控制理论与应用

作者：窦通,周振威,刘涛,汪凯蔚,汪皓,崔巍

单位：华南理工大学,工业和信息化部电子第五研究所,鸿富锦精密电子(烟台)有限公司,工业和信息化部电子第五研究所,华南理工大学,华南理工大学

关键词：量子计算; 变分量子算法; 量子自编码器; 无监督学习; 异常检测

基金：国家自然科学基金项目(61801124, 61873317), 电子元器件可靠性物理及其应用技术重点实验室开放基金项目(19D08)资助.

量子神经网络由于结合了量子计算和神经网络的优点, 近年来受到了广泛的关注. 然而由于目前量子计算资源受限(如量子比特数、量子逻辑门的保真度等)以及贫瘠高原现象(量子神经网络优化过程中解空间变得平坦时出现的训练困难)的存在, 量子神经网络当前还难以大规模训练. 针对上述问题, 本文面向量子–经典混合神经网络模型提出了一种基于无监督学习的特征提取方法. 所采用的无监督学习方法结合了量子自编码器和K-medoids聚类方法, 可用于多层次结构的特征学习. 该方法创新地利用了K-mediods方法对训练得到的量子自编码器进行聚类, 以最大化量子自编码器性质的差异. 进一步, 本文在轴承异常检测问题上, 通过实验验证了所提出的无监督特征提取方法的有效性和实用性, 测试集准确率在二分类、四分类和十分类分别达到100%, 89.6%和81.6%.

来源：2021年第11期

《控制理论与应用》期刊编辑部

查看控制理论与应用杂志2021年第11期