Classificação de dados de alto nível baseada em redes complexas com aplicações em reconhecimento invariante de padrões

Resumo

Redes complexas surgiram como um tópico unificador de sistemas complexos e como uma poderosa ferramenta de representação e abstração de dados, uma vez que são capazes de capturar relações espaciais, topológicas e funcionais entre os dados. Classificação de dados é uma tarefa de aprendizado de máquina da categoria de aprendizado supervisionado. As técnicas tradicionais de classificação consideram apenas atributos físicos dos dados de entrada, por exemplo distância, similaridade e densidade. Tais técnicas são chamadas de técnicas de classificação de baixo nível. No entanto, em casos reais, os itens de dados não são pontos isolados no espaço de atributos, pois tendem a formar certos padrões. A classificação de dados que considera, além dos atributos físicos, a formação de padrões é referenciada como classificação de alto nível. Neste projeto, objetiva-se desenvolver técnicas de classificação de alto nível baseadas em processos dinâmicos em redes complexas. Como a classificação de alto nível é capaz de identificar a relação entre os padrões armazenados e, consequentemente, extrair a formação dos padrões, esta é adequada para tarefas de reconhecimento invariante de padrões. Por esta razão, as técnicas desenvolvidas serão aplicadas em reconhecimento de faces e reconhecimento de letras e dígitos manuscritos. Espera-se que os métodos desenvolvidos possam reconhecer imagens com considerável nível de variação, por exemplo variação linear, iluminação e ruídos, sem necessidade de tratamentos específicos para cada tipo de variação. (AU)