Datasets:

carlfeynman
/

Bharat_NanoSCIDOCS_as

_id stringlengths 40 40	text stringlengths 0 9.21k
1b2a0e8af5c1f18e47e71244973ce4ace4ac6034	পৰ্যায়ভেদে পিটমেন-ইয়ৰ প্ৰক্ৰিয়া প্ৰাথমিক ভাষা মডেল শিকাৰ বাবে বাধ্যতামূলক পদ্ধতি, পইণ্ট-আনুমান ভিত্তিক পদ্ধতিতকৈ অধিক কাৰ্যক্ষম। অৱশ্যে, এই মডেলবোৰ কম্পিউটেশ্যনেল আৰু পৰিসংখ্যাগত অনুমানৰ সমস্যা, যেনে মেমৰি আৰু সময়ৰ ব্যৱহাৰ, লগতে নমুনা সংগ্ৰাহকৰ দুৰ্বল মিশ্ৰণৰ বাবে অপ্ৰচুৰ হৈ থাকে। এই কামত আমি এটা নতুন ফ্ৰেমৱৰ্ক প্ৰস্তাৱ কৰো যিয়ে সংকুচিত পৰৱৰ্তী বৃক্ষ ব্যৱহাৰ কৰি HPYP মডেলক সংক্ষিপ্তভাৱে প্ৰতিনিধিত্ব কৰে। তাৰ পিছত, আমি এই ফ্ৰেমৱৰ্কত এটা কাৰ্যকৰী আনুমানিক অনুমান আঁচনি বিকাশ কৰো যাৰ সম্পূৰ্ণ HPYP ৰ তুলনাত বহুত কম মেমৰি পদচিহ্ন থাকে আৰু অনুমান সময়ত দ্ৰুত হয়। পৰীক্ষামূলক ফলাফলসমূহে প্ৰদৰ্শন কৰে যে আমাৰ মডেলটো পূৰ্বৰ HPYP মডেলৰ তুলনাত যথেষ্ট ডাঙৰ ডাটাছেটত নিৰ্মাণ কৰিব পাৰি, যদিও বহু পৰিমাণে সৰু, প্ৰশিক্ষণ আৰু অনুমানৰ বাবে দ্ৰুত, আৰু অত্যাধুনিক সংশোধিত কনেচাৰ-নেই গণনাভিত্তিক এলএম মসৃণকৰণৰ জটিলতাক অতিক্ৰম কৰে।
6c9bd4bd7e30470e069f8600dadb4fd6d2de6bc1	এই প্ৰবন্ধত বাস্তৱ জগতৰ পৰিস্থিতিৰ চৰিত্ৰকৰণ কৰা ঘটনা আৰু অৰ্থগত ভূমিকাৰ এক নতুন ভাষিক সম্পদৰ বিষয়ে বৰ্ণনা কৰা হৈছে। বৰ্ণনামূলক আঁচনিসমূহত সম্পৰ্কিত ঘটনাসমূহৰ সমষ্টি (সম্পাদনা আৰু প্ৰকাশ), ঘটনাসমূহৰ এক কালগত ক্ৰম (প্ৰকাশ কৰাৰ আগতে সম্পাদনা কৰক), আৰু অংশগ্ৰহণকাৰীসকলৰ অৰ্থগত ভূমিকা (লেখকসকলে গ্ৰন্থ প্ৰকাশ কৰে) অন্তৰ্ভুক্ত থাকে। প্ৰাকৃতিক ভাষাৰ বুদ্ধিত প্ৰাৰম্ভিক গৱেষণাৰ বাবে এই ধৰণৰ বিশ্ব জ্ঞানৰ কেন্দ্ৰ আছিল। স্ক্ৰিপ্টসমূহ আছিল প্ৰধান আনুষ্ঠানিকতাসমূহৰ অন্যতম, যিয়ে বিশ্বত সংঘটিত হোৱা ঘটনাৰ সাধাৰণ ক্ৰম প্ৰতিনিধিত্ব কৰিছিল। কিন্তু দুখৰ কথা যে এই জ্ঞানখিনিৰ অধিকাংশই হস্তৰেখা আছিল আৰু সময়ো ব্যয়বহুল আছিল। বৰ্তমানৰ মেচিন লাৰ্ণিং কৌশলসমূহৰ লগতে কোৰেফাৰেন্স চেইনৰ জৰিয়তে শিকাৰ নতুন পদ্ধতিয়ে আমাক স্বয়ংক্ৰিয়ভাৱে সমৃদ্ধ ইভেন্টৰ গাঁথনি মুক্ত ডমেইন পাঠৰ পৰা আখৰামূলক আঁচনিৰ ৰূপত আহৰণ কৰিবলৈ অনুমতি দিছে। এই প্ৰবন্ধত বৰ্ণনা কৰা বৰ্ণনামূলক আঁচনিৰ সম্পদটোত প্ৰায় ৫০০০ অনন্য ঘটনা অন্তৰ্ভুক্ত আছে যিবোৰ বিভিন্ন আকাৰৰ আঁচনিৰ সৈতে সংযুক্ত কৰা হৈছে। আমি সম্পদটোৰ বিৱৰণ দিছো, কেনেকৈ ইয়াক শিকিব পাৰি আৰু এই আঁচনিসমূহৰ কভাৰেজৰ নতুন মূল্যায়ন কৰা হৈছে।
8e508720cdb495b7821bf6e43c740eeb5f3a444a	বক্তৃতা, ৰবট, বিত্ত আৰু জীৱবিজ্ঞানৰ বহুতো প্ৰয়োগ ক্ৰমান্বয়ে তথ্যৰ সৈতে সম্পৰ্কিত, য ত বিষয়বোৰক আদেশ দিয়া আৰু পুনৰাবৃত্ত গঠনবোৰ সাধাৰণ। অৱশ্যে, এই গাঁথনি সহজেই মানক কার্নেল ফাংচনসমূহৰ দ্বাৰা ধৰা পেলাব নোৱাৰি। এনে গাঁথনিৰ মডেলিং কৰিবলৈ, আমি গাউছীয় প্ৰক্ৰিয়াৰ বাবে প্ৰকাশাত্মক বন্ধ-প্ৰকাৰৰ কার্নেল ফাংচন প্ৰস্তাৱ দিছো। ইয়াৰ ফলত সৃষ্টি হোৱা মডেল, GP-LSTM, দীঘলীয়া স্বল্পকালীন স্মৃতি (LSTM) ৰ পুনৰাবৃত্তিমূলক নেটৱৰ্কৰ অনুপ্ৰেৰণামূলক পক্ষপাতক সম্পূৰ্ণৰূপে এনকেপচুলেট কৰে, আনহাতে গাউছীয় প্ৰক্ৰিয়াৰ অ-পৰামিতিযুক্ত সম্ভাব্যতা লাভালাভসমূহ বজাই ৰাখে। আমি প্ৰস্তাৱিত কার্নেলসমূহৰ বৈশিষ্ট্যসমূহ গাউছীয় প্রক্রিয়া পাৰ্শ্বীয় সম্ভাৱনীয়তা উন্নত কৰি নতুন প্ৰমাণিতভাৱে সংলগ্ন আধা-ষ্ট কাষ্টিক গ্রেডিয়েণ্ট পদ্ধতি ব্যৱহাৰ কৰি শিকোঁ আৰু স্কেলযোগ্য প্রশিক্ষণ আৰু ভৱিষ্যদ্বাণী কৰিবৰ বাবে এই কার্নেলসমূহৰ গাঁথনিৰ সদ্ব্যৱহাৰ কৰোঁ। এই পদ্ধতিয়ে বেইচিয়ান এলএছটিএমৰ বাবে এটা ব্যৱহাৰিক প্ৰতিনিধিত্ব প্ৰদান কৰে। আমি কেইবাটাও মানদণ্ডত অত্যাধুনিক প্ৰদৰ্শন প্ৰদৰ্শন কৰিছো আৰু পৰিণামগত স্বায়ত্তশাসিত ড্ৰাইভিং এপ্লিকেশ্যনটোৰ বিষয়ে পুংখানুপুংখভাৱে গৱেষণা কৰিছো, য ত GP-LSTM ৰ দ্বাৰা প্ৰদান কৰা ভৱিষ্যদ্বাণীমূলক অনিশ্চয়তা অনন্যভাৱে মূল্যবান।
033b62167e7358c429738092109311af696e9137	এই প্ৰবন্ধত পৰ্যালোচনাসমূহক পৰামৰ্শ দিয়া (থাম্বছ আপ) বা পৰামৰ্শ দিয়া নহয় (থাম্বছ ডাউন) হিচাপে শ্ৰেণীবদ্ধ কৰাৰ বাবে এটা সৰল নিৰীক্ষণহীন শিক্ষণ এলগৰিথম উপস্থাপন কৰা হৈছে। কোনো সমীক্ষাৰ শ্ৰেণীবিভাজন সমীক্ষাত থকা বিশেষণ বা বিশেষণ থকা বাক্যাংশৰ গড় অৰ্থগত দিশ নিৰ্ণয় কৰি অনুমান কৰা হয়। এটা বাক্যাংশৰ ইতিবাচক অৰ্থগত দিশ আছে যেতিয়া ইয়াৰ ভাল সংযুক্তি থাকে (যেনে, সূক্ষ্ম সূক্ষ্মতা) আৰু নেতিবাচক অৰ্থগত দিশ যেতিয়া ইয়াৰ বেয়া সংযুক্তি থাকে (যেনে, অতি কভালিয়ৰ) । এই প্ৰবন্ধত, এটা বাক্যাংশৰ অৰ্থগত দিশ নিৰ্ণয় কৰা হৈছে, সেই বাক্যাংশ আৰু শব্দ উৎকৃষ্টৰ মাজত পাৰস্পৰিক তথ্য আৰু সেই বাক্যাংশ আৰু শব্দ দুৰ্বলৰ মাজত পাৰস্পৰিক তথ্য। এটা পৰ্যালোচনা পৰামৰ্শ দিয়া হিচাপে শ্ৰেণীবদ্ধ কৰা হয় যদি ইয়াৰ বাক্যাংশৰ গড় অৰ্থগত দিশ নিৰ্ণয় ইতিবাচক হয়। চাৰিটা ভিন্ন ক্ষেত্ৰৰ (অটোমোবাইল, বেংক, চলচ্চিত্ৰ আৰু ভ্ৰমণ গন্তব্যস্থানৰ সমীক্ষা) পৰা নমুনা সংগ্ৰহ কৰি এপিনিয়নৰ পৰা ৪১০টা সমীক্ষাৰ ওপৰত মূল্যায়ন কৰিলে এই এলগৰিথমটোৱে ৭৪% গড় নির্ভুলতা লাভ কৰে। এই তথ্যৰ সঠিকতা অটোমোবাইলৰ সমীক্ষাৰ ক্ষেত্ৰত ৮৪% ৰ পৰা চলচ্চিত্ৰৰ সমীক্ষাৰ ক্ষেত্ৰত ৬৬% ৰ ভিতৰত।
0eaa75861d9e17f2c95bd3f80f48db95bf68a50c	ইলেক্ট্ৰ মিগ্ৰেচন (ই এম) ই ইণ্টাৰকানেক্ট নিৰ্ভৰযোগ্যতাৰ বাবে ইণ্টিগ্ৰেটেড চিৰাইট (আই চি) ডিজাইনৰ ক্ষেত্ৰত এক গুৰুত্বপূৰ্ণ উদ্বেগ। যদিও এনালগ ডিজাইনাৰসকলে কিছু সময়ৰ বাবে ই এম সমস্যাৰ বিষয়ে অৱগত আছিল, ডিজিটেল চাৰ্কিটসমূহো এতিয়া প্ৰভাৱিত হৈছে। এই বক্তৃতাত আন্তঃসংযোগৰ ভৌতিক ডিজাইনৰ সময়ত মৌলিক ডিজাইন সমস্যা আৰু ইলেক্ট্ৰ মিগ্ৰেশ্যনৰ ওপৰত ইয়াৰ প্ৰভাৱ সম্পৰ্কে আলোচনা কৰা হৈছে। ইণ্টাৰকানেক্টত সংক্ষিপ্ত দৈৰ্ঘ্য আৰু জলাশয়ৰ প্ৰভাৱৰ দৰে ইলেক্ট্ৰ মিগ্ৰেচন-হ্ৰাসেৰ ব্যৱস্থা গ্ৰহণ কৰি বৰ্তমানৰ ঘনত্বৰ সীমা বৃদ্ধি কৰাৰ উদ্দেশ্য। লেআউট পৰ্যায়ত এই প্ৰভাৱসমূহৰ শোষণ ভৱিষ্যতে IC ডিজাইন ফ্ল মত EM উদ্বেগসমূহৰ আংশিক সকাহ প্ৰদান কৰিব পাৰে।
45e2e2a327ea696411b212492b053fd328963cc3	ম বাইল এপসমূহে জনস্বাস্থ্যৰ ক্ষেত্ৰত জীৱনশৈলীৰ হস্তক্ষেপ হিচাপে কাম কৰি সুস্বাস্থ্যৰ প্ৰসাৰ আৰু ক্ৰনিক ৰোগসমূহক হ্ৰাস কৰাৰ প্ৰতিশ্ৰুতি প্ৰদান কৰে, তথাপি ক্ৰনিক ৰোগত আক্ৰান্ত ব্যক্তিসকলে ম বাইল এপসমূহ কেনেদৰে ব্যৱহাৰ কৰে বা গ্ৰহণ কৰে সেই বিষয়ে অলপেই জনা যায়। এই অধ্যয়নৰ উদ্দেশ্য আছিল ক্ৰনিক ৰোগত আক্ৰান্ত ব্যক্তিসকলৰ মাজত স্বাস্থ্যৰ বাবে মোবাইল ফোন-ভিত্তিক এপসমূহৰ বিষয়ে আচৰণ আৰু ধাৰণা অন্বেষণ কৰা। METHODS তথ্যসমূহ আমেৰিকা যুক্তৰাষ্ট্ৰৰ ১,৬০৪ টা ম বাইল ফোন ব্যৱহাৰকাৰীৰ ৰাষ্ট্ৰীয় ক্ৰছ-ছাক্সন জৰীপৰ পৰা সংগ্ৰহ কৰা হৈছিল যিয়ে এম হেল্থ ব্যৱহাৰ, বিশ্বাস আৰু পছন্দসমূহ মূল্যায়ন কৰিছিল। এই অধ্যয়নত স্বাস্থ্য এপ ব্যৱহাৰ, ডাউনলোড কৰাৰ কাৰণ আৰু ক্ৰনিক অৱস্থাৰ দ্বাৰা উপলব্ধি কৰা কাৰ্যকৰীতা পৰীক্ষা কৰা হৈছিল। ফলাফল অংশগ্ৰহণকাৰীসকলৰ মাজত, ১ আৰু ৫ টা এপ্ থকাটো ৩৮.৯% (৩১৪/৮০৭) ৰোগবিহীন আৰু ৬.৬% (২৪/৩৬৪) উচ্চ ৰক্তচাপ থকা উত্তৰদাতাই প্ৰকাশ কৰে। স্বাস্থ্য এপ্সমূহৰ ব্যৱহাৰ প্ৰতিদিনে ২ বাৰ বা তাতকৈ অধিক বাৰ ২১.৩% (১৭২/৮০৭) ৰোগবিহীন, ২.৭% (১০/৩৬৪) উচ্চ ৰক্তচাপৰ ৰোগী, ১৩.১% (২৬/১৯৮) স্থূলতাৰ ৰোগী, ১২.৩% (২০/১৬৩) ডায়েবেটিছৰ ৰোগী, ১২.০% (৩২/২৬৭) হতাশাৰ ৰোগী আৰু ১৬.৬% (৫৩/৩১৯) উচ্চ কলেষ্টেৰলৰ ৰোগীৰ ক্ষেত্ৰত প্ৰতিবেদন কৰা হৈছিল। লজিষ্টিক ৰিগ্ৰেশ্যনৰ ফলাফলসমূহে ক্ৰনিক ৰোগ থকা আৰু নোহোৱা ব্যক্তিৰ মাজত স্বাস্থ্য এপ ডাউনলোডত কোনো গুৰুত্বপূৰ্ণ পাৰ্থক্যৰ ইংগিত দিয়া নাই (P>.05) । দুৰ্বল স্বাস্থ্যৰ ব্যক্তিৰ সৈতে তুলনা কৰি, স্ব-ৰিপৰ্ট কৰা অতি ভাল স্বাস্থ্যৰ ব্যক্তিসকলৰ মাজত স্বাস্থ্য এপ ডাউনলোডৰ সম্ভাৱনা বেছি আছিল (অডছ অনুপাত [OR] 3.80, 95% CI 2.38-6.09, P<.001) আৰু উৎকৃষ্ট স্বাস্থ্য (OR 4.77, 95% CI 2.70-8.42, P<.001) । একেদৰে যিসকলে সপ্তাহত এদিন (OR 2. 47; 95% CI 1. 6- 3. 83; P<. 001); সপ্তাহত দুদিন (OR 4. 77; 95% CI 3. 27- 6. 94; P<. 001); সপ্তাহত ৩- ৪ দিন (OR 5. 00; 95% CI 3. 52- 7. 10; P<. 001) আৰু সপ্তাহত ৫- ৭ দিন (OR 4. 64; 95% CI 3. 11- 6. 92; P<. 001) শাৰীৰিক কাৰ্যকলাপ কৰা ব্যক্তিসকলৰ তুলনাত যিসকলে সপ্তাহত এদিন শাৰীৰিক কাৰ্যকলাপ কৰা ব্যক্তিসকলৰ ক্ষেত্ৰত স্বাস্থ্য এপ ডাউনলোড কৰাৰ সম্ভাৱনা অধিক আছিল। সকলো লজিষ্টিক ৰিগ্ৰেছন ফলাফল বয়স, লিংগ আৰু জাতি বা জাতিগত প্ৰভেদৰ বাবে নিয়ন্ত্ৰিত। এই অধ্যয়নৰ ফলাফলৰ পৰা অনুমান কৰা হৈছে যে, স্বাস্থ্যৰ প্ৰতিবেদন কৰা ব্যক্তিসকলৰ স্বাস্থ্যৰ অৱস্থা বেয়া আৰু শাৰীৰিক ক্ৰিয়া-কলাপৰ হাৰ কম, যিসকলে স্বাস্থ্য এপ্সমূহৰ পৰা অধিক লাভান্বিত হ ব পাৰে, তেওঁলোকে এই স্বাস্থ্য সঁজুলিসমূহ ডাউনলোড আৰু ব্যৱহাৰ কৰাৰ সম্ভাৱনা কম।
1935e0986939ea6ef2afa01eeef94dbfea6fb6da	গড়-ভেৰিয়েন্স পৰ্টফ লীৰ বিশ্লেষণে লাভ আৰু বিপদৰ মাজত ব্যৱধানৰ প্ৰথম পৰিমাণগত চিকিৎসা প্ৰদান কৰে। আমি আধা-বৈকল্পিক মডেলকে ধৰি বহুতো এককালীন প্ৰকাৰৰ উদ্দেশ্য আৰু সীমাবদ্ধতাৰ মাজৰ পাৰস্পৰিক ক্ৰিয়া বিশদভাৱে বৰ্ণনা কৰিছোঁ। অতিৰিক্ত প্ৰদৰ্শনৰ বাবে শাস্তিৰ পৰা হাত সাৰিবলৈ বিশেষ গুৰুত্ব দিয়া হৈছে। ইয়াৰ পিছত ফলাফলসমূহ দৃশ্যপট গছৰ ওপৰত ভিত্তি কৰি বহুকালীন মডেলৰ বিকাশ আৰু তাত্ত্বিক বিশ্লেষণত বিল্ডিং ব্লক হিচাপে ব্যৱহাৰ কৰা হয়। এটা মূল বৈশিষ্ট্য হ ল ভৱিষ্যতে সিদ্ধান্ত ল বলৈ অতিৰিক্ত ধন আঁতৰোৱাৰ সম্ভাৱনা, যাৰ ফলত নিম্নমুখী বিপদৰ আশংকা হ্ৰাস পায়।
0e1431fa42d76c44911b07078610d4b9254bd4ce	মূল উপাদান বিশ্লেষণৰ অ-ৰেখিক ৰূপ সম্পাদন কৰাৰ বাবে এটা নতুন পদ্ধতিৰ প্ৰস্তাৱ কৰা হৈছে। ইণ্টিগ্ৰেট অপাৰেটৰ কাৰ্নেল ফাংচনৰ ব্যৱহাৰৰ দ্বাৰা, কোনো এজন ব্যক্তিয়ে উচ্চ-মাত্রিক বৈশিষ্ট্যৰ স্থানত মুখ্য উপাদানবোৰ দক্ষতাৰে গণনা কৰিব পাৰে, যিটো কিছুমান অ-ৰেখিক মানচিত্ৰৰ দ্বাৰা ইনপুট স্থানৰ সৈতে সম্পৰ্কিত হয়, উদাহৰণস্বৰূপে, 16 16 ইমেজত সকলো সম্ভৱপৰ পাঁচ-পিক্সেলৰ পণ্যৰ স্থান। আমি পদ্ধতিৰ আহৰণ দিওঁ আৰু পটভূমি চিনাক্তকৰণৰ বাবে বহুপদ বৈশিষ্ট্য নিষ্কাশনৰ ওপৰত পৰীক্ষামূলক ফলাফল উপস্থাপন কৰোঁ।
292eee24017356768f1f50b72701ea636dba7982	আমি এখন পদ্ধতি প্ৰদৰ্শন কৰিছো যিয়ে 3D বিন্দু ডাৱৰত স্বয়ংক্ৰিয়ভাৱে বস্তু চিনাক্তকৰণ আৰু চিনাক্তকৰণ কৰিব যিটো বহী চহৰৰ দৃশ্য প্ৰতিনিধিত্ব কৰে। এই পদ্ধতিটো অন্তৰ্নিহিত আকাৰ মডেল (ISM) ফ্ৰেমৱৰ্কত ভিত্তি কৰি প্ৰস্তুত কৰা হৈছে, যিয়ে কেন্দ্ৰীয় স্থানৰ বাবে ভোটদান কৰি বস্তুসমূহক চিনাক্ত কৰে। ইয়াৰ বাবে প্ৰতিটো শ্ৰেণীত মাত্ৰ কেইটামান প্ৰশিক্ষণৰ উদাহৰণ প্ৰয়োজন, যিটো ব্যৱহাৰিক ব্যৱহাৰৰ বাবে এক গুৰুত্বপূৰ্ণ সম্পত্তি। আমি স্পিন ইমেজ ডেস্ক্রিপ্টৰৰ উন্নত সংস্কৰণো প্ৰৱৰ্তন আৰু মূল্যায়ন কৰো, সাধাৰণ দিশৰ অনুমানত বিন্দু ঘনত্বৰ বৈকল্পিকতা আৰু অনিশ্চয়তাৰ বাবে অধিক শক্তিশালী। আমাৰ পৰীক্ষাত এই সংশোধনবোৰে চিনাক্তকৰণ কাৰ্যক্ষমতাৰ ওপৰত গুৰুত্বপূৰ্ণ প্ৰভাৱ পেলাইছে। আমি আমাৰ ফলাফলসমূহ অত্যাধুনিক পদ্ধতিৰ সৈতে তুলনা কৰো আৰু ওহিও ডাটাছেটত স্পষ্টতা আৰু স্মৰণত যথেষ্ট উন্নতি পাওঁ, য ত মুঠ ১৫০,০০০ মিটাৰ নগৰীয়া এলেকাৰ বায়ু আৰু স্থলীয় লিডাৰ স্কেনৰ সমন্বয় থাকে।
922b5eaa5ca03b12d9842b7b84e0e420ccd2feee	যোগাযোগ আৰু নিয়ন্ত্ৰণৰ ক্ষেত্ৰত এক গুৰুত্বপূৰ্ণ শ্ৰেণীৰ তাত্ত্বিক আৰু ব্যৱহাৰিক সমস্যা পৰিসংখ্যাগত প্ৰকৃতিৰ। এনে সমস্যাসমূহ হ লঃ (i) এলোমেলো সংকেতৰ ভৱিষ্যদ্বাণী; (ii) এলোমেলো সংকেতক এলোমেলো শব্দৰ পৰা পৃথক কৰা; (iii) এলোমেলো শব্দৰ উপস্থিতিত জ্ঞাত ৰূপৰ সংকেত (পলছ, চাইন ছ ইড) চিনাক্তকৰণ। তেওঁৰ পথ প্ৰদৰ্শনীমূলক কামত ৱিয়েনাৰ [1]৩ প্ৰমাণ কৰে যে সমস্যা (i) আৰু (ii) তথাকথিত ৱিয়েনাৰ-হ ফ্ ইণ্টিগ্ৰেট সমীকৰণলৈ লৈ যায়; তেওঁ লগতে স্থিৰ পৰিসংখ্যা আৰু যুক্তিসংগত স্পেকট্ৰাৰ ব্যৱহাৰিকভাৱে গুৰুত্বপূৰ্ণ বিশেষ ক্ষেত্ৰত এই ইণ্টিগ্ৰেট সমীকৰণৰ সমাধানৰ বাবে এটা পদ্ধতি (স্পেকট্ৰেল ফেক্টৰাইজেশ্যন) প্ৰদান কৰে। বহুতো সম্প্ৰসাৰণ আৰু সাধাৰণীকৰণ ৱিয়েনাৰ ৰ মৌলিক কামৰ পিছত হৈছিল। জাদেহ আৰু ৰাগাজিনিয়ে সীমিত-স্মৃতিৰ কেচটো সমাধান কৰে [2]। সমান্তৰালভাৱে আৰু বড আৰু শেনন [3] ৰ পৰা পৃথকে তেওঁলোকে সমাধানৰ এটা সৰলীকৃত পদ্ধতিও [২] প্ৰদান কৰে। বুটনে অস্থিৰ ৱিয়েনাৰ-হ ফ সমীকৰণটো আলোচনা কৰে [4]। এই ফলাফলসমূহ এতিয়া মানক পাঠ্যত আছে [5-6]। এই মূল ধাৰাৰ ওপৰত অলপতে ডাৰলিংটনে এটা ভিন্ন দৃষ্টিভংগী আগবঢ়াইছে [7]। নমুনা সংকেতৰ সম্প্ৰসাৰণৰ বাবে, উদাহৰণস্বৰূপে, ফ্ৰেংকলিন [8], লিজ [9] চাওক। ৱিয়েনাৰহ ফ সমীকৰণৰ স্বতন্ত্ৰ কাৰ্যৰ ওপৰত ভিত্তি কৰি আন এটা পদ্ধতি (যি অস্থায়ী সমস্যাৰ ক্ষেত্ৰত প্ৰযোজ্য যদিও পূৰ্বৱৰ্তী পদ্ধতিবোৰ সাধাৰণত প্ৰযোজ্য নহয়) ডেভিছে প্ৰৱৰ্তন কৰিছিল [1] আৰু আন বহুতোয়ে প্ৰয়োগ কৰিছিল, উদাহৰণস্বৰূপে, শিনব্ৰট, ব্লুম, পুগাচেভ, চলোডোভনিকভ। এই সকলো কামৰ উদ্দেশ্য হৈছে এটা ৰেখীয় গতিশীল প্ৰণালীৰ (ৱেইনাৰ ফিল্টাৰ) নিৰ্ধাৰণ প্ৰাপ্ত কৰা যি এটা এলোমেলো সংকেতৰ অনুমান, বিভাজন বা চিনাক্তকৰণ সম্পন্ন কৰে। 2 7212 Bellona Ave. 3 বন্ধকত থকা সংখ্যাবোৰে কাগজৰ শেষত থকা প্ৰসংগসমূহক নিৰ্দেশ কৰে। 4 অৱশ্যেই, সাধাৰণভাৱে এই কামবোৰ অ-ৰেখিক ফিল্টাৰে ভালকৈ কৰিব পাৰে। বৰ্তমানে, অৱশ্যে, এই অ-ৰেখিক ফিল্টাৰবোৰ কেনেকৈ লাভ কৰিব (তত্ত্বীয়ভাৱে আৰু ব্যৱহাৰিকভাৱে) সেই বিষয়ে অলপ বা একো জনা নাযায়। ইন্সট্ৰুমেণ্ট আৰু ৰেগুলেটৰ ডিভিজন আৰু উপস্থাপন কৰা হৈছে দ্য আমেৰিকান ছ চাইটি অফ মেকানিকেল ইঞ্জিনিয়াৰৰ ইন্সট্ৰুমেণ্ট আৰু ৰেগুলেটৰ কনফাৰেন্সত, মাৰ্চ ২৯-এপ্ৰিল ১২, ১৯৫৯। NOTE: প্ৰবন্ধত প্ৰকাশিত বক্তব্য আৰু মতামতসমূহ লেখকসকলৰ ব্যক্তিগত মতামত বুলি গণ্য কৰা উচিত, ছ চাইটিৰ নহয়। ASME মুখ্য কাৰ্যালয়ত প্ৰাপ্ত পাণ্ডুলিপি, ২৪ ফেব্ৰুৱাৰী, ১৯৫৯ নম্বৰ নথি ৫৯-আই আৰ ডি-১১ ৰেখীয় ফিল্টাৰিং আৰু ভৱিষ্যদ্বাণী সমস্যাৰ এক নতুন পদ্ধতি
e50a316f97c9a405aa000d883a633bd5707f1a34	বিগত ২০ বছৰত সংগ্ৰহ কৰা পৰীক্ষামূলক প্ৰমাণে সূচায় যে উপযুক্তভাৱে ওজনযুক্ত একক পদৰ অগ্ৰাধিকাৰৰ ওপৰত ভিত্তি কৰি পাঠ সূচী প্ৰণালীয়ে অন্য অধিক বিশ্লেষিত পাঠ প্ৰতিনিধিত্বৰ সৈতে প্ৰাপ্ত কৰিব পৰা ফলাফলতকৈ উচ্চতৰ প্ৰাপ্তি ফলাফল প্ৰদান কৰে। এই ফলাফলবোৰ নিৰ্ভৰ কৰে কাৰ্যকৰী শব্দভিত্তিক পদ্ধতিৰ নিৰ্বাচনৰ ওপৰত। এই প্ৰবন্ধত স্বয়ংক্ৰিয় শব্দ-ভৰানুমূলাৰ দ্বাৰা লাভ কৰা অন্তৰ্দৃষ্টিৰ সাৰাংশ দিয়া হৈছে আৰু একক-শব্দ-ইণ্ডেক্সিংৰ আধাৰশাৰী মডেল প্ৰদান কৰা হৈছে যাৰ সৈতে অন্য অধিক বিস্তৃত বিষয়বস্তু বিশ্লেষণ প্ৰক্ৰিয়াসমূহৰ তুলনা কৰিব পাৰি। ১. মোৰ স্বয়ংক্ৰিয় পাঠ বিশ্লেষণ ১৯৫০ৰ দশকৰ শেষৰ ফালে, লুহনে প্ৰথমতে পৰামৰ্শ দিছিল যে স্বয়ংক্ৰিয় পাঠ পুনৰুদ্ধাৰ প্ৰণালীসমূহ সংৰক্ষিত পাঠ্য আৰু ব্যৱহাৰকাৰীৰ তথ্য অনুসন্ধান উভয়ৰে সৈতে সংযুক্ত সামগ্ৰী পৰিচয়কাৰকৰ তুলনাৰ ভিত্তিত ডিজাইন কৰিব পাৰি। সাধাৰণতে, নথিপত্ৰ আৰু অনুসন্ধানৰ পাঠৰ পৰা আহৰণ কৰা কিছুমান শব্দৰ ব্যৱহাৰ বিষয়বস্তু চিনাক্তকৰণৰ বাবে কৰা হ ব; অন্যথা, বিষয়বস্তু প্ৰতিনিধিত্বসমূহ বিবেচনা কৰা বিষয়বস্তু আৰু নথি সংগ্ৰহৰ বিষয়বস্তুৰ সৈতে পৰিচিত প্ৰশিক্ষিত সূচীকাৰৰ দ্বাৰা হাতেৰে নিৰ্বাচন কৰা হ ব পাৰে। যিকোনো ক্ষেত্ৰত, নথিপত্ৰসমূহক D= (ti,tj,...ytp) (1) ৰ ফৰ্মটোৰ টাৰ্ম ভেক্টৰবোৰে প্ৰতিনিধিত্ব কৰিব য ত প্ৰতিটো tk এ কিছুমান নমুনা নথিপত্ৰ D লৈ নিৰ্ধাৰিত এক সামগ্ৰী শব্দ চিনাক্ত কৰে। একেদৰে, তথ্য অনুৰোধ বা প্ৰশ্নবোৰক ভেক্টৰ ফৰ্মত বা বুলিয়ান বিবৃতিৰ ৰূপত প্ৰতিনিধিত্ব কৰা হ ব। এইদৰেই, এটা সাধাৰণ প্ৰশ্ন Qক Q = (qa,qbr. . . (৪ৰ) (২)
6ac15e819701cd0d077d8157711c4c402106722c	এই কাৰিকৰী প্ৰতিবেদনত টিম এম আই টিৰ DARPA Urban Challenge ৰ প্ৰণালী বৰ্ণনা কৰা হৈছে। আমি বহুতো কম খৰচী ছেন্সৰ ব্যৱহাৰ কৰি এক নতুন কৌশল উদ্ভাৱন কৰিছো, যিবোৰ বাহনৰ পাৰত সংস্থাপন কৰা হৈছে আৰু নতুন ক্ৰছ-ম ডেল কেলিবেৰেশ্যন টেকনিকৰ দ্বাৰা কেলিবেৰ কৰা হৈছে। লিডাৰ, কেমেৰা আৰু ৰাডাৰৰ তথ্য প্ৰবাহসমূহ এক উদ্ভাৱনীমূলক, স্থানীয়ভাৱে মসৃণ অৱস্থা প্ৰতিনিধিত্বৰ ব্যৱহাৰ কৰি প্ৰক্ৰিয়া কৰা হয় যি বাস্তৱ-সময়ৰ স্বায়ত্তশাসিত নিয়ন্ত্ৰণৰ বাবে শক্তিশালী উপলব্ধি প্ৰদান কৰে। যান-বাহন চলাচলৰ বাবে এক স্থিৰ পৰিকল্পনা আৰু নিয়ন্ত্ৰণ স্থাপত্যৰ বিকাশ কৰা হৈছে, য ত অভিযানৰ পৰিকল্পনা, পৰিস্থিতি পৰিকল্পনা, পৰিস্থিতিৰ ব্যাখ্যা আৰু গতিপথ নিয়ন্ত্ৰণৰ বাবে ভালদৰে প্ৰমাণিত এলগৰিথমৰ এক উদ্ভাৱনীমূলক সংমিশ্ৰণ আছে। এই উদ্ভাৱনসমূহ দুটা নতুন ৰবট বাহনত অন্তৰ্ভুক্ত কৰা হৈছে যিবোৰ চহৰাঞ্চলত স্বায়ত্তশাসিতভাৱে চলাবলৈ সক্ষম, আৰু ডিএআৰপিএৰ ছাইট ভিজিট পাঠ্যক্ৰমত ইয়াৰ ব্যাপক পৰীক্ষণ কৰা হৈছে। পৰীক্ষামূলক ফলাফলসমূহে সকলো প্ৰাথমিক নেভিগেশ্যন আৰু কিছুমান প্ৰাথমিক ট্ৰাফিক আচৰণ প্ৰদৰ্শন কৰে, য ত অকলশৰীয়া স্বায়ত্তশাসিত ড্ৰাইভিং, প্যুৰ-পৰ্ছাইট নিয়ন্ত্ৰণ আৰু আমাৰ স্থানীয় ফ্ৰেম উপলব্ধি কৌশলৰ ব্যৱহাৰ কৰি লেন অনুসৰণ, চিনো-ডাইনামিক আৰটি পথ পৰিকল্পনা ব্যৱহাৰ কৰি বাধাৰ এৰাই চলা, ঘুৰণ, আৰু আমাৰ পৰিস্থিতিগত দৰ্শনকাৰীৰ ব্যৱহাৰ কৰি ক্ৰছ এলেকাত অন্যান্য গাড়ীৰ মাজত অগ্ৰাধিকাৰ মূল্যায়ন। আমি এই পদ্ধতিসমূহ উন্নত নেভিগেচন আৰু ট্ৰাফিক দৃশ্যপটলৈ সম্প্ৰসাৰিত কৰাৰ বাবে কাম কৰি আছো। এই কাৰিকৰী প্ৰতিবেদনত DARPA Urban Challenge ৰ বাবে MIT দলৰ প্ৰণালী বৰ্ণনা কৰা হৈছে। আমি বহুতো কম খৰচী ছেন্সৰ ব্যৱহাৰ কৰি এক নতুন কৌশল উদ্ভাৱন কৰিছো, যিবোৰ বাহনৰ পাৰত সংস্থাপন কৰা হৈছে, আৰু নতুন ক্ৰছ-ম ডেল কেলিবেৰেশ্যন টেকনিকৰ সৈতে কেলিবেৰ কৰা হৈছে। লিডাৰ, কেমেৰা আৰু ৰাডাৰৰ তথ্য প্ৰবাহসমূহ এক উদ্ভাৱনীমূলক, স্থানীয়ভাৱে মসৃণ অৱস্থা প্ৰতিনিধিত্ব ব্যৱহাৰ কৰি প্ৰক্ৰিয়া কৰা হয় যি বাস্তৱ-সময়ৰ স্বায়ত্তশাসিত নিয়ন্ত্ৰণৰ বাবে শক্তিশালী উপলব্ধি প্ৰদান কৰে। অভিযানৰ পৰিকল্পনা, পৰিস্থিতি পৰিকল্পনা, পৰিস্থিতিৰ ব্যাখ্যা আৰু গতিপথ নিয়ন্ত্ৰণৰ বাবে ভালভাৱে প্ৰমাণিত এলগৰিথমৰ এক উদ্ভাৱনীমূলক সংমিশ্ৰণৰ দ্বাৰা গঠিত যান-বাহনত চলোৱাৰ বাবে এক স্থিতিস্থাপক পৰিকল্পনা আৰু নিয়ন্ত্ৰণ স্থাপত্যৰ বিকাশ কৰা হৈছে। এই উদ্ভাৱনসমূহ দুটা নতুন ৰবট বাহনত অন্তৰ্ভুক্ত কৰা হৈছে যিবোৰ চহৰাঞ্চলত স্বায়ত্তশাসিতভাৱে চলাবলৈ সক্ষম, আৰু ডিএআৰপিএৰ ছাইট ভিজিট পাঠ্যক্ৰমত ইয়াৰ ব্যাপক পৰীক্ষণ কৰা হৈছে। পৰীক্ষামূলক ফলাফলসমূহে সকলো প্ৰাথমিক নেভিগেশ্যন আৰু কিছুমান প্ৰাথমিক ট্ৰাফিক আচৰণ প্ৰদৰ্শন কৰে, য ত অকলশৰীয়া স্বায়ত্তশাসিত ড্ৰাইভিং, শুদ্ধ-অনুসন্ধান নিয়ন্ত্ৰণ আৰু আমাৰ স্থানীয় ফ্ৰেম উপলব্ধি কৌশল ব্যৱহাৰ কৰি লেন অনুসৰণ, কিন -গতিশীল আৰ আৰ টি পথ পৰিকল্পনা ব্যৱহাৰ কৰি বাধাৰ এৰাই চলা, ইউ-টাৰ্ন, আৰু আমাৰ পৰিস্থিতিগত দৰ্শনকাৰীৰ ব্যৱহাৰ কৰি ক্ৰছ এলেকাত অন্যান্য গাড়ীৰ মাজত অগ্ৰাধিকাৰ মূল্যায়ন। আমি এই পদ্ধতিসমূহ উন্নত নেভিগেচন আৰু ট্ৰাফিক দৃশ্যপটলৈ সম্প্ৰসাৰিত কৰাৰ বাবে কাম কৰি আছো। অস্বীকাৰকৰণঃ এই প্ৰবন্ধত সন্নিৱিষ্ট তথ্যসমূহে প্ৰতিৰক্ষা অগ্ৰণী গৱেষণা প্ৰকল্প সংস্থা (DARPA) বা প্ৰতিৰক্ষা বিভাগৰ আনুষ্ঠানিক নীতিসমূহক প্ৰতিনিধিত্ব নকৰে। এই প্ৰবন্ধত থকা তথ্যৰ সঠিকতা বা বিশ্বাসযোগ্যতাৰ বাবে DARPAয়ে কোনো নিশ্চয়তা প্ৰদান নকৰে। অতিৰিক্ত সমৰ্থন ...
e275f643c97ca1f4c7715635bb72cf02df928d06
1e55bb7c095d3ea15bccb3df920c546ec54c86b5
8acaebdf9569adafb03793b23e77bf4ac8c09f83	আমি স্থিৰ দৈৰ্ঘ্যৰ শাৰীৰিক, স্প ফ ছাৰফেচ প্লাজম ন প লাৰাইটন ভিত্তিক ৱেভগাইডৰ বিশ্লেষণ আৰু ডিজাইন প্ৰদৰ্শন কৰিছো টেৰাহাৰ্জ ফ্ৰেক্বেন্সিত সামঞ্জস্যযোগ্য বিলম্বৰ সৈতে। ঢৌগাইডৰ মুঠ দৈৰ্ঘ্য সলনি নকৰাকৈ ইয়াৰ ঢৌগাৰ গভীৰতা পৰিৱৰ্তন কৰি এডজাষ্টেবল বিলম্ব Corrugated Planar Goubau Lines (CPGL) ব্যৱহাৰ কৰি প্ৰাপ্ত কৰা হয়। আমাৰ অনুকৰণ ফলাফলৰ পৰা দেখা গৈছে যে 237.9°, 220.6°, আৰু 310.6° ৰ বৈদ্যুতিক দৈৰ্ঘ্য প্ৰদৰ্শন উদ্দেশ্যে যথাক্ৰমে 0.25, 0.275, আৰু 0.3 THz ত 250 μm আৰু 200 μm ৰ দৈৰ্ঘ্যৰ দৈৰ্ঘ্যৰ দ্বাৰা প্ৰাপ্ত কৰিব পাৰি। এই অনুকৰণ ফলাফলবোৰ আমাৰ বিশ্লেষণাত্মক গণনাৰ সৈতেও সামঞ্জস্যপূৰ্ণ, য ত ভৌতিক পাৰামিটাৰ আৰু উপাদান সম্পত্তি ব্যৱহাৰ কৰা হৈছে। যেতিয়া আমি একে দীঘল বিলম্ব ৰেখাৰ জোৰাবোৰ মিলাই লওঁ যেন সেইবোৰ টেৰাহাৰ্জ ফেজ শিফ্টাৰৰ দুটা শাখা, আমি ৫.৮%তকৈ ভাল আপেক্ষিক ফেজ শিফ্ট অনুমানৰ এটা ত্ৰুটি হাৰ লাভ কৰো। আমাৰ জ্ঞানৰ মতে, এয়া প্ৰথমবাৰৰ বাবে নিয়ন্ত্ৰণযোগ্য স্পুপ ছাৰফেস প্লাজম ন প লাৰিতন ভিত্তিক চিপিজিএল বিলম্ব লাইন প্ৰদৰ্শন কৰা হৈছে। এই ধাৰণাটো টেৰাহাৰ্জ বেণ্ড চাৰ্কিটৰিৰ বাবে স্থিৰ দৈৰ্ঘ্যৰ আৰু ফেজ শিফ্টাৰযুক্ত টুনযোগ্য বিলম্ব লাইন লাভ কৰিবলৈ ব্যৱহাৰ কৰিব পাৰি।
325d145af5f38943e469da6369ab26883a3fd69e	গ্ৰেচকেল ফটোগ্ৰাফক ইনপুট হিচাপে দিয়া হৈছে, এই কাগজত ফটোগ্ৰাফৰ এক বিশ্বাসযোগ্য ৰঙীন সংস্কৰণত বিভ্ৰান্ত হোৱাৰ সমস্যাটো আক্ৰমণ কৰা হৈছে। এই সমস্যাটো স্পষ্টভাৱে সীমাবদ্ধ, সেয়ে পূৰ্বৰ পদ্ধতিবোৰ গুৰুত্বপূৰ্ণ ব্যৱহাৰকাৰীৰ ক্ৰিয়া-কলাপৰ ওপৰত নিৰ্ভৰ কৰে বা ইয়াৰ ফলত ডিছচ্যুৰটেড ৰঙিনকৰণ হয়। আমি এটা সম্পূৰ্ণ স্বয়ংক্ৰিয় পদ্ধতি প্ৰস্তাৱ কৰো যিয়ে জীৱন্ত আৰু বাস্তৱিক ৰঙিনতা সৃষ্টি কৰে। আমি সমস্যাৰ অন্তৰ্নিহিত অনিশ্চয়তা গ্ৰহণ কৰো আৰু ইয়াক শ্ৰেণীবিভাজনৰ কাম হিচাপে গ্ৰহণ কৰো আৰু ফলাফলত ৰঙৰ বৈচিত্ৰ্য বৃদ্ধি কৰিবলৈ প্ৰশিক্ষণৰ সময়ত শ্ৰেণী-পুনৰ ভাৰসাম্যতা ব্যৱহাৰ কৰো। এই ব্যৱস্থাটো পৰীক্ষাৰ সময়ত চিএনএনত ফিড-ফৰৱাৰ্ড পাচ হিচাপে প্ৰয়োগ কৰা হয় আৰু এক মিলিয়নতকৈও অধিক ৰঙীন ছবিৰ ওপৰত প্ৰশিক্ষণ দিয়া হয়। আমি আমাৰ এলগৰিথমটো এটা ৰঙিন ট্যুৰিং পৰীক্ষাৰ দ্বাৰা মূল্যায়ন কৰো, য ত অংশগ্ৰহণকাৰীসকলক সৃষ্টি কৰা আৰু সত্যৰ ৰঙীন ছবিৰ মাজত নিৰ্বাচন কৰিবলৈ কোৱা হয়। আমাৰ পদ্ধতিয়ে সফলতাৰে ৩২% পৰীক্ষাত মানুহক বোকা কৰি পেলায়, যি পূৰ্বৰ পদ্ধতিৰ তুলনাত যথেষ্ট বেছি। তদুপৰি, আমি দেখুৱাম যে ৰঙিনকৰণ স্ব-পৰিদৰ্শিত বৈশিষ্ট শিক্ষণৰ বাবে এক শক্তিশালী অজুহাত কাৰ্য হ ব পাৰে, ক্ৰছ-চ্যানেল এনকোডাৰৰ দৰে কাৰ্য্য কৰে। এই পদ্ধতিৰ ফলত বহুতো বৈশিষ্ট্য শিক্ষণৰ মানদণ্ডত অত্যাধুনিক প্ৰদৰ্শন হয়।
57bbbfea63019a57ef658a27622c357978400a50
7ffdf4d92b4bc5690249ed98e51e1699f39d0e71	প্ৰথমবাৰৰ বাবে, এটা সম্পূৰ্ণ সংহত ফেজড এৰেঞ্জ এণ্টেনা ৰেডিঅ ফ্ৰেক্সিভিটি মাইক্ৰ ইলেক্ট্ৰ মেকানিকেল চিষ্টেম (RF MEMS) সঁজুলিৰে এটা নমনীয়, জৈৱিক ছাবষ্ট্ৰেটৰ ওপৰত 10 GHz ত প্ৰদৰ্শন কৰা হৈছে। এটা নিম্ন শব্দ বৰ্ধক (LNA), এমইএমএছ পৰ্যায় শিফ্টাৰ, আৰু ২x২ পেচ এণ্টেনা এৰেজ এটা চিষ্টেম-অন-পেকেজ (এছঅ পি) ত তৰল স্ফটিক পলিমাৰ ছাবষ্ট্ৰেটত একত্ৰিত কৰা হৈছে। দুটা এণ্টেনা এৰেজক তুলনা কৰা হৈছে; এটা একক-স্তৰীয় এছঅ পি ব্যৱহাৰ কৰি প্ৰণয়ন কৰা হৈছে আৰু দ্বিতীয়টো বহুস্তৰীয় এছঅ পিৰ সৈতে। দুয়োটা ৰূপায়ণ কম-ক্ষতিযুক্ত আৰু 12 ডিগ্ৰী বিম স্টিয়াৰিংৰ বাবে সক্ষম। নিৰ্ধাৰিত প্ৰাৱণতা হ ল ১৪ গিগাহাৰ্টছ আৰু পৰিমাপ কৰা ৰিটাৰ্ণ লষ্ট দুয়োটা ৰূপায়ণৰ বাবে ১২ ডেচিবেলৰ অধিক। এলএনএৰ ব্যৱহাৰে বহু বেছি প্ৰসাৰিত শক্তিৰ স্তৰ প্ৰদান কৰে। এই এণ্টেনাসমূহ প্ৰায় যিকোনো আকাৰ, ফ্ৰিক্বেঞ্চ আৰু প্ৰয়োজনীয় কাৰ্যক্ষমতা পূৰণ কৰিবলৈ অনুকূলিতকৰণ কৰিব পাৰি। এই গৱেষণাই জৈৱিক SOP যন্ত্ৰৰ অত্যাধুনিক প্ৰযুক্তিৰ বিকাশ সাধন কৰে।
d00ef607a10e5be00a9e05504ab9771c0b05d4ea	উচ্চ-ভোল্টেজ ৰেটযুক্ত কঠিন-ৰাজ্যৰ চুইচ যেনে ইনচুলেটেড-গেট বাইপ লাৰ ট্ৰানজিষ্টৰ (IGBTs) বাণিজ্যিকভাৱে ৬.৫ কেভি পৰ্যন্ত উপলব্ধ। এনে ভল্টেজ ৰেটিংসমূহ স্পন্দিত শক্তি আৰু উচ্চ-ভোল্টেজ ছুইচ-মোড কনভাৰ্টাৰৰ প্ৰয়োগৰ বাবে আকৰ্ষণীয়। অৱশ্যে, IGBT ভল্টেজ ৰেটিং বৃদ্ধি হোৱাৰ লগে লগে, বৰ্তমানৰ উত্থান আৰু পতনৰ হাৰ সাধাৰণভাৱে হ্ৰাস পায়। এই বাণিজ্য এৰাই চলা কঠিন কিয়নো IGBT এ এপিটাক্সিয়েল বা ড্রিফ্ট অঞ্চলৰ স্তৰত কম প্ৰতিৰোধ বজাই ৰাখিব লাগিব। বিপৰীত ভল্টেজ সমৰ্থন কৰিবলৈ ঘন ড্রিফ্ট অঞ্চল থকা উচ্চ ভল্টেজ ৰেটযুক্ত আইজিবিটিৰ বাবে, প্ৰয়োজনীয় উচ্চ বাহক ঘনত্বসমূহ অন কৰাৰ সময়ত ইনজেক্ট কৰা হয় আৰু অফ কৰাৰ সময়ত আঁতৰ কৰা হয়, যি সুইটিং গতি কমায়। দ্ৰুত চুইচিংৰ বাবে এটা বিকল্প হৈছে একাধিক, নিম্ন ভল্টেজ ৰেটযুক্ত আইজিবিটিসমূহ শৃংখলাবদ্ধ কৰা। ছয়টা, ১২০০ ভল্ট ৰেটযুক্ত আইজিবিটিৰ সৈতে এটা আইজিবিটি-ষ্টেক প্ৰটোটাইপ পৰীক্ষামূলকভাৱে পৰীক্ষা কৰা হৈছে। ছয়টা চিৰিজৰ আইজিবিটি ষ্টেকত পৃথক, অপটিকালি বিচ্ছিন্ন, গেট ড্ৰাইভাৰ আৰু বলপূৰ্বক বায়ু শীতলীকৰণৰ বাবে এলুমিনিয়াম শীতল প্লেট থাকে যাৰ ফলত এটা কমপেক্ট পেকেট হয়। প্ৰতিটো IGBT অতি ভল্টেজ সুৰক্ষিত হয় ক্ষণস্থায়ী ভল্টেজ দমনকৰ দ্বাৰা। ছয়-শৃংখলাৰ আইজিবিটি ষ্টেক আৰু একক 6.5 কেভিট নম্বৰযুক্ত আইজিবিটিৰ টাৰ্ণ-অন কৰা সোঁতৰ উত্থানৰ সময়টো এটা পাল্সড ৰেজিষ্টিভ-লোড, কপেন্সিটৰ ডিচাৰ্জ চাৰ্কিটত পৰীক্ষামূলকভাৱে জোখা হৈছে। IGBT ষ্টেকক একেবাৰে ৩.৩ কেভি ৰেটযুক্ত দুটা IGBT মডিউলৰ সৈতে তুলনা কৰা হৈছে, ৯ কেএইচজেডত চুইট কৰা আৰু ৫ কেভি আউটপুট প্ৰদান কৰা বুষ্ট চিৰিটৰ এপ্লিকেচন। ছয়-শৃংখলাৰ আইজিবিটি ষ্টেকৰ ফলত টাৰ্ণ-অন চুইচিং গতি উন্নত হয়, আৰু টাৰ্ণ অফৰ সময়ত কম সোঁতৰ ফলত উল্লেখযোগ্যভাৱে উচ্চ শক্তি বুষ্ট কনভার্টাৰ দক্ষতা। পৰীক্ষামূলক পৰীক্ষাৰ পাৰামিটাৰ আৰু তুলনামূলক পৰীক্ষাৰ ফলাফলসমূহ তলত দিয়া প্ৰবন্ধত আলোচনা কৰা হৈছে
20f5b475effb8fd0bf26bc72b4490b033ac25129	আমি চহৰাঞ্চলৰ ৰাস্তাত লেইন মাৰ্কাৰ চিনাক্তকৰণৰ বাবে এক শক্তিশালী আৰু বাস্তৱ-সময়ৰ পদ্ধতি প্ৰদৰ্শন কৰিছো। ই পথৰ এটা ওপৰৰ দৃশ্য সৃষ্টি কৰা, নিৰ্বাচিত অভিমুখী গাউছীয়ান ফিল্টাৰ ব্যৱহাৰ কৰি ফিল্টাৰ কৰা, বেজিয়াৰ স্প্লাইনস ফিট কৰাৰ বাবে এটা নতুন আৰু দ্ৰুত RANSAC এলগৰিথমক প্ৰাৰম্ভিক অনুমান দিবলৈ RANSAC লাইন ফিটিং ব্যৱহাৰ কৰি ফিল্টাৰ কৰা, যাৰ পিছত এটা পৰৱৰ্তী প্ৰক্ৰিয়া পৰ্যায়ৰ পিছত হয়। আমাৰ এলগৰিথমে বিভিন্ন পৰিস্থিতিত ৰাস্তাৰ স্থিৰ ছবিত সকলো লেন চিনাক্ত কৰিব পাৰে, ৫০ হাৰ্জ হাৰত কাম কৰি পূৰ্বৰ প্ৰযুক্তিৰ সৈতে তুলনাযোগ্য ফলাফল লাভ কৰে।
e6bef595cb78bcad4880aea6a3a73ecd32fbfe06	অনলাইন সমীক্ষা আৰু পৰামৰ্শৰ উপলব্ধতাৰ অভূতপূৰ্ব বৃদ্ধিৰ ফলত অভিমত শ্ৰেণীবিভাজন শৈক্ষিক আৰু ঔদ্যোগিক গৱেষণাৰ এক আকৰ্ষণীয় বিষয় হৈ পৰিছে। পৰ্যালোচনাসমূহে বিভিন্ন ক্ষেত্ৰ সামৰি ল ব পাৰে, যাৰ বাবে সকলো ক্ষেত্ৰৰ বাবে টোকাযুক্ত প্ৰশিক্ষণ তথ্য সংগ্ৰহ কৰাটো কঠিন। সেয়েহে, এই প্ৰবন্ধত সংবেদন শ্ৰেণীবিভাগৰ বাবে ডোমেইন অভিযোজন সমস্যাৰ অধ্যয়ন কৰা হৈছে, ইয়াৰ দ্বাৰা এটা প্ৰণালী এটা উৎস ডোমেইনৰ পৰা লেবেলযুক্ত সমীক্ষাৰ ওপৰত প্ৰশিক্ষণ দিয়া হয় কিন্তু আনটো ডোমেইনত স্থাপন কৰাৰ উদ্দেশ্যে কৰা হয়। আমি এটা গভীৰ শিক্ষণ পদ্ধতিৰ প্ৰস্তাৱ দিছো যিয়ে নিৰীক্ষণবিহীন ধৰণে প্ৰতিটো পৰ্যালোচনাৰ বাবে এক অৰ্থপূৰ্ণ প্ৰতিনিধিত্ব উলিয়াবলৈ শিকিব। Amazon ৰ প্ৰদৰ্শনীসমূহত থকা বিভিন্ন প্ৰকাৰৰ সামগ্ৰীসমূহৰ ওপৰত ভিত্তি কৰি নিৰ্ণয় কৰা হৈছে যে এই সামগ্ৰীসমূহৰ মূল্যৰ ওপৰত ভিত্তি কৰি নিৰ্ণয় কৰা হৈছে যে এই সামগ্ৰীসমূহৰ মূল্য কিমান আৰু ইয়াৰ মূল্য কিমান। তদুপৰি, এই পদ্ধতিয়ে ভালদৰে স্কেল কৰে আৰু আমাক সফলতাৰে ২২ টা ড মেইনৰ এটা বৃহৎ ঔদ্যোগিক-শক্তি ডাটা ছেটত ড মেইন অভিযোজন কৰিবলৈ অনুমতি দিয়ে।
7cbbe0025b71a265c6bee195b5595cfad397a734	মানুহে প্ৰায়েই চকীসমূহৰ সৈতে যোগাযোগ কৰে, ব্যৱহাৰকাৰীৰ দ্বাৰা কোনো অতিৰিক্ত প্ৰচেষ্টাৰ প্ৰয়োজন নোহোৱাকৈ স্বাস্থ্যৰ সংবেদনশীলতা সম্পন্ন কৰাৰ বাবে ইয়াক এক সম্ভাৱ্য স্থান হিচাপে গঢ়ি তোলে। আমি ৫৫০ জন অংশগ্ৰহণকাৰীক সমীক্ষা কৰিছিলো, যাতে আমি বুজিব পাৰো যে মানুহে কেনেকৈ চকীখনত বহি থাকে আৰু চকীখনৰ ডিজাইনটো বুজিব পাৰো, যিয়ে হাতৰ সহায়ক আৰু পিঠিৰ সহায়ক দুয়োটা দিশৰ পৰা হৃদস্পন্দন আৰু শ্বাস-প্ৰশ্বাসৰ হাৰ চিনাক্ত কৰে। ১৮ জন অংশগ্ৰহণকাৰীৰ সৈতে কৰা পৰীক্ষাগাৰ অধ্যয়নত, আমি হৃদস্পন্দন আৰু শ্বাস-প্ৰশ্বাসৰ হাৰ চিনাক্তকৰণ সম্ভৱপৰ নিৰ্ণয় কৰিবলৈ বিভিন্ন সাধাৰণ বহি থকা অৱস্থানসমূহ মূল্যায়ন কৰিছিলো (হৃদস্পন্দনৰ বাবে ৩২% সময়, শ্বাস-প্ৰশ্বাসৰ বাবে ৫২%) আৰু চিনাক্তকৰণৰ হাৰ সঠিকতা মূল্যায়ন কৰিছিলো (হৃদস্পন্দনৰ বাবে ৮৩%, শ্বাস-প্ৰশ্বাসৰ বাবে ৭৩%) । আমি এই সংবেদনশীলতা বন্যলৈ লৈ যোৱাৰ প্ৰত্যাহ্বানসমূহৰ বিষয়ে আলোচনা কৰোঁ ১১ জন অংশগ্ৰহণকাৰীৰ সৈতে মুঠ ৪০ ঘন্টা সময় ধৰি কৰা এটা ইন-চিটু অধ্যয়নৰ মূল্যায়ন কৰি। আমি দেখুৱাই দিওঁ যে, এটা অন্তৰ্নিহিত সংবেদক হিচাপে, চেয়াৰটোৱে চেয়াৰৰ সৈতে স্বাভাৱিক ক্ৰিয়া-প্ৰতিক্ৰিয়াৰ জৰিয়তে চেয়াৰৰ দৰ্শকৰ পৰা জৰুৰী তথ্য সংগ্ৰহ কৰিব পাৰে।
bf003bb2d52304fea114d824bc0bf7bfbc7c3106
9a59a3719bf08105d4632898ee178bd982da2204	স্বায়ত্তশাসিত বাহনখন হৈছে এটা ম বাইল ৰবট যিয়ে মাল্টি-চেন্সৰ নেভিগেশ্যন আৰু পজিচনিং, বুদ্ধিমান সিদ্ধান্ত গ্ৰহণ আৰু নিয়ন্ত্ৰণ প্ৰযুক্তি একত্ৰিত কৰে। এই প্ৰবন্ধত স্বয়ংচালিত বাহনখনৰ নিয়ন্ত্ৰণ ব্যৱস্থাৰ আৰ্হিৰ বিষয়ে আলোচনা কৰা হৈছে, যাক "বুদ্ধিমান অগ্ৰদূত" বুলি কোৱা হয়। লগতে পথ অনুসৰণ আৰু গতিৰ স্থায়িত্বৰ বিষয়ে আলোচনা কৰা হৈছে যাতে অজ্ঞাত পৰিৱেশত কাৰ্যকৰীভাৱে চলাচল কৰিব পৰা যায়। এই পদ্ধতিত, পথ-ট্ৰেকিঙৰ সমস্যাটো ৰাজ্যিক স্থানৰ বিন্যাসত প্ৰস্তুত কৰিবলৈ দুটা ডিগ্ৰী-ফ্ৰিডম ডাইনামিক মডেল বিকশিত হয়। ক্ষণিক পথৰ ত্ৰুটি নিয়ন্ত্ৰণৰ বাবে, পৰম্পৰাগত নিয়ন্ত্ৰকসমূহে পৰিমাপকৰ পৰিবৰ্তন আৰু বিঘ্নৰ বিস্তৃত পৰিসৰত কাৰ্যক্ষমতা আৰু স্থায়িত্ব নিশ্চিত কৰাত অসুবিধা পায়। সেয়েহে, এটা নতুনকৈ বিকশিত অভিযোজিত-পিআইডি নিয়ন্ত্ৰক ব্যৱহাৰ কৰা হ ব। এই পদ্ধতি ব্যৱহাৰ কৰি বাহন নিয়ন্ত্ৰণ ব্যৱস্থাৰ নমনীয়তা বৃদ্ধি কৰা হ ব আৰু বৃহৎ সুবিধা লাভ কৰা হ ব। এই প্ৰবন্ধত আমি ইন্টেলিজেণ্ট পাইনিয়াৰৰ উদাহৰণ আৰু ফলাফল আৰু এই পদ্ধতি ব্যৱহাৰ কৰি স্বয়ংচালিত বাহনক ২০১০ আৰু ২০১১ চনৰ চীনৰ ভৱিষ্যতৰ প্ৰত্যাহ্বানৰ প্ৰতিযোগিতাত প্ৰদৰ্শন কৰিম। ইন্টেলিজেন্ট পাইনিয়াৰে সকলো প্ৰতিযোগিতাৰ প্ৰগ্ৰাম সমাপ্ত কৰে আৰু ২০১০ চনত প্ৰথম স্থান আৰু ২০১১ চনত তৃতীয় স্থান লাভ কৰে।
7592f8a1d4fa2703b75cad6833775da2ff72fe7b	প্ৰতিযোগিতামূলক MNIST হস্তলিখিত অংক চিনাক্তকৰণ মানদণ্ডত ১৯৯৮ চনৰ পৰা ৰেকৰ্ড ভংগ কৰাৰ এক দীঘলীয়া ইতিহাস আছে। আনসকলৰ দ্বাৰা সৰ্বাধিক শেহতীয়া অগ্ৰগতি ৮ বছৰ পুৰণি (ত্ৰুটিৰ হাৰ ০.৪%) । সাধাৰণ বহুস্তৰীয় পাৰ্চপ্ট্ৰনৰ বাবে ভাল পুৰণি অন লাইন বেক-প্ৰপ্ৰপ্ৰেগেশ্যনে এটা এমএলপিৰ সৈতে এমএনআইএছটি হস্তলিখিত অংক বেঞ্চমাৰ্কত 0.35% আৰু সাত এমএলপিৰ সমিতিৰ সৈতে 0.31% অতি কম ত্ৰুটি হাৰ প্ৰদান কৰে। ২০১১ চনৰ ভিতৰত এই উত্তম ফলাফল লাভ কৰিবলৈ আমাক প্ৰয়োজন হ ব বহুতো লুকাই থকা স্তৰ, প্ৰতিটো স্তৰত বহুতো নিউৰন, বহুতো বিকৃত প্ৰশিক্ষণ ছবি যাতে অতিৰিক্ত ফিট নহয়, আৰু গ্ৰাফিক্স কাৰ্ড যাতে শিক্ষণক অধিক গতি প্ৰদান কৰে।
cbcd9f32b526397f88d18163875d04255e72137f
14829636fee5a1cf8dee9737849a8e2bdaf9a91f	বিটকয়েন হৈছে এক বিতৰণ ডিজিটেল মুদ্ৰা যি যথেষ্ট সংখ্যক ব্যৱহাৰকাৰীক আকৰ্ষিত কৰিছে। আমি এটা গভীৰ অনুসন্ধান চলাইছো বিটকয়েনক কিদৰে সফল কৰি তুলিছে বুজিবলৈ, যদিও দশকজোৰা গৱেষণাৰ ফলত ক্ৰিপ্টোগ্ৰাফিক ই-নগদ ধন ব্যাপকভাৱে প্ৰয়োগ হোৱা নাই। আমি এইটোও প্ৰশ্ন কৰোঁ যে বিটকয়েন কেনেকৈ এটা দীৰ্ঘজীৱী স্থিৰ মুদ্ৰাৰ বাবে ভাল প্ৰাৰ্থী হ ব পাৰে। এনে কৰাৰ সময়ত, আমি বিটকয়েনৰ বিভিন্ন সমস্যা আৰু আক্ৰমণ চিনাক্ত কৰো, আৰু সেইবোৰ সমাধান কৰাৰ বাবে উপযুক্ত কৌশল প্ৰস্তাৱ কৰো।
3d16ed355757fc13b7c6d7d6d04e6e9c5c9c0b78
d19f938c790f0ffd8fa7fccc9fd7c40758a29f94
cd5b7d8fb4f8dc3872e773ec24460c9020da91ed	এই প্ৰবন্ধত পঞ্চম প্ৰজন্মৰ (5G) সম্পূৰ্ণ মাত্ৰাৰ বহু-উত্থান বহু-উত্থান (FD-MIMO) ব্যৱস্থাৰ বাবে 29 GHz ফ্ৰেক্সেন্সত WR28 ৱেভগাইডৰ ওপৰত আধাৰিত এটা বিম স্টিয়াৰযোগ্য উচ্চ লাভ ফেজড এৰে এণ্টেনাৰ নতুন ডিজাইন ধাৰণা উপস্থাপন কৰা হৈছে। 8×8 পৰ্যায়যুক্ত সমতল বিন্যাসক ত্ৰি-মাত্রিক বিমফৰ্মাৰে খাদ্য যোগান ধৰা হয় যাতে এজিমথ আৰু উচ্চতা দিশত উভয়তে -60 ৰ পৰা +60 ডিগ্ৰী পৰ্যন্ত আয়তন বিম স্কেনিং লাভ কৰিব পাৰি। বিম ফৰ্মিং নেটৱৰ্ক (বিএফএন) হ ল 16 ছেট 8×8 বাটলাৰ মেট্ৰিকছ বিম ফৰ্মৰ ব্যৱহাৰ কৰি 64 বিম ষ্টেট লাভ কৰিবলৈ ডিজাইন কৰা হৈছে, যিয়ে অনুভূমিক আৰু উল্লম্ব কোণ নিয়ন্ত্ৰণ কৰে। ই হৈছে 5G এপ্লিকেচনৰ বাবে Ka বেণ্ডত ভলিউমেট্ৰিক মাল্টিবিমৰ বাবে ৱেভগাইড ভিত্তিক উচ্চ ক্ষমতাসম্পন্ন ত্ৰিমাত্ৰিক বিম ফৰ্মৰ ডিজাইন কৰাৰ এক নতুন ধাৰণা। ফেজড এৰেজৰ সৰ্বাধিক লাভ হৈছে ২৮.৫ ডিবিআই যি ২৮.৯ গিগাহাৰ্টছ পৰা ২৯.৪ গিগাহাৰ্টছ ফ্ৰিক্বেন্সী বেণ্ডক সামৰি লয়।
34feeafb5ff7757b67cf5c46da0869ffb9655310	কম শক্তিৰ ৱায়াৰলেচ ছেন্সৰ নেটৱৰ্কৰ বাবে পৰিৱেশ শক্তি এক আকৰ্ষণীয় শক্তি উৎস। আমি প্ৰমিথিয়াছক উপস্থাপন কৰিছো, যিটো এনে এক ব্যৱস্থা যি মানুহৰ হস্তক্ষেপ বা চাৰ্ভিচ অবিহনে চিৰস্থায়ী কামৰ বাবে শক্তিৰ স্থানান্তৰক বুদ্ধিমত্তাৰে পৰিচালনা কৰে। বিভিন্ন শক্তি সঞ্চয়ৰ উপাদানৰ যোগাত্মক গুণসমূহ আৰু মাইক্ৰ প্ৰচেছৰৰ বুদ্ধিমত্তাৰ ব্যৱহাৰ কৰি আমি এটা কাৰ্যকৰী বহু-পৰ্যায়ৰ শক্তি স্থানান্তৰ প্ৰণালী প্ৰৱৰ্তন কৰো যি একক শক্তি সঞ্চয়ৰ প্ৰণালীৰ সাধাৰণ সীমাবদ্ধতাক হ্ৰাস কৰি প্ৰায় চিৰস্থায়ী কাৰ্য সম্পাদন কৰে। আমি আমাৰ ডিজাইন পছন্দ, বাণিজ্য, চাৰ্কিট মূল্যায়ন, পাৰফৰমেন্স বিশ্লেষণ আৰু মডেলবোৰ উপস্থাপন কৰোঁ। আমি চিস্টেমৰ উপাদানসমূহৰ মাজত সম্পৰ্ক আলোচনা কৰোঁ আৰু এটা এপ্লিকেচনৰ প্ৰয়োজন পূৰণ কৰিবলৈ সৰ্বোত্তম হাৰ্ডৱেৰ নিৰ্বাচন চিনাক্ত কৰোঁ। অৱশেষত আমি এটা বাস্তৱ পদ্ধতিৰ প্ৰৱৰ্তন প্ৰদৰ্শন কৰিছো যিয়ে সৌৰশক্তি ব্যৱহাৰ কৰি বাৰ্কলেৰ তেলোছ ম ট ক শক্তি প্ৰদান কৰে। আমাৰ বিশ্লেষণে অনুমান কৰিছে যে এই প্ৰণালীটো ৪৩ বছৰ ১% লোডত, ৪ বছৰ ১০% লোডত আৰু ১ বছৰ ১০০% লোডত চলিব। আমাৰ প্ৰয়োগত দুটা পৰ্যায়ৰ ষ্ট ৰেজ চিষ্টেম ব্যৱহাৰ কৰা হৈছে য ত ছুপাৰকেপেচিটৰ (প্ৰাথমিক বাফাৰ) আৰু এটা ৰিচাৰ্জযোগ্য লিথিয়াম বেটাৰী (দ্বিতীয় বাফাৰ) আছে। ম টটোৰ শক্তিৰ স্তৰৰ সম্পূৰ্ণ জ্ঞান আছে আৰু ই জীৱনৰ সময়সীমা সৰ্বাধিক কৰাৰ বাবে বুদ্ধিমত্তাৰে শক্তিৰ স্থানান্তৰ ব্যৱস্থাপনা কৰে।
3689220c58f89e9e19cc0df51c0a573884486708	এম্বিমেক্স হৈছে ৱায়াৰলেচ ছেন্সৰ ন ড (WSN) ৰ বাবে এনাৰ্জী হাৰ্ভেষ্টিং চিৰকিট আৰু ছুপাৰক্যাপাচিটৰ ভিত্তিক এনাৰ্জী ষ্ট ৰেজ চিষ্টেম। পূৰ্বৰ WSNs বিভিন্ন উৎসৰ পৰা শক্তি আহৰণৰ প্ৰয়াস কৰে, আৰু কিছুমান বেটাৰী বৃদ্ধিত সমস্যা সমাধান কৰিবলৈ বেটাৰীসমূহৰ পৰিৱৰ্তে ছুপাৰকপেচিটৰ ব্যৱহাৰ কৰে। অৱশ্যে, ইম্পেড্যান্সৰ বিসংগতিজনিত কাৰণত তেওঁলোকে বহুতো উপলব্ধ শক্তি অপচয় কৰে, বা এওঁলোকক সক্ৰিয় ডিজিটেল নিয়ন্ত্ৰণৰ প্ৰয়োজন হয় যি ওভাৰহেডৰ সৃষ্টি কৰে, বা এওঁলোকে কেৱল এক নিৰ্দিষ্ট প্ৰকাৰৰ উৎসৰ সৈতে কাম কৰে। এম্বিমেক্সে প্ৰথমতে সৰ্বাধিক শক্তি পইণ্ট ট্ৰেকিং (এমপিপিটি) স্বতন্ত্ৰভাৱে সম্পাদন কৰি আৰু তাৰ পিছত সৰ্বাধিক কাৰ্য্যক্ষমতাত চাৰ্জ কৰি এই সমস্যাসমূহ সমাধান কৰে। তদুপৰি, এম্বিমেক্স মডুলাৰ আৰু সৌৰ, বায়ু, তাপীয় আৰু কম্পনকে ধৰি একাধিক শক্তি আহৰণৰ উৎসৰ সংমিশ্ৰণ সক্ষম কৰে, প্ৰত্যেকটোৰে এটা ভিন্ন সৰ্বোত্তম আকাৰ থাকে। বাস্তৱ WSN প্লেটফৰ্মত পৰীক্ষামূলক ফলাফল, ইকো, দেখুৱায় যে এম্বিমেক্সে সফলতাৰে WSN ৰ বাবে বৰ্তমানৰ অত্যাধুনিক কাৰ্যকৰীতাৰ কেইবাগুণে একেলগে আৰু স্বতন্ত্ৰভাৱে একাধিক শক্তি উৎস পৰিচালনা কৰে
4833d690f7e0a4020ef48c1a537dbb5b8b9b04c6	এটা কম শক্তিৰ কম খৰচী উচ্চ কাৰ্য্যকৰী সৰ্বাধিক শক্তি পইণ্ট ট্ৰেকাৰ (MPPT) এটা ফ ট ভোলটাইক (PV) পেনেলত সংহত কৰিবলৈ প্ৰস্তাৱ কৰা হৈছে। ইয়াৰ ফলত ষ্টেণ্ডাৰ্ড ফ ট ভোলটাইক পেনেলৰ তুলনাত ২৫% শক্তি বৃদ্ধি হ ব পাৰে, আনহাতে বেটাৰী ভল্টেজ নিয়ন্ত্ৰণ আৰু ভৰ সৈতে PV এৰেৰ মিলন কৰাৰ দৰে কাৰ্য সম্পাদন কৰে। বাহিৰৰ পৰা সংযুক্ত এমপিপিটি ব্যৱহাৰ কৰাৰ পৰিৱৰ্তে, এটা সংহত এমপিপিটি কনভাৰ্টাৰ পিভি পেনেলৰ অংশ হিচাপে ব্যৱহাৰ কৰাৰ প্ৰস্তাৱ দিয়া হৈছে। এই সমন্বিত MPPT এ ব্যয়সাধ্য হ বলৈ এটা সৰল নিয়ন্ত্ৰক ব্যৱহাৰ কৰাৰ প্ৰস্তাৱ কৰা হৈছে। তদুপৰি, প্ৰত্যক্ষভাৱে সংযুক্ত ব্যৱস্থাতকৈ বেছি শক্তি লোডলৈ স্থানান্তৰ কৰিবলৈ, কনভাৰ্টাৰটো অতি কাৰ্যকৰী হ ব লাগিব। ইয়াক এটা সৰল ছফ্ট-ছুইটচড টোপ লজি ব্যৱহাৰ কৰি প্ৰাপ্ত কৰা হয়। ইয়াৰ ফলত কম খৰচত অধিক পৰিৱৰ্তন দক্ষতা লাভ কৰিব, যাৰ ফলত এমপিপিটি ক্ষুদ্ৰ পিভি শক্তি ব্যৱস্থাৰ বাবে এক সুলভ সমাধান হ ব।
61c1d66defb225eda47462d1bc393906772c9196	বেতাৰ ছেন্সৰ নেটৱৰ্কৰ সমাজত ইতিবাচক প্ৰভাৱ পেলোৱাৰ অপৰিসীম সম্ভাৱনাই এই বিষয়ত বহুতো গৱেষণাৰ জন্ম দিছে আৰু এই গৱেষণাৰ দ্বাৰা এতিয়া পৰিৱেশ-প্ৰস্তুত প্ৰণালী প্ৰস্তুত কৰা হৈছে। বৰ্তমান প্ৰযুক্তিৰ সীমাবদ্ধতা আৰু ব্যাপকভাৱে পৰিৱৰ্তিত এপ্লিকেশ্যন প্ৰয়োজনীয়তাৰ ফলত ডিজাইন স্থানৰ বিভিন্ন অংশৰ বাবে বিভিন্ন হাৰ্ডৱেৰ প্লেটফৰ্মৰ সৃষ্টি হয়। ইয়াৰ উপৰিও, মানৱ হস্তক্ষেপ অবিহনেই কেইবামাহো ধৰি কাম কৰিবলগীয়া এটা ব্যৱস্থাৰ অনন্য শক্তি আৰু নিৰ্ভৰযোগ্যতাৰ সীমাবদ্ধতাৰ অৰ্থ হৈছে যে ছেন্সৰ নেটৱৰ্ক হাৰ্ডৱেৰত থকা দাবীবোৰ মানদণ্ডযুক্ত একত্ৰিত চাৰ্কিটৰ প্ৰয়োজনীয়তাৰ পৰা পৃথক। এই প্ৰবন্ধত ছেন্সৰ ন ড আৰু সেইবোৰ নিয়ন্ত্ৰণ কৰিবলৈ নিম্ন স্তৰৰ ছফ্টৱেৰ ডিজাইন কৰাৰ আমাৰ অভিজ্ঞতা বৰ্ণনা কৰা হৈছে। জেব্ৰানেট ব্যৱস্থাত আমি জিপিএছ প্ৰযুক্তি ব্যৱহাৰ কৰি পশুৰ দীৰ্ঘকালীন প্ৰব্ৰজন নিৰীক্ষণ কৰিবলৈ সূক্ষ্ম-দৃশ্যযুক্ত অৱস্থান তথ্য ৰেকৰ্ড কৰো [14]। জেব্ৰানেট হাৰ্ডৱেৰটো ১৬ বিট টিআই মাইক্ৰ কন্ট্ৰ লাৰ, ৪ এমবিট অফ-চিপ ফ্ল্যাশ মেমৰি, ৯০০ মেগাহাৰ্টজ ৰেডিঅ আৰু কম শক্তিৰ জিপিএছ চিপৰ দ্বাৰা গঠিত। এই প্ৰবন্ধত আমি ছেন্সৰ নেটৱৰ্কৰ বাবে দক্ষ শক্তি যোগান উদ্ভাৱন কৰাৰ বাবে আমাৰ কৌশল, ন ডসমূহৰ শক্তিৰ ব্যৱহাৰ পৰিচালনা কৰাৰ পদ্ধতি, আৰু ৰেডিঅ , ফ্ল্যাশ আৰু ছেন্সৰকে ধৰি প্ৰান্তীয় ডিভাইচ পৰিচালনা কৰাৰ পদ্ধতিৰ বিষয়ে আলোচনা কৰিম। আমি জেব্ৰানেট ন ডৰ ডিজাইন মূল্যায়ন কৰি আৰু ইয়াক কেনেকৈ উন্নত কৰিব পাৰি তাৰ বিষয়ে আলোচনা কৰি এই আলোচনা সামৰিছো। এই হাৰ্ডৱেৰ বিকাশৰ পৰা আমি যি শিক্ষা লাভ কৰিছো সেয়া ভৱিষ্যতৰ ছেন্সৰ ন ড ডিজাইন আৰু বাস্তৱিক প্ৰণালীত ব্যৱহাৰৰ ক্ষেত্ৰত সহায়ক হ ব।
146da74cd886acbd4a593a55f0caacefa99714a6	কৃত্ৰিম বুদ্ধিমত্তাৰ বিকাশে প্ৰযুক্তিৰ ক্ষেত্ৰত অনুঘটক হিচাপে কাম কৰিছে। আমি এতিয়া সেইবোৰ বস্তু বিকশিত কৰিব পাৰো যিবোৰ আগতে কেৱল কল্পনা আছিল। এনে এটা সৃষ্টি হৈছে স্বচালিত গাড়ীৰ জন্ম। এনে দিন আহিছে, য ত মানুহে নিজৰ কাম কৰি বা গাড়ীত শুইও নিজৰ লক্ষ্যস্থানত সুৰক্ষিতভাৱে উপনীত হ ব পাৰিব। এই প্ৰবন্ধত এটা স্বচালিত গাড়ীৰ কামৰ প্ৰণালী প্ৰস্তাৱ কৰা হৈছে যি এটা স্থানৰ পৰা আন এটা স্থানলৈ বা বিভিন্ন ধৰণৰ ট্ৰেকত যেনে-উচ্চ-উচ্চ, সৰল-সৰল আৰু সৰল-সৰল আৰু তাৰ পিছত উচ্চ-উচ্চ ট্ৰেকত চলিব পাৰে। এখন কেমেৰা মডিউল গাড়ীৰ ওপৰত স্থাপন কৰা হয় আৰু ৰেচবেৰী পাইয়ে বাস্তৱ জগতৰ ছবিসমূহ কনভল্যুশ্যনেল নিউৰেল নেটৱৰ্কলৈ প্ৰেৰণ কৰে যিয়ে তাৰ পিছত নিম্নলিখিত দিশসমূহৰ এটা পূৰ্বানুমান কৰে। অৰ্থাৎ তাৰ পিছত আৰডুইন ৰ পৰা দূৰৱৰ্তী নিয়ন্ত্ৰিত গাড়ীৰ নিয়ন্ত্ৰকলৈ এটা সংকেত প্ৰেৰণ কৰা হয় আৰু ইয়াৰ ফলত গাড়ীখন কোনো মানৱ হস্তক্ষেপ অবিহনেই বিচৰা দিশত গতি কৰে।
bb17e8858b0d3a5eba2bb91f45f4443d3e10b7cd
090a6772a1d69f07bfe7e89f99934294a0dac1b9
f07fd927971c40261dd7cef1ad6d2360b23fe294	আমি বিৰল কাননিকল সম্পৰ্ক বিশ্লেষণ (CCA) ৰ সমস্যাটো বিবেচনা কৰোঁ, অৰ্থাৎ, দুটা ৰেখীয় কম্বি ৰাষ্ট্ৰৰ সন্ধান, প্ৰতিটো মাল্টিভেৰিয়েটৰ বাবে এক, যি নিৰ্দিষ্ট সংখ্যক ভেরিয়েবল ব্যৱহাৰ কৰি সৰ্বাধিক সম্পৰ্ক প্ৰদান কৰে। আমি প্ৰত্যক্ষ লোভী পদ্ধতিৰ ওপৰত ভিত্তি কৰি এটা কাৰ্যকৰী সংখ্যাগত অনুমান প্ৰস্তাৱ কৰো যিয়ে প্ৰতিটো পৰ্যায়ত সম্পৰ্কক আবদ্ধ কৰে। এই পদ্ধতিটো বিশেষভাৱে বৃহৎ ডাটা ছেটৰ সৈতে মোকাবিলা কৰিবলৈ ডিজাইন কৰা হৈছে আৰু ইয়াৰ গণনামূলক জটিলতা কেৱল স্পাৰ্চিটি স্তৰৰ ওপৰত নিৰ্ভৰ কৰে। আমি সংশ্লেষণ আৰু সংৰক্ষণৰ মাজত ব্যৱধানৰ জৰিয়তে এলগৰিথমৰ প্ৰদৰ্শন বিশ্লেষণ কৰোঁ। সংখ্যাসূচক অনুকৰণৰ ফলাফলৰ পৰা অনুমান কৰা হৈছে যে তুলনামূলকভাৱে কম সংখ্যক ভৰিবল ব্যৱহাৰ কৰি সম্পৰ্কটোৰ এক গুৰুত্বপূৰ্ণ অংশ ধৰা পেলাব পাৰি। ইয়াৰ উপৰিও, আমি বহুবচনীয়ৰ আকাৰৰ তুলনাত উপলব্ধ নমুনাৰ সংখ্যা কম হ লে নিয়মীয়াকৰণ পদ্ধতি হিচাপে বিৰল চিচিএৰ ব্যৱহাৰৰ পৰীক্ষা কৰোঁ। হাৰোল ডি হোটেলিং [1] ৰ দ্বাৰা প্ৰৱৰ্তিত কেননিকল সম্পৰ্ক বিশ্লেষণ (CCA) হৈছে দুটা তথ্য উৎসৰ পৰা সাধাৰণ বৈশিষ্ট্য আহৰণৰ বাবে বহুমুখী তথ্য বিশ্লেষণৰ এক মানক কৌশল [2], [3]। এই তথ্য উৎসসমূহৰ প্ৰতিটোয়ে এটা এৰাব নোৱাৰা ভেক্টৰ r সৃষ্টি কৰে যাক আমি বহু-পৰিবৰ্তক বুলি কওঁ। পৰম্পৰাগত মাত্ৰা হ্ৰাস পদ্ধতিৰ বিপৰীতে, যিবোৰ এটা বহুমুখীক সামৰি লয়, চিচিএ পদ্ধতিত দুটা স্থানৰ পৰা নমুনাসমূহৰ মাজত পৰিসংখ্যাগত সম্পৰ্কসমূহ বিবেচনা কৰা হয় যিবোৰৰ মাত্ৰা আৰু গঠন বেলেগ বেলেগ হ ব পাৰে। বিশেষকৈ, ই দুটা ৰেখামূলক সংমিশ্ৰণ বিচাৰি পায়, প্ৰতিটো বহুমূলীয়াতাক লৈ এটা, যাতে সিহঁতৰ সম্পৰ্ক অধিকতৰ হয়। ইয়াক বিভিন্ন শাখাত স্বতন্ত্ৰ সঁজুলি হিচাপে বা আন পৰিসংখ্যাগত পদ্ধতিৰ বাবে প্ৰাক-প্ৰক্ৰিয়া হিচাপে ব্যৱহাৰ কৰা হয়। তদুপৰি, চিএচি হৈছে এটা সাধাৰণীকৃত ফ্ৰেমৱৰ্ক য ত পৰিসংখ্যা বিজ্ঞানৰ বহুতো ধ্ৰুপদী পদ্ধতি অন্তৰ্ভুক্ত কৰা হয়, যেনে, প্ৰধান উপাদান বিশ্লেষণ (পিচিএ), আংশিক সৰ্বনিম্ন বৰ্গ (পিএলএছ) আৰু বহুতো ৰেখীয় প্ৰৱৰ্তন (এমএলআৰ) [4]। ক ৰনেল চিএচি আৰু স্বাধীন উপাদান বিশ্লেষণৰ বাবে ইয়াৰ প্ৰয়োগৰ সৈতে চিএচিয়ে শেহতীয়াকৈ মনোযোগ ঘূৰাই পাইছে [5] [6]। বিগত দশকত সংকেতৰ বিৰল প্ৰতিনিধিত্ব আৰু বিৰল সংখ্যাসূচক পদ্ধতিৰ সন্ধানত এক ক্ৰমবৰ্ধমান আগ্ৰহৰ সাক্ষী হৈছে। এইদৰেই, আমি বিৰল চিচিএৰ সমস্যাটো বিবেচনা কৰোঁ, অৰ্থাৎ, কম সংখ্যক ভৰিবল ব্যৱহাৰ কৰি সৰ্বাধিক সম্পৰ্ক থকা ৰেখীয় সংমিশ্ৰণৰ সন্ধান। বিভিন্ন কাৰণত এই অভাৱ দূৰীকৰণ প্ৰচেষ্টাত উৎসাহিত কৰিব পাৰি। প্ৰথমটো হৈছে ফলাফলৰ ব্যাখ্যা আৰু দৃশ্যমান কৰাৰ ক্ষমতা। কম সংখ্যক ভেৰিয়েবলৰ সহায়ত আমি "বৃহৎ ছবি" পাব পাৰিম, কিন্তু কিছুমান সৰু সৰু কথা বাদ দিও। তদুপৰি, বিৰল প্ৰতিনিধিত্বই গণনাকৰণত দক্ষতাৰ ব্যৱহাৰৰ অনুমতি দিয়ে। এই কামটো এফঅ এছআৰ ম ৰিয়ে অনুদান এএফ৯৫৫০-০৬-১-০ ৩২৪ৰ অধীনত আংশিকভাৱে সমৰ্থন কৰিছিল। ক্ষুদ্ৰতাৰ দ্বিতীয় কাৰণ হ ল নিয়মীয়া আৰু স্থিৰতা। চিচিএৰ প্ৰধান দুৰ্বলতা হ ল কম সংখ্যক পৰ্যবেক্ষণৰ প্ৰতি ইয়াৰ সংবেদনশীলতা। অৱশ্যে, নিয়মীয়া পদ্ধতি যেনে ৰিজ চিএচি [7] ব্যৱহাৰ কৰিব লাগিব। এই ক্ষেত্ৰত, বিৰল চিচিএ হৈছে এটা উপ-সমষ্টি নিৰ্বাচন প্ৰণালী যি আমাক ভেক্টৰৰ পৰিমাপ হ্ৰাস কৰিবলৈ আৰু এটা স্থিৰ সমাধান লাভ কৰিবলৈ অনুমতি দিয়ে। আমাৰ জ্ঞানৰ সৰ্বোত্তম অনুসৰি, বিৰল চিচিএৰ প্ৰথম উল্লেখ [2] ত প্ৰকাশ পাইছে য ত পিছলৈ আৰু পৰ্যায়ক্ৰমে উপ-সমষ্টি নিৰ্বাচনৰ প্ৰস্তাৱ দিয়া হৈছে। এই আলোচনা গুণগত প্ৰকৃতিৰ আছিল আৰু কোনো নিৰ্দিষ্ট সংখ্যাসূচক এলগৰিথমৰ প্ৰস্তাৱ দিয়া হোৱা নাছিল। শেহতীয়াকৈ, বহুমাত্ৰিক তথ্য প্ৰক্ৰিয়াকৰণৰ বাবে ক্ৰমবৰ্ধমান চাহিদা আৰু গণনামূলক ব্যয় হ্ৰাস পোৱাৰ ফলত বিষয়টো পুনৰবাৰ প্ৰসিদ্ধ হৈ পৰিছে [1]-[2]। এই বৰ্তমান সমাধানসমূহৰ প্ৰধান অসুবিধা হ ল যে ইয়াৰ ক্ষুদ্ৰতাৰ ওপৰত কোনো প্ৰত্যক্ষ নিয়ন্ত্ৰণ নাই আৰু ইয়াৰ সৰ্বোত্তম হাইপাৰপাৰামিটাৰবোৰ নিৰ্বাচন কৰাটো কঠিন (আৰু অনভিজ্ঞ) । ইয়াৰ উপৰিও, এই পদ্ধতিসমূহৰ অধিকাংশৰ গণনামূলক জটিলতা উচ্চ পৰ্যায়ৰ তথ্য ছেটৰ সৈতে ব্যৱহাৰিক প্ৰয়োগৰ বাবে অতি উচ্চ। বিৰল চিএচিএ [9] তো implicitly address কৰা হৈছে, [14] আৰু d বিৰল পিচিএ [9] , [15]-[17] ৰ শেহতীয়া ফলাফলৰ সৈতে ঘনিষ্ঠভাৱে সম্পৰ্কিত। প্ৰকৃততে, আমাৰ প্ৰস্তাৱিত সমাধানটো হৈছে [17] ৰ ফলাফলৰ CCA সম্প্ৰসাৰণ। এই কামৰ মূল অৱদান দুটা। প্ৰথমতে, আমি প্ৰত্যেকটো বহুমূলীয়াতাত ক্ষুদ্ৰতাৰ ওপৰত প্ৰত্যক্ষ নিয়ন্ত্ৰণৰ সৈতে চিচিএ এলগৰিথম আহৰণ কৰোঁ আৰু তেওঁলোকৰ কাৰ্যক্ষমতা পৰীক্ষা কৰোঁ। আমাৰ গণনাকাৰী দক্ষ পদ্ধতিবোৰে বিশেষভাৱে দুটা বৃহৎ পৰিমাপৰ তথ্যৰ মাজত থকা সম্পৰ্কবোৰ বুজিবলৈ সহায় কৰে। আমি এটা আগুৱাই (বা পিছলৈ) লোভী পদ্ধতি গ্ৰহণ কৰো যিটো ধাৰাবাহিকভাৱে বাছনি (বা বাদ দিয়া) ভেৰিবল ওপৰত আধাৰিত। প্ৰতিটো পৰ্যায়তে আমি সৰ্বোত্তম চিচিএ সমাধান নিৰ্ধাৰণ কৰো আৰু সম্পূৰ্ণ সমস্যা সমাধানৰ প্ৰয়োজনীয়তা এৰাই চলো। তদুপৰি, ফৰৱাৰ্ড লোভী পদ্ধতিৰ গণনামূলক জটিলতা তথ্যৰ মাত্রাৰ ওপৰত নিৰ্ভৰ নকৰে কিন্তু কেৱল ক্ষুদ্ৰতাৰ পাৰামিটাৰবোৰতহে নিৰ্ভৰ কৰে। সংখ্যাসূচক অনুকৰণ প্ৰাপ্তিয়ে দেখুৱাইছে যে তুলনামূলকভাৱে কম সংখ্যক শূন্য-বিহীন সহগ ব্যৱহাৰ কৰি সম্পৰ্কটোৰ এটা গুৰুত্বপূৰ্ণ অংশৰ কাৰ্যকৰীভাৱে সীমাৱদ্ধ কৰিব পাৰি। আমাৰ দ্বিতীয় অৱদান হ ল নিয়মীয়াকৰণ পদ্ধতি হিচাপে বিৰল চিএচিৰ অনুসন্ধান। আমি বিভিন্ন এলগৰিথমৰ ব্যৱহাৰ পৰীক্ষা কৰো যেতিয়া বহুবৈকল্পিকৰ পৰিমাপ নমুনাৰ সংখ্যাতকৈ ডাঙৰ (বা সমান সংখ্যক) হয় আৰু বিৰল চিচিএৰ সুবিধা প্ৰদৰ্শন কৰোঁ। এই ক্ষেত্ৰত, লোভী পদ্ধতিৰ এটা সুবিধা হ ল ই এটা মাত্ৰ ৰাণত সম্পূৰ্ণ স্পাৰচিটি পথ সৃষ্টি কৰে আৰু ব্যৱহাৰ কৰি কাৰ্যকৰী পাৰামিটাৰ টিউনিংৰ অনুমতি দিয়ে।
49afbe880b8bd419605beb84d3382647bf8e50ea
19b7e0786d9e093fdd8c8751dac0c4eb0aea0b74
0b3cfbf79d50dae4a16584533227bb728e3522aa	পৰৱৰ্তী প্ৰসাৰৰ দ্বাৰা দীৰ্ঘ সময়ৰ অন্তৰালত তথ্য সংৰক্ষণ কৰিবলৈ শিকিবলৈ বহুত সময় লাগে, বেছিভাগেই পৰ্যাপ্ত নহয়, ক্ষয়শীল ত্ৰুটিৰ পিছফালৰ কাৰণে। আমি এই সমস্যাৰ Hochreiter (1991) ৰ বিশ্লেষণৰ সংক্ষিপ্তভাৱে পৰ্যালোচনা কৰোঁ, তাৰ পিছত এটা নতুন, দক্ষ, গ্ৰেডিয়েন্ট ভিত্তিক পদ্ধতিৰ প্ৰৱৰ্তন কৰি ইয়াক সমাধান কৰোঁ যাক দীৰ্ঘ-স্বল্প-মেয়াদী স্মৃতি (LSTM) বুলি কোৱা হয়। এই প্ৰক্ৰিয়াত ক্ষতি নহ লে গ্ৰেডিয়েণ্টৰ সংক্ষেপণ কৰি LSTM এ বিশেষ ইউনিটৰ ভিতৰত ধ্ৰুবক ত্ৰুটিৰ কাৰুছেলৰ জৰিয়তে ধ্ৰুবক ত্ৰুটিৰ প্ৰবাহ বলবৎ কৰি ১০০০ তকৈ অধিক বিচ্ছিন্ন-সময়ৰ পদক্ষেপৰ অতি কম সময়ৰ ব্যৱধান পূৰণ কৰিবলৈ শিকিব পাৰে। বহুবৰ্ধক গেট এককবোৰে নিৰন্তৰ ত্ৰুটি প্ৰবাহৰ বাবে প্ৰৱেশ খুলিবলৈ আৰু বন্ধ কৰিবলৈ শিকিব। LSTM স্থান আৰু সময়ত স্থানীয়; ইয়াৰ প্ৰতি সময়ৰ পদক্ষেপ আৰু ওজনৰ গাণিতিক জটিলতা O। ১. মোৰ কৃত্ৰিম তথ্যৰ সৈতে আমাৰ পৰীক্ষাসমূহত স্থানীয়, বিতৰণ, বাস্তৱ-মূল্যবান, আৰু শব্দযুক্ত নিদৰ্শন প্ৰতিনিধিত্ব জড়িত থাকে। বাস্তৱ-সময়ৰ পুনৰাবৃত্তিমূলক শিকন, সময়ৰ মাজেৰে পিছলৈ প্ৰসাৰ, পুনৰাবৃত্তিমূলক ক্যাসকেড সম্পৰ্ক, এলমেন নেট, আৰু নিউৰেল ক্ৰমৰ চুনকিংৰ সৈতে তুলনা কৰিলে, এলএছটিএমে বহুতো সফল ৰানলৈ লৈ যায়, আৰু বহু বেগত শিকিব পাৰে। LSTM এ জটিল, কৃত্ৰিম দীৰ্ঘ-সময়-বিৰতিযুক্ত কামসমূহো সমাধান কৰে যি পূৰ্বৰ পুনৰাবৃত্ত নেটৱৰ্ক এলগৰিথমৰ দ্বাৰা কেতিয়াও সমাধান কৰা হোৱা নাছিল।
9eb67ca57fecc691853636507e2b852de3f56fac	পূৰ্বৰ অধ্যয়নত দেখা গৈছে যে শব্দ আৰু পাঠৰ অৰ্থপূৰ্ণ প্ৰতিনিধিত্ব নিউৰেল এম্বেডিং মডেলৰ জৰিয়তে লাভ কৰিব পাৰি। বিশেষকৈ, দস্তাবেজ (বিষয়) স্তৰৰ ভাষা মডেলৰ অনুমান কৰি, কিছুমান প্ৰাকৃতিক ভাষা প্ৰক্ৰিয়াকৰণ কাৰ্যত অনুচ্ছেদ ভেক্টৰ (পিভি) মডেলবোৰে চিত্তাকৰ্ষক প্ৰদৰ্শন দেখুৱাইছে। পিভি মডেলক পৰম্পৰাগত ভাষা মডেল পদ্ধতিৰে সংহত কৰি পুনৰুদ্ধাৰৰ ক্ষেত্ৰত, অৱশ্যে, অস্থিৰ কাৰ্যক্ষমতা আৰু সীমিত উন্নতি উৎপন্ন কৰে। এই প্ৰবন্ধত, আমি আনুষ্ঠানিকভাৱে মূল PV মডেলৰ তিনিটা অন্তৰ্নিহিত সমস্যাৰ বিষয়ে আলোচনা কৰিম যি পুনৰুদ্ধাৰ কাৰ্যত ইয়াৰ কাৰ্যক্ষমতা সীমিত কৰে। আমি মডেলৰ সংশোধনসমূহৰ বিষয়েও বৰ্ণনা কৰিম যি ই আইআৰ কাৰ্যৰ বাবে অধিক উপযুক্ত কৰি তোলে, আৰু পৰীক্ষা আৰু কেচ অধ্যয়নৰ জৰিয়তে তেওঁলোকৰ প্ৰভাৱ দেখুৱাব। আমি আলোচনা কৰা তিনিটা সমস্যা হ ল (1) পিভিৰ অনিয়ন্ত্ৰিত প্ৰশিক্ষণ প্ৰক্ৰিয়া চুটি নথিৰ অতি-ফিটিংৰ বাবে স্পৰ্শকাতৰ যি চূড়ান্ত পুনৰুদ্ধাৰ মডেলত দৈৰ্ঘ্যৰ পক্ষপাত সৃষ্টি কৰে; (2) পিভিৰ কৰ্পাস-ভিত্তিক নেতিবাচক নমুনা গ্ৰহণে শব্দৰ বাবে এক ওজনযুক্ত আঁচনিৰ সৃষ্টি কৰে যি সঘন শব্দৰ গুৰুত্বক অত্যধিক দমন কৰে; আৰু (3) শব্দ-সংগত তথ্যৰ অভাৱৰ বাবে পিভি শব্দৰ পৰিবৰ্তন সম্পৰ্ক ধৰি ৰখাত অক্ষম।
4df321947a2ac4365584a01d78a780913b171cf5	এচপেক্ট বেছড ছেণ্টিমেন্ট এনালাইছিছ (এবিএছএ) হৈছে নিৰ্দিষ্ট সত্তা আৰু তেওঁলোকৰ দিশসমূহৰ বিষয়ে পাঠৰ পৰা মতামত খনন আৰু সংক্ষেপিত কৰাৰ কাম। এই প্ৰবন্ধত ফৰাচী ভাষাৰ বাবে ABSA প্ৰণালীৰ বিকাশ আৰু পৰীক্ষণৰ বাবে দুটা ডাটা ছেটৰ বৰ্ণনা দিয়া হৈছে য ত ব্যৱহাৰকাৰীৰ পৰ্যালোচনাসমূহ প্ৰাসংগিক সত্তা, দিশ আৰু মৈত্ৰীক মানৰ সৈতে টোকা কৰা হৈছে। প্ৰথমটো ডাটা ছেটত ৪৫৭টা ৰেষ্টুৰেণ্টৰ সমীক্ষা (২৩৬৫টা বাক্য) আছে যিটো ABSA পদ্ধতিৰ প্ৰশিক্ষণ আৰু পৰীক্ষণৰ বাবে, আনহাতে দ্বিতীয়টো ছেটত ১৬২টা সংগ্ৰহালয়ৰ সমীক্ষা (৬৫৫টা বাক্য) আছে যিটো আউট-অফ-ডমেইন মূল্যায়নৰ বাবে উৎসৰ্গিত। দুয়োটা ডাটা ছেটেই SemEval-2016 টাস্ক 5 Aspect-Based Sentiment Analysis ৰ অংশ হিচাপে নিৰ্মাণ কৰা হৈছিল য ত সাতটা ভিন্ন ভাষাৰ প্ৰতিনিধিত্ব কৰা হৈছিল, আৰু গৱেষণা উদ্দেশ্যে ৰাজহুৱাভাৱে উপলব্ধ। এই প্ৰবন্ধত টোকা প্ৰকাৰ অনুসৰি উদাহৰণ আৰু পৰিসংখ্যা প্ৰদান কৰা হৈছে, টোকা নিৰ্দেশনাৱলীৰ সাৰাংশ আৰু ইয়াৰ আন্তঃভাষিক প্ৰয়োগযোগ্যতাৰ বিষয়ে আলোচনা কৰা হৈছে। ই লগতে ব্যাখ্যা কৰে যে কেনেকৈ তথ্যবোৰ ছেমভেল এবিএছএ টাস্কৰ মূল্যায়নৰ বাবে ব্যৱহাৰ কৰা হৈছিল আৰু ফৰাচী ভাষাৰ বাবে প্ৰাপ্ত ফলাফলবোৰ সংক্ষেপে উপস্থাপন কৰে।
2445089d4277ccbec3727fecfe73eaa4cc57e414	এই প্ৰবন্ধত ৮ টা ভাষা জোড়ৰ বাবে মেচিন অনুবাদ প্ৰণালীৰ অনুবাদৰ গুণমানৰ মূল্যায়ন কৰা হৈছেঃ ফৰাচী, জাৰ্মান, স্পেনিছ আৰু চেক ভাষাক ইংৰাজীলৈ আৰু তাৰ বিপৰীতে অনুবাদ কৰা। আমি এটা বিস্তৃত মানৱ মূল্যায়ন সম্পন্ন কৰিলো যিয়ে আমাক বিভিন্ন এমটি চিষ্টেমৰ শ্ৰেণীবিন্যাস কৰাৰ লগতে মূল্যায়ন প্ৰক্ৰিয়াৰ উচ্চ পৰ্যায়ৰ বিশ্লেষণ কৰিবলৈও অনুমতি দিলে। আমি সময় আৰু অন্তঃ আৰু আন্তঃ-উল্লেখকৰ সন্মতি তিনি প্ৰকাৰৰ বিষয়গত মূল্যায়নৰ বাবে জোখিলোঁ। আমি মানুহৰ বিচাৰ-বিবেচনাৰ সৈতে স্বয়ংক্ৰিয় মূল্যায়নৰ মেট্ৰিকৰ সম্পৰ্ক জোখিলোঁ। এই মেটা-মূল্যায়নে আটাইতকৈ সাধাৰণভাৱে ব্যৱহৃত পদ্ধতিসমূহৰ বিষয়ে আশ্চৰ্যজনক তথ্য প্ৰকাশ কৰে।
1965a7d9a3eb0727c054fb235b1758c8ffbb8e22	বৃত্তীয়ভাৱে পলাৰাইজড একক-স্তৰীয় ইউ-স্লট মাইক্ৰ ষ্ট্ৰীপ পেচ এণ্টেনাৰ প্ৰস্তাৱ কৰা হৈছে। প্ৰস্তাৱিত অসামৰিক ইউ-স্লটটোৱে চাৰ্কুলাৰ পোলাৰাইজেশ্যনৰ বাবে দুটা অৰ্ট গ নেল মোড সৃষ্টি কৰিব পাৰে। U-স্লটৰ বিভিন্ন বাহুৰ দৈৰ্ঘ্যৰ ফলত হোৱা প্ৰভাৱসমূহ পৰীক্ষা কৰিবলৈ এটা পাৰামেট্ৰিক অধ্যয়ন কৰা হৈছে। ফোম ছাবষ্ট্ৰেটৰ বেগটো কাৰ্যকৰী প্ৰাৱণতাত তৰংগদৈৰ্ঘ্যৰ প্ৰায় ৮.৫% হয়। এণ্টেনাৰ ৩ ডিবিএল অক্ষীয় অনুপাত বেণ্ডউইডথ ৪%। এণ্টেনাৰ পৰীক্ষামূলক আৰু তাত্ত্বিক দুয়োটা ফলাফলৰ বিষয়ে ইয়াত আলোচনা কৰা হৈছে। বৃত্তাকাৰ পলাৰাইজেশ্যন, ছপা এণ্টেনা, ইউ-স্লট।
9462cd1ec2e404b22f76c88b6149d1e84683acb7	এই পত্ৰখনত এটা ৱাইডবেণ্ড কম্পেক্ট চাৰ্কুলাৰ প লাৰাইজড (চিপি) পেচ এণ্টেনাৰ প্ৰস্তাৱ দিয়া হৈছে। এই পেচ এণ্টেনা এটা প্ৰিণ্টেড মেণ্ডাৰিং চ ণ্ড (এম-চ ণ্ড) আৰু ট্ৰেংকচড পেচসমূহ থাকে যিটোৱে এটা ৱাইডবেণ্ড চিপি অপাৰেশ্যন সৃষ্টি কৰিবলৈ অৰ্ট গ নেল ৰিজ নান্ট মোডবোৰক উত্তেজিত কৰে। 5G ৱাই-ফাই এপ্লিকেচনৰ বাবে এছিয়েল-ৰেচিয়ো (AR) বেণ্ডউইডথ উন্নত কৰিবলৈ ষ্টেকেড পেচ ব্যৱহাৰ কৰা হয়। প্ৰস্তাৱিত এণ্টেনাই ৪২.৩% ইম্পেড্যান্স বেণ্ডউইডথ আৰু ১৬.৮% এআৰ বেণ্ডউইডথ অৰ্জন কৰে। এআৰ বেণ্ডউইডথৰ ভিতৰত গড় লাভ ৬.৬ ডিবিআইচিৰ সৈতে ০.৫ ডিবিআইচিৰ কম পৰিবৰ্তন হয়। এই কামত এম-চণ্ডেডৰ দ্বাৰা সজ্জিত চিপি পেচ এণ্টেনাৰ বেণ্ডউইডথ বৰ্ধন প্ৰণালী প্ৰদৰ্শন কৰা হৈছে। ই হৈছে এম-চন্দ্ৰই ডিয়েলেক্ট্ৰিক লোড পেচ এণ্টেনাত ব্ৰডবেণ্ড বৈশিষ্ট্যও প্ৰদান কৰিব পাৰে বুলি পৰীক্ষা আৰু প্ৰদৰ্শন কৰা প্ৰথম অধ্যয়ন। এণ্টেনাৰ সম্ভাব্য প্ৰয়োগসমূহ হৈছে 5G ৱাই-ফাই আৰু ছেটেলাইট যোগাযোগ ব্যৱস্থা।
d6002a6cc8b5fc2218754aed970aac91c8d8e7e9	এই প্ৰবন্ধত আমি এটা নতুন পদ্ধতিৰ প্ৰস্তাৱ আগবঢ়াইছো যিয়ে বাস্তৱ সময়ত একাধিক নিৰ্দিষ্ট 3D বস্তু চিনাক্ত কৰিব। আমি শেহতীয়াকৈ Hinterstoisser et al. ৰ দ্বাৰা প্ৰৱৰ্তিত LINE2D/LINEMOD প্ৰতিনিধিত্বৰ ওপৰত ভিত্তি কৰি টেমপ্লেট-ভিত্তিক পদ্ধতিৰ পৰা আৰম্ভ কৰোঁ, তথাপি ইয়াক দুটা ধৰণে সম্প্ৰসাৰিত কৰোঁ। প্ৰথমতে, আমি প্ৰস্তাৱ দিওঁ যে আমি টেমপ্লেটবোৰ এটা নিৰ্দিষ্ট পদ্ধতিৰে শিকিব লাগিব। আমি দেখুৱাম যে এই কাম অনলাইনত কৰিব পাৰি, উদাহৰণস্বৰূপে কিছুমান ছবি সংগ্ৰহ কৰাৰ সময়ত, মাত্ৰ কেইমিলিচেকেণ্ডত, আৰু ই ডিটেক্টৰৰ সঠিকতাৰ ওপৰত এক ডাঙৰ প্ৰভাৱ পেলায়। দ্বিতীয়তে, আমি এটা ক চকেডৰ ওপৰত ভিত্তি কৰি এটা আঁচনি প্ৰস্তাৱ কৰো যিটো চিনাক্তকৰণ ত্বৰান্বিত কৰে। যিহেতু এটা বস্তুৰ আৱিষ্কাৰ দ্ৰুত হয়, নতুন বস্তু অতি কম খৰচত যোগ কৰিব পাৰি, আমাৰ পদ্ধতিৰ স্কেল ভাল কৰি তোলে। আমাৰ পৰীক্ষাত আমি সহজেই ১০-৩০ টা থ্ৰীডি বস্তু ১০ ফ্ৰেম প্ৰতি ছেকেণ্ডত ১০ ফ্ৰেমতকৈ অধিক বেগত এটা চি পি ইউ ক ৰ ব্যৱহাৰ কৰি চোৱা-চিতা কৰিব পাৰো। আমি অত্যাধুনিক প্ৰযুক্তিৰ গতি আৰু সঠিকতা দুয়োটা দিশতে অতিক্ৰম কৰিছো, ৩টা ভিন্ন ডাটা ছেটত প্ৰমাণিত হোৱা অনুসৰি। এই ধাৰণাটো একক ৰঙৰ ছবি ব্যৱহাৰ কৰাৰ সময়ত (LINE2D ৰ সৈতে) আৰু RGBD ছবি ব্যৱহাৰ কৰাৰ সময়ত (LINEEMOD ৰ সৈতে) উভয়তে প্ৰযোজ্য। তদুপৰি, আমি ১২টা বস্তুৰ দ্বাৰা গঠিত এক প্ৰত্যাহ্বানমূলক নতুন ডাটা ছেট প্ৰস্তাৱ কৰিছো, একক ৰঙৰ ছবিৰ ওপৰত ভৱিষ্যতৰ প্ৰতিদ্বন্দ্বিতামূলক পদ্ধতিৰ বাবে।
41d103f751d47f0c140d21c5baa4981b3d4c9a76	ব্যক্তিগত কাহিনীসমূহ যি মানুহে তেওঁলোকৰ ইণ্টাৰনেট ৱেব্লগসমূহত লিখি থাকে, তাত দৈনন্দিন ঘটনাৰ মাজত থকা কাৰণ-সংক্ৰান্তীয় সম্পৰ্কসমূহৰ বিষয়ে যথেষ্ট পৰিমাণৰ তথ্য থাকে। এই প্ৰবন্ধত আমি এই কাহিনীসমূহৰ লক্ষ লক্ষক স্বয়ংক্ৰিয় সাধাৰন জ্ঞানৰ কাৰণগত যুক্তিৰ বাবে ব্যৱহাৰ কৰাৰ প্ৰচেষ্টা বৰ্ণনা কৰিছো। সাধাৰণ জ্ঞানৰ কাৰণগত যুক্তিৰ সমস্যাটো যুক্তিসংগত বিকল্পৰ নিৰ্বাচন হিচাপে নিৰ্ধাৰণ কৰি আমি চাৰিটা পৰীক্ষা-নিৰীক্ষা বৰ্ণনা কৰো যিয়ে বিভিন্ন পৰিসংখ্যাগত আৰু তথ্য পুনৰুদ্ধাৰ পদ্ধতিৰ তুলনা কৰি গল্পৰ তথ্যৰ কাৰণগত তথ্যৰ ব্যৱহাৰ কৰে। এই পৰীক্ষাসমূহত সৰ্বোচ্চ প্ৰদৰ্শন কৰা ব্যৱস্থাই কাৰণগত পূৰ্বৱৰ্তী আৰু পৰৱৰ্তী শব্দসমূহৰ মাজত এটা সৰল সহ-প্ৰকাশৰ পৰিসংখ্যা ব্যৱহাৰ কৰে, যাৰ গণনা লক্ষ লক্ষ ব্যক্তিগত কাহিনীৰ এটা গোটত শব্দসমূহৰ মাজত পইণ্টৱাইজ পাৰস্পৰিক তথ্য হিচাপে কৰা হয়।
c9d1bcdb95aa748940b85508fd7277622f74c0a4	তথ্য প্ৰণালী (আই এছ) শাখাত কেছ ৰিচাৰ্ছক অন্ততঃ এটা দশক ধৰি সন্মান জনোৱা হৈছে। কেছ ষ্টুডিৰ প্ৰাসংগিকতা আৰু সম্ভাৱ্য মূল্যৰ সত্ত্বেও, এই পদ্ধতিগত পদ্ধতিটো এটা সময়ত আটাইতকৈ কম পদ্ধতিগত হিচাপে বিবেচিত হৈছিল। ১৯৮০ৰ দশকৰ শেষৰ ফালে, আইএছ কেচ গৱেষণা কঠোৰভাৱে সম্পন্ন কৰা হৈছিল নে নাই সেই প্ৰশ্ন প্ৰথমবাৰৰ বাবে উত্থাপিত হৈছিল। আমাৰ ক্ষেত্ৰৰ গৱেষক (যেনে, বেন্বাছাত আৰু আনসকল) ১৯৮৭; লি ১৯৮৯) আৰু অন্যান্য শাখাৰ (যেনে, আইজেনহাৰ্ট ১৯৮৯; ইয়িন ১৯৯৪) বিষয়াই কেছ ৰিচাৰ্ছৰ ক্ষেত্ৰত অধিক কঠোৰতাৰ আহ্বান জনাইছিল আৰু তেওঁলোকৰ পৰামৰ্শৰ জৰিয়তে কেছ ষ্টুডি পদ্ধতিৰ অগ্ৰগতিৰ ক্ষেত্ৰত অৱদান আগবঢ়াইছিল। এই অৱদানসমূহ বিবেচনা কৰি, এই অধ্যয়নত ISৰ ক্ষেত্ৰত কেচ ষ্টডি পদ্ধতিৰ ব্যৱহাৰিক ব্যৱহাৰ কিমানদূৰ আগবাঢ়িছে সেয়া নিৰ্ণয় কৰিবলৈ চেষ্টা কৰা হৈছে। বিশেষকৈ, ই বিগত দশকত কৰা পজিটিভিষ্ট আইএছ কেচ গৱেষণাৰ পদ্ধতিগত কঠোৰতাৰ স্তৰ অনুসন্ধান কৰে। এই উদ্দেশ্য পূৰণ কৰিবলৈ আমি সাতখন IS জাৰ্ণেলৰ পৰা ১৮৩টা কেছ প্ৰবন্ধ চিনাক্ত আৰু কোডিং কৰিছিলো। এই পৰ্যালোচনাত বিবেচনা কৰা মূল্যায়ন গুণ বা মানদণ্ড তিনিটা প্ৰধান ক্ষেত্ৰত, যথা, ডিজাইন সমস্যা, তথ্য সংগ্ৰহ আৰু তথ্য বিশ্লেষণত গুৰুত্ব দিয়া হৈছে। যদিও পদ্ধতিগত কঠোৰতাৰ স্তৰ কিছুমান নিৰ্দিষ্ট বৈশিষ্টৰ ক্ষেত্ৰত সামান্য অগ্ৰগতি লাভ কৰিছে, সামগ্ৰিকভাৱে মূল্যায়িত কঠোৰতা কিছু পৰিমাণে অস্পষ্ট আৰু উন্নতিৰ বাবে এতিয়াও গুৰুত্বপূৰ্ণ ক্ষেত্ৰ আছে। ইয়াৰ অন্যতম উপায় হ ল তথ্য সংগ্ৰহ আৰু প্ৰযুক্তিৰ সৈতে জড়িত বিষয়সমূহৰ ওপৰত উন্নত নথিভুক্তিকৰণ।
025cdba37d191dc73859c51503e91b0dcf466741	আঙুলিৰ চিনাক্তকৰণ প্ৰয়োগৰ ক্ষেত্ৰত আঙুলিৰ চিনাক্তকৰণ ছবিৰ উন্নতকৰণ এটা গুৰুত্বপূৰ্ণ প্ৰাক-প্ৰক্ৰিয়া। এই প্ৰবন্ধত আমি এটা পদ্ধতিৰ বিষয়ে আলোচনা কৰিম যিয়ে গাবৰ ৱেভলেট ফিল্টাৰ বেংকৰ দ্বাৰা আঙুলিৰ ছবিত স্থানীয় ৰেইজৰ দিশ আৰু সঘনতা একেলগে আহৰণ কৰে আৰু সেইবোৰ গাবৰ ছবিত ফিল্টাৰিংত ব্যৱহাৰ কৰে। তদুপৰি, আমি আঙুলিৰ ছাপৰ ছবিৰ উত্তৰণৰ বাবে এক শক্তিশালী পদ্ধতিৰ বৰ্ণনা কৰিছো, যিটো গাবৰ ফিল্টাৰ আৰু দিকনিৰ্দেশক মধ্যম ফিল্টাৰ ((DMF) ৰ একত্ৰীকৰণৰ ওপৰত ভিত্তি কৰি গঠিত। গ ব ৰ ফিল্টাৰে গ ৱছীয়ান বিতৰণ কৰা শব্দ আৰু ডিএমএফৰ দ্বাৰা প্ৰেৰণ কৰা শব্দৰ পৰিমাণ কমাই দিয়ে। প্ৰস্তাৱিত ডিএমএফয়ে কেৱল ইয়াৰ মূল কামবোৰ সম্পূৰ্ণ কৰিব পৰাকৈ নহয়, ই ভঙা আঙুলিৰ ছাপৰ শৃংখলসমূহ সংযুক্ত কৰিব পাৰে, আঙুলিৰ ছাপৰ ছবিৰ গহ্বৰসমূহ পূৰণ কৰিব পাৰে, অনিয়মিত শৃংখলসমূহ মসৃণ কৰিব পাৰে আৰু শৃংখলসমূহৰ মাজত কিছুমান বিৰক্তিকৰ সৰু আৰ্টিফেক্ট আঁতৰ কৰিব পাৰে। পৰীক্ষামূলক ফলাফলৰ পৰা দেখা গৈছে যে আমাৰ পদ্ধতি সাহিত্যত বৰ্ণনা কৰা পদ্ধতিতকৈ উন্নত।
3dfce4601c3f413605399267b3314b90dc4b3362	বৰ্তমানৰ বিশ্বব্যাপী সংযুক্ত সমাজে তথ্যৰ প্ৰচাৰ আৰু আদান-প্ৰদানৰ ওপৰত বিশেষ গুৰুত্ব আৰোপ কৰিছে। পূৰ্বতে প্ৰকাশিত তথ্যসমূহ সাধাৰণতে সাৰ্বজনীন আৰু পৰিসংখ্যাগত ৰূপত আছিল যদিও, বৰ্তমান বহুতো পৰিস্থিতিত নিৰ্দিষ্ট তথ্য (মাইক্ৰোডাটা) প্ৰকাশৰ প্ৰয়োজন হৈছে। তথ্যৰ সৈতে জড়িত সত্তা (প্ৰতিবেদক বুলি কোৱা হয়) ৰ নাম গোপন কৰি ৰখাৰ বাবে, তথ্যৰ গৰাকীসকলে প্ৰায়ে নাম, ঠিকনা আৰু ফোন নম্বৰ আদিৰ দৰে স্পষ্ট চিনাক্তকৰণকাৰী আঁতৰ কৰে বা এনক্ৰিপ্ট কৰে। অৱশ্যে, চিনাক্তকৰণ নোহোৱা কৰা তথ্যই নাম নথকাৰ কোনো নিশ্চয়তা প্ৰদান নকৰে। প্ৰকাশিত তথ্যত প্ৰায়ে আন তথ্য থাকে, যেনে জাতি, জন্ম তাৰিখ, লিংগ আৰু জিআইপি কোড, যি জনসাধাৰণৰ বাবে উপলব্ধ তথ্যৰ সৈতে সংযোগ কৰিব পাৰি যাতে উত্তৰদাতাসকলক পুনৰ চিনাক্ত কৰিব পাৰি আৰু তথ্য উপসংহাৰ কৰিব পাৰি যিটো প্ৰকাশৰ বাবে ধাৰ্য কৰা হোৱা নাছিল। এই প্ৰবন্ধত আমি তথ্যৰ সৈতে জড়িত উত্তৰদাতাসকলৰ নাম গোপন কৰি ৰাখি মাইক্ৰ ডাটা প্ৰকাশ কৰাৰ সমস্যাটো সমাধান কৰিম। এই পদ্ধতিটো k-অনামীতাৰ সংজ্ঞাৰ ওপৰত আধাৰিত। এটা তালিকাই k-অনামীতা প্ৰদান কৰে যদিহে স্পষ্টভাৱে চিনাক্তকৰণ তথ্যক ইয়াৰ বিষয়বস্তুৰ সৈতে সংযোগ কৰিবলৈ প্ৰচেষ্টা কৰা হয়, তথ্যটো কমেও kটা সত্তা ৰ সৈতে মেপ কৰা হয়। আমি সাধাৰণীকৰণ আৰু দমন কৌশল ব্যৱহাৰ কৰি প্ৰকাশিত তথ্যৰ অখণ্ডতা (বা সত্যতা) ৰ আপত্তি নকৰাকৈ কিদৰে কে-অনামীতা প্ৰদান কৰিব পাৰি তাৰ উদাহৰণ দিছো। আমি ন্যূনতম সাধাৰণীকৰণৰ ধাৰণাটো প্ৰৱৰ্তন কৰো যি মুক্তি প্ৰক্ৰিয়াৰ সম্পত্তিটো ধৰা পেলায় যাতে k-অনামীতা প্ৰাপ্ত কৰিবলৈ প্ৰয়োজনতকৈ অধিক তথ্য বিকৃত নকৰে, আৰু এনে সাধাৰণীকৰণৰ গণনাৰ বাবে এটা এলগৰিথম উপস্থাপন কৰে। আমি বিভিন্ন ন্যূনতম প্ৰাধান্যৰ নীতিসমূহৰ বিষয়ে আলোচনা কৰো
cd866d4510e397dbc18156f8d840d7745943cc1a
74c24d7454a2408f766e4d9e507a0e9c3d80312f	ৱায়াৰলেচ ছেন্সৰ নেটৱৰ্কৰ বাবে স্মাৰ্ট কাৰ্ড-ভিত্তিক ব্যৱহাৰকাৰী প্ৰমাণীকৰণ আঁচনি (সংক্ষেপে, SUA-WSN আঁচনি) কেৱল স্মাৰ্ট কাৰ্ড আৰু ইয়াৰ সৈতে সংযুক্ত পাছৱৰ্ড থকা ব্যৱহাৰকাৰীৰ বাবে ছেন্সৰ ডাটা প্ৰৱেশ সীমাবদ্ধ কৰিবলৈ ডিজাইন কৰা হৈছে। যদিও সাম্প্ৰতিক বছৰবোৰত বহুসংখ্যক SUA-WSN আঁচনিৰ পৰামৰ্শ দিয়া হৈছে, কিন্তু তেওঁলোকৰ পৰিকল্পিত সুৰক্ষা বৈশিষ্ট্যৰ আনুষ্ঠানিক সংজ্ঞা আৰু প্ৰমাণৰ অভাৱ আছে। ইয়াৰ ফলত বিভিন্ন আক্ৰমণৰ বিৰুদ্ধে সুৰক্ষিত নোহোৱা SUA-WSN আঁচনিৰ প্ৰসাৰ ঘটিছে। এই প্ৰবন্ধত আমি বেলাৰ, পইণ্টচেভেল আৰু ৰ গৱেই (২০০০) ৰ বহুলভাৱে গ্ৰহণ কৰা মডেলৰ সম্প্ৰসাৰণ কৰি এছইউএ-ডব্লিউএছএন আঁচনিৰ বিশ্লেষণৰ বাবে এক সুৰক্ষা মডেল প্ৰস্তুত কৰিছো। আমাৰ মডেলটোৱে আনুষ্ঠানিক সংজ্ঞা প্ৰদান কৰে, যিয়ে পাৰ্শ্ব-প্ৰত্যক্ষ আক্ৰমণ আৰু অন্যান্য সাধাৰণ আক্ৰমণৰ সৈতে, প্ৰামাণিক কী বিনিময় আৰু ব্যৱহাৰকাৰীৰ নাম নথকা অৱস্থাৰ সংজ্ঞা প্ৰদান কৰে। আমি এলিপ্টিক ক ৰ্ভ ক্ৰিপ্ট গ্ৰাফী (ইচিচি) ৰ ওপৰত আধাৰিত এক নতুন এছইউএ-ডব্লিউএছএন আঁচনিৰ প্ৰস্তাৱ দিছো আৰু আমাৰ সম্প্ৰসাৰিত মডেলত ইয়াৰ সুৰক্ষা বৈশিষ্ট্য প্ৰমাণিত কৰিছো। আমাৰ জ্ঞানৰ উত্তম, আমাৰ প্ৰস্তাৱিত আঁচনি হৈছে প্ৰথম SUA-WSN আঁচনি যি প্ৰমাণিতভাৱে প্ৰামাণিক চাবি বিনিময় আৰু ব্যৱহাৰকাৰীৰ নাম নথকা উভয়কে প্ৰাপ্ত কৰে। আমাৰ প্ৰণালীটো আন ইচিচি-ভিত্তিক (প্ৰমাণিতভাৱে সুৰক্ষিত নহয়) প্ৰণালীবোৰৰ সৈতে কম্পিউটেশ্যনেলি প্ৰতিযোগিতামূলক।
3973e14770350ed54ba1272aa3e19b4d21f5dad3	এই প্ৰবন্ধত ব ছ নামৰ প্ৰতিষ্ঠানটোৰ বাবে উদ্ভাৱন কৰা বাধাৰ চিনাক্তকৰণ আৰু ট্ৰেকিং এলগৰিথমৰ বিষয়ে বৰ্ণনা কৰা হৈছে। ২০০৭ চনৰ ডিএআৰপিএ আৰবান চেলেঞ্জত কাৰ্নেগী মেলন বিশ্ববিদ্যালয়ৰ এই প্ৰবন্ধই বিজয়ী হয়। আমি ট্ৰেকিং উপ-প্ৰণালীটোৰ বৰ্ণনা দিওঁ আৰু দেখুৱাম যে ই কেনেদৰে বৃহত্তৰ উপলব্ধি প্ৰণালীৰ প্ৰেক্ষাপটত কাৰ্য্য কৰে। ট্ৰেকিং ছাবচিষ্টেমৰ জৰিয়তে ৰবটটোৱে চহৰত চলাচল কৰাৰ জটিল পৰিস্থিতিৰ বুজ ল ব পাৰে আৰু আন বাহনৰ সমীপত সুৰক্ষিতভাৱে কাম কৰিব পাৰে। ট্ৰেকিং চিষ্টেমটোৱে এক ডজনতকৈ অধিক ছেন্সৰৰ ছেন্সৰৰ তথ্যক পৰিবেশৰ সম্পৰ্কে অতিৰিক্ত তথ্যৰ সৈতে সংযুক্ত কৰি এটা সুসংগত পৰিস্থিতিৰ মডেল সৃষ্টি কৰে। ছেন্সৰৰ তথ্যৰ গুণগত মানৰ ওপৰত ভিত্তি কৰি বস্তুবোৰ ট্ৰেক কৰিবলৈ এক নতুন মাল্টিপল-মডেল পদ্ধতি ব্যৱহাৰ কৰা হয়। অৱশেষত, ট্ৰেকিং ছাব ছিষ্টেমৰ আৰ্হিয়ে প্ৰক্ৰিয়াকৰণৰ প্ৰতিটো স্তৰ স্পষ্টভাৱে বিমুদ্ৰণ কৰে। এই উপ-প্ৰণালীটো নতুন ছেন্সৰ আৰু বৈধকৰণ এলগৰিথম যোগ কৰি সহজে সম্প্ৰসাৰিত কৰিব পাৰি।
6a694487451957937adddbd682d3851fabd45626	অত্যাধুনিক প্ৰশ্ন-উত্তৰ (QA) ব্যৱস্থাত উত্তৰ অংশসমূহ আহৰণ কৰিবলৈ শব্দ-ঘনত্বৰ শৃংখলা ব্যৱহাৰ কৰা হয়। এনে পদ্ধতিবোৰে প্ৰায়ে ভুল অংশবোৰ পুনৰুদ্ধাৰ কৰে কিয়নো প্ৰশ্নৰ শব্দসমূহৰ মাজত সম্পৰ্কবোৰ বিবেচনা কৰা নহয়। পূৰ্বৰ অধ্যয়নত প্ৰশ্ন আৰু উত্তৰৰ মাজত থকা নিৰ্ভৰশীলতাৰ সম্পৰ্কক মিলাই এই সমস্যাৰ সমাধানৰ চেষ্টা কৰা হৈছিল। তেওঁলোকে কঠোৰ মিল ব্যৱহাৰ কৰিছিল, যিটো ব্যৰ্থ হয় যেতিয়া অৰ্থগতভাৱে সমতুল্য সম্পৰ্কবোৰ ভিন্ন ধৰণেৰে কোৱা হয়। আমি পৰিসংখ্যাগত মডেলৰ ওপৰত ভিত্তি কৰি ফজিল ৰিলেশ্যন মেচিংৰ প্ৰস্তাৱ দিছো। আমি অতীতৰ গুণমান নিশ্চিতকৰণ জোপাসমূহৰ পৰা সম্পৰ্ক মেপিং স্ক ৰ শিকাৰ বাবে দুটা পদ্ধতি প্ৰদৰ্শন কৰোঁঃ এটা পাৰস্পৰিক তথ্যৰ ওপৰত ভিত্তি কৰি আৰু আনটো প্ৰত্যাশাৰ সৰ্বাধিকতাৰ ওপৰত। পৰীক্ষামূলক ফলাফলৰ পৰা দেখা গৈছে যে আমাৰ পদ্ধতিটোৱে অত্যাধুনিক ঘনত্ব-ভিত্তিক পথৰ পুনৰুদ্ধাৰৰ পদ্ধতিসমূহক অতিক্ৰম কৰিছে ৭৮% পৰ্যন্ত গড় পাৰস্পৰিক ৰান্দত। সম্পৰ্কীয় মিলনেও প্ৰশ্ন বিস্তাৰৰ দ্বাৰা উন্নত প্ৰণালীত প্ৰায় ৫০% উন্নতি আনে।
2538e3eb24d26f31482c479d95d2e26c0e79b990	আমি এটা একীকৃত নিউৰেল নেটৱৰ্ক স্থাপত্য আৰু শিক্ষণীয় এলগৰিথমৰ প্ৰস্তাৱ দিছো যি বিভিন্ন প্ৰাকৃতিক ভাষা প্ৰক্ৰিয়াকৰণ কাৰ্য্যত প্ৰয়োগ কৰিব পাৰি য ত অন্তৰ্ভুক্ত আছেঃ অংশ-অফ-স্পীচ টেগিং, চংকিং, নামযুক্ত সত্তা স্বীকৃতি, আৰু অৰ্থপূৰ্ণ ভূমিকা লেবেলিং। এই বহুমুখিতাটো টাস্ক-নিৰ্দিষ্ট অভিযান্ত্ৰিকীকৰণ এৰাই চলাৰ প্ৰচেষ্টা আৰু সেয়ে পূৰ্বৰ জ্ঞানৰ বহুতো অৱজ্ঞা কৰি প্ৰাপ্ত কৰা হয়। প্ৰতিটো কামৰ বাবে অতি সাৱধানে অনুকূলিত কৰা মানৱ সৃষ্ট ইনপুট বৈশিষ্ট্যৰ ব্যৱহাৰ কৰাৰ পৰিৱৰ্তে, আমাৰ চিষ্টেমটোৱে বৃহৎ পৰিমাণৰ মূলত লেবেলবিহীন প্ৰশিক্ষণ ডাটাৰ আধাৰত আভ্যন্তৰীণ প্ৰতিনিধিত্ব শিকে। এই কামটো তাৰ পিছত ভাল প্ৰদৰ্শন আৰু ন্যূনতম কম্পিউটেশ্যনেল প্ৰয়োজনীয়তাৰ সৈতে বিনামূলীয়াকৈ উপলব্ধ টেগিং ব্যৱস্থা নিৰ্মাণৰ বাবে আধাৰ হিচাপে ব্যৱহাৰ কৰা হয়।
317deb87586baa4ee7c7b5dfc603ebed94d1da07	আমি প্ৰাকৃতিক ভাষাৰ বিশ্লেষণৰ বাবে এটা নতুন দ্ৰুত বিশুদ্ধ বৈষম্যমূলক অ্যালগৰিদমৰ প্ৰস্তাৱ দিছো, যিটো এটা গভীৰ পুনৰাবৃত্তিত ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন এটা পাৰ্ছ ট্ৰীক লেভেলৰ এটা ষ্টেকত বিভাজন কৰি ধৰি লৈ, নেটৱৰ্কে পূৰ্বৰ স্তৰৰ ভৱিষ্যদ্বাণীসমূহ বিবেচনা কৰি ট্ৰীৰ এটা স্তৰ পূৰ্বানুমান কৰে। Collobert and Weston (2008) ৰ পৰা শব্দ প্ৰতিনিধিত্বৰ সুবিধা লোৱা কেইটামান মৌলিক পাঠ্য বৈশিষ্ট্য ব্যৱহাৰ কৰি, আমি বিদ্যমান বিশুদ্ধ বৈষম্যমূলক পাৰ্সাৰ আৰু বিদ্যমান বেঞ্চমাৰ্ক পাৰ্সাৰ (যেনে কলিন্স পাৰ্সাৰ, সম্ভাব্যতাবাদী প্ৰসংগ-মুক্ত ব্যাকৰণ ভিত্তিক) ৰ সৈতে একে ধৰণৰ কাৰ্যক্ষমতা (F1 স্ক ৰত) দেখুৱাব পাৰি, এক বিশাল গতিৰ সুবিধা সহ।
04cc04457e09e17897f9256c86b45b92d70a401f	সামাজিক নেটৱৰ্ক, চলচ্চিত্ৰৰ পছন্দ বা জ্ঞান আধাৰ আদিৰ দৰে বহুতো তথ্য বহু-সংক্ৰান্তীয়, কিয়নো ইবোৰে সত্তাসমূহৰ মাজত বহুতো সম্পৰ্ক বৰ্ণনা কৰে। এই তথ্যসমূহক মডেলিং কৰাৰ বাবে যথেষ্ট কাম কৰা হৈছে, কিন্তু এই একাধিক প্ৰকাৰৰ সম্পৰ্কসমূহক একেলগে মডেলিং কৰাটো এক প্ৰত্যাহ্বান হৈয়ে আছে। তদুপৰি, এই প্ৰকাৰৰ সংখ্যা বৃদ্ধি পোৱাৰ লগে লগে বৰ্তমানৰ পদ্ধতিবোৰ ভাঙি যায়। এই প্ৰবন্ধত আমি এটা পদ্ধতি প্ৰস্তাৱ কৰিছো বৃহৎ বহুমুখী সম্পৰ্কীয় তথ্যৰ মডেলিংৰ বাবে, সম্ভৱতঃ সহস্ৰাধিক সম্পৰ্ক থকা। আমাৰ মডেলটো এটা দ্বি-ৰেখিক গাঁথনিৰ ওপৰত আধাৰিত, যিয়ে তথ্যৰ বিভিন্ন ক্ৰিয়া-প্ৰতিক্ৰিয়াৰ আদেশসমূহ ধৰা পেলায়, আৰু বিভিন্ন সম্পৰ্কসমূহৰ মাজত বিৰল গুপ্ত কাৰকসমূহো ভাগ-বতৰা কৰে। আমি আমাৰ পদ্ধতিৰ কাৰ্যক্ষমতা প্ৰদৰ্শন কৰো য ত আমি প্ৰাপ্ত কৰোঁ, বা অতিক্ৰম কৰো, অত্যাধুনিক ফলাফল। অৱশেষত, এটা এনএলপি এপ্লিকেচনে আমাৰ স্কেলেবিলিটি আৰু আমাৰ মডেলৰ দক্ষতা আৰু অৰ্থগত অৰ্থপূৰ্ণ ক্রিয়া প্ৰতিনিধিত্ব শিকাৰ ক্ষমতা প্ৰদৰ্শন কৰে।
052b1d8ce63b07fec3de9dbb583772d860b7c769	আমি নিউৰন সদৃশ এককৰ নেটৱৰ্কৰ বাবে এটা নতুন শিক্ষণ প্ৰক্ৰিয়া, বেক-প্ৰপ্ৰপ্ৰেগেশ্যনৰ বিষয়ে বৰ্ণনা কৰিছো। এই প্ৰক্ৰিয়াটোৱে নেটৱৰ্কত সংযোগসমূহৰ ওজন বাৰে বাৰে সমন্বয় কৰে যাতে নেটৱৰ্কৰ প্ৰকৃত আউটপুট ভেক্টৰ আৰু ইচ্ছুক আউটপুট ভেক্টৰৰ মাজৰ পাৰ্থক্যৰ এক পৰিমাপ কম হয়। ওজন সমন্বয়ৰ ফলস্বৰূপে, অভ্যন্তৰীণ "লুকুৱাই ৰখা" এককসমূহ যি ইনপুট বা আউটপুটৰ অংশ নহয় সেইবোৰ টাস্ক ডোমেইনৰ গুৰুত্বপূৰ্ণ বৈশিষ্ট্যসমূহৰ প্ৰতিনিধিত্ব কৰিবলৈ আহে, আৰু টাস্কত নিয়মীয়াকৰণসমূহ এই এককসমূহৰ ক্ৰিয়া-প্ৰতিক্ৰিয়াৰ দ্বাৰা ধৰা পৰে। উপযোগী নতুন বৈশিষ্ট্য সৃষ্টি কৰাৰ ক্ষমতায়ে পূৰ্বৰ, সৰল পদ্ধতি যেনে পাৰ্চপ্ট্ৰন-সংমিলন প্ৰক্ৰিয়া (perceptron-convergence procedure) ৰ পৰা পিছলৈ প্ৰসাৰক পৃথক কৰে।
07f3f736d90125cb2b04e7408782af411c67dd5a	বহুতো প্ৰাকৃতিক ভাষাৰ কামৰ বাবে অৰ্থগত মিলনৰ কেন্দ্ৰীয় গুৰুত্ব আছে [2, 28]। এটা সফল মিলনকাৰী এলগৰিথমৰ প্ৰয়োজন ভাষা বস্তুৰ আভ্যন্তৰীণ গাঁথনি আৰু সেইবোৰৰ মাজত পাৰস্পৰিক ক্ৰিয়া-প্ৰতিক্ৰিয়া সঠিকভাৱে মডেলিং কৰা। এই লক্ষ্যৰ দিশে এটা পদক্ষেপ হিচাপে আমি দুটা বাক্য মিলাই তুলিবলৈ কনভলুচনেল নিউৰেল নেটৱৰ্ক মডেলৰ প্ৰস্তাৱ দিছো, দৃষ্টি আৰু ভাষাত কনভলুচনেল কৌশলৰ অনুকৰণ কৰি। প্ৰস্তাৱিত মডেলসমূহে কেৱল শব্দৰ শ্ৰেণীবদ্ধ গঠন আৰু স্তৰ-স্তৰীয় সংমিশ্ৰণকে সুন্দৰভাৱে প্ৰতিনিধিত্ব নকৰে, বৰঞ্চ বিভিন্ন স্তৰত সমৃদ্ধ মিলন প্ৰকৃতিও ধৰা পেলায়। আমাৰ মডেলবোৰ সাধাৰণ, ভাষাৰ বিষয়ে কোনো পূৰ্বৰ জ্ঞানৰ প্ৰয়োজন নাই, আৰু সেয়েহে বিভিন্ন প্ৰকৃতিৰ আৰু বিভিন্ন ভাষাৰ কামৰ মিলন ঘটোৱাত প্ৰয়োগ কৰিব পাৰি। বিভিন্ন মিলন কাৰ্যৰ ওপৰত কৰা অভিজ্ঞতামূলক অধ্যয়নে প্ৰস্তাৱিত মডেলৰ কাৰ্য্যকৰিতা বিভিন্ন মিলন কাৰ্যৰ ওপৰত আৰু প্ৰতিদ্বন্দ্বী মডেলৰ ওপৰত ইয়াৰ উচ্চতা প্ৰদৰ্শন কৰে।
0af737eae02032e66e035dfed7f853ccb095d6f5	উত্তৰ নিৰ্বাচন (AS), পৰফ্ৰাছ চিনাক্তকৰণ (PI) আৰু পাঠ্যগত অন্তৰ্ভুক্তকৰণ (TE) ৰ দৰে বহুতো এনএলপি কাৰ্য্যত এটা গুৰুত্বপূৰ্ণ বিষয় হৈছে বাক্য জোপা কেনেকৈ মডেল কৰিব লাগে। পূৰ্বৰ অধিকাংশ কাম (i) এটা নিৰ্দিষ্ট প্ৰণালীক সূক্ষ্মভাৱে নিৰ্ণয় কৰি এটা নিৰ্দিষ্ট কামৰ সৈতে জড়িত; (ii) প্ৰতিটো বাক্যক পৃথকে পৃথকে প্ৰতিনিধিত্ব কৰা মডেল, অন্য বাক্যটোৰ প্ৰভাৱক খুব কমেই বিবেচনা কৰা; বা (iii) সম্পূৰ্ণৰূপে হাতেৰে নিৰ্মিত, কাম-বিশেষ ভাষিক বৈশিষ্ট্যৰ ওপৰত নিৰ্ভৰ কৰে। এই কামত এটা সাধাৰণ মনোযোগ ভিত্তিক কনভলুশ্যনেল নিউৰেল নেটৱৰ্ক (এ বি চি এন এন) উপস্থাপন কৰা হৈছে। আমি তিনিটা বৰঙণি আগবঢ়াইছো। (i) ABCNN বিভিন্ন ধৰণৰ কামত প্ৰয়োগ কৰিব পাৰি যিবোৰত বাক্য জোড়ৰ মডেলিংৰ প্ৰয়োজন হয়। (ii) আমি তিনিটা মনোযোগৰ আঁচনি প্ৰস্তাৱ কৰো যিবোৰে বাক্যসমূহৰ মাজত পাৰস্পৰিক প্ৰভাৱক চি এন এনত একত্ৰিত কৰে; এইদৰে, প্ৰতিটো বাক্য প্ৰতিনিধিত্ব কৰাটোৱে ইয়াৰ সমতুল্য বিবেচনা কৰে। এই পৰস্পৰ নিৰ্ভৰশীল বাক্য জোৰা প্ৰতিনিধিত্বসমূহ বিচ্ছিন্ন বাক্য প্ৰতিনিধিত্বতকৈ অধিক শক্তিশালী। (iii) এ বি চি এন এনসমূহে এ এছ, পি আই আৰু টি ই কামত অত্যাধুনিক প্ৰদৰ্শন কৰে। আমি এই কোডটো https://github.com/yinwenpeng/Answer_Selection ত প্ৰকাশ কৰিছো।
1c059493904b2244d2280b8b4c0c7d3ca115be73	নেটৱৰ্কত ন ড আৰু এজত ভৱিষ্যদ্বাণী কৰা কামবোৰে শিক্ষণীয় এলগৰিথমৰ দ্বাৰা ব্যৱহৃত অভিযান্ত্ৰিক বৈশিষ্ট্যৰ ক্ষেত্ৰত সাৱধান প্ৰচেষ্টা গ্ৰহণৰ প্ৰয়োজন। প্ৰতিনিধিত্ব শিক্ষাৰ বিস্তৃত ক্ষেত্ৰত শেহতীয়া গৱেষণাই স্বয়ংক্ৰিয়ভাৱে ভৱিষ্যদ্বাণী কৰাত গুৰুত্বপূৰ্ণ অগ্ৰগতি লাভ কৰিছে। অৱশ্যে, বৰ্তমানৰ বৈশিষ্ট্য শিকাৰ পদ্ধতিবোৰ নেটৱৰ্কত পৰ্যবেক্ষণ কৰা সংযোগৰ নিদৰ্শনসমূহৰ বৈচিত্ৰ্য ধৰা পেলাবলৈ পৰ্যাপ্ত প্ৰকট নহয়। ইয়াত আমি node2vec, নেটৱৰ্কত ন ডৰ বাবে অবিৰত বৈশিষ্ট প্ৰতিনিধিত্ব শিকাৰ বাবে এটা এলগৰিদমিক ফ্ৰেমৱৰ্ক প্ৰস্তাৱ দিছো। node2vec ত আমি ন ডসমূহৰ মানচিত্ৰণ শিকো নিম্ন-মাত্রিক বৈশিষ্ট্যৰ স্থানলৈ যিয়ে ন ডসমূহৰ নেটৱৰ্ক চুবুৰীয়া সংৰক্ষণৰ সম্ভাৱনীয়তা বৃদ্ধি কৰে। আমি এটা নডৰ নেটৱৰ্ক চুবুৰীয়াত এটা নমনীয় ধাৰণা নিৰ্ধাৰণ কৰোঁ আৰু এটা পক্ষপাতমূলক এলোমেলো পদযাত্ৰা প্ৰক্ৰিয়া ডিজাইন কৰো, যি বিভিন্ন চুবুৰীয়াত দক্ষতাৰে অনুসন্ধান কৰে। আমাৰ এলগৰিথমে পূৰ্বৰ কামৰ সাধাৰণীকৰণ কৰে যি নেটৱৰ্ক চুবুৰীয়া অঞ্চলৰ কঠোৰ ধাৰণাসমূহৰ ওপৰত আধাৰিত, আৰু আমি যুক্তি দিওঁ যে চুবুৰীয়া অঞ্চলৰ অন্বেষণত অতিৰিক্ত নমনীয়তা হৈছে ধনী প্ৰতিনিধিত্ব শিকাৰ চাবিকাঠি। আমি বিভিন্ন ক্ষেত্ৰৰ পৰা কেইবাটাও বাস্তৱ জগতৰ নেটৱৰ্কত মাল্টি লেবেল শ্ৰেণীবিভাগ আৰু লিংক ভৱিষ্যদ্বাণী সম্পৰ্কীয় বৰ্তমানৰ অত্যাধুনিক প্ৰযুক্তিৰ ওপৰত node2vec ৰ কাৰ্যকৰীতা প্ৰদৰ্শন কৰিছো। এই কামৰ জৰিয়তে আমি এটা নতুন পদ্ধতিৰ বিষয়ে জানিব পাৰিছো যিয়ে জটিল নেটৱৰ্কত অত্যাধুনিক কাম-নিৰ্ভৰশীল প্ৰতিনিধিত্বৰ বিষয়ে শিকিবলৈ সহায় কৰিব।
de93c4f886bdf55bfc1bcaefad648d5996ed3302	এই অধ্যায়ত আধুনিক অনুপ্ৰৱেশ চিনাক্তকৰণৰ স্থিতিৰ পৰীক্ষা কৰা হৈছে, বিশেষভাৱে ডেটা মাইনিংৰ উদীয়মান পদ্ধতিৰ ওপৰত গুৰুত্ব আৰোপ কৰা হৈছে। এই আলোচনাত অনুপ্ৰৱেশ চিনাক্তকৰণৰ দুটা গুৰুত্বপূৰ্ণ দিশৰ বিষয়ে আলোচনা কৰা হয়: সাধাৰণ চিনাক্তকৰণ কৌশল (অৱ্যৱহাৰ চিনাক্তকৰণ আৰু বিসংগতি চিনাক্তকৰণ) আৰু তথ্যৰ উৎস (একেজনীয়া হোষ্ট আৰু নেটৱৰ্ক ট্ৰাফিক) । অপব্যৱহাৰৰ চিনাক্তকৰণে চিনাক্ত কৰা প্ৰক্ৰিয়াসমূহক মিলাবলৈ চেষ্টা কৰে , আনহাতে বিসংগতি চিনাক্তকৰণে স্বাভাৱিক আচৰণৰ পৰা বিচ্যুতিৰ সন্ধান কৰে । দুটা পদ্ধতিৰ মাজত, অস্বাভাৱিকতা চিনাক্তকৰণতহে অজ্ঞাত আক্ৰমণ চিনাক্ত কৰাৰ ক্ষমতা আছে। বিসংগতি আৱিষ্কাৰৰ বাবে এক বিশেষ প্ৰতিশ্ৰুতিপূৰ্ণ পদ্ধতি হৈছে আন প্ৰকাৰৰ মেচিন লাৰ্নিং যেনে শ্ৰেণীবিভাজনৰ সৈতে সহযোগীতা খনন। তদুপৰি, এটা ইন্ট্ৰুশ্যন ডিটেকশ্যন চিষ্টেমে ব্যৱহাৰ কৰা ডাটা উৎসটোৱে ই চিনাক্ত কৰিব পৰা আক্ৰমণৰ প্ৰকাৰৰ ওপৰত যথেষ্ট প্ৰভাৱ পেলায়। উপলব্ধ সবিশেষ তথ্যৰ স্তৰত এটা বাণিজ্যিক ব্যৱস্থা আছে। বাৰবাৰা এট এল. (সম্পাদকীয়) ), কম্পিউটাৰ সুৰক্ষাত ডাটা মাইনিংৰ প্ৰয়োগ © ক্লুৱাৰ একাডেমিক প্ৰকাশন ২০০২
9e00005045a23f3f6b2c9fca094930f8ce42f9f6
2ec2f8cd6cf1a393acbc7881b8c81a78269cf5f7	আমি এটা গভীৰ কনভলুশ্যনেল নিউৰেল নেটৱৰ্ক (চি এন এন) ৰ বৈশিষ্ট্য নিষ্কাশন স্তৰ ব্যৱহাৰ কৰি গণনা কৰা এটা ভিজুৱেল ধাৰণ প্ৰতিনিধিত্ব ভেক্টৰৰ সৈতে এটা ছাপ-গ্ৰাম ভাষিক প্ৰতিনিধিত্ব ভেক্টৰ সংযুক্ত কৰি বহু-মডেল ধাৰণ প্ৰতিনিধিত্ব নিৰ্মাণ কৰো। এই স্থানান্তৰিত শিক্ষণ পদ্ধতিয়ে পৰম্পৰাগত দৃশ্য-শব্দ-ব্যাগ পদ্ধতিৰ ওপৰত নিৰ্ভৰ কৰি বৈশিষ্ট্যৰ ওপৰত স্পষ্ট কাৰ্যক্ষমতা লাভ আনে। ৱৰ্ডছিম৩৫৩ আৰু মেন অৰ্থগত সম্পৰ্ক মূল্যায়ন কাৰ্য্যত পৰীক্ষামূলক ফলাফলৰ বিষয়ে প্ৰতিবেদন কৰা হৈছে। আমি ইমেজনেট বা ইএছপি গেম ইমেজ ব্যৱহাৰ কৰি গণনা কৰা ভিজুৱেল ফিচাৰ ব্যৱহাৰ কৰো।
a65e815895bed510c0549957ce6baa129c909813	আমি এটা পৰ্যবেক্ষণহীন পদ্ধতিৰ প্ৰস্তাৱ দিছো যিয়ে আৰবী মূল আৰু আৰ্হিৰ টেমপ্লেটসমূহৰ এটা শব্দকোষ সৃষ্টি কৰিব। এই পদ্ধতিটো এই ধাৰণাটোৰ ওপৰত ভিত্তি কৰি লোৱা হৈছে যে মূল আৰু আৰ্হিসমূহ অনুমানিত আৰ্হি আৰু মূল সঘনতাৰ ওপৰত ভিত্তি কৰি পাৰস্পৰিক পুনৰাবৃত্তিমূলক স্ক ৰিঙৰ জৰিয়তে প্ৰকাশ কৰিব পাৰি। পৰৱৰ্তী পৰ্যায়ৰ পুনৰাবৃত্তিমূলক পৰিশোধনৰ পিছত, প্ৰৰোচিত শব্দকোষৰ সৈতে ৰূপবিজ্ঞান বিশ্লেষণে ৯৪% ৰো অধিক মূল চিনাক্তকৰণৰ সঠিকতা অৰ্জন কৰে। আমাৰ পদ্ধতি আৰবী ভাষাৰ বৰ্ণবিজ্ঞানৰ নিৰীক্ষণহীন শিক্ষণৰ পূৰ্বৰ কামৰ পৰা পৃথক কিয়নো ই স্বাভাৱিকভাৱে লিখিত, অ-ভ ৱেলযুক্ত পাঠৰ বাবে প্ৰযোজ্য।
3f4e71d715fce70c89e4503d747aad11fcac8a43	এই কেচ ষ্টডিটোত অটো ইনক ৰ ভিতৰত তিনিটা ভিন্ন ডিজিটেল উদ্ভাৱন প্ৰকল্পৰ বিষয়ে আলোচনা কৰা হৈছে -- এক বৃহৎ ইউৰোপীয় গাড়ী নিৰ্মাতা। প্ৰতিযোগিতামূলক মূল্যবোধৰ ফ্ৰেমৱৰ্কক এটা তাত্ত্বিক লেন্স হিচাপে ব্যৱহাৰ কৰি আমি এটা ফাৰ্মত কেনেকৈ গতিশীল সামৰ্থ্যৰ সৃষ্টি হয় সেয়া গৱেষণা কৰো যিয়ে ডিজিটেলাইজেশ্যনৰ পৰা উদ্ভৱ হোৱা আৰু উদ্ভাৱন কৰাৰ ক্ষেত্ৰত ক্ৰমবৰ্ধমান চাহিদাৰ প্ৰতি লক্ষ্য ৰাখে। এই ডিজিটেলীকৰণ প্ৰক্ৰিয়াত আমাৰ অধ্যয়নে প্ৰমাণ কৰে যে প্ৰতিষ্ঠিত সামাজিক-প্ৰযুক্তিগত সমন্বয়সমূহ প্ৰত্যাহ্বানজনক হৈ পৰিছে। অধিকন্তু, আমি সংস্থাসমূহক ডিজিটেলাইজেশ্যনৰ যুগত নতুন পৰীক্ষামূলক শিক্ষণ প্ৰক্ৰিয়া গ্ৰহণ কৰাৰ উপায় বিচাৰি উলিওৱাৰ প্ৰয়োজনীয়তাৰ কথা উল্লেখ কৰিছো। এই ধৰণৰ পৰিৱৰ্তনৰ বাবে দীৰ্ঘম্যাদী প্ৰতিশ্ৰুতি আৰু দৃষ্টিভংগীৰ প্ৰয়োজন যদিও এই অধ্যয়নত এনে ধৰণৰ পৰীক্ষামূলক প্ৰক্ৰিয়াৰ বাবে তিনিটা অনানুষ্ঠানিক সক্ষমক উপস্থাপন কৰা হৈছে। এই সক্ষমকসমূহ হৈছে সময়, অধ্যৱসায় আৰু যোগাযোগ।
c22366074e3b243f2caaeb2f78a2c8d56072905e	এটা সংকীৰ্ণ তৰংগমুলক আকাৰৰ অনুদৈৰ্ঘ্য-স্লটযুক্ত ৰিডজ ৱেভগাইড এণ্টেনা মেজাজ উপস্থাপন কৰা হৈছে। বেণ্ডউইথৰ সম্প্ৰসাৰণৰ বাবে, ইয়াক দুটা উপ-আৰৈত বিভক্ত কৰা হয়। X-বেণ্ডত ১৬-উপাদানৰ এক সমতল ৰেখামুখী সজ্জা নিৰ্মাণ কৰা হৈছিল আৰু ডিজাইনৰ বৈধতা পৰীক্ষা কৰিবলৈ জোখা হৈছিল। S11les- 15 dB ৰ পৰিমাপিত বেণ্ডউইড 14.9% আৰু পৰিমাপিত ক্ৰছ- প লাৰাইজেশ্যন স্তৰ সমগ্ৰ বেণ্ডউইডত -36 dB তকৈ কম। এই এৰেজটো এজ-স্লটড ৱেভগাইড এৰেজৰ সৈতে সংযুক্ত কৰি সিন্থেটিক এপ্ৰেচাৰ ৰাডাৰ (SAR) এপ্লিকেচনৰ বাবে দ্বি-মাত্রিক ডুৱেল-প লাৰেজ এণ্টেনা এৰেজ নিৰ্মাণ কৰিব পাৰি
0d57ba12a6d958e178d83be4c84513f7e42b24e5	গভীৰ শিক্ষণ বৃহৎ নিউৰেল নেটৱৰ্ক আৰু বৃহৎ ডাটা ছেটৰ সৈতে সমৃদ্ধ হয়। কিন্তু বৃহৎ নেটৱৰ্ক আৰু বৃহৎ ডাটা ছেটৰ ফলত প্ৰশিক্ষণৰ সময় বৃদ্ধি পায় আৰু গৱেষণা আৰু বিকাশৰ প্ৰগতি বাধাগ্ৰস্ত হয়। বিতৰণিত সমকালীন SGD এ সমান্তৰাল কৰ্মীৰ এটা পুলৰ ওপৰত SGD মিনিবেটচ বিভাজন কৰি এই সমস্যাৰ এটা সম্ভাব্য সমাধান আগবঢ়ায়। কিন্তু এই আঁচনিখন কাৰ্যকৰী কৰিবলৈ প্ৰতিজন কৰ্মচাৰীৰ কামৰ বোজা অধিক হ ব লাগিব, যাৰ অৰ্থ হৈছে এছজিডি মিনি বেচৰ আকাৰৰ অস্বাভাৱিক বৃদ্ধি। এই প্ৰবন্ধত আমি প্ৰমাণিত কৰিছো যে ইমেজনেট ডাটাছেটত বৃহৎ মিনিবেচবোৰে অপ্টিমাইজেশ্যনৰ অসুবিধা সৃষ্টি কৰে, কিন্তু যেতিয়া এইবোৰৰ সমাধান কৰা হয়, প্ৰশিক্ষিত নেটৱৰ্কবোৰে ভাল সাধাৰণীকৰণ প্ৰদৰ্শন কৰে। বিশেষকৈ, আমি ৮১৯২টা ছবিৰ ডাঙৰ মিনিবেচ আকাৰৰ সৈতে প্ৰশিক্ষণ দিয়াৰ সময়ত কোনো সঠিকতা হেৰুওৱা নাই। এই ফলাফল লাভ কৰিবলৈ, আমি লিনিয়াৰ স্কেলিং নিয়ম গ্ৰহণ কৰো শিক্ষণৰ হাৰক মিনি বেচৰ আকাৰৰ ফাংচন হিচাপে সমন্বয়ৰ বাবে আৰু এক নতুন উষ্ণতা আঁচনি বিকাশ কৰো যি প্ৰশিক্ষণৰ আৰম্ভণিতে অপ্টিমাইজেশ্যনৰ প্ৰত্যাহ্বানসমূহ অতিক্ৰম কৰে। এই সৰল কৌশলসমূহৰ সহায়ত, আমাৰ Caffe2-ভিত্তিক চিষ্টেমটোৱে এক ঘণ্টাৰ ভিতৰত 256 GPU-ত 8192 মিনিবেটচ আকাৰৰ সৈতে ResNet50 প্ৰশিক্ষণ দিয়ে, একে সময়তে সৰু মিনিবেটচৰ সঠিকতাও মিলাই। কমোডিটি হাৰ্ডৱেৰ ব্যৱহাৰ কৰি, আমাৰ ৰূপায়নে ৮ ৰ পৰা ২৫৬ জিপিইউলৈ স্থানান্তৰিত কৰাৰ সময়ত ∼৯০% স্কেলিং দক্ষতা অৰ্জন কৰে। এই ব্যৱস্থাই আমাক ইন্টাৰনেট স্কেলৰ তথ্যৰ ওপৰত উচ্চ দক্ষতাৰে ভিজুৱেল স্বীকৃতি মডেল প্ৰশিক্ষণ কৰিবলৈ সক্ষম কৰে।
2bbe9735b81e0978125dad005656503fca567902	কম্পিউটাৰ প্ৰণালীৰ বাবে কাৰ্নেল ৰুটকিট এক ভয়ানক ভাবুকি। এওঁলোক চুপচাপ আৰু চিষ্টেমৰ সম্পদসমূহলৈ সীমাবদ্ধ প্ৰৱেশাধিকাৰ থাকিব পাৰে। এই প্ৰবন্ধত NumChecker, অতিথি VM ত নিয়ন্ত্ৰণ-প্ৰবাহ সংশোধন কৰা কাৰ্নেল ৰুটকিটসমূহ চিনাক্ত আৰু চিনাক্ত কৰিবলৈ এটা নতুন ভাৰ্চুৱেল মেচিন (VM) মনিটৰ ভিত্তিক ফ্ৰেমৱৰ্ক উপস্থাপন কৰা হৈছে। NumChecker-এ অতিথি VM-ত এটা চিষ্টেম কলৰ অনিষ্টকাৰী সংশোধনসমূহ চিনাক্ত কৰে চিষ্টেম কলৰ কাৰ্য্যকৰী কৰাৰ সময়ত হোৱা কিছুমান হাৰ্ডৱেৰ ইভেণ্টৰ সংখ্যা জোখাৰ দ্বাৰা। এই ঘটনাসমূহ স্বয়ংক্ৰিয়ভাৱে গণনা কৰিবলৈ, নুমচেকাৰে আধুনিক প্ৰচেছৰবোৰত থকা হাৰ্ডৱেৰ পাৰফৰমেন্স কাউণ্টাৰ (এইচপিচি) ব্যৱহাৰ কৰে। এইচপিচি ব্যৱহাৰ কৰি, পৰীক্ষা ব্যয় যথেষ্ট হ্ৰাস পায় আৰু হস্তক্ষেপ প্ৰতিৰোধ বৃদ্ধি পায়। আমি কার্নেল-ভিত্তিক ভিএমৰ সৈতে লিনাক্সত নুমচেকাৰৰ এটা প্ৰতিলিপি ৰূপায়ণ কৰোঁ। এইচপিচি-ভিত্তিক দুটা-পৰ্যায়ৰ কাৰ্নেল ৰুটকিট চিনাক্তকৰণ আৰু চিনাক্তকৰণ কৌশল উপস্থাপন কৰা হৈছে আৰু বহুতো বাস্তৱিক কাৰ্নেল ৰুটকিটৰ ওপৰত মূল্যায়ন কৰা হৈছে। ইয়াৰ ফলশ্ৰুতিয়ে ইয়াৰ ব্যৱহাৰিকতা আৰু কাৰ্য্যকৰীতা প্ৰদৰ্শন কৰে।
a3d638ab304d3ef3862d37987c3a258a24339e05	চাইকেলগান (CycleGAN) [ঝু আৰু আন, ২০১৭] দুটা ছবিৰ বিতৰণৰ মাজত ৰূপান্তৰ শিকিবলৈ এটা শেহতীয়া সফল পদ্ধতি। বিভিন্ন পৰীক্ষাত আমি এই মডেলৰ এক আকৰ্ষণীয় বৈশিষ্ট্য প্ৰদৰ্শন কৰিছো: চাইকেলগানে উৎসৰ ছবিৰ তথ্য এটা প্ৰায় অস্পষ্ট উচ্চ-প্ৰৱণতা সংকেতত সৃষ্টি কৰা ছবিৰ মাজত "লপাব" শিকিব পাৰে। এই কৌশলটোৱে নিশ্চিত কৰে যে জেনেৰেটৰে মূল নমুনাটো পুনৰুদ্ধাৰ কৰিব পাৰে আৰু এইদৰে চক্ৰীয় ধাৰাবাহিকতাৰ প্ৰয়োজনীয়তা পূৰণ কৰে, আনহাতে উৎপন্ন ছবি বাস্তৱবাদী হৈ থাকে। আমি এই ঘটনাটোক বিৰোধী আক্ৰমণৰ সৈতে সংযোগ কৰি চাইকেলগানৰ প্ৰশিক্ষণ প্ৰক্ৰিয়াটো বিৰোধী উদাহৰণ সৃষ্টি কৰা এটা জেনেৰেটৰ প্ৰশিক্ষণ হিচাপে দেখিছো আৰু প্ৰমাণ কৰিছো যে চক্ৰীয় ধাৰাবাহিকতাৰ ক্ষতিৰ ফলত চাইকেলগান বিৰোধী আক্ৰমণৰ বাবে বিশেষভাৱে স্পৰ্শকাতৰ হৈ পৰে।
c171faac12e0cf24e615a902e584a3444fcd8857
5a14949bcc06c0ae9eecd29b381ffce22e1e75b2	এই আলোচনীখনৰ এই সংখ্যাৰ প্ৰবন্ধসমূহ এন্থনি জি. লণ্ডন গ্ৰেজুৱেট স্কুল অৱ বিজনেছ ষ্টডিজত একাউণ্টিং আৰু ফাইনেন্সিয়েল ৰিপৰ্টিংৰ অধ্যাপক হপউড। প্ৰবন্ধসমূহত গুৰুত্বপূৰ্ণ ধাৰণা আছে, অধ্যাপক হপউডে লিখিছে, তথ্য প্ৰণালীৰ প্ৰতি আগ্ৰহী সকলো লোক, অনুশীলনকাৰী বা শিক্ষাবিদসকলৰ বাবে গুৰুত্বপূৰ্ণ। এই প্ৰবন্ধৰ লেখকসকল আছিল ক্ৰিছ আৰ্গিৰিছ, গ্ৰেজুৱেট স্কুল অৱ এডুকেচন, হাৰ্ভাৰ্ড বিশ্ববিদ্যালয়; ব হেডবাৰ্গ আৰু ষ্টেন জ নছন, বিজনেছ এডমিনিষ্ট্ৰেশ্যন বিভাগ, য়ুনিভাৰ্ছিটী অৱ গ টেবাৰ্গ; জে. ফ্ৰিস্কো ডেন হাৰ্টোগ, এন. ভি. ফিলিপছ গ্ল ইল্যাম্পেন ফ্যাব্ৰিকেন, নেদাৰলেণ্ডছ, আৰু মাইকেল জে. আৰ্ল, অক্সফ ৰ্ড চেণ্টাৰ ফৰ মেনেজমেণ্ট ষ্টাডিজ। প্ৰবন্ধসমূহ প্ৰথমে Accounting, Organizations and Society নামৰ আলোচনীখনত প্ৰকাশিত হৈছিল, যিখন আলোচনীৰ প্ৰধান সম্পাদক হৈছে অধ্যাপক হপউড। AOSৰ উদ্দেশ্য হৈছে উদ্ভৱ হোৱা পৰিৱৰ্তনসমূহ নিৰীক্ষণ কৰা আৰু নতুন দৃষ্টিভংগী আৰু দৃষ্টিকোণসমূহক সক্ৰিয়ভাৱে উৎসাহিত কৰা ।
02227c94dd41fe0b439e050d377b0beb5d427cda	প্ৰাকৃতিক ছবিৰ পৰা পাঠ আৱিষ্কাৰ আৰু পঠন কৰাটো এটা কঠিন কম্পিউটাৰ দৃষ্টিৰ কাম যি বিভিন্ন উদীয়মান প্ৰয়োগৰ কেন্দ্ৰীয়। নথিপত্ৰৰ বৰ্ণ চিনাক্তকৰণৰ দৰে সম্পৰ্কিত সমস্যাসমূহ কম্পিউটাৰ ভিজন আৰু মেচিন লাৰ্ণিং গৱেষকসকলে বহুলভাৱে অধ্যয়ন কৰিছে আৰু হস্তলিখিত অংক পঢ়াৰ দৰে ব্যৱহাৰিক প্ৰয়োগৰ বাবে প্ৰায় সমাধান কৰা হৈছে। ফটোগ্ৰাফৰ দৰে জটিল দৃশ্যত চৰিত্ৰসমূহক নিৰ্ভৰযোগ্যভাৱে চিনাক্ত কৰাটো বহু কঠিন: বৰ্তমানৰ শ্ৰেষ্ঠ পদ্ধতিবোৰ একেটা কামত মানুহৰ পাৰদৰ্শিতাৰ পিছতে বহু পিছপৰি আছে। এই প্ৰবন্ধত আমি এটা বাস্তৱ প্ৰয়োগত অংক চিনাক্তকৰণৰ সমস্যাটো আক্ৰমণ কৰো য ত আমি নিৰীক্ষণহীন বৈশিষ্ট্য শিকাৰ পদ্ধতি ব্যৱহাৰ কৰো: ৰাস্তাৰ স্তৰৰ ফটোৰ পৰা ঘৰৰ নম্বৰ পঢ়া। এই উদ্দেশ্যে, আমি গৱেষণাৰ ব্যৱহাৰৰ বাবে এক নতুন মানদণ্ড ডাটাছেট প্ৰৱৰ্তন কৰিছো য ত ষ্ট্ৰীট ভিউৰ ছবিৰ পৰা কাটি লোৱা ৬০০,০০০ ৰো অধিক লেবেলযুক্ত অংক আছে। তাৰ পিছত আমি এই সংখ্যাসমূহ চিনাক্ত কৰাৰ অসুবিধা প্ৰদৰ্শন কৰো যেতিয়া সমস্যাটো হাতেৰে ডিজাইন কৰা বৈশিষ্টৰ সৈতে সম্পৰ্কিত হয়। শেষত, আমি দুটা শেহতীয়াকৈ প্ৰস্তাৱিত নিৰীক্ষণহীন বৈশিষ্ট্য শিকাৰ পদ্ধতিৰ প্ৰকাৰ ব্যৱহাৰ কৰো আৰু পাওঁ যে সেইবোৰ আমাৰ মানদণ্ডত নিশ্চিতভাৱে উন্নত।
081651b38ff7533550a3adfc1c00da333a8fe86c	প্ৰাকৃতিক ছবিৰ ওপৰত প্ৰশিক্ষণপ্ৰাপ্ত বহু গভীৰ স্নায়ু নেটৱৰ্কে এটা কৌতূহলজনক ঘটনা প্ৰদৰ্শন কৰে: প্ৰথম স্তৰত তেওঁলোকে গাবৰ ফিল্টাৰ আৰু ৰঙীন ব্লেবৰ দৰে বৈশিষ্ট্য শিকিব পাৰে। এনে প্ৰথম স্তৰৰ বৈশিষ্ট্যবোৰ এটা বিশেষ ডাটা ছেট বা টাস্কৰ বাবে বিশেষ নহয়, কিন্তু সাধাৰণ যেনে- সেইবোৰ বহু ডাটা ছেট আৰু টাস্কৰ বাবে প্ৰযোজ্য। নেটৱৰ্কৰ শেষ স্তৰৰ দ্বাৰা বৈশিষ্টবোৰে অৱশেষত সাধাৰণৰ পৰা বিশেষলৈ পৰিৱৰ্তন কৰিব লাগিব, কিন্তু এই পৰিৱৰ্তনক ব্যাপকভাৱে অধ্যয়ন কৰা হোৱা নাই। এই প্ৰবন্ধত আমি গভীৰ কনভলুশ্যনেল নিউৰেল নেটৱৰ্কৰ প্ৰতিটো স্তৰত নিউৰনসমূহৰ সাধাৰণতা আৰু বিশেষতাৰ পৰিমাণ পৰীক্ষা কৰি কিছুমান আচৰিত ফলাফলৰ বিষয়ে প্ৰতিবেদন দিছো। স্থানান্তৰযোগ্যতা দুটা পৃথক সমস্যাৰ দ্বাৰা নেতিবাচকভাৱে প্ৰভাৱিত হয়: (১) লক্ষ্যযুক্ত কাৰ্যত পাৰদৰ্শিতাৰ ব্যয়ত উচ্চ স্তৰৰ নিউৰনসমূহৰ তেওঁলোকৰ মূল কাৰ্যৰ বিশেষীকৰণ, যিটো আশা কৰা হৈছিল, আৰু (২) সহ-অনুসৰণ নিউৰনসমূহৰ মাজত নেটৱৰ্ক বিভাজনৰ সৈতে সম্পৰ্কিত অপ্টিমাইজেশ্যন অসুবিধা, যিটো আশা কৰা হোৱা নাছিল। ImageNet-ত প্ৰশিক্ষিত এটা উদাহৰণ নেটৱৰ্কত, আমি প্ৰদৰ্শন কৰিছোঁ যে এই দুটা সমস্যাসমূহৰ যিকোনো এটা প্ৰাধান্য লাভ কৰিব পাৰে, ইয়াৰ ওপৰত নিৰ্ভৰ কৰি যে নেটৱৰ্কৰ তলৰ, মধ্যম বা ওপৰৰ পৰা বৈশিষ্ট্যসমূহ স্থানান্তৰ কৰা হৈছে নে নহয়। আমি এইটোও নথিভুক্ত কৰিছো যে আধাৰ কাৰ্য আৰু লক্ষ্য কাৰ্যৰ মাজৰ দূৰত্ব বৃদ্ধিৰ লগে লগে বৈশিষ্টসমূহৰ স্থানান্তৰযোগ্যতা হ্ৰাস পায়, কিন্তু দূৰৱৰ্তী কাৰ্যৰ পৰাও বৈশিষ্টসমূহৰ স্থানান্তৰিতকৰণ এলোমেলো বৈশিষ্ট ব্যৱহাৰ কৰাতকৈ ভাল হ ব পাৰে। এটা চূড়ান্ত আচৰিত ফলাফল হৈছে যে প্ৰায় যিকোনো সংখ্যক স্তৰৰ পৰা স্থানান্তৰিত বৈশিষ্ট্যৰ সৈতে এটা নেটৱৰ্ক আৰম্ভ কৰাটোৱে সাধাৰণীকৰণৰ বাবে এক উত্সাহ প্ৰদান কৰিব পাৰে যি লক্ষ্য ডাটাছেটলৈ সূক্ষ্ম-টুন কৰাৰ পিছতও দীৰ্ঘায়ু হৈ থাকে।
6c8d5d5eee5967958a2e03a84bcc00f1f81f4d9e	উচ্চ-প্ৰবাহৰ ক্ৰমবিন্যাসৰ ফলত তাত্ত্বিকভাৱে উচ্চ-মানৰ ডি নভো একত্ৰিত জিনোম ক্ৰম প্ৰাপ্তি সম্ভৱ হৈছে কিন্তু ব্যৱহাৰিকভাৱে ডি এন এৰ নিষ্কাশন প্ৰায়ে অন্য জীৱৰ ক্ৰমৰ সৈতে দূষিত হয়। বৰ্তমানে, ইউকাৰিয়ট সমষ্টিৰ কঠোৰভাৱে নিৰ্বীজন কৰাৰ বাবে কেইটামান বিদ্যমান পদ্ধতি আছে। যিসমূহ বিদ্যমান আছে সেইবোৰে নিউক্লিয়টাইডৰ অনুকৰণ অনুসৰি দূষকবোৰক ফিল্টাৰ কৰে আৰু লক্ষ্য জীৱৰ পৰা অনুকৰণসমূহ আঁতৰোৱাৰ আশংকা কৰে। আমি এটা নতুন প্ৰয়োগৰ বিষয়ে ক ব খুজিছো যন্ত্ৰৰ শিক্ষণৰ পদ্ধতিৰ, সিদ্ধান্তৰ গছৰ, যি কঠোৰভাৱে ক্ৰমবোৰ শ্ৰেণীবদ্ধ কৰিব পাৰে। সিদ্ধান্ত বৃক্ষৰ প্ৰধান শক্তি হ ল ই যিকোনো পৰিমাপ কৰা বৈশিষ্টক ইনপুট হিচাপে ল ব পাৰে আৰু গুৰুত্বপূৰ্ণ বিৱৰণকৰ অগ্ৰাধিকাৰ চিনাক্তকৰণৰ প্ৰয়োজন নহয়। আমি সিদ্ধান্ত বৃক্ষ ব্যৱহাৰ কৰো de novo সংকলিত ক্ৰমবোৰ শ্ৰেণীবদ্ধ কৰিবলৈ আৰু প্ৰকাশিত প্ৰট কলৰ সৈতে পদ্ধতিৰ তুলনা কৰিবলৈ। ইউকাৰিয়ট ডি নভ সমষ্টিত ক্ৰমবোৰ শ্ৰেণীবদ্ধ কৰাৰ সময়ত সিদ্ধান্ত বৃক্ষই বৰ্তমান পদ্ধতিতকৈ ভাল প্ৰদৰ্শন কৰে। ই কাৰ্যকৰী, সহজে ৰূপায়ণযোগ্য, আৰু লক্ষ্য আৰু দূষক ক্ৰম সঠিকভাৱে চিনাক্ত কৰে। গুৰুত্বপূৰ্ণ যে, এটা সিদ্ধান্ত বৃক্ষক জোখ-মাপ কৰা বৰ্ণনাকাৰ অনুসৰি ক্ৰমবোৰ শ্ৰেণীবদ্ধ কৰিবলৈ ব্যৱহাৰ কৰিব পাৰি আৰু জৈৱিক ডাটা ছেটবোৰ নিষ্কাশন কৰিবলৈ ইয়াৰ বহুতো ব্যৱহাৰ আছে।
26433d86b9c215b5a6871c70197ff4081d63054a	বহু-মডেল বায় মেট্ৰিক্সৰ ক্ষেত্ৰত ইয়াৰ উচ্চ কাৰ্যক্ষমতা আৰু বায় মেট্ৰিক চিনাক্তকৰণ ব্যৱস্থাৰ বাবে শেহতীয়াকৈ যথেষ্ট আগ্ৰহ সৃষ্টি হৈছে। এই প্ৰবন্ধত আমি বৈশিষ্ট্যগত স্তৰত সংযোজন প্ৰযুক্তি ব্যৱহাৰ কৰি মুখ আৰু হাতৰ ছাপৰ বাবে মাল্টিম ডেল বায় মেট্ৰিক প্ৰৱৰ্তন কৰিম। গাবৰ ভিত্তিক ছবি প্ৰক্ৰিয়াকৰণক বৈষম্যমূলক বৈশিষ্ট্য আহৰণ কৰিবলৈ ব্যৱহাৰ কৰা হয়, আনহাতে প্ৰধান উপাদান বিশ্লেষণ (পিচিএ) আৰু ৰেখীয় বৈষম্যমূলক বিশ্লেষণ (এলডিএ) প্ৰত্যেক মোডালিটিৰ মাত্ৰা হ্ৰাস কৰিবলৈ ব্যৱহাৰ কৰা হয়। এলডিএৰ আউটপুট বৈশিষ্টসমূহ ধাৰাবাহিকভাৱে সংযুক্ত কৰা হয় আৰু ইউক্লিডিয়ান দূৰত্ব শ্ৰেণীবিভাজকৰ দ্বাৰা শ্ৰেণীবদ্ধ কৰা হয়। ORL মুখ আৰু পলি-ইউ হাতৰ ছাপৰ তথ্যভঁৰালৰ ওপৰত ভিত্তি কৰি কৰা পৰীক্ষামূলক ফলাফলৰ পৰা প্ৰমাণিত হৈছে যে এই সংমিশ্ৰণ প্ৰণালীয়ে একক মোডাল বায় মেট্ৰিকৰ তুলনাত বায় মেট্ৰিক চিনাক্তকৰণৰ হাৰ বৃদ্ধি কৰিব পাৰে।
1c01e44df70d6fde616de1ef90e485b23a3ea549	আমি এটা মাৰকভৰ এলোমেলো ক্ষেত্ৰৰ (এমআৰএফ) লগ বিভাজন ফাংচনত এটা নতুন শ্ৰেণীৰ ওপৰৰ সীমা প্ৰৱৰ্তন কৰোঁ। এই পৰিমানে বিভিন্ন ক্ষেত্ৰত গুৰুত্বপূৰ্ণ ভূমিকা পালন কৰে, যাৰ ভিতৰত অন্তৰ্নিহিত বিতৰণ, পৰিমাপকৰ অনুমান, সংমিশ্ৰণমূলক গণনা, পৰিসংখ্যাগত সিদ্ধান্ত তত্ত্ব আৰু বৃহৎ-বিভ্ৰান্তিৰ সীমা অন্তৰ্ভুক্ত কৰা হৈছে। আমাৰ প্ৰৱর্তন ঘন দ্বৈততা আৰু তথ্য জ্যামিতিৰ ধাৰণাৰ ওপৰত আধাৰিতঃ বিশেষভাৱে, ই ঘনকীয় ডোমেইনত বিতৰণৰ মিশ্ৰণ আৰু ঘনকীয় আৰু গড় পাৰামিটাৰসমূহৰ মাজত লেজেণ্ড্ৰ মেপিংৰ ব্যৱহাৰ কৰে। বৃক্ষ-গঠনযুক্ত বিতৰণৰ উত্তল সংমিশ্ৰণৰ বিশেষ ক্ষেত্ৰত, আমি বেথৰ উত্তল সমস্যাটোৰ দৰে, কিন্তু নিম্নলিখিত আকাংক্ষিত বৈশিষ্ট্যৰ দ্বাৰা পৃথক কৰা বিভিন্ন সমস্যাৰ এটা পৰিয়াল লাভ কৰোঁ: i) এওঁলোক উত্তল, আৰু একক সামগ্ৰিক সৰ্বোত্তম আছে; আৰু ii) সৰ্বোত্তম লগৰ বিভাজন কাৰ্য্যত এটা ওপৰৰ সীমা প্ৰদান কৰে। এই সৰ্বোত্তম স্থিৰ অৱস্থাৰ দ্বাৰা সংজ্ঞায়িত কৰা হয় যি সমষ্টি-উৎপাদ এলগৰিথমৰ স্থিৰ বিন্দু সংজ্ঞায়িত কৰা বা অধিক সাধাৰণভাৱে, বেথ বৈকল্পিক সমস্যাৰ যিকোনো স্থানীয় সৰ্বোত্তম। সমষ্টি-উৎপাদ স্থিৰ বিন্দুৰ দৰে, অপ্টিমাইজিং যুক্তিৰ উপাদানসমূহ মূল মডেলৰ প্ৰান্তিকৰ সমীকৰণ হিচাপে ব্যৱহাৰ কৰিব পাৰি। এই বিশ্লেষণ স্বাভাৱিকভাৱে হাইপাৰট্ৰী-গঠনিত বিতৰণৰ ঘন সমন্বয়লৈ সম্প্ৰসাৰিত হয়, যাৰ ফলত কিকুচি সমীকৰণ আৰু প্ৰকাৰসমূহৰ সৈতে সংযোগ স্থাপন হয়।
39a6cc80b1590bcb2927a9d4c6c8f22d7480fbdd	এই প্ৰবন্ধত আমি ভিডিঅ বা এমআৰআই ডাটাৰ দৰে 3D ইমেজিংৰ বাবে এটা ত্ৰিমাত্ৰিক (3D) SIFT বৰ্ণনা প্ৰৱৰ্তন কৰিম। আমি এইটোও দেখুৱাম যে এই নতুন বৰ্ণনাকাৰীয়ে কেনেকৈ কাৰ্য্য চিনাক্তকৰণৰ প্ৰয়োগত ভিডিঅ ডাটাৰ 3D প্ৰকৃতিক ভালদৰে প্ৰতিনিধিত্ব কৰিবলৈ সক্ষম হয়। এই প্ৰবন্ধত দেখুওৱা হ ব যে কেনেকৈ 3D SIFT এ পূৰ্বতে ব্যৱহৃত বৰ্ণনা পদ্ধতিসমূহক এক আকৰ্ষণীয় আৰু কাৰ্যকৰী পদ্ধতিত অতিক্ৰম কৰিব পাৰে। আমি ভিডিঅ বোৰক প্ৰতিনিধিত্ব কৰিবলৈ শব্দৰ বস্তা ব্যৱহাৰ কৰো, আৰু ভিডিঅ ডাটা ভালদৰে বৰ্ণনা কৰিবলৈ স্থান-সময়ৰ শব্দসমূহৰ মাজত সম্পৰ্ক আৱিষ্কাৰ কৰিবলৈ এটা পদ্ধতি প্ৰদৰ্শন কৰোঁ।
0a10d64beb0931efdc24a28edaa91d539194b2e2	আমি দুটা নতুন মডেল আৰ্কিটেকচাৰৰ প্ৰস্তাৱ দিছো, যাৰ জৰিয়তে অতি বৃহৎ ডাটা ছেটৰ পৰা শব্দৰ নিৰন্তৰ ভেক্টৰ প্ৰতিনিধিত্ব গণনা কৰিব পাৰি। এই প্ৰতিনিধিত্বসমূহৰ গুণমান এটা শব্দৰ সাদৃশ্যৰ কামত জোখা হয়, আৰু ফলাফলবোৰ বিভিন্ন ধৰণৰ নিউৰেল নেটৱৰ্কৰ ওপৰত ভিত্তি কৰি পূৰ্বৰ শ্ৰেষ্ঠ প্ৰদৰ্শনকাৰী কৌশলসমূহৰ সৈতে তুলনা কৰা হয়। আমি সঠিকতাৰ ক্ষেত্ৰত ডাঙৰ উন্নতি লক্ষ্য কৰো কম গণনামূলক খৰচত, অৰ্থাৎ ১.৬ বিলিয়ন শব্দৰ তথ্যৰ পৰা উচ্চ মানৰ শব্দৰ ভেক্টৰ শিকিবলৈ এটা দিনতকৈ কম সময় লাগে। তদুপৰি, আমি দেখুৱাম যে এই ভেক্টৰবোৰে আমাৰ পৰীক্ষাৰ ছেটত সিনটাক্স আৰু অৰ্থগত শব্দৰ সাদৃশ্যতা জোখাৰ বাবে অত্যাধুনিক প্ৰদৰ্শন প্ৰদান কৰে।
b07bfdebdf11b7ab3ea3d5f0087891c464c5e34d	৫জি মিলিমিটাৰ ৱেভ এপ্লিকেচনৰ বাবে ৬৪-এলিমেণ্ট ২৯-৩০জিএইচজি এক্টিভ ফেজড এৰেজ এই প্ৰবন্ধত উপস্থাপন কৰা হৈছে। প্ৰস্তাৱিত পৰ্যায়যুক্ত এৰেজ সমষ্টিসমূহ হ ল ৬৪-এলিমেন্ট এণ্টেনা, ৬৪-চ্যানেল টি/আৰ মডিউল, ৪ টা ফ্ৰেক্বেঞ্চাৰ কনভাৰ্চন লিংক, বিম নিয়ন্ত্ৰণ চক্ৰ, শক্তি পৰিচালনা চক্ৰ আৰু শীতলীকৰণ ফেন আৰু অতি কমপেক্ট আকাৰত সংহত কৰা হৈছে (১৩৫ মিমি×৭৭ মিমি×৫৬ মিমি) । উন্নত RF প্ৰদৰ্শন অৰ্জন কৰিবলৈ GaAs আৰু Si চিৰকিটৰ হাইব্ৰিড একত্ৰীকৰণ ব্যৱহাৰ কৰা হয়। প্ৰস্তাৱিত পৰ্যায়যুক্ত এৰেজৰ স্থাপত্য আৰু টি/আৰ মডিউল আৰু এণ্টেনাৰ সবিশেষ ডিজাইন বিশ্লেষণ কৰা হৈছে। অ টিএ (অ ভাৰ এয়াৰ) জোখৰ দ্বাৰা প্ৰস্তাৱিত ফেজড এৰেজটোৱে ২৯.৫ গিগাহাৰ্টজৰ কেন্দ্ৰীয় ফ্ৰেক্সেন্সত ১ গিগাহাৰ্টছৰ বেণ্ডউইডথ অৰ্জন কৰে আৰু এজিমথ বীম-বিডথ ১২ ডিগ্ৰী আৰু স্কেনিং ৰেঞ্জ ±৪৫ ডিগ্ৰী। ৮০০MHz ৬৪QAM সংকেতৰ উত্তেজনাৰ সৈতে, ট্ৰান্সমিটাৰ বীৰ্যই ৫.৫% ৰ EVM, -৩০.৫dBc ৰ ACLR লাভ কৰে PA -১০dB ৰ পিছত কাম কৰি, আৰু পৰিমাপিত স্যাচাৰেটেড EIRP হৈছে ৬৩ ডিবিএম।
5f507abd8d07d3bee56820fd3a5dc2234d1c38ee

End of preview. Expand in Dataset Viewer.

Bharat-NanoBEIR: Indian Language Information Retrieval Dataset

Overview

This dataset is part of the Bharat-NanoBEIR collection, which provides information retrieval datasets for Indian languages. It is derived from the NanoBEIR project, which offers smaller versions of BEIR datasets containing 50 queries and up to 10K documents each.

Dataset Description

This particular dataset is the Assamese version of the NanoSCIDOCS dataset, specifically adapted for information retrieval tasks. The translation and adaptation maintain the core structure of the original NanoBEIR while making it accessible for Assamese language processing.

Usage

This dataset is designed for:

Information Retrieval (IR) system development in Assamese
Evaluation of multilingual search capabilities
Cross-lingual information retrieval research
Benchmarking Assamese language models for search tasks

Dataset Structure

The dataset consists of three main components:

Corpus: Collection of documents in Assamese
Queries: Search queries in Assamese
QRels: Relevance judgments connecting queries to relevant documents

Citation

If you use this dataset, please cite:

@misc{bharat-nanobeir,
  title={Bharat-NanoBEIR: Indian Language Information Retrieval Datasets},
  year={2024},
  url={https://huggingface.co/datasets/carlfeynman/Bharat_NanoSCIDOCS_as}
}