检索结果-维普期刊中文期刊服务平台

基于矩阵乘积算符的混合量子压缩经典生成对抗网络: 1; 作者张曜麟刘晓楠 +1 位作者杜帅岐廉德萌《计算机科学》北大核心 2025年第6期74-81,共8页; 神经网络在人工智能图像生成领域研究中占据重要地位。生成对抗网络作为近年来的热门算法,在图像生成任务中展现了卓越性能。量子计算作为一种新型计算模式,正在与传统人工智能算法融合,这样不仅加快了处理速度,还提升了数据安全性,尤... 展开更多; 关键词图像生成量子计算参数化量子线路混合生成对抗网络矩阵乘积算符; 在线阅读下载PDF 职称材料

基于量子生成对抗网络的数据重构被引量：1: 2; 作者江奕达王明明《计算机工程与应用》 CSCD 北大核心 2024年第5期156-164,共9页; 使用神经网络实现数据重构是人工智能领域一项十分重要的研究课题。生成对抗网络(generative adversarial network,GAN)作为近年来人工智能的热门算法,在完成数据重构任务中有较好的表现。量子计算作为一种能够加速经典计算的新型计算模... 展开更多; 关键词量子计算混合生成对抗网络数据重构; 在线阅读下载PDF 职称材料

考虑极端天气的先验知识引导风/光短期出力场景生成方法研究: 3; 作者陈浩张文朝 +4 位作者黄志光张怡静时艳强李剑锋赵永宁《智慧电力》北大核心 2025年第3期44-52,共9页; 为准确反映新能源出力的时序特征,特别是极端天气对系统的影响,提出一种考虑极端天气的先验知识引导风光短期出力场景生成方法研究,首先,基于极端度量指标进行数据识别,构建正常天气和极端天气数据集,然后,针对2种数据集利用混合密度网... 展开更多; 关键词场景生成先验知识极端天气风光出力混合密度-对抗生成网络; 在线阅读下载PDF 职称材料

基于EMD⁃MDGAN的HRRP增扩方法被引量：1: 4; 作者王紫娇王晓丹《计算机工程》 CAS CSCD 北大核心 2021年第9期259-265,共7页; 高分辨率距离像(HRRP)是弹道目标识别的主要特征,由于其为非合作目标因此观测频率极低,导致带标签样本量严重不足,而混合密度生成对抗网络(MDGAN)作为生成HRRP的有效方法,存在模式崩溃、网络不易收敛等问题。提出一种基于误差匹配分布(E... 展开更多; 关键词混合密度生成对抗网络残差网络注意力机制误差匹配分布高分辨率距离像; 在线阅读下载PDF 职称材料

H-ResGAN在智能反射面辅助通信系统中的信道估计被引量：1: 5; 作者张欣怡江沸菠 +1 位作者彭于波董莉《电波科学学报》 CSCD 北大核心 2023年第6期1048-1056,共9页; 智能反射面(intelligent reflecting surface,IRS)辅助通信系统的信道维度较高,现有的信道估计方法须使用大量导频才能得到准确的信道矩阵.针对这一问题,提出了一种基于混合损失的残差生成对抗网络(hybrid loss based residual generati... 展开更多; 关键词智能反射面(IRS) 信道估计毫米波基于混合损失的残差生成对抗网络(H-ResGAN) 混合损失; 在线阅读下载PDF 职称材料

题名基于矩阵乘积算符的混合量子压缩经典生成对抗网络: 1; 作者张曜麟刘晓楠杜帅岐廉德萌; 机构国家超级计算郑州中心郑州大学计算机与人工智能学院; 出处《计算机科学》北大核心 2025年第6期74-81,共8页; 基金 2022年度河南省重大科技专项(221100210600)。; 文摘神经网络在人工智能图像生成领域研究中占据重要地位。生成对抗网络作为近年来的热门算法,在图像生成任务中展现了卓越性能。量子计算作为一种新型计算模式,正在与传统人工智能算法融合,这样不仅加快了处理速度,还提升了数据安全性,尤其适合处理高维数据和优化问题。其中,混合量子经典生成对抗网络在图像生成任务中表现良好。然而,当前的混合量子经典生成模型在生成高维图像方面存在挑战,且生成器中线性层的加入,导致模型参数量增多。因此,提出了一种采用矩阵乘积算符的混合量子压缩经典生成对抗网络模型。该模型通过改进分块量子生成器的结构,使单次调用能够生成多个数据块,提高了模型效率。同时,结合经典网络的非线性特性和矩阵乘积算符,既保证了高维图像的生成质量,又提高了模型的收敛速度,并减少了参数量。实验结果表明,优化后的生成器结构将总运行时间提升了约92.88%,模型参数减少了约5.59%,并且在MNIST和FMNIST数据集上的收敛速度优于传统及混合量子经典模型,展示了其在高维图像生成中的潜力。; 关键词图像生成量子计算参数化量子线路混合生成对抗网络矩阵乘积算符; Keywords Image generation Quantum computing Parametric quantum circuits Hybrid generative adversarial networks Matrix product operators; 分类号 TP385 [自动化与计算机技术—计算机系统结构]; 在线阅读下载PDF 职称材料

题名基于量子生成对抗网络的数据重构被引量：1: 2; 作者江奕达王明明; 机构西安工程大学计算机科学学院; 出处《计算机工程与应用》 CSCD 北大核心 2024年第5期156-164,共9页; 基金陕西省自然科学基础研究计划一般项目(面上)(2019JM-291)。; 文摘使用神经网络实现数据重构是人工智能领域一项十分重要的研究课题。生成对抗网络(generative adversarial network,GAN)作为近年来人工智能的热门算法,在完成数据重构任务中有较好的表现。量子计算作为一种能够加速经典计算的新型计算模式,正不断地与经典人工智能算法相融合。其中,量子生成对抗网络(quantum generative adversarial network,QGAN)在图像相关任务中具有良好的表现,但是量子模型的拟合能力还有待提高。故此,提出了一种基于GAN框架的量子-经典混合生成对抗网络(Q-CGAN)用于实现数据重构任务。该框架利用经典网络的非线性提高拟合效果,利用量子特性提供量子加速。使用MNIST手写数据集对比验证了量子模型和混合模型的重构效果,结果显示,Q-CGAN较纯量子生成器在数据重构过程中具有更好的表现。此外,还研究了混合模型中使用不同量子编码方案和不同参数化量子线路对数据重构效果的影响。; 关键词量子计算混合生成对抗网络数据重构; Keywords quantum computing hybrid generative adversarial network data reconstruction; 分类号 TP183 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名考虑极端天气的先验知识引导风/光短期出力场景生成方法研究: 3; 作者陈浩张文朝黄志光张怡静时艳强李剑锋赵永宁; 机构国家电网有限公司华东分部北京科东电气控制系统有限责任公司中国农业大学信息与电气工程学院; 出处《智慧电力》北大核心 2025年第3期44-52,共9页; 基金国家自然科学基金资助项目(52207144)。; 文摘为准确反映新能源出力的时序特征,特别是极端天气对系统的影响,提出一种考虑极端天气的先验知识引导风光短期出力场景生成方法研究,首先,基于极端度量指标进行数据识别,构建正常天气和极端天气数据集,然后,针对2种数据集利用混合密度网络(MDN)获取分布信息,最后,基于先验分布信息得到噪声序列,将其与历史实测数据输入并应用生成对抗网络(GAN)模型,获得风光出力场景。基于浙江某地区风电和光伏场站数据对所提方法的有效性进行验证,分析结果表明,所生成的风、光出力场景分别符合其真实时空相关关系,同时可以捕捉到极端天气下功率曲线随机特性,能够反映某地区风光实际出力时的波动性,为电力系统调度方案制定提供参考。; 关键词场景生成先验知识极端天气风光出力混合密度-对抗生成网络; Keywords scenario generation prior knowledge extreme weather wind and photovoltaic power output MDN-GAN model; 分类号 TM732 [电气工程—电力系统及自动化]; 在线阅读下载PDF 职称材料

题名基于EMD⁃MDGAN的HRRP增扩方法被引量：1: 4; 作者王紫娇王晓丹; 机构空军工程大学防空反导学院; 出处《计算机工程》 CAS CSCD 北大核心 2021年第9期259-265,共7页; 基金国家自然科学基金(61876189)。; 文摘高分辨率距离像(HRRP)是弹道目标识别的主要特征,由于其为非合作目标因此观测频率极低,导致带标签样本量严重不足,而混合密度生成对抗网络(MDGAN)作为生成HRRP的有效方法,存在模式崩溃、网络不易收敛等问题。提出一种基于误差匹配分布(EMD)改进MDGAN的弹道目标HRRP增扩方法EMD-MDGAN。将生成器、残差网络和注意力机制相结合,通过残差结构解决梯度消失的问题,利用注意力机制提高生成器中自编码器的特征提取能力,并把误差匹配思想引入损失函数设计中,以增强模型的稳定性,使网络更易收敛。实验结果表明,该模型在有效解决模式崩溃问题的基础上,可缩小生成样本与真实样本分布间差异,生成具有一定真实性、可靠性、多样性的数据,实现HRRP数据增扩。; 关键词混合密度生成对抗网络残差网络注意力机制误差匹配分布高分辨率距离像; Keywords Mixture Density Generative Adversarial Network(MDGAN) residual network attention mechanism error matching distribution High-Resolusion Response Profile(HRRP); 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名H-ResGAN在智能反射面辅助通信系统中的信道估计被引量：1: 5; 作者张欣怡江沸菠彭于波董莉; 机构湖南师范大学信息科学与工程学院湖南工商大学计算机学院; 出处《电波科学学报》 CSCD 北大核心 2023年第6期1048-1056,共9页; 基金国家自然科学基金(41874148,41904127,41604117)。; 文摘智能反射面(intelligent reflecting surface,IRS)辅助通信系统的信道维度较高,现有的信道估计方法须使用大量导频才能得到准确的信道矩阵.针对这一问题,提出了一种基于混合损失的残差生成对抗网络(hybrid loss based residual generative adversarial network,H-ResGAN)模型.H-ResGAN使用多个残差块来加深网络,可以充分提取信道特征,减缓梯度消失问题.同时,采用条件最小二乘损失和L1损失相结合的混合损失作为目标函数来提高训练的稳定性.仿真实验证明:H-ResGAN对环境噪声更具鲁棒性,估计误差显著低于传统方法;与传统的估计算法相比,H-ResGAN仅须发送少量导频就能获得准确的估计结果.; 关键词智能反射面(IRS) 信道估计毫米波基于混合损失的残差生成对抗网络(H-ResGAN) 混合损失; Keywords intelligent reflecting surface(IRS) channel estimation millimeter wave hybrid loss based residual generative adversarial networks(H-ResGAN) hybrid loss; 分类号 TN929.5 [电子电信—通信与信息系统] TP18 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于矩阵乘积算符的混合量子压缩经典生成对抗网络	张曜麟刘晓楠杜帅岐廉德萌	《计算机科学》北大核心	2025	0	在线阅读下载PDF 职称材料
2	基于量子生成对抗网络的数据重构	江奕达王明明	《计算机工程与应用》 CSCD 北大核心	2024	1	在线阅读下载PDF 职称材料
3	考虑极端天气的先验知识引导风/光短期出力场景生成方法研究	陈浩张文朝黄志光张怡静时艳强李剑锋赵永宁	《智慧电力》北大核心	2025	0	在线阅读下载PDF 职称材料
4	基于EMD⁃MDGAN的HRRP增扩方法	王紫娇王晓丹	《计算机工程》 CAS CSCD 北大核心	2021	1	在线阅读下载PDF 职称材料
5	H-ResGAN在智能反射面辅助通信系统中的信道估计	张欣怡江沸菠彭于波董莉	《电波科学学报》 CSCD 北大核心	2023	1	在线阅读下载PDF 职称材料