Bøker av Pallavi Pandey

Green IoT oder Green Internet of Things ist ein Konzept, das darauf abzielt, die Grundsätze der ökologischen Nachhaltigkeit in die Entwicklung, den Einsatz und den Betrieb von IoT-Systemen (Internet der Dinge) zu integrieren. Das IoT bezieht sich auf ein zusammenhängendes Netz von Geräten, Sensoren und Systemen, die Daten sammeln, austauschen und darauf reagieren, oft in Echtzeit. Das Paradigma des Green IoT zielt darauf ab, die Auswirkungen dieser vernetzten Technologien auf die Umwelt zu minimieren und Energieeffizienz, Ressourcenschonung und allgemeine Nachhaltigkeit zu fördern.Ein wichtiger Schwerpunkt des Green IoT ist die Energieeffizienz. Herkömmliche IoT-Geräte verbrauchen oft erhebliche Mengen an Strom, was zu einer erhöhten CO2-Bilanz und Umweltbelastung führt. Green IoT geht dieses Problem an, indem es die Verwendung von energieeffizienter Hardware, stromsparenden Kommunikationsprotokollen und intelligenten Energieverwaltungsstrategien fördert. Dies reduziert nicht nur die ökologischen Auswirkungen, sondern trägt auch zu Kosteneinsparungen und einer längeren Lebensdauer der Geräte bei.

A IoT Verde, ou Internet Verde das Coisas, é um conceito que visa integrar princípios de sustentabilidade ambiental na conceção, implantação e funcionamento dos sistemas IoT (Internet das Coisas). A IoT refere-se à rede interligada de dispositivos, sensores e sistemas que recolhem, trocam e actuam sobre os dados, frequentemente em tempo real. O paradigma da IoT ecológica procura minimizar o impacto ambiental destas tecnologias interligadas, promovendo a eficiência energética, a conservação de recursos e a sustentabilidade global. Os dispositivos IoT tradicionais consomem frequentemente quantidades significativas de energia, o que leva a um aumento da pegada de carbono e da pressão ambiental. A IoT verde aborda esta questão promovendo a utilização de hardware eficiente em termos energéticos, protocolos de comunicação de baixo consumo e estratégias inteligentes de gestão da energia. Isto não só reduz o impacto ecológico, como também contribui para a poupança de custos e para o prolongamento do tempo de vida dos dispositivos.

L'IdO vert, ou Internet des objets vert, est un concept qui vise à intégrer des principes de durabilité environnementale dans la conception, le déploiement et le fonctionnement des systèmes IdO (Internet des objets). L'IdO fait référence au réseau interconnecté d'appareils, de capteurs et de systèmes qui collectent, échangent et agissent sur les données, souvent en temps réel. Le paradigme de l'IdO vert cherche à minimiser l'impact environnemental de ces technologies interconnectées, en favorisant l'efficacité énergétique, la conservation des ressources et la durabilité globale. Les appareils IoT traditionnels consomment souvent des quantités importantes d'énergie, ce qui entraîne une augmentation de l'empreinte carbone et de la pression sur l'environnement. L'IdO vert s'attaque à ce problème en encourageant l'utilisation de matériel économe en énergie, de protocoles de communication à faible consommation et de stratégies intelligentes de gestion de l'énergie. Cela permet non seulement de réduire l'impact écologique, mais aussi de réaliser des économies et de prolonger la durée de vie des appareils.

Il Green IoT, o Green Internet of Things, è un concetto che mira a integrare i principi di sostenibilità ambientale nella progettazione, nell'implementazione e nel funzionamento dei sistemi IoT (Internet of Things). L'IoT si riferisce alla rete interconnessa di dispositivi, sensori e sistemi che raccolgono, scambiano e agiscono sui dati, spesso in tempo reale. Il paradigma della Green IoT cerca di ridurre al minimo l'impatto ambientale di queste tecnologie interconnesse, promuovendo l'efficienza energetica, la conservazione delle risorse e la sostenibilità complessiva. I dispositivi IoT tradizionali spesso consumano quantità significative di energia, con conseguente aumento dell'impronta di carbonio e dello stress ambientale. La Green IoT affronta questo problema promuovendo l'uso di hardware ad alta efficienza energetica, protocolli di comunicazione a basso consumo e strategie di gestione intelligente dell'energia. Questo non solo riduce l'impatto ecologico, ma contribuisce anche a risparmiare sui costi e a prolungare la durata di vita dei dispositivi.

Machine learning (ML) is a field of artificial intelligence (AI) that focuses on the development of algorithms and statistical models that enable computer systems to learn and improve their performance on tasks without explicit programming. At its core, ML involves the utilization of data to recognize patterns, make predictions, and inform decision-making. It encompasses a variety of techniques, from supervised learning, where models are trained on labeled data, to unsupervised learning, where algorithms identify hidden patterns within unlabeled data. ML applications span diverse domains, including image and speech recognition, natural language processing, healthcare diagnostics, and predictive analytics, fundamentally reshaping how computers can autonomously acquire knowledge and adapt to changing environments.

Die Handschrift ist eine der verhaltensbiometrischen Techniken zur Identifizierung von Personen. Die Identifizierung von Schriftstellern ist ein Forschungsgebiet, das sich auf die Bestimmung der Urheberschaft eines bestimmten Textes konzentriert. Dies kann durch verschiedene Techniken und Methoden geschehen, die oft linguistische Analysen, maschinelles Lernen und computergestützte Ansätze beinhalten. Im Folgenden werden einige wichtige Aspekte und Methoden im Zusammenhang mit der Identifizierung von Autoren genannt. Diese Algorithmen können auf einem Datensatz bekannter Autoren trainiert werden, um Muster und Merkmale zu erlernen, die für jeden Autor spezifisch sind. Die vorliegende Arbeit basiert auf handschriftlichen strukturellen Primitiven, die als Grapheme bezeichnet werden. Der verwendete Datensatz ist die IAM Offline English Database. Zunächst werden Bilder von Handschriften in Grapheme segmentiert und dann werden die Grapheme als Projektionsprofil dargestellt, d.h. die Positionen jedes schwarzen Pixels der erhaltenen Segmentkurve werden aufgezeichnet. Dann wird ein Wörterbuch aus den trainierten Bildern der Handschrift mit Hilfe von k-means clustering erstellt. Anhand des Wörterbuchs werden nun die Merkmalsvektoren der Handschrift generiert und mit der Bezeichnung der Handschrift gespeichert.

L'écriture manuscrite est l'une des techniques biométriques comportementales d'identification des personnes. L'identification de l'écrivain est un domaine d'étude qui se concentre sur la détermination de la paternité d'un texte donné. Cela peut être réalisé grâce à diverses techniques et méthodes, impliquant souvent l'analyse linguistique, l'apprentissage automatique et des approches informatiques. Voici quelques aspects et méthodes clés liés à l¿identification des écrivains. Les algorithmes avancés d¿apprentissage automatique sont couramment utilisés pour l¿identification des écrivains. Ces algorithmes peuvent être entraînés sur un ensemble de données d'auteurs connus pour apprendre des modèles et des caractéristiques spécifiques à chaque écrivain. Des machines à vecteurs de support, des arbres de décision et des réseaux de neurones sont souvent utilisés. Le présent travail est basé sur des primitives structurelles manuscrites appelées graphèmes. L'ensemble de données utilisé est la base de données anglaise hors ligne IAM. Tout d'abord, les images d'écritures manuscrites sont segmentées en graphèmes, puis les graphèmes sont représentés sous forme de profil de projection, c'est-à-dire que chaque position de pixel noir de la courbe segmentée obtenue est enregistrée. Ensuite, le dictionnaire est appris à partir d'images d'écriture manuscrite en utilisant le regroupement de k-moyennes.

La scrittura a mano è una delle tecniche biometriche comportamentali per l'identificazione delle persone. L'identificazione dello scrittore è un campo di studio che si concentra sulla determinazione della paternità di un determinato testo. Ciò può essere fatto attraverso varie tecniche e metodi, che spesso coinvolgono analisi linguistiche, apprendimento automatico e approcci computazionali. Ecco alcuni aspetti e metodi chiave relativi all'identificazione dello scrittore. Gli algoritmi avanzati di apprendimento automatico sono comunemente utilizzati nell'identificazione dello scrittore. Questi algoritmi possono essere addestrati su un set di dati di autori noti per apprendere modelli e caratteristiche specifici di ogni scrittore. Spesso vengono utilizzate macchine vettoriali di supporto, alberi decisionali e reti neurali. Il presente lavoro si basa su primitive strutturali scritte a mano chiamate grafemi. Il set di dati utilizzato è il database inglese offline IAM. Prima di tutto le immagini delle scritte a mano vengono segmentate in grafemi e poi i grafemi vengono rappresentati come profilo di proiezione, cioè viene registrata la posizione di ciascun pixel nero della curva segmentata ottenuta. Quindi il dizionario viene appreso dalle immagini della scrittura a mano del convoglio utilizzando il clustering k-means. Ora utilizzando il dizionario, i vettori delle caratteristiche dello scrittore vengono generati e archiviati con l'etichetta dello scrittore.

A escrita manual é uma das técnicas biométricas comportamentais para a identificação de pessoas. A identificação do escritor é um domínio de estudo que se centra na determinação da autoria de um determinado texto. Isto pode ser feito através de várias técnicas e métodos, muitas vezes envolvendo análise linguística, aprendizagem automática e abordagens computacionais. Eis alguns dos principais aspectos e métodos relacionados com a identificação do autor. Os algoritmos avançados de aprendizagem automática são normalmente utilizados na identificação do autor. Estes algoritmos podem ser treinados num conjunto de dados de autores conhecidos para aprender padrões e características específicas de cada escritor. O presente trabalho baseia-se em primitivas estruturais manuscritas chamadas grafemas. O conjunto de dados utilizado é a base de dados de inglês offline do IAM. Em primeiro lugar, as imagens de escrita manual são segmentadas em grafemas e, em seguida, os grafemas são representados como perfil de projeção, ou seja, são registadas as posições de cada pixel preto da curva segmentada obtida. Em seguida, o dicionário é aprendido a partir de imagens de escrita treinadas utilizando o agrupamento k-means. Agora, utilizando o dicionário, os vectores de características do escritor são gerados e armazenados com a etiqueta do escritor.

Green IoT, or Green Internet of Things, is a concept that aims to integrate environmental sustainability principles into the design, deployment, and operation of IoT (Internet of Things) systems. The IoT refers to the interconnected network of devices, sensors, and systems that collect, exchange, and act upon data, often in real-time. The Green IoT paradigm seeks to minimize the environmental impact of these interconnected technologies, fostering energy efficiency, resource conservation, and overall sustainability. One key focus of Green IoT is energy efficiency. Traditional IoT devices often consume significant amounts of power, leading to increased carbon footprints and environmental strain. Green IoT addresses this issue by promoting the use of energy-efficient hardware, low-power communication protocols, and intelligent power management strategies. This not only reduces the ecological impact but also contributes to cost savings and prolonged device lifetimes.

Handwriting is one of the behavioural biometric techniques for person identification. Writer identification is a field of study that focuses on determining the authorship of a given text. This can be done through various techniques and methods, often involving linguistic analysis, machine learning, and computational approaches. Here are some key aspects and methods related to writer identification. Advanced machine learning algorithms are commonly used in writer identification. These algorithms can be trained on a dataset of known authors to learn patterns and characteristics specific to each writer. Support vector machines, decision trees, and neural networks are often employed. The present work is based on handwritten structural primitive called graphemes. The dataset used is IAM offline English database. First of all images of handwritings are segmented into graphemes and then graphemes are represented as projection profile, i.e. each black pixel positions of the obtained segmentedcurve is recorded. Then dictionary is learnt from train-set images of handwriting using k-means clustering. Now using dictionary, writer feature vectors are generated and stored with writer label.