[发明专利]用于生成数据特征的模型

权利要求书

1.一种用于生成数据特征的模型，其包括：

生成对抗网络GAN模块，其对输入数据进行重建；以及

门控循环单元GRU模块，其基于所述输入数据和经重建的输入数据生成数据特征，

其中，所述GAN模块和所述GRU模块中的至少一者包括量子线路。

2.根据权利要求1所述的模型，其中所述GAN模块包括生成器线路和判别器线路。

3.根据权利要求1所述的模型，其中所述量子线路包括量子卷积核、量子池化核、量子稠密核和量子启发模糊卷积核中的至少一者。

4.根据权利要求1所述的模型，其中所述量子线路包括可学习参数化的泡利旋转门和受控门以实现量子态的纠缠。

5.根据权利要求1所述的模型，其中所述输入数据经编码为量子态。

6.根据权利要求5所述的模型，其中将所述输入数据编码为量子态包括：

将所述输入数据转化为特征矩阵；

对所述特征矩阵进行归一化操作以得到约化矩阵；

将所述约化矩阵转化为Gram半正定矩阵；以及

对所述Gram半正定矩阵进行L1-范数正则化。

7.根据权利要求1所述的模型，其中所述GAN模块和所述GRU模块中的至少一者经优化而得到。

8.根据权利要求1所述的模型，其中所述输入数据为脑电波数据和心电图数据中的至少一者。

9.根据权利要求1所述的模型，其中所述数据特征为情绪识别的数据。

10.根据权利要求2所述的模型，其中所述生成器线路使用损失函数L_G进行优化，且其中e表示所述输入数据，p_e表示给定的真实的输入数据的数据分布，为损失函数的表示，δ(e,τ)表示基于阈值τ由e变换得到的数据。

11.根据权利要求2所述的模型，其中所述判别器线路使用损失函数L_D进行优化，且其中e表示所述输入数据，p_e表示给定的真实的输入数据的数据分布，为损失函数的表示，δ(e,τ)表示基于阈值τ由e变换得到的数据，λp是一个表示惩罚项权重的超参数，表示所述判别器线路的梯度。

12.根据权利要求1所述的模型，其中所述GRU模块使用交叉熵损失函数进行优化。