[发明专利]一种基于量子模糊信息的数据分类系统及方法

说明书

本发明提供了一种基于量子模糊信息的数据分类系统及方法，系统包括：量子模糊化输入模块设置为将问题域中的模糊元素量子化后传递给改进模糊支持向量机分类模块；改进模糊支持向量机分类模块设置为利用改进的量子化模糊支持向量机对量子化模糊元素进行分类，并将分类结果传递给输出模块；输出模块将量子化的分类结果解码后转化为可识别内容显示；改进的量子化模糊支持向量机是将二次规划问题转化为线性方程组求解问题，并进行量子化处理的模糊支持向量机。本申请以直觉模糊集刻画不确定性问题，客观、准确、全面地反应不确定性问题中各对象的所蕴含的信息，利用量子计算在处理复杂性和不确定性问题上的高效率优势，准确、快速的处理相关问题。

技术领域

本发明属于大数据处理技术领域，尤其涉及一种基于量子模糊信息的数据分类系统及方法。

背景技术

随着各领域的数据量爆炸式地增长，经典信息处理技术与量子信息处理技术得到了很大的发展和广泛的应用。人们通过发现和利用大数据中隐含的有价值的数据和信息，极大地方便了生活、工作、学习和科研等方面，但同时也引发了很多问题。一方面，由于大数据具有结构复杂、规模大、种类多、流动速度快等特点，向传统计算理论与技术提出了很多挑战，在描述不确定性、不精确性和信息不完全的复杂问题时，现有的计算模型论难以胜任；另一方面，针对大数据的挖掘与分析，传统计算机已经无法适应任务处理的需要，寻找新的方法来处理这些任务就十分迫切。当前，为了进一步满足大数据及其应用快速发展的需要，如何精确刻画并高效处理不确定性数据的问题就显得十分重要。

1983年，保加利亚学者阿塔诺索吾(K.T.Atanassov)教授提出了直觉模糊集理论，利用三个标度(即隶属度、非隶属度与犹豫度)来刻画不确定性问题，能够更细腻、全面地描述客观现象的自然属性。

随着量子技术的发展，量子计算不再局限于对经典数据的处理，通过利用量子计算超强的并行计算能力、指数级存储容量等特征，可以更快处理大量的数据，提高机器学习对数据的处理能力，在处理复杂问题上具有巨大的优势。但现有技术在将大数据所具有的复杂性和不确定性问题进行定量、准确地描述，并将模糊化的数学描述量子化，以量子态作为信息处理单元方面的工作并不多也不深入。因此，寻求一种既能反映大数据所具有的复杂性和不确定性问题，又能符合量子计算的运算规律以及量子态特有的表示形式，同时还能直观、定量、准确地描述大数据所具有不确定性问题的数学建模方法，就成了本领域亟待解决的重要问题和最有前景的研究方向。

支持向量机是一种简单高效的机器学习方法，特别是在分类问题上有良好的分类效果和合理的误差界。使用支持向量机进行大数据的分类分析，成为近年来大数据处理的有效方法。支持向量机分为线性支持向量机和非线性支持向量机。分类速度上，线性支持向量机的处理速度明显快于非线性支持向量机：分类效果上，由于引入了核函数，非线性支持向量机拥有更好的分类效果。然而，支持向量机也存在一定的问题。其训练过程需要很多计算资源的支撑，比如足够的内存、足够的CPU处理速度等。然而，当数据量增长到一定级别时，单机上的内存和CPU速度往往不能够满足支持向量机的要求。因此，将支持向量机量子化以使其能够运行在量子计算机上就能够解决现有计算资源不能满足要求的问题。但本领域对该方向的研究少之又少。进一步的是，支持向量机运行时所依赖的分类超平面二次规划问题并不能直接被量子化并被量子计算机计算，因此，找到一种能够将其转化为量子形式可解的算法是本领域的痛点。

发明内容

针对现有技术存在的问题，本发明提供基于量子模糊信息将直觉模糊集理论和量子计算交叉融合，利用直觉模糊集理论刻画不确定性问题，将不确定性问题模糊化，结合量子计算在处理复杂性和不确定性问题上的高效率，将模糊信息量子化；以量子态作为信息处理单元，将传统支持向量机改进为量子化的模糊支持向量机，并将分类超平面二次规划问题转化为量子计算机能够处理的线性方程组问题，提供了一种客观、高效、准确的不确定性问题分类系方法，为研究量子模糊机器学习算法奠定理论基础。

为完成发明目的，本发明采用的技术方案是：