前言 

第1章  緒論

1.1  背景和意義 

1.2  研究現狀  

1.2.1  量子數據分類算法 

1.2.2  量子線性回歸算法 

1.2.3  量子聚類算法  

1.2.4  量子降維算法  

1.2.5  其他量子算法  

1.3  章節安排及主要內容  

第2章  量子計算基礎知識  

2.1  量子信息 

2.1.1  量子比特  

2.1.2  測量  

2.2  量子電路  

2.2.1  單量子比特門  

2.2.2  受控量子門  

2.2.3  通用量子門  

2.3  基礎量子算法  

2.3.1  哈密頓量模擬  

2.3.2  量子傅裡葉變換  

2.3.3  相位估計  

2.3.4  幅度放大  

2.3.5  量子交換測試  

第3章  量子關聯規則挖掘算法  

3.1  經典關聯規則挖掘回顧  

3.2  量子算法  

3.2.1  構建量子黑盒  

3.2.2  算法設計  

3.2.3  復雜度分析  

第4章  基於主成分分析的量子數據降維算法 

4.1  經典主成分分析回顧  

4.2  量子算法  

4.2.1  算法設計  

4.2.2  復雜度分析  

4.3  在量子機器學習中的應用 

4.3.1  量子支持向量機  

4.3.2  量子線性回歸預測  

第5章  量子嶺回歸算法  

5.1  經典嶺回歸回顧 

5.2  量子算法  

5.2.1  子算法1: 產生編碼最優擬合繫數的量子態  

5.2.2  子算法1的復雜度分析  

5.2.3  子算法2: 量子交叉驗證以選擇合適的嶺回歸參數  

5.2.4  子算法2的復雜度分析  

5.2.5  總算法  

第6章  量子視覺追蹤算法  

6.1  經典視覺追蹤算法  

6.2  量子算法  

6.2.1  擴展循環哈密頓量模擬  

6.2.2  訓練階段 

6.2.3  探測階段  

6.2.4  時間復雜度分析  

6.2.5  擴展到二維圖片  

6.3  應用  

6.3.1  目標消失探測  

6.3.2  運動行為匹配  

第7章  總結與展望  

附錄A  量子嶺回歸算法補充材料  

附錄B  量子視覺追蹤算法訓練階段初始量子態制備  

參考文獻