1.一种基于机器学习的新型连续变量量子密钥分发方法,包括态学习过程和态预测过程,具体包括如下步骤:态学习过程:
S1.发送端制备具有已知标记的调制相干态,并发送给接收端;
S2.接收端测量接收到的调制相干态,从而获取测量结果;
S3.在收集到足够多步骤S2的测量结果后,接收端对其进行特征提取,并将提取后的数据划分为训练集和测试集;
S4.用步骤S3获取的训练集对分类器进行训练,从而得到训练分类器;
S5.用步骤S3获取的测试集对步骤S4得到的训练分类器进行测试,并重复步骤S4~S5直至训练分类器通过测试,从而得到最终的量子分类器;
态预测过程:
S6.发送端将具有未知标记的调制相干态发送给接收端;
S7.接收端测量接收到的调制相干态,并获取测量结果;
S8.接收端将步骤S7获取的测量结果进行特征提取,并采用步骤S5得到的量子分类器对提取后的数据进行预测,从而获取该数据的类别标记;
S9.重复步骤S8若干次,直至发送端和接收端共享原始密钥,此时量子密钥分发结束。
2.根据权利要求1所述的基于机器学习的新型连续变量量子密钥分发方法,其特征在于还包括如下步骤:S10.发送端和接收端对各自的原始密钥进行随机哈希函数操作,从而保证发送端和接收端之间共享完全相同的密钥。
3.根据权利要求1所述的基于机器学习的新型连续变量量子密钥分发方法,其特征在于步骤S1和步骤S6所述的发送给接收端,具体为通过不可信量子信道发送给接收端。
4.根据权利要求1所述的基于机器学习的新型连续变量量子密钥分发方法,其特征在于步骤S2和步骤S7所述的测量接收到的调制相干态,具体为采用相干检测器测量接收到的调制相干态。
5.根据权利要求1~4之一所述的基于机器学习的新型连续变量量子密钥分发方法,其特征在于步骤S3和步骤S8所述的特征提取,具体为采用如下步骤进行特征提取:A.接收端设置若干虚拟参考态;
B.在笛卡尔坐标系下,接收端计算虚拟参考态与接收到的调制相干态所对应的信号态之间的欧几里得距离;
C.将步骤B得到的一组欧几里得距离作为特征,来描述接收端接收到的调制相干态所对应的信号态。
6.根据权利要求5所述的基于机器学习的新型连续变量量子密钥分发方法,其特征在于步骤S4所述的分类器为量子多标记分类器。
7.根据权利要求6所述的基于机器学习的新型连续变量量子密钥分发方法,其特征在于所述的量子多标记分类器,具体为采用如下算式作为多标记分类器:式中P(Hj|Cj)为在N(|x>)中有Cj个带标记的数据具有类别标记yj的条件下Hj为真的后验概率; 为在N(|x>)中有Cj个带标记的数据具有类别标记yj的条件下Hj为假的后验概率;t(|x〉)为相干态|x>的阈值函数;N(|x>)为训练集中的|x>的k个最近邻相干态的子集;Cj为|x>的近邻中属于第j个类别yj的数量。