级联网络的软件可靠性预测

研究软件可靠性准确预测问题,软件存在动态失效性,且引起软件运行失效的原因具有随机性,不同可靠性模型预测相同软件得到的结果不一致,通用性比较差,导致预测精度低。为了提高软件可靠性预测精度,提出一种级联网络的软件可靠性预测模型。采用4种经典软件可靠性模型的输出作为BP神经网络模型的输入,利用各种单一预测模型的优点,建立一种新的级联软件可靠性模型。仿真结果表明,级联网络模型具有更高的预测精度和通用性,验证了级联网络预测模型对软件可靠性预测的有效性和良好的应用前景。     

基于神经网络组合模型的软件可靠性评估研究

在软件可靠性评估问题的研究中,构件存在动态失效的问题。为了提高软件可靠性的预测精度,在分析经典软件可靠性模型与神经网络可靠性模型研究的基础上,采用了一种神经网络组合软件可靠性模型。模型通过构造与所选基模型相适应的传递函数,实现了经典软件可靠性模型和神经网络的有机结合,这种神经网络组合模型可以用较小的网络规模获得满意的泛化特性。进行仿真的结果表明,神经网络组合模型能够有效提高软件可靠性的预测精度和效率。     

基于极限学习机的组合软件可靠性模型研究

针对单一软件可靠性模型适应性不强和数据驱动模型稳定性较差的问题,本文选取3种典型软件可靠性模型作为基模型,利用极限学习机对基模型的预测结果进行加权优化,得到组合软件可靠性模型,实现经典软件可靠性模型和人工智能算法的有机结合。通过对3组失效数据进行仿真实验,并与单一模型、基于其他神经网络算法的组合模型以及数据驱动模型的预测结果进行对比,验证了本文模型能够有效地提升预测精度和模型的适应性。     

组合模型在软件可靠性预测中的建模与仿真

针对软件可靠性受到多种不确定因素影响,且因素间具有多重共线性,单-预测模型无法全面准确描述其变化规律,导致软件可靠性预测精度不高.为了提高软件可靠性预测的精度,提出一种基于熵值法的软件可靠性组合预测模型.首先采用主成分分析消除软件可靠性度量属性间多重共线性,加快学习速度,然后分别采用AR模型和RBF神经网络对软件可靠性进行预测,采用嫡值法确定两种模型的权重,从而得到组合预测模型的软件可靠性预测值.用NASA的软件度量数据进行模型预测,结果表明,仿真预测模型明显提高了软件可靠性预测精度,说明组合预测方法对软件可靠性预测是可行的.     

基于多模型变权重组合的软件可靠性仿真研究

研究提高软件可靠性预测精度问题,对软件可靠性研究已成为当前软件工程的一个研究热点,传统的单一软件可靠性模型由于使用的技术及提取的信息有限,软件可靠性预测精度不高。为提高软件可靠性预测精度,在建立多种单一软件可靠性预测模型的基础上,提出一种样本点的多模型变权重组合模型。将多种预测技术有效地聚合在一起,取长补短,在样本数据有限的情况下,不仅改善了样本内学习能力也增强了样本外的泛化能力,提高了综合预测精度。仿真验证模型无论在样本内还是样本外都较优于经过模拟退火算法优化的BP神经网络(SA-BP)及经过遗传算法优化的最小二乘支持向量机(GA-LSVM),说明变权重组合模型是一种精度更高的软件可靠性失效数据预测模型,具有较好的应用推广价值。     

神经网络在软件可靠性预测中的应用研究

关于应用软件保证在应用中安全可靠,应研究软件可靠性预测问题.针对软件可靠性预测系统是一个多因素的、非线性的复杂系统,传统设计高精度的准确数学模型预测方法是相当困难,RBF神经网络是一种非线性预测能力相当强的预测方法.为了提高软件可靠性预测的准确率,提出一种粒子群优化RBF神经网络的软件可靠性预测模型.模型首先将软件可靠性因子作为RBF神经网络的输入,软件可靠性准确率作为RBF神经网络的输出,然后将RBF神经网络的参数初始为粒子群中的粒子,软件可靠性准确率作为粒子优化的目标函数,通过粒子群之间的协作来获得RBF神经网络最优参数,用最优参数对RBF神经网络对软件可靠性进行预测.仿真结果表明,与传统软件可靠性预测方法相比,粒子群优化RBF神经网络对软件可靠性预测的精度更高,收敛速度更快,同时解决了传统RBF神经网络参数寻优难题,更加适合于软件可靠性预测.     

软件可靠性预测的增强贝叶斯组合模型

针对当前可靠性预测模型的预测精度问题,提出一种增强贝叶斯组合的短期软件可靠性预测模型。该模型以基于小波分解的单个可靠性预测模型作为基本预测模型, 根据当前相邻几个失效时间间隔的预测精度,更新组合模型中各个基本预测模型的权重,解决了贝叶斯组合模型权重计算采用全部历史数据而导致某个基本预测模型权值占主导地位的缺陷,提高了贝叶斯组合模型对软件可靠性的预测精度。实验结果表明,增强贝叶斯组合预测模型的预测精度不仅优于单一的预测方法,而且也优于传统的软件组合预测模型,能显著提高软件可靠性预测的精度和模型对数据的适应性。     

基于GM模型的软件可靠性建模

将灰色理论应用于软件可靠性建模研究,通过对历史失效数据进行建模,对软件的下一步失效时刻进行预测。为验证该模型的预计精度,将其应用于多组广泛被认可的数据,通过计算度量元短期相对误差（SRE）与经典的可靠性模型进行比较,结果表明,基于GM的模型对将来失效时间间隔的预测更加准确。     

软件可靠性模型研究综述

本文对软件可靠性经典模型、模型选择、普适模型的研究进行了归纳和述评,提出了软件可靠性综合预测框架,给出了软件可靠性综合预测进一步的研究方向。     

一种基于输入域的非参数软件可靠性评估模型

通过分析输入域软件可靠性模型和时间域软件可靠性模型的特点,建立一种基于输入域的非参数软件可靠性评估模型,从而克服一般输入域模型评估精度较差、无法预测的缺点.同时提出了基于非参数统计的方法来估计缺陷数和软件失效概率,从而为利用普通软件测试所获得测试数据进行软件可靠性评估提供了一种解决途径,实例验证表明了该评估模型可以较好地对软件可靠性进行评估,给出缺陷数和软件可靠性的合理估计,其估计精度不低于较好的时间域模型.     

基于蚁群算法的软件可靠性模型参数估计方法

由于软件可靠性模型大多是非线性模型,导致其参数难于估计。总结了常用的软件可靠性模型的参数估计方法,提出一种基于蚁群算法的可靠性模型参数估计方法。通过对Musa软件可靠性模型分类方案中三个不同类型模型（G-O模型、Weibull模型以及M-O模型）的实验,发现本算法对不同模型具有很好的适应性,解决了应用传统数值计算方法时的无法收敛问题;与粒子群算法相比,本算法的收敛速度比粒子群算法快一倍以上,且对于部分实验对象的拟合结果精度比粒子群算法高一个数量级以上。     

二次拟合：一种提高软件可靠性模型精度的新方法

针对软件可靠性模型精度不高的问题,提出了"一次建模 + 二次拟合"的方法,通过误差补偿机制来提高模型精度,并将该方法应用于航天软件失效数据集.实践结果表明,提出的方法对于提高软件可靠性模型精度是有效的.     

基于机器学习理论的软件可靠性预测研究

由于软件可靠性早期预测在测试前就能够使开发和测试的相关人员对软件的可靠性有一定的了解,所以对于软件如何进一步开发、测试和质量的控制都具有十分重要的作用。该文将支持向量机理论引入到软件可靠性早期预测领域中来,提出了基于支持向量机的软件可靠性早期预测模型。通过对比仿真实验,证实了此模型同传统模型相比具有预测精度更高、泛化能力更强、对样本数量的依赖程度更低的特点。     

基于机器学习理论的软件可靠性预测研究

由于软件可靠性早期预测在测试前就能够使开发和测试的相关人员对软件的可靠性有一定的了解．所以对于软件如何进一步开发、测试和质量的控制都具有十分重要的作用。该文将支持向量机理论引入到软件可靠性早期预测领域中来,提出了基于支持向量机的软件可靠性早期预测模型。通过对比仿真实验,证实了此模型同传统模型相比具有预测精度更高、泛化能力更强、对样本数量的依赖程度更低的特点。     

基于时间序列的软件可靠性预测模型研究

将软件可靠性测试阶段获得的失效数据作为时间序列进行多尺度分解,对分解到不同尺度上的数据分别利用不同的时序预测模型进行分析,得到软件可靠性多尺度预测模型.数据实验表明与单一时序预测模型相比,该模型逼近和预测效果良好,具有较高的预测精度和很好的模型适应性.     

软件可靠性组合预测模型研究

根据灰色模型、谐波分析和时间序列分析理论,对软件测试阶段的失效数据构成的时间序列进行分析,得到软件可靠性组合预测模型。结合实际数据,给出了具体的实现方法。数据试验结果表明,与单一时间序列预测模型相比,该模型具有较高的预测精度和很好的模型适应性。     

基于优化PSO-SVM模型的软件可靠性预测方法

讨论了传统软件可靠性预测模型的主要弱点;在分析传统PSO-SVM模型和软件可靠性预测特点的基础上,对传统PSO-SVM模型进行改进,建立了优化PSO-SVM软件可靠性预测模型。最后通过仿真结果表明,该优化预测模型具有更好的小样本适应性,训练速度快,预测精度高,能够更好地适用于软件可靠性预测。     

基于改进模拟退火算法的软件可靠性模型参数估计方法

为提升现有软件可靠性模型的拟合性能和求解精度,结合软件可靠性模型求解特征,提出一种改进的模拟退火算法。在此基础上,提出基于改进模拟退火算法的软件可靠性模型参数求解方法(简称为MSAE法),并将新方法应用于4组失效数据集。工程应用结果表明,与最大似然估计(MLE)法、和声搜索(HS)算法和蚁群(AC)算法相比,MSAE法可有效改善软件可靠性模型参数求解不收敛的情况,并且可以有效提升现有软件可靠性模型的拟合性能。