買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜成都信息工程大學(xué)申請的專利基于模糊學(xué)習(xí)的量子度量學(xué)習(xí)方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN117313887B 。

龍圖騰網(wǎng)通過國家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-05-13發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號(hào)為：202311410059.3，技術(shù)領(lǐng)域涉及：G06N10/60；該發(fā)明授權(quán)基于模糊學(xué)習(xí)的量子度量學(xué)習(xí)方法是由張仕斌;黃晨猗;黃源源;昌燕;閆麗麗設(shè)計(jì)研發(fā)完成，并于2023-10-27向國家知識(shí)產(chǎn)權(quán)局提交的專利申請。

本基于模糊學(xué)習(xí)的量子度量學(xué)習(xí)方法在說明書摘要公布了：本發(fā)明公開了一種基于模糊學(xué)習(xí)的量子度量學(xué)習(xí)方法，屬于量子機(jī)器學(xué)習(xí)技術(shù)領(lǐng)域，包括以下步驟：獲取輸入特征轉(zhuǎn)換為模糊集合；通過模糊組件處理模糊集合中的不確定性特征；整合原始特征和模糊信息，以減少數(shù)據(jù)中的不確定信息；將整合后的信息作為量子特征映射的輸入進(jìn)行量子度量學(xué)習(xí)。本發(fā)明中，通過設(shè)計(jì)的模糊組件，能夠處理真實(shí)數(shù)據(jù)集中的不確定性特征，減少由于噪聲等因素導(dǎo)致的數(shù)據(jù)不確定性和歧義，同時(shí)，還可以彌補(bǔ)數(shù)據(jù)預(yù)處理過程中可能遺失的部分有效信息，提高模型的魯棒性，通過模糊組件，能夠有效地抽取出高階的潛在模糊特征，為數(shù)據(jù)的深層次信息提供了有力的補(bǔ)充，進(jìn)一步增強(qiáng)了模型的識(shí)別與分類能力。

本發(fā)明授權(quán)基于模糊學(xué)習(xí)的量子度量學(xué)習(xí)方法在權(quán)利要求書中公布了：1.一種基于模糊學(xué)習(xí)的量子度量學(xué)習(xí)方法，其特征在于，包括以下步驟：獲取輸入特征轉(zhuǎn)換為模糊集合；通過模糊組件處理模糊集合中的不確定性特征；所述模糊組件包括模糊層、不確定性度量層和信息融合層；所述模糊層用于將輸入特征轉(zhuǎn)換為高斯隸屬函數(shù)描述的模糊集合；所述不確定性度量層用于量化特征的模糊度與不確定性之間的固有關(guān)系；所述信息融合層用于整合原始特征和模糊信息，以減少數(shù)據(jù)中的不確定信息；將整合后的信息作為量子特征映射的輸入進(jìn)行量子度量學(xué)習(xí)；將整合后的信息作為量子特征映射的輸入進(jìn)行量子度量學(xué)習(xí)具體步驟包括：使用個(gè)輸入的場景的量子特征映射線路；該量子特征映射線路由個(gè)可訓(xùn)練層組成；在每個(gè)可訓(xùn)練層中，首先使用門對輸入特征進(jìn)行編碼；然后，在每對相鄰量子比特之間施加可訓(xùn)練的ZZ糾纏；在這種策略中，每個(gè)量子比特都與其相鄰的量子比特糾纏，首尾比特也形成閉環(huán)；接著，對每個(gè)量子比特施加一個(gè)帶有可訓(xùn)練參數(shù)旋轉(zhuǎn)門；在完成所有個(gè)可訓(xùn)練層后，再次用門對原始輸入特征進(jìn)行編碼；針對量子度量學(xué)習(xí)的訓(xùn)練過程具體包括以下步驟：輸入數(shù)據(jù)：包含訓(xùn)練數(shù)據(jù)集，所述量子特征映射，訓(xùn)練周期數(shù)，批次大小，學(xué)習(xí)率和優(yōu)化器；訓(xùn)練數(shù)據(jù)集包含對數(shù)據(jù)，其中是輸入數(shù)據(jù)，是其對應(yīng)的標(biāo)簽，所述量子特征映射，它將輸入數(shù)據(jù)映射到量子域；映射的具體形式和參數(shù)由和確定；訓(xùn)練周期數(shù)用于確定整個(gè)訓(xùn)練集的遍歷次數(shù)；批次大小用于確定次迭代或更新時(shí)從訓(xùn)練數(shù)據(jù)集中抽取的樣本數(shù)量；學(xué)習(xí)率用于控制模型參數(shù)更新的步長；優(yōu)化器用于根據(jù)計(jì)算的代價(jià)函數(shù)來更新模型參數(shù)；初始化過程：對量子特征映射中的參數(shù)進(jìn)行初始化，初始化包括以下兩個(gè)步驟：參數(shù)的隨機(jī)初始化：首先，為賦予隨機(jī)的初值，確保模型從多樣化的狀態(tài)開始學(xué)習(xí)；使用K-means方法初始化和：利用K-means方法在訓(xùn)練數(shù)據(jù)集上進(jìn)行聚類，以此來為和賦予初值，進(jìn)行參數(shù)的初始化，以匹配訓(xùn)練數(shù)據(jù)的分布；參數(shù)更新過程：完成了輸入數(shù)據(jù)的定義和參數(shù)的初始化之后，進(jìn)行模型的核心訓(xùn)練過程，模型的核心訓(xùn)練過程具體包括對參數(shù)的更新，參數(shù)更新達(dá)到預(yù)設(shè)的停止標(biāo)準(zhǔn)后，完成量子度量學(xué)習(xí)的訓(xùn)練；所述模型的核心訓(xùn)練過程參數(shù)的更新具體包括以下步驟：批次數(shù)據(jù)生成：在每個(gè)訓(xùn)練周期中，按照預(yù)設(shè)的批次大小從訓(xùn)練數(shù)據(jù)集中隨機(jī)選取一個(gè)子集；模糊度與不確定度的計(jì)算：對于子集中的每個(gè)輸入，分別通過所述模糊層和不確定性度量層計(jì)算其模糊度以及不確定度；量子特征映射的輸入計(jì)算：基于所述模糊度與不確定度，根據(jù)所述信息融合層為子集中的每個(gè)輸入計(jì)算量子特征映射的輸入值；代價(jià)函數(shù)的計(jì)算：根據(jù)當(dāng)前批次子集以及模型參數(shù)和，計(jì)算代價(jià)函數(shù)的值；模型參數(shù)更新：使用預(yù)設(shè)的優(yōu)化器及學(xué)習(xí)率，根據(jù)計(jì)算出的代價(jià)函數(shù)更新模型參數(shù)；代價(jià)函數(shù)的計(jì)算如下： ；其中代表數(shù)據(jù)的總類別，表示第個(gè)類別量子態(tài)；代價(jià)函數(shù)的目的是最大化不同類別間量子狀態(tài)在希爾伯特空間中的距離；其中，為懲罰系數(shù)，用于增強(qiáng)由量子特征映射在希爾伯特空間中對不同類別的分離，用于通過代價(jià)函數(shù)鼓勵(lì)不同類別之間的狀態(tài)有更大的距離，并確保每個(gè)類別內(nèi)的狀態(tài)更加緊密。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人成都信息工程大學(xué)，其通訊地址為：610000 四川省成都市西南航空港經(jīng)濟(jì)開發(fā)區(qū)學(xué)府路1段24號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。