基于量子门线路与机器学习协同设计的变分量子神经网络

以人工神经网络(ANN)模型为基础,通过与量子并行计算、量子门线路以及变分量子线路等量子理论与量子力学概念相结合提出了一种优化的变分量子神经网络(VQNN)模型,该模型是由可在噪声中尺度量子(NISQ)设备上运行的量子线路结合机器学习(ML)策略构成的一种量子经典混合计算模型。其中量子线路由两部分组成:量子态编码线路用于将经典数据编码为量子态数据;变分量子线路(VQC)则学习目标状态并将信息编码到一个真实的量子数据结构之中。最终通过测量VQC量子态输出获得经典概率输出分布,利用经典计算机进行变分量子线路的参数优化处理,这种结构使得VQC与经典ML很容易地融合。进一步探索了使用VQNN来建立基于实际应用的分类器,将其应用在网络攻击检测领域。实验结果表明,对于KDD CUP99数据集,VQNN具有相对较高的检测性能,且均高于其他经典对比检测模型以及量子门线路神经网络模型。此外,该VQNN可以部署在近期绝大多数的NISQ设备中。同时,所提出的VQNN是首个可以部署在NISQ中进行网络攻击检测的模型。     

量子模糊朴素贝叶斯分类算法

以传统朴素贝叶斯算法为基础,研究并提出一种高效、准确的量子模糊贝叶斯分类算法。首先将“模糊集合理论+朴素贝叶斯理论”交叉融合,定义模糊先验概率、模糊条件概率,将朴素贝叶斯推广至模糊朴素贝叶斯,构建模糊贝叶斯模型;其次,将“模糊贝叶斯模型+量子计算”交叉融合,将模糊数据集量子化（编码到量子态上）并设计量子线路,提出一种量子模糊朴素贝叶斯分类算法;最后,将该算法应用到鸢尾花数据集。仿真实验表明,与传统朴素贝叶斯分类算法相比,该算法具有较高的分类效率和准确率。     

双通道量子脉冲耦合神经网络

脉冲耦合神经网络(PCNN)在图像处理领域应用广泛，改进的双通道脉冲耦合神经网络(DPCNN)也在图像融合领域具有优异性能。为了将量子计算的优异并行性能与双通道脉冲耦合神经网络相结合，降低其算法复杂度，提出了双通道量子脉冲耦合神经网络(DQPCNN)。该模型使用量子逻辑门构建量子模块，如量子全加器、量子乘法器和量子比较器，构建了一个适用于DQPCNN的量子图像卷积模块，并采用这些模块完成DQPCNN所需的计算。通过仿真实验证明了DQPCNN的有效性，DQPCNN的复杂度与其他模型相比具有明显优势。     

基于模糊神经系统的多传感器数据融合算法

将自适应模糊神经推理系统(ANFIS)和卡尔曼滤波器应用于目标跟踪系统中,构成多传感器数据融合算法。该算 法假设在目标运动过程中,过程噪声和测量噪声是相互独立的高斯白噪声序列。使用ANFIS分别对目标的加速度和测量噪声 的方差进行估计,通过卡尔曼滤波器获得目标后验状态,最终由神经网络对多传感数据进行融合得到系统输出。仿真结果表 明,该算法可以通过自适应调整跟踪参数有效地防止目标丢失。     

基于量子卷积神经网络的图像识别新模型

为了解决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。实验数据集为MNIST数据,{0,1}分类和{2,7}分类准确率均达到了100%。对比结果表明,采用平均池化下采样的三层网络结构的QCNN模型具有更高的测试精度。     

利用量子遗传算法实现RNA二级结构预测

由于基于最小自由能模型的传统算法复杂度高且搜索效率低,故利用量子遗传算法提出了一种新的核糖核酸二级结构的预测算法．该算法将种群信息加载到量子比特上完成初始化,通过量子酉变换(量子逻辑门)实现种群的更新与演化,借助于量子计算的并行性优势使得核糖核酸二级结构预测所需种群规模相对经典遗传算法大为减少,同时还具有更强的搜索预测能力．基于国际核糖核酸标准数据库提供的序列进行了量子模拟实验计算,结果表明,在种群规模为经典遗传算法20%的条件下,该算法预测准确率仍优于经典遗传算法,且所需的进化轮数也得到了明显降低．     

基于动态模糊神经网络的短期电力负荷预测

针对电力负荷受天气和日期影响特点,提出一种基于动态模糊神经网络的短期电力负荷预测的新方法.该算法最大的特点是模糊规则是动态变化的,通过系统误差、可容纳边界来判断系统是否需要新增一条模糊规则,使用误差下降率(ERR)修剪算法剔除对整个网络影响较小的模糊规则.该算法还使用了分级学习法让网络的学习速度大大提高.在分析了EUNITE网络提供的负荷数据基础上来进行仿真,该仿真将温度、星期、月份、节假日因素作为网络的输入向量,取日负荷峰值作为网络的输出向量.仿真结果显示取得了较好的预测准确率.     

基于混合量子?经典神经网络模型的股价预测

股票预测本质上是数据挖掘的问题,大盘走势是一个很好的股票买卖时机抉择信号。在量化分析中,常用深度学习技术对大盘历史数据进行拟合与特征提取,为股票投资提供决策参考。该文首先训练了一个经典深度神经网络对沪深300的日K量价数据进行监督学习,实现了一个输出“涨跌”概率的二分类预测器,并以此制定策略进行模拟交易,利用测试集数据计算累积收益率,从而评估投资策略的优劣。此外,还构造了一种混合量子?经典神经网络模型,充分利用量子计算的线路模型特点,构造参数化变分量子线路,实现了量子前馈神经网络。在量子线路学习框架中,将股票的特征因子编码到量子态的振幅上,通过训练量子神经网络 U 的参数 θ ,迭代得到一个最优的分类器。量子算法的运行时间比经典算法少了7.7%,预测准确率更高,回报率高出3%,因此证明了量子算法的表达力强、鲁棒性高的特点。     

基于自适应模糊系统的径向基高斯函数网络系统辨识方法

提出了一种基于自适应模糊系统的径向基高斯函数系统辨识方法,与传统的系统辨识和仿真方法相比,更具有精确性与智能性。RBF(radial basedfunction)网络在逼近能力、分类能力和学习速度上均有优势。自适应神经模糊推理系统(ANFIS)混合学习算法减少了原始纯反向传播算法搜索空间的维数,故收敛速度非常快。根据ANFIS和RBF的特点,将它们结合起来,形成了基于自适应模糊系统的径向基高斯函数网络的系统辨识方法。     

基于克隆遗传量子算法的多用户检测

基于免疫克隆选择理论和遗传量子算法,提出了一种解决CDMA系统多用户检测问题的克隆遗传量子算法.通过使用克隆选择算子和遗传量子算法的理论,新算法能执行随机搜索和经验学习.所提的算法把随机神经网络嵌入到克隆遗传量子算法的每一代中.通过结合随机神经网络到CGQA中,可以加快CGQA的收敛速度、减少计算复杂度.另外,CGQA所提供的好的初值可以改善SHNN的性能,嵌入的SHNN还提高了CGQA的性能.在讨论了使用新算法设计多用户检测器的性能特点后,在CDMA系统进行了计算机仿真并和一些多用户检测器进行了比较.仿真结果证明了文中所提多用户检测器的抗多址干扰能力和抗远近效应能力都优于一些应用以前算法的多用户检测器.     

基于免疫量子算法的多用户检测技术研究

基于免疫算法和新的遗传量子算法,在码分多址通信系统中提出了一种解决多用户检测问题的进化计算方法--免疫量子算法(IQA).在IQA中,随机Hopfield神经网络被用于制作疫苗去提高IQA的收敛速度.另外,IQA为随机Hopfield神经网络提供良好的初始解会提高制作疫苗的性能,进一步改善每一代中量子种群中的适应度.通过在DS-CDMA系统进行Monte Carlo仿真,IQA算法的有效性和可行性被证实.仿真结果表明所提的IQA检测器的误码率性能优于其他的次优检测器,接近于最优检测器的理论下限.     

基于ANFIS的混凝土空心砌块砌体抗压强度预测

为更准确地预测混凝土空心砌块砌体抗压强度,引入自适应神经模糊系统(ANFIS)建立了预估模型.以砌块强度和砂浆强度作为模型输入变量,砌体抗压强度作为模型输出变量值,构建模糊系统模型来描述它们之间的非线性关系.利用统计的国内56组试验数据对模型进行训练和测试,并将试验值与ANFIS模型预测值、现行规范计算模型预测值进行了对比.研究表明:ANFIS模型可以较好地表达抗压强度与其影响因素之间的非线性映射关系,且该模型的预测精度明显高于目前规范计算模型预测精度,可作为混凝土空心砌块砌体抗压强度预测的一种新方法.     

基于变分量子分类器的量子对抗攻击生成算法

量子分类器在扰动攻击下的脆弱性是量子机器学习中的基本理论问题之一。量子分类器的脆弱性是指其随着量子系统规模增大而更容易因为一些微小的扰动而分类错误的性质。这种微小扰动也被称为量子对抗攻击，而如何生成尽可能小的扰动使得量子分类器失效仍是一个开放问题。针对这一问题，提出了一种新的量子对抗攻击生成算法——量子混淆算法。该算法利用量子分类器关于输入数据的梯度信息来生成扰动，从而使得已训练好的量子分类器失效。数值仿真结果表明，与已有的量子对抗攻击方法相比，量子混淆算法可以通过更小的扰动实现对抗攻击，为理解分类器的有效性和脆弱性提供了新的思路。     

基于改进算法ANFIS的变压器故障诊断

在分析变压器油中溶解气体进行变压器故障诊断的基础上,提出一种基于改进算法的自适应神经模糊推理系统的变压器绝缘故障诊断方法.该方法使用IEC三比值法的3个气体比值作为ANFIS输入向量,构造三输入一输出的ANFIS,然后使用具有全局收敛性的相关的广义Fletcher-Reeves共轭梯度法改进ANFIS默认的以BP算法和最小二乘法构成的混合学习算法,再使用新的学习算法训练系统.最后,对模型的有效性进行了检验,并与使用BP学习算法训练的诊断结果做了比较.检验结果表明:使用改进算法的ANFIS进行变压器故障诊断是可行的,并且诊断精度有所提高.     

一种基于量子神经网络的模拟电路故障诊断方法

针对模拟电路中部分故障类别发生重叠的特点, 提出了一种基于量子神经网络算法的模拟电路故障诊断方法。在被测电路输出端采集时域响应信号, 计算其峭度和熵, 作为特征量, 并应用量子神经网络算法对模拟电路的各个不同的故障类别进行辨别。实验结果表明, 构建的神经网络具有简单的网络结构, 且故障诊断正确率较 高, 达到9 9. 6 2%。     

模糊神经网络的二级倒立摆稳定控制分析

在MATLAB环境下,针对二级倒立摆系统稳定控制问题,引入新的智能控制策略,该种方法采用BP算法与最小二乘（LSE）算法结合的混合算法对Takagi-Sugeno模糊模型中的前件及后件参数进行优化修正,在已获得的客观输入、输出样本集的基础上,提出一种基于自适应神经网络的模糊推理系统ANFIS来对倒立摆系统进行＂倒立＂控制。实时控制结果表明,所提出的控制方法是可行而且有效的。     

量子自注意力神经网络的时间序列预测

在“量子-经典”混合模式下,设计了多头量子自注意力神经网络预测模型（MQSAPN）用以进行时间序列预测,模型包括多头量子自注意力模块以及变分量子线路预测模块两部分。通过对输入数据按时间步长分别进行量子态编码以及K、Q、V的计算,借鉴已有研究使用高斯函数进行自注意力系数的估计方式,将量子自注意力特征提取后的数据再次编码到变分预测线路中,经过线路演化及测量,最终获取预测结果。完整流程与模型搭建均采用VQNet框架实现。在天气学变量的时间序列预测任务中,该模型表现出与经典多头自注意力模型预测模型以及长短期记忆单元网络模型相当的预测精度。此外,相对于同样是量子机器学习的data-reuploading变分线路而言,在近乎同等规模线路深度与参数量的前提下,表现出更高的预测精度,这也进一步验证了引入量子自注意力机制的有效性。值得指出的是,作为预测部分的变分线路会随着输入数据量的增多（如时间窗加长、特征变量规模增加等）,其参数量与线路深度也会显著增加,尽管多层QSA能够较好地进行特征表达,但依然有可能因遇到“贫瘠高原”困难而成为整个网络的瓶颈。     

大数据环境下量子机器学习的研究进展及发展趋势

复杂性是大数据区别于传统数据的根本所在,大数据的复杂性必然带来不确定性,如何高效、安全、准确地处理大数据所具有的复杂性和不确定性问题已经成为实现大数据知识发现的前提和关键。该文分析了目前大数据环境下不确定性集合理论和大数据计算与分析方法、机器学习、量子计算及量子机器学习的研究现状和不足,展望了未来的发展趋势,指出在即将来临的“大数据+人工智能+量子计算”时代,将“大数据+不确定性集合理论+机器学习+量子计算”交叉融合研究既有理论和现实意义,又有实用价值,也必将成为智慧化时代大数据领域的研究热点。     

基于核梯度提升树的森林高度估测方法

针对大光斑激光雷达波形数据扰动大、树高分布不均匀的问题,基于Boosting集成算法的思想,提出了一种改进的核函数——核梯度提升树(kernel gradient boosting decision tree,KeGBDT).KeGBDT通过梯度提升树叶子节点的输出值计算连接函数的权值,使用连接函数的加权作为核函数的表达形式,从而避免叶子节点中观测值分布不均匀造成的误差.在实验部分,使用星载激光雷达(geoscience laser altimeter system,GLAS)数据提取的波形特征作为森林高度估测数据集,在该数据集上将KeGBDT与核随机森林(kernel random forests,KeRF)、线性核、高斯核等常用核函数在岭回归和支持向量回归(support vector regression,SVR)算法中进行了森林高度估测对比实验.另外,基于KeGBDT的岭回归和SVR模型与线性回归、梯度提升树(gradient boosting decision tree,GBDT)、随机森林等回归算法进行了森林高度估测对比分析.实验结果表明,基于KeGBDT的回归算法在决定系数与均方根误差两方面都优于常用核函数与回归算法,可以有效减小森林高度估测模型的回归误差.     

基于模糊偏序关系支持度模型的真值发现算法

为了解决主数据集成、web数据集成中的真值发现问题,提出了一种基于模糊偏序关系支持度计算模型的真值发现算法(FA-SDCM)。针对已有算法中,以描述相似度替代描述支持度进行计算,忽视了描述所含真值信息的不对称性问题,在分析描述本身特性的基础上,提出了描述蕴含概念,定义了基于模糊偏序关系的支持度计算模型,较好地解决了描述所含真值信息的不对称性问题。在考虑了数据源可信度及描述之间支持度对真值发现影响的基础上,基于迭代思想,提出了FA-SDCM算法。在Books-Authors数据集上进行实验,结果表明FA-SDCM算法比Vote算法与TruthFinder算法具有更高的准确率。