量子神经网络模型研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-12页 |
| 第一章 绪论 | 第12-26页 |
| ·引言 | 第12-13页 |
| ·量子神经网络 | 第13-21页 |
| ·基本量子理论 | 第14-18页 |
| ·量子计算的优点 | 第18-19页 |
| ·人工神经网络的发展 | 第19-20页 |
| ·量子神经网络模型研究现状 | 第20-21页 |
| ·本文的主要工作 | 第21-23页 |
| ·本文的内容安排 | 第23-26页 |
| 第二章 量子计算基本理论 | 第26-32页 |
| ·引言 | 第26页 |
| ·量子位 | 第26-27页 |
| ·量子存储器 | 第27页 |
| ·幺正操作 | 第27-28页 |
| ·量子逻辑门 | 第28-30页 |
| ·NOT 门 | 第28页 |
| ·Hadamard 门 | 第28-29页 |
| ·控制非门（C_(not) 门） | 第29页 |
| ·Toffoli 门 | 第29-30页 |
| ·量子算法 | 第30页 |
| ·量子仿真算法 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 第三章 量子M-P 和感知器网络模型 | 第32-44页 |
| ·引言 | 第32页 |
| ·量子M-P 神经网络模型 | 第32-37页 |
| ·内积 | 第33页 |
| ·传统的M-P 模型 | 第33-34页 |
| ·量子M-P 模型 | 第34-37页 |
| ·状态正交时的模型 | 第34-35页 |
| ·状态不正交时的模型 | 第35页 |
| ·权值学习算法 | 第35-37页 |
| ·单层量子感知器模型 | 第37-42页 |
| ·传统感知器模型 | 第37-38页 |
| ·量子门和它们的表述 | 第38-39页 |
| ·单层量子感知器 | 第39-42页 |
| ·量子感知器的结构和学习 | 第39-40页 |
| ·收敛性证明 | 第40页 |
| ·实例分析 | 第40-42页 |
| ·性能分析 | 第42页 |
| ·两种模型的比较 | 第42页 |
| ·两种网络模型的相似性 | 第42页 |
| ·两种网络模型的不同点 | 第42页 |
| ·本章小结 | 第42-44页 |
| 第四章 带权值的量子神经网络模型 | 第44-50页 |
| ·引言 | 第44页 |
| ·量子Grover 算法 | 第44-46页 |
| ·带权值的量子神经网络 | 第46-48页 |
| ·网络结构 | 第46页 |
| ·网络工作方式 | 第46-47页 |
| ·用Grover 算法学习网络权值 | 第47-48页 |
| ·QNN 应用 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第五章 量子Hopfield 神经网络模型 | 第50-58页 |
| ·引言 | 第50-51页 |
| ·QHNN 模型和工作原理 | 第51-54页 |
| ·QHNN 模型 | 第51-52页 |
| ·QHNN 的工作原理 | 第52-53页 |
| ·QHNN 权值的确定算法 | 第53-54页 |
| ·QHNN 应用实例 | 第54-56页 |
| ·QHNN 仿真与图像识别 | 第56-57页 |
| ·本章小结 | 第57-58页 |
| 第六章 无权值的量子神经网络模型 | 第58-70页 |
| ·引言 | 第58-59页 |
| ·量子竞争神经网络模型 | 第59-64页 |
| ·量子操作符 | 第59-60页 |
| ·传统的竞争神经网络 | 第60-61页 |
| ·量子竞争神经网络 | 第61-64页 |
| ·量子模式存储 | 第62-63页 |
| ·量子模式竞争 | 第63-64页 |
| ·随时间演化的量子门网络模型 | 第64-68页 |
| ·绝热演化理论 | 第64-65页 |
| ·一般量子门网络 | 第65-67页 |
| ·非门网络 | 第65-66页 |
| ·与非门网络 | 第66-67页 |
| ·绝热演化量子门网络 | 第67-68页 |
| ·非门网络 | 第67-68页 |
| ·XOR 门网络 | 第68页 |
| ·两种模型比较 | 第68-69页 |
| ·共性 | 第68页 |
| ·不同点 | 第68-69页 |
| ·本章小结 | 第69-70页 |
| 第七章 量子多模式识别网络模型 | 第70-92页 |
| ·引言 | 第70-71页 |
| ·网络模型 | 第71-72页 |
| ·多模式高概率量子搜索算法 | 第72-78页 |
| ·Grover 算法 | 第73-74页 |
| ·高概率搜索算法 | 第74-76页 |
| ·实例分析 | 第76-78页 |
| ·本算法小结 | 第78页 |
| ·带冗余项的多模式识别算法 | 第78-84页 |
| ·背景介绍 | 第78-79页 |
| ·多模式识别 | 第79-83页 |
| ·学习模式集 | 第79-80页 |
| ·多模式分类方法 | 第80-83页 |
| ·实例分析 | 第83-84页 |
| ·本算法小结 | 第84页 |
| ·部分多模式识别算法 | 第84-89页 |
| ·多模式量子搜索 | 第85-86页 |
| ·多模式部分搜索 | 第86-89页 |
| ·本算法小结 | 第89页 |
| ·三种算法的比较 | 第89-90页 |
| ·本章小结 | 第90-92页 |
| 第八章 总结 | 第92-95页 |
| ·本文的创新点 | 第92-93页 |
| ·进一步的研究 | 第93-95页 |
| 参考文献 | 第95-106页 |
| 致谢 | 第106-107页 |
| 附录1 在学期间发表论文 | 第107-109页 |
| 附录2 在学期间参加科研项目 | 第109-110页 |
| 附录3 在学期间获奖及学术活动 | 第110页 |
