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。     

星载软件可靠性模型应用研究及实践

为定量评估软件的可靠性指标,介绍了利用软件可靠性模型评估软件可靠性的过程和方法;针对某星载嵌入式软件的失效趋势,根据模型的选择原则和方法,以及模型的预测质量的对比,最终选择了指数模型作为可靠性评估模型。对该软件在轨运行情况进行了可靠性评估,开展了基于该软件可靠性测试数据的可靠性评估,评估结果给出了该软件的可靠性水平。     

软件可靠性测试及评估平台的设计与实现

设计并实现了软件可靠性测试与评估平台,支持软件可靠性测试用例自动生成,便于可靠性数据收集以及软件可靠性评估和预测,解决了软件可靠性测试难以有效开展的问题。通过与SMERFS预测结果对比,表明本平台对软件可靠性测试与评价具有较强的实用性。     

软件可靠性多模型综合的预测方法

针对软件可靠性工程领域中存在的不同可靠性模型预测相同软件结果不一致的问题，提出了一种用神经网络实现的软件可靠性多模型综合预测方法，能够有效地解决软件工程中的实际问题，通过实例分析验证了该方法的有效性。     

基于测试覆盖的嵌入式软件可靠性评估

为了提高软件可靠性的评估和预测精度,提出了一个基于测试覆盖的非齐次泊松过程类软件可靠性增长模型,通过将测试覆盖率信息考虑到软件可靠性模型中去,使模型能够更准确地描述软件的测试过程,并能避免由于测试的不充分性而导致的可靠性评估偏离软件的真实情况.提出了结合变点思想的基于测试覆盖的软件可靠性评估方法,该方法解决了工程实践中经常出现的测试过程中剖面发生变化而导致失效数据不服从同一分布的实际问题.最后,通过实例分析,验证了该方法的准确性和有效性.     

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BASFPA-BP的可靠性预测模型研究

软件可靠性预测以软件可靠性预测模型为基础，对软件的可靠性以及与其直接相关的度量进行分析、评价和预测，利用软件运行中所收集的失效数据对未来的软件可靠性进行预测，成为了评估软件失效行为和保障软件可靠程度的重要手段。BP神经网络结构简单、参数少、易实现，在软件可靠性预测领域已经得到了广泛应用。然而基于传统BP神经网络搭建的软件可靠性预测模型的预测精度无法达到预期目标，因此提出了基于BASFPA-BP的软件可靠性预测模型。该模型利用软件失效数据，在BP神经网络训练过程中利用BASFPA算法优化网络权值、阈值，从而提高模型的预测精度。选用3组公开的软件失效数据，将实际值与预测值的均方误差作为预测结果的衡量标准，同时将BASFPA-BP与FPA-BP,BP,Elman这3种模型进行对比研究。实验结果表明，基于BASFPA-BP的软件可靠性预测模型在同类型模型中实现了较高的预测精度。     

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。     

基于灰色Elman神经网络软件可靠性预测模型

针对当前软件可靠性预测模型在随机性和动态性较强的可靠性现场数据中存在预测精度波动比较大、适应性比较差的问题,提出一种基于灰色Elman神经网络的软件可靠性预测模型。首先使用灰色GM（1,1）模型对失效数据进行预测,弱化其随机性;然后采用Elman神经网络对GM（1,1）的预测残差进行建模预测,捕捉其动态性变化规律;最后将GM（1,1）预测值和Elman神经网络残差预测值相结合得到最终的预测结果。使用航班查询系统的现场失效数据集进行了模型仿真实验,并将灰色Elman神经网络预测模型与反向传播（BP）神经网络、Elman神经网络预测模型进行比较,其对应的均方误差（MSE）和平均相对误差（MRE）分别为105.1、270.9、207.5和0.0011、0.0021、0.0016,并且灰色Elman神经网络预测模型的误差均为最小值。实验结果表明该模型具有较好的预测精度。     

基于基准比对思想的软件可靠性预测仿真建模研究

可靠性作为衡量软件质量的重要特性,其定量评估和预测已成为人们关注和研究的焦点。本文针对这个问题展开研究,提出一个可用于软件测试之前的早期可靠性预测仿真模型。此仿真模型通过考查影响软件可靠性的过程因素,采用基准比对思想,利用软件过程度量数据,根据相似度比较,预测软件的残留缺陷数。由于该仿真模型仅需要静态历史数据,故可在软件测试之前,用于估计软件的残留缺陷数,从而预测软件的可靠性,为后期软件过程的改进以及软件测试计划的修正提供依据。     

一种面向开发过程的软件可靠性预测方法

在进行软件开发时,该如何回答这样的问题,＂当前开发的软件可靠性是什么？＂这个对于用户来说是非常重要的信息,却难以表述。以此为方向,研究了一种面向开发过程的软件可靠性预测方法,结合软件开发各个阶段的特点,通过合理地采用软件可靠性早期预测模型,实现对开发中软件可靠性的预测。实践应用表明,该方法紧密结合软件开发的实际,反映了软件可靠性与开发人员的水平、开发规范的标准之间的联系,有助于采取必要的措施提高其以后的可靠性,从而也验证了该方法的工程实用性。     

基于软件过程的软件可靠性预测运作模型

提出了基于软件开发过程数据,构造用于可靠性预测的过程数据库,并分析了此数据库的内容与运作模型,以期得到更加可信、准确的软件可靠性预测结果,为后续的研究奠定数据基础.     

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。     

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。     

舰船装备软件构件可靠性评估方法

为了解决对当前大型舰船装备软件构件可靠性评估不够直观详细,构件的性能参数缺乏足够的测试数据。针对以上问题进行研究,提出针对舰船装备软件构件的可靠性评估方法、分析和综合评价的工具。本文提出了一种针对舰船装备软件构件可靠性评估方法,接着对其评估过程进行介绍。最后,在开发出的可靠性评估工具上对方法进行验证,它可以实现软件可靠性早期预计以及可靠性分析的自动化实施。该软件可以极为方便的帮助软件可靠性工程师实现舰船装备软件构件可靠性早期预计分析工作,具有重要的工程意义。     

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。     

基于SVR的软件可靠性预测模型研究

利用软件生命周期中的相关数据进行软件可靠性分析与预测是软件可靠性工程的重要组成部分。首先从软件开发全过程中分析影响软件可靠性的相关因素,对其进行定义并确定度量方法,然后以支持向量回归机(SVR)分析方法为数学工具,建立基于软件质量度量的软件可靠性预测模型,并对该模型进行仿真分析。