-
公开(公告)号：CN112367166B
公开(公告)日：2022-08-09
申请号：CN202011161579.1
申请日：2020-10-27
Applicant: 湖南大学
Abstract: 本发明属于通信技术领域，公开了一种高精度态区分检测方法、系统、介质、计算机设备及应用，包括信号发送端发送具有N个可能的非正交的相干态(|α0＞，|α1＞，|α2＞，…，|αN＞)的态模式的随机信号；通信模块采用离散调制的连续变量量子密钥分发协议进行通信；信号接收端利用基于贝叶斯算法的态区分检测器进行非正交量子态测量。本发明高精度态区分检测系统，通过快速反馈的形式采用光子计数和适应性测量技术具有超越标准量子极限的能力，通过在接收端部署这样的一个态区分检测器，能有效的降低信号态在接收端被错误测量的概率，从而提升连续变量量子密钥分发在进行远距离传送的性能。
-
Patent Agency Ranking
公开(公告)号：CN112367166A
公开(公告)日：2021-02-12
申请号：CN202011161579.1
申请日：2020-10-27
Applicant: 湖南大学
Abstract: 本发明属于通信技术领域，公开了一种高精度态区分检测方法、系统、介质、计算机设备及应用，包括信号发送端发送具有N个可能的非正交的相干态(|α0＞，|α1＞，|α2＞，…，|αN＞)的态模式的随机信号；通信模块采用离散调制的连续变量量子密钥分发协议进行通信；信号接收端利用基于贝叶斯算法的态区分检测器进行非正交量子态测量。本发明高精度态区分检测系统，通过快速反馈的形式采用光子计数和适应性测量技术具有超越标准量子极限的能力，通过在接收端部署这样的一个态区分检测器，能有效的降低信号态在接收端被错误测量的概率，从而提升连续变量量子密钥分发在进行远距离传送的性能。
-
公开(公告)号：CN112039669B
公开(公告)日：2021-11-02
申请号：CN202010941201.7
申请日：2020-09-09
Applicant: 湖南大学
IPC: H04L9/08
Abstract: 本发明公开了一种基于离散调制非正交态的量子密钥共享方法，包括终端和远程用户接入光纤信道；从最远端的远程用户开始，各远程用户将离散调制的非正交态注入数据信息，直至所有远程用户均注入并发送至终端；终端测量数据信息得到测量结果；重复上述步骤；确定各远程用户到终端的量子信道的透射率；终端重新计算测量结果得到最终测量结果，建立远程用户到终端的点对点连续变量量子密钥分发链路；计算各分发链路的安全密钥率并选定最终安全密钥率；终端判定最终安全密钥率使得终端与每个远程用户共享不同的密钥；终端完成目标信息在所有远程用户之间的共享。本发明方法能够满足多用户量子密钥共享，而且可靠性高、实时性好。
-
公开(公告)号：CN112039669A
公开(公告)日：2020-12-04
申请号：CN202010941201.7
申请日：2020-09-09
Applicant: 湖南大学
IPC: H04L9/08
Abstract: 本发明公开了一种基于离散调制非正交态的量子密钥共享方法，包括终端和远程用户接入光纤信道；从最远端的远程用户开始，各远程用户将离散调制的非正交态注入数据信息，直至所有远程用户均注入并发送至终端；终端测量数据信息得到测量结果；重复上述步骤；确定各远程用户到终端的量子信道的透射率；终端重新计算测量结果得到最终测量结果，建立远程用户到终端的点对点连续变量量子密钥分发链路；计算各分发链路的安全密钥率并选定最终安全密钥率；终端判定最终安全密钥率使得终端与每个远程用户共享不同的密钥；终端完成目标信息在所有远程用户之间的共享。本发明方法能够满足多用户量子密钥共享，而且可靠性高、实时性好。
-
公开(公告)号：CN111276187B
公开(公告)日：2021-09-10
申请号：CN202010029068.8
申请日：2020-01-12
Applicant: 湖南大学
Abstract: 本发明属于计算机科学领域，公开了一种基于自编码器的基因表达谱特征学习方法，通过将基因表达谱文件按实验条件提取所需要的数据，先对提取的样本数据进行处理，得到能直接用于模型的输入数据，再将多个多通道自编码器逐层叠加，得到包含多个隐藏层的深度多通道自编码器模型，接着用深度多通道自编码器模型从高维稀疏的基因表达谱数据中提取出维度相对较低，且能有效区分原始数据的特征表示，最后验证模型预测的特征的好坏。本发明充分发挥深度学习能准确获取数据特征的优势，结合卷积神经网络的多通道和自编码器的特征学习能力，设计一种新的多通道自编码器模型，从而更好的学习到维度相对较低，且能有效区分原始基因表达谱数据的特征表示。
-
公开(公告)号：CN111276187A
公开(公告)日：2020-06-12
申请号：CN202010029068.8
申请日：2020-01-12
Applicant: 湖南大学
Abstract: 本发明属于计算机科学领域，公开了一种基于自编码器的基因表达谱特征学习方法，通过将基因表达谱文件按实验条件提取所需要的数据，先对提取的样本数据进行处理，得到能直接用于模型的输入数据，再将多个多通道自编码器逐层叠加，得到包含多个隐藏层的深度多通道自编码器模型，接着用深度多通道自编码器模型从高维稀疏的基因表达谱数据中提取出维度相对较低，且能有效区分原始数据的特征表示，最后验证模型预测的特征的好坏。本发明充分发挥深度学习能准确获取数据特征的优势，结合卷积神经网络的多通道和自编码器的特征学习能力，设计一种新的多通道自编码器模型，从而更好的学习到维度相对较低，且能有效区分原始基因表达谱数据的特征表示。
-
-
-
-
-
Search Results
6
records
(took 0.013 seconds)
