没有合适的资源?快使用搜索试试~ 我知道了~
首页2009年量子神经网络模型与超线性收敛学习算法
本文主要探讨了一种创新的量子神经网络模型及其学习算法在2009年的研究成果。作者李盼池基于生物神经元的信息处理机制和量子计算原理,设计了一种独特的量子神经元模型。这个量子神经元由四个关键部分构成:加权、聚合、激活和激励。加权代表了对输入信号的量化处理,聚合则负责整合来自其他量子神经元的信号,激活函数则模拟神经元的响应状态,而激励则是对网络整体性能的调控。 在构建量子神经网络时,该模型采用三层结构,输入和输出都是实值向量,而权值和活性值则使用量子比特进行表示。这是将量子计算的优势——高并行性和纠缠态的特性应用于神经网络中的尝试,以提高计算效率和处理复杂问题的能力。 文章的核心内容在于提出了一个超线性收敛的学习算法,这是对传统神经网络优化算法的量子化改进。梯度下降法在这里被应用于调整量子神经网络的参数,以实现模型的训练和性能优化。这种算法的特点是能够快速且准确地收敛到最优解,对于解决复杂的优化问题具有重要意义。 作者通过模式识别和函数逼近两种仿真任务来验证模型的有效性和学习算法的性能。结果显示,该量子神经网络模型以及其学习算法在处理这些问题上表现出了显著的优势,证明了其在实际应用中的可行性。 这篇论文不仅展示了量子计算与神经网络结合的新思路,也为量子机器学习领域开辟了新的研究方向。它对量子神经网络模型的设计、优化算法以及其实验验证提供了有价值的参考,对于未来的量子计算技术发展具有重要的推动作用。中图分类号TP183表明了本文属于计算机科学与信息技术的范畴,而文献标识码A则代表了高质量的研究论文。
资源详情
资源推荐
第 26 卷第 5 期
2009 年 5 月
控 制 理 论 与 应 用
Control Theory & Applications
Vol. 26 No. 5
May. 2009
一一一种种种量量量子子子神神神经经经网网网络络络模模模型型型学学学习习习算算算法法法及及及应应应用用用
李盼池
(大庆石油学院 计算机与信息技术学院, 黑龙江 大庆 163318)
摘要: 提出一种量子神经网络模型及学习算法. 首先基于生物神经元信息处理机制和量子计算原理构造出一种
量子神经元, 该神经元由加权、聚合、活化、激励四部分组成. 然后由量子神经元构造出三层量子神经网络模型, 其
输入和输出为实值向量, 权值和活性值为量子比特. 基于梯度下降法构造了该模型的超线性收敛学习算法. 通过模
式识别和函数逼近两种仿真结果表明该模型及算法是有效的.
关键词: 量子计算; 量子神经元; 量子神经网络; 超线性收敛
中图分类号: TP183 文献标识码: A
A learning algorithm and its applications to
the quantum neural network model
LI Pan-chi
(School of Computer and Information Technology, Daqing Petroleum Institute, Daqing Heilongjiang 163318, China)
Abstract: A quantum neural network model and its learning algorithm are presented. According to the information
processing mode of the biology neuron and the quantum computing theory, we first propose a quantum neuron model
which includes weighting, aggregating, activating, and prompting. Secondly, the quantum neural network model based
on quantum neuron is constructed in which both the input and the output are real vectors and both the linked weight
and the activation value are qubits. Using gradient descent algorithm, we also propose a super-linearly convergent learning
algorithm of the quantum neural network. Finally, the availability of the approach is illustrated by two application examples
of pattern recognition and function approximation.
Key words: quantum computing; quantum neuron; quantum neural network; super-linear convergence
文文文章章章编编编号号号:1000−8152(2009)05−0531−04
1 引引引言言言(Introduction)
自从1989年多层神经网络被证明是连续函数的
一致逼近器以来, 人工神经网络研究得到了长足发
展, 现已被广泛应用于各个研究领域. 但也暴露了不
少问题, 主要是因为它建立在及其简化的神经元模
型之上, 因此难于更好地满足信息量和信息复杂度
增加的需求
[1]
. 量子计算的概念自20世纪80年代初
被首次提出之后, 以其独特的计算性能引起了广泛
瞩目, 并迅速成为研究的热点
[2,3]
. 目前越来越多的
研究者注意到, 量子理论在大脑神经系统中可能扮
演着一种至关重要的角色, 将ANN和量子理论相结
合会更好地模拟人脑的信息处理过程
[4]
. 因此量子
神经网络(quantum neural networks, QNN)现已成为
一个极富前景的崭新研究领域. 本文提出一种具有
量子特性权值和活性值的QNN模型及算法. 仿真结
果表明, 该模型及算法优于普通3层BP网络.
2 量量量子子子神神神经经经网网网络络络模模模型型型(Quantum neural net-
works model)
2.1 量量量子子子神神神经经经元元元模模模型型型(Quantum neuron model)
本文提出的量子神经元模型包括加权、聚合、活
化、激励4部分. 其中, 加权是对神经细胞突触之间
结合强度的模拟; 聚合是对多个树突接收到的刺激
进行时空整合的模拟; 活化是对神经细胞由刺激引
发的膜电位变化与当前活性值相互作用效果的模
拟; 激励是对神经细胞的兴奋、抑制、疲劳、不应期
以及阈值等非线性特性的模拟
[5]
; 模型如图1所示.
图中|φ
i
>为对x
i
的加权, |ϕ>为活性值, Σ为聚合算
子, F 为活化函数, f 为激励函数.
记X = (x
1
, x
2
, · · · , x
n
)
T
为 输 入 向 量; y为 输
收稿日期: 2007−06−25; 收修改稿日期: 2008−12−03.
基金项目: 国家自然科学基金资助项目(60773065).
下载后可阅读完整内容,剩余3页未读,立即下载
weixin_38702515
- 粉丝: 12
- 资源: 927
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- ASP.NET数据库高级操作:SQLHelper与数据源控件
- Windows98/2000驱动程序开发指南
- FreeMarker入门到精通教程
- 1800mm冷轧机板形控制性能仿真分析
- 经验模式分解:非平稳信号处理的新突破
- Spring框架3.0官方参考文档:依赖注入与核心模块解析
- 电阻器与电位器详解:类型、命名与应用
- Office技巧大揭秘:Word、Excel、PPT高效操作
- TCS3200D: 可编程色彩光频转换器解析
- 基于TCS230的精准便携式调色仪系统设计详解
- WiMAX与LTE:谁将引领移动宽带互联网?
- SAS-2.1规范草案:串行连接SCSI技术标准
- C#编程学习:手机电子书TXT版
- SQL全效操作指南:数据、控制与程序化
- 单片机复位电路设计与电源干扰处理
- CS5460A单相功率电能芯片:原理、应用与精度分析
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功