买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南京信息工程大学申请的专利一种基于量子脉冲神经网络的节能绿色交通标志分类方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121190888B 。

龙图腾网通过国家知识产权局官网在2026-02-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511697394.5，技术领域涉及：G06V10/764；该发明授权一种基于量子脉冲神经网络的节能绿色交通标志分类方法是由瞿治国;李科启;余益民;孙乐设计研发完成，并于2025-11-19向国家知识产权局提交的专利申请。

本一种基于量子脉冲神经网络的节能绿色交通标志分类方法在说明书摘要公布了：本发明公开了一种基于量子脉冲神经网络的节能绿色交通标志分类方法，包括：构建融合量子时间通道注意力编码QTCAC与膜残差神经网络MS‑ResNet的QTCAC‑SNN模型；通过QTCAC模块，利用量子神经网络QNNs提取输入图像在时间维度和通道维度的注意力特征，再经由注意力融合单元对特征进行融合处理，将图像编码为表示能力更强的脉冲序列；本发明采用QNN与SNN的混合训练方法对模型进行训练，在交通标志图像分类任务中部署训练完成的模型以实现绿色高效计算。本发明创新性提出量子时间通道注意力编码机制，结合量子计算和混合训练方法执行分类任务，在保证模型高准确率的同时显著降低能耗。

本发明授权一种基于量子脉冲神经网络的节能绿色交通标志分类方法在权利要求书中公布了：1.一种基于量子脉冲神经网络的节能绿色交通标志分类方法，其特征在于，包括如下步骤： 步骤1、采集交通标志数据集，并对交通标志分类模型的参数进行初始化设置； 步骤2、针对交通标志数据集中的静态输入，将其复制至T个时间步，构建具备时间维度的初始输入图像； 步骤3、对初始输入图像执行脉冲信号编码，依次经过卷积层Conv、批归一化层BN，然后通过TSA-LIF脉冲神经元层进行时空自适应强化编码，获得强化编码结果； 步骤4、对强化编码结果进行特征强化：基于量子时间通道注意力编码QTCAC模块，利用量子神经网络QNNs提取输入图像在时间维度和通道维度的注意力特征，将图像编码为脉冲序列； 步骤4具体包括如下步骤： 步骤4.1、编码产生的重复输入经过最大池化层MaxPool和平均池化层AvgPool后得到时间特征向量 步骤4.2、将时间特征向量输入到QNN中进行特征提取；采用角度编码，将输入经典数据映射为量子旋转门的角度来表示信息，并将数据映射到量子态的相位信息中；设表示归一化向量，然后对于每一个经典数据，使用一个旋转门将该经典数据编码为量子比特的旋转角度；对每个量子比特施加旋转门，其中表示旋转角度，得到的量子态表示为： ； 通过量子比特的旋转操作，将经典特征向量共同映射至量子叠加态；对于多个输入数据，依次施加旋转门以形成整体叠加量子态，表示为： ； 其中，表示张量积运算，表示n个张量积；对于角度编码，所用量子比特数n=N； 步骤4.3、时间特征向量和进行归一化处理后，再分别进行角度编码，得到量子态和，并对编码后的量子态进行量子演化； 步骤4.4、对演化后的量子态进行测量，以获取各时间步对应的输出概率幅信息；通过测量结果可实现时间注意力权重的计算；量子态测量采用可观测算子的期望值形式表示，计算方法为： ； 其中，T表示时间步数，表示在T个时间步上的右矢量子叠加态，表示的左矢对偶态；表示量子测量所得期望值，测量采用Z基测量方式；Z基对应的可观测算子表示为： ； I表示单位矩阵；张量积运算，Z为特征矩阵； 步骤4.5、最终的时间注意力向量M∈RT由和经过量子电路后测量的结果共同组成，为整合时间特征，引入两个可学习参数和，分别用于平衡最大池化与平均池化所得信息，以形成最终的时间注意力输出； 步骤5、利用量子通道注意力模块QCA提取通道维度注意力特征； 步骤5具体包括如下步骤： 步骤5.1、利用全局池化层获取通道层的空间信息，用以将全局空间特征映射至通道描述符中；全局平均池化算子即全局特征矩阵表示为： ； 其中，是第c个通道在时间步长t时的输入图像，H表示矩阵的行数，W表示矩阵的列数，i,j表示第i行第j列的元素； 步骤5.2、将经全局平均池化处理后的特征图输入至量子神经网络QNN中进行计算，以提取不同时间步各通道的注意力信息；在输入至QNN之前，结合量子时间注意模块QTA中所采用的量子态编码方式，对特征矩阵Z进行量子态映射，整体编码过程表示为： ； 其中，表示第t个时间步的通道特征进行量子编码得到的量子态，UencodingZ表示将特征矩阵Z转换为相应量子态的编码算符； 步骤5.3、对所得量子态进行测量，以根据各时间步的输出概率幅信息获取通道注意力权重；由于各时间步的通道特征向量分别输入至QNN中，因此对每个时间步均独立进行测量，测量结果用于计算该时间步下通道特征的重要性权重； 步骤5.4、将整个量子通道注意力提取的过程记为一个映射，则整个量子通道注意力提取的过程表示为： O； 其中O∈RT×C是量子通道注意力矩阵，R为实数集； 步骤6、利用量子时间注意力模块QTA提取时间维度注意力特征并通过注意力融合模块AFU和通道维度注意力特征进行融合； 步骤7、构建融合量子时间通道注意力编码模块QTCAC与时空自适应膜残差网络TSA-MS-ResNet的QTCAC-SNN模型，利用QTCAC模块进行图像编码，并通过TSA-MS-ResNet执行分类任务； 步骤8、采用量子神经网络与脉冲神经网络相结合的混合训练策略，对交通标志分类模型进行优化训练，并在标志分类任务中部署训练完成的模型以实现绿色且高效的计算。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京信息工程大学，其通讯地址为：210032 江苏省南京市江北新区宁六路219号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。