本发明专利技术公开了一种军事武器装备类别确定方法、装置、介质及电子装置，本发明专利技术通过量子图像编码算法对获取的待识别军事图像进行量子编码，将经典数据转化为量子输入，然后通过量子与经典混合卷积算法对编码得到的目标量子态执行演化与计算，获得军事图像中目标物体的军事武器装备类别，从而实现对军事图像中的目标物体的军事武器装备类别的快速确定，由于量子计算可以高速并行计算的特点，从而提高了军事图像识别的速度，进而快速实现对军事武器装备类别的确定，能够为军事指挥决策提供情报支持。持。持。
【技术实现步骤摘要】
军事武器装备类别确定方法、装置、介质及电子装置
[0001]本专利技术属于量子计算
，特别是军事武器装备类别确定方法、装置、介质及电子装置。
技术介绍
[0002]人工智能作为最重要的颠覆性技术，在军事领域的运用日趋广泛深入，成为引领世界新军事革命的主要因素，未来必将改写战争规则，催生智能化战争。以人工智能为技术手段，解决战场中相关军事武器装备的目标识别的关键问题，是打赢未来智能化战争的重要手段之一。
[0003]经典神经网络模型中，通过对图像卷积来寻找图像中像素之间隐含的特征进而进行识别，其在计算基视觉领域拥有很好的效果。对图像进行卷积是一项复杂度很高的计算，随着数据量的增大，经典神经网络模型计算速度急剧下降，如何快速地对军事武器装备的类别进行确定，从而为军事指挥决策提供情报支持是一个需要解决的技术问题。
技术实现思路
[0004]本专利技术的目的是提供一种军事武器装备类别确定方法、装置、介质及电子装置，旨在通过量子计算快速地对军事武器装备的类别进行确定，从而为军事指挥决策提供情报支持。
[0005]本申请的一个实施例提供了一种军事武器装备类别确定方法，所述方法包括：
[0006]获取待识别的军事图像；
[0007]通过量子图像编码算法对所述军事图像进行量子编码，获得目标量子态；
[0008]通过量子与经典混合卷积算法对所述目标量子态执行演化与计算，获得所述军事图像中目标物体的军事武器装备类别。
[0009]可选的，所述通过量子图像编码算法对所述军事图像进行量子编码，获得目标量子态，包括：
[0010]获取量子比特、含参的单量子逻辑门RY和含参的单量子逻辑门RZ；
[0011]基于所述军事图像的像素值确定所述含参的单量子逻辑门RY和含参的单量子逻辑门RZ的参数值，以及将确定参数值后的单量子逻辑门RY和单量子逻辑门RZ依次添加到所述量子比特上，得到量子图像编码线路；
[0012]通过所述量子图像编码线路将所述量子比特的初始量子态演化至目标量子态。
[0013]可选的，所述基于所述军事图像的像素值确定所述含参的单量子逻辑门RY和含参的单量子逻辑门RZ的参数值，包括：
[0014]将所述军事图像的像素值与π/2之积作为所述含参的单量子逻辑门RY的参数值，以及将所述军事图像的像素值与π/2之积的平方作为所述含参的单量子旋转逻辑门RZ的参数值。
[0015]可选的，所述量子与经典混合卷积算法包括量子卷积神经网络和经典卷积神经网
络，所述通过量子与经典混合卷积算法对所述目标量子态执行演化与计算，获得所述军事图像中目标物体的军事武器装备类别，包括：
[0016]对所述目标量子态执行所述量子卷积神经网络对应的量子态演化，获得演化后存储所述军事图像的第一次分类结果的输出量子态；
[0017]对所述输出量子态进行解码，获得所述军事图像的第一次分类结果；
[0018]将所述第一分类结果输入至所述经典卷积神经网络进行计算，获得所述军事图像的第二次分类结果；
[0019]基于所述第二次分类结果确定所述军事图像中目标物体的军事武器装备类别。
[0020]可选的，所述对所述目标量子态执行所述量子卷积神经网络对应的量子态演化，获得演化后存储所述军事图像的第一次分类结果的输出量子态之前，所述方法还包括：
[0021]获取第一数量的CNOT门和第二数量的含参量子逻辑门，以及将所述第一数量的CNOT门和第二数量的含参量子逻辑门进行级联，得到含参量子卷积单层网络；
[0022]将第三数量的所述含参量子卷积单层网络添加至量子比特上，得到含参量子卷积神经网络；
[0023]通过训练数据对所述含参量子卷积神经网络进行训练，得到所述训练数据与所述含参量子卷积神经网络的参数的映射关系；
[0024]基于所述映射关系确定所述量子卷积神经网络。
[0025]可选的，所述通过训练数据对所述含参量子卷积神经网络进行训练，得到所述训练数据与所述含参量子卷积神经网络的参数的映射关系，包括：
[0026]确定所述含参量子逻辑门的参数的初始值，以及通过确定所述初始值后的含参量子卷积神经网络对所述训练数据进行计算，获得所述训练数据的预测值；
[0027]基于损失函数和所述预测值以及所述预测值对应的真实值确定所述训练数据的损失值；
[0028]在所述损失值的梯度与学习率的乘积小于或等于预设数值时，将所述初始值作为所述含参量子逻辑门的参数的目标值，以及基于所述目标值建立所述训练数据与所述含参量子卷积神经网络的参数的映射关系；
[0029]在所述损失值的梯度与学习率的乘积大于预设数值时，更新所述初始值，以及执行步骤所述通过确定所述初始值后的含参量子卷积神经网络对所述训练数据进行计算，获得所述训练数据的预测值。
[0030]可选的，所述通过确定所述初始值后的含参量子卷积神经网络对所述训练数据进行计算，获得所述训练数据的预测值，包括：
[0031]分别将所述初始值向前和向后位移预设相位后作为所述含参量子逻辑门的参数值，以及通过确定所述参数值后的含参量子卷积神经网络对所述训练数据进行计算，获得所述训练数据的第一子预测值和第二子预测值。
[0032]可选的，所述基于损失函数和所述预测值以及所述预测值对应的真实值确定所述训练数据的损失值，包括：
[0033]基于损失函数和所述第一子预测值以及所述第一子预测值对应的真实值确定第一子损失值，以及基于损失函数和所述第二子预测值以及所述第二子预测值对应的真实值确定第二子损失值。
[0034]可选的，所述损失值的梯度具体确定方式如下：
[0035]将所述第一子损失值和所述第二子损失值之差的1/2作为所述第一子损失值和所述第二子损失值的梯度。
[0036]可选的，所述含参量子逻辑门包括以下至少一种：含参的量子逻辑门U3、含参的单量子逻辑门RX、含参的单量子逻辑门RZ、含参的单量子逻辑门RZ。
[0037]本申请的又一实施例提供了一种军事武器装备类别确定装置，所述装置包括：
[0038]获取单元，获取待识别的军事图像；
[0039]编码单元，用于通过量子图像编码算法对所述军事图像进行量子编码，获得目标量子态；
[0040]确定单元，用于通过量子与经典混合卷积算法对所述目标量子态执行演化与计算，获得所述军事图像中目标物体的军事武器装备类别。
[0041]可选的，在所述通过量子图像编码算法对所述军事图像进行量子编码，获得目标量子态方面，所述编码单元具体用于：
[0042]获取量子比特、含参的单量子逻辑门RY和含参的单量子逻辑门RZ；
[0043]基于所述军事图像的像素值确定所述含参的单量子逻辑门RY和含参的单量子逻辑门RZ的参数值，以及将确定参数值后的单量子逻辑门RY和单量子逻辑门RZ依次添加到所述量子比特上，得到量子图像编码线路；
[0044]通过所述本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种军事武器装备类别确定方法，其特征在于，所述方法包括：获取待识别的军事图像；通过量子图像编码算法对所述军事图像进行量子编码，获得目标量子态；通过量子与经典混合卷积算法对所述目标量子态执行演化与计算，获得所述军事图像中目标物体的军事武器装备类别。2.如权利要求1所述的方法，其特征在于，所述通过量子图像编码算法对所述军事图像进行量子编码，获得目标量子态，包括：获取量子比特、含参的单量子逻辑门RY和含参的单量子逻辑门RZ；基于所述军事图像的像素值确定所述含参的单量子逻辑门RY和含参的单量子逻辑门RZ的参数值，以及将确定参数值后的单量子逻辑门RY和单量子逻辑门RZ依次添加到所述量子比特上，得到量子图像编码线路；通过所述量子图像编码线路将所述量子比特的初始量子态演化至目标量子态。3.如权利要求2所述的方法，其特征在于，所述基于所述军事图像的像素值确定所述含参的单量子逻辑门RY和含参的单量子逻辑门RZ的参数值，包括：将所述军事图像的像素值与π/2之积作为所述含参的单量子逻辑门RY的参数值，以及将所述军事图像的像素值与π/2之积的平方作为所述含参的单量子旋转逻辑门RZ的参数值。4.如权利要求1所述的方法，其特征在于，所述量子与经典混合卷积算法包括量子卷积神经网络和经典卷积神经网络，所述通过量子与经典混合卷积算法对所述目标量子态执行演化与计算，获得所述军事图像中目标物体的军事武器装备类别，包括：对所述目标量子态执行所述量子卷积神经网络对应的量子态演化，获得演化后存储所述军事图像的第一次分类结果的输出量子态；对所述输出量子态进行解码，获得所述军事图像的第一次分类结果；将所述第一分类结果输入至所述经典卷积神经网络进行计算，获得所述军事图像的第二次分类结果；基于所述第二次分类结果确定所述军事图像中目标物体的军事武器装备类别。5.如权利要求4所述的方法，其特征在于，所述对所述目标量子态执行所述量子卷积神经网络对应的量子态演化，获得演化后存储所述军事图像的第一次分类结果的输出量子态之前，所述方法还包括：获取第一数量的CNOT门和第二数量的含参量子逻辑门，以及将所述第一数量的CNOT门和第二数量的含参量子逻辑门进行级联，得到含参量子卷积单层网络；将第三数量的所述含参量子卷积单层网络添加至量子比特上，得到含参量子卷积神经网络；通过训练数据对所述含参量子卷积神经网络进行训练，得到所述训练数据与所述含参量子卷积神经网络的参数的映射关系；基于所述映射关系确定所述量子卷积神经网络。6.如权利要求5所述的方法，其特征在于，所述通过训练数据对所述含参量子卷积神经网络进行训练，得到所述训练数据与所述含参量子卷积神...
【专利技术属性】
技术研发人员：窦猛汉，王伟，李蕾，方圆，
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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。