CN114255374B - 一种针对软间隔支持向量机的量子方法 - Google Patents
一种针对软间隔支持向量机的量子方法 Download PDFInfo
- Publication number
- CN114255374B CN114255374B CN202210184157.9A CN202210184157A CN114255374B CN 114255374 B CN114255374 B CN 114255374B CN 202210184157 A CN202210184157 A CN 202210184157A CN 114255374 B CN114255374 B CN 114255374B
- Authority
- CN
- China
- Prior art keywords
- quantum
- model
- register
- hyperplane
- sample
- 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.)
- Active
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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Evolutionary Biology (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
Description
技术领域
本发明涉及一种针对软间隔支持向量机的量子方法,属于量子计算和机器学习相结合的新型交叉技术领域。
背景技术
随着科技的发展,全球数据总量呈指数级别增长,这将对传统机器学习算法的计算性能提出了更高的要求。量子计算利用量子力学特有的性质(比如量子纠缠与叠加性),使得它在处理某些特定问题上相对于经典计算具有显著的加速优势,例如大数分解(P. W.Shor. Algorithns for quantun computation: discrete logarithms and factoring.Proceedings of the 35th Annual Synposium of Foundation of Computer Science,IEEE Press, Los Alamitos, CA, 1994),求解线性方程组(Phys.Rev.Lett.103,150502(2009))。近年来,各研究学者们专注于设计高效的量子算法来解决特定的机器学习问题,使其计算速度显著加快,进而涌现了一个全新的新型交叉领域—量子机器学习,并且该领域在量子主成分分析(Nature Physics,10,631(2016)),量子支持向量机(Phys.Rev.Lett.113,130503(2014)),量子神经网络(Phys.Rev.A.98,042308(2018))等实际应用上均取得了不错的研究成果。
支持向量机是机器学习领域中一类重要的分类算法,被广泛应用于人像识别、文本分类、图像识别等问题。根据对误差是否容忍可分为硬间隔支持向量机和软间隔支持向量机两类。硬间隔支持向量机的目标是寻找一个分类超平面,它不仅可以正确分类每一个样本,而且使得每一类样本中距离超平面最近的样本到超平面的距离尽可能远。然而在实际的分类应用中,并不是所有的数据点都可以被严格的划分成两类,为了处理这种数据,人们允许在一些样本上有适度的分类误差,即提出了软间隔支持向量机的算法,它已成功应用于图像分类等问题。
发明内容
本发明所要解决的技术问题是提供一种针对软间隔支持向量机的量子方法,采用全新设计方法,加速梯度经典信息的求解效率,进而应用软间隔支持向量机,高效实现图像分类。
本发明为了解决上述技术问题采用以下技术方案:本发明设计了一种针对软间隔支持向量机的量子方法,按如下步骤A至步骤E,获得图像分类模型;应用图像分类模型,执行如下步骤i,针对待分类图片进行分类;
步骤A. 基于已知分别对应正类标签或负类标签的各幅样本图片,分别针对各幅
样本图片的维特征向量执行预处理,获得各幅样本图
片的维新特征向量,其中,,表示样本
图片的数量,,表示第幅样本图像的维特征向量,表示第幅样本图像的
第维特征,表示第幅样本图像的维新特征向量,表示第幅样本图像的第维新特
征,然后进入步骤B;
步骤D. 根据求取最优模型超平面参数的模型、以及全部样本图片维新特征向
量所对应的量子态,应用量子算法,结合模型目标函数所对应超平面参数的梯度经典信息,
执行迭代运算,获得最优模型超平面参数,然后进入步骤E;
获得图像数据矩阵中全部列向量的量子态、图像数据矩阵中全部行向量的
量子态、以及分类标签向量的量子态,其中,表示第幅样本图像所对应的分类标
签值,表示第幅样本图像对应正类标签,表示第幅样本图像对应负类标
签,表示图像数据矩阵中各幅样本图片对应第维新特征的列向量。
作为本发明的一种优选技术方案:所述步骤D包括如下步骤D1至步骤D2:
作为本发明的一种优选技术方案:所述步骤D2包括如下步骤D2-1至步骤D2-16;
步骤D2-3. 执行受控门,其中第0,
4,5寄存器作用单位门,且受控于第2寄存器,若第2寄存器为,则第1,3寄存器执行酉算
子若第2寄存器为,则第1,3寄存器执行酉算子,这里为以的时间
可制备初始归一化模型超平面参数的量子态即,此时系统状态为:
步骤D2-4. 在第2个寄存器中执行哈德玛量子门H,此时系统状态更新为:
步骤D2-5. 针对第2,3,4寄存器应用内积估计算法,此时系统状态为:
步骤D2-6. 执行步骤D2-2至步骤D2-4的退操作,并撤销第2和第3寄存器;
步骤D2-8. 针对第4和第5寄存器使用量子乘加法;
步骤D2-10. 再次针对第4和第5寄存器使用量子乘加法,并撤销第5寄存器;
步骤D2-11. 执行受控操作,受控于第0寄存
器, 若第0寄存器为,则第1寄存器执行单位门,第4、第5寄存器执行受控旋转操作若
第2寄存器为,则第1、第4、第5寄存器执行酉算子,其中,表示受控旋转操作,用于
将寄存器中元素提取出来,是指步骤D2-2至步骤D2-10步的逆操作;
本发明所述一种针对软间隔支持向量机的量子方法,采用以上技术方案与现有技术相比,具有以下技术效果:
附图说明
图1是本发明所设计针对软间隔支持向量机的量子方法的流程图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明所设计一种针对软间隔支持向量机的量子方法,实际应用当中,如图1所示,具体执行如下步骤A至步骤E,获得图像分类模型。
获得各幅样本图片的维新特征向量,其中,,表示样本图片的数量,,表示第幅样本图像的维特征向量,
表示第幅样本图像的第维特征,表示第幅样本图像的维新特征向量,表示第幅
样本图像的第维新特征,表示向量模长函数,然后进入步骤B。
软间隔支持向量机的目标函数如公式(2)所示。
获得图像数据矩阵中全部列向量的量子态、图像数据矩阵中全部行向量的
量子态、以及分类标签向量的量子态,其中,表示第幅样本图像所对应的分类标
签值,表示第幅样本图像对应正类标签,表示第幅样本图像对应负类
标签,表示图像数据矩阵中各幅样本图片对应第维新特征的列向量,然后进入步骤D。
步骤D. 根据求取最优模型超平面参数的模型、以及全部样本图片维新特征向
量所对应的量子态,应用量子算法,结合模型目标函数所对应超平面参数的梯度经典信息,
执行迭代运算,获得最优模型超平面参数,然后进入步骤E。
实际应用当中,上述步骤D具体执行如下步骤D1至步骤D2。
这里步骤D2实际具体执行如下步骤D2-1至步骤D2-16。
步骤D2-3. 执行受控门,其中第0,
4,5寄存器作用单位门,且受控于第2寄存器,若第2寄存器为,则第1,3寄存器执行酉算
子若第2寄存器为,则第1,3寄存器执行酉算子,这里为以的时间
可制备初始归一化模型超平面参数的量子态即,此时系统状态为:
步骤D2-4. 在第2个寄存器中执行哈德玛量子门H,此时系统状态更新为:
步骤D2-5. 针对第2,3,4寄存器应用内积估计算法,此时系统状态为:
步骤D2-6. 执行步骤D2-2至步骤D2-4的退操作,并撤销第2和第3寄存器;
步骤D2-8. 针对第4和第5寄存器使用量子乘加法;
步骤D2-10. 再次针对第4和第5寄存器使用量子乘加法,并撤销第5寄存器;
步骤D2-11. 执行受控操作,受控于第0寄存
器, 若第0寄存器为,则第1寄存器执行单位门,第4、第5寄存器执行受控旋转操作若
第2寄存器为,则第1、第4、第5寄存器执行酉算子,其中,表示受控旋转操作,用于
将寄存器中元素提取出来,是指步骤D2-2至步骤D2-10步的逆操作;
基于上述图像分类模型的获得,在实际应用中,则应用所获图像分类模型,执行如下步骤i,实现针对待分类图片进行分类。
步骤i. 首先按步骤A中的方法,针对待分类图片的维特征向量执行预处理,获得
待分类图片的维新特征向量,然后应用图像分类模型为,实现针对待分类
图片的分类,其中,若,则表示待分类图片对应正类标签,若,则表示待分类图片对应负类标签。
本发明所设计针对软间隔支持向量机的量子方法中,1)选择logistic损失函数求
目标函数的梯度值;2)使用量子内积估计、量子加乘器、受控操作等量子技术得到梯度的经
典主要部分信息,以便进行下一步的迭代更新参数值;3)设计求解梯度主要部分的量子
算法相比经典算法有显著的加速效果;4)将量子算法与经典算法相结合实现最优参数的计
算;整个技术方案的设计,具体基于预处理后的全部样本图片维新特征向量所对应的量子
态,应用量子算法,通过迭代运算下的目标函数的梯度经典信息,获得最优模型超平面参数,进而构建图像分类模型,针对待分类图片进行实际分类;设计方案能够有效加速梯度经
典信息的求解效率,进而快速获得图像分类模型,提高实际图像分类效果。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (7)
1.一种针对软间隔支持向量机的量子方法,其特征在于:按如下步骤A至步骤E,获得图像分类模型;应用图像分类模型,执行如下步骤i,针对待分类图片进行分类;
步骤A. 基于已知分别对应正类标签或负类标签的各幅样本图片,分别针对各幅样本
图片的维特征向量执行预处理,获得各幅样本图片的维
新特征向量,其中,,表示样本图片的数
量,,表示第幅样本图像的维特征向量,表示第幅样本图像的第维特
征,表示第幅样本图像的维新特征向量,表示第幅样本图像的第维新特征,然后进
入步骤B;
步骤D. 根据求取最优模型超平面参数的模型、以及全部样本图片维新特征向量所
对应的量子态,应用量子算法,结合模型目标函数所对应超平面参数的梯度经典信息,执行
迭代运算,获得最优模型超平面参数,然后进入步骤E;
6.根据权利要求5所述一种针对软间隔支持向量机的量子方法,其特征在于:所述步骤D2包括如下步骤D2-1至步骤D2-16;
步骤D2-3. 执行受控门,其中第0,4,5
寄存器作用单位门,且受控于第2寄存器,若第2寄存器为,则第1,3寄存器执行酉算子若第2寄存器为,则第1,3寄存器执行酉算子,这里为以的时间可制备
初始归一化模型超平面参数的量子态即,此时系统状态为:
步骤D2-4. 在第2个寄存器中执行哈德玛量子门H,此时系统状态更新为:
步骤D2-5. 针对第2,3,4寄存器应用内积估计算法,此时系统状态为:
步骤D2-6. 执行步骤D2-2至步骤D2-4的退操作,并撤销第2和第3寄存器;
步骤D2-8. 针对第4和第5寄存器使用量子乘加法;
步骤D2-10. 再次针对第4和第5寄存器使用量子乘加法,并撤销第5寄存器;
步骤D2-11. 执行受控操作,受控于第0寄存器,
若第0寄存器为,则第1寄存器执行单位门,第4、第5寄存器执行受控旋转操作若第2寄
存器为,则第1、第4、第5寄存器执行酉算子,其中,表示受控旋转操作,用于将寄
存器中元素提取出来,是指步骤D2-2至步骤D2-10步的逆操作;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210184157.9A CN114255374B (zh) | 2022-02-28 | 2022-02-28 | 一种针对软间隔支持向量机的量子方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210184157.9A CN114255374B (zh) | 2022-02-28 | 2022-02-28 | 一种针对软间隔支持向量机的量子方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114255374A CN114255374A (zh) | 2022-03-29 |
CN114255374B true CN114255374B (zh) | 2022-05-20 |
Family
ID=80797055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210184157.9A Active CN114255374B (zh) | 2022-02-28 | 2022-02-28 | 一种针对软间隔支持向量机的量子方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114255374B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228182A (zh) * | 2016-07-17 | 2016-12-14 | 西安电子科技大学 | 基于spm和深度增量svm的sar图像分类方法 |
CN110705591A (zh) * | 2019-03-09 | 2020-01-17 | 华南理工大学 | 一种基于最优子空间学习的异构迁移学习方法 |
CN111382688A (zh) * | 2020-03-05 | 2020-07-07 | 金陵科技学院 | 一种基于云端通讯和支持向量机的交警手势识别方法 |
CN112381232A (zh) * | 2020-11-16 | 2021-02-19 | 成都信息工程大学 | 一种量子模糊机器学习对抗攻击模型方法 |
CN112580725A (zh) * | 2020-12-21 | 2021-03-30 | 北京工业大学 | 基于有向无环图的量子支持向量机的图像多分类方法 |
AU2021102646A4 (en) * | 2021-05-18 | 2021-07-08 | Shakeel Ahmed | Automated hyperspectral image clustering using multilevel quantum differential evolution on quantum hardware |
-
2022
- 2022-02-28 CN CN202210184157.9A patent/CN114255374B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228182A (zh) * | 2016-07-17 | 2016-12-14 | 西安电子科技大学 | 基于spm和深度增量svm的sar图像分类方法 |
CN110705591A (zh) * | 2019-03-09 | 2020-01-17 | 华南理工大学 | 一种基于最优子空间学习的异构迁移学习方法 |
CN111382688A (zh) * | 2020-03-05 | 2020-07-07 | 金陵科技学院 | 一种基于云端通讯和支持向量机的交警手势识别方法 |
CN112381232A (zh) * | 2020-11-16 | 2021-02-19 | 成都信息工程大学 | 一种量子模糊机器学习对抗攻击模型方法 |
CN112580725A (zh) * | 2020-12-21 | 2021-03-30 | 北京工业大学 | 基于有向无环图的量子支持向量机的图像多分类方法 |
AU2021102646A4 (en) * | 2021-05-18 | 2021-07-08 | Shakeel Ahmed | Automated hyperspectral image clustering using multilevel quantum differential evolution on quantum hardware |
Non-Patent Citations (2)
Title |
---|
An Improved Quantum Algorithm for Ridge Regression;Yu, Chao-Hua 等;《IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING》;20210301;全文 * |
量子回归算法综述;高飞 等;《北京电子科技学院学报》;20191215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114255374A (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Benadjila et al. | Deep learning for side-channel analysis and introduction to ASCAD database | |
Chung et al. | Empirical evaluation of gated recurrent neural networks on sequence modeling | |
Shi et al. | A spectral approach to gradient estimation for implicit distributions | |
Caterini et al. | Hamiltonian variational auto-encoder | |
Dauphin et al. | Equilibrated adaptive learning rates for non-convex optimization | |
Zhou et al. | Less is more: Towards compact cnns | |
Clarkson et al. | Sublinear optimization for machine learning | |
US10510021B1 (en) | Systems and methods for evaluating a loss function or a gradient of a loss function via dual decomposition | |
Shu et al. | Nasi: Label-and data-agnostic neural architecture search at initialization | |
Li et al. | Yet another intermediate-level attack | |
Nomura et al. | Warm starting CMA-ES for hyperparameter optimization | |
Scardapane et al. | A framework for parallel and distributed training of neural networks | |
Fischer | Training restricted boltzmann machines | |
Abd El-Mageed et al. | Improved binary adaptive wind driven optimization algorithm-based dimensionality reduction for supervised classification | |
Shang et al. | Lipschitz continuity retained binary neural network | |
Ye et al. | Quantum speedup for twin support vector machines | |
Suh et al. | Gaussian copula variational autoencoders for mixed data | |
Oymak et al. | Generalization guarantees for neural architecture search with train-validation split | |
Basheer et al. | Alternating layered variational quantum circuits can be classically optimized efficiently using classical shadows | |
CN114334028A (zh) | 基于图神经网络的不定3d结构生成方法、系统及存储介质 | |
Srivastava et al. | Generative and discriminative training of Boltzmann machine through quantum annealing | |
CN114255374B (zh) | 一种针对软间隔支持向量机的量子方法 | |
Dogan et al. | Fast training of multi-class support vector machines | |
Wistuba | XferNAS: Transfer neural architecture search | |
Jiang et al. | An inexact symmetric ADMM algorithm with indefinite proximal term for sparse signal recovery and image restoration problems |
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 |