_id
stringlengths 40
40
| text
stringlengths 0
9.6k
|
|---|---|
2b211f9553ec78ff17fa3ebe16c0a036ef33c54b | ମାର୍କୋ ଏ. ରୋଡ୍ରିଗେଜ୍ ଏଟି ଆଣ୍ଡ ଟି ଇଣ୍ଟରଆକ୍ଟିଭରେ ଗ୍ରାଫ ସିଷ୍ଟମ ଆର୍କିଟେକ୍ଟ ଅଟନ୍ତି । ତାଙ୍କୁ marko@markorodriguez.com ରେ ଯୋଗାଯୋଗ କରାଯାଇପାରିବ । ପିଟର ନୋଇବାଉର ହେଉଛନ୍ତି ନିଓ ଟେକ୍ନୋଲୋଜିର ମୁଖ୍ୟ ପରିଚାଳନା ଅଧିକାରୀ । ସେ peter.neubauer<at>neotechnology.com ରେ ଉପଲବ୍ଧ ଅଛନ୍ତି । ଗ୍ରାଫ ହେଉଛି ବିନ୍ଦୁ (ଅର୍ଥାତ, ଶିଖର) ଏବଂ ରେଖା (ଅର୍ଥାତ, କଡ଼) ରେ ଗଠିତ ଏକ ତଥ୍ୟ ସଂରଚନା । ଏକ ଗ୍ରାଫର ବିନ୍ଦୁ ଓ ରେଖା ଗୁଡିକୁ ଜଟିଳ ବ୍ୟବସ୍ଥାରେ ସଂଗଠିତ କରାଯାଇପାରେ । ଏକ ଗ୍ରାଫର ବସ୍ତୁ ଓ ତାହାର ସମ୍ପର୍କକୁ ସୂଚାଇବାର କ୍ଷମତା ଏକ ଆଶ୍ଚର୍ଯ୍ୟଜନକ ଭାବରେ ବଡ ସଂଖ୍ୟକ ଜିନିଷକୁ ଗ୍ରାଫ ଭାବରେ ମଡେଲ୍ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ସଫ୍ଟୱେୟାର ପ୍ୟାକେଜକୁ ଯୋଡ଼ୁଥିବା ନିର୍ଭରଶୀଳତାରୁ ଆରମ୍ଭ କରି ଘରର ଫ୍ରେମ୍ ପ୍ରସ୍ତୁତ କରୁଥିବା କାଠର ଦଣ୍ଡ ପର୍ଯ୍ୟନ୍ତ, ପ୍ରାୟ ସବୁ ଜିନିଷର ଏକ ଅନୁରୂପ ଗ୍ରାଫିକ ପ୍ରତିନିଧିତ୍ୱ ଅଛି । କିନ୍ତୁ, କେବଳ ଯେହେତୁ କିଛି ବିଷୟକୁ ଗ୍ରାଫ ଭାବରେ ଦର୍ଶାଇବା ସମ୍ଭବ ତାହା ନୁହେଁ ଯେ ଏହାର ଗ୍ରାଫିକ ଉପସ୍ଥାପନା ଉପଯୋଗୀ ହେବ । ଯଦି ଜଣେ ମଡେଲିଂକାରୀ ଗ୍ରାଫକୁ ଷ୍ଟୋର ଏବଂ ପ୍ରୋସେସ୍ କରୁଥିବା ଅନେକ ଉପକରଣ ଏବଂ ଆଲଗୋରିଦମକୁ ବ୍ୟବହାର କରିପାରିବ, ତେବେ ଏପରି ମ୍ୟାପିଂ ଉପଯୋଗୀ ହେବ । ଏହି ଲେଖାଟି କମ୍ପ୍ୟୁଟିଂରେ ଗ୍ରାଫିକ୍ସର ଦୁନିଆକୁ ଅନୁସନ୍ଧାନ କରିଥାଏ ଏବଂ ଏପରି ପରିସ୍ଥିତିକୁ ପ୍ରକାଶ କରିଥାଏ ଯେଉଁଥିରେ ଗ୍ରାଫିକ୍ସ ମଡେଲଗୁଡ଼ିକ ଲାଭଦାୟକ ହୋଇଥାଏ । |
0c5e3186822a3d10d5377b741f36b6478d0a8667 | ଆର୍ଟିଫିସିଆଲ ଇଣ୍ଟେଲିଜେନ୍ସର ଏକ ମୁଖ୍ୟ ସମସ୍ୟା ହେଉଛି ଆଂଶିକ ଭାବରେ ପର୍ଯ୍ୟବେକ୍ଷଣଯୋଗ୍ୟ ପରିବେଶରେ ଅନିଶ୍ଚିତତା ମଧ୍ୟରେ ଭବିଷ୍ୟତର ପୁରସ୍କାରକୁ ସର୍ବାଧିକ କରିବା ପାଇଁ ଯୋଜନା କରିବା । ଏହି କାଗଜରେ ଆମେ ଏକ ନୂଆ ଆଲଗୋରିଦମକୁ ପ୍ରସ୍ତାବ ଏବଂ ପ୍ରଦର୍ଶନ କରୁଛୁ ଯାହା ସଠିକ ଭାବରେ ଏପରି ଏକ ପରିବେଶର ମଡେଲକୁ ସିଧାସଳଖ କାର୍ଯ୍ୟ-ଅବଲୋକନ ଯୋଡିର କ୍ରମରୁ ଶିଖେ । ତା ପରେ ଆମେ ଲକ୍ଷ୍ୟଣରୁ କାର୍ଯ୍ୟାନୁଷ୍ଠାନ ପର୍ଯ୍ୟନ୍ତ ଲୁପକୁ ବନ୍ଦ କରିଛୁ, ଯାହା ଦ୍ବାରା ଆମେ ଶିଖିଥିବା ମଡେଲରେ ଯୋଜନା କରିଛୁ ଏବଂ ମୂଳ ପରିବେଶରେ ଏକ ନୀତି ପୁନଃପ୍ରାପ୍ତ କରିଛୁ ଯାହା ପ୍ରାୟତଃ ସର୍ବୋତ୍ତମ ଅଟେ । ବିଶେଷକରି, ଆମେ ଏକ ପ୍ରିଡିକ୍ଟିଭ୍ ଷ୍ଟେଟ୍ ରିପ୍ରେଜେଣ୍ଟେସନ୍ (ପିଏସ୍ଆର) ର ପାରାମିଟରଗୁଡିକ ଶିଖିବା ପାଇଁ ଏକ ଦକ୍ଷ ଏବଂ ପରିସଂଖ୍ୟାନଗତ ଭାବରେ ସ୍ଥିର ସ୍ପେକ୍ଟ୍ରାଲ୍ ଆଲଗୋରିଦମ ଉପସ୍ଥାପନ କରୁ । ଆମେ ଆଲଗୋରିଦମକୁ ସିମୁଲେଟେଡ୍ ଉଚ୍ଚ-ଆକାର, ଦୃଷ୍ଟି-ଆଧାରିତ ମୋବାଇଲ୍ ରୋବଟ୍ ଯୋଜନା କାର୍ଯ୍ୟର ଏକ ମଡେଲ ଶିଖିବା ଦ୍ୱାରା ପ୍ରଦର୍ଶନ କରୁ, ଏବଂ ତାପରେ ଶିଖିଥିବା PSR ରେ ଅନୁମାନିକ ବିନ୍ଦୁ-ଆଧାରିତ ଯୋଜନା କାର୍ଯ୍ୟ ସମ୍ପାଦନ କରୁ । ଆମର ଫଳାଫଳର ବିଶ୍ଳେଷଣରୁ ଜଣାପଡ଼େ ଯେ ଆଲଗୋରିଦମ ଏକ ସ୍ଥିତି ସ୍ଥାନକୁ ଶିକ୍ଷା କରିଥାଏ ଯାହା ପରିବେଶର ମୌଳିକ ବୈଶିଷ୍ଟ୍ୟକୁ ଦକ୍ଷତାର ସହିତ ଗ୍ରହଣ କରିଥାଏ । ଏହି ପ୍ରତିନିଧିତ୍ୱ ଅଳ୍ପ ସଂଖ୍ୟକ ପାରାମିଟର ସହିତ ସଠିକ ପୂର୍ବାନୁମାନ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ ଏବଂ ସଫଳ ଏବଂ ଦକ୍ଷ ଯୋଜନା ପ୍ରସ୍ତୁତ କରିବାକୁ ସକ୍ଷମ କରିଥାଏ । |
16611312448f5897c7a84e2f590617f4fa3847c4 | ଲୁକ୍କାୟିତ ମାର୍କୋଭ ମଡେଲ (ଏଚଏମଏମ) ହେଉଛି ଏକ ମୌଳିକ ଓ ବହୁଳ ଭାବରେ ବ୍ୟବହୃତ ପରିସଂଖ୍ୟାନ ଉପକରଣ ଯାହା ପୃଥକ ସମୟ ଧାରାକୁ ମଡେଲ କରିବା ପାଇଁ ବ୍ୟବହୃତ ହୁଏ । ସାଧାରଣତଃ, ସେଗୁଡିକୁ ସମୁଦ୍ରରଚ ହେରିଷ୍ଟିକ୍ସ (ଯେପରି ବାଉମ-ୱେଲଚ/ଇଏମ ଆଲଗୋରିଦମ) ବ୍ୟବହାର କରି ଶିଖିହୁଏ, ଯାହାକି ସାଧାରଣ ଲୋକାଲ ଅପ୍ଟିମାମ ସମସ୍ୟା ଦ୍ୱାରା ପ୍ରଭାବିତ ହୋଇଥାଏ । ସାଧାରଣ ଭାବେ ଏହି ମଡେଲଗୁଡ଼ିକ ମୂଳ ବିଭାଜନରୁ ନମୁନା ସହିତ ଶିଖିବା କଷ୍ଟକର ବୋଲି ଜଣା ପଡୁଥିବାବେଳେ, ଆମେ ପ୍ରାକୃତିକ ବିଭାଜନ ଅବସ୍ଥାରେ HMMs ଶିଖିବା ପାଇଁ ପ୍ରଥମ ପ୍ରମାଣିତ ଭାବରେ ଦକ୍ଷ ଆଲଗୋରିଦମ (ନମୁନା ଏବଂ ଗଣନା ଜଟିଳତା ଦୃଷ୍ଟିରୁ) ପ୍ରଦାନ କରୁ । ଏହି ଅବସ୍ଥା ପ୍ରାୟତଃ ମିଶ୍ରଣ ବଣ୍ଟନ ଶିଖିବା ପାଇଁ ବିବେଚନା କରାଯାଉଥିବା ବିଭାଜନ ଅବସ୍ଥା ସହିତ ସମାନ (ଯେଉଁଠାରେ, ସମାନ ଭାବରେ, ଏହି ମଡେଲଗୁଡିକ ସାଧାରଣ ଭାବରେ ଶିଖିବା କଷ୍ଟକର) । ଏହା ସହିତ, ଆମ ନମୁନା ପୂର୍ଣ୍ଣତା ଫଳାଫଳ ସ୍ପଷ୍ଟ ଭାବରେ ଭିନ୍ନ (ବିଭାଜିତ) ପର୍ଯ୍ୟବେକ୍ଷଣ ସଂଖ୍ୟା ଉପରେ ନିର୍ଭର କରେ ନାହିଁ - ଏହା ଅନ୍ତର୍ନିହିତ ଭାବରେ ଏହି ସଂଖ୍ୟା ଉପରେ ଆଧାରିତ HMM ର ସ୍ପେକ୍ଟ୍ରାଲ୍ ଗୁଣ ମାଧ୍ୟମରେ ନିର୍ଭର କରେ । ଏହାଦ୍ୱାରା ଆଲଗୋରିଦମ ବିଶେଷ ଭାବରେ ବହୁ ସଂଖ୍ୟକ ପର୍ଯ୍ୟବେକ୍ଷଣ ଥିବା ସେଟିଂ ପାଇଁ ପ୍ରୟୋଗଯୋଗ୍ୟ ହୋଇଥାଏ, ଯେପରିକି ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣରେ ପର୍ଯ୍ୟବେକ୍ଷକମାନଙ୍କର ସ୍ଥାନ ବେଳେ ବେଳେ ଏକ ଭାଷାରେ ଶବ୍ଦ ହୋଇଥାଏ । ଶେଷରେ, ଆଲଗୋରିଦମଟି ଅତି ସରଳ, କେବଳ ଏକ ସିଙ୍ଗୁଲା r ମୂଲ୍ୟ ବିଭାଜନ ଏବଂ ମାଟ୍ରିକ୍ସ ଗୁଣନ ଉପରେ ନିର୍ଭର କରେ । |
8ad6fda2d41dd823d2569797c8c7353dad31b371 | ଆମେ ଏକ ଆଟ୍ରିବୁଟ୍ ଆଧାରିତ ଏନକ୍ରିପସନ୍ (ଏବିଇ) ସ୍କିମ୍ ନିର୍ମାଣ କରିଥାଉ ଯାହା ବ୍ୟବହାରକାରୀଙ୍କ ବ୍ୟକ୍ତିଗତ ଚାବିକୁ କୌଣସି ଆଟ୍ରିବୁଟ୍ ଆଧାରିତ ଆକସେସ୍ ଫର୍ମୁଲା ମାଧ୍ୟମରେ ପ୍ରକାଶ କରାଯାଇପାରିବ । ପୂର୍ବରୁ ABE ଯୋଜନା କେବଳ ଏକକ ପ୍ରବେଶ ସଂରଚନାକୁ ବ୍ୟକ୍ତ କରିବା ପାଇଁ ସୀମିତ ଥିଲା । ଆମେ ଆମର ଯୋଜନା ପାଇଁ ଏକ ସୁରକ୍ଷା ପ୍ରମାଣ ପ୍ରଦାନ କରୁ ଯାହା ନିର୍ଣ୍ଣାୟକ ବାଇଲିନାରୀ ଡିଫି-ହେଲମ୍ୟାନ୍ (ବିଡିଏଚ) ଅନୁମାନ ଉପରେ ଆଧାରିତ । ଆହୁରି ମଧ୍ୟ, ଆମର ନୂଆ ଯୋଜନାର ପ୍ରଦର୍ଶନ ବର୍ତ୍ତମାନର କମ୍ ପ୍ରଭାବଶାଳୀ ଯୋଜନାଗୁଡ଼ିକ ସହିତ ଅନୁକୂଳ ଅଟେ । |
4f3dbfec5c67f0fb0602d9c803a391bc2f6ee4c7 | 20GHz ର ଏକ ପର୍ଯ୍ୟାୟ-ଲକ୍ ହୋଇଥିବା ଲୁପ୍ 4.9 ps/sub pp//0.65 ps/sub rms/ଜିତର ଏବଂ -113.5 dBc/Hz ର ପର୍ଯ୍ୟାୟ ଶବ୍ଦ ସହିତ 10-MHz ଅଫସେଟରେ ଉପସ୍ଥାପିତ ହୋଇଛି । ଏକ ଅର୍ଦ୍ଧ-କାର୍ଯ୍ୟକାରୀ ନମୁନା-ଫେଡ୍ ଫରୱାର୍ଡ ଲୁପ୍ ଫିଲ୍ଟର ଯାହା କେବଳ ଏକ ସୁଇଚ୍ ସହିତ ପ୍ରତିରୋଧକକୁ ବଦଳାଇଥାଏ ଏବଂ ଏକ ଇନଭର୍ଟର ରେଫରେନ୍ସ ସ୍ପରକୁ -44.0 dBc ପର୍ଯ୍ୟନ୍ତ ଦମନ କରିଥାଏ । ଏକ ଡିଜାଇନ ଇଟେରେସନ ପ୍ରକ୍ରିୟା ବର୍ଣ୍ଣନା କରାଯାଇଛି ଯାହା ଏକ କପଲ ମାଇକ୍ରୋଷ୍ଟ୍ରିପ ରେଜୋନେଟର ସହିତ ଏକ ନକାରାତ୍ମକ-ଜି/ସବ୍ ମି/ଅସ୍ଫୀଳନକାରୀର ପର୍ଯ୍ୟାୟ ଶବ୍ଦକୁ ସର୍ବନିମ୍ନ କରିଥାଏ । ଫ୍ଲିପ୍ ଫ୍ଲପ୍ ଦ୍ୱାରା ନିର୍ମିତ ଫ୍ରିକ୍ଭେନ୍ସି ଡିଭାଇଡର ଅପେକ୍ଷା ଷ୍ଟାଟିକ୍ ଫ୍ରିକ୍ୱେନ୍ସି ଡିଭାଇଡର ଅଧିକ ଦ୍ରୁତ ଗତିରେ କାମ କରିଥାଏ ଏବଂ ପ୍ରାୟ ୨ଃ୧ ଫ୍ରିକ୍ୱେନ୍ସି ରେଞ୍ଜ ହାସଲ କରିଥାଏ । ଏହି ପର୍ଯ୍ୟାୟ-ଲକ୍ ହୋଇଥିବା ଲୁପ୍ ୦.୧୩-/ସ୍ପିଲ୍ ମୁ/ମିଟର ସିଏମଓଏସ୍ରେ ନିର୍ମିତ ୧୭.୬ ରୁ ୧୯.୪ ଗିଗାହର୍ଜରେ କାର୍ଯ୍ୟ କରିଥାଏ ଏବଂ ୪୮୦ ମିଗାୱାଟ ବିଚ୍ଛିନ୍ନ କରିଥାଏ । |
1fcaf7ddcadda724d67684d66856c107375f448b | ଆମେ ଏକ ନୂଆ କନଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କ (ସିଏନଏନ) ମଡେଲର ଉପସ୍ଥାପନା କରୁଛୁ ଯାହା ମିଳିତ ଭାବେ ଦସ୍ତାବିଜରେ ଥିବା ଲେବଲ ଏବଂ ଏହାର ସମ୍ବିଧାନ ବାକ୍ୟର ଉପଯୋଗ କରିଥାଏ । ବିଶେଷକରି, ଆମେ ସେହି ଦୃଶ୍ୟପଟ୍ଟଗୁଡ଼ିକୁ ବିଚାର କରୁଛୁ ଯେଉଁଥିରେ ଏନାଟୋଟର୍ମାନେ ସ୍ପଷ୍ଟ ଭାବରେ ବାକ୍ୟ (କିମ୍ବା ଖଣ୍ଡ) ଚିହ୍ନିତ କରନ୍ତି ଯାହା ସେମାନଙ୍କର ସାମଗ୍ରିକ ଡକ୍ୟୁମେଣ୍ଟ ବର୍ଗୀକରଣକୁ ସମର୍ଥନ କରେ, ଅର୍ଥାତ୍ ସେମାନେ ଯୁକ୍ତିଯୁକ୍ତ କାରଣ ପ୍ରଦାନ କରନ୍ତି । ଆମର ମଡେଲ ଏପରି ଏକ ନିରୀକ୍ଷଣକୁ ଏକ ଶ୍ରେଣୀଗତ ପଦ୍ଧତି ମାଧ୍ୟମରେ ବ୍ୟବହାର କରେ ଯେଉଁଥିରେ ପ୍ରତ୍ୟେକ ଦସ୍ତାବିଜକୁ ଏହାର ଉପାଦାନ ବାକ୍ୟର ଭେକ୍ଟର ପ୍ରତିନିଧିତ୍ୱଗୁଡ଼ିକର ଏକ ରେଖୀଯୁକ୍ତ ମିଶ୍ରଣ ଦ୍ୱାରା ପ୍ରତିନିଧିତ୍ୱ କରାଯାଇଥାଏ । ଆମେ ଏକ ବାକ୍ୟ-ସ୍ତରୀୟ କଭୋଲ୍ୟୁସନାଲ ମଡେଲ ପ୍ରସ୍ତାବିତ କରୁଛୁ ଯାହା ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ବାକ୍ୟର ସମ୍ଭାବ୍ୟତାକୁ ଆକଳନ କରେ, ଏବଂ ତାପରେ ଆମେ ଏହି ଆକଳନଗୁଡିକର ଅନୁପାତରେ ସମୁଦାୟ ଡକ୍ୟୁମେଣ୍ଟ ପ୍ରତିନିଧିତ୍ୱରେ ପ୍ରତ୍ୟେକ ବାକ୍ୟର ଅବଦାନକୁ ମାପ କରିଥାଉ । ପାଞ୍ଚଟି ଶ୍ରେଣୀକରଣ ଡାଟାସେଟ ଉପରେ ପରୀକ୍ଷଣ ଯାହା ଦସ୍ତାବିଜ ଲେବଲ୍ ଏବଂ ସମ୍ବନ୍ଧିତ ତର୍କ ଦର୍ଶାଇଥାଏ ଯେ ଆମର ଆଭିମୁଖ୍ୟ ସ୍ଥିର ଭାବରେ ଦୃଢ଼ ଆଧାରରେ ଉନ୍ନତ ପ୍ରଦର୍ଶନ କରେ । ଆହୁରି ମଧ୍ୟ, ଆମର ମଡେଲ ସ୍ୱାଭାବିକ ଭାବରେ ଏହାର ଭବିଷ୍ୟବାଣୀ ପାଇଁ ବ୍ୟାଖ୍ୟା ପ୍ରଦାନ କରେ । |
20b41b2a0d8ee71efd3986b4baeed24eba904350 | ଉଦ୍ଦେଶ୍ୟ ବିକାଶଶୀଳ ଦେଶମାନଙ୍କରେ ମା ମାନଙ୍କର ଅବସାଦ ଓ ଶିଶୁମାନଙ୍କର ବୃଦ୍ଧି ମଧ୍ୟରେ ସମ୍ପର୍କକୁ ଏକ ବ୍ୟବସ୍ଥିତ ସାହିତ୍ୟ ସମୀକ୍ଷା ଓ ମେଟା-ଆନାଲିସିସ୍ ମାଧ୍ୟମରେ ଅନୁସନ୍ଧାନ କରିବା । ମା ମାନଙ୍କର ଅବସାଦ ଓ ଶିଶୁମାନଙ୍କର ବୃଦ୍ଧି ଉପରେ ୨୦୧୦ ପର୍ଯ୍ୟନ୍ତ ପ୍ରକାଶିତ ଗବେଷଣା ପାଇଁ ବିକାଶଶୀଳ ଦେଶଗୁଡ଼ିକର ଛଅଟି ଡାଟାବେସ୍ ଖୋଜା ଯାଇଥିଲା । ଷ୍ଟାଣ୍ଡାର୍ଡ ମେଟା- ଆନାଲିଟିକାଲ ପଦ୍ଧତି ଅନୁସରଣ କରାଯାଇଥିଲା ଏବଂ ଡିପ୍ରେସନରେ ପୀଡ଼ିତ ମା ଙ୍କ ସନ୍ତାନଙ୍କଠାରେ କମ ଓଜନ ଏବଂ ଅକ୍ଲାନ୍ତ ବିକାଶ ପାଇଁ ଏକତ୍ରିତ ଅଡସ ରେସିଓ (ଓଆର) ର ଗଣନା ସମସ୍ତ ଅଧ୍ୟୟନ ପାଇଁ ଏବଂ ଅଧ୍ୟୟନ ଡିଜାଇନ, ମାତୃ ଅବସାଦ ପ୍ରତି ସଂକ୍ରମଣ ଏବଂ ପରିଣାମ ଭେରିଏବଲ୍ ଉପରେ କଠୋର ମାନଦଣ୍ଡ ପୂରଣ କରୁଥିବା ଅଧ୍ୟୟନର ଉପସମୂହ ପାଇଁ ରାଣ୍ଡମ ଇଫେକ୍ଟ ମଡେଲ ବ୍ୟବହାର କରି କରାଯାଇଥିଲା । ବଛା ବଛା ଅଧ୍ୟୟନ ପାଇଁ ଜନସଂଖ୍ୟା ଦ୍ୱାରା ନିର୍ଦ୍ଧାରିତ ବିପଦ (PAR) ର ଆକଳନ କରାଯାଇଥିଲା । 11ଟି ଦେଶର 13 ହଜାର 923 ମା ଓ ଶିଶୁଙ୍କୁ ନେଇ 17ଟି ଅଧ୍ୟୟନ କରାଯାଇଥିଲା । ଅବସାଦ ବା ଅବସାଦ ଜନିତ ଲକ୍ଷଣ ଥିବା ମା ଙ୍କର ପିଲାମାନେ ଅଧିକ ମାତ୍ରାରେ କମ ଓଜନ (OR: 1. 5; 95% ଭରସା ଅନ୍ତର, CI: 1. 2- 1. 8) କିମ୍ବା ଅଣ୍ଟା ତିନୋଟି ଲଙ୍ଗୁଟିଜୁଆଲ୍ ଅଧ୍ୟୟନର ଉପ- ବିଶ୍ଳେଷଣରେ ଏକ ଶକ୍ତିଶାଳୀ ପ୍ରଭାବ ଦେଖିବାକୁ ମିଳିଥିଲା: ଓଜନ କମ ଥିବା ରୋଗୀଙ୍କ ପାଇଁ OR 2. 2 ଥିଲା (୯୫% CI: 1. 5- 3. 2) ଏବଂ ବ୍ରେକଅପ୍ ରୋଗୀଙ୍କ ପାଇଁ ଏହା ଥିଲା 2. 0 (୯୫% CI: 1. 0- 3. 9) । ଚୟନ କରାଯାଇଥିବା ଅଧ୍ୟୟନଗୁଡ଼ିକର PAR ଦର୍ଶାଇଥିଲା ଯେ ଯଦି ଶିଶୁମାନଙ୍କ ମଧ୍ୟରେ ମାତୃ ଅବସାଦଜନିତ ଲକ୍ଷଣର କୌଣସି ଲକ୍ଷଣ ନଥିବ ତେବେ ୨୩- ୨୯% କମ୍ ଶିଶୁଙ୍କର ଓଜନ କମ୍ କିମ୍ବା ବୃଦ୍ଧିର ଅଭାବ ଦେଖାଦେବ । ମା ଙ୍କ ଅବସାଦ ଯୋଗୁଁ ପିଲାମାନେ କମ୍ ଓଜନ ଓ ଅଳ୍ପ ଆୟୁ ସହ ଜଡ଼ିତ ଥିଲେ । ଏହାର କାରଣ ଓ ତନ୍ତ୍ରକୁ ଚିହ୍ନଟ କରିବା ପାଇଁ ଦୃଢ଼ ଭବିଷ୍ୟତର ଅଧ୍ୟୟନ ଆବଶ୍ୟକ । ବିକାଶଶୀଳ ଦେଶମାନଙ୍କରେ ମାତୃ ଅବସାଦକୁ ଶୀଘ୍ର ଚିହ୍ନଟ, ଚିକିତ୍ସା ଏବଂ ପ୍ରତିରୋଧ କରିବା ଦ୍ୱାରା ଶିଶୁର ବିକାଶରେ ବାଧା ଓ କମ ଓଜନ ହ୍ରାସ ପାଇପାରେ । |
c596f88ccba5b7d5276ac6a9b68972fd7d14d959 | ବାସ୍ତବିକ ବସ୍ତୁର ଭୌତିକ ଜଗତକୁ ଆଇଟି ସିଷ୍ଟମର ଭର୍ଚୁଆଲ ଜଗତ ସହିତ ଯୋଡ଼ିବା ଦ୍ୱାରା ଇଣ୍ଟରନେଟ ଅଫ୍ ଥିଙ୍ଗ୍ସ ଉଭୟ ଉଦ୍ୟୋଗ ଜଗତ ଏବଂ ସମାଜକୁ ବ୍ୟାପକ ଭାବେ ପରିବର୍ତ୍ତନ କରିବାର କ୍ଷମତା ରଖିଛି । କିନ୍ତୁ ଏହି ଶବ୍ଦକୁ ବିଭିନ୍ନ ଗୋଷ୍ଠୀ ଭିନ୍ନ ଭିନ୍ନ ଭାବରେ ବୁଝନ୍ତି, ବିଶେଷକରି କାରଣ ଆଇଓଟି ଏକ ପ୍ରଯୁକ୍ତି ନୁହେଁ ବରଂ ବିଭିନ୍ନ ଇଞ୍ଜିନିୟରିଂ କ୍ଷେତ୍ର ସହ ଜଡ଼ିତ ଅନେକ ନୂତନ ପ୍ରଯୁକ୍ତିର ସମନ୍ୱୟକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ । ଏକ ସାଧାରଣ ବୁଝାମଣାକୁ ଆସିବା ପାଇଁ ଯାହା ଆବଶ୍ୟକ ତାହା ହେଉଛି ଇଣ୍ଟରନେଟ୍ ଅଫ୍ ଥିଙ୍ଗ୍ ପାଇଁ ଏକ ଡୋମେନ୍ ମଡେଲ, ମୁଖ୍ୟ ଧାରଣା ଏବଂ ସେମାନଙ୍କର ସମ୍ପର୍କକୁ ବ୍ୟାଖ୍ୟା କରିବା, ଏବଂ ଏକ ସାଧାରଣ ଶବ୍ଦକୋଷ ଏବଂ ଟାକ୍ସୋନୋମି ଭାବରେ କାର୍ଯ୍ୟ କରିବା ଏବଂ ତେଣୁ ଇଣ୍ଟରନେଟ୍ ଅଫ୍ ଥିଙ୍ଗ୍ ର ଅଧିକ ବୈଜ୍ଞାନିକ ବକ୍ତବ୍ୟ ଏବଂ ବିକାଶ ପାଇଁ ଏକ ଆଧାର ଭାବରେ କାର୍ଯ୍ୟ କରିବା _ ଆମେ ଦେଖାଇଥିବା ପରି, ଏହିପରି ଏକ ଡୋମେନ୍ ମଡେଲ ଥିବା କଙ୍କ୍ରିଟ୍ ଆଇଓଟି ସିଷ୍ଟମ୍ ଆର୍କିଟେକ୍ଚରର ଡିଜାଇନ୍ରେ ମଧ୍ୟ ସାହାଯ୍ୟକାରୀ, କାରଣ ଏହା ଏକ ଟେମ୍ପଲେଟ୍ ପ୍ରଦାନ କରେ ଏବଂ ଏହିପରି ଭାବରେ ବ୍ୟବହାର କେସର ବିଶ୍ଳେଷଣକୁ ଗଠନ କରେ । |
5a9f4dc3e5d7c70d58c9512d7193d079c3331273 | ଆମେ ଗୌସିୟାନ ପ୍ରୋସେସ ଡାଇନାମିକାଲ ମଡେଲ (ଜିପିଡିଏମ) ର ବ୍ୟବହାରକୁ ସମର୍ଥନ କରୁଛୁ ଯାହା ମାନବ ସ୍ଥିତି ଏବଂ ଗତିର ପ୍ରାଥମିକତାକୁ 3D ଲୋକ ଟ୍ରାକିଂ ପାଇଁ ଶିକ୍ଷା କରିଥାଏ । ଏକ ଜିପିଡିଏମ ମାନବ ଗତିବିଧି ତଥ୍ୟର ଏକ ନିମ୍ନ ଆକାରର ଅନ୍ତର୍ଭୁକ୍ତିକରଣ ପ୍ରଦାନ କରିଥାଏ, ଯାହା ଏକ ଘନତା ଫଳନ ସହିତ ତାଲିମ ତଥ୍ୟର ନିକଟବର୍ତ୍ତୀ ସ୍ଥିତି ଏବଂ ଗତିବିଧିକୁ ଅଧିକ ସମ୍ଭାବନା ଦେଇଥାଏ । ବେଜୀୟନ ମଡେଲରେ ଏକ ଜିପିଡିଏମ୍ କୁ ଅପେକ୍ଷାକୃତ କମ ପରିମାଣର ତଥ୍ୟରୁ ଶିକ୍ଷା କରାଯାଇପାରିବ ଏବଂ ଏହା ପ୍ରଶିକ୍ଷଣ ସେଟ ବାହାରେ ଥିବା ଗତିବିଧିକୁ ସରଳ ଭାବରେ ସାଧାରଣ କରିଥାଏ । ଏଠାରେ ଆମେ ଜିପିଡିଏମ୍ କୁ ପରିବର୍ତ୍ତନ କରିଛୁ ଯଦ୍ୱାରା ଏହା ଶୈଳୀଗତ ପରିବର୍ତ୍ତନ ସହିତ ଗତିବିଧିରୁ ଶିକ୍ଷାଲାଭ କରିପାରିବ । ଫଳସ୍ୱରୂପ, ଦୁର୍ବଳ ଏବଂ ଶବ୍ଦପୂର୍ଣ୍ଣ ପ୍ରତିଛବି ମାପ ଏବଂ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଅବରୋଧ ସତ୍ତ୍ୱେ, ବିଭିନ୍ନ ପ୍ରକାରର ମାନବ ଚାଲିବା ଶୈଳୀକୁ ଟ୍ରାକ୍ କରିବା ପାଇଁ ଏହା ପ୍ରଭାବଶାଳୀ ଅଟେ । |
c3f2d101b616d82d07ca2cc4cb8ed0cb53fde21f | ଆମେ ବର୍ତ୍ତମାନର CD ଓ EMD ମୂଲ୍ୟକୁ ରେଣ୍ଡର କରାଯାଇଥିବା ଡାଟାସେଟରେ ଉଲ୍ଲେଖ କରିବା ପାଇଁ ମାନବ ଅଧ୍ୟୟନ କରିଥିଲୁ । ଆମେ ମାନବ ବିଷୟକୁ ଏକ GUI ଉପକରଣ ଦେଇଥିଲୁ ଯାହାଦ୍ୱାରା ସେ ଛବିରୁ ଏକ ତ୍ରିଭୁଜ ଜାଲ ସୃଷ୍ଟି କରିପାରିବ । ଏହି ଉପକରଣ (ଫାଇଲ୍ ୧ ଦେଖନ୍ତୁ) ବ୍ୟବହାରକାରୀଙ୍କୁ 3D ରେ ମେସ୍ ଏଡିଟ୍ କରିବା ଏବଂ ମଡେଲ୍ ହୋଇଥିବା ବସ୍ତୁକୁ ଇନପୁଟ୍ ଇମେଜ୍ ସହିତ ସମାନ୍ତରାଳ କରିବା ପାଇଁ ସକ୍ଷମ କରିଥାଏ । ଆମ ବୈଧତା ସେଟର ଇନପୁଟ ଇମେଜରୁ ମୋଟ 16ଟି ମଡେଲ ତିଆରି କରାଯାଇଛି । ପ୍ରତ୍ୟେକ ମଡେଲରୁ N = 1024 ଟି ପଏଣ୍ଟ ନମୁନା ନିଆଯାଏ । |
32791996c1040b9dcc34e71a05d72e5c649eeff9 | ସାଧାରଣ ଦୈନନ୍ଦିନ କାର୍ଯ୍ୟକଳାପ ସମୟରେ ହୃଦୟର ଅସ୍ୱାଭାବିକ ବୈଦ୍ୟୁତିକ ଆଚରଣକୁ ଚିହ୍ନଟ କରିବା ପାଇଁ କ୍ଲିନିକାଲ ପ୍ରୟୋଗରେ ଆମ୍ବୁଲେଟୋରୀ ଇଲେକ୍ଟ୍ରୋକାର୍ଡିଓଗ୍ରାଫି ଅଧିକ ବ୍ୟବହୃତ ହେଉଛି । ଏହି ନିରୀକ୍ଷଣର ଉପଯୋଗିତା ଶ୍ୱାସକ୍ରିୟା ବାହାର କରି ଉନ୍ନତ କରାଯାଇପାରିବ, ଯାହା ପୂର୍ବରୁ ରୋଗୀମାନଙ୍କର ସ୍ଥିର ଅବସ୍ଥାରେ ରାତ୍ରି କାଳୀନ ନିଃଶ୍ବାସ ପ୍ରଶ୍ବାସ ଅଧ୍ୟୟନ ଉପରେ ଆଧାରିତ ଥିଲା, କିମ୍ବା ଚାପ ପରୀକ୍ଷଣ ପାଇଁ ମଲ୍ଟିଲେଡ୍ ଇସିଜି ସିଷ୍ଟମର ବ୍ୟବହାର ଦ୍ୱାରା । ଆମେ ଏକ ଏକକ-ଲିଡ୍ ପୋର୍ଟେବଲ୍ ଇସିଜି ମନିଟରରୁ ପ୍ରାପ୍ତ ଛଅଟି ଶ୍ୱାସକ୍ରିୟା ମାପକୁ ଏକ ଆମ୍ବୁଲେଟୋରୀ ନାସଲ କ୍ୟାନ୍ୟୁଲା ଶ୍ୱାସକ୍ରିୟା ମନିଟରରୁ ପ୍ରାପ୍ତ ଏକକାଳୀନ ମାପ ହୋଇଥିବା ଶ୍ୱାସକ୍ରିୟା ବାୟୁ ପ୍ରବାହ ସହିତ ତୁଳନା କରିଥିଲୁ । ଦୈନନ୍ଦିନ ଜୀବନର କାର୍ଯ୍ୟକଳାପ (ଲଗ୍ନ, ବସି, ଠିଆ, ଚାଲିବା, ଜୋଗିଂ, ଦୌଡ଼ିବା ଏବଂ ପାହାଚ ଚଢ଼ିବା) ଉପରେ ୧୦ଟି ନିୟନ୍ତ୍ରିତ ୧ ଘଣ୍ଟିଆ ରେକର୍ଡିଂ କରାଯାଇଥିଲା ଏବଂ ଛଅଟି ରାତ୍ରିକାଳୀନ ଅଧ୍ୟୟନ କରାଯାଇଥିଲା । ସର୍ବୋତ୍ତମ ପଦ୍ଧତି ଥିଲା 0.2-0.8 Hz ବ୍ୟାଣ୍ଡପାସ୍ ଫିଲ୍ଟର ଏବଂ RR ବ୍ୟବଧାନର ଲମ୍ବ ଏବଂ କ୍ଷୁଦ୍ରତା ଉପରେ ଆଧାରିତ RR କୌଶଳ । ସୁନା ମାନକ ସହିତ ହାରାହାରି ତ୍ରୁଟି ହାର ପ୍ରତି ମିନିଟରେ +mn4 ଶ୍ବାସପ୍ରଶ୍ବାସ (ବିପିଏମ୍) (ସମସ୍ତ କାର୍ଯ୍ୟକଳାପ), +mn2 ବିପିଏମ୍ (ଲଗ୍ନ ଏବଂ ବସି) ଏବଂ +mn1 ଶ୍ବାସପ୍ରଶ୍ବାସ ପ୍ରତି ମିନିଟ୍ (ରାତିସାରା ଅଧ୍ୟୟନ) ଥିଲା । ସମ୍ପୂର୍ଣ୍ଣ ଇସିଜି ତରଙ୍ଗ ଆକାରରୁ ପ୍ରାପ୍ତ ସର୍ବୋତ୍ତମ କୌଶଳ ସହିତ ତୁଳନା କରି କେବଳ ହାର୍ଟ ରେଟ୍ ସୂଚନା (ଆରଆର କୌଶଳ) ବ୍ୟବହାର କରି ପରିସଂଖ୍ୟାନଗତ ଭାବରେ ସମାନ ଫଳାଫଳ ପ୍ରାପ୍ତ କରାଯାଇଥିଲା ଯାହା ତଥ୍ୟ ସଂଗ୍ରହ ପ୍ରକ୍ରିୟାକୁ ସରଳ କରିଥାଏ । ଏହି ଅଧ୍ୟୟନରୁ ଜଣାପଡିଛି ଯେ ପାରମ୍ପରିକ ପଦ୍ଧତିଠାରୁ କୌଣସି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପାର୍ଥକ୍ୟ ବିନା ଏକକ-ଲିଡ୍ ଇସିଜିରୁ ଗତିଶୀଳ କାର୍ଯ୍ୟକଳାପ ଅଧୀନରେ ଶ୍ୱାସକ୍ରିୟା ନିର୍ଗତ କରାଯାଇପାରିବ । |
7eac1eb85b919667c785b9ac4085d8ca68998d20 | ୨. କେଉଁ ବିଷୟ ଉପରେ ଧ୍ୟାନ ଦେବା ଆବଶ୍ୟକ ? ଇ-ଲର୍ଣ୍ଣିଂକୁ ମୋବାଇଲ ଲର୍ଣ୍ଣିଂ ଠାରୁ ଭିନ୍ନ କରିବା ମୋବାଇଲ ଶିକ୍ଷାର ମୂଲ୍ୟ ଓ ଲାଭ • ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଶିକ୍ଷଣର ଶିଳ୍ପାୟନ: ଏହା ସହିତ ନୋଟବୁକ୍, ମୋବାଇଲ୍ ଟାବଲେଟ୍, ଆଇପଡ୍ ଟଚ୍ ଏବଂ ଆଇପ୍ୟାଡ୍ ମୋବାଇଲ୍ ଇ-ଲର୍ଣ୍ଣିଂ ପାଇଁ ବହୁତ ଲୋକପ୍ରିୟ ଡିଭାଇସ୍ କାରଣ ସେମାନଙ୍କର ମୂଲ୍ୟ ଏବଂ ଆପ୍ ର ଉପଲବ୍ଧତା । ---------------------------------------- ଆପଣମାନେ ଜାଣିଛନ୍ତି କି? ଶିକ୍ଷା ଏବଂ ତାଲିମ ହେଉଛି ସେହି ପ୍ରକ୍ରିୟା ଯାହାଦ୍ୱାରା ଗୋଟିଏ ପିଢ଼ିର ଜ୍ଞାନ, ଜ୍ଞାନ ଏବଂ କୌଶଳ ପରବର୍ତ୍ତୀ ପିଢ଼ିକୁ ହସ୍ତାନ୍ତରିତ ହୋଇଥାଏ । ଆଜି ଶିକ୍ଷା ଓ ତାଲିମର ଦୁଇଟି ରୂପ ରହିଛି: ପାରମ୍ପରିକ ଶିକ୍ଷା ଓ ଦୂର ଶିକ୍ଷା । ମୋବାଇଲ ଲର୍ଣ୍ଣିଂ ବା "ଏମ-ଲର୍ଣ୍ଣିଂ" ମୋବାଇଲ ଡିଭାଇସ ଯଥା ହ୍ୟାଣ୍ଡହେଲଡ କମ୍ପ୍ୟୁଟର, ଟାବଲେଟ କମ୍ପ୍ୟୁଟର, ଏମପି୩ ପ୍ଲେୟାର, ସ୍ମାର୍ଟଫୋନ ଓ ମୋବାଇଲ ଫୋନ ମାଧ୍ୟମରେ ଶିକ୍ଷାଦାନ ପ୍ରକ୍ରିୟାକୁ ସମର୍ଥନ କରିବାର ଆଧୁନିକ ଉପାୟ ପ୍ରଦାନ କରୁଛି । ଏହି ଦସ୍ତାବିଜରେ ଶିକ୍ଷା ଉଦ୍ଦେଶ୍ୟରେ ମୋବାଇଲ ଶିକ୍ଷଣ ବିଷୟର ପରିଚୟ ପ୍ରଦାନ କରାଯାଇଛି । ଏହା ମୋବାଇଲ ଡିଭାଇସର ଶିକ୍ଷାଦାନ ଓ ଶିକ୍ଷଣ ପଦ୍ଧତି ଉପରେ କି ପ୍ରଭାବ ପକାଇଛି ତାହା ଉପରେ ଗବେଷଣା କରିବା ସହ ମୋବାଇଲ ଡିଭାଇସରେ ଡିଜିଟାଲ ମିଡିଆର ବ୍ୟବହାର ଦ୍ୱାରା ସୃଷ୍ଟି ହେଉଥିବା ସୁଯୋଗ ଉପରେ ମଧ୍ୟ ଆଲୋଚନା କରିଥାଏ । ଏହି ଲେଖାର ମୁଖ୍ୟ ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ମୋବାଇଲ ଶିକ୍ଷଣର ବର୍ତ୍ତମାନ ସ୍ଥିତି, ଲାଭ, ଆହ୍ୱାନ ଏବଂ ଶିକ୍ଷାଦାନ ଓ ଶିକ୍ଷଣକୁ ସମର୍ଥନ କରିବା ପାଇଁ ଏହାର ପ୍ରତିବନ୍ଧକ ବିଷୟରେ ବର୍ଣ୍ଣନା କରିବା । ଏହି କାଗଜ ପାଇଁ ତଥ୍ୟ ଜାନୁଆରୀରୁ ମାର୍ଚ୍ଚ ୨୦୧୩ ମଧ୍ୟରେ ସାହିତ୍ୟିକ ଓ ଇଣ୍ଟରନେଟ ଅନୁସନ୍ଧାନ ମାଧ୍ୟମରେ ସଂଗ୍ରହ କରାଯାଇଥିଲା । ଏହି ରିପୋର୍ଟରେ ଚାରୋଟି ପ୍ରମୁଖ କ୍ଷେତ୍ର ଉପରେ ଆଲୋଚନା କରାଯିବ: ମୋବାଇଲ ଶିକ୍ଷଣର ବିଶ୍ଳେଷଣ । |
57820e6f974d198bf4bbdf26ae7e1063bac190c3 | |
8e393c18974baa8d5d704edaf116f009cb919463 | ଏକ ହାଇ ସ୍ପିଡ ସେରଡେସକୁ ବହୁ ସମସ୍ୟାକୁ ସାମ୍ନା କରିବାକୁ ପଡିବ ଯେଉଁଥିରେ ହାଇ ସ୍ପିଡ ଅପରେସନ, ଇଣ୍ଟେନ୍ସିଭ୍ ଇକ୍ୱାଲିଜେସନ୍ କୌଶଳ, କମ୍ ଶକ୍ତି ଖର୍ଚ୍ଚ, ଛୋଟ କ୍ଷେତ୍ର ଏବଂ ଦୃଢ଼ତା ଅନ୍ତର୍ଭୁକ୍ତ । ନୂତନ ମାନକ ଯଥା OIF CEI-25G-LR, CEI-28G-MR/SR/VSR, IEEE802.3bj ଏବଂ 32G-FC କୁ ପୂରଣ କରିବା ପାଇଁ, ଡାଟା ହାରକୁ 25 ରୁ 28Gb/s କୁ ବୃଦ୍ଧି କରାଯାଇଛି, ଯାହା ପୂର୍ବ ପିଢ଼ିର SerDes ଠାରୁ 75% ଅଧିକ ଅଟେ । ସିଙ୍ଗଲ ଚିପରେ ସମନ୍ୱିତ ଶହ ଶହ ଲେନ ଥିବା ସେରଡେକ୍ସ ଆପ୍ଲିକେସନ ପାଇଁ ଉଚ୍ଚ କାର୍ଯ୍ୟଦକ୍ଷତା ବଜାୟ ରଖିବା ସମୟରେ ଶକ୍ତି ଖର୍ଚ୍ଚ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କାରଣ । 28Gb/s କିମ୍ବା ଅଧିକ ଡାଟା ରେଟ ସହିତ ଅନେକ ପୂର୍ବବର୍ତ୍ତୀ କାର୍ଯ୍ୟ ଅଛି [1-2] । ସେମାନେ ଏକ ଅଦରକାରୀ ଡିଏଫଇ ବ୍ୟବହାର କରି ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ ସମୟ ସୀମା ପୂରଣ କରିଥାନ୍ତି, କିନ୍ତୁ ଅଦରକାରୀ ଡିଏଫଇ ସଂରଚନା ଡିଏଫଇ ସିଲିସର ସଂଖ୍ୟା ବୃଦ୍ଧି କରିଥାଏ, ଯାହାଦ୍ୱାରା ସାମଗ୍ରିକ ଶକ୍ତି ଏବଂ ଡେୟ ଅଞ୍ଚଳ ବୃଦ୍ଧି ପାଇଥାଏ । ଏହି ଆହ୍ୱାନର ମୁକାବିଲା କରିବା ପାଇଁ ଆମେ ଅନେକ ସର୍କିଟ ଏବଂ ବାସ୍ତୁକଳାର କୌଶଳ ପ୍ରଚଳନ କରୁଛୁ । ଆନାଲୋଗ ଫ୍ରଣ୍ଟ-ଏଣ୍ଡ (ଏଏଫଇ) ଏକ-ସ୍ତରୀୟ ସ୍ଥାପତ୍ୟ ଏବଂ ଟ୍ରାନ୍ସ-ଇମ୍ପେଡେନ୍ସ ଆମ୍ପ୍ଲିଫାୟର (ଟିଆଇଏ) ରେ ଏକ କମ୍ପାକ୍ଟ ଅନ-ଚିପ୍ ପାସିଭ୍ ଇଣ୍ଡକ୍ଟର ବ୍ୟବହାର କରେ, ଯାହା 15dB ବୃଦ୍ଧି ପ୍ରଦାନ କରେ । ବଷ୍ଟ ଅନୁକୂଳ ଅଟେ ଏବଂ ଏହାର ଅନୁକୂଳ ଲୁପ ଏକ ଗ୍ରୁପ ଡେଲି ଆଡପ୍ଟେସନ (ଜିଡିଏ) ଆଲଗୋରିଦମ ବ୍ୟବହାର କରି ନିଷ୍ପତ୍ତି-ଫୀଡବ୍ୟାକ ଇକ୍ୱାଲିଜର୍ (ଡିଏଫଇ) ଅନୁକୂଳ ଲୁପରୁ ଅଲଗା ହୋଇଥାଏ । ଡିଏଫଇର ଅଧା ହାରରେ ଏକ ଟ୍ୟାପ୍ ଅରୋଲ୍ଡ ଷ୍ଟ୍ରକଚର ରହିଛି ଯେଉଁଥିରେ ଶକ୍ତି ଓ କ୍ଷେତ୍ର ହ୍ରାସ ପାଇଁ ୨ଟି ସମୁଦାୟ ତ୍ରୁଟି ଲ୍ୟାଚ୍ ରହିଛି । ଏକ ଦୁଇ-ସ୍ତରୀୟ ସେନ୍ସ ଆମ୍ପ୍ଲିଫାୟର ଆଧାରିତ ସ୍ଲାଇସର 15mVର ଏକ ସମ୍ବେଦନଶୀଳତା ହାସଲ କରିଥାଏ ଏବଂ DFE ଟାଇମିଂ ବନ୍ଦ କରିଥାଏ । ଆମେ ଏକ ହାଇ ସ୍ପିଡ୍ କ୍ଲକ୍ ବଫର୍ ମଧ୍ୟ ବିକଶିତ କରିଛୁ ଯାହା ଏକ ନୂତନ ସକ୍ରିୟ-ଇଣ୍ଡକ୍ଟର ସର୍କିଟ ବ୍ୟବହାର କରେ । ଏହି ସକ୍ରିୟ-ଇଣ୍ଡକ୍ଟର ସର୍କିଟ ସର୍କିଟ କାର୍ଯ୍ୟକାରୀ ପଏଣ୍ଟଗୁଡ଼ିକୁ ଅନୁକୂଳିତ କରିବା ପାଇଁ ଆଉଟପୁଟ୍-କମନ୍-ମୋଡ୍ ଭୋଲଟେଜ୍ ନିୟନ୍ତ୍ରଣ କରିବାର କ୍ଷମତା ରଖିଥାଏ । |
505c58c2c100e7512b7f7d906a9d4af72f6e8415 | ପୃଷ୍ଠା ୨ ଜଟିଳ ଅନୁକୂଳ ପ୍ରଣାଳୀ ଜନ୍ ଏଚ୍. ହଲାଣ୍ଡ, କ୍ରିଷ୍ଟୋଫର ଲାଙ୍ଗଟନ୍, ଏବଂ ଷ୍ଟୁଆର୍ଟ ଡବ୍ଲୁ. ୱିଲ୍ସନ୍, ପରାମର୍ଶଦାତା ପ୍ରାକୃତିକ ଏବଂ କୃତ୍ରିମ ପ୍ରଣାଳୀରେ ଅନୁକୂଳତା: ଜୀବବିଜ୍ଞାନ, ନିୟନ୍ତ୍ରଣ ଏବଂ କୃତ୍ରିମ ବୁଦ୍ଧିମତା ପାଇଁ ପ୍ରୟୋଗ ସହିତ ଏକ ପ୍ରାରମ୍ଭିକ ବିଶ୍ଳେଷଣ, ଏମ୍ଆଇଟି ପ୍ରେସ୍ ସଂସ୍କରଣ ଜନ୍ ଏଚ୍. ହଲାଣ୍ଡ ସ୍ୱୟଂଶାସିତ ପ୍ରଣାଳୀର ଏକ ଅଭ୍ୟାସ ଆଡକୁ: ଫ୍ରାନ୍ସିସ୍କୋ ଜେ. ଭାରେଲା ଏବଂ ପଲ୍ ବର୍ଗିନଙ୍କ ଦ୍ୱାରା ସମ୍ପାଦିତ କୃତ୍ରିମ ଜୀବନ ଉପରେ ପ୍ରଥମ ୟୁରୋପୀୟ ସମ୍ମିଳନୀର କାର୍ଯ୍ୟସୂଚୀ ଜେନେଟିକ୍ ପ୍ରୋଗ୍ରାମିଂଃ ପ୍ରାକୃତିକ ଚୟନ ମାଧ୍ୟମରେ କମ୍ପ୍ୟୁଟରର ପ୍ରୋଗ୍ରାମିଂ ଉପରେ ଜନ୍ ଆର. କୋଜା |
3a46c11ad7afed8defbb368e478dbf94c24f43a3 | ବିଜ୍ଞାନ କ୍ଷେତ୍ରରେ ଯେଉଁସବୁ ସମସ୍ୟା ବହୁ ପରିମାଣର ତଥ୍ୟର ପ୍ରକ୍ରିୟାକରଣ ଉପରେ ନିର୍ଭରଶୀଳ, ସେସବୁ କ୍ଷେତ୍ରରେ ଅନେକଗୁଡ଼ିଏ ଆହ୍ୱାନର ସମ୍ମୁଖୀନ ହେବାକୁ ପଡ଼ିଥାଏ: ବହୁ ପରିମାଣର ତଥ୍ୟର ବିତରଣ ପରିଚାଳନା, ତଥ୍ୟର ସହ-ସ୍ଥାନୀକରଣ ଏବଂ ତଥ୍ୟକୁ କମ୍ପ୍ୟୁଟିଂ ସମ୍ବଳ ସହିତ ଯୋଜନା କରିବା, ଏବଂ ବହୁ ପରିମାଣର ତଥ୍ୟର ସଂରକ୍ଷଣ ଏବଂ ସ୍ଥାନାନ୍ତର । ଆମେ ଡାଟା-ଗଭୀର ପ୍ରୟୋଗ ପାଇଁ ଦୁଇଟି ପ୍ରମୁଖ ପାରାଡିଗମ (ଉଚ୍ଚ-କାର୍ଯ୍ୟଦକ୍ଷତା କମ୍ପ୍ୟୁଟିଂ ଏବଂ ଆପାଚେ-ହାଡୋପ ପାରାଡିଗମ) ର ଇକୋସିଷ୍ଟମକୁ ବିଶ୍ଳେଷଣ କରିଛୁ । ଆମେ ଏକ ଆଧାର, ସାଧାରଣ ଶବ୍ଦକୋଷ ଏବଂ କାର୍ଯ୍ୟକାରୀ କାରଣର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଉପରେ ଆଧାର କରି ଉଭୟ ପାରାଡିଗମର ଦୁଇ ପନ୍ଥାକୁ ବିଶ୍ଳେଷଣ କରାଯାଇପାରିବ । ଆମେ "ବିଗ୍ ଡାଟା ଓ୍ବାଗ୍ସ"ର ଧାରଣା ଏବଂ ଏହାର ଦିଗ ବିଷୟରେ ଆଲୋଚନା କରୁଛୁ ଯାହା ଦୁଇଟି ପାରାଡିଗମ୍ ମଧ୍ୟରେ ଥିବା ସାଧାରଣ ଆପ୍ଲିକେସନ୍ ୱାର୍କଲୋଡ୍ କୁ ବୁଝିବା ଏବଂ ବର୍ଣ୍ଣନା କରିବାର ଏକ ମାଧ୍ୟମ । ତାପରେ ଆମେ ଦୁଇଟି ପାରାଡିଗମର ପ୍ରମୁଖ ବୈଶିଷ୍ଟ୍ୟ ବିଷୟରେ ଆଲୋଚନା କରିବା ଏବଂ ଦୁଇଟି ପଦ୍ଧତିର ତୁଳନା ଏବଂ ତୁଳନା କରିବା । ବିଶେଷକରି, ଆମେ ଏହି ପାରାଡିଗମଗୁଡ଼ିକର ସାଧାରଣ କାର୍ଯ୍ୟାନ୍ୱୟନ/ପନ୍ଥାଗୁଡିକର ଯାଞ୍ଚ କରିବା, ସେମାନଙ୍କର ବର୍ତ୍ତମାନର "ବୈଶିଷ୍ଟ୍ୟ"ର କାରଣ ଉପରେ ଆଲୋକପାତ କରିବା ଏବଂ ସେଗୁଡିକ ବ୍ୟବହାର କରୁଥିବା କିଛି ସାଧାରଣ କାର୍ଯ୍ୟଭାର ବିଷୟରେ ଆଲୋଚନା କରିବା । ସଫ୍ଟୱେର କ୍ଷେତ୍ରରେ ଅନେକ ପାର୍ଥକ୍ୟ ଥିବା ସତ୍ତ୍ୱେ, ଆମେ ବିଶ୍ୱାସ କରୁ ଯେ ଏହାର ସ୍ଥାପତ୍ୟରେ ସମାନତା ରହିଛି । ଆମେ ବିଭିନ୍ନ ସ୍ତର ଏବଂ ଉପାଦାନରେ ବିଭିନ୍ନ କାର୍ଯ୍ୟାନ୍ୱୟନକୁ ଏକୀକରଣ କରିବାର ସମ୍ଭାବନାକୁ ନେଇ ଆଲୋଚନା କରୁଛୁ । ଆମର ତୁଳନାତ୍ମକ କାର୍ଯ୍ୟପନ୍ଥା ଦୁଇଟି ଦୃଷ୍ଟାନ୍ତର ସମ୍ପୂର୍ଣ୍ଣ ଗୁଣାତ୍ମକ ବିଶ୍ଳେଷଣରୁ ଆଂଶିକ ପରିମାଣିକ ପଦ୍ଧତିକୁ ଆଗକୁ ବଢ଼ିଛି । ଆମେ ଏକ ସରଳ ଓ ବହୁଳ ଭାବରେ ବ୍ୟବହୃତ ଓଗ୍ର (କେ-ମିନ୍ କ୍ଲଷ୍ଟରିଂ) ବ୍ୟବହାର କରିଛୁ, ଏହାର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ବିଭିନ୍ନ ପ୍ରତିନିଧିତ୍ୱ ପ୍ଲାଟଫର୍ମରେ ବର୍ଣ୍ଣନା କରିଛୁ, ଉଭୟ ପାରାଡିଗମରୁ ଅନେକ କାର୍ଯ୍ୟକାରିତାକୁ କଭର କରିଛୁ । ଆମର ପରୀକ୍ଷଣ ଦୁଇଟି ଦୃଷ୍ଟାନ୍ତର ଆପେକ୍ଷିକ ଶକ୍ତିକୁ ଦର୍ଶାଇଥାଏ । ଆମେ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯେ ଓଗ୍ରସ ସମୂହ ଦୁଇଟି ଉଦାହରଣକୁ ଭିନ୍ନ ଭିନ୍ନ ଦିଗରୁ ମୂଲ୍ୟାଙ୍କନ କରିବା ପାଇଁ ଏକ ମାନଦଣ୍ଡ ଭାବେ କାର୍ଯ୍ୟ କରିବ । |
dc7024840a4ba7ab634517fae53e77695ff5dda9 | ଏହି କାଗଜରେ ଆମେ ମାନବ ଗତିବିଧିକୁ ଚିହ୍ନଟ କରିବା ପାଇଁ ଏକ ନୂତନ ଶକ୍ତି ଦକ୍ଷତା ପଦ୍ଧତିର ପ୍ରସ୍ତାବ ଦେଉଛୁ, ଯେଉଁଥିରେ ସ୍ମାର୍ଟଫୋନ୍ କୁ ପରିଧାନଯୋଗ୍ୟ ସେନ୍ସିଂ ଡିଭାଇସ୍ ଭାବରେ ବ୍ୟବହାର କରି, ଭିନ୍ନକ୍ଷମ ଏବଂ ବୟସ୍କ ବ୍ୟକ୍ତିଙ୍କ ପାଇଁ ଦୂର ରୋଗୀ କାର୍ଯ୍ୟକଳାପ ମନିଟରିଂ ଭଳି ସହାୟତା ପ୍ରାପ୍ତ ଜୀବନ ପ୍ରୟୋଗକୁ ଲକ୍ଷ୍ୟ କରି । ଏହି ପଦ୍ଧତି ଏକ ସଂଶୋଧିତ ମଲ୍ଟି କ୍ଲାସ୍ ସପୋର୍ଟ ଭେକ୍ଟର ମେସିନ୍ (SVM) ଶିକ୍ଷଣ ଆଲଗୋରିଦମ ପ୍ରସ୍ତାବ ଦେବା ପାଇଁ ଫିକ୍ସଡ-ପଏଣ୍ଟ୍ ଅଙ୍କନକୁ ବ୍ୟବହାର କରେ, ଯାହା ପାରମ୍ପରିକ ଫ୍ଲୋଟିଂ-ପଏଣ୍ଟ୍ ଆଧାରିତ ଫର୍ମୁଲେସନ୍ ସହିତ ତୁଳନାତ୍ମକ ସିଷ୍ଟମ୍ ସଠିକତା ସ୍ତର ବଜାୟ ରଖିବାବେଳେ ସ୍ମାର୍ଟଫୋନ୍ ବ୍ୟାଟେରୀ ଜୀବନକୁ ଭଲ ଭାବରେ ସଂରକ୍ଷଣ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ପରୀକ୍ଷଣରେ ଏହି ପଦ୍ଧତି ଓ ପାରମ୍ପରିକ ଏସଭିଏମ୍ ମଧ୍ୟରେ ତୁଳନାତ୍ମକ ଫଳାଫଳ ଦେଖିବାକୁ ମିଳିଛି । |
f4cdd1d15112a3458746b58a276d97e79d8f495d | ଏହାର ଇନପୁଟକୁ ନେଇ ଏକ ନ୍ୟୁରାଲ ନେଟୱାର୍କର ଆଉଟପୁଟର ଗ୍ରାଡିଏଣ୍ଟ ନର୍ମକୁ ନିୟମିତ କରିବା ଏକ ଶକ୍ତିଶାଳୀ କୌଶଳ, ଯାହାକୁ ଅନେକ ଥର ଆବିଷ୍କାର କରାଯାଇଛି । ଏହି କାଗଜରେ ପ୍ରମାଣ ଦିଆଯାଇଛି ଯେ ଗ୍ରାଡିଏଣ୍ଟ ନିୟମିତକରଣ ଦୃଶ୍ୟ କାର୍ଯ୍ୟରେ ଆଧୁନିକ ଗଭୀର ନ୍ୟୁରାଲ ନେଟୱାର୍କ ବ୍ୟବହାର କରି କ୍ରମାଗତ ଭାବରେ ବର୍ଗୀକରଣ ସଠିକତାକୁ ଉନ୍ନତ କରିପାରିବ, ବିଶେଷକରି ଯେତେବେଳେ ତାଲିମ ତଥ୍ୟର ପରିମାଣ କମ୍ ଥାଏ । ଆମେ ଆମର ନିୟମିତକାରୀମାନଙ୍କୁ ଏକ ବ୍ୟାପକ ଶ୍ରେଣୀର ସଦସ୍ୟ ଭାବରେ ଉପସ୍ଥାପନ କରୁଛୁ, ଯାହା ଜାକୋବିୟାନ ଆଧାରିତ ନିୟମିତକାରୀ । ଆମେ ବାସ୍ତବିକ ଏବଂ କୃତ୍ରିମ ତଥ୍ୟ ଉପରେ ଅନୁଭବୀକୃତ ଭାବରେ ଦର୍ଶାଇଛୁ ଯେ ଶିକ୍ଷଣ ପ୍ରକ୍ରିୟା ତାଲିମ ବିନ୍ଦୁ ବାହାରେ ନିୟନ୍ତ୍ରିତ ଢଳନରେ ପରିଚାଳିତ ହୋଇଥାଏ, ଏବଂ ଏହାର ପରିଣାମ ହେଉଛି ସମାଧାନ ଯାହା ଭଲ ଭାବରେ ସାଧାରଣ ଅଟେ । |
984df1f081fbd623600ec45635e5d9a4811c0aef | ଦୁଇଟି ଭିଭାଲଡି ଆଣ୍ଟିନା ମଞ୍ଚ ଉପସ୍ଥାପିତ କରାଯାଇଛି । ପ୍ରଥମଟି ହେଉଛି ଇଟା/କଣ୍ଟ୍ରିଟ୍ କାନ୍ଥ ପ୍ରତିଛବି ପାଇଁ ଏସଟିଡବ୍ଲୁ ପ୍ରୟୋଗ ପାଇଁ ୧.୨ ରୁ ୪ ଗିଗାହର୍ଜ ବ୍ୟାଣ୍ଡକୁ କଭର କରୁଥିବା ଏକ ୮-ଏଲେମେଣ୍ଟ କୋଣାତ୍ମକ ସ୍ଲଟ୍ ଆରେ । ଦ୍ୱିତୀୟଟି ହେଉଛି ଏକ ୧୬-ଏଲେମେଣ୍ଟ ଆଣ୍ଟିପୋଡାଲ ଆରେ ଯାହାକି ୮ ରୁ ୧୦.୬ ଗିଗାହର୍ଟ୍ସରେ କାର୍ଯ୍ୟ କରିଥାଏ । ଦୁଇଟି ଡିଜାଇନ ଉପରେ ଆଧାର କରି, ଏବଂ ଭିଭାଲଡି ଆଣ୍ଟେନା ଆରେକୁ ଖାଦ୍ୟ ଯୋଗାଇବା ପାଇଁ ମାଇକ୍ରୋଷ୍ଟ୍ରିପ୍ ଟ୍ରାଞ୍ଜିସନ୍ ପାଇଁ ଏକ ସୁଗମ ବ୍ରଡବ୍ୟାଣ୍ଡ ସ୍ଲଟ୍ ବ୍ୟବହାର କରି, 1-10 GHz ଫ୍ରିକ୍ୱେନ୍ସି ବ୍ୟାଣ୍ଡକୁ କଭର କରାଯାଇପାରିବ । ବିକଳ୍ପ ରୂପରେ, ଏହି ଡିଜାଇନକୁ 1-3 GHz କିମ୍ବା 8-10 GHz ବ୍ୟାଣ୍ଡକୁ କଭର କରିବା ପାଇଁ ଏକ ପୁନଃନିର୍ମାଣ ସଂରଚନାରେ ବ୍ୟବହାର କରାଯାଇପାରିବ । ପରୀକ୍ଷଣ ଓ ମାପ ଫଳାଫଳ ସମ୍ପୂର୍ଣ୍ଣ ହୋଇଛି ଏବଂ ଏହାର ବିସ୍ତୃତ ଆଲୋଚନା କରାଯିବ । ଏହି ଡିଜାଇନଗୁଡ଼ିକ କମ୍ପାକ୍ଟ ପୁନଃସଂକଳ୍ପନୀୟ ଏବଂ ପୋର୍ଟେବଲ ସିଷ୍ଟମର ବିକାଶ ଉପରେ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପ୍ରଭାବ ପକାଇବ । |
e3f4fdf6d2f10ebe4cfc6d0544afa63976527d60 | ଏହି କାଗଜରେ ରେଡିଓ ଜ୍ୟୋତିର୍ବିଜ୍ଞାନ ଉପକରଣ ପାଇଁ 324 ଉପାଦାନ ବିଶିଷ୍ଟ 2-ଡି ବ୍ରଡସାଇଡ୍ ଆରେ ଉପସ୍ଥାପିତ କରାଯାଇଛି ଯାହା ଦୁଇଟି ପରସ୍ପରର ଅର୍ତଗୋନାଲ ପଲାରିଜେସନ ପ୍ରତି ସମ୍ବେଦନଶୀଳ । ଏହି ଆରେ କ୍ରୁସିଫର୍ମ ୟୁନିଟରୁ ତିଆରି ହୋଇଛି, ଯେଉଁଥିରେ ଚାରିଟି ଭିଭାଲଡି ଆଣ୍ଟିନା ଏକ କ୍ରୁସ ଆକାରର ଢାଞ୍ଚାରେ ସଜାଯାଇଛି । ଏହି ଆରେରେ ବ୍ୟବହୃତ ଭିଭାଲଡି ଆଣ୍ଟେନା ରେଡିଏସନ ଇଣ୍ଟେନସିଟି ଚରିତ୍ରକୁ ପ୍ରଦର୍ଶିତ କରିଥାଏ ଯେଉଁଥିରେ ସିମେଟ୍ରିକଲ ମୁଖ୍ୟ ବିମ୍ 87.5° 3 GHz ଏବଂ 44.2° 6 GHz ରେ ଥାଏ । ମାପ କରାଯାଇଥିବା ସର୍ବାଧିକ ପାର୍ଶ୍ୱ/ବ୍ୟାକଲୋବ ସ୍ତର ମୁଖ୍ୟ ଆଲୋକ ସ୍ତରଠାରୁ ୧୦.୩ ଡେସିବି ତଳେ ରହିଛି । ଏହି ଆରେ ୫.୪ ଗିଗାହର୍ଟଜ ଉଚ୍ଚ ଫ୍ରିକ୍ୱେନ୍ସିରେ ବିନା ଗ୍ରେଟିଂ ଲୋବ୍ରେ କାମ କରିପାରିବ । |
1a090df137014acab572aa5dc23449b270db64b4 | |
9ae252d3b0821303f8d63ba9daf10030c9c97d37 | ଆମେ ପ୍ରାକୃତିକ ଦୃଶ୍ୟ ଶ୍ରେଣୀକୁ ଶିଖିବା ଏବଂ ଚିହ୍ନିବା ପାଇଁ ଏକ ନୂତନ ଉପାୟ ପ୍ରସ୍ତାବିତ କରୁଛୁ । ପୂର୍ବ କାର୍ଯ୍ୟ ପରି, ଏହା ବିଶେଷଜ୍ଞମାନଙ୍କୁ ତାଲିମ ସେଟକୁ ଆନୋଟ କରିବା ପାଇଁ ଆବଶ୍ୟକ କରେ ନାହିଁ । ଆମେ ସ୍ଥାନୀୟ ଅଞ୍ଚଳର ଏକ ସଂଗ୍ରହ ଦ୍ୱାରା ଦୃଶ୍ୟର ପ୍ରତିଛବିକୁ ପ୍ରତିନିଧିତ୍ୱ କରୁ, ଯାହା ଅଣ-ନିରୀକ୍ଷିତ ଶିକ୍ଷଣ ଦ୍ୱାରା ପ୍ରାପ୍ତ କୋଡ୍ ଶବ୍ଦ ଭାବରେ ସୂଚିତ ହୁଏ । ପ୍ରତ୍ୟେକ ଅଞ୍ଚଳକୁ ଏକ "ଥିମ୍"ର ଅଂଶ ଭାବରେ ଦର୍ଶାଯାଇଛି । ପୂର୍ବ କାର୍ଯ୍ୟରେ, ବିଶେଷଜ୍ଞମାନଙ୍କ ହସ୍ତ-ବିଷୟବସ୍ତୁରୁ ଏହିପରି ବିଷୟବସ୍ତୁ ଶିକ୍ଷା କରାଯାଇଥିଲା, ଯେତେବେଳେ କି ଆମର ପଦ୍ଧତି ବିଷୟବସ୍ତୁ ବଣ୍ଟନ ସହିତ କୋଡ୍ ୱାର୍ଡ ବଣ୍ଟନକୁ ବିନା ତଦାରଖରେ ଶିଖେ । ଆମେ 13ଟି ଶ୍ରେଣୀ ବିଶିଷ୍ଟ ଜଟିଳ ଦୃଶ୍ୟର ଏକ ବୃହତ ସେଟ ଉପରେ ସନ୍ତୋଷଜନକ ଶ୍ରେଣୀକରଣ ପ୍ରଦର୍ଶନ ବିଷୟରେ ରିପୋର୍ଟ କରୁଛୁ । |
fa6cbc948677d29ecce76f1a49cea01a75686619 | ଏହି କାଗଜରେ, ଆମେ ବାସ୍ତବ ଦୁନିଆର ଦୃଶ୍ୟକୁ ଚିହ୍ନିବାର ଏକ କମ୍ପ୍ୟୁଟେସନାଲ ମଡେଲ ପ୍ରସ୍ତାବ କରୁଛୁ ଯାହା ବ୍ୟକ୍ତିଗତ ବସ୍ତୁ କିମ୍ବା ଅଞ୍ଚଳର ବିଭାଜନ ଏବଂ ପ୍ରକ୍ରିୟାକରଣକୁ ଏଡ଼ାଇ ଯାଇଥାଏ । ଏହି ପ୍ରକ୍ରିୟା ଦୃଶ୍ୟର ଏକ ଅତି ନିମ୍ନ ଆକାରର ପ୍ରତିନିଧିତ୍ୱ ଉପରେ ଆଧାରିତ, ଯାହାକୁ ଆମେ ସ୍ପେସିଆଲ ଏନଭେଲପ୍ (Spatial Envelope) ବୋଲି କହିଥାଉ । ଆମେ ଏକ ଧାରଣା ଆକାରର (ପ୍ରାକୃତିକତା, ଖୋଲାପଣ, କଠୋରତା, ବିସ୍ତାର, କଠୋରତା) ଏକ ସେଟ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଦୃଶ୍ୟର ପ୍ରାଧାନ୍ୟପୂର୍ଣ୍ଣ ସ୍ଥାନିକ ସଂରଚନାକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ । ତାପରେ, ଆମେ ଦେଖାଇଥାଉ ଯେ ଏହି ପରିମାପଗୁଡିକ ବିଶ୍ବାସଯୋଗ୍ୟ ଭାବରେ ସ୍ପେକ୍ଟ୍ରଲ ଏବଂ କ୍ରମିକ ଭାବରେ ସ୍ଥାନୀୟ ସୂଚନା ବ୍ୟବହାର କରି ଆକଳନ କରାଯାଇପାରିବ । ଏହି ମଡେଲ ଏକ ବହୁ-ଆକାରର ସ୍ଥାନ ସୃଷ୍ଟି କରେ ଯେଉଁଥିରେ ଦୃଶ୍ୟଗୁଡିକ ଅର୍ଥଗତ ଶ୍ରେଣୀରେ (ଯଥା, ସଡ଼କ, ରାଜପଥ, ଉପକୂଳ) ସଦସ୍ୟତା ବାଣ୍ଟିବା ପାଇଁ ଏକତ୍ର ବନ୍ଦ ହୋଇଯାଏ । ଆନ୍ତଃସ୍ଥଳୀୟ ଏନଭଲପ୍ ମଡେଲର କାର୍ଯ୍ୟଦକ୍ଷତା ଦର୍ଶାଏ ଯେ ଦୃଶ୍ୟ ଶ୍ରେଣୀକରଣ ପାଇଁ ବସ୍ତୁ ଆକାର କିମ୍ବା ପରିଚୟ ବିଷୟରେ ନିର୍ଦ୍ଦିଷ୍ଟ ସୂଚନା ଆବଶ୍ୟକ ନୁହେଁ ଏବଂ ଦୃଶ୍ୟର ଏକ ସାମଗ୍ରିକ ପ୍ରତିନିଧିତ୍ୱ ମଡେଲିଂ ଏହାର ସମ୍ଭାବ୍ୟ ଅର୍ଥାତ୍ମକ ବର୍ଗ ବିଷୟରେ ସୂଚନା ଦେଇଥାଏ । |
1ac52b7d8db223029388551b2db25657ed8c9852 | ଏହି କାଗଜରେ, ଆମେ ଅନେକ ସମାନ ପୂର୍ବାନୁମାନ କାର୍ଯ୍ୟକୁ ନେଇ ସମସ୍ୟାଗୁଡ଼ିକର ସମାଧାନ ପାଇଁ ମେସିନ୍-ଶିକ୍ଷଣ ସମାଧାନର ପ୍ରସ୍ତାବ ଦେଉଛୁ । ପ୍ରତ୍ୟେକ କାର୍ଯ୍ୟରେ ଅତିକ୍ରମ କରିବାର ଏକ ଉଚ୍ଚ ବିପଦ ରହିଛି । ଆମେ ଦୁଇଟି ପ୍ରକାରର ଜ୍ଞାନ ହସ୍ତାନ୍ତରକୁ ମିଶାଇ ଏହି ବିପଦକୁ କମ କରିଛୁ: ମଲ୍ଟି-ଟାସ୍କ୍ ଲର୍ଣ୍ଣିଂ ଏବଂ ହିରାର୍କିକ ବେୟସୀୟ ମଡେଲିଂ । ମଲ୍ଟି ଟାସ୍କ ଲର୍ଣ୍ଣିଂର ମୂଳଦୁଆ ହେଉଛି ଯେ, କୌଣସି କାର୍ଯ୍ୟ ପାଇଁ କିଛି ନିର୍ଦ୍ଦିଷ୍ଟ ବୈଶିଷ୍ଟ୍ୟ ରହିଛି । ଏହି ବିଶେଷତ୍ୱକୁ ଜାଣିବା ପାଇଁ ଆମେ ଏକ ବିଶାଳ ଦୁଇ ସ୍ତରୀୟ ନ୍ୟୁରାଲ ନେଟୱାର୍କକୁ ପ୍ରଶିକ୍ଷଣ ଦେଇଥାଉ । ପ୍ରତ୍ୟେକ କାର୍ଯ୍ୟର ନିଜର ଆଉଟପୁଟ୍ ଥାଏ, କିନ୍ତୁ ଇନପୁଟରୁ ଲୁକ୍କାୟିତ ଏକକ ପର୍ଯ୍ୟନ୍ତ ଭାର ଅନ୍ୟ ସମସ୍ତ କାର୍ଯ୍ୟ ସହିତ ବାଣ୍ଟିଥାଏ । ଏହିପରି ଭାବରେ, ସମ୍ଭାବ୍ୟ ବ୍ୟାଖ୍ୟାକାରୀ ପରିବର୍ତ୍ତନଶୀଳ (ନେଟୱର୍କ ଇନପୁଟ୍) ର ଏକ ବୃହତ ସେଟ୍ କୁ ଛୋଟ ଏବଂ ସହଜରେ ପରିଚାଳନା କରିବା ପାଇଁ ବୈଶିଷ୍ଟ୍ୟଗୁଡିକର ସେଟ୍ (ଗୋପନ ୟୁନିଟ୍) କୁ ହ୍ରାସ କରାଯାଇଥାଏ । ଏହି ସମସ୍ତ ବିଶେଷତ୍ୱକୁ ଦେଖି ଏବଂ ଏକ ଉପଯୁକ୍ତ ଆକାର ପରିବର୍ତ୍ତନ ପରେ, ଆମେ ଧରିନେବା ଯେ କାର୍ଯ୍ୟଗୁଡିକ ପରସ୍ପରର ବିନିମୟଯୋଗ୍ୟ । ଏହି ଅନୁମାନ ଏକ ବର୍ଗୀକୃତ ବେଜିଆନ ବିଶ୍ଳେଷଣ ପାଇଁ ଅନୁମତି ଦେଇଥାଏ ଯେଉଁଥିରେ ହାଇପରପାରାମେଟର୍ସକୁ ତଥ୍ୟରୁ ଆକଳନ କରାଯାଇପାରିବ । ଏହି ହାଇପର-ରେମିଟରଗୁଡ଼ିକ ନିୟମିତକାରୀ ଭାବେ କାର୍ଯ୍ୟ କରିବା ସହ ଓଭର-ଟାଇଟିଂକୁ ରୋକିଥାଏ । ସମୟ ଶୃଙ୍ଖଳାରେ ଅସ୍ଥିରତା ପ୍ରତି କିପରି ବ୍ୟବସ୍ଥାକୁ ଦୃଢ଼ କରାଯାଇପାରିବ ଏବଂ ପରବର୍ତ୍ତୀ ଉନ୍ନତି ପାଇଁ ମାର୍ଗଦର୍ଶନ ଦିଆଯାଉଛି । ଖବରକାଗଜ ବିକ୍ରିର ପୂର୍ବାନୁମାନକୁ ନେଇ ଆମେ ଏକ ଡାଟାବେସରେ ଆମର ବିଚାରକୁ ଚିତ୍ରଣ କରିଛୁ । |
1e56ed3d2c855f848ffd91baa90f661772a279e1 | ଆମେ ଏକ ଜେନେରେଟିଭ୍ ମଡେଲର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଟେକ୍ସଟ ଏବଂ ଅନ୍ୟାନ୍ୟ ତଥ୍ୟ ସଂଗ୍ରହ ପାଇଁ ଉଦ୍ଦିଷ୍ଟ । ଏହା ପୂର୍ବବର୍ତ୍ତୀ ମଡେଲଗୁଡିକର ଜେନେରେଟିଭ୍ ବା ଉନ୍ନତି କରିଥାଏ । ଏଥିରେ ନିଭ୍ ବେୟସ୍/ୟୁନିଗ୍ରାମ, ୟୁନିଗ୍ରାମର ମିଶ୍ରଣ [6] ଏବଂ ହୋଫମାନ୍ ର ଆକ୍ସେପ୍ଟ ମଡେଲ ଅନ୍ତର୍ଭୁକ୍ତ । ଏହାକୁ ପ୍ରୋବିନାଲିଷ୍ଟିକ୍ ଲଟେଣ୍ଟ୍ ସେମାନ୍ଟିକ୍ ଇଣ୍ଡେକ୍ସିଂ (ପିଏଲ୍ଏସ୍ଆଇ) [3] ମଧ୍ୟ କୁହାଯାଏ । ପାଠ୍ୟ ମଡେଲୀକରଣ ପରିପ୍ରେକ୍ଷୀରେ, ଆମର ମଡେଲ ଦର୍ଶାଏ ଯେ ପ୍ରତ୍ୟେକ ଡକ୍ୟୁମେଣ୍ଟ ବିଷୟଗୁଡିକର ମିଶ୍ରଣ ଭାବରେ ସୃଷ୍ଟି ହୁଏ, ଯେଉଁଠାରେ ନିରନ୍ତର ମୂଲ୍ୟଯୁକ୍ତ ମିଶ୍ରଣ ଅନୁପାତ ଏକ ଲୁକ୍କାୟିତ ଡାଇରିକ୍ଲେଟ୍ ରାଣ୍ଡମ ଭେରିଏବଲ୍ ଭାବରେ ବିତରଣ କରାଯାଏ । ଅନୁମାନ ଓ ଶିକ୍ଷାଦାନ କୁଶଳତାର ସହ ଭାରିଆସନାଲ ଆଲଗୋରିଦମ ମାଧ୍ୟମରେ କରାଯାଇଥାଏ । ଆମେ ଏହି ମଡେଲର ପ୍ରୟୋଗ ଉପରେ ଅନୁଭବୀ ଫଳାଫଳ ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ପାଠ୍ୟ ମଡେଲିଂ, ସହଯୋଗୀ ଫିଲ୍ଟରିଂ ଏବଂ ପାଠ୍ୟ ବର୍ଗୀକରଣରେ ସମସ୍ୟାକୁ ସମାଧାନ କରିଥାଏ । |
e990a41e8f09e0ef4695c39af351bf25f333eefa | |
1f8116db538169de3553b1091e82107f7594301a | |
539ea86fa738afd939fb18566107c971461f8548 | ସଂରଚନାଯୁକ୍ତ ଆଉଟପୁଟ୍ ସ୍ପେସ୍ (ଷ୍ଟ୍ରିଙ୍ଗ୍, ଟ୍ରି, ବିଭାଜନ ଇତ୍ୟାଦି) କୁ ମେଳକ ସାଧାରଣତଃ ଶ୍ରେଣୀକରଣ ଆଲଗୋରିଦମର ସଂପ୍ରସାରଣକୁ ସରଳ ଗ୍ରାଫିକାଲ ସଂରଚନା (ଯଥା, ରେଖୀ ଶୃଙ୍ଖଳ) କୁ ବ୍ୟବହାର କରି ଶିଖିଥାନ୍ତି ଯେଉଁଥିରେ ସନ୍ଧାନ ଏବଂ ପାରାମିଟର ଆକଳନ ସଠିକ ଭାବରେ କରାଯାଇପାରିବ । ଦୁର୍ଭାଗ୍ୟବଶତଃ, ଅନେକ ଜଟିଳ ସମସ୍ୟାଗୁଡ଼ିକରେ, ଏହା ବିରଳ ଯେ ସଠିକ ସନ୍ଧାନ କିମ୍ବା ପାରାମିଟର ଆକଳନ ସମାଧାନଯୋଗ୍ୟ । ସଠିକ ମଡେଲ ଶିଖିବା ଏବଂ ହେଉରିଷ୍ଟିକ ମାଧ୍ୟମରେ ଖୋଜିବା ପରିବର୍ତ୍ତେ, ଆମେ ଏହି ଅସୁବିଧାକୁ ଗ୍ରହଣ କରିଥାଉ ଏବଂ ଆନୁମାନିକ ସନ୍ଧାନରେ ସଂରଚନା ଆଉଟପୁଟ୍ ସମସ୍ୟାକୁ ଚିକିତ୍ସା କରିଥାଉ । ଆମେ ଶିକ୍ଷଣ ପାଇଁ ଏକ ଫ୍ରେମୱାର୍କକୁ ସର୍ଚ୍ଚ ଅପ୍ଟିମାଇଜେସନ୍ ଭାବରେ ଉପସ୍ଥାପନ କରୁଛୁ, ଏବଂ ଦୁଇଟି ପାରାମିଟର ଅପଡେଟ୍ ସହିତ କନଭର୍ଜେନ୍ସ ଥିଓରେମ୍ ଏବଂ ସୀମା । ଅନୁଭବୀ ପ୍ରମାଣ ଦର୍ଶାଏ ଯେ ଆମର ଶିକ୍ଷଣ ଏବଂ ଡିକୋଡିଂ ପାଇଁ ସମନ୍ୱିତ ଆଭିମୁଖ୍ୟ କମ୍ ଗଣନା ଖର୍ଚ୍ଚରେ ସଠିକ୍ ମଡେଲକୁ ଅତିକ୍ରମ କରିପାରିବ । |
1219fb39b46aabd74879a7d6d3c724fb4e55aeae | ଆମେ ପ୍ରଯୁକ୍ତି ଉଦ୍ୟୋଗୀତା ଉପରେ ଏକ ଦୃଷ୍ଟିକୋଣ ବିକଶିତ କରୁଛୁ ଯେଉଁଥିରେ ବିଭିନ୍ନ ପ୍ରକାରର ଅଭିନେତାଙ୍କ ମଧ୍ୟରେ ବିତରଣ କରାଯାଇଥିବା ଏଜେନ୍ସି ଅନ୍ତର୍ଭୁକ୍ତ । ପ୍ରତ୍ୟେକ ଅଭିନେତା ଏକ ପ୍ରଯୁକ୍ତି ସହିତ ଜଡ଼ିତ ହୁଅନ୍ତି ଏବଂ ଏହି ପ୍ରକ୍ରିୟାରେ, ଇନପୁଟ୍ ସୃଷ୍ଟି କରନ୍ତି ଯାହା ଏକ ଉଦୀୟମାନ ପ୍ରଯୁକ୍ତି ପଥର ରୂପାନ୍ତରଣରେ ପରିଣତ ହୁଏ । ପ୍ରଯୁକ୍ତିଗତ ପଥରେ ଇନପୁଟଗୁଡିକର ସ୍ଥିର ସଂଗ୍ରହ ଏକ ଗତି ସୃଷ୍ଟି କରେ ଯାହା ବଣ୍ଟିତ ଅଭିନେତାମାନଙ୍କର କାର୍ଯ୍ୟକଳାପକୁ ସକ୍ଷମ ଏବଂ ପ୍ରତିବନ୍ଧିତ କରେ । ଅନ୍ୟ ଶବ୍ଦରେ, ଏଜେନ୍ସି କେବଳ ବଣ୍ଟନ ହୋଇନଥାଏ, ଏହା ମଧ୍ୟ ଅନ୍ତର୍ନିହିତ ହୋଇଥାଏ । ଆମେ ଏହି ଦୃଷ୍ଟିକୋଣକୁ ଡେନମାର୍କ ଏବଂ ଯୁକ୍ତରାଷ୍ଟ୍ର ଆମେରିକାରେ ପବନ ଟର୍ବାଇନର ଉତ୍ପତ୍ତିର ପ୍ରକ୍ରିୟାର ତୁଳନାତ୍ମକ ଅଧ୍ୟୟନ ମାଧ୍ୟମରେ ବ୍ୟାଖ୍ୟା କରୁଛୁ । ଆମର ତୁଳନାତ୍ମକ ଅଧ୍ୟୟନ ମାଧ୍ୟମରେ, ଆମେ "ବ୍ରିକୋଲେଜ୍" ଏବଂ "ବ୍ରେକଥ୍ରୁ"କୁ ପ୍ରଯୁକ୍ତିଗତ ପଥକୁ ରୂପ ଦେବା ଲାଗି ଅଭିନେତାମାନଙ୍କ ସହଭାଗିତାର ବିପରୀତ ଦୃଷ୍ଟିକୋଣ ଭାବେ ବର୍ଣ୍ଣନା କରିଛୁ । © ୨୦୦୨ ଏଲ୍ସେଭିୟର ସାଇନ୍ସ ବି.ଭି. ସମସ୍ତ ଅଧିକାର ସଂରକ୍ଷିତ । |
2266636d87e44590ade738b92377d1fe1bc5c970 | |
2af586c64c32baeb445992e0ea6b76bbbbc30c7f | |
0e8b8e0c37b0ebc9c36b99103a487dbbbdf9ee97 | |
2c03df8b48bf3fa39054345bafabfeff15bfd11d | ଗଭୀର ସ୍ନାୟୁ ନେଟୱାର୍କକୁ ପ୍ରଶିକ୍ଷଣ ଦେବା ଅଧିକ କଷ୍ଟକର । ଆମେ ଏକ ଅବଶିଷ୍ଟ ଶିକ୍ଷଣ ଢାଞ୍ଚା ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ପୂର୍ବ ବ୍ୟବହାର କରାଯାଇଥିବା ନେଟୱାର୍କ ଅପେକ୍ଷା ଯଥେଷ୍ଟ ଗଭୀର ନେଟୱାର୍କର ପ୍ରଶିକ୍ଷଣକୁ ସହଜ କରିବ । ଆମେ ସ୍ପଷ୍ଟ ଭାବରେ ସ୍ତରଗୁଡ଼ିକୁ ପୁନଃ ପ୍ରସ୍ତୁତ କରିଥାଉ ଯେପରିକି ଅବଶିଷ୍ଟ କାର୍ଯ୍ୟଗୁଡ଼ିକୁ ଶିଖିବା ପାଇଁ ସ୍ତର ନିବେଶଗୁଡ଼ିକର ସନ୍ଦର୍ଭରେ, ଅଣ-ସୂଚିତ କାର୍ଯ୍ୟଗୁଡ଼ିକୁ ଶିଖିବା ପରିବର୍ତ୍ତେ । ଆମେ ବ୍ୟାପକ ଅନୁଭବୀ ପ୍ରମାଣ ପ୍ରଦାନ କରିଛୁ ଯେ ଏହି ଅବଶିଷ୍ଟ ନେଟୱାର୍କଗୁଡ଼ିକୁ ଅନୁକୂଳିତ କରିବା ସହଜ ଅଟେ, ଏବଂ ଯଥେଷ୍ଟ ଅଧିକ ଗଭୀରତାରୁ ସଠିକତା ହାସଲ କରିପାରିବ । ଇମେଜନେଟ ଡାଟାସେଟରେ ଆମେ ୧୫୨ଟି ସ୍ତର ପର୍ଯ୍ୟନ୍ତ ଗଭୀରତା ବିଶିଷ୍ଟ ଅବଶିଷ୍ଟ ଜାଲକୁ ମୂଲ୍ୟାଙ୍କନ କରୁଛୁ - ଭିଜିଜି ଜାଲଠାରୁ ୮ ଗୁଣ ଗଭୀର [୪୦] କିନ୍ତୁ ତଥାପି କମ୍ ଜଟିଳତା ରହିଛି । ଏହି ଅବଶିଷ୍ଟ ଜାଲଗୁଡ଼ିକର ଏକ ସମୂହ ଇମେଜନେଟ ପରୀକ୍ଷଣ ସେଟରେ 3.57% ତ୍ରୁଟି ହାସଲ କରିଥାଏ । ଏହି ଫଳାଫଳ ଆଇଏଲଏସଭିଆରସି ୨୦୧୫ ଶ୍ରେଣୀକରଣ କାର୍ଯ୍ୟରେ ପ୍ରଥମ ସ୍ଥାନ ଅଧିକାର କରିଥିଲା । ଆମେ ମଧ୍ୟ CIFAR-10 ଉପରେ 100 ଏବଂ 1000 ସ୍ତର ସହିତ ବିଶ୍ଳେଷଣ ଉପସ୍ଥାପନ କରୁ । ଅନେକ ଭିଜୁଆଲ ରେକଗନିସନ ଟାସ୍କ ପାଇଁ ପ୍ରତିନିଧିତ୍ବର ଗଭୀରତା ଅତ୍ୟନ୍ତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । କେବଳ ଆମର ଅତି ଗଭୀର ପ୍ରତିନିଧିତ୍ୱ କାରଣରୁ, ଆମେ COCO ଅବଜେକ୍ଟ ଡିଟେକ୍ସନ ଡାଟାସେଟରେ 28% ଆପେକ୍ଷିକ ଉନ୍ନତି ହାସଲ କରିଛୁ । ଗଭୀର ଅବଶିଷ୍ଟ ଜାଲ ହେଉଛି ILSVRC ଏବଂ COCO 2015 ପ୍ରତିଯୋଗିତାରେ ଆମର ଦାଖଲଗୁଡ଼ିକର ମୂଳଦୁଆ, ଯେଉଁଠାରେ ଆମେ ମଧ୍ୟ ଇମେଜନେଟ୍ ଚିହ୍ନଟ, ଇମେଜନେଟ୍ ସ୍ଥାନୀୟକରଣ, COCO ଚିହ୍ନଟ ଏବଂ COCO ସେଗମେଣ୍ଟେସନ୍ କାର୍ଯ୍ୟରେ ପ୍ରଥମ ସ୍ଥାନ ଜିତିଛୁ । |
5763c2c62463c61926c7e192dcc340c4691ee3aa | ଆମେ ଏକକ ପ୍ରତିଛବି ସୁପର ରିଜୋଲ୍ୟୁସନ (ଏସଆର) ପାଇଁ ଏକ ଗଭୀର ଶିକ୍ଷଣ ପଦ୍ଧତି ପ୍ରସ୍ତାବ ଦେଉଛୁ । ଆମର ପଦ୍ଧତି ସିଧାସଳଖ ଭାବେ ନିମ୍ନ/ଉଚ୍ଚ-ବିଭେଦମାନ ପ୍ରତିଛବି ମଧ୍ୟରେ ଏକ ଏଣ୍ଡ-ଟୁ-ଏଣ୍ଡ ମ୍ୟାପିଂ ଶିଖେ । ଏହି ମ୍ୟାପିଂକୁ ଏକ ଗଭୀର କଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କ (ସିଏନଏନ) [15] ଭାବରେ ଦର୍ଶାଯାଇଥାଏ ଯାହା ନିମ୍ନ ରିଜୋଲ୍ୟୁସନ ଇମେଜକୁ ଇନପୁଟ ଭାବରେ ଗ୍ରହଣ କରିଥାଏ ଏବଂ ଉଚ୍ଚ ରିଜୋଲ୍ୟୁସନକୁ ଆଉଟପୁଟ କରିଥାଏ । ଆମେ ଆହୁରି ମଧ୍ୟ ଦେଖାଇଛୁ ଯେ ପାରମ୍ପରିକ ବିରଳ କୋଡିଂ ଆଧାରିତ SR ପଦ୍ଧତିକୁ ମଧ୍ୟ ଗଭୀର କଭୋଲ୍ୟୁସନାଲ ନେଟୱାର୍କ ଭାବରେ ଦେଖାଯାଇପାରିବ । କିନ୍ତୁ ପାରମ୍ପରିକ ପଦ୍ଧତି ପରି, ଯେଉଁଥିରେ ପ୍ରତ୍ୟେକ ଉପାଦାନକୁ ପୃଥକ ଭାବରେ ପରିଚାଳନା କରାଯାଇଥାଏ, ଆମର ପଦ୍ଧତି ମିଳିତ ଭାବରେ ସମସ୍ତ ସ୍ତରକୁ ଅନୁକୂଳ କରିଥାଏ । ଆମର ଗଭୀର ସିଏନଏନର ହାଲୁକା ଢାଞ୍ଚା ରହିଛି, ତଥାପି ଅତ୍ୟାଧୁନିକ ପୁନରୁଦ୍ଧାର ଗୁଣବତ୍ତା ପ୍ରଦର୍ଶନ କରୁଛି, ଏବଂ ବ୍ୟବହାରିକ ଅନଲାଇନ ବ୍ୟବହାର ପାଇଁ ଦ୍ରୁତ ବେଗ ହାସଲ କରୁଛି । |
2db168f14f3169b8939b843b9f4caf78c3884fb3 | ଏହି ଚିଠିରେ, ଏକ ବ୍ରଡବ୍ୟାଣ୍ଡ ବକ୍ର ତ୍ରିଭୁଜ ସର୍ବଦିଗାନ୍ତ ଆଣ୍ଟିନା RF ଶକ୍ତି ସଂଗ୍ରହ ପାଇଁ ଉପସ୍ଥାପିତ କରାଯାଇଛି । ଆଣ୍ଟିନା ପାଖରେ 850 MHz ରୁ 1.94 GHz ପର୍ଯ୍ୟନ୍ତ VSWR ≤ 2 ପାଇଁ ବ୍ୟାଣ୍ଡୱିଡଥ୍ ରହିଛି । ଆଣ୍ଟିନା ଉଭୟ ଭୂସମାନ୍ତର ଓ ଭୂଲମ୍ବ ଧ୍ରୁବୀୟ ତରଙ୍ଗ ଗ୍ରହଣ କରିବା ପାଇଁ ଡିଜାଇନ କରାଯାଇଛି ଏବଂ ଏହାର ସମଗ୍ର ବ୍ୟାଣ୍ଡୱିଡଥ୍ରେ ସ୍ଥିର ବିକିରଣ ପ୍ୟାଟର୍ନ ରହିଛି । ଆଣ୍ଟେନା ମଧ୍ୟ ଶକ୍ତି ସଂଗ୍ରହ ପ୍ରୟୋଗ ପାଇଁ ଅନୁକୂଳ କରାଯାଇଛି ଏବଂ ଏହା 100 Ω ଇନପୁଟ୍ ଇମ୍ପେଡେନ୍ସ ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଛି ଯାହା ଏକ ନିଷ୍କ୍ରିୟ ଭୋଲଟେଜ୍ ବ amplification ଣ ଏବଂ ଇମ୍ପେଡେନ୍ସକୁ ରେକ୍ଟିଫାୟର ସହିତ ମେଳ ଖାଉଥିବା ପ୍ରଦାନ କରେ _ 980 ଏବଂ 1800 MHz ରେ 500 Ω ଭାର ପାଇଁ ଯଥାକ୍ରମେ 60% ଏବଂ 17%ର ସର୍ବାଧିକ ଦକ୍ଷତା ପ୍ରାପ୍ତ ହୁଏ । ଏକ ସେଲ ସାଇଟରେ ଏକକାଳୀନ ସମସ୍ତ ବ୍ୟାଣ୍ଡକୁ ସଂଗ୍ରହ କରିବା ସମୟରେ, ଖୋଲା ସର୍କିଟ ପାଇଁ ୩.୭୬ ଭୋଲ୍ଟର ଭୋଲ୍ଟେଜ ଏବଂ ୪.୩ କେଓଚର ଭାରରେ ୧.୩୮ ଭୋଲ୍ଟର ଭୋଲ୍ଟେଜ ୨୫ ମିଟର ଦୂରତାରେ ରେକ୍ଟେନାର ଦୁଇଟି ଉପାଦାନର ଏକ ଆରେ ବ୍ୟବହାର କରି ପ୍ରାପ୍ତ ହୁଏ । |
484ac571356251355d3e24dcb23bdd6d0911bd94 | ବିଗତ କିଛି ବର୍ଷ ମଧ୍ୟରେ ବୈଜ୍ଞାନିକ ଓ ବୈଷୟିକ ଜ୍ଞାନକୌଶଳ କ୍ଷେତ୍ରରେ ହୋଇଥିବା ଅଗ୍ରଗତି ଯୋଗୁଁ ଅନେକ ପ୍ରକାରର ଢାଞ୍ଚାଗତ ମଡେଲ ସୃଷ୍ଟି ହୋଇଛି । ଫଳସ୍ୱରୂପ, ଗ୍ରାଫ ଅନ୍ତର୍ଭୁକ୍ତ ପ୍ରଶ୍ନଗୁଡିକୁ ପ୍ରଭାବଶାଳୀ ଭାବରେ ବୃହତ ଗ୍ରାଫ ଡାଟାବେସରେ ପ୍ରକ୍ରିୟାକରଣ କରିବା ବିଶେଷ ଭାବରେ ଆଗ୍ରହଜନକ । ଏକ ଗ୍ରାଫ ଡାଟାବେସ G ଏବଂ ଏକ ପ୍ରଶ୍ନ ଗ୍ରାଫ q ଦିଆଗଲା, ଗ୍ରାଫ ଅନ୍ତର୍ଭୁକ୍ତିକରଣ ପ୍ରଶ୍ନ ହେଉଛି G ରେ ଥିବା ସମସ୍ତ ଗ୍ରାଫକୁ ପାଇବା ପାଇଁ ଯାହା q କୁ ଉପଗ୍ରାଫ ଭାବରେ ଧାରଣ କରିଥାଏ । G ରେ ଗ୍ରାଫର ସଂଖ୍ୟା ଅଧିକ ଥିବାରୁ ଏବଂ ସବଗ୍ରାଫ ଆଇସୋମର୍ଫିଜମ ପରୀକ୍ଷଣର ଜଟିଳତା ହେତୁ, ପ୍ରଶ୍ନ ପ୍ରକ୍ରିୟାକରଣର ମୋଟ ଖର୍ଚ୍ଚକୁ ହ୍ରାସ କରିବା ପାଇଁ ଉଚ୍ଚ ଗୁଣବତ୍ତା ବିଶିଷ୍ଟ ଗ୍ରାଫ ଇଣ୍ଡେକ୍ସିଂ ବ୍ୟବସ୍ଥା ବ୍ୟବହାର କରିବା ଉଚିତ । ଏହି ଲେଖାରେ ଆମେ ଏକ ନୂଆ ବ୍ୟୟ-ପ୍ରଭାବୀ ଗ୍ରାଫ ଇଣ୍ଡେକ୍ସିଂ ପଦ୍ଧତିର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଗ୍ରାଫ ଡାଟାବେସର ବାରମ୍ବାର ହେଉଥିବା ବୃକ୍ଷ-ବୈଶିଷ୍ଟ୍ୟ ଉପରେ ଆଧାରିତ । ଆମେ ଗଛର ପ୍ରଭାବ ଓ ଦକ୍ଷତାକୁ ତିନୋଟି ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ ଦିଗରୁ ବିଶ୍ଳେଷଣ କରିଛୁ: ବିଶେଷତା ଆକାର, ବିଶେଷତା ଚୟନ ମୂଲ୍ୟ, ଏବଂ ଛେଦନ ଶକ୍ତି । ବର୍ତ୍ତମାନର ଗ୍ରାଫ ଆଧାରିତ ସୂଚୀକରଣ ପଦ୍ଧତି ଅପେକ୍ଷା ଉନ୍ନତ ସଂରକ୍ଷଣ କ୍ଷମତା ହାସଲ କରିବା ପାଇଁ, ଆମେ ବାରମ୍ବାର ବୃକ୍ଷ-ବୈଶିଷ୍ଟ୍ୟ (ଟ୍ରି) ବ୍ୟତୀତ, ଅଳ୍ପ ସଂଖ୍ୟକ ବିବେଚନାତ୍ମକ ଗ୍ରାଫ (∆) କୁ ଚାହିଦା ଅନୁଯାୟୀ ଚୟନ କରିଥାଉ, ପୂର୍ବରୁ ଏକ ବ୍ୟୟବହୁଳ ଗ୍ରାଫ ଖନନ ପ୍ରକ୍ରିୟା ବିନା । ଆମର ଅଧ୍ୟୟନ ପ୍ରମାଣିତ କରେ ଯେ (Tree+∆) ଗ୍ରାଫ ଇଣ୍ଡେକ୍ସ କରିବା ପାଇଁ ଗ୍ରାଫ ଅପେକ୍ଷା ଭଲ ବିକଳ୍ପ ଅଟେ, (Tree+∆ ≥Graph) ରେ ସୂଚିତ, ଗ୍ରାଫ କଣ୍ଟେନମେଣ୍ଟ ପ୍ରଶ୍ନର ସମାଧାନ କରିବା ପାଇଁ । ଏହାର ଦୁଇଟି ଅର୍ଥ ଅଛି: (1) (Tree+∆) ଦ୍ୱାରା ସୂଚକାଙ୍କ ନିର୍ମାଣ ଦକ୍ଷ, ଏବଂ (2) (Tree+∆) ଦ୍ୱାରା ଗ୍ରାଫ ଅନ୍ତର୍ଭୁକ୍ତ ପ୍ରଶ୍ନ ପ୍ରକ୍ରିୟାକରଣ ଦକ୍ଷ । ଆମର ପରୀକ୍ଷାମୂଳକ ଅଧ୍ୟୟନରୁ ଜଣାପଡିଛି ଯେ (ଟ୍ରି+∆) ରେ ଏକ କମ୍ପାକ୍ଟ ଇଣ୍ଡେକ୍ସ ସଂରଚନା ରହିଛି, ଇଣ୍ଡେକ୍ସ ନିର୍ମାଣରେ ଭଲ ପ୍ରଦର୍ଶନ ହାସଲ କରିଥାଏ ଏବଂ ସବୁଠାରୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କଥା ହେଉଛି, ଗ୍ରାଫ କଣ୍ଟେନମେଣ୍ଟ କ୍ୱେରୀ ପ୍ରୋସେସିଂରେ ଅତ୍ୟାଧୁନିକ ଗ୍ରାଫ ଆଧାରିତ ଇଣ୍ଡେକ୍ସିଂ ପଦ୍ଧତିଗୁଡିକ: gIndex ଏବଂ C-Tree ଠାରୁ ଅଧିକ ଭଲ ପ୍ରଦର୍ଶନ କରିଥାଏ । |
22749899b50c5113516b9820f875a580910aa746 | ଉଭୟ L1 ଏବଂ L2 ବ୍ୟାଣ୍ଡର GPS ସିଗନାଲ୍ ଗ୍ରହଣ କରିବା ପାଇଁ ବିକଶିତ ଏକ ଛୋଟ ସ୍ଲଟ୍-ଲୋଡ୍ ପ୍ୟାଚ୍ ଆଣ୍ଟିନା ଡିଜାଇନ୍ ଉପରେ ଆଲୋଚନା କରାଯାଇଛି । ଡୁଆଲ ବ୍ୟାଣ୍ଡ କଭରେଜ L2 ବ୍ୟାଣ୍ଡରେ ପ୍ୟାଚ୍ ମୋଡ ଏବଂ L1 ବ୍ୟାଣ୍ଡରେ ସ୍ଲଟ୍ ମୋଡ ବ୍ୟବହାର କରି ହାସଲ କରାଯାଇଥାଏ । ଆଣ୍ଟିନା ଆକାରକୁ ୨୫.୪ ମିମି ବ୍ୟାସ ପର୍ଯ୍ୟନ୍ତ ହ୍ରାସ କରିବା ପାଇଁ ଉଚ୍ଚ ଡିଏଲେକ୍ଟ୍ରିକ୍ ସାମଗ୍ରୀ ଏବଂ ମୋଡ଼ାକୃତିଯୁକ୍ତ ସ୍ଲଟ୍ ଲାଇନ୍ ବ୍ୟବହାର କରାଯାଇଛି । ଦୁଇଟି ଅର୍ଟୋଗୋନାଲ ମୋଡକୁ ଏକ ଛୋଟ 0°-90° ହାଇବ୍ରିଡ ଚିପ ମାଧ୍ୟମରେ ମିଶାଇ RHCP ହାସଲ କରାଯାଇଥାଏ । ଉଭୟ ପ୍ୟାଚ୍ ଏବଂ ସ୍ଲଟ୍ ମୋଡ୍ ଆଣ୍ଟେନା (ଚିତ୍ର 1) ର ପାର୍ଶ୍ୱରେ ସୁବିଧାରେ ଅବସ୍ଥିତ ଏକକ ନିକଟତା ସନ୍ଧାନ ଅଂଶୀଦାର କରନ୍ତି _ ଏହି ଦସ୍ତାବିଜରେ ଆଣ୍ଟିନା ଡିଜାଇନ ପ୍ରକ୍ରିୟା ଏବଂ ସିମୁଲେସନ ଆଣ୍ଟିନା ପ୍ରଦର୍ଶନ ବିଷୟରେ ଆଲୋଚନା କରାଯାଇଛି । |
afbe59950a7d452ce0a3f412ee865f1e1d94d9ef | ରିଏନଫୋର୍ସମେଣ୍ଟ ଲର୍ଣ୍ଣିଂର ଅର୍ଥ ହେଉଛି ସ୍ୱୟଂକ୍ରିୟ ରୋବଟକୁ ମାନବୀୟ ହସ୍ତକ୍ଷେପ ବିନା ବହୁ ପ୍ରକାରର ବ୍ୟବହାରିକ କୌଶଳ ଶିଖିବା ପାଇଁ ସକ୍ଷମ କରିବା । ତେବେ, ରିକନଫର୍ସେସ ଲର୍ଣ୍ଣିଂର ରୋବୋଟିକ ପ୍ରୟୋଗଗୁଡ଼ିକ ବାସ୍ତବିକ ଭୌତିକ ପ୍ରଣାଳୀ ପାଇଁ ବ୍ୟବହାରିକ ତାଲିମ ସମୟ ହାସଲ କରିବା ସକାଶେ ଶିକ୍ଷଣ ପ୍ରକ୍ରିୟାର ସ୍ୱୟଂଶାସିତତା ପ୍ରତି ବାଧା ସୃଷ୍ଟି କରିଥାଏ । ଏଥିରେ ସାଧାରଣତଃ ହାତ ତିଆରି ନୀତିଗତ ପ୍ରତିନିଧିତ୍ୱ ଏବଂ ମନୁଷ୍ୟ ଯୋଗାଣ ପ୍ରଦର୍ଶନ ସାମିଲ ହୋଇଥାଏ । ଗଭୀର ସୁଦୃଢ଼ ଶିକ୍ଷଣ ସାଧାରଣ ଉଦ୍ଦେଶ୍ୟର ନ୍ୟୁରାଲ ନେଟୱାର୍କ ନୀତିକୁ ପ୍ରଶିକ୍ଷଣ କରି ଏହି ସୀମିତତାକୁ ହ୍ରାସ କରିଥାଏ, କିନ୍ତୁ ସିଧାସଳଖ ଗଭୀର ସୁଦୃଢ଼ ଶିକ୍ଷଣ ଆଲଗୋରିଦମର ପ୍ରୟୋଗ ବର୍ତ୍ତମାନ ପର୍ଯ୍ୟନ୍ତ ସିମୁଲେଟେଡ୍ ସେଟିଙ୍ଗ୍ ଏବଂ ଅପେକ୍ଷାକୃତ ସରଳ କାର୍ଯ୍ୟରେ ସୀମିତ ରହିଛି, କାରଣ ସେମାନଙ୍କର ଉଚ୍ଚ ନମୁନା ଜଟିଳତା ଅଛି । ଏହି କାଗଜରେ, ଆମେ ଦର୍ଶାଇଛୁ ଯେ ଗଭୀର Q-କାର୍ଯ୍ୟର ଅଫ୍-ପଲିସି ତାଲିମ ଉପରେ ଆଧାରିତ ଏକ ନୂତନ ଗଭୀର ରିଏନଫୋର୍ସମେଣ୍ଟ ଲର୍ଣ୍ଣିଂ ଆଲଗୋରିଦମ ଜଟିଳ 3D ମନିପ୍ୟୁଲେସନ୍ କାର୍ଯ୍ୟରେ ମାପ କରିପାରିବ ଏବଂ ପ୍ରକୃତ ଶାରୀରିକ ରୋବଟ ଉପରେ ତାଲିମ ଦେବା ପାଇଁ ଗଭୀର ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ ନୀତିକୁ ଦକ୍ଷତାର ସହିତ ଶିଖିପାରିବ । ଆମେ ଦେଖାଇଛୁ ଯେ ଏକାଧିକ ରୋବଟ ମଧ୍ୟରେ ଆଲଗୋରିଦମକୁ ସମାନ୍ତରାଳ କରି ତାଲିମ ସମୟକୁ ଆହୁରି ହ୍ରାସ କରାଯାଇପାରିବ ଯାହା ସେମାନଙ୍କର ନୀତି ଅପଡେଟକୁ ଅସନ୍ତୁଳିତ ଭାବରେ ଏକତ୍ର କରିଥାଏ । ଆମର ପରୀକ୍ଷାମୂଳକ ମୂଲ୍ୟାୟନରୁ ଜଣାପଡିଛି ଯେ ଆମର ପଦ୍ଧତି ସିମୁଲେସନରେ ବିଭିନ୍ନ ପ୍ରକାରର 3D ମ୍ୟାନପୁଲେସନ ଦକ୍ଷତା ଏବଂ କୌଣସି ପୂର୍ବ ପ୍ରଦର୍ଶନ କିମ୍ବା ହସ୍ତରେଖାରେ ଡିଜାଇନ୍ ହୋଇଥିବା ପ୍ରତିନିଧିତ୍ୱ ବିନା ପ୍ରକୃତ ରୋବର୍ଟରେ ଏକ ଜଟିଳ ଦ୍ୱାର ଖୋଲିବା ଦକ୍ଷତା ଶିଖିପାରିବ । |
b8aa8b5d06c98a900d8cea61864669b28c3ac0fc | ଏହି ଲେଖାରେ ଯାନବାହାନ ପରିବେଶରେ ଯାନ ବିଳମ୍ବ ସହନଶୀଳ ନେଟୱର୍କ (ଭିଡିଟିଏନ) ରେ ରୁଟିଙ୍ଗ ପାଇଁ ପ୍ରସ୍ତାବିତ ରୁଟିଙ୍ଗ ପ୍ରୋଟୋକଲର ଏକ ବ୍ୟାପକ ସମୀକ୍ଷା କରାଯାଇଛି । ବିଭିନ୍ନ କାର୍ଯ୍ୟ ପରିବେଶରେ ଡିଟିଏନ ବ୍ୟବହାର କରାଯାଏ, ଯେଉଁଥିରେ ବାଧା ଏବଂ ବିଚ୍ଛିନ୍ନତା ଏବଂ ଉଚ୍ଚ ବିଳମ୍ବ ସହିତ ଯାନବାହାନ ଆଡ-ହକ୍ ନେଟୱାର୍କ (VANET) ଅନ୍ତର୍ଭୁକ୍ତ । ଆମେ ଏକ ବିଶେଷ ପ୍ରକାରର ଭାନେଟ ଉପରେ ଧ୍ୟାନ ଦେଉଛୁ, ଯେଉଁଠାରେ ଯାନବାହାନର ଯାତାୟାତ କମ୍ ଏବଂ ଯୋଗାଯୋଗ କରୁଥିବା ପକ୍ଷମାନଙ୍କ ମଧ୍ୟରେ ସିଧାସଳଖ ଏଣ୍ଡ-ଟୁ-ଏଣ୍ଡ ପଥ ସର୍ବଦା ଉପଲବ୍ଧ ନଥାଏ । ତେଣୁ ଏହି ପରିପ୍ରେକ୍ଷୀରେ ସଂଚାର ବାହନ ବିଳମ୍ବ ସହନଶୀଳ ନେଟୱର୍କ (ଭିଡିଟିଏନ) ଶ୍ରେଣୀରେ ଆସେ । ଏକ RSU (Road Side Unit) ର ସୀମିତ ପ୍ରସାରଣ ପରିସର ହେତୁ, VDTN ରେ ଦୂର ଯାନଗୁଡିକ RSU ସହିତ ସିଧାସଳଖ ସଂଯୋଗ ହୋଇନପାରେ ଏବଂ ତେଣୁ ପ୍ୟାକେଟ୍ ରିଲେ ପାଇଁ ମଧ୍ୟବର୍ତ୍ତୀ ଯାନଗୁଡିକ ଉପରେ ନିର୍ଭର କରିବାକୁ ପଡିଥାଏ । ବାର୍ତ୍ତା ରିଲେ ପ୍ରକ୍ରିୟା ସମୟରେ, ସମ୍ପୂର୍ଣ୍ଣ ଏଣ୍ଡ-ଟୁ-ଏଣ୍ଡ ପଥଗୁଡିକ ଉଚ୍ଚ ବିଭାଜିତ VANET ରେ ରହିନପାରେ । ତେଣୁ, ମଧ୍ୟବର୍ତ୍ତୀ ଯାନଗୁଡ଼ିକ ଅବସରକାଳୀନ ଭାବେ ବାର୍ତ୍ତାଗୁଡ଼ିକୁ ବଫର୍ କରି ପଠାଇବେ । ବଫର, ଟ୍ରାନ୍ସଫର ଏବଂ ଫରୱାର୍ଡ ମାଧ୍ୟମରେ, ସନ୍ଦେଶଟି ଶେଷରେ ଗନ୍ତବ୍ୟସ୍ଥଳରେ ପହଞ୍ଚାଯାଇପାରିବ ଯଦିଓ ଉତ୍ସ ଏବଂ ଗନ୍ତବ୍ୟସ୍ଥଳ ମଧ୍ୟରେ ଏକ ଏଣ୍ଡ-ଟୁ-ଏଣ୍ଡ ସଂଯୋଗ କେବେ ବି ନଥାଏ । DTN ରେ ରୁଟିଙ୍ଗ ପ୍ରୋଟୋକଲର ମୁଖ୍ୟ ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ଗନ୍ତବ୍ୟସ୍ଥଳକୁ ଡେଲିଭରିର ସମ୍ଭାବନାକୁ ସର୍ବାଧିକ କରିବା ଏବଂ ଏଣ୍ଡ-ଟୁ-ଏଣ୍ଡ ବିଳମ୍ବକୁ ସର୍ବନିମ୍ନ କରିବା । ଏହା ସହିତ ଯାନବାହାନ ନେଟୱର୍କରେ ଡିଟିଏନ ରୁଟିଙ୍ଗ ପାଇଁ ଯାନବାହାନ ଟ୍ରାଫିକ ମଡେଲ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କାରଣ ଡିଟିଏନ ରୁଟିଙ୍ଗ ପ୍ରୋଟୋକଲର କାର୍ଯ୍ୟଦକ୍ଷତା ନେଟୱର୍କର ଜନସଂଖ୍ୟା ଏବଂ ଗତିଶୀଳତା ମଡେଲ ସହିତ ନିବିଡ଼ ଭାବରେ ଜଡିତ । 2014 ଏଲ୍ସେଭିୟର ବି.ଭି. ସମସ୍ତ ଅଧିକାର ସଂରକ୍ଷିତ. |
4555fd3622908e2170e4ffdd717b83518b123b09 | ଏହି ଅଧ୍ୟୟନରେ ଆଣ୍ଟିନା ପାରାମିଟର ଉପରେ ପ୍ରଭାବକୁ ଉପସ୍ଥାପନ କରାଯାଇଛି ଯେତେବେଳେ ଏକ ଆଣ୍ଟିନା ଏକ ଧାତୁ ପ୍ଲେଟ୍ ନିକଟରେ ଭୂସମାନ୍ତର ଭାବରେ ରଖାଯାଇଥାଏ । ଏହି ପ୍ଲେଟ୍ର ଆକାର ସୀମିତ ଏବଂ ଏହାର ଆକୃତି ଆୟତନ ବିଶିଷ୍ଟ । ଏକ ଫଲ୍ଡ ଡାଇପୋଲ ଆଣ୍ଟିନା ବ୍ୟବହାର କରାଯାଏ ଏବଂ ଏହାକୁ ସିମେଟ୍ରିକ ରୂପରେ ପ୍ଲେଟ ଉପରେ ରଖାଯାଇଥାଏ । ଏଫଇଏମ (ଫିନିଟ ଏଲେମେଣ୍ଟ ପଦ୍ଧତି) ର ବ୍ୟବହାର ପ୍ଲେଟର ଆକାର ଏବଂ ପ୍ଲେଟ ଏବଂ ଆଣ୍ଟେନା ମଧ୍ୟରେ ଦୂରତା ଉପରେ ଆଣ୍ଟେନା ପାରାମିଟରର ନିର୍ଭରଶୀଳତାକୁ ଅନୁକରଣ କରିବା ପାଇଁ କରାଯାଏ । ଧାତୁ ପ୍ଲେଟ ଉପସ୍ଥିତି, ଯଦିଓ ତାହା ଛୋଟ, ଯଦି ତାହା ସଠିକ ଦୂରତାରେ ଥାଏ, ଆଣ୍ଟେନା ବ୍ୟବହାରରେ ବହୁତ ବଡ଼ ପରିବର୍ତ୍ତନ ସୃଷ୍ଟି କରିଥାଏ । ପ୍ଲେଟଟି ଯେତେ ବଡ଼ ହେବ, ବିଶେଷକରି ଏହାର ଚଉଡ଼ା, ଉଜ୍ଜ୍ୱଳତା ମଡେଲର ଲବ୍ ସେତେ ତୀକ୍ଷ୍ଣ ଏବଂ ସଙ୍କୁଚିତ ହେବ । ଆଣ୍ଟିନା ଉଚ୍ଚତା ନିର୍ଣ୍ଣୟ କରେ କି ଉର୍ଜ୍ଜା ମଡେଲର କେତେ ଲବ୍ ଅଛି । ଆଣ୍ଟିନା ଉଚ୍ଚତା ବଢିବା ସହିତ ଆଣ୍ଟିନା ପାରାମିଟର, ଇମ୍ପେଡେନ୍ସ, ଡାଇରେକ୍ଟିଭିଟି ଏବଂ ଆଗରୁ ପଛ ଅନୁପାତ ସମୟାନୁକ୍ରମେ ପରିବର୍ତ୍ତନ ହୋଇଥାଏ । ଧାତୁ ପ୍ଲେଟ ପ୍ରଭାବରେ ଆଣ୍ଟେନାର ରିଜୋନ୍ ଫ୍ରିକ୍ୱେନ୍ସି ମଧ୍ୟ ବଦଳିଥାଏ । |
d70cd3d2fe0a194321ee92c305976873b883d529 | ଏକ ବ୍ରଡବ୍ୟାଣ୍ଡ 57.7-84.2 GHz ଫେଜ ସିଫ୍ଟର ଏକ କମ୍ପାକ୍ଟ ଲାଙ୍ଗ କପଲର ବ୍ୟବହାର କରି ଇନ-ଫେଜ ଏବଂ ଚତୁର୍ଭୁଜ ସିଗନାଲ ସୃଷ୍ଟି କରିବା ପାଇଁ ଉପସ୍ଥାପିତ କରାଯାଇଛି । ଲାଙ୍ଗେ କପଲର ପରେ ଦୁଇଟି ବଲନ ଟ୍ରାନ୍ସଫର୍ମର ଆସିଥାଏ ଯାହା ଆଇକ୍ୟୁ ଭେକ୍ଟର ମୋଡ୍ୟୁଲେସନକୁ ଡିଫେରେନସିଆଲ ଆଇ ଏବଂ କ୍ୟୁ ସିଗନାଲ୍ ଦେଇଥାଏ । କାର୍ଯ୍ୟକାରୀ ହୋଇଥିବା ଫେଜ୍ ସିଫ୍ଟର ହାରାହାରି ୬ ଡିବି ଇନସର୍ଟସନ୍ କ୍ଷତି ଏବଂ ୫ ଡିବି ଗେନ୍ ଭେରିଏସନ୍ ଦର୍ଶାଇଥାଏ । ମାପ କରାଯାଇଥିବା ହାରାହାରି ଆରଏମଏସ ପର୍ଯ୍ୟାୟ ଓ ଗେନ୍ ତ୍ରୁଟି ଯଥାକ୍ରମେ ୭ ଡିଗ୍ରୀ ଓ ୧ ଡିସିଏଲ୍ । ଏହି ପର୍ଯ୍ୟାୟ ପରିବର୍ତ୍ତନକାରୀକୁ ଗ୍ଲୋବାଲ ଫାଉଣ୍ଡ୍ରିଜ୍ର 45-ଏନଏମ ଏସଓଆଇ ସିଏମଓଏସ୍ ପ୍ରଯୁକ୍ତିରେ ଟ୍ରାପ୍-ଧନୀ ସବଷ୍ଟ୍ରେଟ୍ ବ୍ୟବହାର କରି କାର୍ଯ୍ୟକାରୀ କରାଯାଇଛି । ଏହି ଚିପର କ୍ଷେତ୍ରଫଳ 385μm × 285μm ଏବଂ ଏହି ଫେଜ ସିଫ୍ଟର 17 mWରୁ କମ୍ ବ୍ୟବହାର କରିଥାଏ । ଲେଖକମାନଙ୍କ ଜ୍ଞାନ ଅନୁସାରେ ଏହା ହେଉଛି ପ୍ରଥମ ଫେଜ୍ ସିଫ୍ଟର ଯାହା ୬୦ ଗିଗାହର୍ଜ ବ୍ୟାଣ୍ଡ ଏବଂ ଇ-ବ୍ୟାଣ୍ଡ ଫ୍ରିକ୍ୱେନ୍ସିକୁ ୩୭%ର ବାଣ୍ଡୱିଡଥ୍ ସହିତ କଭର କରିଥାଏ । |
eb58118b9db1e95f9792f39c3780dbba3bb966cb | ଏହି ଅଧ୍ୟୟନରେ ଏକ ଇନର୍ସିଆଲ ମାପକ ପ୍ରଣାଳୀ ଓ ଏହାର ଆନୁସଙ୍ଗିକ ସ୍ପେସିଓ-ଟାଇମର୍ଲ ଗେଟ୍ ଆନାଲିସିସ୍ ଆଲଗୋରିଦମ ବିଷୟରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି ଯାହାଦ୍ୱାରା କି ଯକୃତ ଜନିତ ଷ୍ଟ୍ରୋକ୍ ବା ପାର୍କିନ୍ସନ୍ ରୋଗରେ ପୀଡ଼ିତ ରୋଗୀମାନଙ୍କର ଆନୁସଙ୍ଗିକ ଗେଟ୍ ପ୍ୟାଟର୍ନରୁ ପରିମାଣିକ ମାପ ଏବଂ କ୍ଲିନିକାଲ୍ ସୂଚକଗୁଡ଼ିକର ଅନୁସନ୍ଧାନ କରାଯାଇପାରିବ । ଏହି ଧାରଣଯୋଗ୍ୟ ବ୍ୟବସ୍ଥାରେ ଏକ ମାଇକ୍ରୋକଣ୍ଟ୍ରୋଲର, ଏକ ତ୍ରି-ଅକ୍ଷୀଯ ଆକ୍ସେଲରୋମିଟର, ଏକ ତ୍ରି-ଅକ୍ଷୀଯ ଜାଇରୋସ୍କୋପ ଏବଂ ଏକ ଆର୍ଏଫ୍ ବେତାର ସଂଚାର ମଡ୍ୟୁଲ ରହିଛି । ଆକାଶମଣ୍ଡଳୀୟ ଗେଜ୍ ବିଶ୍ଳେଷଣ ଆଲଗୋରିଦମ, ଯେଉଁଥିରେ ଇନର୍ସିଆଲ୍ ସିଗନାଲ୍ ଅଧିଗ୍ରହଣ, ସିଗନାଲ୍ ପ୍ରିପ୍ରୋସେସିଂ, ଗେଜ୍ ଫେଜ୍ ଡିଟେକ୍ସନ୍ ଏବଂ ଆଣ୍ଠୁ ବ୍ୟାପୀ ଗତି ଆକଳନ ପ୍ରକ୍ରିୟା ଅନ୍ତର୍ଭୁକ୍ତ, ଗତି ଏବଂ କୋଣ ବେଗରୁ ଗେଜ୍ ବୈଶିଷ୍ଟ୍ୟ ବାହାର କରିବା ପାଇଁ ବିକଶିତ କରାଯାଇଛି । ଆଣ୍ଠୁର ଗତିର ସଠିକ ପରିସର ଆକଳନ କରିବା ପାଇଁ, ଆମେ ଇନର୍ସିଆଲ ସିଗନାଲର ସମନ୍ୱୟ ତ୍ରୁଟିକୁ ହ୍ରାସ କରିବା ପାଇଁ ଏକ ଅନୁପୂରକ ଫିଲ୍ଟରରେ ତ୍ୱରାନ୍ୱିତ ଏବଂ କୋଣିକ ବେଗକୁ ଏକୀକୃତ କରିଛୁ । ସମସ୍ତ 24 ଜଣ ଅଂଶଗ୍ରହଣକାରୀ ସିଷ୍ଟମକୁ ନିଜ ପାଦରେ ଲଗାଇ 10 ମିଟରର ଏକ ସିଧା ରେଖା ଅତିକ୍ରମ କରି ସାଧାରଣ ବେଗରେ ଚାଲିବା ପାଇଁ ଚେଷ୍ଟା କରିଥିଲେ ଏବଂ ପ୍ରସ୍ତାବିତ ସିଷ୍ଟମ ଏବଂ ଆଲଗୋରିଦମର ପ୍ରଭାବକୁ ଯାଞ୍ଚ କରିବା ପାଇଁ ସେମାନଙ୍କର ଚାଲିବା ରେକର୍ଡିଂ ସଂଗ୍ରହ କରାଯାଇଥିଲା । ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳରୁ ଜଣାପଡିଛି ଯେ, ସ୍ପେସିଓ-ଟାଇମର୍ଲ ଗେଟ୍ ଆନାଲିସିସ୍ ଆଲଗୋରିଦମ ସହିତ ପ୍ରସ୍ତାବିତ ଇନର୍ସିଆଲ୍ ମାପ ପ୍ରଣାଳୀ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ସ୍ପେସିଓ-ଟାଇମର୍ଲ ଗେଟ୍ ସୂଚନାକୁ ବିଶ୍ଳେଷଣ କରିବା ପାଇଁ ଏକ ଆଶାନୁରୂପକ ଉପକରଣ ଅଟେ, ଯାହା ଷ୍ଟ୍ରୋକ୍ କିମ୍ବା ପାର୍କିନ୍ସନ୍ ରୋଗର ନିଦାନ ପାଇଁ ଚିକିତ୍ସା ପ୍ରଭାବକୁ ନିରୀକ୍ଷଣ କରିବା ପାଇଁ କ୍ଲିନିକାଲ୍ ସୂଚକ ଭାବରେ କାର୍ଯ୍ୟ କରିଥାଏ । |
7e7f14f325d7e8d70e20ca22800ad87cfbf339ff | ଏହି ପ୍ରକାଶନରେ ପୁନଃ ପ୍ରକାଶିତ ଲେଖା ରହିଛି ଯାହାର ଆଇଇଇଇର କପିରାଇଟ୍ ନାହିଁ । ଏହି ଲେଖାଗୁଡ଼ିକର ସମ୍ପୂର୍ଣ୍ଣ ପାଠ୍ୟ IEEE Xplore ରେ ଉପଲବ୍ଧ ନାହିଁ । |
002a8b9ef513d46dc8dcce85c04a87ae6a221b4c | ଆମେ ରିଗ୍ରେସନ ଏବଂ ଶ୍ରେଣୀକରଣ ପାଇଁ ଏକ ନୂତନ ଶ୍ରେଣୀର ସହାୟକ ଭେକ୍ଟର ଆଲଗୋରିଦମ ପ୍ରସ୍ତାବ ଦେଉଛୁ । ଏହି ଆଲଗୋରିଦମରେ, ଏକ ପାରାମିଟର ଜଣେ ବ୍ୟକ୍ତିକୁ ସହାୟତା ଭେକ୍ଟର ସଂଖ୍ୟାକୁ ପ୍ରଭାବୀ ଭାବରେ ନିୟନ୍ତ୍ରଣ କରିବାକୁ ଦେଇଥାଏ । ଯଦିଓ ଏହା ନିଜସ୍ୱ ଭାବରେ ଉପଯୋଗୀ ହୋଇପାରେ, ପାରାମିଟରିଜେସନ୍ ର ଅତିରିକ୍ତ ଲାଭ ହେଉଛି ଯେ ଏହା ଆମକୁ ଆଲଗୋରିଦମର ଅନ୍ୟାନ୍ୟ ମୁକ୍ତ ପାରାମିଟର ମଧ୍ୟରୁ ଗୋଟିଏକୁ ସମାପ୍ତ କରିବାକୁ ସକ୍ଷମ କରେ: ରିଗ୍ରେସନ୍ କ୍ଷେତ୍ରରେ ସଠିକତା ପାରାମିଟର, ଏବଂ ବର୍ଗୀକରଣ କ୍ଷେତ୍ରରେ ନିୟମିତକରଣ ସ୍ଥିର ସି। ଆମେ ଆଲଗୋରିଦମଗୁଡ଼ିକର ବର୍ଣ୍ଣନା କରିଛୁ, ଏହାର ଅର୍ଥ ଏବଂ ଚୟନ ସମ୍ବନ୍ଧରେ କିଛି ଥିଓରିକଲ ଫଳାଫଳ ଦେଇଛୁ ଏବଂ ପରୀକ୍ଷାମୂଳକ ଫଳାଫଳ ବିଷୟରେ ରିପୋର୍ଟ କରିଛୁ । |
0911bcf6bfff20a84a56b9d448bcb3d72a1eb093 | ଏକ ଅଟୋଏନକୋଡର ର ନିୟମିତ ତାଲିମ ସାଧାରଣତଃ ଲୁକ୍କାୟିତ ୟୁନିଟ ପଟ୍ଟା ରେ ପରିଣତ ହୁଏ ଯାହା ବଡ ନକାରାତ୍ମକ ମୂଲ୍ୟ ଗ୍ରହଣ କରେ. ଆମେ ଦେଖାଇଛୁ ଯେ ନକାରାତ୍ମକ ପକ୍ଷପାତିତା ହେଉଛି ଏକ ଲୁକ୍କାୟିତ ସ୍ତର ବ୍ୟବହାର କରିବାର ଏକ ପ୍ରାକୃତିକ ପରିଣାମ ଯାହାର ଦାୟିତ୍ୱ ଉଭୟ ଇନପୁଟ୍ ତଥ୍ୟକୁ ପ୍ରତିନିଧିତ୍ୱ କରିବା ଏବଂ ଏକ ଚୟନ ପ୍ରଣାଳୀ ଭାବରେ କାର୍ଯ୍ୟ କରିବା ଯାହା ପ୍ରତିନିଧିତ୍ୱର ବିରଳତାକୁ ସୁନିଶ୍ଚିତ କରେ । ଆମେ ଦେଖାଇବୁ ଯେ ନକାରାତ୍ମକ ପଟ୍ଟାନ୍ତରଗୁଡ଼ିକ ତଥ୍ୟ ବଣ୍ଟନକୁ ଶିଖିବାରେ ବାଧା ସୃଷ୍ଟି କରିଥାଏ ଯାହାର ଆଭ୍ୟନ୍ତରୀଣ ଆକାର ଉଚ୍ଚ ହୋଇଥାଏ । ଆମେ ଏକ ନୂତନ ସକ୍ରିୟକରଣ ଫଙ୍କସନ ମଧ୍ୟ ପ୍ରସ୍ତାବିତ କରୁଛୁ ଯାହା ଲୁକ୍କାୟିତ ସ୍ତରର ଦୁଇଟି ଭୂମିକାକୁ ଅଲଗା କରିଥାଏ ଏବଂ ଯାହା ଆମକୁ ଡାଟା ଉପରେ ପ୍ରତିନିଧିତ୍ୱ ଶିଖିବାକୁ ଅନୁମତି ଦେଇଥାଏ ଯାହାକି ଅତି ଉଚ୍ଚ ଆଭ୍ୟନ୍ତରୀଣ ଆକାରର ହୋଇଥାଏ, ଯେଉଁଠାରେ ଷ୍ଟାଣ୍ଡାର୍ଡ ଅଟୋଏନକୋଡର ସାଧାରଣତଃ ବିଫଳ ହୋଇଥାଏ । ଯେହେତୁ ଡିକପ୍ଲେଡ୍ ଆକ୍ଟିଭେସନ୍ ଫଙ୍କସନ୍ ଏକ ଇମ୍ପ୍ଲିସିଟ୍ ରେଗୁଲାରାଇଜର ଭଳି କାର୍ଯ୍ୟ କରିଥାଏ, ତେଣୁ କୌଣସି ଅତିରିକ୍ତ ନିୟମିତକରଣର ଆବଶ୍ୟକତା ନ ଥାଇ ଟ୍ରେନିଂ ଡାଟାର ପୁନଃନିର୍ମାଣ ତ୍ରୁଟିକୁ ସର୍ବନିମ୍ନ କରି ମଡେଲକୁ ପ୍ରଶିକ୍ଷଣ ଦିଆଯାଇପାରିବ । |
27f9b805de1f125273a88786d2383621e60c6094 | ଏହି କାଗଜରେ ଆମେ ଗତି ନିୟନ୍ତ୍ରଣ ଏବଂ ସ୍ଥିତି ଆକଳନକୁ ଉନ୍ନତ କରିବା ପାଇଁ ଟ୍ରାକ୍ ହୋଇଥିବା ମୋବାଇଲ୍ ରୋବର୍ଟ ପାଇଁ ଏକ କ୍ବିନାମେଟିକ୍ ଆଭିମୁଖ୍ୟ ପ୍ରସ୍ତାବ ଦେଉଛୁ । ସ୍ଲିପ୍ ଏବଂ ଟ୍ରାକ୍-ମୃର୍ତ୍ତିକା ପାରସ୍ପରିକ କ୍ରିୟା କାରଣରୁ ଜଟିଳ ଗତିଶୀଳତା ଯୋଗୁଁ ଟ୍ରାକ୍ ବେଗ ଆଧାରରେ ଯାନର ସଠିକ୍ ଗତିର ପୂର୍ବାନୁମାନ କରିବା କଷ୍ଟକର ହୋଇପଡେ । ତଥାପି, ସ୍ୱୟଂକ୍ରିୟ ନେଭିଗେସନ ପାଇଁ ରିଅଲ-ଟାଇମ୍ ଗଣନା ପାଇଁ ଲୁପରେ ଗତିଶୀଳତା ପ୍ରବର୍ତ୍ତନ ନକରି ଏକ ପ୍ରଭାବଶାଳୀ କାଇନେମାଟିକ୍ସ ଅନୁମାନ ଆବଶ୍ୟକ କରେ । ପ୍ରସ୍ତାବିତ ସମାଧାନର ଆଧାର ହେଉଛି ଯେ ଯାନର ଗତିପଥରେ ଥିବା ଟ୍ରାକ୍ଟରଗୁଡ଼ିକର ମୁହୂର୍ତ୍ତିକ ଘୂର୍ଣ୍ଣନ କେନ୍ଦ୍ର (ଆଇସିଆର) ଗତିଶୀଳତା ଉପରେ ନିର୍ଭରଶୀଳ, କିନ୍ତୁ ଏହା ଏକ ସୀମିତ ଅଞ୍ଚଳରେ ଅବସ୍ଥିତ । ତେଣୁ, ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଭୂମି ପାଇଁ ସ୍ଥିର ଆଇସିଆର ସ୍ଥିତିକୁ ଅନୁକୂଳିତ କରିବା ଦ୍ୱାରା ଟ୍ରାକ ମୋବାଇଲ ରୋବଟ ପାଇଁ ଏକ ଅନୁମାନିକ ଚଳନାତ୍ମକ ମଡେଲ ସୃଷ୍ଟି ହୋଇଥାଏ । ଚଳନାତ୍ମକ ପାରାମିଟରର ଅଫଲାଇନ ଆକଳନ ପାଇଁ ଦୁଇଟି ଭିନ୍ନ ଭିନ୍ନ ଉପାୟ ଉପସ୍ଥାପିତ କରାଯାଇଛି: (i) ଯାନର ସମଗ୍ର ବେଗ ପରିସର ପାଇଁ ଗତିଶୀଳ ମଡେଲର ଷ୍ଟେସନରେରୀ ପ୍ରତିକ୍ରିୟାର ସିମୁଲେସନ; (ii) ଏକ ପରୀକ୍ଷାମୂଳକ ସେଟଅପ୍ ପ୍ରବର୍ତ୍ତନ ଯାହା ଦ୍ବାରା ଏକ ଜେନେଟିକ ଆଲଗୋରିଦମ ପ୍ରକୃତ ସେନସର ରିଡିଙ୍ଗରୁ ମଡେଲ ସୃଷ୍ଟି କରିପାରିବ । ଏହି ପଦ୍ଧତିଗୁଡ଼ିକର ମୂଲ୍ୟାଙ୍କନ ଅନ୍-ଲାଇନ୍ ଓଡୋମେଟ୍ରିକ୍ ଗଣନା ଏବଂ ନିମ୍ନ ସ୍ତରର ଗତି ନିୟନ୍ତ୍ରଣ ପାଇଁ କରାଯାଇଛି । ମୂଳପୃଷ୍ଠା, ଆଧୁନିକ ଜ୍ଞାନକୌଶଳ, ବୈଷୟିକ ଜ୍ଞାନକୌଶଳ, ବୈଷୟିକ ଜ୍ଞାନକୌଶଳ, ବୈଷୟିକ ଜ୍ଞାନକୌଶଳ, ବୈଷୟିକ ଜ୍ଞାନକୌଶଳ, ବୈଷୟିକ ଜ୍ଞାନକୌଶଳ, ବୈଷୟିକ ଜ୍ଞାନକୌଶଳ |
04caa1a55b12d5f3830ed4a31c4b47921a3546f2 | କ୍ରମ, ବୃକ୍ଷ ଏବଂ ଗ୍ରାଫ ଭଳି ସଂରଚନା ତଥ୍ୟ ପାଇଁ ପରିକଳ୍ପିତ କର୍ଣ୍ଣଲ ବର୍ଗୀକରଣକାରୀ ଏବଂ ରିଗ୍ରେସର୍ ମାନେ ବହୁ ଆନ୍ତଃବିଷୟକ କ୍ଷେତ୍ର ଯଥା କମ୍ପ୍ୟୁଟେସନାଲ୍ ବାୟୋଲୋଜି ଏବଂ ଔଷଧ ଡିଜାଇନ୍ ରେ ଯଥେଷ୍ଟ ଉନ୍ନତି କରିଛନ୍ତି । ସାଧାରଣତଃ, କେରନଲଗୁଡ଼ିକ ପୂର୍ବରୁ ଏକ ଡାଟା ପ୍ରକାର ପାଇଁ ଡିଜାଇନ କରାଯାଇଥାଏ ଯାହା ସଂରଚନାଗୁଡ଼ିକର ପରିସଂଖ୍ୟାନକୁ ବ୍ୟବହାର କରିଥାଏ କିମ୍ବା ସମ୍ଭାବ୍ୟତା ଜନିତ ମଡେଲଗୁଡ଼ିକର ବ୍ୟବହାର କରିଥାଏ, ଏବଂ ତାପରେ ଏକ ଭେଦଭାବପୂର୍ଣ୍ଣ ଶ୍ରେଣୀକରଣ କୋଣ ଅନୁକୂଳତା ମାଧ୍ୟମରେ କେରନଲଗୁଡ଼ିକ ଉପରେ ଆଧାରିତ ହୋଇଥାଏ । ତେବେ, ଏହିଭଳି ଏକ ସୁସଜ୍ଜିତ ଦୁଇ-ସ୍ତରୀୟ ଆଭିମୁଖ୍ୟ ମଧ୍ୟ କୋଟି କୋଟି ଡାଟା ପଏଣ୍ଟ ପର୍ଯ୍ୟନ୍ତ ସ୍କେଲିଂ ଏବଂ ବୈଶିଷ୍ଟ୍ୟ ପ୍ରତିନିଧିତ୍ୱ ଶିଖିବା ପାଇଁ ଭେଦଭାବପୂର୍ଣ୍ଣ ସୂଚନାକୁ ବ୍ୟବହାର କରିବାରେ କର୍ଣ୍ଣଲ ପଦ୍ଧତିଗୁଡ଼ିକୁ ସୀମିତ କରିଥିଲା । ଆମେ structure2vec, ସଂରଚନା ତଥ୍ୟ ପ୍ରତିନିଧିତ୍ୱ ପାଇଁ ଏକ ପ୍ରଭାବଶାଳୀ ଏବଂ ମାପଯୋଗ୍ୟ ପଦ୍ଧତିର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ଲକ୍ଷଣ ବିଶିଷ୍ଟ ସ୍ଥାନଗୁଡିକରେ ଲୁକ୍କାୟିତ ପରିବର୍ତ୍ତନଶୀଳ ମଡେଲଗୁଡିକର ଅନ୍ତର୍ଭୁକ୍ତ କରିବା ଏବଂ ଭେଦଭାବ ସୂଚନା ବ୍ୟବହାର କରି ଏହିପରି ଲକ୍ଷଣ ବିଶିଷ୍ଟ ସ୍ଥାନଗୁଡିକ ଶିଖିବା ଉପରେ ଆଧାରିତ । ଆକର୍ଷଣୀୟ କଥା ହେଉଛି, structure2vec ଗ୍ରାଫିକାଲ ମଡେଲ ଅନୁମାନ ପ୍ରକ୍ରିୟା ଭଳି ଫଙ୍କସନ ମ୍ୟାପିଂର ଏକ କ୍ରମକୁ କାର୍ଯ୍ୟକାରୀ କରି ବିଶେଷତ୍ୱଗୁଡ଼ିକୁ ବାହାର କରିଥାଏ, ଯେପରିକି ମଝି କ୍ଷେତ୍ର ଏବଂ ବିଶ୍ୱାସ ପ୍ରସାର । ଲକ୍ଷ ଲକ୍ଷ ଡାଟା ପଏଣ୍ଟ ସହିତ ପ୍ରୟୋଗରେ, ଆମେ ଦେଖାଇଛୁ ଯେ structure2vec 2 ଗୁଣ ଅଧିକ ଦ୍ରୁତ ଗତିରେ ଚାଲିଥାଏ, 10,000 ଗୁଣ ଛୋଟ ମଡେଲ ସୃଷ୍ଟି କରିଥାଏ, ଯେତେବେଳେ ସମାନ ସମୟରେ ଅତ୍ୟାଧୁନିକ ପୂର୍ବାନୁମାନ କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରିଥାଏ । |
1dc5b2114d1ff561fc7d6163d8f4e9c905ca12c4 | ଏହା ଭଲ ଭାବରେ ଜଣା ଯେ ଯେତେବେଳେ ତଥ୍ୟ ଅସ୍ୱାଭାବିକ ଭାବରେ ବଣ୍ଟନ କରାଯାଏ, ପିଅରସନଙ୍କ r ର ମହତ୍ତ୍ୱ ପରୀକ୍ଷା ଟାଇପ୍ I ତ୍ରୁଟି ହାରକୁ ବୃଦ୍ଧି କରିପାରେ ଏବଂ ଶକ୍ତି ହ୍ରାସ କରିପାରେ । ପରିସଂଖ୍ୟାନର ପାଠ୍ୟପୁସ୍ତକ ଓ ଅନୁକରଣ ସାହିତ୍ୟରେ ପିଅରସନଙ୍କ ସମ୍ବନ୍ଧର ଅନେକ ବିକଳ୍ପ ପ୍ରଦାନ କରାଯାଇଛି । ତେବେ ଏହି ବିକଳ୍ପଗୁଡ଼ିକର ଆପେକ୍ଷିକ ପ୍ରଦର୍ଶନ ଅସ୍ପଷ୍ଟ ରହିଛି । 12ଟି ପଦ୍ଧତିର ତୁଳନା ପାଇଁ ଦୁଇଟି ଅନୁକରଣ ଅଧ୍ୟୟନ କରାଯାଇଥିଲା, ଯେଉଁଥିରେ ପିୟରସନ, ସ୍ପିରମ୍ୟାନଙ୍କ ରାଙ୍କ-ଅର୍ଡର, ପରିବର୍ତ୍ତନ ଏବଂ ପୁନଃ ନମୁନାକରଣ ପଦ୍ଧତି ଅନ୍ତର୍ଭୁକ୍ତ । ଅଧିକାଂଶ ନମୁନା ଆକାର (n ≥ 20) ରେ, ପିଅରସନ ସହସମ୍ବନ୍ଧର ଆକଳନ କରିବା ପୂର୍ବରୁ ତଥ୍ୟକୁ ସାଧାରଣ ଆକାରରେ ପରିବର୍ତ୍ତନ କରି ଟାଇପ୍ I ଏବଂ ଟାଇପ୍ II ତ୍ରୁଟି ହାରକୁ ସର୍ବନିମ୍ନ କରାଯାଇଥିଲା । ପରିବର୍ତ୍ତନ ଆଭିମୁଖ୍ୟ ମଧ୍ୟରେ, ଏକ ସାଧାରଣ ଉଦ୍ଦେଶ୍ୟ ର୍ୟାଙ୍କ-ଆଧାରିତ ବିପରୀତ ସାଧାରଣ ପରିବର୍ତ୍ତନ (ଅର୍ଥାତ, ର୍ୟାଙ୍କିଟ୍ ସ୍କୋରରେ ପରିବର୍ତ୍ତନ) ସବୁଠାରୁ ଲାଭଦାୟକ ଥିଲା । କିନ୍ତୁ ଯେତେବେଳେ ନମୁନା ଛୋଟ (n ≤ 10) ଏବଂ ଅତ୍ୟନ୍ତ ଅସ୍ୱାଭାବିକ ଥିଲା, ସେତେବେଳେ ବିଭିନ୍ନ ବୁଟଷ୍ଟ୍ରାପ୍ ଟେଷ୍ଟ ସମେତ ଅନ୍ୟ ବିକଳ୍ପଗୁଡ଼ିକ ତୁଳନାରେ ପରମିଟେଶନ ପରୀକ୍ଷଣ ଭଲ ପ୍ରଦର୍ଶନ କରିଥିଲା । |
d3abb0b5b3ce7eb464846bbdfd93e0fbf505e954 | ଏହି ଅଧ୍ୟୟନରେ ଆମେ ତିନୋଟି ଭିନ୍ନ ଭିନ୍ନ କମ୍ପାକ୍ଟ ଆଣ୍ଟିନା ଆରେର ତୁଳନା କରିଛୁ ଯାହା ସବଷ୍ଟ୍ରେଟ୍ ଇଣ୍ଟିଗ୍ରେଟେଡ୍ ୱେଭ୍ ଗାଇଡ୍ (SIW) ଦ୍ୱାରା ସଞ୍ଚାଳିତ ହୋଇଥାଏ । ଆଣ୍ଟିନା କଳ୍ପନା ରେଡିଏଟର ର ପ୍ରକାର ରେ ଭିନ୍ନତା ରହିଛି । ସ୍ଲଟ୍ଗୁଡ଼ିକ ଚୁମ୍ବକୀୟ ରେଖୀ ରେଡିଏଟରକୁ ପ୍ରତିନିଧିତ୍ୱ କରନ୍ତି, ପ୍ୟାଚ୍ଗୁଡ଼ିକ ବିଦ୍ୟୁତ୍ ପୃଷ୍ଠ ରେଡିଏଟର ଏବଂ ଭିଭାଲଡି ସ୍ଲଟ୍ଗୁଡ଼ିକ ଟ୍ରାଭେଲିଂ ୱେଭ୍ ଆଣ୍ଟେନା ସହିତ ଜଡିତ । ତେଣୁ ଏସଆଇଡବ୍ଲୁ ଫିଡରମାନଙ୍କୁ ଆଣ୍ଟିନା ଉପାଦାନକୁ ଉତ୍ତେଜିତ କରିବାର ଭିନ୍ନ ଭିନ୍ନ ତନ୍ତ୍ରର ଲାଭ ଉଠାଇବାକୁ ପଡିଥାଏ । ଆଣ୍ଟିନା ଆରେରେ ଅଧ୍ୟୟନ କରାଯାଇଥିବା ଇମ୍ପେଡେନ୍ସ ଏବଂ ବିକିରଣ ଗୁଣଗୁଡିକ ସାଧାରଣ ଫ୍ରିକ୍ୱେନ୍ସି ସହିତ ଜଡିତ । ଆଣ୍ଟିନା ଆରେଗୁଡ଼ିକ ପରସ୍ପର ସହ ତୁଳନା କରାଯାଇଛି, ଯାହାଦ୍ୱାରା ଆଣ୍ଟିନାଗୁଡ଼ିକର ଷ୍ଟେଟ୍ ଭେରିଏବଲ୍ସ ଉପରେ, ଏସଆଇଡବ୍ଲୁ ଫିଡର ଆର୍କିଟେକ୍ଚର ଉପରେ ଏବଂ ସମ୍ବନ୍ଧିତ କାର୍ଯ୍ୟାନ୍ୱୟନ ବିବରଣୀ ଉପରେ ଡିଜାଇନ୍ କରାଯାଇଥିବା ଆଣ୍ଟିନାଗୁଡ଼ିକର ଅନ୍ତିମ ପାରାମିଟରଗୁଡ଼ିକର ମୌଳିକ ନିର୍ଭରଶୀଳତା ଦେଖାଯାଉଛି । |
e4acaccd3c42b618396c9c28dae64ae7091e36b8 | ଏକ ନୂଆ ଆଇ/କ୍ୟୁ ରିସିଭର ଆରେ ପ୍ରଦର୍ଶିତ ହୋଇଛି ଯାହା ପ୍ରତ୍ୟେକ ରିସିଭ୍ ଚ୍ୟାନେଲରେ ପର୍ଯ୍ୟାୟ ପରିବର୍ତ୍ତନକୁ ଏକ ରିସିଭ୍ ବିମ୍ କୁ ଏକ ଘଟଣା ଏଫଏ ସିଗନାଲ୍ ଆଡକୁ ନିର୍ଦ୍ଦେଶ କରିବାକୁ ଅନୁକୂଳ କରିଥାଏ । ମାପ କରାଯାଇଥିବା ଆରେ 8.1 GHz ରେ କାମ କରିଥାଏ ଏବଂ ଚାରୋଟି ଏଲିମେଣ୍ଟ ଆରେ ପାଇଁ +/-35 ଡିଗ୍ରୀର ଷ୍ଟିଅରିଂ କୋଣକୁ କଭର କରିଥାଏ । ଏହା ସହିତ, ରିସିଭରରେ ଏକ I/Q ଡାଉନ-କନଭର୍ଟର ରହିଛି ଏବଂ ଇଭିଏମ୍ ସହିତ 64 କ୍ୟୁଏଏମ୍ କୁ 4% ରୁ କମ୍ ଡିମୋଡ୍ୟୁଲେଟ୍ କରିଥାଏ । ଏହି ଚିପ 45 ନନୋମିଟର ସିଏମଓଏସ ଏସଓଆଇ ପ୍ରକ୍ରିୟାରେ ନିର୍ମିତ ହୋଇଛି ଏବଂ ଏହାର କ୍ଷେତ୍ରଫଳ 3.45 ମିମି2 ହୋଇଥିବା ବେଳେ ଏହାର ସିସି ଶକ୍ତି 143 ମିଲୱାଟ ରହିଛି । |
149bf28af91cadf2cd933bd477599cca40f55ccd | ଆମେ ଏକ ଶିକ୍ଷଣ ଢାଞ୍ଚା ପ୍ରସ୍ତାବ ଦେଉଛୁ, ଯାହା କ୍ରମବର୍ଦ୍ଧିତ ଶିକ୍ଷଣକୁ ଅଶୋଧିତ ଭିଜୁଆଲ ଇନପୁଟ ଡାଟା ଉପରେ ଆଧାରିତ କରି କରିପାରିବ । ପୂର୍ବ ଆଭିମୁଖ୍ୟର ବିପରୀତ, କେବଳ ନିୟନ୍ତ୍ରଣ ନୀତି ଶିଖାଯାଏ ନାହିଁ । ସଫଳ ହେବା ପାଇଁ, ସିଷ୍ଟମକୁ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଶିଖିବାକୁ ହେବ ଯେ କିପରି ଇନପୁଟ୍ ସୂଚନାର ଏକ ଉଚ୍ଚ-ଆକାରର ପ୍ରବାହରୁ ପ୍ରାସଙ୍ଗିକ ସୂଚନା ବାହାର କରିବେ, ଯାହାର ଅର୍ଥନୀତି ଶିକ୍ଷଣ ସିଷ୍ଟମକୁ ପ୍ରଦାନ କରାଯାଇ ନାହିଁ । ଆମେ ଏହି ନୂଆ ଶିକ୍ଷଣ ଢାଞ୍ଚାର ପ୍ରଥମ ପ୍ରମାଣ ପ୍ରଦାନ କରୁଛୁ, ଏକ ଚ୍ୟାଲେଞ୍ଜପୂର୍ଣ୍ଣ ମାନଦଣ୍ଡ ଉପରେ, ଯଥା ଏକ ରେସିଂ ସ୍ଲଟ୍ କାରର ଭିଜୁଆଲ୍ କଣ୍ଟ୍ରୋଲ୍ । ଯେଉଁ ନୀତିଗତ ପଦକ୍ଷେପ ନିଆଯାଇଥାଏ ତାହା ସଫଳତା କିମ୍ବା ବିଫଳତା ଦ୍ୱାରା ହିଁ ଶିକ୍ଷା କରାଯାଇଥାଏ, କୌଣସି ଅଭିଜ୍ଞ ମଣିଷ ଖେଳାଳିଙ୍କ ଦ୍ୱାରା ଏହା ସମ୍ଭବ ନୁହେଁ । |
759d9a6c9206c366a8d94a06f4eb05659c2bb7f2 | ବର୍ତ୍ତମାନ ସୁଦ୍ଧା, କମ୍ପ୍ୟୁଟର ଭିଜନରେ ମେସିନ ଲର୍ଣ୍ଣିଂ ଆଧାରିତ ଚିହ୍ନଟ ଆଲଗୋରିଦମର ପ୍ରାୟ ସମସ୍ତ ପରୀକ୍ଷାମୂଳକ ମୂଲ୍ୟାଙ୍କନ "ବନ୍ଦ ସେଟ୍" ଚିହ୍ନଟ ରୂପରେ ହୋଇଛି, ଯେଉଁଥିରେ ସମସ୍ତ ପରୀକ୍ଷଣ ଶ୍ରେଣୀ ତାଲିମ ସମୟରେ ଜଣା ପଡିଥାଏ । ଦୃଶ୍ୟ ପ୍ରୟୋଗ ପାଇଁ ଏକ ବାସ୍ତବିକ ଦୃଶ୍ୟ ହେଉଛି "ଓପନ ସେଟ୍" ଚିହ୍ନଟ, ଯେଉଁଠାରେ ପ୍ରଶିକ୍ଷଣ ସମୟରେ ଦୁନିଆର ଅସମ୍ପୂର୍ଣ୍ଣ ଜ୍ଞାନ ଉପସ୍ଥିତ ଥାଏ, ଏବଂ ଅଜଣା ଶ୍ରେଣୀଗୁଡିକ ପରୀକ୍ଷଣ ସମୟରେ ଏକ ଆଲଗୋରିଦମକୁ ଦାଖଲ କରାଯାଇପାରିବ । ଏହି ଲେଖାରେ ମୁକ୍ତ ସମୂହ ମାନ୍ୟତାର ପ୍ରକୃତିକୁ ଅନୁସନ୍ଧାନ କରାଯାଇଛି ଏବଂ ଏହାର ପରିଭାଷାକୁ ଏକ ସୀମିତ ସର୍ବନିମ୍ନକରଣ ସମସ୍ୟା ଭାବରେ ଔପଚାରିକ କରାଯାଇଛି । ଖୋଲା ସେଟ୍ ଚିହ୍ନଟ ସମସ୍ୟା ବର୍ତ୍ତମାନର ଆଲଗୋରିଦମ ଦ୍ବାରା ଠିକ ଭାବରେ ସମାଧାନ ହୋଇନାହିଁ କାରଣ ଏହା ପାଇଁ ଦୃଢ ସାଧାରଣକରଣର ଆବଶ୍ୟକତା ରହିଛି । ସମାଧାନ ଦିଗରେ ଏକ ପଦକ୍ଷେପ ଭାବରେ, ଆମେ ଏକ ନୂତନ 1-ବି-ସେଟ୍ ମେସିନ୍, ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ଏକ-ଶ୍ରେଣୀ କିମ୍ବା ବାଇନାରୀ SVM ର ସରଳ କୋଣ ସହିତ ସୀମିତ ଦୂରତାରୁ ଏକ ନିଷ୍ପତ୍ତି ସ୍ଥାନକୁ ବାଛିଥାଏ । ଏହି ପଦ୍ଧତି କମ୍ପ୍ୟୁଟର ଭିଜନରେ ଅନେକ ଭିନ୍ନ ପ୍ରୟୋଗରେ ପ୍ରୟୋଗ କରାଯାଇଥାଏ ଯେଉଁଠାରେ ଓପନ ସେଟ୍ ଚିହ୍ନଟ ଏକ ଆହ୍ୱାନପୂର୍ଣ୍ଣ ସମସ୍ୟା, ଯେଉଁଥିରେ ବସ୍ତୁ ଚିହ୍ନଟ ଏବଂ ଚେହେରା ଯାଞ୍ଚ ଅନ୍ତର୍ଭୁକ୍ତ । ଆମେ ଏହି କାମରେ ଉଭୟକୁ ବିଚାର କରୁଛୁ, ଯେଉଁଥିରେ କୈଲଟେକ୍ ୨୫୬ ଏବଂ ଇମେଜନେଟ ସେଟ୍ରେ କରାଯାଇଥିବା ବୃହତ ଆକାରର କ୍ରସ ଡାଟାସେଟ ପରୀକ୍ଷଣ ସହିତ ଲେବଲ୍ଡ ଫେସେସ୍ ଇନ୍ ଦି ୱାଇଲ୍ଡ ସେଟରେ କରାଯାଇଥିବା ଚେହେରା ମେଳ ପରୀକ୍ଷଣ ମଧ୍ୟ ରହିଛି । ଏହି ପରୀକ୍ଷଣରେ ଉନ୍ମୁକ୍ତ ସେଟ୍ ମୂଲ୍ୟାୟନ ପାଇଁ ଅନୁକୂଳିତ ମେସିନର ପ୍ରଭାବକୁ ଦର୍ଶାଯାଇଛି । |
00960cb3f5a74d23eb5ded93f1aa717b9c6e6851 | ବେଜିଆନ ଅପ୍ଟିମାଇଜେସନ ଅଜଣା, ମହଙ୍ଗା ଏବଂ ମଲ୍ଟିମୋଡାଲ ଫଙ୍କସନର ଗ୍ଲୋବାଲ ଅପ୍ଟିମାଇଜେସନ ପାଇଁ ଏକ ଅତ୍ୟନ୍ତ ପ୍ରଭାବଶାଳୀ ପଦ୍ଧତି ବୋଲି ପ୍ରମାଣିତ ହୋଇଛି । ଫଳନଗୁଡ଼ିକ ଉପରେ ବିତରଣକୁ ସଠିକ ଭାବରେ ମଡେଲ୍ କରିବାର କ୍ଷମତା ବେୟେସୀୟ ଅପ୍ଟିମାଇଜେସନର ପ୍ରଭାବ ପାଇଁ ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ ଅଟେ । ଯଦିଓ ଗୌସିୟାନ ପ୍ରକ୍ରିୟା ଫଙ୍କସନ ଉପରେ ଏକ ନମନୀୟ ପ୍ରାଥମିକତା ପ୍ରଦାନ କରିଥାଏ, ତଥାପି ବିଭିନ୍ନ ଶ୍ରେଣୀର ଫଙ୍କସନ ଅଛି ଯାହା ମଡେଲ କରିବା କଷ୍ଟକର । ଏମାନଙ୍କ ମଧ୍ୟରୁ ସବୁଠାରୁ ଅଧିକ ଥର ଦେଖାଯାଉଥିବା ଶ୍ରେଣୀ ହେଉଛି ଅସ୍ଥିର ଫଳନ । ମେସିନ ଲର୍ଣ୍ଣିଂ ଆଲଗୋରିଦମଗୁଡିକର ହାଇପରପାରାମିଟରଗୁଡିକର ଅପ୍ଟିମାଇଜେସନ୍ ହେଉଛି ଏକ ସମସ୍ୟା ଡୋମେନ୍ ଯେଉଁଥିରେ ପାରାମିଟରଗୁଡିକ ପ୍ରାୟତ manually ପ୍ରାଥମିକ ଭାବରେ ରୂପାନ୍ତରିତ ହୁଏ, ଉଦାହରଣ ସ୍ୱରୂପ, ଆନ୍ତର୍ଜାତୀୟ ଲମ୍ବ ସ୍କେଲର ପ୍ରଭାବକୁ ହ୍ରାସ କରିବା ପାଇଁ ଲଗ୍-ସ୍ପେସ୍, ରେ ଅପ୍ଟିମାଇଜ୍ କରି । ଆମେ ଏକ ପଦ୍ଧତି ବିକଶିତ କରୁଛୁ ଯଦ୍ୱାରା ଆମେ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ବିଟା କୁମୁଲେଟିଭ ଡିଷ୍ଟ୍ରିବ୍ୟୁସନ ଫଙ୍କସନ ବ୍ୟବହାର କରି ଇନପୁଟ ସ୍ପେସର ବିଜେକ୍ଟିଭ ଟ୍ରାନ୍ସଫରମେସନ ବା ୱାରପିଙ୍ଗର ଏକ ବିସ୍ତୃତ ପରିବାରକୁ ଶିଖିପାରିବା । ଆମେ ୱାର୍ପିଂ ଫ୍ରେମୱାର୍କକୁ ମଲ୍ଟି-ଟାସ୍କ୍ ବେଜିଆନ୍ ଅପ୍ଟିମାଇଜେସନ୍ ପର୍ଯ୍ୟନ୍ତ ବିସ୍ତାର କରିଛୁ ଯାହା ଦ୍ବାରା ଏକାଧିକ କାର୍ଯ୍ୟକୁ ମିଳିତ ଭାବେ ଏକ ଷ୍ଟେସନାରୀ ସ୍ପେସ୍ ରେ ୱାର୍ପିଂ କରାଯାଇପାରିବ । ବିଭିନ୍ନ ଚ୍ୟାଲେଞ୍ଜପୂର୍ଣ୍ଣ ବେଞ୍ଚମାର୍କ ଅପ୍ଟିମାଇଜେସନ୍ ଟାସ୍କରେ ଆମେ ଲକ୍ଷ୍ୟ କରିଛୁ ଯେ ୱାର୍ପିଂକୁ ସାମିଲ କରିବା ଦ୍ୱାରା ଅତ୍ୟାଧୁନିକ ଜ୍ଞାନକୌଶଳ ଉପରେ ବହୁତ ଉନ୍ନତି ଘଟିଥାଏ, ଯାହାଦ୍ୱାରା ଉତ୍ତମ ଫଳାଫଳ ଶୀଘ୍ର ଏବଂ ଅଧିକ ନିର୍ଭରଯୋଗ୍ୟ ଭାବରେ ମିଳିଥାଏ । |
b53e4c232833a8e663a9cf15dcdd050ff801c05c | ଆମେ ଏକ ମାପଯୋଗ୍ୟ ବ୍ୟବସ୍ଥା ଉପସ୍ଥାପନ କରୁଛୁ ଯାହା ହାଇ-ଥ୍ରାପ୍-ପୁଟ୍ ରିଅଲ-ଟାଇମ୍ ବିଶ୍ଳେଷଣ ପାଇଁ ବିବିଧ ତଥ୍ୟ ସ୍ରୋତକୁ ବ୍ୟବହାର କରିପାରିବ । ଆମର ସ୍ଥାପତ୍ୟ ପ୍ରଗତିଶୀଳ ବିଶ୍ଳେଷଣ ଏବଂ ଅନିୟମିତତା ଚିହ୍ନଟ ପାଇଁ ମଡେଲର ବୃଦ୍ଧିଶୀଳ ବିକାଶକୁ ଅନୁମତି ଦେଇଥାଏ କାରଣ ତଥ୍ୟ ସିଷ୍ଟମରେ ପହଞ୍ଚେ । ବ୍ୟାଚ୍ ଡାଟା ପ୍ରୋସେସିଂ ସିଷ୍ଟମ, ଯେପରିକି ହାଡୋପ, ଯାହାର ଉଚ୍ଚ ଲେଟେନ୍ସି ହୋଇପାରେ, ଆମର ଆର୍କିଟେକ୍ଚର ଡାଟାକୁ ତୁରନ୍ତ ଗ୍ରହଣ ଏବଂ ବିଶ୍ଳେଷଣ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ, ଯାହାଦ୍ୱାରା ଅସ୍ୱାଭାବିକ ଆଚରଣକୁ ପ୍ରାୟ ବାସ୍ତବିକ ସମୟରେ ଚିହ୍ନଟ କରାଯାଇପାରିବ ଏବଂ ପ୍ରତିକ୍ରିୟା କରାଯାଇପାରିବ । ଏହି ସମୟାନୁବର୍ତ୍ତୀତା ଭିତରକନିକା ବିପଦ, ଆର୍ଥିକ ଠକେଇ ଏବଂ ନେଟୱର୍କ ଅନୁପ୍ରବେଶ ଭଳି ପ୍ରୟୋଗ ପାଇଁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । ଏହି ପ୍ରଣାଳୀର ପ୍ରୟୋଗକୁ ଆମେ ଭିତରକନିକା ବିପଦ ଚିହ୍ନଟ କରିବା ପାଇଁ ବ୍ୟବହାର କରିଥାଉ, ଯଥା, ବ୍ୟବସ୍ଥାର ବ୍ୟବହାରକାରୀଙ୍କ ଦ୍ୱାରା ସଂଗଠନର ସମ୍ବଳର ଅପବ୍ୟବହାର ଏବଂ ସର୍ବସାଧାରଣଙ୍କ ପାଇଁ ଉପଲବ୍ଧ ଭିତରକନିକା ବିପଦ ଡାଟାସେଟ ଉପରେ ଆମର ପରୀକ୍ଷଣର ଫଳାଫଳ ଉପସ୍ଥାପନ କରିଥାଉ । |
39b58ef6487c893219c77c61c762eee5694d0e36 | ତଥ୍ୟ ଖନନ କ୍ଷେତ୍ରରେ ଶ୍ରେଣୀକରଣ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ସମସ୍ୟା । ଯଦିଓ ଶ୍ରେଣୀକରଣକୁ ଅତୀତରେ ବ୍ୟାପକ ଭାବରେ ଅଧ୍ୟୟନ କରାଯାଇଛି, ଅଧିକାଂଶ ଶ୍ରେଣୀକରଣ ଆଲଗୋରିଦମ କେବଳ ସ୍ମୃତି-ଅନୁଷ୍ଠାନିକ ତଥ୍ୟ ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଛି, ଯାହାଦ୍ୱାରା ବଡ଼ ତଥ୍ୟ ସେଟ୍ ପାଇଁ ସେମାନଙ୍କର ଉପଯୋଗିତା ସୀମିତ ହୋଇଛି । ଏହି ଦସ୍ତାବିଜରେ ଏକ ସ୍କେଲେବଲ କ୍ଲାସାୟର ନିର୍ମାଣରେ ଥିବା ସମସ୍ୟା ଉପରେ ଆଲୋଚନା କରାଯାଇଛି ଏବଂ SLIQର ଡିଜାଇନକୁ ଉପସ୍ଥାପନ କରାଯାଇଛି । SLIQ ହେଉଛି ଏକ ନିର୍ଣ୍ଣୟ ବୃକ୍ଷ ଶ୍ରେଣୀକରଣ ଯାହା ଉଭୟ ସଂଖ୍ୟା ଏବଂ ଶ୍ରେଣୀଗତ ଗୁଣକୁ ସମ୍ଭାଳିପାରେ । ଏହା ବୃକ୍ଷ-ବୃଦ୍ଧି ପର୍ଯ୍ୟାୟରେ ଏକ ନୂତନ ପ୍ରି-ସୋର୍ଟିଂ କୌଶଳ ବ୍ୟବହାର କରେ । ଏହି ସର୍ଟିଂ ପ୍ରକ୍ରିୟା ଡିସ୍କରେ ରହୁଥିବା ଡାଟାସେଟର ବର୍ଗୀକରଣ କରିବା ପାଇଁ ବ୍ରଡଥ୍ରଷ୍ଟ ବୃକ୍ଷ ବୃଦ୍ଧି ରଣନୀତି ସହିତ ଏକୀକୃତ ହୋଇଛି । SLIQ ଏକ ନୂତନ ବୃକ୍ଷ-ପ୍ରୁଟିଂ ଆଲଗୋରିଦମ ବ୍ୟବହାର କରେ ଯାହା ଶସ୍ତା ଅଟେ, ଏବଂ ଏହାର ପରିଣାମ ହେଉଛି ସଠିକ୍ ଏବଂ ସଠିକ୍ ବୃକ୍ଷ । ଏହି କୌଶଳ ଗୁଡିକର ମିଶ୍ରଣ ଦ୍ୱାରା SLIQ କୁ ବଡ ଡାଟା ସେଟ ପାଇଁ ମାପିବା ଏବଂ ଶ୍ରେଣୀ, ଗୁଣ ଏବଂ ଉଦାହରଣ (ରେକର୍ଡ) ର ସଂଖ୍ୟା ନିର୍ବିଶେଷରେ ଡାଟା ସେଟକୁ ଶ୍ରେଣୀଭୁକ୍ତ କରିବା ପାଇଁ ସକ୍ଷମ କରିଥାଏ, ଯାହାଦ୍ୱାରା ଏହା ଡାଟା ମାଇନିଂ ପାଇଁ ଏକ ଆକର୍ଷଣୀୟ ଉପକରଣ ହୋଇଥାଏ । |
1f25ed3c9707684cc0cdf3e8321c791bc7164147 | ଶ୍ରେଣୀକରଣ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ତଥ୍ୟ ଖନନ ସମସ୍ୟା । ଯଦିଓ ଶ୍ରେଣୀକରଣ ଏକ ଭଲଭାବେ ଅଧ୍ୟୟନ ହୋଇଥିବା ସମସ୍ୟା, ଅଧିକାଂଶ ବର୍ତ୍ତମାନର ଶ୍ରେଣୀକରଣ ଆଲଗୋରିଦମ ଆବଶ୍ୟକ କରେ ଯେ ସମସ୍ତ କିମ୍ବା ସମଗ୍ର ଡାଟାସେଟର ଏକ ଅଂଶ ସ୍ଥାୟୀ ଭାବରେ ସ୍ମୃତିରେ ରହିବ । ଏହାଦ୍ୱାରା ବଡ ବଡ ଡାଟାବେସରେ ଖନନ ପାଇଁ ସେମାନଙ୍କର ଉପଯୋଗିତା ସୀମିତ ହୋଇଯାଏ । ଆମେ ଏକ ନୂତନ ନିର୍ଣ୍ଣୟ ବୃକ୍ଷ ଆଧାରିତ ବର୍ଗୀକରଣ ଆଲଗୋରିଦମ ଉପସ୍ଥାପନ କରୁଛୁ, ଯାହାକୁ ସ୍ପ୍ରିଣ୍ଟ କୁହାଯାଏ ଯାହା ସମସ୍ତ ସ୍ମୃତି ପ୍ରତିବନ୍ଧକକୁ ଦୂର କରିଥାଏ, ଏବଂ ଦ୍ରୁତ ଏବଂ ମାପଯୋଗ୍ୟ ଅଟେ । ଏହି ଆଲଗୋରିଦମକୁ ସହଜରେ ସମାନ୍ତରାଳ କରିବା ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଛି, ଯାହାଦ୍ୱାରା ଅନେକ ପ୍ରୋସେସର ଏକକ ସୁସଙ୍ଗତ ମଡେଲ ନିର୍ମାଣ ପାଇଁ ଏକାଠି କାମ କରିପାରିବେ । ଏହି ସମାନ୍ତରାଳତା, ଏଠାରେ ମଧ୍ୟ ଉପସ୍ଥାପିତ, ଉତ୍ତମ ମାପଣୀୟତା ମଧ୍ୟ ପ୍ରଦର୍ଶିତ କରେ । ଏହି ସମସ୍ତ ଗୁଣର ମିଶ୍ରଣ ଦ୍ୱାରା ପ୍ରସ୍ତାବିତ ଆଲଗୋରିଦମ ତଥ୍ୟ ଖନନ ପାଇଁ ଏକ ଆଦର୍ଶ ଉପକରଣ ଅଟେ । |
7c3a4b84214561d8a6e4963bbb85a17a5b1e003a | |
76c87ec44fc5dc96bc445abe008deaf7c97c9373 | ଏହି କାଗଜରେ ଏକ ପ୍ଲାନର ଗ୍ରୀଡ ଆରେ ଆଣ୍ଟିନା ସହିତ 100 Ω ଡିଫେରେନସିଆଲ ମାଇକ୍ରୋଷ୍ଟ୍ରିପ ଲାଇନ ଫିଡକୁ ଷ୍ଟାଣ୍ଡାର୍ଡ ମୃଦୁ ସବଷ୍ଟ୍ରେଟର ଏକକ ସ୍ତରରେ ଉପସ୍ଥାପନ କରାଯାଇଛି । ଏହି ଆଣ୍ଟିନା ଅଟୋମୋବାଇଲ ରାଡାର ପ୍ରୟୋଗ ପାଇଁ 79 ଗିଗାହର୍ଟଜ ଫ୍ରିକ୍ୱେନ୍ସି ବ୍ୟାଣ୍ଡରେ କାର୍ଯ୍ୟ କରିଥାଏ । ଏହାର ଏକ ଧାଡିର ଡିଜାଇନ୍ ଉଚ୍ଚତାରେ ଏକ ସଂକୀର୍ଣ୍ଣ ବିମ୍ ଏବଂ ଆଜିମଥ୍ରେ ଏକ ଚଉଡ଼ା ବିମ୍ ପ୍ରଦାନ କରେ । ଡିଫେରେନସିଆଲ ମାଇକ୍ରୋଷ୍ଟ୍ରିପ ଲାଇନ ଫିଡିଙ୍ଗ ସହିତ ଆଣ୍ଟିନା ଫ୍ରିକ୍ୱେନ୍ସି ରେଞ୍ଜରେ ଡିଫେରେନସିଆଲ ମଲ୍ଟିଚ୍ୟାନେଲ ଏମଏମଆଇସି ପାଇଁ ଉପଯୁକ୍ତ । |
bc7308a97ec2d3f7985d48671abe7a8942a5b9f8 | ଏହି କାଗଜରେ ଭାବନା ବିଶ୍ଳେଷଣର ଏକ ପଦ୍ଧତିର ପରିଚୟ ଦିଆଯାଇଛି ଯାହା ସମ୍ଭାବ୍ୟ ପ୍ରାସଙ୍ଗିକ ସୂଚନାର ବିଭିନ୍ନ ଉତ୍ସକୁ ଏକତ୍ରିତ କରିବା ପାଇଁ ସମର୍ଥନ ଭେକ୍ଟର ମେସିନ୍ (SVMs) ବ୍ୟବହାର କରେ, ଯେଉଁଥିରେ ବାକ୍ୟ ଏବଂ ବିଶେଷଣ ପାଇଁ ଅନେକ ଅନୁକୂଳତା ମାପ ଏବଂ ଉପଲବ୍ଧ ହେଲେ ପାଠ୍ୟର ବିଷୟର ଜ୍ଞାନ ଅନ୍ତର୍ଭୁକ୍ତ _ ଏହି ବୈଶିଷ୍ଟ୍ୟ ବ୍ୟବହାର କରୁଥିବା ମଡେଲକୁ ଏକଗ୍ରାମ ମଡେଲ ସହିତ ମିଶ୍ରଣ କରାଯାଇଥାଏ ଯାହା ଅତୀତରେ ପ୍ରଭାବଶାଳୀ ବୋଲି ପ୍ରମାଣିତ ହୋଇଛି (ପଙ୍ଗ ଏବଂ ଅନ୍ୟମାନେ, 2002) ଏବଂ ଏକଗ୍ରାମ ମଡେଲର ଲେମମେଟାଇଜ୍ଡ ସଂସ୍କରଣ । Epinions.com ରୁ ମିଳିଥିବା ଚଳଚ୍ଚିତ୍ର ସମୀକ୍ଷା ତଥ୍ୟ ଉପରେ କରାଯାଇଥିବା ପରୀକ୍ଷଣରୁ ଜଣାପଡିଛି ଯେ ହାଇବ୍ରିଡ୍ SVM ଗୁଡିକ ଯାହା ଏକଗ୍ରାମ୍ ଶୈଳୀରେ ଫିଚର ଆଧାରିତ SVM କୁ ବାସ୍ତବିକ ମୂଲ୍ୟର ଅନୁକୂଳତା ମାପ ଉପରେ ଆଧାରିତ ସହିତ ମିଶ୍ରଣ କରେ, ଉତ୍ତମ କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରେ, ଏହି ତଥ୍ୟ ବ୍ୟବହାର କରି ଏପର୍ଯ୍ୟନ୍ତ ପ୍ରକାଶିତ ହୋଇଥିବା ସର୍ବୋତ୍ତମ ଫଳାଫଳ ଉତ୍ପାଦନ କରେ । ଏହିପରି ମଡେଲରେ ବିଷୟବସ୍ତୁ ସୂଚନାକୁ ସାମିଲ କରିବା ଦ୍ୱାରା ଉନ୍ନତି ମଧ୍ୟ ହୋଇପାରେ । |
be389fb59c12c8c6ed813db13ab74841433ea1e3 | ଅଙ୍ଗୁର । ୧. କେଉଁ ବିଷୟ ଉପରେ ଆଲୋଚନା କରିବା? ଆମେ ଏଠାରେ iMapper ଉପସ୍ଥାପନ କରୁଛୁ, ଏକ ପଦ୍ଧତି ଯାହା ମାନବ ଓ ବସ୍ତୁ ମଧ୍ୟରେ ଥିବା ସମ୍ପର୍କକୁ ବୁଝାଇଥାଏ, ଯାହାଦ୍ୱାରା ଦୃଶ୍ୟର ଏକ ଉପଯୁକ୍ତ ବ୍ୟବସ୍ଥା ଓ ମନୁଷ୍ୟର ଗତିବିଧିକୁ ପୁନଃପ୍ରାପ୍ତ କରାଯାଇପାରିବ, ଯାହାକି ଏକ ଇନପୁଟ୍ ମୋନୋକ୍ୟୁଲାର ଭିଡିଓକୁ ସର୍ବୋତ୍ତମ ଭାବରେ ବ୍ୟାଖ୍ୟା କରିଥାଏ (ଦୟାକରି ଇନସେଟ୍ ଦେଖନ୍ତୁ) । ଆମେ ଭିଡ଼ିଓରେ ସିନ୍ଲେଟ୍ (ଉଦାହରଣ ସ୍ୱରୂପ, ଏ, ବି, ସି) ନାମକ ଚରିତ୍ରଗତ ପାରସ୍ପରିକ କ୍ରିୟାକୁ ଉପଯୋଗ କରିଥାଉ ଏବଂ ଏକ ସମ୍ଭାବ୍ୟ ବସ୍ତୁ ବ୍ୟବସ୍ଥା ଏବଂ ମାନବ ଗତି ପଥ (ବାମ) ର ପୁନଃନିର୍ମାଣ ପାଇଁ ସେଗୁଡ଼ିକୁ ବ୍ୟବହାର କରିଥାଉ । ମୁଖ୍ୟ ସମସ୍ୟା ହେଉଛି ଭରସାଯୋଗ୍ୟ ଫିଟିଙ୍ଗ ପାଇଁ ଅଜ୍ଞାତ (ଅର୍ଥାତ୍, ଲୁକ୍କାୟିତ) ଅବରୋଧ ବିଷୟରେ ସୂଚନା ଆବଶ୍ୟକ । (ଡାହାଣ) ଆମେ ଆମର ଫଳାଫଳର ଏକ ଓଭରଲେ (ଉପର ଦୃଶ୍ୟରୁ) ମାନୁଆଲୀ ଏନାଟୋଟେଡ ଗ୍ରାଉଣ୍ଡଟ୍ରୁଥ୍ ଅବଜେକ୍ଟ ପ୍ଲେସମେଣ୍ଟ ଉପରେ ଦେଖାଉଛୁ । ଧ୍ୟାନ ଦିଅନ୍ତୁ ଯେ ବସ୍ତୁ ଶ୍ରେଣୀ, ଅବସ୍ଥାନ, ଏବଂ ଆକାର ସୂଚନା ଉପରେ ଆଧାର କରି ବସ୍ତୁ ମେଳା ରଖାଯାଇଛି । |
f24a1af3bd8873920593786d81590d29520cfebc | ଏହି ଚିଠିରେ ଏକ ନୂଆ ଏଲିପ୍ଟିକ ଫିଲ୍ଟରର ଡିଜାଇନ ଏବଂ ପରୀକ୍ଷଣ ବିଷୟରେ ଉଲ୍ଲେଖ କରାଯାଇଛି ଯାହା ମଲ୍ଟିଲେୟାର୍ଡ ସବଷ୍ଟ୍ରେଟ ଇଣ୍ଟିଗ୍ରେଟେଡ ୱେଭଗାଇଡ (ଏମଏସଆଇଡବ୍ଲୁ) କୌଶଳ ଉପରେ ଆଧାରିତ । ସି-ବ୍ୟାଣ୍ଡର ଏକ ଏଲିପ୍ଟିକ ଫିଲଟର ଚାରିଟି ଗୁଡ଼ାଯାଇଥିବା ଏମଏସଆଇଡବ୍ଲୁ ଗୁହାଳ ସହିତ ଉଚ୍ଚ-ଫ୍ରିକ୍ୱେନ୍ସି ସଂରଚନା ସିମୁଲେଟର ସଫ୍ଟୱେୟାର ବ୍ୟବହାର କରି ଅନୁକରଣ କରାଯାଏ ଏବଂ ଦୁଇ-ସ୍ତର ପ୍ରିଣ୍ଟେଡ ସର୍କିଟ ବୋର୍ଡ ପ୍ରକ୍ରିୟାରେ ତିଆରି କରାଯାଏ, ମାପିତ ଫଳାଫଳ ଭଲ କାର୍ଯ୍ୟଦକ୍ଷତା ଦେଖାଏ ଏବଂ ଅନୁକରଣ ଫଳାଫଳ ସହିତ ଏକମତ ଅଟେ । |
8052bc5f9beb389b3144d423e7b5d6fcf5d0cc4f | ଗୁଣଗୁଡ଼ିକ ହେଉଛି ବସ୍ତୁଗୁଡ଼ିକ ଦ୍ୱାରା ବଣ୍ଟନ କରାଯାଇଥିବା ଅର୍ଥାତ୍ମକ ଦୃଶ୍ୟମାନ ଗୁଣ । ସେଗୁଡ଼ିକ ବସ୍ତୁ ଚିହ୍ନଟ କରିବାରେ ଉନ୍ନତି ଆଣିବା ଏବଂ ବିଷୟବସ୍ତୁ ଆଧାରିତ ପ୍ରତିଛବି ସନ୍ଧାନକୁ ବଢ଼ାଇବା ପାଇଁ ପ୍ରଦର୍ଶିତ ହୋଇଛି । ଯଦିଓ ଗୁଣଗୁଡିକ ଏକାଧିକ ଶ୍ରେଣୀକୁ କଭର କରିବା ଆଶା କରାଯାଏ, ଉଦାହରଣ ସ୍ୱରୂପଃ ଡଲମେଟିୟାନ ଓ ହ୍ୱେଲ୍ ଉଭୟଙ୍କ "ସୁକ୍ଷ୍ମ ଚର୍ମ" ଥାଇପାରେ, ଆମେ ଦେଖୁ ଯେ ଗୋଟିଏ ଗୁଣର ଦୃଶ୍ୟମାନତା ବିଭିନ୍ନ ଶ୍ରେଣୀରେ ଭିନ୍ନ ଭିନ୍ନ ହୋଇଥାଏ । ତେଣୁ ଗୋଟିଏ ଶ୍ରେଣୀରେ ଶିଖିଥିବା ଗୁଣର ମଡେଲ ଅନ୍ୟ ଶ୍ରେଣୀରେ ବ୍ୟବହାର କରାଯାଇପାରିବ ନାହିଁ । ଆମେ ଦେଖାଇବୁ କିପରି ଗୁଣାତ୍ମକ ମଡେଲକୁ ନୂତନ ଶ୍ରେଣୀରେ ଅନୁକୂଳ କରାଯାଇପାରିବ । ଆମେ ସୁନିଶ୍ଚିତ କରୁ ଯେ ଶ୍ରେଣୀର ଉତ୍ସ ଡୋମେନ୍ ଓ ଏକ ନୂଆ ଟାର୍ଗେଟ୍ ଡୋମେନ୍ ମଧ୍ୟରେ ସକାରାତ୍ମକ ସ୍ଥାନାନ୍ତର ଘଟିପାରେ, ବିଶେଷତା ଚୟନ ଦ୍ୱାରା ମିଳିଥିବା ବିଶେଷତା ଉପକ୍ଷେତ୍ରରେ ଶିକ୍ଷା କରି ଯେଉଁଠାରେ ଡୋମେନ୍ ର ତଥ୍ୟ ବଣ୍ଟନ ସମାନ ଅଟେ । ଆମେ ଦେଖାଇଛୁ ଯେ ଯେତେବେଳେ ନୂଆ ଡୋମେନରୁ ତଥ୍ୟ ସୀମିତ ଥାଏ, ସେହି ନୂଆ ଡୋମେନ ପାଇଁ ବୈଶିଷ୍ଟ୍ୟ ମଡେଲକୁ ନିୟମିତ କରିବା ଏକ ସହାୟକ ଡୋମେନରେ ତାଲିମପ୍ରାପ୍ତ ମଡେଲ ସହିତ (ଆଡାପ୍ଟିଭ୍ SVM ମାଧ୍ୟମରେ) ବୈଶିଷ୍ଟ୍ୟ ପୂର୍ବାନୁମାନର ସଠିକତାକୁ ଉନ୍ନତ କରିଥାଏ । |
01094798b20e96e1d029d6874577167f2214c7b6 | ଦ୍ରୁତ ସମକାଳୀନ ହ୍ୟାସ ଟେବୁଲଗୁଡିକ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ବିଲ୍ଡିଂ ବ୍ଲକ ଅଟେ କାରଣ ଆମେ ସିଷ୍ଟମକୁ ଅଧିକ ସଂଖ୍ୟକ କୋର ଏବଂ ଥ୍ରେଡକୁ ସ୍କେଲ କରୁ । ଏହି ପତ୍ରରେ ଏକ ଉଚ୍ଚ-ପ୍ରବାହୀ ଏବଂ ସ୍ମୃତି-ଦକ୍ଷ ଏକକାଳୀନ ହ୍ୟାସ ଟେବୁଲର ଡିଜାଇନ, କାର୍ଯ୍ୟକାରିତା ଏବଂ ମୂଲ୍ୟାଙ୍କନକୁ ଉପସ୍ଥାପନ କରାଯାଇଛି ଯାହା ଏକାଧିକ ପାଠକ ଏବଂ ଲେଖକଙ୍କୁ ସମର୍ଥନ କରେ । ଏହି ଡିଜାଇନ ସିଷ୍ଟମ ସ୍ତରୀୟ ଅପ୍ଟିମାଇଜେସନ ପ୍ରତି ଯତ୍ନଶୀଳ ଦୃଷ୍ଟିରୁ ସୃଷ୍ଟି ହୋଇଛି ଯେପରିକି ଗୁରୁତ୍ବପୂର୍ଣ୍ଣ ବିଭାଗର ଲମ୍ବକୁ ସର୍ବନିମ୍ନ କରିବା ଏବଂ ଆଲଗୋରିଦମ ପୁନଃ-ଇଞ୍ଜିନିୟରିଂ ମାଧ୍ୟମରେ ଇଣ୍ଟରପ୍ରସେସର କୋହେରେନ୍ସ ଟ୍ରାଫିକକୁ ହ୍ରାସ କରିବା । ଏହି ଇଞ୍ଜିନିୟରିଂର ସ୍ଥାପତ୍ୟ ଭିତ୍ତିଭୂମିର ଅଂଶ ଭାବରେ, ଆମେ ଇଣ୍ଟେଲର ସାମ୍ପ୍ରତିକ ହାର୍ଡୱେର୍ ଟ୍ରାଞ୍ଜାକ୍ସନାଲ୍ ମେମୋରୀ (ଏଚଟିଏମ୍) କୁ ଏହି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ବିଲ୍ଡିଂ ବ୍ଲକ୍ ପାଇଁ ଗ୍ରହଣ କରି ଆମର ଅଭିଜ୍ଞତା ଏବଂ ଫଳାଫଳର ଆଲୋଚନା ଅନ୍ତର୍ଭୁକ୍ତ କରିଛୁ। ଆମେ ପାଇଲୁ ଯେ, ଏକ ସମୟରେ ପ୍ରବେଶକୁ ଅନୁମତି ଦେବା ଦ୍ୱାରା, ବର୍ତ୍ତମାନର ଡାଟା ସଂରଚନା ଉପରେ ଏକ କ୍ରମବର୍ଦ୍ଧିତ ଲକ୍ ବ୍ୟବହାର କରି, ଅଧିକ ସୂତ୍ର ସହିତ ସାମଗ୍ରିକ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ହ୍ରାସ କରିଥାଏ । ଯଦିଓ ଏଚଟିଏମ ଏହି ହ୍ରାସକୁ କିଛି ମାତ୍ରାରେ ହ୍ରାସ କରିଥାଏ, ତଥାପି ଏହା ଏହାକୁ ଦୂର କରିନଥାଏ । ଉଚ୍ଚ କାର୍ଯ୍ୟଦକ୍ଷତା ହାସଲ କରିବା ପାଇଁ ଉଭୟ ଏଚଟିଏମ ଏବଂ ସୂକ୍ଷ୍ମ-କଣଯୁକ୍ତ ଲକିଂ ପାଇଁ ଡିଜାଇନକୁ ଲାଭ ପ୍ରଦାନ କରୁଥିବା ଆଲଗୋରିଦମିକ୍ ଅପ୍ଟିମାଇଜେସନ୍ ଆବଶ୍ୟକ । ଆମର କାର୍ଯ୍ୟଦକ୍ଷତା ଫଳାଫଳ ଦର୍ଶାଏ ଯେ ଆମର ନୂତନ ହ୍ୟାଶ ଟେବୁଲ ଡିଜାଇନ୍--- ଆଶାବାଦୀ କୁକ୍କୁ ହ୍ୟାସିଂ ଉପରେ ଆଧାରିତ--- ଅନ୍ୟାନ୍ୟ ଅପ୍ଟିମାଇଜ୍ ହୋଇଥିବା ଏକକାଳୀନ ହ୍ୟାଶ ଟେବୁଲକୁ 2.5x ପର୍ଯ୍ୟନ୍ତ ଲେଖିବା-ଭାରୀ କାର୍ଯ୍ୟଭାର ପାଇଁ ଅତିକ୍ରମ କରେ, ଏପରିକି ଛୋଟ ଚାବି-ମୂଲ୍ୟ ଆଇଟମ୍ ପାଇଁ ଯଥେଷ୍ଟ କମ୍ ମେମୋରୀ ବ୍ୟବହାର କରିବା ସମୟରେ ମଧ୍ୟ । 16 କୋର ମେସିନରେ, ଆମର ହ୍ୟାଶ ଟେବୁଲ ପ୍ରତି ସେକେଣ୍ଡରେ ପ୍ରାୟ 40 ନିୟୁତ ଇନସର୍ଟ ଏବଂ 70 ନିୟୁତରୁ ଅଧିକ ଖୋଜିବା କାର୍ଯ୍ୟ କରିଥାଏ । |
5685a394b25fcb27b6ad91f7325f2e60a9892e2a | ଗ୍ରାଫ ଡାଟାବେସ (GDB) ର ଉଦୟ ପରମ୍ପରାଗତ ଡାଟାବେସର ସୀମାକୁ ଅତିକ୍ରମ କରିବା ପାଇଁ ହୋଇଛି । ଆଜି, ଗ୍ରାଫ ଭଳି ତଥ୍ୟ ପରିଚାଳନା କରୁଥିବା ଅନେକ ଆପ୍ଲିକେସନ ପାଇଁ ଏହା ଏକ ଆବଶ୍ୟକତା, ଯେପରିକି ସାମାଜିକ ନେଟୱାର୍କ । ଗ୍ରାଫ ଡାଟାବେସରେ ପ୍ରଶ୍ନଗୁଡ଼ିକୁ ଅନୁକୂଳିତ କରିବା ପାଇଁ ବ୍ୟବହୃତ ଅଧିକାଂଶ କୌଶଳ ପାରମ୍ପରିକ ଡାଟାବେସ, ବିତରଣ ପ୍ରଣାଳୀ, ଇତ୍ୟାଦିରେ ବ୍ୟବହୃତ ହୋଇଛି କିମ୍ବା ଗ୍ରାଫ ତତ୍ତ୍ୱରୁ ପ୍ରେରିତ । କିନ୍ତୁ ଗ୍ରାଫ ଡାଟାବେସରେ ଏହାର ପୁନଃ ବ୍ୟବହାର କରିବା ସମୟରେ ଗ୍ରାଫ ଡାଟାବେସର ମୁଖ୍ୟ ବୈଶିଷ୍ଟ୍ୟ ଯଥା ଗତିଶୀଳ ସଂରଚନା, ଉଚ୍ଚ ସଂଯୋଗୀକୃତ ତଥ୍ୟ ଏବଂ ତଥ୍ୟ ସମ୍ପର୍କକୁ ଦକ୍ଷତାର ସହ ଆକସେସ୍ କରିବାର କ୍ଷମତା ପ୍ରତି ଧ୍ୟାନ ଦେବା ଆବଶ୍ୟକ । ଏହି ଲେଖାରେ ଆମେ ଗ୍ରାଫ ଡାଟାବେସରେ କ୍ୱେରୀ ଅପ୍ଟିମାଇଜେସନ ଟେକନିକର ସର୍ଭେ କରିଛୁ । ବିଶେଷକରି ଆମେ ଗ୍ରାଫ ଭଳି ତଥ୍ୟକୁ ଉତ୍ତମ କରିବା ପାଇଁ ସେମାନେ ଯେଉଁସବୁ ବୈଶିଷ୍ଟ୍ୟ ପ୍ରଚଳନ କରିଛନ୍ତି ତାହା ଉପରେ ଗୁରୁତ୍ୱାରୋପ କରୁଛୁ । |
0541d5338adc48276b3b8cd3a141d799e2d40150 | ମ୍ୟାପ ରେଡ୍ୟୁସ ଏକ ପ୍ରୋଗ୍ରାମିଂ ମଡେଲ ଓ ଏହା ସହ ଜଡିତ ଏକ କାର୍ଯ୍ୟକାରିତା ଯାହାକି ବିଶାଳ ଡାଟାସେଟକୁ ପ୍ରୋସେସ ଓ ଜେନେରେଟ କରିଥାଏ । ଉପଭୋକ୍ତା ମାନଚିତ୍ର ଏବଂ ରିଡୁ ଫଙ୍କସନ ଅନୁସାରେ କମ୍ପ୍ୟୁଟେଶନ ନିର୍ଦ୍ଦିଷ୍ଟ କରିଥାନ୍ତି ଏବଂ ମୂଳ ରନଟାଇମ ସିଷ୍ଟମ ସ୍ୱୟଂଚାଳିତ ଭାବରେ କମ୍ପ୍ୟୁଟେଶନକୁ ମେସିନ୍ର ବୃହତ-ମାପକ କ୍ଲଷ୍ଟରରେ ସମାନ୍ତରାଳ କରିଥାଏ, ମେସିନ୍ର ବିଫଳତାକୁ ପରିଚାଳନା କରିଥାଏ ଏବଂ ନେଟୱାର୍କ ଏବଂ ଡିସ୍କର ଦକ୍ଷ ବ୍ୟବହାର କରିବା ପାଇଁ ଆନ୍ତଃ-ମେସିନ ଯୋଗାଯୋଗକୁ କାର୍ଯ୍ୟସୂଚୀ କରିଥାଏ । ପ୍ରୋଗ୍ରାମରମାନେ ଏହି ସିଷ୍ଟମକୁ ବ୍ୟବହାର କରିବା ସହଜ ବୋଲି ଭାବନ୍ତି: ଗତ ଚାରି ବର୍ଷ ମଧ୍ୟରେ ଗୁଗୁଲରେ ଦଶ ହଜାରରୁ ଅଧିକ ଭିନ୍ନ ଭିନ୍ନ ମ୍ୟାପ ରେଡ୍ୟୁସ ପ୍ରୋଗ୍ରାମ କାର୍ଯ୍ୟକାରୀ କରାଯାଇଛି ଏବଂ ଗୁଗୁଲର କ୍ଲଷ୍ଟରରେ ପ୍ରତିଦିନ ହାରାହାରି ଏକ ଲକ୍ଷ ମ୍ୟାପ ରେଡ୍ୟୁସ କାର୍ଯ୍ୟ ସମ୍ପାଦନ ହେଉଛି, ଯାହାକି ଦୈନିକ ସମୁଦାୟ କୋଡ଼ିଏ ପେଟା ବାଇଟରୁ ଅଧିକ ତଥ୍ୟ ପ୍ରକ୍ରିୟାକରଣ କରିଥାଏ । |
683c8f5c60916751bb23f159c86c1f2d4170e43f | |
3a116f2ae10a979c18787245933cb9f984569599 | ୱାୟାରଲେସ୍ ସେନସର ନେଟୱାର୍କ (ଡବ୍ଲୁଏସଏନ) ବହୁବିଧ ପ୍ରୟୋଗ ପାଇଁ ଏକ ପ୍ରଭାବୀ ସମାଧାନ ଭାବରେ ଉଭା ହୋଇଛି । ଅଧିକାଂଶ ପାରମ୍ପରିକ WSN ସ୍ଥାପତ୍ୟରେ ଷ୍ଟାଟିକ୍ ନୋଡ ରହିଥାଏ ଯାହା ଏକ ସେନ୍ସିଂ ଅଞ୍ଚଳରେ ଘନ ଭାବରେ ନିୟୋଜିତ ହୋଇଥାଏ । ନିକଟରେ, ମୋବାଇଲ ଉପାଦାନ (ଏମଇ) ଉପରେ ଆଧାରିତ ଅନେକ ୱିଏସଏନ ସ୍ଥାପତ୍ୟ ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । ଅଧିକାଂଶ ଏସଏମଏସ ତଥ୍ୟ ସଂଗ୍ରହ ପାଇଁ ମୋବାଇଲ ବ୍ୟବହାର କରିଥାନ୍ତି । ଏହି ଲେଖାରେ ଆମେ ପ୍ରଥମେ ମୌଳିକ ଉପାଦାନ ସହିତ ୱିଣ୍ଡୋ ନେଟୱାର୍କକୁ ପରିଭାଷିତ କରିବା ଏବଂ ମୌଳିକ ଉପାଦାନର ଭୂମିକା ଉପରେ ଆଧାର କରି ସେମାନଙ୍କର ସ୍ଥାପତ୍ୟର ଏକ ବ୍ୟାପକ ଶ୍ରେଣୀକରଣ ପ୍ରଦାନ କରିବା । ତା ପରେ ଆମେ ଏପରି ପରିସ୍ଥିତିରେ ତଥ୍ୟ ସଂଗ୍ରହ ପ୍ରକ୍ରିୟାର ଏକ ସମୀକ୍ଷା ଉପସ୍ଥାପନ କରିବା ଏବଂ ତଦନୁସାରେ ଥିବା ସମସ୍ୟା ଏବଂ ଆହ୍ୱାନଗୁଡ଼ିକୁ ଚିହ୍ନଟ କରିବା । ଏହିସବୁ ପ୍ରସଙ୍ଗକୁ ଆଧାର କରି ଆମେ ସମ୍ପୃକ୍ତ ସାହିତ୍ୟର ବ୍ୟାପକ ସମୀକ୍ଷା କରିଛୁ । ଶେଷରେ, ଆମେ ମୂଳ ଆଭିମୁଖ୍ୟ ଏବଂ ସମାଧାନର ତୁଳନା କରିଥାଉ, ଖୋଲା ସମସ୍ୟା ଏବଂ ଭବିଷ୍ୟତର ଅନୁସନ୍ଧାନର ଦିଗ ବିଷୟରେ ସୂଚନା ଦେଇଥାଉ । |
e7b50e3f56e21fd2a5eb34923d427a0bc6dd8905 | ଏହି କାଗଜରେ ମାଇକ୍ରୋୱେଭ ଫିଲ୍ଟର ପାଇଁ କପଲିଙ୍ଗ ମ୍ୟାଟ୍ରିକ୍ସର ସିନ୍ଥେସିସ ପାଇଁ ଏକ ନୂତନ ଦୃଷ୍ଟିକୋଣ ଉପସ୍ଥାପିତ କରାଯାଇଛି । ନୂତନ ଦୃଷ୍ଟିକୋଣ କପଲିଙ୍ଗ ମ୍ୟାଟ୍ରିକ୍ସ ସିନ୍ଥେସିସ ପାଇଁ ବର୍ତ୍ତମାନର ପ୍ରତ୍ୟକ୍ଷ ଏବଂ ଅପ୍ଟିମାଇଜେସନ୍ ପଦ୍ଧତି ଉପରେ ଏକ ଅଗ୍ରଗତିକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ କାରଣ ଏହା ଏକ ନେଟୱାର୍କ ପାଇଁ ସମସ୍ତ ସମ୍ଭାବ୍ୟ କପଲିଙ୍ଗ ମ୍ୟାଟ୍ରିକ୍ସ ସମାଧାନକୁ ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ ଆବିଷ୍କାର କରିବ ଯଦି ଏକରୁ ଅଧିକ ଥାଏ । ଏହାଦ୍ୱାରା କପଲିଂ ମୂଲ୍ୟ, ରିଜୋନେଟର ଫ୍ରିକ୍ୱେନ୍ସି ଅଫସେଟ, ପାରାସାଇଟିକ କପଲିଂ ଟଲେରାନ୍ସ ଆଦିର ସେଟକୁ ଚୟନ କରାଯାଇପାରିବ ଯାହା ମାଇକ୍ରୋୱେଭ ଫିଲଟର ନିର୍ମାଣ ପାଇଁ ଉଦ୍ଦିଷ୍ଟ ପ୍ରଯୁକ୍ତି ପାଇଁ ସବୁଠାରୁ ଉପଯୁକ୍ତ ହେବ । ଏହି ପଦ୍ଧତିର ଉପଯୋଗକୁ ପ୍ରମାଣିତ କରିବା ପାଇଁ, ନିକଟରେ ପ୍ରଚଳିତ "ବ୍ୟାକେଟ୍ର ବିସ୍ତାରିତ ବକ୍ସ" (ଇବି) କପଲିଂ ମାଟ୍ରିକ୍ସର ବିନ୍ୟାସକୁ ନିଆଯାଇଛି । EB ଏକ ନୂତନ ଶ୍ରେଣୀର ଫିଲ୍ଟର କନଫିଗୁରେସନକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ ଯେଉଁଥିରେ ଅନେକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ସୁବିଧା ରହିଛି, ସେଥିମଧ୍ୟରୁ ଗୋଟିଏ ହେଉଛି ପ୍ରତ୍ୟେକ ପ୍ରୋଟୋଟାଇପ୍ ଫିଲ୍ଟର ଫଙ୍କସନ୍ ପାଇଁ ଏକାଧିକ କପଲିଂ ମ୍ୟାଟ୍ରିକ୍ ସମାଧାନର ଅସ୍ତିତ୍ୱ, ଉଦାହରଣ ସ୍ୱରୂପ 8 ଡିଗ୍ରୀ କେସ୍ ପାଇଁ 16 । ଏହି କେସକୁ ଏକ ଉଦାହରଣ ଭାବେ ନିଆଯାଇଛି ଯାହା ସିନ୍ଥେସିସ୍ ପଦ୍ଧତିର ବ୍ୟବହାରକୁ ଦର୍ଶାଇଥାଏ - ଏକ ସମାଧାନ ପ୍ରଦାନ କରିବା ପାଇଁ ଯାହା ଦ୍ୱୈତ-ମୋଡ୍ ରିଆଲିଟି ପାଇଁ ଉପଯୁକ୍ତ ଏବଂ ଅନ୍ୟଟି ଯେଉଁଠାରେ କିଛି କପଲିଂଗୁଡିକ ଅବହେଳା କରିବା ପାଇଁ ଯଥେଷ୍ଟ ଛୋଟ । ସୂଚକାଙ୍କ ଶବ୍ଦ - ସଂଯୋଗ ମାଟ୍ରିକ୍ସ, ଫିଲ୍ଟର ସଂଶ୍ଳେଷଣ, ଗ୍ରୋବନର ଆଧାର, ବିପରୀତ ଗୁଣ, ଏକାଧିକ ସମାଧାନ |
a6f1dfcc44277d4cfd8507284d994c9283dc3a2f | ଆମେ ଏକ ବାସ୍ତବ ସମୟ କମ୍ପ୍ୟୁଟର ପ୍ରଣାଳୀ ବିକଶିତ କରିଛୁ ଯାହା କୌଣସି ବ୍ୟକ୍ତିର ମୁଣ୍ଡକୁ ଚିହ୍ନଟ କରିପାରେ, ତାପରେ ଚେହେରାର ବିଶେଷତ୍ୱକୁ ଜଣାଶୁଣା ବ୍ୟକ୍ତିଙ୍କ ସହିତ ତୁଳନା କରି ବ୍ୟକ୍ତିଙ୍କୁ ଚିହ୍ନଟ କରିପାରେ । ଏହି ପ୍ରଣାଳୀରେ ନିଆଯାଇଥିବା ଗଣନାତ୍ମକ ଆଭିମୁଖ୍ୟ ଉଭୟ ଶାରୀରିକ ଓ ସୂଚନା ତତ୍ତ୍ବ, ତଥା ବାସ୍ତବ ସମୟର କାର୍ଯ୍ୟଦକ୍ଷତା ଏବଂ ସଠିକତାର ବ୍ୟବହାରିକ ଆବଶ୍ୟକତା ଦ୍ୱାରା ଅନୁପ୍ରାଣିତ । ଆମର ଆଭିମୁଖ୍ୟରେ ଚେହେରା ଚିହ୍ନଟ ସମସ୍ୟାକୁ ତ୍ରି-ଆକାରର ଜ୍ୟାମିତିର ପୁନରୁଦ୍ଧାର ଆବଶ୍ୟକତା ପରିବର୍ତ୍ତେ ଏକ ଅନ୍ତର୍ନିହିତ ଦୁଇ-ଆକାର (2-D) ଚିହ୍ନଟ ସମସ୍ୟା ଭାବରେ ବିବେଚନା କରାଯାଇଛି, ଏହାର ଫାଇଦା ଉଠାଇ ଚେହେରା ସାଧାରଣତଃ ସିଧା ହୋଇଥାଏ ଏବଂ ତେଣୁ ଏହାକୁ 2-D ଚରିତ୍ର ଦୃଷ୍ଟିରୁ ଛୋଟ ସେଟ୍ ଦ୍ୱାରା ବର୍ଣ୍ଣନା କରାଯାଇପାରେ । ଏହି ପ୍ରଣାଳୀଟି ଏକ ବିଶେଷତା ସ୍ଥାନ ଉପରେ ଚେହେରା ଚିତ୍ରକୁ ପରିକଳ୍ପନା କରି କାର୍ଯ୍ୟ କରେ ଯାହା ଜଣାଶୁଣା ଚେହେରା ଚିତ୍ର ମଧ୍ୟରେ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପରିବର୍ତ୍ତନକୁ ବ୍ୟାପିଥାଏ । ଏହି ବିଶେଷତ୍ବ ଗୁଡିକ "ଅଜୀବ ଚେହେରା" ନାମରେ ପରିଚିତ କାରଣ ସେଗୁଡିକ ଚେହେରା ସମୂହର ସ୍ବୟଂ ଭେକ୍ଟର (ପ୍ରାଥମିକ ଉପାଦାନ) ଅଟେ; ସେଗୁଡିକ ଆଖି, କାନ ଏବଂ ନାକ ପରି ବିଶେଷତ୍ବ ସହିତ ସମାନ ନୁହେଁ । ପରିକଳ୍ପନା କାର୍ଯ୍ୟକଳାପ ଏକ ବ୍ୟକ୍ତିର ଚେହେରାକୁ ନିଜସ୍ୱ ଚେହେରା ବିଶେଷତାଗୁଡ଼ିକର ଏକ ଭାରୀ ସମୁଦାୟ ଦ୍ୱାରା ବର୍ଣ୍ଣନା କରେ, ଏବଂ ତେଣୁ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଚେହେରାକୁ ଚିହ୍ନିବା ପାଇଁ କେବଳ ଜଣାଶୁଣା ବ୍ୟକ୍ତିଙ୍କ ସହିତ ଏହି ଭାରକୁ ତୁଳନା କରିବା ଆବଶ୍ୟକ । ଆମର ଏହି ଆଭିମୁଖ୍ୟର କିଛି ବିଶେଷ ଲାଭ ହେଉଛି ଏହା ବିନା ତଦାରଖରେ ନୂଆ ମୁହଁକୁ ଶିଖିବା ଏବଂ ପରେ ଚିହ୍ନିବାର କ୍ଷମତା ପ୍ରଦାନ କରିଥାଏ ଏବଂ ଏହା ଏକ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ସ୍ଥାପତ୍ୟ ବ୍ୟବହାର କରି କାର୍ଯ୍ୟକାରୀ କରିବା ସହଜ ଅଟେ । |
b217788dd6d274ad391ee950e6f6a34033bd2fc7 | ବହୁସ୍ତରୀୟ ପରସେପ୍ଟ୍ରନ୍, ଯେତେବେଳେ ବ୍ୟାକପ୍ରୋପାଗେସନ୍ ବ୍ୟବହାର କରି ଏକ ଶ୍ରେଣୀକରଣକାରୀ ଭାବରେ ତାଲିମପ୍ରାପ୍ତ ହୁଏ, ବେଜ୍ ସର୍ବୋତ୍ତମ ବର୍ଣ୍ଣନାକାରୀ କାର୍ଯ୍ୟକୁ ଅନୁମାନ କରେ । ଏହି ଫଳାଫଳକୁ ଦୁଇ ଶ୍ରେଣୀ ସମସ୍ୟା ଏବଂ ଏକାଧିକ ଶ୍ରେଣୀ ପାଇଁ ଦର୍ଶାଯାଇଛି । ଏହା ଦର୍ଶାଯାଇଛି ଯେ ବହୁସ୍ତରୀୟ ପରସେପ୍ଟ୍ରନର ଆଉଟପୁଟଗୁଡ଼ିକ ପ୍ରଶିକ୍ଷିତ ଶ୍ରେଣୀର ପରବର୍ତ୍ତୀ ସମ୍ଭାବ୍ୟତା ଫଙ୍କସନ୍ଗୁଡ଼ିକର ଅନୁମାନ କରିଥାଏ । ଏହି ପ୍ରମାଣ ଯେକୌଣସି ସଂଖ୍ୟକ ସ୍ତର ଏବଂ ଯେକୌଣସି ପ୍ରକାରର ୟୁନିଟ୍ ଆକ୍ଟିଭେସନ୍ ଫଙ୍କସନ୍ ପାଇଁ ପ୍ରଯୁଜ୍ୟ, ରେଖୀ କିମ୍ବା ଅଣ-ରେଖୀ । |
647cb3825baecb6fab8b098166d5a446f7711f9b | ନିକଟ ବର୍ଷରେ, ଗଭୀର ଜେନେରେଟିଭ ମଡେଲଗୁଡ଼ିକ କଳ୍ପନା କରି ଦୃଢ଼ ଉଚ୍ଚ-ଆକାରର ପର୍ଯ୍ୟବେକ୍ଷଣ ଯେପରିକି ପ୍ରତିଛବି, ଅଡିଓ ଏବଂ ଏପରିକି ଭିଡିଓକୁ ସିଧାସଳଖ କଞ୍ଚା ତଥ୍ୟରୁ ଶିକ୍ଷା କରିଥିବାର ଦେଖାଯାଇଛି । ଏହି କାର୍ଯ୍ୟରେ, ଆମେ ଲକ୍ଷ୍ୟ-ନିର୍ଦ୍ଦେଶିତ ଭିଜୁଆଲ୍ ପ୍ଲାନ୍ କିପରି କଳ୍ପନା କରିପାରିବା - ପର୍ଯ୍ୟବେକ୍ଷଣର ଏକ ଯୁକ୍ତିଯୁକ୍ତ କ୍ରମ ଯାହା ଏକ ଗତିଶୀଳ ସିଷ୍ଟମକୁ ଏହାର ବର୍ତ୍ତମାନର ବିନ୍ୟାସରୁ ଏକ ଇଚ୍ଛାକୃତ ଲକ୍ଷ୍ୟ ଅବସ୍ଥାକୁ ସ୍ଥାନାନ୍ତର କରେ, ଯାହା ପରବର୍ତ୍ତୀ ସମୟରେ ନିୟନ୍ତ୍ରଣ ପାଇଁ ଏକ ରେଫରେନ୍ସ ଟ୍ରାଫେକ୍ଟୋରୀ ଭାବରେ ବ୍ୟବହୃତ ହୋଇପାରେ _ ଆମେ ଉଚ୍ଚ-ଆକାରର ପର୍ଯ୍ୟବେକ୍ଷଣ ସହିତ ସିଷ୍ଟମ ଉପରେ ଧ୍ୟାନ ଦେଇଥାଉ, ଯେପରିକି ପ୍ରତିଛବି, ଏବଂ ଏକ ଆଭିମୁଖ୍ୟ ପ୍ରସ୍ତାବ ଦେଇଥାଉ ଯାହା ପ୍ରାକୃତିକ ଭାବରେ ପ୍ରତିନିଧିତ୍ୱ ଶିକ୍ଷା ଏବଂ ଯୋଜନାକୁ ମିଶ୍ରଣ କରେ । ଆମର ଫ୍ରେମୱାର୍କ କ୍ରମିକ ପର୍ଯ୍ୟବେକ୍ଷଣର ଏକ ଜେନେରେଟିଭ ମଡେଲ ଶିଖେ, ଯେଉଁଠାରେ ଜେନେରେଟିଭ ପ୍ରକ୍ରିୟା ଏକ ନିମ୍ନ-ଆକାରର ଯୋଜନା ମଡେଲରେ ଏକ ପରିବର୍ତ୍ତନ ଦ୍ୱାରା ପ୍ରେରିତ ହୁଏ, ଏବଂ ଏକ ଅତିରିକ୍ତ ଶବ୍ଦ । ସୃଷ୍ଟି ହୋଇଥିବା ପର୍ଯ୍ୟବେକ୍ଷଣ ଏବଂ ଯୋଜନା ମଡେଲରେ ପରିବର୍ତ୍ତନ ମଧ୍ୟରେ ପାରସ୍ପରିକ ସୂଚନାକୁ ସର୍ବାଧିକ କରି ଆମେ ଏକ ନିମ୍ନ-ଆକାରର ପ୍ରତିନିଧିତ୍ୱ ପାଇଥାଉ ଯାହା ତଥ୍ୟର କାରଣ-କାରଣ ପ୍ରକୃତିକୁ ସର୍ବୋତ୍ତମ ଭାବରେ ବ୍ୟାଖ୍ୟା କରେ । ଆମେ ଯୋଜନା ମଡେଲକୁ ଗଠନ କରିଛୁ ଯାହା ଦକ୍ଷ ଯୋଜନା ଆଲଗୋରିଦମ ସହିତ ସୁସଂଗତ ହେବ ଏବଂ ଆମେ ବିଭିନ୍ନ ପ୍ରକାର ଯୋଜନା ମଡେଲକୁ ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହା ପୃଥକ କିମ୍ବା ନିରନ୍ତର ଅବସ୍ଥା ଉପରେ ଆଧାରିତ । ଶେଷରେ, ଏକ ଦୃଶ୍ୟମାନ ଯୋଜନା ସୃଷ୍ଟି କରିବା ପାଇଁ, ଆମେ ବର୍ତ୍ତମାନର ଏବଂ ଲକ୍ଷ୍ୟ ପର୍ଯ୍ୟବେକ୍ଷଣକୁ ଯୋଜନା ମଡେଲରେ ସେମାନଙ୍କର ଯଥାକ୍ରମେ ରାଜ୍ୟ ଉପରେ ପ୍ରୋଜେକ୍ଟ କରୁ, ଏକ ପଥ ଯୋଜନା କରୁ, ଏବଂ ତାପରେ ଜେନେରେଟିଭ୍ ମଡେଲକୁ ବ୍ୟବହାର କରି ପଥକୁ ପର୍ଯ୍ୟବେକ୍ଷଣର କ୍ରମକୁ ରୂପାନ୍ତରିତ କରୁ । ଆମେ ରସିରେ କାମ କରିବାର ଦୃଶ୍ୟମାନ ଯୋଜନାକୁ କଳ୍ପନା କରି ଆମର ପଦ୍ଧତିକୁ ପ୍ରଦର୍ଶନ କରୁ । |
a63b97291149bfed416aa9e56a21314069540a7b | ଲକ୍ଷ୍ୟଃ ପିଲା ଓ କିଶୋରମାନଙ୍କ ମଧ୍ୟରେ କାର୍ଯ୍ୟ ସ୍ମୃତି (ୱାର୍କିଂ ମେମୋରି) ର ଅଭାବର ଅନୁଭୂତିଗତ ପ୍ରମାଣ ନିର୍ଦ୍ଧାରଣ କରିବା । ADHD ଥିବା ପିଲାମାନଙ୍କଠାରେ WM ଦୁର୍ବଳତା ଦେଖାଯାଏ କି ନାହିଁ ତାହା ଜାଣିବା ପାଇଁ ଏକ୍ସପ୍ଲୋରେଟୋରୀ ମେଟା- ଆନାଲିଟିକ୍ସ ପଦ୍ଧତି ବ୍ୟବହାର କରାଯାଇଥିଲା । 1997ରୁ ଡିସେମ୍ବର 2003 ମଧ୍ୟରେ ପ୍ରକାଶିତ 26ଟି ଅନୁଭୂତିଭିତ୍ତିକ ଗବେଷଣା (ପୂର୍ବରୁ ହୋଇଥିବା ସମୀକ୍ଷା ପରେ) ଆମର ଅନ୍ତର୍ଭୁକ୍ତିକରଣ ମାନଦଣ୍ଡକୁ ପୂରଣ କରିଥିଲା । ବସ୍ତୁ ପରିଚାଳନା ପଦକ୍ଷେପକୁ ଉଭୟ ପ୍ରକାର (ମୌଖିକ, ଆଞ୍ଚଳିକ) ଏବଂ ଆବଶ୍ୟକୀୟ ପ୍ରକ୍ରିୟାକରଣ (ସଂରକ୍ଷଣ ବନାମ ସଂରକ୍ଷଣ/ମନିପ୍ୟୁଲେସନ) ଅନୁସାରେ ଶ୍ରେଣୀଭୁକ୍ତ କରାଯାଇଥିଲା । ଫଳାଫଳ ଏଚଡିଏଚଡି ଥିବା ପିଲାମାନଙ୍କ ଠାରେ ୱିମ୍ ର ଅନେକ ଉପାଦାନରେ ଅଭାବ ଦେଖାଦେଇଥିଲା ଯାହା ଭାଷା ଶିକ୍ଷା ସମ୍ବନ୍ଧୀୟ ବିକୃତି ଏବଂ ସାଧାରଣ ବୌଦ୍ଧିକ ଦକ୍ଷତା କ୍ଷେତ୍ରରେ ଦୁର୍ବଳତା ସହିତ ସମସଙ୍ଗତା ଠାରୁ ପୃଥକ ଥିଲା । ଭର୍ବାଲ ଷ୍ଟୋରେଜ (ପ୍ରଭାବ ଆକାର = ୦.୮୫, ଆଇ.ଆଇ. = ୦.୬୨- ୧.୦୮) ଏବଂ ଭର୍ବାଲ ସେଣ୍ଟ୍ରାଲ ଏକଜିକ୍ୟୁଟିଭ୍ ୱେମ୍ (ପ୍ରଭାବ ଆକାର = ୧.୦୬, ଭରସା ଅନ୍ତର = ୦.୭୨- ୧.୩୯) ପାଇଁ ମିଳିଥିବା ମୋଟ ପ୍ରଭାବ ଆକାର ଭର୍ବାଲ ଷ୍ଟୋରେଜ (ପ୍ରଭାବ ଆକାର = ୦.୪୭, ଭରସା ଅନ୍ତର = ୦.୩୬- ୦.୫୯) ଏବଂ ଭର୍ବାଲ ସେଣ୍ଟ୍ରାଲ ଏକଜିକ୍ୟୁଟିଭ୍ ୱେମ୍ (ପ୍ରଭାବ ଆକାର = ୦.୪୩, ଭରସା ଅନ୍ତର = ୦.୨୪- ୦.୬୨) ପାଇଁ ମିଳିଥିବା ପ୍ରଭାବ ଆକାର ଠାରୁ ଅଧିକ ଥିଲା । ଉପସଂହାର ADHD ଥିବା ପିଲାମାନଙ୍କଠାରେ WM ଦୁର୍ବଳତାର ପ୍ରମାଣ ADHDରେ WM ପ୍ରକ୍ରିୟା ସହିତ ଜଡିତ ସାମ୍ପ୍ରତିକ ଥିଓରୀ ମଡେଲକୁ ସମର୍ଥନ କରେ । ଏଚଡିଏଚଡିର ପ୍ରକୃତି, ଗମ୍ଭୀରତା ଏବଂ ବିଶେଷତ୍ୱକୁ ଅଧିକ ସ୍ପଷ୍ଟ କରିବା ପାଇଁ ଭବିଷ୍ୟତ ଗବେଷଣା ଆବଶ୍ୟକ । |
49e77b981a0813460e2da2760ff72c522ae49871 | ଗଭୀର ଶିକ୍ଷାଲାଭ ବିଭିନ୍ନ ମେସିନ ଶିକ୍ଷାଲାଭ କାର୍ଯ୍ୟରେ ଅନ୍ୟ ଆଭିମୁଖ୍ୟକୁ ଅତିକ୍ରମ କରିବା ପାଇଁ ବୃହତ ଡାଟାସେଟ୍ ଏବଂ ଗଣନାତ୍ମକ ଦକ୍ଷ ତାଲିମ ଆଲଗୋରିଦମର ଲାଭ ଉଠାଇଥାଏ । କିନ୍ତୁ ଗଭୀର ସ୍ନାୟୁ ନେଟୱାର୍କର ପ୍ରଶିକ୍ଷଣ ପର୍ଯ୍ୟାୟରେ ଥିବା ତ୍ରୁଟି ଯୋଗୁଁ ସେମାନେ ପ୍ରତିଦ୍ବନ୍ଦ୍ବୀ ନମୁନା ପ୍ରତି ଦୁର୍ବଳ ହୋଇପଡ଼ନ୍ତି । ଏହି କାର୍ଯ୍ୟରେ, ଆମେ ଗଭୀର ସ୍ନାୟୁ ନେଟୱାର୍କ (ଡିଏନଏନ) ବିପକ୍ଷରେ ପ୍ରତିଦ୍ବନ୍ଦୀମାନଙ୍କର ସ୍ଥାନକୁ ଔପଚାରିକତା ପ୍ରଦାନ କରିଛୁ ଏବଂ ଡିଏନଏନର ଇନପୁଟ୍ ଏବଂ ଆଉଟପୁଟ୍ ମଧ୍ୟରେ ମ୍ୟାପିଂର ସଠିକ୍ ବୁଝାମଣା ଉପରେ ଆଧାର କରି ପ୍ରତିଦ୍ବନ୍ଦୀ ନମୁନା ପ୍ରସ୍ତୁତ କରିବା ପାଇଁ ଆଲଗୋରିଦମର ଏକ ନୂତନ ଶ୍ରେଣୀ ପ୍ରବର୍ତ୍ତନ କରିଛୁ । କମ୍ପ୍ୟୁଟର ଭିଜନ୍ ପାଇଁ ଏକ ପ୍ରୟୋଗରେ, ଆମେ ଦେଖାଇଥାଉ ଯେ ଆମର ଆଲଗୋରିଦମଗୁଡିକ ବିଶ୍ୱସ୍ତ ଭାବରେ ମାନବ ବିଷୟ ଦ୍ୱାରା ସଠିକ୍ ଭାବରେ ବର୍ଗୀକୃତ ହୋଇଥିବା ନମୁନା ଉତ୍ପାଦନ କରିପାରିବ କିନ୍ତୁ 97% ପ୍ରତିଦ୍ୱନ୍ଦ୍ୱୀ ସଫଳତା ହାର ସହିତ ଏକ ଡିଏନଏନ ଦ୍ୱାରା ନିର୍ଦ୍ଦିଷ୍ଟ ଲକ୍ଷ୍ୟରେ ଭୁଲ ଭାବରେ ବର୍ଗୀକୃତ ହୋଇଥିବାବେଳେ ନମୁନା ପ୍ରତି ଇନପୁଟ୍ ବ features ଶିଷ୍ଟ୍ୟର ହାରାହାରି 4.02% ପରିବର୍ତ୍ତନ କରିପାରେ _ ତାପରେ ଆମେ କଠିନତା ମାପକୁ ପରିଭାଷିତ କରି ବିଭିନ୍ନ ନମୁନା ଶ୍ରେଣୀର ପ୍ରତିକୂଳ ବିଭ୍ରାଟ ପ୍ରତି ଦୁର୍ବଳତାକୁ ମୂଲ୍ୟାଙ୍କନ କରୁ । ଶେଷରେ, ଆମେ ପ୍ରାଥମିକ କାର୍ଯ୍ୟର ବର୍ଣ୍ଣନା କରୁ ଯାହା ଏକ ଅନୁମାନଯୋଗ୍ୟ ମାପକକୁ ନିର୍ଦ୍ଦିଷ୍ଟ କରି ପ୍ରତିକୂଳ ନମୁନା ବିରୁଦ୍ଧରେ ପ୍ରତିରକ୍ଷା ସୂଚାଇଥାଏ। |
3f52f57dcfdd1bb0514ff744f4fdaa986a325591 | ଆପଲ କମ୍ପାନୀର ମେକବୁକ ଫର୍ମୱେର ସୁରକ୍ଷା ରେ ଅନେକ ତ୍ରୁଟି ରହିଛି ଯାହାଦ୍ୱାରା ଏହି ଲାପଟପ ଗୁଡିକର ଏସପିଆଇ ଫ୍ଲାଶ ବୁଟ ରୋମ ରେ ଅବିଶ୍ୱସନୀୟ ପରିବର୍ତ୍ତନ ଲେଖା ଯାଇପାରିବ । ଏହି କ୍ଷମତା ଆପଲ ମ୍ୟାକବୁକ ଉତ୍ପାଦ ପାଇଁ ଏକ ନୂତନ ଶ୍ରେଣୀର ସ୍ଥାୟୀ ଫର୍ମୱେୟାର ରୁଟକିଟ୍ ବା ବୁଟକିଟ୍ ର ପ୍ରତିନିଧିତ୍ୱ କରେ । ସ୍ନିଲ୍ଟି ବୁଟକିଟ୍ ଗୁଡ଼ିକ ନିଜକୁ ଚିହ୍ନଟରୁ ଲୁଚାଇ ରଖିଥାଏ ଏବଂ ସଫ୍ଟୱେୟାରକୁ ଏହାକୁ ହଟାଇବାରେ ବାଧା ଦେଇଥାଏ । ବୁଟ ROM ରେ କ୍ଷତିକାରକ ପରିବର୍ତ୍ତନ ଅପରେଟିଂ ସିଷ୍ଟମ ପୁନଃ ସ୍ଥାପନ ଏବଂ ଏପରିକି ହାର୍ଡ ଡ୍ରାଇଭ୍ ବଦଳାଇବା ସମୟରେ ମଧ୍ୟ ବଞ୍ଚି ରହିପାରେ । ଏହା ସହିତ, ଏହି ମାଲୱେର୍ ଅନ୍ୟ ଥଣ୍ଡରବୋଲ୍ଟ ଡିଭାଇସର ବିକଳ୍ପ ROM ରେ ନିଜର ଏକ କପି ସ୍ଥାପନ କରିପାରିବ ଯାହାଦ୍ୱାରା ଏହା ଏୟାର ଗ୍ୟାପ୍ ସୁରକ୍ଷା ପରିଧିରେ ଭାଇରାଲ୍ ଭାବରେ ବ୍ୟାପିପାରିବ । ଆପଲ ଏହି ତ୍ରୁଟି ମଧ୍ୟରୁ କିଛିକୁ ସିଭିଇ ୨୦୧୪-୪୪୯୮ର ଅଂଶ ଭାବରେ ସମାଧାନ କରିଛି, କିନ୍ତୁ ଏହି ଶ୍ରେଣୀର ଦୁର୍ବଳତା ପାଇଁ କୌଣସି ସହଜ ସମାଧାନ ନାହିଁ, ଯେହେତୁ MacBook ର ଭରସାଯୋଗ୍ୟ ହାର୍ଡୱେୟାର ନାହିଁ ଯାହା ବୁଟ ସମୟରେ ଫର୍ମୱେୟାରର କ୍ରିପ୍ଟୋଗ୍ରାଫିକ ଯାଞ୍ଚ କରିଥାଏ । |
3b3acbf7cc2ec806e4177eac286a2ee22f6f7630 | ଏହି କାଗଜରେ ଅଲ୍ଟ୍ରା ବ୍ରଡବ୍ୟାଣ୍ଡ ଡିଜିଟାଲ-ଆନାଲଗ (ଡି/ଏ) ରୂପାନ୍ତରଣ ଉପପ୍ରଣାଳୀ ପାଇଁ 110-ଗିଗାହର୍ଜ ବ୍ୟାଣ୍ଡୱିଡଥ 2:1 ଆନାଲଗ ମଲ୍ଟିପ୍ଲେକ୍ସର (ଏଏମୟୁଏକ୍ସ) ର ଉପସ୍ଥାପନା କରାଯାଇଛି । AMUX ନୂତନ ଭାବରେ ବିକଶିତ $\pmb{0.25-\mu \mathrm{m}}$ - ଇମିଟର-ୱିଡଥ୍ ଇନପ ଡବଲ୍ ହେଟେରୋଜୁଙ୍କସନ୍ ବାଇପୋଲାର ଟ୍ରାନଜିଷ୍ଟର (DHBTs) ବ୍ୟବହାର କରି ଡିଜାଇନ୍ ଏବଂ ନିର୍ମାଣ କରାଯାଇଥିଲା, ଯାହାର ଶିଖର $\pmb{f_{\mathrm{T}}}$ ଏବଂ $\pmb{f\displaystyle \max}$ ଯଥାକ୍ରମେ 460 ଏବଂ 480 GHz ଅଟେ । AMUX IC ରେ ଗଣ୍ଠିତ ନିର୍ମାଣ ବ୍ଲକ ରହିଛି, ଯେଉଁଥିରେ ଡାଟା-ଇନପୁଟ୍ ରେଖୀ ବଫର୍, ଏକ ଘଣ୍ଟା-ଇନପୁଟ୍ ସୀମିତ ବଫର୍, ଏକ AMUX କୋର୍ ଏବଂ ଏକ ଆଉଟପୁଟ୍ ରେଖୀ ବଫର୍ ଅନ୍ତର୍ଭୁକ୍ତ । ଡାଟା ଏବଂ ଘଣ୍ଟା ପଥ ପାଇଁ ମାପ କରାଯାଇଥିବା 3-ଡିବି ବ୍ୟାଣ୍ଡୱିଡଥ୍ ଉଭୟ 110 GHz ଉପରେ ଅଟେ । ଏହା ବ୍ୟତୀତ ଏହା 180 GS/s ପର୍ଯ୍ୟନ୍ତ ସମୟ-କ୍ଷେତ୍ର ବିଶିଷ୍ଟ ବୃହତ-ସିଗନାଲ୍ ନମୁନା ସଂଗ୍ରହ କାର୍ଯ୍ୟକୁ ମାପ କରିଥାଏ ଏବଂ ହାସଲ କରିଥାଏ । ଏହି ଏଏମୟୁଏକ୍ସ ବ୍ୟବହାର କରି ଏକ ୨୨୪ ଜିବି/ ସେକେଣ୍ଡ (୧୧୨ ଜିବି ବାଉଡ) ଚାରୋଟି ସ୍ତରର ପାଲସ-ଆମ୍ପ୍ଲିଟ୍ୟୁଡ ମୋଡ୍ୟୁଲେସନ (ପିଏଏମ୪) ସିଗନାଲ ସଫଳତାର ସହ ସୃଷ୍ଟି କରାଯାଇଥିଲା । ଆମ ଜ୍ଞାନ ଅନୁସାରେ, ଏହି ଏଏମୟୁଏକ୍ସ ଆଇସିର ବ୍ୟାଡୱିଡଥ୍ ସର୍ବାଧିକ ଏବଂ ଅନ୍ୟାନ୍ୟ ଏଏମୟୁଏକ୍ସ ତୁଳନାରେ ନମୁନା ସଂଗ୍ରହ ହାର ସର୍ବାଧିକ । |
4dd7721248c5489e25f46f7ab78c7d0229a596d4 | ଏହି କାଗଜରେ ଏକ ସମ୍ପୂର୍ଣ୍ଣ ସମନ୍ୱିତ RF ଶକ୍ତି ସଂଗ୍ରହ ପ୍ରଣାଳୀ ବିଷୟରେ ସୂଚନା ଦିଆଯାଇଛି । ଏହି ସିଷ୍ଟମ ଏକକାଳୀନ ବାହ୍ୟ ଡିସି ଭାର ଦ୍ୱାରା ଚାହିଦା ଥିବା କରେଣ୍ଟ ପ୍ରଦାନ କରିପାରେ ଏବଂ ଅତିରିକ୍ତ ବିଦ୍ୟୁତ୍ ଶକ୍ତିର ସମୟ ମଧ୍ୟରେ ବାହ୍ୟ କାଣ୍ଡେସିଟରରେ ଅତିରିକ୍ତ ଶକ୍ତି ସଂରକ୍ଷଣ କରିପାରେ । ଏହି ଡିଜାଇନ ୦.୧୮- $\mu \text{m}$ ସିଏମଓଏସ ଟେକ୍ନୋଲୋଜିରେ ନିର୍ମିତ ହୋଇଛି ଏବଂ ସକ୍ରିୟ ଚିପ କ୍ଷେତ୍ର ୧.୦୮ ମିମି୨ ଅଟେ । ପ୍ରସ୍ତାବିତ ସ୍ୱୟଂକ୍ରିୟ ପ୍ରାରମ୍ଭିକ ବ୍ୟବସ୍ଥା ଏକ ସମନ୍ୱିତ ଏଲସି ମେଳଣ ନେଟୱାର୍କ, ଏକ ଆର୍ଏଫ ରେକ୍ଟାଇଫାୟର ଏବଂ ଏକ ଶକ୍ତି ପରିଚାଳନା/ନିୟନ୍ତ୍ରକ ୟୁନିଟ ସହିତ ପୁନଃନିର୍ମାଣଯୋଗ୍ୟ, ଯାହା 66-157 ଏନଡବ୍ଲୁ ବ୍ୟବହାର କରିଥାଏ । ଆବଶ୍ୟକ ଘଣ୍ଟା ଉତ୍ପାଦନ ଏବଂ ଭୋଲଟେଜ୍ ରେଫରେନ୍ସ ସର୍କିଟ୍ ସମାନ ଚିପରେ ଏକୀକୃତ ହୋଇଛି । ଡ୍ୟୁଟି ସାଇକେଲ ନିୟନ୍ତ୍ରଣକୁ କମ ଇନପୁଟ ପାୱାର ପାଇଁ ବ୍ୟବହାର କରାଯାଏ ଯାହା ଆବଶ୍ୟକୀୟ ଆଉଟପୁଟ ପାୱାର ଦେଇପାରିବ ନାହିଁ । ଏହାବ୍ୟତୀତ, ଉପଲବ୍ଧ ଆଉଟପୁଟ୍ ପାୱାରର ଦକ୍ଷତା ବୃଦ୍ଧି କରିବା ପାଇଁ ଆର୍ଏଫ୍ ରେକ୍ଟିଫାୟରର ଷ୍ଟେଜ୍ ସଂଖ୍ୟାକୁ ପୁନଃନିର୍ମାଣ କରାଯାଇପାରିବ । ଉଚ୍ଚ ଉପଲବ୍ଧ ଶକ୍ତି ପାଇଁ, ଏକ ବାହ୍ୟ ଶକ୍ତି ସଂରକ୍ଷଣ ଉପାଦାନକୁ ଚାର୍ଜ କରିବା ପାଇଁ ଏକ ମାଧ୍ୟମିକ ପଥ ସକ୍ରିୟ କରାଯାଏ । ମାପ କରାଯାଇଥିବା ଆର୍ଏଫ୍ ଇନପୁଟ୍ ପାୱାର ସେନ୍ସିଟିଭିଟି ହେଉଛି -୧୪.୮ ଡିସିଏମ ଏକ ୧-ଭୋଲ୍ଟ ସିସି ଆଉଟପୁଟ୍ ସହିତ । |
7314be5cd836c8f06bd1ecab565b00b65259eac6 | ବୃହତ ଦସ୍ତାବିଜ ସଂଗ୍ରହାଳୟ ପରିଚାଳନା ପାଇଁ ସମାଧାନ ପ୍ରଦାନ କରୁଥିବା ଆଲଗୋରିଦମଗୁଡ଼ିକର ଏକ ସେଟକୁ ସର୍ବେକ୍ଷଣ କରିବା । |
f0eace9bfe72c2449f76461ad97c4042d2a7141b | ଏହି ଚିଠିରେ ୱାଇ-ବ୍ୟାଣ୍ଡରେ ଏକ ନୂଆ ଆଣ୍ଟିନା-ଇନ-ପ୍ୟାକେଜ (ଏଆଇପି) ଟେକ୍ନୋଲୋଜିର ପ୍ରସ୍ତାବ ଦିଆଯାଇଛି । ଏହି ଟେକ୍ନୋଲୋଜିକୁ ବିଶେଷ ପରିସ୍ଥିତିର ସମାଧାନ ପାଇଁ ଉପସ୍ଥାପିତ କରାଯାଇଛି ଯେଉଁଥିରେ ଧାତୁ ପ୍ୟାକେଜକୁ ଉଚ୍ଚ ଯାନ୍ତ୍ରିକ ଶକ୍ତିକୁ ଗ୍ରହଣ କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯିବା ଉଚିତ । ମଲ୍ଟିଲେୟାର୍ ଲୋ-ଟେମ୍ପରେଚର କୋ-ଫାୟର୍ଡ ସିରାମିକ୍ (ଏଲଟିସିସି) ଟେକ୍ନୋଲୋଜିର ଲାଭ ଉଠାଇ ଆଣ୍ଟେନର ବିକିରଣ ଦକ୍ଷତା ବଜାୟ ରଖାଯାଇପାରିବ । ଏହାସହିତ ଉଚ୍ଚ ଯାନ୍ତ୍ରିକ ଶକ୍ତି ଏବଂ ପରଦା ପ୍ରଦର୍ଶନ ହାସଲ କରାଯାଇଥାଏ । ଏଆଇପିର ଏକ ଆଦର୍ଶ ନିର୍ମାଣ କରାଯାଇଛି । ଏହି ପ୍ରୋଟୋଟାଇପରେ ସମନ୍ୱିତ ଏଲଟିସିସି ଆଣ୍ଟିନା, କମ କ୍ଷତି ବିଶିଷ୍ଟ ଫିଡର ଏବଂ ଧାତୁ ପ୍ୟାକେଜ ସହିତ ଏକ କୋଣାତ୍ମକ ଶଙ୍ଖର ଖୋଲା ସ୍ଥାନ ରହିଛି । ଏହି ଏଲଟିସିସି ଫିଡର ଲାମିନେଟେଡ ୱେଭଗାଇଡ (ଏଲଡବ୍ଲୁଜି) ଦ୍ୱାରା ପ୍ରସ୍ତୁତ କରାଯାଇଛି । ଏଲଟିକେସିରେ ଏକ ଏଲଡବ୍ଲୁଜି ଗୁହାଳ ଅଛି ଯାହା ଆଣ୍ଟେନା ଇମ୍ପେଡେନ୍ସ ବ୍ୟାଣ୍ଡୱିଡଥକୁ ବିସ୍ତାର କରିବା ପାଇଁ ବ୍ୟବହୃତ ହୋଇଥାଏ । ଇଲେକ୍ଟ୍ରୋମ୍ୟାଗ୍ନେଟିକ (ଇଏମ) ସିମୁଲେସନ ଏବଂ ଆଣ୍ଟେନା ପ୍ରଦର୍ଶନ ମାପକମାନେ ସମସ୍ତ ଫ୍ରିକ୍ୱେନ୍ସି ରେଞ୍ଜରେ ଭଲ ଭାବରେ ଏକମତ ଅଟନ୍ତି । ପ୍ରସ୍ତାବିତ ପ୍ରୋଟୋଟାଇପ 88ରୁ 98 GHz ପର୍ଯ୍ୟନ୍ତ 10 GHzର -10-dB ଇମ୍ପେଡେନ୍ସ ବ୍ୟାଣ୍ଡୱିଡଥ୍ ହାସଲ କରିଥାଏ ଏବଂ 89 GHzରେ 12.3 dBiର ଶିଖର ଲାଭ ହାସଲ କରିଥାଏ । |
2077d0f30507d51a0d3bbec4957d55e817d66a59 | ଆମେ ସାଧାରଣ, ଅଭିବ୍ୟକ୍ତିକର ଚିତ୍ର ପ୍ରାଥମିକତା ଶିଖିବା ପାଇଁ ଏକ ଢାଞ୍ଚା ବିକଶିତ କରୁଛୁ ଯାହା ପ୍ରାକୃତିକ ଦୃଶ୍ୟର ପରିସଂଖ୍ୟାନକୁ ଧରିଥାଏ ଏବଂ ବିଭିନ୍ନ ମେସିନ୍ ଭିଜନ କାର୍ଯ୍ୟ ପାଇଁ ବ୍ୟବହୃତ ହୋଇପାରେ । ଏହି ପଦ୍ଧତି ପାରମ୍ପରିକ ମାର୍କୋଭ୍ ରାଣ୍ଡମ ଫିଲ୍ଡ (ଏମ୍ଆରଏଫ୍) ମଡେଲକୁ ବିସ୍ତାରିତ ପିକ୍ସେଲ ପଡ଼ୋଶୀରେ ସମ୍ଭାବ୍ୟ କାର୍ଯ୍ୟକୁ ଶିଖିବା ଦ୍ୱାରା ବିସ୍ତାର କରିଥାଏ । କ୍ଷେତ୍ର ସମ୍ଭାବ୍ୟତା ଏକ ଉତ୍ପାଦ-ଅବ-ବିଜ୍ଞାନୀ ଢାଞ୍ଚା ବ୍ୟବହାର କରି ମଡେଲ୍ କରାଯାଏ ଯାହା ଅନେକ ରେଖୀ ଫିଲ୍ଟର ପ୍ରତିକ୍ରିୟାର ଅଣ-ରେଖୀ କାର୍ଯ୍ୟକୁ ବ୍ୟବହାର କରେ । ପୂର୍ବ MRF ଆଭିମୁଖ୍ୟର ବିପରୀତ ସମସ୍ତ ପାରାମିଟର, ଯେଉଁଥିରେ ରେଖୀ ଫିଲ୍ଟର ମଧ୍ୟ ଅନ୍ତର୍ଭୁକ୍ତ, ତାଲିମ ତଥ୍ୟରୁ ଶିଖାଯାଇଥାଏ । ଆମେ ଏହି ଫିଲ୍ଡ ଅଫ୍ ଏକ୍ସପର୍ଟ ମଡେଲର କ୍ଷମତାକୁ ଦୁଇଟି ଉଦାହରଣ ପ୍ରୟୋଗ, ଇମେଜ୍ ଡେନୋଇସିଂ ଏବଂ ଇମେଜ୍ ଇନପେଣ୍ଟିଙ୍ଗ ସହିତ ପ୍ରଦର୍ଶନ କରୁଛୁ, ଯାହା ଏକ ସରଳ, ଆନୁମାନିକ ଅନୁମାନ ଯୋଜନା ବ୍ୟବହାର କରି କାର୍ଯ୍ୟକାରୀ ହୋଇଛି । ଯେତେବେଳେ ମଡେଲକୁ ଏକ ସାଧାରଣ ପ୍ରତିଛବି ଡାଟାବେସରେ ତାଲିମ ଦିଆଯାଏ ଏବଂ କୌଣସି ନିର୍ଦ୍ଦିଷ୍ଟ ପ୍ରୟୋଗ ପ୍ରତି ଟ୍ୟୁନ କରାଯାଇନଥାଏ, ଆମେ ଫଳାଫଳ ପାଇଥାଉ ଯାହା ବିଶେଷ ଜ୍ଞାନ କୌଶଳ ସହିତ ପ୍ରତିଦ୍ୱନ୍ଦ୍ୱିତା କରେ ଏବଂ ଏପରିକି ଅତିକ୍ରମ କରେ । |
214658334c581f0d18b9a871928e91b6e4f83be7 | ଏହି ଧାରଣା ସୁଇଚ୍ଡ କଣ୍ଡେସଟର ଟପୋଲୋଜି ସହିତ ସମାନ ଅଟେ ଯେଉଁଥିରେ ଭୋଲଟେଜକୁ ସନ୍ତୁଳିତ କରିବା ପାଇଁ ବ୍ୟାଟେରୀ ସେଲ୍ ଗୁଡିକରେ ଏକ କଣ୍ଡେସଟର କିମ୍ବା କଣ୍ଡେସଟର ବ୍ୟାଙ୍କଗୁଡିକ ସୁଇଚ୍ କରାଯାଇଥାଏ । ଯେହେତୁ ଏକ ମୌଳିକ ବ୍ୟାଟେରୀ ସେଲ୍ ମଡେଲରେ ସେଲର କ୍ଷମତା ପ୍ରଭାବ ହେତୁ କ୍ଷମତା ଅନ୍ତର୍ଭୁକ୍ତ, ତେଣୁ ଏହି କ୍ଷମତା ପ୍ରଭାବକୁ ସେଲ୍ ସନ୍ତୁଳନ କରିବାରେ ବ୍ୟବହାର କରାଯାଇପାରିବ । ତେଣୁ ସୁଇଚ୍ଡ କଣ୍ଡେସ୍ଟର ଟପୋଲୋଜିରେ ଇକ୍ୟୁଲାଇଜର କଣ୍ଡେସ୍ଟରକୁ ସମାପ୍ତ କରାଯାଇପାରିବ ଏବଂ ବ୍ୟାଟେରୀର ସେଲକୁ ପରସ୍ପର ସହିତ ସୁଇଚ୍ କରାଯାଇପାରିବ । ଏହାଦ୍ୱାରା ଶକ୍ତିର ପରିବହନ ତ୍ୱରାନ୍ୱିତ ହୋଇଥାଏ ଏବଂ ତତ୍ଦ୍ୱାରା ଦ୍ରୁତ ସମୀକରଣ ହୋଇଥାଏ । ପ୍ରସ୍ତାବିତ ଟପୋଲୋଜି ଦ୍ୱାରା ଶକ୍ତି ସଂରକ୍ଷଣ ଉପାଦାନ ଯଥା କଣ୍ଡେସଟର ଭଳି ଅତିରିକ୍ତ ଶକ୍ତି ସଂରକ୍ଷଣ ଉପାଦାନର ଆବଶ୍ୟକତା ଦୂର ହୋଇଥାଏ, ଯାହାକି ଇଲେକ୍ଟ୍ରୋନିକ ସର୍କିଟରେ ବାରମ୍ବାର ତ୍ରୁଟିପୂର୍ଣ୍ଣ ହୋଇଥାଏ, ଅତିରିକ୍ତ ଶକ୍ତି ସଂରକ୍ଷଣ ଉପାଦାନ ଦ୍ୱାରା ସୃଷ୍ଟି ହେଉଥିବା କ୍ଷତିକୁ ହ୍ରାସ କରିଥାଏ ଏବଂ ସର୍କିଟର ମୂଲ୍ୟ ଏବଂ ପରିମାଣକୁ ହ୍ରାସ କରିଥାଏ ଏବଂ ନିୟନ୍ତ୍ରଣ ଆଲଗୋରିଦମକୁ ସରଳ କରିଥାଏ । ପ୍ରସ୍ତାବିତ ସନ୍ତୁଳନ ସର୍କିଟକୁ ପ୍ରୟୋଗ ଆବଶ୍ୟକତା ଅନୁସାରେ କାର୍ଯ୍ୟକାରୀ କରାଯାଇପାରିବ । ପ୍ରସ୍ତାବିତ ଟପୋଲୋଜିକୁ MATLAB/Simulink ପରିବେଶରେ ଅନୁକରଣ କରାଯାଇଛି ଏବଂ ସୁଇଚ୍ଡ କାଣ୍ଡେସିଟର ଟପୋଲୋଜି ତୁଳନାରେ ସନ୍ତୁଳନ ବେଗରେ ଉତ୍ତମ ଫଳାଫଳ ମିଳିଛି । ବ୍ୟାଟେରୀଗୁଡ଼ିକର ଜୀବନ ଚକ୍ରକୁ ବଢ଼ାଇବା ଏବଂ ବ୍ୟାଟେରୀଗୁଡ଼ିକରୁ ସର୍ବାଧିକ ଶକ୍ତି ବାହାର କରିବା ପାଇଁ ସେଲ୍ ସନ୍ତୁଳନ ସର୍କିଟ୍ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । ବ୍ୟାଟେରୀ ପ୍ୟାକେଟରେ ସେଲ ବାଲାନ୍ସ କରିବା ପାଇଁ ବହୁତ ଶକ୍ତି ଇଲେକ୍ଟ୍ରୋନିକ୍ସ ଟପୋଲୋଜିର ପ୍ରୟାସ କରାଯାଇଛି । ସକ୍ରିୟ ସେଲ୍ ସନ୍ତୁଳନ ଟପୋଲୋଜି ଇଣ୍ଡକ୍ଟର-କ୍ୟାପାସିଟର କିମ୍ବା ଟ୍ରାନ୍ସଫର୍ମର-କ୍ୟାପାସିଟର କିମ୍ବା ସୁଇଚ୍ଡ କ୍ୟାପାସିଟର କିମ୍ବା ସୁଇଚ୍ଡ ଇଣ୍ଡକ୍ଟରର ସଂଯୋଗ ପରି ଶକ୍ତି ସଂରକ୍ଷଣ ଉପାଦାନ ବ୍ୟବହାର କରି ବ୍ୟାଟେରୀ ସେଲ୍ ମଧ୍ୟରେ ଭୋଲଟେଜକୁ ସନ୍ତୁଳନ କରିବା ପାଇଁ ଉଚ୍ଚତର କାର୍ଯ୍ୟଦକ୍ଷତା ଦେଖାଉଥିବା ସେଲରୁ ନିମ୍ନ କାର୍ଯ୍ୟଦକ୍ଷତା ଦେଖାଉଥିବା ସେଲକୁ ଶକ୍ତି ସ୍ଥାନାନ୍ତର କରିଥାଏ । ଏହି ଅଧ୍ୟୟନରେ କୌଣସି ଶକ୍ତି ସଂରକ୍ଷଣ ଉପାଦାନ ବ୍ୟବହାର ନକରି ଏକ ସକ୍ରିୟ ସନ୍ତୁଳନ ଟପୋଲୋଜି ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । |
0c04909ed933469246defcf9aca2b71ae8e3f623 | ଏହି ପୁସ୍ତକର ଦ୍ୱିତୀୟ ସଂସ୍କରଣରେ ଏକ ନୂଆ ଅଧ୍ୟାୟ ସଂଯୋଗ କରାଯାଇଛି । ଏହି ଅଧ୍ୟାୟକୁ ସାମିଲ କରାଯାଇଛି କାରଣ ମୁଁ ଭାବୁଛି ଏହା ସୂଚନା ପୁନରୁଦ୍ଧାରରେ ଗବେଷଣାର ସବୁଠାରୁ ରୋଚକ ଏବଂ ସକ୍ରିୟ କ୍ଷେତ୍ର ମଧ୍ୟରୁ ଗୋଟିଏ । ଏବେ ମଧ୍ୟ ଅନେକ ସମସ୍ୟାର ସମାଧାନ ବାକି ରହିଛି, ତେଣୁ ମୁଁ ଆଶା କରୁଛି ଯେ ଏହି ବିଶେଷ ଅଧ୍ୟାୟ ସେହିମାନଙ୍କ ପାଇଁ କିଛି ସାହାଯ୍ୟକାରୀ ହେବ ଯେଉଁମାନେ ଏହି କ୍ଷେତ୍ରରେ ଜ୍ଞାନର ସ୍ଥିତିକୁ ଆଗକୁ ବଢ଼ାଇବାକୁ ଚାହୁଁଛନ୍ତି । ଅନ୍ୟ ସମସ୍ତ ଅଧ୍ୟାୟକୁ ସଂଶୋଧିତ କରାଯାଇଛି ଏବଂ ଏଥିରେ ସମ୍ପୃକ୍ତ ବିଷୟଗୁଡ଼ିକ ଉପରେ କିଛି ନୂଆ କାର୍ଯ୍ୟକୁ ସାମିଲ କରାଯାଇଛି । ଏହି ପୁସ୍ତକର ବିଷୟବସ୍ତୁ ଉନ୍ନତ ସ୍ନାତକ ସୂଚନା (କିମ୍ବା କମ୍ପ୍ୟୁଟର) ବିଜ୍ଞାନ ଛାତ୍ର, ସ୍ନାତକୋତ୍ତର ପାଠାଗାର ବିଜ୍ଞାନ ଛାତ୍ର ଏବଂ ଆଇଆର କ୍ଷେତ୍ରରେ ଗବେଷଣା କରୁଥିବା କର୍ମଚାରୀଙ୍କ ପାଇଁ ଉଦ୍ଦିଷ୍ଟ । କେତେକ ଅଧ୍ୟାୟ, ବିଶେଷ କରି ଅଧ୍ୟାୟ 6 *, ସରଳ ଭାବେ ଅଳ୍ପ ଅଳ୍ପ ଉନ୍ନତ ଗଣିତର ବ୍ୟବହାର କରିଥାଏ । ତେବେ, ଆବଶ୍ୟକୀୟ ଗାଣିତିକ ଉପକରଣଗୁଡ଼ିକୁ ବର୍ତ୍ତମାନ ପ୍ରଚଳିତ ଥିବା ଅନେକ ଗାଣିତିକ ଲେଖାରୁ ସହଜରେ ବୁଝିହେବ ଏବଂ ଯେକୌଣସି ପରିସ୍ଥିତିରେ, ଯେଉଁଠାରେ ଗଣିତର ଘଟଣା ଘଟିଥାଏ, ସେସବୁର ଉଲ୍ଲେଖ କରାଯାଇଛି । ମୋତେ ସ୍ପଷ୍ଟତା ଓ ସୂଚକୀୟତା ମଧ୍ୟରେ ସନ୍ତୁଳନ ରକ୍ଷା କରିବାର ସମସ୍ୟାକୁ ସାମ୍ନା କରିବାକୁ ପଡ଼ିଲା । ମୁଁ ବହୁ ସଂଖ୍ୟାରେ ସନ୍ଦର୍ଭ ଦେବା ପାଇଁ ପ୍ରଲୋଭିତ ଥିଲି କିନ୍ତୁ ଭୟ କରୁଥିଲି ଯେ ଏହା ପାଠର ନିରନ୍ତରତାକୁ ନଷ୍ଟ କରିଦେବ । ମୁଁ ମଧ୍ୟମ ଧାରାକୁ ଅନୁସରଣ କରିବା ପାଇଁ ଚେଷ୍ଟା କରିଛି ଏବଂ ବାର୍ଷିକ ସୂଚନା ବିଜ୍ଞାନ ଓ ପ୍ରଯୁକ୍ତି ସମୀକ୍ଷା ସହିତ ପ୍ରତିଦ୍ୱନ୍ଦ୍ୱିତା କରିନାହିଁ । ସାଧାରଣତଃ କେବଳ ସେହିସବୁ ପୁସ୍ତକକୁ ଉଦ୍ଧୃତ କରିବା ପାଇଁ ଉତ୍ସାହିତ କରାଯାଏ ଯାହା ସହଜରେ ଉପଲବ୍ଧ ହେଉଥିବା କୌଣସି ପ୍ରକାରରେ ପ୍ରକାଶିତ ହୋଇଥିବ, ଯେପରିକି ଏକ ପୁସ୍ତକ କିମ୍ବା ପତ୍ରିକା । ଦୁର୍ଭାଗ୍ୟବଶତଃ, ଆଇଆର କ୍ଷେତ୍ରରେ ଅନେକ ରୋଚକ କାର୍ଯ୍ୟ ବୈଷୟିକ ରିପୋର୍ଟ ଏବଂ ପିଏଚଡି ଥିସେଟରେ ରହିଛି । ଉଦାହରଣ ସ୍ୱରୂପ, କର୍ଣ୍ଣେଲରେ ସ୍ମାର୍ଟ ପ୍ରଣାଳୀରେ କରାଯାଇଥିବା ଅଧିକାଂଶ କାର୍ଯ୍ୟ କେବଳ ରିପୋର୍ଟରେ ଉପଲବ୍ଧ । ସୌଭାଗ୍ୟବଶତଃ ଏଗୁଡ଼ିକ ମଧ୍ୟରୁ ଅନେକ ଏବେ ଜାତୀୟ ବୈଷୟିକ ସୂଚନା ସେବା (ୟୁ.ଏସ୍.) ଏବଂ ବିଶ୍ୱବିଦ୍ୟାଳୟ ମାଇକ୍ରୋଫିଲ୍ମ (ୟୁ.କେ.) ମାଧ୍ୟମରେ ଉପଲବ୍ଧ । ମୁଁ ଏହି ଉତ୍ସଗୁଡ଼ିକର ବ୍ୟବହାରରୁ ଦୂରେଇ ଯାଇନାହିଁ, ଯଦିଓ ଯଦି ସେହି ବିଷୟବସ୍ତୁ ଅନ୍ୟ କୌଣସି ରୂପରେ ଅଧିକ ସହଜରେ ଉପଲବ୍ଧ ହୁଏ, ତେବେ ମୁଁ ଏହାକୁ ପସନ୍ଦ କରେ । ମୁଁ ଅନେକ ବ୍ୟକ୍ତି ଓ ଅନୁଷ୍ଠାନମାନଙ୍କ ନିକଟରେ ଋଣୀ, ଯେଉଁମାନେ ମୋତେ ସାହାଯ୍ୟ କରିଛନ୍ତି । ମୁଁ ପ୍ରଥମେ କହିବି ଯେ ଏହି ପୁସ୍ତକରେ ଥିବା ଅନେକ ଚିନ୍ତାଧାରାର ସେମାନେ ହିଁ ଦାୟୀ କିନ୍ତୁ ମୁଁ କେବଳ ଦାୟୀ ହେବାକୁ ଚାହୁଁଛି । ମୁଁ ସବୁଠାରୁ ଅଧିକ କରଜ କରିରହିଛି କରନ୍ ସ୍ପାର୍କ୍ ଜୋନ୍ସଙ୍କ ନିକଟରେ ଯିଏ ମୋତେ ଏକ ପରୀକ୍ଷାମୂଳକ ବିଜ୍ଞାନ ଭାବରେ ସୂଚନା ପୁନରୁଦ୍ଧାର ଅନୁସନ୍ଧାନ କରିବା ଶିଖାଇଛନ୍ତି । ନିକ ଜାର୍ଡିନ୍ ଓ ରବିନ୍ ... |
3cfbb77e5a0e24772cfdb2eb3d4f35dead54b118 | ପ୍ରସଙ୍ଗ-ଭିତିକ ଆକଳନ ମଡେଲ (ଯାହାକୁ ଅଧିକ ସାଧାରଣ ଭାବରେ ଇମ୍ବେଡିଂ ବା ନ୍ୟୁରାଲ ଭାଷା ମଡେଲ କୁହାଯାଏ) ବଣ୍ଟନୀୟ ଅର୍ଥଶାସ୍ତ୍ର ବ୍ଲକ ଉପରେ ନୂତନ ପିଲାମାନେ । ଏହି ମଡେଲଗୁଡିକର ଆଖପାଖରେ ଥିବା ଚର୍ଚ୍ଚା ସତ୍ତ୍ୱେ, ସାହିତ୍ୟରେ କ୍ଲାସିକ୍, ଗଣନା ଭେକ୍ଟର-ଆଧାରିତ ବଣ୍ଟନୀୟ ଅର୍ଥନୈତିକ ପଦ୍ଧତି ସହିତ ପୂର୍ବାନୁମାନ ମଡେଲଗୁଡିକର ବ୍ୟବସ୍ଥିତ ତୁଳନା ଅଭାବ ରହିଛି । ଏହି କାଗଜରେ, ଆମେ ବ୍ୟାପକ ଭାବରେ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପକ ବ୍ୟାପ ଆମ ପାଇଁ ଆଶ୍ଚର୍ଯ୍ୟର କଥା ଯେ, ଏହି ଫଳାଫଳରୁ ଜଣାପଡ଼ୁଛି ଯେ, ଏହି ଚର୍ଚ୍ଚା ସମ୍ପୂର୍ଣ୍ଣ ଭାବେ ଯୁକ୍ତିଯୁକ୍ତ, କାରଣ ପରିସଂଖ୍ୟାନ ଆଧାରିତ ଆକଳନ ମଡେଲଗୁଡ଼ିକ ସେମାନଙ୍କର ଗଣନା ଆଧାରିତ ମଡେଲଗୁଡ଼ିକ ବିପକ୍ଷରେ ଏକ ସମ୍ପୂର୍ଣ୍ଣ ଏବଂ ଚମତ୍କାର ବିଜୟ ହାସଲ କରିଛନ୍ତି । |
9ec20b90593695e0f5a343dade71eace4a5145de | ଛାତ୍ର, ବିଭାଗ ଅବିରତ ଗଭୀର ଶିକ୍ଷା (Deep Learning) ମେସିନ ଶିକ୍ଷଣ (Machine Learning) ର ଏକ ନୂତନ ଗବେଷଣା କ୍ଷେତ୍ର ଭାବରେ ସୃଷ୍ଟି ହୋଇଛି । ଏହା ମାନବ ମସ୍ତିଷ୍କ ଭଳି କାର୍ଯ୍ୟ କରିବା ପାଇଁ ଲକ୍ଷ୍ୟ ରଖିଛି, ଯାହା ଜଟିଳ ତଥ୍ୟରୁ ଶିଖିବା ଏବଂ ପ୍ରକ୍ରିୟାକରଣ କରିବାର କ୍ଷମତା ରଖିଛି ଏବଂ ଜଟିଳ କାର୍ଯ୍ୟଗୁଡ଼ିକୁ ସମାଧାନ କରିବାକୁ ମଧ୍ୟ ଚେଷ୍ଟା କରୁଛି । ଏହି କ୍ଷମତା କାରଣରୁ ଏହାର ବ୍ୟବହାର ବିଭିନ୍ନ କ୍ଷେତ୍ରରେ ଯେପରିକି ଲେଖା, ଶବ୍ଦ, ଛବି ଆଦିରେ କରାଯାଉଛି । ଗଭୀର ଶିକ୍ଷଣ କୌଶଳ ଦ୍ୱାରା ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟା ପ୍ରଭାବିତ ହେବା ଆରମ୍ଭ ହୋଇଛି । ଏହି ଗବେଷଣା ପତ୍ରରେ ଗଭୀର ଶିକ୍ଷଣର ସାମ୍ପ୍ରତିକ ବିକାଶ ଏବଂ ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣରେ ପ୍ରୟୋଗ ଉପରେ ଆଲୋକପାତ କରାଯାଇଛି । |
cc13fde0a91f4d618e6af66b49690702906316ae | ଗତ କିଛି ବର୍ଷ ମଧ୍ୟରେ କ୍ଲାଉଡ କମ୍ପ୍ୟୁଟିଂ ଏବଂ ବିଗ ଡାଟା ଯୁଗର ବିକାଶ ହୋଇଛି, ଯାହା ପାରମ୍ପରିକ ନିଷ୍ପତ୍ତି ଗଛ ଆଲଗୋରିଦମ ପାଇଁ ଆହ୍ୱାନ ସୃଷ୍ଟି କରିଛି । ପ୍ରଥମତଃ, ଯେହେତୁ ଡାଟାସେଟର ଆକାର ଅତି ବଡ଼ ହୋଇଯାଏ, ତେଣୁ ନିଷ୍ପତ୍ତି ଗଛ ନିର୍ମାଣ ପ୍ରକ୍ରିୟା ବହୁତ ସମୟ ନେଇପାରେ । ଦ୍ୱିତୀୟରେ, ଯେହେତୁ ଡାଟା ଆଉ ମେମୋରୀରେ ରହିପାରିବ ନାହିଁ, ତେଣୁ କିଛି ଗଣନା ବାହ୍ୟ ଷ୍ଟୋରେଜକୁ ସ୍ଥାନାନ୍ତରିତ ହେବା ଆବଶ୍ୟକ ଏବଂ ତେଣୁ I/O ଖର୍ଚ୍ଚ ବୃଦ୍ଧି ପାଇଥାଏ । ଏହି ଉଦ୍ଦେଶ୍ୟରେ, ଆମେ ଏକ ସାଧାରଣ ନିଷ୍ପତ୍ତି ଗଛ ଆଲଗୋରିଦମ, C4.5 କୁ କାର୍ଯ୍ୟକାରୀ କରିବାକୁ ପ୍ରସ୍ତାବ ଦେଉଛୁ, ଯାହା ମ୍ୟାପ ରେଡ୍ୟୁସ ପ୍ରୋଗ୍ରାମିଂ ମଡେଲ ବ୍ୟବହାର କରି । ବିଶେଷକରି, ଆମେ ପାରମ୍ପରିକ ଆଲଗୋରିଦମକୁ ମାନଚିତ୍ର ଏବଂ ହ୍ରାସ ପ୍ରକ୍ରିୟା ରେ ପରିବର୍ତ୍ତନ କରିଥାଉ । ଏହା ବ୍ୟତୀତ, ଆମେ କିଛି ତଥ୍ୟ ସଂରଚନା ଡିଜାଇନ୍ କରୁ ଯାହାଦ୍ୱାରା ଯୋଗାଯୋଗ ଖର୍ଚ୍ଚ କମ୍ ହୋଇପାରିବ । ଆମେ ମଧ୍ୟ ବ୍ୟାପକ ଡାଟାସେଟରେ ବ୍ୟାପକ ପରୀକ୍ଷଣ କରୁଛୁ । ଫଳାଫଳ ଦର୍ଶାଉଛି ଯେ ଆମର ଆଲଗୋରିଦମ ଉଭୟ ସମୟ ଦକ୍ଷତା ଏବଂ ମାପଯୋଗ୍ୟତା ପ୍ରଦର୍ଶନ କରୁଛି । |
d73a71fa24b582accb934a9c2308567376ff396d | 3ଡି ଜିଓ ଡାଟାବେସ ଗବେଷଣା ଏକ ଆଶାନୁରୂପ କ୍ଷେତ୍ର ଯାହାକି 3ଡି ସହରାଂଚଳ ଯୋଜନା, ପରିବେଶ ଅନୁଧ୍ୟାନ, ଭିତ୍ତିଭୂମି ପରିଚାଳନା, ଆଗୁଆ ସତର୍କ ସୂଚନା କିମ୍ବା ବିପର୍ଯ୍ୟୟ ପରିଚାଳନା ଏବଂ ପ୍ରତିକ୍ରିୟା ଭଳି ଆହ୍ୱାନପୂର୍ଣ୍ଣ ପ୍ରୟୋଗକୁ ସମର୍ଥନ କରିପାରିବ । ଏହି କ୍ଷେତ୍ରରେ, ଜିଓ-ରିଫେରେନ୍ସ ଡାଟା ସେଟ୍ର ମଡେଲିଂ, ବିଶ୍ଳେଷଣ, ପରିଚାଳନା ଏବଂ ଏକୀକରଣକୁ ସମର୍ଥନ କରିବା ପାଇଁ ଜିଓ ସାଇନ୍ସ ଏବଂ ଆନୁସଙ୍ଗିକ କ୍ଷେତ୍ରରେ ଆନ୍ତଃବିଷୟକ ଗବେଷଣା ଆବଶ୍ୟକ, ଯାହା ମାନବ କାର୍ଯ୍ୟକଳାପ ଏବଂ ଭୂ-ଭୌତିକ ଘଟଣାକୁ ବର୍ଣ୍ଣନା କରେ । ଜିଓ ଡାଟାବେସ 2D ମାନଚିତ୍ର, 3D ଜିଓ-ବୈଜ୍ଞାନିକ ମଡେଲ ଏବଂ ଅନ୍ୟ ଜିଓ-ରେଫରେନ୍ସ ଡାଟାକୁ ଏକୀକୃତ କରିବା ପାଇଁ ପ୍ଲାଟଫର୍ମ ଭାବରେ କାର୍ଯ୍ୟ କରିପାରିବ । କିନ୍ତୁ ବର୍ତ୍ତମାନର ଜିଓ ଡାଟାବେସ ପର୍ଯ୍ୟାପ୍ତ ପରିମାଣର ଥ୍ରୀଡି ଡାଟା ମଡେଲିଂ ଓ ଡାଟା ପରିଚାଳନା କୌଶଳ ପ୍ରଦାନ କରିପାରୁନାହିଁ । ଭୂ-ତଳ ଏବଂ ଆକାର ମଡେଲକୁ ପରିଚାଳନା କରିବା ପାଇଁ ନୂତନ 3D ଜିଓ-ଡାଟାବେସ ଆବଶ୍ୟକ । ଏହି ଲେଖାରେ ପ୍ରଥମେ ଜିଓ ଡାଟାବେସ ଗବେଷଣାର ୨୫ ବର୍ଷର ଅନୁଧ୍ୟାନକୁ ଉପସ୍ଥାପନ କରାଯାଇଛି । ତଥ୍ୟ ମଡେଲ, ମାନକ ଏବଂ ଜିଓ ଡାଟାର ସୂଚୀକରଣ ଉପରେ ବିସ୍ତୃତ ଭାବେ ଆଲୋଚନା କରାଯାଇଛି । ଆନ୍ତଃବିଷୟକ ଗବେଷଣା ପାଇଁ ନୂତନ କ୍ଷେତ୍ର ଖୋଲିବା ପାଇଁ 3D ଜିଓ-ଡାଟାବେସର ବିକାଶ ପାଇଁ ନୂତନ ଦିଗ ଉପରେ ଆଲୋଚନା କରାଯାଇଛି । ଆଗୁଆ ସତର୍କତା ଏବଂ ଜରୁରୀକାଳୀନ ପରିସ୍ଥିତିର ମୁକାବିଲା କ୍ଷେତ୍ରରେ ଦୁଇଟି ଦୃଶ୍ୟ ମାନବୀୟ ଏବଂ ଭୂ-ଭୌତିକ ଘଟଣାକୁ ମିଶ୍ରିତ ପରିଚାଳନା ପ୍ରଦର୍ଶନ କରେ । ଏହି ଲେଖାଟି ଖୋଲା ଗବେଷଣା ସମସ୍ୟା ଉପରେ ଏକ ସମାଲୋଚନାତ୍ମକ ଦୃଷ୍ଟିକୋଣ ସହିତ ସମାପ୍ତ ହୋଇଛି । & ୨୦୧୧ ଏଲ୍ସେଭିୟର ଲିଃ ସମସ୍ତ ଅଧିକାର ସଂରକ୍ଷିତ। |
dce7a0550b4d63f6fe2e6908073ce0ce63626b0c | ଆମେ ଯାନ୍ତ୍ରିକ ଜ୍ଞାନ ଓ କୃତ୍ରିମ ବୁଦ୍ଧିମତା କ୍ଷେତ୍ରରେ ସ୍ୱୟଂଚାଳିତ ରାସ୍ତାରେ ଅଗ୍ରସର ହେବା ସମୟରେ, ଆମ ଉପକରଣଗୁଡ଼ିକ ଆମଠାରୁ ସ୍ୱାଧୀନ ଭାବେ କାର୍ଯ୍ୟ କରିବା ପାଇଁ, ଆମକୁ ଅଧିକରୁ ଅଧିକ ନୈତିକ ନିଷ୍ପତ୍ତି ନେବା ପ୍ରକ୍ରିୟାକୁ ସ୍ୱୟଂଚାଳିତ କରିବାକୁ ହେବ । କିନ୍ତୁ ନୈତିକ ନିଷ୍ପତ୍ତି ନେବା ପ୍ରକ୍ରିୟାକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ଇଞ୍ଜିନିୟର ଏବଂ ଡିଜାଇନରଙ୍କ ପାଇଁ ନୂଆ ପ୍ରଶ୍ନ ଉଠାଇଥାଏ, ଯେଉଁମାନଙ୍କୁ ଏହି କାର୍ଯ୍ୟ କିପରି ସମ୍ପାଦନ କରାଯିବ ସେ ବିଷୟରେ ନିଷ୍ପତ୍ତି ନେବାକୁ ପଡିବ । ଉଦାହରଣ ସ୍ୱରୂପ, କିଛି ନୈତିକ ନିଷ୍ପତ୍ତି ନେବାରେ କଠିନ ନୈତିକ ମାମଲା ସାମିଲ ହୋଇଥାଏ, ଯାହାଦ୍ୱାରା ସ୍ୱୟଂକ୍ରିୟତା ଏବଂ ସୂଚିତ ସହମତିର ସ୍ଥାପିତ ନିୟମକୁ ସମ୍ମାନ ଦେବା ପାଇଁ ଉପଭୋକ୍ତାଙ୍କ ମତାମତ ଆବଶ୍ୟକ ହୋଇଥାଏ । ଲେଖକ ଏହି ଏବଂ ଅନ୍ୟାନ୍ୟ ନୈତିକ ବିଚାରକୁ ବିଚାର କରନ୍ତି ଯାହା ନୈତିକ ନିଷ୍ପତ୍ତି ନେବାର ସ୍ୱୟଂଚାଳିତତା ସହିତ ଆସେ । ସେ କିଛି ସାଧାରଣ ନୈତିକ ଆବଶ୍ୟକତାକୁ ପ୍ରସ୍ତାବିତ କରିଛନ୍ତି ଯାହା ଡିଜାଇନ୍ ରୁମରେ ଧ୍ୟାନରେ ରଖାଯିବା ଉଚିତ, ଏବଂ ଏକ ଡିଜାଇନ୍ ଟୁଲ୍ ସ୍କେଚ୍ କରିଛନ୍ତି ଯାହା ଇଞ୍ଜିନିୟର, ଡିଜାଇନର, ନୈତିକତାବାଦୀ ଏବଂ ନୀତି ନିର୍ଦ୍ଧାରକଙ୍କୁ ନିଷ୍ପତ୍ତି ନେବାରେ ସାହାଯ୍ୟ କରିବା ପାଇଁ ଡିଜାଇନ୍ ପ୍ରକ୍ରିୟାରେ ଏକୀକୃତ ହୋଇପାରିବ _ |
ab19cbea5c61536b616cfa7654cf01bf0621b83f | |
102153467f27d43dd1db8a973846d3ac10ffdc3c | ଇଣ୍ଟରନେଟ ଅଫ୍ ଥିଙ୍ଗ୍ସ (ଆଇଓଟି) ଟେକ୍ନୋଲୋଜିର ଦ୍ରୁତ ଗତିରେ ବିସ୍ତାର କରୁଥିବା ପ୍ରୟୋଗ କ୍ଷେତ୍ର ମଧ୍ୟରୁ ସ୍ୱାସ୍ଥ୍ୟସେବା ଅନ୍ୟତମ । ଆଇଓଟି ଉପକରଣ ଦ୍ୱାରା ହୃଦ୍ରୋଗ ଭଳି ଦୀର୍ଘସ୍ଥାୟୀ ରୋଗର ଦୂରବର୍ତ୍ତୀ ସ୍ୱାସ୍ଥ୍ୟ ତଦାରଖ କରାଯାଇପାରିବ । ଏହି କାଗଜରେ ଆମେ ହାର୍ଟ ବିଟ୍ ନିରୂପଣ ପାଇଁ ଇସିଜି ବିଶ୍ଳେଷଣ ଏବଂ ବର୍ଗୀକରଣ ପାଇଁ ଏକ ଆଲଗୋରିଦମ ବିକଶିତ କରିଛୁ ଏବଂ ଏହାକୁ ଆଇଓଟି ଆଧାରିତ ଏମ୍ବେଡେଟ୍ ପ୍ଲାଟଫର୍ମରେ କାର୍ଯ୍ୟକାରୀ କରିଛୁ । ଏହି ଆଲଗୋରିଦମ ହେଉଛି ଏକ ଇସିଜି ନିଦାନ ଉପକରଣ ପାଇଁ ଆମର ପ୍ରସ୍ତାବ, ଯାହା ରୋଗୀର ୨୪ ଘଣ୍ଟିଆ ନିରନ୍ତର ତଦାରଖ ପାଇଁ ଉପଯୁକ୍ତ । ଇସିଜି ବିଶ୍ଳେଷଣ ପାଇଁ ଆମେ ଡିସକ୍ରିଟ ୱେବଲେଟ ଟ୍ରାନ୍ସଫର୍ମ (ଡିଡବ୍ଲୁଟି) ଏବଂ ଏକ ସପୋର୍ଟ ଭେକ୍ଟର ମେସିନ (ଏସଭିଏମ) ବର୍ଗୀକରଣ ବ୍ୟବହାର କରୁ । ଶ୍ରେଷ୍ଠ ଶ୍ରେଣୀକରଣ ସଠିକତା ହେଉଛି 98.9%, ଆକାର 18 ର ବୈଶିଷ୍ଟ୍ୟ ଭେକ୍ଟର ଏବଂ 2493 ସମର୍ଥନ ଭେକ୍ଟର ପାଇଁ । ଗାଲିଲିଓ ବୋର୍ଡରେ ଆଲଗୋରିଦମର ବିଭିନ୍ନ କାର୍ଯ୍ୟକାରିତା ଦର୍ଶାଇଥାଏ ଯେ, କମ୍ପ୍ୟୁଟେଶନାଲ ଖର୍ଚ୍ଚ ଏତେ ଅଧିକ ଯେ, ଇସିଜି ବିଶ୍ଳେଷଣ ଏବଂ ବର୍ଗୀକରଣ ବାସ୍ତବିକ ସମୟରେ କରାଯାଇପାରିବ । |
44159c85dec6df7a257cbe697bfc854ecb1ebb0b | ଜାତୀୟ ସ୍ୱାସ୍ଥ୍ୟ ପ୍ରତିଷ୍ଠାନର ଜାତୀୟ ଗବେଷଣା କେନ୍ଦ୍ର ଅଧୀନରେ ନୂତନ ଭାବେ ପ୍ରତିଷ୍ଠା କରାଯାଇଥିବା ରିସର୍ଚ୍ଚ ରିସୋର୍ସ ଫର କମ୍ପ୍ଲେକ୍ସ ଫିଜିଓଲୋଜିକାଲ ସିଗନାଲ୍ସ (Research Resource for Complex Physiologic Signals) ର ଉଦ୍ଦେଶ୍ୟ ହେଉଛି ହୃତ୍ପିଣ୍ଡ ସମ୍ବନ୍ଧୀୟ ଏବଂ ଅନ୍ୟାନ୍ୟ ଜଟିଳ ଜୈବ ଚିକିତ୍ସା ସମ୍ବନ୍ଧୀୟ ସିଗନାଲ୍ସର ଅଧ୍ୟୟନ କ୍ଷେତ୍ରରେ ବର୍ତ୍ତମାନର ଗବେଷଣା ଏବଂ ନୂତନ ଅନୁସନ୍ଧାନକୁ ପ୍ରୋତ୍ସାହିତ କରିବା । ଏହି ସମ୍ବଳରେ 3ଟି ପରସ୍ପର ନିର୍ଭରଶୀଳ ଉପାଦାନ ରହିଛି । PhysioBank ହେଉଛି ଏକ ବୃହତ ଏବଂ ବୃଦ୍ଧି ପାଉଥିବା ଆର୍କାଇଭ୍ ଯାହାକି ବାୟୋମେଡିକାଲ ଗବେଷଣା ଗୋଷ୍ଠୀ ଦ୍ୱାରା ବ୍ୟବହାର ପାଇଁ ଶାରୀରିକ ସଂକେତ ଏବଂ ସମ୍ବନ୍ଧିତ ତଥ୍ୟର ଭଲ ଭାବରେ ବର୍ଣ୍ଣିତ ଡିଜିଟାଲ୍ ରେକର୍ଡିଂ । ଏଥିରେ ବର୍ତ୍ତମାନ ସୁସ୍ଥ ବ୍ୟକ୍ତିଙ୍କ ଠାରୁ ଏବଂ ବିଭିନ୍ନ ଜନସ୍ୱାସ୍ଥ୍ୟ ସମସ୍ୟା ଥିବା ରୋଗୀଙ୍କ ଠାରୁ ମିଳିଥିବା ମଲ୍ଟିପାରାମେଟ୍ରିକ କାର୍ଡିଓପଲମୋନାରୀ, ନ୍ୟୁରାଲ ଏବଂ ଅନ୍ୟାନ୍ୟ ବାୟୋମେଡିକାଲ ସିଗନାଲର ଡାଟାବେସ ଅନ୍ତର୍ଭୁକ୍ତ, ଯେଉଁଥିରେ ଜୀବନ ପ୍ରତି ବିପଦ ଥିବା ଆରିଥମିୟା, ହୃଦଘାତ, ନିଦ ନିଃଶ୍ବାସ ପ୍ରଶ୍ବାସ ବନ୍ଦ ହେବା, ସ୍ନାୟୁଗତ ରୋଗ ଏବଂ ବାର୍ଦ୍ଧକ୍ୟ ଆଦି ଅନ୍ତର୍ଭୁକ୍ତ । PhysioToolkit ହେଉଛି ଫିଜିଓଲୋଜିକାଲ ସିଗନାଲ ପ୍ରୋସେସିଂ ଏବଂ ବିଶ୍ଳେଷଣ ପାଇଁ ଏକ ଓପନ-ସୋର୍ସ ସଫ୍ଟୱେୟାର ଲାଇବ୍ରେରୀ, ଉଭୟ କ୍ଲାସିକାଲ କୌଶଳ ଏବଂ ଷ୍ଟାଟିଷ୍ଟିକାଲ ଫିଜିକ୍ସ ଏବଂ ଅଣ-ଲିନିୟର ଡ଼ାଇନାମିକ୍ସ ଉପରେ ଆଧାରିତ ନୂତନ ପଦ୍ଧତି ବ୍ୟବହାର କରି ଫିଜିଓଲୋଜିକାଲ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଘଟଣାଗୁଡ଼ିକର ଚିହ୍ନଟ, ସିଗନାଲଗୁଡିକର ଇଣ୍ଟରଆକ୍ଟିଭ୍ ପ୍ରଦର୍ଶନ ଏବଂ ବର୍ଣ୍ଣନା, ନୂତନ ଡାଟାବେସ୍ ସୃଷ୍ଟି, ଫିଜିଓଲୋଜିକାଲ୍ ଏବଂ ଅନ୍ୟାନ୍ୟ ସିଗନାଲଗୁଡିକର ସିମୁଲେସନ୍, ବିଶ୍ଳେଷଣ ପଦ୍ଧତିର ପରିମାଣିକ ମୂଲ୍ୟାଙ୍କନ ଏବଂ ତୁଳନା ଏବଂ ଅଣ-ସ୍ଥାୟୀ ପ୍ରକ୍ରିୟାଗୁଡ଼ିକର ବିଶ୍ଳେଷଣ _ PhysioNet ରେକର୍ଡ କରାଯାଇଥିବା ଜୈବ ଚିକିତ୍ସା ସଂକେତ ଏବଂ ସେଗୁଡ଼ିକର ବିଶ୍ଳେଷଣ ପାଇଁ ମୁକ୍ତ ସ୍ରୋତ ସଫ୍ଟୱେୟାରର ପ୍ରସାର ଏବଂ ଆଦାନପ୍ରଦାନ ପାଇଁ ଏକ ଅନଲାଇନ ଫୋରମ୍ ଅଟେ । ଏହା ତଥ୍ୟର ସମନ୍ୱିତ ବିଶ୍ଳେଷଣ ଏବଂ ପ୍ରସ୍ତାବିତ ନୂତନ ଆଲଗୋରିଦମର ମୂଲ୍ୟାଙ୍କନ ପାଇଁ ସୁବିଧା ପ୍ରଦାନ କରିଥାଏ । ଏହା ବ୍ୟତୀତ ୱାର୍ଲ୍ଡ ୱାଇଡ୍ ୱେବ (http://www.physionet.com) ମାଧ୍ୟମରେ PhysioBank ଡାଟା ଏବଂ PhysioToolkit ସଫ୍ଟୱେୟାରକୁ ମାଗଣା ଇଲେକ୍ଟ୍ରୋନିକ୍ ଆକ୍ସେସ୍ ପ୍ରଦାନ କରିଥାଏ । org) PhysioNet ଅନଲାଇନ ଟ୍ୟୁଟୋରିଆଲ ମାଧ୍ୟମରେ ସେବା ଓ ପ୍ରଶିକ୍ଷଣ ପ୍ରଦାନ କରିଥାଏ । |
a92eac4415719698d7d2097ef9564e7b36699010 | ଉଦ୍ଦେଶ୍ୟ - କର୍ପୋରେଟ ସ୍ଥାୟୀତ୍ୱ ଏବଂ ଏହାର ପ୍ରଦର୍ଶନ ଉପରେ ଆକଳନ ଏବଂ ରିପୋର୍ଟରେ ହିତାଧିକାରୀମାନଙ୍କୁ ସାମିଲ କରିବାର ଏକ ଉପାୟ ଭାବରେ ସାମାଜିକ ଅଡିଟର ପ୍ରୟୋଗଯୋଗ୍ୟତାକୁ ଚିହ୍ନଟ କରିବା । ଡିଜାଇନ/ପଦ୍ଧତି/ପନ୍ଥା - ଏଏ୧୦୦୦୦ର ଢାଞ୍ଚା ଏବଂ ସାମାଜିକ ଅଡିଟ ଅଧ୍ୟୟନ ଉପରେ ଆଧାର କରି ଏହି କାଗଜରେ ଅଂଶୀଦାରମାନଙ୍କ ସହଭାଗିତା, ସାମାଜିକ ଅଡିଟ ଏବଂ କର୍ପୋରେଟ ସ୍ଥାୟୀତ୍ୱକୁ ଯୋଡ଼ାଯାଇଛି । ନିଷ୍କର୍ଷ - ଏହି ଦସ୍ତାବିଜରେ କର୍ପୋରେଟ ସ୍ଥାୟୀତ୍ୱ ଏବଂ ସାମାଜିକ ଅଡିଟ ମଧ୍ୟରେ ଏକ ମ୍ୟାଚ୍ ଚିହ୍ନଟ କରାଯାଇଛି, କାରଣ ଉଭୟ ଏକ ସଂଗଠନର ସାମାଜିକ, ପରିବେଶ ଏବଂ ଅର୍ଥନୈତିକ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଉନ୍ନତ କରିବା ପାଇଁ ଲକ୍ଷ୍ୟ ରଖିଛନ୍ତି, ବ୍ୟାପକ ହିତାଧିକାରୀଙ୍କ କଲ୍ୟାଣକୁ ବିଚାରକୁ ନେଇଛନ୍ତି ଏବଂ ପ୍ରକ୍ରିୟାରେ ହିତାଧିକାରୀଙ୍କ ସମ୍ପୃକ୍ତି ଆବଶ୍ୟକ କରନ୍ତି । ଏହି କାଗଜରେ କୁହାଯାଇଛି ଯେ ଆଲୋଚନା ମାଧ୍ୟମରେ ଅଂଶୀଦାରମାନଙ୍କୁ ସାମିଲ କରି ସାମାଜିକ ଅଡିଟକୁ ଟ୍ରଷ୍ଟ ଗଠନ, ପ୍ରତିବଦ୍ଧତା ଚିହ୍ନଟ ଏବଂ ଅଂଶୀଦାର ଏବଂ କର୍ପୋରେସନମାନଙ୍କ ମଧ୍ୟରେ ସହଯୋଗକୁ ପ୍ରୋତ୍ସାହିତ କରିବା ପାଇଁ ପ୍ରୟୋଗ କରାଯାଇପାରିବ । ଗବେଷଣାର ସୀମାବଦ୍ଧତା/ପ୍ରଭାବ - ଏହି ଗବେଷଣାରେ କର୍ପୋରେଟ ସ୍ଥାୟୀତ୍ୱକୁ ନେଇ ସାମାଜିକ ଅଡିଟ୍ର ବ୍ୟବହାରିକତା ଏବଂ ଆଲୋଚନା ଆଧାରିତ ସାମାଜିକ ଅଡିଟର ସୀମାବଦ୍ଧତା ନିର୍ଦ୍ଧାରଣ ଉପରେ ଅଧିକ ଅନୁଭୂତିମୂଳକ ଗବେଷଣା ଆବଶ୍ୟକ । ପ୍ରାକ୍ଟିକାଲ ପ୍ରଭାବ - ସାମାଜିକ ଅଡିଟକୁ ଏକ ଗଣତାନ୍ତ୍ରିକ ବ୍ୟବସାୟିକ ସମାଜରେ ଅଂଶୀଦାର ଏବଂ କର୍ପୋରେସନମାନଙ୍କ ମଧ୍ୟରେ ଭିନ୍ନ ସ୍ୱାର୍ଥକୁ ସନ୍ତୁଳିତ କରିବା ପାଇଁ ଏକ ଉପଯୋଗୀ ବ୍ୟବସ୍ଥା ଭାବରେ ଚିହ୍ନଟ କରାଯାଇଛି । କର୍ପୋରେଟ ସ୍ଥାୟୀତ୍ୱ ବିକାଶ ଏବଂ ହାସଲ କରିବା ପାଇଁ ସାମାଜିକ ଅଡିଟ୍ର ପ୍ରୟୋଗର ବାସ୍ତବିକ ପ୍ରଭାବ ରହିଛି । ମୂଳ/ମୂଲ୍ୟ - ଏହି କାଗଜରେ ଆଲୋଚନା ଆଧାରିତ ସାମାଜିକ ଅଡିଟ୍ର ପ୍ରୟୋଗିକତା ଉପରେ ଆଲୋଚନା କରାଯାଇଛି । ସାମାଜିକ ଅଡିଟକୁ ଏକ ପ୍ରକ୍ରିୟା ଭାବେ ଗ୍ରହଣ କରି, ଆଲୋଚନା ମାଧ୍ୟମରେ ଅଂଶୀଦାରମାନଙ୍କୁ ସାମିଲ କରି, କର୍ପୋରେଟ ସାମାଜିକ ଏବଂ ପରିବେଶଗତ କାର୍ଯ୍ୟଦକ୍ଷତା ଉପରେ ଆକଳନ କରିବା ଏବଂ ରିପୋର୍ଟ କରିବା ଦ୍ୱାରା, ବିଶ୍ୱାସ ସୃଷ୍ଟି କରିବା, ପ୍ରତିବଦ୍ଧତା ଚିହ୍ନଟ କରିବା ଏବଂ ଅଂଶୀଦାର ଏବଂ କର୍ପୋରେଟ ସଂସ୍ଥା ମଧ୍ୟରେ ସହଯୋଗକୁ ପ୍ରୋତ୍ସାହିତ କରିବା ପାଇଁ ପ୍ରୟୋଗ କରାଯାଇପାରିବ । |
915c4bb289b3642489e904c65a47fa56efb60658 | ଆମେ ପ୍ରତିଛବି ପରିବର୍ତ୍ତନ ସମସ୍ୟାକୁ ବିଚାର କରୁଛୁ, ଯେଉଁଠାରେ ଏକ ଇନପୁଟ୍ ପ୍ରତିଛବି ଏକ ଆଉଟପୁଟ୍ ପ୍ରତିଛବିରେ ପରିବର୍ତ୍ତିତ ହୋଇଥାଏ । ଏହିପରି ସମସ୍ୟା ପାଇଁ ସାମ୍ପ୍ରତିକ ପଦ୍ଧତିଗୁଡିକ ସାଧାରଣତଃ ଫିଡ ଫରୱାର୍ଡ କନଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କକୁ ପ୍ରଶିକ୍ଷଣ ଦେଇଥାଏ ଯାହା ଆଉଟପୁଟ୍ ଏବଂ ଗ୍ରାଉଣ୍ଡ-ଟ୍ରୁଥ୍ ଇମେଜ୍ ମଧ୍ୟରେ ପ୍ରତି ପିକ୍ସେଲ କ୍ଷତି ବ୍ୟବହାର କରିଥାଏ । ସମାନ୍ତରାଳ କାର୍ଯ୍ୟରୁ ଜଣାପଡିଛି ଯେ ପୂର୍ବ ପ୍ରଶିକ୍ଷିତ ନେଟୱାର୍କରୁ ଉତ୍ତୋଳିତ ଉଚ୍ଚସ୍ତରୀୟ ବୈଶିଷ୍ଟ୍ୟ ଉପରେ ଆଧାର କରି ଧାରଣା କ୍ଷତି ଫଙ୍କସନ୍ଗୁଡିକର ବ୍ୟାଖ୍ୟା ଏବଂ ଅପ୍ଟିମାଇଜେସନ୍ କରି ଉଚ୍ଚ-ଗୁଣାତ୍ମକ ପ୍ରତିଛବି ସୃଷ୍ଟି କରାଯାଇପାରିବ । ଆମେ ଦୁଇଟି ଯାକ ପଦ୍ଧତିର ଲାଭକୁ ମିଶାଇ, ପ୍ରତିଛବି ପରିବର୍ତ୍ତନ କାର୍ଯ୍ୟ ପାଇଁ ଫିଡ ଫରୱାର୍ଡ ନେଟୱାର୍କକୁ ପ୍ରଶିକ୍ଷଣ ଦେବା ପାଇଁ ଧାରଣା କ୍ଷତି ଫଳନ ବ୍ୟବହାର କରିବାକୁ ପ୍ରସ୍ତାବ ଦେଉଛୁ । ଆମେ ଛବି ଶୈଳୀ ସ୍ଥାନାନ୍ତରଣର ଫଳାଫଳ ଦେଖାଉଛୁ, ଯେଉଁଠାରେ ଏକ ଫିଡ୍-ଫରୱାର୍ଡ ନେଟୱାର୍କ ଗ୍ୟାଟିସ୍ ଏବଂ ଅନ୍ୟମାନଙ୍କ ଦ୍ୱାରା ପ୍ରସ୍ତାବିତ ଅପ୍ଟିମାଇଜେସନ୍ ସମସ୍ୟାକୁ ବାସ୍ତବ ସମୟରେ ସମାଧାନ କରିବା ପାଇଁ ତାଲିମପ୍ରାପ୍ତ । ଅପ୍ଟିମାଇଜେସନ୍ ଆଧାରିତ ପଦ୍ଧତି ତୁଳନାରେ ଆମର ନେଟୱାର୍କ ସମାନ ଗୁଣାତ୍ମକ ଫଳାଫଳ ଦେଇଥାଏ କିନ୍ତୁ ତିନୋଟି ଆକାରର ଦ୍ରୁତ ଅଟେ । ଆମେ ଏକକ ଚିତ୍ର ସୁପର ରିଜୋଲ୍ୟୁସନ ସହିତ ମଧ୍ୟ ପରୀକ୍ଷଣ କରୁଛୁ, ଯେଉଁଠାରେ ପ୍ରତି ପିକ୍ସେଲ କ୍ଷତିକୁ ଏକ ଧାରଣା କ୍ଷତି ସହିତ ବଦଳାଇବା ଦୃଶ୍ୟମାନ ଭାବରେ ଆନନ୍ଦଦାୟକ ଫଳାଫଳ ଦେଇଥାଏ । |
9201bf6f8222c2335913002e13fbac640fc0f4ec | |
929a376c6fea1376baf40fc2979cfbdd867f03ab | ହାନିଯୁକ୍ତ ପ୍ରତିଛବି ସଙ୍କୋଚନ ପଦ୍ଧତି ସର୍ବଦା ସଙ୍କୋଚିତ ଫଳାଫଳରେ ବିଭିନ୍ନ ଅପ୍ରୀତିକର କୃତିସମୂହ ପ୍ରବେଶ କରିଥାଏ, ବିଶେଷକରି ନିମ୍ନ ବିଟ୍ ହାରରେ । ନିକଟ ବର୍ଷରେ, JPEG ସଙ୍କୋଚିତ ପ୍ରତିଛବି ପାଇଁ ଅନେକ ପ୍ରଭାବଶାଳୀ ନରମ ଡିକୋଡିଂ ପଦ୍ଧତି ପ୍ରସ୍ତାବିତ କରାଯାଇଛି । କିନ୍ତୁ, ଆମ ଜ୍ଞାନ ଅନୁସାରେ, JPEG 2000 କମ୍ପ୍ରେସଡ୍ ପ୍ରତିଛବିର ସଫ୍ଟ ଡିକୋଡିଂ ଉପରେ ବହୁତ କମ୍ କାମ କରାଯାଇଛି । ବିଭିନ୍ନ କମ୍ପ୍ୟୁଟର ଭିଜନ କାର୍ଯ୍ୟରେ କନଭୋଲ୍ୟୁସନ ନ୍ୟୁରାଲ ନେଟୱାର୍କ (ସିଏନଏନ) ର ଉତ୍କୃଷ୍ଟ କାର୍ଯ୍ୟଦକ୍ଷତା ଦ୍ୱାରା ଅନୁପ୍ରାଣିତ ହୋଇ ଆମେ ଜିଏପିଇଜି 2000 ପାଇଁ ଏକ ନରମ ଡିକୋଡିଂ ପଦ୍ଧତି ଉପସ୍ଥାପନ କରୁଛୁ । ଅଧିକ ନିର୍ଦ୍ଦିଷ୍ଟ ଭାବରେ, ପ୍ରଶିକ୍ଷଣ ପର୍ଯ୍ୟାୟରେ, ଆମେ ଅନେକ ଉଚ୍ଚ ଗୁଣବତ୍ତା ପ୍ରଶିକ୍ଷଣ ପ୍ରତିଛବି ଏବଂ ଅନୁରୂପ JPEG 2000 ସଙ୍କୋଚିତ ପ୍ରତିଛବିକୁ ବିଭିନ୍ନ କୋଡିଂ ବିଟ୍-ରେଟ୍ ରେ ବ୍ୟବହାର କରି ଗଭୀର ସିଏନ୍ଏନ୍ କୁ ପ୍ରଶିକ୍ଷଣ କରୁ _ ପରୀକ୍ଷା ପର୍ଯ୍ୟାୟରେ, ଏକ ଇନପୁଟ୍ କମ୍ପ୍ରେସ୍ ଇମେଜ୍ ପାଇଁ, ନିକଟତମ କୋଡିଂ ବିଟ୍-ରେଟ୍ ସହିତ ତାଲିମପ୍ରାପ୍ତ ସିଏନ୍ଏନ୍ ସଫ୍ଟ ଡିକୋଡିଂ କରିବାକୁ ମନୋନୀତ ହୁଏ । ବ୍ୟାପକ ପରୀକ୍ଷଣରେ ଉପସ୍ଥାପିତ ନରମ ଡିକୋଡିଂ ଫ୍ରେମୱାର୍କର ପ୍ରଭାବକୁ ଦର୍ଶାଯାଇଛି, ଯାହା JPEG 2000 ସଙ୍କୋଚିତ ପ୍ରତିଛବିର ଦୃଶ୍ୟମାନ ଗୁଣବତ୍ତା ଏବଂ ଉଦ୍ଦେଶ୍ୟ ସ୍କୋରକୁ ଯଥେଷ୍ଟ ଉନ୍ନତ କରିଥାଏ । |
cfa092829c4c7a42ec77ab6844661e1dae082172 | ବିଟକଏନ ଏକ ନୂଆ ଧାରଣା ଆଣିଛି ଯାହା ସମଗ୍ର ଇଣ୍ଟରନେଟକୁ ବିପ୍ଳବୀକରଣ କରିପାରିବ ଏବଂ ବ୍ୟାଙ୍କିଙ୍ଗ, ସାର୍ବଜନୀନ କ୍ଷେତ୍ର ଏବଂ ଯୋଗାଣ ଶୃଙ୍ଖଳ ସମେତ ଅନେକ ପ୍ରକାରର ଶିଳ୍ପ ଉପରେ ସକାରାତ୍ମକ ପ୍ରଭାବ ପକାଇବ । ଏହି ନବସୃଜନ ସଦ୍-ଅନାମଧେୟତା ଉପରେ ଆଧାରିତ ଏବଂ ବ୍ଲକଚେନ ପ୍ରଯୁକ୍ତି ଉପରେ ଆଧାରିତ ଏହାର ଅଭିନବ ବିକେନ୍ଦ୍ରୀକୃତ ସଂରଚନା ଉପରେ ପ୍ରୟାସ କରୁଛି । ବ୍ଲକଚେନ ଏକ କେନ୍ଦ୍ରୀକୃତ ପ୍ରାଧିକରଣର ଆବଶ୍ୟକତା ବିନା ଟ୍ରଷ୍ଟ ପ୍ରତିଷ୍ଠା ସହିତ କାରବାର ଆଧାରିତ ପ୍ରୟୋଗର ଏକ ଦୌଡ଼କୁ ଆଗକୁ ବଢ଼ାଉଛି, ଯାହା ବ୍ୟବସାୟିକ ପ୍ରକ୍ରିୟାରେ ଉତ୍ତରଦାୟିତ୍ୱ ଏବଂ ସ୍ୱଚ୍ଛତାକୁ ପ୍ରୋତ୍ସାହିତ କରୁଛି । ତେବେ ବ୍ଲକଚେନ ଲିଜର୍ (ଉଦାହରଣ ସ୍ୱରୂପ, ବିଟକଏନ୍) ବହୁତ ଜଟିଳ ହୋଇଥାଏ ଏବଂ ବିଶେଷଜ୍ଞ ଉପକରଣ, ଯାହାକୁ ସାମୂହିକ ଭାବରେ ବ୍ଲକଚେନ ଆନାଲିଟିକ୍ସ କୁହାଯାଏ, ଆବଶ୍ୟକ ହୋଇଥାଏ ଯାହା ବ୍ୟକ୍ତି, ଆଇନ ପ୍ରବର୍ତ୍ତନକାରୀ ସଂସ୍ଥା ଏବଂ ସେବା ପ୍ରଦାନକାରୀଙ୍କୁ ଏହାକୁ ଖୋଜିବା, ଅନୁସନ୍ଧାନ ଏବଂ ଦୃଶ୍ୟମାନ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ଗତ କିଛି ବର୍ଷ ମଧ୍ୟରେ, ଅନେକ ବିଶ୍ଳେଷଣାତ୍ମକ ଉପକରଣ ବିକଶିତ କରାଯାଇଛି ଯାହା ଫରେନ୍ସିକ ଅନୁସନ୍ଧାନକୁ ଉନ୍ନତ କରିବା ପାଇଁ, ସମ୍ପର୍କର ମାନଚିତ୍ର, କାରବାରର ପ୍ରବାହ ଏବଂ ଅପରାଧର ଉଦାହରଣକୁ ଫିଲ୍ଟର କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ଏହି ପତ୍ରରେ ବ୍ଲକଚେନ ବିଶ୍ଳେଷଣ ସାଧନଗୁଡ଼ିକର ବର୍ତ୍ତମାନ ସ୍ଥିତି ଉପରେ ଆଲୋଚନା କରାଯାଇଛି ଏବଂ ଏହାର ପ୍ରୟୋଗ ଉପରେ ଆଧାରିତ ଏକ ବିଷୟଗତ ଶ୍ରେଣୀବିଭାଗ ମଡେଲ ଉପସ୍ଥାପନ କରାଯାଇଛି । ଏହା ମଧ୍ୟ ଭବିଷ୍ୟତର ବିକାଶ ଏବଂ ଗବେଷଣା ପାଇଁ ଖୋଲା ଆହ୍ୱାନଗୁଡ଼ିକର ସମୀକ୍ଷା କରିଥାଏ । |
2e5fadbaab27af0c2b5cc6a3481c11b2b83c4f94 | ଆମେ ଏକ ଫଟୋ ପଛର ଫଟୋଗ୍ରାଫରଙ୍କୁ ଚିହ୍ନଟ କରିବାର ନୂଆ ସମସ୍ୟା ବିଷୟରେ ସୂଚନା ଦେଉଛୁ । ଏହି ସମସ୍ୟାକୁ ଦୂର କରିବା ପାଇଁ କମ୍ପ୍ୟୁଟର ଭିଜନ କୌଶଳର ବ୍ୟବହାରିକତା ଉପରେ ଗବେଷଣା କରିବା ପାଇଁ, ଆମେ ଏକ ନୂତନ ଡାଟାସେଟ ପ୍ରସ୍ତୁତ କରିଛୁ ଯେଉଁଥିରେ ୪୧ ଜଣ ଜଣାଶୁଣା ଫଟୋଗ୍ରାଫରଙ୍କ ଦ୍ୱାରା ନିଆଯାଇଥିବା ୧୮୦,୦୦୦ରୁ ଅଧିକ ଫଟୋ ରହିଛି । ଏହି ଡାଟାସେଟକୁ ବ୍ୟବହାର କରି ଆମେ ବିଭିନ୍ନ ପ୍ରକାରର ବୈଶିଷ୍ଟ୍ୟ (ନିମ୍ନ ଏବଂ ଉଚ୍ଚ ସ୍ତରୀୟ, ସିଏନଏନ ବୈଶିଷ୍ଟ୍ୟ ସମେତ) ର ଫଟୋଗ୍ରାଫରଙ୍କୁ ଚିହ୍ନଟ କରିବାରେ ପ୍ରଭାବକୁ ପରୀକ୍ଷା କରିଥିଲୁ । ଆମେ ଏହି କାର୍ଯ୍ୟ ପାଇଁ ଏକ ନୂଆ ଗଭୀର କଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କକୁ ମଧ୍ୟ ତାଲିମ ଦେଇଛୁ । ଆମର ଫଳାଫଳ ଦର୍ଶାଉଛି ଯେ ଉଚ୍ଚସ୍ତରୀୟ ବୈଶିଷ୍ଟ୍ୟଗୁଡ଼ିକ ନିମ୍ନସ୍ତରୀୟ ବୈଶିଷ୍ଟ୍ୟଗୁଡ଼ିକଠାରୁ ଯଥେଷ୍ଟ ଉନ୍ନତ । ଆମେ ଏହି ଶିକ୍ଷିତ ମଡେଲ ବ୍ୟବହାର କରି ଗୁଣାତ୍ମକ ଫଳାଫଳ ପ୍ରଦାନ କରିଥାଉ ଯାହା ଫଟୋଗ୍ରାଫରମାନଙ୍କ ମଧ୍ୟରେ ଆମର ପଦ୍ଧତିର ଅନ୍ତର୍ଦୃଷ୍ଟିକୁ ବର୍ଣ୍ଣନା କରିଥାଏ, ଏବଂ ଆମକୁ ଫଟୋଗ୍ରାଫରମାନେ କ ଣ ଶୁଟ୍ କରନ୍ତି ସେ ବିଷୟରେ ଆକର୍ଷଣୀୟ ଫଳାଫଳ ବାହାର କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ । ଆମେ ମଧ୍ୟ ଆମର ପଦ୍ଧତିର ଦୁଇଟି ପ୍ରୟୋଗକୁ ପ୍ରଦର୍ଶିତ କରୁଛୁ । |
25b6818743a6c0b9502a1c026c653038ff505c09 | |
6ed67a876b3afd2f2fb7b5b8c0800a0398c76603 | |
24281c886cd9339fe2fc5881faf5ed72b731a03e | ମାଲବାହୀ କ୍ଲଷ୍ଟରଗୁଡ଼ିକରେ ବଡ଼ ଆକାରର ତଥ୍ୟ-ସଂପନ୍ନ ପ୍ରୟୋଗଗୁଡ଼ିକର କାର୍ଯ୍ୟାନ୍ୱୟନ କ୍ଷେତ୍ରରେ ମ୍ୟାପରିଡୁସ ଏବଂ ଏହାର ଭାରିଆଣ୍ଟଗୁଡ଼ିକ ଅତ୍ୟନ୍ତ ସଫଳ ହୋଇଛି । ତେବେ, ଏହିସବୁ ପ୍ରଣାଳୀଗୁଡିକର ଅଧିକାଂଶ ଏକ ଅସର୍କଲିକ୍ ଡାଟା ପ୍ରବାହ ମଡେଲ ଉପରେ ନିର୍ମିତ ଯାହା ଅନ୍ୟ ଲୋକପ୍ରିୟ ପ୍ରୟୋଗଗୁଡିକ ପାଇଁ ଉପଯୁକ୍ତ ନୁହେଁ । ଏହି କାଗଜରେ ଗୋଟିଏ ଶ୍ରେଣୀର ପ୍ରୟୋଗ ଉପରେ ଧ୍ୟାନ ଦିଆଯାଇଛି: ସେହିସବୁ ପ୍ରୟୋଗ ଯାହା ଏକାଧିକ ସମାନ୍ତରାଳ କାର୍ଯ୍ୟରେ ତଥ୍ୟର ଏକ କାର୍ଯ୍ୟ ସେଟକୁ ପୁନଃ ବ୍ୟବହାର କରିଥାଏ । ଏଥିରେ ଅନେକ ଇଟରେଟିଭ ମେସିନ ଲର୍ଣ୍ଣିଂ ଆଲଗୋରିଦମ ସହିତ ଇଣ୍ଟରଆକ୍ଟିଭ ଡାଟା ଆନାଲିସିସ ଟୁଲ୍ସ ମଧ୍ୟ ଅନ୍ତର୍ଭୁକ୍ତ । ଆମେ ଏକ ନୂତନ ଫ୍ରେମୱାର୍କର ପ୍ରସ୍ତାବ ଦେଉଛୁ ଯାହାକୁ ସ୍ପାର୍କ କୁହାଯାଏ ଯାହା ଏହି ଆପ୍ଲିକେସନଗୁଡ଼ିକୁ ସମର୍ଥନ କରିଥାଏ ଏବଂ ମ୍ୟାପ ରେଡ୍ୟୁସର ସ୍କେଲେବିଲିଟି ଏବଂ ତ୍ରୁଟି ସହନଶୀଳତାକୁ ବଜାୟ ରଖିଥାଏ । ଏହି ଲକ୍ଷ୍ୟ ହାସଲ କରିବା ପାଇଁ, ସ୍ପାର୍କ ଏକ ଅବକ୍ଷୟକୁ ଆବିଷ୍କାର କରେ ଯାହାକୁ ଆରଡିଡି (ରସିଲିଆନ ଡିଷ୍ଟ୍ରିବ୍ୟୁଟେଡ ଡାଟାସେଟ) କୁହାଯାଏ । ଏକ ଆରଡିଡି ହେଉଛି ଏକ ସେଟ୍ ମେସିନ୍ ରେ ବିଭକ୍ତ ହୋଇଥିବା ଏକ ପଠନ-କେବଳ ସଂଗ୍ରହ ଯାହା ଏକ ବିଭାଜନ ନଷ୍ଟ ହେଲେ ପୁନଃନିର୍ମାଣ କରାଯାଇପାରିବ _ ସ୍ପାର୍କ୍ କୁ 10x ଅଧିକ ଭଲ ଭାବରେ Hadoop କୁ ପରବର୍ତ୍ତୀ ଯନ୍ତ୍ର ଶିକ୍ଷା କାର୍ଯ୍ୟରେ ବ୍ୟବହାର କରିପାରିବ, ଏବଂ 39 GB ଡାଟାସେଟକୁ ସବ-ସେକେଣ୍ଡ ରେସପନ୍ସ ଟାଇମ୍ ସହିତ ଇଣ୍ଟରଆକ୍ଟିଭ୍ ଭାବରେ ପ୍ରଶ୍ନ ପଚାରିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ । |
03ff3f8f4d5a700fbe8f3a3e63a39523c29bb60f | ଭାଷା ବୁଝିବା ପାଇଁ ବାକ୍ୟକୁ ସଠିକ ଭାବରେ ଉପସ୍ଥାପନ କରିବାର କ୍ଷମତା ଅତ୍ୟନ୍ତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ । ଆମେ ଏକ କଭୋଲ୍ୟୁସନାଲ ଆର୍କିଟେକଚର ବିଷୟରେ ବର୍ଣ୍ଣନା କରିଛୁ ଯାହାକୁ ଡାଇନାମିକ୍ କଭୋଲ୍ୟୁସନାଲ ନ୍ୟୁରାଲ ନେଟୱାର୍କ (ଡିସିଏନଏନ) କୁହାଯାଏ ଯାହାକୁ ଆମେ ବାକ୍ୟର ଅର୍ଥାତ୍ମକ ମଡେଲିଂ ପାଇଁ ଗ୍ରହଣ କରିଥାଉ । ଏହି ନେଟୱର୍କରେ ଡାଇନାମିକ୍ କେ-ମ୍ୟାକ୍ସ ପୁଲିଂର ବ୍ୟବହାର କରାଯାଇଛି । ନେଟୱର୍କ ବିଭିନ୍ନ ଲମ୍ବର ଇନପୁଟ୍ ବାକ୍ୟକୁ ପରିଚାଳନା କରିଥାଏ ଏବଂ ବାକ୍ୟ ଉପରେ ଏକ ବିଶେଷତା ଗ୍ରାଫ୍ ସୃଷ୍ଟି କରିଥାଏ ଯାହା ସ୍ୱଳ୍ପ ଏବଂ ଦୀର୍ଘ-ପରିସର ସମ୍ପର୍କକୁ ସ୍ପଷ୍ଟ ଭାବରେ ଧାରଣ କରିବାରେ ସକ୍ଷମ ହୋଇଥାଏ । ଏହି ନେଟୱର୍କ କୌଣସି ପାର୍ସ ଟ୍ରୀ ଉପରେ ନିର୍ଭର କରେ ନାହିଁ ଏବଂ ଏହା ଯେକୌଣସି ଭାଷାରେ ସହଜରେ ପ୍ରୟୋଗ କରାଯାଇପାରିବ । ଆମେ ଡିସିଏନଏନକୁ ଚାରିଟି ପରୀକ୍ଷଣରେ ପରୀକ୍ଷା କଲୁ: ଛୋଟ ଆକାରର ବାଇନାରୀ ଏବଂ ମଲ୍ଟି-କ୍ଲାସ ଭାବନା ପୂର୍ବାନୁମାନ, ଛଅ-ପଥ ପ୍ରଶ୍ନ ବର୍ଗୀକରଣ ଏବଂ ଟ୍ୱିଟର ଭାବନା ପୂର୍ବାନୁମାନ ଦୂରବର୍ତ୍ତୀ ତଦାରଖ ଦ୍ୱାରା । ଏହି ନେଟୱର୍କ ପ୍ରଥମ ତିନୋଟି କାର୍ଯ୍ୟରେ ଉତ୍ତମ ପ୍ରଦର୍ଶନ ହାସଲ କରିଛି ଏବଂ ଶେଷ କାର୍ଯ୍ୟରେ ୨୫%ରୁ ଅଧିକ ତ୍ରୁଟି ହ୍ରାସ ପାଇଛି । |
ff5c193fd7142b3f426baf997b43937eca1bbbad | ନିକଟରେ ବହୁସ୍ତରୀୟ ଇନଭର୍ଟର ପ୍ରଯୁକ୍ତି ଉଚ୍ଚ କ୍ଷମତା ସମ୍ପନ୍ନ ମଧ୍ୟମ ଭୋଲଟେଜ ଶକ୍ତି ନିୟନ୍ତ୍ରଣ କ୍ଷେତ୍ରରେ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ବିକଳ୍ପ ଭାବେ ଉଭା ହୋଇଛି । ଏହି ପତ୍ରରେ ଡାୟୋଡ-କ୍ଲାମପଡ ଇନଭର୍ଟର (ନ୍ୟୁଟ୍ରାଲ-ପଏଣ୍ଟ କ୍ଲାମପଡ), କଣ୍ଡେସଟର-କ୍ଲାମପଡ (ଫ୍ଲାଇଙ୍ଗ କଣ୍ଡେସଟର), ଏବଂ ଅଲଗା ଡିସି ଉତ୍ସ ସହିତ କାସକେଡ ମଲ୍ଟିସେଲ ପରି ସବୁଠାରୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଟପୋଲୋଜି ଉପସ୍ଥାପନ କରାଯାଇଛି । ଅସନ୍ତୁଳିତ ହାଇବ୍ରିଡ୍ ସେଲ୍ ଏବଂ ନରମ ସ୍ୱିଚ୍ ବହୁସ୍ତରୀୟ ଇନଭର୍ଟର ଭଳି ଉଦୀୟମାନ ଟପୋଲୋଜି ଉପରେ ମଧ୍ୟ ଆଲୋଚନା କରାଯାଇଛି । ଏହି କାଗଜରେ ଏହି ପରିବାର ପାଇଁ ବିକଶିତ ହୋଇଥିବା ନିୟନ୍ତ୍ରଣ ଏବଂ ମଡ୍ୟୁଲେସନ୍ ପଦ୍ଧତିର ମଧ୍ୟ ଉପସ୍ଥାପନା କରାଯାଇଛି: ମଲ୍ଟିଲେଭଲ୍ ସାଇନସୋଏଡଲ୍ ପଲସ୍ୱିଡ୍ଥ୍ ମଡ୍ୟୁଲେସନ୍, ମଲ୍ଟିଲେଭଲ୍ ଚୟନୀୟ ହାର୍ମୋନିକ୍ ଏଲିମିନେଶନ୍ ଏବଂ ସ୍ପେସ୍ ଭେକ୍ଟର ମଡ୍ୟୁଲେସନ୍ । ଏହିସବୁ କନ୍ଭର୍ଟରଗୁଡ଼ିକର ନୂତନ ଏବଂ ଅଧିକ ପ୍ରାସଙ୍ଗିକ ପ୍ରୟୋଗ ଉପରେ ବିଶେଷ ଧ୍ୟାନ ଦିଆଯାଉଛି ଯେପରିକି ଲାମିନେଟର, କନଭଏୟର ବେଲ୍ଟ ଏବଂ ୟୁନିଫାଏଡ୍ ପାୱାର-ଫ୍ଲୋ କଣ୍ଟ୍ରୋଲର । ପୁନଃଉତ୍ପାଦନଶୀଳ ଭାର ଯୋଗାଉଥିବା ଇନଭର୍ଟରଗୁଡ଼ିକ ପାଇଁ ଇନପୁଟ ପାର୍ଶ୍ୱରେ ଏକ ଆକ୍ଟିଭ୍ ଫ୍ରଣ୍ଟ ଏଣ୍ଡର ଆବଶ୍ୟକତା ଉପରେ ମଧ୍ୟ ଆଲୋଚନା କରାଯାଇଛି ଏବଂ ସର୍କିଟ ଟପୋଲୋଜି ବିକଳ୍ପଗୁଡ଼ିକ ମଧ୍ୟ ଉପସ୍ଥାପିତ କରାଯାଇଛି । ଶେଷରେ, ଉଚ୍ଚ-ବୋଲଟେଜ୍ ଉଚ୍ଚ-ଶକ୍ତି ଉପକରଣ ଏବଂ ଅପ୍ଟିକାଲ ସେନସର ଏବଂ ଭବିଷ୍ୟତର ବିକାଶ ପାଇଁ ଅନ୍ୟାନ୍ୟ ସୁଯୋଗ ଭଳି ପରିସୀମା ବିକାଶ କ୍ଷେତ୍ରକୁ ସମ୍ବୋଧିତ କରାଯାଇଛି । |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.