基于量子進(jìn)化計(jì)算的數(shù)據(jù)聚類和圖像分割.pdf

1、20世紀(jì)90年代中期，量子計(jì)算(Quantum Computing，QC)的研究引起了人們廣泛的關(guān)注。借鑒量子態(tài)的疊加，糾纏和并行等特性，人們將進(jìn)化計(jì)算(EvolutionaryComputation，EC)與量子計(jì)算相融合，出現(xiàn)了一種量子進(jìn)化計(jì)算(Quantum-InspiredEvolutionary Computation，QEA)。它建立在量子態(tài)矢量表達(dá)的基礎(chǔ)上，將量子比特的概率幅表示方式應(yīng)用于染色體的編碼，使一個(gè)染色體可以表達(dá)

2、多個(gè)模態(tài)的疊加，從而比進(jìn)化計(jì)算更具有并行性。鑒于量子進(jìn)化計(jì)算的這些特性，我們針對(duì)數(shù)據(jù)聚類和圖像分割問題進(jìn)行深入的研究，并取得了較好的效果。本文的主要工作為：
　　 提出了一種基于量子進(jìn)化計(jì)算的數(shù)據(jù)聚類方法。在量子進(jìn)化計(jì)算中，用量子旋轉(zhuǎn)門來更新種群，但是旋轉(zhuǎn)角度的選擇是離散，不連續(xù)的，使問題的搜索容易陷入局部最優(yōu)。因此，本文提出了一種改進(jìn)的量子旋轉(zhuǎn)門，采用自適應(yīng)計(jì)算旋轉(zhuǎn)角度的方法，使種群能夠具有比較好的全局搜索能力，同時(shí)使種群能夠

3、跳出局部最優(yōu)，本文對(duì)旋轉(zhuǎn)后的概率幅進(jìn)行了修正。針對(duì)數(shù)據(jù)聚類問題，與改進(jìn)之前的算法及一些其他的進(jìn)化算法相比，本文方法在聚類正確率上有了很大的改善。同時(shí)，針對(duì)具有對(duì)稱分布的數(shù)據(jù)集，在統(tǒng)一采用對(duì)稱距離測度后，本文的方法也取得了較好的效果。
　　 提出了一種基于量子進(jìn)化與高斯混合模型的無監(jiān)督圖像分割算法(QEAGMM)。針對(duì)基于高斯混合模型(Gaussian Mixture Model，GMM)的圖像分割算法中，模型參數(shù)的標(biāo)準(zhǔn)訓(xùn)練方法-