CN104598917B - 一种支持向量机分类器ip核 - Google Patents
一种支持向量机分类器ip核 Download PDFInfo
- Publication number
- CN104598917B CN104598917B CN201410738600.8A CN201410738600A CN104598917B CN 104598917 B CN104598917 B CN 104598917B CN 201410738600 A CN201410738600 A CN 201410738600A CN 104598917 B CN104598917 B CN 104598917B
- Authority
- CN
- China
- Prior art keywords
- memory
- data
- sample
- inner product
- adder
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
发明涉及一种支持向量机分类器IP核。它包括训练模块和分类模块。训练模块通过数据总线从外部获取训练样本等数据，样本拆分单元将训练样本数据拆分成样本数据和样本标签，分别存入指定的样本数据存储器和样本标签存储器，内积计算单元分别从样本数据存储器和样本标签存储器读取指定样本的相应数据，所得的计算结果存入指定的内积存储器，lagrange乘子与分类阈值计算单元从样本数据存储器、样本标签存储器、内积存储器读取所需的相关数据，计算lagrange乘子和分类阈值；分类模块与训练模块相连接，获取分类所需的lagrange乘子、分类阈值和支持向量，分类单元通过数据总线从外部获取待分类样本数据，并从存储器中读取所需的相关参数，最后根据分类函数对样本进行分类。
Description
技术领域
本发明属于微电子领域，主要涉及一种支持向量机（Support Vector Machine，SVM）分类器IP核，具体来说是一种以统计学习理论为基础，通过机器学习的方法得到的分类器。具有较强分类能力，可应用于人脸检测、文字识别、生物序列分析等。
背景技术
基于数据的机器学习是现代智能技术中的重要方面，通过观测数据（样本）寻求规律，并利用这些规律对未来数据或者无法观测的数据进行预测，包括模式识别、神经网络等机器学习方法在内，皆是如此。
此类机器学习方法的共同理论基础之一是统计学，即一种样本数目趋于无穷大时的渐近理论。但实际样本数量往往是有限的,故在实际应用中其表现可能不尽人意。而统计学习理论(Statistical Learning Theory ，SLT ) 是一种专门研究小样本情况下机器学习规律的理论，成功解决了有限样本学习问题，在样本数量较少的情况下仍可以得到较好的效果，并且发展了一种新的通用学习方法——支持向量机(Support Vector Machine，SVM )。
支持向量机（Support Vector Machines, SVM）是由Vapnik等人根据统计学习理论中结构风险最小化原则提出来的。SVM是统计学习理论中最新的内容，同时也是最实用的部分，其主要内容在1992年至1995年间基本完成，具有坚实完备的理论基础，目前正处于不断发展阶段。SVM能够提高学习机的推广能力，即使是从有限数据集得到的判别函数也能对独立的测试集得到较小的误差。同时，支持向量机是凸二次优化问题，能够保证找到的极值解就是全局最优解。在工程应用中也有很多有关SVM计算的相关软件，如LibSVM、mySVM、SVMLight等。
总的来说，支持向量机的理论基础十分坚实，对它的研究将有力地推动机器学习理论和技术的发展，基于支持向量机的分类器在实际工程中也有较为广泛的应用，比如模式识别、生物序列分析和图像分类等领域都可以看到它的实际应用。设计实现的支持向量机分类器IP核，可以很好地提升分类器的执行速度，同时其可移植性也比较高。
发明内容
本发明的目的在于针对已有技术存在的缺陷，提出一种支持向量机分类器IP核，在保证速度的前提下实现一种实用的、具备在线训练、独立分类能力的、以FPGA内部的硬件逻辑资源为基础的SVM分类器IP核。利用FPGA硬件实现SVM分类器的一大优点是其执行速度得到了很大的提升。
本发明采用如下的技术方案：
本发明实施例提供一种支持向量机分类器IP核，主要包括训练模块和分类模块。训练模块的输入端与外部数据线相连，接收训练样本数据，训练模块的输出端与分类模块第一输入端相连，分类模块的第二输入端与外部数据线相连，接收待分类样本数据，分类模块的输出端为支持向量机分类器IP核的分类结果输出端。训练模块通过数据线接收训练样本数据后，先对样本数据进行样本拆分，分解成样本标签和样本数据两部分，再计算样本两两之间的内积，最后根据内积与样本标签计算出分类器所需的相关参数。训练模块完成计算后将lagrange乘子、分类阈值、支持向量三个参数输出给分类模块，分类模块接收数据后，将三个参数存入指定存储器，然后从外部数据线接收待分类样本数据，计算样本与每个支持向量的内积，计算结果输出至内积存储器，最后根据分类函数对样本进行分类并输出分类结果。分类模块与训练模块从结构上相互独立，分类模块只从训练模块获取分类器所需的三个参数，以构成具有分类能力的分类器，构成完整分类器后，分类模块可直接对待分类样本数据进行分类。
训练模块，主要由样本拆分单元、样本标签存储器、样本数据存储器、内积计算单元、内积存储器、分类器参数计算单元组成。样本拆分单元的两个输出端分别与样本标签储存器和样本数据存储器相连，两个存储器的第一输出端与内积计算单元的两个输入端相连，内积计算单元输出端与内积存储器相连，样本标签存储器和样本数据存储器的第二输出端以及内积存储器的输出端分别与分类器参数计算单元的三个输入端相连，分类器参数计算单元的三个输出端分别输出lagrange乘子、分类阈值、支持向量三个参数。训练模块通过数据总线从外部获取训练样本数据。训练样本数据输入样本拆分单元，被拆分成样本数据和样本标签，分别存入指定的样本数据存储器和样本标签存储器。内积计算单元分别从样本数据存储器和样本标签存储器读取指定样本的相应数据，根据径向基核函数计算样本向量之间的内积，所得的计算结果存入指定的内积存储器，径向基核函数的公式：。分类器参数计算单元从样本数据存储器、样本标签存储器、内积存储器读取所需的相关数据，反复计算并修正分类器相关参数，最后将计算结果和支持向量输出给分类器模块。
分类模块，包括数据存储单元、lagrange乘子存储器、分类阈值存储器、支持向量存储器、内积计算单元、内积存储器、分类单元。上一级训练模块的三个输出端分别与lagrange乘子存储器、分类阈值存储器、支持向量存储器相连的输入端相连，支持向量存储器的输出端与内积计算单元的第一输入端相连，内积计算单元的第二输入端与外部数据线相连，接收待分类样本数据，并计算待分类样本与每一个支持向量的内积，内积计算单元输出端与内积存储器相连，内积存储器、lagrange乘子存储器、分类阈值存储器的输出端分别与分类单元的三个输入端相连，进行分类运算，分类单元的输出端与外部数据线相连输出分类结果。分类模块与训练模块相连接，获取分类函数所需的lagrange乘子、分类阈值和支持向量，数据存储单元将相关数据存入指定存储器，内积计算单元从支持向量存储器读取支持向量，同时从外部获取待分类样本数据，计算样本与每一个支持向量的内积，将内积计算结果输出至内积存储器。分类单元从lagrange乘子存储器、分类阈值存储器和内积存储器获取相关数据， 根据分类函数（表示径向基核函数）对样本进行分类计算，最后将分类结果输出至AXI总线。
其中训练模块和分类模块与外部的数据传输都通过AXI总线协议实现，AXI总线协议具有地址/控制和数据相位相互独立的结构，通过并行执行猝发操作，数据吞吐能力强，能在短时间内完成数据传输任务。
其中训练模块和分类模块从结构上相互独立，分类模块只从训练模块获取分类函数所需的相关参数，以构成具有分类能力的分类器。分类模块获取参数后，可直接从外部获取待分类样本数据，根据分类函数对样本进行分类。对于某一分类问题由训练模块完成一次训练之后，分类模块便可独立使用，不必重复训练。
本发明一种支持向量机分类器IP核，具有以下优点：
（1）本发明以一种IP核的形式实现SVM分类器，具有良好的灵活性和适应性。
（2）本发明使用AXI总线协议实现数据传输，具有相互独立的地址/控制和数据相位，数据吞吐能力强，传输速度快。
（3）本发明具有在线训练功能。根据实际需要直接通过训练模块得到分类器必要参数，由分裂模块构造分类器，节约了训练成本，提升了分类器的灵活性。
（4）本发明中使用径向基核函数构造分类函数。通过径向基函数直接计算向量在高维空间的内积，省去构造映射函数的麻烦。
（5）训练模块与分类模块从结构上相互独立。分类模块从训练模块获取相关参数后，可直接对外部样本数据进行分类，不必反复训练。
附图说明
图1是本发明实施例SVM分类器IP核的结构示意图。
图2是训练模块结构示意图。
图3是训练模块中样本拆分单元结构图。
图4是训练模块中内积计算单元结构图。
图5是训练样本中lagrange乘子与分类阈值计算单元结构图。
图6是分类模块结构示意图。
图7是分类模块中内积计算单元结构图。
图8是分类模块中分类单元结构图。
图9是SVM分类器IP核接口示意图。
图10是SVM分类器IP核应用示意图。
图11是SVM分类器IP核时序图。
具体实施方式
为更加清楚明白地介绍本发明的技术方案，以下结合附图及实施例，对本发明作进一步的说明。
实施例一：
如图1所示，本发支持向量机分类器IP核包括训练模块(1)和分类模块(2)；训练模块(1)的输入端与外部数据线相连，接收训练样本数据，训练模块(1)的输出端与分类模块(2)第一输入端相连，分类模块(2)的第二输入端与外部数据线相连，接收待分类样本数据，分类模块(2)的输出端为支持向量机分类器IP核的分类结果输出端。训练模块(1)通过数据线接收训练样本数据后，先对样本数据进行样本拆分，分解成样本标签和样本数据两部分，再计算样本两两之间的内积，最后根据内积与样本标签计算出分类器所需的相关参数。训练模块(1)完成计算后将lagrange乘子、分类阈值、支持向量三个参数输出给分类模块(2)，分类模块(2)接收数据后，将三个参数存入指定存储器，然后从外部数据线接收待分类样本数据，计算样本与每个支持向量的内积，计算结果输出至内积存储器，最后根据分类函数对样本进行分类并输出分类结果。所述分类模块(2)与训练模块(1)从结构上相互独立，分类模块(2)只从训练模块(1)获取分类器所需的三个参数，以构成具有分类能力的分类器，构成完整分类器后，分类模块（2）可直接对待分类样本数据进行分类。
实施例二：
本实施例与实施例一基本相同，特别之处如下：
参见图2~图5，所述训练模块(1)包括样本拆分单元(1-1)、样本标签存储器(1-4)、样本数据存储器(1-2)、内积计算单元(1-3)、内积存储器(1-5)、分类器参数计算单元(1-6)；样本拆分单元(1-1)的两个输出端分别与样本标签储存器(1-4)和样本数据存储器(1-2)相连，该两个存储器(1-2,1-4)的第一输出端与内积计算单元(1-3)的两个输入端相连，内积计算单元(1-3)输出端与内积存储器(1-5)相连，样本标签存储器(1-4)和样本数据存储器(1-2)的第二输出端以及内积存储器(1-5)的输出端分别与lagrange乘子与分类阈值计算单元(1-6)的三个输入端相连，该lagrange乘子与分类阈值计算单元(1-6)的三个输出端分别输出lagrange乘子、分类阈值、支持向量三个参数；其中，样本拆分单元(1-1)由第一数据分配器(1-1-1)构成，数据分配器(1-1-1)输入端接收样本数据，输出端与样本数据存储器（1-2）和样本标签存储器(1-4)相连；内积计算单元(1-3)由第二和第三两个数据分配器（1-3-1,1-3-4）、两个乘法器（1-3-2，1-3-4）、一个加法器(1-3-3)组成，样本数据存储器(1-2)与数据分配器(1-3-1)输入端相连，第二数据分配器(1-3-1)的输出端与第一乘法器(1-3-2)相连，乘法器(1-3-2)与第一加法器(1-3-3)相连，第一加法器(1-3-3)与第三数据分配器(1-3-4)相连，第三数据分配器(1-3-4)输出端与第二乘法器(1-3-5)相连，第二乘法器(1-3-5)输出与内积存储器(1-5)相连；lagrange乘子与分类阈值计算单元(1-6)由一个第三乘法器(1-6-1)、一个第四数据分配器(1-6-3)、一个数据选择器(1-6-11)、一个减法器(1-6-5)、一个与门(1-6-8)、第一和第二两个比较器(1-6-6,1-6-7)、第一和第二两个加减法器(1-6-9,1-6-10)和第二和第三两个加法器(1-6-2,1-6-4)构成，内积存储器(1-5)与lagrange乘子与分类阈值计算单元(1-6)输入端相连，该计算单元(1-6)输出的结果依次通过第三乘法器(1-6-1)，第二加法器(1-6-2)和第四数据分配器(1-6-3)，该数据分配器(1-6-3)一端返回给前面的第二加法器(1-6-2)，另一端输出至第三加法器(1-6-4)相连，第三加法器(1-6-4)输出端再与减法器(1-6-5)相连，减法器(1-6-5)的另一个输入端与样本标签存储器(1-4)相连，减法器(1-6-5)输出端则与第一和第二两个比较器(1-6-6,1-6-7)相连，该两比较器输出端接入二输入与门(1-6-8)，输出端与第一和第二加减法器(1-6-9,1-6-10)相连，控制分类器参数的调整；样本标签存储器(1-4)、样本数据存储器(1-2)和内积存储器(1-5)分别由寄存器组成，用来存储样本标签、样本数据和内积计算结果的数据。训练模块用于计算分类模块所需的lagrange乘子和分类阈值b,由于分类模块内部的分类函数需要相关参数来构成完整的分类器，所以训练模块根据训练样本数据计算lagrange乘子和分类阈值b，并将它们与支持向量（lagrange乘子不为零的向量）一起传输给分类模块。训练模块通过数据总线从外部获取训练样本数据data_q0至数据拆分单元，样本拆分单元由数据分配器构成，数据分配器的输出端与样本数据存储器和样本标签存储器相连，如图3所示。样本拆分单元将训练样本拆分成样本数据和样本标签，分别存入指定的样本数据存储器和样本标签存储器。内积计算单元由两个数据分配器、两个乘法器、一个加法器组成，数据分配器与乘法器相连，乘法器与加法器相连，加法器与第二个数据分配器相连，数据分配器与第二个乘法器相连，乘法器输出与内积存储器相连，如图4所示。内积计算单元分别从样本数据存储器和样本标签存储器读取指定样本的相应数据，根据径向基核函数计算样本向量两两之间的内积，所得的计算结果存入指定的内积存储器。分类器参数计算单元由一个乘法器、一个数据分配器、一个数据选择器、一个减法器、一个与门、两个比较器、两个加减法器和两个加法器构成，连接方式如图5所示。分类器参数计算单元从样本数据存储器、样本标签存储器、内积存储器读取所需的相关数据，根据SMO算法（该算法为现有技术，本发明在此不做赘述。）计算lagrange乘子和分类阈值b，并将计算结果和支持向量输出给分类器模块。
实施例三：
本实施例与实施例二基本相同，特别之处如下：
参见图6~图8，所述分类模块，包括lagrange乘子存储器(2-1)、分类阈值存储器(2-2)、支持向量存储器(2-3)、内积计算单元(2-4)、第二内积存储器(2-5)和分类单元(2-6)；上一级训练模块(1)的三个输出端分别与lagrange乘子存储器(2-1)、分类阈值存储器(2-2)、支持向量存储器(2-3)相连的输入端相连，支持向量存储器(2-3)的输出端与内积计算单元(2-4)的第一输入端相连，内积计算单元(2-4)的第二输入端与外部数据线相连，接收待分类样本数据，并计算待分类样本与每一个支持向量的内积，内积计算单元(2-4)输出端与第二内积存储器(2-5)相连，第二内积存储器(2-5)、lagrange乘子存储器(2-1)、分类阈值存储器(2-2)的输出端分别与分类单元(2-6)的三个输入端相连，进行分类运算，分类单元(2-6)的输出端与外部数据线相连输出分类结果；其中，内积计算单元(2-4)由第五和第六两个数据分配器(2-4-1,2-4-4)、第四和第五两个乘法器(2-4-2,2-4-5)和一个第四加法器(2-4-3)构成，第五数据分配器(2-4-1)与第四乘法器(2-4-2)相连，第四乘法器(2-4-2)输出与第四加法器(2-4-3)相连，第四加法器与第六数据分配器(2-4-4)相连，第六数据分配器(2-4-4)与第五乘法器(2-4-5)相连，第五乘法器(2-4-5)输出端与第二内积存储器(2-5)相连；分类单元(2-6)由一个第六乘法器(2-6-1)、一个第七数据分配器(2-6-5)和第五和第六两个加法器(2-6-2,2-6-4)构成，第六乘法器(2-6-1)与第五加法器(2-6-2)相连，加法器(2-6-2)与第七数据分配器(2-6-3)相连，该数据分配器(2-6-3)与第六加法器(2-6-4)相连，该加法器(2-6-4)输出分类结果；lagrange乘子存储器（2-1）、分类阈值存储器（2-2）、支持向量存储器（2-3）和第二内积存储器(2-5)分别由寄存器组成，用以存储lagrange乘子、分类阈值、支持向量和内积计算结果的数据。分类模块内部结构示意图如图6所示。分类模块与训练模块相连接，从训练模块获取分类函数所需的lagrange乘子和分类阈值b和支持向量，数据存储单元将相关数据分别存入指定存储器，分类函数单元通过数据总线从外部获取待分类样本数据，并从存储器中读取所需的相关参数，最后根据分类函数（部分由内积计算单元完成计算）对样本进行分类。其中lagrange乘子存储器、分类阈值存储器、支持向量存储器三个存储器的输入端直接与训练模块的输出端相连，接收lagrange乘子和分类阈值b和支持向量，并将它们存储起来。内积计算单元由两个数据分配器、两个乘法器和一个加法器构成，数据分配器与第一个乘法器相连，乘法器输出与加法器相连，加法器与第二个数据分配器相连，数据分类器与乘法器相连，乘法器输出端与内积存储器相连，结构如图7所示。最后的分类单元由一个乘法器、一个数据分配器和两个加法器构成，乘法器与加法器相连，加法器与数据分配器相连，数据分配器与第二个加法器相连，加法器输出分类结果，如图8所示。由于分类单元具有lagrange乘子存储器、分类阈值存储器、支持向量存储器，可以存储训练单元输出的相关数据，所以只要训练单元完成相关参数的计算，并输出至分类单元，则分类单元便具有独立分类能力，无需重复训练同类型的分类参数。
其中训练模块与分类模块中涉及的加、减、乘、除等运算，均使用Xilinx公司提供的IP核实现，包括64位减法器IP核、64位乘法器IP核、64位减法器IP核等。
本支持向量机分类器IP核与外部的数据传输都通过AXI总线协议实现，AXI总线协议具有地址/控制和数据相位相互独立的结构，通过并行执行猝发操作，数据吞吐能力强，能在短时间内完成数据传输任务。图9是SVM分类器IP核接口示意图，表1列出了接口信号的具体描述信息。
表1：支持向量机分类器IP核接口信号定义
本支持向量机分类器IP核，训练模块和分类模块从结构上相互独立，分类模块只从训练模块获取分类函数所需的相关参数，以构成具有分类能力的分类器。外部控制器将待分类数据通过AXI总线直接传输给分类模块，由它直接完成待分类样本数据的分类工作。
本支持向量机分类器IP核，适用于线性不可分的分类问题，如视频图像处理等方面。如图10所示，本发明在人脸检测中的应用实例。本应用实例以Xilinx 公司的Zynq-7000SoC ZC702作为硬件平台，通过AXI总线与内部的ARM Cortex-A9处理器构成SOPC系统。其中ARM Cortex-A9处理器将事先准备好的训练样本，通过AXI总线传输给支持向量机分类器IP核。IP核内部训练模块接收数据，并完成分类器相关参数的计算。然后ARM Cortex-A9处理器从摄像头获取图像，对图像进行预处理后通过AXI总线将数据传输给支持向量机分类器IP核，内部的分类器模块根据样本数据进行分类，并将分类结果回传给ARM Cortex-A9处理器。本应用实例中以软硬协同的方式，加快了视频图像的处理速度。对应的整个支持向量机分类器IP核控制时序图如图11所示。
以上所示实施例仅为本发明较佳的具体实施方式，本发明所属技术领域内的技术员应当明白，在本发明揭露的技术范围内，可轻易想到的变化或替换，都在本发明所保护范围内。
Claims (3)
1.一种支持向量机分类器IP核，包括训练模块(1)和分类模块(2)，其特征在于训练模块(1)的输入端与外部数据线相连，接收训练样本数据，训练模块(1)的输出端与分类模块(2)第一输入端相连，分类模块(2)的第二输入端与外部数据线相连，接收待分类样本数据，分类模块(2)的输出端为支持向量机分类器IP核的分类结果输出端；训练模块(1)通过数据线接收训练样本数据后，先对样本数据进行样本拆分，分解成样本标签和样本数据两部分，再计算样本两两之间的内积，最后根据内积与样本标签计算出分类器所需的相关参数；训练模块(1)完成计算后将lagrange乘子、分类阈值、支持向量三个参数输出给分类模块(2)，分类模块(2)接收数据后，将三个参数存入指定存储器，然后从外部数据线接收待分类样本数据，计算样本与每个支持向量的内积，计算结果输出至内积存储器，最后根据分类函数对样本进行分类并输出分类结果；所述分类模块(2)与训练模块(1)从结构上相互独立，分类模块(2)只从训练模块(1)获取分类器所需的三个参数，以构成具有分类能力的分类器，构成完整分类器后，分类模块(2)可直接对待分类样本数据进行分类。
2.根据权利要求1中所述的一种支持向量机分类器IP核，其特征在于：所述训练模块(1)包括样本拆分单元(1-1)、样本标签存储器(1-4)、样本数据存储器(1-2)、内积计算单元(1-3)、内积存储器(1-5)、lagrange乘子与分类器阈值计算单元(1-6)；样本拆分单元(1-1)的两个输出端分别与样本标签储存器(1-4)和样本数据存储器(1-2)相连，该两个存储器(1-2,1-4)的第一输出端与内积计算单元(1-3)的两个输入端相连，内积计算单元(1-3)输出端与内积存储器(1-5)相连，样本标签存储器(1-4)和样本数据存储器(1-2)的第二输出端以及内积存储器(1-5)的输出端分别与lagrange乘子与分类阈值计算单元(1-6)的三个输入端相连，该lagrange乘子与分类阈值计算单元(1-6)的三个输出端分别输出lagrange乘子、分类阈值、支持向量三个参数；其中，样本拆分单元(1-1)由第一数据分配器(1-1-1)构成，数据分配器(1-1-1)输入端接收样本数据，输出端与样本数据存储器(1-2)和样本标签存储器(1-4)相连；内积计算单元(1-3)由第二和第三两个数据分配器(1-3-1,1-3-4)、两个乘法器(1-3-2，1-3-4)、一个加法器(1-3-3)组成，样本数据存储器(1-2)与第二数据分配器(1-3-1)输入端相连，第二数据分配器(1-3-1)的输出端与第一乘法器(1-3-2)相连，乘法器(1-3-2)与第一加法器(1-3-3)相连，第一加法器(1-3-3)与第三数据分配器(1-3-4)相连，第三数据分配器(1-3-4)输出端与第二乘法器(1-3-5)相连，第二乘法器(1-3-5)输出与内积存储器(1-5)相连；lagrange乘子与分类阈值计算单元(1-6)由一个第三乘法器(1-6-1)、一个第四数据分配器(1-6-3)、一个数据选择器(1-6-11)、一个减法器(1-6-5)、一个与门(1-6-8)、第一和第二两个比较器(1-6-6,1-6-7)、第一和第二两个加减法器(1-6-9,1-6-10)和第二和第三两个加法器(1-6-2,1-6-4)构成，内积存储器(1-5)与lagrange乘子与分类阈值计算单元(1-6)输入端相连，该计算单元(1-6)输出的结果依次通过第三乘法器(1-6-1)，第二加法器(1-6-2)和第四数据分配器(1-6-3)，该数据分配器(1-6-3)一端返回给前面的第二加法器(1-6-2)，另一端输出至第三加法器(1-6-4)，第三加法器(1-6-4)输出端再与减法器(1-6-5)相连，减法器(1-6-5)的另一个输入端与样本标签存储器(1-4)相连，减法器(1-6-5)输出端则与第一和第二两个比较器(1-6-6,1-6-7)相连，该两个比较器(1-6-6,1-6-7)输出端接入二输入与门(1-6-8)，该与门(1-6-8)输出端与第一和第二加减法器(1-6-9,1-6-10)和数据选择器(1-6-11)相连，控制分类器参数的调整；样本标签存储器(1-4)、样本数据存储器(1-2)和内积存储器(1-5)分别由寄存器组成，用来存储样本标签、样本数据和内积计算结果的数据。
3.根据权利要求1中所述的一种支持向量机分类器IP核，其特征在于：所述分类模块(2)包括lagrange乘子存储器(2-1)、分类阈值存储器(2-2)、支持向量存储器(2-3)、内积计算单元(2-4)、第二内积存储器(2-5)和分类单元(2-6)；上一级训练模块(1)的三个输出端分别与lagrange乘子存储器(2-1)、分类阈值存储器(2-2)、支持向量存储器(2-3)相连的输入端相连，支持向量存储器(2-3)的输出端与内积计算单元(2-4)的第一输入端相连，内积计算单元(2-4)的第二输入端与外部数据线相连，接收待分类样本数据，并计算待分类样本与每一个支持向量的内积，内积计算单元(2-4)输出端与第二内积存储器(2-5)相连，第二内积存储器(2-5)、lagrange乘子存储器(2-1)、分类阈值存储器(2-2)的输出端分别与分类单元(2-6)的三个输入端相连，进行分类运算，分类单元(2-6)的输出端与外部数据线相连输出分类结果；其中，内积计算单元(2-4)由第五和第六两个数据分配器(2-4-1,2-4-4)、第四和第五两个乘法器(2-4-2,2-4-5)和一个第四加法器(2-4-3)构成，第五数据分配器(2-4-1)与第四乘法器(2-4-2)相连，第四乘法器(2-4-2)输出与第四加法器(2-4-3)相连，第四加法器与第六数据分配器(2-4-4)相连，第六数据分配器(2-4-4)与第五乘法器(2-4-5)相连，第五乘法器(2-4-5)输出端与第二内积存储器(2-5)相连；分类单元(2-6)由一个第六乘法器(2-6-1)、一个第七数据分配器(2-6-3)和第五和第六两个加法器(2-6-2,2-6-4)构成，第六乘法器(2-6-1)与第五加法器(2-6-2)相连，加法器(2-6-2)与第七数据分配器(2-6-3)相连，该数据分配器(2-6-3)与第六加法器(2-6-4)相连，该加法器(2-6-4)输出分类结果；lagrange乘子存储器(2-1)、分类阈值存储器(2-2)、支持向量存储器(2-3)和第二内积存储器(2-5)分别由寄存器组成，用以存储lagrange乘子、分类阈值、支持向量和内积计算结果的数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410738600.8A CN104598917B (zh) | 2014-12-08 | 2014-12-08 | 一种支持向量机分类器ip核 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410738600.8A CN104598917B (zh) | 2014-12-08 | 2014-12-08 | 一种支持向量机分类器ip核 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104598917A CN104598917A (zh) | 2015-05-06 |
| CN104598917B true CN104598917B (zh) | 2018-04-27 |
Family
ID=53124689
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410738600.8A Expired - Fee Related CN104598917B (zh) | 2014-12-08 | 2014-12-08 | 一种支持向量机分类器ip核 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104598917B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106250836B (zh) * | 2016-07-26 | 2018-09-14 | 山东师范大学 | 一种小样本条件下的两阶段人脸图像分类方法及系统 |
| TWI724515B (zh) * | 2019-08-27 | 2021-04-11 | 聯智科創有限公司 | 機器學習服務提供方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6456993B1 (en) * | 1999-02-09 | 2002-09-24 | At&T Corp. | Alternating tree-based classifiers and methods for learning them |
| CN101625735A (zh) * | 2009-08-13 | 2010-01-13 | 西安理工大学 | 基于ls-svm分类和回归学习递归神经网络的fpga实现方法 |
| CN101833691A (zh) * | 2010-03-30 | 2010-09-15 | 西安理工大学 | 一种基于fpga的最小二乘支持向量机串行结构实现方法 |
| CN103177262A (zh) * | 2013-02-19 | 2013-06-26 | 山东大学 | 基于hog和svm的行人检测系统的fpga架构及其实现方法 |
-
2014
- 2014-12-08 CN CN201410738600.8A patent/CN104598917B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6456993B1 (en) * | 1999-02-09 | 2002-09-24 | At&T Corp. | Alternating tree-based classifiers and methods for learning them |
| CN101625735A (zh) * | 2009-08-13 | 2010-01-13 | 西安理工大学 | 基于ls-svm分类和回归学习递归神经网络的fpga实现方法 |
| CN101833691A (zh) * | 2010-03-30 | 2010-09-15 | 西安理工大学 | 一种基于fpga的最小二乘支持向量机串行结构实现方法 |
| CN103177262A (zh) * | 2013-02-19 | 2013-06-26 | 山东大学 | 基于hog和svm的行人检测系统的fpga架构及其实现方法 |
Non-Patent Citations (1)
| Title |
|---|
| 一种基于FPGA的新的SVM硬件实现方法;王博;《中国优秀硕士学位论文全文数据库 信息科技辑》;20101115(第2010年第11期);I140-35 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104598917A (zh) | 2015-05-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109543832B (zh) | 一种计算装置及板卡 | |
| US11586417B2 (en) | Exploiting activation sparsity in deep neural networks | |
| CN109522052B (zh) | 一种计算装置及板卡 | |
| WO2019152451A1 (en) | Improving performance of neural network arrays | |
| CN109190635A (zh) | 基于分类cnn的目标追踪方法、装置及电子设备 | |
| CN101960291B (zh) | 基于降低复杂度的超谱处理的目标检测方法 | |
| DE112016004801T5 (de) | Arbeitslastzuweisung für computerressourcen | |
| CN106127302A (zh) | 处理数据的电路、图像处理系统、处理数据的方法和装置 | |
| US9984323B2 (en) | Compositional prototypes for scalable neurosynaptic networks | |
| Ma et al. | Hardware implementation and optimization of tiny-YOLO network | |
| CN101673343B (zh) | 在dsp+fpga架构中提高信号实时模式识别处理速度的系统及方法 | |
| CN109426484A (zh) | 一种数据排序装置、方法及芯片 | |
| CN106201917B (zh) | 一种数据处理系统和方法 | |
| CN104598917B (zh) | 一种支持向量机分类器ip核 | |
| Guirado et al. | Understanding the impact of on-chip communication on dnn accelerator performance | |
| Badar et al. | Highlighting the importance of reducing research bias and carbon emissions in cnns | |
| CN116523045A (zh) | 一种面向多芯粒芯片的深度学习推理模拟器 | |
| CN112445709B (zh) | 一种通过gan解决afl测试模型数据不平衡的方法及装置 | |
| CN111260070B (zh) | 运算方法、装置及相关产品 | |
| CN111260046B (zh) | 运算方法、装置及相关产品 | |
| Rani et al. | Design and analysis for improving reliability and accuracy of big-data based peripheral control through IoT | |
| Yang et al. | An improved yolov3 algorithm for pedestrian detection on uav imagery | |
| Kim et al. | A configurable heterogeneous multicore architecture with cellular neural network for real-time object recognition | |
| Abdul-Hussin | Simulation and Control of Siphon Petri Nets for Manufacturing Systems | |
| Herok et al. | Cotton leaf disease identification using transfer learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180427 Termination date: 20201208 |