-
题名基于量子奇异值估计的岭回归算法
- 1
-
-
作者
陈康炯
郭躬德
林崧
-
机构
福建师范大学光电与信息工程学院
福建师范大学计算机与网络空间安全学院
-
出处
《量子电子学报》
CAS
CSCD
北大核心
2024年第5期780-792,共13页
-
基金
国家自然科学基金(62171131,61976053,61772134)
福建省高等学校新世纪优秀人才支持计划
福建省自然科学基金(2022J01186)。
-
文摘
作为一种有监督学习算法,岭回归算法有着十分广泛的使用。本工作将量子奇异值估计与经典岭回归算法相结合,提出了一种量子岭回归算法。该算法利用量子计算的并行特性,实现了对岭回归拟合参数的求解以及预测值的获取。复杂度分析表明,所提算法有效解决了数据矩阵为非厄米矩阵时需要进行矩阵拓展或者矩阵运算的问题,与经典算法相比在运行时间上具有指数级加速。此外,本工作还给出了所提算法的量子电路图并对其关键步骤进行了仿真实验,实验结果验证了所提算法的有效性和可行性。
-
关键词
量子计算
量子岭回归
量子奇异值估计
量子幅度估计
-
Keywords
quantum computing
quantum ridge regression
quantum singular value estimation
quantum amplitude estimation
-
分类号
TP319
[自动化与计算机技术—计算机软件与理论]
-
-
题名相关信道下一种新的发射天线选择算法
被引量：1
- 2
-
-
作者
郝燕玲
支红红
王伟
-
机构
哈尔滨工程大学自动化学院
-
出处
《宇航学报》
EI
CAS
CSCD
北大核心
2011年第10期2260-2265,共6页
-
基金
国家自然科学基金(60704018)
-
文摘
现有的天线选择算法大多都是假设信道是独立同分布的,而实际的信道是相关的。针对这一问题,本文在研究盖尔圆算法的基础上,提出了一种新的用于相关信道的低复杂度天线选择算法。算法利用奇异值估计方法给出最小奇异值的下界,通过递增的方法,选择使信道矩阵最小奇异值的下界最大的列从而提高最小奇异值,使得容量最大化并得到较好的误码性能。理论分析与仿真结果表明,该算法在射频链路较少时具有很低的复杂度,同时容量和误码性能优于随机选择算法,接近最优选择算法。
-
关键词
多输入多输出
相关信道
天线选择
信道容量
奇异值估计
-
Keywords
MIMO
Correlated channel
Antenna selection
Channel capacity
Singular value estimation
-
分类号
TN929.5
[电子电信—通信与信息系统]
-
-
题名相关信道下低复杂度的发射天线选择算法
被引量：3
- 3
-
-
作者
徐立勤
季玉洁
-
机构
南京邮电大学电子科学与工程学院
-
出处
《南京邮电大学学报（自然科学版）》
北大核心
2013年第3期70-74,共5页
-
基金
国家重点基础研究发展计划(973计划)(2007CB310603)资助项目
-
文摘
文中借助于矩阵奇异值最小下界的估计方法,提出了一种基于盖尔圆算法的天线选择新算法。该算法的关键就是在选择天线的每次迭代过程中,采用的是选择使信道矩阵最小奇异值下界最大的列。该算法在减小天线间的相关性的同时,也使得所优化的系统的容量最大化以及误码率最小化。仿真结果表明,该算法不仅降低了计算复杂度,而且所得到的信道容量明显优于随机选择算法和小幅度高于盖尔圆算法。
-
关键词
MIMO
相关信道
天线选择算法
奇异值下界估计
-
Keywords
MIMO
correlated channel
antenna selection algorithm
singular value estimation
-
分类号
TN92
[电子电信—通信与信息系统]
TN82
[电子电信—信息与通信工程]
-
-
题名基于CSVD-NMF的人脸识别算法
被引量：2
- 4
-
-
作者
姚同庆
房斌
尚赵伟
-
机构
重庆大学计算机学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2009年第3期214-216,共3页
-
文摘
基于SVD的人脸识别算法具有共同的缺点,即不同人脸图像对应的奇异值向量所在的基空间不一致,从而造成识别率低下。该文分析2种改进的类估计基空间奇异值分解算法(CSVD),通过对比实验选择出其中一种具有优势的CSVD算法。并在特征提取环节,提出CSVD算法与非负矩阵因子算法特征数据相融合的人脸识别算法。在ORL数据库上的实验结果表明,该结合方法有效地提高了识别率和训练速度。
-
关键词
类估计基空间奇异值分解
非负矩阵因子
特征提取
-
Keywords
Class estimated basis Space singular Value De-composition（CSVD）
non Negative Matrix Factorization（NMF）
feature extraction
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名一种基于联合CSVD-2DNMF的人脸识别算法
- 5
-
-
作者
李孔震
王炳和
-
机构
武警工程大学通信工程系
-
出处
《科学技术与工程》
北大核心
2012年第29期7616-7620,共5页
-
基金
航空基金(20112096016)资助
-
文摘
类估计基空间奇异值分解算法(CSVD)克服了奇异值分解(SVD)造成的重构图像基空间不一致的本质缺陷,但在一定程度上削弱了图像的类别特征。二维非负矩阵分解算法(2DNMF)能在一定程度上避免NMF识别算法中因图像向量化而造成的结构信息丢失、内存花销大等不足,但是随着训练样本数量的增多,迭代速度慢、训练时间长等缺陷也将凸显。根据CSVD与2DNMF的优缺点,提出了人脸识别的联合CSVD-2DNMF算法,进而运用提出的算法在Matlab平台上对ORL人脸数据库中的人脸图像进行了识别实验。实验结果表明该算法能有效的缩短训练时间和提高识别率。
-
关键词
人脸识别
奇异值分解
类估计基空间奇异值分解
非负矩阵分解
二维非负矩阵分解
联合
CSVD-2DNMF
-
Keywords
face recognition SVD CSVD NMF 2DNMF joint CSVD-2DNMF
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
