Resumen

En trabajos previos, se desarrolló una ley de aprendizaje con una función de zona muerta para redes neuronales diferenciales de múltiples capas. Este esquema requiere estrictamente conocimiento a priori de un límite superior para la dinámica no modelada. En este artículo, la ley de aprendizaje se modifica de tal manera que esta condición se relaja. Con esta modificación, el proceso de ajuste es más simple y la función de zona muerta ya no es necesaria. Sobre la base de esta modificación y utilizando un análisis similar a Lyapunov, se demuestra un resultado más sólido aquí: la convergencia exponencial del error de identificación a una zona acotada. Además, se proporciona un valor para el límite superior de dicha zona. La viabilidad de este enfoque se prueba con un ejemplo de simulación.

• Materias:Modelado matemático Sistemas estocásticos Productos gráficos Ecuaciones matriciales Métodos de descomposición
• Subjects:Mathematical modeling Stochastic systems Graph products Matrix equations Decomposition methods
• Palabras claves:Aprendizaje de leyes; Función de zona muerta; Redes neuronales diferenciales de múltiples capas; Dinámicas no modeladas; Proceso de ajuste; Análisis tipo Lyapunov
• Keywords:Learning law; Dead zone function; Multilayer differential neural networks; Unmodeled dynamics; Tuning process; Lyapunov-like analysis