应用于面部表情识别的量子前馈神经网络构造方法技术

本发明专利技术请求保护一种应用于面部表情识别的量子前馈神经网络构造方法，属于量子机器学习领域，首先构造了量子神经元的基本结构，然后将该神经元模型组建相应的量子前馈神经网络模型，该模型的输入层、输出层及中间隐层都由量子态的形式表示，使其在计算的过程中可以利用量子计算的一些特有性质提高其学习能力，最后将改进的量子搜索算法作为该网络模型的学习算法。本发明专利技术构造的量子前馈神经网络模型通过量子叠加性可以极大的节约数据存储资源，且通过量子并行性可以同时对数据集多个样本进行并行计算从而提高训练速率，相较于经典搜索算法其本身就具有平方级加速的能力，所以作为该量子前馈神经网络的算法则会在神经网络的训练上更有优势。的训练上更有优势。的训练上更有优势。

Construction of quantum feedforward neural network for facial expression recognition

【技术实现步骤摘要】
应用于面部表情识别的量子前馈神经网络构造方法


[0001]本专利技术属于量子机器学习领域，尤其涉及量子神经网络领域，具体为一种量子前馈神经网络构造方法。

技术介绍

[0002]在近二十年间，机器学习快速崛起，已经成为大数据时代下的技术基石，而在量子信息科学领域，机器学习与量子计算技术的结合也受到越来越多研究者的关注。机器学习与量子计算相结合的一个主要思路是利用量子状态的叠加和量子算法的加速，来解决当前数据科学中数据量巨大，训练过程缓慢的困难，而量子神经网络是量子机器学习中研究得最早及最深入的一个子领域。
[0003]量子神经网络(Quantum Neural Network,QNN)是将人工神经网络(Artificial Neural Network,ANN)与量子计算(Quantum Computation)的基本原理相结合的一种新颖计算模型，理论上量子神经网络相较于经典神经网络更加智能化，具有更有效的学习和泛化能力。相较于经典人工神经网络，一些量子神经网络都表现出更好的性能，但问题在于这些量子化方案都引入了非线性算符，非线性算符是否可以量子实现仍存在很大争议，所以如何构建更一般的量子神经网络并使其能够向深度学习领域迈进，这一直是一个难点问题。
[0004]在量子神经网络实际应用方面，世界各国学者已经提出了各种不同的量子神经网络模型应用于现实生活中的不同领域，并都展现出一定的优势。例如在计算机视觉领域，各种经典神经网络及其对应的深度模型占据着主导地位，而量子神经网络相较于经典神经网络在数据存储方面有着指数级的优势，同时在运算速率方面也有着平方级的提升，使得量子神经网络成为未来该领域的研究重点。

技术实现思路

[0005]本专利技术旨在解决以上现有技术的问题。提出了一种应用于面部表情识别的量子前馈神经网络构造方法。本专利技术的技术方案如下：
[0006]一种应用于面部表情识别的量子前馈神经网络构造方法，其包括以下步骤：
[0007]1)、构造量子神经元模型：将输入与权重都编码至量子计算基态上，量子计算基态是指与经典比特0和1对应的量子比特状态，然后通过受控酉门将输入与权重量子态相互作用的结果写在系统状态的本征值的相位上，量子态是指描述量子系统所有量子比特所对应的状态，然后通过相位估计得出估计值作为神经元的输出；
[0008]2)、将已构造的量子神经元模型组建成单隐层的量子前馈神经网络，其输入层、输出层及中间隐层都由量子态表示，而输入层、输出层及中间隐层之间相应的连接权重则是由受控酉门的形式表示；
[0009]3)、将量子单隐层前馈神经网络向量子多隐层神经网络组建，与单隐层模型一样，量子多隐层前馈神经网络的每一层都由量子态表示，每层之间的连接权重也由受控酉门的
形式表示；
[0010]4)、将改进后的量子搜索算法作为量子前馈神经网络的学习算法，将所有权重值空间作为搜索空间，其中最优权重值参数作为搜索问题的解，然后通过量子搜索算法将这组最优参数搜索出来作为训练所得的结果，即在网络可调参数空间中，寻找一组最优参数使得神经网络输出的误差最小；将构造的量子前馈神经网络应用于面部表情识别任务中，可以将数据集作为输入到量子神经网络中，通过量子搜索算法不断迭代搜索得最优权重参数后，可从实际输入得到期望输出，从而得出面部表情识别结果。
[0011]进一步的，所述步骤1)量子神经元模型中，设输入向量为x＝(x1；x2；
…
；x
n
)，对应权重向量为w＝(w1；w2；
…
；w
n
)，都编码至计算基态上为：
[0012][0013]其中|x＞表示输入量子态，|w＞表示权重量子态，表示张量积。然后权重向量的值将会作为参数写入受控幺正门该酉门作用可以写为其中|k＞表示量子神经元模型中计数量子比特状态。在此引入神经元阈值量子态|θ>，并通过辅助量子比特|0>引入，则输入与权重相互作用的结果为：
[0014][0015]为了简单起见，设变量最后通过量子相位估计算法可得
[0016][0017]其中|k>表示量子神经元模型中计数量子比特状态，t为其包含得量子比特数，得估计值状态由此神经元的输出为
[0018]进一步的，步骤2)量子单隐层前馈神经网络中，输入层的量子态表示为|x>＝|x1x2…
x
m
>，中间隐层的量子态表示为|h＞＝|h1h2…
h
q
>，其中量子比特|h
p
>表示中间隐层第p个处理神经元N
p
所得输出，输入层量子态与中间隐层神经元之间的连接线为隐层神经元的权重向量量子态|w
p
>与输入量子态|x>的相互作用，则其相互作用可表示为受控幺正门作用于输入量子态上输出层的量子态表示为|y>＝|y1y2…
y
n
>，而中间隐层量子态与输出层神经元之间的连线为输出层神经元的权重向量量子态|v
j
>与隐层值量子态|h>的相互作用，同理可表示为
[0019]进一步的，所述步骤3)量子多隐层前馈神经网络中，其输入层量子态为|x>＝|x1x2…
x
m
＞，输出层量子态为|y＞＝|y1y2…
y
n
＞，中间层含有多个隐层，假设中间第r隐层包含q个功能神经元，则该层量子态表示为隐层的权重向量量子态与该层输入量子态|h
r
‑1＞的相互作用可表示为而中间隐层量子态|h
s
>与输出层神经元的权重向量量子态|v
j
>之间相互作用同理也可表示为
[0020]进一步的，所述步骤4)改进量子搜索算法中，理想权重向量的量子态为|w
d
>，其对应的标签为|d>，而搜索空间中其他参数对应的权重向量对应的标签为|d
′
>，则初态其中N表示权重值搜索空间的元素数，G的两次反射作用在|ψ＞上可以表示为
[0021][0022]所以反复应用Grover迭代，会把初态旋转得接近|d＞，此时在计算基态上进行测量就会以很高得概率产生与|d＞重叠的输出，即最优参数也就是理想得权重向量。
[0023]进一步的，所述将构造的量子前馈神经网络应用于面部表情识别，得出面部表情识别结果，具体包括：
[0024]进行面部表情识别任务，首先将该面部表情数据集进行预处理，目的是为了消除图形及光照等影响。然后提取特征向量作为量子前馈神经网络的输入向量，运用改进后的量子搜索算法作为该网络的学习算法，先将生成的随机权重值向量作为搜索空间，将能够使输入得到对应输出的权重值作为搜索问题本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用于面部表情识别的量子前馈神经网络构造方法，其特征在于，包括以下步骤：1)、构造量子神经元模型：将输入与权重都编码至量子计算基态上，量子计算基态是指与经典比特0和1对应的量子比特状态，然后通过受控酉门将输入与权重量子态相互作用的结果写在系统状态的本征值的相位上，量子态是指描述量子系统所有量子比特所对应的状态，然后通过相位估计得出估计值作为神经元的输出；2)、将已构造的量子神经元模型组建成单隐层的量子前馈神经网络，其输入层、输出层及中间隐层都由量子态表示，而输入层、输出层及中间隐层之间相应的连接权重则是由受控酉门的形式表示；3)、将量子单隐层前馈神经网络向量子多隐层神经网络组建，与单隐层模型一样，量子多隐层前馈神经网络的每一层都由量子态表示，每层之间的连接权重也由受控酉门的形式表示；4)、将改进后的量子搜索算法作为量子前馈神经网络的学习算法，将所有权重值空间作为搜索空间，其中最优权重值参数作为搜索问题的解，然后通过量子搜索算法将这组最优参数搜索出来作为训练所得的结果，即在网络可调参数空间中，寻找一组最优参数使得神经网络输出的误差最小；将构造的量子前馈神经网络应用于面部表情识别任务中，可以将数据集作为输入到量子神经网络中，通过量子搜索算法不断迭代搜索得最优权重参数后，可从实际输入得到期望输出，从而得出面部表情识别结果。2.根据权利要求1所述的应用于面部表情识别的量子前馈神经网络构造方法，其特征在于，所述步骤1)量子神经元模型中，设输入向量为x＝(x1；x2；
…
；x
n
)，对应权重向量为w＝(w1；w2；
…
；w
n
)，都编码至计算基态上为：其中|x>表示输入量子态，|w>表示权重量子态，表示张量积，然后权重向量的值将会作为参数写入受控幺正门该酉门作用可以写为其中|k>表示量子神经元模型中计数量子比特状态，在此引入神经元阈值量子态|θ>，并通过辅助量子比特|0>引入，则输入与权重相互作用的结果为：为了简单起见，设变量最后通过量子相位估计算法可得其中|k>表示量子神经元模型中计数量子比特状态，t为其包含得量子比特数，得估计值状态由此神经元的输出为y∈[0,1)。3.根据权利要求2所述的应用于面部表情识别的量子前馈神经网络构造方法，其特征在于，步骤2)量子单隐层前馈神经网络中，输入层的量子态表示为|x>＝|x1x2…
x
m
>，中间隐
层的量子态表示为|h>＝|h1h2…
h
q
>，其中量子比特|h
p
&gt...

【专利技术属性】
技术研发人员：李校林，温力航，董昊，翁小莉，
申请(专利权)人：重庆信科设计有限公司，
类型：发明
国别省市：