量子BP神经元及其在含噪字母识别中的应用研究

量子神经计算是传统神经计算与量子计算相结合的产物,它将成为新的信息处理技术之一.文中以相移门和受控非门作为基本的计算单元,借助复数BP学习算法,构造出量子神经元模型,通过数值计算给出了该量子神经元的收敛特性曲线.在此模型基础上,构造出一个三层量子神经网络,应用于含噪字母识别.数值计算结果表明,量子神经网络在噪声均方差小于0.35之前能完全地对含噪英文字母进行识别,容错能力比传统神经网络有明显增强.     

多宇宙并行量子遗传神经网络人脸识别算法研究

针对传统遗传算法交叉、变异过程过于繁琐和神经网络在极值判断及收敛速度受限等问题,提出了一种并行的量子遗传算法优化神经网络权值的算法.首先引入了量子计算的概念,在量子计算的过程中使用量子旋门实现染色体的训练,然后引入量子交叉克服了早熟收敛现象,避免了遗传算法中繁琐的交叉、变异过程.最后设计实现了并行的卷积神经网络,使用并行量子遗传算法优化了卷积神经网络权值,实现了并行量子遗传神经网络人脸识别系统.实验结果表明,相对于原来的遗传算法,该算法在鲁棒性和实验速度上都有明显的提高.     

一种量子神经网络说话人识别方法

针对说话人语音特征空间边界存在模糊性的特点,构建了一种量子神经网络识别分类器,用于说话人识别,以改善存在交叉数据的语音特征参数的分类效果。提出了一种基于人工免疫算法的量子间隔训练方法,以改善传统量子神经网络训练算法的不足。以TIMIT语音库为测试语音,与传统BP网络和基于常规梯度下降量子间隔训练算法的量子神经网络做对比实验。实验证明,算法能有效提高说话人识别系统的识别率,同时与高斯混合模型相比,具有更好的抗噪声性能。     

基于量子免疫克隆BP算法的软件缺陷预测模型

针对现有的软件缺陷预测模型中所存在的不足,将量子免疫克隆算法和BP神经网络算法结合,应用到软件缺陷预测中,设计了基于量子免疫克隆BP算法的软件缺陷预测模型(SDPM-QICBP).在该模型中,将量子计算引入到传统进化算法中,特别是在计算量子旋转门的角度时,将传统的查表计算方式与Logistic映射公式相结合,设计了新的量子旋转角的计算公式.模型采用量子免疫克隆算法(QIC)对标准BP神经网络的阈值和权值优化改进,并基于相关数据集进行实验分析.仿真实验的结果表明,和标准BP神经网络算法和朴素贝叶斯算法(NB)相比,该模型准确度和精确度均较高,且迭代次数减少.     

改进量子粒子群优化算法的神经网络模型负荷预测

提出一种基于Levy飞行的量子粒子群优化算法并用于小波神经网络的训练,该算法采用基于Levy分布的飞行策略扩大粒子的搜索空间,使粒子易于逃离局部最优点。该算法克服了传统算法在神经网络训练过程中易于陷入局部最优、收敛速度慢等缺点,提高了神经网络的泛化能力。最后将改进的量子粒子群优化算法训练小波神经网络应用于电力系统负荷预测的模型,仿真结果表明改进的量子粒子群优化算法在神经网络训练上具有更高的预测精度。     

基于小波与量子神经网络的容差模拟电路的软故障诊断

量子神经网络（Quantum Neural Network,简称QNN)的隐层神经元采用多层激励函数,具有一种固有的模糊性,能将决策的不确定性数据合理地分配到各模式中,从而减少模式识别的不确定度,提高模式识别的准确性.笔者提出了基于小波与量子神经网络的容差模拟电路的软故障诊断,实验仿真分析表明：该诊断方法正确率可提高2478%,从而提高了故障诊断的正确性.     

基于QPSO小波神经网络的网络异常检测

为了提高网络异常检测中,对异常状态的检测率,降低对正常状态的误判率,提出一种基于量子粒子群优化算法训练小波神经网络进行网络异常检测的新方法.利用量子粒子群优化算法(QPSO)训练小波神经网络,将小波神经网络(WNN)中的参数组合作为优化算法中的一个粒子,在全局空间中搜索具有最优适应值的参数向量.实验数据采用KDD CUP99数据集,实验结果表明:该学习算法与传统的梯度下降法(GD)和粒子群算法(PSO)相比,收敛速度快,具有更好的全局收敛性,提高了异常检测的准确性,同时该方法对于新的异常也有较高检测率.     

混合量子衍生进化规划算法及其在并行机拖期调度中的应用

针对并行机调度问题的求解,提出一种新的混合量子衍生进化规划算法(Hybrid Quan-tum-Inspired Evolutionary Programming,HQEP)。目标函数是最小化所有工件的拖期总和。HQEP将量子进化算法中的量子位、线性叠加态和量子旋转门的概念引入到进化规划算法中。定义了新的用于调度问题的量子旋转角,使个体向更好的解靠近。此外,针对并行机问题本身,改进了个体的编码方式和新的变异方法。为了验证算法的有效性和收敛性,将HQEP算法应用于同等并行机调度拖期问题的求解并加以不同规模的算例进行仿真实验。结果显示,即使在小种群情况下,所得解均优于进化规划求得的解。     

量子统计力学演化算法

将进化理论和量子统计力学理论相结合, 提出一种新的量子统计力学演化算法. 将整个遗传系统作为一个量子统计系统, 并借鉴量子信息论中量子比特的叠加性, 采用量子编码表征染色体, 使系统中的量子能够表示多种线性叠加状态. 算法类比量子统计力学中的相关概念, 定义了量子系统的能量和熵, 并利用量子系统中能量和熵竞争的模式系统地协调进化理论中选择压力和种群多样性间的冲突, 使算法在提高选择压力和维持种群多样性之间保持了适当的平衡, 可以快速的收敛到全局最优解. 实验结果表明, 该算法有较高的执行效率和求解能力.     

前向多层代数神经网络隐层神经元数目估计方法

结合目前估计前向三层神经网络隐层神经元数目的方法 ,提出一种向量不交关系来确定多层(层数 >3)前向代数神经网络隐层神经元的数目 ,该方法只须估计出第一隐层神经元的数目 ,其余各层神经数目利用不交关系的算法随之确定 ,通过多项式代数函数实例表明 ,该方法有效     

叠加态量子纠错的5位编码

利用叠加态量子纠错思想，设计了由H门和CNOT门实现的5位量子编码纠错线路，实现了在量子Hamming界条件下用最少位的叠加态编码．     

量子信息的几率删除

通过一个幺正变换U和一个测量过程M,对于从一个量子态集合{|ψ₁〉, |ψ₂〉}中随机选出的两个非正交态,实现几率删除的方案。比较了量子删除和量子克隆物理过程的差异及其效率。     

量子神经计算

量子计算与神经计算的结合是当前人工神经网络理论发展的一个前沿课题 ,由此而产生的量子神经计算新范式具有很高的理论价值和应用潜力。文章在介绍量子计算基本原理的基础上 ,讨论了将它引入神经计算领域的可能性和可行性 ,从理论上分析了量子神经计算所具有的性能 ,并给出量子神经计算模型的几种可能形式。     

介质中多模泛函叠加态光场广义电场的不等幂次H压缩

利用多模压缩态理论,研究了介质中任意非对称四态叠加多模泛函叠加态光场广义电场分量的不等幂次H压缩特性。结果表明:介质中四态叠加多模泛函叠加态光场的广义电场分量在一些特定的条件下可呈现出不等幂次Nj次方H压缩效应,并且随着多模叠加态光场在介质中传播距离的增加,其广义电场分量的Nj次方H压缩现象将周期性地出现。     

量子神经计算技术

通过对量子计算与神经计算的对比分析,提出量子神经计算这一全新的计算技术.简要论述了量子Hebb学习规则、基于量子双缝干涉的神经网络模型以及量子Hamming竞争学习算法,揭示了量子神经计算的一些本质特征.     

基于量子逻辑线路神经网络的说话人识别方法

 由于说话人的语音信号具有时变性、随机性,其特征参数也呈现出高维及相邻帧变化较大等特点。从量子信息处理理论出发,将一帧语音信号视为一个量子态,在传统神经网络的基础上,利用量子逻辑线路构造神经网络,实现说话人语音信号的有效聚类,探索一种基于量子逻辑线路神经网络的说话人识别模型与方法。利用模型固有的大量全局吸引子,可有效降低语音信号处理的时间及复杂度。通过在经典计算机上模拟仿真,并与BP神经网络说话人识别模型进行对比,表明该方法能够加快说话人识别模型的收敛速率,对参数变化具有更好的鲁棒性,且其系统识别率比BP神经网络方法平均提高了3.34%。     

基于量子理论的信号处理研究进展

量子理论是20世纪物理学取得的重大进展之一。近年来,量子理论和信息科学相结合产生了量子通信、量子计算等交叉学科。本文从信号处理的角度出发,介绍基于量子理论的信号、图像处理研究进展。首先介绍了有关量子理论的基础知识,然后分别介绍了量子信号处理、量子神经网络及量子图像处理三个方面的内容,并简述了量子理论在信号处理领域的发展前景。     

关于量子力学态叠加原理的讨论

介绍了几位学者关于量子力学态叠加原理的不同表述,给出了不同学者关于该原理的有关观点的分歧,并对其中的原因进行了分析和讨论．