【技术实现步骤摘要】
本专利技术属于模式识别
，涉及一种基于LS-SVM分类学习递归神经网络的FPGA实现方法，还涉及一种基于LS-SVM回归学习递归神经网络的FPGA实现方法。
技术介绍
支持向量机(Support Vector Machines，SVM)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，而不适合于硬件实现，这显然大大的限制了SVM在实际中的应用。 目前已经提出的SVM的硬件实现方法都是基于模拟电路的简单应用。模拟电路本身灵活性较差，拓扑结构确定后就很难改变，并且电路本身占用空间大、消耗能源多。而支持向量机在应用中经常要面对实时变化的环境，很多场合对于实现电路本身的物理条件也有要求，所以模拟电路实现SVM学习的方法在实际应用中就受到了限制。近年来FPGA技术的发展非常迅速，特别是FPGA本身具有构建拓扑结构迅速、...
【技术保护点】
一种基于ＬＳ－ＳＶＭ分类学习递归神经网络的ＦＰＧＡ实现方法，其特点在于：该方法按以下步骤实施： 步骤１：根据样本数量构造ＬＳ－ＳＶＭ分类学习递归神经网络的拓扑结构为：将－α↓［１］ｑ↓［ｉ１］…－α↓［Ｎ］ｑ↓［ｉＮ］、１、－γ↑［－ １］α↓［ｉ］以及－ｂｙ↓［ｉ］接入∑中进行求和，∑的输出端接入积分器∫，积分器∫的输出即为α↓［ｉ］，而α↓［ｉ］再经权值－ｑ↓［ｉｊ］反馈到各相对应的∑中，形成一个递归神经网络； 给定分类训练集（ｚ↓［ｉ］，ｙ↓［ｉ］）是一组待分 类的样本，ｉ＝１，２，…Ｎ，对于所有的ｚ↓［ｉ］∈Ｒ↑［Ｎ］都有ｙ↓［ｉ］∈（＋１，－１...
【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。