【技术实现步骤摘要】
本专利技术属于模式识别
，涉及一种LS-SVM分类与回归学习递归神经网络硬件电路，本专利技术还涉及该硬件电路的实现方法。
技术介绍
支持向量机(Support Vector Machines，SVMs)采用结构风险最小化的思想和方法，以良好的推广能力、极低的分类和逼近误差、数学上的易处理性和简洁的几何解释等优点，已被广泛作为一种分类和回归的工具。目前对支持向量机的研究主要集中在理论研究和算法的优化方面。与之相比，其应用研究和算法实现的研究相对较少，目前只有较为有限的实验研究报道。同时，这些算法大多只能用计算机软件来实现，而不适合于模拟硬件的实现，这显然大大的限制了SVM在实际中的应用。 在许多工程和应用领域中，往往需要用SVM对数据进行实时处理，因此对SVM进行并行和分布式的训练是十分必要。众所周知，神经网络的实时处理能力(real-time processing ability)是它最重要的优点之一。最近几年，神经网络方法已经在优化问题上展现了它的巨大前景。大量的研究结果表明它与传统的优化算法相比在实时运用上有着更多的优势。如果能把SVM和神经...
【技术保护点】
一种ＬＳ－ＳＶＭ分类与回归学习递归神经网络硬件电路，其特征在于：包括ＬＳ－ＳＶＭ分类学习递归神经网络硬件电路和ＬＳ－ＳＶＭ回归学习递归神经网络硬件电路，所述的ＬＳ－ＳＶＭ分类学习递归神经网络硬件电路是，电压±ｖ↓［α↓［ｊ］］、ｖ↓［α↓［ｉ］］、－１Ｖ以及ｖ↓［ｂ］ｙ↓［ｉ］通过各自的连接电阻同时与积分器的输入端连接，电压±ｖ↓［α↓［ｊ］］、ｖ↓［α↓［ｉ］］、－１Ｖ以及ｖ↓［ｂ］ｙ↓［ｉ］与积分器的连接电阻分别为Ｒ↓［０］／｜ｑ↓［ｉｊ］｜、γＲ↓［０］、Ｒ↓［０］、Ｒ↓［０］，该积分器是由运算放大器与电容Ｃ并联而成，积分器的一个输出电路输出端为电压ｖ↓［α↓［ｉ］］...
【技术特征摘要】
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。