量子神經網絡辨識方法的研究.pdf

1、我們在認識和改造這個世界時，總有一些我們所無法具體描述的事物。而系統(tǒng)辨識則是能幫助我們根據測量信號來確定系統(tǒng)模型，能讓我們更好的分析事物的本質特性，系統(tǒng)辨識是聯(lián)系現實事物與數學模型的重要紐帶。
　　 隨著科技的進步，火電廠自動化程度越來越高，大容量、大機組、高參數的火電機組不斷投產運行。因此對過程控制的品質也要求更高，被控對象的特性是來確定被控對象的控制參數和設計系統(tǒng)合理性的重要基礎之一。
　　 量子神經網絡作為一門非常

2、嶄新的前沿理論知識，綜合了量子計算知識和人工神經網絡兩者的優(yōu)點。量子神經網絡作為算法時，引用了量子計算中的量子態(tài)的疊加、糾纏、干涉等量子計算的物理特性，克服因為傳統(tǒng)神經網絡的一些固有缺點所導致的達不到學習目的。
　　 本文通過對比學習傳統(tǒng)神經網絡算法，加入了量子計算理論知識提出了量子神經網絡這一新型的學習算法。量子計算和神經計算結合的根本點是神經元可以用波函數來表達，提出了解決量子計算的物理線性特性在映射成非線性系統(tǒng)的三種方法。

3、比較細致的概括了量子神經網絡這一新型算法的優(yōu)勢:存儲空間大、運算速度快、構成網絡學習的拓撲結構簡單、有消除神經網絡學習失憶的潛質等等。并且給出了量子計算與經典神經網絡的模型結合形式。包括量子BP神經網絡、量子加權神經網絡、量子自組織神經網絡，在研究這些模型的基礎上提出了三層量子神經網絡模型。應用網絡的學習方法進行建模和仿真驗證，通過函數逼近驗證QNN的學習誤差、迭代步數都比CBP要好很多。收斂率也比傳統(tǒng)神經網絡好。
　　 量子神

4、經網絡模型與傳統(tǒng)的神經網絡模型在結構上是相同的，學習模式也是相同的。提出的改進地方是:本文提出的量子神經網絡的輸入是量子比特神經元，其表達方式是實部加虛部的復數表達式，這個輸入的表達正好是符合量子計算的物理特性中的并行性。對于量子BP神經網絡模型的建立首先是建立了一元量子比特神經網絡模型，經過仿真實驗驗證了一元量子神經網絡模型可以實現傳統(tǒng)神經網絡無法實現的異或問題。通過在一元量子神經網絡的結構基礎上建立多元量子神經網絡模型，在三層神經網

5、絡模型中輸出層的權值和閾值進行非線性變換，增強了模型的非線性的學習能力。
　　 在深入研究量子神經網絡模型的建立這一基礎上，依據實際運行參數以典型熱工過程控制為研究對象，對模型進行了驗證和泛化。以對火電廠實際運行進行更好的控制作為目標，主要采用量子神經網絡辨識被控對象。先針對理論對象多輸入多輸出模型進行辨識對比發(fā)現量子神經網絡計算模型算法能降低誤差。將這一算法運用到實際的熱工過程中。在應用某電廠的負荷變化的辨識中結果同樣是優(yōu)越的