Untersuchung von Machine Learning Algorithmen auf einem FPGA zur Klassifikation

Abstract

In dieser Bachelorarbeit werden der k-nächste Nachbar Algorithmus, binarisierte neuronale Netze und Entscheidungsbäume zur Klassifikation mittels FPGA untersucht. Durch Abwägung und Untersuchung der einzelnen Algorithmen wird der Entscheidungsbaum als besonders geeignet befunden. Ein Entscheidungsbaum wird auf einem FPGA implementiert und getestet. Der MNSIT-Testdatensatz konnte mit einer Genauigkeit von 88,47 % klassifiziert werden. Dabei wurden die FPGA Ressourcen kaum ausgelastet.

In this bachelor thesis, the k-nearest neighbor algorithm, binarized neural networks and decision trees for classification using FPGA are investigated. By consideration and examining the individual algorithms, the decision tree is found to be particularly suitable. A decision tree is implemented and tested on an FPGA. The MNSIT test data set could be classified with an accuracy of 88.47 %. The FPGA resources were hardly utilized.