[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

说明书

本发明属于量子计算领域，公开了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，模型包括：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；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，量子神经网络层用于提取量子神经网络的特征值，量子方向传播层用于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；融合单元，用于对量子模糊特征值和量子神经网络特征值进行融合。与已有模型相比，该模型在处理大数据不确定性方面具有更高的效率和准确率，不仅能利用量子计算的量子指数级存储和并行计算加速的优势，还能有效地发挥模糊逻辑处理数据不确定性和模糊性的优势。

技术领域

本发明属于量子计算领域，尤其涉及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。

背景技术

目前，近年来，虽然神经网络无论在理论研究上，还是在实际应用中都取得了突飞猛进的发展。但面对日益增长、复杂、不确定的大数据，还存在一些问题：一是随着数据量增多，神经网络需要消耗大量计算资源，导致计算时间增加；二是神经网络不能有效处理大数据所具有的不确定性问题，计算准确度会下降。

由于量子计算具有高度并行性、指数级存储容量和对经典算法的加速作用等优势，近年来受到人们的青睐。Lu提出了一种基于量子的人工神经网络(QANNs)进化算法，该算法使用量子比特作为神经网络基础，因而有着更加高效地计算效率；Patel提出基于量子的二进制神经网络学习算法，该算法利用量子概念对神经元进行更新和确定权值，相较于QANNs准确度有提高；Killoran设计并实现了连续变量结构中的变分量子电路，在神经网络中有更好的适应性。上述量子神经网络是量子计算与人工神经网络相融合的产物，旨在通过在传统神经网络中引入量子计算，以提升神经网络处理大数据的效率。

为了准确处理不确定性问题，一些学者结合神经网络和TSK模糊理论的优势，将模糊化概念与模糊推理规则引入神经网络学习中。Gopathy提出一种基于量子设计的模糊前馈网络，以模糊集的形式估计特征空间的结构，在模糊分类问题上有较好的效果；Chen将补偿的模糊推理方法和TSK模糊模型融入到量子神经网络中，提高了模型自适应性、有效性、收敛速度和正确率；SukKim提出一种基于TSK模糊模型的量子模糊神经网络，以模糊减法量子聚类算法作为模糊规则，相较于径向基函数网络有更高的准确率；Deng提出一种将模糊系统和神经网络并行融合的方法，在图像分类和数据预测方面有着不错的高效性；Patel提出一种基于c-Mean模糊聚类的量子启发神经网络模型，该模型在准确性、灵敏度都有提高。相比于传统神经网络和量子神经网络，以上述研究成果拥有更高的准确率。

通过上述分析，现有技术存在的问题及缺陷为：

(1)现有的神经网络的研究大都集中在提升效率和准确率，但这些研究成果并不能同时具有较高执行效率和准确率。

(2)随着数据量增多，神经网络需要消耗大量计算资源，导致计算时间增加。

(3)神经网络不能有效处理大数据所具有的不确定性问题，计算准确度会下降。

发明内容

针对现有技术存在的问题，本发明提供了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。

本发明是这样实现的，一种基于量子模糊神经网络模型的大数据处理方法，所述量子模糊神经网络模型(QFNN)如图1包括：

量子模糊单元(QFU)、量子神经网络单元(QNNU)和融合单元(FU)三部分；

所述量子模糊单元包括量子隶属函数层(QMFL)和模糊规则层(FRL)，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(QBPL)和量子神经网络层(QNNL)，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；