量子计算智能技术及其应用研究

论文摘要

量子计算由于其具有并行性、指数级存储容量和指数加速等特征已成为当今世界各国紧密跟踪的前沿学科之一。将量子计算融入到计算智能技术中,形成量子计算智能技术,为计算智能的进一步研究另辟蹊径。为此,开展量子计算智能技术的研究具有重要的理论价值和应用价值。本论文主要解决传统计算智能中的一些关键问题,如神经计算模型的最优化、粒子群进化算法的全局收敛性等,重点研究量子计算智能中的关键技术以及其应用,具体研究内容和创新工作如下:（1）量子神经网络（QNN）技术研究。首先描述一种新型神经元——量子神经元模型,并分析讨论该神经元的逻辑运算功能及其非线性特性,进一步阐明使用QNN进行信号处理具有比神经网络规模小、网络拓扑结构简单等优点。提出了量子LM神经网络及其学习算法,通过分类Iris数据库的仿真,结果表明其优越于传统LM算法,分类效果显著。（2）量子进化计算技术研究。从理论上推导和分析量子粒子群优化算法（QPSO）,通过三种典型函数优化,验证其全局收敛性,仿真表明其收敛速度快,种群多样性好,能有效克服早熟现象,优越于BPSO算法和GA算法。为克服QPSO在处理离散数据方面的不足,提出了一种新的量子离散PSO算法（QDPSO）,并将其优化机理应用于CDMA多用户检测的寻优过程,设计出基于QDPSO的多用户检测系统模型,仿真对比分析表明此模型在抗多址干扰和抗远近效应方面具有很好的特性。（3）基于QPSO的LS-SVM技术研究。为了避免LS-SVM算法中存在的矩阵求逆问题,提出一种改进的LS-SVM算法,主要利用QPSO算法对LS-SVM算法中线性方程组进行迭代优化求解,典例仿真表明了该方法的可行性和有效性。进而设计了一种基于改进LS-SVM的气层识别模型,即先采用粗糙集方法对样本信息进行属性约简,然后采用所提出的基于QPSO的LS-SVM技术进行建模和识别。通过对中国某气田一关键井的实际资料处理表明其气层识别精度高、应用效果显著。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• §1-1 选题背景和意义
• §1-2 量子计算智能技术的研究概况
• 1-2-1 基于量子特性的优化算法
• 1-2-2 基于量子染色体的进化算法
• 1-2-3 量子人工神经网络
• 1-2-4 量子聚类算法
• 1-2-5 量子小波与小波包算法
• 1-2-6 量子退火算法
• §1-3 量子计算智能技术的应用现状
• §1-4 本文主要研究工作和论文结构安排
• 第二章 量子计算智能技术研究
• §2-1 量子计算基本原理
• 2-1-1 量子比特
• 2-1-2 量子叠加态
• 2-1-3 量子逻辑门
• §2-2 量子神经网络及仿真分析
• 2-2-1 量子神经元及其特性
• 2-2-2 量子LM 网络
• 2-2-3 典例仿真与对比分析
• §2-3 量子粒子群优化算法及仿真分析
• 2-3-1 QPSO 算法
• 2-3-2 QDPSO 算法
• 2-3-3 典例仿真与对比分析
• §2-4 基于QPSO 的LS-SVM 及仿真分析
• 2-4-1 基本LS-SVM 原理
• 2-4-2 基于QPSO 的LS-SVM
• 2-4-3 典例仿真与对比分析
• §2-5 本章小结
• 第三章 基于 QDPSO 的 CDMA 多用户检测技术
• §3-1 多用户检测问题描述
• §3-2 基于QDPSO 的多用户检测模型设计
• §3-3 各模块参数设置
• 3-3-1 用户信息序列的选择
• 3-3-2 扩频码序列的选择
• 3-3-3 信道的选择
• §3-4 仿真试验与对比分析
• 3-4-1 性能指标
• 3-4-2 仿真试验
• 3-4-3 对比分析
• §3-5 本章小结
• 第四章 基于 QPSO 算法的 LS-SVM 气层识别技术
• §4-1 气层识别问题描述
• §4-2 气层识别模型设计
• §4-3 基于粗糙集的样本信息处理
• 4-3-1 样本信息选取与预处理
• 4-3-2 属性离散化和泛化
• 4-3-3 样本信息属性约简
• 4-3-4 迭代寻优训练
• §4-4 实际应用
• §4-5 本章小结
• 结论
• 参考文献
• 致谢
• 攻读学位期间所取得的相关科研成果