检索结果-南通市图书馆

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

基于量子深度学习的图像去噪与生成算法

基于量子深度学习的图像去噪与生成算法

作者：相凌志南昌大学

学位级别：硕士

信息技术的日益发展使人们进入了大数据时代,在各种各样的数据中,图像是人们生活中最常用的一种信息载体。随着图像数据量的大量增加,亟需对图像进行高性能的去噪与生成处理以应对处理速度慢和处理效果差的问题。因此,本文结合量子计算... 详细信息

信息技术的日益发展使人们进入了大数据时代,在各种各样的数据中,图像是人们生活中最常用的一种信息载体。随着图像数据量的大量增加,亟需对图像进行高性能的去噪与生成处理以应对处理速度慢和处理效果差的问题。因此,本文结合量子计算和深度学习设计了图像去噪与生成两种算法。本文的主要工作如下:基于卷积自编码器和残差学习,提出了一种图像去噪算法。卷积自编码器的编码层采用卷积层和最大池化层交替的结构,而解码层采用卷积层和反卷积层交替的结构。通过编码层和解码层完成输入图像的非线性特征提取,获得良好的特征表示。通过残差学习方式使卷积自编码器输出残差信息,并利用交叉熵损失函数对提出的算法进行训练。在MNIST数据集和Fashion-MNIST数据集上对提出的算法进行了仿真实验。与未使用残差学习的卷积自编码器去噪算法相比,所提出算法的去噪图像在视觉效果和客观质量评价指标上都具有更好的结果。将量子信息理论与机器学习方法相结合,基于波函数概率解释的玻恩机生成模型为研究生成模型提供了一种新的工具。具有一般参数化量子线路的玻恩机生成模型通常需要与待处理数据集的样本特征大小相同的量子比特数,而实际数据集中的每个样本通常包含数千个特征。为了解决该问题,本文提出了一种具有矩阵乘积态量子线路的玻恩机生成模型,该模型需要的量子比特比一般参数化量子线路的玻恩机生成模型更少,可以节省使用近期量子器件中稀缺的量子比特资源。利用最大均值差异损失函数对提出的玻恩机生成模型进行训练。在条带图数据集和混合高斯分布数据集上对提出的玻恩机生成模型进行了仿真实验。仿真结果表明基于矩阵乘积态量子线路的玻恩机生成模型可以使用较少的量子比特获得良好的生成性能。

关键词：图像去噪图像生成量子计算卷积自编码器玻恩机量子深度学习

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于变分量子电路的量子机器学习算法综述

计算机研究与发展 2025年

作者：于瑞祺张鑫云任爽北京交通大学计算机科学与技术学院

随着数据规模的增加，机器学习的重要性与影响力随之增大.借助量子力学的原理能够实现量子计算，结合量子计算和机器学习形成的量子机器学习算法对经典机器学习算法理论上能够产生指数级的加速优势.部分经典算法的量子版本已经被提出，... 详细信息

随着数据规模的增加，机器学习的重要性与影响力随之增大.借助量子力学的原理能够实现量子计算，结合量子计算和机器学习形成的量子机器学习算法对经典机器学习算法理论上能够产生指数级的加速优势.部分经典算法的量子版本已经被提出，有望解决使用经典计算机难以解决的问题.当前受量子计算硬件所限，可操控的量子比特数目和噪声等因素制约着量子计算机的发展.短期内量子计算硬件难以达到通用量子计算机需要的程度，当前研究重点是能够在中等规模含噪声量子（noisy intermediate-scale quantum，NISQ）计算设备上运行的算法.变分量子算法是一种混合量子-经典算法，适合应用于当前量子计算设备，是量子机器学习领域的研究热点之一.变分量子电路是一种参数化量子电路，变分量子算法利用其完成量子机器学习任务.变分量子电路也被称为拟设或量子神经网络.变分量子算法框架主要由5个步骤组成：1）根据任务设计损失函数和量子电路结构；2）将经典数据预处理后编码到量子态上，量子数据可以省略编码；3）计算损失函数；4）测量和后处理；5）经优化器优化参数.在此背景下，综述了量子计算基础理论与变分量子算法的基础框架，详细介绍了变分量子算法在量子机器学习领域的应用及进展，分别对量子有监督学习、量子无监督学习、量子半监督学习、量子强化学习以及量子电路结构搜索相关模型进行了介绍与对比，对相关数据集及相关模拟平台进行了简要介绍和汇总，最后提出了基于变分量子电路量子机器学习算法所面临的挑战及今后的研究趋势.

关键词：量子计算量子机器学习变分量子算法量子神经网络量子深度学习量子强化学习

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

量子机器学习综述

软件学报 2024年第8期35卷 3843-3877页

作者：王健张蕊姜楠智能交通数据安全与隐私保护技术北京市重点实验室(北京交通大学) 北京100044 北京工业大学信息学部北京100124

近年来,机器学习一直是被关注和探讨的研究热点,被应用到各领域并在其中起着重要作用.但随着数据量的不断增加,机器学习算法训练时间越来越长.与此同时,量子计算机表现出强大的运算能力.因此,有研究人员尝试用量子计算的方法解决机器学... 详细信息

近年来,机器学习一直是被关注和探讨的研究热点,被应用到各领域并在其中起着重要作用.但随着数据量的不断增加,机器学习算法训练时间越来越长.与此同时,量子计算机表现出强大的运算能力.因此,有研究人员尝试用量子计算的方法解决机器学习训练时间长的问题,量子机器学习这一领域应运而生.量子主成分分析、量子支持向量机、量子深度学习等量子机器学习算法相继被提出,并有实验证明了量子机器学习算法有显著的加速效果,使得量子机器学习的研究展现出逐步走高的趋势.对量子机器学习算法进行综述.首先介绍量子计算基础;然后对量子监督学习、量子无监督学习、量子半监督学习、量子强化学习以及量子深度学习5类量子机器学习算法进行介绍;接着对量子机器学习的相关应用进行介绍并给出了算法实验;最后进行总结和展望.

关键词：量子机器学习量子计算机器学习量子深度学习量子实验

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

量子机器学习算法综述

计算机学报 2018年第1期41卷 145-163页

作者：黄一鸣雷航李晓瑜电子科技大学信息与软件工程学院成都610054

机器学习在过去十几年里不断发展,并对其他领域产生了深远的影响.近几年,研究人员发现结合量子计算特性的新型机器学习算法可实现对传统算法的加速,该类成果引起了广泛的关注和研究.因此,文中对近十年的量子机器学习算法进行总结、梳理... 详细信息

机器学习在过去十几年里不断发展,并对其他领域产生了深远的影响.近几年,研究人员发现结合量子计算特性的新型机器学习算法可实现对传统算法的加速,该类成果引起了广泛的关注和研究.因此,文中对近十年的量子机器学习算法进行总结、梳理.首先,介绍了量子计算和机器学习的基本概念;其次,从四个方面分别介绍了量子机器学习,分别是量子无监督聚类算法、量子有监督分类算法、量子降维算法、量子深度学习;同时,对比分析量子机器学习算法与传统机器学习算法的区别和联系;最后,总结该领域存在的问题及挑战,并对量子机器学习未来的工作进行展望.

关键词：量子机器学习量子计算大数据人工智能量子深度学习

维普期刊数据库

基于量子加强的LSTM模型的多变量时序预测

在线全文

学校读者我要写书评

暂无评论

基于量子加强的LSTM模型的多变量时序预测

作者：李典康华东师范大学

学位级别：硕士

时间序列预测问题相关的讨论由来已久,其中的多变量时序预测问题在真实应用场景中普遍存在,对于指导人类生产生活、辅助科研工作等具有重要的意义。随着人工智能技术的发展,基于长短期记忆神经网络(LSTM)等深度学习技术来解决时序预测... 详细信息

时间序列预测问题相关的讨论由来已久,其中的多变量时序预测问题在真实应用场景中普遍存在,对于指导人类生产生活、辅助科研工作等具有重要的意义。随着人工智能技术的发展,基于长短期记忆神经网络(LSTM)等深度学习技术来解决时序预测问题成为较主流的方法。然而模型复杂度与计算量需求的急剧增长催使人们探索新的技术以辅助时序预测问题。量子计算在信息处理上表现出的潜在优势使其被认为有望进一步优化经典的时序预测。量子深度学习结合了量子计算与经典深度学习的优势,通过构建类比经典神经网络的量子神经网络以试图改良现有的深度学习技术,从而可用于有效地解决时序预测问题。本研究尝试基于设计量子神经网络层(QNN)以构建量子加强的LSTM模型(QLSTM)来解决多变量时序预测问题。本研究的主要工作包括:(1)详细讨论了量子神经网络层的构建过程,设计了一类具有较优表达能力的可用于构建量子神经网络层的变分量子线路,并基于混合量子-经典神经网络架构搭建了量子加强的LSTM模型(QLSTM)。(2)在量子软件开发环境pyQPanda下基于所构建的QLSTM模型就真实情境下的多变量时序预测问题开展系列实验以验证其可行性。(3)考虑一系列优化QLSTM模型的方法。包括基于深度学习经验优化QLSTM模型以及构建了一系列量子加强的LSTM模型的变体等。此外,研究还设计了一类较通用的用于QNN的量子正则化方法以进一步优化QLSTM模型表现。实验结果表明所构建的QLSTM模型在解决多变量时序预测问题上具备一定的可行性与潜在的优势,包括更简单的模型结构、更少的参数数量等。后续优化实验表明了基于经典深度学习经验优化量子深度学习模型的可能性,同时表明了所提出的适用于QNN的量子正则化方法在优化QLSTM模型性能、提升量子噪声鲁棒性等方面的可用性。该研究为基于QNN构建量子深度学习模型提供了可复用的参考,同时为优化量子深度学习模型表现提供了可行的思路与方法。

关键词：量子深度学习量子神经网络量子计算深度学习 LSTM 时间序列预测

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于量子残差网络的生成对抗网络设计与分析

基于量子残差网络的生成对抗网络设计与分析

作者：黄健榜南京航空航天大学

学位级别：硕士

生成对抗网络（Generative Adversarial Net Work,GAN）是一种最有前景的深度神经网络模型之一。在大数据背景下,训练GAN需要消耗巨大的计算资源。量子计算由于其特有的并行性,使得量子计算机具备强大的计算能力。量子计算与GAN相结合,... 详细信息

生成对抗网络（Generative Adversarial Net Work,GAN）是一种最有前景的深度神经网络模型之一。在大数据背景下,训练GAN需要消耗巨大的计算资源。量子计算由于其特有的并行性,使得量子计算机具备强大的计算能力。量子计算与GAN相结合,得到了一种量子生成对抗网络（Quantum GAN,QGAN）,该模型运行在量子计算机上。目前,QGAN模型都是基于参数化的量子线路,训练过程中会出现贫瘠高原问题。针对该问题,本文首先提出了一种可扩展的量子残差网络,然后基于该网络模型设计了一种新的QGAN和一种混合量子-经典的GAN,具体内容如下:（1）量子残差网络:利用量子算法实现卷积、非线性映射和恒等映射的计算过程,得到一种新的可以运行在量子计算机上的量子残差网络,时间复杂度为（）,相比于经典残差网络的（）时间复杂度,实现了二次加速的量子优势,且该模型可以作为其他量子深度神经网络的基础结构。（2）QGAN:基于本文提出的量子残差网络,设计了一种新的QGAN模型,并给出了训练算法,生成器由量子残差网络构成,而判别器由量子卷积神经网络构成。参数存储在量子随机存储器（Quantum Random Access Memory,QRAM）,而不是参数化量子线路,从而避免了训练中的贫瘠高原问题。由于量子的并行性,QGAN的时间复杂度为（）,具有二次加速的量子优势。（3）混合量子-经典的GAN:从实用性的角度,设计了一种混合量子-经典的GAN,生成器采用量子残差网络结构,判别器由卷积神经网络构成。这种混合结构的GAN消耗更少的量子资源,可以在带噪音中等规模量子计算机上实现,且在生成数据阶段具备QGAN同样的性能。

关键词：量子机器学习量子深度学习量子残差网络量子生成对抗网络