उत्पाद श्रेणी
- एफएम ट्रांसमीटर
- 0-50w 50w-1000w 2kw-10kw 10kw +
- टीवी ट्रांसमीटर
- 0-50w 50-1kw 2kw-10kw
- एफएम एंटीना
- टीवी एंटीना
- एंटीना गौण
- केबल योजक पावर अलगानेवाला डमी भार
- आरएफ ट्रांजिस्टर
- बिजली की आपूर्ति
- ऑडियो उपकरण
- DTV फ्रंट एंड उपकरण
- लिंक सिस्टम
- एसटीएल प्रणाली माइक्रोवेव लिंक प्रणाली
- एफएम रेडियो
- बिजली मीटर
- अन्य उत्पाद
- कोरोनावायरस के लिए विशेष
उत्पाद टैग
Fmuser साइटें
- es.fmuser.net
- it.fmuser.net
- fr.fmuser.net
- de.fmuser.net
- af.fmuser.net -> अफ्रीकी
- sq.fmuser.net -> अल्बानियाई
- ar.fmuser.net -> अरबी
- hy.fmuser.net -> अर्मेनियाई
- az.fmuser.net -> अजरबैजानी
- eu.fmuser.net -> बास्क
- be.fmuser.net -> बेलारूसी
- bg.fmuser.net -> बल्गेरियाई
- ca.fmuser.net -> कातालान
- zh-CN.fmuser.net -> चीनी (सरलीकृत)
- zh-TW.fmuser.net -> चीनी (पारंपरिक)
- hr.fmuser.net -> क्रोएशियाई
- cs.fmuser.net -> चेक
- da.fmuser.net -> डेनिश
- nl.fmuser.net -> डच
- et.fmuser.net -> एस्टोनियाई
- tl.fmuser.net -> फिलिपिनो
- fi.fmuser.net -> फिनिश
- fr.fmuser.net -> फ्रेंच
- gl.fmuser.net -> गैलिशियन्
- ka.fmuser.net -> जॉर्जियाई
- de.fmuser.net -> जर्मन
- el.fmuser.net -> यूनानी
- ht.fmuser.net -> हाईटियन क्रियोल
- iw.fmuser.net -> हिब्रू
- hi.fmuser.net -> हिन्दी
- hu.fmuser.net -> हंगेरी
- is.fmuser.net -> आइसलैंड का
- id.fmuser.net -> इन्डोनेशियाई
- ga.fmuser.net -> आयरिश
- it.fmuser.net -> इतालवी
- ja.fmuser.net -> जापानी
- ko.fmuser.net -> कोरियाई
- lv.fmuser.net -> लातवियाई
- lt.fmuser.net -> लिथुआनियाई
- mk.fmuser.net -> मकदूनियाई
- ms.fmuser.net -> मलय
- mt.fmuser.net -> माल्टीज
- no.fmuser.net -> नार्वेजियन
- fa.fmuser.net -> फारसी
- pl.fmuser.net -> पॉलिश
- pt.fmuser.net -> पुर्तगाली
- ro.fmuser.net -> रोमानियाई
- ru.fmuser.net -> रूसी
- sr.fmuser.net -> सर्बियाई
- sk.fmuser.net -> स्लोवाक
- sl.fmuser.net -> स्लोवेनियाई
- es.fmuser.net -> स्पेनिश
- sw.fmuser.net -> स्वाहिली
- sv.fmuser.net -> स्वीडिश
- th.fmuser.net -> थाई
- tr.fmuser.net -> तुर्की
- uk.fmuser.net -> यूक्रेनी
- ur.fmuser.net -> उर्दू
- vi.fmuser.net -> वियतनामी
- cy.fmuser.net -> वेल्श
- yi.fmuser.net -> येहुदी
कंप्यूटर वैज्ञानिक स्ट्रीमिंग वीडियो को बेहतर बनाने के लिए एक 'प्रयोगशाला' बनाते हैं
सोशल डिस्टेंसिंग के इन दिनों में, इंटरनेट पर टीवी देखने के लिए घर पर लाखों क्लोस्टर के रूप में, स्टैनफोर्ड शोधकर्ताओं ने एक एल्गोरिथ्म का अनावरण किया है जो स्ट्रीमिंग वीडियो प्रौद्योगिकी में एक महत्वपूर्ण सुधार को प्रदर्शित करता है।
फुगु नामक इस नए एल्गोरिदम को स्वयंसेवक दर्शकों की मदद से विकसित किया गया था, जिन्होंने वीडियो की एक धारा देखी, कंप्यूटर वैज्ञानिकों द्वारा सेवा की, जिन्होंने वास्तविक समय में इस डेटा प्रवाह की जांच करने के लिए मशीन लर्निंग का इस्तेमाल किया, जो ग्लिट्स और स्टालों को कम करने के तरीकों की तलाश में थे।
एक वैज्ञानिक पेपर में, शोधकर्ता बताते हैं कि कैसे उन्होंने एक एल्गोरिथ्म बनाया है जो केवल उतना डेटा बाहर धकेलता है जितना कि दर्शकों का इंटरनेट कनेक्शन बिना अपमानजनक गुणवत्ता के प्राप्त कर सकता है।
कंप्यूटर विज्ञान में डॉक्टरेट के उम्मीदवार और पेपर के पहले लेखक फ्रांसिस यान कहते हैं, "स्ट्रीमिंग में, स्टॉल्स से बचना इन एल्गोरिदम पर बहुत अधिक निर्भर करता है, जिसे 2020 USENIX NSDI कम्युनिटी अवार्ड मिला है।"
स्ट्रीमिंग वीडियो के लिए कई प्रचलित प्रणालियाँ बफ़र-आधारित एल्गोरिथ्म नामक कुछ पर आधारित हैं, जिन्हें बीबीए के रूप में जाना जाता है, जो सात साल पहले तत्कालीन स्टैनफोर्ड स्नातक छात्र ते-युआन हुआंग के साथ-साथ प्रोफेसरों निक मैककेन और रमेश जौहरी द्वारा विकसित किया गया था।
बीबीए बस दर्शक के डिवाइस से पूछता है कि उसके बफर में कितना वीडियो है। उदाहरण के लिए, यदि यह 5 सेकंड से कम संग्रहीत है, तो एल्गोरिथ्म कम गुणवत्ता वाले फुटेज को रुकावटों के खिलाफ गार्ड करने के लिए भेजता है। यदि बफर में 15 सेकंड से अधिक संग्रहीत है, तो एल्गोरिथ्म उच्चतम गुणवत्ता वाले वीडियो को भेजता है। यदि संख्या बीच में आती है, तो एल्गोरिथ्म गुणवत्ता को तदनुसार समायोजित करता है।
यद्यपि बीबीए और इसी तरह के एल्गोरिदम उद्योग में व्यापक हैं, मशीन अनुसंधान का उपयोग करके अधिक परिष्कृत एल्गोरिदम विकसित करने के लिए वर्षों से शोधकर्ताओं द्वारा बार-बार प्रयास किए गए हैं - कृत्रिम बुद्धिमत्ता का एक रूप जिसमें कंप्यूटर खुद को कुछ प्रक्रिया का अनुकूलन करना सिखाते हैं।
लेकिन पुराने कचरा-इन-कचरा-कचरा कंप्यूटर के एक आधुनिक बदलाव में, इन मशीन लर्निंग एल्गोरिदम को वास्तविक इंटरनेट पर वितरित वास्तविक चीज़ों के बजाय आम तौर पर सीखने के लिए नकली डेटा की आवश्यकता होती है। उसमें एक समस्या है।
कंप्यूटर साइंस के सहायक प्रोफेसर कीथ विंस्टीन ने कहा, "इंटरनेट हमारे सिमुलेशन मॉडल की तुलना में बहुत अधिक गन्दा स्थान है, जो प्रोजेक्ट की देखरेख करता है और यान के साथ कंप्यूटर विज्ञान और इलेक्ट्रिकल इंजीनियरिंग फिलिप लेविस के एसोसिएट प्रोफेसर को सलाह देता है। "फ्रांसिस ने जो पाया वह यह है कि इन एल्गोरिदमों में से एक को सिमुलेशन में काम करने बनाम वास्तविक इंटरनेट पर काम करने के बीच एक खाई हो सकती है।"
टीवी देखने वाली दुनिया का एक यथार्थवादी सूक्ष्म जगत बनाने के लिए, विंस्टीन की टीम ने स्टैनफोर्ड की पैकर्ड बिल्डिंग में एक एंटिना बनाया, जो फ्री में, ओवर-द-एयर प्रसारण सिग्नलों को खींचने के लिए था, जिसे उन्होंने तब संकुचित और स्वयंसेवकों को स्ट्रीम किया था, जिन्होंने रिसर्च प्रोजेक्ट में भाग लेने के लिए हस्ताक्षर किए थे। , जिसे पफर के नाम से जाना जाता है। 2018 के अंत में, स्वयंसेवकों ने पिफर के माध्यम से टीवी कार्यक्रमों को स्ट्रीम किया और देखा और कंप्यूटर वैज्ञानिकों ने एक साथ अपने स्वयं के मशीन लर्निंग एल्गोरिदम, फूगु, और बीबीए सहित चार अन्य प्रमुख दावेदारों का उपयोग करके डेटा स्ट्रीम की निगरानी की, जिन्हें उनके प्रदर्शन के आधार पर समायोजित करने के लिए प्रशिक्षित किया गया था। वास्तविक गुणवत्ता की स्थिति दर्शक अनुभव कर रहे थे।
अपनी स्ट्रीम की शुरुआत में, प्रत्येक दर्शक को पांच स्ट्रीमिंग एल्गोरिदम में से एक को बेतरतीब ढंग से सौंपा गया था और स्टैनफोर्ड टीम ने औसत वीडियो गुणवत्ता, स्टालों की संख्या और दर्शक द्वारा ट्यून किए गए समय की लंबाई जैसे स्ट्रीमिंग डेटा दर्ज किए थे।
परिणाम कुछ पहले के शोध अध्ययनों से असहमत थे जो सिमुलेशन या छोटे परीक्षणों पर आधारित थे। जब माना जाता है कि परिष्कृत मशीन लर्निंग एल्गोरिदम का वास्तविक दुनिया में बीबीए के खिलाफ परीक्षण किया गया था, तो सरल मानक ने इसे अपने पास रखा। परीक्षण के अंत तक, हालांकि, फुगु ने अन्य एल्गोरिदम को बेहतर बना दिया था - जिसमें बीबीए शामिल था - कम से कम रुकावट के समय, उच्चतम छवि संकल्प और वीडियो की गुणवत्ता की स्थिरता के संदर्भ में। क्या अधिक है, उन सुधारों में दर्शकों को बनाए रखने की शक्ति दिखाई देती है। फगु-खिलाया वीडियो स्ट्रीम देखने वाले दर्शकों ने अन्य परीक्षण किए गए एल्गोरिदम की तुलना में औसतन 5-9% अधिक समय तक टिकाए रखा।
"हम कुछ आश्चर्यजनक तरीके से देखते हैं जिसमें वास्तविक दुनिया अनुकरण से भिन्न होती है, और मशीन सीखना कभी-कभी भ्रामक परिणाम कैसे पैदा कर सकता है। यह रोमांचक है कि इसमें बहुत सारी दिलचस्प चुनौतियों का हल किया जाना है," विंस्टीन कहते हैं।