基于量子模糊神經(jīng)網(wǎng)絡的量子認知圖構建.pdf

1、由于量子信號處理具有并行化的特性，因此成為了量子計算在信號處理領域中新興的處理思路?，F(xiàn)階段科研工作者不斷的分析量子信息學和量子計算理論中的概念和原理，一方面尋找新的交叉模型，另一方面將這些新興的模型應用到具體的工作和實際中去，使得量子信號處理的應用領域更加廣泛。在認知圖的模型中，概念間的因果關系要么局限于確定性的表示，要么局限于定性的概率表示，而且，由于專家知識表達的主觀性以及問題的復雜性，有較大可能造成系統(tǒng)建模不合理，所以對多專家知識

2、使用方法進行分析，在模糊認知圖（Fuzzy Cognitive Map，F(xiàn)CM）中引入量子態(tài)疊加的概念對模型進行改進，提出量子認知圖(Quantum Cognitive Map，QCM)模型，用于分析概念間的因果關系影響程度，并給出數(shù)學度量。本文重點研究了量子認知圖的構建方法與訓練算法，其主要的創(chuàng)新點如下：
　　 ⑴引入概率的概率幅（量子態(tài)）的概念構造量子概念元（Quantum Concept，QC）模型。量子概念元模型不但可以

3、保存概念節(jié)點中所有的狀態(tài)，而且其態(tài)疊加的表達方式使得直接以數(shù)值形式計算量子概念元之間的因果影響程度成為可能。
　　 ⑵將量子概念元替換模糊認知圖中的概念節(jié)點，構造一種新的模糊認知圖模型----量子認知圖模型。在QCM模型中，用互函數(shù)（Mutual Subsethood）數(shù)值度量概念間的因果關系的影響程度，減少對專家知識的過度依賴，使模型中概念節(jié)點的因果關系描述更加準確。
　　 ⑶量子模糊神經(jīng)網(wǎng)絡（Quantum Fuzz

4、y Neural Network，QFNN）模型的節(jié)點與量子概念元模型非常相似，將QFNN的訓練算法映射到QCM 推理算法中。QCM的推理過程主要包括調(diào)整模糊事件之間因果關系影響的概率和動態(tài)更新QFNN的連接權重，這樣QCM模型可以綜合的分析因果推理過程。量子認知圖模型在繼承了FCM 優(yōu)點的同時，還自然擴展了FCM 因果影響程度模擬關系的能力，增強了認知圖（Cognitive Map，CM）的語義信息和模擬能力。這個模型可以保存更多的系