买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜成都信息工程大学申请的专利基于模糊学习的量子度量学习方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117313887B 。

龙图腾网通过国家知识产权局官网在2025-05-13发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311410059.3，技术领域涉及：G06N10/60；该发明授权基于模糊学习的量子度量学习方法是由张仕斌;黄晨猗;黄源源;昌燕;闫丽丽设计研发完成，并于2023-10-27向国家知识产权局提交的专利申请。

本基于模糊学习的量子度量学习方法在说明书摘要公布了：本发明公开了一种基于模糊学习的量子度量学习方法，属于量子机器学习技术领域，包括以下步骤：获取输入特征转换为模糊集合；通过模糊组件处理模糊集合中的不确定性特征；整合原始特征和模糊信息，以减少数据中的不确定信息；将整合后的信息作为量子特征映射的输入进行量子度量学习。本发明中，通过设计的模糊组件，能够处理真实数据集中的不确定性特征，减少由于噪声等因素导致的数据不确定性和歧义，同时，还可以弥补数据预处理过程中可能遗失的部分有效信息，提高模型的鲁棒性，通过模糊组件，能够有效地抽取出高阶的潜在模糊特征，为数据的深层次信息提供了有力的补充，进一步增强了模型的识别与分类能力。

本发明授权基于模糊学习的量子度量学习方法在权利要求书中公布了：1.一种基于模糊学习的量子度量学习方法，其特征在于，包括以下步骤：获取输入特征转换为模糊集合；通过模糊组件处理模糊集合中的不确定性特征；所述模糊组件包括模糊层、不确定性度量层和信息融合层；所述模糊层用于将输入特征转换为高斯隶属函数描述的模糊集合；所述不确定性度量层用于量化特征的模糊度与不确定性之间的固有关系；所述信息融合层用于整合原始特征和模糊信息，以减少数据中的不确定信息；将整合后的信息作为量子特征映射的输入进行量子度量学习；将整合后的信息作为量子特征映射的输入进行量子度量学习具体步骤包括：使用个输入的场景的量子特征映射线路；该量子特征映射线路由个可训练层组成；在每个可训练层中，首先使用门对输入特征进行编码；然后，在每对相邻量子比特之间施加可训练的ZZ纠缠；在这种策略中，每个量子比特都与其相邻的量子比特纠缠，首尾比特也形成闭环；接着，对每个量子比特施加一个带有可训练参数旋转门；在完成所有个可训练层后，再次用门对原始输入特征进行编码；针对量子度量学习的训练过程具体包括以下步骤：输入数据：包含训练数据集，所述量子特征映射，训练周期数，批次大小，学习率和优化器；训练数据集包含对数据，其中是输入数据，是其对应的标签，所述量子特征映射，它将输入数据映射到量子域；映射的具体形式和参数由和确定；训练周期数用于确定整个训练集的遍历次数；批次大小用于确定次迭代或更新时从训练数据集中抽取的样本数量；学习率用于控制模型参数更新的步长；优化器用于根据计算的代价函数来更新模型参数；初始化过程：对量子特征映射中的参数进行初始化，初始化包括以下两个步骤：参数的随机初始化：首先，为赋予随机的初值，确保模型从多样化的状态开始学习；使用K-means方法初始化和：利用K-means方法在训练数据集上进行聚类，以此来为和赋予初值，进行参数的初始化，以匹配训练数据的分布；参数更新过程：完成了输入数据的定义和参数的初始化之后，进行模型的核心训练过程，模型的核心训练过程具体包括对参数的更新，参数更新达到预设的停止标准后，完成量子度量学习的训练；所述模型的核心训练过程参数的更新具体包括以下步骤：批次数据生成：在每个训练周期中，按照预设的批次大小从训练数据集中随机选取一个子集；模糊度与不确定度的计算：对于子集中的每个输入，分别通过所述模糊层和不确定性度量层计算其模糊度以及不确定度；量子特征映射的输入计算：基于所述模糊度与不确定度，根据所述信息融合层为子集中的每个输入计算量子特征映射的输入值；代价函数的计算：根据当前批次子集以及模型参数和，计算代价函数的值；模型参数更新：使用预设的优化器及学习率，根据计算出的代价函数更新模型参数；代价函数的计算如下： ；其中代表数据的总类别，表示第个类别量子态；代价函数的目的是最大化不同类别间量子状态在希尔伯特空间中的距离；其中，为惩罚系数，用于增强由量子特征映射在希尔伯特空间中对不同类别的分离，用于通过代价函数鼓励不同类别之间的状态有更大的距离，并确保每个类别内的状态更加紧密。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人成都信息工程大学，其通讯地址为：610000 四川省成都市西南航空港经济开发区学府路1段24号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。