量子衍生神经网络模型算法及应用研究
本论文主要研究量子衍生神经网络模型的构造、算法设计,以及在油田测井解释涉及到的水淹层预测中的具体应用.根据量子衍生神经网络模型的构造方法,提出一种量子神经网络模型,该模型的各维输入均为离散序列.其结构分为三层,量子神经元作为隐层,普通神经元作为输出层.量子旋转门与多位受控非门构成了量子神经元,通过多位受控非门中目标量子位的输出反馈给输入端,从而整体记忆输入序列,利用受控非门输出中多位量子比特的纠缠获得量子神经元的输出.在模型的训练算法方面,基于量子计算理论并融合现有的L-M算法,设计了该模型的学习算法.该算法通过宽度和深度这两种因素来获取输入序列的特征.经过仿真结果实验得知,当满足序列长度和输入节点数的特定关系时,该算法与普通神经网络相比,具有巨大的优势.为进一步提高该模型的收敛能力,将量子计算和进化算法相结合,提出了一种基于Bloch球面搜索的量子衍生进化算法,该算法首先用量子位描述个体,用泡利矩阵建立旋转轴,用量子位在Bloch球面上的绕轴旋转实现进化搜索,然后用Hadamard门实现个体变异,以避免早熟收敛.这种旋转可使当前量子位沿着Bloch球面上的大圆逼近目标量子位,从而可加速优化进程.将该算法应用于量子衍生神经网络的训练,结果表明该方法优于L-M算法和粒子群算法.最后将提出的模型算法应用于油田测井水淹层识别,验证了提出方法的优越性.
- 作者：
- 施光尧
- 学位授予单位：
- 东北石油大学
- 专业名称：
- 石油工程计算技术
- 授予学位：
- 硕士
- 学位年度：
- 2015年
- 导师姓名：
- 李盼池
- 中图分类号：
- TP183
- 关键词：
- 量子计算；量子衍生神经元；量子衍生神经网络；量子衍生进化算法；算法设计；水淹层识别
- quantum compution； quantum-inspired neuron； quantum-inspired neural network； quantum-inspired evolutionary algorithm； algorithm design； water flooded layer identification