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！

龙图腾网获悉西北工业大学申请的专利一种基于量子卷积神经网络的多分类器融合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：CN119397402B 。

龙图腾网通过国家知识产权局官网在2025-12-16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：202411648023.3，技术领域涉及：G06F18/2415；该发明授权一种基于量子卷积神经网络的多分类器融合方法是由邓鑫洋;薛思雨;蒋雯;耿杰设计研发完成，并于2024-11-18向国家知识产权局提交的专利申请。

本一种基于量子卷积神经网络的多分类器融合方法在说明书摘要公布了：本发明提供了一种基于量子卷积神经网络的多分类器融合方法，针对深度学习计算资源需求大的问题和针对多分类器融合效果不佳的问题，本发明基于参数化量子电路，通过考虑电路的纠缠能力和可表达能力，提出了3种具有不同卷积结构的量子卷积神经网络作为基分类器，减少所需的量子比特和训练参数，同时具有高分类准确率和一定的差异性；本发明将各基分类器的输出结果转化成证据形式，使用改进后的量子平均组合方法作为多量子分类器的融合方法，解决各基分类器间的冲突，实现多分类器融合系统的准确分类。

本发明授权一种基于量子卷积神经网络的多分类器融合方法在权利要求书中公布了：1.一种基于量子卷积神经网络的多分类器融合方法，其特征在于，包括如下步骤： 步骤S100：构建基于参数化量子电路的基分类器； 所述构建基于参数化量子电路的基分类器的步骤为： 步骤S101：构建量子态制备电路； 步骤S102：构建量子卷积神经网络； 对输入的图像，依次采用空白分割、平均池化的下采样方法进行处理； 基于参数化量子电路构建的量子卷积神经网络即为基于参数化量子电路的基分类器； 所述构建量子卷积神经网络的步骤为： 步骤S102-1：构建量子卷积滤波器； 量子卷积滤波器包括两个量子位，量子位包括含参数的单量子比特门和双量子比特门电路组合； 同一卷积层中的量子卷积滤波器的参数化量子电路相同，量子卷积滤波器即相当于CNN中的卷积核； 在量子卷积滤波器的基础上，构建#1量子卷积滤波器、#2量子卷积滤波器和#3量子卷积滤波器；量子卷积滤波器的输入为转换成量子形式的数据； #1量子卷积滤波器的结构为： 转换成量子形式的数据输入到两个量子比特和上，将、和受控非门CNOT作用到和上，构成一个基本单元；将四个串联，组成1#量子卷积滤波器；为x旋转门，为y旋转门；的初始值为随机值；的初始值为随机值； #2量子卷积滤波器的结构为： 转换成量子形式的数据输入到两个量子比特和上，将门、受控Z门和作用到和上，构成一个基本单元；将四个串联，组成2#量子卷积滤波器；门为Hadamard门； #3量子卷积滤波器的结构为：3个和1个依次串联组成量子卷积滤波器； 步骤S102-2：构建量子池化结构； 量子池化结构为双量子位门电路，双量子位门电路由一个CNOT门构成，不包含自由参数，将量子池化结构用表示； 步骤S102-3：构建量子卷积神经网络； 基于参数化量子电路的卷积神经网络包括量子态制备电路、第一卷积层、第一池化层、第二卷积层和第二池化层和，池化层的量子池化电路具有相同的结构和参数； 第一卷积层包含四个相同的量子卷积滤波器； 第一池化层包含两个； 第二卷积层包含一个量子卷积滤波器； 第二池化层包含一个； 基于#1量子卷积滤波器的量子卷积神经网络为BC-QCNN1； 基于#2量子卷积滤波器的量子卷积神经网络为BC-QCNN2； 基于#3量子卷积滤波器的量子卷积神经网络为BC-QCNN3； 步骤S200：基于改进的量子平均方法，对多个基分类器融合； 步骤S201：构建基分类器对应的证据形式； 步骤S202：基于改进量子平均方法融合多个基分类器； 利用改进量子平均方法获得最优相位参数，建立证据的量子模型； 基于基分类器得到的证据形式，和，建立的量子模型，建立的量子模型，建立的量子模型，、和分别具有不同的约束条件；根据改进后的量子平均组合方法对，和进行融合，得到融合后证据的量子模型为；经过量子测量运算后，量子态分别以相应的概率坍缩到不同类别，即，，并由此判断图像所属类别。

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西北工业大学，其通讯地址为：710072 陕西省西安市友谊西路127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。