Datasets:

carlfeynman

/

Bharat_NanoSCIDOCS_ta

like 0

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.

2bbe9735b81e0978125dad005656503fca567902

கர்னல் ரூட்கிட்கள் கணினி அமைப்புகளுக்கு அச்சுறுத்தலானவை. அவை மறைமுகமாக செயல்படுகின்றன, மேலும் கணினி வளங்களுக்கு கட்டுப்பாடற்ற அணுகலைக் கொண்டிருக்கலாம். இந்த ஆவணம் NumChecker, ஒரு புதிய மெய்நிகர் இயந்திரம் (VM) கண்காணிப்பு அடிப்படையிலான கட்டமைப்பைக் கொண்டுள்ளது, இது ஒரு விருந்தினர் VM இல் கட்டுப்பாட்டு ஓட்டத்தை மாற்றியமைக்கும் கருவி ரூட்கிட்டுகளை கண்டறிந்து அடையாளம் காணும். NumChecker, கணினி அழைப்பின் செயல்பாட்டின் போது ஏற்படும் சில வன்பொருள் நிகழ்வுகளின் எண்ணிக்கையை அளவிடுவதன் மூலம் விருந்தினர் மென்பொருளில் ஒரு கணினி அழைப்புக்கு தீங்கிழைக்கும் மாற்றங்களைக் கண்டறிந்து அடையாளம் காணும். இந்த நிகழ்வுகளை தானாக எண்ணுவதற்கு, நவீன செயலிகளில் இருக்கும் வன்பொருள் செயல்திறன் கவுண்டர்களை (HPC கள்) NumChecker பயன்படுத்துகிறது. உயர் தர கணினிகளை பயன்படுத்துவதன் மூலம், சோதனை செலவு கணிசமாகக் குறைக்கப்பட்டு, கையாளுதல் எதிர்ப்பு அதிகரிக்கப்படுகிறது. நாம் Linux இல் NumChecker இன் முன்மாதிரி ஒன்றை kernel- அடிப்படையிலான VM உடன் செயல்படுத்துகிறோம். ஒரு HPC அடிப்படையிலான இரு கட்ட கருவி ரூட்கிட் கண்டறிதல் மற்றும் அடையாளம் காணும் நுட்பம் பல உண்மையான உலக கருவி ரூட்கிட் மீது வழங்கப்பட்டு மதிப்பீடு செய்யப்படுகிறது. இதன் விளைவுகள் அதன் நடைமுறைத்தன்மையையும், செயல்திறனையும் நிரூபித்துள்ளன.

a3d638ab304d3ef3862d37987c3a258a24339e05

CycleGAN [Zhu et al., 2017] என்பது இரண்டு பட விநியோகங்களுக்கு இடையில் ஒரு மாற்றத்தை கற்றுக்கொள்வதற்கான சமீபத்திய வெற்றிகரமான அணுகுமுறையாகும். தொடர்ச்சியான பரிசோதனைகளில், இந்த மாதிரியின் ஒரு சுவாரஸ்யமான பண்புகளை நாங்கள் நிரூபிக்கிறோம்: சைக்கிள் கேன் ஒரு மூலப் படத்தைப் பற்றிய தகவல்களை அது உருவாக்கும் படங்களில் கிட்டத்தட்ட உணர முடியாத, உயர் அதிர்வெண் சமிக்ஞையில் "மறைக்க" கற்றுக்கொள்கிறது. இந்த தந்திரம், ஜெனரேட்டர் அசல் மாதிரியை மீட்டெடுக்க முடியும் என்பதை உறுதிசெய்கிறது, இதனால் சுழற்சி நிலைத்தன்மையின் தேவையை பூர்த்தி செய்கிறது, அதே நேரத்தில் உருவாக்கப்பட்ட படம் யதார்த்தமாகவே உள்ளது. இந்த நிகழ்வை எதிர்க்கட்சி தாக்குதல்களுடன் இணைத்து, சைக்கிள் கேன் பயிற்சி நடைமுறையை எதிர்க்கட்சி உதாரணங்களின் ஜெனரேட்டரை பயிற்றுவிப்பதாகக் கருதி, சுழற்சி நிலைத்தன்மையை இழப்பது சைக்கிள் கேன் எதிர்க்கட்சி தாக்குதல்களுக்கு குறிப்பாக பாதிக்கப்படக்கூடியதாக இருப்பதை நிரூபிக்கிறது.

c171faac12e0cf24e615a902e584a3444fcd8857

5a14949bcc06c0ae9eecd29b381ffce22e1e75b2

இந்த தரவுத்தள இதழில் உள்ள கட்டுரைகள் Anthony G. லண்டன் பட்டதாரி வணிகப் படிப்புப் பள்ளியில் கணக்கியல் மற்றும் நிதி அறிக்கையிடல் பேராசிரியராக உள்ள ஹாப்வுட். இந்த கட்டுரைகளில் முக்கியமான கருத்துக்கள் உள்ளன என்று பேராசிரியர் ஹாப்வுட் எழுதினார், தகவல் அமைப்புகளில் ஆர்வமுள்ள அனைவருக்கும், அவர்கள் பயிற்சியாளர்கள் அல்லது கல்வியாளர்கள். எழுத்தாளர்கள், அந்த நேரத்தில் அவர்களின் தொழில்முறை இணைப்புகளுடன், ஹார்வர்ட் பல்கலைக்கழகத்தின் பட்டதாரி பள்ளி கல்வியில் கிறிஸ் ஆர்கிரிஸ்; போ ஹெட்பெர்க் மற்றும் ஸ்டென் ஜோன்சன், வணிக நிர்வாகத் துறை, கோட்டன்பர்க் பல்கலைக்கழகம்; ஜே. ஃப்ரிஸ்கோ டென் ஹெர்டாக், N. V. Philips Gloeilampenfabrieken, நெதர்லாந்து, மற்றும் மைக்கேல் ஜே. எர்ல், ஆக்ஸ்போர்டு மேலாண்மை ஆய்வு மையம். இக்கட்டுரைகள் முதலில் Accounting, Organizations and Society என்ற இதழில் வெளியிடப்பட்டன. இக்கட்டுரையின் தலைமை ஆசிரியராக பேராசிரியர் ஹாப்வுட் உள்ளார். AOS உருவாகி வரும் முன்னேற்றங்களை கண்காணிக்கவும் புதிய அணுகுமுறைகள் மற்றும் முன்னோக்குகளை தீவிரமாக ஊக்குவிக்கவும் உள்ளது .

02227c94dd41fe0b439e050d377b0beb5d427cda

இயற்கை படங்களில் இருந்து உரையை கண்டறிந்து வாசிப்பது என்பது கணினி பார்வைக்கு கடினமான பணியாகும், இது பல்வேறு வளர்ந்து வரும் பயன்பாடுகளுக்கு முக்கியமானது. ஆவண எழுத்து அங்கீகாரம் போன்ற தொடர்புடைய சிக்கல்கள் கணினி பார்வை மற்றும் இயந்திர கற்றல் ஆராய்ச்சியாளர்களால் பரவலாக ஆய்வு செய்யப்பட்டுள்ளன, மேலும் கையால் எழுதப்பட்ட இலக்கங்களைப் படிப்பது போன்ற நடைமுறை பயன்பாடுகளுக்கு கிட்டத்தட்ட தீர்க்கப்படுகின்றன. இருப்பினும், புகைப்படங்கள் போன்ற சிக்கலான காட்சிகளில் கதாபாத்திரங்களை நம்பகத்தன்மையுடன் அடையாளம் காண்பது மிகவும் கடினம்: அதே பணிகளில் மனித செயல்திறனை விட சிறந்த தற்போதைய முறைகள் மிகவும் பின்தங்கியுள்ளன. இந்த ஆய்வில், கண்காணிக்கப்படாத அம்ச கற்றல் முறைகளைப் பயன்படுத்தி ஒரு உண்மையான பயன்பாட்டில் இலக்கங்களை அடையாளம் காண்பதற்கான சிக்கலை நாங்கள் தாக்கினோம்: வீதி நிலை புகைப்படங்களிலிருந்து வீட்டு எண்களைப் படித்தல். இந்த நோக்கத்திற்காக, நாம் ஒரு புதிய தரவுத்தொகுப்பை அறிமுகப்படுத்துகிறோம் ஆராய்ச்சி பயன்பாட்டிற்காக 600,000 க்கும் மேற்பட்ட பெயரிடப்பட்ட இலக்கங்களை உள்ளடக்கியது தெரு பார்வை படங்களிலிருந்து வெட்டப்பட்டது. பின்னர், கை வடிவமைக்கப்பட்ட அம்சங்களுடன் சிக்கலை அணுகும்போது இந்த இலக்கங்களை அடையாளம் காண்பதில் உள்ள சிரமத்தை நிரூபிக்கிறோம். இறுதியாக, சமீபத்தில் முன்மொழியப்பட்ட இரண்டு மேற்பார்வை செய்யப்படாத அம்ச கற்றல் முறைகளின் மாறுபாடுகளை நாங்கள் பயன்படுத்துகிறோம், அவை எங்கள் தரநிலைகளில் நம்பத்தகுந்த உயர்ந்தவை என்பதைக் காண்கிறோம்.

081651b38ff7533550a3adfc1c00da333a8fe86c

இயற்கை படங்களில் பயிற்சி பெற்ற பல ஆழமான நரம்பியல் நெட்வொர்க்குகள் பொதுவான ஒரு விசித்திரமான நிகழ்வைக் காட்டுகின்றன: முதல் அடுக்கில் அவை கபோர் வடிகட்டிகள் மற்றும் வண்ணத் துகள்கள் போன்ற அம்சங்களைக் கற்றுக்கொள்கின்றன. இத்தகைய முதல் அடுக்கு அம்சங்கள் ஒரு குறிப்பிட்ட தரவுத்தொகுப்பு அல்லது பணிக்கு குறிப்பிட்டதாகத் தெரியவில்லை, ஆனால் அவை பல தரவுத்தொகுப்புகள் மற்றும் பணிகளுக்குப் பொருந்தக்கூடிய பொதுவானவை. அம்சங்கள் இறுதியில் நெட்வொர்க்கின் கடைசி அடுக்கு மூலம் பொதுவான இருந்து குறிப்பிட்ட மாற்றம் வேண்டும், ஆனால் இந்த மாற்றம் விரிவாக ஆய்வு செய்யப்படவில்லை. இந்த ஆய்வில், ஆழமான சுருக்கமான நரம்பு வலையமைப்பின் ஒவ்வொரு அடுக்குகளிலும் உள்ள நரம்பு மண்டலங்களின் பொதுவான தன்மை மற்றும் குறிப்பிட்ட தன்மையை பரிசோதனை முறையில் அளவிடுகிறோம், மேலும் சில ஆச்சரியமான முடிவுகளைப் பற்றி அறிக்கை செய்கிறோம். மாற்றத்தக்க தன்மை இரண்டு வேறுபட்ட சிக்கல்களால் எதிர்மறையாக பாதிக்கப்படுகிறது: (1) இலக்கு பணியில் செயல்திறன் இழப்புக்கு மேல் அடுக்கு நரம்பியல் தன்மைகளை அவர்களின் அசல் பணியில் நிபுணத்துவம், இது எதிர்பார்க்கப்பட்டது, மற்றும் (2) இணை-அனுபவப்பட்ட நரம்பியல் தன்மைகளுக்கு இடையே நெட்வொர்க்குகளை பிரிப்பதில் தொடர்புடைய தேர்வுமுறை சிரமங்கள், இது எதிர்பார்க்கப்படவில்லை. ImageNet இல் பயிற்சி பெற்ற ஒரு எடுத்துக்காட்டு நெட்வொர்க்கில், இந்த இரண்டு சிக்கல்களில் ஏதேனும் ஒன்று ஆதிக்கம் செலுத்தக்கூடும் என்பதை நாங்கள் நிரூபிக்கிறோம், இது அம்சங்கள் கீழே, நடுவில் அல்லது நெட்வொர்க்கின் மேல் இருந்து மாற்றப்படுகிறதா என்பதைப் பொறுத்தது. அடிப்படை பணிக்கும் இலக்கு பணிக்கும் இடையே உள்ள தூரம் அதிகரிக்கும் போது அம்சங்களின் மாற்றத்தக்கது குறைகிறது என்பதையும் நாங்கள் ஆவணப்படுத்துகிறோம், ஆனால் தொலைதூர பணிகளிலிருந்து கூட அம்சங்களை மாற்றுவது சீரற்ற அம்சங்களைப் பயன்படுத்துவதை விட சிறந்தது. ஒரு இறுதி ஆச்சரியமான விளைவு என்னவென்றால், ஏறக்குறைய எந்தவொரு அடுக்குகளிலிருந்தும் மாற்றப்பட்ட அம்சங்களுடன் ஒரு வலையமைப்பைத் தொடங்குவது, இலக்கு தரவுத்தளத்திற்கு நுணுக்கமான சரிசெய்தல் கூட நீடிக்கும் பொதுமயமாக்கலுக்கு ஒரு ஊக்கத்தை அளிக்க முடியும்.

6c8d5d5eee5967958a2e03a84bcc00f1f81f4d9e

உயர் செயல்திறன் கொண்ட வரிசைப்படுத்தல், உயர்தர டி நோவோ தொகுக்கப்பட்ட மரபணு வரிசைகளை பெற கோட்பாட்டளவில் சாத்தியமாக்கியுள்ளது, ஆனால் நடைமுறையில் டிஎன்ஏ சாறுகள் பெரும்பாலும் மற்ற உயிரினங்களிலிருந்து வரிசைகளுடன் மாசுபடுகின்றன. தற்போது, யூகரியோடிக் கூட்டங்களை கடுமையாக சுத்திகரிப்பதற்கான சில முறைகள் உள்ளன. இருப்பவைகள், மாசுபடுத்தும் பொருட்களுடன் நியூக்ளியோடைடு ஒற்றுமையை அடிப்படையாகக் கொண்ட வரிசைகளை வடிகட்டுகின்றன, மேலும் இலக்கு உயிரினத்திலிருந்து வரிசைகளை அகற்றுவதற்கான ஆபத்து உள்ளது. ஒரு புதிய பயன்பாட்டை அறிமுகப்படுத்துகிறோம், ஒரு நிறுவப்பட்ட இயந்திர கற்றல் முறை, ஒரு முடிவு மரம், இது தொடர்ச்சியை கண்டிப்பாக வகைப்படுத்த முடியும். முடிவு மரத்தின் முக்கிய பலம் என்னவென்றால், அது எந்த அளவிடப்பட்ட அம்சத்தையும் உள்ளீடாக எடுத்துக் கொள்ளலாம் மற்றும் குறிப்பிடத்தக்க விவரிப்பாளர்களை முன்னரே அடையாளம் காண தேவையில்லை. நாம் புதிய முறையில் தொகுக்கப்பட்ட வரிசைகளை வகைப்படுத்த முடிவு மரத்தைப் பயன்படுத்துகிறோம் மற்றும் வெளியிடப்பட்ட நெறிமுறைகளுடன் முறையை ஒப்பிடுகிறோம். யூகரியோடிக் புதிய தொகுதிகளில் வரிசைகளை வகைப்படுத்தும் போது, ஒரு முடிவு மரம் தற்போதுள்ள முறைகளை விட சிறப்பாக செயல்படுகிறது. இது திறமையானது, எளிதில் செயல்படுத்தக்கூடியது, இலக்கு மற்றும் மாசுபடுத்தும் வரிசைகளை துல்லியமாக அடையாளம் காணும். முக்கியமாக, ஒரு முடிவு மரத்தை அளவிடப்பட்ட விவரிப்பாளர்களின் படி வரிசைகளை வகைப்படுத்த பயன்படுத்தலாம் மற்றும் உயிரியல் தரவுத்தொகுப்புகளை வடிகட்டுவதில் பல பயன்பாடுகளைக் கொண்டுள்ளது.

26433d86b9c215b5a6871c70197ff4081d63054a

பன்முக பயோமெட்ரிக் முறை சமீபத்தில் உயர் செயல்திறன் கொண்ட பயோமெட்ரிக் அங்கீகார அமைப்பில் கணிசமான ஆர்வத்தை ஈர்த்துள்ளது. இந்த ஆய்வில், அம்ச மட்டத்தில் இணைப்பு நுட்பங்களைப் பயன்படுத்தி முகம் மற்றும் கைரேகை படங்களுக்கான மல்டிமோடல் பயோமெட்ரிக்ஸை அறிமுகப்படுத்துகிறோம். பாகுபாடு அம்சங்களை பிரித்தெடுக்க கேபோர் அடிப்படையிலான பட செயலாக்கம் பயன்படுத்தப்படுகிறது, அதே நேரத்தில் பிரதான கூறு பகுப்பாய்வு (பி.சி.ஏ) மற்றும் நேரியல் பாகுபாடு பகுப்பாய்வு (எல்.டி.ஏ) ஆகியவை ஒவ்வொரு முறையின் பரிமாணத்தையும் குறைக்கப் பயன்படுகின்றன. LDA இன் வெளியீட்டு அம்சங்கள் தொடர்ச்சியாக இணைக்கப்பட்டு யூக்ளிடியன் தூர வகைப்படுத்தியால் வகைப்படுத்தப்படுகின்றன. ஒற்றை முறை பயோமெட்ரிக் மூலம் பெறப்பட்டதை விட இந்த இணைவு நுட்பம் உயிரியல் அங்கீகார விகிதங்களை அதிகரிக்க முடியும் என்பதை ORL முக மற்றும் Poly-U கைரேகை தரவுத்தளங்களின் அடிப்படையில் பரிசோதனை முடிவுகள் நிரூபித்தன.

1c01e44df70d6fde616de1ef90e485b23a3ea549

மார்கோவ் சீரற்ற புலத்தின் (MRF) லோகார் பகிர்வு செயல்பாட்டில் ஒரு புதிய வர்க்க மேல் வரம்புகளை அறிமுகப்படுத்துகிறோம். இந்த அளவு, விளிம்பு விநியோகங்களை தோராயமாக, அளவுரு மதிப்பீடு, இணைப்பு எண்ணிக்கை, புள்ளியியல் முடிவு கோட்பாடு, மற்றும் பெரிய-விலகல் வரம்புகள் உள்ளிட்ட பல்வேறு சூழல்களில் ஒரு முக்கிய பங்கைக் கொண்டுள்ளது. நமது வழித்தோன்றல் கன்வெக்ஸ் இரட்டை மற்றும் தகவல் வடிவியல் ஆகியவற்றிலிருந்து கருத்துக்களை அடிப்படையாகக் கொண்டது: குறிப்பாக, இது எக்ஸ்போன்ஷியல் களத்தில் விநியோகங்களின் கலவைகளை பயன்படுத்துகிறது, மேலும் எக்ஸ்போன்ஷியல் மற்றும் சராசரி அளவுருக்களுக்கு இடையில் லெஜண்ட்ரே வரைபடமாக்கல். மர-கட்டமைக்கப்பட்ட விநியோகங்களின் குமிழ் கலவைகளின் சிறப்பு வழக்கில், நாம் பெத்தே மாறுபாடு சிக்கலைப் போன்ற ஒரு மாறுபாடு சிக்கல்களைப் பெறுகிறோம், ஆனால் பின்வரும் விரும்பத்தக்க பண்புகளால் வேறுபடுகிறோம்: i) அவை குமிழ், மற்றும் ஒரு தனித்துவமான உலகளாவிய உகந்தவை; மற்றும் ii) உகந்தவை லோகிராபிக் பகிர்வு செயல்பாட்டின் மேல் வரம்பை அளிக்கிறது. இந்த உகந்த நிலைமைகள், தொகை-உற்பத்தி வழிமுறையின் நிலையான புள்ளிகளை வரையறுக்கும் நிலைமைகளுக்கு மிகவும் ஒத்ததாக இருக்கும், அல்லது பொதுவாக, பெத் மாறுபாடு சிக்கலின் எந்தவொரு உள்ளூர் உகந்த நிலைகளாலும் வரையறுக்கப்படுகிறது. தொகை-உற்பத்தி நிலையான புள்ளிகளைப் போலவே, உகப்பாக்கம் வாதத்தின் கூறுகள் அசல் மாதிரியின் விளிம்புகளுக்கு தோராயமானதாகப் பயன்படுத்தப்படலாம். இந்த பகுப்பாய்வு இயற்கையாகவே ஹைப்பர் ட்ரீ-கட்டமைக்கப்பட்ட விநியோகங்களின் குமிழ் கலவைகளுக்கு நீட்டிக்கப்படுகிறது, இதனால் கிக்குச்சி தோராயங்கள் மற்றும் மாறுபாடுகளுடன் இணைப்புகளை நிறுவுகிறது.

39a6cc80b1590bcb2927a9d4c6c8f22d7480fbdd

இந்த ஆய்வில் எம்.ஆர்.ஐ தரவு போன்ற வீடியோ அல்லது 3டி படங்களுக்கான 3டி (3டி) SIFT விவரிப்பாளரை அறிமுகப்படுத்துகிறோம். இந்த புதிய விவரிப்பாளன் செயல் அங்கீகார பயன்பாட்டில் வீடியோ தரவுகளின் 3D தன்மையை எவ்வாறு சிறப்பாக பிரதிநிதித்துவப்படுத்த முடியும் என்பதையும் நாங்கள் காண்பிக்கிறோம். 3D SIFT எவ்வாறு முன்னர் பயன்படுத்தப்பட்ட விவரிப்பு முறைகளை ஒரு நேர்த்தியான மற்றும் திறமையான முறையில் சிறப்பாகச் செய்ய முடியும் என்பதை இந்த ஆவணம் காட்டுகிறது. வீடியோக்களை பிரதிநிதித்துவப்படுத்த ஒரு பை வார்த்தை அணுகுமுறையைப் பயன்படுத்துகிறோம், மேலும் வீடியோ தரவை சிறப்பாக விவரிக்க இட-நேர சொற்களுக்கு இடையிலான உறவுகளைக் கண்டறிய ஒரு முறையை முன்வைக்கிறோம்.

0a10d64beb0931efdc24a28edaa91d539194b2e2

மிகப் பெரிய தரவுத் தொகுப்புகளிலிருந்து சொற்களின் தொடர்ச்சியான திசையன் பிரதிநிதித்துவங்களைக் கணக்கிடுவதற்கு இரண்டு புதிய மாதிரி கட்டமைப்புகளை நாங்கள் முன்மொழிகிறோம். இந்த பிரதிநிதித்துவங்களின் தரம் ஒரு சொல் ஒற்றுமை பணியில் அளவிடப்படுகிறது, மேலும் முடிவுகள் வெவ்வேறு வகையான நரம்பியல் நெட்வொர்க்குகளை அடிப்படையாகக் கொண்ட முன்னர் சிறந்த செயல்திறன் கொண்ட நுட்பங்களுடன் ஒப்பிடப்படுகின்றன. கணிப்பு செலவு குறைவாகவே துல்லியத்தில் பெரிய முன்னேற்றங்களை நாம் காண்கிறோம், அதாவது 1.6 பில்லியன் சொற்களின் தரவு தொகுப்பிலிருந்து உயர்தர சொற்களின் திசையன்களைக் கற்றுக்கொள்ள ஒரு நாளுக்குள் ஆகும். மேலும், இந்த திசையன்கள் நமது சோதனைத் தொகுப்பில், சொற்களின் ஒற்றுமை மற்றும் சொற்பொருள் ஒற்றுமைகளை அளவிடுவதற்கு, மிகச் சிறந்த செயல்திறனை வழங்குகின்றன என்பதைக் காட்டுகிறோம்.

b07bfdebdf11b7ab3ea3d5f0087891c464c5e34d

5G மில்லிமீட்டர் அலை பயன்பாடுகளுக்கான 64-எலெமென்ட் 29-30GHz ஆக்டிவ் ஃபேஸ் செய்யப்பட்ட வரிசை இந்த ஆவணத்தில் வழங்கப்பட்டுள்ளது. முன்மொழியப்பட்ட கட்டம் வரிசை கலவைகள் 64 உறுப்பு வானொலிகள், 64 சேனல் டி / ஆர் தொகுதிகள், 4 அதிர்வெண் மாற்ற இணைப்புகள், பீம் கட்டுப்பாட்டு சுற்றுகள், சக்தி மேலாண்மை சுற்றுகள் மற்றும் குளிர்ச்சி விசிறிகள், மற்றும் ஒரு மிகவும் சிறிய அளவு ((135mmX 77mmX56mm) ஒருங்கிணைக்கப்பட்டுள்ளன. சிறந்த RF செயல்திறனை அடைவதற்கு GaAs மற்றும் Si சுற்றுகளின் கலப்பின ஒருங்கிணைப்பு பயன்படுத்தப்படுகிறது. முன்மொழியப்பட்ட கட்டமைப்புக் கட்டமைப்பு மற்றும் T/R தொகுதிகள் மற்றும் ஆண்டெனாக்களின் விரிவான வடிவமைப்பு பகுப்பாய்வு செய்யப்படுகின்றன. OTA (காற்று வழியாக) அளவீடு மூலம், முன்மொழியப்பட்ட கட்ட வரிசை, 1GHz என்ற அலைவரிசையை 29.5GHz என்ற மைய அதிர்வெண்ணில் அடைகிறது, மேலும் அசிமுத் பீம்-அகலம் 12 டிகிரி மற்றும் ஸ்கேனிங் வரம்பில் ±45 டிகிரி ஆகும். 800MHz 64QAM சமிக்ஞைகளின் உற்சாகத்துடன், அனுப்புநர் கதிர் 5.5% EVM ஐ அடைகிறது, ACLR -30.5dBc PA -10dB இல் வேலை செய்கிறது, மற்றும் அளவிடப்பட்ட நிறைவு EIRP 63 dBm ஆகும்.

5f507abd8d07d3bee56820fd3a5dc2234d1c38ee

6424b69f3ff4d35249c0bb7ef912fbc2c86f4ff4

சிக்கலான முக வேறுபாடுகள் காரணமாக, வனப்பகுதியில் முக பண்புகளை கணிப்பது சவாலானது. நாம் ஒரு புதிய ஆழமான கற்றல் கட்டமைப்பை முன்மொழிகிறோம். இது இரண்டு சிஎன்என், எல்நெட் மற்றும் ஏஎன்இட்டை இணைக்கிறது, அவை பண்பு குறிச்சொற்களுடன் இணைந்து ஒழுங்கமைக்கப்பட்டுள்ளன, ஆனால் முன்கூட்டியே பயிற்சி பெற்றவை. முகங்களை உள்ளூர்மயமாக்குவதற்கு LNet பாரிய பொதுவான பொருள் வகைகளால் முன்கூட்டியே பயிற்சி பெற்றது, அதே நேரத்தில் ANet பண்புகளை கணிப்பதற்காக பாரிய முக அடையாளங்களால் முன்கூட்டியே பயிற்சி பெற்றது. இந்த கட்டமைப்பு, மிக உயர்ந்த தொழில்நுட்பத்தை விட மிகச் சிறப்பாக செயல்படுவது மட்டுமல்லாமல், கற்றல் முக பிரதிநிதித்துவத்தைப் பற்றிய மதிப்புமிக்க உண்மைகளையும் வெளிப்படுத்துகிறது. (1) முகத்தை உள்ளூர்மயமாக்குதல் (LNet) மற்றும் பண்புகளை கணித்தல் (ANet) ஆகியவற்றின் செயல்திறனை எவ்வாறு பல்வேறு முன் பயிற்சி உத்திகள் மூலம் மேம்படுத்த முடியும் என்பதை இது காட்டுகிறது. (2) LNet இன் வடிகட்டிகள் பட அளவிலான பண்பு குறிச்சொற்களால் மட்டுமே நுணுக்கமாக அமைக்கப்பட்டிருந்தாலும், முழு படங்களிலும் அவற்றின் மறுமொழி வரைபடங்கள் முக இருப்பிடங்களை வலுவாகக் குறிக்கின்றன என்பதை இது வெளிப்படுத்துகிறது. இந்த உண்மை, முகத்தை உள்ளூர்மயமாக்கல் செய்வதற்கு LNet பயிற்சியை பட அளவிலான குறிப்புகளுடன் மட்டுமே அனுமதிக்கிறது, ஆனால் முக வரையறை பெட்டிகள் அல்லது மைல்கற்கள் இல்லாமல், இது அனைத்து பண்பு அங்கீகாரப் பணிகளிலும் தேவைப்படுகிறது. (3) இது ANet இன் உயர் மட்ட மறைக்கப்பட்ட நியூரான்கள் தானாகவே மாபெரும் முக அடையாளங்களுடன் முன் பயிற்சி பெற்ற பிறகு சொற்பொருள் கருத்துக்களைக் கண்டுபிடிப்பதைக் காட்டுகிறது, மேலும் அத்தகைய கருத்துக்கள் பண்பு குறிச்சொற்களுடன் நன்றாக சரிசெய்த பிறகு கணிசமாக வளப்படுத்தப்படுகின்றன. ஒவ்வொரு பண்புகளையும் இந்த கருத்துக்களின் ஒரு சிறிய நேரியல் கலவையுடன் நன்கு விளக்க முடியும்.

d2938415204bb6f99a069152cb954e4baa441bba

இந்த கடிதம் 1.57-1.60 GHz க்கு மேல் உள்ள பீரங்கித் துப்பாக்கிகளில் GPS சமிக்ஞைகளைப் பெறுவதற்கு ஏற்ற ஒரு சிறிய ஆண்டெனாவை முன்வைக்கிறது. நான்கு தலைகீழ் F-வகை கூறுகள் தொடர்ச்சியான ஊட்ட நெட்வொர்க்கால் சம அளவு மற்றும் அடுத்தடுத்த 90 ° கட்ட வேறுபாட்டால் தூண்டப்படுகின்றன. இந்த ஆண்டெனாவின் வடிவமும் வடிவமும் ஒரு பீரங்கிக் குண்டுக்குள் எளிதாக நிறுவக்கூடிய வகையில் வடிவமைக்கப்பட்டுள்ளது. பரிந்துரைக்கப்பட்ட அந்தென்டே 2.90-3.77 dBic அதிகரிப்பு, 1.9-2.86 dB அச்சு விகிதம் மற்றும் 1.57-1.62 GHz இல் -10 dB க்கும் குறைவான பிரதிபலிப்பு குணகம் ஆகியவற்றைக் கொண்டுள்ளது.

0e52fbadb7af607b4135189e722e550a0bd6e7cc

பின்னணி சுய வெட்டுதல் என்பது சுய-கட்டுதல் நடத்தைகளின் ஒரு வகை ஆகும். இது தனித்துவமான வடிவங்களுடன் நிரந்தர மற்றும் சமூக ரீதியாக ஏற்றுக்கொள்ள முடியாத வடுக்களை விட்டுச்செல்கிறது, குறிப்பாக மேல் கால்கள் மற்றும் முன் மார்பு சுவரில். சுய-கட்டுப்பாடுகள்ஃ ஒரு நபர் சுய-கட்டுப்பாடுகளைச் செய்யத் தொடங்கினால், அது ஒரு நபர் மீதுள்ள குற்ற உணர்வைக் காட்டுகிறது. இந்த மருத்துவ ஆய்வில், கார்பன் டை ஆக்சைடு லேசர் மறுமலர்ச்சி மற்றும் மெல்லிய தோல் மாற்றுதல் ஆகியவற்றின் செயல்திறனை சுய-தீங்குவித்த ரேஸர் பிளேட் வெட்டு புள்ளிகளை மறைப்பதில் ஆய்வு செய்ய நாங்கள் இலக்கு வைத்துள்ளோம். முறைகள் 2001 பிப்ரவரி முதல் 2003 ஆகஸ்ட் வரையிலான காலப்பகுதியில் 20 முதல் 41 வயது வரையிலான (சராசரி 23.8 வயது) 16 வெள்ளை ஆண் நோயாளிகளின் மொத்தம் 26 உடற்கூறியல் இடங்கள் (11 மேல் கை, 11 முன் கை, மற்றும் நான்கு முன் மார்பு) சிகிச்சையளிக்கப்பட்டன. அறுவை சிகிச்சைக்கு முந்தைய விரிவான மனநல மதிப்பீடு; இந்த செயல்முறை ஒரு "மறைப்பு" செயல்முறை என்று நோயாளிக்கு தெரிவித்தல்; ஹைபர்டிரோபிக் வடுக்களை முழுமையான தோல் மட்டத்திற்கு குறைத்தல்; ஹைபர்டிரோபிக் வடுக்களுக்கு உள்-குழாய்வு கார்டிகோஸ்டீராய்டு ஊசி; கார்பன் டை ஆக்சைடு லேசர் மறுசுழற்சி ஒரு ஒற்றை அலகு; மெல்லிய (0.2 முதல் 0.3 மிமீ) தோல் செருகல்; 15 நாட்களுக்கு அழுத்தமான பிணைப்பு; குழாய் பிணைப்பைப் பயன்படுத்துதல்; மற்றும் குறைந்தது 6 மாதங்களுக்கு சூரிய ஒளியிலிருந்து பாதுகாத்தல் ஆகியவை இந்த நடைமுறையின் முக்கிய புள்ளிகளாக இருந்தன. விளைவுகள் வெற்றிகரமாக மறைக்கப்பட்டு, எரிக்கப்பட்ட புணுக்கு ஒத்த சமூக ரீதியாக ஏற்றுக்கொள்ளத்தக்க தோற்றத்திற்கு மாற்றப்பட்டன. ஒரு வழக்கில் பகுதியளவு உட்செலுத்துதல் இழப்பு மற்றும் மற்றொரு வழக்கில் அதிக நிறமிகள் சிக்கல்களாக இருந்தன. புதிய உயர்நெறி புண்கள் உருவாகவில்லை. முடிவுக்கு கார்பன் டை ஆக்சைடு லேசர் ரீசர்ஃபேசிங் மற்றும் மெல்லிய தோல் கிராப்டிங் முறை சுய-தீங்கு தள்ளிய கத்தி வெட்டு புண்களை மறைப்பதில் பயனுள்ளதாக உள்ளது.

2b0750d16db1ecf66a3c753264f207c2cb480bde

வாடிக்கையாளர் பரிவர்த்தனைகளின் ஒரு பெரிய தரவுத்தளம் நமக்கு வழங்கப்படுகிறது, அங்கு ஒவ்வொரு பரிவர்த்தனையும் வாடிக்கையாளர்-ஐடி, பரிவர்த்தனை நேரம், மற்றும் பரிவர்த்தனையில் வாங்கிய பொருட்கள் ஆகியவற்றைக் கொண்டுள்ளது. இந்த தரவுத்தளங்களில் தொடர்ச்சியான வடிவங்களை சுரங்கப்படுத்துவதற்கான சிக்கலை அறிமுகப்படுத்துகிறோம். இந்த சிக்கலைத் தீர்க்க மூன்று வழிமுறைகளை நாங்கள் முன்வைக்கிறோம், மேலும் செயற்கை தரவைப் பயன்படுத்தி அவற்றின் செயல்திறனை அனுபவ ரீதியாக மதிப்பீடு செய்கிறோம். முன்மொழியப்பட்ட இரண்டு வழிமுறைகள், அப்ரியோரிசோம் மற்றும் அப்ரியோரிஆல், ஒப்பிடக்கூடிய செயல்திறனைக் கொண்டுள்ளன, இருப்பினும், ஒரு தொடர்ச்சியான வடிவத்தை ஆதரிக்க வேண்டிய குறைந்தபட்ச வாடிக்கையாளர்களின் எண்ணிக்கை குறைவாக இருக்கும்போது அப்ரியோரிசோம் சற்று சிறப்பாக செயல்படுகிறது. ஏப்ரியோரிசோம் மற்றும் ஏப்ரியோரிஆல் ஆகிய இரண்டுமே வாடிக்கையாளர் பரிவர்த்தனைகளின் எண்ணிக்கையுடன் நேரியல் அளவில் அளவிடப்படுகின்றன என்பதை அளவிடப்பட்ட சோதனைகள் காட்டுகின்றன. வாடிக்கையாளருக்கு பரிவர்த்தனைகளின் எண்ணிக்கை மற்றும் பரிவர்த்தனையில் உள்ள பொருட்களின் எண்ணிக்கை ஆகியவற்றின் அடிப்படையில் அவை சிறந்த அளவிலான பண்புகளைக் கொண்டுள்ளன.

3f4558f0526a7491e2597941f99c14fea536288d

f6c265af493c74cb7ef64b8ffe238e3f2487d133

இந்த ஆராய்ச்சி கட்டுரையில், ப்ளூடூத், WLAN/WiMAX மற்றும் பொது பாதுகாப்பு பயன்பாடுகளுக்காக வடிவமைக்கப்பட்ட ஒரு சிறிய இரட்டை பட்டை சமச்சீரற்ற கோப்ளானர் ஸ்ட்ரிப்-ஃபீட் அச்சிடப்பட்ட ஆண்டெனா வடிவமைக்கப்பட்டு வழங்கப்படுகிறது. ACS ஊட்டக் கோட்டில் இரண்டு எளிய சுழல் வடிவிலான கதிர்வீச்சுப் பட்டைகளை இணைப்பதன் மூலம் இரட்டை அதிர்வெண் இயக்கப் பட்டைகள் (2.45 GHz மற்றும் 5.25 GHz) அடையப்பட்டுள்ளன. முன்மொழியப்பட்ட ஆண்டெனா வடிவியல் 1.6 மிமீ தடிமன் கொண்ட குறைந்த விலை FR4 அடி மூலக்கூறில் அச்சிடப்பட்டுள்ளது, ஒட்டுமொத்த பரிமாணங்கள் 13 × 21.3 மீ, இதில் ஒற்றை-விளைவு தரை விமானம் அடங்கும். ACS-உணவு கொண்ட இரட்டை-பட்டை மோனோபோல் ஆண்டெனாவின் -10 டிபி தடை அலைவரிசை முறையே 2.36-2.5 GHz முதல் 140MHz மற்றும் 4.5-7.0 GHz முதல் 2500MHz ஆகும், இது 2.4 GHz ப்ளூடூத் / WLAN, 5.2/5.8 GHz WLAN, 5.5 GHz WiMAX மற்றும் 4.9 GHz US பொது பாதுகாப்பு பட்டைகளை உள்ளடக்கியது. எளிய வடிவியல் மற்றும் பரந்த தடை அலைவரிசை அம்சங்களைத் தவிர, முன்மொழியப்பட்ட கட்டமைப்பு முறையே ஈ மற்றும் எச்-விண்கலத்தில் இருதிசை மற்றும் சர்வதிசை கதிர்வீச்சு வடிவத்தை செய்கிறது.

04f39720b9b20f8ab990228ae3fe4f473e750fe3

17fac85921a6538161b30665f55991f7c7e0f940

[10, 11] இல் தொடங்கப்பட்ட புள்ளிவிவர தரவுத்தளங்களின் தனியுரிமையைப் பாதுகாப்பது குறித்த ஆராய்ச்சிகளை நாங்கள் தொடர்கிறோம். இரகசிய தகவல்களை வைத்திருக்கும் நம்பகமான சேவையகத்தை கற்பனை செய்து பாருங்கள். தரவுத்தளங்களை உண்மையான எண்களுடன் f எனும் ஒரு வினவல் செயல்பாடு வரைபடமாக்குவதால், f ஐ தரவுத்தளத்திற்குப் பயன்படுத்துவதன் விளைவாக உண்மை பதில் என்று அழைக்கப்படுகிறது. தனியுரிமையைப் பாதுகாக்க, கவனமாக தேர்ந்தெடுக்கப்பட்ட விநியோகத்தின் படி உருவாக்கப்பட்ட சீரற்ற சத்தம் சேர்க்கப்படுவதால் உண்மையான பதில் தொந்தரவு செய்யப்படுகிறது, மேலும் இந்த பதில், உண்மையான பதில் மற்றும் சத்தம், பயனருக்கு திருப்பித் தரப்படுகிறது. முந்தைய பணிகள் சத்தமில்லாத தொகைகளின் விஷயத்தில் கவனம் செலுத்தியது, இதில் f = P i g ((xi), இதில் xi தரவுத்தளத்தின் ith வரிசையைக் குறிக்கிறது மற்றும் g தரவுத்தள வரிசைகளை [0, 1 க்கு வரைபடமாக்குகிறது. நாம் f என்ற பொதுவான செயல்பாடுகளை ஆய்வு விரிவுபடுத்துகிறது , தனியுரிமை சேமிக்க முடியும் என்று நிரூபிக்கிறது செயல்பாடு f உணர்திறன் படி சத்தம் நிலையான விலகல் அளவிடுவதன் மூலம் . இது f க்கு எந்த ஒரு வாதமும் அதன் வெளியீட்டை மாற்றக்கூடிய அளவு. புதிய பகுப்பாய்வு பல குறிப்பிட்ட பயன்பாடுகளுக்கு முன்னர் புரிந்து கொள்ளப்பட்டதை விட கணிசமாக குறைந்த சத்தம் தேவைப்படுகிறது என்பதைக் காட்டுகிறது. முதல் படி, பிரதிகளின் வேறுபாடற்ற தன்மையைப் பொறுத்தவரை, தனியுரிமை பற்றிய மிகச் சுத்தமான தன்மைப்படுத்தல் ஆகும். கூடுதலாக, நாம் பிரிப்பு முடிவுகளை பெறுகிறோம், இது ஊடாடும் சுத்திகரிப்பு வழிமுறைகளின் அதிக மதிப்பை ஊடாடாதவற்றை விட காட்டுகிறது.

2a622720d4021259a6f6d3c6298559d1b56e7e62

சமீபத்திய வலை தேடல் நுட்பங்கள் கூகிளின் பேஜ் ரேங்க் வழிமுறையில் உள்ள வலை இணைப்பு கட்டமைப்பின் அடிப்படையில் "முக்கியத்துவம்" என்ற உலகளாவிய கருத்துடன் பாரம்பரிய உரை பொருந்தக்கூடிய தன்மையை அதிகரிக்கின்றன. மேலும் சுத்திகரிக்கப்பட்ட தேடல்களுக்கு, இந்த உலகளாவிய முக்கியத்துவக் கருத்தை தனிப்பயனாக்கப்பட்ட முக்கியத்துவக் காட்சிகளை உருவாக்க சிறப்புப்படுத்தலாம் - எடுத்துக்காட்டாக, முக்கியத்துவ மதிப்பெண்கள் பயனர்-குறிப்பிட்ட தொடக்க-ஆர்வமுள்ள பக்கங்களின் தொகுப்பின்படி சார்புடையதாக இருக்கலாம். கணக்கீடு மற்றும் சேமிப்பு அனைத்து சாத்தியமான தனிப்பயனாக்கப்பட்ட காட்சிகள் முன்கூட்டியே நடைமுறைக்கு மாறானது, தனிப்பயனாக்கப்பட்ட காட்சிகளை கணக்கிடும் வினவல் நேரத்தில், ஒவ்வொரு காட்சியின் கணக்கீட்டிற்கும் வலை வரைபடத்தின் மீதான ஒரு தொடர்ச்சியான கணக்கீடு தேவைப்படுகிறது. புதிய வரைபட-கருத்துகள் மற்றும் இந்த முடிவுகளின் அடிப்படையில் ஒரு புதிய நுட்பத்தை நாங்கள் முன்வைக்கிறோம், இது தனிப்பயனாக்கப்பட்ட பார்வைகளை பகுதி திசையன்களாக குறியீட்டுகிறது. பகுதி திசையன்கள் பல தனிப்பயனாக்கப்பட்ட பார்வைகளில் பகிரப்படுகின்றன, மேலும் அவற்றின் கணக்கீடு மற்றும் சேமிப்பு செலவுகள் பார்வைகளின் எண்ணிக்கையுடன் நன்கு அளவிடப்படுகின்றன. எங்கள் அணுகுமுறை அதிகரிப்பு கணக்கீட்டை அனுமதிக்கிறது, இதனால் பகுதி திசையன்களிலிருந்து தனிப்பயனாக்கப்பட்ட காட்சிகளை உருவாக்குவது வினவல் நேரத்தில் நடைமுறைக்குரியது. பகுதி திசையன்களைக் கணக்கிடும் திறமையான மாறும் நிரலாக்க வழிமுறைகளை, பகுதி திசையன்களிலிருந்து தனிப்பயனாக்கப்பட்ட காட்சிகளை உருவாக்குவதற்கான ஒரு வழிமுறையை, மற்றும் எங்கள் நுட்பங்களின் செயல்திறன் மற்றும் அளவிடக்கூடிய தன்மையை நிரூபிக்கும் சோதனை முடிவுகளை நாங்கள் முன்வைக்கிறோம்.

37c3303d173c055592ef923235837e1cbc6bd986

சமமான வகைப்படுத்தலுக்கான கற்றல் வழிமுறையை நாங்கள் முன்மொழிகிறோம், இது குழு சமத்துவத்தை அடைகிறது (ஒரு பாதுகாக்கப்பட்ட குழுவில் நேர்மறையான வகைப்படுத்தலைப் பெறும் உறுப்பினர்களின் விகிதம் ஒட்டுமொத்த மக்கள்தொகையில் உள்ள விகிதத்துடன் ஒத்ததாகும்), மற்றும் தனிப்பட்ட சமத்துவம் (ஒத்த நபர்களை இதேபோல் நடத்த வேண்டும்). தரவுகளின் நல்ல பிரதிநிதித்துவத்தைக் கண்டறிவதற்கான ஒரு தேர்வுமுறை சிக்கலாக நாங்கள் நியாயத்தை வடிவமைக்கிறோம். இரண்டு போட்டி இலக்குகளுடன்: தரவுகளை முடிந்தவரை குறியீடாக மாற்ற, அதே நேரத்தில் பாதுகாக்கப்பட்ட குழுவில் உறுப்பினர் பற்றிய எந்தவொரு தகவலையும் மறைக்க. மூன்று தரவுத் தொகுப்புகளில், மற்ற அறியப்பட்ட நுட்பங்களுடன் ஒப்பிடும்போது, நமது வழிமுறையின் நேர்மறையான முடிவுகளை நாங்கள் காட்டுகிறோம். மேலும், எங்கள் அணுகுமுறையின் பல நன்மைகளை நாங்கள் நிரூபிக்கிறோம். முதலாவதாக, நமது இடைநிலை பிரதிநிதித்துவம் மற்ற வகைப்படுத்தல் பணிகளுக்கு பயன்படுத்தப்படலாம் (அதாவது, பரிமாற்ற கற்றல் சாத்தியம்); இரண்டாவதாக, தரவுகளின் முக்கிய பரிமாணங்களை வகைப்படுத்தக்கூடிய ஒரு தூர அளவீட்டைக் கற்றுக்கொள்வதற்கான ஒரு படி எடுக்கிறோம்.

4556f3f9463166aa3e27b2bec798c0ca7316bd65

இந்த ஆய்வில், கொடுக்கப்பட்ட உணர்திறன் பண்புடன் தொடர்புடையதாக இருக்க தடைசெய்யப்பட்ட வகைப்படுத்தலைச் செய்வதற்காக நேயவ் பேய்ஸ் வகைப்படுத்தியை எவ்வாறு மாற்றுவது என்பதை நாங்கள் ஆராய்கிறோம். தரவுத் தொகுப்பில் உள்ள லேபிள்களுக்கு வழிவகுக்கும் முடிவெடுக்கும் செயல்முறை சார்புடையதாக இருக்கும்போது இத்தகைய சுதந்திரக் கட்டுப்பாடுகள் இயல்பாகவே நிகழ்கின்றன; எ. கா. , பாலினம் அல்லது இன பாகுபாடு காரணமாக. பாகுபாடு அடிப்படையில் எடுக்கப்பட்ட ஒரு முடிவை அனுமதிக்காத சட்டங்கள் உள்ள பல வழக்குகளால் இந்த அமைப்பு உந்துதலாக உள்ளது. இயந்திரக் கற்றல் நுட்பங்களை எளிமையாகப் பயன்படுத்துவது நிறுவனங்களுக்கு பெரும் அபராதங்களை ஏற்படுத்தும். நேர்மையான பேய்ஸ் வகைப்படுத்தியை பாகுபாடு இல்லாததாக மாற்றுவதற்கான மூன்று அணுகுமுறைகளை நாங்கள் முன்வைக்கிறோம்: (i) முடிவு நேர்மறையாக இருப்பதற்கான நிகழ்தகவை மாற்றியமைத்தல், (ii) ஒவ்வொரு உணர்திறன் பண்பு மதிப்பிற்கும் ஒரு மாதிரியை பயிற்றுவித்தல் மற்றும் அவற்றை சமநிலைப்படுத்துதல், மற்றும் (iii) பேயஸியன் மாதிரியில் ஒரு மறைந்த மாறி சேர்ப்பது இது பக்கச்சார்பற்ற லேபிளைக் குறிக்கிறது மற்றும் எதிர்பார்ப்பு அதிகரிப்பு பயன்படுத்தி நிகழ்தகவுக்கான மாதிரி அளவுருக்களை மேம்படுத்துகிறது. செயற்கை மற்றும் நிஜ வாழ்க்கை தரவுகளில் மூன்று அணுகுமுறைகளுக்கான பரிசோதனைகளை நாங்கள் முன்வைக்கிறோம்.

f5de0751d6d73f0496ac5842cc6ca84b2d0c2063

மைக்ரோ எலக்ட்ரானிக்ஸ் மற்றும் ஒருங்கிணைந்த சுற்றுகள், சிஸ்டம்-ஆன்-சிப் வடிவமைப்பு, வயர்லெஸ் தொடர்பு மற்றும் புத்திசாலித்தனமான குறைந்த சக்தி சென்சார்கள் ஆகியவற்றில் சமீபத்திய முன்னேற்றங்கள் வயர்லெஸ் உடல் பகுதி நெட்வொர்க்கை (WBAN) உணர அனுமதித்துள்ளன. WBAN என்பது குறைந்த சக்தி, மினியேட்டரைஸ் செய்யப்பட்ட, ஊடுருவும்/அடைக்காத இலகுரக வயர்லெஸ் சென்சார் முனைகளின் தொகுப்பாகும், இது மனித உடலின் செயல்பாடுகளையும் சுற்றியுள்ள சூழலையும் கண்காணிக்கிறது. கூடுதலாக, இது பல புதுமையான மற்றும் சுவாரஸ்யமான பயன்பாடுகளை ஆதரிக்கிறது, அதாவது எங்கும் சுகாதார, பொழுதுபோக்கு, ஊடாடும் விளையாட்டு மற்றும் இராணுவ பயன்பாடுகள். இந்த ஆவணத்தில், கட்டமைப்பு மற்றும் டோபோலஜி, வயர்லெஸ் இம்ப்ளான்ட் தொடர்பு, குறைந்த சக்தி நடுத்தர அணுகல் கட்டுப்பாடு (MAC) மற்றும் ரூட்டிங் நெறிமுறைகள் உள்ளிட்ட WBAN இன் அடிப்படை வழிமுறைகள் மதிப்பாய்வு செய்யப்படுகின்றன. இயற்பியல் (PHY), MAC மற்றும் நெட்வொர்க் அடுக்குகளில் WBAN க்கான முன்மொழியப்பட்ட தொழில்நுட்பங்களின் விரிவான ஆய்வு வழங்கப்படுகிறது மற்றும் ஒவ்வொரு அடுக்குக்கும் பல பயனுள்ள தீர்வுகள் விவாதிக்கப்படுகின்றன. இறுதியாக, ஏராளமான WBAN பயன்பாடுகள் முன்னிலைப்படுத்தப்பட்டுள்ளன.

bebdd553058ab50d0cb19a1f65d7f4daeb7cda37

தகவல் தொழில்நுட்பத்தின் பாதுகாப்பு நிறுவனங்களுக்கு ஒரு முக்கிய பொருளாதார சவாலாக மாறியுள்ளது மற்றும் அது அப்படியே இருக்கும் என்று கணிக்கப்பட்டுள்ளது. தகவல் தொழில்நுட்ப பாதுகாப்பு முதலீடுகள் குறித்த ஆராய்ச்சி வேகமாக வளர்ந்து வருகின்ற போதிலும், ஆராய்ச்சியை கட்டமைப்பதற்கும், பொருளாதார தொழில்நுட்ப நிகழ்வுகளை விளக்குவதற்கும், எதிர்கால ஆராய்ச்சிக்கு வழிகாட்டுவதற்கும் தத்துவார்த்த அடிப்படையில் இது இல்லை. வள அடிப்படையிலான பார்வை மற்றும் நிறுவன கற்றல் கோட்பாட்டை ஏற்றுக்கொள்ளும் பல கோட்பாட்டு முன்னோக்கிலிருந்து வெளிவரும் ஒரு புதிய தத்துவார்த்த மாதிரியை பரிந்துரைப்பதன் மூலம் இந்த குறைபாட்டை நாங்கள் தீர்க்கிறோம். இந்த கோட்பாடுகளை இணைந்து பயன்படுத்துவது, நிறுவன வளங்களை ஐடி பாதுகாப்பு எதிர் நடவடிக்கைகள் மூலம் பாதுகாக்கும்போது ஏற்படும் நிறுவன கற்றல் விளைவுகளை ஒரு தத்துவார்த்த மாதிரியில் கருத்தாய்வு செய்ய அனுமதிக்கிறது. தகவல் தொழில்நுட்ப பாதுகாப்பு முதலீடுகளின் இந்த மாதிரியை நாம் பயன்படுத்தி, ஏராளமான இலக்கியங்களின் கண்டுபிடிப்புகளை தொகுத்து, ஆராய்ச்சி இடைவெளிகளை கண்டறிந்துள்ளோம். இந்த இடைவெளிகளை (மறைப்பது) மேலாண்மை விளைவுகளை நடைமுறை உதாரணங்கள் மூலம் விவாதிக்கிறோம்.

1407b3363d9bd817b00e95190a95372d3cb3694a

இயற்கை மொழி உரையாடலில், தொடர்புடைய நிகழ்வுகள் ஒரு பெரிய காட்சியை விவரிக்க ஒன்றோடொன்று அருகில் தோன்றும். இத்தகைய கட்டமைப்புகளை ஒரு சட்டத்தின் கருத்து மூலம் முறையாகக் கூறலாம் (அ. கா. தொடர்புடைய நிகழ்வுகள் மற்றும் முன்மாதிரி பங்கேற்பாளர்கள் மற்றும் நிகழ்வு மாற்றங்கள் ஆகியவற்றின் தொகுப்பை உள்ளடக்கிய ஒரு டெம்ப்ளேட். பிரேம்களை அடையாளம் காண்பது தகவல் பிரித்தெடுப்பதற்கும் இயற்கை மொழி உருவாக்குதலுக்கும் ஒரு முன்நிபந்தனையாகும், மேலும் இது வழக்கமாக கைமுறையாக செய்யப்படுகிறது. சமீபத்தில் பிரேம்களை தூண்டுவதற்கான முறைகள் முன்மொழியப்பட்டுள்ளன, ஆனால் அவை வழக்கமாக ad hoc நடைமுறைகளைப் பயன்படுத்துகின்றன, மேலும் கண்டறிவது அல்லது நீட்டிப்பது கடினம். இந்த ஆய்வில், பிரேம் தூண்டலுக்கு முதல் நிகழ்தகவு அணுகுமுறையை நாங்கள் முன்மொழிகிறோம், இது பிரேம்கள், நிகழ்வுகள், பங்கேற்பாளர்களை மறைந்த தலைப்புகளாக இணைக்கிறது மற்றும் உரையை சிறப்பாக விளக்கும் அந்த பிரேம் மற்றும் நிகழ்வு மாற்றங்களைக் கற்றுக்கொள்கிறது. கட்டங்களின் எண்ணிக்கை, ஒரு புதிய பயன்பாட்டின் மூலம், ஒரு பிளவு-இணைப்பு முறையை, ஒரு ஒத்திசைவு பகுப்பாய்விலிருந்து பெறப்படுகிறது. உரை முதல் தூண்டப்பட்ட பிரேம்கள் மற்றும் பிரித்தெடுக்கப்பட்ட உண்மைகள் வரை இறுதி முதல் இறுதி மதிப்பீடுகளில், எங்கள் முறை தொழில்நுட்ப முயற்சிகளை கணிசமாகக் குறைக்கும் அதே நேரத்தில் அதிநவீன முடிவுகளை உருவாக்கியது.

1bf9a76c9d9838afc51983894b58790b14c2e3d3

ஊனமுற்றோர், முதியவர்கள் மற்றும் நாள்பட்ட நோயாளிகளின் வாழ்க்கையை எளிதாக்குவதற்கும் மேம்படுத்துவதற்கும் நோக்கமாக இருக்கும் ஐடி தீர்வுகளை அம்பியண்ட் உதவி வாழ்க்கை (AAL) வழங்குகிறது. உடல் செயல்பாடுகள், பொதுவாக, அவர்களின் வாழ்க்கைத் தரத்தை மேம்படுத்துவதோடு, உடல் ஆரோக்கியத்தை பராமரிப்பதாலும், வயதானவர்களுக்கு இயக்கம் முக்கியப் பிரச்சினையாகும். பின்னர், இந்த ஆவணம், பராமரிப்பாளர்கள் மற்றும் வயதானவர்களுக்கு AAL கட்டமைப்பை வழங்குகிறது, இது அவர்களின் இயக்கம் குறைக்காமல் சுறுசுறுப்பான வாழ்க்கை முறையை பராமரிக்க அனுமதிக்கிறது. இந்த கட்டமைப்பில் இயக்கம் சூழலுக்கான நான்கு AAL கருவிகள் உள்ளன: i) வீழ்ச்சி கண்டறிதல் மொபைல் பயன்பாடு; ii) அணியக்கூடிய சென்சார்கள் மூலம் பயோஃபீட்க் கண்காணிப்பு அமைப்பு; iii) உலகளாவிய நிலைப்படுத்தல் அமைப்பு (ஜிபிஎஸ்) பொருத்தப்பட்ட காலணி மூலம் வெளிப்புற இருப்பிட சேவை; மற்றும் iv) வீட்டு சூழலில் பல முதியவர்களை கவனித்துக்கொள்ளும் பராமரிப்பாளர்களுக்கான மொபைல் பயன்பாடு. இந்த முன்மொழிவு மதிப்பீடு செய்யப்பட்டு நிரூபிக்கப்பட்டு, பயன்பாட்டிற்கு தயாராக உள்ளது.

2375f6d71ce85a9ff457825e192c36045e994bdd

91c7fc5b47c6767632ba030167bb59d9d080fbed

படங்கள், அறிவுறுத்தல்கள் மற்றும் தோற்ற மதிப்பீடுகளை நேரடியாக வரைபடத்திலிருந்து தொடர்ச்சியான குறைந்த அளவிலான வேக கட்டளைகளுக்கு உண்மையான நேரக் கட்டுப்பாட்டுக்கு மாற்றுவதன் மூலம் உயர் மட்ட வழிசெலுத்தல் வழிமுறைகளை நாங்கள் அறிமுகப்படுத்துகிறோம். தரையிறக்கப்பட்ட சொற்பொருள் வரைபட நெட்வொர்க் (GSMN) என்பது முழுமையாக வேறுபடுத்தக்கூடிய நரம்பியல் நெட்வொர்க் கட்டமைப்பாகும், இது நெட்வொர்க்கில் ஒரு பிளின்ஹோல் கேமரா திட்ட மாதிரிகளை இணைப்பதன் மூலம் உலக குறிப்பு சட்டத்தில் ஒரு வெளிப்படையான சொற்பொருள் வரைபடத்தை உருவாக்குகிறது. வரைபடத்தில் சேமிக்கப்பட்ட தகவல்கள் அனுபவத்திலிருந்து கற்றுக்கொள்ளப்படுகின்றன, அதே நேரத்தில் உள்ளூர்-உலக மாற்றம் வெளிப்படையாக கணக்கிடப்படுகிறது. DAGGERFM என்ற மாறுபட்ட DAGGER முறையை பயன்படுத்தி இந்த மாதிரியை பயிற்றுவிக்கிறோம். இது பயிற்சி வேகத்தையும் நினைவக பயன்பாட்டையும் மேம்படுத்துவதற்காக அட்டவணை ஒத்திசைவு உத்தரவாதங்களை வழங்குகிறது. மெய்நிகர் சூழல்களில் GSMN-ஐ ஒரு யதார்த்தமான குவாட்ரோகப்டர் சிமுலேட்டரில் சோதித்து, தெளிவான வரைபட மற்றும் பூமி தொகுதிகளை இணைப்பது GSMN வலுவான நரம்பியல் அடிப்படைகளை விட சிறப்பாக செயல்பட அனுமதிக்கிறது மற்றும் ஒரு நிபுணர் கொள்கை செயல்திறனை கிட்டத்தட்ட அடைய அனுமதிக்கிறது என்பதைக் காட்டுகிறோம். இறுதியாக, நாம் கற்றுக்கொண்ட வரைபட பிரதிநிதித்துவங்களை பகுப்பாய்வு செய்து, ஒரு வெளிப்படையான வரைபடத்தைப் பயன்படுத்துவது ஒரு விளக்கக்கூடிய அறிவுறுத்தலைப் பின்பற்றும் மாதிரியை வழிநடத்துகிறது என்பதைக் காட்டுகிறோம்.

cc98157b70d7cf464b880668d7694edd12188157

பல்வேறு அமைப்புகளுக்கு இடையே பாதுகாப்பான மற்றும் நம்பகமான தகவல்தொடர்புகளை உறுதி செய்வதற்கு உயர் மட்ட பாதுகாப்பை பராமரிப்பது இன்றைய கால கட்டத்தில் மிகவும் முக்கியமானது. ஆனால் இணையம் மற்றும் வேறு எந்த வலையமைப்பிலும் பாதுகாப்பான தரவு தொடர்பு எப்போதும் ஊடுருவல் மற்றும் தவறான பயன்பாட்டின் அச்சுறுத்தலுக்கு உட்பட்டது. எனவே, கணினி மற்றும் நெட்வொர்க் பாதுகாப்பில் ஊடுருவல் கண்டறிதல் அமைப்புகள் ஒரு தேவையான அங்கமாகிவிட்டன. ஊடுருவலை கண்டறிவதில் பல்வேறு அணுகுமுறைகள் பயன்படுத்தப்படுகின்றன, ஆனால் துரதிர்ஷ்டவசமாக எந்தவொரு அமைப்பும் இதுவரை முற்றிலும் குறைபாடற்றதாக இல்லை. எனவே, முன்னேற்றத்திற்கான தேடல் தொடர்கிறது. இந்த முன்னேற்றத்தில், பல்வேறு வகையான நெட்வொர்க் ஊடுருவல்களை திறம்பட கண்டறிய மரபணு வழிமுறையை (ஜிஏ) பயன்படுத்துவதன் மூலம் ஊடுருவல் கண்டறிதல் அமைப்பை (ஐடிஎஸ்) இங்கு முன்வைக்கிறோம். GAக்கான அளவுருக்கள் மற்றும் பரிணாம செயல்முறைகள் விரிவாக விவாதிக்கப்பட்டு செயல்படுத்தப்படுகின்றன. இந்த அணுகுமுறை போக்குவரத்து தரவுகளை வடிகட்ட மற்றும் சிக்கலை குறைக்க தகவல் பரிணாமம் பரிணாமம் கோட்பாடு பயன்படுத்துகிறது. எங்கள் அமைப்பின் செயல்திறனை செயல்படுத்தவும் அளவிடவும் நாங்கள் KDD99 தரவுத்தொகுப்பைப் பயன்படுத்தினோம், மேலும் நியாயமான கண்டறிதல் விகிதத்தைப் பெற்றோம்.