软件可靠性评估的模糊神经网络模型

基于对软件可靠性影响最突出的6个因素,结合模糊逻辑和神经网络技术来开发模糊神经网络模型,抽取蕴含在专家判断中的模糊规则。然后利用这些规则和专家对当前软件开发完成情况的评判,该模型能够完成对目标软件的定性可靠性评估。     

基于AHP与AdaBoosting的软件可靠性组合模型

目前的各类软件可靠性模型的评估效果依赖于对失效行为的假设,导致模型适用性较差。为此,借助层次分析法选择合适的软件可靠性模型,依据AdaBoosting算法,对合适的可靠性模型进行组合建模。在失效数据集上对多个参与组合的模型进行学习训练,从而建立AMCM模型。在AMCM模型与4个经典软件可靠性模型上的应用结果表明,该组合建模方法是有效的,可明显提升模型的评估性能。     

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.     

软件可靠性混沌神经网络模型

基于经验模态分解算法、混沌分析和神经网络理论提出了一种软件可靠性建模及预测的混沌神经网络模型。首先应用经验模态分解算法把软件失效数据序列分解成不同尺度的基本模态分量,并在此基础上进一步分析,表明软件失效数据是否存在混沌特性;再经神经网络进行组合预测,提高模型对目标函数的学习能力,有效提高预测精度;最后基于两组真实软件失效数据集,将所提出的方法与基于支持向量回归机以及单纯使用神经网络的软件可靠性预测模型进行比较分析。结果表明,基于混沌分析、结合经验模态分解和神经网络的软件可靠性预测模型具有更为显著的模型拟合能力与精确的预测效果。     

基于神经网络的软件可靠性模型的实现与分析

本文针对软件可靠性工程中模型选择比较麻烦的问题，提出了用神经网络构建通用的可靠性增长模型，在实现该模型的基础上，利用三组数据进行试验，并与三个分析模型的结果作了比较，得出了比较好的结论。     

软件可靠性评估系统的智能化实现

软件可靠性评估系统的智能化有利于避免评估人员水平和经验上的差距造成的评估结果的不一致性,有利于保证评估结果的准确性。文章从专家系统辅助模型预选、各软件可靠性模型的自动比较判优和组合模型（包括其基模型的参数估计方式）的自动确定等方面对可靠性评估系统的智能化实现作了探讨,并给出了其实施框架。     

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。     

基于神经网络的级联软件可靠性模型

针对一般经典软件可靠性模型适用范围的局限性问题和预测精度问题,提出了一种新的级联模型.将4个经典软件可靠性模型的输出作为误差背向传播(error back propagation,BP)神经网络的输入,级联组合成一个软件可靠性模型,称之为级联软件可靠性模型.通过对一组经典的实际软件故障数据SYS1进行实验,将级联软件可靠性模型与4个经典软件可靠性模型预测的结果进行对比,结果表明级联软件可靠性模型的预测精度要远远高于4个经典软件可靠性模型,而且具有更好的通用性.     

基于灰色神经网络对软件可靠性模型的研究

软件可靠性是软件工程的一个重要的研究课题。软件可靠性模型可以预测软件产品的缺陷累计率。在GM（1,1）模型、DGM（2,1）模型和Verhulst模型的基础上,结合BP神经网络的理论对软件可靠性进行建模。通过理论分析和预测实验表明,该方法是可行的,拓宽了软件可靠性模型的研究方法。     

基于网络模型的软/硬件可靠性分析*

提出了一种以软件环境中硬件可靠性分析的可靠性计算方法,从而使系统的可靠性计算更精确.最后给出了提高系统可靠性的策略与方法.     

基于AGA-LVQ神经网络的软件可靠性预测模型研究

针对当前大多数软件可靠性预测模型预测准确率不高等问题,利用LVQ神经网络的非线性运算能力和自适应遗传算法(AGA)的参数寻优能力,提出了一种基于AGA-LVQ的软件可靠性预测模型。首先对待预测的数据用主成分分析(PCA)等方法进行预处理以降低维度,去除冗余和错误数据,然后根据自适应遗传算法来计算最优的LVQ神经网络初始权值向量,最后运用LVQ神经网络进行软件可靠性预测实验。通过与传统方法的对比,证明该方法具有较高的预测准确率。     

基于改进型神经网络的软件可靠性模型

针对传统软件可靠性模型需要分析软件体系结构的可行性问题,提出使用改进型神经网络计算可靠性的模型。采用自组织算法,优化设计隐含层神经网络,并使用测试数据训练网络,得到可靠性模型。实验结果证明,该模型能够在缺乏对软件内部结构分析的情况下作出与传统模型同样精确的预测。     

一种软件可靠性的随机测试模型研究

本文提出一种基于随机测试模型的软件可靠性测试方法、评判准则和测试策略,并利用蒙特卡罗方法进行了分析。通过实例证明了该模型在软件测试中的实用性和有效性,使用该模型可以提高软件测试的准确性和正确率、缩短软件测试的周期。     

基于随机Petri网的软件可靠性分析

文章介绍了一种基于随机Petri网、在软件体系结构设计阶段对构件化软件进行可靠性早期分析的方法.该方法建立起的模型可以很好的描述软件系统的动态变化过程,并可以得到软件系统处于各个状态的瞬时及稳态概率,为分析系统运行一定时间后的可靠性情况提供了有利的手段.     

基于Petri网的软件体系结构可靠性分析

近年来,软件体系结构已成为软件工程领域的研究热点以及大型软件系统与软件产品线开发中的关键技术之一。对软件体系结构的可靠性分析是进行软件开发的一个重要依据,为了提高软件系统的性能,一个可靠的体系结构是整个软件系统的基础。文章通过分析体系结构的特征和可靠性因素,提出了一种基于Petri网的体系结构可靠性分析方法,对软件体系结构的各因素的可靠性进行分析评估,从而推导出整个软件体系结构的可靠性,并对软件体系结构可靠性进行实例研究。     

基于量化故障分析的软件可靠性研究

介绍一种基于故障等级分析的软件可靠性评估方法．这种方法利用软件系统测试后得到的缺陷数据,对每一个缺陷导致失效的内外因进行分析,算出每个缺陷的失效率。将失效数据进行分级,在失效率小的等级中进行故障注入,试验结果表明。将软件可信性定位在正确性、可靠性、容错性、安全性、隐私性这5个要素进行评估。评估的有效性和合理性不亚于传统的方法,大大提高软件开发的质量和效率。