| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 1 绪论 | 第13-19页 |
| 1.1 研究背景 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.2.1 经典的滤波器设计方法 | 第15页 |
| 1.2.2 基于机器学习的滤波器设计方法 | 第15-16页 |
| 1.2.3 支持向量机的硬件化研究 | 第16-17页 |
| 1.3 文章创新点 | 第17页 |
| 1.4 论文结构安排 | 第17-19页 |
| 2 滤波器 | 第19-26页 |
| 2.1 数字滤波器 | 第19-20页 |
| 2.1.1 数字滤波器特性 | 第19-20页 |
| 2.1.2 数字滤波器分类 | 第20页 |
| 2.2 无限冲激响应滤波器(IIR滤波器) | 第20-21页 |
| 2.3 有限冲激响应滤波器(FIR滤波器) | 第21-25页 |
| 2.3.1 有限冲激响应(FIR)滤波器定义 | 第21-23页 |
| 2.3.2 FIR滤波器特性 | 第23页 |
| 2.3.3 FIR滤波器分类 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 3 支持向量机 | 第26-39页 |
| 3.1 支持向量机定义 | 第26-27页 |
| 3.2 线性支持向量机:可分情况 | 第27-29页 |
| 3.3 线性支持向量机:不可分情况 | 第29-30页 |
| 3.4 非线性支持向量机 | 第30页 |
| 3.5 核函数 | 第30-32页 |
| 3.6 计算SVM | 第32-37页 |
| 3.6.1 原始问题(primal problem) | 第32页 |
| 3.6.2 KKT约束与拉格朗日对偶问题 | 第32-34页 |
| 3.6.3 线性不可分支持向量机的计算 | 第34-36页 |
| 3.6.4 使用核技术 | 第36-37页 |
| 3.6.5 其他计算方法 | 第37页 |
| 3.7 特征与应用 | 第37-38页 |
| 3.8 本章小结 | 第38-39页 |
| 4 使用SVM构成FIR | 第39-49页 |
| 4.1 SVM构成FIR的理论研究 | 第39-42页 |
| 4.2 算法训练步骤 | 第42-44页 |
| 4.2.1 获取训练样本和测试样本 | 第43页 |
| 4.2.2 样本的标准化 | 第43页 |
| 4.2.3 构建训练模型 | 第43页 |
| 4.2.4 二次规划方程 | 第43页 |
| 4.2.5 获取支持向量并测试 | 第43-44页 |
| 4.3 软件仿真 | 第44-48页 |
| 4.3.1 求取最少可用的训练集样本数 | 第44页 |
| 4.3.2 求取最合适的C值 | 第44-45页 |
| 4.3.3 求取最合适的σ值 | 第45-46页 |
| 4.3.4 求取最佳的放大参数α | 第46-47页 |
| 4.3.5 核函数间的对比 | 第47页 |
| 4.3.6 仿真和分析 | 第47-48页 |
| 4.4 本章小结 | 第48-49页 |
| 5 硬件系统设计 | 第49-65页 |
| 5.1 基于SVM的FIR系统的整体设计 | 第49-50页 |
| 5.2 硬件模块的设计 | 第50-57页 |
| 5.2.1 硬件模块整体 | 第50-52页 |
| 5.2.2 浮点数乘加 | 第52页 |
| 5.2.3 指数计算 | 第52-53页 |
| 5.2.4 距离公式 | 第53-55页 |
| 5.2.5 流水线 | 第55-56页 |
| 5.2.6 向量分割 | 第56-57页 |
| 5.3 嵌入式系统的建立 | 第57-59页 |
| 5.3.1 系统整体框架 | 第57-58页 |
| 5.3.2 硬件模块的集成 | 第58-59页 |
| 5.4 软件模块的设计 | 第59-62页 |
| 5.4.1 滤波器训练模块 | 第59-61页 |
| 5.4.2 滤波器分类模块 | 第61-62页 |
| 5.5 嵌入式系统设计结果 | 第62-64页 |
| 5.5.1 对于硬件模块的仿真 | 第62-63页 |
| 5.5.2 滤波器嵌入式系统 | 第63-64页 |
| 5.6 本章小结 | 第64-65页 |
| 6 总结与展望 | 第65-67页 |
| 6.1 工作总结 | 第65页 |
| 6.2 未来工作展望 | 第65-67页 |
| 参考文献 | 第67-70页 |
| 攻读学位期间科研成果 | 第70页 |