[发明专利]一种支持向量机分类器IP核

说明书

技术领域

    本发明属于微电子邻域，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。