一种基于最小距离的量子k-means算法

k-means算法以其简单和快速的特点而被广泛地应用,但其计算复杂度随着数据维数呈指数级增长.通过采用量子比特来表示空间中的点,提出一个高效的基于距离最小化原则的量子k-means算法,相比经典k-means算法,该算法能够带来指数级加速.为了计算待分类点与聚类中心之间距离,通过增加一个辅助粒子构造聚类中心与待分类点的纠缠态,并对辅助粒子进行投影测量,进而依据测量结果计算出两点之间距离.算法的目的是将待分类的点按距离最小原则分到相应的聚类中.算法中,需随机选择k个点作为初始聚类中心,在接下来的迭代过程中,不断地更新聚类中心,直到聚类中心不再变化或小于指定的阈值,则迭代结束.

基于测量的量子图像识别研究

目前,已有的量子相似度比较算法:1)逐个比较图像对应位置的像素值;2)将两幅图像分别用量子态表示,再将两幅图像进行连接(意味着将两个量子态连接成一个态),再进行相关的量子操作。所提出的比较算法,是在不连接图像的基础上,将图像用量子态表示,进行控制交换(c-Swap)操作,再进行量子测量,根据测量结果判断两幅图像的相似度。将所提的量子相似度比较算法应用到量子手势识别中,实验结果表明所提算法在识别问题上具有可行性。在经典领域中,手势识别的流程比较复杂。而在量子领域中,无需提取手势的颜色、纹理、特征等步骤,直接可以将手势进行二值化表示,再根据所提的图像相似度算法来实现手势识别。

一种酉权重量子感知机

通过将量子计算与经典感知机网络相结合,提出了一种基于酉权重的新型高效量子感知机算法.在算法过程中通过求解总的权重矩阵,并对其进行奇异值分解来保持其具有酉性.与其他人提出的量子感知机算法不同,本算法在非理想训练算例(超完备和欠完备)条件下,通过一次迭代训练学习可实现Hadamard门H、相位门S、受控非门CNOT、π/8门T这些基本量子门功能,这些基本量子门是构成任意量子门的标准集合,因此理论上该算法也能够实现任意量子门功能.最后,通过选择一个由多个基本量子门构成的组合门作为实例,以及随机选取一个训练集对算法的通用性进行了进一步验证.