基于支持向量机的Agent迁移策略
| 摘要 | 第1-4页 |
| Atstract | 第4-5页 |
| 目录 | 第5-7页 |
| 1. 引言 | 第7-12页 |
| ·MobileAgent | 第7-8页 |
| ·支持向量机 | 第8-10页 |
| ·本文的研究内容与意义 | 第10页 |
| ·本文的组织结构 | 第10-12页 |
| 2. 统计学习理论 | 第12-28页 |
| ·机器学习的基本问题 | 第12-13页 |
| ·经验风险最小化 | 第13-14页 |
| ·学习过程一致性 | 第14-17页 |
| ·学习机器推广能力的界 | 第17-18页 |
| ·VC维 | 第17页 |
| ·推广能力的界 | 第17-18页 |
| ·控制学习过程的推广能力 | 第18-20页 |
| ·支持向量机 | 第20-21页 |
| ·最优分类超平面 | 第21-28页 |
| ·线性情况 | 第22-24页 |
| ·非线性情况 | 第24-26页 |
| ·核函数 | 第26-27页 |
| ·多分类问题 | 第27-28页 |
| 3. Agent | 第28-35页 |
| ·Agent的起源与发展 | 第28-29页 |
| ·移动Agent的特性 | 第29-30页 |
| ·移动Agent的优点 | 第30-32页 |
| ·移动Agent技术的标准 | 第32-35页 |
| ·MASIF | 第32-33页 |
| ·FIPA | 第33-35页 |
| 4. 改进的迁移计划 | 第35-38页 |
| ·一步迁移策略 | 第35页 |
| ·智能迁移策略 | 第35-36页 |
| ·迁移计划改进 | 第36-38页 |
| 5. 基于支持向量机的Agent迁移策略 | 第38-44页 |
| ·迁移机制与迁移策略 | 第38-42页 |
| ·Agent迁移机制 | 第38-40页 |
| ·Agent迁移策略 | 第40-42页 |
| ·基于支持向量机的Agent迁移策略 | 第42-44页 |
| ·Agent模型改进 | 第42-44页 |
| 6. 智能决策 | 第44-47页 |
| ·智能决策问题描述 | 第44-45页 |
| ·学习工具的选择 | 第45页 |
| ·输入空间选择 | 第45页 |
| ·智能决策模型 | 第45-47页 |
| 7. 学习训练算法 | 第47-49页 |
| ·训练算法描述 | 第47-48页 |
| ·迁移算法描述 | 第48-49页 |
| 8. 仿真实验 | 第49-53页 |
| ·仿真环境 | 第49页 |
| ·任务选择 | 第49-50页 |
| ·仿真步骤 | 第50-53页 |
| ·建立参数库 | 第50页 |
| ·建立知识库 | 第50-51页 |
| ·训练样本 | 第51页 |
| ·SVM训练 | 第51-52页 |
| ·仿真验证 | 第52页 |
| ·实验结果分析 | 第52-53页 |
| 9. 总结与展望 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 致谢 | 第59-60页 |
| 作者论文发表情况 | 第60页 |
