数据分类方法技术

本申请实施例公开了一种数据分类方法

【技术实现步骤摘要】
数据分类方法、装置、存储介质及电子设备


[0001]本申请涉及计算机
，具体涉及一种数据分类方法、装置、存储介质及电子设备。

技术介绍

[0002]支持向量机的原始目的是为了解决数据的分类问题，其关键在于核函数。通过选取合适的核函数，可以将训练样本映射到一个高维空间中。进一步地，通过在此高维空间中找到一个最优分类面，可以最大限度地将训练样本分类开来。所谓最大限度，是指能够保证最大概率地正确分类开来训练样本。从统计学的角度上来说，就是对于总数为N的训练样本，要求支持向量机正确识别的样本数量m尽可能地大，最优情况下m＝N。其中，m/N的值被定义为分类精度。因此，如何提高支持向量机的运算速度，已经成为一个值得深入研究的课题。
[0003]对于当前和未来几年，中等量子比特规模且带有噪声的量子计算机是行业主流，但经典的量子算法由于使用的量子比特较多，电路较深，无法在所述量子计算机上运行并得到好结果。因此，寻找符合当前量子计算机发展阶段的量子算法并与实际相结合，同样是一个具有研究价值的方向。

技术实现思路

[0004]本申请实施例提供一种数据分类方法、装置、存储介质及电子设备，可以利用量子变分线性求解器提升支持向量机的运算速度。量子变分线性求解器借用了变分的思想，因此所使用的量子比特个数较少，电路较浅，符合当前阶段的量子计算机。
[0005]本申请实施例提供了一种数据分类方法，包括：
[0006]获取样本集，并在所述训练样本集中确定训练样本；
[0007]基于所述训练样本，构建支持向量机模型中待求解的线性方程组；
[0008]采用量子变分线性求解器对所述线性方程组进行求解，得到解向量；
[0009]根据所述解向量构建目标支持向量机，并基于所述目标支持向量机对待分类数据进行数据分类。
[0010]可选地，在本申请的一些实施例中，所述根据所述解向量构建目标支持向量机，包括：
[0011]在所述样本集中确定测试样本，所述测试样本标注有真实类别；
[0012]构建多个候选分类器；
[0013]将所述解向量代入所述候选分类器中，得到目标分类器；
[0014]将所述测试样本输入至所述目标分类器中，得到所述测试样本在每个所述目标分类器的分类结果；
[0015]基于所述测试样本对应的类别标签、以及每个所述目标分类器输出的分类结果，构建目标支持向量机。
[0016]可选地，在本申请的一些实施例中，所述基于所述测试样本对应的类别标签、以及每个所述目标分类器输出的分类结果，构建目标支持向量机，包括：
[0017]统计所述测试样本在每个所述目标分类器划分为各个类别的次数；
[0018]将次数最多的类别确定为所述测试样本的预估类别；
[0019]比较所述预估类别与真实类别之间的差异，得到分类准确度；
[0020]基于所述分类准确度对初始支持向量机进行调整，得到目标支持向量机。
[0021]可选地，在本申请的一些实施例中，所述采用量子变分线性求解器对所述线性方程组进行求解，得到解向量，包括：
[0022]获取预设的量子参数电路；
[0023]基于所述量子参数电路构造损失函数；
[0024]根据所述损失函数以及所述量子参数电路中的相角对所述线性方程组进行求解，得到解向量。
[0025]可选地，在本申请的一些实施例中，所述根据所述损失函数以及所述量子参数电路中的相角对所述线性方程组进行求解，得到解向量，包括：
[0026]采用梯度下降算法调节量子参数电路中的相角，以减小所述损失函数，所述梯度下降算法的处理公式为：
[0027][0028]其中，θ
0，i
为量子参数电路中第一个相角在第i次梯度下降中得到的值，θ
0，i+1
为量子参数电路中第一个相角在第i+1次梯度下降中得到的值；θ
2n
‑
1，i
为所述量子参数电路中第2n
‑
1个相角在第i次梯度下降中得到的值，θ
2n
‑
1，i+1
代表量子参数电路中第2n
‑
1个相角在第i+1次梯度下降中得到的值，τ代表梯度下降的步长；
[0029]当所述损失函数最小时，则将所述量子参数电路对应的量子态振幅值确定为所述线性方程组对应解向量。
[0030]可选地，在本申请的一些实施例中，所述基于所述量子参数电路构造损失函数，包括：
[0031]采用计算公式构建所述量子参数电路对应的损失函数G，所述计算公式为：
[0032][0033]其中，所述量子参数电路为V(θ)，l代表所使用的量子比特的个数，n代表原始矩阵分解得到的单量子比特逻辑基矩阵组的个数，m代表原始矩阵的共轭转置矩阵分解得到的单量子比特逻辑基矩阵组的个数，ci代表原始矩阵分解为单量子比特逻辑基矩阵组的系数，Ai代表原始矩阵分解得到的单量子比特逻辑基矩阵组，ej代表原始矩阵的共轭转置矩阵分解为单量子比特逻辑基矩阵组的系数，Aj代表原始矩阵的共轭转置矩阵分解得到的单量子比特逻辑基矩阵组，U代表一系列酉矩阵。
[0034]可选地，在本申请的一些实施例中，所述基于所述训练样本的标签，构建支持向量机模型中待求解的线性方程组，包括：
[0035]根据所述训练样本的样本特征，构建支持向量机模型中待求解的线性方程组；
[0036]基于所述训练样本的样本标签的数量n，构建得到n(n
‑
1)/2个线性方程组。
[0037]相应的，本申请实施例还提供一种数据分类装置，包括：
[0038]获取模块，用于获取样本集，并在所述训练样本集中确定训练样本；
[0039]第一构建模块，用于基于所述训练样本，构建支持向量机模型中待求解的线性方程组；
[0040]求解模块，用于采用量子变分线性求解器对所述线性方程组进行求解，得到解向量；
[0041]第二构建模块，用于根据所述解向量构建目标分类器。
[0042]本申请实施例还提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序适于处理器进行加载，以执行如上任一实施例所述的数据分类方法中的步骤。
[0043]本申请实施例还提供一种电子设备，所述电子设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，执行如上任一实施例所述的数据分类方法中的步骤。
[0044]本申请实施例提供的数据分类方法、装置、存储介质及电子设备，在获取样本集，并在所述训练样本集中确定训练样本后，基于所述训练样本，构建支持向量机模型中待求解的线性方程组，然后，采用量子变分线性求解器对所述线性方程组进行求解，得到解向量，最后，根据所述解向量构建目标支持向量机，并基于所述目标支持向量机对待分类数据进行数据分类，在本申请提供的数据分类方案中，采用量子变分线性求解器对线性方程组进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据分类方法，其特征在于，包括：获取样本集，并在所述训练样本集中确定训练样本；基于所述训练样本，构建支持向量机模型中待求解的线性方程组；采用量子变分线性求解器对所述线性方程组进行求解，得到解向量；根据所述解向量构建目标分类器。2.根据权利要求1所述的方法，其特征在于，所述根据所述解向量构建目标支持向量机，包括：在所述样本集中确定测试样本，所述测试样本标注有真实类别；将所述测试样本输入至所述目标分类器中，得到所述测试样本在每个所述目标分类器的分类结果；基于所述测试样本对应的类别标签、以及每个所述目标分类器输出的分类结果，构建目标支持向量机。3.根据权利要求2所述的方法，其特征在于，所述基于所述测试样本对应的类别标签、以及每个所述目标分类器输出的分类结果，构建目标支持向量机，包括：统计所述测试样本在每个所述目标分类器划分为各个类别的次数；将次数最多的类别确定为所述测试样本的预估类别；比较所述预估类别与真实类别之间的差异，得到分类准确度；基于所述分类准确度对初始向量机进行调整，得到目标支持向量机。4.根据权利要求1至3任一项所述的方法，其特征在于，所述采用量子变分线性求解器对所述线性方程组进行求解，得到解向量，包括：获取预设的量子参数电路；基于所述量子参数电路构造损失函数；根据所述损失函数以及所述量子参数电路中的相角对所述线性方程组进行求解，得到解向量。5.根据权利要求4所述的方法，其特征在于，所述根据所述损失函数以及所述量子参数电路中的相角对所述线性方程组进行求解，得到解向量，包括：采用梯度下降算法调节量子参数电路中的相角，以减小所述损失函数，所述梯度下降算法的处理公式为：其中，θ
0，i
为量子参数电路中第一个相角在第i次梯度下降中得到的值，θ0，
i+1
为量子参数电路中第一个相角在第i+1次梯度下降中得到的值；θ
2n
‑
1，i
为所述量子参数电路中第2n
‑
1个相角在第i次梯度下降中得到的值，θ
2n
‑
1，i+1

【专利技术属性】
技术研发人员：孙祺淳，李小刚，徐华，
申请(专利权)人：合肥弈维量子科技有限公司，
类型：发明
国别省市：