一种基于双隐层量子线路循环单元神经网络的趋势预测方法技术

本发明专利技术涉及一种基于双隐层量子线路循环单元神经网络的趋势预测方法，包括以下步骤：构建原始运行数据的排列熵集；排列熵集输入DHL‑QCRUNN训练和预测，得到预测的排列熵集；构建各时间点预测值与实际值的排列熵误差集；将排列熵误差集输入DHL‑QCRUNN训练和预测，得到预测的归一化的排列熵误差集；反归一化处理，得到最终预测结果。本发明专利技术提出了一种新型量子神经网络——双隐层量子线路循环单元神经网络，本发明专利技术通过LM算法来更新DHL‑QCRUNN的网络参数以提高该神经网络的收敛性能，与其它人工智能方法相比，DHL‑QCRUNN具有更好的非线性逼近能力、泛化特性和更快的收敛速度，本发明专利技术用于对监控的对象的运行趋势预测，达到了较高的预测精度、预测稳定性和计算效率。

【技术实现步骤摘要】
一种基于双隐层量子线路循环单元神经网络的趋势预测方法
本专利技术涉及神经网络
，尤其涉及一种基于双隐层量子线路循环单元神经网络的趋势预测方法。
技术介绍
旋转机械(如：发动机、汽轮机等)作为在石化、电力、冶金、煤炭、核能等行业中有着广泛应用的关键设备，常常因出现各种不同形式的故障而影响其正常运转，严重时甚至会引发机毁人亡的重大事故。将先进的故障诊断技术应用到旋转机械上，可起到确保设备安全运行、节约维修费用以及防止环境污染等关键作用，具有巨大的经济效益。通常，机械设备检修方式可分为发生事故停机检修、定期停机检修、视情维修(也称为预测维修)三种。其中，视情维修由于具有后勤保障规模小、经济可承受性好、高效率以及可避免重大灾难性事故等显著优势而具有良好的发展前景。视情维修要求系统自身具有对设备故障进行预测并对其健康状态进行管理的能力，以实现“经济可承受性”的目标，由此产生了故障预测与健康管理(prognosticandhealthmanagement,PHM)的理念，而实现基于视情维修的PHM技术的关键在于故障预测。在大多数的工业PHM系统中，建立复杂部件或系统的数学或物理模型十分困难甚至无法实现，或识别模型的参数较为复杂，因此，部件或系统设计、仿真、运行和维护等各个阶段的测试、传感器历史数据就成为掌握系统性能下降的主要手段。由此，基于测试或传感器数据的数据驱动(data-driven)预测方法逐渐获得重视并取得快速发展，成为PHM领域的重要研究热点。目前，基于数据驱动的预测方法有随机系数模型，趋势估计和人工智能等方法。特别是基于人工智能的预测方法如支持向量机(SupportVectorMachine,SVM)，模糊逻辑(fuzzylogic,FL)模型，人工神经网络(ArtificialNeuralNetwork,ANN)等，由于其在生成合适模型方面的灵活性，受到了广泛的关注与欢迎。然而，这些预测方法由于各自的缺陷很难得到理想的预测结果。比如支持向量机核函数及其参数很多情况是人为选定，带有许多不确定性；模糊逻辑具有与SVM类似的问题；基于人工神经网络的预测方法中，诸如BP神经网络(Back-PropagationNeuralNetwork,BPNN)，循环神经网络(RecurrentNeuralNetwork,RNN)等经典神经网络，存在学习收敛速度慢、训练困难、网络的学习和记忆具有不稳定性等问题，而Elman神经网络(ElmanNeuralNetwork,Elman-NN)和长短时记忆神经网络(LongShortTermMemoryNeuralNetwork,LSTMNN)等RNN的变体，由于它们自身理论和结构上的缺陷，仍然难以做出准确预测。量子计算作为一种极富前景的非线性模型，被认为是改进神经计算的有效途径之一。量子神经网络利用了量子计算的一些优势特别是其并行计算特性，比经典神经网络具有更强的并行处理能力，并且在数据处理方面具有前所未有的潜在优势。因此，可以通过量子计算与新型神经网络相结合的方式来构建新型量子神经网络，然后将该新型量子神经网络应用于旋转机械预测领域来解决现有预测方法面临的预测精度和计算速度等问题，从而突破PHM技术关键难题。
技术实现思路
本专利技术所要解决的技术问题是提供一种预测精度高且网络收敛速度快的基于双隐层量子线路循环单元神经网络的趋势预测方法。为解决上述技术问题，本专利技术的技术方案是：一种基于双隐层量子线路循环单元神经网络的趋势预测方法，包括以下步骤：S1：采集监控对象的原始运行数据构建排列熵集；S2：将所述排列熵集输入双隐层量子线路循环单元神经网络进行训练和预测，得到预测的排列熵集；S3：计算各时间点实际的排列熵和预测的排列熵之间的误差，构建排列熵误差集；S4：将所述排列熵误差集归一化处理后，输入双隐层量子线路循环单元神经网络进行训练和预测，得到预测的归一化的排列熵误差集；S5：将预测的归一化的排列熵误差集进行反归一化处理，得到最终预测结果；所述方法，还包括：在步骤S2之前，构建双隐层量子线路循环单元神经网络，其中，双隐层量子线路循环单元神经网络简称为DHL-QCRUNN，具体步骤如下：S21：创建量子相移门模型，得出量子比特经过相移门变换后最新状态与初始状态之间的关系，具体如下：记量子相移门为令量子比特的初始状态则|φ0>可通过R(θ)进行如下变换：式中|φ′0>表示经过相移变换后的最新状态；S22：创建多位受控非门模型，得出在多个控制量子比特的联合控制下的目标量子比特的输出，具体如下：在量子系统中，单个量子比特的状态受多个量子比特的联合控制的动态行为，以多位受控非门Cn(X)来描述，其中，|x1>，|x2>，…|xn>是控制比特，是输入目标比特，|φ>是输出目标比特。Cn(X)的计算规则定义如下：式中，是单比特量子非门；X的指数表示x1，x2，…，xn的积，若前n个量子比特全为1，即|xi>＝|1>，则单比特量子非门X作用到使其翻转得到|φ>；设控制量子比特为|xi>＝αi|0>+βi|1>，目标量子比特输入态为则经过Cn(X)变换后的输出推导如下：式中，αi2+βi2＝1；表示张量积；由式(3)可知，Cn(X)的输出处于n+1个量子比特的纠缠态中，|φ>处于状态|1>的概率为：因此，在n个控制比特的联合控制下输出目标比特|φ>可以表示为：式中为|φ>的相位S23：由量子相移门和多位受控非门来创建量子线路循环单元，设定是t时刻的控制量子比特，是t时刻的目标量子比特输入态，是第i个量子相移门的相位，|φt>是t时刻的目标量子比特输出态，则在量子线路循环单元中，将目标量子比特输出态|φt>作为下一时刻的目标量子比特输入，即实现对输入序列的历史记忆，具体如下：令t＝1,2,…,T表示T个采样时间点，可表示为：目标量子比特输出态|φt>可表示为：根据量子相移门和多位受控非门的定义公式(1-5)，可推导出|φt>的相位如下：式中，当t＝1时，S24：创建双隐层量子线路循环单元神经网络模型，采用输出层激发态的概率幅来表示最终输出，具体如下：以表示输入序列；表示输入比特；表示第一隐层输入；表示第一隐层输出；表示第二隐层输入；为第二隐层输出；表示输出比特；表示最终输出；设为：式中，为的相位，为归一化输入样本，则，根据量子线路循环单元的输入输出关系，第一隐层和第二隐层的输入分别表示为：记第一隐层输出为：根据公式(6-8)，可推导出的相位如下：式中，j＝1,2,…,p；为的相位；当t＝1时，其中表示输入层量子相移门的相位；同理，第二隐层输出为：则的相位如下：式中，k＝1,2,…,q；为的相位；当t＝1时其中表示第一隐层量子相移门的相位；输出表示如下：式中l＝1,2,…,n,为的相位；根据公式(1-5)可推导出式中，表示第二隐层量子相门的相位。为简化计算过程，用处于状态|1>的概率幅来表示最终输出，即：S25：双隐层量子线路神经网络DHL-QCRUNN的学习算法：通过更新输入层和隐层的量子相移门相位来完成每一步训练；记第s步训练中各相位为相应的相位增量为则更新的相本文档来自技高网...

【技术保护点】
1.一种基于双隐层量子线路循环单元神经网络的趋势预测方法，其特征在于，包括以下步骤：S1：采集监控对象的原始运行数据构建排列熵集；S2：将所述排列熵集输入双隐层量子线路循环单元神经网络进行训练和预测，得到预测的排列熵集；S3：计算各时间点实际的排列熵和预测的排列熵之间的误差，构建排列熵误差集；S4：将所述排列熵误差集归一化处理后，输入双隐层量子线路循环单元神经网络进行训练和预测，得到预测的归一化的排列熵误差集；S5：将预测的归一化的排列熵误差集进行反归一化处理，得到最终预测结果；所述方法，还包括：在步骤S2之前，构建双隐层量子线路循环单元神经网络，其中，双隐层量子线路循环单元神经网络简称为DHL‑QCRUNN，具体步骤如下：S21：创建量子相移门模型，得出量子比特经过相移门变换后最新状态与初始状态之间的关系，具体如下：记量子相移门为

【技术特征摘要】
2018.06.23 CN 20181066871521.一种基于双隐层量子线路循环单元神经网络的趋势预测方法，其特征在于，包括以下步骤：S1：采集监控对象的原始运行数据构建排列熵集；S2：将所述排列熵集输入双隐层量子线路循环单元神经网络进行训练和预测，得到预测的排列熵集；S3：计算各时间点实际的排列熵和预测的排列熵之间的误差，构建排列熵误差集；S4：将所述排列熵误差集归一化处理后，输入双隐层量子线路循环单元神经网络进行训练和预测，得到预测的归一化的排列熵误差集；S5：将预测的归一化的排列熵误差集进行反归一化处理，得到最终预测结果；所述方法，还包括：在步骤S2之前，构建双隐层量子线路循环单元神经网络，其中，双隐层量子线路循环单元神经网络简称为DHL-QCRUNN，具体步骤如下：S21：创建量子相移门模型，得出量子比特经过相移门变换后最新状态与初始状态之间的关系，具体如下：记量子相移门为令量子比特的初始状态则|φ0>可通过R(θ)进行如下变换：式中|φ′0>表示经过相移变换后的最新状态；S22：创建多位受控非门模型，得出在多个控制量子比特的联合控制下的目标量子比特的输出，具体如下：在量子系统中，单个量子比特的状态受多个量子比特的联合控制的动态行为，以多位受控非门Cn(X)来描述，其中，|x1>，|x2>，...|xn>是控制比特，是输入目标比特，|φ>是输出目标比特。Cn(X)的计算规则定义如下：式中，是单比特量子非门；X的指数表示x1，x2，...，xn的积，若前n个量子比特全为1，即|xi>＝|1>，则单比特量子非门X作用到使其翻转得到|φ>；设控制量子比特为|xi>＝αi|0>+βi|1>，目标量子比特输入态为则经过Cn(X)变换后的输出推导如下：式中，αi2+βi2＝1；表示张量积；由式(3)可知，Cn(X)的输出处于n+1个量子比特的纠缠态中，|φ>处于状态|1>的概率为：因此，在n个控制比特的联合控制下输出目标比特|φ>可以表示为：式中为|φ>的相位S23：由量子相移门和多位受控非门来创建量子线路循环单元，设定是t时刻的控制量子比特，是t时刻的目标量子比特输入态，是第i个量子相移门的相位，|φt>是t时刻的目标量子比特输出态，则在量子线路循环单元中，将目标量子比特输出态|φt>作为下一时刻的目标量子比特输入，即实现对输入序列的历史记忆，具体如下：令t＝1,2,…,T表示T个采样时间点，可表示为：目标量子比特输出态|φt>可表示为：根据量子相移门和多位受控非门的定义公式(1-5)，可推导出|φt>的相位如下：式中，当t＝1时，S24：创建双隐层量子线路循环单元神经网络模型，采用输出层激发态的概率幅来表示最终输出，具体如下：以表示输入序列；表示输入比特；表示第一隐层输入；表示第一隐层输出；表示第二隐层输入；为第二隐层输出；表示输出比特；表示最终输出；设为：式中，为的相位，为归一化输入样本，则，根据量子线路循环单元的输入输出关系，第一隐层和第二隐层的输入分别表示为：...

【专利技术属性】
技术研发人员：李锋，向往，邓成军，
申请(专利权)人：四川大学，
类型：发明
国别省市：四川,51