[發明專利]應用于面部表情識別的量子前饋神經網絡構造方法

在審

• 申請號: 202110287085.6
• 申請日: 2021-03-17
• 公開（公告）號: CN113128665A
• 公開（公告）日: 2021-07-16
• 發明（設計）人: 李校林;溫力航;董昊;翁小莉
• 申請（專利權）人: 重慶郵電大學;重慶信科設計有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06N10/00
• 代理公司: 重慶市恒信知識產權代理有限公司 50102
• 代理人: 陳棟梁

1.一種應用于面部表情識別的量子前饋神經網絡構造方法，其特征在于，包括以下步驟：

1)、構造量子神經元模型：將輸入與權重都編碼至量子計算基態上，量子計算基態是指與經典比特0和1對應的量子比特狀態，然后通過受控酉門將輸入與權重量子態相互作用的結果寫在系統狀態的本征值的相位上，量子態是指描述量子系統所有量子比特所對應的狀態，然后通過相位估計得出估計值作為神經元的輸出；

2)、將已構造的量子神經元模型組建成單隱層的量子前饋神經網絡，其輸入層、輸出層及中間隱層都由量子態表示，而輸入層、輸出層及中間隱層之間相應的連接權重則是由受控酉門的形式表示；

3)、將量子單隱層前饋神經網絡向量子多隱層神經網絡組建，與單隱層模型一樣，量子多隱層前饋神經網絡的每一層都由量子態表示，每層之間的連接權重也由受控酉門的形式表示；

4)、將改進后的量子搜索算法作為量子前饋神經網絡的學習算法，將所有權重值空間作為搜索空間，其中最優權重值參數作為搜索問題的解，然后通過量子搜索算法將這組最優參數搜索出來作為訓練所得的結果，即在網絡可調參數空間中，尋找一組最優參數使得神經網絡輸出的誤差最小；將構造的量子前饋神經網絡應用于面部表情識別任務中，可以將數據集作為輸入到量子神經網絡中，通過量子搜索算法不斷迭代搜索得最優權重參數后，可從實際輸入得到期望輸出，從而得出面部表情識別結果。

2.根據權利要求1所述的應用于面部表情識別的量子前饋神經網絡構造方法，其特征在于，所述步驟1)量子神經元模型中，設輸入向量為x＝(x₁；x₂；…；x_n)，對應權重向量為w＝(w₁；w₂；…；w_n)，都編碼至計算基態上為：

其中|x表示輸入量子態，|w表示權重量子態，表示張量積，然后權重向量的值將會作為參數寫入受控幺正門該酉門作用可以寫為其中|k表示量子神經元模型中計數量子比特狀態，在此引入神經元閾值量子態|θ，并通過輔助量子比特|0引入，則輸入與權重相互作用的結果為：

為了簡單起見，設變量最后通過量子相位估計算法可得

其中|k表示量子神經元模型中計數量子比特狀態，t為其包含得量子比特數，得估計值狀態由此神經元的輸出為y∈[0,1)。

3.根據權利要求2所述的應用于面部表情識別的量子前饋神經網絡構造方法，其特征在于，步驟2)量子單隱層前饋神經網絡中，輸入層的量子態表示為|x＝|x₁x₂…x_m，中間隱層的量子態表示為|h＝|h₁h₂…h_q，其中量子比特|h_p表示中間隱層第p個處理神經元N_p所得輸出，輸入層量子態與中間隱層神經元之間的連接線為隱層神經元的權重向量量子態|w_p與輸入量子態|x的相互作用，則其相互作用可表示為受控幺正門作用于輸入量子態上輸出層的量子態表示為|y＝|y₁y₂…y_n，而中間隱層量子態與輸出層神經元之間的連線為輸出層神經元的權重向量量子態|v_j與隱層值量子態|h的相互作用，同理可表示為

4.根據權利要求3所述的應用于面部表情識別的量子前饋神經網絡構造方法，其特征在于，所述步驟3)量子多隱層前饋神經網絡中，其輸入層量子態為|x＝|x₁x₂…x_m，輸出層量子態為|y＝|y₁y₂…y_n，中間層含有多個隱層，假設中間第r隱層包含q個功能神經元，則該層量子態表示為隱層的權重向量量子態與該層輸入量子態|h_r-1的相互作用可表示為而中間隱層量子態|h_s與輸出層神經元的權重向量量子態|v_j之間相互作用同理也可表示為