基于FPGA和SVM的圖像處理方法研究.pdf

1、支持向量機(jī)（Support Vector Machine，SVM）是一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則的學(xué)習(xí)方法，在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì)，被廣泛作為一種分類(lèi)和回歸工具應(yīng)用到函數(shù)擬合等機(jī)器學(xué)習(xí)問(wèn)題中。目前，在理論研究和算法的優(yōu)化方面，國(guó)內(nèi)外學(xué)者對(duì)支持向量機(jī)做了大量的研究工作。與之相比，在求解方法和實(shí)際工程應(yīng)用方面的研究相對(duì)較少，并且很多支持向量機(jī)的求解方法都是基于軟件實(shí)現(xiàn)的，使SVM在嵌入式實(shí)際工程應(yīng)用中受到了很

2、大的限制。
　　近年來(lái)，出現(xiàn)了基于遞歸神經(jīng)網(wǎng)絡(luò)的LS-SVM的FPGA串行計(jì)算方法，此方法克服了模擬電路環(huán)境下的很多硬件依賴(lài)性，提高了SVM的實(shí)用性，與已有的并行實(shí)現(xiàn)方法相比，具有靈活的串行計(jì)算、并行傳輸?shù)奶攸c(diǎn)，在保證計(jì)算效率的前提下，可以大幅較少FPGA內(nèi)部硬件資源的使用。但是，該方法軟件實(shí)現(xiàn)是基于Simulink的仿真，具有模塊化思想，功能模塊的函數(shù)化思想較弱，在樣本集合數(shù)目增大的情況下，不利于軟件仿真，這也導(dǎo)致了其僅能硬件實(shí)

3、現(xiàn)簡(jiǎn)單數(shù)據(jù)的分類(lèi)和回歸應(yīng)用問(wèn)題分析。所以對(duì)于SVM在圖像處理領(lǐng)域，復(fù)雜的、巨大的樣本數(shù)據(jù)訓(xùn)練問(wèn)題，這種設(shè)計(jì)實(shí)現(xiàn)方法受到了較大限制。
　　針對(duì)上述的問(wèn)題，本文研究了基于 FPGA的SVM圖像處理方法研究。在現(xiàn)有的LS-SVM的硬件實(shí)現(xiàn)基礎(chǔ)上，給出了基于FPGA和SVM的圖像處理的硬件實(shí)現(xiàn)架構(gòu)，其各功能模塊具有較強(qiáng)的函數(shù)化思想。本文通過(guò)MATLAB語(yǔ)言編程仿真實(shí)現(xiàn)了基于遞歸神經(jīng)網(wǎng)絡(luò)求解LS-SVM串行計(jì)算電路結(jié)構(gòu)，并將其應(yīng)用于圖像分割