一种针对软间隔支持向量机的量子方法技术

本发明专利技术涉及一种针对软间隔支持向量机的量子方法，基于预处理后的全部样本图片的维新特征向量所对应的量子态，应用量子算法，通过迭代运算，求得目标函数的梯度经典信息，获得最优模型超平面参数，进而构建图像分类模型，针对待分类图片进行实际分类；设计方案能够有效加速梯度经典信息的求解效率，进而快速获得图像分类模型，提高实际图像分类效果。提高实际图像分类效果。提高实际图像分类效果。

【技术实现步骤摘要】
一种针对软间隔支持向量机的量子方法


[0001]本专利技术涉及一种针对软间隔支持向量机的量子方法，属于量子计算和机器学习相结合的新型交叉


技术介绍

[0002]随着科技的发展，全球数据总量呈指数级别增长，这将对传统机器学习算法的计算性能提出了更高的要求。量子计算利用量子力学特有的性质（比如量子纠缠与叠加性），使得它在处理某些特定问题上相对于经典计算具有显著的加速优势，例如大数分解（P. W. Shor. Algorithns for quantun computation: discrete logarithms and factoring. Proceedings of the 35th Annual Synposium of Foundation of Computer Science, IEEE Press, Los Alamitos, CA, 1994），求解线性方程组（Phys.Rev.Lett.103,150502(2009)）。近年来，各研究学者们专注于设计高效的量子算法来解决特定的机器学习问题，使其计算速度显著加快，进而涌现了一个全新的新型交叉领域—量子机器学习,并且该领域在量子主成分分析（Nature Physics,10,631(2016)），量子支持向量机（Phys.Rev.Lett.113,130503(2014)），量子神经网络（Phys.Rev.A.98,042308(2018)）等实际应用上均取得了不错的研究成果。
[0003]支持向量机是机器学习领域中一类重要的分类算法，被广泛应用于人像识别、文本分类、图像识别等问题。根据对误差是否容忍可分为硬间隔支持向量机和软间隔支持向量机两类。硬间隔支持向量机的目标是寻找一个分类超平面，它不仅可以正确分类每一个样本，而且使得每一类样本中距离超平面最近的样本到超平面的距离尽可能远。然而在实际的分类应用中，并不是所有的数据点都可以被严格的划分成两类，为了处理这种数据，人们允许在一些样本上有适度的分类误差，即提出了软间隔支持向量机的算法，它已成功应用于图像分类等问题。
[0004]原始图像可表示为，其中，=(,)是维向量的原始图像数据，是原始图像对应的标签，基于对预处理后所获对应，求解软间隔支持向量机可转换成如下的优化问题：其中，为松弛变量，若它不为0，表示样本违反了不等式约束条件，为惩罚因子，是人工设定的大于0的参数，用来对违反不等式约束条件的样本进行惩罚。
[0005]由于软间隔并不要求所有的样本点都划分正确，允许了一些数据点可以不用满足约束条件,若希望尽可能少的数据点不满足约束，而不考虑数据点离超平
面距离的远近，那此时（1）式的优化目标就变成了：
ꢀꢀꢀꢀ
(2)其中为常数，而被称为损失函数： 。由于函数不可微分，没有太好的数学性质，会导致对（2）式求解比较复杂，为了解决这一问题，通常用其他的函数来代替函数。常见的“损失函数”如下。
[0006]006]006]。
[0007]这些替代损失函数的通常是凸的连续函数，并且是函数的上界。但是由hinge损失函数是一个分段函数，其导数并不是一个连续函数，求解的过程较为复杂。因此可选择其余两种损失函数。由于（2）式无封闭解，经典上通常使用梯度下降法来进行参数的迭代求解，其核心是对梯度的计算，但在实际的计算中，由于数据集较大，对梯度的计算通常需要花费较多的开销，所以急需设计一种高效的软间隔支持向量机算法。

技术实现思路

[0008]本专利技术所要解决的技术问题是提供一种针对软间隔支持向量机的量子方法，采用全新设计方法，加速梯度经典信息的求解效率，进而应用软间隔支持向量机，高效实现图像分类。
[0009]本专利技术为了解决上述技术问题采用以下技术方案：本专利技术设计了一种针对软间隔支持向量机的量子方法，按如下步骤A至步骤E，获得图像分类模型；应用图像分类模型，执行如下步骤i，针对待分类图片进行分类；步骤A. 基于已知分别对应正类标签或负类标签的各幅样本图片，分别针对各幅样本图片的维特征向量执行预处理，获得各幅样本图片的维新特征向量，其中，，表示样本图片的数量，，表示第幅样本图像的维特征向量，表示第幅样本图像的第维特征，表示第幅样本图像的维新特征向量，表示第幅样本图像的第维新特征，然后进入步骤B；步骤B. 根据软间隔支持向量机的目标函数，建立求取最优模型超平面参数的模型，然后进入步骤C；步骤C. 构建全部样本图片维新特征向量所对应的量子态，然后进入步骤D；步骤D. 根据求取最优模型超平面参数的模型、以及全部样本图片维新特征向量所对应的量子态，应用量子算法，结合模型目标函数所对应超平面参数的梯度经典信息，
执行迭代运算，获得最优模型超平面参数，然后进入步骤E；步骤E. 构建获得图像分类模型为，其中，表示待分类图片的维新特征向量，表示符号函数；步骤i. 首先按步骤A中的方法，针对待分类图片的维特征向量执行预处理，获得待分类图片的维新特征向量，然后应用图像分类模型为，实现针对待分类图片的分类。
[0010]作为本专利技术的一种优选技术方案：所述步骤A中，分别针对各幅样本图片的维特征向量，按如下公式（1）执行预处理；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）获得各幅样本图片的维新特征向量，其中，表示向量模长函数。
[0011]作为本专利技术的一种优选技术方案：所述步骤B中，根据软间隔支持向量机的目标函数，建立求取最优模型超平面参数的模型如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）其中，，表示模型超平面参数，表示模型超平面参数的第维值，表示第幅样本图像所对应的分类标签值，表示第幅样本图像对应正类标签，表示第幅样本图像对应负类标签，表示预设常数。
[0012]作为本专利技术的一种优选技术方案：所述步骤C中，将图像数据矩阵、以及分类标签向量存储于量子随机存储器中，基于量子随机存储器所允许时间，执行幺正算子；于量子随机存储器中，基于量子随机存储器所允许时间，执行幺正算子；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（5）获得图像数据矩阵中全部列向量的量子态、图像数据矩阵中全部行向量的量子态、以及分类标签向量的量子态，其中，表示第幅样本图像所对应的分类标
签值，表示第幅样本图像对应正类标签，表示第幅样本图像对应负类标签，表示图像数据矩阵中各幅样本图片对应第维新特征的列向量。
[0013]作为本专利技术的一种优选技术方案：所述步骤D包括如下步骤D1至步骤D2：步骤D1. 针对公式（3）中的进行求偏导数，获得模型目标函数相对于超平面参数所对应的梯度经典信息如下；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）其中，表示模型目标函数相对于超平面参数所对应第维的梯度经典信息，然后进入步骤D2；步骤D2. 根据全部样本图片维新特征向量所对应的量子态，应用量子算法，结合模型目标函数相对于超平面参数所对应的梯度经典信息，执行迭代运算，获得最优模型超平面参数，然后进入步骤E。
[0014]作为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对软间隔支持向量机的量子方法，其特征在于：按如下步骤A至步骤E，获得图像分类模型；应用图像分类模型，执行如下步骤i，针对待分类图片进行分类；步骤A. 基于已知分别对应正类标签或负类标签的各幅样本图片，分别针对各幅样本图片的维特征向量执行预处理，获得各幅样本图片的维新特征向量，其中，，表示样本图片的数量，，表示第幅样本图像的维特征向量，表示第幅样本图像的第维特征，表示第幅样本图像的维新特征向量，表示第幅样本图像的第维新特征，然后进入步骤B；步骤B. 根据软间隔支持向量机的目标函数，建立求取最优模型超平面参数的模型，然后进入步骤C；步骤C. 构建全部样本图片维新特征向量所对应的量子态，然后进入步骤D；步骤D. 根据求取最优模型超平面参数的模型、以及全部样本图片维新特征向量所对应的量子态，应用量子算法，结合模型目标函数所对应超平面参数的梯度经典信息，执行迭代运算，获得最优模型超平面参数，然后进入步骤E；步骤E. 构建获得图像分类模型为，其中，表示待分类图片的维新特征向量，表示符号函数；步骤i. 首先按步骤A中的方法，针对待分类图片的维特征向量执行预处理，获得待分类图片的维新特征向量，然后应用图像分类模型为，实现针对待分类图片的分类。2.根据权利要求1所述一种针对软间隔支持向量机的量子方法，其特征在于：所述步骤A中，分别针对各幅样本图片的维特征向量，按如下公式（1）执行预处理:
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）获得各幅样本图片的维新特征向量，其中，表示向量模长函数。3.根据权利要求1所述一种针对软间隔支持向量机的量子方法，其特征在于：所述步骤B中，根据软间隔支持向量机的目标函数，建立求取最优模型超平面参数的模型如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）其中，，表示模型超平面参数，表示模型超平面参数的第维值，表示第幅样本图像所对应的分类标签值，表示第幅样本图像对应正类标签，表示第幅样本图像对应负类标签，表示预设常数。4.根据权利要求3所述一种针对软间隔支持向量机的量子方法，其特征在于：所述步骤
C中，将图像数据矩阵、以及分类标签向量存储于量子随机存储器中，基于量子随机存储器所允许时间，执行幺正算子；行幺正算子；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（5）获得图像数据矩阵中全部列向量的量子态、图像数据矩阵中全部行向量的量子态、以及分类标签向量的量子态，其中，表示第幅样本图像所对应的分类标签值，表示第幅样本图像对应正类标签，表示第幅样本图像对应负类标签，表示图像数据矩阵中各幅样本图片对应第维新特征的列向量。5.根据权利要求4所述一种针对软间隔支持向量机的量子方法，其特征在于：所述步骤D包括如下步骤D1至步骤D2：步骤D1. 针对公式（3）中的进行求偏导数，获得模型目标函数相对于超平面参数所对应的梯度经典信息如下；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）其中，表示模型目标函数相对于超平面参数所对应第维的梯度经典信息，然后进入步骤D2；步骤D2. 根据全部样本图片维新特征向量所对应的量子态，应用量子算法，结合模型目标函数相对于超平面参数所对应的梯度经典信息，执行迭代运算，获得最优模型超平面参数，然后进入步骤E。6.根据权利要求...

【专利技术属性】
技术研发人员：秦素娟，刘海玲，张杰，高飞，温巧燕，李明柱，张胜，陈飞，陈静华，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：