演化硬件在模式识别中的应用综述

doi:10.3778/j.issn.1002-8331.2010.36.050

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (36): 180-183.DOI: 10.3778/j.issn.1002-8331.2010.36.050

• 图形、图像、模式识别 • 上一篇下一篇

演化硬件在模式识别中的应用综述

王进，陈文，康雄，李丽芳

重庆邮电大学计算机科学与技术研究所，重庆 400065

收稿日期:2010-08-12 修回日期:2010-10-18 出版日期:2010-12-21 发布日期:2010-12-21
通讯作者: 王进

Survey on applying evolvable hardware for pattern recognition

WANG Jin，CHEN Wen，KANG Xiong，LI Li-fang

Institute of Computer Science and Technology，Chongqing University of Posts and Telecommunications，Chongqing 400065，China

Received:2010-08-12 Revised:2010-10-18 Online:2010-12-21 Published:2010-12-21
Contact: WANG Jin

摘要/Abstract

摘要： 演化硬件以其速度快、灵活性强、实时适应等特点，在模式识别应用中易于建立学习时间短、识别速度快、精确分类的高效识别系统。在论述基于演化硬件模式识别技术的体系结构基础上，总结了不同的演化模型和各自的特性，并对各模型适合的应用领域进行了对比分析。介绍了国内外演化硬件模式识别技术研究的主要方向和发展现状，讨论了演化硬件在模式识别应用中的未来发展趋势和亟需解决的问题。

关键词: 演化硬件, 模式识别, 演化算法, 在线演化

Abstract: Evolvable Hardware（EHW） is rapid，flexibile and real-time adaptative，it’s very efficient to build a classification system with the features of short learning time，high processing speed and high classification accuracy.By analyzing the architecture of EHW-based pattern recognition technology，various EHW-based pattern recognition models and their characteristics are summarized.Different application fields of various EHW recognition schemes are presented.The state-of-the-art researches and advantages on applying EHW for pattern recognition applications are discussed.This paper also indicates the challenges and the future research directions of EHW-based pattern recognition technology which should be further studied.

Key words: evolvable hardware, pattern recognition, evolutionary algorithm, online evolution

中图分类号:

TP18

王进，陈文，康雄，李丽芳. 演化硬件在模式识别中的应用综述[J]. 计算机工程与应用, 2010, 46(36): 180-183.

WANG Jin，CHEN Wen，KANG Xiong，LI Li-fang. Survey on applying evolvable hardware for pattern recognition[J]. Computer Engineering and Applications, 2010, 46(36): 180-183.

[1]	张朕通，单玉刚，袁杰. 联合多尺度和注意力机制的遥感影像检测[J]. 计算机工程与应用, 2021, 57(9): 212-216.
[2]	侯旋，薛飞，陈涛. 无人机目标检测量子多模式识别优化算法[J]. 计算机工程与应用, 2021, 57(7): 228-236.
[3]	卢俊杰，黄金泉，鲁峰. 似然K均值聚类用于涡扇发动机气路故障诊断[J]. 计算机工程与应用, 2020, 56(9): 136-141.
[4]	姜东明，杨火根. 融合图卷积网络模型的无监督社区检测算法[J]. 计算机工程与应用, 2020, 56(20): 59-66.
[5]	隋修武，牛佳宝，李昊天，乔明敏. 基于NMF-SVM模型的上肢sEMG手势识别方法[J]. 计算机工程与应用, 2020, 56(17): 161-166.
[6]	王众，章学良，刘亚群，周俊宇，单东升. 基于脑电传感器的面部动作识别研究[J]. 计算机工程与应用, 2020, 56(12): 182-186.
[7]	徐小来，房晓丽. 基于改进的直觉模糊核聚类的图像分割方法[J]. 计算机工程与应用, 2019, 55(17): 227-231.
[8]	李红亚1，彭昱忠1，2，邓楚燕1，龚道庆1. GA与PSO的混合研究综述[J]. 计算机工程与应用, 2018, 54(2): 20-28.
[9]	王忠民，张瑶，衡霞. SF-CNN在驾驶行为识别中的应用研究[J]. 计算机工程与应用, 2018, 54(11): 128-132.
[10]	吴聪聪1，赵建立1，2，刘雪静1，陈嶷瑛1. 改进的差分演化算法求解多维背包问题[J]. 计算机工程与应用, 2018, 54(11): 153-160.
[11]	邱爱昆，朱嘉钢. 基于集成学习的多重集典型相关分析方法[J]. 计算机工程与应用, 2017, 53(6): 162-168.
[12]	詹金珍1，滑维鑫2，3，乔芸2. 改进聚类排序的多目标优化算法[J]. 计算机工程与应用, 2017, 53(18): 102-107.
[13]	李葵，范玉刚，吴建德. 基于MRSVD和VPMCD的轴承故障智能诊断方法研究[J]. 计算机工程与应用, 2016, 52(8): 153-157.
[14]	王新颖，江志伟，陈海群，王凯全. SVM与DS结合的管道泄漏诊断方法研究[J]. 计算机工程与应用, 2016, 52(5): 262-265.
[15]	万书振. 自适应迁移预测的动态多目标差分演化算法[J]. 计算机工程与应用, 2016, 52(2): 86-91.

演化硬件在模式识别中的应用综述

Survey on applying evolvable hardware for pattern recognition

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics