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, Autor ; Gu, Xianfeng, Autor ; He, Ying, Autor ; Wang, Yalin, Autor 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. 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 Índice Dewey: 003 Teoría general de Sistemas 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. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Conformal Geometry : Computational Algorithms and Engineering Applications [documento electrónico] / Jin, Miao, Autor ; Gu, Xianfeng, Autor ; He, Ying, Autor ; Wang, Yalin, Autor  . -  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. 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 Índice Dewey: 003 Teoría general de Sistemas 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. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i

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, Autor ; He, Ying, Autor 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. Palabras clave: Sistemas de comunicación inalámbrica  Sistemas de comunicación móviles  Inteligencia artificial  Telecomunicación  Comunicación inalámbrica y móvil  Ingeniería en Comunicaciones  Redes Índice Dewey: 621.384 Radio y radar 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. . En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Deep Reinforcement Learning for Wireless Networks [documento electrónico] / Yu, F. Richard, Autor ; He, Ying, Autor  . -  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. Palabras clave: Sistemas de comunicación inalámbrica  Sistemas de comunicación móviles  Inteligencia artificial  Telecomunicación  Comunicación inalámbrica y móvil  Ingeniería en Comunicaciones  Redes Índice Dewey: 621.384 Radio y radar 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. . En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i

---

1 (1 - 2 / 2) Par page : 25 50 100 200