Mostrar registro simples

dc.contributor.advisorErichsen Junior, Rubempt_BR
dc.contributor.authorDoria, Felipe Françapt_BR
dc.date.accessioned2016-07-29T02:17:01Zpt_BR
dc.date.issued2016pt_BR
dc.identifier.urihttp://hdl.handle.net/10183/144076pt_BR
dc.description.abstractEste trabalho foca no estudo de duas redes complexas. A primeira é um modelo de Ising com campo aleatório. Este modelo segue uma distribuição de campo gaussiana e bimodal. Uma técnica de conectividade finita foi utilizada para resolvê-lo. Assim como um método de Monte Carlo foi aplicado para verificar os resultados. Há uma indicação em nossos resultados que para a distribuição gaussiana a transição de fase é sempre de segunda ordem. Para as distribuições bimodais há um ponto tricrítico, dependente do valor da conectividade 𝑐. Abaixo de um certo mínimo de 𝑐, só existe transição de segunda ordem. A segunda é uma rede neural atratora métrica. Mais precisamente, estudamos a capacidade deste modelo para armazenar os padrões estruturados. Em particular, os padrões escolhidos foram retirados de impressões digitais, que apresentam algumas características locais. Os resultados mostram que quanto menor a atividade de padrões de impressões digitais, maior a relação de carga e a qualidade de recuperação. Uma teoria, também foi desenvolvido como uma função de cinco parâmetros: a relação de carga, a conectividade, o grau de densidade da rede, a relação de aleatoriedade e a correlação do padrão espacial.pt_BR
dc.description.abstractThis work focus on the study of two complex networks. The first one is a random field Ising model. This model follows a gaussian and bimodal distribution, for the random field. A finite connectivity technique was utilized to solve it. As well as a Monte Carlo method was applied to verify our results. There is an indication in our results that for a gaussian distribution the phase transition is always second-order. For the bimodal distribution there is a tricritical point, tha depends on the value of the connectivity 𝑐. Below a certain minimum 𝑐, there is only a second-order transition. The second one is a metric attractor neural network. More precisely we study the ability of this model to learn structured patterns. In particular, the chosen patterns were taken from fingerprints, which present some local features. Our results show that the higher the load ratio and retrieval quality are the lower is the fingerprint patterns activity. A theoretical framework was also developed as a function of five parameters: the load ratio, the connectivity, the density degree of the network, the randomness ratio and the spatial pattern correlation.en
dc.format.mimetypeapplication/pdf
dc.language.isoporpt_BR
dc.rightsOpen Accessen
dc.subjectComplex networksen
dc.subjectSistemas desordenadospt_BR
dc.subjectDisordered systemsen
dc.subjectModelo de isingpt_BR
dc.subjectRandom field ising modelen
dc.subjectTransformações de fasept_BR
dc.subjectRedes neuraispt_BR
dc.subjectFinite connectivityen
dc.subjectSimulação numéricapt_BR
dc.subjectMetric attractor neural networken
dc.subjectPattern recognitionen
dc.subjectFingerprintsen
dc.titlePadrões estruturados e campo aleatório em redes complexaspt_BR
dc.typeTesept_BR
dc.contributor.advisor-coDominguez, David Renato Carretapt_BR
dc.identifier.nrb000998189pt_BR
dc.degree.grantorUniversidade Federal do Rio Grande do Sulpt_BR
dc.degree.departmentInstituto de Físicapt_BR
dc.degree.programPrograma de Pós-Graduação em Físicapt_BR
dc.degree.localPorto Alegre, BR-RSpt_BR
dc.degree.date2016pt_BR
dc.degree.leveldoutoradopt_BR


Thumbnail
   

Este item está licenciado na Creative Commons License

Mostrar registro simples