量子Hopfield神经网络及图像识别

传统的Hopfield网络的存储容量是神经元个数的0·14倍(P=0·14N)。由于它在识别大量的图像或模式时遇到了巨大的困难,所以研究人员一直在寻找新的方法。由量子计算和神经网络结合而产生的量子神经网络是新兴和前沿的学科之一。为了提高图像识别的速度和增加图像识别量,在分析了量子线性叠加特性的基础上,提出了一种用于存储矩阵元素的基于概率分布的量子Hopfield神经网络,它在存储容量或记忆容量上提高到了神经元个数的2N倍,比传统的Hopfield神经网络有了指数级的提高。通过图像识别的实例分析和仿真试验的结果表明,该量子Hopfield神经网络能有效地识别图像或模式,并且工作过程符合量子演化过程。

一种新型复合指数型局部有源忆阻器耦合的Hopfield神经网络

由忆阻耦合的神经网络模型,因其能更真实地反映生物神经系统的复杂动力学特性而被广泛研究.目前用于耦合神经网络的忆阻器数学模型主要集中在一次函数、绝对值函数、双曲正切函数等,为进一步丰富忆阻耦合神经网络模型,且考虑到一些掺杂半导体中粒子的运动规律,设计了一种新的复合指数型局部有源忆阻器,并将其作为耦合突触用于Hopfield神经网络,利用基本的动力学分析方法,研究了系统在不同参数下的动力学行为,以及在不同初始值下多种分岔模式共存的现象.实验结果表明,忆阻突触内部参数对系统具有调控作用,且该系统拥有丰富的动力学行为,包括对称吸引子共存、非对称吸引子共存、大范围的混沌状态和簇发振荡等.最后,用STM32单片机对系统进行了硬件实现.

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。

基于卷积神经网络的高效量子态层析方法

通过系统梳理多种量子态层析技术的重构算法,并结合MATLAB数值模拟,比较并分析了线性重构与回归估计、极大似然估计,以及基于深度神经网络量子态层析方法的重构效果.结果表明:基于卷积神经网络重构算法在1~3量子比特时,能够用较短时间均实现>99.5%的保真度;相较于其他经典重构算法,基于卷积神经网络重构算法在算法复杂度及保真度上具有显著优势;又因其对复杂模型具有较好的拟合能力,且辅助解决了估计密度矩阵中出现负本征值的问题,使得重构所得估计密度矩阵全部具有物理意义.

离散Hopfield神经网络在职业院校学生综合素养评价中的应用研究

为克服教育评估中人为因素的干扰,提高评估的准确性和效率,该文探索将离散Hopfield神经网络应用到职业院校学生综合素养的评价中。Matlab仿真发现,通过设置合适的神经元平衡点,离散Hopfield神经网络可根据输入的指标数据对学生的职业综合素养给出有效的评估,评估结果与专家评估的结果完全一致。

基于BP神经网络的测量设备无关协议参数预测

针对传统参数优化方法计算开销大,不能满足实时性要求高、计算量大等应用场景的问题,结合当今主流的机器学习方法,提出了一种改进的基于BP神经网络的参数优化方法,利用本地搜索算法的数据训练网络并对参数进行预测,替代传统的查找算法,从而获得更好的实时性和更低的计算复杂度,随后与基于随机森林和XGBoost的方法进行了比较。仿真结果表明,BP神经网络预测所得各参数的均方误差数量级为10^(-6)或更小,由该参数计算所得密钥生成率与最优密钥生成率比值的均值为0.998 8,且该应用中BP神经网络相对随机森林和XGBoost具有更好的预测性能。

随机时滞Hopfield神经网络分步θ方法的一般衰减率稳定性

旨在研究随机时滞Hopfield神经网络分步θ方法的一般衰减率稳定性。当θ∈[0,1/2)时,在步长受限的条件下,随机时滞Hopfield神经网络分步θ方法是一般衰减率稳定的。对于θ∈[1/2,1],不需要额外的步长要求,即可保证随机时滞Hopfield神经网络分步θ方法的一般衰减率稳定性。最后,通过一个数值例子验证所得结果的有效性。

概反周期函数及其在一类Hopfield神经网络上的应用

探讨一类具有混合时滞的中立型Hopfield神经网络的概反周期解的存在性与稳定性。首先,讨论了概周期函数与概反周期函数之间的关系,证明了全体概反周期函数构成的集合,是概周期函数空间的一个闭子空间。最后,利用不动点原理得到Hopfield神经网络存在一个唯一的有界解,而且该解函数还是概反周期函数。概反周期函数是比概周期函数更精细的函数,对神经网络概反周期解的存在性与唯一性的探讨,相较于对概周期解的存在性以及唯一性的探讨,能够更加精确地描述神经网络的动力学性质,所得结论是新颖的,是现有结论的进一步完善与补充。

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。

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。

改进离散Hopfield神经网络在煤矿人因评估中的应用

为了预防和控制煤矿人因事故发生,将离散Hopfield神经网络应用于煤矿人因安全评估中。首先根据人因分析与分类系统(Human Factors Analysis and Classification System,HFACS)模型建立煤矿人因安全风险评估体系,体系包含多个指标;其次是构建输入矩阵,借助模糊综合评价法对评估指标量化编码;最后,运用学习率优化的离散Hopfield神经网络展开煤矿人因安全评估,以模型输出结果确定评估对象风险等级。将构建的煤矿人因安全评估模型与传统评估方法进行比较,结果表明该模型合理有效,可用于煤矿人因安全评估,为煤矿人因安全管理提供依据。

基于一类新型激活函数的递归神经网络的多稳定性分析

本研究基于一类新型连续锯齿型激活函数研究了递归神经网络(Hopfield神经网络)的多稳定性。首先,通过区间剖分法、Brouwer不动点定理证明了基于该激活函数的n维神经网络模型至少具有7n个平衡点,并运用对角占优矩阵理论、局部稳定性判定定理等方法证明了其中4n个平衡点是局部指数稳定的,剩余的平衡点是不稳定的。其次,通过增加锯齿型激活函数的峰值点将激活函数推广到更一般的情况,得到了n维神经网络在含有k个峰值点的连续锯齿型激活函数中至少具有(2k+1)n个平衡点,其中(k+1)n个平衡点为局部稳定的。本研究设计的激活函数相较于现有的一些激活函数会产生更多的稳定平衡点,并且在增加峰值点的过程中不会增加神经网络的计算复杂度。最后,通过两个具体的数值算例验证了本研究结果的有效性。

基于BP神经网络模型的呼出气δ^(13)C、δ^(18)O同位素丰度测量方法研究

碳13(^(13)C)尿素呼气试验在国内外作为检测幽门螺旋杆菌的“金标准”已被广泛采用,精准测量CO_(2)中碳(C)和氧(O)同位素特征对疾病诊断具有重大意义。可调谐半导体激光吸收光谱技术(TDLAS)具有结构简单、响应速度快、灵敏度高等众多优点,在多个领域得到广泛应用,同时完全适用于气体同位素的测量研究。该研究面向人体呼出气体中的CO_(2)气体检测需求,基于直接吸收光谱技术,采用中心波长为4.32μm的量子级联激光器(QCL)结合光程为14 cm/44 mL的小容积气体吸收腔体,完成了同时测量^(16)O^(12)C^(16)O、^(18)O^(12)C^(16)O和^(16)O^(13)C^(16)O的多组分同位素气体浓度的实验系统。基于反向传播(BP)神经网络模型,降低直接吸收光谱系统中光源稳定性和测量样品气体波动带来的噪声干扰。结果表明:基于BP神经网络模型的同位素丰度测量精度与稳定性均优于吸光度峰值比法,^(16)O^(13)C^(16)O与^(18)O^(12)C^(16)O的浓度测量精度分别提高约1.27与1.58倍。Allan方差分析表明,当积分时间为106 s时,采用BP神经网络模型的^(13)C与^(18)O同位素丰度测量精度分别为0.97‰和1.47‰,相比吸光度峰值比法测量精度提高了约2.1倍与1.2倍。充分证明了基于BP神经网络模型的同位素丰度测量方法的可行性,为研制高精度同位素丰度传感器奠定基础。

双通道量子脉冲耦合神经网络

脉冲耦合神经网络(PCNN)在图像处理领域应用广泛,改进的双通道脉冲耦合神经网络(DPCNN)也在图像融合领域具有优异性能。为了将量子计算的优异并行性能与双通道脉冲耦合神经网络相结合,降低其算法复杂度,提出了双通道量子脉冲耦合神经网络(DQPCNN)。该模型使用量子逻辑门构建量子模块,如量子全加器、量子乘法器和量子比较器,构建了一个适用于DQPCNN的量子图像卷积模块,并采用这些模块完成DQPCNN所需的计算。通过仿真实验证明了DQPCNN的有效性,DQPCNN的复杂度与其他模型相比具有明显优势。

机车牵引齿轮系统混沌运动的径向基函数神经网络控制

针对HXD2牵引齿轮系统运行性能监控需求,建立了单自由度牵引齿轮系统动力学模型并结合分岔图、相图和Poincaré截面图分别分析了阻尼系数、啮合刚度的变化对系统周期性响应的影响。基于径向基函数神经网络设计了混沌控制器,同时控制器的参数用量子粒子群算法进行优化,并通过对阻尼系数施加微幅扰动,将系统混沌运动控制为稳定的周期运动。

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.

负阻态忆阻Hopfield神经网络动力学

人类大脑是一个高度复杂且规模庞大的非线性动力学系统,其动力学行为与人类智能活动密切相关。基于忆阻器的人工神经网络不仅可以很好地模拟人脑工作机制,而且其非线性特性可以为神经网络带来更为丰富的动力学行为。为了进一步发挥神经网络的优势,引入一种新的具有负阻态功能的忆阻器模型,该模型打破了原有忆阻器的阻态极性限制,为忆阻器扮演神经网络突触仿生器件提供了更加丰富的变化性能。在对忆阻器模型分析的基础上,提出了一种新的忆阻Hopfield神经网络(HNN),进一步加强了HNN的负反馈功能,使之表现出更加丰富和复杂的动力学行为。实验结果表明,新忆阻HNN拥有较为丰富的动力学行为,具有一定的混沌特性。在不同的忆阻器参数以及权值矩阵取值条件下,观察系统的相位轨迹图、Lyapunov指数的变化情况,并与同类型网络进行对比,进一步证明提出的神经网络的有效性,同时复杂的动力学特性也为在数据处理、图像加密等方面的应用提供了研究支撑。

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。

一种新型绝对值忆阻耦合自突触Hopfield神经网络的动力学分析及其电路实现

神经元作为大脑基本的组成单元能够产生复杂的动力学行为。目前大部分的研究是关于两个神经元系统的忆阻耦合突触,而忆阻耦合自突触权重的单神经元模型的研究相对较少。本文提出了绝对值忆阻耦合自突触权值的Hopfield神经网络(HNN)模型,以自耦合权重作为唯一的调节参数。利用基本的动力学分析方法,讨论了不同耦合强度下系统的动力学行为,研究了不同初始值下对称吸引子的共存行为。结果表明,这些丰富的非线性动力学行为包括周期倍增分岔、混沌、周期窗和对称自激吸引子共存。最后,通过PSpice仿真验证了所提出的忆阻HNN的理论分析结果的正确性。

基于BP神经网络的经典-量子信号共纤同传系统参数预测

光纤量子密钥分发的应用推广取决于与现有光网络的兼容性,而利用波分复用技术将经典数据和量子信号进行共纤传输兼备安全性、经济性和实用性等优势。针对经典-量子信号共纤同传系统中信号态平均光子数、诱骗态种类数量等参数最优取值处理困难、运行速度缓慢等影响其实用化的突出问题,建模分析了主要噪声成分,并在考虑统计波动影响下对有限长效应和诱骗态方法进行了评估。进而利用原始信号数据集对反向传播(BP)神经网络进行训练,以实现不同信道噪声条件下的信号态平均光子数等系统参数的预测。结果表明,该网络输出的预测平均光子数取值与原始曲线取值结果基本一致,训练误差小于10-3。该网络可作为一种有效模型用于实用化诱骗态经典-量子共纤同传系统参数预测,对量子保密通信向着高速率、大容量、智能化发展具有潜在的应用价值。