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...     

基于受控Hadamard门的量子神经网络模型及算法

为提高神经网络的逼近能力,提出一种基于受控Hadamard门设计的量子神经网络模型及算法.该模型输入为多维离散序列,可用矩阵描述,行数为输入节点数,列数为序列长度.模型为3层结构,隐层为量子神经元,输出层为普通神经元.量子神经元由量子旋转门和多位受控Hadamard门组成,利用多位受控Hadamard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Hadamard门中控制位和目标位之间的受控关系获得量子神经元的输出.基于量子计算理论设计了该模型的学习算法.该模型可高效地获取输入序列的特征.实验结果表明,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BP神经网络.     

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.     

基于序列输入的量子神经网络模型及算法

为提高神经网络的逼近能力,提出一种各维输入为离散序列的量子神经网络模型及算法.该模型为3层结构,隐层为量子神经元,输出层为普通神经元.量子神经元由量子旋转门和多位受控非门组成,利用多位受控非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,利用受控非门输出中多位量子比特的纠缠获得量子神经元的输出.基于量子计算理论设计该模型的学习算法.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.     

基于量子门线路的量子神经网络模型及算法

提出一种量子神经网络模型及算法.该模型为一组量子门线路.输入信息用量子位表示,经量子旋转门进行相位旋转后作为控制位,控制隐层量子位的翻转;隐层量子位经量子旋转门进行相位旋转后作为控制位,控制输出层量子位的翻转.以输出层量子位中激发态的概率幅作为网络输出,基于梯度下降法构造了该模型的学习算法.仿真结果表明,该模型及算法在收敛能力和鲁棒性方面均优于普通BP网络.     

一种量子神经网络模型及改进学习算法

提出一种量子BP网络模型及改进学习算法,该BP网络模型首先基于量子学中一位相移门和两位受控非门的通用性,构造出一种量子神经元,然后由该量子神经元构造隐含层,采用梯度下降法进行学习。输出层采用传统神经元构造,采用基于改进的带动量自适应学习率梯度下降法学习。在UCI两个数据集上采用该模型及算法,实验结果表明该方法比传统的BP网络具有较好的收敛速度和正确率。     

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。     

量子算法与量子衍生算法

随着经典计算发展日趋缓慢,量子计算正逐渐成为研究领域的关注热点.该文简要介绍了量子计算的基本原理.接着,从当前量子计算领域中的两个活跃研究方向——量子算法和量子衍生技术研究出发对整个量子算法领域主要发展脉络进行梳理并总结目前量子计算研究的发展规律.最后,该文针对这两个方向提出了若干量子计算领域的发展趋势.通过对量子计算研究领域的综述和展望,对后续量子计算研究发展具有一定的指导意义.     

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。     

量子神经网络在PID参数调整中的应用

提出一种基于量子神经网络(QNNs)的比例积分微分(PID)参数在线调整方法.通过构造受控量子旋转门,给出一个量子神经元模型,其中包括输入量子比特相位的旋转角度和控制量2种设计参数.在此基础上提出一个量子神经网络模型,利用梯度下降法设计该模型的学习算法,并将其用于PID参数的在线调整,实验结果表明,QNNs的调整能力及...     

一种基于Stripe算法的新型结构型神经网络

在非线性模式识别中,设计了一种利用Stripe算法调整辅助神经元的新方法,该方法利用相互平行的超平面将权值空问进行划分,使模型的非线性模式识别能力大大提高,用Matlab随机产生非线性分类问题,利用新模型得到较好的分类识别效果,证明了网络结构简单,非线性识别能力较高。     

量子衍生布谷鸟搜索算法

为提高布谷鸟搜索算法的寻优能力,通过在经典布谷鸟搜索算法中引入量子计算机制,提出了一种量子衍生布谷鸟搜索算法.该算法采用量子比特编码个体,采用泡利矩阵确定旋转轴,采用Levy飞行原理确定旋转角度,采用量子比特在Bloch球面上的绕轴旋转实现个体更新.标准函数极值优化的实验结果表明,与传统布谷鸟搜索算法相比,该算法的搜索能力确有明显提升.     

Differential Evolution Training Algorithm for Feed-Forward Neural Networks

An evolutionary optimization method over continuous search spaces, differential evolution, has recently been successfully applied to real world and artificial optimization problems and proposed also for neural network training. However, differential evolution has not been comprehensively studied in the context of training neural network weights, i.e., how useful is differential evolution in finding the global optimum for expense of convergence speed. In this study, differential evolution has been analyzed as a candidate global optimization method for feed-forward neural networks. In comparison to gradient based methods, differential evolution seems not to provide any distinct advantage in terms of learning rate or solution quality. Differential evolution can rather be used in validation of reached optima and in the development of regularization terms and non-conventional transfer functions that do not necessarily provide gradient information. This revised version was published online in June 2006 with corrections to the Cover Date.     

基于神经网络和PID算法的数控机床并行混合控制模型

针对数控机床低速运动时由于非线性摩擦造成的问题，提出了一种基于神经网络和PID算法的并行混合控制模型．当电机速度大于转换速度时使用PID控制，小于转换速度时使用神经网络控制器．神经网络为5个输入的单神经元，采用Hebb学习算法．分析表明，混合控制器使跟随误差的波动明显减小，机床运动变得平稳．利用可由用户编写伺服算法的多轴运动控制器(PMAC)进行了实验，验证了混合控制器的控制效果．     

多项式泛函网络运算模型及应用

提出了一种多项式泛函网络运算新模型,来求解任意数域或环上多项式运算问题。同时给出了基于泛函网络求任意一元多项式倍式的学习算法,而网络的参数利用解线性方程组方法来完成。实验结果表明,这种神经计算方法,相对传统方法,不但能够获得问题的精确解,而且可获得问题的近似解。这给工程计算软件的二次开发提供了有效方法。