QDCNN：用于提升自动交通系统安全性与可靠性的量子深度学习

在交通网络的信息力学系统(CPS)中，确保在实时决策中实现安全与可靠性，是成功部署自动驾驶车辆和智能交通网络的关键。然而，这些系统面临着计算复杂性以及处理模糗输入（如复杂环境中的阴影）的能力不足等重大挑战。本文引入一种量子深度卷积神经网络(QDCNN)，旨在通过量子算法提升交通CPS的安全性和可靠性。QDCNN的核心是UU{dag}方法，用于通过传播算法改进阴影检测，训练质心值时进行预处理和后处理，以准确分类图像中的阴影区域。对所提QDCNN进行评估：在正常条件下的三个数据集以及受雨天影响的道路数据集上进行测试，以检验其鲁棒性。该方法在计算效率、准确性和噪声抗性方面均优于现有方法，阴影检测时间仅为0.0049352秒，显著快于基于强度的阈值分割(0.03秒)、基于色度的阴影检测(1.47秒)以及局部二值化技术(2.05秒)。这种卓越的速度、精准度和噪声鲁棒性为在实时条件下实现安全导航提供了关键因素。该研究表明，量子增强模型在解决经典方法的关键局限方面具有潜力，为构建更可靠和稳健的交通CPS系统作出了贡献。