Use este identificador para citar ou linkar para este item: http://hdl.handle.net/11422/21242
Tipo: Dissertação
Título: A didactic introduction to Graph Signal Processing techniques and applications
Autor(es)/Inventor(es): Fonini, Pedro Angelo Medeiros
Orientador: Diniz, Paulo Sergio Ramirez
Coorientador: Lima, Markus Vinícius Santos
Resumo: Processamento de sinais é uma área tradicionalmente bem-sucedida em diversas aplicações em que o domínio de interesse é uniforme. Embora a maioria das ferra- mentas desta área sejam baseadas no fato de que é esperado que tais domínios sejam uniformes, por exemplo o contínuo de instantes de tempo ou um domínio discreto com amostras igualmente espaçadas, muitos problemas interessantes são colocados sobre estruturas mais irregulares. Ao lidar com aplicações como redes sociais, arrays de sen- sores arbitratriamente distribuídos, redes neuronais ou redes de distribuição de energia, uma das estratégias matemáticas para respeitar as irregularidades nessas estruturas é interpretar os dados como sendo definidos em vértices de um grafo ponderado. Uma vez que tais estruturas subjacentes costumam carregar informações valiosas o campo do processamento de sinais em grafos (GSP) tem estado ativo na última década. Neste trabalho, revisamos alguns dos avanços obtidos por este novo campo de pesquisa. Damos foco especial para sinais variantes no tempo nos quais cada vértice do grafo está associado a uma série temporal e para os algoritmos adaptativos projetados para esta nova forma de processamento de sinais. Quando técnicas de filtragem adaptativa são aplicadas ao GSP, é possível projetar algoritmos que aprendem a partir das estatísticas de um sinal em um grafo. Ao levar em consideração a estrutura subjacente do domínio irregular no qual os dados residem, os resultados são um maior poder de inferência, e decisões melhor-informadas.
Resumo: Traditional signal processing thrives when applied to uniform, euclidean domains. Even though most DSP tools are built around the fact that signal domains are expected to be uniform e.g. continuous time or an equally spaced discrete domain, many in- teresting problems are defined on top of more irregular structures. When dealing with applications such as social networks, arbitrarily distributed arrays of sensors, neuronal networks, and power grids, one of the mathematical strategies to acknowledge the irregular structure is to interpret the data as being defined on the vertices of a weighted graph. Since these subjacent structures usually carry valueable information, the field of signal processing on graphs, or graph signal processing (GSP), has been active in the recent decade. In this work, we review some of the advances made possible by this new field. We give special focus to time-varying signals in which each graph vertex rep- resents a time-series and the adaptive algorithms designed for this new kind of signal processing. By applying to GSP techniques borrowed from adaptive filtering, one is able to de- rive processing algorithms that learn from the statistics of a graph signal. When the subjacent structure of the irregular domain on which the data reside is accounted for, the results are higher inference power, and better-informed decisions.
Palavras-chave: Gráficos
Filtragem adaptável
Processamento de sinal
Assunto CNPq: CNPQ::ENGENHARIAS
Programa: Programa de Pós-Graduação em Engenharia Elétrica
Unidade produtora: Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia
Editora: Universidade Federal do Rio de Janeiro
Data de publicação: Mar-2019
País de publicação: Brasil
Idioma da publicação: eng
Tipo de acesso: Acesso Aberto
Aparece nas coleções:Engenharia Elétrica

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
925345.pdf1.01 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.