量子神经网络模型及在焊缝缺陷识别中的应用研究
| 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9-15页 |
| 1.1 研究的目的及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 量子神经网络国内研究现状 | 第10页 |
| 1.2.2 量子神经网络国外研究现状 | 第10-12页 |
| 1.2.3 焊缝缺陷识别技术研究现状 | 第12-13页 |
| 1.3 研究思路及主要研究内容 | 第13页 |
| 1.4 论文结构 | 第13-15页 |
| 第二章 量子神经计算相关理论基础 | 第15-24页 |
| 2.1 量子比特 | 第15-17页 |
| 2.1.1 单量子比特 | 第15-16页 |
| 2.1.2 多量子比特 | 第16-17页 |
| 2.2 量子逻辑门 | 第17-19页 |
| 2.2.1 量子一位门 | 第17-18页 |
| 2.2.2 量子二位门 | 第18页 |
| 2.2.3 量子多位门 | 第18-19页 |
| 2.3 量子计算与神经网络的融合 | 第19-23页 |
| 2.3.1 量子神经计算的基本思路 | 第19-20页 |
| 2.3.2 受控非门的构造方法 | 第20-21页 |
| 2.3.3 网络模型的构造方法 | 第21-22页 |
| 2.3.4 训练算法的设计方法 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 量子衍生神经网络模型及算法设计 | 第24-35页 |
| 3.1 经典的BP神经网络 | 第24-25页 |
| 3.2 量子衍生神经网络模型 | 第25-28页 |
| 3.2.1 受控Hadamard门的构造方法 | 第25-26页 |
| 3.2.2 量子衍生神经元模型 | 第26-27页 |
| 3.2.3 量子衍生神经网络模型 | 第27-28页 |
| 3.3 量子衍生神经网络的学习算法 | 第28-31页 |
| 3.3.1 样本的量子态描述 | 第28-29页 |
| 3.3.2 网络参数调整方法 | 第29-30页 |
| 3.3.3 网络的收敛性 | 第30-31页 |
| 3.3.4 序列样本的构造方法 | 第31页 |
| 3.4 量子衍生神经网络的性能分析 | 第31-34页 |
| 3.4.1 构造样本数据 | 第31-32页 |
| 3.4.2 模型参数设置 | 第32页 |
| 3.4.3 仿真结果对比 | 第32-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第四章 焊缝缺陷图像的特征提取及选择 | 第35-42页 |
| 4.1 常见焊缝缺陷的种类及特点 | 第35-36页 |
| 4.2 焊缝缺陷特征的提取及选择 | 第36-41页 |
| 4.2.1 焊缝缺陷特征提取 | 第37-40页 |
| 4.2.2 焊缝缺陷特征选择 | 第40-41页 |
| 4.3 基于量子神经网络的焊缝缺陷识别方案 | 第41页 |
| 4.4 本章小结 | 第41-42页 |
| 第五章 基于量子神经网络的焊缝缺陷识别研究 | 第42-49页 |
| 5.1 引言 | 第42页 |
| 5.2 焊缝缺陷数据资料 | 第42-44页 |
| 5.3 网络结构及参数的确定 | 第44页 |
| 5.4 识别性能的对比指标 | 第44-45页 |
| 5.5 实验结果及分析 | 第45-48页 |
| 5.6 本章小结 | 第48-49页 |
| 第六章 焊缝缺陷识别系统的设计与实现 | 第49-55页 |
| 6.1 系统总体设计 | 第49-50页 |
| 6.2 焊缝缺陷识别 | 第50-54页 |
| 6.2.1 焊缝X射线图像预处理 | 第50-51页 |
| 6.2.2 焊缝X射线图像缺陷类型识别 | 第51-53页 |
| 6.2.3 识别结果分析 | 第53-54页 |
| 6.3 本章小结 | 第54-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 发表文章目录 | 第59-60页 |
| 附录 | 第60-65页 |
| 致谢 | 第65-66页 |
