Orientador: Jorge Stolfi

Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Matemática, Estatística e Computação Científica

Resumo: Nesta tese, desenvolvemos algoritmos eficientes para a aproximação de funções que tem importantes detalhes de pequena escala confinados em pequenas região do domínio. Assumimos que a função objetivo é amostrada em um número finito de pontos dados, com densidade uniforme ou densidade não...

Resumo: Nesta tese, desenvolvemos algoritmos eficientes para a aproximação de funções que tem importantes detalhes de pequena escala confinados em pequenas região do domínio. Assumimos que a função objetivo é amostrada em um número finito de pontos dados, com densidade uniforme ou densidade não uniforme. Neste trabalho optamos por utilizar uma base multinível (ou multiresolução), em que os centros dos elementos em cada nível são um subconjunto de uma grade regular de centros, independentemente dos pontos de amostragem. As bases em questão têm estrutura multiescala semelhante à usada na análise wavelet em d dimensões. No entanto, os seus elementos são funções explícitas definidas pelo produto de d funções univariadas de suporte limitado (tais como pseudo-gaussianas modelada por polinômios truncados ou spline). Descrevemos um algoritmo incremental de aproximação, que procede do nível mais grosseiro para o mais detalhado, sendo que em cada nível são usados apenas os elementos da base localizados nas regiões onde a aproximação é ainda insuficientemente precisa. Em cada nível, usamos um processo iterativo com o método de mínimos quadrados que é projetado para ignorar dados discrepantes e detalhes que só podem ser aproximados em escalas menores

Abstract: I this thesis we develop efficient algorithms for the approximation of functions that have important small-scale details confined to small portions of their domain. We assume that the target function is sampled at a finite number of data points, with either uniform or non-uniform density....

Abstract: I this thesis we develop efficient algorithms for the approximation of functions that have important small-scale details confined to small portions of their domain. We assume that the target function is sampled at a finite number of data points, with either uniform or non-uniform density. In this thesis we chose to use a multilevel (or multiresolution) basis in which the elements centers at each level are a subset of a regular grid of centers, regardless of the sampling points. The bases in question have multiscale structure similar to that used in wavelet analysis in d dimensions. However, its elements are explicit functions defined by the product of d univariate functions of limited support (such as pseudo-Gaussians modeled by truncated polynomials or splines). We describe an incremental algorithm, which proceeds from the coarser level to the most detailed one, and in each level uses only the elements of the basis that are located in the regions where the approximation is still insufficiently precise. At each level, we use an iterative least squares methods that is designed to ignore outlier data and details that can only be approximated at smaller scales