基于终身学习Agent的多源迁移算法研究
| 致谢 | 第1-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-8页 |
| Extended Abstract | 第8-16页 |
| 图清单 | 第16-19页 |
| 表清单 | 第19-21页 |
| 1 绪论 | 第21-33页 |
| ·终身学习 Agent 与多源迁移 | 第22-25页 |
| ·迁移学习与传统机器学习的关系 | 第25-28页 |
| ·本文主要研究方法 | 第28-30页 |
| ·本文结构 | 第30-32页 |
| ·本章小结 | 第32-33页 |
| 2 迁移学习研究基础 | 第33-52页 |
| ·分类迁移概述 | 第33-37页 |
| ·强化迁移概述 | 第37-42页 |
| ·色彩迁移概述 | 第42-48页 |
| ·优化迁移概述 | 第48-51页 |
| ·本章小结 | 第51-52页 |
| 3 基于相似度衡量的多源分类迁移 | 第52-78页 |
| ·研究动机 | 第52-54页 |
| ·分类迁移数学描述 | 第54-55页 |
| ·多源决策树相似度衡量与误差分析 | 第55-59页 |
| ·算法流程与仿真研究 | 第59-64页 |
| ·低维特征表示 | 第64-66页 |
| ·基于 LPP 的多源特征迁移 | 第66-72页 |
| ·实验结果与分析 | 第72-77页 |
| ·本章小结 | 第77-78页 |
| 4 基于极限学习机的多源强化迁移 | 第78-91页 |
| ·研究动机 | 第78-79页 |
| ·基于 ELM 的 Q 学习 | 第79-81页 |
| ·基于 ELM 的多源迁移 Q 学习 | 第81-85页 |
| ·算法步骤与仿真分析 | 第85-90页 |
| ·本章小结 | 第90-91页 |
| 5 基于主动轮廓探索的多源色彩迁移 | 第91-105页 |
| ·研究动机 | 第91-92页 |
| ·系统结构 | 第92-96页 |
| ·基于主动轮廓探索的多源色彩迁移 | 第96-98页 |
| ·实验结果与分析 | 第98-104页 |
| ·本章小结 | 第104-105页 |
| 6 基于图构建与样本空间筛选的多源优化迁移 | 第105-123页 |
| ·研究动机 | 第105-107页 |
| ·ACO 参数邻接迁移矩阵 | 第107-108页 |
| ·基于扩展模型图的多源参数迁移 | 第108-109页 |
| ·目标任务的参数优化 | 第109-110页 |
| ·仿真研究与分析 | 第110-114页 |
| ·多源迁移 Ant-Q 算法 | 第114-116页 |
| ·基于先验概率的样本空间筛选 | 第116-118页 |
| ·TSP 仿真研究 | 第118-122页 |
| ·本章小结 | 第122-123页 |
| 7 结论 | 第123-127页 |
| ·本文所做的工作 | 第123-125页 |
| ·需要进一步研究的问题 | 第125-127页 |
| 参考文献 | 第127-138页 |
| 作者简历 | 第138-141页 |
| 学位论文数据集 | 第141页 |
