基于云模型的混合量子神经网络算法及其仿真研究

在云模型、量子算法、神经网络算法等理论研究的基础上,设计了一种以量子比特神经元为信息处理单元的多层量子神经网络——基于云模型的混合量子神经网络算法。在标准数据集上进行的实验仿真表明:混合量子算法具有量子算法轨迹行为性能的优势;同时该混合算法可将提取的特征输入到量子神经网络中对数据集进行分类。该算法改进了量子神经网络的损失函数,提高了误差分析性能。最后,通过仿真实验验证了该混合量子算法在收敛速度和鲁棒性等方面均优于量子神经网络算法。

基于混合优化算法和深度神经网络模型结合的致密砂岩气藏裂缝参数优化

水平井分段压裂是致密砂岩气藏的主要开发方式,其中水力压裂裂缝参数的合理设计对于气藏的经济效益开发至关重要。基于群智能优化算法和机器学习代理模型的自动优化方法存在所需数值模拟次数多、收敛速度慢和代理模型更新复杂等问题,且依靠现场工程师经验和正交实验等传统方法难以获得最佳的裂缝参数设计。为此,建立了一种新的基于混合优化算法和自适应深度神经网络(DNN)结合的致密气藏裂缝参数优化方法。首先,混合优化算法采用遗传算法(GA)和贝叶斯自适应直接搜索(BADS)之间循环迭代的混合策略。在自适应学习过程中,提出了以“最大平均距离点”作为最不确定解,同时辅以最有希望解和少量拉丁超立方采样解共同更新优化过程中的DNN代理模型。随后,将建立的优化方法用于非均质致密砂岩气藏裂缝参数优化。研究结果表明:(1)在标准测试函数和低维裂缝参数优化问题上,GA+BADS混合优化算法表现出了显著优于GA的寻优速度;(2)针对高维裂缝参数优化问题,GA+BADS混合优化算法在约1/2的GA总数值模拟次数下提高了131万元的经济净现值(NPV),收敛速度和寻优精度都明显增加;(3)相比于GA+BADS混合优化算法,在获得相同NPV时,自适应DNN代理加速优化可再减少24.54%的数值模拟运算次数。结论认为,该优化方法显著提升了优化效率,为解决非常规油气藏中水力压裂裂缝参数设计问题提供了一套可行且高效的智能优化方法,将有力促进非常规油气的规模效益开发。

基于混合双层自组织径向基函数神经网络的优化学习算法

针对传统方法采用先训练后测试两阶段学习机制极易导致的过拟合或欠拟合问题,提出一种基于混合双层自组织径向基函数神经网络的优化学习(hybrid bilevel self-organizing radial basis function neural network optimization learning,Hb-SRBFNN-OL)算法。首先,将训练过程和测试过程集成到一个统一的框架中,规避过拟合或欠拟合问题。其次,基于进化学习机制,提出上下2层的交互式优化学习算法,上层基于网络复杂度和测试误差自组织调整网络结构,下层采用列文伯格-马夸尔特(Levenberg Marquardt,LM)算法作为优化器对自组织径向基函数神经网络(self-organizing radial basis function neural network,SO-RBFNN)的连接权值进行优化。最后,利用来自多个子网络的综合信息生成模型的最终输出,加速网络全局收敛。为验证所提方法的可行性,分别在多个分类和预测任务中进行了测试实验。结果表明,在与传统神经网络结构相似甚至更好的测试和分类精度下,该方法不仅能实现更快的训练收敛,而且能进化成更精简紧凑的径向基函数神经网络(radial basis function neural network,RBFNN)模型。尤其在污水处理过程中总磷的质量浓度预测实验中,测试集中均方根误差(root mean squared error,RMSE)最高可降低48.90%,实际场景实验结果验证了所提算法的精确性更佳且泛化能力更强。

量子图神经网络算法在金融风控场景的实践探索

量子计算是量子信息科技中的重要领域,作为一种新兴的计算范式,有望在金融市场、生物医药、人工智能、信息安全等多个应用领域取得突破性进展,成为全球瞩目的新兴战略技术焦点。在政府相关政策的引领下,工商银行履行大行担当,积极研究量子计算金融业场景应用,首次将量子图神经网络算法用于债券风控场景,力求突破经典算力约束及算法瓶颈,探索提升金融数据处理能力和智能运算效率的量子技术解决方案,为金融行业量子机器学习的应用创新提供工行思路。

基于集成量子神经网络的大地构造环境判别与分析

量子地球科学是一门崭新的跨学科前缘专业,量子计算和量子机器学习算法为地学大数据的深度挖掘与分析带来了新的契机。其中,量子神经网络是目前最具代表性的研究方向之一,在复杂多源数据处理方面的效率与准确率尤为突出。本文以大地构造环境判别这一关键问题为切入点,利用堆叠集成算法对量子神经网络(Stacking Quantum Neural Network,S-QNN)进行了改进,并分别实现了玄武岩、辉长岩和尖晶石的构造环境智能判别;同时与四种传统算法(SVM、RF、KNN和NB)、经典神经网络(ANN)和传统量子神经网络(QNN)进行对比。结果表明,集成后的S-QNN模型在3类情况下的准确率较最优的传统算法分别提升5.67%、6.19%和13.34%,较普通的QNN模型提升3.11%、4.99%和3.84%,且更具鲁棒性和通用性。该研究反映了所提出的S-QNN在数据处理中的优势,更证实了量子机器学习算法在地球科学研究中的适用性与潜力,为量子科学与地球科学的交叉融合提供了新思路。

递归神经网络下混合属性信息推荐仿真

信息量的大幅增加,导致用户无法从推荐的海量数据中提取到所需的信息。为了解决上述问题,提出一种基于递归神经网络的混合属性信息推荐算法。通过数据预处理方法,删除没有任何信息评分的混合属性信息,并挖掘用户和混合属性信息之间的关系。采用已评分混合属性信息,融合极度梯度提升树(eXtreme Gradient Boosting, XGBoost)算法对混合属性信息分类。构建递归神经网络模型,采用梯度下降法对模型训练,获取用户对各个混合属性信息的概率值,并将其按照从大到小的顺序排列,形成推荐列表直接推送给用户完成推荐。实验结果表明,所提方法的HR值得到了提高,且NDCG取值的平均值为0.805,全面提升推荐结果的准确性。

量子自组织特征映射神经网络

自组织特征映射是典型的无监督神经网络算法。它运用竞争学习策略实现数据分类。然而当网络中神经元个数为多项式时,自组织特征映射算法训练容易受到计算力挑战。为了降低算法训练的时间复杂度,本文提出了一个量子经典混合的自组织特征映射神经网络算法,利用量子叠加性和量子纠缠性对经典算法进行加速。在神经网络训练过程中,算法利用量子相位估计和Grover搜索算法并行实现相似度计算和标签提取。理论分析表明,本文提出的量子算法相比于经典算法在数据维度上具有指数加速。

融合图神经网络与凸差优化的高效混合整数优化方法

混合整数线性规划(MILP)是一种常见的离散组合优化问题,由于决策变量定义域不连续,面对大规模算例时,大多数求解器求解时间很长。因此,在有限时间内快速获得MILP问题近似解成为重要的发展方向。本研究提出了Neural-DC,一种融合图神经网络与凸差优化的高效混合整数优化求解框架。凸差优化算法可以将原来复杂的MILP问题转化为一系列路径跟踪的线性规划问题,极大降低计算量,但是依赖于较好的初始点;而图神经网络通过二部图编码与特征提取,可以为凸差优化算法预测整数变量初始点进行热启动,这实现了神经网络与凸差优化算法的协同作用。在三个经典MILP测试问题下,Neural-DC均展示了很高的可行率与较小的对偶间隙,在求解效率上相比主流的求解器和分支定界类学习算法具有显著优势。

基于改进SFLA-Elman神经网络的电离层杂波抑制方法

针对高频地波雷达目标检测中电离层杂波的干扰问题,提出了一种基于改进混合蛙跳算法优化Elman神经网络预测抑制电离层杂波的策略。为解决混合蛙跳算法初始种群分布不均匀、收敛精度低、易陷于局部极值等问题,引入Cubic混沌映射、莱维飞行策略、非线性平衡因子和复制操作,增强种群多样性,提高算法搜索能力。利用改进后的算法和其他算法分别优化Elman神经网络预测抑制模型,结果表明,改进后的算法无论是在收敛精度和稳定性上,还是在临近距离单元电离层杂波的预测抑制上,都取得了显著的提升。在基本保留目标信号的基础上,平均信杂比较原始回波提升18.52 dB,较原始混合蛙跳算法提升1.08 dB,对于电离层杂波的抑制具有较高应用价值。

一种基于混合粒子群优化算法的深度卷积神经网络架构搜索方法

神经架构搜索(neural architecture search,NAS)技术自动寻找神经网络中各层的最佳组合和连接方式,以及各种超参数的最佳分布。该方法从搜索空间生成若干不同的卷积神经网络(CNN),使用混合粒子群优化(hybrid particle swarm optimization,HPSO)算法,将一定数目的神经网络个体视做一个群体,将每个网络个体在评价指标下的表现值视做适应度,在给定的世代数范围内,每个神经网络个体都学习自身的历史最佳适应度个体,和整个群体的最佳适应度个体,迭代改善自身的网络架构。实验结果表明,算法运行中出现的最优网络架构,在图像分类任务的多个基准数据集上,与手工设计的神经网络和以遗传算法为基础的NAS算法相比,在网络参数数量和准确率的平衡上取得了有竞争力的结果。

面向煤矿混合气体检测的神经网络算法研究进展

煤矿气体传感器用于混合气体检测时测量信号之间有交叉干扰,难以保证检测准确性。对于相同的待识别气体,传统气体识别算法的识别精度低于基于神经网络的气体识别算法,神经网络通过调整其网络层、每层神经元的数量、神经元的激活函数和各层网络之间的权重等来实现更高的气体识别精度。介绍了煤矿混合气体检测系统结构,通过构建气体传感阵列,利用其多维空间气体响应模式,并结合特定的气体识别算法,实现对混合气体的定性定量识别。重点分析了几种面向煤矿混合气体检测的神经网络算法并进行了对比分析,主要包括反向传播(BP)神经网络、卷积神经网络(CNN)、循环神经网络(RNN)、径向基函数(RBF)神经网络:BP神经网络通常可以达到较高的分类精度,然而需要训练大量的参数,训练时间长,通常为了减少时长和提高精度,可以将BP神经网络与其他算法相结合;CNN可以自动提取数据特征,精度和训练速度都优于BP神经网络,但其易于陷入局部最优;RNN可以使用更少的数据并提取更有效的特征,但容易出现梯度消失等问题;RBF神经网络具有较强的鲁棒性和在线学习能力,但其通常需要大量数据完成模型训练。神经网络算法的应用将大幅提升煤矿混合气体的检测精度,保障煤矿智能化的实现。

量子混合态的两种神经网络表示

量子信息与人工智能是近年来的两个前沿研究领域,取得了诸多改变传统科学的进展,实现这两个领域的交叉融合成为科学家关注的热点问题.尽管学者们在这方面已进行了许多探索,借助它们模拟开放多体量子系统的稳态和动力学性质,但是量子混合态的神经网络的精确表示问题仍待研究.本文致力于量子混合态的神经网络表示问题.借助两种神经网络架构,构建了具有一般输入可观测量的神经网络量子混合拟态(NNQMVS)与神经网络量子混合态(NNQMS),分别探讨了它们的性质,得到了张量积运算、局部酉运算下NNQMVS与NNQMS的相关结论.为了量化给定混合态分别由规范化的NNQMVS与NNQMS逼近的能力,分别定义了它由规范化NNQMVS与NNQMS逼近的最佳逼近度,给出了一般混合态能被规范化的NNQMVS与NNQMS表示的充要条件,并探究了能用这两种神经网络架构表示的混合态的类型,给出了相应的神经网络表示.

基于小波包-神经网络混合算法的瞬变电磁信号降噪研究

针对瞬变电磁信号容易受到电磁干扰的影响,使得数据信噪比降低,衰减曲线失真,而单一的滤波方法存在易丢失地质信息、圆滑过度等缺点,因而较难获得高精度成像结果的问题。提出基于小波包变换-BP神经网络的混合算法,利用小波包变换对信号的能量特征提取能力、分解重构能力和BP神经网络的学习和反馈能力,对瞬变电磁信号进行滤波处理。利用傅里叶变换获得瞬变电磁信号的频域特征,将受干扰信号和未受干扰信号对比,得到两者差异;利用3层小波包分解获得第3层节点能量占比,提取重构信号特征,对瞬变电磁信号进行初步的分解重构;调用训练好的神经网络模型对重构信号进行特征训练,获得最终的瞬变电磁信号。经小保当矿业有限公司二号煤矿实测数据研究表明:混合算法相比常用的S-G滤波、均值滤波等,实用性更强、准确率更高,滤波时保留了真实的地质信息,增强了资料解释的精度,应用效果较好,为资料处理过程提供了强有力的技术支持。

混合量子神经网络及其数字识别应用

为探索量子计算与神经网络交叉融合的可能性,提出一种基于混合量子经典神经网络的数字识别模型。该模型将参数化量子电路加入卷积模型实现嵌入与直接输出混合,将卷积全连接层信息作为量子层控制参数,经过系列酉变换进行特征处理。在MNIST数据集上通过数字识别实验展示该结构潜力。结合迁移学习,利用卷积网络与混合网络提取图像深层次特征并进行特征融合,改善单一卷积网络在小样本数据集上的过拟合问题。实验结果表明,该模型具有有效性、实用性和高泛化性能,直接输出混合网络和嵌入式混合网络在MNIST数据集上的识别率分别较卷积网络提高0.0398和0.0211。经过迁移学习和特征融合后的混合模型在小样本数据集上的识别率均优于单一网络,达到83%,验证了模型的学习和泛化能力。

量子混合蛙跳算法在过程神经网络优化中的应用

针对基于正交基展开的过程神经元网络参数较多,基函数展开项数和网络结构难以确定,传统BP算法不易收敛的问题,结合量子理论提出一种量子混合蛙跳算法,用于过程神经元网络的训练。该算法利用量子位的Bloch球面坐标将网络结构、网络参数和展开项数统一编码,提出沿球面上经过两点间的劣弧路径进行旋转的方法来同时更新三个优化解,并利用Hadamard门完成个体变异避免早熟,进而有效扩展解空间的搜索范围。以抽油机故障诊断和网络流量预测为例,验证了算法的有效性。

面向图像分类的混合量子长短期记忆神经网络构建方法

长短期记忆(long-short tern memory,LSTM)神经网络通过引入记忆单元来解决长期依赖、梯度消失和梯度爆炸问题,广泛应用于时间序列分析与预测.将量子计算与LSTM神经网络结合将有助于提高其计算效率并降低模型参数个数,从而显著改善传统LSTM神经网络的性能.本文提出一种可用于图像分类的混合量子LSTM(hybrid quantum LSTM,HQLSTM)网络模型,利用变分量子电路代替经典LSTM网络中的神经细胞,以实现量子网络记忆功能,同时引入Choquet离散积分算子来增强数据之间的聚合程度.HQLSTM网络中的记忆细胞由多个可实现不同功能的变分量子电路(variation quantum circuit,VQC)构成,每个VQC由三部分组成:编码层利用角度编码降低网络模型设计的复杂度;变分层采用量子自然梯度优化算法进行设计,使得梯度下降方向不以特定参数为目标,从而优化参数更新过程,提升网络模型的泛化性和收敛速度;测量层利用泡利Z门进行测量,并将测量结果的期望值输入到下一层实现对量子电路中有用信息的提取.在MNIST,FASHION-MNIST和CIFAR数据集上的图像分类实验结果表明,与经典LSTM、量子LSTM相比,HQLSTM模型获得了较高的图片分类精度和较低的损失值.同时,HQLSTM、量子LSTM网络空间复杂度相较于经典的LSTM网络实现了明显的降低.

基于改进遗传算法优化BP神经网络的表面粗糙度误差预测

随着现代制造业的发展,对工件加工质量和精度越来越追求高标准.表面粗糙度作为评价工件质量的重要指标,对工件质量和产品特性具有重要的影响.针对传统BP(Back Propagation)神经网络在训练过程中易陷入局部极小值和收敛速度慢等不足,遗传算法(Genetic Algorithm,GA)存在随机性问题,提出采用遗传算法和混合蛙跳算法(Shuffled Frog Leaping Algorithm,SFLA)结合来改进BP神经网络(记为SFLA-GA-BP)进行工件表面粗糙度误差预测.以工件表面粗糙度与砂轮粒度、砂轮转速、工件速度、进给率四要素之间的相关关系为研究目标,通过正交实验技术,分别以BP神经网络、遗传算法改进BP神经网络(记为GA-BP)和SFLA-GA-BP神经网络进行建模分析.实验结果表明,SFLA-GA-BP的均方根误差(Root Mean Squared Error,RMSE)比BP网络和GA-BP网络分别提高了1.7%和0.7%、平均绝对百分误差(Mean Absolute Percentage Error,MAPE)分别提高了2%和1.1%,平均绝对误差(Mean Absolute Error,MAE)分别提高了1%和0.6%.SFLA-GA-BP模型的预测误差相比于BP神经网络和GA-BP神经网络更加精准.故SFLA-GA-BP模型对于预测工件表面粗糙度具有更高的准确率和良好的稳定性,同时为企业减少成本,对企业智能化发展具有一定的指导意义.

基于BP神经网络的英语语音识别混合算法

随着计算机科学与技术的发展以及语言教学和学习方法的进步,计算机辅助语言学习技术使这一难题有了得以解决的可能。计算机辅助语言学习的核心是语音识别与评价技术,而语音识别技术又是关键所在。本文主要研究了基于BP神经网络的英语语音识别混合算法。本文首先介绍了BP神经网络的原理,并分析了BP神经网络在语音识别中的应用,根据英语语音识别的要求,通过对动量因子的优化,调整自适应速率,改进了BP神经网络模型。通过仿真实验结果可以得知,本文提出的IBPNN语音识别模型的识别率达到了97.2%,为语音识别的改进和优化提供了新的思路。

考虑信号统计特征的神经网络室内测距方法

针对现有神经网络测距方法易陷入局部极值而降低测距精度的问题,提出一种考虑信号统计特征的神经网络蓝牙室内测距方法:提出一种反馈-卡尔曼混合滤波算法进行数据预处理;并分析接收信号的传播特性,引入信号统计特征参数作为输入信号,构建改进麻雀搜索算法优化的埃尔曼(Elman)神经网络(ISSA-Elman)测距模型。实验结果表明,该测距方法能够有效提高测距精度,平均测距误差约为15 cm。

改进BP神经网络的混凝土构件承载力预测仿真

受到多种因素的影响,大直径混凝土受弯构件在使用期间其承载力将发生变化,为此提出大直径混凝土受弯构件承载力预测方法。确定影响大直径混凝土受弯构件承载力的五大因素,将影响因素作为输入建立用于大直径混凝土受弯构件承载力预测的BP神经网络模型,通过模拟退火-粒子群混合算法优化BP神经网络模型参数,并使用优化后BP神经网络模型完成大直径混凝土受弯构件承载力预测。实验结果表明,所提方法的大直径混凝土受弯构件承载力预测精度和效率更高,整体应用效果更好。