Pesquisa Bibliográfica
Comentários: este paper apresenta uma solução iterativa para o problema da deconvolução de imagens. Estabilização não-paramétrica ótima e funções de regularização são derivadas baseadas na análise de
Yüklə 0,7 Mb.
|
- Bu səhifədəki naviqasiya:
- Referência 199
- Referência 210
- Comentários
- Referência 213
Comentários: este paper apresenta uma solução iterativa para o problema da deconvolução de imagens. Estabilização não-paramétrica ótima e funções de regularização são derivadas baseadas na análise de erros.Referência 195 Kohler, M. Nonparametric Regression Function Estimation Using Interaction Least Squares Splines and Complexity Regularization, Metrika, vol. 47, pp. 147-163, 1998. Fonte: ResearchIndex (CiteSeer): http://citeseer.nj.nec.com/ Resumo: não Artigo Completo: não Palavras-Chave: regressão não-paramétrica, splines, mínimos quadrados, regularização Comentários: não há informação suficiente. Referência 196 Krishnan, S.M.; Yang, X.; Chan, K.L.; Kumar, S.; Goh, P.M.Y. Intestinal abnormality detection from endoscopic images, Proceedings of the 20th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, vol. 2, pp. 895-898, Oct. 1998. Fonte: base de dados IEEE/IEE - BAE Resumo: sim Artigo Completo: sim Palavras-Chave: detecção de contorno, processamento de imagens médicas, suavização não-paramétrica, endoscopia Comentários: este artigo apresenta um método para detecção de uma possível presença de anormalidades durante a endoscopia do sistema gastro-intestinal. Os contornos das imagens são extraídos e a curvatura de cada contorno é computada após uma suavização não-paramétrica. Referência 197 La Riviere, P.J.; Pan, X. Resolution properties of non-parametric regression sinogram smoothing using an explicit Poisson model, Conference Record of the Nuclear Science Symposium, vol.3, pp. 1657-1661, Oct. 1999. Fonte: base de dados IEEE/IEE - BAE
Comentários: os autores deste paper desenvolvem e investigam uma abordagem para reconstrução de imagens tomográficas, nas quais usa-se a regressão não-paramétrica através de um modelo de verossimilhança de Poisson explícito, a fim de suavizar cada projeção independentemente.Referência 198 Lingjærde, O.C.; Liestøl, K. Generalized Projection Pursuit Regression, SIAM Journal on Scientific Computing, vol. 20, no. 3, pp. 844-857, 1999. Fonte: www-stat.stanford.edu/~ole Resumo: sim Artigo Completo: não Palavras-Chave: regressão não-paramétrica, projection pursuit, generalização Comentários: os autores deste paper usam métodos de regressão não-paramétrica na análise de dados. Neste artigo eles exploram o uso da regressão “projection pursuit” generalizada.Referência 199Lugosi, G.; Zeger, K. Concept learning using complexity regularization, IEEE Trans. Inform. Theory, vol. 42, no. 1 , pp. 48-54, Jan. 1996. Fonte: base de dados IEEE/IEE - BAE Resumo: sim Artigo Completo: sim Palavras-Chave: modelo não-paramétrico, aprendizado, reconhecimento de padrões, limite de erro Comentários: este artigo possui grande quantidade de citações na literatura. Referência 200 Mammen, E. Nonparametric regression under qualitative smoothness assumptions, Ann. Statist., vol. 19, pp. 741-759, 1991. Fonte: www.stat.rice.edu/~dcox/CV/pub/node162.html Resumo: não Artigo Completo: não Palavras-Chave: suavidade, regressão não-paramétrica, regularização Comentários: não há informação suficiente. Referência 201 Nason, G.P. Wavelet regression by cross-validation, Tech. Report 447, Dep. of Stat., Stanford University, 1994. Fonte: playfair.stanford.edu:/pub/reports/wvcx.ps.gz Resumo: sim Artigo Completo: sim Palavras-Chave: wavelets, regressão não-paramétrica, validação cruzada, parâmetro de suavização Comentários: este paper trata do uso de wavelets para regressão. A principal proposta é introduzir e desenvolver um método de validação cruzada para selecionar um limiar de regressão de wavelets que produz boas estimativas com respeito ao erro. O limiar selecionado determina quais são os coeficientes e o parâmetro de suavidade para uma regressão não-paramétrica. Referência 202 Roosen, C.B.; Hastie, T.J. Automatic smoothing spline projection pursuit, Journal of Computational and Graphical Statistics, vol. 3, pp. 235-248, 1994. Fonte: ResearchIndex (CiteSeer): http://citeseer.nj.nec.com/ Resumo: sim Artigo Completo: não Palavras-Chave: validação cruzada, redes neurais, regressão não-paramétrica, projection pursuit, spline suavizante Comentários: os autores deste artigo fazem uma discussão a respeito do assunto dos splines suaves e projection pursuit automática, usando também os conceitos de validação cruzada e regressão não-paramétrica. Referência 203 Schaal, S. Nonparametric Regression for Learning, Proceedings of the Conference on Prerational Intelligence - Adaptive and Learning Behavior, Bielefeld, Germany, April 1994. Fonte: dynamo.ecn.purdue.edu/~kapadia/Publications/1998/apads.pdf Resumo: sim Artigo Completo: sim Palavras-Chave: algoritmo de aprendizado, regressão não-paramétrica, redes neurais Comentários: os autores deste paper comparam o aprendizado não-paramétrica com os métodos paramétricos mais largamente utilizados e investigam como estas duas famílias diferem em suas propriedades e sua aplicabilidade. Referência 204 Silverman, B.W. Some aspects of the spline smoothing approach to nonparametric regression curve fitting, J. R. Statist. Soc. B, vol. 47, pp. 1-52, 1985. Fonte: www.stat.rice.edu/~dcox/CV/pub/node162.html Resumo: não Artigo Completo: não Palavras-Chave: suavidade, regressão não-paramétrica, regularização, spline suavizantes Comentários: não há informação suficiente. Referência 205 Sjöberg, J.; Ljung, L. Overtraining, regularization and searching for a minimum, with application to neural networks, International Journal of Control, vol. 62, pp. 1391-1407, 1995. Fonte: www.telecom.csuhayward.edu/~stat/Neural/CIS138.htm Resumo: não Artigo Completo: não Palavras-Chave: regularização, sobretreinamento, redes neurais Comentários: não há informação suficiente. Referência 206 Sullivan, F. Blurred Segmentation Models for Non-Parametric Regression and Density Estimation, citeseer.nj.nec.com/179092.html Fonte: ResearchIndex (CiteSeer): http://citeseer.nj.nec.com/ Resumo: sim Artigo Completo: sim Palavras-Chave: regressão não-paramétrica, estimação de densidade, regularização, penalidades tipo Laplacianas Comentários: este paper introduz uma nova classe de aproximações estimação de funções não-paramétricas. A abordagem envolve a modelagem da função alvo como uma combinação linear de elementos de base construídos por funções indicadoras de borrões associadas com uma segmentação ou partição do domínio. São construídos métodos de regularização com penalidades do tipo Lapaciano. Referência 207 Trecate, G.F. Bayesian methods for nonparametric regression with Neural Networks, PhD Thesis, Università di Pavia, Pavia, Italia, April 1999. Fonte: http://conpro.unipv.it/lab/temiricerca/temi_eng.htm#3c Resumo: sim Artigo Completo: não Palavras-Chave: regressão não-paramétrica, métodos Bayesianos, rede de regularização Comentários: esta tese apresenta vários tópicos a respeito da teoria de regressão Bayesiana, onde são apresentados dois novos algoritmos para a computação das redes de regularização e dos graus de liberdade equivalentes. É mostrado também que as redes de regularização são capazes de identificar de uma maneira consistente uma classe de modelos autoregressivos exógenos não-lineares de dimensão infinita. Referência 208 Vijayakumar, S.; Schaal, S. Local adaptive subspace regression, Neural Processing Letters, vol. 7, pp. 139-149, 1998. Fonte: http://www.islab.brain.riken.go.jp/~sethu Resumo: sim Artigo Completo: sim Palavras-Chave: aprendizado, regressão adaptativa, aprendizado não-paramétrico Comentários: os autores deste paper fazem uma revisão a respeito do aprendizado através de dados esparsos em espaços de grandes dimensões, o que requer uma grande quantidade de informação a priori sobre o que vai ser aprendido, o que normalmente é provido por um especialista na área. Para mudar esse cenário, eles utilizam uma abordagem não-paramétrica. Referência 209 (livro) Wahba, G. Spline Models for Observational Data, CBMS-NSF Regional Conference Series in Applied Mathematics 59, Softcover, 1990. Fonte: www.amazon.com Palavras-Chave: suavidade, splines, regressão não-paramétrica Comentários: este livro serve como uma introdução aos aspectos mais teóricos do uso de modelos de splines. A autora aborda os problemas de suavidade e métodos de regularização, em particular o de Tikhonov, para a generalização do uso de splines para problemas inversos mal-condicionados. Este é considerado um livro bastante didático, sendo adotado por diversos cursos ao redor do mundo. Referência 210Wahba, G. Comments on Consistent Nonparametric Regression, The Annals of Statistics, vol. 5, pp. 637-640, 1977. Fonte: http://www.stat.wisc.edu/~wahba/pubs/wahba.bib Resumo: não Artigo Completo: não Palavras-Chave: regressão não-paramétrica, regularização, suavidade Comentários: não há informação suficiente.Referência 211Wahba, G. Improper Priors, Spline Smoothing and the Problem of Guarding Against Model Errors in Regression, Journal of the Royal Statistical Society, Series B, Methodological, vol. 40, pp. 364-372, 1978. Fonte: http://www.stat.wisc.edu/~wahba/pubs/wahba.bib Resumo: não Artigo Completo: não Palavras-Chave: regressão não-paramétrica, suavidade, erros de modelo Comentários: não há informação suficiente.Referência 212 Wahba, G. Model Indexing and Smoothing Parameter Selection in Nonparametric Function Estimation, Statistica Sinica, vol. 8, pp. 632-637, 1998. Fonte: http://www.stat.wisc.edu/~wahba/pubs/wahba.bib Resumo: não Artigo Completo: não Palavras-Chave: suavidade, regressão não-paramétrica, indexação de modelo Comentários: não há informação suficiente. Referência 213Wahba, G. Comments on Some Aspects of the Spline Smoothing Approach to Non-parametric Regression Curve Fitting, Journal of the Royal Statistical Society, Series B, Methodological, vol. 47, p. 44, 1985. Fonte: http://www.stat.wisc.edu/~wahba/pubs/wahba.bib Resumo: não Artigo Completo: não Palavras-Chave: regressão não-paramétrica, suavidade, spline Comentários: não há informação suficiente.Referência 214Wahba, G.; Wang, Y.; Gu, C.; Klein, R.; Klein, B. Smoothing Spline ANOVA for Exponential Families, With Application to the Wisconsin Epidemiological Study of Diabetic Retinopathy, The Annals of Statistics, vol. 23, pp. 1865-1895, 1995. Fonte: http://www.stat.wisc.edu/~wahba/pubs/wahba.bib Resumo: não Artigo Completo: não Palavras-Chave: regressão não-paramétrica, fator de risco, análise de variância, diabetes Comentários: não há informação suficiente. Referência 215 White, H. Connectionist Nonparametric Regression: Multilayer Feedforward Networks Can Learn Arbitrary Mappings, Neural Networks, vol. 3, pp. 535-550, 1990. Fonte: ftp://ftp.sas.com/pub/neural/FAQ.html Resumo: não Artigo Completo: não Palavras-Chave: regressão não-paramétrica, aprendizado, mapeamentos arbitrários Comentários: não há informação suficiente. Yüklə 0,7 Mb. Dostları ilə paylaş:
|