本发明涉及图像多分类领域，尤其涉及基于混合量子神经网络的图像多分类方法、电子设备和存储介质。
背景技术：
1、图像作为人类感知世界的视觉基础，是人类获取信息、表达信息和传递信息的重要手段，因此，图像处理技术对于现代生活有着不可或缺的作用。图像不仅在科学研究、医疗诊断、交通监控和娱乐媒体等领域扮演着重要角色，而且在日常生活中也无处不在，帮助人们理解和记录周围的世界。
2、在现代生活中，一张图像往往是复杂的，包含着丰富多样的内容。不同的物体、场景和活动常常同时出现在同一张图像中。因此，研究复杂图像的意义在于，能够在复杂图像当中准确提取我们需要的信息。例如，在医疗影像中，一张x光片可能同时展示多种病症；在智能监控中，一帧视频可能同时包含多个人物和动作。图像多分类技术能够帮助我们从这些复杂图像中高效地提取并分类多种信息，从而提升各种应用的智能化水平和准确性。
3、图像多分类是一个基本的计算机视觉问题，它要求模型能够同时识别图像中的多个类别，而不是仅仅区分单一类别。传统的神经网络技术已经在这一领域取得了显著进展，提供了有效的解决方案。然而，现有技术模型对图像中的噪声和微小扰动敏感，可能导致分类错误，深度学习模型的复杂性导致其内部机制难以解释，影响对结果的信任度，在训练数据上表现良好的模型可能在测试数据上表现不佳。随着量子技术的进步，量子计算和量子神经网络正逐渐成为研究的热点。量子神经网络通过利用量子计算的独特优势，有望在处理复杂图像数据时提供更高的效率和精度。
4、然而部分现有技术依赖于量子态的直接测量结果进行分类，可能会面临以下几个问题，这些问题导致直接测量结果的分类不够精确：
5、1.测量噪声和误差
6、量子计算中，量子态的测量过程受到噪声和误差的影响。这些噪声和误差可能来源于量子硬件的不完美、量子门操作的误差或环境的干扰。测量噪声和误差会导致量子态的测量结果不稳定，从而影响分类的准确性。在直接依赖测量结果进行分类时，这些不确定性可能使分类结果不够可靠。
7、2.特征提取不足
8、单纯依赖量子态的直接测量结果可能无法有效提取复杂图像中的多样化特征。量子态的测量结果可能只提供了图像的有限信息，而没有对图像特征进行深层次的挖掘。对于复杂的图像分类任务，单一的量子态测量结果可能不足以捕捉所有关键特征，影响最终分类的准确性。
技术实现思路
1、本发明的目的在于克服现有技术的不足，提供基于混合量子神经网络的图像多分类方法、电子设备和存储介质。
2、本发明的目的是通过以下技术方案来实现的：
3、本发明的第一方面，提供基于混合量子神经网络的图像多分类方法，待处理图像为高维经典图像，所述方法包括图像分类步骤，包括以下子步骤：
4、利用主成分分析对待处理图像降维；
5、采用基于灵活的量子图像表示方式，将降维后的待处理图像编码为量子态数据；
6、将所述量子态数据输入到参数化量子电路进行量子态演化，并对演化后的量子态进行测量得到量子态的期望值；
7、将所述量子态的期望值输入至卷积神经网络cnn的全连接层，全连接层输出图像多分类结果；其中，所述全连接层的输入维度与主成分分析的降维维度匹配。
8、进一步地，所述利用主成分分析对待处理图像降维，包括：
9、对待处理图像数据进行标准化处理；
10、计算标准化处理后的图像数据的协方差矩阵；
11、对协方差矩阵进行特征值分解，得到特征值和特征向量；特征值表示主成分的方差，特征向量表示主成分的方向；
12、根据特征值的大小选择前k个最大的特征值对应的特征向量，形成降维变换矩阵；其中，k值取值为全连接层的输入维度大小dfc；
13、使用降维变换矩阵将待处理图像数据投影到新的低维空间。
14、进一步地，所述采用基于灵活的量子图像表示方式，将降维后的待处理图像编码为量子态数据，包括：
15、将降维后的待处理图像的图像大小调整为预设大小，并将每个像素的灰度值或颜色值归一化到[0,1]范围内；
16、对于每个像素的灰度值或颜色值，计算相应的角度；
17、将所有量子比特初始化为|0>状态，量子比特包括编码像素位置量子比特和编码像素值量子比特；
18、对编码像素位置量子比特应用hadamard门，将编码像素位置量子比特置于超叠加态；
19、对每个位置i，应用受控旋转门将编码像素值量子比特编码为角度；
20、将位置和角度编码结合，生成基于灵活的量子图像表示方式的量子态数据。
21、进一步地，所述预设大小为2n×2n，其中n是一个整数；
22、对于一个2n×2n的图像，量子比特初始化需要2n+1个量子比特，其中2n个用于编码像素位置，1个用于编码像素值；
23、对编码像素位置量子比特应用hadamard门
24、应用受控旋转门c2nry(2θi)将编码像素值量子比特编码为角度。
25、进一步地，所述将所述量子态数据输入到参数化量子电路进行量子态演化，包括：
26、初始旋转操作，对每个量子比特应用一组旋转门，即在采用基于灵活的量子图像表示方式编码后的量子态数据依此经过ry门、rx门、ry门以及rz门，在xyz三轴都进行旋转；
27、量子纠缠操作，使用控制门cr门连接，再接cnot门将不同的量子比特纠缠起来，形成全连接或循环连接的纠缠结构；
28、第二次旋转操作：再对每个量子比特应用一组旋转门ry门。
29、进一步地，所述对演化后的量子态进行测量得到量子态的期望值，包括：
30、使用z基测量对演化后的量子态进行测量，得到量子态的期望值；得到量子态的期望值形成一个输出向量，作为输出。
31、进一步地，所述方法还包括优化训练步骤，包括以下子步骤：
32、采用图像分类步骤中的子步骤对数据集的图像数据进行处理；
33、通过前向传播计算损失函数，反向传播计算梯度，并使用优化器更新参数化量子电路中的可调参数、和卷积神经网络cnn的全连接层的优化参数。
34、本发明的第二方面，提供一种电子设备，包括存储单元和处理单元，所述存储单元上存储有可在所述处理单元上运行的计算机指令，所述处理单元运行所述计算机指令时执行如第一方面所述的基于混合量子神经网络的图像多分类方法的步骤。
35、本发明的第三方面，提供一种存储介质，其上存储有计算机指令，所述计算机指令运行时执行如第一方面所述的基于混合量子神经网络的图像多分类方法的步骤。
36、本发明的有益效果是：
37、在本发明的一示例性实施例中，将混合量子神经网络(qnn)与经典卷积神经网络(cnn)的结合，利用cnn强大的特征提取能力，提高了分类的准确性和抗噪性。同时，采用了主成分分析(pca)不仅可以通过图像数据的降维降低数据处理量，以适应量子计算的处理能力，还可以通过降维确保数据维度与后续处理步骤相匹配。
1.基于混合量子神经网络的图像多分类方法，待处理图像为高维经典图像，其特征在于：所述方法包括图像分类步骤，包括以下子步骤：
2.根据权利要求1所述的基于混合量子神经网络的图像多分类方法，其特征在于：所述利用主成分分析对待处理图像降维，包括：
3.根据权利要求1所述的基于混合量子神经网络的图像多分类方法，其特征在于：所述采用基于灵活的量子图像表示方式，将降维后的待处理图像编码为量子态数据，包括：
4.根据权利要求3所述的基于混合量子神经网络的图像多分类方法，其特征在于：所述预设大小为2n×2n，其中n是一个整数；
5.根据权利要求1所述的基于混合量子神经网络的图像多分类方法，其特征在于：所述将所述量子态数据输入到参数化量子电路进行量子态演化，包括：
6.根据权利要求1所述的基于混合量子神经网络的图像多分类方法，其特征在于：所述对演化后的量子态进行测量得到量子态的期望值，包括：
7.根据权利要求1所述的基于混合量子神经网络的图像多分类方法，其特征在于：所述方法还包括优化训练步骤，包括以下子步骤：
8.一种电子设备，包括存储单元和处理单元，所述存储单元上存储有可在所述处理单元上运行的计算机指令，其特征在于：所述处理单元运行所述计算机指令时执行如权利要求1～7中任意一项所述的基于混合量子神经网络的图像多分类方法的步骤。
9.一种存储介质，其上存储有计算机指令，其特征在于：所述计算机指令运行时执行如权利要求1～7中任意一项所述的基于混合量子神经网络的图像多分类方法的步骤。
