基于支持向量機的濾波器設計及硬件實現(xiàn).pdf

1、濾波器是電子設備中的常見模塊，經(jīng)典的濾波器設計方法有窗函數(shù)法，頻率抽取法等。自機器學習的理論出現(xiàn)后，神經(jīng)網(wǎng)絡等算法廣泛應用到FIR濾波器的設計中。本文針對傳統(tǒng)FIR濾波器設計方法及神經(jīng)網(wǎng)絡設計方法的不足，在改進使用支持向量機(SVM)設計FIR濾波器方法的基礎上，提出了SVM設計FIR濾波器的硬件實現(xiàn)方法，將由SVM設計的濾波器移植到硬件上。使用SVM構造FIR濾波器，得到的濾波器可更新，并且使用的訓練樣本較少，本文中使用理想濾波器的幅

2、值響應訓練SVM。
　　本文引入針對訓練集輸出值的放大參數(shù)，該參數(shù)將數(shù)據(jù)集分離，并影響最終的幅頻響應。SVM模型中訓練參數(shù)較多，如訓練組數(shù)、懲罰參數(shù)、核函數(shù)參數(shù)等，進行多次測試，將結果進行比較得到最優(yōu)訓練參數(shù)，據(jù)此構建基于SVM的FIR濾波器模型。相對于窗函數(shù)，使用SVM設計的濾波器具有良好的幅頻特性，邊界控制較為精確，通帶較為平緩，阻帶波動次數(shù)較少，衰減較多。為了保證濾波器的可更改性和便于其移植到其他系統(tǒng)里，利用生成的FIR濾波