一种量子衍生神经网络模型算法及应用

为提高神经网络的逼近和预测能力，提出一种各维输入为离散序列的量子衍生神经网络模型及算法。该模型为三层结构，隐层为量子衍生神经元，输出层为普通神经元。量子衍生神经元由量子旋转门和多位受控旋转门组成，利用多位受控旋转门中目标量子位的输出向输入端的反馈，实现对输入序列的整体记忆，利用受控旋转门输出中多位量子比特的纠缠获得量子衍生神经元的输出。基于量子计算理论设计了该模型的学习算法。该模型可从宽度和深度两方面获取输入序列的特征。仿真结果表明，当输入节点数和序列长度满足一定关系时，该模型明显优于普通神经网络。     

基于样条插值函数的离散过程神经网络训练*

为解决过程神经元网络不能直接输入离散样本的问题,提出基于样条插值函数的离散过程神经网络训练算法。首先,将离散过程样本按采样点分段,在采样区间内分别构造样本和权值的分段样条函数;然后,计算样本函数和权函数的乘积在采样区间上的积分,并将此积分值提交给网络的隐层过程神经元;最后,在输出层计算网络输出。分别采用一次、二次、三次样条函数,设计了三种不同的算法。实验结果表明：一次样条计算效率高,逼近能力差;三次样条计算效率低,但逼近能力好;二次样条在计算效率和逼近能力两方面都比较理想。因此,二次样条函数是离散过程神经网络的较好选择。     

基于混沌优化的双种群量子粒子群算法

提出了一种基于混沌优化的双种群量子粒子群算法(BCQPSO)。算法利用混沌序列随机生成两个种群,在子种群中惯性权重分别采用不同的更新策略,并通过种群间的融合和变异进行信息交互,提高了算法的收敛速度和解空间的遍历范围。仿真实验结果表明,所提算法具有很好的搜索能力和优化效率。     

自组织过程神经网络及其应用研究

针对与时间过程有关的模式分类问题，提出了一种自组织过程神经元网络模型．网络由输入层和竞争层组成，其输入和连接权可为与时间有关的函数，输入层结点与竞争层结点实行全互连接．网络提取输入函数所隐含的过程式模式特征，并对其进行自组织，在竞争层将分类结果表现出来．为简化计算，在输入空间中引入函数正交基，将输入函数和网络权函数表示为正交基的展开形式，利用基函数的正交性，使网络权函数的调整非时变化．给出了竞争学习和有教师示教两种学习算法，并以石油地质中沉积微相识别问题为例证明了模型和算法的有效性．     

一类用于连续过程逼近的过程神经元网络及其应用

针对实际系统的输入输出是与时间有关的连续过程,提出了一类用于连续过程逼近的过程神经元网络模型.模型利用神经网络所具有的非线性映射能力,实现系统输入输出之间的连续映射关系.考虑过程神经网络计算的复杂性,在输入空间中选择一组函数正交基,将输入函数和网络权函数表示为该组正交基的展开形式,利用基函数的正交性,简化过程神经元计算.文中给出了学习算法,并以油藏开发三次采油过程模.     

加权模糊推理网络及在水淹层识别中的应用

提出了一种加权模糊推理网络的结构模型和学习算法，该网络的基本信息处理单元为模糊推理神经元，融合了模糊逻辑能够较完整的表达领域规则和先验知识以及神经网络自适应环境的优点。根据模糊推理规则的量化表示形式和微分方程数值解的动力学思想推导出网络一种新的学习算法。该算法具有稳定，收敛速度快，且能较好避免网络学习陷入局部极值点。以油田生产复杂水淹层识别问题为例，验证了模型和算法的有效性。     

一种量子图像的中值滤波方案

中值滤波是经典图像处理中的基本滤波方法,然而在量子图像处理中相关模型尚不多见。为解决量子图像的中值滤波问题,该文提出了基于量子中值计算的新方法。该方法采用迭代比较的方法将目标像素排序,进而得到中值。文中首先介绍了实现中值滤波所需的各种基本模块的量子线路,然后重点介绍了中值计算的量子实现方法,最后给出了量子图像中值滤波的总体线路框架。复杂度分析表明该方法具有对经典算法的指数加速。经典计算机上的仿真结果验证了提出方法的有效性及可行性。     

基于量子索引图像的SoC信息隐藏技术

针对量子索引图像在量子计算机信息安全领域中的应用问题,本文提出一种基于分量和(sum of components, SoC)的量子索引图像信息隐藏算法。量子索引图像包括数据矩阵和调色板2种数据结构。基于SoC的量子索引图像信息隐藏算法首先根据颜色值分量和的奇偶性(1或0)和颜色值距离,为量子调色板中每一个颜色匹配一个符合条件的颜色组成颜色对;嵌入消息时,根据颜色对和消息比特对量子数据矩阵的像素索引值进行更新;提取消息时,量子索引图像每个像素颜色值分量和的奇偶性即为嵌入的消息,属于盲提取算法。此方法可在未来量子计算机上执行。根据经典计算机上的仿真结果从视觉质量、嵌入容量、鲁棒性和安全性4个方面验证了该方法的有效性。      

一种自适应多策略行为粒子群优化算法

针对粒子群优化算法收敛速度慢、局部搜索能力差等缺点,提出一种自适应多策略行为粒子群优化算法.算法中每个粒子拥有4种行为进化策略,在迭代过程中通过计算每种进化策略的立即价值、未来价值和综合奖励来决定粒子的进化行为,并通过策略行为概率变异算法提升个体寻优速度或避免陷入局部最优解.在经典的基准测试函数上,对新算法与其他7个群智能进化算法的测试结果进行比较分析,结果表明所提出算法具有很好的求解精度和收敛速度,尤其适合应用于一些高维优化问题.     

一种量子神经网络模型学习算法及应用

提出一种量子神经网络模型及学习算法. 首先基于生物神经元信息处理机制和量子计算原理构造出一种量子神经元, 该神经元由加权、聚合、活化、激励四部分组成. 然后由量子神经元构造出三层量子神经网络模型, 其输入和输出为实值向量, 权值和活性值为量子比特. 基于梯度下降法构造了该模型的超线性收敛学习算法. 通过模式识别和函数逼近两种仿真结果表明该模型及算法是有效的.