CN117435917B - 一种情感识别方法、系统、装置及介质 - Google Patents
一种情感识别方法、系统、装置及介质 Download PDFInfo
- Publication number
- CN117435917B CN117435917B CN202311755623.5A CN202311755623A CN117435917B CN 117435917 B CN117435917 B CN 117435917B CN 202311755623 A CN202311755623 A CN 202311755623A CN 117435917 B CN117435917 B CN 117435917B
- Authority
- CN
- China
- Prior art keywords
- data
- quantum
- emotion
- identified
- chromosome
- 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
- 238000000034 method Methods 0.000 title claims abstract description 94
- 230000008909 emotion recognition Effects 0.000 title claims abstract description 92
- 230000008451 emotion Effects 0.000 claims abstract description 239
- 239000002096 quantum dot Substances 0.000 claims abstract description 181
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims abstract description 75
- 238000003062 neural network model Methods 0.000 claims abstract description 73
- 238000012545 processing Methods 0.000 claims abstract description 35
- 210000000349 chromosome Anatomy 0.000 claims description 140
- 238000000605 extraction Methods 0.000 claims description 125
- 230000002759 chromosomal effect Effects 0.000 claims description 72
- 238000011176 pooling Methods 0.000 claims description 44
- 230000008569 process Effects 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 30
- 238000013528 artificial neural network Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 101150106774 9 gene Proteins 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000004035 construction material Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N10/20—Models of quantum computing, e.g. quantum circuits or universal quantum computers
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/09—Supervised learning
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Mathematics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种情感识别方法、系统、装置及介质,涉及数据处理领域,用于解决情感数据的识别结果准确性差的问题。该方案中,获取待识别情感数据,将待识别情感数据输入至基于量子计算的脉冲编码电路中;根据待识别情感数据、初始化的第一量子比特和第二量子比特利用脉冲编码电路对待识别情感数据进行量子编码,得到脉冲序列;将脉冲序列输入至脉冲神经网络模型中,使用脉冲神经网络模型对脉冲序列进行处理,得到与待识别情感数据对应的情感识别结果。可见,本申请利用基于量子计算的脉冲编码电路对情感数据进行量子编码,能够更准确地提取情感数据中的关键信息,从而通过脉冲神经网络模型进行处理时,可以提高情感识别结果的准确性。
Description
技术领域
本申请涉及数据处理领域,特别涉及一种情感识别方法、系统、装置及介质。
背景技术
情感识别是一种应用广泛的技术,可以用于消费者分析、游戏反馈、医疗监护和疲劳驾驶检测等领域。为了实现低能耗的情感识别解决方案,研究人员开始着眼于基于脉冲神经网络的情感识别研究。脉冲神经网络通过其强大的生物可解释性和脉冲传递的特性,使得单个神经元的单次计算能耗要比传统神经元小得多。然而,为了将数据输入到脉冲神经网络中进行处理,需要将浮点数值转化为脉冲神经元处理的脉冲序列,这个过程被称为脉冲编码。
现有的脉冲编码方式存在可解释性差的问题,这可能会导致提取情感数据中的关键信息时出现误差或丢失重要信息,进而影响情感识别的准确性。
发明内容
本申请的目的是提供一种情感识别方法、系统、装置及介质,利用基于量子计算的脉冲编码电路对情感数据进行量子编码,能够更准确地提取情感数据中的关键信息,从而通过脉冲神经网络模型进行处理时,可以提高情感识别结果的准确性。
为解决上述技术问题,本申请提供了一种情感识别方法,包括:
获取待识别情感数据,将所述待识别情感数据输入至基于量子计算的脉冲编码电路中;
根据所述待识别情感数据、初始化的第一量子比特和第二量子比特利用所述脉冲编码电路对所述待识别情感数据进行量子编码,得到脉冲序列;
将所述脉冲序列输入至脉冲神经网络模型中,使用所述脉冲神经网络模型对所述脉冲序列进行处理,得到与所述待识别情感数据对应的情感识别结果。
在一种实施例中,根据所述待识别情感数据、初始化的第一量子比特和第二量子比特利用所述脉冲编码电路对所述待识别情感数据进行量子编码,得到脉冲序列,包括:
根据所述待识别情感数据利用所述脉冲编码电路对所述第一量子比特、所述第二量子比特进行量子叠加操作和量子纠缠操作,得到量子比特中间态数据;
利用观测基对所述量子比特中间态数据进行观测,根据观测结果得到所述脉冲序列。
在一种实施例中,根据所述待识别情感数据利用所述脉冲编码电路对所述第一量子比特、所述第二量子比特进行量子叠加操作和量子纠缠操作,得到量子比特中间态数据,包括:
将所述第一量子比特输入至第一量子逻辑门电路,得到第一中间量子数据;将所述第二量子比特输入至第二量子逻辑门电路,得到第二中间量子数据;
所述待识别情感数据为第i量子逻辑门电路的参数且第j量子逻辑门电路的参数为预设常数,或所述待识别情感数据分别作为所述第一量子逻辑门电路和所述第二量子逻辑门的参数,i为一时j为二,i为二时j为一;
将所述第一中间量子数据和所述第二中间量子数据输入至第三量子逻辑门电路,利用所述第三量子逻辑门电路对所述第一中间量子数据和所述第二中间量子数据作量子比特纠缠处理,得到所述量子比特中间态数据。
在一种实施例中,将所述第一量子比特输入至第一量子逻辑门电路,得到第一中间量子数据,包括:
将所述第一量子比特输入至第一RX门,并利用第一公式得到所述第一中间量子数据;
所述第一公式为:
;
其中,为所述第一中间量子数据,/>为所述第一RX门的逻辑函数,为所述第一量子比特的初始状态,/>为所述待识别情感数据中的各个第一实数的值,/>;
将所述第二量子比特输入至第二量子逻辑门电路,得到第二中间量子数据,包括:
将所述第二量子比特输入第二RX门,并利用第二公式得到所述第二中间量子数据;
所述第二公式为:
;
其中,为所述第二中间量子数据,/>为所述第二RX门的逻辑函数,为所述第二量子比特的初始状态,/>为所述待识别情感数据中的各个第二实数的值,所述第一实数和所述第二实数的集合为所述待识别情感数据中全部实数的集合。
在一种实施例中,将所述第一中间量子数据和所述第二中间量子数据输入至第三量子逻辑门电路,利用所述第三量子逻辑门电路对所述第一中间量子数据和所述第二中间量子数据作量子比特纠缠处理,得到所述量子比特中间态数据,包括:
将所述第一中间量子数据和所述第二中间量子数据输入至控制非门,利用所述控制非门对所述第一中间量子数据和所述第二中间量子数据作量子比特纠缠处理,得到所述量子比特中间态数据;
所述控制非门的表达式为:,或,/>;
其中,表示外积操作,/>,/>为所述量子比特中间态数据。
在一种实施例中,利用观测基对所述量子比特中间态数据进行观测,根据观测结果得到所述脉冲序列,包括:
利用所述观测基对所述第三量子逻辑门电路输出的所述量子比特中间态数据进行多次观测,根据多次的所述观测结果得到所述脉冲序列;
所述观测基的表达式为:,其中,/>为所述观测基。
在一种实施例中,利用观测基对所述量子比特中间态数据进行观测,根据观测结果得到所述脉冲序列,包括:
所述控制非门的表达式为,且所述待识别情感数据为所述第i量子逻辑门电路的参数且所述第j量子逻辑门电路的参数为所述预设常数时,利用所述观测基对所述量子比特中间态数据中的第二量子比特进行多次观测,根据多次的所述观测结果得到所述脉冲序列。
在一种实施例中,利用观测基对所述量子比特中间态数据进行观测,根据观测结果得到所述脉冲序列,包括:
所述控制非门的表达式为,且所述待识别情感数据为所述第i量子逻辑门电路的参数且所述第j量子逻辑门电路的参数为所述预设常数时,利用所述观测基对所述量子比特中间态数据中的第一量子比特进行多次观测,根据多次的所述观测结果得到所述脉冲序列。
在一种实施例中,利用观测基对所述量子比特中间态数据进行观测,根据观测结果得到所述脉冲序列,包括:
所述待识别情感数据分别作为所述第一量子逻辑门电路和所述第二量子逻辑门的参数时,利用所述观测基对所述量子比特中间态数据中的第一量子比特和第二量子比特进行多次观测,根据多次的所述观测结果得到所述脉冲序列。
在一种实施例中,获取待识别情感数据之后,还包括:
对所述待识别情感数据进行特征提取,得到情感特征数据;
对所述待识别情感数据进行量子编码,得到对应的量子比特数据,包括:
对所述情感特征数据进行量子编码,得到所述量子比特数据。
在一种实施例中,对所述待识别情感数据进行特征提取,得到情感特征数据,包括:
使用特征提取模型对所述待识别情感数据进行特征提取,得到所述情感特征数据。
在一种实施例中,对所述待识别情感数据进行特征提取,得到情感特征数据之前,还包括:
获取待识别情感数据的数据类型,根据所述数据类型确定与所述数据类型对应的目标特征提取模型;
使用特征提取模型对所述待识别情感数据进行特征提取,得到所述情感特征数据,包括:
使用所述目标特征提取模型对所述待识别情感数据进行特征提取,得到所述情感特征数据。
在一种实施例中,获取待识别情感数据的数据类型之后,还包括:
判断是否存在与所述数据类型对应的目标特征提取模型;
若存在,则进入根据所述数据类型确定与所述数据类型对应的目标特征提取模型的步骤。
在一种实施例中,在判定不存在与所述数据类型对应的目标特征提取模型之后,还包括:
构建与所述数据类型对应的特征提取神经网络模型,并初始化所述特征提取神经网络模型的神经网络结构参数和权重参数;
对所述特征提取神经网络模型进行优化,并获取优化过程中所述神经网络结构参数和所述权重参数的最优解;
将设有所述最优解的特征提取神经网络模型作为最终特征提取神经网络模型;
使用特征提取模型对所述待识别情感数据进行特征提取,得到所述情感特征数据,包括:
使用所述最终特征提取神经网络模型对所述待识别情感数据进行特征提取,得到所述情感特征数据。
在一种实施例中,构建与所述数据类型对应的特征提取神经网络模型之前,还包括:
对所述神经网络结构参数和所述权重参数进行染色体编码。
在一种实施例中,所述特征提取神经网络模型为深度卷积神经网络模型时,对所述神经网络结构参数和所述权重参数进行染色体编码,包括:
构建维度为N的一维向量,N为正整数;
将所述一维向量的第一个维度设为卷积层的个数,所述第一个维度的数值不大于最大卷积层个数;
将所述一维向量的3k个维度设为k个卷积层的卷积参数,每3个维度表征一个所述卷积层的卷积参数,所述卷积参数包括用于表征卷积核大小的数值、所述卷积核的步长和所述卷积核的个数,k为所述最大卷积层个数,k为自然数,k<N;
将所述一维向量的4k个维度设为k个池化层的池化参数,每4个维度表征一个所述池化层的池化参数,所述池化参数包括用于表征是否加入池化层的数值、用于表征池化类型的数值、池化窗口和池化步长;
将所述一维向量的第二个维度设为全连接层的个数,所述一维向量的第三个维度和第四个维度设为所述全连接层的神经元的个数;
将所述一维向量的m个维度设为每层对应的权重初始化方式的序号标识,m为正整数。
在一种实施例中,对所述特征提取神经网络模型进行优化,并获取优化过程中所述神经网络结构参数和权重参数的最优解,包括:
根据初始化的多个染色体编码确定当前阶段得分最高的第一染色体编码;
根据各个第二染色体编码与所述第一染色体编码之间的得分差距更新各个所述第二染色体编码,所述第二染色体编码为除所述第一染色体编码之外的其它染色体编码;
若更新后的第二染色体编码的得分大于更新前的第二染色体编码的得分,则使用所述更新后的第二染色体编码替换所述更新前的第二染色体编码,否则,保留所述更新前的第二染色体编码;
使任意两个所述第二染色体编码之间相互学习,以更新所述第二染色体编码,并进入若更新后的第二染色体编码的得分大于更新前的第二染色体编码的得分,则使用所述更新后的第二染色体编码替换所述更新前的第二染色体编码,否则,保留所述更新前的第二染色体编码的步骤;
将满足预设迭代终止条件的染色体编码作为最优染色体编码。
在一种实施例中,根据各个第二染色体编码与所述第一染色体编码之间的得分差距更新各个所述第二染色体编码,包括:
使第一预设比例的各所述第二染色体编码根据所述得分差距向所述第一染色体编码学习,以更新所述第一预设比例的各所述第二染色体编码,所述第一预设比例小于1。
在一种实施例中,使任意两个所述第二染色体编码之间相互学习,以更新所述第二染色体编码,包括:
使第二预设比例的所述第二染色体编码中的任意两个所述第二染色体编码之间相互学习,以更新所述第二染色体编码,所述第二预设比例小于1。
在一种实施例中,使任意两个所述第二染色体编码之间相互学习,以更新所述第二染色体编码,包括:
控制第三预设比例的任意两个所述第二染色体编码中得分低的第二染色体编码向得分高的第二染色体编码学习,以更新所述得分低的第二染色体编码;
控制第四预设比例的任意两个所述第二染色体编码中得分高的第二染色体编码向得分低的第二染色体编码学习,以更新所述得分高的第二染色体编码;
所述第三预设比例大于所述第四预设比例。
为解决上述技术问题,本申请还提供了一种情感识别系统,包括:
获取单元,用于获取待识别情感数据,将所述待识别情感数据输入至基于量子计算的脉冲编码电路中;
量子编码单元,用于根据所述待识别情感数据、初始化的第一量子比特和第二量子比特利用所述脉冲编码电路对所述待识别情感数据进行量子编码,得到脉冲序列;
情感识别单元,用于将所述脉冲序列输入至脉冲神经网络模型中,使用所述脉冲神经网络模型对所述脉冲序列进行处理,得到与所述待识别情感数据对应的情感识别结果。
为解决上述技术问题,本申请还提供了一种情感识别装置,包括:
存储器,用于存储计算机程序;
处理器,用于在执行计算机程序时,实现如上述所述的情感识别方法的步骤。
为解决上述技术问题,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述所述的情感识别方法的步骤。
本申请提供了一种情感识别方法、系统、装置及介质,涉及数据处理领域,用于解决情感数据的识别结果准确性差的问题。该方案中,获取待识别情感数据,将待识别情感数据输入至基于量子计算的脉冲编码电路中;根据待识别情感数据、初始化的第一量子比特和第二量子比特利用脉冲编码电路对待识别情感数据进行量子编码,得到脉冲序列;将脉冲序列输入至脉冲神经网络模型中,使用脉冲神经网络模型对脉冲序列进行处理,得到与待识别情感数据对应的情感识别结果。可见,本申请利用基于量子计算的脉冲编码电路对情感数据进行量子编码,能够更准确地提取情感数据中的关键信息,从而通过脉冲神经网络模型进行处理时,可以提高情感识别结果的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对现有技术和实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,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为本申请提供的一种情感识别方法的流程图;
图2为本申请提供的第一种量子门电路的结构图;
图3为本申请提供的第二种量子门电路的结构图;
图4为本申请提供的第三种量子门电路的结构图;
图5为本申请提供的一种染色体编码的示意图;
图6为本申请提供的一种情感识别系统的示意图;
图7为本申请提供的一种情感识别装置的流程图。
具体实施方式
本申请的核心是提供一种情感识别方法、系统、装置及介质,利用基于量子计算的脉冲编码电路对情感数据进行量子编码,能够更准确地提取情感数据中的关键信息,从而通过脉冲神经网络模型进行处理时,可以提高情感识别结果的准确性。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
第一方面,如图1所示,本申请提供了一种情感识别方法,包括:
S11:获取待识别情感数据,将待识别情感数据输入至基于量子计算的脉冲编码电路中;
本步骤涉及获取待识别情感数据,这些待识别情感数据可以是通过传感器、音频、视频或其他形式采集到的。然后将这些情感数据输入到基于量子计算的脉冲编码电路中,该电路利用量子计算的原理对待识别情感数据进行编码,将其转化为脉冲序列。量子计算的特性使得脉冲编码电路能够更高效地处理待识别情感数据,并且更准确地提取其中的关键信息。通过这一步骤,待识别情感数据得以量子编码,为后续的情感识别提供了更加准确的输入。
其中,待识别情感数据可以为图像数据、音频数据、文本数据、脑电数据或者肌电数据等,本申请在此不再限定。
S12:根据待识别情感数据、初始化的第一量子比特和第二量子比特利用脉冲编码电路对待识别情感数据进行量子编码,得到脉冲序列;
本步骤描述了情感识别方法中的量子编码过程。首先,待识别的情感数据以及初始化的第一量子比特和第二量子比特被输入到基于量子计算的脉冲编码电路中。然后,脉冲编码电路利用这些输入对待识别情感数据进行量子编码,从而生成脉冲序列。其中,量子比特是量子计算的基本单元,不同于经典计算使用的比特,它具有量子叠加、量子纠缠等特性。初始化的第一量子比特和第二量子比特可能采用不同的方式进行初始化,例如可以将它们设置为初始状态|0>或|1>,或者设置为一些特定的量子态。
量子编码是利用量子比特的叠加性和相干性来表示和处理信息的一种编码方式。量子编码是将数据转化为脉冲序列的过程,将连续的浮点数值转化为离散的脉冲信号。脉冲编码的目的是将连续的数据转化为适合脉冲神经网络处理的脉冲序列,以便后续的处理和分析。在这一步骤中,通过量子计算的特性,待识别情感数据可以被更精确地编码,并且能够更准确地提取待识别情感数据中的关键信息。这样生成的脉冲序列将会更加符合待识别情感数据的特征,从而在后续的脉冲神经网络模型处理中,能够提高情感识别结果的准确性。
其中,脉冲序列是由一定数量的脉冲组成的一组代表生物刺激的数据,每个脉冲有固定的发射时间,因为要对时间做离散化的处理,将有脉冲的时刻记为1,没有脉冲的时刻记为0,这样问题就转为如何将一个实数转为一组0和1组成的序列,这个过程成为脉冲编码。
S13:将脉冲序列输入至脉冲神经网络模型中,使用脉冲神经网络模型对脉冲序列进行处理,得到与待识别情感数据对应的情感识别结果。
本步骤中,脉冲序列通过脉冲神经网络模型进行处理,该脉冲神经网络模型利用脉冲神经元的生物可解释性和脉冲传递的特性来进行情感识别。脉冲神经网络模型能够更加高效地处理脉冲序列,利用单个神经元的单次计算能耗较低的特性,提高了情感识别结果的准确性。通过这种方式,待识别情感数据的关键信息可以更准确地提取和识别,从而得到更可靠的情感识别结果。利用基于量子计算的脉冲编码电路对情感数据进行量子编码,能够为脉冲神经网络模型提供更准确的输入,从而进一步提高情感识别的准确性和可靠性。
在上述实施例的基础上:
在一种实施例中,根据待识别情感数据、初始化的第一量子比特和第二量子比特利用脉冲编码电路对待识别情感数据进行量子编码,得到脉冲序列,包括:
根据待识别情感数据利用脉冲编码电路对第一量子比特、第二量子比特进行量子叠加操作和量子纠缠操作,得到量子比特中间态数据;
利用观测基对量子比特中间态数据进行观测,根据观测结果得到脉冲序列。
本实施例描述了使用脉冲编码电路对待识别情感数据进行量子编码,得到脉冲序列的具体操作过程。具体操作包括:首先,根据待识别情感数据利用脉冲编码电路对第一量子比特和第二量子比特进行量子叠加操作和量子纠缠操作,得到量子比特中间态数据;这一步骤是通过对量子比特进行操作,使得它们处于叠加态或纠缠态,从而实现对情感数据的量子编码;接着,利用观测基对量子比特中间态数据进行观测,根据观测结果得到脉冲序列;这一步骤则是对量子比特的观测,通过观测结果得到脉冲序列,该脉冲序列可以用于后续的情感识别处理。
在一种实施例中,根据待识别情感数据利用脉冲编码电路对第一量子比特、第二量子比特进行量子叠加操作和量子纠缠操作,得到量子比特中间态数据,包括:
将第一量子比特输入至第一量子逻辑门电路,得到第一中间量子数据;将第二量子比特输入至第二量子逻辑门电路,得到第二中间量子数据;
待识别情感数据为第i量子逻辑门电路的参数且第j量子逻辑门电路的参数为预设常数,或待识别情感数据分别作为第一量子逻辑门电路和第二量子逻辑门的参数,i为一时j为二,i为二时j为一;
将第一中间量子数据和第二中间量子数据输入至第三量子逻辑门电路,利用第三量子逻辑门电路对第一中间量子数据和第二中间量子数据作量子比特纠缠处理,得到量子比特中间态数据。
本实施例具体描述了对待识别情感数据进行量子编码的步骤。具体来说,该实施例通过利用脉冲编码电路对第一量子比特、第二量子比特进行量子叠加操作和量子纠缠操作,得到量子比特的中间态数据。这里的量子比特中间态数据可以看做是对待识别情感数据进行量子编码的中间结果。
该实施例进一步描述了如何得到这些中间态数据。首先,将第一量子比特输入至第一量子逻辑门电路,得到第一中间量子数据。同时,将第二量子比特输入至第二量子逻辑门电路,得到第二中间量子数据。其中,待识别情感数据可以被分别作为第一量子逻辑门电路和/或第二量子逻辑门电路的参数使用。在这个实施例中,如果待识别情感数据作为第i量子逻辑门电路的参数,那么第j量子逻辑门电路的参数为预设常数(如4.31),这样就可以将待识别情感数据嵌入到量子比特中间态数据中去。
最后,将第一中间量子数据和第二中间量子数据输入至第三量子逻辑门电路。通过利用第三量子逻辑门电路对第一中间量子数据和第二中间量子数据进行量子比特纠缠处理,得到量子比特的中间态数据。这些中间态数据将被用作脉冲序列的构建材料,进而为脉冲神经网络模型提供更准确的输入,提高情感识别的准确性。
在一种实施例中,将第一量子比特输入至第一量子逻辑门电路,得到第一中间量子数据,包括:
将第一量子比特输入至第一RX门,并利用第一公式得到第一中间量子数据;
第一公式为:
;
其中,为第一中间量子数据,/>为第一RX门的逻辑函数,/>为第一量子比特的初始状态,/>为待识别情感数据中的各个第一实数的值,/>;
将第二量子比特输入至第二量子逻辑门电路,得到第二中间量子数据,包括:
将第二量子比特输入第二RX门,并利用第二公式得到第二中间量子数据;
第二公式为:
;
其中,为第二中间量子数据,/>为第二RX门的逻辑函数,/>为第二量子比特的初始状态,/>为待识别情感数据中的各个第二实数的值,第一实数和第二实数的集合为待识别情感数据中全部实数的集合。
在一种实施例中,将第一中间量子数据和第二中间量子数据输入至第三量子逻辑门电路,利用第三量子逻辑门电路对第一中间量子数据和第二中间量子数据作量子比特纠缠处理,得到量子比特中间态数据,包括:
将第一中间量子数据和第二中间量子数据输入至控制非门,利用控制非门对第一中间量子数据和第二中间量子数据作量子比特纠缠处理,得到量子比特中间态数据;
控制非门的表达式为:,或,/>;
其中,表示外积操作,/>,/>为所述量子比特中间态数据。
在一种可选的实施例中,第一RX门使用待识别情感数据中的各个实数作为该RX门的参数,第二RX门使用固定参数,如固定参数为4.31。也可以是第一RX门使用固定参数,第二RX门使用待识别情感数据中的各个实数作为该RX门的参数,还可以是,第一RX门和第二RX门均使用待识别情感数据中的各个实数作为参数,例如,待识别情感数据中包括10个实数,其中,第一、三、五、七、九个实数分别作为第一RX门的参数,第二、四、六、八、十个实数分别作为第二RX门的参数。
在一种实施例中,利用观测基对量子比特中间态数据进行观测,根据观测结果得到脉冲序列,包括:
利用观测基对第三量子逻辑门电路输出的量子比特中间态数据进行多次观测,根据多次的观测结果得到脉冲序列;
观测基的表达式为:,其中,/>为观测基。
具体地,根据多次观测的脉冲的数值进行整合得到脉冲序列。
在一种实施例中,利用观测基对量子比特中间态数据进行观测,根据观测结果得到脉冲序列,包括:
控制非门的表达式为,且待识别情感数据为第i量子逻辑门电路的参数且第j量子逻辑门电路的参数为预设常数时,利用观测基对量子比特中间态数据中的第二量子比特进行多次观测,根据多次的观测结果得到脉冲序列。
此种实施例下,门电路的结构如图2所示,其中,左侧的0表示第一量子比特,左侧的1表示第二量子比特,右下角为观测基。
在一种实施例中,利用观测基对量子比特中间态数据进行观测,根据观测结果得到脉冲序列,包括:
控制非门的表达式为,且待识别情感数据为第i量子逻辑门电路的参数且第j量子逻辑门电路的参数为预设常数时,利用观测基对量子比特中间态数据中的第一量子比特进行多次观测,根据多次的观测结果得到脉冲序列。
此种实施例下,门电路的结构如图3所示。
在一种实施例中,利用观测基对量子比特中间态数据进行观测,根据观测结果得到脉冲序列,包括:
待识别情感数据分别作为第一量子逻辑门电路和第二量子逻辑门的参数时,利用观测基对量子比特中间态数据中的第一量子比特和第二量子比特进行多次观测,根据多次的观测结果得到脉冲序列。
此种实施例下,门电路的结构如图4所示。
本实施例描述了针对量子比特中间态数据进行观测,以获取脉冲序列的步骤。具体来讲,首先在根据待识别情感数据、初始化的第一量子比特和第二量子比特利用脉冲编码电路对待识别情感数据进行量子编码后,得到量子比特中间态数据。接着,将量子比特中间态数据输入至观测基中,通过观测基对量子比特中间态数据进行多次观测。这里的观测基可以是X基、Y基或Z基,也可以是它们的任意组合。最后,根据多次的观测结果得到脉冲序列,进而使用脉冲神经网络模型对脉冲序列进行处理,得到与待识别情感数据对应的情感识别结果。
需要注意的是,观测基的选择会影响到量子比特的状态,从而影响到最终的情感识别结果。因此,在实际应用中需要根据具体情况进行选择。同时,观测基的选择也需要考虑到实验条件的限制和噪声等因素的影响。
在一种实施例中,获取待识别情感数据之后,还包括:
对待识别情感数据进行特征提取,得到情感特征数据;
对待识别情感数据进行量子编码,得到对应的量子比特数据,包括:
对情感特征数据进行量子编码,得到量子比特数据。
本实施例中,首先获取待识别情感数据作为输入,这可以是文本、语音或其他形式的情感数据。然后在获取待识别情感数据之后,进行特征提取,特征提取是将原始的待识别情感数据转换为一组能够表示情感信息的特征向量或特征集合,以便更好地描述和区分不同的情感状态。在情感识别中,特征提取可以是指提取声音数据中的音频特征,如频率、振幅、声音持续时间等,或者提取文本数据中的词频、句子结构、情感词汇等。
通过特征提取,可以把复杂的情感数据转化为更容易处理和分析的形式。相适应的,利用基于量子计算的脉冲编码电路对情感特征数据进行量子编码,将情感特征数据转换为量子比特数据。
综上,本实施例提供的在情感识别方法中进行特征提取的方式,可以更好地处理和分析待识别情感数据,并实现准确的情感识别结果。
在一种实施例中,对待识别情感数据进行特征提取,得到情感特征数据,包括:
使用特征提取模型对待识别情感数据进行特征提取,得到情感特征数据。
具体而言,对待识别情感数据进行特征提取的过程包括使用特征提取模型对待识别情感数据进行特征提取,得到情感特征数据。特征提取模型是针对不同类型的情感数据设计的,可以是基于机器学习算法的模型,如支持向量机、神经网络等,也可以是基于传统信号处理方法的模型,如傅里叶变换、小波变换等。对于图像数据而言,可以根据本身计算资源的大小,选择对应的大小合适的预训练图像模型,诸如ResNet(Residual Network,残差网络)、VGG(Visual Geometry Group,视觉几何组)、InceptionNet、MobileNet;对于音频数据,可以使用预训练语音模型,如wav2vec、whisper;文本数据可以使用文本预训练模型Glove、Bert等。这些特征提取模型可以根据具体的情感识别任务和数据类型进行选择和优化,以确保提取到的情感特征数据具有代表性和区分度。
在一种实施例中,对待识别情感数据进行特征提取,得到情感特征数据之前,还包括:
获取待识别情感数据的数据类型,根据数据类型确定与数据类型对应的目标特征提取模型;
使用特征提取模型对待识别情感数据进行特征提取,得到情感特征数据,包括:
使用目标特征提取模型对待识别情感数据进行特征提取,得到情感特征数据。
在一种实施例中,获取待识别情感数据的数据类型之后,还包括:
判断是否存在与数据类型对应的目标特征提取模型;
若存在,则进入根据数据类型确定与数据类型对应的目标特征提取模型的步骤。
本实施例描述了对待识别情感数据进行特征提取的具体步骤。具体而言,首先对待识别情感数据的数据类型进行确定,并根据数据类型选择相应的目标特征提取模型;这一步骤确保了针对不同类型的情感数据能够选择合适的特征提取方法,提高了情感识别的准确性和适用性。
进一步地,获取待识别情感数据的数据类型之后,还判断是否存在与数据类型对应的目标特征提取模型,以及存在目标特征提取模型时进入根据数据类型确定与数据类型对应的目标特征提取模型的步骤;否则可能需要考虑使用通用的特征提取模型或者定制新的特征提取模型。
综上,本实施例描述了根据数据类型选择合适的特征提取模型,并对待识别情感数据进行特征提取的重要性,以确保得到准确且具有代表性的情感特征数据用于后续的量子编码和情感识别过程。
在一种实施例中,在判定不存在与数据类型对应的目标特征提取模型之后,还包括:
构建与数据类型对应的特征提取神经网络模型,并初始化特征提取神经网络模型的神经网络结构参数和权重参数;
对特征提取神经网络模型进行优化,并获取优化过程中神经网络结构参数和权重参数的最优解;
将设有最优解的特征提取神经网络模型作为最终特征提取神经网络模型;
使用特征提取模型对待识别情感数据进行特征提取,得到情感特征数据,包括:
使用最终特征提取神经网络模型对待识别情感数据进行特征提取,得到情感特征数据。
本实施例描述了在判定不存在与数据类型对应的目标特征提取模型之后,构建与数据类型对应的特征提取神经网络模型并进行优化过程中的具体步骤,以及最终得到的特征提取神经网络模型如何用于情感识别方法中的特征提取。
首先,在不存在与数据类型对应的目标特征提取模型的情况下(例如对于脑电数据和肌电数据而言,可使用的特征提取模型较少),需要构建一个与数据类型对应的特征提取神经网络模型;这个特征提取神经网络模型的主要作用是从待识别情感数据中提取出代表情感信息的特征数据,为后续的量子编码和情感识别过程做准备,在构建过程中,需要初始化神经网络结构参数和权重参数。
接下来,对特征提取神经网络模型进行优化,以获取神经网络结构参数和权重参数的最优解;这个过程可以使用梯度下降等优化算法进行,目的是让特征提取神经网络模型尽可能地准确、高效地提取情感特征数据。
最后,通过将设有最优解的特征提取神经网络模型作为最终特征提取神经网络模型,可以得到一个能够有效提取待识别情感数据中代表情感信息的情感特征数据的模型,使用这个最终特征提取神经网络模型对待识别情感数据进行特征提取,即可得到情感特征数据;这些情感特征数据将作为后续量子编码和情感识别过程的输入数据,以实现对待识别情感数据的准确识别。
在一种实施例中,构建与数据类型对应的特征提取神经网络模型之前,还包括:
对神经网络结构参数和权重参数进行染色体编码。
本实施例描述了构建与数据类型对应的特征提取神经网络模型时,对神经网络结构参数和权重参数进行染色体编码的具体方式。在这里,染色体编码是一种用于表示神经网络结构和参数的技术,类似于生物学中的染色体编码。
具体来说,当特征提取神经网络模型为深度卷积神经网络模型时,对神经网络结构参数和权重参数进行染色体编码的步骤如下:
构建维度为N的一维向量,N为正整数;
将一维向量的第一个维度设为卷积层的个数,第一个维度的数值不大于最大卷积层个数;
将一维向量的3k个维度设为k个卷积层的卷积参数,每3个维度表征一个卷积层的卷积参数,卷积参数包括用于表征卷积核大小的数值、卷积核的步长和卷积核的个数,k为最大卷积层个数,k为自然数,k<N;
将一维向量的4k个维度设为k个池化层的池化参数,每4个维度表征一个池化层的池化参数,池化参数包括用于表征是否加入池化层的数值、用于表征池化类型的数值、池化窗口和池化步长;
将一维向量的第二个维度设为全连接层的个数,一维向量的第三个维度和第四个维度设为全连接层的神经元的个数;
将一维向量的m个维度设为每层对应的权重初始化方式的序号标识。
其中,权重初始化方式可以包括以下10种中的任意几种:Xavier均匀分布;Xavier正态分布;Kaiming均匀分布;Kaiming正态分布;均匀分布;正态分布;常数分布;正交矩阵初始化;单位矩阵初始化;稀疏矩阵初始化。如图5所示,在一个可选的实施例中,一维向量的维度为30,其中,第一位代表卷积层的个数,此实施例中卷积层的个数为2,最大为3;第2位-第10位:表示三个卷积层的相关参数,第一个代表卷积核的大小,都是正方向卷积核,所以用一个数字决定,后面紧跟着两个代表步长和卷积核的个数,总共三个参数,3个卷积模块,所以共计占据9个基因位置,卷积核的取值范围是2-20,卷积步长的取值范围是2-10,卷积核的取值范围是2-256。第11位到第22位:代表池化层的相关参数,第一个代表是否加入池化层,接下来三个代表池化类型和窗口,步长相关参数,池化类型两个取值:0代表平均池化,1代表最大池化,池化窗口的范围是2-10,池化步长的取值范围是2-5。第23位:取值为1或者2,代表全连接层的个数;第24位到第25位:取值为24-1024,代表全连接层神经元的个数;第26位到第30位:取值为1-10,分别代表每层对应的不同类型的权重初始化方式(具体可以是上述列举的权重初始化方式)。
在一种实施例中,对特征提取神经网络模型进行优化,并获取优化过程中神经网络结构参数和权重参数的最优解,包括:
根据初始化的多个染色体编码确定当前阶段得分最高的第一染色体编码;
根据各个第二染色体编码与第一染色体编码之间的得分差距更新各个第二染色体编码,第二染色体编码为除第一染色体编码之外的其它染色体编码;
若更新后的第二染色体编码的得分大于更新前的第二染色体编码的得分,则使用更新后的第二染色体编码替换更新前的第二染色体编码,否则,保留更新前的第二染色体编码;
使任意两个第二染色体编码之间相互学习,以更新第二染色体编码,并进入若更新后的第二染色体编码的得分大于更新前的第二染色体编码的得分,则使用更新后的第二染色体编码替换更新前的第二染色体编码,否则,保留更新前的第二染色体编码的步骤;
将满足预设迭代终止条件的染色体编码作为最优染色体编码。
本实施例中,在对特征提取神经网络模型进行优化过程中使用了遗传算法的思想来搜索最优解。具体而言,首先,根据初始化的多个染色体编码确定当前阶段得分最高的第一染色体编码。其次,根据各个第二染色体编码与第一染色体编码之间的得分差距更新各个第二染色体编码,第二染色体编码为除第一染色体编码之外的其它染色体编码。这里的得分指的是特征提取神经网络模型在验证集上的准确率或其他衡量模型性能的指标。
然后,对更新后的第二染色体编码进行学习和更新,对更新后的第二染色体编码进行评估,如果其得分大于更新前的得分,则使用更新后的染色体编码替换更新前的染色体编码,否则保留更新前的染色体编码。
在执行完上述更新染色体编码的过程之后,还可以使任意两个第二染色体编码之间相互学习,以更新第二染色体编码,并在更新之后再次进入对更新后的第二染色体编码进行评估的相关步骤。重复以上步骤,直至满足预设的迭代终止条件,并将满足预设迭代终止条件的染色体编码作为最优解。
在一种实施例中,根据各个第二染色体编码与第一染色体编码之间的得分差距更新各个第二染色体编码,包括:
使第一预设比例的各第二染色体编码根据得分差距向第一染色体编码学习,以更新第一预设比例的各第二染色体编码,第一预设比例小于1。
本实施例中,首先需要确定一组第一预设比例的第二染色体编码,即将第一染色体编码作为参照,使第一预设比例的第二染色体编码向第一染色体编码进行学习更新。也即是,选择部分的第二染色体编码向第一染色体编码进行学习,保留部分的第二染色体编码不向第一染色体编码学习,以增加解空间的探索。这里的学习更新是指通过交叉、变异等遗传算法操作,生成新的染色体编码,并根据其得分与原有编码进行比较,选择得分更高的染色体编码,这样可以保留部分较优的染色体编码,同时增加解空间的探索能力。
在一种实施例中,使任意两个第二染色体编码之间相互学习,以更新第二染色体编码,包括:
使第二预设比例的第二染色体编码中的任意两个第二染色体编码之间相互学习,以更新第二染色体编码,第二预设比例小于1。
本实施例中,同样也是选择部分的第二染色体编码之间进行相互学习,保留部分的第二染色体编码不进行学习,以增加解空间的探索。
在一种实施例中,使任意两个第二染色体编码之间相互学习,以更新第二染色体编码,包括:
控制第三预设比例的任意两个第二染色体编码中得分低的第二染色体编码向得分高的第二染色体编码学习,以更新得分低的第二染色体编码;
控制第四预设比例的任意两个第二染色体编码中得分高的第二染色体编码向得分低的第二染色体编码学习,以更新得分高的第二染色体编码;
第三预设比例大于第四预设比例。
本实施例中,也是为了增加解空间的探索,选择大部分(也即第三预设比例)的第二染色体编码之间进行相互学习时遵循:得分低的向得分高的学习,保留小部分(也即第四预设比例)的第二染色体编码之间进行相互学习时遵循:得分高的向得分低的学习,以增加解空间的探索。
第二方面,如图6所示,本申请还提供了一种情感识别系统,包括:
获取单元61,用于获取待识别情感数据,将待识别情感数据输入至基于量子计算的脉冲编码电路中;
量子编码单元62,用于根据待识别情感数据、初始化的第一量子比特和第二量子比特利用脉冲编码电路对待识别情感数据进行量子编码,得到脉冲序列;
情感识别单元63,用于将脉冲序列输入至脉冲神经网络模型中,使用脉冲神经网络模型对脉冲序列进行处理,得到与待识别情感数据对应的情感识别结果。
在一种实施例中,量子编码单元62,包括:
电路处理单元,用于根据待识别情感数据利用脉冲编码电路对第一量子比特、第二量子比特进行量子叠加操作和量子纠缠操作,得到量子比特中间态数据;
观测单元,用于利用观测基对量子比特中间态数据进行观测,根据观测结果得到脉冲序列。
在一种实施例中,电路处理单元,包括:
第一处理单元,用于将第一量子比特输入至第一量子逻辑门电路,得到第一中间量子数据;
第二处理单元,用于将第二量子比特输入至第二量子逻辑门电路,得到第二中间量子数据;
待识别情感数据为第i量子逻辑门电路的参数且第j量子逻辑门电路的参数为预设常数,或待识别情感数据分别作为第一量子逻辑门电路和第二量子逻辑门的参数,i为一时j为二,i为二时j为一;
第三处理单元,用于将第一中间量子数据和第二中间量子数据输入至第三量子逻辑门电路,利用第三量子逻辑门电路对第一中间量子数据和第二中间量子数据作量子比特纠缠处理,得到量子比特中间态数据。
在一种实施例中,第一处理单元,具体用于将第一量子比特输入至第一RX门,并利用第一公式得到第一中间量子数据;
第一公式为:
;
其中,为第一中间量子数据,/>为第一RX门的逻辑函数,/>为第一量子比特的初始状态,/>为待识别情感数据中的各个第一实数的值,/>;
第二处理单元,具体用于将第二量子比特输入第二RX门,并利用第二公式得到第二中间量子数据;
第二公式为:
;
其中,为第二中间量子数据,/>为第二RX门的逻辑函数,/>为第二量子比特的初始状态,/>为待识别情感数据中的各个第二实数的值,第一实数和第二实数的集合为待识别情感数据中全部实数的集合。
在一种实施例中,第三处理单元,具体用于将第一中间量子数据和第二中间量子数据输入至控制非门,利用控制非门对第一中间量子数据和第二中间量子数据作量子比特纠缠处理,得到量子比特中间态数据;
控制非门的表达式为:,或,/>;
其中,表示外积操作,/>,/>为量子比特中间态数据。
在一种实施例中,观测单元,具体用于利用观测基对第三量子逻辑门电路输出的量子比特中间态数据进行多次观测,根据多次的观测结果得到脉冲序列;
观测基的表达式为:,其中,/>为观测基。
在一种实施例中,观测单元,具体用于在控制非门的表达式为,且待识别情感数据为第i量子逻辑门电路的参数且第j量子逻辑门电路的参数为预设常数时,利用观测基对量子比特中间态数据中的第二量子比特进行多次观测,根据多次的观测结果得到脉冲序列。
在一种实施例中,观测单元,具体用于在控制非门的表达式为,且待识别情感数据为第i量子逻辑门电路的参数且第j量子逻辑门电路的参数为预设常数时,利用观测基对量子比特中间态数据中的第一量子比特进行多次观测,根据多次的观测结果得到脉冲序列。
在一种实施例中,观测单元,具体用于在待识别情感数据分别作为第一量子逻辑门电路和第二量子逻辑门的参数时,利用观测基对量子比特中间态数据中的第一量子比特和第二量子比特进行多次观测,根据多次的观测结果得到脉冲序列。
在一种实施例中,还包括:
特征提取单元,用于对待识别情感数据进行特征提取,得到情感特征数据;
获取单元61,具体用于获取情感特征数据,并对情感特征数据进行量子编码,得到量子比特数据。
在一种实施例中,获取单元61,具体用于使用特征提取模型对待识别情感数据进行特征提取,得到情感特征数据。
在一种实施例中,还包括:
模型确定单元,用于获取待识别情感数据的数据类型,根据数据类型确定与数据类型对应的目标特征提取模型;
获取单元61,具体用于使用目标特征提取模型对待识别情感数据进行特征提取,得到情感特征数据。
在一种实施例中,获取待识别情感数据的数据类型之后,还包括:
模型判断单元,用于判断是否存在与数据类型对应的目标特征提取模型;若存在,则进入根据数据类型确定与数据类型对应的目标特征提取模型的步骤。
在一种实施例中,在判定不存在与数据类型对应的目标特征提取模型之后,还包括:
模型构建单元,用于构建与数据类型对应的特征提取神经网络模型,并初始化特征提取神经网络模型的神经网络结构参数和权重参数;
求解单元,用于对特征提取神经网络模型进行优化,并获取优化过程中神经网络结构参数和权重参数的最优解;
模型确定单元,用于将设有最优解的特征提取神经网络模型作为最终特征提取神经网络模型;
获取单元61具体用于使用最终特征提取神经网络模型对待识别情感数据进行特征提取,得到情感特征数据。
在一种实施例中,还包括:
染色体编码单元,用于在构建与数据类型对应的特征提取神经网络模型之前,对神经网络结构参数和权重参数进行染色体编码。
在一种实施例中,特征提取神经网络模型为深度卷积神经网络模型时,染色体编码单元,具体用于构建维度为N的一维向量,N为正整数;将一维向量的第一个维度设为卷积层的个数,第一个维度的数值不大于最大卷积层个数;将一维向量的3k个维度设为k个卷积层的卷积参数,每3个维度表征一个卷积层的卷积参数,卷积参数包括用于表征卷积核大小的数值、卷积核的步长和卷积核的个数,k为最大卷积层个数,k为自然数,k<N;将一维向量的4k个维度设为k个池化层的池化参数,每4个维度表征一个池化层的池化参数,池化参数包括用于表征是否加入池化层的数值、用于表征池化类型的数值、池化窗口和池化步长;将一维向量的第二个维度设为全连接层的个数,一维向量的第三个维度和第四个维度设为全连接层的神经元的个数;将一维向量的m个维度设为每层对应的权重初始化方式的序号标识,m为正整数。
在一种实施例中,求解单元,具体用于:
根据初始化的多个染色体编码确定当前阶段得分最高的第一染色体编码;
根据各个第二染色体编码与第一染色体编码之间的得分差距更新各个第二染色体编码,第二染色体编码为除第一染色体编码之外的其它染色体编码;
若更新后的第二染色体编码的得分大于更新前的第二染色体编码的得分,则使用更新后的第二染色体编码替换更新前的第二染色体编码,否则,保留更新前的第二染色体编码;
使任意两个第二染色体编码之间相互学习,以更新第二染色体编码,并进入若更新后的第二染色体编码的得分大于更新前的第二染色体编码的得分,则使用更新后的第二染色体编码替换更新前的第二染色体编码,否则,保留更新前的第二染色体编码的步骤;
将满足预设迭代终止条件的染色体编码作为最优染色体编码。
在一种实施例中,根据各个第二染色体编码与第一染色体编码之间的得分差距更新各个第二染色体编码,包括:
使第一预设比例的各第二染色体编码根据得分差距向第一染色体编码学习,以更新第一预设比例的各第二染色体编码,第一预设比例小于1。
在一种实施例中,使任意两个第二染色体编码之间相互学习,以更新第二染色体编码,包括:
使第二预设比例的第二染色体编码中的任意两个第二染色体编码之间相互学习,以更新第二染色体编码,第二预设比例小于1。
在一种实施例中,使任意两个第二染色体编码之间相互学习,以更新第二染色体编码,包括:
控制第三预设比例的任意两个第二染色体编码中得分低的第二染色体编码向得分高的第二染色体编码学习,以更新得分低的第二染色体编码;
控制第四预设比例的任意两个第二染色体编码中得分高的第二染色体编码向得分低的第二染色体编码学习,以更新得分高的第二染色体编码;
第三预设比例大于第四预设比例。
对于情感识别系统的介绍请参照上述实施例,本申请在此不再赘述。
第三方面,如图7所示,本申请还提供了一种情感识别装置,包括:
存储器71,用于存储计算机程序;
处理器72,用于在执行计算机程序时,实现如上述的情感识别方法的步骤。
对于情感识别装置的介绍请参照上述实施例,本申请在此不再赘述。
第四方面,本申请还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上述的情感识别方法的步骤。
对于计算机可读存储介质的介绍请参照上述实施例,本申请在此不再赘述。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其他实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (22)
1.一种情感识别方法,其特征在于,包括:
获取待识别情感数据,将所述待识别情感数据输入至基于量子计算的脉冲编码电路中;
根据所述待识别情感数据、初始化的第一量子比特和第二量子比特利用所述脉冲编码电路对所述待识别情感数据进行量子编码,得到脉冲序列;
将所述脉冲序列输入至脉冲神经网络模型中,使用所述脉冲神经网络模型对所述脉冲序列进行处理,得到与所述待识别情感数据对应的情感识别结果;
根据所述待识别情感数据、初始化的第一量子比特和第二量子比特利用所述脉冲编码电路对所述待识别情感数据进行量子编码,得到脉冲序列,包括:
根据所述待识别情感数据利用所述脉冲编码电路对所述第一量子比特、所述第二量子比特进行量子叠加操作和量子纠缠操作,得到量子比特中间态数据;
利用观测基对所述量子比特中间态数据进行观测,根据观测结果得到所述脉冲序列。
2.如权利要求1所述的情感识别方法,其特征在于,根据所述待识别情感数据利用所述脉冲编码电路对所述第一量子比特、所述第二量子比特进行量子叠加操作和量子纠缠操作,得到量子比特中间态数据,包括:
将所述第一量子比特输入至第一量子逻辑门电路,得到第一中间量子数据;将所述第二量子比特输入至第二量子逻辑门电路,得到第二中间量子数据;
所述待识别情感数据为第i量子逻辑门电路的参数且第j量子逻辑门电路的参数为预设常数,或所述待识别情感数据分别作为所述第一量子逻辑门电路和所述第二量子逻辑门的参数,i为一时j为二,i为二时j为一;
将所述第一中间量子数据和所述第二中间量子数据输入至第三量子逻辑门电路,利用所述第三量子逻辑门电路对所述第一中间量子数据和所述第二中间量子数据作量子比特纠缠处理,得到所述量子比特中间态数据。
3.如权利要求2所述的情感识别方法,其特征在于,将所述第一量子比特输入至第一量子逻辑门电路,得到第一中间量子数据,包括:
将所述第一量子比特输入至第一RX门,并利用第一公式得到所述第一中间量子数据;
所述第一公式为:
;
其中,为所述第一中间量子数据,/>为所述第一RX门的逻辑函数,/>为所述第一量子比特的初始状态,/>为所述待识别情感数据中的各个第一实数的值,;
将所述第二量子比特输入至第二量子逻辑门电路,得到第二中间量子数据,包括:
将所述第二量子比特输入第二RX门,并利用第二公式得到所述第二中间量子数据;
所述第二公式为:
;
其中,为所述第二中间量子数据,/>为所述第二RX门的逻辑函数,/>为所述第二量子比特的初始状态,/>为所述待识别情感数据中的各个第二实数的值,所述第一实数和所述第二实数的集合为所述待识别情感数据中全部实数的集合。
4.如权利要求3所述的情感识别方法,其特征在于,将所述第一中间量子数据和所述第二中间量子数据输入至第三量子逻辑门电路,利用所述第三量子逻辑门电路对所述第一中间量子数据和所述第二中间量子数据作量子比特纠缠处理,得到所述量子比特中间态数据,包括:
将所述第一中间量子数据和所述第二中间量子数据输入至控制非门,利用所述控制非门对所述第一中间量子数据和所述第二中间量子数据作量子比特纠缠处理,得到所述量子比特中间态数据;
所述控制非门的表达式为:,或,/>;
其中,表示外积操作,/>,/>为所述量子比特中间态数据。
5.如权利要求4所述的情感识别方法,其特征在于,利用观测基对所述量子比特中间态数据进行观测,根据观测结果得到所述脉冲序列,包括:
利用所述观测基对所述第三量子逻辑门电路输出的所述量子比特中间态数据进行多次观测,根据多次的所述观测结果得到所述脉冲序列;
所述观测基的表达式为:,其中,/>为所述观测基。
6.如权利要求4所述的情感识别方法,其特征在于,利用观测基对所述量子比特中间态数据进行观测,根据观测结果得到所述脉冲序列,包括:
所述控制非门的表达式为,且所述待识别情感数据为所述第i量子逻辑门电路的参数且所述第j量子逻辑门电路的参数为所述预设常数时,利用所述观测基对所述量子比特中间态数据中的第二量子比特进行多次观测,根据多次的所述观测结果得到所述脉冲序列。
7.如权利要求4所述的情感识别方法,其特征在于,利用观测基对所述量子比特中间态数据进行观测,根据观测结果得到所述脉冲序列,包括:
所述控制非门的表达式为,且所述待识别情感数据为所述第i量子逻辑门电路的参数且所述第j量子逻辑门电路的参数为所述预设常数时,利用所述观测基对所述量子比特中间态数据中的第一量子比特进行多次观测,根据多次的所述观测结果得到所述脉冲序列。
8.如权利要求4所述的情感识别方法,其特征在于,利用观测基对所述量子比特中间态数据进行观测,根据观测结果得到所述脉冲序列,包括:
所述待识别情感数据分别作为所述第一量子逻辑门电路和所述第二量子逻辑门的参数时,利用所述观测基对所述量子比特中间态数据中的第一量子比特和第二量子比特进行多次观测,根据多次的所述观测结果得到所述脉冲序列。
9.如权利要求1-8任一项所述的情感识别方法,其特征在于,获取待识别情感数据之后,还包括:
对所述待识别情感数据进行特征提取,得到情感特征数据;
对所述待识别情感数据进行量子编码,得到对应的量子比特数据,包括:
对所述情感特征数据进行量子编码,得到所述量子比特数据。
10.如权利要求9所述的情感识别方法,其特征在于,对所述待识别情感数据进行特征提取,得到情感特征数据,包括:
使用特征提取模型对所述待识别情感数据进行特征提取,得到所述情感特征数据。
11.如权利要求10所述的情感识别方法,其特征在于,对所述待识别情感数据进行特征提取,得到情感特征数据之前,还包括:
获取待识别情感数据的数据类型,根据所述数据类型确定与所述数据类型对应的目标特征提取模型;
使用特征提取模型对所述待识别情感数据进行特征提取,得到所述情感特征数据,包括:
使用所述目标特征提取模型对所述待识别情感数据进行特征提取,得到所述情感特征数据。
12.如权利要求11所述的情感识别方法,其特征在于,获取待识别情感数据的数据类型之后,还包括:
判断是否存在与所述数据类型对应的目标特征提取模型;
若存在,则进入根据所述数据类型确定与所述数据类型对应的目标特征提取模型的步骤。
13.如权利要求12所述的情感识别方法,其特征在于,在判定不存在与所述数据类型对应的目标特征提取模型之后,还包括:
构建与所述数据类型对应的特征提取神经网络模型,并初始化所述特征提取神经网络模型的神经网络结构参数和权重参数;
对所述特征提取神经网络模型进行优化,并获取优化过程中所述神经网络结构参数和所述权重参数的最优解;
将设有所述最优解的特征提取神经网络模型作为最终特征提取神经网络模型;
使用特征提取模型对所述待识别情感数据进行特征提取,得到所述情感特征数据,包括:
使用所述最终特征提取神经网络模型对所述待识别情感数据进行特征提取,得到所述情感特征数据。
14.如权利要求13所述的情感识别方法,其特征在于,构建与所述数据类型对应的特征提取神经网络模型之前,还包括:
对所述神经网络结构参数和所述权重参数进行染色体编码。
15.如权利要求14所述的情感识别方法,其特征在于,所述特征提取神经网络模型为深度卷积神经网络模型时,对所述神经网络结构参数和所述权重参数进行染色体编码,包括:
构建维度为N的一维向量,N为正整数;
将所述一维向量的第一个维度设为卷积层的个数,所述第一个维度的数值不大于最大卷积层个数;
将所述一维向量的3k个维度设为k个卷积层的卷积参数,每3个维度表征一个所述卷积层的卷积参数,所述卷积参数包括用于表征卷积核大小的数值、所述卷积核的步长和所述卷积核的个数,k为所述最大卷积层个数,k为自然数,k<N;
将所述一维向量的4k个维度设为k个池化层的池化参数,每4个维度表征一个所述池化层的池化参数,所述池化参数包括用于表征是否加入池化层的数值、用于表征池化类型的数值、池化窗口和池化步长;
将所述一维向量的第二个维度设为全连接层的个数,所述一维向量的第三个维度和第四个维度设为所述全连接层的神经元的个数;
将所述一维向量的m个维度设为每层对应的权重初始化方式的序号标识,m为正整数。
16.如权利要求13所述的情感识别方法,其特征在于,对所述特征提取神经网络模型进行优化,并获取优化过程中所述神经网络结构参数和所述权重参数的最优解,包括:
根据初始化的多个染色体编码确定当前阶段得分最高的第一染色体编码;
根据各个第二染色体编码与所述第一染色体编码之间的得分差距更新各个所述第二染色体编码,所述第二染色体编码为除所述第一染色体编码之外的其它染色体编码;
若更新后的第二染色体编码的得分大于更新前的第二染色体编码的得分,则使用所述更新后的第二染色体编码替换所述更新前的第二染色体编码,否则,保留所述更新前的第二染色体编码;
使任意两个所述第二染色体编码之间相互学习,以更新所述第二染色体编码,并进入若更新后的第二染色体编码的得分大于更新前的第二染色体编码的得分,则使用所述更新后的第二染色体编码替换所述更新前的第二染色体编码,否则,保留所述更新前的第二染色体编码的步骤;
将满足预设迭代终止条件的染色体编码作为最优染色体编码。
17.如权利要求16所述的情感识别方法,其特征在于,根据各个第二染色体编码与所述第一染色体编码之间的得分差距更新各个所述第二染色体编码,包括:
使第一预设比例的各所述第二染色体编码根据所述得分差距向所述第一染色体编码学习,以更新所述第一预设比例的各所述第二染色体编码,所述第一预设比例小于1。
18.如权利要求16所述的情感识别方法,其特征在于,使任意两个所述第二染色体编码之间相互学习,以更新所述第二染色体编码,包括:
使第二预设比例的所述第二染色体编码中的任意两个所述第二染色体编码之间相互学习,以更新所述第二染色体编码,所述第二预设比例小于1。
19.如权利要求16所述的情感识别方法,其特征在于,使任意两个所述第二染色体编码之间相互学习,以更新所述第二染色体编码,包括:
控制第三预设比例的任意两个所述第二染色体编码中得分低的第二染色体编码向得分高的第二染色体编码学习,以更新所述得分低的第二染色体编码;
控制第四预设比例的任意两个所述第二染色体编码中得分高的第二染色体编码向得分低的第二染色体编码学习,以更新所述得分高的第二染色体编码;
所述第三预设比例大于所述第四预设比例。
20.一种情感识别系统,其特征在于,包括:
获取单元,用于获取待识别情感数据,将所述待识别情感数据输入至基于量子计算的脉冲编码电路中;
量子编码单元,用于根据所述待识别情感数据、初始化的第一量子比特和第二量子比特利用所述脉冲编码电路对所述待识别情感数据进行量子编码,得到脉冲序列;
情感识别单元,用于将所述脉冲序列输入至脉冲神经网络模型中,使用所述脉冲神经网络模型对所述脉冲序列进行处理,得到与所述待识别情感数据对应的情感识别结果;
所述量子编码单元,包括:
电路处理单元,用于根据所述待识别情感数据利用所述脉冲编码电路对所述第一量子比特、所述第二量子比特进行量子叠加操作和量子纠缠操作,得到量子比特中间态数据;
观测单元,用于利用观测基对所述量子比特中间态数据进行观测,根据观测结果得到所述脉冲序列。
21.一种情感识别装置,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于在执行计算机程序时,实现如权利要求1-19任一项所述的情感识别方法的步骤。
22.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-19任一项所述的情感识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311755623.5A CN117435917B (zh) | 2023-12-20 | 2023-12-20 | 一种情感识别方法、系统、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311755623.5A CN117435917B (zh) | 2023-12-20 | 2023-12-20 | 一种情感识别方法、系统、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117435917A CN117435917A (zh) | 2024-01-23 |
CN117435917B true CN117435917B (zh) | 2024-03-08 |
Family
ID=89546402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311755623.5A Active CN117435917B (zh) | 2023-12-20 | 2023-12-20 | 一种情感识别方法、系统、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117435917B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819170A (zh) * | 2021-01-22 | 2021-05-18 | 北京百度网讯科技有限公司 | 控制脉冲生成方法、装置、系统、设备及存储介质 |
CN112819169A (zh) * | 2021-01-22 | 2021-05-18 | 北京百度网讯科技有限公司 | 量子控制脉冲生成方法、装置、设备及存储介质 |
CN114021524A (zh) * | 2021-09-29 | 2022-02-08 | 苏州浪潮智能科技有限公司 | 一种情感识别方法、装置、设备及可读存储介质 |
CN114155478A (zh) * | 2022-02-09 | 2022-03-08 | 苏州浪潮智能科技有限公司 | 一种情感识别方法、装置、系统及计算机可读存储介质 |
CN114565096A (zh) * | 2022-03-01 | 2022-05-31 | 中南大学 | 量子哈密顿学习方法、图像分割方法及车牌识别方法 |
CN115482578A (zh) * | 2022-10-20 | 2022-12-16 | 中国农业银行股份有限公司 | 人脸表情图像的识别方法、装置、电子设备及存储介质 |
WO2023287333A1 (en) * | 2021-07-13 | 2023-01-19 | Telefonaktiebolaget Lm Ericsson (Publ) | A quantum neural network for noisy intermediate scale quantum devices |
CN116663643A (zh) * | 2023-05-30 | 2023-08-29 | 中国银联股份有限公司 | 量子神经网络的训练方法和数据分类方法 |
CN116882469A (zh) * | 2023-09-06 | 2023-10-13 | 苏州浪潮智能科技有限公司 | 用于情感识别的脉冲神经网络部署方法、装置及设备 |
CN116911391A (zh) * | 2023-07-27 | 2023-10-20 | 本源量子计算科技(合肥)股份有限公司 | 一种量子态的制备方法及装置 |
-
2023
- 2023-12-20 CN CN202311755623.5A patent/CN117435917B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819170A (zh) * | 2021-01-22 | 2021-05-18 | 北京百度网讯科技有限公司 | 控制脉冲生成方法、装置、系统、设备及存储介质 |
CN112819169A (zh) * | 2021-01-22 | 2021-05-18 | 北京百度网讯科技有限公司 | 量子控制脉冲生成方法、装置、设备及存储介质 |
WO2023287333A1 (en) * | 2021-07-13 | 2023-01-19 | Telefonaktiebolaget Lm Ericsson (Publ) | A quantum neural network for noisy intermediate scale quantum devices |
CN114021524A (zh) * | 2021-09-29 | 2022-02-08 | 苏州浪潮智能科技有限公司 | 一种情感识别方法、装置、设备及可读存储介质 |
CN114155478A (zh) * | 2022-02-09 | 2022-03-08 | 苏州浪潮智能科技有限公司 | 一种情感识别方法、装置、系统及计算机可读存储介质 |
CN114565096A (zh) * | 2022-03-01 | 2022-05-31 | 中南大学 | 量子哈密顿学习方法、图像分割方法及车牌识别方法 |
CN115482578A (zh) * | 2022-10-20 | 2022-12-16 | 中国农业银行股份有限公司 | 人脸表情图像的识别方法、装置、电子设备及存储介质 |
CN116663643A (zh) * | 2023-05-30 | 2023-08-29 | 中国银联股份有限公司 | 量子神经网络的训练方法和数据分类方法 |
CN116911391A (zh) * | 2023-07-27 | 2023-10-20 | 本源量子计算科技(合肥)股份有限公司 | 一种量子态的制备方法及装置 |
CN116882469A (zh) * | 2023-09-06 | 2023-10-13 | 苏州浪潮智能科技有限公司 | 用于情感识别的脉冲神经网络部署方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117435917A (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102071582B1 (ko) | 딥 뉴럴 네트워크(Deep Neural Network)를 이용하여 문장이 속하는 클래스(class)를 분류하는 방법 및 장치 | |
CN107526785B (zh) | 文本分类方法及装置 | |
US11620487B2 (en) | Neural architecture search based on synaptic connectivity graphs | |
Goudet et al. | Causal generative neural networks | |
US11593617B2 (en) | Reservoir computing neural networks based on synaptic connectivity graphs | |
US11568201B2 (en) | Predicting neuron types based on synaptic connectivity graphs | |
US11625611B2 (en) | Training artificial neural networks based on synaptic connectivity graphs | |
US11593627B2 (en) | Artificial neural network architectures based on synaptic connectivity graphs | |
CN112163426A (zh) | 一种基于注意力机制与图长短时记忆神经网络结合的关系抽取方法 | |
US11631000B2 (en) | Training artificial neural networks based on synaptic connectivity graphs | |
Glauner | Comparison of training methods for deep neural networks | |
CN111046178A (zh) | 一种文本序列生成方法及其系统 | |
Kim et al. | Building deep random ferns without backpropagation | |
WO2022125181A1 (en) | Recurrent neural network architectures based on synaptic connectivity graphs | |
CN114220164A (zh) | 一种基于变分模态分解和支持向量机的手势识别方法 | |
Karlupia et al. | A genetic algorithm based optimized convolutional neural network for face recognition | |
CN117435917B (zh) | 一种情感识别方法、系统、装置及介质 | |
Rolon-Mérette et al. | A multilayered bidirectional associative memory model for learning nonlinear tasks | |
CN112801283B (zh) | 一种神经网络模型、动作识别方法、装置及存储介质 | |
CN114757310A (zh) | 情感识别模型及其训练方法、装置、设备及可读存储介质 | |
US20230394304A1 (en) | Method and Apparatus for Neural Network Based on Energy-Based Latent Variable Models | |
CN108427867A (zh) | 一种基于灰色bp神经网络蛋白互作关系预测方法 | |
Kaszuba et al. | Automated development of latent representations for optimization of sequences using autoencoders | |
US20230196059A1 (en) | Attention-based brain emulation neural networks | |
Daniel et al. | Object Recognition Using Deep Learning |
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 |