论文部分内容阅读
为提高神经网络的逼近能力,通过在普通BP网络中引入量子旋转门,提出了一种新颖的量子衍生神经网络模型.该模型隐层由量子神经元组成,每个量子神经元携带一组量子旋转门,用于更新隐层的量子权值,输入层和输出层均为普通神经元.基于误差反传播算法设计了该模型的学习算法.模式识别和函数逼近的实验结果验证了提出模型及算法的有效性.