High level synthesis implementation of classification algorithms for breast cancer detection on xilinx FPGAs
Makine öğrenmesi sınıflandırma algoritmalarının xilinx FPGA üzerinde gerçeklenmesi
- Tez No: 892628
- Danışmanlar: DOÇ. DR. SALİH BAYAR
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Marmara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 56
Özet
Tezin amacı göğüs kanseri datasındaki değerlere göre K En Yakın Komşu , Karar Ağacı Öğrenimi, Rastgele Orman, Lojistik Regresyon ve Naif Bayes makine öğrenimi algoritmalarını kullanarak hem yüksek seviye programlama dilleri vasıtası ile hem de FPGA de sınıflandırma yapmaktır. Bu tez, makine öğreniminin donanım ve yazılım uygulamasına odaklanmaktadır. Donanım uygulaması, sistemin performansını artırır ve gerçek zamanlı uygulamalar için güç tüketimini azaltır. FPGA, yazılım algoritmalarının donanımsal olarak uygulanmasında kullanılacaktır. FPGA de makine öğrenmesi sınıflandırma algoritmasını uygulamak için önerilmiştir. FPGA teknolojisi, makine dili algoritması programlama dilleri olan VHDL veya Verilog gibi bir donanım dilleri ile programlanabilmektedir. Ayrıca, FPGA makine öğrenmesi sınıflandırma uygulamaları için yüksek performans sağlar. Sınıflandırma algoritmaları, ortamdan alınan veriler üzerinden karar verebilir. Sınıflandırma yöntemlerinden Lojistik Regresyon, Naif Bayes Sınıflandırması, Karar Ağacı Öğrenimi, Rastgele Orman ve K En Yakın Komşu Algoritmasıdır . Yöntemlerin her biri, verileri sınıflandırmak için farklı yöntemler kullanarak bir sonuç elde etmeyi amaçlar. Önerilen sınıflandırma tasarımları, Xilinx Zynq-7000 SoC ZC702 FPGA platformunda toplam 699 hastalıklı ve sağlıklı bireyin bilgilerini içeren data üzerinde test edilmiştir.Her sınıflandırma algoritması için, başarı oranı (örneğin doğruluk), uygulama süresi, toplam alan (örneğin dilimler veya arama tabloları (LUT) cinsinden), maksimum saat frekansı ve güç tüketimi gibi bilgiler elde edilmesi amaçlanmaktadır. Bu anlamda, bu tez karar verme sürecinde ilk aşamadan son aşamaya kadar olan tüm adımları içerecektir. İlk aşama, makine öğrenme sınıflandırma algoritmalarının yazılım uygulamasıdır. Bu aşamada hem C/C++ hem de Python dilleri kullanılmıştır. İkinci aşama, bir vaka çalışmasının uygulanması olacak ve son aşama ise bu algoritmaların başarı oranı (örneğin doğruluk), uygulama süresi, toplam alan (örneğin dilimler veya arama tabloları (LUT) cinsinden), maksimum saat frekansı ve güç tüketimi gibi değerlerin yazılım tabanlı sonuçlarla kıyaslanması şeklinde olacaktır.
Özet (Çeviri)
The aim of the thesis is to classify using machine learning algorithms such as K Nearest Neighbor, Decision Tree Learning, Random Forest, Logistic Regression and Naive Bayes Classification based on the values in breast cancer data with high level programming languages and FPGA. This thesis focuses on the hardware and software implementation of machine learning. The hardware implementation can enhance the performance of the system and reduce the power consumption for real-time applications. FPGA will be used for the implementation of software algorithms as hardware. Hardware design is proposed to implement machine learning classifiers on FPGA. FPGA technology provides a way to concentrate on the balance between programming machine language algorithms and programming in a hardware language such as VHDL or Verilog. Also, it provides high performance for those kinds of applications. Classification algorithms can make a decision on the received data from the environment. The most important classification methods are Logistic Regression, Naive Bayes Classification, Decision Tree Learning, Random Forest algorithm and K Nearest Neighbor Algorithm (KNN). Each of the methods aims to achieve a result using different ways in order to classify data. The proposed classification designs were tested on the Xilinx Zynq-7000 SoC ZC702 FPGA platform on data containing the information of a total of 699 cancerous and non- cancerous individuals. For each candidate classification algorithm, it is aimed to obtain information such as the success rate (e.g. accuracy), execution time, total area (e.g. in terms of Slices or Look Up Tables (LUT)), maximum clock frequency, and power consumption. In this sense, this thesis will include all the steps from the first stage to the final stage in the decision-making process. The first stage is software implementation of machine learning classification algorithms implemented as a high level language C/C++ and Python ,the second stage will be the implementation of a case study in image processing domain and the last stage will be the performance evaluation of these algorithms in terms of success rate (e.g. accuracy), execution time, total area (e.g. in terms of Slices or Look Up Tables (LUT)), maximum clock frequency, and power consumption.
Benzer Tezler
- Seyreklik ve sözlük öğrenme yaklaşımlarının sınıflandırma ve yüz tanımaya uygulanması
Classification and face recognition application of sparsity and dictionary learning based methods
BERNA AZİZOĞLU
Yüksek Lisans
Türkçe
2017
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. ENDER METE EKŞİOĞLU
- Verification of ingredient labels in high-risk oils and fruit juices by using vibrationalspectroscopy combined with pattern recognition analysis
Yüksek riskli yağlar ve meyve sularının içerik etiketlerinin titreşim spektroskopisi ve örgü tanıma analizi ile doğrulanması
DİDEM PEREN AYKAS
- Optimizing artistic process: Exploring efficient environment creation workflows in gaming industry
Sanatsal sürecin optimizasyonu: Oyun endüstrisinde verimli çevre oluşturma süreçlerinin incelenmesi
EMRAH ÖZÇİÇEK
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiOyun ve Etkileşim Teknolojileri Ana Bilim Dalı
PROF. DR. LEMAN FİGEN GÜL
- High level synthesis based fpga implementation of matricized tensor times khatri-rao product to accelerate canonical polyadic decomposition
Canonical polyadic decomposition'lari hızlandırmak için matrisleştirilmiş tensör ile Khatri-rao çarpımı'nin yüksekdüzeyli sentezleme tabanli fpga implementasyonu
ZAHİT SAYGIN DOĞU
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. CEVDET AYKANAT
DOÇ. DR. MUHAMMET MUSTAFA ÖZDAL
- Approximate processor design with Risc-V isa
Rısc-V komut kümesi mimarisiyle yaklaşık işlemci tasarımı
İBRAHİM TAŞTAN
Yüksek Lisans
İngilizce
2020
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İSMAİL FAİK BAŞKAYA
PROF. DR. ARDA YURDAKUL