Datasets:

carlfeynman

/

Bharat_NanoSCIDOCS_kn

like 0

40baa5d4632d807cc5841874be73415775b500fd

ಮೋಟಾರ್ ಡ್ರೈವ್ಗಳಿಗಾಗಿ ಸಾಂಪ್ರದಾಯಿಕ ಎರಡು ಹಂತದ ಹೈ-ಫ್ರೀಕ್ವೆನ್ಸಿ ಪಲ್ಸ್-ಬ್ಯಾಡ್ತ್ ಮಾಡ್ಯುಲೇಷನ್ (ಪಿಡಬ್ಲ್ಯೂಎಂ) ಇನ್ವರ್ಟರ್ಗಳು ತಮ್ಮ ಹೈ-ಫ್ರೀಕ್ವೆನ್ಸಿ ಸ್ವಿಚಿಂಗ್ನೊಂದಿಗೆ ಹಲವಾರು ಸಮಸ್ಯೆಗಳನ್ನು ಹೊಂದಿವೆ, ಇದು ಮೋಟಾರ್ ಸುರುಳಿಗಳಿಗೆ ಸಾಮಾನ್ಯ-ಮೋಡ್ ವೋಲ್ಟೇಜ್ ಮತ್ತು ಹೆಚ್ಚಿನ ವೋಲ್ಟೇಜ್ ಬದಲಾವಣೆಯ (ಡಿವಿ / ಡಿಟಿ) ದರಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಬಹುಮಟ್ಟದ ಇನ್ವರ್ಟರ್ಗಳು ಈ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸುತ್ತವೆ ಏಕೆಂದರೆ ಅವುಗಳ ಸಾಧನಗಳು ಕಡಿಮೆ ಆವರ್ತನದಲ್ಲಿ ಬದಲಾಯಿಸಬಹುದು. ವಿದ್ಯುತ್ ಚಾಲಿತ ಸಾಧನಗಳಿಗೆ ಪರಿವರ್ತಕಗಳಾಗಿ ಬಳಸಲು ಎರಡು ವಿಭಿನ್ನ ಬಹುಮಟ್ಟದ ಟೊಪೊಲೊಜಿಯನ್ನು ಗುರುತಿಸಲಾಗಿದೆ, ಪ್ರತ್ಯೇಕ ಡಿಸಿ ಮೂಲಗಳೊಂದಿಗೆ ಕ್ಯಾಸ್ಕೇಡ್ ಇನ್ವರ್ಟರ್ ಮತ್ತು ಬ್ಯಾಕ್-ಟು-ಬ್ಯಾಕ್ ಡಯೋಡ್ ಕ್ಲ್ಯಾಂಪ್ಡ್ ಪರಿವರ್ತಕ. ಕ್ಯಾಸ್ಕೇಡ್ ಇನ್ವರ್ಟರ್ ದೊಡ್ಡ ವಾಹನ ಎಲೆಕ್ಟ್ರಿಕ್ ಡ್ರೈವ್ಗಳಿಗೆ ನೈಸರ್ಗಿಕವಾಗಿ ಸೂಕ್ತವಾಗಿದೆ ಏಕೆಂದರೆ ಹೆಚ್ಚಿನ VA ರೇಟಿಂಗ್ಗಳು ಸಾಧ್ಯ ಮತ್ತು ಏಕೆಂದರೆ ಇದು ಬ್ಯಾಟರಿಗಳು ಅಥವಾ ಇಂಧನ ಕೋಶಗಳಿಂದ ಲಭ್ಯವಿರುವ ಹಲವಾರು ಮಟ್ಟದ DC ವೋಲ್ಟೇಜ್ ಮೂಲಗಳನ್ನು ಬಳಸುತ್ತದೆ. ಹಿಂಭಾಗದಿಂದ ಹಿಂಭಾಗಕ್ಕೆ ಡಯೋಡ್ ಕ್ಲ್ಯಾಂಪ್ಡ್ ಪರಿವರ್ತಕವು ಹೈಬ್ರಿಡ್ ಎಲೆಕ್ಟ್ರಿಕ್ ವಾಹನಗಳಂತಹ ಎಸಿ ವೋಲ್ಟೇಜ್ ಮೂಲ ಲಭ್ಯವಿರುವಲ್ಲಿ ಸೂಕ್ತವಾಗಿದೆ. ಸಿಮ್ಯುಲೇಶನ್ ಮತ್ತು ಪ್ರಾಯೋಗಿಕ ಫಲಿತಾಂಶಗಳು ಈ ಎರಡು ಪರಿವರ್ತಕಗಳ ಶ್ರೇಷ್ಠತೆಯನ್ನು PWM ಆಧಾರಿತ ಡ್ರೈವ್ಗಳ ಮೇಲೆ ತೋರಿಸುತ್ತವೆ.

895fa1357bcfa9b845945c6505a6e48070fd5d89

ಈ ಕೆಲಸದಲ್ಲಿ ನಾವು ಸುರಕ್ಷಿತ ಎಲೆಕ್ಟ್ರಾನಿಕ್ ಮತದಾನ ಪ್ರೋಟೋಕಾಲ್ ಅನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ ಅದು ಅಂತರ್ಜಾಲದ ಮೂಲಕ ದೊಡ್ಡ ಪ್ರಮಾಣದ ಮತದಾನಕ್ಕೆ ಸೂಕ್ತವಾಗಿದೆ. ಈ ಪ್ರೋಟೋಕಾಲ್ ಮತದಾರರಿಗೆ ಅನಾಮಧೇಯವಾಗಿ ಮತ ಚಲಾಯಿಸಲು ಅವಕಾಶ ನೀಡುತ್ತದೆ, ಪತ್ತೆಹಚ್ಚಲಾಗದ ಆದರೆ ಅಧಿಕೃತ ಸಂದೇಶಗಳನ್ನು ವಿನಿಮಯ ಮಾಡಿಕೊಳ್ಳುವ ಮೂಲಕ. ಈ ಪ್ರೋಟೋಕಾಲ್ (i) ಮತ ಚಲಾಯಿಸಲು ಅರ್ಹ ಮತದಾರರಿಗೆ ಮಾತ್ರ ಮತ ಚಲಾಯಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ, (ii) ಮತದಾರರು ಕೇವಲ ಒಂದು ಮತವನ್ನು ಮಾತ್ರ ಚಲಾಯಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ, (iii) ಮತದಾರರು ತಮ್ಮ ಮತವನ್ನು ಅಂತಿಮ ಎಣಿಕೆಯಲ್ಲಿ ಎಣಿಸಲಾಗಿದೆಯೆ ಎಂದು ಪರಿಶೀಲಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ, (iv) ಮತದಾರರನ್ನು ಹೊರತುಪಡಿಸಿ ಬೇರೆ ಯಾರೂ ಮತದಾರರೊಂದಿಗೆ ಮತ ಚಲಾಯಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ, ಮತ್ತು (v) ಮತದಾರನು ಮತ ಚಲಾಯಿಸದಿರಲು ನಿರ್ಧರಿಸಿದರೆ, ಮತದಾರರ ಸ್ಥಳದಲ್ಲಿ ಯಾರೂ ವಂಚನೆ ಮತ ಚಲಾಯಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ. ಈ ಪ್ರೋಟೋಕಾಲ್ ಗೆ ಎಲ್ಲಾ ನೋಂದಾಯಿತ ಮತದಾರರ ಸಹಕಾರ ಬೇಕಾಗಿಲ್ಲ. ಇದಲ್ಲದೆ, ಮತದಾನಕ್ಕಾಗಿ ಸಂಕೀರ್ಣ ಕ್ರಿಪ್ಟೋಗ್ರಾಫಿಕ್ ತಂತ್ರಗಳಾದ ಥ್ರೆಶ್ಲೆಟ್ ಕ್ರಿಪ್ಟೋಸಿಸ್ಟಮ್ಗಳು ಅಥವಾ ಅನಾಮಧೇಯ ಚಾನಲ್ಗಳ ಬಳಕೆಯ ಅಗತ್ಯವಿರುವುದಿಲ್ಲ. ಇದು ಸಾಹಿತ್ಯದಲ್ಲಿ ಪ್ರಸ್ತಾಪಿಸಲಾದ ಇತರ ಮತದಾನ ಪ್ರೋಟೋಕಾಲ್ಗಳಿಗೆ ವಿರುದ್ಧವಾಗಿದೆ. ಪ್ರೋಟೋಕಾಲ್ ಯಶಸ್ವಿ ಕಾರ್ಯಾಚರಣೆಗೆ ಮತದಾರರನ್ನು ಹೊರತುಪಡಿಸಿ ಮೂರು ಏಜೆಂಟ್ಗಳನ್ನು ಬಳಸುತ್ತದೆ. ಆದರೆ, ಈ ಏಜೆಂಟರಲ್ಲಿ ಯಾರನ್ನೂ ನಂಬಬಾರದು. ಅಂದರೆ, ಏಜೆಂಟರು ಭೌತಿಕವಾಗಿ ಸಹ-ಸ್ಥಾನದಲ್ಲಿರಬಹುದು ಅಥವಾ ವಂಚನೆಯನ್ನು ಮಾಡಲು ಪ್ರಯತ್ನಿಸಲು ಪರಸ್ಪರ ಸಂಚು ಮಾಡಬಹುದು. ಒಂದು ವೇಳೆ ವಂಚನೆ ನಡೆದರೆ ಅದನ್ನು ಸುಲಭವಾಗಿ ಪತ್ತೆ ಹಚ್ಚಿ ಸಾಬೀತುಪಡಿಸಬಹುದು, ಇದರಿಂದಾಗಿ ಮತದಾನವನ್ನು ಅನೂರ್ಜಿತವೆಂದು ಘೋಷಿಸಬಹುದು. ನಾವು ಈ ಪ್ರೋಟೋಕಾಲ್ ಅನ್ನು ಎಲೆಕ್ಟ್ರಾನಿಕ್ ಮತದಾನವನ್ನು ಗಮನದಲ್ಲಿಟ್ಟುಕೊಂಡು ಪ್ರಸ್ತಾಪಿಸಿದರೂ, ಈ ಪ್ರೋಟೋಕಾಲ್ ಅನ್ನು ಇತರ ಅನ್ವಯಿಕೆಗಳಲ್ಲಿ ಬಳಸಬಹುದು, ಇದರಲ್ಲಿ ಪತ್ತೆಹಚ್ಚಲಾಗದ ಆದರೆ ಅಧಿಕೃತ ಸಂದೇಶವನ್ನು ವಿನಿಮಯ ಮಾಡಿಕೊಳ್ಳುವುದು ಸೇರಿದೆ. ಅಂತಹ ಅನ್ವಯಗಳ ಉದಾಹರಣೆಗಳು ಗೌಪ್ಯ ಪ್ರಶ್ನಾವಳಿಯನ್ನು ಅನಾಮಧೇಯವಾಗಿ ಅಥವಾ ಅನಾಮಧೇಯ ಹಣಕಾಸು ವಹಿವಾಟುಗಳಿಗೆ ಉತ್ತರಿಸುತ್ತಿವೆ.

cf9145aa55da660a8d32bf628235c615318463bf

ಕಳೆದ ದಶಕದಲ್ಲಿ, ಅಂತರ್ಗತ ವ್ಯವಸ್ಥೆಗಳು ನಮ್ಮ ದೈನಂದಿನ ಜೀವನದ ಅವಿಭಾಜ್ಯ ಅಂಗಗಳಾಗಿವೆ ಎಂಬುದು ಸ್ಪಷ್ಟವಾಗಿದೆ. ಅನೇಕ ಅಂತರ್ಗತ ಅನ್ವಯಿಕೆಗಳ ನಿಸ್ತಂತು ಸ್ವರೂಪ ಮತ್ತು ಅವುಗಳ ಸರ್ವವ್ಯಾಪಿತ್ವವು ಭದ್ರತೆ ಮತ್ತು ಗೌಪ್ಯತೆ ಸಂರಕ್ಷಣಾ ಕಾರ್ಯವಿಧಾನಗಳ ಅಗತ್ಯವನ್ನು ವಿಶೇಷವಾಗಿ ಮಹತ್ವದ್ದಾಗಿದೆ. ಹೀಗಾಗಿ, ಎಫ್. ಪಿ. ಜಿ. ಎ. ಗಳು ಎಂಬೆಡೆಡ್ ಸಿಸ್ಟಮ್ಗಳ ಅವಿಭಾಜ್ಯ ಅಂಗವಾಗುತ್ತಿದ್ದಂತೆ, ಅವುಗಳ ಸುರಕ್ಷತೆಯನ್ನು ಒಟ್ಟಾರೆಯಾಗಿ ಪರಿಗಣಿಸುವುದು ಕಡ್ಡಾಯವಾಗಿದೆ. ಈ ಕೊಡುಗೆಯು ಎಫ್ಪಿಜಿಎಗಳ ಮೇಲಿನ ಭದ್ರತಾ ಸಮಸ್ಯೆಗಳ ಬಗ್ಗೆ ವ್ಯವಸ್ಥೆಯ ಮತ್ತು ಅನುಷ್ಠಾನದ ದೃಷ್ಟಿಕೋನದಿಂದ ಅತ್ಯಾಧುನಿಕ ವಿವರಣೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ. ನಾವು ಕ್ರಿಪ್ಟೋಗ್ರಾಫಿಕ್ ಅನ್ವಯಿಕೆಗಳಿಗಾಗಿ ಮರುಸಂಘಟಿಸಬಹುದಾದ ಯಂತ್ರಾಂಶದ ಅನುಕೂಲಗಳ ಬಗ್ಗೆ ಚರ್ಚಿಸುತ್ತೇವೆ, ಎಫ್ಪಿಜಿಎಗಳ ಸಂಭಾವ್ಯ ಭದ್ರತಾ ಸಮಸ್ಯೆಗಳನ್ನು ತೋರಿಸುತ್ತೇವೆ ಮತ್ತು ತೆರೆದ ಸಂಶೋಧನಾ ಸಮಸ್ಯೆಗಳ ಪಟ್ಟಿಯನ್ನು ಒದಗಿಸುತ್ತೇವೆ. ಇದಲ್ಲದೆ, ನಾವು ಎಫ್ಪಿಜಿಎಗಳಲ್ಲಿ ಸಾರ್ವಜನಿಕ ಮತ್ತು ಸಮ್ಮಿತೀಯ-ಕೀ ಅಲ್ಗಾರಿದಮ್ ಅನುಷ್ಠಾನಗಳನ್ನು ಸಂಕ್ಷಿಪ್ತವಾಗಿ ಹೇಳುತ್ತೇವೆ.

748eb923d2c384d2b3af82af58d2e6692ef57aa1

ಪಠ್ಯ ಗಣಿಗಾರಿಕೆ ಎನ್ನುವುದು ಕಂಪ್ಯೂಟರ್ ವಿಜ್ಞಾನದ ಹೊಸ ಮತ್ತು ಉತ್ತೇಜಕ ಕ್ಷೇತ್ರವಾಗಿದ್ದು, ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ, ಯಂತ್ರ ಕಲಿಕೆ, ನೈಸರ್ಗಿಕ ಭಾಷಾ ಸಂಸ್ಕರಣೆ, ಮಾಹಿತಿ ಮರುಪಡೆಯುವಿಕೆ ಮತ್ತು ಜ್ಞಾನ ನಿರ್ವಹಣೆಯ ತಂತ್ರಗಳನ್ನು ಸಂಯೋಜಿಸುವ ಮೂಲಕ ಮಾಹಿತಿ ಓವರ್ಲೋಡ್ನ ಬಿಕ್ಕಟ್ಟನ್ನು ಪರಿಹರಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತದೆ. ಟೆಕ್ಸ್ಟ್ ಮೈನಿಂಗ್ ಹ್ಯಾಂಡ್ ಬುಕ್ ಪಠ್ಯ ಗಣಿಗಾರಿಕೆ ಮತ್ತು ಲಿಂಕ್ ಪತ್ತೆ ಹಚ್ಚುವಲ್ಲಿನ ಇತ್ತೀಚಿನ ತಂತ್ರಗಳ ಸಮಗ್ರ ಚರ್ಚೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ. ಮೂಲ ಪಠ್ಯ ಗಣಿಗಾರಿಕೆ ಮತ್ತು ಲಿಂಕ್ ಪತ್ತೆ ಕ್ರಮಾವಳಿ ಮತ್ತು ಕಾರ್ಯಾಚರಣೆಗಳ ಬಗ್ಗೆ ಆಳವಾದ ಪರೀಕ್ಷೆಯನ್ನು ಒದಗಿಸುವುದರ ಜೊತೆಗೆ, ಪುಸ್ತಕವು ಸುಧಾರಿತ ಪೂರ್ವ-ಸಂಸ್ಕರಣಾ ತಂತ್ರಗಳು, ಜ್ಞಾನ ಪ್ರಾತಿನಿಧ್ಯ ಪರಿಗಣನೆಗಳು ಮತ್ತು ದೃಶ್ಯೀಕರಣ ವಿಧಾನಗಳನ್ನು ಪರಿಶೀಲಿಸುತ್ತದೆ, ಇದು ನೈಜ-ಪ್ರಪಂಚದ ಅನ್ವಯಿಕೆಗಳೊಂದಿಗೆ ಕೊನೆಗೊಳ್ಳುತ್ತದೆ.

d044d399049bb9bc6df8cc2a5d72610a95611eed

ಉದ್ದೇಶಃ ಸಬ್ಅಕ್ಯೂಟ್ ಸ್ಟ್ರೋಕ್ನ ವ್ಯಕ್ತಿಗಳಲ್ಲಿ ಲೋಕೋಮ್ಯಾಟ್ನೊಂದಿಗೆ ರೊಬೊಟಿಕ್-ಅಸಿಸ್ಟೆಡ್ ಗೇಜ್ ತರಬೇತಿ ಮತ್ತು ಸಾಂಪ್ರದಾಯಿಕ ಗೇಜ್ ತರಬೇತಿಗಳ ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ಹೋಲಿಸುವುದು. ವಿಧಾನಗಳು ಆರಂಭಿಕ ವಾಕಿಂಗ್ ವೇಗವು 0. 1 ರಿಂದ 0. 6 m/ s ನಡುವೆ ಇರುವ ಒಟ್ಟು 63 ಭಾಗವಹಿಸುವವರು < 6 ತಿಂಗಳ ನಂತರ ಮಲ್ಟಿಸೆಂಟರ್, ಯಾದೃಚ್ಛಿಕ ಕ್ಲಿನಿಕಲ್ ಪ್ರಯೋಗವನ್ನು ಪೂರ್ಣಗೊಳಿಸಿದರು. ಎಲ್ಲಾ ಭಾಗವಹಿಸುವವರು ಲೋಕೋಮ್ಯಾಟ್ ಅಥವಾ ಸಾಂಪ್ರದಾಯಿಕ ನಡಿಗೆ ತರಬೇತಿಯ ಇಪ್ಪತ್ನಾಲ್ಕು 1 ಗಂಟೆ ಅವಧಿಯನ್ನು ಪಡೆದರು. ಫಲಿತಾಂಶದ ಕ್ರಮಗಳನ್ನು ತರಬೇತಿಗೆ ಮುಂಚಿತವಾಗಿ, 12 ಮತ್ತು 24 ಸೆಷನ್ಗಳ ನಂತರ ಮತ್ತು 3 ತಿಂಗಳ ನಂತರದ ಪರೀಕ್ಷೆಯಲ್ಲಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಯಿತು. ಸ್ವಯಂ ಆಯ್ಕೆ ಮಾಡಿದ ನೆಲದ ಮೇಲೆ ನಡೆಯುವ ವೇಗ ಮತ್ತು 6 ನಿಮಿಷಗಳಲ್ಲಿ ನಡೆದ ದೂರವು ಪ್ರಾಥಮಿಕ ಫಲಿತಾಂಶದ ಕ್ರಮಗಳಾಗಿದ್ದವು, ಆದರೆ ದ್ವಿತೀಯ ಫಲಿತಾಂಶದ ಕ್ರಮಗಳು ಸಮತೋಲನ, ಚಲನಶೀಲತೆ ಮತ್ತು ಕಾರ್ಯ, ವೇಗ ಮತ್ತು ಸಮ್ಮಿತಿ, ಅಂಗವೈಕಲ್ಯ ಮಟ್ಟ ಮತ್ತು ಜೀವನದ ಗುಣಮಟ್ಟದ ಕ್ರಮಗಳನ್ನು ಒಳಗೊಂಡಿವೆ. ಫಲಿತಾಂಶಗಳು ಸಾಂಪ್ರದಾಯಿಕ ನಡಿಗೆ ತರಬೇತಿಯನ್ನು ಪಡೆದ ಭಾಗವಹಿಸುವವರು ಲೊಕೊಮ್ಯಾಟ್ನಲ್ಲಿ ತರಬೇತಿ ಪಡೆದವರಿಗಿಂತ ವಾಕಿಂಗ್ ವೇಗ (ಪಿ = . 002) ಮತ್ತು ದೂರ (ಪಿ = . 03) ನಲ್ಲಿ ಗಮನಾರ್ಹವಾಗಿ ಹೆಚ್ಚಿನ ಲಾಭವನ್ನು ಅನುಭವಿಸಿದ್ದಾರೆ. ಈ ವ್ಯತ್ಯಾಸಗಳು 3 ತಿಂಗಳ ನಂತರದ ಮೌಲ್ಯಮಾಪನದಲ್ಲಿ ಉಳಿಸಿಕೊಂಡವು. ದ್ವಿತೀಯಕ ಕ್ರಮಗಳು ಎರಡು ಗುಂಪುಗಳ ನಡುವೆ ಭಿನ್ನವಾಗಿರಲಿಲ್ಲ, ಆದರೂ ಸಾಂಪ್ರದಾಯಿಕ ಮತ್ತು ಲೋಕೋಮ್ಯಾಟ್ ಗುಂಪಿನಲ್ಲಿ ವೇಗದಲ್ಲಿ ಎರಡು ಪಟ್ಟು ಹೆಚ್ಚಿನ ಸುಧಾರಣೆಯನ್ನು ಗಮನಿಸಲಾಗಿದೆ. ಮಧ್ಯಮದಿಂದ ತೀವ್ರವಾದ ನಡಿಗೆ ದೌರ್ಬಲ್ಯ ಹೊಂದಿರುವ ಉಪ- ತೀವ್ರವಾದ ಸ್ಟ್ರೋಕ್ ಭಾಗವಹಿಸುವವರಿಗೆ, ನಡಿಗೆ ಸಾಮರ್ಥ್ಯದಲ್ಲಿನ ಮರಳುವಿಕೆಯನ್ನು ಸುಲಭಗೊಳಿಸಲು ರೋಬೋಟ್-ಸಹಾಯಿತ ನಡಿಗೆ ತರಬೇತಿಯ ಬದಲು ಸಾಂಪ್ರದಾಯಿಕ ನಡಿಗೆ ತರಬೇತಿ ಮಧ್ಯಸ್ಥಿಕೆಗಳ ವೈವಿಧ್ಯತೆಯು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿದೆ.

098cc8b16697307a241658d69c213954ede76d59

ಎರಡು ವೇದಿಕೆಗಳಲ್ಲಿ 43 ಬಳಕೆದಾರರ ಡೇಟಾವನ್ನು ಬಳಸಿಕೊಂಡು, ನಾವು ಸ್ಮಾರ್ಟ್ಫೋನ್ ದಟ್ಟಣೆಯನ್ನು ವಿವರವಾಗಿ ನೋಡುತ್ತೇವೆ. ನಾವು ಬ್ರೌಸಿಂಗ್ ದಟ್ಟಣೆಯನ್ನು ಅರ್ಧಕ್ಕಿಂತ ಹೆಚ್ಚು ಕೊಡುಗೆ ಎಂದು ಕಂಡು, ಇಮೇಲ್, ಮಾಧ್ಯಮ, ಮತ್ತು ನಕ್ಷೆಗಳು ಸುಮಾರು 10% ಪ್ರತಿ ಕೊಡುಗೆಯನ್ನು. ನಾವು ಕಡಿಮೆ ಪದರ ಪ್ರೋಟೋಕಾಲ್ಗಳ ಓವರ್ಹೆಡ್ ಹೆಚ್ಚಿನ ಏಕೆಂದರೆ ಸಣ್ಣ ವರ್ಗಾವಣೆ ಗಾತ್ರಗಳು ಎಂದು ಹೇಗೆ. ಸಾರಿಗೆ ಮಟ್ಟದ ಭದ್ರತೆಯನ್ನು ಬಳಸುವ ಅರ್ಧದಷ್ಟು ವರ್ಗಾವಣೆಗಳಿಗೆ, ಹೆಡರ್ ಬೈಟ್ಗಳು ಒಟ್ಟು ಮೊತ್ತದ 40% ಗೆ ಅನುರೂಪವಾಗಿವೆ. ಸ್ಮಾರ್ಟ್ಫೋನ್ ಸಂಚಾರದ ದರವನ್ನು ಮಿತಿಗೊಳಿಸುವ ಪ್ರಮುಖ ಅಂಶವೆಂದರೆ ಪ್ಯಾಕೆಟ್ ನಷ್ಟವಾಗಿದ್ದರೂ, ಇಂಟರ್ನೆಟ್ ಸರ್ವರ್ಗಳಲ್ಲಿ ದೊಡ್ಡದಾದ ಕಳುಹಿಸುವ ಬಫರ್ಗಳು ವರ್ಗಾವಣೆಯ ನಾಲ್ಕನೇ ಒಂದು ಭಾಗದಷ್ಟು ದರವನ್ನು ಸುಧಾರಿಸಬಹುದು ಎಂದು ನಾವು ತೋರಿಸುತ್ತೇವೆ. ಅಂತಿಮವಾಗಿ, ಸ್ಮಾರ್ಟ್ಫೋನ್ ಸಂಚಾರ ಮತ್ತು ರೇಡಿಯೋ ವಿದ್ಯುತ್ ನಿರ್ವಹಣಾ ನೀತಿಯ ನಡುವಿನ ಪರಸ್ಪರ ಕ್ರಿಯೆಯನ್ನು ಅಧ್ಯಯನ ಮಾಡುವ ಮೂಲಕ, ಪ್ಯಾಕೆಟ್ ವಿನಿಮಯದ ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೇಲೆ ಕನಿಷ್ಠ ಪರಿಣಾಮ ಬೀರುವ ಮೂಲಕ ರೇಡಿಯೊದ ವಿದ್ಯುತ್ ಬಳಕೆಯನ್ನು 35% ರಷ್ಟು ಕಡಿಮೆ ಮಾಡಬಹುದು ಎಂದು ನಾವು ಕಂಡುಕೊಂಡಿದ್ದೇವೆ.

1e126cee4c1bddbfdd4e36bf91b8b1c2fe8d44c2

ಈ ಪತ್ರಿಕೆಯು ಪವರ್ಬೂಟರ್ ಅನ್ನು ವಿವರಿಸುತ್ತದೆ, ಇದು ಸ್ವಯಂಚಾಲಿತ ವಿದ್ಯುತ್ ಮಾದರಿ ನಿರ್ಮಾಣ ತಂತ್ರವಾಗಿದ್ದು, ಇದು ವೈಯಕ್ತಿಕ ಘಟಕಗಳ ವಿದ್ಯುತ್ ನಿರ್ವಹಣೆ ಮತ್ತು ಚಟುವಟಿಕೆಯ ಸ್ಥಿತಿಯನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ನಿಯಂತ್ರಿಸುವಾಗ ವಿದ್ಯುತ್ ಬಳಕೆಯನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಲು ಅಂತರ್ನಿರ್ಮಿತ ಬ್ಯಾಟರಿ ವೋಲ್ಟೇಜ್ ಸಂವೇದಕಗಳು ಮತ್ತು ಬ್ಯಾಟರಿ ಡಿಸ್ಚಾರ್ಜ್ ನಡವಳಿಕೆಯ ಜ್ಞಾನವನ್ನು ಬಳಸುತ್ತದೆ. ಇದಕ್ಕೆ ಬಾಹ್ಯ ಮಾಪನ ಸಾಧನಗಳ ಅಗತ್ಯವಿಲ್ಲ. ಪವರ್ ಟ್ಯೂಟರ್, ಒಂದು ಘಟಕ ವಿದ್ಯುತ್ ನಿರ್ವಹಣೆ ಮತ್ತು ಚಟುವಟಿಕೆ ರಾಜ್ಯದ ಅಂತರ್ವಿಮರ್ಶೆ ಆಧಾರಿತ ಸಾಧನವಾಗಿದೆ, ಇದು ಆನ್ಲೈನ್ ವಿದ್ಯುತ್ ಅಂದಾಜಿಗಾಗಿ ಪವರ್ಬೂಟರ್ನಿಂದ ಉತ್ಪತ್ತಿಯಾಗುವ ಮಾದರಿಯನ್ನು ಬಳಸುತ್ತದೆ. ಪವರ್ಬೂಟರ್ ಅಪ್ಲಿಕೇಶನ್ ಡೆವಲಪರ್ಗಳು ಮತ್ತು ಅಂತಿಮ ಬಳಕೆದಾರರಿಗೆ ಹೊಸ ಸ್ಮಾರ್ಟ್ಫೋನ್ ರೂಪಾಂತರಗಳಿಗೆ ವಿದ್ಯುತ್ ಮಾದರಿಗಳನ್ನು ತ್ವರಿತವಾಗಿ ಮತ್ತು ಸುಲಭವಾಗಿ ಉತ್ಪಾದಿಸಲು ಉದ್ದೇಶಿಸಲಾಗಿದೆ, ಪ್ರತಿಯೊಂದೂ ವಿಭಿನ್ನ ವಿದ್ಯುತ್ ಬಳಕೆ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಹೊಂದಿದೆ ಮತ್ತು ಆದ್ದರಿಂದ ವಿಭಿನ್ನ ವಿದ್ಯುತ್ ಮಾದರಿಗಳನ್ನು ಅಗತ್ಯವಿದೆ. PowerTutor ಎಂಬೆಡೆಡ್ ಸಿಸ್ಟಮ್ಗಳಿಗಾಗಿ ವಿದ್ಯುತ್ ದಕ್ಷತೆಯ ಸಾಫ್ಟ್ವೇರ್ ವಿನ್ಯಾಸ ಮತ್ತು ಆಯ್ಕೆಯನ್ನು ಸುಲಭಗೊಳಿಸಲು ಉದ್ದೇಶಿಸಲಾಗಿದೆ. ಪವರ್ಬೂಟರ್ ಮತ್ತು ಪವರ್ ಟ್ಯೂಟರ್ ಸೇರಿ ಹೆಚ್ಚಿನ ಸ್ಮಾರ್ಟ್ಫೋನ್ ರೂಪಾಂತರಗಳು ಮತ್ತು ಅವುಗಳ ಬಳಕೆದಾರರಿಗೆ ವಿದ್ಯುತ್ ಮಾದರಿ ಮತ್ತು ವಿಶ್ಲೇಷಣೆಯನ್ನು ತೆರೆಯುವ ಗುರಿಯನ್ನು ಹೊಂದಿವೆ.

3f62fe7de3bf15af1e5871dd8f623db29d8f0c35

255 ಬಳಕೆದಾರರ ವಿವರವಾದ ಟ್ರ್ಯಾಕ್ಗಳನ್ನು ಬಳಸಿಕೊಂಡು, ನಾವು ಸ್ಮಾರ್ಟ್ಫೋನ್ ಬಳಕೆಯ ಸಮಗ್ರ ಅಧ್ಯಯನವನ್ನು ನಡೆಸುತ್ತೇವೆ. ನಾವು ಉದ್ದೇಶಪೂರ್ವಕ ಬಳಕೆದಾರರ ಚಟುವಟಿಕೆಗಳನ್ನು ನಿರೂಪಿಸುತ್ತೇವೆ -- ಸಾಧನ ಮತ್ತು ಬಳಸಿದ ಅಪ್ಲಿಕೇಶನ್ಗಳೊಂದಿಗಿನ ಪರಸ್ಪರ ಕ್ರಿಯೆಗಳು -- ಮತ್ತು ಆ ಚಟುವಟಿಕೆಗಳ ಪರಿಣಾಮ ಜಾಲ ಮತ್ತು ಶಕ್ತಿಯ ಬಳಕೆಯ ಮೇಲೆ. ಬಳಕೆದಾರರಲ್ಲಿ ಅಪಾರ ವೈವಿಧ್ಯತೆಯನ್ನು ನಾವು ಕಂಡುಕೊಳ್ಳುತ್ತೇವೆ. ನಾವು ಅಧ್ಯಯನ ಮಾಡುವ ಎಲ್ಲಾ ಅಂಶಗಳ ಜೊತೆಗೆ, ಬಳಕೆದಾರರು ಒಂದು ಅಥವಾ ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ಆದೇಶಗಳಿಂದ ಭಿನ್ನರಾಗಿದ್ದಾರೆ. ಉದಾಹರಣೆಗೆ, ದಿನಕ್ಕೆ ಸರಾಸರಿ ಸಂವಹನಗಳ ಸಂಖ್ಯೆ 10 ರಿಂದ 200 ರವರೆಗೆ ಬದಲಾಗುತ್ತದೆ ಮತ್ತು ದಿನಕ್ಕೆ ಸ್ವೀಕರಿಸಿದ ಸರಾಸರಿ ಡೇಟಾ ಪ್ರಮಾಣವು 1 ರಿಂದ 1000 MB ವರೆಗೆ ಬದಲಾಗುತ್ತದೆ. ಈ ಮಟ್ಟದ ವೈವಿಧ್ಯತೆಯು ಬಳಕೆದಾರರ ಅನುಭವ ಅಥವಾ ಶಕ್ತಿಯ ಬಳಕೆಯನ್ನು ಸುಧಾರಿಸುವ ಕಾರ್ಯವಿಧಾನಗಳು ಬಳಕೆದಾರರ ನಡವಳಿಕೆಗೆ ಕಲಿಯುವ ಮತ್ತು ಹೊಂದಿಕೊಳ್ಳುವಲ್ಲಿ ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗುತ್ತವೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ಬಳಕೆದಾರರ ವರ್ತನೆಯನ್ನು ಕಲಿಯುವ ಕಾರ್ಯವನ್ನು ಸುಲಭಗೊಳಿಸುವ ಗುಣಾತ್ಮಕ ಹೋಲಿಕೆಗಳು ಬಳಕೆದಾರರ ನಡುವೆ ಅಸ್ತಿತ್ವದಲ್ಲಿವೆ ಎಂದು ನಾವು ಕಂಡುಕೊಂಡಿದ್ದೇವೆ. ಉದಾಹರಣೆಗೆ, ವಿಭಿನ್ನ ಬಳಕೆದಾರರಿಗೆ ವಿಭಿನ್ನ ವಿತರಣಾ ನಿಯತಾಂಕಗಳೊಂದಿಗೆ, ಘಾತೀಯ ವಿತರಣೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಅಪ್ಲಿಕೇಶನ್ ಜನಪ್ರಿಯತೆಯನ್ನು ರೂಪಿಸಬಹುದು. ಭವಿಷ್ಯದ ಇಂಧನ ವ್ಯಯವನ್ನು ಊಹಿಸುವ ಕಾರ್ಯವಿಧಾನದ ಸನ್ನಿವೇಶದಲ್ಲಿ ಬಳಕೆದಾರರ ನಡವಳಿಕೆಗೆ ಹೊಂದಿಕೊಳ್ಳುವ ಮೌಲ್ಯವನ್ನು ನಾವು ಪ್ರದರ್ಶಿಸುತ್ತೇವೆ. ಹೊಂದಾಣಿಕೆಯೊಂದಿಗೆ 90 ನೇ ಶೇಕಡಾವಾರು ದೋಷವು ಬಳಕೆದಾರರ ಸರಾಸರಿ ನಡವಳಿಕೆಯ ಆಧಾರದ ಮೇಲೆ ಮುನ್ಸೂಚನೆಗಳಿಗೆ ಹೋಲಿಸಿದರೆ ಅರ್ಧಕ್ಕಿಂತ ಕಡಿಮೆ.

45654695f5cad20d2be36d45d280af5180004baf

ಈ ಲೇಖನದಲ್ಲಿ ನಾವು ಭವಿಷ್ಯದ 5G ಜಾಲಗಳಿಗೆ ಹೊಸ ಫ್ರಂಟ್ಹೌಲ್ ಇಂಟರ್ಫೇಸ್ನ ವಿನ್ಯಾಸವನ್ನು ಚರ್ಚಿಸುತ್ತೇವೆ. ಪ್ರಸ್ತುತ ಫ್ರೊನ್ಥೌಲ್ ಪರಿಹಾರಗಳ ಪ್ರಮುಖ ನ್ಯೂನತೆಗಳನ್ನು ಮೊದಲು ವಿಶ್ಲೇಷಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ನಂತರ ಮುಂದಿನ ಪೀಳಿಗೆಯ ಫ್ರೊನ್ಥೌಲ್ ಇಂಟರ್ಫೇಸ್ (ಎನ್ಜಿಎಫ್ಐ) ಎಂದು ಕರೆಯಲ್ಪಡುವ ಹೊಸ ಫ್ರೊನ್ಥೌಲ್ ಇಂಟರ್ಫೇಸ್ ಅನ್ನು ಪ್ರಸ್ತಾಪಿಸಲಾಗುತ್ತದೆ. ಎನ್ಜಿಎಫ್ಐನ ವಿನ್ಯಾಸದ ತತ್ವಗಳನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ, ಇದರಲ್ಲಿ ಆಂಟೆನಾಗಳ ಸಂಖ್ಯೆಯಿಂದ ಫ್ರಂಟ್ಹೌಲ್ ಬ್ಯಾಂಡ್ವಿಡ್ತ್ ಅನ್ನು ಡಿಸ್ಕೌಲಿಂಗ್ ಮಾಡುವುದು, ಸೆಲ್ ಮತ್ತು ಬಳಕೆದಾರರ ಸಲಕರಣೆಗಳ ಸಂಸ್ಕರಣೆಯನ್ನು ಡಿಸ್ಕೌಲಿಂಗ್ ಮಾಡುವುದು ಮತ್ತು ಹೆಚ್ಚಿನ ಕಾರ್ಯಕ್ಷಮತೆಯ ಸಹಯೋಗ ತಂತ್ರಜ್ಞಾನಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುವುದು. ಎನ್ಜಿಎಫ್ಐ ಪ್ರಮುಖ 5 ಜಿ ತಂತ್ರಜ್ಞಾನಗಳನ್ನು, ಅದರಲ್ಲೂ ನಿರ್ದಿಷ್ಟವಾಗಿ ಕ್ಲೌಡ್ ಆರ್ಎಎನ್, ನೆಟ್ವರ್ಕ್ ಕಾರ್ಯಗಳ ವರ್ಚುವಲೈಸೇಶನ್ ಮತ್ತು ದೊಡ್ಡ ಪ್ರಮಾಣದ ಆಂಟೆನಾ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಉತ್ತಮವಾಗಿ ಬೆಂಬಲಿಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿದೆ. ಮೊಬೈಲ್ ನೆಟ್ ವರ್ಕ್ ಟ್ರಾಫಿಕ್ ಮೇಲೆ ಉಬ್ಬರವಿಳಿತದ ಪರಿಣಾಮವನ್ನು ಬಳಸಿಕೊಳ್ಳುವ ಮೂಲಕ ಕಡಿಮೆ ಬ್ಯಾಂಡ್ವಿಡ್ತ್ ಮತ್ತು ಸುಧಾರಿತ ಪ್ರಸರಣ ದಕ್ಷತೆಯ ಅನುಕೂಲಗಳನ್ನು ಎನ್ಜಿಎಫ್ಐ ಹೇಳುತ್ತದೆ. ಎನ್ಜಿಎಫ್ಐ ಪ್ರಸರಣವು ಎತರ್ನೆಟ್ ಅನ್ನು ಆಧರಿಸಿದೆ, ಇದರಿಂದಾಗಿ ನಮ್ಯತೆ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹತೆಯ ಪ್ರಯೋಜನಗಳನ್ನು ಪಡೆಯಬಹುದು. ಈಥರ್ನೆಟ್ ಆಧಾರಿತ ಫ್ರಂಟ್ಹ್ಯಾಲ್ ಜಾಲಗಳ ಪ್ರಮುಖ ಪರಿಣಾಮ, ಸವಾಲುಗಳು ಮತ್ತು ಸಂಭಾವ್ಯ ಪರಿಹಾರಗಳನ್ನು ಸಹ ವಿಶ್ಲೇಷಿಸಲಾಗಿದೆ. ಜಿಟ್ಟರ್, ಲೇಟೆನ್ಸಿ, ಮತ್ತು ಸಮಯ ಮತ್ತು ಆವರ್ತನ ಸಿಂಕ್ರೊನೈಸೇಶನ್ ಜಯಿಸಲು ಪ್ರಮುಖ ಸಮಸ್ಯೆಗಳಾಗಿವೆ.

a1bbd52c57ad6a36057f5aa69544887261eb1a83

ನಾವು ಒಂದು ಸಿಂಟ್ಯಾಕ್ಸ್ ಆಧಾರಿತ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ವಿವರಿಸುತ್ತೇವೆ ಅದು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಸೀಮಿತ ರಾಜ್ಯ ಆಟೊಮ್ಯಾಟಾವನ್ನು (ಪದ ಗ್ರಿಡ್ಗಳು) ಶಬ್ದಾರ್ಥವಾಗಿ ಸಮಾನ ಅನುವಾದ ಸೆಟ್ಗಳಿಂದ ನಿರ್ಮಿಸುತ್ತದೆ. ಈ FSA ಗಳು ಪ್ಯಾರಫ್ರೇಸ್ಗಳ ಉತ್ತಮ ಪ್ರಾತಿನಿಧ್ಯಗಳಾಗಿವೆ. ಅವುಗಳನ್ನು ಲೆಕ್ಸಿಕಲ್ ಮತ್ತು ಸಿಂಟ್ಯಾಕ್ಟಿಕ್ ಪ್ಯಾರಫ್ರೇಸ್ ಜೋಡಿಗಳನ್ನು ಹೊರತೆಗೆಯಲು ಮತ್ತು ಇನ್ಪುಟ್ ಸೆಟ್ಗಳಲ್ಲಿನ ವಾಕ್ಯಗಳಂತೆಯೇ ಅದೇ ಅರ್ಥವನ್ನು ವ್ಯಕ್ತಪಡಿಸುವ ಹೊಸ, ಕಾಣದ ವಾಕ್ಯಗಳನ್ನು ರಚಿಸಲು ಬಳಸಬಹುದು. ನಮ್ಮ FSA ಗಳು ಪರ್ಯಾಯ ಶಬ್ದಾರ್ಥದ ನಿರೂಪಣೆಗಳ ಸರಿಯಾಗಿವೆಗಳನ್ನು ಸಹ ಊಹಿಸಬಹುದು, ಇದನ್ನು ಅನುವಾದಗಳ ಗುಣಮಟ್ಟವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಬಳಸಬಹುದು.

78e2cf228287d7e995c6718338e3ec58dc7cca50

7674e4e66c60a4a31d0b68a07d4ea521cca8a84b

ಫಝಿಲಾಗ್ ಒಂದು ಭಾಗಶಃ ಕ್ರಮಬದ್ಧ ಹಂಚಿಕೆಯ ಲಾಗ್ ಅಮೂರ್ತತೆಯಾಗಿದೆ. ವಿತರಿಸಿದ ಅನ್ವಯಿಕೆಗಳು ಏಕಕಾಲದಲ್ಲಿ ಭಾಗಶಃ ಆದೇಶಕ್ಕೆ ಸೇರಿಸಲು ಮತ್ತು ಅದನ್ನು ಮತ್ತೆ ಪ್ಲೇ ಮಾಡಬಹುದು. ಫಝಿಲಾಗ್ ಅನ್ವಯಿಕೆಗಳು ಅದರ ಅನಾನುಕೂಲಗಳನ್ನು ಅನುಭವಿಸದೆ - ಸರಳ ರೀತಿಯಲ್ಲಿ ಬಲವಾದ ಸ್ಥಿರತೆ, ಬಾಳಿಕೆ ಮತ್ತು ವೈಫಲ್ಯದ ಪರಮಾಣುತ್ವವನ್ನು ಹೊರತೆಗೆಯುವ ಆಧಾರವಾಗಿರುವ ಹಂಚಿಕೆಯ ಲಾಗ್ನ ಪ್ರಯೋಜನಗಳನ್ನು ಪಡೆಯುತ್ತವೆ. ಭಾಗಶಃ ಕ್ರಮವನ್ನು ಬಹಿರಂಗಪಡಿಸುವ ಮೂಲಕ, ಫಝಿಲಾಗ್ ಅಪ್ಲಿಕೇಶನ್ಗಳಿಗೆ ಮೂರು ಪ್ರಮುಖ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಶಕ್ತಗೊಳಿಸುತ್ತದೆಃ ಥ್ರೋಪುಟ್ ಮತ್ತು ಸಾಮರ್ಥ್ಯಕ್ಕಾಗಿ ರೇಖೀಯ ಸ್ಕೇಲಿಂಗ್ (ಅಣುತ್ವವನ್ನು ತ್ಯಾಗ ಮಾಡದೆ), ದುರ್ಬಲ ಸ್ಥಿರತೆಯ ಖಾತರಿಗಳು ಮತ್ತು ನೆಟ್ವರ್ಕ್ ವಿಭಾಗಗಳಿಗೆ ಸಹಿಷ್ಣುತೆ. ನಾವು ಫಝಿಲಾಗ್ ಅಮೂರ್ತತೆಯ ವಿತರಿಸಿದ ಅನುಷ್ಠಾನವಾದ ಡ್ಯಾಪ್ಲ್ ಅನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತೇವೆ ಅದು ಭಾಗಶಃ ಕ್ರಮವನ್ನು ಕಾಂಪ್ಯಾಕ್ಟ್ ಆಗಿ ಸಂಗ್ರಹಿಸುತ್ತದೆ ಮತ್ತು ಹೊಸ ಆದೇಶ ಪ್ರೋಟೋಕಾಲ್ ಮೂಲಕ ಪರಿಣಾಮಕಾರಿ ಸೇರ್ಪಡೆ / ಪ್ಲೇಬ್ಯಾಕ್ ಅನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ. ನಾವು ಹಲವಾರು ಡೇಟಾ ರಚನೆಗಳು ಮತ್ತು ಅನ್ವಯಿಕೆಗಳನ್ನು ಫಝಿಲಾಗ್ನಲ್ಲಿ ಅಳವಡಿಸುತ್ತೇವೆ, ಇದರಲ್ಲಿ ಹಲವಾರು ನಕ್ಷೆ ರೂಪಾಂತರಗಳು ಮತ್ತು ZooKeeper ಅನುಷ್ಠಾನವೂ ಸೇರಿದೆ. ನಮ್ಮ ಮೌಲ್ಯಮಾಪನವು ಈ ಅನ್ವಯಿಕೆಗಳು ಸಾಂದ್ರವಾಗಿವೆ, ವೇಗವಾಗಿವೆ ಮತ್ತು ಹೊಂದಿಕೊಳ್ಳಬಲ್ಲವು ಎಂದು ತೋರಿಸುತ್ತದೆಃ ಅವು ಹಂಚಿದ ಲಾಗ್ ವಿನ್ಯಾಸದ ಸರಳತೆ (100 ರ ಕೋಡ್ ಸಾಲುಗಳು) ಮತ್ತು ಬಲವಾದ ಶಬ್ದಾರ್ಥವನ್ನು (ಸುಸ್ಥಿರತೆ ಮತ್ತು ವೈಫಲ್ಯದ ಪರಮಾಣುತ್ವ) ಉಳಿಸಿಕೊಳ್ಳುತ್ತವೆ, ಆದರೆ ರೇಖೀಯ ಸ್ಕೇಲೆಬಿಲಿಟಿಗಾಗಿ ಫಝಿಲಾಗ್ನ ಭಾಗಶಃ ಕ್ರಮವನ್ನು ಬಳಸಿಕೊಳ್ಳುತ್ತವೆ, ಹೊಂದಿಕೊಳ್ಳುವ ಸ್ಥಿರತೆಯ ಖಾತರಿಗಳು (ಉದಾ, ಸಾಂದರ್ಭಿಕ + ಸ್ಥಿರತೆ), ಮತ್ತು ನೆಟ್ವರ್ಕ್ ವಿಭಾಗದ ಸಹಿಷ್ಣುತೆ. 6-ನೋಡ್ ಡಾಪ್ಲೆ ನಿಯೋಜನೆಯಲ್ಲಿ, ನಮ್ಮ ಫಝಿಲಾಗ್ ಆಧಾರಿತ ಝೂಕೀಪರ್ 3M/ಸೆಕೆಂಡ್ ಏಕ-ಕೀ ಬರಹಗಳನ್ನು ಮತ್ತು 150K/ಸೆಕೆಂಡ್ ಪರಮಾಣು ಅಡ್ಡ-ಶಾರ್ಡ್ ಮರುಹೆಸರುಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ.

38bcf0bd4f8c35ff54d292d37cbdca1da677f3f5

ಕಿವಿಯೊಳಗಿನ ಜೈವಿಕ ಸಂವೇದಕಗಳು (ಡಬ್ಲ್ಯುಬಿಎಸ್) ಹಲವಾರು ಹೊಸ ಸೆಟ್ಟಿಂಗ್ಗಳಲ್ಲಿ ನಿರಂತರ ಹೃದಯರಕ್ತನಾಳದ (ಸಿವಿ) ಮೇಲ್ವಿಚಾರಣೆಯನ್ನು ಅನುಮತಿಸುತ್ತದೆ. ಹಲವಾರು ಪ್ರಮುಖ ರೋಗಗಳ ರೋಗನಿರ್ಣಯ ಮತ್ತು ಚಿಕಿತ್ಸೆಯಲ್ಲಿ ಪ್ರಯೋಜನಗಳನ್ನು ಸಾಧಿಸಬಹುದು. WBS, ಸೂಕ್ತವಾದ ಅಲಾರ್ಮ್ ಅಲ್ಗಾರಿದಮ್ಗಳೊಂದಿಗೆ, ಹೆಚ್ಚಿನ ಅಪಾಯದ ವಿಷಯಗಳಿಗೆ ಸಿವಿ ವಿಪತ್ತುಗಾಗಿ ಕಣ್ಗಾವಲು ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಹೆಚ್ಚಿಸಬಹುದು. WBS ಸಹ ದೀರ್ಘಕಾಲದ ಕಾಯಿಲೆಗಳ ಚಿಕಿತ್ಸೆಯಲ್ಲಿ ಪಾತ್ರ ವಹಿಸಬಹುದು, ಚಿಕಿತ್ಸೆಯ ನಿಖರವಾದ ಟೈಟರೇಶನ್ ಅನ್ನು ಅಥವಾ ರೋಗಿಯ ಅನುಸರಣೆಯಲ್ಲಿನ ವಿಳಂಬಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಮಾಹಿತಿಯನ್ನು ಒದಗಿಸುತ್ತದೆ. ಅಪಾಯಕಾರಿ ಕಾರ್ಯಾಚರಣೆಗಳ (ಮಿಲಿಟರಿ, ಅಗ್ನಿಶಾಮಕ ಇತ್ಯಾದಿ) ಸಮಯದಲ್ಲಿ ಜನರ ವೈರ್ಲೆಸ್ ಕಣ್ಗಾವಲುಗಾಗಿ ಡಬ್ಲ್ಯುಬಿಎಸ್ ಪ್ರಮುಖ ಪಾತ್ರ ವಹಿಸುತ್ತದೆ. ), ಅಥವಾ ಇಂತಹ ಸಂವೇದಕಗಳು ಸಾಮೂಹಿಕ ನಾಗರಿಕ ಗಾಯದ ಸಂಭವಿಸುವಿಕೆಯ ಸಮಯದಲ್ಲಿ ವಿತರಿಸಬಹುದು. CV ಶಾರೀರಿಕ-ತಾರ್ಕಿಕ ನಿಯತಾಂಕಗಳು ತುರ್ತು ವೈದ್ಯಕೀಯ ಸಂದರ್ಭಗಳಲ್ಲಿ ಪ್ರಮುಖ ಮಾಹಿತಿಯಾಗಿರುವ " ಜೀವ ಸಂಕೇತಗಳನ್ನು " ರೂಪಿಸುವುದರಿಂದ, WBS ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ಅಪಾಯಕಾರಿ ವಿಷಯಗಳಿಗೆ ನಿಸ್ತಂತು ಮೇಲ್ವಿಚಾರಣಾ ವ್ಯವಸ್ಥೆಯನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಬಹುದು. ಈ ವಿಧಾನವು ಇಂದಿನ ತುರ್ತು ವಿಭಾಗಗಳ ಕಾಯುವ ಕೋಣೆಯನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವಲ್ಲಿ ಸಹ ಉಪಯುಕ್ತವಾಗಿದೆ. ಸಿವಿ ಮಾನಿಟರಿಂಗ್ ಅಗತ್ಯವಿರುವ ಆಸ್ಪತ್ರೆಯ ರೋಗಿಗಳಿಗೆ, ಪ್ರಸ್ತುತ ಬಯೋಸೆನ್ಸರ್ ತಂತ್ರಜ್ಞಾನವು ರೋಗಿಗಳನ್ನು ಕೇಬಲ್ಗಳ ಜಟಿಲದಲ್ಲಿ ಬಂಧಿಸುತ್ತದೆ, ಆದರೆ ಧರಿಸಬಹುದಾದ ಸಿವಿ ಸಂವೇದಕಗಳು ಆಸ್ಪತ್ರೆಯ ರೋಗಿಗಳ ಸೌಕರ್ಯವನ್ನು ಹೆಚ್ಚಿಸಬಹುದು ಮತ್ತು ಎಡವಿ ಬೀಳುವ ಅಪಾಯವನ್ನು ಸಹ ಕಡಿಮೆ ಮಾಡಬಹುದು, ಆಸ್ಪತ್ರೆಯ ರೋಗಿಗಳಿಗೆ ದೀರ್ಘಕಾಲದ ಸಮಸ್ಯೆ ಅನಾರೋಗ್ಯ, medication ಷಧಿ ಮತ್ತು ಪರಿಚಯವಿಲ್ಲದ ಪರಿಸರದಲ್ಲಿ. ದೈನಂದಿನ ಆಧಾರದ ಮೇಲೆ, ಧರಿಸಬಹುದಾದ ಸಿವಿ ಸಂವೇದಕಗಳು ಚಿಕಿತ್ಸೆ ನೀಡದ ಅಧಿಕ ರಕ್ತದೊತ್ತಡವನ್ನು ಪತ್ತೆಹಚ್ಚುವ ಮೂಲಕ ಔಷಧದ ತಪ್ಪಿದ ಡೋಸ್ ಅನ್ನು ಪತ್ತೆ ಹಚ್ಚಬಹುದು ಮತ್ತು ರೋಗಿಗೆ ಔಷಧಿ ತೆಗೆದುಕೊಳ್ಳಲು ಸ್ವಯಂಚಾಲಿತ ಜ್ಞಾಪನೆಯನ್ನು ಪ್ರಚೋದಿಸಬಹುದು. ಇದಲ್ಲದೆ, ವೈದ್ಯರು ಅಧಿಕ ರಕ್ತದೊತ್ತಡದ ಚಿಕಿತ್ಸೆಯನ್ನು ನಿಯಂತ್ರಿಸುವುದು ಮುಖ್ಯವಾಗಿದೆ, ಏಕೆಂದರೆ ಸಾಕಷ್ಟು ಚಿಕಿತ್ಸೆ ಮತ್ತು ಅತಿಯಾದ ಚಿಕಿತ್ಸೆ (ಅನೌಪಚಾರಿಕವಾಗಿ ಕಡಿಮೆ ರಕ್ತದೊತ್ತಡಕ್ಕೆ ಕಾರಣವಾಗುತ್ತದೆ) ಎರಡೂ ಮರಣವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಆರೋಗ್ಯ ರಕ್ಷಣೆ ನೀಡುಗರು ಚಿಕಿತ್ಸೆಯ ನಿರ್ಧಾರಗಳನ್ನು ಆಧರಿಸಿದ ರಕ್ತದೊತ್ತಡದ ಮಧ್ಯಂತರ ಮೌಲ್ಯಗಳನ್ನು ಮಾತ್ರ ಹೊಂದಿದ್ದಾರೆ; ನಿರಂತರ ರಕ್ತದೊತ್ತಡದ ಮೇಲ್ವಿಚಾರಣೆಯು ಚಿಕಿತ್ಸೆಯ ವರ್ಧಿತ ಟೈಟರೇಶನ್ ಮತ್ತು ಮರಣ ಪ್ರಮಾಣವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಅಂತೆಯೇ, WBS ರೋಗಿಯ ವ್ಯಾಯಾಮ ಪ್ರಯತ್ನಗಳ ಶಾರೀರಿಕ ಸಹಿಯನ್ನು (ಹೃದಯದ ಬಡಿತ ಮತ್ತು ರಕ್ತದೊತ್ತಡದಲ್ಲಿನ ಬದಲಾವಣೆಗಳಂತೆ ವ್ಯಕ್ತವಾಗುತ್ತದೆ) ಲಾಗ್ ಮಾಡಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ, ಇದು ರೋಗಿಗೆ ಮತ್ತು ಆರೋಗ್ಯ ರಕ್ಷಣೆ ನೀಡುಗರಿಗೆ ಆರೋಗ್ಯ ಫಲಿತಾಂಶಗಳನ್ನು ಸುಧಾರಿಸಲು ಸಾಬೀತಾಗಿರುವ ಒಂದು ಆಡಳಿತದ ಅನುಸರಣೆಯನ್ನು ನಿರ್ಣಯಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಹೃದಯಾಘಾತದಂತಹ ದೀರ್ಘಕಾಲದ ಹೃದಯರಕ್ತನಾಳದ ಕಾಯಿಲೆ ಇರುವ ರೋಗಿಗಳಿಗೆ, ಡಬ್ಲ್ಯುಬಿಎಸ್ ಅನ್ನು ಬಳಸುವ ಮನೆ ಮೇಲ್ವಿಚಾರಣೆಯು ರೋಗಿಯು ತುರ್ತುಸ್ಥಿತಿ ಕೋಣೆಗೆ ಭೇಟಿ ನೀಡುವ ಮತ್ತು ದುಬಾರಿ ಆಸ್ಪತ್ರೆಗೆ ದಾಖಲಾಗುವಂತಹ ಹೆಚ್ಚು ಅಪಾಯಕಾರಿ ಮಟ್ಟಕ್ಕೆ ಮುನ್ನವೇ ತೀವ್ರಗೊಳ್ಳುವಿಕೆಯನ್ನು ಬಹಳ ಮುಂಚೆಯೇ (ಮತ್ತು ಸಾಮಾನ್ಯವಾಗಿ ಸುಲಭವಾಗಿ ಚಿಕಿತ್ಸೆ ನೀಡಲಾಗುತ್ತದೆ) ಹಂತಗಳಲ್ಲಿ ಪತ್ತೆ ಹಚ್ಚಬಹುದು. ಈ ಲೇಖನದಲ್ಲಿ ನಾವು ತಾಂತ್ರಿಕ ಮತ್ತು ವೈದ್ಯಕೀಯ ಎರಡನ್ನೂ ಚರ್ಚಿಸುತ್ತೇವೆ . . .

86c9a59c7c4fcf0d10dbfdb6afd20dd3c5c1426c

ಫಿಂಗರ್ಪ್ರಿಂಟ್ ವರ್ಗೀಕರಣವು ಫಿಂಗರ್ಪ್ರಿಂಟ್ ಡೇಟಾಬೇಸ್ನಲ್ಲಿ ಪ್ರಮುಖ ಸೂಚ್ಯಂಕ ಕಾರ್ಯವಿಧಾನವನ್ನು ಒದಗಿಸುತ್ತದೆ. ಒಂದು ದೊಡ್ಡ ದತ್ತಸಂಚಯಕ್ಕಾಗಿ ನಿಖರ ಮತ್ತು ಸ್ಥಿರವಾದ ವರ್ಗೀಕರಣವು ಫಿಂಗರ್ಪ್ರಿಂಟ್ ಹೊಂದಾಣಿಕೆಯ ಸಮಯವನ್ನು ಬಹಳವಾಗಿ ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. ನಾವು ಫಿಂಗರ್ಪ್ರಿಂಟ್ ವರ್ಗೀಕರಣ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತೇವೆ, ಇದು ಹಿಂದೆ ಸಾಹಿತ್ಯದಲ್ಲಿ ವರದಿ ಮಾಡಲಾದ ನಿಖರತೆಯನ್ನು ಸಾಧಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ. ನಾವು ಬೆರಳಚ್ಚುಗಳನ್ನು ಐದು ವರ್ಗಗಳಾಗಿ ವಿಂಗಡಿಸುತ್ತೇವೆ: ಸುರುಳಿಯಾಕಾರದ, ಬಲ ಕುಣಿಕೆ, ಎಡ ಕುಣಿಕೆ, ಕಮಾನು, ಮತ್ತು ಟೆಂಟ್ಡ್ ಕಮಾನು. ಈ ಅಲ್ಗಾರಿದಮ್ ಒಂದು ಹೊಸ ಪ್ರಾತಿನಿಧ್ಯವನ್ನು (ಫಿಂಗರ್ಕೋಡ್) ಬಳಸುತ್ತದೆ ಮತ್ತು ವರ್ಗೀಕರಣವನ್ನು ಮಾಡಲು ಎರಡು ಹಂತದ ವರ್ಗೀಕರಣಕಾರನನ್ನು ಆಧರಿಸಿದೆ. ಇದನ್ನು NIST-4 ದತ್ತಸಂಚಯದಲ್ಲಿ 4,000 ಚಿತ್ರಗಳ ಮೇಲೆ ಪರೀಕ್ಷಿಸಲಾಗಿದೆ. ಐದು-ವರ್ಗದ ಸಮಸ್ಯೆಗೆ, 90 ಪ್ರತಿಶತದಷ್ಟು ವರ್ಗೀಕರಣದ ನಿಖರತೆಯನ್ನು ಸಾಧಿಸಲಾಗುತ್ತದೆ (ವೈಶಿಷ್ಟ್ಯ ಹೊರತೆಗೆಯುವ ಹಂತದಲ್ಲಿ 1.8 ಪ್ರತಿಶತದಷ್ಟು ತಿರಸ್ಕಾರದೊಂದಿಗೆ). ನಾಲ್ಕು ವರ್ಗದ ಸಮಸ್ಯೆಗೆ (ಆರ್ಚ್ ಮತ್ತು ಟೆಂಟ್ಡ್ ಆರ್ಚ್ ಅನ್ನು ಒಂದು ವರ್ಗಕ್ಕೆ ಸಂಯೋಜಿಸಲಾಗಿದೆ), ನಾವು 94.8 ಪ್ರತಿಶತದಷ್ಟು ವರ್ಗೀಕರಣ ನಿಖರತೆಯನ್ನು ಸಾಧಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ (1.8 ಪ್ರತಿಶತದಷ್ಟು ತಿರಸ್ಕಾರದೊಂದಿಗೆ). ವರ್ಗೀಕರಣಕಾರಕದಲ್ಲಿ ತಿರಸ್ಕರಿಸುವ ಆಯ್ಕೆಯನ್ನು ಅಳವಡಿಸುವ ಮೂಲಕ, ವರ್ಗೀಕರಣದ ನಿಖರತೆಯನ್ನು ಐದು-ವರ್ಗ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಕಾಗಿ 96 ಪ್ರತಿಶತಕ್ಕೆ ಹೆಚ್ಚಿಸಬಹುದು ಮತ್ತು ಒಟ್ಟು 32.5 ಪ್ರತಿಶತದಷ್ಟು ಚಿತ್ರಗಳನ್ನು ತಿರಸ್ಕರಿಸಿದ ನಂತರ ನಾಲ್ಕು-ವರ್ಗ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಕಾಗಿ 97.8 ಪ್ರತಿಶತಕ್ಕೆ ಹೆಚ್ಚಿಸಬಹುದು.

a2ed347d010aeae4ddd116676bdea2e77d942f6e

ಈ ಲೇಖನದಲ್ಲಿ ಬೆರಳಚ್ಚು ವರ್ಗೀಕರಣದ ಒಂದು ಕ್ರಮಾವಳಿ ನೀಡಲಾಗಿದೆ. ಬೆರಳಚ್ಚುಗಳನ್ನು ಐದು ವರ್ಗಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆಃ ಕಮಾನು, ಟೆಂಟ್ಡ್ ಕಮಾನು, ಎಡ ಲೂಪ್, ಬಲ ಲೂಪ್ ಮತ್ತು ಸುರುಳಿ. ಈ ಅಲ್ಗಾರಿದಮ್ ಬೆರಳಚ್ಚಿನ ಚಿತ್ರದಲ್ಲಿನ ಏಕವಚನ ಬಿಂದುಗಳನ್ನು (ಕೋರ್ಗಳು ಮತ್ತು ಡೆಲ್ಟಾ) ಹೊರತೆಗೆಯುತ್ತದೆ ಮತ್ತು ಪತ್ತೆಯಾದ ಏಕವಚನ ಬಿಂದುಗಳ ಸಂಖ್ಯೆ ಮತ್ತು ಸ್ಥಳಗಳ ಆಧಾರದ ಮೇಲೆ ವರ್ಗೀಕರಣವನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ. ವರ್ಗೀಕರಣವು ತಿರುಗುವಿಕೆ, ಪರಿವರ್ತನೆ ಮತ್ತು ಸಣ್ಣ ಪ್ರಮಾಣದ ಪ್ರಮಾಣದ ಬದಲಾವಣೆಗಳಿಗೆ ಬದಲಾಗುವುದಿಲ್ಲ. ವರ್ಗೀಕರಣವು ನಿಯಮ ಆಧಾರಿತವಾಗಿದೆ, ಅಲ್ಲಿ ನಿಯಮಗಳನ್ನು ನಿರ್ದಿಷ್ಟ ಡೇಟಾ ಸೆಟ್ನಿಂದ ಸ್ವತಂತ್ರವಾಗಿ ರಚಿಸಲಾಗುತ್ತದೆ. ವರ್ಗೀಕರಣಕಾರನನ್ನು NIST-4 ದತ್ತಸಂಚಯದಲ್ಲಿ 4000 ಚಿತ್ರಗಳ ಮೇಲೆ ಮತ್ತು NIST-9 ದತ್ತಸಂಚಯದಲ್ಲಿ 5400 ಚಿತ್ರಗಳ ಮೇಲೆ ಪರೀಕ್ಷಿಸಲಾಯಿತು. NIST-4 ದತ್ತಸಂಚಯಕ್ಕಾಗಿ, ಐದು-ವರ್ಗದ ಸಮಸ್ಯೆಗೆ 85.4% ಮತ್ತು ನಾಲ್ಕು-ವರ್ಗದ ಸಮಸ್ಯೆಗೆ 91.1% ನಷ್ಟು ವರ್ಗೀಕರಣದ ನಿಖರತೆಗಳನ್ನು (ಆರ್ಕ್ ಮತ್ತು ಟೆಂಟ್ಡ್ ಆರ್ಕ್ ಅನ್ನು ಅದೇ ವರ್ಗದಲ್ಲಿ ಇರಿಸಲಾಗಿದೆ) ಸಾಧಿಸಲಾಗಿದೆ. ತಿರಸ್ಕರಿಸುವ ಆಯ್ಕೆಯನ್ನು ಬಳಸಿಕೊಂಡು, ನಾಲ್ಕು ವರ್ಗಗಳ ವರ್ಗೀಕರಣ ದೋಷವನ್ನು 6% ಕ್ಕಿಂತ ಕಡಿಮೆಗೊಳಿಸಬಹುದು ಮತ್ತು 10% ಬೆರಳಚ್ಚು ಚಿತ್ರಗಳನ್ನು ತಿರಸ್ಕರಿಸಲಾಗುತ್ತದೆ. ಇದೇ ರೀತಿಯ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು NIST-9 ಡೇಟಾಬೇಸ್ನಲ್ಲಿ ಪಡೆಯಲಾಯಿತು.

b07ce649d6f6eb636872527104b0209d3edc8188

3337976b072405933a02f7d912d2b6432de38feb

ಈ ಪತ್ರಿಕೆಯು ಮೂರು ಭಾಗಗಳನ್ನು ಒಳಗೊಂಡಿದೆಃ ಸಾಮಾನ್ಯವಾಗಿ ಸಾರಾಂಶಗಳ ಪೂರ್ವಭಾವಿ ಮಾದರಿ; ಸ್ಯಾಟ್ ಐಎಸ್ಐನಲ್ಲಿ ನಿರ್ಮಿಸಲಾಗುತ್ತಿರುವ SUMMARIST ಸ್ವಯಂಚಾಲಿತ ಬಹುಭಾಷಾ ಪಠ್ಯ ಸಾರಾಂಶ ವ್ಯವಸ್ಥೆಯ ಪ್ರಸ್ತುತ ಮತ್ತು ಯೋಜಿತ ಮಾಡ್ಯೂಲ್ಗಳು ಮತ್ತು ಕಾರ್ಯಕ್ಷಮತೆಯ ವಿವರಣೆ, ಮತ್ತು ಸಾರಾಂಶಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವ ಮೂರು ವಿಧಾನಗಳ ಚರ್ಚೆ. 1. ಪದ್ಯಗಳು T H E N A T U R E O F S U M A R I E S 1950 ರ ದಶಕದ ಅಂತ್ಯದಲ್ಲಿ ಮತ್ತು 60 ರ ದಶಕದ ಆರಂಭದಲ್ಲಿ ಆರಂಭಿಕ ಪ್ರಯೋಗಗಳು ಕಂಪ್ಯೂಟರ್ನಿಂದ ಪಠ್ಯ ಸಾರಾಂಶವನ್ನು ಕಾರ್ಯಸಾಧ್ಯವಾಗಿದ್ದರೂ, ಅದು ನೇರವಾಗಿಲ್ಲ ಎಂದು ಸೂಚಿಸಿತು (ಲುಹ್ನ್, 59; ಎಡ್ಮಂಡ್ಸನ್, 68). ನಂತರ ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ವಿಧಾನಗಳು ಸಾಕಷ್ಟು ಸರಳವಾದವು, ಮುಖ್ಯವಾಗಿ ವಾಕ್ಯ ಸ್ಥಾನ ಮತ್ತು ಪದ ಆವರ್ತನ ಎಣಿಕೆಗಳಂತಹ ಮೇಲ್ಮೈ ಮಟ್ಟದ ವಿದ್ಯಮಾನಗಳನ್ನು ಅವಲಂಬಿಸಿವೆ ಮತ್ತು ಸಾರಾಂಶಗಳ ಬದಲಿಗೆ ಸಾರಾಂಶಗಳನ್ನು (ಪಠ್ಯದ ಅರ್ಥೈಸಿದ ಭಾಗಗಳು, ಹೊಸದಾಗಿ ಉತ್ಪತ್ತಿಯಾಗುವ) ಉತ್ಪಾದಿಸುವತ್ತ ಗಮನಹರಿಸಿದೆ. ಕೆಲವು ದಶಕಗಳ ವಿರಾಮದ ನಂತರ, ಆನ್ಲೈನ್ ಪಠ್ಯದ ದೊಡ್ಡ ಪ್ರಮಾಣದಲ್ಲಿ ಬೆಳೆಯುತ್ತಿರುವ ಉಪಸ್ಥಿತಿಯು - ಕಾರ್ಪೊರಾಸ್ಗಳಲ್ಲಿ ಮತ್ತು ವಿಶೇಷವಾಗಿ ವೆಬ್ನಲ್ಲಿ - ಸ್ವಯಂಚಾಲಿತ ಪಠ್ಯ ಸಾರಾಂಶದಲ್ಲಿ ಆಸಕ್ತಿಯನ್ನು ನವೀಕರಿಸಿದೆ. ಈ ಮಧ್ಯಂತರ ದಶಕಗಳಲ್ಲಿ, ನ್ಯಾಚುರಲ್ ಲ್ಯಾಂಗ್ವೇಜ್ ಪ್ರೊಸೆಸಿಂಗ್ (ಎನ್ಎಲ್ಪಿ) ಯಲ್ಲಿನ ಪ್ರಗತಿಯು, ಕಂಪ್ಯೂಟರ್ ಮೆಮೊರಿ ಮತ್ತು ವೇಗದಲ್ಲಿನ ದೊಡ್ಡ ಹೆಚ್ಚಳದೊಂದಿಗೆ, ಹೆಚ್ಚು ಅತ್ಯಾಧುನಿಕ ತಂತ್ರಗಳನ್ನು ಬಹಳ ಪ್ರೋತ್ಸಾಹದಾಯಕ ಫಲಿತಾಂಶಗಳೊಂದಿಗೆ ಸಾಧ್ಯವಾಗಿಸಿತು. 1990 ರ ದಶಕದ ಕೊನೆಯಲ್ಲಿ, ಯುಎಸ್ನಲ್ಲಿ ಕೆಲವು ತುಲನಾತ್ಮಕವಾಗಿ ಸಣ್ಣ ಸಂಶೋಧನಾ ಹೂಡಿಕೆಗಳು (ಮೈಕ್ರೋಸಾಫ್ಟ್, ಲೆಕ್ಸಿಸ್-ನೆಕ್ಸಿಸ್, ಒರಾಕಲ್, ಎಸ್ಆರ್ಎ ಮತ್ತು ಟೆಕ್ಸ್ಟ್ವೈಸ್ನಲ್ಲಿನ ವಾಣಿಜ್ಯ ಪ್ರಯತ್ನಗಳು ಮತ್ತು ಸಿಎಮ್ಯು, ಎನ್ಎಂಎಸ್ಯು, ಯುಪಿಎನ್ ಮತ್ತು ಯುಎಸ್ಸಿ / ಐಎಸ್ಐನಲ್ಲಿನ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಪ್ರಯತ್ನಗಳು ಸೇರಿದಂತೆ 10 ಕ್ಕಿಂತ ಹೆಚ್ಚು ಯೋಜನೆಗಳು) ಮೂರು ಅಥವಾ ನಾಲ್ಕು ವರ್ಷಗಳಲ್ಲಿ ಸಂಭಾವ್ಯ ಮಾರುಕಟ್ಟೆ ಸಾಮರ್ಥ್ಯವನ್ನು ಪ್ರದರ್ಶಿಸುವ ಹಲವಾರು ವ್ಯವಸ್ಥೆಗಳನ್ನು ಮತ್ತು ನಿರಂತರ ಸುಧಾರಣೆಗೆ ಭರವಸೆ ನೀಡುವ ಹಲವಾರು ಆವಿಷ್ಕಾರಗಳನ್ನು ಉತ್ಪಾದಿಸಿವೆ. ಇದರ ಜೊತೆಗೆ, ಇತ್ತೀಚಿನ ಹಲವಾರು ಕಾರ್ಯಾಗಾರಗಳು, ಪುಸ್ತಕ ಸಂಗ್ರಹ ಮತ್ತು ಹಲವಾರು ಟ್ಯುಟೋರಿಯಲ್ ಗಳು ಸ್ವಯಂಚಾಲಿತ ಪಠ್ಯ ಸಾರಾಂಶವು ಬಿಸಿ ಪ್ರದೇಶವಾಗಿ ಮಾರ್ಪಟ್ಟಿದೆ ಎಂದು ಸಾಕ್ಷ್ಯ ನೀಡುತ್ತವೆ. ಆದರೆ, ಈ ವಿವಿಧ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಅಧ್ಯಯನ ಮಾಡಲು ಮತ್ತು ನಿಜವಾಗಿ ಏನನ್ನು ಸಾಧಿಸಲಾಗಿದೆ ಎಂಬುದನ್ನು ಪರಿಗಣಿಸಲು ಒಬ್ಬರು ಸ್ವಲ್ಪ ಸಮಯ ತೆಗೆದುಕೊಂಡಾಗ, ಅವುಗಳ ಆಧಾರವಾಗಿರುವ ಹೋಲಿಕೆ, ಅವುಗಳ ಗಮನದ ಕಿರಿದಾದಿಕೆ ಮತ್ತು ಸಮಸ್ಯೆಯನ್ನು ಸುತ್ತುವರೆದಿರುವ ಅಪರಿಚಿತ ಅಂಶಗಳ ದೊಡ್ಡ ಸಂಖ್ಯೆಯಿಂದ ಒಬ್ಬರು ಹೊಡೆಯುವುದನ್ನು ತಪ್ಪಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ. ಉದಾಹರಣೆಗೆ, ಸಾರಾಂಶ ಎಂದರೆ ಏನು? ಯಾರಿಗೂ ನಿಖರವಾಗಿ ತಿಳಿದಿಲ್ಲ. ನಮ್ಮ ಕೆಲಸದಲ್ಲಿ, ನಾವು ಸಾರಾಂಶವನ್ನು ಸಾಮಾನ್ಯ ಪದವಾಗಿ ಬಳಸುತ್ತೇವೆ ಮತ್ತು ಇದನ್ನು ಈ ಕೆಳಗಿನಂತೆ ವ್ಯಾಖ್ಯಾನಿಸುತ್ತೇವೆಃ ಸಾರಾಂಶವು ಒಂದು ಅಥವಾ ಹೆಚ್ಚಿನ (ಸಂಭಾವ್ಯವಾಗಿ ಮಲ್ಟಿಮೀಡಿಯಾ) ಪಠ್ಯಗಳಿಂದ ಉತ್ಪತ್ತಿಯಾಗುವ ಪಠ್ಯವಾಗಿದೆ, ಇದು ಮೂಲ ಪಠ್ಯದ (ಕೆಲವು) ಅದೇ ಮಾಹಿತಿಯನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ ಮತ್ತು ಅದು ಮೂಲ ಪಠ್ಯದ ಅರ್ಧಕ್ಕಿಂತಲೂ ಹೆಚ್ಚು ಅಲ್ಲ. ಚಿತ್ರವನ್ನು ಸ್ವಲ್ಪ ಸ್ಪಷ್ಟಪಡಿಸಲು, ನಾವು ಕೆಳಗಿನ ವ್ಯತ್ಯಾಸದ ಅಂಶಗಳನ್ನು ಗುರುತಿಸುವ ಮೂಲಕ (ಸ್ಪರ್ಕ್ ಜೋನ್ಸ್, 97) ಅನುಸರಿಸುತ್ತೇವೆ ಮತ್ತು ವಿಸ್ತರಿಸುತ್ತೇವೆ. ಯಾವುದೇ ಸಾರಾಂಶವನ್ನು (ಕನಿಷ್ಠ) ಮೂರು ಪ್ರಮುಖ ವರ್ಗಗಳ ಗುಣಲಕ್ಷಣಗಳಿಂದ ನಿರೂಪಿಸಬಹುದು: ಮೂಲಃ ಮೂಲ ಪಠ್ಯದ ಗುಣಲಕ್ಷಣಗಳು (ಇನ್ವಟ್): ಮೂಲ ಗಾತ್ರ: ಏಕ-ದಸ್ತಾವೇಜು (ವಿಎಸ್). ಬಹು-ದಾಖಲೆ: ಒಂದು-ದಾಖಲೆ ಸಾರಾಂಶವು ಒಂದೇ ಇನ್ಪುಟ್ ಪಠ್ಯದಿಂದ ಹುಟ್ಟಿಕೊಳ್ಳುತ್ತದೆ (ಸಾರಾಂಶ ಪ್ರಕ್ರಿಯೆಯು ಇತರ ಪಠ್ಯಗಳಿಂದ ಹಿಂದೆ ಸಂಗ್ರಹಿಸಿದ ಮಾಹಿತಿಯನ್ನು ಬಳಸಿಕೊಳ್ಳಬಹುದು). ಬಹು-ದಸ್ತಾವೇಜು ಸಾರಾಂಶವು ಒಂದಕ್ಕಿಂತ ಹೆಚ್ಚು ಇನ್ಪುಟ್ ಪಠ್ಯಗಳ ವಿಷಯವನ್ನು ಒಳಗೊಂಡಿರುವ ಒಂದು ಪಠ್ಯವಾಗಿದೆ, ಮತ್ತು ಇದನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಇನ್ಪುಟ್ ಪಠ್ಯಗಳು ವಿಷಯಾಧಾರಿತವಾಗಿ ಸಂಬಂಧ ಹೊಂದಿರುವಾಗ ಮಾತ್ರ ಬಳಸಲಾಗುತ್ತದೆ. ನಿರ್ದಿಷ್ಟತೆ: ಡೊಮೇನ್-ನಿರ್ದಿಷ್ಟ vs ಸಾಮಾನ್ಯ: ಎಲ್ಲಾ ಇನ್ಪುಟ್ ಪಠ್ಯಗಳು ಒಂದೇ ಡೊಮೇನ್ಗೆ ಸಂಬಂಧಿಸಿರುವಾಗ, ಡೊಮೇನ್-ನಿರ್ದಿಷ್ಟ ಸಾರಾಂಶ ತಂತ್ರಗಳನ್ನು ಅನ್ವಯಿಸುವುದು, ನಿರ್ದಿಷ್ಟ ವಿಷಯದ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುವುದು ಮತ್ತು ನಿರ್ದಿಷ್ಟ ಸ್ವರೂಪಗಳನ್ನು output ಟ್ಪುಟ್ ಮಾಡುವುದು ಸೂಕ್ತವಾಗಿರುತ್ತದೆ, ಸಾಮಾನ್ಯ ಪ್ರಕರಣಕ್ಕೆ ಹೋಲಿಸಿದರೆ. ಒಂದು ಡೊಮೇನ್-ನಿರ್ದಿಷ್ಟ ಸಾರಾಂಶವು ಇನ್ಪುಟ್ ಪಠ್ಯದಿಂದ ಪಡೆಯುತ್ತದೆ, ಇದರ ಥೀಮ್ ಒಂದೇ ನಿರ್ಬಂಧಿತ ಡೊಮೇನ್ಗೆ ಸೇರಿದೆ. ಈ ರೀತಿಯಾಗಿ, ಇದು ಕಡಿಮೆ ಪದ ಅಸ್ಪಷ್ಟತೆ, ವಿಶಿಷ್ಟ ಪದ ಮತ್ತು ವ್ಯಾಕರಣ ಬಳಕೆ, ವಿಶೇಷ ಸ್ವರೂಪ, ಇತ್ಯಾದಿಗಳನ್ನು ಊಹಿಸಬಹುದು ಮತ್ತು ಅವುಗಳನ್ನು ಸಾರಾಂಶದಲ್ಲಿ ಪ್ರತಿಬಿಂಬಿಸಬಹುದು.

25126128faa023d1a65a47abeb8c33219cc8ca5c

ನಾವು ದೊಡ್ಡ ಪ್ರಮಾಣದ ಕರ್ನಲ್ ವಿಧಾನಗಳಿಗೆ ನೈಸ್ಟ್ರೋಮ್ ಮಾದರಿಯ ಉಪಮಾದರಿ ವಿಧಾನಗಳನ್ನು ಅಧ್ಯಯನ ಮಾಡುತ್ತೇವೆ ಮತ್ತು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಕಲಿಕೆಯ ಸೆಟ್ಟಿಂಗ್ನಲ್ಲಿ ಕಲಿಕೆಯ ಗಡಿಗಳನ್ನು ಸಾಬೀತುಪಡಿಸುತ್ತೇವೆ, ಅಲ್ಲಿ ಯಾದೃಚ್ಛಿಕ ಮಾದರಿ ಮತ್ತು ಹೆಚ್ಚಿನ ಸಂಭವನೀಯತೆಯ ಅಂದಾಜುಗಳನ್ನು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ. ನಿರ್ದಿಷ್ಟವಾಗಿ ಹೇಳುವುದಾದರೆ, ಉಪಮಾದರಿ ಮಟ್ಟವನ್ನು ಸೂಕ್ತವಾಗಿ ಆಯ್ಕೆಮಾಡಿದಲ್ಲಿ, ಈ ವಿಧಾನಗಳು ಅತ್ಯುತ್ತಮ ಕಲಿಕೆಯ ಗಡಿಗಳನ್ನು ಸಾಧಿಸಬಹುದು ಎಂದು ನಾವು ಸಾಬೀತುಪಡಿಸುತ್ತೇವೆ. ಈ ಫಲಿತಾಂಶಗಳು ನೈಸ್ಟ್ರೋಮ್ ಕರ್ನಲ್ ರೆಗ್ಯುಲರೈಸ್ಡ್ ಲೀಸ್ಟ್ ಸ್ಕ್ವೇರ್ಗಳ ಸರಳವಾದ ಏರಿಕೆಯ ರೂಪಾಂತರವನ್ನು ಸೂಚಿಸುತ್ತವೆ, ಅಲ್ಲಿ ಉಪಮಾದರಿ ಮಟ್ಟವು ಕಂಪ್ಯೂಟೇಶನಲ್ ರೆಗ್ಯುಲರೈಸೇಶನ್ನ ಒಂದು ರೂಪವನ್ನು ಅನುಷ್ಠಾನಗೊಳಿಸುತ್ತದೆ, ಅಂದರೆ ಅದು ಅದೇ ಸಮಯದಲ್ಲಿ ರೆಗ್ಯುಲರೈಸೇಶನ್ ಮತ್ತು ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ನಿಯಂತ್ರಿಸುತ್ತದೆ. ವ್ಯಾಪಕವಾದ ಪ್ರಾಯೋಗಿಕ ವಿಶ್ಲೇಷಣೆಯು ಪರಿಗಣಿತ ವಿಧಾನವು ದೊಡ್ಡ ಪ್ರಮಾಣದ ದತ್ತಾಂಶ ಸೆಟ್ಗಳ ಮಾನದಂಡದ ಮೇಲೆ ಅತ್ಯಾಧುನಿಕ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸಾಧಿಸುತ್ತದೆ ಎಂದು ತೋರಿಸುತ್ತದೆ.

414573bcd1849b4d3ec8a06dd4080b62f1db5607

ವಿತರಿಸಿದ ಸೇವೆಯ ನಿರಾಕರಣೆ (ಡಿಡೋಸ್) ದಾಳಿಗಳು ಅಂತರ್ಜಾಲದಾದ್ಯಂತ ಬೆದರಿಕೆಯನ್ನುಂಟುಮಾಡುತ್ತವೆ. ನಾವು ಡಿ-ವಾರ್ಡ್ ಅನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ, ಡಿಡೋಸ್ ರಕ್ಷಣಾ ವ್ಯವಸ್ಥೆಯನ್ನು ಮೂಲ-ಅಂತಿಮ ನೆಟ್ವರ್ಕ್ಗಳಲ್ಲಿ ನಿಯೋಜಿಸಲಾಗಿದೆ, ಅದು ಈ ನೆಟ್ವರ್ಕ್ಗಳಿಂದ ಹುಟ್ಟಿಕೊಂಡಿರುವ ದಾಳಿಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಪತ್ತೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ನಿಲ್ಲಿಸುತ್ತದೆ. ನೆಟ್ವರ್ಕ್ ಮತ್ತು ಉಳಿದ ಇಂಟರ್ನೆಟ್ ನಡುವಿನ ದ್ವಿಮುಖ ಸಂಚಾರ ಹರಿವುಗಳ ನಿರಂತರ ಮೇಲ್ವಿಚಾರಣೆ ಮತ್ತು ಸಾಮಾನ್ಯ ಹರಿವಿನ ಮಾದರಿಗಳೊಂದಿಗೆ ಆವರ್ತಕ ಹೋಲಿಕೆಯ ಮೂಲಕ ದಾಳಿಯನ್ನು ಪತ್ತೆ ಮಾಡಲಾಗುತ್ತದೆ. ಅಸಮಂಜಸ ಹರಿವುಗಳು ಅವುಗಳ ಆಕ್ರಮಣಶೀಲತೆಗೆ ಅನುಗುಣವಾಗಿ ದರ-ಸೀಮಿತವಾಗಿದೆ. ದಾಳಿಯ ಸಮಯದಲ್ಲಿ ಸಹ ಕಾನೂನುಬದ್ಧ ಸಂಚಾರಕ್ಕೆ ಡಿ-ವಾರ್ಡ್ ಉತ್ತಮ ಸೇವೆಯನ್ನು ನೀಡುತ್ತದೆ, ಆದರೆ ಡಿಡೋಸ್ ದಟ್ಟಣೆಯನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ನಿರ್ಲಕ್ಷ್ಯ ಮಟ್ಟಕ್ಕೆ ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. ಈ ವ್ಯವಸ್ಥೆಯ ಒಂದು ಮಾದರಿಯನ್ನು ಲಿನಕ್ಸ್ ರೂಟರ್ನಲ್ಲಿ ನಿರ್ಮಿಸಲಾಗಿದೆ. ನಾವು ವಿವಿಧ ದಾಳಿ ಸನ್ನಿವೇಶಗಳಲ್ಲಿ ಅದರ ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ತೋರಿಸುತ್ತೇವೆ, ನಿಯೋಜನೆಗಾಗಿ ಪ್ರೇರಣೆಗಳನ್ನು ಚರ್ಚಿಸುತ್ತೇವೆ ಮತ್ತು ಸಂಬಂಧಿತ ವೆಚ್ಚಗಳನ್ನು ವಿವರಿಸುತ್ತೇವೆ.

705a24f4e1766a44bbba7cf335f74229ed443c7b

ಮುಖ ಗುರುತಿಸುವಿಕೆ ಅಲ್ಗಾರಿದಮ್ಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಮುಖದ ಚಿತ್ರಗಳು ಚೆನ್ನಾಗಿ ಜೋಡಿಸಲ್ಪಟ್ಟಿವೆ ಮತ್ತು ಒಂದೇ ರೀತಿಯ ಭಂಗಿಯನ್ನು ಹೊಂದಿವೆ ಎಂದು ಭಾವಿಸುತ್ತವೆ -- ಆದರೂ ಅನೇಕ ಪ್ರಾಯೋಗಿಕ ಅನ್ವಯಿಕೆಗಳಲ್ಲಿ ಈ ಷರತ್ತುಗಳನ್ನು ಪೂರೈಸುವುದು ಅಸಾಧ್ಯ. ಆದ್ದರಿಂದ ಮುಖ ಗುರುತಿಸುವಿಕೆಯನ್ನು ನಿರ್ಬಂಧವಿಲ್ಲದ ಮುಖದ ಚಿತ್ರಗಳಿಗೆ ವಿಸ್ತರಿಸುವುದು ಸಕ್ರಿಯ ಸಂಶೋಧನಾ ಕ್ಷೇತ್ರವಾಗಿದೆ. ಈ ನಿಟ್ಟಿನಲ್ಲಿ, ಸ್ಥಳೀಯ ಬೈನರಿ ಮಾದರಿಗಳ (ಎಲ್ಬಿಪಿ) ಹಿಸ್ಟೋಗ್ರಾಮ್ಗಳು ಮುಖ ಗುರುತಿಸುವಿಕೆಗಾಗಿ ಹೆಚ್ಚು ತಾರತಮ್ಯದ ವಿವರಣೆಗಳೆಂದು ಸಾಬೀತಾಗಿದೆ. ಆದಾಗ್ಯೂ, ಹೆಚ್ಚಿನ LBP- ಆಧಾರಿತ ಕ್ರಮಾವಳಿಗಳು ಕಠಿಣವಾದ ವಿವರಣಾತ್ಮಕ ಹೊಂದಾಣಿಕೆಯ ತಂತ್ರವನ್ನು ಬಳಸುತ್ತವೆ, ಅದು ಭಂಗಿ ವ್ಯತ್ಯಾಸ ಮತ್ತು ಅಸಮಂಜಸತೆಗೆ ವಿರುದ್ಧವಾಗಿ ದೃಢವಾಗಿಲ್ಲ. ನಾವು ಎರಡು ಮುಖ ಗುರುತಿಸುವಿಕೆ ಕ್ರಮಾವಳಿಗಳನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ ಅದು ಭಂಗಿ ವ್ಯತ್ಯಾಸಗಳು ಮತ್ತು ಅಸಮತೋಲನವನ್ನು ಎದುರಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. ನಾವು ಬೆಳಕಿನ ಸಾಮಾನ್ಯೀಕರಣ ಹಂತವನ್ನು ಸಹ ಸೇರಿಸುತ್ತೇವೆ ಅದು ಬೆಳಕಿನ ವ್ಯತ್ಯಾಸಗಳ ವಿರುದ್ಧ ದೃಢತೆಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. ಪ್ರಸ್ತಾವಿತ ಅಲ್ಗಾರಿದಮ್ಗಳು LBP ಯ ಹಿಸ್ಟೋಗ್ರಾಮ್ಗಳ ಆಧಾರದ ಮೇಲೆ ವಿವರಣಕಾರರನ್ನು ಬಳಸುತ್ತವೆ ಮತ್ತು ಕ್ರಮವಾಗಿ ಪ್ರಾದೇಶಿಕ ಪಿರಮಿಡ್ ಹೊಂದಾಣಿಕೆ (SPM) ಮತ್ತು ನೇವ್ ಬೇಸ್ ಹತ್ತಿರದ ನೆರೆಹೊರೆಯ (NBNN) ನೊಂದಿಗೆ ವಿವರಣಕಾರ ಹೊಂದಾಣಿಕೆಯನ್ನು ನಿರ್ವಹಿಸುತ್ತವೆ. ನಮ್ಮ ಕೊಡುಗೆಯೆಂದರೆ ವರ್ಗದೊಳಗಿನ ವ್ಯತ್ಯಾಸಗಳಿಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ಸುಧಾರಿತ ದೃಢತೆಯನ್ನು ಒದಗಿಸಲು ಇಮೇಜ್-ಟು-ಕ್ಲಾಸ್ ಸಂಬಂಧವನ್ನು ಬಳಸುವ ಹೊಂದಿಕೊಳ್ಳುವ ಪ್ರಾದೇಶಿಕ ಹೊಂದಾಣಿಕೆಯ ಯೋಜನೆಗಳನ್ನು ಸೇರಿಸುವುದು. ನಾವು ಪ್ರಸ್ತಾವಿತ ಅಲ್ಗಾರಿದಮ್ಗಳ ನಿಖರತೆಯನ್ನು ಅಹೋನೆನ್ರ ಮೂಲ ಎಲ್ ಬಿಪಿ ಆಧಾರಿತ ಮುಖ ಗುರುತಿಸುವಿಕೆ ವ್ಯವಸ್ಥೆ ಮತ್ತು ನಾಲ್ಕು ಪ್ರಮಾಣಿತ ದತ್ತಾಂಶಗಳ ಮೇಲೆ ಎರಡು ಮೂಲಭೂತ ಸಮಗ್ರ ವರ್ಗೀಕರಣಕಾರರೊಂದಿಗೆ ಹೋಲಿಸುತ್ತೇವೆ. ನಮ್ಮ ಫಲಿತಾಂಶಗಳು NBNN ಆಧಾರಿತ ಅಲ್ಗಾರಿದಮ್ ಇತರ ಪರಿಹಾರಗಳನ್ನು ಮೀರಿಸುತ್ತದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ, ಮತ್ತು ಭಂಗಿ ವ್ಯತ್ಯಾಸಗಳ ಉಪಸ್ಥಿತಿಯಲ್ಲಿ ಹೆಚ್ಚು ಗಮನಾರ್ಹವಾಗಿ ಮಾಡುತ್ತದೆ.

fb8704210358d0cbf5113c97e1f9f9f03f67e6fc

ಕಳೆದ 10 ವರ್ಷಗಳಲ್ಲಿ ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿ ಕ್ಷೇತ್ರದಲ್ಲಿನ ಅತ್ಯಂತ ಉತ್ಸಾಹಭರಿತ ಸಂಶೋಧನಾ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ವಿಷಯ ಆಧಾರಿತ ದೃಶ್ಯ ಮಾಹಿತಿ ಮರುಪಡೆಯುವಿಕೆ (ಸಿಬಿವಿಐಆರ್) ಅಥವಾ ವಿಷಯ ಆಧಾರಿತ ಚಿತ್ರ ಮರುಪಡೆಯುವಿಕೆ (ಸಿಬಿಐಆರ್) ಒಂದು. ದೊಡ್ಡ ಮತ್ತು ಸ್ಥಿರವಾಗಿ ಬೆಳೆಯುತ್ತಿರುವ ದೃಶ್ಯ ಮತ್ತು ಮಲ್ಟಿಮೀಡಿಯಾ ದತ್ತಾಂಶದ ಲಭ್ಯತೆ ಮತ್ತು ಅಂತರ್ಜಾಲದ ಅಭಿವೃದ್ಧಿಯು ಸರಳ ಪಠ್ಯ-ಆಧಾರಿತ ಪ್ರಶ್ನೆಗಳು ಅಥವಾ ನಿಖರವಾದ ಡೇಟಾಬೇಸ್ ಕ್ಷೇತ್ರಗಳನ್ನು ಹೊಂದಿಸುವ ಆಧಾರದ ಮೇಲೆ ವಿನಂತಿಗಳನ್ನು ಒದಗಿಸುವುದಕ್ಕಿಂತ ಹೆಚ್ಚಿನದನ್ನು ನೀಡುವ ವಿಷಯಾಧಾರಿತ ಪ್ರವೇಶ ವಿಧಾನಗಳನ್ನು ರಚಿಸುವ ಅಗತ್ಯವನ್ನು ಒತ್ತಿಹೇಳುತ್ತದೆ. ದೃಶ್ಯ ಅಥವಾ ಆಡಿಯೊ ವಿಷಯದ ಆಧಾರದ ಮೇಲೆ ಪ್ರಶ್ನೆಗಳನ್ನು ರೂಪಿಸಲು ಮತ್ತು ಕಾರ್ಯಗತಗೊಳಿಸಲು ಮತ್ತು ದೊಡ್ಡ ಮಲ್ಟಿಮೀಡಿಯಾ ರೆಪೊಸಿಟರಿಗಳನ್ನು ಬ್ರೌಸ್ ಮಾಡಲು ಸಹಾಯ ಮಾಡಲು ಅನೇಕ ಕಾರ್ಯಕ್ರಮಗಳು ಮತ್ತು ಸಾಧನಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗಿದೆ. ಆದರೂ, ವಿವಿಧ ರೀತಿಯ ಮತ್ತು ವೈವಿಧ್ಯಮಯ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಹೊಂದಿರುವ ದಾಖಲೆಗಳನ್ನು ಹೊಂದಿರುವ ದೊಡ್ಡ ವೈವಿಧ್ಯಮಯ ದತ್ತಸಂಚಯಗಳ ಬಗ್ಗೆ ಯಾವುದೇ ಸಾಮಾನ್ಯ ಪ್ರಗತಿ ಸಾಧಿಸಲಾಗಿಲ್ಲ. ವೇಗ, ಶಬ್ದಾರ್ಥದ ವಿವರಣೆಗಳು ಅಥವಾ ವಸ್ತುನಿಷ್ಠ ಚಿತ್ರ ವ್ಯಾಖ್ಯಾನಗಳಿಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ಅನೇಕ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಗಳು ಇನ್ನೂ ಉತ್ತರಿಸಲಾಗಿಲ್ಲ. ವೈದ್ಯಕೀಯ ಕ್ಷೇತ್ರದಲ್ಲಿ, ಚಿತ್ರಗಳು, ಮತ್ತು ವಿಶೇಷವಾಗಿ ಡಿಜಿಟಲ್ ಚಿತ್ರಗಳು, ನಿರಂತರವಾಗಿ ಹೆಚ್ಚುತ್ತಿರುವ ಪ್ರಮಾಣದಲ್ಲಿ ಉತ್ಪಾದಿಸಲ್ಪಡುತ್ತವೆ ಮತ್ತು ರೋಗನಿರ್ಣಯ ಮತ್ತು ಚಿಕಿತ್ಸೆಯಲ್ಲಿ ಬಳಸಲ್ಪಡುತ್ತವೆ. ಜಿನೀವಾ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಆಸ್ಪತ್ರೆಯ ವಿಕಿರಣ ಶಾಸ್ತ್ರದ ವಿಭಾಗ ಮಾತ್ರ 2002ರಲ್ಲಿ ದಿನಕ್ಕೆ 12,000ಕ್ಕೂ ಹೆಚ್ಚು ಚಿತ್ರಗಳನ್ನು ತಯಾರಿಸಿತು. ಹೃದಯಶಾಸ್ತ್ರವು ಪ್ರಸ್ತುತ ಡಿಜಿಟಲ್ ಚಿತ್ರಗಳ ಎರಡನೇ ಅತಿದೊಡ್ಡ ಉತ್ಪಾದಕವಾಗಿದೆ, ವಿಶೇಷವಾಗಿ ಹೃದಯದ ಕ್ಯಾತಿಟರೀಸೇಶನ್ ವೀಡಿಯೊಗಳೊಂದಿಗೆ (ಪ್ರತಿ ವರ್ಷ ಸುಮಾರು 1800 ಪರೀಕ್ಷೆಗಳು ಸುಮಾರು 2000 ಚಿತ್ರಗಳನ್ನು ಹೊಂದಿವೆ). 2002ರಲ್ಲಿ ಜಿನೀವಾ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಆಸ್ಪತ್ರೆಯಲ್ಲಿ ತಯಾರಿಸಲಾದ ಹೃದಯರಕ್ತನಾಳದ ಚಿತ್ರಗಳ ಒಟ್ಟು ಪ್ರಮಾಣವು 1 ಟಿಬಿ ಆಗಿತ್ತು. ಅಂತೋಸ್ಕೋಪಿಕ್ ವೀಡಿಯೋಗಳು ಅಷ್ಟೇ ದೊಡ್ಡ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ಉತ್ಪಾದಿಸಬಹುದು. ವೈದ್ಯಕೀಯದಲ್ಲಿ ಡಿಜಿಟಲ್ ಇಮೇಜಿಂಗ್ ಮತ್ತು ಸಂವಹನ (ಡಿಐಸಿಒಎಂ) ಯೊಂದಿಗೆ, ಚಿತ್ರ ಸಂವಹನಕ್ಕಾಗಿ ಒಂದು ಮಾನದಂಡವನ್ನು ನಿಗದಿಪಡಿಸಲಾಗಿದೆ ಮತ್ತು ರೋಗಿಯ ಮಾಹಿತಿಯನ್ನು ನಿಜವಾದ ಚಿತ್ರಗಳೊಂದಿಗೆ ಸಂಗ್ರಹಿಸಬಹುದು, ಆದರೂ ಇನ್ನೂ ಕೆಲವು ಸಮಸ್ಯೆಗಳು ಪ್ರಮಾಣೀಕರಣಕ್ಕೆ ಸಂಬಂಧಿಸಿದಂತೆ ಮೇಲುಗೈ ಸಾಧಿಸುತ್ತವೆ. ಹಲವಾರು ಲೇಖನಗಳಲ್ಲಿ, ವೈದ್ಯಕೀಯ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಯನ್ನು ಬೆಂಬಲಿಸಲು ವೈದ್ಯಕೀಯ ಚಿತ್ರಗಳಿಗೆ ವಿಷಯ-ಆಧಾರಿತ ಪ್ರವೇಶವನ್ನು ಪ್ರಸ್ತಾಪಿಸಲಾಗಿದೆ, ಇದು ಕ್ಲಿನಿಕಲ್ ಡೇಟಾದ ನಿರ್ವಹಣೆಯನ್ನು ಸುಲಭಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ಚಿತ್ರ ಆರ್ಕೈವಿಂಗ್ ಮತ್ತು ಸಂವಹನ ವ್ಯವಸ್ಥೆಗಳಿಗೆ (ಪಿಎಸಿಎಸ್) ವಿಷಯ-ಆಧಾರಿತ ಪ್ರವೇಶ ವಿಧಾನಗಳನ್ನು ಸಂಯೋಜಿಸುವ ಸನ್ನಿವೇಶಗಳನ್ನು ರಚಿಸಲಾಗಿದೆ. ಈ ಲೇಖನವು ವೈದ್ಯಕೀಯ ಚಿತ್ರದ ದತ್ತಾಂಶಕ್ಕೆ ವಿಷಯ ಆಧಾರಿತ ಪ್ರವೇಶದ ಕ್ಷೇತ್ರದಲ್ಲಿ ಲಭ್ಯವಿರುವ ಸಾಹಿತ್ಯದ ಒಂದು ಅವಲೋಕನವನ್ನು ನೀಡುತ್ತದೆ ಮತ್ತು ಕ್ಷೇತ್ರದಲ್ಲಿ ಬಳಸಲಾಗುವ ತಂತ್ರಜ್ಞಾನಗಳ ಬಗ್ಗೆ ನೀಡುತ್ತದೆ. ವಿಭಾಗ 1 ಸಾಮಾನ್ಯ ವಿಷಯ ಆಧಾರಿತ ಚಿತ್ರ ಹಿಂಪಡೆಯುವಿಕೆ ಮತ್ತು ಬಳಸಿದ ತಂತ್ರಜ್ಞಾನಗಳ ಪರಿಚಯವನ್ನು ನೀಡುತ್ತದೆ. ವಿಭಾಗ 2 ವೈದ್ಯಕೀಯ ಅಭ್ಯಾಸದಲ್ಲಿ ಚಿತ್ರ ಮರುಪಡೆಯುವಿಕೆ ಬಳಕೆ ಮತ್ತು ವಿವಿಧ ವಿಧಾನಗಳ ಪ್ರಸ್ತಾಪಗಳನ್ನು ವಿವರಿಸುತ್ತದೆ. ಉದಾಹರಣೆ ವ್ಯವಸ್ಥೆಗಳು ಮತ್ತು ಅನ್ವಯಿಕ ಕ್ಷೇತ್ರಗಳನ್ನು ವಿವರಿಸಲಾಗಿದೆ. ವಿಭಾಗ 3 ಅನುಷ್ಠಾನಗೊಳಿಸಿದ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಬಳಸಿದ ತಂತ್ರಗಳನ್ನು, ಅವುಗಳ ದತ್ತಾಂಶ ಮತ್ತು ಮೌಲ್ಯಮಾಪನಗಳನ್ನು ವಿವರಿಸುತ್ತದೆ. ವಿಭಾಗ 4 ಕ್ಲಿನಿಕಲ್ ಪ್ರಾಯೋಗಿಕ ಹಾಗೂ ಸಂಶೋಧನೆ ಮತ್ತು ಶಿಕ್ಷಣದಲ್ಲಿ ಚಿತ್ರ ಮರುಪಡೆಯುವಿಕೆ ವ್ಯವಸ್ಥೆಗಳ ಸಂಭವನೀಯ ಕ್ಲಿನಿಕಲ್ ಪ್ರಯೋಜನಗಳನ್ನು ಗುರುತಿಸುತ್ತದೆ. ಉಪಯುಕ್ತವೆಂದು ಸಾಬೀತುಪಡಿಸಬಹುದಾದ ಹೊಸ ಸಂಶೋಧನಾ ನಿರ್ದೇಶನಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ. ಈ ಲೇಖನವು ಕ್ಷೇತ್ರದಲ್ಲಿ ವಿವರಿಸಲಾದ ಕೆಲವು ಸಮಸ್ಯೆಗಳಿಗೆ ವಿವರಣೆಗಳನ್ನು ಸಹ ಗುರುತಿಸುತ್ತದೆ ಏಕೆಂದರೆ ವೈದ್ಯಕೀಯ ಕ್ಷೇತ್ರದಿಂದ ವ್ಯವಸ್ಥೆಗಳಿಗಾಗಿ ಅನೇಕ ಪ್ರಸ್ತಾಪಗಳನ್ನು ಮಾಡಲಾಗಿದೆ ಮತ್ತು ವೈದ್ಯಕೀಯ ದತ್ತಾಂಶಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಕಂಪ್ಯೂಟರ್ ವಿಜ್ಞಾನ ವಿಭಾಗಗಳಲ್ಲಿ ಸಂಶೋಧನಾ ಮೂಲಮಾದರಿಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗಿದೆ. ಇನ್ನೂ, ಕ್ಲಿನಿಕಲ್ ಪ್ರಾಯೋಗಿಕದಲ್ಲಿ ಬಳಸಲಾಗುವಂತಹ ಕೆಲವೇ ವ್ಯವಸ್ಥೆಗಳು ಇವೆ. ಇದು ಸಾಮಾನ್ಯವಾಗಿ, ಪಠ್ಯ ಆಧಾರಿತ ಮರುಪಡೆಯುವಿಕೆ ವಿಧಾನಗಳನ್ನು ಬದಲಿಸಲು ಉದ್ದೇಶಿಸಿಲ್ಲ ಎಂದು ಹೇಳಬೇಕಾಗಿದೆ, ಆದರೆ ಅವುಗಳನ್ನು ದೃಶ್ಯ ಹುಡುಕಾಟ ಸಾಧನಗಳೊಂದಿಗೆ ಪೂರಕಗೊಳಿಸುವುದು.

38919649ae3fd207b96b62e95b3c8c8e69635c7f

ಈ ಅಧ್ಯಯನವು ವೈರ್ಲೆಸ್ ಮೊಬೈಲ್ ಆಡ್-ಹಾಕ್ ನೆಟ್ ವರ್ಕ್ ಗಳಿಗೆ ಪ್ರಸ್ತಾಪಿಸಲಾದ ಮೂರು ರೂಟಿಂಗ್ ಪ್ರೋಟೋಕಾಲ್ ಗಳನ್ನು ಹೋಲಿಸುತ್ತದೆ. ಈ ಪ್ರೋಟೋಕಾಲ್ಗಳು ಹೀಗಿವೆ: ಗಮ್ಯಸ್ಥಾನ ಅನುಕ್ರಮ ದೂರ ವಾಹಕ (ಡಿಎಸ್ಡಿವಿ), ಬೇಡಿಕೆಯ ದೂರ ವಾಹಕ (ಎಒಡಿವಿ) ಮತ್ತು ಡೈನಾಮಿಕ್ ಸೋರ್ಸ್ ರೂಟಿಂಗ್ (ಡಿಎಸ್ಆರ್). ನೋಡ್ಗಳು ಯಾದೃಚ್ಛಿಕವಾಗಿ ಚಲಿಸುವ ಸನ್ನಿವೇಶದಲ್ಲಿ ವ್ಯಾಪಕವಾದ ಸಿಮ್ಯುಲೇಶನ್ಗಳನ್ನು ಮಾಡಲಾಗುತ್ತದೆ. ಫಲಿತಾಂಶಗಳನ್ನು ಒಂದು ಸನ್ನಿವೇಶದಲ್ಲಿ ನೋಡ್ಗಳ ಸಂಬಂಧಿತ ವೇಗವನ್ನು ಪ್ರತಿಬಿಂಬಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾದ ಹೊಸ ಚಲನಶೀಲತೆ ಮೆಟ್ರಿಕ್ನ ಒಂದು ಕಾರ್ಯವಾಗಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗುತ್ತದೆ. ಇದಲ್ಲದೆ, ಹೆಚ್ಚು ವಿಶೇಷ ಸಂದರ್ಭಗಳಲ್ಲಿ ಪ್ರೋಟೋಕಾಲ್ಗಳನ್ನು ಪರೀಕ್ಷಿಸಲು ಮೂರು ವಾಸ್ತವಿಕ ಸನ್ನಿವೇಶಗಳನ್ನು ಪರಿಚಯಿಸಲಾಗಿದೆ. ಹೆಚ್ಚಿನ ಸಿಮ್ಯುಲೇಶನ್ಗಳಲ್ಲಿ ಪ್ರತಿಕ್ರಿಯಾತ್ಮಕ ಪ್ರೋಟೋಕಾಲ್ಗಳು (ಎಒಡಿವಿ ಮತ್ತು ಡಿಎಸ್ಆರ್) ಡಿಎಸ್ಡಿವಿಗಿಂತ ಗಮನಾರ್ಹವಾಗಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿದವು. ಮಧ್ಯಮ ದಟ್ಟಣೆಯ ಹೊರೆಯಲ್ಲಿ ಡಿಎಸ್ಆರ್ ಎಲ್ಲಾ ಪರೀಕ್ಷಿತ ಚಲನಶೀಲತೆ ಮೌಲ್ಯಗಳಿಗೆ ಎಒಡಿವಿಗಿಂತ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿತು, ಆದರೆ ಎಒಡಿವಿ ಹೆಚ್ಚಿನ ದಟ್ಟಣೆಯ ಹೊರೆಗಳಲ್ಲಿ ಡಿಎಸ್ಆರ್ಗಿಂತ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿತು. ಡಿಎಸ್ಆರ್ ಡೇಟಾ ಪ್ಯಾಕೆಟ್ಗಳಲ್ಲಿನ ಮೂಲ ಮಾರ್ಗಗಳಿಂದಾಗಿ ಈ ಎರಡನೆಯದು ಉಂಟಾಗುತ್ತದೆ, ಇದು ನೆಟ್ವರ್ಕ್ನಲ್ಲಿನ ಹೊರೆ ಹೆಚ್ಚಿಸುತ್ತದೆ. ರೂಟರ್ಗಳು ಮತ್ತು ಹೋಸ್ಟ್ಗಳು, ಹೀಗಾಗಿ ಒಂದು ನೋಡ್ ಇತರ ನೋಡ್ಗಳ ನಡುವೆ ಪ್ಯಾಕೆಟ್ಗಳನ್ನು ರವಾನಿಸಬಹುದು ಮತ್ತು ಬಳಕೆದಾರ ಅಪ್ಲಿಕೇಶನ್ಗಳನ್ನು ಚಲಾಯಿಸಬಹುದು. ಮೊಬೈಲ್ ಅಡ್-ಹೋಕ್ ಜಾಲಗಳು ಇತ್ತೀಚಿನ ಅನೇಕ ಸಂಶೋಧನೆ ಮತ್ತು ಅಭಿವೃದ್ಧಿ ಪ್ರಯತ್ನಗಳ ಕೇಂದ್ರಬಿಂದುವಾಗಿದೆ. ಈವರೆಗೆ, ಅಡ್-ಹಾಕ್ ಪ್ಯಾಕೆಟ್ ರೇಡಿಯೋ ಜಾಲಗಳು ಮುಖ್ಯವಾಗಿ ಮಿಲಿಟರಿ ಅನ್ವಯಿಕೆಗಳಿಗೆ ಸಂಬಂಧಿಸಿವೆ, ಅಲ್ಲಿ ವಿಕೇಂದ್ರೀಕೃತ ಜಾಲ ಸಂರಚನೆಯು ಕಾರ್ಯಾಚರಣೆಯ ಅನುಕೂಲ ಅಥವಾ ಅವಶ್ಯಕತೆಯಾಗಿದೆ. ತತ್ಕಾಲದ ಸಂರಚನಾ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಬಳಸುವ ಜಾಲಗಳನ್ನು ಅನೇಕ ಮಿಲಿಟರಿ ಅನ್ವಯಿಕೆಗಳಲ್ಲಿ ಬಳಸಬಹುದು, ಪರಸ್ಪರ ಸಂಪರ್ಕಿತ ವೈರ್ಲೆಸ್ ಪ್ರವೇಶ ಬಿಂದುಗಳಿಂದ ಹಿಡಿದು ವ್ಯಕ್ತಿಗಳು ಸಾಗಿಸುವ ವೈರ್ಲೆಸ್ ಸಾಧನಗಳ ಜಾಲಗಳವರೆಗೆ, ಉದಾಹರಣೆಗೆ, ಡಿಜಿಟಲ್ ನಕ್ಷೆಗಳು, ದೇಹಕ್ಕೆ ಜೋಡಿಸಲಾದ ಸಂವೇದಕಗಳು, ಧ್ವನಿ ಸಂವಹನ ಇತ್ಯಾದಿ. ವ್ಯಾಪಕ ವ್ಯಾಪ್ತಿಯ ಮತ್ತು ಕಡಿಮೆ ವ್ಯಾಪ್ತಿಯ ಅಡ್-ಹಾಕ್ ನೆಟ್ವರ್ಕ್ಗಳ ಸಂಯೋಜನೆಯು ಪ್ರತಿಕೂಲ ಕಾರ್ಯಾಚರಣೆಯ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿಯೂ ಸಹ ದೃಢವಾದ, ಜಾಗತಿಕ ವ್ಯಾಪ್ತಿಯನ್ನು ಒದಗಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತದೆ.

0f7329cf0d388d4c5d5b94ee52ad2385bd2383ce

ಸೂಪರ್ ವೋಕ್ಸೆಲ್ ವಿಭಾಗೀಕರಣವು ಆರಂಭಿಕ ವೀಡಿಯೊ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಸಂಯೋಜಿಸಲು ಬಲವಾದ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ, ಏಕೆಂದರೆ ಸೂಪರ್ ಪಿಕ್ಸೆಲ್ ವಿಭಾಗೀಕರಣವು ಚಿತ್ರ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಹೊಂದಿದೆ. ಆದಾಗ್ಯೂ, ಅನೇಕ ನಂಬಲರ್ಹ ಸೂಪರ್ ವೋಕ್ಸೆಲ್ ವಿಧಾನಗಳಿವೆ ಮತ್ತು ಯಾವಾಗ ಮತ್ತು ಎಲ್ಲಿ ಪ್ರತಿಯೊಂದೂ ಹೆಚ್ಚು ಸೂಕ್ತವಾಗಿದೆ ಎಂಬುದರ ಬಗ್ಗೆ ಸ್ವಲ್ಪ ತಿಳುವಳಿಕೆ ಇದೆ. ವಾಸ್ತವವಾಗಿ, ಸೂಪರ್ ವೋಕ್ಸೆಲ್ ವಿಭಾಗದ ಬಗ್ಗೆ ಒಂದೇ ಒಂದು ತುಲನಾತ್ಮಕ ಅಧ್ಯಯನದ ಬಗ್ಗೆ ನಮಗೆ ತಿಳಿದಿಲ್ಲ. ಆ ನಿಟ್ಟಿನಲ್ಲಿ, ನಾವು ಏಳು ಸೂಪರ್ ವೋಕ್ಸೆಲ್ ಕ್ರಮಾವಳಿಗಳನ್ನು ಅಧ್ಯಯನ ಮಾಡುತ್ತೇವೆ, ಇದರಲ್ಲಿ ಆಫ್ಲೈನ್ ಮತ್ತು ಸ್ಟ್ರೀಮಿಂಗ್ ವಿಧಾನಗಳು ಸೇರಿವೆ, ನಾವು ಉತ್ತಮ ಸೂಪರ್ ವೋಕ್ಸೆಲ್ ಎಂದು ಪರಿಗಣಿಸುವ ವಿಷಯದಲ್ಲಿಃ ಅವುಗಳೆಂದರೆ, ಸ್ಪೇಟಿಯೊ-ಟೈಂಪರಲ್ ಏಕರೂಪತೆ, ಆಬ್ಜೆಕ್ಟ್ / ಪ್ರದೇಶದ ಗಡಿ ಪತ್ತೆ, ಪ್ರದೇಶ ಸಂಕೋಚನ ಮತ್ತು ಸಂಯಮ. ಮೌಲ್ಯಮಾಪನಕ್ಕಾಗಿ ನಾವು ಈ ಅಪೇಕ್ಷಣೀಯ ಸೂಪರ್ವೋಕ್ಸೆಲ್ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಅಳೆಯಲು ಏಳು ಗುಣಮಟ್ಟದ ಮೆಟ್ರಿಕ್ಗಳ ಸಮಗ್ರ ಸೂಟ್ ಅನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ. ಇದಲ್ಲದೆ, ನಾವು ಸೂಪರ್ ವೋಕ್ಸೆಲ್ ವರ್ಗೀಕರಣ ಕಾರ್ಯದಲ್ಲಿನ ವಿಧಾನಗಳನ್ನು ವೀಡಿಯೊ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಸೂಪರ್ ವೋಕ್ಸೆಲ್ಗಳ ನಂತರದ ಉನ್ನತ ಮಟ್ಟದ ಬಳಕೆಗಳಿಗೆ ಪ್ರಾಕ್ಸಿ ಆಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತೇವೆ. ನಾವು ಆರು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಮಾನದಂಡದ ವೀಡಿಯೊ ಡೇಟಾ ಸೆಟ್ಗಳನ್ನು ವಿವಿಧ ವಿಷಯ-ರೀತಿಯ ಮತ್ತು ದಟ್ಟವಾದ ಮಾನವ ಟಿಪ್ಪಣಿಗಳೊಂದಿಗೆ ಬಳಸುತ್ತೇವೆ. ನಮ್ಮ ಸಂಶೋಧನೆಗಳು ಶ್ರೇಣೀಕೃತ ಗ್ರಾಫ್ ಆಧಾರಿತ (ಜಿಬಿಎಚ್), ತೂಕವಿರುವ ಒಟ್ಟುಗೂಡಿಸುವಿಕೆಯಿಂದ ವಿಭಾಗ (ಎಸ್ಡಬ್ಲ್ಯೂಎ) ಮತ್ತು ತಾತ್ಕಾಲಿಕ ಸೂಪರ್ಪಿಕ್ಸೆಲ್ಗಳು (ಟಿಎಸ್ಪಿ) ವಿಧಾನಗಳು ಏಳು ವಿಧಾನಗಳಲ್ಲಿ ಉನ್ನತ-ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ತೋರುತ್ತವೆ ಎಂಬುದಕ್ಕೆ ನಿರ್ಣಾಯಕ ಸಾಕ್ಷ್ಯಕ್ಕೆ ನಮ್ಮನ್ನು ಕರೆದೊಯ್ಯಿದೆ. ಅವೆಲ್ಲವೂ ವಿಭಾಗೀಕರಣದ ನಿಖರತೆಯ ದೃಷ್ಟಿಯಿಂದ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ, ಆದರೆ ಇತರ ಅಪೇಕ್ಷಿತ ಡೇಟಾಕ್ಕೆ ಸಂಬಂಧಿಸಿದಂತೆ ಬದಲಾಗುತ್ತವೆ: GBH ವಸ್ತುವಿನ ಗಡಿಗಳನ್ನು ಉತ್ತಮವಾಗಿ ಸೆರೆಹಿಡಿಯುತ್ತದೆ; SWA ಪ್ರದೇಶ ಸಂಕುಚಿತತೆಗೆ ಉತ್ತಮ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ; ಮತ್ತು TSP ಅತ್ಯುತ್ತಮ ಅಂಡರ್ ಸೆಗ್ಮೆಂಟೇಶನ್ ದೋಷವನ್ನು ಸಾಧಿಸುತ್ತದೆ.

50dea03d4feb1797f1d5c260736e1cf7ad6d45ca

ಪರಿಚಯ ನಾವು ವೇಗವಾಗಿ ಬೆಳೆಯುತ್ತಿರುವ ಫೈಬ್ರೋಅಡೆನೊಮಾ ಪ್ರಕರಣವನ್ನು ವರದಿ ಮಾಡುತ್ತಿದ್ದೇವೆ. ರೋಗಿ ಎಡ ಸ್ತನದ ದ್ರವ್ಯರಾಶಿಯ ಬಗ್ಗೆ 13 ವರ್ಷದ ಹುಡುಗಿ ಹೊರರೋಗಿ ಕ್ಲಿನಿಕ್ ಅನ್ನು ಸಂಪರ್ಕಿಸಿದಳು. ಕ್ಲಿನಿಕಲ್ ಪರೀಕ್ಷೆಗಳಿಂದ ಈ ದ್ರವ್ಯರಾಶಿಯನ್ನು ಫೈಬ್ರೊಅಡೆನೊಮಾ ಎಂದು ಗುರುತಿಸಲಾಯಿತು ಮತ್ತು ರೋಗಿಯನ್ನು ಎಚ್ಚರಿಕೆಯಿಂದ ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಲಾಯಿತು. ಪ್ರತಿ ಋತುಚಕ್ರದೊಂದಿಗೆ ದ್ರವ್ಯರಾಶಿಯು ತ್ವರಿತವಾಗಿ ವಿಸ್ತರಿಸಿತು ಮತ್ತು ನಾಲ್ಕು ತಿಂಗಳ ನಂತರ 50% ಹೆಚ್ಚಳವನ್ನು ತೋರಿಸಿತು. ಲಂಪೆಕ್ಟೊಮಿ ಮಾಡಲಾಯಿತು. ಗೆಡ್ಡೆ ಫೈಬ್ರೊಡೆನೋಮ ಸಂಘಟಿತ ಪ್ರಕಾರ ಎಂದು ಹಿಸ್ಟೋಲಾಜಿಕಲ್ ರೋಗನಿರ್ಣಯ ಮಾಡಲಾಯಿತು ಮತ್ತು ಅನೇಕ ಗ್ರಂಥಿ ಎಪಿಥೆಲಿಯಲ್ ಕೋಶಗಳು ನ್ಯೂಕ್ಲಿಯಸ್ಗಳಲ್ಲಿನ ಆಂಟಿ- ಈಸ್ಟ್ರೊಜೆನ್ ರಿಸೆಪ್ಟರ್ ಪ್ರತಿಕಾಯಕ್ಕೆ ಧನಾತ್ಮಕ ಇಮ್ಯುನೊಹಿಸ್ಟೋಕೆಮಿಕಲ್ ಸ್ಟೇನಿಂಗ್ ಅನ್ನು ಹೊಂದಿದ್ದವು. ತೀರ್ಮಾನ: ಈಸ್ಟ್ರೊಜೆನ್ ಗೆಡ್ಡೆಯ ಸೂಕ್ಷ್ಮತೆಯು ತ್ವರಿತ ಬೆಳವಣಿಗೆಯ ಕಾರಣವಾಗಿರಬಹುದು.

0674c1e2fd78925a1baa6a28216ee05ed7b48ba0

ಪ್ರೊಕ್. ಇಂಟರ್ ನ್ಯಾಷನಲ್ ಕಾನ್ಫರೆನ್ಸ್ ಆನ್ ಕಂಪ್ಯೂಟರ್ ವಿಷನ್, ಕೋರ್ಫು (ಸೆಪ್ಟೆಂಬರ್ 1999) ಒಂದು ಹೊಸ ವರ್ಗದ ಸ್ಥಳೀಯ ಚಿತ್ರ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಬಳಸುವ ವಸ್ತುವಿನ ಗುರುತಿಸುವಿಕೆ ವ್ಯವಸ್ಥೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗಿದೆ. ಚಿತ್ರದ ಸ್ಕೇಲಿಂಗ್, ಅನುವಾದ ಮತ್ತು ತಿರುಗುವಿಕೆಗೆ ವೈಶಿಷ್ಟ್ಯಗಳು ಬದಲಾಗುವುದಿಲ್ಲ ಮತ್ತು ಬೆಳಕಿನ ಬದಲಾವಣೆಗಳಿಗೆ ಮತ್ತು ಸಂಬಂಧಿತ ಅಥವಾ 3D ಪ್ರೊಜೆಕ್ಷನ್ಗೆ ಭಾಗಶಃ ಬದಲಾಗುವುದಿಲ್ಲ. ಈ ಲಕ್ಷಣಗಳು ಕೆಳ ತಾಪದ ಕಾರ್ಟೆಕ್ಸ್ನಲ್ಲಿನ ನರಕೋಶಗಳೊಂದಿಗೆ ಇದೇ ರೀತಿಯ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಹಂಚಿಕೊಳ್ಳುತ್ತವೆ, ಇದನ್ನು ಪ್ರಧಾನ ದೃಷ್ಟಿಯಲ್ಲಿ ವಸ್ತು ಗುರುತಿಸುವಿಕೆಗಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ಸ್ಕೇಲ್ ಜಾಗದಲ್ಲಿ ಸ್ಥಿರ ಬಿಂದುಗಳನ್ನು ಗುರುತಿಸುವ ಹಂತದ ಫಿಲ್ಟರಿಂಗ್ ವಿಧಾನದ ಮೂಲಕ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಪತ್ತೆ ಮಾಡಲಾಗುತ್ತದೆ. ಬಹು ದೃಷ್ಟಿಕೋನ ಸಮತಲಗಳಲ್ಲಿ ಮತ್ತು ಬಹು ಪ್ರಮಾಣಗಳಲ್ಲಿ ಮಸುಕಾದ ಚಿತ್ರದ ಇಳಿಜಾರುಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುವ ಮೂಲಕ ಸ್ಥಳೀಯ ಜ್ಯಾಮಿತೀಯ ವಿರೂಪಗಳಿಗೆ ಅವಕಾಶ ನೀಡುವ ಚಿತ್ರ ಕೀಗಳನ್ನು ರಚಿಸಲಾಗಿದೆ. ಈ ಕೀಲಿಗಳನ್ನು ಸಮೀಪದ ನೆರೆಹೊರೆಯ ಸೂಚ್ಯಂಕ ವಿಧಾನಕ್ಕೆ ಇನ್ಪುಟ್ ಆಗಿ ಬಳಸಲಾಗುತ್ತದೆ, ಇದು ಅಭ್ಯರ್ಥಿ ವಸ್ತು ಹೊಂದಾಣಿಕೆಗಳನ್ನು ಗುರುತಿಸುತ್ತದೆ. ಪ್ರತಿ ಹೊಂದಾಣಿಕೆಯ ಅಂತಿಮ ಪರಿಶೀಲನೆಯು ಅಜ್ಞಾತ ಮಾದರಿ ನಿಯತಾಂಕಗಳಿಗೆ ಕಡಿಮೆ-ಅವಶೇಷ ಕನಿಷ್ಠ-ಚೌಕಗಳ ಪರಿಹಾರವನ್ನು ಕಂಡುಹಿಡಿಯುವ ಮೂಲಕ ಸಾಧಿಸಲಾಗುತ್ತದೆ. ಪ್ರಾಯೋಗಿಕ ಫಲಿತಾಂಶಗಳು 2 ಸೆಕೆಂಡುಗಳ ಅಡಿಯಲ್ಲಿ ಲೆಕ್ಕಾಚಾರದ ಸಮಯದೊಂದಿಗೆ ಗೊಂದಲಮಯ ಭಾಗಶಃ-ಅವಶೇಷಿತ ಚಿತ್ರಗಳಲ್ಲಿ ದೃ object ವಾದ ವಸ್ತು ಗುರುತಿಸುವಿಕೆಯನ್ನು ಸಾಧಿಸಬಹುದು ಎಂದು ತೋರಿಸುತ್ತದೆ.

bbb9c3119edd9daa414fd8f2df5072587bfa3462

ಈ ತೆರೆದ ಮೂಲ ಕಂಪ್ಯೂಟಿಂಗ್ ಚೌಕಟ್ಟು ಹೊಸ ಅಪ್ಲಿಕೇಶನ್ಗಳನ್ನು ಅನ್ಲಾಕ್ ಮಾಡಲು ಸ್ಟ್ರೀಮಿಂಗ್, ಬ್ಯಾಚ್ ಮತ್ತು ಸಂವಾದಾತ್ಮಕ ದೊಡ್ಡ ಡೇಟಾ ವರ್ಕ್ಲೋಡ್ಗಳನ್ನು ಏಕೀಕರಿಸುತ್ತದೆ.

18ca2837d280a6b2250024b6b0e59345601064a7

ವಿಜ್ಞಾನದ ಅನೇಕ ಕ್ಷೇತ್ರಗಳು ಪರಿಶೋಧನಾ ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ದೃಶ್ಯೀಕರಣದ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿವೆ. ಬಹು-ಮಾದರಿಯ ದತ್ತಾಂಶದ ದೊಡ್ಡ ಪ್ರಮಾಣವನ್ನು ವಿಶ್ಲೇಷಿಸುವ ಅಗತ್ಯವು ಆಯಾಮದ ಕಡಿತದ ಮೂಲಭೂತ ಸಮಸ್ಯೆಯನ್ನು ಹುಟ್ಟುಹಾಕುತ್ತದೆಃ ಹೆಚ್ಚಿನ ಆಯಾಮದ ದತ್ತಾಂಶದ ಕಾಂಪ್ಯಾಕ್ಟ್ ಪ್ರಾತಿನಿಧ್ಯಗಳನ್ನು ಹೇಗೆ ಕಂಡುಹಿಡಿಯುವುದು. ಇಲ್ಲಿ, ನಾವು ಸ್ಥಳೀಯವಾಗಿ ರೇಖೀಯ ಎಂಬೆಡಿಂಗ್ (ಎಲ್ಎಲ್ಇ) ಅನ್ನು ಪರಿಚಯಿಸುತ್ತೇವೆ, ಮೇಲ್ವಿಚಾರಣೆಯಿಲ್ಲದ ಕಲಿಕೆಯ ಕ್ರಮಾವಳಿ ಇದು ಕಡಿಮೆ ಆಯಾಮದ, ನೆರೆಹೊರೆಯ ಸಂರಕ್ಷಣಾ ಎಂಬೆಡಿಂಗ್ಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತದೆ ಉನ್ನತ ಆಯಾಮದ ಇನ್ಪುಟ್ಗಳು. ಸ್ಥಳೀಯ ಆಯಾಮದ ಕಡಿತಕ್ಕಾಗಿ ಕ್ಲಸ್ಟರಿಂಗ್ ವಿಧಾನಗಳಿಗಿಂತ ಭಿನ್ನವಾಗಿ, LLE ತನ್ನ ಇನ್ಪುಟ್ಗಳನ್ನು ಕಡಿಮೆ ಆಯಾಮದ ಏಕೈಕ ಜಾಗತಿಕ ನಿರ್ದೇಶಾಂಕ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ನಕ್ಷೆ ಮಾಡುತ್ತದೆ, ಮತ್ತು ಅದರ ಆಪ್ಟಿಮೈಸೇಶನ್ಗಳು ಸ್ಥಳೀಯ ಕನಿಷ್ಠಗಳನ್ನು ಒಳಗೊಂಡಿರುವುದಿಲ್ಲ. ರೇಖೀಯ ಪುನರ್ನಿರ್ಮಾಣಗಳ ಸ್ಥಳೀಯ ಸಮ್ಮಿತಿಯನ್ನು ಬಳಸಿಕೊಳ್ಳುವ ಮೂಲಕ, ಮುಖಗಳ ಚಿತ್ರಗಳು ಅಥವಾ ಪಠ್ಯದ ದಾಖಲೆಗಳಿಂದ ಉತ್ಪತ್ತಿಯಾಗುವಂತಹ ರೇಖೀಯವಲ್ಲದ ಬಹುರೂಪಗಳ ಜಾಗತಿಕ ರಚನೆಯನ್ನು ಕಲಿಯಲು LLE ಸಾಧ್ಯವಾಗುತ್ತದೆ.

a3bfe87159938a96d3f2037ff0fe10adca0d21b0

ವಾಹನಗಳಲ್ಲಿ ಹೆಚ್ಚಿನ ಸಾಫ್ಟ್ವೇರ್ ಮಾಡ್ಯೂಲ್ಗಳು ಮತ್ತು ಬಾಹ್ಯ ಇಂಟರ್ಫೇಸ್ಗಳನ್ನು ಸೇರಿಸುವುದರಿಂದ, ಹೊಸ ದಾಳಿಗಳು ಮತ್ತು ದುರ್ಬಲತೆಗಳು ಹೊರಹೊಮ್ಮುತ್ತಿವೆ. ವಾಹನದಲ್ಲಿನ ಎಲೆಕ್ಟ್ರಾನಿಕ್ ಕಂಟ್ರೋಲ್ ಯುನಿಟ್ ಗಳನ್ನು (ಇ.ಸಿ.ಯು.) ಹೇಗೆ ಹ್ಯಾಕ್ ಮಾಡಬಹುದೆಂದು ಸಂಶೋಧಕರು ತೋರಿಸಿದ್ದಾರೆ. ಈ ದುರ್ಬಲತೆಗಳನ್ನು ಎದುರಿಸಲು, ವಿವಿಧ ರೀತಿಯ ರಕ್ಷಣಾ ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ಪ್ರಸ್ತಾಪಿಸಲಾಗಿದೆ, ಆದರೆ ವಾಹನ-ನಿರ್ಮಿತ ನೆಟ್ವರ್ಕ್ ದಾಳಿಯ ವಿರುದ್ಧ ಸುರಕ್ಷತೆ-ನಿರ್ಣಾಯಕ ECU ಗಳಿಗೆ ಬಲವಾದ ರಕ್ಷಣೆಯ ಅಗತ್ಯವನ್ನು ಪೂರೈಸಲು ಅವುಗಳು ಸಾಧ್ಯವಾಗಲಿಲ್ಲ. ಈ ಕೊರತೆಯನ್ನು ತಗ್ಗಿಸಲು, ನಾವು ಗಡಿಯಾರ ಆಧಾರಿತ ಐಡಿಎಸ್ (ಸಿಐಡಿಎಸ್) ಎಂದು ಕರೆಯಲ್ಪಡುವ ಅಸಹಜ ಆಧಾರಿತ ಒಳನುಗ್ಗುವಿಕೆ ಪತ್ತೆ ವ್ಯವಸ್ಥೆಯನ್ನು (ಐಡಿಎಸ್) ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ. ಇದು ನಿಯತಕಾಲಿಕ ವಾಹನ ಸಂದೇಶಗಳ ಮಧ್ಯಂತರಗಳನ್ನು ಅಳತೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ನಂತರ ECU ಗಳನ್ನು ಫಿಂಗರ್ಪ್ರಿಂಟ್ ಮಾಡಲು ಬಳಸಿಕೊಳ್ಳುತ್ತದೆ. ಈ ರೀತಿಯಾಗಿ ಪಡೆದ ಫಿಂಗರ್ಪ್ರಿಂಟ್ಗಳನ್ನು ನಂತರ ECUs ಗಡಿಯಾರ ನಡವಳಿಕೆಗಳ ಬೇಸ್ಲೈನ್ ಅನ್ನು ಪುನರಾವರ್ತಿತ ಕನಿಷ್ಠ ಚೌಕಗಳ (RLS) ಅಲ್ಗಾರಿದಮ್ನೊಂದಿಗೆ ನಿರ್ಮಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ. ಈ ಮೂಲದ ಆಧಾರದ ಮೇಲೆ, ಗುರುತಿಸುವಿಕೆಯ ದೋಷಗಳಲ್ಲಿ ಯಾವುದೇ ಅಸಹಜ ಬದಲಾವಣೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು CIDS ಸಂಚಿತ ಮೊತ್ತವನ್ನು (CUSUM) ಬಳಸುತ್ತದೆ - ಇದು ಒಳನುಸುಳುವಿಕೆಯ ಸ್ಪಷ್ಟ ಚಿಹ್ನೆ. ಇದು 0.055% ನಷ್ಟು ಕಡಿಮೆ ಸುಳ್ಳು-ಧನಾತ್ಮಕ ದರದೊಂದಿಗೆ ವಾಹನದಲ್ಲಿನ ನೆಟ್ವರ್ಕ್ ಒಳನುಗ್ಗುವಿಕೆಗಳನ್ನು ತ್ವರಿತವಾಗಿ ಗುರುತಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಅತ್ಯಾಧುನಿಕ ಐಡಿಎಸ್ಗಳಿಗಿಂತ ಭಿನ್ನವಾಗಿ, ಒಂದು ವೇಳೆ ದಾಳಿ ಪತ್ತೆಯಾದರೆ, ಸಿಐಡಿಎಸ್ನ ಇಸಿಯುಗಳ ಫಿಂಗರ್ಪ್ರಿಂಟಿಂಗ್ ಮೂಲ ಕಾರಣ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಸಹ ಸುಲಭಗೊಳಿಸುತ್ತದೆ; ಯಾವ ಇಸಿಯು ದಾಳಿಯನ್ನು ನಡೆಸಿದೆ ಎಂಬುದನ್ನು ಗುರುತಿಸುತ್ತದೆ. CAN ಬಸ್ ಮಾದರಿ ಮತ್ತು ನೈಜ ವಾಹನಗಳ ಮೇಲಿನ ನಮ್ಮ ಪ್ರಯೋಗಗಳು CIDS ವಾಹನ-ನಿರ್ಮಿತ ನೆಟ್ ವರ್ಕ್ ದಾಳಿಯ ವ್ಯಾಪಕ ಶ್ರೇಣಿಯನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಸಮರ್ಥವಾಗಿದೆ ಎಂದು ತೋರಿಸಿದೆ.

c567bdc35a40e568e0661446ac4f9b397787e40d

ಅಲ್ಟ್ರಾ-ಲೋ ಪವರ್ ವೈರ್ಲೆಸ್ ಸೆನ್ಸರ್ ನೋಡ್ಗಳಿಗಾಗಿ 2.4 GHz ಇಂಟರ್ಫೆರರ್-ರೆಸಿಲಿಂಟ್ ವೇಕ್-ಅಪ್ ರಿಸೀವರ್ ಅನಿರ್ದಿಷ್ಟ-ಐಎಫ್ ಡ್ಯುಯಲ್-ಕನ್ವರ್ಷನ್ ಟೋಪೋಲಜಿಯನ್ನು ಬಳಸುತ್ತದೆ, ಇದು ವಿತರಿಸಿದ ಬಹು-ಹಂತದ ಎನ್-ಪಾತ್ ಫಿಲ್ಟರಿಂಗ್ ತಂತ್ರವನ್ನು ಅನ್ಲಾಕ್ ಮಾಡದ ಕಡಿಮೆ-ಕ್ಯೂ ರೆಸೋನೇಟರ್-ಉಲ್ಲೇಖಿತ ಸ್ಥಳೀಯ ಆಸಿಲೇಟರ್ನೊಂದಿಗೆ ಸಂಯೋಜಿಸುತ್ತದೆ. ಈ ರಚನೆಯು ಕಿರಿದಾದ-ಬ್ಯಾಂಡ್ ಆಯ್ದತೆ ಮತ್ತು ಹಸ್ತಕ್ಷೇಪದ ವಿರುದ್ಧ ಬಲವಾದ ಪ್ರತಿರಕ್ಷೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ, ಆದರೆ BAW ರೆಸೊನೇಟರ್ಗಳು ಅಥವಾ ಹರಳುಗಳಂತಹ ದುಬಾರಿ ಬಾಹ್ಯ ಪ್ರತಿಧ್ವನಿಸುವ ಘಟಕಗಳನ್ನು ತಪ್ಪಿಸುತ್ತದೆ. 65 nm CMOS ರಿಸೀವರ್ ಪ್ರೊಟೊಟೈಪ್ -97 dBm ನ ಸಂವೇದನೆಯನ್ನು ಮತ್ತು 5 MHz ಆಫ್ಸೆಟ್ನಲ್ಲಿ -27 dB ಗಿಂತ ಉತ್ತಮವಾದ ವಾಹಕ-ವೈ-ತಡೆ-ಹೆಚ್ಚುವಿಕೆ ಅನುಪಾತವನ್ನು ಒದಗಿಸುತ್ತದೆ, 10-3 ಬಿಟ್ ದೋಷ ದರದಲ್ಲಿ 10 kb / s ದತ್ತಾಂಶ ದರಕ್ಕೆ, ನಿರಂತರ ಕಾರ್ಯಾಚರಣೆಯ ಅಡಿಯಲ್ಲಿ 0.5 V ವೋಲ್ಟೇಜ್ ಸರಬರಾಜಿನಿಂದ 99 μW ಅನ್ನು ಬಳಸುತ್ತದೆ.

703244978b61a709e0ba52f5450083f31e3345ec

ಈ ಪುಸ್ತಕದಲ್ಲಿ ಲೇಖಕರು ಸಂಶೋಧನಾ ಸಾಹಿತ್ಯದಿಂದ ಮತ್ತು ಕಾಲೇಜು ಬೋಧಕರೊಂದಿಗೆ ಇಪ್ಪತ್ತೇಳು ವರ್ಷಗಳ ಅನುಭವದಿಂದ ಪಡೆದ ಕಲಿಕೆಯ ಏಳು ಸಾಮಾನ್ಯ ತತ್ವಗಳನ್ನು ಪರಿಚಯಿಸಿದ್ದಾರೆ. ಕಲಿಕೆಗೆ ಆಧಾರವಾಗಿರುವ ಪ್ರಮುಖ ತತ್ವಗಳ ಒಂದು ಗುಂಪನ್ನು ಗುರುತಿಸಲು ಅವರು ವಿಶಾಲವಾದ ದೃಷ್ಟಿಕೋನಗಳಿಂದ (ಅರಿವಿನ, ಅಭಿವೃದ್ಧಿ ಮತ್ತು ಸಾಮಾಜಿಕ ಮನೋವಿಜ್ಞಾನ; ಶೈಕ್ಷಣಿಕ ಸಂಶೋಧನೆ; ಮಾನವಶಾಸ್ತ್ರ; ಜನಸಂಖ್ಯಾಶಾಸ್ತ್ರ; ಮತ್ತು ಸಾಂಸ್ಥಿಕ ನಡವಳಿಕೆ) ಸಂಶೋಧನೆಯ ಮೇಲೆ ಸೆಳೆಯಿದ್ದಾರೆ - ಪರಿಣಾಮಕಾರಿ ಸಂಘಟನೆಯು ಹೇಗೆ ಮರುಪಡೆಯುವಿಕೆ ಮತ್ತು ಮಾಹಿತಿಯನ್ನು ಬಳಸುವುದು ಪ್ರೇರಣೆಯ ಮೇಲೆ ಯಾವ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ. ಈ ತತ್ವಗಳು ಬೋಧಕರಿಗೆ ವಿದ್ಯಾರ್ಥಿಗಳ ಕಲಿಕೆಯ ಬಗ್ಗೆ ತಿಳುವಳಿಕೆಯನ್ನು ಒದಗಿಸುತ್ತವೆ, ಇದು ಕೆಲವು ಬೋಧನಾ ವಿಧಾನಗಳು ವಿದ್ಯಾರ್ಥಿಗಳ ಕಲಿಕೆಯನ್ನು ಏಕೆ ಬೆಂಬಲಿಸುತ್ತಿದೆ ಅಥವಾ ಬೆಂಬಲಿಸುತ್ತಿಲ್ಲ ಎಂಬುದನ್ನು ನೋಡಲು, ನಿರ್ದಿಷ್ಟ ಸಂದರ್ಭಗಳಲ್ಲಿ ವಿದ್ಯಾರ್ಥಿಗಳ ಕಲಿಕೆಯನ್ನು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಉತ್ತೇಜಿಸುವ ಬೋಧನಾ ವಿಧಾನಗಳು ಮತ್ತು ಕಾರ್ಯತಂತ್ರಗಳನ್ನು ರಚಿಸಲು ಅಥವಾ ಪರಿಷ್ಕರಿಸಲು ಮತ್ತು ಈ ತತ್ವಗಳನ್ನು ಹೊಸ ಕೋರ್ಸ್ಗಳಿಗೆ ವರ್ಗಾಯಿಸಲು ಮತ್ತು ಅನ್ವಯಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.

52a345a29267107f92aec9260b6f8e8222305039

ಈ ಲೇಖನವು ಬಿಯಾಂಚಿನಿ ಮತ್ತು ಇತರರ ಇನ್ಸೈಡ್ ಪೇಜ್ರ್ಯಾಂಕ್ ಲೇಖನಕ್ಕೆ ಒಂದು ಸಹವರ್ತಿ ಅಥವಾ ವಿಸ್ತರಣೆಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. [19] ಇದು ಪೇಜ್ರ್ಯಾಂಕ್ಗೆ ಸಂಬಂಧಿಸಿದ ಎಲ್ಲಾ ಸಮಸ್ಯೆಗಳ ಸಮಗ್ರ ಸಮೀಕ್ಷೆಯಾಗಿದ್ದು, ಮೂಲ ಪೇಜ್ರ್ಯಾಂಕ್ ಮಾದರಿ, ಲಭ್ಯವಿರುವ ಮತ್ತು ಶಿಫಾರಸು ಮಾಡಲಾದ ಪರಿಹಾರ ವಿಧಾನಗಳು, ಸಂಗ್ರಹಣೆ ಸಮಸ್ಯೆಗಳು, ಅಸ್ತಿತ್ವ, ಅನನ್ಯತೆ ಮತ್ತು ಒಮ್ಮುಖ ಗುಣಲಕ್ಷಣಗಳು, ಮೂಲ ಮಾದರಿಯಲ್ಲಿ ಸಂಭವನೀಯ ಬದಲಾವಣೆಗಳು, ಸಾಂಪ್ರದಾಯಿಕ ಪರಿಹಾರ ವಿಧಾನಗಳಿಗೆ ಸೂಚಿಸಲಾದ ಪರ್ಯಾಯಗಳು, ಸೂಕ್ಷ್ಮತೆ ಮತ್ತು ಕಂಡೀಷನಿಂಗ್ ಮತ್ತು ಅಂತಿಮವಾಗಿ ನವೀಕರಣ ಸಮಸ್ಯೆ. ನಾವು ಕೆಲವು ಹೊಸ ಫಲಿತಾಂಶಗಳನ್ನು ಪರಿಚಯಿಸುತ್ತೇವೆ, ವ್ಯಾಪಕವಾದ ಉಲ್ಲೇಖ ಪಟ್ಟಿಯನ್ನು ಒದಗಿಸುತ್ತೇವೆ ಮತ್ತು ಭವಿಷ್ಯದ ಸಂಶೋಧನೆಯ ಉತ್ತೇಜಕ ಕ್ಷೇತ್ರಗಳ ಬಗ್ಗೆ ಊಹಿಸುತ್ತೇವೆ.

0e5c8094d3da52340b58761d441eb809ff96743f

1, ಭಾಗ 2 ವಿಷಯ ಈ ಲೇಖನದಲ್ಲಿ, ನಾವು ಹೊಸದಾಗಿ ಪರಿಚಯಿಸಲಾದ ವಿತರಿಸಿದ ಸಕ್ರಿಯ ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ (ಡಿಎಟಿ) ರಚನೆಯ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸಾಂಪ್ರದಾಯಿಕ ಆನ್-ಚಿಪ್ ಇಂಪೆಡೆನ್ಸ್-ಪರಿವರ್ತನೆ ವಿಧಾನಗಳೊಂದಿಗೆ ಹೋಲಿಸುತ್ತೇವೆ. ಪ್ರಮಾಣಿತ ಸಿಲಿಕಾನ್ ಪ್ರಕ್ರಿಯೆ ತಂತ್ರಜ್ಞಾನಗಳಲ್ಲಿನ ಹೆಚ್ಚಿನ-ಶಕ್ತಿಯ ಸಂಪೂರ್ಣ ಸಂಯೋಜಿತ ವರ್ಧಕಗಳ ವಿನ್ಯಾಸದಲ್ಲಿ ಅವುಗಳ ಮೂಲಭೂತ ವಿದ್ಯುತ್-ದಕ್ಷತೆಯ ಮಿತಿಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಲಾಗಿದೆ. ಡಿಎಟಿ ಒಂದು ಪರಿಣಾಮಕಾರಿ ಇಂಪೆಡೆನ್ಸ್-ಪರಿವರ್ತನೆ ಮತ್ತು ಪವರ್-ಸಂಯೋಜನೆ ವಿಧಾನವಾಗಿದೆ, ಇದು ಹಲವಾರು ಕಡಿಮೆ-ವೋಲ್ಟೇಜ್ ಪುಶ್-ಪುಲ್ ಆಂಪ್ಲಿಫೈಯರ್ಗಳನ್ನು ಮ್ಯಾಗ್ನೆಟಿಕ್ ಕೂಪ್ಲಿಂಗ್ ಮೂಲಕ ಸರಣಿಯಲ್ಲಿ ಸಂಯೋಜಿಸುತ್ತದೆ. ಹೊಸ ಪರಿಕಲ್ಪನೆಯ ಸಿಂಧುತ್ವವನ್ನು ಪ್ರದರ್ಶಿಸಲು, 2.4-GHz 1.9-W 2-V ಸಂಪೂರ್ಣ ಸಂಯೋಜಿತ ಪವರ್-ಆಂಪ್ಲಿಫಯರ್ ಅನ್ನು 50 ಇನ್ಪುಟ್ ಮತ್ತು ಔಟ್ಪುಟ್ ಹೊಂದಾಣಿಕೆಯೊಂದಿಗೆ 41% ನಷ್ಟು ಪವರ್-ಅಡ್ಡ್ಡ್ ದಕ್ಷತೆಯನ್ನು ಸಾಧಿಸುವ 0.35-μm CMOS ಟ್ರಾನ್ಸಿಸ್ಟರ್ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ತಯಾರಿಸಲಾಗಿದೆ. ಅನುಮತಿಯೊಂದಿಗೆ ಮರುಮುದ್ರಣ ಮಾಡಲಾಗಿದೆ. ಹಸ್ತಪ್ರತಿ ಮೇ 27, 2001ರಂದು ಸ್ವೀಕರಿಸಲಾಗಿದೆ. [ಆನ್ ಲೈನ್ ನಲ್ಲಿ ಪ್ರಕಟಿಸಲಾಗಿದೆ: 2002-08-07] ಈ ಕೆಲಸಕ್ಕೆ ಇಂಟೆಲ್ ಕಾರ್ಪೊರೇಷನ್, ಆರ್ಮಿ ರಿಸರ್ಚ್ ಆಫೀಸ್, ಜೆಟ್ ಪ್ರೊಪಲ್ಶನ್ ಲ್ಯಾಬೊರೇಟರಿ, ಇನ್ಫಿನಿಯನ್, ಮತ್ತು ನ್ಯಾಷನಲ್ ಸೈನ್ಸ್ ಫೌಂಡೇಶನ್ ಬೆಂಬಲ ನೀಡಿದೆ. ಚಿಪ್ ತಯಾರಿಕೆಗಾಗಿ ಲೇಖಕರು ಕೋನೆಕ್ಸಾಂಟ್ ಸಿಸ್ಟಮ್ಸ್ಗೆ ಧನ್ಯವಾದಗಳು, ವಿಶೇಷವಾಗಿ ಆರ್. ಮಾಗೂನ್, ಎಫ್. ಇಂಟ್ವೆಲ್ಡ್, ಜೆ. ಪೊವೆಲ್, ಎ. ವೊ ಮತ್ತು ಕೆ. ಮೊಯೆ. ಪಾಸ್ಸೆಡೆನಾದಲ್ಲಿನ ಕ್ಯಾಲಿಫೋರ್ನಿಯಾ ಇನ್ಸ್ಟಿಟ್ಯೂಟ್ ಆಫ್ ಟೆಕ್ನಾಲಜಿಯ (ಕ್ಯಾಲ್ಟೆಕ್) ನ ಕೆ. ಪಾಟರ್, ಡಿ. ಹ್ಯಾಮ್, ಮತ್ತು ಎಚ್. ವೂ, ಎಲ್ಲರೂ ತಮ್ಮ ಸಹಾಯಕ್ಕಾಗಿ ವಿಶೇಷವಾದ ಕೃತಜ್ಞತೆಯನ್ನು ಅರ್ಹರಾಗಿದ್ದಾರೆ. ಎಜಿಲೆಂಟ್ ಟೆಕ್ನಾಲಜೀಸ್ ಮತ್ತು ಸೋನೆಟ್ ಸಾಫ್ಟ್ ವೇರ್ ಇಂಕ್, ಲಿವರ್ಪೂಲ್, NY ಯಿಂದ CAD ಉಪಕರಣಗಳಿಗೆ ತಾಂತ್ರಿಕ ಬೆಂಬಲವನ್ನು ಸಹ ಪ್ರಶಂಸಿಸಲಾಗುತ್ತದೆ. ಸಿಲಿಕಮ್ ಆಧಾರಿತ ಆರ್ಎಫ್ ಮತ್ತು ಮೈಕ್ರೋವೇವ್ ಇಂಟಿಗ್ರೇಟೆಡ್ ಸರ್ಕ್ಯೂಟ್ಗಳ ವಿಶೇಷ ಸಂಚಿಕೆ, ಮೈಕ್ರೋವೇವ್ ಸಿದ್ಧಾಂತ ಮತ್ತು ತಂತ್ರಗಳ ಐಇಇಇ ವಹಿವಾಟುಗಳು, ಸಂಪುಟ. 50, ಇಲ್ಲ

14fae9835ae65adfdc434b7b7e761487e7a9548f

ರೇಡಿಯಲ್ ಪವರ್ ಕಂಬೈನರ್ ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ಪವರ್ ಆಂಪ್ಲಿಫೈಯರ್ಗಳನ್ನು ಸಂಯೋಜಿಸುವಲ್ಲಿ ಬಹಳ ಪರಿಣಾಮಕಾರಿಯಾಗಿದೆ ಎಂದು ತಿಳಿದುಬಂದಿದೆ, ಅಲ್ಲಿ ಹೆಚ್ಚಿನ ದಕ್ಷತೆಯನ್ನು (90% ಕ್ಕಿಂತ ಹೆಚ್ಚು) ತುಲನಾತ್ಮಕವಾಗಿ ವಿಶಾಲವಾದ ಬ್ಯಾಂಡ್ನಲ್ಲಿ ಸಾಧಿಸಬಹುದು. ಆದಾಗ್ಯೂ, ಅದರ ವಿನ್ಯಾಸದ ಸಂಕೀರ್ಣತೆಯಿಂದಾಗಿ ಅದರ ಪ್ರಸ್ತುತ ಬಳಕೆ ಸೀಮಿತವಾಗಿದೆ. ಈ ಪತ್ರಿಕೆಯಲ್ಲಿ, ನಾವು ಆರಂಭಿಕ ಅಂದಾಜು ವಿನ್ಯಾಸ ಸೂತ್ರಗಳು ಮತ್ತು ಅಂತಿಮ ನಿಖರವಾದ ವಿನ್ಯಾಸ ಆಪ್ಟಿಮೈಸೇಶನ್ ಉದ್ದೇಶಗಳಿಗಾಗಿ ಸೂಕ್ತ ಮಾದರಿಗಳನ್ನು ಒಳಗೊಂಡಂತೆ ಹಂತ ಹಂತದ ವಿನ್ಯಾಸ ವಿಧಾನವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತೇವೆ. ಮೂರು ಆಯಾಮದ ವಿದ್ಯುತ್ಕಾಂತೀಯ ಮಾದರಿಗಳ ಆಧಾರದ ಮೇಲೆ, ಮುನ್ಸೂಚನೆ ಫಲಿತಾಂಶಗಳು ಅಳತೆ ಮಾಡಿದವುಗಳೊಂದಿಗೆ ಅತ್ಯುತ್ತಮ ಒಪ್ಪಂದದಲ್ಲಿವೆ. ರೇಡಿಯಲ್-ಸಂಯೋಜಕ ದಕ್ಷತೆ, ಅದರ ಸೊಗಸಾದ ಅವನತಿ ಮತ್ತು ಉನ್ನತ-ಆದೇಶದ ಪ್ಯಾಕೇಜ್ ಪ್ರತಿಧ್ವನಿಗಳ ಪರಿಣಾಮಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ ಪ್ರಾಯೋಗಿಕ ಸಮಸ್ಯೆಗಳನ್ನು ಇಲ್ಲಿ ವಿವರವಾಗಿ ಚರ್ಚಿಸಲಾಗಿದೆ

47fdb5ec9522019ef7e580d59c262b3dc9519b26

ಮೈಕ್ರೊಸ್ಟ್ರಿಪ್ ತನಿಖಾ ಸಾಧನಗಳು ಮತ್ತು WR-430 ಆಯತಾಕಾರದ ತರಂಗ ಮಾರ್ಗದರ್ಶಿ ಬಳಸಿಕೊಂಡು 1:4 ವಿದ್ಯುತ್ ವಿಭಜಕದ ಯಶಸ್ವಿ ಪ್ರದರ್ಶನವನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ. 15 ಡಿಬಿ ರಿಟರ್ನ್ ನಷ್ಟದ ಬ್ಯಾಂಡ್ವಿಡ್ತ್ ಅನ್ನು ಅತ್ಯುತ್ತಮಗೊಳಿಸದ ರಚನೆಯು 22% ಮತ್ತು ಅದರ 0.5 ಡಿಬಿ ಇನ್ಸರ್ಟ್ ನಷ್ಟದ ಬ್ಯಾಂಡ್ವಿಡ್ತ್ 26% ಎಂದು ತೋರಿಸಲಾಗಿದೆ. ಸಾಂಪ್ರದಾಯಿಕ ಯಂತ್ರೋಪಕರಣಗಳ ಮೂಲಕ ಸಾಧಿಸಿದ್ದರೂ, ಅಂತಹ ರಚನೆಯನ್ನು ಸಾಬೀತಾದ ಮಿಲಿಮೀಟರ್ ಮತ್ತು ಸಬ್ ಮಿಲಿಮೀಟರ್-ವೇವ್ ಮೈಕ್ರೊಮ್ಯಾಚಿಂಗ್ ತಂತ್ರಗಳೊಂದಿಗೆ ಸ್ಥಿರವಾಗಿ ಜೋಡಿಸಲಾಗುತ್ತದೆ. ಹೀಗಾಗಿ, ಈ ರಚನೆಯು ಸಂಭಾವ್ಯ ವಿದ್ಯುತ್ ವಿಭಜನೆ ಮತ್ತು ವಿದ್ಯುತ್ ಸಂಯೋಜನೆ ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ಒದಗಿಸುತ್ತದೆ, ಇದನ್ನು ಮೈಕ್ರೊಮ್ಯಾಚಿಂಗ್ ಮೂಲಕ 100GHz ಗಿಂತ ಹೆಚ್ಚಿನ ಅನ್ವಯಿಕೆಗಳಿಗೆ ಬಳಸಬಹುದು.

68218edaf08484871258387e95161a3ce0e6fe67

ಎಂಟು-ಸಾಧನಗಳ ಕಾ-ಬ್ಯಾಂಡ್ ಘನ ಸ್ಥಿತಿಯ ವಿದ್ಯುತ್ ವರ್ಧಕವನ್ನು ಪ್ರಯಾಣ-ತರಂಗ ವಿದ್ಯುತ್ ವಿಭಜನೆ/ಸಂಯೋಜನೆ ತಂತ್ರವನ್ನು ಬಳಸಿಕೊಂಡು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ ಮತ್ತು ತಯಾರಿಸಲಾಗಿದೆ. ಈ ವಿನ್ಯಾಸದಲ್ಲಿ ಬಳಸಲಾದ ಕಡಿಮೆ ಪ್ರೊಫೈಲ್ ಸ್ಲಾಟ್ಡ್-ವೇವ್ಗೈಡ್ ರಚನೆಯು ವ್ಯಾಪಕವಾದ ಬ್ಯಾಂಡ್ವಿಡ್ತ್ನಲ್ಲಿ ಹೆಚ್ಚಿನ ವಿದ್ಯುತ್-ಸಂಯೋಜನೆ ದಕ್ಷತೆಯನ್ನು ಒದಗಿಸುವುದಲ್ಲದೆ, ಸಕ್ರಿಯ ಸಾಧನಗಳಿಗೆ ಪರಿಣಾಮಕಾರಿ ಶಾಖದ ಮುಳುಗುವಿಕೆಯನ್ನು ಸಹ ಒದಗಿಸುತ್ತದೆ. ಎಂಟು-ಸಾಧನ ವಿದ್ಯುತ್ ವರ್ಧಕದ ಅಳೆಯಲಾದ ಗರಿಷ್ಠ ಸಣ್ಣ-ಸಂಕೇತದ ಲಾಭವು 34 GHz ನಲ್ಲಿ 19.4 dB ಆಗಿದ್ದು, 3.2 GHz ನ 3-dB ಬ್ಯಾಂಡ್ವಿಡ್ತ್ (f/sub L/=31.8 GHz, f/sub H/=35 GHz) ಆಗಿದೆ. ವಿದ್ಯುತ್ ವರ್ಧಕದಿಂದ 1-dB ಸಂಕೋಚನದಲ್ಲಿ (P/sub out/ at 1 dB) ಅಳತೆ ಮಾಡಲಾದ ಗರಿಷ್ಠ ಔಟ್ಪುಟ್ ಪವರ್ 33 dBm (/spl sim/2 W) 32.2 GHz ನಲ್ಲಿ, ವಿದ್ಯುತ್ ಸಂಯೋಜನೆಯ ದಕ್ಷತೆಯು 80% ಆಗಿದೆ. ಇದಲ್ಲದೆ, ಸಾಧನದ ವೈಫಲ್ಯಗಳಿಂದಾಗಿ ಈ ವಿದ್ಯುತ್ ವರ್ಧಕದ ಕಾರ್ಯಕ್ಷಮತೆಯ ಕ್ಷೀಣತೆಯನ್ನು ಸಹ ಅನುಕರಿಸಲಾಗಿದೆ ಮತ್ತು ಅಳೆಯಲಾಗಿದೆ.

db884813d6d764aea836c44f46604128735bffe0

ಹೆಚ್ಚಿನ ಶಕ್ತಿ, ವಿಶಾಲ ಬ್ಯಾಂಡ್ವಿಡ್ತ್, ಹೆಚ್ಚಿನ ರೇಖಾತ್ಮಕತೆ ಮತ್ತು ಕಡಿಮೆ ಶಬ್ದವು ಆಂಪ್ಲಿಫಯರ್ ವಿನ್ಯಾಸದಲ್ಲಿನ ಪ್ರಮುಖ ಲಕ್ಷಣಗಳಾಗಿವೆ. ಬ್ರಾಡ್ಬ್ಯಾಂಡ್ ಪ್ರಾದೇಶಿಕ ವಿದ್ಯುತ್-ಸಂಯೋಜನೆ ತಂತ್ರವು ಈ ಎಲ್ಲಾ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸುತ್ತದೆ, ದೊಡ್ಡ ಪ್ರಮಾಣದ ಮೈಕ್ರೊವೇವ್ ಏಕಶಿಲೆಯ ಸಮಗ್ರ ಸರ್ಕ್ಯೂಟ್ (ಎಂಎಂಐಸಿ) ಆಂಪ್ಲಿಫೈಯರ್ಗಳ ಔಟ್ಪುಟ್ ಶಕ್ತಿಯನ್ನು ಬ್ರಾಡ್ಬ್ಯಾಂಡ್ ಏಕಾಕ್ಷ ತರಂಗ ಮಾರ್ಗದರ್ಶಿ ಪರಿಸರದಲ್ಲಿ ಸಂಯೋಜಿಸುತ್ತದೆ, ಉತ್ತಮ ರೇಖಾತ್ಮಕತೆಯನ್ನು ಕಾಪಾಡಿಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಎಂಎಂಐಸಿ ಆಂಪ್ಲಿಫೈಯರ್ಗಳ ಹಂತದ ಶಬ್ದವನ್ನು ಸುಧಾರಿಸುತ್ತದೆ. ಪ್ರತಿ ಅಂಶಕ್ಕೆ ಸಮಾನವಾಗಿ ಇನ್ಪುಟ್ ಪವರ್ ವಿತರಿಸುವ ಮೂಲಕ ವಿಶಾಲವಾದ ಬ್ಯಾಂಡ್ವಿಡ್ತ್ ಮತ್ತು ಉತ್ತಮ ಏಕರೂಪತೆಗಾಗಿ ಸಂಯೋಜಿಸುವ ಸರ್ಕ್ಯೂಟ್ಗಳ ಹೋಸ್ಟ್ ಆಗಿ ಏಕಕ್ಷೀಯ ತರಂಗ ಮಾರ್ಗದರ್ಶಿಯನ್ನು ಬಳಸಲಾಯಿತು. ಹೊಸ ಕಾಂಪ್ಯಾಕ್ಟ್ ಏಕಾಕ್ಷ ಸಂಯೋಜಕವು ಕಡಿಮೆ ಗಾತ್ರದೊಂದಿಗೆ ತನಿಖೆ ಮಾಡಲಾಗಿದೆ. ವಾಣಿಜ್ಯ MMIC ವರ್ಧಕಗಳೊಂದಿಗೆ ಉತ್ತಮ ಹೊಂದಾಣಿಕೆಗಾಗಿ ಬ್ರಾಡ್ಬ್ಯಾಂಡ್ ಸ್ಲಾಟ್ಲೈನ್ ನಿಂದ ಮೈಕ್ರೊಸ್ಟ್ರಿಪ್-ಲೈನ್ ಪರಿವರ್ತನೆ ಸಂಯೋಜಿಸಲಾಗಿದೆ. ಉಷ್ಣದ ಸಿಮ್ಯುಲೇಶನ್ಗಳನ್ನು ನಡೆಸಲಾಗುತ್ತದೆ ಮತ್ತು ಹೆಚ್ಚಿನ ವಿದ್ಯುತ್ ಬಳಕೆಯಲ್ಲಿ ಶಾಖದ ಕುಸಿತವನ್ನು ಸುಧಾರಿಸಲು ಹಿಂದಿನ ವಿನ್ಯಾಸಗಳಿಗಿಂತ ಸುಧಾರಿತ ಉಷ್ಣ ನಿರ್ವಹಣಾ ಯೋಜನೆಯನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. ಕಾಂಪ್ಯಾಕ್ಟ್ ಸಂಯೋಜಕ ವಿನ್ಯಾಸವನ್ನು ಬಳಸಿಕೊಂಡು ಒಂದು ಉನ್ನತ-ಶಕ್ತಿಯ ವರ್ಧಕವನ್ನು ನಿರ್ಮಿಸಲಾಗಿದೆ ಮತ್ತು 44-W ಗರಿಷ್ಠ ಔಟ್ಪುಟ್ ಪವರ್ನೊಂದಿಗೆ 6 ರಿಂದ 17 GHz ವರೆಗಿನ ಬ್ಯಾಂಡ್ವಿಡ್ತ್ ಅನ್ನು ಪ್ರದರ್ಶಿಸಲಾಗಿದೆ. ರೇಖಾತ್ಮಕತೆಯ ಮಾಪನವು 52 ಡಿಬಿಎಂನ ಉನ್ನತ ಮೂರನೇ-ಆರ್ಡರ್ ಇಂಟೆರ್ಸೆಪ್ಟ್ ಪಾಯಿಂಟ್ ಅನ್ನು ತೋರಿಸಿದೆ. ವಿಶ್ಲೇಷಣೆಗಳು ಆಂಪ್ಲಿಫಯರ್ ನಕಲಿ ಮುಕ್ತ ಕ್ರಿಯಾತ್ಮಕ ಶ್ರೇಣಿಯನ್ನು ವಿಸ್ತರಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ ಎಂದು ತೋರಿಸುತ್ತದೆ 2 3 ಬಾರಿ. ಆಂಪ್ಲಿಫಯರ್ ಸಹ ಒಂದು ಏಕೈಕ MMIC ಆಂಪ್ಲಿಫಯರ್ಗೆ ಹೋಲಿಸಿದರೆ 5-6-dB ಕಡಿತದೊಂದಿಗೆ ವಾಹಕದಿಂದ 10-kHz ಆಫ್ಸೆಟ್ನಲ್ಲಿ 140 dBc ಗೆ ಸಮೀಪವಿರುವ ಉಳಿದ ಹಂತದ ನೆಲವನ್ನು ತೋರಿಸಿದೆ.

e73ee8174589e9326d3b36484f1b95685cb1ca42

ಮುಂಬರುವ 5 ನೇ ಪೀಳಿಗೆಯ ಸೆಲ್ಯುಲಾರ್ ಸಂವಹನಕ್ಕಾಗಿ 28 GHz ಆಂಟೆನಾ ಪರಿಹಾರದ ಮೊದಲ-ರೀತಿಯ ವಿವರವನ್ನು ವಿವರವಾಗಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ. ವಿಸ್ತಾರವಾದ ಮಾಪನಗಳು ಮತ್ತು ಸಿಮ್ಯುಲೇಶನ್ಗಳು ಪ್ರಸ್ತಾವಿತ 28 GHz ಆಂಟೆನಾ ಪರಿಹಾರವು ವಾಸ್ತವಿಕ ಪ್ರಸರಣ ಪರಿಸರದಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಸೆಲ್ಯುಲಾರ್ ಹ್ಯಾಂಡ್ಸೆಟ್ಗಳಿಗೆ ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿದೆ ಎಂದು ಖಚಿತಪಡಿಸುತ್ತದೆ.

4e85503ef0e1559bc197bd9de0625b3792dcaa9b

ಜಾಲಬಂಧ ಆಧಾರಿತ ದಾಳಿಗಳು ಸಾಮಾನ್ಯ ಮತ್ತು ಅತ್ಯಾಧುನಿಕವಾಗಿವೆ. ಈ ಕಾರಣಕ್ಕಾಗಿ, ಒಳನುಗ್ಗುವಿಕೆ ಪತ್ತೆ ವ್ಯವಸ್ಥೆಗಳು ಈಗ ತಮ್ಮ ಗಮನವನ್ನು ಹೋಸ್ಟ್ಗಳಿಂದ ಮತ್ತು ಅವುಗಳ ಆಪರೇಟಿಂಗ್ ಸಿಸ್ಟಮ್ಗಳಿಂದ ನೆಟ್ವರ್ಕ್ಗೆ ವರ್ಗಾಯಿಸುತ್ತಿವೆ. ಜಾಲಬಂಧ ಆಧಾರಿತ ಒಳನುಸುಳುವಿಕೆ ಪತ್ತೆ ಸವಾಲಿನದ್ದಾಗಿದೆ ಏಕೆಂದರೆ ಜಾಲಬಂಧ ಲೆಕ್ಕಪರಿಶೋಧನೆಯು ದೊಡ್ಡ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ ಮತ್ತು ಒಂದೇ ಒಳನುಸುಳುವಿಕೆಗೆ ಸಂಬಂಧಿಸಿದ ವಿಭಿನ್ನ ಘಟನೆಗಳು ಜಾಲಬಂಧದ ವಿವಿಧ ಸ್ಥಳಗಳಲ್ಲಿ ಗೋಚರಿಸಬಹುದು. ಈ ಪತ್ರಿಕೆಯು ನೆಟ್ ಸ್ಟ್ಯಾಟ್ ಅನ್ನು ಪರಿಚಯಿಸುತ್ತದೆ, ಇದು ನೆಟ್ ವರ್ಕ್ ಒಳನುಸುಳುವಿಕೆ ಪತ್ತೆ ಮಾಡುವ ಹೊಸ ವಿಧಾನವಾಗಿದೆ. ನೆಟ್ವರ್ಕ್ ಮತ್ತು ದಾಳಿಗಳ ಎರಡೂ ಔಪಚಾರಿಕ ಮಾದರಿಯನ್ನು ಬಳಸುವುದರ ಮೂಲಕ, ನೆಟ್ಸ್ಟ್ಯಾಟ್ ಯಾವ ನೆಟ್ವರ್ಕ್ ಘಟನೆಗಳನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಬೇಕು ಮತ್ತು ಅವುಗಳನ್ನು ಎಲ್ಲಿ ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಬಹುದು ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.

818c13721db30a435044b37014fe7077e5a8a587

ದೊಡ್ಡ ಕ್ಲಸ್ಟರ್ಗಳಲ್ಲಿನ ಬೃಹತ್ ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆಯು ಪ್ರಶ್ನೆ ಆಪ್ಟಿಮೈಸೇಶನ್ಗೆ ಹೊಸ ಅವಕಾಶಗಳು ಮತ್ತು ಸವಾಲುಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ. ಈ ಪರಿಸರದಲ್ಲಿ ಕಾರ್ಯಕ್ಷಮತೆಗೆ ಡೇಟಾ ವಿಭಜನೆ ನಿರ್ಣಾಯಕವಾಗಿದೆ. ಆದಾಗ್ಯೂ, ಡೇಟಾ ಮರುವಿಂಗಡಣೆ ಬಹಳ ದುಬಾರಿ ಕಾರ್ಯಾಚರಣೆಯಾಗಿದೆ, ಆದ್ದರಿಂದ ಅಂತಹ ಕಾರ್ಯಾಚರಣೆಗಳ ಸಂಖ್ಯೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುವುದರಿಂದ ಗಮನಾರ್ಹವಾದ ಕಾರ್ಯಕ್ಷಮತೆ ಸುಧಾರಣೆಗಳನ್ನು ಪಡೆಯಬಹುದು. ಆದ್ದರಿಂದ ಈ ಪರಿಸರಕ್ಕೆ ಸಂಬಂಧಿಸಿದಂತೆ ಒಂದು ಪ್ರಶ್ನಾವಳಿ ಆಪ್ಟಿಮೈಜರ್ ಅದರ ವರ್ಗೀಕರಣ ಮತ್ತು ಗುಂಪುಗಳೊಂದಿಗೆ ಅದರ ಪರಸ್ಪರ ಕ್ರಿಯೆಯನ್ನು ಒಳಗೊಂಡಂತೆ ಡೇಟಾ ವಿಭಜನೆಯ ಬಗ್ಗೆ ಕಾರಣವನ್ನು ನೀಡಬೇಕಾಗುತ್ತದೆ. ಸ್ಕೋಪ್ ಎನ್ನುವುದು SQL- ತರಹದ ಸ್ಕ್ರಿಪ್ಟಿಂಗ್ ಭಾಷೆಯಾಗಿದ್ದು, ಇದನ್ನು ಮೈಕ್ರೋಸಾಫ್ಟ್ನಲ್ಲಿ ಬೃಹತ್ ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆಗಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ಪರಿವರ್ತನೆ ಆಧಾರಿತ ಆಪ್ಟಿಮೈಜರ್ ಸ್ಕ್ರಿಪ್ಟ್ಗಳನ್ನು ಕಾಸ್ಮೋಸ್ ವಿತರಣೆ ಕಂಪ್ಯೂಟಿಂಗ್ ಪ್ಲಾಟ್ಫಾರ್ಮ್ಗಾಗಿ ಪರಿಣಾಮಕಾರಿ ಕಾರ್ಯಗತಗೊಳಿಸುವ ಯೋಜನೆಗಳಾಗಿ ಪರಿವರ್ತಿಸುವ ಜವಾಬ್ದಾರಿಯನ್ನು ಹೊಂದಿದೆ. ಈ ಲೇಖನದಲ್ಲಿ, ಡೇಟಾ ವಿಭಜನೆಯ ಬಗ್ಗೆ ತರ್ಕವು ಹೇಗೆ SCOPE ಆಪ್ಟಿಮೈಜರ್ನಲ್ಲಿ ಸಂಯೋಜಿಸಲ್ಪಟ್ಟಿದೆ ಎಂಬುದನ್ನು ನಾವು ವಿವರಿಸುತ್ತೇವೆ. ಸಂಬಂಧಿತ ನಿರ್ವಾಹಕರು ವಿಭಜನೆ, ವಿಂಗಡಣೆ ಮತ್ತು ಗುಂಪು ಗುಣಲಕ್ಷಣಗಳನ್ನು ಹೇಗೆ ಪರಿಣಾಮ ಬೀರುತ್ತಾರೆ ಎಂಬುದನ್ನು ನಾವು ತೋರಿಸುತ್ತೇವೆ ಮತ್ತು ಅನಗತ್ಯ ಕಾರ್ಯಾಚರಣೆಗಳನ್ನು ತಪ್ಪಿಸಲು ಆಪ್ಟಿಮೈಜರ್ ಅಂತಹ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಹೇಗೆ ಕಾರಣಗಳು ಮತ್ತು ಬಳಸಿಕೊಳ್ಳುತ್ತದೆ ಎಂಬುದನ್ನು ವಿವರಿಸುತ್ತೇವೆ. ಹೆಚ್ಚಿನ ಆಪ್ಟಿಮೈಸರ್ಗಳಲ್ಲಿ, ಸಮಾನಾಂತರ ಯೋಜನೆಗಳ ಪರಿಗಣನೆಯು ನಂತರದ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಮಾಡಿದ ನಂತರದ ಚಿಂತನೆಯಾಗಿದೆ. ವಿಭಜನೆ ಬಗ್ಗೆ ತರ್ಕವು SCOPE ಆಪ್ಟಿಮೈಜರ್ ಅನ್ನು ವೆಚ್ಚ-ಆಧಾರಿತ ಆಪ್ಟಿಮೈಸೇಶನ್ನಲ್ಲಿ ಸಮಾನಾಂತರ, ಸರಣಿ ಮತ್ತು ಮಿಶ್ರ ಯೋಜನೆಗಳ ಪರಿಗಣನೆಯನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಸಂಯೋಜಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ನಮ್ಮ ವಿಧಾನದಿಂದ ಸಾಧ್ಯವಾಗುವ ವಿವಿಧ ಯೋಜನೆಗಳನ್ನು ತೋರಿಸುವ ಮೂಲಕ ಪ್ರಯೋಜನಗಳನ್ನು ವಿವರಿಸಲಾಗಿದೆ.

8420f2f686890d9675538ec831dbb43568af1cb3

ರೋಮನ್ ಲಿಪಿಯಲ್ಲಿ ಬರೆದಿರುವ ಹಿಂಗ್ಲಿಶ್ ಪಠ್ಯದ ಭಾವನೆ ಧ್ರುವೀಯತೆಯನ್ನು ನಿರ್ಧರಿಸಲು, ನಾವು ವೈಶಿಷ್ಟ್ಯ ಆಯ್ಕೆ ವಿಧಾನಗಳ ವಿಭಿನ್ನ ಸಂಯೋಜನೆಗಳನ್ನು ಪ್ರಯೋಗಿಸಿದ್ದೇವೆ ಮತ್ತು ಪದ ಆವರ್ತನ-ವಿಲೋಮ ಡಾಕ್ಯುಮೆಂಟ್ ಆವರ್ತನ ವೈಶಿಷ್ಟ್ಯ ಪ್ರಾತಿನಿಧ್ಯವನ್ನು ಬಳಸುವ ವರ್ಗೀಕರಣಕಾರರ ಒಂದು ಹೋಸ್ಟ್ ಅನ್ನು ಬಳಸಿದ್ದೇವೆ. ನಾವು ಒಟ್ಟು 840 ಪ್ರಯೋಗಗಳನ್ನು ನಡೆಸಿದ್ದೇವೆ. ಹಿಂಗ್ಲಿಶ್ನಲ್ಲಿ ಬರೆದಿರುವ ಸುದ್ದಿ ಮತ್ತು ಫೇಸ್ಬುಕ್ ಕಾಮೆಂಟ್ಗಳಲ್ಲಿ ವ್ಯಕ್ತಪಡಿಸಿದ ಭಾವನೆಗಳಿಗೆ ಉತ್ತಮ ವರ್ಗೀಕರಣಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು. ನಾವು ಈ ತೀರ್ಮಾನಕ್ಕೆ ಬಂದಿದ್ದೇವೆಃ ಪದ ಆವರ್ತನ-ಇನ್ವರ್ಸ್ ಡಾಕ್ಯುಮೆಂಟ್ ಆವರ್ತನ ಆಧಾರಿತ ವೈಶಿಷ್ಟ್ಯ ಪ್ರಾತಿನಿಧ್ಯ, ಲಾಭ ಅನುಪಾತ ಆಧಾರಿತ ವೈಶಿಷ್ಟ್ಯ ಆಯ್ಕೆ, ಮತ್ತು ರೇಡಿಯಲ್ ಬೇಸ್ ಫಂಕ್ಷನ್ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ಅನ್ನು ಹಿಂಗ್ಲಿಶ್ ಪಠ್ಯದಲ್ಲಿ ವ್ಯಕ್ತಪಡಿಸಿದ ಭಾವನೆಯನ್ನು ವರ್ಗೀಕರಿಸಲು ಉತ್ತಮ ಸಂಯೋಜನೆಯಾಗಿ.

c97ebb60531a86bea516d3582758a45ba494de10

ಐಇಇಇ ಇಂಟೆಲಿಜೆಂಟ್ ಟ್ರಾನ್ಸ್ಪೋರ್ಟೇಶನ್ ಸಿಸ್ಟಮ್ಸ್ ಸೊಸೈಟಿ ಮತ್ತು ವ್ಯಾಪಕವಾದ ಕಂಪ್ಯೂಟಿಂಗ್ ಸಂಶೋಧನಾ ಸಮುದಾಯದ ನಡುವಿನ ನಿಕಟ ಸಹಯೋಗವನ್ನು ಉತ್ತೇಜಿಸಲು, ಲೇಖಕರು ಐಟಿಎಸ್ ಸೊಸೈಟಿಯನ್ನು ಪರಿಚಯಿಸುತ್ತಾರೆ ಮತ್ತು ಐಟಿಎಸ್ ಸೊಸೈಟಿ ಸಂಶೋಧಕರು ಕೆಲಸ ಮಾಡುತ್ತಿರುವ ಹಲವಾರು ವ್ಯಾಪಕವಾದ ಕಂಪ್ಯೂಟಿಂಗ್-ಸಂಬಂಧಿತ ಸಂಶೋಧನಾ ವಿಷಯಗಳನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತಾರೆ. ಈ ವಿಭಾಗವು ಇಂಟೆಲಿಜೆಂಟ್ ಟ್ರಾನ್ಸ್ಪೋರ್ಟೇಷನ್ ಕುರಿತ ವಿಶೇಷ ಸಂಚಿಕೆಯ ಭಾಗವಾಗಿದೆ.

e91196c1d0234da60314945c4812eda631004d8f

ನಾವು ಭಾಷಾ ಕಲಿಕೆಗೆ ಸಂವಾದಾತ್ಮಕ ಬಹು ಮಾದರಿ ಚೌಕಟ್ಟನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ. ದೊಡ್ಡ ಪ್ರಮಾಣದ ನೈಸರ್ಗಿಕ ಪಠ್ಯಕ್ಕೆ ನಿಷ್ಕ್ರಿಯವಾಗಿ ಒಡ್ಡಿಕೊಳ್ಳುವ ಬದಲು, ನಮ್ಮ ಕಲಿಯುವವರು (ಫೀಡ್-ಫಾರ್ವರ್ಡ್ ನರಮಂಡಲಗಳಂತೆ ಕಾರ್ಯಗತಗೊಳಿಸಲಾಗಿದೆ) ಟ್ಯಾಬುಲಾ ರಾಸಾ ಸೆಟಪ್ನಿಂದ ಪ್ರಾರಂಭವಾಗುವ ಸಹಕಾರಿ ಉಲ್ಲೇಖಿತ ಆಟಗಳಲ್ಲಿ ತೊಡಗುತ್ತಾರೆ ಮತ್ತು ಆದ್ದರಿಂದ ಆಟದಲ್ಲಿ ಯಶಸ್ವಿಯಾಗಲು ಸಂವಹನ ಮಾಡುವ ಅಗತ್ಯದಿಂದ ತಮ್ಮದೇ ಆದ ಭಾಷೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತಾರೆ. ಪ್ರಾಥಮಿಕ ಪ್ರಯೋಗಗಳು ಭರವಸೆಯ ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡುತ್ತವೆ, ಆದರೆ ಈ ರೀತಿಯಾಗಿ ತರಬೇತಿ ಪಡೆದ ಏಜೆಂಟರು ತಾವು ಆಡುವ ಆಟಕ್ಕೆ ಮಾತ್ರ ಪರಿಣಾಮಕಾರಿಯಾದ ಅಡ್ಹೋಕ್ ಸಂವಹನ ಕೋಡ್ ಅನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವುದಿಲ್ಲ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳುವುದು ಮುಖ್ಯ ಎಂದು ಸೂಚಿಸುತ್ತದೆ.

500b7d63e64e13fa47934ec9ad20fcfe0d4c17a7

ಇತ್ತೀಚೆಗೆ, ಮೂರು ಆಯಾಮದ (3D) LTCC ಆಧಾರಿತ SiP ಅನ್ವಯಿಕೆಗಳಲ್ಲಿ ಹೆಚ್ಚಿನ ಏಕೀಕರಣ ಸಾಂದ್ರತೆಯಿಂದಾಗಿ ಹೆಚ್ಚಿನ ಆವರ್ತನದ ಸಂಕೇತಗಳ ಟೈಮಿಂಗ್ ನಿಯಂತ್ರಣಕ್ಕೆ ಬಲವಾದ ಬೇಡಿಕೆ ಇದೆ. ಆದ್ದರಿಂದ, ಬಾಗಿದ ಅಥವಾ ಸಮಯ ವಿಳಂಬವನ್ನು ನಿಯಂತ್ರಿಸಲು, ಹೊಸ 3D ವಿಳಂಬ ರೇಖೆಗಳನ್ನು ಪ್ರಸ್ತಾಪಿಸಲಾಗುವುದು. ಸಿಗ್ನಲ್ ಮೂಲಕದ ದುರ್ಬಲತೆಗಾಗಿ, ನಾವು ಏಕಾಕ್ಷ ರೇಖೆಯ ಪರಿಕಲ್ಪನೆಯನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳುತ್ತೇವೆ ಮತ್ತು ಕ್ವಾಸಿ ಏಕಾಕ್ಷ ನೆಲ (QCOX-GND) ಮೂಲಕದ ರಚನೆಯೊಂದಿಗೆ ಸುಧಾರಿತ ಸಿಗ್ನಲ್ ಮೂಲಕ ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ. ನಾವು ಇಎಮ್ ಮತ್ತು ಸರ್ಕ್ಯೂಟ್ ಸಿಮ್ಯುಲೇಟರ್ ಬಳಸಿ ಸಿಮ್ಯುಲೇಶನ್ ಫಲಿತಾಂಶಗಳನ್ನು ತೋರಿಸುತ್ತೇವೆ.

1a07186bc10592f0330655519ad91652125cd907

ನಾವು ಒಂದು ಏಕ ಸುರುಳಿಯಾಕಾರದ ನರಮಂಡಲದ ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ವಿವರಿಸುತ್ತೇವೆ, ಅದು ಒಂದು ವಾಕ್ಯವನ್ನು ನೀಡಿದರೆ, ಭಾಷೆಯ ಸಂಸ್ಕರಣೆಯ ಭವಿಷ್ಯವಾಣಿಗಳ ಒಂದು ಹೋಸ್ಟ್ ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆಃ ಭಾಗ-ಭಾಷಣ ಟ್ಯಾಗ್ಗಳು, ತುಣುಕುಗಳು, ಹೆಸರಿಸಿದ ಘಟಕ ಟ್ಯಾಗ್ಗಳು, ಶಬ್ದಾರ್ಥದ ಪಾತ್ರಗಳು, ಶಬ್ದಾರ್ಥದಂತೆಯೇ ಇರುವ ಪದಗಳು ಮತ್ತು ವಾಕ್ಯವು ಅರ್ಥಪೂರ್ಣವಾಗಿದೆ (ವ್ಯಾಕರಣೀಯವಾಗಿ ಮತ್ತು ಶಬ್ದಾರ್ಥವಾಗಿ) ಭಾಷೆಯ ಮಾದರಿಯನ್ನು ಬಳಸುವ ಸಾಧ್ಯತೆ. ಈ ಎಲ್ಲಾ ಕಾರ್ಯಗಳ ಬಗ್ಗೆ ಇಡೀ ಜಾಲವನ್ನು ಜಂಟಿಯಾಗಿ ತರಬೇತಿ ನೀಡಲಾಗುತ್ತದೆ, ತೂಕದ ಹಂಚಿಕೆಯನ್ನು ಬಳಸಿಕೊಂಡು, ಬಹು-ಕಾರ್ಯ ಕಲಿಕೆಯ ಒಂದು ಉದಾಹರಣೆ. ಎಲ್ಲಾ ಕಾರ್ಯಗಳು ಲೇಬಲ್ ಮಾಡಲಾದ ಡೇಟಾವನ್ನು ಬಳಸುತ್ತವೆ, ಲೇಬಲ್ ಮಾಡದ ಪಠ್ಯದಿಂದ ಕಲಿತ ಭಾಷಾ ಮಾದರಿಯನ್ನು ಹೊರತುಪಡಿಸಿ ಮತ್ತು ಹಂಚಿದ ಕಾರ್ಯಗಳಿಗಾಗಿ ಅರೆ-ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆಯ ಹೊಸ ರೂಪವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. ಬಹುಕಾರ್ಯಕ ಕಲಿಕೆ ಮತ್ತು ಅರೆ-ಮೇಲ್ವಿಚಾರಣಾ ಕಲಿಕೆ ಎರಡೂ ಹಂಚಿಕೆಯ ಕಾರ್ಯಗಳ ಸಾಮಾನ್ಯೀಕರಣವನ್ನು ಹೇಗೆ ಸುಧಾರಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ನಾವು ತೋರಿಸುತ್ತೇವೆ, ಇದರ ಪರಿಣಾಮವಾಗಿ ಅತ್ಯಾಧುನಿಕ ಕಾರ್ಯಕ್ಷಮತೆ ಉಂಟಾಗುತ್ತದೆ.

27e38351e48fe4b7da2775bf94341738bc4da07e

ಏಕ-ಪದದ ವೆಕ್ಟರ್ ಸ್ಪೇಸ್ ಮಾದರಿಗಳು ಶಬ್ದಕೋಶದ ಮಾಹಿತಿಯನ್ನು ಕಲಿಯುವಲ್ಲಿ ಬಹಳ ಯಶಸ್ವಿಯಾಗಿವೆ. ಆದಾಗ್ಯೂ, ಅವರು ದೀರ್ಘವಾದ ಪದಗುಚ್ಛಗಳ ಸಂಯೋಜನಾ ಅರ್ಥವನ್ನು ಸೆರೆಹಿಡಿಯಲು ಸಾಧ್ಯವಿಲ್ಲ, ಭಾಷೆಯ ಆಳವಾದ ತಿಳುವಳಿಕೆಯನ್ನು ತಡೆಯುತ್ತದೆ. ನಾವು ಪುನರಾವರ್ತಿತ ನರಮಂಡಲದ (ಆರ್ಎನ್ಎನ್) ಮಾದರಿಯನ್ನು ಪರಿಚಯಿಸುತ್ತೇವೆ, ಅದು ಅನಿಯಂತ್ರಿತ ವಾಕ್ಯರಚನೆಯ ಪ್ರಕಾರ ಮತ್ತು ಉದ್ದದ ಪದಗುಚ್ಛಗಳು ಮತ್ತು ವಾಕ್ಯಗಳಿಗೆ ಸಂಯೋಜನಾ ವೆಕ್ಟರ್ ಪ್ರಾತಿನಿಧ್ಯಗಳನ್ನು ಕಲಿಯುತ್ತದೆ. ನಮ್ಮ ಮಾದರಿಯು ಪಾರ್ಸ್ ಮರದಲ್ಲಿನ ಪ್ರತಿ ನೋಡ್ಗೆ ವೆಕ್ಟರ್ ಮತ್ತು ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಅನ್ನು ನಿಯೋಜಿಸುತ್ತದೆ: ವೆಕ್ಟರ್ ಘಟಕದ ಅಂತರ್ಗತ ಅರ್ಥವನ್ನು ಸೆರೆಹಿಡಿಯುತ್ತದೆ, ಆದರೆ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಅದು ನೆರೆಯ ಪದಗಳು ಅಥವಾ ಪದಗುಚ್ಛಗಳ ಅರ್ಥವನ್ನು ಹೇಗೆ ಬದಲಾಯಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಸೆರೆಹಿಡಿಯುತ್ತದೆ. ಈ ಮ್ಯಾಟ್ರಿಕ್ಸ್-ವೆಕ್ಟರ್ RNN ಪ್ರಸ್ತಾವನಾ ತರ್ಕ ಮತ್ತು ನೈಸರ್ಗಿಕ ಭಾಷೆಯಲ್ಲಿ ಆಪರೇಟರ್ಗಳ ಅರ್ಥವನ್ನು ಕಲಿಯಬಹುದು. ಈ ಮಾದರಿಯು ಮೂರು ವಿಭಿನ್ನ ಪ್ರಯೋಗಗಳ ಮೇಲೆ ಅತ್ಯಾಧುನಿಕ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪಡೆಯುತ್ತದೆ: ಕ್ರಿಯಾವಿಶೇಷಣ-ಅಡ್ಡಪರಿಣಾಮ ಜೋಡಿಗಳ ಸೂಕ್ಷ್ಮ-ಗ್ರೇನ್ ಭಾವನೆ ವಿತರಣೆಗಳನ್ನು ಊಹಿಸುವುದು; ಚಲನಚಿತ್ರ ವಿಮರ್ಶೆಗಳ ಭಾವನೆ ಲೇಬಲ್ಗಳನ್ನು ವರ್ಗೀಕರಿಸುವುದು ಮತ್ತು ಅವುಗಳ ನಡುವಿನ ಸಂಕ್ಷಿಪ್ತ ಮಾರ್ಗವನ್ನು ಬಳಸಿಕೊಂಡು ನಾಮಪದಗಳ ನಡುವೆ ಕಾರಣ-ಪರಿಣಾಮ ಅಥವಾ ವಿಷಯ-ಸಂದೇಶದಂತಹ ಶಬ್ದಾರ್ಥ ಸಂಬಂಧಗಳನ್ನು ವರ್ಗೀಕರಿಸುವುದು.

303b0b6e6812c60944a4ac9914222ac28b0813a2

ಈ ಲೇಖನವು ನುಡಿಗಟ್ಟು-ಮಟ್ಟದ ಭಾವನೆ ವಿಶ್ಲೇಷಣೆಗೆ ಹೊಸ ವಿಧಾನವನ್ನು ಒದಗಿಸುತ್ತದೆ, ಅದು ಮೊದಲು ಅಭಿವ್ಯಕ್ತಿ ತಟಸ್ಥ ಅಥವಾ ಧ್ರುವೀಯವಾಗಿದೆಯೇ ಎಂದು ನಿರ್ಧರಿಸುತ್ತದೆ ಮತ್ತು ನಂತರ ಧ್ರುವೀಯ ಅಭಿವ್ಯಕ್ತಿಗಳ ಧ್ರುವೀಯತೆಯನ್ನು ಸ್ಪಷ್ಟಪಡಿಸುತ್ತದೆ. ಈ ವಿಧಾನದಿಂದ, ಈ ವ್ಯವಸ್ಥೆಯು ಭಾವನೆಗಳ ಅಭಿವ್ಯಕ್ತಿಗಳ ಒಂದು ದೊಡ್ಡ ಉಪವಿಭಾಗದ ಸಂದರ್ಭೋಚಿತ ಧ್ರುವೀಯತೆಯನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಗುರುತಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ, ಇದು ಮೂಲಕ್ಕಿಂತ ಗಮನಾರ್ಹವಾಗಿ ಉತ್ತಮ ಫಲಿತಾಂಶಗಳನ್ನು ಸಾಧಿಸುತ್ತದೆ.

4eb943bf999ce49e5ebb629d7d0ffee44becff94

ಸಮಯವು ಅನೇಕ ಆಸಕ್ತಿದಾಯಕ ಮಾನವ ನಡವಳಿಕೆಗಳ ಅಡಿಯಲ್ಲಿರುತ್ತದೆ. ಹೀಗಾಗಿ, ಸಂಪರ್ಕವಾದಿ ಮಾದರಿಗಳಲ್ಲಿ ಸಮಯವನ್ನು ಹೇಗೆ ಪ್ರತಿನಿಧಿಸುವುದು ಎಂಬ ಪ್ರಶ್ನೆ ಬಹಳ ಮುಖ್ಯವಾಗಿದೆ. ಒಂದು ವಿಧಾನವು ಸಮಯವನ್ನು ಸ್ಪಷ್ಟವಾಗಿ (ಸ್ಥಳೀಯ ಪ್ರಾತಿನಿಧ್ಯದಂತೆ) ಪ್ರಕ್ರಿಯೆಗೆ ಅದರ ಪರಿಣಾಮಗಳ ಮೂಲಕ ಸೂಚಿಸುತ್ತದೆ. ಈ ವರದಿಯು ಈ ನಿಟ್ಟಿನಲ್ಲಿ ಪ್ರಸ್ತಾಪವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತದೆ, ಇದನ್ನು ಮೊದಲು ಜೋರ್ಡಾನ್ (1986) ವಿವರಿಸಿದ್ದಾರೆ, ಇದು ಡೈನಾಮಿಕ್ ಮೆಮೊರಿಯೊಂದಿಗೆ ಜಾಲಗಳನ್ನು ಒದಗಿಸಲು ಪುನರಾವರ್ತಿತ ಲಿಂಕ್ಗಳ ಬಳಕೆಯನ್ನು ಒಳಗೊಂಡಿದೆ. ಈ ವಿಧಾನದಲ್ಲಿ, ಗುಪ್ತ ಘಟಕ ಮಾದರಿಗಳನ್ನು ತಮ್ಮನ್ನು ತಾವೇ ಆಹಾರವಾಗಿ ನೀಡಲಾಗುತ್ತದೆ; ಆಂತರಿಕ ಪ್ರಾತಿನಿಧ್ಯಗಳು ಹಿಂದಿನ ಆಂತರಿಕ ರಾಜ್ಯಗಳ ಸಂದರ್ಭದಲ್ಲಿ ಕಾರ್ಯದ ಬೇಡಿಕೆಗಳನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತವೆ. ತುಲನಾತ್ಮಕವಾಗಿ ಸರಳವಾದ ಸಮಸ್ಯೆಗಳ (XOR ನ ಸಮಯೋಚಿತ ಆವೃತ್ತಿ) ನಿಂದ ಪದಗಳಿಗೆ ಸಿಂಟ್ಯಾಕ್ಟಿಕ್ / ಸೆಮ್ಯಾಂಟಿಕ್ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಕಂಡುಹಿಡಿಯುವವರೆಗೆ ಸಿಮ್ಯುಲೇಶನ್ಗಳ ಒಂದು ಸೆಟ್ ಅನ್ನು ವರದಿ ಮಾಡಲಾಗಿದೆ. ಜಾಲಗಳು ಆಸಕ್ತಿದಾಯಕ ಆಂತರಿಕ ಪ್ರಾತಿನಿಧ್ಯಗಳನ್ನು ಕಲಿಯಲು ಸಮರ್ಥವಾಗಿವೆ, ಅದು ಕಾರ್ಯದ ಬೇಡಿಕೆಗಳನ್ನು ಮೆಮೊರಿ ಬೇಡಿಕೆಗಳೊಂದಿಗೆ ಸಂಯೋಜಿಸುತ್ತದೆ; ವಾಸ್ತವವಾಗಿ, ಈ ವಿಧಾನದಲ್ಲಿ ಮೆಮೊರಿಯ ಪರಿಕಲ್ಪನೆಯು ಕಾರ್ಯ ಸಂಸ್ಕರಣೆಯೊಂದಿಗೆ ಬೇರ್ಪಡಿಸಲಾಗದಂತೆ ಸಂಬಂಧಿಸಿದೆ. ಈ ನಿರೂಪಣೆಗಳು ಶ್ರೀಮಂತ ರಚನೆಯನ್ನು ಬಹಿರಂಗಪಡಿಸುತ್ತವೆ, ಇದು ಅವುಗಳನ್ನು ಹೆಚ್ಚು ಸಂದರ್ಭ-ಅವಲಂಬಿತವಾಗಿರಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ ಮತ್ತು ಐಟಂಗಳ ವರ್ಗಗಳಾದ್ಯಂತ ಸಾಮಾನ್ಯೀಕರಣಗಳನ್ನು ವ್ಯಕ್ತಪಡಿಸುತ್ತದೆ. ಈ ನಿರೂಪಣೆಗಳು ಶಬ್ದಕೋಶದ ವರ್ಗಗಳನ್ನು ಮತ್ತು ಪ್ರಕಾರ / ಟೋಕನ್ ವ್ಯತ್ಯಾಸವನ್ನು ಪ್ರತಿನಿಧಿಸುವ ವಿಧಾನವನ್ನು ಸೂಚಿಸುತ್ತವೆ.

2069c9389df8bb29b7fedf2c2ccfe7aaf82b2832

ಹೊಸ ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿಯಾಗಿ ವರ್ಗಾವಣೆ ಕಲಿಕೆಯು ಇತ್ತೀಚೆಗೆ ಹೆಚ್ಚಿನ ಗಮನವನ್ನು ಗಳಿಸಿದೆ. ಗುರಿ ಕ್ಷೇತ್ರದಲ್ಲಿನ ತರಬೇತಿ ದತ್ತಾಂಶವು ಭವಿಷ್ಯಸೂಚಕ ಮಾದರಿಗಳನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಕಲಿಯಲು ಸಾಕಾಗದ ಸಂದರ್ಭಗಳಲ್ಲಿ, ವರ್ಗಾವಣೆ ಕಲಿಕೆಯು ಕಲಿಕೆಗೆ ಸಂಬಂಧಿಸಿದ ಇತರ ಸಹಾಯಕ ಕ್ಷೇತ್ರಗಳಿಂದ ಸಹಾಯಕ ಮೂಲ ದತ್ತಾಂಶವನ್ನು ನಿಯಂತ್ರಿಸುತ್ತದೆ. ಈ ಕ್ಷೇತ್ರದಲ್ಲಿನ ಹೆಚ್ಚಿನ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಕೃತಿಗಳು ಮೂಲ ಡೇಟಾವನ್ನು ಅದೇ ಪ್ರಾತಿನಿಧ್ಯ ರಚನೆಯೊಂದಿಗೆ ಬಳಸುವುದರ ಮೇಲೆ ಮಾತ್ರ ಕೇಂದ್ರೀಕರಿಸಿದರೆ, ಈ ಲೇಖನದಲ್ಲಿ, ಪಠ್ಯ ಮತ್ತು ಚಿತ್ರಗಳ ನಡುವಿನ ಜ್ಞಾನ ವರ್ಗಾವಣೆಗೆ ಭಿನ್ನರೂಪದ ವರ್ಗಾವಣೆ ಕಲಿಕೆಯ ಚೌಕಟ್ಟನ್ನು ವಿಸ್ತರಿಸುವ ಮೂಲಕ ನಾವು ಈ ಗಡಿಯನ್ನು ಮತ್ತಷ್ಟು ತಳ್ಳುತ್ತೇವೆ. ಗುರಿ-ಡೊಮೇನ್ ವರ್ಗೀಕರಣದ ಸಮಸ್ಯೆಗೆ, ಕೆಲವು ಟಿಪ್ಪಣಿ ಚಿತ್ರಗಳನ್ನು ಅನೇಕ ಸಾಮಾಜಿಕ ವೆಬ್ ಸೈಟ್ಗಳಲ್ಲಿ ಕಾಣಬಹುದು, ಇದು ವೆಬ್ನಲ್ಲಿ ಲಭ್ಯವಿರುವ ಹೇರಳವಾದ ಪಠ್ಯ ದಾಖಲೆಗಳಿಂದ ಜ್ಞಾನವನ್ನು ವರ್ಗಾಯಿಸಲು ಸೇತುವೆಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂದು ನಾವು ಗಮನಿಸುತ್ತೇವೆ. ಪಠ್ಯ ದಾಖಲೆಗಳು ಅನಿಯಂತ್ರಿತವಾಗಿದ್ದರೂ ಸಹ ಮೂಲ ದತ್ತಾಂಶದಲ್ಲಿನ ಜ್ಞಾನವನ್ನು ಹೇಗೆ ಪರಿಣಾಮಕಾರಿಯಾಗಿ ವರ್ಗಾಯಿಸುವುದು ಎಂಬುದು ಒಂದು ಪ್ರಮುಖ ಪ್ರಶ್ನೆಯಾಗಿದೆ. ನಮ್ಮ ಪರಿಹಾರವೆಂದರೆ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಫ್ಯಾಕ್ಟರೈಸೇಶನ್ ಮೂಲಕ ಸಹಾಯಕ ಮೂಲ ಡೇಟಾದಿಂದ ಹೊರತೆಗೆಯಲಾದ ಶಬ್ದಾರ್ಥದ ಪರಿಕಲ್ಪನೆಗಳೊಂದಿಗೆ ಗುರಿ ಚಿತ್ರಗಳ ಪ್ರಾತಿನಿಧ್ಯವನ್ನು ಉತ್ಕೃಷ್ಟಗೊಳಿಸುವುದು ಮತ್ತು ಉತ್ತಮ ಚಿತ್ರ ವರ್ಗೀಕರಣವನ್ನು ನಿರ್ಮಿಸಲು ಸಹಾಯಕ ಡೇಟಾದಿಂದ ಉತ್ಪತ್ತಿಯಾಗುವ ಸುಪ್ತ ಶಬ್ದಾರ್ಥದ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಬಳಸುವುದು. ನಾವು ಪ್ರಾಯೋಗಿಕವಾಗಿ ನಮ್ಮ ಅಲ್ಗಾರಿದಮ್ನ ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ಕ್ಯಾಲ್ಟೆಕ್-256 ಇಮೇಜ್ ಡೇಟಾಸೆಟ್ನಲ್ಲಿ ಪರಿಶೀಲಿಸುತ್ತೇವೆ.

381231eecd132199821c5aa3ff3f2278f593ea33

a8823ab946321079c63b9bd42f58bd17b96a25e4

ಮುಖದ ಪತ್ತೆ ಮತ್ತು ಕಣ್ಣುಗಳ ಹೊರತೆಗೆಯುವಿಕೆಯು ಮುಖ ಗುರುತಿಸುವಿಕೆ, ಮುಖದ ಅಭಿವ್ಯಕ್ತಿ ವಿಶ್ಲೇಷಣೆ, ಭದ್ರತಾ ಲಾಗಿನ್ ಇತ್ಯಾದಿ ಅನೇಕ ಅನ್ವಯಿಕೆಗಳಲ್ಲಿ ಪ್ರಮುಖ ಪಾತ್ರ ವಹಿಸುತ್ತದೆ. ಮಾನವ ಮುಖ ಮತ್ತು ಕಣ್ಣು, ಮೂಗು ಮುಂತಾದ ಮುಖದ ರಚನೆಗಳ ಪತ್ತೆ ಕಂಪ್ಯೂಟರ್ಗೆ ಸಂಕೀರ್ಣವಾದ ಕಾರ್ಯವಿಧಾನವಾಗಿದೆ. ಈ ಪತ್ರಿಕೆಯು ಸೋಬೆಲ್ ಅಂಚಿನ ಪತ್ತೆ ಮತ್ತು ರೂಪಶಾಸ್ತ್ರೀಯ ಕಾರ್ಯಾಚರಣೆಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಮುಂಭಾಗದ ಮುಖದ ಚಿತ್ರಗಳಿಂದ ಮುಖ ಪತ್ತೆ ಮತ್ತು ಕಣ್ಣುಗಳ ಹೊರತೆಗೆಯುವಿಕೆಯ ಕ್ರಮಾವಳಿಗಳನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತದೆ. ಪ್ರಸ್ತಾವಿತ ವಿಧಾನವನ್ನು ಮೂರು ಹಂತಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ; ಪೂರ್ವ ಸಂಸ್ಕರಣೆ, ಮುಖದ ಪ್ರದೇಶದ ಗುರುತಿಸುವಿಕೆ ಮತ್ತು ಕಣ್ಣುಗಳ ಹೊರತೆಗೆಯುವಿಕೆ. ಚಿತ್ರಗಳ ಗಾತ್ರ ಬದಲಾವಣೆ ಮತ್ತು ಬೂದು ಪ್ರಮಾಣದ ಚಿತ್ರ ಪರಿವರ್ತನೆ ಪೂರ್ವ ಸಂಸ್ಕರಣೆಯಲ್ಲಿ ಸಾಧಿಸಲಾಗುತ್ತದೆ. ಮುಖದ ಪ್ರದೇಶದ ಗುರುತಿಸುವಿಕೆಯನ್ನು ಸೊಬೆಲ್ ಅಂಚಿನ ಪತ್ತೆ ಮತ್ತು ರೂಪಶಾಸ್ತ್ರೀಯ ಕಾರ್ಯಾಚರಣೆಗಳ ಮೂಲಕ ಸಾಧಿಸಲಾಗುತ್ತದೆ. ಕೊನೆಯ ಹಂತದಲ್ಲಿ, ಕಣ್ಣುಗಳನ್ನು ರೂಪಶಾಸ್ತ್ರೀಯ ಕಾರ್ಯಾಚರಣೆಗಳ ಸಹಾಯದಿಂದ ಮುಖದ ಪ್ರದೇಶದಿಂದ ಹೊರತೆಗೆಯಲಾಗುತ್ತದೆ. ಈ ಪ್ರಯೋಗಗಳನ್ನು ಕ್ರಮವಾಗಿ IMM ಮುಂಭಾಗದ ಮುಖದ ಡೇಟಾಬೇಸ್, FEI ಮುಖದ ಡೇಟಾಬೇಸ್ ಮತ್ತು IMM ಮುಖದ ಡೇಟಾಬೇಸ್ ನ 120, 75, 40 ಚಿತ್ರಗಳ ಮೇಲೆ ನಡೆಸಲಾಗುತ್ತದೆ. ಮುಖ ಪತ್ತೆ ನಿಖರತೆ 100%, 100%, 97.50% ಮತ್ತು ಕಣ್ಣುಗಳ ಹೊರತೆಗೆಯುವಿಕೆಯ ನಿಖರತೆಯ ದರ ಕ್ರಮವಾಗಿ 92.50%, 90.66%, 92.50% ಆಗಿದೆ.

3b6911dc5d98faeb79d3d3e60bcdc40cfd7c9273

ಒಟ್ಟು ಸಹಿ ಯೋಜನೆ ಎನ್ನುವುದು ಒಟ್ಟುಗೂಡಿಸುವಿಕೆಯನ್ನು ಬೆಂಬಲಿಸುವ ಡಿಜಿಟಲ್ ಸಹಿಯಾಗಿದೆ: n ವಿಭಿನ್ನ ಬಳಕೆದಾರರಿಂದ n ವಿಭಿನ್ನ ಸಂದೇಶಗಳಲ್ಲಿ n ಸಹಿಗಳನ್ನು ನೀಡಿದರೆ, ಈ ಎಲ್ಲಾ ಸಹಿಗಳನ್ನು ಒಂದೇ ಸಣ್ಣ ಸಹಿಗೆ ಒಟ್ಟುಗೂಡಿಸಲು ಸಾಧ್ಯವಿದೆ. ಈ ಏಕೈಕ ಸಹಿ (ಮತ್ತು n ಮೂಲ ಸಂದೇಶಗಳು) n ಬಳಕೆದಾರರು n ಮೂಲ ಸಂದೇಶಗಳಿಗೆ ಸಹಿ ಹಾಕಿದ್ದಾರೆ ಎಂದು ಪರಿಶೀಲಕನನ್ನು ಮನವರಿಕೆ ಮಾಡುತ್ತದೆ (ಅಂದರೆ, ಬಳಕೆದಾರ i i = 1 ಗಾಗಿ Mi ಸಂದೇಶಕ್ಕೆ ಸಹಿ ಹಾಕಿದ್ದಾರೆ. . . ನಾನು . . ನಾನು , ಎನ್) ಈ ಲೇಖನದಲ್ಲಿ ನಾವು ಒಟ್ಟು ಸಹಿಯ ಪರಿಕಲ್ಪನೆಯನ್ನು ಪರಿಚಯಿಸುತ್ತೇವೆ, ಅಂತಹ ಸಹಿಗಳ ಭದ್ರತಾ ಮಾದರಿಗಳನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತೇವೆ ಮತ್ತು ಒಟ್ಟು ಸಹಿಗಳಿಗಾಗಿ ಹಲವಾರು ಅನ್ವಯಿಕೆಗಳನ್ನು ನೀಡುತ್ತೇವೆ. ನಾವು ಬೊನೆ, ಲಿನ್ ಮತ್ತು ಶಚಮ್ ಗೆ ಕಾರಣವಾದ ಬೈಲಿನಿಯರ್ ನಕ್ಷೆಗಳ ಆಧಾರದ ಮೇಲೆ ಇತ್ತೀಚಿನ ಸಣ್ಣ ಸಹಿ ಯೋಜನೆಯಿಂದ ಸಮಗ್ರ ಸಹಿಯನ್ನು ನಿರ್ಮಿಸುತ್ತೇವೆ. ಪ್ರಮಾಣಪತ್ರ ಸರಪಳಿಗಳ ಗಾತ್ರವನ್ನು ಕಡಿಮೆ ಮಾಡಲು (ಸರಣಿಯಲ್ಲಿನ ಎಲ್ಲಾ ಸಹಿಗಳನ್ನು ಒಟ್ಟುಗೂಡಿಸುವ ಮೂಲಕ) ಮತ್ತು ಎಸ್ಬಿಜಿಪಿಯಂತಹ ಸುರಕ್ಷಿತ ರೂಟಿಂಗ್ ಪ್ರೋಟೋಕಾಲ್ಗಳಲ್ಲಿ ಸಂದೇಶ ಗಾತ್ರವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಒಟ್ಟು ಸಹಿಗಳು ಉಪಯುಕ್ತವಾಗಿವೆ. ನಾವು ಸಹ ತೋರಿಸುತ್ತೇವೆ ಒಟ್ಟು ಸಹಿಗಳು ಪರಿಶೀಲಿಸಬಹುದಾದ ಎನ್ಕ್ರಿಪ್ಟ್ ಸಹಿಗಳಿಗೆ ಕಾರಣವಾಗುತ್ತವೆ. ಇಂತಹ ಸಹಿಗಳು ನಿರ್ದಿಷ್ಟ ಸಿಫರ್ಟೆಕ್ಸ್ಟ್ C ನಿರ್ದಿಷ್ಟ ಸಂದೇಶ M ನಲ್ಲಿ ಸಹಿಯ ಗೂಢಲಿಪೀಕರಣವಾಗಿದೆಯೆ ಎಂದು ಪರಿಶೀಲಿಸಲು ಪರಿಶೀಲಕನಿಗೆ ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ . ಪರಿಶೀಲಿಸಬಹುದಾದ ಎನ್ಕ್ರಿಪ್ಟ್ ಮಾಡಿದ ಸಹಿಗಳನ್ನು ಒಪ್ಪಂದಕ್ಕೆ ಸಹಿ ಹಾಕುವ ಪ್ರೋಟೋಕಾಲ್ಗಳಲ್ಲಿ ಬಳಸಲಾಗುತ್ತದೆ. ಅಂತಿಮವಾಗಿ, ನಾವು ಸರಳವಾದ ರಿಂಗ್ ಸಹಿಗಳನ್ನು ನೀಡಲು ಸಣ್ಣ ಸಹಿ ಯೋಜನೆಯನ್ನು ವಿಸ್ತರಿಸಲು ಇದೇ ರೀತಿಯ ಆಲೋಚನೆಗಳನ್ನು ಬಳಸಬಹುದೆಂದು ತೋರಿಸುತ್ತೇವೆ.

6d4fa4b9037b64b8383331583430711be321c587

ಭಾವನೆ ವಿಶ್ಲೇಷಣೆ ಸಂಶೋಧನೆಯ ಬೆಳೆಯುತ್ತಿರುವ ಕ್ಷೇತ್ರವಾಗಿದೆ, ಇದು ವಾಣಿಜ್ಯ ಅನ್ವಯಿಕೆಗಳು ಮತ್ತು ಶೈಕ್ಷಣಿಕ ಆಸಕ್ತಿಯಿಂದ ನಡೆಸಲ್ಪಡುತ್ತದೆ. ಈ ಲೇಖನದಲ್ಲಿ, ನಾವು ಮೌಲ್ಯ ಮತ್ತು ಪ್ರಚೋದನೆಯ ಭಾವನಾತ್ಮಕ ಆಯಾಮಗಳಿಗಾಗಿ ಡೈರಿ ತರಹದ ಬ್ಲಾಗ್ ಪೋಸ್ಟ್ಗಳ ಬಹು-ವರ್ಗ ವರ್ಗೀಕರಣವನ್ನು ಅನ್ವೇಷಿಸುತ್ತೇವೆ, ಅಲ್ಲಿ ಕಾರ್ಯದ ಉದ್ದೇಶವು ಕ್ರಮವಾಗಿ ಅತ್ಯಂತ negative ಣಾತ್ಮಕ / ಕಡಿಮೆ ನಿಂದ ಅತ್ಯಂತ ಧನಾತ್ಮಕ / ಹೆಚ್ಚಿನವರೆಗೆ ಐದು ಹಂತದ ಪ್ರಮಾಣದಲ್ಲಿ ಪೋಸ್ಟ್ನ ಮೌಲ್ಯ ಮತ್ತು ಪ್ರಚೋದನೆಯ ಮಟ್ಟವನ್ನು to ಹಿಸುವುದು. ರಸ್ಸೆಲ್ನ ಸರ್ಕ್ಯೂಂಪ್ಲೆಕ್ಸ್ ಮಾದರಿಯ ಮನೋವೈಜ್ಞಾನಿಕ ಮಾದರಿಯನ್ನು ಆಧರಿಸಿ ಈ ಎರಡು ಆಯಾಮಗಳಲ್ಲಿ ಕ್ರಮಬದ್ಧ ಪ್ರಮಾಣದಲ್ಲಿ ವಿಭಿನ್ನ ಭಾವನಾತ್ಮಕ ರಾಜ್ಯಗಳನ್ನು ಹೇಗೆ ನಕ್ಷೆ ಮಾಡುವುದು ಮತ್ತು ಬಹು ಆಯಾಮದ, ನೈಜ-ಮೌಲ್ಯದ ಟಿಪ್ಪಣಿಗಳೊಂದಿಗೆ ಈ ಹಿಂದೆ ಲಭ್ಯವಿರುವ ಕಾರ್ಪಸ್ ಅನ್ನು ಲೇಬಲ್ ಮಾಡುವುದು ಹೇಗೆ ಎಂದು ನಾವು ತೋರಿಸುತ್ತೇವೆ. ಬೆಂಬಲ ವೆಕ್ಟರ್ ಯಂತ್ರ ವರ್ಗೀಕರಣಕಾರರ ಹಿಂಜರಿಕೆಯನ್ನು ಮತ್ತು ಒಂದು-ಎಲ್ಲ ವಿಧಾನಗಳನ್ನು ಬಳಸುವ ಪ್ರಾಯೋಗಿಕ ಫಲಿತಾಂಶಗಳು, ನಂತರದ ವಿಧಾನವು ಉತ್ತಮ ನಿಖರವಾದ ಕ್ರಮಬದ್ಧ ವರ್ಗ ಮುನ್ಸೂಚನೆ ನಿಖರತೆಯನ್ನು ಒದಗಿಸುತ್ತದೆಯಾದರೂ, ಹಿಂಜರಿಕೆಯ ತಂತ್ರಗಳು ಸಣ್ಣ ಪ್ರಮಾಣದ ದೋಷಗಳನ್ನು ಉಂಟುಮಾಡುತ್ತವೆ.

9931c6b050e723f5b2a189dd38c81322ac0511de

ಮಾನವ ಕ್ರಿಯೆಯ ಗುರುತಿಸುವಿಕೆ ಸಮುದಾಯದೊಳಗೆ ಸಾರ್ವಜನಿಕವಾಗಿ ಲಭ್ಯವಿರುವ ದತ್ತಾಂಶಗಳ ಪ್ರಸ್ತುತ ಸ್ಥಿತಿಯ ಬಗ್ಗೆ ನಾವು ವಿಮರ್ಶೆಯನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತೇವೆ; ಭಂಗಿ ಆಧಾರಿತ ವಿಧಾನಗಳ ಪುನರುಜ್ಜೀವನ ಮತ್ತು ವ್ಯಕ್ತಿ-ವ್ಯಕ್ತಿ ಸಂವಹನ ಮಾಡೆಲಿಂಗ್ ಅನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಲ್ಲಿ ಇತ್ತೀಚಿನ ಪ್ರಗತಿಯನ್ನು ಎತ್ತಿ ತೋರಿಸುತ್ತದೆ. ನಾವು ದತ್ತಾಂಶ ಸಂಗ್ರಹಗಳನ್ನು ಹಲವಾರು ಪ್ರಮುಖ ಗುಣಲಕ್ಷಣಗಳ ಬಗ್ಗೆ ವರ್ಗೀಕರಿಸುತ್ತೇವೆ; ವರ್ಗ ಲೇಬಲ್ಗಳ ಸಂಖ್ಯೆ, ಒದಗಿಸಿದ ನೆಲದ ಸತ್ಯಗಳು ಮತ್ತು ಅವು ಆಕ್ರಮಿಸಿಕೊಂಡಿರುವ ಅಪ್ಲಿಕೇಶನ್ ಡೊಮೇನ್ ಸೇರಿದಂತೆ. ನಾವು ಪ್ರತಿ ಡೇಟಾಸೆಟ್ನ ಅಮೂರ್ತತೆಯ ಮಟ್ಟವನ್ನು ಸಹ ಪರಿಗಣಿಸುತ್ತೇವೆ; ಕ್ರಿಯೆಗಳು, ಪರಸ್ಪರ ಕ್ರಿಯೆಗಳು ಮತ್ತು ಉನ್ನತ ಮಟ್ಟದ ಶಬ್ದಾರ್ಥ ಚಟುವಟಿಕೆಗಳನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುವವರನ್ನು ಗುಂಪು ಮಾಡುವುದು. ಸಮೀಕ್ಷೆಯು ಪ್ರಮುಖ ನೋಟವನ್ನು ಗುರುತಿಸುತ್ತದೆ ಮತ್ತು ಸರಳವಾದ, ಒತ್ತು ನೀಡಿದ ಅಥವಾ ಸ್ಕ್ರಿಪ್ಟ್ ಮಾಡಿದ ಕ್ರಿಯೆಯ ವರ್ಗಗಳ ಪ್ರವೃತ್ತಿಯನ್ನು ಗಮನಿಸಿ, ಉಪ-ಕ್ರಿಯೆಯ ಸನ್ನೆಗಳ ಸ್ಥಿರ ಸಂಗ್ರಹದಿಂದ ಸುಲಭವಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಬಹುದಾದ ಡೇಟಾ ಸೆಟ್ಗಳನ್ನು ಆಧರಿಸಿದೆ. ನಿಕಟವಾಗಿ ಸಂಬಂಧಿತ ಕ್ರಿಯೆಗಳನ್ನು ಒದಗಿಸುವ ಡೇಟಾ ಸೆಟ್ಗಳ ಸ್ಪಷ್ಟ ಕೊರತೆಯಿದೆ, ಸರಣಿ ಭಂಗಿಗಳು ಮತ್ತು ಸನ್ನೆಗಳ ಮೂಲಕ ಸೂಚ್ಯವಾಗಿ ಗುರುತಿಸಲ್ಪಡುವುದಿಲ್ಲ, ಆದರೆ ಬದಲಿಗೆ ಪರಸ್ಪರ ಕ್ರಿಯೆಗಳ ಕ್ರಿಯಾತ್ಮಕ ಸೆಟ್. ಆದ್ದರಿಂದ ನಾವು 3D ಭಂಗಿಯ ಮೂಲಕ ಎರಡು ವ್ಯಕ್ತಿಗಳ ನಡುವಿನ ಸಂಕೀರ್ಣ ಸಂಭಾಷಣಾ ಸಂವಹನಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುವ ಒಂದು ಹೊಸ ದತ್ತಾಂಶವನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ. ಎರಡು Kinect ಆಳ ಸಂವೇದಕಗಳನ್ನು ಬಳಸಿಕೊಂಡು 7 ಪ್ರತ್ಯೇಕ ಸಂಭಾಷಣೆ ಆಧಾರಿತ ಸನ್ನಿವೇಶಗಳನ್ನು ವಿವರಿಸುವ 8 ಜೋಡಿ ಪರಸ್ಪರ ಕ್ರಿಯೆಗಳನ್ನು ಸಂಗ್ರಹಿಸಲಾಗಿದೆ. ಹಲವಾರು ಪ್ರಾಚೀನ ಕ್ರಿಯೆಗಳು, ಪರಸ್ಪರ ಕ್ರಿಯೆಗಳು ಮತ್ತು ಚಲನೆಗಳಿಂದ ನಿರ್ಮಿಸಲಾದ ಘಟನೆಗಳನ್ನು ಒದಗಿಸುವುದು ಉದ್ದೇಶವಾಗಿದೆ; ನೈಜ ಪ್ರಪಂಚದ ಹೆಚ್ಚು ಪ್ರತಿನಿಧಿಸುವ ಸೂಕ್ಷ್ಮ ಕ್ರಿಯೆಯ ವರ್ಗಗಳ ಗುಂಪನ್ನು ಒದಗಿಸುವುದು ಮತ್ತು ಪ್ರಸ್ತುತ ಅಭಿವೃದ್ಧಿ ಹೊಂದಿದ ಗುರುತಿಸುವಿಕೆ ವಿಧಾನಗಳಿಗೆ ಸವಾಲು ಹಾಕುವುದು. ಇದು 3D ಪೋಸ್ ಪ್ರಿಪ್ರಿಂಟ್ ಬಳಸಿ ಸಂಭಾಷಣಾ ಸಂವಹನ ವರ್ಗೀಕರಣಕ್ಕೆ ಮೀಸಲಾಗಿರುವ ಮೊದಲ ಡೇಟಾಸೆಟ್ಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ ಎಂದು ನಾವು ನಂಬುತ್ತೇವೆ. ಇದನ್ನು ಎಲ್ಸೆವಿಯರ್ ಅಕ್ಟೋಬರ್ 27, 2015 ರ ವೈಶಿಷ್ಟ್ಯಗಳಿಗೆ ಸಲ್ಲಿಸಲಾಗಿದೆ ಮತ್ತು ಈ ಕಾರ್ಯವು ನಿಜಕ್ಕೂ ಸಾಧ್ಯ ಎಂದು ತೋರಿಸುತ್ತದೆ. ಸಂಪೂರ್ಣ ದತ್ತಾಂಶವನ್ನು ಸಂಶೋಧನಾ ಸಮುದಾಯಕ್ಕೆ [1] ಸಾರ್ವಜನಿಕವಾಗಿ ಲಭ್ಯವಾಗುವಂತೆ ಮಾಡಲಾಗಿದೆ.

26e6b1675e081a514f4fdc0352d6cb211ba6d9c8

ನಾವು ಆಧುನಿಕ ಕಾರುಗಳಲ್ಲಿ ಬಳಸುವ ಪಾಸಿವ್ ಕೀಲೆಸ್ ಎಂಟ್ರಿ ಅಂಡ್ ಸ್ಟಾರ್ಟ್ (ಪಿಕೆಇಎಸ್) ವ್ಯವಸ್ಥೆಗಳ ಮೇಲೆ ರಿಲೇ ದಾಳಿಗಳನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತೇವೆ. ನಾವು ಎರಡು ಪರಿಣಾಮಕಾರಿ ಮತ್ತು ಅಗ್ಗದ ದಾಳಿ ಕಾರ್ಯಗತಗೊಳಿಸುವಿಕೆಗಳನ್ನು ನಿರ್ಮಿಸುತ್ತೇವೆ, ವೈರ್ಡ್ ಮತ್ತು ವೈರ್ಲೆಸ್ ಭೌತಿಕ-ಲೇಯರ್ ರಿಲೇಗಳು, ಇದು ಆಕ್ರಮಣಕಾರರಿಗೆ ಪ್ರವೇಶಿಸಲು ಮತ್ತು ಕಾರು ಮತ್ತು ಸ್ಮಾರ್ಟ್ ಕೀಲಿಗಳ ನಡುವೆ ಸಂದೇಶಗಳನ್ನು ರವಾನಿಸುವ ಮೂಲಕ ಕಾರನ್ನು ಪ್ರಾರಂಭಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ನಮ್ಮ ರಿಲೇಗಳು ಸಂಪೂರ್ಣವಾಗಿ ಸ್ವತಂತ್ರವಾಗಿರುತ್ತವೆ ಮಾಡ್ಯುಲೇಷನ್, ಪ್ರೋಟೋಕಾಲ್, ಅಥವಾ ಬಲವಾದ ದೃಢೀಕರಣ ಮತ್ತು ಗೂಢಲಿಪೀಕರಣದ ಉಪಸ್ಥಿತಿ. ನಾವು 8 ತಯಾರಕರ 10 ಕಾರು ಮಾದರಿಗಳ ಮೇಲೆ ವ್ಯಾಪಕವಾದ ಮೌಲ್ಯಮಾಪನವನ್ನು ನಡೆಸುತ್ತೇವೆ. ನಮ್ಮ ಫಲಿತಾಂಶಗಳು ಒಂದು ದಿಕ್ಕಿನಲ್ಲಿ ಮಾತ್ರ (ಕಾರು ಮತ್ತು ಕೀಲಿಗಳಿಂದ) ಸಿಗ್ನಲ್ ಅನ್ನು ರವಾನಿಸುವುದು ದಾಳಿಯನ್ನು ನಿರ್ವಹಿಸಲು ಸಾಕಾಗುತ್ತದೆ ಎಂದು ತೋರಿಸುತ್ತದೆ, ಆದರೆ ಕೀ ಮತ್ತು ಕಾರಿನ ನಡುವಿನ ನಿಜವಾದ ಅಂತರವು ದೊಡ್ಡದಾಗಿದೆ (50 ಮೀಟರ್ ವರೆಗೆ ಪರೀಕ್ಷಿಸಲಾಗಿದೆ, ದೃಷ್ಟಿ ರೇಖೆಯಲ್ಲ). ನಮ್ಮ ಸೆಟಪ್ ನೊಂದಿಗೆ, ಸ್ಮಾರ್ಟ್ ಕೀ 8 ಮೀಟರ್ ವರೆಗೆ ಪ್ರಚೋದಿಸಬಲ್ಲದು ಎಂಬುದನ್ನು ನಾವು ತೋರಿಸುತ್ತೇವೆ. ಇದು ದಾಳಿಕೋರನು ರಿಲೇ ಸ್ಥಾಪಿಸಲು ಕೀಲಿಯ ಹತ್ತಿರ ಬರಬೇಕಾದ ಅಗತ್ಯವನ್ನು ತೆಗೆದುಹಾಕುತ್ತದೆ. ನಾವು ಮತ್ತಷ್ಟು ವಿಶ್ಲೇಷಿಸಿ ವಿಮರ್ಶಾತ್ಮಕ ವ್ಯವಸ್ಥೆಯ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಚರ್ಚಿಸುತ್ತೇವೆ. ರಿಲೇ ದಾಳಿಯ ಸಾಮಾನ್ಯತೆ ಮತ್ತು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದ ವ್ಯವಸ್ಥೆಗಳ ಸಂಖ್ಯೆಯನ್ನು ಗಮನಿಸಿದರೆ, ಇದೇ ರೀತಿಯ ವಿನ್ಯಾಸಗಳನ್ನು ಆಧರಿಸಿದ ಎಲ್ಲಾ ಪಿಕೆಇಎಸ್ ವ್ಯವಸ್ಥೆಗಳು ಸಹ ಅದೇ ದಾಳಿಗೆ ಗುರಿಯಾಗುತ್ತವೆ. ಅಂತಿಮವಾಗಿ, ನಾವು ತಕ್ಷಣದ ತಗ್ಗಿಸುವ ಕ್ರಮಗಳನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ, ಅದು ರಿಲೇ ದಾಳಿಯ ಅಪಾಯವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಇತ್ತೀಚಿನ ಪರಿಹಾರಗಳನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತದೆ, ಅದು ರಿಲೇ ದಾಳಿಯನ್ನು ತಡೆಗಟ್ಟಬಹುದು ಮತ್ತು ಬಳಕೆಗೆ ಅನುಕೂಲತೆಯನ್ನು ಕಾಪಾಡಿಕೊಳ್ಳಬಹುದು, ಇದಕ್ಕಾಗಿ ಪಿಕೆಇಎಸ್ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಆರಂಭದಲ್ಲಿ ಪರಿಚಯಿಸಲಾಯಿತು.

69d685d0cf85dfe70d87c1548b03961366e83663

ರಕ್ತದ ಆಮ್ಲಜನಕದ ಶುದ್ಧತ್ವವನ್ನು (SpO2) ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಲು ನಾವು ಸಂಪರ್ಕವಿಲ್ಲದ ವಿಧಾನವನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತೇವೆ. ಈ ವಿಧಾನವು ಒಂದು ಟ್ರಿಗ್ಗರ್ ನಿಯಂತ್ರಣದೊಂದಿಗೆ CMOS ಕ್ಯಾಮೆರಾವನ್ನು ಬಳಸುತ್ತದೆ, ಇದು ಎರಡು ನಿರ್ದಿಷ್ಟ ತರಂಗಾಂತರಗಳಲ್ಲಿ ಪರ್ಯಾಯವಾಗಿ ಫೋಟೊಪ್ಲೆಥಿಸ್ಮೋಗ್ರಫಿ (PPG) ಸಂಕೇತಗಳನ್ನು ರೆಕಾರ್ಡ್ ಮಾಡಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ ಮತ್ತು ಈ ತರಂಗಾಂತರಗಳಲ್ಲಿ PPG ಸಂಕೇತಗಳ ಪಲ್ಸಟೈಲ್ ಮತ್ತು ನಾನ್ಪಲ್ಸಟೈಲ್ ಘಟಕಗಳ ಅಳತೆ ಮಾಡಿದ ಅನುಪಾತಗಳಿಂದ SpO2 ಅನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ. SpO2 ಮೌಲ್ಯದ ಸಿಗ್ನಲ್-ಟು-ಶಬ್ದ ಅನುಪಾತ (SNR) ತರಂಗಾಂತರಗಳ ಆಯ್ಕೆಯ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ. ಕಿತ್ತಳೆ (λ = 611 nm) ಮತ್ತು ಹತ್ತಿರದ ಅತಿಗೆಂಪು (λ = 880 nm) ಸಂಯೋಜನೆಯು ಸಂಪರ್ಕವಿಲ್ಲದ ವೀಡಿಯೊ ಆಧಾರಿತ ಪತ್ತೆ ವಿಧಾನಕ್ಕೆ ಉತ್ತಮ SNR ಅನ್ನು ಒದಗಿಸುತ್ತದೆ ಎಂದು ನಾವು ಕಂಡುಕೊಂಡಿದ್ದೇವೆ. ಈ ಸಂಯೋಜನೆಯು ಸಾಂಪ್ರದಾಯಿಕ ಸಂಪರ್ಕ ಆಧಾರಿತ SpO2 ಮಾಪನದಲ್ಲಿ ಬಳಸಿದ ಸಂಯೋಜನೆಯಿಂದ ಭಿನ್ನವಾಗಿದೆ ಏಕೆಂದರೆ ಈ ತರಂಗಾಂತರಗಳಲ್ಲಿ PPG ಸಿಗ್ನಲ್ ಸಾಮರ್ಥ್ಯಗಳು ಮತ್ತು ಕ್ಯಾಮೆರಾ ಕ್ವಾಂಟಮ್ ದಕ್ಷತೆಗಳು ಸಂಪರ್ಕವಿಲ್ಲದ ವಿಧಾನವನ್ನು ಬಳಸಿಕೊಂಡು SpO2 ಮಾಪನಕ್ಕೆ ಹೆಚ್ಚು ಒಳಗಾಗುತ್ತವೆ. ನಾವು 83%-98%ರಷ್ಟು SpO2 ವ್ಯಾಪ್ತಿಯಲ್ಲಿ ಸಂಪರ್ಕವಿಲ್ಲದ ವಿಧಾನವನ್ನು ಮೌಲ್ಯೀಕರಿಸಲು ಒಂದು ಸಣ್ಣ ಪ್ರಾಯೋಗಿಕ ಅಧ್ಯಯನವನ್ನು ಸಹ ನಡೆಸಿದೆವು. ಈ ಅಧ್ಯಯನದ ಫಲಿತಾಂಶಗಳು ಒಂದು ಉಲ್ಲೇಖ ಸಂಪರ್ಕ SpO2 ಸಾಧನವನ್ನು ಬಳಸಿಕೊಂಡು ಅಳೆಯಲಾದ ಫಲಿತಾಂಶಗಳೊಂದಿಗೆ ಸ್ಥಿರವಾಗಿರುತ್ತವೆ (r = 0.936, p <; 0.001). ಪ್ರಸ್ತುತಪಡಿಸಿದ ವಿಧಾನವು ಮನೆಯಲ್ಲಿ ಸ್ವತಂತ್ರ ಜೀವನ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ಮತ್ತು ಸಾಂಪ್ರದಾಯಿಕ ಸಂಪರ್ಕ ಆಧಾರಿತ ಪಿಪಿಜಿ ಸಾಧನಗಳನ್ನು ಬಳಸಲಾಗದವರಿಗೆ ಒಬ್ಬರ ಆರೋಗ್ಯ ಮತ್ತು ಯೋಗಕ್ಷೇಮವನ್ನು ಪತ್ತೆಹಚ್ಚಲು ವಿಶೇಷವಾಗಿ ಸೂಕ್ತವಾಗಿದೆ.

51c88134a668cdfaccda2fe5f88919ac122bceda

ವೆಬ್ ವೀಡಿಯೊಗಳಲ್ಲಿನ ಮಲ್ಟಿಮೀಡಿಯಾ ಘಟನೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚುವುದು ಮಲ್ಟಿಮೀಡಿಯಾ ಮತ್ತು ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಹೊಸದಾಗಿ ಹೊರಹೊಮ್ಮುತ್ತಿರುವ ಸಂಶೋಧನಾ ಕ್ಷೇತ್ರವಾಗಿದೆ. ಈ ಲೇಖನದಲ್ಲಿ, ನಾವು ಇತ್ತೀಚೆಗೆ ನಮ್ಮ ಈವೆಂಟ್ ಲೇಬಲಿಂಗ್ ಮೂಲಕ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಮಾಧ್ಯಮ ಸಂಸ್ಕರಣೆ (ಇ-ಲ್ಯಾಂಪ್) ವ್ಯವಸ್ಥೆಗೆ ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಚೌಕಟ್ಟಿನ ಪ್ರಮುಖ ವಿಧಾನಗಳು ಮತ್ತು ತಂತ್ರಜ್ಞಾನಗಳನ್ನು ಪರಿಚಯಿಸುತ್ತೇವೆ. ಈವೆಂಟ್ ಪತ್ತೆ ಮಾಡುವ ಒಟ್ಟಾರೆ ಸಮಸ್ಯೆಯ ವಿವಿಧ ಅಂಶಗಳನ್ನು ಎದುರಿಸಲು. ಹೆಚ್ಚು ನಿರ್ದಿಷ್ಟವಾಗಿ, ನಾವು ವೈಶಿಷ್ಟ್ಯವನ್ನು ಹೊರತೆಗೆಯಲು ಪರಿಣಾಮಕಾರಿ ವಿಧಾನಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದೇವೆ ಇದರಿಂದ ನಾವು ಸಾವಿರಾರು ಗಂಟೆಗಳ ವೀಡಿಯೊಗಳೊಂದಿಗೆ ದೊಡ್ಡ ವೀಡಿಯೊ ಡೇಟಾ ಸಂಗ್ರಹಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ. ಎರಡನೆಯದಾಗಿ, ನಾವು ಹೊರತೆಗೆದ ಕಚ್ಚಾ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿ ಟೈಲ್ಗಳೊಂದಿಗೆ ಪ್ರಾದೇಶಿಕ ಬ್ಯಾಗ್-ಆಫ್-ವರ್ಡ್ಸ್ ಮಾದರಿಯಲ್ಲಿ ಪ್ರತಿನಿಧಿಸುತ್ತೇವೆ, ಇದರಿಂದಾಗಿ ವಿಭಿನ್ನ ವೈಶಿಷ್ಟ್ಯಗಳು ಮತ್ತು ವಿಭಿನ್ನ ಘಟನೆಗಳ ಪ್ರಾದೇಶಿಕ ವಿನ್ಯಾಸ ಮಾಹಿತಿಯನ್ನು ಉತ್ತಮವಾಗಿ ಸೆರೆಹಿಡಿಯಬಹುದು, ಹೀಗಾಗಿ ಒಟ್ಟಾರೆ ಪತ್ತೆ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸುಧಾರಿಸಬಹುದು. ಮೂರನೆಯದಾಗಿ, ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುವ ಆರಂಭಿಕ ಮತ್ತು ತಡವಾದ ಸಮ್ಮಿಳನ ಯೋಜನೆಗಳಿಗಿಂತ ಭಿನ್ನವಾಗಿ, ಬಹು ವೈಶಿಷ್ಟ್ಯಗಳಿಂದ ಹೆಚ್ಚು ದೃ and ವಾದ ಮತ್ತು ತಾರತಮ್ಯದ ಮಧ್ಯಂತರ ವೈಶಿಷ್ಟ್ಯ ಪ್ರಾತಿನಿಧ್ಯವನ್ನು ಕಲಿಯಲು ಒಂದು ಹೊಸ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗಿದೆ, ಇದರಿಂದಾಗಿ ಉತ್ತಮ ಘಟನೆ ಮಾದರಿಗಳನ್ನು ಅದರ ಮೇಲೆ ನಿರ್ಮಿಸಬಹುದು. ಅಂತಿಮವಾಗಿ, ಕೇವಲ ಕೆಲವೇ ಸಕಾರಾತ್ಮಕ ಉದಾಹರಣೆಗಳೊಂದಿಗೆ ಘಟನೆ ಪತ್ತೆ ಮಾಡುವ ಹೆಚ್ಚುವರಿ ಸವಾಲನ್ನು ಎದುರಿಸಲು, ನಾವು ಘಟನೆ ಪತ್ತೆ ಸಹಾಯಕ ಮೂಲಗಳಿಂದ ಕಲಿತ ಜ್ಞಾನವನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಹೊಂದಿಸಲು ಸಮರ್ಥವಾಗಿರುವ ಒಂದು ಹೊಸ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದೇವೆ. ನಮ್ಮ ಪ್ರಾಯೋಗಿಕ ಫಲಿತಾಂಶಗಳು ಮತ್ತು TRECVID MED11 ಮತ್ತು MED12 ರ ಅಧಿಕೃತ ಮೌಲ್ಯಮಾಪನ ಫಲಿತಾಂಶಗಳು ಈ ಆಲೋಚನೆಗಳ ಏಕೀಕರಣದ ಅತ್ಯುತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತವೆ.

10d6b12fa07c7c8d6c8c3f42c7f1c061c131d4c5

ದೃಶ್ಯ ವಸ್ತು ಗುರುತಿಸುವಿಕೆಗಾಗಿ ವೈಶಿಷ್ಟ್ಯಗಳ ಗುಂಪಿನ ಪ್ರಶ್ನೆಯನ್ನು ನಾವು ಅಧ್ಯಯನ ಮಾಡುತ್ತೇವೆ; ರೇಖೀಯ ಎಸ್ವಿಎಂ ಆಧಾರಿತ ಮಾನವ ಪತ್ತೆಹಚ್ಚುವಿಕೆಯನ್ನು ಪರೀಕ್ಷಾ ಪ್ರಕರಣವಾಗಿ ಅಳವಡಿಸಿಕೊಳ್ಳುವುದು. ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಅಂಚು ಮತ್ತು ಗ್ರೇಡಿಯಂಟ್ ಆಧಾರಿತ ವಿವರಣಕಾರರನ್ನು ಪರಿಶೀಲಿಸಿದ ನಂತರ, ಓರಿಯೆಂಟೆಡ್ ಗ್ರೇಡಿಯಂಟ್ (ಎಚ್ಒಜಿ) ವಿವರಣಕಾರರ ಹಿಸ್ಟೋಗ್ರಾಮ್ಗಳ ಗ್ರಿಡ್ಗಳು ಮಾನವ ಪತ್ತೆಗಾಗಿ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ವೈಶಿಷ್ಟ್ಯದ ಸೆಟ್ಗಳನ್ನು ಗಮನಾರ್ಹವಾಗಿ ಮೀರಿಸುತ್ತವೆ ಎಂದು ನಾವು ಪ್ರಾಯೋಗಿಕವಾಗಿ ತೋರಿಸುತ್ತೇವೆ. ನಾವು ಲೆಕ್ಕಾಚಾರದ ಪ್ರತಿಯೊಂದು ಹಂತದ ಪ್ರಭಾವವನ್ನು ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೇಲೆ ಅಧ್ಯಯನ ಮಾಡುತ್ತೇವೆ, ಉತ್ತಮ ಪ್ರಮಾಣದ ಇಳಿಜಾರುಗಳು, ಉತ್ತಮ ದೃಷ್ಟಿಕೋನ ಬಿನ್ನಿಂಗ್, ತುಲನಾತ್ಮಕವಾಗಿ ಒರಟಾದ ಪ್ರಾದೇಶಿಕ ಬಿನ್ನಿಂಗ್ ಮತ್ತು ಅತಿಕ್ರಮಿಸುವ ವಿವರಣಾ ಬ್ಲಾಕ್ಗಳಲ್ಲಿ ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಸ್ಥಳೀಯ ಕಾಂಟ್ರಾಸ್ಟ್ ಸಾಮಾನ್ಯೀಕರಣವು ಉತ್ತಮ ಫಲಿತಾಂಶಗಳಿಗೆ ಮುಖ್ಯವಾಗಿದೆ ಎಂದು ತೀರ್ಮಾನಿಸಿದೆ. ಹೊಸ ವಿಧಾನವು ಮೂಲ MIT ಪಾದಚಾರಿ ಡೇಟಾಬೇಸ್ನಲ್ಲಿ ಪರಿಪೂರ್ಣವಾದ ಪ್ರತ್ಯೇಕತೆಯನ್ನು ನೀಡುತ್ತದೆ, ಆದ್ದರಿಂದ ನಾವು ಹೆಚ್ಚು ಸವಾಲಿನ ಡೇಟಾ ಸೆಟ್ ಅನ್ನು ಪರಿಚಯಿಸುತ್ತೇವೆ, ಇದರಲ್ಲಿ 1800 ಕ್ಕೂ ಹೆಚ್ಚು ಟಿಪ್ಪಣಿ ಮಾಡಿದ ಮಾನವ ಚಿತ್ರಗಳು ದೊಡ್ಡ ಶ್ರೇಣಿಯ ಭಂಗಿ ವ್ಯತ್ಯಾಸಗಳು ಮತ್ತು ಹಿನ್ನೆಲೆಗಳೊಂದಿಗೆ.

2337ff38e6cfb09e28c0958f07e2090c993ef6e8

ಅನೇಕ ಮಾದರಿ ಗುರುತಿಸುವಿಕೆ ಕಾರ್ಯಗಳಿಗೆ, ಆದರ್ಶ ಇನ್ಪುಟ್ ವೈಶಿಷ್ಟ್ಯವು ಬಹು ಗೊಂದಲಮಯ ಗುಣಲಕ್ಷಣಗಳಿಗೆ (ಬೆಳಕಿನ ಮತ್ತು ವೀಕ್ಷಣಾ ಕೋನ, ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿ ಅನ್ವಯಿಕೆಗಳಲ್ಲಿ) ಬದಲಾಗುವುದಿಲ್ಲ. ಇತ್ತೀಚೆಗೆ, ಮೇಲ್ವಿಚಾರಣೆಯಿಲ್ಲದ ರೀತಿಯಲ್ಲಿ ತರಬೇತಿ ಪಡೆದ ಆಳವಾದ ವಾಸ್ತುಶಿಲ್ಪಗಳನ್ನು ಉಪಯುಕ್ತ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಹೊರತೆಗೆಯಲು ಸ್ವಯಂಚಾಲಿತ ವಿಧಾನವಾಗಿ ಪ್ರಸ್ತಾಪಿಸಲಾಗಿದೆ. ಆದಾಗ್ಯೂ, ಕಲಿತ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ವರ್ಗೀಕರಣಕಾರಕದಲ್ಲಿ ಬಳಸುವುದಕ್ಕಿಂತ ಬೇರೆ ಯಾವುದೇ ವಿಧಾನದಿಂದ ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದು ಕಷ್ಟ. ಈ ಲೇಖನದಲ್ಲಿ, ನಾವು ಹಲವಾರು ಪ್ರಾಯೋಗಿಕ ಪರೀಕ್ಷೆಗಳನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ, ಅದು ಈ ಕಲಿತ ವೈಶಿಷ್ಟ್ಯಗಳು ವಿಭಿನ್ನ ಇನ್ಪುಟ್ ರೂಪಾಂತರಗಳಿಗೆ ಎಷ್ಟು ಮಟ್ಟಿಗೆ ಬದಲಾಗುವುದಿಲ್ಲ ಎಂಬುದನ್ನು ನೇರವಾಗಿ ಅಳೆಯುತ್ತದೆ. ನಾವು ಪೇರಿಸಿ ಸ್ವಯಂ ಎನ್ಕೋಡರ್ಗಳು ಕಲಿಯುವಿರಿ ಸಾಧಾರಣವಾಗಿ ಹೆಚ್ಚುತ್ತಿರುವ ಅವಿಭಾಜ್ಯ ಲಕ್ಷಣಗಳನ್ನು ಆಳವಾದ ನೈಸರ್ಗಿಕ ಚಿತ್ರಗಳನ್ನು ತರಬೇತಿ ಮಾಡಿದಾಗ. ನಾವು ಕಂಡುಕೊಂಡಿರುವಂತೆ, ಕನ್ವೊಲ್ಯೂಷನಲ್ ಆಳವಾದ ನಂಬಿಕೆ ಜಾಲಗಳು ಪ್ರತಿ ಪದರದಲ್ಲಿ ಹೆಚ್ಚು ಅವಿಭಾಜ್ಯ ಲಕ್ಷಣಗಳನ್ನು ಕಲಿಯುತ್ತವೆ. ಈ ಫಲಿತಾಂಶಗಳು ಆಳವಾದ ಮತ್ತು ಆಳವಿಲ್ಲದ ನಿರೂಪಣೆಗಳ ಬಳಕೆಯನ್ನು ಮತ್ತಷ್ಟು ಸಮರ್ಥಿಸುತ್ತವೆ, ಆದರೆ ಒಂದು ಆಟೋ ಎನ್ಕೋಡರ್ ಅನ್ನು ಇನ್ನೊಂದರ ಮೇಲೆ ಜೋಡಿಸುವುದನ್ನು ಮೀರಿ ಕಾರ್ಯವಿಧಾನಗಳು ಬದಲಾಗದೆ ಸಾಧಿಸಲು ಮುಖ್ಯವಾಗಬಹುದು ಎಂದು ಸೂಚಿಸುತ್ತವೆ. ನಮ್ಮ ಮೌಲ್ಯಮಾಪನ ಮೆಟ್ರಿಕ್ಗಳನ್ನು ಆಳವಾದ ಕಲಿಕೆಯಲ್ಲಿ ಭವಿಷ್ಯದ ಕೆಲಸವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಸಹ ಬಳಸಬಹುದು, ಮತ್ತು ಭವಿಷ್ಯದ ಕ್ರಮಾವಳಿಗಳ ಅಭಿವೃದ್ಧಿಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ.

31b58ced31f22eab10bd3ee2d9174e7c14c27c01

ಇಂಟರ್ನೆಟ್ನ ಆಗಮನದೊಂದಿಗೆ, ಶತಕೋಟಿ ಚಿತ್ರಗಳು ಈಗ ಆನ್ಲೈನ್ನಲ್ಲಿ ಮುಕ್ತವಾಗಿ ಲಭ್ಯವಿವೆ ಮತ್ತು ದೃಶ್ಯ ಪ್ರಪಂಚದ ದಟ್ಟವಾದ ಮಾದರಿಯನ್ನು ರೂಪಿಸುತ್ತವೆ. ವಿವಿಧ ನಿಯತಾಂಕರಹಿತ ವಿಧಾನಗಳನ್ನು ಬಳಸಿಕೊಂಡು, ನಾವು ಈ ಜಗತ್ತನ್ನು ಅನ್ವೇಷಿಸುತ್ತೇವೆ, ಇಂಟರ್ನೆಟ್ನಿಂದ ಸಂಗ್ರಹಿಸಿದ 79,302,017 ಚಿತ್ರಗಳ ದೊಡ್ಡ ಡೇಟಾ ಸೆಟ್ನ ಸಹಾಯದಿಂದ. ಮಾನಸಿಕ ಭೌತಿಕ ಫಲಿತಾಂಶಗಳಿಂದ ಪ್ರೇರಿತರಾಗಿ, ಮಾನವ ದೃಷ್ಟಿ ವ್ಯವಸ್ಥೆಯು ಚಿತ್ರದ ರೆಸಲ್ಯೂಶನ್ನಲ್ಲಿನ ಅವನತಿಗೆ ಗಮನಾರ್ಹವಾದ ಸಹಿಷ್ಣುತೆಯನ್ನು ತೋರಿಸುತ್ತದೆ, ಡೇಟಾ ಸೆಟ್ನಲ್ಲಿನ ಚಿತ್ರಗಳನ್ನು 32 x 32 ಬಣ್ಣದ ಚಿತ್ರಗಳಾಗಿ ಸಂಗ್ರಹಿಸಲಾಗಿದೆ. ವರ್ಡ್ನೆಟ್ ಶಬ್ದಕೋಶದ ದತ್ತಸಂಚಯದಲ್ಲಿ ಪಟ್ಟಿ ಮಾಡಿರುವಂತೆ, ಪ್ರತಿ ಚಿತ್ರವು ಇಂಗ್ಲಿಷ್ನಲ್ಲಿ 75,062 ಅಮೂರ್ತವಲ್ಲದ ನಾಮಪದಗಳಲ್ಲಿ ಒಂದನ್ನು ಸಡಿಲವಾಗಿ ಲೇಬಲ್ ಮಾಡಲಾಗಿದೆ. ಆದ್ದರಿಂದ ಚಿತ್ರದ ದತ್ತಸಂಚಯವು ಎಲ್ಲಾ ವಸ್ತು ವರ್ಗಗಳು ಮತ್ತು ದೃಶ್ಯಗಳ ಸಮಗ್ರ ವ್ಯಾಪ್ತಿಯನ್ನು ನೀಡುತ್ತದೆ. ವರ್ಡ್ನೆಟ್ನಿಂದ ಬರುವ ಅರ್ಥಶಾಸ್ತ್ರೀಯ ಮಾಹಿತಿಯನ್ನು ಸಮೀಪದ ನೆರೆಹೊರೆಯ ವಿಧಾನಗಳೊಂದಿಗೆ ಬಳಸಿಕೊಂಡು ವಸ್ತು ವರ್ಗೀಕರಣವನ್ನು ವಿವಿಧ ಅರ್ಥಶಾಸ್ತ್ರೀಯ ಮಟ್ಟಗಳಲ್ಲಿ ನಿರ್ವಹಿಸಬಹುದು. ಇದರಿಂದಾಗಿ ಲೇಬಲಿಂಗ್ ಶಬ್ದದ ಪರಿಣಾಮಗಳು ಕಡಿಮೆಯಾಗುತ್ತವೆ. ಡೇಟಾ ಸೆಟ್ನಲ್ಲಿ ವಿಶೇಷವಾಗಿ ಪ್ರಚಲಿತದಲ್ಲಿರುವ ಕೆಲವು ವರ್ಗಗಳಿಗೆ, ಉದಾಹರಣೆಗೆ ಜನರು, ವರ್ಗ-ನಿರ್ದಿಷ್ಟ ವೈಲಾ-ಜೋನ್ಸ್ ಶೈಲಿಯ ಡಿಟೆಕ್ಟರ್ಗಳಿಗೆ ಹೋಲಿಸಬಹುದಾದ ಗುರುತಿಸುವ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪ್ರದರ್ಶಿಸಲು ನಮಗೆ ಸಾಧ್ಯವಾಗುತ್ತದೆ.

4b605e6a9362485bfe69950432fa1f896e7d19bf

ಆಳವಾದ ಕಲಿಕೆಯಲ್ಲಿನ ಪ್ರಗತಿ ಮತ್ತು ಆಳವಾದ ಜಾಲಗಳ ತರಬೇತಿಗಾಗಿ ದೊಡ್ಡ ದತ್ತಾಂಶಗಳ ಲಭ್ಯತೆಯ ಸಂಯೋಜನೆಯಿಂದಾಗಿ ಸ್ವಯಂಚಾಲಿತ ಮುಖ ಗುರುತಿಸುವಿಕೆ ತಂತ್ರಜ್ಞಾನಗಳು ಕಾರ್ಯಕ್ಷಮತೆಯಲ್ಲಿ ಗಮನಾರ್ಹ ಸುಧಾರಣೆಗಳನ್ನು ಕಂಡಿವೆ. ಮುಖಗಳನ್ನು ಗುರುತಿಸುವುದು ಮಾನವರು ಬಹಳ ಒಳ್ಳೆಯವರಾಗಿ ನಂಬಲ್ಪಟ್ಟ ಕಾರ್ಯವಾದ್ದರಿಂದ, ಸಂಪೂರ್ಣವಾಗಿ ನಿರ್ಬಂಧಿಸದ ಮುಖದ ಚಿತ್ರಗಳನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವಾಗ ಸ್ವಯಂಚಾಲಿತ ಮುಖ ಗುರುತಿಸುವಿಕೆ ಮತ್ತು ಮಾನವರ ಸಾಪೇಕ್ಷ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಹೋಲಿಸುವುದು ಸಹಜ. ಈ ಕೆಲಸದಲ್ಲಿ, ನಾವು ಮಾನವರು ಮತ್ತು ಸ್ವಯಂಚಾಲಿತ ವ್ಯವಸ್ಥೆಗಳ ಗುರುತಿಸುವಿಕೆಯ ನಿಖರತೆಯ ಹಿಂದಿನ ಅಧ್ಯಯನಗಳನ್ನು ವಿಸ್ತರಿಸುತ್ತೇವೆ, ನಿರ್ಬಂಧಿತ ಮುಖದ ಚಿತ್ರಣವನ್ನು ಬಳಸಿಕೊಂಡು ಹಲವಾರು ಹೊಸ ವಿಶ್ಲೇಷಣೆಗಳನ್ನು ನಿರ್ವಹಿಸುತ್ತೇವೆ. ಮಾನವನ ಗುರುತಿಸುವವರಿಗೆ ವಿಷಯದ ಪ್ರತಿ ವಿಭಿನ್ನ ಪ್ರಮಾಣದ ಚಿತ್ರಣವನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಿದಾಗ, ಲಿಂಗದಂತಹ ಬದಲಾಗದ ಗುಣಲಕ್ಷಣಗಳು ಮತ್ತು ಮುಚ್ಚುವಿಕೆ, ಬೆಳಕು ಮತ್ತು ಭಂಗಿಯಂತಹ ಸಂದರ್ಭೋಚಿತ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಪ್ರದರ್ಶನದ ಮೇಲೆ ಪರಿಣಾಮವನ್ನು ನಾವು ಪರಿಶೀಲಿಸುತ್ತೇವೆ. ಫಲಿತಾಂಶಗಳು ಮಾನವರು ಸವಾಲಿನ ಐಜೆಬಿ-ಎ ಡೇಟಾ ಸೆಟ್ನಲ್ಲಿ ಅತ್ಯಾಧುನಿಕ ಸ್ವಯಂಚಾಲಿತ ಮುಖ ಗುರುತಿಸುವಿಕೆ ಕ್ರಮಾವಳಿಗಳನ್ನು ಹೆಚ್ಚು ಉತ್ತಮವಾಗಿ ನಿರ್ವಹಿಸುತ್ತಾರೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ.

a4d510439644d52701f852d9dd34bbd37f4b8b78

ಸೆಲ್ಯುಲಾರ್ ಆಟೊಮ್ಯಾಟ (ಸಿಎ) ಆಧಾರಿತವಾದ ಸ್ಲೀತ್ ಮಾದರಿಯನ್ನು ಮಹಾನಗರ ಪ್ರದೇಶಗಳಲ್ಲಿನ ನಗರ ಅಭಿವೃದ್ಧಿ ಸಿಮ್ಯುಲೇಶನ್ಗೆ ಅನ್ವಯಿಸಬಹುದು. ಈ ಅಧ್ಯಯನದಲ್ಲಿ, ನಗರ ವಿಸ್ತರಣೆಯನ್ನು ರೂಪಿಸಲು ಮತ್ತು ಟೆಹ್ರಾನ್ನಲ್ಲಿನ ನಗರ ಬೆಳವಣಿಗೆಯ ಭವಿಷ್ಯದ ಸಂಭವನೀಯ ನಡವಳಿಕೆಯನ್ನು to ಹಿಸಲು SLEUTH ಮಾದರಿಯನ್ನು ಬಳಸಲಾಯಿತು. ಮೂಲಭೂತ ದತ್ತಾಂಶಗಳು 1988, 1992, 1998, 2001 ಮತ್ತು 2010 ರ ಐದು ಲ್ಯಾಂಡ್ಸ್ಯಾಟ್ TM ಮತ್ತು ಇಟಿಎಂ ಚಿತ್ರಗಳು. ಪ್ರಾದೇಶಿಕ ಮಾದರಿಯನ್ನು ಅನುಕರಿಸಲು ಮೂರು ಸನ್ನಿವೇಶಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. ಮೊದಲನೆಯ ಸನ್ನಿವೇಶದಲ್ಲಿ, ಐತಿಹಾಸಿಕ ನಗರೀಕರಣ ಕ್ರಮವು ಮುಂದುವರಿಯುತ್ತದೆ ಮತ್ತು ಅಭಿವೃದ್ಧಿಗೆ ಇರುವ ಏಕೈಕ ಮಿತಿಗಳು ಎತ್ತರ ಮತ್ತು ಇಳಿಜಾರುಗಳಾಗಿವೆ ಎಂದು ಭಾವಿಸಲಾಗಿದೆ. ಎರಡನೆಯದು ಕಾಂಪ್ಯಾಕ್ಟ್ ಸನ್ನಿವೇಶವಾಗಿದ್ದು, ಇದು ಬೆಳವಣಿಗೆಯನ್ನು ಹೆಚ್ಚಾಗಿ ಆಂತರಿಕವಾಗಿ ಮಾಡುತ್ತದೆ ಮತ್ತು ಉಪನಗರ ಪ್ರದೇಶಗಳ ವಿಸ್ತರಣೆಯನ್ನು ಸೀಮಿತಗೊಳಿಸುತ್ತದೆ. ಕೊನೆಯ ಸನ್ನಿವೇಶವು ಒಂದು ಪಾಲಿಸೆಂಟ್ರಿಕ್ ನಗರ ರಚನೆಯನ್ನು ಪ್ರಸ್ತಾಪಿಸಿತು, ಇದು ಸಣ್ಣ ತೇಪೆಗಳನ್ನು ಬಿಡುತ್ತದೆ * ಅನುಗುಣವಾದ ಲೇಖಕ. ಟೆಲ್. : +98 912 3572913 ಇಮೇಲ್ ವಿಳಾಸ: ಶಘಾಯೆಗ್. ಕರ್ಗೋಜರ್ @ ಯಾಹೂ. ಕಾಮ್

f19e6e8a06cba5fc8cf234881419de9193bba9d0

ನರ ಜಾಲಗಳನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ವರ್ಗೀಕರಣ ಮತ್ತು ನಿರ್ಧಾರ ಕಾರ್ಯಗಳಲ್ಲಿ ಬಳಸಲಾಗುತ್ತದೆ. ಈ ಲೇಖನದಲ್ಲಿ, ನಾವು ಸ್ಥಳೀಯ ಫಲಿತಾಂಶಗಳ ವಿಶ್ವಾಸಾರ್ಹತೆಯ ಸಮಸ್ಯೆಯ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತೇವೆ. ನಾವು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ನಿರ್ಧಾರ ಸಿದ್ಧಾಂತದಿಂದ ಕೆಲವು ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಪರಿಶೀಲಿಸುತ್ತೇವೆ, ಅದು ನರಮಂಡಲದ ಜಾಲಗಳೊಂದಿಗೆ ವರ್ಗೀಕರಣಕ್ಕಾಗಿ ವಿಶ್ವಾಸಾರ್ಹ ಕ್ರಮಗಳ ನಿರ್ಣಯ ಮತ್ತು ಬಳಕೆಯ ಬಗ್ಗೆ ಒಳನೋಟವನ್ನು ನೀಡುತ್ತದೆ. ನಂತರ ನಾವು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ವಿಶ್ವಾಸಾರ್ಹ ಮಾಪನಗಳ ಒಂದು ಅವಲೋಕನವನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತೇವೆ ಮತ್ತು ಅಂತಿಮವಾಗಿ ಜಾಲಬಂಧ ಉತ್ಪನ್ನಗಳ ಸಂಭವನೀಯತೆಯ ವ್ಯಾಖ್ಯಾನದ ಪ್ರಯೋಜನಗಳನ್ನು ಮತ್ತು ಬೂಟ್ ಸ್ಟ್ರಾಪ್ ದೋಷದ ಅಂದಾಜಿನ ಮೂಲಕ ಮಾದರಿಯ ಗುಣಮಟ್ಟವನ್ನು ಅಂದಾಜು ಮಾಡುವ ಸರಳ ಅಳತೆಯನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ. ನಾವು ನೈಜ ಜಗತ್ತಿನ ಅನ್ವಯ ಮತ್ತು ಕೃತಕ ಸಮಸ್ಯೆಯ ಮೇಲೆ ಪ್ರಾಯೋಗಿಕ ಫಲಿತಾಂಶಗಳನ್ನು ಚರ್ಚಿಸುತ್ತೇವೆ ಮತ್ತು ಸರಳವಾದ ಅಳತೆ ಹೆಚ್ಚಾಗಿ ಹೆಚ್ಚು ಸಂಕೀರ್ಣವಾದವುಗಳಿಗಿಂತ ಉತ್ತಮವಾಗಿ ವರ್ತಿಸುತ್ತದೆ ಎಂದು ತೋರಿಸುತ್ತದೆ, ಆದರೆ ಕೆಲವು ಸಂದರ್ಭಗಳಲ್ಲಿ ಅಪಾಯಕಾರಿ.

4a5be26509557f0a1a911e639868bfe9d002d664

ಉತ್ಪಾದನಾ ಸಂದೇಶ ವಿವರಣೆಯನ್ನು (ಎಂಎಂಎಸ್) ಪ್ರೋಟೋಕಾಲ್ ಅನ್ನು ಕೈಗಾರಿಕಾ ಪ್ರಕ್ರಿಯೆ ನಿಯಂತ್ರಣ ಅನ್ವಯಿಕೆಗಳಲ್ಲಿ ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ, ಆದರೆ ಇದು ಕಳಪೆ ದಾಖಲಿಸಲಾಗಿದೆ. ಈ ಲೇಖನದಲ್ಲಿ ನಾವು ಮಾಹಿತಿ ಭದ್ರತೆಯ ಸನ್ನಿವೇಶದಲ್ಲಿ MMS ನ ತಿಳುವಳಿಕೆಯನ್ನು ಸುಧಾರಿಸಲು MMS ಪ್ರೋಟೋಕಾಲ್ನ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತೇವೆ. ನಮ್ಮ ಸಂಶೋಧನೆಗಳು ಎಂಎಂಎಸ್ನಲ್ಲಿ ಸಾಕಷ್ಟು ಭದ್ರತಾ ಕಾರ್ಯವಿಧಾನಗಳಿಲ್ಲ ಎಂದು ತೋರಿಸುತ್ತದೆ ಮತ್ತು ಲಭ್ಯವಿರುವ ವಿರಳ ಭದ್ರತಾ ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ವಾಣಿಜ್ಯಿಕವಾಗಿ ಲಭ್ಯವಿರುವ ಕೈಗಾರಿಕಾ ಸಾಧನಗಳಲ್ಲಿ ಅಳವಡಿಸಲಾಗಿಲ್ಲ.

15a2ef5fac225c864759b28913b313908401043f

ತಮ್ಮ ಗ್ರಾಹಕರ ವಿಶ್ವಾಸವನ್ನು ಗಳಿಸಲು, ಸಾಫ್ಟ್ವೇರ್ ಮಾರಾಟಗಾರರು ತಮ್ಮ ಉತ್ಪನ್ನಗಳನ್ನು ಭದ್ರತಾ ಮಾನದಂಡಗಳ ಪ್ರಕಾರ ಪ್ರಮಾಣೀಕರಿಸಬಹುದು, ಉದಾಹರಣೆಗೆ, ಸಾಮಾನ್ಯ ಮಾನದಂಡಗಳು (ಐಎಸ್ಒ 15408). ಆದಾಗ್ಯೂ, ಸಾಮಾನ್ಯ ಮಾನದಂಡಗಳ ಪ್ರಮಾಣೀಕರಣವು ಸಾಫ್ಟ್ವೇರ್ ಉತ್ಪನ್ನದ ಅರ್ಥವಾಗುವ ದಾಖಲಾತಿಯನ್ನು ಬಯಸುತ್ತದೆ. ಈ ದಸ್ತಾವೇಜನ್ನು ರಚಿಸುವುದರಿಂದ ಸಮಯ ಮತ್ತು ಹಣದ ದೃಷ್ಟಿಯಿಂದ ಹೆಚ್ಚಿನ ವೆಚ್ಚಗಳು ಉಂಟಾಗುತ್ತವೆ. ನಾವು ಒಂದು ಸಾಫ್ಟ್ವೇರ್ ಅಭಿವೃದ್ಧಿ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ ಅದು ಕಾಮನ್ ಕ್ರಿಟೇರಿಯಾ ಪ್ರಮಾಣೀಕರಣಕ್ಕೆ ಅಗತ್ಯವಾದ ದಸ್ತಾವೇಜನ್ನು ರಚಿಸುವುದನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ. ಆದ್ದರಿಂದ, ಸಾಫ್ಟ್ವೇರ್ ಅನ್ನು ನಿರ್ಮಿಸಿದ ನಂತರ ನಾವು ದಸ್ತಾವೇಜನ್ನು ರಚಿಸಬೇಕಾಗಿಲ್ಲ. ಇದಲ್ಲದೆ, ಸಾಮಾನ್ಯ ಮಾನದಂಡಗಳ ದಾಖಲೆಗಳ ಸ್ಥಾಪನೆಯೊಂದಿಗೆ ಸಂಭವನೀಯ ಸಮಸ್ಯೆಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು ADIT ಎಂಬ ಅವಶ್ಯಕತೆ-ಚಾಲಿತ ಸಾಫ್ಟ್ವೇರ್ ಎಂಜಿನಿಯರಿಂಗ್ ಪ್ರಕ್ರಿಯೆಯ ವರ್ಧಿತ ಆವೃತ್ತಿಯನ್ನು ಬಳಸಲು ನಾವು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ. ಪ್ರಮಾಣೀಕರಣ ಪ್ರಕ್ರಿಯೆಗೆ ಮುಂಚಿತವಾಗಿ ಈ ಸಮಸ್ಯೆಗಳನ್ನು ಪತ್ತೆ ಹಚ್ಚುವ ಗುರಿ ಹೊಂದಿದ್ದೇವೆ. ಹೀಗಾಗಿ, ಪ್ರಮಾಣೀಕರಣದ ಪ್ರಯತ್ನದಲ್ಲಿ ನಾವು ದುಬಾರಿ ವಿಳಂಬವನ್ನು ತಪ್ಪಿಸುತ್ತೇವೆ. ADIT ಒಂದು ತಡೆರಹಿತ ಅಭಿವೃದ್ಧಿ ವಿಧಾನವನ್ನು ಒದಗಿಸುತ್ತದೆ, ಇದು ವಿವಿಧ ರೀತಿಯ UML ಮಾದರಿಗಳ ನಡುವೆ ಸ್ಥಿರತೆಯ ಪರಿಶೀಲನೆಗಳನ್ನು ಅನುಮತಿಸುತ್ತದೆ. ಭದ್ರತಾ ಅವಶ್ಯಕತೆಗಳಿಂದ ವಿನ್ಯಾಸ ದಾಖಲೆಗಳವರೆಗೆ ಪತ್ತೆಹಚ್ಚುವಿಕೆಯನ್ನು ಸಹ ADIT ಬೆಂಬಲಿಸುತ್ತದೆ. ನಾವು ನಮ್ಮ ವಿಧಾನವನ್ನು ಸ್ಮಾರ್ಟ್ ಮೀಟರಿಂಗ್ ಗೇಟ್ ವೇ ವ್ಯವಸ್ಥೆಯ ಅಭಿವೃದ್ಧಿಯೊಂದಿಗೆ ವಿವರಿಸುತ್ತೇವೆ.

21968ae000669eb4cf03718a0d97e23a6bf75926

ಇತ್ತೀಚೆಗೆ, ಸಾಮಾಜಿಕ ಜಾಲತಾಣಗಳಲ್ಲಿ ಪ್ರಭಾವದ ಪ್ರಸರಣದ ವಿದ್ಯಮಾನದಲ್ಲಿ ಅಪಾರ ಆಸಕ್ತಿ ಕಂಡುಬಂದಿದೆ. ಈ ಕ್ಷೇತ್ರದಲ್ಲಿನ ಅಧ್ಯಯನಗಳು ತಮ್ಮ ಸಮಸ್ಯೆಗಳಿಗೆ ಇನ್ಪುಟ್ ಆಗಿ ಬಳಕೆದಾರರ ನಡುವಿನ ಪ್ರಭಾವದ ಸಂಭವನೀಯತೆಗಳೊಂದಿಗೆ ಅಂಚುಗಳನ್ನು ಲೇಬಲ್ ಮಾಡಿದ ಸಾಮಾಜಿಕ ಗ್ರಾಫ್ ಅನ್ನು ಹೊಂದಿವೆ ಎಂದು ಭಾವಿಸುತ್ತವೆ. ಆದಾಗ್ಯೂ, ಈ ಸಂಭವನೀಯತೆಗಳು ಎಲ್ಲಿಂದ ಬರುತ್ತವೆ ಅಥವಾ ಅವುಗಳನ್ನು ನೈಜ ಸಾಮಾಜಿಕ ನೆಟ್ವರ್ಕ್ ಡೇಟಾದಿಂದ ಹೇಗೆ ಲೆಕ್ಕಹಾಕಬಹುದು ಎಂಬ ಪ್ರಶ್ನೆಯನ್ನು ಇಲ್ಲಿಯವರೆಗೆ ಹೆಚ್ಚಾಗಿ ನಿರ್ಲಕ್ಷಿಸಲಾಗಿದೆ. ಆದ್ದರಿಂದ ಸಾಮಾಜಿಕ ಗ್ರಾಫ್ ಮತ್ತು ಅದರ ಬಳಕೆದಾರರ ಕ್ರಿಯೆಗಳ ದಾಖಲೆಗಳಿಂದ ಪ್ರಭಾವದ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಬಹುದೇ ಎಂದು ಕೇಳುವುದು ಆಸಕ್ತಿದಾಯಕವಾಗಿದೆ. ಇದು ಈ ಪತ್ರಿಕೆಯಲ್ಲಿ ದಾಳಿ ಮಾಡಲಾದ ಮುಖ್ಯ ಸಮಸ್ಯೆ. ಮಾದರಿ ನಿಯತಾಂಕಗಳನ್ನು ಕಲಿಯಲು ಮತ್ತು ಭವಿಷ್ಯ ನುಡಿಯಲು ಕಲಿತ ಮಾದರಿಗಳನ್ನು ಪರೀಕ್ಷಿಸಲು ಮಾದರಿಗಳು ಮತ್ತು ಕ್ರಮಾವಳಿಗಳನ್ನು ಪ್ರಸ್ತಾಪಿಸುವುದರ ಜೊತೆಗೆ, ಬಳಕೆದಾರರು ಒಂದು ಕ್ರಿಯೆಯನ್ನು ನಿರ್ವಹಿಸುವ ನಿರೀಕ್ಷೆಯಿರುವ ಸಮಯವನ್ನು ಊಹಿಸಲು ನಾವು ತಂತ್ರಗಳನ್ನು ಸಹ ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತೇವೆ. ನಾವು ನಮ್ಮ ಕಲ್ಪನೆಗಳು ಮತ್ತು ತಂತ್ರಗಳನ್ನು ಫ್ಲಿಕರ್ ಡೇಟಾ ಸೆಟ್ ಬಳಸಿ ಮೌಲ್ಯೀಕರಿಸುತ್ತೇವೆ ಇದರಲ್ಲಿ 1.3 ಮಿಲಿಯನ್ ನೋಡ್ಗಳು, 40 ಮಿಲಿಯನ್ ಅಂಚುಗಳು ಮತ್ತು 300 ಸಾವಿರ ವಿಭಿನ್ನ ಕ್ರಿಯೆಗಳನ್ನು ಉಲ್ಲೇಖಿಸುವ 35 ಮಿಲಿಯನ್ ಟುಪಲ್ಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಕ್ರಿಯೆಯ ಲಾಗ್ ಹೊಂದಿರುವ ಸಾಮಾಜಿಕ ಗ್ರಾಫ್ ಒಳಗೊಂಡಿದೆ. ನಿಜವಾದ ಸಾಮಾಜಿಕ ಜಾಲತಾಣದಲ್ಲಿ ನಿಜವಾದ ಪ್ರಭಾವವು ನಡೆಯುತ್ತಿದೆ ಎಂಬುದನ್ನು ತೋರಿಸುವುದರ ಜೊತೆಗೆ, ನಮ್ಮ ತಂತ್ರಗಳು ಅತ್ಯುತ್ತಮ ಮುನ್ಸೂಚನೆ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಹೊಂದಿವೆ ಎಂದು ನಾವು ತೋರಿಸುತ್ತೇವೆ.

c8a04d0cbb9f70e86800b11b594c9a05d7b6bac0

61dc8de84e0f4aab21a03833aeadcefa87d6d4e5

ಅಡ್ ಹ್ಯಾಕ್ ನೆಟ್ ವರ್ಕ್ ಗಳಲ್ಲಿ ಗೌಪ್ಯತೆ ಸಂರಕ್ಷಿಸುವ ಡೇಟಾ ಒಟ್ಟುಗೂಡಿಸುವಿಕೆಯು ಒಂದು ಸವಾಲಿನ ಸಮಸ್ಯೆಯಾಗಿದ್ದು, ವಿತರಣೆ ಸಂವಹನ ಮತ್ತು ನಿಯಂತ್ರಣದ ಅವಶ್ಯಕತೆ, ಕ್ರಿಯಾತ್ಮಕ ನೆಟ್ ವರ್ಕ್ ಟೊಪಾಲಜಿ, ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲದ ಸಂವಹನ ಕೊಂಡಿಗಳು ಇತ್ಯಾದಿಗಳನ್ನು ಪರಿಗಣಿಸಿ. ಅಪ್ರಾಮಾಣಿಕ ನೋಡ್ಗಳು ಅಸ್ತಿತ್ವದಲ್ಲಿದ್ದಾಗ ಕಷ್ಟವು ಉತ್ಪ್ರೇಕ್ಷಿತವಾಗಿದೆ, ಮತ್ತು ಅಪ್ರಾಮಾಣಿಕ ನೋಡ್ಗಳ ವಿರುದ್ಧ ಗೌಪ್ಯತೆ, ನಿಖರತೆ ಮತ್ತು ದೃ ust ತೆಯನ್ನು ಹೇಗೆ ಖಾತರಿಪಡಿಸುವುದು ಎಂಬುದು ತೆರೆದ ವಿಷಯವಾಗಿ ಉಳಿದಿದೆ. ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುವ ಕ್ರಿಪ್ಟೋಗ್ರಾಫಿಕ್ ವಿಧಾನಗಳಿಂದ ಭಿನ್ನವಾಗಿ, ಈ ಲೇಖನದಲ್ಲಿ, ವಿತರಿಸಿದ ಒಮ್ಮತ ತಂತ್ರವನ್ನು ಬಳಸಿಕೊಂಡು ನಾವು ಈ ಸವಾಲಿನ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸುತ್ತೇವೆ. ನಾವು ಮೊದಲು ಸುರಕ್ಷಿತ ಒಮ್ಮತ ಆಧಾರಿತ ದತ್ತಾಂಶ ಒಟ್ಟುಗೂಡಿಸುವಿಕೆ (SCDA) ಕ್ರಮಾವಳಿ m ಅನ್ನು ಪ್ರೋತ್ಸಾಹಿಸುತ್ತೇವೆ, ಇದು ಸೂಕ್ಷ್ಮ ದತ್ತಾಂಶದ ಗೌಪ್ಯತೆಯನ್ನು ಕಾಪಾಡಿಕೊಂಡು ನಿಖರವಾದ ಮೊತ್ತದ ಒಟ್ಟುಗೂಡಿಸುವಿಕೆಯನ್ನು ಖಾತರಿಪಡಿಸುತ್ತದೆ. ನಂತರ, ಅಪ್ರಾಮಾಣಿಕ ನೋಡ್ಗಳಿಂದ ಉಂಟಾಗುವ ಮಾಲಿನ್ಯವನ್ನು ತಗ್ಗಿಸಲು, ನಾವು ಸುಧಾರಿತ ಎಸ್ಸಿಡಿಎ (ಇ-ಎಸ್ಸಿಡಿಎ) ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ, ಅದು ನೆರೆಹೊರೆಯವರು ಅಪ್ರಾಮಾಣಿಕ ನೋಡ್ಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ ಮತ್ತು ಪತ್ತೆಹಚ್ಚಲಾಗದ ಡಿಶ್ಗಳು ಟಿ ನೋಡ್ಗಳು ಇದ್ದಾಗ ದೋಷವನ್ನು ಪಡೆಯುತ್ತದೆ. ನಾವು ಎಸ್ಸಿಡಿಎ ಮತ್ತು ಇ-ಎಸ್ಸಿಡಿಎ ಎರಡೂ ಸಮೀಪಿಸುತ್ತಿರುವುದನ್ನು ಸಾಬೀತುಪಡಿಸುತ್ತೇವೆ. ಪ್ರಸ್ತಾವಿತ ಅಲ್ಗಾರಿದಮ್ ಗಳು ((, σ) ದತ್ತಾಂಶ ಗೌಪ್ಯತೆ ಎಂದು ನಾವು ಸಾಬೀತುಪಡಿಸುತ್ತೇವೆ ಮತ್ತು ಮತ್ತು σ ನಡುವಿನ ಗಣಿತದ ಸಂಬಂಧವನ್ನು ಪಡೆಯುತ್ತೇವೆ. ಪ್ರಸ್ತಾವಿತ ಆಲ್ಗೊರಿ ಥಮ್ಗಳು ಹೆಚ್ಚಿನ ನಿಖರತೆ ಮತ್ತು ಕಡಿಮೆ ಸಂಕೀರ್ಣತೆಯನ್ನು ಹೊಂದಿವೆ ಮತ್ತು ಅವು ನೆಟ್ ವರ್ಕ್ ಡೈನಾಮಿಕ್ಸ್ ಮತ್ತು ಅಪ್ರಾಮಾಣಿಕ ನೋಡ್ಗಳ ವಿರುದ್ಧ ದೃಢವಾಗಿವೆ ಎಂದು ವ್ಯಾಪಕವಾದ ಸಿಮ್ಯುಲೇಶನ್ಗಳು ತೋರಿಸಿವೆ.

dbde4f47efed72cbb99f412a9a4c17fe39fa04fc

ನೈಸರ್ಗಿಕ ಚಿತ್ರ ಉತ್ಪಾದನೆಯು ಪ್ರಸ್ತುತ ಡೀಪ್ ಲರ್ನಿಂಗ್ನಲ್ಲಿ ಹೆಚ್ಚು ಸಕ್ರಿಯವಾಗಿ ಪರಿಶೋಧಿಸಲ್ಪಟ್ಟ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ಅನೇಕ ವಿಧಾನಗಳು, ಉದಾ. ಅತ್ಯಾಧುನಿಕ ಕಲಾತ್ಮಕ ಶೈಲಿ ವರ್ಗಾವಣೆ ಅಥವಾ ನೈಸರ್ಗಿಕ ವಿನ್ಯಾಸ ಸಂಶ್ಲೇಷಣೆಗಾಗಿ, ಮೇಲ್ವಿಚಾರಣೆಯ ತರಬೇತಿ ಪಡೆದ ಆಳವಾದ ನರಮಂಡಲಗಳಲ್ಲಿನ ಶ್ರೇಣೀಕೃತ ನಿರೂಪಣೆಗಳ ಅಂಕಿಅಂಶಗಳನ್ನು ಅವಲಂಬಿಸಿ. ಆದಾಗ್ಯೂ, ಈ ವೈಶಿಷ್ಟ್ಯದ ಪ್ರಾತಿನಿಧ್ಯದ ಯಾವ ಅಂಶಗಳು ನೈಸರ್ಗಿಕ ಚಿತ್ರ ಉತ್ಪಾದನೆಗೆ ನಿರ್ಣಾಯಕವೆಂದು ಅಸ್ಪಷ್ಟವಾಗಿದೆಃ ಇದು ಆಳ, ಒಗ್ಗೂಡಿಸುವಿಕೆ ಅಥವಾ ನೈಸರ್ಗಿಕ ಚಿತ್ರಗಳ ಮೇಲೆ ವೈಶಿಷ್ಟ್ಯಗಳ ತರಬೇತಿ? ನೈಸರ್ಗಿಕ ವಿನ್ಯಾಸದ ಸಂಶ್ಲೇಷಣೆಯ ಕಾರ್ಯಕ್ಕಾಗಿ ನಾವು ಇಲ್ಲಿ ಈ ಪ್ರಶ್ನೆಯನ್ನು ಪರಿಹರಿಸುತ್ತೇವೆ ಮತ್ತು ಮೇಲಿನ ಯಾವುದೇ ಅಂಶಗಳು ಅನಿವಾರ್ಯವಲ್ಲ ಎಂದು ತೋರಿಸುತ್ತೇವೆ. ಬದಲಾಗಿ, ನಾವು ಹೆಚ್ಚಿನ ಗ್ರಹಿಕೆಯ ಗುಣಮಟ್ಟದ ನೈಸರ್ಗಿಕ ಟೆಕಶ್ಚರ್ಗಳನ್ನು ಕೇವಲ ಒಂದು ಪದರದ ಜಾಲಗಳಿಂದ ಉತ್ಪತ್ತಿ ಮಾಡಬಹುದು ಎಂದು ತೋರಿಸುತ್ತೇವೆ, ಯಾವುದೇ ಪೂಲಿಂಗ್ ಮತ್ತು ಯಾದೃಚ್ಛಿಕ ಫಿಲ್ಟರ್ಗಳಿಲ್ಲ.

acdc3d8d8c880bc9b9e10b337b09bed4c0c762d8

ಬಟ್ಟೆ ಮತ್ತು ಧರಿಸಬಹುದಾದ ಉತ್ಪನ್ನಗಳಲ್ಲಿ ಸಂಯೋಜಿತವಾದ ದೂರಸಂಪರ್ಕ ವ್ಯವಸ್ಥೆಗಳು ವೈದ್ಯಕೀಯ ಸಾಧನಗಳು ಆರೋಗ್ಯ ರಕ್ಷಣೆಯ ನಿಬಂಧನೆಗಳನ್ನು ಹೆಚ್ಚಿಸುವಲ್ಲಿ ಪರಿಣಾಮ ಬೀರುವ ವಿಧಾನಗಳಾಗಿವೆ. ಈ ಬಟ್ಟೆಗಳು ಪೂರ್ಣವಾಗಿ ಅಭಿವೃದ್ಧಿ ಹೊಂದಿದಾಗ ಆಸ್ಪತ್ರೆಯ ಸಂಪನ್ಮೂಲಗಳು ಮತ್ತು ಶ್ರಮವನ್ನು ಕಡಿಮೆ ಮಾಡುವ ಜೊತೆಗೆ ಅಗತ್ಯವಿದ್ದರೆ ಎಚ್ಚರಿಕೆ ಮತ್ತು ಗಮನವನ್ನು ಕೋರುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿರುತ್ತದೆ. ಇದಲ್ಲದೆ, ಆರೋಗ್ಯವಂತ ವ್ಯಕ್ತಿಗಳಲ್ಲಿ ರೋಗಗಳು, ಆರೋಗ್ಯದ ಅಕ್ರಮಗಳು ಮತ್ತು ಅನಿರೀಕ್ಷಿತ ಹೃದಯ ಅಥವಾ ಮೆದುಳಿನ ಅಸ್ವಸ್ಥತೆಗಳಲ್ಲಿ ಅವು ಪ್ರಮುಖ ಪಾತ್ರ ವಹಿಸುತ್ತವೆ. ಈ ಕೆಲಸವು ವಿನ್ಯಾಸಗೊಳಿಸಿದ ಆಂಟೆನಾದ ತಲಾಧಾರ ಮತ್ತು ವಾಹಕ ಭಾಗಗಳಿಗೆ ಬಳಸಲಾದ ಸಂಪೂರ್ಣ ಜವಳಿ ವಸ್ತುಗಳಿಂದ ಮಾಡಿದ ಅಲ್ಟ್ರಾ-ವೈಡ್ಬ್ಯಾಂಡ್ (UWB) ಆಂಟೆನಾವನ್ನು ತನಿಖೆ ಮಾಡುವ ಕಾರ್ಯಸಾಧ್ಯತೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ. ಸಿಮ್ಯುಲೇಶನ್ ಮತ್ತು ಅಳತೆ ಫಲಿತಾಂಶಗಳು ಪ್ರಸ್ತಾವಿತ ಆಂಟೆನಾ ವಿನ್ಯಾಸವು ವಿಶಾಲವಾದ ಕೆಲಸದ ಬ್ಯಾಂಡ್ವಿಡ್ತ್ ಅವಶ್ಯಕತೆಗಳನ್ನು ಪೂರೈಸುತ್ತದೆ ಮತ್ತು ಕಾಂಪ್ಯಾಕ್ಟ್ ಗಾತ್ರ, ತೊಳೆಯಬಹುದಾದ ಮತ್ತು ಹೊಂದಿಕೊಳ್ಳುವ ವಸ್ತುಗಳೊಂದಿಗೆ 17GHz ಬ್ಯಾಂಡ್ವಿಡ್ತ್ ಅನ್ನು ಒದಗಿಸುತ್ತದೆ ಎಂದು ತೋರಿಸುತ್ತದೆ. ಪ್ರಸ್ತುತ ಕೈಪಿಡಿ ವಿನ್ಯಾಸದ ಉಪಯುಕ್ತತೆಯನ್ನು ಮೌಲ್ಯೀಕರಿಸಲು ರಿಟರ್ನ್ ನಷ್ಟ, ಬ್ಯಾಂಡ್ವಿಡ್ತ್, ವಿಕಿರಣ ಮಾದರಿ, ಪ್ರಸ್ತುತ ವಿತರಣೆ ಮತ್ತು ಲಾಭ ಮತ್ತು ದಕ್ಷತೆಯ ಫಲಿತಾಂಶಗಳನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ. ಇಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾದ ಕೆಲಸವು ಸ್ವತಂತ್ರ ಸೂಟ್ನ ಭವಿಷ್ಯದ ಅಧ್ಯಯನಗಳಿಗೆ ಆಳವಾದ ಪರಿಣಾಮಗಳನ್ನು ಹೊಂದಿದೆ, ಅದು ಒಂದು ದಿನ ಧರಿಸಿದವರಿಗೆ (ರೋಗಿಗೆ) ಅಂತಹ ವಿಶ್ವಾಸಾರ್ಹ ಮತ್ತು ಆರಾಮದಾಯಕ ವೈದ್ಯಕೀಯ ಮೇಲ್ವಿಚಾರಣಾ ತಂತ್ರಗಳನ್ನು ಒದಗಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. 12 ಏಪ್ರಿಲ್ 2011 ರಂದು ಸ್ವೀಕರಿಸಲಾಗಿದೆ, 23 ಮೇ 2011 ರಂದು ಅಂಗೀಕರಿಸಲಾಗಿದೆ, 10 ಜೂನ್ 2011 ರಂದು ನಿಗದಿಯಾಗಿದೆ * ಪತ್ರಕರ್ತ ಲೇಖಕಃ ಮೇ ಎ. ರಹಮಾನ್ ಒಸ್ಮಾನ್ ([email protected]).

aab8c9514b473c4ec9c47d780b7c79112add9008

ಸಂಶೋಧನಾ ಕಾರ್ಯತಂತ್ರವಾಗಿ ಕೇಸ್ ಸ್ಟಡಿ ಸಾಮಾನ್ಯವಾಗಿ ತಮ್ಮ ಕೆಲಸದ ಸ್ಥಳದ ಆಧಾರದ ಮೇಲೆ ಅಥವಾ ಸೀಮಿತ ಸಂಖ್ಯೆಯ ಸಂಸ್ಥೆಗಳ ಹೋಲಿಕೆಯ ಆಧಾರದ ಮೇಲೆ ಸಾಧಾರಣ ಪ್ರಮಾಣದ ಸಂಶೋಧನಾ ಯೋಜನೆಯನ್ನು ಕೈಗೊಳ್ಳಲು ಪ್ರಯತ್ನಿಸುತ್ತಿರುವ ವಿದ್ಯಾರ್ಥಿಗಳು ಮತ್ತು ಇತರ ಹೊಸ ಸಂಶೋಧಕರಿಗೆ ಸ್ಪಷ್ಟವಾದ ಆಯ್ಕೆಯಾಗಿ ಹೊರಹೊಮ್ಮುತ್ತದೆ. ಈ ಸನ್ನಿವೇಶದಲ್ಲಿ ಕೇಸ್ ಸ್ಟಡಿ ಸಂಶೋಧನೆಯ ಅನ್ವಯದ ಅತ್ಯಂತ ಸವಾಲಿನ ಅಂಶವೆಂದರೆ, "ಏನು ನಡೆಯುತ್ತದೆ" ಎಂಬ ವಿವರಣಾತ್ಮಕ ಖಾತೆಯಿಂದ ಸಂಶೋಧನೆಯ ತುಣುಕನ್ನು ಎತ್ತಿಹಿಡಿಯುವುದು, ಇದು ಜ್ಞಾನಕ್ಕೆ ಯೋಗ್ಯವಾದ, ಸಾಧಾರಣವಾದ ಸೇರ್ಪಡೆಯಾಗಿದೆ ಎಂದು ಹೇಳಿಕೊಳ್ಳಬಹುದು. ಈ ಲೇಖನವು ಯಿನ್, 1994, ಹ್ಯಾಮೆಲ್ ಮತ್ತು ಇತರರು, 1993, ಈಟನ್, 1992, ಗಮ್, 2000, ಪೆರ್ರಿ, 1998, ಮತ್ತು ಸಾಂಡರ್ಸ್ ಮತ್ತು ಇತರರು, 2000 ರಂತಹ ಕೇಸ್ ಸ್ಟಡಿ ಸಂಶೋಧನೆ ಮತ್ತು ಸಂಬಂಧಿತ ಕ್ಷೇತ್ರಗಳ ಬಗ್ಗೆ ಸ್ಥಾಪಿತ ಪಠ್ಯಪುಸ್ತಕಗಳನ್ನು ಹೆಚ್ಚು ಆಧರಿಸಿದೆ ಆದರೆ ಹೊಸ ಸಂಶೋಧಕರನ್ನು ಈ ಸಂಶೋಧನಾ ವಿಧಾನದ ಕೆಲವು ಪ್ರಮುಖ ತತ್ವಗಳನ್ನು ನಿಭಾಯಿಸಲು ಮತ್ತು ಅನ್ವಯಿಸಲು ಪ್ರೋತ್ಸಾಹಿಸುವ ರೀತಿಯಲ್ಲಿ ಕೇಸ್ ಸ್ಟಡಿ ಸಂಶೋಧನೆಯ ಪ್ರಮುಖ ಅಂಶಗಳನ್ನು ಬಟ್ಟಿ ಇರಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತದೆ. ಪ್ರಕರಣ ಅಧ್ಯಯನ ಸಂಶೋಧನೆ, ಸಂಶೋಧನಾ ವಿನ್ಯಾಸ, ದತ್ತಾಂಶ ಸಂಗ್ರಹಣೆ ಮತ್ತು ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆ ಯಾವಾಗ ಬಳಸಬಹುದು ಎಂಬುದನ್ನು ಲೇಖನ ವಿವರಿಸುತ್ತದೆ ಮತ್ತು ಅಂತಿಮವಾಗಿ ವರದಿಯನ್ನು ಅಥವಾ ಪ್ರಬಂಧವನ್ನು ಬರೆಯುವಾಗ ಸಾಕ್ಷ್ಯವನ್ನು ಸೆಳೆಯಲು ಸಲಹೆಗಳನ್ನು ನೀಡುತ್ತದೆ.

a088bed7ac41ae77dbb23041626eb8424d96a5ba

ಈ ಪತ್ರಿಕೆಯು ಎಫೈರಾ ಪ್ರಶ್ನೆ ಉತ್ತರಿಸುವ ಎಂಜಿನ್ ಅನ್ನು ವಿವರಿಸುತ್ತದೆ, ಇದು ಮಾಡ್ಯುಲರ್ ಮತ್ತು ವಿಸ್ತರಿಸಬಹುದಾದ ಚೌಕಟ್ಟಾಗಿದ್ದು, ಇದು ಪ್ರಶ್ನೆ ಉತ್ತರಿಸುವ ಬಹು ವಿಧಾನಗಳನ್ನು ಒಂದೇ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ಸಂಯೋಜಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ನಮ್ಮ ಚೌಕಟ್ಟನ್ನು ಭಾಷಾ-ನಿರ್ದಿಷ್ಟ ಘಟಕಗಳನ್ನು ಬದಲಿಸುವ ಮೂಲಕ ಇಂಗ್ಲಿಷ್ ಹೊರತುಪಡಿಸಿ ಇತರ ಭಾಷೆಗಳಿಗೆ ಅಳವಡಿಸಬಹುದು. ಇದು ಪ್ರಶ್ನೆ ಉತ್ತರಿಸುವಿಕೆ, ಜ್ಞಾನ ಟಿಪ್ಪಣಿ ಮತ್ತು ಜ್ಞಾನ ಗಣಿಗಾರಿಕೆಗೆ ಎರಡು ಪ್ರಮುಖ ವಿಧಾನಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ. ಎಫ್ರೆಯು ವೆಬ್ ಅನ್ನು ದತ್ತಾಂಶ ಸಂಪನ್ಮೂಲವಾಗಿ ಬಳಸುತ್ತದೆ, ಆದರೆ ಸಣ್ಣ ಕಾರ್ಪೊರಗಳೊಂದಿಗೆ ಸಹ ಕೆಲಸ ಮಾಡಬಹುದು. ಇದರ ಜೊತೆಗೆ, ಪ್ರಶ್ನೆಯ ವ್ಯಾಖ್ಯಾನಕ್ಕೆ ನಾವು ಹೊಸ ವಿಧಾನವನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ, ಅದು ಪ್ರಶ್ನೆಯ ಮೂಲ ಸೂತ್ರೀಕರಣದಿಂದ ಹೊರಗುಳಿಯುತ್ತದೆ. ಪಠ್ಯ ಮಾದರಿಗಳನ್ನು ಪ್ರಶ್ನೆಯನ್ನು ಅರ್ಥೈಸಲು ಮತ್ತು ಪಠ್ಯ ತುಣುಕುಗಳಿಂದ ಉತ್ತರಗಳನ್ನು ಹೊರತೆಗೆಯಲು ಬಳಸಲಾಗುತ್ತದೆ. ನಮ್ಮ ವ್ಯವಸ್ಥೆಯು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಉತ್ತರವನ್ನು ಹೊರತೆಗೆಯುವ ಮಾದರಿಗಳನ್ನು ಕಲಿಯುತ್ತದೆ, ತರಬೇತಿ ಡೇಟಾದಂತೆ ಪ್ರಶ್ನೆ-ಉತ್ತರ ಜೋಡಿಗಳನ್ನು ಬಳಸುತ್ತದೆ. ಪ್ರಾಯೋಗಿಕ ಫಲಿತಾಂಶಗಳು ಈ ವಿಧಾನದ ಸಾಮರ್ಥ್ಯವನ್ನು ಬಹಿರಂಗಪಡಿಸಿದವು.

227ed02b3e5edf4c5b08539c779eca90683549e6

ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಚೌಕಟ್ಟುಗಳ ಬಹುಪಾಲು ಭಾಗವು ನಿರ್ದಿಷ್ಟ ಸಾಮಾಜಿಕ-ಆರ್ಥಿಕ ಮತ್ತು ತಾಂತ್ರಿಕ ಸೆಟ್ಟಿಂಗ್ಗಳನ್ನು ಹೊಂದಿರುವ ದೇಶಗಳಲ್ಲಿ ಅವುಗಳ ಸಾರ್ವತ್ರಿಕ ಅನ್ವಯಿಕತೆಯನ್ನು ಪರಿಹರಿಸಲು ಅಸಮರ್ಪಕವಾಗಿದೆ. ಇ-ಸರ್ಕಾರವನ್ನು ಅನುಷ್ಠಾನಗೊಳಿಸುವಲ್ಲಿ ಇದುವರೆಗೆ ಒಂದು ಗಾತ್ರವು ಎಲ್ಲರಿಗೂ ಸರಿಹೊಂದುತ್ತದೆ ಎಂಬ ಕಾರ್ಯತಂತ್ರವಿಲ್ಲದಿದ್ದರೂ, ರೂಪಾಂತರದಲ್ಲಿ ಕೆಲವು ಪ್ರಮುಖ ಸಾಮಾನ್ಯ ಅಂಶಗಳಿವೆ. ಆದ್ದರಿಂದ, ಈ ಲೇಖನವು ಕೆಲವು ಸಿದ್ಧಾಂತಗಳು ಮತ್ತು ಅಭಿವೃದ್ಧಿ ಹೊಂದಿದ ಮತ್ತು ಅಭಿವೃದ್ಧಿ ಹೊಂದುತ್ತಿರುವ ದೇಶಗಳ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಇ-ಭಾಗವಹಿಸುವಿಕೆ ಉಪಕ್ರಮಗಳಿಂದ ಕಲಿತ ಪಾಠಗಳನ್ನು ಆಧರಿಸಿ ಒಂದು ವಿಶಿಷ್ಟವಾದ ಸುಸ್ಥಿರ ಮಾದರಿಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತದೆ, ಇದರಿಂದಾಗಿ ಐಸಿಟಿಯ ಪ್ರಯೋಜನಗಳನ್ನು ಗರಿಷ್ಠಗೊಳಿಸಬಹುದು ಮತ್ತು ಹೆಚ್ಚಿನ ಭಾಗವಹಿಸುವಿಕೆಯನ್ನು ಖಾತ್ರಿಪಡಿಸಬಹುದು.

6afe5319630d966c1355f3812f9d4b4b4d6d9fd0

a2c2999b134ba376c5ba3b610900a8d07722ccb3

ab116cf4e1d5ed947f4d762518738305e3a0ab74

64f51fe4f6b078142166395ed209d423454007fb

ನಿಖರ ಮತ್ತು ದೃಢವಾದ ಆಳವಾದ ಜಾಲಬಂಧ ಮಾದರಿಗಳನ್ನು ತರಬೇತಿ ಮಾಡಲು ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ಟಿಪ್ಪಣಿ ತರಬೇತಿ ಚಿತ್ರಗಳು ನಿರ್ಣಾಯಕವಾಗಿವೆ ಆದರೆ ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ಟಿಪ್ಪಣಿ ತರಬೇತಿ ಚಿತ್ರಗಳ ಸಂಗ್ರಹವು ಸಾಮಾನ್ಯವಾಗಿ ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ದುಬಾರಿಯಾಗಿದೆ. ಚಿತ್ರ ಸಂಶ್ಲೇಷಣೆಯು ಈ ನಿರ್ಬಂಧವನ್ನು ಗಣಕಯಂತ್ರಗಳಿಂದ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಟಿಪ್ಪಣಿ ತರಬೇತಿ ಚಿತ್ರಗಳನ್ನು ಉತ್ಪಾದಿಸುವ ಮೂಲಕ ಕಡಿಮೆ ಮಾಡುತ್ತದೆ, ಇದು ಇತ್ತೀಚಿನ ಆಳವಾದ ಕಲಿಕೆಯ ಸಂಶೋಧನೆಯಲ್ಲಿ ಹೆಚ್ಚಿನ ಆಸಕ್ತಿಯನ್ನು ಸೆಳೆದಿದೆ. ನಾವು ಒಂದು ನವೀನ ಚಿತ್ರ ಸಂಶ್ಲೇಷಣೆ ತಂತ್ರವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತೇವೆ, ಇದು ಆಸಕ್ತಿಯ ಪ್ರಮುಖ ವಸ್ತುಗಳನ್ನು (ಒಒಐ) ಹಿನ್ನೆಲೆ ಚಿತ್ರಗಳಲ್ಲಿ ವಾಸ್ತವಿಕವಾಗಿ ಹುದುಗಿಸುವ ಮೂಲಕ ಟಿಪ್ಪಣಿ ತರಬೇತಿ ಚಿತ್ರಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ. ಪ್ರಸ್ತಾವಿತ ತಂತ್ರವು ಎರಡು ಪ್ರಮುಖ ಅಂಶಗಳನ್ನು ಒಳಗೊಂಡಿದೆ, ಇದು ಮೂಲತಃ ಆಳವಾದ ನೆಟ್ವರ್ಕ್ ತರಬೇತಿಯಲ್ಲಿ ಸಂಶ್ಲೇಷಿತ ಚಿತ್ರಗಳ ಉಪಯುಕ್ತತೆಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. ಮೊದಲನೆಯದು ಸಂದರ್ಭ-ಅರಿವುಳ್ಳ ಶಬ್ದಾರ್ಥದ ಸುಸಂಬದ್ಧತೆಯಾಗಿದ್ದು, ಇದು OOI ಗಳನ್ನು ಹಿನ್ನೆಲೆ ಚಿತ್ರದೊಳಗೆ ಶಬ್ದಾರ್ಥದ ಸುಸಂಬದ್ಧ ಪ್ರದೇಶಗಳ ಸುತ್ತ ಇರಿಸಲಾಗಿದೆಯೆಂದು ಖಾತ್ರಿಗೊಳಿಸುತ್ತದೆ. ಎರಡನೆಯದು ಸಾಮರಸ್ಯದ ನೋಟ ಹೊಂದಾಣಿಕೆಯಾಗಿದ್ದು, ಇದು ಜಡ OOI ಗಳು ಸುತ್ತಮುತ್ತಲಿನ ಹಿನ್ನೆಲೆಗೆ ಜ್ಯಾಮಿತಿಯ ಜೋಡಣೆ ಮತ್ತು ನೋಟದ ವಾಸ್ತವಿಕತೆಯಿಂದ ಸ್ವೀಕಾರಾರ್ಹವೆಂದು ಖಾತ್ರಿಗೊಳಿಸುತ್ತದೆ. ಪ್ರಸ್ತಾವಿತ ತಂತ್ರವನ್ನು ಎರಡು ಸಂಬಂಧಿತ ಆದರೆ ವಿಭಿನ್ನ ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿ ಸವಾಲುಗಳ ಮೇಲೆ ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಗಿದೆ, ಅವುಗಳೆಂದರೆ, ದೃಶ್ಯ ಪಠ್ಯ ಪತ್ತೆ ಮತ್ತು ದೃಶ್ಯ ಪಠ್ಯ ಗುರುತಿಸುವಿಕೆ. ನಮ್ಮ ಪ್ರಸ್ತಾವಿತ ಚಿತ್ರ ಸಂಶ್ಲೇಷಣ ತಂತ್ರದ ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ಹಲವಾರು ಸಾರ್ವಜನಿಕ ದತ್ತಾಂಶಗಳ ಮೇಲೆ ಪ್ರಯೋಗಗಳು ತೋರಿಸುತ್ತವೆ. ಆಳವಾದ ನೆಟ್ವರ್ಕ್ ತರಬೇತಿಯಲ್ಲಿ ನಮ್ಮ ಸಂಶ್ಲೇಷಿತ ಚಿತ್ರಗಳ ಬಳಕೆಯು ನೈಜ ಚಿತ್ರಗಳನ್ನು ಬಳಸುವುದಕ್ಕೆ ಹೋಲಿಸಿದರೆ ಇದೇ ರೀತಿಯ ಅಥವಾ ಉತ್ತಮ ದೃಶ್ಯ ಪಠ್ಯ ಪತ್ತೆ ಮತ್ತು ದೃಶ್ಯ ಪಠ್ಯ ಗುರುತಿಸುವಿಕೆ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸಾಧಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.

ceb4040acf7f27b4ca55da61651a14e3a1ef26a8

226cfb67d2d8eba835f2ec695fe28b78b556a19f

ನಾವು ಬಿಟ್ ಕಾಯಿನ್ ಪ್ರೋಟೋಕಾಲ್ ಗೆ ಪ್ರಾಯೋಗಿಕ ಮಾರ್ಪಾಡು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ ಅದು ಬಿಟ್ ಕಾಯಿನ್ ಅನ್ನು ಸಾಮಾನ್ಯ ಪ್ರಕರಣದಲ್ಲಿ ರಕ್ಷಿಸುತ್ತದೆ. ಇದು ಸಂಪನ್ಮೂಲಗಳ 1/4 ಕ್ಕಿಂತ ಕಡಿಮೆ ನಿಯಂತ್ರಣವನ್ನು ಹೊಂದಿರುವ ಒಕ್ಕೂಟದಿಂದ ಸ್ವಾರ್ಥಿ ಗಣಿಗಾರಿಕೆಯನ್ನು ನಿಷೇಧಿಸುತ್ತದೆ. ಈ ಮಿತಿ ತಪ್ಪಾಗಿ ಊಹಿಸಿದ 1/2 ಗಡಿಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ, ಆದರೆ ಯಾವುದೇ ಗಾತ್ರದ ಒಕ್ಕೂಟವು ವ್ಯವಸ್ಥೆಯನ್ನು ರಾಜಿ ಮಾಡಿಕೊಳ್ಳುವ ಪ್ರಸ್ತುತ ವಾಸ್ತವಕ್ಕಿಂತ ಉತ್ತಮವಾಗಿದೆ. ಬಿಟ್ ಕಾಯಿನ್ ಕ್ರಿಪ್ಟೋಕರೆನ್ಸಿ ತನ್ನ ವಹಿವಾಟುಗಳನ್ನು ಬ್ಲಾಕ್ ಚೈನ್ ಎಂಬ ಸಾರ್ವಜನಿಕ ದಾಖಲೆಗಳಲ್ಲಿ ದಾಖಲಿಸುತ್ತದೆ. ಅದರ ಭದ್ರತೆಯು ನಿರ್ಣಾಯಕವಾಗಿ ಬ್ಲಾಕ್ಚೈನ್ ಅನ್ನು ನಿರ್ವಹಿಸುವ ವಿತರಣೆ ಪ್ರೋಟೋಕಾಲ್ನ ಮೇಲೆ ನಿಂತಿದೆ, ಗಣಿಗಾರರು ಎಂದು ಕರೆಯಲ್ಪಡುವ ಭಾಗವಹಿಸುವವರು ನಡೆಸುತ್ತಾರೆ. ಸಾಂಪ್ರದಾಯಿಕ ಜ್ಞಾನವು ಗಣಿಗಾರಿಕೆ ಪ್ರೋಟೋಕಾಲ್ ಪ್ರೋತ್ಸಾಹಕ-ಹೊಂದಾಣಿಕೆಯಾಗಿದೆ ಮತ್ತು ಅಲ್ಪಸಂಖ್ಯಾತ ಗುಂಪುಗಳ ವಿರುದ್ಧ ಸುರಕ್ಷಿತವಾಗಿದೆ ಎಂದು ಹೇಳುತ್ತದೆ, ಅಂದರೆ, ಇದು ಪ್ರೋಟೋಕಾಲ್ ಅನ್ನು ನಿಗದಿಪಡಿಸಿದಂತೆ ಅನುಸರಿಸಲು ಗಣಿಗಾರರನ್ನು ಪ್ರೋತ್ಸಾಹಿಸುತ್ತದೆ. ನಾವು ಬಿಟ್ ಕಾಯಿನ್ ಗಣಿಗಾರಿಕೆ ಪ್ರೋಟೋಕಾಲ್ ಪ್ರೋತ್ಸಾಹಕ-ಹೊಂದಿಕೆಯಾಗುವುದಿಲ್ಲ ಎಂದು ತೋರಿಸುತ್ತೇವೆ. ನಾವು ಒಂದು ದಾಳಿಯನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತೇವೆ, ಇದರಲ್ಲಿ ಮೈನರ್ಸ್ ಆದಾಯವು ಅವರ ನ್ಯಾಯಯುತ ಪಾಲಿಗಿಂತ ದೊಡ್ಡದಾಗಿದೆ. ಈ ದಾಳಿಯು ಬಿಟ್ ಕಾಯಿನ್ ಗೆ ಗಮನಾರ್ಹ ಪರಿಣಾಮಗಳನ್ನು ಉಂಟುಮಾಡಬಹುದು: ತರ್ಕಬದ್ಧ ಗಣಿಗಾರರು ದಾಳಿಕೋರರನ್ನು ಸೇರಲು ಬಯಸುತ್ತಾರೆ, ಮತ್ತು ಬಹುಮತವನ್ನು ಪಡೆಯುವವರೆಗೆ ಸಂಚು ಗುಂಪು ಗಾತ್ರದಲ್ಲಿ ಹೆಚ್ಚಾಗುತ್ತದೆ. ಈ ಹಂತದಲ್ಲಿ, ಬಿಟ್ ಕಾಯಿನ್ ವ್ಯವಸ್ಥೆಯು ವಿಕೇಂದ್ರೀಕೃತ ಕರೆನ್ಸಿಯಾಗಿ ನಿಲ್ಲುತ್ತದೆ. ಕೆಲವು ಊಹೆಗಳನ್ನು ಮಾಡದ ಹೊರತು, ಸ್ವಾರ್ಥಿ ಗಣಿಗಾರಿಕೆ ಯಾವುದೇ ಗಾತ್ರದ ಮೈತ್ರಿ ಮೈನರ್ಸ್ಗೆ ಕಾರ್ಯಸಾಧ್ಯವಾಗಬಹುದು.

2b00e526490d65f2ec00107fb7bcce0ace5960c7

ಈ ಪತ್ರಿಕೆಯು ವಸ್ತುಗಳ ಅಂತರ್ಜಾಲವನ್ನು ಉದ್ದೇಶಿಸಿದೆ. ಈ ಭರವಸೆಯ ಮಾದರಿಯ ಮುಖ್ಯ ಸಕ್ರಿಯಗೊಳಿಸುವ ಅಂಶವೆಂದರೆ ಹಲವಾರು ತಂತ್ರಜ್ಞಾನಗಳು ಮತ್ತು ಸಂವಹನ ಪರಿಹಾರಗಳ ಏಕೀಕರಣ. ಗುರುತಿಸುವಿಕೆ ಮತ್ತು ಟ್ರ್ಯಾಕಿಂಗ್ ತಂತ್ರಜ್ಞಾನಗಳು, ತಂತಿ ಮತ್ತು ನಿಸ್ತಂತು ಸಂವೇದಕ ಮತ್ತು ಆಕ್ಯೂವೇಟರ್ ಜಾಲಗಳು, ವರ್ಧಿತ ಸಂವಹನ ಪ್ರೋಟೋಕಾಲ್ಗಳು (ಮುಂದಿನ ಪೀಳಿಗೆಯ ಇಂಟರ್ನೆಟ್ನೊಂದಿಗೆ ಹಂಚಿಕೊಳ್ಳಲಾಗಿದೆ) ಮತ್ತು ಸ್ಮಾರ್ಟ್ ವಸ್ತುಗಳಿಗೆ ವಿತರಿಸಿದ ಬುದ್ಧಿಮತ್ತೆ ಕೇವಲ ಅತ್ಯಂತ ಪ್ರಸ್ತುತವಾಗಿದೆ. ಒಂದು ಸುಲಭವಾಗಿ ಊಹಿಸಬಹುದಾದಂತೆ, ಇಂಟರ್ನೆಟ್ ಆಫ್ ಥಿಂಗ್ಸ್ ಪ್ರಗತಿಗೆ ಯಾವುದೇ ಗಂಭೀರ ಕೊಡುಗೆ ಅಗತ್ಯವಾಗಿ ದೂರಸಂಪರ್ಕ, ಮಾಹಿತಿ, ಎಲೆಕ್ಟ್ರಾನಿಕ್ಸ್ ಮತ್ತು ಸಾಮಾಜಿಕ ವಿಜ್ಞಾನದಂತಹ ವಿವಿಧ ಜ್ಞಾನ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ನಡೆಸಿದ ಸಿನರ್ಜಿ ಚಟುವಟಿಕೆಗಳ ಫಲಿತಾಂಶವಾಗಿರಬೇಕು. ಇಂತಹ ಸಂಕೀರ್ಣ ಸನ್ನಿವೇಶದಲ್ಲಿ, ಈ ಸಮೀಕ್ಷೆಯು ಈ ಸಂಕೀರ್ಣ ಶಿಸ್ತನ್ನು ಸಮೀಪಿಸಲು ಮತ್ತು ಅದರ ಅಭಿವೃದ್ಧಿಗೆ ಕೊಡುಗೆ ನೀಡಲು ಬಯಸುವವರಿಗೆ ನಿರ್ದೇಶಿಸಲ್ಪಡುತ್ತದೆ. ಈ ಇಂಟರ್ನೆಟ್ ಆಫ್ ಥಿಂಗ್ಸ್ ಮಾದರಿಯ ವಿಭಿನ್ನ ದೃಷ್ಟಿಕೋನಗಳನ್ನು ವರದಿ ಮಾಡಲಾಗಿದೆ ಮತ್ತು ಸಕ್ರಿಯಗೊಳಿಸುವ ತಂತ್ರಜ್ಞಾನಗಳನ್ನು ಪರಿಶೀಲಿಸಲಾಗಿದೆ. ಸಂಶೋಧನಾ ಸಮುದಾಯವು ಇನ್ನೂ ಪ್ರಮುಖ ಸಮಸ್ಯೆಗಳನ್ನು ಎದುರಿಸಬೇಕಾಗಿದೆ ಎಂಬುದು ಹೊರಹೊಮ್ಮುತ್ತದೆ. ಅವುಗಳಲ್ಲಿ ಅತ್ಯಂತ ಸೂಕ್ತವಾದವುಗಳನ್ನು ವಿವರವಾಗಿ ಚರ್ಚಿಸಲಾಗಿದೆ. 2010 ಎಲ್ಸೆವಿಯರ್ ಬಿ. ವಿ. ಎಲ್ಲಾ ಹಕ್ಕುಗಳನ್ನು ಕಾಯ್ದಿರಿಸಲಾಗಿದೆ.

839a69a55d862563fe75528ec5d763fb01c09c61

ಕಡಿಮೆ ಆಯಾಮದ ವೆಕ್ಟರ್ ಎಂಬೆಡಿಂಗ್ಗಳು, ಎಲ್ಎಸ್ಟಿಎಂಗಳು ಅಥವಾ ಸರಳ ತಂತ್ರಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲ್ಪಟ್ಟಿವೆ, ಇದು ಪಠ್ಯದ "ಅರ್ಥ" ವನ್ನು ಸೆರೆಹಿಡಿಯಲು ಜನಪ್ರಿಯ ವಿಧಾನವಾಗಿದೆ ಮತ್ತು ಕೆಳಮಟ್ಟದ ಕಾರ್ಯಗಳಿಗೆ ಉಪಯುಕ್ತವಾದ ಮೇಲ್ವಿಚಾರಣೆಯಿಲ್ಲದ ಕಲಿಕೆಯ ಒಂದು ರೂಪವಾಗಿದೆ. ಆದಾಗ್ಯೂ, ಅವರ ಶಕ್ತಿಯು ಸೈದ್ಧಾಂತಿಕವಾಗಿ ಅರ್ಥವಾಗುವುದಿಲ್ಲ. ಪ್ರಸ್ತುತ ಕಾಗದವು ರೇಖೀಯ ಎಂಬೆಡಿಂಗ್ ಯೋಜನೆಗಳ ಉಪ ಪ್ರಕರಣವನ್ನು ನೋಡುವ ಮೂಲಕ ಔಪಚಾರಿಕ ತಿಳುವಳಿಕೆಯನ್ನು ಪಡೆಯುತ್ತದೆ. ಸಂಕುಚಿತ ಸಂವೇದನೆಯ ಸಿದ್ಧಾಂತವನ್ನು ಬಳಸಿಕೊಂಡು ನಾವು ರಚನಾತ್ಮಕ ಪದ ವಾಹಕಗಳನ್ನು ಸಂಯೋಜಿಸುವ ಪ್ರಾತಿನಿಧ್ಯಗಳು ಮೂಲಭೂತವಾಗಿ ಪಠ್ಯದ ಬ್ಯಾಗ್-ಆಫ್-ಎನ್-ಗ್ರಾಮ್ಸ್ (ಬಿಒಎನ್ಜಿ) ಪ್ರಾತಿನಿಧ್ಯಗಳ ಮಾಹಿತಿ ಸಂರಕ್ಷಣಾ ರೇಖೀಯ ಅಳತೆಗಳಾಗಿವೆ ಎಂದು ತೋರಿಸುತ್ತೇವೆ. ಇದು LSTM ಗಳ ಬಗ್ಗೆ ಹೊಸ ಸೈದ್ಧಾಂತಿಕ ಫಲಿತಾಂಶಕ್ಕೆ ಕಾರಣವಾಗುತ್ತದೆಃ ಕಡಿಮೆ-ಮೆಮೊರಿ LSTM ನಿಂದ ಪಡೆದ ಕಡಿಮೆ-ಆಯಾಮದ ಎಂಬೆಡಿಂಗ್ಗಳು ಕನಿಷ್ಠ ವರ್ಗೀಕರಣ ಕಾರ್ಯಗಳಲ್ಲಿ ಪ್ರಬಲವಾಗಿವೆ, ಸಣ್ಣ ದೋಷದವರೆಗೆ, BonG ವೆಕ್ಟರ್ಗಳ ಮೇಲೆ ರೇಖೀಯ ವರ್ಗೀಕರಣಕಾರನಾಗಿ, ವ್ಯಾಪಕವಾದ ಪ್ರಾಯೋಗಿಕ ಕೆಲಸವು ಇಲ್ಲಿಯವರೆಗೆ ತೋರಿಸಲು ಸಾಧ್ಯವಾಗಲಿಲ್ಲ. ನಮ್ಮ ಪ್ರಯೋಗಗಳು ಈ ಸೈದ್ಧಾಂತಿಕ ಸಂಶೋಧನೆಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತವೆ ಮತ್ತು ಕೆಲವು ಸಂದರ್ಭಗಳಲ್ಲಿ ಪದ ಮಟ್ಟದ ವಿಧಾನಗಳಲ್ಲಿ ಅತ್ಯಾಧುನಿಕವಾಗಿರುವ ಪ್ರಮಾಣಿತ ಮಾನದಂಡಗಳ ಮೇಲೆ ಬಲವಾದ, ಸರಳ ಮತ್ತು ಮೇಲ್ವಿಚಾರಣೆಯಿಲ್ಲದ ಮೂಲಗಳನ್ನು ಸ್ಥಾಪಿಸುತ್ತವೆ. ಗ್ಲೋವೆ ಮತ್ತು ವರ್ಡ್2ವೆಕ್ ನಂತಹ ಎಂಬೆಡ್ ಮಾಡುವಿಕೆಯ ಒಂದು ಆಶ್ಚರ್ಯಕರ ಹೊಸ ಗುಣವನ್ನು ಸಹ ನಾವು ತೋರಿಸುತ್ತೇವೆ: ಅವುಗಳು ಯಾದೃಚ್ಛಿಕ ಮ್ಯಾಟ್ರಿಕ್ಸ್ಗಳಿಗಿಂತ ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾದ ಪಠ್ಯಕ್ಕಾಗಿ ಉತ್ತಮ ಸಂವೇದನಾ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಅನ್ನು ರೂಪಿಸುತ್ತವೆ, ಇದು ಪ್ರಮಾಣಿತ ವಿರಳವಾದ ಚೇತರಿಕೆ ಸಾಧನವಾಗಿದೆ, ಇದು ಪ್ರಾಯೋಗಿಕವಾಗಿ ಉತ್ತಮ ಪ್ರಾತಿನಿಧ್ಯಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದು.

06e04fd496cd805bca69eea2c1977f90afeeef83

ಅಲ್ಗಾರಿದಮಿಕ್ ನ್ಯಾಯಸಮ್ಮತತೆಯ ಹೆಚ್ಚಿನ ವಿಧಾನಗಳು ಯಂತ್ರ ಕಲಿಕೆಯ ವಿಧಾನಗಳನ್ನು ನಿರ್ಬಂಧಿಸುತ್ತವೆ ಆದ್ದರಿಂದ ಫಲಿತಾಂಶದ ಭವಿಷ್ಯವಾಣಿಗಳು ನ್ಯಾಯಸಮ್ಮತತೆಯ ಹಲವಾರು ಅಂತರ್ದೃಷ್ಟಿಯ ಪರಿಕಲ್ಪನೆಗಳಲ್ಲಿ ಒಂದನ್ನು ಪೂರೈಸುತ್ತವೆ. ಇದು ಖಾಸಗಿ ಕಂಪನಿಗಳಿಗೆ ತಾರತಮ್ಯ ನಿಷೇಧ ಕಾನೂನುಗಳನ್ನು ಅನುಸರಿಸಲು ಅಥವಾ ನಕಾರಾತ್ಮಕ ಪ್ರಚಾರವನ್ನು ತಪ್ಪಿಸಲು ಸಹಾಯ ಮಾಡಬಹುದಾದರೂ, ಇದು ಸಾಮಾನ್ಯವಾಗಿ ತುಂಬಾ ಕಡಿಮೆ, ತುಂಬಾ ತಡವಾಗಿದೆ ಎಂದು ನಾವು ನಂಬುತ್ತೇವೆ. ತರಬೇತಿ ದತ್ತಾಂಶವನ್ನು ಸಂಗ್ರಹಿಸುವ ಹೊತ್ತಿಗೆ, ಅನನುಕೂಲಕರ ಗುಂಪುಗಳಲ್ಲಿನ ವ್ಯಕ್ತಿಗಳು ಈಗಾಗಲೇ ತಾರತಮ್ಯದಿಂದ ಬಳಲುತ್ತಿದ್ದಾರೆ ಮತ್ತು ತಮ್ಮ ನಿಯಂತ್ರಣದ ಹೊರಗಿನ ಅಂಶಗಳಿಂದಾಗಿ ಅವಕಾಶಗಳನ್ನು ಕಳೆದುಕೊಂಡಿದ್ದಾರೆ. ಪ್ರಸ್ತುತ ಕೆಲಸದಲ್ಲಿ ನಾವು ಹೊಸ ಸಾರ್ವಜನಿಕ ನೀತಿಯಂತಹ ಮಧ್ಯಸ್ಥಿಕೆಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತೇವೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟವಾಗಿ, ಒಟ್ಟಾರೆ ವ್ಯವಸ್ಥೆಯ ನ್ಯಾಯಸಮ್ಮತತೆಯನ್ನು ಸುಧಾರಿಸುವಾಗ ಅವರ ಸಕಾರಾತ್ಮಕ ಪರಿಣಾಮಗಳನ್ನು ಹೇಗೆ ಗರಿಷ್ಠಗೊಳಿಸುವುದು. ನಾವು ಕಾರಣ ಮತ್ತು ಪರಿಣಾಮದ ವಿಧಾನಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಮಧ್ಯಸ್ಥಿಕೆಗಳ ಪರಿಣಾಮಗಳನ್ನು ರೂಪಿಸುತ್ತೇವೆ, ಸಂಭಾವ್ಯ ಹಸ್ತಕ್ಷೇಪವನ್ನು ಅನುಮತಿಸುತ್ತೇವೆ-ಪ್ರತಿಯೊಬ್ಬ ವ್ಯಕ್ತಿಯ ಫಲಿತಾಂಶವು ಮಧ್ಯಸ್ಥಿಕೆ ಪಡೆಯುವ ಇತರರ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ. ನಾವು ಇದನ್ನು ನ್ಯೂಯಾರ್ಕ್ ನಗರದ ಶಾಲೆಗಳ ದತ್ತಾಂಶವನ್ನು ಬಳಸಿಕೊಂಡು ಬೋಧನಾ ಸಂಪನ್ಮೂಲಗಳ ಬಜೆಟ್ ಅನ್ನು ನಿಯೋಜಿಸುವ ಉದಾಹರಣೆಯೊಂದಿಗೆ ಪ್ರದರ್ಶಿಸುತ್ತೇವೆ.

44dd6443a07f0d139717be74a98988e3ec80beb8

ಇಂಡಕ್ಟಿವ್ ಕಲಿಕೆಗೆ ಹಲವಾರು ಉತ್ತಮವಾಗಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ವಿಧಾನಗಳು ಈಗ ಅಸ್ತಿತ್ವದಲ್ಲಿವೆ, ಆದರೆ ಪ್ರತಿಯೊಂದೂ ನಿರ್ದಿಷ್ಟ ಮಿತಿಗಳನ್ನು ಹೊಂದಿದೆ, ಅದನ್ನು ಜಯಿಸುವುದು ಕಷ್ಟ. ಬಹು-ತಂತ್ರ ಕಲಿಕೆಯು ಈ ಸಮಸ್ಯೆಯನ್ನು ಒಂದೇ ಕ್ರಮಾವಳಿಯೊಳಗೆ ಅನೇಕ ವಿಧಾನಗಳನ್ನು ಸಂಯೋಜಿಸುವ ಮೂಲಕ ಪರಿಹರಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತದೆ. ಈ ಲೇಖನವು ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುವ ಎರಡು ಪ್ರಾಯೋಗಿಕ ವಿಧಾನಗಳ ಏಕೀಕರಣವನ್ನು ವಿವರಿಸುತ್ತದೆಃ ನಿಯಮ ಇಂಡಕ್ಷನ್ ಮತ್ತು ನಿದರ್ಶನ ಆಧಾರಿತ ಕಲಿಕೆ. ಹೊಸ ಅಲ್ಗಾರಿದಮ್ನಲ್ಲಿ, ನಿದರ್ಶನಗಳನ್ನು ಗರಿಷ್ಠ ನಿರ್ದಿಷ್ಟ ನಿಯಮಗಳಂತೆ ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ವರ್ಗೀಕರಣವನ್ನು ಅತ್ಯುತ್ತಮ ಹೊಂದಾಣಿಕೆಯ ತಂತ್ರವನ್ನು ಬಳಸಿಕೊಂಡು ನಡೆಸಲಾಗುತ್ತದೆ. ಸ್ಪಷ್ಟವಾದ ನಿಖರತೆಯಲ್ಲಿ ಯಾವುದೇ ಸುಧಾರಣೆ ಸಿಗದ ತನಕ ನಿಯಮಗಳನ್ನು ಕ್ರಮೇಣ ಸಾಮಾನ್ಯೀಕರಣದ ನಿದರ್ಶನಗಳ ಮೂಲಕ ಕಲಿಯಲಾಗುತ್ತದೆ. ಈ ವಿಧಾನವು ಪರಿಣಾಮಕಾರಿಯಾಗಿದೆ ಎಂದು ಸೈದ್ಧಾಂತಿಕ ವಿಶ್ಲೇಷಣೆ ತೋರಿಸುತ್ತದೆ. ಇದನ್ನು ರೈಸ್ 3.1 ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ಅಳವಡಿಸಲಾಗಿದೆ. ವ್ಯಾಪಕವಾದ ಪ್ರಾಯೋಗಿಕ ಅಧ್ಯಯನದಲ್ಲಿ, RISE ತನ್ನ ಮೂಲ ವಿಧಾನಗಳ (PEBLS ಮತ್ತು CN2) ಎರಡೂ ರಾಜ್ಯದ-ಆಧುನಿಕ ಪ್ರತಿನಿಧಿಗಳಿಗಿಂತಲೂ ಹೆಚ್ಚಿನ ನಿಖರತೆಯನ್ನು ಸಾಧಿಸುತ್ತದೆ, ಜೊತೆಗೆ ನಿರ್ಧಾರ ಮರ ಕಲಿಯುವವನು (C4.5). ಲೆಸಿಯನ್ ಅಧ್ಯಯನಗಳು RISE ನ ಪ್ರತಿಯೊಂದು ಘಟಕಗಳು ಈ ಕಾರ್ಯಕ್ಷಮತೆಗೆ ಅತ್ಯಗತ್ಯವೆಂದು ತೋರಿಸುತ್ತವೆ. ಬಹು ಮುಖ್ಯವಾಗಿ, ಅಧ್ಯಯನ ಮಾಡಿದ 30 ಕ್ಷೇತ್ರಗಳಲ್ಲಿ 14 ರಲ್ಲಿ, PEBLS ಮತ್ತು CN2 ನ ಅತ್ಯುತ್ತಮವಾದವುಗಳಿಗಿಂತ RISE ಹೆಚ್ಚು ನಿಖರವಾಗಿದೆ, ಇದು ಅನೇಕ ಪ್ರಾಯೋಗಿಕ ವಿಧಾನಗಳನ್ನು ಸಂಯೋಜಿಸುವ ಮೂಲಕ ಗಮನಾರ್ಹವಾದ ಸಿನರ್ಜಿ ಪಡೆಯಬಹುದು ಎಂದು ತೋರಿಸುತ್ತದೆ.

b38ac03b806a291593c51cb51818ce8e919a1a43

4debb3fe83ea743a888aa2ec8f4252bbe6d0fcb8

ಓಪನ್ ಸೋರ್ಸ್ ಸಾಫ್ಟ್ ವೇರ್ (ಓಎಸ್ಎಸ್) ಇತ್ತೀಚೆಗೆ ವ್ಯಾಪಾರದ ಆಸಕ್ತಿಯ ವಿಷಯವಾಗಿದೆ. ಸಾಫ್ಟ್ವೇರ್ ಬಿಕ್ಕಟ್ಟಿನ ಪ್ರಮುಖ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸುವಲ್ಲಿ ಓಎಸ್ಎಸ್ ಹೆಚ್ಚು ಭರವಸೆಯನ್ನು ತೋರುತ್ತದೆ, ಅವುಗಳೆಂದರೆ ಸಾಫ್ಟ್ವೇರ್ ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ತುಂಬಾ ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ, ಅದರ ಬಜೆಟ್ ಅನ್ನು ಮೀರಿದೆ ಮತ್ತು ಚೆನ್ನಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವುದಿಲ್ಲ. ವಾಸ್ತವವಾಗಿ, ಗಮನಾರ್ಹವಾದ ಒಎಸ್ಎಸ್ ಯಶಸ್ಸಿನ ಕಥೆಗಳ ಹಲವಾರು ಉದಾಹರಣೆಗಳಿವೆ-ಲಿನಕ್ಸ್ ಆಪರೇಟಿಂಗ್ ಸಿಸ್ಟಮ್, ಅಪಾಚೆ ವೆಬ್ ಸರ್ವರ್, ಬಿಐಎಂಡಿ ಡೊಮೇನ್ ಹೆಸರು ರೆಸಲ್ಯೂಶನ್ ಯುಟಿಲಿಟಿ, ಕೆಲವನ್ನು ಮಾತ್ರ ಹೆಸರಿಸಲು. ಆದಾಗ್ಯೂ, ಈವರೆಗೆ ಒಎಸ್ಎಸ್ ಕುರಿತಾಗಿ ಕಠಿಣ ಶೈಕ್ಷಣಿಕ ಸಂಶೋಧನೆ ನಡೆಸಲಾಗಿಲ್ಲ. ಈ ಅಧ್ಯಯನದಲ್ಲಿ, ಐಎಸ್ ಕ್ಷೇತ್ರದಲ್ಲಿ ಬಹಳ ಪ್ರಭಾವ ಬೀರಿದ ಎರಡು ಹಿಂದಿನ ಚೌಕಟ್ಟುಗಳಿಂದ ಒಂದು ಚೌಕಟ್ಟನ್ನು ಪಡೆಯಲಾಗಿದೆ, ಅವುಗಳೆಂದರೆ ಜ್ಯಾಕ್ಮನ್ ನ ಐಎಸ್ ಆರ್ಕಿಟೆಕ್ಚರ್ (ಐಎಸ್ಎ) ಮತ್ತು ಚೆಕ್ಲ್ಯಾಂಡ್ನ ಸಾಫ್ಟ್ ಸಿಸ್ಟಮ್ಸ್ ಮೆಥಡಾಲಜಿ (ಎಸ್ಎಸ್ಎಂ) ನಿಂದ ಕ್ಯಾಟ್ವೋಯ್ ಚೌಕಟ್ಟು. ಇದರ ಫಲವಾಗಿ ಒಎಸ್ಎಸ್ ವಿಧಾನವನ್ನು ವಿವರವಾಗಿ ವಿಶ್ಲೇಷಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ. OSS ಸಂಶೋಧನೆಯ ಭವಿಷ್ಯದ ಬಗ್ಗೆಯೂ ಚರ್ಚಿಸಲಾಗಿದೆ.

4bd48f4438ba7bf731e91cb29508a290e938a1d0

2.4 GHz WLAN ಪ್ರವೇಶ ಬಿಂದು ಅನ್ವಯಿಕೆಗಳಿಗಾಗಿ ವೃತ್ತಾಕಾರದ ಧ್ರುವೀಕರಣದ (CP) ಕಾಂಪ್ಯಾಕ್ಟ್ ಸರ್ವ-ದಿಕ್ಕಿನ ಆಂಟೆನಾವನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ. ಆಂಟೆನಾವು ನಾಲ್ಕು ಬಾಗಿದ ಏಕಶಿಲೆಗಳನ್ನು ಮತ್ತು ಈ ನಾಲ್ಕು ಏಕಶಿಲೆಗಳನ್ನು ಏಕಕಾಲದಲ್ಲಿ ಪ್ರಚೋದಿಸುವ ಆಹಾರ ಜಾಲವನ್ನು ಒಳಗೊಂಡಿದೆ. CP ಆಂಟೆನಾದ ವಿದ್ಯುತ್ ಗಾತ್ರವು ಕೇವಲ λ ₀/5×λ ₀/5×λ ₀/13 ಆಗಿದೆ. ಪ್ರತಿರೋಧ ಬ್ಯಾಂಡ್ವಿಡ್ತ್ (Sgadgad <sub> 11 <sub> Rad <; -10 dB) 3.85% (2.392 GHz ರಿಂದ 2.486 GHz) ಮತ್ತು ಅಕ್ಷೀಯ ಅನುಪಾತವು ಅಜಿಮುತ್ ಸಮತಲದಲ್ಲಿ ಕಾರ್ಯಾಚರಣಾ ಬ್ಯಾಂಡ್ನಲ್ಲಿ 0.5 dB ಗಿಂತ ಕಡಿಮೆಯಿರುತ್ತದೆ.

0015fa48e4ab633985df789920ef1e0c75d4b7a8

ಪತ್ತೆ (CVPR 97ರ ಪ್ರೊಸೀಡಿಂಗ್ಸ್ ನಲ್ಲಿ ಕಾಣಿಸಿಕೊಳ್ಳಲು, ಜೂನ್ 17-19, 1997, ಪೋರ್ಟೊ ರಿಕೊ) ಎಡ್ಗರ್ ಒಸೊನೆ? ರಾಬರ್ಟ್ ಫ್ರೆಂಡ್? ಫೆಡೆರಿಕೊ ಗಿರೊಸಿಯೊ ಜೈವಿಕ ಮತ್ತು ಗಣನಾ ಕಲಿಕೆ ಮತ್ತು ಕಾರ್ಯಾಚರಣೆಗಳ ಸಂಶೋಧನಾ ಕೇಂದ್ರ ಮ್ಯಾಸಚೂಸೆಟ್ಸ್ ಇನ್ಸ್ಟಿಟ್ಯೂಟ್ ಆಫ್ ಟೆಕ್ನಾಲಜಿ ಕೇಂಬ್ರಿಡ್ಜ್, MA, 02139, U. S. A. ಸಾರಾಂಶ ನಾವು ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿಯಲ್ಲಿ ಬೆಂಬಲ ವೆಕ್ಟರ್ ಯಂತ್ರಗಳ (SVM ಗಳು) ಅನ್ವಯವನ್ನು ತನಿಖೆ ಮಾಡುತ್ತೇವೆ. ಎಸ್ವಿಎಂ ಎನ್ನುವುದು ವಿ. ವಾಪ್ನಿಕ್ ಮತ್ತು ಅವರ ತಂಡ (ಎಟಿ ಮತ್ತು ಟಿ ಬೆಲ್ ಲ್ಯಾಬ್ಸ್) ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಕಲಿಕೆಯ ತಂತ್ರವಾಗಿದೆ. ಇದನ್ನು ಬಹುಪದೀಯ, ನರ ಜಾಲ, ಅಥವಾ ರೇಡಿಯಲ್ ಬೇಸ್ ಫಂಕ್ಷನ್ ವರ್ಗೀಕರಣಕಾರರಿಗೆ ತರಬೇತಿ ನೀಡುವ ಹೊಸ ವಿಧಾನವಾಗಿ ನೋಡಬಹುದು. ರೇಖೀಯವಾಗಿ ನಿರ್ಬಂಧಿತ ಚೌಕೀಯ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸುವ ಮೂಲಕ ನಿರ್ಧಾರ ಮೇಲ್ಮೈಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲಾಗುತ್ತದೆ. ಈ ಆಪ್ಟಿಮೈಸೇಶನ್ ಸಮಸ್ಯೆ ಸವಾಲಿನದ್ದಾಗಿದೆ ಏಕೆಂದರೆ ಚೌಕ ರೂಪವು ಸಂಪೂರ್ಣವಾಗಿ ದಟ್ಟವಾಗಿರುತ್ತದೆ ಮತ್ತು ಡೇಟಾ ಬಿಂದುಗಳ ಸಂಖ್ಯೆಯ ಚೌಕದೊಂದಿಗೆ ಮೆಮೊರಿ ಅವಶ್ಯಕತೆಗಳು ಬೆಳೆಯುತ್ತವೆ. ನಾವು ಜಾಗತಿಕ ಅತ್ಯುತ್ತಮತೆಯನ್ನು ಖಾತರಿಪಡಿಸುವ ವಿಭಜನಾ ಕ್ರಮಾವಳಿಗಳನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತೇವೆ ಮತ್ತು SVM ಗಳನ್ನು ಬಹಳ ದೊಡ್ಡ ಡೇಟಾ ಸೆಟ್ಗಳಲ್ಲಿ ತರಬೇತಿ ನೀಡಲು ಬಳಸಬಹುದು. ವಿಭಜನೆಯ ಹಿಂದಿನ ಮುಖ್ಯ ಕಲ್ಪನೆಯು ಉಪ-ಸಮಸ್ಯೆಗಳ ಪುನರಾವರ್ತಿತ ಪರಿಹಾರ ಮತ್ತು ಸುಧಾರಿತ ಪುನರಾವರ್ತಿತ ಮೌಲ್ಯಗಳನ್ನು ಉತ್ಪಾದಿಸಲು ಮತ್ತು ಅಲ್ಗಾರಿದಮ್ಗಾಗಿ ನಿಲ್ಲಿಸುವ ಮಾನದಂಡಗಳನ್ನು ಸ್ಥಾಪಿಸಲು ಬಳಸಲಾಗುವ ಅತ್ಯುತ್ತಮತೆಯ ಪರಿಸ್ಥಿತಿಗಳ ಮೌಲ್ಯಮಾಪನವಾಗಿದೆ. ನಾವು ಎಸ್ವಿಎಂನ ನಮ್ಮ ಅನುಷ್ಠಾನದ ಪ್ರಾಯೋಗಿಕ ಫಲಿತಾಂಶಗಳನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತೇವೆ ಮತ್ತು 50,000 ಡೇಟಾ ಬಿಂದುಗಳ ಡೇಟಾ ಸೆಟ್ ಅನ್ನು ಒಳಗೊಂಡಿರುವ ಮುಖ ಪತ್ತೆ ಸಮಸ್ಯೆಯ ಮೇಲೆ ನಮ್ಮ ವಿಧಾನದ ಕಾರ್ಯಸಾಧ್ಯತೆಯನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತೇವೆ.

ca74a59166af72a14af031504e31d86c7953dc91

0122e063ca5f0f9fb9d144d44d41421503252010

ಮೇಲ್ವಿಚಾರಣೆಯಿಲ್ಲದ ವೈಶಿಷ್ಟ್ಯ ಕಲಿಕೆ ಮತ್ತು ಆಳವಾದ ಕಲಿಕೆಯಲ್ಲಿ ಇತ್ತೀಚಿನ ಕೆಲಸವು ದೊಡ್ಡ ಮಾದರಿಗಳನ್ನು ತರಬೇತಿ ಮಾಡಲು ಸಾಧ್ಯವಾಗುವುದರಿಂದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನಾಟಕೀಯವಾಗಿ ಸುಧಾರಿಸಬಹುದು ಎಂದು ತೋರಿಸಿದೆ. ಈ ಲೇಖನದಲ್ಲಿ, ನಾವು ಹತ್ತಾರು ಸಿಪಿಯು ಕೋರ್ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಶತಕೋಟಿ ನಿಯತಾಂಕಗಳನ್ನು ಹೊಂದಿರುವ ಆಳವಾದ ನೆಟ್ವರ್ಕ್ ಅನ್ನು ತರಬೇತಿ ಮಾಡುವ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಗಣಿಸುತ್ತೇವೆ. ನಾವು ಡಿಸ್ಟ್ ಬೆಲೀಫ್ ಎಂಬ ಸಾಫ್ಟ್ ವೇರ್ ಫ್ರೇಮ್ ವರ್ಕ್ ಅನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದೇವೆ ಅದು ಸಾವಿರಾರು ಯಂತ್ರಗಳ ಕಂಪ್ಯೂಟಿಂಗ್ ಕ್ಲಸ್ಟರ್ ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ದೊಡ್ಡ ಮಾದರಿಗಳನ್ನು ತರಬೇತಿ ಮಾಡಬಹುದು. ಈ ಚೌಕಟ್ಟಿನೊಳಗೆ, ನಾವು ದೊಡ್ಡ ಪ್ರಮಾಣದ ವಿತರಿಸಿದ ತರಬೇತಿಗೆ ಎರಡು ಕ್ರಮಾವಳಿಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದೇವೆಃ (i) ಡೌನ್ಪೋರ್ ಎಸ್ಜಿಡಿ, ಅಸಮಕಾಲಿಕ ಸ್ಟೋಕಾಸ್ಟಿಕ್ ಗ್ರೇಡಿಯಂಟ್ ಡಿಸೆಂಟ್ ಕಾರ್ಯವಿಧಾನವು ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ಮಾದರಿ ಪ್ರತಿಕೃತಿಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ, ಮತ್ತು (ii) ಸ್ಯಾಂಡ್ಬ್ಲಾಸ್ಟರ್, ಎಲ್-ಬಿಎಫ್ಜಿಎಸ್ನ ವಿತರಿಸಿದ ಅನುಷ್ಠಾನ ಸೇರಿದಂತೆ ವಿವಿಧ ವಿತರಿಸಿದ ಬ್ಯಾಚ್ ಆಪ್ಟಿಮೈಸೇಶನ್ ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ಬೆಂಬಲಿಸುವ ಚೌಕಟ್ಟನ್ನು ಹೊಂದಿದೆ. ಡೌನ್ಪೋರ್ ಎಸ್ಜಿಡಿ ಮತ್ತು ಸ್ಯಾಂಡ್ಬ್ಲಾಸ್ಟರ್ ಎಲ್-ಬಿಎಫ್ಜಿಎಸ್ ಎರಡೂ ಆಳವಾದ ನೆಟ್ವರ್ಕ್ ತರಬೇತಿಯ ಪ್ರಮಾಣ ಮತ್ತು ವೇಗವನ್ನು ಹೆಚ್ಚಿಸುತ್ತವೆ. ನಾವು ನಮ್ಮ ವ್ಯವಸ್ಥೆಯನ್ನು ಯಶಸ್ವಿಯಾಗಿ ಬಳಸಿದ್ದೇವೆ ಆಳವಾದ ನೆಟ್ವರ್ಕ್ ಅನ್ನು ತರಬೇತಿ ಮಾಡಲು 30x ಹಿಂದೆ ಸಾಹಿತ್ಯದಲ್ಲಿ ವರದಿ ಮಾಡಲಾಗಿದೆ, ಮತ್ತು ಇಮೇಜ್ನೆಟ್ನಲ್ಲಿ ಅತ್ಯಾಧುನಿಕ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸಾಧಿಸುತ್ತದೆ, 16 ಮಿಲಿಯನ್ ಚಿತ್ರಗಳು ಮತ್ತು 21k ವಿಭಾಗಗಳೊಂದಿಗೆ ದೃಶ್ಯ ವಸ್ತು ಗುರುತಿಸುವಿಕೆ ಕಾರ್ಯ. ಈ ತಂತ್ರಗಳು ವಾಣಿಜ್ಯ ಭಾಷಣ ಗುರುತಿಸುವಿಕೆ ಸೇವೆಗಾಗಿ ಹೆಚ್ಚು ಸಾಧಾರಣ ಗಾತ್ರದ ಆಳವಾದ ಜಾಲದ ತರಬೇತಿಯನ್ನು ನಾಟಕೀಯವಾಗಿ ವೇಗಗೊಳಿಸುತ್ತವೆ ಎಂದು ನಾವು ತೋರಿಸುತ್ತೇವೆ. ದೊಡ್ಡ ನರ ಜಾಲಗಳ ತರಬೇತಿಗೆ ಅನ್ವಯಿಸಿದಂತೆ ನಾವು ಈ ವಿಧಾನಗಳ ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಿದರೂ ಮತ್ತು ವರದಿ ಮಾಡಿದರೂ, ಆಧಾರವಾಗಿರುವ ಕ್ರಮಾವಳಿಗಳು ಯಾವುದೇ ಗ್ರೇಡಿಯಂಟ್ ಆಧಾರಿತ ಯಂತ್ರ ಕಲಿಕೆ ಕ್ರಮಾವಳಿಗೆ ಅನ್ವಯಿಸುತ್ತವೆ.

f5fca08badb5f182bfc5bc9050e786d40e0196df

ನಿಸ್ತಂತು ಸಂವೇದಕ ಜಾಲವನ್ನು ಆಧರಿಸಿದ ಜಲ ಪರಿಸರ ಮೇಲ್ವಿಚಾರಣಾ ವ್ಯವಸ್ಥೆಯನ್ನು ಪ್ರಸ್ತಾಪಿಸಲಾಗಿದೆ. ಇದು ಮೂರು ಭಾಗಗಳನ್ನು ಒಳಗೊಂಡಿದೆಃ ದತ್ತಾಂಶ ಮೇಲ್ವಿಚಾರಣಾ ನೋಡ್ಗಳು, ದತ್ತಾಂಶ ಮೂಲ ಕೇಂದ್ರ ಮತ್ತು ದೂರಸ್ಥ ಮೇಲ್ವಿಚಾರಣಾ ಕೇಂದ್ರ. ಈ ವ್ಯವಸ್ಥೆಯು ಜಲಾಶಯಗಳು, ಸರೋವರಗಳು, ನದಿಗಳು, ಜೌಗುಗಳು ಮತ್ತು ಆಳವಿಲ್ಲದ ಅಥವಾ ಆಳವಾದ ಅಂತರ್ಜಲಗಳಂತಹ ಸಂಕೀರ್ಣ ಮತ್ತು ದೊಡ್ಡ-ಪ್ರಮಾಣದ ಜಲ ಪರಿಸರ ಮೇಲ್ವಿಚಾರಣೆಗೆ ಸೂಕ್ತವಾಗಿದೆ. ಈ ಪತ್ರಿಕೆಯು ನಮ್ಮ ಹೊಸ ಜಲ ಪರಿಸರ ಮಾನಿಟರಿಂಗ್ ಸಿಸ್ಟಮ್ ವಿನ್ಯಾಸದ ವಿವರಣೆ ಮತ್ತು ವಿವರಣೆಗೆ ಮೀಸಲಾಗಿರುತ್ತದೆ. ಈ ವ್ಯವಸ್ಥೆಯು ಕೃತಕ ಸರೋವರದ ನೀರಿನ ತಾಪಮಾನ ಮತ್ತು pH ಮೌಲ್ಯದ ಪರಿಸರದ ಆನ್ಲೈನ್ ಸ್ವಯಂ-ಮೇಲ್ವಿಚಾರಣೆಯನ್ನು ಯಶಸ್ವಿಯಾಗಿ ಸಾಧಿಸಿದೆ. ವ್ಯವಸ್ಥೆಯ ಮಾಪನ ಸಾಮರ್ಥ್ಯವು ನೀರಿನ ತಾಪಮಾನಕ್ಕೆ 0 ರಿಂದ 80 °C ವರೆಗೆ ಇರುತ್ತದೆ, ±0.5 °C ನಿಖರತೆಯೊಂದಿಗೆ; pH ಮೌಲ್ಯಕ್ಕೆ 0 ರಿಂದ 14 ವರೆಗೆ, ±0.05 pH ಘಟಕಗಳ ನಿಖರತೆಯೊಂದಿಗೆ. ವಿವಿಧ ನೀರಿನ ಪರಿಸರಗಳಿಗೆ ಮಾನಿಟರಿಂಗ್ ಬೇಡಿಕೆಗಳನ್ನು ಪೂರೈಸಲು ಮತ್ತು ವಿಭಿನ್ನ ನಿಯತಾಂಕಗಳನ್ನು ಪಡೆಯಲು ವಿಭಿನ್ನ ನೀರಿನ ಗುಣಮಟ್ಟದ ಸನ್ನಿವೇಶಗಳಿಗೆ ಅನ್ವಯವಾಗುವ ಸಂವೇದಕಗಳನ್ನು ನೋಡ್ಗಳಲ್ಲಿ ಅಳವಡಿಸಬೇಕು. ಈ ರೀತಿಯಾಗಿ, ಮೇಲ್ವಿಚಾರಣಾ ವ್ಯವಸ್ಥೆಯು ವ್ಯಾಪಕವಾದ ಅನ್ವಯಿಸುವಿಕೆಯ ನಿರೀಕ್ಷೆಗಳನ್ನು ನೀಡುತ್ತದೆ.

0969bae35536395aff521f6fbcd9d5ff379664e3

ಬಹು-ರೇಡಿಯೋ, ಬಹು-ಹಾಪ್ ನಿಸ್ತಂತು ಜಾಲಗಳಲ್ಲಿ ರೂಟಿಂಗ್ಗಾಗಿ ನಾವು ಹೊಸ ಮೆಟ್ರಿಕ್ ಅನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತೇವೆ. ಸಮುದಾಯದ ನಿಸ್ತಂತು ಜಾಲಗಳಂತಹ ಸ್ಥಿರವಾದ ನೋಡ್ಗಳನ್ನು ಹೊಂದಿರುವ ನಿಸ್ತಂತು ಜಾಲಗಳ ಮೇಲೆ ನಾವು ಗಮನ ಹರಿಸುತ್ತೇವೆ. ಮೂಲ ಮತ್ತು ಗಮ್ಯಸ್ಥಾನದ ನಡುವೆ ಹೆಚ್ಚಿನ ಥ್ರೋಪುಟ್ ಮಾರ್ಗವನ್ನು ಆಯ್ಕೆ ಮಾಡುವುದು ಮೆಟ್ರಿಕ್ನ ಗುರಿಯಾಗಿದೆ. ನಮ್ಮ ಮೆಟ್ರಿಕ್ ಲಿಂಕ್ ಮೂಲಕ ಪ್ಯಾಕೆಟ್ನ ನಿರೀಕ್ಷಿತ ಪ್ರಸರಣ ಸಮಯ (ETT) ಆಧರಿಸಿ ಪ್ರತ್ಯೇಕ ಲಿಂಕ್ಗಳಿಗೆ ತೂಕಗಳನ್ನು ನಿಯೋಜಿಸುತ್ತದೆ. ETT ನಷ್ಟ ದರ ಮತ್ತು ಸಂಪರ್ಕದ ಬ್ಯಾಂಡ್ವಿಡ್ತ್ನ ಒಂದು ಕಾರ್ಯವಾಗಿದೆ. ಪ್ರತ್ಯೇಕ ಲಿಂಕ್ ತೂಕಗಳನ್ನು ತೂಕವುಳ್ಳ ಸಂಚಿತ ETT (WCETT) ಎಂಬ ಮಾರ್ಗದ ಮಾಪನಕ್ಕೆ ಸಂಯೋಜಿಸಲಾಗುತ್ತದೆ, ಅದು ಅದೇ ಚಾನಲ್ ಅನ್ನು ಬಳಸುವ ಲಿಂಕ್ಗಳ ನಡುವಿನ ಹಸ್ತಕ್ಷೇಪವನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಪರಿಗಣಿಸುತ್ತದೆ. WCETT ಮೆಟ್ರಿಕ್ ಅನ್ನು ನಾವು ಮಲ್ಟಿ-ರೇಡಿಯೋ ಲಿಂಕ್-ಕ್ವಾಲಿಟಿ ಸೋರ್ಸ್ ರೂಟಿಂಗ್ ಎಂದು ಕರೆಯುವ ರೂಟಿಂಗ್ ಪ್ರೋಟೋಕಾಲ್ನಲ್ಲಿ ಅಳವಡಿಸಲಾಗಿದೆ. ನಾವು ನಮ್ಮ ಮೆಟ್ರಿಕ್ನ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು 23 ನೋಡ್ಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ವೈರ್ಲೆಸ್ ಟೆಸ್ಟ್ ಬೆಡ್ನಲ್ಲಿ ಅಳವಡಿಸುವ ಮೂಲಕ ಅಧ್ಯಯನ ಮಾಡಿದ್ದೇವೆ, ಪ್ರತಿಯೊಂದೂ ಎರಡು 802.11 ವೈರ್ಲೆಸ್ ಕಾರ್ಡ್ಗಳನ್ನು ಹೊಂದಿದೆ. ಬಹು-ರೇಡಿಯೋ ಪರಿಸರದಲ್ಲಿ, ನಮ್ಮ ಮೆಟ್ರಿಕ್ ಎರಡನೆಯ ರೇಡಿಯೊವನ್ನು ವಿವೇಚನೆಯಿಂದ ಬಳಸುವುದರ ಮೂಲಕ ಈ ಹಿಂದೆ ಪ್ರಸ್ತಾಪಿಸಲಾದ ರೂಟಿಂಗ್ ಮೆಟ್ರಿಕ್ಗಳನ್ನು ಗಮನಾರ್ಹವಾಗಿ ಮೀರಿಸುತ್ತದೆ ಎಂದು ನಾವು ಕಂಡುಕೊಂಡಿದ್ದೇವೆ.

3a01f9933066f0950435a509c2b7bf427a1ebd7f

ಈ ಲೇಖನದಲ್ಲಿ ನಾವು ಮಾನಿಟರ್ನ ಎಲ್ಇಡಿ ದತ್ತಾಂಶವನ್ನು ಸ್ಮಾರ್ಟ್ಫೋನ್ ಕ್ಯಾಮೆರಾಗೆ ಹರಿಯುವ ಮೂಲಕ ದತ್ತಾಂಶ ಹೊರತೆಗೆಯುವ ಹೊಸ ವಿಧಾನವನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತೇವೆ. ಹೊಸ ವಿಧಾನವನ್ನು ಆಕ್ರಮಣಕಾರರು ಸಂಸ್ಥೆಯಿಂದ ಅಮೂಲ್ಯವಾದ ಮಾಹಿತಿಯನ್ನು ಸೋರಿಕೆ ಮಾಡಲು ಬಳಸಬಹುದು. ಈ ವರದಿಯಲ್ಲಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಪರಿಕಲ್ಪನೆಯ ಪುರಾವೆ ವಿವರಿಸಲಾಗಿದೆ, ನಂತರ ಪ್ರಾಯೋಗಿಕವಾಗಿ ಜನರಿಗೆ ದಾಳಿಯ ಬಗ್ಗೆ ತಿಳಿದಿಲ್ಲ ಎಂದು ತೋರಿಸುವ ಪ್ರಯೋಗದ ವಿವರಣೆಯನ್ನು ಅನುಸರಿಸಲಾಗಿದೆ. ನಾವು ಈ ರೀತಿಯ ಬೆದರಿಕೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಮತ್ತು ಕೆಲವು ಸಂಭವನೀಯ ಪ್ರತಿ-ಕ್ರಮಗಳನ್ನು ಸುಲಭಗೊಳಿಸುವ ಮಾರ್ಗಗಳನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ.

698b8181cd613a72adeac0d75252afe7f57a5180

ಉದಯೋನ್ಮುಖ ಬಹು-ಕೋರ್ ಪ್ಲಾಟ್ಫಾರ್ಮ್ಗಳಿಗಾಗಿ ಮರ-ಸಮಗ್ರ ಕ್ರಮಾವಳಿಗಳ ರಾಂಡಮ್ ಫಾರೆಸ್ಟ್ (ಆರ್ಎಫ್) ಮತ್ತು ಎಕ್ಸ್ಟ್ರೀಮ್ಲಿ ರಾಂಡಮ್ಡ್ ಟ್ರೀಸ್ (ಇಆರ್ಟಿ) ನ ಎರಡು ಹೊಸ ಸಮಾನಾಂತರ ಅನುಷ್ಠಾನಗಳನ್ನು ನಾವು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತೇವೆ, ಉದಾಹರಣೆಗೆ, ಸಾಮಾನ್ಯ-ಉದ್ದೇಶದ ಕಂಪ್ಯೂಟಿಂಗ್ (ಜಿಪಿಜಿಪಿಯು) ಗೆ ಸೂಕ್ತವಾದ ಸಮಕಾಲೀನ ಗ್ರಾಫಿಕ್ಸ್ ಕಾರ್ಡ್ಗಳು. ಯಾದೃಚ್ಛಿಕ ಅರಣ್ಯ ಮತ್ತು ಅತ್ಯಂತ ಯಾದೃಚ್ಛಿಕ ಮರಗಳು ವರ್ಗೀಕರಣ ಮತ್ತು ಹಿಂಜರಿಕೆಯ ಸಮಗ್ರ ಕಲಿಯುವವರು. ಅವರು ತರಬೇತಿ ಸಮಯದಲ್ಲಿ ಬಹುಸಂಖ್ಯೆಯ ನಿರ್ಧಾರ ಮರಗಳನ್ನು ನಿರ್ಮಿಸುವ ಮೂಲಕ ಮತ್ತು ಪ್ರತ್ಯೇಕ ಮರಗಳ ಉತ್ಪನ್ನಗಳನ್ನು ಹೋಲಿಸುವ ಮೂಲಕ ಮುನ್ಸೂಚನೆಯನ್ನು ಉತ್ಪಾದಿಸುವ ಮೂಲಕ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಾರೆ. ಕಾರ್ಯದ ಅಂತರ್ಗತ ಸಮಾನಾಂತರತೆಗೆ ಧನ್ಯವಾದಗಳು, ಅದರ ಕಂಪ್ಯೂಟೇಶನ್ಗಾಗಿ ಒಂದು ಸ್ಪಷ್ಟ ವೇದಿಕೆಯೆಂದರೆ ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ಸಂಸ್ಕರಣಾ ಕೋರ್ಗಳೊಂದಿಗೆ ಸಮಕಾಲೀನ ಜಿಪಿಯುಗಳನ್ನು ಬಳಸುವುದು. ಸಾಹಿತ್ಯದಲ್ಲಿನ ಹಿಂದಿನ ಸಮಾನಾಂತರ ಕ್ರಮಾವಳಿಗಳು ಸಾಂಪ್ರದಾಯಿಕ ಬಹು-ಕೋರ್ ಸಿಪಿಯು ಪ್ಲಾಟ್ಫಾರ್ಮ್ಗಳಿಗಾಗಿ ಅಥವಾ ಸರಳವಾದ ಹಾರ್ಡ್ವೇರ್ ವಾಸ್ತುಶಿಲ್ಪ ಮತ್ತು ತುಲನಾತ್ಮಕವಾಗಿ ಕಡಿಮೆ ಸಂಖ್ಯೆಯ ಕೋರ್ಗಳೊಂದಿಗೆ ಆರಂಭಿಕ ಇತಿಹಾಸದ ಜಿಪಿಯುಗಳಿಗಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. ಹೊಸ ಸಮಾನಾಂತರ ಕ್ರಮಾವಳಿಗಳನ್ನು ಸಮಕಾಲೀನ ಜಿಪಿಯುಗಳಿಗಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ ಮತ್ತು ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ಕೋರ್ಗಳನ್ನು ಹೊಂದಿದ್ದು, ಮೆಮೊರಿ ಶ್ರೇಣೀಕರಣ ಮತ್ತು ಥ್ರೆಡ್ ವೇಳಾಪಟ್ಟಿಯಂತಹ ಹೊಸ ಹಾರ್ಡ್ವೇರ್ ವಾಸ್ತುಶಿಲ್ಪದ ಅಂಶಗಳನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ. ಅವುಗಳನ್ನು ಸಿ/ಸಿ++ ಭಾಷೆ ಮತ್ತು ಕ್ಯೂಡಿಎ ಇಂಟರ್ಫೇಸ್ ಬಳಸಿ ಎನ್ವಿಡಿಯಾ ಆಧಾರಿತ ಜಿಪಿಯುಗಳಲ್ಲಿ ಉತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆಗಾಗಿ ಅಳವಡಿಸಲಾಗಿದೆ. ಸಿಪಿಯು ಮತ್ತು ಜಿಪಿಯು ಪ್ಲಾಟ್ಫಾರ್ಮ್ಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ ಪ್ರಮುಖ ಹಿಂದಿನ ಪರಿಹಾರಗಳೊಂದಿಗೆ ಹೋಲಿಸುವ ಪ್ರಾಯೋಗಿಕ ಅಧ್ಯಯನವು ಹೊಸ ಅನುಷ್ಠಾನಗಳಿಗೆ ಗಮನಾರ್ಹವಾದ ಸುಧಾರಣೆಯನ್ನು ತೋರಿಸುತ್ತದೆ, ಸಾಮಾನ್ಯವಾಗಿ ಹಲವಾರು ಪ್ರಮಾಣಗಳೊಂದಿಗೆ.

1b4e04381ddd2afab1660437931cd62468370a98

ಭಾಷಣದ ಭಾಗದ ಮಾಹಿತಿಯೊಂದಿಗೆ ಟ್ಯಾಗ್ ಮಾಡಲಾದ ಪಠ್ಯ ಕಾರ್ಪೊರಾಸ್ಗಳು ಭಾಷಾಶಾಸ್ತ್ರದ ಸಂಶೋಧನೆಯ ಅನೇಕ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಉಪಯುಕ್ತವಾಗಿವೆ. ಈ ಲೇಖನದಲ್ಲಿ, ನರಮಂಡಲದ ಜಾಲಗಳಲ್ಲಿ ಬಳಸಲಾದ ಹೊಸ ಭಾಗ-ಭಾಷಣ ಟ್ಯಾಗಿಂಗ್ ವಿಧಾನವನ್ನು (ನೆಟ್-ಟ್ಯಾಗರ್) ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ ಮತ್ತು ಅದರ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು llMM-ಟ್ಯಾಗರ್ (ಕಟಿಂಗ್ ಮತ್ತು ಇತರರು, 1992) ಮತ್ತು ಟ್ರೈಗ್ರಾಮ್ ಆಧಾರಿತ ಟ್ಯಾಗರ್ (ಕೆಂಪೆ, 1993) ಗೆ ಹೋಲಿಸಲಾಗಿದೆ. ನೆಟ್-ಟ್ಯಾಗ್ಗರ್ ಟ್ರಿಗ್ರಾಮ್ ಆಧಾರಿತ ಟ್ಯಾಗ್ಗರ್ನಂತೆಯೇ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ಐಐಎಂಎಂ-ಟ್ಯಾಗ್ಗರ್ಗಿಂತ ಉತ್ತಮವಾಗಿದೆ ಎಂದು ತೋರಿಸಲಾಗಿದೆ.

68ba338be70fd3c5bdbc1c271243740f2e0a0f0c

ದೊಡ್ಡದಾದ ವಿರಳ ಬೈನರಿ ದತ್ತಾಂಶ ಸಂಗ್ರಹಗಳಿಗೆ ನೀಡಲಾದ ಪ್ರಶ್ನೆಗಳಿಗೆ ತ್ವರಿತ ಸಮೀಪದ ಉತ್ತರಗಳನ್ನು ಉತ್ಪಾದಿಸುವ ಸಮಸ್ಯೆಯನ್ನು ನಾವು ತನಿಖೆ ಮಾಡುತ್ತೇವೆ. ನಾವು ಈ ಸಮಸ್ಯೆಗೆ ಸಂಭವನೀಯ ಮೋಡ್ l- ಆಧಾರಿತ ವಿಧಾನಗಳ ಮೇಲೆ ನಿರ್ದಿಷ್ಟವಾಗಿ ಗಮನ ಹರಿಸುತ್ತೇವೆ ಮತ್ತು ಮೂಲಭೂತ ಸ್ವಾತಂತ್ರ್ಯ ಮಾದರಿಗಿಂತ ಗಮನಾರ್ಹವಾಗಿ ಹೆಚ್ಚು ನಿಖರವಾದ ಹಲವಾರು ತಂತ್ರಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತೇವೆ. ನಿರ್ದಿಷ್ಟವಾಗಿ ಹೇಳುವುದಾದರೆ, ನಾವು ಎರಡು ತಂತ್ರಗಳನ್ನು ಪರಿಚಯಿಸುತ್ತೇವೆ ಆಗಾಗ್ಗೆ ಐಟಂಗಳ ಮಾದರಿಗಳಿಂದ ಸಂಭವನೀಯತೆ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಲುಃ ಐಟಂಗಳ ಗರಿಷ್ಠ ಎಂಟ್ರೊಪಿ ವಿಧಾನ, ಮತ್ತು ಐಟಂಗಳ ಮಾದರಿಯಲ್ಲಿ ಸೇರ್ಪಡೆ-ಹೊರಗಿಡುವಿಕೆ. ಗರಿಷ್ಠ ಎಂಟ್ರೊಪಿ ವಿಧಾನದಲ್ಲಿ ನಾವು ಐಟಂಗಳನ್ನು ಪ್ರಶ್ನೆ ಅಸ್ಥಿರಗಳ ವಿತರಣೆಯ ನಿರ್ಬಂಧಗಳಾಗಿ ಪರಿಗಣಿಸುತ್ತೇವೆ ಮತ್ತು ಆನ್ಲೈನ್ನಲ್ಲಿ ಗೌರವಗಳಲ್ಲಿ ಪ್ರಶ್ನಿಸಲು ಜಂಟಿ ಸಂಭವನೀಯತೆ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಲು ಗರಿಷ್ಠ ಎಂಟ್ರೊಪಿ ತತ್ವವನ್ನು ಬಳಸುತ್ತೇವೆ. ಸೇರ್ಪಡೆ-ಹೊರಗಿಡುವಿಕೆ ಮಾದರಿಯಲ್ಲಿ ಐಟಂಗಳ ಸೆಟ್ಗಳು ಮತ್ತು ಅವುಗಳ ಆವರ್ತನಗಳನ್ನು ಒಂದು ಡೇಟಾ ರಚನೆಯಲ್ಲಿ ಸಂಗ್ರಹಿಸಲಾಗುತ್ತದೆ, ಇದನ್ನು ಎಡಿಟ್ರೀ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ, ಇದು ಪ್ರಶ್ನೆಯನ್ನು ಉತ್ತರಿಸಲು ಸೇರ್ಪಡೆ-ಹೊರಗಿಡುವಿಕೆ ತತ್ವದ ಪರಿಣಾಮಕಾರಿ ಅನುಷ್ಠಾನವನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ. ನಾವು ಈ ಎರಡು ಐಟಂ-ಸೆಟ್ ಆಧಾರಿತ ಮಾದರಿಗಳನ್ನು ಮೂಲ ಡೇಟಾದ ನೇರ ಪ್ರಶ್ನಾವಳಿ, ಮೂಲ ಡೇಟಾದ ಮಾದರಿಗಳ ಪ್ರಶ್ನಾವಳಿ, ಹಾಗೆಯೇ ಇಂಡೆಪ್ಡೆನ್ಸ್ ಮಾದರಿ, ಚೌ-ಲಿಯು ಟ್ರೀ ಮಾದರಿ ಮತ್ತು ಬರ್ನೌಲ್ಲಿ ಮಿಶ್ರಣ ಮಾದರಿಯಂತಹ ಇತರ ಸಂಭವನೀಯ ಮಾದರಿಗಳೊಂದಿಗೆ ಪ್ರಾಯೋಗಿಕವಾಗಿ ಹೋಲಿಸುತ್ತೇವೆ. ಈ ಮಾದರಿಗಳು ಹೆಚ್ಚಿನ ಆಯಾಮವನ್ನು (ನೂರಾರು ಅಥವಾ ಸಾವಿರಾರು ಗುಣಲಕ್ಷಣಗಳನ್ನು) ನಿಭಾಯಿಸಲು ಸಮರ್ಥವಾಗಿವೆ, ಆದರೆ ಈ ವಿಷಯದ ಬಗ್ಗೆ ಹೆಚ್ಚಿನ ಇತರ ಕೆಲಸಗಳು ತುಲನಾತ್ಮಕವಾಗಿ ಕಡಿಮೆ ಆಯಾಮದ ಒಎಲ್ಎಪಿ ಸಮಸ್ಯೆಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಿದೆ. ಸಿಮ್ಯುಲೇಶನ್ ಮತ್ತು ನೈಜ-ಜಗತ್ತಿನ ವ್ಯವಹಾರ ಡೇಟಾ ಸೆಟ್ಗಳೆರಡರಲ್ಲೂ ಪ್ರಾಯೋಗಿಕ ಫಲಿತಾಂಶಗಳು ಸರಿಸುಮಾರು ದೋಷ, ಮಾದರಿ ಸಂಕೀರ್ಣತೆ ಮತ್ತು ಪ್ರಶ್ನೆಯ ಉತ್ತರವನ್ನು ಲೆಕ್ಕಹಾಕಲು ಅಗತ್ಯವಾದ ಆನ್ಲೈನ್ ಸಮಯದ ನಡುವಿನ ವಿವಿಧ ಮೂಲಭೂತ ವಿನಿಮಯಗಳನ್ನು ವಿವರಿಸುತ್ತದೆ.

90522a98ccce3aa0ce20b4dfedb76518b886ed96

ಈ ಹಸ್ತಪ್ರತಿಯ ಹಿಂದಿನ ಆವೃತ್ತಿಯಲ್ಲಿ ನೆರವು ನೀಡಿದ್ದಕ್ಕಾಗಿ ರಾಬರ್ಟ್ ಸ್ಕಿಪ್ಪರ್ ಮತ್ತು ಆರನ್ ಹೈಮನ್ ಅವರಿಗೆ ವಿಶೇಷ ಧನ್ಯವಾದಗಳು. ಅಲ್ಲದೆ, ಶೌನ್ ಮೆಕ್ ಕ್ವಿಟ್ಟಿ, ರಾಬಿನ್ ಪೀಟರ್ಸನ್, ಚಕ್ ಪಿಕೆಟ್, ಕೆವಿನ್ ಶಾನಹನ್, ಮತ್ತು ಜರ್ನಲ್ ಆಫ್ ಬಿಸಿನೆಸ್ ರಿಸರ್ಚ್ ಸಂಪಾದಕರು ಮತ್ತು ವಿಮರ್ಶಕರಿಗೆ ಅವರ ಉಪಯುಕ್ತ ಕಾಮೆಂಟ್ಗಳಿಗಾಗಿ ಧನ್ಯವಾದಗಳು. ಈ ಹಸ್ತಪ್ರತಿಯ ಹಿಂದಿನ ಆವೃತ್ತಿಯು 2001 ರ ಸೊಸೈಟಿ ಫಾರ್ ಮಾರ್ಕೆಟಿಂಗ್ ಅಡ್ವಾನ್ಸ್ ಸಮ್ಮೇಳನದಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಿದ ಅತ್ಯುತ್ತಮ ಕಾಗದಕ್ಕಾಗಿ ಶಾವ್ ಪ್ರಶಸ್ತಿಯನ್ನು ಗೆದ್ದುಕೊಂಡಿತು. ಈ ಹಸ್ತಪ್ರತಿಯ ಸಂಕ್ಷಿಪ್ತ ಆವೃತ್ತಿಯನ್ನು ಜರ್ನಲ್ ಆಫ್ ಬಿಸಿನೆಸ್ ರಿಸರ್ಚ್ನಲ್ಲಿ ಪ್ರಕಟಿಸಲು ಒಪ್ಪಿಕೊಳ್ಳಲಾಗಿದೆ.

2e0db4d4c8bdc7e11541b362cb9f8972f66563ab

05c025af60aeab10a3069256674325802c844212

ವೀಡಿಯೊಗಳು ಮತ್ತು ಚಲನೆಯ ಸೆರೆಹಿಡಿಯುವಿಕೆಗಳಲ್ಲಿ ಮಾನವ ದೇಹದ ಭಂಗಿಯನ್ನು ಗುರುತಿಸಲು ಮತ್ತು ಊಹಿಸಲು ನಾವು ಎನ್ಕೋಡರ್-ರಿಕರೆಂಟ್-ಡಿಕೋಡರ್ (ಇಆರ್ಡಿ) ಮಾದರಿಯನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ. ERD ಮಾದರಿಯು ಪುನರಾವರ್ತಿತ ನರಮಂಡಲವಾಗಿದ್ದು, ಪುನರಾವರ್ತಿತ ಪದರಗಳ ಮೊದಲು ಮತ್ತು ನಂತರದ ರೇಖಾತ್ಮಕವಲ್ಲದ ಎನ್ಕೋಡರ್ ಮತ್ತು ಡಿಕೋಡರ್ ಜಾಲಗಳನ್ನು ಒಳಗೊಂಡಿದೆ. ಚಲನೆಯ ಸೆರೆಹಿಡಿಯುವಿಕೆ (ಮೊಕಾಪ್) ಉತ್ಪಾದನೆ, ದೇಹದ ಭಂಗಿ ಲೇಬಲ್ ಮತ್ತು ವೀಡಿಯೊಗಳಲ್ಲಿ ದೇಹದ ಭಂಗಿ ಮುನ್ಸೂಚನೆಯ ಕಾರ್ಯಗಳಲ್ಲಿ ನಾವು ಇಆರ್ಡಿ ವಾಸ್ತುಶಿಲ್ಪಗಳ ನಿದರ್ಶನಗಳನ್ನು ಪರೀಕ್ಷಿಸುತ್ತೇವೆ. ನಮ್ಮ ಮಾದರಿಯು ಅನೇಕ ವಿಷಯಗಳು ಮತ್ತು ಚಟುವಟಿಕೆ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಮೋಕ್ಅಪ್ ತರಬೇತಿ ಡೇಟಾವನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ, ಮತ್ತು ದೀರ್ಘಕಾಲದವರೆಗೆ ಅಲೆದಾಡುವುದನ್ನು ತಪ್ಪಿಸುವಾಗ ಹೊಸ ಚಲನೆಗಳನ್ನು ಸಂಶ್ಲೇಷಿಸುತ್ತದೆ. ಮಾನವ ಭಂಗಿ ಲೇಬಲ್ಗಾಗಿ, ಎರ್ಡಿ ಎಡ-ಬಲ ದೇಹದ ಭಾಗಗಳ ಗೊಂದಲಗಳನ್ನು ಪರಿಹರಿಸುವ ಮೂಲಕ ಪ್ರತಿ ಫ್ರೇಮ್ ದೇಹದ ಭಾಗಗಳ ಡಿಟೆಕ್ಟರ್ ಅನ್ನು ಮೀರಿಸುತ್ತದೆ. ವೀಡಿಯೊ ಭಂಗಿ ಮುನ್ಸೂಚನೆಗಾಗಿ, ಇಆರ್ಡಿ 400 ಮಿಮೀ ಸಮಯದ ಹಾರಿಜಾನ್ನಲ್ಲಿ ದೇಹದ ಜಂಟಿ ಸ್ಥಳಾಂತರಗಳನ್ನು ಊಹಿಸುತ್ತದೆ ಮತ್ತು ಆಪ್ಟಿಕಲ್ ಹರಿವಿನ ಆಧಾರದ ಮೇಲೆ ಮೊದಲ ಕ್ರಮದ ಚಲನೆಯ ಮಾದರಿಯನ್ನು ಮೀರಿಸುತ್ತದೆ. ERD ಗಳು ಸಾಹಿತ್ಯದಲ್ಲಿನ ಹಿಂದಿನ ದೀರ್ಘಾವಧಿಯ ಅಲ್ಪಾವಧಿಯ ಮೆಮೊರಿ (LSTM) ಮಾದರಿಗಳನ್ನು ವಿಸ್ತರಿಸುತ್ತವೆ, ಪ್ರಾತಿನಿಧ್ಯಗಳು ಮತ್ತು ಅವುಗಳ ಕ್ರಿಯಾತ್ಮಕತೆಯನ್ನು ಜಂಟಿಯಾಗಿ ಕಲಿಯಲು. ನಮ್ಮ ಪ್ರಯೋಗಗಳು ಅಂತಹ ಪ್ರಾತಿನಿಧ್ಯ ಕಲಿಕೆ ಬಾಹ್ಯಾಕಾಶ-ಸಮಯದಲ್ಲಿ ಲೇಬಲ್ ಮತ್ತು ಮುನ್ಸೂಚನೆ ಎರಡಕ್ಕೂ ನಿರ್ಣಾಯಕವಾಗಿದೆ ಎಂದು ತೋರಿಸುತ್ತದೆ. 1D ಪಠ್ಯ, ಭಾಷಣ ಅಥವಾ ಕೈಬರಹಕ್ಕೆ ಹೋಲಿಸಿದರೆ ಇದು ಪ್ರಾದೇಶಿಕ-ಸಮಯದ ದೃಶ್ಯ ಕ್ಷೇತ್ರದ ನಡುವಿನ ಒಂದು ವಿಶಿಷ್ಟ ಲಕ್ಷಣವಾಗಿದೆ ಎಂದು ನಾವು ಕಂಡುಕೊಂಡಿದ್ದೇವೆ, ಅಲ್ಲಿ ನೇರ ಹಾರ್ಡ್ ಕೋಡೆಡ್ ಪ್ರಾತಿನಿಧ್ಯಗಳು ಪುನರಾವರ್ತಿತ ಘಟಕಗಳೊಂದಿಗೆ ನೇರವಾಗಿ ಸಂಯೋಜಿಸಿದಾಗ ಅತ್ಯುತ್ತಮ ಫಲಿತಾಂಶಗಳನ್ನು ತೋರಿಸಿವೆ [31].

092b64ce89a7ec652da935758f5c6d59499cde6e

ನಾವು ಹೊಸ ದತ್ತಾಂಶವನ್ನು ಪರಿಚಯಿಸುತ್ತೇವೆ, ಮಾನವ 3.6 ಮಿಲಿಯನ್ ನಿಖರವಾದ 3 ಡಿ ಮಾನವ ಭಂಗಿಗಳು, 5 ಸ್ತ್ರೀ ಮತ್ತು 6 ಪುರುಷ ವಿಷಯಗಳ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು 4 ವಿಭಿನ್ನ ದೃಷ್ಟಿಕೋನಗಳಲ್ಲಿ ದಾಖಲಿಸುವ ಮೂಲಕ ಪಡೆದುಕೊಂಡಿದೆ, ವಾಸ್ತವಿಕ ಮಾನವ ಸಂವೇದನಾ ವ್ಯವಸ್ಥೆಗಳನ್ನು ತರಬೇತಿ ಮಾಡಲು ಮತ್ತು ಮುಂದಿನ ಪೀಳಿಗೆಯ ಮಾನವ ಭಂಗಿ ಅಂದಾಜು ಮಾದರಿಗಳು ಮತ್ತು ಕ್ರಮಾವಳಿಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು. ಪ್ರಸ್ತುತ ಅತ್ಯಾಧುನಿಕ ದತ್ತಾಂಶಗಳ ಗಾತ್ರವನ್ನು ಹಲವಾರು ಪ್ರಮಾಣದಲ್ಲಿ ಹೆಚ್ಚಿಸುವುದರ ಜೊತೆಗೆ, ನಾವು ಅಂತಹ ದತ್ತಾಂಶಗಳನ್ನು ವಿಶಿಷ್ಟ ಮಾನವ ಚಟುವಟಿಕೆಗಳ ಭಾಗವಾಗಿ ಎದುರಾಗುವ ವಿವಿಧ ಚಲನೆಗಳು ಮತ್ತು ಭಂಗಿಗಳೊಂದಿಗೆ ಪೂರಕಗೊಳಿಸಲು ಸಹ ಗುರಿ ಹೊಂದಿದ್ದೇವೆ (ಫೋಟೋಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವುದು, ಫೋನ್ನಲ್ಲಿ ಮಾತನಾಡುವುದು, ಭಂಗಿ, ಶುಭಾಶಯ, ತಿನ್ನುವುದು, ಇತ್ಯಾದಿ. ), ಹೆಚ್ಚುವರಿ ಸಿಂಕ್ರೊನೈಸ್ಡ್ ಇಮೇಜ್, ಮಾನವ ಚಲನೆಯ ಸೆರೆಹಿಡಿಯುವಿಕೆ, ಮತ್ತು ಹಾರಾಟದ ಸಮಯ (ಆಳ) ಡೇಟಾ, ಮತ್ತು ಎಲ್ಲಾ ಒಳಗೊಂಡಿರುವ ವಿಷಯ ನಟರ ನಿಖರವಾದ 3D ದೇಹ ಸ್ಕ್ಯಾನ್ಗಳೊಂದಿಗೆ. ನಾವು ನಿಯಂತ್ರಿತ ಮಿಶ್ರ ರಿಯಾಲಿಟಿ ಮೌಲ್ಯಮಾಪನ ಸನ್ನಿವೇಶಗಳನ್ನು ಸಹ ಒದಗಿಸುತ್ತೇವೆ, ಅಲ್ಲಿ 3D ಮಾನವ ಮಾದರಿಗಳನ್ನು ಚಲನೆಯ ಸೆರೆಹಿಡಿಯುವಿಕೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಅನಿಮೇಟ್ ಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ಸರಿಯಾದ 3D ಜ್ಯಾಮಿತಿಯನ್ನು ಬಳಸಿಕೊಂಡು ಸೇರಿಸಲಾಗುತ್ತದೆ, ಸಂಕೀರ್ಣ ನೈಜ ಪರಿಸರದಲ್ಲಿ, ಚಲಿಸುವ ಕ್ಯಾಮೆರಾಗಳೊಂದಿಗೆ ವೀಕ್ಷಿಸಲಾಗುತ್ತದೆ, ಮತ್ತು ಮುಚ್ಚುವಿಕೆಯ ಅಡಿಯಲ್ಲಿ. ಅಂತಿಮವಾಗಿ, ನಾವು ದೊಡ್ಡ ಪ್ರಮಾಣದ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಮಾದರಿಗಳ ಒಂದು ಗುಂಪನ್ನು ಮತ್ತು ದತ್ತಾಂಶದ ವೈವಿಧ್ಯತೆಯನ್ನು ವಿವರಿಸುವ ಮತ್ತು ಸಂಶೋಧನಾ ಸಮುದಾಯದಲ್ಲಿ ಭವಿಷ್ಯದ ಕೆಲಸದಿಂದ ಸುಧಾರಣೆಗೆ ಅವಕಾಶ ನೀಡುವ ವಿವರವಾದ ಮೌಲ್ಯಮಾಪನ ಮೂಲಗಳನ್ನು ಒದಗಿಸುತ್ತೇವೆ. ನಮ್ಮ ಪ್ರಯೋಗಗಳು ನಮ್ಮ ಅತ್ಯುತ್ತಮ ದೊಡ್ಡ ಪ್ರಮಾಣದ ಮಾದರಿಯು ನಮ್ಮ ಸಂಪೂರ್ಣ ತರಬೇತಿ ಸೆಟ್ ಅನ್ನು ಈ ಸಮಸ್ಯೆಗೆ ದೊಡ್ಡದಾದ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಸಾರ್ವಜನಿಕ ಡೇಟಾ ಸೆಟ್ನ ಪ್ರಮಾಣದ ತರಬೇತಿ ಸೆಟ್ಗೆ ಹೋಲಿಸಿದರೆ 20% ಕಾರ್ಯಕ್ಷಮತೆಯ ಸುಧಾರಣೆಯನ್ನು ಸಾಧಿಸಲು ಹತೋಟಿಯಲ್ಲಿಡುತ್ತದೆ ಎಂದು ತೋರಿಸುತ್ತದೆ. ಆದರೆ, ನಮ್ಮ ದೊಡ್ಡ ದತ್ತಾಂಶ ಸಂಗ್ರಹದೊಂದಿಗೆ ಹೆಚ್ಚಿನ ಸಾಮರ್ಥ್ಯ, ಹೆಚ್ಚು ಸಂಕೀರ್ಣ ಮಾದರಿಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಸುಧಾರಣೆಗಾಗಿ ಇರುವ ಸಾಮರ್ಥ್ಯವು ಗಣನೀಯವಾಗಿ ವಿಸ್ತಾರವಾಗಿದೆ ಮತ್ತು ಭವಿಷ್ಯದ ಸಂಶೋಧನೆಗೆ ಉತ್ತೇಜನ ನೀಡಬೇಕು. ಈ ದತ್ತಾಂಶವು, ಅದಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ದೊಡ್ಡ ಪ್ರಮಾಣದ ಕಲಿಕೆಯ ಮಾದರಿಗಳು, ವೈಶಿಷ್ಟ್ಯಗಳು, ದೃಶ್ಯೀಕರಣ ಉಪಕರಣಗಳು ಮತ್ತು ಮೌಲ್ಯಮಾಪನ ಸರ್ವರ್ನ ಕೋಡ್ನೊಂದಿಗೆ http://vision.imar.ro/human3.6m ನಲ್ಲಿ ಆನ್ಲೈನ್ನಲ್ಲಿ ಲಭ್ಯವಿದೆ.

ba4a037153bff392b1e56a4109de4b04521f17b2

ತಂತ್ರಜ್ಞಾನಕ್ಕೆ ಸಮಾಜದ ವ್ಯಾಪಕ ಪ್ರವೇಶವು ಸಾಮೂಹಿಕ ತುರ್ತು ಘಟನೆಗಳಿಗೆ ಹೇಗೆ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಬಿಕ್ಕಟ್ಟಿನ ಮಾಹಿತಿಶಾಸ್ತ್ರ ತನಿಖೆ ಮಾಡುತ್ತದೆ. ಈ ಪರಿವರ್ತನೆಯನ್ನು ಅಧ್ಯಯನ ಮಾಡಲು, ಸಂಶೋಧಕರಿಗೆ ದೊಡ್ಡ ಪ್ರಮಾಣದ ದತ್ತಾಂಶಗಳಿಗೆ ಪ್ರವೇಶ ಅಗತ್ಯವಿರುತ್ತದೆ, ಅವುಗಳ ಪರಿಮಾಣ ಮತ್ತು ಭಿನ್ನರಾಶಿ ಸ್ವಭಾವದಿಂದಾಗಿ ಸಂಗ್ರಹಿಸಲು ಮತ್ತು ವಿಶ್ಲೇಷಿಸಲು ಕಷ್ಟವಾಗುತ್ತದೆ. ಈ ಕಾಳಜಿಯನ್ನು ಪರಿಹರಿಸಲು, ನಾವು ಪರಿಸರವನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಿದ್ದೇವೆ ಮತ್ತು ಕಾರ್ಯಗತಗೊಳಿಸಿದ್ದೇವೆ - ಎಪಿಕ್ ಅನಾಲೈಸ್ - ಇದು ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸುವ ಮತ್ತು ವಿಶ್ಲೇಷಿಸುವ ಸಂಶೋಧಕರನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ. ನಮ್ಮ ಸಂಶೋಧನೆಯು ಈ ಸೇವೆಗಳು ವಿಶ್ವಾಸಾರ್ಹ, ಸ್ಕೇಲೆಬಲ್, ವಿಸ್ತರಿಸಬಹುದಾದ ಮತ್ತು ಪರಿಣಾಮಕಾರಿ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ಅಗತ್ಯವಾದ ಅಂಶಗಳಾದ NoSQL, MapReduce, ಸಂಗ್ರಹಣೆ ಮತ್ತು ಹುಡುಕಾಟವನ್ನು ಗುರುತಿಸಿದೆ. ಎಪಿಕ್ ಅನಾಲೈಸ್ ಅನ್ನು ನಿರ್ಮಿಸುವಾಗ ಎದುರಾದ ವಿನ್ಯಾಸದ ಸವಾಲುಗಳನ್ನು ನಾವು ವಿವರಿಸುತ್ತೇವೆ - ಉದಾಹರಣೆಗೆ ಡೇಟಾ ಮಾಡೆಲಿಂಗ್, ಸಮಯ ಮತ್ತು ಸ್ಥಳ ವಿನಿಮಯಗಳು ಮತ್ತು ಉಪಯುಕ್ತ ಮತ್ತು ಬಳಸಬಹುದಾದ ವ್ಯವಸ್ಥೆಯ ಅಗತ್ಯತೆ - ಮತ್ತು ಅದರ ಸ್ಕೇಲೆಬಿಲಿಟಿ, ಕಾರ್ಯಕ್ಷಮತೆ ಮತ್ತು ಕ್ರಿಯಾತ್ಮಕತೆಯನ್ನು ಚರ್ಚಿಸುತ್ತೇವೆ.

4416236e5ee4239e86e3cf3db6a2d1a2ff2ae720

ಆಧುನಿಕ ವಿಶ್ಲೇಷಣಾ ಅನ್ವಯಿಕೆಗಳು ಹೆಚ್ಚು ಸಂಕೀರ್ಣವಾದ ಕೆಲಸದ ಹರಿವುಗಳನ್ನು ನಿರ್ಮಿಸಲು ವಿಭಿನ್ನ ಗ್ರಂಥಾಲಯಗಳು ಮತ್ತು ಚೌಕಟ್ಟುಗಳಿಂದ ಬಹು ಕಾರ್ಯಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತವೆ. ಪ್ರತಿಯೊಂದು ಕಾರ್ಯವು ಪ್ರತ್ಯೇಕವಾಗಿ ಹೆಚ್ಚಿನ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸಾಧಿಸಬಹುದಾದರೂ, ಸಂಯೋಜಿತ ಕೆಲಸದ ಹರಿವಿನ ಕಾರ್ಯಕ್ಷಮತೆಯು ಸಾಮಾನ್ಯವಾಗಿ ಹಾರ್ಡ್ವೇರ್ ಮಿತಿಗಳಿಗಿಂತ ದೊಡ್ಡದಾದ ಪ್ರಮಾಣದಲ್ಲಿರುತ್ತದೆ, ಏಕೆಂದರೆ ಕಾರ್ಯಗಳಾದ್ಯಂತ ವ್ಯಾಪಕವಾದ ಡೇಟಾ ಚಲನೆ. ಈ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು, ನಾವು ವೆಲ್ಡ್ ಅನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ, ಇದು ಡೇಟಾ-ತೀವ್ರ ಅನ್ವಯಿಕೆಗಳಿಗಾಗಿ ರನ್ಟೈಮ್ ಆಗಿದ್ದು ಅದು ಅಸಂಘಟಿತ ಗ್ರಂಥಾಲಯಗಳು ಮತ್ತು ಕಾರ್ಯಗಳಾದ್ಯಂತ ಅತ್ಯುತ್ತಮವಾಗಿಸುತ್ತದೆ. SQL, ಯಂತ್ರ ಕಲಿಕೆ ಮತ್ತು ಗ್ರಾಫ್ ವಿಶ್ಲೇಷಣೆ ಸೇರಿದಂತೆ ವಿವಿಧ ಡೇಟಾ ಸಮಾನಾಂತರ ಕೆಲಸದ ಹೊರೆಗಳ ರಚನೆಯನ್ನು ಸೆರೆಹಿಡಿಯಲು ವೆಲ್ಡ್ ಸಾಮಾನ್ಯ ಮಧ್ಯಂತರ ಪ್ರಾತಿನಿಧ್ಯವನ್ನು ಬಳಸುತ್ತದೆ. ನಂತರ ಇದು ಪ್ರಮುಖ ದತ್ತಾಂಶ ಚಲನೆಯ ಆಪ್ಟಿಮೈಸೇಶನ್ಗಳನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ಸಂಪೂರ್ಣ ಕೆಲಸದ ಹರಿವಿಗೆ ಸಮರ್ಥ ಸಮಾನಾಂತರ ಕೋಡ್ ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ವೆಲ್ಡ್ ಅನ್ನು ಅವುಗಳ ಬಳಕೆದಾರ-ಮುಖದ API ಗಳನ್ನು ಬದಲಾಯಿಸದೆ ಟೆನ್ಸಾರ್ ಫ್ಲೋ, ಅಪಾಚೆ ಸ್ಪಾರ್ಕ್, ನಮ್ಪೈ ಮತ್ತು ಪಾಂಡಾಗಳಂತಹ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಚೌಕಟ್ಟುಗಳಲ್ಲಿ ಹೆಚ್ಚಳವಾಗಿ ಸಂಯೋಜಿಸಬಹುದು. ವೆಲ್ಡ್ ಈ ಚೌಕಟ್ಟುಗಳನ್ನು ವೇಗಗೊಳಿಸಬಹುದು, ಹಾಗೆಯೇ ಅವುಗಳನ್ನು ಸಂಯೋಜಿಸುವ ಅನ್ವಯಿಕೆಗಳನ್ನು 30x ವರೆಗೆ ವೇಗಗೊಳಿಸಬಹುದು ಎಂದು ನಾವು ತೋರಿಸುತ್ತೇವೆ.