典型文献
非线性降维的量子GKPCA算法
文献摘要：
为避免数据维度过高影响机器学习算法效率,提出了量子非线性高斯核主成分分析(GKPCA)算法.在算法中,为了实现对原数据集维度的压缩,首先制备高斯核密度矩阵和矩阵量子态,然后利用量子相位估计技术得到核矩阵的特征信息,最后利用断层扫描技术得到降维后的坐标.分析得出,本文算法时间复杂度为O(εN3/2 Ddpoly log N).特别是对于大型数据集的情况,与经典算法O(N3+N2D)相比,本文算法具有多项式时间复杂度的加速.
文献关键词：
量子计算;量子相位估计;量子GKPCA算法;高斯核函数;量子断层扫描
中图分类号：
作者姓名：
冯微军
作者机构：
福建师范大学计算机与网络空间安全学院 福州 350117
文献出处：
引用格式：
[1]冯微军-.非线性降维的量子GKPCA算法)[J].福建电脑,2022(11):1-6
A类：
GKPCA,量子相位估计,Ddpoly,N3+N2D,量子断层扫描
B类：
非线性降维,数据维度,高影响,机器学习算法,算法效率,核主成分分析,高斯核密度,密度矩阵,矩阵和,量子态,核矩阵,特征信息,扫描技术,时间复杂度,log,多项式时间,量子计算,高斯核函数
AB值：
0.267966
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
