一种基于SIMD架构的LS-SVM训练机的硬件系统及训练方法技术方案

本发明专利技术公开一种基于SIMD架构的LS‑SVM训练机的硬件系统及训练方法，属于机器学习算法的硬件实现技术领域。针对现有技术中LS‑SVM实现方式受限于资源、训练速度慢或计算量大的问题，本发明专利技术提供一种基于SIMD架构的LS‑SVM训练机的硬件系统，包括主控制模块，乘累加模块，更新值计算模块，更新及阈值比较模块，计算阵列模块和存储资源模块；主控制模块控制训练过程的开始和结束；乘累加模块完成权值系数和训练参数的乘累加计算；更新值计算模块计算训练参数的更新值；更新及阈值比较模块完成训练参数的更新并统计小于阈值的更新值个数。本发明专利技术采用SIMD架构，实现并行计算和流水处理，加快了训练速度，并且有效地进行了资源复用。

【技术实现步骤摘要】
一种基于SIMD架构的LS-SVM训练机的硬件系统及训练方法
本专利技术涉及机器学习算法的硬件实现
，更具体地说，涉及一种基于SIMD架构的LS-SVM训练机的硬件系统及训练方法。
技术介绍
支持向量机(supportvectormachine，SVM)是一种监督式机器学习算法，可以用来分析数据，识别模式，用于数据分类和回归分析，运用十分广泛。最小二乘支持向量机(Leastsquaressupportvectormachine，LS-SVM)是支持向量机的一种子类，它将原优化问题中的不等式约束变为等式约束，将原二次优化问题变为求解线性方程组，方便了训练参数的求解，利于硬件实现。之后又有研究将递归神经网络与LS-SVM相结合，避免了复杂的矩阵求逆计算，使计算更加简洁。在计算机体系中，数据并行有两种实现路径：MIMD(MultipleInstructionMultipleData，多指令流多数据流)和SIMD(SingleInstructionMultipleData，单指令流多数据流)。其中MIMD的表现形式主要有多发射、多线程、多本文档来自技高网...

【技术保护点】
1.一种基于SIMD架构的LS-SVM训练机的硬件系统，其特征在于，包括控制计算模块和计算阵列模块，控制计算模块连接计算阵列模块，控制计算模块包括主控制模块、乘累加模块、更新值计算模块和更新及阈值判断模块，主控制模块分别与乘累加模块、更新值计算模块和更新及阈值判断模块连接；/n主控制模块先发送信号至乘累加模块，乘累加模块调用计算阵列模块重构完成权值系数和训练参数的乘累加计算，然后主控制模块发送信号至于更新值计算模块，更新值计算模块调用计算阵列重构完成训练参数更新值的计算，最后主控制模块发送信号至更新及阈值判断模块，更新及阈值判断模块调用计算阵列模块完成训练参数的更新并统计小于阈值的更新值个数。...

【技术特征摘要】
1.一种基于SIMD架构的LS-SVM训练机的硬件系统，其特征在于，包括控制计算模块和计算阵列模块，控制计算模块连接计算阵列模块，控制计算模块包括主控制模块、乘累加模块、更新值计算模块和更新及阈值判断模块，主控制模块分别与乘累加模块、更新值计算模块和更新及阈值判断模块连接；
主控制模块先发送信号至乘累加模块，乘累加模块调用计算阵列模块重构完成权值系数和训练参数的乘累加计算，然后主控制模块发送信号至于更新值计算模块，更新值计算模块调用计算阵列重构完成训练参数更新值的计算，最后主控制模块发送信号至更新及阈值判断模块，更新及阈值判断模块调用计算阵列模块完成训练参数的更新并统计小于阈值的更新值个数。


2.根据权利要求1所述的一种基于SIMD架构的LS-SVM训练机的硬件系统，其特征在于，所述计算阵列模块包括若干计算资源，所述计算资源包括乘法器、加法器和比较器，训练时计算阵列模块分为若干个运算单元，每个运算单元都包括结构相同的计算资源，所述计算资源根据计算状态动态重构。


3.根据权利要求1所述的一种基于SIMD架构的LS-SVM训练机的硬件系统，其特征在于，所述硬件系统还包括存储资源模块，所述存储资源模块包括权值系数区，训练参数区，标签区和中间结果区。


4.根据权利要求2所述的一种基于SIMD架构的LS-SVM训练机的硬件系统，其特征在于，所述运算单元之间并行设置。


5.根据权利要求1所述的一种基于SIMD架构的LS-SVM训练机的硬件系统，其特征在于，所述主控制模块包括计算阵列选通、存储资源选通和主控制状态机，主控制模块通过计算阵列选通发送信号至计算阵列模块，主控制模块通过存储资源选通发送信号至存储资源模块。


6.一...

【专利技术属性】
技术研发人员：李丽，孙瑞，何书专，傅玉祥，陈辉，宋文清，李剑斌，陈健，
申请(专利权)人：南京宁麒智能计算芯片研究院有限公司，
类型：发明
国别省市：江苏;32