基于量子孪生神经网络的二分类方法及其人脸识别方法技术

本发明专利技术公开了一种基于量子孪生神经网络的二分类方法，包括设定分类模型的输入数据；构建量子神经网络模型、量子孪生神经网络模型和用于训练的损失函数模型；根据损失函数模型对量子孪生神经网络模型进行学习和训练并得到最终的量子孪生神经网络分类模型；采用量子孪生神经网络分类模型对待分类的数据进行二分类。本发明专利技术还公开了包括所述基于量子孪生神经网络的二分类方法的人脸识别方法。本发明专利技术提供的这种基于量子孪生神经网络的二分类方法及其人脸识别方法，通过采用量子孪生神经网络对数据进行二分类，实现了数据的快速二分类，而且本发明专利技术方法简单快捷，可靠性高，精确性好。

Binary classification method and face recognition method based on quantum twin neural network

【技术实现步骤摘要】
基于量子孪生神经网络的二分类方法及其人脸识别方法
本专利技术属于量子领域，具体涉及一种基于量子孪生神经网络的二分类方法及其人脸识别方法。
技术介绍
近年来，机器学习在分类等领域的应用逐渐受到人们的关注。近期备受瞩目的分类方法，如深度学习等，通常需要已知且有限个类别的训练集，且需要大规模数据进行训练。为了满足这样的应用场景：类别数量非常大、只有部分类别已知，并且每个类别的样本数量很少，Chopra等人提出通过孪生网络来学习相似性度量，用于实现识别或验证等任务。孪生网络是一个用于相似性度量的网络结构，它对于识别、验证、目标跟踪等需要衡量输入相似程度的分类问题表现出较好的效果。孪生网络及其改进网络模型的应用包括手写体识别、人脸验证、语义相似度分析、小样本学习，以及目标跟踪等领域。孪生网络(Siamesenetwork，简称SN)是一个网络结构，用于度量输入样本对的相似性。通常，向孪生网络每次输入两个或三个的输入样本对，以判断样本是否为同一类别。其中，输入样本的类型、网络的选型无明确限制。网络的核心思想是找到一个函数，这个函数将输入映射到目标空本文档来自技高网...

【技术保护点】
1.一种基于量子孪生神经网络的二分类方法，包括如下步骤：/nS1.设定分类模型的输入数据；/nS2.构建量子神经网络模型；/nS3.根据步骤S2构建的量子神经网络模型，构建量子孪生神经网络模型；/nS4.构建用于训练的损失函数模型；/nS5.根据步骤S4构建的损失函数模型，对步骤S3构建的量子孪生神经网络模型进行学习和训练，从而得到最终的量子孪生神经网络分类模型；/nS6.采用步骤S5得到的量子孪生神经网络分类模型，对待分类的数据进行二分类。/n

【技术特征摘要】
1.一种基于量子孪生神经网络的二分类方法，包括如下步骤：
S1.设定分类模型的输入数据；
S2.构建量子神经网络模型；
S3.根据步骤S2构建的量子神经网络模型，构建量子孪生神经网络模型；
S4.构建用于训练的损失函数模型；
S5.根据步骤S4构建的损失函数模型，对步骤S3构建的量子孪生神经网络模型进行学习和训练，从而得到最终的量子孪生神经网络分类模型；
S6.采用步骤S5得到的量子孪生神经网络分类模型，对待分类的数据进行二分类。


2.根据权利要求1所述的基于量子孪生神经网络的二分类方法，其特征在于步骤S1所述的设定分类模型的输入数据，对由二值等长字符串构成的经典数据集分类，其中任意字符串zi的任意字符zij表示为+1或-1；从数据集中取出两个已知类别的字符串z1＝z11z12...z1n和z2＝z21z22...z2n，且若字符串z1和z2的类别相同，则记标签l(z)＝0，否则记标签l(z)＝1；然后，分类模型作用于2(n+1)个量子比特；对于字符串z1和z2构造计算基态：
|z1,1>＝|z11z12...z1n,1>
|z2,1>＝|z21z22...z2n,1>
设定辅助量子比特为1，使得模型输入的|z1,1>和|z2,1>经过分类模型并测量后分别得到一维向量和


3.根据权利要求2所述的基于量子孪生神经网络的二分类方法，其特征在于步骤S2所述的构建量子神经网络模型，具体为设定每个酉矩阵只由一个连续参数θ控制，从基本酉矩阵集合{Ua(θ)}中挑选L个酉矩阵组成特定的网络该网络由L个参数构成的向量决定，且设定每一个酉矩阵形式为Uk(θk)＝exp(iθkΣk)；其中Σk为从泡利矩阵集合{σx,σy,σz}中挑选的运算符的张量积。


4.根据权利要求3所述的基于量子孪生神经网络的二分类方法，其特征在于步骤S3所述的构建量子孪生神经网络模型，具体为输入样本经过共享参数的网络分别得到输出结果和然后对输出结果测量一个泡利运算符σy并定义为Yn+1，从而得到测量结果为然后对两个测量结果度量欧式距离，得到量子版本的能量函数标量表示对量子态|z1,1>、|z2,1>之间的相容性的度量，且定义网络参数满足：

使得
其中正数m为设定的阈值，字符串z1、z2和z2'来自数据集(z1,z2)表示输入字符串类别相同，(z1,z2')表示输入字符串类别不同。


5.根据权利要求4所述的基于量子孪生神经网络的二分类方法，其特征在于步骤S4所述的构建用于训练的损失函数模型，具体为采用如下算式作为损失函数：



其中l(z)为标签；为能量函数


6.根据权利要求5所述的基于量子孪生神经网络的二分类方法，其特征在于步骤S5所述的对步骤S3构建的量子孪生神经网络模型进行学习和训练，具体为采用如下步骤进行学习：
A.设定每一个酉矩阵形式为Uk(θk)＝exp(iθkΣk)，则：



式中Σk为从泡利矩阵集合{σx,σy,σz}中挑选的运算符的张量积；
B.采用链式法则计算得到：






其中
UL:k+1＝UL(θL)UL-1(θL-1)...Uk+1(θk+1)
Uk:1＝Uk(θk)Uk-1(θk-1)...U1(θ1)






C.对能量函数求导得到能量函数关于θk的偏导数：



其中









D.计算关于θk的偏导数：



E.测量辅助量子比特，得到0的概率为：
...

【专利技术属性】
技术研发人员：石金晶，陆玉虎，陈鹭，冯艳艳，陈淑慧，施荣华，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43