一种新的用于心电图ST段分类的量子神经网络

摘要

本文提出了一种新的量子神经网络，用量子相移门更新网络的权值，量子受控非门模拟神经元激励函数的跳变；激励函数采用双曲正切函数的变式来替代常用的sigmoid函数。将该网络应用于心电图(ECG)ST段的分类识别中，并与经典BP神经网络和基于多层激励函数的BP神经网络进行对比分析。结果表明，该量子神经网络具有较快的收敛速度和较好的分类效果。