CN113255747A - 量子多通道卷积神经分类方法、系统、终端及存储介质 - Google Patents

量子多通道卷积神经分类方法、系统、终端及存储介质 Download PDF

Info

Publication number
CN113255747A
CN113255747A CN202110525745.XA CN202110525745A CN113255747A CN 113255747 A CN113255747 A CN 113255747A CN 202110525745 A CN202110525745 A CN 202110525745A CN 113255747 A CN113255747 A CN 113255747A
Authority
CN
China
Prior art keywords
quantum
probability
convolution
channel
input data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110525745.XA
Other languages
English (en)
Other versions
CN113255747B (zh
Inventor
姜金哲
张新
李辰
李红珍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Yingxin Computer Technology Co Ltd
Original Assignee
Shandong Yingxin Computer Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong Yingxin Computer Technology Co Ltd filed Critical Shandong Yingxin Computer Technology Co Ltd
Priority to CN202110525745.XA priority Critical patent/CN113255747B/zh
Publication of CN113255747A publication Critical patent/CN113255747A/zh
Application granted granted Critical
Publication of CN113255747B publication Critical patent/CN113255747B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computational Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种量子多通道卷积神经分类方法、系统、终端及存储介质，包括：将传统二维数据转化为量子态输入数据；根据计算场景需求设置通道数，并生成与通道数同等数量的量子卷积核，所述量子卷积核由一定数量的量子旋转门构成；量子通道内的卷积核对输入数据进行量子计算；将量子卷积核计算输出的量子比特的概率值作为所属量子通道的输出标签概率；根据各量子通道的输出标签概率确定识别结果。本发明可利用量子计算方式直接对二维图像进行分类任务，且本发明的分类方法计算过程为线性过程，使用该方法后量子卷积神经网络为全局的线性计算过程，具有卓越的泛化能力。

Description

量子多通道卷积神经分类方法、系统、终端及存储介质
技术领域
本发明量子计算技术领域，具体涉及一种量子多通道卷积神经分类方法、系统、终端及存储介质。
背景技术
随着量子计算的研究深入，其在机器学习中的应用正逐步成为一个崭新的研究方向。卷积神经网络与量子理论相结合，从而构建量子卷积神经网络计算，是一种全新的计算模型，是机器学习研究中的极具潜力的前沿课题，同时它也很可能是未来人工智能发展的新热点。
量子卷积神经网络主要由量子比特和量子门构成。在量子卷积神经网络中使用的基本单元为量子比特，对应计算机当中比特的概念。量子比特有两个可能的状态|0>，|1>，对应比特的开关状态，但与经典比特的区别在于，量子比特的状态可以是两种状态的线性叠加状态，其形式为：
Figure BDA0003065675830000011
其中α，β称为量子态的概率幅，分别表示处于两种态的概率分布，满足|α|2+|β|2＝100％。这也是量子比特的特点与优势之一，可以同时表征两种状态，量子计算也正是利用这个特性。量子卷积神经网络的二维输入中的每个像素位均为量子比特表示，并且卷积核也同样的为量子态二维矩阵。
量子门也是实现量子卷积神经网络的基础，是对量子态进行的控制操作。常用的单量子控制门量子旋转门R(θ)都可以使目标量子比特旋转特定的角度，即改变其概率幅分布，起到和传统卷积神经网络卷积核参数的作用。多位量子控制门，如n位受控非门是在前n个量子比特全为|1>态时候，才对目标比特进行作用，多在量子比特信息聚合时使用。
目前量子卷积神经网络方面的研究较为稀少，调研发现仅有的一些工作均采用的是单通道的计算模式。目前量子卷积神经网络在分类的过程中，通常仍然采用Softmax方法。Softmax在机器学习中有非常广泛的应用，非常多的多分类神经网络、卷积神经网络在输出层采用这种函数。
单通道大大限制了模型的扩展和能力提升。Softmax分类函数是非线性的，非线性计算过程会存在一些不可预知的问题，目前卷积神经网络的泛化性能差很有可能就是非线性计算过程的结果。
发明内容
针对现有技术的上述不足，本发明提供一种量子多通道卷积神经分类方法、系统、终端及存储介质，以解决上述技术问题。
第一方面，本发明提供一种量子多通道卷积神经分类方法，包括：
将传统二维数据转化为量子态输入数据；
根据计算场景需求设置通道数，并生成与通道数同等数量的量子卷积核，所述量子卷积核由一定数量的量子旋转门构成；
量子通道内的卷积核对输入数据进行量子计算；
将量子卷积核计算输出的量子比特的概率值作为所属量子通道的输出标签概率；
根据各量子通道的输出标签概率确定识别结果。
进一步的，所述将传统二维数据转化为量子态输入数据，包括：
预先存储多种映射方法；
选取与所述传统二维数据匹配的映射方法将所述传统二维数据转化为量子态输入数据。
进一步的，所述生成与通道数同等数量的量子卷积核，所述量子卷积核由一定数量的量子旋转门构成，包括：
根据量子态输入数据维度和量子旋转门数量设置量子卷积核，且每个量子旋转门的角度为可训练数。
进一步的，所述根据各量子通道的输出标签概率确定识别结果，包括：
筛选出概率最高的输出标签概率；
将最高输出标签概率的输出标签作为最终预测标签。
第二方面，本发明提供一种量子多通道卷积神经分类系统，包括：
数据转化单元，配置用于将传统二维数据转化为量子态输入数据；
通道设置单元，配置用于根据计算场景需求设置通道数，并生成与通道数同等数量的量子卷积核，所述量子卷积核由一定数量的量子旋转门构成；
通道计算单元，配置用于量子通道内的卷积核对输入数据进行量子计算；
概率设置单元，配置用于将量子卷积核计算输出的量子比特的概率值作为所属量子通道的输出标签概率；
标签识别单元，配置用于根据各量子通道的输出标签概率确定识别结果。
进一步的，所述数据转化单元包括：
映射存储模块，配置用于预先存储多种映射方法；
映射转化模块，配置用于选取与所述传统二维数据匹配的映射方法将所述传统二维数据转化为量子态输入数据。
进一步的，所述通道设置单元包括：
卷积设置模块，配置用于根据量子态输入数据维度和量子旋转门数量设置量子卷积核，且每个量子旋转门的角度为可训练数。
进一步的，所述标签识别单元包括：
概率筛选模块，配置用于筛选出概率最高的输出标签概率；
标签设置模块，配置用于将最高输出标签概率的输出标签作为最终预测标签。
第三方面，提供一种终端，包括：
处理器、存储器，其中，
该存储器用于存储计算机程序，
该处理器用于从存储器中调用并运行该计算机程序，使得终端执行上述的终端的方法。
第四方面，提供了一种计算机存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。
本发明的有益效果在于，
本发明提供的量子多通道卷积神经分类方法、系统、终端及存储介质，提出了多通道量子卷积计算过程，计算为线性过程，为全线性的卷积神经网络计算结构，具有卓越的泛化性能，可在训练集和测试集上达到相同的测试结果。本发明可利用量子计算方式直接对二维图像进行分类任务，且本发明的分类方法计算过程为线性过程，使用该方法后量子卷积神经网络为全局的线性计算过程，具有卓越的泛化能力。
此外，本发明设计原理可靠，结构简单，具有非常广泛的应用前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的方法的示意性流程图。
图2是本发明一个实施例的系统的示意性框图。
图3为本发明实施例提供的一种终端的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
图1是本发明一个实施例的方法的示意性流程图。其中，图1执行主体可以为一种量子多通道卷积神经分类系统。
如图1所示，该方法包括：
步骤110，将传统二维数据转化为量子态输入数据；
步骤120，根据计算场景需求设置通道数，并生成与通道数同等数量的量子卷积核，所述量子卷积核由一定数量的量子旋转门构成；
步骤130，量子通道内的卷积核对输入数据进行量子计算；
步骤140，将量子卷积核计算输出的量子比特的概率值作为所属量子通道的输出标签概率；
步骤150，根据各量子通道的输出标签概率确定识别结果。
具体的，所述量子多通道卷积神经分类方法包括：
S1、传统输入数据的量子化
采用合适的映射方式将传统二维数据的样本转化为可为量子计算机使用的输入量子态，例如三角函数映射方法，将输入样本中的每个像素点的数值，转换为量子计算机的输入量子比特。
S2、量子多通道卷积神经网络计算过程
设量子态输入数据维度为n×n,根据计算场景需求设置所需通道数m，即设置为n×n×m量子卷积核，其中卷积核由量子旋转门构成，每个旋转门的角度为可训练参数。每个通道的量子卷积核与相对应位置的输入数据点进行量子计算过程，计算过程如图1。其中输出的每个通道的量子态为：
|yi>＝α|0>+(∏sin(xi+θi))|1>,α2＝1-(∏sin(xi+θi))2，θi为卷积核中对应位置的参数值，xi为量子态输入数据。
S3、量子输出分类
最终输出为m个量子比特，可表征m个输出标签，取每个量子比特为|1>的概率值作为该通道表示的输出标签的概率，选取其中概率最高的标签为最终模型给出的预测标签，便可进行分类任务。例如两通道的输出量子比特可表征两张种状态，选取其中为|1>的概率更高的为最终的输出标签，完成分类识别任务。
如图2所示，该系统200包括：
数据转化单元210，配置用于将传统二维数据转化为量子态输入数据；
通道设置单元220，配置用于根据计算场景需求设置通道数，并生成与通道数同等数量的量子卷积核，所述量子卷积核由一定数量的量子旋转门构成；
通道计算单元230，配置用于量子通道内的卷积核对输入数据进行量子计算；
概率设置单元240，配置用于将量子卷积核计算输出的量子比特的概率值作为所属量子通道的输出标签概率；
标签识别单元250，配置用于根据各量子通道的输出标签概率确定识别结果。
可选地，作为本发明一个实施例，所述数据转化单元包括：
映射存储模块，配置用于预先存储多种映射方法；
映射转化模块，配置用于选取与所述传统二维数据匹配的映射方法将所述传统二维数据转化为量子态输入数据。
可选地，作为本发明一个实施例，所述通道设置单元包括：
卷积设置模块，配置用于根据量子态输入数据维度和量子旋转门数量设置量子卷积核，且每个量子旋转门的角度为可训练数。
可选地，作为本发明一个实施例，所述标签识别单元包括：
概率筛选模块，配置用于筛选出概率最高的输出标签概率；
标签设置模块，配置用于将最高输出标签概率的输出标签作为最终预测标签。
图3为本发明实施例提供的一种终端300的结构示意图，该终端300可以用于执行本发明实施例提供的量子多通道卷积神经分类方法。
其中，该终端300可以包括：处理器310、存储器320及通信单元330。这些组件通过一条或多条总线进行通信，本领域技术人员可以理解，图中示出的服务器的结构并不构成对本发明的限定，它既可以是总线形结构，也可以是星型结构，还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
其中，该存储器320可以用于存储处理器310的执行指令，存储器320可以由任何类型的易失性或非易失性存储终端或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。当存储器320中的执行指令由处理器310执行时，使得终端300能够执行以下上述方法实施例中的部分或全部步骤。
处理器310为存储终端的控制中心，利用各种接口和线路连接整个电子终端的各个部分，通过运行或执行存储在存储器320内的软件程序和/或模块，以及调用存储在存储器内的数据，以执行电子终端的各种功能和/或处理数据。所述处理器可以由集成电路(Integrated Circuit，简称IC)组成，例如可以由单颗封装的IC所组成，也可以由连接多颗相同功能或不同功能的封装IC而组成。举例来说，处理器310可以仅包括中央处理器(Central Processing Unit，简称CPU)。在本发明实施方式中，CPU可以是单运算核心，也可以包括多运算核心。
通信单元330，用于建立通信信道，从而使所述存储终端可以与其它终端进行通信。接收其他终端发送的用户数据或者向其他终端发送用户数据。
本发明还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本发明提供的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文：read-only memory，简称：ROM)或随机存储记忆体(英文：random access memory，简称：RAM)等。
因此，本发明提出了多通道量子卷积计算过程，计算为线性过程，为全线性的卷积神经网络计算结构，具有卓越的泛化性能，可在训练集和测试集上达到相同的测试结果。本发明可利用量子计算方式直接对二维图像进行分类任务，且本发明的分类方法计算过程为线性过程，使用该方法后量子卷积神经网络为全局的线性计算过程，具有卓越的泛化能力，本实施例所能达到的技术效果可以参见上文中的描述，此处不再赘述。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中如U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，包括若干指令用以使得一台计算机终端(可以是个人计算机，服务器，或者第二终端、网络终端等)执行本发明各个实施例所述方法的全部或部分步骤。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于终端实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述，但本发明并不限于此。在不脱离本发明的精神和实质的前提下，本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换，而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种量子多通道卷积神经分类方法，其特征在于，包括：
将传统二维数据转化为量子态输入数据；
根据计算场景需求设置通道数，并生成与通道数同等数量的量子卷积核，所述量子卷积核由一定数量的量子旋转门构成；
量子通道内的卷积核对输入数据进行量子计算；
将量子卷积核计算输出的量子比特的概率值作为所属量子通道的输出标签概率；
根据各量子通道的输出标签概率确定识别结果。
2.根据权利要求1所述的方法，其特征在于，所述将传统二维数据转化为量子态输入数据，包括：
预先存储多种映射方法；
选取与所述传统二维数据匹配的映射方法将所述传统二维数据转化为量子态输入数据。
3.根据权利要求1所述的方法，其特征在于，所述生成与通道数同等数量的量子卷积核，所述量子卷积核由一定数量的量子旋转门构成，包括：
根据量子态输入数据维度和量子旋转门数量设置量子卷积核，且每个量子旋转门的角度为可训练数。
4.根据权利要求1所述的方法，其特征在于，所述根据各量子通道的输出标签概率确定识别结果，包括：
筛选出概率最高的输出标签概率；
将最高输出标签概率的输出标签作为最终预测标签。
5.一种量子多通道卷积神经分类系统，其特征在于，包括：
数据转化单元，配置用于将传统二维数据转化为量子态输入数据；
通道设置单元，配置用于根据计算场景需求设置通道数，并生成与通道数同等数量的量子卷积核，所述量子卷积核由一定数量的量子旋转门构成；
通道计算单元，配置用于量子通道内的卷积核对输入数据进行量子计算；
概率设置单元，配置用于将量子卷积核计算输出的量子比特的概率值作为所属量子通道的输出标签概率；
标签识别单元，配置用于根据各量子通道的输出标签概率确定识别结果。
6.根据权利要求5所述的系统，其特征在于，所述数据转化单元包括：
映射存储模块，配置用于预先存储多种映射方法；
映射转化模块，配置用于选取与所述传统二维数据匹配的映射方法将所述传统二维数据转化为量子态输入数据。
7.根据权利要求5所述的系统，其特征在于，所述通道设置单元包括：
卷积设置模块，配置用于根据量子态输入数据维度和量子旋转门数量设置量子卷积核，且每个量子旋转门的角度为可训练数。
8.根据权利要求5所述的系统，其特征在于，所述标签识别单元包括：
概率筛选模块，配置用于筛选出概率最高的输出标签概率；
标签设置模块，配置用于将最高输出标签概率的输出标签作为最终预测标签。
9.一种终端，其特征在于，包括：
处理器；
用于存储处理器的执行指令的存储器；
其中，所述处理器被配置为执行权利要求1-4任一项所述的方法。
10.一种存储有计算机程序的计算机可读存储介质，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一项所述的方法。
CN202110525745.XA 2021-05-14 2021-05-14 量子多通道卷积神经分类方法、系统、终端及存储介质 Active CN113255747B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110525745.XA CN113255747B (zh) 2021-05-14 2021-05-14 量子多通道卷积神经分类方法、系统、终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110525745.XA CN113255747B (zh) 2021-05-14 2021-05-14 量子多通道卷积神经分类方法、系统、终端及存储介质

Publications (2)

Publication Number Publication Date
CN113255747A true CN113255747A (zh) 2021-08-13
CN113255747B CN113255747B (zh) 2023-07-28

Family

ID=77182001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110525745.XA Active CN113255747B (zh) 2021-05-14 2021-05-14 量子多通道卷积神经分类方法、系统、终端及存储介质

Country Status (1)

Country Link
CN (1) CN113255747B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114419380A (zh) * 2022-03-31 2022-04-29 苏州浪潮智能科技有限公司 一种图像识别方法、装置及电子设备和存储介质
CN115712065A (zh) * 2023-01-05 2023-02-24 湖南大学 时频旋转门与卷积核感知匹配的电机故障诊断方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110909796A (zh) * 2019-11-22 2020-03-24 浪潮电子信息产业股份有限公司 一种图像分类方法及相关装置
CN111260065A (zh) * 2020-01-09 2020-06-09 湖北师范大学 一种二维量子卷积计算方法
CN112001498A (zh) * 2020-08-14 2020-11-27 苏州浪潮智能科技有限公司 基于量子计算机的数据识别方法、装置及可读存储介质
CN112434637A (zh) * 2020-12-04 2021-03-02 上海交通大学 基于量子计算线路和LiDAR点云分类的物体识别方法
CN112464003A (zh) * 2020-11-06 2021-03-09 苏州浪潮智能科技有限公司 一种图像分类方法及相关装置
CN112507863A (zh) * 2020-12-04 2021-03-16 西安电子科技大学 基于量子Grover算法的手写文字图片分类方法
CN112613571A (zh) * 2020-12-29 2021-04-06 华东计算技术研究所（中国电子科技集团公司第三十二研究所） 一种用于图像识别的量子神经网络方法、系统及介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110909796A (zh) * 2019-11-22 2020-03-24 浪潮电子信息产业股份有限公司 一种图像分类方法及相关装置
CN111260065A (zh) * 2020-01-09 2020-06-09 湖北师范大学 一种二维量子卷积计算方法
CN112001498A (zh) * 2020-08-14 2020-11-27 苏州浪潮智能科技有限公司 基于量子计算机的数据识别方法、装置及可读存储介质
CN112464003A (zh) * 2020-11-06 2021-03-09 苏州浪潮智能科技有限公司 一种图像分类方法及相关装置
CN112434637A (zh) * 2020-12-04 2021-03-02 上海交通大学 基于量子计算线路和LiDAR点云分类的物体识别方法
CN112507863A (zh) * 2020-12-04 2021-03-16 西安电子科技大学 基于量子Grover算法的手写文字图片分类方法
CN112613571A (zh) * 2020-12-29 2021-04-06 华东计算技术研究所（中国电子科技集团公司第三十二研究所） 一种用于图像识别的量子神经网络方法、系统及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
闫茜茜 等: ""二维量子卷积计算"", 《量子光学学报》 *
闫茜茜 等: ""二维量子卷积计算"", 《量子光学学报》, vol. 26, no. 4, 31 December 2020 (2020-12-31) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114419380A (zh) * 2022-03-31 2022-04-29 苏州浪潮智能科技有限公司 一种图像识别方法、装置及电子设备和存储介质
CN115712065A (zh) * 2023-01-05 2023-02-24 湖南大学 时频旋转门与卷积核感知匹配的电机故障诊断方法及系统
CN115712065B (zh) * 2023-01-05 2023-04-07 湖南大学 时频旋转门与卷积核感知匹配的电机故障诊断方法及系统

Also Published As

Publication number Publication date
CN113255747B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
US11307864B2 (en) Data processing apparatus and method
US11307865B2 (en) Data processing apparatus and method
CN112001498B (zh) 基于量子计算机的数据识别方法、装置及可读存储介质
WO2021088248A1 (zh) 基于忆阻器的神经网络的并行加速方法及处理器、装置
CN112464003B (zh) 一种图像分类方法及相关装置
Abdel Magid et al. Image classification on IoT edge devices: profiling and modeling
CN106599900A (zh) 一种识别图像中的字符串的方法和装置
US20210209450A1 (en) Compressed weight distribution in networks of neural processors
CN113255747A (zh) 量子多通道卷积神经分类方法、系统、终端及存储介质
US12039405B2 (en) Boosting quantum artificial intelligence models
JP7044449B2 (ja) 量子トモグラフィを容易化するためのシステム、コンピュータによって実施される方法、およびコンピュータ・プログラム
CN113656690A (zh) 产品推荐方法、装置、电子设备及可读存储介质
US20220108156A1 (en) Hardware architecture for processing data in sparse neural network
WO2020005599A1 (en) Trend prediction based on neural network
CN111126501B (zh) 一种图像识别方法、终端设备及存储介质
Shakibhamedan et al. Ease: Energy optimization through adaptation–a review of runtime energy-aware approximate deep learning algorithms
US20230047184A1 (en) Techniques for prediction based machine learning models
US11307866B2 (en) Data processing apparatus and method
US11086634B2 (en) Data processing apparatus and method
CN114419380A (zh) 一种图像识别方法、装置及电子设备和存储介质
CN111382848A (zh) 一种计算装置及相关产品
CN116662415B (zh) 基于数据挖掘的智能匹配方法及系统
US20230297815A1 (en) Sparse binary representation for self supervised information extraction
Huang et al. BWA-NIMC: Budget-based Workload Allocation for Hybrid Near/In-Memory-Computing
Alom et al. Convolutional sparse coding on neurosynaptic cognitive system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant