Pesquisa Bibliográfica

Referência 186

You, Y.L.; Kaveh, M. Blind image restoration by anisotropic regularization, IEEE Transactions on Image Processing, vol. 8, no. 3, pp. 396-407, March 1999.

Tema: restauração de imagens

Fonte: base de dados IEEE/IEE - BAE

Resumo: sim

Artigo Completo: sim

Palavras-Chave: suavidade, atividades espaciais, função de espalhamento, orientações, movimento linear

Comentários: este paper apresenta técnicas de regularização anizotrópica, a fim de explorar a suavidade da imagem e a função de espalhamento dos pontos, diminuindo desta maneira a severa perda de informação encontrada na restauração cega de imagens borradas.

Referência 187

Zhu, W.W.; Galatsanos, N.P.; Katsaggelos, A.K. Regularized Multichannel Restoration Using Cross-Validation, Graphical Models and Image Processing, Vol. 57, No. 1, January 1995.

Tema: restauração de imagens

Fonte: www.bae.unicamp.br - Probe - Academic Press

Resumo: sim

Artigo Completo: sim

Palavras-Chave: imagens multicanal, filtros estocásticos, validação cruzada, ruído

Comentários: neste paper, os autores tentam evitar os problemas associados com o uso de filtros multicanal estocásticos para a restauração de imagens, através da proposta de filtros multicanal determinísticos que não requerem conhecimento a priori sobre as estatísticas da imagem multicanal ou do ruído. Estes filtros são obtidos através da regularização utilizando funções de validação cruzada.

2. Modelagem e Regressão Não-Paramétrica

A regressão não-paramétrica é utilizada em situações em que há pouco ou nenhum conhecimento a respeito da forma da verdadeira função que está sendo estimada. A função é então modelada usando uma equação contendo parâmetros livres, de maneira a levar à classe de funções que o modelo pode representar de maneira direta. Isto, tipicamente, envolve um grande número de parâmetros livres, que não têm sentido físico em relação ao problema, ao contrário do que ocorre na regressão paramétrica. A regressão não-paramétrica permite uma maior flexibilidade da forma funcional, característica esta que reduz o risco de especificações erradas associadas à escolha de uma forma funcional paramétrica específica.

A modelagem e a regressão não-paramétricas vêm sendo, elas próprias, em conjunto com a teoria da regularização, alvo de alguns estudos e publicações. No entanto, a maioria dos artigos e trabalhos fazem uso destes dois conceitos para sua aplicação em estudos realizados em várias áreas, em particular na restauração de imagens e treinamento e aprendizado de redes neurais. A seguir, são mostrados alguns artigos e livros que fornecem uma noção do que vem sendo feito na área. É importante destacar que a área de modelagem e regressão não-paramétrica é muito ampla, e sua aplicação em conjunto com a regularização representa apenas uma pequena parte dos estudos que vêm sendo realizados.
Referências:
Referência 188

Aha, D.; Kibler, D.; Albert, M. Instance-based learning algorithms, Machine Learning, vol. 6, pp. 37-66, 1991.

Fonte: kiew.cs.uni-dortmund.de:8001/mlnet/instances/81d91eaae5b44763dd

Resumo: não

Artigo Completo: não

Palavras-Chave: regressão não-paramétrica, aprendizado

Comentários: não há informação disponível.

Referência 189

Barron, A.R. Complexity regularization with application to artificial neural networks, In G. Roussas, editor, Nonparametric Functional Estimation and Related Topics, pp. 561-576, Kluwer Academic Publishers, 1991.

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

Resumo: não

Artigo Completo: não

Palavras-Chave: aprendizado construtivo, generalização, regressão não-paramétrica

Comentários: este artigo é bastante didático e largamente citado na literatura.
Referência 190

Cheng, B.B. Multi-response optimization based on a neuro-fuzzy system, Neural Network World, vol. 10, pp. 545-551, April 2000.

Fonte: http://www.uivt.cas.cz/nnw/contents2000/

Resumo: sim

Artigo Completo: não

Palavras-Chave: regressão não-paramétrica, sistema neuro-fuzzy, problema de otimização, regularização

Comentários: os autores deste paper utilizam um sistema neuro-fuzzy para identificação de um sistema, o qual cai na categoria de análise de regressão não-paramétrica. Eles propõem também um algoritmo para resolver o problema de otimização da resposta.
Referência 191

Dechevsky, L.T. Wavelet Shrinkage - the Next Generation, Technical Report, 1998.

Fonte: sphere.math.utsa.edu/~kannan/conf/abstracts/dechev.pdf

Resumo: sim

Artigo Completo: sim

Palavras-Chave: wavelets, regressão não-paramétrica, regularização de Tikhonov, problemas inversos mal-condicionados

Comentários: este paper trata da contração de wavelet. O autor faz uso de técnicas de regularização, em particular a de Tikhonov, para problemas inversos mal-condicionados, e analisa os casos de regressão não-paramétrica, sob um ponto de vista estatístico.
Referência 192 (livro)

Eubank, R.L. Nonparametric Regression and Spline Smoothing, Book News, Portland, 2ª Edição, 1999.

Fonte: www.amazon.com

Palavras-Chave: suavidade, splines, regressão não-paramétrica

Comentários: este livro faz um curso introdutório em suavização de dados, cobrindo estimadores de séries, estimadores de kernels, splines de suavização e splines de mínimos quadrados. Aborda também o assunto de regressão polinomial não-paramétrica.
Referência 193

Hardle, W. Applied nonparametric regression, Econometric Society Monographs, vol.19, Cambridge University Press, 1990.

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

Resumo: não

Artigo Completo: não

Palavras-Chave: regressão não-paramétrica, suavização, regularização

Comentários: não há informação suficiente.
Referência 194

Hare, J.R.; Reilly, J.P. The iterative deconvolution of linearly blurred images using non-parametric stabilizing functions, Proceedings of the 2000 International Conference on Image Processing, vol. 3, pp. 770-773, Sept. 2000.

Fonte: base de dados IEEE/IEE - BAE

Resumo: sim

Artigo Completo: sim

Palavras-Chave: regularização não-paramétrica, processamento de imagens, ruído, análise de erros