[发明专利]应用于面部表情识别的量子前馈神经网络构造方法

说明书

本发明请求保护一种应用于面部表情识别的量子前馈神经网络构造方法，属于量子机器学习领域，首先构造了量子神经元的基本结构，然后将该神经元模型组建相应的量子前馈神经网络模型，该模型的输入层、输出层及中间隐层都由量子态的形式表示，使其在计算的过程中可以利用量子计算的一些特有性质提高其学习能力，最后将改进的量子搜索算法作为该网络模型的学习算法。本发明构造的量子前馈神经网络模型通过量子叠加性可以极大的节约数据存储资源，且通过量子并行性可以同时对数据集多个样本进行并行计算从而提高训练速率，相较于经典搜索算法其本身就具有平方级加速的能力，所以作为该量子前馈神经网络的算法则会在神经网络的训练上更有优势。

技术领域

本发明属于量子机器学习领域，尤其涉及量子神经网络领域，具体为一种量子前馈神经网络构造方法。

背景技术

在近二十年间，机器学习快速崛起，已经成为大数据时代下的技术基石，而在量子信息科学领域，机器学习与量子计算技术的结合也受到越来越多研究者的关注。机器学习与量子计算相结合的一个主要思路是利用量子状态的叠加和量子算法的加速，来解决当前数据科学中数据量巨大，训练过程缓慢的困难，而量子神经网络是量子机器学习中研究得最早及最深入的一个子领域。

量子神经网络(Quantum Neural Network,QNN)是将人工神经网络(ArtificialNeural Network,ANN)与量子计算(Quantum Computation)的基本原理相结合的一种新颖计算模型，理论上量子神经网络相较于经典神经网络更加智能化，具有更有效的学习和泛化能力。相较于经典人工神经网络，一些量子神经网络都表现出更好的性能，但问题在于这些量子化方案都引入了非线性算符，非线性算符是否可以量子实现仍存在很大争议，所以如何构建更一般的量子神经网络并使其能够向深度学习领域迈进，这一直是一个难点问题。

在量子神经网络实际应用方面，世界各国学者已经提出了各种不同的量子神经网络模型应用于现实生活中的不同领域，并都展现出一定的优势。例如在计算机视觉领域，各种经典神经网络及其对应的深度模型占据着主导地位，而量子神经网络相较于经典神经网络在数据存储方面有着指数级的优势，同时在运算速率方面也有着平方级的提升，使得量子神经网络成为未来该领域的研究重点。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种应用于面部表情识别的量子前馈神经网络构造方法。本发明的技术方案如下：

一种应用于面部表情识别的量子前馈神经网络构造方法，其包括以下步骤：

1)、构造量子神经元模型：将输入与权重都编码至量子计算基态上，量子计算基态是指与经典比特0和1对应的量子比特状态，然后通过受控酉门将输入与权重量子态相互作用的结果写在系统状态的本征值的相位上，量子态是指描述量子系统所有量子比特所对应的状态，然后通过相位估计得出估计值作为神经元的输出；

2)、将已构造的量子神经元模型组建成单隐层的量子前馈神经网络，其输入层、输出层及中间隐层都由量子态表示，而输入层、输出层及中间隐层之间相应的连接权重则是由受控酉门的形式表示；

3)、将量子单隐层前馈神经网络向量子多隐层神经网络组建，与单隐层模型一样，量子多隐层前馈神经网络的每一层都由量子态表示，每层之间的连接权重也由受控酉门的形式表示；

4)、将改进后的量子搜索算法作为量子前馈神经网络的学习算法，将所有权重值空间作为搜索空间，其中最优权重值参数作为搜索问题的解，然后通过量子搜索算法将这组最优参数搜索出来作为训练所得的结果，即在网络可调参数空间中，寻找一组最优参数使得神经网络输出的误差最小；将构造的量子前馈神经网络应用于面部表情识别任务中，可以将数据集作为输入到量子神经网络中，通过量子搜索算法不断迭代搜索得最优权重参数后，可从实际输入得到期望输出，从而得出面部表情识别结果。