[发明专利]一种基于簇态的量子态制备方法在审

专利信息
申请号: 201810552482.X 申请日: 2018-05-31
公开(公告)号: CN108764488A 公开(公告)日: 2018-11-06
发明(设计)人: 周萍 申请(专利权)人: 广西民族大学
主分类号: G06N99/00 分类号: G06N99/00
代理公司: 北京元本知识产权代理事务所 11308 代理人: 曹广生
地址: 530006 广西壮族自治区*** 国省代码: 广西;45
权利要求书: 查看更多 说明书: 查看更多
摘要: 发明提供一种基于簇态的量子态制备方法,属于量子领域,本发明通过所有通讯方以六粒子纠缠类簇态为量子纠缠信道。发送方通过引入附加粒子,执行联合幺正演化的方法对纠缠信息重复演化直到将信道成功演化为目标信道。信道成功演化后,发送方对纠缠粒子执行X基测量或双粒子正交投影测量,并公布测量结果。接收方选择执行相应的幺正操作,就可以完成任意双量子态的远程制备。本发明方法利用了X基测量,双粒子正价投影测量解决了基于六粒子纠缠类簇态的量子态远程联合制备问题。通过引入附加粒子和对纠缠信道的重复演化,提高远程量子态制备效率。具有需分发纠缠粒子数少,可行性强的优点。
搜索关键词: 粒子 量子态 制备 信道 测量 发送方 类簇 联合制备 量子纠缠 目标信道 投影测量 信息重复 选择执行 正交投影 接收方 粒子数 引入 量子 分发 成功 重复 通讯 联合
【主权项】:
1.一种基于簇态的量子态制备方法,包括第一发送方、第二发送方和接收方,第一发送方和第二发送方均与接收方连接通信,其特征在于,包括如下步骤,步骤1:第一发送方、第二发送方和接收方共享六粒子纠缠类簇态|φ>123456;步骤2:第一发送方引入初态为|0>a的附加粒子a;步骤3:第一发送方对粒子1,4,a构造执行联合幺正演化U;步骤4:第一发送方对粒子1,4执行X基测量,测量后剩余粒子2,3,5,6塌缩到与测量结果相应状态;步骤5:第二发送方依据已知信息λ011011构造正价测量基对粒子2,5执行双粒子正交投影测量;步骤6:接受方依据发送方测量结果,对粒子3,6选择执行相应局域幺正演化Ul',可以完成量子态制备;步骤7:若步骤3中附加粒子a的Z基测量结果为|1>a,则粒子1,2,3,4,5,6塌缩到状态状|φ1>。
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于广西民族大学,未经广西民族大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/patent/201810552482.X/,转载请声明来源钻瓜专利网。

同类专利
  • 在Clifford+T基础上的“重复直到成功”电路的有效合成-201580018860.0
  • A·博查罗夫;K·M·斯沃雷;M·罗特勒 - 微软技术许可有限责任公司
  • 2015-04-01 - 2019-07-12 - G06N99/00
  • 通过选择目标旋转的适合的割圆整数近似,在Clifford+T基础上编译重复直到成功(RUS)电路,使得旋转在预定精度内近似。随机地修改割圆整数近似,直到经修改的值可以通过求解一个或多个准则方程而被扩展为单量子比特幺正矩阵。该矩阵然后被扩展为特殊形式的双量子比特幺正矩阵,其然后分解为优化的双量子比特Clifford+T电路。然后,基于后者的分解,获得使用主要量子比特和辅助量子比特的双量子比特RUS电路。公开了使用最多3个附加辅助量子比特保持所导出的电路的总T深度小的备选的实施例。利用RUS电路实现在8阶单位根的割圆域上定义的任意幺正矩阵。
  • 用于纠缠量子态的硬件高效校验子提取-201580031325.9
  • 阿列克谢·阿西赫明 - 阿尔卡特朗讯
  • 2015-06-03 - 2019-05-21 - G06N99/00
  • 存储器系统的量子态刷新模块经配置以通过执行对应于量子稳定子码的校验子值的冗余测量来检测其中所存储的纠缠量子位状态中的错误,其中所述冗余测量是基于块错误校正码。所述量子态刷新模块包含多个测量子模块,其各自经配置以测量对应于所述纠缠量子位状态的相应校验子值或相应奇偶值。所述测量子模块的总数目小于所述块错误校正码的码字长度,且在解码过程中由擦除值替换删余校验子值的初始近似。在为了使用擦除值而适当地构造所述块错误校正码的情况下,所述量子态刷新模块有利地能够使用比码字的全长测量所使用的量子门更少的量子门提供可靠的错误检测。
  • 从全局模型进行本地化学习-201580033188.2
  • 丹尼尔·拉梅奇;杰里米·吉尔摩·卡恩 - 谷歌有限责任公司
  • 2015-08-14 - 2019-05-03 - G06N99/00
  • 包括在计算机存储介质上编码的计算机程序的方法、系统和装置,用于:获得特定活动的全局模型,所述全局模型基于输入数据来导出,所述输入数据表示与由用户集合执行的特定活动相关联的多个观察;使用所述全局模型来确定预期数据,所述预期数据表示与由特定用户执行的所述特定活动相关联的预期观察;由所述特定用户操作的计算设备接收特定数据,所述特定数据表示与由所述特定用户执行的所述特定活动相关联的实际观察;由所述计算设备使用(i)所述预期数据和(ii)所述特定数据来确定所述特定用户的残余数据;以及,基于所述残余数据导出所述特定用户的本地模型。
  • 基于自动发现抽象动作的机器人分层强化学习初始化方法-201610238118.7
  • 许志鹏;朱斐;伏玉琛;黄蔚 - 苏州大学
  • 2016-04-18 - 2019-03-26 - G06N99/00
  • 本发明公开了一种基于自动发现抽象动作的机器人分层强化学习初始化方法,其特征在于:包括Q学习模块、创建抽象动作模块、状态‑抽象动作评估值Q(s,o)初始化模块以及分层强化学习模块,先利用Q学习模块让机器人与环境交互产生经验,然后基于这些经验使用创建抽象动作模块让机器人创建抽象动作,最后机器人通过初始化状态‑抽象动作评估值Q(s,o)初始化模块,从普通的强化学习转向分层强化学习模块进行分层强化学习,并记录学习结果。本发明通过对状态‑抽象动作评估值Q(s,o)进行初始化,使机器人采用分层强化学习方法求解复杂环境中的任务时收敛速度更快。
  • 根据大规模非结构化数据学习多媒体语义-201580021255.9
  • 华先胜;李劲;牛久祥孝 - 微软技术许可有限责任公司
  • 2015-04-24 - 2019-02-22 - G06N99/00
  • 本文中描述了用于根据非结构化数据来学习话题模型并应用所学习的话题模型来识别针对新数据项的语义的系统和方法。在至少一个实施例中,与标签的集合相关联的多媒体数据项的语料库可以被处理以生成与标签的集合相关联的经提炼的多媒体数据项的语料库。这样的处理可以包括基于所提取的多媒体特征的相似度来将多媒体数据项布置在簇中并生成簇内特征和簇间特征。簇内特征和簇间特征可以用于将多媒体数据项从语料库移除以生成经提炼的语料库。经提炼的语料库可以被用于训练用于识别标签的话题模型。得到的模型可以被存储并在随后被用于识别由用户输入的多媒体数据项的语义。
  • 嵌入式AI机器视觉硬件结构-201821034832.5
  • 覃曾攀;汪学军 - 百度在线网络技术(北京)有限公司
  • 2018-07-02 - 2019-01-11 - G06N99/00
  • 本申请提供一种嵌入式AI机器视觉硬件结构,包括:上层板和下层板,下层板中,多路电源分别与CPU、存储装置、调试接口、相机接口、网络PHY芯片、时钟和支撑电路连接,时钟和支撑电路与CPU连接,为CPU提供时钟以及CPU启动模式选择,CPU还与存储装置、对外接口、调试接口、网络PHY芯片连接,CPU用于实现高速图像识别处理和运算,上层板中,电源电路为POE模式的供电方式,POE整流降压隔离输出稳定的电压。电源电路通过相机供电电路为相机模块供电,HDMI转换芯片与CPU连接,POE网络模块与网络PHY芯片连接。端上嵌入式AI能够进行复杂的运算,同时满足实时性要求。
  • 一种在线高维不平衡流数据的学习方法-201810732705.0
  • 胡冀;颜成钢;彭冬亮;吴建锋 - 杭州电子科技大学
  • 2018-07-05 - 2018-12-28 - G06N99/00
  • 本发明公开了一种在线高维不平衡流数据的学习方法,包括以下步骤:步骤S1:输入参数并初始化在线学习模型;步骤S2:将当前样本输入在线学习模型;步骤S3:利用在线不平衡流数据分类算法更新权值;步骤S4:对权值中特征权重进行截断并重新更新权值。采用本发明技术方案,通过截断算法将贡献量极小的特征权重进行截断,从而进一步优化了模型,即解决了传统在线分类方法无解解决的不平衡流数据分类问题,同时提高了分类精度。
  • 一种机器学习的优化方法、系统、计算机存储介质和电子设备-201810759470.4
  • 张昊;孙鹏飞 - 北京墨丘科技有限公司
  • 2018-07-11 - 2018-12-28 - G06N99/00
  • 本发明公开了一种机器学习的优化方法、系统、计算机存储介质和电子设备,其中,该获取方法包括:获取至少一个学习数据;识别所述学习数据,得到识别结果,所述识别结果包括:所述学习数据的特征图和/或所述学习数据所属的类别;在所述识别结果满足预先设定的选取规则时,将所述识别结果对应的所述学习数据作为所述机器学习模型的优化数据。本发明能够有针对性的获取到对机器学习模型性能有明显提升的数据。
  • 机器数据模型演化的自动感知方法及装置-201810070182.8
  • 王建民;刘英博;黄锐泓 - 清华大学
  • 2018-01-24 - 2018-12-28 - G06N99/00
  • 本发明实施例提供一种机器数据模型演化的自动感知方法及装置,属于物联网技术领域。该方法包括:对每一机器实例对应的传感器冲突记录中相同冲突类型的传感器冲突记录进行聚合,得到每一机器实例对应的机器冲突记录;根据每一机器实例对应的机器冲突记录及原始机器模型,获取每一机器实例在不同时刻的机器模型集合;将每一机器实例对应的机器模型集合中相同的机器模型进行合并,并基于合并结果更新每一机器实例对应的机器模型集合,以及机器实例集合与每一机器实例对应的机器模型集合之间的映射关系。由于可自动分析机器数据与原始机器模型之间的差异,从而可减少人工检查冲突的工作量,减少因模型记录更新不及时带来的对数据收集产生的影响。
  • 一种兼容多种算法框架的机器学习平台-201810738131.8
  • 王峰 - 无锡雪浪数制科技有限公司
  • 2018-07-06 - 2018-12-21 - G06N99/00
  • 本发明公开一种兼容多种算法框架的机器学习平台,该平台通过搭建一个集群兼容所有主流的机器学习框架,统一进行资源调度和用户隔离。主流的机器学习框架搭建在Hadoop+Spark的集群之上,并使用RDD作为数据存储。本发明优点如下:一、利用yarn进行统一的资源管理,因此继承所有yarn的优点;二、使用Spark作为统一底层计算框架,Spark RDD作为统一数据存储,因此继承所有Spark优点;三、调度多种计算框架,支持所有框架的原生优点,包括同步/异步训练,模型/数据并行计算,在线预测等;四、完成了异构计算框架的整合;五、底层支持CPU和GPU。
  • 一种表示量子程序的数据结构-201810767762.2
  • 窦猛汉;陈昭昀;薛程;王流伍 - 合肥本源量子计算科技有限责任公司
  • 2018-07-13 - 2018-12-21 - G06N99/00
  • 本发明公开了一种表示量子程序的数据结构,包括:量子线路类、量子程序类、节点类、量子逻辑门节点类、控制节点类、判断表达式节点类,所述量子线路类用于使用容器保存一组量子逻辑门类,所述量子程序类用于使用容器保存一组节点类,所述节点类是量子线路类、量子程序类、量子逻辑门节点类、控制节点类的父类,所述量子逻辑门节点类用于保存量子逻辑门的操作的量子比特、量子逻辑门对应的酉矩阵,所述判断表达式节点类用于保存判断表达式的相关信息。本发明具有可记录量子指令的执行顺序,可复用量子线路,控制节点类型可记录开发者输入的条件判断表达式,最后根据最终结果判断量子程序可执行的量子线路的优点。
  • 基于情境感知的策略配置方法及策略配置系统-201810718177.3
  • 张崇洁;李斯源 - 清华大学
  • 2018-07-03 - 2018-12-18 - G06N99/00
  • 本申请公开一种基于情境感知的策略配置方法及策略配置系统,其中,所述策略配置方法包括:当实施一目标任务时,实时感知目标任务的情境,并根据相应的情境信息和策略所属的价值函数,从一策略集中调用最优的策略,其中,所述策略集包括多个策略,所述策略集中部分或全部的策略是在与一目标任务相关的其他任务中学习得到的。如此,不仅可大大加快新的目标任务的学习,更可实现目标任务整体上的最佳学习效果。
  • 训练模型的方法和装置-201810541446.3
  • 余远铭;袁建勇;王超 - 华为技术有限公司
  • 2018-05-30 - 2018-12-11 - G06N99/00
  • 本申请提供了一种训练模型的方法和装置,该方法应用于学习系统中,该学习系统包括模型建立模块和控制模块,该方法包括:模型建立模块建立训练模型,并向控制模块返回模型句柄;控制模块获取该模型句柄;控制模块获取配置参数,配置参数用于指示训练模型需要采用的运行方式,该运行方式包括本地运行方式或分布式运行方式;控制模块根据配置参数确定训练模型需要采用的运行方式;控制模块基于运行方式读取数据;控制模块根据模型句柄和运行方式,运行训练模型,得到数据的训练模型的训练结果。这样,提供了一种可以将离线开发和分布式集成的解决方案,不需要依赖spark分布式环境,即可实现分布式运行。
  • 一种面向时序隐变量的因果结构发现方法-201810674146.2
  • 陈薇;蔡瑞初;谢峰;郝志峰;温雯 - 广东工业大学
  • 2018-06-27 - 2018-12-11 - G06N99/00
  • 本发明涉及一种面向时序隐变量的因果结构发现方法,通过基于变分推断和蒙特卡洛抽样发现因果结构、交叉验证确定因果滞后影响长度两个过程,从而输出观察变量之间的因果网络结构和因果滞后影响长度。本发明考虑了先验知识,融合贝叶斯推断思想,采用变分推断将难以求解的问题进行了转换,化为容易求解的问题,因果网络结构和因果滞后影响长度识别正确率高,能够在含有隐变量的情况下,利用因果关系发现和贝叶斯推断的思想,从超参角度出发,发现观察变量之间的因果结构;同时,将隐变量视为参数的一部分,利用变分推断的方法来近似求解参数的最大后验概率,降低了复杂度,但依然使其有较好的优化效果,能够保持很高的识别率。
  • 基于信息最大化生成对抗网络的人脸连续特征生成方法-201810780662.3
  • 陈国荣;罗建伟;杜晓霞;任虹;刘灿;刘垚;何宏黎;利节 - 重庆科技学院
  • 2018-07-17 - 2018-12-11 - G06N99/00
  • 本发明公开了一种基于信息最大化生成对抗网络的人脸连续特征生成方法,它能够生成特征属性连续变化的人脸图像,包括:S1、选择数据集;S2、预处理;S3、搭建基于信息最大化的生成对抗网络模型:模型包括生成器G与判别器D,生成器G通过控制潜在变量c的类型以及维度,从而利用随机噪声向量z生成与真实样本概率密度分布接近的生成样本G(z,c),将生成样本G(z,c)与真实样本X分别作为判别器D的输入,判别器D负责对输入的生成样本G(z,c)与真实样本X进行“真”与“假”的判断。最终在基于信息最大化的生成对抗网络模型中,生成器G与判别器D进行不断的交替训练,直到判别器D无法判断某一个人脸样本是来自于生成样本还是真实样本X时,该模型训练完成。
  • 指标的预测、模型的训练方法及装置-201710378094.X
  • 付俊强;李佩;杨帆 - 北京嘀嘀无限科技发展有限公司
  • 2017-05-25 - 2018-12-07 - G06N99/00
  • 本公开实施例提供一种指标的预测、模型的训练方法及装置,涉及机器学习技术领域,所述方法的一具体实施方式包括:确定多个目标单元区域;获取目标模型;基于所述目标模型预测每个目标单元区域在指定时段对应的目标指标数据,以得到预测集合。从而可以对预测集合进行预设的统计分析,得到目标指标的统计结果。该实施方式无需人为划分管理区域,也无需计算每个管理区域在一定历史时段指标数据的均值,从而提高了指标的预测和统计结果的可靠性以及准确度。
  • 决策规划方法、装置及计算机可读存储介质-201810657294.3
  • 刘新;宋朝忠 - 深圳市易成自动驾驶技术有限公司
  • 2018-06-22 - 2018-12-07 - G06N99/00
  • 本发明公开了一种决策规划方法,包括:云端接收车载系统群体中的各个车载系统发送的检测信息;所述云端对所述检测信息进行预处理,获得处理后的检测信息;所述云端将处理后的检测信息输入训练好的第一深度学习模型中,生成决策规划信息,其中,所述第一深度学习模型基于已标注检测信息及对应标注的决策规划信息训练得到;所述云端将所述决策规划信息发送至对应的车载系统。本发明还公开了一种决策规划装置、计算机可读存储介质。本发明能够根据需要扩大进行决策规划时环境检测的范围,针对更广的范围的环境信息进行决策规划,获得更加完善合理的决策规划结果。
  • 特征选择方法-201810747846.X
  • 刘云翔;陈斌;周子宜;潘琪;原鑫鑫;施伟;李晓丹 - 上海应用技术大学
  • 2018-07-09 - 2018-12-07 - G06N99/00
  • 本发明提供了一种特征选择方法,可应用于肝癌重要性指标的预测分析,所述方法包括:先对原始数据集进行扫描,依据重要性对各个特征进行排序,再用(广义)序列后向选择法从中去除一部分特征,在新的特征集上训练随机森林并计算其准确率,根据各轮筛选造成的误差增量(相对筛选前)来判断是否要继续筛选,一旦它超过指定阈值就退出迭代,并将上一轮筛选所得的特征集作为结果。这样做的依据是,对于在不断缩减的特征集上训练出的模型,它们的泛化性能一般呈降低趋势,而其降低程度可以作为特征集的评价。反复该过程,最终将测试准确率最高的特征集作为特征选择的输出结果。
  • 基于工业制造大数据的不平衡数据学习方法-201810858296.9
  • 张彩霞;王向东;王新东;胡绍林 - 佛山科学技术学院
  • 2018-07-31 - 2018-12-07 - G06N99/00
  • 本发明公开了基于工业制造大数据的不平衡数据学习方法,包括以下步骤101、确定工业制造大数据的采集源及采集方式:102、按照步骤101的采集方式从采集源获取工业制造大数据以构成不平衡数据集;103、通过抽样机制来修改不平衡数据集,以提供平衡的数据分布;104、将所述不平衡数据集引入SFBP代价矩阵框架,通过代价矩阵框架元素的逐项搜索比较,对每行和每列中满足约束条件的元素个数进行计数;通过比较每行每列满足约束条件的元素个数所占每行每列的比例,对SFBP代价矩阵框架添加相应的代价值行列数,改变其代价矩阵框架,以优化不平衡数据集的平衡度。
  • 基于序贯三支决策的代价敏感分类方法-201810623608.8
  • 方宇;闵帆;杨新;刘忠慧 - 西南石油大学
  • 2018-06-15 - 2018-11-30 - G06N99/00
  • 本发明公开了一种基于序贯三支决策的代价敏感分类方法,序贯三支决策体现了信息粒化和代价敏感学习的优势,其中信息粒化是人类认知和决策执行的基础,代价则是信息处理涉及的重要因素。提出针对代价敏感学习的序贯三支决策模型。首先,对信息粒化和决策代价之间的关系进行了定义和描述;然后,从序决策过程的视角,利用不同粒度层次的代价矩阵构建了代价函数;最后,为平衡决策结果代价和决策过程代价,提出了两个优化问题,并从理论上阐述了其意义,从实验结果分析上验证了算法的有效性,体现了序贯三支决策在代价敏感分类问题上的优势。
  • 一种在噪音标注下能够有效识别模型未知错误的方法-201810529347.3
  • 杨静;郑波;徐聪 - 华东师范大学
  • 2018-05-29 - 2018-11-27 - G06N99/00
  • 本发明公开了一种在噪音标注下能够有效识别模型未知错误的方法,其特点是在挑选当前最有可能是模型未知错误时采用动态最近邻算法,降低噪音标注导致的伪未知错误对于标识算法的影响,在有错误标注情况下,基于众包机制对模型进行有效的未知错误识别检测,在有限的预算和固定错误标注率下发现更多模型的未知错误。本发明与现有技术相比具有对模型假设的要求低,只需未知错误不是均匀分布在特征空间上即可,实施简单,易于部署到真实任务中去,在有限的预算和固定错误标注率下发现更多模型的未知错误,同时能够做到发现的未知错误中真正意义上是模型本身存在而不是因为错误标注导致的未知错误的比率高。
  • 学习率计算方法及装置、分类模型计算方法及装置-201810621059.0
  • 覃进学;王纯斌;詹雪薇 - 成都四方伟业软件股份有限公司
  • 2018-06-15 - 2018-11-27 - G06N99/00
  • 本发明涉及数据分类技术领域,提供一种学习率计算方法及装置、分类模型计算方法及装置。其中,该学习率计算方法包括:获得用于对数据进行分类的分类模型的经验风险,经验风险的参数包括用于迭代计算分类模型的学习率;基于随机漫步对学习率进行迭代计算,获得经验风险取最小值时学习率的值。由于将随机漫步引入了学习率的迭代计算过程,从而计算获得的学习率能够使作为优化对象的经验风险收敛到全局最优解而非局部最优解。进而分类模型在基于该学习率进行模型的迭代计算时,能够获得较高精度的模型,从而改善数据分类结果的准确性。该分类模型计算方法用于计算梯度渐进回归树模型,其中计算模型的学习率时采用该学习率计算方法进行计算。
  • 一种不破坏源操作数的量子加法器设计方法-201810646899.2
  • 黎海生;范萍;夏海英;梁艳;宋树祥 - 广西师范大学
  • 2018-06-21 - 2018-11-27 - G06N99/00
  • 本发明提供一种不破坏源操作数的量子加法器设计方法,属于量子线路设计领域。本发明设计便于并行计算的6个基本量子门,然后在此基础上设计量子半加器、量子全加器和相应的复位器,以及由量子半加器、量子全加器和相应的复位器构成n位不破坏源操作数加法器的设计方法。本发明的优点是设计了复位器,使得参与运算的源操作数不被破坏,同时体现了量子信息处理在信号处理的高效性:只需12n‑3个基本操作就可实现n位整数加法运算,而时间复杂度仅为6n+3。
  • 一种智能看物识名的方法和系统-201810509423.4
  • 李杰 - 四川斐讯信息技术有限公司
  • 2018-05-24 - 2018-11-23 - G06N99/00
  • 本发明公开了一种智能看物识名的方法和系统,其方法包括:S1:在服务器中对深度学习框架进行深度学习训练以获得训练模型;S2:使用NDK和/或SDK生成动态链接库,并基于所述动态链接库和所述训练模型编译生成安装包;S3:将所述安装包安装至终端设备以用于离线识别。本发明将训练模型制作在安装包中,能够使终端设备使用该安装包方便且简单的实现识别目的,且具有识别准确,在识别过程中无需进行网络连接等优点。
  • 一种基于梯度下降的时序模糊认知图的学习方法及系统-201810592605.2
  • 冯禹洪;李宸;华静静;周才清;钟皓明;苗春燕 - 深圳大学
  • 2018-06-11 - 2018-11-23 - G06N99/00
  • 本发明适用于时间序列分析技术领域,提供了时序模糊认知图的学习方法,包括:对样本数据进行预处理后划分,得到训练样本集和预测样本集,使用基于时序的皮尔逊相关系数初始化权值函数,在训练样本集中内构建全连接的时序模糊认知图网络;根据迭代次数,使用批量梯度下降法对初始化后的权值函数进行优化,用损失函数度量每次优化后的权值函数的误差;选取使得损失函数最小的权值函数,构建最优时序模糊认知图网络,利用预测样本集对最优时序模糊认知图进行验证,本发明使用批量梯度下降算法学习出tFCM模型,使用基于时序的皮尔逊相关系数来初始化权值,让搜索范围落在一个有统计意义的区间,降低陷入局部最优解的可能性。
  • 一种基于预界机制的在线加权极限学习机方法-201810593832.7
  • 宋允全;宋晓欣;梁锡军;渐令 - 中国石油大学(华东)
  • 2018-06-11 - 2018-11-23 - G06N99/00
  • 本发明涉及一种基于预界机制的在线加权极限学习机方法,首先确定预界取值,在训练集上选择有效向量构造初始有效向量集合,利用加权机制建立加权极限学习机模型,并采用矩阵校正技术和Sherman‑Morrison‑Woodbury公式更新加权极限学习机模型得到在线预测器,从而实现对应用场景中出现的类别不平衡数据流的在线预测。该方法采用固定的预界机制,能够有效防止信息溢出,进而精确控制在线学习模型的规模。本发明在线学习方法,能够灵活有效处理类别不平衡和概念漂移同时发生的应用问题。此外,数据可通过数据块的形式进行采集,进一步降低了方法的计算复杂度,拓宽了模型的应用范围,可有效服务于具概念漂移特性的类别不平衡数据在线预测任务的实施。
专利分类
×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

400-8765-105周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top