一种基于多分支混合量子经典神经网络的图像多分类方法技术

本发明专利技术适用于图像分类技术领域，提供了一种基于多分支混合量子经典神经网络的图像多分类方法，包括如下步骤：步骤

【技术实现步骤摘要】
一种基于多分支混合量子经典神经网络的图像多分类方法


[0001]本专利技术属于量子机器学习中图像分类领域，尤其涉及一种基于多分支混合量子经典神经网络的图像多分类方法
。

技术介绍

[0002]机器学习算法所需的计算能力随着数据量的增加而增加，而当前的数据量正以压倒性的速度增长，对于经典机器学习来说逐渐受到限制
。
而随着量子计算机在解决某些计算任务方面的潜力超过任何可预见的经典计算机，量子机器学习作为量子人工智能领域的研究前沿，已经成为一个潜在的解决方案，以解决处理不断增加的数据量的挑战，近年来，量子机器学习受到了广泛的关注，包括量子启发的优化算法
、
量子主成分分析
、
量子支持向量机
、
量子深度学习
、
量子自动编码器
、
量子玻尔兹曼机器
、
量子生成对抗学习和量子核方法等
。
[0003]其中利用量子机器学习解决分类问题的工作也不断被提出
。Edward Grant
等人构造分层结构的量子电路，在研究中得出结论，表达性更强的量子电路具有更好的分类精度
。
此外，受到经典卷积神经网络的学习能力和量子机器学习潜在能力的启发，混合量子经典神经网络框架也已经被用于分类任务中
。Liu 等人提出一个在量子位数和电路深度方面读目前
NISQ
计算机很友好的混合量子经典卷积神经网络，适应于量子计算以增强特征映射的过程，同时保留了经典卷积神经网络非线性和可拓展性的特征
。Wei 等人提出一个量子卷积神经网络，与经典相比大大降低计算复杂性，将其用于图像处理，对空间滤波
、
图像平滑
、
锐化和边缘检测进行了数值仿真，并验证了在图像识别中具有一定鲁棒性
。
[0004]目前存在的研究工作大多数集中于模式识别
、
数字图像二分类的任务，通过量子神经网络解决多分类问题仍在不断探索中，对传统自然图像的识别
、
多分类研究缺失
。

技术实现思路

[0005]本专利技术提供一种基于多分支混合量子经典神经网络的图像多分类方法，旨在解决基于混合量子经典神经网络结构无法较好地捕获图像局部特征的问题，利用多分支混合结构提升神经网络的训练速度，提取更多特征信息，处理自然图像多分类任务
。
[0006]本专利技术是这样实现的，一种基于多分支混合量子经典神经网络的图像多分类方法，包括如下步骤：步骤
S1
：使用随机量子电路构建的多通道量子卷积层提取图像局部特征；步骤
S2
：使用经典卷积层提取图像局部特征；步骤
S3
：对量子卷积层和经典卷积层的输出进行融合；步骤
S4
：使用全连接层，获得图像的多分类结果，并对分类后的数据类别结果进行可视化
。
[0007]优选的，所述混合量子经典神经网络由多个通道组成，其主体部分是2个量子卷积层通道和1个经典卷积层通道
。
[0008]优选的，2个量子卷积层通道分别使用2种不同尺寸的量子卷积核，其大小分别为4×
4、2
×2，卷积步长均设置为
2。
[0009]优选的，所述量子卷积核由量子门操作构造的随机量子电路构成，该门包括
H、RY、CRZ、RX。
[0010]优选的，所述随机量子电路采用全量子比特测量策略，使用
PauliZ
量子门测量所有量子位，获取期望值
。
[0011]优选的，所述经典卷积层由两个不同尺寸的卷积核堆叠构成，其大小分别为1×
1、4
×4，卷积步长分别设置为
1、2。
[0012]优选的，所述量子卷积层和经典卷积层的输出通道通过拼接操作进行融合，进而作为全连接层的输入，全连接层使用
leakyReLU
作为激活函数
。
[0013]与现有技术相比，本专利技术的有益效果是：本专利技术的一种基于多分支混合量子经典神经网络的图像多分类方法，利用不同量子门构造随机量子电路，通过多通道量子卷积层提取不同粒度特征，同时通过含有不同尺寸卷积核的经典卷积神经网络提取局部特征，最后将将量子卷积和经典卷积层的输出进行特征融合，输入全连接层，加入交叉熵损失函数和
Adam
优化器，训练分类器对不同类型图像进行多分类
。
附图说明
[0014]图1为本专利技术的方法步骤示意图；图2为本专利技术中的结构示意图；图3为本专利技术中的随机量子电路示意图；
具体实施方式
为了使本专利技术的目的
、
技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明
。
应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术
。
[0015]请参阅图1‑3，本专利技术提供一种技术方案：一种基于多分支混合量子经典神经网络的图像多分类方法，包括如下步骤：步骤
S1
： 使用随机量子电路构建的多通道量子卷积层提取图像局部特征；如图2所示，本方法中包含多通道量子卷积层，通过分别构造2个不同尺寸的量子卷积核，其大小分别为4×
4、2
×2，卷积步长均设置为2，量子卷积核的构建引入了量子门的概念，通过不同的量子门操作构造含4个量子位的随机量子电路，其随机量子电路结构如图3所示，包括
H、RY、CRZ、RX
部分，其中
H
为
Hadamard
量子门用于对于基态创建叠加态，
RY
和
RX
为原有量子旋转门表示在分别绕着
Y、X
坐标轴旋转
θ
角度，能够带来概率振幅的变化，
CRZ
为受到受控非门启发后改进的受控旋转量子门，三种量子门操作如下式所示；
其中，量子算法解决经典图像问题过程中，量子编码是非常重要的一步，即将经典数据形式转化为量子态数据，在本方法中，采用角度编码策略，首先利用基础量子门
H
门创建量子叠加态，然后利用量子旋转门来编码经典信息
x
，，其中，表示矩阵的张量积，
R
表示量子旋转门，本方法采用
RY
门作为
R
；经过量子编码操作后，采用二量子位的
CRZ
量子门，受控
Z
旋转门操作，本方法对每两个相邻量子比特执行一个
CRZ
量子门，其操作意义为若控制量子位为，则对目标受控量子比特进行
RZ
旋转操作，否则目标受控量子比特状态保持不变，该操作使得能够在网络的同一层上捕获特定尺度的相关性，然后采用
RX
量子旋转门对每个量子比特进行操作，将有效信息嵌入量子系统中；最后测量阶段，也本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多分支混合量子经典神经网络的图像多分类方法，其特征在于：包括如下步骤：步骤
S1
： 使用随机量子电路构建的多通道量子卷积层提取图像局部特征；步骤
S2
：使用经典卷积层提取图像局部特征；步骤
S3
：对量子卷积层和经典卷积层的输出进行融合；步骤
S4
：使用全连接层，获得图像的多分类结果，并对分类后的数据类别结果进行可视化
。2.
如权利要求1所述的一种基于多分支混合量子经典神经网络的图像多分类方法，其特征在于：所述混合量子经典神经网络由多个通道组成，其主体部分是2个量子卷积层通道和1个经典卷积层通道
。3.
如权利要求3所述的一种基于多分支混合量子经典神经网络的图像多分类方法，其特征在于：2个量子卷积层通道分别使用2种不同尺寸的量子卷积核，其大小分别为4×
4、2
×2，卷积步长均设置为
2。4.
如权利要求3所述的一种基于多分支混合量子...

【专利技术属性】
技术研发人员：高宇飞，
申请(专利权)人：郑州大学，
类型：发明
国别省市：