带有自适应学习速率的矩阵指数梯度在线量子态估计算法

针对连续弱测量中存在高斯噪声的情况,提出一种带有自适应学习速率的矩阵指数梯度在线量子态估计算法.将量子态估计问题转化为含量子约束的凸优化问题,通过引入Von Neumann散度(量子相对熵),在一阶最优条件下,推导出指数型的量子态迭代公式,保证量子态密度矩阵的半正定性.再通过对迭代结果进行迹为1的投影,得到最终的量子态估计值.同时在迭代公式中设计自适应的学习速率,进一步加快算法的收敛速度.将所提出的算法分别在1, 2, 3和4个量子位系统上,进行了在线量子态估计的数值仿真实验,并与现有的在线量子态估计算法进行了性能对比.实验结果表明,所提出的算法具有更好的快速收敛性,以及更高的状态估计精度.     

单量子比特系统状态的在线估计

针对具有退相干效应与测量反馈随机噪声的随机开放量子系统, 采用对状态影响较弱的连续弱测量在线获取一系列状态的部分信息, 实现量子状态的在线估计.由泡利矩阵构造初始测量算符, 并推导出在线的随时间变化的测量算符; 基于压缩传感理论来减少测量次数; 采用最小二乘优化算法对自由演化中的量子密度矩阵状态进行重构, 完整地给出了量子态在线估计的过程.所提出的在线量子态估计方案, 在一个量子位系统上进行了系统仿真实验.数值仿真实验结果表明, 在满足压缩传感理论的条件下, 仅需2次连续弱测量所得到的测量值之后, 就可以高精度地实现在线变化的单比特量子密度矩阵估计.     

一维量子卷积计算

研究了一维信息编码为量子态后进行量子卷积计算的量子线路模型。基于量子图像表示和经典信息的卷积算法,设计出了一维量子卷积计算的量子线路结构,表明量子卷积计算可以以[O(n2)]的复杂度计算卷积。与经典卷积相比,量子卷积计算由于利用量子并行计算在计算速率上达到了指数级的加速,为量子卷积神经网络卷积层的设计实施作铺垫。     

量子态估计简介及其在超导电路电动力学系统中的应用

量子态估计是量子计算以及量子调控的基础,一般分为量子态层析,即对未知量子态(或过程的初态)进行估计,以及量子滤波,即对量子态进行实时的估计.本文首先介绍了近年来量子态层析技术新的进展,内容包括极大似然方法,压缩感知方法和线性回归方法,并分析了它们的适用范围及各自的优缺点.进一步,基于量子计算的成熟载体超导电路电动力学系统,介绍了基于连续弱测量对量子态进行实时估计的贝叶斯方法,并分析了贝叶斯估计的适用情形.进一步,通过仿真实现了量子贝叶斯估计,可以很容易发现贝叶斯方法能够精确地实时追踪量子态的演化.     

基于量子层析的量子态测量方案及其仿真

为解决量子态信息获取问题,基于量子层析理论,深入分析了单量子比特和多量子比特的层析理论,设计了利用量子态层析进行量子态测量的实验方案,并通过计算机仿真技术对单量子比特层析实验进行了模拟．在理论分析和仿真实验的基础上得到如下结论：通过适当选取测量次数,量子层析技术可以较为精确地重构量子态密度矩阵,获取量子态信息,同时可以兼顾实验效率．     

量子投影滤波

量子滤波器基于贝叶斯原理,利用连续弱测量数据给出当前时刻量子系统状态的最优估计,是量子计算和量子调控技术中极为重要的一环.然而,随着量子系统能级数提高,量子滤波器的实时计算复杂度呈二次型增长.本文介绍了一种量子投影滤波方法,用于减少量子滤波器的实时计算复杂度.基于量子信息几何方法,量子轨迹被限制在了一个由一类非归一化量子密度矩阵组成的子流形中.量子态从而可通过计算子流形的坐标系统来近似获得.仿真实验说明了投影滤波方法的有效性.     

基于复合卷积神经网络的图像去噪算法*

基于深度学习理论,将图像去噪过程看成神经网络的拟合过程,构造简洁高效的复合卷积神经网络,提出基于复合卷积神经网络的图像去噪算法.算法第1阶段由2个2层的卷积网络构成,分别训练阶段2中的3层卷积网络中的部分初始卷积核,缩短阶段2中网络的训练时间和增强算法的鲁棒性.最后运用阶段2中的卷积网络对新的噪声图像进行有效去噪.实验表明文中算法在峰值信噪比、结构相识度及均方根误差指数上与当前较好的图像去噪算法相当,尤其当噪声加强时效果更佳且训练时间较短.     

基于量子层析的量子态测量方案及其仿真

为解决量子态信息获取问题,基于量子层析理论,深入分析了单量子比特和多量子比特的层析理论,设计了利用量子态层析进行量子态测量的实验方案,并通过计算机仿真技术对单量子比特层析实验进行了模拟．在理论分析和仿真实验的基础上得到如下结论：通过适当选取测量次数,量子层析技术可以较为精确地重构量子态密度矩阵,获取量子态信息,同时可以兼顾实验效率．

     

一种新的量子噪声信道仿真算法

为了实现量子密钥分配协议在几种不同的量子噪声信道上的仿真分析。基于量子力学的有关知识。通过密度矩阵的变化。依靠数学方法，推出量子态在发送和接收期间的变化，提出一个量子噪声信道模型的新算法，相对其他基于密度矩阵的算法而言．能更直观．更简单的实现量子密钥分配协议在计算机上的仿真。     

三种高效快速的量子态滤波和估计优化算法

针对不同干扰和噪声情况下的量子状态估计和滤波问题,分别提出相应的高效量子状态密度矩阵重构凸优化算法.对于稀疏状态干扰和测量噪声同时存在的情况,提出量子状态滤波算法.对分别存在稀疏状态干扰和测量噪声的情况,提出相应两种不同的量子状态估计算法.在5量子位的状态密度矩阵估计仿真实验中分析不同采样率下的3种算法性能.实验表明,3种算法均具有较低的计算复杂度、较快的收敛速度和较低的估计误差.     

基于自适应低秩去噪的磁共振图像重构

本文提出了一种基于自适应低秩去噪的磁共振图像重构算法.该方法使用去噪近似消息传递算法重构磁共振图像,将自适应加权Schatten-p范数最小化方法（Weighted Schatten p-Norm Minimization,WSNM）作为其降噪模型,研究图像的重构性能.根据算法迭代过程中估计的噪声标准差自适应的设定WSNM的图像块大小及相似块个数.实验表明,与近几年提出的磁共振图像重构算法比较,本文提出的算法可以获得更高的峰值信噪比（Peak Signal to Noise Ratio,PSNR）和更低的相对${L_2}$范数误差（Relative${L_2}$Norm Error,RLNE）,得到更好的重建效果.     

基于卷积神经网络的永磁同步电机转矩观测器

内嵌式永磁同步电机具有高功率密度、高可靠性和弱磁性等诸多优点,但由于电动机参数具有非线性化特征,导致电磁转矩难以精确估算。该文提出了一种基于卷积神经网络的电磁转矩估算方 法,即转矩观测器。首先,基于所搭建的高保真非线性内嵌式永磁同步电机模型,获得用于神经网络训练的转矩观测器数据;然后,基于所提出的卷积神经网络转矩观测器实现内嵌式永磁同步电机的精确控制;最后,为获取最优的转矩估算误差,在仿真实验阶段对不同参数和结构的卷积神经网络进行了对比和分析。结果表明,该神经网络可以实现电磁转矩的准确估算,所建立的转矩观测器具有良好的性能参数和泛化能力。     

一种针对单快拍DOA估计的子空间搜索近似消息传递算法

压缩感知（Compressed sensing,CS）技术应用于单快拍波达方向（Direction of arrival,DOA）估计中可以实现相关信号的超分辨估计,但会遇到感知矩阵高相干性以及对噪声敏感的问题.本文提出一种基于近似消息传递的子空间搜索算法以解决上述问题.该算法首先通过近似消息传递算法得到一个粗解,随后利用该粗解划分子空间,最后在子空间中寻找精确解.仿真结果验证了所提算法的有效性.文章最后通过理论分析了该算法性能并讨论了算法在信号数未知时的扩展应用.     

基于参数化量子电路的量子卷积神经网络模型及应用

量子神经网络结合了量子计算与经典神经网络模型的各自优势, 为人工智能领域的未来发展提供了一种 全新的思路. 本文提出一种基于参数化量子电路的量子卷积神经网络模型, 能够针对欧几里得结构数据与非欧几里 得结构数据, 利用量子系统的计算优势加速经典机器学习任务. 在MNIST数据集上的数值仿真结果表明, 该模型具 有较强的学习能力和良好的泛化性能.     

真实场景中基于卷积神经网络的去噪算法

For dealing with the noise image processing in the real scene, this paper proposes a denoising algorithm based on convolu- tional neural network according to the noise model which closer to the real scene. The algorithm uses multiple convolution layers in the convolutional neural network to learn the data characteristics of the noise image in the real scene, so as to continuously optimize its own parameters. The simulation results show that the denoising algorithm based on convolutional neural network has a good de- noising effect on the noise image in real scene, the denoised image is clearer, the visual effect is better, and the edge details in the im- age are well preserved.     

基于卷积特征的非平衡人群密度估计方法

人群密度估计在智能监控领域具有重要的应用价值。大量理论和经验研究表明,基于数据驱动的深度神经网络往往优于传统的基于手工特征的方法。但是人群样本的数据规模很小,深层次的网络很难得到较优解。鉴于此,提出了3种解决方法:训练较浅的神经网络,使用预训练深度模型的全连接层特征和使用预训练深度模型的卷积-FV(Fisher Vector)特征。针对样本的不平衡性问题,提出了使用多个分类评估标准的解决方案。在标准数据集PETs2009上的实验结果表明,相比于现有的手工特征,卷积特征具有更好的效果。其次,相比于训练一个全新的卷积模型,基于迁移学习的深度卷积特征是更好的选择。另外,通过层数较少的深度模型获得的较低层特征的迁移性更好。     

两阶段多层感知的随机脉冲噪声比例预测

目的 基于卷积神经网络（CNN）在图块级上实现的随机脉冲噪声（RVIN）降噪算法在执行效率方面较经典的逐像素点开关型降噪算法有显著优势,但降噪效果如何取决于能否对降噪图像受噪声干扰程度（噪声比例值）进行准确估计。为此,提出一种基于多层感知网络的两阶段噪声比例预测算法,达到自适应调用CNN预训练降噪模型获得最佳去噪效果的目的。方法 首先,对大量无噪声图像添加不同噪声比例的RVIN噪声构成噪声图像集合;其次,基于视觉码本（visual codebook）采用软分配（soft-assignment）编码法提取并筛选若干能反映噪声图像受随机脉冲噪声干扰程度的特征值构成特征矢量;再次,将从噪声图像上提取的特征矢量及对应的噪声比例分别作为多层感知网络的输入和输出训练噪声比例预测模型,实现从特征矢量到噪声比例值的映射（预测）;最后,采用粗精相结合的两阶段实现策略进一步提高RVIN噪声比例的预测准确性。结果 针对不同RVIN噪声比例的失真图像,从预测准确性、实际降噪效果和执行效率3个方面验证提出算法的性能和实用性。实验数据表明,本文算法在大多数噪声比例下的预测误差小于2%,降噪效果（PSNR指标）较其他主流降噪算法高24 dB,处理一幅大小为512×512像素的图像仅需3 s左右。结论 本文提出的RVIN噪声比例预测算法在各个噪声比例下具有鲁棒的预测准确性,在降噪效果和执行效率两个方面较经典的开关型RVIN降噪算法有显著提升,更具实用价值。     

基于U-Net融合的保留纹理的图像去噪方法

图像的噪声阻碍了高级视觉任务对图像的理解,且去除图像的噪声是一个具有挑战性的任务.现有的基于卷积神经网络的图像去噪方法在去除噪声的同时,对图像纹理会引入一定程度的破坏,导致去噪后图像无法保留图像的纹理.为了解决这个问题,本文提出一种用二分支U-Net网络来融合特征和保留纹理的图像去噪方法.首先选取一种去噪方法的两个不同去噪参数的预训练模型分别得到同一张噪声图像的不同去噪结果,其中一个结果中去噪效果比纹理保留效果好,另一个结果中纹理保留比去噪效果好.然后将这两个去噪图像作为卷积神经网络的输入,利用两个编码器分别提取图像的特征,并同时放入融合模块融合图像的特征,最后利用解码器重建出无噪声图像.实验结果表明,与现有的方法相比本文的方法更有效,在去除噪声的同时能保留更多的图像纹理信息.     

基于改进卷积神经网络的人体姿态估计

卷积神经网络是人体姿态估计中应用最成功的深度学习模型,但仍存在着一些诸如关节搜索空间过于巨大以及不同卷积核得到的抽象特征被平等对待等缺陷.为此,提出了一种基于改进卷积神经网络的人体姿态估计算法,利用先验分布减小关节搜索空间,改进卷积神经网络结构建立新的关节外观模型.改进的网络利用单个卷积核对应的全局和局部抽象特征计算关节的初始定位概率,通过对所有卷积核对应的关节初始定位概率进行线性组合来计算关节的最终定位概率,利用线性组合中不同的权值来体现不同抽象特征在定位关节时所起的不同作用.仿真实验表明,与现有基于卷积神经网络的人体姿态估计算法相比,所提出的算法具有更低的计算复杂度和更高的估计准确度.