-
公开(公告)号：CN118823483A
公开(公告)日：2024-10-22
申请号：CN202411040724.9
申请日：2024-07-31
Applicant: 电子科技大学 , 喀什地区电子信息产业技术研究院
IPC: G06V10/764 , G06V10/77 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了基于混合量子神经网络的图像多分类方法、电子设备和存储介质，待处理图像为高维经典图像，方法包括图像分类步骤，包括以下子步骤：利用主成分分析对待处理图像降维；采用基于灵活的量子图像表示方式，将降维后的待处理图像编码为量子态数据；将量子态数据输入到参数化量子电路进行量子态演化，并对演化后的量子态进行测量得到量子态的期望值；将量子态的期望值输入至卷积神经网络CNN的全连接层，全连接层输出图像多分类结果；其中，全连接层的输入维度与主成分分析的降维维度匹配。本发明将混合量子神经网络与经典卷积神经网络的结合，利用CNN强大的特征提取能力，提高了分类的准确性和抗噪性。
-
公开(公告)号：CN118522343A
公开(公告)日：2024-08-20
申请号：CN202410469576.6
申请日：2024-04-18
Applicant: 电子科技大学 , 喀什地区电子信息产业技术研究院
Abstract: 本发明公开了基于小样本学习的蛋白质‑靶点亲和力预测方法、系统、存储介质及终端，属于蛋白质预测技术领域，包括：S1、蛋白质序列特征提取；S2、药物靶点SMILES码特征提取；S3、融合步骤S1和步骤S2中提取的特征数据，得到蛋白质‑靶点特征数据；S4、构建蛋白质‑靶点亲和力预测模型，并使用所述蛋白质‑靶点特征数据对所述蛋白质‑靶点亲和力预测模型进行训练；其中，将所述蛋白质‑靶点特征数据划分为训练集、验证集和测试集；训练过程中，使用验证集补充训练集的方式进行动态训练，当验证集数量降到一定阈值时，停止补充训练集；S5、将测试集数据放入已训练好的蛋白质‑靶点亲和力预测模型中，得到蛋白质‑靶点亲和力预测结果。本发明能够有效解决在蛋白质‑靶点亲和力预测过程中，因训练样本过少而造成的过拟合问题，同时可以为小样本学习问题中抵御过拟合风险提供新的视角。
-
公开(公告)号：CN116153434B
公开(公告)日：2024-07-16
申请号：CN202310273569.4
申请日：2023-03-20
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于哈密顿量编码的分子图特征提取方法、装置、存储介质及终端，包括：将药物分子的分子图通过时间演化方法转化为哈密顿量；将时间演化得到的哈密顿量映射到量子系统；根据映射后的哈密顿量构建量子处理器并测量哈密顿量的期望值；将得到的期望值输入神经网络模型，提取分子图的特征。本发明通过对药物分子的分子图直接进行特征提取，将能够极大程度地保留药物分子的特征信息；通过伊辛哈密顿量结合时间演化的方式，提高了运算速度。同时，可以构建一个专用于生物医药领域的量子数据集，能够极大地促进生物医药领域的发展。
-
公开(公告)号：CN116153434A
公开(公告)日：2023-05-23
申请号：CN202310273569.4
申请日：2023-03-20
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于哈密顿量编码的分子图特征提取方法、装置、存储介质及终端，包括：将药物分子的分子图通过时间演化方法转化为哈密顿量；将时间演化得到的哈密顿量映射到量子系统；根据映射后的哈密顿量构建量子处理器并测量哈密顿量的期望值；将得到的期望值输入神经网络模型，提取分子图的特征。本发明通过对药物分子的分子图直接进行特征提取，将能够极大程度地保留药物分子的特征信息；通过伊辛哈密顿量结合时间演化的方式，提高了运算速度。同时，可以构建一个专用于生物医药领域的量子数据集，能够极大地促进生物医药领域的发展。
-
-
-
Search Results
4
records
(took 0.03 seconds)
