基于多量子滤波器的QCNN算法预测厌氧消化性能

厌氧消化是可再生能源生产中一种具有前景的技术,沼气是由有机废物通过厌氧消化产生的生物能源,预测厌氧消化产生的沼气产量并进行管控是必要的。设计了一种具有短期记忆的多量子滤波器量子卷积神经网络,利用参数化变分量子电路接受数据“时间窗”以模拟短期记忆,并在多量子滤波结构中舍弃过多的线路迭代和参数数量使其具有更高的表达性。在量子线路框架中,设计了最优的卷积、池化层线路,能够更好地提取特征因子中的隐藏状态;同时对废物管理数据进行严格的预处理,通过指数平滑去除特征中趋势和季节性。该算法的精度达到了83.30%,比CNN模型精度提升了8%,RMSE和MAE值也均优于ANN、KNN、CNN等经典模型。     

基于量子舒尔变换和图像的信息隐藏

如何在载体(文本、图像、音频)中巧妙地嵌入秘密信息及扩大传输信息的容量一直是研究人员面临的挑战。从量子信息的角度提出了一种新的信息隐藏思想,在不破坏载体数据的情况下构造量子纠缠态实现了秘密信息的隐藏和传输。为了提高秘密信息的传输容量,将经过Schur变换压缩的量子秘密信息编码到纠缠态的相位中进行传输。在比特传输过程中,新协议能够安全隐蔽地发送秘密量子比特信息。接收方可以通过量子傅里叶变换和已接收量子态的测量结果来提取秘密信息并得到无损的量子图像。此外,还给出了提取秘密量子态信息的具体方法,将量子比特转换为经典比特信息,有效地提升了秘密信息传输容量。该方案在不牺牲载体图像质量的前提下,保证了秘密信息传输的安全性。