【技术实现步骤摘要】
本专利技术涉及数据处理，尤其涉及一种多视图特征提取方法、系统、电子设备及存储介质。
技术介绍
1、在大数据时代，随着收集数据信息的渠道增多，数据特征常从不同的视角进行提取，以更加全面详细地描述数据特征，例如，网络浏览页面可以用超链接和文本内容分别描述，从而涌现了多视图数据，即以多种方式获得对同一目标对象的特征。目前，多视图数据已经被广泛应用在各个领域，比如，多视图聚类和多视图特征提取。
2、在实际应用中，很多样本数据常处在高维空间中，例如，图像分类领域。为了克服“维度灾难”，需要从高维多视图数据中提取低维多视图数据。一旦获得了这些多视图低维数据，即可被用来做多视图聚类和多视图图像分类等。
3、然而，当处理海量高维数据时，相关技术的复杂度对当前计算机的计算性能提出了严峻的考验，导致多视图特征提取效率较低。因此，现在亟需一种多视图特征提取方法、系统、电子设备及存储介质来解决上述问题。
技术实现思路
1、针对现有技术存在的问题，本专利技术提供一种多视图特征提取方法、系统、电子设备及存储介质。
2、本专利技术提供一种多视图特征提取方法，包括：
3、获取多个视图数据对应的数据矩阵，并将所述数据矩阵存储至量子随机存储器产生数据矩阵对应的量子态；
4、基于所述量子随机存储器中所述数据矩阵对应的量子态，构建多视图特征提取量子加速交叉回归算法的目标矩阵中各个子矩阵对应的子矩阵分块编码；
5、根据多个所述子矩阵分块编码，构建所述多
6、根据相位估计算法和所述酉矩阵，对所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的特征信息进行提取，得到所述多个视图数据对应的低维表示数据。
7、根据本专利技术提供的一种多视图特征提取方法，在所述将所述数据矩阵存储至量子随机存储器之后，所述方法还包括：
8、基于所述量子随机存储器，对所述数据矩阵进行酉操作，得到所述量子随机存储器中所述数据矩阵对应的量子态，所述酉操作包括第一酉操作和第二酉操作，其中，所述第一酉操作用于通过访问所述数据矩阵中各个视图数据对应的数据矩阵的行指标，输出对应的量子态；所述第二酉操作用于通过访问所述数据矩阵中各个视图数据对应的数据矩阵的列指标，输出每一行元素的模长；
9、所述第一酉操作具体为：
10、
11、所述第二酉操作具体为：
12、
13、其中，表示第个视图数据的第个数据点，；表示第个视图数据中每个数据点的数据维度，表示第个视图数据的第个数据点的第个元素，表示个视图数据对应的所述数据矩阵。
14、根据本专利技术提供的一种多视图特征提取方法，在所述将所述数据矩阵存储至量子随机存储器产生数据矩阵对应的量子态之前，所述方法还包括：
15、判断所述数据矩阵中的各个数据点是否为单位向量，若不是，基于预处理过程，将数据点转换为单位向量。
16、根据本专利技术提供的一种多视图特征提取方法，在所述基于所述量子随机存储器中所述数据矩阵对应的量子态，构建多视图特征提取量子加速交叉回归算法的目标矩阵中各个子矩阵对应的子矩阵分块编码之前，所述方法还包括：
17、基于经典多视图特征提取加速交叉回归算法，根据所述数据矩阵和所述数据矩阵对应的排列矩阵，构建所述多视图特征提取量子加速交叉回归算法的所述目标矩阵：
18、
19、其中，表示所述多视图特征提取量子加速交叉回归算法的所述目标矩阵，表示正则化参数，表示总共有个视图数据，表示个视图数据对应的单位矩阵，表示所述数据矩阵对应的排列矩阵；
20、将所述多视图特征提取量子加速交叉回归算法的所述目标矩阵进行拆分，得到第一子矩阵、第二子矩阵和第三子矩阵，其中，所述第一子矩阵包括子矩阵和子矩阵。
21、根据本专利技术提供的一种多视图特征提取方法，所述根据所述量子随机存储器中所述数据矩阵对应的量子态，构建多视图特征提取量子加速交叉回归算法的目标矩阵中各个子矩阵对应的子矩阵分块编码，包括：
22、根据密度算子的分块编码和所述第一子矩阵，分别构建第一子矩阵分块编码和第二子矩阵分块编码，其中，表示每一个视图数据对应的数据矩阵有个数据点；
23、基于哈德玛量子门和受控非门量子门，根据所述密度算子的分块编码和所述第二子矩阵，构建第三子矩阵分块编码；
24、对所述第二子矩阵分块编码和所述第三子矩阵分块编码进行分块编码算子的线性组合，构建第四子矩阵分块编码，其中，；
25、根据块对角矩阵的分块编码和所述第四子矩阵分块编码，构建第五子矩阵分块编码；
26、根据厄密特矩阵的负幂次分块编码和第五子矩阵分块编码，构建第六子矩阵分块编码；
27、基于预设酉算子，根据所述第三子矩阵，构建所述第三子矩阵的分块编码；基于所述预设酉算子，根据所述第三子矩阵的转置，构建所述第三子矩阵的转置的分块编码；
28、基于多个所述第一子矩阵分块编码进行所述分块编码算子的线性组合，构建第七子矩阵分块编码。
29、根据本专利技术提供的一种多视图特征提取方法，所述根据多个所述子矩阵分块编码，构建所述多视图特征提取量子加速交叉回归算法的所述目标矩阵对应的分块编码，包括：
30、根据所述第六子矩阵分块编码、所述第三子矩阵的分块编码、所述第三子矩阵的转置的分块编码和所述第七子矩阵分块编码，构建所述多视图特征提取量子加速交叉回归算法的所述目标矩阵对应的分块编码。
31、根据本专利技术提供的一种多视图特征提取方法，所述根据密度算子的分块编码和所述第一子矩阵，分别构建第一子矩阵分块编码和第二子矩阵分块编码，包括：
32、根据所述量子随机存储器中所述多个视图数据对应的数据矩阵对应的量子态或数据矩阵的转置对应的量子态，制备初始化量子态为的第一量子寄存器和第二量子寄存器，其中，所述第一量子寄存器中有个量子比特，所述第二量子寄存器中有个量子比特；
33、对所述第一量子寄存器执行哈德玛量子门，生成均匀叠加态；
34、对所述第二量子寄存器执行所述第一酉操作，生成各个视图数据的数据矩阵的行元素对应的量子态；
35、对所述第一量子寄存器进行取偏迹运算，得到所述第一量子寄存器对应的偏迹；
36、基于一个用于在初始化量子态生成一个纯化量子态的预设量子比特酉算子，构建密度算子的一个的分块编码，其中，表示量子比特的数量为的量子寄存器对应的单位矩阵；表示所述第一量子寄存器对应的单位矩阵，为所述第一量子寄存器中的量子比特的数量；表示将所述第二量子寄存器与量子比特的数量为的量子寄存器进行交换的酉算子，为所述第二量子寄存器中的量子比特的数量；
37、本文档来自技高网...
【技术保护点】
1.一种多视图特征提取方法，其特征在于，包括：
2.根据权利要求1所述的多视图特征提取方法，其特征在于，所述将所述数据矩阵存储至量子随机存储器产生数据矩阵对应的量子态，包括：
3.根据权利要求2所述的多视图特征提取方法，其特征在于，在所述将所述数据矩阵存储至量子随机存储器产生数据矩阵对应的量子态之前，所述方法还包括：
4.根据权利要求2所述的多视图特征提取方法，其特征在于，在所述基于所述量子随机存储器中所述数据矩阵对应的量子态，构建多视图特征提取量子加速交叉回归算法的目标矩阵中各个子矩阵对应的子矩阵分块编码之前，所述方法还包括：
5.根据权利要求4所述的多视图特征提取方法，其特征在于，所述根据所述量子随机存储器中所述数据矩阵对应的量子态，构建多视图特征提取量子加速交叉回归算法的目标矩阵中各个子矩阵对应的子矩阵分块编码，包括：
6.根据权利要求5所述的多视图特征提取方法，其特征在于，所述根据多个所述子矩阵分块编码，构建所述多视图特征提取量子加速交叉回归算法的所述目标矩阵对应的分块编码，包括：
7.根据权利要求6
8.根据权利要求7所述的多视图特征提取方法，其特征在于，所述基于哈德玛量子门和受控非门量子门，根据所述密度算子的分块编码和所述第二子矩阵，构建第三子矩阵分块编码，包括：
9.根据权利要求8所述的多视图特征提取方法，其特征在于，所述对所述第二子矩阵分块编码和所述第三子矩阵分块编码进行分块编码算子的线性组合，构建第四子矩阵分块编码，包括：
10.根据权利要求9所述的多视图特征提取方法，其特征在于，所述根据块对角矩阵的分块编码和所述第四子矩阵分块编码，构建第五子矩阵分块编码，包括：
11.根据权利要求10所述的多视图特征提取方法，其特征在于，所述根据厄密特矩阵的负幂次分块编码和第五子矩阵分块编码，构建第六子矩阵分块编码，包括：
12.根据权利要求11所述的多视图特征提取方法，其特征在于，所述基于预设酉算子，根据所述第三子矩阵，构建所述第三子矩阵的分块编码；基于所述预设酉算子，根据所述第三子矩阵的转置，构建所述第三子矩阵的转置的分块编码，包括：
13.根据权利要求12所述的多视图特征提取方法，其特征在于，所述基于多个所述第一子矩阵分块编码进行所述分块编码算子的线性组合，构建第七子矩阵分块编码，包括：
14.根据权利要求13所述的多视图特征提取方法，其特征在于，所述根据所述第六子矩阵分块编码、所述第三子矩阵的分块编码、所述第三子矩阵的转置的分块编码和所述第七子矩阵分块编码构建所述多视图特征提取量子加速交叉回归算法的所述目标矩阵对应的分块编码，包括：
15.根据权利要求14所述的多视图特征提取方法，其特征在于，所述基于最优哈密顿量模拟和所述目标矩阵的分块编码，对求解所述多视图特征提取量子加速交叉回归算法的所述目标矩阵进行量子模拟，得到对应的酉矩阵,包括：
16.根据权利要求15所述的多视图特征提取方法，其特征在于，所述根据相位估计算法和所述酉矩阵，对所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的特征信息进行提取，得到所述多个视图数据对应的低维表示数据，包括：
17.根据权利要求1至16任一项所述的多视图特征提取方法，其特征在于，在所述根据相位估计算法和所述酉矩阵，对所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的特征信息进行提取，得到所述多个视图数据对应的低维表示数据之后，所述方法还包括：
18.一种多视图特征提取系统，其特征在于，包括：
19.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至17任一项所述多视图特征提取方法。
20.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至17任一项所述多视图特征提取方法。
...【技术特征摘要】
1.一种多视图特征提取方法，其特征在于，包括：
2.根据权利要求1所述的多视图特征提取方法，其特征在于，所述将所述数据矩阵存储至量子随机存储器产生数据矩阵对应的量子态，包括：
3.根据权利要求2所述的多视图特征提取方法，其特征在于，在所述将所述数据矩阵存储至量子随机存储器产生数据矩阵对应的量子态之前，所述方法还包括：
4.根据权利要求2所述的多视图特征提取方法，其特征在于，在所述基于所述量子随机存储器中所述数据矩阵对应的量子态，构建多视图特征提取量子加速交叉回归算法的目标矩阵中各个子矩阵对应的子矩阵分块编码之前，所述方法还包括：
5.根据权利要求4所述的多视图特征提取方法，其特征在于，所述根据所述量子随机存储器中所述数据矩阵对应的量子态，构建多视图特征提取量子加速交叉回归算法的目标矩阵中各个子矩阵对应的子矩阵分块编码，包括：
6.根据权利要求5所述的多视图特征提取方法，其特征在于，所述根据多个所述子矩阵分块编码，构建所述多视图特征提取量子加速交叉回归算法的所述目标矩阵对应的分块编码，包括：
7.根据权利要求6所述的多视图特征提取方法，其特征在于，所述根据密度算子的分块编码和所述第一子矩阵，分别构建第一子矩阵分块编码和第二子矩阵分块编码，包括：
8.根据权利要求7所述的多视图特征提取方法，其特征在于，所述基于哈德玛量子门和受控非门量子门，根据所述密度算子的分块编码和所述第二子矩阵，构建第三子矩阵分块编码，包括：
9.根据权利要求8所述的多视图特征提取方法，其特征在于，所述对所述第二子矩阵分块编码和所述第三子矩阵分块编码进行分块编码算子的线性组合，构建第四子矩阵分块编码，包括：
10.根据权利要求9所述的多视图特征提取方法，其特征在于，所述根据块对角矩阵的分块编码和所述第四子矩阵分块编码，构建第五子矩阵分块编码，包括：
11.根据权利要求10所述的多视图特征提取方法，其特征在于，所述根据厄密特矩阵的负幂次分块编码和第五子矩阵分块编码，构建第六子矩阵分块编码，...
【专利技术属性】
技术研发人员：刘海玲，张新，赵雅倩，李仁刚，
申请(专利权)人：苏州元脑智能科技有限公司，
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。