支持向量機在嵌入式控制系統(tǒng)的實現研究.pdf

1、支持向量機(Support Vector Machine，SVM)作為統(tǒng)計學習理論的最新研究成果，成為近十幾年來機器學習領域研究熱點，由于其目標是在小樣本情況下追求最優(yōu)的泛化性能，從而在較大程度上解決了傳統(tǒng)機器學習方法中的非線性、局部極值、過學習、維數災難等問題；以結構風險最小化代替經驗風險最小化、凸二次規(guī)劃、Mercer核函數和解的稀疏性等特點，使得SVM算法具有結構簡單、全局最優(yōu)以及推廣能力強等優(yōu)點，自從被提出之日起，就在諸多復雜問

2、題上凸顯出其性能優(yōu)勢。但是，由于SVM在訓練過程中需要消耗較大的存儲資源，特別是在訓練樣本數量較多時，其訓練速度往往成為實際應用的瓶頸，這在一定程度上制約了該算法的推廣和應用。而在現實生活中各種嵌入式控制系統(tǒng)的使用越來越廣泛，客觀上也要求有更優(yōu)秀的智能算法在這些平臺上高效的應用，因此SVM算法在嵌入式系統(tǒng)中實現、應用研究成為不少研究人員努力的方向，也是比較具有實際意義的研究方向。
　　現有的關于支持向量機算法在嵌入式系統(tǒng)平臺上實現

3、的研究大多關注于硬件平臺的優(yōu)化，包括并行處理單元的使用、分布式處理、存儲單元的使用等，通常是以硬件花銷換取性能提升。本文重點從軟件的層面上研究支持向量機算法在嵌入式控制系統(tǒng)的實現，結合嵌入式控制系統(tǒng)的硬件資源極其有限的特性，以及支持向量機在訓練算法上可以進行必要的改進的特點，力圖以少量的性能損失換取實時學習速度的提升；首先根據目標平臺的字長約束，將訓練樣本特征值進行必要的歸一化、定點化或整型化處理后轉化為定點數或整型數，以一定的精度損失

4、帶來訓練過程數據計算的快捷性；然后根據字長k及設定的模型懲罰系數對標準SVM算法中的拉格朗日參數規(guī)范化為一定范圍內的整數值，并作為訓練過程待優(yōu)化的參數，因此訓練過程即為對每個在2k個整型值中的拉格朗日參數尋找最佳值作為最終模型參數；針對整型參數支持向量機算法模型中去除了等式約束條件而序貫最小優(yōu)化(Sequential Minimum Optimum，SMO)算法不再適用的實際情況，文中采用改進的SMO算法，通過對優(yōu)化目標的分析，提出了新