基于量子-经典混合残差网络的时频信号识别
Abstract
量子机器学习是机器学习与量子信息交叉的前沿领域, 量子计算为机器学习提供了全新的范式, 在扩展应用场景和提升学习能力方面展现出巨大潜力. 本文提出了一种量子-经典混合残差神经网络(QCH-ResNet), 用于雷达识别场景下的时频信号多任务识别. 该模型融合了参数化量子线路与经典残差神经网络, 在高噪声环境下实现了精准的分类与检测. 实验结果表明, QCH-ResNet在分类精度和噪声鲁棒性方面显著优于传统残差神经网络, 充分体现了量子计算在信号处理中的应用潜力. 本研究不仅拓展了量子计算在实际应用中的边界, 还为复杂时频信号分析任务提供了创新性解决方案.
