量子神经网络及其应用

量子计算与人工神经网络相结合的量子神经网络(Quantum Neural Networks,QNN)有可能成为未来信息处理的重要手段。分析了人工神经网络向QNN演变的动因及形式、QNN的优势及可能的物理实现方法。着重讨论了几种QNN模型的结构、学习方法及特性,并阐述了QNN在模式识别、纠缠计算、函数近似等方面的初步应用。     

一种基于量子低密度奇偶校验码的陪集搜索算法

在低密度奇偶校验码和量子纠错理论基础上,分析了基于稀疏矩阵的量子LDPC码的构造方法,提出了一种量子CSS码的编码实现过程中有效的陪集搜索方法,以（3,8）（16,6）量子LDPC码的构造过程为例说明此陪集搜索算法的有效性,并与现有的陪集寻找算法进行了比较。数值计算结果表明,改进的陪集搜索算法在获得与传统搜索方法相近的性能情况下编码速度有了显著提高,同时克服了传统陪集搜索算法中量子码字的存储问题。     

基于视觉显著失真度的图像质量自适应评价方法

针对结构相似(SSIM)图像质量评价算法没有考虑人眼视觉多通道性和对图像高失真评价的不稳定性,提出一种基于视觉显著失真度的图像质量自适应融合(VSAP)评价方法。该方法首先采用log-Gabor滤波提取图像的高频、中频及低频3层视觉特征,基于log-Gabor变换尺度和方向权重系数计算特征值的相似度;然后基于视觉阈值多分辨性迭加计算出特征值的失真度;最后,根据视觉失真度自适应融合相似度评价与失真度评价获得图像质量的最终客观评价。实验结果表明,VSAP方法不但对图像不同类型失真的客观评价与主观感知具有更高的相关性,而且3个主要指标斯皮尔曼等级相关系数(SROCC)、曲线拟合相关系数(CC)和均方根误差(RMSE)对图像不同水平失真的整体评价性能更稳定,明显优于其它评价方法。     

量子神经元特性研究

量子神经计算是传统神经计算自然演化发展的产物，它有可能成为新的信息处理技术。本文介绍了与量关的量子计算基础，描述了一种量子神经元模型，提出了一种量子学习算法，通过理论推导和仿真证明了算法的收敛性并给出了几种收敛特性曲线.应用量子计算方法分析了该量子神经元模型的量子逻辑运算功能,分析和实验证明了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.     

基于SRM检测算法的量子多用户检测研究

量子多用户检测为经典多用户检测最优解这一NP难解问题提供了一种有效的解决方法。本文利用量子多址通信模型,设计量子SRM检测算子,进行基于SRM检测的量子多用户检测算法的仿真及性能分析,提出了该算法的简化方法,并对各种可能影响算法性能的因素加以讨论。仿真结果表明,基于SRM算法的量子多用户检测方法具有很好的检测性能,简化后的算法计算复杂度大幅下降,算法的实用性得以增强。     

基于多项式基的非对称量子纠错码的构造

量子纠错码在量子计算和量子通信中起着至关重要的作用.文中区别于之前关于量子纠错码的研究,之前大多关于量子纠错码的研究都在对称的量子信道上,所谓对称的量子信道是指量子比特翻转的错误概率与量子相位翻转的错误概率相等的信道.文中的研究侧重在非对称的量子信道上,所谓非对称性体现在量子相位翻转的错误概率与量子比特翻转的错误概率不相等,前者大于后者,利用经典多项式码,基于多项式基构造映射,满足了构造定理的条件,从而构造了一类非对称量子纠错码