-
公开(公告)号：CN113408731A
公开(公告)日：2021-09-17
申请号：CN202110683925.0
申请日：2021-06-21
Applicant: 北京计算机技术及应用研究所
Abstract: 本发明涉及一种K‑Nearst‑Neighbor量子线路实现方法，属于量子算法仿真领域。本发明结合量子线路编辑和经典KNN算法的基本思想，构造了量子KNN线路；将待检测样本放在量子计算网络第一寄存器中，训练集存入第二寄存器，并准备一位辅助位量子态|0>在第三寄存器中,通过量子受控非门、泡利门对样本和训练集进行运算，并统计Hamming距离，根据Hamming距离更改辅助量子位，对KNN类别进行测量。本发明量子信息处理表现出的并行性将是经典计算能力无法比拟的。同时，经典量子混合计算架构也符合当前量子人工智能领域的发展趋势，使得本发明具有科研前沿性和创新性。
-
公开(公告)号：CN113378373A
公开(公告)日：2021-09-10
申请号：CN202110634612.6
申请日：2021-06-08
Applicant: 北京计算机技术及应用研究所
Abstract: 本发明涉及一种图像CS中基于二进制序列族的确定性双极矩阵设计方法，属于图像处理领域。本发明根据采样信号大小的维度，设定参数，选择相应的迹生成函数；选取有限域上的一个本原域元素，应用选择的迹生成函数，可得到相应的二进制序列族，对其进行元素替代转换可得到对应的双极性序列族，将此双极性序列族的所有序列作为列向量进行排列可得到子矩阵1；选取有限域上的另一个本原域元素，重复上述过程，得到对应的双极性序列族和子矩阵2；把子矩阵1和子矩阵2以列扩展形式进行连接得到确定性双极矩阵。本发明具有高感知性能，低存储、低计算复杂度和易于硬件实现的工程实践化特征，可用于实际的压缩感知应用场景。
-
公开(公告)号：CN112132050B
公开(公告)日：2024-03-29
申请号：CN202011015320.6
申请日：2020-09-24
Applicant: 北京计算机技术及应用研究所
IPC: G06V30/32 , G06V30/19 , G06V10/82 , G06N3/0442
Abstract: 本发明涉及一种联机手写汉字识别算法及可视化关键笔画评估方法，属于模式识别技术领域。本发明提出一种局部自注意力机制，能够通过神经网络自身产生对应各个时刻隐含层状态的注意力权重，通过这种注意力机制能够有效地提升联机手写汉字的识别精度。本发明提出了一种可视化的联机手写汉字识别中关键笔画评估方法，通过自注意力机制生成的权重，将输入字符样本轨迹坐标中对识别起关键作用的笔画(轨迹点或者轨迹段)显示出来，能够更直观的评估联机手写汉字字符样本中的关键笔画，分析神经网络学习字符样本时的方式。
-
公开(公告)号：CN114462612A
公开(公告)日：2022-05-10
申请号：CN202110923716.9
申请日：2021-08-12
Applicant: 北京计算机技术及应用研究所
IPC: G06N10/40
Abstract: 本发明涉及一种基于高性能异构集群的量子计算仿真原理验证方法，属于量子计算仿真领域。本发明的主节点与客户端建立连接，获取客户端发送的量子线路信息；主节点将获得的信息分发给其它节点，然后各个节点启动GPU设备，检测可用的GPU数量；根据其量子寄存器的大小信息分配CPU端内存空间和GPU端设备内存空间，根据其寄存器初态初始化量子寄存器；将CPU端数据分发给其每个GPU设备，对GPU内存空间中缓存区数据进行初始化；根据量子线路仿真其每个量子门，对于每个量子门，仿真结束后进行线程级同步及概率幅更新，每个节点将GPU上的数据拷贝到CPU内存中，主节点返回仿真结果。本发明能有效解决量子计算仿真的瓶颈—时间和空间开销，提升仿真规模和仿真效率。
-
公开(公告)号：CN112543092A
公开(公告)日：2021-03-23
申请号：CN202011157911.7
申请日：2020-10-26
Applicant: 北京计算机技术及应用研究所
IPC: H04L9/00 , H04N19/176 , H04N19/85
Abstract: 本发明涉及一种基于图像压缩感知加密的混沌二进制序列族矩阵构造方法，其中，包括：(1)根据图像分块大小的信息维度，判断相关参数的奇偶性，选择相应的迹表示函数；(2)对步骤(1)中选择的迹表示函数，产生组成相应二进制序列族的二进制伪随机序列集合，进行数值转换得到相应的双极性序列族，从得到的双极性序列族中选出一部分序列作为列向量进行排列，得到相应的初始测量矩阵；(3)引入混沌序列对步骤(2)得到的初始测量矩阵的列向量做相应置换得到所需要的混沌二进制序列族矩阵。本发明可用于构造具有硬件友好、感知性能高和加密性质良好的压缩感知测量矩阵，实现对灰白图像和彩色图像等图像信号的压缩加密采集。
-
Patent Agency Ranking
公开(公告)号：CN114462612B
公开(公告)日：2024-08-13
申请号：CN202110923716.9
申请日：2021-08-12
Applicant: 北京计算机技术及应用研究所
IPC: G06N10/40
Abstract: 本发明涉及一种基于高性能异构集群的量子计算仿真原理验证方法，属于量子计算仿真领域。本发明的主节点与客户端建立连接，获取客户端发送的量子线路信息；主节点将获得的信息分发给其它节点，然后各个节点启动GPU设备，检测可用的GPU数量；根据其量子寄存器的大小信息分配CPU端内存空间和GPU端设备内存空间，根据其寄存器初态初始化量子寄存器；将CPU端数据分发给其每个GPU设备，对GPU内存空间中缓存区数据进行初始化；根据量子线路仿真其每个量子门，对于每个量子门，仿真结束后进行线程级同步及概率幅更新，每个节点将GPU上的数据拷贝到CPU内存中，主节点返回仿真结果。本发明能有效解决量子计算仿真的瓶颈—时间和空间开销，提升仿真规模和仿真效率。
-
公开(公告)号：CN112543092B
公开(公告)日：2024-06-28
申请号：CN202011157911.7
申请日：2020-10-26
Applicant: 北京计算机技术及应用研究所
IPC: H04L9/00 , H04N19/176 , H04N19/85
Abstract: 本发明涉及一种基于图像压缩感知加密的混沌二进制序列族矩阵构造方法，其中，包括：(1)根据图像分块大小的信息维度，判断相关参数的奇偶性，选择相应的迹表示函数；(2)对步骤(1)中选择的迹表示函数，产生组成相应二进制序列族的二进制伪随机序列集合，进行数值转换得到相应的双极性序列族，从得到的双极性序列族中选出一部分序列作为列向量进行排列，得到相应的初始测量矩阵；(3)引入混沌序列对步骤(2)得到的初始测量矩阵的列向量做相应置换得到所需要的混沌二进制序列族矩阵。本发明可用于构造具有硬件友好、感知性能高和加密性质良好的压缩感知测量矩阵，实现对灰白图像和彩色图像等图像信号的压缩加密采集。
-
公开(公告)号：CN113408731B
公开(公告)日：2023-04-07
申请号：CN202110683925.0
申请日：2021-06-21
Applicant: 北京计算机技术及应用研究所
IPC: G06N10/20 , G06F18/2413
Abstract: 本发明涉及一种K‑Nearst‑Neighbor量子线路实现方法，属于量子算法仿真领域。本发明结合量子线路编辑和经典KNN算法的基本思想，构造了量子KNN线路；将待检测样本放在量子计算网络第一寄存器中，训练集存入第二寄存器，并准备一位辅助位量子态|0>在第三寄存器中,通过量子受控非门、泡利门对样本和训练集进行运算，并统计Hamming距离，根据Hamming距离更改辅助量子位，对KNN类别进行测量。本发明量子信息处理表现出的并行性将是经典计算能力无法比拟的。同时，经典量子混合计算架构也符合当前量子人工智能领域的发展趋势，使得本发明具有科研前沿性和创新性。
-
公开(公告)号：CN112132050A
公开(公告)日：2020-12-25
申请号：CN202011015320.6
申请日：2020-09-24
Applicant: 北京计算机技术及应用研究所
Abstract: 本发明涉及一种联机手写汉字识别算法及可视化关键笔画评估方法，属于模式识别技术领域。本发明提出一种局部自注意力机制，能够通过神经网络自身产生对应各个时刻隐含层状态的注意力权重，通过这种注意力机制能够有效地提升联机手写汉字的识别精度。本发明提出了一种可视化的联机手写汉字识别中关键笔画评估方法，通过自注意力机制生成的权重，将输入字符样本轨迹坐标中对识别起关键作用的笔画(轨迹点或者轨迹段)显示出来，能够更直观的评估联机手写汉字字符样本中的关键笔画，分析神经网络学习字符样本时的方式。
-
公开(公告)号：CN112365555A
公开(公告)日：2021-02-12
申请号：CN202011157907.0
申请日：2020-10-26
Applicant: 北京计算机技术及应用研究所
IPC: G06T11/00
Abstract: 本发明涉及一种基于组稀疏正则化的全变分高能闪光照相密度反演方法包括：步骤1.对于待重建客体的每一分层图像，获取相应的投影数据和系数矩阵；步骤2.根据步骤1中的投影数据和系数矩阵，使用全变分算法对初始图像为0的数据正向投影到图像域，获得相应二维图像切片；步骤3.对全变分算法重建的相应二维图像切片的左半部分图像和右半部分图像进行加权平均，得到加权平均后的图像；步骤4.对加权平均后的图像使用组稀疏正则化模型进行正则化处理，得到正则化处理后的结果；步骤5.把正则化处理后的结果利用左右对称性恢复出原始大小的图像，并作为下一次全变分算法迭代的初始图像，返回步骤2，直到满足停止准则为止。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.034 seconds)
