Detalhes bibliográficos
| Ano de defesa: |
2019 |
| Autor(a) principal: |
Valentim, Maiara Aparecida Coimbra |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Federal de Viçosa
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://locus.ufv.br//handle/123456789/26753
|
Resumo: |
Nesta dissertação estudamos principalmente métodos de decodificação de códigos corretores de erros lineares por meio de redes neurais apresentando algumas formas de relacionar tais conceitos. A partir do estudo de alguns tópicos da Teoria de Redes Neurais e da Teoria dos Grafos, fizemos uma comparação entre a decodificação por síndrome da Teoria Clássica dos Códigos Corretores de Erros e um algoritmo de decodificação utilizando redes neurais. Um dos principais resultados, envolvendo o modelo de Hopfield, prova que a decodificação de máxima verossimilhança em um código linear é equivalente a encontrar o máximo global de uma função de energia em uma rede neural. Os códigos lineares podem ser representados como estados estáveis das funções de energia. Assim, dado um código linear, uma rede neural pode ser construída de tal forma que cada máximo local na função de energia corresponda a uma palavra do código, e reciprocamente, cada palavra do código corresponda a um máximo local de uma função de energia. |
