Resumen

Se mejora y presenta una red neuronal basada en gradientes (GNN) para la resolución de ecuaciones algebraicas lineales. Luego, dicho modelo GNN se utiliza para la solución en línea de la programación cuadrática convexa (QP) con restricciones de igualdad bajo el uso de la función lagrangiana y la condición de Karush-Kuhn-Tucker (KKT). Según la arquitectura electrónica de dicho GNN, se sabe que el rendimiento del GNN presentado podría mejorarse mediante la adopción de diferentes conjuntos de funciones de activación y/o parámetros de diseño. Los resultados de la simulación por computadora corroboran que dicho GNN podría obtener la solución precisa del problema QP de manera efectiva.

• Materias:Modelado matemático Modelo de red neuronal Tasa de convergencia Aritmética Ondículas libres
• Subjects:Mathematical modeling Neural network model Convergence rate Arithmetic Free wavelets
• Palabras claves:Red neuronal; Ecuación algebraica lineal; Programación cuadrática convexa; Función lagrangiana; Karush-Kuhn-Tucker; Arreglos de funciones de activación
• Keywords:Neural network; Linear algebraic equation; Convex quadratic programming; Lagrangian function; Karush-Kuhn-Tucker; Activation function arrays