Исследование процессов обучения и управления с применением квантовых нейронных сетей
Введение
Сегодня, как и сто лет назад, несомненно, что мозг работает более эффективно и принципиально другим образом, чем любая вычислительная машина, созданная человеком. Именно этот факт в течение стольких лет побуждает и направляет работы ученых всего мира по созданию и исследованию искусственных нейронных сетей.
Искусственный Нейронные сети (ИНС) имеют некоторые привлекательные особенности как например параллельность распределенной обработки, ошибкоустойчивость и способность обучаться и обобщать полученные знания. Под свойством обобщения понимается способность ИНС генерировать правильные выходы для входных сигналов, которые не были учтены в процессе обучения (тренировки). Эти два свойства делают ИНС системой переработки информации, которая решает сложные многомерные задачи, непосильные другим техникам. Тем не менее ИНС также сталкиваются со многими трудностями, в том числе это отсутствие правил для детерминированных оптимальных архитектур, ограниченная вместимость памяти, занимаю
Содержание
Введение5
1. Постановка задачи7
1.1 Цель7
1.2 Исходные данные7
1.3 Исследовательская составляющая7
2. Научная составляющая9
2.1 Архитектура Квантовых Нейронных Сетей9
2.2 Почему интересны Квантовые Нейронные Сети10
2.3 Квантовый нейрон11
2.4 Построение Квантовой Нейронной Сети14
2.5 Квантовые вычисления15
2.6 Модели КНС18
2.7 Квантовое состояние и его представление19
3. Обучение КНС21
3.1 Применение Квантовых Нейронных сетей. Смысл алгоритма обучения с учителем27
3.2 Однослойный и многослойный персептроны30
3.2.1 Однослойный персептрон. Обучение30
3.2.2 Многослойный персептрон. Обучение многослойного персептрона32
3.3 Алгоритм обратного распространения «Back Propagation»34
3.4 Генетический алгоритм. Классическая задача коммивояжёра36
4. Автоматическое управление объектами41
4.1 Объект управления43
4.2 Робототехника как направление Искусственного Интеллекта45
4.2.1 Общая блок-схема робота46
4.2.2 Концептуальная модель47
4.3 Эффективное управление квантовым спиновым регистром. Криптография и квантовая телепортация51
5. Практическая часть. Примеры Квантовых Нейронных сетей56
5.1 Перевернутый маятник56
5.2 Сжатие изображения57
5.3 Кодирование алфавита60
6. Инструментарий MATLAB NEURAL NETWORK TOOL. Сеть Кохонена60
Заключение64
Список литературы66
Список литературы
1.Амбарян Т.Р. ПАРАЛЛЕЛЬНЫЕ ВЫЧИСЛЕНИЯ В НЕЙРОННЫХ И КВАНТОВЫХ СЕТЯХ // Труды СПИИРАН. Вып. 1, т. 3. - СПб: СПИИРАН, 2003.
.Noriaki Kouda, Nobuyuki Matsui, Haruhiko Nishimura, Ferdinand Peper Qubit neural network and its learning efficiency Neural Comput & Applic (2005) 14: 114-121 с 115-121
.L1 Fei, DONG Xiaoliang, ZHAO Shengmei, ZHENG Baoyu A LEARNING ALGORITHM FOR QUANTUM NEURON tCSP’04 Proceedings с 1538-1541
.NORIAKI KOUDA, NOBUYUKI MATSUI, HARUHIKO NISHIMURA, and FERDINAND PEPER An Examination of Qubit Neural Network in Controlling an Inverted Pendulum Springer 2005 с 278-284
5.Ivancevic V. G., Ivancevic T.T. Quantum neural computation. - Tokyo: Springer - Verlag. - 2009.
6.Литвинцева Л.В., Ульянов С.В., Интеллектуальные системы управления. Ч. I: Квантовые вычисления и алгоритм самоорганизации // Изв. РАН. - ТиСУ, 2009. - № 6. - С. 69 - 97.
.Макаров И. М., Лохин В. М., Манько С. В. и др. Искусственный интеллект и интеллектуальные системы управления. - М.: Наука. -2006.
.S.V. Ulyanov Quantum soft computing via robust control Part 1: Quantum optimization and quantum consciousness learning - the model background YAMAHA Motor Europe N. V. R & D Office Via Bramante, 65, 26013 CREMA(CR) , Italy
.G.G. Rigatosa, S.G. Tzafestas Quantum learning for neural associative memories Fuzzy Sets and Systems 157 (2006) 1797-1813
.M. ANDRECUT and M. K. ALI A QUANTUM PERCEPTRON International Journal of Modern Physics B, Vol. 16, No. 4 (2002) 639-645
.Massimo Panella, Member, IEEE, and Giuseppe Martinelli, Life Senior Member, IEEE Neurofuzzy Networks With Nonlinear Quantum Learning IEEE TRANSACTIONS ON FUZZY SYSTEMS, VOL. 17, NO. 3, JUNE 2009
.Gerasimos Rigatos Energy spectrum of quantum associative memories Sheraton Vancouver Wall Centre Hotel, Vancouver, BC, Canada July 16-21, 2006
.Michiharu Maeda, Masaya Suenaga, and Hiromi Miyajima A Learning Model in Qubit Neuron According to Quantum Circuit
.Noriaki Kouda, Nobuyu
Сеть Хопфилда Обучение ассоциативной памяти Ассоциативная память
Соревнование Соревнование Векторное квантование Категоризация Сжатие данных
SOM Кохонена SOM Кохонена Категоризация Анализ данных
Сети ART ART1, ART2 Категоризация
Смешанная Коррекция ошибки и соревнование Сеть RBF Алгоритм обучения RBF Классификация образов Аппроксимация функций Предсказание, управление
Обучить сеть - значит, сообщить ей, чего мы от нее добиваемся. Этот процесс очень похож на обучение ребенка алфавиту. Показав ребенку изображение буквы "А", мы спрашиваем его: "Какая это буква?" Если ответ неверен, мы сообщаем ребенку тот ответ, который мы хотели бы от него получить: "Это буква А". Ребенок запоминает этот пример вместе с верным ответом, то есть в его памяти происходят некоторые изменения в нужном направлении. Мы будем повторять процесс предъявления букв снова и снова до тех пор, когда все 33 буквы будут твердо запомнены. Т