技术特征：
1.一种应用于面部表情识别的量子前馈神经网络构造方法，其特征在于，包括以下步骤：1)、构造量子神经元模型：将输入与权重都编码至量子计算基态上，量子计算基态是指与经典比特0和1对应的量子比特状态，然后通过受控酉门将输入与权重量子态相互作用的结果写在系统状态的本征值的相位上，量子态是指描述量子系统所有量子比特所对应的状态，然后通过相位估计得出估计值作为神经元的输出；2)、将已构造的量子神经元模型组建成单隐层的量子前馈神经网络，其输入层、输出层及中间隐层都由量子态表示，而输入层、输出层及中间隐层之间相应的连接权重则是由受控酉门的形式表示；3)、将量子单隐层前馈神经网络向量子多隐层神经网络组建，与单隐层模型一样，量子多隐层前馈神经网络的每一层都由量子态表示，每层之间的连接权重也由受控酉门的形式表示；4)、将改进后的量子搜索算法作为量子前馈神经网络的学习算法，将所有权重值空间作为搜索空间，其中最优权重值参数作为搜索问题的解，然后通过量子搜索算法将这组最优参数搜索出来作为训练所得的结果，即在网络可调参数空间中，寻找一组最优参数使得神经网络输出的误差最小；将构造的量子前馈神经网络应用于面部表情识别任务中，可以将数据集作为输入到量子神经网络中，通过量子搜索算法不断迭代搜索得最优权重参数后，可从实际输入得到期望输出，从而得出面部表情识别结果。2.根据权利要求1所述的应用于面部表情识别的量子前馈神经网络构造方法，其特征在于，所述步骤1)量子神经元模型中，设输入向量为x＝(x1；x2；
…
；x
n
)，对应权重向量为w＝(w1；w2；
…
；w
n
)，都编码至计算基态上为：其中|x>表示输入量子态，|w>表示权重量子态，表示张量积，然后权重向量的值将会作为参数写入受控幺正门该酉门作用可以写为其中|k>表示量子神经元模型中计数量子比特状态，在此引入神经元阈值量子态|θ>，并通过辅助量子比特|0>引入，则输入与权重相互作用的结果为：为了简单起见，设变量最后通过量子相位估计算法可得其中|k>表示量子神经元模型中计数量子比特状态，t为其包含得量子比特数，得估计值状态由此神经元的输出为y∈[0,1)。3.根据权利要求2所述的应用于面部表情识别的量子前馈神经网络构造方法，其特征在于，步骤2)量子单隐层前馈神经网络中，输入层的量子态表示为|x>＝|x1x2…
x
m
>，中间隐
层的量子态表示为|h>＝|h1h2…
h
q
>，其中量子比特|h
p
>表示中间隐层第p个处理神经元n
p
所得输出，输入层量子态与中间隐层神经元之间的连接线为隐层神经元的权重向量量子态|w
p
>与输入量子态|x>的相互作用，则其相互作用可表示为受控幺正门作用于输入量子态上输出层的量子态表示为|y>＝|y1y2…
y
n
>，而中间隐层量子态与输出层神经元之间的连线为输出层神经元的权重向量量子态|v
j
>与隐层值量子态|h>的相互作用，同理可表示为4.根据权利要求3所述的应用于面部表情识别的量子前馈神经网络构造方法，其特征在于，所述步骤3)量子多隐层前馈神经网络中，其输入层量子态为|x>＝|x1x2…
x
m
>，输出层量子态为|y>＝|y1y2…
y
n
>，中间层含有多个隐层，假设中间第r隐层包含q个功能神经元，则该层量子态表示为隐层的权重向量量子态与该层输入量子态|h
r
‑1>的相互作用可表示为而中间隐层量子态|h
s
>与输出层神经元的权重向量量子态|v
j
>之间相互作用同理也可表示为5.根据权利要求4所述的应用于面部表情识别的量子前馈神经网络构造方法，其特征在于，所述步骤4)改进量子搜索算法中，理想权重向量的量子态为|w
d
>，其对应的标签为|d>，而搜索空间中其他参数对应的权重向量对应的标签为|d
′
>，则初态其中n表示权重值搜索空间的元素数，g的两次反射作用在|ψ>上可以表示为所以反复应用grover迭代，会把初态旋转得接近|d>，此时在计算基态上进行测量就会以很高得概率产生与|d>重叠的输出，即最优参数也就是理想得权重向量。6.根据权利要求5所述的应用于面部表情识别的量子前馈神经网络构造方法，其特征在于，所述将构造的量子前馈神经网络应用于面部表情识别，得出面部表情识别结果，具体包括：进行面部表情识别任务，首先将该面部表情数据集进行预处理，目的是为了消除图形及光照等影响。然后提取特征向量作为量子前馈神经网络的输入向量，运用改进后的量子搜索算法作为该网络的学习算法，先将生成的随机权重值向量作为搜索空间，将能够使输入得到对应输出的权重值作为搜索问题的解，之后不断进行算法迭代得到权重值的最优参数组，使实际输入得到期望的输出，从而得到面部表情识别的结果。