支持向量机_with_python 在本笔记本中，我们介绍了支持向量机（SVM）算法，这是一种功能强大但简单的监督学习方法，用于预测数据。 对于分类任务，SVM算法尝试将特征空间中的数据划分为不同的类别。 默认情况下，这种划分是通过构造最佳分割数据的超平面来执行的。 为了进行回归，构造了超平面以映射数据分布。 在这两种情况下，这些超平面均以非概率方式映射线性结构。 但是，通过采用内核技巧，我们可以将非线性数据集转换为线性数据集，从而使SVM可以应用于非线性问题。 SVM是功能强大的算法，已得到广泛普及。 这部分是由于它们在高维特征空间中有效，包括那些特征数与实例数相似或略微超过实例数的问题。 与具有大量数据集的内存需求很高的KNN不同，SVM可以提高内存效率，因为仅需要支持向量即可计算超平面。 最后，通过使用不同的内核，SVM可以应用于各种学习任务。 另一方面，这些模型是黑匣子，很难解释

脉冲耦合神经网络（Pulse Coupled Neural Network ， PCNN ）是一种新型神经网络模型，作为研究图像分割的常用方法，一直广受关注。针对目前大量文献关注PCNN模型仿真实现研究的情况，本文基于PCNN模型提出了将最小交叉熵分割算法在FPGA硬件平台上进行实现。相比于传统的PCNN软件实现以及最大信息熵分割算法实现的方案，本文提出的图像分割方案最佳分割精准度高，具有处理速度快，实时性强，图像分割效果好的优势，应用范围更广，因此该设计具有较高实际应用价值。