_id
stringlengths 40
40
| text
stringlengths 0
10.7k
|
|---|---|
2b211f9553ec78ff17fa3ebe16c0a036ef33c54b | மார்கோ ஏ. ரோட்ரிகஸ் AT&T இன்டராக்டிவ் நிறுவனத்தில் கிராஃப் சிஸ்டம்ஸ் கட்டிடக் கலைஞராக உள்ளார். அவரை marko<at>markorodriguez.com என்ற இணையதளத்தில் தொடர்பு கொள்ளலாம். பீட்டர் நியூபவர் நியோ டெக்னாலஜி நிறுவனத்தின் தலைமை செயல்பாட்டு அதிகாரி ஆவார். அவரை peter.neubauer<at>neotechnology.com என்ற இணையதளத்தில் தொடர்பு கொள்ளலாம். ஒரு வரைபடம் என்பது புள்ளிகள் (அதாவது, முனைகள்) மற்றும் கோடுகள் (அதாவது, விளிம்புகள்) ஆகியவற்றால் ஆன தரவு அமைப்பு ஆகும். ஒரு வரைபடத்தின் புள்ளிகள் மற்றும் கோடுகள் சிக்கலான ஏற்பாடுகளில் ஒழுங்கமைக்கப்படலாம். ஒரு கிராஃபின் பொருள்களைக் குறிக்கும் திறன் மற்றும் அவற்றின் ஒருவருக்கொருவர் உறவுகள் ஆகியவை வியக்கத்தக்க வகையில் ஏராளமான விஷயங்களை வரைபடங்களாக மாதிரியாகக் கொள்ள அனுமதிக்கிறது. மென்பொருள் தொகுப்புகளை இணைக்கும் சார்புகளிலிருந்து ஒரு வீட்டின் சட்டகத்தை வழங்கும் மரக் கம்பிகள் வரை, பெரும்பாலானவற்றுக்கு அதனுடன் தொடர்புடைய வரைபட பிரதிநிதித்துவம் உள்ளது. இருப்பினும், ஒரு கிராஃபாக ஏதாவது பிரதிநிதித்துவப்படுத்த முடியும் என்பதால், அதன் கிராஃபிக் பிரதிநிதித்துவம் பயனுள்ளதாக இருக்கும் என்று அர்த்தமல்ல. ஒரு மாடலர் கிராப்களை சேமித்து செயலாக்கும் கருவிகள் மற்றும் வழிமுறைகளின் ஏராளத்தை பயன்படுத்தினால், அத்தகைய வரைபடமாக்கல் பயனுள்ளது. இந்த கட்டுரை கணினிகளில் வரைபடங்களின் உலகத்தை ஆராய்கிறது மற்றும் வரைகலை மாதிரிகள் பயனுள்ளதாக இருக்கும் சூழ்நிலைகளை வெளிப்படுத்துகிறது. |
0c5e3186822a3d10d5377b741f36b6478d0a8667 | செயற்கை நுண்ணறிவில் ஒரு முக்கிய சிக்கல், ஒரு பகுதியாகக் காணக்கூடிய சூழலில் நிச்சயமற்ற தன்மையின் கீழ் எதிர்கால வெகுமதியை அதிகரிக்க திட்டமிடுவது. இந்த ஆய்வில், செயற்பாட்டு-பார்வை ஜோடிகளின் வரிசைகளிலிருந்து நேரடியாக அத்தகைய சூழலின் மாதிரியை துல்லியமாகக் கற்றுக் கொள்ளும் ஒரு புதிய வழிமுறையை நாங்கள் முன்மொழிகிறோம் மற்றும் நிரூபிக்கிறோம். பின்னர் நாம் கற்ற மாதிரி திட்டமிடுவதன் மூலம் கண்காணிப்புகளிலிருந்து செயல்களுக்கு சுழற்சியை மூடி, அசல் சூழலில் கிட்டத்தட்ட உகந்ததாக இருக்கும் ஒரு கொள்கையை மீட்டெடுக்கிறோம். குறிப்பாக, ஒரு முன்கணிப்பு நிலை பிரதிநிதித்துவத்தின் (PSR) அளவுருக்களைக் கற்றுக்கொள்வதற்கான ஒரு திறமையான மற்றும் புள்ளிவிவர ரீதியாக நிலையான நிறமாலை வழிமுறையை நாங்கள் முன்வைக்கிறோம். உயர் பரிமாண, பார்வை அடிப்படையிலான மொபைல் ரோபோ திட்டமிடல் பணியின் மாதிரியை கற்றுக் கொண்டு, கற்ற பி.எஸ்.ஆர். யில் தோராயமான புள்ளி அடிப்படையிலான திட்டமிடலைச் செய்வதன் மூலம் வழிமுறையை நிரூபிக்கிறோம். நமது முடிவுகளின் பகுப்பாய்வு, ஒரு சூழலின் அடிப்படை அம்சங்களை திறம்பட கைப்பற்றும் ஒரு மாநில இடத்தை அல்காரிதம் கற்றுக்கொள்கிறது என்பதைக் காட்டுகிறது. இந்த பிரதிநிதித்துவம் ஒரு சிறிய எண்ணிக்கையிலான அளவுருக்களுடன் துல்லியமான கணிப்பை அனுமதிக்கிறது, மேலும் வெற்றிகரமான மற்றும் திறமையான திட்டமிடலை செயல்படுத்துகிறது. |
16611312448f5897c7a84e2f590617f4fa3847c4 | மறைக்கப்பட்ட மார்கோவ் மாதிரிகள் (HMMs) என்பது தனித்தனி கால வரிசைகளை மாதிரியாகக் கொண்டிருக்க மிகவும் அடிப்படை மற்றும் பரவலாகப் பயன்படுத்தப்படும் புள்ளியியல் கருவிகளில் ஒன்றாகும். பொதுவாக, அவை வழக்கமான உள்ளூர் உகந்த சிக்கல்களால் பாதிக்கப்படும் கடல் ஆர்க்க் ஹூரிஸ்டிக்ஸ் (பவும்-வெல்ச் / ஈஎம் வழிமுறை போன்றவை) பயன்படுத்தி கற்றுக்கொள்ளப்படுகின்றன. பொதுவாக இந்த மாதிரிகள் அடிப்படை விநியோகத்திலிருந்து மாதிரிகள் மூலம் கற்றுக்கொள்வது கடினம் என்று அறியப்பட்டாலும், இயற்கையான பிரிப்பு நிலைமைகளின் கீழ் HMM களைக் கற்றுக்கொள்வதற்கான முதல் நிரூபிக்கக்கூடிய திறமையான வழிமுறையை (மாதிரி மற்றும் கணக்கீட்டு சிக்கலான தன்மை அடிப்படையில்) நாங்கள் வழங்குகிறோம். இந்த நிலைமை கலவை விநியோகங்களைக் கற்க கருதப்படும் பிரிப்பு நிலைமைகளுக்கு ஏறக்குறைய ஒத்ததாகும் (அங்கு, இதேபோல், இந்த மாதிரிகள் பொதுவாகக் கற்றுக்கொள்வது கடினம்). மேலும், எங்கள் மாதிரி முழுமை முடிவுகள் வெளிப்படையாக தனித்தனி (தனித்தனி) அவதானிப்புகளின் எண்ணிக்கையை சார்ந்து இல்லை - அவை மறைமுகமாக இந்த எண்ணிக்கையை அடிப்படையாகக் கொண்ட HMM இன் நிறமாலை பண்புகள் மூலம் சார்ந்துள்ளன. இது இயற்கை மொழி செயலாக்கத்தில் உள்ளவை போன்ற அதிக எண்ணிக்கையிலான அவதானிப்புகளைக் கொண்ட அமைப்புகளுக்கு வழிமுறையை குறிப்பாகப் பொருத்தமானது, அங்கு அவதானிப்புகளின் இடம் சில நேரங்களில் ஒரு மொழியில் உள்ள சொற்கள். இறுதியாக, அல்காரிதம் மிகவும் எளிமையானது, இது ஒரு ஒற்றை r மதிப்பு சிதைவு மற்றும் மேட்ரிக்ஸ் பெருக்கங்களை மட்டுமே நம்பியுள்ளது. |
8ad6fda2d41dd823d2569797c8c7353dad31b371 | நாம் ஒரு பண்பு அடிப்படையிலான குறியாக்கத்தை (ABE) திட்டத்தை உருவாக்குகிறோம், இது ஒரு பயனரின் தனியார் விசை பண்புகள் மீது எந்த அணுகல் சூத்திரத்தின் அடிப்படையிலும் வெளிப்படுத்தப்பட அனுமதிக்கிறது. முந்தைய ABE திட்டங்கள் ஒரே மாதிரியான அணுகல் கட்டமைப்புகளை மட்டுமே வெளிப்படுத்தும் வகையில் இருந்தன. நாம் நமது திட்டத்திற்கான பாதுகாப்பை நிரூபிக்கிறோம். இது டிஃபி-ஹெல்மன் (BDH) கருதுகோளின் அடிப்படையில் உள்ளது. மேலும், நமது புதிய திட்டத்தின் செயல்திறன், தற்போதுள்ள, குறைவான வெளிப்படையான திட்டங்களுடன் சாதகமாக ஒப்பிடப்படுகிறது. |
4f3dbfec5c67f0fb0602d9c803a391bc2f6ee4c7 | 20GHz கட்ட-பூட்டப்பட்ட சுழற்சி 4.9 ps/sub pp//0.65 ps/sub rms/ jitter மற்றும் -113.5 dBc/Hz கட்ட இரைச்சல் 10-MHz ஆஃப்செட்டில் வழங்கப்படுகிறது. ஒரு அரை-பணி மாதிரி-உணவு-முன்னோக்கி சுழற்சி வடிகட்டி வெறுமனே ஒரு சுவிட்ச் மற்றும் ஒரு இன்வெர்ட்டர் மூலம் எதிர்ப்பை மாற்றுகிறது, இது குறிப்பு தூண்டுதலை -44.0 dBc வரை அடக்குகிறது. ஒரு இணைக்கப்பட்ட மைக்ரோஸ்ட்ரிப் மீளுருவாக்கம் கொண்ட எதிர்மறை-g/sub m/ அசைவிழியின் கட்ட சத்தத்தை குறைக்கும் ஒரு வடிவமைப்பு மறு செய்கை நடைமுறை கோடிட்டுக் காட்டப்பட்டுள்ளது. துடிப்புள்ள பூட்டுகளால் செய்யப்பட்ட நிலையான அதிர்வெண் பிரிப்பவர்கள் ஃபிளிப்-ஃப்ளோப்புகளால் செய்யப்பட்டவற்றை விட வேகமாக செயல்படுகின்றன மற்றும் 2:1 அதிர்வெண் வரம்பை அடைகின்றன. 0.13-/spl mu/m CMOS இல் தயாரிக்கப்பட்ட கட்ட-பூட்டப்பட்ட சுழற்சி 17.6 முதல் 19.4GHz வரை செயல்படுகிறது மற்றும் 480mW சிதறடிக்கிறது. |
1fcaf7ddcadda724d67684d66856c107375f448b | ஆவணங்கள் மற்றும் அவற்றின் கட்டமைப்பான வாக்கியங்களின் பெயர்களைப் பயன்படுத்தி, உரை வகைப்படுத்தலுக்கான ஒரு புதிய கன்வோல்ஷனல் நியூரல் நெட்வொர்க் (சிஎன்என்) மாதிரியை நாங்கள் முன்வைக்கிறோம். குறிப்பாக, விளக்கக் குறிப்பாளர்கள் தங்கள் ஒட்டுமொத்த ஆவண வகைப்படுத்தலை ஆதரிக்கும் வாக்கியங்களை (அல்லது துணுக்குகளை) வெளிப்படையாகக் குறிக்கும் காட்சிகளை நாங்கள் கருதுகிறோம், அதாவது, அவர்கள் பகுத்தறிவுகளை வழங்குகிறார்கள். எமது மாதிரி ஒரு படிநிலை அணுகுமுறையின் மூலம் அத்தகைய மேற்பார்வையை பயன்படுத்துகிறது, இதில் ஒவ்வொரு ஆவணமும் அதன் கூறு வாக்கியங்களின் திசையன் பிரதிநிதித்துவங்களின் நேரியல் கலவையால் பிரதிநிதித்துவம் செய்யப்படுகிறது. ஒரு வாக்கியம் ஒரு பகுத்தறிவுக் காரணியாக இருப்பதற்கான சாத்தியத்தை மதிப்பிடுகின்ற ஒரு வாக்கிய நிலை-கட்டுப்பாட்டு மாதிரியை நாங்கள் முன்மொழிகிறோம், பின்னர் இந்த மதிப்பீடுகளுக்கு விகிதாசாரமாக ஒட்டுமொத்த ஆவண பிரதிநிதித்துவத்திற்கு ஒவ்வொரு வாக்கியத்தின் பங்களிப்பையும் அளவிடுகிறோம். ஆவணக் குறிச்சொற்களும் அதனுடன் தொடர்புடைய பகுத்தறிவுகளும் கொண்ட ஐந்து வகைப்படுத்தல் தரவுத் தொகுப்புகளின் சோதனைகள், நமது அணுகுமுறை தொடர்ந்து வலுவான அடிப்படைகளை விட சிறப்பாக செயல்படுகிறது என்பதைக் காட்டுகிறது. மேலும், நமது மாதிரி இயற்கையாகவே அதன் கணிப்புகளுக்கு விளக்கங்களை வழங்குகிறது. |
20b41b2a0d8ee71efd3986b4baeed24eba904350 | இலக்குகள் அபிவிருத்தி அடைந்து வரும் நாடுகளில் தாய்வழி மனச்சோர்வுக்கும் குழந்தை வளர்ச்சியுக்கும் இடையிலான உறவை முறையான இலக்கிய ஆய்வு மற்றும் மெட்டா பகுப்பாய்வு மூலம் ஆராய்தல். 2010 வரை வெளியிடப்பட்ட தாய்வழி மனச்சோர்வு மற்றும் குழந்தை வளர்ச்சியைப் பற்றிய ஆய்வுகள் குறித்து அபிவிருத்தி அடைந்து வரும் நாடுகளில் இருந்து ஆறு தரவுத்தளங்களைத் தேடப்பட்டது. அனைத்து ஆய்வுகளிலும் மற்றும் ஆய்வுகளின் துணைக்குழுக்களில் ஆய்வு வடிவமைப்பு, தாயின் மனச்சோர்வு மற்றும் முடிவு மாறிகள் ஆகியவற்றின் கடுமையான அளவுகோல்களை பூர்த்தி செய்த ஸ்டாண்டம் எஃப்பெக்ட்ஸ் மாதிரிகளைப் பயன்படுத்தி, மனச்சோர்வடைந்த தாய்மார்களின் குழந்தைகளில் குறைவான எடை மற்றும் வளர்ச்சியைக் குறைப்பதற்கான தரமான மெட்டா- பகுப்பாய்வு முறைகள் பின்பற்றப்பட்டன மற்றும் ஒட்டுமொத்த விகித விகிதங்கள் (OR கள்) கணக்கிடப்பட்டன. தேர்ந்தெடுக்கப்பட்ட ஆய்வுகளுக்கு மக்கள் தொகைக்கு ஏற்படும் ஆபத்து (PAR) மதிப்பிடப்பட்டது. கண்டறிதல்கள் 11 நாடுகளில் இருந்து மொத்தம் 13,923 தாய் மற்றும் குழந்தை ஜோடிகளை உள்ளடக்கிய 17 ஆய்வுகள் சேர்க்கை அளவுகோல்களை பூர்த்தி செய்தன. மனச்சோர்வு அல்லது மனச்சோர்வு அறிகுறிகள் உள்ள தாய்மார்களின் குழந்தைகள் குறைந்த எடை (OR: 1. 5; 95% நம்பிக்கை இடைவெளி, CI: 1. 2- 1. 8) அல்லது முதுமை தடுமாற்றம் (OR: 1. 4; 95% CI: 1. 2- 1. 7) உள்ளவர்கள். மூன்று நீளமான ஆய்வுகளின் துணை பகுப்பாய்வு ஒரு வலுவான விளைவைக் காட்டியதுஃ குறைந்த எடைக்கான OR 2.2 (95% CI: 1. 5- 3. 2) மற்றும் மந்தநிலைக்கு 2. 0 (95% CI: 1. 0- 3. 9). தேர்ந்தெடுக்கப்பட்ட ஆய்வுகளுக்கான PAR, குழந்தைகளின் எண்ணிக்கை முற்றிலும் தாயின் மனச்சோர்வு அறிகுறிகளுக்கு வெளிப்படுத்தப்படாவிட்டால் 23% முதல் 29% குறைவான குழந்தைகள் குறைவான எடை அல்லது முடக்கம் கொண்டிருப்பதாகக் காட்டியது. முடிவில் தாய்வழி மனச்சோர்வு குழந்தை பருவத்தில் குறைவான எடை மற்றும் வளர்ச்சியை நிறுத்துதல் ஆகியவற்றுடன் தொடர்புடையது. வழிமுறைகள் மற்றும் காரணங்களை அடையாளம் காண கடுமையான முன்னோக்கு ஆய்வுகள் தேவை. தாய்வழி மனச்சோர்வு ஆரம்பத்தில் கண்டறியப்பட்டு, சிகிச்சை அளிக்கப்பட்டு, தடுப்புப் பணிகள் மேற்கொள்ளப்பட்டால், வளரும் நாடுகளில் குழந்தைகளின் வளர்ச்சி குறைவு மற்றும் குறைந்த எடை குறைவு ஆகியவை குறையலாம். |
c596f88ccba5b7d5276ac6a9b68972fd7d14d959 | உண்மையான பொருள்களின் இயற்பியல் உலகத்தை தகவல் தொழில்நுட்ப அமைப்புகளின் மெய்நிகர் உலகத்துடன் இணைப்பதன் மூலம், பொருள்களின் இணையம் நிறுவன உலகத்தையும் சமூகத்தையும் கணிசமாக மாற்றுவதற்கான ஆற்றலைக் கொண்டுள்ளது. இருப்பினும், இந்த சொல் வெவ்வேறு சமூகங்களால் மிகவும் பரபரப்பாகவும் வித்தியாசமாகவும் புரிந்து கொள்ளப்படுகிறது, குறிப்பாக IoT என்பது ஒரு தொழில்நுட்பம் அல்ல, ஆனால் வெவ்வேறு பொறியியல் களங்களுடன் தொடர்புடைய வேறுபட்ட - பெரும்பாலும் புதிய - தொழில்நுட்பங்களின் ஒற்றுமையைக் குறிக்கிறது. ஒரு பொதுவான புரிதலுக்கு வருவதற்கு என்ன தேவை என்பது இன்டர்நெட் ஆஃப் திங்ஸிற்கான ஒரு டொமைன் மாதிரியாகும், இது முக்கிய கருத்துக்கள் மற்றும் அவற்றின் உறவுகளை வரையறுக்கிறது, மேலும் பொதுவான சொற்களஞ்சியம் மற்றும் வகைப்பாடு மற்றும் இதன்மூலம் இன்டர்நெட் ஆஃப் திங்ஸின் மேலும் அறிவியல் பேச்சு மற்றும் வளர்ச்சிக்கு ஒரு அடிப்படையாக செயல்படுகிறது. நாம் காட்டியபடி, இதுபோன்ற ஒரு டொமைன் மாதிரி இருப்பது கான்கிரீட் ஐஓடி சிஸ்டம் கட்டமைப்புகளை வடிவமைப்பதில் உதவியாக இருக்கும், ஏனெனில் இது ஒரு வார்ப்புருவை வழங்குகிறது, இதனால் பயன்பாட்டு நிகழ்வுகளின் பகுப்பாய்வை கட்டமைக்கிறது. |
5a9f4dc3e5d7c70d58c9512d7193d079c3331273 | 3D மனிதர்களைக் கண்காணிப்பதற்காக மனித நிலைப்பாடு மற்றும் இயக்க முன்னுரிமைகளை கற்க கௌசியன் செயல்முறை டைனமிக் மாதிரிகள் (GPDM) பயன்பாட்டை நாங்கள் ஆதரிக்கிறோம். ஒரு GPDM மனித இயக்க தரவுகளின் குறைந்த பரிமாண உட்பொதிப்பை வழங்குகிறது, இது ஒரு அடர்த்தி செயல்பாட்டைக் கொண்டுள்ளது, இது பயிற்சி தரவுகளுக்கு நெருக்கமான தோற்றங்கள் மற்றும் இயக்கங்களுக்கு அதிக நிகழ்தகவை அளிக்கிறது. பேய்சியன் மாதிரியின் மூலம் ஒரு GPDM ஐ ஒப்பீட்டளவில் சிறிய அளவிலான தரவுகளிலிருந்து கற்றுக்கொள்ள முடியும், மேலும் இது பயிற்சி தொகுப்பிற்கு வெளியே உள்ள இயக்கங்களுக்கு நேர்த்தியாக பொதுமைப்படுத்துகிறது. இங்கு நாம் GPDM ஐ மாற்றியமைக்கிறோம் கணிசமான பாணி மாறுபாடு கொண்ட இயக்கங்களிலிருந்து கற்றலை அனுமதிக்கும் வகையில். பலவீனமான மற்றும் சத்தமில்லாத பட அளவீடுகள் மற்றும் குறிப்பிடத்தக்க மூடல்கள் இருந்தபோதிலும், இதன் விளைவாக வரும் முன்னோடிகள் பலவிதமான மனித நடை பாணிகளைக் கண்காணிப்பதில் பயனுள்ளதாக இருக்கும். |
c3f2d101b616d82d07ca2cc4cb8ed0cb53fde21f | தரவுத்தொகுப்பில் அறிக்கையிடப்பட்ட நமது தற்போதைய CD மற்றும் EMD மதிப்புகளுக்கு குறிப்பு வழங்க மனித ஆய்வுகளை நாங்கள் நடத்தினோம். நாம் மனிதன் கருவி ஒரு GUI படத்தை இருந்து ஒரு முக்கோண வலை உருவாக்க வழங்கப்படும். கருவி (படம் 1 ஐப் பார்க்கவும்) பயனரை 3D இல் கண்ணித் துண்டுகளைத் திருத்தவும், மாதிரியாகக் கொண்ட பொருளை உள்ளீட்டு படத்திற்கு மீண்டும் சீரமைக்கவும் உதவுகிறது. மொத்தம் 16 மாதிரிகள் எங்கள் சரிபார்ப்பு தொகுப்பின் உள்ளீட்டு படங்களிலிருந்து உருவாக்கப்படுகின்றன. ஒவ்வொரு மாதிரிக்கும் N = 1024 புள்ளிகள் எடுக்கப்படுகின்றன. |
32791996c1040b9dcc34e71a05d72e5c649eeff9 | வழக்கமான அன்றாட நடவடிக்கைகளின் போது இதயத்தின் அசாதாரண மின்சார நடத்தை கண்டறிய மருத்துவ நடைமுறையில் அம்பியூலேட்டரி எலக்ட்ரோ கார்டியோகிராஃபி பெருகிய முறையில் பயன்படுத்தப்படுகிறது. இந்த கண்காணிப்பின் பயனை சுவாசத்தை பெறுவதன் மூலம் மேம்படுத்த முடியும், இது முன்னர் நோயாளிகள் நிலையான நிலையில் இருக்கும் இரவு நேர மூச்சுத்திணறல் ஆய்வுகள் அல்லது மன அழுத்த சோதனைக்கு மல்டிலெட் ஈசிஜி அமைப்புகளைப் பயன்படுத்துவதன் அடிப்படையில் இருந்தது. ஒற்றை-முன் கொண்டு செல்லக்கூடிய ஈ.சி.ஜி மானிட்டரிலிருந்து பெறப்பட்ட ஆறு சுவாச அளவீடுகளை, ஒரு அம்பியூலட்டரி நாசி கானுலா சுவாச மானிட்டரிலிருந்து பெறப்பட்ட ஒரே நேரத்தில் அளவிடப்பட்ட சுவாச காற்று ஓட்டத்துடன் ஒப்பிட்டுப் பார்த்தோம். பத்து கட்டுப்படுத்தப்பட்ட 1 மணிநேர பதிவுகள் அன்றாட வாழ்க்கை நடவடிக்கைகளை (படுத்து, உட்கார்ந்து, நின்று, நடப்பது, ஜாகிங், ஓடுதல், மற்றும் படிக்கட்டுகளில் ஏறுதல்) மற்றும் ஆறு இரவு நேர ஆய்வுகள் ஆகியவை மேற்கொள்ளப்பட்டன. சிறந்த முறை 0.2-0.8 ஹெர்ட்ஸ் பேண்ட் பாஸ் வடிகட்டி மற்றும் RR இடைவெளியை நீட்டித்தல் மற்றும் சுருக்கத்தின் அடிப்படையில் RR நுட்பம். குறிப்பு தங்கத் தரத்துடன் சராசரி பிழை விகிதங்கள் நிமிடத்திற்கு +mn4 மூச்சு (bpm) (அனைத்து செயல்பாடுகள்), +mn2 bpm (படுத்து மற்றும் உட்கார்ந்து), மற்றும் நிமிடத்திற்கு +mn1 மூச்சு (இரவு ஆய்வுகள்). முழு ஈ. சி. ஜி அலை வடிவத்திலிருந்து பெறப்பட்ட சிறந்த நுட்பத்துடன் ஒப்பிடும்போது இதய துடிப்பு தகவலை மட்டும் (RR நுட்பம்) பயன்படுத்தி புள்ளிவிவர ரீதியாக ஒத்த முடிவுகள் பெறப்பட்டன, இது தரவு சேகரிப்பு நடைமுறைகளை எளிதாக்குகிறது. பாரம்பரிய முறைகளில் இருந்து குறிப்பிடத்தக்க வேறுபாடுகள் இல்லாமல், ஆற்றல்மிக்க செயல்பாடுகளின் கீழ் சுவாசத்தை ஒரு-முன்னணி ஈ.சி.ஜி.யிலிருந்து பெற முடியும் என்பதை ஆய்வு காட்டுகிறது. |
7eac1eb85b919667c785b9ac4085d8ca68998d20 | 2. 3. மொபைல் கற்றலில் இருந்து மின்னணு கற்றலை வேறுபடுத்துதல் மொபைல் கற்றலின் மதிப்பும் பயன்களும் : தேவைப்படும் போது பயிற்சி, எந்த நேரத்திலும் பயிற்சி, எந்த இடத்திலும் பயிற்சி, கற்றவர் மையப்படுத்திய உள்ளடக்கம், வேலைக்கு திரும்புவதைத் தவிர்ப்பது, வரி செலுத்துவோருக்கு பயிற்சி, மற்றும் பல்கலைக்கழக விரிவுரைகள் மற்றும் பயிற்சி மையங்களில் அமர்வுகள் மூலம் முழுமையாக ஆக்கிரமிக்கப்பட்டவர்களுக்கு பயிற்சி, மற்றும் கற்பித்தல் மற்றும் கற்றலின் தொழில்மயமாக்கல். மேலும், நோட்புக் கம்ப்யூட்டர்கள், மொபைல் டேப்லெட்டுகள், ஐபாட் டச் மற்றும் ஐபாட் ஆகியவை மொபைல் ஈ-லர்னிங் சாதனங்களில் மிகவும் பிரபலமாக உள்ளன. அவற்றின் விலை மற்றும் பயன்பாடுகளின் கிடைக்கும் தன்மை காரணமாக. ----------------------------------------அது என்ன? கல்வி மற்றும் பயிற்சி என்பது ஒரு தலைமுறையின் ஞானம், அறிவு மற்றும் திறன்களை அடுத்த தலைமுறைக்கு வழங்குவதற்கான செயல்முறையாகும். இன்று இரண்டு வகையான கல்வி மற்றும் பயிற்சி உள்ளது: வழக்கமான கல்வி மற்றும் தொலைதூர கல்வி. கைபேசி மற்றும் டேப்லெட் கம்ப்யூட்டர்கள், எம்பி3 பிளேயர்கள், ஸ்மார்ட்போன்கள் மற்றும் மொபைல் போன்கள் போன்ற மொபைல் சாதனங்கள் மூலம் கற்றல் செயல்முறையை ஆதரிக்க நவீன வழிகளை மொபைல் கற்றல் அல்லது "எம்-லெர்னிங்" வழங்குகிறது. இந்த ஆவணம் கல்வி நோக்கங்களுக்காக மொபைல் கற்றல் என்ற தலைப்பை அறிமுகப்படுத்துகிறது. மொபைல் சாதனங்கள் கற்பித்தல் மற்றும் கற்றல் நடைமுறைகளில் எந்த அளவிற்கு தாக்கத்தை ஏற்படுத்தியுள்ளன என்பதை ஆராய்ந்து, மொபைல் சாதனங்களில் டிஜிட்டல் மீடியாவைப் பயன்படுத்துவதன் மூலம் வழங்கப்படும் வாய்ப்புகளை ஆராய்ந்து வருகிறது. மொபைல் கற்றல், அதன் நன்மைகள், சவால்கள் மற்றும் கற்பித்தல் மற்றும் கற்றலை ஆதரிப்பதற்கான தடைகள் ஆகியவற்றின் தற்போதைய நிலையை விவரிப்பதே இந்த ஆய்வின் முக்கிய நோக்கம். இந்த ஆய்வறிக்கையின் தரவு 2013 ஜனவரி முதல் மார்ச் வரை நூலக மற்றும் இணைய ஆராய்ச்சி மூலம் சேகரிக்கப்பட்டது. நான்கு முக்கிய பகுதிகள் இந்த ஆவணத்தில் விவாதிக்கப்படும்: மொபைல் கற்றல் பற்றிய ஒரு பகுப்பாய்வு. |
57820e6f974d198bf4bbdf26ae7e1063bac190c3 | |
8e393c18974baa8d5d704edaf116f009cb919463 | அதிவேக SerDes அதிவேக செயல்பாடு, தீவிர சமநிலைப்படுத்தும் நுட்பம், குறைந்த மின் நுகர்வு, சிறிய பகுதி மற்றும் வலுவான தன்மை உள்ளிட்ட பல சவால்களை சந்திக்க வேண்டும். OIF CEI-25G-LR, CEI-28G-MR/SR/VSR, IEEE802.3bj மற்றும் 32G-FC போன்ற புதிய தரநிலைகளை பூர்த்தி செய்வதற்காக, தரவு விகிதங்கள் 25 முதல் 28Gb/s வரை அதிகரிக்கப்படுகின்றன, இது முந்தைய தலைமுறை SerDes ஐ விட 75% அதிகமாகும். ஒரே சிப்பில் பல நூறு பாதைகள் ஒருங்கிணைக்கப்பட்ட SerDes பயன்பாடுகளுக்கு, அதிக செயல்திறனைப் பராமரிக்கும் போது மின் நுகர்வு மிகவும் முக்கியமான காரணியாகும். 28Gb/s அல்லது அதற்கு மேற்பட்ட தரவு விகிதத்தில் பல முந்தைய படைப்புகள் உள்ளன [1-2]. அவை முக்கியமான நேர விளிம்பை சந்திக்க உருட்டப்படாத டி.எஃப்.இ.யைப் பயன்படுத்துகின்றன, ஆனால் உருட்டப்படாத டி.எஃப்.இ அமைப்பு டி.எஃப்.இ ஸ்லைசர்களின் எண்ணிக்கையை அதிகரிக்கிறது, ஒட்டுமொத்த சக்தி மற்றும் டை பகுதியை அதிகரிக்கிறது. இந்த சவால்களை எதிர்கொள்ள, நாங்கள் பல சுற்றுகள் மற்றும் கட்டடக்கலை நுட்பங்களை அறிமுகப்படுத்துகிறோம். அனலாக் முன்-இறுதி (AFE) ஒரு ஒற்றை-நிலை கட்டமைப்பு மற்றும் டிரான்ஸ்இம்பேடன்ஸ் பெருக்கி (TIA) இல் ஒரு சிறிய சிப்-குறி பாசிவ் தூண்டியைப் பயன்படுத்துகிறது, இது 15dB ஊக்கத்தை வழங்குகிறது. இந்த ஊக்கமானது தழுவல் சார்ந்தது மற்றும் அதன் தழுவல் சுழற்சி ஒரு குழு-தாமதமான தழுவல் (GDA) வழிமுறையைப் பயன்படுத்தி முடிவு-பதிலீட்டு சமநிலைப்படுத்தி (DFE) தழுவல் சுழற்சியிலிருந்து பிரிக்கப்படுகிறது. DFE என்பது ஒரு அரை-விகித 1-குழாய் உருட்டப்படாத கட்டமைப்பைக் கொண்டுள்ளது, இது சக்தி மற்றும் பரப்பளவைக் குறைப்பதற்காக 2 மொத்த பிழை லேட்சுகளைக் கொண்டுள்ளது. இரண்டு நிலை உணர்வு-வலுவூட்டி அடிப்படையிலான ஸ்லைசர் 15mV மற்றும் DFE நேர மூடல் உணர்திறனை அடைகிறது. நாம் ஒரு புதிய செயலில்-இண்டக்டர் சுற்று பயன்படுத்தும் ஒரு அதிவேக கடிகாரம் இடையக உருவாக்க. இந்த செயலில் உள்ள தூண்டல் சுற்று சுற்று சுழற்சி செயல்பாட்டு புள்ளிகளை மேம்படுத்த வெளியீடு-பொது-நிலை மின்னழுத்தத்தை கட்டுப்படுத்தும் திறனைக் கொண்டுள்ளது. |
505c58c2c100e7512b7f7d906a9d4af72f6e8415 | பக்கம் ii சிக்கலான தகவமைப்பு அமைப்புகள் ஜான் எச். ஹாலண்ட், கிறிஸ்டோபர் லாங்டன், மற்றும் ஸ்டீவர்ட் டபிள்யூ. வில்சன், ஆலோசகர்கள் இயற்கை மற்றும் செயற்கை அமைப்புகளில் தழுவல்ஃ உயிரியல், கட்டுப்பாடு மற்றும் செயற்கை நுண்ணறிவுக்கான பயன்பாடுகளுடன் ஒரு அறிமுக பகுப்பாய்வு, எம்ஐடி பிரஸ் பதிப்பு ஜான் எச். ஹாலண்ட் தன்னாட்சி அமைப்புகளின் நடைமுறைக்கு: செயற்கை வாழ்க்கை குறித்த முதல் ஐரோப்பிய மாநாட்டின் நடவடிக்கைகள் பிரான்சிஸ்கோ ஜே. வரேலா மற்றும் பால் பியூர்கின் எடிட்டது மரபணு நிரலாக்கம்ஃ இயற்கைத் தேர்வு மூலம் கணினிகளை நிரலாக்குவது குறித்து ஜான் ஆர். கோசா |
3a46c11ad7afed8defbb368e478dbf94c24f43a3 | பெரிய அளவிலான தரவுகளை செயலாக்குவதை சார்ந்திருக்கும் அறிவியல் சிக்கல்கள் பல துறைகளில் உள்ள சவால்களை சமாளிப்பதைக் கோருகின்றனஃ பெரிய அளவிலான தரவு விநியோகத்தை நிர்வகித்தல், கணினி வளங்களுடன் தரவுகளின் கூட்டு இடமாற்றம் மற்றும் திட்டமிடல், மற்றும் பெரிய அளவிலான தரவுகளை சேமித்தல் மற்றும் மாற்றுதல். தரவு-தீவிர பயன்பாடுகளுக்கான இரண்டு முக்கிய முன்னுதாரணங்களின் சூழலியல் அமைப்புகளை நாங்கள் பகுப்பாய்வு செய்கிறோம், இது உயர் செயல்திறன் கணிப்பு மற்றும் அப்பாச்சி-ஹடூப் முன்னுதாரணமாக குறிப்பிடப்படுகிறது. நாம் ஒரு அடிப்படை, பொதுவான சொல் மற்றும் செயல்பாட்டு காரணிகளை முன்மொழிகிறோம், இதன் அடிப்படையில் இரண்டு முன்னுதாரணங்களின் இரண்டு அணுகுமுறைகளையும் பகுப்பாய்வு செய்யலாம். "பெரிய தரவுக் குழுக்கள்" என்ற கருத்தையும் அவற்றின் அம்சங்களையும் இரண்டு முன்னுதாரணங்களின் மூலம் காணப்படும் மிகவும் பொதுவான பயன்பாட்டு பணிச்சுமைகளை புரிந்துகொள்வதற்கும் வகைப்படுத்துவதற்கும் ஒரு வழிமுறையாக விவாதிக்கிறோம். பின்னர், இருவகைக் கொள்கைகளின் முக்கிய அம்சங்களைப் பற்றி விவாதித்து, இருவகைக் கொள்கைகளை ஒப்பிட்டுப் பார்க்கலாம். குறிப்பாக, இந்த கொள்கைகளின் பொதுவான நடைமுறைகள்/வினைகள் குறித்து ஆராய்ந்து, அவற்றின் தற்போதைய "கட்டிடக்கலை"க்கான காரணங்கள் குறித்து விளக்கமளித்து, அவற்றைப் பயன்படுத்தும் சில பொதுவான பணிச்சுமைகள் பற்றி விவாதிப்போம். மென்பொருள் வேறுபாடுகள் இருந்தாலும், கட்டிடக்கலை ஒற்றுமை இருப்பதாக நாங்கள் நம்புகிறோம். பல்வேறு நிலைகளிலும், கூறுகளிலும், வெவ்வேறு நடைமுறைகளின் சாத்தியமான ஒருங்கிணைப்பு பற்றி விவாதிக்கிறோம். இந்த இரண்டு முறைகளையும் முழுமையாக தர ரீதியாகப் பரிசீலித்ததில் இருந்து, அரை அளவு ரீதியான முறையை நாம் இப்போது பரிசீலித்து வருகிறோம். நாம் ஒரு எளிய மற்றும் பரவலாக பயன்படுத்தப்படும் Ogre (K-meansclustering) பயன்படுத்த, இரு paradigms இருந்து பல செயல்படுத்தல்கள் உள்ளடக்கிய பிரதிநிதித்துவ தளங்களில் ஒரு வரம்பில் அதன் செயல்திறன் வகைப்படுத்த. இந்த இரண்டு முறைகளின் ஒப்பீட்டு வலிமைகள் பற்றிய ஒரு பார்வையை நமது பரிசோதனைகள் வழங்குகின்றன. இரண்டு முன்னுதாரணங்களையும் வெவ்வேறு பரிமாணங்களில் மதிப்பிடுவதற்கு ஓக்ரெஸ் தொகுப்பு ஒரு குறிக்கோளாக செயல்படும் என்று நாங்கள் முன்மொழிகிறோம். |
dc7024840a4ba7ab634517fae53e77695ff5dda9 | இந்த ஆய்வில், மனித நடவடிக்கைகளை அங்கீகரிப்பதற்கான ஒரு புதிய ஆற்றல் திறன் கொண்ட அணுகுமுறையை நாங்கள் முன்மொழிகிறோம், இது ஸ்மார்ட்போன்களை அணியக்கூடிய உணர்திறன் சாதனங்களாகப் பயன்படுத்துகிறது, இது ஊனமுற்றோர் மற்றும் வயதானவர்களுக்கு நோயாளிகளின் செயல்பாட்டை தொலைவிலிருந்து கண்காணிப்பது போன்ற உதவி வாழ்க்கை பயன்பாடுகளை இலக்காகக் கொண்டுள்ளது. இந்த முறை நிலையான புள்ளிக் கணக்கீட்டைப் பயன்படுத்தி மாற்றியமைக்கப்பட்ட பல வகுப்பு ஆதரவு வெக்டர் இயந்திர (எஸ்.வி.எம்) கற்றல் வழிமுறையை முன்மொழிகிறது, இது ஒப்பிடக்கூடிய கணினி துல்லிய நிலைகளை பராமரிக்கும் அதே வேளையில் வழக்கமான மிதக்கும் புள்ளி அடிப்படையிலான சூத்திரத்துடன் ஒப்பிடும்போது ஸ்மார்ட்போன் பேட்டரி ஆயுளை சிறப்பாகப் பாதுகாக்க அனுமதிக்கிறது. பரிசோதனைகள் இந்த அணுகுமுறை மற்றும் பாரம்பரிய SVM இடையே ஒப்பீட்டு முடிவுகளை அடையாளம் செயல்திறன் மற்றும் பேட்டரி நுகர்வு அடிப்படையில், முன்மொழியப்பட்ட முறையின் நன்மைகள் முன்னிலைப்படுத்தும் காட்டுகின்றன. |
f4cdd1d15112a3458746b58a276d97e79d8f495d | ஒரு நரம்பியல் வலையமைப்பின் வெளியீட்டின் சாய்வு விதிமுறையை அதன் உள்ளீடுகளுக்கு ஏற்ப ஒழுங்குபடுத்துவது ஒரு சக்திவாய்ந்த நுட்பமாகும், இது பல முறை மீண்டும் கண்டுபிடிக்கப்பட்டது. இந்த ஆய்வறிக்கை, நவீன ஆழமான நரம்பியல் நெட்வொர்க்குகளைப் பயன்படுத்தி, பார்வை பணிகளில் வகைப்படுத்தல் துல்லியத்தை தொடர்ந்து மேம்படுத்த முடியும் என்பதற்கான ஆதாரங்களை முன்வைக்கிறது, குறிப்பாக பயிற்சி தரவுகளின் அளவு சிறியதாக இருக்கும்போது. யாக்கோபியன் அடிப்படையிலான ஒழுங்குபடுத்தும் ஒரு பரந்த வர்க்கத்தின் உறுப்பினர்களாக எங்கள் ஒழுங்குபடுத்திகளை அறிமுகப்படுத்துகிறோம். கற்றல் செயல்முறை பயிற்சி புள்ளிகளுக்கு அப்பால் கட்டுப்படுத்தப்பட்ட சாய்வுகளுக்கு வழிவகுக்கிறது என்பதையும், நன்கு பொதுவான தீர்வுகளை விளைவிக்கிறது என்பதையும் உண்மையான மற்றும் செயற்கை தரவுகளில் நாம் அனுபவ ரீதியாக நிரூபிக்கிறோம். |
984df1f081fbd623600ec45635e5d9a4811c0aef | இரண்டு விவாலடி ஆண்டெனா வரிசைகள் வழங்கப்பட்டுள்ளன. முதலாவது, செங்கல்/கிரீட் சுவர் இமேஜிங் STW பயன்பாடுகளுக்கான 1.2 முதல் 4 GHz வரையிலான பட்டைகளை உள்ளடக்கிய 8 உறுப்பு கொண்ட கூர்மையான ஸ்லாட் வரிசை ஆகும். இரண்டாவது, உலர் சுவர் வழியாக ஊடுருவும் போது உயர் தெளிவுத்திறன் கொண்ட படங்களை எடுக்க 8 முதல் 10.6 GHz வரை செயல்படும் 16 உறுப்பு எதிர்ப்பு வரிசை ஆகும். இரண்டு வடிவமைப்புகளின் அடிப்படையில், மற்றும் விவல்டி ஆண்டெனா வரிசைக்கு உணவளிக்க மைக்ரோஸ்ட்ரிப் மாற்றத்திற்கு ஒரு மென்மையான பரந்த இசைக்குழு ஸ்லாட்டைப் பயன்படுத்தி, 1-10 GHz அதிர்வெண் பட்டை மறைக்க முடியும். மாற்றாக, 1-3 GHz அல்லது 8-10 GHz பட்டைகளை உள்ளடக்கிய ஒரு மறுசீரமைக்கக்கூடிய கட்டமைப்பில் வடிவமைப்பைப் பயன்படுத்தலாம். பரிசோதனை மற்றும் அளவிடப்பட்ட முடிவுகள் நிறைவடைந்துள்ளன. அவை விரிவாக விவாதிக்கப்படும். இந்த வடிவமைப்பு, சிறிய, மறுசீரமைக்கக்கூடிய மற்றும் சிறிய அமைப்புகளின் வளர்ச்சியில் குறிப்பிடத்தக்க தாக்கத்தை ஏற்படுத்தும். |
e3f4fdf6d2f10ebe4cfc6d0544afa63976527d60 | இந்த ஆவணம் வானொலி வானியல் கருவிகளுக்கான 324-உறுப்பு 2-டி பரந்த பக்க வரிசையை முன்வைக்கிறது, இது இரண்டு பரஸ்பர நேர்கோண துருவமுனைகளுக்கு உணர்திறன் கொண்டது. இந்த வரிசை நான்கு விவால்டி ஆண்டெனாக்களின் குழுவைக் கொண்ட சிலுவை வடிவ அலகுகளால் ஆனது, அவை ஒரு குறுக்கு வடிவ கட்டமைப்பில் அமைக்கப்பட்டுள்ளன. இந்த வரிசையில் பயன்படுத்தப்படும் விவால்டி ஆண்டெனா 3 GHz இல் 87.5° மற்றும் 6 GHz இல் 44.2° என்ற சமச்சீர் பிரதான கதிர் வீச்சு கொண்ட கதிர்வீச்சு தீவிரம் பண்புகளைக் கொண்டுள்ளது. அளவிடப்பட்ட அதிகபட்ச பக்க/பின்புற மட்டமானது 10.3 dB தொலை ஒளி மட்டத்திற்குக் கீழே உள்ளது. இந்த வரிசை 5.4 GHz என்ற உயர் அதிர்வெண்ணில் கிரேட்டிங் லோப்கள் உருவாகாமல் செயல்பட முடியும். |
1a090df137014acab572aa5dc23449b270db64b4 | |
9ae252d3b0821303f8d63ba9daf10030c9c97d37 | இயற்கை காட்சி வகைகளை கற்றுக்கொள்ளவும், அங்கீகரிக்கவும் ஒரு புதுமையான அணுகுமுறையை நாங்கள் முன்மொழிகிறோம். முந்தைய பணிகளைப் போலல்லாமல், பயிற்சி தொகுப்பில் நிபுணர்கள் குறிப்புகளைச் செய்ய வேண்டிய அவசியமில்லை. ஒரு காட்சியின் படத்தை உள்ளூர் பகுதிகளின் தொகுப்பால் பிரதிநிதித்துவப்படுத்துகிறோம், இது மேற்பார்வை செய்யப்படாத கற்றல் மூலம் பெறப்பட்ட குறியீட்டு சொற்களாக குறிக்கப்படுகிறது. ஒவ்வொரு பிராந்தியமும் ஒரு "கருத்தின்" ஒரு பகுதியாக பிரதிநிதித்துவப்படுத்தப்படுகிறது. முந்தைய பணிகளில், இதுபோன்ற கருப்பொருள்கள் நிபுணர்களின் கையால் குறிப்புகளிலிருந்து கற்றுக்கொள்ளப்பட்டன, அதே நேரத்தில் எங்கள் முறை கருப்பொருள் விநியோகங்களை கற்றுக்கொள்கிறது, அதே போல் மேற்பார்வை இல்லாமல் கருப்பொருள்கள் மீது குறியீட்டு வார்த்தைகள் விநியோகம். 13 வகைகளில் உள்ள சிக்கலான காட்சிகளில் திருப்திகரமான வகைப்படுத்தல் செயல்திறனை நாங்கள் அறிக்கை செய்கிறோம். |
fa6cbc948677d29ecce76f1a49cea01a75686619 | இந்த ஆய்வில், தனிப்பட்ட பொருள்கள் அல்லது பிராந்தியங்களின் பிரிவு மற்றும் செயலாக்கத்தை கடந்து செல்லும் உண்மையான உலக காட்சிகளை அங்கீகரிப்பதற்கான ஒரு கணக்கீட்டு மாதிரியை நாங்கள் முன்மொழிகிறோம். இந்த நடைமுறை, காட்சியின் மிகக் குறைந்த பரிமாண பிரதிநிதித்துவத்தை அடிப்படையாகக் கொண்டது, இதை நாம் இடஞ்சார்ந்த உறை என்று அழைக்கிறோம். ஒரு காட்சியின் ஆதிக்கம் செலுத்தும் இடவியல் கட்டமைப்பை பிரதிநிதித்துவப்படுத்தும் ஒரு தொகுப்பு உணர்தல் பரிமாணங்களை (இயற்கைத்தன்மை, திறந்த தன்மை, கரடுமுரடான தன்மை, விரிவாக்கம், கரடுமுரடான தன்மை) நாங்கள் முன்மொழிகிறோம். பின்னர், இந்த பரிமாணங்களை நம்பகமான முறையில் மதிப்பிட முடியும் என்பதை நாம் காட்டுகிறோம். இந்த மாதிரி ஒரு பல பரிமாண இடத்தை உருவாக்குகிறது, இதில் சொற்பொருள் வகைகளில் (எ. கா. , தெருக்கள், நெடுஞ்சாலைகள், கடற்கரைகள்) உறுப்பினர் பகிர்ந்து கொள்ளும் காட்சிகள் ஒன்றாக மூடப்படுகின்றன. இடஞ்சார்ந்த உறை மாதிரியின் செயல்திறன், பொருள் வடிவம் அல்லது அடையாளம் பற்றிய குறிப்பிட்ட தகவல் காட்சி வகைப்படுத்தலுக்கான தேவை அல்ல என்பதையும், காட்சியின் முழுமையான பிரதிநிதித்துவத்தை மாதிரியாகக் காண்பிப்பது அதன் சாத்தியமான சொற்பொருள் வகை பற்றி தெரிவிக்கிறது என்பதையும் காட்டுகிறது. |
1ac52b7d8db223029388551b2db25657ed8c9852 | இந்த ஆய்வில், பல ஒத்த கணிப்பு பணிகளை உள்ளடக்கிய சிக்கல்களுக்கு ஒரு இயந்திர கற்றல் தீர்வை முன்மொழிகிறோம். ஒவ்வொரு தனிப்பட்ட பணிக்கும் அதிக ஆபத்து உள்ளது. இந்த ஆபத்தை குறைக்க, நாம் இரண்டு வகையான அறிவைப் பரிமாற்றத்தை இணைக்கிறோம்: பல பணிகளைக் கற்றுக்கொள்வது மற்றும் வரிசைப்படுத்தப்பட்ட பேய்சியன் மாதிரியாக மாற்றுவது. பல பணிகளைக் கொண்ட கற்றல் என்பது, கையில் உள்ள பணிக்கு பொதுவான அம்சங்கள் உள்ளன என்ற அனுமானத்தை அடிப்படையாகக் கொண்டது. இந்த அம்சங்களை கண்டறிய, நாம் ஒரு பெரிய இரு அடுக்கு நரம்பியல் வலையமைப்பை பயிற்றுவிக்கிறோம். ஒவ்வொரு பணிக்கும் அதன் சொந்த வெளியீடு உள்ளது, ஆனால் உள்ளீட்டிலிருந்து மறைக்கப்பட்ட அலகுகள் வரை எடைகளை மற்ற எல்லா பணிகளுடனும் பகிர்ந்து கொள்கிறது. இந்த வழியில் சாத்தியமான விளக்க மாறிகள் (நெட்வொர்க் உள்ளீடுகள்) ஒரு ஒப்பீட்டளவில் பெரிய தொகுப்பு சிறிய மற்றும் எளிதாக கையாள அம்சங்கள் தொகுப்பு (மறைக்கப்பட்ட அலகுகள்) குறைக்கப்படுகிறது. இந்த அம்சங்களைக் கருத்தில் கொண்டு, பொருத்தமான அளவிலான மாற்றத்திற்குப் பிறகு, பணிகள் பரிமாறிக்கொள்ளக்கூடியவை என்று நாங்கள் கருதுகிறோம். இந்த அனுமானம் ஒரு வரிசைப்படுத்தப்பட்ட பேய்சியன் பகுப்பாய்வை அனுமதிக்கிறது, இதில் ஹைப்பர்பாரமிட்டர்களை தரவுகளிலிருந்து மதிப்பிட முடியும். இந்த ஹைப்பர்-ராமீட்டர்கள் ஒழுங்குபடுத்தி, அதிகப்படியான அளவைத் தடுக்கின்றன. கால வரிசைகளில் உள்ள நிலையற்ற தன்மைகளுக்கு எதிராக அமைப்பை எவ்வாறு வலுவாக உருவாக்குவது என்பதை விவரிக்கிறோம் மேலும் மேலும் மேம்படுத்துவதற்கான வழிமுறைகளை வழங்குகிறோம். பத்திரிகை விற்பனையை முன்னறிவிப்பது தொடர்பான ஒரு தரவுத்தளத்தில் எமது கருத்துக்களை விளக்குகிறோம். |
1e56ed3d2c855f848ffd91baa90f661772a279e1 | நாம் முன்மொழிகிறோம் ஒரு உருவாக்கும் மாதிரி உரை மற்றும் வேறு சேகரிப்புகளுக்கு தனித்தனி தரவு இது பொதுமைப்படுத்துகிறது அல்லது மேம்படுத்துகிறது பல முந்தைய மாதிரிகள் உட்பட naive பேய்ஸ் / unigram, கலவையை of unigrams [6], மற்றும் Hofmann s aspect model , மேலும் இது சாத்தியமான மறைக்கப்பட்ட சொற்பொருள் குறியீட்டு (pLSI) [3] என்றும் அழைக்கப்படுகிறது. உரை மாதிரியின் சூழலில், ஒவ்வொரு ஆவணமும் தலைப்புகளின் கலவையாக உருவாக்கப்படுகிறது என்று எங்கள் மாதிரி கூறுகிறது, அங்கு தொடர்ச்சியான மதிப்புள்ள கலவையின் விகிதங்கள் மறைக்கப்பட்ட டிரிச்லெட் சீரற்ற மாறிகளாக விநியோகிக்கப்படுகின்றன. ஊகமும் கற்றலும் மாறுபட்ட வழிமுறைகள் மூலம் திறம்பட மேற்கொள்ளப்படுகின்றன. இந்த மாதிரியின் பயன்பாடுகள் குறித்த அனுபவ முடிவுகளை உரை மாடலிங், கூட்டு வடிகட்டுதல் மற்றும் உரை வகைப்படுத்தல் ஆகியவற்றில் உள்ள சிக்கல்களுக்கு நாங்கள் முன்வைக்கிறோம். |
e990a41e8f09e0ef4695c39af351bf25f333eefa | |
1f8116db538169de3553b1091e82107f7594301a | |
539ea86fa738afd939fb18566107c971461f8548 | கட்டமைக்கப்பட்ட வெளியீட்டு இடங்களுக்கான மேப்பிங் (வரிசைகள், மரங்கள், பிரிவுகள் போன்றவை) வகைப்படுத்தல் வழிமுறைகளின் நீட்டிப்புகளை பயன்படுத்தி எளிய வரைகலை கட்டமைப்புகளுக்கு (எ. கா. , நேரியல் சங்கிலிகள்) பொதுவாக கற்றுக்கொள்ளப்படுகின்றன, இதில் தேடல் மற்றும் அளவுரு மதிப்பீடு சரியாக செய்யப்படலாம். துரதிருஷ்டவசமாக, பல சிக்கலான சிக்கல்களில், துல்லியமான தேடல் அல்லது அளவுரு மதிப்பீடு கையாளக்கூடியது அரிது. சரியான மாதிரிகளை கற்றல் மற்றும் ஹூரிஸ்டிக் வழிமுறைகள் மூலம் தேடுவதற்குப் பதிலாக, இந்த சிரமத்தை நாம் ஏற்றுக்கொள்கிறோம் மற்றும் கட்டமைக்கப்பட்ட வெளியீட்டு சிக்கலை தோராயமான தேடலின் அடிப்படையில் நடத்துகிறோம். தேடல் உகப்பாக்கம் மற்றும் இரண்டு அளவுருக்கள் புதுப்பிப்புகளை ஒருங்கிணைப்பு தியூ-ஓரெம்ஸ் மற்றும் எல்லைகள் என கற்றலுக்கான ஒரு கட்டமைப்பை நாங்கள் முன்வைக்கிறோம். கற்றல் மற்றும் டிகோடிங்கிற்கான நமது ஒருங்கிணைந்த அணுகுமுறை குறைந்த கணக்கீட்டு செலவில் துல்லியமான மாதிரிகளை விட சிறப்பாக செயல்பட முடியும் என்பதை அனுபவ சான்றுகள் காட்டுகின்றன. |
1219fb39b46aabd74879a7d6d3c724fb4e55aeae | தொழில்நுட்ப தொழில்முனைவோர் என்ற பார்வையை உருவாக்குகிறோம். இது பல்வேறு வகையான நடிகர்கள் மத்தியில் விநியோகிக்கப்படும் ஒரு நிறுவனத்தை உள்ளடக்கியது. ஒவ்வொரு நடிகரும் ஒரு தொழில்நுட்பத்தில் ஈடுபடுகிறார்கள், இந்த செயல்பாட்டில், வளர்ந்து வரும் தொழில்நுட்ப பாதையின் மாற்றத்தை விளைவிக்கும் உள்ளீடுகளை உருவாக்குகிறார்கள். ஒரு தொழில்நுட்பப் பாதையில் உள்ளீடுகளின் நிலையான குவிப்பு, விநியோகிக்கப்பட்ட நடிகர்களின் செயல்பாடுகளை இயக்கும் மற்றும் கட்டுப்படுத்தும் ஒரு உந்துதலை உருவாக்குகிறது. வேறு வார்த்தைகளில் கூறுவதானால், செயற்பாட்டுத்திறன் விநியோகிக்கப்படுவது மட்டுமல்லாமல், அது உட்பொதிக்கப்பட்டுள்ளது. இந்த முன்னோக்கை டென்மார்க்கிலும் அமெரிக்காவிலும் காற்றாலை விசையாழிகளின் தோற்றத்திற்கு அடிப்படையான செயல்முறைகளை ஒப்பீட்டு ஆய்வு மூலம் விளக்குகிறோம். நமது ஒப்பீட்டு ஆய்வின் மூலம், தொழில்நுட்ப பாதைகளை வடிவமைப்பதில் பங்குதாரர்களின் ஈடுபாட்டிற்கு முரண்பாடான அணுகுமுறைகளாக "தொழில்நுட்பம்" மற்றும் "முன்னேற்றம்" ஆகியவற்றை நாம் விரிவுபடுத்துகிறோம். © 2002 Elsevier Science B. V. அனைத்து உரிமைகளும் பாதுகாக்கப்பட்டவை. |
2266636d87e44590ade738b92377d1fe1bc5c970 | |
2af586c64c32baeb445992e0ea6b76bbbbc30c7f | |
0e8b8e0c37b0ebc9c36b99103a487dbbbdf9ee97 | |
2c03df8b48bf3fa39054345bafabfeff15bfd11d | ஆழமான நரம்பியல் வலையமைப்புகள் பயிற்சி பெறுவது மிகவும் கடினம். முன்னர் பயன்படுத்தப்பட்டவற்றை விட கணிசமாக ஆழமான நெட்வொர்க்குகளின் பயிற்சியை எளிதாக்குவதற்கு ஒரு மீதமுள்ள கற்றல் கட்டமைப்பை நாங்கள் முன்வைக்கிறோம். நாம் வெளிப்படையாக அடுக்குகளை மறுவடிவமைக்கிறோம், ஏனென்றால் நாம் குறிப்பு இல்லாத செயல்பாடுகளை கற்றுக்கொள்வதற்கு பதிலாக, அடுக்கு உள்ளீடுகளை குறிப்பிடுவதன் மூலம் மீதமுள்ள செயல்பாடுகளை கற்றுக்கொள்கிறோம். இந்த மீதமுள்ள நெட்வொர்க்குகள் மேம்படுத்த எளிதானது என்பதையும், கணிசமாக அதிக ஆழத்திலிருந்து துல்லியத்தை பெற முடியும் என்பதையும் காட்டும் விரிவான அனுபவ சான்றுகளை நாங்கள் வழங்குகிறோம். ImageNet தரவுத்தளத்தில், 152 அடுக்குகள் வரை ஆழம் கொண்ட மீதமுள்ள வலைகளை மதிப்பீடு செய்கிறோம் - VGG வலைகளை விட 8x ஆழமானது [40] ஆனால் இன்னும் குறைந்த சிக்கலான தன்மை கொண்டது. இந்த மீதமுள்ள வலைகளின் ஒரு தொகுப்பு ImageNet சோதனைத் தொகுப்பில் 3.57% பிழையை அடைகிறது. இந்த முடிவு ILSVRC 2015 வகைப்படுத்தல் பணியில் 1 வது இடத்தைப் பெற்றது. 100 மற்றும் 1000 அடுக்குகளுடன் CIFAR-10 பகுப்பாய்வையும் நாங்கள் முன்வைக்கிறோம். பல காட்சி அங்கீகார பணிகளுக்கு பிரதிநிதித்துவங்களின் ஆழம் முக்கியமானது. எமது மிக ஆழமான பிரதிநிதித்துவங்களின் காரணமாக, COCO பொருள் கண்டறிதல் தரவுத்தொகுப்பில் 28% ஒப்பீட்டு முன்னேற்றத்தை நாம் பெறுகிறோம். ஆழமான மீதமுள்ள வலைகள் ILSVRC & COCO 2015 போட்டிகளில் எங்கள் சமர்ப்பிப்புகளின் அடித்தளமாகும்1, அங்கு ImageNet கண்டறிதல், ImageNet உள்ளூர்மயமாக்கல், COCO கண்டறிதல் மற்றும் COCO பிரிவு ஆகியவற்றின் பணிகளில் நாங்கள் 1 வது இடங்களை வென்றோம். |
5763c2c62463c61926c7e192dcc340c4691ee3aa | ஒரு படத்தின் சூப்பர் ரெசல்யூஷனுக்கு (SR) ஒரு ஆழமான கற்றல் முறையை நாங்கள் முன்மொழிகிறோம். எங்கள் முறை குறைந்த/உயர் தெளிவுத்திறன் கொண்ட படங்களுக்கு இடையில் ஒரு முடிவுக்கு-முடிவுக்கு வரைபடத்தை நேரடியாக கற்றுக்கொள்கிறது. வரைபடமானது ஒரு ஆழமான மடக்கு நரம்பியல் வலையமைப்பாக (சிஎன்என்) [15] குறிப்பிடப்படுகிறது, இது குறைந்த தெளிவுத்திறன் கொண்ட படத்தை உள்ளீடாக எடுத்து உயர் தெளிவுத்திறன் கொண்டதை வெளியிடுகிறது. பாரம்பரியமான, அரிதாக குறியீட்டு அடிப்படையிலான SR முறைகள் ஒரு ஆழமான உருவகப்படுத்தப்பட்ட வலையமைப்பாகவும் பார்க்க முடியும் என்பதை நாங்கள் மேலும் காட்டுகிறோம். ஆனால் ஒவ்வொரு கூறுகளையும் தனித்தனியாக கையாளும் பாரம்பரிய முறைகளைப் போலல்லாமல், எங்கள் முறை அனைத்து அடுக்குகளையும் ஒன்றிணைந்து மேம்படுத்துகிறது. எமது ஆழமான சிஎன்என் இலகுரக கட்டமைப்பைக் கொண்டுள்ளது, ஆனால் அதிநவீன மீட்டெடுப்பு தரத்தை நிரூபிக்கிறது, மேலும் நடைமுறை ஆன்லைன் பயன்பாட்டிற்கான வேகமான வேகத்தை அடைகிறது. |
2db168f14f3169b8939b843b9f4caf78c3884fb3 | இந்த கடிதத்தில், ரேடியோ அலைவரிசை ஆற்றல் சேகரிப்புக்காக ஒரு அகலக்கட்ட வளைந்த முக்கோண சர்வ திசை ஆண்டெனா வழங்கப்பட்டுள்ளது. அந்தி 850 MHz முதல் 1.94 GHz வரை VSWR ≤ 2 க்கான அலைவரிசையைக் கொண்டுள்ளது. இந்த ஆண்டெனா, கிடைமட்ட மற்றும் செங்குத்து இருபுற அலைகளை பெற வடிவமைக்கப்பட்டுள்ளது மற்றும் முழு அலைவரிசையிலும் நிலையான கதிர்வீச்சு வடிவத்தைக் கொண்டுள்ளது. ஆற்றல் சேகரிப்பு பயன்பாட்டிற்காக ஆண்டெனா உகந்ததாக உள்ளது மற்றும் இது 100 Ω உள்ளீட்டு தடைக்கு வடிவமைக்கப்பட்டுள்ளது, இது ஒரு செயலற்ற மின்னழுத்த பெருக்கத்தையும், சரிசெய்யலுடன் பொருந்தக்கூடிய தடைகளையும் வழங்குகிறது. 980 மற்றும் 1800 MHz இல் 500 Ω சுமைக்கு முறையே 60% மற்றும் 17% உச்ச செயல்திறன் பெறப்படுகிறது. அனைத்து பட்டைகளையும் ஒரே நேரத்தில் சேகரிக்கும் போது, திறந்த சுற்றுக்கு 3.76 V மற்றும் 4.3 k Ω சுமைக்கு 1.38 V என்ற மின்னழுத்தம் 25 மீட்டர் தொலைவில் ரெக்டெனாவின் இரண்டு கூறுகளின் வரிசையைப் பயன்படுத்தி பெறப்படுகிறது. |
484ac571356251355d3e24dcb23bdd6d0911bd94 | சமீபத்திய அறிவியல் மற்றும் தொழில்நுட்ப முன்னேற்றங்கள் வரைபடங்களாக வடிவமைக்கப்பட்ட கட்டமைப்பு வடிவங்களின் ஏராளத்தை கண்டன. இதன் விளைவாக, கிராஃப் உள்ளடக்க வினவல்களை பெரிய கிராஃப் தரவுத்தளங்களில் திறம்பட செயலாக்குவது சிறப்பு ஆர்வமாக உள்ளது. ஒரு வரைபட தரவுத்தளம் G மற்றும் ஒரு வினவல் வரைபடம் q கொடுக்கப்பட்டால், வரைபட உள்ளடக்க வினவல் G இல் உள்ள அனைத்து வரைபடங்களையும் மீட்டெடுப்பதாகும், அவை q ஐ துணை வரைபடங்களாகக் கொண்டுள்ளன. G இல் உள்ள கிராப்களின் எண்ணிக்கை மற்றும் துணைக் கிராப் ஐசோமார்பிசம் சோதனைக்கான சிக்கலான தன்மை காரணமாக, ஒட்டுமொத்த வினவல் செயலாக்க செலவைக் குறைக்க உயர்தர கிராப் குறியீட்டு வழிமுறைகளைப் பயன்படுத்துவது விரும்பத்தக்கது. இந்த ஆய்வில், வரைபட தரவுத்தளத்தின் அடிக்கடி மர-சிறப்புகளின் அடிப்படையில் ஒரு புதிய செலவு குறைந்த வரைபட குறியீட்டு முறையை நாங்கள் முன்மொழிகிறோம். மரத்தின் செயல்திறன் மற்றும் செயல்திறனை மூன்று முக்கிய அம்சங்களிலிருந்து குறியீட்டு அம்சமாக பகுப்பாய்வு செய்கிறோம்: அம்ச அளவு, அம்ச தேர்வு செலவு, மற்றும் ஒட்டுதல் சக்தி. தற்போதுள்ள வரைபட அடிப்படையிலான குறியீட்டு முறைகளை விட சிறந்த ஒழுங்கமைவு திறனை அடைவதற்கு, அடிக்கடி மர-அம்சங்கள் (மரம்) தவிர, ஒரு சிறிய எண்ணிக்கையிலான பாகுபடுத்தும் வரைபடங்களை (∆) தேவைக்கேற்ப தேர்ந்தெடுக்கிறோம், செலவு குறைந்த வரைபட சுரங்க செயல்முறை இல்லாமல். (Tree+∆ ≥Graph) எனக் குறிக்கப்படும் (Tree+∆) என்பது குறியீட்டு நோக்கத்திற்காக கிராஃபை விட சிறந்த தேர்வாகும் என்பதை எங்கள் ஆய்வு சரிபார்க்கிறது. இது இரண்டு தாக்கங்களைக் கொண்டுள்ளது: (1) (Tree+∆) மூலம் குறியீட்டு கட்டுமானம் திறமையானது, மற்றும் (2) (Tree+∆) மூலம் வரைபட உள்ளடக்க வினவல் செயலாக்கம் திறமையானது. எங்கள் பரிசோதனை ஆய்வுகள் (Tree+∆) ஒரு சிறிய குறியீட்டு கட்டமைப்பைக் கொண்டுள்ளது, குறியீட்டு கட்டுமானத்தில் ஒரு அளவு சிறந்த செயல்திறனை அடைகிறது, மிக முக்கியமாக, வரைபட அடிப்படையிலான குறியீட்டு முறைகளை விட சிறந்ததுஃ gIndex மற்றும் C-Tree, வரைபட உள்ளடக்க வினவல் செயலாக்கத்தில். |
22749899b50c5113516b9820f875a580910aa746 | L1 மற்றும் L2 பட்டைகள் GPS சமிக்ஞைகளைப் பெறுவதற்காக உருவாக்கப்பட்ட ஒரு சிறிய ஸ்லாட்-ஏற்றப்பட்ட பேட்ச் ஆண்டெனா வடிவமைப்பு விவாதிக்கப்படுகிறது. L2 அலைவரிசையில் ஒரு பிளாட்ச் முறையையும், L1 அலைவரிசையில் ஒரு ஸ்லாட் முறையையும் பயன்படுத்துவதன் மூலம் இரட்டை அலைவரிசை கவரேஜ் அடையப்படுகிறது. உயர் மின்கடத்தாப் பொருள் மற்றும் சுருள் துளைக் கோடு ஆகியவை பயன்படுத்தப்பட்டு, அந்தென்டென் அளவு 25.4 மிமீ விட்டம் வரை குறைக்கப்படுகிறது. RHCP என்பது ஒரு சிறிய 0°-90° கலப்பின சிப் மூலம் இரண்டு orthogonal modes ஐ இணைப்பதன் மூலம் அடையப்படுகிறது. பிளாட்ச் மற்றும் ஸ்லாட் முறைகள் இரண்டும் ஆண்டெனாவின் பக்கத்தில் வசதியாக அமைந்துள்ள ஒரு அருகாமையில் உள்ள ஆய்வாளரைப் பகிர்ந்து கொள்கின்றன (படம். 1). இந்த ஆவணம் வடிவமைப்பு நடைமுறை மற்றும் உருவகப்படுத்தப்பட்ட ஆண்டெனா செயல்திறன் பற்றி விவாதிக்கிறது. |
afbe59950a7d452ce0a3f412ee865f1e1d94d9ef | வலுவூட்டல் கற்றல் என்பது குறைந்த மனித தலையீட்டுடன் தன்னியக்க ரோபோக்கள் பெரிய அளவிலான நடத்தை திறன்களைக் கற்றுக்கொள்ள உதவும் என்ற வாக்குறுதியை அளிக்கிறது. இருப்பினும், வலுவூட்டல் கற்றலின் ரோபோ பயன்பாடுகள் பெரும்பாலும் உண்மையான உடல் அமைப்புகளுக்கு நடைமுறைக்குரிய பயிற்சி நேரங்களை அடைவதற்கு ஆதரவாக கற்றல் செயல்முறையின் சுயாட்சியை சமரசம் செய்கின்றன. இது வழக்கமாக கை வடிவமைக்கப்பட்ட கொள்கை பிரதிநிதித்துவங்கள் மற்றும் மனித வழங்கப்பட்ட ஆர்ப்பாட்டங்களை அறிமுகப்படுத்துவதை உள்ளடக்கியது. ஆழமான வலுவூட்டல் கற்றல் பொது நோக்கம் கொண்ட நரம்பியல் நெட்வொர்க் கொள்கைகளை பயிற்றுவிப்பதன் மூலம் இந்த வரம்புகளை குறைக்கிறது, ஆனால் நேரடி ஆழமான வலுவூட்டல் கற்றல் வழிமுறைகளின் பயன்பாடுகள் இதுவரை உருவகப்படுத்தப்பட்ட அமைப்புகளுக்கும் ஒப்பீட்டளவில் எளிய பணிகளுக்கும் மட்டுப்படுத்தப்பட்டுள்ளன, ஏனெனில் அவற்றின் வெளிப்படையான உயர் மாதிரி சிக்கலானது. இந்த ஆய்வில், ஆழமான Q-செயல்களின் கொள்கை பயிற்சியின் அடிப்படையில் சமீபத்திய ஆழமான வலுவூட்டல் கற்றல் வழிமுறை சிக்கலான 3D கையாளுதல் பணிகளுக்கு அளவிட முடியும் மற்றும் உண்மையான இயற்பியல் ரோபோக்களில் பயிற்சி பெற போதுமான ஆழமான நரம்பியல் நெட்வொர்க் கொள்கைகளை திறமையாக கற்றுக்கொள்ள முடியும் என்பதை நிரூபிக்கிறோம். பல ரோபோக்களில் அல்காரிதத்தை இணைப்பதன் மூலம் பயிற்சி நேரங்களை மேலும் குறைக்க முடியும் என்பதை நாங்கள் நிரூபிக்கிறோம், இது அவர்களின் கொள்கை புதுப்பிப்புகளை ஒத்திசைவற்ற முறையில் ஒருங்கிணைக்கிறது. எங்கள் பரிசோதனை மதிப்பீடுகள், எங்கள் முறை, பல்வேறு 3D கையாளுதல் திறன்களை, மற்றும் ஒரு சிக்கலான கதவு திறக்கும் திறனை, எந்த முன் ஆர்ப்பாட்டங்கள் அல்லது கைமுறையாக வடிவமைக்கப்பட்ட பிரதிநிதித்துவங்கள் இல்லாமல், உண்மையான ரோபோக்களில் கற்றுக்கொள்ள முடியும் என்பதைக் காட்டுகிறது. |
b8aa8b5d06c98a900d8cea61864669b28c3ac0fc | இந்த கட்டுரை வாகன தாமத சகிப்புத்தன்மை நெட்வொர்க்குகளில் (VDTN) வாகன சூழலில் வழிநடத்துவதற்கு முன்மொழியப்பட்ட வழிநடத்துதல் நெறிமுறைகளின் விரிவான ஆய்வு ஒன்றை முன்வைக்கிறது. டிடிஎன் பல்வேறு செயல்பாட்டு சூழல்களில் பயன்படுத்தப்படுகிறது, இதில் இடையூறு மற்றும் துண்டிக்கப்படுதல் மற்றும் வாகன விளம்பர நெட்வொர்க்குகள் (VANET) போன்ற அதிக தாமதத்துடன் கூடியவை அடங்கும். வாகனப் போக்குவரத்து குறைவாகவும், தொடர்புகொள்ளும் கட்சிகளுக்கு இடையே நேரடி முனை முதல் முனை பாதைகள் எப்போதும் இல்லை என்ற ஒரு சிறப்பு வகையான VANET மீது நாம் கவனம் செலுத்துகிறோம். எனவே, இந்த சூழலில் தகவல் தொடர்பு வாகன தாமதத்தை தாங்கும் வலையமைப்பின் (VDTN) பிரிவில் வருகிறது. RSU (Road Side Unit) இன் வரையறுக்கப்பட்ட பரிமாற்ற வரம்பு காரணமாக, VDTN இல் உள்ள தொலை வாகனங்கள் RSU உடன் நேரடியாக இணைக்கப்படாமல் இருக்கலாம், இதனால் தொகுப்புகளை மறுதொடக்கம் செய்ய இடைநிலை வாகனங்களை நம்ப வேண்டும். செய்தி ரிலே செயல்பாட்டின் போது, முற்றிலும் பிரிக்கப்பட்ட VANET களில் முழுமையான முனை முதல் முனை பாதைகள் இருக்காது. எனவே, இடைநிலை வாகனங்கள், செய்திகளை தற்காலிகமாக சேமித்து அனுப்ப வேண்டும். பஃப்பர், கேர் மற்றும் ஃபார்வர்ட் மூலம், செய்தி இறுதியில் இலக்குக்கு வழங்கப்படலாம், இருப்பிடத்திற்கும் இலக்குக்கும் இடையில் ஒரு முனை முதல் முனை இணைப்பு ஒருபோதும் இல்லை என்றாலும். DTN இல் உள்ள வழிவகுப்பு நெறிமுறைகளின் முக்கிய நோக்கம், இலக்குக்கு வழங்குவதற்கான நிகழ்தகவை அதிகரிப்பதுடன், இறுதி முதல் இறுதி தாமதத்தை குறைப்பது ஆகும். வாகன நெட்வொர்க்குகளில் டிடிஎன் வழித்தடங்களுக்கு வாகன போக்குவரத்து மாதிரிகள் முக்கியம், ஏனெனில் டிடிஎன் வழித்தட நெறிமுறைகளின் செயல்திறன் நெட்வொர்க்கின் மக்கள் தொகை மற்றும் இயக்கம் மாதிரிகளுடன் நெருக்கமாக தொடர்புடையது. 2014 Elsevier B. V. அனைத்து உரிமைகளும் பாதுகாக்கப்பட்டவை. |
4555fd3622908e2170e4ffdd717b83518b123b09 | ஒரு ஆந்தை ஒரு உலோக தகடு அருகே கிடைமட்டமாக வைக்கப்படும்போது ஆந்தை அளவுருக்களில் ஏற்படும் விளைவுகளை இந்த ஆய்வில் முன்வைக்கப்பட்டுள்ளது. இந்தத் தகடு முடிந்த அளவும் செவ்வக வடிவமும் கொண்டது. ஒரு மடிந்த இருமுனை ஆண்டெனா பயன்படுத்தப்படுகிறது மற்றும் அது தட்டுக்கு மேலே சமச்சீரற்ற முறையில் வைக்கப்படுகிறது. FEM (முடிவான உறுப்பு முறை) என்பது, அண்டெனா அளவுருக்கள் தட்டு அளவு மற்றும் தட்டுக்கும் அண்டெனாவுக்கும் இடையிலான தூரத்தின் சார்புநிலையை உருவகப்படுத்துவதற்குப் பயன்படுத்தப்படுகிறது. சரியான தூரத்தில் இருக்கும்போது சிறியதாக இருந்தாலும், உலோகத் தகடு இருப்பது, ஆண்டெனாவின் நடத்தையில் மிகப் பெரிய மாற்றங்களை ஏற்படுத்துகிறது. குறிப்பாக அகலத்தில் பெரிய தட்டு, கதிர்வீச்சு வடிவத்தின் கூர்மையான மற்றும் குறுகிய மடிப்புகளாகும். அந்தென்டெனா உயரம், கதிர்வீச்சு வடிவத்தில் எத்தனை லோப்கள் உள்ளன என்பதை வரையறுக்கிறது. ஏற்றத்தாழ்வு, திசைவிசை மற்றும் முன்-பின் விகிதம் உள்ளிட்ட ஏற்றத்தாழ்வு அளவுருக்கள் ஏற்றத்தாழ்வு உயரம் அதிகரிக்கும் போது அவ்வப்போது மாறுகின்றன. உலோகத் தகடுகளின் தாக்கத்தின் கீழ் அந்தென்டென் அதிர்வு அதிர்வெண் மாறுகிறது. |
d70cd3d2fe0a194321ee92c305976873b883d529 | ஒரு பரந்த பட்டை 57.7-84.2 GHz கட்டம் மாற்றி ஒரு சிறிய லேஞ்ச் கப்லர் பயன்படுத்தி காட்சிப்படுத்தப்படுகிறது. லேஞ்ச் இணைப்பான் இரண்டு பாலன் மின்மாற்றிகளால் பின்பற்றப்படுகிறது, அவை IQ திசையன் மாறுபாட்டை வேறுபட்ட I மற்றும் Q சமிக்ஞைகளுடன் வழங்குகின்றன. இந்த கட்டம் மாற்றி இயங்குவதன் மூலம் 6 dB இன் செருகல் இழப்பு மற்றும் 5 dB இன் அதிகரிப்பு மாறுபாடு ஆகியவை காணப்படுகின்றன. அளவிடப்பட்ட சராசரி rms கட்டம் மற்றும் அதிகரிப்பு பிழைகள் முறையே 7 டிகிரி மற்றும் 1 dB ஆகும். கட்டம் மாற்றம் GlobalFoundries 45-nm SOI CMOS தொழில்நுட்பத்தில் ஒரு பொறி-பணக்கார அடி மூலக்கூறைப் பயன்படுத்தி செயல்படுத்தப்படுகிறது. சிப் பகுதி 385 μm × 285 μm மற்றும் கட்டம் Shifter 17 mW குறைவாக நுகரும். எழுத்தாளர்களின் சிறந்த அறிவுக்கு, இது முதல் கட்ட மாற்றியாகும், இது 60 ஜிகாஹெர்ட்ஸ் பட்டை மற்றும் ஈ-பாண்ட் அதிர்வெண்களை 37% பகுதியளவு அலைவரிசை அகலத்துடன் உள்ளடக்கியது. |
eb58118b9db1e95f9792f39c3780dbba3bb966cb | இந்த ஆய்வில், உடைகள் அணிந்து செல்லக்கூடிய ஒரு செயலற்ற அளவீட்டு முறை மற்றும் அதனுடன் தொடர்புடைய இட-நேர நடை பகுப்பாய்வு வழிமுறை ஆகியவை, அளவீட்டு அளவீடுகளைப் பெறுவதற்கும், மாரடைப்பு அல்லது பார்கின்சன் நோயால் பாதிக்கப்பட்ட நோயாளிகளுக்கு இட-நேர நடை முறைகளிலிருந்து மருத்துவ குறிகாட்டிகளை ஆராய்வதற்கும் வழங்கப்படுகின்றன. அணியக்கூடிய அமைப்பு ஒரு மைக்ரோகண்ட்ரோலர், ஒரு முக்கோண முடுக்கம், ஒரு முக்கோண ஜைரோஸ்கோப், மற்றும் ஒரு RF வயர்லெஸ் டிரான்ஸ்மிஷன் தொகுதி ஆகியவற்றைக் கொண்டுள்ளது. இடைவெளி-நேர நடை பகுப்பாய்வு வழிமுறை, சடங்கு சமிக்ஞை கையகப்படுத்தல், சமிக்ஞை முன் செயலாக்கம், நடை கட்டம் கண்டறிதல் மற்றும் முழங்கால் இயக்க மதிப்பீடு ஆகியவற்றின் நடை அம்சங்களை முடுக்கம் மற்றும் கோண வேகங்களிலிருந்து பிரித்தெடுப்பதற்காக உருவாக்கப்பட்டது. துல்லியமான கணுக்கால் இயக்க வரம்பை மதிப்பிடுவதற்காக, நாம் துரிதப்படுத்துதல்கள் மற்றும் கோண வேகங்களை ஒருங்கிணைத்து ஒருங்கிணைப்பு பிழையின் குவிப்பு குறைக்க ஒரு நிரப்பு வடிகட்டியாக உள்ளோம். 24 பங்கேற்பாளர்களும் இந்த அமைப்பை தங்கள் காலில் ஏற்றி, சாதாரண வேகத்தில் 10 மீட்டர் நேர் கோட்டில் நடந்து சென்றனர். மேலும், முன்மொழியப்பட்ட அமைப்பு மற்றும் வழிமுறையின் செயல்திறனை சரிபார்க்க அவர்களின் நடை பதிவுகள் சேகரிக்கப்பட்டன. பரிசோதனை முடிவுகள், வடிவமைக்கப்பட்ட இட-நேர நடை பகுப்பாய்வு வழிமுறையுடன் முன்மொழியப்பட்ட சகிப்புத்தன்மை அளவீட்டு முறை, இட-நேர நடை தகவல்களை தானாக பகுப்பாய்வு செய்வதற்கான ஒரு நம்பிக்கைக்குரிய கருவியாகும், இது மாரடைப்பு அல்லது பார்கின்சன் நோயைக் கண்டறிவதற்கான சிகிச்சை செயல்திறனைக் கண்காணிப்பதற்கான மருத்துவ குறிகாட்டிகளாக செயல்படுகிறது. |
7e7f14f325d7e8d70e20ca22800ad87cfbf339ff | இந்த வெளியீட்டில் IEEE பதிப்புரிமை இல்லாத மறுபதிப்பு கட்டுரைகள் உள்ளன. இந்த கட்டுரைகளுக்கான முழு உரை IEEE Xplore இல் கிடைக்கவில்லை. |
002a8b9ef513d46dc8dcce85c04a87ae6a221b4c | பின்னடைவு மற்றும் வகைப்படுத்தலுக்கான ஒரு புதிய வகையான ஆதரவு திசையன் வழிமுறைகளை நாங்கள் முன்மொழிகிறோம். இந்த வழிமுறைகளில், ஒரு அளவுரு ஒருவரை ஆதரவு திசையன்களின் எண்ணிக்கையை திறம்பட கட்டுப்படுத்த அனுமதிக்கிறது. இது தனக்குத்தானே பயனுள்ளதாக இருக்கும்போது, அல்காரிதத்தின் மற்ற இலவச அளவுருக்களில் ஒன்றை அகற்ற உதவுவதன் கூடுதல் நன்மை உள்ளதுஃ பின்னடைவு வழக்கில் துல்லிய அளவுரு மற்றும் வகைப்படுத்தல் வழக்கில் சீராக்க நிலையான சி. நாம் அல்காரிதம்களை விவரிக்கிறோம், சில தத்துவார்த்த முடிவுகளை வழங்குகிறோம், அவை பொருள் மற்றும் தேர்வு தொடர்பானவை, மற்றும் பரிசோதனை முடிவுகளை அறிக்கை செய்கின்றன. |
0911bcf6bfff20a84a56b9d448bcb3d72a1eb093 | ஒரு ஆட்டோகோடரின் வழக்கமான பயிற்சி பொதுவாக மறைக்கப்பட்ட அலகு சார்புகளை விளைவிக்கிறது, அவை பெரிய எதிர்மறை மதிப்புகளை எடுக்கின்றன. எதிர்மறை சார்புகள் ஒரு மறைக்கப்பட்ட அடுக்கைப் பயன்படுத்துவதன் இயற்கையான விளைவாகும் என்பதை நாங்கள் காட்டுகிறோம், இதன் பொறுப்பு உள்ளீட்டு தரவைக் குறிக்கிறது மற்றும் பிரதிநிதித்துவத்தின் மந்தநிலையை உறுதி செய்யும் ஒரு தேர்வு பொறிமுறையாக செயல்படுகிறது. பின்னர், எதிர்மறை சார்புகள் தரவு விநியோகங்களைக் கற்றலைத் தடுக்கின்றன என்பதைக் காட்டுகிறோம். அவற்றின் உள்ளார்ந்த பரிமாணத்தன்மை அதிகமாக உள்ளது. நாம் ஒரு புதிய செயல்பாட்டு செயல்பாட்டை முன்மொழிகிறோம் இது மறைக்கப்பட்ட அடுக்கின் இரண்டு பாத்திரங்களை பிரிக்கிறது மற்றும் தரவுகளில் பிரதிநிதித்துவங்களை கற்றுக்கொள்ள அனுமதிக்கிறது மிகவும் உயர்ந்த உள் பரிமாணத்துடன், அங்கு நிலையான ஆட்டோகோடர்கள் தோல்வியடைகின்றன. டிகூப்ளட் ஆக்டிவேஷன் செயல்பாடு ஒரு மறைமுக ஒழுங்குபடுத்தியாக செயல்படுவதால், கூடுதல் ஒழுங்குபடுத்தல் தேவையில்லாமல், பயிற்சி தரவுகளின் புனரமைப்பு பிழையைக் குறைப்பதன் மூலம் மாதிரியை பயிற்றுவிக்க முடியும். |
27f9b805de1f125273a88786d2383621e60c6094 | இந்த ஆய்வில், இயக்கக் கட்டுப்பாடு மற்றும் போஸ் மதிப்பீட்டை மேம்படுத்துவதற்காக, கண்காணிக்கப்படும் மொபைல் ரோபோக்களுக்கான ஒரு இயக்கவியல் அணுகுமுறையை நாங்கள் முன்மொழிகிறோம். தடம் மற்றும் தட-மண் தொடர்புகளால் ஏற்படும் சிக்கலான இயக்கவியல், தட வேகங்களின் அடிப்படையில் வாகனத்தின் சரியான இயக்கத்தை கணிப்பதை கடினமாக்குகிறது. ஆயினும், தன்னாட்சி வழிசெலுத்தலுக்கான நிகழ்நேர கணக்கீடுகளுக்கு சுழற்சியில் இயக்கவியல் அறிமுகப்படுத்தாமல் பயனுள்ள இயக்கவியல் தோராயமான தேவைப்படுகிறது. வாகனத்தின் மீது இயக்க விமானத்தில் உள்ள தற்காலிக சுழற்சி மையங்கள் (ICRs) வாகனத்தை பொறுத்து இயக்கவியல் சார்ந்தவை, ஆனால் அவை ஒரு வரையறுக்கப்பட்ட பகுதியில் உள்ளன என்ற உண்மையை அடிப்படையாகக் கொண்டது முன்மொழியப்பட்ட தீர்வு. எனவே, ஒரு குறிப்பிட்ட நிலப்பரப்புக்கு நிலையான ஐசிஆர் நிலைகளை மேம்படுத்துவது, கண்காணிக்கப்பட்ட மொபைல் ரோபோக்களுக்கான தோராயமான இயக்கவியல் மாதிரியை உருவாக்குகிறது. இயக்கவியல் அளவுருக்களின் ஆஃப்லைன் மதிப்பீட்டிற்கான இரண்டு வெவ்வேறு அணுகுமுறைகள் முன்வைக்கப்படுகின்றன: (i) வாகனத்தின் முழு வேக வரம்பிற்கும் டைனமிக் மாதிரியின் நிலையான பதிலை உருவகப்படுத்துதல்; (ii) ஒரு சோதனை அமைப்பை அறிமுகப்படுத்துதல், இதனால் ஒரு மரபணு வழிமுறை உண்மையான சென்சார் வாசிப்புகளிலிருந்து மாதிரியை உருவாக்க முடியும். இந்த முறைகள் ஆன்லைன் ஓடோமெட்ரிக் கணக்கீடுகள் மற்றும் குறைந்த அளவிலான இயக்கக் கட்டுப்பாடு ஆகியவற்றிற்காக மதிப்பீடு செய்யப்பட்டுள்ளன. முக்கிய வார்த்தைகள், இயந்திரக் கட்டுப்பாடு, இயந்திரக் கட்டுப்பாடு, இயந்திரக் கட்டுப்பாடு, இயந்திரக் கட்டுப்பாடு, இயந்திரக் கட்டுப்பாடு, இயந்திரக் கட்டுப்பாடு, இயந்திரக் கட்டுப்பாடு, இயந்திரக் கட்டுப்பாடு, இயந்திரக் கட்டுப்பாடு, இயந்திரக் கட்டுப்பாடு, இயந்திரக் கட்டுப்பாடு, இயந்திரக் கட்டுப்பாடு, இயந்திரக் கட்டுப்பாடு, இயந்திரக் கட்டுப்பாடு, இயந்திரக் கட்டுப்பாடு, இயந்திரக் கட்டுப்பாடு |
04caa1a55b12d5f3830ed4a31c4b47921a3546f2 | வரிசைகள், மரங்கள் மற்றும் வரைபடங்கள் போன்ற கட்டமைக்கப்பட்ட தரவுகளுக்காக வடிவமைக்கப்பட்ட கரு வகைப்படுத்திகள் மற்றும் பின்னடைவு, கணிப்பு உயிரியல் மற்றும் மருந்து வடிவமைப்பு போன்ற பல இடைநிலை பகுதிகளை கணிசமாக முன்னேற்றியுள்ளன. பொதுவாக, ஒரு தரவு வகைக்கு முன்கூட்டியே வடிவமைக்கப்பட்டுள்ளன, அவை கட்டமைப்புகளின் புள்ளிவிவரங்களை சுரண்டுகின்றன அல்லது நிகழ்தகவு உருவாக்கும் மாதிரிகளைப் பயன்படுத்துகின்றன, பின்னர் ஒரு பாகுபாடு வகைப்படுத்தி கன்வெக்ஸ் தேர்வுமுறை மூலம் கருவின் அடிப்படையில் கற்றுக்கொள்ளப்படுகிறது. இருப்பினும், இத்தகைய நேர்த்தியான இரண்டு-நிலை அணுகுமுறை, மில்லியன் கணக்கான தரவு புள்ளிகளை அளவிடுவதிலிருந்து மற்றும் அம்ச பிரதிநிதித்துவங்களைக் கற்றுக்கொள்வதற்கு பாகுபாடு தகவல்களைப் பயன்படுத்துவதிலிருந்து கரு முறைகளை மட்டுப்படுத்தியது. நாம் structure2vec என்ற பெயரில், கட்டமைக்கப்பட்ட தரவு பிரதிநிதித்துவத்திற்கான ஒரு பயனுள்ள மற்றும் அளவிடக்கூடிய அணுகுமுறையை முன்மொழிகிறோம். இது அம்ச இடைவெளிகளில் மறைந்த மாறி மாதிரிகளை உட்பொதிப்பதன் யோசனையின் அடிப்படையில் உள்ளது. மேலும், பாகுபாடு தகவல்களைப் பயன்படுத்தி அத்தகைய அம்ச இடைவெளிகளை கற்றுக்கொள்வது. சுவாரஸ்யமாக, structure2vec, சராசரி புலம் மற்றும் நம்பிக்கை பரவல் போன்ற கிராஃபிக் மாடல் ஊக நடைமுறைகளுக்கு ஒத்த முறையில் செயல்பாடு மேப்பிங் வரிசைகளைச் செய்வதன் மூலம் அம்சங்களை பிரித்தெடுக்கிறது. மில்லியன் கணக்கான தரவு புள்ளிகள் சம்பந்தப்பட்ட பயன்பாடுகளில், structure2vec 2 மடங்கு வேகமாக இயங்குகிறது, 10,000 மடங்கு சிறிய மாதிரிகளை உருவாக்குகிறது, அதே நேரத்தில் அதிநவீன கணிப்பு செயல்திறனை அடைகிறது. |
1dc5b2114d1ff561fc7d6163d8f4e9c905ca12c4 | தரவு இயல்பாக விநியோகிக்கப்படாதபோது, பியர்சனின் r இன் முக்கியத்துவத்தை சோதிப்பது வகை I பிழை விகிதங்களை அதிகரிக்கலாம் மற்றும் சக்தியைக் குறைக்கலாம் என்பது நன்கு அறியப்பட்ட ஒன்றாகும். புள்ளியியல் பாடப்புத்தகங்கள் மற்றும் உருவகப்படுத்துதல் இலக்கியம் பியர்சனின் தொடர்புக்கு பல மாற்று வழிகளை வழங்குகின்றன. இருப்பினும், இந்த மாற்றுகளின் ஒப்பீட்டு செயல்திறன் தெளிவாக இல்லை. பியர்சன், ஸ்பியர்மன் தரவரிசை-வரிசை, மாற்றம் மற்றும் மறுமாதிரி அணுகுமுறைகள் உள்ளிட்ட 12 முறைகளை ஒப்பிடுவதற்கு இரண்டு உருவகப்படுத்துதல் ஆய்வுகள் நடத்தப்பட்டன. பெரும்பாலான மாதிரி அளவுகளில் (n ≥ 20), பியர்சன் தொடர்பு மதிப்பீடு செய்வதற்கு முன்னர் தரவுகளை ஒரு சாதாரண வடிவத்திற்கு மாற்றுவதன் மூலம் வகை I மற்றும் வகை II பிழை விகிதங்கள் குறைக்கப்பட்டுள்ளன. மாற்றம் அணுகுமுறைகளில், பொது நோக்கம் தரவரிசை அடிப்படையிலான தலைகீழ் இயல்பான மாற்றம் (அதாவது, ரேங்கிட் மதிப்பெண்களுக்கு மாற்றம்) மிகவும் பயனுள்ளதாக இருந்தது. இருப்பினும், மாதிரிகள் சிறியதாக (n ≤ 10) மற்றும் மிகவும் அசாதாரணமாக இருந்தபோது, பல்வேறு பூட்ஸ்ட்ராப் சோதனைகள் உட்பட, மற்ற மாற்று வழிகளை விட மாற்றீட்டு சோதனை பெரும்பாலும் சிறப்பாக செயல்பட்டது. |
d3abb0b5b3ce7eb464846bbdfd93e0fbf505e954 | இந்த ஆய்வில், மூன்று வெவ்வேறு கருத்தாக்கங்களை ஒத்திசைவான ஆண்டெனா வரிசைகளை சப்ஸ்ட்ரேட் ஒருங்கிணைந்த அலைகாட்டிகளால் (SIW) வழங்கப்படுகிறது. ரேடியேட்டர்களின் வகைகளில் ஆண்டெனா கருத்துக்கள் வேறுபடுகின்றன. ஸ்லாட்டுகள் காந்த நேரியல் ரேடியேட்டர்களைக் குறிக்கின்றன, பேட்சுகள் மின்சார மேற்பரப்பு ரேடியேட்டர்கள், மற்றும் விவால்டி ஸ்லாட்டுகள் பயண அலை ஆண்டெனாக்களுக்கு சொந்தமானவை. எனவே, SIW ஊட்டிகள் தூண்டுதல் ஆண்டெனா கூறுகளின் வெவ்வேறு வழிமுறைகளை பயன்படுத்த வேண்டும். ஆய்வு செய்யப்பட்ட ஆண்டெனா வரிசைகளின் தடை மற்றும் கதிர்வீச்சு பண்புகள் இயல்பாக்கப்பட்ட அதிர்வெண்ணுடன் தொடர்புடையவை. வடிவமைக்கப்பட்ட ஆண்டெனாக்களின் இறுதி அளவுருக்கள் ஆண்டெனாக்களின் நிலை மாறிகள், SIW ஊட்டி கட்டமைப்புகள் மற்றும் தொடர்புடைய செயல்படுத்தல் விவரங்கள் ஆகியவற்றின் அடிப்படையிலான சார்புகளை காண்பிக்க ஆண்டெனா வரிசைகள் பரஸ்பரம் ஒப்பிடப்பட்டுள்ளன. |
e4acaccd3c42b618396c9c28dae64ae7091e36b8 | ஒரு புதிய I/Q பெறுதல் வரிசை ஒவ்வொரு பெறுதல் சேனலிலும் கட்ட மாற்றங்களை மாற்றியமைத்து ஒரு பெறுதல் கற்றை ஒரு சம்பவ RF சமிக்ஞையை நோக்கி சுட்டிக்காட்டுகிறது. அளவிடப்பட்ட வரிசை 8.1 GHz இல் செயல்படுகிறது மற்றும் நான்கு உறுப்பு வரிசைக்கு +/-35 டிகிரி ஸ்டீயரிங் கோணங்களை உள்ளடக்கியது. கூடுதலாக, ரிசீவர் ஒரு I/Q டவுன் கன்வெர்ட்டரை உள்ளடக்கியது மற்றும் 64QAM ஐ 4% க்கும் குறைவான EVM உடன் டிமோடுலேட் செய்கிறது. இந்த சிப் 45 nm CMOS SOI செயல்முறையில் தயாரிக்கப்பட்டு, 3.45 mm2 பரப்பளவைக் கொண்டுள்ளது. |
149bf28af91cadf2cd933bd477599cca40f55ccd | நாம் ஒரு கற்றல் கட்டமைப்பை முன்மொழிகிறோம், இது வலுவூட்டல் கற்றலை செய்ய முடியும் மூல காட்சி உள்ளீட்டு தரவுகளின் அடிப்படையில். முந்தைய அணுகுமுறைகளுக்கு மாறாக, கட்டுப்பாட்டுக் கொள்கையை மட்டும் கற்றுக்கொள்ளவில்லை. வெற்றிகரமாக இருக்க, கற்றல் முறைமைக்கு செமண்டிக்ஸ் வழங்கப்படாத உள்ளீட்டு தகவல்களின் உயர் பரிமாண ஓட்டத்திலிருந்து பொருத்தமான தகவல்களை எவ்வாறு பிரித்தெடுப்பது என்பதை கணினி தானாகவே கற்றுக்கொள்ள வேண்டும். இந்த புதிய கற்றல் கட்டமைப்பின் முதல் நிரூபணத்தை ஒரு சவாலான தரவரிசையில் தருகிறோம், அதாவது ஒரு பந்தய ஸ்லாட் காரின் காட்சி கட்டுப்பாடு. வெற்றியோ தோல்வியோ மட்டுமே கற்றுக்கொள்ளும் இதன் விளைவாக வரும் கொள்கை, அனுபவமுள்ள மனித வீரரால் வெல்ல முடியாது. |
759d9a6c9206c366a8d94a06f4eb05659c2bb7f2 | இன்றுவரை, கணினி பார்வைக்கான இயந்திர கற்றல் அடிப்படையிலான அங்கீகார வழிமுறைகளின் கிட்டத்தட்ட அனைத்து சோதனை மதிப்பீடுகளும் "மூடப்பட்ட தொகுப்பு" அங்கீகாரத்தின் வடிவத்தை எடுத்துள்ளன, இதன் மூலம் அனைத்து சோதனை வகுப்புகளும் பயிற்சி நேரத்தில் அறியப்படுகின்றன. பார்வை பயன்பாடுகளுக்கான ஒரு யதார்த்தமான காட்சி "திறந்த தொகுப்பு" அங்கீகாரம் ஆகும், அங்கு பயிற்சி நேரத்தில் உலகின் முழுமையான அறிவு இல்லை, மற்றும் அறியப்படாத வகுப்புகள் சோதனையின் போது ஒரு வழிமுறையில் சமர்ப்பிக்கப்படலாம். இந்த ஆவணம் திறந்த தொகுப்பு அங்கீகாரத்தின் தன்மையை ஆராய்ந்து அதன் வரையறையை ஒரு கட்டுப்படுத்தப்பட்ட குறைத்தல் சிக்கலாக முறையிடுகிறது. திறந்த தொகுப்பு அங்கீகாரப் பிரச்சினை தற்போதுள்ள வழிமுறைகளால் சரியாகப் பேசப்படவில்லை, ஏனெனில் இதற்கு வலுவான பொதுமைப்படுத்தல் தேவைப்படுகிறது. ஒரு தீர்வை நோக்கி ஒரு படி, நாம் ஒரு நாவல் அறிமுகப்படுத்துகிறோம் 1-vs-செட் இயந்திரம், இது ஒரு நேரியல் கருவுடன் ஒரு 1-வர்க்கம் அல்லது பைனரி SVM இன் விளிம்பு தூரங்களிலிருந்து ஒரு முடிவை விளிம்பில் இருந்து உருவாக்குகிறது. இந்த முறை கணினி பார்வைத் துறையில் பல பயன்பாடுகளுக்குப் பொருந்தும், அங்கு திறந்த தொகுப்பு அங்கீகாரம் என்பது சவாலான பிரச்சினையாகும், இதில் பொருள் அங்கீகாரம் மற்றும் முக சரிபார்ப்பு ஆகியவை அடங்கும். இந்த ஆய்வில் நாம் இரண்டையும் கருத்தில் கொண்டு, கால்டெக் 256 மற்றும் இமேஜ்நெட் தொகுப்புகளில் மேற்கொள்ளப்பட்ட பெரிய அளவிலான குறுக்கு தரவுத்தொகுப்பு பரிசோதனைகள், அத்துடன் லேபிள் செய்யப்பட்ட முகங்கள் காட்டுத் தொகுப்பில் மேற்கொள்ளப்பட்ட முக பொருத்த பரிசோதனைகள் ஆகியவற்றைப் பற்றி ஆராய்வோம். இந்த சோதனைகள், அதே பணிகளுக்காக தற்போதுள்ள 1 வகுப்பு மற்றும் பைனரி SVM களுடன் ஒப்பிடும்போது, திறந்த தொகுப்பு மதிப்பீட்டிற்கு ஏற்ற இயந்திரங்களின் செயல்திறனை எடுத்துக்காட்டுகின்றன. |
00960cb3f5a74d23eb5ded93f1aa717b9c6e6851 | பேய்சியன் தேர்வுமுறை என்பது அறியப்படாத, விலையுயர்ந்த மற்றும் பன்முக செயல்பாடுகளின் உலகளாவிய தேர்வுமுறைக்கு மிகவும் பயனுள்ள முறையாக நிரூபிக்கப்பட்டுள்ளது. செயல்பாடுகளின் மீது விநியோகங்களை துல்லியமாக மாதிரியாகக் கொண்டிருக்கும் திறன் பேய்சியன் தேர்வுமுறை செயல்திறனுக்கு முக்கியமானது. கோஸ் செயல்முறைகள் செயல்பாடுகளுக்கு ஒரு நெகிழ்வான முன்னுரிமையை வழங்கினாலும், மாடலிங் செய்ய கடினமாக இருக்கும் பல்வேறு வகையான செயல்பாடுகள் உள்ளன. இவற்றில் மிகவும் அடிக்கடி நிகழும் ஒன்று நிலையற்ற செயல்பாடுகளின் வகுப்பு ஆகும். இயந்திர கற்றல் வழிமுறைகளின் ஹைப்பர்பாரமிட்டர்களை மேம்படுத்துவது ஒரு சிக்கல் களமாகும், இதில் அளவுருக்கள் பெரும்பாலும் கைமுறையாக முன்னுரிமை மாற்றப்படுகின்றன, எடுத்துக்காட்டாக, இடஞ்சார்ந்த மாறுபட்ட நீள அளவின் விளைவுகளைத் தணிக்க லாக்-ஸ்பேஸில் உகந்ததாக்குவதன் மூலம். பெட்டா குவிப்பு விநியோக செயல்பாட்டைப் பயன்படுத்தி உள்ளீட்டு இடத்தின் பரந்த குடும்பமான பிஜெக்டிவ் மாற்றங்கள் அல்லது வளைவுகளை தானாகக் கற்றுக்கொள்வதற்கான ஒரு முறையை நாங்கள் உருவாக்குகிறோம். நாம் மேலும் பல பணிகளை ஒரு கூட்டு நிலையான இடத்தில் வளைந்து முடியும் என்று பல பணிகள் பேய்சியன் தேர்வுமுறை வளைந்து கட்டமைப்பை விரிவுபடுத்த. ஒரு சவாலான தரநிலை தேர்வுமுறை பணிகளில், வளைவுகளை சேர்ப்பது மிகவும் மேம்பட்டது என்பதைக் காண்கிறோம், இது சிறந்த முடிவுகளை விரைவாகவும் நம்பகத்தன்மையுடனும் உருவாக்குகிறது. |
b53e4c232833a8e663a9cf15dcdd050ff801c05c | நாம் ஒரு அளவிடக்கூடிய அமைப்பை முன்வைக்கிறோம் உயர் செயல்திறன் கொண்ட நிகழ்நேர பகுப்பாய்வு ஹெடெரோஜெனஸ் தரவு ஓட்டங்கள். எங்கள் கட்டமைப்பு, கணிக்கக்கூடிய பகுப்பாய்வு மற்றும் அசாதாரணமான கண்டறிதலுக்கான மாதிரிகளை படிப்படியாக மேம்படுத்த உதவுகிறது. ஹடூப் போன்ற தரவுகளை தொகுதி முறையில் செயலாக்கும் முறைமைகளுக்கு மாறாக, அதிக தாமதத்தை கொண்டிருக்கும், எங்கள் கட்டமைப்பு, தரவுகளை உடனடியாகப் பெற்று, பகுப்பாய்வு செய்ய அனுமதிக்கிறது, இதனால் அசாதாரண நடத்தைகளை கண்டறிந்து, அதற்குப் பதிலளிப்பது கிட்டத்தட்ட நிகழ்நேரத்தில் சாத்தியமாகும். உள்நாட்டு அச்சுறுத்தல், நிதி மோசடி மற்றும் நெட்வொர்க் ஊடுருவல் போன்ற பயன்பாடுகளுக்கு இந்த சரியான நேரத்தில் முக்கியம். உள்நாட்டு அச்சுறுத்தல்களை கண்டறிவதற்கான சிக்கலில் இந்த அமைப்பின் பயன்பாட்டை நாங்கள் நிரூபிக்கிறோம், அதாவது, ஒரு அமைப்பின் வளங்களை பயனர்கள் தவறாகப் பயன்படுத்துவது மற்றும் பொதுவில் கிடைக்கும் உள்நாட்டு அச்சுறுத்தல் தரவுத்தளத்தில் எங்கள் பரிசோதனைகளின் முடிவுகளை முன்வைப்பது. |
39b58ef6487c893219c77c61c762eee5694d0e36 | தரவுத் தோற்றத்தில் தரவுத் தோற்றத்தில் வகைப்படுத்தல் ஒரு முக்கியமான பிரச்சினையாகும். கடந்த காலத்தில் வகைப்படுத்தல் விரிவாக ஆய்வு செய்யப்பட்டிருந்தாலும், பெரும்பாலான வகைப்படுத்தல் வழிமுறைகள் நினைவக-குடியிருப்பு தரவுகளுக்கு மட்டுமே வடிவமைக்கப்பட்டுள்ளன, இதனால் பெரிய தரவுத் தொகுப்புகளை தரவு சுரங்கத்திற்கு பொருத்தமானவை. இந்த ஆவணம் ஒரு அளவிடக்கூடிய வகைப்படுத்தியை உருவாக்குவதில் உள்ள சிக்கல்களை விவாதிக்கிறது மற்றும் ஒரு புதிய வகைப்படுத்தியாகும் SLIQ இன் வடிவமைப்பை முன்வைக்கிறது. SLIQ என்பது ஒரு முடிவு மரம் வகைப்படுத்தியாகும், இது எண் மற்றும் வகை பண்புகளை கையாள முடியும். இது மர வளர்ச்சி கட்டத்தில் ஒரு புதிய முன்-வரிசைப்படுத்தும் நுட்பத்தைப் பயன்படுத்துகிறது. இந்த வகைப்படுத்தல் நடைமுறை பரந்த மர வளர்ப்பு மூலோபாயத்துடன் ஒருங்கிணைக்கப்பட்டுள்ளது, இது வட்டு-குடியேற்ற தரவுத் தொகுப்புகளை வகைப்படுத்த உதவுகிறது. SLIQ ஒரு புதிய மர-அறுவடை வழிமுறையையும் பயன்படுத்துகிறது, இது மலிவானது, மேலும் சிறிய மற்றும் துல்லியமான மரங்களை விளைவிக்கிறது. இந்த நுட்பங்களின் கலவையானது SLIQ ஐ பெரிய தரவுத் தொகுப்புகளுக்கு அளவிடவும், தரவுத் தொகுப்புகளை வகுப்புகள், பண்புகள் மற்றும் எடுத்துக்காட்டுகள் (பதிவுகள்) எண்ணிக்கையைப் பொருட்படுத்தாமல் வகைப்படுத்தவும் உதவுகிறது, இதனால் இது தரவு சுரங்கத்திற்கான ஒரு கவர்ச்சிகரமான கருவியாக மாறும். |
1f25ed3c9707684cc0cdf3e8321c791bc7164147 | தரவுத் தணிக்கை ஒரு முக்கியமான தரவுத் தணிக்கைப் பிரச்சினையாகும். வகைப்படுத்தல் என்பது நன்கு ஆய்வு செய்யப்பட்ட ஒரு பிரச்சினையாக இருந்தாலும், தற்போதைய வகைப்படுத்தல் வழிமுறைகளில் பெரும்பாலானவை முழு தரவுத்தொகுப்பின் அனைத்து அல்லது ஒரு பகுதியும் நினைவகத்தில் நிரந்தரமாக இருக்க வேண்டும். இது பெரிய தரவுத்தளங்களை சுரங்கப்படுத்துவதற்கான தகுதியை குறைக்கிறது. நாங்கள் ஒரு புதிய முடிவு மர அடிப்படையிலான வகைப்படுத்தல் வழிமுறையை முன்வைக்கிறோம், ஸ்பிரிண்ட் என்று அழைக்கப்படுகிறது இது அனைத்து நினைவக கட்டுப்பாடுகளையும் நீக்குகிறது, மற்றும் வேகமாகவும் அளவிடக்கூடியதாகவும் உள்ளது. இந்த வழிமுறை எளிதாக இணைக்க வடிவமைக்கப்பட்டுள்ளது, இது பல செயலிகள் ஒன்றாக இணைந்து ஒரே மாதிரியான மாதிரியை உருவாக்க அனுமதிக்கிறது. இந்த இணையானது, இங்கு வழங்கப்பட்டுள்ளது, மிகச்சிறந்த அளவிடக்கூடிய தன்மையைக் காட்டுகிறது. இந்த குணாதிசயங்களின் கலவையானது முன்மொழியப்பட்ட வழிமுறையை தரவு சுரங்கத்திற்கான சிறந்த கருவியாக ஆக்குகிறது. |
7c3a4b84214561d8a6e4963bbb85a17a5b1e003a | |
76c87ec44fc5dc96bc445abe008deaf7c97c9373 | இந்த ஆவணம் ஒரு தரமான மென்மையான அடி மூலக்கூறின் ஒரு அடுக்கில் 100 Ω வேறுபட்ட மைக்ரோஸ்ட்ரிப் வரிசை ஊட்டத்துடன் ஒரு தட்டையான கட்டம் வரிசை ஆண்டெனாவை முன்வைக்கிறது. இந்த ஆண்டெனா 79 GHz அலைவரிசைப் படையில் வாகன ரேடார் பயன்பாடுகளுக்காக இயங்குகிறது. இதன் ஒற்றை வரிசை வடிவமைப்பு உயரத்தில் ஒரு குறுகிய பீம் மற்றும் அசிமுட்டில் ஒரு பரந்த பீம் வழங்குகிறது. இந்த ஆண்டெனா, டிஃபெர்னீஷியல் மைக்ரோஸ்ட்ரிப் லைன் ஃபீடிங் உடன் இணைந்து, அதிர்வெண் வரம்பில் டிஃபெர்னீஷியல் மல்டிகானல் MMIC களுக்கு ஏற்றது. |
bc7308a97ec2d3f7985d48671abe7a8942a5b9f8 | இந்த ஆவணம் கருத்து பகுப்பாய்வின் ஒரு அணுகுமுறையை அறிமுகப்படுத்துகிறது, இது ஆதரவு திசையன் இயந்திரங்களைப் (SVM கள்) பயன்படுத்துகிறது, இது பலவிதமான ஆதாரங்களை ஒன்றாகக் கொண்டுவருகிறது, இது பல சொற்றொடர்கள் மற்றும் பண்புக்கூறுகளுக்கான பல சாதகமான நடவடிக்கைகள் மற்றும் கிடைக்கக்கூடிய இடங்களில், உரையின் தலைப்பு பற்றிய அறிவு. அறிமுகப்படுத்தப்பட்ட அம்சங்களைப் பயன்படுத்தி மாதிரிகள் மேலும் ஒற்றைப்படை மாதிரிகளுடன் இணைக்கப்படுகின்றன, அவை கடந்த காலத்தில் பயனுள்ளதாக இருப்பதைக் காட்டியுள்ளன (பாங் மற்றும் பலர், 2002) மற்றும் ஒற்றைப்படை மாதிரிகளின் லெமடிஸ் செய்யப்பட்ட பதிப்புகள். Epinions.com இலிருந்து திரைப்பட மதிப்பாய்வு தரவுகளின் சோதனைகள், ஒற்றைப்படை பாணி அம்ச அடிப்படையிலான SVM களை உண்மையான மதிப்புள்ள சாதகமான நடவடிக்கைகளின் அடிப்படையில் இணைக்கும் கலப்பின SVM கள் சிறந்த செயல்திறனைப் பெறுகின்றன, இந்தத் தரவைப் பயன்படுத்தி இதுவரை வெளியிடப்பட்ட சிறந்த முடிவுகளை உருவாக்குகின்றன. மேலும், இசையமைப்பாளர்கள், இசையமைப்பாளர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞர்கள், இசைக்கலைஞ |
be389fb59c12c8c6ed813db13ab74841433ea1e3 | புளி. 1. மனிதர்கள் பொருள்களுடன் தொடர்புகொள்வதைப் பற்றிக் கருத்தில் கொண்டு, ஒரு நுண்ணறிவுள்ள ஒற்றைநோக்கு வீடியோவை (இணைப்புப் படத்தைப் பார்க்கவும்) விளக்கும் ஒரு நம்பகமான காட்சி ஏற்பாடு மற்றும் மனித இயக்கங்களை மீட்டெடுக்கும் ஒரு முறையான iMapper ஐ நாங்கள் முன்வைக்கிறோம். நாங்கள் காட்சிகள் (எ. கா. , A, B, C) எனப்படும் பண்புக்கூறு தொடர்புகளை வீடியோவில் பொருத்துகிறோம், மேலும் அவற்றை ஒரு சாத்தியமான பொருள் ஏற்பாடு மற்றும் மனித இயக்க பாதையை (இடது) மீண்டும் உருவாக்க பயன்படுத்துகிறோம். முக்கிய சவால் என்னவென்றால், நம்பகமான பொருத்துதல் என்பது அறியப்படாத (அதாவது மறைந்திருக்கும்) மறைவுகள் பற்றிய தகவல்களைத் தேவைப்படுகிறது. (வலது) கைமுறையாக குறிப்பிட்டுள்ள groundtruth பொருள் இடங்கள் மீது நமது முடிவுகளின் ஒரு மேலடுக்கு (மேலே இருந்து) காண்பிக்கிறோம். மதிப்பிடப்பட்ட பொருள் வகை, இருப்பிடம் மற்றும் அளவு தகவல்களின் அடிப்படையில் பொருள் மெஷ்கள் வைக்கப்படுகின்றன என்பதை நினைவில் கொள்க. |
f24a1af3bd8873920593786d81590d29520cfebc | இந்த கடிதம் பல அடுக்கு சப்ஸ்ட்ரேட் ஒருங்கிணைந்த அலை வழிகாட்டி (MSIW) நுட்பத்தின் அடிப்படையில் ஒரு புதிய நீள்வட்ட வடிகட்டியின் வடிவமைப்பு மற்றும் பரிசோதனையை முன்வைக்கிறது. நான்கு மடிந்த MSIW குழிகளைக் கொண்ட ஒரு C-பட்டை நீள்வட்ட வடிகட்டி உயர் அதிர்வெண் கட்டமைப்பு சிமுலேட்டர் மென்பொருளைப் பயன்படுத்தி உருவகப்படுத்தப்படுகிறது மற்றும் இரண்டு அடுக்கு அச்சிடப்பட்ட சர்க்யூட் போர்டு செயல்முறையுடன் தயாரிக்கப்படுகிறது, அளவிடப்பட்ட முடிவுகள் நல்ல செயல்திறனைக் காட்டுகின்றன மற்றும் உருவகப்படுத்தப்பட்ட முடிவுகளுடன் உடன்படுகின்றன. |
8052bc5f9beb389b3144d423e7b5d6fcf5d0cc4f | பண்புகள் என்பது பொருள்களால் பகிரப்படும் சொற்பொருள் காட்சி பண்புகள் ஆகும். அவை பொருள் அங்கீகாரத்தை மேம்படுத்துவதோடு உள்ளடக்க அடிப்படையிலான படத் தேடலை மேம்படுத்துவதாகவும் நிரூபிக்கப்பட்டுள்ளது. பண்புகள் பல வகைகளை உள்ளடக்கும் என்று எதிர்பார்க்கப்படுகிறது, எ. கா. ஒரு டால்மேடியன் மற்றும் ஒரு திமிங்கலத்தின் "மென்மையான தோல்" இருவரும் இருக்க முடியும், நாம் ஒரு ஒற்றை பண்பு தோற்றம் வகைகள் இடையே மிகவும் மாறுபடும் என்று கண்டுபிடிக்க. எனவே, ஒரு வகைக்கு கற்றுக் கொள்ளப்பட்ட ஒரு பண்பு மாதிரி மற்றொரு வகைக்கு பயன்படுத்தப்படாமல் போகலாம். புதிய வகைகளுக்கு பண்பு மாதிரிகளை எவ்வாறு மாற்றியமைப்பது என்பதைக் காட்டுகிறோம். வகைகளின் மூல களத்திற்கும் புதிய இலக்கு களத்திற்கும் இடையில் நேர்மறையான பரிமாற்றம் ஏற்படக்கூடும் என்பதை நாங்கள் உறுதிசெய்கிறோம், களங்களின் தரவு விநியோகங்கள் ஒத்திருக்கும் அம்சத் தேர்வின் மூலம் காணப்படும் ஒரு அம்ச துணை இடத்தில் கற்றல் மூலம். நாவல் களத்திலிருந்து தரவு குறைவாக இருக்கும்போது, அந்த நாவல் களத்திற்கான பண்பு மாதிரிகளை ஒரு துணை களத்தில் (அடிப்படை SVM வழியாக) பயிற்சி பெற்ற மாதிரிகளுடன் ஒழுங்குபடுத்துவது பண்பு கணிப்பின் துல்லியத்தை மேம்படுத்துகிறது என்பதை நாங்கள் நிரூபிக்கிறோம். |
01094798b20e96e1d029d6874577167f2214c7b6 | வேகமான ஒரே நேரத்தில் ஹேஷ் அட்டவணைகள் ஒரு முக்கிய கட்டிட தொகுதியாகும், ஏனெனில் நாம் அதிக எண்ணிக்கையிலான கோர்கள் மற்றும் நூல்களுக்கு அமைப்புகளை அளவிடுகிறோம். இந்த ஆவணம் பல வாசகர்கள் மற்றும் எழுத்தாளர்களை ஆதரிக்கும் உயர் செயல்திறன் மற்றும் நினைவக திறன் கொண்ட ஒரே நேரத்தில் ஹேஷ் அட்டவணையின் வடிவமைப்பு, செயல்படுத்தல் மற்றும் மதிப்பீட்டை முன்வைக்கிறது. வடிவமைப்பு சிக்கலான பிரிவு நீளத்தை குறைத்தல் மற்றும் அல்காரிதம் மறு பொறியியல் மூலம் இடை செயலி ஒருங்கிணைப்பு போக்குவரத்தை குறைத்தல் போன்ற அமைப்பு மட்ட மேம்படுத்தல்களுக்கு கவனமாக கவனம் செலுத்துவதன் மூலம் எழுகிறது. இந்த பொறியியலுக்கான கட்டடக்கலை அடிப்படையின் ஒரு பகுதியாக, இந்த முக்கியமான கட்டமைப்பு தொகுதிக்கு இன்டெல்லின் சமீபத்திய வன்பொருள் பரிவர்த்தனை நினைவக (HTM) ஆதரவை ஏற்றுக்கொள்வதற்கான எங்கள் அனுபவத்தையும் முடிவுகளையும் நாங்கள் விவாதிக்கிறோம். தற்போதுள்ள தரவு அமைப்புகளில் ஒரு கரடுமுரடான பூட்டைப் பயன்படுத்தி ஒரே நேரத்தில் அணுகலை அனுமதிப்பது அதிக நூல்களுடன் ஒட்டுமொத்த செயல்திறனைக் குறைக்கிறது என்பதை நாங்கள் காண்கிறோம். இந்த வீழ்ச்சியை HTM சிறிது குறைத்தாலும், அது அதை அகற்றவில்லை. உயர் செயல்திறனை அடைவதற்கு HTM மற்றும் நுண்ணிய கிரானுலேட்டட் பூட்டுதலுக்கான வடிவமைப்புகளை இருவரும் பயனடையும் அல்காரிதமிக் தேர்வுமுறைகள் தேவை. எங்கள் செயல்திறன் முடிவுகள் எங்கள் புதிய ஹேஷ் அட்டவணை வடிவமைப்பு--- நம்பிக்கையான குக்கீ ஹேஷிங் சுற்றி அடிப்படையாகக் கொண்டது--- சிறு முக்கிய-மதிப்பு உருப்படிகளுக்கு கணிசமாக குறைந்த நினைவகத்தைப் பயன்படுத்தி கூட, எழுத-கனமான பணிச்சுமைகளுக்கு 2.5x வரை மற்ற உகந்த ஒத்திசைவான ஹேஷ் அட்டவணைகளை விட சிறந்தது என்பதை நிரூபிக்கின்றன. 16-கோர் இயந்திரத்தில், நமது ஹேஷ் அட்டவணை ஒரு வினாடிக்கு கிட்டத்தட்ட 40 மில்லியன் செருகல்களையும் 70 மில்லியனுக்கும் அதிகமான தேடல் செயல்பாடுகளையும் செய்கிறது. |
5685a394b25fcb27b6ad91f7325f2e60a9892e2a | வரைபட தரவுத்தளங்கள் (GDB) சமீபத்தில் வரைபட போன்ற கட்டமைப்பைக் கொண்ட தரவை சேமித்து நிர்வகிப்பதற்கான பாரம்பரிய தரவுத்தளங்களின் வரம்புகளை மீறுவதற்காக எழுந்துள்ளன. இன்று, அவை சமூக வலைப்பின்னல்கள் போன்ற கிராஃப் போன்ற தரவை நிர்வகிக்கும் பல பயன்பாடுகளுக்கு ஒரு தேவையை பிரதிநிதித்துவப்படுத்துகின்றன. கிராஃப் தரவுத்தளங்களில் வினவல்களை மேம்படுத்துவதற்குப் பயன்படுத்தப்படும் பெரும்பாலான நுட்பங்கள் பாரம்பரிய தரவுத்தளங்கள், விநியோக அமைப்புகள், . . . அல்லது அவை கிராஃப் கோட்பாட்டிலிருந்து ஈர்க்கப்பட்டுள்ளன. எனினும், வரைபட தரவுத்தளங்களில் அவற்றின் மறுபயன்பாடு, மாறும் கட்டமைப்பு, மிகவும் ஒன்றோடொன்று இணைக்கப்பட்ட தரவு, தரவு உறவுகளை திறம்பட அணுகுவதற்கான திறன் போன்ற வரைபட தரவுத்தளங்களின் முக்கிய பண்புகளை கவனித்துக்கொள்ள வேண்டும். இந்த ஆய்வில், கிராப் தரவுத்தளங்களில் வினவல் தேர்வுமுறை நுட்பங்களை ஆய்வு செய்கிறோம். குறிப்பாக, வரைபடங்கள் போன்ற தரவுகளைத் தேடுவதை மேம்படுத்துவதற்காக அவர்கள் அறிமுகப்படுத்தியுள்ள அம்சங்களில் கவனம் செலுத்துகிறோம். |
0541d5338adc48276b3b8cd3a141d799e2d40150 | MapReduce என்பது ஒரு நிரலாக்க மாதிரியும், அதனுடன் தொடர்புடைய ஒரு செயலாக்கமும் ஆகும். இது பெரிய தரவுத்தொகுப்புகளை செயலாக்குவதற்கும் உருவாக்குவதற்கும் ஆகும். இது பல்வேறு வகையான உண்மையான உலக பணிகளுக்கு ஏற்றது. பயனர்கள் ஒரு வரைபடம் மற்றும் குறைப்பு செயல்பாடு ஆகியவற்றின் அடிப்படையில் கணக்கீட்டைக் குறிப்பிடுகிறார்கள், மேலும் அடிப்படை இயக்க முறைமை தானாகவே கணினிகளின் பெரிய அளவிலான கொத்துகளில் கணக்கீட்டை இணையாகக் கொண்டு, இயந்திர செயலிழப்புகளை கையாளுகிறது, மற்றும் நெட்வொர்க் மற்றும் வட்டுகளை திறம்பட பயன்படுத்த இயந்திரங்களுக்கு இடையிலான தகவல்தொடர்புகளை திட்டமிடுகிறது. புரோகிராமர்கள் இந்த அமைப்பை பயன்படுத்த எளிதானது என்று கருதுகின்றனர்: கடந்த நான்கு ஆண்டுகளில் பத்தாயிரத்துக்கும் மேற்பட்ட தனித்தனி MapReduce திட்டங்கள் கூகுளில் உள்நாட்டில் செயல்படுத்தப்பட்டுள்ளன, மேலும் சராசரியாக ஒரு நாள் நூறாயிரம் MapReduce வேலைகள் கூகுளின் கிளஸ்டர்களில் செயல்படுத்தப்படுகின்றன, ஒரு நாளைக்கு மொத்தம் இருபது பெட்டாபைட்டுக்கும் அதிகமான தரவை செயலாக்குகின்றன. |
683c8f5c60916751bb23f159c86c1f2d4170e43f | |
3a116f2ae10a979c18787245933cb9f984569599 | வயர்லெஸ் சென்சார் நெட்வொர்க்குகள் (WSNs) பலவிதமான பயன்பாடுகளுக்கு ஒரு சிறந்த தீர்வாக உருவெடுத்துள்ளன. பாரம்பரிய WSN கட்டமைப்புகளில் பெரும்பாலானவை நிலையான முனைகளைக் கொண்டிருக்கின்றன, அவை ஒரு உணர்திறன் பகுதியில் அடர்த்தியாக பயன்படுத்தப்படுகின்றன. சமீபத்தில், பல WSN கட்டமைப்புகள் மொபைல் கூறுகள் (MEs) அடிப்படையில் முன்மொழியப்பட்டுள்ளன. WSN களில் தரவு சேகரிப்பு பிரச்சினையை தீர்க்க பெரும்பாலானவை இயக்கம் பயன்படுத்துகின்றன. இந்த கட்டுரையில் நாம் முதலில் WSN களை MEs உடன் வரையறுத்து, MEs இன் பாத்திரத்தின் அடிப்படையில் அவற்றின் கட்டமைப்புகளின் விரிவான வகைப்பாட்டை வழங்குகிறோம். பின்னர், இதுபோன்ற சூழ்நிலையில் தரவு சேகரிப்பு செயல்முறை பற்றிய ஒரு கண்ணோட்டத்தை முன்வைத்து, அதனுடன் தொடர்புடைய பிரச்சினைகள் மற்றும் சவால்களை அடையாளம் காணலாம். இந்த இதழ்களின் அடிப்படையில், தொடர்புடைய இலக்கியங்களின் விரிவான ஆய்வுகளை நாங்கள் வழங்குகிறோம். இறுதியாக, அடிப்படை அணுகுமுறைகள் மற்றும் தீர்வுகளை ஒப்பிட்டு, திறந்த பிரச்சினைகள் மற்றும் எதிர்கால ஆராய்ச்சி திசைகள் பற்றிய குறிப்புகளுடன். |
e7b50e3f56e21fd2a5eb34923d427a0bc6dd8905 | மைக்ரோவேவ் வடிகட்டிகளுக்கான இணைப்பு மேட்ரிக்ஸ்களின் தொகுப்பிற்கான ஒரு புதிய அணுகுமுறை இந்த ஆய்வில் வழங்கப்பட்டுள்ளது. புதிய அணுகுமுறை இணைப்பு மேட்ரிக்ஸின் தொகுப்பிற்கான தற்போதுள்ள நேரடி மற்றும் தேர்வுமுறை முறைகளில் ஒரு முன்னேற்றத்தை பிரதிபலிக்கிறது, இது ஒன்றுக்கு மேற்பட்டது இருந்தால் ஒரு நெட்வொர்க்கிற்கான அனைத்து சாத்தியமான இணைப்பு மேட்ரிக்ஸ தீர்வுகளையும் முழுமையாகக் கண்டுபிடிக்கும். இது இணைப்பு மதிப்புகள், மீளுருவாக்கம் அதிர்வெண் சமநிலையினை, ஒட்டுண்ணி இணைப்பு சகிப்புத்தன்மை போன்றவற்றின் தொகுப்பைத் தேர்ந்தெடுக்க அனுமதிக்கிறது, இது மைக்ரோவேவ் வடிகட்டியை உருவாக்க விரும்பும் தொழில்நுட்பத்திற்கு மிகவும் பொருத்தமானது. இந்த முறையின் பயன்பாட்டை நிரூபிக்க, சமீபத்தில் அறிமுகப்படுத்தப்பட்ட நீட்டிக்கப்பட்ட பெட்டி (EB) இணைப்பு மேட்ரிக்ஸ் கட்டமைப்பின் வழக்கு எடுக்கப்படுகிறது. EB என்பது ஒரு புதிய வகை வடிகட்டி அமைப்பைக் குறிக்கிறது, இது பல முக்கியமான நன்மைகளைக் கொண்டுள்ளது, அவற்றில் ஒன்று ஒவ்வொரு முன்மாதிரி வடிகட்டுதல் செயல்பாட்டிற்கும் பல இணைப்பு மேட்ரிக்ஸ் தீர்வுகள் இருப்பதாகும், எ. கா. 8 டிகிரி வழக்குகளுக்கு 16 . இந்த வழக்கு ஒரு உதாரணமாக எடுத்துக்கொள்ளப்படுகிறது - ஒரு தீர்வு இரட்டை முறை செயலாக்கத்திற்கு ஏற்றது மற்றும் சில இணைப்புகள் புறக்கணிக்கப்பட போதுமான சிறியவை. குறியீட்டு சொற்கள் - இணைப்பு மேட்ரிக்ஸ், வடிகட்டி தொகுப்பு, க்ரோப்னர் அடிப்படை, தலைகீழ் பண்பு, பல தீர்வுகள். |
a6f1dfcc44277d4cfd8507284d994c9283dc3a2f | ஒரு நபரின் தலையை கண்டுபிடித்து, கண்காணிக்கக்கூடிய ஒரு கணினி அமைப்பை நாங்கள் உருவாக்கியுள்ளோம். பின்னர், அந்த நபரின் முகத்தின் பண்புகளை மற்றவர்களுடன் ஒப்பிட்டு, அந்த நபரை அடையாளம் காணலாம். இந்த அமைப்பில் எடுக்கப்பட்ட கணக்கீட்டு அணுகுமுறை உடலியல் மற்றும் தகவல் கோட்பாடு ஆகிய இரண்டாலும், அத்துடன் கிட்டத்தட்ட நிகழ்நேர செயல்திறன் மற்றும் துல்லியத்தின் நடைமுறை தேவைகளாலும் தூண்டப்படுகிறது. எங்கள் அணுகுமுறை முகம் அங்கீகாரம் சிக்கலை ஒரு இரு பரிமாண (2-D) அங்கீகாரம் சிக்கலாக கருதுகிறது, அதற்கு பதிலாக முப்பரிமாண வடிவியல் மீட்பு தேவைப்படுகிறது, முகங்கள் பொதுவாக செங்குத்தாக இருப்பதைப் பயன்படுத்தி, எனவே ஒரு சிறிய தொகுப்பு 2-D பண்பு காட்சிகள் மூலம் விவரிக்கப்படலாம். இந்த அமைப்பு முகங்களின் படங்களை ஒரு அம்ச இடத்திற்கு திட்டமிடுவதன் மூலம் செயல்படுகிறது, இது அறியப்பட்ட முகங்களின் படங்களுக்கிடையேயான குறிப்பிடத்தக்க மாறுபாடுகளை உள்ளடக்கியது. குறிப்பிடத்தக்க அம்சங்கள் "eigenfaces" என அழைக்கப்படுகின்றன, ஏனெனில் அவை முகங்களின் தொகுப்பின் சொந்த திசையன்கள் (முக்கிய கூறுகள்); அவை கண்கள், காதுகள் மற்றும் மூக்கு போன்ற அம்சங்களுக்கு அவசியமாக பொருந்தாது. திட்ட செயல்பாடு ஒரு தனிப்பட்ட முகத்தை சுய முக அம்சங்களின் எடை கொண்ட தொகையால் வகைப்படுத்துகிறது, எனவே ஒரு குறிப்பிட்ட முகத்தை அடையாளம் காண இந்த எடைகளை அறியப்பட்ட நபர்களுடன் ஒப்பிடுவது மட்டுமே அவசியம். நமது அணுகுமுறையின் சில சிறப்பு நன்மைகள் என்னவென்றால், அது கற்றல் மற்றும் பின்னர் புதிய முகங்களை ஒரு மேற்பார்வை இல்லாத முறையில் அடையாளம் காணும் திறனை வழங்குகிறது, மேலும் இது ஒரு நரம்பியல் நெட்வொர்க் கட்டமைப்பைப் பயன்படுத்தி செயல்படுத்த எளிதானது. |
b217788dd6d274ad391ee950e6f6a34033bd2fc7 | பல அடுக்கு பெர்செப்டிரான், பின்னோக்கி பரவலைப் பயன்படுத்தி ஒரு வகைப்படுத்தியாகப் பயிற்றுவிக்கப்பட்டால், பேஸ் உகந்த பாகுபடுத்தும் செயல்பாட்டை நெருங்குவதாகக் காட்டப்படுகிறது. இரண்டு வகுப்பு பிரச்சனை மற்றும் பல வகுப்புகளுக்கு முடிவு நிரூபிக்கப்பட்டுள்ளது. பல அடுக்கு உணர்வின் வெளியீடுகள் பயிற்சி பெற்ற வகுப்புகளின் பின்னோக்கி நிகழ்தகவு செயல்பாடுகளை நெருங்குகின்றன என்பது நிரூபிக்கப்பட்டுள்ளது. இந்த சான்று எந்த எண்ணிக்கையிலான அடுக்குகளுக்கும், எந்த வகையான யூனிட் ஆக்டிவேஷன் செயல்பாட்டிற்கும் பொருந்தும், நேரியல் அல்லது நேரியல் அல்லாதது. |
647cb3825baecb6fab8b098166d5a446f7711f9b | சமீபத்திய ஆண்டுகளில், ஆழமான உருவாக்கும் மாதிரிகள் படங்கள், ஆடியோ மற்றும் வீடியோ போன்ற உயர் பரிமாண அவதானிப்புகளை கற்பனை செய்ய நிரூபிக்கப்பட்டுள்ளன, மூல தரவுகளிலிருந்து நேரடியாக கற்றுக்கொள்கின்றன. இந்த வேலையில், இலக்கு-திசைப்படுத்தப்பட்ட காட்சித் திட்டங்களை எவ்வாறு கற்பனை செய்வது என்று நாங்கள் கேட்கிறோம் - ஒரு மாறும் அமைப்பை அதன் தற்போதைய உள்ளமைவிலிருந்து விரும்பிய இலக்கு நிலைக்கு மாற்றுவதற்கான அனுமானிக்கத்தக்க தொடர் கண்காணிப்புகள், பின்னர் கட்டுப்பாட்டுக்கான குறிப்பு பாதையாகப் பயன்படுத்தப்படலாம். நாம் படங்கள் போன்ற உயர் பரிமாண கண்காணிப்புகளுடன் அமைப்புகளில் கவனம் செலுத்துகிறோம், மற்றும் இயற்கையாக பிரதிநிதித்துவ கற்றல் மற்றும் திட்டமிடல் இணைக்கும் ஒரு அணுகுமுறை முன்மொழிய. நமது கட்டமைப்பு தொடர்ச்சியான கண்காணிப்புகளின் ஒரு உருவாக்கும் மாதிரியை கற்றுக்கொள்கிறது, அங்கு உருவாக்கும் செயல்முறை குறைந்த பரிமாண திட்டமிடல் மாதிரியில் ஒரு மாற்றத்தால் தூண்டப்படுகிறது, மேலும் கூடுதல் சத்தம். உருவாக்கப்பட்ட அவதானிப்புகளுக்கும் திட்டமிடல் மாதிரியில் மாற்றத்திற்கும் இடையிலான பரஸ்பர தகவலை அதிகரிப்பதன் மூலம், தரவுகளின் காரண இயல்பை சிறப்பாக விளக்கும் ஒரு குறைந்த பரிமாண பிரதிநிதித்துவத்தைப் பெறுகிறோம். திட்டமிடல் மாதிரியை திறமையான திட்டமிடல் வழிமுறைகளுடன் இணக்கமாக அமைக்க நாங்கள் திட்டமிடுகிறோம், மேலும் இதுபோன்ற பல மாதிரிகளை தனித்தனி அல்லது தொடர்ச்சியான நிலைகளின் அடிப்படையில் முன்மொழிகிறோம். இறுதியாக, ஒரு காட்சித் திட்டத்தை உருவாக்க, தற்போதைய மற்றும் இலக்குக் கண்காணிப்புகளை திட்டமிடல் மாதிரியில் அவற்றின் அந்தந்த நிலைகளில் திட்டமிடுகிறோம், ஒரு பாதையைத் திட்டமிடுகிறோம், பின்னர் பாதையை ஒரு தொடர் கண்காணிப்புகளாக மாற்ற ஜெனரேடிவ் மாதிரியைப் பயன்படுத்துகிறோம். கயிறு கையாளுதலின் நம்பகமான காட்சி திட்டங்களை கற்பனை செய்வதில் எங்கள் முறையை நாங்கள் நிரூபிக்கிறோம்3. |
a63b97291149bfed416aa9e56a21314069540a7b | குறிக்கோள் கவனக்குறைவு/அதிக செயல்திறன் கோளாறு (ADHD) உள்ள குழந்தைகள் மற்றும் இளைஞர்களில் வேலை நினைவக (WM) செயல்முறைகளில் குறைபாடுகளுக்கான அனுபவ சான்றுகளை தீர்மானிக்க. முறை ADHD உள்ள குழந்தைகளில் WM குறைபாடுகள் உள்ளதா என்பதை ஆராய்ச்சி ரீதியான மெட்டா பகுப்பாய்வு நடைமுறைகள் பயன்படுத்தப்பட்டன. 1997 முதல் 2003 டிசம்பர் வரை வெளியிடப்பட்ட இருபத்தி ஆறு அனுபவ ஆராய்ச்சி ஆய்வுகள் (முந்தைய மதிப்பாய்வுக்குப் பிறகு) எங்கள் சேர்க்கை அளவுகோல்களை பூர்த்தி செய்தன. உடல்நலக் கட்டுப்பாட்டு நடவடிக்கைகள் (மொழி, இடவியல்) மற்றும் தேவையான செயலாக்க வகை (சேமிப்பு மற்றும் சேமிப்பு/கையாளுதல்) ஆகிய இரண்டின் அடிப்படையிலும் வகைப்படுத்தப்பட்டன. முடிவுகள் ADHD உடைய குழந்தைகள் WM இன் பல கூறுகளில் குறைபாடுகளைக் காட்டினர், அவை மொழி கற்றல் கோளாறுகள் மற்றும் பொது அறிவு திறனில் பலவீனங்களுடன் இணைந்திருந்தன. மொழியியல் நினைவகத்திற்கும் (முயற்சி அளவு = 0. 85, CI = 0. 62 - 1. 08) மற்றும் இடஞ்சார்ந்த மத்திய நிர்வாக WM (முயற்சி அளவு = 1. 06, நம்பிக்கை இடைவெளி = 0. 72- 1. 39) மொழியியல் நினைவகத்திற்கும் (முயற்சி அளவு = 0. 47, நம்பிக்கை இடைவெளி = 0. 36- 0. 59) மற்றும் வாய்மொழி மத்திய நிர்வாக WM (முயற்சி அளவு = 0. 43, நம்பிக்கை இடைவெளி = 0. 24- 0. 62) விட அதிகமான ஒட்டுமொத்த விளைவு அளவுகள் இருந்தன. ADHD உள்ள குழந்தைகளில் WM குறைபாடுகள் பற்றிய சான்றுகள் ADHD இல் WM செயல்முறைகளை உள்ளடக்கிய சமீபத்திய கோட்பாட்டு மாதிரிகளை ஆதரிக்கிறது. ADHD-க்கு ஏற்படும் குறைபாடுகளின் தன்மை, தீவிரத்தன்மை, மற்றும் குறிப்பிட்ட தன்மை ஆகியவற்றை இன்னும் தெளிவாக வரையறுக்க எதிர்கால ஆராய்ச்சி தேவைப்படுகிறது. |
49e77b981a0813460e2da2760ff72c522ae49871 | ஆழமான கற்றல் என்பது பல்வேறு இயந்திர கற்றல் பணிகளில் மற்ற அணுகுமுறைகளை விட அதிக செயல்திறன் கொண்டதாக இருக்க பெரிய தரவுத்தொகுப்புகள் மற்றும் கணக்கீட்டு திறன் கொண்ட பயிற்சி வழிமுறைகளை பயன்படுத்துகிறது. இருப்பினும், ஆழமான நரம்பியல் நெட்வொர்க்குகளின் பயிற்சி கட்டத்தில் உள்ள குறைபாடுகள் அவற்றை எதிர்க்கும் மாதிரிகளுக்கு பாதிக்கக்கூடியதாக ஆக்குகின்றன: ஆழமான நரம்பியல் நெட்வொர்க்குகள் தவறாக வகைப்படுத்தப்படுவதற்கு காரணமாக இருப்பதற்காக எதிரிகளால் வடிவமைக்கப்பட்ட உள்ளீடுகள். இந்த பணியில், ஆழமான நரம்பியல் நெட்வொர்க்குகளுக்கு (டி.என்.என்) எதிராக எதிரிகளின் இடத்தை நாங்கள் முறையாக உருவாக்குகிறோம், மேலும் டி.என்.என் இன் உள்ளீடுகள் மற்றும் வெளியீடுகளுக்கு இடையிலான வரைபடத்தின் துல்லியமான புரிதலின் அடிப்படையில் எதிரி மாதிரிகளை வடிவமைக்க ஒரு புதிய வகை வழிமுறைகளை அறிமுகப்படுத்துகிறோம். கணினி பார்வைக்கான பயன்பாட்டில், நமது வழிமுறைகள் மனிதர்களால் சரியாக வகைப்படுத்தப்பட்ட மாதிரிகளை நம்பகத்தன்மையுடன் உருவாக்க முடியும் என்பதைக் காட்டுகிறோம், ஆனால் ஒரு டி.என்.என் மூலம் குறிப்பிட்ட இலக்குகளில் தவறாக வகைப்படுத்தப்படுகிறது 97% எதிர்க்கும் வெற்றி விகிதத்துடன், ஒரு மாதிரிக்கு உள்ளீட்டு அம்சங்களில் சராசரியாக 4.02% மட்டுமே மாற்றியமைக்கப்படுகிறது. பின்னர் கடினத்தன்மை அளவை வரையறுப்பதன் மூலம் எதிர்மறை பாதிப்புகளுக்கு வெவ்வேறு மாதிரி வகுப்புகளின் பாதிப்பை மதிப்பீடு செய்கிறோம். இறுதியாக, ஒரு நல்ல உள்ளீடு மற்றும் இலக்கு வகைப்பாடு இடையே தூரத்தை ஒரு கணிப்பு அளவீடு வரையறுப்பதன் மூலம் எதிர்க்கும் மாதிரிகள் எதிராக பாதுகாப்புகள் கோடிட்டு முன்னுரிமை வேலை விவரிக்கிறது. |
3f52f57dcfdd1bb0514ff744f4fdaa986a325591 | ஆப்பிளின் மேக்புக் ஃபார்ம்வேர் பாதுகாப்பில் பல குறைபாடுகள் உள்ளன, இது நம்பகமற்ற மாற்றங்களை இந்த மடிக்கணினிகளின் SPI ஃப்ளாஷ் துவக்க ROM இல் எழுத அனுமதிக்கிறது. இந்த திறன் ஆப்பிள் மேக்புக் தயாரிப்பு வரிசைக்கான ஒரு புதிய வகையான நீடித்த ஃபார்ம்வேர் ரூட்கிட்கள் அல்லது பூட்கிட்களை குறிக்கிறது. மறைமுகமாக இயங்கும் பூட்கிட்கள் தங்களைக் கண்டறிவதிலிருந்து மறைத்து அவற்றை அகற்ற மென்பொருள் முயற்சிகளைத் தடுக்கலாம். துவக்க ரோம்-இல் தீங்கிழைக்கும் மாற்றங்கள் இயக்க முறைமையை மீண்டும் நிறுவுவதற்கும், வன் மாற்றப்படுவதற்கும் கூட உயிர்வாழ முடியும். கூடுதலாக, தீம்பொருள் மற்ற தண்டர்போல்ட் சாதனங்களின் விருப்ப ROM களில் தன்னைப் பற்றிய ஒரு நகலை நிறுவ முடியும். இது காற்று இடைவெளி பாதுகாப்பு சுற்றளவுகளில் வைரஸ் பரவுவதற்கான ஒரு வழியாகும். ஆப்பிள் இந்த குறைபாடுகளில் சிலவற்றை CVE 2014-4498 இன் ஒரு பகுதியாக சரிசெய்தது, ஆனால் இந்த வகையான பாதிப்புக்கு எளிதான தீர்வு இல்லை, ஏனெனில் மேக்புக்கில் ஃபார்ம்வேரின் குறியாக்க சரிபார்ப்பை துவக்க நேரத்தில் செய்ய நம்பகமான வன்பொருள் இல்லை. |
3b3acbf7cc2ec806e4177eac286a2ee22f6f7630 | இந்த ஆவணம் 110-GHz-க்கு மேல் அலைவரிசை-அகலவரிசை 2:1 அனலாக் மல்டிபிளெக்ஸர் (AMUX) ஐ அல்ட்ரா-பிராட் பேண்ட் டிஜிட்டல்-க்கு-அனலாக் (D/A) மாற்றும் துணை அமைப்புகளுக்கு வழங்குகிறது. AMUX புதிதாக உருவாக்கப்பட்ட $\pmb{0.25-\mu \mathrm{m}}$ -மின்னொளி-அகல InP இரட்டை ஹெட்டோஜுன்ஷன் இருமுனை டிரான்சிஸ்டர்களை (DHBTs) பயன்படுத்தி வடிவமைக்கப்பட்டு தயாரிக்கப்பட்டது, அவை முறையே 460 மற்றும் 480 GHz இன் உச்ச $\pmb{f_{\mathrm{T}}}$ மற்றும் $\pmb{f\displaystyle \max}$ கொண்டவை. AMUX IC ஆனது தரவு-உள்ளீட்டு நேரியல் பஃப்பர்கள், கடிகார-உள்ளீட்டு வரம்பு பஃப்பர், ஒரு AMUX மையம் மற்றும் ஒரு வெளியீட்டு நேரியல் பஃப்பர் உள்ளிட்ட ஒட்டுமொத்த கட்டமைப்பு தொகுதிகளைக் கொண்டுள்ளது. தரவு மற்றும் கடிகார பாதைகளுக்கான அளவிடப்பட்ட 3-டிபி அலைவரிசை அகலம் 110 GHz க்கும் அதிகமாக உள்ளது. கூடுதலாக, இது 180 GS/s வரை கால-டொமைன் பெரிய சமிக்ஞை மாதிரி செயல்பாடுகளை அளவிடுகிறது மற்றும் பெறுகிறது. இந்த AMUX ஐப் பயன்படுத்தி 224-Gb/s (112-GBaud) நான்கு நிலை துடிப்பு-அதிரடி மாறுபாடு (PAM4) சமிக்ஞை வெற்றிகரமாக உருவாக்கப்பட்டது. எங்களது சிறந்த அறிவுக்கு, இந்த AMUX IC ஆனது பரந்த அலைவரிசையையும், முன்னர் அறிவிக்கப்பட்ட மற்ற AMUX களுடன் ஒப்பிடும்போது மிக வேகமான மாதிரி விகிதத்தையும் கொண்டுள்ளது. |
4dd7721248c5489e25f46f7ab78c7d0229a596d4 | இந்த ஆவணம் முழுமையாக ஒருங்கிணைந்த RF ஆற்றல்-அறுவடை முறையை அறிமுகப்படுத்துகிறது. இந்த அமைப்பு, வெளிப்புற DC சுமைகளால் தேவைப்படும் மின்னோட்டத்தை ஒரே நேரத்தில் வழங்கலாம் மற்றும் கூடுதல் வெளியீட்டு சக்தி காலங்களில், வெளிப்புற மின்தேக்கிகளில் கூடுதல் ஆற்றலை சேமிக்க முடியும். இந்த வடிவமைப்பு 0.18- $\mu \text{m}$ CMOS தொழில்நுட்பத்தில் தயாரிக்கப்பட்டுள்ளது, மேலும் செயலில் உள்ள சிப் பகுதி 1.08 மிமீ 2 ஆகும். முன்மொழியப்பட்ட சுய-தொடக்க அமைப்பு ஒருங்கிணைந்த எல்சி பொருந்தும் நெட்வொர்க், ஒரு RF திருத்தி, மற்றும் ஒரு சக்தி மேலாண்மை / கட்டுப்பாட்டு அலகு, 66-157 nW நுகரும் மறுசீரமைக்கப்படுகிறது. தேவையான கடிகார உற்பத்தி மற்றும் மின்னழுத்த குறிப்பு சுற்று ஆகியவை ஒரே சிப்பில் ஒருங்கிணைக்கப்பட்டுள்ளன. தேவையான வெளியீட்டு சக்தியை வழங்க முடியாத குறைந்த உள்ளீட்டு சக்திக்காக வேலை சுழற்சி கட்டுப்பாடு பயன்படுத்தப்படுகிறது. மேலும், RF திருத்திக் கொள்ளும் கட்டங்களின் எண்ணிக்கை, கிடைக்கக்கூடிய வெளியீட்டு சக்தியின் செயல்திறனை அதிகரிக்க மறுசீரமைக்கக்கூடியது. அதிக திறன் கொண்ட மின்சாரத்திற்கு, ஒரு வெளிப்புற ஆற்றல் சேமிப்பு உறுப்பை சார்ஜ் செய்ய ஒரு இரண்டாம் நிலை பாதை செயல்படுத்தப்படுகிறது. அளவிடப்பட்ட RF உள்ளீட்டு சக்தி உணர்திறன் -14.8 dBm ஆகும். |
7314be5cd836c8f06bd1ecab565b00b65259eac6 | பெரிய ஆவண காப்பகங்களை நிர்வகிப்பதற்கான தீர்வுகளை வழங்கும் அல்காரிதம்களின் தொகுப்பை ஆய்வு செய்தல். |
f0eace9bfe72c2449f76461ad97c4042d2a7141b | இந்த கடிதத்தில், W-பந்தத்தில் ஒரு புதிய ஆன்டெனா-இன்-பேக்கேஜ் (AiP) தொழில்நுட்பம் முன்மொழியப்பட்டுள்ளது. இந்த தொழில்நுட்பம், உலோகப் பொதிகளை அதிக இயந்திர வலிமைக்கு ஏற்ப பயன்படுத்த வேண்டும் என்ற சிறப்பு வழக்கைத் தீர்க்க முன்வைக்கப்படுகிறது. பல அடுக்கு குறைந்த வெப்பநிலை இணை-உருவாக்கப்பட்ட பீங்கான் (LTCC) தொழில்நுட்பத்தின் நன்மைகளைப் பயன்படுத்தி, ஆண்டெனாவின் கதிர்வீச்சு செயல்திறனைப் பராமரிக்க முடியும். இதற்கிடையில், உயர் இயந்திர வலிமை மற்றும் கவச செயல்திறன் ஆகியவை அடையப்படுகின்றன. AIPயின் முன்மாதிரி வடிவமைக்கப்பட்டுள்ளது. இந்த முன்மாதிரி ஒருங்கிணைந்த LTCC ஆண்டெனா, குறைந்த இழப்பு ஊட்டி, மற்றும் ஒரு தட்டையான கொம்பு துளை கொண்ட உலோக தொகுப்பு ஆகியவற்றை உருவாக்குகிறது. இந்த LTCC ஊட்டி லேமினேட் வேவ் கையேடு (LWG) மூலம் உருவாக்கப்படுகிறது. LTCC-யில் புதைக்கப்பட்ட ஒரு LWG குழி, ஆண்டெனாவின் தடை அலைவரிசையை விரிவுபடுத்துவதற்கு பயன்படுத்தப்படுகிறது. மின்னணு காந்த (EM) உருவகப்படுத்துதல்கள் மற்றும் ஆண்டெனா செயல்திறன் அளவீடுகள் முழு அதிர்வெண் வரம்பிலும் நன்கு ஒத்துப்போகின்றன. முன்மொழியப்பட்ட முன்மாதிரி 88 முதல் 98 GHz வரை 10 GHz -10-dB தடை அலைவரிசை அகலத்தையும் 89 GHz இல் 12.3 dBi உச்ச ஆதாயத்தையும் அடைகிறது. |
2077d0f30507d51a0d3bbec4957d55e817d66a59 | இயற்கை காட்சிகளின் புள்ளிவிவரங்களைக் கைப்பற்றும் பொதுவான, வெளிப்பாட்டு பட முன்னோட்டங்களைக் கற்றுக்கொள்வதற்கான ஒரு கட்டமைப்பை நாங்கள் உருவாக்குகிறோம், மேலும் பல்வேறு இயந்திர பார்வை பணிகளுக்கு பயன்படுத்தலாம். இந்த அணுகுமுறை பாரம்பரிய மார்கோவ் சீரற்ற புலம் (MRF) மாதிரிகளை விரிவாக்கப்பட்ட பிக்சல் அண்டை நாடுகளில் சாத்தியமான செயல்பாடுகளைக் கற்றுக்கொள்வதன் மூலம் விரிவுபடுத்துகிறது. பல நேரியல் வடிகட்டி பதில்களின் நேரியல் அல்லாத செயல்பாடுகளை பயன்படுத்தும் ஒரு தயாரிப்பு-நிபுணர் கட்டமைப்பைப் பயன்படுத்தி புலம் திறன்கள் மாதிரியாக அமைக்கப்படுகின்றன. முந்தைய MRF அணுகுமுறைகளுக்கு மாறாக, நேரியல் வடிகட்டிகள் உட்பட அனைத்து அளவுருக்களும் பயிற்சி தரவுகளிலிருந்து கற்றுக்கொள்ளப்படுகின்றன. இந்த நிபுணர்களின் துறையின் மாதிரி திறன்களை இரண்டு எடுத்துக்காட்டு பயன்பாடுகளுடன் காண்பிக்கிறோம், பட denoising மற்றும் பட inpainting, இது ஒரு எளிய, தோராயமான ஊகத் திட்டத்தைப் பயன்படுத்தி செயல்படுத்தப்படுகிறது. இந்த மாதிரி ஒரு பொதுவான படத் தரவுத்தளத்தில் பயிற்சி பெற்றாலும், குறிப்பிட்ட பயன்பாட்டிற்கு ஏற்ப அமைக்கப்படவில்லை என்றாலும், சிறப்பு நுட்பங்களுடன் போட்டியிடும் மற்றும் சிறப்பாக செயல்படும் முடிவுகளை நாம் பெறுகிறோம். |
214658334c581f0d18b9a871928e91b6e4f83be7 | இந்த யோசனை சுவிட்ச் செய்யப்பட்ட மின்தேக்கி டோபோலஜிக்கு ஒத்ததாகும், இதில் ஒரு மின்தேக்கி அல்லது மின்தேக்கி வங்கிகள் வோல்டேஜ்களை சமநிலைப்படுத்த பேட்டரியின் செல்கள் முழுவதும் சுவிட்ச் செய்யப்படுகின்றன. ஒரு அடிப்படை பேட்டரி செல் மாதிரி செல் திறன் விளைவு காரணமாக கொள்ளளவு அடங்கும் என்பதால், இந்த திறன் விளைவு செல் சமநிலைப்படுத்தல் பயன்படுத்த முடியும். எனவே, சுவிட்ச் செய்யப்பட்ட மின்தேக்கி டோபோலஜிகளில் சமநிலைப்படுத்தும் மின்தேக்கிகளை அகற்றலாம் மற்றும் பேட்டரியின் செல்களை ஒருவருக்கொருவர் மாற்றலாம். இது வேகமான ஆற்றல் பரிமாற்றத்தை அனுமதிக்கிறது, இதனால் விரைவான சமநிலைக்கு வழிவகுக்கிறது. முன்மொழியப்பட்ட டோபோலஜி, மின்சார மின்னணு சுற்றுகளில் அடிக்கடி செயலிழக்கும் மின்தேக்கிகள் போன்ற கூடுதல் ஆற்றல் சேமிப்பு கூறுகளின் தேவையை நீக்குகிறது, கூடுதல் ஆற்றல் சேமிப்பு கூறுகளால் செருகப்பட்ட இழப்புகளையும், சுற்றுகளின் செலவு மற்றும் அளவையும் குறைக்கிறது மற்றும் கட்டுப்பாட்டு வழிமுறையை எளிதாக்குகிறது. முன்மொழியப்பட்ட சமநிலைப்படுத்தும் சுழற்சியை பயன்பாட்டுத் தேவைக்கு ஏற்ப செயல்படுத்த முடியும். முன்மொழியப்பட்ட டோபோலஜி MATLAB/Simulink சூழலில் உருவகப்படுத்தப்பட்டுள்ளது மற்றும் சுவிட்ச் கண்டெப்டேட்டர் டோபோலஜிகளுடன் ஒப்பிடும்போது சமநிலைப்படுத்தும் வேகத்தின் அடிப்படையில் சிறந்த முடிவுகளைக் காட்டியது. பேட்டரிகளின் ஆயுட்காலம் நீட்டிக்கவும், பேட்டரிகளிலிருந்து அதிகபட்ச சக்தியைப் பெறவும் செல் சமநிலைப்படுத்தும் சுற்றுகள் முக்கியம். பேட்டரி தொகுப்புகளில் செல் சமநிலைப்படுத்தலுக்காக பல சக்தி மின்னணுவியல் டோபோலஜிகள் முயற்சி செய்யப்பட்டுள்ளன. செயலில் உள்ள செல் சமநிலைப்படுத்தும் டோபோலஜிகள் அதிக செயல்திறன் கொண்ட செல்களிலிருந்து குறைந்த செயல்திறன் கொண்ட செல்களுக்கு ஆற்றலை மாற்றுகின்றன, இது தூண்டல்-கனப்படுத்தி அல்லது மின்மாற்றி-கனப்படுத்தி அல்லது சுவிட்ச் செய்யப்பட்ட மின்தேக்கி அல்லது சுவிட்ச் செய்யப்பட்ட தூண்டல் போன்ற ஆற்றல் சேமிப்பு கூறுகளைப் பயன்படுத்தி பேட்டரியின் செல்கள் முழுவதும் மின்னழுத்தங்களை சமநிலைப்படுத்தும். இந்த ஆய்வில் எந்தவொரு ஆற்றல் சேமிப்பு உறுப்பு பயன்படுத்தாமல் ஒரு செயலில் சமநிலைப்படுத்தும் டோபோலஜி முன்மொழியப்பட்டுள்ளது. |
0c04909ed933469246defcf9aca2b71ae8e3f623 | இந்த புத்தகத்தின் இரண்டாவது பதிப்பில் உள்ள முக்கிய மாற்றம், நிகழ்தகவு மீட்பு குறித்த புதிய அத்தியாயத்தை சேர்ப்பது ஆகும். இந்த அத்தியாயம் சேர்க்கப்பட்டுள்ளது ஏனெனில் நான் இந்த தகவல் மீட்பு ஆராய்ச்சி மிகவும் சுவாரஸ்யமான மற்றும் செயலில் பகுதிகளில் ஒன்றாகும் என்று நினைக்கிறேன். இன்னும் தீர்க்கப்பட வேண்டிய பல பிரச்சினைகள் உள்ளன எனவே இந்த குறிப்பிட்ட அத்தியாயம் இந்த பகுதியில் அறிவு நிலைமையை முன்னேற்ற விரும்புவோருக்கு சில உதவிகளை வழங்கும் என்று நம்புகிறேன். மற்ற அத்தியாயங்கள் அனைத்தும், இதில் உள்ளடக்கப்பட்ட தலைப்புகளில் சமீபத்திய வேலைகள் சிலவற்றை உள்ளடக்கியதன் மூலம் புதுப்பிக்கப்பட்டுள்ளன. இந்த நூலின் பொருள் தகவல் அறிவியல் (அல்லது கணினி) அறிவியலில் முதுகலை மாணவர்கள், முதுகலை நூலக அறிவியல் மாணவர்கள் மற்றும் IR துறையில் ஆராய்ச்சி செய்பவர்களை இலக்காகக் கொண்டது. சில அத்தியாயங்கள், குறிப்பாக 6ம் அத்தியாயம் *, சற்று மேம்பட்ட கணிதத்தை எளிமையாக பயன்படுத்துகிறது. இருப்பினும், தேவையான கணித கருவிகள் இப்போது இருக்கும் ஏராளமான கணித நூல்களிலிருந்து எளிதாக மாஸ்டர் செய்யப்படலாம், எந்தவொரு சந்தர்ப்பத்திலும், கணிதங்கள் நிகழ்கின்ற இடங்களில் குறிப்புகள் வழங்கப்பட்டுள்ளன. விளக்கத்தின் தெளிவையும் குறிப்புகளின் அடர்த்தியையும் சமநிலைப்படுத்துவதற்கான பிரச்சினையை நான் எதிர்கொள்ள வேண்டியிருந்தது. நான் அதிக எண்ணிக்கையிலான குறிப்புகளை கொடுக்க ஆசைப்பட்டேன் ஆனால் அவை உரையின் தொடர்ச்சியை அழித்துவிடும் என்று பயந்தேன். தகவல் அறிவியல் மற்றும் தொழில்நுட்பத்தின் வருடாந்திர ஆய்வுக்கு போட்டியிடாமல், நடுத்தர வழியில் செல்ல முயற்சித்தேன். பொதுவாக ஒரு புத்தகம் அல்லது காலப்பகுதி போன்ற சில எளிதில் அணுகக்கூடிய வடிவத்தில் வெளியிடப்பட்ட படைப்புகளை மட்டுமே மேற்கோள் காட்ட ஒருவர் ஊக்குவிக்கப்படுகிறார். துரதிருஷ்டவசமாக, IR இல் உள்ள சுவாரஸ்யமான வேலைகள் பெரும்பாலும் தொழில்நுட்ப அறிக்கைகள் மற்றும் பி.எச்.டி. ஆய்வறிக்கைகளில் உள்ளன. உதாரணமாக, கார்னெல் பல்கலைக்கழகத்தில் ஸ்மார்ட் அமைப்பில் மேற்கொள்ளப்பட்ட பெரும்பாலான பணிகள் அறிக்கைகளில் மட்டுமே கிடைக்கின்றன. அதிர்ஷ்டவசமாக இவற்றில் பல இப்போது தேசிய தொழில்நுட்ப தகவல் சேவை (அமெரிக்கா) மற்றும் பல்கலைக்கழக மைக்ரோஃபில்ம்ஸ் (இங்கிலாந்து) மூலம் கிடைக்கின்றன. அதே பொருள் வேறு வடிவத்தில் எளிதாக அணுகக்கூடியதாக இருந்தால் நான் அதை முன்னுரிமை அளித்தாலும், இந்த ஆதாரங்களைப் பயன்படுத்துவதை நான் தவிர்க்கவில்லை. எனக்கு உதவி செய்த பலருக்கும், நிறுவனங்களுக்கும் நான் கடன்பட்டிருக்கிறேன் என்பதை ஒப்புக் கொள்ள விரும்புகிறேன். இந்த புத்தகத்தில் உள்ள பல கருத்துக்களுக்கு அவர்கள் தான் பொறுப்பு என்று முதலில் சொல்லட்டும் ஆனால் நான் மட்டுமே பொறுப்பு என்று கூற விரும்புகிறேன். தகவல் மீட்டெடுப்பை ஒரு பரிசோதனை அறிவியலாக ஆராய்ச்சி செய்ய எனக்கு கற்றுக் கொடுத்த கரன் ஸ்பார்க் ஜோன்ஸுக்கு நான் மிகவும் கடமைப்பட்டிருக்கிறேன். நிக் ஜார்டின் மற்றும் ராபின் ... |
3cfbb77e5a0e24772cfdb2eb3d4f35dead54b118 | சூழல்-முன்னறிவிப்பு மாதிரிகள் (அதிக பொதுவாக உட்பொதிப்புகள் அல்லது நரம்பியல் மொழி மாதிரிகள் என அழைக்கப்படுகின்றன) விநியோக சொற்பொருள் தொகுதியில் புதிய குழந்தைகள். இந்த மாதிரிகளைச் சுற்றியுள்ள சலசலப்பு இருந்தபோதிலும், இலக்கியத்தில் இன்னும் கணிக்கக்கூடிய மாதிரிகள் பாரம்பரிய, எண்ணிக்கை-வெக்டார் அடிப்படையிலான விநியோக சொற்பொருள் அணுகுமுறைகளுடன் முறையான ஒப்பீடு இல்லை. இந்த ஆய்வில், நாம் ஒரு பரந்த அளவிலான சொற்களஞ்சிய சொற்பொருள் பணிகள் மற்றும் பல அளவுரு அமைப்புகளில் ஒரு விரிவான மதிப்பீட்டை மேற்கொள்கிறோம். இதன் முடிவுகள், நம்முடைய ஆச்சரியத்திற்கு, இந்த பரபரப்பு முழுமையாக நியாயப்படுத்தப்பட்டுள்ளது என்பதைக் காட்டுகிறது, ஏனென்றால் சூழல்-முன்னறிவிப்பு மாதிரிகள் அவர்களின் எண்ணிக்கை அடிப்படையிலான சகாக்களுக்கு எதிராக முழுமையான மற்றும் வலுவான வெற்றியைப் பெறுகின்றன. |
9ec20b90593695e0f5a343dade71eace4a5145de | 1 மாணவர், திணைக்களம். ஆழ்கல்வியியல் ஆராய்ச்சிக்கான புதிய பகுதியாக ஆழ்கல்வி உருவாகியுள்ளது. இது ஒரு மனித மூளை போல செயல்படுவதை நோக்கமாகக் கொண்டுள்ளது, சிக்கலான தரவுகளிலிருந்து கற்றுக்கொள்ளவும் செயலாக்கவும் திறன் கொண்டது, மேலும் சிக்கலான பணிகளையும் தீர்க்க முயற்சிக்கிறது. இதன் காரணமாக, இது உரை, ஒலி, படங்கள் போன்ற பல்வேறு துறைகளில் பயன்படுத்தப்படுகிறது. இயற்கை மொழி செயல்முறை ஆழமான கற்றல் நுட்பங்களால் பாதிக்கப்படத் தொடங்கியுள்ளது. இயற்கை மொழி செயலாக்கத்தில் ஆழமான கற்றலின் சமீபத்திய வளர்ச்சிகள் மற்றும் பயன்பாடுகளை இந்த ஆராய்ச்சி ஆவணம் எடுத்துக்காட்டுகிறது. |
cc13fde0a91f4d618e6af66b49690702906316ae | சமீபத்திய ஆண்டுகளில் கிளவுட் கம்ப்யூட்டிங் மற்றும் பெரிய தரவு சகாப்தத்தின் வளர்ச்சி பாரம்பரிய முடிவு மர வழிமுறைகளுக்கு சவால்களைக் கொண்டுவருகிறது. முதலாவதாக, தரவுத்தொகுப்பின் அளவு மிகவும் பெரியதாக இருப்பதால், முடிவு மரத்தை உருவாக்கும் செயல்முறை மிகவும் நேரத்தை எடுத்துக்கொள்ளும். இரண்டாவதாக, தரவு இனி நினைவகத்தில் பொருந்தாது என்பதால், சில கணக்கீடுகள் வெளிப்புற சேமிப்பகத்திற்கு நகர்த்தப்பட வேண்டும், எனவே I / O செலவு அதிகரிக்கிறது. இந்த நோக்கத்திற்காக, MapReduce நிரலாக்க மாதிரியைப் பயன்படுத்தி ஒரு வழக்கமான முடிவு மரம் வழிமுறையை, C4.5 ஐ செயல்படுத்த முன்மொழிகிறோம். குறிப்பாக, பாரம்பரிய அல்காரிதத்தை ஒரு தொடர் வரைபட மற்றும் குறைப்பு நடைமுறைகளாக மாற்றுகிறோம். தவிர, தகவல்தொடர்பு செலவைக் குறைக்க சில தரவு கட்டமைப்புகளை நாங்கள் வடிவமைக்கிறோம். நாங்கள் ஒரு பெரிய தரவுத் தொகுப்பில் விரிவான பரிசோதனைகளை மேற்கொள்கிறோம். இதன் முடிவுகள், நமது வழிமுறை நேர செயல்திறன் மற்றும் அளவிடக்கூடிய தன்மை ஆகிய இரண்டையும் வெளிப்படுத்துகிறது என்பதைக் காட்டுகிறது. |
d73a71fa24b582accb934a9c2308567376ff396d | 3டி புவி தரவுத்தள ஆராய்ச்சி என்பது 3டி நகர்ப்புற திட்டமிடல், சுற்றுச்சூழல் கண்காணிப்பு, உள்கட்டமைப்பு மேலாண்மை, ஆரம்ப எச்சரிக்கை அல்லது பேரழிவு மேலாண்மை மற்றும் பதிலளிப்பு போன்ற சவாலான பயன்பாடுகளை ஆதரிக்கும் ஒரு நம்பிக்கைக்குரிய துறையாகும். இந்த துறைகளில், மனித நடவடிக்கைகள் மற்றும் புவி இயற்பியல் நிகழ்வுகளை விவரிக்கும் பெரிய புவிசார் தரவுத் தொகுப்புகளின் மாதிரி, பகுப்பாய்வு, மேலாண்மை மற்றும் ஒருங்கிணைப்பை ஆதரிக்க ஜிஐஎஸ் அறிவியலில் மற்றும் தொடர்புடைய துறைகளில் பன்முக ஆராய்ச்சி தேவைப்படுகிறது. புவி-தரவுத்தளங்கள் 2D வரைபடங்கள், 3D புவி-அறிவியல் மாதிரிகள் மற்றும் பிற புவி-குறிப்பிடப்பட்ட தரவுகளை ஒருங்கிணைக்க தளங்களாக செயல்படலாம். இருப்பினும், தற்போதைய புவி தரவுத்தளங்கள் போதுமான 3D தரவு மாடலிங் மற்றும் தரவு கையாளுதல் நுட்பங்களை வழங்கவில்லை. மேற்பரப்பு மற்றும் தொகுதி மாதிரிகளை கையாள புதிய 3D புவி தரவுத்தளங்கள் தேவைப்படுகின்றன. இந்த கட்டுரை முதலில் புவி-தரவுத்தள ஆராய்ச்சியின் 25 ஆண்டு பின்னோக்கி ஒரு முன்மாதிரியை முன்வைக்கிறது. தரவு மாதிரிகள், தரநிலைகள், மற்றும் புவி தரவுகளின் குறியீட்டு ஆகியவை விரிவாக விவாதிக்கப்படுகின்றன. 3D புவி தரவுத்தளங்களை உருவாக்குவதற்கான புதிய திசைகள், இது பன்முக ஆராய்ச்சிக்கு புதிய துறைகளைத் திறக்கும். ஆரம்ப எச்சரிக்கை மற்றும் அவசரநிலை பிரதிபலிப்பு ஆகிய துறைகளில் இரண்டு காட்சிகள் மனித மற்றும் புவி இயற்பியல் நிகழ்வுகளின் ஒருங்கிணைந்த மேலாண்மையை நிரூபிக்கின்றன. கட்டுரை திறந்த ஆராய்ச்சி பிரச்சினைகள் பற்றிய ஒரு விமர்சன கண்ணோட்டத்துடன் முடிவடைகிறது. & 2011 Elsevier Ltd. அனைத்து உரிமைகளும் பாதுகாக்கப்பட்டவை. |
dce7a0550b4d63f6fe2e6908073ce0ce63626b0c | ரோபோட்டிக்ஸ் மற்றும் செயற்கை நுண்ணறிவு ஆகியவற்றில் தானியங்கி முறையில் நாம் முன்னேறும்போது, நமது சாதனங்கள் நம்மைப் பொறுத்தமில்லாமல் இயங்குவதற்கு, அதிக அளவில் நெறிமுறை சார்ந்த முடிவுகளை தானியங்கி முறையில் எடுக்க வேண்டும். ஆனால் நெறிமுறை முடிவுகளை தானியங்கி முறையில் எடுப்பது பொறியாளர்கள் மற்றும் வடிவமைப்பாளர்களுக்கு புதிய கேள்விகளை எழுப்புகிறது, அவர்கள் அந்த பணியை எவ்வாறு நிறைவேற்றுவது என்பது பற்றி முடிவுகளை எடுக்க வேண்டும். உதாரணமாக, சில நெறிமுறை முடிவு எடுக்கும் கடினமான தார்மீக வழக்குகள் அடங்கும், இது சுயாதீனத்தை சுற்றியுள்ள நிறுவப்பட்ட விதிமுறைகளை மதிக்க வேண்டுமானால் பயனர் உள்ளீடு தேவைப்படுகிறது மற்றும் தகவல் ஒப்புதல். இந்த மற்றும் பிற நெறிமுறைக் கருத்தாய்வுகளை ஆசிரியர் கருதுகிறார். இது நெறிமுறை முடிவெடுக்கும் தன்னியக்கமயமாக்கலுடன் வருகிறது. வடிவமைப்பு அறையில் கணக்கில் எடுத்துக்கொள்ள வேண்டிய சில பொதுவான நெறிமுறை தேவைகளை அவர் முன்மொழிகிறார், மேலும் பொறியாளர்கள், வடிவமைப்பாளர்கள், நெறிமுறை நிபுணர்கள் மற்றும் கொள்கை வகுப்பாளர்கள் சில வடிவங்களை எவ்வாறு தானியங்குபடுத்துவது என்பதை தீர்மானிக்க உதவும் வகையில் வடிவமைப்பு செயல்பாட்டில் ஒருங்கிணைக்கக்கூடிய ஒரு வடிவமைப்பு கருவியை வரைகிறார். |
ab19cbea5c61536b616cfa7654cf01bf0621b83f | |
102153467f27d43dd1db8a973846d3ac10ffdc3c | பொருள்களின் இணையம் (IoT) தொழில்நுட்பத்தின் மிக வேகமாக விரிவடைந்து வரும் பயன்பாட்டுப் பகுதிகளில் ஒன்று சுகாதாரப் பாதுகாப்பு. இதய நோய்கள் போன்ற நாள்பட்ட நோய்களால் பாதிக்கப்பட்ட நோயாளிகளின் தொலைநிலை சுகாதார கண்காணிப்பை செயல்படுத்த IoT சாதனங்கள் பயன்படுத்தப்படலாம். இந்த ஆய்வில் இதய துடிப்பு நோயறிதலுக்கான ECG பகுப்பாய்வு மற்றும் வகைப்படுத்தலுக்கான ஒரு வழிமுறையை உருவாக்கி, அதை IoT அடிப்படையிலான உட்பொதிக்கப்பட்ட தளத்தில் செயல்படுத்துகிறோம். இந்த வழிமுறை, நோயாளியை 24 மணி நேரமும் தொடர்ந்து கண்காணிப்பதற்கு ஏற்ற, அணியக்கூடிய ஈ.சி.ஜி. நோயறிதல் சாதனத்திற்கான எங்கள் திட்டமாகும். ECG பகுப்பாய்விற்கு டிஸ்க்ரீட் வேவ்லெட் டிரான்ஸ்ஃபார்ம் (DWT) மற்றும் ஒரு ஆதரவு வெக்டர் இயந்திரம் (SVM) வகைப்படுத்தியைப் பயன்படுத்துகிறோம். 18 அளவு கொண்ட ஒரு அம்ச திசையனுக்கும் 2493 ஆதரவு திசையன்களுக்கும் 98.9% சிறந்த வகைப்படுத்தல் துல்லியம் அடையப்படுகிறது. கலிலியோ போர்டில் உள்ள அல்காரிதத்தின் வெவ்வேறு நடைமுறைகள், கணிப்பு செலவு என்பது ECG பகுப்பாய்வு மற்றும் வகைப்படுத்தலை உண்மையான நேரத்தில் செய்ய முடியும் என்பதை நிரூபிக்க உதவுகிறது. |
44159c85dec6df7a257cbe697bfc854ecb1ebb0b | தேசிய சுகாதார நிறுவனத்தின் தேசிய ஆராய்ச்சி வள மையத்தின் கீழ் உருவாக்கப்பட்ட சிக்கலான உடலியல் சமிக்ஞைகளுக்கான புதிதாக தொடங்கப்பட்ட ஆராய்ச்சி வளம், இதய மற்றும் இதர சிக்கலான உயிரியல் மருத்துவ சமிக்ஞைகளின் ஆய்வில் தற்போதைய ஆராய்ச்சி மற்றும் புதிய விசாரணைகளைத் தூண்டுவதை நோக்கமாகக் கொண்டுள்ளது. இந்த வளத்தில் 3 ஒன்றோடொன்று சார்ந்த கூறுகள் உள்ளன. PhysioBank என்பது உயிரியல் மருத்துவ ஆராய்ச்சி சமூகத்தால் பயன்படுத்தப்படுவதற்காக உடலியல் சமிக்ஞைகள் மற்றும் தொடர்புடைய தரவுகளின் நன்கு வகைப்படுத்தப்பட்ட டிஜிட்டல் பதிவுகளின் பெரிய மற்றும் வளர்ந்து வரும் காப்பகமாகும். தற்போது, ஆரோக்கியமான நபர்களிடமிருந்தும், உயிருக்கு ஆபத்தான அரித்மியாக்கள், மாரடைப்பு இதய செயலிழப்பு, தூக்க மூச்சுத்திணறல், நரம்பியல் கோளாறுகள் மற்றும் வயதானது உள்ளிட்ட முக்கிய பொது சுகாதார தாக்கங்களைக் கொண்ட பல்வேறு நிலைமைகளைக் கொண்ட நோயாளிகளிடமிருந்தும் பல அளவுருக்கள் கொண்ட இருதய-கிருதய, நரம்பியல் மற்றும் பிற உயிரியல் மருத்துவ சமிக்ஞைகளின் தரவுத்தளங்கள் இதில் அடங்கும். PhysioToolkit என்பது உடலியல் சமிக்ஞை செயலாக்கம் மற்றும் பகுப்பாய்வு, புள்ளிவிவர இயற்பியல் மற்றும் நேரியல் அல்லாத இயக்கவியல் அடிப்படையிலான பாரம்பரிய நுட்பங்கள் மற்றும் புதிய முறைகள் இரண்டையும் பயன்படுத்தி உடலியல் குறிப்பிடத்தக்க நிகழ்வுகளை கண்டறிதல், சமிக்ஞைகளின் ஊடாடும் காட்சி மற்றும் பண்புக்கூறு, புதிய தரவுத்தளங்களை உருவாக்குதல், உடலியல் மற்றும் பிற சமிக்ஞைகளின் உருவகப்படுத்துதல், பகுப்பாய்வு முறைகளின் அளவு மதிப்பீடு மற்றும் ஒப்பீடு மற்றும் நிலையற்ற செயல்முறைகளின் பகுப்பாய்வு ஆகியவற்றிற்கான திறந்த மூல மென்பொருளின் நூலகமாகும். PhysioNet என்பது பதிவு செய்யப்பட்ட உயிரியல் மருத்துவ சமிக்ஞைகள் மற்றும் அவற்றை பகுப்பாய்வு செய்வதற்கான திறந்த மூல மென்பொருளை பரப்புவதற்கும் பரிமாறிக்கொள்வதற்கும் ஒரு ஆன்லைன் மன்றமாகும். இது தரவுகளின் கூட்டு பகுப்பாய்வு மற்றும் முன்மொழியப்பட்ட புதிய வழிமுறைகளின் மதிப்பீட்டிற்கான வசதிகளை வழங்குகிறது. PhysioBank தரவு மற்றும் PhysioToolkit மென்பொருளுக்கு இலவச மின்னணு அணுகலை வழங்குவதோடு கூடுதலாக, உலக அகல வலை (http://www.physionet. org) என்ற அமைப்பின் கீழ், PhysioNet ஆன்லைன் பயிற்சிகள் மூலம் பல்வேறு வகையான நிபுணத்துவத்துடன் பயனர்களுக்கு உதவ சேவைகளையும் பயிற்சியையும் வழங்குகிறது. |
a92eac4415719698d7d2097ef9564e7b36699010 | நோக்கம் - நிறுவனங்களின் நிலைத்தன்மை மற்றும் அதன் செயல்திறன் குறித்து மதிப்பீடு செய்வதிலும் அறிக்கை அளிப்பதிலும் பங்குதாரர்களை ஈடுபடுத்துவதற்கான ஒரு அணுகுமுறையாக சமூக தணிக்கை பொருந்தக்கூடியதா என்பதை அடையாளம் காண்பது. வடிவமைப்பு/முறைமுறை/வழிமுறை - AA1000 மற்றும் சமூக தணிக்கை ஆய்வுகளின் கட்டமைப்பை அடிப்படையாகக் கொண்டு, இந்த ஆவணம், நிறுவனங்களின் நிலைத்தன்மையைக் கையாள உரையாடல் அடிப்படையிலான சமூக தணிக்கை பயன்படுத்துவதை நோக்கமாகக் கொண்டு, பங்குதாரர் ஈடுபாடு, சமூக தணிக்கை மற்றும் பெருநிறுவன நிலைத்தன்மை ஆகியவற்றை இணைக்கிறது. முடிவுகள் - இந்த ஆவணம் நிறுவனங்களின் நிலைத்தன்மை மற்றும் சமூக தணிக்கை ஆகியவற்றுக்கு இடையே ஒரு சமம் இருப்பதைக் குறிக்கிறது, ஏனெனில் இவை இரண்டும் ஒரு நிறுவனத்தின் சமூக, சுற்றுச்சூழல் மற்றும் பொருளாதார செயல்திறனை மேம்படுத்துவதை நோக்கமாகக் கொண்டுள்ளன, பரந்த அளவிலான பங்குதாரர்களின் நல்வாழ்வைக் கருத்தில் கொண்டு, செயல்பாட்டில் பங்குதாரர்களின் ஈடுபாட்டைத் தேவைப்படுத்துகின்றன. இந்த ஆவணத்தில், பேச்சுவார்த்தை மூலம் பங்குதாரர்களை ஈடுபடுத்துவதன் மூலம் சமூக தணிக்கை, நம்பிக்கைகளை உருவாக்குவதற்கும், பங்குதாரர்கள் மற்றும் நிறுவனங்களிடையே ஒத்துழைப்பை ஊக்குவிப்பதற்கும் பயன்படுத்தப்படலாம் என்று பரிந்துரைக்கப்படுகிறது. ஆராய்ச்சி வரம்புகள்/விளைவுகள் - இந்த ஆராய்ச்சி நிறுவனங்களின் நிலைத்தன்மையைக் கையாள்வதில் சமூக தணிக்கை நடைமுறைக்குரியது மற்றும் உரையாடல் அடிப்படையிலான சமூக தணிக்கை வரம்புகளை தீர்மானிப்பதில் மேலும் அனுபவ ஆராய்ச்சி தேவைப்படுகிறது. நடைமுறை விளைவுகள் - சமூக தணிக்கை என்பது ஜனநாயக வணிக சமூகத்தில் பங்குதாரர்கள் மற்றும் நிறுவனங்களின் வெவ்வேறு நலன்களை சமநிலைப்படுத்துவதற்கான ஒரு பயனுள்ள வழிமுறையாக அடையாளம் காணப்பட்டுள்ளது. நிறுவனங்களின் நிலைத்தன்மையை வளர்த்துக் கொள்வதிலும், அடைவதிலும் சமூக தணிக்கை பயன்படுத்துவது நடைமுறை ரீதியான தாக்கங்களைக் கொண்டிருப்பதாகத் தெரிகிறது. அசல் தன்மை/மதிப்பு - இந்த ஆவணம், வணிகங்கள் நிலைத்தன்மையை நோக்கி நகர்வதற்கு உதவுவதில் உரையாடல் அடிப்படையிலான சமூக தணிக்கை எவ்வாறு பயன்படுத்தப்படலாம் என்பதை ஆராய்கிறது. சமூக தணிக்கை என்பது, பேச்சுவார்த்தை மூலம் பங்குதாரர்களை ஈடுபடுத்துவதன் மூலம் நிறுவனங்களின் சமூக மற்றும் சுற்றுச்சூழல் செயல்திறனை மதிப்பீடு செய்து அறிக்கை அளிக்கும் செயல்முறையாகும். இது நம்பிக்கைகளை உருவாக்குவதற்கும், பங்குதாரர்கள் மற்றும் நிறுவனங்களிடையே ஒத்துழைப்பை ஊக்குவிப்பதற்கும், உறுதிப்பாட்டை அடையாளம் காண்பதற்கும் பயன்படுத்தப்படலாம். |
915c4bb289b3642489e904c65a47fa56efb60658 | நாம் ஒரு படத்தை மாற்றும் சிக்கல்களைக் கருதுகிறோம், அங்கு ஒரு உள்ளீட்டு படம் ஒரு வெளியீட்டு படமாக மாற்றப்படுகிறது. இதுபோன்ற சிக்கல்களுக்கு சமீபத்திய முறைகள் வழக்கமாக வெளியீடு மற்றும் தரை-உண்மை படங்களுக்கு இடையில் ஒரு பிக்சல் இழப்பைப் பயன்படுத்தி முன்னோக்கி ஊட்ட-உருவாக்க நரம்பியல் நெட்வொர்க்குகளை பயிற்றுவிக்கின்றன. முன்னரே பயிற்சி பெற்ற நெட்வொர்க்குகளிலிருந்து பிரித்தெடுக்கப்பட்ட உயர் மட்ட அம்சங்களின் அடிப்படையில் உணர்தல் இழப்பு செயல்பாடுகளை வரையறுத்து மேம்படுத்துவதன் மூலம் உயர்தர படங்களை உருவாக்க முடியும் என்பதை இணையான பணிகள் நிரூபித்துள்ளன. நாம் இரண்டு அணுகுமுறைகளின் நன்மைகளை இணைத்து, பட மாற்றம் பணிகளுக்கான ஊட்ட-முன்னோக்கி நெட்வொர்க்குகளை பயிற்றுவிப்பதற்காக உணர்வு இழப்பு செயல்பாடுகளைப் பயன்படுத்துவதை முன்மொழிகிறோம். பட பாணி பரிமாற்றத்தின் முடிவுகளை நாங்கள் காண்பிக்கிறோம், அங்கு ஒரு ஊட்ட-முன்னோக்கி நெட்வொர்க் கேட்டிஸ் மற்றும் பிறர் முன்மொழியப்பட்ட தேர்வுமுறை சிக்கலை நிகழ்நேரத்தில் தீர்க்க பயிற்சி பெற்றது. உகப்பாக்கம் அடிப்படையிலான முறையுடன் ஒப்பிடும்போது, நமது நெட்வொர்க் இதேபோன்ற தரமான முடிவுகளை அளிக்கிறது ஆனால் மூன்று அளவுகள் வேகமாக உள்ளது. ஒரு படத்தின் சூப்பர்-ரெசல்யூஷனை பரிசோதித்து, ஒரு பிக்சல் இழப்பை ஒரு உணர்வு இழப்புடன் மாற்றுவது, பார்வைக்கு மகிழ்ச்சியான முடிவுகளை அளிக்கிறது. |
9201bf6f8222c2335913002e13fbac640fc0f4ec | |
929a376c6fea1376baf40fc2979cfbdd867f03ab | இழப்பு பட சுருக்க முறைகள் எப்போதும் சுருக்கப்பட்ட முடிவுகளில் பல்வேறு விரும்பத்தகாத கலைப்பொருட்களை அறிமுகப்படுத்துகின்றன, குறிப்பாக குறைந்த பிட் விகிதங்களில். சமீப ஆண்டுகளில், JPEG சுருக்கப்பட்ட படங்களுக்கு பல பயனுள்ள மென்மையான டிகோடிங் முறைகள் முன்மொழியப்பட்டுள்ளன. எவ்வாறாயினும், எமது சிறந்த அறிவுக்கு, JPEG 2000 சுருக்கப்பட்ட படங்களின் மென்மையான டிகோடிங் மீது மிகக் குறைவான பணிகள் செய்யப்பட்டுள்ளன. பல்வேறு கணினி பார்வை பணிகளில் கன்வோல்யூஷன் நியூரல் நெட்வொர்க்கின் (சிஎன்என்) சிறப்பான செயல்திறனால் ஈர்க்கப்பட்டு, பல பிட்-ரேட்-டிரைவ் ஆழமான சிஎன்என்ஸ்களைப் பயன்படுத்தி ஜேபிஇஜி 2000 க்கான மென்மையான டிகோடிங் முறையை நாங்கள் முன்வைக்கிறோம். குறிப்பாக, பயிற்சி கட்டத்தில், நாம் உயர் தரமான பயிற்சி படங்கள் நிறைய பயன்படுத்தி ஆழமான CNNs ஒரு தொடர் பயிற்சி மற்றும் வெவ்வேறு குறியீட்டு பிட் விகிதங்கள் தொடர்புடைய JPEG 2000 சுருக்கப்பட்ட படங்களை. சோதனை கட்டத்தில், ஒரு உள்ளீட்டு சுருக்கப்பட்ட படத்திற்கு, அருகிலுள்ள குறியீட்டு பிட்-ரேட் மூலம் பயிற்சி பெற்ற சிஎன்என் மென்மையான டிகோடிங்கைச் செய்யத் தேர்ந்தெடுக்கப்படுகிறது. விரிவான பரிசோதனைகள், வழங்கப்பட்ட மென்மையான டிகோடிங் கட்டமைப்பின் செயல்திறனை நிரூபித்துள்ளன, இது JPEG 2000 சுருக்கப்பட்ட படங்களின் காட்சி தரத்தையும், புறநிலை மதிப்பெண்களையும் பெரிதும் மேம்படுத்துகிறது. |
cfa092829c4c7a42ec77ab6844661e1dae082172 | பிட்காயின் ஒரு புதிய கருத்தை அறிமுகப்படுத்தியுள்ளது, இது முழு இணையத்தையும் புரட்சிகரமாக மாற்றக்கூடும், மேலும் வங்கி, பொதுத்துறை மற்றும் விநியோகச் சங்கிலி உட்பட பல வகையான தொழில்களில் சாதகமான தாக்கத்தை ஏற்படுத்தும். இந்த புதுமை போலி-அநாமதேயத்தை அடிப்படையாகக் கொண்டது மற்றும் அதன் புதுமையான பரவலாக்கப்பட்ட கட்டமைப்பை அடிப்படையாகக் கொண்டது. வர்த்தக செயல்முறைகளில் பொறுப்புணர்வு மற்றும் வெளிப்படைத்தன்மையை ஊக்குவிக்கும் வகையில், ஒரு மையப்படுத்தப்பட்ட அதிகாரம் தேவையில்லாமல், நம்பிக்கை ஏற்படுத்துவதன் மூலம் பரிவர்த்தனை அடிப்படையிலான பயன்பாடுகளைத் தூண்டுகிறது. இருப்பினும், ஒரு பிளாக்செயின் லெட்ஜர் (எ. கா. , பிட்காயின்) மிகவும் சிக்கலானதாக மாறும் மற்றும் சிறப்பு கருவிகள், கூட்டாக பிளாக்செயின் அனலிட்டிக்ஸ் என்று அழைக்கப்படுகின்றன, தனிநபர்கள், சட்ட அமலாக்க முகவர் மற்றும் சேவை வழங்குநர்கள் அதைத் தேட, ஆராய மற்றும் காட்சிப்படுத்த அனுமதிக்க வேண்டும். கடந்த ஆண்டுகளில், பல பகுப்பாய்வு கருவிகள் உருவாக்கப்பட்டுள்ளன, அவை உதாரணமாக, உறவுகளை வரைபடமாக்க, பரிவர்த்தனைகளின் ஓட்டத்தை ஆய்வு செய்ய மற்றும் குற்றம் சம்பவங்களை வடிகட்ட அனுமதிக்கின்றன. இந்த ஆவணம் பிளாக்செயின் பகுப்பாய்வு கருவிகளின் தற்போதைய நிலையைப் பற்றி விவாதிக்கிறது மற்றும் அவற்றின் பயன்பாடுகளின் அடிப்படையில் ஒரு கருப்பொருள் வகைப்பாடு மாதிரியை முன்வைக்கிறது. இது எதிர்கால வளர்ச்சி மற்றும் ஆராய்ச்சிக்கான திறந்த சவால்களையும் ஆராய்கிறது. |
2e5fadbaab27af0c2b5cc6a3481c11b2b83c4f94 | புகைப்படத்தின் பின்னால் இருக்கும் புகைப்படக் கலைஞரை அடையாளம் காண்பதற்கான புதிய சிக்கலை அறிமுகப்படுத்துகிறோம். இந்த பிரச்சனையை தீர்க்க தற்போதைய கணினி பார்வை நுட்பங்களின் சாத்தியத்தை ஆராய்வதற்காக, நாங்கள் ஒரு புதிய தரவுத் தொகுப்பை உருவாக்கியுள்ளோம் 180,000 க்கும் மேற்பட்ட படங்கள் 41 பிரபல புகைப்படக் கலைஞர்களால் எடுக்கப்பட்டவை. இந்த தரவுத்தொகுப்பைப் பயன்படுத்தி, புகைப்படக் கலைஞரை அடையாளம் காண்பதில் பல்வேறு அம்சங்களின் (குறைந்த மற்றும் உயர் மட்ட, சிஎன்என் அம்சங்கள் உட்பட) செயல்திறனை நாங்கள் ஆய்வு செய்தோம். இந்த பணிக்காக ஒரு புதிய ஆழமான மூளை நெட்வொர்க்கை நாங்கள் பயிற்றுவித்தோம். நமது முடிவுகள் உயர் மட்ட அம்சங்கள் குறைந்த மட்ட அம்சங்களை விட மிக அதிகமாக செயல்திறன் கொண்டவை என்பதைக் காட்டுகின்றன. இந்த கற்ற மாதிரிகளைப் பயன்படுத்தி தரமான முடிவுகளை நாங்கள் வழங்குகிறோம், இது புகைப்படக்காரர்களை வேறுபடுத்துவதற்கான எங்கள் முறையின் திறனைப் பற்றிய நுண்ணறிவை அளிக்கிறது, மேலும் குறிப்பிட்ட புகைப்படக்காரர்கள் என்ன படம்பிடிக்கிறார்கள் என்பது பற்றி சுவாரஸ்யமான முடிவுகளை எடுக்க அனுமதிக்கிறது. எங்கள் முறையின் இரண்டு பயன்பாடுகளையும் நாங்கள் நிரூபிக்கிறோம். |
25b6818743a6c0b9502a1c026c653038ff505c09 | |
6ed67a876b3afd2f2fb7b5b8c0800a0398c76603 | |
24281c886cd9339fe2fc5881faf5ed72b731a03e | MapReduce மற்றும் அதன் மாறுபாடுகள் பெரிய அளவிலான தரவு-தீவிர பயன்பாடுகளை பொருட்கள் குவியல்களில் செயல்படுத்துவதில் மிகவும் வெற்றிகரமாக உள்ளன. இருப்பினும், இந்த அமைப்புகளில் பெரும்பாலானவை மற்ற பிரபலமான பயன்பாடுகளுக்கு பொருந்தாத ஒரு அசைக்ளிக் தரவு ஓட்ட மாதிரியைச் சுற்றி கட்டப்பட்டுள்ளன. இந்த ஆவணம் அத்தகைய பயன்பாடுகளின் ஒரு வர்க்கத்தில் கவனம் செலுத்துகிறது: பல இணையான செயல்பாடுகளில் தரவுகளின் பணி தொகுப்பை மீண்டும் பயன்படுத்துபவை. இதில் பல மீண்டும் மீண்டும் இயந்திர கற்றல் வழிமுறைகள், அத்துடன் ஊடாடும் தரவு பகுப்பாய்வு கருவிகள் அடங்கும். MapReduce இன் அளவிடக்கூடிய தன்மை மற்றும் தவறுகளைத் தாங்கும் தன்மையைப் பேணிக் கொண்டிருக்கும்போது, இந்த பயன்பாடுகளை ஆதரிக்கும் Spark என்ற புதிய கட்டமைப்பை நாங்கள் முன்மொழிகிறோம். இந்த இலக்குகளை அடைய, ஸ்பார்க் நெகிழ்வான விநியோகிக்கப்பட்ட தரவுத்தொகுப்புகள் (RDD கள்) எனப்படும் ஒரு சுருக்கத்தை அறிமுகப்படுத்துகிறது. ஒரு RDD என்பது ஒரு பகிர்வு இழக்கப்பட்டால் மீண்டும் கட்டமைக்கக்கூடிய இயந்திரங்களின் தொகுப்பில் பிரிக்கப்பட்ட பொருள்களின் வாசிப்பு-மட்டுமே தொகுப்பாகும். ஸ்பார்க் ஹடூப்பை 10 மடங்கு அதிக செயல்திறன் கொண்டது, இது இயந்திர கற்றல் பணிகளில் பயன்படுத்தப்படுகிறது, மேலும் 39 ஜிபி தரவுத்தொகுப்பை வினாடி வினாடி பதிலளிக்கும் நேரத்துடன் ஊடாடும் வகையில் வினவலாம். |
03ff3f8f4d5a700fbe8f3a3e63a39523c29bb60f | மொழி புரிதலுக்கு, வாக்கியங்களை சரியாக பிரதிநிதித்துவப்படுத்தும் திறன் முக்கியமானது. நாம் ஒரு கூட்டு கட்டமைப்பை விவரிக்கிறோம், இது Dynamic Convolutional Neural Network (DCNN) என்று அழைக்கப்படுகிறது, இது வாக்கியங்களின் சொற்பொருள் மாதிரியை உருவாக்குவதற்கு நாம் பயன்படுத்துகிறோம். இந்த நெட்வொர்க் டைனமிக் கே-மேக்ஸ் பூலிங், நேரியல் வரிசைகளில் உலகளாவிய பூலிங் செயல்பாட்டைப் பயன்படுத்துகிறது. நெட்வொர்க் மாறுபட்ட நீள உள்ளீட்டு வாக்கியங்களை கையாளுகிறது மற்றும் குறுகிய மற்றும் நீண்ட தூர உறவுகளை வெளிப்படையாகப் பிடிக்கக்கூடிய வாக்கியத்தின் மீது ஒரு அம்ச வரைபடத்தை தூண்டுகிறது. இந்த வலையமைப்பு ஒரு பகுப்பாய்வு மரத்தை சார்ந்திருக்கவில்லை, எந்த மொழியிலும் எளிதாகப் பயன்படுத்தக்கூடியது. நான்கு பரிசோதனைகளில் DCNN-ஐ சோதித்தோம்: சிறிய அளவிலான பைனரி மற்றும் பல வகுப்பு உணர்வு கணிப்பு, ஆறு வழி கேள்வி வகைப்பாடு மற்றும் தொலைநிலை மேற்பார்வை மூலம் ட்விட்டர் உணர்வு கணிப்பு. இந்த வலையமைப்பு முதல் மூன்று பணிகளில் சிறந்த செயல்திறனை அடைகிறது மற்றும் கடைசி பணியில் 25% க்கும் அதிகமான பிழை குறைப்பு வலுவான அடிப்படை நிலையை பொறுத்து. |
ff5c193fd7142b3f426baf997b43937eca1bbbad | உயர் சக்தி நடுத்தர மின்னழுத்த ஆற்றல் கட்டுப்பாட்டுத் துறையில் மிக முக்கியமான மாற்றாக பல நிலை இன்வெர்ட்டர் தொழில்நுட்பம் சமீபத்தில் உருவாகியுள்ளது. இந்த ஆவணம் டையோடு-கிளம்பட் இன்வெர்ட்டர் (நடுநிலை-புள்ளி கிளம்பட்), மின்தேக்கி-கிளம்பட் (பறக்கும் மின்தேக்கி), மற்றும் தனித்தனி DC ஆதாரங்களுடன் கூடிய மல்டிசெல் போன்ற மிக முக்கியமான டோபோலஜிகளை முன்வைக்கிறது. சமச்சீரற்ற கலப்பின செல்கள் மற்றும் மென்மையான சுவிட்ச் மல்டிலெவல் இன்வெர்ட்டர்கள் போன்ற வளர்ந்து வரும் டோபோலஜிகளும் விவாதிக்கப்படுகின்றன. இந்த காகிதத்தில் இந்த குடும்ப மாற்றிகளுக்காக உருவாக்கப்பட்ட மிக முக்கியமான கட்டுப்பாடு மற்றும் மாற்றியமைத்தல் முறைகள்ஃ பல நிலை சைனோசைடல் துடிப்பு அகல மாற்றியமைத்தல், பல நிலை தேர்ந்தெடுக்கப்பட்ட ஹார்மோனிக் நீக்கம் மற்றும் விண்வெளி-வெக்டர் மாற்றியமைத்தல். லேமினேட்டர்கள், கன்வேயர் பெல்ட்கள், மற்றும் ஒருங்கிணைந்த சக்தி-ஓட்ட கட்டுப்பாட்டு போன்ற இந்த மாற்றிகளின் சமீபத்திய மற்றும் மிகவும் பொருத்தமான பயன்பாடுகளுக்கு சிறப்பு கவனம் செலுத்தப்படுகிறது. மீளுருவாக்கம் செய்யும் சுமைகளை வழங்கும் இன்வெர்ட்டர்களுக்கு உள்ளீட்டு பக்கத்தில் ஒரு செயலில் உள்ள முன் முடிவின் தேவை பற்றியும் விவாதிக்கப்படுகிறது, மேலும் சுற்று டோபோலஜி விருப்பங்களும் வழங்கப்படுகின்றன. இறுதியாக, உயர் மின்னழுத்த உயர் சக்தி சாதனங்கள் மற்றும் ஒளியியல் சென்சார்கள் மற்றும் எதிர்கால வளர்ச்சிக்கான பிற வாய்ப்புகளை போன்ற புறநிலை வளரும் பகுதிகள் உரையாற்றப்படுகின்றன. |