Pesquisa Bibliográfica

Referência 345

Mair, B.A. Tikhonov regularization for finitely and infinitely smoothing operators, SIAM J. Math. Anal., vol. 25, no. 1, 135-147, 1994.

Fonte: ResearchIndex (CiteSeer): http://citeseer.nj.nec.com/

Resumo: não

Artigo Completo: não

Palavras-Chave: escalas de Hilbert, suavidade, problemas mal-condicionados

Comentários: não há informações suficientes.

Referência 346

Marroquin, J. Regularization theory and low-level vision. In M. Arbib, editor, The Handbook of Brain Theory and Neural Networks, pp. 800-804, Cambridge, MA, MIT Press, 1995.

Fonte: ResearchIndex (CiteSeer): http://citeseer.nj.nec.com/

Resumo: não

Artigo Completo: não

Palavras-Chave: restrições de suavidade, problemas mal-condicionados, campos de Markov aleatórios

Comentários: não há informações suficientes.
Referência 347

Mizutani, H. Extension of regularization theory based on general regression into multi-valued functions and a reconstruction algorithm for discontinuous functions without line processes, Transactions of the Institute of Electronics, Information and Communication Engineers D II, vol. J78D-II, no.3; pp. 420-428, March 1995.

Fonte: www.bae.unicamp.br - ERL

Resumo: sim

Artigo Completo: não

Palavras-Chave: regularização multivalor, suavidade, algoritmo de reconstrução, robustez contra ruído

Comentários: os autores deste artigo estendem a teoria de regularização, baseando-se em uma regressão geral, a fim de aplica-la à regularização multivalor. Esta teoria de regularização não requer quaisquer medidas de suavidade, o que é essencial na teoria de regularização padrão. O algoritmo apresentado é bastante simples e leva sempre a uma única solução.

Referência 348

Morozov, V.A. Regularization Methods for Ill-Posed Problems, CRC Press, Boca Raton, 1993.

Fonte: Referência X1

Palavras-Chave: problemas mal-condicionados, suavidade, regularização

Comentários: este livro aborda a teoria da regularização para a solução de problemas mal condicionados, apresentando diversos conceitos e considerações matemáticas, tornando esta uma das obras mais completas a respeito deste assunto.
Referência 349

Neidhardt, H.; Zagrebnov, V.A. Singular perturbations, regularization and extension theory, Operator Theory: Advances and Applications, vol. 70, pp. 299-305, Birkhauser Verlag, Basel, 1994.

Fonte: ResearchIndex (CiteSeer): http://citeseer.nj.nec.com/

Resumo: não

Artigo Completo: não

Palavras-Chave: não há informação suficiente

Comentários: não há informação suficiente.
Referência 350

Ogawa, H. Projection filter regularization of ill-conditioned problem, Proceedings of the SPIE, The International Society for Optical Engineering, vol. 808, pp. 189-196, 1987.

Fonte: www.bae.unicamp.br - ERL

Resumo: sim

Artigo Completo: não

Palavras-Chave: teoria da regularização, problemas mal-condicionados, regularização de Chebyshev, ruído

Comentários: o autor deste paper propõe uma regularização do tipo de Chebyshev, chamada de regularização de filtro de projeção. Na ausência de ruído, o filtro de projeção provê a melhor aproximação em relação à solução. Na presença de ruído, ele provê a melhor aproximação, na média, com respeito ao ruído.
Referência 351

Poggio, T., Girosi, F. A Theory of Networks for Approximation and Learning, Technical Report 1140, MIT AI Lab, 1989.

Fonte: ResearchIndex (CiteSeer): http://citeseer.nj.nec.com/

Resumo: sim

Artigo Completo: sim

Palavras-Chave: redes neurais, mapeamento não-linear, redes de regularização, splines, reconstrução de superfícies

Comentários: este paper considera os problemas de uma representação exata e em mais detalhes da aproximação de mapeamentos lineares e não-lineares em termos de funções mais simples e com um menor número de variáveis, através da utilização da teoria da regularização. Este é um artigo largamente citado na literatura.
Referência 352

Poggio, T.; Girosi, F. Regularization algorithms for learning that are equivalent to multilayer networks. Science, vol. 247, pp. 978-982, 1990.

Fonte: ResearchIndex (CiteSeer): http://citeseer.nj.nec.com/

Resumo: não

Artigo Completo: não

Palavras-Chave: redes neurais, funções de base radial, suavidade

Comentários: este é um dos artigos clássicos na área de teoria da regularização, onde são lançadas boa parte das bases usadas no desenvolvimento da teoria da regularização nos últimos 10 anos. Este artigo é largamente citado na literatura.
Referência 353

Poggio, T., Girosi, F., Networks for approximation and learning, Proceedings of the IEEE, vol. 78, no. 9, pp. 1481-1497, Sept. 1990.

Fonte: base de dados IEEE/IEE - BAE

Resumo: sim

Artigo Completo: sim

Palavras-Chave: redes neurais, mapeamento não-linear, redes de regularização, splines

Comentários: este paper considera o problema da aproximação de mapeamento não-linear. São discutidas a teoria da regularização e uma estrutura teórica para aproximação que leva a uma classe de redes de três camadas, chamadas redes de regularização. Redes de regularização são matematicamente relacionadas a funções de base radial. Aproximações de aprendizado e aprendizado como uma reconstrução de hipersuperfície são discutidas. Duas extensões da abordagem da regularização são apresentadas. A teoria das redes de regularização é generalizada para uma formulação que inclui clustering dependente da aplicação e redução de dimensionalidade. Por fim, aplicações para as redes de regularização são discutidas. Este é um artigo clássico e largamente citado na literatura.

Referência 354

Poggio, T.; Girosi, F.; Jones, M., From regularization to radial, tensor and additive splines, Proceedings of the 1993 IEEE-SP Workshop Neural Networks for Processing, pp. 3-10, Sept. 1993.

Fonte: base de dados IEEE/IEE - BAE

Resumo: sim

Artigo Completo: sim

Palavras-Chave: splines, esquemas de aproximação, funções de suavidade, funções de base radial, aprendizado construtivo

Comentários: os autores mostraram que os princípios de regularização levam a esquemas de aproximação que são equivalentes a redes com uma camada de unidades ocultas, chamadas redes de regularização. Eles sumarizam seus resultados, que mostram que redes de regularização englobam uma quantidade muito maior de esquemas de aproximação, incluindo muitos dos modelos aditivos gerais e algumas das redes neurais.