基于大津阈值的量子图像分割方法

为解决量子计算机上图像分割的问题,研究一种基于大津阈值的量子图像分割方法。设计量子加法器、量子减法器、量子乘法器、量子除法器和直方图的基本模块,在此基础上,设计累积直方图、累积平均值、类间方差等子模块,通过对每个灰度级所对应的类间方差进行排序,选取所有类间方差的最大值作为大津阈值,对得到的大津阈值进行图像二值化量子线路设计。通过在经典计算机上的仿真验证了方法的执行效果,基于所用基本量子门数量,分析量子线路的复杂度,其结果表明,所提方法可以实现对经典方法的加速。

基于量子衍生涡流算法和T⁃S模糊推理模型的储层岩性识别

鉴于梯度下降法易陷入局部极值、普通群智能优化算法易早熟收敛,提出一种基于量子衍生涡流算法(Quantum Vortex Search Algorithm,QVSA)和T⁃S模糊推理模型的岩性识别方法,QVSA具有操作简单、收敛速度快、寻优能力强等优点,有助于T⁃S模糊推理模型获得最优参数配置,从而实现储层岩性的准确识别。首先利用具有全局搜索能力的QVSA优化T⁃S模糊推理模型的各种参数;然后利用主成分分析方法降低获取的地震属性维度;再利用优化的T⁃S模糊推理模型识别储层岩性。实验结果表明,利用反映储层特征的8个地震属性识别储层岩性时,所提方法的识别正确率达到92%,比普通BP网络方法高5.1%,同时查准率、查全率、F1分数等指标也较BP网络方法提升明显。

基于评价主体多元化理念和卷积神经网络的线上教学质量评价方法

受政策因素和技术环境影响,线上教学已成常态化。为改进已有线上教学质量评价体系的不足,提升线上教学质量,文中以高校线上教学为研究对象,利用人工智能技术提出一种线上教学质量评价方法。首先,基于科学的教学评价理念和原则,充分考虑已有的评价指标和线上教学特点,建立包含多元化评价主体的评价指标体系;然后,利用随机森林方法对评价指标进行重要性评估,达到数据降维和教学反馈的目的;再采用卷积神经网络构建以学生评价、教师自评、同行评价、平台数据为输入,以专家评结果为输出的评价模型;最后,将所提出的线上教学质量评价体系和模型应用于教学实践。实践结果表明,所提方法能够有效评价高校线上教学质量并降低评价成本,具有较高的准确性和应用价值。

灵活的固定相位量子搜索算法

为解决Grover算法的普适性不够理想的问题,提出一种灵活的量子搜索算法.首先,通过设计包含任意数目基态的量子均衡叠加态,实现任意大小无序数据库的构建;其次,通过求解算法的迭代方程,导出旋转相位与成功概率及搜索步数之间的定量关系,其中旋转相位可取(0,π]内的任意值;再次,通过迭代步数与成功概率的统计分析,确定当标记态数未知时旋转相位的最佳取值,并设计搜索方案;最后,考察不同旋转相位及不同标记态数下,成功概率及迭代步数的数值结果.理论分析表明该算法可以实现经典算法的二次加速.

基于长短期记忆网络的在线课程学生成绩预测

针对高校在线课程学生成绩预测问题,本文提出了基于长短期记忆(LSTM)网络的预测方法。在综合考察学习成绩影响因素的基础上,结合教育学相关理论,构建了评价输入指标集,具体包括观视比、出勤情况和课堂表现。预测结果为期末笔试成绩、期末实验成绩和阶段测试成绩。教师根据在线教学实际情况,将每个学生的输入指标以学时为单位量化成具体数值作为LSTM的输入,将真实的阶段测试、期末笔试和实验成绩作为LSTM的输出,构造训练样本集实施网络训练。训练后的网络即可用于相同课程后续学生的成绩预测。实验结果表明,预测集样本三个输出指标预测结果的均方误差均在10以内,这表明应用深度学习的预测模型解决教育学领域的学生成绩预测问题的研究思路是可行的。

支持向量机在模式识别中的核函数特性分析

支持向量机是20世纪90年代中期发展起来的一种机器学习技术,与传统人工神经网络不同之处在于前者基于结构风险最小化原理,后者基于经验风险最小化原理。支持向量机不仅结构简单,而且技术性能尤其是泛化能力与BP神经网络相比有明显提高。讨论了支持向量机的分类原理,并用多项式函数、径向基函数和感知机函数等3种核函数作为内积回旋,分别以平面点集分类、手写体汉字识别及双螺旋线识别为例,在不同的结构参数下进行了仿真实验,并对3种核函数的分类特性进行了对比分析,给出了在不同模式识别问题中3种核函数的选择条件。

基于相位编码的混沌量子免疫算法

目前量子群智能优化算法的个体均采用基于量子比特测量的二进制编码方式,在用于连续问题优化时,由于频繁的解码运算,严重降低了优化效率.针对这一问题,本文提出一种混沌量子免疫算法.该方法直接采用量子比特的相位对抗体进行编码;用量子旋转门实现优良抗体的克隆扩增,通过在量子旋转门中引入混沌变量动态改变转角大小实现局部搜索;用基于Pauli-Z门的较差抗体的变异,实现全局优化.证明了算法的收敛性.由于优化过程统一在空间[0,2π]n进行,而与具体问题无关,因此,对不同尺度空间的优化问题具有良好的适应性.实验结果表明该算法能有效改善普通免疫算法的搜索能力和优化效率.

求解连续空间优化问题的量子蚁群算法

针对蚁群算法只适用于离散优化问题的局限性和收敛速度慢的问题,提出了求解连续空间优化问题的量子蚁群算法.该算法每只蚂蚁携带一组表示蚂蚁当前位置信息的量子比特;首先根据基于信息素强度和可见度构造的选择概率,选择蚂蚁的前进目标;然后采用量子旋转门更新蚂蚁携带的量子比特,完成蚂蚁的移动;采用量子非门实现蚂蚁所在位置的变异,增加位置的多样性;最后根据移动后的位置完成蚁群信息素强度和可见度的更新.该算法将量子比特的两个概率幅都看作蚂蚁当前的位置信息,在蚂蚁数目相同时,可使搜索空间加倍.以函数极值问题和神经网络权值优化问题为例,验证了算法的有效性.

支持向量机及其在复杂水淹层识别中的应用

研究了基于结构风险最小化原理的支持向量机方法对模式类的识别能力 ,构造了可用于多个模式类识别的级连式SVM模型。该模型易于实现 ,且能够找到模式间的最优分类超平面 ,泛化能力较高。支持向量机用于模式识别不存在局部极小值问题 ,且不需网络迭代训练 ,求解速度明显高于神经网络。该模型采用两种核函数 ,将SVM用于油藏测井解释中水淹层的识别以提取测井曲线与水淹级别之间的映射关系 ,从而实现模糊性油藏测井解释中水淹层的识别。实验结果表明 ,此方法对解决水淹层识别问题具有良好的适应性和实用性。

支持向量机在模式分类中的应用

研究了采用基于结构风险最小化原理的支持向量机对模式的分类方法 ,构造的分类模型结构简单 ,易于实现 ,且泛化能力明显提高 .该模型采用 2种核函数 ,分别以平面点集分类和手写字识别为例进行了仿真实验 .结果表明 ,将支持向量机用于模式识别不存在局部极小值问题 ,且不需进行网络迭代训练 ,求解速度明显高于前馈神经网络 .

基于量子遗传算法的正规模糊神经网络控制器设计

针对模糊神经网络控制器通常涉及的参数较多,反传播算法难于收敛的问题,提出了一种优化设计正规化模糊神经网络控制器的量子遗传算法。该方法用量子比特构成染色体,用量子旋转门进行染色体更新,用量子非门进行染色体变异,将量子位的概率幅看作两个并列的基因,因此每条染色体包含两条并列的基因链,在染色体数目相同时,可提高获得全局最优解的概率。对控制器参数随机编码建立初始群体,利用量子遗传算法进行参数优化。实验结果表明该方法是有效的。

一种量子自组织特征映射网络模型及聚类算法

提出一种量子自组织特征映射网络模型及聚类算法。量子神经元的输入和权值均为量子比特,输出为实数,量子自组织特征映射网络由输入层和竞争层组成。首先将聚类样本转换成量子态形式并提交给输入层,完成聚类样本的输入;然后计算样本量子态与相应权值量子态的相似系数,提取聚类样本所隐含的模式特征,并对其进行自组织,在竞争层将聚类结果表现出来。采用量子门更新量子权值,分无监督和有监督两个阶段完成网络的训练。仿真实验结果表明该模型及算法明显优于普通自组织特征映射网络。

基于量子神经网络的油田水淹层识别方法

针对油藏测井解释中的水淹层识别问题,提出一种量子神经网络模型。该模型用量子旋转门更新量子比特的相位,用受控旋转门实现网络的非线性映射功能。网络可调参数为量子旋转门的旋转角度和受控非门的控制参数。基于梯度下降法设计了学习算法。仿真结果表明,该模型的预测能力优于普通BP网络、模糊神经网络和过程神经网络等其他方法。

相位编码量子蚁群算法及在连续优化中的应用

针对蚁群算法只适用于离散优化问题的局限性和收敛速度慢的问题,提出一种适合连续优化的量子蚁群算法。该方法直接采用量子位的相位对蚂蚁编码。首先根据基于信息素强度和可见度构造的选择概率,选择蚂蚁的前进目标;然后采用量子旋转门更新描述蚂蚁位置的量子比特,完成蚂蚁移动,并采用Pauli-Z门实现蚂蚁的变异增加位置的多样性;最后根据移动后的新位置完成蚁群信息素强度和可见度的更新。由于优化过程统一在空间[0,2π]n进行,而与具体问题无关,对不同尺度空间的优化问题具有良好的适应性。以函数极值优化和控制器参数优化为例,仿真结果表明该方法的搜索能力和优化效率明显优于连续量子蚁群算法和标准遗传算法。

基于连续沃尔什变换的过程神经元网络训练

为解决过程神经元网络训练涉及的时域聚合运算问题,提出了过程神经元网络的一种学习算法。对网络的过程式输入函数及时变的权函数,实施连续沃尔什变换,用变换后的数据训练网络。经过这种变换,能使网络输入的时域聚合运算大为简化,有效地避免了复杂的积分过程,使过程神经元网络的训练等同于普通网络的训练。

基于模糊聚类的学习样本选取方法

针对复杂环境下神经网络学习效率较低的问题 ,提出了一种按模糊聚类筛选样本模式类别的矫正方法 .先将模式大类细分为具有相近指标值的子类 ,以子类中心为典型学习样本 ,构成新的学习样本集 ,并以此样本集训练神经网络 .实际应用证明 ,该方法在样本分布存在多峰性和交遇性的情况下 。

基于样条插值函数的离散过程神经网络训练

为解决过程神经元网络不能直接输入离散样本的问题,提出基于样条插值函数的离散过程神经网络训练算法。首先,将离散过程样本按采样点分段,在采样区间内分别构造样本和权值的分段样条函数;然后,计算样本函数和权函数的乘积在采样区间上的积分,并将此积分值提交给网络的隐层过程神经元;最后,在输出层计算网络输出。分别采用一次、二次、三次样条函数,设计了三种不同的算法。实验结果表明:一次样条计算效率高,逼近能力差;三次样条计算效率低,但逼近能力好;二次样条在计算效率和逼近能力两方面都比较理想。因此,二次样条函数是离散过程神经网络的较好选择。

一种随机粒子群算法及应用

为提高粒子群算法的优化效率,在分析量子粒子群优化算法的基础上,提出了一种随机粒子群优化算法。该算法只有一个控制参数,搜索步长由一个随机变量的取值动态决定,通过合理设计控制参数的取值,实现对目标位置的跟踪。标准测试函数极值优化和聚类优化的实验结果表明,与量子粒子群和普通粒子群算法相比,该算法在优化能力和优化效率两方面都有改进。

基于Bloch球面搜索的量子粒子群优化算法

通过分析量子势阱粒子群优化算法的设计过程,提出一种基于Bloch球面搜索的量子粒子群优化算法.首先用基于Bloch球面描述的量子位描述粒子,用泡利矩阵建立旋转轴,用Delta势阱模型计算旋转角度,用量子位在Bloch球面上的绕轴旋转实现搜索.然后用Hadamard门实现粒子变异,以避免早熟收敛.这种旋转可使当前量子位沿着Bloch球面上的大圆逼近目标量子位,从而可加速优化进程.仿真结果表明,该算法的优化能力优于原算法.

基于三次样条函数拟合的过程神经元网络训练

过程神经元网络的提出为大样本识别问题开辟了新途径,但其训练方法目前主要基于权函数正交基展开。这种方法基函数个数选取目前尚无理论依据。提出了基于三次样条函数拟合的过程神经元网络训练方法。首先将样本函数、过程神经元权函数的离散化数据拟合成分段表示的三次样条函数,然后计算样本样条函数与权值样条函数乘积在给定采样区间上的积分,并将此积分值提交给网络的过程隐层神经元,输出层由普通神经元组成。三次样条函数具有很好的光滑性、可积性、阶数低、参数少等优点,有效地简化了网络的时空聚合运算。实验表明该方法是可行的。