专利交易市场

本发明属于抵抗量子噪声干扰技术领域，公开了一种基于量子随机罢黜的抵抗量子噪声干扰方法及系统，本发明针对以往量子‑经典混合神经网络缺少对量子噪声的考虑以及在量子噪声的干扰下，大规模量子线路，比如量子卷积神经网络在图像识别分类的准确度上严重下降等问题，设计了一种新的实验环境，即利用经典计算机模拟含噪声的量子电路。这使得在经典计算机环境下的量子神经网络模型与真实量子设备环境下实验的结果基本一致，实验结果更具有实际意义，其次在量子计算机上运行的算法同样可以在经典计算机上进行模拟，大大降低了实验的成本。

本发明公开了一种基于模糊学习的量子度量学习方法，属于量子机器学习技术领域，包括以下步骤：获取输入特征转换为模糊集合；通过模糊组件处理模糊集合中的不确定性特征；整合原始特征和模糊信息，以减少数据中的不确定信息；将整合后的信息作为量子特征映射的输入进行量子度量学习。本发明中，通过设计的模糊组件，能够处理真实数据集中的不确定性特征，减少由于噪声等因素导致的数据不确定性和歧义，同时，还可以弥补数据预处理过程中可能遗失的部分有效信息，提高模型的鲁棒性，通过模糊组件，能够有效地抽取出高阶的潜在模糊特征，为数据的深层次信息提供了有力的补充，进一步增强了模型的识别与分类能力。

本发明公开了一种基于混合量子经典极深因子分解机的点击率预测方法，包括以下步骤：（1）获取开源数据集并进行预处理，划分训练集、测试集；（2）构建新型混合量子经典极深因子分解机HQCxDeepFM模型，并利用预处理后的数据集进行训练；（3）利用sigmoid激活函数得到最终的预估结果；本发明提升CTR模型的计算能力并降低模型复杂度，同时提高CTR预测性能。

本发明公开了基于NEQR表达的量子FAST角点检测方法，包括以下步骤：S1、制备中心图像和辅助图像的NEQR表达式；S2、设计量子可逆减法器和求绝对值的量子线路，计算获得中心图像和辅助图像的像素差值；S3、设计量子比较器线路，使步骤S2获得的像素差值与图像角点所需要的阈值进行比较；S4、通过量子测量提取比较结果和中心图像的位置信息，并将其制备到步骤S1的NEQR表达式中；S5、设计角点检测的量子线路，基于步骤S4制备的NEQR表达式获得角点图像表达式；S6、对S5的量子线路进行测量，得到图像中的灰度信息与位置信息，并将其转化为经典图像信息。本发明通过NEQR量子制备方式将图像信息制备到量子线路中，能够降低图像处理损耗时间。