Conformal Geometry / Jin, Miao  

Público ISBD Ningún comentario para este registro. Título : Conformal Geometry : Computational Algorithms and Engineering Applications Tipo de documento: documento electrónico Autores: Jin, Miao, ; Gu, Xianfeng, ; He, Ying, ; Wang, Yalin, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2018 Número de páginas: XIII, 314 p. ISBN/ISSN/DL: 978-3-319-75332-4 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Matemáticas  Matemáticas de ingeniería  Ingeniería  Procesamiento de imágenes  Visión por computador  Ciencias e Ingeniería Computacional  Aplicaciones de ingeniería matemática y computacional  Imágenes por computadora  visión  reconocimiento de patrones y gráficos Clasificación: 003.3 Resumen: Este libro ofrece una descripción general esencial de la geometría conforme computacional aplicada a problemas fundamentales en campos de ingeniería específicos. Introduce a los lectores la teoría de la geometría conforme y analiza cuestiones de implementación desde una perspectiva de ingeniería. Los capítulos respectivos exploran problemas fundamentales en campos de aplicación específicos y detallan cómo se pueden utilizar métodos computacionales geométricos conformes para resolverlos de una manera teóricamente elegante y computacionalmente eficiente. Los campos cubiertos incluyen gráficos por computadora, visión por computadora, modelado geométrico, imágenes médicas y redes de sensores inalámbricos. Cada capítulo concluye con un resumen del material cubierto y sugerencias para lecturas adicionales, y numerosas ilustraciones y algoritmos computacionales complementan el texto. El libro se basa en cursos impartidos por los autores en la Universidad de Luisiana en Lafayette, la Universidad Estatal de Nueva York en Stony Brook y la Universidad de Tsinghua, y será de interés para estudiantes universitarios, graduados e investigadores en ciencias de la computación, matemáticas aplicadas, e ingeniería. Nota de contenido: Introduction -- Topological Algorithms -- Harmonic Map -- Harmonic and Holomorphic Forms -- Discrete Ricci Flow -- Computer Graphics -- Computer Vision -- Geometric Modeling -- Medical Imaging -- Wireless Sensor Networks. Tipo de medio : Computadora Summary : This book offers an essential overview of computational conformal geometry applied to fundamental problems in specific engineering fields. It introduces readers to conformal geometry theory and discusses implementation issues from an engineering perspective. The respective chapters explore fundamental problems in specific fields of application, and detail how computational conformal geometric methods can be used to solve them in a theoretically elegant and computationally efficient way. The fields covered include computer graphics, computer vision, geometric modeling, medical imaging, and wireless sensor networks. Each chapter concludes with a summary of the material covered and suggestions for further reading, and numerous illustrations and computational algorithms complement the text. The book draws on courses given by the authors at the University of Louisiana at Lafayette, the State University of New York at Stony Brook, and Tsinghua University, and will be of interest to senior undergraduates, graduates and researchers in computer science, applied mathematics, and engineering. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Conformal Geometry : Computational Algorithms and Engineering Applications [documento electrónico] / Jin, Miao, ; Gu, Xianfeng, ; He, Ying, ; Wang, Yalin,  . -  1 ed.  . - [s.l.] : Springer, 2018 . - XIII, 314 p. ISBN : 978-3-319-75332-4 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Matemáticas  Matemáticas de ingeniería  Ingeniería  Procesamiento de imágenes  Visión por computador  Ciencias e Ingeniería Computacional  Aplicaciones de ingeniería matemática y computacional  Imágenes por computadora  visión  reconocimiento de patrones y gráficos Clasificación: 003.3 Resumen: Este libro ofrece una descripción general esencial de la geometría conforme computacional aplicada a problemas fundamentales en campos de ingeniería específicos. Introduce a los lectores la teoría de la geometría conforme y analiza cuestiones de implementación desde una perspectiva de ingeniería. Los capítulos respectivos exploran problemas fundamentales en campos de aplicación específicos y detallan cómo se pueden utilizar métodos computacionales geométricos conformes para resolverlos de una manera teóricamente elegante y computacionalmente eficiente. Los campos cubiertos incluyen gráficos por computadora, visión por computadora, modelado geométrico, imágenes médicas y redes de sensores inalámbricos. Cada capítulo concluye con un resumen del material cubierto y sugerencias para lecturas adicionales, y numerosas ilustraciones y algoritmos computacionales complementan el texto. El libro se basa en cursos impartidos por los autores en la Universidad de Luisiana en Lafayette, la Universidad Estatal de Nueva York en Stony Brook y la Universidad de Tsinghua, y será de interés para estudiantes universitarios, graduados e investigadores en ciencias de la computación, matemáticas aplicadas, e ingeniería. Nota de contenido: Introduction -- Topological Algorithms -- Harmonic Map -- Harmonic and Holomorphic Forms -- Discrete Ricci Flow -- Computer Graphics -- Computer Vision -- Geometric Modeling -- Medical Imaging -- Wireless Sensor Networks. Tipo de medio : Computadora Summary : This book offers an essential overview of computational conformal geometry applied to fundamental problems in specific engineering fields. It introduces readers to conformal geometry theory and discusses implementation issues from an engineering perspective. The respective chapters explore fundamental problems in specific fields of application, and detail how computational conformal geometric methods can be used to solve them in a theoretically elegant and computationally efficient way. The fields covered include computer graphics, computer vision, geometric modeling, medical imaging, and wireless sensor networks. Each chapter concludes with a summary of the material covered and suggestions for further reading, and numerous illustrations and computational algorithms complement the text. The book draws on courses given by the authors at the University of Louisiana at Lafayette, the State University of New York at Stony Brook, and Tsinghua University, and will be of interest to senior undergraduates, graduates and researchers in computer science, applied mathematics, and engineering. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]

Deep Reinforcement Learning for Wireless Networks / Yu, F. Richard  

Público ISBD Ningún comentario para este registro. Título : Deep Reinforcement Learning for Wireless Networks Tipo de documento: documento electrónico Autores: Yu, F. Richard, ; He, Ying, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2019 Número de páginas: VIII, 71 p. 28 ilustraciones, 26 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-10546-4 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Sistemas de comunicación inalámbrica.  Sistemas de comunicación móviles.  Inteligencia artificial  Telecomunicación  Comunicación inalámbrica y móvil  Ingeniería en Comunicaciones  Redes Clasificación: 621.384 Resumen: Este Springerbrief presenta un enfoque de aprendizaje por refuerzo profundo de sistemas inalámbricos para mejorar el rendimiento del sistema. En particular, el enfoque de aprendizaje por refuerzo profundo se utiliza en redes inalámbricas de alineación de interferencia oportunista habilitadas para caché y redes sociales móviles. Se presentan resultados de simulación con diferentes parámetros de red para mostrar la efectividad del esquema propuesto. Hay un aumento fenomenal de actividades de investigación en inteligencia artificial, aprendizaje por refuerzo profundo y sistemas inalámbricos. El aprendizaje por refuerzo profundo se ha utilizado con éxito para resolver muchos problemas prácticos. Por ejemplo, Google DeepMind adopta este método en varios proyectos de inteligencia artificial con big data (por ejemplo, AlphaGo) y obtiene resultados bastante buenos. Los estudiantes de posgrado en ingeniería eléctrica e informática, así como en ciencias de la computación, encontrarán este resumen útil como estudio. guía. Investigadores, ingenieros, informáticos, programadores y responsables políticos también encontrarán este informe como una herramienta útil. . Tipo de medio : Computadora Summary : This Springerbrief presents a deep reinforcement learning approach to wireless systems to improve system performance. Particularly, deep reinforcement learning approach is used in cache-enabled opportunistic interference alignment wireless networks and mobile social networks. Simulation results with different network parameters are presented to show the effectiveness of the proposed scheme. There is a phenomenal burst of research activities in artificial intelligence, deep reinforcement learning and wireless systems. Deep reinforcement learning has been successfully used to solve many practical problems. For example, Google DeepMind adopts this method on several artificial intelligent projects with big data (e.g., AlphaGo), and gets quite good results.. Graduate students in electrical and computer engineering, as well as computer science will find this brief useful as a study guide. Researchers, engineers, computer scientists, programmers, and policy makers will also find this brief to be a useful tool. . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Deep Reinforcement Learning for Wireless Networks [documento electrónico] / Yu, F. Richard, ; He, Ying,  . -  1 ed.  . - [s.l.] : Springer, 2019 . - VIII, 71 p. 28 ilustraciones, 26 ilustraciones en color. ISBN : 978-3-030-10546-4 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Sistemas de comunicación inalámbrica.  Sistemas de comunicación móviles.  Inteligencia artificial  Telecomunicación  Comunicación inalámbrica y móvil  Ingeniería en Comunicaciones  Redes Clasificación: 621.384 Resumen: Este Springerbrief presenta un enfoque de aprendizaje por refuerzo profundo de sistemas inalámbricos para mejorar el rendimiento del sistema. En particular, el enfoque de aprendizaje por refuerzo profundo se utiliza en redes inalámbricas de alineación de interferencia oportunista habilitadas para caché y redes sociales móviles. Se presentan resultados de simulación con diferentes parámetros de red para mostrar la efectividad del esquema propuesto. Hay un aumento fenomenal de actividades de investigación en inteligencia artificial, aprendizaje por refuerzo profundo y sistemas inalámbricos. El aprendizaje por refuerzo profundo se ha utilizado con éxito para resolver muchos problemas prácticos. Por ejemplo, Google DeepMind adopta este método en varios proyectos de inteligencia artificial con big data (por ejemplo, AlphaGo) y obtiene resultados bastante buenos. Los estudiantes de posgrado en ingeniería eléctrica e informática, así como en ciencias de la computación, encontrarán este resumen útil como estudio. guía. Investigadores, ingenieros, informáticos, programadores y responsables políticos también encontrarán este informe como una herramienta útil. . Tipo de medio : Computadora Summary : This Springerbrief presents a deep reinforcement learning approach to wireless systems to improve system performance. Particularly, deep reinforcement learning approach is used in cache-enabled opportunistic interference alignment wireless networks and mobile social networks. Simulation results with different network parameters are presented to show the effectiveness of the proposed scheme. There is a phenomenal burst of research activities in artificial intelligence, deep reinforcement learning and wireless systems. Deep reinforcement learning has been successfully used to solve many practical problems. For example, Google DeepMind adopts this method on several artificial intelligent projects with big data (e.g., AlphaGo), and gets quite good results.. Graduate students in electrical and computer engineering, as well as computer science will find this brief useful as a study guide. Researchers, engineers, computer scientists, programmers, and policy makers will also find this brief to be a useful tool. . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]

---

1 (1 - 2 / 2) Ver por página : 25 50 100 200