神经计算与量子神经计算的研究综述

神经计算科学是从信息科学的角度,用计算的方法研究神经网络如何模仿和延伸人脑活动的机理及实现类脑智能信息系统的问题。量子神经计算是量子计算与神经计算相结合的产物。文中主要阐述了神经计算的研究现状,在其基础上对量子神经计算的概念及模型进行了介绍,综述了国内外的研究动态与发展趋势。     

量子计算在神经网络中的应用研究

本文首先在介绍量子计算基本理论的基础上,探讨其在神经网络中的融合与应用;同时针对典型网络模型进行了具体的可行性研究与总结。最后就其两者的融合后的实际应用进行了深入研究。     

乳腺癌的量子神经元诊断

量子神经计算结合了传统神经计算与量子计算的优点,是新的信息处理技术之一。本文构造出一个三层量子神经网络,并将它应用于乳腺癌的诊断。实验结果表明,量子神经网络明显优于传统神经网络,如自组织神经网络、概率神经网络以及支持向量机等,不仅对正样本的识别率达到最高,可以较好的识别出乳腺癌患者,同时还可以很好的识别出非乳腺癌病例,其诊断正确率是最高的。     

量子神经网络在电力谐波检测中的应用

该文利用复数BP学习算法,构造出量子神经元模型[1],并结合神经网络技术与量子理论,生成更有效的泛化和学习能力的量子神经网络。基于三层量子神经网络实现对谐波参数的检测,并以3次谐波和5次谐波为例,描述了该网络的训练流程和训练样本的构成。量子神经网络的实现采用Matlab进行编程,首先利用训练样本训练量子网络,之后检测构造的未训练样本数据集,通过仿真结果验证了该方法的可行性。该方法在谐波检测中具有较高的灵活性和精度,且对采样数目没有严格的限制,训练好的量子神经网络模型可用于谐波源固定的场合。     

基于受控旋转门的量子神经网络模型算法及应用

提出一种量子神经网络模型及算法．首先借鉴受控非门的含义提出一种受控量子旋转门,基于该门的物理意义,提出一种量子神经元模型,该模型包含对输入量子比特相位的旋转角度和对旋转角度的控制量两种设计参数;然后基于上述量子神经元提出一种量子神经网络模型,基于梯度下降法详细设计了该模型的学习算法：最后通过模式识别和时间序列预测两个仿...     

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.     

基于量子门组的量子神经网络模型及其应用

为进一步提高量子神经网络的性能,结合目前神经网络机理的研究进展,提出了一种基于量子门组的量子神经元模型,建立了量子门组量子神经网络（Quantum Gate Set Neural Network,QGSNN）。该算法由输入层、隐含层和输出层组成,该算法将转换后的量子态训练样本作为输入。利用量子旋转门和通用量子门完成旋转、选择、翻转和聚合等一系列操作,并完成了网络参数的更新。将训练后的结果输出。QGSNN算法的泛化能力在数学上得到了证明,并利用两个仿真实验对该方法进行验证。实验结果表明,与普通神经网络和普通量子神经网络相比,QG-SNN算法在泛化性能、鲁棒性、准确率和执行时间等方面具有较好的效果。     

基于多级神经元的神经网络及其在分类中的应用

为了提高前向神经网络的分类能力,该文将多级神经元扩展使用到多层感知器的输出层和隐含层中,并提出了量子神经网络的学习算法。通过一个实际的分类问题实验验证了该方法的有效性。实验表明,无论输出层或隐含采用多级神经元,都可以带来分类能力的提高。而当输出层采用多级神经元时,还可以导致连接的减少和训练速度的加快。     

一种量子衍生神经网络模型

为提高神经网络的逼近能力,通过在普通BP网络中引入量子旋转门,提出了一种新颖的量子衍生神经网络模型. 该模型隐层由量子神经元组成,每个量子神经元携带一组量子旋转门,用于更新隐层的量子权值,输入层和输出层均为普通神经元. 基于误差反传播算法设计了该模型的学习算法. 模式识别和函数逼近的实验结果验证了提出模型及算法的有效性.     

基于混沌神经网络的分类算法

提出了一种基于混沌神经网络的分类算法,利用改进的进化策略对多个三层前馈混沌神经网络同时进行训练.训练好各个分类模型以后,将待识别数据分别输入,混沌神经网络分类模型输出最终分类结果.实验结果表明,该算法可以较好地进行数据分类,而且与传统的神经网络算法以及决策树算法相比,在分类精度和识别率方面均有一定的改善,体现出较好的稳定性.     

基于神经网络集成的舌苔分类方法

提出一种基于神经网络集成的舌苔自动分类方法。该方法把经单独训练的具有一定差异度的单个BP神经网络加以集成,构成舌苔分类器。试验结果表明,该分类器比现有的舌苔分类方法识别率更高、分类更细、更符合中医舌诊要求。     

光学神经网络的现状与进展

通过介绍两种典型的光学神经网络ＯＮＮ－透镜阵列互连网络和全息互 网张,讨论了不前ＯＮＮ的现状,存在问题及发展趋势。还介绍了图样间联想和洗牌网等ＯＮＮ模型中的新算法和新拓扑结构。     

光学神经网络的现状与进展

通过介绍两种典型的光学神经网络ＯＮＮ（ＯｐｔｉｃａｌＮｅｕｒａｌＮｅｔｗ ｏｒｋ）——透镜阵列互连网络和全息互连网络,讨论了当前ＯＮＮ 的现状、存在问题及发展趋势。还介绍了图样间联想和洗牌网等ＯＮＮ模型中的新算法和新拓扑结构。     

Qubit neural network and its learning efficiency

Neural networks have attracted much interest in the last two decades for their potential to realistically describe brain functions, but so far they have failed to provide models that can be simulated in a reasonable time on computers; rather they have been limited to toy models. Quantum computing is a possible candidate for improving the computational efficiency of neural networks. In this framework of quantum computing, the Qubit neuron model, proposed by Matsui and Nishimura, has shown a high efficiency in solving problems such as data compression. Simulations have shown that the Qubit model solves learning problems with significantly improved efficiency as compared to the classical model. In this paper, we confirm our previous results in further detail and investigate what contributes to the efficiency of our model through 4-bit and 6-bit parity check problems, which are known as basic benchmark tests. Our simulations suggest that the improved performance is due to the use of superposition of neural states and the use of probability interpretation in the observation of the output states of the model.     

量子神经网络

1 引言计算的实质是一个物理过程,要受到物理规律的支配。现代的计算技术建立在经典物理学基础之上,而量子计算(Quantum Computing)则是建立于量子理论的原理之上。目前,量子计算之所以获得广泛瞩目,是由于它能极大地提高计算的效率,具有沟通与大脑和意识关系的潜力,以及当计算机技术发展到纳米量级时必须考虑到量子效应等原因。     

A quantum backpropagation multilayer perceptron (QBMLP) for predicting iron adsorption capacity of calcareous soil from aqueous solution

Removal of miscible hazardous materials from aqueous solutions is an alarming problem for the environmental scientists. Several linear and nonlinear regression models like Langmuir, Freundlich, D–R, Tempkin isotherm models are in vogue for determining the adsorbing capacity of standard adsorbents used for this purpose.In this article, we propose a novel quantum inspired backpropagation multilayer perceptron (QBMLP) based on quantum gates (single qubit rotation gates and two qubit controlled-not gates) for the prediction of this adsorption behavior exhibited by calcareous soil oftentimes used in adsorbing miscible iron from aqueous solutions. The backpropagation learning formulae for the proposed QBMLP architecture has also been generalized for multiple number of layers in both field homogeneous and field heterogeneous configurations characterized by three standard activations, viz., sigmoid, tanh and tan 1.5h functions.Applications of the efficiency of the proposed QBMLP over the regression models are demonstrated with regards to the prediction behavior of the adsorption of iron by calcareous soil from an aqueous solution with effect to various characteristic adsorbent parameters. The adsorption process is considered to be a physical one since the activation energy (E_A) of ferrous ion adsorption is 9.469 kJ mol⁻¹ due to Arrhenius. Moreover, the thermodynamic parameters of Gibb's free energy (G₀), enthalpy (H₀) and entropy (S₀) values indicate it be spontaneous.Results indicate that QBMLP predicts the adsorption behavior of calcareous soil to a very closer extent thereby obviating the need for further regression/experimental analysis. Comparison with the performance of a similar classical multilayer perceptron (MLP) architecture also reveals the prediction and time efficiency of the proposed QBMLP architecture.     

基于一种改进的BP神经网络光伏电池建模

由于光伏电池具有高度非线性特性,难以建模,而传统的数学模型难以满足光伏控制系统设计和应用的要求。该文利用神经网络具有逼近任意复杂非线性函数的能力,将神经网络技术应用到光伏阵的建模中,避开了该模块内部的复杂性。模型以太阳能日照、温度以及负载电压作为神经网络辨识模型的输入量,光伏阵输出电流为输出量,采用改进型BP算法,建立了光伏电池的动态响应模型,然后预测了最大功率点。文中给出模型的结构,训练步骤和仿真结果。仿真结果表明,方法可行,建立的模型精度较高,从而为设计光伏实时控制系统奠定了基础。     

基于量子神经网络的MIMO信号检测技术

MIMO信号的最优检测在常规条件下是一NP难解问题。利用量子并行计算和量子纠缠等特性,量子计算与人工神经网络结合的量子神经网络能有效的解决这一问题。本文采用Hopfield神经网络实现MIMO信号检测,利用基于检测序列最大后验概率最佳接收似然函数与Hopfield神经网络的能量函数对应关系,构造一种量子神经网络的MIMO检测器。计算仿真结果表明:本文所提出的检测器在误码率方面有良好的性能。