Datasets:

carlfeynman

/

Bharat_NanoSCIDOCS_pa

like 0

1b2a0e8af5c1f18e47e71244973ce4ace4ac6034

ਹਿਅਰਾਰਕੀਕਲ ਪਿਟਮੈਨ-ਯੋਰ ਪ੍ਰਕਿਰਿਆ ਪ੍ਰਾਇਓਰਜ਼ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਨੂੰ ਸਿੱਖਣ ਲਈ ਮਜਬੂਰ ਕਰਨ ਵਾਲੇ ਢੰਗ ਹਨ, ਜੋ ਪੁਆਇੰਟ-ਅਨੁਮਾਨ ਅਧਾਰਤ ਤਰੀਕਿਆਂ ਤੋਂ ਵਧੀਆ ਹਨ। ਹਾਲਾਂਕਿ, ਇਹ ਮਾਡਲ ਕੰਪਿਊਟੇਸ਼ਨਲ ਅਤੇ ਅੰਕੜਾ ਅਨੁਮਾਨ ਮੁੱਦਿਆਂ ਦੇ ਕਾਰਨ ਅਣਪਛਾਤੇ ਰਹਿੰਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਮੈਮੋਰੀ ਅਤੇ ਸਮਾਂ ਵਰਤੋਂ, ਅਤੇ ਨਾਲ ਹੀ ਸੈਂਪਲਰ ਦੀ ਮਾੜੀ ਮਿਸ਼ਰਣ. ਇਸ ਕੰਮ ਵਿੱਚ ਅਸੀਂ ਇੱਕ ਨਾਵਲ ਫਰੇਮਵਰਕ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦੇ ਹਾਂ ਜੋ ਸੰਕੁਚਿਤ ਪਿਛੇਤਰ ਦੇ ਰੁੱਖਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਐਚਪੀਵਾਈਪੀ ਮਾਡਲ ਨੂੰ ਸੰਖੇਪ ਰੂਪ ਵਿੱਚ ਦਰਸਾਉਂਦਾ ਹੈ। ਫਿਰ, ਅਸੀਂ ਇਸ ਫਰੇਮਵਰਕ ਵਿੱਚ ਇੱਕ ਕੁਸ਼ਲ ਅਨੁਮਾਨਿਤ ਅਨੁਮਾਨ ਸਕੀਮ ਵਿਕਸਿਤ ਕਰਦੇ ਹਾਂ ਜਿਸ ਵਿੱਚ ਪੂਰੇ ਐਚਪੀਆਈਪੀ ਦੇ ਮੁਕਾਬਲੇ ਬਹੁਤ ਘੱਟ ਮੈਮੋਰੀ ਫੁੱਟਪ੍ਰਿੰਟ ਹੈ ਅਤੇ ਅਨੁਮਾਨ ਸਮੇਂ ਵਿੱਚ ਤੇਜ਼ ਹੈ. ਪ੍ਰਯੋਗਾਤਮਕ ਨਤੀਜੇ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਸਾਡਾ ਮਾਡਲ ਪਿਛਲੇ ਐਚਪੀਵਾਈਪੀ ਮਾਡਲਾਂ ਦੇ ਮੁਕਾਬਲੇ ਕਾਫ਼ੀ ਵੱਡੇ ਡੇਟਾਸੇਟ ਤੇ ਬਣਾਇਆ ਜਾ ਸਕਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਸਿਖਲਾਈ ਅਤੇ ਸਿੱਟੇ ਲਈ ਤੇਜ਼, ਅਤੇ 15 ਪ੍ਰਤੀਸ਼ਤ ਤੱਕ ਦੀ ਅਤਿ ਆਧੁਨਿਕ ਸੋਧੀ ਗਈ ਕਨੇਸਰ-ਨੇਈ ਗਿਣਤੀ ਅਧਾਰਤ ਐਲਐਮ ਸਮਤਲਤਾ ਦੀ ਉਲਝਣ ਨੂੰ ਪਛਾੜਦਾ ਹੈ।

6c9bd4bd7e30470e069f8600dadb4fd6d2de6bc1

ਇਹ ਪੇਪਰ ਘਟਨਾਵਾਂ ਅਤੇ ਅਰਥਵਾਦੀ ਭੂਮਿਕਾਵਾਂ ਦੇ ਇੱਕ ਨਵੇਂ ਭਾਸ਼ਾ ਸਰੋਤ ਦਾ ਵਰਣਨ ਕਰਦਾ ਹੈ ਜੋ ਅਸਲ-ਵਿਸ਼ਵ ਦੀਆਂ ਸਥਿਤੀਆਂ ਦੀ ਵਿਸ਼ੇਸ਼ਤਾ ਕਰਦੇ ਹਨ। ਬਿਰਤਾਂਤ ਸਕੀਮਾਂ ਵਿੱਚ ਸਬੰਧਤ ਘਟਨਾਵਾਂ ਦੇ ਸਮੂਹ (ਸੰਪਾਦਨ ਅਤੇ ਪ੍ਰਕਾਸ਼ਤ), ਘਟਨਾਵਾਂ ਦਾ ਸਮੇਂ ਸਿਰ ਕ੍ਰਮ (ਪ੍ਰਕਾਸ਼ਤ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਸੰਪਾਦਿਤ ਕਰੋ), ਅਤੇ ਭਾਗੀਦਾਰਾਂ ਦੀਆਂ ਅਰਥਵਾਦੀ ਭੂਮਿਕਾਵਾਂ (ਲੇਖਕ ਕਿਤਾਬਾਂ ਪ੍ਰਕਾਸ਼ਤ ਕਰਦੇ ਹਨ) ਸ਼ਾਮਲ ਹਨ। ਇਸ ਕਿਸਮ ਦਾ ਵਿਸ਼ਵ ਗਿਆਨ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਦੀ ਸਮਝ ਵਿੱਚ ਸ਼ੁਰੂਆਤੀ ਖੋਜ ਲਈ ਕੇਂਦਰੀ ਸੀ। ਸਕ੍ਰਿਪਟਾਂ ਮੁੱਖ ਰੂਪਾਂ ਵਿੱਚੋਂ ਇੱਕ ਸਨ, ਜੋ ਸੰਸਾਰ ਵਿੱਚ ਹੋਣ ਵਾਲੀਆਂ ਘਟਨਾਵਾਂ ਦੇ ਆਮ ਕ੍ਰਮ ਨੂੰ ਦਰਸਾਉਂਦੀਆਂ ਸਨ। ਬਦਕਿਸਮਤੀ ਨਾਲ, ਇਸ ਗਿਆਨ ਦਾ ਜ਼ਿਆਦਾਤਰ ਹੱਥ-ਕੋਡ ਕੀਤਾ ਗਿਆ ਸੀ ਅਤੇ ਬਣਾਉਣ ਵਿੱਚ ਸਮਾਂ ਲੱਗਿਆ. ਮੌਜੂਦਾ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਤਕਨੀਕਾਂ, ਨਾਲ ਹੀ ਕੋਰਰਫਰੈਂਸ ਚੇਨਜ਼ ਰਾਹੀਂ ਸਿੱਖਣ ਦੀ ਇੱਕ ਨਵੀਂ ਪਹੁੰਚ, ਨੇ ਸਾਨੂੰ ਖੁੱਲ੍ਹੇ ਡੋਮੇਨ ਟੈਕਸਟ ਤੋਂ ਨਰਰੇਟਿਵ ਸਕੀਮਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਅਮੀਰ ਇਵੈਂਟ structureਾਂਚੇ ਨੂੰ ਆਪਣੇ ਆਪ ਕੱ extਣ ਦੀ ਆਗਿਆ ਦਿੱਤੀ ਹੈ। ਇਸ ਪੇਪਰ ਵਿੱਚ ਵਰਣਿਤ ਬਿਰਤਾਂਤ ਸਕੀਮਾ ਸਰੋਤ ਵਿੱਚ ਲਗਭਗ 5000 ਵਿਲੱਖਣ ਘਟਨਾਵਾਂ ਹਨ ਜੋ ਵੱਖ ਵੱਖ ਅਕਾਰ ਦੀਆਂ ਸਕੀਮਾਂ ਵਿੱਚ ਜੋੜੀਆਂ ਗਈਆਂ ਹਨ। ਅਸੀਂ ਸਰੋਤ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਾਂ, ਇਹ ਕਿਵੇਂ ਸਿੱਖਿਆ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਅਣਦੇਖੇ ਦਸਤਾਵੇਜ਼ਾਂ ਉੱਤੇ ਇਨ੍ਹਾਂ ਸਕੀਮਾਂ ਦੀ ਕਵਰੇਜ ਦਾ ਇੱਕ ਨਵਾਂ ਮੁਲਾਂਕਣ.

8e508720cdb495b7821bf6e43c740eeb5f3a444a

ਭਾਸ਼ਣ, ਰੋਬੋਟਿਕਸ, ਵਿੱਤ ਅਤੇ ਜੀਵ ਵਿਗਿਆਨ ਵਿੱਚ ਬਹੁਤ ਸਾਰੇ ਕਾਰਜ ਕ੍ਰਮਵਾਰ ਡੇਟਾ ਨਾਲ ਸੰਬੰਧਿਤ ਹਨ, ਜਿੱਥੇ ਕ੍ਰਮਬੱਧ ਮਾਮਲੇ ਅਤੇ ਆਵਰਤੀ ਢਾਂਚੇ ਆਮ ਹਨ। ਹਾਲਾਂਕਿ, ਇਸ ਢਾਂਚੇ ਨੂੰ ਸਟੈਂਡਰਡ ਕਰਨਲ ਫੰਕਸ਼ਨ ਦੁਆਰਾ ਆਸਾਨੀ ਨਾਲ ਹਾਸਲ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ। ਅਜਿਹੇ ਢਾਂਚੇ ਨੂੰ ਮਾਡਲ ਕਰਨ ਲਈ, ਅਸੀਂ ਗੌਸੀਅਨ ਪ੍ਰਕਿਰਿਆਵਾਂ ਲਈ ਪ੍ਰਗਟਾਵੇ ਵਾਲੇ ਬੰਦ-ਫਾਰਮ ਕੁੰਜੀ ਫੰਕਸ਼ਨ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦੇ ਹਾਂ। ਨਤੀਜੇ ਵਜੋਂ, ਜੀਪੀ-ਐਲਐਸਟੀਐਮ, ਗੌਸੀਅਨ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੇ ਗੈਰ-ਪੈਰਾਮੀਟਰਿਕ ਸੰਭਾਵਨਾਤਮਕ ਫਾਇਦਿਆਂ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਦੇ ਹੋਏ, ਲੰਬੇ ਸਮੇਂ ਦੀ ਛੋਟੀ ਮਿਆਦ ਦੀ ਮੈਮੋਰੀ (ਐਲਐਸਟੀਐਮ) ਦੇ ਆਵਰਤੀ ਨੈਟਵਰਕ ਦੇ ਇੰਡਕਟੀਵ ਪੱਖਪਾਤ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ। ਅਸੀਂ ਨਵੇਂ ਪ੍ਰਮਾਣਿਤ ਰੂਪ ਵਿੱਚ ਸੰਜੋਗਿਤ ਅਰਧ-ਸਟੋਚੈਸਟਿਕ ਗਰੇਡੀਐਂਟ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਗੌਸਸੀਅਨ ਪ੍ਰਕਿਰਿਆ ਦੀ ਸੀਮਾਤਮਕ ਸੰਭਾਵਨਾ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾ ਕੇ ਪ੍ਰਸਤਾਵਿਤ ਕੁੰਡਿਆਂ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਸਿੱਖਦੇ ਹਾਂ, ਅਤੇ ਸਕੇਲੇਬਲ ਸਿਖਲਾਈ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਲਈ ਇਨ੍ਹਾਂ ਕੁੰਡਿਆਂ ਦੇ ਢਾਂਚੇ ਦਾ ਸ਼ੋਸ਼ਣ ਕਰਦੇ ਹਾਂ। ਇਹ ਪਹੁੰਚ ਬੇਯਸੀਅਨ ਐਲਐਸਟੀਐਮਜ਼ ਲਈ ਇੱਕ ਵਿਹਾਰਕ ਨੁਮਾਇੰਦਗੀ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ। ਅਸੀਂ ਕਈ ਬੈਂਚਮਾਰਕਾਂ ਤੇ ਅਤਿ-ਆਧੁਨਿਕ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਇੱਕ ਸਿੱਟੇ ਵਜੋਂ ਆਟੋਨੋਮਸ ਡਰਾਈਵਿੰਗ ਐਪਲੀਕੇਸ਼ਨ ਦੀ ਪੂਰੀ ਤਰ੍ਹਾਂ ਜਾਂਚ ਕਰਦੇ ਹਾਂ, ਜਿੱਥੇ ਜੀਪੀ-ਐਲਐਸਟੀਐਮ ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤੀ ਭਵਿੱਖਬਾਣੀ ਅਨਿਸ਼ਚਿਤਤਾ ਵਿਲੱਖਣ ਰੂਪ ਵਿੱਚ ਕੀਮਤੀ ਹੈ।

033b62167e7358c429738092109311af696e9137

ਇਹ ਪੇਪਰ ਸਮੀਖਿਆਵਾਂ ਨੂੰ ਸਿਫਾਰਸ਼ ਕੀਤੇ (ਥਮਸ ਅਪ) ਜਾਂ ਸਿਫਾਰਸ਼ ਨਹੀਂ ਕੀਤੇ (ਥਮਸ ਡਾਉਨ) ਦੇ ਤੌਰ ਤੇ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਲਈ ਇੱਕ ਸਧਾਰਨ ਅਸੁਰੱਖਿਅਤ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ ਪੇਸ਼ ਕਰਦਾ ਹੈ. ਸਮੀਖਿਆ ਦੇ ਵਰਗੀਕਰਣ ਦੀ ਭਵਿੱਖਬਾਣੀ ਸਮੀਖਿਆ ਵਿੱਚ ਵਾਕਾਂਸ਼ਾਂ ਦੇ ਔਸਤ ਅਰਥਿਕ ਰੁਝਾਨ ਦੁਆਰਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਜਿਸ ਵਿੱਚ ਵਿਸ਼ੇਸ਼ਣ ਜਾਂ ਵਿਸ਼ੇਸ਼ਣ ਹੁੰਦੇ ਹਨ। ਇੱਕ ਵਾਕ ਦਾ ਸਕਾਰਾਤਮਕ ਅਰਥਪੂਰਨ ਰੁਝਾਨ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਇਸ ਵਿੱਚ ਚੰਗੇ ਸੰਬੰਧ ਹੁੰਦੇ ਹਨ (ਉਦਾਹਰਣ ਵਜੋਂ, ਸੂਖਮ ਸੂਖਮ ) ਅਤੇ ਇੱਕ ਨਕਾਰਾਤਮਕ ਅਰਥਪੂਰਨ ਰੁਝਾਨ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਇਸ ਵਿੱਚ ਮਾੜੇ ਸੰਬੰਧ ਹੁੰਦੇ ਹਨ (ਉਦਾਹਰਣ ਵਜੋਂ, ਬਹੁਤ ਹੀ ਕਾਵਲੀਅਰ). ਇਸ ਪੇਪਰ ਵਿੱਚ, ਇੱਕ ਵਾਕ ਦੇ ਅਰਥਿਕ ਰੁਝਾਨ ਦੀ ਗਣਨਾ ਕੀਤੀ ਗਈ ਹੈ ਕਿ ਦਿੱਤੇ ਗਏ ਵਾਕ ਅਤੇ ਸ਼ਬਦ ਵਧੀਆ ਵਿਚਕਾਰ ਆਪਸੀ ਜਾਣਕਾਰੀ ਨੂੰ ਦਿੱਤੇ ਗਏ ਵਾਕ ਅਤੇ ਸ਼ਬਦ ਗਰੀਬ ਵਿਚਕਾਰ ਆਪਸੀ ਜਾਣਕਾਰੀ ਨੂੰ ਘਟਾ ਦਿੱਤਾ ਗਿਆ ਹੈ. ਇੱਕ ਸਮੀਖਿਆ ਨੂੰ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਗਈ ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜੇ ਇਸਦੇ ਵਾਕਾਂਸ਼ਾਂ ਦਾ ਔਸਤ ਅਰਥਿਕ ਰੁਝਾਨ ਸਕਾਰਾਤਮਕ ਹੁੰਦਾ ਹੈ। ਐਲਗੋਰਿਥਮ 74% ਦੀ ਔਸਤ ਸ਼ੁੱਧਤਾ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ ਜਦੋਂ ਐਪੀਨੀਅਨਜ਼ ਤੋਂ 410 ਸਮੀਖਿਆਵਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਚਾਰ ਵੱਖ-ਵੱਖ ਡੋਮੇਨਾਂ (ਆਟੋਮੋਬਾਈਲ, ਬੈਂਕਾਂ, ਫਿਲਮਾਂ ਅਤੇ ਯਾਤਰਾ ਦੀਆਂ ਥਾਵਾਂ ਦੀਆਂ ਸਮੀਖਿਆਵਾਂ) ਤੋਂ ਨਮੂਨੇ ਲਏ ਜਾਂਦੇ ਹਨ। ਆਟੋਮੋਬਾਈਲ ਸਮੀਖਿਆਵਾਂ ਲਈ 84% ਤੋਂ ਫਿਲਮ ਸਮੀਖਿਆਵਾਂ ਲਈ 66% ਤੱਕ ਦੀ ਸ਼ੁੱਧਤਾ ਹੁੰਦੀ ਹੈ।

0eaa75861d9e17f2c95bd3f80f48db95bf68a50c

ਇਲੈਕਟ੍ਰੋਮਾਈਗ੍ਰੇਸ਼ਨ (ਈ.ਐੱਮ.) ਏਕੀਕ੍ਰਿਤ ਸਰਕਟ (ਆਈ.ਸੀ.) ਡਿਜ਼ਾਈਨ ਵਿੱਚ ਇੰਟਰਕਨੈਕਟ ਭਰੋਸੇਯੋਗਤਾ ਲਈ ਅੱਗੇ ਵਧਣ ਵਾਲੀ ਮੁੱਖ ਚਿੰਤਾਵਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। ਹਾਲਾਂਕਿ ਐਨਾਲੌਗ ਡਿਜ਼ਾਈਨਰ ਕੁਝ ਸਮੇਂ ਤੋਂ ਈਐਮ ਸਮੱਸਿਆ ਤੋਂ ਜਾਣੂ ਹਨ, ਪਰ ਡਿਜੀਟਲ ਸਰਕਟਾਂ ਵੀ ਹੁਣ ਪ੍ਰਭਾਵਿਤ ਹੋ ਰਹੀਆਂ ਹਨ। ਇਹ ਭਾਸ਼ਣ ਬੁਨਿਆਦੀ ਡਿਜ਼ਾਇਨ ਮੁੱਦਿਆਂ ਅਤੇ ਇੰਟਰਕਨੈਕਟ ਭੌਤਿਕ ਡਿਜ਼ਾਈਨ ਦੇ ਦੌਰਾਨ ਇਲੈਕਟ੍ਰੋਮਿਗਰੇਸ਼ਨ ਤੇ ਉਨ੍ਹਾਂ ਦੇ ਪ੍ਰਭਾਵਾਂ ਨੂੰ ਸੰਬੋਧਿਤ ਕਰਦਾ ਹੈ। ਇਸ ਦਾ ਇਰਾਦਾ ਇਲੈਕਟ੍ਰੋਮੈਗਰੇਸ਼ਨ-ਰੋਕਣ ਵਾਲੇ ਉਪਾਵਾਂ ਜਿਵੇਂ ਕਿ ਛੋਟੀ ਲੰਬਾਈ ਅਤੇ ਭੰਡਾਰ ਪ੍ਰਭਾਵ ਨੂੰ ਅਪਣਾ ਕੇ ਇੰਟਰਕਨੈਕਟ ਵਿੱਚ ਮੌਜੂਦਾ ਘਣਤਾ ਸੀਮਾਵਾਂ ਨੂੰ ਵਧਾਉਣਾ ਹੈ। ਲੇਆਉਟ ਪੜਾਅ ਵਿੱਚ ਇਨ੍ਹਾਂ ਪ੍ਰਭਾਵਾਂ ਦਾ ਸ਼ੋਸ਼ਣ ਭਵਿੱਖ ਵਿੱਚ ਆਈਸੀ ਡਿਜ਼ਾਇਨ ਪ੍ਰਵਾਹਾਂ ਵਿੱਚ ਈਐਮ ਚਿੰਤਾਵਾਂ ਨੂੰ ਅੰਸ਼ਕ ਤੌਰ ਤੇ ਰਾਹਤ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦਾ ਹੈ.

45e2e2a327ea696411b212492b053fd328963cc3

ਪਿਛੋਕੜ ਮੋਬਾਈਲ ਐਪਸ ਸਿਹਤ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਨ ਅਤੇ ਪੁਰਾਣੀਆਂ ਬਿਮਾਰੀਆਂ ਨੂੰ ਘਟਾਉਣ ਲਈ ਜਨਤਕ ਸਿਹਤ ਵਿੱਚ ਜੀਵਨਸ਼ੈਲੀ ਦਖਲਅੰਦਾਜ਼ੀ ਵਜੋਂ ਸੇਵਾ ਕਰਨ ਦਾ ਵਾਅਦਾ ਕਰਦੇ ਹਨ, ਫਿਰ ਵੀ ਇਸ ਬਾਰੇ ਬਹੁਤ ਘੱਟ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ ਕਿ ਪੁਰਾਣੀਆਂ ਬਿਮਾਰੀਆਂ ਵਾਲੇ ਵਿਅਕਤੀ ਮੋਬਾਈਲ ਐਪਸ ਦੀ ਵਰਤੋਂ ਜਾਂ ਕਿਵੇਂ ਸਮਝਦੇ ਹਨ। ਇਸ ਅਧਿਐਨ ਦਾ ਉਦੇਸ਼ ਗੰਭੀਰ ਬਿਮਾਰੀਆਂ ਵਾਲੇ ਵਿਅਕਤੀਆਂ ਵਿੱਚ ਸਿਹਤ ਲਈ ਮੋਬਾਈਲ ਫੋਨ ਅਧਾਰਿਤ ਐਪਸ ਬਾਰੇ ਵਿਵਹਾਰ ਅਤੇ ਧਾਰਨਾਵਾਂ ਦੀ ਪੜਚੋਲ ਕਰਨਾ ਸੀ। ਅਮਰੀਕਾ ਵਿੱਚ 1604 ਮੋਬਾਈਲ ਫੋਨ ਉਪਭੋਗਤਾਵਾਂ ਦੇ ਇੱਕ ਰਾਸ਼ਟਰੀ ਕਰਾਸ-ਸੈਕਸ਼ਨ ਸਰਵੇਖਣ ਤੋਂ ਡਾਟਾ ਇਕੱਠਾ ਕੀਤਾ ਗਿਆ ਸੀ ਜਿਸ ਵਿੱਚ mHealth ਵਰਤੋਂ, ਵਿਸ਼ਵਾਸਾਂ ਅਤੇ ਤਰਜੀਹਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ ਗਿਆ ਸੀ। ਇਸ ਅਧਿਐਨ ਵਿੱਚ ਸਿਹਤ ਐਪ ਦੀ ਵਰਤੋਂ, ਡਾਊਨਲੋਡ ਕਰਨ ਦਾ ਕਾਰਨ ਅਤੇ ਪੁਰਾਣੀ ਸਥਿਤੀ ਦੁਆਰਾ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੋਣ ਦੀ ਜਾਂਚ ਕੀਤੀ ਗਈ। ਨਤੀਜਿਆਂ ਵਿੱਚ, ਬਿਨਾਂ ਕਿਸੇ ਸਥਿਤੀ ਵਾਲੇ 38.9% (314/807) ਉੱਤਰਦਾਤਾਵਾਂ ਅਤੇ ਹਾਈਪਰਟੈਨਸ਼ਨ ਵਾਲੇ 6.6% (24/364) ਉੱਤਰਦਾਤਾਵਾਂ ਦੁਆਰਾ 1 ਤੋਂ 5 ਐਪਸ ਹੋਣ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ ਗਈ ਸੀ। ਸਿਹਤ ਐਪਸ ਦੀ ਵਰਤੋਂ ਪ੍ਰਤੀ ਦਿਨ 2 ਜਾਂ ਇਸ ਤੋਂ ਵੱਧ ਵਾਰ 21.3% (172/807) ਬਿਨਾ ਕਿਸੇ ਸਥਿਤੀ ਦੇ, 2.7% (10/364) ਹਾਈਪਰਟੈਨਸ਼ਨ ਦੇ ਨਾਲ, 13.1% (26/198) ਮੋਟਾਪੇ ਦੇ ਨਾਲ, 12.3% (20/163) ਸ਼ੂਗਰ ਦੇ ਨਾਲ, 12.0% (32/267) ਡਿਪਰੈਸ਼ਨ ਦੇ ਨਾਲ, ਅਤੇ 16.6% (53/319) ਹਾਈ ਕੋਲੇਸਟ੍ਰੋਲ ਦੇ ਨਾਲ ਕੀਤੀ ਗਈ ਸੀ। ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ ਦੇ ਨਤੀਜਿਆਂ ਨੇ ਗੰਭੀਰ ਬਿਮਾਰੀਆਂ ਵਾਲੇ ਅਤੇ ਬਿਨਾ ਵਿਅਕਤੀਆਂ ਦੇ ਵਿਚਕਾਰ ਸਿਹਤ ਐਪ ਡਾਊਨਲੋਡ ਵਿੱਚ ਕੋਈ ਮਹੱਤਵਪੂਰਨ ਅੰਤਰ ਨਹੀਂ ਦਰਸਾਇਆ (ਪੀ>.05) । ਸਿਹਤ ਦੇ ਮਾੜੇ ਹਾਲਾਤ ਵਾਲੇ ਵਿਅਕਤੀਆਂ ਦੀ ਤੁਲਨਾ ਵਿੱਚ, ਸਿਹਤ ਐਪ ਡਾਊਨਲੋਡ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ ਉਨ੍ਹਾਂ ਲੋਕਾਂ ਵਿੱਚ ਵਧੇਰੇ ਸੀ ਜਿਨ੍ਹਾਂ ਨੇ ਸਵੈ-ਰਿਪੋਰਟ ਕੀਤੀ ਬਹੁਤ ਚੰਗੀ ਸਿਹਤ (ਅਵਸਰ ਅਨੁਪਾਤ [OR] 3.80, 95% CI 2.38-6.09, P<.001) ਅਤੇ ਸ਼ਾਨਦਾਰ ਸਿਹਤ (OR 4.77, 95% CI 2.70-8.42, P<.001) । ਇਸੇ ਤਰ੍ਹਾਂ, ਉਹਨਾਂ ਵਿਅਕਤੀਆਂ ਦੀ ਤੁਲਨਾ ਵਿੱਚ ਜੋ ਕਦੇ ਵੀ ਜਾਂ ਘੱਟ ਹੀ ਸਰੀਰਕ ਗਤੀਵਿਧੀ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਣ ਦੀ ਰਿਪੋਰਟ ਕਰਦੇ ਹਨ, ਉਨ੍ਹਾਂ ਵਿੱਚ ਸਿਹਤ ਐਪ ਡਾਊਨਲੋਡ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ ਉਹਨਾਂ ਵਿੱਚ ਵਧੇਰੇ ਸੀ ਜਿਨ੍ਹਾਂ ਨੇ ਹਫ਼ਤੇ ਵਿੱਚ 1 ਦਿਨ (OR 2. 47, 95% CI 1. 6- 3. 83, P<. 001) ਕਸਰਤ ਕੀਤੀ, ਹਫ਼ਤੇ ਵਿੱਚ 2 ਦਿਨ (OR 4. 77, 95% CI 3. 27-6. 94, P<. 001), ਹਫ਼ਤੇ ਵਿੱਚ 3 ਤੋਂ 4 ਦਿਨ (OR 5. 00, 95% CI 3. 52- 7. 10, P<. 001) ਅਤੇ ਹਫ਼ਤੇ ਵਿੱਚ 5 ਤੋਂ 7 ਦਿਨ (OR 4. 64, 95% CI 3. 11-6. 92, P<. 001) ਕਸਰਤ ਕੀਤੀ। ਉਮਰ, ਲਿੰਗ ਅਤੇ ਨਸਲ ਜਾਂ ਨਸਲੀ ਜਾਤੀ ਲਈ ਨਿਯੰਤਰਿਤ ਸਾਰੇ ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ ਨਤੀਜੇ. ਇਸ ਅਧਿਐਨ ਦੇ ਨਤੀਜਿਆਂ ਤੋਂ ਪਤਾ ਲੱਗਦਾ ਹੈ ਕਿ ਜਿਨ੍ਹਾਂ ਵਿਅਕਤੀਆਂ ਨੇ ਖੁਦ ਦੀ ਮਾੜੀ ਸਿਹਤ ਅਤੇ ਸਰੀਰਕ ਗਤੀਵਿਧੀ ਦੀ ਘੱਟ ਦਰਾਂ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ ਹੈ, ਉਹ ਸ਼ਾਇਦ ਸਿਹਤ ਐਪਸ ਤੋਂ ਸਭ ਤੋਂ ਵੱਧ ਲਾਭ ਲੈਣ ਵਾਲੇ ਹਨ, ਉਨ੍ਹਾਂ ਨੂੰ ਇਨ੍ਹਾਂ ਸਿਹਤ ਸੰਦਾਂ ਨੂੰ ਡਾਉਨਲੋਡ ਕਰਨ ਅਤੇ ਇਸਤੇਮਾਲ ਕਰਨ ਦੀ ਰਿਪੋਰਟ ਕਰਨ ਦੀ ਘੱਟ ਸੰਭਾਵਨਾ ਹੈ।

1935e0986939ea6ef2afa01eeef94dbfea6fb6da

ਮੱਧਮ-ਵਿਰਤੀ ਪੋਰਟਫੋਲੀਓ ਵਿਸ਼ਲੇਸ਼ਣ ਨੇ ਲਾਭ ਅਤੇ ਜੋਖਮ ਦੇ ਵਿਚਕਾਰ ਟ੍ਰੇਡਆਫ ਦਾ ਪਹਿਲਾ ਮਾਤਰਾਤਮਕ ਇਲਾਜ ਪ੍ਰਦਾਨ ਕੀਤਾ. ਅਸੀਂ ਵਿਸਥਾਰ ਨਾਲ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਵਿਸ਼ੇਸ਼ ਤੌਰ ਤੇ ਜ਼ਿਆਦਾ ਕਾਰਗੁਜ਼ਾਰੀ ਲਈ ਸਜ਼ਾ ਤੋਂ ਬਚਣ ਤੇ ਜ਼ੋਰ ਦਿੱਤਾ ਗਿਆ ਹੈ। ਨਤੀਜਿਆਂ ਨੂੰ ਫਿਰ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਦੇ ਰੁੱਖਾਂ ਦੇ ਅਧਾਰ ਤੇ ਮਲਟੀਪਲ ਪੀਰੀਅਡ ਮਾਡਲਾਂ ਦੇ ਵਿਕਾਸ ਅਤੇ ਸਿਧਾਂਤਕ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਬਿਲਡਿੰਗ ਬਲੌਕਸ ਦੇ ਤੌਰ ਤੇ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ. ਇੱਕ ਮੁੱਖ ਵਿਸ਼ੇਸ਼ਤਾ ਭਵਿੱਖ ਦੇ ਫੈਸਲਿਆਂ ਵਿੱਚ ਵਾਧੂ ਪੈਸੇ ਨੂੰ ਹਟਾਉਣ ਦੀ ਸੰਭਾਵਨਾ ਹੈ, ਜਿਸ ਨਾਲ ਲਗਭਗ ਘੱਟ ਹੋਣ ਵਾਲੇ ਜੋਖਮ ਨੂੰ ਘੱਟ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

0e1431fa42d76c44911b07078610d4b9254bd4ce

ਪ੍ਰਮੁੱਖ ਕੰਪੋਨੈਂਟ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਗੈਰ-ਰੁਖਵੀਂ ਰੂਪ ਨੂੰ ਕਰਨ ਲਈ ਇੱਕ ਨਵੀਂ ਵਿਧੀ ਦਾ ਪ੍ਰਸਤਾਵ ਕੀਤਾ ਗਿਆ ਹੈ। ਇੰਟੀਗ੍ਰਲ ਆਪਰੇਟਰ ਕੁੰਜੀ ਫੰਕਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ, ਕੋਈ ਵੀ ਉੱਚ-ਅਯਾਮੀ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਸਥਾਨਾਂ ਵਿੱਚ ਪ੍ਰਮੁੱਖ ਭਾਗਾਂ ਦੀ ਕੁਸ਼ਲਤਾ ਨਾਲ ਗਣਨਾ ਕਰ ਸਕਦਾ ਹੈ, ਜੋ ਕਿ ਕੁਝ ਗੈਰ-ਰੁਖਿਕ ਨਕਸ਼ੇ ਦੁਆਰਾ ਇੰਪੁੱਟ ਸਪੇਸ ਨਾਲ ਸੰਬੰਧਿਤ ਹੈ, ਉਦਾਹਰਣ ਵਜੋਂ, 16 ਚਿੱਤਰਾਂ ਵਿੱਚ ਸਾਰੇ ਸੰਭਵ ਪੰਜ-ਪਿਕਸਲ ਉਤਪਾਦਾਂ ਦੀ ਜਗ੍ਹਾ. ਅਸੀਂ ਵਿਧੀ ਦਾ ਸੰਚਾਲਨ ਦਿੰਦੇ ਹਾਂ ਅਤੇ ਪੈਟਰਨ ਪਛਾਣ ਲਈ ਬਹੁ-ਅੰਕ ਵਿਸ਼ੇਸ਼ਤਾ ਕੱਢਣ ਦੇ ਪ੍ਰਯੋਗਾਤਮਕ ਨਤੀਜੇ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ।

292eee24017356768f1f50b72701ea636dba7982

ਅਸੀਂ ਬਾਹਰੀ ਸ਼ਹਿਰੀ ਦ੍ਰਿਸ਼ਾਂ ਨੂੰ ਦਰਸਾਉਂਦੇ 3D ਪੁਆਇੰਟ ਕਲਾਉਡਸ ਵਿੱਚ ਆਟੋਮੈਟਿਕ ਆਬਜੈਕਟ ਲੋਕਲਾਈਜੇਸ਼ਨ ਅਤੇ ਮਾਨਤਾ ਲਈ ਇੱਕ ਵਿਧੀ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ। ਇਹ ਵਿਧੀ ਸੰਮਿਲਿਤ ਸ਼ਕਲ ਮਾਡਲ (ਆਈਐਸਐਮ) ਫਰੇਮਵਰਕ ਤੇ ਅਧਾਰਤ ਹੈ, ਜੋ ਉਨ੍ਹਾਂ ਦੇ ਕੇਂਦਰ ਸਥਾਨਾਂ ਲਈ ਵੋਟਿੰਗ ਕਰਕੇ ਵਸਤੂਆਂ ਨੂੰ ਪਛਾਣਦੀ ਹੈ। ਇਸ ਲਈ ਪ੍ਰਤੀ ਕਲਾਸ ਸਿਰਫ ਕੁਝ ਸਿਖਲਾਈ ਉਦਾਹਰਣਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜੋ ਕਿ ਪ੍ਰੈਕਟੀਕਲ ਵਰਤੋਂ ਲਈ ਇਕ ਮਹੱਤਵਪੂਰਣ ਵਿਸ਼ੇਸ਼ਤਾ ਹੈ। ਅਸੀਂ ਸਪਿਨ ਚਿੱਤਰ ਵਰਣਨਕਰਤਾ ਦਾ ਇੱਕ ਸੁਧਾਰੀ ਰੂਪ ਵੀ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ ਅਤੇ ਮੁਲਾਂਕਣ ਕਰਦੇ ਹਾਂ, ਜੋ ਕਿ ਆਮ ਦਿਸ਼ਾ ਅਨੁਮਾਨ ਵਿੱਚ ਪੁਆਇੰਟ ਘਣਤਾ ਪਰਿਵਰਤਨ ਅਤੇ ਅਨਿਸ਼ਚਿਤਤਾ ਲਈ ਵਧੇਰੇ ਮਜ਼ਬੂਤ ਹੈ। ਸਾਡੇ ਪ੍ਰਯੋਗਾਂ ਤੋਂ ਪਤਾ ਲੱਗਦਾ ਹੈ ਕਿ ਇਨ੍ਹਾਂ ਸੋਧਾਂ ਦਾ ਮਾਨਤਾ ਪ੍ਰਦਰਸ਼ਨ ਤੇ ਮਹੱਤਵਪੂਰਨ ਪ੍ਰਭਾਵ ਪੈਂਦਾ ਹੈ। ਅਸੀਂ ਆਪਣੇ ਨਤੀਜਿਆਂ ਦੀ ਤੁਲਨਾ ਅਤਿ-ਆਧੁਨਿਕ ਵਿਧੀ ਨਾਲ ਕਰਦੇ ਹਾਂ ਅਤੇ ਓਹੀਓ ਡੇਟਾ ਸੈੱਟ ਤੇ ਸ਼ੁੱਧਤਾ ਅਤੇ ਯਾਦ ਦੋਵਾਂ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਸੁਧਾਰ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਾਂ, ਜਿਸ ਵਿੱਚ ਕੁੱਲ ਮਿਲਾ ਕੇ 150,000 ਮੀਟਰ ਸ਼ਹਿਰੀ ਖੇਤਰ ਦੇ ਏਰੀਅਲ ਅਤੇ ਟੈਰੇਸਟ੍ਰੀਅਲ ਲੀਡਰ ਸਕੈਨ ਸ਼ਾਮਲ ਹਨ।

922b5eaa5ca03b12d9842b7b84e0e420ccd2feee

ਸੰਚਾਰ ਅਤੇ ਨਿਯੰਤਰਣ ਵਿੱਚ ਸਿਧਾਂਤਕ ਅਤੇ ਵਿਵਹਾਰਕ ਸਮੱਸਿਆਵਾਂ ਦੀ ਇੱਕ ਮਹੱਤਵਪੂਰਣ ਸ਼੍ਰੇਣੀ ਅੰਕੜਾ ਪ੍ਰਕਿਰਤੀ ਦੀ ਹੈ। ਅਜਿਹੇ ਮੁੱਦੇ ਹਨਃ (i) ਬੇਤਰਤੀਬੇ ਸੰਕੇਤਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ; (ii) ਬੇਤਰਤੀਬੇ ਸੰਕੇਤਾਂ ਨੂੰ ਬੇਤਰਤੀਬੇ ਸ਼ੋਰ ਤੋਂ ਵੱਖ ਕਰਨਾ; (iii) ਬੇਤਰਤੀਬੇ ਸ਼ੋਰ ਦੀ ਮੌਜੂਦਗੀ ਵਿੱਚ ਜਾਣੇ-ਪਛਾਣੇ ਰੂਪ (ਪੁਲਸ, ਸਾਈਨਸੋਇਡਜ਼) ਦੇ ਸੰਕੇਤਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣਾ। ਆਪਣੇ ਪਾਇਨੀਅਰਿੰਗ ਕੰਮ ਵਿੱਚ, ਵਿਨੇਰ [1]3 ਨੇ ਦਿਖਾਇਆ ਕਿ ਸਮੱਸਿਆਵਾਂ (i) ਅਤੇ (ii) ਅਖੌਤੀ ਵਿਨੇਰ-ਹੋਫ ਇੰਟੀਗ੍ਰਲ ਸਮੀਕਰਨ ਦੀ ਅਗਵਾਈ ਕਰਦੇ ਹਨ; ਉਸਨੇ ਸਥਿਰ ਅੰਕੜਿਆਂ ਅਤੇ ਤਰਕਸ਼ੀਲ ਸਪੈਕਟ੍ਰਮਾਂ ਦੇ ਵਿਵਹਾਰਕ ਤੌਰ ਤੇ ਮਹੱਤਵਪੂਰਨ ਵਿਸ਼ੇਸ਼ ਕੇਸ ਵਿੱਚ ਇਸ ਇੰਟੀਗ੍ਰਲ ਸਮੀਕਰਨ ਦੇ ਹੱਲ ਲਈ ਇੱਕ ਵਿਧੀ (ਸਪੈਕਟ੍ਰਲ ਫੈਕਟਰਾਈਜ਼ੇਸ਼ਨ) ਵੀ ਦਿੱਤੀ. ਬਹੁਤ ਸਾਰੇ ਵਿਸਥਾਰ ਅਤੇ ਆਮਕਰਣ ਵਿਨੇਰ ਦੇ ਬੁਨਿਆਦੀ ਕੰਮ ਦੇ ਬਾਅਦ ਹੋਏ। ਜ਼ਾਦੇਹ ਅਤੇ ਰਾਗਾਜ਼ਿਨੀ ਨੇ ਅੰਤਿਮ-ਯਾਦ ਕੇਸ ਦਾ ਹੱਲ ਕੀਤਾ [2] । ਬੋਡੇ ਅਤੇ ਸ਼ੈਨਨ [3] ਤੋਂ ਸਮਕਾਲੀ ਅਤੇ ਸੁਤੰਤਰ ਤੌਰ ਤੇ, ਉਨ੍ਹਾਂ ਨੇ ਹੱਲ ਦੀ ਇੱਕ ਸਰਲ ਵਿਧੀ [2] ਵੀ ਦਿੱਤੀ। ਬੂਟਨ ਨੇ ਗੈਰ-ਸਥਿਰ ਵਾਇਨਰ-ਹੋਫ ਸਮੀਕਰਨ [4] ਬਾਰੇ ਚਰਚਾ ਕੀਤੀ। ਇਹ ਨਤੀਜੇ ਹੁਣ ਸਟੈਂਡਰਡ ਟੈਕਸਟਾਂ ਵਿੱਚ ਹਨ [5-6] ਇਨ੍ਹਾਂ ਮੁੱਖ ਲਾਈਨਾਂ ਦੇ ਨਾਲ ਕੁਝ ਵੱਖਰਾ ਪਹੁੰਚ ਹਾਲ ਹੀ ਵਿੱਚ ਡਾਰਲਿੰਗਟਨ [7] ਦੁਆਰਾ ਦਿੱਤਾ ਗਿਆ ਹੈ। ਨਮੂਨੇ ਵਾਲੇ ਸੰਕੇਤਾਂ ਦੇ ਵਿਸਥਾਰ ਲਈ, ਉਦਾਹਰਣ ਲਈ, ਫਰੈਂਕਲਿਨ [8], ਲੀਜ਼ [9] ਦੇਖੋ। ਵਾਇਨਰਹੋਪਫ ਸਮੀਕਰਨ ਦੇ ਐਜੀਨਫੰਕਸ਼ਨਜ਼ ਤੇ ਅਧਾਰਤ ਇਕ ਹੋਰ ਪਹੁੰਚ (ਜੋ ਕਿ ਗੈਰ-ਸਥਿਰ ਸਮੱਸਿਆਵਾਂ ਤੇ ਵੀ ਲਾਗੂ ਹੁੰਦੀ ਹੈ ਜਦੋਂ ਕਿ ਪਿਛਲੇ ਤਰੀਕਿਆਂ ਵਿਚ ਆਮ ਤੌਰ ਤੇ ਨਹੀਂ ਹੁੰਦਾ), ਡੇਵਿਸ ਦੁਆਰਾ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਹੈ [10] ਅਤੇ ਕਈ ਹੋਰਾਂ ਦੁਆਰਾ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਹੈ, ਉਦਾਹਰਣ ਵਜੋਂ, ਸ਼ਿੰਬਰੋਟ [11], ਬਲੂਮ [12], ਪੁਗਾਚੇਵ [13], ਸੋਲੋਡੋਵਨੀਕੋਵ [14]. ਇਨ੍ਹਾਂ ਸਾਰੇ ਕੰਮਾਂ ਵਿੱਚ, ਉਦੇਸ਼ ਇੱਕ ਲੀਨੀਅਰ ਡਾਇਨਾਮਿਕ ਸਿਸਟਮ (ਵੀਨਰ ਫਿਲਟਰ) ਦੀ ਵਿਸ਼ੇਸ਼ਤਾ ਪ੍ਰਾਪਤ ਕਰਨਾ ਹੈ ਜੋ ਇੱਕ ਬੇਤਰਤੀਬੇ ਸੰਕੇਤ ਦੀ ਭਵਿੱਖਬਾਣੀ, ਵੱਖਰਾ ਜਾਂ ਖੋਜ ਨੂੰ ਪੂਰਾ ਕਰਦਾ ਹੈ। 2 7212 ਬੇਲੋਨਾ ਐਵੀ. 3 ਬਰੈਕਟ ਵਿੱਚ ਨੰਬਰ ਕਾਗਜ਼ ਦੇ ਅੰਤ ਵਿੱਚ ਹਵਾਲੇ ਦਰਸਾਉਂਦੇ ਹਨ. 4 ਬੇਸ਼ੱਕ, ਆਮ ਤੌਰ ਤੇ ਇਹ ਕੰਮ ਗੈਰ-ਰੁਖਵੀਂ ਫਿਲਟਰਾਂ ਦੁਆਰਾ ਬਿਹਤਰ ਤਰੀਕੇ ਨਾਲ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ। ਵਰਤਮਾਨ ਵਿੱਚ, ਹਾਲਾਂਕਿ, ਇਨ੍ਹਾਂ ਗੈਰ-ਰੁਖਵੀਂ ਫਿਲਟਰਾਂ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਾਪਤ ਕਰਨਾ ਹੈ (ਦੋਵੇਂ ਸਿਧਾਂਤਕ ਅਤੇ ਵਿਵਹਾਰਕ ਤੌਰ ਤੇ) ਬਾਰੇ ਬਹੁਤ ਘੱਟ ਜਾਂ ਕੁਝ ਵੀ ਨਹੀਂ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ. ਇੰਸਟ੍ਰੂਮੈਂਟਸ ਐਂਡ ਰੈਗੂਲੇਟਰਸ ਡਿਵੀਜ਼ਨ ਦੁਆਰਾ ਯੋਗਦਾਨ ਪਾਇਆ ਗਿਆ ਅਤੇ ਇਸ ਨੂੰ ਅਮਰੀਕੀ ਸੁਸਾਇਟੀ ਆਫ ਮਕੈਨੀਕਲ ਇੰਜੀਨੀਅਰਜ਼ ਦੀ 29 ਮਾਰਚ ਤੋਂ 12 ਅਪ੍ਰੈਲ, 1959 ਦੀ ਇੰਸਟ੍ਰੂਮੈਂਟਸ ਐਂਡ ਰੈਗੂਲੇਟਰਸ ਕਾਨਫਰੰਸ ਵਿੱਚ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ। ਨੋਟ: ਲੇਖਾਂ ਵਿਚ ਦਿੱਤੇ ਗਏ ਬਿਆਨਾਂ ਅਤੇ ਵਿਚਾਰਾਂ ਨੂੰ ਉਨ੍ਹਾਂ ਦੇ ਲੇਖਕਾਂ ਦੇ ਵਿਅਕਤੀਗਤ ਪ੍ਰਗਟਾਵੇ ਸਮਝਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਨਾ ਕਿ ਸੁਸਾਇਟੀ ਦੇ। 24 ਫਰਵਰੀ, 1959 ਨੂੰ ਏਐਸਐਮਈ ਹੈਡਕੁਆਰਟਰ ਵਿਖੇ ਪ੍ਰਾਪਤ ਕੀਤੀ ਮੈਨੂਸਕ੍ਰਿਪਟ। ਦਸਤਾਵੇਜ਼ ਨੰ. 59-ਆਈਆਰਡੀ-11 ਲੀਨੀਅਰ ਫਿਲਟਰਿੰਗ ਅਤੇ ਪੂਰਵ ਅਨੁਮਾਨ ਸਮੱਸਿਆਵਾਂ ਲਈ ਇੱਕ ਨਵਾਂ ਪਹੁੰਚ

e50a316f97c9a405aa000d883a633bd5707f1a34

ਪਿਛਲੇ 20 ਸਾਲਾਂ ਦੌਰਾਨ ਇਕੱਠੇ ਹੋਏ ਪ੍ਰਯੋਗਾਤਮਕ ਸਬੂਤ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਢੁਕਵੇਂ ਭਾਰ ਵਾਲੇ ਸਿੰਗਲ ਸ਼ਬਦਾਂ ਦੀ ਨਿਰਧਾਰਤ ਕਰਨ ਤੇ ਅਧਾਰਤ ਟੈਕਸਟ ਇੰਡੈਕਸਿੰਗ ਪ੍ਰਣਾਲੀਆਂ, ਹੋਰ ਵਧੇਰੇ ਵਿਸਤ੍ਰਿਤ ਟੈਕਸਟ ਪ੍ਰਤੀਨਿਧਤਾਵਾਂ ਨਾਲ ਪ੍ਰਾਪਤ ਕੀਤੇ ਜਾ ਸਕਣ ਵਾਲੇ ਨਤੀਜਿਆਂ ਨਾਲੋਂ ਵਧੀਆ ਪ੍ਰਾਪਤ ਕਰਨ ਦੇ ਨਤੀਜੇ ਪੈਦਾ ਕਰਦੀਆਂ ਹਨ। ਇਹ ਨਤੀਜੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਟਰਮਵੇਟਿੰਗ ਪ੍ਰਣਾਲੀਆਂ ਦੀ ਚੋਣ ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ। ਇਹ ਲੇਖ ਆਟੋਮੈਟਿਕ ਟਰਮ ਵੇਟਿੰਗ ਵਿੱਚ ਪ੍ਰਾਪਤ ਇਨਸਾਈਟਸ ਦਾ ਸੰਖੇਪ ਦੱਸਦਾ ਹੈ, ਅਤੇ ਬੇਸਲਾਈਨ ਸਿੰਗਲ-ਟਰਮ-ਇੰਡੈਕਸਿੰਗ ਮਾਡਲਾਂ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜਿਸ ਨਾਲ ਹੋਰ ਵਧੇਰੇ ਵਿਸਤ੍ਰਿਤ ਸਮਗਰੀ ਵਿਸ਼ਲੇਸ਼ਣ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੀ ਤੁਲਨਾ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। 1. ਆਟੋਮੈਟਿਕ ਟੈਕਸਟ ਵਿਸ਼ਲੇਸ਼ਣ 1980 ਦੇ ਦਹਾਕੇ ਦੇ ਅਖੀਰ ਵਿੱਚ, ਲੂਨ ਨੇ ਪਹਿਲਾਂ ਸੁਝਾਅ ਦਿੱਤਾ ਸੀ ਕਿ ਆਟੋਮੈਟਿਕ ਟੈਕਸਟ ਰੀਟਰੀਚ ਸਿਸਟਮ ਨੂੰ ਸਟੋਰ ਕੀਤੇ ਟੈਕਸਟ ਅਤੇ ਉਪਭੋਗਤਾਵਾਂ ਦੀਆਂ ਜਾਣਕਾਰੀ ਪ੍ਰਸ਼ਨਾਂ ਦੋਵਾਂ ਨਾਲ ਜੁੜੇ ਸਮਗਰੀ ਪਛਾਣਕਰਤਾਵਾਂ ਦੀ ਤੁਲਨਾ ਦੇ ਅਧਾਰ ਤੇ ਡਿਜ਼ਾਇਨ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਆਮ ਤੌਰ ਤੇ, ਦਸਤਾਵੇਜ਼ਾਂ ਅਤੇ ਪੁੱਛਗਿੱਛਾਂ ਦੇ ਟੈਕਸਟ ਤੋਂ ਕੱractedੇ ਗਏ ਕੁਝ ਸ਼ਬਦਾਂ ਦੀ ਵਰਤੋਂ ਸਮੱਗਰੀ ਦੀ ਪਛਾਣ ਲਈ ਕੀਤੀ ਜਾਏਗੀ; ਵਿਕਲਪਿਕ ਤੌਰ ਤੇ, ਸਮੱਗਰੀ ਪ੍ਰਤੀਨਿਧਤਾਵਾਂ ਨੂੰ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਇੰਡੈਕਸਰਾਂ ਦੁਆਰਾ ਹੱਥੀਂ ਚੁਣਿਆ ਜਾ ਸਕਦਾ ਹੈ ਜੋ ਵਿਚਾਰ ਅਧੀਨ ਵਿਸ਼ੇ ਦੇ ਖੇਤਰਾਂ ਅਤੇ ਦਸਤਾਵੇਜ਼ ਸੰਗ੍ਰਹਿ ਦੀ ਸਮੱਗਰੀ ਨਾਲ ਜਾਣੂ ਹਨ. ਕਿਸੇ ਵੀ ਸਥਿਤੀ ਵਿੱਚ, ਦਸਤਾਵੇਜ਼ਾਂ ਨੂੰ ਫਾਰਮ ਡੀ = (ਟੀ, ਟੀ, ਟੀ, . . . ਆਈ ਟੀ ਪੀ) (1) ਦੇ ਟਰਮ ਵੈਕਟਰਾਂ ਦੁਆਰਾ ਦਰਸਾਇਆ ਜਾਵੇਗਾ ਜਿੱਥੇ ਹਰੇਕ ਟੀਕੇ ਕੁਝ ਨਮੂਨੇ ਵਾਲੇ ਦਸਤਾਵੇਜ਼ ਡੀ ਨੂੰ ਨਿਰਧਾਰਤ ਕੀਤੀ ਗਈ ਸਮੱਗਰੀ ਦੀ ਪਛਾਣ ਕਰਦਾ ਹੈ. ਇਸੇ ਤਰ੍ਹਾਂ, ਜਾਣਕਾਰੀ ਦੀਆਂ ਬੇਨਤੀਆਂ, ਜਾਂ ਪੁੱਛਗਿੱਛਾਂ, ਨੂੰ ਵੈਕਟਰ ਫਾਰਮ ਵਿੱਚ ਜਾਂ ਬੂਲੀਅਨ ਸਟੇਟਮੈਂਟਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਦਰਸਾਇਆ ਜਾਵੇਗਾ. ਇਸ ਲਈ, ਇੱਕ ਆਮ ਪੁੱਛਗਿੱਛ Q ਨੂੰ Q = (qa,qbr . . . ,4r) (2)

6ac15e819701cd0d077d8157711c4c402106722c

ਇਹ ਤਕਨੀਕੀ ਰਿਪੋਰਟ ਡਾਰਪਾ ਅਰਬਨ ਚੈਲੇਂਜ ਲਈ ਟੀਮ ਐਮਆਈਟੀ ਦੇ ਪਹੁੰਚ ਦਾ ਵਰਣਨ ਕਰਦੀ ਹੈ। ਅਸੀਂ ਵਾਹਨ ਦੇ ਪੈਰੀਫਿਰਿਅਰ ਉੱਤੇ ਮਾਊਟ ਕੀਤੇ ਗਏ ਬਹੁਤ ਸਾਰੇ ਸਸਤੇ ਸੈਂਸਰ ਦੀ ਵਰਤੋਂ ਕਰਨ ਲਈ ਇੱਕ ਨਵੀਂ ਰਣਨੀਤੀ ਵਿਕਸਿਤ ਕੀਤੀ ਹੈ ਅਤੇ ਇੱਕ ਨਵੀਂ ਕ੍ਰਾਸ-ਮੋਡਲ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਤਕਨੀਕ ਨਾਲ ਕੈਲੀਬਰੇਟ ਕੀਤਾ ਹੈ। ਲੀਡਰ, ਕੈਮਰਾ ਅਤੇ ਰਾਡਾਰ ਡਾਟਾ ਸਟ੍ਰੀਮਜ਼ ਨੂੰ ਇੱਕ ਨਵੀਨਤਾਕਾਰੀ, ਸਥਾਨਕ ਤੌਰ ਤੇ ਨਿਰਵਿਘਨ ਰਾਜ ਪ੍ਰਤੀਨਿਧਤਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪ੍ਰੋਸੈਸ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜੋ ਰੀਅਲ-ਟਾਈਮ ਆਟੋਨੋਮਸ ਕੰਟਰੋਲ ਲਈ ਮਜ਼ਬੂਤ ਧਾਰਨਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਟ੍ਰੈਫਿਕ ਵਿੱਚ ਡਰਾਈਵਿੰਗ ਲਈ ਇੱਕ ਲਚਕੀਲਾ ਯੋਜਨਾਬੰਦੀ ਅਤੇ ਨਿਯੰਤਰਣ ਢਾਂਚਾ ਵਿਕਸਿਤ ਕੀਤਾ ਗਿਆ ਹੈ, ਜਿਸ ਵਿੱਚ ਮਿਸ਼ਨ ਯੋਜਨਾਬੰਦੀ, ਸਥਿਤੀ ਦੀ ਯੋਜਨਾਬੰਦੀ, ਸਥਿਤੀ ਦੀ ਵਿਆਖਿਆ ਅਤੇ ਟਰੈਕਚਰ ਕੰਟਰੋਲ ਲਈ ਚੰਗੀ ਤਰ੍ਹਾਂ ਸਾਬਤ ਹੋਏ ਐਲਗੋਰਿਥਮ ਦਾ ਇੱਕ ਨਵੀਨਤਾਕਾਰੀ ਸੁਮੇਲ ਸ਼ਾਮਲ ਹੈ। ਇਹ ਨਵੀਨਤਾਵਾਂ ਦੋ ਨਵੇਂ ਰੋਬੋਟ ਵਾਹਨਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਕੀਤੀਆਂ ਜਾ ਰਹੀਆਂ ਹਨ ਜੋ ਸ਼ਹਿਰੀ ਵਾਤਾਵਰਣ ਵਿੱਚ ਆਟੋਮੈਟਿਕ ਡਰਾਈਵਿੰਗ ਲਈ ਤਿਆਰ ਹਨ, ਇੱਕ ਡਾਰਪਾ ਸਾਈਟ ਵਿਜ਼ਿਟ ਕੋਰਸ ਵਿੱਚ ਵਿਆਪਕ ਟੈਸਟਿੰਗ ਦੇ ਨਾਲ। ਪ੍ਰਯੋਗਾਤਮਕ ਨਤੀਜੇ ਸਾਰੇ ਬੁਨਿਆਦੀ ਨੈਵੀਗੇਸ਼ਨ ਅਤੇ ਕੁਝ ਬੁਨਿਆਦੀ ਟ੍ਰੈਫਿਕ ਵਿਵਹਾਰਾਂ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ, ਜਿਸ ਵਿੱਚ ਬੇਰੋਕ ਆਟੋਮੈਟਿਕ ਡਰਾਈਵਿੰਗ, ਸ਼ੁੱਧ-ਪੁਆਇੰਟ ਕੰਟਰੋਲ ਅਤੇ ਸਾਡੀ ਸਥਾਨਕ ਫਰੇਮ ਧਾਰਨਾ ਰਣਨੀਤੀ ਦੀ ਵਰਤੋਂ ਕਰਦਿਆਂ ਲੇਨ ਦੀ ਪਾਲਣਾ, ਕਿਨੋ-ਡਾਇਨਾਮਿਕ ਆਰਟੀਟੀ ਮਾਰਗ ਯੋਜਨਾਬੰਦੀ ਦੀ ਵਰਤੋਂ ਕਰਦਿਆਂ ਰੁਕਾਵਟ ਤੋਂ ਬਚਣਾ, ਸਾਡੇ ਸਥਿਤੀ ਦੁਭਾਸ਼ੀਏ ਦੀ ਵਰਤੋਂ ਕਰਦਿਆਂ ਚੌਰਾਹੇ ਤੇ ਹੋਰ ਕਾਰਾਂ ਦੇ ਵਿਚਕਾਰ ਤਰਜੀਹ ਦਾ ਮੁਲਾਂਕਣ ਅਤੇ ਉਲਟੀਆਂ. ਅਸੀਂ ਇਨ੍ਹਾਂ ਪਹੁੰਚਾਂ ਨੂੰ ਅਡਵਾਂਸਡ ਨੈਵੀਗੇਸ਼ਨ ਅਤੇ ਟ੍ਰੈਫਿਕ ਦ੍ਰਿਸ਼ਾਂ ਤੱਕ ਵਧਾਉਣ ਲਈ ਕੰਮ ਕਰ ਰਹੇ ਹਾਂ। † ਕਾਰਜਕਾਰੀ ਸੰਖੇਪ ਇਹ ਤਕਨੀਕੀ ਰਿਪੋਰਟ ਡਾਰਪਾ ਅਰਬਨ ਚੈਲੇਂਜ ਲਈ ਟੀਮ ਐਮਆਈਟੀ ਦੇ ਪਹੁੰਚ ਦਾ ਵਰਣਨ ਕਰਦੀ ਹੈ। ਅਸੀਂ ਬਹੁਤ ਸਾਰੇ ਸਸਤੇ ਸੈਂਸਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਲਈ ਇੱਕ ਨਾਵਲ ਰਣਨੀਤੀ ਵਿਕਸਿਤ ਕੀਤੀ ਹੈ, ਵਾਹਨ ਦੇ ਪੈਰੀਫਿਰਿਅਰ ਤੇ ਮਾਊਂਟ ਕੀਤੀ ਗਈ ਹੈ, ਅਤੇ ਇੱਕ ਨਵੀਂ ਕ੍ਰਾਸ-ਮੋਡਲ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਤਕਨੀਕ ਨਾਲ ਕੈਲੀਬਰੇਟ ਕੀਤੀ ਗਈ ਹੈ। ਲਿਡਾਰ, ਕੈਮਰਾ ਅਤੇ ਰਾਡਾਰ ਡਾਟਾ ਸਟ੍ਰੀਮਜ਼ ਨੂੰ ਇੱਕ ਨਵੀਨਤਾਕਾਰੀ, ਸਥਾਨਕ ਤੌਰ ਤੇ ਨਿਰਵਿਘਨ ਰਾਜ ਪ੍ਰਤੀਨਿਧਤਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪ੍ਰੋਸੈਸ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜੋ ਰੀਅਲ-ਟਾਈਮ ਆਟੋਨੋਮਸ ਕੰਟਰੋਲ ਲਈ ਮਜ਼ਬੂਤ ਧਾਰਨਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਟ੍ਰੈਫਿਕ ਵਿੱਚ ਡਰਾਈਵਿੰਗ ਲਈ ਇੱਕ ਲਚਕੀਲਾ ਯੋਜਨਾਬੰਦੀ ਅਤੇ ਨਿਯੰਤਰਣ ਢਾਂਚਾ ਵਿਕਸਿਤ ਕੀਤਾ ਗਿਆ ਹੈ, ਜਿਸ ਵਿੱਚ ਮਿਸ਼ਨ ਯੋਜਨਾਬੰਦੀ, ਸਥਿਤੀ ਦੀ ਯੋਜਨਾਬੰਦੀ, ਸਥਿਤੀ ਦੀ ਵਿਆਖਿਆ ਅਤੇ ਟਰੈਕਚਰ ਨਿਯੰਤਰਣ ਲਈ ਚੰਗੀ ਤਰ੍ਹਾਂ ਸਾਬਤ ਹੋਏ ਐਲਗੋਰਿਥਮ ਦਾ ਇੱਕ ਨਵੀਨਤਾਕਾਰੀ ਸੁਮੇਲ ਸ਼ਾਮਲ ਹੈ। ਇਹ ਨਵੀਨਤਾਵਾਂ ਦੋ ਨਵੇਂ ਰੋਬੋਟ ਵਾਹਨਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਕੀਤੀਆਂ ਜਾ ਰਹੀਆਂ ਹਨ ਜੋ ਸ਼ਹਿਰੀ ਵਾਤਾਵਰਣ ਵਿੱਚ ਆਟੋਮੈਟਿਕ ਡਰਾਈਵਿੰਗ ਲਈ ਤਿਆਰ ਹਨ, ਇੱਕ ਡਾਰਪਾ ਸਾਈਟ ਵਿਜ਼ਿਟ ਕੋਰਸ ਵਿੱਚ ਵਿਆਪਕ ਟੈਸਟਿੰਗ ਦੇ ਨਾਲ। ਪ੍ਰਯੋਗਾਤਮਕ ਨਤੀਜੇ ਸਾਰੇ ਬੁਨਿਆਦੀ ਨੈਵੀਗੇਸ਼ਨ ਅਤੇ ਕੁਝ ਬੁਨਿਆਦੀ ਟ੍ਰੈਫਿਕ ਵਿਵਹਾਰਾਂ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ, ਜਿਸ ਵਿੱਚ ਬੇਰੋਕ ਆਟੋਮੈਟਿਕ ਡਰਾਈਵਿੰਗ, ਸ਼ੁੱਧ-ਪੇਅਰਸਿਟ ਕੰਟਰੋਲ ਅਤੇ ਸਾਡੀ ਸਥਾਨਕ ਫਰੇਮ ਧਾਰਨਾ ਰਣਨੀਤੀ ਦੀ ਵਰਤੋਂ ਕਰਦਿਆਂ ਲੇਨ ਦੀ ਪਾਲਣਾ, ਕਿਨੋ-ਡਾਇਨਾਮਿਕ ਆਰਆਰਟੀ ਮਾਰਗ ਯੋਜਨਾਬੰਦੀ ਦੀ ਵਰਤੋਂ ਕਰਦਿਆਂ ਰੁਕਾਵਟ ਤੋਂ ਬਚਣਾ, ਯੂ-ਟਰਨਜ਼, ਅਤੇ ਸਾਡੀ ਸਥਿਤੀ ਦੁਭਾਸ਼ੀਏ ਦੀ ਵਰਤੋਂ ਕਰਦਿਆਂ ਚੌਰਾਹੇ ਤੇ ਹੋਰ ਕਾਰਾਂ ਦੇ ਵਿਚਕਾਰ ਤਰਜੀਹ ਮੁਲਾਂਕਣ ਸ਼ਾਮਲ ਹੈ। ਅਸੀਂ ਇਨ੍ਹਾਂ ਪਹੁੰਚਾਂ ਨੂੰ ਅਡਵਾਂਸਡ ਨੈਵੀਗੇਸ਼ਨ ਅਤੇ ਟ੍ਰੈਫਿਕ ਦ੍ਰਿਸ਼ਾਂ ਤੱਕ ਵਧਾਉਣ ਲਈ ਕੰਮ ਕਰ ਰਹੇ ਹਾਂ। ਬੇਦਾਅਵਾਃ ਇਸ ਪੇਪਰ ਵਿੱਚ ਸ਼ਾਮਲ ਜਾਣਕਾਰੀ, ਰੱਖਿਆ ਅਡਵਾਂਸਡ ਰਿਸਰਚ ਪ੍ਰੋਜੈਕਟ ਏਜੰਸੀ (ਡਾਰਪਾ) ਜਾਂ ਰੱਖਿਆ ਵਿਭਾਗ ਦੀ ਅਧਿਕਾਰਤ ਨੀਤੀਆਂ ਨੂੰ ਦਰਸਾਉਂਦੀ ਨਹੀਂ ਹੈ, ਨਾ ਤਾਂ ਜ਼ਾਹਰ ਕੀਤੀ ਗਈ ਹੈ ਅਤੇ ਨਾ ਹੀ ਸੰਕੇਤ ਕੀਤੀ ਗਈ ਹੈ। ਡਾਰਪਾ ਇਸ ਕਾਗਜ਼ ਵਿੱਚ ਦਿੱਤੀ ਜਾਣਕਾਰੀ ਦੀ ਸ਼ੁੱਧਤਾ ਜਾਂ ਭਰੋਸੇਯੋਗਤਾ ਦੀ ਗਰੰਟੀ ਨਹੀਂ ਦਿੰਦਾ। ਵਾਧੂ ਸਹਾਇਤਾ ...

e275f643c97ca1f4c7715635bb72cf02df928d06

1e55bb7c095d3ea15bccb3df920c546ec54c86b5

8acaebdf9569adafb03793b23e77bf4ac8c09f83

ਅਸੀਂ ਟੇਰਾਹਰਟਜ਼ ਫ੍ਰੀਕੁਐਂਸੀ ਤੇ ਵਿਵਸਥਤ ਦੇਰੀ ਨਾਲ ਸਥਿਰ ਸਰੀਰਕ ਲੰਬਾਈ, ਸਪੋਫ ਸਤਹ ਪਲਾਸਮੋਨ ਪੋਲੇਰਿਟਨ ਅਧਾਰਤ ਵੇਵ ਗਾਈਡਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਡਿਜ਼ਾਈਨ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ। ਵਿਵਸਥਿਤ ਵਿਰਾਮ ਨੂੰ ਵੇਵ ਗਾਈਡ ਦੀ ਕੁੱਲ ਭੌਤਿਕ ਲੰਬਾਈ ਨੂੰ ਬਦਲਣ ਤੋਂ ਬਿਨਾਂ ਇਸ ਦੀ ਵੇਵ ਡੂੰਘਾਈ ਨੂੰ ਬਦਲਣ ਦੁਆਰਾ ਕੋਰਗਰੇਟਿਡ ਪਲੈਨਰ ਗੌਬੌ ਲਾਈਨਾਂ (ਸੀਪੀਜੀਐਲ) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਸਾਡੇ ਸਿਮੂਲੇਸ਼ਨ ਨਤੀਜੇ ਦਿਖਾਉਂਦੇ ਹਨ ਕਿ 237.9°, 220.6°, ਅਤੇ 310.6° ਦੀਆਂ ਬਿਜਲੀ ਦੀਆਂ ਲੰਬਾਈਆਂ ਨੂੰ ਪ੍ਰਦਰਸ਼ਨ ਦੇ ਉਦੇਸ਼ਾਂ ਲਈ, ਕ੍ਰਮਵਾਰ 0.25, 0.275, ਅਤੇ 0.3 THz ਤੇ 250 μm ਅਤੇ 200 μm ਦੀ ਭੌਤਿਕ ਲੰਬਾਈ ਦੁਆਰਾ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ ਸਿਮੂਲੇਸ਼ਨ ਨਤੀਜੇ ਭੌਤਿਕ ਪੈਰਾਮੀਟਰ ਅਤੇ ਪਦਾਰਥਕ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਸਾਡੇ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਗਣਨਾਵਾਂ ਦੇ ਨਾਲ ਵੀ ਇਕਸਾਰ ਹਨ। ਜਦੋਂ ਅਸੀਂ ਇੱਕੋ ਲੰਬਾਈ ਦੇ ਦੇਰੀ ਦੀਆਂ ਲਾਈਨਾਂ ਦੇ ਜੋੜਾਂ ਨੂੰ ਜੋੜਦੇ ਹਾਂ ਜਿਵੇਂ ਕਿ ਉਹ ਟੈਰਾਹਰਟਜ਼ ਫੇਜ਼ ਸ਼ਿਫਟਰ ਦੀਆਂ ਦੋ ਸ਼ਾਖਾਵਾਂ ਹਨ, ਅਸੀਂ ਅਨੁਸਾਰੀ ਪੜਾਅ ਤਬਦੀਲੀ ਅਨੁਮਾਨ ਦੀ 5.8% ਤੋਂ ਵਧੀਆ ਗਲਤੀ ਦਰ ਪ੍ਰਾਪਤ ਕੀਤੀ ਹੈ। ਸਾਡੇ ਗਿਆਨ ਦੇ ਅਨੁਸਾਰ, ਇਹ ਪਹਿਲੀ ਵਾਰ ਐਡਜਸਟੇਬਲ ਸਪੌਫ ਸਤਹ ਪਲਾਸਮੋਨ ਪੋਲੇਰਿਟਨ ਅਧਾਰਤ ਸੀਪੀਜੀਐਲ ਦੇਰੀ ਲਾਈਨਾਂ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਹੈ। ਇਸ ਵਿਚਾਰ ਨੂੰ ਟੈਰਾਹਰਟਜ਼ ਬੈਂਡ ਸਰਕਟਿਜ਼ ਲਈ ਨਿਸ਼ਚਿਤ ਲੰਬਾਈ ਅਤੇ ਪੜਾਅ ਸ਼ਿਫਟਰਾਂ ਨਾਲ ਟਿਊਨੇਬਲ ਦੇਰੀ ਲਾਈਨਾਂ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ।

325d145af5f38943e469da6369ab26883a3fd69e

ਇਨਪੁਟ ਦੇ ਤੌਰ ਤੇ ਇੱਕ ਗ੍ਰੇਸਕੇਲ ਫੋਟੋ ਦਿੱਤੀ ਗਈ ਹੈ, ਇਹ ਪੇਪਰ ਫੋਟੋ ਦੇ ਇੱਕ ਪ੍ਰਭਾਵੀ ਰੰਗ ਵਰਜਨ ਨੂੰ ਵੇਖਣ ਦੀ ਸਮੱਸਿਆ ਤੇ ਹਮਲਾ ਕਰਦਾ ਹੈ. ਇਹ ਸਮੱਸਿਆ ਸਪੱਸ਼ਟ ਤੌਰ ਤੇ ਘੱਟ ਸੀਮਤ ਹੈ, ਇਸ ਲਈ ਪਿਛਲੇ ਪਹੁੰਚਾਂ ਨੇ ਜਾਂ ਤਾਂ ਮਹੱਤਵਪੂਰਣ ਉਪਭੋਗਤਾ ਦੀ ਆਪਸੀ ਪ੍ਰਭਾਵ ਤੇ ਨਿਰਭਰ ਕੀਤਾ ਹੈ ਜਾਂ ਨਤੀਜੇ ਵਜੋਂ ਡੀਸੈਟ੍ਰਿਡ ਰੰਗਾਂ ਵਿੱਚ. ਅਸੀਂ ਇੱਕ ਪੂਰੀ ਤਰ੍ਹਾਂ ਆਟੋਮੈਟਿਕ ਪਹੁੰਚ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦੇ ਹਾਂ ਜੋ ਜੀਵੰਤ ਅਤੇ ਯਥਾਰਥਵਾਦੀ ਰੰਗਾਂ ਨੂੰ ਪੈਦਾ ਕਰਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਸਮੱਸਿਆ ਦੀ ਅੰਡਰਲਾਈੰਗ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਇੱਕ ਵਰਗੀਕਰਣ ਕਾਰਜ ਦੇ ਰੂਪ ਵਿੱਚ ਪੇਸ਼ ਕਰਕੇ ਅਤੇ ਨਤੀਜੇ ਵਿੱਚ ਰੰਗਾਂ ਦੀ ਵਿਭਿੰਨਤਾ ਨੂੰ ਵਧਾਉਣ ਲਈ ਸਿਖਲਾਈ ਦੇ ਸਮੇਂ ਕਲਾਸ-ਰੀਬੈਲੈਂਸਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ। ਇਸ ਪ੍ਰਣਾਲੀ ਨੂੰ ਟੈਸਟ ਸਮੇਂ ਸੀਐਨਐਨ ਵਿੱਚ ਫੀਡ-ਫਾਰਵਰਡ ਪਾਸ ਦੇ ਤੌਰ ਤੇ ਲਾਗੂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਇੱਕ ਮਿਲੀਅਨ ਤੋਂ ਵੱਧ ਰੰਗ ਚਿੱਤਰਾਂ ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਆਪਣੇ ਐਲਗੋਰਿਦਮ ਦਾ ਮੁਲਾਂਕਣ colorization Turing test, ਨਾਲ ਕਰਦੇ ਹਾਂ, ਜਿਸ ਵਿੱਚ ਮਨੁੱਖੀ ਭਾਗੀਦਾਰਾਂ ਨੂੰ ਇੱਕ ਤਿਆਰ ਅਤੇ ਇੱਕ ਅਸਲ ਰੰਗ ਚਿੱਤਰ ਦੇ ਵਿਚਕਾਰ ਚੋਣ ਕਰਨ ਲਈ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਸਾਡੀ ਵਿਧੀ 32% ਟੈਸਟਾਂ ਵਿੱਚ ਲੋਕਾਂ ਨੂੰ ਸਫਲਤਾਪੂਰਵਕ ਮੂਰਖ ਬਣਾਉਂਦੀ ਹੈ, ਜੋ ਕਿ ਪਿਛਲੀਆਂ ਵਿਧੀਆਂ ਨਾਲੋਂ ਕਾਫ਼ੀ ਜ਼ਿਆਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਅਸੀਂ ਦਿਖਾਉਂਦੇ ਹਾਂ ਕਿ ਰੰਗ-ਰੰਗ ਕਰਨਾ ਸਵੈ-ਨਿਗਰਾਨੀ ਵਿਸ਼ੇਸ਼ਤਾ ਸਿੱਖਣ ਲਈ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਬਹਾਨਾ ਕੰਮ ਹੋ ਸਕਦਾ ਹੈ, ਇੱਕ ਕਰਾਸ-ਚੈਨਲ ਏਨਕੋਡਰ ਦੇ ਤੌਰ ਤੇ ਕੰਮ ਕਰਨਾ. ਇਸ ਪਹੁੰਚ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਕਈ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਸਿੱਖਣ ਦੇ ਮਾਪਦੰਡਾਂ ਤੇ ਅਤਿ-ਆਧੁਨਿਕ ਪ੍ਰਦਰਸ਼ਨ ਹੁੰਦਾ ਹੈ।

57bbbfea63019a57ef658a27622c357978400a50

7ffdf4d92b4bc5690249ed98e51e1699f39d0e71

ਪਹਿਲੀ ਵਾਰ, ਇੱਕ ਪੂਰੀ ਤਰ੍ਹਾਂ ਏਕੀਕ੍ਰਿਤ ਪੜਾਅ ਵਾਲੇ ਐਰੇ ਐਂਟੀਨਾ ਨੂੰ ਰੇਡੀਓ ਫ੍ਰੀਕੁਐਂਸੀ ਮਾਈਕਰੋਇਲੈਕਟ੍ਰੋਮੈੱਕਨਿਕਲ ਸਿਸਟਮ (ਆਰਐਫ ਐਮਈਐਮਐਸ) ਦੇ ਨਾਲ ਇੱਕ ਲਚਕਦਾਰ, ਜੈਵਿਕ ਘਟਾਓਣਾ ਉੱਤੇ 10 ਗੀਗਾਹਰਟਜ਼ ਤੋਂ ਉੱਪਰ ਪ੍ਰਦਰਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਹੈ। ਇੱਕ ਘੱਟ ਸ਼ੋਰ ਐਂਪਲੀਫਾਇਰ (ਐਲਐਨਏ), ਐਮਈਐਮਐਸ ਪੜਾਅ ਸ਼ਿਫਟਰ, ਅਤੇ 2 ਵਾਰ 2 ਪੈਚ ਐਂਟੀਨਾ ਐਰੇ ਨੂੰ ਤਰਲ ਕ੍ਰਿਸਟਲ ਪੋਲੀਮਰ ਸਬਸਟਰੇਟ ਤੇ ਸਿਸਟਮ-ਆਨ-ਪੈਕਜ (ਐਸਓਪੀ) ਵਿੱਚ ਜੋੜਿਆ ਗਿਆ ਹੈ। ਦੋ ਐਂਟੀਨਾ ਐਰੇ ਦੀ ਤੁਲਨਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ; ਇੱਕ ਸਿੰਗਲ-ਲੇਅਰ ਐਸਓਪੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਹੈ ਅਤੇ ਦੂਜਾ ਮਲਟੀਲੇਅਰ ਐਸਓਪੀ ਨਾਲ. ਦੋਵੇਂ ਲਾਗੂਕਰਣ ਘੱਟ-ਖਰਾਬ ਹਨ ਅਤੇ 12 ਡਿਗਰੀ ਦੀ ਬੀਮ ਸਟੀਰਿੰਗ ਦੇ ਸਮਰੱਥ ਹਨ। ਡਿਜ਼ਾਇਨ ਫ੍ਰੀਕੁਐਂਸੀ 14 ਗੀਗਾਹਰਟਜ਼ ਹੈ ਅਤੇ ਮਾਪਿਆ ਗਿਆ ਵਾਪਸੀ ਦਾ ਨੁਕਸਾਨ ਦੋਵਾਂ ਪ੍ਰਭਾਵਾਂ ਲਈ 12 ਡੀਬੀ ਤੋਂ ਵੱਧ ਹੈ। ਇੱਕ ਐਲਐਨਏ ਦੀ ਵਰਤੋਂ ਇੱਕ ਬਹੁਤ ਉੱਚੀ ਰੇਡੀਏਟ ਪਾਵਰ ਲੈਵਲ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ। ਇਹ ਐਂਟੀਨਾ ਲਗਭਗ ਕਿਸੇ ਵੀ ਆਕਾਰ, ਬਾਰੰਬਾਰਤਾ ਅਤੇ ਲੋੜੀਂਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਅਨੁਕੂਲਿਤ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ। ਇਹ ਖੋਜ ਜੈਵਿਕ ਐਸਓਪੀ ਉਪਕਰਣਾਂ ਲਈ ਅਤਿ ਆਧੁਨਿਕਤਾ ਨੂੰ ਅੱਗੇ ਵਧਾਉਂਦੀ ਹੈ।

d00ef607a10e5be00a9e05504ab9771c0b05d4ea

ਹਾਈ-ਵੋਲਟੇਜ ਰੇਟਡ ਸੋਲਡ ਸਟੇਟ ਸਵਿੱਚ ਜਿਵੇਂ ਕਿ ਇਨਸੂਲੇਟ-ਗੇਟ ਬਾਈਪੋਲਰ ਟ੍ਰਾਂਜਿਸਟਰ (ਆਈਜੀਬੀਟੀਜ਼) ਵਪਾਰਕ ਤੌਰ ਤੇ 6.5 ਕੇਵੀ ਤੱਕ ਉਪਲਬਧ ਹਨ। ਅਜਿਹੇ ਵੋਲਟੇਜ ਰੇਟਿੰਗਜ਼ ਪਲਸਡ ਪਾਵਰ ਅਤੇ ਹਾਈ ਵੋਲਟੇਜ ਸਵਿੱਚ-ਮੋਡ ਕਨਵਰਟਰ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਆਕਰਸ਼ਕ ਹਨ। ਹਾਲਾਂਕਿ, ਜਿਵੇਂ ਕਿ ਆਈਜੀਬੀਟੀ ਵੋਲਟੇਜ ਰੇਟਿੰਗ ਵਧਦੀ ਹੈ, ਮੌਜੂਦਾ ਵਾਧਾ ਅਤੇ ਗਿਰਾਵਟ ਦੀ ਦਰ ਆਮ ਤੌਰ ਤੇ ਘੱਟ ਜਾਂਦੀ ਹੈ. ਇਸ ਟ੍ਰੇਡਆਫ ਤੋਂ ਬਚਣਾ ਮੁਸ਼ਕਲ ਹੈ ਕਿਉਂਕਿ ਆਈਜੀਬੀਟੀਜ਼ ਨੂੰ ਐਪੀਟੈਕਸੀਅਲ ਜਾਂ ਡ੍ਰਾਈਵ ਖੇਤਰ ਪਰਤ ਵਿੱਚ ਘੱਟ ਵਿਰੋਧ ਬਣਾਈ ਰੱਖਣਾ ਚਾਹੀਦਾ ਹੈ। ਰਿਵਰਸ ਵੋਲਟੇਜ ਦਾ ਸਮਰਥਨ ਕਰਨ ਲਈ ਮੋਟੇ ਡ੍ਰਾਈਵ ਖੇਤਰਾਂ ਵਾਲੇ ਉੱਚ ਵੋਲਟੇਜ ਵਾਲੇ ਆਈਜੀਬੀਟੀਜ਼ ਲਈ, ਲੋੜੀਂਦੀਆਂ ਉੱਚ ਕੈਰੀਅਰ ਗਾੜ੍ਹਾਪਣ ਚਾਲੂ ਹੋਣ ਤੇ ਟੀਕਾ ਲਗਾਇਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਬੰਦ ਹੋਣ ਤੇ ਹਟਾ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ, ਜੋ ਕਿ ਸਵਿਚਿੰਗ ਦੀ ਗਤੀ ਨੂੰ ਹੌਲੀ ਕਰਦਾ ਹੈ. ਤੇਜ਼ ਸਵਿਚਿੰਗ ਲਈ ਇੱਕ ਵਿਕਲਪ ਹੈ ਕਿ ਮਲਟੀਪਲ, ਘੱਟ ਵੋਲਟੇਜ ਰੇਟ ਕੀਤੇ ਆਈਜੀਬੀਟੀ ਨੂੰ ਲੜੀਵਾਰ ਕੀਤਾ ਜਾਵੇ। ਛੇ, 1200 V ਰੇਟ ਕੀਤੇ IGBT ਦੇ ਨਾਲ ਇੱਕ IGBT-ਸਟੈਕ ਪ੍ਰੋਟੋਟਾਈਪ ਦੀ ਲੜੀਵਾਰ ਰੂਪ ਵਿੱਚ ਪ੍ਰਯੋਗਾਤਮਕ ਤੌਰ ਤੇ ਜਾਂਚ ਕੀਤੀ ਗਈ ਹੈ। ਛੇ-ਸੀਰੀਜ਼ ਆਈਜੀਬੀਟੀ ਸਟੈਕ ਵਿੱਚ ਵਿਅਕਤੀਗਤ, ਆਪਟੀਕਲ ਤੌਰ ਤੇ ਅਲੱਗ, ਗੇਟ ਡਰਾਈਵਰ ਅਤੇ ਅਲਮੀਨੀਅਮ ਕੂਲਿੰਗ ਪਲੇਟਾਂ ਹਨ ਜੋ ਕਿ ਜ਼ਬਰਦਸਤੀ ਹਵਾ ਕੂਲਿੰਗ ਲਈ ਹਨ ਜਿਸਦਾ ਨਤੀਜਾ ਇੱਕ ਸੰਖੇਪ ਪੈਕੇਜ ਹੁੰਦਾ ਹੈ। ਹਰੇਕ ਆਈਜੀਬੀਟੀ ਟਰਾਂਜਿਟਿਵ ਵੋਲਟੇਜ ਸੁਪਰਸੈਸਰਾਂ ਦੁਆਰਾ ਓਵਰਵੋਲਟੇਜ ਸੁਰੱਖਿਅਤ ਹੈ। ਛੇ-ਸੀਰੀਜ਼ ਦੇ ਆਈਜੀਬੀਟੀ ਸਟੈਕ ਅਤੇ ਇੱਕ ਸਿੰਗਲ 6.5 ਕੇਵੀ ਰੇਟਡ ਆਈਜੀਬੀਟੀ ਦੇ ਚਾਲੂ ਹੋਣ ਦੇ ਸਮੇਂ ਦੇ ਵਾਧੇ ਦਾ ਤਜਰਬੇ ਨਾਲ ਇੱਕ ਪਲਸਡ ਰੈਜ਼ੀਸਟਿਵ-ਲੋਡ, ਕੈਪਸੀਟਰ ਡਿਸਚਾਰਜ ਸਰਕਟ ਵਿੱਚ ਮਾਪਿਆ ਗਿਆ ਹੈ। ਆਈਜੀਬੀਟੀ ਸਟੈਕ ਦੀ ਤੁਲਨਾ ਸੀਰੀਜ਼ ਵਿੱਚ ਦੋ ਆਈਜੀਬੀਟੀ ਮੋਡੀਊਲ ਨਾਲ ਵੀ ਕੀਤੀ ਗਈ ਹੈ, ਹਰ ਇੱਕ 3.3 ਕੇਵੀ ਨਾਲ ਦਰਜਾ ਦਿੱਤਾ ਗਿਆ ਹੈ, ਇੱਕ ਬੂਸਟ ਸਰਕਟ ਐਪਲੀਕੇਸ਼ਨ ਵਿੱਚ 9 ਕੇਐਚਜ਼ ਤੇ ਸਵਿਚਿੰਗ ਅਤੇ 5 ਕੇਵੀ ਦੀ ਆਉਟਪੁੱਟ ਪੈਦਾ ਕਰਨਾ. ਛੇ-ਸੀਰੀਜ਼ ਆਈਜੀਬੀਟੀ ਸਟੈਕ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਚਾਲੂ ਹੋਣ ਦੀ ਸਪੀਡ ਵਿੱਚ ਸੁਧਾਰ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਬੰਦ ਹੋਣ ਦੇ ਦੌਰਾਨ ਘੱਟ ਮੌਜੂਦਾ ਪੂਛ ਦੇ ਕਾਰਨ ਮਹੱਤਵਪੂਰਨ ਤੌਰ ਤੇ ਉੱਚ ਸ਼ਕਤੀ ਵਧਾਉਣ ਵਾਲੀ ਪਰਿਵਰਤਕ ਕੁਸ਼ਲਤਾ ਹੁੰਦੀ ਹੈ। ਪ੍ਰਯੋਗਾਤਮਕ ਟੈਸਟ ਪੈਰਾਮੀਟਰਾਂ ਅਤੇ ਤੁਲਨਾਤਮਕ ਟੈਸਟਾਂ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਚਰਚਾ ਹੇਠ ਲਿਖੇ ਕਾਗਜ਼ ਵਿੱਚ ਕੀਤੀ ਗਈ ਹੈ

20f5b475effb8fd0bf26bc72b4490b033ac25129

ਅਸੀਂ ਸ਼ਹਿਰੀ ਸੜਕਾਂ ਵਿੱਚ ਲੇਨ ਮਾਰਕਰ ਖੋਜਣ ਲਈ ਇੱਕ ਮਜ਼ਬੂਤ ਅਤੇ ਰੀਅਲ ਟਾਈਮ ਪਹੁੰਚ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ। ਇਹ ਸੜਕ ਦਾ ਇੱਕ ਉਪਰਲਾ ਦ੍ਰਿਸ਼ ਪੈਦਾ ਕਰਨ, ਚੋਣਵੇਂ ਅਨੁਕੂਲ ਗੌਸੀਅਨ ਫਿਲਟਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਫਿਲਟਰ ਕਰਨ, ਬੇਜ਼ੀਅਰ ਸਪਲਾਈਨਾਂ ਨੂੰ ਫਿੱਟ ਕਰਨ ਲਈ ਇੱਕ ਨਵੇਂ ਅਤੇ ਤੇਜ਼ ਰੈਨਸੈਕ ਐਲਗੋਰਿਦਮ ਨੂੰ ਸ਼ੁਰੂਆਤੀ ਅਨੁਮਾਨ ਦੇਣ ਲਈ ਰੈਨਸੈਕ ਲਾਈਨ ਫਿਟਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਨ ਤੇ ਅਧਾਰਤ ਹੈ, ਜਿਸਦੇ ਬਾਅਦ ਇੱਕ ਪੋਸਟ-ਪ੍ਰੋਸੈਸਿੰਗ ਕਦਮ ਹੈ। ਸਾਡਾ ਐਲਗੋਰਿਥਮ ਵੱਖ-ਵੱਖ ਹਾਲਤਾਂ ਵਿੱਚ ਸੜਕ ਦੀਆਂ ਸਥਿਰ ਤਸਵੀਰਾਂ ਵਿੱਚ ਸਾਰੀਆਂ ਲੇਨਾਂ ਦਾ ਪਤਾ ਲਗਾ ਸਕਦਾ ਹੈ, ਜਦੋਂ ਕਿ 50 ਹਰਟਜ਼ ਦੀ ਦਰ ਨਾਲ ਕੰਮ ਕਰਦਾ ਹੈ ਅਤੇ ਪਿਛਲੇ ਤਕਨੀਕਾਂ ਦੇ ਤੁਲਨਾਤਮਕ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ।

e6bef595cb78bcad4880aea6a3a73ecd32fbfe06

ਆਨਲਾਈਨ ਸਮੀਖਿਆਵਾਂ ਅਤੇ ਸਿਫਾਰਸ਼ਾਂ ਦੀ ਉਪਲਬਧਤਾ ਵਿੱਚ ਵਾਧਾ, ਭਾਵਨਾ ਸ਼੍ਰੇਣੀ ਨੂੰ ਅਕਾਦਮਿਕ ਅਤੇ ਉਦਯੋਗਿਕ ਖੋਜ ਵਿੱਚ ਇੱਕ ਦਿਲਚਸਪ ਵਿਸ਼ਾ ਬਣਾਉਂਦਾ ਹੈ। ਸਮੀਖਿਆਵਾਂ ਇੰਨੇ ਵੱਖਰੇ ਖੇਤਰਾਂ ਨੂੰ ਕਵਰ ਕਰ ਸਕਦੀਆਂ ਹਨ ਕਿ ਉਨ੍ਹਾਂ ਸਾਰਿਆਂ ਲਈ ਟ੍ਰੇਨਿੰਗ ਡੇਟਾ ਇਕੱਠਾ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੈ। ਇਸ ਲਈ, ਇਹ ਪੇਪਰ ਭਾਵਨਾ ਵਰਗੀਕਰਤਾਵਾਂ ਲਈ ਡੋਮੇਨ ਅਨੁਕੂਲਤਾ ਦੀ ਸਮੱਸਿਆ ਦਾ ਅਧਿਐਨ ਕਰਦਾ ਹੈ, ਇਸ ਨਾਲ ਇੱਕ ਸਿਸਟਮ ਨੂੰ ਇੱਕ ਸਰੋਤ ਡੋਮੇਨ ਤੋਂ ਲੇਬਲ ਵਾਲੀਆਂ ਸਮੀਖਿਆਵਾਂ ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ ਪਰ ਦੂਜੇ ਉੱਤੇ ਤਾਇਨਾਤ ਕਰਨ ਦਾ ਮਤਲਬ ਹੈ. ਅਸੀਂ ਇੱਕ ਡੂੰਘੀ ਸਿੱਖਣ ਦੀ ਪਹੁੰਚ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦੇ ਹਾਂ ਜੋ ਹਰੇਕ ਸਮੀਖਿਆ ਲਈ ਇੱਕ ਅਰਥਪੂਰਨ ਨੁਮਾਇੰਦਗੀ ਨੂੰ ਸੁਪਰਵਾਈਜ਼ਡ ਤਰੀਕੇ ਨਾਲ ਕੱractਣਾ ਸਿੱਖਦਾ ਹੈ. ਇਹ ਵੀ ਕਿਹਾ ਗਿਆ ਹੈ ਕਿ ਅਮੇਜ਼ਨ ਦੇ ਉਤਪਾਦਾਂ ਦੀ ਸਮੀਖਿਆ ਕਰਨ ਵਾਲੇ ਮਾਹਰਾਂ ਨੂੰ ਇਹ ਵੀ ਪਤਾ ਲੱਗਿਆ ਹੈ ਕਿ ਅਮੇਜ਼ਨ ਦੇ ਉਤਪਾਦਾਂ ਦੀ ਸਮੀਖਿਆ ਕਰਨ ਵਾਲੇ ਮਾਹਰਾਂ ਨੂੰ ਇਹ ਵੀ ਪਤਾ ਲੱਗਿਆ ਹੈ ਕਿ ਅਮੇਜ਼ਨ ਦੇ ਉਤਪਾਦਾਂ ਦੀ ਸਮੀਖਿਆ ਕਰਨ ਵਾਲੇ ਮਾਹਰਾਂ ਨੂੰ ਇਹ ਵੀ ਪਤਾ ਲੱਗਿਆ ਹੈ ਕਿ ਅਮੇਜ਼ਨ ਦੇ ਉਤਪਾਦਾਂ ਦੀ ਸਮੀਖਿਆ ਕਰਨ ਵਾਲੇ ਮਾਹਰਾਂ ਨੂੰ ਇਹ ਵੀ ਪਤਾ ਲੱਗਿਆ ਹੈ ਕਿ ਅਮੇਜ਼ਨ ਦੇ ਉਤਪਾਦਾਂ ਦੀ ਸਮੀਖਿਆ ਕਰਨ ਵਾਲੇ ਮਾਹਰਾਂ ਨੂੰ ਇਹ ਵੀ ਪਤਾ ਲੱਗਿਆ ਹੈ ਕਿ ਅਮੇਜ਼ਨ ਦੇ ਉਤਪਾਦਾਂ ਦੀ ਸਮੀਖਿਆ ਕਰਨ ਵਾਲੇ ਮਾਹਰਾਂ ਨੂੰ ਇਹ ਵੀ ਪਤਾ ਲੱਗਿਆ ਹੈ ਕਿ ਅਮੇਜ਼ਨ ਦੇ ਉਤਪਾਦਾਂ ਦੀ ਸਮੀਖਿਆ ਕਰਨ ਵਾਲੇ ਮਾਹਰਾਂ ਨੂੰ ਇਹ ਵੀ ਪਤਾ ਲੱਗਿਆ ਹੈ ਕਿ ਅਮੇਜ਼ਨ ਦੇ ਉਤਪਾਦਾਂ ਦੀ ਸਮੀਖਿਆ ਕਰਨ ਵਾਲੇ ਮਾਹਰਾਂ ਨੂੰ ਇਹ ਵੀ ਪਤਾ ਲੱਗਿਆ ਹੈ ਕਿ ਅਮੇਜ਼ਨ ਦੇ ਉਤਪਾਦਾਂ ਦੀ ਸਮੀਖਿਆ ਕਰਨ ਵਾਲੇ ਮਾਹਰਾਂ ਨੂੰ ਇਹ ਵੀ ਪਤਾ ਲੱਗਿਆ ਹੈ ਕਿ ਅਮੇਜ਼ਨ ਦੇ ਉਤਪਾਦਾਂ ਦੀ ਸਮੀਖਿਆ ਕਰਨ ਵਾਲੇ ਮਾਹਰਾਂ ਨੂੰ ਇਹ ਵੀ ਪਤਾ ਲੱਗਿਆ ਹੈ ਕਿ ਉਹ ਕਿਸ ਤਰ੍ਹਾਂ ਦੇ ਉਤਪਾਦਾਂ ਦੀ ਸਮੀਖਿਆ ਕਰਦੇ ਹਨ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਹ ਵਿਧੀ ਚੰਗੀ ਤਰ੍ਹਾਂ ਸਕੇਲ ਕਰਦੀ ਹੈ ਅਤੇ ਸਾਨੂੰ 22 ਡੋਮੇਨਾਂ ਦੇ ਵੱਡੇ ਉਦਯੋਗਿਕ-ਤਾਕਤ ਵਾਲੇ ਡੇਟਾ ਸੈਟ ਤੇ ਡੋਮੇਨ ਅਨੁਕੂਲਤਾ ਨੂੰ ਸਫਲਤਾਪੂਰਵਕ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੱਤੀ ਗਈ ਹੈ।

7cbbe0025b71a265c6bee195b5595cfad397a734

ਲੋਕ ਅਕਸਰ ਕੁਰਸੀਆਂ ਨਾਲ ਗੱਲਬਾਤ ਕਰਦੇ ਹਨ, ਉਹਨਾਂ ਨੂੰ ਸੰਭਾਵੀ ਸਥਾਨ ਬਣਾਉਂਦੇ ਹਨ ਜੋ ਉਪਭੋਗਤਾਵਾਂ ਦੁਆਰਾ ਕੋਈ ਵਾਧੂ ਕੋਸ਼ਿਸ਼ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ. ਅਸੀਂ 550 ਭਾਗੀਦਾਰਾਂ ਦਾ ਸਰਵੇਖਣ ਕੀਤਾ ਕਿ ਲੋਕ ਕੁਰਸੀਆਂ ਵਿੱਚ ਕਿਵੇਂ ਬੈਠਦੇ ਹਨ ਅਤੇ ਇੱਕ ਕੁਰਸੀ ਦੇ ਡਿਜ਼ਾਇਨ ਨੂੰ ਸੂਚਿਤ ਕਰਦੇ ਹਨ ਜੋ ਕ੍ਰਮਵਾਰ ਕੁਰਸੀ ਦੇ ਬਾਂਹ ਅਤੇ ਪਿੱਠ ਦੇ ਆਸਣ ਤੋਂ ਦਿਲ ਅਤੇ ਸਾਹ ਦੀ ਦਰ ਦਾ ਪਤਾ ਲਗਾਉਂਦੀ ਹੈ। 18 ਭਾਗੀਦਾਰਾਂ ਦੇ ਨਾਲ ਇੱਕ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਅਧਿਐਨ ਵਿੱਚ, ਅਸੀਂ ਇਹ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਕਿ ਦਿਲ ਦੀ ਧੜਕਣ ਅਤੇ ਸਾਹ ਦੀ ਦਰ ਦਾ ਪਤਾ ਲਗਾਉਣਾ ਕਦੋਂ ਸੰਭਵ ਸੀ (32% ਦਿਲ ਦੀ ਧੜਕਣ ਲਈ, 52% ਸਾਹ ਦੀ ਦਰ ਲਈ) ਅਤੇ ਖੋਜੀ ਗਈ ਦਰ ਦੀ ਸ਼ੁੱਧਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ (83% ਦਿਲ ਦੀ ਧੜਕਣ ਲਈ, 73% ਸਾਹ ਦੀ ਦਰ ਲਈ) ਆਮ ਬੈਠਣ ਦੀਆਂ ਅਸਾਮੀਆਂ ਦੀ ਇੱਕ ਸੀਮਾ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ। ਅਸੀਂ ਇਸ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਨੂੰ ਜੰਗਲੀ ਵਿੱਚ ਲਿਜਾਣ ਦੀਆਂ ਚੁਣੌਤੀਆਂ ਬਾਰੇ ਚਰਚਾ ਕਰਦੇ ਹਾਂ ਇੱਕ ਇਨ-ਸਿਟੂ ਅਧਿਐਨ ਦਾ ਮੁਲਾਂਕਣ ਕਰਕੇ ਕੁੱਲ 40 ਘੰਟੇ 11 ਭਾਗੀਦਾਰਾਂ ਦੇ ਨਾਲ. ਅਸੀਂ ਦਿਖਾਉਂਦੇ ਹਾਂ ਕਿ, ਇੱਕ ਸੰਵੇਦਨਸ਼ੀਲ ਸੈਂਸਰ ਦੇ ਰੂਪ ਵਿੱਚ, ਕੁਰਸੀ ਆਪਣੇ ਯਾਤਰੀ ਤੋਂ ਜ਼ਰੂਰੀ ਸੰਕੇਤਾਂ ਦਾ ਡਾਟਾ ਇਕੱਠਾ ਕਰ ਸਕਦੀ ਹੈ ਕੁਰਸੀ ਨਾਲ ਕੁਦਰਤੀ ਪਰਸਪਰ ਪ੍ਰਭਾਵ ਰਾਹੀਂ।

bf003bb2d52304fea114d824bc0bf7bfbc7c3106

9a59a3719bf08105d4632898ee178bd982da2204

ਆਟੋਨੋਮਸ ਵਾਹਨ ਇੱਕ ਮੋਬਾਈਲ ਰੋਬੋਟ ਹੈ ਜੋ ਮਲਟੀ-ਸੈਂਸਰ ਨੈਵੀਗੇਸ਼ਨ ਅਤੇ ਪੋਜੀਸ਼ਨਿੰਗ, ਬੁੱਧੀਮਾਨ ਫੈਸਲੇ ਲੈਣ ਅਤੇ ਨਿਯੰਤਰਣ ਤਕਨਾਲੋਜੀ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਦਾ ਹੈ। ਇਹ ਪੇਪਰ ਸਵੈਚਾਲਿਤ ਵਾਹਨ ਦੇ ਕੰਟਰੋਲ ਸਿਸਟਮ ਆਰਕੀਟੈਕਚਰ ਨੂੰ ਪੇਸ਼ ਕਰਦਾ ਹੈ, ਜਿਸ ਨੂੰ ਇੰਟੈਲੀਜੈਂਟ ਪਾਇਨੀਅਰ ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਅਣਜਾਣ ਵਾਤਾਵਰਣਾਂ ਵਿੱਚ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਨੈਵੀਗੇਟ ਕਰਨ ਲਈ ਮਾਰਗ ਟਰੈਕਿੰਗ ਅਤੇ ਗਤੀ ਦੀ ਸਥਿਰਤਾ ਬਾਰੇ ਚਰਚਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਪਹੁੰਚ ਵਿੱਚ, ਰਾਜ ਸਪੇਸ ਫਾਰਮੈਟ ਵਿੱਚ ਮਾਰਗ-ਟਰੈਕਿੰਗ ਸਮੱਸਿਆ ਨੂੰ ਤਿਆਰ ਕਰਨ ਲਈ ਦੋ ਡਿਗਰੀ ਆਜ਼ਾਦੀ ਦੇ ਗਤੀਸ਼ੀਲ ਮਾਡਲ ਨੂੰ ਵਿਕਸਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਤੁਰੰਤ ਮਾਰਗ ਗਲਤੀ ਨੂੰ ਕੰਟਰੋਲ ਕਰਨ ਲਈ, ਰਵਾਇਤੀ ਕੰਟਰੋਲਰਾਂ ਨੂੰ ਪੈਰਾਮੀਟਰ ਬਦਲਾਅ ਅਤੇ ਵਿਘਨ ਦੀ ਇੱਕ ਵਿਆਪਕ ਲੜੀ ਵਿੱਚ ਕਾਰਗੁਜ਼ਾਰੀ ਅਤੇ ਸਥਿਰਤਾ ਦੀ ਗਾਰੰਟੀ ਦੇਣ ਵਿੱਚ ਮੁਸ਼ਕਲ ਆਉਂਦੀ ਹੈ। ਇਸ ਲਈ, ਇੱਕ ਨਵੇਂ ਵਿਕਸਤ ਅਨੁਕੂਲ-ਪੀਆਈਡੀ ਕੰਟਰੋਲਰ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਵੇਗੀ। ਇਸ ਪਹੁੰਚ ਦੀ ਵਰਤੋਂ ਨਾਲ ਵਾਹਨ ਕੰਟਰੋਲ ਪ੍ਰਣਾਲੀ ਦੀ ਲਚਕਤਾ ਵਧੇਗੀ ਅਤੇ ਵੱਡੇ ਫਾਇਦੇ ਪ੍ਰਾਪਤ ਹੋਣਗੇ। ਇਸ ਦੌਰਾਨ, ਅਸੀਂ ਇੰਟੈਲੀਜੈਂਟ ਪਾਇਨੀਅਰ ਅਤੇ ਇਸ ਪਹੁੰਚ ਦੀ ਵਰਤੋਂ ਕਰਨ ਵਾਲੇ ਆਟੋਮੈਟਿਕ ਵਾਹਨ ਦੀਆਂ ਉਦਾਹਰਣਾਂ ਅਤੇ ਨਤੀਜੇ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਾਂ ਜੋ 2010 ਅਤੇ 2011 ਵਿੱਚ ਚੀਨ ਦੀ ਭਵਿੱਖ ਦੀ ਚੁਣੌਤੀ ਵਿੱਚ ਮੁਕਾਬਲਾ ਕੀਤਾ ਗਿਆ ਸੀ। ਇੰਟੈਲੀਜੈਂਟ ਪਾਇਨੀਅਰ ਨੇ ਸਾਰੇ ਮੁਕਾਬਲੇ ਪ੍ਰੋਗਰਾਮਾਂ ਨੂੰ ਪੂਰਾ ਕੀਤਾ ਅਤੇ 2010 ਵਿੱਚ ਪਹਿਲਾ ਸਥਾਨ ਅਤੇ 2011 ਵਿੱਚ ਤੀਜਾ ਸਥਾਨ ਹਾਸਲ ਕੀਤਾ।

7592f8a1d4fa2703b75cad6833775da2ff72fe7b

ਮੁਕਾਬਲੇਬਾਜ਼ੀ ਵਾਲਾ ਐੱਮ.ਐੱਨ.ਆਈ.ਐੱਸ.ਟੀ. ਹੱਥ ਲਿਖਤ ਅੰਕ ਪਛਾਣ ਮਾਪਦੰਡ 1998 ਤੋਂ ਰਿਕਾਰਡ ਤੋੜਨ ਦਾ ਲੰਮਾ ਇਤਿਹਾਸ ਹੈ। ਦੂਜਿਆਂ ਦੁਆਰਾ ਸਭ ਤੋਂ ਤਾਜ਼ਾ ਤਰੱਕੀ 8 ਸਾਲ ਪਹਿਲਾਂ ਦੀ ਹੈ (ਗਲਤੀ ਦੀ ਦਰ 0.4% ਹੈ) । ਸਧਾਰਨ ਮਲਟੀ-ਲੇਅਰ ਪਰਸਪਰਟ੍ਰੋਨਜ਼ ਲਈ ਚੰਗੇ ਪੁਰਾਣੇ ਆਨ-ਲਾਈਨ ਬੈਕ-ਪ੍ਰੋਪੇਗੇਸ਼ਨ ਨੇ ਇਕੋ ਐਮਐਲਪੀ ਦੇ ਨਾਲ ਅਤੇ ਸੱਤ ਐਮਐਲਪੀ ਦੀ ਕਮੇਟੀ ਦੇ ਨਾਲ ਐਮਐਨਆਈਐਸਟੀ ਹੱਥ ਲਿਖਤ ਅੰਕ ਬੈਂਚਮਾਰਕ ਤੇ 0.35% ਦੀ ਬਹੁਤ ਘੱਟ ਗਲਤੀ ਦਰ ਦਿੱਤੀ ਹੈ। 2011 ਤੱਕ ਇਸ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਸਾਨੂੰ ਸਭ ਤੋਂ ਵਧੀਆ ਨਤੀਜਾ ਬਹੁਤ ਸਾਰੀਆਂ ਲੁਕੀਆਂ ਪਰਤਾਂ, ਹਰ ਪਰਤ ਵਿੱਚ ਬਹੁਤ ਸਾਰੇ ਨਿਊਰਨ, ਬਹੁਤ ਸਾਰੇ ਵਿਗਾੜਿਆ ਸਿਖਲਾਈ ਚਿੱਤਰਾਂ ਦੀ ਜ਼ਰੂਰਤ ਹੈ ਤਾਂ ਜੋ ਓਵਰਫਿਟਿੰਗ ਤੋਂ ਬਚਿਆ ਜਾ ਸਕੇ, ਅਤੇ ਗ੍ਰਾਫਿਕਸ ਕਾਰਡ ਬਹੁਤ ਜ਼ਿਆਦਾ ਤੇਜ਼ੀ ਨਾਲ ਸਿੱਖਣ ਲਈ.

cbcd9f32b526397f88d18163875d04255e72137f

14829636fee5a1cf8dee9737849a8e2bdaf9a91f

ਬਿਟਕੋਇਨ ਇੱਕ ਵੰਡਿਆ ਡਿਜੀਟਲ ਮੁਦਰਾ ਹੈ ਜਿਸ ਨੇ ਵੱਡੀ ਗਿਣਤੀ ਵਿੱਚ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਆਕਰਸ਼ਿਤ ਕੀਤਾ ਹੈ। ਅਸੀਂ ਇਹ ਸਮਝਣ ਲਈ ਇੱਕ ਡੂੰਘਾਈ ਨਾਲ ਜਾਂਚ ਕਰਦੇ ਹਾਂ ਕਿ ਬਿਟਕੋਿਨ ਨੂੰ ਇੰਨੀ ਸਫਲ ਕਿਉਂ ਬਣਾਇਆ ਗਿਆ, ਜਦੋਂ ਕਿ ਕ੍ਰਿਪਟੋਗ੍ਰਾਫਿਕ ਈ-ਨਕਦ ਤੇ ਦਹਾਕਿਆਂ ਦੀ ਖੋਜ ਨੇ ਵੱਡੇ ਪੱਧਰ ਤੇ ਤਾਇਨਾਤੀ ਨਹੀਂ ਕੀਤੀ ਹੈ। ਅਸੀਂ ਇਹ ਵੀ ਪੁੱਛਦੇ ਹਾਂ ਕਿ ਬਿਟਕੋਿਨ ਲੰਬੇ ਸਮੇਂ ਤੱਕ ਸਥਿਰ ਮੁਦਰਾ ਲਈ ਇੱਕ ਚੰਗਾ ਉਮੀਦਵਾਰ ਕਿਵੇਂ ਬਣ ਸਕਦਾ ਹੈ। ਅਜਿਹਾ ਕਰਨ ਵਿੱਚ, ਅਸੀਂ ਬਿਟਕੋਿਨ ਦੀਆਂ ਕਈ ਸਮੱਸਿਆਵਾਂ ਅਤੇ ਹਮਲਿਆਂ ਦੀ ਪਛਾਣ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਉਚਿਤ ਤਕਨੀਕਾਂ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦੇ ਹਾਂ।

3d16ed355757fc13b7c6d7d6d04e6e9c5c9c0b78

d19f938c790f0ffd8fa7fccc9fd7c40758a29f94

cd5b7d8fb4f8dc3872e773ec24460c9020da91ed

ਇਹ ਪੇਪਰ ਪੰਜਵੀਂ ਪੀੜ੍ਹੀ (5G) ਪੂਰੀ ਅਯਾਮੀ ਬਹੁ-ਇਨਪੁੱਟ ਬਹੁ-ਆਊਟਪੁੱਟ (ਐਫਡੀ-ਐਮਆਈਐਮਓ) ਪ੍ਰਣਾਲੀ ਲਈ 29 ਗੀਗਾਹਰਟਜ਼ ਦੀ ਬਾਰੰਬਾਰਤਾ ਤੇ ਡਬਲਯੂਆਰ28 ਵੇਵਗਾਈਡ ਦੇ ਅਧਾਰ ਤੇ ਇੱਕ ਬੀਮ ਸਟੀਰਿਏਬਲ ਹਾਈ-ਗੇਨ ਫੇਜ਼ਡ ਐਰੇ ਐਂਟੀਨਾ ਦੀ ਇੱਕ ਨਵੀਂ ਡਿਜ਼ਾਈਨ ਧਾਰਨਾ ਪੇਸ਼ ਕਰਦਾ ਹੈ। 8 × 8 ਪਲੈਨਰ ਪੜਾਅਵਾਰ ਐਰੇ ਨੂੰ ਤਿੰਨ-ਅਯਾਮੀ ਬੀਮਫਾਰਮਰ ਦੁਆਰਾ ਖੁਆਇਆ ਜਾਂਦਾ ਹੈ ਤਾਂ ਜੋ ਅਜ਼ੀਮਥ ਅਤੇ ਉਚਾਈ ਦਿਸ਼ਾ ਦੋਵਾਂ ਵਿੱਚ -60 ਤੋਂ +60 ਡਿਗਰੀ ਤੱਕ ਵਾਲੀਅਮ ਵਾਲੀ ਬੀਮ ਸਕੈਨਿੰਗ ਪ੍ਰਾਪਤ ਕੀਤੀ ਜਾ ਸਕੇ। ਬੀਮਫੋਰਮਿੰਗ ਨੈਟਵਰਕ (ਬੀ.ਐੱਫ.ਐੱਨ.) ਨੂੰ 64 ਬੀਮ ਸਟੇਟਸ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ 8x8 ਬਟਲਰ ਮੈਟ੍ਰਿਕਸ ਬੀਮਫੋਰਮਰ ਦੇ 16 ਸੈੱਟਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ, ਜੋ ਕਿ ਹਰੀਜ਼ਟਲ ਅਤੇ ਵਰਟੀਕਲ ਐਂਗਲ ਨੂੰ ਕੰਟਰੋਲ ਕਰਦੇ ਹਨ। ਇਹ 5ਜੀ ਐਪਲੀਕੇਸ਼ਨ ਲਈ ਕਾ ਬੈਂਡ ਵਿੱਚ ਵੋਲਯੂਮੈਟ੍ਰਿਕ ਮਲਟੀਬੀਮ ਲਈ ਵੇਵ ਗਾਈਡ ਅਧਾਰਿਤ ਉੱਚ ਸ਼ਕਤੀ ਵਾਲੇ ਤਿੰਨ-ਅਯਾਮੀ ਬੀਮ ਫਾਰਮਰ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨ ਲਈ ਇੱਕ ਨਵਾਂ ਸੰਕਲਪ ਹੈ। ਪੜਾਅਵਾਰ ਐਰੇ ਦਾ ਅਧਿਕਤਮ ਲਾਭ 28.5 dBi ਹੈ ਜੋ 28.9 GHz ਤੋਂ 29.4 GHz ਫ੍ਰੀਕੁਐਂਸੀ ਬੈਂਡ ਨੂੰ ਕਵਰ ਕਰਦਾ ਹੈ।

34feeafb5ff7757b67cf5c46da0869ffb9655310

ਵਾਤਾਵਰਣ ਊਰਜਾ ਘੱਟ ਬਿਜਲੀ ਵਾਲੇ ਵਾਇਰਲੈੱਸ ਸੈਂਸਰ ਨੈਟਵਰਕ ਲਈ ਇੱਕ ਆਕਰਸ਼ਕ ਊਰਜਾ ਸਰੋਤ ਹੈ। ਅਸੀਂ ਪ੍ਰਮੋਥੀਅਸ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ, ਇੱਕ ਪ੍ਰਣਾਲੀ ਜੋ ਮਨੁੱਖੀ ਦਖਲਅੰਦਾਜ਼ੀ ਜਾਂ ਸਰਵਿਸਿੰਗ ਤੋਂ ਬਿਨਾਂ ਨਿਰੰਤਰ ਕਾਰਜ ਲਈ ਊਰਜਾ ਦੇ ਤਬਾਦਲੇ ਦਾ ਬੁੱਧੀਮਾਨ ਪ੍ਰਬੰਧਨ ਕਰਦੀ ਹੈ। ਵੱਖ-ਵੱਖ ਊਰਜਾ ਭੰਡਾਰਨ ਤੱਤਾਂ ਦੇ ਸਕਾਰਾਤਮਕ ਗੁਣਾਂ ਨੂੰ ਜੋੜ ਕੇ ਅਤੇ ਮਾਈਕ੍ਰੋਪ੍ਰੋਸੈਸਰ ਦੀ ਸੂਝ ਦਾ ਲਾਭ ਉਠਾਉਂਦੇ ਹੋਏ, ਅਸੀਂ ਇੱਕ ਕੁਸ਼ਲ ਬਹੁ-ਪੜਾਅ ਊਰਜਾ ਟ੍ਰਾਂਸਫਰ ਪ੍ਰਣਾਲੀ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ ਜੋ ਸਿੰਗਲ ਊਰਜਾ ਭੰਡਾਰਨ ਪ੍ਰਣਾਲੀਆਂ ਦੀਆਂ ਆਮ ਸੀਮਾਵਾਂ ਨੂੰ ਘਟਾਉਂਦੀ ਹੈ ਤਾਂ ਜੋ ਲਗਭਗ ਸਦੀਵੀ ਕਾਰਵਾਈ ਪ੍ਰਾਪਤ ਕੀਤੀ ਜਾ ਸਕੇ। ਅਸੀਂ ਆਪਣੇ ਡਿਜ਼ਾਇਨ ਵਿਕਲਪਾਂ, ਟ੍ਰੇਡਆਫਸ, ਸਰਕਟ ਮੁਲਾਂਕਣਾਂ, ਕਾਰਗੁਜ਼ਾਰੀ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਮਾਡਲਾਂ ਨੂੰ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ। ਅਸੀਂ ਸਿਸਟਮ ਦੇ ਭਾਗਾਂ ਦੇ ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਬਾਰੇ ਚਰਚਾ ਕਰਦੇ ਹਾਂ ਅਤੇ ਕਿਸੇ ਐਪਲੀਕੇਸ਼ਨ ਦੀਆਂ ਜ਼ਰੂਰਤਾਂ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਅਨੁਕੂਲ ਹਾਰਡਵੇਅਰ ਚੋਣਾਂ ਦੀ ਪਛਾਣ ਕਰਦੇ ਹਾਂ। ਅੰਤ ਵਿੱਚ ਅਸੀਂ ਇੱਕ ਅਸਲ ਪ੍ਰਣਾਲੀ ਦੀ ਸਾਡੀ ਸਥਾਪਨਾ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ ਜੋ ਬਰਕਲੇ ਦੇ ਟੇਲੋਸ ਮੋਟੇ ਨੂੰ ਸ਼ਕਤੀ ਦੇਣ ਲਈ ਸੂਰਜੀ ਊਰਜਾ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ। ਸਾਡੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਭਵਿੱਖਬਾਣੀ ਹੈ ਕਿ ਸਿਸਟਮ 1% ਲੋਡ ਦੇ ਅਧੀਨ 43 ਸਾਲਾਂ ਲਈ ਕੰਮ ਕਰੇਗਾ, 10% ਲੋਡ ਦੇ ਅਧੀਨ 4 ਸਾਲ, ਅਤੇ 100% ਲੋਡ ਦੇ ਅਧੀਨ 1 ਸਾਲ. ਸਾਡੀ ਸਥਾਪਨਾ ਵਿੱਚ ਸੁਪਰਕੈਪਸੀਟਰਾਂ (ਪ੍ਰਾਇਮਰੀ ਬਫਰ) ਅਤੇ ਇੱਕ ਲਿਥੀਅਮ ਰੀਚਾਰਜਯੋਗ ਬੈਟਰੀ (ਸੈਕੰਡਰੀ ਬਫਰ) ਤੋਂ ਬਣਿਆ ਦੋ ਪੜਾਅ ਦਾ ਸਟੋਰੇਜ ਸਿਸਟਮ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਮੋਟ ਨੂੰ ਬਿਜਲੀ ਦੇ ਪੱਧਰ ਦਾ ਪੂਰਾ ਗਿਆਨ ਹੈ ਅਤੇ ਜੀਵਨ ਕਾਲ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਕਰਨ ਲਈ ਊਰਜਾ ਦੇ ਤਬਾਦਲੇ ਦਾ ਬੁੱਧੀਮਾਨ ਢੰਗ ਨਾਲ ਪ੍ਰਬੰਧਨ ਕਰਦਾ ਹੈ।

3689220c58f89e9e19cc0df51c0a573884486708

ਐਂਬੀਮੈਕਸ ਇੱਕ ਊਰਜਾ ਕਟਾਈ ਸਰਕਟ ਹੈ ਅਤੇ ਵਾਇਰਲੈੱਸ ਸੈਂਸਰ ਨੋਡਾਂ (ਡਬਲਿਊ.ਐਸ.ਐਨ.) ਲਈ ਇੱਕ ਸੁਪਰਕੈਪਸੀਟਰ ਅਧਾਰਿਤ ਊਰਜਾ ਭੰਡਾਰਨ ਪ੍ਰਣਾਲੀ ਹੈ। ਪਿਛਲੇ ਡਬਲਯੂਐਸਐਨਜ਼ ਵੱਖ-ਵੱਖ ਸਰੋਤਾਂ ਤੋਂ energyਰਜਾ ਦੀ ਕਟਾਈ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਨ, ਅਤੇ ਕੁਝ ਬੈਟਰੀਆਂ ਦੀ ਬਜਾਏ ਸੁਪਰਕੈਪਸੀਟਰਾਂ ਦੀ ਵਰਤੋਂ ਬੈਟਰੀ ਦੀ ਉਮਰ ਦੀ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਕਰਦੇ ਹਨ। ਹਾਲਾਂਕਿ, ਉਹ ਜਾਂ ਤਾਂ ਇੰਪੇਡੈਂਸ ਅਸੰਗਤਤਾ ਦੇ ਕਾਰਨ ਬਹੁਤ ਸਾਰੀ ਉਪਲਬਧ ਊਰਜਾ ਬਰਬਾਦ ਕਰਦੇ ਹਨ, ਜਾਂ ਉਹਨਾਂ ਨੂੰ ਸਰਗਰਮ ਡਿਜੀਟਲ ਕੰਟਰੋਲ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜੋ ਓਵਰਹੈੱਡ ਵਿੱਚ ਹੁੰਦੀ ਹੈ, ਜਾਂ ਉਹ ਸਿਰਫ ਇੱਕ ਖਾਸ ਕਿਸਮ ਦੇ ਸਰੋਤ ਨਾਲ ਕੰਮ ਕਰਦੇ ਹਨ। ਐਂਬੀਮੈਕਸ ਇਹਨਾਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਪਹਿਲਾਂ ਆਟੋਮੈਟਿਕਲੀ ਮੈਕਸਿਕਮ ਪਾਵਰ ਪੁਆਇੰਟ ਟਰੈਕਿੰਗ (ਐਮਪੀਪੀਟੀ) ਕਰਕੇ ਹੱਲ ਕਰਦਾ ਹੈ, ਅਤੇ ਫਿਰ ਸੁਪਰਕੈਪਸੀਟਰਾਂ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਕੁਸ਼ਲਤਾ ਨਾਲ ਚਾਰਜ ਕਰਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਐਂਬੀਮੈਕਸ ਮਾਡਯੂਲਰ ਹੈ ਅਤੇ ਸੂਰਜੀ, ਹਵਾ, ਥਰਮਲ ਅਤੇ ਕੰਬਣੀ ਸਮੇਤ ਕਈ energyਰਜਾ ਕਟਾਈ ਸਰੋਤਾਂ ਦੀ ਰਚਨਾ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਂਦਾ ਹੈ, ਹਰ ਇੱਕ ਵੱਖਰੇ ਅਨੁਕੂਲ ਆਕਾਰ ਦੇ ਨਾਲ. ਇੱਕ ਅਸਲ ਡਬਲਯੂਐਸਐਨ ਪਲੇਟਫਾਰਮ, ਈਕੋ ਤੇ ਪ੍ਰਯੋਗਾਤਮਕ ਨਤੀਜੇ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਐਂਬੀਮੈਕਸ ਸਫਲਤਾਪੂਰਵਕ ਡਬਲਯੂਐਸਐਨਜ਼ ਲਈ ਮੌਜੂਦਾ ਅਤਿ ਆਧੁਨਿਕ ਦੀ ਕੁਸ਼ਲਤਾ ਨਾਲੋਂ ਕਈ ਗੁਣਾ ਤੇ ਇਕੋ ਸਮੇਂ ਅਤੇ ਖੁਦਮੁਖਤਿਆਰੀ ਨਾਲ ਕਈ ਸ਼ਕਤੀ ਸਰੋਤਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਦਾ ਹੈ

4833d690f7e0a4020ef48c1a537dbb5b8b9b04c6

ਇੱਕ ਘੱਟ-ਪਾਵਰ ਘੱਟ-ਖਰਚੇ ਵਾਲਾ ਉੱਚ-ਕੁਸ਼ਲ ਅਧਿਕਤਮ ਪਾਵਰ ਪੁਆਇੰਟ ਟਰੈਕਰ (ਐਮਪੀਪੀਟੀ) ਇੱਕ ਫੋਟੋਵੋਲਟੈਕ (ਪੀਵੀ) ਪੈਨਲ ਵਿੱਚ ਏਕੀਕ੍ਰਿਤ ਕਰਨ ਲਈ ਪ੍ਰਸਤਾਵਿਤ ਹੈ। ਇਸ ਨਾਲ ਸਟੈਂਡਰਡ ਫੋਟੋਵੋਲਟੇਇਕ ਪੈਨਲ ਦੀ ਤੁਲਨਾ ਵਿੱਚ 25% ਊਰਜਾ ਵਿੱਚ ਵਾਧਾ ਹੋ ਸਕਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਬੈਟਰੀ ਵੋਲਟੇਜ ਨਿਯੰਤ੍ਰਣ ਅਤੇ ਲੋਡ ਦੇ ਨਾਲ ਪੀਵੀ ਐਰੇ ਦੇ ਮੇਲ ਖਾਂਦੇ ਫੰਕਸ਼ਨ ਕਰਦੇ ਹਨ। ਬਾਹਰੀ ਤੌਰ ਤੇ ਜੁੜੇ ਐਮਪੀਪੀਟੀ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਬਜਾਏ, ਪੀਵੀ ਪੈਨਲ ਦੇ ਹਿੱਸੇ ਵਜੋਂ ਏਕੀਕ੍ਰਿਤ ਐਮਪੀਪੀਟੀ ਕਨਵਰਟਰ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦਾ ਪ੍ਰਸਤਾਵ ਹੈ। ਇਹ ਪ੍ਰਸਤਾਵਿਤ ਹੈ ਕਿ ਇਸ ਏਕੀਕ੍ਰਿਤ ਐਮਪੀਪੀਟੀ ਲਾਗਤ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੋਣ ਲਈ ਇੱਕ ਸਧਾਰਨ ਕੰਟਰੋਲਰ ਦੀ ਵਰਤੋਂ ਕਰੇ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਕੰਵਰਟਰ ਨੂੰ ਬਹੁਤ ਕੁਸ਼ਲ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਤਾਂ ਜੋ ਸਿੱਧੇ ਤੌਰ ਤੇ ਕਪਲ ਕੀਤੇ ਸਿਸਟਮ ਨਾਲੋਂ ਵਧੇਰੇ energyਰਜਾ ਨੂੰ ਲੋਡ ਵਿੱਚ ਤਬਦੀਲ ਕੀਤਾ ਜਾ ਸਕੇ. ਇਹ ਇੱਕ ਸਧਾਰਨ ਸਾਫਟ-ਸਵਿਚ ਟੌਪੋਲੋਜੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇਸ ਨਾਲ ਘੱਟ ਲਾਗਤ ਤੇ ਪਰਿਵਰਤਨ ਦੀ ਬਹੁਤ ਜ਼ਿਆਦਾ ਕੁਸ਼ਲਤਾ ਹੋਵੇਗੀ, ਜਿਸ ਨਾਲ ਐਮਪੀਪੀਟੀ ਛੋਟੇ ਪੀਵੀ ਊਰਜਾ ਪ੍ਰਣਾਲੀਆਂ ਲਈ ਇੱਕ ਕਿਫਾਇਤੀ ਹੱਲ ਬਣ ਜਾਵੇਗਾ।

61c1d66defb225eda47462d1bc393906772c9196

ਸਾਡੇ ਸਮਾਜ ਉੱਤੇ ਸਕਾਰਾਤਮਕ ਪ੍ਰਭਾਵ ਪਾਉਣ ਲਈ ਵਾਇਰਲੈੱਸ ਸੈਂਸਰ ਨੈਟਵਰਕ ਦੀ ਵਿਸ਼ਾਲ ਸੰਭਾਵਨਾ ਨੇ ਇਸ ਵਿਸ਼ੇ ਤੇ ਬਹੁਤ ਸਾਰੇ ਖੋਜਾਂ ਨੂੰ ਜਨਮ ਦਿੱਤਾ ਹੈ, ਅਤੇ ਇਹ ਖੋਜ ਹੁਣ ਵਾਤਾਵਰਣ ਲਈ ਤਿਆਰ ਪ੍ਰਣਾਲੀਆਂ ਦਾ ਉਤਪਾਦਨ ਕਰ ਰਹੀ ਹੈ। ਮੌਜੂਦਾ ਤਕਨਾਲੋਜੀ ਦੀਆਂ ਸੀਮਾਵਾਂ ਨਾਲ ਜੁੜੀਆਂ ਵਿਆਪਕ ਤੌਰ ਤੇ ਵੱਖ ਵੱਖ ਐਪਲੀਕੇਸ਼ਨ ਜ਼ਰੂਰਤਾਂ ਡਿਜ਼ਾਇਨ ਸਪੇਸ ਦੇ ਵੱਖ ਵੱਖ ਹਿੱਸਿਆਂ ਲਈ ਹਾਰਡਵੇਅਰ ਪਲੇਟਫਾਰਮਾਂ ਦੀ ਵਿਭਿੰਨਤਾ ਦਾ ਕਾਰਨ ਬਣਦੀਆਂ ਹਨ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇੱਕ ਅਜਿਹੀ ਪ੍ਰਣਾਲੀ ਦੀ ਵਿਲੱਖਣ energyਰਜਾ ਅਤੇ ਭਰੋਸੇਯੋਗਤਾ ਦੀਆਂ ਰੁਕਾਵਟਾਂ ਜੋ ਮਨੁੱਖੀ ਦਖਲਅੰਦਾਜ਼ੀ ਤੋਂ ਬਿਨਾਂ ਇੱਕ ਸਮੇਂ ਵਿੱਚ ਮਹੀਨਿਆਂ ਲਈ ਕੰਮ ਕਰਨਾ ਲਾਜ਼ਮੀ ਹੈ, ਦਾ ਅਰਥ ਹੈ ਕਿ ਸੈਂਸਰ ਨੈਟਵਰਕ ਹਾਰਡਵੇਅਰ ਦੀਆਂ ਮੰਗਾਂ ਸਟੈਂਡਰਡ ਏਕੀਕ੍ਰਿਤ ਸਰਕਟਾਂ ਦੀਆਂ ਮੰਗਾਂ ਤੋਂ ਵੱਖਰੀਆਂ ਹਨ। ਇਹ ਪੇਪਰ ਸੈਂਸਰ ਨੋਡਾਂ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਕੰਟਰੋਲ ਕਰਨ ਲਈ ਘੱਟ ਪੱਧਰ ਦੇ ਸਾਫਟਵੇਅਰ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨ ਦੇ ਸਾਡੇ ਅਨੁਭਵਾਂ ਦਾ ਵਰਣਨ ਕਰਦਾ ਹੈ। ਜ਼ੈਬਰਾ ਨੈੱਟ ਪ੍ਰਣਾਲੀ ਵਿੱਚ ਅਸੀਂ ਜੀਪੀਐਸ ਤਕਨਾਲੋਜੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ ਤਾਂ ਜੋ ਲੰਬੇ ਸਮੇਂ ਲਈ ਜਾਨਵਰਾਂ ਦੀ ਪ੍ਰਵਾਸ ਨੂੰ ਟਰੈਕ ਕਰਨ ਲਈ ਵਧੀਆ-ਅੰਕੜੇ ਵਾਲੀ ਸਥਿਤੀ ਦੇ ਡੇਟਾ ਨੂੰ ਰਿਕਾਰਡ ਕੀਤਾ ਜਾ ਸਕੇ [14]. ਜ਼ੈਬਰਾਨੇਟ ਹਾਰਡਵੇਅਰ ਵਿੱਚ ਇੱਕ 16-ਬਿੱਟ ਟੀਆਈ ਮਾਈਕਰੋ ਕੰਟਰੋਲਰ, 4 ਐਮਬੀਟ ਆਫ-ਚਿੱਪ ਫਲੈਸ਼ ਮੈਮੋਰੀ, ਇੱਕ 900 ਮੈਗਾਹਰਟਜ਼ ਰੇਡੀਓ ਅਤੇ ਇੱਕ ਘੱਟ-ਪਾਵਰ ਜੀਪੀਐਸ ਚਿੱਪ ਸ਼ਾਮਲ ਹੈ। ਇਸ ਪੇਪਰ ਵਿੱਚ, ਅਸੀਂ ਸੈਂਸਰ ਨੈਟਵਰਕ ਲਈ ਕੁਸ਼ਲ ਪਾਵਰ ਸਪਲਾਈਜ਼ ਤਿਆਰ ਕਰਨ ਲਈ ਆਪਣੀਆਂ ਤਕਨੀਕਾਂ, ਨੋਡਾਂ ਦੀ ਊਰਜਾ ਖਪਤ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨ ਦੇ ਢੰਗਾਂ ਅਤੇ ਰੇਡੀਓ, ਫਲੈਸ਼ ਅਤੇ ਸੈਂਸਰ ਸਮੇਤ ਪੈਰੀਫਿਰਲ ਉਪਕਰਣਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨ ਦੇ ਢੰਗਾਂ ਬਾਰੇ ਚਰਚਾ ਕਰਦੇ ਹਾਂ। ਅਸੀਂ ਜ਼ੈਬਰਾ ਨੈੱਟ ਨੋਡਾਂ ਦੇ ਡਿਜ਼ਾਇਨ ਦਾ ਮੁਲਾਂਕਣ ਕਰਕੇ ਅਤੇ ਇਸ ਬਾਰੇ ਵਿਚਾਰ ਵਟਾਂਦਰੇ ਕਰਕੇ ਸਮਾਪਤ ਕਰਦੇ ਹਾਂ ਕਿ ਇਸ ਵਿੱਚ ਸੁਧਾਰ ਕਿਵੇਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਸ ਹਾਰਡਵੇਅਰ ਨੂੰ ਵਿਕਸਿਤ ਕਰਨ ਵਿੱਚ ਸਾਡੇ ਦੁਆਰਾ ਲਏ ਗਏ ਸਬਕ ਭਵਿੱਖ ਦੇ ਸੈਂਸਰ ਨੋਡਾਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨ ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਅਸਲ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਵਰਤਣ ਵਿੱਚ ਲਾਭਦਾਇਕ ਹੋ ਸਕਦੇ ਹਨ।

146da74cd886acbd4a593a55f0caacefa99714a6

ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੇ ਵਿਕਾਸ ਨੇ ਟੈਕਨੋਲੋਜੀ ਦੇ ਖੇਤਰ ਵਿੱਚ ਉਤਪ੍ਰੇਰਕ ਵਜੋਂ ਕੰਮ ਕੀਤਾ ਹੈ। ਅਸੀਂ ਹੁਣ ਉਨ੍ਹਾਂ ਚੀਜ਼ਾਂ ਨੂੰ ਵਿਕਸਿਤ ਕਰ ਸਕਦੇ ਹਾਂ ਜੋ ਪਹਿਲਾਂ ਸਿਰਫ ਇੱਕ ਕਲਪਨਾ ਸਨ। ਅਜਿਹੀ ਹੀ ਇੱਕ ਰਚਨਾ ਹੈ ਸਵੈ-ਡ੍ਰਾਈਵਿੰਗ ਕਾਰ ਦਾ ਜਨਮ। ਉਹ ਦਿਨ ਆ ਗਏ ਹਨ ਜਦੋਂ ਕੋਈ ਆਪਣਾ ਕੰਮ ਕਰ ਸਕਦਾ ਹੈ ਜਾਂ ਕਾਰ ਵਿੱਚ ਸੌਂ ਸਕਦਾ ਹੈ ਅਤੇ ਸਟੀਅਰਿੰਗ ਵ੍ਹੀਲ, ਐਕਸਲੇਟਰ ਨੂੰ ਛੂਹਣ ਤੋਂ ਬਿਨਾਂ ਵੀ ਤੁਸੀਂ ਸੁਰੱਖਿਅਤ ਢੰਗ ਨਾਲ ਆਪਣੀ ਮੰਜ਼ਿਲ ਤੇ ਪਹੁੰਚ ਸਕੋਗੇ। ਇਸ ਪੇਪਰ ਵਿੱਚ ਸਵੈ-ਚਾਲਿਤ ਕਾਰ ਦਾ ਇੱਕ ਕਾਰਜਸ਼ੀਲ ਮਾਡਲ ਪ੍ਰਸਤਾਵਿਤ ਕੀਤਾ ਗਿਆ ਹੈ ਜੋ ਇੱਕ ਸਥਾਨ ਤੋਂ ਦੂਜੇ ਸਥਾਨ ਤੇ ਜਾਂ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਟਰੈਕਾਂ ਜਿਵੇਂ ਕਿ ਕਰਵਡ ਟਰੈਕਾਂ, ਸਿੱਧੇ ਟਰੈਕਾਂ ਅਤੇ ਸਿੱਧੇ ਟਰੈਕਾਂ ਦੇ ਬਾਅਦ ਕਰਵਡ ਟਰੈਕਾਂ ਤੇ ਚਲਾਉਣ ਦੇ ਸਮਰੱਥ ਹੈ। ਕਾਰ ਦੇ ਸਿਖਰ ਤੇ ਇੱਕ ਕੈਮਰਾ ਮੋਡੀਊਲ ਮਾਊਂਟ ਕੀਤਾ ਗਿਆ ਹੈ ਅਤੇ ਰਸਬੇਰੀ ਪਾਈ ਨਾਲ ਤਸਵੀਰਾਂ ਨੂੰ ਅਸਲ ਸੰਸਾਰ ਤੋਂ ਕੰਵੋਲਿਊਸ਼ਨਲ ਨਿਊਰਲ ਨੈਟਵਰਕ ਨੂੰ ਭੇਜਦਾ ਹੈ ਜੋ ਫਿਰ ਹੇਠ ਲਿਖੀਆਂ ਦਿਸ਼ਾਵਾਂ ਵਿੱਚੋਂ ਇੱਕ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ। ਭਾਵ ਸੱਜੇ, ਖੱਬੇ, ਅੱਗੇ ਜਾਂ ਰੁਕਣਾ ਜਿਸ ਦੇ ਬਾਅਦ ਅਰਡੁਇਨੋ ਤੋਂ ਰਿਮੋਟ ਕੰਟਰੋਲ ਕਾਰ ਦੇ ਕੰਟਰੋਲਰ ਨੂੰ ਸੰਕੇਤ ਭੇਜਿਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਨਤੀਜੇ ਵਜੋਂ ਕਾਰ ਬਿਨਾਂ ਕਿਸੇ ਮਨੁੱਖੀ ਦਖਲ ਦੇ ਲੋੜੀਂਦੀ ਦਿਸ਼ਾ ਵਿੱਚ ਚਲਦੀ ਹੈ।

bb17e8858b0d3a5eba2bb91f45f4443d3e10b7cd

090a6772a1d69f07bfe7e89f99934294a0dac1b9

f07fd927971c40261dd7cef1ad6d2360b23fe294

ਅਸੀਂ ਖਰਾਬ ਕੈਨੋਨੀਕਲ ਸੰਬੰਧ ਵਿਸ਼ਲੇਸ਼ਣ (ਸੀਸੀਏ) ਦੀ ਸਮੱਸਿਆ ਤੇ ਵਿਚਾਰ ਕਰਦੇ ਹਾਂ, ਭਾਵ, ਦੋ ਲੀਨੀਅਰ ਕੰਬੀਨ ਕੌਮਾਂ ਦੀ ਖੋਜ, ਹਰੇਕ ਮਲਟੀਵਰਆਇਟ ਲਈ ਇਕ, ਜੋ ਕਿ ਪਰਿਭਾਸ਼ਿਤ ਗਿਣਤੀ ਦੇ ਵੇਰੀਏਬਲ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵੱਧ ਤੋਂ ਵੱਧ ਸੰਬੰਧ ਪੈਦਾ ਕਰਦੇ ਹਨ. ਅਸੀਂ ਇੱਕ ਸਿੱਧੇ ਲਾਲਚੀ ਪਹੁੰਚ ਦੇ ਅਧਾਰ ਤੇ ਇੱਕ ਕੁਸ਼ਲ ਸੰਖਿਆਤਮਕ ਅਨੁਪਾਤ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦੇ ਹਾਂ ਜੋ ਹਰੇਕ ਪੜਾਅ ਤੇ ਸਬੰਧ ਨੂੰ ਸੀਮਤ ਕਰਦਾ ਹੈ. ਇਹ ਵਿਧੀ ਵਿਸ਼ੇਸ਼ ਤੌਰ ਤੇ ਵੱਡੇ ਡੇਟਾ ਸੈਟਾਂ ਨਾਲ ਨਜਿੱਠਣ ਲਈ ਤਿਆਰ ਕੀਤੀ ਗਈ ਹੈ ਅਤੇ ਇਸਦੀ ਗਣਨਾਤਮਕ ਗੁੰਝਲਤਾ ਸਿਰਫ ਘੱਟਤਾ ਦੇ ਪੱਧਰਾਂ ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। ਅਸੀਂ ਐਲਗੋਰਿਥਮ ਐਮ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦੇ ਹਾਂ, ਜੋ ਕਿ ਸੰਬੰਧ ਅਤੇ ਪਾਰਸਮੀਨੀ ਦੇ ਵਿਚਕਾਰ ਵਪਾਰ ਦੁਆਰਾ ਹੈ. ਸੰਖਿਆਤਮਕ ਸਿਮੂਲੇਸ਼ਨ ਦੇ ਨਤੀਜੇ ਸੁਝਾਅ ਦਿੰਦੇ ਹਨ ਕਿ ਸੰਬੰਧ ਦਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਹਿੱਸਾ ਮੁਕਾਬਲਤਨ ਥੋੜ੍ਹੇ ਜਿਹੇ ਵੇਰੀਏਬਲ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਹਾਸਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਅਸੀਂ ਨਿਯਮਿਤ ਕਰਨ ਦੀ ਵਿਧੀ ਦੇ ਤੌਰ ਤੇ ਖਰਾਬ ਸੀਸੀਏ ਦੀ ਵਰਤੋਂ ਦੀ ਜਾਂਚ ਕਰਦੇ ਹਾਂ ਜਦੋਂ ਉਪਲਬਧ ਨਮੂਨਿਆਂ ਦੀ ਗਿਣਤੀ ਮਲਟੀਵਰਆਇਟ ਦੇ ਮਾਪਾਂ ਦੇ ਮੁਕਾਬਲੇ ਘੱਟ ਹੁੰਦੀ ਹੈ. I. I NTRODUCTION ਕੈਨੋਨੀਕਲ ਸੰਬੰਧ ਵਿਸ਼ਲੇਸ਼ਣ (ਸੀਸੀਏ), ਜੋ ਕਿ ਹਾਰੋਲ ਡੀ ਹੋਟਲਿੰਗ [1] ਦੁਆਰਾ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਹੈ, ਡੇਟਾ ਸੋਰਸਜ਼ ਦੇ ਇੱਕ ਜੋੜੇ ਤੋਂ ਸਾਂਝੇ ਗੁਣਾਂ ਨੂੰ ਕੱractਣ ਲਈ ਮਲਟੀਵਰਆਇਟ ਡੇਟਾ ਐਨ ਲਾਈਸਿਸ ਵਿੱਚ ਇੱਕ ਮਿਆਰੀ ਤਕਨੀਕ ਹੈ, [2] [3] ਇਹਨਾਂ ਵਿੱਚੋਂ ਹਰੇਕ ਡਾਟਾ ਸਰੋਤ ਇੱਕ ਬੇਤਰਤੀਬ ਵੈਕਟਰ r ਤਿਆਰ ਕਰਦਾ ਹੈ ਜਿਸਨੂੰ ਅਸੀਂ ਮਲਟੀਵਰਆਇਟ ਕਹਿੰਦੇ ਹਾਂ। ਕਲਾਸੀਕਲ ਅਯਾਮੀਤਾ ਘਟਾਉਣ ਦੇ ਤਰੀਕਿਆਂ ਦੇ ਉਲਟ ਜੋ ਇੱਕ ਬਹੁ-ਵਿਰਤ ਨੂੰ ਸੰਬੋਧਿਤ ਕਰਦੇ ਹਨ, ਸੀਸੀਏ ਸੰਭਵ ਤੌਰ ਤੇ ਵੱਖ-ਵੱਖ ਅਯਾਮੀ ਅਤੇ ਢਾਂਚੇ ਦੇ ਦੋ ਸਥਾਨਾਂ ਦੇ ਨਮੂਨਿਆਂ ਵਿਚਕਾਰ ਅੰਕੜਾ ਸੰਬੰਧਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹਨ. ਵਿਸ਼ੇਸ਼ ਤੌਰ ਤੇ, ਇਹ ਦੋ ਲੀਨੀਅਰ ਸੰਜੋਗਾਂ ਦੀ ਭਾਲ ਕਰਦਾ ਹੈ, ਹਰੇਕ ਮਲਟੀਵਰਆਇਟ ਲਈ ਇੱਕ, ਤਾਂ ਜੋ ਉਹਨਾਂ ਦੀ ਮੇਲ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਕੀਤਾ ਜਾ ਸਕੇ. ਇਸ ਨੂੰ ਵੱਖ-ਵੱਖ ਅਨੁਸ਼ਾਸਨਾਂ ਵਿੱਚ ਇੱਕ ਆਜ਼ਾਦ ਸਾਧਨ ਦੇ ਰੂਪ ਵਿੱਚ ਜਾਂ ਹੋਰ ਅੰਕੜਾ ਵਿਧੀਆਂ ਲਈ ਇੱਕ ਪੂਰਵ-ਪ੍ਰੋਸੈਸਿੰਗ ਕਦਮ ਦੇ ਰੂਪ ਵਿੱਚ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਸੀਸੀਏ ਇੱਕ ਆਮ ਢਾਂਚਾ ਹੈ ਜਿਸ ਵਿੱਚ ਅੰਕੜਿਆਂ ਵਿੱਚ ਕਈ ਕਲਾਸੀਕਲ ਢੰਗ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ, ਉਦਾਹਰਣ ਵਜੋਂ, ਪ੍ਰਿੰਸੀਪਲ ਕੰਪੋਨੈਂਟ ਵਿਸ਼ਲੇਸ਼ਣ (ਪੀਸੀਏ), ਪਾਰਟਿਅਲ ਲਿਮਟ ਸਕੁਏਅਰਜ਼ (ਪੀਐਲਐਸ) ਅਤੇ ਮਲਟੀਪਲ ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ (ਐਮਐਲਆਰ) [4]. ਸੀਸੀਏ ਨੇ ਹਾਲ ਹੀ ਵਿੱਚ ਕੋਰਲ ਸੀਸੀਏ ਦੇ ਆਗਮਨ ਅਤੇ ਸੁਤੰਤਰ ਕੰਪੋਨੈਂਟ ਵਿਸ਼ਲੇਸ਼ਣ [5] [6] ਲਈ ਇਸਦੀ ਵਰਤੋਂ ਨਾਲ ਧਿਆਨ ਖਿੱਚਿਆ ਹੈ। ਪਿਛਲੇ ਦਹਾਕੇ ਵਿੱਚ ਸੰਕੇਤਾਂ ਦੀ ਘੱਟ ਪ੍ਰਤੀਨਿਧਤਾ ਅਤੇ ਘੱਟ ਸੰਖਿਆਤਮਕ ਵਿਧੀਆਂ ਦੀ ਭਾਲ ਵਿੱਚ ਇੱਕ ਵਧ ਰਹੀ ਦਿਲਚਸਪੀ ਵੇਖੀ ਗਈ ਹੈ। ਇਸ ਲਈ, ਅਸੀਂ ਘੱਟ ਗਿਣਤੀ ਸੀਸੀਏ ਦੀ ਸਮੱਸਿਆ ਤੇ ਵਿਚਾਰ ਕਰਦੇ ਹਾਂ, ਭਾਵ, ਥੋੜ੍ਹੀ ਗਿਣਤੀ ਵਿੱਚ ਵੇਰੀਏਬਲ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਵੱਧ ਤੋਂ ਵੱਧ ਸੰਬੰਧਾਂ ਵਾਲੇ ਰੇਖਿਕ ਸੰਜੋਗਾਂ ਦੀ ਖੋਜ. ਵਿਅਰਥਤਾ ਦੀ ਭਾਲ ਨੂੰ ਵੱਖ-ਵੱਖ ਤਰਕ ਰਾਹੀਂ ਪ੍ਰੇਰਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਪਹਿਲਾ ਹੈ ਨਤੀਜਿਆਂ ਦੀ ਵਿਆਖਿਆ ਅਤੇ ਕਲਪਨਾ ਕਰਨ ਦੀ ਯੋਗਤਾ। ਬਹੁਤ ਘੱਟ ਗਿਣਤੀ ਵਿੱਚ ਪਰਿਵਰਤਨ ਸਾਨੂੰ "ਵੱਡੀ ਤਸਵੀਰ" ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਨ, ਜਦਕਿ ਕੁਝ ਛੋਟੇ ਵੇਰਵਿਆਂ ਦੀ ਕੁਰਬਾਨੀ ਦਿੰਦੇ ਹਨ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਸਪਾਰਸ ਈ ਪ੍ਰਤੀਨਿਧਤਾ ਕੰਪਿਊਟੇਸ਼ਨਲ ਤੌਰ ਤੇ ਕੁਸ਼ਲ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ ਪਹਿਲੇ ਦੋ ਲੇਖਕਾਂ ਨੇ ਇਸ ਖਰੜੇ ਵਿੱਚ ਬਰਾਬਰ ਯੋਗਦਾਨ ਪਾਇਆ . ਇਸ ਕੰਮ ਨੂੰ ਅੰਸ਼ਕ ਤੌਰ ਤੇ ਗ੍ਰਾਂਟ FA9550-06-1-0 324 ਦੇ ਤਹਿਤ ਇੱਕ AFOSR MURI ਦੁਆਰਾ ਸਮਰਥਤ ਕੀਤਾ ਗਿਆ ਸੀ। ਘੱਟ ਵਿਕਰੀ ਲਈ ਦੂਜਾ ਪ੍ਰੇਰਣਾ ਨਿਯਮਿਤਤਾ ਅਤੇ ਸਥਿਰਤਾ ਹੈ। ਸੀਸੀਏ ਦੀ ਇੱਕ ਮੁੱਖ ਕਮਜ਼ੋਰੀ ਥੋੜ੍ਹੀ ਗਿਣਤੀ ਵਿੱਚ ਨਿਰੀਖਣਾਂ ਪ੍ਰਤੀ ਇਸਦੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਹੈ। ਇਸ ਲਈ, ਨਿਯਮਤ ਢੰਗਾਂ ਜਿਵੇਂ ਕਿ ਰਿੱਜ ਸੀਸੀਏ [7] ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ। ਇਸ ਸੰਦਰਭ ਵਿੱਚ, ਖਰਾਬ ਸੀਸੀਏ ਇੱਕ ਉਪ-ਸਮੂਹ ਚੋਣ ਸਕੀਮ ਹੈ ਜੋ ਸਾਨੂੰ ਵੈਕਟਰਾਂ ਦੇ ਮਾਪ ਨੂੰ ਘਟਾਉਣ ਅਤੇ ਇੱਕ ਸਥਿਰ ਹੱਲ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ। ਸਾਡੇ ਗਿਆਨ ਦੇ ਸਭ ਤੋਂ ਵਧੀਆ ਲਈ, ਸੀਸੀਏ ਦੇ ਘੱਟ ਹੋਣ ਦਾ ਪਹਿਲਾ ਹਵਾਲਾ [2] ਵਿਚ ਪ੍ਰਗਟ ਹੋਇਆ ਜਿੱਥੇ ਪਿਛੋਕੜ ਅਤੇ ਪੜਾਅਵਾਰ ਉਪ-ਸਮੂਹ ਦੀ ਚੋਣ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੱਤਾ ਗਿਆ ਸੀ। ਇਹ ਚਰਚਾ ਗੁਣਵੱਤਾ ਦੇ ਪ੍ਰਕਿਰਤੀ ਦੀ ਸੀ ਅਤੇ ਕੋਈ ਵਿਸ਼ੇਸ਼ ਅੰਕੀ ਐਲਗੋਰਿਥਮ ਪ੍ਰਸਤਾਵਿਤ ਨਹੀਂ ਸੀ। ਹਾਲ ਹੀ ਵਿੱਚ, ਬਹੁ-ਅਯਾਮੀ ਡਾਟਾ ਪ੍ਰੈਸਿੰਗ ਅਤੇ ਕੰਪਿਊਟੇਸ਼ਨਲ ਲਾਗਤ ਨੂੰ ਘਟਾਉਣ ਦੀ ਵਧਦੀ ਮੰਗ ਨੇ ਇਸ ਵਿਸ਼ੇ ਨੂੰ ਇਕ ਵਾਰ ਫਿਰ ਪ੍ਰਮੁੱਖਤਾ ਵੱਲ ਉਭਾਰਿਆ ਹੈ [1] - [13]. ਇਹਨਾਂ ਮੌਜੂਦਾ ਹੱਲਾਂ ਦੇ ਮੁੱਖ ਨੁਕਸਾਨ ਇਹ ਹਨ ਕਿ ਸਪਾਰਸਟੀ ਉੱਤੇ ਕੋਈ ਸਿੱਧਾ ਨਿਯੰਤਰਣ ਨਹੀਂ ਹੈ ਅਤੇ ਉਹਨਾਂ ਦੇ ਅਨੁਕੂਲ ਹਾਈਪਰਪੈਰਾਮੀਟਰਾਂ ਦੀ ਚੋਣ ਕਰਨਾ ਮੁਸ਼ਕਲ (ਅਤੇ ਗੈਰ-ਅਨੁਭਵੀ) ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਹਨਾਂ ਵਿੱਚੋਂ ਜ਼ਿਆਦਾਤਰ ਵਿਧੀਆਂ ਦੀ ਗਣਨਾਤਮਕ ਗੁੰਝਲਤਾ ਉੱਚ ਆਯਾਮੀ ਡੇਟਾ ਸੈਟਾਂ ਦੇ ਨਾਲ ਵਿਵਹਾਰਕ ਕਾਰਜਾਂ ਲਈ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹੈ। ਘੱਟ ਸੀਸੀਏ ਨੂੰ ਵੀ ਅਸਿੱਧੇ ਤੌਰ ਤੇ [9] ਵਿੱਚ ਸੰਬੋਧਿਤ ਕੀਤਾ ਗਿਆ ਹੈ, [14] ਅਤੇ ਡੀ ਸੀਸੀਏ ਦੇ ਘੱਟ ਨਤੀਜਿਆਂ ਨਾਲ ਨਜ਼ਦੀਕੀ ਸਬੰਧ ਹੈ [9] , [15] - [17]. ਦਰਅਸਲ, ਸਾਡਾ ਪ੍ਰਸਤਾਵਿਤ ਹੱਲ ਸੀਸੀਏ ਲਈ [17] ਦੇ ਨਤੀਜਿਆਂ ਦਾ ਵਿਸਥਾਰ ਹੈ। ਇਸ ਕੰਮ ਦਾ ਮੁੱਖ ਯੋਗਦਾਨ ਦੋ-ਗੁਣਾ ਹੈ। ਪਹਿਲਾਂ, ਅਸੀਂ ਸੀਸੀਏ ਐਲਗੋਰਿਥਮ ਨੂੰ ਹਰੇਕ ਮਲਟੀਵਰਆਇਟ ਵਿੱਚ ਸਪਾਰਸਟੀ ਉੱਤੇ ਸਿੱਧੇ ਨਿਯੰਤਰਣ ਨਾਲ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਾਂ ਅਤੇ ਉਨ੍ਹਾਂ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਜਾਂਚ ਕਰਦੇ ਹਾਂ। ਸਾਡੇ ਕੰਪਿਊਟੇਸ਼ਨਲ ਤੌਰ ਤੇ ਕੁਸ਼ਲ ਢੰਗ ਵਿਸ਼ੇਸ਼ ਤੌਰ ਤੇ ਵੱਡੇ ਮਾਪ ਦੇ ਦੋ ਡਾਟਾ ਸੈੱਟਾਂ ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਨੂੰ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ. ਅਸੀਂ ਅੱਗੇ (ਜਾਂ ਪਿੱਛੇ) ਲਾਲਚੀ ਪਹੁੰਚ ਅਪਣਾਉਂਦੇ ਹਾਂ ਜੋ ਕ੍ਰਮਵਾਰ ਚੁਣਨ (ਜਾਂ ਛੱਡਣ) ਦੇ ਪਰਿਵਰਤਨ ਤੇ ਅਧਾਰਤ ਹੈ. ਹਰ ਪੜਾਅ ਤੇ, ਅਸੀਂ ਅਨੁਕੂਲ ਸੀਸੀਏ ਹੱਲ ਨੂੰ ਬੰਨ੍ਹਦੇ ਹਾਂ ਅਤੇ ਪੂਰੀ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਦੀ ਜ਼ਰੂਰਤ ਨੂੰ ਬਾਈਪਾਸ ਕਰਦੇ ਹਾਂ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਫਾਰਵਰਡ ਲਾਲਚੀ ਵਿਧੀ ਦੀ ਗਣਨਾਤਮਕ ਗੁੰਝਲਤਾ ਡੇਟਾ ਦੇ ਮਾਪਾਂ ਤੇ ਨਿਰਭਰ ਨਹੀਂ ਕਰਦੀ ਬਲਕਿ ਸਿਰਫ ਘੱਟ ਪੈਰਾਮੀਟਰਾਂ ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ. ਸੰਖਿਆਤਮਕ ਸਿਮੂਲੇਸ਼ਨ ਦੇ ਨਤੀਜੇ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਸੰਬੰਧ ਦੇ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਹਿੱਸੇ ਨੂੰ ਮੁਕਾਬਲਤਨ ਘੱਟ ਗਿਣਤੀ ਵਿੱਚ ਗੈਰ-ਜ਼ੀਰੋ ਕੋਇਫਿਸਿਏਂਟਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੁਸ਼ਲਤਾ ਨਾਲ ਸੀਮਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਸਾਡਾ ਦੂਜਾ ਯੋਗਦਾਨ ਨਿਯਮਿਤ ਕਰਨ ਦੀ ਵਿਧੀ ਦੇ ਤੌਰ ਤੇ ਘੱਟ ਸੀਸੀਏ ਦੀ ਜਾਂਚ ਹੈ। ਅਨੁਭਵੀ ਸਿਮੂਲੇਸ਼ਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਅਸੀਂ ਵੱਖ-ਵੱਖ ਐਲਗੋਰਿਥਮਾਂ ਦੀ ਵਰਤੋਂ ਦੀ ਜਾਂਚ ਕਰਦੇ ਹਾਂ ਜਦੋਂ ਮਲਟੀਵਰਆਇਟ ਦੇ ਮਾਪ ਨਮੂਨਿਆਂ ਦੀ ਗਿਣਤੀ ਤੋਂ ਵੱਡੇ ਹੁੰਦੇ ਹਨ (ਜਾਂ ਉਸੇ ਕ੍ਰਮ ਦੇ ਹੁੰਦੇ ਹਨ) ਅਤੇ ਘੱਟ ਸੀਸੀਏ ਦਾ ਫਾਇਦਾ ਦਰਸਾਉਂਦੇ ਹਨ. ਇਸ ਸੰਦਰਭ ਵਿੱਚ, ਲਾਲਚੀ ਪਹੁੰਚ ਦਾ ਇੱਕ ਫਾਇਦਾ ਇਹ ਹੈ ਕਿ ਇਹ ਇੱਕ ਸਿੰਗਲ ਰਨ ਵਿੱਚ ਪੂਰੀ ਸਪਾਰਸਟੀ ਮਾਰਗ ਪੈਦਾ ਕਰਦਾ ਹੈ ਅਤੇ ਇਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੁਸ਼ਲ ਪੈਰਾਮੀਟਰ ਟਿਊਨਿੰਗ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ

49afbe880b8bd419605beb84d3382647bf8e50ea

19b7e0786d9e093fdd8c8751dac0c4eb0aea0b74

0b3cfbf79d50dae4a16584533227bb728e3522aa

ਲਗਾਤਾਰ ਵਾਪਸੀ ਨਾਲ ਜਾਣਕਾਰੀ ਨੂੰ ਲੰਬੇ ਸਮੇਂ ਦੇ ਅੰਤਰਾਲਾਂ ਤੇ ਸਟੋਰ ਕਰਨਾ ਸਿੱਖਣਾ ਬਹੁਤ ਲੰਬਾ ਸਮਾਂ ਲੈਂਦਾ ਹੈ, ਜਿਆਦਾਤਰ ਨਾਕਾਫ਼ੀ, ਵਿਗਾੜਨ ਵਾਲੀ ਗਲਤੀ ਬੈਕਫਲੋ ਦੇ ਕਾਰਨ. ਅਸੀਂ ਇਸ ਸਮੱਸਿਆ ਦੇ ਹੋਚਰਾਈਟਰ (1991) ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਸੰਖੇਪ ਸਮੀਖਿਆ ਕਰਦੇ ਹਾਂ, ਫਿਰ ਇਸ ਨੂੰ ਲੰਬੇ ਸਮੇਂ ਦੀ ਛੋਟੀ ਮਿਆਦ ਦੀ ਯਾਦ (ਐਲਐਸਟੀਐਮ) ਨਾਮਕ ਇੱਕ ਨਾਵਲ, ਕੁਸ਼ਲ, ਗਰੇਡੀਐਂਟ ਅਧਾਰਤ ਵਿਧੀ ਪੇਸ਼ ਕਰਕੇ ਇਸ ਨੂੰ ਸੰਬੋਧਿਤ ਕਰਦੇ ਹਾਂ. ਜਿੱਥੇ ਇਹ ਨੁਕਸਾਨ ਨਹੀਂ ਕਰਦਾ, ਉੱਥੇ ਗਰੇਡੀਐਂਟ ਨੂੰ ਕੱਟ ਕੇ, ਐਲਐਸਟੀਐਮ ਵਿਸ਼ੇਸ਼ ਇਕਾਈਆਂ ਦੇ ਅੰਦਰ ਸਥਿਰ ਗਲਤੀ ਕੈਰੋਜ਼ਲ ਦੁਆਰਾ ਨਿਰੰਤਰ ਗਲਤੀ ਪ੍ਰਵਾਹ ਨੂੰ ਲਾਗੂ ਕਰਕੇ 1000 ਵੱਖਰੇ ਸਮੇਂ ਦੇ ਕਦਮਾਂ ਤੋਂ ਵੱਧ ਘੱਟੋ ਘੱਟ ਸਮੇਂ ਦੇ ਲੇਗ ਨੂੰ ਪਾਰ ਕਰਨਾ ਸਿੱਖ ਸਕਦਾ ਹੈ। ਗੁਣਾਤਮਕ ਗੇਟ ਇਕਾਈਆਂ ਨਿਰੰਤਰ ਗਲਤੀ ਪ੍ਰਵਾਹ ਤੱਕ ਪਹੁੰਚ ਖੋਲ੍ਹਣ ਅਤੇ ਬੰਦ ਕਰਨ ਲਈ ਸਿੱਖਦੀਆਂ ਹਨ। ਐਲਐਸਟੀਐਮ ਸਪੇਸ ਅਤੇ ਸਮੇਂ ਵਿੱਚ ਸਥਾਨਕ ਹੈ; ਇਸਦੀ ਗਣਨਾਤਮਕ ਗੁੰਝਲਤਾ ਪ੍ਰਤੀ ਸਮਾਂ ਕਦਮ ਅਤੇ ਭਾਰ ਓ ਹੈ. 1. ਨਕਲੀ ਡਾਟਾ ਨਾਲ ਸਾਡੇ ਪ੍ਰਯੋਗਾਂ ਵਿੱਚ ਸਥਾਨਕ, ਵੰਡੇ ਹੋਏ, ਅਸਲ-ਮੁੱਲ ਵਾਲੇ, ਅਤੇ ਸ਼ੋਰ-ਸ਼ਰਾਬੇ ਵਾਲੇ ਨਮੂਨੇ ਸ਼ਾਮਲ ਹਨ। ਰੀਅਲ-ਟਾਈਮ ਆਵਰਤੀ ਸਿੱਖਣ, ਸਮੇਂ ਦੇ ਨਾਲ ਪਿੱਛੇ ਪ੍ਰਸਾਰ, ਆਵਰਤੀ ਕੈਸਕੇਡ ਸਬੰਧ, ਐਲਮੈਨ ਨੈਟਸ, ਅਤੇ ਨਯੂਰਲ ਲੜੀ ਦੇ ਚੁੰਕਿੰਗ ਦੀ ਤੁਲਨਾ ਵਿੱਚ, ਐਲਐਸਟੀਐਮ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸਫਲ ਰਨ ਦੀ ਅਗਵਾਈ ਕਰਦਾ ਹੈ, ਅਤੇ ਬਹੁਤ ਤੇਜ਼ੀ ਨਾਲ ਸਿੱਖਦਾ ਹੈ. ਐਲਐਸਟੀਐਮ ਗੁੰਝਲਦਾਰ, ਨਕਲੀ ਲੰਬੇ ਸਮੇਂ ਦੇ ਲੇਗ ਕਾਰਜਾਂ ਨੂੰ ਵੀ ਹੱਲ ਕਰਦਾ ਹੈ ਜੋ ਪਿਛਲੇ ਆਵਰਤੀ ਨੈਟਵਰਕ ਐਲਗੋਰਿਦਮ ਦੁਆਰਾ ਕਦੇ ਨਹੀਂ ਹੱਲ ਕੀਤੇ ਗਏ ਸਨ.

9eb67ca57fecc691853636507e2b852de3f56fac

ਪਿਛਲੇ ਅਧਿਐਨਾਂ ਨੇ ਦਿਖਾਇਆ ਹੈ ਕਿ ਸ਼ਬਦਾਂ ਅਤੇ ਪਾਠਾਂ ਦੀਆਂ ਅਰਥਪੂਰਨ ਅਰਥਪੂਰਨ ਨੁਮਾਇੰਦਗੀ ਨੂੰ ਨਯੂਰਲ ਏਮਬੇਡਿੰਗ ਮਾਡਲਾਂ ਰਾਹੀਂ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਵਿਸ਼ੇਸ਼ ਤੌਰ ਤੇ, ਪੈਰਾਗ੍ਰਾਫ ਵੈਕਟਰ (ਪੀ.ਵੀ.) ਮਾਡਲਾਂ ਨੇ ਦਸਤਾਵੇਜ਼ (ਵਿਸ਼ਾ) ਪੱਧਰ ਦੇ ਭਾਸ਼ਾ ਮਾਡਲ ਦਾ ਅਨੁਮਾਨ ਲਗਾ ਕੇ ਕੁਝ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ ਕਾਰਜਾਂ ਵਿੱਚ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਪ੍ਰਦਰਸ਼ਨ ਦਿਖਾਇਆ ਹੈ। ਪਰੰਤੂ, ਰਵਾਇਤੀ ਭਾਸ਼ਾ ਮਾਡਲ ਪਹੁੰਚਾਂ ਨਾਲ ਪੀਵੀ ਮਾਡਲਾਂ ਨੂੰ ਜੋੜਨਾ ਅਸਥਿਰ ਪ੍ਰਦਰਸ਼ਨ ਅਤੇ ਸੀਮਤ ਸੁਧਾਰ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਇਸ ਪੇਪਰ ਵਿੱਚ, ਅਸੀਂ ਰਸਮੀ ਤੌਰ ਤੇ ਅਸਲੀ ਪੀਵੀ ਮਾਡਲ ਦੀਆਂ ਤਿੰਨ ਅੰਦਰੂਨੀ ਸਮੱਸਿਆਵਾਂ ਬਾਰੇ ਵਿਚਾਰ-ਵਟਾਂਦਰਾ ਕਰਦੇ ਹਾਂ ਜੋ ਰਿਕਵਰੀ ਕਾਰਜਾਂ ਵਿੱਚ ਇਸ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਸੀਮਤ ਕਰਦੇ ਹਨ। ਅਸੀਂ ਮਾਡਲ ਵਿੱਚ ਸੋਧਾਂ ਦਾ ਵੀ ਵਰਣਨ ਕਰਦੇ ਹਾਂ ਜੋ ਇਸਨੂੰ IR ਕੰਮ ਲਈ ਵਧੇਰੇ ਢੁਕਵਾਂ ਬਣਾਉਂਦੇ ਹਨ, ਅਤੇ ਪ੍ਰਯੋਗਾਂ ਅਤੇ ਕੇਸ ਅਧਿਐਨਾਂ ਰਾਹੀਂ ਉਨ੍ਹਾਂ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਦਿਖਾਉਂਦੇ ਹਨ। ਅਸੀਂ ਤਿੰਨ ਮੁੱਦਿਆਂ ਨੂੰ ਸੰਬੋਧਿਤ ਕਰਦੇ ਹਾਂ (1) ਪੀਵੀ ਦੀ ਗੈਰ-ਨਿਯੰਤ੍ਰਿਤ ਸਿਖਲਾਈ ਪ੍ਰਕਿਰਿਆ ਸੰਖੇਪ ਦਸਤਾਵੇਜ਼ ਓਵਰ-ਫਿਟਿੰਗ ਲਈ ਕਮਜ਼ੋਰ ਹੈ ਜੋ ਅੰਤਮ ਰਿਕਵਰੀ ਮਾਡਲ ਵਿੱਚ ਲੰਬਾਈ ਪੱਖਪਾਤ ਪੈਦਾ ਕਰਦੀ ਹੈ; (2) ਪੀਵੀ ਦੀ ਕੋਰਪਸ-ਅਧਾਰਤ ਨਕਾਰਾਤਮਕ ਨਮੂਨੇ ਲੈਣ ਨਾਲ ਸ਼ਬਦਾਂ ਲਈ ਇੱਕ ਭਾਰ ਸਕੀਮ ਹੁੰਦੀ ਹੈ ਜੋ ਅਕਸਰ ਸ਼ਬਦਾਂ ਦੀ ਮਹੱਤਤਾ ਨੂੰ ਦਬਾਉਂਦੀ ਹੈ; ਅਤੇ (3) ਸ਼ਬਦ-ਸੰਦਰਭ ਜਾਣਕਾਰੀ ਦੀ ਘਾਟ ਪੀਵੀ ਨੂੰ ਸ਼ਬਦ ਬਦਲਣ ਦੇ ਸਬੰਧਾਂ ਨੂੰ ਹਾਸਲ ਕਰਨ ਵਿੱਚ ਅਸਮਰੱਥ ਬਣਾਉਂਦੀ ਹੈ.

4df321947a2ac4365584a01d78a780913b171cf5

ਪਹਿਲੂ ਅਧਾਰਤ ਭਾਵਨਾ ਵਿਸ਼ਲੇਸ਼ਣ (ਏਬੀਐਸਏ) ਖਾਸ ਸੰਸਥਾਵਾਂ ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਪਹਿਲੂਆਂ ਬਾਰੇ ਪਾਠ ਤੋਂ ਵਿਚਾਰਾਂ ਨੂੰ ਖਣਨ ਅਤੇ ਸੰਖੇਪ ਵਿੱਚ ਲਿਆਉਣ ਦਾ ਕੰਮ ਹੈ। ਇਹ ਲੇਖ ਫ੍ਰੈਂਚ ਲਈ ਏਬੀਐਸਏ ਪ੍ਰਣਾਲੀਆਂ ਦੇ ਵਿਕਾਸ ਅਤੇ ਟੈਸਟਿੰਗ ਲਈ ਦੋ ਡੇਟਾ ਸੈਟਾਂ ਦਾ ਵਰਣਨ ਕਰਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਸੰਬੰਧਤ ਸੰਸਥਾਵਾਂ, ਪਹਿਲੂਆਂ ਅਤੇ ਧਰੁਵੀ ਮੁੱਲਾਂ ਦੇ ਨਾਲ ਉਪਭੋਗਤਾ ਸਮੀਖਿਆਵਾਂ ਸ਼ਾਮਲ ਹਨ. ਪਹਿਲੇ ਡੇਟਾ ਸੈੱਟ ਵਿੱਚ ਏਬੀਐਸਏ ਪ੍ਰਣਾਲੀਆਂ ਦੀ ਸਿਖਲਾਈ ਅਤੇ ਟੈਸਟਿੰਗ ਲਈ 457 ਰੈਸਟੋਰੈਂਟ ਸਮੀਖਿਆਵਾਂ (2365 ਵਾਕ) ਹਨ, ਜਦੋਂ ਕਿ ਦੂਜੇ ਵਿੱਚ 162 ਅਜਾਇਬ ਘਰ ਦੀਆਂ ਸਮੀਖਿਆਵਾਂ (655 ਵਾਕ) ਹਨ ਜੋ ਡੋਮੇਨ ਤੋਂ ਬਾਹਰ ਮੁਲਾਂਕਣ ਲਈ ਸਮਰਪਿਤ ਹਨ। ਦੋਵੇਂ ਡੇਟਾ ਸੈਟ ਸੈਮੀਵੈਲ-2016 ਟਾਸਕ 5 ਦੇ ਹਿੱਸੇ ਵਜੋਂ ਬਣਾਏ ਗਏ ਸਨ ਅਸਪੈਕਟ-ਬੇਸਡ ਸੈਂਟੀਮੈਂਟ ਵਿਸ਼ਲੇਸ਼ਣ ਜਿੱਥੇ ਸੱਤ ਵੱਖ-ਵੱਖ ਭਾਸ਼ਾਵਾਂ ਦੀ ਨੁਮਾਇੰਦਗੀ ਕੀਤੀ ਗਈ ਸੀ, ਅਤੇ ਖੋਜ ਦੇ ਉਦੇਸ਼ਾਂ ਲਈ ਜਨਤਕ ਤੌਰ ਤੇ ਉਪਲਬਧ ਹਨ। ਇਹ ਲੇਖ ਐਨੋਟੇਸ਼ਨ ਕਿਸਮ ਦੁਆਰਾ ਉਦਾਹਰਣਾਂ ਅਤੇ ਅੰਕੜੇ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਐਨੋਟੇਸ਼ਨ ਦਿਸ਼ਾ ਨਿਰਦੇਸ਼ਾਂ ਦਾ ਸੰਖੇਪ ਅਤੇ ਉਹਨਾਂ ਦੀ ਅੰਤਰ-ਭਾਸ਼ਾਈ ਲਾਗੂ ਕਰਨ ਦੀ ਚਰਚਾ ਕਰਦਾ ਹੈ। ਇਹ ਇਹ ਵੀ ਦੱਸਦਾ ਹੈ ਕਿ ਕਿਵੇਂ ਡੇਟਾ ਨੂੰ ਸੇਮਵੈਲ ਏਬੀਐਸਏ ਟਾਸਕ ਵਿੱਚ ਮੁਲਾਂਕਣ ਲਈ ਵਰਤਿਆ ਗਿਆ ਸੀ ਅਤੇ ਸੰਖੇਪ ਵਿੱਚ ਫ੍ਰੈਂਚ ਲਈ ਪ੍ਰਾਪਤ ਨਤੀਜੇ ਪੇਸ਼ ਕੀਤੇ ਗਏ ਹਨ.

2445089d4277ccbec3727fecfe73eaa4cc57e414

ਇਹ ਪੇਪਰ 8 ਭਾਸ਼ਾ ਜੋੜਾਂ ਲਈ ਮਸ਼ੀਨ ਅਨੁਵਾਦ ਪ੍ਰਣਾਲੀਆਂ ਦੀ ਅਨੁਵਾਦ ਦੀ ਗੁਣਵੱਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈਃ ਫ੍ਰੈਂਚ, ਜਰਮਨ, ਸਪੈਨਿਸ਼ ਅਤੇ ਚੈੱਕ ਦਾ ਅੰਗਰੇਜ਼ੀ ਅਤੇ ਉਲਟ ਅਨੁਵਾਦ ਕਰਨਾ। ਅਸੀਂ ਇੱਕ ਵਿਆਪਕ ਮਾਨਵ ਮੁਲਾਂਕਣ ਕੀਤਾ ਜਿਸ ਨਾਲ ਸਾਨੂੰ ਨਾ ਸਿਰਫ ਵੱਖ ਵੱਖ ਐਮਟੀ ਪ੍ਰਣਾਲੀਆਂ ਦੀ ਰੈਂਕਿੰਗ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਮਿਲੀ, ਬਲਕਿ ਮੁਲਾਂਕਣ ਪ੍ਰਕਿਰਿਆ ਦਾ ਉੱਚ ਪੱਧਰੀ ਵਿਸ਼ਲੇਸ਼ਣ ਵੀ ਕੀਤਾ ਗਿਆ। ਅਸੀਂ ਤਿੰਨ ਕਿਸਮਾਂ ਦੇ ਵਿਅਕਤੀਗਤ ਮੁਲਾਂਕਣ ਲਈ ਸਮੇਂ ਅਤੇ ਅੰਦਰੂਨੀ ਅਤੇ ਅੰਤਰ-ਅਨੁਸ਼ਾਸਨ ਦੀ ਸਹਿਮਤੀ ਨੂੰ ਮਾਪਿਆ. ਅਸੀਂ ਆਟੋਮੈਟਿਕ ਮੁਲਾਂਕਣ ਮੈਟ੍ਰਿਕਸ ਦੇ ਸਬੰਧ ਨੂੰ ਮਨੁੱਖੀ ਨਿਰਣਾਵਾਂ ਨਾਲ ਮਾਪਿਆ। ਇਹ ਮੈਟਾ-ਮੁਲਾਂਕਣ ਸਭ ਤੋਂ ਵੱਧ ਵਰਤੀਆਂ ਜਾਣ ਵਾਲੀਆਂ ਵਿਧੀਆਂ ਬਾਰੇ ਹੈਰਾਨੀਜਨਕ ਤੱਥਾਂ ਦਾ ਖੁਲਾਸਾ ਕਰਦਾ ਹੈ।

1965a7d9a3eb0727c054fb235b1758c8ffbb8e22

ਚੱਕਰੀ ਤੌਰ ਤੇ ਧਰੁਵੀਕ੍ਰਿਤ ਸਿੰਗਲ-ਲੇਅਰ ਯੂ-ਸਲੋਟ ਮਾਈਕਰੋਸਟ੍ਰਿਪ ਪੈਚ ਐਂਟੀਨਾ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੱਤਾ ਗਿਆ ਹੈ। ਸੁਝਾਏ ਗਏ ਅਸਮਿਤ੍ਰਕ ਯੂ-ਸਲੋਟ ਸਰਕੂਲਰ ਧਰੁਵੀਕਰਨ ਲਈ ਦੋ ਔਰਥੋਗੋਨਲ ਮੋਡ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ, ਬਿਨਾਂ ਸੈਂਬ-ਫਿਡ ਵਰਗ ਪੈਚ ਮਾਈਕਰੋਸਟ੍ਰਿਪ ਐਂਟੀਨਾ ਦੇ ਕਿਸੇ ਵੀ ਕੋਨੇ ਨੂੰ ਚੈਂਫਰਿੰਗ ਕੀਤੇ। ਯੂ-ਸਲੋਟ ਦੇ ਵੱਖ-ਵੱਖ ਬਾਂਹ ਦੀ ਲੰਬਾਈ ਦੇ ਕਾਰਨ ਪ੍ਰਭਾਵ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਇੱਕ ਪੈਰਾਮੀਟਰਿਕ ਅਧਿਐਨ ਕੀਤਾ ਗਿਆ ਹੈ। ਫੋਮ ਸਬਸਟਰੇਟ ਦੀ ਮੋਟਾਈ ਕਾਰਜਸ਼ੀਲ ਬਾਰੰਬਾਰਤਾ ਤੇ ਤਰੰਗ-ਲੰਬਾਈ ਦਾ ਲਗਭਗ 8.5% ਹੈ। ਐਂਟੀਨਾ ਦੀ 3 ਡੀਬੀਐਲ ਐਕਸਲ ਅਨੁਪਾਤ ਬੈਂਡਵਿਡਥ 4% ਹੈ। ਐਂਟੀਨਾ ਦੇ ਪ੍ਰਯੋਗਾਤਮਕ ਅਤੇ ਸਿਧਾਂਤਕ ਨਤੀਜਿਆਂ ਬਾਰੇ ਪੇਸ਼ਕਾਰੀ ਅਤੇ ਚਰਚਾ ਕੀਤੀ ਗਈ ਹੈ। ਚੱਕਰਵਾਤੀ ਧਰੁਵੀਕਰਨ, ਛਾਪੇ ਹੋਏ ਐਂਟੀਨਾ, ਯੂ-ਸਲੋਟ।

9462cd1ec2e404b22f76c88b6149d1e84683acb7

ਇਸ ਪੱਤਰ ਵਿੱਚ ਇੱਕ ਵਾਈਡਬੈਂਡ ਕੰਪੈਕਟ ਸਰਕੂਲਰਲੀ ਪੋਲਰਾਈਜ਼ਡ (ਸੀਪੀ) ਪੈਚ ਐਂਟੀਨਾ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੱਤਾ ਗਿਆ ਹੈ। ਇਸ ਪੈਚ ਐਂਟੀਨਾ ਵਿੱਚ ਇੱਕ ਪ੍ਰਿੰਟਿਡ ਮੇਨਡਰਿੰਗ ਸੈਂਡ (ਐਮ-ਸੈਂਡ) ਅਤੇ ਕੱਟੇ ਹੋਏ ਪੈਚ ਹੁੰਦੇ ਹਨ ਜੋ ਇੱਕ ਵਾਈਡਬੈਂਡ ਸੀਪੀ ਓਪਰੇਸ਼ਨ ਪੈਦਾ ਕਰਨ ਲਈ ਔਰਥੋਗੋਨਲ ਰੈਸੋਨੈਂਟ ਮੋਡ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਦੇ ਹਨ। ਸਟੈਕਡ ਪੈਚ ਨੂੰ 5 ਜੀ ਵਾਈ-ਫਾਈ ਐਪਲੀਕੇਸ਼ਨ ਨੂੰ ਫਿੱਟ ਕਰਨ ਲਈ ਐਕਸਲ-ਰੇਸ਼ੋ (ਏਆਰ) ਬੈਂਡਵਿਡਥ ਨੂੰ ਹੋਰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਪ੍ਰਸਤਾਵਿਤ ਐਂਟੀਨਾ ਕ੍ਰਮਵਾਰ 42.3% ਪ੍ਰਤੀਰੋਧ ਬੈਂਡਵਿਡਥ ਅਤੇ 16.8% ਏਆਰ ਬੈਂਡਵਿਡਥ ਪ੍ਰਾਪਤ ਕਰਦੀ ਹੈ। ਏਆਰ ਬੈਂਡਵਿਡਥ ਦੇ ਅੰਦਰ ਔਸਤ ਲਾਭ 6.6 ਡੀਬੀਆਈਸੀ ਹੈ ਜਿਸ ਵਿੱਚ 0.5 ਡੀਬੀਆਈਸੀ ਤੋਂ ਘੱਟ ਪਰਿਵਰਤਨ ਹੁੰਦਾ ਹੈ। ਇਹ ਕੰਮ ਇੱਕ ਐਮ-ਸਰੋਤ ਨਾਲ ਭਰੇ ਸੀਪੀ ਪੈਚ ਐਂਟੀਨਾ ਦੀ ਬੈਂਡਵਿਡਥ ਵਿਸਥਾਰ ਤਕਨੀਕ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ। ਇਹ ਐਮ-ਸਰੋਤ ਦੀ ਜਾਂਚ ਕਰਨ ਅਤੇ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਨ ਵਾਲਾ ਪਹਿਲਾ ਅਧਿਐਨ ਹੈ ਜੋ ਡਾਇਲੈਕਟ੍ਰਿਕ ਲੋਡ ਕੀਤੇ ਪੈਚ ਐਂਟੀਨਾ ਵਿੱਚ ਵਾਈਡਬੈਂਡ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵੀ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦਾ ਹੈ। ਐਂਟੀਨਾ ਦੇ ਸੰਭਾਵੀ ਉਪਯੋਗ 5ਜੀ ਵਾਈ-ਫਾਈ ਅਤੇ ਸੈਟੇਲਾਈਟ ਸੰਚਾਰ ਪ੍ਰਣਾਲੀਆਂ ਹਨ।

d6002a6cc8b5fc2218754aed970aac91c8d8e7e9

ਇਸ ਪੇਪਰ ਵਿੱਚ ਅਸੀਂ ਰੀਅਲ ਟਾਈਮ ਵਿੱਚ ਮਲਟੀਪਲ ਖਾਸ 3D ਆਬਜੈਕਟਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ ਇੱਕ ਨਵੀਂ ਵਿਧੀ ਦਾ ਪ੍ਰਸਤਾਵ ਕਰਦੇ ਹਾਂ। ਅਸੀਂ ਹਾਲ ਹੀ ਵਿੱਚ ਹਿੰਟਰਸਟੋਈਸਰ ਅਤੇ ਹੋਰਾਂ ਦੁਆਰਾ ਪੇਸ਼ ਕੀਤੀ ਗਈ LINE2D/LINEMOD ਪ੍ਰਤੀਨਿਧਤਾ ਦੇ ਅਧਾਰ ਤੇ ਟੈਪਲੇਟ ਅਧਾਰਤ ਪਹੁੰਚ ਤੋਂ ਸ਼ੁਰੂ ਕਰਦੇ ਹਾਂ, ਫਿਰ ਵੀ ਇਸ ਨੂੰ ਦੋ ਤਰੀਕਿਆਂ ਨਾਲ ਵਧਾਉਂਦੇ ਹਾਂ। ਪਹਿਲਾਂ, ਅਸੀਂ ਟੈਂਪਲੇਟ ਨੂੰ ਵਿਵੇਕਸ਼ੀਲ ਢੰਗ ਨਾਲ ਸਿੱਖਣ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦੇ ਹਾਂ। ਅਸੀਂ ਦਿਖਾਉਂਦੇ ਹਾਂ ਕਿ ਇਹ ਔਨਲਾਈਨ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਉਦਾਹਰਨ ਚਿੱਤਰਾਂ ਦੇ ਸੰਗ੍ਰਹਿ ਦੇ ਦੌਰਾਨ, ਸਿਰਫ ਕੁਝ ਮਿਲੀਸਕਿੰਟ ਵਿੱਚ, ਅਤੇ ਖੋਜੀ ਦੀ ਸ਼ੁੱਧਤਾ ਤੇ ਵੱਡਾ ਪ੍ਰਭਾਵ ਹੈ। ਦੂਜਾ, ਅਸੀਂ ਇੱਕ ਯੋਜਨਾ ਦਾ ਪ੍ਰਸਤਾਵ ਕਰਦੇ ਹਾਂ ਜੋ ਕਿ ਕੈਸਕੇਡਾਂ ਤੇ ਅਧਾਰਤ ਹੈ ਜੋ ਖੋਜ ਨੂੰ ਤੇਜ਼ ਕਰਦੀ ਹੈ। ਕਿਉਂਕਿ ਕਿਸੇ ਵਸਤੂ ਦਾ ਪਤਾ ਲਗਾਉਣਾ ਤੇਜ਼ ਹੁੰਦਾ ਹੈ, ਇਸ ਲਈ ਨਵੀਆਂ ਵਸਤੂਆਂ ਨੂੰ ਬਹੁਤ ਘੱਟ ਲਾਗਤ ਨਾਲ ਜੋੜਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਸਾਡੀ ਪਹੁੰਚ ਦਾ ਪੈਮਾਨਾ ਵਧੀਆ ਹੋ ਜਾਂਦਾ ਹੈ। ਸਾਡੇ ਪ੍ਰਯੋਗਾਂ ਵਿੱਚ, ਅਸੀਂ ਇੱਕ ਸਿੰਗਲ CPU ਕੋਰ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ 10fps ਤੋਂ ਉੱਪਰ ਫਰੇਮ ਰੇਟ ਨਾਲ 10-30 3D ਆਬਜੈਕਟਸ ਨੂੰ ਆਸਾਨੀ ਨਾਲ ਸੰਭਾਲਦੇ ਹਾਂ। ਅਸੀਂ ਸਟੇਟ ਆਫ ਦਿ ਆਰਟ ਨੂੰ ਦੋਨਾਂ ਤੇਜ਼ ਰਫ਼ਤਾਰ ਦੇ ਨਾਲ ਨਾਲ ਸ਼ੁੱਧਤਾ ਦੇ ਰੂਪ ਵਿੱਚ ਪਛਾੜਦੇ ਹਾਂ, ਜਿਵੇਂ ਕਿ 3 ਵੱਖ-ਵੱਖ ਡੇਟਾ ਸੈੱਟਾਂ ਤੇ ਪ੍ਰਮਾਣਿਤ ਹੈ। ਇਹ ਦੋਨਾਂ ਨੂੰ ਲਾਗੂ ਕਰਦਾ ਹੈ ਜਦੋਂ ਮੋਨੋਕੂਲਰ ਰੰਗ ਚਿੱਤਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋ (LINE2D ਨਾਲ) ਅਤੇ ਜਦੋਂ RGBD ਚਿੱਤਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋ (LINEEMOD ਨਾਲ). ਇਸ ਤੋਂ ਇਲਾਵਾ, ਅਸੀਂ 12 ਆਬਜੈਕਟਾਂ ਤੋਂ ਬਣੇ ਇੱਕ ਚੁਣੌਤੀਪੂਰਨ ਨਵੇਂ ਡੇਟਾ ਸੈੱਟ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦੇ ਹਾਂ, ਭਵਿੱਖ ਵਿੱਚ ਮੋਨੋਕੂਲਰ ਰੰਗ ਚਿੱਤਰਾਂ ਤੇ ਮੁਕਾਬਲਾ ਕਰਨ ਵਾਲੇ ਤਰੀਕਿਆਂ ਲਈ।

41d103f751d47f0c140d21c5baa4981b3d4c9a76

ਨਿੱਜੀ ਕਹਾਣੀਆਂ ਜੋ ਲੋਕ ਆਪਣੇ ਇੰਟਰਨੈਟ ਵੈਬਲਾਗ ਵਿੱਚ ਲਿਖਦੇ ਹਨ ਉਹਨਾਂ ਵਿੱਚ ਰੋਜ਼ਾਨਾ ਦੀਆਂ ਘਟਨਾਵਾਂ ਦੇ ਵਿਚਕਾਰ ਕਾਰਨ ਸੰਬੰਧਾਂ ਬਾਰੇ ਕਾਫ਼ੀ ਜਾਣਕਾਰੀ ਸ਼ਾਮਲ ਹੁੰਦੀ ਹੈ। ਇਸ ਪੇਪਰ ਵਿੱਚ ਅਸੀਂ ਸਧਾਰਣ ਕਾਰਨਵਾਦੀ ਤਰਕ ਲਈ ਲੱਖਾਂ ਅਜਿਹੀਆਂ ਕਹਾਣੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੇ ਸਾਡੇ ਯਤਨਾਂ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਾਂ। ਆਮ ਸਮਝ ਦੇ ਕਾਰਨਵਾਦੀ ਤਰਕ ਦੀ ਸਮੱਸਿਆ ਨੂੰ ਇੱਕ ਵਿਕਲਪਿਕ ਵਿਕਲਪਾਂ ਦੀ ਚੋਣ ਦੇ ਰੂਪ ਵਿੱਚ ਸੁੱਟਣਾ, ਅਸੀਂ ਚਾਰ ਪ੍ਰਯੋਗਾਂ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਾਂ ਜੋ ਕਹਾਣੀ ਦੇ ਕਾਰਪੋਰੇਸ ਵਿੱਚ ਕਾਰਨਵਾਦੀ ਜਾਣਕਾਰੀ ਦਾ ਸ਼ੋਸ਼ਣ ਕਰਨ ਲਈ ਵੱਖ-ਵੱਖ ਅੰਕੜਾ ਅਤੇ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰਨ ਦੇ ਤਰੀਕਿਆਂ ਦੀ ਤੁਲਨਾ ਕਰਦੇ ਹਨ. ਇਨ੍ਹਾਂ ਪ੍ਰਯੋਗਾਂ ਵਿੱਚ ਸਭ ਤੋਂ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਵਾਲੀ ਪ੍ਰਣਾਲੀ ਕਾਰਨ ਪੂਰਵ ਅਤੇ ਸਿੱਟੇ ਵਜੋਂ ਸ਼ਬਦਾਂ ਦੇ ਵਿਚਕਾਰ ਇੱਕ ਸਧਾਰਨ ਸਹਿ-ਉਪਭੋਗ ਅੰਕੜੇ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ, ਜਿਸਦੀ ਗਣਨਾ ਲੱਖਾਂ ਨਿੱਜੀ ਕਹਾਣੀਆਂ ਦੇ ਇੱਕ ਸਮੂਹ ਵਿੱਚ ਸ਼ਬਦਾਂ ਦੇ ਵਿਚਕਾਰ ਪੁਆਇੰਟਵਾਈਜ਼ ਆਪਸੀ ਜਾਣਕਾਰੀ ਵਜੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।

c9d1bcdb95aa748940b85508fd7277622f74c0a4

ਕੇਸ ਖੋਜ ਨੇ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਦਹਾਕੇ ਤੋਂ ਸੂਚਨਾ ਪ੍ਰਣਾਲੀਆਂ (ਆਈਐੱਸ) ਅਨੁਸ਼ਾਸਨ ਵਿੱਚ ਸਤਿਕਾਰ ਪ੍ਰਾਪਤ ਕੀਤਾ ਹੈ। ਕੇਸ ਅਧਿਐਨ ਦੀ ਸਾਰਥਕਤਾ ਅਤੇ ਸੰਭਾਵੀ ਮੁੱਲ ਦੇ ਬਾਵਜੂਦ, ਇਸ ਵਿਧੀਗਤ ਪਹੁੰਚ ਨੂੰ ਇੱਕ ਵਾਰ ਘੱਟ ਤੋਂ ਘੱਟ ਯੋਜਨਾਬੱਧ ਮੰਨਿਆ ਜਾਂਦਾ ਸੀ। 1980 ਦੇ ਦਹਾਕੇ ਦੇ ਅੰਤ ਦੇ ਨੇੜੇ, ਇਹ ਮੁੱਦਾ ਪਹਿਲੀ ਵਾਰ ਉਠਾਇਆ ਗਿਆ ਸੀ ਕਿ ਕੀ ਆਈਐਸ ਕੇਸ ਖੋਜ ਸਖਤੀ ਨਾਲ ਕੀਤੀ ਗਈ ਸੀ। ਸਾਡੇ ਖੇਤਰ ਦੇ ਖੋਜਕਰਤਾ (ਉਦਾਹਰਣ ਵਜੋਂ, ਬੈਨਬਾਸਟ ਐਟ ਅਲ. 1987; ਲੀ 1989) ਅਤੇ ਹੋਰ ਅਨੁਸ਼ਾਸਨਾਂ (ਜਿਵੇਂ ਕਿ ਆਈਜ਼ਨਹਾਰਡਟ 1989; ਯਿਨ 1994) ਨੇ ਕੇਸ ਖੋਜ ਵਿੱਚ ਵਧੇਰੇ ਸਖਤੀ ਦੀ ਮੰਗ ਕੀਤੀ ਅਤੇ ਉਨ੍ਹਾਂ ਦੀਆਂ ਸਿਫਾਰਸ਼ਾਂ ਰਾਹੀਂ ਕੇਸ ਅਧਿਐਨ ਵਿਧੀ ਦੇ ਵਿਕਾਸ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਇਆ। ਇਨ੍ਹਾਂ ਯੋਗਦਾਨਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ, ਇਸ ਅਧਿਐਨ ਦਾ ਉਦੇਸ਼ ਇਹ ਨਿਰਧਾਰਤ ਕਰਨਾ ਹੈ ਕਿ ਆਈਐਸ ਦੇ ਖੇਤਰ ਵਿੱਚ ਕੇਸ ਸਟੱਡੀ ਵਿਧੀ ਦੇ ਕਾਰਜਸ਼ੀਲ ਵਰਤੋਂ ਵਿੱਚ ਕਿਸ ਹੱਦ ਤੱਕ ਤਰੱਕੀ ਕੀਤੀ ਗਈ ਹੈ। ਇਸ ਵਿੱਚ ਪਿਛਲੇ ਦਹਾਕੇ ਦੌਰਾਨ ਆਈਐੱਸ ਦੇ ਮਾਮਲਿਆਂ ਦੀ ਖੋਜ ਵਿੱਚ ਵਿਧੀਗਤ ਸਖਤੀ ਦੇ ਪੱਧਰ ਦੀ ਜਾਂਚ ਕੀਤੀ ਗਈ ਹੈ। ਇਸ ਉਦੇਸ਼ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ, ਅਸੀਂ ਸੱਤ ਪ੍ਰਮੁੱਖ ਆਈਐਸ ਰਸਾਲਿਆਂ ਦੇ 183 ਕੇਸ ਲੇਖਾਂ ਦੀ ਪਛਾਣ ਕੀਤੀ ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਕੋਡ ਕੀਤਾ। ਇਸ ਸਮੀਖਿਆ ਵਿੱਚ ਵਿਚਾਰ ਕੀਤੇ ਗਏ ਮੁਲਾਂਕਣ ਗੁਣ ਜਾਂ ਮਾਪਦੰਡ ਤਿੰਨ ਮੁੱਖ ਖੇਤਰਾਂ ਤੇ ਕੇਂਦ੍ਰਤ ਕਰਦੇ ਹਨ, ਅਰਥਾਤ, ਡਿਜ਼ਾਇਨ ਦੇ ਮੁੱਦੇ, ਡੇਟਾ ਸੰਗ੍ਰਹਿ ਅਤੇ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ। ਹਾਲਾਂਕਿ ਕੁਝ ਵਿਸ਼ੇਸ਼ ਗੁਣਾਂ ਦੇ ਸੰਬੰਧ ਵਿੱਚ ਵਿਧੀਵਾਦੀ ਸਖਤੀ ਦੇ ਪੱਧਰ ਵਿੱਚ ਮਾਮੂਲੀ ਤਰੱਕੀ ਹੋਈ ਹੈ, ਪਰ ਸਮੁੱਚੀ ਮੁਲਾਂਕਣ ਕੀਤੀ ਸਖਤੀ ਕੁਝ ਹੱਦ ਤੱਕ ਅਸਪਸ਼ਟ ਹੈ ਅਤੇ ਸੁਧਾਰ ਲਈ ਅਜੇ ਵੀ ਮਹੱਤਵਪੂਰਨ ਖੇਤਰ ਹਨ। ਇਸ ਲਈ ਜ਼ਰੂਰੀ ਹੈ ਕਿ ਡਾਟਾ ਇਕੱਠਾ ਕਰਨ ਅਤੇ ਇਸ ਨੂੰ ਸਾਂਝਾ ਕਰਨ ਨਾਲ ਜੁੜੇ ਮੁੱਦਿਆਂ ਨੂੰ ਬਿਹਤਰ ਢੰਗ ਨਾਲ ਦਸਤਾਵੇਜ਼ ਬਣਾਇਆ ਜਾਵੇ।

025cdba37d191dc73859c51503e91b0dcf466741

ਫਿੰਗਰਪ੍ਰਿੰਟ ਚਿੱਤਰ ਸੁਧਾਰ ਫਿੰਗਰਪ੍ਰਿੰਟ ਮਾਨਤਾ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ ਇੱਕ ਜ਼ਰੂਰੀ ਪੂਰਵ-ਪ੍ਰੋਸੈਸਿੰਗ ਕਦਮ ਹੈ। ਇਸ ਪੇਪਰ ਵਿੱਚ ਅਸੀਂ ਇੱਕ ਅਜਿਹਾ ਤਰੀਕਾ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ ਜੋ ਗੈਬਰ ਵੇਵਲੇਟ ਫਿਲਟਰ ਬੈਂਕ ਦੁਆਰਾ ਫਿੰਗਰਪ੍ਰਿੰਟ ਚਿੱਤਰ ਵਿੱਚ ਸਥਾਨਕ ਰਿੰਗ ਦੀ ਦਿਸ਼ਾ ਅਤੇ ਬਾਰੰਬਾਰਤਾ ਨੂੰ ਇੱਕੋ ਸਮੇਂ ਕੱਢਦਾ ਹੈ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਚਿੱਤਰ ਦੇ ਗੈਬਰ ਫਿਲਟਰਿੰਗ ਵਿੱਚ ਵਰਤਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਅਸੀਂ ਫਿੰਗਰਪ੍ਰਿੰਟ ਚਿੱਤਰ ਸੁਧਾਰ ਲਈ ਇੱਕ ਮਜ਼ਬੂਤ ਪਹੁੰਚ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਾਂ, ਜੋ ਗੈਬਰ ਫਿਲਟਰਸ ਅਤੇ ਦਿਸ਼ਾਤਮਕ ਮੀਡੀਅਨ ਫਿਲਟਰ ((ਡੀਐਮਐਫ) ਦੇ ਏਕੀਕਰਣ ਤੇ ਅਧਾਰਤ ਹੈ। ਅਸਲ ਵਿੱਚ, ਗੌਸਸੀਅਨ-ਵੰਡਿਤ ਸ਼ੋਰਾਂ ਨੂੰ ਗੈਬਰ ਫਿਲਟਰਾਂ ਦੁਆਰਾ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਘਟਾਇਆ ਜਾਂਦਾ ਹੈ ਅਤੇ DMF ਦੁਆਰਾ ਪ੍ਰਭਾਵਿਤ ਸ਼ੋਰਾਂ ਨੂੰ ਘਟਾਇਆ ਜਾਂਦਾ ਹੈ। ਪ੍ਰਸਤਾਵਿਤ ਡੀਐੱਮਐੱਫ ਨਾ ਸਿਰਫ਼ ਆਪਣੇ ਮੂਲ ਕਾਰਜਾਂ ਨੂੰ ਪੂਰਾ ਕਰ ਸਕਦਾ ਹੈ, ਬਲਕਿ ਇਹ ਟੁੱਟੇ ਹੋਏ ਫਿੰਗਰਪ੍ਰਿੰਟ ਰਿੰਗਾਂ ਨੂੰ ਜੋੜ ਸਕਦਾ ਹੈ, ਫਿੰਗਰਪ੍ਰਿੰਟ ਚਿੱਤਰਾਂ ਦੀਆਂ ਛੱਪੜਾਂ ਨੂੰ ਭਰ ਸਕਦਾ ਹੈ, ਅਸਥਿਰ ਰਿੰਗਾਂ ਨੂੰ ਸਮਤਲ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਨਾਲ ਹੀ ਰਿੰਗਾਂ ਦੇ ਵਿਚਕਾਰ ਕੁਝ ਤੰਗ ਕਰਨ ਵਾਲੀਆਂ ਛੋਟੀਆਂ ਕਲਾਕ੍ਰਿਤੀਆਂ ਨੂੰ ਹਟਾ ਸਕਦਾ ਹੈ। ਪ੍ਰਯੋਗਾਤਮਕ ਨਤੀਜੇ ਸਾਹਿਤ ਵਿੱਚ ਵਰਣਿਤ ਕੀਤੇ ਗਏ ਤਰੀਕਿਆਂ ਤੋਂ ਸਾਡੇ ਢੰਗ ਨੂੰ ਉੱਤਮ ਦਿਖਾਉਂਦੇ ਹਨ।

3dfce4601c3f413605399267b3314b90dc4b3362

ਅੱਜ ਦੇ ਵਿਸ਼ਵ ਪੱਧਰ ਤੇ ਨੈੱਟਵਰਕਡ ਸਮਾਜ ਵਿੱਚ ਜਾਣਕਾਰੀ ਦੇ ਪ੍ਰਸਾਰ ਅਤੇ ਸਾਂਝੇ ਕਰਨ ਦੀ ਬਹੁਤ ਮੰਗ ਹੈ। ਜਦੋਂ ਕਿ ਅਤੀਤ ਵਿੱਚ ਜਾਰੀ ਕੀਤੀ ਗਈ ਜਾਣਕਾਰੀ ਜ਼ਿਆਦਾਤਰ ਸਾਰਣੀ ਅਤੇ ਅੰਕੜਾ ਰੂਪ ਵਿੱਚ ਸੀ, ਬਹੁਤ ਸਾਰੀਆਂ ਸਥਿਤੀਆਂ ਅੱਜ ਖਾਸ ਡੇਟਾ (ਮਾਈਕਰੋਡਾਟਾ) ਜਾਰੀ ਕਰਨ ਦੀ ਮੰਗ ਕਰਦੀਆਂ ਹਨ। ਉਹਨਾਂ ਸੰਸਥਾਵਾਂ (ਜਿਨ੍ਹਾਂ ਨੂੰ ਜਵਾਬਦੇਹ ਕਿਹਾ ਜਾਂਦਾ ਹੈ) ਦੀ ਗੁਮਨਾਮਤਾ ਦੀ ਰੱਖਿਆ ਕਰਨ ਲਈ ਜਿਨ੍ਹਾਂ ਨੂੰ ਜਾਣਕਾਰੀ ਦਰਸਾਉਂਦੀ ਹੈ, ਡੇਟਾ ਧਾਰਕ ਅਕਸਰ ਸਪੱਸ਼ਟ ਪਛਾਣਕਰਤਾਵਾਂ ਜਿਵੇਂ ਕਿ ਨਾਮ, ਪਤੇ ਅਤੇ ਫੋਨ ਨੰਬਰਾਂ ਨੂੰ ਹਟਾਉਂਦੇ ਜਾਂ ਏਨਕ੍ਰਿਪਟ ਕਰਦੇ ਹਨ। ਹਾਲਾਂਕਿ, ਪਛਾਣ-ਰਹਿਤ ਡੇਟਾ, ਗੁਮਨਾਮਤਾ ਦੀ ਕੋਈ ਗਾਰੰਟੀ ਨਹੀਂ ਦਿੰਦਾ। ਜਾਰੀ ਕੀਤੀ ਗਈ ਜਾਣਕਾਰੀ ਵਿੱਚ ਅਕਸਰ ਹੋਰ ਡੇਟਾ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਨਸਲ, ਜਨਮ ਮਿਤੀ, ਲਿੰਗ ਅਤੇ ਜ਼ਿਪ ਕੋਡ, ਜੋ ਜਵਾਬ ਦੇਣ ਵਾਲਿਆਂ ਦੀ ਮੁੜ ਪਛਾਣ ਕਰਨ ਅਤੇ ਜਾਣਕਾਰੀ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣ ਲਈ ਜਨਤਕ ਤੌਰ ਤੇ ਉਪਲਬਧ ਜਾਣਕਾਰੀ ਨਾਲ ਜੁੜੇ ਜਾ ਸਕਦੇ ਹਨ ਜੋ ਖੁਲਾਸੇ ਲਈ ਨਹੀਂ ਸਨ. ਇਸ ਪੇਪਰ ਵਿੱਚ ਅਸੀਂ ਮਾਈਕਰੋਡਾਟਾ ਜਾਰੀ ਕਰਨ ਦੀ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਦੇ ਹਾਂ ਜਦੋਂ ਕਿ ਜਵਾਬ ਦੇਣ ਵਾਲਿਆਂ ਦੀ ਗੁਮਨਾਮਤਾ ਦੀ ਰੱਖਿਆ ਕਰਦੇ ਹੋਏ ਜਿਸ ਨੂੰ ਡੇਟਾ ਦਰਸਾਉਂਦਾ ਹੈ. ਇਹ ਪਹੁੰਚ k-ਗ਼ੈਰ-ਨਾਮ-ਖ਼ੁਦਾਈ ਦੀ ਪਰਿਭਾਸ਼ਾ ਤੇ ਅਧਾਰਿਤ ਹੈ। ਇੱਕ ਟੇਬਲ k- ਅਗਿਆਤਤਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜੇ ਇਸਦੇ ਸੰਖੇਪ ਨਾਲ ਸਪੱਸ਼ਟ ਤੌਰ ਤੇ ਪਛਾਣ ਕਰਨ ਵਾਲੀ ਜਾਣਕਾਰੀ ਨੂੰ ਜੋੜਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਜਾਣਕਾਰੀ ਨੂੰ ਘੱਟੋ ਘੱਟ k ਇਕਾਈਆਂ ਨਾਲ ਮੈਪ ਕਰਦੀ ਹੈ. ਅਸੀਂ ਦਰਸਾਉਂਦੇ ਹਾਂ ਕਿ ਕਿਵੇਂ ਆਮਕਰਨ ਅਤੇ ਦਮਨ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਜਾਰੀ ਕੀਤੀ ਗਈ ਜਾਣਕਾਰੀ ਦੀ ਇਕਸਾਰਤਾ (ਜਾਂ ਸੱਚਾਈ) ਨੂੰ ਸਮਝੌਤਾ ਕੀਤੇ ਬਿਨਾਂ ਕੇ-ਗੁਪਤਤਾ ਪ੍ਰਦਾਨ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਅਸੀਂ ਘੱਟੋ ਘੱਟ ਆਮਕਰਨ ਦੀ ਧਾਰਨਾ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ ਜੋ ਕਿ ਰੀਲੀਜ਼ ਪ੍ਰਕਿਰਿਆ ਦੀ ਜਾਇਦਾਦ ਨੂੰ ਕੈਪਚਰ ਕਰਦੀ ਹੈ ਕਿ ਡਾਟਾ ਨੂੰ k- ਅਗਿਆਤਤਾ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਲੋੜ ਤੋਂ ਵੱਧ ਨਾ ਵਿਗਾੜਿਆ ਜਾਵੇ, ਅਤੇ ਅਜਿਹੇ ਆਮਕਰਨ ਦੀ ਗਣਨਾ ਲਈ ਇੱਕ ਐਲਗੋਰਿਦਮ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ. ਅਸੀਂ ਵੱਖ-ਵੱਖ ਘੱਟੋ ਘੱਟ ਵਸਤਾਂ ਦੇ ਵਿਚਕਾਰ ਚੋਣ ਕਰਨ ਲਈ ਸੰਭਾਵਿਤ ਤਰਜੀਹ ਨੀਤੀਆਂ ਬਾਰੇ ਵੀ ਚਰਚਾ ਕਰਦੇ ਹਾਂ

cd866d4510e397dbc18156f8d840d7745943cc1a

74c24d7454a2408f766e4d9e507a0e9c3d80312f

ਵਾਇਰਲੈੱਸ ਸੈਂਸਰ ਨੈਟਵਰਕ ਲਈ ਸਮਾਰਟ-ਕਾਰਡ-ਅਧਾਰਿਤ ਉਪਭੋਗਤਾ ਪ੍ਰਮਾਣਿਕਤਾ ਸਕੀਮ (ਸੰਖੇਪ ਵਿੱਚ, ਇੱਕ ਐਸਯੂਏ-ਡਬਲਯੂਐਸਐਨ ਸਕੀਮ) ਨੂੰ ਸਿਰਫ ਉਹਨਾਂ ਉਪਭੋਗਤਾਵਾਂ ਤੱਕ ਸੈਂਸਰ ਡੇਟਾ ਤੱਕ ਪਹੁੰਚ ਸੀਮਤ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ ਜਿਨ੍ਹਾਂ ਕੋਲ ਸਮਾਰਟ ਕਾਰਡ ਅਤੇ ਸੰਬੰਧਿਤ ਪਾਸਵਰਡ ਦੋਵੇਂ ਹਨ। ਹਾਲਾਂਕਿ ਹਾਲ ਹੀ ਦੇ ਸਾਲਾਂ ਵਿੱਚ ਬਹੁਤ ਸਾਰੀਆਂ ਐਸਯੂਏ-ਡਬਲਯੂਐਸਐਨ ਸਕੀਮਾਂ ਦਾ ਸੁਝਾਅ ਦਿੱਤਾ ਗਿਆ ਹੈ, ਪਰ ਉਨ੍ਹਾਂ ਦੀਆਂ ਸੁਰੱਖਿਆ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਵਿਆਪਕ ਤੌਰ ਤੇ ਸਵੀਕਾਰ ਕੀਤੇ ਗਏ ਮਾਡਲ ਵਿੱਚ ਰਸਮੀ ਪਰਿਭਾਸ਼ਾਵਾਂ ਅਤੇ ਸਬੂਤ ਦੀ ਘਾਟ ਹੈ। ਇਸ ਦਾ ਇੱਕ ਨਤੀਜਾ ਇਹ ਹੈ ਕਿ ਵੱਖ-ਵੱਖ ਹਮਲਿਆਂ ਦੇ ਵਿਰੁੱਧ ਅਸੁਰੱਖਿਅਤ ਐਸਯੂਏ-ਡਬਲਯੂਐਸਐਨ ਯੋਜਨਾਵਾਂ ਫੈਲ ਗਈਆਂ ਹਨ। ਇਸ ਪੇਪਰ ਵਿੱਚ, ਅਸੀਂ ਬੇਲਾਰ, ਪੁਆਇੰਟਚੇਵਲ ਅਤੇ ਰੋਗਾਵੇ (2000) ਦੇ ਵਿਆਪਕ ਤੌਰ ਤੇ ਸਵੀਕਾਰ ਕੀਤੇ ਗਏ ਮਾਡਲ ਨੂੰ ਵਧਾ ਕੇ ਐਸਯੂਏ-ਡਬਲਯੂਐਸਐਨ ਸਕੀਮਾਂ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਇੱਕ ਸੁਰੱਖਿਆ ਮਾਡਲ ਤਿਆਰ ਕਰਦੇ ਹਾਂ। ਸਾਡਾ ਮਾਡਲ ਸਾਈਡ-ਚੈਨਲ ਹਮਲਿਆਂ ਦੇ ਨਾਲ-ਨਾਲ ਹੋਰ ਆਮ ਹਮਲਿਆਂ ਨੂੰ ਹਾਸਲ ਕਰਦੇ ਹੋਏ ਪ੍ਰਮਾਣਿਤ ਕੁੰਜੀ ਐਕਸਚੇਂਜ ਅਤੇ ਉਪਭੋਗਤਾ ਗੁਮਨਾਮਤਾ ਦੀ ਰਸਮੀ ਪਰਿਭਾਸ਼ਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਅਸੀਂ ਏਲਿਪਟਿਕ ਕਰਵ ਕ੍ਰਿਪਟੋਗ੍ਰਾਫੀ (ਈਸੀਸੀ) ਤੇ ਅਧਾਰਤ ਇੱਕ ਨਵੀਂ ਐਸਯੂਏ-ਡਬਲਯੂਐਸਐਨ ਸਕੀਮ ਦਾ ਪ੍ਰਸਤਾਵ ਵੀ ਦਿੰਦੇ ਹਾਂ, ਅਤੇ ਆਪਣੇ ਵਿਸਤ੍ਰਿਤ ਮਾਡਲ ਵਿੱਚ ਇਸ ਦੀਆਂ ਸੁਰੱਖਿਆ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਸਾਬਤ ਕਰਦੇ ਹਾਂ। ਸਾਡੇ ਗਿਆਨ ਦੇ ਸਰਬੋਤਮ ਲਈ, ਸਾਡੀ ਪ੍ਰਸਤਾਵਿਤ ਸਕੀਮ ਪਹਿਲੀ ਐਸਯੂਏ-ਡਬਲਯੂਐਸਐਨ ਸਕੀਮ ਹੈ ਜੋ ਪ੍ਰਮਾਣਿਤ ਕੁੰਜੀ ਐਕਸਚੇਂਜ ਅਤੇ ਉਪਭੋਗਤਾ ਗੁਮਨਾਮਤਾ ਦੋਵਾਂ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਤੌਰ ਤੇ ਪ੍ਰਾਪਤ ਕਰਦੀ ਹੈ. ਸਾਡੀ ਸਕੀਮ ਹੋਰ ਈਸੀਸੀ-ਅਧਾਰਿਤ (ਨਾਨ-ਪ੍ਰਮਾਣਿਤ ਤੌਰ ਤੇ ਸੁਰੱਖਿਅਤ) ਸਕੀਮਾਂ ਨਾਲ ਕੰਪਿਊਟੇਸ਼ਨਲ ਤੌਰ ਤੇ ਮੁਕਾਬਲੇਬਾਜ਼ੀ ਵੀ ਕਰਦੀ ਹੈ।

3973e14770350ed54ba1272aa3e19b4d21f5dad3

ਇਹ ਪੇਪਰ ਬੋਸ ਲਈ ਵਿਕਸਿਤ ਰੁਕਾਵਟ ਖੋਜ ਅਤੇ ਟਰੈਕਿੰਗ ਐਲਗੋਰਿਥਮ ਦਾ ਵਰਣਨ ਕਰਦਾ ਹੈ, ਜੋ 2007 ਦੇ ਡਾਰਪਾ ਅਰਬਨ ਚੈਲੇਂਜ ਵਿੱਚ ਕਾਰਨੇਗੀ ਮੇਲਨ ਯੂਨੀਵਰਸਿਟੀ ਦੀ ਜੇਤੂ ਐਂਟਰੀ ਹੈ। ਅਸੀਂ ਟਰੈਕਿੰਗ ਉਪ-ਪ੍ਰਣਾਲੀ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਾਂ ਅਤੇ ਦਿਖਾਉਂਦੇ ਹਾਂ ਕਿ ਇਹ ਵੱਡੇ ਧਾਰਨਾ ਪ੍ਰਣਾਲੀ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ. ਟਰੈਕਿੰਗ ਉਪ-ਪ੍ਰਣਾਲੀ ਰੋਬੋਟ ਨੂੰ ਸ਼ਹਿਰੀ ਡਰਾਈਵਿੰਗ ਦੇ ਗੁੰਝਲਦਾਰ ਦ੍ਰਿਸ਼ਾਂ ਨੂੰ ਸਮਝਣ ਦੀ ਸਮਰੱਥਾ ਦਿੰਦੀ ਹੈ ਤਾਂ ਜੋ ਦੂਜੇ ਵਾਹਨਾਂ ਦੀ ਨੇੜਤਾ ਵਿੱਚ ਸੁਰੱਖਿਅਤ ਢੰਗ ਨਾਲ ਕੰਮ ਕੀਤਾ ਜਾ ਸਕੇ। ਟਰੈਕਿੰਗ ਸਿਸਟਮ ਇਕਸਾਰ ਸਥਿਤੀ ਮਾਡਲ ਤਿਆਰ ਕਰਨ ਲਈ ਵਾਤਾਵਰਣ ਬਾਰੇ ਵਾਧੂ ਜਾਣਕਾਰੀ ਦੇ ਨਾਲ ਇੱਕ ਦਰਜਨ ਤੋਂ ਵੱਧ ਸੈਂਸਰਾਂ ਤੋਂ ਸੈਂਸਰ ਡੇਟਾ ਨੂੰ ਮਿਲਾਉਂਦਾ ਹੈ। ਸੈਂਸਰ ਡੇਟਾ ਦੀ ਗੁਣਵੱਤਾ ਦੇ ਅਧਾਰ ਤੇ ਵਸਤੂਆਂ ਨੂੰ ਟਰੈਕ ਕਰਨ ਲਈ ਇੱਕ ਨਾਵਲ ਮਲਟੀਪਲ-ਮਾਡਲ ਪਹੁੰਚ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅੰਤ ਵਿੱਚ, ਟਰੈਕਿੰਗ ਸਬ-ਸਿਸਟਮ ਦਾ ਆਰਕੀਟੈਕਚਰ ਪ੍ਰੋਸੈਸਿੰਗ ਦੇ ਹਰੇਕ ਪੱਧਰ ਨੂੰ ਸਪੱਸ਼ਟ ਤੌਰ ਤੇ ਸੰਖੇਪ ਕਰਦਾ ਹੈ. ਉਪ-ਪ੍ਰਣਾਲੀ ਨੂੰ ਨਵੇਂ ਸੈਂਸਰਾਂ ਅਤੇ ਪ੍ਰਮਾਣਿਕਤਾ ਐਲਗੋਰਿਥਮ ਜੋੜ ਕੇ ਆਸਾਨੀ ਨਾਲ ਵਧਾਇਆ ਜਾ ਸਕਦਾ ਹੈ।

6a694487451957937adddbd682d3851fabd45626

ਸਟੇਟ-ਆਫ-ਆਰਟ ਪ੍ਰਸ਼ਨ-ਜਵਾਬ (QA) ਪ੍ਰਣਾਲੀਆਂ ਜਵਾਬ ਦੇ ਅੰਸ਼ਾਂ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਸ਼ਬਦ-ਘਣਤਾ ਦਰਜਾਬੰਦੀ ਦੀ ਵਰਤੋਂ ਕਰਦੀਆਂ ਹਨ। ਅਜਿਹੇ ਢੰਗ ਅਕਸਰ ਗਲਤ ਹਵਾਲੇ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ ਕਿਉਂਕਿ ਪ੍ਰਸ਼ਨ ਸ਼ਬਦਾਂ ਦੇ ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਤੇ ਵਿਚਾਰ ਨਹੀਂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਪਿਛਲੇ ਅਧਿਐਨਾਂ ਨੇ ਸਵਾਲਾਂ ਅਤੇ ਜਵਾਬਾਂ ਵਿਚਕਾਰ ਨਿਰਭਰਤਾ ਸਬੰਧਾਂ ਨੂੰ ਮੇਲ ਕਰਕੇ ਇਸ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ। ਉਨ੍ਹਾਂ ਨੇ ਸਖਤ ਮੇਲ ਖਾਂਦੇ ਹੋਏ ਵਰਤਿਆ, ਜੋ ਅਸਫਲ ਹੋ ਜਾਂਦਾ ਹੈ ਜਦੋਂ ਅਰਥ-ਸਮਾਨ ਸੰਬੰਧ ਵੱਖਰੇ ਤਰੀਕੇ ਨਾਲ ਲਿਖੇ ਜਾਂਦੇ ਹਨ। ਅਸੀਂ ਅੰਕੜਾ ਮਾਡਲਾਂ ਦੇ ਆਧਾਰ ਤੇ ਫਜ਼ੀ ਰਿਲੇਸ਼ਨ ਮੈਚਿੰਗ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦੇ ਹਾਂ। ਅਸੀਂ ਪਿਛਲੇ QA ਜੋੜਿਆਂ ਤੋਂ ਸਿੱਖਣ ਦੇ ਸਬੰਧ ਮੈਪਿੰਗ ਸਕੋਰਾਂ ਲਈ ਦੋ ਢੰਗ ਪੇਸ਼ ਕਰਦੇ ਹਾਂਃ ਇੱਕ ਆਪਸੀ ਜਾਣਕਾਰੀ ਅਤੇ ਦੂਜਾ ਉਮੀਦਾਂ ਦੇ ਵੱਧ ਤੋਂ ਵੱਧ ਕਰਨ ਤੇ ਅਧਾਰਤ ਹੈ. ਪ੍ਰਯੋਗਾਤਮਕ ਨਤੀਜੇ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਸਾਡੀ ਵਿਧੀ ਅਤਿ-ਆਧੁਨਿਕ ਘਣਤਾ-ਅਧਾਰਤ ਪਾਸਿਆਂ ਦੀ ਮੁੜ-ਪ੍ਰਾਪਤੀ ਵਿਧੀਆਂ ਨੂੰ 78% ਤੱਕ ਦੀ ਔਸਤਨ ਪਰਸਪਰ ਰੈਂਕ ਵਿੱਚ ਬਹੁਤ ਵਧੀਆ ਢੰਗ ਨਾਲ ਕਰ ਸਕਦੀ ਹੈ। ਰਿਲੇਸ਼ਨ ਮੈਚਿੰਗ ਵੀ ਕੁਇਰੀ ਵਿਸਥਾਰ ਦੁਆਰਾ ਵਿਕਸਤ ਕੀਤੇ ਸਿਸਟਮ ਵਿੱਚ ਲਗਭਗ 50% ਸੁਧਾਰ ਲਿਆਉਂਦੀ ਹੈ।

2538e3eb24d26f31482c479d95d2e26c0e79b990

ਅਸੀਂ ਇੱਕ ਯੂਨੀਫਾਈਡ ਨਯੂਰਲ ਨੈਟਵਰਕ ਆਰਕੀਟੈਕਚਰ ਅਤੇ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦੇ ਹਾਂ ਜੋ ਕਿ ਵੱਖ-ਵੱਖ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ ਕਾਰਜਾਂ ਤੇ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨਃ ਭਾਸ਼ਣ ਦੇ ਹਿੱਸੇ ਨੂੰ ਟੈਗ ਕਰਨਾ, ਚੁੰਕਿੰਗ, ਨਾਮਿਤ ਇਕਾਈ ਦੀ ਪਛਾਣ, ਅਤੇ ਅਰਥਪੂਰਨ ਭੂਮਿਕਾ ਲੇਬਲਿੰਗ. ਇਹ ਬਹੁਪੱਖਤਾ ਕਾਰਜ-ਵਿਸ਼ੇਸ਼ ਇੰਜੀਨੀਅਰਿੰਗ ਤੋਂ ਬਚਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਕੇ ਪ੍ਰਾਪਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਇਸ ਲਈ ਬਹੁਤ ਸਾਰੇ ਪੁਰਾਣੇ ਗਿਆਨ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕੀਤਾ ਜਾਂਦਾ ਹੈ. ਮਨੁੱਖ ਦੁਆਰਾ ਬਣਾਏ ਗਏ ਇਨਪੁਟ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦਾ ਹਰ ਕੰਮ ਲਈ ਧਿਆਨ ਨਾਲ ਅਨੁਕੂਲ ਬਣਾਉਣ ਦੀ ਬਜਾਏ, ਸਾਡਾ ਸਿਸਟਮ ਵੱਡੇ ਪੱਧਰ ਤੇ ਗੈਰ-ਲੇਬਲ ਵਾਲੇ ਸਿਖਲਾਈ ਡੇਟਾ ਦੇ ਅਧਾਰ ਤੇ ਅੰਦਰੂਨੀ ਨੁਮਾਇੰਦਗੀ ਸਿੱਖਦਾ ਹੈ. ਇਸ ਕੰਮ ਨੂੰ ਫਿਰ ਇੱਕ ਮੁਫ਼ਤ ਉਪਲੱਬਧ ਟੈਗਿੰਗ ਸਿਸਟਮ ਨੂੰ ਬਣਾਉਣ ਲਈ ਇੱਕ ਆਧਾਰ ਦੇ ਤੌਰ ਤੇ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਚੰਗੀ ਕਾਰਗੁਜ਼ਾਰੀ ਅਤੇ ਘੱਟੋ ਘੱਟ ਕੰਪਿਊਟੇਸ਼ਨਲ ਲੋੜਾਂ ਹੁੰਦੀਆਂ ਹਨ।

317deb87586baa4ee7c7b5dfc603ebed94d1da07

ਅਸੀਂ ਇੱਕ ਨਵੇਂ ਤੇਜ਼ ਸ਼ੁੱਧ ਵਿਤਕਰੇ ਵਾਲੇ ਐਲਗੋਰਿਦਮ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦੇ ਹਾਂ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪਾਰਸਿੰਗ ਲਈ, ਇੱਕ ਡੂੰਘੀ ਆਵਰਤੀ ਕਨਵੋਲੂਸ਼ਨਲ ਗ੍ਰਾਫ ਟ੍ਰਾਂਸਫਾਰਮਰ ਨੈਟਵਰਕ (ਜੀਟੀਐਨ) ਤੇ ਅਧਾਰਤ. ਪਾਰਸ ਦੇ ਦਰੱਖਤ ਨੂੰ ਪੱਧਰ ਦੇ ਸਟੈਕ ਵਿੱਚ ਵੰਡਣ ਦੀ ਧਾਰਨਾ ਕਰਦੇ ਹੋਏ, ਨੈਟਵਰਕ ਪਿਛਲੇ ਪੱਧਰਾਂ ਦੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦਿਆਂ ਦਰੱਖਤ ਦੇ ਪੱਧਰ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ। ਸਿਰਫ ਕੁਝ ਕੁ ਬੁਨਿਆਦੀ ਟੈਕਸਟ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਜੋ ਕੋਲੋਬਰਟ ਅਤੇ ਵੈਸਟਨ (2008) ਤੋਂ ਸ਼ਬਦਾਂ ਦੀ ਨੁਮਾਇੰਦਗੀ ਦਾ ਲਾਭ ਉਠਾਉਂਦੇ ਹਨ, ਅਸੀਂ ਸਮਾਨ ਪ੍ਰਦਰਸ਼ਨ (ਐਫ 1 ਸਕੋਰ ਵਿੱਚ) ਮੌਜੂਦਾ ਸ਼ੁੱਧ ਵਿਤਕਰੇ ਵਾਲੇ ਪਾਰਸਰਾਂ ਅਤੇ ਮੌਜੂਦਾ "ਬੈਂਚਮਾਰਕ" ਪਾਰਸਰਾਂ (ਜਿਵੇਂ ਕਿ ਕੋਲਿਨਜ਼ ਪਾਰਸਰ, ਸੰਭਾਵਨਾਵਾਦੀ ਪ੍ਰਸੰਗ-ਮੁਕਤ ਵਿਆਕਰਣ ਅਧਾਰਤ) ਦੇ ਸਮਾਨ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਾਂ, ਜਿਸ ਵਿੱਚ ਇੱਕ ਬਹੁਤ ਵੱਡਾ ਗਤੀ ਲਾਭ ਹੈ.

04cc04457e09e17897f9256c86b45b92d70a401f

ਬਹੁਤ ਸਾਰੇ ਡੇਟਾ ਜਿਵੇਂ ਕਿ ਸੋਸ਼ਲ ਨੈਟਵਰਕ, ਫਿਲਮ ਪਸੰਦ ਜਾਂ ਗਿਆਨ ਅਧਾਰ ਬਹੁ-ਸੰਬੰਧਕ ਹੁੰਦੇ ਹਨ, ਇਸ ਵਿੱਚ ਉਹ ਇਕਾਈਆਂ ਦੇ ਵਿਚਕਾਰ ਕਈ ਸੰਬੰਧਾਂ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਨ। ਹਾਲਾਂਕਿ ਇਨ੍ਹਾਂ ਅੰਕੜਿਆਂ ਨੂੰ ਮਾਡਲਿੰਗ ਕਰਨ ਤੇ ਧਿਆਨ ਕੇਂਦਰਤ ਕਰਨ ਵਾਲੇ ਕੰਮ ਦੀ ਇੱਕ ਵੱਡੀ ਸੰਸਥਾ ਹੈ, ਇਹਨਾਂ ਕਈ ਕਿਸਮਾਂ ਦੇ ਸਬੰਧਾਂ ਨੂੰ ਸਾਂਝੇ ਤੌਰ ਤੇ ਮਾਡਲਿੰਗ ਕਰਨਾ ਚੁਣੌਤੀਪੂਰਨ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਮੌਜੂਦਾ ਪਹੁੰਚਾਂ ਵਿੱਚ ਟੁੱਟਣ ਦੀ ਪ੍ਰਵਿਰਤੀ ਹੁੰਦੀ ਹੈ ਜਦੋਂ ਇਨ੍ਹਾਂ ਕਿਸਮਾਂ ਦੀ ਗਿਣਤੀ ਵਧਦੀ ਹੈ। ਇਸ ਪੇਪਰ ਵਿੱਚ, ਅਸੀਂ ਸੰਭਾਵਤ ਤੌਰ ਤੇ ਹਜ਼ਾਰਾਂ ਸਬੰਧਾਂ ਦੇ ਨਾਲ, ਵੱਡੇ ਬਹੁ-ਸੰਬੰਧੀ ਡੇਟਾ ਸੈੱਟਾਂ ਨੂੰ ਮਾਡਲਿੰਗ ਕਰਨ ਲਈ ਇੱਕ ਵਿਧੀ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦੇ ਹਾਂ। ਸਾਡਾ ਮਾਡਲ ਇੱਕ ਬਿਲੀਨੇਅਰ ਢਾਂਚੇ ਤੇ ਅਧਾਰਤ ਹੈ, ਜੋ ਡੇਟਾ ਦੇ ਆਪਸੀ ਪ੍ਰਭਾਵ ਦੇ ਵੱਖ-ਵੱਖ ਆਦੇਸ਼ਾਂ ਨੂੰ ਹਾਸਲ ਕਰਦਾ ਹੈ, ਅਤੇ ਵੱਖ-ਵੱਖ ਸਬੰਧਾਂ ਵਿੱਚ ਘੱਟ ਲੁਕਵੇਂ ਕਾਰਕਾਂ ਨੂੰ ਵੀ ਸਾਂਝਾ ਕਰਦਾ ਹੈ। ਅਸੀਂ ਸਟੈਂਡਰਡ ਟੈਂਸਰ-ਫੈਕਟਰਾਈਜ਼ੇਸ਼ਨ ਡੇਟਾ ਸੈੱਟਾਂ ਤੇ ਆਪਣੀ ਪਹੁੰਚ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਾਂ ਜਿੱਥੇ ਅਸੀਂ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਾਂ, ਜਾਂ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੇ ਹਾਂ, ਸਟੇਟ-ਆਫ-ਦਿ-ਆਰਟ ਨਤੀਜੇ. ਅੰਤ ਵਿੱਚ, ਇੱਕ ਐਨਐਲਪੀ ਐਪਲੀਕੇਸ਼ਨ ਸਾਡੀ ਸਕੇਲੇਬਿਲਟੀ ਅਤੇ ਸਾਡੇ ਮਾਡਲ ਦੀ ਸਮਰੱਥਾ ਨੂੰ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਦੀ ਹੈ ਕੁਸ਼ਲ ਅਤੇ ਅਰਥਪੂਰਨ ਅਰਥਪੂਰਨ ਕਿਰਿਆਵਾਂ ਨੂੰ ਸਿੱਖਣ ਲਈ.

052b1d8ce63b07fec3de9dbb583772d860b7c769

ਅਸੀਂ ਇੱਕ ਨਵੀਂ ਸਿੱਖਣ ਦੀ ਵਿਧੀ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਾਂ, ਨਯੂਰੋਨ ਵਰਗੀਆਂ ਇਕਾਈਆਂ ਦੇ ਨੈਟਵਰਕ ਲਈ, ਬੈਕ-ਪ੍ਰੋਪੇਗੇਸ਼ਨ। ਪ੍ਰਕਿਰਿਆ ਵਾਰ-ਵਾਰ ਨੈੱਟਵਰਕ ਵਿੱਚ ਕੁਨੈਕਸ਼ਨਾਂ ਦੇ ਭਾਰ ਨੂੰ ਅਨੁਕੂਲ ਕਰਦੀ ਹੈ ਤਾਂ ਜੋ ਜਾਲ ਦੇ ਅਸਲ ਆਉਟਪੁੱਟ ਵੈਕਟਰ ਅਤੇ ਲੋੜੀਦੇ ਆਉਟਪੁੱਟ ਵੈਕਟਰ ਦੇ ਵਿਚਕਾਰ ਅੰਤਰ ਨੂੰ ਘੱਟ ਤੋਂ ਘੱਟ ਕੀਤਾ ਜਾ ਸਕੇ। ਭਾਰ ਦੇ ਅਨੁਕੂਲਤਾਵਾਂ ਦੇ ਨਤੀਜੇ ਵਜੋਂ, ਅੰਦਰੂਨੀ "ਗੁਪਤ" ਇਕਾਈਆਂ ਜੋ ਇਨਪੁਟ ਜਾਂ ਆਉਟਪੁੱਟ ਦਾ ਹਿੱਸਾ ਨਹੀਂ ਹਨ, ਟਾਸਕ ਡੋਮੇਨ ਦੀਆਂ ਮਹੱਤਵਪੂਰਣ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਦਰਸਾਉਂਦੀਆਂ ਹਨ, ਅਤੇ ਕੰਮ ਵਿਚ ਨਿਯਮਿਤਤਾਵਾਂ ਨੂੰ ਇਹਨਾਂ ਇਕਾਈਆਂ ਦੇ ਆਪਸੀ ਪ੍ਰਭਾਵ ਦੁਆਰਾ ਫੜਿਆ ਜਾਂਦਾ ਹੈ. ਉਪਯੋਗੀ ਨਵੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਬਣਾਉਣ ਦੀ ਸਮਰੱਥਾ ਬੈਕ-ਪ੍ਰਸਾਰ ਨੂੰ ਪੁਰਾਣੇ, ਸਧਾਰਨ ਤਰੀਕਿਆਂ ਜਿਵੇਂ ਕਿ ਪਰਸਪਰਟ੍ਰੋਨ-ਸੰਪਰਕ ਪ੍ਰਕਿਰਿਆ ਤੋਂ ਵੱਖ ਕਰਦੀ ਹੈ।

07f3f736d90125cb2b04e7408782af411c67dd5a

ਅਰਥਪੂਰਨ ਮੇਲ-ਜੋਲ ਬਹੁਤ ਸਾਰੇ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਦੇ ਕੰਮਾਂ ਲਈ ਕੇਂਦਰੀ ਮਹੱਤਵ ਰੱਖਦਾ ਹੈ [2, 28]. ਇੱਕ ਸਫਲ ਮੇਲ ਖਾਂਦਾ ਐਲਗੋਰਿਥਮ ਨੂੰ ਭਾਸ਼ਾ ਦੀਆਂ ਵਸਤੂਆਂ ਦੇ ਅੰਦਰੂਨੀ ਢਾਂਚੇ ਅਤੇ ਉਹਨਾਂ ਦੇ ਵਿਚਕਾਰ ਆਪਸੀ ਪ੍ਰਭਾਵ ਨੂੰ ਢੁਕਵੇਂ ਢੰਗ ਨਾਲ ਮਾਡਲ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇਸ ਟੀਚੇ ਵੱਲ ਇੱਕ ਕਦਮ ਦੇ ਤੌਰ ਤੇ, ਅਸੀਂ ਦੋ ਵਾਕਾਂ ਨੂੰ ਮੇਲ ਕਰਨ ਲਈ ਕਨਵੋਲੂਸ਼ਨਲ ਨਯੂਰਲ ਨੈਟਵਰਕ ਮਾਡਲਾਂ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦੇ ਹਾਂ, ਵਿਜ਼ਨ ਅਤੇ ਭਾਸ਼ਣ ਵਿੱਚ ਕਨਵੋਲੂਸ਼ਨਲ ਰਣਨੀਤੀ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾ ਕੇ। ਪ੍ਰਸਤਾਵਿਤ ਮਾਡਲਾਂ ਨਾ ਸਿਰਫ ਵਾਕਾਂ ਦੀ ਲੜੀਵਾਰ ਬਣਤਰ ਨੂੰ ਉਨ੍ਹਾਂ ਦੀ ਪਰਤ-ਦਰ-ਪਰਤ ਰਚਨਾ ਅਤੇ ਪੂਲਿੰਗ ਨਾਲ ਚੰਗੀ ਤਰ੍ਹਾਂ ਦਰਸਾਉਂਦੀਆਂ ਹਨ, ਬਲਕਿ ਵੱਖ-ਵੱਖ ਪੱਧਰਾਂ ਤੇ ਅਮੀਰ ਮੇਲ ਖਾਂਦੇ ਨਮੂਨੇ ਵੀ ਹਾਸਲ ਕਰਦੀਆਂ ਹਨ। ਸਾਡੇ ਮਾਡਲ ਕਾਫ਼ੀ ਆਮ ਹਨ, ਜਿਸ ਲਈ ਭਾਸ਼ਾ ਬਾਰੇ ਪਹਿਲਾਂ ਤੋਂ ਗਿਆਨ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ, ਅਤੇ ਇਸ ਲਈ ਵੱਖ-ਵੱਖ ਪ੍ਰਕਿਰਤੀ ਦੇ ਕੰਮਾਂ ਅਤੇ ਵੱਖ-ਵੱਖ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ ਮੇਲ ਕਰਨ ਲਈ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਵੱਖ-ਵੱਖ ਮੇਲ ਕਰਨ ਵਾਲੇ ਕੰਮਾਂ ਤੇ ਅਨੁਭਵੀ ਅਧਿਐਨ ਪ੍ਰਸਤਾਵਿਤ ਮਾਡਲ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਨੂੰ ਵੱਖ-ਵੱਖ ਮੇਲ ਕਰਨ ਵਾਲੇ ਕੰਮਾਂ ਤੇ ਅਤੇ ਇਸ ਦੀ ਮੁਕਾਬਲੇ ਦੇ ਮਾਡਲਾਂ ਦੀ ਉੱਤਮਤਾ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।

0af737eae02032e66e035dfed7f853ccb095d6f5

ਬਹੁਤ ਸਾਰੇ ਐਨਐਲਪੀ ਕਾਰਜਾਂ ਵਿੱਚ ਇੱਕ ਵਾਕ ਦੀ ਜੋੜੀ ਦਾ ਮਾਡਲ ਕਿਵੇਂ ਬਣਾਇਆ ਜਾਵੇ, ਜਿਵੇਂ ਕਿ ਜਵਾਬ ਚੋਣ (ਏਐਸ), ਪੈਰਾਫਰੇਸ ਪਛਾਣ (ਪੀਆਈ) ਅਤੇ ਪਾਠ ਸੰਬੰਧੀ ਸ਼ਾਮਲ (ਟੀਈ) ਇੱਕ ਮਹੱਤਵਪੂਰਣ ਮੁੱਦਾ ਹੈ। ਜ਼ਿਆਦਾਤਰ ਪੁਰਾਣੇ ਕੰਮ (i) ਇੱਕ ਖਾਸ ਪ੍ਰਣਾਲੀ ਨੂੰ ਵਧੀਆ ਢੰਗ ਨਾਲ ਸੰਚਾਲਿਤ ਕਰਕੇ ਇੱਕ ਵਿਅਕਤੀਗਤ ਕੰਮ ਨਾਲ ਸੰਬੰਧਿਤ ਹਨ; (ii) ਹਰੇਕ ਵਾਕ ਦੀ ਨੁਮਾਇੰਦਗੀ ਨੂੰ ਵੱਖਰੇ ਤੌਰ ਤੇ ਮਾਡਲ ਕਰਦਾ ਹੈ, ਦੂਜੇ ਵਾਕ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਘੱਟ ਹੀ ਵਿਚਾਰਦਾ ਹੈ; ਜਾਂ (iii) ਪੂਰੀ ਤਰ੍ਹਾਂ ਹੱਥੀਂ ਤਿਆਰ ਕੀਤੇ ਗਏ, ਕੰਮ-ਵਿਸ਼ੇਸ਼ ਭਾਸ਼ਾ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ. ਇਹ ਕੰਮ ਇੱਕ ਜੋੜਾ ਵਾਕਾਂ ਦੇ ਮਾਡਲਿੰਗ ਲਈ ਇੱਕ ਆਮ ਧਿਆਨ ਅਧਾਰਤ ਕਨਵੋਲੂਸ਼ਨਲ ਨਿਊਰਲ ਨੈਟਵਰਕ (ਏਬੀਸੀਐਨਐਨ) ਪੇਸ਼ ਕਰਦਾ ਹੈ। ਅਸੀਂ ਤਿੰਨ ਯੋਗਦਾਨ ਦਿੰਦੇ ਹਾਂ। (i) ਏਬੀਸੀਐਨਐਨ ਨੂੰ ਬਹੁਤ ਸਾਰੇ ਵੱਖ-ਵੱਖ ਕੰਮਾਂ ਲਈ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਲਈ ਵਾਕ ਜੋੜਿਆਂ ਦੇ ਮਾਡਲਿੰਗ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। (ii) ਅਸੀਂ ਤਿੰਨ ਧਿਆਨ ਸਕੀਮਾਂ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦੇ ਹਾਂ ਜੋ ਸੀਐਨਐਨ ਵਿੱਚ ਵਾਕਾਂ ਦੇ ਵਿਚਕਾਰ ਆਪਸੀ ਪ੍ਰਭਾਵ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਦੇ ਹਨ; ਇਸ ਤਰ੍ਹਾਂ, ਹਰੇਕ ਵਾਕ ਦੀ ਨੁਮਾਇੰਦਗੀ ਇਸਦੇ ਵਿਰੋਧੀ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੀ ਹੈ. ਇਹ ਆਪਸ ਵਿੱਚ ਨਿਰਭਰ ਵਾਕ ਜੋੜੇ ਦੀ ਨੁਮਾਇੰਦਗੀ ਇਕੱਲੇ ਵਾਕ ਨੁਮਾਇੰਦਗੀ ਨਾਲੋਂ ਵਧੇਰੇ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ। (iii) ਏਬੀਸੀਐੱਨਐੱਨ ਏਐੱਸ, ਪੀਆਈ ਅਤੇ ਟੀਈ ਕੰਮਾਂ ਤੇ ਅਤਿ ਆਧੁਨਿਕ ਪ੍ਰਦਰਸ਼ਨ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ। ਅਸੀਂ ਕੋਡ ਨੂੰ https://github.com/yinwenpeng/Answer_Selection ਤੇ ਜਾਰੀ ਕਰਦੇ ਹਾਂ।

1c059493904b2244d2280b8b4c0c7d3ca115be73

ਨੈਟਵਰਕ ਵਿੱਚ ਨੋਡਾਂ ਅਤੇ ਕਿਨਾਰਿਆਂ ਉੱਤੇ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਕੰਮਾਂ ਲਈ ਸਿੱਖਣ ਵਾਲੇ ਐਲਗੋਰਿਥਮ ਦੁਆਰਾ ਵਰਤੀਆਂ ਜਾਂਦੀਆਂ ਇੰਜੀਨੀਅਰਿੰਗ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਿੱਚ ਧਿਆਨ ਨਾਲ ਕੋਸ਼ਿਸ਼ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਨੁਮਾਇੰਦਗੀ ਸਿੱਖਣ ਦੇ ਵਿਆਪਕ ਖੇਤਰ ਵਿੱਚ ਹਾਲੀਆ ਖੋਜਾਂ ਨੇ ਆਪਣੇ ਆਪ ਵਿੱਚ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਸਿੱਖ ਕੇ ਭਵਿੱਖਬਾਣੀ ਨੂੰ ਸਵੈਚਾਲਿਤ ਕਰਨ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਤਰੱਕੀ ਕੀਤੀ ਹੈ। ਹਾਲਾਂਕਿ, ਮੌਜੂਦਾ ਵਿਸ਼ੇਸ਼ਤਾ ਸਿੱਖਣ ਦੇ ਪਹੁੰਚ ਨੈਟਵਰਕ ਵਿੱਚ ਦੇਖੇ ਗਏ ਕਨੈਕਟੀਵਿਟੀ ਪੈਟਰਨਾਂ ਦੀ ਵਿਭਿੰਨਤਾ ਨੂੰ ਹਾਸਲ ਕਰਨ ਲਈ ਕਾਫ਼ੀ ਪ੍ਰਗਟਾਵਾ ਨਹੀਂ ਕਰਦੇ. ਇੱਥੇ ਅਸੀਂ ਨੋਡ 2 ਵੀਕ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦੇ ਹਾਂ, ਨੈਟਵਰਕ ਵਿੱਚ ਨੋਡਾਂ ਲਈ ਨਿਰੰਤਰ ਵਿਸ਼ੇਸ਼ਤਾ ਪ੍ਰਤੀਨਿਧਤਾਵਾਂ ਨੂੰ ਸਿੱਖਣ ਲਈ ਇੱਕ ਐਲਗੋਰਿਦਮਿਕ ਫਰੇਮਵਰਕ. ਨੋਡ 2 ਵੀਕ ਵਿੱਚ, ਅਸੀਂ ਨੋਡਾਂ ਨੂੰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਇੱਕ ਘੱਟ-ਅਯਾਮੀ ਸਪੇਸ ਵਿੱਚ ਮੈਪਿੰਗ ਕਰਨਾ ਸਿੱਖਦੇ ਹਾਂ ਜੋ ਨੋਡਾਂ ਦੇ ਨੈਟਵਰਕ ਗੁਆਂਢੀਆਂ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਣ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਕਰਦਾ ਹੈ। ਅਸੀਂ ਨੋਡ ਦੇ ਨੈਟਵਰਕ ਗੁਆਂਢੀ ਦੀ ਇੱਕ ਲਚਕਦਾਰ ਧਾਰਨਾ ਨੂੰ ਪਰਿਭਾਸ਼ਤ ਕਰਦੇ ਹਾਂ ਅਤੇ ਇੱਕ ਪੱਖਪਾਤੀ ਬੇਤਰਤੀਬ ਸੈਰ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਦੇ ਹਾਂ, ਜੋ ਕੁਸ਼ਲਤਾ ਨਾਲ ਵੱਖ-ਵੱਖ ਗੁਆਂਢੀਆਂ ਦੀ ਪੜਚੋਲ ਕਰਦਾ ਹੈ। ਸਾਡਾ ਐਲਗੋਰਿਥਮ ਪਹਿਲਾਂ ਦੇ ਕੰਮ ਨੂੰ ਆਮ ਬਣਾਉਂਦਾ ਹੈ ਜੋ ਨੈਟਵਰਕ ਗੁਆਂਢੀਆਂ ਦੀਆਂ ਸਖ਼ਤ ਧਾਰਨਾਵਾਂ ਤੇ ਅਧਾਰਤ ਹੈ, ਅਤੇ ਅਸੀਂ ਦਲੀਲ ਦਿੰਦੇ ਹਾਂ ਕਿ ਗੁਆਂਢੀਆਂ ਦੀ ਪੜਚੋਲ ਕਰਨ ਵਿੱਚ ਜੋੜੀ ਗਈ ਲਚਕਤਾ ਵਧੇਰੇ ਅਮੀਰ ਨੁਮਾਇੰਦਗੀ ਸਿੱਖਣ ਦੀ ਕੁੰਜੀ ਹੈ। ਅਸੀਂ ਮਲਟੀ-ਲੇਬਲ ਵਰਗੀਕਰਣ ਅਤੇ ਲਿੰਕ ਅਨੁਮਾਨ ਤੇ ਮੌਜੂਦਾ ਅਤਿ-ਆਧੁਨਿਕ ਤਕਨੀਕਾਂ ਤੇ ਨੋਡ 2 ਵੀਕ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਨੂੰ ਵਿਭਿੰਨ ਡੋਮੇਨਾਂ ਦੇ ਕਈ ਅਸਲ-ਵਿਸ਼ਵ ਨੈਟਵਰਕਸ ਵਿੱਚ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਦੇ ਹਾਂ। ਇਕੱਠੇ ਕੀਤੇ ਗਏ, ਸਾਡੇ ਕੰਮ ਨੂੰ ਇੱਕ ਨਵ ਢੰਗ ਨੂੰ ਪ੍ਰਭਾਵੀ ਕਲਾ ਦੇ ਰਾਜ-ਦੇ-ਕੰਮ-ਸੁਤੰਤਰ ਨੁਮਾਇੰਦਗੀ ਗੁੰਝਲਦਾਰ ਨੈੱਟਵਰਕ ਵਿੱਚ ਸਿੱਖਣ ਲਈ ਨੁਮਾਇੰਦਗੀ.

de93c4f886bdf55bfc1bcaefad648d5996ed3302

ਇਹ ਅਧਿਆਇ ਆਧੁਨਿਕ ਘੁਸਪੈਠ ਦਾ ਪਤਾ ਲਗਾਉਣ ਦੀ ਸਥਿਤੀ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਡਾਟਾ ਮਾਈਨਿੰਗ ਦੇ ਉਭਰ ਰਹੇ ਪਹੁੰਚ ਤੇ ਵਿਸ਼ੇਸ਼ ਜ਼ੋਰ ਦਿੱਤਾ ਗਿਆ ਹੈ। ਚਰਚਾ ਨੇ ਘੁਸਪੈਠ ਦਾ ਪਤਾ ਲਗਾਉਣ ਦੇ ਦੋ ਮਹੱਤਵਪੂਰਨ ਪਹਿਲੂਆਂ ਨੂੰ ਜੋੜਿਆਃ ਆਮ ਖੋਜ ਰਣਨੀਤੀ (ਦੁਰਾਉ ਦੀ ਖੋਜ ਬਨਾਮ ਅਸ਼ੁੱਧੀ ਖੋਜ) ਅਤੇ ਡਾਟਾ ਸਰੋਤ (ਵਿਅਕਤੀਗਤ ਮੇਜ਼ਬਾਨ ਬਨਾਮ ਨੈਟਵਰਕ ਟ੍ਰੈਫਿਕ). ਦੁਰਵਰਤੋਂ ਦਾ ਪਤਾ ਲਗਾਉਣ ਨਾਲ ਘੁਸਪੈਠ ਦੇ ਜਾਣੇ-ਪਛਾਣੇ ਪੈਟਰਨਾਂ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ , ਜਦੋਂ ਕਿ ਅਸ਼ੁੱਧੀ ਦਾ ਪਤਾ ਲਗਾਉਣ ਨਾਲ ਆਮ ਵਿਵਹਾਰ ਤੋਂ ਭਟਕਣ ਦੀ ਭਾਲ ਕੀਤੀ ਜਾਂਦੀ ਹੈ . ਦੋ ਤਰੀਕਿਆਂ ਦੇ ਵਿਚਕਾਰ, ਸਿਰਫ ਅਸ਼ੁੱਧੀ ਖੋਜ ਵਿੱਚ ਅਣਜਾਣ ਹਮਲਿਆਂ ਦਾ ਪਤਾ ਲਗਾਉਣ ਦੀ ਸਮਰੱਥਾ ਹੈ। ਅਸਧਾਰਨਤਾ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ ਇੱਕ ਖਾਸ ਤੌਰ ਤੇ ਵਾਅਦਾ ਕਰਨ ਵਾਲੀ ਪਹੁੰਚ ਐਸੋਸੀਏਸ਼ਨ ਮਾਈਨਿੰਗ ਨੂੰ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੇ ਹੋਰ ਰੂਪਾਂ ਜਿਵੇਂ ਕਿ ਵਰਗੀਕਰਣ ਨਾਲ ਜੋੜਦੀ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਘੁਸਪੈਠ ਦਾ ਪਤਾ ਲਗਾਉਣ ਵਾਲੇ ਸਿਸਟਮ ਦੁਆਰਾ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਡੇਟਾ ਸਰੋਤ ਦਾ ਹਮਲਿਆਂ ਦੀਆਂ ਕਿਸਮਾਂ ਤੇ ਮਹੱਤਵਪੂਰਣ ਪ੍ਰਭਾਵ ਪੈਂਦਾ ਹੈ ਜਿਸ ਦਾ ਇਹ ਪਤਾ ਲਗਾ ਸਕਦਾ ਹੈ। ਉਪਲਬਧ ਵਿਸਤ੍ਰਿਤ ਜਾਣਕਾਰੀ ਦੇ ਪੱਧਰ ਵਿੱਚ ਇੱਕ ਸਮਝੌਤਾ ਹੈ। ਬਾਰਬਰਾ ਅਤੇ ਹੋਰ (ਸੰਪਾਦਕ) ), ਕੰਪਿਊਟਰ ਸੁਰੱਖਿਆ ਵਿੱਚ ਡਾਟਾ ਮਾਈਨਿੰਗ ਦੇ ਕਾਰਜ © ਕਲੂਵਰ ਅਕਾਦਮਿਕ ਪਬਲਿਸ਼ਰਜ਼ 2002 s

9e00005045a23f3f6b2c9fca094930f8ce42f9f6

2ec2f8cd6cf1a393acbc7881b8c81a78269cf5f7

ਅਸੀਂ ਇੱਕ ਡੂੰਘੀ ਕਨਵੋਲੂਸ਼ਨਲ ਨਯੂਰਲ ਨੈਟਵਰਕ (ਸੀ.ਐੱਨ.ਐੱਨ.) ਦੀ ਵਿਸ਼ੇਸ਼ਤਾ ਕੱਢਣ ਦੀਆਂ ਪਰਤਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੰਪਿਊਟ ਕੀਤੇ ਗਏ ਵਿਜ਼ੂਅਲ ਸੰਕਲਪ ਪ੍ਰਤੀਨਿਧਤਾ ਵੈਕਟਰ ਦੇ ਨਾਲ ਇੱਕ ਸਕਿੱਪ-ਗ੍ਰਾਮ ਭਾਸ਼ਾਈ ਪ੍ਰਤੀਨਿਧਤਾ ਵੈਕਟਰ ਨੂੰ ਜੋੜ ਕੇ ਬਹੁ-ਮੋਡਲ ਸੰਕਲਪ ਪ੍ਰਤੀਨਿਧਤਾ ਦਾ ਨਿਰਮਾਣ ਕਰਦੇ ਹਾਂ, ਜਿਸ ਨੂੰ ਇੱਕ ਵੱਡੇ ਲੇਬਲ ਵਾਲੇ ਆਬਜੈਕਟ ਮਾਨਤਾ ਡੇਟਾ ਸੈੱਟ ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ। ਇਹ ਟ੍ਰਾਂਸਫਰ ਲਰਨਿੰਗ ਪਹੁੰਚ ਰਵਾਇਤੀ ਬੈਗ-ਆਫ-ਵਿਜ਼ੂਅਲ-ਵਰਡ ਪਹੁੰਚ ਤੇ ਅਧਾਰਤ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਮੁਕਾਬਲੇ ਸਪੱਸ਼ਟ ਪ੍ਰਦਰਸ਼ਨ ਲਾਭ ਲਿਆਉਂਦੀ ਹੈ। ਵਰਡਸਿਮ353 ਅਤੇ ਮੈਨ ਸਿਮੈਨਟਿਕ ਸਬੰਧ ਮੁਲਾਂਕਣ ਕਾਰਜਾਂ ਤੇ ਪ੍ਰਯੋਗਾਤਮਕ ਨਤੀਜਿਆਂ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ ਗਈ ਹੈ। ਅਸੀਂ ਵਿਜ਼ੂਅਲ ਫੀਚਰਜ਼ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ ਜੋ ਕਿ ਇਮੇਜਨੇਟ ਜਾਂ ਈਐਸਪੀ ਗੇਮ ਚਿੱਤਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਕੰਪਿਊਟ ਕੀਤੇ ਗਏ ਹਨ।

a65e815895bed510c0549957ce6baa129c909813

ਅਸੀਂ ਗੈਰ-ਸੰਬੰਧਕ ਰੂਪ ਵਿਗਿਆਨ ਨੂੰ ਸਿੱਖਣ ਲਈ ਇੱਕ ਅਣ-ਨਿਗਰਾਨੀ ਪਹੁੰਚ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦੇ ਹਾਂ, ਜਿਸ ਨੂੰ ਅਸੀਂ ਅਰਬੀ ਜੜ੍ਹਾਂ ਅਤੇ ਪੈਟਰਨ ਟੈਂਪਲੇਟਾਂ ਦੇ ਸ਼ਬਦਾਵਲੀ ਨੂੰ ਪ੍ਰੇਰਿਤ ਕਰਨ ਲਈ ਲਾਗੂ ਕਰਦੇ ਹਾਂ. ਇਹ ਪਹੁੰਚ ਇਸ ਵਿਚਾਰ ਤੇ ਅਧਾਰਤ ਹੈ ਕਿ ਮੂਲ ਅਤੇ ਪੈਟਰਨ ਨੂੰ ਅਨੁਮਾਨਤ ਪੈਟਰਨ ਅਤੇ ਰੂਟ ਬਾਰੰਬਾਰਤਾ ਦੇ ਅਧਾਰ ਤੇ ਆਪਸੀ ਤੌਰ ਤੇ ਮੁੜ-ਮੁਲਾਂਕਣ ਦੇ ਸਕੋਰਿੰਗ ਦੁਆਰਾ ਪ੍ਰਗਟ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ. ਇੱਕ ਹੋਰ ਦੁਹਰਾਉਣ ਵਾਲੇ ਸੁਧਾਈ ਪੜਾਅ ਤੋਂ ਬਾਅਦ, ਪ੍ਰੇਰਿਤ ਸ਼ਬਦਾਵਲੀ ਦੇ ਨਾਲ ਰੂਪ ਵਿਗਿਆਨਿਕ ਵਿਸ਼ਲੇਸ਼ਣ 94% ਤੋਂ ਵੱਧ ਦੀ ਜੜ ਪਛਾਣ ਦੀ ਸ਼ੁੱਧਤਾ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ. ਸਾਡੀ ਪਹੁੰਚ ਅਰਬੀ ਰੂਪ ਵਿਗਿਆਨ ਦੀ ਬਿਨਾਂ ਨਿਗਰਾਨੀ ਸਿੱਖਣ ਦੇ ਪਿਛਲੇ ਕੰਮ ਤੋਂ ਵੱਖਰੀ ਹੈ ਕਿ ਇਹ ਕੁਦਰਤੀ ਤੌਰ ਤੇ ਲਿਖੇ, ਅਣ-ਅੱਖਰ ਪਾਠ ਤੇ ਲਾਗੂ ਹੈ.

3f4e71d715fce70c89e4503d747aad11fcac8a43

ਇਹ ਕੇਸ ਅਧਿਐਨ ਆਟੋ ਇੰਕ ਦੇ ਅੰਦਰ ਤਿੰਨ ਵੱਖਰੇ ਡਿਜੀਟਲ ਇਨੋਵੇਸ਼ਨ ਪ੍ਰੋਜੈਕਟਾਂ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ - ਇੱਕ ਵੱਡਾ ਯੂਰਪੀਅਨ ਆਟੋਮੇਕਰ। ਇੱਕ ਸਿਧਾਂਤਕ ਲੈਂਜ਼ ਦੇ ਤੌਰ ਤੇ ਮੁਕਾਬਲੇਬਾਜ਼ੀ ਮੁੱਲਾਂ ਦੇ ਢਾਂਚੇ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਸੀਂ ਇਹ ਖੋਜ ਕਰਦੇ ਹਾਂ ਕਿ ਕਿਵੇਂ ਇੱਕ ਡਾਇਨਾਮਿਕ ਸਮਰੱਥਾ ਇੱਕ ਫਰਮ ਵਿੱਚ ਡਿਜੀਟਲਾਈਜੇਸ਼ਨ ਤੋਂ ਉਤਪੰਨ ਹੋਣ ਅਤੇ ਨਵੀਨਤਾ ਕਰਨ ਵਿੱਚ ਵਧਦੀਆਂ ਮੰਗਾਂ ਨੂੰ ਪੂਰਾ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੀ ਹੈ। ਇਸ ਡਿਜੀਟਲਾਈਜੇਸ਼ਨ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ, ਸਾਡਾ ਅਧਿਐਨ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਸਥਾਪਤ ਸਮਾਜਿਕ-ਤਕਨੀਕੀ ਸਮਾਨਤਾਵਾਂ ਨੂੰ ਚੁਣੌਤੀ ਦਿੱਤੀ ਜਾ ਰਹੀ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਅਸੀਂ ਡਿਜੀਟਲਾਈਜੇਸ਼ਨ ਦੇ ਯੁੱਗ ਵਿੱਚ ਨਵੀਆਂ ਪ੍ਰਯੋਗਾਤਮਕ ਸਿੱਖਣ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਅਪਣਾਉਣ ਦੇ ਤਰੀਕਿਆਂ ਨੂੰ ਲੱਭਣ ਲਈ ਸੰਗਠਨਾਂ ਦੀ ਜ਼ਰੂਰਤ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਾਂ। ਹਾਲਾਂਕਿ ਅਜਿਹੇ ਪਰਿਵਰਤਨ ਲਈ ਲੰਬੇ ਸਮੇਂ ਦੀ ਪ੍ਰਤੀਬੱਧਤਾ ਅਤੇ ਦ੍ਰਿਸ਼ਟੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਪਰ ਇਸ ਅਧਿਐਨ ਵਿੱਚ ਅਜਿਹੇ ਪ੍ਰਯੋਗਾਤਮਕ ਪ੍ਰਕਿਰਿਆਵਾਂ ਲਈ ਤਿੰਨ ਗੈਰ-ਰਸਮੀ ਯੋਗਕਰਤਾ ਪੇਸ਼ ਕੀਤੇ ਗਏ ਹਨ। ਇਹ ਯੋਗਕਰਤਾ ਸਮਾਂ, ਦ੍ਰਿੜਤਾ ਅਤੇ ਸੰਪਰਕ ਹਨ।

c22366074e3b243f2caaeb2f78a2c8d56072905e

ਇੱਕ ਸੰਖੇਪ ਟ੍ਰਾਂਸਵਰਸ ਡਿਮੇਨੇਸ਼ਨ ਦੇ ਨਾਲ ਲੰਬਕਾਰੀ-ਸਲੋਟਡ ਰਿੱਜ ਵੇਵਗਾਈਡ ਐਂਟੀਨਾ ਐਰੇ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਹੈ। ਐਰੇ ਦੀ ਬੈਂਡਵਿਡਥ ਨੂੰ ਵਧਾਉਣ ਲਈ, ਇਸ ਨੂੰ ਦੋ ਸਬ-ਐਰੇ ਵਿੱਚ ਵੱਖ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜੋ ਇੱਕ ਨਾਵਲ ਸੰਖੇਪ ਘੁੰਮਣ ਵਾਲੇ ਵੇਵਗਾਈਡ ਡਿਵਾਈਡਰ ਦੁਆਰਾ ਖੁਆਇਆ ਜਾਂਦਾ ਹੈ। ਡਿਜ਼ਾਇਨ ਦੀ ਵੈਧਤਾ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਲਈ ਐਕਸ-ਬੈਂਡ ਤੇ 16 ਤੱਤ ਇਕਸਾਰ ਲੀਨੀਅਰ ਐਰੇ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਸੀ ਅਤੇ ਮਾਪਿਆ ਗਿਆ ਸੀ। S11les-15 dB ਦੀ ਮਾਪੀ ਗਈ ਬੈਂਡਵਿਡਥ 14.9% ਹੈ ਅਤੇ ਮਾਪੀ ਗਈ ਕਰਾਸ-ਪੋਲਰਾਈਜ਼ੇਸ਼ਨ ਪੱਧਰ ਪੂਰੀ ਬੈਂਡਵਿਡਥ ਉੱਤੇ -36 dB ਤੋਂ ਘੱਟ ਹੈ। ਇਹ ਐਰੇ ਨੂੰ ਕੰਢੇ-ਸਲੋਟਡ ਵੇਵਗਾਈਡ ਐਰੇ ਨਾਲ ਜੋੜਿਆ ਜਾ ਸਕਦਾ ਹੈ ਤਾਂ ਜੋ ਸਿੰਥੈਟਿਕ ਅਪਰਚਰ ਰਡਾਰ (ਐਸਏਆਰ) ਐਪਲੀਕੇਸ਼ਨ ਲਈ ਦੋ-ਅਯਾਮੀ ਦੋ-ਪੋਲਰਾਈਜ਼ੇਸ਼ਨ ਐਂਟੀਨਾ ਐਰੇ ਬਣਾਇਆ ਜਾ ਸਕੇ

0d57ba12a6d958e178d83be4c84513f7e42b24e5

ਡੂੰਘੀ ਸਿੱਖਣ ਵੱਡੇ ਨਯੂਰਲ ਨੈਟਵਰਕ ਅਤੇ ਵੱਡੇ ਡੇਟਾ ਸੈੱਟਾਂ ਨਾਲ ਫੈਲਦੀ ਹੈ। ਹਾਲਾਂਕਿ, ਵੱਡੇ ਨੈਟਵਰਕ ਅਤੇ ਵੱਡੇ ਡੇਟਾ ਸੈੱਟਾਂ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਲੰਬੇ ਸਿਖਲਾਈ ਦੇ ਸਮੇਂ ਹੁੰਦੇ ਹਨ ਜੋ ਖੋਜ ਅਤੇ ਵਿਕਾਸ ਦੀ ਪ੍ਰਗਤੀ ਨੂੰ ਰੋਕਦੇ ਹਨ। ਡਿਸਟ੍ਰੀਬਿਊਟਿਡ ਸਿੰਕ੍ਰੋਨਸ ਐਸਜੀਡੀ ਇਸ ਸਮੱਸਿਆ ਦਾ ਇੱਕ ਸੰਭਾਵੀ ਹੱਲ ਪੇਸ਼ ਕਰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਐਸਜੀਡੀ ਮਿੰਨੀ-ਬੈਚਾਂ ਨੂੰ ਪੈਰਲਲ ਵਰਕਰਾਂ ਦੇ ਪੂਲ ਵਿੱਚ ਵੰਡਿਆ ਜਾਂਦਾ ਹੈ। ਫਿਰ ਵੀ ਇਸ ਸਕੀਮ ਨੂੰ ਕੁਸ਼ਲ ਬਣਾਉਣ ਲਈ, ਪ੍ਰਤੀ ਵਰਕਰ ਦਾ ਕੰਮ ਦਾ ਭਾਰ ਵੱਡਾ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਜਿਸਦਾ ਅਰਥ ਹੈ ਐਸਜੀਡੀ ਮਿੰਨੀ-ਬੈਚ ਦੇ ਆਕਾਰ ਵਿੱਚ ਨਾ-ਮੌਜੂਦਾ ਵਾਧਾ. ਇਸ ਪੇਪਰ ਵਿੱਚ, ਅਸੀਂ ਅਨੁਭਵੀ ਤੌਰ ਤੇ ਦਿਖਾਉਂਦੇ ਹਾਂ ਕਿ ਇਮੇਜਨੇਟ ਡੇਟਾ ਸੈਟ ਤੇ ਵੱਡੇ ਮਿੰਨੀ ਬੈਚ ਅਨੁਕੂਲਤਾ ਦੀਆਂ ਮੁਸ਼ਕਲਾਂ ਦਾ ਕਾਰਨ ਬਣਦੇ ਹਨ, ਪਰ ਜਦੋਂ ਇਨ੍ਹਾਂ ਨੂੰ ਸੰਬੋਧਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਤਾਂ ਸਿਖਿਅਤ ਨੈਟਵਰਕ ਚੰਗੀ ਆਮਤਾ ਦਰਸਾਉਂਦੇ ਹਨ. ਖਾਸ ਤੌਰ ਤੇ, ਅਸੀਂ 8192 ਚਿੱਤਰਾਂ ਤੱਕ ਦੇ ਵੱਡੇ ਮਿੰਨੀ-ਬੈਚ ਅਕਾਰ ਦੇ ਨਾਲ ਸਿਖਲਾਈ ਦੇਣ ਵੇਲੇ ਸ਼ੁੱਧਤਾ ਦਾ ਕੋਈ ਨੁਕਸਾਨ ਨਹੀਂ ਦਿਖਾਉਂਦੇ. ਇਸ ਨਤੀਜੇ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ, ਅਸੀਂ ਮਿੰਨੀ ਬੈਚ ਦੇ ਆਕਾਰ ਦੇ ਫੰਕਸ਼ਨ ਦੇ ਤੌਰ ਤੇ ਸਿੱਖਣ ਦੀਆਂ ਦਰਾਂ ਨੂੰ ਅਨੁਕੂਲ ਕਰਨ ਲਈ ਇੱਕ ਲੀਨੀਅਰ ਸਕੇਲਿੰਗ ਨਿਯਮ ਅਪਣਾਉਂਦੇ ਹਾਂ ਅਤੇ ਇੱਕ ਨਵੀਂ ਵਾਰਮਅਪ ਸਕੀਮ ਵਿਕਸਿਤ ਕਰਦੇ ਹਾਂ ਜੋ ਸਿਖਲਾਈ ਦੇ ਸ਼ੁਰੂ ਵਿੱਚ ਅਨੁਕੂਲਤਾ ਦੀਆਂ ਚੁਣੌਤੀਆਂ ਨੂੰ ਦੂਰ ਕਰਦੀ ਹੈ. ਇਹਨਾਂ ਸਧਾਰਨ ਤਕਨੀਕਾਂ ਨਾਲ, ਸਾਡਾ ਕੈਫੇ 2-ਅਧਾਰਤ ਸਿਸਟਮ ResNet50 ਨੂੰ ਇੱਕ ਘੰਟੇ ਵਿੱਚ 256 GPUs ਤੇ 8192 ਦੇ ਮਿੰਨੀ-ਬੈਚ ਆਕਾਰ ਨਾਲ ਟ੍ਰੇਨ ਕਰਦਾ ਹੈ, ਜਦਕਿ ਛੋਟੇ ਮਿੰਨੀ-ਬੈਚ ਦੀ ਸ਼ੁੱਧਤਾ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ। ਕਮਾਡਿਟੀ ਹਾਰਡਵੇਅਰ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, 8 ਤੋਂ 256 GPUs ਤੱਕ ਜਾਣ ਵੇਲੇ ਸਾਡੀ ਸਥਾਪਨਾ ∼90% ਸਕੇਲਿੰਗ ਕੁਸ਼ਲਤਾ ਪ੍ਰਾਪਤ ਕਰਦੀ ਹੈ। ਇਹ ਪ੍ਰਣਾਲੀ ਸਾਨੂੰ ਇੰਟਰਨੈੱਟ ਸਕੇਲ ਡਾਟਾ ਤੇ ਉੱਚ ਕੁਸ਼ਲਤਾ ਨਾਲ ਵਿਜ਼ੂਅਲ ਰੀਕੋਗਨੀਸ਼ਨ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਦੇ ਯੋਗ ਬਣਾਉਂਦੀ ਹੈ।

2bbe9735b81e0978125dad005656503fca567902

ਕਰੈਨਲ ਰੂਟਕਿਟ ਕੰਪਿਊਟਰ ਪ੍ਰਣਾਲੀਆਂ ਲਈ ਇੱਕ ਵੱਡਾ ਖ਼ਤਰਾ ਹੈ। ਉਹ ਲੁਕਵੇਂ ਹਨ ਅਤੇ ਸਿਸਟਮ ਸਰੋਤਾਂ ਤੱਕ ਬੇਰੋਕ ਪਹੁੰਚ ਕਰ ਸਕਦੇ ਹਨ। ਇਹ ਪੇਪਰ ਇੱਕ ਗੈਸਟ VM ਵਿੱਚ ਕੰਟਰੋਲ-ਫਲੋ ਨੂੰ ਸੋਧਣ ਵਾਲੇ ਕਰਨੇਲ ਰੂਟਕਿਟ ਨੂੰ ਖੋਜਣ ਅਤੇ ਪਛਾਣਨ ਲਈ ਇੱਕ ਨਵਾਂ ਵਰਚੁਅਲ ਮਸ਼ੀਨ (ਵੀਐਮ) ਮਾਨੀਟਰ ਅਧਾਰਿਤ ਫਰੇਮਵਰਕ NumChecker ਪੇਸ਼ ਕਰਦਾ ਹੈ। NumChecker ਸਿਸਟਮ ਕਾਲ ਦੇ ਚੱਲਣ ਦੌਰਾਨ ਕੁਝ ਖਾਸ ਹਾਰਡਵੇਅਰ ਘਟਨਾਵਾਂ ਦੀ ਗਿਣਤੀ ਨੂੰ ਮਾਪ ਕੇ ਗੈਸਟ VM ਵਿੱਚ ਇੱਕ ਸਿਸਟਮ ਕਾਲ ਵਿੱਚ ਖਤਰਨਾਕ ਸੋਧਾਂ ਦਾ ਪਤਾ ਲਗਾਉਂਦਾ ਹੈ ਅਤੇ ਪਛਾਣਦਾ ਹੈ। ਇਹਨਾਂ ਘਟਨਾਵਾਂ ਨੂੰ ਆਟੋਮੈਟਿਕ ਤੌਰ ਤੇ ਗਿਣਨ ਲਈ, NumChecker ਹਾਰਡਵੇਅਰ ਪਰਫਾਰਮੈਂਸ ਕਾਊਂਟਰਾਂ (ਐਚਪੀਸੀ) ਦਾ ਲਾਭ ਲੈਂਦਾ ਹੈ, ਜੋ ਆਧੁਨਿਕ ਪ੍ਰੋਸੈਸਰਾਂ ਵਿੱਚ ਮੌਜੂਦ ਹਨ। ਐੱਚਪੀਸੀ ਦੀ ਵਰਤੋਂ ਨਾਲ ਜਾਂਚ ਦੀ ਲਾਗਤ ਵਿੱਚ ਕਾਫ਼ੀ ਕਮੀ ਆਉਂਦੀ ਹੈ ਅਤੇ ਹੇਰਾਫੇਰੀ ਪ੍ਰਤੀਰੋਧਤਾ ਵਿੱਚ ਵਾਧਾ ਹੁੰਦਾ ਹੈ। ਅਸੀਂ ਲੀਨਕਸ ਉੱਤੇ ਨਮਚੇਕਰ ਦਾ ਇੱਕ ਪ੍ਰੋਟੋਟਾਈਪ ਲਾਗੂ ਕਰਦੇ ਹਾਂ ਜਿਸ ਵਿੱਚ ਕੇਰਨਲ-ਅਧਾਰਿਤ VM ਹੈ। ਇੱਕ ਐਚਪੀਸੀ-ਅਧਾਰਿਤ ਦੋ-ਪੜਾਅ ਕੁੰਜੀ ਰੂਟਕਿਟ ਖੋਜ ਅਤੇ ਪਛਾਣ ਤਕਨੀਕ ਪੇਸ਼ ਕੀਤੀ ਗਈ ਹੈ ਅਤੇ ਕਈ ਅਸਲ-ਵਿਸ਼ਵ ਕੁੰਜੀ ਰੂਟਕਿਟਾਂ ਤੇ ਮੁਲਾਂਕਣ ਕੀਤਾ ਗਿਆ ਹੈ। ਨਤੀਜੇ ਇਸ ਦੀ ਵਿਵਹਾਰਕਤਾ ਅਤੇ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ।

a3d638ab304d3ef3862d37987c3a258a24339e05

ਸਾਈਕਲਗੈਨ [ਜ਼ੂ ਐਟ ਅਲ., 2017] ਦੋ ਚਿੱਤਰ ਵੰਡਾਂ ਵਿਚਕਾਰ ਇੱਕ ਤਬਦੀਲੀ ਸਿੱਖਣ ਲਈ ਇੱਕ ਹਾਲੀਆ ਸਫਲ ਪਹੁੰਚ ਹੈ। ਪ੍ਰਯੋਗਾਂ ਦੀ ਇੱਕ ਲੜੀ ਵਿੱਚ, ਅਸੀਂ ਮਾਡਲ ਦੀ ਇੱਕ ਦਿਲਚਸਪ ਵਿਸ਼ੇਸ਼ਤਾ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੇ ਹਾਂ: ਸਾਈਕਲਗੈਨ ਇੱਕ ਸਰੋਤ ਚਿੱਤਰ ਬਾਰੇ ਜਾਣਕਾਰੀ ਨੂੰ ਇੱਕ ਲਗਭਗ ਅਵਿਸ਼ਵਾਸੀ, ਉੱਚ-ਬਾਰੰਬਾਰਤਾ ਸੰਕੇਤ ਵਿੱਚ ਪੈਦਾ ਕਰਨ ਵਾਲੀਆਂ ਤਸਵੀਰਾਂ ਵਿੱਚ "ਲੁਕਾਉਣਾ" ਸਿੱਖਦਾ ਹੈ। ਇਹ ਚਾਲ ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦੀ ਹੈ ਕਿ ਜਨਰੇਟਰ ਮੂਲ ਨਮੂਨੇ ਨੂੰ ਮੁੜ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ ਚੱਕਰਵਾਤੀ ਇਕਸਾਰਤਾ ਦੀ ਲੋੜ ਨੂੰ ਪੂਰਾ ਕਰ ਸਕਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਤਿਆਰ ਕੀਤੀ ਗਈ ਤਸਵੀਰ ਯਥਾਰਥਵਾਦੀ ਰਹਿੰਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਵਰਤਾਰੇ ਨੂੰ ਵਿਰੋਧੀ ਹਮਲਿਆਂ ਨਾਲ ਜੋੜਦੇ ਹਾਂ ਸਾਈਕਲਗੈਨ ਦੀ ਸਿਖਲਾਈ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਵਿਰੋਧੀ ਉਦਾਹਰਣਾਂ ਦੇ ਜਨਰੇਟਰ ਨੂੰ ਸਿਖਲਾਈ ਦੇ ਤੌਰ ਤੇ ਵੇਖਦੇ ਹਾਂ ਅਤੇ ਇਹ ਦਰਸਾਉਂਦੇ ਹਾਂ ਕਿ ਚੱਕਰਵਾਸੀ ਇਕਸਾਰਤਾ ਦੇ ਨੁਕਸਾਨ ਕਾਰਨ ਸਾਈਕਲਗੈਨ ਵਿਰੋਧੀ ਹਮਲਿਆਂ ਲਈ ਵਿਸ਼ੇਸ਼ ਤੌਰ ਤੇ ਕਮਜ਼ੋਰ ਹੁੰਦਾ ਹੈ।

c171faac12e0cf24e615a902e584a3444fcd8857

5a14949bcc06c0ae9eecd29b381ffce22e1e75b2

ਡਾਟਾਬੇਸ ਦੇ ਇਸ ਅੰਕ ਵਿਚਲੇ ਲੇਖਾਂ ਦੀ ਚੋਣ ਐਂਥਨੀ ਜੀ. ਹੋਪਵੁੱਡ, ਜੋ ਲੰਡਨ ਗ੍ਰੈਜੂਏਟ ਸਕੂਲ ਆਫ਼ ਬਿਜ਼ਨਸ ਸਟੱਡੀਜ਼ ਵਿੱਚ ਲੇਖਾ ਅਤੇ ਵਿੱਤੀ ਰਿਪੋਰਟਿੰਗ ਦੇ ਪ੍ਰੋਫੈਸਰ ਹਨ। ਪ੍ਰੋਫੈਸਰ ਹੋਪਵੁੱਡ ਨੇ ਲਿਖਿਆ ਕਿ ਲੇਖਾਂ ਵਿੱਚ ਜਾਣਕਾਰੀ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਦਿਲਚਸਪੀ ਰੱਖਣ ਵਾਲੇ ਸਾਰੇ ਲੋਕਾਂ ਲਈ ਮਹੱਤਵਪੂਰਨ ਵਿਚਾਰ ਹਨ, ਭਾਵੇਂ ਉਹ ਪ੍ਰੈਕਟੀਸ਼ਨਰ ਹੋਣ ਜਾਂ ਅਕਾਦਮਿਕ। ਲੇਖਕ, ਉਸ ਸਮੇਂ ਉਨ੍ਹਾਂ ਦੀ ਪੇਸ਼ੇਵਰ ਸਬੰਧਾਂ ਦੇ ਨਾਲ, ਕ੍ਰਿਸ ਅਰਗਿਰੀਸ, ਗ੍ਰੈਜੂਏਟ ਸਕੂਲ ਆਫ਼ ਐਜੂਕੇਸ਼ਨ, ਹਾਰਵਰਡ ਯੂਨੀਵਰਸਿਟੀ; ਬੋ ਹੇਡਬਰਗ ਅਤੇ ਸਟੈਨ ਜੋਨਸਨ, ਡਿਪਾਰਟਮੈਂਟ ਆਫ਼ ਬਿਜ਼ਨਸ ਐਡਮਿਨਿਸਟ੍ਰੇਸ਼ਨ, ਯੂਨੀਵਰਸਿਟੀ ਆਫ ਗੋਟੇਬਰਗ; ਜੇ. ਫਰਿਸਕੋ ਡੇਨ ਹਰਟੋਗ, ਐਨ. V. Philips Gloeilampenfabrieken, ਨੀਦਰਲੈਂਡਜ਼, ਅਤੇ ਮਾਈਕਲ ਜੇ. ਅਰਲ, ਆਕਸਫੋਰਡ ਸੈਂਟਰ ਫਾਰ ਮੈਨੇਜਮੈਂਟ ਸਟੱਡੀਜ਼। ਲੇਖ ਅਸਲ ਵਿੱਚ Accounting, Organizations and Society ਵਿੱਚ ਪ੍ਰਕਾਸ਼ਿਤ ਹੋਏ ਸਨ, ਜਿਸ ਪ੍ਰਕਾਸ਼ਨ ਦਾ ਪ੍ਰੋਫੈਸਰ ਹੋਪਵੁੱਡ ਮੁੱਖ ਸੰਪਾਦਕ ਹੈ। ਏਓਐਸ ਉਭਰ ਰਹੇ ਵਿਕਾਸ ਦੀ ਨਿਗਰਾਨੀ ਕਰਨ ਅਤੇ ਨਵੇਂ ਪਹੁੰਚਾਂ ਅਤੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣਾਂ ਨੂੰ ਸਰਗਰਮੀ ਨਾਲ ਉਤਸ਼ਾਹਤ ਕਰਨ ਲਈ ਮੌਜੂਦ ਹੈ .

02227c94dd41fe0b439e050d377b0beb5d427cda

ਕੁਦਰਤੀ ਚਿੱਤਰਾਂ ਤੋਂ ਪਾਠ ਦਾ ਪਤਾ ਲਗਾਉਣਾ ਅਤੇ ਪੜ੍ਹਨਾ ਇੱਕ ਸਖਤ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਕੰਮ ਹੈ ਜੋ ਕਿ ਕਈ ਤਰ੍ਹਾਂ ਦੀਆਂ ਉਭਰ ਰਹੀਆਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਕੇਂਦਰੀ ਹੈ। ਦਸਤਾਵੇਜ਼ ਅੱਖਰ ਪਛਾਣ ਵਰਗੇ ਸਬੰਧਤ ਸਮੱਸਿਆਵਾਂ ਦਾ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਅਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਖੋਜਕਰਤਾਵਾਂ ਦੁਆਰਾ ਵਿਆਪਕ ਤੌਰ ਤੇ ਅਧਿਐਨ ਕੀਤਾ ਗਿਆ ਹੈ ਅਤੇ ਹੱਥ ਲਿਖਤ ਅੰਕ ਪੜ੍ਹਨ ਵਰਗੇ ਵਿਹਾਰਕ ਕਾਰਜਾਂ ਲਈ ਲਗਭਗ ਹੱਲ ਕੀਤਾ ਗਿਆ ਹੈ। ਹਾਲਾਂਕਿ, ਫੋਟੋਆਂ ਵਰਗੇ ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ ਦ੍ਰਿਸ਼ਾਂ ਵਿੱਚ ਪਾਤਰਾਂ ਨੂੰ ਭਰੋਸੇਯੋਗਤਾ ਨਾਲ ਪਛਾਣਨਾ ਬਹੁਤ ਮੁਸ਼ਕਲ ਹੈਃ ਸਭ ਤੋਂ ਵਧੀਆ ਮੌਜੂਦਾ methodsੰਗਾਂ ਉਸੇ ਕੰਮਾਂ ਤੇ ਮਨੁੱਖੀ ਪ੍ਰਦਰਸ਼ਨ ਤੋਂ ਬਹੁਤ ਪਿੱਛੇ ਹਨ. ਇਸ ਪੇਪਰ ਵਿੱਚ ਅਸੀਂ ਅਸਲੀ ਐਪਲੀਕੇਸ਼ਨ ਵਿੱਚ ਡਿਜਿਟਸ ਨੂੰ ਪਛਾਣਨ ਦੀ ਸਮੱਸਿਆ ਤੇ ਹਮਲਾ ਕਰਦੇ ਹਾਂ, ਜਿਸ ਵਿੱਚ ਅਸੁਰੱਖਿਅਤ ਫੀਚਰ ਲਰਨਿੰਗ ਵਿਧੀਆਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ: ਸਟ੍ਰੀਟ ਲੈਵਲ ਫੋਟੋਆਂ ਤੋਂ ਘਰ ਦੇ ਨੰਬਰ ਪੜ੍ਹਨਾ। ਇਸ ਮਕਸਦ ਲਈ, ਅਸੀਂ ਖੋਜ ਦੀ ਵਰਤੋਂ ਲਈ ਇੱਕ ਨਵਾਂ ਬੈਂਚਮਾਰਕ ਡੇਟਾ ਸੈਟ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ ਜਿਸ ਵਿੱਚ ਸਟ੍ਰੀਟ ਵਿਊ ਚਿੱਤਰਾਂ ਤੋਂ 600,000 ਤੋਂ ਵੱਧ ਲੇਬਲ ਕੀਤੇ ਅੰਕ ਸ਼ਾਮਲ ਹਨ। ਫਿਰ ਅਸੀਂ ਇਹ ਦਿਖਾਉਂਦੇ ਹਾਂ ਕਿ ਇਨ੍ਹਾਂ ਅੰਕੜਿਆਂ ਨੂੰ ਪਛਾਣਨ ਵਿੱਚ ਮੁਸ਼ਕਲ ਕਿਵੇਂ ਹੈ ਜਦੋਂ ਸਮੱਸਿਆ ਨੂੰ ਹੱਥ ਨਾਲ ਤਿਆਰ ਕੀਤੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨਾਲ ਨਜਿੱਠਿਆ ਜਾਂਦਾ ਹੈ। ਅੰਤ ਵਿੱਚ, ਅਸੀਂ ਹਾਲ ਹੀ ਵਿੱਚ ਪ੍ਰਸਤਾਵਿਤ ਦੋ ਸੁਪਰਵਾਈਜ਼ਡ ਫੀਚਰ ਲਰਨਿੰਗ ਤਰੀਕਿਆਂ ਦੇ ਰੂਪਾਂ ਨੂੰ ਵਰਤਦੇ ਹਾਂ ਅਤੇ ਇਹ ਪਾਉਂਦੇ ਹਾਂ ਕਿ ਉਹ ਸਾਡੇ ਬੈਂਚਮਾਰਕ ਤੇ ਯਕੀਨਨ ਉੱਤਮ ਹਨ.

081651b38ff7533550a3adfc1c00da333a8fe86c

ਕੁਦਰਤੀ ਚਿੱਤਰਾਂ ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਬਹੁਤ ਸਾਰੇ ਡੂੰਘੇ ਨਯੂਰਲ ਨੈਟਵਰਕ ਇੱਕ ਉਤਸੁਕ ਵਰਤਾਰੇ ਨੂੰ ਸਾਂਝਾ ਕਰਦੇ ਹਨਃ ਪਹਿਲੀ ਪਰਤ ਤੇ ਉਹ ਗੈਬਰ ਫਿਲਟਰਾਂ ਅਤੇ ਰੰਗ ਦੇ ਬਲਬਾਂ ਵਰਗੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਸਿੱਖਦੇ ਹਨ। ਅਜਿਹੇ ਪਹਿਲੇ ਲੇਅਰ ਦੇ ਫੀਚਰ ਕਿਸੇ ਖਾਸ ਡਾਟਾ ਸੈੱਟ ਜਾਂ ਟਾਸਕ ਲਈ ਵਿਸ਼ੇਸ਼ ਨਹੀਂ ਹੁੰਦੇ, ਪਰ ਆਮ ਹੁੰਦੇ ਹਨ ਕਿਉਂਕਿ ਉਹ ਬਹੁਤ ਸਾਰੇ ਡਾਟਾ ਸੈੱਟਾਂ ਅਤੇ ਟਾਸਕਾਂ ਲਈ ਲਾਗੂ ਹੁੰਦੇ ਹਨ। ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਆਖਰਕਾਰ ਨੈਟਵਰਕ ਦੀ ਆਖਰੀ ਪਰਤ ਦੁਆਰਾ ਆਮ ਤੋਂ ਵਿਸ਼ੇਸ਼ ਵਿੱਚ ਤਬਦੀਲ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਪਰ ਇਸ ਤਬਦੀਲੀ ਦਾ ਵਿਆਪਕ ਤੌਰ ਤੇ ਅਧਿਐਨ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਹੈ. ਇਸ ਪੇਪਰ ਵਿੱਚ ਅਸੀਂ ਪ੍ਰਯੋਗਾਤਮਕ ਤੌਰ ਤੇ ਡੂੰਘੇ ਕਨਵੋਲੂਸ਼ਨਲ ਨਯੂਰਨਲ ਨੈਟਵਰਕ ਦੀ ਹਰੇਕ ਪਰਤ ਵਿੱਚ ਨਯੂਰਨਾਂ ਦੀ ਵਿਸ਼ੇਸ਼ਤਾ ਦੇ ਮੁਕਾਬਲੇ ਆਮਤਾ ਨੂੰ ਮਾਤਰਾਵਾਂ ਦਿੰਦੇ ਹਾਂ ਅਤੇ ਕੁਝ ਹੈਰਾਨੀਜਨਕ ਨਤੀਜਿਆਂ ਦੀ ਰਿਪੋਰਟ ਕਰਦੇ ਹਾਂ। ਟ੍ਰਾਂਸਫਰਯੋਗਤਾ ਦੋ ਵੱਖਰੇ ਮੁੱਦਿਆਂ ਦੁਆਰਾ ਨਕਾਰਾਤਮਕ ਤੌਰ ਤੇ ਪ੍ਰਭਾਵਿਤ ਹੁੰਦੀ ਹੈਃ (1) ਟੀਚੇ ਦੇ ਕੰਮ ਤੇ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਕੀਮਤ ਤੇ ਉੱਚ ਪਰਤ ਦੇ ਨਿurਰੋਨਾਂ ਦੀ ਮੁ specializationਲੇ ਕੰਮ ਲਈ ਵਿਸ਼ੇਸ਼ਤਾ, ਜਿਸ ਦੀ ਉਮੀਦ ਕੀਤੀ ਜਾਂਦੀ ਸੀ, ਅਤੇ (2) ਸਹਿ-ਅਨੁਕੂਲਿਤ ਨਿurਰੋਨਾਂ ਵਿਚਕਾਰ ਨੈਟਵਰਕ ਨੂੰ ਵੰਡਣ ਨਾਲ ਸਬੰਧਤ ਅਨੁਕੂਲਤਾ ਦੀਆਂ ਮੁਸ਼ਕਲਾਂ, ਜਿਸ ਦੀ ਉਮੀਦ ਨਹੀਂ ਕੀਤੀ ਜਾਂਦੀ ਸੀ। ਇੱਕ ਉਦਾਹਰਨ ਨੈਟਵਰਕ ਵਿੱਚ ਜੋ ਕਿ ਇਮੇਜਨੇਟ ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਹੈ, ਅਸੀਂ ਦਿਖਾਉਂਦੇ ਹਾਂ ਕਿ ਇਹਨਾਂ ਦੋ ਮੁੱਦਿਆਂ ਵਿੱਚੋਂ ਕੋਈ ਵੀ ਪ੍ਰਮੁੱਖ ਹੋ ਸਕਦਾ ਹੈ, ਇਸ ਗੱਲ ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਕੀ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਹੇਠਾਂ, ਮੱਧ ਜਾਂ ਨੈਟਵਰਕ ਦੇ ਸਿਖਰ ਤੋਂ ਤਬਦੀਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ. ਅਸੀਂ ਇਹ ਵੀ ਦਸਤਾਵੇਜ਼ ਦਿੰਦੇ ਹਾਂ ਕਿ ਬੇਸ ਟਾਸਕ ਅਤੇ ਟਾਰਗੇਟ ਟਾਸਕ ਵਿਚਕਾਰ ਦੂਰੀ ਵਧਣ ਨਾਲ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਟ੍ਰਾਂਸਫਰਯੋਗਤਾ ਘਟਦੀ ਹੈ, ਪਰ ਇਹ ਕਿ ਦੂਰ ਦੇ ਕੰਮਾਂ ਤੋਂ ਵੀ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਟ੍ਰਾਂਸਫਰ ਕਰਨਾ ਬੇਤਰਤੀਬੇ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਨਾਲੋਂ ਬਿਹਤਰ ਹੋ ਸਕਦਾ ਹੈ. ਇੱਕ ਅਖੀਰਲਾ ਹੈਰਾਨੀਜਨਕ ਨਤੀਜਾ ਇਹ ਹੈ ਕਿ ਲਗਭਗ ਕਿਸੇ ਵੀ ਗਿਣਤੀ ਦੀਆਂ ਪਰਤਾਂ ਤੋਂ ਟ੍ਰਾਂਸਫਰ ਕੀਤੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਾਲੇ ਨੈਟਵਰਕ ਨੂੰ ਅਰੰਭ ਕਰਨਾ ਆਮਕਰਨ ਨੂੰ ਉਤਸ਼ਾਹਤ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਟੀਚੇ ਦੇ ਡੇਟਾ ਸੈੱਟ ਨੂੰ ਵਧੀਆ ਬਣਾਉਣ ਤੋਂ ਬਾਅਦ ਵੀ ਰਹਿੰਦਾ ਹੈ।

6c8d5d5eee5967958a2e03a84bcc00f1f81f4d9e

ਉੱਚ-ਪ੍ਰਾਪਤੀ ਲੜੀਬੱਧਤਾ ਨੇ ਸਿਧਾਂਤਕ ਤੌਰ ਤੇ ਉੱਚ-ਗੁਣਵੱਤਾ ਦੇ ਡੀ ਨੋਵੋ ਅਸੈਂਬਲਡ ਜੀਨੋਮ ਲੜੀਬੱਧਤਾਵਾਂ ਪ੍ਰਾਪਤ ਕਰਨਾ ਸੰਭਵ ਕਰ ਦਿੱਤਾ ਹੈ ਪਰ ਅਭਿਆਸ ਵਿੱਚ ਡੀ ਐਨ ਏ ਐਬਸਟਰੈਕਟ ਅਕਸਰ ਦੂਜੇ ਜੀਵਾਣੂਆਂ ਦੇ ਲੜੀਬੱਧਤਾਵਾਂ ਨਾਲ ਦੂਸ਼ਿਤ ਹੁੰਦੇ ਹਨ. ਵਰਤਮਾਨ ਵਿੱਚ, ਯੂਕੇਰੀਓਟਿਕ ਅਸੈਂਬਲੀ ਨੂੰ ਸਖਤੀ ਨਾਲ ਡੀਕੌਨਟਾਮਾਈਨ ਕਰਨ ਲਈ ਕੁਝ ਮੌਜੂਦਾ ਢੰਗ ਹਨ। ਜੋ ਮੌਜੂਦ ਹਨ ਉਹ ਪ੍ਰਦੂਸ਼ਿਤ ਕਰਨ ਵਾਲੇ ਦੇ ਨਾਲ ਨਿਊਕਲੀਓਟਾਇਡ ਸਮਾਨਤਾ ਦੇ ਅਧਾਰ ਤੇ ਫਿਲਟਰ ਕ੍ਰਮ ਅਤੇ ਟੀਚੇ ਦੇ ਜੀਵ ਤੋਂ ਕ੍ਰਮ ਨੂੰ ਖਤਮ ਕਰਨ ਦਾ ਜੋਖਮ. ਅਸੀਂ ਇੱਕ ਸਥਾਪਤ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਵਿਧੀ ਦਾ ਇੱਕ ਨਾਵਲ ਕਾਰਜ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ, ਇੱਕ ਫੈਸਲਾ ਰੁੱਖ, ਜੋ ਸਖਤੀ ਨਾਲ ਕ੍ਰਮ ਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰ ਸਕਦਾ ਹੈ। ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਦੀ ਮੁੱਖ ਤਾਕਤ ਇਹ ਹੈ ਕਿ ਇਹ ਕਿਸੇ ਵੀ ਮਾਪੀ ਗਈ ਵਿਸ਼ੇਸ਼ਤਾ ਨੂੰ ਇਨਪੁਟ ਦੇ ਤੌਰ ਤੇ ਲੈ ਸਕਦਾ ਹੈ ਅਤੇ ਮਹੱਤਵਪੂਰਨ ਵਰਣਨਕਰਤਾਵਾਂ ਦੀ ਪਹਿਲਾਂ ਤੋਂ ਪਛਾਣ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ. ਅਸੀਂ ਨਵੇਂ ਇਕੱਠੇ ਕੀਤੇ ਕ੍ਰਮਾਂ ਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਲਈ ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ ਅਤੇ ਪ੍ਰਕਾਸ਼ਿਤ ਪ੍ਰੋਟੋਕੋਲ ਨਾਲ ਵਿਧੀ ਦੀ ਤੁਲਨਾ ਕਰਦੇ ਹਾਂ। ਯੂਕੇਰੀਓਟਿਕ ਡੀ ਨੋਵੋ ਅਸੈਂਬਲੀਜ਼ ਵਿੱਚ ਕ੍ਰਮ ਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਵੇਲੇ ਇੱਕ ਫੈਸਲਾ ਰੁੱਖ ਮੌਜੂਦਾ ਤਰੀਕਿਆਂ ਨਾਲੋਂ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ। ਇਹ ਕੁਸ਼ਲ ਹੈ, ਆਸਾਨੀ ਨਾਲ ਲਾਗੂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਨਿਸ਼ਾਨਾ ਅਤੇ ਪ੍ਰਦੂਸ਼ਿਤ ਕ੍ਰਮ ਦੀ ਸਹੀ ਪਛਾਣ ਕਰਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਤੌਰ ਤੇ, ਇੱਕ ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਨੂੰ ਮਾਪੇ ਗਏ ਵਰਣਨਕਰਤਾਵਾਂ ਦੇ ਅਨੁਸਾਰ ਕ੍ਰਮ ਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ ਅਤੇ ਸੰਭਾਵਤ ਤੌਰ ਤੇ ਜੈਵਿਕ ਡੇਟਾ ਸੈੱਟਾਂ ਨੂੰ ਡਿਸਟਿਲ ਕਰਨ ਵਿੱਚ ਬਹੁਤ ਸਾਰੇ ਉਪਯੋਗ ਹਨ.

26433d86b9c215b5a6871c70197ff4081d63054a

ਬਾਇਓਮੈਟ੍ਰਿਕ ਮਾਨਤਾ ਪ੍ਰਣਾਲੀ ਵਿੱਚ ਇਸ ਦੇ ਉੱਚ ਪ੍ਰਦਰਸ਼ਨ ਲਈ ਮਲਟੀਮੋਡਲ ਬਾਇਓਮੈਟ੍ਰਿਕ ਨੇ ਹਾਲ ਹੀ ਵਿੱਚ ਕਾਫ਼ੀ ਦਿਲਚਸਪੀ ਆਕਰਸ਼ਤ ਕੀਤੀ ਹੈ। ਇਸ ਪੇਪਰ ਵਿੱਚ ਅਸੀਂ ਫੀਚਰ ਪੱਧਰ ਤੇ ਫਿਊਜ਼ਨ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਚਿਹਰੇ ਅਤੇ ਹਥੇਲੀ ਦੇ ਪ੍ਰਿੰਟ ਚਿੱਤਰਾਂ ਲਈ ਮਲਟੀਮੋਡਲ ਬਾਇਓਮੈਟ੍ਰਿਕਸ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ। ਗੈਬਰ ਅਧਾਰਤ ਚਿੱਤਰ ਪ੍ਰੋਸੈਸਿੰਗ ਦੀ ਵਰਤੋਂ ਵਿਤਕਰੇ ਵਾਲੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਕੱractਣ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਜਦੋਂ ਕਿ ਪ੍ਰਮੁੱਖ ਕੰਪੋਨੈਂਟ ਵਿਸ਼ਲੇਸ਼ਣ (ਪੀਸੀਏ) ਅਤੇ ਲੀਨੀਅਰ ਵਿਤਕਰੇ ਵਿਸ਼ਲੇਸ਼ਣ (ਐਲਡੀਏ) ਦੀ ਵਰਤੋਂ ਹਰੇਕ ਵਿਧੀ ਦੇ ਮਾਪ ਨੂੰ ਘਟਾਉਣ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ. ਐਲਡੀਏ ਦੇ ਆਉਟਪੁੱਟ ਫੀਚਰ ਨੂੰ ਲੜੀਵਾਰ ਰੂਪ ਵਿੱਚ ਜੋੜਿਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਇੱਕ ਯੂਕਲੀਡੀਅਨ ਦੂਰੀ ਵਰਗੀਕਰਤਾ ਦੁਆਰਾ ਵਰਗੀਕ੍ਰਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਓਆਰਐਲ ਚਿਹਰੇ ਅਤੇ ਪੌਲੀ-ਯੂ ਹਥੇਲੀ ਦੇ ਪ੍ਰਿੰਟ ਡੇਟਾਬੇਸ ਦੇ ਅਧਾਰ ਤੇ ਪ੍ਰਯੋਗਾਤਮਕ ਨਤੀਜਿਆਂ ਨੇ ਸਾਬਤ ਕੀਤਾ ਕਿ ਇਹ ਫਿusionਜ਼ਨ ਤਕਨੀਕ ਸਿੰਗਲ ਮੋਡਲ ਬਾਇਓਮੈਟ੍ਰਿਕਸ ਦੁਆਰਾ ਪੈਦਾ ਕੀਤੀ ਗਈ ਬਾਇਓਮੈਟ੍ਰਿਕ ਮਾਨਤਾ ਦਰਾਂ ਦੀ ਤੁਲਨਾ ਵਿੱਚ ਵਾਧਾ ਕਰਨ ਦੇ ਯੋਗ ਹੈ।

1c01e44df70d6fde616de1ef90e485b23a3ea549

ਅਸੀਂ ਇੱਕ ਮਾਰਕੋਵ ਰੈਂਡਮ ਫੀਲਡ (ਐਮਆਰਐਫ) ਦੇ ਲੌਗ ਭਾਗ ਫੰਕਸ਼ਨ ਤੇ ਉਪਰਲੀਆਂ ਸੀਮਾਵਾਂ ਦੀ ਇੱਕ ਨਵੀਂ ਕਲਾਸ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ। ਇਹ ਮਾਤਰਾ ਵੱਖ-ਵੱਖ ਸੰਦਰਭਾਂ ਵਿੱਚ ਮਹੱਤਵਪੂਰਣ ਭੂਮਿਕਾ ਨਿਭਾਉਂਦੀ ਹੈ, ਜਿਸ ਵਿੱਚ ਹਾਸ਼ੀਏ ਦੀ ਵੰਡ, ਪੈਰਾਮੀਟਰ ਅਨੁਮਾਨ, ਸੰਜੋਗ ਸੰਖਿਆ, ਅੰਕੜਾ ਫੈਸਲੇ ਦੀ ਸਿਧਾਂਤ, ਅਤੇ ਵੱਡੇ-ਅਵਕਰਣਾਂ ਦੀਆਂ ਹੱਦਾਂ ਸ਼ਾਮਲ ਹਨ। ਸਾਡਾ ਡੈਰੀਵੇਸ਼ਨ ਕਨਵੈਕਸ ਦੋਹਰੀ ਅਤੇ ਜਾਣਕਾਰੀ ਜਿਓਮੈਟਰੀ ਤੋਂ ਸੰਕਲਪਾਂ ਤੇ ਅਧਾਰਤ ਹੈਃ ਖਾਸ ਤੌਰ ਤੇ, ਇਹ ਐਕਸਪੋਨੇਂਸ਼ੀਅਲ ਡੋਮੇਨ ਵਿਚ ਵੰਡ ਦੇ ਮਿਸ਼ਰਣਾਂ ਦਾ ਸ਼ੋਸ਼ਣ ਕਰਦਾ ਹੈ, ਅਤੇ ਐਕਸਪੋਨੇਂਸ਼ੀਅਲ ਅਤੇ ਮੀਨ ਪੈਰਾਮੀਟਰਾਂ ਵਿਚਕਾਰ ਲੇਜੈਂਡਰ ਮੈਪਿੰਗ. ਰੁੱਖ-ਬਣਾਇਆ ਵੰਡ ਦੇ ਘੁੰਮਦੇ ਸੰਜੋਗਾਂ ਦੇ ਵਿਸ਼ੇਸ਼ ਮਾਮਲੇ ਵਿੱਚ, ਅਸੀਂ ਭਿੰਨਤਾਵਾਂ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਦਾ ਇੱਕ ਪਰਿਵਾਰ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਾਂ, ਜੋ ਕਿ ਬੇਥ ਭਿੰਨਤਾ ਸਮੱਸਿਆ ਦੇ ਸਮਾਨ ਹੈ, ਪਰ ਹੇਠ ਲਿਖੀਆਂ ਲੋੜੀਂਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੁਆਰਾ ਵੱਖ ਕੀਤਾ ਜਾਂਦਾ ਹੈਃ i) ਉਹ ਘੁੰਮਦੇ ਹਨ, ਅਤੇ ਇੱਕ ਵਿਲੱਖਣ ਗਲੋਬਲ ਅਨੁਕੂਲ ਹੈ; ਅਤੇ ii) ਅਨੁਕੂਲਤਾ ਲੌਗ ਭਾਗ ਫੰਕਸ਼ਨ ਤੇ ਇੱਕ ਉਪਰਲੀ ਸੀਮਾ ਦਿੰਦੀ ਹੈ. ਇਹ ਅਨੁਕੂਲ ਸਥਿਰ ਹਾਲਤਾਂ ਦੁਆਰਾ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਹੈ ਜੋ ਕਿ ਜੋੜ-ਉਤਪਾਦ ਐਲਗੋਰਿਥਮ ਦੇ ਸਥਿਰ ਬਿੰਦੂਆਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਵਾਲੇ ਬਹੁਤ ਹੀ ਸਮਾਨ ਹਨ, ਜਾਂ ਵਧੇਰੇ ਆਮ ਤੌਰ ਤੇ, ਬੈਥ ਵੇਰੀਏਸ਼ਨਲ ਸਮੱਸਿਆ ਦੇ ਕਿਸੇ ਵੀ ਸਥਾਨਕ ਅਨੁਕੂਲ. ਜਿਵੇਂ ਕਿ ਕੁੱਲ-ਉਤਪਾਦ ਨਿਸ਼ਚਿਤ ਬਿੰਦੂਆਂ ਦੇ ਨਾਲ, ਅਨੁਕੂਲਤਾ ਦਲੀਲ ਦੇ ਤੱਤ ਨੂੰ ਮੂਲ ਮਾਡਲ ਦੇ ਹਾਸ਼ੀਏ ਦੇ ਅਨੁਪਾਤ ਦੇ ਤੌਰ ਤੇ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ. ਵਿਸ਼ਲੇਸ਼ਣ ਕੁਦਰਤੀ ਤੌਰ ਤੇ ਹਾਈਪਰਟ੍ਰੀ-structਾਂਚਾਗਤ ਵੰਡਾਂ ਦੇ ਘੁੰਮਦੇ ਜੋੜਾਂ ਤੱਕ ਫੈਲਦਾ ਹੈ, ਇਸ ਤਰ੍ਹਾਂ ਕਿਕੁਚੀ ਅਨੁਮਾਨਾਂ ਅਤੇ ਰੂਪਾਂ ਨਾਲ ਸਬੰਧ ਸਥਾਪਤ ਕਰਦਾ ਹੈ.

39a6cc80b1590bcb2927a9d4c6c8f22d7480fbdd

ਇਸ ਪੇਪਰ ਵਿੱਚ ਅਸੀਂ ਵੀਡੀਓ ਜਾਂ 3D ਚਿੱਤਰਾਂ ਜਿਵੇਂ ਕਿ ਐਮਆਰਆਈ ਡੇਟਾ ਲਈ ਇੱਕ 3-ਅਯਾਮੀ (3D) SIFT ਵੇਰਵਾ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ। ਅਸੀਂ ਇਹ ਵੀ ਦਿਖਾਉਂਦੇ ਹਾਂ ਕਿ ਕਿਵੇਂ ਇਹ ਨਵਾਂ ਡਿਸਕ੍ਰਿਪਟਰ ਐਕਸ਼ਨ ਰੀਕੋਗਨੀਸ਼ਨ ਦੀ ਐਪਲੀਕੇਸ਼ਨ ਵਿੱਚ ਵੀਡੀਓ ਡੇਟਾ ਦੇ 3D ਪ੍ਰਕਿਰਤੀ ਨੂੰ ਬਿਹਤਰ ਢੰਗ ਨਾਲ ਦਰਸਾਉਣ ਦੇ ਯੋਗ ਹੈ। ਇਹ ਪੇਪਰ ਦਿਖਾਏਗਾ ਕਿ ਕਿਵੇਂ 3ਡੀ SIFT ਪਹਿਲਾਂ ਵਰਤੇ ਗਏ ਵਰਣਨ ਦੇ ਤਰੀਕਿਆਂ ਨੂੰ ਸ਼ਾਨਦਾਰ ਅਤੇ ਕੁਸ਼ਲ ਤਰੀਕੇ ਨਾਲ ਪਛਾੜ ਸਕਦਾ ਹੈ। ਅਸੀਂ ਵੀਡੀਓਜ਼ ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਸ਼ਬਦਾਂ ਦੇ ਇੱਕ ਬੈਗ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਵੀਡੀਓ ਡੇਟਾ ਦਾ ਬਿਹਤਰ ਵਰਣਨ ਕਰਨ ਲਈ ਸਪੇਸੀਓ-ਟਾਈਮੋਰਲ ਸ਼ਬਦਾਂ ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਨੂੰ ਖੋਜਣ ਲਈ ਇੱਕ ਵਿਧੀ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ।

0a10d64beb0931efdc24a28edaa91d539194b2e2

ਅਸੀਂ ਬਹੁਤ ਵੱਡੇ ਡੇਟਾ ਸੈੱਟਾਂ ਤੋਂ ਸ਼ਬਦਾਂ ਦੀ ਨਿਰੰਤਰ ਵੈਕਟਰ ਪ੍ਰਤੀਨਿਧਤਾ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਦੋ ਨਾਵਲ ਮਾਡਲ ਆਰਕੀਟੈਕਚਰ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦੇ ਹਾਂ। ਇਹਨਾਂ ਪ੍ਰਤੀਨਿਧਾਂ ਦੀ ਗੁਣਵੱਤਾ ਨੂੰ ਸ਼ਬਦ ਸਮਾਨਤਾ ਕਾਰਜ ਵਿੱਚ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਨਤੀਜਿਆਂ ਦੀ ਤੁਲਨਾ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਨਯੂਰਲ ਨੈਟਵਰਕ ਤੇ ਅਧਾਰਤ ਪਹਿਲਾਂ ਦੀਆਂ ਸਭ ਤੋਂ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਵਾਲੀਆਂ ਤਕਨੀਕਾਂ ਨਾਲ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਬਹੁਤ ਘੱਟ ਕੰਪਿਊਟੇਸ਼ਨਲ ਲਾਗਤ ਤੇ ਸ਼ੁੱਧਤਾ ਵਿੱਚ ਵੱਡੇ ਸੁਧਾਰ ਦੇਖਦੇ ਹਾਂ, ਭਾਵ 1.6 ਬਿਲੀਅਨ ਸ਼ਬਦਾਂ ਦੇ ਡੇਟਾ ਸੈੱਟ ਤੋਂ ਉੱਚ ਗੁਣਵੱਤਾ ਵਾਲੇ ਸ਼ਬਦ ਵੈਕਟਰ ਸਿੱਖਣ ਵਿੱਚ ਇੱਕ ਦਿਨ ਤੋਂ ਵੀ ਘੱਟ ਸਮਾਂ ਲੱਗਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਅਸੀਂ ਦਿਖਾਉਂਦੇ ਹਾਂ ਕਿ ਇਹ ਵੈਕਟਰ ਸੰਟੈਕਸਿਕ ਅਤੇ ਅਰਥਵਾਦੀ ਸ਼ਬਦ ਸਮਾਨਤਾਵਾਂ ਨੂੰ ਮਾਪਣ ਲਈ ਸਾਡੇ ਟੈਸਟ ਸੈਟ ਤੇ ਅਤਿ ਆਧੁਨਿਕ ਪ੍ਰਦਰਸ਼ਨ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ।

b07bfdebdf11b7ab3ea3d5f0087891c464c5e34d

ਇਸ ਪੇਪਰ ਵਿੱਚ 5ਜੀ ਮਿਲੀਮੀਟਰ ਵੇਵ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਇੱਕ 64-ਐਲੀਮੈਂਟ 29-30GHz ਐਕਟਿਵ ਫੇਜ਼ਡ ਐਰੇ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਹੈ। ਪ੍ਰਸਤਾਵਿਤ ਪੜਾਅਵਾਰ ਐਰੇ ਕੰਪੋਜ਼ਿਟ 64-ਐਲੀਮੈਂਟ ਐਂਟੀਨਾ, 64-ਚੈਨਲ ਟੀ/ਆਰ ਮੋਡੀਊਲ, 4 ਫ੍ਰੀਕੁਐਂਸੀ ਪਰਿਵਰਤਨ ਲਿੰਕ, ਬੀਮ ਕੰਟਰੋਲਿੰਗ ਸਰਕਟਰੀ, ਪਾਵਰ ਮੈਨੇਜਮੈਂਟ ਸਰਕਟ ਅਤੇ ਕੂਲਿੰਗ ਫੈਨ ਹਨ ਅਤੇ ਬਹੁਤ ਹੀ ਸੰਖੇਪ ਆਕਾਰ ਵਿੱਚ ਏਕੀਕ੍ਰਿਤ ਹਨ (ਮਿਲੀਮੀਟਰ 135x 77x56mm) । ਬਿਹਤਰ ਆਰਐਫ ਪ੍ਰਦਰਸ਼ਨ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਗੈਏਸ ਅਤੇ ਸੀਆਈ ਸਰਕਟਾਂ ਦੇ ਹਾਈਬ੍ਰਿਡ ਏਕੀਕਰਣ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਪ੍ਰਸਤਾਵਿਤ ਪੜਾਅਵਾਰ ਐਰੇ ਦੀ ਆਰਕੀਟੈਕਚਰ ਅਤੇ ਟੀ/ਆਰ ਮੋਡੀਊਲ ਅਤੇ ਐਂਟੀਨਾ ਦੇ ਵਿਸਥਾਰ ਡਿਜ਼ਾਈਨ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਗਿਆ ਹੈ। ਓਟੀਏ (ਹਵਾ ਤੋਂ ਉੱਪਰ) ਮਾਪਣ ਦੁਆਰਾ, ਪ੍ਰਸਤਾਵਿਤ ਪੜਾਅਵਾਰ ਐਰੇ 29.5GHz ਦੀ ਕੇਂਦਰੀ ਬਾਰੰਬਾਰਤਾ ਤੇ 1 GHz ਦੀ ਬੈਂਡਵਿਡਥ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ, ਅਤੇ ਅਜ਼ੀਮਥ ਬੀਮ-ਚੌੜਾਈ ± 45 ਡਿਗਰੀ ਦੀ ਸਕੈਨਿੰਗ ਰੇਂਜ ਦੇ ਨਾਲ 12 ਡਿਗਰੀ ਹੈ। 800MHz 64QAM ਸਿਗਨਲਾਂ ਦੀ ਉਤਸ਼ਾਹ ਨਾਲ, ਟਰਾਂਸਮਿਟਰ ਬੀਮ -5.5% ਦੀ ਇੱਕ EVM ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ, -30.5dBc ਦਾ ACLR ਪੀਏ ਨਾਲ -10dB ਤੇ ਕੰਮ ਕਰਦਾ ਹੈ, ਅਤੇ ਮਾਪਿਆ ਗਿਆ ਸੰਤ੍ਰਿਪਤ EIRP 63 ਡੀਬੀਐਮ ਹੈ.

5f507abd8d07d3bee56820fd3a5dc2234d1c38ee

6424b69f3ff4d35249c0bb7ef912fbc2c86f4ff4

ਜੰਗਲੀ ਵਿਚ ਚਿਹਰੇ ਦੇ ਗੁਣਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ ਗੁੰਝਲਦਾਰ ਚਿਹਰੇ ਦੀਆਂ ਭਿੰਨਤਾਵਾਂ ਦੇ ਕਾਰਨ ਚੁਣੌਤੀਪੂਰਨ ਹੈ। ਅਸੀਂ ਇੱਕ ਨਾਵਲ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦੇ ਹਾਂ ਡੂੰਘੀ ਸਿੱਖਣ ਦਾ ਢਾਂਚਾ ਕੁਦਰਤੀ ਵਿੱਚ ਗੁਣਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਲਈ। ਇਹ ਦੋ ਸੀਐਨਐਨ, ਐਲਐਨਈਟੀ ਅਤੇ ਏਐਨਈਟੀ ਨੂੰ ਕੈਸਕੇਡ ਕਰਦਾ ਹੈ, ਜੋ ਕਿ ਗੁਣ ਟੈਗਸ ਦੇ ਨਾਲ ਮਿਲ ਕੇ ਵਧੀਆ ਢੰਗ ਨਾਲ ਤਿਆਰ ਕੀਤੇ ਗਏ ਹਨ, ਪਰ ਵੱਖਰੇ ਤੌਰ ਤੇ ਪ੍ਰੀ-ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਹੈ. LNet ਨੂੰ ਚਿਹਰੇ ਦੀ ਸਥਾਨਕਕਰਨ ਲਈ ਵਿਸ਼ਾਲ ਆਮ ਆਬਜੈਕਟ ਸ਼੍ਰੇਣੀਆਂ ਦੁਆਰਾ ਪਹਿਲਾਂ ਤੋਂ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ, ਜਦੋਂ ਕਿ ANet ਨੂੰ ਗੁਣਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਲਈ ਵਿਸ਼ਾਲ ਚਿਹਰੇ ਦੀ ਪਛਾਣ ਦੁਆਰਾ ਪਹਿਲਾਂ ਤੋਂ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ। ਇਹ ਢਾਂਚਾ ਨਾ ਸਿਰਫ ਵੱਡੇ ਫਰਕ ਨਾਲ ਅਤਿ-ਆਧੁਨਿਕਤਾ ਨੂੰ ਪਛਾੜਦਾ ਹੈ, ਬਲਕਿ ਸਿੱਖਣ ਵਾਲੇ ਚਿਹਰੇ ਦੀ ਨੁਮਾਇੰਦਗੀ ਬਾਰੇ ਕੀਮਤੀ ਤੱਥ ਵੀ ਪ੍ਰਗਟ ਕਰਦਾ ਹੈ। (1) ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਕਿਵੇਂ ਵੱਖ-ਵੱਖ ਪ੍ਰੀ-ਟ੍ਰੇਨਿੰਗ ਰਣਨੀਤੀਆਂ ਦੁਆਰਾ ਚਿਹਰੇ ਦੀ ਸਥਾਨਕਕਰਨ (ਐਲ.ਐਨ.ਟੀ.) ਅਤੇ ਗੁਣ ਭਵਿੱਖਬਾਣੀ (ਏ.ਐਨ.ਟੀ.) ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਵਿੱਚ ਸੁਧਾਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। (2) ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਹਾਲਾਂਕਿ LNet ਦੇ ਫਿਲਟਰ ਸਿਰਫ ਚਿੱਤਰ-ਪੱਧਰ ਦੇ ਗੁਣ ਟੈਗਾਂ ਨਾਲ ਵਧੀਆ ਢੰਗ ਨਾਲ ਤੈਅ ਕੀਤੇ ਗਏ ਹਨ, ਪਰ ਉਨ੍ਹਾਂ ਦੇ ਜਵਾਬ ਦੇ ਨਕਸ਼ੇ ਪੂਰੇ ਚਿੱਤਰਾਂ ਤੇ ਚਿਹਰੇ ਦੀਆਂ ਥਾਵਾਂ ਦਾ ਮਜ਼ਬੂਤ ਸੰਕੇਤ ਹਨ. ਇਹ ਤੱਥ ਸਿਰਫ ਚਿੱਤਰ-ਪੱਧਰ ਦੇ ਐਨੋਟੇਸ਼ਨ ਦੇ ਨਾਲ ਚਿਹਰੇ ਦੀ ਸਥਾਨਕਕਰਨ ਲਈ LNet ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਦੇ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ, ਪਰ ਚਿਹਰੇ ਦੇ ਸੀਮਾ ਬਕਸੇ ਜਾਂ ਲੈਂਡਮਾਰਕ ਤੋਂ ਬਿਨਾਂ, ਜੋ ਕਿ ਸਾਰੇ ਗੁਣ ਪਛਾਣ ਕਾਰਜਾਂ ਲਈ ਲੋੜੀਂਦੇ ਹਨ. (3) ਇਹ ਇਹ ਵੀ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਏ.ਐੱਨ.ਈ.ਟੀ. ਦੇ ਉੱਚ ਪੱਧਰੀ ਲੁਕਵੇਂ ਨਿਊਰੌਨਸ ਵੱਡੇ ਚਿਹਰੇ ਦੀ ਪਛਾਣ ਦੇ ਨਾਲ ਪ੍ਰੀ-ਟ੍ਰੇਨਿੰਗ ਤੋਂ ਬਾਅਦ ਆਟੋਮੈਟਿਕਲੀ ਅਰਥਵਾਦੀ ਸੰਕਲਪਾਂ ਨੂੰ ਖੋਜਦੇ ਹਨ, ਅਤੇ ਅਜਿਹੇ ਸੰਕਲਪ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਟੈਗਾਂ ਨਾਲ ਵਧੀਆ ਢੰਗ ਨਾਲ ਤੈਅ ਕਰਨ ਤੋਂ ਬਾਅਦ ਮਹੱਤਵਪੂਰਨ ਤੌਰ ਤੇ ਅਮੀਰ ਹੁੰਦੇ ਹਨ। ਹਰੇਕ ਗੁਣ ਨੂੰ ਇਹਨਾਂ ਸੰਕਲਪਾਂ ਦੇ ਇੱਕ ਖਰਾਬ ਰੇਖਿਕ ਸੰਜੋਗ ਨਾਲ ਚੰਗੀ ਤਰ੍ਹਾਂ ਸਮਝਾਇਆ ਜਾ ਸਕਦਾ ਹੈ।

d2938415204bb6f99a069152cb954e4baa441bba

ਇਹ ਪੱਤਰ 1.57-1.60 ਗੀਗਾਹਰਟਜ਼ ਉੱਤੇ ਆਰਟੀਲਰੀ ਪਰੋਜ਼ੈਕਟਲਾਂ ਤੇ GPS ਸਿਗਨਲਾਂ ਦੀ ਪ੍ਰਾਪਤੀ ਲਈ ਢੁਕਵਾਂ ਇੱਕ ਸੰਖੇਪ ਐਂਟੀਨਾ ਪੇਸ਼ ਕਰਦਾ ਹੈ। ਚਾਰ ਇਨਵਰਟੇਡ-ਐਫ-ਟਾਈਪ ਤੱਤ ਇਕਸਾਰ ਮਾਤਰਾ ਅਤੇ ਲਗਾਤਾਰ 90° ਪੜਾਅ ਦੇ ਅੰਤਰ ਨਾਲ ਲੜੀਵਾਰ ਫੀਡ ਨੈਟਵਰਕ ਦੁਆਰਾ ਉਤਸ਼ਾਹਿਤ ਹੁੰਦੇ ਹਨ। ਐਂਟੀਨਾ ਦਾ ਆਕਾਰ ਅਤੇ ਰੂਪ ਕਾਰਕ ਇਸ ਤਰ੍ਹਾਂ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ ਕਿ ਐਂਟੀਨਾ ਨੂੰ ਆਸਾਨੀ ਨਾਲ ਇੱਕ ਤੋਪਖਾਨੇ ਦੇ ਫਿਊਜ਼ ਦੇ ਅੰਦਰ ਸਥਾਪਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਮਾਪਾਂ ਤੋਂ ਪਤਾ ਲੱਗਦਾ ਹੈ ਕਿ ਪ੍ਰਸਤਾਵਿਤ ਐਂਟੀਨਾ ਦਾ ਲਾਭ 2.90-3.77 ਡੀਬੀਆਈਸੀ, 1.9-2.86 ਡੀਬੀ ਦਾ ਧੁਰੇ ਸੰਬੰਧ ਅਤੇ 1.57-1.62 ਗੀਗਾਹਰਟਜ਼ ਤੇ -10 ਡੀਬੀ ਤੋਂ ਘੱਟ ਪ੍ਰਤੀਬਿੰਬ ਦਾ ਇਕ ਗੁਣਵਤਾ ਹੈ।

0e52fbadb7af607b4135189e722e550a0bd6e7cc

ਪਿਛੋਕੜ ਰੇਜ਼ਰ ਬਲੇਡ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਵੈ-ਕੱਟਣਾ ਇਕ ਕਿਸਮ ਦਾ ਸਵੈ-ਖਰਾਬ ਕਰਨ ਵਾਲਾ ਵਿਵਹਾਰ ਹੈ ਜੋ ਖਾਸ ਕਰਕੇ ਉਪਰਲੀਆਂ ਅਖੀਰਾਂ ਅਤੇ ਛਾਤੀ ਦੀ ਕੰਧ ਤੇ ਵਿਲੱਖਣ ਪੈਟਰਨਾਂ ਦੇ ਨਾਲ ਸਥਾਈ ਅਤੇ ਸਮਾਜਿਕ ਤੌਰ ਤੇ ਅਸਵੀਕਾਰਨਯੋਗ ਦਾਗ਼ਾਂ ਨੂੰ ਛੱਡਦਾ ਹੈ। ਸਵੈ-ਖਰਾਬ ਕਰਨ ਵਾਲੇ ਲੋਕ ਪੇਸ਼ ਕੀਤੇ ਗਏ ਕਲੀਨਿਕਲ ਅਧਿਐਨ ਵਿੱਚ, ਅਸੀਂ ਕਾਰਬਨ ਡਾਈਆਕਸਾਈਡ ਲੇਜ਼ਰ ਰੀਸਪਰਸਿੰਗ ਅਤੇ ਪਤਲੇ ਚਮੜੀ ਦੇ ਗ੍ਰਾਫਟਿੰਗ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਦੀ ਜਾਂਚ ਕਰਨ ਦਾ ਟੀਚਾ ਰੱਖਿਆ ਸੀ ਜੋ ਸਵੈ-ਪ੍ਰਭਾਵਿਤ ਰੇਜ਼ਰ ਬਲੇਡ ਕੱਟਣ ਦੇ ਦਾਗ਼ਾਂ ਨੂੰ ਛੁਪਾਉਣ ਵਿੱਚ ਹੈ। ਵਿਧੀਆਂ ਫਰਵਰੀ 2001 ਅਤੇ ਅਗਸਤ 2003 ਦੇ ਵਿਚਕਾਰ, 20 ਤੋਂ 41 ਸਾਲ (ਔਸਤਨ 23.8 ਸਾਲ) ਦੀ ਉਮਰ ਦੇ 16 ਗੋਰੇ ਮਰਦ ਮਰੀਜ਼ਾਂ ਦੇ ਕੁੱਲ 26 ਸਰੀਰਕ ਸਥਾਨਾਂ (11 ਉਪਰਲੇ ਹੱਥ, 11 ਅੰਡਰਆਰਮ, ਅਤੇ ਚਾਰ ਅੱਗੇ ਦੀ ਛਾਤੀ) ਦਾ ਇਲਾਜ ਕੀਤਾ ਗਿਆ ਸੀ। ਅਪਰੇਸ਼ਨ ਤੋਂ ਪਹਿਲਾਂ ਵਿਸਥਾਰਤ ਮਨੋਵਿਗਿਆਨਕ ਮੁਲਾਂਕਣ; ਮਰੀਜ਼ ਨੂੰ ਸੂਚਿਤ ਕਰਨਾ ਕਿ ਵਿਧੀ ਇੱਕ "ਕੈਮੂਫਲੇਜ" ਓਪਰੇਸ਼ਨ ਹੈ; ਹਾਈਪਰਟ੍ਰੋਫਿਕ ਸੱਕਾਂ ਨੂੰ ਅਟੱਲ ਚਮੜੀ ਦੇ ਪੱਧਰ ਤੱਕ ਕੱਟਣਾ; ਹਾਈਪਰਟ੍ਰੋਫਿਕ ਸੱਕਾਂ ਨੂੰ ਇਨਟ੍ਰਾਸੀਅਲ ਕੋਰਟੀਕੋਸਟੀਰੋਇਡ ਇੰਜੈਕਸ਼ਨ; ਕਾਰਬਨ ਡਾਈਆਕਸਾਈਡ ਲੇਜ਼ਰ ਰੀਸਪਰਸਿੰਗ ਇਕ ਇਕਾਈ ਦੇ ਰੂਪ ਵਿੱਚ; ਪਤਲੀ (0.2 ਤੋਂ 0.3 ਮਿਲੀਮੀਟਰ) ਚਮੜੀ ਦੀ ਗ੍ਰਾਫਟਿੰਗ; 15 ਦਿਨਾਂ ਲਈ ਕੰਪਰੈਸ਼ਨ ਡਰੇਸਿੰਗ; ਟਿਊਬਲਰ ਬਾਂਡਜ ਦੀ ਵਰਤੋਂ; ਅਤੇ ਘੱਟੋ ਘੱਟ 6 ਮਹੀਨਿਆਂ ਲਈ ਸੂਰਜ ਦੀ ਰੌਸ਼ਨੀ ਤੋਂ ਸੁਰੱਖਿਆ ਪ੍ਰਕਿਰਿਆ ਦੇ ਮੁੱਖ ਬਿੰਦੂਆਂ ਦਾ ਗਠਨ ਕੀਤਾ. ਨਤੀਜਾਃ ਇਨ੍ਹਾਂ ਦਾਗ਼ਾਂ ਨੂੰ ਸਫਲਤਾਪੂਰਵਕ ਛੁਪਾਇਆ ਗਿਆ ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਬਰਨ ਸਕਾਰ ਵਰਗੀ ਸਮਾਜਿਕ ਤੌਰ ਤੇ ਸਵੀਕਾਰਯੋਗ ਦਿੱਖ ਦਿੱਤੀ ਗਈ। ਇੱਕ ਕੇਸ ਵਿੱਚ ਅਧੂਰਾ ਗ੍ਰਾਫਟ ਦਾ ਨੁਕਸਾਨ ਅਤੇ ਦੂਜੇ ਕੇਸ ਵਿੱਚ ਹਾਈਪਰਪਿਗਮੈਂਟੇਸ਼ਨ ਗੁੰਝਲਦਾਰੀਆਂ ਸਨ। ਕੋਈ ਨਵਾਂ ਹਾਈਪਰਟ੍ਰੋਫਿਕ ਸਕਾਰ ਵਿਕਸਿਤ ਨਹੀਂ ਹੋਇਆ। ਸਿੱਟੇ ਕਾਰਬਨ ਡਾਈਆਕਸਾਈਡ ਲੇਜ਼ਰ ਰੀਸੈਪਚਿੰਗ ਅਤੇ ਪਤਲੀ ਚਮੜੀ ਨੂੰ ਜੋੜਨ ਦੀ ਵਿਧੀ ਸਵੈ-ਪ੍ਰਭਾਵਿਤ ਰਾਈਜ਼ਰ ਬਲੇਡ ਕੱਟਣ ਦੇ ਚਟਾਕ ਨੂੰ ਛੁਪਾਉਣ ਵਿੱਚ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੈ।

2b0750d16db1ecf66a3c753264f207c2cb480bde

ਸਾਨੂੰ ਗਾਹਕ ਲੈਣ-ਦੇਣ ਦਾ ਇੱਕ ਵੱਡਾ ਡਾਟਾਬੇਸ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ, ਜਿੱਥੇ ਹਰੇਕ ਲੈਣ-ਦੇਣ ਵਿੱਚ ਗਾਹਕ-ਆਈਡੀ, ਲੈਣ-ਦੇਣ ਦਾ ਸਮਾਂ ਅਤੇ ਲੈਣ-ਦੇਣ ਵਿੱਚ ਖਰੀਦੀਆਂ ਗਈਆਂ ਚੀਜ਼ਾਂ ਸ਼ਾਮਲ ਹੁੰਦੀਆਂ ਹਨ। ਅਸੀਂ ਅਜਿਹੇ ਡੇਟਾਬੇਸ ਉੱਤੇ ਕ੍ਰਮਵਾਰ ਪੈਟਰਨ ਮਾਈਨਿੰਗ ਦੀ ਸਮੱਸਿਆ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ। ਅਸੀਂ ਇਸ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਤਿੰਨ ਐਲਗੋਰਿਥਮ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਸਿੰਥੈਟਿਕ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਉਨ੍ਹਾਂ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦਾ ਅਨੁਭਵੀ ਤੌਰ ਤੇ ਮੁਲਾਂਕਣ ਕਰਦੇ ਹਾਂ। ਪ੍ਰਸਤਾਵਿਤ ਐਲਗੋਰਿਥਮ ਵਿੱਚੋਂ ਦੋ, ਅਪ੍ਰਿਓਰੀਸੋਮ ਅਤੇ ਅਪ੍ਰਿਓਰੀਆਲ, ਦੀ ਤੁਲਨਾਤਮਕ ਕਾਰਗੁਜ਼ਾਰੀ ਹੈ, ਹਾਲਾਂਕਿ ਅਪ੍ਰਿਓਰੀਸੋਮ ਥੋੜਾ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ ਜਦੋਂ ਗਾਹਕਾਂ ਦੀ ਘੱਟੋ ਘੱਟ ਗਿਣਤੀ ਜੋ ਇੱਕ ਕ੍ਰਮਵਾਰ ਪੈਟਰਨ ਦਾ ਸਮਰਥਨ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ ਘੱਟ ਹੈ. ਸਕੇਲ-ਅਪ ਪ੍ਰਯੋਗਾਂ ਤੋਂ ਪਤਾ ਲੱਗਦਾ ਹੈ ਕਿ ਅਪ੍ਰਿਓਰੀਸੋਮ ਅਤੇ ਅਪ੍ਰਿਓਰੀਆਲ ਦੋਵੇਂ ਗਾਹਕ ਲੈਣ-ਦੇਣ ਦੀ ਗਿਣਤੀ ਦੇ ਨਾਲ ਲਾਈਨਰੀ ਤੌਰ ਤੇ ਸਕੇਲ ਕਰਦੇ ਹਨ। ਉਨ੍ਹਾਂ ਕੋਲ ਪ੍ਰਤੀ ਗਾਹਕ ਲੈਣ-ਦੇਣ ਦੀ ਸੰਖਿਆ ਅਤੇ ਲੈਣ-ਦੇਣ ਵਿੱਚ ਆਈਟਮਾਂ ਦੀ ਸੰਖਿਆ ਦੇ ਸਬੰਧ ਵਿੱਚ ਸ਼ਾਨਦਾਰ ਸਕੇਲ-ਅਪ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵੀ ਹਨ।

3f4558f0526a7491e2597941f99c14fea536288d

f6c265af493c74cb7ef64b8ffe238e3f2487d133

ਇਸ ਖੋਜ ਲੇਖ ਵਿੱਚ, ਇੱਕ ਸੰਖੇਪ ਦੋਹਰੀ ਬੈਂਡ ਅਸਮਿਤ੍ਰਕ ਕੋਪਲੈਨਰ ਸਟ੍ਰਿਪ-ਫੂਡ ਪ੍ਰਿੰਟ ਐਂਟੀਨਾ ਨੂੰ ਬਲੂਟੁੱਥ, ਡਬਲਯੂਐਲਏਐਨ/ਵਾਈਐਮਐਕਸ ਅਤੇ ਜਨਤਕ ਸੁਰੱਖਿਆ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ ਅਤੇ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਹੈ। ਦੋਹਰੀ ਬਾਰੰਬਾਰਤਾ ਦੇ ਕਾਰਜਸ਼ੀਲ ਬੈਂਡ (2.45 GHz ਅਤੇ 5.25 GHz) ਏਸੀਐਸ ਫੀਡ ਲਾਈਨ ਨੂੰ ਦੋ ਸਧਾਰਨ ਮੇਨਡਰ ਆਕਾਰ ਦੀਆਂ ਰੇਡੀਏਟਿੰਗ ਸਟ੍ਰਿਪਸ ਜੋੜ ਕੇ ਪ੍ਰਾਪਤ ਕੀਤੇ ਗਏ ਹਨ। ਪ੍ਰਸਤਾਵਿਤ ਐਂਟੀਨਾ ਜਿਓਮੈਟਰੀ ਨੂੰ ਘੱਟ ਲਾਗਤ ਵਾਲੇ FR4 ਸਬਸਟਰੇਟ ਉੱਤੇ ਛਾਪਿਆ ਗਿਆ ਹੈ ਜਿਸਦੀ ਮੋਟਾਈ 1.6mm ਹੈ ਅਤੇ ਸਮੁੱਚੇ ਮਾਪ 13 × 21.3m ਹਨ ਜਿਸ ਵਿੱਚ ਯੂਨੀਪਲੈਨਰ ਗਰਾਊਂਡ ਪਲੈਨ ਵੀ ਸ਼ਾਮਲ ਹੈ। ACS-ਫਿਡਡ ਡੁਅਲ-ਬੈਂਡ ਮੋਨੋਪੋਲ ਐਂਟੀਨਾ ਦੀ -10 ਡੀਬੀ ਪ੍ਰਤੀਰੋਧ ਬੈਂਡਵਿਡਥ ਕ੍ਰਮਵਾਰ 2.36-2.5 ਗੀਗਾਹਰਟਜ਼ ਤੋਂ ਲਗਭਗ 140MHz, ਅਤੇ 4.5-7.0 ਗੀਗਾਹਰਟਜ਼ ਤੋਂ 2500MHz ਹੈ, ਜੋ 2.4 ਗੀਗਾਹਰਟਜ਼ ਬਲੂਟੁੱਥ / ਡਬਲਯੂਐਲਏਐਨ, 5.2/5.8 ਗੀਗਾਹਰਟਜ਼ ਡਬਲਯੂਐਲਏਐਨ, 5.5 ਗੀਗਾਹਰਟਜ਼ ਵਾਈਮੈਕਸ ਅਤੇ 4.9 ਗੀਗਾਹਰਟਜ਼ ਯੂਐਸ ਜਨਤਕ ਸੁਰੱਖਿਆ ਬੈਂਡਾਂ ਨੂੰ ਕਵਰ ਕਰ ਸਕਦੀ ਹੈ। ਸਧਾਰਨ ਜਿਓਮੈਟਰੀ ਅਤੇ ਵਿਆਪਕ ਪ੍ਰਤੀਰੋਧ ਬੈਂਡਵਿਡਥ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਤੋਂ ਇਲਾਵਾ, ਪ੍ਰਸਤਾਵਿਤ ਢਾਂਚਾ ਕ੍ਰਮਵਾਰ ਈ ਅਤੇ ਐਚ-ਪਲੇਨ ਦੋਵਾਂ ਵਿੱਚ ਦੁਵੱਲੀ ਅਤੇ ਸਰਬ-ਦਿਸ਼ਾਵੀ ਰੇਡੀਏਸ਼ਨ ਪੈਟਰਨ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ।

04f39720b9b20f8ab990228ae3fe4f473e750fe3

17fac85921a6538161b30665f55991f7c7e0f940

ਅਸੀਂ ਅੰਕੜਾ ਡੇਟਾਬੇਸ ਦੀ ਨਿੱਜਤਾ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਣ ਬਾਰੇ [10, 11] ਵਿੱਚ ਸ਼ੁਰੂ ਕੀਤੀ ਗਈ ਖੋਜ ਦੀ ਇੱਕ ਲਾਈਨ ਜਾਰੀ ਰੱਖਦੇ ਹਾਂ। ਇੱਕ ਭਰੋਸੇਮੰਦ ਸਰਵਰ ਦੀ ਕਲਪਨਾ ਕਰੋ ਜਿਸ ਵਿੱਚ ਸੰਵੇਦਨਸ਼ੀਲ ਜਾਣਕਾਰੀ ਦਾ ਡਾਟਾਬੇਸ ਹੈ। ਇੱਕ ਪੁੱਛਗਿੱਛ ਫੰਕਸ਼ਨ f ਨੂੰ ਡੇਟਾਬੇਸ ਨੂੰ ਰੀਅਲਜ਼ ਨਾਲ ਮੈਪਿੰਗ ਕਰਨ ਲਈ ਦਿੱਤਾ ਗਿਆ ਹੈ, ਅਖੌਤੀ ਸਹੀ ਜਵਾਬ ਡੇਟਾਬੇਸ ਤੇ f ਨੂੰ ਲਾਗੂ ਕਰਨ ਦਾ ਨਤੀਜਾ ਹੈ। ਗੋਪਨੀਯਤਾ ਦੀ ਰੱਖਿਆ ਕਰਨ ਲਈ, ਸਹੀ ਜਵਾਬ ਧਿਆਨ ਨਾਲ ਚੁਣੇ ਗਏ ਵੰਡ ਦੇ ਅਨੁਸਾਰ ਤਿਆਰ ਕੀਤੇ ਗਏ ਬੇਤਰਤੀਬੇ ਸ਼ੋਰ ਦੇ ਜੋੜ ਦੁਆਰਾ ਪਰੇਸ਼ਾਨ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਇਹ ਜਵਾਬ, ਸਹੀ ਜਵਾਬ ਅਤੇ ਸ਼ੋਰ, ਉਪਭੋਗਤਾ ਨੂੰ ਵਾਪਸ ਕਰ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ. ਪਿਛਲੇ ਕੰਮ ਨੇ ਰੌਲੇ ਦੇ ਜੋੜਾਂ ਦੇ ਮਾਮਲੇ ਤੇ ਧਿਆਨ ਕੇਂਦਰਤ ਕੀਤਾ, ਜਿਸ ਵਿੱਚ f = P i g ((xi), ਜਿੱਥੇ xi ਡਾਟਾਬੇਸ ਦੀ iਥ ਕਤਾਰ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਅਤੇ g ਡਾਟਾਬੇਸ ਦੀਆਂ ਕਤਾਰਾਂ ਨੂੰ [0, 1] ਵਿੱਚ ਮੈਪ ਕਰਦਾ ਹੈ। ਅਸੀਂ ਅਧਿਐਨ ਨੂੰ ਆਮ ਫੰਕਸ਼ਨ f ਤੱਕ ਵਧਾਉਂਦੇ ਹਾਂ , ਇਹ ਸਾਬਤ ਕਰਦੇ ਹੋਏ ਕਿ ਫੰਕਸ਼ਨ f ਦੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਦੇ ਅਨੁਸਾਰ ਸ਼ੋਰ ਦੇ ਮਿਆਰੀ ਭਟਕਣ ਨੂੰ ਕੈਲੀਬਰੇਟ ਕਰਕੇ ਪ੍ਰਾਈਵੇਸੀ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਿਆ ਜਾ ਸਕਦਾ ਹੈ . ਮੋਟੇ ਤੌਰ ਤੇ ਬੋਲਣਾ, ਇਹ ਉਹ ਰਕਮ ਹੈ ਜੋ ਕਿਸੇ ਵੀ ਇਕੋ ਦਲੀਲ ਨੂੰ f ਆਪਣੇ ਆਉਟਪੁੱਟ ਨੂੰ ਬਦਲ ਸਕਦੀ ਹੈ. ਨਵੇਂ ਵਿਸ਼ਲੇਸ਼ਣ ਤੋਂ ਪਤਾ ਲੱਗਦਾ ਹੈ ਕਿ ਕਈ ਵਿਸ਼ੇਸ਼ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਪਹਿਲਾਂ ਦੀ ਤੁਲਨਾ ਵਿੱਚ ਕਾਫ਼ੀ ਘੱਟ ਸ਼ੋਰ ਦੀ ਲੋੜ ਹੈ। ਪਹਿਲਾ ਕਦਮ ਹੈ ਪ੍ਰਾਈਵੇਸੀ ਦਾ ਬਹੁਤ ਹੀ ਸਾਫ਼ ਚਰਿੱਤਰਕਰਨ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟਾਂ ਦੀ ਅਨਿਸ਼ਚਿਤਤਾ ਦੇ ਰੂਪ ਵਿੱਚ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਅਸੀਂ ਵੱਖਰੇ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਾਂ ਜੋ ਗੈਰ-ਇੰਟਰਐਕਟਿਵ ਨਾਲੋਂ ਇੰਟਰਐਕਟਿਵ ਸੈਨੇਟਾਈਜ਼ੇਸ਼ਨ ਵਿਧੀ ਦੀ ਵਧੀ ਹੋਈ ਕੀਮਤ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ।

2a622720d4021259a6f6d3c6298559d1b56e7e62

ਹਾਲੀਆ ਵੈਬ ਖੋਜ ਤਕਨੀਕਾਂ ਵੈਬ ਦੇ ਲਿੰਕਿੰਗ ਢਾਂਚੇ ਦੇ ਅਧਾਰ ਤੇ "ਮਹੱਤਵ" ਦੀ ਇੱਕ ਗਲੋਬਲ ਧਾਰਨਾ ਦੇ ਨਾਲ ਰਵਾਇਤੀ ਟੈਕਸਟ ਮੇਲ ਨੂੰ ਵਧਾਉਂਦੀਆਂ ਹਨ, ਜਿਵੇਂ ਕਿ ਗੂਗਲ ਦੇ ਪੇਜ ਰੈਂਕ ਐਲਗੋਰਿਦਮ ਵਿੱਚ. ਵਧੇਰੇ ਸੁਧਾਰੀ ਖੋਜਾਂ ਲਈ, ਮਹੱਤਤਾ ਦੇ ਇਸ ਗਲੋਬਲ ਸੰਕਲਪ ਨੂੰ ਮਹੱਤਤਾ ਦੇ ਵਿਅਕਤੀਗਤ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਬਣਾਉਣ ਲਈ ਵਿਸ਼ੇਸ਼ ਬਣਾਇਆ ਜਾ ਸਕਦਾ ਹੈ - ਉਦਾਹਰਣ ਵਜੋਂ, ਮਹੱਤਤਾ ਦੇ ਸਕੋਰ ਨੂੰ ਉਪਭੋਗਤਾ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਕੀਤੇ ਗਏ ਸ਼ੁਰੂਆਤੀ ਦਿਲਚਸਪ ਪੰਨਿਆਂ ਦੇ ਸਮੂਹ ਦੇ ਅਨੁਸਾਰ ਪੱਖਪਾਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ. ਸਾਰੇ ਸੰਭਵ ਵਿਅਕਤੀਗਤ ਦ੍ਰਿਸ਼ਾਂ ਨੂੰ ਪਹਿਲਾਂ ਤੋਂ ਕੰਪਿਊਟ ਕਰਨਾ ਅਤੇ ਸਟੋਰ ਕਰਨਾ ਅਮਲੀ ਨਹੀਂ ਹੈ, ਜਿਵੇਂ ਕਿ ਪੁੱਛਗਿੱਛ ਸਮੇਂ ਵਿਅਕਤੀਗਤ ਦ੍ਰਿਸ਼ਾਂ ਦੀ ਗਣਨਾ ਕਰਨਾ ਹੈ, ਕਿਉਂਕਿ ਹਰੇਕ ਦ੍ਰਿਸ਼ ਦੀ ਗਣਨਾ ਲਈ ਵੈਬ ਗ੍ਰਾਫ ਉੱਤੇ ਇੱਕ ਦੁਹਰਾਉਣ ਵਾਲੀ ਗਣਨਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਅਸੀਂ ਨਵੇਂ ਗ੍ਰਾਫ-ਸਿਧਾਂਤਕ ਨਤੀਜੇ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਇਹਨਾਂ ਨਤੀਜਿਆਂ ਦੇ ਅਧਾਰ ਤੇ ਇੱਕ ਨਵੀਂ ਤਕਨੀਕ, ਜੋ ਕਿ ਅੰਸ਼ਕ ਵੈਕਟਰਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਵਿਅਕਤੀਗਤ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਨੂੰ ਏਨਕੋਡ ਕਰਦੀ ਹੈ. ਅੰਸ਼ਕ ਵੈਕਟਰਾਂ ਨੂੰ ਕਈ ਵਿਅਕਤੀਗਤ ਦ੍ਰਿਸ਼ਾਂ ਵਿੱਚ ਸਾਂਝਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਉਹਨਾਂ ਦੀ ਗਣਨਾ ਅਤੇ ਸਟੋਰੇਜ ਲਾਗਤ ਦ੍ਰਿਸ਼ਾਂ ਦੀ ਗਿਣਤੀ ਦੇ ਨਾਲ ਚੰਗੀ ਤਰ੍ਹਾਂ ਸਕੇਲ ਕਰਦੀ ਹੈ। ਸਾਡੀ ਪਹੁੰਚ ਵਧਦੀ ਗਣਨਾ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਂਦੀ ਹੈ, ਤਾਂ ਕਿ ਅੰਸ਼ਕ ਵੈਕਟਰਾਂ ਤੋਂ ਵਿਅਕਤੀਗਤ ਦ੍ਰਿਸ਼ਾਂ ਦਾ ਨਿਰਮਾਣ ਪੁੱਛਗਿੱਛ ਸਮੇਂ ਵਿਹਾਰਕ ਹੋਵੇ। ਅਸੀਂ ਅੰਸ਼ਕ ਵੈਕਟਰਾਂ ਦੀ ਗਣਨਾ ਲਈ ਕੁਸ਼ਲ ਗਤੀਸ਼ੀਲ ਪ੍ਰੋਗਰਾਮਿੰਗ ਐਲਗੋਰਿਥਮ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ, ਅੰਸ਼ਕ ਵੈਕਟਰਾਂ ਤੋਂ ਵਿਅਕਤੀਗਤ ਦ੍ਰਿਸ਼ਾਂ ਦੀ ਉਸਾਰੀ ਲਈ ਇੱਕ ਐਲਗੋਰਿਥਮ, ਅਤੇ ਪ੍ਰਯੋਗਾਤਮਕ ਨਤੀਜੇ ਜੋ ਸਾਡੀ ਤਕਨੀਕਾਂ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਅਤੇ ਸਕੇਲੇਬਿਲਟੀ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ.

37c3303d173c055592ef923235837e1cbc6bd986

ਅਸੀਂ ਨਿਰਪੱਖ ਵਰਗੀਕਰਣ ਲਈ ਇੱਕ ਸਿੱਖਣ ਐਲਗੋਰਿਦਮ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦੇ ਹਾਂ ਜੋ ਸਮੂਹਿਕ ਨਿਰਪੱਖਤਾ (ਇੱਕ ਸੁਰੱਖਿਅਤ ਸਮੂਹ ਵਿੱਚ ਸਕਾਰਾਤਮਕ ਵਰਗੀਕਰਣ ਪ੍ਰਾਪਤ ਕਰਨ ਵਾਲੇ ਮੈਂਬਰਾਂ ਦਾ ਅਨੁਪਾਤ ਸਮੁੱਚੀ ਆਬਾਦੀ ਦੇ ਅਨੁਪਾਤ ਦੇ ਸਮਾਨ ਹੈ) ਅਤੇ ਵਿਅਕਤੀਗਤ ਨਿਰਪੱਖਤਾ (ਜਿਵੇਂ ਵਿਅਕਤੀਆਂ ਨੂੰ ਇਸੇ ਤਰ੍ਹਾਂ ਦਾ ਸਲੂਕ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ) ਦੋਵਾਂ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ। ਅਸੀਂ ਨਿਰਪੱਖਤਾ ਨੂੰ ਦੋ ਮੁਕਾਬਲੇ ਵਾਲੇ ਟੀਚਿਆਂ ਦੇ ਨਾਲ ਡੇਟਾ ਦੀ ਚੰਗੀ ਨੁਮਾਇੰਦਗੀ ਲੱਭਣ ਦੀ ਇੱਕ ਅਨੁਕੂਲਤਾ ਸਮੱਸਿਆ ਦੇ ਰੂਪ ਵਿੱਚ ਤਿਆਰ ਕਰਦੇ ਹਾਂ: ਡਾਟਾ ਨੂੰ ਜਿੰਨਾ ਸੰਭਵ ਹੋ ਸਕੇ ਏਨਕੋਡ ਕਰਨਾ, ਜਦੋਂ ਕਿ ਉਸੇ ਸਮੇਂ ਸੁਰੱਖਿਅਤ ਸਮੂਹ ਵਿੱਚ ਮੈਂਬਰਸ਼ਿਪ ਬਾਰੇ ਕਿਸੇ ਵੀ ਜਾਣਕਾਰੀ ਨੂੰ ਧੁੰਦਲਾ ਕਰਨਾ. ਅਸੀਂ ਤਿੰਨ ਡੇਟਾ ਸੈੱਟਾਂ ਤੇ, ਹੋਰ ਜਾਣੀਆਂ ਤਕਨੀਕਾਂ ਦੇ ਸੰਬੰਧ ਵਿੱਚ ਆਪਣੇ ਐਲਗੋਰਿਦਮ ਦੇ ਸਕਾਰਾਤਮਕ ਨਤੀਜੇ ਦਿਖਾਉਂਦੇ ਹਾਂ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਅਸੀਂ ਆਪਣੇ ਪਹੁੰਚ ਦੇ ਕਈ ਫਾਇਦੇ ਦਿਖਾਉਂਦੇ ਹਾਂ। ਪਹਿਲਾਂ, ਸਾਡੀ ਵਿਚਕਾਰਲੀ ਪ੍ਰਤੀਨਿਧਤਾ ਨੂੰ ਹੋਰ ਵਰਗੀਕਰਣ ਕਾਰਜਾਂ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ (ਭਾਵ, ਟ੍ਰਾਂਸਫਰ ਲਰਨਿੰਗ ਸੰਭਵ ਹੈ); ਦੂਜਾ, ਅਸੀਂ ਦੂਰੀ ਮੀਟ੍ਰਿਕ ਸਿੱਖਣ ਵੱਲ ਇੱਕ ਕਦਮ ਚੁੱਕਦੇ ਹਾਂ ਜੋ ਵਰਗੀਕਰਣ ਲਈ ਡੇਟਾ ਦੇ ਮਹੱਤਵਪੂਰਣ ਮਾਪ ਲੱਭ ਸਕਦਾ ਹੈ.

4556f3f9463166aa3e27b2bec798c0ca7316bd65

ਇਸ ਪੇਪਰ ਵਿੱਚ, ਅਸੀਂ ਜਾਂਚ ਕਰਦੇ ਹਾਂ ਕਿ ਕਿਸੇ ਦਿੱਤੇ ਸੰਵੇਦਨਸ਼ੀਲ ਗੁਣ ਦੇ ਸੰਬੰਧ ਵਿੱਚ ਸੁਤੰਤਰ ਹੋਣ ਲਈ ਵਰਗੀਕਰਣ ਕਰਨ ਲਈ ਨਿਰਪੱਖ ਬੇਅਸ ਵਰਗੀਕਰਤਾ ਨੂੰ ਕਿਵੇਂ ਸੋਧਿਆ ਜਾਵੇ। ਅਜਿਹੇ ਆਜ਼ਾਦੀ ਦੀਆਂ ਪਾਬੰਦੀਆਂ ਕੁਦਰਤੀ ਤੌਰ ਤੇ ਉਦੋਂ ਹੁੰਦੀਆਂ ਹਨ ਜਦੋਂ ਡੇਟਾ-ਸੈੱਟ ਵਿੱਚ ਲੇਬਲ ਦੇਣ ਵਾਲੀ ਫੈਸਲੇ ਦੀ ਪ੍ਰਕਿਰਿਆ ਪੱਖਪਾਤੀ ਹੁੰਦੀ ਸੀ; ਉਦਾਹਰਣ ਵਜੋਂ, ਲਿੰਗ ਜਾਂ ਨਸਲੀ ਭੇਦਭਾਵ ਦੇ ਕਾਰਨ. ਇਹ ਸੈਟਿੰਗ ਬਹੁਤ ਸਾਰੇ ਮਾਮਲਿਆਂ ਦੁਆਰਾ ਪ੍ਰੇਰਿਤ ਹੈ ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਅਜਿਹੇ ਕਾਨੂੰਨ ਹਨ ਜੋ ਕਿਸੇ ਅਜਿਹੇ ਫੈਸਲੇ ਦੀ ਇਜਾਜ਼ਤ ਨਹੀਂ ਦਿੰਦੇ ਜੋ ਅੰਸ਼ਕ ਤੌਰ ਤੇ ਭੇਦਭਾਵ ਤੇ ਅਧਾਰਤ ਹੈ। ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਤਕਨੀਕਾਂ ਦੀ ਨਿਰਪੱਖ ਵਰਤੋਂ ਨਾਲ ਕੰਪਨੀਆਂ ਨੂੰ ਭਾਰੀ ਜੁਰਮਾਨੇ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪਵੇਗਾ। ਅਸੀਂ ਨਿਰਪੱਖ ਬੇਅਜ਼ ਵਰਗੀਕਰਤਾ ਨੂੰ ਵਿਤਕਰੇ ਤੋਂ ਮੁਕਤ ਬਣਾਉਣ ਲਈ ਤਿੰਨ ਪਹੁੰਚ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ: (i) ਫੈਸਲੇ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਬਦਲਣਾ ਸਕਾਰਾਤਮਕ ਹੈ, (ii) ਹਰੇਕ ਸੰਵੇਦਨਸ਼ੀਲ ਗੁਣ ਮੁੱਲ ਲਈ ਇਕ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣਾ ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਸੰਤੁਲਿਤ ਕਰਨਾ, ਅਤੇ (iii) ਬੇਸਿਨ ਮਾਡਲ ਵਿਚ ਇਕ ਲੁਪਤ ਵੇਰੀਏਬਲ ਜੋੜਨਾ ਜੋ ਨਿਰਪੱਖ ਲੇਬਲ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਅਤੇ ਉਮੀਦ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਕਰਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸੰਭਾਵਨਾ ਲਈ ਮਾਡਲ ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਂਦਾ ਹੈ. ਅਸੀਂ ਨਕਲੀ ਅਤੇ ਅਸਲ ਜੀਵਨ ਦੇ ਅੰਕੜਿਆਂ ਦੋਵਾਂ ਤੇ ਤਿੰਨ ਤਰੀਕਿਆਂ ਲਈ ਪ੍ਰਯੋਗ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ।

f5de0751d6d73f0496ac5842cc6ca84b2d0c2063

ਮਾਈਕਰੋਇਲੈਕਟ੍ਰੋਨਿਕਸ ਅਤੇ ਏਕੀਕ੍ਰਿਤ ਸਰਕਟਾਂ, ਸਿਸਟਮ-ਆਨ-ਚਿੱਪ ਡਿਜ਼ਾਈਨ, ਵਾਇਰਲੈੱਸ ਸੰਚਾਰ ਅਤੇ ਬੁੱਧੀਮਾਨ ਘੱਟ-ਪਾਵਰ ਸੈਂਸਰਾਂ ਵਿੱਚ ਹਾਲ ਹੀ ਵਿੱਚ ਹੋਈਆਂ ਤਰੱਕੀ ਨੇ ਵਾਇਰਲੈੱਸ ਬਾਡੀ ਏਰੀਆ ਨੈਟਵਰਕ (ਡਬਲਯੂਬੀਏਐਨ) ਦੀ ਪ੍ਰਾਪਤੀ ਦੀ ਆਗਿਆ ਦਿੱਤੀ ਹੈ। ਇੱਕ ਡਬਲਯੂਬੀਏਐਨ ਘੱਟ-ਪਾਵਰ, ਮਿੰਨੀਅਰਾਈਜ਼ਡ, ਹਮਲਾਵਰ / ਗੈਰ-ਹਮਲਾਵਰ ਹਲਕੇ ਵਾਇਰਲੈੱਸ ਸੈਂਸਰ ਨੋਡਾਂ ਦਾ ਸੰਗ੍ਰਹਿ ਹੈ ਜੋ ਮਨੁੱਖੀ ਸਰੀਰ ਦੇ ਕਾਰਜਾਂ ਅਤੇ ਆਲੇ ਦੁਆਲੇ ਦੇ ਵਾਤਾਵਰਣ ਦੀ ਨਿਗਰਾਨੀ ਕਰਦੇ ਹਨ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਹ ਕਈ ਨਵੀਨਤਾਕਾਰੀ ਅਤੇ ਦਿਲਚਸਪ ਐਪਲੀਕੇਸ਼ਨਾਂ ਜਿਵੇਂ ਕਿ ਸਰਬ ਵਿਆਪੀ ਸਿਹਤ ਸੰਭਾਲ, ਮਨੋਰੰਜਨ, ਇੰਟਰਐਕਟਿਵ ਗੇਮਿੰਗ ਅਤੇ ਫੌਜੀ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ। ਇਸ ਪੇਪਰ ਵਿੱਚ, WBAN ਦੇ ਬੁਨਿਆਦੀ ਵਿਧੀ ਦੀ ਸਮੀਖਿਆ ਕੀਤੀ ਗਈ ਹੈ ਜਿਸ ਵਿੱਚ ਆਰਕੀਟੈਕਚਰ ਅਤੇ ਟੌਪੋਲੋਜੀ, ਵਾਇਰਲੈੱਸ ਇੰਪਲਾਂਟ ਸੰਚਾਰ, ਘੱਟ-ਪਾਵਰ ਮੀਡੀਅਮ ਐਕਸੈਸ ਕੰਟਰੋਲ (ਐਮਏਸੀ) ਅਤੇ ਰੂਟਿੰਗ ਪ੍ਰੋਟੋਕੋਲ ਸ਼ਾਮਲ ਹਨ। ਭੌਤਿਕ (PHY), ਮੈਕ ਅਤੇ ਨੈੱਟਵਰਕ ਲੇਅਰਾਂ ਤੇ ਡਬਲਯੂਬੀਏਐਨ ਲਈ ਪ੍ਰਸਤਾਵਿਤ ਤਕਨਾਲੋਜੀਆਂ ਦਾ ਇੱਕ ਵਿਆਪਕ ਅਧਿਐਨ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਹੈ ਅਤੇ ਹਰੇਕ ਲੇਅਰ ਲਈ ਬਹੁਤ ਸਾਰੇ ਉਪਯੋਗੀ ਹੱਲਾਂ ਬਾਰੇ ਚਰਚਾ ਕੀਤੀ ਗਈ ਹੈ। ਅੰਤ ਵਿੱਚ, ਕਈ ਡਬਲਯੂਬੀਏਐਨ ਐਪਲੀਕੇਸ਼ਨਾਂ ਨੂੰ ਉਜਾਗਰ ਕੀਤਾ ਗਿਆ ਹੈ।

bebdd553058ab50d0cb19a1f65d7f4daeb7cda37

ਸੂਚਨਾ ਤਕਨਾਲੋਜੀ (ਆਈਟੀ) ਦੀ ਸੁਰੱਖਿਆ ਸੰਸਥਾਵਾਂ ਲਈ ਇੱਕ ਮੁੱਖ ਆਰਥਿਕ ਚੁਣੌਤੀ ਬਣ ਗਈ ਹੈ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਆਈਟੀ ਸੁਰੱਖਿਆ ਨਿਵੇਸ਼ ਬਾਰੇ ਖੋਜ ਤੇਜ਼ੀ ਨਾਲ ਵੱਧ ਰਹੀ ਹੈ, ਪਰ ਇਸ ਵਿੱਚ ਖੋਜ ਨੂੰ ਢਾਂਚਾ ਦੇਣ, ਆਰਥਿਕ-ਤਕਨੀਕੀ ਵਰਤਾਰੇ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਅਤੇ ਭਵਿੱਖ ਦੀ ਖੋਜ ਨੂੰ ਨਿਰਦੇਸ਼ਤ ਕਰਨ ਲਈ ਸਿਧਾਂਤਕ ਅਧਾਰ ਦੀ ਘਾਟ ਹੈ। ਅਸੀਂ ਇਸ ਕਮਜ਼ੋਰੀ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਇੱਕ ਨਵੇਂ ਸਿਧਾਂਤਕ ਮਾਡਲ ਦਾ ਸੁਝਾਅ ਦਿੰਦੇ ਹਾਂ ਜੋ ਕਿ ਸਰੋਤ-ਅਧਾਰਿਤ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਅਤੇ ਸੰਗਠਨਾਤਮਕ ਸਿਖਲਾਈ ਸਿਧਾਂਤ ਨੂੰ ਅਪਣਾਉਂਦੇ ਹੋਏ ਇੱਕ ਬਹੁ-ਸਿਧਾਂਤਕ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਤੋਂ ਉੱਭਰਦਾ ਹੈ। ਇਨ੍ਹਾਂ ਸਿਧਾਂਤਾਂ ਦੀ ਸਾਂਝੀ ਵਰਤੋਂ ਇੱਕ ਸਿਧਾਂਤਕ ਮਾਡਲ ਵਿੱਚ ਸੰਸਥਾਗਤ ਸਿੱਖਣ ਦੇ ਪ੍ਰਭਾਵਾਂ ਨੂੰ ਸੰਕਲਪਿਤ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ ਜੋ ਉਦੋਂ ਵਾਪਰਦੇ ਹਨ ਜਦੋਂ ਆਈਟੀ ਸੁਰੱਖਿਆ ਪ੍ਰਤੀਰੋਧਾਂ ਦੁਆਰਾ ਸੰਗਠਨਾਤਮਕ ਸਰੋਤਾਂ ਦੀ ਸੁਰੱਖਿਆ ਸਮੇਂ ਦੇ ਨਾਲ ਵਿਕਸਤ ਹੁੰਦੀ ਹੈ। ਅਸੀਂ ਆਈਟੀ ਸੁਰੱਖਿਆ ਨਿਵੇਸ਼ਾਂ ਦੇ ਇਸ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਵੱਡੇ ਸਾਹਿਤ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਸੰਸ਼ੋਧਿਤ ਕਰਨ ਅਤੇ ਖੋਜ ਦੀਆਂ ਘਾਟੀਆਂ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਕਰਦੇ ਹਾਂ। ਅਸੀਂ ਵਿਵਹਾਰਕ ਉਦਾਹਰਣਾਂ ਦੇ ਕੇ ਇਨ੍ਹਾਂ ਪਾੜੇ ਨੂੰ (ਬੰਦ ਕਰਨ) ਦੇ ਪ੍ਰਬੰਧਕੀ ਪ੍ਰਭਾਵ ਬਾਰੇ ਵੀ ਚਰਚਾ ਕਰਦੇ ਹਾਂ।

1407b3363d9bd817b00e95190a95372d3cb3694a

ਕੁਦਰਤੀ-ਭਾਸ਼ਾ ਦੇ ਭਾਸ਼ਣ ਵਿੱਚ, ਸੰਬੰਧਿਤ ਘਟਨਾਵਾਂ ਇੱਕ ਵੱਡੇ ਦ੍ਰਿਸ਼ ਦਾ ਵਰਣਨ ਕਰਨ ਲਈ ਇੱਕ ਦੂਜੇ ਦੇ ਨੇੜੇ ਦਿਖਾਈ ਦਿੰਦੀਆਂ ਹਨ। ਅਜਿਹੇ ਢਾਂਚੇ ਨੂੰ ਇੱਕ ਫਰੇਮ (ਉਰਫ. ਟੈਂਪਲੇਟ), ਜਿਸ ਵਿੱਚ ਸਬੰਧਤ ਘਟਨਾਵਾਂ ਅਤੇ ਪ੍ਰੋਟੋਟਾਈਪਿਕਲ ਭਾਗੀਦਾਰਾਂ ਅਤੇ ਘਟਨਾ ਪਰਿਵਰਤਨ ਦਾ ਇੱਕ ਸਮੂਹ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ। ਫਰੇਮਾਂ ਦੀ ਪਛਾਣ ਜਾਣਕਾਰੀ ਕੱਢਣ ਅਤੇ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਬਣਾਉਣ ਲਈ ਇੱਕ ਜ਼ਰੂਰੀ ਸ਼ਰਤ ਹੈ, ਅਤੇ ਆਮ ਤੌਰ ਤੇ ਹੱਥੀਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਫਰੇਮਜ਼ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਨ ਲਈ ਹਾਲ ਹੀ ਵਿੱਚ ਪ੍ਰਸਤਾਵਿਤ ਕੀਤੇ ਗਏ ਹਨ, ਪਰ ਉਹ ਆਮ ਤੌਰ ਤੇ ਐਡ-ਹੋਕ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ ਅਤੇ ਨਿਦਾਨ ਜਾਂ ਵਿਸਥਾਰ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੁੰਦਾ ਹੈ। ਇਸ ਪੇਪਰ ਵਿੱਚ, ਅਸੀਂ ਫਰੇਮ ਇੰਡਕਸ਼ਨ ਲਈ ਪਹਿਲੀ ਸੰਭਾਵਨਾਤਮਕ ਪਹੁੰਚ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦੇ ਹਾਂ, ਜੋ ਫਰੇਮ, ਘਟਨਾਵਾਂ, ਭਾਗੀਦਾਰਾਂ ਨੂੰ ਗੁਪਤ ਵਿਸ਼ਿਆਂ ਵਜੋਂ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ ਅਤੇ ਉਹਨਾਂ ਫਰੇਮ ਅਤੇ ਇਵੈਂਟ ਟ੍ਰਾਂਜਿਸ਼ਨ ਨੂੰ ਸਿੱਖਦਾ ਹੈ ਜੋ ਟੈਕਸਟ ਦੀ ਸਭ ਤੋਂ ਵਧੀਆ ਵਿਆਖਿਆ ਕਰਦੇ ਹਨ. ਫਰੇਮਾਂ ਦੀ ਗਿਣਤੀ ਨੂੰ ਸਿੰਟੈਕਟਿਕ ਪਾਰਸਿੰਗ ਤੋਂ ਸਪਲਿਟ-ਮਰਜ ਵਿਧੀ ਦੇ ਇੱਕ ਨਾਵਲ ਕਾਰਜ ਦੁਆਰਾ ਅਨੁਮਾਨਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਟੈਕਸਟ ਤੋਂ ਲੈ ਕੇ ਫਰੇਮ ਤੱਕ ਅਤੇ ਕੱਢੇ ਗਏ ਤੱਥਾਂ ਤੱਕ ਦੇ ਅੰਤ ਤੋਂ ਅੰਤ ਦੇ ਮੁਲਾਂਕਣਾਂ ਵਿੱਚ, ਸਾਡੀ ਵਿਧੀ ਨੇ ਇੰਜੀਨੀਅਰਿੰਗ ਦੇ ਯਤਨਾਂ ਨੂੰ ਘਟਾਉਂਦੇ ਹੋਏ ਸੂਝਵਾਨ ਨਤੀਜੇ ਪੈਦਾ ਕੀਤੇ।

1bf9a76c9d9838afc51983894b58790b14c2e3d3

ਅੰਬੀਨਟ ਅਸਿਸਟਡ ਲਿਵਿੰਗ (ਏਏਐਲ) ਆਈਟੀ ਹੱਲ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜਿਸਦਾ ਉਦੇਸ਼ ਅਪਾਹਜ, ਬਜ਼ੁਰਗ ਅਤੇ ਗੰਭੀਰ ਬਿਮਾਰ ਲੋਕਾਂ ਦੇ ਜੀਵਨ ਨੂੰ ਸੁਵਿਧਾਜਨਕ ਅਤੇ ਬਿਹਤਰ ਬਣਾਉਣਾ ਹੈ। ਬਜ਼ੁਰਗਾਂ ਲਈ ਗਤੀਸ਼ੀਲਤਾ ਇੱਕ ਮੁੱਖ ਮੁੱਦਾ ਹੈ ਕਿਉਂਕਿ ਉਨ੍ਹਾਂ ਦੀ ਸਰੀਰਕ ਗਤੀਵਿਧੀ, ਆਮ ਤੌਰ ਤੇ, ਉਨ੍ਹਾਂ ਦੇ ਜੀਵਨ ਦੀ ਗੁਣਵੱਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰਦੀ ਹੈ ਅਤੇ ਸਿਹਤ ਸਥਿਤੀ ਨੂੰ ਬਣਾਈ ਰੱਖਦੀ ਹੈ। ਫਿਰ, ਇਹ ਪੇਪਰ ਦੇਖਭਾਲ ਕਰਨ ਵਾਲਿਆਂ ਅਤੇ ਬਜ਼ੁਰਗਾਂ ਲਈ ਏਏਐਲ ਫਰੇਮਵਰਕ ਪੇਸ਼ ਕਰਦਾ ਹੈ ਜੋ ਉਨ੍ਹਾਂ ਦੀ ਗਤੀਸ਼ੀਲਤਾ ਨੂੰ ਸੀਮਤ ਕੀਤੇ ਬਿਨਾਂ ਉਨ੍ਹਾਂ ਨੂੰ ਸਰਗਰਮ ਜੀਵਨ ਸ਼ੈਲੀ ਬਣਾਈ ਰੱਖਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ. ਇਸ ਢਾਂਚੇ ਵਿੱਚ ਗਤੀਸ਼ੀਲਤਾ ਦੇ ਵਾਤਾਵਰਣ ਲਈ ਚਾਰ ਏਏਐਲ ਟੂਲ ਸ਼ਾਮਲ ਹਨਃ i) ਇੱਕ ਡਿੱਗਣ ਦਾ ਪਤਾ ਲਗਾਉਣ ਵਾਲੀ ਮੋਬਾਈਲ ਐਪਲੀਕੇਸ਼ਨ; ii) ਇੱਕ ਬਾਇਓਫੀਡਬੈਕ ਨਿਗਰਾਨੀ ਪ੍ਰਣਾਲੀ ਨੂੰ ਪਹਿਨਣਯੋਗ ਸੈਂਸਰਾਂ ਦੁਆਰਾ; iii) ਗਲੋਬਲ ਪੋਜੀਸ਼ਨਿੰਗ ਸਿਸਟਮ (ਜੀਪੀਐਸ) ਨਾਲ ਲੈਸ ਜੁੱਤੀ ਦੁਆਰਾ ਇੱਕ ਬਾਹਰੀ ਸਥਾਨ ਸੇਵਾ; ਅਤੇ iv) ਇੱਕ ਮੋਬਾਈਲ ਐਪਲੀਕੇਸ਼ਨ ਜੋ ਕਿ ਘਰ ਦੇ ਵਾਤਾਵਰਣ ਵਿੱਚ ਸੀਮਤ ਕਈ ਬਜ਼ੁਰਗਾਂ ਦੀ ਦੇਖਭਾਲ ਕਰਨ ਵਾਲੇ ਦੇਖਭਾਲ ਕਰਨ ਵਾਲਿਆਂ ਲਈ ਹੈ। ਪ੍ਰਸਤਾਵ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਪ੍ਰਦਰਸ਼ਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਇਹ ਵਰਤੋਂ ਲਈ ਤਿਆਰ ਹੈ।

2375f6d71ce85a9ff457825e192c36045e994bdd

91c7fc5b47c6767632ba030167bb59d9d080fbed

ਅਸੀਂ ਉੱਚ ਪੱਧਰੀ ਨੈਵੀਗੇਸ਼ਨ ਨਿਰਦੇਸ਼ਾਂ ਦੀ ਪਾਲਣਾ ਕਰਨ ਲਈ ਇੱਕ ਵਿਧੀ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ ਜੋ ਸਿੱਧੇ ਤੌਰ ਤੇ ਚਿੱਤਰਾਂ, ਨਿਰਦੇਸ਼ਾਂ ਅਤੇ ਲਗਾਤਾਰ ਘੱਟ-ਪੱਧਰੀ ਗਤੀ ਕਮਾਂਡਾਂ ਨੂੰ ਰੀਅਲ-ਟਾਈਮ ਕੰਟਰੋਲ ਲਈ ਮੈਪਿੰਗ ਕਰਕੇ ਦਰਸਾਉਂਦੀ ਹੈ। ਗਰਾਉਂਡਡ ਸਿਮੈਨਟਿਕ ਮੈਪਿੰਗ ਨੈਟਵਰਕ (ਜੀਐਸਐਮਐਨ) ਇੱਕ ਪੂਰੀ ਤਰ੍ਹਾਂ ਵੱਖਰੇਵੇਂ ਵਾਲਾ ਨਯੂਰਲ ਨੈਟਵਰਕ ਆਰਕੀਟੈਕਚਰ ਹੈ ਜੋ ਨੈਟਵਰਕ ਦੇ ਅੰਦਰ ਇੱਕ ਪਿਨਹੋਲ ਕੈਮਰਾ ਪ੍ਰੋਜੈਕਸ਼ਨ ਮਾਡਲ ਨੂੰ ਸ਼ਾਮਲ ਕਰਕੇ ਵਿਸ਼ਵ ਸੰਦਰਭ ਫਰੇਮ ਵਿੱਚ ਇੱਕ ਸਪੱਸ਼ਟ ਸਿਮੈਨਟਿਕ ਨਕਸ਼ਾ ਬਣਾਉਂਦਾ ਹੈ। ਨਕਸ਼ੇ ਵਿੱਚ ਸਟੋਰ ਕੀਤੀ ਜਾਣਕਾਰੀ ਅਨੁਭਵ ਤੋਂ ਸਿੱਖੀ ਜਾਂਦੀ ਹੈ, ਜਦੋਂ ਕਿ ਸਥਾਨਕ ਤੋਂ ਵਿਸ਼ਵ ਪਰਿਵਰਤਨ ਸਪੱਸ਼ਟ ਤੌਰ ਤੇ ਗਿਣਿਆ ਜਾਂਦਾ ਹੈ। ਅਸੀਂ DAGGERFM ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦਿੰਦੇ ਹਾਂ, DAGGER ਦਾ ਇੱਕ ਸੋਧਿਆ ਰੂਪ ਜੋ ਸਿਖਲਾਈ ਦੀ ਗਤੀ ਅਤੇ ਮੈਮੋਰੀ ਦੀ ਵਰਤੋਂ ਵਿੱਚ ਸੁਧਾਰ ਲਈ ਟੇਬਲਰ ਕਨਵਰਜੈਂਸ ਗਾਰੰਟੀ ਦਾ ਵਪਾਰ ਕਰਦਾ ਹੈ। ਅਸੀਂ ਜੀਐਸਐਮਐਨ ਨੂੰ ਇੱਕ ਯਥਾਰਥਵਾਦੀ ਕਵਾਡਕੌਪਟਰ ਸਿਮੂਲੇਟਰ ਤੇ ਵਰਚੁਅਲ ਵਾਤਾਵਰਣ ਵਿੱਚ ਟੈਸਟ ਕਰਦੇ ਹਾਂ ਅਤੇ ਦਿਖਾਉਂਦੇ ਹਾਂ ਕਿ ਇੱਕ ਸਪੱਸ਼ਟ ਮੈਪਿੰਗ ਅਤੇ ਗਰਾਉਂਡਿੰਗ ਮੋਡੀulesਲ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨਾ ਜੀਐਸਐਮਐਨ ਨੂੰ ਮਜ਼ਬੂਤ ਨਿuralਰਲ ਬੇਸਲਾਈਨਜ਼ ਨੂੰ ਪਛਾੜਨ ਅਤੇ ਲਗਭਗ ਇੱਕ ਮਾਹਰ ਨੀਤੀ ਪ੍ਰਦਰਸ਼ਨ ਤੱਕ ਪਹੁੰਚਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ. ਅੰਤ ਵਿੱਚ, ਅਸੀਂ ਸਿੱਖੇ ਗਏ ਨਕਸ਼ੇ ਦੇ ਨੁਮਾਇੰਦਿਆਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦੇ ਹਾਂ ਅਤੇ ਦਿਖਾਉਂਦੇ ਹਾਂ ਕਿ ਇੱਕ ਸਪੱਸ਼ਟ ਨਕਸ਼ੇ ਦੀ ਵਰਤੋਂ ਨਾਲ ਇੱਕ ਵਿਆਖਿਆਯੋਗ ਨਿਰਦੇਸ਼-ਅਨੁਸਰਣ ਮਾਡਲ ਹੁੰਦਾ ਹੈ.

cc98157b70d7cf464b880668d7694edd12188157

ਅੱਜਕੱਲ੍ਹ ਵੱਖ-ਵੱਖ ਸੰਗਠਨਾਂ ਦਰਮਿਆਨ ਜਾਣਕਾਰੀ ਦੇ ਸੁਰੱਖਿਅਤ ਅਤੇ ਭਰੋਸੇਮੰਦ ਸੰਚਾਰ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਉੱਚ ਪੱਧਰ ਦੀ ਸੁਰੱਖਿਆ ਬਣਾਈ ਰੱਖਣਾ ਬਹੁਤ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਪਰ ਇੰਟਰਨੈੱਟ ਅਤੇ ਕਿਸੇ ਹੋਰ ਨੈੱਟਵਰਕ ਰਾਹੀਂ ਸੁਰੱਖਿਅਤ ਡਾਟਾ ਸੰਚਾਰ ਹਮੇਸ਼ਾ ਘੁਸਪੈਠ ਅਤੇ ਦੁਰਵਰਤੋਂ ਦੀ ਧਮਕੀ ਦੇ ਅਧੀਨ ਹੁੰਦਾ ਹੈ। ਇਸ ਲਈ ਕੰਪਿਊਟਰ ਅਤੇ ਨੈੱਟਵਰਕ ਸੁਰੱਖਿਆ ਦੇ ਮਾਮਲੇ ਵਿੱਚ ਇਨਟਰੂਜ਼ਨ ਡਿਟੈਕਸ਼ਨ ਸਿਸਟਮ ਇੱਕ ਜ਼ਰੂਰੀ ਹਿੱਸਾ ਬਣ ਗਿਆ ਹੈ। ਘੁਸਪੈਠ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ ਵੱਖ-ਵੱਖ ਤਰੀਕੇ ਅਪਣਾਏ ਜਾ ਰਹੇ ਹਨ, ਪਰ ਬਦਕਿਸਮਤੀ ਨਾਲ ਹੁਣ ਤੱਕ ਕੋਈ ਵੀ ਪ੍ਰਣਾਲੀ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਿਰਦੋਸ਼ ਨਹੀਂ ਹੈ। ਇਸ ਲਈ, ਸੁਧਾਰ ਦੀ ਖੋਜ ਜਾਰੀ ਹੈ। ਇਸ ਪ੍ਰਗਤੀ ਵਿੱਚ, ਅਸੀਂ ਇੱਥੇ ਇੱਕ ਇਨਟਰੂਜ਼ਨ ਡਿਟੈਕਸ਼ਨ ਸਿਸਟਮ (ਆਈਡੀਐਸ) ਪੇਸ਼ ਕਰਦੇ ਹਾਂ, ਜੋ ਕਿ ਜੈਨੇਟਿਕ ਐਲਗੋਰਿਦਮ (ਜੀਏ) ਨੂੰ ਲਾਗੂ ਕਰਕੇ ਵੱਖ-ਵੱਖ ਪ੍ਰਕਾਰ ਦੇ ਨੈਟਵਰਕ ਘੁਸਪੈਠਾਂ ਨੂੰ ਕੁਸ਼ਲਤਾ ਨਾਲ ਖੋਜਣ ਲਈ. ਗੈਨੀਕਲ ਗੈਸਟ੍ਰੋਫਿਜ਼ਮ ਲਈ ਪੈਰਾਮੀਟਰਾਂ ਅਤੇ ਵਿਕਾਸ ਪ੍ਰਕਿਰਿਆਵਾਂ ਬਾਰੇ ਵਿਸਥਾਰ ਵਿੱਚ ਚਰਚਾ ਕੀਤੀ ਗਈ ਹੈ ਅਤੇ ਲਾਗੂ ਕੀਤੀ ਗਈ ਹੈ। ਇਹ ਪਹੁੰਚ ਟ੍ਰੈਫਿਕ ਡੇਟਾ ਨੂੰ ਫਿਲਟਰ ਕਰਨ ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ ਗੁੰਝਲਤਾ ਨੂੰ ਘਟਾਉਣ ਲਈ ਜਾਣਕਾਰੀ ਵਿਕਾਸ ਲਈ ਵਿਕਾਸਵਾਦ ਸਿਧਾਂਤ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ। ਸਾਡੇ ਸਿਸਟਮ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਲਾਗੂ ਕਰਨ ਅਤੇ ਮਾਪਣ ਲਈ ਅਸੀਂ ਕੇਡੀਡੀ 99 ਬੈਂਚਮਾਰਕ ਡੇਟਾ ਸੈਟ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਅਤੇ ਇੱਕ ਵਾਜਬ ਖੋਜ ਦਰ ਪ੍ਰਾਪਤ ਕੀਤੀ।