基于量子卷积神经网络的文本识别及在RPA中的应用研究
作者单位:东北石油大学
学位级别:硕士
导师姓名:李建平
授予年度:2022年
学科分类:12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 080202[工学-机械电子工程] 080203[工学-机械设计及理论] 0804[工学-仪器科学与技术] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)]
主 题:量子计算 卷积神经网络 粒子群优化算法 验证码识别 RPA
摘 要:机器人流程自动化软件可以帮助企业员工做重复性高的工作,不仅能提高业务效率,同时也能降低人工操作出错的可能。利用机器人流程自动化软件做自动登录系统功能时,需要识别验证码,但软件无法自动识别验证码,达不到自动登录系统的目的,因此对基于量子卷积神经网络识别验证码的方法进行了研究。本论文研究了量子卷积神经网络模型的构造、粒子群算法优化混合量子卷积神经网络的量子卷积层和经典全连接层,以及该模型在验证码识别中的具体应用。本文在对经典卷积神经网络模型和量子计算研究的基础上,设计了一种混合量子卷积神经网络模型,该模型的输入需将经典数据转为量子态编码,采用量子卷积层,将观测后的结果输入到经典池化层中,最后采用经典的分类方式得到输出。实验验证,混合量子卷积神经网络模型在训练集和测试集上的准确率都有所提高。将粒子群优化算法与混合量子卷积神经网络模型结合,对构成量子卷积层的单比特旋转门的角度值和全连接层的参数进行优化,得到了适用于验证码识别的PSO-HQCNN模型。验证码识别模型是RPA软件实现自动登录系统的关键点,利用RPA软件编写流程获取验证码数据集,将数据集进行分割和压缩处理后送入混合量子卷积神经网络模型中进行训练,得到验证码识别模型。使用RPA软件中的Python相关控件将验证码识别模型嵌入到自动登录系统流程中,经过反复登录测试,登录系统的成功率在90%以上,能够满足自动登录系统的需求。