1988年,Avaronov等人首次提出了弱測量(weak measurement)的概念。他們指出,在測量設(shè)備和被測系統(tǒng)耦合強度很弱的情況下,當前后選擇態(tài)接近正交時,測量結(jié)果可以被明顯放大,甚至可以顯著大于被測系統(tǒng)中可觀測量的本征值,這使得極微小的參量的觀測成為可能。弱測量的放大微弱信號的作用使其在精密測量領(lǐng)域獲得了極大的關(guān)注,目前已廣泛用于相位估計、頻率測量、溫度測量、時延測量、速度測量等任務中。不可避免的,由于各種干擾的存在使得參數(shù)估計結(jié)果存在偏差,通常用于提高參數(shù)估計精度的方法是對多次測量結(jié)果取平均,這種方法對降低因短期相關(guān)噪聲特別是白噪聲引入的偏差有良好的效果。但是對于長期相關(guān)性噪聲引入的誤差,這種方法的作用是有限的,甚至可能會增大誤差。目前弱測量領(lǐng)域尚未有降低長期相關(guān)性噪聲所引起的參量估計偏差的相關(guān)研究。隨著機器學習技術(shù)的發(fā)展和廣泛應用,機器學習算法為這個問題的解決提供了可能。機器學習理論最早可以追溯到人工神經(jīng)網(wǎng)絡的研究,到目前已經(jīng)走過了70多年曲折而又光輝的歷程。近年來隨著大數(shù)據(jù)、計算性能以及存儲能力的發(fā)展,機器學習算法有了巨大的發(fā)展和應用。機器學習算法目前已經(jīng)應用在各種各...

【文章頁數(shù)】：85 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景
        1.1.1 弱測量技術(shù)
        1.1.2 機器學習算法
    1.2 本文研究內(nèi)容和主要工作
    1.3 論文結(jié)構(gòu)安排
第二章 弱測量的基本理論
    2.1 量子測量的一般理論
        2.1.1 量子測量的假設(shè)
        2.1.2 量子測量的分類
    2.2 弱值放大弱測量理論
        2.2.1 弱測量的基本理論
        2.2.2 測量儀器偏移量的精確表述和極值
        2.2.3 量子弱測量的前提條件
        2.2.4 量子弱測量的優(yōu)勢與劣勢
    2.3 弱值的實現(xiàn)
    2.4 本章小結(jié)
第三章 機器學習理論
    3.1 機器學習理論基礎(chǔ)
        3.1.1 機器學習簡介
        3.1.2 機器學習分類
        3.1.3 機器學習算法的實施流程
    3.2 機器學習算法
        3.2.1 前饋神經(jīng)網(wǎng)絡
        3.2.2 循環(huán)神經(jīng)網(wǎng)絡
        3.2.3 長短時記憶神經(jīng)網(wǎng)絡
    3.3 本章小結(jié)
第四章 結(jié)合機器學習的弱測量參數(shù)估計
    4.1 參數(shù)估計方法
        4.1.1 研究背景
        4.1.2 參數(shù)估計方法整體設(shè)計
        4.1.3 機器學習優(yōu)化技術(shù)
    4.2 時延參量估計實驗
        4.2.1 時間延遲系統(tǒng)
        4.2.2 實驗結(jié)果分析
    4.3 本章小結(jié)
第五章 總結(jié)與展望
參考文獻
致謝
攻讀學位期間發(fā)表的學術(shù)論文
攻讀學位期間參與的項目
攻讀學位期間申請的專利



本文編號：4023383