一种基于量子神经网络的多因素系统的综合评价方法技术方案

一种基于量子神经网络的多因素系统的综合评价方法，包括以下步骤：１）设定所述多因素系统的多个前馈型量子神经元；２）制备一个ｎ位量子比特的量子寄存器；３）将量子寄存器｜０）或｜１）作为该用户接收机的因素数的输入，为其输出４）设定并行计算算子Ｏ，将其用于多因素系统综合评价方法的输出量子态，对其进行更新演化；５）直至更新后的输出量子态与更新前的变化在允许的误差范围内，即网络状态稳定，此时的输出量子态所对应的发送信息序列即为多因素系统的检测结果。

【技术实现步骤摘要】

本专利技术涉及复杂系统综合评价领域，尤其是一种多因素系统的综合评价方法。技术背景国内外交通系统评价中常用的综合评价方法从总体上可以分为专家评价法、经 济分析法、运筹学方法和其他数学方法等。神经网络由于其大规模并行处理、容错性、自组 织和自适应能力和联想功能等特点，已成为解决问题的有力工具，对突破现有科学技术的 瓶颈，更深入的探索非线性等复杂现象起到了重大的作用，广泛应用于许多科学领域。研究 人员根据其特点，对神经网络模型应用于综合评价也进行了探讨。作为人工智能的重要组成部分，神经网络方法可以避免确定指标权重时的主观 性，并通过对给定样本模式的学习，获取评价专家的经验、知识、主观判断及对目标重要性 的倾向，当需要样本模式以外的对象系统做出综合评价时，该方法便可以再现评价专家的 经验、知识和直觉思维，从而实现定量分析和定性分析的有效结合，较好地保证了评价的客 观性等优点，在近20年里已经吸引了大量专家学者的目光。然而，随着应用的深人推广和 实际问题的日益涌现，网络结构相对单一的传统神经网络模型也逐渐显现出了种种缺陷和 不足，例如固有的学习速度慢、灾变性失忆等等。为了克服神经计算的局限和不足，学者们 希望能够有新的理论与神经计算相结合，在本质上改善神经计算的计算性能。由此，量子神 经计算便发展起来。1995年美国的Kak教授首次提出量子神经计算的概念，之后一些学者提出了量子 衍生神经网络、量子点神经网络、量子纠缠神经网络等量子神经网络模型。研究表明，量子 神经网络由于利用了量子并行、量子纠缠等量子计算特性，在记忆容量和处理速度等方面 性能优于ANN，具有比ANN更强的并行处理能力并能处理更大型数据集，且能解决某些ANN 无法解释的问题，如灾变性失忆问题、单层神经网络无法求解线性不可分问题等。近几年， 量子神经网络的研究日趋活跃，并在模式识别、纠缠计算、函数近似等方面得到初步应用， 但将量子神经网络应用于综合评价的研究报导尚少见。Kouda采用模拟一位量子相移门和两位量子受控非门，提出了基于量子门的神经 网络。该网络用复数表示量子状态，通过对量子门的模拟，显示出较好的学习能力。但是， 学习算法较为复杂，特别是在使用梯度训练法时，对复数反正切求导的计算较为繁琐，对于 一些分类问题的网络测试正确率不高，并且网络训练时间较长。
技术实现思路
为了克服已有多因素系统的评价方法的计算繁琐、正确率不高、训练时间较长的 不足，本专利技术提供一种简化计算、提高正确率、缩短训练时间的基于量子神经网络的多因素 系统的综合评价方法。本专利技术解决其技术问题所采用的技术方案是，所述综合评价方法包括以下步骤1)设定所述多因素系统的多个前馈型量子神经元，其中，每个神经元的结构相似， 输入为η位量子比特，η为自然数，即η位量子寄存器，输出为1位量子寄存器，前m个量子 神经元的输出同时作为第m+1个前馈性量子神经元的前馈输入，m为自然数，前馈性量子神 经元的阈值也是η位量子比特，前馈型量子神经元的连接权是一个n*n的矩阵，前馈型量子 神经元的演化算子F是一个作用在η位量子寄存器上的算子，控制前馈型量子神经元状态 的演化；2)制备一个η位量子比特的量子寄存器，量子神经元的状态为U，U = 0或者U = 1，分别用0>或1>来表示;3)将量子寄存器|0>或I 1>作为该用户接收机的因素数的输入，k〉为其输出|ζΡ〉= α)56>|0〉+ 5 η6>| 〉■ 4)设定并行计算算子0，将其用于多因素系统综合评价方法的输出量子态，对其 进行更新演化；5)直至更新后的输出量子态与更新前的变化在允许的误差范围内，即网络状态稳 定，此时的输出量子态所对应的发送信息序列即为多因素系统的检测结果。作为优选的一种方案所述步骤幻中，设定量子神经网络多因素检测器，函数 F(e)根据神经元的相角得到神经元最新的状态，采用复数表示方法，表示为F( θ ) = e" = C0s θ+sin θ · i. (7)式(7)中，用“1”表示0>，用“i”表示1>。进一步，所述步骤4)中，设定量子神经网络为3层前馈量子神经网络，隐含层采用 步骤1)所述的前馈型量子神经元，输出层神经元激活函数采用S函数，建模采用线性函数， 处理过程如下表示权利要求1.，其特征在于所述综合评价 方法包括以下步骤1)设定所述多因素系统的多个前馈型量子神经元，其中，每个神经元的结构相似，输入 为η位量子比特，η为自然数，即η位量子寄存器，输出为1位量子寄存器，前m个量子神经 元的输出同时作为第m+1个前馈型量子神经元的前馈输入，m为自然数，前馈性量子神经元 的阈值也是η位量子比特，前馈型量子神经元的连接权是一个n*n的矩阵，前馈型量子神经 元的演化算子F是一个作用在η位量子寄存器上的算子，控制前馈型量子神经元状态的演 化；2)制备一个η位量子比特的量子寄存器，量子神经元的状态为U，U= 0或者U= 1，分 别用|0>或|1>来表示；3)将量子寄存器|0>或11>作为该用户接收机的因素数的输入，k〉为其输出|ζΡ〉= α)56>|0〉+ 5 η6>| 〉■94)设定并行计算算子0，将其用于多因素系统综合评价方法的输出量子态，对其进行 更新演化；5)直至更新后的输出量子态与更新前的变化在允许的误差范围内，即网络状态稳定， 此时的输出量子态所对应的发送信息序列即为多因素系统的检测结果。2.如权利要求1所述的基于量子神经网络的多因素系统的综合评价方法，其特征在 于所述步骤幻中，设定量子神经网络多因素检测器，函数F( θ )根据神经元的相角得到神 经元最新的状态，采用复数表示方法，表示为3.如权利要求1或2所述的基于量子神经网络的多因素系统的综合评价方法，其特征 在于所述步骤4)中，设定量子神经网络为3层前馈量子神经网络，隐含层采用步骤1)所 述的前馈型量子神经元，输出层神经元激活函数采用S函数，建模采用线性函数，处理过程 如下表示) (8)全文摘要，包括以下步骤1)设定所述多因素系统的多个前馈型量子神经元；2)制备一个n位量子比特的量子寄存器；3)将量子寄存器|0>或|1>作为该用户接收机的因素数的输入，为其输出4)设定并行计算算子O，将其用于多因素系统综合评价方法的输出量子态，对其进行更新演化；5)直至更新后的输出量子态与更新前的变化在允许的误差范围内，即网络状态稳定，此时的输出量子态所对应的发送信息序列即为多因素系统的检测结果。文档编号G06N3/02GK102034133SQ20101059165公开日2011年4月27日 申请日期2010年12月16日 优先权日2010年12月16日专利技术者董红召, 郭明飞, 郭海锋, 金凌, 陈宁, 黄智 申请人:浙江工业大学本文档来自技高网...

【技术保护点】
一种基于量子神经网络的多因素系统的综合评价方法，其特征在于：所述综合评价方法包括以下步骤：１）设定所述多因素系统的多个前馈型量子神经元，其中，每个神经元的结构相似，输入为ｎ位量子比特，ｎ为自然数，即ｎ位量子寄存器，输出为１位量子寄存器，前ｍ个量子神经元的输出同时作为第ｍ＋１个前馈型量子神经元的前馈输入，ｍ为自然数，前馈性量子神经元的阈值也是ｎ位量子比特，前馈型量子神经元的连接权是一个ｎ＊ｎ的矩阵，前馈型量子神经元的演化算子Ｆ是一个作用在ｎ位量子寄存器上的算子，控制前馈型量子神经元状态的演化；２）制备一个ｎ位量子比特的量子寄存器，量子神经元的状态为Ｕ，Ｕ＝０或者Ｕ＝１，分别用｜０＞或｜１＞来表示；３）将量子寄存器｜０＞或｜１＞作为该用户接收机的因素数的输入，｜φ〉为其输出｜φ〉＝ｃｏｓθ｜０〉＋ｓｉｎθ｜１〉；４）设定并行计算算子Ｏ，将其用于多因素系统综合评价方法的输出量子态，对其进行更新演化；５）直至更新后的输出量子态与更新前的变化在允许的误差范围内，即网络状态稳定，此时的输出量子态所对应的发送信息序列即为多因素系统的检测结果。

【技术特征摘要】

【专利技术属性】
技术研发人员：董红召，金凌，黄智，陈宁，郭明飞，郭海锋，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：86[中国|杭州]