机构名称：
¥ 1.0
摘要：量子机器学习 (QML) 将量子物理与机器学习技术相结合，以提高算法性能。通过利用量子计算的独特属性（例如叠加和纠缠），QML 旨在解决超出传统计算能力的复杂问题。在这项研究中，我们开发了一种混合模型，即量子卷积回声状态网络，它将 QML 原理融入了储层计算框架。通过评估其在基准时间序列数据集上的性能，我们观察到与传统回声状态网络 (ESN) 相比，均方误差 (MSE) 方面的结果有所改善，并且时间复杂度有所降低。这些发现凸显了 QML 在推进时间序列预测方面的潜力，并强调了融合量子和机器学习方法的好处。
用于时间序列预测的混合卷积回声状态网络
主要关键词
相关文件推荐
