| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 1 绪论 | 第10-18页 |
| ·量子计算在神经网络中的机理及应用研究的背景 | 第10-11页 |
| ·量子计算在神经网络中的机理及应用研究的意义 | 第11-12页 |
| ·量子计算在神经网络中机理及应用研究的现状与问题 | 第12-15页 |
| ·量子神经网络的国内外研究现状 | 第12-13页 |
| ·量子动态递归及自组织神经网络当下面临的问题 | 第13-15页 |
| ·论文章节安排 | 第15-17页 |
| ·小结 | 第17-18页 |
| 2 量子计算基础 | 第18-30页 |
| ·引言 | 第18页 |
| ·量子力学发展回顾 | 第18-19页 |
| ·量子力学中的基本概念 | 第19-21页 |
| ·量子比特 | 第21-24页 |
| ·单量子比特 | 第21-23页 |
| ·双量子比特 | 第23-24页 |
| ·多量子比特 | 第24页 |
| ·量子逻辑门 | 第24-29页 |
| ·单比特量子门 | 第24-26页 |
| ·多比特量子门 | 第26-27页 |
| ·量子通用门 | 第27-29页 |
| ·小结 | 第29-30页 |
| 3 量子门 Elman 神经网络模型及其量子学习算法 | 第30-68页 |
| ·引言 | 第30页 |
| ·Elman 神经网络 | 第30-31页 |
| ·量子比特神经元 | 第31-32页 |
| ·量子门 Elman 神经网络结构 | 第32-33页 |
| ·量子化学习算法 | 第33-67页 |
| ·标准的量子反向传播学习算法 | 第33-38页 |
| ·梯度扩展的量子反向传播学习算法 | 第38-51页 |
| ·带自适应死区的量子反向传播学习算法 | 第51-67页 |
| ·小结 | 第67-68页 |
| 4 量子 Hopfield 神经网络模型及其量子学习算法 | 第68-78页 |
| ·引言 | 第68页 |
| ·联想记忆与 Hopfield 神经网络 | 第68-71页 |
| ·联想记忆 | 第68-70页 |
| ·离散 Hopfield 神经网络 | 第70-71页 |
| ·量子 Hopfield 神经网络 | 第71-76页 |
| ·小结 | 第76-78页 |
| 5 量子自组织神经网络及其量子学习算法 | 第78-90页 |
| ·引言 | 第78页 |
| ·Kohonen 自组织映射 | 第78-82页 |
| ·量子 SOM 神经网络及其量子学习算法 | 第82-89页 |
| ·量子 SOM 神经网络的拓扑结构 | 第82-84页 |
| ·量子 SOM 神经网络的学习算法 | 第84-89页 |
| ·小结 | 第89-90页 |
| 6 量子神经网络的应用 | 第90-124页 |
| ·引言 | 第90页 |
| ·量子门 Elman 神经网络在短时载荷中的应用 | 第90-100页 |
| ·短时载荷预测的相关背景 | 第90-91页 |
| ·电力负荷数据介绍 | 第91-93页 |
| ·量子门 Elman 神经网络的短时载荷预测 | 第93-100页 |
| ·量子 Hopfield 神经网络在模拟电路故障诊断中的应用 | 第100-114页 |
| ·模拟电路故障诊断的相关背景 | 第100-102页 |
| ·模拟电路数据介绍 | 第102-104页 |
| ·故障特征提取 | 第104-107页 |
| ·Hopfield 神经网络的故障诊断 | 第107-111页 |
| ·量子 Hopfield 神经网络的故障诊断 | 第111-114页 |
| ·量子 SOM 神经网络在污水水质预报中的应用 | 第114-121页 |
| ·污水处理的相关背景 | 第114-115页 |
| ·污水数据介绍 | 第115-116页 |
| ·SOM 神经网络的污水水质预报 | 第116-119页 |
| ·量子 SOM 神经网络的污水水质预报 | 第119-121页 |
| ·小结 | 第121-124页 |
| 7 总结 | 第124-128页 |
| ·结论 | 第124-125页 |
| ·本文的创新点 | 第125-126页 |
| ·进一步的研究 | 第126-128页 |
| 致谢 | 第128-130页 |
| 参考文献 | 第130-140页 |
| 附录 | 第140-141页 |
| A. 作者在攻读学位期间发表的论文目录 | 第140-141页 |
| B. 作者在攻读学位期间正在处理的论文目录 | 第141页 |
| C. 作者在攻读学位期间参加的科研项目 | 第141页 |
| D. 作者在攻读学位期间取得的科研成果 | 第141页 |
