改进Hopfield神经网络与混沌优化法：提升多目标跟踪数据关联效率

本文主要探讨了混沌优化算法在多目标跟踪数据关联中的应用，由作者史健芳、李冰玉、郝保峰和张富军共同完成，发表在太原理工大学信息工程学院。研究的核心是针对Hopfield神经网络中存在的问题，如输出函数的神经元增益对网络收敛动力学的影响以及自反馈连接权衰减速度对网络混沌动态特性的影响。为解决这些问题，作者提出了一种创新的方法，即在混沌神经网络模型中引入时变的神经元增益系数和修正自反馈连接权，目的是增强网络的动态性能。 在传统的Hopfield神经网络中，处理多目标数据关联问题时，特别是当目标数量和测量值增多时，组合搜索的复杂度迅速上升，导致计算负担过重，容易陷入局部最优解，限制了其在实际应用中的效果。Hopfield神经网络因其容易陷入局部极小化和鲁棒性不足的问题而面临挑战。混沌神经网络则利用了混沌系统的随机性和遍历性，能够跳出局部极小，更适合处理复杂的多目标数据关联任务。 作者通过实验验证，优化后的混沌神经网络不仅提升了搜索效率，即具有更好的混沌搜索能力，还提高了算法的稳定收敛速度，这对于实际的多目标跟踪系统来说是一个重要的改进。这种方法可能通过连续型Hopfield神经网络模型为基础，该模型允许神经元在时间和空间上进行同步工作，从而更有效地处理数据关联中的问题。 总结起来，本文的主要贡献在于提出了一种结合混沌优化策略的神经网络模型，用于提升多目标跟踪数据关联的性能，尤其是在大规模数据处理时的效率和鲁棒性。这一研究为解决实际多目标跟踪系统中的计算复杂性和局部极小问题提供了一种新的思路和技术手段。