检索结果-南通市图书馆

基于DQWT和量子卷积神经网络的量子图像加密

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于DQWT和量子卷积神经网络的量子图像加密

作者：黄浪鑫南昌大学

学位级别：硕士

信息技术快速的发展让人们进入了大数据时代,同时也让我们感受到信息泄漏的威胁。图像作为一种生活中常见的信息载体,其容易遭到攻击者的攻击。因此,为了保证图像数据安全传输,相关研究者不断地提出了许多的图像加密算法。当前,人们对... 详细信息

信息技术快速的发展让人们进入了大数据时代,同时也让我们感受到信息泄漏的威胁。图像作为一种生活中常见的信息载体,其容易遭到攻击者的攻击。因此,为了保证图像数据安全传输,相关研究者不断地提出了许多的图像加密算法。当前,人们对图像质量的要求越来越高,使得原本数据冗余程度较大的图像占用硬件资源更大,这也大大的降低了图像加密的效率。近年来,随着量子计算的研究逐渐深入,其并行性恰好为高质量图像加密效率低的问题提供了一种解决方案。本文以现有的量子图像加密算法为基础,结合部分经典图像加密算法,提出了两个量子图像加密算法。本文的具体工作如下:基于Daubechies D(4))量子小波变换(DQWT)和三维超混沌Henon映射,提出了一种量子图像压缩加密算法。一个量子图像由迭代的广义Arnold变换进行位置置乱以消除其块效应。将DQWT和由哈达玛门构造的测量矩阵对已经完成位置置乱的量子图像进行压缩以产生一个量子压缩图像。利用三维超混沌Henon映射迭代产生一组定长密钥,并根据模运算将其映射在灰度图像像素值范围内,使其构造成一量子密钥图像。将所构造的量子密钥图像和所产生的量子压缩图像进行异或操作完成图像加密。加密过程中涉及3个初始值和2个控制参数,密钥空间足够大。实验结果验证了该图像加密算法是可行的,能有效地抵御一些常见攻击。在现有卷积神经网络量子线路模型的基础上,设计了一个新的量子卷积神经网络的模型,并利用该模型提出了一个对称量子图像加密算法。利用量子混沌映射对其初始值的敏感性产生一组密钥,并将其用于所设计的量子图像加密算法中。为验证所提算法是安全可行的,假设通信三方,即发送方、接收方与攻击方。发送方将明文图像和所产生的密钥比特信息注入到其已经训练好的量子卷积神经网络中以类似异或操作的方式进行加密并输出对应的加密图像信息。接收方接收到加密图像信息并通过与发送方类似的操作和密钥解密密文图像中的信息。即便给予攻击方更多的优化操作,攻击方因没有密钥而得不到任何明文图像信息。仿真实验结果验证了该算法是安全可行的。

关键词：超混沌Henon映射迭代广义Arnold变换量子卷积神经网络量子图像加密量子密码

基于参数化量子电路的量子卷积神经网络模型及应用

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

控制理论与应用 2021年第11期38卷 1772-1784页

作者：郑瑾高庆吕颜轩董道毅潘宇北京航空航天大学自动化科学与电气工程学院北京100191 德国杜伊斯堡埃森大学自动控制与复杂系统所杜伊斯堡47057 新南威尔士大学工程与信息技术学院堪培拉2600 浙江大学控制科学与工程学院智能系统与控制研究所浙江杭州310027

量子神经网络结合了量子计算与经典神经网络模型的各自优势,为人工智能领域的未来发展提供了一种全新的思路.本文提出一种基于参数化量子电路的量子卷积神经网络模型,能够针对欧几里得结构数据与非欧几里得结构数据,利用量子系统的计算... 详细信息

量子神经网络结合了量子计算与经典神经网络模型的各自优势,为人工智能领域的未来发展提供了一种全新的思路.本文提出一种基于参数化量子电路的量子卷积神经网络模型,能够针对欧几里得结构数据与非欧几里得结构数据,利用量子系统的计算优势加速经典机器学习任务.在MNIST数据集上的数值仿真结果表明,该模型具有较强的学习能力和良好的泛化性能.

关键词：量子机器学习量子神经网络量子卷积神经网络量子图卷积神经网络

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于卷积神经网络的量子卷积计算研究

基于卷积神经网络的量子卷积计算研究

作者：闫茜茜湖北师范大学

学位级别：硕士

当前,卷积运算在图像处理以及其它许多领域有着广泛的应用。而人工智能下的卷积神经网络运算过程是重复操作计算,该过程计算缓慢且需要大量的计算步骤。尤其是随着信息革命的到来,互联网上的数据以指数爆炸的形式增长,而且加上卷积神经... 详细信息

当前,卷积运算在图像处理以及其它许多领域有着广泛的应用。而人工智能下的卷积神经网络运算过程是重复操作计算,该过程计算缓慢且需要大量的计算步骤。尤其是随着信息革命的到来,互联网上的数据以指数爆炸的形式增长,而且加上卷积神经网络的网络结构的不断复杂、网络层数的不断增加,导致卷积神经网络在通常训练的过程中需要大量的计算资源来处理信息,经典卷积运算无法满足强人工智能对当今社会对计算速度和计算效率的要求。但是量子计算作为世界上公认的不同于经典计算的新型计算模式,主要是依据量子力学方法在量子信息单元上完成操作处理,在计算效率上由于量子态的叠加与并行计算能力的存在,使得量子计算比经典计算具有更高的优势。本文将传统卷积计算与量子并行计算的原理相结合,设计得到一种全新的计算模型即量子卷积计算,量子卷积计算模型综合了量子与卷积二者各自的优点,既具备量子并行计算与量子态叠加较快的运算速率,又具备卷积在图像处理上的特征增强与图像滤波的优势。本文所做的工作如下:1.研究了将经典信息量子化编码处理为量子信息,因经典信息无法运用到量子计算中,需将经典信息用量子图像表示（QIMR）模型编码处理为量子信息。2.设计一维量子卷积计算模型,经典卷积计算包括相乘、移位、求和,通过对量子门研究设计出相应的量子态张量积计算、量子比特概率幅置换、加法计算的算法原理,设计一维量子卷积线路模型图。3.在一维的基础上设计二维量子卷积计算模型,二维量子卷积计算不同于一维量子卷积计算的是因维度的扩展需在一维线路设计中额外增加概率福置换模块,设计二维量子卷积计算线路图。

关键词：量子门卷积计算量子线路量子卷积神经网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于浅层量子混合神经网络的图像分类研究

基于浅层量子混合神经网络的图像分类研究

作者：胡江龙重庆理工大学

学位级别：硕士

在图像领域中,分类是主要的任务之一,图像质量在图像分类中起着决定性的作用。因此,选择一个具有高效特征提取能力和低复杂性的图像表示模型,是确保图像分类任务成功的基础。同时,设计一个具有优越抗噪声性能的模型是任务的关键。神经... 详细信息

在图像领域中,分类是主要的任务之一,图像质量在图像分类中起着决定性的作用。因此,选择一个具有高效特征提取能力和低复杂性的图像表示模型,是确保图像分类任务成功的基础。同时,设计一个具有优越抗噪声性能的模型是任务的关键。神经网络在图像分类中展现了其强大的性能,但随着网络层数的加深,往往会出现复杂度过高的问题,同时图像的噪声也会影响分类任务的结果。为实现高准确率和低复杂度的模型处理图像分类任务,本文结合经典神经网络和量子计算(Quantum computing,QC)提出了新的浅层量子混合神经网络模型,主要的工作内容如下:(1)卷积神经网络是目前最流行的图像分类模型,量子计算的加入使其能高效处理图像分类任务。然而,随着量子层数的增加,训练过程变得复杂,准确率也趋于低下,导致网络稳定性差。因此,本文结合了参数化量子线路和经典全连接层,并以创新核编码技术为载体,提出了用于图像分类任务的浅层量子混合卷积神经网络(Shallow hybrid quantum convolution neural network,SHQCNN)来应对这些挑战。该模型同时结合量子计算强大的性能和经典神经网络的特性,最重要的是降低了模型复杂度和训练成本。我们构建了参数化量子线路作为量子卷积层,之后将图像数据制备成量子态作为输入,对整幅图像完成量子计算操作;其次,测量特定的量子态,得到量子系统演化结果;最终把结果输入到经典全连接网络中并输出图像的类别。该方案设计的浅层量子混合神经网络处理图像分类具有很高的稳定性和准确性,有效解决了网络层数过多导致复杂度过大的问题。通过与经典神经网络(Classical neural network,CNN)模型的比较,验证了其可行性和实用性。它的泛化性和稳定性以及抗噪性也在各种具有不同噪声量的数据集上得到了验证。实验结果表明,提出的SHQCNN模型性能优越。例如,与CNN相比,其准确率提高了6.66%,达到99.58%。(2)随着量子机器学习的发展,量子计算机应用在各个领域,解决越来越多的问题。但相应的矛盾也开始出现,现阶段的量子计算机仍然还是处于中等规模,且噪声对于量子计算机来说不可忽视,含噪声的中尺度量子计算机的出现,意味着如今利用量子计算机处理图像分类问题需要考虑噪声的影响。因此,本文基于张量神经网络(Tensor neural network,TNN)提出了一种用于图像分类的抗噪声模型——浅层量子混合张量神经网络(Shallow hybrid quantum tensor neural network,SHQTNN)。该模型包含量子张量神经网络和经典全连接神经网络。首先通过使用核编码方法来制备量子态,将特征数据映射到更高维度,其次设计纠缠双量子比特的浅量子电路实现对量子态的纠缠操作,最后通过经典输出层实现输出模型的预测类别,完成图像的分类。实验仿真为数据集添加了椒盐噪声和高斯噪声,并设置了不同的噪声大小。结果表明SHQTNN模型比TNN模型的准确率更高且损失值更低,这说明该模型抗噪性能更加优秀,能够有效减少噪声带来的影响。

关键词：图像分类浅层神经网络量子卷积神经网络量子张量神经网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于量子神经网络的差分区分器研究

基于量子神经网络的差分区分器研究

作者：吴佳蕙河北大学

学位级别：硕士

近年来,随着信息安全观念的普及,越来越多的领域开始重视密码算法的安全性问题。SIMON算法是一类简洁安全高效的轻量级加密算法,尤其适用于各类资源受限设备。在密码分析领域,研究人员致力于使用各类攻击方法来探索SIMON算法的安全性能... 详细信息

近年来,随着信息安全观念的普及,越来越多的领域开始重视密码算法的安全性问题。SIMON算法是一类简洁安全高效的轻量级加密算法,尤其适用于各类资源受限设备。在密码分析领域,研究人员致力于使用各类攻击方法来探索SIMON算法的安全性能及适用场景。2019年Gohr使用深度学习技术训练了神经网络对在SIMON算法中的传播概率进行模拟,为基于神经差分器(Neural Differential,ND)的密钥攻击提供了理论和实践基础。目前,相对于传统差分区分器而言,神经差分区分器在性能和通用性方面具有优势,并且已成为主流差分分析方法之一。然而,现有的神经差分区分器方法存在训练所需数据量大以及神经网络分类性能待进一步提升等问题。混合量子-经典神经网络(Hybrid Quantum Convolutional Neural Network,HQCNN)综合了量子计算的指数级存储能力、并行计算优势和经典神经网络框架的鲁棒性,为突破深度学习领域的参数极限方面提供可能性。近年来,HQCNN在各个现实领域的成功运用证明了量子机器学习的无限潜力,也有望为神经差分区分器带来量子优势。然而,目前HQCNN存在量子模型与多数经典深度学习框架无法匹配的问题。为了解决上述问题,本文分别提出了基于通道叠加的一维量子等宽卷积网络和基于元学习算法的混合量子-经典神经差分区分器。文章的研究内容和主要贡献如下:(1)针对量子机器学习与经典框架不匹配的问题,提出基于通道叠加的一维量子等宽卷积网络(Quantum Equal-width Convolutional Neural Networks,QECNN)模型。该方法为量子卷积层的尺度、通道数等超参数提供了合理的设计模式,并提出了量子全局平均池化层来适应不需要降维的网络框架,从而具有较高的可移植性。同时搭建了含有量子Inception-Res Net结构的QECNN-IR模型,并基于MR数据集上的情感二分类任务进行对比实验和消融实验。实验结果表明,提出的量子卷积层和量子池化层相对于经典模型提供了加速和提高模型精度的效果,QECNN在数据集平衡和不平衡情况下的分类准确度均超过经典CNN和RNN网络。(2)针对神经差分区分器在现实网络中可能存在的查询次数受限问题,提出了基于元学习算法的混合-量子经典神经差分区分器。该方法使用了新的输入数据结构来提高神经差分区分器对于输入特征的提取能力;将包含量子Inception-Res Net结构的HQCNN作为神经差分区分器主体来提高它的区分精度;并使用元学习算法对HQCNN的初始参数进行预训练来提高它在小样本数据集上的表现。本方法在密文对数据量为10～5时训练的7轮SIMON32的差分区分器区分精度达到88.35%,在筛选候选密钥集合时成功率达到100%。

关键词：混合量子-经典神经网络神经差分区分器差分密码分析量子卷积神经网络 SIMON算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

二维量子卷积计算

量子光学学报 2020年第4期26卷 327-333页

作者：闫茜茜王鹏程刘兴云湖北师范大学物理与电子科学学院湖北黄石435002

目前一维量子卷积计算不能满足当前机器学习、图像识别等算法的要求。由于量子卷积神经网络模型主要是处理多维信息,有必要将一维量子卷积的维数推广到二维,进行二维量子卷积计算的研究,使得量子卷积计算不受维数的影响,可以更好地应用... 详细信息

目前一维量子卷积计算不能满足当前机器学习、图像识别等算法的要求。由于量子卷积神经网络模型主要是处理多维信息,有必要将一维量子卷积的维数推广到二维,进行二维量子卷积计算的研究,使得量子卷积计算不受维数的影响,可以更好地应用于量子卷积神经网络。在量子计算中,量子态的叠加和纠缠使量子计算具有并行计算的能力,与一维量子卷积相比,二维量子卷积在并行计算中具有更高的优势,二维量子卷积计算更适合目前量子卷积神经网络中量子卷积层的研究与设计。在一维量子卷积计算的基础上,基于量子图像表示方法,探究了二维量子卷积计算的量子线路设计,设计了通用的二维量子卷积线路模型。由于经典信息不能直接用于量子计算,首先将经典信息进行量子化编码,处理后的量子信息输入到二维量子卷积计算的量子电路中,完成概率幅和加法计算,最后通过测量得到量子卷积的结果。二维量子卷积算法大大减少了卷积计算的步骤,提高了计算速度,增加了信息的存储空间。为量子卷积神经网络模型中量子卷积层的设计规则提供了理论依据,为高维量子卷积计算提供了参考和可能的途径。

关键词：量子门量子线路量子卷积神经网络

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于量子技术的图像处理算法及其仿真研究

基于量子技术的图像处理算法及其仿真研究

作者：刘广哲青岛理工大学

学位级别：硕士

计算机图像处理是信息处理领域不可或缺的组成部分,尤其在航空航天技术、遥感领域和生物医学等方面都有广泛应用。随着数字图像处理技术的飞速发展,目前经典计算机的计算性能基本达到饱和,未来计算机领域面临着严峻的挑战。为了寻求更... 详细信息

计算机图像处理是信息处理领域不可或缺的组成部分,尤其在航空航天技术、遥感领域和生物医学等方面都有广泛应用。随着数字图像处理技术的飞速发展,目前经典计算机的计算性能基本达到饱和,未来计算机领域面临着严峻的挑战。为了寻求更高的计算性能,20世纪80年代初期,美国阿岗实验室的***等人结合量子物理和计算机技术的特性,首次提出了量子计算的概念。量子技术经过多年的发展逐渐成熟,目前已有多个国家提出了量子科技的发展规划。但在图像处理领域,已提出的多种算法并不适用于量子计算机。为了丰富量子技术在图像处理领域的研究,本文研究了图像处理技术中的图像加密、图像识别、图像水印三个关键技术,主要研究工作如下:1.针对灰度图像的加密问题,提出了一种基于离散时间交替量子漫步和高级加密标准(AES)的图像加密方案。利用量子特性对AES算法进行了改进,该算法使用与交替量子漫步参数相关的密钥流生成器来生成概率分布矩阵。提取矩阵的部分奇异值作为AES算法的密钥。将AES算法的Rcon替换为概率分布矩阵的元素。然后,克隆概率分布矩阵元素的升序排列扰乱了AES算法中S盒和Shift Row变换的映射规则。该算法使用概率分布矩阵和明文异或运算来完成预处理,使用改进的AES算法来完成加密过程。该技术基于仿真验证,包括像素相关性、直方图、差分攻击及噪声攻击等分析。实验结果表明,该算法的加密效果显著。2.针对卷积神经网络对内存和时间效率要求越来越高的问题,提出了一种面向数字图像分类的新模型,该模型为基于强纠缠参数化线路的量子卷积神经网络。首先对经典图像进行预处理和量子比特编码,提取图像的特征信息,并将其制备为量子态作为量子卷积神经网络模型的输入。通过设计模型量子卷积层、量子池化层、量子全连接层结构,高效提炼主要特征信息,最后对模型输出执行Z基测量,根据期望值完成图像分类。在这项工作中,实验数据集为MNIST数据。{0,1}分类和{2,7}分类准确率最高均达到了100%。对比结果表明,采用平均池化下采样的三层网络结构的量子卷积神经网络模型具有更高的测试精度。3.针对目前量子图像水印算法匮乏的问题,构建了一种新型的量子LSB水印嵌入和提取的线路结构。该算法使用GQIR量子图像表示方法对水印图像和载体图像进行量子化,随后量子水印图像和量子载体图像输入到构建的量子线路中。首先,量子水印图像通过量子Fibonacci置乱线路完成位置信息的置乱。其次,置乱后的图像信息通过量子LSB嵌入线路,量子水印图像的像素信息重复嵌入到量子载体图像中。量子LSB水印的提取线路分为置乱、分块、计数、比较四部分。该实验对一组载体图像和水印图像进行了仿真测试。实验结果表明,通过视觉效果和PSNR度量,含有水印的载体图像和载体图像具有高度的相似性。此外,通过对含有水印的载体图像添加不同强度的椒盐噪声,观测提取出的水印图像视觉效果依然很好,证实了该算法具有良好的鲁棒性和安全性。

关键词：量子计算图像处理交替量子漫步量子卷积神经网络

基于量子机器学习的内部用户异常行为检测与评估方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于量子机器学习的内部用户异常行为检测与评估方法研究

作者：王彬桂林电子科技大学

学位级别：硕士

在网络安全方面,来自组织内部用户的恶意行为操作给系统或网络带来了严重的威胁。近年来,内部用户恶意操作行为导致的网络安全事故不断发生,这种威胁造成的损失甚至比外部攻击造成的损失更为严重。这些内部用户通常具有访问组织内部系... 详细信息

在网络安全方面,来自组织内部用户的恶意行为操作给系统或网络带来了严重的威胁。近年来,内部用户恶意操作行为导致的网络安全事故不断发生,这种威胁造成的损失甚至比外部攻击造成的损失更为严重。这些内部用户通常具有访问组织内部系统、了解系统漏洞以及掌握机密信息等重要权限。随着技术的不断发展,这些内部用户的恶意行为变得越来越隐蔽多样。因此,如何检测内部用户异常行为成为了当前网络安全领域的研究热点。量子计算利用量子态的叠加性、并行性等特性,在处理高维数据时展现出惊人能力。当前量子计算处于含噪声的中型量子（Noisy Intermediate-Scale Quantum,NISQ）时代,探索量子计算的可能应用是一个热门研究方向。对于异常行为检测,其在经典计算领域已经取得了一定的研究成果,但是,在量子计算领域的研究尚显缺乏。本文利用量子计算探索了异常行为检测,设计了相关的量子算法并进行了模拟实验,利用量子计算探索内部用户异常行为检测和评估为量子计算提供了一个新的应用场景,同时为异常行为检测和评估提供了新思路。本文具体工作如下:（1）设计用于内部用户异常行为检测的量子卷积神经网络算法（QCNN-BD）。QCNN-BD由量子卷积神经网络（QCNN）组成,QCNN是一种应用量子计算的神经网络模型,结合了量子计算和深度学习的优势,旨在解决传统深度学习中存在的问题,如局限于处理低维数据或者容易陷入局部最优解等问题。QCNN的基本结构类似于传统的卷积神经网络（CNN）,但是考虑当前NISQ,量子比特数量受限,本文设计的QCNN采用量子卷积核和经典神经网络混合的方式实现。在Penny Lane框架下,对不同的用户行为进行检测和分析,实验结果表明,与传统的卷积神经网络相比,所设计的QCNN-BD在内部异常行为检测方面具有更高的计算效率和更强的处理能力。（2）内部用户异常行为检测一个突出的问题是正样本和负样本数量比例不均衡,针对这一问题设计了一种量子生成对抗网络用于内部用户行为检测和评估算法（QGAN-BDE）。QGAN-BDE算法包括一个用于生成负样本的量子生成对抗网络（QGAN）和一个用于检测和评估的经典神经网络。QGAN采用量子-经典混合结构,即由量子生成器（G）和经典鉴别器（D）构成。G由参数化量子线路（PQC）实现,D是一个经典全连接神经网络。由G生成负样本,通过G和D的对抗博弈提高G的样本生成能力,以解决正样本和负样本数量不平衡的问题。通过模拟测试和分析,QGAN-BDE算法可以有效地检测和评估内部用户的异常行为。

关键词：量子计算量子卷积神经网络量子生成对抗网络异常检测与评估

基于参数化量子线路与机器学习的图像分类算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于参数化量子线路与机器学习的图像分类算法

作者：张德顺南昌大学

学位级别：硕士

随着数字信息时代的到来,图像分类技术对机器学习算法的准确性、计算速度、泛化能力和复杂度等指标有了更高的要求。性能标准的提高凸显了机器学习算法在处理大规模数据和小样本问题时面临的挑战。量子卷积神经网络(Quantum convolution... 详细信息

随着数字信息时代的到来,图像分类技术对机器学习算法的准确性、计算速度、泛化能力和复杂度等指标有了更高的要求。性能标准的提高凸显了机器学习算法在处理大规模数据和小样本问题时面临的挑战。量子卷积神经网络(Quantum convolutional neural network,QCNN)利用量子计算的特性,能在处理大规模数据时提供高效的处理能力。迁移学习在处理小样本分类任务时,可以有效降低模型的过拟合风险,从而提高模型的泛化能力。因此,未来需探索更为创新和高效的解决方案,来处理大规模数据和小样本问题的图像分类任务。围绕图像分类中的核心挑战,本文主要研究工作如下:针对量子图像表示模型在计算效率和存储能力方面的局限,提出了一种新型的量子图像表示模型。通过融入HSB颜色模式,该模型能够更加精确地表达图像的颜色信息;利用量子基态存储图像信息,该模型能够提升图像数据的处理效率。实验结果证明,该量子图像表示模型在图像存储方面有显著优势,为图像分类任务提供了更有效的图像表示方案。基于参数化量子线路提出了一种复杂度为O(n)的量子卷积神经网络算法。该算法利用参数化量子线路的可训练性和量子态的叠加性,能够提取有效的图像特征,从而更高效地处理大规模的图像分类任务;利用量子门构建了该算法的量子池化层,从而在保证模型性能的同时降低算法复杂度。此外,向该算法中引入了量子自然梯度算法,以便更好地应对量子参数空间的几何特性,加快模型的收敛速度,提高训练效率。在MNIST数据集上的实验结果证明,与其它同类算法相比,所提出的算法具有更好的分类性能。融合QCNN和迁移学习,提出了一种基于参数的量子迁移学习算法。首先,设计了一种基于角度编码的量子-经典参数映射方案,将经典参数映射到量子空间,从而使QCNN能充分利用量子计算的优势,增强模型的表达能力。其次,引入了最大均值差异方法实现领域自适应,识别ImageNet数据和小样本数据之间的分布差异,并通过调整模型参数以减小这种差异,从而进一步提高模型在小样本领域的泛化能力。实验结果表明,基于参数的量子迁移学习算法能显著提高模型在小样本图像分类任务中的分类性能和泛化能力。

关键词：机器学习参数化量子线路迁移学习量子卷积神经网络