期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于量子卷积神经网络的图像识别新模型
被引量:
4
1
作者
范兴奎
刘广哲
+3 位作者
王浩文
马鸿洋
李伟
王淑梅
《电子科技大学学报》
EI
CAS
CSCD
北大核心
2022年第5期642-650,共9页
为了解决卷积神经网络对内存和时间效率要求越来越高的问题,提出一种面向数字图像分类的新模型,该模型为基于强纠缠参数化线路的量子卷积神经网络。首先对经典图像进行预处理和量子比特编码,提取图像的特征信息,并将其制备为量子态作为...
为了解决卷积神经网络对内存和时间效率要求越来越高的问题,提出一种面向数字图像分类的新模型,该模型为基于强纠缠参数化线路的量子卷积神经网络。首先对经典图像进行预处理和量子比特编码,提取图像的特征信息,并将其制备为量子态作为量子卷积神经网络模型的输入。通过设计模型量子卷积层、量子池化层、量子全连接层结构,高效提炼主要特征信息,最后对模型输出执行Z基测量,根据期望值完成图像分类。实验数据集为MNIST数据,{0,1}分类和{2,7}分类准确率均达到了100%。对比结果表明,采用平均池化下采样的三层网络结构的QCNN模型具有更高的测试精度。
展开更多
关键词
量子
计算
图像分类
量子卷积神经网络
参数化
量子
电路
下载PDF
职称材料
基于参数化量子电路的量子卷积神经网络模型及应用
被引量:
2
2
作者
郑瑾
高庆
+2 位作者
吕颜轩
董道毅
潘宇
《控制理论与应用》
EI
CAS
CSCD
北大核心
2021年第11期1772-1784,共13页
量子神经网络结合了量子计算与经典神经网络模型的各自优势,为人工智能领域的未来发展提供了一种全新的思路.本文提出一种基于参数化量子电路的量子卷积神经网络模型,能够针对欧几里得结构数据与非欧几里得结构数据,利用量子系统的计算...
量子神经网络结合了量子计算与经典神经网络模型的各自优势,为人工智能领域的未来发展提供了一种全新的思路.本文提出一种基于参数化量子电路的量子卷积神经网络模型,能够针对欧几里得结构数据与非欧几里得结构数据,利用量子系统的计算优势加速经典机器学习任务.在MNIST数据集上的数值仿真结果表明,该模型具有较强的学习能力和良好的泛化性能.
展开更多
关键词
量子
机器学习
量子
神经网络
量子卷积神经网络
量子
图
卷积
神经网络
下载PDF
职称材料
二维量子卷积计算
被引量:
1
3
作者
闫茜茜
王鹏程
刘兴云
《量子光学学报》
北大核心
2020年第4期327-333,共7页
目前一维量子卷积计算不能满足当前机器学习、图像识别等算法的要求。由于量子卷积神经网络模型主要是处理多维信息,有必要将一维量子卷积的维数推广到二维,进行二维量子卷积计算的研究,使得量子卷积计算不受维数的影响,可以更好地应用...
目前一维量子卷积计算不能满足当前机器学习、图像识别等算法的要求。由于量子卷积神经网络模型主要是处理多维信息,有必要将一维量子卷积的维数推广到二维,进行二维量子卷积计算的研究,使得量子卷积计算不受维数的影响,可以更好地应用于量子卷积神经网络。在量子计算中,量子态的叠加和纠缠使量子计算具有并行计算的能力,与一维量子卷积相比,二维量子卷积在并行计算中具有更高的优势,二维量子卷积计算更适合目前量子卷积神经网络中量子卷积层的研究与设计。在一维量子卷积计算的基础上,基于量子图像表示方法,探究了二维量子卷积计算的量子线路设计,设计了通用的二维量子卷积线路模型。由于经典信息不能直接用于量子计算,首先将经典信息进行量子化编码,处理后的量子信息输入到二维量子卷积计算的量子电路中,完成概率幅和加法计算,最后通过测量得到量子卷积的结果。二维量子卷积算法大大减少了卷积计算的步骤,提高了计算速度,增加了信息的存储空间。为量子卷积神经网络模型中量子卷积层的设计规则提供了理论依据,为高维量子卷积计算提供了参考和可能的途径。
展开更多
关键词
量子
门
量子
线路
量子卷积神经网络
原文传递
题名
基于量子卷积神经网络的图像识别新模型
被引量:
4
1
作者
范兴奎
刘广哲
王浩文
马鸿洋
李伟
王淑梅
机构
青岛理工大学理学院
青岛理工大学信息与控制工程学院
出处
《电子科技大学学报》
EI
CAS
CSCD
北大核心
2022年第5期642-650,共9页
基金
国家自然科学基金(11975132,61772295)
山东省自然基金面上项目(ZR2021MF049)
+1 种基金
山东省自然科学基金(ZR2019YQ01)
山东省高等教育科技计划项目(J18KZ012)。
文摘
为了解决卷积神经网络对内存和时间效率要求越来越高的问题,提出一种面向数字图像分类的新模型,该模型为基于强纠缠参数化线路的量子卷积神经网络。首先对经典图像进行预处理和量子比特编码,提取图像的特征信息,并将其制备为量子态作为量子卷积神经网络模型的输入。通过设计模型量子卷积层、量子池化层、量子全连接层结构,高效提炼主要特征信息,最后对模型输出执行Z基测量,根据期望值完成图像分类。实验数据集为MNIST数据,{0,1}分类和{2,7}分类准确率均达到了100%。对比结果表明,采用平均池化下采样的三层网络结构的QCNN模型具有更高的测试精度。
关键词
量子
计算
图像分类
量子卷积神经网络
参数化
量子
电路
Keywords
image classification
parameterized quantum circuit(PQC)
quantum computing
quantum convolutional neural network(QCNN)
分类号
TP301 [自动化与计算机技术—计算机系统结构]
下载PDF
职称材料
题名
基于参数化量子电路的量子卷积神经网络模型及应用
被引量:
2
2
作者
郑瑾
高庆
吕颜轩
董道毅
潘宇
机构
北京航空航天大学自动化科学与电气工程学院
德国杜伊斯堡埃森大学自动控制与复杂系统所
新南威尔士大学工程与信息技术学院
浙江大学控制科学与工程学院智能系统与控制研究所
出处
《控制理论与应用》
EI
CAS
CSCD
北大核心
2021年第11期1772-1784,共13页
基金
国家自然科学基金项目(61903016,61803132,62173296)
德国亚历山大·冯·洪堡基金项目资助。
文摘
量子神经网络结合了量子计算与经典神经网络模型的各自优势,为人工智能领域的未来发展提供了一种全新的思路.本文提出一种基于参数化量子电路的量子卷积神经网络模型,能够针对欧几里得结构数据与非欧几里得结构数据,利用量子系统的计算优势加速经典机器学习任务.在MNIST数据集上的数值仿真结果表明,该模型具有较强的学习能力和良好的泛化性能.
关键词
量子
机器学习
量子
神经网络
量子卷积神经网络
量子
图
卷积
神经网络
Keywords
quantum machine learning
quantum neural network
quantum convolutional neural network
quantum graph convolutional neural network
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
二维量子卷积计算
被引量:
1
3
作者
闫茜茜
王鹏程
刘兴云
机构
湖北师范大学物理与电子科学学院
出处
《量子光学学报》
北大核心
2020年第4期327-333,共7页
文摘
目前一维量子卷积计算不能满足当前机器学习、图像识别等算法的要求。由于量子卷积神经网络模型主要是处理多维信息,有必要将一维量子卷积的维数推广到二维,进行二维量子卷积计算的研究,使得量子卷积计算不受维数的影响,可以更好地应用于量子卷积神经网络。在量子计算中,量子态的叠加和纠缠使量子计算具有并行计算的能力,与一维量子卷积相比,二维量子卷积在并行计算中具有更高的优势,二维量子卷积计算更适合目前量子卷积神经网络中量子卷积层的研究与设计。在一维量子卷积计算的基础上,基于量子图像表示方法,探究了二维量子卷积计算的量子线路设计,设计了通用的二维量子卷积线路模型。由于经典信息不能直接用于量子计算,首先将经典信息进行量子化编码,处理后的量子信息输入到二维量子卷积计算的量子电路中,完成概率幅和加法计算,最后通过测量得到量子卷积的结果。二维量子卷积算法大大减少了卷积计算的步骤,提高了计算速度,增加了信息的存储空间。为量子卷积神经网络模型中量子卷积层的设计规则提供了理论依据,为高维量子卷积计算提供了参考和可能的途径。
关键词
量子
门
量子
线路
量子卷积神经网络
Keywords
quantum gate
quantum circuit
quantum convolutional neural network
分类号
O413 [理学—理论物理]
TP301 [自动化与计算机技术—计算机系统结构]
原文传递
题名
作者
出处
发文年
被引量
操作
1
基于量子卷积神经网络的图像识别新模型
范兴奎
刘广哲
王浩文
马鸿洋
李伟
王淑梅
《电子科技大学学报》
EI
CAS
CSCD
北大核心
2022
4
下载PDF
职称材料
2
基于参数化量子电路的量子卷积神经网络模型及应用
郑瑾
高庆
吕颜轩
董道毅
潘宇
《控制理论与应用》
EI
CAS
CSCD
北大核心
2021
2
下载PDF
职称材料
3
二维量子卷积计算
闫茜茜
王鹏程
刘兴云
《量子光学学报》
北大核心
2020
1
原文传递
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部