【技术实现步骤摘要】
本专利技术属于量子信息和量子计算方法，具体涉及基于量子贝叶斯分类器的图像分类方法。
技术介绍
1、作为研究变量间因果关系、推导变量状态对结果影响的重要工具，贝叶斯网络被广泛应用于机器学习和数据科学等多个领域，如蒙特卡洛分析、可靠性和风险分析、健康监测、医疗保健以及生物医学系统等。贝叶斯网络的大小取决于网络中节点的个数以及各节点间的依赖关系，大规模贝叶斯网络的学习推理是困难的。2004年，大样本贝叶斯网络就被证明是一个np困难问题。量子计算的出现为解决这一问题提供了新方向。
2、近年来，许多量子算法显示出了量子计算较经典计算的优越性，能够实现相对于经典计算的加速。如shor算法在解决大数分解问题中与经典计算相比可实现指数级加速；grover算法能够在非结构化搜索中实现平方级加速；此外，量子支持向量机和量子k-近邻等基于经典机器学习的量子算法也显示出了量子加速特性。图像分类是计算机视觉领域的基础问题。近年来，使用量子机器学习实现图像分类的方法不断出现，包括量子卷积神经网络、量子k-近邻算法和量子集成算法等。
3、19...
【技术保护点】
1.基于量子贝叶斯分类器的图像分类方法，其特征在于，读取图像的训练数据集，使用局部采样提取二值化关键特征；构造量子贝叶斯网络，根据贝叶斯网络的结构，创建量子贝叶斯分类器，构造量子贝叶斯分类器的量子线路；读取待分类图像数据，提取二值化关键特征集合，在分类器量子线路上测量特征集合对应的类别概率，选择最大概率对应的类别作为分类器的分类结果。
2.根据权利要求1所述的基于量子贝叶斯分类器的图像分类方法，其特征在于，具体按以下步骤实施：
3.根据权利要求2所述的基于量子贝叶斯分类器的图像分类方法，其特征在于，所述步骤1具体操作如下：读取图像的训练数据集；...
【技术特征摘要】
1.基于量子贝叶斯分类器的图像分类方法，其特征在于，读取图像的训练数据集，使用局部采样提取二值化关键特征；构造量子贝叶斯网络，根据贝叶斯网络的结构，创建量子贝叶斯分类器，构造量子贝叶斯分类器的量子线路；读取待分类图像数据，提取二值化关键特征集合，在分类器量子线路上测量特征集合对应的类别概率，选择最大概率对应的类别作为分类器的分类结果。
2.根据权利要求1所述的基于量子贝叶斯分类器的图像分类方法，其特征在于，具体按以下步骤实施：
3.根据权利要求2所述的基于量子贝叶斯分类器的图像分类方法，其特征在于，所述步骤1具体操作如下：读取图像的训练数据集；对训练集中的每一张图片，使用局部采样算法，得到第i个特征节点xi的平均池化值x'i；对于每一个特征点x'i，计算特征点x'i|y＝c的样本均值和方差，x'i|y＝c表示c类样本时x'i的取值；利用x'i|y＝c的均值和方差构建高斯函数，将特征x'i转化为二值特征xi∈{0,1}，构成局部二值化的关键特征集合x＝{x1,…,xi,…,xn}；<...
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。