1.一种基于决策树的量子通信方法,其特征在于,包括以下步骤:
S10、采集量子通信参与者的通信者信息,从中提取出决策树预测模型所需的多个特征信息,在对这些特征信息进行数据预处理后,训练决策树预测模型,输出为量子通信参与者的高级和低级分类;
S20、采用交叉验证和重采样的方法对训练获得的决策树预测模型进行评价,根据评价结果优化该决策树预测模型;
S30、通信时根据该决策树预测模型确定出量子通信参与者的高级和低级分类,按照预设信息为不同等级的量子通信参与者分配相应的信道粒子,开始通信;
S40、接收者为不同等级的量子通信参与者时分别按指定规则执行相应的测量操作,执行测量操作之后,将测量结果通过经典信道告诉接收者;
S50、接收者收到所有的测量结果后,根据相应的结果对塌缩态执行幺正操作,恢复发送者所发送的信息。
2.根据权利要求1所述的基于决策树的量子通信方法,其特征在于,所述步骤S10的过程包括:S11、根据量子通信的目标需求预设决策树预测模型所需的特征信息;
S12、从采集到的通信者信息中按预设需求提取出相应的特征信息;
S13、将提取出的特征信息数字化;
S14、将数字化的特征信息作为数据集,并将该数据集按指定比例分为训练集和测试集;
S15、将训练集的数据输入到设定的决策树预测模型中进行模型训练,按照设定的量子通信参与者的高级和低级分类输出结果,由此确定出决策树预测模型的各个参数;
S16、采用测试集对获得的决策树预测模型进行检验,根据测试集输出结果统计分析判断错误率,并采用损失函数对训练获得的决策树预测模型进行剪枝优化。
3.根据权利要求2所述的基于决策树的量子通信方法,其特征在于,所述预设决策树预测模型所需的特征信息为参加所有通信中诚信次数的占比、最近三次通信中诚信的次数、第三方公证平台判断的不诚实可能性、是否上市。
4.根据权利要求2所述的基于决策树的量子通信方法,其特征在于,所述步骤S15中设定的决策树预测模型采用基尼指数模型,公式表示为:D1={(xi)∈D|Aj(x)=a},0≤a≤xi,D2=D-D1式中,D为数据集,Aj表示第j个特征信息,xi表示某个特征信息的第i个取值,a表示相应特征信息的分支条件取值,根据该a的取值将数据集D分为D1和D2两个分支子集;K表示D中特征信息的类的个数,Ck表示D中属于第k类的样本子集;Gini(D)表示数据集D的基尼指数,Gini(D,A)表示取特征信息A时数据集D的基尼指数;
选择基尼指数最小时对应的特征信息为最优切分点,模型训练时将训练集中的样本依据特征信息分配到两个分支子集中,如此循环往复计算选择,直至分支子集中的样本数小于预定阈值或没有特征进行选择,两种同类分支子集的各自集合分别对应输出结果中的高级量子通信参与者和低级量子通信参与者。
5.根据权利要求2所述的基于决策树的量子通信方法,其特征在于,所述步骤S16中损失函数表示为:Cα(T)=C(T)+α|T|
式中,T表示任意子树,C(T)表示对训练数据的预测误差,即对应的基尼指数,|T|表示子树的叶节点个数,Cα(T)表示参数α为时的子树T的整体损失,设定的参数α用于权衡训练数据的拟合程度与模型复杂度。
6.根据权利要求4所述的基于决策树的量子通信方法,其特征在于,所述步骤S20的过程包括:S21、根据交叉验证误差kfodLoss函数和重采样误差resubLoss函数,重新分配数据集D,训练和测试设定的决策树预测模型,并计算交叉验证误差;
S22、重复多次执行步骤S21的过程,并计算多次分配后交叉验证误差的平均值,作为对训练优化的决策树预测模型的评价;
S23、根据步骤S22的评价结果,选择在最小交叉验证误差下对训练优化的决策树预测模型进行剪枝,调整决策树预测模型,实现决策树预测模型的再优化。
7.根据权利要求6所述的基于决策树的量子通信方法,其特征在于,所述步骤S30中确定出量子通信参与者的分类为高级量子通信参与者和低级量子通信参与者。
8.根据权利要求7所述的基于决策树的量子通信方法,其特征在于,所述步骤S40中指定规则执行相应的测量操作为:当接收者为高级量子通信参与者时,由其他的任一高级量子通信参与者执行单粒子测量,并将测量结果通过经典信道告诉接收者;
当接收者为低级量子通信参与者时,由其他所有的量子通信参与者执行单粒子测量,并将测量结果通过经典信道告诉接收者。