[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

本發明請求保護一種應用于面部表情識別的量子前饋神經網絡構造方法，屬于量子機器學習領域，首先構造了量子神經元的基本結構，然后將該神經元模型組建相應的量子前饋神經網絡模型，該模型的輸入層、輸出層及中間隱層都由量子態的形式表示，使其在計算的過程中可以利用量子計算的一些特有性質提高其學習能力，最后將改進的量子搜索算法作為該網絡模型的學習算法。本發明構造的量子前饋神經網絡模型通過量子疊加性可以極大的節約數據存儲資源，且通過量子并行性可以同時對數據集多個樣本進行并行計算從而提高訓練速率，相較于經典搜索算法其本身就具有平方級加速的能力，所以作為該量子前饋神經網絡的算法則會在神經網絡的訓練上更有優勢。

技術領域

本發明屬于量子機器學習領域，尤其涉及量子神經網絡領域，具體為一種量子前饋神經網絡構造方法。

背景技術

在近二十年間，機器學習快速崛起，已經成為大數據時代下的技術基石，而在量子信息科學領域，機器學習與量子計算技術的結合也受到越來越多研究者的關注。機器學習與量子計算相結合的一個主要思路是利用量子狀態的疊加和量子算法的加速，來解決當前數據科學中數據量巨大，訓練過程緩慢的困難，而量子神經網絡是量子機器學習中研究得最早及最深入的一個子領域。

量子神經網絡(Quantum Neural Network,QNN)是將人工神經網絡(ArtificialNeural Network,ANN)與量子計算(Quantum Computation)的基本原理相結合的一種新穎計算模型，理論上量子神經網絡相較于經典神經網絡更加智能化，具有更有效的學習和泛化能力。相較于經典人工神經網絡，一些量子神經網絡都表現出更好的性能，但問題在于這些量子化方案都引入了非線性算符，非線性算符是否可以量子實現仍存在很大爭議，所以如何構建更一般的量子神經網絡并使其能夠向深度學習領域邁進，這一直是一個難點問題。

在量子神經網絡實際應用方面，世界各國學者已經提出了各種不同的量子神經網絡模型應用于現實生活中的不同領域，并都展現出一定的優勢。例如在計算機視覺領域，各種經典神經網絡及其對應的深度模型占據著主導地位，而量子神經網絡相較于經典神經網絡在數據存儲方面有著指數級的優勢，同時在運算速率方面也有著平方級的提升，使得量子神經網絡成為未來該領域的研究重點。

發明內容

本發明旨在解決以上現有技術的問題。提出了一種應用于面部表情識別的量子前饋神經網絡構造方法。本發明的技術方案如下：

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。