[发明专利]一种采用优化初始权重的量子神经网络压缩计算全息图的方法

摘要

本发明提出了一种采用优化初始权重的量子神经网络压缩计算全息图的方法，属于计算全息图的压缩传输技术领域。该方法在量子BP神经网络压缩传输计算全息图的基础上，利用计算全息图训练集合预训练获取量子BP神经网络优化初始权重，通过设置预训练的参数随机初始化方差来加速预训练网络的收敛过程，再针对给定的全息压缩数据利用预训练获得的优化初始权重进行二次网络微调训练，同时在优化过程中动态调整网络学习速率以加速量子BP神经网络压缩传输过程。本发明在不改变原有量子BP神经网络的基础结构上能够使用更少的迭代次数完成压缩传输网络结构的训练，加快了量子BP神经网络对计算全息图的压缩速度并可以保证全息图再现像的质量。

主权项

1.一种采用优化初始权重的量子神经网络压缩计算全息图的方法，具体步骤如下：1)选择普通图像数据集进行归一化预处理，根据菲涅耳离轴全息原理生成菲涅耳离轴计算全息图训练集合；2)利用量子神经元构建一个三层的量子神经网络，包含输入层、隐含层与输出层，同层神经元之间无连接，层与层之间各个量子神经元实现相互连接；3)对步骤2)中构建的量子BP神经网络通过设置零均值的均匀分布对各网络参数进行初始化，将步骤1)制作完成的菲涅耳计算全息图训练集合中每一幅全息图像分割成多个非重叠且大小相同的像素块并转换为一维向量，作为步骤2)中构建的量子BP神经网络的输入进行预训练，获得预训练的网络模型；4)将待压缩的计算全息图分割成多个非重叠且大小相同的像素块并转换为一维向量，在步骤3)获得的预训练网络模型上进行二次训练，直到网络输出误差满足设定值获得最终压缩网络，利用该网络对待压缩的计算全息图进行压缩传输与解压缩。