண்டு நேர்கோண முறைகளை உருவாக்க முடியும். U- ஸ்லாட்டின் வெவ்வேறு கை நீளங்களால் ஏற்படும் விளைவுகளை ஆராய ஒரு அளவுரு ஆய்வு மேற்கொள்ளப்பட்டுள்ளது. நுரை மூலக்கூறின் தடிமன், அலைநீளத்தின் 8.5% ஆகும். 3 dB அச்சு விகித அலைவரிசை பரப்பளவு 4% ஆகும். இந்த ஆண்டெனாவின் சோதனை மற்றும் தத்துவார்த்த முடிவுகள் இருவரும் முன்வைக்கப்பட்டு விவாதிக்கப்பட்டுள்ளன. வட்ட துருவமுனைப்பு, அச்சிடப்பட்ட ஆண்டெனாக்கள், U- ஸ்லாட்.
9462cd1ec2e404b22f76c88b6149d1e84683acb7	இந்த கடிதத்தில், ஒரு பரந்த அலைவரிசை சிறிய வட்டமிட்ட துருவமுனைப்பு (சிபி) பேட்ச் ஆண்டெனா முன்மொழியப்பட்டுள்ளது. இந்த பேட்ச் ஆண்டெனா ஒரு அச்சிடப்பட்ட சுழலும் ஆய்வாளரை (எம்-சோதனை) மற்றும் ஒரு பரந்தவெளி CP செயல்பாட்டை உருவாக்க நேர்கோணல் அதிர்வு முறைகளை உற்சாகப்படுத்தும் குறுகிய பேட்ச்களைக் கொண்டுள்ளது. 5G Wi-Fi பயன்பாட்டிற்கு பொருந்தும் வகையில் அச்சு-விகித (AR) அலைவரிசையை மேலும் மேம்படுத்த அடுக்கி வைக்கப்பட்ட இணைப்பு பயன்படுத்தப்படுகிறது. இந்த முன்மொழியப்பட்ட ஆண்டெனா முறையே 42.3% இம்பிடென்ஸ் அலைவரிசை மற்றும் 16.8% AR அலைவரிசைகளை அடைகிறது. AR அலைவரிசை அகலத்திற்குள் சராசரி ஆதாயம் 6.6 dBic ஆகும், இதில் 0.5 dB க்கும் குறைவான மாறுபாடு உள்ளது. இந்த வேலை ஒரு M-சோதனை ஊட்டப்பட்ட CP பேட்ச் ஆண்டெனாவின் அலைவரிசை விரிவாக்க நுட்பத்தை நிரூபிக்கிறது. இது M-சோதனை பரந்த அலைவரிசை பண்புகளை டீலெக்ட்ரிக் சுமை கொண்ட பேட்ச் ஆண்டெனாவில் வழங்க முடியும் என்பதை ஆய்வு செய்து காண்பிக்கும் முதல் ஆய்வு ஆகும். 5ஜி வைஃபை மற்றும் செயற்கைக்கோள் தொடர்பு முறைகள் ஆகியவற்றில் இந்த ஆண்டெனாவின் சாத்தியமான பயன்பாடுகள் உள்ளன.
d6002a6cc8b5fc2218754aed970aac91c8d8e7e9	இந்த ஆய்வில், பல குறிப்பிட்ட 3D பொருள்களை உண்மையான நேரத்தில் கண்டறிய ஒரு புதிய முறையை முன்மொழிகிறோம். சமீபத்தில் ஹிண்டெஸ்டோய்சர் மற்றும் பலர் அறிமுகப்படுத்திய LINE2D/LINEMOD பிரதிநிதித்துவத்தின் அடிப்படையில் டெம்ப்ளேட் அடிப்படையிலான அணுகுமுறையிலிருந்து தொடங்குகிறோம், ஆனால் அதை இரண்டு வழிகளில் விரிவுபடுத்துகிறோம். முதலில், நாம் படிமங்களை ஒரு வித்தியாசமான முறையில் கற்றுக்கொள்ள முன்மொழிகிறோம். நாம் காண்பித்தபடி, இது இணையத்தில் எடுத்துக்காட்டு படங்களை சேகரிக்கும் போது, சில மில்லி விநாடிகளில் செய்ய முடியும், இது கண்டறிதல் துல்லியத்தில் பெரிய தாக்கத்தை ஏற்படுத்துகிறது. இரண்டாவதாக, கண்டறிதலை விரைவுபடுத்தும் வகையில் ஒரு திட்டத்தை முன்மொழிகிறோம். ஒரு பொருளை கண்டறிவது விரைவாக இருப்பதால், புதிய பொருட்களை மிகக் குறைந்த செலவில் சேர்க்கலாம், இதனால் நமது அணுகுமுறை அளவை நன்றாகச் செய்கிறது. எங்கள் பரிசோதனைகளில், 10-30 3D பொருள்களை 10fps க்கு மேல் உள்ள பிரேம் ரேட்டில் ஒரு CPU கோர் மூலம் எளிதாக கையாள முடியும். 3 வெவ்வேறு தரவுத் தொகுப்புகளில் சரிபார்க்கப்பட்ட வேகம் மற்றும் துல்லியம் ஆகிய இரண்டிலும் நாம் அதிநவீனத்தை விட சிறப்பாக செயல்படுகிறோம். இது மோனோகுலர் வண்ண படங்களை (LINE2D உடன்) மற்றும் RGBD படங்களை (LINEMOD உடன்) பயன்படுத்தும் போது இருவரும் பொருந்தும். மேலும், 12 பொருள்களைக் கொண்ட ஒரு புதிய தரவுத் தொகுப்பை முன்மொழிகிறோம், இது ஒற்றை நிற படங்களில் எதிர்கால போட்டியிடும் முறைகளுக்காக.
41d103f751d47f0c140d21c5baa4981b3d4c9a76	மக்கள் தங்கள் இணைய வலைப்பதிவுகளில் எழுதுகின்ற தனிப்பட்ட கதைகள் அன்றாட நிகழ்வுகளுக்கு இடையேயான காரண உறவுகள் பற்றிய கணிசமான தகவல்களை உள்ளடக்கியது. இந்த ஆய்வில், மில்லியன் கணக்கான கதைகளை பயன்படுத்தி, தானியங்கி பொது அறிவு காரண பகுத்தறிவுகளை உருவாக்கும் முயற்சிகளை விவரிக்கிறோம். பொதுவான காரண காரண காரண சிக்கலை ஒரு சாத்தியமான மாற்றுகளின் தேர்வு எனக் கருதி, பல்வேறு புள்ளிவிவர மற்றும் தகவல் மீட்பு அணுகுமுறைகளை ஒப்பிட்டு நான்கு சோதனைகளை விவரிக்கிறோம். இந்த பரிசோதனைகளில் சிறந்த செயல்திறன் கொண்ட அமைப்பு, காரண முன்னோடி மற்றும் விளைவு ஆகியவற்றில் உள்ள சொற்களுக்கு இடையே ஒரு எளிய இணை நிகழ்வு புள்ளிவிவரத்தைப் பயன்படுத்துகிறது, இது மில்லியன் கணக்கான தனிப்பட்ட கதைகளின் தொகுப்பில் உள்ள சொற்களுக்கு இடையிலான புள்ளி வாரியான பரஸ்பர தகவலாக கணக்கிடப்படுகிறது.
c9d1bcdb95aa748940b85508fd7277622f74c0a4	தகவல் முறைமைகள் (ஐஎஸ்) துறையில் குறைந்தது ஒரு தசாப்த காலமாக வழக்கு ஆய்வுகள் மரியாதைக்குரியவை. வழக்கு ஆய்வுகளின் பொருத்தமும், சாத்தியமான மதிப்பும் இருந்தபோதிலும், இந்த முறைமுறை அணுகுமுறை ஒரு காலத்தில் குறைவான முறையானதாக கருதப்பட்டது. 1980 களின் இறுதியில், IS வழக்கு ஆய்வுகள் கடுமையாக நடத்தப்பட்டதா என்ற கேள்வி முதலில் எழுப்பப்பட்டது. எமது துறையில் ஆராய்ச்சியாளர்கள் (எ. கா. , பென்பாசட் மற்றும் பலர். 1987; லீ 1989) மற்றும் பிற துறைகளில் இருந்து (எ. கா. , ஐசன்ஹார்ட் 1989; யின் 1994) வழக்கு ஆராய்ச்சியில் அதிக கடுமையைக் கோரினார்கள், மேலும் அவர்களின் பரிந்துரைகள் வழக்கு ஆய்வு முறைமை முன்னேற்றத்திற்கு பங்களித்தன. இந்த பங்களிப்புகளை கருத்தில் கொண்டு, இந்த ஆய்வு, IS துறையில் வழக்கு ஆய்வு முறையின் செயல்பாட்டு பயன்பாட்டில் எந்த அளவிற்கு முன்னேறியுள்ளது என்பதை தீர்மானிக்க முற்படுகிறது. கடந்த பத்தாண்டுகளில் நடத்தப்பட்ட நேர்மறைவாத ஐஎஸ் வழக்கு ஆராய்ச்சியில் முறைசார்ந்த கடுமையான நிலை குறித்து இது ஆராய்கிறது. இந்த இலக்கை அடைவதற்கு, ஏழு முக்கிய ஐஎஸ் பத்திரிகைகளில் இருந்து 183 வழக்கு கட்டுரைகளை அடையாளம் கண்டு குறியீட்டு செய்தோம். இந்த மதிப்பீட்டில் கருதப்படும் மதிப்பீட்டு பண்புகள் அல்லது அளவுகோல்கள் மூன்று முக்கிய பகுதிகளில் கவனம் செலுத்துகின்றன, அதாவது வடிவமைப்பு சிக்கல்கள், தரவு சேகரிப்பு மற்றும் தரவு பகுப்பாய்வு. சில குறிப்பிட்ட பண்புகளை பொறுத்தவரை முறையான கடுமையான நிலைக்கு மிதமான முன்னேற்றம் ஏற்பட்டாலும், ஒட்டுமொத்த மதிப்பீட்டு கடுமையானது ஓரளவு தெளிவற்றது மற்றும் மேம்படுத்த இன்னும் குறிப்பிடத்தக்க பகுதிகள் உள்ளன. தரவு சேகரிப்பு மற்றும் தரவு பரிமாற்றத்துடன் தொடர்புடைய பிரச்சினைகள் தொடர்பாக சிறந்த ஆவணங்களை உள்ளடக்குவதே முக்கியம்.
025cdba37d191dc73859c51503e91b0dcf466741	கைரேகை அடையாளம் காணும் பயன்பாடுகளில் கைரேகை பட மேம்பாடு என்பது ஒரு முக்கிய முன் செயலாக்க படியாகும். இந்த ஆய்வில், கைரேகை படத்தில் உள்ள உள்ளூர் மலைச்சரிவின் திசை மற்றும் அதிர்வெண்ணை ஒரே நேரத்தில் பிரித்தெடுக்கும் ஒரு அணுகுமுறையை காபோர் அலைவரிசை வடிகட்டி வங்கியால் அறிமுகப்படுத்துகிறோம், மேலும் அவற்றை படத்தின் காபோர் வடிகட்டியில் பயன்படுத்துகிறோம். மேலும், கைரேகை பட மேம்பாட்டிற்கான ஒரு வலுவான அணுகுமுறையை நாங்கள் விவரிக்கிறோம், இது காபோர் வடிகட்டிகள் மற்றும் திசை ஊடக வடிகட்டி ((DMF) ஆகியவற்றை ஒருங்கிணைப்பதை அடிப்படையாகக் கொண்டது. உண்மையில், கௌசியன் விநியோகிக்கப்பட்ட சத்தங்கள் கபோர் வடிகட்டிகளால் திறம்பட குறைக்கப்படுகின்றன மற்றும் DMF ஆல் தூண்டுதல் சத்தங்கள் குறைக்கப்படுகின்றன. முன்மொழியப்பட்ட டி.எம்.எஃப். அதன் அசல் பணிகளை நிறைவு செய்ய முடியும் என்பது மட்டுமல்லாமல், உடைந்த கைரேகை கரடுமுரட்களையும் இணைக்கவும், கைரேகை படங்களின் துளைகளை நிரப்பவும், சீரற்ற கரடுமுரட்களை மென்மையாக்கவும், கரடுமுரட்களுக்கு இடையில் உள்ள சில எரிச்சலூட்டும் சிறிய கலைப்பொருட்களை அகற்றவும் முடியும். பரிசோதனை முடிவுகள், இலக்கியத்தில் விவரிக்கப்பட்டவற்றை விட, நமது முறை சிறந்தது என்பதைக் காட்டுகின்றன.
3dfce4601c3f413605399267b3314b90dc4b3362	இன்றைய உலகளாவிய வலையமைப்பு சமூகமானது, தகவல்களைப் பரப்புவதற்கும் பகிர்ந்து கொள்வதற்கும் பெரும் தேவைகளை ஏற்படுத்துகிறது. கடந்த காலத்தில் வெளியிடப்பட்ட தகவல்கள் பெரும்பாலும் அட்டவணை மற்றும் புள்ளிவிவர வடிவத்தில் இருந்தபோதிலும், பல சூழ்நிலைகள் இன்று குறிப்பிட்ட தரவுகளை (மைக்ரோடேட்டா) வெளியிடுவதைக் கோருகின்றன. தகவல்கள் குறிப்பிடுகின்ற நிறுவனங்களின் (பதிலளித்தவர்கள் என அழைக்கப்படுபவர்கள்) அநாமதேயத்தை பாதுகாப்பதற்காக, தரவு வைத்திருப்பவர்கள் பெரும்பாலும் பெயர்கள், முகவரிகள் மற்றும் தொலைபேசி எண்கள் போன்ற வெளிப்படையான அடையாளங்காட்டிகளை நீக்குகிறார்கள் அல்லது குறியாக்குகிறார்கள். இருப்பினும், அடையாளம் காண முடியாத தரவு, அநாமதேயத்தை உறுதிப்படுத்தாது. வெளியிடப்பட்ட தகவல்களில் பெரும்பாலும் இனம், பிறந்த தேதி, பாலினம் மற்றும் அஞ்சல் குறியீடு போன்ற பிற தரவுகளும் உள்ளன, அவை பதிலளிப்பவர்களை மறுபரிசீலனை செய்வதற்கும், வெளிப்படுத்தப்படாத தகவல்களைக் கண்டறிவதற்கும் பொதுவில் கிடைக்கும் தகவல்களுடன் இணைக்கப்படலாம். இந்த ஆய்வில், தரவுகளை குறிக்கும் பதிலளித்தவர்களின் அநாமதேயத்தை பாதுகாக்கும் அதே வேளையில் மைக்ரோடேட்டாவை வெளியிடுவதற்கான பிரச்சினையை நாங்கள் கையாள்கிறோம். இந்த அணுகுமுறை k-அநாமதேயத்தின் வரையறையை அடிப்படையாகக் கொண்டது. ஒரு அட்டவணை, வெளிப்படையாக அடையாளம் காணும் தகவலை அதன் உள்ளடக்கத்துடன் இணைக்க முயற்சித்தால், தகவலை குறைந்தபட்சம் k நிறுவனங்களுடன் வரைபடமாக்குகிறது. பொதுமைப்படுத்தல் மற்றும் அடக்குமுறை நுட்பங்களைப் பயன்படுத்தி வெளியிடப்பட்ட தகவல்களின் ஒருமைப்பாட்டை (அல்லது உண்மைத்தன்மையை) சமரசம் செய்யாமல் k-அநாமதேயத்தை எவ்வாறு வழங்க முடியும் என்பதை நாங்கள் விளக்குகிறோம். குறைந்தபட்ச பொதுமயமாக்கல் என்ற கருத்தை அறிமுகப்படுத்துகிறோம், இது வெளியீட்டு செயல்முறையின் சொத்தை கைப்பற்றுகிறது, இது k-அநாமதேயத்தை அடைய தேவையானதை விட தரவை சிதைக்காது, மேலும் அத்தகைய பொதுமயமாக்கலின் கணக்கீட்டிற்கான ஒரு வழிமுறையை முன்வைக்கிறது. பல்வேறு குறைந்தபட்ச திட்டங்களில் இருந்து தேர்ந்தெடுக்க விருப்பத்தேர்வு கொள்கைகள் பற்றியும் விவாதிக்கிறோம்.
cd866d4510e397dbc18156f8d840d7745943cc1a
74c24d7454a2408f766e4d9e507a0e9c3d80312f	வயர்லெஸ் சென்சார் நெட்வொர்க்குகளுக்கான ஸ்மார்ட் கார்டு அடிப்படையிலான பயனர் அங்கீகார திட்டம் (சுருக்கமாக, ஒரு SUA-WSN திட்டம்) ஒரு ஸ்மார்ட் கார்டு மற்றும் அதனுடன் தொடர்புடைய கடவுச்சொல் ஆகிய இரண்டையும் வைத்திருக்கும் பயனர்களுக்கு மட்டுமே சென்சார் தரவுகளுக்கான அணுகலைக் கட்டுப்படுத்த வடிவமைக்கப்பட்டுள்ளது. சமீபத்திய ஆண்டுகளில் ஏராளமான SUA-WSN திட்டங்கள் பரிந்துரைக்கப்பட்டிருந்தாலும், அவற்றின் நோக்கம் கொண்ட பாதுகாப்பு பண்புகள் முறையான வரையறைகள் மற்றும் பரவலாக ஏற்றுக்கொள்ளப்பட்ட மாதிரியில் நிரூபிக்கப்படவில்லை. இதன் விளைவாக பல்வேறு தாக்குதல்களுக்கு எதிராக பாதுகாப்பற்ற SUA-WSN திட்டங்கள் பெருகியுள்ளன. இந்த ஆய்வில், பெல்லேர், பாயிண்ட்செவல் மற்றும் ரோகாவே (2000) ஆகியோரின் பரவலாக ஏற்றுக்கொள்ளப்பட்ட மாதிரியை விரிவுபடுத்துவதன் மூலம் SUA-WSN திட்டங்களை பகுப்பாய்வு செய்வதற்கான பாதுகாப்பு மாதிரியை நாங்கள் வடிவமைக்கிறோம். எங்கள் மாதிரி, அங்கீகரிக்கப்பட்ட முக்கிய பரிமாற்றம் மற்றும் பயனர் அநாமதேயத்தை பற்றிய முறையான வரையறைகளை வழங்குகிறது. அதே நேரத்தில் பக்கவாட்டு சேனல் தாக்குதல்களையும், மற்ற பொதுவான தாக்குதல்களையும் கைப்பற்றுகிறது. மேலும், எலிப்டிக் வளைவு குறியாக்கத்தை (ECC) அடிப்படையாகக் கொண்ட ஒரு புதிய SUA-WSN திட்டத்தை நாங்கள் முன்மொழிகிறோம், மேலும் அதன் பாதுகாப்பு பண்புகளை எங்கள் நீட்டிக்கப்பட்ட மாதிரியில் நிரூபிக்கிறோம். எங்களது சிறந்த அறிவுக்கு, எங்கள் முன்மொழியப்பட்ட திட்டம், முதல் SUA-WSN திட்டமாகும், இது அங்கீகரிக்கப்பட்ட முக்கிய பரிமாற்றம் மற்றும் பயனர் அநாமதேயத்தை நிரூபிக்கக்கூடிய வகையில் அடைகிறது. எமது திட்டம் கணக்கீட்டு ரீதியாக மற்ற ECC அடிப்படையிலான (நிரூபிக்க முடியாத பாதுகாப்பான) திட்டங்களுடன் போட்டியிடும் திறன் கொண்டது.
3973e14770350ed54ba1272aa3e19b4d21f5dad3	2007 ஆம் ஆண்டு DARPA நகர்ப்புற சவாலில் கார்னகி மெலன் பல்கலைக்கழகத்தின் வெற்றியாளரான பாஸிற்காக உருவாக்கப்பட்ட தடை கண்டறிதல் மற்றும் கண்காணிப்பு வழிமுறைகளை இந்த ஆவணம் விவரிக்கிறது. நாம் கண்காணிப்பு துணை அமைப்பை விவரித்து, அது எவ்வாறு பெரிய உணர்தல் அமைப்பின் சூழலில் செயல்படுகிறது என்பதைக் காட்டுகிறோம். நகர்ப்புறங்களில் வாகனங்களை ஓட்டுவதில் சிக்கலான சூழ்நிலைகளை புரிந்து கொண்டு, மற்ற வாகனங்களுக்கு அருகில் பாதுகாப்பாக இயங்க இந்த ரோபோவுக்கு வழிநடத்துதல் துணை அமைப்பு உதவுகிறது. கண்காணிப்பு அமைப்பு ஒரு டஜன் சென்சார்களில் இருந்து சென்சார் தரவுகளை சுற்றுச்சூழல் பற்றிய கூடுதல் தகவலுடன் இணைத்து ஒரு ஒத்திசைவான சூழ்நிலை மாதிரியை உருவாக்குகிறது. சென்சார் தரவுகளின் தரத்தின் அடிப்படையில் பொருட்களைக் கண்காணிக்க ஒரு புதிய பல மாதிரி அணுகுமுறை பயன்படுத்தப்படுகிறது. இறுதியாக, கண்காணிப்பு உப அமைப்பின் கட்டமைப்பு ஒவ்வொரு செயலாக்க நிலைகளையும் வெளிப்படையாக சுருக்கமாகக் கூறுகிறது. புதிய சென்சார்கள் மற்றும் சரிபார்ப்பு வழிமுறைகளை சேர்ப்பதன் மூலம் துணை அமைப்பை எளிதாக விரிவுபடுத்த முடியும்.
6a694487451957937adddbd682d3851fabd45626	கேள்வி பதில் (QA) அமைப்புகளின் நவீன நிலை, விடைப் பகுதிகள் பெற சொல்-அழுத்த வரிசையை பயன்படுத்துகிறது. கேள்விக்குரிய சொற்களுக்கு இடையேயான உறவுகள் கருதப்படாததால், இத்தகைய முறைகள் பெரும்பாலும் தவறான பத்திகளை மீட்டெடுக்கின்றன. முந்தைய ஆய்வுகள் கேள்விகளுக்கும் பதில்களுக்கும் இடையிலான சார்பு உறவுகளை பொருத்துவதன் மூலம் இந்த சிக்கலை தீர்க்க முயன்றன. அவர்கள் கடுமையான பொருத்தத்தைப் பயன்படுத்தினர், இது அர்த்தரீதியாக சமமான உறவுகள் வித்தியாசமாக சொல்லப்பட்டால் தோல்வியடைகிறது. புள்ளியியல் மாதிரிகளின் அடிப்படையில் நாம் மங்கலான உறவு பொருத்தத்தை முன்மொழிகிறோம். கடந்த கால QA ஜோடிகளிலிருந்து உறவு மேப்பிங் மதிப்பெண்களைக் கற்றுக்கொள்வதற்கான இரண்டு முறைகளை நாங்கள் முன்வைக்கிறோம்ஃ ஒன்று பரஸ்பர தகவல்களின் அடிப்படையில், மற்றொன்று எதிர்பார்ப்பு அதிகரிப்பு. பரிசோதனை முடிவுகள், நமது முறை, நவீனமான அடர்த்தி அடிப்படையிலான பாதைகளை மீட்டெடுக்கும் முறைகளை விட 78% அதிகமான சராசரி பரஸ்பர தரவரிசையில் சிறப்பாக செயல்படுகிறது என்பதைக் காட்டுகிறது. தொடர்பு பொருத்துதல் என்பது வினவல் விரிவாக்கத்தால் மேம்படுத்தப்பட்ட அமைப்பில் 50% முன்னேற்றத்தை கொண்டுவருகிறது.
2538e3eb24d26f31482c479d95d2e26c0e79b990	ஒருங்கிணைந்த நரம்பியல் வலையமைப்பு கட்டமைப்பு மற்றும் கற்றல் வழிமுறையை நாங்கள் முன்மொழிகிறோம், இது பல்வேறு இயற்கை மொழி செயலாக்க பணிகளுக்குப் பயன்படுத்தப்படலாம்: பேச்சு பகுதியின் குறிச்சொல், துண்டு, பெயரிடப்பட்ட நிறுவன அங்கீகாரம் மற்றும் சொற்பொருள் பாத்திர லேபிளிங். இந்த பல்துறைத்திறன், பணி-குறிப்பிட்ட பொறியியலைத் தவிர்ப்பதன் மூலமும், எனவே முந்தைய அறிவைப் புறக்கணிப்பதன் மூலமும் அடையப்படுகிறது. ஒவ்வொரு பணிக்காகவும் கவனமாக உகந்ததாக்கப்பட்ட மனிதனால் உருவாக்கப்பட்ட உள்ளீட்டு அம்சங்களை பயன்படுத்தி பயன்படுத்துவதற்குப் பதிலாக, எங்கள் அமைப்பு பரந்த அளவிலான பெரும்பாலும் பெயரிடப்படாத பயிற்சி தரவுகளின் அடிப்படையில் உள் பிரதிநிதித்துவங்களைக் கற்றுக்கொள்கிறது. இந்த வேலை பின்னர் ஒரு இலவசமாகக் கிடைக்கும் குறிச்சொல் அமைப்பைக் கட்டியெழுப்ப ஒரு அடிப்படையாகப் பயன்படுத்தப்படுகிறது, இது நல்ல செயல்திறன் மற்றும் குறைந்தபட்ச கணக்கீட்டுத் தேவைகளைக் கொண்டுள்ளது.
317deb87586baa4ee7c7b5dfc603ebed94d1da07	ஆழமான மீண்டும் மீண்டும் வரும் உருவகப்படுத்துதல் வரைபட மாற்றி நெட்வொர்க் (GTN) அடிப்படையில் இயற்கை மொழி பகுப்பாய்விற்கான ஒரு புதிய வேகமான முற்றிலும் பாகுபாடு அல்காரிதம் ஒன்றை நாங்கள் முன்மொழிகிறோம். ஒரு பகுப்பாய்வு மரத்தின் உடைப்பு ஒரு "நிலைகள்" அடுக்காக கருதி, முந்தைய நிலைகளின் கணிப்புகளை கணக்கில் எடுத்துக்கொண்டு வலையமைப்பு மரத்தின் ஒரு மட்டத்தை கணிக்கிறது. Collobert and Weston (2008) இலிருந்து சொற்களின் பிரதிநிதித்துவங்களை மேம்படுத்துகின்ற சில அடிப்படை உரை அம்சங்களைப் பயன்படுத்தி, தற்போதுள்ள தூய பாகுபாட்டு பாகுபடுத்திகள் மற்றும் தற்போதுள்ள "சீரமைப்பு" பாகுபடுத்திகளுக்கு (கொல்லின்ஸ் பாகுபடுத்தி, நிகழ்தகவு சூழல் இல்லாத இலக்கணங்களை அடிப்படையாகக் கொண்டது) ஒத்த செயல்திறனை (F1 மதிப்பெண்ணில்) காட்டுகிறோம்.
04cc04457e09e17897f9256c86b45b92d70a401f	சமூக வலைப்பின்னல்கள், திரைப்பட விருப்பங்கள் அல்லது அறிவுத் தளங்கள் போன்ற பல தரவுகள் பல உறவுகளை விவரிப்பதால் பல உறவுகளாகும். இந்த தரவுகளை மாதிரியாகக் கொண்டிருக்கும் ஒரு பெரிய வேலை உள்ளது என்றாலும், இந்த பல வகையான உறவுகளை இணைந்து மாதிரியாகக் கொண்டிருப்பது சவாலானது. மேலும், இந்த வகைகளின் எண்ணிக்கை அதிகரிக்கும் போது, தற்போதுள்ள அணுகுமுறைகள் முறிந்துவிடும். இந்த ஆய்வில், ஆயிரக்கணக்கான உறவுகளைக் கொண்ட பெரிய பல உறவு தரவுத்தொகுப்புகளை மாதிரியாகக் கொண்ட ஒரு முறையை நாங்கள் முன்மொழிகிறோம். எங்கள் மாதிரி ஒரு இருவழி கட்டமைப்பை அடிப்படையாகக் கொண்டது, இது தரவுகளின் பல்வேறு வரிசைகளை கைப்பற்றுகிறது, மேலும் வெவ்வேறு உறவுகளில் அரிதான மறைமுக காரணிகளையும் பகிர்ந்து கொள்கிறது. தரமான டென்சர்-காரணி தரவுத் தொகுப்புகளில் நமது அணுகுமுறையின் செயல்திறனை நாம் விளக்குகிறோம், அங்கு நாம் அடையலாம், அல்லது மிகச் சிறந்த, மாநில-கலை முடிவுகளை விட சிறந்தது. இறுதியாக, ஒரு NLP பயன்பாடு எமது அளவிடக்கூடிய தன்மையைக் காட்டுகிறது மற்றும் எமது மாதிரியின் திறனை திறமையான மற்றும் அர்த்தமுள்ள சொற்களின் பிரதிநிதித்துவங்களைக் கற்றுக்கொள்ளும் திறனைக் காட்டுகிறது.
052b1d8ce63b07fec3de9dbb583772d860b7c769	நாம் ஒரு புதிய கற்றல் முறையை விவரிக்கிறோம், பின்னோக்கி பரவுதல், நரம்பணு போன்ற அலகுகளின் வலையமைப்பிற்காக. இந்த செயல்முறை நெட்வொர்க்கில் உள்ள இணைப்புகளின் எடைகளை மீண்டும் மீண்டும் சரிசெய்கிறது, இதனால் வலையின் உண்மையான வெளியீட்டு திசையனுக்கும் விரும்பிய வெளியீட்டு திசையனுக்கும் இடையிலான வேறுபாட்டின் அளவைக் குறைக்க முடியும். எடை சரிசெய்தலின் விளைவாக, உள்ளீடு அல்லது வெளியீட்டின் ஒரு பகுதியாக இல்லாத உள் "மறைக்கப்பட்ட" அலகுகள் பணி களத்தின் முக்கியமான அம்சங்களை பிரதிநிதித்துவப்படுத்துகின்றன, மேலும் பணியில் உள்ள ஒழுங்குமுறைகள் இந்த அலகுகளின் தொடர்புகளால் கைப்பற்றப்படுகின்றன. பயனுள்ள புதிய அம்சங்களை உருவாக்கும் திறன், பின்னோக்கி பரவுதலை முன்னர், எளிமையான முறைகளிலிருந்து வேறுபடுத்துகிறது, அதாவது பெர்செப்டிரான்-ஒத்திசைவு நடைமுறை1.
07f3f736d90125cb2b04e7408782af411c67dd5a	பல இயற்கை மொழி பணிகளுக்கு செமன்டிக் பொருந்தும் முக்கியத்துவம் வாய்ந்தது [2, 28]. ஒரு வெற்றிகரமான பொருத்தமான வழிமுறை மொழி பொருள்களின் உள் கட்டமைப்புகளையும் அவற்றுக்கு இடையேயான தொடர்புகளையும் போதுமான அளவு மாதிரியாகக் கொண்டிருக்க வேண்டும். இந்த இலக்கை நோக்கி ஒரு படி என, நாம் இரண்டு வாக்கியங்களை பொருத்துவதற்கு, கன்வோல்ஷனல் நியூரல் நெட்வொர்க் மாதிரிகளை முன்மொழிகிறோம், பார்வை மற்றும் பேச்சில் கன்வோல்ஷனல் மூலோபாயத்தை மாற்றியமைப்பதன் மூலம். முன்மொழியப்பட்ட மாதிரிகள், வரிசைப்படுத்தப்பட்ட வாக்கிய அமைப்புகளை அவற்றின் அடுக்கு-அடுக்கு கலவை மற்றும் கூட்டுடன் அழகாக பிரதிநிதித்துவப்படுத்துவது மட்டுமல்லாமல், பல்வேறு நிலைகளில் உள்ள பணக்கார பொருந்தும் வடிவங்களையும் கைப்பற்றுகின்றன. எமது மாதிரிகள் பொதுவானவை, மொழி பற்றிய முந்தைய அறிவு தேவையில்லை, எனவே வெவ்வேறு இயல்புடைய மற்றும் வெவ்வேறு மொழிகளில் உள்ள பணிகளை பொருத்துவதற்கு பயன்படுத்தலாம். பல்வேறு பொருத்தமான பணிகளில் அனுபவ ஆய்வு முன்மொழியப்பட்ட மாதிரியின் செயல்திறனை பல்வேறு பொருத்தமான பணிகளில் மற்றும் போட்டியாளர் மாதிரிகள் அதன் மேலாண்மை காட்டுகிறது.
0af737eae02032e66e035dfed7f853ccb095d6f5	ஒரு ஜோடி வாக்கியங்களை எவ்வாறு மாதிரியாகக் கொண்டிருப்பது என்பது பல NLP பணிகளில் ஒரு முக்கியமான பிரச்சினையாகும். இது போன்றது பதில் தேர்வு (AS), மறுமொழி அடையாளம் (PI) மற்றும் உரை உள்ளடக்கம் (TE). பெரும்பாலான முந்தைய பணிகள் (i) ஒரு குறிப்பிட்ட அமைப்பை நுணுக்கமாக சரிசெய்து ஒரு தனிப்பட்ட பணியைக் கையாளுகின்றன; (ii) ஒவ்வொரு வாக்கியத்தின் பிரதிநிதித்துவத்தையும் தனித்தனியாக மாதிரியாகக் கொண்டுள்ளன, மற்ற வாக்கியத்தின் தாக்கத்தை அரிதாகவே கருதுகின்றன; அல்லது (iii) கைமுறையாக வடிவமைக்கப்பட்ட, பணி-குறிப்பிட்ட மொழியியல் அம்சங்களை முழுமையாக நம்பியுள்ளது. இந்த பணி ஒரு ஜோடி வாக்கியங்களை மாதிரியாகக் கொண்ட ஒரு பொதுவான கவனம் சார்ந்த கன்வோல்ஷனல் நியூரல் நெட்வொர்க்கை (ABCNN) வழங்குகிறது. நாங்கள் மூன்று பங்களிப்புகளைச் செய்கிறோம். (i) ABCNN என்பது வாக்கிய ஜோடிகளை மாதிரியாகக் கொண்ட பல்வேறு பணிகளுக்குப் பயன்படுத்தப்படலாம். (ii) வாக்கியங்களுக்கு இடையேயான பரஸ்பர செல்வாக்கை சி.என்.என்.களில் ஒருங்கிணைக்கும் மூன்று கவன திட்டங்களை நாங்கள் முன்மொழிகிறோம்; இதனால், ஒவ்வொரு வாக்கியத்தின் பிரதிநிதித்துவமும் அதன் சகாவைக் கருத்தில் கொண்டுள்ளது. இந்த ஒருவருக்கொருவர் சார்ந்த வாக்கிய ஜோடி பிரதிநிதித்துவங்கள் தனிமைப்படுத்தப்பட்ட வாக்கிய பிரதிநிதித்துவங்களை விட மிகவும் சக்தி வாய்ந்தவை. (iii) ABCNN-கள் AS, PI மற்றும் TE பணிகளில் அதிநவீன செயல்திறனை அடைகின்றன. https://github.com/yinwenpeng/Answer_Selection என்ற இணையதளத்தில் இந்த குறியீட்டை வெளியிடுகிறோம்.
1c059493904b2244d2280b8b4c0c7d3ca115be73	நெட்வொர்க்குகளில் உள்ள முனைகள் மற்றும் விளிம்புகள் மீதான கணிப்பு பணிகளுக்கு கற்றல் வழிமுறைகளால் பயன்படுத்தப்படும் பொறியியல் அம்சங்களில் கவனமான முயற்சி தேவைப்படுகிறது. பிரதிநிதித்துவ கற்றல் என்ற பரந்த துறையில் சமீபத்திய ஆராய்ச்சி அம்சங்களைக் கற்றுக்கொள்வதன் மூலம் கணிப்பை தானியங்குபடுத்துவதில் குறிப்பிடத்தக்க முன்னேற்றத்திற்கு வழிவகுத்தது. இருப்பினும், தற்போதைய அம்ச கற்றல் அணுகுமுறைகள் நெட்வொர்க்குகளில் காணப்படும் இணைப்பு வடிவங்களின் பன்முகத்தன்மையைப் பிடிக்க போதுமான வெளிப்பாடு இல்லை. இங்கு node2vec என்ற ஒரு அல்காரிதமிக் கட்டமைப்பை முன்மொழிகிறோம். இது நெட்வொர்க்குகளில் உள்ள முனைகளுக்கான தொடர்ச்சியான அம்ச பிரதிநிதித்துவங்களைக் கற்றுக்கொள்வதற்கான ஒரு வழிமுறையாகும். node2vec இல், nodeகளின் நெட்வொர்க் அண்டை பகுதிகளை பாதுகாக்கும் சாத்தியத்தை அதிகரிக்கும் அம்சங்களின் குறைந்த பரிமாண இடத்திற்கு nodeகளின் வரைபடத்தை நாம் கற்றுக்கொள்கிறோம். நாம் ஒரு நெட்வொர்க் நெட்வொர்க் அண்டை ஒரு நெகிழ்வான கருத்து வரையறுக்க மற்றும் ஒரு சார்புடைய சீரற்ற நடை நடைமுறை வடிவமைக்க, திறமையாக பல்வேறு அண்டை ஆராய்கிறது. எங்கள் வழிமுறை நெட்வொர்க் அண்டைகளின் உறுதியான கருத்துக்களின் அடிப்படையில் முந்தைய வேலையை பொதுமயமாக்குகிறது, மேலும் அண்டைகளை ஆராய்வதில் கூடுதல் நெகிழ்வுத்தன்மை பணக்கார பிரதிநிதித்துவங்களைக் கற்றுக்கொள்வதற்கான திறவுகோல் என்று நாங்கள் வாதிடுகிறோம். பல்வேறு துறைகளில் உள்ள பல உண்மையான உலக நெட்வொர்க்குகளில் பல லேபிள் வகைப்பாடு மற்றும் இணைப்பு கணிப்பில் தற்போதுள்ள அதிநவீன நுட்பங்களை விட node2vec இன் செயல்திறனை நாங்கள் நிரூபிக்கிறோம். நமது பணிகள் அனைத்தும் சேர்ந்து, சிக்கலான நெட்வொர்க்குகளில் அதிநவீன பணி-சுயாதீன பிரதிநிதித்துவங்களை திறம்பட கற்க ஒரு புதிய வழியைக் குறிக்கின்றன.
de93c4f886bdf55bfc1bcaefad648d5996ed3302	இந்த அத்தியாயம், தரவு சுரங்கத்தின் வளர்ந்து வரும் அணுகுமுறைக்கு சிறப்பு முக்கியத்துவம் அளித்து, நவீன ஊடுருவல் கண்டறிதல் நிலையை ஆய்வு செய்கிறது. இந்த விவாதம், ஊடுருவல் கண்டறிதலில் இரண்டு முக்கியமான அம்சங்களை இணைக்கிறது: பொதுவான கண்டறிதல் உத்தி (தவறான பயன்பாட்டை கண்டறிதல் மற்றும் அசாதாரணமான கண்டறிதல்) மற்றும் தரவு மூல (தனிப்பட்ட ஹோஸ்ட்கள் மற்றும் நெட்வொர்க் ட்ராஃபிக்). தவறான பயன்பாட்டு கண்டறிதல் அறியப்பட்ட ஊடுருவல் முறைகளுடன் பொருந்த முயற்சிக்கிறது , அதே நேரத்தில் அசாதாரண கண்டறிதல் சாதாரண நடத்தைகளிலிருந்து விலகல்களைத் தேடுகிறது . இரண்டு அணுகுமுறைகளுக்கு இடையில், அசாதாரணமான கண்டறிதல் மட்டுமே அறியப்படாத தாக்குதல்களைக் கண்டறியும் திறனைக் கொண்டுள்ளது. அசாதாரணமான கண்டறிதலுக்கான ஒரு குறிப்பாக நம்பிக்கைக்குரிய அணுகுமுறை, வகைப்படுத்தல் போன்ற இயந்திர கற்றலின் பிற வடிவங்களுடன் தொடர்பு சுரங்கத்தை இணைக்கிறது. மேலும், ஊடுருவல் கண்டறிதல் அமைப்பு பயன்படுத்தும் தரவு மூலமானது, அது கண்டறியக்கூடிய தாக்குதல்களின் வகைகளை கணிசமாக பாதிக்கிறது. விவரமான தகவல்களின் அளவைப் பொறுத்தவரை ஒரு சமரசம் உள்ளது. பார்பரா et al. (தொகு. ), கணினி பாதுகாப்பு தரவு சுரங்க பயன்பாடுகள் © Kluwer Academic Publishers 2002 s
9e00005045a23f3f6b2c9fca094930f8ce42f9f6
2ec2f8cd6cf1a393acbc7881b8c81a78269cf5f7	ஒரு பெரிய லேபிளிடப்பட்ட பொருள் அங்கீகார தரவுத்தொகுப்பில் பயிற்சி பெற்ற ஆழமான சுருக்கமான நரம்பியல் வலையமைப்பின் (சிஎன்என்) அம்ச பிரித்தெடுத்தல் அடுக்குகளைப் பயன்படுத்தி கணக்கிடப்பட்ட ஒரு காட்சிக் கருத்து பிரதிநிதித்துவ திசையுடன் ஒரு ஸ்கிப்-கிராம் மொழியியல் பிரதிநிதித்துவ திசையுடன் இணைப்பதன் மூலம் பல-மாடல் கருத்து பிரதிநிதித்துவங்களை நாங்கள் உருவாக்குகிறோம். இந்த பரிமாற்ற கற்றல் அணுகுமுறை பாரம்பரிய பை-காட்சி-வார்த்தை அணுகுமுறையின் அடிப்படையில் அம்சங்களை விட தெளிவான செயல்திறன் ஆதாயத்தை அளிக்கிறது. WordSim353 மற்றும் MEN சொற்பொருள் தொடர்பு மதிப்பீட்டு பணிகளில் சோதனை முடிவுகள் தெரிவிக்கப்படுகின்றன. ImageNet அல்லது ESP விளையாட்டு படங்களை பயன்படுத்தி கணக்கிடப்பட்ட காட்சி அம்சங்களை நாங்கள் பயன்படுத்துகிறோம்.
a65e815895bed510c0549957ce6baa129c909813	நாம் ஒரு மேற்பார்வை இல்லாத அணுகுமுறையை முன்மொழிகிறோம், இது அரபு வேர்கள் மற்றும் வடிவங்கள் மாதிரிகள் ஒரு அகராதி தூண்ட பயன்படுத்துகிறது. இந்த அணுகுமுறை, வேர்கள் மற்றும் வடிவங்கள், கருதுகோள் வடிவங்கள் மற்றும் வேர் அதிர்வெண்களின் அடிப்படையில் பரஸ்பர மீளாய்வு மதிப்பெண் மூலம் வெளிப்படுத்தப்படலாம் என்ற கருத்தை அடிப்படையாகக் கொண்டது. மேலும் ஒரு தொடர்ச்சியான சுத்திகரிப்பு கட்டத்திற்குப் பிறகு, தூண்டப்பட்ட சொற்களஞ்சியத்துடன் உருவவியல் பகுப்பாய்வு 94% க்கும் அதிகமான வேர் அடையாள துல்லியத்தை அடைகிறது. அரபு மொழியியல் குறித்த மேற்பார்வை இல்லாத கற்றல் குறித்த முந்தைய படைப்புகளிலிருந்து எங்கள் அணுகுமுறை வேறுபடுகிறது, ஏனெனில் இது இயற்கையாக எழுதப்பட்ட, குரல் இல்லாத உரைக்கு பொருந்தும்.
3f4e71d715fce70c89e4503d747aad11fcac8a43	இந்த வழக்கு ஆய்வு ஆட்டோ இன்க் நிறுவனத்தில் உள்ள மூன்று வெவ்வேறு டிஜிட்டல் கண்டுபிடிப்பு திட்டங்களை ஆராய்கிறது -- ஒரு பெரிய ஐரோப்பிய கார் தயாரிப்பாளர். போட்டி மதிப்புகளை கோட்பாட்டு லென்ஸாகப் பயன்படுத்தி, டிஜிட்டல் மயமாக்கலில் இருந்து உருவாகி புதுமைகளை உருவாக்குவதில் அதிகரித்து வரும் கோரிக்கைகளை பூர்த்தி செய்ய முயற்சிக்கும் ஒரு நிறுவனத்தில் மாறும் திறன்கள் எவ்வாறு நிகழ்கின்றன என்பதை ஆராய்வோம். இந்த டிஜிட்டல் மயமாக்கல் செயல்முறையில், நமது ஆய்வு, நிலையான சமூக-தொழில்நுட்ப ஒற்றுமைகள் சவால் செய்யப்படுவதைக் குறிக்கிறது. மேலும், டிஜிட்டல் மயமாக்கலின் காலத்தில் புதிய பரிசோதனை கற்றல் செயல்முறைகளை ஏற்றுக்கொள்ளும் வழிகளை நிறுவனங்கள் கண்டறிய வேண்டியதன் அவசியத்தை நாங்கள் சுட்டிக்காட்டுகிறோம். இத்தகைய மாற்றத்திற்கு நீண்டகால அர்ப்பணிப்பு மற்றும் தொலைநோக்கு தேவைப்பட்டாலும், இந்த ஆய்வு அத்தகைய சோதனை செயல்முறைகளுக்கு மூன்று முறைசாரா இயக்கிகளை முன்வைக்கிறது. இந்த இயக்கிகள் நேரம், விடாமுயற்சி மற்றும் தொடர்புகள்.
c22366074e3b243f2caaeb2f78a2c8d56072905e	ஒரு சிறிய குறுக்கு பரிமாணத்துடன் நீளமான-ஸ்லாட் க்ரீஜ் அலை வழிகாட்டி ஆண்டெனா வரிசை வழங்கப்படுகிறது. வரிசையின் அலைவரிசையை விரிவுபடுத்துவதற்கு, இது ஒரு புதிய சிறிய குவியலான அலைகாட்டி பிரிப்பான் மூலம் வழங்கப்படும் இரண்டு துணை வரிசைகளாக பிரிக்கப்படுகிறது. X-பாண்டில் 16 உறுப்புகளை கொண்ட ஒரு சீரான நேரியல் வரிசை வடிவமைக்கப்பட்டு, வடிவமைப்பின் செல்லுபடியை சரிபார்க்க அளவிடப்பட்டது. S11les-15 dB இன் அளவிடப்பட்ட அலைவரிசை 14.9% ஆகும் மற்றும் அளவிடப்பட்ட குறுக்கு- துருவமுனைப்பு நிலை முழு அலைவரிசை மீது -36 dB க்கும் குறைவாக உள்ளது. இந்த வரிசையை விளிம்பு-ஸ்லாட் அலைகாட்டி வரிசையுடன் இணைத்து, செயற்கை துளை ரேடார் (SAR) பயன்பாட்டிற்கான இரு பரிமாண இரட்டை துருவமுனைப்பு ஆண்டெனா வரிசையை உருவாக்கலாம்
0d57ba12a6d958e178d83be4c84513f7e42b24e5	பெரிய நரம்பியல் வலையமைப்புகள் மற்றும் பெரிய தரவுத்தொகுப்புகளுடன் ஆழமான கற்றல் செழிக்கிறது. இருப்பினும், பெரிய நெட்வொர்க்குகள் மற்றும் பெரிய தரவுத்தொகுப்புகள் நீண்ட பயிற்சி நேரங்களை உருவாக்குகின்றன, இது ஆராய்ச்சி மற்றும் மேம்பாட்டு முன்னேற்றத்தை தடுக்கிறது. விநியோகிக்கப்பட்ட ஒத்திசைவான SGD இந்த சிக்கலுக்கு ஒரு சாத்தியமான தீர்வை வழங்குகிறது, இது SGD மினி-தொகுப்புகளை இணையான தொழிலாளர்களின் தொகுப்பில் பிரிப்பதன் மூலம். ஆனால் இந்த திட்டத்தை திறம்பட செய்ய, ஒரு தொழிலாளிக்கு வேலை சுமை அதிகமாக இருக்க வேண்டும், இது எஸ்ஜிடி மினி-தொகுப்பு அளவின் அற்பமான வளர்ச்சியைக் குறிக்கிறது. இந்த ஆய்வில், இமேஜ்நெட் தரவுத்தளத்தில் பெரிய மினி-பாட்ச்கள் தேர்வுமுறை சிரமங்களை ஏற்படுத்துகின்றன என்பதை நாம் அனுபவ ரீதியாகக் காட்டுகிறோம், ஆனால் இவை நிவர்த்தி செய்யப்படும்போது பயிற்சி பெற்ற நெட்வொர்க்குகள் நல்ல பொதுமயமாக்கலைக் காட்டுகின்றன. குறிப்பாக, 8192 படங்கள் வரை பெரிய மினி-பாட்ச் அளவுகளுடன் பயிற்சி செய்யும் போது துல்லிய இழப்பு இல்லை. இந்த முடிவை அடைவதற்கு, மினி-பட்டி அளவுகளின் செயல்பாடாக கற்றல் விகிதங்களை சரிசெய்ய ஒரு நேரியல் அளவீட்டு விதியை நாங்கள் ஏற்றுக்கொள்கிறோம் மற்றும் பயிற்சியின் ஆரம்பத்தில் உகப்பாக்கம் சவால்களை சமாளிக்கும் ஒரு புதிய சூடான திட்டத்தை உருவாக்குகிறோம். இந்த எளிய நுட்பங்களுடன், எங்கள் Caffe2 அடிப்படையிலான அமைப்பு ResNet50 ஐ ஒரு மணி நேரத்தில் 256 GPU களில் 8192 மினி-பட்ச் அளவுடன் பயிற்றுவிக்கிறது, அதே நேரத்தில் சிறிய மினி-பட்ச் துல்லியத்துடன் பொருந்துகிறது. சரக்கு வன்பொருளைப் பயன்படுத்தி, எட்டு முதல் 256 ஜி.பீ.யு.களுக்கு நகரும் போது, எமது நடைமுறைப்படுத்தல் ∼90% அளவீட்டு செயல்திறனை அடைகிறது. இந்த அமைப்பு, இணைய அளவிலான தரவுகளில் காட்சி அங்கீகார மாதிரிகளை அதிக திறனுடன் பயிற்றுவிக்க உதவுகிறது.

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 Tamil 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 Tamil language processing.

Usage

This dataset is designed for:

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

Dataset Structure

The dataset consists of three main components:

Corpus: Collection of documents in Tamil
Queries: Search queries in Tamil
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_ta}
}