基于量子神经网络的马铃薯早疫病诊断模型

针对马铃薯早疫病智能诊断,将量子计算的态叠加方法和神经网络计算的自适应性结合,提出了将量子神经网络作为马铃薯早疫病诊断模型。该模型隐含层采用多个量子能级的激励函数叠加的量子神经元,有效地解决了病害诊断中模糊决策,在给出的学习算法的训练过程中自适应地确定样本特征数据中的不确定性。此算法能够较好地避免传统神经网络在训练过程中易出现局部极小值的弊端,提高了网络学习速度。仿真结果表明:量子神经网络在马铃薯早疫病诊断中,诊断正确率达到96.5%。