CN114580614A - 用于生成数据特征的模型 - Google Patents

用于生成数据特征的模型 Download PDF

Info

Publication number
CN114580614A
CN114580614A CN202210199454.0A CN202210199454A CN114580614A CN 114580614 A CN114580614 A CN 114580614A CN 202210199454 A CN202210199454 A CN 202210199454A CN 114580614 A CN114580614 A CN 114580614A
Authority
CN
China
Prior art keywords
quantum
data
model
input data
module
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.)
Pending
Application number
CN202210199454.0A
Other languages
English (en)
Inventor
张方言
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.)
Shanghai Turing Intelligent Computing Quantum Technology Co Ltd
Original Assignee
Shanghai Turing Intelligent Computing Quantum 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 Shanghai Turing Intelligent Computing Quantum Technology Co Ltd filed Critical Shanghai Turing Intelligent Computing Quantum Technology Co Ltd
Priority to CN202210199454.0A priority Critical patent/CN114580614A/zh
Publication of CN114580614A publication Critical patent/CN114580614A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Veterinary Medicine (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Psychiatry (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Computational Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Psychology (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

本申请实施例涉及用于生成数据特征的模型。根据本申请的一些实施例，一种用于生成数据特征的模型包括：生成对抗网络GAN模块，其对输入数据进行重建；以及门控循环单元GRU模块，其基于所述输入数据和经重建的输入数据生成数据特征，其中，所述GAN模块和所述GRU模块中的至少一者包括量子线路。本申请实施例提供的用于生成数据特征的模型可有效解决传统技术中遇到的问题。

Description

用于生成数据特征的模型
技术领域
本申请实施例大体上涉及基于量子计算的学习模型，更具体地，涉及用于生成数据特征的模型。
背景技术
基于经典的GAN算法是人工智能领域的研究热点，被应用在多种应用场景，如生物医药、材料、神经科学等，然而这些模型的运行都需要消耗大量的计算资源。在过去算法运行的计算资源主要由电子集成电路制造的芯片提供，而随着电子遂穿效应对制程接近纳米极限后的制约，算力很难再持续提升。量子计算芯片是对电子芯片计算方式的补充，然而经典的GAN算法在量子芯片上的运行无法按照其在电子芯片上的方式进行处理。但目前相关研究较少。
因此，本申请提出一种用于生成数据特征的模型。
发明内容
本申请实施例的目的之一在于提供一种用于生成数据特征的模型，与传统的方法与模型相比，其可减少所使用的参数量，且所用的存储介质，即量子比特数目也大幅减少，同时提高了计算能力。
本申请的一实施例提供一种用于生成数据特征的模型，其包括：生成对抗网络GAN模块，其对输入数据进行重建；以及门控循环单元GRU模块，其基于输入数据和经重建的输入数据生成数据特征，其中，GAN模块和GRU模块中的至少一者包括量子线路。
根据本申请的一些实施例，其中GAN模块包括生成器线路和判别器线路。
根据本申请的一些实施例，其中量子线路包括量子卷积核、量子池化核、量子稠密核和量子启发模糊卷积核中的至少一者。
根据本申请的一些实施例，其中量子线路包括可学习参数化的泡利旋转门和受控门以实现量子态的纠缠。
根据本申请的一些实施例，其中输入数据经编码为量子态。
根据本申请的一些实施例，其中将输入数据编码为量子态包括：将输入数据转化为特征矩阵；对特征矩阵进行归一化操作以得到约化矩阵；将约化矩阵转化为Gram半正定矩阵；以及对Gram半正定矩阵进行L1-范数正则化。
根据本申请的一些实施例，其中GAN模块和所述GRU模块中的至少一者经优化而得到。
根据本申请的一些实施例，其中输入数据为脑电波数据和心电图数据中的至少一者。
根据本申请的一些实施例，其中数据特征为情绪识别的数据。
根据本申请的一些实施例，其中生成器线路使用损失函数LG进行优化，其中
Figure BDA0003526964780000021
Figure BDA0003526964780000022
其中e表示所述输入数据，pe表示给定的真实的输入数据的数据分布，
Figure BDA0003526964780000023
为损失函数的表示，δ(e，τ)表示基于阈值τ由e变换得到的数据。
根据本申请的一些实施例，其中判别器线路使用损失函数LD进行优化，且
Figure BDA0003526964780000024
Figure BDA0003526964780000025
其中e表示所述输入数据，pe表示给定的真实的输入数据的数据分布，
Figure BDA0003526964780000026
为损失函数的表示，δ(e，τ)表示基于阈值τ由e变换得到的数据，λp是一个表示惩罚项权重的超参数，
Figure BDA0003526964780000027
表示所述判别器线路的梯度。
根据本申请的一些实施例，其中GRU模块使用交叉熵损失函数进行优化。
与现有技术相比，本申请实施例提供的用于生成数据特征的模型，利用量子计算对经典计算方式作为补充，可有效提高数据处理速度与准确度。
附图说明
在下文中将简要地说明为了描述本申请实施例或现有技术所必要的附图以便于描述本申请的实施例。显而易见地，下文描述中的附图仅只是本申请中的部分实施例。对本领域技术人员而言，在不需要创造性劳动的前提下，依然可以根据这些附图中所例示的结构来获得其他实施例的附图。
图1为根据本申请一些实施例用于预测数据特征的模型100的示意图。
图2为根据本申请一些实施例的参数化的量子线路模块的示意图。
图3为根据本申请一些实施例的对抗自编码生成模块200的示意图。
图4为根据本申请一些实施例的预测与数据特征相关的其它数据特征的模型300的示意图。
具体实施方式
为更好的理解本申请实施例的精神，以下结合本申请的部分优选实施例对其作进一步说明。
本申请的实施例将会被详细的描示在下文中。在本申请说明书全文中，将相同或相似的组件以及具有相同或相似的功能的组件通过类似附图标记来表示。在此所描述的有关附图的实施例为说明性质的、图解性质的且用于提供对本申请的基本理解。本申请的实施例不应该被解释为对本申请的限制。
为便于描述，“第一”、“第二”等等可在本文中用于区分一个组件或一系列组件的不同操作。“第一”、“第二”等等不意欲描述对应组件或操作。
在对本申请技术方案进行介绍之前，首先对本申请中涉及的一些关键术语进行解释说明：
1.量子计算：基于量子逻辑的计算方式，存储数据的基本单元是量子比特。
2.量子比特：量子计算的基本单元。传统计算机使用0和1作为二进制的基本单元。不同的是量子计算可以同时处理0和1，使得系统可以处于0和1的线性叠加态：|ψ＞＝α|0＞+β|1＞，这边α，β代表系统在0和1上的复数概率幅。它们的模平方|α|2，|β|2分别代表处于0和1的概率，量子比特的状态被称为量子态，量子态数据是用来表达该量子态的数据。
3.量子线路：量子通用计算机的一种表示，代表了相应量子算法/程序在量子门模型下的硬件实现。若量子线路中包含可调的控制量子门的参数，则被称为参数化的量子线路。
4.密度矩阵：当一个量子系统所处的态矢量|ψ＞不确定时，称该系统处于一个混态。设系统有pn的概率处于归一化的可能态|ψn＞，n为正整数，引入密度矩阵ρ＝∑npn|ψn＞＜ψn|。密度矩阵ρ是一个厄米算符，满足归一化Tr(β)＝1和半正定性。
5.量子门：常使用矩阵表示，操作n个量子比特的门可以用2nx2n的酉矩阵表示。一个门输入跟输出的量子比特数量必须要相等。量子门的操作可以用代表量子门的矩阵与代表量子比特状态的向量作相乘来表示。
6.旋转门：旋转门是量子门的一种，是一组三个2×2的幺正厄米复矩阵(又称酉矩阵)。其中，旋转x门为
Figure BDA0003526964780000041
旋转y门为
Figure BDA0003526964780000042
旋转z门为
Figure BDA0003526964780000043
Figure BDA0003526964780000044
7.量子经典混合计算：一种内层利用量子线路进行计算得出相应物理量或损失函数，外层用传统的经典优化器调节量子线路变分参数的计算范式，可以最大限度地发挥量子计算的优势，被相信是有潜力证明量子优势的重要方向之一。
本申请提出的用于生成数据特征的模型，通过使用量子计算的方式对输入数据进行量子演化操作，有效提高了模型学习能力和运行效率。
图1为根据本申请一些实施例用于生成数据特征的模型100的示意图。
如图1所示，本申请提出的用于生成数据特征的模型100包括：生成对抗网络(GAN)模块，其对输入数据101进行重建；以及门控循环单元(GRU)模块，其基于输入数据101和经重建的输入数据10生成数据特征11，其中，GAN模块和GRU模块中的至少一者包括量子线路。
上述用于生成数据特征的模型将对抗性训练与自我监督学习相结合以合成真实的输入数据，并利用增强的输入数据进行自我监督的数据特征的学习。
GAN模块和GRU模块中的至少一者可经优化而得到，GAN模块可包括生成器线路和判别器线路，其中生成器线路和判别器线路中的至少一者可包括量子线路。量子线路可包含参数化的泡利旋转门，作为神经网络的可学习参数，通过受控门实现量子态纠缠，通过约化密度矩阵操作进行下采样，再通过测量得到判别器线路的分数，将该数值用于计算损失函数，以优化量子线路的参数。其中量子线路部分可采用量子卷积核、量子池化核、量子稠密核和量子启发模糊卷积核中的至少一者，将它们按一定规律摆放。可根据输入数据的结构来构建相应的参数化的量子线路。
GAN模块的优化过程如下：
(1)向判别器线路展示数据集中的数据，并让判别器对输入数据进行判定，输出结果应为1，并用损失函数更新判别器线路；
(2)依旧训练判别器线路，向它展示的是生成器线路生成的数据，即伪造的输入数据，输出结果应是0，然后用损失函数更新判别器线路；
(3)训练生成器线路，用它生成一条伪造的输入数据，并将伪造的输入数据输入判别器线路进行辨别，判别器的预期输出应该是1，也就是期望判别器线路未鉴别出伪造的输入数据，成功骗过判别器线路，用结果的损失函数更新生成器线路，不用更新判别器线路；
(4)最终输出以假乱真的输入数据Y1。
根据本申请的一些实施例，生成器线路可使用损失函数LG进行优化；判别器线路可使用损失函数LD进行优化。生成器线路和判别器线路共同组成对抗网络，对所输入的数据使用损失函数进行对抗学习，根据结果优化量子线路的参数空间。
例如，损失函数的公式如下：
Figure BDA0003526964780000051
Figure BDA0003526964780000052
其中，e表示输入数据，pe表示给定的真实的输入数据的数据分布，
Figure BDA0003526964780000053
为损失函数的表示，δ(e，τ)表示基于阈值τ由e变换得到的数据，λp是一个表示惩罚项权重的超参数，
Figure BDA0003526964780000054
表示判别器线路的梯度。
将由GAN模块得到的脑电波数据输入到GRU模块中，得到Y2，将Y2输入到另一个损失函数(例如交叉熵损失函数)中进行计算、训练、并使用基于梯度下降等优化方法，优化GRU模块中的量子线路的参数。
GRU模块的具体工作过程如下：
此部分线路用于对Y1(GAN模块的输出)进行数据特征学习，模拟输入数据中的时间依赖性，对输入数据进行训练，最终输出预测结果Y2。
当GRU模块为量子线路时，该量子线路可包含参数化的泡利旋转门作为循环神经网络的可学习参数、通过受控门实现量子态纠错、再通过测量得到概率分布数值，将该数值用于计算损失函数，以优化GRU模块的参数。
量子线路具有如下特点：减少计算量；基于量子比特的数据表达能力更优；量子GAN模型可在量子计算设备上高度并行处理数据特征；量子GAN模型的量子-经典混合算法/全量子算法相比经典算法均具有更广泛的应用场景；基于参数化量子线路的模型训练过程中能更快收敛至稳定状态。
根据本申请的一些实施例，参数化量子线路可由卷积层和池化层构成，每层可包含两个子模块，一个是由单比特任意旋转门组成的单比特旋转模块，另一个是由N层纠缠层组成的纠缠模块。纠缠可使量子线路包含比较全面的输入数据的信息。纠缠层的作用是在不同量子比特之间施加两比特门，比如受控非(CNOT)门，从而生成纠缠。每个纠缠层，又可分为两部分：参数化单比特旋转模块和结构固定的两比特操作模块(结构固定指的是没有可调的参数)。其中单比特旋转模块可由针对n个量子比特的n个单比特任意旋转门组成。任意旋转门可由3个分别绕着Y轴、Z轴、Y轴的旋转操作组合而来，可调参数是旋转的角度。这是一种欧拉旋转角分解，这样的参数化的旋转可以组合成任意单比特旋转操作。
图2为根据本申请的一些实施例的参数化量子线路的卷积层的结构示意图。
如图2所示，该卷积层由单比特旋转模块及多比特旋转模块组成，其中第一模块201、第二模块202以及第三模块203分别为单比特旋转模块。
其中第一模块201包含多个参数Rxi，其中，Rx、Ry、Rz是分别针对n个量子比特对应于x、y、z的泡利旋转门，Rxi表示Rx(θi)，i＝1、4、7、10...3n-8、3n-5、3n-2，θ代表旋转角度。
类似地，第二模块202包含多个参数Ryj，第三模块203包含多个参数Rzk，其中，Ryj表示Ry(θj)，j＝2、5、8、11...3n-7、3n-4、3n-1，Rzk表示Rz(θk)，k＝3、6、9、12...3n-6、3n-3、3n。
第四模块204、第五模块205以及第六模块206分别为多比特旋转模块，其中，
Figure BDA0003526964780000061
其中，
Figure BDA0003526964780000062
为张量积运算符，σx为与x轴对应的量子物理量。
该卷积层可对输入的量子态数据进行单比特泡利旋转、多比特泡利旋转后输出经量子卷积操作后的量子态数据，以对输入数据进行特征提取。
图3为根据本申请的一些实施例的参数化量子线路的池化层的结构示意图。
该池化层可对输入的量子态数据进行单比特泡利旋转、多比特受控门，之后输出经量子池化操作后的量子态数据，以降低输入数据的尺寸。
在一些实施例中，构建量子线路并作用于量子态可通过如下步骤进行：
1.(输入至量子卷积层)根据量子态密度矩阵(t×t)，确定量子线路比特数(第一个超参v＝log2t)。根据量子线路模块定义vc比特量子卷积，线路结构依次包含参数化泡利旋转门和受控门，并按一定的顺序摆放vc比特参数化量子线路的量子门；
2.(输入至量子池化层)根据量子线路模块定义vp比特量子池化，线路结构依次包含参数化泡利旋转门和受控门，同理按照一定的顺序摆放量子门；
3.(通过约化密度矩阵算法进行量子态压缩，即偏迹运算，量子编码线路的输出)将第一量子态输入v比特的参数化量子编码线路，该编码线路中将量子卷积和池化线路按顺序进行摆放，进行池化后的数据进行偏迹运算得到经量子池化操作后的量子态数据。
本申请提出的用于生成数据特征的模型可适用于多种应用场景，如生物医药、图像视频处理、材料、神经科学等领域。例如，通过使用上述用于生成数据特征的模型对心电图数据进行疾病预测。
根据本申请的一些实施例，GAN模块可用于对脑电波数据进行数据增强，再通过GRU模块实现情绪识别。
情绪表现在我们日常生活行为的每一个动作中，理解情绪是人类发展和成长中最重要的方面之一，因此，它是模仿人类智力的一个重要环节。情感计算和情感自动情感识别是人工智能发展和所有研究领域的关键，脑电图(EEG)测量了大脑中的振荡，这反映了神经元的同步活动，这些振荡的变化与认知过程有关，可以用来揭示有关人类情绪状态的重要信息。脑电图作为一种生理信号，具有难以隐藏或伪装的优点，与其他生理信号相比，它具有良好的时间分辨率，与情绪状态在时间尺度上的细微变化相似。由于无创、易用、廉价的记录设备的快速发展，基于脑电图的情绪识别在研究和应用中都受到了越来越多的关注。
本申请提出的上述用于生成数据特征的模型可进行脑电波训练，数据集可使用DEAP情绪脑电波数据集。DEAP数据集记录了32名受试者在观看40个1分钟长的音乐视频时的32通道脑电图信号和8通道外周生理信号。在看完每个视频后，参与者对每个视频的唤醒水平、效价、喜好和支配度从1到9进行打分，利用脑电图信号和评分值构建情绪识别任务。
对于每条轨迹的脑电图信号，首先通过如下方法对DEAP数据集进行预处理：
(1)记录的脑电图信号首先被降采样到128Hz的采样率；
(2)用从4Hz到45Hz的带通滤波器对获得的脑电图信号进行处理，以消除生理和工频噪声；
(3)对以上处理的数据进行编码为量子态。
图4为根据本申请实施例将数据编码为量子态的方法示意图。
如图4所示，可通过如下方法将数据编码量子态：
①把长度为d的脑电波数据分段，每段长度为m的数据，将长度为m的脑电波数据转换成m×m(其中m为2^p，p为量子线路的比特数)的特征矩阵U1；
②将矩阵U1的转置乘以U1(即U1^T×U1)得到一个m×m的Gram半正定矩阵；
③将Gram半正定矩阵带入编码(encoding)函数(encoding可以将m×m的Gram半正定矩阵转换为m×m的量子态密度矩阵)，得到脑电波序列对应的量子态数据。
本申请提出的用于生成数据特征的模型需要优化的参数量大大减少，用到的存储介质，即量子比特数目也大大减少，从而使得基于量子计算的数据处理的方法更便捷、准确。
本申请的技术内容及技术特点已揭示如上，然而熟悉本领域的技术人员仍可能基于本申请的教示及揭示而作种种不背离本申请精神的替换及修饰。因此，本申请的保护范围应不限于实施例所揭示的内容，而应包括各种不背离本申请的替换及修饰，并为本专利申请权利要求书所涵盖。

Claims (12)

1.一种用于生成数据特征的模型，其包括：
生成对抗网络GAN模块，其对输入数据进行重建；以及
门控循环单元GRU模块，其基于所述输入数据和经重建的输入数据生成数据特征，
其中，所述GAN模块和所述GRU模块中的至少一者包括量子线路。
2.根据权利要求1所述的模型，其中所述GAN模块包括生成器线路和判别器线路。
3.根据权利要求1所述的模型，其中所述量子线路包括量子卷积核、量子池化核、量子稠密核和量子启发模糊卷积核中的至少一者。
4.根据权利要求1所述的模型，其中所述量子线路包括可学习参数化的泡利旋转门和受控门以实现量子态的纠缠。
5.根据权利要求1所述的模型，其中所述输入数据经编码为量子态。
6.根据权利要求5所述的模型，其中将所述输入数据编码为量子态包括：
将所述输入数据转化为特征矩阵；
对所述特征矩阵进行归一化操作以得到约化矩阵；
将所述约化矩阵转化为Gram半正定矩阵；以及
对所述Gram半正定矩阵进行L1-范数正则化。
7.根据权利要求1所述的模型，其中所述GAN模块和所述GRU模块中的至少一者经优化而得到。
8.根据权利要求1所述的模型，其中所述输入数据为脑电波数据和心电图数据中的至少一者。
9.根据权利要求1所述的模型，其中所述数据特征为情绪识别的数据。
10.根据权利要求2所述的模型，其中所述生成器线路使用损失函数LG进行优化，且
Figure FDA0003526964770000011
其中e表示所述输入数据，pe表示给定的真实的输入数据的数据分布，
Figure FDA0003526964770000012
为损失函数的表示，δ(e,τ)表示基于阈值τ由e变换得到的数据。
11.根据权利要求2所述的模型，其中所述判别器线路使用损失函数LD进行优化，且
Figure FDA0003526964770000013
其中e表示所述输入数据，pe表示给定的真实的输入数据的数据分布，
Figure FDA0003526964770000014
为损失函数的表示，δ(e,τ)表示基于阈值τ由e变换得到的数据，λp是一个表示惩罚项权重的超参数，
Figure FDA0003526964770000021
表示所述判别器线路的梯度。
12.根据权利要求1所述的模型，其中所述GRU模块使用交叉熵损失函数进行优化。
CN202210199454.0A 2022-03-01 2022-03-01 用于生成数据特征的模型 Pending CN114580614A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210199454.0A CN114580614A (zh) 2022-03-01 2022-03-01 用于生成数据特征的模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210199454.0A CN114580614A (zh) 2022-03-01 2022-03-01 用于生成数据特征的模型

Publications (1)

Publication Number Publication Date
CN114580614A true CN114580614A (zh) 2022-06-03

Family

ID=81776863

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210199454.0A Pending CN114580614A (zh) 2022-03-01 2022-03-01 用于生成数据特征的模型

Country Status (1)

Country Link
CN (1) CN114580614A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115311515A (zh) * 2022-07-22 2022-11-08 合肥本源量子计算科技有限责任公司 混合量子经典的生成对抗网络的训练方法及相关设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115311515A (zh) * 2022-07-22 2022-11-08 合肥本源量子计算科技有限责任公司 混合量子经典的生成对抗网络的训练方法及相关设备

Similar Documents

Publication Publication Date Title
Shiri et al. A comprehensive overview and comparative analysis on deep learning models: CNN, RNN, LSTM, GRU
Choi et al. EmbraceNet: A robust deep learning architecture for multimodal classification
Chen et al. One-dimensional convolutional neural network-based active feature extraction for fault detection and diagnosis of industrial processes and its understanding via visualization
CN113159303B (zh) 一种基于量子线路的人工神经元构造方法
Manjunath et al. A low-power lstm processor for multi-channel brain eeg artifact detection
CN114530258A (zh) 一种深度学习药物相互作用预测方法、装置、介质和设备
CN113298131B (zh) 一种基于注意力机制的时序数据缺失值插补方法
CN117974840B (zh) 基于混合量子深度卷积生成对抗网络的心电图生成系统
CN111626296B (zh) 基于深度神经网络的医学图像分割系统及方法、终端
Aishwarya et al. Quantum computational techniques for prediction of cognitive state of human mind from EEG signals
CN114580614A (zh) 用于生成数据特征的模型
Chen et al. A novel imbalanced dataset mitigation method and ECG classification model based on combined 1D_CBAM-autoencoder and lightweight CNN model
Chopin et al. 3-d skeleton-based human motion prediction with manifold-aware GAN
Garau et al. CapsulePose: A variational CapsNet for real-time end-to-end 3D human pose estimation
Gedon et al. First steps towards self-supervised pretraining of the 12-lead ECG
Sridevi et al. Quanvolution neural network to recognize arrhythmia from 2D scaleogram features of ECG signals
Arslan et al. ECG heartbeats classification with dilated convolutional autoencoder
Ai et al. Flexible coding scheme for robotic arm control driven by motor imagery decoding
CN114444723A (zh) 用于数据重建的模型
Liu et al. Quantum capsule networks
CN114947740A (zh) 基于量子cnn-gru预测癫痫发作的方法
Olvera et al. EEG-based motor imagery classification with quantum algorithms
Zeng et al. Advancing cardiac diagnostics: Exceptional accuracy in abnormal ECG signal classification with cascading deep learning and explainability analysis
CN117113067A (zh) 一种基于鲸鱼优化算法的混合时频空脑电特征提取方法
Wang et al. Hmckrautoencoder: An interpretable deep learning framework for time series analysis

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