[发明专利]一种基于量子模糊神经网络模型的大数据处理方法及系统

权利要求书

1.一种基于量子模糊神经网络模型的大数据处理方法，其特征在于，所述量子模糊神经网络模型包括：

量子模糊单元、量子神经网络单元和融合单元三部分；

所述量子模糊单元包括量子隶属函数层和模糊规则层，用于计算隶属度并生成量子模糊特征值；

所述量子神经网络单元，包括量子反向传播层和量子神经网络层，所述量子神经网络层用于提取量子神经网络的特征值；

所述融合单元，用于量子模糊特征值和量子神经网络特征值进行融合后输出值；

所述量子方向传播层，用于对输出值和输入数据的标签值进行训练。

2.如权利要求1所述基于量子模糊神经网络模型的大数据处理方法，其特征在于，所述基于量子模糊神经网络模型的大数据处理方法的具体过程包括：

步骤一，对输入到网络模型的数据进行预处理，产生if-then量子规则，将数据并行输入到所述量子模糊单元和所述量子神经网络单元；

步骤二，数据输入到所述量子模糊单元时，先进入所述量子隶属函数层，利用量子隶属度算法计算出隶属度并输入到所述量子规则层，生成量子模糊特征值并输入融合单元中；数据输入到所述量子神经网络单元后，进入量子神经网络层生成量子神经网络特征值，并输入到所述融合单元；

步骤三，所述融合单元将量子模糊特征值和量子神经网络特征值进行融合后，输出值，并将输出值和输入数据的标签值输入到量子方向传播层中进行训练；

步骤四，在量子方向传播层中，利用量子模糊梯度计算算法计算出梯度，对量子神经网络层的参数进行更新。

3.如权利要求2所述基于量子模糊神经网络模型的大数据处理方法，其特征在于，所述步骤一中if-then量子规则是基于TSK模糊规则[X]和量子叠加态的性质，再根据K-means聚类算法和专家意见生成的，假设一个输入数据集中有n个输入变量x_j(j＝0,1,2,…,n-1)，生成if-then量子规则Rⁱ()为：

式中，bⁱ是利用K-means算法生成的类簇中心点，代表第i个量子规则的第j个分量值，当i≠n时，满足归一化要求，a_n是偏置项。

4.如权利要求2所述基于量子模糊神经网络模型的大数据处理方法，其特征在于，所述步骤二中量子隶属函数层的具体处理过程为：

利用量子隶属度算法计算出隶属度，所述隶属度将数据预处理得到的if-then规则进行模糊化操作，输入数据x和if-then量子规则中bⁱ的余弦相似度的平方作为x对于if-then量子规则的隶属度，将x和bⁱ都内积平方作为它们之间隶属度，所述隶属度地表达为：

5.如权利要求4所述基于量子模糊神经网络模型的大数据处理方法，其特征在于，所述量子隶属度算法通过量子计算来计算内积平方，算法的输出为(x,b¹)²记为m(x,bⁱ)，所述量子隶属度算法包括U_x和两个部分：经过第一部分U_x后量子态为经过第二部分后量子态为最后经过受控非门和测量辅助量子比特得到输出值(x,b¹)²；

所述(x,b¹)²的计算过程包括如下步骤：

第一部分的初始态为经过U_x和编码矩阵得到和

式中，是辅助量子比特，所述是的共轭酉矩阵，U_x和量子化后的量子态为

x和bⁱ内积量子态的表达为：

所述内积量子态经过多控制比特的受控非门后的结果如下：

最后，对辅助位进行测量出的概率作为输出值，输出值就是(x,b¹)²。