论文部分内容阅读
量子神经网络是基于量子计算的基本原理与传统的人工神经网络而发展起来的一种研究神经网络的新方法。由于其独特的功能在某些问题上表现出来的巨大优势，越来越多的科研人员开始对量子神经网络产生了广泛的兴趣。本文在分析传统人工神经网络的主要特性，不足之处以及现有改进的量子Grover搜索算法基础上，提出了三种具有量子学习的神经网络模型。（1）提出了量子多模式搜索网络模型针对Vladimir E.korpin提出的基于量子部分搜索的多模式算法时间复杂度居高等缺陷，本文在分析Grover算法的基础上，提出了基于层级量子部分搜索的多模式算法以及单次量子部分搜索算法。通过分析时间复杂度，作者提出的两种算法在时间复杂度明显优于Vladimir E.korpin提出的算法，此外单次量子部分搜索算法不仅能使所需搜索多模式的搜索概率为1，而且所需的时间复杂度小于等于ONm （其中N为数据库中的数据项，m为所需搜索多模式的个数， m≥2）。（2）提出了基于量子结构的神经网络模型由于目前已有的量子神经网络模型几乎都是基于传统神经网络的基础上引入量子计算，难以解决量子神经网络的两个关键问题，神经元非线性问题和在学习算法中有效地利用线性叠加原理，所以研究人员一直在寻找新的方法。为了解决上述两个问题，本文利用布尔函数的特性和改进的Grover搜索算法，提出了一种单神经元的神经网络的量子结构和学习模型。通过实例分析表明，该模型体现了量子计算具有巨大的并行性以及布尔函数很好地解决量子神经网络中神经元操作的非线性问题。（3）提出了基于非线性搜索的量子联想神经网络模型针对Ventura提出的量子联想记忆网络存储模式的复杂性，本文在分析量子线性叠加特性的基础上，提出了由二叉决策图构建量子阵列的新存储方法来进行多模式存储。采用非线性搜索算法，使该模型的模式联想速度提高在O (log2n-t2)=O (n t)时间数量级内（其中n是量子比特数以及t为第t位量子信息）。通过实例分析表明，本文提出的基于量子学习的联想神经网络模型不仅在存储模式上与Ventura提出的量子联想记忆网络相比不需要增加附加比特或者特殊初始算子，而且存储模式更有效，此外在回忆速度上还有进一步的提高。