专利交易市场

一种基于权重更新的社交网络信任度学习方法，包括以下步骤：S1：导入网络；S2：选取智慧节点，假设整个网络有且仅有1个智慧节点；S3：初始化权重，在网络中每条有向连边权重都分配一个固定常数；S4：通过基于级联信息传播的学习方法，不断更新权重，使权重达到平稳状态；S5计算网络信息过滤能力指标。本发明提供一种基于权重更新的社交网络信任度学习方法，能够模拟人与人之间的信任度随着时间的推移而发生的变化。通过特定的学习方法使得已具有信息过滤能力的原始网络权重达到平稳状态，变得更加智能。

本发明公开了一种量子线路近邻化二维网格形态选择方法，具体步骤如下：设量子线路的量子位数为n，设网格的行数和列数分别为m1和m2，取n为定值；遍历所有满足公式1的m1，m2的值，即n、m1、m2需要满足以下关系：公式1为n≤m1×m2≤2n且|m1‑m2|≤1；在所有的m1和m2中，判断垃圾量子位的个数gn，即gn＝m1×m2‑n，在满足公式1的前提下，使用迭代搜索，优先选择垃圾量子位个数最少的网格作为下一阶段操作的参数；取所述步骤C中垃圾量子位个数gn最小的m1、m2的值并输出。本发明利用垃圾量子位的个数来确定网格形态，从而有效地减少交换门个数以及量子线路近邻化过程中的所需代价,同时也减少了整体运算的时间成本。

一种基于量子叠加态的量子加法器设计方法，包括量子全加器和复位器、量子半加器和复位器的设计方法，以及由量子半加器、量子全加器和复位器构成n位量子加法器的设计方法，最后利用设计好的加法器实现基于量子叠加态的加法运算。本发明体现了量子信息处理在信号处理的高效性：只需14n-13个基本操作就可实现2m个n位整数加法运算，而用经典计算机实现相应的加法运算需要O(n2m)基本操作。本发明的另外一个优点是设计了复位器，使得参与运算的辅助量子基态与保存加法运算结果量子态不会纠缠在一起。摘要附图为本发明n量子比特的量子加法器的量子线路图。

本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括：获取第一样本图像以及与第一样本图像关联的标注信息，标注信息用于指示第一样本图像包括的至少一个目标区域的位置；从至少一个目标区域中选取目标区域；获取所选取的目标区域的尺寸；根据所获取的尺寸确定对第一样本图像执行缩放操作的缩放比例；根据缩放比例缩放第一样本图像得到第二样本图像；根据与第一样本图像关联的标注信息以及缩放比例生成与第二样本图像关联的标注信息。该实施方式提供了一种基于尺寸变化的信息生成机制，丰富了信息生成的方法。