支持向量机的硬件实现及其优化

发布时间：2020-03-22 09:51

【摘要】： 支持向量机(Support Vector Machine或SVM)作为机器学习中一个新兴的领域,在人脸检测、语音识别、图像处理领域都有着广泛的应用。这主要是由于支持向量机目标是在小样本情况下追求学习的最优性能,更加符合实际情况,从而在现实中具有更好的推广能力。同时支持向量机通过引入特征空间和核函数解决了非线性划分以及特征空间高维数带来的巨大运算量等问题,从而使支持向量机的应用变得更为可能,应用范围也更广泛。正是如此,人们对其研究也越来越深入。 本文重点研究支持向量机的硬件实现和优化。文章首先分析研究了SVM的实现方法,并将其改进为易于硬件实现的算法——非固定偏置硬件算法。在上述算法基础上,作者提出了两种电路结构。文中首先介绍基于串行结构的SVM,在列出的结构图上详细分析介绍了以上算法如何在硬件上实现,并叙述了该实现对面积速度的影响。随后对于并行结构的SVM,则主要对它与串行结构的不同之处进行介绍,这包括速度和面积的差异。 最后,论文重点介绍了以上结构的SVM在Sonar数据库上的测试。发现字长精度Δ≤2~(-10),才能保证对最终的分类效果没有影响;同时基于串行结构的SVM在速度和面积上有很好的平衡性,在样本的适应性上较强,可适用于少于设计数目的样本情况,而并行结构则在速度上有较大优势,可以在高速场合应用。
【图文】：

的C一支持向量分类机以及其变种u一支持向量分类机。上述分类也可以看作SVM推广过程中对其中各个阶段分类机的称呼，而线性硬间隔分类机则是最基本的分类向量机，其中发展关系则可用图1表示。实际应用中，以C一支持向量机以及u一支持向量机应用范围最广，它们拥有线性软间隔分类和非线性硬间隔分类两种方法的优点。线性硬间隔分类机CCC一支持向量分类机 机机卜支持向量分类机机图1一1支持向量分类机关系图对于支持向量回归机，可以采用类似于分类机的定义方式，它指的是:基于一个给定的样本集尸二(x，，戈染l，戈。R，，xjoX二叭，，寻找拟合样本集输入与输出关系的函数f(x)=w·尹 (x)+b(1.2)同时用这个f(x)来判别未知输入向量戈的输出的过程。与支持向量分类机不同的是这里用f(x)判别xi后的输出yi是实数

在着参数对(w，b)使得yi=sgn《w·x、)+b)i二1，…，l可以求解这样的分类问题。但是很明显，这样的参数对有很多，它们构成的超平面都可以对训练点进行正确的分类(见图2一1)。这就需要有一个选择标准，并能够从理论和实际上都获得最好的分类效果，通常我们使用最大间隔法。所谓最大间隔法，就是使得两类样本中距超平面最近的点到超平面的距离之和(margin)最大的超平面，我们称该超平面为最优超平面。图2一1可正确划分的超平面
【学位授予单位】：浙江大学
【学位级别】：硕士
【学位授予年份】：2008
【分类号】：TP181;TP302

【相似文献】

相关期刊论文 前10条

1 刘学胜;;基于PCA和SVM算法的人脸识别[J];计算机与数字工程;2011年07期

2 王素云;崔丽威;宫雷;曹苏娜;;SVM方法在滚动轴承故障诊断中的应用[J];西安文理学院学报(自然科学版);2011年03期

3 杨大鹏;赵京东;崔平远;姜力;刘宏;;基于支持向量机的人手姿态肌电模式识别与力检测[J];高技术通讯;2010年06期

4 何俊强;李建勇;姜涛涛;代勤芳;唐超;;GASA-SVM改进算法及其在柴油机供油系统故障诊断中的应用[J];西南科技大学学报;2011年02期

5 孔浩;杨勇;王国胤;;基于多分类器融合的语音识别方法研究[J];重庆邮电大学学报(自然科学版);2011年04期

6 王朋宇;郭崎;沈海华;陈云霁;张珩;;使用支持向量机的微处理器验证向量优化方法[J];高技术通讯;2010年01期

7 阿尔达克;塔西甫拉提·特依拜;张飞;;SAR图像盐渍地分类研究[J];遥感信息;2011年04期

8 戴磊;云晓春;张永铮;吴志刚;;一种基于TCM主动学习的P2P流识别技术[J];高技术通讯;2010年07期

9 宋翠玉;李培军;杨锋杰;;基于多元局部二值模式的遥感图像纹理提取与分类[J];遥感技术与应用;2011年03期

10 郭金玲;樊东燕;;基于SVM的山西省旅游需求预测与分析[J];电脑开发与应用;2011年09期

相关会议论文 前10条

1 朱蕾;朱国栋;石江;;SVM方法在乌鲁木齐机场跑道视程预测中的应用[A];中国气象学会2007年年会天气预报预警和影响评估技术分会场论文集[C];2007年

2 常涛;;支持向量机在乌鲁木齐大气污染预报中的应用研究[A];中国气象学会2008年年会大气环境监测、预报与污染物控制分会场论文集[C];2008年

3 王在文;;SVM方法在快速订正中的应用研究[A];中国气象学会2005年年会论文集[C];2005年

4 宋普云;沈雪勤;吴清;;一种改进的SMO算法[A];第六届全国计算机应用联合学术会议论文集[C];2002年

5 张钹;张铃;;统计学习理论及其应用[A];2001年中国智能自动化会议论文集（上册）[C];2001年

6 张国宣;孔锐;施泽生;郭立;;一种新的基于聚类的SVM迭代算法[A];第二届全国信息获取与处理学术会议论文集[C];2004年

7 孙向东;黄日波;;运用SVMs原理预测蛋白质二级结构研究[A];广西微生物学会2003年学术年会论文集[C];2003年

8 刘斌;魏贤龙;李卓;;基于支持向量机的Widrow自适应滤波器[A];2006中国控制与决策学术年会论文集[C];2006年

9 徐元顺;刘志勇;李晓兰;陈建州;;支持向量机在水文气象中的应用[A];2008年湖北省气象学会学术年会学术论文详细文摘汇集[C];2008年

10 孟祥国;马军;段昕;;基于统计学习理论的支持向量机算法研究[A];2006年全国理论计算机科学学术年会论文集[C];2006年

相关博士学位论文 前10条

1 冯云龙;统计学习理论中基于核的算法研究[D];中国科学技术大学;2012年

2 徐红敏;基于支持向量机理论的水环境质量预测与评价方法研究[D];吉林大学;2007年

3 李萌;旋转机械轴承故障的特征提取与模式识别方法研究[D];吉林大学;2008年

4 殷志伟;基于统计学习理论的分类方法研究[D];哈尔滨工程大学;2009年

5 陈梅香;基于SVM和GIS的梨小食心虫预测系统的研究[D];北京林业大学;2010年

6 周绮凤;基于支持向量机的若干分类问题研究[D];厦门大学;2007年

7 孙宗海;支持向量机及其在控制中的应用研究[D];浙江大学;2003年

8 徐海祥;基于支持向量机方法的图像分割与目标分类[D];华中科技大学;2005年

9 唐发明;基于统计学习理论的支持向量机算法研究[D];华中科技大学;2005年

10 何世钧;电容层析成像系统的研究与应用[D];天津大学;2005年

相关硕士学位论文 前10条

1 滕文凯;支持向量机反问题及其解法[D];河北大学;2005年

2 杜晓东;基于支持向量机的数据挖掘方法[D];山东大学;2005年

3 王李东;基于支持向量机（SVM）的短期负荷预测的研究[D];华中科技大学;2005年

4 郭得令;基于LS-SVM的围岩位移非线性预测应用研究[D];武汉理工大学;2006年

5 詹超;支持向量机在基因表达数据分类中的研究[D];武汉理工大学;2006年

6 马洁;基于支持向量机的股市预测问题研究[D];天津大学;2006年

7 高异;基于支持向量机的非线性系统建模与控制[D];西安理工大学;2006年

8 邓小文;基于SVM的柴油机机械故障诊断研究[D];厦门大学;2006年

9 王忠文;统计学习理论及其在地学中的应用研究[D];吉林大学;2007年

10 蒋琳琼;基于支持向量机的货币识别研究[D];中南大学;2007年

本文编号：2594871