本书是有关智能信息处理与量子智能计算方法及其应用的著作，系统介绍了智能信息处理与量子智能计算方面的基础理论及各种新技术、新方法，并从4G及5G移动通信、认知无线电、语音信号处理等角度进行了实例剖析。全书分为两篇共12章。第一篇“智能信息处理及其应用”侧重介绍智能信息处理领域的基本原理与关键技术；第二篇“量子智能信息处理”侧重介绍基于量子计算的智能信息处理技术。本书还提供了电子课件，读者可登录华信教育资源网（www.hxedu.com.cn）免费下载使用。 本书被列为“十三五”江苏省高等学校重点教材，可作为高等院校电子信息、计算机、自动化、人工智能、量子信息科学等相关专业研究生和高年级本科生的教材，也可作为相关领域人员的教学、科研、进修参考用书。

前 言 智能信息处理是信号与信息技术领域一个前沿且富有挑战性的研究方向，它以人工智能理论为基础，侧重于信息处理的智能化，包括计算机智能化（文字、图像、语音等信息的智能处理）、通信智能化以及控制信息智能化。随着量子计算时代的到来，量子物理与计算机科学的完美融合，将20世纪物理学中一些最令人惊叹的观点融入全新的计算思维方式中。量子计算与传统智能信息处理技术的交融，已经在算法理论和算法性能方面取得了很多突破性的成果，在科学研究和生产实践中发挥了重要作用。 本书是有关智能信息处理与量子智能计算方法及其应用的著作，系统地介绍了智能信息处理与量子计算方面的基础理论及各种新的处理技术，全书分为两篇，共12章。第一篇“智能信息处理及其应用”侧重介绍智能信息处理领域的基本原理与关键技术，包括“绪论”“神经网络信息处理”“遗传算法”“免疫算法”“群智能算法”“机器学习算法”6章；第二篇“量子智能信息处理”侧重介绍基于量子计算的智能信息处理技术，包括“量子智能信息处理概述”“量子神经网络”“量子遗传算法”“量子免疫算法”“量子群智能算法”“量子机器学习”6章。 本书的编撰以读者为核心，既强调原理的严谨和架构的合理性，又突出技术的先进性和实用性；在对典型技术体系深入剖析的同时，用清晰明确的表述方式给出其技术特点和典型应用；以概念清晰、层次分明、重点突出、以生为本为目标，使读者不仅能够清晰明确地掌握智能信息处理领域的基本原理和主要技术，而且能够进一步深入了解基于量子计算的智能信息处理技术，清晰准确地了解最新的技术发展动态和应用趋势，对于培养既懂智能信息处理又熟悉量子信息技术的交叉复合型人才，具有重要的理论意义和实用价值。 本书是编者及研究团队十余年来从事智能信息处理及量子智能计算之科研成果的系统总结、提炼与升华，编者十分感谢研究团队的历届研究生参与相关课题的研究，感谢谭思佳、罗文韬、孙晶、赵楷德、王树晨、张博、谢宇辰、吴思凡等同学参与本书的资料收集与整理，感谢朱艳老师和陈珺博士参与校对。 本书适合作为高等院校相关专业研究生和高年级本科生的教材，也可供信息通信、计算机、人工智能等领域的大专院校师生、研究工作者、工程技术人员参考使用。为方便读者学习，相关章节均提供了开源代码（扫描二维码下载），以帮助读者快速理解涉及的原理与概念。 由于编者水平的限制，书中难免存在一些问题和不足，欢迎广大读者批评指正。 编 者

目　　录 第一篇　智能信息处理及其应用 第1章　绪论 2 1.1　智能计算 2 1.2　人工智能 4 1.3　最优化方法 7 1.4　智能信息处理方法 10 第2章　神经网络信息处理 12 2.1　神经网络信息处理基础 12 2.1.1　人工神经元 12 2.1.2　神经网络拓扑结构 14 2.1.3　神经网络模型 16 2.1.4　神经网络学习规则及算法 17 2.1.5　神经网络计算的特点 18 2.2　BP神经网络模型 19 2.2.1　BP神经网络结构 19 2.2.2　BP算法的基本思想和基本流程 20 2.2.3　BP神经网络设计 21 2.3　Hopfield神经网络 22 2.3.1　Hopfield神经网络模型 22 2.3.2　离散型Hopfield神经网络 22 2.3.3　连续型Hopfield神经网络 24 2.4　RBF神经网络 25 2.4.1　RBF神经元模型 25 2.4.2　RBF神经网络模型 26 2.4.3　RBF神经网络的创建与学习 27 2.5　贝叶斯神经网络 28 2.5.1　贝叶斯方法 29 2.5.2　神经网络的贝叶斯学习 29 2.5.3　贝叶斯神经网络算法 30 2.6　卷积神经网络 30 2.6.1　卷积神经网络结构 30 2.6.2　多卷积核 31 2.6.3　池化 32 2.6.4　卷积神经网络的训练 33 2.7　应用实例 34 2.7.1　基于RBF神经网络的语音增强 34 2.7.2　基于卷积神经网络的情绪识别 38 思考题 39 参考文献 39 第3章　遗传算法 41 3.1　遗传算法基础 41 3.1.1　进化计算 41 3.1.2　生物遗传概念与遗传算法 41 3.1.3　遗传算法发展概况 42 3.2　遗传算法的基本原理 42 3.2.1　遗传算法结构和主要参数 42 3.2.2　常见编码方法和基本遗传操作 43 3.2.3　遗传算法参数选择及其对算法收敛性的影响 46 3.2.4　遗传算法的特点 47 3.3　协同进化遗传算法 48 3.3.1　协同进化算法 48 3.3.2　协同进化遗传算法流程 48 3.3.3　协同进化遗传算法的设计 49 3.4　应用实例 50 3.4.1　TSP问题的遗传算法解 50 3.4.2　基于遗传算法的MIMO-OFDM系统信号检测方案 52 3.4.3　基于遗传算法的SIMO信道子空间盲估计 53 思考题 54 参考文献 54 第4章　免疫算法 56 4.1　人工免疫系统 56 4.1.1　免疫算法的生物学基础 56 4.1.2　免疫算法提出 57 4.1.3　克隆选择和扩增 58 4.2　免疫算法基本原理 59 4.2.1　免疫算法的基本思想 59 4.2.2　免疫算法与免疫系统的对应 60 4.2.3　免疫算法的多样性和收敛性 61 4.2.4　常见免疫算法 61 4.3　应用实例 62 4.3.1　用免疫算法求解TSP问题 62 4.3.2　基于免疫克隆算法的K-均值聚类算法 66 思考题 68 参考文献 68 第5章　群智能算法 70 5.1　粒子群优化算法 70 5.1.1　粒子群优化算法的基本原理 70 5.1.2　基本粒子群优化算法 70 5.1.3　带惯性权重的粒子群优化算法 71 5.1.4　带收缩因子的粒子群优化算法 72 5.2　蚁群优化算法 73 5.2.1　蚁群优化算法的原理 73 5.2.2　蚁群优化算法的改进思路 74 5.3　菌群优化算法 75 5.3.1　菌群优化算法的原理 75 5.3.2　菌群优化算法寻优过程细菌分布 77 5.3.3　菌群优化算法性能测试 80 5.3.4　菌群优化算法的改进 81 5.4　应用实例 82 5.4.1　基于粒子群优化算法的矢量量化码书设计 82 5.4.2　基于蚁群优化算法的LTE系统信号检测研究 83 思考题 86 参考文献 86 第6章　机器学习算法 88 6.1　机器学习基础和计算理论 88 6.1.1　概念学习 88 6.1.2　计算理论 89 6.2　监督学习经典方法 91 6.2.1　K-近邻算法 91 6.2.2　决策树 91 6.2.3　朴素贝叶斯 93 6.2.4　支持向量机 95 6.3　非监督学习经典方法 99 6.3.1　EM算法 99 6.3.2　K-means算法 100 6.3.3　层次聚类 101 6.3.4　DBSCAN算法 102 6.4　先进机器学习模型 103 6.4.1　集成学习 103 6.4.2　强化学习 108 6.4.3　迁移学习 110 6.4.4　深度学习 113 6.5　应用实例 125 思考题 127 参考文献 128 第二篇　量子智能信息处理 第7章　量子智能信息处理概述 130 7.1　量子计算 130 7.2　量子信息处理基础 131 7.2.1　量子信息的表示：量子比特 131 7.2.2　量子信息的存储：量子寄存器 132 7.2.3　量子信息的处理：算子与量子态的演化 133 7.2.4　量子信息处理器：量子逻辑门与量子门组网络 135 7.2.5　量子信息处理特性：量子并行与量子纠缠 138 7.3　量子智能优化算法 139 思考题 141 参考文献 141 第8章　量子神经网络 143 8.1　人工神经网络向量子神经网络的演变 143 8.1.1　演变的动因 143 8.1.2　人工神经网络有关概念的量子类比 144 8.1.3　量子神经网络的量子并行处理能力及其优势 145 8.2　量子神经网络模型 146 8.2.1　量子神经元 146 8.2.2　量子衍生神经网络模型 147 8.2.3　量子自组织映射模型 148 8.2.4　量子联想记忆模型 148 8.2.5　量子纠缠神经网络模型 149 8.2.6　量子跃迁神经网络模型 151 8.2.7　量子BP神经网络模型 152 8.3　量子神经元模型特性 154 8.3.1　量子神经元的量子力学特性 154 8.3.2　量子神经元学习算法 154 8.3.3　算法模拟实现及特性分析 156 8.3.4　量子神经元逻辑运算特性 157 8.3.5　量子神经元的非线性映射特性 159 8.4　应用实例 160 8.4.1　量子BP神经网络用于函数逼近 160 8.4.2　量子神经元实现非线性映射的实验验证 161 思考题 162 参考文献 162 第9章　量子遗传算法 164 9.1　量子遗传算法基础 164 9.1.1　量子比特编码 164 9.1.2　量子旋转门策略 165 9.1.3　量子变异操作 166 9.1.4　量子交叉操作 166 9.1.5　算法描述 167 9.1.6　算法实现及性能测试 168 9.2　改进量子遗传算法 168 9.2.1　改进思路 168 9.2.2　算法流程 168 9.2.3　算法实现及性能测试 170 9.3　量子遗传算法的其他改进形式 172 9.3.1　改进的模拟退火算法 172 9.3.2　分组量子遗传算法 174 9.3.3　混沌量子免疫遗传算法 175 9.4　应用实例 177 9.4.1　基于量子遗传算法的认知无线电频谱共享 177 9.4.2　基于量子遗传算法的MIMO-OFDM系统信号检测 180 思考题 182 参考文献 183 第10章　量子免疫算法 184 10.1　量子免疫算法基础 184 10.1.1　量子比特编码 184 10.1.2　量子门更新 185 10.2　量子免疫克隆算法 187 10.2.1　量子种群 187 10.2.2　观测操作 188 10.2.3　克隆操作 188 10.2.4　免疫遗传操作 188 10.2.5　选择操作 189 10.3　量子免疫克隆算法的改进 189 10.3.1　编码方案的改进 189 10.3.2　变异操作的改进 190 10.3.3　算法步骤 191 10.3.4　算法性能测试及结果分析 191 10.4　混沌量子免疫克隆算法 195 10.4.1　种群初始化 196 10.4.2　克隆操作 197 10.4.3　变异操作 198 10.4.4　选择操作 199 10.4.5　算法步骤 200 10.4.6　算法性能测试及结果分析 200 10.5　免疫算法的应用 205 10.5.1　基于混沌量子免疫克隆算法的压缩感知数据重构 205 10.5.2　基于混沌量子免疫克隆算法的OMP数据重构 206 思考题 210 参考文献 211 第11章　量子群智能算法 213 11.1　量子粒子群算法 213 11.1.1　基于概率幅的量子粒子群算法 213 11.1.2　基于量子行为的粒子群算法 215 11.1.3　量子粒子群算法的改进 216 11.1.4　算法性能测试 219 11.2　量子蚁群优化算法 223 11.2.1　二进制编码的量子蚁群优化算法 223 11.2.2　连续量子蚁群优化算法 225 11.2.3　量子蚁群优化算法的改进策略 227 11.2.4　算法性能测试 229 11.3　量子菌群优化算法 231 11.3.1　量子染色体与量子二进制编码 231 11.3.2　量子细菌趋化 232 11.3.3　量子细菌繁殖 232 11.3.4　量子迁徙 233 11.3.5　量子菌群优化算法流程 233 11.3.6　量子菌群优化算法性能测试 233 11.3.7　自适应量子菌群优化算法 238 11.4　应用实例 239 11.4.1　基于量子粒子群算法的认知无线电频谱分配 239 11.4.2　基于量子蚁群优化算法的LTE系统信号检测 242 11.4.3　量子菌群优化算法求解组合优化问题 246 11.4.4　基于量子菌群优化算法的5G移动通信系统中信道估计 249 思考题 253 参考文献 253 第12章　量子机器学习 255 12.1　量子机器学习概述 255 12.1.1　量子机器学习的发展 255 12.1.2　量子机器学习原理 257 12.2　基于线性代数的量子机器学习 258 12.2.1　算法的基本原理 258 12.2.2　线性方程组的量子算法 259 12.2.3　复杂度对比 260 12.2.4　算法讨论和扩展 261 12.3　量子主成分分析 262 12.3.1　量子主成分分析原理 262 12.3.2　量子主成分分析的应用 264 12.3.3　算法讨论 265 12.4　量子支持向量机 265 12.4.1　支持向量机 266 12.4.2　量子内积评估 267 12.4.3　核矩阵的模拟 267 12.4.4　量子最小二乘支持向量机 268 12.4.5　分类 269 12.4.6　核矩阵压缩和误差分析 270 12.4.7　非线性支持向量机 271 12.4.8　总结 271 12.5　深度量子学习 271 12.5.1　基于量子采样的梯度估计 273 12.5.2　基于量子幅度估计的梯度估计 275 12.5.3　并行算法 275 12.5.4　数值结果 276 12.5.5　总结 278 思考题 279 参考文献 279