基于二次最优阈值近似消息传递法的蒸发波导去噪重构

针对蒸发波导时空态势感知过程中,压缩感知观测阶段混入噪声对高精度重构产生不利影响的问题,提出了基于二次最优阈值的近似消息传递法。所提方法综合了软、硬阈值函数的优势,设计了一种二次稳固阈值函数,改善AMP算法的重构性能,并在近似消息传递法的迭代过程中加入了基于共轭梯度法的最优阈值设置策略,加快收敛速度。理论分析和实验表明,所提算法比现有的几种主流重构算法的收敛速度更快,去噪重建误差更小。

基于深度学习LDAMP网络的量子状态估计

设计出一种基于学习去噪的近似消息传递(Learned denoising-based approximate message passing,LDAMP)的深度学习网络,将其应用于量子状态的估计.该网络将去噪卷积神经网络与基于去噪的近似消息传递算法相结合,利用量子系统输出的测量值作为网络输入,通过设计出的带有去噪卷积神经网络的LDAMP网络重构出原始密度矩阵,从大量的训练样本中提取各种不同类型密度矩阵的结构特征,来实现对量子本征态、叠加态以及混合态的估计.在对4个量子位的量子态估计的具体实例中,分别在无和有测量噪声干扰情况下,对基于LDAMP网络的量子态估计进行了仿真实验性能研究,并与基于压缩感知的交替方向乘子法和三维块匹配近似消息传递等算法进行估计性能对比研究.数值仿真实验结果表明,所设计的LDAMP网络可以在较少的测量的采样率下,同时完成对4种量子态的更高精度估计.