-
公开(公告)号：CN112699222A
公开(公告)日：2021-04-23
申请号：CN202110019433.1
申请日：2021-01-07
Applicant: 中南大学
IPC: G06F16/33 , G06F16/35 , G06F40/216 , G06F40/289 , G06F40/30 , G06K9/62 , G06N3/04 , G06N3/08 , G06N10/00
Abstract: 本发明公开了一种基于量子启发式神经网络的文本分类方法，包括训练数据；构建初级文本分类模型；采用训练数据对初级文本分类模型进行训练得到文本分类最终模型；采用文本分类最终模型对实际文本进行分类。本发明还公开了一种包括所述基于量子启发式神经网络的文本分类方法的邮件分类方法。本发明采用量子力学中的密度矩阵表示句子级别的文本，使用投影测量确定文本极性；采用GRU提取文本语义特征，丰富词向量的语义信息，提升模型在文本分类任务中的效果；在GRU层，添加自注意力层，使模型能够关注到句子中的重要单词，降低影响分类结果的单词的权重，进一步提升模型的分类效果；因此本发明方法可靠性高、实用性好且精确度较高。
-
Patent Agency Ranking
公开(公告)号：CN111162913B
公开(公告)日：2021-05-07
申请号：CN202010001112.4
申请日：2020-01-02
Applicant: 中南大学
Abstract: 本发明公开了一种基于玻色采样随机幺正操作的仲裁量子签名方法，包括初始化阶段、签名阶段和验证阶段；初始化阶段用于制备密钥和建立通信系统；签名阶段用于选择合适的签名算法设计传输信息的签名；验证阶段用于验证签名者的有效性和原始信息的完整性和真实性。本发明在仲裁量子签名中设计传输信息的签名中采用基于玻色采样的幺正操作加密，采用基于图上的量子游走隐形传输转移m模量子态，用于隐形传输的必需纠缠态无需提前制备，公共信道和随机元组的雇用使得安全性更高，采用玻色采样模型和量子游走的隐形传输模型均已被证明可通过线性光学网络实现；因此本发明方法安全性高，节约资源且实验上易实现。
-
公开(公告)号：CN112699222B
公开(公告)日：2022-05-06
申请号：CN202110019433.1
申请日：2021-01-07
Applicant: 中南大学
IPC: G06F16/33 , G06F16/35 , G06F40/216 , G06F40/289 , G06F40/30 , G06K9/62 , G06N3/04 , G06N3/08 , G06N10/00
Abstract: 本发明公开了一种基于量子启发式神经网络的文本分类方法，包括训练数据；构建初级文本分类模型；采用训练数据对初级文本分类模型进行训练得到文本分类最终模型；采用文本分类最终模型对实际文本进行分类。本发明还公开了一种包括所述基于量子启发式神经网络的文本分类方法的邮件分类方法。本发明采用量子力学中的密度矩阵表示句子级别的文本，使用投影测量确定文本极性；采用GRU提取文本语义特征，丰富词向量的语义信息，提升模型在文本分类任务中的效果；在GRU层，添加自注意力层，使模型能够关注到句子中的重要单词，降低影响分类结果的单词的权重，进一步提升模型的分类效果；因此本发明方法可靠性高、实用性好且精确度较高。
-
公开(公告)号：CN113012066A
公开(公告)日：2021-06-22
申请号：CN202110277055.7
申请日：2021-03-15
Applicant: 中南大学
Abstract: 本发明公开了一种基于参数化玻色采样的量子线路学习方法，包括设计量子线路学习框架并准备输入态；设计参数化玻色采样量子线路；线路参数初始化；计算参数化玻色采样的酉变换并得到输出态，计算输出态中不同光子配置的概率排列组合概率分布并后处理；对比后处理的概率分布与目标概率分布并计算损失函数；根据损失函数更新线路参数；重复上述步骤得到训练后的概率分布。本发明还公开了包括所述基于参数化玻色采样的量子线路学习方法的图像模糊方法。本发明在玻色采样模型中引入参数化的结构，得到了如神经网络的参数化玻色采样模型，实现了函数拟合的功能，能够通过量子计算机对大数据时期的大量数据的处理和分析。
-
公开(公告)号：CN113012066B
公开(公告)日：2022-06-17
申请号：CN202110277055.7
申请日：2021-03-15
Applicant: 中南大学
Abstract: 本发明公开了一种基于参数化玻色采样的量子线路学习方法，包括设计量子线路学习框架并准备输入态；设计参数化玻色采样量子线路；线路参数初始化；计算参数化玻色采样的酉变换并得到输出态，计算输出态中不同光子配置的概率排列组合概率分布并后处理；对比后处理的概率分布与目标概率分布并计算损失函数；根据损失函数更新线路参数；重复上述步骤得到训练后的概率分布。本发明还公开了包括所述基于参数化玻色采样的量子线路学习方法的图像模糊方法。本发明在玻色采样模型中引入参数化的结构，得到了如神经网络的参数化玻色采样模型，实现了函数拟合的功能，能够通过量子计算机对大数据时期的大量数据的处理和分析。
-
公开(公告)号：CN111162913A
公开(公告)日：2020-05-15
申请号：CN202010001112.4
申请日：2020-01-02
Applicant: 中南大学
Abstract: 本发明公开了一种基于玻色采样随机幺正操作的仲裁量子签名方法，包括初始化阶段、签名阶段和验证阶段；初始化阶段用于制备密钥和建立通信系统；签名阶段用于选择合适的签名算法设计传输信息的签名；验证阶段用于验证签名者的有效性和原始信息的完整性和真实性。本发明在仲裁量子签名中设计传输信息的签名中采用基于玻色采样的幺正操作加密，采用基于图上的量子游走隐形传输转移m模量子态，用于隐形传输的必需纠缠态无需提前制备，公共信道和随机元组的雇用使得安全性更高，采用玻色采样模型和量子游走的隐形传输模型均已被证明可通过线性光学网络实现；因此本发明方法安全性高，节约资源且实验上易实现。
-
-
-
-
-
Search Results
6
records
(took 0.014 seconds)
