张培林, 李　胜, 吴定海, 李　兵, 周云川

(1. 军械工程学院 七系，石家庄　050003；2. 军械工程学院 四系，石家庄　050003；3. 军械工程学院 军械技术研究所，石家庄　050003)



基于量子计算的限制波尔兹曼机网络模型及分类算法

张培林1, 李胜1, 吴定海1, 李兵2, 周云川3

(1. 军械工程学院 七系，石家庄050003；2. 军械工程学院 四系，石家庄050003；3. 军械工程学院 军械技术研究所，石家庄050003)

齿轮振动信号是对变速箱进行状态监测和故障诊断的主要对象。目前，振动信号模式识别方法大多以经典计算为基础，常用的方法有傅里叶变换[1]、小波分析[2]、神经网络[3]和支持向量机[4]等。

Hinton等[5]提出了具有一定的生物理论基础的Deep Learning算法，能无监督地进行特征学习。限制波尔兹曼机(Restricted Boltzmann Machine, RBM)网络是组成Deep Learning的基础。目前，对RBM的研究主要体现在与现有算法的融合，尤其是训练策略上。Turaga等[6]将RBM与标准分区算法相融合，应用在3D图像分割问题。Mohamed等[7]采用RBM网络替换高斯混合模型，来重建马尔科夫模型以进行语音识别。陈宇等[8]为使特征映射达到最优，采用RBM网络训练用于信息提取的实体关系分类器中。在RBM网络中，网络层数少，数据更易获得，并且由于是一层一层地学习，不影响前面的网络[9]。RBM网络存在的问题是采用的经典计算，会大大增加运算量，减缓运算速度。

随着量子计算机的发展，量子计算被更多的学者使用。量子态具有量子干涉、纠缠和叠加等特点，因此，它通过并行运算和量子门计算可以极大地提高运算速度、缩小存储空间和简化算法结构[10]。根据“组……