使用并行博尔兹曼机计算互联概率

在传统的估计理论中,确切地知道量测与哪些参数或者状态互联。但是,在多目标跟踪这样的问题中,事先不知道量测将与哪一个目标的状态矢量互联。因此,为了实现跟踪算法,必须得到量测源于给定目标的概率估计。当可以用序列算法精确求解这种数据互联问题时,对于大量的目标和杂波点,这种方法可能变得难以处理。本文介绍使用并行博尔兹曼(Boltzmann)机求解数据互联问题的新计算方法。该方法证明,如果能得到充分数量的并行博尔兹曼机,就可以用任意小的误差计算互联概率。第i个量测源于第j个目标的概率β~ji可通过观察神经元v(i,j)在两维网络各层中“激活”的相对频率简单地得到。本文还介绍一些简单的例子,以便对博尔兹曼算法和精确的数据互联解的性能进行比较,还与使用霍普菲尔德(Hopfield)神经网络的另一种并行方法的性能进行了比较。     

多目标跟踪中求解数据互联问题的模拟扩散网络体系结构

在多目标跟踪情况下求解数据互联问题要求计算把第i个量测分配给第j个目标的概率β~j。先前,我们曾提出一个根据分层的、异步(序列的)博尔兹曼机的并行结构估计互联概率。本文介绍具有随机神经元的这种结构的有效模拟实现。用矢量郎之万方程描述这种网络的动态,结果网络近似为一个真正的具有潜在快速收敛性的同步博尔兹曼机。在分层的两维网络中,概率β~ji渐近地等于量化的神经元输出vij的激活频率。描述了近似真正互联概率的设计准则。分析了在有界区域内表示为扩散过程的每一个随机神经元的暂态和稳态性能。把分层扩散网络的性能与理论的极限作了比较,也同异步博尔兹曼机的性能进行了比较。