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！

龙图腾网获悉安徽工业大学申请的专利一种基于PQC的混合量子神经网络模型的图像分类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：CN119580278B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202411739801.X，技术领域涉及：G06V30/19；该发明授权一种基于PQC的混合量子神经网络模型的图像分类方法是由阮越;张军设计研发完成，并于2024-11-29向国家知识产权局提交的专利申请。

本一种基于PQC的混合量子神经网络模型的图像分类方法在说明书摘要公布了：本发明公开了一种基于PQC的混合量子神经网络模型的图像分类方法，属于量子计算技术领域。本发明在经典神经网络结构的基础上，通过参数化量子电路代替经典的卷积层，减少网络结构中可训练的参数量，并在参数化量子电路中添加设计的纠缠结构Ub，提升结构的特征捕捉能力和整个网络的学习效率。利用混合量子神经网络架构，根据给定的标签样本去设计对应的纠缠结构Ub并作用在参数化量子电路中，并使得其与经典的矩阵乘积态网络结构构成的分类模块相结合，不断提升参数化量子电路结构的特征提取能力和改善整体网络结构的性能，从而达到较好的分类效果，在测试集上进行预测来做模型性能的评估，最后再使用经典的优化方法来进行模型中参数优化和迭代更新，即可得到性能较为优越的混合量子神经网络结构。相比于已有的网络结构，在性能上得到了良好的提升。

本发明授权一种基于PQC的混合量子神经网络模型的图像分类方法在权利要求书中公布了：1.一种基于PQC的混合量子神经网络模型的图像分类方法，包括： 步骤S1:对手写体数据集进行数据预处理，将预处理后的图像数据分为训练集数据和验证集数据； 步骤S2:以参数化量子电路为基本网络架构，融合矩阵乘积态模型，建立混合量子神经网络模型； 所述混合量子神经网络模型包括： 压缩处理模块，其包括卷积层和池化层，所述卷积层用于提取输入的手写体图像的初级特征；所述池化层用于将所述卷积层提取的所述初级特征经过池化处理并转化为尺度更小的特征图； 参数化量子电路模块，其包括编码层、纠缠层和测量层，整个模块由编码层和纠缠层交错构成，并在量子电路的末端施加测量层，整个参数化量子电路模块用于对所述压缩处理模块得到的特征图进行高级特征提取； 分类模块，其包括矩阵乘积态结构,所述矩阵乘积态结构包括多个张量节点，该多个张量节点的维度用于计算输入特征值和权重参数的缩并，最终计算得到维度大小为类别数的缩并向量，用于计算出每个类的实例对应的预测概率； 步骤S3:利用所述训练集数据和所述验证集数据对所述混合量子神经网络模型进行训练，得到训练好的所述混合量子神经网络模型； 步骤S4:利用训练好的所述混合量子神经网络模型对待分类的图像数据进行分类； 步骤S3和步骤S4中，所述混合量子神经网络模型采用的参数化量子电路，其中的纠缠层Ub包含了指定的样本标签；该纠缠层提取所述的初级特征得到更高级的特征,用于量子卷积操作；该模块测量完后，其输出作为矩阵乘积态结构中的输入节点张量，随后进行矩阵乘积态网络部分的前传计算，最终执行模型的性能评估；模型的评估有两个标准：第一个是损失函数的收敛情况，其对应的数学形式如下：； 其中，代表类别的数量，是训练集样本的索引，是一个长度为的one-hot编码的真实标签向量，是模型预测后长度为的概率分布向量，每一个分量表示预测数据为类别的概率；另一个评估的标准是模型预测的准确率，其对应的数学形式如下：； 其中，表示测试集中的样本数量，是测试集样本的索引；表示对样本进行预测，并返回预测结果最大值对应的索引，表示样本的真实标签；因此，的结果为真时，表示模型对样本的预测结果与真实标签一致。

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安徽工业大学，其通讯地址为：243002 安徽省马鞍山市湖东北路400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”。

以上内容由龙图腾AI智能生成。