[发明专利]LS－SVM分类与回归学习递归神经网络硬件电路及实现方法

摘要

本发明公开了一种LS－SVM分类与回归学习递归神经网络硬件电路及其实现方法，该方法将LS－SVM与递归神经网络相结合，推导出描述神经网络的动态方程及其拓扑结构，并进一步建立了实现上述递归神经网络的硬件电路，从而用硬件电路对最小二乘支持向量机算法进行实现。本发明所述的LS－SVM分类与回归学习递归神经网络与以往出现的网络相比，消除了网络中的非线性部分，神经网络结构更加简洁，大幅度的提高支持向量机的训练速度；同时本发明提出的LS－SVM学习神经网络可以在几乎不改变拓扑结构的基础上实现分类和回归两种问题。

主权项

1、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-1V以及v_by_i通过各自的连接电阻同时与积分器的输入端连接，电压-1V以及v_by_i与积分器的连接电阻分别为R₀/|q_ij|、γR₀、R₀、R₀，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积分器的另外一个输出电路中连接有一反向器，该反向器的输出端为电压电压再经电阻R₀/|q_ij|反馈到相应的积分器输入端，所述的LS-SVM回归学习递归神经网络硬件电路是，电压以及v_b同时与积分器的输入端连接，电压以及v_b与积分器的连接电阻分别为R₀/|Ω_ij|、γR₀、R₀、R₀；积分器由运算放大器与电容C并联组成，该积分器的输出端为电压电压再通过电阻R₀/|Ω_ij|与相应的积分器输入端连接。