信号处理
信號處理
신호처리
SIGNAL PROCESSING
2014年
4期
374-383
,共10页
量子计算%量子旋转门%多位受控非门%量子神经元%量子神经网络
量子計算%量子鏇轉門%多位受控非門%量子神經元%量子神經網絡
양자계산%양자선전문%다위수공비문%양자신경원%양자신경망락
quantum computation%quantum rotation gate%multi-qubits controlled-not gate%quantum neuron%quantum neural networks
当使用神经网络解决问题时,得到的结果与神经网络的逼近能力有很大关系.如何提高神经网络的逼近能力目前还没有较为理想的解决方法.本文提出了一种利用多位量子受控非门来构造神经网络模型的新方法.该模型为三层结构,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,利用多位受控非门的受控关系获得量子神经元的输出.基于量子计算原理设计了该模型的L-M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.纸牌预测的实验结果表明,当输入节点数和序列长度比较接近时,该模型对训练集的识别率比普通神经网络有大约8％的提高,从而揭示了量子计算机制对提高网络逼近能力的有效性.
噹使用神經網絡解決問題時,得到的結果與神經網絡的逼近能力有很大關繫.如何提高神經網絡的逼近能力目前還沒有較為理想的解決方法.本文提齣瞭一種利用多位量子受控非門來構造神經網絡模型的新方法.該模型為三層結構,隱層為量子神經元,輸齣層為普通神經元.量子神經元由量子鏇轉門和多位受控非門組成,利用多位受控非門中目標量子位的輸齣嚮輸入耑的反饋,實現對輸入序列的整體記憶,利用多位受控非門的受控關繫穫得量子神經元的輸齣.基于量子計算原理設計瞭該模型的L-M學習算法.該模型可從寬度和深度兩方麵穫取輸入序列的特徵.紙牌預測的實驗結果錶明,噹輸入節點數和序列長度比較接近時,該模型對訓練集的識彆率比普通神經網絡有大約8％的提高,從而揭示瞭量子計算機製對提高網絡逼近能力的有效性.
당사용신경망락해결문제시,득도적결과여신경망락적핍근능력유흔대관계.여하제고신경망락적핍근능력목전환몰유교위이상적해결방법.본문제출료일충이용다위양자수공비문래구조신경망락모형적신방법.해모형위삼층결구,은층위양자신경원,수출층위보통신경원.양자신경원유양자선전문화다위수공비문조성,이용다위수공비문중목표양자위적수출향수입단적반궤,실현대수입서렬적정체기억,이용다위수공비문적수공관계획득양자신경원적수출.기우양자계산원리설계료해모형적L-M학습산법.해모형가종관도화심도량방면획취수입서렬적특정.지패예측적실험결과표명,당수입절점수화서렬장도비교접근시,해모형대훈련집적식별솔비보통신경망락유대약8％적제고,종이게시료양자계산궤제대제고망락핍근능력적유효성.
