量子計(jì)算在動態(tài)遞歸與自組織神經(jīng)網(wǎng)絡(luò)中的機(jī)理及應(yīng)用研究.pdf

1、量子計(jì)算研究的重要意義已經(jīng)為許多科學(xué)家所共識，特別是將量子計(jì)算與神經(jīng)計(jì)算相結(jié)合而得到的量子神經(jīng)網(wǎng)絡(luò)，已成為人工智能計(jì)算發(fā)展的一個主流方向。經(jīng)歷十多年的迅速發(fā)展，量子神經(jīng)網(wǎng)絡(luò)中知識表示的獨(dú)特結(jié)構(gòu)與信息處理的高效性能，使其在許多理論領(lǐng)域中取得了顯著效果，成為信息處理的一個有力工具，為解決一些傳統(tǒng)神經(jīng)網(wǎng)絡(luò)極難求解的問題提供了全新的思路。
　　為使量子神經(jīng)網(wǎng)絡(luò)的理論更加完善，并從理論走向?qū)嵺`，國內(nèi)外許多專家學(xué)者，尤其是一大批年輕有為的國內(nèi)

2、外博士參與到這項(xiàng)研究中，為量子神經(jīng)網(wǎng)絡(luò)的發(fā)展作出了杰出貢獻(xiàn)。本文在研究量子力學(xué)中一些原理和概念的基礎(chǔ)上，將量子技術(shù)引入到神經(jīng)網(wǎng)絡(luò)中，通過對量子神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)及其學(xué)習(xí)算法的設(shè)計(jì)，提出了幾種量子神經(jīng)網(wǎng)絡(luò)模型。具體來講，本文的工作可總結(jié)如下：
　?、偬岢隽孔娱TElman神經(jīng)網(wǎng)絡(luò)模型。新模型由量子比特神經(jīng)元和經(jīng)典神經(jīng)元構(gòu)成。量子物理規(guī)律被應(yīng)用于量子比特神經(jīng)元與經(jīng)典神經(jīng)元之間的相互作用之中。增加的量子映射層，用于解決由于信息量子化所帶來的

3、上下文單元輸出與隱藏層輸入之間模式不一致的問題。新提出的標(biāo)準(zhǔn)量子學(xué)習(xí)算法，包含相關(guān)量子門參數(shù)的更新。新提出的梯度擴(kuò)展量子學(xué)習(xí)算法，采用時間調(diào)度策略調(diào)整學(xué)習(xí)率參數(shù)，利用梯度擴(kuò)展使得上下文單元的權(quán)值與隱藏層的權(quán)值同步更新。新提出的帶自適應(yīng)死區(qū)向量估計(jì)的量子學(xué)習(xí)算法，采用自適應(yīng)死區(qū)向量控制學(xué)習(xí)參數(shù)，并證明該算法在李亞普諾夫意義下的收斂性。
　?、谔岢鰩r間延遲的量子Hopfield神經(jīng)網(wǎng)絡(luò)模型。從量子態(tài)演化規(guī)律出發(fā)，結(jié)合量子疊加原理和測

4、量原理，提出帶時間延遲的量子 Hopfield神經(jīng)網(wǎng)絡(luò)模型，對Hopfield神經(jīng)網(wǎng)絡(luò)中的聯(lián)想記憶機(jī)制，從概率角度給出新的詮釋。新模型中，神經(jīng)元狀態(tài)及連接權(quán)值矩陣均采用量子態(tài)表示。當(dāng)前時刻的量子態(tài)由前面若干個時刻的量子態(tài)疊加得到。在不同時刻的，與神經(jīng)元相連接的量測矩陣，包含量子態(tài)在相應(yīng)時刻被觀測到的概率信息。在定義量子聯(lián)想記憶中的量子記憶原型之后，通過計(jì)算量測矩陣中相關(guān)權(quán)值元素出現(xiàn)的概率值，得到量子關(guān)鍵輸入模式在特定時刻，以特定量子記憶

5、原型出現(xiàn)的概率。
　?、厶岢鼍哂袕椥脏徲虬霃降牧孔?SOM神經(jīng)網(wǎng)絡(luò)模型。新模型將實(shí)數(shù)對象量子化為量子初始態(tài)，在量子門的作用下，初始態(tài)歷經(jīng)量子中間態(tài)被激化為激發(fā)態(tài)。與量子化權(quán)值相連接的量子激發(fā)態(tài)在量子學(xué)習(xí)規(guī)則的驅(qū)動下，被競爭層神經(jīng)元感知，實(shí)現(xiàn)有序的拓?fù)溆成?。新提出的量子學(xué)習(xí)規(guī)則采用量子化權(quán)值與量子激發(fā)態(tài)之間的距離，以及量子化權(quán)值與量子激發(fā)態(tài)之間的相似度共同定義鄰域核函數(shù)中的彈性半徑，從而避免某些競爭層神經(jīng)元因采用固定半徑縮放而形成死

6、區(qū)。
　?、軐?shí)現(xiàn)上述三種量子神經(jīng)網(wǎng)絡(luò)在特定背景下的具體應(yīng)用。針對特定工程對象，分析相關(guān)工程現(xiàn)狀及需求，實(shí)現(xiàn)工程對象與三種量子神經(jīng)網(wǎng)絡(luò)的有機(jī)結(jié)合。在短時載荷預(yù)測中，針對眾多預(yù)測方法采用前饋類網(wǎng)絡(luò)實(shí)現(xiàn)預(yù)測的現(xiàn)狀，采用量子門Elman神經(jīng)網(wǎng)進(jìn)行載荷預(yù)測。在驗(yàn)證量子門Elman神經(jīng)網(wǎng)絡(luò)性能的同時，也提高電力載荷預(yù)測的準(zhǔn)確性。在模擬電路故障診斷中，針對采小波分析和主元分析進(jìn)行故障特征提取的前饋神經(jīng)網(wǎng)絡(luò)方法，通過小波包分析和新定義的能量函數(shù)提