共查询到16条相似文献,搜索用时 140 毫秒
1.
提出采用量子神经网络(QNN)方法在平坦瑞利环境下进行多用户检测的方法。量子神经网络是量子计算与人工神经网络(ANN)相结合的产物,由于利用量子并行计算和量子纠缠等特性从而克服了传统人工神经网络的固有缺点。研究结果表明:该算法具有较强的鲁棒性;能有效地抑制噪声干扰,克服远近效应,在平坦瑞利衰减下具有较好地误码性能。 相似文献
2.
为了将功能强大的神经网络应用到连续变量量子信息处理中,需要建立连续变量的量子神经网络(QNN)模型.以相干态量子逻辑门为基元,基于QNN原理构建了由输入层、隐藏层和输出层组成的量子线路,实现了连续变量相干态量子神经网络(CSQNN)功能.模型通过多控CNOT门实现量子态操作,利用相位旋转门完成网络参数的学习训练.仿真结果表明在CSQNN辅助下,阻尼系数为0.5的振幅阻尼信道的量子隐形传态保真度显著提高,趋近1,说明提出的CSQNN模型能有效处理连续变量量子信息. 相似文献
3.
量子神经网络及其在CDMA多用户检测中的应用 总被引:3,自引:0,他引:3
量子计算与人工神经网络相结合的量子神经网络(QNN-Quantum Neural Networks)由于利用了量子并行计 算和量子纠缠等特性从而克服了传统人工神经网络的某些固有缺陷,将成为未来信息处理的重要手段。介绍了与量子神经 网络相关的量子计算基础,描述了一种量子神经元模型,分析证明了单个量子神经元具有与两层前向神经网络相当的非线 性映射能力。提出了一种基于量子神经元与量子寄存器的多用户检测方案,计算机仿真结果表明:本文所提出的检测器在 误码率和抗“远近”效应方面均具有良好的性能。 相似文献
4.
量子神经网络是一门崭新的学科,是量子理论和人工神经网络结合的产物。它融合了量子计算与神经网络的优点,具有很高的理论价值和应用潜力。本文基于具有量子输入和量子输出的量子神经元模型,利用BP网络用于图像压缩的原理,同时借助复数BP算法提出了QBP算法,构建一种用于图像压缩的3层QBP网络模型,实现了图像压缩与图像重建。仿真结果表明,在与BP网络压缩比相同的情况下,QBP网络不仅获取较好的重建图像质量,而且在最佳学习速率下迭代次数比BP网络少。 相似文献
5.
6.
基于小波包与量子神经网络的容差模拟电路的软故障诊断 总被引:1,自引:0,他引:1
提出了基于小波包与量子神经网络的容差模拟电路的软故障诊断,将故障的不确定性数据合理地分配到各类中,减少了故障检测的不确定度,提高了故障检测的诊断率,克服了BP在模糊分类方面的局限性.实验证明,采用QNN与自适应BP神经网络相比,故障诊断率可提高11.899%. 相似文献
7.
8.
9.
10.
介绍了与量子神经网络相关的量子计算基础,描述了一种量子神经元模型,分析了该模型的量子运算特性。分析和实验证明单个量子神经元能实现经典神经元无法实现的XOR函数,并具有与两层前向神经网络相当的非线性映射能力。 相似文献
11.
1 IntroductionQuantumNeuralNetwork (QNN )isabur geoningnewfieldwhichintegratesclassicalneuro computingwithquantumcomputing[1~2 ] .ThefieldofclassicalartificialNeuralNetworks (NN)canbegeneralizedtothequantumdomainbyeclecticcom binationofthatfieldwiththepromisi… 相似文献
12.
对国内外近十年来人工神经网络在近红外光谱建模中的应用和研究进行了详细的综述,包括误差反向传播网络、径向基网络、支持向量机、自组织特征映射网、广义回归神经网络、概率神经网络、小波神经网络、模糊神经网络以及集成神经网络等的应用和研究。概括了这些网络的基本工作原理及优缺点。最后根据神经网络的发展方向和工农业的发展需求,提出了今后人工神经网络在近红外建模方面的发展方向。 相似文献
13.
14.
15.
基于BP神经网络的网络智能诊断系统 总被引:7,自引:3,他引:4
随着计算机网络的发展,网络维护与管理日趋复杂。故障诊断就是对网络运行状态进行检测,并对出现的故障进行处理。随着人工智能理论的发展,要求把智能技术引入网络故障诊断领域,其中人工神经网络能比较准确地完成网络智能诊断任务,特别是目前广泛采用的前向多层神经网络模型(BP模型)。文章对BP神经网络故障诊断系统进行研究和设计,并通过实例进行仿真试验,结果证明该系统对网络故障的智能诊断有较高的实用价值。 相似文献
16.
Hadi Zavieh Amir Javadpour Arun Kumar Sangaiah 《International Journal of Communication Systems》2024,37(5):e5689
Recently, there has been a growing emphasis on reducingenergy consumption in cloud networks and achieving green computing practices toaddress environmental concerns and optimize resource utilization. In thiscontext, efficient task scheduling minimizes energy usage and enhances overallsystem performance. To tackle the challenge ofenergy-efficient task allocation, we propose a novel approach that harnessesthe power of Artificial Neural Networks (ANN). Our Artificial neural network Dynamic Balancing (ANNDB) method is designed toachieve green computing in cloud environments. ANNDB leverages the feed-forwardnetwork architecture and a multi-layer perceptron, effectively allocatingrequests to higher-power and higher-quality virtual machines, resulting inoptimized energy utilization. Through extensive simulations, wedemonstrate the superiority of ANNDB over existing methods, including WPEG,IRMBBC, and BEMEC, in terms of energy and power efficiency. Specifically, ourproposed ANNDB method exhibits substantial improvements of 13.81%, 8.62%, and9.74% in the Energy criterion compared to WPEG, IRMBBC, and BEMEC,respectively. Additionally, in the Power criterion, the method achievesperformance enhancements of 3.93%, 4.84%, and 4.19% over the mentioned methods.The findings from this research hold significant promise for organizations seekingto optimize their cloud computing environments while reducing energyconsumption and promoting sustainable computing practices. By adopting theANNDB approach for efficient task scheduling, businesses and institutions cancontribute to green computing efforts, reduce operational costs, and make moreenvironmentally friendly choices without compromising task allocationperformance. 相似文献