支持向量機(jī)回歸模型在微體系結(jié)構(gòu)設(shè)計(jì)中的應(yīng)用.pdf

1、近年來，隨著半導(dǎo)體工藝技術(shù)的發(fā)展，處理器芯片的集成度也越來越高，單個(gè)芯片的處理速度已近乎極限。多核技術(shù)成為現(xiàn)在提高處理器速度的一個(gè)研究熱點(diǎn)，將多個(gè)芯片如何協(xié)同的工作，帶來一個(gè)直接的問題就是處理器體系結(jié)構(gòu)的日趨復(fù)雜，運(yùn)行的程序特征也顯示出極大的多變性，這也就給體系結(jié)構(gòu)的設(shè)計(jì)帶來了一個(gè)新的研究課題，以往的基于周期的模擬方法和分析模型已經(jīng)漸漸的不能滿足需求，在微處理器體系結(jié)構(gòu)的設(shè)計(jì)初期，預(yù)測其行為就顯得尤為關(guān)鍵。
　　 支持向量機(jī)是當(dāng)

2、前應(yīng)用最為廣泛的一種機(jī)器學(xué)習(xí)方法，它基于統(tǒng)計(jì)學(xué)習(xí)理論。適合于小樣本的學(xué)習(xí)，具有很強(qiáng)的泛化性能，不會(huì)出現(xiàn)其他預(yù)測模型難以解決的局部極值和維數(shù)災(zāi)難等問題。但是模型參數(shù)選擇問題至今也沒有一個(gè)標(biāo)準(zhǔn)的理論知識(shí)作為指導(dǎo)，而以往的設(shè)計(jì)者們大都是依靠自己的先驗(yàn)知識(shí)進(jìn)行設(shè)計(jì)。因此，要取得好的設(shè)計(jì)效果就需要大量的經(jīng)驗(yàn)作為保證，這樣不僅很難的取得好的效果，同時(shí)大大的影響了支持向量機(jī)方法的大范圍的推廣，提出用遺傳算法建立支持向量機(jī)回歸模型參數(shù)的自適應(yīng)優(yōu)化算法，

3、利用遺傳算法優(yōu)化支持向量機(jī)模型設(shè)計(jì)中的重要的參數(shù)。
　　 支持向量機(jī)方法已經(jīng)成功的應(yīng)用于多個(gè)領(lǐng)域，但是大多數(shù)都是分類問題，在回歸預(yù)測方面的應(yīng)用相對(duì)比較匱乏。本文的研究重點(diǎn)就是在支持向量機(jī)的基礎(chǔ)上探討一種比神經(jīng)網(wǎng)絡(luò)更優(yōu)的回歸預(yù)測模型，對(duì)微體系結(jié)構(gòu)的空間設(shè)計(jì)進(jìn)行前期的預(yù)測。引入遺傳優(yōu)化算法對(duì)支持向量機(jī)的參數(shù)進(jìn)行優(yōu)化，得到基于遺傳算法的支持向量機(jī)回歸預(yù)測模型，并且通過基于LIBSVM的仿真實(shí)驗(yàn)，對(duì)比神經(jīng)網(wǎng)絡(luò)方法的預(yù)測結(jié)果和支持向量機(jī)的