结合机器学习的弱测量参数估计

发布时间：2025-01-05 22:42

　　1988年,Avaronov等人首次提出了弱测量(weak measurement)的概念。他们指出,在测量设备和被测系统耦合强度很弱的情况下,当前后选择态接近正交时,测量结果可以被明显放大,甚至可以显著大于被测系统中可观测量的本征值,这使得极微小的参量的观测成为可能。弱测量的放大微弱信号的作用使其在精密测量领域获得了极大的关注,目前已广泛用于相位估计、频率测量、温度测量、时延测量、速度测量等任务中。不可避免的,由于各种干扰的存在使得参数估计结果存在偏差,通常用于提高参数估计精度的方法是对多次测量结果取平均,这种方法对降低因短期相关噪声特别是白噪声引入的偏差有良好的效果。但是对于长期相关性噪声引入的误差,这种方法的作用是有限的,甚至可能会增大误差。目前弱测量领域尚未有降低长期相关性噪声所引起的参量估计偏差的相关研究。随着机器学习技术的发展和广泛应用,机器学习算法为这个问题的解决提供了可能。机器学习理论最早可以追溯到人工神经网络的研究,到目前已经走过了70多年曲折而又光辉的历程。近年来随着大数据、计算性能以及存储能力的发展,机器学习算法有了巨大的发展和应用。机器学习算法目前已经应用在各种各...

【文章页数】：85 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景
        1.1.1 弱测量技术
        1.1.2 机器学习算法
    1.2 本文研究内容和主要工作
    1.3 论文结构安排
第二章 弱测量的基本理论
    2.1 量子测量的一般理论
        2.1.1 量子测量的假设
        2.1.2 量子测量的分类
    2.2 弱值放大弱测量理论
        2.2.1 弱测量的基本理论
        2.2.2 测量仪器偏移量的精确表述和极值
        2.2.3 量子弱测量的前提条件
        2.2.4 量子弱测量的优势与劣势
    2.3 弱值的实现
    2.4 本章小结
第三章 机器学习理论
    3.1 机器学习理论基础
        3.1.1 机器学习简介
        3.1.2 机器学习分类
        3.1.3 机器学习算法的实施流程
    3.2 机器学习算法
        3.2.1 前馈神经网络
        3.2.2 循环神经网络
        3.2.3 长短时记忆神经网络
    3.3 本章小结
第四章 结合机器学习的弱测量参数估计
    4.1 参数估计方法
        4.1.1 研究背景
        4.1.2 参数估计方法整体设计
        4.1.3 机器学习优化技术
    4.2 时延参量估计实验
        4.2.1 时间延迟系统
        4.2.2 实验结果分析
    4.3 本章小结
第五章 总结与展望
参考文献
致谢
攻读学位期间发表的学术论文
攻读学位期间参与的项目
攻读学位期间申请的专利



本文编号：4023383