中文摘要：

Mobile Agent系统是一种具有移动性、智能性和异步计算等特点的全新分布式计算范型，将分类性能优越的支持向量机理论与方法应用于该系统中，可提高其对网络资源的利用率，增强其分布式数据处理任务的灵活性。研究目的是将两种技术的优势互补，扩展支持向量机的应用领域，提高大规模数据分类的性能与效率，进一步推进数据分类技术的发展。本课题的研究内容(1)数据分类处理中Mobile Agent的智能迁移策略研究，使Agent完成任务时间最短；(2)基于Mobile Agent的支持向量机并行分类算法研究，降低待处理任务和支持向量机分类算法的复杂度；(3)基于Mobile Agent的分布式支持向量机分类算法研究，提高Mobile Agent系统对分布式数据处理的性能；(4)基于Mobile Agent的多支持向量机分类器融合技术研究，提高Mobile Agent数据分类处理的智能性和总体决策效率。

结论摘要：

Mobile Agent系统与支持向量机的结合，可以解决各自研究领域的关键问题，本项目在此基础上展开研究。在支持向量机基础学习算法方面，根据支持向量的几何分布及KKT条件提出一种基于向量投影的支持向量机增量式学习算法,减少训练样本数，提高训练的速度；根据训练样本对支持向量机的作用的不同，提出一种边界可调节加权支持向量机，提高了支持向量机的噪音免疫能力；提出了一种基于中垂线距离法的边界向量预选取方法以降低支持向量机的时空复杂度；扩展支持向量机的应用领域，提出一种基于类别相似性的二叉树型支持向量机多类分类算法；针对数据的多样性和复杂性，提出一种基于全信息相关度的多支持向量机分类器融合策略。在基于支持向量机的Mobile Agent系统问题研究方面，在现有Mobile Agent规范和已有模型的基础上，结合机器学习理论以及支持向量机的相关原理，提出了基于支持向量机的Mobile Agent迁移策略和一种基于支持向量机的分级信息融合算法；另外，本项目还完成了一些相关研究工作，包括高维空间数据聚类算法以及Mobile Agent在移动数据库中的应用等。