论文部分内容阅读
概率图模型将概率论与图论相结合,为解决不确定性问题提供了重要的途径。概率图模型的许多学习和推理算法为研究量子信息系统提供了新的方法。在量子信息领域,量子态的重构问题是量子信息的一个研究热点,概率图模型的参数学习可以估计出模型中量子态。本文将概率图模型与量子信息相结合,利用概率图模型这样的数学工具对复杂的量子系统进行建模,并利用概率图模型中的参数估计理论研究量子系统。本文的主要研究内容如下:首先,将经典概率图模型的研究方法,推广应用于量子概率图模型的研究中,探讨了一种由量子态、量子算子和测量组成的量子概率图模型,并就量子隐马尔科夫模型和量子马尔科夫随机场模型的结构、模型的参数学习展开研究。其次,研究了经典的EM(Expectation Maximization)算法原理以及适用场合,并从理论上证明了其应用于量子概率图模型参数估计中的可行性和优势。通过数值仿真利用EM算法对量子隐马尔科夫模型中隐藏量子态进行参数学习验证算法的有效性,仿真结果表明,量子态混合系数的估计误差随着迭代次数的增加而减小;随着样本数的增多,算法的收敛速度加快;表征量子态的密度矩阵的估计均方误差随着迭代步数的增多而减小最后收敛,并且算法的收敛速度较快;这说明了利用EM算法研究量子概率图模型参数学习问题具有一定的优越性。最后,初步研究了一种具有分层结构的量子马尔科夫随机场模型,从模型的结构入手,分析了量子马尔科夫随机场的结构特点,从理论上推导出这种分层结构的量子马尔科夫随机场层间量子态的递推关系并进行了实例验证。