Mapeamento de difusão no reconhecimento e reconstrução de sinais

Em muitas representações de objetos ou sistemas físicos se faz necessário a utilização de técnicas de redução de dimensionalidade que possibilitam a análise dos dados em baixas dimensões, capturando os parâmetros essenciais associados ao problema. No contexto de aprendizagem de máquina esta redução...

Full description

Bibliographic Details
Main Author: Lucia Maria dos Santos Pinto
Other Authors: Francisco Duarte Moura Neto
Format: Others
Language:Portuguese
Published: Universidade do Estado do Rio de Janeiro 2014
Subjects:
Online Access:http://www.bdtd.uerj.br/tde_busca/arquivo.php?codArquivo=6726
id ndltd-IBICT-urn-repox.ist.utl.pt-UERJ-oai-www.bdtd.uerj.br-4413
record_format oai_dc
spelling ndltd-IBICT-urn-repox.ist.utl.pt-UERJ-oai-www.bdtd.uerj.br-44132018-05-23T23:35:42Z Mapeamento de difusão no reconhecimento e reconstrução de sinais Difusion maps for recognition and reconstruction of signals Lucia Maria dos Santos Pinto Francisco Duarte Moura Neto Ricardo Fabbri Roberto Pinheiro Domingos Luiz Mariano Paes de Carvalho Filho Ralph Costa Teixeira Alberto Felix Antonio da Nobrega Priscila Machado Vieira Lima Redução de dimensionalidade Aplicação de difusão Clusterização Reconhecimento e reconstrução de sinais Teoria dos grafos Dimensionality reduction Difusion maps Clustering Recognition and reconstruction of signals MATEMATICA APLICADA Em muitas representações de objetos ou sistemas físicos se faz necessário a utilização de técnicas de redução de dimensionalidade que possibilitam a análise dos dados em baixas dimensões, capturando os parâmetros essenciais associados ao problema. No contexto de aprendizagem de máquina esta redução se destina primordialmente à clusterização, reconhecimento e reconstrução de sinais. Esta tese faz uma análise meticulosa destes tópicos e suas conexões que se encontram em verdadeira ebulição na literatura, sendo o mapeamento de difusão o foco principal deste trabalho. Tal método é construído a partir de um grafo onde os vértices são os sinais (dados do problema) e o peso das arestas é estabelecido a partir do núcleo gaussiano da equação do calor. Além disso, um processo de Markov é estabelecido o que permite a visualização do problema em diferentes escalas conforme variação de um determinado parâmetro t: Um outro parâmetro de escala, Є, para o núcleo gaussiano é avaliado com cuidado relacionando-o com a dinâmica de Markov de forma a poder aprender a variedade que eventualmente seja o suporte do dados. Nesta tese é proposto o reconhecimento de imagens digitais envolvendo transformações de rotação e variação de iluminação. Também o problema da reconstrução de sinais é atacado com a proposta de pré-imagem utilizando-se da otimização de uma função custo com um parâmetro regularizador, γ, que leva em conta também o conjunto de dados iniciais. In many representations of objects or physical systems it is necessary to use techniques of dimensionality reduction that enable the analysis of data at low dimensions, capturing the essential parameters associated with the problem. Within the context of machine learning this reduction is primarily intended for clustering , recognition and reconstruction of signals. This thesis makes a thorough analysis of these topics and their connections which are true boiling in the literature, the difusion mapping being the main focus of this work . This method is constructed from a graph where the vertices are the signs ( problem data ) and the weight of edges is established based on the Gaussian kernel of the heat equation. Furthermore , a Markov process is established which allows the visualization of the problem at diferent scales according to the variation of a given parameter t . Another scale parameter, Є , for the Gaussian core is carefully evaluated by relating it to the dynamic Markov so you can learn the variety that eventually support the data. This thesis proposed the recognition of digital images involving transformations of rotation and variation of illumination. Also the problem of reconstruction of signals is attacked with the proposed pre - image using the optimization of a cost function with a smoothing parameter, γ, Which also takes into account the initial dataset. 2014-02-13 info:eu-repo/semantics/publishedVersion info:eu-repo/semantics/doctoralThesis http://www.bdtd.uerj.br/tde_busca/arquivo.php?codArquivo=6726 por info:eu-repo/semantics/openAccess application/pdf Universidade do Estado do Rio de Janeiro Programa de Pós-Graduação em Modelagem Computacional UERJ BR reponame:Biblioteca Digital de Teses e Dissertações da UERJ instname:Universidade do Estado do Rio de Janeiro instacron:UERJ
collection NDLTD
language Portuguese
format Others
sources NDLTD
topic Redução de dimensionalidade
Aplicação de difusão
Clusterização
Reconhecimento e reconstrução de sinais
Teoria dos grafos
Dimensionality reduction
Difusion maps
Clustering
Recognition and reconstruction of signals
MATEMATICA APLICADA
spellingShingle Redução de dimensionalidade
Aplicação de difusão
Clusterização
Reconhecimento e reconstrução de sinais
Teoria dos grafos
Dimensionality reduction
Difusion maps
Clustering
Recognition and reconstruction of signals
MATEMATICA APLICADA
Lucia Maria dos Santos Pinto
Mapeamento de difusão no reconhecimento e reconstrução de sinais
description Em muitas representações de objetos ou sistemas físicos se faz necessário a utilização de técnicas de redução de dimensionalidade que possibilitam a análise dos dados em baixas dimensões, capturando os parâmetros essenciais associados ao problema. No contexto de aprendizagem de máquina esta redução se destina primordialmente à clusterização, reconhecimento e reconstrução de sinais. Esta tese faz uma análise meticulosa destes tópicos e suas conexões que se encontram em verdadeira ebulição na literatura, sendo o mapeamento de difusão o foco principal deste trabalho. Tal método é construído a partir de um grafo onde os vértices são os sinais (dados do problema) e o peso das arestas é estabelecido a partir do núcleo gaussiano da equação do calor. Além disso, um processo de Markov é estabelecido o que permite a visualização do problema em diferentes escalas conforme variação de um determinado parâmetro t: Um outro parâmetro de escala, Є, para o núcleo gaussiano é avaliado com cuidado relacionando-o com a dinâmica de Markov de forma a poder aprender a variedade que eventualmente seja o suporte do dados. Nesta tese é proposto o reconhecimento de imagens digitais envolvendo transformações de rotação e variação de iluminação. Também o problema da reconstrução de sinais é atacado com a proposta de pré-imagem utilizando-se da otimização de uma função custo com um parâmetro regularizador, γ, que leva em conta também o conjunto de dados iniciais. === In many representations of objects or physical systems it is necessary to use techniques of dimensionality reduction that enable the analysis of data at low dimensions, capturing the essential parameters associated with the problem. Within the context of machine learning this reduction is primarily intended for clustering , recognition and reconstruction of signals. This thesis makes a thorough analysis of these topics and their connections which are true boiling in the literature, the difusion mapping being the main focus of this work . This method is constructed from a graph where the vertices are the signs ( problem data ) and the weight of edges is established based on the Gaussian kernel of the heat equation. Furthermore , a Markov process is established which allows the visualization of the problem at diferent scales according to the variation of a given parameter t . Another scale parameter, Є , for the Gaussian core is carefully evaluated by relating it to the dynamic Markov so you can learn the variety that eventually support the data. This thesis proposed the recognition of digital images involving transformations of rotation and variation of illumination. Also the problem of reconstruction of signals is attacked with the proposed pre - image using the optimization of a cost function with a smoothing parameter, γ, Which also takes into account the initial dataset.
author2 Francisco Duarte Moura Neto
author_facet Francisco Duarte Moura Neto
Lucia Maria dos Santos Pinto
author Lucia Maria dos Santos Pinto
author_sort Lucia Maria dos Santos Pinto
title Mapeamento de difusão no reconhecimento e reconstrução de sinais
title_short Mapeamento de difusão no reconhecimento e reconstrução de sinais
title_full Mapeamento de difusão no reconhecimento e reconstrução de sinais
title_fullStr Mapeamento de difusão no reconhecimento e reconstrução de sinais
title_full_unstemmed Mapeamento de difusão no reconhecimento e reconstrução de sinais
title_sort mapeamento de difusão no reconhecimento e reconstrução de sinais
publisher Universidade do Estado do Rio de Janeiro
publishDate 2014
url http://www.bdtd.uerj.br/tde_busca/arquivo.php?codArquivo=6726
work_keys_str_mv AT luciamariadossantospinto mapeamentodedifusaonoreconhecimentoereconstrucaodesinais
AT luciamariadossantospinto difusionmapsforrecognitionandreconstructionofsignals
_version_ 1718675045580013568