_id
stringlengths 40
40
| text
stringlengths 0
10.7k
|
|---|---|
05378af0c67c59505067e2cbeb9ca29ed5f085e4 | பரவல் அடிப்படையிலான, விநியோகிக்கப்பட்ட போக்குவரத்து தகவல் அமைப்புகளில் கண்காணிப்புகளின் படிநிலை கூட்டுதலுக்கான ஒரு வழிமுறையை நாங்கள் முன்மொழிகிறோம். குறிப்பிட்ட மதிப்புகளை எடுத்துச் செல்வதற்குப் பதிலாக (எ. கா. , ஒரு குறிப்பிட்ட பகுதியில் இலவசமாக நிறுத்தப்படும் இடங்களின் எண்ணிக்கை), எங்கள் கூட்டுத்தொகைகளில் ஒரு மாற்றியமைக்கப்பட்ட ஃப்ளஜோலெட்-மார்டின் ஓவியம் ஒரு நிகழ்தகவு தோராயமாக உள்ளது. இந்த அணுகுமுறையின் முக்கிய நன்மை என்னவென்றால், கூட்டுகள் இரட்டிப்பு உணர்திறன் இல்லாதவை. இது VANET பயன்பாடுகளுக்கான தற்போதைய கூட்டு திட்டங்களின் இரண்டு முக்கிய சிக்கல்களை சமாளிக்கிறது. முதலாவதாக, ஒரே பகுதியில் பல கண்காணிப்புகளின் தொகுப்புகள் கிடைத்தால், அவற்றை இணைத்து, அசல் தொகுப்புகளில் இருந்து அனைத்து தகவல்களையும் உள்ளடக்கிய ஒரு தொகுப்பாக இணைக்க முடியும். இது தற்போதுள்ள அணுகுமுறைகளிலிருந்து அடிப்படையில் வேறுபட்டது, அங்கு பொதுவாக ஒரு கூட்டுத்தொகை மேலதிக பயன்பாட்டிற்காக தேர்ந்தெடுக்கப்படுகிறது, மீதமுள்ளவை நிராகரிக்கப்படுகின்றன. இரண்டாவதாக, எந்தவொரு கவனிப்பும் அல்லது கூட்டுத்தொகை உயர் மட்ட கூட்டுத்தொகைகளில் சேர்க்கப்படலாம், இது ஏற்கனவே நேரடியாகவோ அல்லது மறைமுகமாகவோ சேர்க்கப்பட்டிருந்தாலும். இந்தத் தரமான சுருள்கள், சுருள்பொருள் உற்பத்தியில் அதிகமான பங்கு வகிப்பதாகவும், சுருள்பொருள் உற்பத்தியில் அதிகமான பங்கு வகிப்பதாகவும், சுருள்பொருள் உற்பத்தியில் அதிகமான பங்கு வகிப்பதாகவும், சுருள்பொருள் உற்பத்தியில் அதிக பங்கு வகிப்பதாகவும் சுருள்பொருள் உற்பத்தி நிறுவனம் தெரிவித்துள்ளது. இந்த அம்சங்களை ஒரு உருவகப்படுத்துதல் ஆய்வின் மூலம் நிரூபிக்கிறோம். |
2f83d2294d44b44ad07d327635a34276abe1ec55 | இந்த ஆவணம் MCM-D உற்பத்தி தொழில்நுட்பத்தை அடிப்படையாகக் கொண்ட ஒரு ஆண்டெனா வடிவமைப்பை அறிமுகப்படுத்துகிறது, இது IEEE 802.11b/g பயன்பாட்டிற்கான ஆண்டெனா-ஒருங்கிணைந்த தொகுப்பை உணர உதவுகிறது. ஆண்டெனா மற்றும் RF தொகுதி ஒருங்கிணைப்பால் ஏற்படும் ஒட்டுண்ணி விளைவுகளை உள்ளடக்குவதற்கு இணை வடிவமைப்பு வழிகாட்டுதல்கள் பயன்படுத்தப்படுகின்றன. சுழற்சி ஆண்டெனா MCM-D அடி மூலக்கூறின் இரண்டாவது அடுக்கில் அமைந்துள்ளது. இந்த ஆண்டெனாவில், காப்லனார் அலை வழிகாட்டி (CPW) மூலம் உணவளிக்கப்படும் கொள்ளளவு உணவளிக்கும் பட்டை அடங்கியுள்ளது. இணைப்பு ஊட்ட நுட்பத்தின் மூலம், முன்மொழியப்பட்ட ஆண்டெனாவின் அளவு WLAN பட்டை (2.4-2.484 GHz) மீது 3.8 mm × 4.7 mm மட்டுமே. மேலும், இணைப்புப் பட்டை நீளத்தை சரிசெய்வதன் மூலம் அதிர்வு அதிர்வெண்ணை சரிசெய்ய முடியும். இதன் விளைவாக, இணைப்பு-உணவு சுழற்சி ஆண்டெனா 1.6 dBi ஆற்றலைப் பெற்றது மற்றும் 2.45 GHz இல் 85% கதிர்வீச்சு செயல்திறன் மிக சிறிய அளவிலான (0.03 λ0 × 0.04 λ0) இல் அடைந்தது. கூடுதலாக, தொகுப்பின் மொத்த பரப்பளவை ஒப்பிடும்போது ஆண்டெனாவின் ஆக்கிரமிக்கப்பட்ட பகுதி மிகச் சிறியது (4.4%); எனவே, தொகுப்பு ஆண்டெனா வடிவமைப்பிற்கு முன்மொழியப்பட்ட முறை மிகவும் பயனுள்ளதாக இருக்கும். முன்மொழியப்பட்ட முறையின் சாத்தியக்கூறுகளை நிரூபிக்கும் விரிவான அளவுரு ஆய்வுகள் வழங்கப்படுகின்றன. |
cf08bf7bcf3d3ec926d0cedf453e257e21cc398a | சாதன சோதனை என்பது அரைக்கடத்தித் தொழிலில் மிகப்பெரிய உற்பத்திச் செலவு ஆகும், இது ஆண்டுக்கு 40 மில்லியன் டாலருக்கும் அதிகமான செலவாகும். இந்த வகை புத்தகங்களில் மிகவும் விரிவான மற்றும் பரந்த அளவிலான புத்தகமான டிஜிட்டல் சிஸ்டம்ஸ் சோதனை, இந்த முக்கியமான விஷயத்தைப் பற்றி நீங்கள் தெரிந்து கொள்ள வேண்டிய அனைத்தையும் உள்ளடக்கியது. அடிப்படைகளிலிருந்து தொடங்கி, ஆசிரியர்கள் வாசகரை தானியங்கி சோதனை முறை உருவாக்கம், சோதனைக்குரிய வடிவமைப்பு மற்றும் டிஜிட்டல் சுற்றுகளின் உள்ளமைக்கப்பட்ட சுய சோதனை ஆகியவற்றின் மூலம் IDDQ சோதனை, செயல்பாட்டு சோதனை, தாமதமான தவறு சோதனை, நினைவக சோதனை மற்றும் தவறு கண்டறிதல் போன்ற மேம்பட்ட தலைப்புகளுக்குச் செல்வதற்கு முன் எடுத்துச் செல்கிறார்கள். பல்வேறு தவறு முறைகளுக்கான சோதனை உருவாக்கம், ஒருங்கிணைந்த சுற்று வரிசைமுறையின் வெவ்வேறு மட்டங்களில் சோதனை நுட்பங்கள் பற்றிய விவாதம் மற்றும் சிஸ்டம்-ஆன்-சிப் சோதனை தொகுப்பு பற்றிய ஒரு அத்தியாயம் உள்ளிட்ட சமீபத்திய நுட்பங்களின் விரிவான சிகிச்சை இந்த புத்தகத்தில் அடங்கும். மாணவர்கள் மற்றும் பொறியாளர்களுக்காக எழுதப்பட்ட இது ஒரு சிறந்த மூத்த / பட்டதாரி நிலை பாடநூல் மற்றும் ஒரு மதிப்புமிக்க குறிப்பு. |
44c3dac2957f379e7646986f593b9a7db59bd714 | |
5a4bb08d4750d27bd5a2ad0a993d144c4fb9586c | சமீபத்தில் பரவலாக வெளியான தரவு மீறல்கள் நூற்றுக்கணக்கான மில்லியன் மக்களின் தனிப்பட்ட தகவல்களை வெளிப்படுத்தியுள்ளன. சில அறிக்கைகள் தரவு மீறல்களின் அளவு மற்றும் அதிர்வெண் ஆகிய இரண்டிலும் அச்சமூட்டும் அதிகரிப்புகளைக் குறிப்பிடுகின்றன, இது உலகெங்கிலும் உள்ள நிறுவனங்களை மோசமடைந்து வரும் நிலைமையைத் தீர்க்கத் தூண்டுகிறது. ஆனால், உண்மையில் இந்த பிரச்சினை மோசமாகி வருகிறதா? இந்த ஆய்வில், ஒரு பிரபலமான பொது தரவுத்தொகுப்பைப் படித்து, தரவு மீறல்களின் போக்குகளை ஆராய பேய்சியன் பொதுவான நேரியல் மாதிரிகளை உருவாக்குகிறோம். கடந்த பத்தாண்டுகளில் தரவு மீறல்களின் அளவும், அதிர்வெண்ணும் அதிகரிக்கவில்லை என்பதை இந்த மாதிரியின் பகுப்பாய்வு காட்டுகிறது. கவனத்தை ஈர்த்துள்ள அதிகரிப்புகளை தரவுத்தொகுப்பின் அடிப்படையில் உள்ள கனமான வால் புள்ளிவிவர விநியோகங்களால் விளக்க முடியும் என்று நாங்கள் கண்டறிந்தோம். குறிப்பாக, தரவு மீறல் அளவு லோக-இயல்பாக விநியோகிக்கப்படுவதையும், தினசரி மீறல்களின் அதிர்வெண் எதிர்மறை இருபொருள் விநியோகத்தால் விவரிக்கப்படுவதையும் நாங்கள் காண்கிறோம். இந்த விநியோகங்கள் மீறல்களுக்கு காரணமான உருவாக்கும் வழிமுறைகளுக்கு துப்புகளை வழங்கலாம். கூடுதலாக, நமது மாதிரி எதிர்காலத்தில் ஒரு குறிப்பிட்ட அளவிலான மீறல்களின் சாத்தியத்தை கணிக்கிறது. உதாரணமாக, அடுத்த ஆண்டு அமெரிக்காவில் 10 மில்லியன் பதிவுகள் அல்லது அதற்கு மேற்பட்டவை மீறப்படுவதற்கான வாய்ப்பு 31% மட்டுமே. எந்தவொரு போக்கையும் பொருட்படுத்தாமல், தரவு மீறல்கள் விலை உயர்ந்தவை, மேலும் இந்த மாதிரியை இரண்டு வெவ்வேறு செலவு மாதிரிகளுடன் இணைத்து, அடுத்த மூன்று ஆண்டுகளில், மீறல்கள் 55 பில்லியன் டாலர்கள் வரை செலவாகும் என்று கணித்துள்ளோம். |
e8e2c3d884bba807bcf7fbfa2c27f864b20ceb80 | இந்த குறிப்பு இணைய சமூகத்திற்கு தகவல்களை வழங்குகிறது. இந்த குறிப்பு எந்த வகையிலும் இணைய தரத்தை குறிக்கவில்லை. இந்த குறிப்பு வரம்பற்ற விநியோகத்தில் உள்ளது. சுருக்கம் இந்த ஆவணம் HMAC ஐ விவரிக்கிறது, இது குறியாக்க ஹேஷ் செயல்பாடுகளைப் பயன்படுத்தி செய்தி அங்கீகாரத்திற்கான ஒரு வழிமுறையாகும். HMAC எந்தவொரு தொடர்ச்சியான குறியாக்க ஹாஷ் செயல்பாட்டிலும் பயன்படுத்தப்படலாம், எ. கா. , MD5, SHA-1, ஒரு ரகசிய பகிரப்பட்ட விசையுடன் இணைந்து. HMAC இன் குறியாக்க வலிமை அடிப்படை ஹேஷ் செயல்பாட்டின் பண்புகளை சார்ந்துள்ளது. |
f01d369becb42ff69d156d5e19d8af18dadacc6e | வயர்லெஸ் சென்சார் நெட்வொர்க்குகள் (WSN) தொடர்ந்து வளர்ந்து வருவதால், பயனுள்ள பாதுகாப்பு வழிமுறைகளின் தேவை அதிகரிக்கிறது. சென்சார் நெட்வொர்க்குகள் முக்கியமான தரவுகளுடன் தொடர்பு கொள்ளலாம் மற்றும்/அல்லது பகைமைமிக்க சூழல்களில் கண்காணிக்கப்படாமல் செயல்படலாம் என்பதால், இந்த பாதுகாப்பு கவலைகளை கணினி வடிவமைப்பின் தொடக்கத்திலிருந்தே கையாள வேண்டியது அவசியம். WSN களில் தரவுகளை சேகரிப்பதற்கும் செயலாக்குவதற்கும் பாதுகாப்பு தீர்வுகளை விவரிப்பதே இந்த ஆவணத்தின் நோக்கம். நடுத்தர மற்றும் பெரிய அளவிலான WSN களுக்கான போதுமான பாதுகாப்பு திறன்கள் சந்தைக்கு இந்த நெட்வொர்க்குகளை தயார்படுத்த ஒரு கடினமான ஆனால் அவசியமான இலக்காகும். WSN களின் விண்வெளி பாதுகாப்பு தீர்வுகள் மற்றும் நம்பகத்தன்மை சவால்கள் பற்றிய ஒரு கண்ணோட்டத்தை இந்த ஆவணம் உள்ளடக்கியுள்ளது |
18f5593d6082b1ba3c02cf64d64eb9d969db3e6b | பல இயற்கை மொழி செயலாக்க பயன்பாடுகளுக்கு வெக்டார் இட வார்த்தை பிரதிநிதித்துவங்கள் பயனுள்ளதாக இருக்கும். திசையன் பிரதிநிதித்துவங்களை கணக்கிடும் நுட்பங்களின் பன்முகத்தன்மை மற்றும் மதிப்பீட்டு குறிக்கோள்களின் அதிக எண்ணிக்கையானது புதிய திசையன் விண்வெளி மாதிரிகளை உருவாக்கும் ஆராய்ச்சியாளர்களுக்கும் அவற்றை பயன்படுத்த விரும்பும்வர்களுக்கும் நம்பகமான ஒப்பீட்டை ஒரு கடினமான பணியாக மாற்றுகிறது. தரமான சொற்களஞ்சிய சொற்பொருள் தரநிலைகளில் சொல் திசையன்களை மதிப்பீடு செய்வதை எளிதாக்கும் ஒரு வலைத்தளத்தையும் ஆஃப்லைன் கருவிகளின் தொகுப்பையும் நாங்கள் முன்வைக்கிறோம், மேலும் தங்கள் பயன்பாடுகளுக்கு நல்ல திசையன்களைக் கண்டுபிடிக்க விரும்பும் பயனர்களால் பரிமாற்றம் மற்றும் காப்பகப்படுத்தலை அனுமதிக்கிறது. இந்த அமைப்பு www.wordvectors.org என்ற இணையதளத்தில் உள்ளது. |
cc383d9308c38e36d268b77bd6acee7bcd79fc10 | தற்போது உடைகள் மற்றும் உள்வைப்பு சுகாதார கண்காணிப்பு தொழில்நுட்பங்களில் ஏற்பட்டுள்ள முன்னேற்றம், நோயாளிகளை எல்லா இடங்களிலும் கண்காணிப்பதற்கு உதவுவதன் மூலம் சுகாதார சேவைகளின் எதிர்காலத்தை மாற்றுவதற்கான வலுவான சாத்தியக்கூறுகளைக் கொண்டுள்ளது. ஒரு பொதுவான சுகாதார கண்காணிப்பு அமைப்பு, உடலில் அணியக்கூடிய அல்லது செருகப்பட்ட சென்சார்கள் கொண்ட ஒரு வலையமைப்பைக் கொண்டுள்ளது. அவை உடலியல் அளவுருக்களை தொடர்ந்து கண்காணிக்கும். சேகரிக்கப்பட்ட தரவு, தற்போதுள்ள வயர்லெஸ் தகவல்தொடர்பு நெறிமுறைகளைப் பயன்படுத்தி, கூடுதல் செயலாக்கத்திற்காக ஒரு அடிப்படை நிலையத்திற்கு அனுப்பப்படுகிறது. இந்த கட்டுரை, WBAN அமைப்புகளின் விரைவான வளர்ச்சி மற்றும் பயன்பாட்டை ஆதரிக்கக்கூடிய குறைந்த சக்தி கொண்ட தொடர்பு தொழில்நுட்பங்களை ஒப்பிடுவதற்கு ஆராய்ச்சியாளர்களுக்கு தகவலை வழங்குகிறது, மேலும் இது முக்கியமாக வயதான அல்லது நாள்பட்ட நோயாளிகளின் தொலைநிலை கண்காணிப்பில் கவனம் செலுத்துகிறது. |
b3e326f56fd2e32f33fd5a8f3138c6633da25786 | இந்த ஆவணம் ரோபோக்கிங் என்ற தன்னியக்க சுத்தம் செய்யும் ரோபோவின் அமைப்பு ஒருங்கிணைப்பு மற்றும் கண்ணோட்டத்தை முன்வைக்கும். ரோபோக்கிங் என்பது சுய இயக்கத்தில் இயங்கும், தானாக இயங்கும் உலர்த்தி சுத்தம் செய்யும் ரோபோ ஆகும். சுத்தம் செய்யும் போது உட்புற சூழலையும், தன்னைப் பாதுகாக்கவும் பல சென்சார்கள் பயன்படுத்தப்படுகிறது. இந்த ஆய்வில், செயல்பாட்டுக் கொள்கையை, அமைப்பு அமைப்பு, சென்சார்கள், செயல்பாடுகள் மற்றும் ஒருங்கிணைந்த துணை அமைப்புகளுடன் இணைந்து விவரிப்போம். |
85b3cd74945cc6517aa3a7017f89d8857c3600da | மாணவர்களின் எதிர்கால செயல்திறனை துல்லியமாக மதிப்பிடுவதன் முக்கியத்துவம், மாணவர்களுக்கு கற்றல் செயல்பாட்டில் போதுமான உதவிகளை வழங்குவதற்கு அவசியம். இந்த நோக்கத்திற்காக, சில அடையாளம் காணப்பட்ட பண்புகளின் மதிப்புகளின் அடிப்படையில், ஒரு மாணவரின் செயல்திறனைக் கணிப்பதற்கான பேய்சியன் நெட்வொர்க்குகளின் பயன்பாட்டை ஆராய்வதை இந்த ஆராய்ச்சி நோக்கமாகக் கொண்டது. உயர்நிலைப் பள்ளி மாணவர்களின் தரவுத்தொகுப்புடன் செயல்திறனைக் கணிப்பது தொடர்பான அனுபவ சோதனைகளை நாங்கள் வழங்கினோம். இதில் 8 பண்புகள் உள்ளன. கல்வித் துறையில் பேய்சியன் அணுகுமுறையின் பயன்பாட்டை இந்த ஆவணம் நிரூபிக்கிறது மற்றும் பேய்சியன் நெட்வொர்க் வகைப்படுத்தி மாணவர் செயல்திறனைக் கணிப்பதற்கான ஒரு கருவியாகப் பயன்படுத்தப்படுவதற்கான சாத்தியக்கூறுகளைக் கொண்டுள்ளது என்பதைக் காட்டுகிறது. |
86aa83ebab0f72ef84f8e6d62379c71c04cb6b68 | |
05e5e58edead6167befb089444d35fbd17b13414 | |
8c63d23cc29dc6221ed6bd0704fccc03baf20ebc | சமீப காலமாக, பயண திசை மற்றும் சுற்றுலாத் தகவல் ஆகியவற்றிலிருந்து தொடங்கி, ஊடாடும் கதை அமைப்புகள் வரை உரையாடல் தொடர்புக்கான பயன்பாடுகள் வெடித்துள்ளன. இருப்பினும், இந்த அமைப்புகளில் பலவற்றிற்கான இயற்கை மொழி உருவாக்கம் (NLG) கூறு பெரும்பாலும் கைவினைப்பொருளாக உள்ளது. இந்த வரம்பு பயன்பாட்டு வரம்பை பெரிதும் கட்டுப்படுத்துகிறது; இது ஒரு குறிப்பிட்ட உள்ளடக்கத்தின் ஏராளமான மாறுபாடுகளை மாறும் மற்றும் தானாகவே உருவாக்கக்கூடிய வெளிப்பாட்டு மற்றும் புள்ளியியல் மொழி உருவாக்கத்தில் சமீபத்திய வேலையை பயன்படுத்தி கொள்ள முடியாது என்பதையும் இது குறிக்கிறது. இந்த பிரச்சனைக்கு ஒரு தீர்வு மொழி உருவாக்கும் வளங்களை உருவாக்குவதற்கான புதிய முறைகளில் உள்ளது என்று நாங்கள் முன்மொழிகிறோம். முன்னர் புராணக் கதைகளுக்கு மட்டுமே பயன்படுத்தப்பட்ட கணினி மொழி ஜெனரேட்டரான ES-TRANSLATOR ஐ விவரிக்கிறோம், மேலும் வலைப்பதிவுகளிலிருந்து தனிப்பட்ட கதைகளுக்குப் பயன்படுத்துவதன் மூலம் EST இன் கள சுயாதீனத்தை அளவு ரீதியாக மதிப்பிடுகிறோம். பின்னர், சமீபத்திய மொழி உருவாக்கம் குறித்த பணிகளை பயன்படுத்தி, கதை உருவாக்கம் செய்வதற்கான ஒரு அளவுருவான வாக்கிய திட்டத்தை உருவாக்குகிறோம். இது கூட்டு செயல்பாடுகளை வழங்குகிறது, உரையாடலில் மற்றும் பார்வையில் மாறுபாடுகள். இறுதியாக, பல்வேறு தனிப்பட்ட கதைகளை மீண்டும் சொல்லும் பயனர்களின் மதிப்பீட்டை முன்வைக்கிறோம். |
43dfdf71c82d7a61367e94ea927ef1c33d4ac17a | முக்கியமான தரவுகளின் விரைவான அதிகரிப்பு மற்றும் நீண்டகால தரவு தக்கவைப்பு மற்றும் பாதுகாப்பு தேவைப்படும் அரசாங்க ஒழுங்குமுறைகளின் எண்ணிக்கை அதிகரித்து வருவதால், நிறுவனங்கள் சேமிப்பக பாதுகாப்புக்கு தீவிர கவனம் செலுத்த வேண்டிய கட்டாயத்தில் உள்ளன. இந்த ஆய்வில், சேமிப்பகத்துடன் தொடர்புடைய முக்கியமான பாதுகாப்பு பிரச்சினைகள் குறித்து விவாதித்து, தற்போதுள்ள சேமிப்பக அமைப்புகளால் வழங்கப்படும் பாதுகாப்பு சேவைகளின் விரிவான ஆய்வு ஒன்றை முன்வைக்கிறோம். சேமிப்பக பாதுகாப்பு இலக்கியத்தின் பரந்த அளவிலானவற்றை நாங்கள் உள்ளடக்குகிறோம், தற்போதுள்ள தீர்வுகளின் விமர்சன மதிப்பாய்வை முன்வைக்கிறோம், அவற்றை ஒப்பிடுகிறோம், மற்றும் சாத்தியமான ஆராய்ச்சி சிக்கல்களை முன்னிலைப்படுத்துகிறோம். |
b594a248218121789e5073a90c31b261610478e0 | இந்த ஆவணம் நேரியல் குறைந்த சதுரங்கள் சிக்கல்களைத் தீர்ப்பதன் மூலம் பெரிய அளவிலான SLAM க்கான ஒரு மூலோபாயத்தை முன்வைக்கிறது. இந்த வழிமுறை துணை வரைபட இணைப்புகளை அடிப்படையாகக் கொண்டது, அங்கு துணை வரைபடங்கள் எந்தவொரு ஏற்கனவே உள்ள SLAM நுட்பத்தையும் பயன்படுத்தி கட்டமைக்கப்படுகின்றன. துணை வரைபடங்கள் ஒருங்கிணைப்பு பிரேம்களை நியாயமான முறையில் தேர்ந்தெடுத்தால், இரண்டு துணை வரைபடங்களை இணைப்பதற்கான குறைந்த சதுரங்கள் குறிக்கோள் செயல்பாடு மாநில திசையனின் சதுர செயல்பாடாக மாறும் என்பது நிரூபிக்கப்பட்டுள்ளது. எனவே, பெரிய அளவிலான SLAM க்கு ஒரு நேரியல் தீர்வு பெறப்படலாம், இது பல உள்ளூர் துணை வரைபடங்களை தொடர்ச்சியாக அல்லது மிகவும் திறமையான பிரித்து வெற்றி கொள்ளும் முறையில் இணைக்க வேண்டும். முன்மொழியப்பட்ட நேரியல் SLAM நுட்பம் அம்சம் அடிப்படையிலான மற்றும் இரண்டு மற்றும் மூன்று பரிமாணங்களில் SLAM வரைபடத்தை நிலைப்படுத்துகிறது, மேலும் கூட்டுத்தன்மை அணிகளின் தன்மை அல்லது மாநில திசையின் ஆரம்ப யூகம் குறித்து எந்த அனுமானமும் தேவையில்லை. இந்த வழிமுறை உகந்த முழு நேரியல் அல்லாத குறைந்தபட்ச சதுர SLAM க்கு ஒரு தோராயமானதாக இருந்தாலும், 2D மற்றும் 3D இல் பொதுவில் கிடைக்கும் தரவுத்தொகுப்புகளைப் பயன்படுத்தி உருவகப்படுத்துதல்கள் மற்றும் சோதனைகள் நேரியல் SLAM ஒரு துல்லியமான ஆரம்ப மதிப்பிலிருந்து தொடங்கும் முழு நேரியல் அல்லாத தேர்வுமுறையைப் பயன்படுத்தி பெறக்கூடிய சிறந்த தீர்வுகளுக்கு மிக நெருக்கமான முடிவுகளை உருவாக்குகின்றன என்பதைக் காட்டுகின்றன. முன்மொழியப்பட்ட வழிமுறையின் C/C++ மற்றும் MATLAB மூலக் குறியீடுகள் OpenSLAM இல் கிடைக்கின்றன. |
69ab8fe2bdc2b1ea63d86c7fd64142e5d3ed88ec | தகவல் மீட்புக்கான பாரம்பரிய நிகழ்தகவு மாதிரிகள் மற்றும் வளர்ந்து வரும் மொழி மாடலிங் அணுகுமுறைகளுக்கு இடையிலான உறவை நாங்கள் ஆராய்வோம். பாரம்பரிய மாதிரிகளின் செயல்திறன் குறித்த முதன்மைத் தடை, பொருத்தமான மாதிரிகளை மதிப்பிடுவதற்கான அவசியம் என்பது நீண்ட காலமாக அங்கீகரிக்கப்பட்டுள்ளது. இந்த சாத்தியங்களை மதிப்பிடுவதற்கு ஒரு புதிய நுட்பத்தை நாங்கள் முன்மொழிகிறோம். நமது நுட்பம் மிகவும் துல்லியமான பொருத்தமான மாதிரிகளை உருவாக்க முடியும் என்பதை நாங்கள் நிரூபிக்கிறோம், இது ஒத்த சொற்களின் முக்கிய கருத்துக்களை உரையாற்றுகிறது. TREC மீட்பு மற்றும் TDT கண்காணிப்பு பணிகளில் அடிப்படை மொழி மாதிரி அமைப்புகள் விட சிறப்பாக செயல்படும் பொருத்தமான மாதிரிகள் எங்கள் சோதனைகள் காட்டுகின்றன. இந்த வேலைகளின் முக்கிய பங்களிப்பு, பயிற்சி தரவு இல்லாமல் ஒரு பொருத்தமான மாதிரியை மதிப்பிடுவதற்கான ஒரு பயனுள்ள முறையான முறையாகும். |
2a894be44d07a963c28893cc6f45d29fbfa872f7 | இயந்திர கற்றல் (ML) வழிமுறைகள் பொதுவாக பெரிய தரவுகளுக்குப் பயன்படுத்தப்படுகின்றன, அவை விநியோகிக்கப்பட்ட அமைப்புகளைப் பயன்படுத்தி தரவை இயந்திரங்கள் முழுவதும் பிரித்து ஒவ்வொரு இயந்திரமும் அனைத்து ML மாதிரி அளவுருக்களையும் படிக்கவும் புதுப்பிக்கவும் அனுமதிக்கின்றன --- தரவு இணையானது என்று அழைக்கப்படும் ஒரு உத்தி. மாற்று மற்றும் கூடுதல் உத்தி, மாதிரி இணையான தன்மை, பகிர்ந்து கொள்ளப்படாத இணையான அணுகல் மற்றும் புதுப்பிப்புகளுக்கான மாதிரி அளவுருக்களைப் பிரிக்கிறது, மேலும் தகவல்தொடர்புகளை எளிதாக்குவதற்கு அளவுருக்களை அவ்வப்போது மறுபகிர்வு செய்யலாம். மாதிரி இணைப்பு என்பது இரண்டு சவால்களால் தூண்டப்படுகிறது, அவை தரவு-இணைப்பு பொதுவாக உரையாற்றாதுஃ (1) அளவுருக்கள் சார்ந்திருக்கலாம், எனவே நேர்மையான ஒரே நேரத்தில் புதுப்பிப்புகள் நெருக்கத்தை மெதுவாக்கும் அல்லது வழிமுறையின் தோல்வியை ஏற்படுத்தும் பிழைகளை அறிமுகப்படுத்தலாம்; (2) மாதிரி அளவுருக்கள் வெவ்வேறு விகிதங்களில் நெருங்குகின்றன, எனவே அளவுருக்களின் ஒரு சிறிய துணைக்குழு ML வழிமுறையின் நிறைவைத் தடுக்கலாம். திட்டமிடப்பட்ட மாதிரி இணையான தன்மை (SchMP) என்ற ஒரு நிரலாக்க அணுகுமுறையை நாங்கள் முன்மொழிகிறோம், இது அளவுரு சார்புகள் மற்றும் சீரற்ற ஒத்திசைவு ஆகியவற்றை கணக்கில் எடுத்துக்கொள்வதன் மூலம் அளவுரு புதுப்பிப்புகளை திறம்பட திட்டமிடுவதன் மூலம் ML வழிமுறை ஒத்திசைவு வேகத்தை மேம்படுத்துகிறது. ஸ்கேலில் ஸ்க்ம்ப் ஆதரவு, நாம் ஒரு விநியோகிக்கப்பட்ட கட்டமைப்பை உருவாக்க STRADS இது ஸ்க்ம்ப் திட்டங்களின் செயல்திறனை மேம்படுத்துகிறது, மற்றும் ஸ்க்ம்ப் திட்டங்கள் என எழுதப்பட்ட நான்கு பொதுவான ML பயன்பாடுகளை பெஞ்ச்மார்க் செய்கிறது: LDA தலைப்பு மாடலிங், மேட்ரிக்ஸ் காரணி, அரிதான குறைந்த சதுரங்கள் (லாசோ) பின்னடை மற்றும் அரிதான தளவாட பின்னடைவு. ஸ்க்ம்ப் நிரலாக்கத்தின் மூலம் ஒரு மறுபடியும் மறுபடியும் முன்னேற்றத்தை மேம்படுத்துவதன் மூலம், STRADS மூலம் மறுபடியும் செயல்திறனை மேம்படுத்துவதன் மூலம், STRADS இல் இயங்கும் ஸ்க்ம்ப் நிரல்கள் மாதிரி அல்லாத இணை ML செயல்படுத்தல்களை விட சிறப்பாக செயல்படுகின்றன என்பதைக் காட்டுகிறோம்ஃ எடுத்துக்காட்டாக, ஸ்க்ம்ப் எல்டிஏ மற்றும் ஸ்க்ம்ப் லாசோ ஆகியவை சமீபத்திய, நன்கு நிறுவப்பட்ட அடிப்படைகளை விட முறையே 10x மற்றும் 5x வேகமான ஒத்திசைவை அடைகின்றன. |
bdc6acc8d11b9ef1e8f0fe2f0f41ce7b6f6a100a | பாரம்பரிய உரை ஒற்றுமை நடவடிக்கைகள் ஒவ்வொரு சொற்களையும் தனக்கு மட்டுமே ஒத்ததாகக் கருதுகின்றன, மேலும் சொற்களின் சொற்பொருள் தொடர்பை மாதிரியாகக் கொண்டிருக்கவில்லை. நாம் ஒரு புதிய பாகுபாடு பயிற்சி முறையை முன்மொழிகிறோம் இது மூல கால திசையன்களை ஒரு பொதுவான, குறைந்த பரிமாண திசையன் இடத்திற்கு திட்டமிடுகிறது. திட்டமிடப்பட்ட திசையன்களின் முன் தேர்ந்தெடுக்கப்பட்ட ஒற்றுமை செயல்பாட்டின் (எ. கா. , கோசைன்) இழப்பைக் குறைக்க உகந்த மேட்ரிக்ஸைக் கண்டுபிடிப்பதன் மூலம் எங்கள் அணுகுமுறை செயல்படுகிறது, மேலும் அதிக பரிமாண இடைவெளியில் ஏராளமான பயிற்சி எடுத்துக்காட்டுகளை திறம்பட கையாள முடியும். இரண்டு வெவ்வேறு பணிகளில் மதிப்பீடு செய்யப்பட்டது, மொழிகள் இடையேயான ஆவணத் தேடல் மற்றும் விளம்பர பொருத்தத்தை அளவிடுதல், எங்கள் முறை தற்போதுள்ள அதிநவீன அணுகுமுறைகளை விட சிறப்பாக செயல்படுவது மட்டுமல்லாமல், குறைந்த பரிமாணங்களில் அதிக துல்லியத்தை அடைகிறது, இதனால் அதிக செயல்திறன் கொண்டது. |
50988101501366324c11e9e7a199e88a9a899bec | |
b2e68ca577636aaa6f6241c3af7478a3ae1389a7 | நோக்கம் நர்சிங் சூழலில் மாற்றம் தலைமைத்துவத்தின் கருத்தை பகுப்பாய்வு செய்ய. நோயாளிகளின் நலனை மேம்படுத்துவதோடு, சிகிச்சைக்கான செலவைக் குறைப்பதற்கும் பொறுப்பான செவிலியர்கள், சுகாதாரப் பராமரிப்பில் சீர்திருத்தங்களைச் செயல்படுத்துவதற்கான உத்திகள் தேவைப்படுகின்றன. மாற்றத்தை ஏற்படுத்தும் தலைமைத்துவத்தை ஆராய்வதும், அதைப் பற்றிய புரிதலை அதிகரிப்பதும், அதன் திறன்களைப் புரிந்துகொள்வதும், செயல்திறனை மேம்படுத்துவதற்கும் நோயாளிகளின் பாதுகாப்பிற்கும் இன்றியமையாதது. வாக்கர் மற்றும் அவாண்ட் (2005) கருத்து பகுப்பாய்வு முறையைப் பயன்படுத்தி DESIGN கருத்து பகுப்பாய்வு. தரவு ஆதாரங்கள் PubMed, CINAHL மற்றும் PsychINFO. முறைகள் இந்த அறிக்கை, மாற்றம் தலைமை, மேலாண்மை, மற்றும் நர்சிங் ஆகியவற்றில் உள்ள இலக்கியங்களை அடிப்படையாகக் கொண்டு, நர்சிங் சூழலில் மாற்றம் தலைமை என்ற கருத்தை திறம்பட பகுப்பாய்வு செய்கிறது. நர்சிங் துறைக்கு பொருந்தும் வகையில் இந்த அறிக்கை, மாற்றம் ஏற்படும் தலைமைத்துவத்திற்கான ஒரு புதிய செயல்பாட்டு வரையறையை முன்மொழிகிறது. நிறுவன கலாச்சாரம் மற்றும் நோயாளிகளின் முடிவுகள் மீது மாற்றம் தலைமைத்துவத்தின் செல்வாக்கு வெளிப்படையானது. மாற்றம் ஏற்படும் தலைமைத்துவத்தை கற்பிக்கக்கூடிய திறன்களின் தொகுப்பாக வரையறுக்க முடியும் என்ற கண்டுபிடிப்பு குறிப்பாக ஆர்வமாக உள்ளது. இருப்பினும், மாற்றம் ஏற்படும் தலைமை நோயாளிகளின் முடிவுகளை பாதிக்கும் வழிமுறை தெளிவாக இல்லை. முடிவில் நர்சிங் துறையில் மாற்றம் தரும் தலைமை உயர் செயல்திறன் கொண்ட குழுக்களுடன் தொடர்புடையது மற்றும் நோயாளிகளின் பராமரிப்பை மேம்படுத்துகிறது, ஆனால் இது கற்பிக்கக்கூடிய திறன்களின் தொகுப்பாக அரிதாகவே கருதப்படுகிறது. மேலும், அனுபவ ரீதியான குறிப்புகளை வலுப்படுத்த மேலும் ஆராய்ச்சி தேவைப்படுகிறது; இது செயல்பாட்டு வரையறையை மேம்படுத்துவதன் மூலம், முக்கிய கட்டமைப்புகளில் தெளிவின்மையைக் குறைப்பதன் மூலமும், துணை அளவிலான நடவடிக்கைகளை சரிபார்க்க மாற்றும் தலைமை சுகாதார விளைவுகளை பாதிக்கும் குறிப்பிட்ட வழிமுறைகளை ஆராய்வதன் மூலமும் செய்ய முடியும். |
bdcdc95ef36b003fce90e8686bfd292c342b0b57 | மதிப்பு மேம்பாட்டிற்காக ஒரு நரம்பியல் வலையமைப்பை மட்டுமே பயன்படுத்தி மூல உணர்வு தரவுகளை பொதுமைப்படுத்துவதில் வலுவூட்டல் கற்றல் பெரும் திறனைக் காட்டியுள்ளது. தற்போதைய அதிநவீன வலுவூட்டல் கற்றல் வழிமுறைகளில் பல சவால்கள் உள்ளன, அவை உலகளாவிய உகந்ததை நோக்கி ஒன்றிணைவதைத் தடுக்கின்றன. இந்த பிரச்சனைகளுக்கு தீர்வு குறுகிய மற்றும் நீண்ட கால திட்டமிடல், ஆய்வு மற்றும் வலுவூட்டல் கற்றல் வழிமுறைகளுக்கான நினைவக மேலாண்மை ஆகியவற்றில் உள்ளது. விளையாட்டுகள் பெரும்பாலும் வலுவூட்டல் கற்றல் வழிமுறைகளை அளவிடுவதற்குப் பயன்படுத்தப்படுகின்றன, ஏனெனில் அவை நெகிழ்வான, மீண்டும் உருவாக்கக்கூடிய மற்றும் கட்டுப்படுத்த எளிதான சூழலை வழங்குகின்றன. இருந்தாலும், சில விளையாட்டுகளில் ஆய்வு, நினைவகம் மற்றும் திட்டமிடல் ஆகியவற்றின் முடிவுகள் எளிதில் உணரப்படும் ஒரு மாநில இடம் உள்ளது. கனவு மாறுபாடு தானியங்கி குறியீட்டாளர் (DVAE) என்பது ஒரு நரம்பியல் நெட்வொர்க் அடிப்படையிலான உருவாக்கும் மாதிரியாக கட்டமைக்கப்பட்ட கட்டமைப்பாகும். இது குறைந்த பின்னூட்டத்துடன் கூடிய சூழல்களில் ஆய்வு செய்யப்படுகிறது. மேலும், ஆழமான பிரமை, ஒரு புதிய மற்றும் நெகிழ்வான பிரமை இயந்திரம், இது பகுதி மற்றும் முழுமையாக கண்காணிக்கக்கூடிய மாநில-வெளிகளில், நீண்ட கால பணிகள், மற்றும் தீர்மானிக்கும் மற்றும் ஸ்டோகாஸ்டிக் சிக்கல்களில் DVAE ஐ சவால் செய்கிறது. ஆரம்ப கண்டுபிடிப்புகளை நாங்கள் காண்பிக்கிறோம் மேலும் ஆக்கபூர்வமான ஆய்வு மூலம் இயக்கப்படும் வலுவூட்டல் கற்றலில் மேலும் பணிகளை ஊக்குவிக்கிறோம். |
7e5af1cf715305fc394b5d24fc1caf17643a9205 | தகவல் தொழில்நுட்பத்திற்கும் (IT) நிறுவனங்களுக்கும் இடையிலான உறவின் தன்மை தகவல் அமைப்புகளின் இலக்கியத்தில் நீண்டகாலமாக விவாதமாக இருந்து வருகிறது. தகவல் தொழில்நுட்பம் நிறுவனங்களை வடிவமைக்கிறதா அல்லது தகவல் தொழில்நுட்பம் எவ்வாறு பயன்படுத்தப்படுகிறது என்பதை நிறுவனத்தில் உள்ளவர்கள் கட்டுப்படுத்துகிறார்களா? இந்த கேள்வியை சற்று வித்தியாசமாக வடிவமைக்க: முகமை (ஒரு வித்தியாசத்தை ஏற்படுத்தும் திறன்) முக்கியமாக இயந்திரங்களுடன் (கணினி அமைப்புகள்) அல்லது மனிதர்களுடன் (நிறுவன நடிகர்கள்) இருக்கிறதா? தொழில்நுட்ப மற்றும் சமூக நிர்ணயவாதத்தின் தீவிரங்களுக்கு இடையில் ஒரு நடுத்தர வழிக்கான பல முன்மொழிவுகள் முன்வைக்கப்பட்டுள்ளன; சமீபத்திய ஆண்டுகளில் சமூக கோட்பாடுகளை நோக்கிய ஆராய்ச்சியாளர்கள் கட்டமைப்பு கோட்பாடு மற்றும் (சமீபத்தில்) நடிகர் நெட்வொர்க் கோட்பாடு ஆகியவற்றில் கவனம் செலுத்தியுள்ளனர். இந்த இரண்டு கோட்பாடுகளும், இருப்பினும், முகவர் பற்றிய வேறுபட்ட மற்றும் இணக்கமற்ற கருத்துக்களை ஏற்றுக்கொள்கின்றன. எனவே, கட்டமைப்புக் கோட்பாடு முகமைகளை மனிதர்களின் ஒரு தனித்துவமான சொத்தாகக் கருதுகிறது, அதேசமயம் நடிகர் நெட்வொர்க் கோட்பாட்டில் பொதுவான சமச்சீர் கொள்கை இயந்திரங்களும் முகவர்களாக இருக்கலாம் என்று குறிக்கிறது. கட்டமைப்புக் கோட்பாடு மற்றும் நடிகர் நெட்வொர்க் கோட்பாடு ஆகிய இரண்டையும் விமர்சித்து, இந்த காகிதம் மனித மற்றும் இயந்திர முகவர் இடையேயான தொடர்பு பற்றிய ஒரு தத்துவார்த்த கணக்கை உருவாக்குகிறதுஃ முகவரின் இரட்டை நடனம். மனித மற்றும் இயந்திர முகவர் ஆகிய இருவரின் வேறுபட்ட தன்மை மற்றும் அவற்றின் தொடர்புகளின் வளர்ந்து வரும் பண்புகளை அங்கீகரிப்பதன் மூலம் தொழில்நுட்பத்திற்கும் அமைப்புக்கும் இடையிலான உறவைக் கோட்பாட்டுக்கு கொண்டு வருவதை இந்த கணக்கு நோக்கமாகக் கொண்டுள்ளது. |
d7cbedbee06293e78661335c7dd9059c70143a28 | நாங்கள் மிகவும் திறமையான சிஎன்என் மாதிரிகள், மொபைல் ஃபேஸ்நெட்டுகள், ஒரு மில்லியனுக்கும் குறைவான அளவுருக்களைப் பயன்படுத்துகின்றன மற்றும் மொபைல் மற்றும் உட்பொதிக்கப்பட்ட சாதனங்களில் உயர் துல்லியமான நிகழ்நேர முக சரிபார்ப்புக்கு குறிப்பாக வடிவமைக்கப்பட்டுள்ளன. முதலில் நாம் ஒரு எளிய பகுப்பாய்வை செய்கிறோம் பொதுவான மொபைல் நெட்வொர்க்குகளின் பலவீனம் முக சரிபார்ப்புக்காக. இந்த பலவீனத்தை நமது சிறப்பாக வடிவமைக்கப்பட்ட மொபைல் ஃபேஸ்நெட்ஸ் மூலம் வெற்றிகரமாக சமாளித்துள்ளோம். அதே சோதனை நிலைமைகளின் கீழ், எங்கள் மொபைல் ஃபேஸ்நெட்டுகள் கணிசமாக உயர்ந்த துல்லியத்தையும், மொபைல்நெட்வி 2 ஐ விட 2 மடங்கு அதிகமான உண்மையான வேகத்தையும் அடைகின்றன. மேம்படுத்தப்பட்ட MS-Celeb-1M இல் ArcFace இழப்பு மூலம் பயிற்சி பெற்ற பிறகு, 4.0MB அளவுள்ள எங்கள் ஒற்றை MobileFaceNet LFW இல் 99.55% துல்லியத்தையும், 92.59% TAR@FAR1e-6 இல் MegaFace ஐ அடைகிறது, இது நூற்றுக்கணக்கான MB அளவுள்ள அதிநவீன பெரிய சிஎன்என் மாதிரிகளுடன் ஒப்பிடத்தக்கது. மொபைல் ஃபேஸ்நெட்டுகளில் வேகமான ஒன்று மொபைல் ஃபோனில் 18 மில்லி வினாடிகள் ஆகும். முகம் சரிபார்ப்புக்கு, மொபைல் ஃபேஸ்நெட்டுகள் முந்தைய அதிநவீன மொபைல் சிஎன்என்-களை விட கணிசமாக மேம்பட்ட செயல்திறனை அடைகின்றன. |
44f18ef0800e276617e458bc21502947f35a7f94 | மார்க்கர் அடிப்படையிலான மற்றும் மார்க்கர் இல்லாத ஒளியியல் எலும்பு இயக்கம்-பதிவு முறைகள் ஒரு காட்சியைச் சுற்றி வைக்கப்பட்டுள்ள கேமராக்களின் வெளிப்புற-உள்ளேயான ஏற்பாட்டைப் பயன்படுத்துகின்றன, காட்சி புள்ளிகள் மையத்தில் ஒன்று சேர்கின்றன. அவர்கள் அடிக்கடி மார்க்கர் உடைகளுடன் அச om கரியத்தை உருவாக்குகிறார்கள், மேலும் அவர்களின் பதிவு அளவு கடுமையாக கட்டுப்படுத்தப்பட்டுள்ளது மற்றும் பெரும்பாலும் கட்டுப்படுத்தப்பட்ட பின்னணியுடன் உட்புற காட்சிகளுக்கு மட்டுப்படுத்தப்படுகிறது. மாற்று உடை அடிப்படையிலான அமைப்புகள் பல சகிப்புத்தன்மை அளவீட்டு அலகுகள் அல்லது ஒரு வெளி எலும்புக்கூட்டைப் பயன்படுத்தி உள்ளே உள்ள அமைப்போடு இயக்கத்தை கைப்பற்றும், அதாவது வெளிப்புற சென்சார்கள் இல்லாமல். இது ஒரு வரையறுக்கப்பட்ட தொகுதியிலிருந்து சுயாதீனமான பிடிப்பை உருவாக்குகிறது, ஆனால் கணிசமான, பெரும்பாலும் கட்டுப்படுத்தும், மற்றும் உடல் கருவிகளை அமைப்பது கடினம். எனவே, நாம் ஒரு புதிய முறையை முன்மொழிகிறோம், உண்மையான நேர, குறிச்சொல் இல்லாத, மற்றும் சுய மைய இயக்கப் பிடிப்புக்கானது: முழு உடல் எலும்புக்கூடு போஸை மதிப்பிடுவது ஒரு ஹெல்மெட் அல்லது மெய்நிகர் ரியாலிட்டி ஹெட்ஸெட்டில் இணைக்கப்பட்ட ஒரு இலகுரக ஸ்டீரியோ ஜோடி மீன் கண் கேமராக்களிலிருந்து - ஒரு ஒளியியல் உள்ளே-இன் முறை, அப்படிச் சொல்வதானால். இது பொதுவாக உட்புற மற்றும் வெளிப்புற காட்சிகளில் முழு உடல் இயக்கத்தை பிடிக்க அனுமதிக்கிறது, இதில் அருகிலுள்ள பல நபர்களுடன் கூடிய கூட்டம் நிறைந்த காட்சிகள் அடங்கும், இது பெரிய அளவிலான நடவடிக்கைகளில் புனரமைப்பு செய்ய உதவுகிறது. மீன் கண் பார்வைகளுக்கான புதிய உருவாக்கும் தோற்ற மதிப்பீட்டு கட்டமைப்பின் வலிமையை எங்கள் அணுகுமுறை ஒரு பெரிய புதிய தரவுத் தொகுப்பில் பயிற்சி பெற்ற ConvNet அடிப்படையிலான உடல் பகுதி கண்டறிதல் மூலம் இணைக்கிறது. மெய்நிகர் யதார்த்தத்தில், முழுமையாக இயக்கம் கைப்பற்றப்பட்ட மெய்நிகர் உடலைப் பார்க்கும்போது, சுதந்திரமாக சுற்றித் திரிவதும், தொடர்புகொள்வதும் மிகவும் பயனுள்ளதாக இருக்கும். |
094ca99cc94e38984823776158da738e5bc3963d | இந்த கட்டுரை, முன்கணிப்புக்காக சிறப்புப்படுத்தப்பட்ட படிப்படியான கற்றல் நடைமுறைகளின் ஒரு வர்க்கத்தை அறிமுகப்படுத்துகிறது - அதாவது, அதன் எதிர்கால நடத்தைகளை முன்கணிப்பதற்கு முற்றிலும் அறியப்படாத ஒரு அமைப்பைப் பற்றிய கடந்தகால அனுபவத்தைப் பயன்படுத்துதல். முன்னறிவிப்பு-கற்றல் முறைகள் முன்னறிவிப்பு மற்றும் உண்மையான முடிவுகளுக்கிடையேயான வேறுபாட்டின் மூலம் கடன் வழங்குகின்றன, புதிய முறைகள் காலப்போக்கில் அடுத்தடுத்த கணிப்புகளுக்கு இடையிலான வேறுபாட்டின் மூலம் கடன் வழங்குகின்றன. சாமுவேலின் செக்கர் பிளேயர், ஹாலண்டின் பக்கெட் பிரிகேட், மற்றும் ஆசிரியரின் தழுவல் ஹூரிஸ்டிக் விமர்சகர் ஆகியவற்றில் இத்தகைய கால-வித்தியாச முறைகள் பயன்படுத்தப்பட்டிருந்தாலும், அவை மோசமாக புரிந்து கொள்ளப்படவில்லை. இங்கு நாம் அவர்களின் ஒற்றுமை மற்றும் சிறப்பு நிகழ்வுகளுக்கான உகந்த தன்மையை நிரூபிக்கிறோம் மற்றும் மேற்பார்வையிடப்பட்ட கற்றல் முறைகளுடன் அவற்றை தொடர்புபடுத்துகிறோம். பெரும்பாலான நிஜ உலக கணிப்பு சிக்கல்களுக்கு, கால-வித்தியாச முறைகளுக்கு வழக்கமான முறைகளை விட குறைவான நினைவகம் மற்றும் குறைவான உச்ச கணக்கீடு தேவைப்படுகிறது, மேலும் அவை மிகவும் துல்லியமான கணிப்புகளை உருவாக்குகின்றன. மேற்பார்வையிடப்பட்ட கற்றல் தற்போது பயன்படுத்தப்படும் பெரும்பாலான சிக்கல்கள் உண்மையில் கால வேறுபாடு முறைகள் பயன்படுத்தக்கூடிய முன்னறிவிப்பு சிக்கல்கள் என்று நாங்கள் வாதிடுகிறோம். |
86955608218ab293d41b6d1c0bf9e1be97f571d8 | |
03aca587f27fda3cbdad708aa69c07fc71b691d7 | இடைநிலை நுரையீரல் நோய்களுக்கான கணினி உதவி நோயறிதல் (CAD) அமைப்பின் மிக முக்கியமான கூறுகளில் ஒன்று தானியங்கி திசு பண்புக்கூறு ஆகும். இந்த துறையில் நிறைய ஆராய்ச்சிகள் மேற்கொள்ளப்பட்டிருந்தாலும், இந்த பிரச்சினை சவாலானதாகவே உள்ளது. ஆழமான கற்றல் நுட்பங்கள் சமீபத்தில் பல்வேறு கணினி பார்வை சிக்கல்களில் ஈர்க்கக்கூடிய முடிவுகளை அடைந்துள்ளன, அவை மருத்துவ பட பகுப்பாய்வு போன்ற பிற களங்களில் பயன்படுத்தப்படலாம் என்ற எதிர்பார்ப்புகளை எழுப்புகின்றன. இந்த ஆய்வில், ILD வடிவங்களின் வகைப்பாட்டிற்காக வடிவமைக்கப்பட்ட ஒரு கன்வோல்ஷனல் நியூரல் நெட்வொர்க் (CNN) ஐ நாங்கள் முன்மொழிகிறோம் மற்றும் மதிப்பீடு செய்கிறோம். முன்மொழியப்பட்ட வலையமைப்பில் 2 × 2 கருக்கள் மற்றும் லீக்கிரெலு செயல்படுத்தல்களுடன் 5 சுருக்க அடுக்குகள் உள்ளன, அதைத் தொடர்ந்து இறுதி அம்ச வரைபடங்களின் அளவிற்கு சமமான சராசரி கூட்டு மற்றும் மூன்று அடர்த்தியான அடுக்குகள் உள்ளன. கடைசி அடர்த்தியான அடுக்கு 7 வெளியீடுகளைக் கொண்டுள்ளது, இது கருதப்பட்ட வகுப்புகளுக்கு சமம்ஃ ஆரோக்கியமான, அரைக்கப்பட்ட கண்ணாடி ஒபாசிட்டி (GGO), மைக்ரோனோடூல்கள், ஒருங்கிணைப்பு, நெட்வொர்க், தேன்கூடு மற்றும் GGO / நெட்வொர்க் கலவையைக் கொண்டுள்ளது. சிஎன்என்-ஐ பயிற்றுவிக்கவும் மதிப்பீடு செய்யவும், நாங்கள் 14,696 படப் புள்ளிகளின் தரவுத்தொகுப்பைப் பயன்படுத்தினோம், இது பல்வேறு ஸ்கேனர்கள் மற்றும் மருத்துவமனைகளில் இருந்து 120 சிடி ஸ்கேன் மூலம் பெறப்பட்டது. எங்களது சிறந்த அறிவுக்கு, இது தான் இந்த குறிப்பிட்ட பிரச்சனைக்காக வடிவமைக்கப்பட்ட முதல் ஆழமான சிஎன்என். முன்மொழியப்பட்ட சிஎன்என் முறையின் செயல்திறனை முந்தைய முறைகளுடன் ஒப்பிடும் போது, ஒரு சவாலான தரவுத்தொகுப்பில் ஒப்பீட்டு பகுப்பாய்வு நிரூபித்தது. வகைப்படுத்தல் செயல்திறன் (~ 85.5%) நுரையீரல் வடிவங்களை பகுப்பாய்வு செய்வதில் சிஎன்என்ஸின் திறனை நிரூபித்தது. எதிர்கால வேலைகளில் சி.என்.என்.ஐ. யை சி.டி. தொகுதி ஸ்கேன்களால் வழங்கப்படும் முப்பரிமாண தரவுகளுக்கு விரிவுபடுத்துவதும், முன்மொழியப்பட்ட முறையை ஒரு சிஏடி அமைப்பில் ஒருங்கிணைப்பதும் அடங்கும், இது ரேடியோலஜிஸ்டுகளுக்கு ஒரு துணை கருவியாக ஐஎல்டிகளுக்கு வேறுபட்ட நோயறிதலை வழங்குவதை நோக்கமாகக் கொண்டுள்ளது. |
e7ad8adbb447300ecafb4d00fb84efc3cf4996cf | செயற்கை நிகழ்தகவு முறை, சுருக்கமான புள்ளிவிவரத்திற்கான ஒரு செருகுநிரல் சாதாரண அடர்த்தி மதிப்பீட்டிலிருந்து தோராயமான நிகழ்தகவு செயல்பாட்டைப் பெறுகிறது, மாடலில் இருந்து மான்டே கார்லோ உருவகப்படுத்துதலால் பெறப்பட்ட செருகுநிரல் சராசரி மற்றும் கூட்டுத்தன்மை மேட்ரிக்ஸ். இந்த கட்டுரையில், மார்கோவ் சங்கிலி மான்டே கார்லோ நடைமுறைகளுக்கு மாற்றுகளை உருவாக்குகிறோம். இது குறைக்கப்பட்ட கணக்கீட்டு ஓவர்ஹெட்ஸுடன் பேயசியன் செயற்கை நிகழ்தகவுகளை செயல்படுத்துகிறது. எங்கள் அணுகுமுறை செயற்கை நிகழ்தகவு சூழலில் பின்னணி தோராயத்திற்கான ஸ்டோகாஸ்டிக் கிராடியன் மாறுபாடு ஊக முறைகளைப் பயன்படுத்துகிறது, இது லோகிராஃபிக் நிகழ்தகவின் பக்கச்சார்பற்ற மதிப்பீடுகளைப் பயன்படுத்துகிறது. புதிய முறையை இலக்கியத்தில் உள்ள ஒரு தொடர்புடைய நிகழ்தகவு இலவச மாறுபட்ட ஊக நுட்பத்துடன் ஒப்பிடுகிறோம், அதே நேரத்தில் அந்த அணுகுமுறையை பல வழிகளில் செயல்படுத்துவதை மேம்படுத்துகிறோம். இந்த புதிய வழிமுறைகள் பாரம்பரிய தோராயமான பேயஸியன் கணக்கீடு (ஏபிசி) முறைகளுக்கு சவாலான சூழ்நிலைகளில் செயல்படுத்த சாத்தியமானவை, அளவுருவின் பரிமாண மற்றும் சுருக்க புள்ளிவிவரத்தின் அடிப்படையில். தரவுகளுக்கான ஒரு தோராயமாக காஸ்ஸியன் சுருக்கமான புள்ளிவிவரம், அளவுருக்கள் பற்றிய ஊகத்திற்கான தகவலறிந்ததாக இருக்கும்போது, செயற்கை நிகழ்தகவு என்பது நிகழ்தகவு இல்லாத ஊகத்திற்கு ஒரு கவர்ச்சிகரமான அணுகுமுறையாகும். |
27a8f746f43876dbd1019235ad8e302ea838a499 | மல்டிரோட்டர்கள் போன்ற மைக்ரோ வான்வழி வாகனங்கள், கட்டிடங்களின் தன்னாட்சி கண்காணிப்பு, ஆய்வு மற்றும் கண்காணிப்புக்கு மிகவும் பொருத்தமானவை, எடுத்துக்காட்டாக, தொழில்துறை ஆலைகளில் பராமரிப்புக்காக. கட்டுப்படுத்தப்பட்ட சூழல்களில் மைக்ரோ வான்வழி வாகனங்களின் முழுமையான தன்னாட்சி செயல்பாட்டிற்கான முக்கிய முன்நிபந்தனைகள் 3 டி வரைபடமாக்கல், நிகழ்நேர போஸ் கண்காணிப்பு, தடைகளை கண்டறிதல் மற்றும் மோதல் இல்லாத பாதைகளை திட்டமிடுதல். இந்த கட்டுரையில், நாம் ஒரு முழுமையான வழிசெலுத்தல் அமைப்பை முன்மொழிகிறோம், இது ஒரு மல்டிமோடல் சென்சார் அமைப்பை சர்வ திசை சூழல் உணர்தலுக்காக வழங்குகிறது. 3D லேசர் ஸ்கேனரின் அளவீடுகள், ஈகோசென்ட்ரிக் லோக்கல் மல்டிரெசல்யூஷன் கிரீட் வரைபடங்களில் சேர்க்கப்படுகின்றன. உள்ளூர் வரைபடங்கள் பதிவு செய்யப்பட்டு, MAV உள்ளூர்மயமாக்கப்பட்ட அலோசென்ட்ரிக் வரைபடங்களுடன் இணைக்கப்படுகின்றன. தன்னாட்சி வழிசெலுத்தலுக்கு, பல அடுக்கு அணுகுமுறையில் நாம் பாதைகளை உருவாக்குகிறோம்: மிஷன் திட்டமிடல் முதல் உலகளாவிய மற்றும் உள்ளூர் பாதை திட்டமிடல் வரை எதிர்வினை தடையைத் தவிர்ப்பது வரை. பல மோதல்கள் ஏற்படும் ஆபத்துகள் நம்பகமான சகல திசை உணர்வை மற்றும் விரைவான வழிசெலுத்தல் எதிர்வினைகளை தேவைப்படும் ஒரு GNSS- மறுக்கப்பட்ட உட்புற சூழலில் எங்கள் அணுகுமுறையை மதிப்பீடு செய்கிறோம். |
e80d9d10956310d4ea926c2105c74de766c22345 | டிஜிட்டல் அரே ரேடார் கட்டமைப்பை இந்த ஆய்வறிக்கை முன்வைக்கிறது மற்றும் முக்கிய தொழில்நுட்பங்கள், டிஜிட்டல் டி / ஆர் தொகுதிகள், அலை வடிவ உருவாக்கம் மற்றும் டி.டி.எஸ் அடிப்படையிலான பெருக்க-கட்ட கட்டுப்பாட்டு தொகுதி, அதிர்வெண் மேல் / கீழ் மாற்றி, உயர் செயல்திறன் சக்தி பெருக்கி, கலப்பின டிஜிட்டல் / மைக்ரோவேவ் மல்டிலேயர் சுற்று மற்றும் உயர் செயல்திறன் கணினி ஆகியவை முக்கிய தொழில்நுட்பங்களாக விவரிக்கப்படுகின்றன. நுண் அமைப்புகள் தொழில்நுட்பங்கள் மற்றும் டிஜிட்டல் வரிசை கட்டிடக்கலை போக்குகளுக்கு இடையிலான தொடர்பு பற்றியும் விவாதிக்கப்படுகிறது. |
6f6e10b229a5a9eca2a2f694143632191d4c5e0c | ஓட்டுநர் சோர்வு நிலைகளை கண்டறிந்து கண்காணிப்பதற்கான தொழில்நுட்ப அணுகுமுறைகள் தொடர்ந்து வெளிவருகின்றன, பல இப்போது வளர்ச்சி, சரிபார்ப்பு சோதனை அல்லது ஆரம்பகால செயல்படுத்தல் கட்டங்களில் உள்ளன. முன்னைய ஆய்வுகள் சோர்வு கண்டறிதல் மற்றும் முன்னறிவிப்பு தொழில்நுட்பங்கள் மற்றும் முறைகள் கிடைக்க பரிசீலனை செய்துள்ளன. பெயரிலிருந்தே தெரிகிறது, இந்த திட்டம், சாலை விபத்துக்களை தவிர்க்க, கார்களை மேலும் புத்திசாலித்தனமாகவும், ஊடாடும் விதமாகவும் மாற்றுவதற்கான மேம்பட்ட தொழில்நுட்பங்களைக் கொண்டுள்ளது. ARM7 ஐப் பயன்படுத்துவதன் மூலம் இந்த அமைப்பு மிகவும் திறமையானதாகவும், நம்பகமானதாகவும், பயனுள்ளதாகவும் மாறும். கார்களில் அல்லது அவர்களுடன் மனித நடத்தை கண்டறிதல் தொடர்பான அமைப்புகள் மிகக் குறைவாகவே உள்ளன. இந்த ஆய்வில், ஓட்டுநர் சோர்வுக்குள்ளான வாகனத்தின் வேகத்தை கட்டுப்படுத்தும் ஒரு உண்மையான நேர ஆன்லைன் பாதுகாப்பு முன்மாதிரி பற்றி விவரிக்கிறோம். இந்த மாதிரி இயக்கிகளின் சோர்வு அறிகுறிகளை கண்டறிவதற்கும் விபத்துக்களைத் தவிர்ப்பதற்காக வாகனத்தின் வேகத்தை கட்டுப்படுத்துவதற்கும் ஒரு அமைப்பை மேம்படுத்துவதே ஆகும். இந்த அமைப்பின் முக்கிய கூறுகள், எரிவாயு, கண் சிமிட்டல், ஆல்கஹால், எரிபொருள், தாக்க உணரிகள் போன்ற பல நிகழ்நேர உணரிகள் மற்றும் இருப்பிடத்திற்கான ஜிபிஎஸ் மற்றும் கூகுள் மேப்ஸ் ஏபிஐகளுடன் மென்பொருள் இடைமுகம் ஆகியவற்றைக் கொண்டுள்ளன. |
593bdaa21941dda0b8c888ee88bbe730c4219ad6 | தரவுத் தோற்றத்தை கண்டறிதல் என்பது தரவுத் தோற்றத்தின் ஒருங்கிணைந்த பகுதியாகும், மேலும் சமீபத்தில் [BKNS00, JTH01, KNT00] அதிக கவனத்தை ஈர்த்துள்ளது. இந்த ஆய்வில், நாம் உள்ளூர் தொடர்பு ஒருங்கிணைப்பு (LOCI) என்று அழைக்கப்படும், விலகல் மதிப்பீடு ஒரு புதிய முறையை முன்மொழிகிறோம். சிறந்த முந்தைய முறைகளைப் போலவே, LOCI என்பது வித்தியாசமான மதிப்புகள் மற்றும் வித்தியாசமான மதிப்புகளின் குழுக்களை (அதாவது மைக்ரோ-குழம்) கண்டறிவதில் மிகவும் பயனுள்ளதாக இருக்கும். கூடுதலாக, இது பின்வரும் நன்மைகளையும் புதுமைகளையும் வழங்குகிறது: (அ) இது ஒரு புள்ளி ஒரு விலகல் மதிப்பு என்பதை தீர்மானிக்க தானியங்கி, தரவு-கட்டளையிடப்பட்ட வெட்டு-இடைநிலையை வழங்குகிறது-இதற்கு மாறாக, முந்தைய முறைகள் பயனர்களை வெட்டு-இடைநிலைகளைத் தேர்ந்தெடுக்க கட்டாயப்படுத்துகின்றன, கொடுக்கப்பட்ட தரவுத் தொகுப்புக்கு எந்த வெட்டு-இடைநிலை மதிப்பு சிறந்தது என்பதற்கான எந்த ஆலோசனையும் இல்லாமல். (b) ஒவ்வொரு புள்ளியிலும் ஒரு LOCI வரைபடத்தை வழங்க முடியும்; இந்த வரைபடம் புள்ளியின் அருகாமையில் உள்ள தரவுகளைப் பற்றிய தகவல்களைச் சுருக்கமாகக் கூறுகிறது, கொத்துகள், மைக்ரோ-கூத்துகள், அவற்றின் விட்டம் மற்றும் அவற்றின் குவியல் இடைவெளிகளை தீர்மானிக்கிறது. தற்போதுள்ள எந்தவொரு அவுட்லீயர் கண்டறிதல் முறையும் இந்த அம்சத்தை பொருத்த முடியாது, ஏனென்றால் அவை ஒவ்வொரு புள்ளியிலும் ஒரு எண்ணை மட்டுமே வெளியிடுகின்றன: அதன் அவுட்லீயர் மதிப்பெண். (c) எமது LOCI முறையை முன்னைய சிறந்த முறைகளை விட விரைவாக கணக்கிட முடியும். (d) மேலும், LOCI என்பது கிட்டத்தட்ட நேரியல் தோராயமான முறையை வழிநடத்துகிறது, aLOCI (தோராயமான LOCI க்கு), இது விரைவான மற்றும் மிகவும் துல்லியமான விலகல் கண்டறிதலை வழங்குகிறது. எமது அறிவின் அடிப்படையில், இதுவே, விலகிய புள்ளிகளை கண்டறிவதற்கு, தோராயமான கணக்கீடுகளை பயன்படுத்தும் முதல் படைப்பாகும். செயற்கை மற்றும் உண்மையான உலக தரவுத் தொகுப்புகளில் மேற்கொள்ளப்பட்ட பரிசோதனைகள், LOCI மற்றும் aLOCI ஆகியவை, பயனர்களால் தேவைப்படும் வெட்டு-அவுட்-ஆல்-லைர்கள் இல்லாமல், அவுட்லைர்கள் மற்றும் மைக்ரோ-குழாய்களை தானாகவே கண்டறிய முடியும் என்பதையும், எதிர்பார்த்த மற்றும் எதிர்பாராத அவுட்லைர்களை விரைவாகக் கண்டறிவதையும் காட்டுகின்றன. |
c1cfb9b530daae4dbb89f96a9bff415536aa7e4b | பாணி மாற்றம் என்பது தன்னிச்சையான காட்சி பாணிகளை உள்ளடக்க படங்களுக்கு மாற்றும் நோக்கத்தைக் கொண்டுள்ளது. இரண்டு ஆவணங்களில் இருந்து எடுக்கப்பட்ட வழிமுறைகளை ஆராய்கிறோம். அவை பாணி மாற்றம் என்ற பிரச்சினையை தீர்க்க முயல்கின்றன. அதே நேரத்தில் காணப்படாத பாணிகள் அல்லது சமரசம் செய்யப்பட்ட காட்சி தரத்தை பொதுமயமாக்குகின்றன. பெரும்பாலான மேம்பாடுகள், உண்மையான நேர பாணி பரிமாற்றத்திற்கான வழிமுறையை மேம்படுத்துவதில் கவனம் செலுத்துகின்றன, அதே நேரத்தில் புதிய பாணிகளுக்கு கணிசமாக குறைந்த வளங்கள் மற்றும் கட்டுப்பாடுகளுடன் பொருந்துகின்றன. இந்த உத்திகளை ஒப்பிட்டு, அவை எவ்வாறு பொருந்துகின்றன என்பதை ஒப்பிட்டு, பார்வைக்கு கவர்ச்சிகரமான படங்களை உருவாக்குகிறோம். பாணி மாற்றத்திற்கான இரண்டு அணுகுமுறைகளை நாங்கள் ஆராய்வோம்: மேம்பாடுகளுடன் நரம்பியல் பாணி மாற்றம் மற்றும் உலகளாவிய பாணி மாற்றம். நாம் உருவாக்கிய வெவ்வேறு படங்களுக்கிடையில் ஒரு ஒப்பீடு செய்து, அவை எவ்வாறு தர ரீதியாக அளவிடப்படலாம் என்பதைப் பார்க்கலாம். |
1d2a3436fc7ff4b964fa61c0789df19e32ddf0ed | இந்த ஆவணம் "மறக்கத்தக்க பரிமாற்றங்கள்" என்ற கருத்தை முன்வைத்து, நன்கு அறியப்பட்ட மற்றும் அடிக்கடி மேற்கோள் காட்டப்பட்ட ஆவணமாக இருப்பதால், நான் கையெழுத்துப் பிரதியைத் தட்டச்சு செய்ய வேண்டும் என்று உணர்ந்தேன், இதன் விளைவாக இங்கே உள்ளது. [பக்கம் 3-ன் படம்] எனினும், சில தவறுகள் அல்லது எழுத்துப்பிழைகள் போன்ற சில விஷயங்கள் மாற்றப்பட்டன. குறியாக்கவியல் பற்றிய பல ஆவணங்களில் உள்ளதைப் போலவே, வழங்கப்பட்ட குறியாக்க நெறிமுறைகளின் பங்கேற்பாளர்களாக ஆலிஸ் மற்றும் பாப் விளையாடுகிறார்கள். வாசிப்புத்திறனைப் பொருத்தவரை, ஆலிஸ் மற்றும் பாப் செய்திகள் முறையே சிவப்பு மற்றும் நீல மை மூலம் அச்சிடப்பட்டன. இந்த பணி எனது சக ஆசிரியர் Y. Sobhdel ([email protected]) என்பவரால் கவனமாக சரிபார்க்கப்பட்டது. முந்தைய பதிப்பில் ஒரு சிறிய தவறு இருப்பதை குறிப்பிட்ட எச். எம். மொகடம் அவர்களுக்கும் நன்றி. இதுபோல, எந்தவொரு தவறுகளையும் நீங்கள் எனக்கு தெரிவித்தால் நான் நன்றியுள்ளவனாக இருப்பேன். |
d20a17b42f95ee07e9a43cc852b35bda407c4be6 | |
caf912b716905ccbf46d6d00d6a0b622834a7cd9 | இயந்திரங்கள் புத்திசாலித்தனமாக மாறியுள்ளதால், அவற்றின் புத்திசாலித்தனத்தை அளவிடுவதற்கான முறைகளில் புதுப்பிக்கப்பட்ட ஆர்வம் உள்ளது. ஒரு பொதுவான அணுகுமுறை மனிதன் சிறந்து விளங்கும், ஆனால் இயந்திரங்கள் கடினமாகக் காணும் பணிகளை முன்மொழிவது. இருப்பினும், ஒரு சிறந்த பணி மதிப்பீடு செய்ய எளிதானது மற்றும் எளிதில் விளையாடக்கூடியதாக இருக்கக்கூடாது. சமீபத்தில் பிரபலமாகிவரும் படங்களுக்கு தலைப்புகளைச் சேர்ப்பது பற்றிய ஒரு வழக்கு ஆய்வோடு தொடங்குகிறோம். இயந்திரங்களின் புலனறிவை அளவிடுவதற்கான ஒரு பணியாக அதன் வரம்புகள். ஒரு மாற்று மற்றும் மிகவும் நம்பிக்கைக்குரிய பணி, ஒரு இயந்திரத்தின் மொழி மற்றும் பார்வை பற்றி பகுத்தறிவு திறனை சோதிக்கும் காட்சி கேள்வி பதில் ஆகும். இந்த பணிக்காக உருவாக்கப்பட்ட முன்னெப்போதும் இல்லாத அளவிலான தரவுத்தொகுப்பை நாங்கள் விவரிக்கிறோம், அதில் 760,000 க்கும் மேற்பட்ட மனிதனால் உருவாக்கப்பட்ட படங்கள் பற்றிய கேள்விகள் உள்ளன. மனிதனால் உருவாக்கப்பட்ட சுமார் 10 மில்லியன் பதில்களைப் பயன்படுத்தி, இயந்திரங்களை எளிதாக மதிப்பீடு செய்யலாம். |
8d3b8a59144352d0f60015f32c836001e4344a34 | மூன்று பரிமாண வடிவியல் தரவு பிரதிநிதித்துவ கற்றல் மற்றும் உருவாக்கும் மாதிரியை ஆய்வு செய்வதற்கான சிறந்த களத்தை வழங்குகிறது. இந்த ஆய்வில், புள்ளி மேகங்களாக பிரதிநிதித்துவப்படுத்தப்பட்ட வடிவியல் தரவுகளை நாம் பார்க்கிறோம். நாங்கள் ஒரு ஆழமான ஆட்டோகோடர் (AE) நெட்வொர்க்கை அறிமுகப்படுத்துகிறோம், இது அதிநவீன மறுகட்டமைப்பு தரம் மற்றும் பொதுமயமாக்கல் திறன் கொண்டது. கற்ற பிரதிநிதித்துவங்கள் 3D அங்கீகார பணிகளில் தற்போதுள்ள முறைகளை விட சிறப்பாக செயல்படுகின்றன மற்றும் எளிய அல்ஜீப்ரா கையாளுதல்கள் மூலம் அடிப்படை வடிவ எடிட்டிங் செய்ய உதவுகின்றன, அதாவது சொற்பொருள் பகுதி எடிட்டிங், வடிவ ஒப்புமைகள் மற்றும் வடிவ இன்டர்போலேஷன். பல்வேறு உருவாக்கும் மாதிரிகள் பற்றிய முழுமையான ஆய்வுகளை நாங்கள் மேற்கொள்கிறோம். இதில் அடங்குபவை: மூல புள்ளி மேகங்களில் இயங்கும் GAN கள், நமது AEs இன் நிலையான மறைந்த இடங்களில் பயிற்சி பெற்ற கணிசமாக மேம்பட்ட GAN கள் மற்றும், காஸ்ஸியன் கலவை மாதிரிகள் (GMM). எமது அளவு மதிப்பீட்டிற்கு, புள்ளி மேகங்களின் தொகுப்புகளுக்கு இடையேயான பொருத்தங்களை அடிப்படையாகக் கொண்ட மாதிரி நம்பகத்தன்மை மற்றும் பன்முகத்தன்மையின் அளவீடுகளை நாங்கள் முன்மொழிகிறோம். சுவாரஸ்யமாக, பொதுமைப்படுத்தல், விசுவாசம் மற்றும் பன்முகத்தன்மை ஆகியவற்றை நாம் கவனமாக மதிப்பீடு செய்ததில், நமது செயற்கை நுண்ணறிவுகளின் மறைந்த இடத்தில் பயிற்சி பெற்ற GMM கள் சிறந்த முடிவுகளைத் தருகின்றன என்பதைக் காட்டுகிறது. |
2c51c8da2f82a956e633049616b1bb7730faa2da | நாம் இன்டர்நெட் ஆஃப் திங்ஸ் (ஐஓடி) -ஐ நோக்கி நகரும்போது, உலகெங்கிலும் பயன்படுத்தப்படும் சென்சார்கள் எண்ணிக்கை வேகமாக அதிகரித்து வருகிறது. கடந்த பத்தாண்டுகளில் சென்சார் பயன்பாடுகள் கணிசமாக அதிகரித்துள்ளதாகவும், எதிர்காலத்தில் இந்த வளர்ச்சி விகிதம் கணிசமாக அதிகரிக்கும் என்றும் சந்தை ஆராய்ச்சிகள் தெரிவிக்கின்றன. இந்த சென்சார்கள் தொடர்ந்து ஏராளமான தரவுகளை உருவாக்குகின்றன. எனினும், மூல சென்சார் தரவுகளுக்கு மதிப்பு சேர்க்கும் பொருட்டு நாம் அதை புரிந்து கொள்ள வேண்டும். இந்த சவாலில் சென்சார் தரவு தொடர்பான சூழலின் சேகரிப்பு, மாதிரியாகக் குறிப்பிடுதல், பகுத்தறிவு மற்றும் விநியோகம் ஆகியவை முக்கியமான பங்கைக் கொண்டுள்ளன. சூழல்-அறிவு கணினி சென்சார் தரவுகளை புரிந்துகொள்வதில் வெற்றிகரமாக நிரூபிக்கப்பட்டுள்ளது. இந்த ஆய்வில், நாம் IoT கண்ணோட்டத்தில் சூழல் விழிப்புணர்வை ஆய்வு செய்கிறோம். ஆரம்பத்தில் IoT முன்னுதாரணத்தையும் சூழல்-அறிவு அடிப்படைகளையும் அறிமுகப்படுத்துவதன் மூலம் தேவையான பின்னணியை நாங்கள் முன்வைக்கிறோம். பின்னர் நாம் சூழல் வாழ்க்கை சுழற்சியின் ஆழமான பகுப்பாய்வை வழங்குகிறோம். கடந்த பத்தாண்டுகளில் (2001-2011) நடத்திய சூழல்-அறிவு கணினி துறையில் முன்மொழியப்பட்ட ஆராய்ச்சி மற்றும் வணிக தீர்வுகளை பிரதிநிதித்துவப்படுத்தும் திட்டங்களின் (50) ஒரு துணைக்குழுவை நாங்கள் மதிப்பீடு செய்கிறோம். இறுதியாக, எமது மதிப்பீட்டின் அடிப்படையில், கடந்த காலத்திலிருந்து கற்றுக்கொள்ள வேண்டிய பாடங்களையும், எதிர்கால ஆராய்ச்சிக்கான சில சாத்தியமான திசைகளையும் நாம் முன்னிலைப்படுத்துகிறோம். இந்த ஆய்வு, சூழல் விழிப்புணர்வு மற்றும் IoT தொடர்பான பல்வேறு நுட்பங்கள், முறைகள், மாதிரிகள், செயல்பாடுகள், அமைப்புகள், பயன்பாடுகள் மற்றும் இடைநிலை தீர்வுகள் ஆகியவற்றை உள்ளடக்கியது. கடந்தகால ஆராய்ச்சிகளை பகுப்பாய்வு செய்து, ஒப்பிட்டு, ஒருங்கிணைத்து, அவற்றின் கண்டுபிடிப்புகளை மதிப்பிடுவது மட்டுமல்லாமல், IoT-க்கு அவற்றின் பொருந்தக்கூடிய தன்மையைப் பற்றி விவாதிப்பதும் எங்கள் குறிக்கோள். |
3406b672402828f2522b57e9ab11e0ae9c76ab2e | உலகளாவிய கணினி, உணர்வுள்ள, தகவல் நிறைந்த "ஸ்மார்ட் இடங்களை" உருவாக்கும் யோசனையை ஊக்குவித்துள்ளது, இது பாரம்பரிய கணினிகளின் எல்லைகளை விரிவுபடுத்துகிறது, இது இயற்பியல் இடங்கள், உட்பொதிக்கப்பட்ட சாதனங்கள், சென்சார்கள் மற்றும் பிற இயந்திரங்களை உள்ளடக்கியது. இதை அடைய, ஸ்மார்ட் இடங்கள் சூழ்நிலை தகவல்களைப் பிடிக்க வேண்டும், இதனால் அவை சூழலில் ஏற்படும் மாற்றங்களைக் கண்டறிந்து அதற்கேற்ப தங்களைத் தழுவிக்கொள்ள முடியும். இருப்பினும், அடிப்படை பாதுகாப்பு சிக்கல்களைக் கருத்தில் கொள்ளாமல், எங்கும் உள்ள கணினி சூழல்கள் பலவீனங்களால் நிறைந்திருக்கலாம். எல்லா இடங்களிலும் கணினி சூழல்கள் பாதுகாப்பு தொடர்பான புதிய தேவைகளை விதிக்கின்றன. அங்கீகாரம் மற்றும் அணுகல் கட்டுப்பாடு போன்ற பாதுகாப்பு சேவைகள், ஊடுருவாத, புத்திசாலித்தனமானதாக இருக்க வேண்டும், மேலும் இடங்களின் வேகமாக மாறிவரும் சூழல்களுக்கு ஏற்ப மாற்றும் திறன் கொண்டதாக இருக்க வேண்டும். எங்கும் காணப்படும் கணினி சூழல்களில் அங்கீகாரம் மற்றும் அணுகல் கட்டுப்பாட்டைச் செய்ய, சூழல்-விழிப்புணர்வை தானியங்கி பகுத்தறிவுடன் ஒருங்கிணைக்கும் ஒரு எங்கும் காணக்கூடிய பாதுகாப்பு வழிமுறையை நாங்கள் முன்வைக்கிறோம். |
e658f77af84415bfa794202c433a22d08c91bed2 | இணையம் என்றழைக்கப்படும் பொருள்களின் (IoT) எழுச்சி காரணமாக பரவலான கணினி ஒரு யதார்த்தமாக மாறி வருகிறது. இந்த மாதிரியில், அன்றாட மற்றும் இயற்பியல் பொருள்கள் அவற்றின் சூழலில் இருந்து பெறப்படும் தகவல்களைக் கண்டறிந்து தொடர்பு கொள்ளும் திறன்களுடன் பொருத்தப்பட்டுள்ளன, அவை ஸ்மார்ட் பொருள்களாக மாறும். இருப்பினும், இத்தகைய நிறுவனங்கள் பொதுவாக மாறிவரும் மற்றும் மாறும் நிலைமைகளைக் கொண்ட சூழல்களில் பயன்படுத்தப்படுகின்றன, அவை அவற்றின் செயல்பாடு அல்லது நடத்தை மாற்றியமைக்க அவற்றால் பயன்படுத்தப்படலாம். ஐரோப்பிய ஒன்றியத்தின் 7வது கட்ட திட்டத்தின் SocIoTal திட்டத்தின் அடிப்படையில், இந்த பணி, IoT சூழ்நிலைகளில் சூழல் சார்ந்த பாதுகாப்பு என அழைக்கப்படும் பாதுகாப்பை அடைவதற்கு, பாதுகாப்பு முடிவுகளை எடுக்கும்போது, அத்தகைய தகவல்களை முதல் தர கூறுகளாக கருதுவதன் மூலம், சூழல் சார்ந்த தகவல்களை எவ்வாறு ஸ்மார்ட் பொருள்களால் கணக்கில் எடுத்துக்கொள்ள முடியும் என்பதைப் பற்றிய ஒரு கண்ணோட்டத்தை வழங்குகிறது. |
1c5a40cff6297bd14ecc3e0c5efbae76a6afce5b | சூழல்-அறிவுள்ள சூழல்களுக்கான பாதுகாப்பு சேவைகளை உருவாக்குவதற்கான ஒரு அணுகுமுறையை நாங்கள் விவரிக்கிறோம். குறிப்பாக, பாதுகாப்பு தொடர்பான சூழலைப் பயன்படுத்தி நெகிழ்வான அணுகல் கட்டுப்பாடு மற்றும் கொள்கை அமலாக்கத்தை வழங்குவதற்கான பாதுகாப்பு சேவைகளின் வடிவமைப்பில் கவனம் செலுத்துகிறோம். முன்னதாக, கொள்கை வரையறையில் சூழல் சார்ந்த தகவல்களைப் பயன்படுத்தி ஒரு பொதுவான அணுகல் கட்டுப்பாட்டு மாதிரியை நாங்கள் முன்வைத்தோம். இந்த ஆவணம் ஒரு அமைப்பு மட்ட சேவை கட்டமைப்பை வழங்குவதன் மூலம் அத்தகைய மாதிரியின் ஒரு கான்கிரீட் உணர்தலை வழங்குகிறது, அத்துடன் கட்டமைப்பிற்கான ஆரம்பகால செயல்படுத்தல் அனுபவத்தையும் வழங்குகிறது. சூழல் சார்ந்த பாதுகாப்பு சேவைகள் மூலம், எங்கள் அமைப்பு கட்டமைப்பு மேம்பட்ட அங்கீகார சேவைகள், நெகிழ்வான அணுகல் கட்டுப்பாடு மற்றும் சூழலில் தற்போதைய நிலைமைகளின் அடிப்படையில் தன்னை மாற்றியமைக்கக்கூடிய ஒரு பாதுகாப்பு துணை அமைப்பு ஆகியவற்றை வழங்குகிறது. எங்கள் கட்டமைப்பு மற்றும் நடைமுறைப்படுத்தல் பற்றி விவாதித்து, பல மாதிரி பயன்பாடுகளை பாதுகாக்க அதை எவ்வாறு பயன்படுத்தலாம் என்பதைக் காட்டுகிறோம். |
4b814e9d09ff72279030960df5718041b8c1b50c | |
586407b38cc3bb0560ff9941a89f3402e34ee08b | இந்த ஆவணம் வணிகச் சூழல் அமைப்பு என்ற கருத்தை விவாதிக்கிறது. வணிகச் சூழல் அமைப்பு என்பது வணிக ஆராய்ச்சி துறையில் ஒப்பீட்டளவில் புதிய கருத்தாகும், மேலும் அதை நிறுவுவதற்கு இன்னும் நிறைய வேலைகள் செய்யப்பட வேண்டும். முதலில் ஒரு உயிரியல் சூழலியல் அமைப்பை ஆய்வு செய்வதன் மூலம் இந்த விஷயத்தை அணுகலாம், குறிப்பாக உயிரியல் சூழலியல் அமைப்புகள் எவ்வாறு வரையறுக்கப்படுகின்றன, அவை எவ்வாறு உருவாகின்றன, அவை எவ்வாறு வகைப்படுத்தப்படுகின்றன மற்றும் கட்டமைக்கப்படுகின்றன. இரண்டாவது, தொழில்துறை சுற்றுச்சூழல் அமைப்பு, சுற்றுச்சூழல் அமைப்பு என்ற பொருளாதாரம், டிஜிட்டல் வணிக சுற்றுச்சூழல் அமைப்பு மற்றும் சமூக சுற்றுச்சூழல் அமைப்பு உள்ளிட்ட உயிரியல் சுற்றுச்சூழல் அமைப்பின் பல்வேறு ஒற்றுமைகள் ஆய்வு செய்யப்படுகின்றன. மூன்றாவதாக, முக்கிய பங்களிப்பாளர்களின் கருத்துக்களை விவாதிப்பதன் மூலமும், பின்னர் ஆசிரியர்களின் சொந்த வரையறையை வெளிப்படுத்துவதன் மூலமும் வணிக சுற்றுச்சூழல் அமைப்பு கருத்து கோடிட்டுக் காட்டப்பட்டுள்ளது. நான்காவது, சமூக அறிவியலில் வளர்ந்து வரும் சிக்கலான ஆராய்ச்சித் துறை, சுற்றுச்சூழல் அமைப்புகள் மற்றும் வணிக சுற்றுச்சூழல் அமைப்புகளை சிக்கலான, தழுவல் அமைப்புகள் என்று கருதுவதற்கான ஆசிரியர்களின் அணுகுமுறை காரணமாக வெளிப்படுகிறது. வணிகச் சூழல் அமைப்புகளில் தோன்றும் முக்கிய சிக்கலான அம்சங்கள் முன்வைக்கப்படுகின்றன; அவை சுய அமைப்பு, தோற்றம், இணை பரிணாமம் மற்றும் தழுவல். வணிகச் சூழல் அமைப்பு கருத்தை சிக்கலான ஆராய்ச்சிக்கு இணைப்பதன் மூலம், மாறிவரும் வணிகச் சூழல்களுக்கு புதிய நுண்ணறிவுகளை கொண்டு வருவது சாத்தியமாகும். |
08c2649dee7ba1ab46106425a854ca3af869c2f0 | பரவலான கருத்துக்கு மாறாக, பெரும்பாலான நவீன கணினிகளில் முக்கிய நினைவகமான டைனமிக் ரேம் (DRAM), மின்சாரம் இழக்கப்பட்ட பின்னர் பல வினாடிகள் அதன் உள்ளடக்கத்தை தக்க வைத்துக் கொள்கிறது, அறை வெப்பநிலையில் கூட மற்றும் மதர்போர்டிலிருந்து அகற்றப்பட்டாலும் கூட. டிஆர்ஏஎம் புதுப்பிக்கப்படாதபோது நம்பகத்தன்மை குறைவாக இருந்தாலும், அது உடனடியாக அழிக்கப்படாது, மேலும் அதன் உள்ளடக்கம் தீங்கிழைக்கும் (அல்லது தடயவியல்) பயன்பாட்டு முழு கணினி நினைவக படங்களை வாங்குவதற்கு போதுமானதாக உள்ளது. இந்த நிகழ்வு இயங்குதளத்தின் திறனை ஒரு இயந்திரத்திற்கு உடல் ரீதியான அணுகலைக் கொண்ட ஒரு தாக்குபவரிடமிருந்து குறியாக்க முக்கிய பொருளைப் பாதுகாக்கும் திறனைக் கட்டுப்படுத்துகிறது என்பதை நாங்கள் காட்டுகிறோம். இது டிஸ்க் குறியாக்கத்தை நம்பியிருக்கும் லேப்டாப் பயனர்களுக்கு ஒரு குறிப்பிட்ட அச்சுறுத்தலை ஏற்படுத்துகிறது: எந்தவொரு சிறப்பு சாதனங்கள் அல்லது பொருட்கள் தேவையில்லாமல் பல பிரபலமான டிஸ்க் குறியாக்க தயாரிப்புகளை சமரசம் செய்ய இது பயன்படுத்தப்படலாம் என்பதை நாங்கள் நிரூபிக்கிறோம். நினைவகத் தக்கவைப்பு மற்றும் அதன் முன்னறிவிப்புத் தன்மை ஆகியவற்றை நாம் பரிசோதனை முறையில் வகைப்படுத்தி, எளிய குளிர்விப்பு நுட்பங்களுடன் மீதமுள்ள நேரங்களை வியத்தகு முறையில் அதிகரிக்க முடியும் என்று அறிக்கை செய்கிறோம். நினைவக படங்களில் உள்ள குறியாக்க விசைகளை கண்டுபிடிப்பதற்கும், பிட் சிதைவால் ஏற்படும் பிழைகளை சரிசெய்வதற்கும் புதிய வழிமுறைகளை நாங்கள் வழங்குகிறோம். இந்த ஆபத்துக்களைக் குறைப்பதற்கான பல உத்திகளைப் பற்றி நாம் விவாதித்தாலும், அவற்றை அகற்றும் எளிய மருந்து எதுவும் நமக்குத் தெரியாது. |
05ba00812bbbe15be83418df6657f74edf76f727 | கடந்த பத்தாண்டுகளில் செயல்களின் அங்கீகாரம் அதிக கவனம் பெற்றுள்ளது. செயல்களைக் கொண்டிருக்கும் வீடியோக்களை குறியிட பல்வேறு அணுகுமுறைகள் முன்மொழியப்பட்டுள்ளன, அவற்றில் சுய ஒற்றுமை அணிகள் (எஸ்எஸ்எம்) வீடியோவின் இயக்கவியல் குறியீட்டு மூலம் மிகச் சிறந்த செயல்திறனைக் காட்டியுள்ளன. ஆனால், மிகப்பெரிய கருத்து மாற்றம் ஏற்பட்டால், SSMகள் உணர்திறன் மிக்கதாக மாறும். இந்த ஆய்வில், நாம் ஒரு பல பார்வை நடவடிக்கை அங்கீகாரம் சிக்கலை தீர்க்க ஒரு மெல்லிய குறியீடு வடிகட்டி (SCF) சட்டத்தை முன்மொழிகிறது இது நடவடிக்கை வடிவங்களை சுரங்க முடியும். முதலாவதாக, வகுப்பு வாரியாக அரிதாக குறியீட்டு முறை வகுப்புக்கு இடையேயான தரவுகளின் அரிதாக குறியீடுகளை நெருக்கமாக வைக்க முன்மொழியப்பட்டுள்ளது. பின்னர், வகுப்பு வாரியான அரிதாக குறியீட்டு செயல்முறை மற்றும் வகைப்படுத்திகளை ஒரு கூட்டு வடிகட்டுதல் (சி.எஃப்) கட்டமைப்பில் ஒருங்கிணைத்து, பாகுபடுத்தும் அரிதாக குறியீடுகள் மற்றும் வகைப்படுத்திகளை ஒன்றாக சுரங்கப்படுத்துகிறோம். பல பொது பல பார்வை நடவடிக்கை அங்கீகாரம் தரவுத்தொகுப்புகள் மீது சோதனை முடிவுகளை முன்வைக்கப்பட்ட SCF கட்டமைப்பை மற்ற மாநில-ன்-கலை முறைகள் outperforms என்று நிரூபிக்க. |
c956b29a133673c32586c7736d12c606f2d59a21 | |
f36ef0d3e8d3abc1f30abc06603471c9aa1cc0d7 | |
9c573daa179718f6c362f296f123e8ea2a775082 | சமமான மற்றும் சமமற்ற இரு வழி சக்தி பிரிப்பன்களுக்கான எச்-விண்கல் செவ்வக அலை வழிகாட்டி டி-ஜங்க்ஷன்களை வடிவமைக்க எளிய மற்றும் திறமையான நடைமுறையை நாங்கள் உருவாக்கியுள்ளோம். இந்த தொகுப்பு செயல்முறை அளவிடக்கூடியது, எந்தவொரு தன்னிச்சையான சக்தி பிளவு-விகிதத்திற்கும் பொருந்தக்கூடிய உற்பத்தி செய்யக்கூடிய கட்டமைப்புகளை உருவாக்குகிறது, மேலும் பரந்த இசைக்குழு செயல்பாட்டை வழங்க முடியும். எங்கள் செயலாக்கத்தில், அதிக அளவு சுதந்திரத்தை வழங்குவதற்காக, T-junctions இன் ஒருங்கிணைந்த பகுதியாக இருக்கும், கீல்கள் மற்றும் தூண்டல் ஜன்னல்களைப் பயன்படுத்தினோம், இதனால், உள்ளீட்டு துறைமுகத்தில் சிறந்த பொருத்தம், சம கட்டத்துடன் கூடிய அலைவரிசையில் பிளாட் பவர்-ஸ்பிளிட் விகிதம், இதில் கட்ட சமநிலை பல்வேறு ஆண்டெனா ஊட்டங்களுக்கு அவசியம். |
640eccc55eeb23f561efcb32ca97d445624cf326 | மின்சார கண்காணிப்பு முதல் நீர் மட்ட அளவீடு வரை உள்ள சாதாரண பயன்பாடுகளில் வயர்லெஸ் சென்சார் நெட்வொர்க்குகள் பெருகிய முறையில் பயன்படுத்தப்படுகின்றன. தற்போதுள்ள நெட்வொர்க் உள்கட்டமைப்பில் சிறப்பாக ஒருங்கிணைக்க, அவை IPv6 ஐப் பயன்படுத்தி தொடர்பு கொள்ள வடிவமைக்கப்பட்டுள்ளன. IPv6-அடிப்படையிலான சென்சார் நெட்வொர்க்குகளில் திசைவிக்கு தற்போதைய de-facto தரநிலை குறுகிய பாதை அடிப்படையிலான RPL ஆகும், இது IETF 6LoWPaN பணிக்குழுவால் உருவாக்கப்பட்டது. இந்த ஆவணம் BackIP ஐ விவரிக்கிறது, இது IPv6- அடிப்படையிலான வயர்லெஸ் சென்சார் நெட்வொர்க்குகளில் தரவு சேகரிப்புக்கான மாற்று திசைவி நெறிமுறை ஆகும், இது பின்னடைவு முன்னுதாரணத்தை அடிப்படையாகக் கொண்டது. பின்னடைவு அடிப்படையிலான நெறிமுறையில், பாதை தீர்மானங்களை தற்போதைய உள்ளூரில் கண்காணிக்கப்பட்ட நிலையின் அடிப்படையில் முனைகளால் ஒரு பாக்கெட் அடிப்படையில் பறக்க முடியும், மேலும் குறுகிய பாதை பாதை நெறிமுறைகளுடன் ஒப்பிடும்போது அவை சிறந்த செயல்திறன் மற்றும் மாறும் நிலைமைகளுக்கு பதிலளிக்கக்கூடிய தன்மையை வழங்க முடியும் என்பதை முந்தைய பணிகள் காட்டுகின்றன. நாம் பல வடிவமைப்பு முடிவுகளை விவாதிக்கிறோம், அவை தேவையானவை, IPv6 உடன் ஒரு அளவிடக்கூடிய மற்றும் திறமையான முறையில் வேலை செய்ய பின்னடைவு திசைவிக்கு உதவுகிறது. இந்த நெறிமுறையின் செயல்திறனை TinyOS அடிப்படையிலான உண்மையான வயர்லெஸ் சென்சார் நெட்வொர்க் சோதனைத் தளத்தில் செயல்படுத்தி மதிப்பீடு செய்கிறோம். |
053912e76e50c9f923a1fc1c173f1365776060cc | ஆழமான கற்றல் பயிற்சியில் முக்கியத்துவம் வாய்ந்த முறைமை ஸ்டோகாஸ்டிக் கிராடியன்ட் வம்சாவளி முறைகள் (எஸ்ஜிடி) பயன்பாட்டை ஆதரிக்கிறது. எளிதில் செயல்படுத்தப்பட்டாலும், SGD களை ஒத்திசைப்பதும், இணக்கப்படுத்துவதும் கடினம். இந்த சிக்கல்கள், SGD களுடன் ஆழமான கற்றல் வழிமுறைகளை உருவாக்குவது, பிழைத்திருத்தம் செய்வது மற்றும் அளவிடுவது சவாலானதாக ஆக்குகிறது. இந்த ஆய்வில், வரையறுக்கப்பட்ட நினைவக BFGS (L-BFGS) மற்றும் கோடு தேடலுடன் இணைந்த சாய்வு (CG) போன்ற மிகவும் சிக்கலான ஆஃப்-தி-ஷெல்ஃப் தேர்வுமுறை முறைகள் ஆழமான வழிமுறைகளை முன்கூட்டியே பயிற்சி செய்வதற்கான செயல்முறையை கணிசமாக எளிதாக்கலாம் மற்றும் விரைவுபடுத்தலாம் என்பதைக் காட்டுகிறோம். எமது பரிசோதனைகளில், எல்பிஎஃப்ஜிஎஸ்/சிஜி மற்றும் எஸ்ஜிடிகளுக்கு இடையேயான வேறுபாடுகள், அல்காரிதமிக் நீட்டிப்புகளை (எ. கா. , ஸ்பாரிசிட்டி ரெகுலரைசேஷன்) மற்றும் வன்பொருள் நீட்டிப்புகளை (எ. கா. , ஜி. பீ. யுக்கள் அல்லது கணினிக் குழுக்கள்) கருத்தில் கொண்டால், அவை மிகவும் வெளிப்படையானவை. விநியோகிக்கப்பட்ட உகப்பாக்கம் குறித்த எங்கள் பரிசோதனைகள், உள்ளூரில் இணைக்கப்பட்ட நெட்வொர்க்குகள் மற்றும் கூட்டுத்திறன் கொண்ட நரம்பியல் நெட்வொர்க்குகளுடன் L-BFGS பயன்பாட்டை ஆதரிக்கின்றன. L-BFGS ஐப் பயன்படுத்தி, எங்கள் கன்வோல்ஷனல் நெட்வொர்க் மாதிரி நிலையான MNIST தரவுத்தொகுப்பில் 0.69% ஐ அடைகிறது. இது திசைதிருப்பல் அல்லது முன் பயிற்சி பயன்படுத்தாத வழிமுறைகளில் MNIST இல் ஒரு மாநில-இன்-கலை முடிவு ஆகும். |
cabcfc0c8704fa15fa8212a6f8944a249d5dcfa9 | இந்த ஆய்வில், மெட்டாமெட்டீரியல் கட்டமைப்பாக சமநிலையான கொள்ளளவு சார்ந்த சுழற்சிகள் (CLL கள்) ஏற்றப்பட்ட ஒரு புதிய மினியேட்டரைஸ் செய்யப்பட்ட இரட்டை பக்க அச்சிடப்பட்ட டிபோல் ஆண்டெனா வழங்கப்படுகிறது. அச்சிடப்பட்ட ஆண்டெனாவின் விளிம்பிற்கு அருகில் வைக்கப்படும் CLL கள் ஆண்டெனாவை இரண்டு வெவ்வேறு அதிர்வெண்களில் கதிர்வீசச் செய்கின்றன, அவற்றில் ஒன்று டிபோல் ஆண்டெனாவின் சுய-ஒலிப்பு அதிர்வெண்ணை விடக் குறைவாக உள்ளது. வேறு வார்த்தைகளில் கூறுவதானால், சுமை அரை அலைநீள டிப்போலின் இயற்கையான ஒலிப்பு அதிர்வெண் ஒப்பிடும்போது சுமை டிபோல் ஆண்டெனா குறைந்த அதிர்வெண்ணில் செயல்பட முடியும். இறுதியாக, CLL உறுப்பு ஒரு பெரிய கொள்ளளவு வழங்குவதற்காக சிப் மின்தேக்கிடன் ஒருங்கிணைக்கப்பட்டுள்ளது, இது விளைவாக CLL உறுப்பு குறைந்த அதிர்வெண்ணில் ஒலிபுகர அனுமதிக்கிறது. முன்மொழியப்பட்ட ஏற்றப்பட்ட இரட்டை துருவ ஆண்டெனா என்பது இரட்டை அலைவரிசை ரேடியேட்டராகும், இது மொபைல் தொடர்பு மற்றும் தொழில்துறை, அறிவியல் மற்றும் மருத்துவ (ஐஎஸ்எம்) அமைப்பு போன்ற பயன்பாடுகளுக்கு ஏற்றதாக இருக்கும். சிறிய அளவிலான இரட்டை ஒலிப்புத்திறன் கொண்ட இருமுனை ஆண்டெனாவின் முன்மாதிரி தயாரிக்கப்பட்டு சோதிக்கப்பட்டது. அளவிடப்பட்ட முடிவுகள், உருவகப்படுத்துதலின் மூலம் பெறப்பட்ட முடிவுகளுடன் நல்ல ஒற்றுமையைக் கொண்டுள்ளன. |
2671bf82168234a25fce7950e0527eb03b201e0c | பென் வால் ஸ்ட்ரீட் ஜர்னல் (WSJ) ட்ரீ பேங்கில் பயிற்சி பெற்ற மற்றும் சோதிக்கப்பட்ட புள்ளிவிவர பகுப்பாய்வாளர்கள் கடந்த 10 ஆண்டுகளில் பெரும் முன்னேற்றங்களைக் காட்டியுள்ளனர். இருப்பினும், இந்த முன்னேற்றத்தின் பெரும்பகுதி, WSJ ட்ரீபேங்க் தரவுகளில் (வழக்கமாக) பயிற்சி பெற வேண்டிய அம்சங்களின் எண்ணிக்கையை அதிகரிப்பதை அடிப்படையாகக் கொண்டது. இது போன்ற பாகுபடுத்திகள் மற்ற வகைகளுக்கு போர்ட்டபிளிட்டி செலவில் இந்த கார்பஸுக்கு மிக நுணுக்கமாக சரிசெய்யப்படலாம் என்ற கவலையை ஏற்படுத்தியுள்ளது. [பக்கம் 3-ன் படம்] தரமான சார்னியாக் பாகுபடுத்தி பென் WSJ சோதனை தொகுப்பில் 89.7% என்ற பெயரிடப்பட்ட துல்லியமான நினைவு f- அளவீட்டில் சரிபார்க்கிறது, ஆனால் பிரவுன் ட்ரீபெங்க் கார்பஸிலிருந்து சோதனை தொகுப்பில் 82.9% மட்டுமே. இந்த காகிதம் இந்த அச்சங்களைத் தணிக்கும். குறிப்பாக, Charniak and Johnson (2005) இல் விவரிக்கப்பட்டுள்ள மறுவரிசைப்படுத்தும் பகுப்பாய்வி பிரவுன் பகுப்பாய்வி செயல்திறனை 85.2% ஆக மேம்படுத்துகிறது என்பதை நாங்கள் காட்டுகிறோம். மேலும், சுய பயிற்சி நுட்பங்களைப் பயன்படுத்துவது (McClosky et al., 2006) லேபிளிடப்பட்ட பிரவுன் தரவுகளைப் பயன்படுத்தாமல் இதை 87.8% ஆக உயர்த்துகிறது (பிழை குறைப்பு 28%) மீண்டும். இது குறிப்பிடத்தக்கது, ஏனெனில் பெயரிடப்பட்ட பிரவுன் தரவுகளில் பாகுபடுத்தி மற்றும் மறுசீரமைப்பவர் 88.4% மட்டுமே அடைகிறார். |
d4e974d68c36de92609fcffaa3ee11bbcbc9eb57 | |
13d09bcec49d2f0c76194f88b59520e6d20e7a34 | குற்றம் நடந்த இடங்களில் இருந்து எடுக்கப்பட்ட அறியப்படாத மறைக்கப்பட்ட கைரேகைகளை சட்ட அமலாக்க தரவுத்தளங்களில் உள்ள முழுமையான (உருட்டப்பட்ட அல்லது சாதாரண) கைரேகைகளுடன் பொருத்துவது குற்றம் மற்றும் பயங்கரவாதத்தை எதிர்த்துப் போராடுவதில் மிகவும் முக்கியமானது. பதிவு செய்யும் போது லைவ்-ஸ்கேன் அல்லது மை முறைகளைப் பயன்படுத்தி பெறப்பட்ட நல்ல தரமான முழுமையான கைரேகைகளுடன் ஒப்பிடும்போது, மறைக்கப்பட்ட கைரேகைகள் பெரும்பாலும் மங்கலானவை மற்றும் மங்கலானவை, சிறிய கைரேகை பகுதியை மட்டுமே கைப்பற்றுகின்றன, மேலும் பெரிய நேரியல் அல்லாத சிதைவைக் கொண்டுள்ளன. இந்த காரணத்திற்காக, மறைநிலைகளில் உள்ள அம்சங்கள் (மினியூட்டியா மற்றும் தனித்துவமான புள்ளிகள்) வழக்கமாக பயிற்சி பெற்ற மறைநிலை ஆய்வாளர்களால் கைமுறையாக குறிக்கப்படுகின்றன. இருப்பினும், இது மறைக்கப்பட்ட ஆய்வாளர்களுக்கும் தானியங்கி கைரேகை அடையாள அமைப்புகளுக்கும் (AFIS) இடையே ஒரு தேவையற்ற இடைசெயல்பாட்டு சிக்கலை அறிமுகப்படுத்துகிறது; ஆய்வாளர்களால் குறிக்கப்பட்ட அம்சங்கள் எப்போதும் AFIS ஆல் தானாகவே பிரித்தெடுக்கப்பட்டவற்றுடன் இணக்கமாக இல்லை, இதன் விளைவாக பொருந்தக்கூடிய துல்லியம் குறைகிறது. மறைமுகமாக இருந்து தானாக பிரித்தெடுக்கப்பட்ட நுணுக்கங்களை பயன்படுத்துவது இடைசெயலாக்க சிக்கலைத் தவிர்க்கலாம் என்றாலும், மறைமுகங்களின் மோசமான தரம் காரணமாக, இத்தகைய நுணுக்கங்கள் மிகவும் நம்பகமானவை அல்ல. இந்த ஆய்வில், கைமுறையாக குறிக்கப்பட்ட (நில உண்மை) நுணுக்கங்களை தானாக பிரித்தெடுக்கப்பட்ட நுணுக்கங்களுடன் இணைப்பதன் மூலம் மறைந்த முதல் முழுமையான கைரேகை பொருந்தும் துல்லியத்தை மேம்படுத்துகிறோம். பொதுக் கள தரவுத்தளமான NIST SD27 இல் சோதனை முடிவுகள் முன்மொழியப்பட்ட வழிமுறையின் செயல்திறனை நிரூபிக்கின்றன. |
a5a268d65ad1e069770c11005021d830754b0b5c | பொருள்களின் இணையம் தற்போது அறிவியல் சமூகத்திடமிருந்து கணிசமான ஆர்வத்தைப் பெற்று வருகிறது. சிறந்த நடைமுறைகளை உருவாக்குவதன் மூலமும், தரப்படுத்தல் மூலமும் பயன்பாட்டினை மேம்படுத்துவதன் மூலம், பராமரிப்பு மற்றும் பாதுகாப்பை மேம்படுத்துவதில் கல்வித்துறை மற்றும் தொழில் துறை இருவரும் கவனம் செலுத்துகின்றனர். இந்த ஆவணம் அடையாள மேலாண்மை, அங்கீகாரம் மற்றும் அங்கீகாரம் ஆகிய துறைகளில் பயன்பாட்டு அடுக்குகளில் இன்டர்நெட் ஆஃப் திங்ஸ் சூழலுக்கு பொருந்தக்கூடிய தற்போதைய ஆராய்ச்சியின் ஒரு ஆய்வு அளிக்கிறது. 200க்கும் மேற்பட்ட கட்டுரைகளை ஆய்வு செய்து, பகுப்பாய்வு செய்து, அவற்றை வகைப்படுத்தி, பொருள்களின் இணைய பாதுகாப்பு துறையில் தற்போதைய போக்குகளை முன்வைக்கிறோம். |
81f76e74807e9d04e14065715e46a2d770a6d9cd | |
df26f9822785b07e787d43429ee5fdd2794ac7f8 | பொருள்களின் தொடர்புடைய இடங்களைக் குறிக்கும் ஒருங்கிணைப்பு பிரேம்களுக்கு இடையிலான பெயரளவு உறவு மற்றும் எதிர்பார்க்கப்படும் பிழை (ஒத்தமைவு) ஆகியவற்றை மதிப்பிடுவதற்கான ஒரு பொதுவான முறையை இந்த ஆவணம் விவரிக்கிறது. பிரேம்கள் மறைமுகமாக மட்டுமே அறியப்படலாம், ஒவ்வொரு இடத்திலும் தொடர்ச்சியான இடவியல் உறவுகள், ஒவ்வொன்றும் அதன் தொடர்புடைய பிழையுடன், நிலைப்படுத்தல் பிழைகள், அளவீட்டு பிழைகள் அல்லது பகுதி பரிமாணங்களில் உள்ள சகிப்புத்தன்மை உள்ளிட்ட பல்வேறு காரணங்களால் ஏற்படுகின்றன. இந்த மதிப்பீட்டு முறையை ஒரு ரோபோவில் இணைக்கப்பட்ட ஒரு கேமரா அதன் பார்வைத் துறையில் ஒரு குறிப்பிட்ட குறிப்புப் பொருளைக் கொண்டிருக்க முடியுமா என்ற கேள்விகளுக்கு பதிலளிக்க பயன்படுத்தலாம். கணக்கிடப்பட்ட மதிப்பீடுகள் ஒரு சுயாதீனமான மான்டே கார்லோ உருவகப்படுத்துதலின் மதிப்பீடுகளுடன் நன்றாக ஒத்துப்போகின்றன. இந்த முறை ஒரு குறிப்பிட்ட பணிக்காக ஒரு நிச்சயமற்ற உறவு போதுமான துல்லியமாக அறியப்பட்டிருக்கிறதா என்பதை முன்கூட்டியே தீர்மானிக்க உதவுகிறது, இல்லையென்றால், ஒரு முன்மொழியப்பட்ட சென்சார் இருப்பிட அறிவில் எவ்வளவு முன்னேற்றம் அளிக்கும். இந்த முறையை ஆறு பட்ட சுதந்திரத்திற்கு பொதுவாக்க முடியும், மேலும் பொருள்களுக்கு இடையேயான உறவுகளை (இருப்பிடம் மற்றும் நோக்குநிலை) மதிப்பிடுவதற்கான நடைமுறை வழிமுறையை வழங்குகிறது, அத்துடன் உறவுகளுடன் தொடர்புடைய நிச்சயமற்ற தன்மையை மதிப்பிடுகிறது. |
414b0d139d83024d47649ba37c3d11b1165057d6 | இந்தியா விவசாயத்தை அடிப்படையாகக் கொண்ட நாடு. வேளாண் சார்ந்த பொருட்களின் உற்பத்தித்திறன் மற்றும் தரத்தை மேம்படுத்த வேண்டியது அவசியம். விவசாயிகளுக்கு நீர்ப்பாசன செயல்பாட்டில் உதவும் தானியங்கி முறையை வடிவமைக்கப்பட்டுள்ளது. இது, விவசாயிக்கு, உள்ளமைக்கப்பட்ட எல்சிடி டிஸ்ப்ளே மற்றும் விவசாயிகளின் செல்போன் எண்ணுக்கு அனுப்பப்படும் செய்திகள் மூலம் தொடர்ந்து அறிவிக்கிறது. மின்வெட்டு அல்லது போதிய மற்றும் சீரான நீர் வழங்கல் இல்லாததால், ஒரே மாதிரியான நீர் விநியோகத்தை பராமரிக்க மின்வெட்டு பிரச்சினைகளை எதிர்கொள்ளும் விவசாயிகளுக்கு இந்த முன்மொழியப்பட்ட வடிவமைப்பு உதவியாக இருக்கும். தானியங்கி பாசன முறை, பதிவு செய்யப்பட்ட எண்ணில் செய்திகளை அனுப்பும் சிம்900 தொகுதி மூலம் அனைத்து பின்னணி நடவடிக்கைகளையும் விவசாயி தொடர்ந்து அறிந்திருப்பார். இந்த சாதனம் நமது சமூகத்திற்கு ஒரு திருப்புமுனையாக இருக்கலாம். இந்த சாதனத்தை நாட்டின் விவசாயிகள் எளிதாக வாங்க முடியும். இந்த முன்மொழியப்பட்ட வடிவமைப்பு மனித உழைப்பை குறைக்க உதவுகிறது. இது ஒரு குறைந்த பட்ஜெட் அமைப்புடன் ஒரு அத்தியாவசிய சமூக பயன்பாட்டுடன் உள்ளது. |
6ed591fec03437ed2bf7479d92f49833e3851f71 | வயர்லெஸ் சென்சார்கள் மற்றும் மங்கலான தர்க்கத்தைப் பயன்படுத்தி விவசாய பயிர்களுக்கு நீர் மற்றும் உர பயன்பாட்டை ஒரு புத்திசாலித்தனமான சொட்டு நீர்ப்பாசன அமைப்பு மேம்படுத்துகிறது. கம்பியில்லா சென்சார் நெட்வொர்க்குகள் பல சென்சார் முனைகள், மையம் மற்றும் கட்டுப்பாட்டு அலகு ஆகியவற்றைக் கொண்டுள்ளன. வெப்பநிலை, மண் ஈரப்பதம் போன்ற தகவல்களை இந்த சென்சார் நேரடியாக சேகரிக்கிறது. இந்தத் தரவு கம்பியில்லா தொழில்நுட்பத்தைப் பயன்படுத்தி மையத்திற்கு அனுப்பப்படுகிறது. இந்த மையம் தரவுகளை மங்கலான தர்க்கத்தைப் பயன்படுத்தி செயலாக்குகிறது மற்றும் வால்வுகளை திறந்து வைத்திருக்க வேண்டிய நேரத்தை தீர்மானிக்கிறது. அதன்படி, சொட்டு நீர்ப்பாசன முறை ஒரு குறிப்பிட்ட காலத்திற்கு செயல்படுத்தப்படுகிறது. முழு அமைப்பும் ஃபோட்டோவோல்டாயிக் செல்களால் இயக்கப்படுகிறது மற்றும் ஒரு தகவல் தொடர்பு இணைப்பைக் கொண்டுள்ளது, இது செல்லுலார் உரை செய்திகள் மூலம் கண்காணிக்கவும், கட்டுப்படுத்தவும், திட்டமிடவும் அனுமதிக்கிறது. இந்த அமைப்பு பயிர்களின் நீர் தேவை அளவை விரைவாகவும் துல்லியமாகவும் கணக்கிட முடியும், இது நீர் சேமிப்பு பாசனத்திற்கு ஒரு அறிவியல் அடிப்படையையும், பயன்படுத்தப்படும் உரத்தின் அளவை மேம்படுத்தும் முறையையும் வழங்க முடியும். |
8075c73fd8b13fa9663230a383f5712bf210ebcf | அரை வறண்ட மற்றும் வறண்ட பகுதிகளில் பல பயிர் முறைகளில் திறமையான நீர் மேலாண்மை ஒரு முக்கிய அக்கறை. விநியோகிக்கப்பட்ட புலத்தில் உள்ள சென்சார் அடிப்படையிலான பாசன முறைகள், உற்பத்தியாளர்கள் தங்கள் உற்பத்தித்திறனை அதிகரிக்கவும், தண்ணீரை சேமிக்கவும் அனுமதிக்கும் தளம் சார்ந்த பாசன நிர்வாகத்தை ஆதரிக்க ஒரு சாத்தியமான தீர்வை வழங்குகின்றன. மாறி வேக நீர்ப்பாசனத்தின் வடிவமைப்பு மற்றும் கருவிகள், கம்பியில்லா சென்சார் நெட்வொர்க் மற்றும் ஒரு தள-குறிப்பிட்ட துல்லியமான நேரியல்-நடவடிக்கை நீர்ப்பாசன அமைப்பின் நிகழ்நேர களத்தில் உணர்தல் மற்றும் கட்டுப்பாட்டுக்கான மென்பொருள் ஆகியவற்றின் விவரங்களை இந்த ஆவணம் விவரிக்கிறது. நிலப்பரப்பு நிலவரங்கள் நிலப்பரப்பில் உள்ள ஆறு புலத்தில் உள்ள சென்சார் நிலையங்களால் கண்காணிக்கப்பட்டன, அவை மண் சொத்து வரைபடத்தின் அடிப்படையில் விநியோகிக்கப்பட்டன, மேலும் அவ்வப்போது மாதிரிகள் எடுக்கப்பட்டு ஒரு அடிப்படை நிலையத்திற்கு கம்பியில்லாமல் அனுப்பப்பட்டன. ஒரு நீர்ப்பாசன இயந்திரம் ஒரு புரோகிராமிங் லாஜிக் கன்ட்ரோலர் மூலம் மின்னணு முறையில் கட்டுப்படுத்தும் வகையில் மாற்றப்பட்டது, இது ஒரு மாறுபட்ட உலகளாவிய நிலைப்படுத்தல் அமைப்பு (ஜிபிஎஸ்) இலிருந்து தெளிப்பான் புவியியல் குறிப்பு இருப்பிடத்தை புதுப்பிக்கிறது மற்றும் அடிப்படை நிலையத்தில் உள்ள ஒரு கணினியுடன் கம்பியில்லாமல் தொடர்பு கொள்கிறது. சென்சார் நெட்வொர்க் மற்றும் பாசனக் கட்டுப்பாட்டாளரிடமிருந்து அடிப்படை நிலையத்திற்கு தொடர்பு சமிக்ஞைகள் குறைந்த செலவுள்ள புளூடூத் வயர்லெஸ் ரேடியோ தகவல்தொடர்பு மூலம் வெற்றிகரமாக இணைக்கப்பட்டன. இந்த ஆய்வில் உருவாக்கப்பட்ட கிராஃபிக் பயனர் இடைமுக அடிப்படையிலான மென்பொருள் நிலையான கள நிலைமைகளுக்கு தொலைநிலை அணுகலை வழங்குகிறது மற்றும் மாறி விகித நீர்ப்பாசன கட்டுப்படுத்தியின் நிகழ்நேர கட்டுப்பாடு மற்றும் கண்காணிப்பை வழங்குகிறது. |
ebf9bfbb122237ffdde5ecbbb292181c92738fd4 | இந்த ஆய்வில் வெப்ப மின்சார ஜெனரேட்டரின் (TEG) வடிவமைப்பு மற்றும் உற்பத்தி மற்றும் இந்த TEG ஐ மண் ஈரப்பத கண்டறிதலாகப் பயன்படுத்தி ஒரு தானியங்கி பாசன முறையை செயல்படுத்துவது ஆகியவை காட்டப்பட்டுள்ளன. இரண்டு வெப்ப பரிமாற்றிகளில் பொருத்தப்பட்ட TEG, காற்றுக்கும் மண்ணுக்கும் இடையிலான வெப்ப வேறுபாட்டைக் கண்டறிந்து, மண்ணின் ஈரப்பத நிலைக்கு ஒரு உறவை நிறுவுகிறது. TEG வெளியீட்டில் இருந்து மண்ணின் ஈரப்பத அளவைப் பெற முடியும் என்பதால், நீர்ப்பாசன முறையை தானியக்கமாக்க மைக்ரோகண்ட்ரோலர் பயன்படுத்தப்படுகிறது. நீர்ப்பாசன முறை TEG மூலம் கண்டறியப்படும் ஈரப்பதத்தின் அடிப்படையில் நீர்ப்பாசனம் செய்யும் மண் பரப்பளவின் நிலைக்கு ஏற்ப மாறுகிறது. மண்ணின் நீர் நுகர்வு மண்ணின் நிலையை அடிப்படையாகக் கொண்ட தானியங்கி நீர்ப்பாசன முறையால் கட்டுப்படுத்தப்படுகிறது, எனவே, கையேடு நீர்ப்பாசன முறையின் நீர் நுகர்வுடன் ஒப்பிடும்போது நீர் சேமிப்பை ஊக்குவிக்கிறது. [பக்கம் 3-ன் படம்] |
59f153ddd37e22af153aa0d7caf3ec44053aa8e8 | தற்போது, நீர்ப்பாசனத்தில் உழைப்பு மற்றும் நீர் சேமிப்பு தொழில்நுட்பம் ஒரு முக்கிய பிரச்சினையாக உள்ளது. சீனாவின் ஜீஜியாங் மாநிலம் லிஷூயில் யூதர்களின் காது நடவுக்காக அர்ப்பணிக்கப்பட்ட புத்திசாலித்தனமான வயல் பாசன முறைக்கான கம்பியில்லா தீர்வு, ஜிக்பீ தொழில்நுட்பத்தின் அடிப்படையில் இந்த ஆய்வில் முன்மொழியப்பட்டது. வழக்கமான கம்பி இணைப்புக்கு பதிலாக, கம்பி இல்லாத வடிவமைப்பு அமைப்பை எளிதாக நிறுவவும் பராமரிக்கவும் உதவியது. ZigBee wireless sensor network இல் முறையே இறுதி சாதனம் மற்றும் ஒருங்கிணைப்பாளராக செயல்படும் வயர்லெஸ் சென்சார்/செயல்படுத்தி முனை மற்றும் போர்ட்டபிள் கன்ட்ரோலரின் வன்பொருள் கட்டமைப்பு மற்றும் மென்பொருள் வழிமுறைகள் விரிவாக உருவாக்கப்பட்டுள்ளன. இறுதியில் முழு அமைப்பின் செயல்திறன் மதிப்பீடு செய்யப்பட்டது. இந்த அமைப்பு நீண்ட காலமாக தடையின்றி மற்றும் முறையாக நடைமுறையில் இயங்குவது அதன் உயர் நம்பகத்தன்மையையும் நடைமுறைக்கு ஏற்ற தன்மையையும் நிரூபித்துள்ளது. நீர்ப்பாசன மேலாண்மையில் வயர்லெஸ் சென்சார் நெட்வொர்க்கின் ஆய்வறிக்கை பயன்பாடாக, இந்த ஆவணம் பெரிய அளவிலான தொலைதூர புத்திசாலித்தனமான நீர்ப்பாசன முறையை நிறுவுவதற்கான ஒரு முறையை வழங்கியது. |
96e92ff6c7642cc75dc856ae4b22a5409c69e6cb | கூட்டுறவு வழிசெலுத்தல் (சி.என்) கூட்டுறவு ரோபோக்களின் குழுவை அவர்களின் தனிப்பட்ட வழிசெலுத்தல் பிழைகளை குறைக்க உதவுகிறது. பொதுவான பல ரோபோ (MR) அளவீட்டு மாதிரிக்கு, இது வெவ்வேறு நேரங்களில் எடுக்கப்பட்ட சகிப்புத்தன்மை வழிசெலுத்தல் தரவு மற்றும் பிற போர்டு சென்சார் அளவீடுகள் இரண்டையும் உள்ளடக்கியது, பல்வேறு தகவல் ஆதாரங்கள் தொடர்புடையதாகின்றன. எனவே, இந்த தொடர்பு, நிலையான மாநில மதிப்பீட்டைப் பெறுவதற்கு தகவல் இணைப்பு செயல்பாட்டில் தீர்க்கப்பட வேண்டும். தொடர்பு விதிகளைப் பெறுவதற்கான பொதுவான அணுகுமுறை ஒரு விரிவாக்கப்பட்ட கூட்டு மாறுபாடு மேட்ரிக்ஸை பராமரிப்பதாகும். இந்த முறை உறவினர் போஸ் அளவீடுகளுக்கு வேலை செய்யும், ஆனால் ஒரு பொதுவான எம்ஆர் அளவீட்டு மாதிரியில் நடைமுறைக்குரியது அல்ல, ஏனெனில் அளவீடுகளை உருவாக்குவதில் ஈடுபட்டுள்ள ரோபோக்களின் அடையாளங்கள், அதே போல் அளவீட்டு நேர நிகழ்வுகள் ஆகியவை முன்னரே அறியப்படவில்லை. தற்போதைய பணிகளில், ஒரு பொதுவான MR அளவீட்டு மாதிரிக்கு ஒரு புதிய நிலையான தகவல் இணைப்பு முறை உருவாக்கப்படுகிறது. முன்மொழியப்பட்ட அணுகுமுறை வரைபடக் கோட்பாட்டை அடிப்படையாகக் கொண்டது. இது தேவைப்படும் தொடர்பு விதிமுறைகளை கோரிக்கையின் பேரில் கணக்கிட அனுமதிக்கிறது. இந்த வரைபடம் குழுவில் உள்ள ஒவ்வொரு ரோபோவாலும் உள்ளூரில் பராமரிக்கப்படுகிறது, இது அனைத்து MR அளவீட்டு புதுப்பிப்புகளையும் குறிக்கிறது. இந்த முறை, MR அளவீடுகளின் பொதுவான சூழ்நிலைகளில் தொடர்பு விதிகளை கணக்கிடுகிறது, அதே நேரத்தில் சம்பந்தப்பட்ட செயல்முறை மற்றும் அளவீட்டு சத்தத்தை சரியாக கையாளுகிறது. மூன்று பார்வை அளவீட்டு மாதிரியின் அடிப்படையில் பார்வை உதவி வழிசெலுத்தலுக்கான முறையின் செயல்திறனை நிரூபிக்கும் ஒரு கோட்பாட்டு உதாரணம் மற்றும் ஒரு புள்ளிவிவர ஆய்வு வழங்கப்பட்டுள்ளது. இந்த முறை ஒரு உருவகப்படுத்தப்பட்ட சூழலில், நிலையான-தாமத மையப்படுத்தப்பட்ட மெருகூட்டல் அணுகுமுறையுடன் ஒப்பிடப்படுகிறது. இந்த முறை உண்மையான படங்கள் மற்றும் வழிசெலுத்தல் தரவுகளை உள்ளடக்கிய ஒரு பரிசோதனையிலும் சரிபார்க்கப்பட்டுள்ளது. கணக்கீட்டு சிக்கலான மதிப்பீடுகள் புதிதாக உருவாக்கப்பட்ட முறை கணக்கீட்டு திறன் கொண்டது என்பதைக் காட்டுகிறது. |
fc20f0ce11946c7d17a676fd880fec6dfc1c0397 | |
bef9d9edd340eb09e2cda37cb7f4d4886a36fe66 | |
96230bbd9804f4e7ac0017f9065ebe488f30b642 | ஆழமான நரம்பியல் நெட்வொர்க்குகளின் சூழலில் ஸ்டோகாஸ்டிக் கிராடியன்ட் வம்சாவளியின் (SGD) நடத்தை புரிந்துகொள்வது சமீபத்தில் நிறைய கவலைகளை எழுப்பியுள்ளது. இந்த வரிசையில், நாம் கோட்பாட்டளவில் ஒரு பொது வடிவத்தை படிக அடிப்படையிலான தேர்வுமுறை இயக்கவியல் சார்புடைய சத்தம், இது SGD மற்றும் நிலையான லாங்கேவின் இயக்கவியல் ஒருங்கிணைக்கிறது. இந்த பொதுவான உகப்பாக்கம் இயக்கவியல் ஆய்வு மூலம், நாம் SGD இன் நடத்தையை குறைந்தபட்சத்திலிருந்து தப்பிப்பதற்கும் அதன் ஒழுங்குபடுத்தல் விளைவுகளுக்கும் பகுப்பாய்வு செய்கிறோம். இரைச்சல் கூட்டு மாறுபாட்டின் சீரமைப்பு மற்றும் இழப்பு செயல்பாட்டின் வளைவு ஆகியவற்றை அளவிடுவதன் மூலம் குறைந்தபட்சத்திலிருந்து தப்பிக்கும் செயல்திறனைக் குறிக்க ஒரு புதிய காட்டி பெறப்படுகிறது. இந்த காட்டி அடிப்படையில், இரண்டு நிபந்தனைகள் அமைக்கப்படுகின்றன, இது எந்த வகை இரைச்சல் கட்டமைப்பு தப்பிக்கும் செயல்திறன் அடிப்படையில் ஐசோட்ரோபிக் இரைச்சலை விட சிறந்தது என்பதைக் காட்டுகிறது. SGD இல் உள்ள அனிசோட்ரோபிக் சத்தம் இரண்டு நிபந்தனைகளை பூர்த்தி செய்கிறது என்பதை நாங்கள் மேலும் காட்டுகிறோம், இதனால் கூர்மையான மற்றும் மோசமான குறைந்தபட்சத்திலிருந்து திறம்பட தப்பிக்க உதவுகிறது, பொதுவாக நன்கு பொதுவான நிலையான மற்றும் தட்டையான குறைந்தபட்சத்திற்கு. இந்த அனிசோட்ரோபிக் பரவலை முழு சாய்வு இறக்கத்துடன் இணைத்து ஐசோட்ரோபிக் பரவலை (அதாவது. லாங்கேவின் இயக்கவியல்) மற்றும் பிற வகை நிலை சார்ந்த சத்தம். |
d908f630582f1a11b6d481e635fb1d06e7671f32 | |
27db63ab642d9c27601a9311d65b63e2d2d26744 | ஒரு தரவுத் தொகுப்பில் இரண்டு கற்றல் வழிமுறைகளை ஒப்பிடுவதற்கான முறைகள் ஏற்கனவே சில காலமாக ஆராய்ந்து வருகின்றன, பல தரவுத் தொகுப்புகளில் பல வழிமுறைகளை ஒப்பிடுவதற்கான புள்ளிவிவர சோதனைகள் பற்றிய பிரச்சினை, இது வழக்கமான இயந்திர கற்றல் ஆய்வுகளுக்கு இன்னும் முக்கியமானது, இது புறக்கணிக்கப்பட்டுள்ளது. இந்த கட்டுரை தற்போதைய நடைமுறையை மறுபரிசீலனை செய்கிறது, பின்னர் தத்துவார்த்தமாகவும், அனுபவ ரீதியாகவும் பல பொருத்தமான சோதனைகளை ஆய்வு செய்கிறது. அதன் அடிப்படையில், வகைப்படுத்திகளின் புள்ளிவிவர ஒப்பீடுகளுக்கு எளிய, ஆனால் பாதுகாப்பான மற்றும் வலுவான அளவுரு அல்லாத சோதனைகளின் தொகுப்பை நாங்கள் பரிந்துரைக்கிறோம்ஃ இரண்டு வகைப்படுத்திகளை ஒப்பிடுவதற்கான வில்கோக்சன் கையொப்பமிடப்பட்ட தரவரிசை சோதனை மற்றும் பல தரவுத் தொகுப்புகளில் அதிக வகைப்படுத்திகளை ஒப்பிடுவதற்கான ஃபிரைட்மேன் சோதனை. பிந்தைய முடிவுகள் புதிதாக அறிமுகப்படுத்தப்பட்ட சிடி (முக்கிய வேறுபாடு) வரைபடங்களுடன் நேர்த்தியாக வழங்கப்படலாம். |
4dbd924046193a51e4a5780d0e6eb3a4705784cd | BayesOpt என்பது நேரியல் அல்லாத தேர்வுமுறை, ஸ்டோகாஸ்டிக் கொள்ளையர்கள் அல்லது தொடர்ச்சியான சோதனை வடிவமைப்பு சிக்கல்களைத் தீர்க்க அதிநவீன பேயஸியன் தேர்வுமுறை முறைகளைக் கொண்ட ஒரு நூலகமாகும். இலக்கு செயல்பாட்டிற்கான ஆதாரங்கள் மற்றும் முந்தைய அறிவைப் பிடிக்க ஒரு பின்புற விநியோகத்தை உருவாக்குவதன் மூலம் பேயஸியன் தேர்வுமுறை மாதிரி திறமையானது. தரமான சி++ இல் கட்டப்பட்ட இந்த நூலகம், கையாளக்கூடியதாகவும், நெகிழ்வானதாகவும் இருக்கும்போது மிகவும் திறமையானது. இது C, C++, Python, Matlab மற்றும் Octave ஆகியவற்றிற்கான பொதுவான இடைமுகத்தை உள்ளடக்கியது. |
801556eae6de26616d2ce90cdd4aecc4e2de7fe4 | ஒரு நாற்காலியில் மின்சார தொடர்பு இல்லாத ஈ.சி.ஜி. அளவீட்டு முறை அன்றாட வாழ்க்கையில் தொடர்ச்சியான சுகாதார கண்காணிப்புக்காக பல்வேறு துறைகளில் பயன்படுத்தப்படலாம். இருப்பினும், இந்த அமைப்பிற்கான உடல் மின்சாரமாக மிதக்கிறது, ஏனெனில் கொள்ளளவு மின்னணுவியல் மற்றும் மிதக்கும் உடல் வெளிப்புற சத்தங்கள் அல்லது இயக்க கலைப்பொருட்களுக்கு மிகவும் உணர்திறன் கொண்டது, இது பொதுவான பயன்முறை சத்தம் போன்ற அளவீட்டு அமைப்பை பாதிக்கிறது. இந்த ஆய்வில், டிரைவ்-சீட்-கிரவுண்ட் சுற்று டிரைவ்-ரைட்-லெக் சுற்று போன்றது பொதுவான பயன்முறையின் சத்தத்தை குறைக்க முன்மொழியப்பட்டுள்ளது. இந்த சமமான சுற்றின் பகுப்பாய்வு செய்யப்பட்டு, வெளியீட்டு சமிக்ஞை அலை வடிவங்கள் டிரைவ்-சீட்-கிரவுண்ட் மற்றும் கொள்ளளவு தரையுடன் ஒப்பிடப்படுகின்றன. இதன் விளைவாக, டிரைவ்-சீட்-கிரவுண்ட் சுழற்சி முழுமையாக கொள்ளளவு கொண்ட ECG அளவீட்டு அமைப்பின் பண்புகளை எதிர்மறை பின்னூட்டமாக கணிசமாக மேம்படுத்துகிறது. |
95f388c8cd9db1e800e515e53aaaf4e9b433866f | 0747-5632/$ 2012 Elsevier Ltd. A http://dx.doi.org/10.1016/j.chb.2012.08.001 தொடர்புடைய ஆசிரியர். டெல். : +886 02 7734 3347; f மின்னஞ்சல் முகவரி: [email protected] (M. Jou). கிளவுட் கம்ப்யூட்டிங் தொழில்நுட்பம் முதிர்ச்சியடைந்து, அனைத்து வகையான டிஜிட்டல்மயமாக்கல் செயல்முறைகளுடனும் ஒருங்கிணைக்கப்பட்டுள்ளது. இது தரவு மற்றும் மென்பொருள் பகிர்வுக்கு ஏராளமான நன்மைகளை வழங்குகிறது, இதனால் சிக்கலான தகவல் தொழில்நுட்ப அமைப்புகளின் நிர்வாகத்தை மிகவும் எளிதாக்குகிறது. பொறியியல் கல்விக்கு, கிளவுட் கம்ப்யூட்டிங் மாணவர்களுக்கு ஒரு உண்மையான கணினி ஆய்வகத்திற்குள் நுழையாமல், பொதுவாக பயன்படுத்தப்படும் மென்பொருளுக்கு பல்துறை மற்றும் எங்கும் அணுகலை வழங்குகிறது. எங்கள் ஆய்வில், மேகக்கணி தொழில்நுட்பங்கள் மூலம் இயக்கப்பட்ட வளங்களைப் பயன்படுத்துவதன் மூலம் ஏற்படும் கற்றல் அணுகுமுறைகள் மற்றும் கல்வி செயல்திறன் ஆகியவற்றை பகுப்பாய்வு செய்தோம். உயர்நிலைப் பள்ளி மற்றும் தொழிற்கல்வி உயர்நிலைப் பள்ளி பின்னணியுடன் கூடிய கல்லூரி மாணவர்களிடையே ஒப்பீடுகள் செய்யப்பட்டன. கணினி உதவி வடிவமைப்பு (CAD) பாடத்திட்டத்தை படித்த நூற்று முப்பத்தி இரண்டு மாணவர்கள் இந்த ஆய்வில் பங்கேற்றனர். தொழில்நுட்ப ஏற்றுக்கொள்ளும் முறை (TAM) அடிப்படை கட்டமைப்பாக பயன்படுத்தப்பட்டது. திறந்த அளவிலான கேள்வித்தாள்கள் கல்வி செயல்திறன் மற்றும் காரணக் கூறுகளை அளவிடுவதற்காக வடிவமைக்கப்பட்டன; இதன் முடிவுகள் மாணவர்களின் இரு குழுக்களுக்கும் இடையில் அறிவாற்றல் துறையில் குறிப்பிடத்தக்க வேறுபாடுகள் இல்லை என்பதைக் குறிக்கின்றன, இருப்பினும் இது உளவியல் மற்றும் உணர்ச்சித் துறைகளில் இல்லை. தொழிற்கல்வி உயர்நிலைப் பள்ளி பின்னணியுடன் கூடிய கல்லூரி மாணவர்கள் CAD பயன்பாடுகளில் அதிக கற்றல் உந்துதலைக் கொண்டிருப்பதாகத் தோன்றியது. 2012 Elsevier Ltd. அனைத்து உரிமைகளும் பாதுகாக்கப்பட்டவை. |
e2413f14a014603253815398e56c7fee0ba01a3d | இந்த அத்தியாயம் ஊடுருவல் கண்டறிதல் ஆராய்ச்சியில் கலை நிலை பற்றிய கண்ணோட்டத்தை வழங்குகிறது. ஊடுருவல் கண்டறிதல் அமைப்புகள் என்பது கணினி அமைப்புகளை கண்காணிக்கும் மற்றும் அவற்றில் நடக்கும் நிகழ்வுகளை ஊடுருவல்களின் அறிகுறிகளுக்காக பகுப்பாய்வு செய்யும் மென்பொருள் மற்றும்/அல்லது வன்பொருள் கூறுகள் ஆகும். கணினி உள்கட்டமைப்புகளின் பரவலான பன்முகத்தன்மை மற்றும் சிக்கலான தன்மை காரணமாக, முற்றிலும் பாதுகாப்பான கணினி அமைப்பை வழங்குவது கடினம். எனவே, கணினி பாதுகாப்பின் பல்வேறு அம்சங்களைக் கையாளும் பல பாதுகாப்பு அமைப்புகள் மற்றும் ஊடுருவல் கண்டறிதல் அமைப்புகள் உள்ளன. இந்த அத்தியாயம் முதலில் கணினி ஊடுருவல்களின் வகைப்படுத்தலை வழங்குகிறது, முக்கிய கணினி தாக்குதல் வகைகளின் சுருக்கமான விளக்கங்களுடன். இரண்டாவதாக, ஊடுருவல் கண்டறிதல் அமைப்புகளின் பொதுவான கட்டமைப்பு மற்றும் அவற்றின் அடிப்படை பண்புகள் வழங்கப்படுகின்றன. மூன்றாவதாக, ஐந்து அளவுகோல்களை அடிப்படையாகக் கொண்ட ஊடுருவல் கண்டறிதல் அமைப்புகளின் வகைப்பாடு (தகவல் மூல, பகுப்பாய்வு உத்தி, நேர அம்சங்கள், கட்டமைப்பு, பதில்) கொடுக்கப்பட்டுள்ளது. இறுதியாக, ஊடுருவல் கண்டறிதல் அமைப்புகள் இந்த வகைகளில் ஒவ்வொன்றிற்கும் ஏற்ப வகைப்படுத்தப்படுகின்றன மற்றும் மிகவும் பிரதிநிதித்துவ ஆராய்ச்சி முன்மாதிரிகள் சுருக்கமாக விவரிக்கப்படுகின்றன. |
42cfb5614cbef64a5efb0209ca31efe760cec0fc | ஒரு வளர்ச்சியடைந்த ரோபோவின் மதிப்பு அமைப்பு முக்கிய உணர்வு உள்ளீடுகள் நிகழ்தகவைக் குறிக்கிறது, உணர்வு உள்ளீடுகளிலிருந்து செயல்திறன் வெளியீடுகளுக்கு வரைபடத்தை மாற்றியமைக்கிறது, மேலும் வேட்பாளர் செயல்களை மதிப்பிடுகிறது. இங்கு அறிக்கையிடப்பட்ட பணியில், குறைந்த மட்ட மதிப்பு முறைமை மாதிரி மற்றும் செயல்படுத்தப்படுகிறது. இது பழக்கவழக்க விளைவு எனப்படும் இணைக்கப்படாத விலங்கு கற்றல் பொறிமுறையை உருவகப்படுத்துகிறது. வலுவூட்டல் கற்றல் புதுமையுடன் ஒருங்கிணைக்கப்படுகிறது. பரிசோதனை முடிவுகள், முன்மொழியப்பட்ட மதிப்பு முறை, ரோபோ பார்வை கோணத் தேர்வு குறித்த ஆய்வில் வடிவமைக்கப்பட்டபடி செயல்படுகிறது என்பதைக் காட்டுகின்றன. |
73447b6a02d1caff0a96472a2e0b571e1be497c8 | இணைய தொழில்நுட்பம் டிஜிட்டல் யுகத்தில் தனிப்பட்ட நினைவுகளை நினைவு கூர்ந்து பகிர்ந்து கொள்ள ஒரு புதிய வழியை வழங்குகிறது. ஆன்லைனில் தனிப்பட்ட நினைவுகளை பதிவிடுவதன் நினைவுச்சின்ன விளைவு என்ன? பரிவர்த்தனை நினைவகம் மற்றும் சுயசரிதை நினைவகம் பற்றிய கோட்பாடுகள் முரண்பாடான கணிப்புகளைச் செய்யும். இந்த ஆய்வில், கல்லூரி மாணவர்கள் ஒரு வாரத்திற்கு தினசரி நாட்குறிப்பை எழுதினர், ஒவ்வொரு நாளின் முடிவிலும் அந்த நாளில் தங்களுக்கு நடந்த அனைத்து நிகழ்வுகளையும் பட்டியலிட்டனர். மேலும், இந்த நிகழ்வுகளை இணையத்தில் பதிவிட்டார்களா என்றும் அவர்கள் தெரிவித்தனர். இந்த ஆய்வில் பங்கேற்றவர்கள், தினசரி பதிவு முடிந்த பிறகு, ஒரு வாராந்திர நினைவக சோதனைக்கு உட்படுத்தப்பட்டனர். இரண்டு சோதனைகளிலும், இணையத்தில் வெளியிடப்பட்ட நிகழ்வுகள் இணையத்தில் வெளியிடப்படாதவற்றை விட குறிப்பிடத்தக்க அளவுக்கு நினைவுகூரப்படுவதற்கான வாய்ப்புகள் அதிகம். நினைவகங்களை ஆன்லைனில் பகிர்வது, நினைவகத்தை தக்கவைத்துக்கொள்ள உதவும் ஒத்திகை மற்றும் அர்த்தம் உருவாக்கும் தனித்துவமான வாய்ப்புகளை வழங்கும் என்று தெரிகிறது. |
b3ede733fcd97271f745d8c0f71e44562abbb6d5 | சிக்கலான நடத்தை செயல்பாட்டை அடையாளம் காண்பது, அதிக பயனுள்ள தலையீடுகளை உருவாக்க வழிவகுக்கும். செயல்பாட்டை அடையாளம் காண ஒரு வழி செயல்பாட்டு நடத்தை மதிப்பீடு (FBA) மூலம். ஆசிரியர்கள் பள்ளிகளில் FBA நடத்துகிறார்கள். இருப்பினும், தரவுகளை கைமுறையாக பதிவு செய்வதற்கான பணிச்சுமை அதிகமாக உள்ளது, மேலும் மாணவர்களுடன் தொடர்பு கொள்ளும்போது முன்னோடிகளையும் விளைவுகளையும் துல்லியமாக அடையாளம் காண்பது குறிப்பிடத்தக்கது. இந்த பிரச்சினைகள் பெரும்பாலும் முழுமையற்ற தகவல்களைப் பிடிப்பதில் விளைவுகளை ஏற்படுத்துகின்றன. CareLog ஆசிரியர்கள் FBA களை எளிதாக நடத்த உதவுகிறது மற்றும் பொருத்தமான தகவல்களைப் பிடிப்பதை மேம்படுத்துகிறது. இந்த ஆய்வில், CareLog இன் வளர்ச்சியைக் கட்டுப்படுத்திய ஐந்து வடிவமைப்புக் கொள்கைகளுக்கு வழிவகுத்த வடிவமைப்பு செயல்முறையை விவரிக்கிறோம். இந்த வடிவமைப்பு கொள்கைகளை உறுதிப்படுத்தும் நோக்கில் ஐந்து மாதங்கள், கிட்டத்தட்ட கட்டுப்படுத்தப்பட்ட ஆய்வு முடிவுகளை நாங்கள் முன்வைக்கிறோம். சிறப்புக் கல்வி அமைப்புகளால் விதிக்கப்படும் பல்வேறு கட்டுப்பாடுகள், HCI பயிற்சியாளர்கள் மற்றும் ஆராய்ச்சியாளர்களுக்கான வடிவமைப்பு மற்றும் மதிப்பீட்டு செயல்முறையை எவ்வாறு பாதிக்கின்றன என்பதைப் பற்றி நாங்கள் சிந்திக்கிறோம். |
77e7b0663f6774b3d6e1d51106020a9a0f96bcd2 | இந்த கட்டுரை இணைய பயன்பாட்டிற்கும் தனிநபர் அளவிலான சமூக மூலதன உற்பத்திக்கும் இடையிலான உறவை ஆராய்கிறது. இதைச் செய்ய, எழுத்தாளர்கள் குடிமக்கள் ஈடுபாடு, நபர் நம்பிக்கை மற்றும் வாழ்க்கை திருப்தி ஆகியவற்றை முன்னறிவிக்கும் காரணிகளை ஆராய்ந்தபோது இணைய பயன்பாட்டின் வகைகளை வேறுபடுத்துவதற்கு ஒரு உந்துதல் முன்னோக்கை ஏற்றுக்கொள்கிறார்கள். 1999 டிடிபி வாழ்க்கை முறை ஆய்வைப் பயன்படுத்தி முக்கிய புள்ளிவிவர, சூழல் மற்றும் பாரம்பரிய ஊடக பயன்பாட்டு மாறிகள் ஆகியவற்றோடு தொடர்புடைய புதிய ஊடக பயன்பாட்டின் முன்கணிப்பு சக்தி பகுப்பாய்வு செய்யப்படுகிறது. சங்கங்களின் அளவு பொதுவாக சிறியதாக இருந்தாலும், தரவு இணையத்தின் தகவல் பயன்பாடுகள் சமூக மூலதன உற்பத்தியில் தனிப்பட்ட வேறுபாடுகளுடன் நேர்மறையாக தொடர்புடையவை என்று கூறுகின்றன, அதே நேரத்தில் சமூக-பொழுதுபோக்கு பயன்பாடுகள் இந்த குடிமக்கள் குறிகாட்டிகளுடன் எதிர்மறையாக தொடர்புடையவை. தலைமுறை வயது இடைவெளிகளால் வரையறுக்கப்பட்ட துணை மாதிரிகளுக்குள் பகுப்பாய்வுகள் சமூக மூலதன உற்பத்தி தலைமுறை X க்கு இடையில் இணைய பயன்பாட்டுடன் தொடர்புடையது, அதே நேரத்தில் இது பேபி பூமர்களுக்கு இடையில் தொலைக்காட்சி பயன்பாடு மற்றும் குடிமக்கள் தலைமுறையின் உறுப்பினர்களுக்கு இடையில் செய்தித்தாள் பயன்பாடு ஆகியவற்றுடன் தொடர்புடையது. வாழ்க்கைச் சுழற்சி மற்றும் குழு விளைவுகளின் சாத்தியம் விவாதிக்கப்படுகிறது. |
076be17f97325fda82d1537aaa48798eb66ba91f | அடையாள அடிப்படையிலான குறியாக்கம் (IBE) என்பது பொது விசை குறியாக்கத்திற்கு ஒரு உற்சாகமான மாற்றாகும், ஏனெனில் IBE ஒரு பொது விசை உள்கட்டமைப்பின் (PKI) தேவையை நீக்குகிறது. IBE ஐப் பயன்படுத்தும் அனுப்புநர்கள், பெறுநர்களின் பொது விசைகள் மற்றும் அதனுடன் தொடர்புடைய சான்றிதழ்களைத் தேட வேண்டியதில்லை, அடையாளங்கள் (எ. கா. மின்னஞ்சல்கள் அல்லது ஐபி முகவரிகள்) போதுமானதாக இருக்கும். எந்தவொரு PKI- அல்லது அடையாள அடிப்படையிலான அமைப்பும், பயனர்களை கணினியிலிருந்து திரும்பப் பெறுவதற்கான ஒரு வழியை வழங்க வேண்டும். திறமையான ரத்து என்பது பாரம்பரிய PKI அமைப்பில் நன்கு ஆய்வு செய்யப்பட்ட ஒரு பிரச்சினையாகும். எனினும் IBE அமைப்பில், ரத்து செய்யும் வழிமுறைகளை ஆய்வு செய்வதில் சிறிய வேலைகள் செய்யப்பட்டுள்ளன. மிகவும் நடைமுறை தீர்வு, அனுப்புநர்கள் குறியாக்கத்தின் போது கால அவகாசங்களைப் பயன்படுத்த வேண்டும், மேலும் அனைத்து பெறுநர்களும் (அவர்களின் விசைகள் சமரசம் செய்யப்பட்டதா இல்லையா என்பதைப் பொருட்படுத்தாமல்) நம்பகமான அதிகாரியைத் தொடர்புகொள்வதன் மூலம் தங்கள் தனிப்பட்ட விசைகளை தவறாமல் புதுப்பிக்க வேண்டும். இந்த தீர்வு நன்றாக அளவிடப்படவில்லை என்பதை நாம் கவனிக்கிறோம் - பயனர்களின் எண்ணிக்கை அதிகரிக்கும் போது, முக்கிய மேம்படுத்தல்களின் பணி ஒரு குவியலாக மாறும். நம்பகமான தரப்பினரின் (பயனர்களின் எண்ணிக்கையில் நேரியல் முதல் லோகரிதம் வரை) முக்கிய புதுப்பிப்பு செயல்திறனை கணிசமாக மேம்படுத்தும் ஒரு IBE திட்டத்தை நாங்கள் முன்மொழிகிறோம், அதே நேரத்தில் பயனர்களுக்கு திறமையாக இருக்கும். எங்கள் திட்டம் புதிரான IBE பண்டைய மற்றும் பைனரி மரம் தரவு கட்டமைப்பின் கருத்துக்களை அடிப்படையாகக் கொண்டது, மேலும் இது நிரூபிக்கக்கூடிய பாதுகாப்பானது. |
7a58abc92dbe41c9e5b3c7b0a358ab9096880f25 | கோரப்படாத மொத்த மின்னஞ்சலை (ஸ்பேம்) குறைக்க அடிக்கடி முன்மொழியப்பட்ட ஒரு முறை, அனுப்புநர்கள் அவர்கள் அனுப்பும் ஒவ்வொரு மின்னஞ்சலுக்கும் பணம் செலுத்துவதாகும். வேலை நிரூபனத் திட்டங்கள் உண்மையான பணத்தை வசூலிப்பதைத் தவிர்க்கும், ஏனெனில் குறியாக்க புதிரைத் தீர்க்க அவர்கள் செயலாக்க நேரத்தை செலவிட்டதாக அனுப்புநர்கள் நிரூபிக்க வேண்டும். ஸ்பேமை தடுப்பதில் திறம்பட இருக்க அந்த புதிர் எவ்வளவு கடினமாக இருக்க வேண்டும் என்பதை தீர்மானிக்க முயற்சிக்கிறோம். நாம் இதை பொருளாதார கண்ணோட்டத்தில் பகுப்பாய்வு செய்கிறோம், "ஸ்பேம் அனுப்புவதை எவ்வாறு செலவு குறைந்ததாக மாற்றுவது" மற்றும் பாதுகாப்பு கண்ணோட்டத்தில், "ஸ்பேமர்கள் பாதுகாப்பற்ற இறுதி பயனர் இயந்திரங்களை அணுகலாம் மற்றும் புதிர்களைத் தீர்க்க செயலாக்க சுழற்சிகளைத் திருடுவார்கள்". இரண்டு பகுப்பாய்வுகளும் புதிர் சிரமத்தின் ஒத்த மதிப்புகளுக்கு வழிவகுக்கிறது. துரதிருஷ்டவசமாக, ஒரு பெரிய ISPயின் உண்மையான உலகத் தரவு, இந்த சிரம நிலைகள், கணிசமான எண்ணிக்கையிலான முறையான மின்னஞ்சல் அனுப்புநர்கள் தங்கள் தற்போதைய செயல்பாட்டு நிலைகளைத் தொடர முடியாது என்று அர்த்தம். வேலை நிரூபணம் என்பது ஸ்பேம் பிரச்சினையை தீர்க்கும் தீர்வாக இருக்காது என்று நாங்கள் முடிவு செய்கிறோம். |
5284e8897f3a73ff08da1f2ce744ba652583405a | 1. சுருக்கம் கணினி அறிவியல் படிப்புகள் இருந்த காலமாக கணினி அறிவியல் படிப்புகளின் ஒரு அம்சமாக நிரலாக்க பணிகளை தானியங்கி தரவரிசைப்படுத்துதல் உள்ளது [1]. இருப்பினும், கணினி அறிவியல் பாடங்களில் தற்கால தானியங்கி தரப்படுத்தல் அமைப்புகள் தங்கள் நோக்கம் ஆட்டோமேட்டட் மதிப்பீட்டைச் செய்வதைத் தாண்டி, விளையாட்டுப்படுத்தல் [2], சோதனை கவரேஜ் பகுப்பாய்வு [3], மனித-கட்டுரையாக்கப்பட்ட பின்னூட்டத்தை நிர்வகித்தல், போட்டி தீர்ப்பு [4], பாதுகாப்பான தொலைநிலை குறியீடு செயல்படுத்தல் [5] மற்றும் பலவற்றை உள்ளடக்கியது. இந்த தனிப்பட்ட அம்சங்கள் பல கணினி அறிவியல் கல்வி இலக்கியத்தில் விவரிக்கப்பட்டு மதிப்பீடு செய்யப்பட்டுள்ளன, ஆனால் கணினி அறிவியல் பாடங்களில் இந்த அம்சங்களை செயல்படுத்தும் அமைப்புகளைப் பயன்படுத்துவதன் நடைமுறை நன்மைகள் மற்றும் சவால்களுக்கு சிறிய கவனம் கொடுக்கப்பட்டுள்ளது. |
8a58a1107f790bc07774d18e0184e4bf9d1901ba | இந்த ஆய்வறிக்கை, WiTrack என்ற ஒரு அமைப்பை முன்வைக்கிறது, இது ஒரு பயனரின் 3D இயக்கத்தை அவரது உடலில் இருந்து பிரதிபலிக்கும் வானொலி சமிக்ஞைகளிலிருந்து கண்காணிக்கிறது. WiTrack சாதனத்திலிருந்து அல்லது வேறு அறையில் இருந்து அந்த நபர் மறைக்கப்பட்டிருந்தாலும் கூட இது வேலை செய்கிறது. WiTrack பயனருக்கு எந்தவொரு வயர்லெஸ் சாதனத்தையும் எடுத்துச் செல்ல தேவையில்லை, ஆனால் அதன் துல்லியம் தற்போதைய RF உள்ளூர்மயமாக்கல் அமைப்புகளை விட அதிகமாக உள்ளது, இது பயனருக்கு டிரான்ஸ்ஸீவரை வைத்திருக்க வேண்டும். WiTrack முன்மாதிரியுடன் மேற்கொள்ளப்பட்ட அனுபவ அளவீடுகள், சராசரியாக, இது மனித உடலின் மையத்தை x மற்றும் y பரிமாணங்களில் 10 முதல் 13 செ.மீ. வரையிலான இடைவெளியில், மற்றும் z பரிமாணத்தில் 21 செ.மீ. வரையிலான இடைவெளியில் உள்ளடக்கியது என்பதைக் காட்டுகிறது. இது உடல் பாகங்களின் தோராயமான கண்காணிப்பையும் வழங்குகிறது, இது 11.20 இன் நடுத்தரத்துடன் சுட்டிக்காட்டும் கையின் திசையை அடையாளம் காணும். WiTrack என்பது RF அடிப்படையிலான உள்ளூர்மயமாக்கல் அமைப்புகளுக்கிடையேயான இடைவெளியை அடைகிறது. இது சுவர்கள் மற்றும் மறைவுகள் மூலம் ஒரு பயனரைக் கண்டறிகிறது. மேலும் கினெக்ட் போன்ற மனித-கணினி தொடர்பு அமைப்புகளும், ஒரு பயனரை அவரது உடலைக் கருவி செய்யாமல் கண்காணிக்க முடியும், ஆனால் பயனர் சாதனத்தின் நேரடி பார்வைக்குள்ளேயே இருக்க வேண்டும். ஆய்வறிக்கை மேற்பார்வையாளர்: டினா கதாபி தலைப்பு: கணினி அறிவியல் மற்றும் பொறியியல் பேராசிரியர் |
42004b6bdf5ea375dfaeb96c1fd6f8f77d908d65 | இணைய தேடல் தரவரிசைகள் நுகர்வோர் தேர்வுகளில் குறிப்பிடத்தக்க தாக்கத்தை ஏற்படுத்துகின்றன, முக்கியமாக பயனர்கள் நம்பிக்கையுடன் இருப்பதால், குறைந்த தரவரிசை முடிவுகளை விட அதிக தரவரிசை முடிவுகளைத் தேர்வு செய்கிறார்கள். தேடல் தரவரிசைகளின் வெளிப்படையான சக்தியைக் கருத்தில் கொண்டு, ஜனநாயகத் தேர்தல்களில் தீர்மானிக்கப்படாத வாக்காளர்களின் விருப்பங்களை மாற்றுவதற்கு அவை கையாளப்பட முடியுமா என்று நாங்கள் கேட்டோம். அமெரிக்கா மற்றும் இந்தியாவின் வாக்களிக்கும் மக்கள்தொகையின் பல்வேறு மக்கள்தொகை பண்புகளை பிரதிநிதித்துவப்படுத்தும் மொத்தம் 4,556 தீர்மானிக்கப்படாத வாக்காளர்களைப் பயன்படுத்தி, ஐந்து தொடர்புடைய இரட்டை குருட்டு, சீரற்ற கட்டுப்படுத்தப்பட்ட சோதனைகளின் முடிவுகளை இங்கே நாங்கள் அறிக்கையிடுகிறோம். ஐந்தாவது பரிசோதனை குறிப்பாக குறிப்பிடத்தக்கது, இது 2014 மக்களவைத் தேர்தலின் மத்தியில், இறுதி வாக்குகள் செலுத்தப்படுவதற்கு சற்று முன்னர், இந்தியா முழுவதும் உள்ள தகுதிவாய்ந்த வாக்காளர்களுடன் நடத்தப்பட்டது. இந்த சோதனைகளின் முடிவுகள் (i) சார்புடைய தேடல் தரவரிசைகள் 20% அல்லது அதற்கு மேற்பட்ட வாக்காளர்களின் வாக்களிப்பு விருப்பங்களை மாற்றலாம், (ii) சில மக்கள்தொகை குழுக்களில் இந்த மாற்றம் மிக அதிகமாக இருக்கலாம், மற்றும் (iii) தேடல் தரவரிசை சார்புகளை மக்கள் கையாளுதல் பற்றி எந்த விழிப்புணர்வும் காட்டாதபடி மறைக்க முடியும். இந்த வகை செல்வாக்கு, பல்வேறு மனப்பான்மைகள் மற்றும் நம்பிக்கைகளுக்கு பொருந்தக்கூடியது, தேடுபொறி கையாளுதல் விளைவு என்று நாம் அழைக்கிறோம். பல தேர்தல்கள் சிறிய வித்தியாசத்தில் வென்றிருப்பதால், தேடுபொறி நிறுவனம், தண்டனையின்றி பல தேர்தல்களின் முடிவுகளை பாதிக்கக்கூடிய சக்தி கொண்டது என்று எமது முடிவுகள் கூறுகின்றன. ஒரு தேடுபொறி நிறுவனம் மட்டுமே ஆதிக்கம் செலுத்தும் நாடுகளில் இத்தகைய கையாளுதல்களின் தாக்கம் மிகவும் அதிகமாக இருக்கும். |
30a7fcdaa836837d87a8e4702ed015cd66e6ad03 | கை அச்சிடப்பட்ட இலக்கங்களை அடையாளம் காணும் ஒரு அமைப்பின் கட்டுமானத்தை இந்த ஆவணம் விவரிக்கிறது, இது பாரம்பரிய நுட்பங்கள் மற்றும் நரம்பியல்-நெட் முறைகளின் கலவையைப் பயன்படுத்துகிறது. இந்த அமைப்பு, அமெரிக்க அஞ்சல் துறைகளில் காணப்படும் அஞ்சல் குறியீடுகளின் அடிப்படையில், உண்மையான உலக தரவுகளை வைத்து பயிற்சி பெற்று சோதனை செய்யப்பட்டுள்ளது. இந்த அமைப்பு ஒரு சிறிய சதவீத உதாரணங்களை வகைப்படுத்த முடியாததாக நிராகரிக்கிறது, மீதமுள்ள உதாரணங்களில் மிகக் குறைந்த பிழை விகிதத்தை அடைகிறது. இந்த அமைப்பு மற்ற நவீன அங்கீகாரங்களுடன் சாதகமாக ஒப்பிடுகிறது. சில முறைகள் இந்த பணிக்காக குறிப்பிட்டவை என்றாலும், பல நுட்பங்கள் பரந்த அளவிலான அங்கீகார பணிகளுக்குப் பொருந்தும் என்று நம்பப்படுகிறது. |
605a12a1d02451157cc5fd4dc475d5cbddd5cb01 | [பக்கம் 3-ன் படம்] சிறப்பு மருத்துவ கவனிப்பு தேவைப்படும் நபர்களுக்கு, அவர்களின் மருத்துவ தேவைகளை பூர்த்தி செய்ய அவர்கள் தங்கள் வீட்டிலிருந்து வெளியேற்றப்பட வேண்டியிருக்கலாம். மக்கள் தொகை வயதாகும்போது, இந்த குழுவில் உள்ளவர்களின் சதவீதம் அதிகரித்து வருகிறது, மேலும் விளைவுகள் விலை உயர்ந்தவை மற்றும் திருப்திகரமாக இல்லை. பல ஊனமுற்றோர் தமது சொந்த வீடுகளில் தன்னாட்சி வாழ்க்கை வாழ முடியும் என நாங்கள் கருதுகிறோம். இதைச் சாதிக்க, பொருத்தமான தரவுகளை சேகரித்து, அவற்றை மாறும் மற்றும் மாற்றியமைக்கும் வகையில் செயலாக்க, நீண்ட கால போக்குகள் அல்லது உடனடி நெருக்கடிகளை கண்டறிதல் மற்றும்/அல்லது முன்னறிவித்தல் ஆகியவற்றை மேற்கொள்ள, வலுவான முறைகள் உருவாக்கப்பட வேண்டும். இந்த ஆய்வின் முக்கிய நோக்கம், வீட்டில் சுகாதார கண்காணிப்பு மற்றும் உதவியை வழங்குவதற்காக முகவர் அடிப்படையிலான ஸ்மார்ட் ஹோம் தொழில்நுட்பங்களைப் பயன்படுத்துவதற்கான நுட்பங்களை ஆராய்வதாகும். இதற்காக, பராமரிப்பாளர்களுக்கு தொலைநிலை சுகாதார கண்காணிப்பை வழங்கும் புதுமையான குடியிருப்பாளர் மாதிரியும், தானியங்கி வழிமுறைகளும் உருவாக்கப்பட்டுள்ளன. குறிப்பாக, பின்வரும் தொழில்நுட்ப சவால்களை நாங்கள் எதிர்கொள்கிறோம்: 1) வாழ்க்கை முறை போக்குகளை அடையாளம் காண்பது, 2) தற்போதைய தரவுகளில் உள்ள ஏற்றத்தாழ்வுகளைக் கண்டறிவது, மற்றும் 3) நினைவூட்டல் உதவி முறையை வடிவமைத்தல். எங்கள் தீர்வு அணுகுமுறைகள் UTA ன் MavHome தளத்தில், ஒரு முகவர் அடிப்படையிலான சிகிச்சை மையத்தில், முன்முயற்சி மற்றும் தன்னார்வலர்களுடன் சோதிக்கப்படுகின்றன. |
494fc1e30be172fbe393e0d68695ae318e23da8c | பசுமை விநியோகச் சங்கிலி மேலாண்மை (GSCM) கல்வித்துறை மற்றும் தொழில்துறை ஆகிய இரண்டிலும் அதிக கவனம் பெற்றுள்ளது. இலக்கியம் வளரும்போது, ஆராய்ச்சியை விமர்சன ரீதியாக மதிப்பீடு செய்வதன் மூலமும் எதிர்கால திசைகளை அடையாளம் காண்பதன் மூலமும் புதிய திசைகளைக் கண்டறிவது இந்தத் துறையின் அறிவை முன்னேற்றுவதில் முக்கியத்துவம் பெறுகிறது. இலக்கியத்தை வகைப்படுத்த உதவும் வகையில் நிறுவனக் கோட்பாடுகளைப் பயன்படுத்துவது, தற்போது இந்தத் துறை எங்கு நிற்கிறது என்பதைப் புரிந்துகொள்வதற்கும், ஆராய்ச்சி வாய்ப்புகள் மற்றும் திசைகளை அடையாளம் காண்பதற்கும் இரு நோக்கங்களையும் நிவர்த்தி செய்வதற்கான வாய்ப்புகளை வழங்குகிறது. GSCM பற்றிய பின்னணி விவாதத்தை வழங்கிய பிறகு, ஒன்பது பரந்த நிறுவனக் கோட்பாடுகளின் கீழ் சமீபத்திய GSCM இலக்கியத்தை வகைப்படுத்தி மதிப்பாய்வு செய்கிறோம். இந்த ஆய்வு கட்டமைப்பிற்குள், விசாரணைக்கு தகுதியான GSCM ஆராய்ச்சி கேள்விகளையும் நாங்கள் அடையாளம் காண்கிறோம். எதிர்கால GSCM ஆராய்ச்சிக்கு மதிப்புமிக்கதாகக் கருதப்படும் கூடுதல் நிறுவனக் கோட்பாடுகளும் இந்த மதிப்பாய்விற்கான ஒரு முடிவோடு அடையாளம் காணப்படுகின்றன. |
c3a41f97b29c6abce6f75ee9c668584d77a84170 | எதிர்கால தலைமுறையினரின் தேவைகளை பூர்த்தி செய்யும் திறனை பாதிக்கும் வகையில் தற்போதைய தேவைகளை பூர்த்தி செய்ய வேண்டும் என்ற கொள்கையில் நிலைத்தன்மை உள்ளது. ஏழை நாடுகளில் பசியால் வாடும் மக்கள், பணக்கார நாடுகளில் உடல் பருமன், உணவு விலைகள் உயர்வு, காலநிலை மாற்றங்கள், எரிபொருள் மற்றும் போக்குவரத்து செலவுகள், உலக சந்தை குறைபாடுகள், பூச்சிக்கொல்லி மாசுபாடு, பூச்சிகள் தழுவிக்கொள்ளுதல் மற்றும் எதிர்ப்பு, மண்ணின் வளம் மற்றும் கரிம கார்பன் இழப்பு, மண் அரிப்பு, உயிரி பன்முகத்தன்மை குறைதல், பாலைவனமாதல், மற்றும் பல. அறிவியலில் முன்னெப்போதும் இல்லாத முன்னேற்றங்கள் இருந்தபோதிலும், கிரகங்களுக்கு சென்று அணுக்குட்பட்ட துகள்களைக் கண்டறிய அனுமதிக்கிறது, உணவு தொடர்பான தீவிரமான பூமிக்குரிய பிரச்சினைகள், மனிதர்களுக்கு உணவளிக்கவும், சுற்றுச்சூழல் அமைப்புகளை பாதுகாக்கவும் வழக்கமான விவசாயம் இனி பொருத்தமானதல்ல என்பதை தெளிவாகக் காட்டுகிறது. உணவு உற்பத்தியை சூழலியல் ரீதியாகக் கையாளுவதில் அடிப்படை மற்றும் பயன்பாட்டுப் பிரச்சினைகளைத் தீர்க்கும் ஒரு மாற்று வழி நிலையான வேளாண்மை ஆகும் (லால் (2008) அக்ரான். நிலைநிறுத்து. தேவ். 28, 57-64.) வழக்கமான விவசாயம் உற்பத்தித்திறன் மற்றும் லாபத்தால் மட்டுமே இயக்கப்படுகிற நிலையில், நிலையான விவசாயம் உயிரியல், வேதியியல், இயற்பியல், சுற்றுச்சூழல், பொருளாதார மற்றும் சமூக அறிவியல் ஆகியவற்றை ஒருங்கிணைத்து, பாதுகாப்பான மற்றும் சுற்றுச்சூழலை சீரழிக்காத புதிய விவசாய நடைமுறைகளை உருவாக்குகிறது. தற்போதைய வேளாண்மை பிரச்சினைகளைத் தீர்க்கவும், உலகெங்கிலும் விவாதங்களையும் ஒத்துழைப்பையும் ஊக்குவிக்கவும், 2003 முதல் 2006 வரை நிலையான வளர்ச்சிக்கான வேளாண்மை இதழில் கடுமையான மாற்றங்களை நாங்கள் செயல்படுத்தினோம். இங்கு (1) இதழின் புதுப்பித்தலின் முடிவுகள் மற்றும் (2) நிலையான விவசாயத்திற்கான விவசாய ஆராய்ச்சியின் தற்போதைய கருத்துக்களின் சுருக்கமான கண்ணோட்டம் பற்றி அறிக்கை செய்கிறோம். நீண்ட காலமாக ஒரு மென்மையான, பக்க அறிவியலாக கருதப்பட்ட வேளாண்மை, வேகமாக ஒரு மைய அறிவியலாக உயர்ந்து வருகிறது, ஏனெனில் தற்போதைய பிரச்சினைகள் உணவு பற்றியவை, மனிதர்கள் உணவை சாப்பிடுகிறார்கள். இந்த அறிக்கை EDP அறிவியல் மற்றும் ஸ்பிரிங்கர் வெளியிட்ட புத்தகத்தின் நிலையான வேளாண்மை, தொகுதி 1 இன் அறிமுகக் கட்டுரையாகும் (Lichtfouse et al. (2009) நிலையான விவசாயம், தொகுதி. 1, ஸ்பிரிங்கர், EDP அறிவியல், அச்சிடப்பட்ட). |
8216ca257a33d0d64cce02f5bb37de31c5b824f8 | |
1518c8dc6a07c2391e58ece6e2ad8edca87be56e | தரவு சேகரிப்பு மற்றும் உருவாக்கும் தொழில்நுட்பங்களில் முன்னேற்றங்கள் ஏற்பட்டுள்ள நிலையில், நிறுவனங்களும் ஆராய்ச்சியாளர்களும் பெரிய மாறும் தரவுத்தொகுப்புகளை எவ்வாறு நிர்வகிப்பது மற்றும் பகுப்பாய்வு செய்வது என்ற பெருகிவரும் பிரச்சினையை எதிர்கொள்கின்றனர். தரவுகளின் ஸ்ட்ரீமிங் ஆதாரங்களை உருவாக்கும் சூழல்கள் பொதுவான இடமாகி வருகின்றன. உதாரணமாக பங்குச் சந்தை, சென்சார், வலை கிளிக் ஸ்ட்ரீம், மற்றும் நெட்வொர்க் தரவு ஆகியவை அடங்கும். பல சந்தர்ப்பங்களில், இந்த சூழல்களில் பல விநியோகிக்கப்பட்ட கணினி முனைகள் உள்ளன, அவை பெரும்பாலும் தரவு மூலங்களுக்கு அருகில் அமைந்துள்ளன. இத்தகைய சூழல்களில் தரவை பகுப்பாய்வு செய்வதற்கும் கண்காணிப்பதற்கும் தரவு சுரங்கப் பணி, தரவின் விநியோகிக்கப்பட்ட தன்மை மற்றும் தரவு உள்வரும் வீதம் ஆகியவற்றை அறிந்த தரவு சுரங்க தொழில்நுட்பம் தேவைப்படுகிறது. இந்த அத்தியாயத்தில், இந்த துறையின் தற்போதைய நிலையை ஆய்வு செய்து, எதிர்கால ஆராய்ச்சியின் சாத்தியமான திசைகளை அடையாளம் காண்கிறோம். |
dd86669b91927f4c4504786269f93870854e117f | பொதுவாக தொழில்நுட்பங்கள் மற்றும் குறிப்பாக மென்பொருளின் ஏற்றுக்கொள்ளும் ஆய்வானது ஆங்கிலோ-அமெரிக்கன் ஆராய்ச்சியில் (மேலாண்மை) தகவல் அமைப்புகள் மற்றும் ஜெர்மன் வணிகத் தகவல் தொழில்நுட்பத்தில் ஒரு பலனளிக்கும் துறையாகும். தொழில்நுட்ப-ஏற்றுக்கொள்ளும் மாதிரி மற்றும் தொடர்புடைய கோட்பாடுகளில் தோன்றிய பல ஆய்வுகள் இருந்தபோதிலும், பற்றாக்குறை முன்னோடி ஆய்வுகள் மற்றும் ஆராய்ச்சி அணுகுமுறைகளை வெளிப்படுத்தும் பங்களிப்புகள் அதிகரித்து வருகின்றன. ஒரு முக்கிய காரணம், நாம் Metastudien மற்றும் ஒரு சொந்த இலக்கிய ஆராய்ச்சி உதவியுடன் காட்ட போன்ற, அளவு ஆராய்ச்சி முறைகள் மீது கவனம் செலுத்துவதன் உள்ளது. தரமான கோட்பாடுகளை சரிபார்க்க அளவுகோல் முறைகள் பொதுவாக நல்லவை என்றாலும், புதிய கோட்பாடுகளை உருவாக்குவதற்கான அவற்றின் பங்களிப்பு குறைவாகவே உள்ளது. Im vorliegenden Beitrag wird aufgezeigt, wie ein qualitatives Verfahren zur besseren Theoriebildung genutzt werden kann. இந்த பங்களிப்பு, சிறந்த கோட்பாட்டுக் கற்றலுக்கான தரமான வழிமுறைகள் எவ்வாறு பயன்படுத்தப்படலாம் என்பதைக் காட்டுகிறது. திட்ட மேலாண்மை மென்பொருளின் ஏற்றுக்கொள்ளல் ஆய்வின் உதாரணத்தில் (PMS) இந்த செயல்முறை புதிய வடிவமைப்புகளுக்கு வழிவகுக்கிறது என்பதைக் காட்டலாம், அதே நேரத்தில் ஏற்கனவே உள்ள ஏற்றுக்கொள்ளும் கோட்பாடுகளை உறுதிப்படுத்த முடியாத சில வடிவமைப்புகள். |
9249389a2fbc2151a80b4731f007c780616b067a | ஆஸ்பிராக்ட் - மறந்துபோகும் நினைவகத்தை பயன்படுத்தி இரண்டு நாட்டுப்புற கோட்பாடுகளின் வலுவான பதிப்புகளை நிரூபிக்கிறோம். முதலாவது, எந்த நேர-இன்யூரியன்ட் (TZ) தொடர்ச்சியான நேரியல் அல்லாத ஆபரேட்டரையும் ஒரு வோல்டெரா தொடர் ஆபரேட்டரால் தோராயமாகக் கொள்ள முடியும், இரண்டாவது, தோராயமாகச் செயல்படும் ஆபரேட்டரை ஒரு நேரியல் அல்லாத வாசிப்பு வரைபடத்துடன் ஒரு முடிவான பரிமாண நேரியல் டைனமிக் அமைப்பாக உணர முடியும். முந்தைய தோராயமான முடிவுகள் முடிந்த காலத்திற்குள் மற்றும் சிறிய தொகுப்புகளில் உள்ள சமிக்ஞைகளுக்கு செல்லுபடியாகும் போது, இங்கு வழங்கப்பட்ட தோராயமானவை எல்லா நேரங்களுக்கும் பயனுள்ள (சிறியதல்ல) தொகுப்புகளில் உள்ள சமிக்ஞைகளுக்கும் செல்லுபடியாகும். இரண்டாவது கோட்பாட்டின் டிஸ்க்ரீட் டைம் அனலாக், மங்கலான நினைவகத்துடன் nny TZ ஆபரேட்டரை (எங்கள் வலுவான அர்த்தத்தில்) ஒரு நேரியல் அல்லாத நகரும் சராசரி ஆபரேட்டரால் (அதிகபட்சமாக) நெருக்கமாகக் கூறலாம் என்று கூறுகிறது. நினைவகம் மங்கிப்போவது பற்றிய சில கூடுதல் விவாதங்கள் கொடுக்கப்பட்டுள்ளன. |
ef8af16b408a7c78ab0780fe419d37130f2efe4c | வடிகட்டி முன்மாதிரிகளின் தொகுப்பின் அடிப்படையில் மினிமயுரிஸேட் மார்ச் மற்றும் பாலன் மூன்று புதிய வகுப்புகள் வரையறுக்கப்பட்டுள்ளன. அவை கடத்தப்பட்ட-விநியோகிக்கப்பட்ட தட்டையான செயல்திறன்களைக் கொண்ட சிறிய அளவிலான கலப்புகளுக்கு ஏற்றவை, இது பாஸ்பேண்ட் மைய அதிர்வெண்ணை விட அதிர்வெண்களில் கால் அலைநீள நீளமான பரிமாற்ற-வரிசை ஒலிபெருக்கிகளால் ஏற்படுகிறது. ஒவ்வொரு வகுப்பும், பரிமாற்றத்தின் பூஜ்ஜிய இடங்களின் விவரக்குறிப்பிலிருந்து பெறப்பட்ட ஒரு எஸ்-பிளேன் பேண்ட்பாஸ் முன்மாதிரிக்கு ஒத்திருக்கிறது. இங்கு வழங்கப்பட்ட அணுகுமுறையின் நன்மைகளை நிரூபிக்க 1 GHz இல் ஒரு 50:100-/spl ஒமேகா / பாலன் உருவாக்கப்படுகிறது. |
87eeb5622d8fbe4dca5f1c9b4190f719818c4d6e | வெப் 2.0 தொழில்நுட்பங்கள் அதிகமான மக்கள் பல்வேறு வகையான நிறுவனங்கள் (எ. கா. விற்பனையாளர்கள், பொருட்கள், சேவைகள்). தகவல்களின் பரந்த அளவானது தானியங்கி சுருக்கத்தின் தேவையையும் சவாலையும் முன்வைக்கிறது. பல சந்தர்ப்பங்களில், பயனர் உருவாக்கிய ஒவ்வொரு குறுகிய கருத்துக்களும் ஒட்டுமொத்த மதிப்பீட்டோடு வருகிறது. இந்த ஆய்வில், சுருக்கமான கருத்துக்களின் ஒரு மதிப்பிடப்பட்ட அம்ச சுருக்கத்தை உருவாக்குவதற்கான சிக்கலை நாங்கள் ஆய்வு செய்கிறோம், இது முக்கிய அம்சங்களுக்கான ஒட்டுமொத்த மதிப்பீடுகளின் சிதைந்த பார்வையாகும், இதனால் ஒரு பயனர் இலக்கு நிறுவனம் குறித்த வெவ்வேறு கண்ணோட்டங்களைப் பெற முடியும். நாம் முறையாக பிரச்னையை வரையறுத்து, மூன்று படிகளில் தீர்வுகளை பிரிக்கிறோம். ஈபே விற்பனையாளர்களின் கருத்துக்களைப் பயன்படுத்தி எமது முறைகளின் செயல்திறனை நிரூபிக்கிறோம். எமது முறைகளின் ஒவ்வொரு அடியையும் அளவீட்டு ரீதியாக மதிப்பீடு செய்து, மனிதர்கள் அத்தகைய சுருக்கப் பணியில் எவ்வளவு நன்றாக உடன்படுகிறார்கள் என்பதை ஆய்வு செய்கிறோம். முன்மொழியப்பட்ட முறைகள் மிகவும் பொதுவானவை மற்றும் ஒரு ஒட்டுமொத்த மதிப்பீட்டுடன் தொடர்புடைய ஒவ்வொரு குறுகிய கருத்துக்களின் தொகுப்பையும் வழங்கிய பின்னர் தானாகவே மதிப்பிடப்பட்ட அம்ச சுருக்கத்தை உருவாக்க பயன்படுத்தலாம். |
626d68fbbb10182a72d1ac305fbb52ae7e47f0dc | இந்த பணி ஒரு வழக்கமான நேர்மாற்றியில் முன்கூட்டியே முறிவு மின்னழுத்தத்தின் சிக்கலை தீர்க்க ஒரு தகவமைப்பு ரீதியான மறுசீரமைக்கக்கூடிய நேர்மாற்றியின் வடிவமைப்பை நிரூபிக்கிறது மற்றும் பரந்த மாறும் உள்ளீட்டு சக்தி வரம்பிற்கு நேர்மாற்றியின் செயல்பாட்டை விரிவுபடுத்துகிறது. ஒரு குறைப்பு-நிலை புல விளைவு டிரான்சிஸ்டர் ஒரு சுவிட்சாக செயல்பட அறிமுகப்படுத்தப்பட்டுள்ளது மற்றும் நேர்மாற்றிக்கு குறைந்த மற்றும் உயர் உள்ளீட்டு சக்தி நிலைகளில் ஈடுசெய்யப்படுகிறது. இந்த வடிவமைப்பு, -10 dBm முதல் 27 dBm வரையிலான பரந்த மாறும் உள்ளீட்டு சக்தி வரம்பில் 40% RF-DC ஆற்றல் மாற்ற செயல்திறனை அடைகிறது, அதே நேரத்தில் 22 dBm இல் 78% உச்ச சக்தி செயல்திறனைக் காட்டுகிறது. மின்சார அறுவடைக் கருவி 900 MHz ISM பட்டைப் பிரிவில் செயல்பட வடிவமைக்கப்பட்டுள்ளது மற்றும் வயர்லெஸ் மின்சார பரிமாற்ற பயன்பாடுகளுக்கு ஏற்றது. |
767755e5c7389eefb8b60e784dc8395c8d0f417a | பிட்காயின் போன்ற கிரிப்டோகரன்ஸிகள் அபார வெற்றி பெற்றவை. பிட்காயின் போன்ற அமைப்புகள் வேலை நிரூபிக்கும் பொறிமுறையைப் பயன்படுத்துகின்றன, எனவே இது ஒரு ஹாப் பிளாக்செயின் என்று கருதப்படுகிறது, மேலும் கணினி சக்தியின் பெரும்பகுதி நேர்மையான வீரர்களின் கட்டுப்பாட்டில் இருந்தால் அவற்றின் பாதுகாப்பு உள்ளது. இருப்பினும், இந்த அனுமானம் சமீபத்தில் கடுமையாக சவால் செய்யப்பட்டுள்ளது மற்றும் இந்த அனுமானம் உடைக்கப்படும்போது பிட்காயின் போன்ற அமைப்புகள் தோல்வியடையும். முதல் முறையாக நிரூபிக்கப்பட்ட பாதுகாப்பான 2-ஹாப் பிளாக்செயின்களை, முதல் ஹாப் மற்றும் இரண்டாவது ஹாப் ஆகிய இரண்டு வழிமுறைகளை இணைத்து உருவாக்குவோம். பிளாக்செயினின் பாதுகாப்பிற்காக நேர்மையான சுரங்கத் தொழிலாளர்களின் திறனைப் பயன்படுத்தும் பிட்காயினின் புத்திசாலித்தனமான யோசனைகளுக்கு மேலதிகமாக, இந்த இலக்கை அடைய, நேர்மையான பயனர்கள்/பங்குதாரர்களின் திறனை, அவர்களின் நாணயங்கள்/பங்குதாரர்கள் மூலம் நாங்கள் மேலும் மேம்படுத்துகிறோம். நேர்மையான வீரர்கள் கூட்டு வளங்களின் பெரும்பான்மையை (கணினி சக்தி மற்றும் பங்கு ஆகிய இரண்டையும் உள்ளடக்கியது) கட்டுப்படுத்தினால் எங்கள் பிளாக்செயினின் பாதுகாப்பு நிலைத்திருக்கும். அதாவது, எதிரி 50% கணினி சக்தியைக் கட்டுப்படுத்தினாலும், நேர்மையான வீரர்கள் இன்னும் நேர்மையான பங்கு மூலம் பிளாக்செயினைப் பாதுகாக்க வாய்ப்பு உள்ளது. பிட்காயின் போன்ற பிளாக்செயின்களை தீங்கிழைக்கும் பெரும்பான்மையான கணினி சக்திக்கு எதிராக பாதுகாத்தல் என்ற தலைப்பில் ஒரு ஆரம்ப பதிப்பு ஜூலை 2016 இல் ePrint Archive இல் தோன்றியது. தற்போதைய பதிப்பு அதே உந்துதலைப் பகிர்ந்து கொள்கிறது. ஆனால் கட்டுமான யோசனை மற்றும் மாதிரி அணுகுமுறை முற்றிலும் திருத்தப்பட்டுள்ளது. *விர்ஜினியா காமன்வெல்த் பல்கலைக்கழகம். மின்னஞ்சல்: duong[email protected]. ‡ஷாங்காய் ஜியாவோ டங் பல்கலைக்கழகம். பெரும்பாலான பணிகள் வர்ஜீனியா காமன்வெல்த் பல்கலைக்கழகத்தில் உள்ள குறியாக்க ஆய்வகத்திற்கு விஜயம் செய்தபோது மேற்கொள்ளப்பட்டன. மின்னஞ்சல்: [email protected]. வர்ஜீனியா காமன்வெல்த் பல்கலைக்கழகம். மின்னஞ்சல்: [email protected]. |
a293b3804d1972c9f72ed3490eaafa66349d1597 | பல விளையாட்டுகளில் பலகைகளின் தொகுப்பு உள்ளது, இது பலகையின் தொடக்க உள்ளமைவால் தீர்மானிக்கப்படும் விளையாட்டின் ஒரு நிகழ்வின் சிரமத்துடன் உள்ளது. பலகைகளின் சிரமத்தை சரியாக மதிப்பிடுவது ஓரளவு சீரற்றது மற்றும் விளையாட்டைப் பற்றிய குறிப்பிடத்தக்க அளவிலான புரிதல் அல்லது நல்ல அளவிலான விளையாட்டு சோதனை தேவைப்படுகிறது. இந்த ஆய்வில், சோகோபன் விளையாட்டின் ஒரு பதிப்பிற்கான பலகைகளின் சிரமத்தை தானாகவே தரப்படுத்தும் கருவியாக பரிணாம வழிமுறைகளை ஆராய்வோம். ஒரு பரிணாம வழிமுறையால் தீர்வுக்கான சராசரி நேரம் மற்றும் ஒரு பலகையை தீர்க்க தோல்விகளின் எண்ணிக்கை ஒரு பலகையின் சிரமத்திற்கு மாற்றாக பயன்படுத்தப்படுகிறது. சோகோபன் முகவரின் தொடர்ச்சியான நகர்வுகளை வழங்கும் எளிய சரம் அடிப்படையிலான பிரதிநிதித்துவத்துடன் ஆரம்ப சோதனை மிகக் குறைந்த சமிக்ஞையை வழங்கியது; இது பொதுவாக தோல்வியடைந்தது. ISAc பட்டியல் எனப்படும் ஒரு எதிர்வினை நேரியல் மரபணு நிரலாக்க கட்டமைப்பின் அடிப்படையில் இரண்டு பிரதிநிதித்துவங்கள், இரு கடினத்தன்மை மாற்றீடுகளுக்கும் பயனுள்ள கடினத்தன்மை-வகைப்படுத்தல் தகவல்களை உருவாக்கியது. இந்த இரண்டு பிரதிநிதித்துவங்களும் வேறுபடுகின்றன, ஒன்று ISAc பட்டியல்களின் தோராயமாக தொடக்கப்படுத்தப்பட்ட மக்கள்தொகையைப் பயன்படுத்துகிறது, மற்றொன்று சோகோபன் பலகைகளின் தோராயமாக சேகரிப்புகளில் தகுதிவாய்ந்த முகவர்களுடன் முன்னர் பயிற்சி பெற்ற மக்கள்தொகையை தொடங்குகிறது. இந்த ஆய்வு நான்கு கடினத்தன்மை மாற்றீடுகளை உள்ளடக்கியதுஃ தோல்வி நிகழ்தகவு மற்றும் இந்த இரண்டு பிரதிநிதித்துவங்களில் ஒவ்வொன்றிற்கும் தீர்வுக்கான சராசரி நேரம். இந்த நான்கு வகைகளும் பலகை கடினத்தன்மை பற்றிய ஒத்த தகவல்களை உருவாக்குகின்றன, ஆனால் முன்-வளர்ந்த முகவர்களுடன் தோல்விக்கான நிகழ்தகவு கணக்கிட விரைவாக இருப்பதாகவும், மற்ற மூன்று பலகை கடினத்தன்மை மாற்றீடுகளை விட தெளிவான அர்த்தத்தைக் கொண்டிருப்பதாகவும் கண்டறியப்பட்டுள்ளது. |
844b795767b7c382808cc866ffe0c74742f706d4 | மனிதர்களில், நடக்கும்போது மனதில் தோன்றும் புகைப்படங்களின் போது, fMRI மூலம், கோர்ட்டிகல், செரிபெல்லர் மற்றும் மூளைத் திண்டு BOLD- சமிக்ஞை மாற்றங்கள் அடையாளம் காணப்பட்டுள்ளன. இந்த ஆய்வில், உண்மையான இயக்கத்தின் போது முழு மூளை செயல்படுத்தல் மற்றும் செயலிழப்பு முறை [(18) F]- FDG- PET மூலம் ஆராயப்பட்டது மற்றும் fMRI ஐப் பயன்படுத்தி அதே பாடங்களில் கற்பனை செய்யப்பட்ட இயக்கத்தின் போது BOLD- சமிக்ஞை மாற்றங்களுடன் ஒப்பிடப்பட்டது. [(18) F]-FDG-PET மூலம் 16 ஆரோக்கியமான நபர்கள் நகரும் மற்றும் ஓய்வெடுக்கும் போது ஸ்கேன் செய்யப்பட்டனர். இந்த இயக்கம் மாதிரிப் பயிற்சியில், பங்கேற்பாளர்கள் 10 நிமிடங்கள் நிலையான வேகத்தில் நடந்து சென்றனர். பின்னர் [(18) F]-FDG உட்செலுத்தப்பட்டது நரம்பு வழியாக மேலும் 10 நிமிடங்கள் தொடர்ந்து நடந்து செல்லும் போது. ஒப்பீட்டளவில், fMRI என்பது கற்பனை நடைபயிற்சியின் போது அதே நபர்களிடம் செய்யப்பட்டது. உண்மையான மற்றும் கற்பனை இயக்கத்தின் போது, முன் மண்டலம், சிறுமண்டலம், பாண்டோமென்செபலிக் டெக்மெண்டம், பாராஹிப்போகாம்பல், ஃபுசிஃபார்ம் மற்றும் ஆக்ஸிபிடல் ஜிரை ஆகியவற்றில் செயல்படுத்தல்கள் மற்றும் மல்டிசென்சார் வெஸ்டிபுலர் மண்டலங்களில் செயலிழப்புகள் உள்ளிட்ட அடிப்படை இயக்க நெட்வொர்க் (குறிப்பாக. உச்ச கால சுழற்சி, கீழ் தலையளவு (Inferior parietal lobule) ஆகியவை காட்டப்பட்டன. ஒரு வித்தியாசமாக, முதன்மை மோட்டார் மற்றும் சாமடோசென்சரி மண்டலங்கள் உண்மையான இயக்கம் போது செயல்படுத்தப்பட்டன, இது கற்பனை இயக்கம் போது துணை மோட்டார் மண்டலம் மற்றும் அடிப்படை கங்கைகளுக்கு வேறுபட்டது. மூளைத் திண்டு இயக்க மையங்களின் செயல்பாடுகள் கற்பனை செய்யப்பட்ட இயக்கத்தில் மிகவும் முக்கியத்துவம் வாய்ந்தவை. முடிவில், உண்மையான இயக்கம் அடிப்படை செயல்படுத்தல் மற்றும் செயலிழப்பு வடிவங்கள் கற்பனை இயக்கம் அந்த ஒத்துள்ளது. இந்த வேறுபாடுகள், சோதிக்கப்பட்ட தனித்தனி இயக்கம் சார்ந்த வடிவங்களால் ஏற்படலாம். [(18) F]-FDG-PET இல் நிலையான வேக உண்மையான இயக்கம் (10 நிமிடங்கள்) போலல்லாமல், 20 விநாடிகள் காலங்களில் மீண்டும் மீண்டும் இயங்கும் மன உருவங்கள் நடை தொடக்க மற்றும் வேக மாற்றங்களை உள்ளடக்கியது. உண்மையான நிலையான நிலை இயக்கம் முதன்மை மோட்டார் மண்டலம் வழியாக நேரடி பாதையை பயன்படுத்துவதாகத் தெரிகிறது, அதேசமயம் கற்பனை மாடுலேட்டரி இயக்கம் ஒரு துணை மோட்டார் மண்டலம் மற்றும் அடிப்படை கங்கை சுழற்சி வழியாக மறைமுக பாதையை பயன்படுத்துகிறது. |
d372629db7d6516c4729c847eb3f6484ee86de94 | வினாக்களுக்கு விடை காணும் முறை (Visual Question Answering (VQA)) சவாலின் மிகவும் சுவாரஸ்யமான அம்சங்களில் ஒன்று கேள்விகளின் கணிக்க முடியாத தன்மை ஆகும். அவற்றுக்குப் பதிலளிக்கத் தேவையான தகவல்களைப் பிரித்தெடுப்பது கண்டறிதல் மற்றும் எண்ணுதல், பிரித்தல் மற்றும் புனரமைப்பு வரை பல்வேறு பட செயல்பாடுகளைத் தேவைப்படுகிறது. {படம், கேள்வி, பதில்} டூப்ள்களில் இருந்து இந்த செயல்பாடுகளில் ஒன்றை துல்லியமாகச் செய்ய ஒரு முறையை பயிற்றுவிப்பது சவாலானது, ஆனால் அத்தகைய பயிற்சி தரவுகளின் வரையறுக்கப்பட்ட தொகுப்புடன் அனைத்தையும் அடைய முயற்சிப்பது மிகவும் லட்சியமாகத் தெரிகிறது. நமது முறை அதன் இலக்கை அடைய வெளிப்புற ஆஃப்-தி-ஷெல்ஃப் வழிமுறைகளை எவ்வாறு பயன்படுத்துவது என்பதைக் கற்றுக்கொள்கிறது, இது நரம்பியல் டுரிங் இயந்திரத்துடன் பொதுவான ஒன்றைக் கொண்டுள்ளது [10]. எங்கள் முன்மொழியப்பட்ட முறையின் மையம் ஒரு புதிய கூட்டு கவனம் மாதிரி. கூடுதலாக, முன்மொழியப்பட்ட அணுகுமுறை அதன் முடிவுக்கு மனிதனால் படிக்கக்கூடிய காரணங்களை உருவாக்குகிறது, மேலும் அடிப்படை உண்மை காரணங்கள் கொடுக்கப்படாமல் முற்றிலும் பயிற்சி பெற முடியும். இரண்டு பொதுவில் கிடைக்கும் தரவுத் தொகுப்புகளான, விஷுவல் ஜெனோம் மற்றும் வி.கே.ஏ. ஆகியவற்றில் செயல்திறனை நாங்கள் நிரூபிக்கிறோம், மேலும் இது இரு சந்தர்ப்பங்களிலும் அதிநவீன முடிவுகளை உருவாக்குகிறது என்பதைக் காட்டுகிறோம். |
8e9119613bceb83cc8a5db810cf5fd015cf75739 | உள்நாட்டு அச்சுறுத்தல் பிரச்சினையில் மோசடி சாதனங்கள் மிகவும் ஆபத்தான ஒரு உண்மை. தொழில், அரசு மற்றும் கல்வித்துறை இந்த பிரச்சினையை உணர்ந்து, அதிநவீன கண்டறிதல் முறைகளை ஊக்குவிக்க வேண்டும். |
95a213c530b605b28e1db4fcad6c3e8e1944f48b | |
018fd30f1a51c6523b382b6f7db87ddd865e393d | LTCC-யில் இரண்டு இறுதித் தீயணைப்பு அண்டெனாக்களை நாங்கள் வடிவமைத்துள்ளோம். அவை முறையே கிடைமட்ட மற்றும் செங்குத்து துருவமுனைப்புடன் உள்ளன. 5G பயன்பாடுகளுக்கு சாத்தியமான அதிர்வெண் 38GHz இல் அந்தந்தன்கள் செயல்படுகின்றன. கிடைமட்டமாக துருவப்படுத்தப்பட்ட ஆண்டெனா 27% மற்றும் 6dB எண்ட்-ஃபயர் ஆதாயத்துடன் ஒரு பிராட்பேண்ட் செயல்திறனை வழங்குகிறது மற்றும் செங்குத்தாக துருவப்படுத்தப்பட்ட ஒன்று 12.5% அலைவரிசை மற்றும் 5dB ஆதாயத்தை வழங்குகிறது. இரண்டு ஆண்டெனாக்களும் ஒரு சிறிய அடி மூலக்கூறின் கீழ் ஒருங்கிணைக்கப்பட்டுள்ளன. அருகிலுள்ள கூறுகளுக்கு இடையே சிறந்த தனிமைப்படுத்தல் அடையப்படுகிறது, இது 5 ஜி மொபைல் அமைப்பில் மூலையில் உள்ள கூறுகளுக்கு இந்த ஆண்டெனாக்களை பொருத்தமானது. |