Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Cấu trúc Neural Sử Dụng Trạng Thái Riêng Của Bộ Giao Thoa Lượng Tử
Tóm tắt
Kết quả chính của bài báo là việc sử dụng các đa thức Hermite chính quy làm hàm cơ sở cho các mạng nơron tiến. Các mạng nơron được đề xuất có một số đặc tính thú vị: (i) các hàm cơ sở không thay đổi khi thực hiện biến đổi Fourier, chỉ phải chịu một sự thay đổi về tỷ lệ, (ii) các hàm cơ sở là các trạng thái riêng của bộ giao thoa lượng tử, xuất phát từ nghiệm của phương trình khuếch tán Schrödinger. Các mạng nơron tiến được đưa ra cho thấy bản chất sóng-hạt của thông tin và có thể được sử dụng trong ước lượng không tham số. Các ứng dụng khả thi của các mạng nơron được đề xuất bao gồm xấp xỉ chức năng, xử lý hình ảnh và mô hình hóa hệ thống.
Từ khóa
#mạng nơron #đa thức Hermite #trạng thái riêng #giao thoa lượng tử #ước lượng không tham sốTài liệu tham khảo
C. Cohen-Tannoudji, B. Diu and F. Laloë, Mécanique Quantique I, Hermann, 1998.
W. A. Strauss, Partial Differential Equations: An Introduction, J. Wiley, 1992.
B. Kosko, Neural networks and fuzzy systems: A dynamical systems approach to machine intelligence, Prentice Hall, 1992.
D. Ventura and T. Martinez, Quantum Associative Memory, Information Sciences (Elsevier) 124, 273 (2000).
G. Resconi and A. J. Van der Waal, Morphogenic neural networks encode abstract rules by data, Information Sciences, Elsevier, 2002, pp. 249–273.
M. Perus, Multi-level Synergetic Computation in Brain, Nonlinear Phenomena in Complex Systems 4, 157 (2001).
G. G. Rigatos and S. G. Tzafestas, Parallelization of a fuzzy control algorithm using quantum computation, IEEE Transactions on Fuzzy Systems 10, 451 (2002).
G. G. Rigatos and S. G. Tzafestas, Fuzzy learning compatible with quantum mechanics postulates, Computational Intelligence and Natural Computation, CINC '03, North Carolina, 2003.
A. Refregier, I. Shapelets method for image analysis, Mon. Not. R. Astron. Soc. 338, 35 (2003).
S. Haykin, Neural Networks: A Comprehensive Foundation, McMillan, 1994.
L. Ma, and K. Khorasani, Constructive Feedforward Neural Networks Using Hermite Polynomial Activation Functions, IEEE Transactions on Neural Networks 16, 821 (2005).