量子衍生神经网络模型算法及应用研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 创新点摘要 | 第6-9页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状分析 | 第10-12页 |
| 1.3 论文结构及内容安排 | 第12-13页 |
| 第二章 量子计算基础 | 第13-20页 |
| 2.1 信息及其状态表示 | 第13-14页 |
| 2.2 量子比特 | 第14-16页 |
| 2.2.1 单量子比特 | 第14-15页 |
| 2.2.2 双量子比特 | 第15-16页 |
| 2.2.3 多量子比特 | 第16页 |
| 2.3 量子逻辑门 | 第16-19页 |
| 2.3.1 单比特量子门 | 第16-17页 |
| 2.3.2 多比特量子门 | 第17-18页 |
| 2.3.3 量子门的通用性 | 第18-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 基于序列输入的量子衍生神经网络模型 | 第20-30页 |
| 3.1 引言 | 第20-21页 |
| 3.2 SIQNN模型 | 第21-23页 |
| 3.2.1 基于序列输入的量子神经元模型 | 第21-22页 |
| 3.2.2 SIQNN模型 | 第22-23页 |
| 3.3 SIQNN算法 | 第23-25页 |
| 3.3.1 训练样本的量子态描述 | 第23-24页 |
| 3.3.2 SIQNN的参数调整方法 | 第24-25页 |
| 3.4 仿真对比 | 第25-29页 |
| 3.4.1 漫湾水电站月径流预测 | 第25-27页 |
| 3.4.2 Mackey-Glass时间序列预测 | 第27-29页 |
| 3.5 本章小结 | 第29-30页 |
| 第四章 基于量子进化的SIQNN训练算法 | 第30-43页 |
| 4.1 引言 | 第30-31页 |
| 4.2 QBEA基本原理 | 第31-35页 |
| 4.2.1 量子比特的球面表示 | 第31页 |
| 4.2.2 QBEA的编码方式 | 第31-32页 |
| 4.2.3 QBEA的种群评估 | 第32-33页 |
| 4.2.4 QBEA的种群进化 | 第33-35页 |
| 4.3 收敛性分析 | 第35页 |
| 4.4 实验结果分析 | 第35-38页 |
| 4.4.1 测试函数 | 第35-36页 |
| 4.4.2 参数设置 | 第36-37页 |
| 4.4.3 实验结果 | 第37页 |
| 4.4.4 结果分析 | 第37-38页 |
| 4.5 基于BQEA的SIQNN训练 | 第38-42页 |
| 4.5.1 网络参数 | 第38页 |
| 4.5.2 样本数据 | 第38-39页 |
| 4.5.3 算法设置 | 第39-40页 |
| 4.5.4 优化结果对比 | 第40-42页 |
| 4.6 本章小结 | 第42-43页 |
| 第五章 量子衍生神经网络在油藏水淹层识别中的应用 | 第43-50页 |
| 5.1 引言 | 第43页 |
| 5.2 水淹层识别的特点和困难 | 第43-44页 |
| 5.3 水淹层识别分析数据库 | 第44-48页 |
| 5.4 基于SIQNN的水淹层识别实验 | 第48-49页 |
| 5.4.1 网络结构设计 | 第48页 |
| 5.4.2 网络参数设计 | 第48页 |
| 5.4.3 预测方案设计 | 第48页 |
| 5.4.4 实验结果对比 | 第48-49页 |
| 5.5 本章小结 | 第49-50页 |
| 结论 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 发表文章目录 | 第55-56页 |
| 致谢 | 第56-57页 |
