CN119397402A 一种基于量子卷积神经网络的多分类器融合方法 （西北工业大学）

一种基于量子卷积神经网络的多分类器融本发明提供了一种基于量子卷积神经网络求大的问题和针对多分类器融合效果不佳的问的纠缠能力和可表达能力，提出了3种具有不同22.根据权利要求1所述的一种基于量子卷积神经网络的多分类器融合方法，其特征在基于参数化量子电路构建的量子卷积神经网络即为基于参数化量子3.根据权利要求1所述的一种基于量子卷积神经网络的多分类器融合方法，其特征在量子网络中通过量子特征映射将输入数据χ转换到一个不同的空间，即φ:χ→ĸ,其中4.根据权利要求1所述的一种基于量子卷积神经网络的多分类器融合方法，其特征在量子卷积滤波器包括两个量子位，量子位包括含参数同一卷积层中的量子卷积滤波器的参数化量子电路相同，量子卷积滤波器即相当于在量子卷积滤波器的基础上，构建#1量子卷积滤波器、#2量子x到|0>和|1>上，构成一个基本单元u2；将四个u2串联，组成2#量子卷积滤波器；H门为3p量子池化结构为双量子位门电路，双量子位门电路由一个CNOppppp基于#1量子卷积滤波器的量子卷积神经网络为B基于#2量子卷积滤波器的量子卷积神经网络为BC_基于#3量子卷积滤波器的量子卷积神经网络为BC5.根据权利要求1所述的一种基于量子卷积神经网络的多分类器融合方法，其特征在对于二分类任务，基分类器的输出是一个概率形式的二维向量，故首φ2>经过量子测量运算后，量子态分别以相应的概率坍缩到不同类别，即p'(H)=p',4需求也不断增加，比如卷积神经网络中的卷积过程是机器学习中资源需求的主要来源之[0010]基于参数化量子电路构建的量子卷积神经网络即为基于参数化量子电路的基分[0015]量子幅度编码电路为将N维数据x＝(x1,x2,…,xN)编码为一个n位比特的量子状5i>表示第i个基态。xpp[0031]本发明的基于参数化量子电路的卷积神经网络包括量子态制备电路、第一卷积pppp61)＝p1BC_QCNN2输出的分类结果对应的证据形式，m3为BC_QCNN3输出的分类结果对应的证据形>φ1并由此判断该样本所属类别。提出的基于量子卷积神经网络的多分类器融合方法在多个分类任务上均获得了最高的分[0059]在嘈杂中型量子时代，对量子神经网络的研究主要集中于参数化量子电路的构7量子门运算实现从量子初态到期望的量子末态的变换，同时通过量子测量操作引入非线[0064]量子幅度编码电路为将N维数据x＝(x1,x2,…,xN)编码为一个n位比特的量子状i>表示第i个基态；x8pp[0086]本发明设计的量子卷积神经网络利用量子池化电路对获得的量子态特征进行降[0088]本发明的基于参数化量子电路的卷积神经网络包括量子态制备电路、第一卷积pppp[0098]构建的BC_QCNN1、BC_QCNN2和BC_QCNN3即为三个基于参数化量子电路的基分类1)＝p1BC_QCNN2输出的分类结果对应的证据形式，m3为BC_QCNN3输出的分类结果对应的证据形9并由此判断该样本所属类别。pp并具有约束条件C。通过量子测量获得MNIST数据集中样本属于不同类别的概率p(H1)和p[0119]本发明在Fashion_MNIST数据集上进行了对比实验，分别验证基分类器的分类性能和总体多分类器融合方法的有效性。选择Fashion_MNIST数据集中不同的两个商品类