纵横加工向量机的原理及应用

本文讨论以中小规模集成电路为基础的巨型机。文中从分析伊里阿克Ⅳ的主要问题入手,特别是对于不能直接使用大容量中速主存和使用很不方便等严重缺点,进行一系列的彻底改造,结果得到了“纵横加工向量机”。“纵横加工向量机”分别克服了和部分地克服了伊里阿克Ⅳ的不能直接使用大容量主存储、使用很不方便、器材费、效率低和有效应用范围窄等严重缺点。本文介绍了纵横加工向量机的原理,实现的等价性,存在问题和解决办法。还讨论了纵横加工向量机具有横向加工的优点。这点使它比通常的纵向加工向量机(例如STAR-100),对存储系统供数能力的要求,降低了三倍以上。不仅可以节省器材,而且增加了研制××次×型机的现实性。在最后简要结论中,还指出了它的实际应用。     

细胞结构纵横加工向量机

本文讨论一般向量机及纵横加工向量机的细胞结构化的可能性。随着器件的飞速发展,细胞结构巨型机成为巨型机重要方向。多处理机、阵列机、关联阵列机的细胞结构化是显然的;而向量机,一种比较受欢迎的巨型机,语言可在标准语言基础上扩充,使用与习惯较接近,效率比较高的巨型机,能否细胞结构化?本文给出了构造性的肯定回答。本文介绍了标准语言向量扩充和纵横加工向量机。在此基础上讨论了细胞结构向量机及细胞结构纵横加工向量机。最后简略讨论其优点及细胞单元数目有限的局限性(例如N≤64)。     

纵横加工向量机的交叉问题及其解决

本文从“单指令流——单数据流”计算机上的“标准高级语言向量扩充语言”上的“交叉”问题的解决方法:“语句限制”出发,讨论了通常向量机(纵向加工)及“纵横加工向量机”中的交叉问题及其处理办法。     

纵横加工流水线向量机的交叉问题及其解决

本文从单指令流-单数据流计算机上的“标准高级语言向量扩充语言”上的“交叉”问题的解决方法,“语句限制”出发,讨论了通常向量机(纵向加工)及纵横加工流水线向量机中的交叉问题及其处理办法。     

虚共存细胞结构纵横加工向量机的FL互连网络

本文介绍了FL互连网络,并对可用在虚共存细胞结构纵横加工向量机中的网络单元进行了概念设计。论述了由这种网络单元构成的网络中向量自动位移过程和原理。最后根据文献[2]中所提出的向量自动位移迭代原理,对FL互连网络中均匀分布的随机地址向量的位移迭代次数进行了概率估算并给出了计算机模拟结果。     

通用细胞结构巨型机——虚共存细胞结构纵横加工向量机

本文从中小规模集成电路为基础的纵横加工向量机(m×n_p型)出发,简略地介绍了由于“超大规模集成电路”的发展趋势而引入的共存细胞结构纵横加工向量机(m×n型,m×n_p型)。 在此基础上,为了用大幅度扩大台数的办法来大幅度提高解题速度,本文重点介绍一种新型通用巨型机,即可以多达成千上万个细胞单元的“虚共存加共存”式的细胞结构纵横加工向量机。它提出了所谓用“微处理机”组合巨型机的一种有效算法和结构,其子系统与多维阵列机等价。本系统可构成一个规模大小不同的组合机系列,如进一步简化,也可以成阵列部件系列。 本文还讨论了这类新型巨型机的语言,主要算法,对应的主要指令,细胞单元的主要功能,以及“共存”、同步、数据传输等问题。 本系统具有如下特点:从物理结构的观点看,它接近于多维阵列机,且是分散存储;但从功能的角度(即用户的角度)看,它是向量机,且是集中、公共存储。     

虚共存细胞结构纵横加工向量机上向量无冲突存取方法

本文讨论虚共存细胞结构纵横加工向量机上无冲突的向量位移的有关性质,在此基础上对各种无位移冲突的向量的自动访问和对压缩、还原、扇出、复置等特殊的向量处理给出了实现的具体方法,并给出了用于N~(1/2)×N~(1/2)方块向量的高效并行算法的数据调度方法。文中提出的方法位移步数少,控制信息需要的计算量小,从而使虚共存机面向的主要数据调度能高效实现。     

光滑支持向量机的原理和进展

支持向量机是数据挖掘的新方法,由于其显著的优点,因此得到了广泛的应用.光滑支持向量机是标准支持向量机的一种改进形式,其应用已显示出了优越性.该文论述光滑支持向量机(SSVM)的基本原理、SSVM 模型、多项式光滑的支持向量机模型以及一类新的光滑函数.讨论光滑支持向量机目前尚未解决的一些关键问题,并展望了今后的发展趋势,为进一步研究光滑支持向量机理论提供了基本思路.     

光滑支持向量机的原理和进展

为了直观地展现出超宽带通信优越的性能指标,设计一种用于超宽带(UWB)通信的嵌入式视频演示系统,在UWB的发射端采用基于Samsung公司的微处理器S3C2410的嵌入式Linux系统实现图像采集,在UWB的接收端利用Windows提供的视频开发组件VFW进行视频捕获,实验结果证明软硬件设计达到了预期的目的.     

支持向量机

1 前言基于数据的机器学习是人工智能技术中的重要方面,从观测数据(样本)出发寻找数据中的模式和数据间的函数依赖规律,利用这些模式和函数依赖对未来数据或无法观测的数据进行分类、识别和预测。关于其实现方法大致可以分为三种,第一种是经典的(参数)统计估计方法,在这种方法中,参数的相关形式是已知的,训练样本用来估计参数的值。这种方法有很大的局限性,首先,它需要已知样本分布形式,其次传统统计学研究的是样本数目趋于无穷大时的渐近理论,现有学习方法也多是基于此假设,但在实际问题中,样本数往往是有限的,因此一些理论上很优秀的学习方法实际中表现却可     

互补支持向量机

基于支持向量机的修正模型,得到一个互补支持向量机。利用Fischer-Burmeister互补函数,提出了一个新的下降算法。该算法不是基于支持向量机最优化问题本身,而是一个与之等价的互补问题。新算法不需要计算任何Hesse矩阵或矩阵求逆运算,实现简单,计算量小,克服了Mangasarian等人提出的LSVM算法需要求逆矩阵而造成不适合求解大规模非线性分类问题的缺陷。在不需要任何假设的情况下,证明了算法的全局收敛性。仿真实验表明算法是可行有效的。     

支持向量机研究进展

基于统计学习理论的支持向量机((Support vector machines, SVM)以其优秀的学习能力受到广泛的关注。但传统支持向量机在处理大规模二次规划问题时会出现训练时间长、效率低下等问题。对SVM训练算法的最新研究成果进行了综述,对主要算法进行了比较深入的分析和比较,指出了各自的优点及其存在的问题,并且着重介绍了目前研究的新进展—模糊SVM和粒度SVM。接着论述了SVM主要的两方面应用—分类和回归。最后给出了今后SVM研究方向的预见。     

小波支持向量机

在研究支持向量机(SVM)核方法和小波框架理论的基础上,提出了一种称为小波支持向量机(WaveletSupport Vector Machines,WSVM)的新的机器学习构造方法.该方法引入小波基函数构造SVM的核函数,得到了一种新的SVM模型,然后提出了此模型的结构设计和实现算法,最后给出了几种常用的小波核函数,并给出了理论证明.通过仿真实验,把该方法与小波神经网络、高斯核SVM相比较,得到了较好的实验结果,从而验证了该方法的正确性和有效性.     

直接支持向量机

基于最小二乘支持向量机变形,得到一个极其简单快速的分类器--直接支持向量机.与最小二乘支持向量机相比,该分类器只需直接求解一个更小规模矩阵的逆,大大减小了计算量,并未降低分类精度.从理论上证明了该矩阵可逆,保证了分类面存在的唯一性.对于线性情形,采用Sherman-Morrison-Woodbury公式降低可逆矩阵的维数,进一步减少了计算复杂度,使其可适用于更大规模的样本集.数值实验表明,新分类器可行并具有上述优势.     

粗糙支持向量机

支持向量机(SVM)是一种重要的数据机器学习工具,其有效性依赖于对数据信息获取的准确性.以往的支持向量机模型都没有考虑到数据等价类信息.为此,基于粗糙集理论和支持向量机思想,提出了一种新的支持向量机模型--粗糙支持向量机(RSVM).采用UCI机器学习数据库中的数据做对比实验,结果表明RSVM比传统支持向量机(SVM)和模糊支持向量机(FSVM)都有较高的测试精度.     

并行支持向量机

支持向量机算法是一种基于结构风险最小化原则上,尽量提高学习机的泛化能力,在处理小样本、非线性及高维模式识别问题有许多优势,但在解决大规模数据时,训练速度会变得缓慢,影响训练的效果。所以,本文在原有支持向量机实现方式上,利用类似级联方式,增加算法处理的数据规模,并且基于云计算平台,利用Map/Reduce机制实现算法过程,加快算法的训练速度。     

支持向量机研究

支持向量机是一类新型机器学习方法,由于其出色的学习性能,该技术已成为当前国际机器学习界的研究热点。该文首先引入最优超平面的概念,然后对线性ＳＶＭｓ和非线性ＳＶＭｓ进行介绍,给出一些常用的训练算法,并指出ＳＶＭｓ存在的局限和将来可能的研究内容。     

基于壳向量和中心向量的支持向量机

针对支持向量机(Support vector machines,SVMs)中大规模样本集训练速度慢且分类精度易受野点影响的问题,提出一个基于样本几何信息的支持向量机算法.其基本步骤是,首先分别求取每类样本点的壳向量和中心向量,然后将求出的壳向量作为新的训练集进行标准的SVM训练得到超平面的法向量,最后利用中心向量来更新法向量从而减少野点的影响得到最终的分类器.实验表明,采用这种学习策略,不仅加快了训练速度,而且在一般情况下也提高了分类精度.     

权向量投影多平面支持向量机

提出一个多平面支持向量机算法——权向量多平面支持向量机(WMPSVM)。该方法利用差代替Rayleigh商问题,从而避免广义特征值的奇异问题。与传统分类器不同,该方法无需求解具体的超平面,仅求解两个权向量。其决策是将测试样本归为距样本投影均值距离最近的所在的类。从广义支持向量机(GEPSVM)求解目的出发,该方法在保证得到与GEPSVM相当的计算效率的前提下,能较好地求解异或问题以及一些复杂异或问题。最后在人工数据集和UCI数据集上显示,该方法的性能要好于GEPSVM。     

预抽取支持向量机的支持向量

训练支持向量机,可以归结为求解二次规划问题,而求解二次规划时的复杂度随着样本数量的增加而显著增长,这样就大大延长了支持向量机的训练时间。为了提高支持向量机的训练速度,根据支持向量机的基本原理,该文提出了一种从给定训练样本中预抽取支持向量的新方法,即两凸包相对边界向量方法(FFEVM),此方法大幅度减小了训练支持向量机的训练样本的数量,从而大大提高了支持向量的训练速度,而支持向量机的分类能力不受任何影响。