一种基于量子图像特征选择方法与流程

1.本发明涉及机器学习领域，尤其涉及一种基于量子图像特征选择方法。


背景技术：

2.机器学习是通过对样本对象的属性或者特征进行分析，得到一个模型。对图像进行分类时。图像一般拥有很多特征，其中有些特征对建立模型非常关键，有些却没用，为此机器学习前需要把对建立模型有用的图像特征挑选出来，即图像特征选择，即选取出所有图像特征集合中的最优子集。为了选出最优子集，需要对每一个量子图像特征集合进行计算，即判定哪一个量子图像特征集合是最优特征集合的。在量子计算机上，由于量子状态的不可观察和不可拷贝性，使得传统的特征特征集合评价算法失效，为此需要针对量子计算环境建立量子图像特征集合的评价方法，即如何计算量子图像特征集合对量子机器学习的贡献度，进而进行特征选择。


技术实现要素：

3.为了解决以上技术问题，本发明基于量子熵来计算量子图像特征集合的贡献度，从而选取出所有图像特征集合中的最优子集。
4.总体来说，本发明解决的问题如下：
5.对于包含n个图像的d维数据集d被划分成c个类别{l1>,|l2>,...,|l
c
>}，其中每一个图像属于某个类别|l
i
>，d中每一个类别样本所占的比例为p1,p2,...p
c
。d的d个量子图像特征集合fs＝{|f1>，|f2>，...，|f
d
>}，其中每一个元素|f
i
>为一个量子图像特征，给定一个f的子集f＝{|a1>，|a2>，...，|a
k
>}，其中本发明首先计算f的贡献度，然后把贡献度最大的f的元素作为量子图像特征进行输出。
6.本发明提供的一种基于量子图像特征选择方法，包括以下步骤：
7.s101：获取量子图像的d个特征值，得到n行d列量子数据集合d；其中n为量子图像的个数；
8.s102：将量子数据集合d的d个量子特征组合为集合fs＝{|f1>，|f2>，...，|f
d
>}，其中每一个元素|f
i
>为一个量子图像特征；
9.s103：在集合fs中选定一个子集f＝{|a1>，|a2>，...，|a
k
>}，f中的每个量子图像特征|a
i
>有多种取值，根据取值不同，把量子数据集合d划分为m个集合，d＝{d1，d2，...，d
m
}；其中，每个集合d
i
在f上的取值相同；
10.s104：从集合fs中循环取出所有的d个1维特征集合，计算贡献度，保留贡献度最大的特征集合，记为f
maxl
，并令最具代表性的图像特征集合f
max
＝f
max1
；
11.s105：从集合fs中循环取出所有的d
*
(d
‑
1)个二维特征集合，计算贡献度，保留贡献度最大的特征集合，记为f
max2
；若f
max2
＞f
max
，则令f
max
＝f
max2
；
12.s106：依次循环取出3维、4维...、d维特征集合，计算贡献度，保留贡献度最大的特征集合，分别记为f
max3
、f
max4
、...、f
maxd
；
13.s107：从f
max3
、f
max4
、
…
、f
maxd
中循环比较，得到f
max
＝max(f
max1
、f
max2
、f
max3
、f
max4
、
…
、f
maxd
)，集合f
max
即为最终选择的特征集合。
14.进一步地，步骤s104中的d个1维特征集合具体为：f1＝{|f1>}f1＝{|f1>}、f2＝{|f2>}、f3＝{|f3>}
…
、f
d
＝{|f
d
>}；
15.步骤s105中d
*
(d
‑
1)个二维特征集合具体为：f
12
＝{|f1>、|f2>}、f
13
＝{|f1>、|f3>}、
…
、f
(d
‑
1)d
＝{|f
d
‑1>、|f
d
>}；
16.依次类推，步骤s106中d维特征集合，即为集合fs本身。
17.进一步地，步骤s104～s106中，计算贡献度的方法具体如下：
18.s201：计算量子数据集合d的量子熵s(ρ
d
)；
19.s202：计算根据f划分的d＝{d1，d2，...，d
m
}的每一集合的量子熵s(ρ
dm
)；
20.s203：根据公式计算贡献度。
21.进一步地，步骤s201中计算量子熵s(ρ
d
)的具体过程为：
22.计算ρ
d
：其中包含n个图像的d维数据集d被划分成c个类别{|l1>，|l2>，...，|l
c
>}，其中每一个图像属于某个类别|l
i
>，d中每一个类别样本所占的比例为p1，p2，...
·
p
c
；，p
i
为p1‑
p
c
中的任意一个；
23.计算ρ
d
的特征值λ；
24.计算s(ρ
d
)：s(ρ
d
)＝
‑
∑
i
λ
i
logλ
i
。
25.步骤s202中计算s(ρ
dm
)具体过程为：
26.计算ρ
dm
：：是d
m
集合所包含的类的数量；
27.计算ρ
dm
的特征值σ
m
；
28.计算s(ρ
dm
)：
29.本发明提供的有益效果是：在量子计算机上给出了如何用量子熵的方法来计算量子图像特征集合对量子机器学习的贡献度，进而进行量子图像特征选择，发明对量子机器学习的研究以及普及量子计算机的应用起到促进作用。
附图说明
30.图1是本发明一种基于量子图像特征选择方法的流程图；
31.图2是本发明贡献度计算流程图。
具体实施方式
32.为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。
33.请参考图1，一种基于量子图像特征选择方法，包括以下步骤：
34.s101：获取量子图像的d个特征值，得到n行d列量子数据集合d；其中n为量子图像的个数；
35.s102：将量子数据集合d的d个量子特征组合为集合fs＝{|f1>，|f2>，...，|f
d
>}，其中每一个元素|f
i
>为一个量子图像特征；
36.s103：在集合fs中选定一个子集f＝{|a1>，|a2>，...，|a
k
>}，f中的每个量子图像特征|a
i
>有多种取值，根据取值不同，把量子数据集合d划分为m个集合，d＝{d1，d2，...，d
m
}；其中，每个集合d
i
在f上的取值相同；
37.s104：从集合fs中循环取出所有的d个1维特征集合，计算贡献度，保留贡献度最大的特征集合，记为f
max1
，并令最具代表性的图像特征集合f
max
＝f
max1
；
38.s105：从集合fs中循环取出所有的d
*
(d
‑
1)个二维特征集合，计算贡献度，保留贡献度最大的特征集合，记为f
max2
；若f
max2
＞f
max
，则令f
max
＝f
max2
；
39.s106：依次循环取出3维、4维
…
、d维特征集合，计算贡献度，保留贡献度最大的特征集合，分别记为f
max3
、f
max4
、
…
、f
maxd
；
40.s107：从f
max3
、f
max4
、
…
、f
maxd
中循环比较，得到f
max
＝max(f
maxl
、f
max2
、f
max3
、f
max4
、
…
、f
max
d)，集合f
max
即为最终选择的特征集合。
41.步骤s104中的d个1维特征集合具体为：f1＝{|f1>}f1＝{|f1>}、f2＝{|f2>}、f3＝{|f3>}
…
、f
d
＝{|f
d
>}；
42.步骤s105中d
*
(d
‑
1)个二维特征集合具体为：f
12
＝{|f1>、|f2>}、f
13
＝{|f1>、|f3>}、...、f
(d
‑
1)d
＝{|f
d
‑1>、|f
d
>}；
43.依次类推，步骤s106中d维特征集合，即为集合fs本身。
44.请参考图2，图2是贡献度的计算流程图。步骤s104～s106中，计算某一个具体的特征集合f贡献度的方法具体如下：
45.s201：计算量子数据集合d的量子熵s(ρ
d
)；
46.s202：计算根据f划分的d＝{d1，d2，...，d
m
}的每一集合的量子熵s(ρ
d
m)；
47.s203：根据公式计算贡献度。
48.步骤s201中计算量子熵s(ρ
d
)的具体过程为：
49.计算ρ
d
：其中包含n个图像的d维数据集d被划分成c个类别{|l1>，|l2>，...，|l
c
>}，其中每一个图像属于某个类别|l
i
>，d中每一个类别样本所占的比例为p1，p2，...
·
p
c
；，p
i
为p1‑
p
c
中的任意一个；
50.计算ρ
d
的特征值λ；
51.计算s(ρ
d
)：s(ρ
d
)＝
‑
∑
i
λ
i
logλ
i
。
52.步骤s202中计算s(ρ
dm
)具体过程为：
53.计算ρ
dm
：：是d
m
集合所包含的类的数量；
54.计算ρ
dm
的特征值σ
m
；
55.计算s(ρ
dm
)：
56.本发明实施例如下：
57.本发明采集了1000个0到9的单个数字图像，进行预处理和二值化后。设置5种特征：上下对称、左右对称、灰度占总图像的百分比、上下灰度比、左右灰度比。随机抽取两个
数字进行分类实验，首先进行数字量子化，分别计算1维到5维的特征贡献度，进而进行分类，分类准确率达905。例如抽取到4和8两个数字图像，由于8是上下对称的而4不是上下对称的，则第1维特征的贡献度就为最大，作为分类依据。
58.本发明的有益效果是：在量子计算机上给出了如何用量子熵的方法来计算量子图像特征集合对量子机器学习的贡献度，进而进行量子图像特征选择，发明对量子机器学习的研究以及普及量子计算机的应用起到促进作用。
59.以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。