基于動態(tài)神經(jīng)網(wǎng)絡的支持向量機的FPGA實現(xiàn).pdf

1、支持向量機(Support Vector Machines, SVMs)作為一種通用的機器學習算法，能夠較好的解決小樣本學習問題。目前對支持向量機的研究主要是集中在理論研究和算法優(yōu)化方面。與之相比，在實現(xiàn)方法及應用方面的研究相對較少，而且很多實現(xiàn)方法都是基于軟件實現(xiàn)的，使SVM的應用受到了限制。
　　近年來，出現(xiàn)了利用神經(jīng)網(wǎng)絡解決支持向量機學習的方法，該方法將神經(jīng)網(wǎng)絡與支持向量機相結合，利用部分對偶的方法，將求解SVM的二次規(guī)劃問

2、題轉化成對動態(tài)神經(jīng)網(wǎng)絡的動態(tài)方程組求解的問題。由于神經(jīng)網(wǎng)絡具有便于硬件實現(xiàn)的特點，因此就使SVM的硬件實現(xiàn)成為可能。但是現(xiàn)有的SVM的硬件實現(xiàn)方法都是基于模擬器件的簡單應用。模擬電路具有拓撲結構一旦確定就很難改變、功耗大和占用空間大的缺點，所以這種方法在實際應用中也受到了較大的限制。
　　針對上面的問題，論文提出了SVM學習神經(jīng)網(wǎng)絡的FPGA實現(xiàn)方法。FPGA本身具有可重構、能耗小和占用空間小的特點，因此該方法具有很好的靈活性。該

3、方法主要是將SVM學習神經(jīng)網(wǎng)絡的連續(xù)動態(tài)方程組進行離散化處理，然后對離散后的動態(tài)方程組進行FPGA實現(xiàn)。在此基礎上論文進一步提出了最小二乘支持向量機(LS-SVM)分類與回歸學習神經(jīng)網(wǎng)絡結構，LS-SVM消除了網(wǎng)絡中的非線性部分，使得神經(jīng)網(wǎng)絡結構更加簡潔、實現(xiàn)更簡單。同時論文也提出了LS-SVM分類與回歸學習神經(jīng)網(wǎng)絡的FPGA實現(xiàn)方法。論文分別對S V M學習神經(jīng)網(wǎng)絡的分類問題、LS-SVM學習神經(jīng)網(wǎng)絡的分類和回歸問題完成了Simuli