一种基于量子线路的人工神经元构造方法

    公开(公告)号:CN113159303A

    公开(公告)日:2021-07-23

    申请号:CN202110231652.6

    申请日:2021-03-02

    摘要: 本发明请求保护一种基于量子线路的人工神经元构造方法,属于量子机器学习领域,首先将神经元的输入与权重分别编码至量子计算基态上,然后将包含神经元权重值的受控酉门作用在输入量子态上,最后通过量子相位估计得到神经元输出。实现上述方案的量子神经元模型主要由三部分量子线路组成:第一部分为输入与权重相互作用量子线路,该线路可以很好地实现神经元接收到来自不同连接强度输入值的功能;第二部分为相位估计量子线路,该线路则实现了神经元激活函数的功能;第三部分为权重更新量子线路,该线路实现对权重值的更新转换为对表示权重量子态的每一个量子比特状态的更新。本发明具有量子信息处理的优势。

    一种基于深度图的自动图像分割方法

    公开(公告)号:CN108596919B

    公开(公告)日:2021-07-13

    申请号:CN201810372310.4

    申请日:2018-04-24

    IPC分类号: G06T7/11 G06K9/46

    摘要: 本发明请求保护一种基于深度图的自动图像分割方法。针对GrabCut在图像中存在前背景颜色相近、阴影或低对比度区域时,不能有效分割图片,提出一种改进的GrabCut图像分割算法。本发明在用显著性实现GrabCut自动分割的基础上,融合了深度信息,提高了算法的分割准确度。首先,通过深度信息指导显著信息来初始化GrabCut算法,其次,将深度信息融入算法的能量公式中,最后,用改进的能量公式和超像素构建网络流图,进行最大流/最小割。相对于传统的图割方法,本发明将深度信息有效地结合到了GrabCut自动分割框架中,提高了分割算法的准确性。

    一种基于量子线路的人工神经元构造方法

    公开(公告)号:CN113159303B

    公开(公告)日:2023-07-21

    申请号:CN202110231652.6

    申请日:2021-03-02

    IPC分类号: G06F17/15

    摘要: 本发明请求保护一种基于量子线路的人工神经元构造方法,属于量子机器学习领域,首先将神经元的输入与权重分别编码至量子计算基态上,然后将包含神经元权重值的受控酉门作用在输入量子态上,最后通过量子相位估计得到神经元输出。实现上述方案的量子神经元模型主要由三部分量子线路组成:第一部分为输入与权重相互作用量子线路,该线路可以很好地实现神经元接收到来自不同连接强度输入值的功能;第二部分为相位估计量子线路,该线路则实现了神经元激活函数的功能;第三部分为权重更新量子线路,该线路实现对权重值的更新转换为对表示权重量子态的每一个量子比特状态的更新。本发明具有量子信息处理的优势。

    一种基于UFIM-Matrix算法改进的不确定频繁项集营销数据挖掘算法

    公开(公告)号:CN112883080B

    公开(公告)日:2022-10-18

    申请号:CN202110199231.X

    申请日:2021-02-22

    IPC分类号: G06F16/2458 G06Q30/02

    摘要: 本发明请求保护一种基于UFIM‑Matrix算法改进的不确定频繁项集营销数据挖掘算法。该方法包括:在引入前置剪枝策略,该策略只涉及到一些常数的四则运算,是一种十分高效的剪枝手段,提前删除不频繁的项,避免前期数据量过大而导致过多的空间消耗;同时在计算k‑项集期望支持度时,引入位图表,根据位图表计算出相应的项集支持度,与最小阈值minsup比较,删减不频繁项集,得到频繁项集。该方法只需要对营销数据库进行两次扫描,节省了算法的时间,同时引入前置剪枝修剪策略和位图表,提高了内存和时间。

    异构网中基于一对多匹配的资源分配方法

    公开(公告)号:CN108848562B

    公开(公告)日:2022-05-31

    申请号:CN201810505000.5

    申请日:2018-05-24

    摘要: 本发明属于移动通信技术领域,具体为异构网中基于一对多匹配的资源分配方法,包括复用用户获取其他复用用户的位置信息,并利用位置信息构建所述各个复用用户与其他复用用户之间的冲突集;利用速率最大化准则计算各个复用用户的效用函数,求解出复用用户对子信道的偏好列表;利用干扰最小化准则计算所有复用用户在子信道上对宏蜂窝用户产生的干扰,求解出子信道对复用用户的偏好列表;在保证宏蜂窝用户正常通信的情况下,以复用用户与其冲突集中的复用用户不被分配到同一子信道的前提下;采用一对多匹配方法,根据复用用户对子信道的偏好列表和子信道对复用用户的偏好列表,为所有的复用用户分配子信道;本发明能够降低计算复杂度,减少同层干扰。

    一种基于深度图的自动图像分割方法

    公开(公告)号:CN108596919A

    公开(公告)日:2018-09-28

    申请号:CN201810372310.4

    申请日:2018-04-24

    IPC分类号: G06T7/11 G06K9/46

    摘要: 本发明请求保护一种基于深度图的自动图像分割方法。针对GrabCut在图像中存在前背景颜色相近、阴影或低对比度区域时,不能有效分割图片,提出一种改进的GrabCut图像分割算法。本发明在用显著性实现GrabCut自动分割的基础上,融合了深度信息,提高了算法的分割准确度。首先,通过深度信息指导显著信息来初始化GrabCut算法,其次,将深度信息融入算法的能量公式中,最后,用改进的能量公式和超像素构建网络流图,进行最大流/最小割。相对于传统的图割方法,本发明将深度信息有效地结合到了GrabCut自动分割框架中,提高了分割算法的准确性。

    应用于面部表情识别的量子前馈神经网络构造方法

    公开(公告)号:CN113128665A

    公开(公告)日:2021-07-16

    申请号:CN202110287085.6

    申请日:2021-03-17

    IPC分类号: G06N3/04 G06N3/08 G06N10/00

    摘要: 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。

    异构网中基于一对多匹配的资源分配方法

    公开(公告)号:CN108848562A

    公开(公告)日:2018-11-20

    申请号:CN201810505000.5

    申请日:2018-05-24

    摘要: 本发明属于移动通信技术领域,具体为异构网中基于一对多匹配的资源分配方法,包括复用用户获取其他复用用户的位置信息,并利用位置信息构建所述各个复用用户与其他复用用户之间的冲突集;利用速率最大化准则计算各个复用用户的效用函数,求解出复用用户对子信道的偏好列表;利用干扰最小化准则计算所有复用用户在子信道上对宏蜂窝用户产生的干扰,求解出子信道对复用用户的偏好列表;在保证宏蜂窝用户正常通信的情况下,以复用用户与其冲突集中的复用用户不被分配到同一子信道的前提下;采用一对多匹配方法,根据复用用户对子信道的偏好列表和子信道对复用用户的偏好列表,为所有的复用用户分配子信道;本发明能够降低计算复杂度,减少同层干扰。

    一种具有视差处理能力的图像拼接方法

    公开(公告)号:CN108734657B

    公开(公告)日:2022-05-03

    申请号:CN201810384920.6

    申请日:2018-04-26

    IPC分类号: G06T3/40 G06T3/00

    摘要: 本发明请求保护一种具有视差处理能力的图像拼接方法。突破了传统拼接方法对输入图像共平面的限制,提出一种基于多单应矩阵的图像拼接方案。该方案首先设计了一种独特的SIFT特征描述子:选取圆环作为领域构造关键点描述符,结合梯度直方图和灰度差信息作为描述符的特征信息,最终形成一个新的36维特征向量;然后采用多单应矩阵的方法,用多单应矩阵进行配准对齐。先用局部投影变换模型,并用网格引导每个图像的投影变换。这样重叠区域能够精准对齐并具有最小的局部失真。完成对每个局部区域的投影变换后,再用一个全局的相似变换来约束每个图像的投影变换,使得其整体上类似于相似变换。拼接的结果既能精确对齐又不会有太大的畸变。

    一种基于UFIM-Matrix算法改进的不确定频繁项集营销数据挖掘算法

    公开(公告)号:CN112883080A

    公开(公告)日:2021-06-01

    申请号:CN202110199231.X

    申请日:2021-02-22

    IPC分类号: G06F16/2458 G06Q30/02

    摘要: 本发明请求保护一种基于UFIM‑Matrix算法改进的不确定频繁项集营销数据挖掘算法。该方法包括:在引入前置剪枝策略,该策略只涉及到一些常数的四则运算,是一种十分高效的剪枝手段,提前删除不频繁的项,避免前期数据量过大而导致过多的空间消耗;同时在计算k‑项集期望支持度时,引入位图表,根据位图表计算出相应的项集支持度,与最小阈值minsup比较,删减不频繁项集,得到频繁项集。该方法只需要对营销数据库进行两次扫描,节省了算法的时间,同时引入前置剪枝修剪策略和位图表,提高了内存和时间。