Nghiên cứu và đánh giá khả năng phân loại tín hiệu âm thanh dưới nước bằng thuật toán Quantum K-Mean trên tập dữ liệu thực

Trong kỷ nguyên dữ liệu lớn, các thuật toán học máy truyền thống như K-means gặp thách thức tính toán khi xử lý các bộ dữ liệu lớn, nhiều chiều, đặc biệt là phân loại tín hiệu thủy âm. Nghiên cứu này khảo sát việc áp dụng thuật toán phân cụm lượng tử Q-means, phiên bản nâng cao lượng tử của K-means, trên bộ dữ liệu sonar thụ động thực tế. Mục đích là đánh giá hiệu quả của Q-means trong việc phân loại tín hiệu tàu chân vịt trong điều kiện nhiễu, khai thác các nguyên lý lượng tử như chồng chập và rối để đạt tăng tốc theo cấp số mũ. Nghiên cứu mở rộng K-means cổ điển sang δ-k-means để tăng tính mạnh mẽ, thực hiện các chương trình con lượng tử bao gồm ước tính khoảng cách, gán cụm và chụp cắt lớp trạng thái. Các đặc trưng được tiền xử lý từ phân tích mật độ phổ công suất của bộ dữ liệu thực tế (từ các nghiên cứu trước về tốc độ tàu thay đổi) được sử dụng làm đầu vào để tránh vấn đề với dữ liệu chuỗi thời gian thô, như chiều cao và nhạy cảm với dịch chuyển. Mô phỏng trên 15.000 mẫu cho thấy Q-means đạt chất lượng phân cụm tương đương K-means, với sự phân tách rõ ràng ba cụm và tâm cụm chính xác, đồng thời giảm độ phức tạp từ O(n) sang O(polylog(n)). Điều này xác nhận Q-means là công cụ đầy hứa hẹn cho dữ liệu thủy âm lớn, nhiễu trong các ứng dụng an ninh quốc gia, kết nối lý thuyết lượng tử với học máy thực tiễn.