Submitted by Fernando Anglada (fangladalores@gmail.com) on 2018-06-15T16:48:00Z No. of bitstreams: 3 Doc Mestrado-Fernando Anglada Lores.pdf: 1344067 bytes, checksum: abcd47d0b52a4a7d1dfc4c35a8bb9fb8 (MD5) 303 Folha de Aprovação - Fernando Anglada (Digitalizada).pdf: 322777 bytes, checksum: 0d92c3a2022fc03865c512191ef847c5 (MD5) 303 ATA de Defesa - Fernando Anglada (Digitalizada).pdf: 427295 bytes, checksum: 679e8a5a5bb29d93ea4432599571facb (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2018-06-15T19:11:07Z (GMT) No. of bitstreams: 3 Doc Mestrado-Fernando Anglada Lores.pdf: 1344067 bytes, checksum: abcd47d0b52a4a7d1dfc4c35a8bb9fb8 (MD5) 303 Folha de Aprovação - Fernando Anglada (Digitalizada).pdf: 322777 bytes, checksum: 0d92c3a2022fc03865c512191ef847c5 (MD5) 303 ATA de Defesa - Fernando Anglada (Digitalizada).pdf: 427295 bytes, checksum: 679e8a5a5bb29d93ea4432599571facb (MD5) / Rejected by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br), reason: Favor, informar nome da Agência de Fomento. Caso não haja, informar que NÃO houve financiamento. on 2018-06-15T19:18:26Z (GMT) / Submitted by Fernando Anglada (fangladalores@gmail.com) on 2018-06-16T01:00:21Z No. of bitstreams: 3 Doc Mestrado-Fernando Anglada Lores.pdf: 1344067 bytes, checksum: abcd47d0b52a4a7d1dfc4c35a8bb9fb8 (MD5) 303 Folha de Aprovação - Fernando Anglada (Digitalizada).pdf: 322777 bytes, checksum: 0d92c3a2022fc03865c512191ef847c5 (MD5) 303 ATA de Defesa - Fernando Anglada (Digitalizada).pdf: 427295 bytes, checksum: 679e8a5a5bb29d93ea4432599571facb (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2018-06-18T17:54:25Z (GMT) No. of bitstreams: 3 Doc Mestrado-Fernando Anglada Lores.pdf: 1344067 bytes, checksum: abcd47d0b52a4a7d1dfc4c35a8bb9fb8 (MD5) 303 Folha de Aprovação - Fernando Anglada (Digitalizada).pdf: 322777 bytes, checksum: 0d92c3a2022fc03865c512191ef847c5 (MD5) 303 ATA de Defesa - Fernando Anglada (Digitalizada).pdf: 427295 bytes, checksum: 679e8a5a5bb29d93ea4432599571facb (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2018-06-18T17:56:02Z (GMT) No. of bitstreams: 3 Doc Mestrado-Fernando Anglada Lores.pdf: 1344067 bytes, checksum: abcd47d0b52a4a7d1dfc4c35a8bb9fb8 (MD5) 303 Folha de Aprovação - Fernando Anglada (Digitalizada).pdf: 322777 bytes, checksum: 0d92c3a2022fc03865c512191ef847c5 (MD5) 303 ATA de Defesa - Fernando Anglada (Digitalizada).pdf: 427295 bytes, checksum: 679e8a5a5bb29d93ea4432599571facb (MD5) / Made available in DSpace on 2018-06-18T17:56:02Z (GMT). No. of bitstreams: 3 Doc Mestrado-Fernando Anglada Lores.pdf: 1344067 bytes, checksum: abcd47d0b52a4a7d1dfc4c35a8bb9fb8 (MD5) 303 Folha de Aprovação - Fernando Anglada (Digitalizada).pdf: 322777 bytes, checksum: 0d92c3a2022fc03865c512191ef847c5 (MD5) 303 ATA de Defesa - Fernando Anglada (Digitalizada).pdf: 427295 bytes, checksum: 679e8a5a5bb29d93ea4432599571facb (MD5) Previous issue date: 2018-04-09 / . / Eye-based typing systems need to recognize the words typed by the users interpreting their eye movements on an onscreen virtual keyboard. This process can be modeled as the transmission of words through a noisy channel. Thus, recognizing a word consists on selecting from a dictionary the words which are most similar to a distorted word (the typed word) that was received using a noisy channel. To accomplish this, the system selects the set of words which can be transformed into the typed one using until k character edit operations. These operations are weighted according to the knowledge about noise sources and error distributions observed in the eye typing scenario. To get these estimates can be hardly viable for large dictionaries and very noisy scenarios. In this work, we address this problem by proposing efficient methods to estimate edit distance using Mor-Fraenkel indices combined with a minimum perfect hashing. These methods allow the early processing of promising candidates enabling faster and better word recognition. / Em sistemas de digitação com os olhos é necessário reconhecer as palavras que o usuário deseja digitar a partir dos movimentos que seus olhos fazem em um teclado virtual. Este processo pode ser visto como a transmissão de palavras através de um canal ruidoso. Assim, a tarefa de reconhecimento consiste em determinar com que palavras de um léxico se parece mais uma palavra distorcida ao passar por um canal ruidoso. Para isso são selecionadas um conjunto de palavras que possam ser transformadas na palavra de entrada mediante k operações de edição de caracteres, utilizando estimativas que envolvem o conhecimento de domínio sobre fontes de ruído e distribuições de erros para classificar os possíveis candidatos. Tais estimativas podem se tornar inviáveis dependendo do tamanho do léxico e da quantidade de ruído no cenário de interesse. Neste trabalho, atacamos este problema propondo métodos eficientes de cálculo de distância de edição usando índices de Mor-Fraenkel combinados com um hashing perfeito mínimo. Estes métodos permitem o processamento precoce da maioria dos candidatos promissores, avaliando a mínima quantidade de operações a serem feitas no processo de pesquisa, e proporcionando maior rapidez e melhor qualidade no reconhecimento de palavras.