| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景和意义 | 第13-15页 |
| 1.2 研究现状 | 第15-17页 |
| 1.2.1 量子数据分类算法 | 第15-16页 |
| 1.2.2 量子线性回归算法 | 第16页 |
| 1.2.3 量子聚类算法 | 第16-17页 |
| 1.2.4 量子降维算法 | 第17页 |
| 1.2.5 其他量子算法 | 第17页 |
| 1.3 论文章节安排及主要研究内容 | 第17-19页 |
| 第二章 量子计算基础知识 | 第19-33页 |
| 2.1 量子信息 | 第19-21页 |
| 2.1.1 量子比特 | 第19-20页 |
| 2.1.2 测量 | 第20-21页 |
| 2.2 量子电路 | 第21-23页 |
| 2.2.1 单量子比特门 | 第21-22页 |
| 2.2.2 受控量子门 | 第22-23页 |
| 2.2.3 通用量子门 | 第23页 |
| 2.3 基础量子算法 | 第23-33页 |
| 2.3.1 哈密顿量模拟 | 第23-26页 |
| 2.3.2 量子傅里叶变换 | 第26-27页 |
| 2.3.3 相位估计 | 第27-28页 |
| 2.3.4 幅度放大 | 第28-30页 |
| 2.3.5 量子交换测试(Quantum Swap Test) | 第30-33页 |
| 第三章 量子关联规则挖掘算法 | 第33-47页 |
| 3.1 经典关联规则挖掘回顾 | 第33-35页 |
| 3.2 量子关联规则挖掘算法 | 第35-44页 |
| 3.2.1 构建量子黑盒 | 第36-37页 |
| 3.2.2 算法设计 | 第37-41页 |
| 3.2.3 复杂度分析 | 第41-44页 |
| 3.3 本章小结 | 第44-47页 |
| 第四章 基于主成分分析的量子数据降维算法 | 第47-61页 |
| 4.1 经典主成分分析回顾 | 第47-48页 |
| 4.2 基于主成分分析的量子数据降维算法 | 第48-57页 |
| 4.2.1 算法设计 | 第50-55页 |
| 4.2.2 复杂度分析 | 第55-57页 |
| 4.3 在量子机器学习中的应用 | 第57-60页 |
| 4.3.1 量子支持向量机 | 第57-58页 |
| 4.3.2 量子线性回归预测 | 第58-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第五章 量子岭回归算法 | 第61-79页 |
| 5.1 经典岭回归回顾 | 第61-63页 |
| 5.2 量子岭回归算法 | 第63-77页 |
| 5.2.1 子算法1:产生编码最优拟合系数的量子态 | 第64-66页 |
| 5.2.2 子算法1的复杂度分析 | 第66-68页 |
| 5.2.3 子算法2:量子交叉验证以选择合适的岭回归参数 | 第68-75页 |
| 5.2.4 子算法2的复杂度分析 | 第75-77页 |
| 5.2.5 总算法 | 第77页 |
| 5.3 本章小结 | 第77-79页 |
| 第六章 量子视觉追踪算法 | 第79-95页 |
| 6.1 经典视觉追踪算法 | 第79-82页 |
| 6.2 量子算法 | 第82-90页 |
| 6.2.1 扩展循环哈密顿量模拟 | 第82-84页 |
| 6.2.2 训练阶段 | 第84-86页 |
| 6.2.3 探测阶段 | 第86-87页 |
| 6.2.4 时间复杂度分析 | 第87-89页 |
| 6.2.5 扩展到二维图片 | 第89-90页 |
| 6.3 应用 | 第90-94页 |
| 6.3.1 目标消失探测 | 第90-92页 |
| 6.3.2 运动行为匹配 | 第92-94页 |
| 6.4 本章小结 | 第94-95页 |
| 第七章 全文总结与展望 | 第95-97页 |
| 参考文献 | 第97-103页 |
| 附录A 第五章量子岭回归算法 | 第103-109页 |
| A.1 量子态制备 | 第103-104页 |
| A.2 h(λ_j,α)的最大值和最大相对估计误差 | 第104-106页 |
| A.3 矩阵X_(-l)的奇异值规模 | 第106-107页 |
| A.4 P_w的规模 | 第107-108页 |
| A.5 P_1和P_2在岭回归具有较好预测性能时的规模 | 第108-109页 |
| 附录B 第六章量子视觉追踪算法 | 第109-111页 |
| B.1 训练阶段中初始量子态制备 | 第109-111页 |
| 致谢 | 第111-113页 |
| 攻读学位期间发表的学术论文目录 | 第113页 |
