【摘 要】
：
机器学习近几十年来一直是人工智能的一个热门领域,基于机器学习的图像生成和分类算法也得到了广泛的应用。随着大数据时代数据规模的爆炸式增长,机器学习算法所需要的计算资源也越来越多,而计算机性能的提高却即将遇到瓶颈。与经典计算相比,量子计算有着潜在的指数级优势,是有望突破计算性能瓶颈的重要方向。因此,将机器学习与量子计算相结合是使机器学习适应大数据时代的一个有效途径。将机器学习中的生成对抗网络算法或卷积
论文部分内容阅读
机器学习近几十年来一直是人工智能的一个热门领域,基于机器学习的图像生成和分类算法也得到了广泛的应用。随着大数据时代数据规模的爆炸式增长,机器学习算法所需要的计算资源也越来越多,而计算机性能的提高却即将遇到瓶颈。与经典计算相比,量子计算有着潜在的指数级优势,是有望突破计算性能瓶颈的重要方向。因此,将机器学习与量子计算相结合是使机器学习适应大数据时代的一个有效途径。将机器学习中的生成对抗网络算法或卷积神经网络算法与量子计算相结合,本文构建了用于图像处理的量子生成对抗网络和量子卷积神经网络。本文的具体研究工作如下:基于生成对抗学习策略和重映射方法,设计了一种通过学习离散分布生成图像的量子生成对抗网络。该量子生成对抗网络包含一个量子生成器与一个经典判别器。针对经典数据生成任务的特点,该量子生成对抗网络优化了量子生成器的变分量子线路设计,在保证模型生成能力未明显下降的同时减少了大量参数。将经典图像的灰度值转化为离散概率分布,通过对抗学习使量子生成器所生成量子状态的概率幅趋近于目标概率分布,再从生成概率分布中还原出图像。重映射方法将图像原本复杂的多峰分布转化为简单的单峰分布,在MNIST手写数字图像数据集与Fashion-MNIST服饰图像数据集上的实验表明,重映射方法能大幅提升量子生成对抗网络生成的图像质量。受卷积神经网络的卷积与池化操作启发,设计了一种纯变分量子线路的量子卷积神经网络。基于数据降维技术将高维的图像数据映射至合适的低维空间,并将低维空间中的数据编码到变分量子线路。结合角度编码和幅度编码的优势,提出了一种能够灵活调整数据编码所需量子线路宽度和深度的树形结构混合幅度编码方式。实验表明该编码方式具有较为稳定的编码性能。通过收集量子生成对抗网络所生成的图像,创建了用于量子卷积神经网络训练的人工数据集,验证了量子生成对抗网络用于图像数据集扩充的可行性。在MNIST与Fashion-MNIST数据集上的实验结果表明,与经典卷积神经网络相比,量子卷积神经网络具有更快的收敛速度和更高的图像分类准确率。
其他文献
在数字图像的传输过程中,数字图像（如与军事、医疗、人脸相关的数字图像等）可能携带需要防止泄漏的敏感信息。因此,数字图像信息的安全是非常重要的。为了确保数字图像信息的安全,可以使用图像加密、图像水印和图像隐写等技术。图像加密在信息传输的过程中发挥着重要作用,它是将原始图像转换为视觉上无意义的表示。目前,深度学习已经在各个领域得到了广泛应用,本文提出了两种基于深度学习与混沌系统的图像加密算法。主要研究
无线电能传输（Wireless Power Transfer,WPT）作为一种新型的供电方式,有着安全、便捷、高效等优点,广受研究和市场青睐。负载无关恒压（Constant Voltage,CV）输出或恒流（Constant Current,CC）输出是无线电能传输（WPT）的重要应用场景。在多负载WPT系统中,充电设备不止一个、充电需求不止一种、充电时充电设备会频繁的移入和移除。因此,为了应对W
正交频分复用（OFDM）波形外辐射源雷达是一种通过被动接收非协作方发射的OFDM波形信号来对目标进行跟踪或定位的双/多基地雷达。然而,此雷达的目标信息提取过程面临着弱目标被同时接收到的直达波和多径回波所淹没的问题。针对这一问题,传统信号处理方法利用雷达回波数据的稀疏性、基于压缩感知重构算法来提取弱目标信息,但这些方法需要人工设置基矩阵和正则化参数等。随着人工智能的崛起和迅速发展,许多学者开始结合深
随着人工智能和工程设计等诸多领域的发展,与之相关的优化问题也越来越复杂。因此,许多先进的群智能算法被用来解决优化问题,其中具有高灵活性和强适应性的粒子群优化算法是改进大多数优化算法的基础。然而,传统的粒子群优化算法在复杂的高维优化问题中的搜索性能较差,在迭代的过程中无法更新群体样本,使种群更容易处于局部最优状态。结合量子信息理论,研究人员对量子粒子群优化算法展开了研究。本文以现有的量子粒子群优化算
提取有效的声学特征对于提升说话人识别系统的性能至关重要,通常,频域特征可以通过梅尔滤波器组从语音信号中提取出来,并且通过改变梅尔滤波器组中的三角滤波器的个数,可以提取不同尺度的频域特征,这些特征所包含的说话人信息存在差异,所以不同尺度的频域特征之间存在互补特性。本文利用深度学习方法,主要研究了基于多尺度频域特征和并行神经网络的说话人识别方法。论文的主要工作如下:1.提出了一种基于多尺度频域特征和并
信息技术的日益发展使人们进入了大数据时代,在各种各样的数据中,图像是人们生活中最常用的一种信息载体。随着图像数据量的大量增加,亟需对图像进行高性能的去噪与生成处理以应对处理速度慢和处理效果差的问题。因此,本文结合量子计算和深度学习设计了图像去噪与生成两种算法。本文的主要工作如下:基于卷积自编码器和残差学习,提出了一种图像去噪算法。卷积自编码器的编码层采用卷积层和最大池化层交替的结构,而解码层采用卷
科学技术的日新月异带来无线通信的飞速发展,在无人机通信场景下,用户不再满足于简单的点对点交换信息的需求。各种大量计算密集型应用应运而生,给无人机通信带来许多机遇与挑战。移动边缘计算（Mobile Edge Computing,MEC）技术为无人机通信的场景寻求到技术上的创新和突破。在通信任务过大的情况下,搭载了移动边缘计算服务器的设备可以帮助通信终端卸载一部分任务至移动网络边缘,从而缓解通信压力和
相位编码波形是雷达探测系统中一种经典的发射波形,具备相关特性好、构造简单等优点。相位编码波形集中的互补码（Complementary Code,CC）波形集和完全互补码（Complete Complementary Code,CCC）波形集,在多普勒为零时,具备完美的非周期自相关和互相关特性,使得匹配滤波结果没有距离旁瓣,对静止目标具备优异的检测性能。然而,已有的CC和CCC波形集存在着一些局限性
下一代移动通信对能量效率、数据速率和覆盖范围等性能指标具有更高的要求,这意味着有限的频谱、能量资源与日益增长的通信业务需求之间的矛盾亟待解决。协作中继技术是解决上述问题最具潜力的方案之一。然而,参与协作的中继可能是不受信任的,此时通信系统既要中继协助转发消息又要对中继保密。因此,解决无线网络的开放性与无线通信的保密性之间的矛盾同样迫在眉睫。最近,智能超表面（Reconfigurable Intel
在数字扫描激光光片显微镜中,使用无衍射艾里光束进行照明具有抗散射和成像视场大的优点。但一般的艾里光片成像依赖于去卷积的方法来校正光束弯曲造成的图像畸变和消除不对称旁瓣造成的离焦噪声。相比于一般的艾里光片,平面艾里光片沿光束传播方向不再弯曲,旁瓣也关于焦面对称分布,不再依赖去卷积处理进行成像,这拓展了艾里光束的应用。但为了消除平面艾里光片显微镜中离焦噪声,目前主要使用非线性的双光子激发方法。本文聚焦