چکيده
چكيده
1 ماشين بردار پشتيبان
) SVM (يك ابزاررايج يادگيري ماشين است كه به دليل دقت طبقهبندي باالي آن
2 به طور گستردهاي مورد استفاده قرار ميگيرد. پيادهسازي SVM براي كاربردهاي جاسازي شده
در زمان
به دليل محاسبات فشرده مورد نياز بسيار پيچيده است. اين باعث افزايش جذابيت پيادهسازي SVM 3 واقعي
بر روي سختافزاري براي رسيدن به محاسبات با كارايي باال و هزينه و مصرا انرژي كم ميشود. يك چالش
بين محدوديتهاي سيستمهاي زمان واقعي و دقت طبقهبندي باال مشاهده ميشود.
4 مدل SVM يك روش يادگيري قدرتمند تحت نظارت
است كه براي طبقهبندي كارآمد با دقت باال براي
5 كاربردهاي مختلف مانند تشخيص شي، تشخيص گفتار، بيوانفورماتيك
، طبقهبندي تصوير، تشخيص پزشكي
و ديگر موارد استفاده ميشود. روشهاي يادگيري تحت نظارت معموال از دو مرحله اصلي تشكيل ميشود:
7 / يادگيري 6 آموزش
8 و طبقهبندي
. مرحله آموزش SVM يك مدل براي طبقهبندي هر داده بر اساس
بردارهاي پشتيبان )SVs )شناسايي شده از مجموعه دادههاي آموزشي، ايجاد ميكند. از SVها سپس در
مرحله طبقهبندي براي پيشبيني كالس مناسب ديتاي آزمون ورودي استفاده ميشود. جالب توجه است،
SVMها نرخ دقت طبقهبندي بااليي را از خود نشان ميدهند كه از ساير الگوريتمهاي طبقهبندي مشهور
درموارد و كاربردهاي متعددي جلوتر است.
كلمات كليدي: SVM ،FPGA ،پيادهسازي سختافزاري، سيستمهاي جاسازي شده
