量子科技中心_量科网

工业状态监测与故障分类流程中，数据类别不平衡是核心挑战，这会导致传统机器学习模型过度拟合多数类样本，而无法有效学习少数类故障模式。该研究团队通过量子合成少数类过采样技术（QSMOTE）及六种噪声通道模拟的量子扰动，对传统分类器在类别不平衡缓解场景下的表现进行了系统性基准测试与鲁棒性研究。实验覆盖太阳能板图像数据集（SPID）、凯斯西储大学轴承数据集（CWRUBD）、发动机故障检测数据集（EFDD）和工业故障检测数据集（IFDD）四个多分类场景，以验证影响的普适性。结果表明：QSMOTE能持续修正分布偏斜，显著提升随机森林（RF）、支持向量机（SVM）和决策树（DT）等非线性分类器性能——在EFDD上实现最高170%的改进，在IFDD上达到近乎完美（≥0.99）的准确率；而线性回归（LR）和朴素贝叶斯（NB）等线性/概率模型表现参差，尤其在特征空间重叠时会因插值引发的边界畸变导致性能显著下降。并行开展的噪声鲁棒性分析显示：集成模型（RF）和基于间隔的学习器（SVM）保持强韧性，在最大噪声下仍能维持95%以上的基准准确率；相比之下NB和DT表现出明显不稳定性，尤其在高方差数据集上。该工作为理解经典模型在现实数据不平衡和量子启发噪声下的行为建立了严谨基准。