1.算法运行效果图预览
2.算法运行软件版本
matlab2024b
vivado2022.2
3.部分核心程序
（完整版代码包含详细中文注释和操作步骤视频）
...................................................// 统计分类错误数if(o_reallabel == 2'd1 & o_prelabel == 2'd2)r_err1 <= r_err1 + 16'd1;elser_err1 <= r_err1;if(o_reallabel == 2'd2 & o_prelabel == 2'd1)r_err2 <= r_err2 + 16'd1;elser_err2 <= r_err2;// 保持输出为0（数据收集阶段）o_err1 <= 16'd0;o_err2 <= 16'd0;o_cnt1 <= 16'd0;o_cnt2 <= 16'd0; end// 阶段2：输出统计结果（TEST_NUM+1到TEST_NUM+500个周期）else if(o_cntall <= TEST_NUM + 500)begino_err1 <= r_err1; // 输出类别1的错误数o_err2 <= r_err2; // 输出类别2的错误数o_cnt1 <= r_cnt1; // 输出类别1的样本总数o_cnt2 <= r_cnt2; // 输出类别2的样本总数 end// 阶段3：重置计数器（超过TEST_NUM+500后）else beginr_err1 <= 16'd0; // 重置中间计数器r_err2 <= 16'd0;r_cnt1 <= 16'd0;r_cnt2 <= 16'd0;// 保持输出结果不变o_err1 <= o_err1;o_err2 <= o_err2;o_cnt1 <= o_cnt1;o_cnt2 <= o_cnt2;endend end // 总计数器和使能信号控制 always @(posedge i_clk or posedge i_rst) beginif(i_rst)begino_cntall <= 16'd0; // 复位总计数器enable <= 1'd0; // 禁用数据生成器 endelse begin// 循环计数：达到最大值后归零if(o_cntall == TEST_NUM + 500)o_cntall <= 16'd0;elseo_cntall <= o_cntall + 16'd1;// 在测试阶段（前TEST_NUM个样本）启用数据生成器if(o_cntall <= TEST_NUM)enable <= 1'd1;elseenable <= 1'd0; end end endmodule 05_0137m
4.算法理论概述
分类与回归树（Classification and Regression Tree, CART）是一种典型的二叉决策树算法，由Breiman等人于1984年提出。它既可以用于分类问题（输出离散值），也可以用于回归问题（输出连续值）。CART通过递归划分特征空间，构建二叉树结构，其核心思想是基于最小化不纯度（分类）或最小化平方误差（回归）来选择最优分裂特征和阈值，最终形成一棵二叉树。 1.CART算法实现步骤: 输入：训练数据集D，特征集A，停止条件（如最小样本数、最大深度） 输出：CART决策树 1. 若当前节点样本数小于最小样本数或达到最大深度，标记为叶子节点，返回类别/均值。 2. 对每个特征a∈A，遍历所有可能的分裂阈值t，计算分裂后的不纯度（分类）或平方误差（回归）。 3. 选择使不纯度/平方误差最小的特征a和阈值t，生成左右子树。 4. 对左右子树递归调用步骤1-3，直至满足停止条件。 5. 对生成的树进行剪枝处理。 2.特征选择与分裂阈值搜索 对于每个特征a，将样本按特征值排序，遍历所有可能的分裂点（通常取相邻样本的中间值），计算每个分裂点的不纯度或平方误差，选择最优分裂条件。 3.递归分裂与停止条件 递归分裂直至满足以下条件之一： 节点样本数小于预设最小值（如 10）。 所有样本属于同一类别（分类问题）或方差小于阈值（回归问题）。 树的深度达到预设最大值（如 10 层）。 4. 叶子节点赋值 分类树：叶子节点的类别为该节点样本的多数类。 回归树：叶子节点的值为该节点样本的均值。 5.剪枝处理 预剪枝：在分裂时提前限制树的生长，如设置最小样本分裂数、最大深度等。 后剪枝：先生成完整树，再自底向上删除贡献度低的节点。常用方法包括代价复杂度剪枝（Cost-Complexity Pruning），通过最小化损失函数： Cα(T)=C(T)+α∣T∣ 其中，C(T)为训练误差，∣T∣为叶子节点数，α为正则化参数。 CART算法通过递归分裂和剪枝策略，在分类和回归问题中实现了高效的决策建模。MATLAB 训练流程直观易实现，而 FPGA 测试则利用硬件并行性提升预测速度，适用于实时性要求高的场景。