[发明专利]一种可重构多分类支持向量机系统

说明书

本发明涉及可重构多分类支持向量机系统，该系统包括：主控制模块，存储控制模块，核函数运算模块，类别运算模块和结果比较模块。所述主控制模块为整个决策过程提供控制信息和重构信息；所述的存储控制模块控制数据的存储；所述的核函数运算模块计算测试数据和支持向量之间的核函数；所述的类别运算模块计算决策值和分类类别；所述的结果比较模块比较不同模型计算得到的决策值，得到测试数据的最终分类结果。与传统方法相比，本发明充分利用硬件的并行性，加快了支持向量机分类的运算速度，核函数运算模块和类别运算模块共享计算资源，支持硬件可重构，对于不同特征数的样本具有很好的灵活性。

技术领域

本发明属于机器学习算法的硬件实现领域，尤其涉及一种可重构多分类支持 向量机系统。

背景技术

支持向量机(support vector machine，SVM)是一种监督式机器学习算法， 可以用于分析数据、识别模式、数据分类和回归分析，运用十分广泛。支持向量 机算法可以分为训练和决策两部分，其中训练部分由于计算方式复杂，计算量大， 一般是在高性能服务器上进行；决策部分利用训练好的模型对样本数据进行分类 或回归分析，其计算过程包括大量的乘加运算。记输入样本为x，第i个支持向量 为x_i，其对应的系数为α_i，其对应的标签为y_i，偏置为b，两个向量之间的核函 数为k(x_i,x_j)，则决策函数为：

上述过程针对二分类问题。在现实任务中利用支持向量机进行数据分类时， 会遇到多分类问题。目前，构造SVM多分类器的方法主要有两类：一类是直接法， 直接构造一个模型进行多分类，这种方法看似简单，但计算复杂度高，实现困难。 因此一般采用的是间接法：该方法是训练多个二分类SVM，再根据一定的机制来 进行多分类决策。常用的方法有：一对多法(one-versus-rest,OVR)，一对一 法(one-versus-one,OVO)，二叉树法(BinaryTree,BT)，有向无环图(Directed Acyclic Graph,DAG)。

随着集成电路产业的飞速发展，高性能与实时性是嵌入式领域的不懈追求。 当前，针对支持向量机的硬件实现，大部分都是基于CPU、GPU平台进行设计。 CPU中存在大量的Cache和控制单元，用于计算的ALU数量较少，而GPU有着大 量的计算资源和存储资源，控制简单，因此对于计算密集的算法，GPU比CPU有 着更快的运算速度，但GPU的面积较大，能耗很高，不适用于嵌入式实时运算。

发明内容

本发明目的在于克服上述背景技术中支持向量机实现方式的不足，针对决策 部分，采用一对一法进行多分类，提出一种可重构的多分类支持向量机的硬件实 现，支持计算资源可重构，硬件可裁剪，支持并行和流水操作，从而提高计算速 度。具体由以下技术方案实现：

所述可重构多分类支持向量机系统，包括：

主控制模块，控制整个计算流程，提供计算资源的重构信息；

存储控制模块，控制各运算模块的数据存储；

核函数运算模块，接收测试数据与支持向量，并计算测试数据和支持向量之间的核函数，并得到运算结果；

类别运算模块，根据所述运算结果，计算核函数与对应的拉格朗日乘子系数的乘累加结果，再将乘累加结果加上偏置，得到决策值和类别，并将相应的类别票数 加1；

结果比较模块，比较各个类别的票数，得到测试数据的最终分类结果。