基于量子卷积神经网络的双观测测量图像分类算法
徐静
南京信息工程大学 南京 210044
摘要：为了解决经典的卷积神经网络在图像分类方面存在的内存和分类精度方面的问题,提出了一种基于量子卷积神经网络的双观测测量图像分类算法模型.首先,使用平均池化降采样策略来降低每张图像的维数,并设计了一个高表达能力的强纠缠参数化量子电路来替代传统的卷积层,对输入图像信息进行关键特征的提取.除此之外,还采用了双观测测量策略,从量子系统中获取足够的隐藏信息.实验结果表明,所提算法优于经典的卷积神经网络和量子神经网络,在MNIST多分类数据集上表现较优,尤其是在数据子集{0,1}中,准确率达到了100%.
关键词：量子机器学习混合量子经典算法量子卷积神经网络双观测测量策略图像分类
分类号：TP391(计算技术、计算机技术)
论文发表日期：2025-11-20
在线出版日期：2026-01-28（本平台首次上网日期，不代表文献的发表时间）
页数：6( 3252-3257 )
英文信息