手写数字识别方法、系统、设备及计算机可读存储介质技术方案

本发明专利技术公开了手写数字识别方法、系统、设备及计算机可读存储介质，属于量子计算技术领域。手写数字识别方法包括：获得包含手写数字的目标图片的特征信息，利用经设定步骤预先训练完成的神经网络对所述特征信息进行处理以获得量子逻辑门的参量值；利用所述参量值更新预设量子线路中量子逻辑门的参量，并获得所述量子线路计算的子量子态ψ

【技术实现步骤摘要】
手写数字识别方法、系统、设备及计算机可读存储介质


[0001]本专利技术属于量子计算
，特别是一种手写数字的识别方法，尤其涉及一种对包含手写数字的图片进行识别的方法。

技术介绍

[0002]近年来随着计算机技术和数字图像处理技术的飞速发展，手写数字识别技术在大规模数据统计、邮件分拣、财务、税务和金融等领域中都有着较为深远的应用需求。
[0003]目前，通过将带有手写数字的图片输入训练好的数字识别模型能够实现数据的自动录入，例如输入一个28
×
28像素的图片，识别输出一个标签值M
′
代表该图片上是什么数字，这能够极大地降低人工劳动成本。
[0004]但量子计算的技术如何应用于手写数字识别领域亟需探索解决。

技术实现思路

[0005]本专利技术的目的是提供一种手写数字识别方法，以解决上述的问题，它利用预设量子线路和神经网络结合能够实现对包含手写数字的图片的识别，它包括：
[0006]获得包含手写数字的目标图片的特征信息，利用经设定步骤预先训练完成的神经网络对所述特征信息进行处理以获得量子逻辑门的参量值；
[0007]利用所述参量值更新预设量子线路中量子逻辑门的参量，并获得所述预设量子线路计算的子量子态ψ
i
及对应的概率C
i
；
[0008]根据所述子量子态ψ
i
及对应的概率C
i
，确定与所述手写数字对应的十进制值作为所述目标图片的识别结果。
[0009]如上所述的手写数字识别方法，较优选的，所述特征信息为特征矩阵，所述获得包含手写数字的目标图片的特征信息，包括：
[0010]接收包含手写数字的目标图片，对所述目标图片进行二值化处理，获得对应的二值图片；
[0011]对所述二值图片进行矩阵化处理，获得目标图片的特征矩阵。
[0012]如上所述的手写数字识别方法，较优选的，所述对所述二值图片进行矩阵化处理，获得目标图片的特征矩阵的步骤，包括：
[0013]对所述二值图片中的各像素进行矩阵化处理，获得像素矩阵；
[0014]对所述像素矩阵进行特征提取，获得对应的特征矩阵。
[0015]如上所述的手写数字识别方法，较优选的，所述根据所述子量子态ψ
i
及对应的概率C
i
，确定与所述手写数字对应的十进制值作为所述目标图片的识别结果的步骤，包括：
[0016]确定与ψ
i
相对应的十进制数x
i
，
[0017]计算出∑x
i
C
i
作为所述目标图片的识别结果。
[0018]如上所述的手写数字识别方法，较优选的，所述根据所述子量子态ψ
i
及对应的概率C
i
，确定与所述手写数字对应的十进制值作为所述目标图片的识别结果的步骤，包括：
[0019]根据所述子量子态ψ
i
及对应的概率C
i
，确定最大概率所对应的子量子态为第一子量子态；
[0020]确定与所述第一子量子态相对应的十进制数作为所述目标图片的识别结果。
[0021]如上所述的手写数字识别方法，较优选的，所述设定步骤包括：
[0022]获取训练集中各样本图片对应的特征信息和标签值M，其中M＝0、1、
…
、9；
[0023]初始化所述预设量子线路中各含参量子逻辑门的参量，利用反向传播算法确定与各所述标签值M相对应的量子逻辑门的参量值；
[0024]根据各所述样本图片对应的特征信息以及与各所述标签值M相对应的量子逻辑门的参量值，利用反向传播算法确定所述神经网络的权重参数和偏置参数并存储到所述神经网络获得训练完成的神经网络。
[0025]如上所述的手写数字识别方法，较优选的，所述初始化所述预设量子线路中各含参量子逻辑门的参量，利用反向传播算法确定与各所述标签值M相对应的量子逻辑门的参量的值，具体包括：
[0026]针对所述训练集中的每一标签值M，初始化一组随机值作为当前参量值θ；
[0027]根据设定的偏移量δ，确定当前参量值θ对应的正偏移、负偏移分别为θ+δ、θ-δ；
[0028]分别利用所述当前参量值θ、正偏移θ+δ、负偏移θ-δ更新所述预设量子线路中量子逻辑门的参量，获得对应的子量子态及对应的概率；
[0029]根据所述子量子态及对应的概率，计算得到与所述当前参量值θ、正偏移θ+δ、负偏移θ-δ对应的十进制数N、N
+
、N-；
[0030]确定梯度grad为(N
+-N-)(N-M)；
[0031]利用θ＝(θ-grad)迭代所述当前参量的值θ，并返回所述根据设定的偏移量δ，确定当前参量值θ对应的正偏移、负偏移分别为θ+δ、θ-δ的步骤，直至迭代次数达到设定值；
[0032]确定与各所述标签值M相对应的量子逻辑门的参量值。
[0033]如上所述的手写数字识别方法，较优选的，所述根据各所述样本图片对应的特征信息以及与各所述标签值M相对应的量子逻辑门的参量值，利用反向传播算法确定所述神经网络的权重参数和偏置参数，具体包括：
[0034]针对所述训练集中的每一样本图片对应的特征信息，初始化一组随机值作为所述神经网络的权重参数W和偏置参数B；
[0035]利用所述神经网络对样本图片的特征信息进行处理以获得量子逻辑门的参量的计算值；
[0036]根据所述参量的计算值和与所述标签值M相对应的量子逻辑门的参量的值构建误差函数；
[0037]根据所述误差函数，采用基于梯度下降的反向传播算法迭代调整所述神经网络的权重参数W和偏置参数B，返回所述利用所述神经网络对样本图片的特征信息进行处理以获得量子逻辑门的参量的计算值的步骤，直至迭代次数达到设定值。
[0038]如上所述的手写数字识别方法，较优选的，所述预设量子线路包含至少4个量子比特，且各所述量子比特上均作用有含参量子逻辑门。
[0039]本申请的另一个实施例提供了一种手写数字识别系统，包括：
[0040]神经网络模块，用于获得目标图片的特征信息，并利用经设定步骤预先训练完成
的神经网络对所述特征信息进行处理以获得量子逻辑门的参量值；
[0041]量子线路模块，用于利用所述参量值更新预设量子线路中量子逻辑门的参量，并获得所述量子线路计算的子量子态ψ
i
及对应的概率C
i
；
[0042]识别结果计算模块，用于根据所述子量子态ψ
i
及对应的概率C
i
，确定与所述手写数字对应的十进制值作为所述目标图片的识别结果。
[0043]本申请的还有一个实施例提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种手写数字识别方法，其特征在于，包括：获得包含手写数字的目标图片的特征信息，利用经设定步骤预先训练完成的神经网络对所述特征信息进行处理以获得量子逻辑门的参量值；利用所述参量值更新预设量子线路中量子逻辑门的参量，并获得所述预设量子线路计算的子量子态ψ
i
及对应的概率C
i
；根据所述子量子态ψ
i
及对应的概率C
i
，确定与所述手写数字对应的十进制值作为所述目标图片的识别结果。2.根据权利要求1所述的手写数字识别方法，其特征在于，所述特征信息为特征矩阵，所述获得包含手写数字的目标图片的特征信息，包括：接收包含手写数字的目标图片，对所述目标图片进行二值化处理，获得对应的二值图片；对所述二值图片进行矩阵化处理，获得目标图片的特征矩阵。3.根据权利要求2所述的手写数字识别方法，其特征在于，所述对所述二值图片进行矩阵化处理，获得目标图片的特征矩阵的步骤，包括：对所述二值图片中的各像素进行矩阵化处理，获得像素矩阵；对所述像素矩阵进行特征提取，获得对应的特征矩阵。4.根据权利要求1所述的手写数字识别方法，其特征在于，所述根据所述子量子态ψ
i
及对应的概率C
i
，确定与所述手写数字对应的十进制值作为所述目标图片的识别结果的步骤，包括：确定与ψ
i
相对应的十进制数x
i
；计算出∑x
i
C
i
作为所述目标图片的识别结果。5.根据权利要求1所述的手写数字识别方法，其特征在于，所述根据所述子量子态ψ
i
及对应的概率C
i
，确定与所述手写数字对应的十进制值作为所述目标图片的识别结果的步骤，包括：根据所述子量子态ψ
i
及对应的概率C
i
，确定最大概率所对应的子量子态为第一子量子态；确定与所述第一子量子态相对应的十进制数作为所述目标图片的识别结果。6.根据权利要求1所述的手写数字识别方法，其特征在于，所述设定步骤包括：获取训练集中各样本图片对应的特征信息和标签值M，其中M＝0、1、
…
、9；初始化所述预设量子线路中各含参量子逻辑门的参量，利用反向传播算法确定与各所述标签值M相对应的量子逻辑门的参量值；根据各所述样本图片对应的特征信息以及与各所述标签值M相对应的量子逻辑门的参量值，利用反向传播算法确定所述神经网络的权重参数和偏置参数，并存储到所述神经网络获得训练完成的神经网络。7.根据权利要求6所述的手写数字识别方法，其特征在于，所述初始化所述预设量子线路中各含参量子逻辑门的参量，利用反向传播算法确定与各所述标签值...

【专利技术属性】
技术研发人员：李蕾，方圆，窦猛汉，
申请(专利权)人：合肥本源量子计算科技有限责任公司，
类型：发明
国别省市：