【技术实现步骤摘要】
本专利技术涉及深度学习领域以及量子随机数领域，特别涉及量子信息技术中量子随机数随机性检验领域。
技术介绍
1、经典随机数算法由计算机生成，通过使用确定性算法对设定好的随机种子进行拓展得到，具有较长的周期性，由于算法的确定性导致其可以被预测。量子随机数产生器基于物理现象生成，具有真正的随机性，不存在周期且无法被预测。由于目前没有对随机性的严格定义，人们使用的随机性测试仍然是由确定性算法构成的，如diehard和nist-sts。它们可以非常有效地评估算法的随机性，而其目的是估计伪随机算法生成的随机性是否满足一定的统计分布和应用。然而，受限于模式识别与数据分析能力，这些传统随机性测试在伪随机数评估中表现出了不足，例如一些伪随机算法中存在微弱且固有的模式，但由于其具有良好的统计特性，却能够通过多项统计测试标准。因此，传统的测试方法不足以客观地理解理想随机性并优化随机序列的生成，尤其是对于基于量子力学原理生成的随机序列。即使设备独立(di)方法可以量化“量子”，仍然没有有效的方法来区分量子物理过程和其他过程产生的随机数。基于普遍逼近定理，通过训练神经网络模拟伪随机序列算法的特性，可以从理论上识别伪随机序列。
2、针对量子随机数和经典随机数的评估差异难题，本研究提出利用基于神经网络的深度学习预测方法，根据经典算法随机数的统计特性尝试推断经典随机算法的规律，通过对量子随机数进行预测来进一步理解量子随机序列的随机性及量子力学的不确定性，弥补现有随机数统计检验包的评估能力受限的不足。
技术实现思路
1、(1)要解决的技术问题
2、基于上述所述，本专利技术提出了一种基于深度学习的随机性检验方法，通过使用基于神经网络的随机数预测系统对待检验的随机数进行预测，解决了传统随机性测试模式识别与数据分析能力差，无法有效区分伪随机数和真随机数的问题。
3、(2)技术方案
4、本专利技术的一种基于深度学习的随机性检验方法通过以下步骤实现：
5、步骤1：使用线性同余算法和梅森旋转算法分别产生随机数数据，并为神经网络训练过程及验证过程制作相应的训练数据集和验证数据集，计算预测下一位随机数的先验概率pf。
6、步骤2：搭建基于神经网络的随机数预测系统，通过使用步骤1中的训练数据集对随机数预测系统进行训练，保存训练效果最好的神经网络模型，并使用训练好的模型对步骤1中的验证数据集进行验证，得到实际预测下一位随机数的预测正确率pt。
7、步骤3：根据步骤1中的数据集的结构计算3σ标准，并根据步骤2中得到的pt以及pt是否超过3σ标准来评估随机数预测系统性能。
8、步骤4：在步骤3验证随机数预测系统的可行性后，为量子随机数制作训练数据集和验证数据集，并对量子随机数进行步骤2以及步骤3的操作，判断预测量子随机数的可行性。
9、与现有技术相比，本专利技术具有以下有益效果：相对于传统测试组件，使用基于深度学习的随机性检验方法在数据挖掘以及模式识别方面更具有优势，能够有效的挖掘伪随机序列内部存在的微弱且固有的模式；并且针对随机序列为时间序列的特点，选用了在时间序列预测方向更具有优势的长短期记忆网络，并针对长短期记忆网络存在遗忘长时间序列信息的问题，加入了attention机制，能够更有效的挖掘复杂的伪随机序列内部存在的联系。
本文档来自技高网...【技术保护点】
1.一种利用基于神经网络的深度学习检验随机性的方法，其特征在于：
2.根据权力1所述的利用基于神经网络的深度学习检验随机性的方法，其特征在于，所述的系统中，主干网络是由编码层、LSTM神经网络模型和Attention机制组成的。
3.根据权力2所述的用基于神经网络的深度学习检验随机性的方法，其特征在于，所述的系统中，编码层用于将多位随机序列合并作为输入，提高单次输入的信息量，LSTM神经网络模型用于提取随机数序列的时间特征信息，Attention机制用于解决LSTM存在的长时间依赖丢失信息的问题。
4.根据权力3所述的用基于神经网络的深度学习检验随机性的方法，其特征在于，所述方法对比相关工作，仅仅考虑了LSTM神经网络可解决梯度爆炸、梯度消失的问题，并没有考虑到LSTM在时间序列过长时存在的长时间依赖消失导致丢失信息的问题，我们在其中增加的Attention机制可以帮助网络在每一时刻输出时回顾历史输出，加强了LSTM网络记忆历史信息的能力，一定程度上解决了LSTM存在的长时间依赖丢失信息的问题。
5.根据权力3所述的用基于神经网络的
...【技术特征摘要】
1.一种利用基于神经网络的深度学习检验随机性的方法，其特征在于：
2.根据权力1所述的利用基于神经网络的深度学习检验随机性的方法，其特征在于，所述的系统中，主干网络是由编码层、lstm神经网络模型和attention机制组成的。
3.根据权力2所述的用基于神经网络的深度学习检验随机性的方法，其特征在于，所述的系统中，编码层用于将多位随机序列合并作为输入，提高单次输入的信息量，lstm神经网络模型用于提取随机数序列的时间特征信息，attention机制用于解决lstm存在的长时间依赖丢失信息的问题。
4.根据权力3所述的用基于神经网络的深度学习检验随机...
【专利技术属性】
技术研发人员：王翔宇，游梓欣，陈子扬，徐兵杰，喻松，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。