Redes de elementos complexos para processamento de informação (2005)
- Autor:
- Autor USP: LIANG, ZHAO - ICMC
- Unidade: ICMC
- Sigla do Departamento: SCE
- Subjects: COMPUTAÇÃO GRÁFICA; PROCESSAMENTO DE IMAGENS; REDES DE INFORMAÇÃO; RECONHECIMENTO DE PADRÕES
- Language: Português
- Abstract: Percepção humana é uma dinâmica complexa e não linear. Por um lado, é periódica e por outro lado é caótica. Este trabalho insere-se em uma linha de pesquisa iniciada a mais de duas décadas que tem por objetivo construir modelos dinâmicos de processamento de informação biologicamente plausível, de alto-desempenho, os quais possuem velocidade e flexibilidade de sistemas humanos (animais). O objetivo principal é desenvolver novos modelos de redes com elementos de dinâmicas complexas para processamento de informação, tais como recohecimento de padrões, clusterização de dados e segmentação de imagens. Os resultados a serem apresentados neste documento são parte de trabalhos feitos pelo presente candidato e seus colaboradores nos últimos anos, após a conclusão do seu doutorado
- Imprenta:
- Publisher place: São Carlos
- Date published: 2005
- Data da defesa: 12.05.2005
-
ABNT
LIANG, Zhao. Redes de elementos complexos para processamento de informação. 2005. Tese (Livre Docência) – Universidade de São Paulo, São Carlos, 2005. . Acesso em: 10 mar. 2026. -
APA
Liang, Z. (2005). Redes de elementos complexos para processamento de informação (Tese (Livre Docência). Universidade de São Paulo, São Carlos. -
NLM
Liang Z. Redes de elementos complexos para processamento de informação. 2005 ;[citado 2026 mar. 10 ] -
Vancouver
Liang Z. Redes de elementos complexos para processamento de informação. 2005 ;[citado 2026 mar. 10 ] - Semi-supervised learning with concept drift using particle dynamics applied to network intrusion detection data
- Computer-aided music composition with LSTM neural network and chaotic inspiration
- Semi-supervised learning by edge domination in complex networks
- Dimensionality reduction with the k-associated optimal graph applied to image classification
- Bias-guided random walk for network-based data classification
- A review and comparative analysis of coarsening algorithms on bipartite networks
- Semi-supervised learning from imperfect data through particle cooperation and competition
- Chaotic phase synchronization and desynchronization in an oscillator network for object selection
- Random walk in feature-sample networks for semi-supervised classification
- Classificação de alto nível baseada em entropia da rede
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
