一种量子权值神经网络模型及算法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-17页 |
| ·研究的背景及意义 | 第11-12页 |
| ·国内外研究现状 | 第12-16页 |
| ·人工神经网络研究现状 | 第12-13页 |
| ·量子计算研究现状 | 第13-14页 |
| ·量子神经网络模型研究现状 | 第14-16页 |
| ·论文的主要工作 | 第16-17页 |
| 第2章 量子理论介绍 | 第17-31页 |
| ·量子力学基本假设 | 第17-18页 |
| ·状态空间假设 | 第17页 |
| ·薛定谔方程假设 | 第17页 |
| ·量子测量假设 | 第17-18页 |
| ·复合系统假设 | 第18页 |
| ·双缝干涉的量子概率解释 | 第18-21页 |
| ·经典概率描述 | 第19页 |
| ·量子概率描述 | 第19-21页 |
| ·量子计算原理 | 第21-30页 |
| ·量子比特及其表示 | 第21-23页 |
| ·量子逻辑门 | 第23-25页 |
| ·量子纠缠 | 第25页 |
| ·量子算法 | 第25-28页 |
| ·量子计算中的叠加和纠缠 | 第28-30页 |
| ·本章小结 | 第30-31页 |
| 第3章 典型的量子神经网络 | 第31-47页 |
| ·引言 | 第31页 |
| ·通用量子门神经网络 | 第31-34页 |
| ·通用量子门神经元模型 | 第31-32页 |
| ·通用量子门神经网络结构 | 第32-33页 |
| ·学习算法 | 第33-34页 |
| ·量子权值神经网络 | 第34-36页 |
| ·量子权值神经网络神经元模型 | 第34-35页 |
| ·量子权值神经网络结构 | 第35页 |
| ·学习算法 | 第35-36页 |
| ·量子门节点神经网络 | 第36-38页 |
| ·量子门节点神经网络的网络结构 | 第36-37页 |
| ·学习算法 | 第37-38页 |
| ·量子Hopfield神经网络模型 | 第38-41页 |
| ·量子Hopfield模型 | 第39-40页 |
| ·量子Hopfield的工作原理 | 第40-41页 |
| ·量子自组织特征映射网络 | 第41-46页 |
| ·量子神经元模型 | 第41-42页 |
| ·量子自组织特征映射网络模型 | 第42-43页 |
| ·量子自组织特征映射网络聚类算法 | 第43-46页 |
| ·本章小结 | 第46-47页 |
| 第4章 新的量子权值神经网络模型与算法 | 第47-61页 |
| ·引言 | 第47页 |
| ·新的量子权值神经网络模型 | 第47-51页 |
| ·新的量子权值神经元模型 | 第47-49页 |
| ·新的量子权值神经元量子特性分析 | 第49页 |
| ·量子神经网络结构 | 第49-51页 |
| ·新的量子权值学习算法 | 第51-57页 |
| ·网络参数的更新规则 | 第51-55页 |
| ·迭代序列的收敛性证明 | 第55-57页 |
| ·仿真结果与分析 | 第57-59页 |
| ·对比实验一 | 第57-58页 |
| ·对比实验二 | 第58-59页 |
| ·本章小结 | 第59-61页 |
| 第5章 总结和展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-68页 |
| 附件 | 第68页 |
