Browsing by Autor "Alexander S. Poznyak"

Now showing 1 - 6 of 6

Adaptación de la arquitectura de redes neuronales estocásticas polinomiales utilizando aprendizaje de autómatas
(1998) Eduardo Gómez; Alexander S. Poznyak
Adaptive policy for two finite Markov chains zero-sum stochastic game with unknown transition matrices and average payoffs
(Elsevier BV, 2001) K. Najim; Alexander S. Poznyak; Esteban S. Gómez
Control adaptable indirecto usando Redes Neuronales Dinámicas
(2001) Marco A. Moreno-Armendáriz; Alexander S. Poznyak; W. Yuliu
En este trabajo se propone un nuevo tipo de control no-lineal por retroalimentacion para una clase de sis- temas continuos no-lineales de una entrada y una salida de la siguiente forma: Se supone que el sistema no-lineal es desconocido, asi una red neuronal dinamica multicapa es usada para identificarlo. Usando un analisis tipo Lyapunov, una nueva ley de actualizacion estable es presentada, ademas la estabilidad global es probada. Finalmente, se presenta la aplicacion de dicha tecnica al sistema no-lineal TaRA mediante simulaciones.
Control adaptable utilizando redes neuronales artificiales polinomiales
(2000) E. Gómez-Ramı́rez; Alexander S. Poznyak; Rogelio Lozano
Existen en la literatura de Control Adaptable, diferentes procedimientos en los que es posible identificar un sistema lineal. El problema fundamental es que una cantidad importante de fenomenos de la vida real son de tipo no lineal y no es tan sencillo el modelar este tipo de dinamicas. En este trabajo se presenta una forma de identificar sistemas no lineales utilizando las propiedades de las Redes Neuronales Artificiales y las tecnicas de Algoritmo Genetico en la optimizacion de su arquitec- tura. Adicionalmente se presenta una tecnica novedosa de control adaptable para cancelar la dinamica no lineal del sistema y colocar los polos en el punto de operacion deseado. Se presenta el compor- tamiento del algoritmo para el caso lineal yno lineal y finalmente se analiza la importancia teorica y operacional de estas tecnicas.
Gradient-Type Scheme for Finite N-Person Stochastic Games: Counter-Coalition Space Approach
(Elsevier BV, 2004) M. Godoy-Alcantar; Alexander S. Poznyak; E. Gómez-Ramı́rez
Structure adaptation of stochastic neural nets using learning automata technique
(Taylor & Francis, 1998) EDUARDO GÓMEZ-RAMÍREZF; Alexander S. Poznyak
Abstract The selection of a number of nodes in artificial neural nets containing stochastic noise perturbations in the outputs and inputs of each node is examined. The suggested approach is based on a reinforcement learning technique. To solve this optimization problem we introduce a special performance index in such a way that the best number of nodes corresponds to the minimum point of the suggested criterion. This criterion presents a linear combination of a residual minimization functional and some ‘generalized variance’ of the involved disturbances of random nature. A large value of the noise variance leads to a different optimal number of neurons in a neural networks because of the ‘interference’ effect. The optimal point is obtained by the learning procedure based on the Bush-Mosteller reinforcement scheme. This numerical method is commonly used in Intelligent Control Theory. Simulation modelling results are presented to illustrate the effectiveness of the suggested approach