| Processo: | 17/11488-5 |
| Modalidade de apoio: | Bolsas no Brasil - Pós-Doutorado |
| Data de Início da vigência: | 01 de agosto de 2017 |
| Data de Término da vigência: | 28 de janeiro de 2018 |
| Área de conhecimento: | Engenharias - Engenharia Elétrica - Telecomunicações |
| Pesquisador responsável: | Aline de Oliveira Neves Panazio |
| Beneficiário: | Denis Gustavo Fantinato |
| Instituição Sede: | Centro de Engenharia, Modelagem e Ciências Sociais Aplicadas (CECS). Universidade Federal do ABC (UFABC). Ministério da Educação (Brasil). Santo André , SP, Brasil |
| Assunto(s): | Processamento de sinais Separação cega de fontes Análise multivariada |
| Palavra(s)-Chave do Pesquisador: | Análise Multivariada de Dados | Modelo linear-quadrático | Modelo post-nonlinear | Múltiplos conjuntos de dados | Separação Cega de Fontes | Processamento de Sinais |
Resumo Na área de processamento de sinais, o problema de separação cega de fontes (BSS, do inglês Blind Source Separation) ocupa uma posição proeminente em vista de sua versatilidade e de seu amplo leque de aplicações práticas. À luz da crescente complexidade e expressivo aumento no volume de dados, as vertentes de BSS no contexto de misturas não lineares e de múltiplos conjuntos de dados compõem tópicos de pesquisa bastante atuais e desafiadores. No primeiro caso, a abordagem não linear ainda carece de uma estrutura genérica para separação e, mesmo em modelos restritos, existem limitações sobre os tipos de funções passíveis de compensação. No segundo caso, os múltiplos conjuntos de dados podem significar maior diversidade da informação, porém, o estudo envolvendo dados complexos e não lineares é ainda bastante incipiente. Em ambas as abordagens, fortes indícios apontam que a informação contida na estrutura temporal dos dados é fundamental para o desenvolvimento dessas áreas.Tais perspectivas nos motivam a estudar um novo paradigma de separação cega de fontes a partir de uma análise multivariada (MVA, do inglês Multivariate Analysis) acerca da informação contida na estrutura temporal dos dados, tanto no contexto de misturas não lineares quanto no contexto de múltiplos conjuntos de dados. De fato, através de poderosas ferramentas de MVA, é possível explorar de forma mais efetiva a informação temporal presente nos dados. Isto contribuirá para a proposição de critérios de separação mais robustos e adequados para os dois contextos abordados. Além disso, as propostas poderão ser analisadas em cenários práticos complexos, como, por exemplo, em interfaces cérebro-computador com dados de múltiplos usuários. | |
| Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa: | |
| Mais itensMenos itens | |
| TITULO | |
| Matéria(s) publicada(s) em Outras Mídias ( ): | |
| Mais itensMenos itens | |
| VEICULO: TITULO (DATA) | |
| VEICULO: TITULO (DATA) | |