基于DBN的软件可靠性预测模型的研究

安全攸关系统广泛应用于交通、工控、航空等与国计民生相关的安全攸关领域,对可靠性有着非常高的要求。而控制软件往往是安全攸关系统的核心,因此对它的可靠性预测精度必须达到很高的要求。本文将深度置信网络(DBN)应用于软件可靠性增长预测模型(SRPM)的研究。针对DBN中核心模块RBM的无监督学习,采用了动态模式跳转算法(DMH)。该算法通过动态地维护一个模式集,然后借助模式集中模式的跳转来完成RBM中状态的跳转,使RBM的无监督学习具有很高的学习效率。通过与参数动态调整的动态模糊神经网络(SA-DFNN)、BP神经网络(BPN)以及基于萤火虫算法的BP神经网络(FABP)建立的SRPM进行预测能力的比较,实验结果表明基于DBN建立的SRGM的预测结果精度最高且最稳定。     

基于参数动态调整的动态模糊神经网络的软件可靠性增长模型

利用遗传算法对动态模糊神经网络的自身参数进行动态调整(GA-DFNN),并将其应用于软件可靠性增长 模型(SRGM)的研究。在对动态模糊神经网络进行训练的过程中,用遗传算法求得动态模糊神经网络自身参数的优 化解,根据得到的参数建立基于动态模糊神经网络的软件失效数据预测模型。利用3组软件缺陷数据,对用G卉 DFNN建立的SRGM和模糊神经网络(FNN)以及13P神经网络(13PN)建立的SRC}M的预测能力进行了比较,仿真结 果证实,根据GA-DFNN建立的SRGM的短期预测能力稳定,短期预测误差小,且具有一定的通用性。     

一种小规模多种群布谷鸟算法

针对布谷鸟算法后期收敛速度慢、计算精度不高等不足提出一种小规模多种群改进方法。将这种方法运用在基本布谷鸟算法CS(Cuckoo Search)和自适应步长布谷鸟算法(ASCS)中,改进后的算法分别称为小规模多种群布谷鸟算法MPCS(Small-scale and multi-population cuckoo search algorithm)、小规模多种群自适应步长布谷鸟算法MPASCS(Small-scale and multi-population cuckoo search with self-adaptive step)。通过8个标准测试函数进行测试,实验结果表明改进后的算法比改进之前的算法有更快的收敛速度、更高的计算精度和收敛成功率。     

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。     

基于布谷鸟算法优化BP神经网络模型的股价预测

针对当前智能算法对股票市场预测精度不高的问题,提出使用布谷鸟算法优化神经网络(CS-BP)的方法,对股票市场进行预测。并与粒子群算法优化神经网络模型(PSO-BP)和遗传算法优化神经网络模型(GA-BP)的测试结果进行比较。通过对SZ300091(金通灵)日线的收盘价数据回测分析看出,布谷鸟算法优化神经网络模型明显优于这两种算法,能有效对股票市场进行预测,对于30天的预测精度约为98.633%。     

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。     

模糊神经网络在高强混凝土强度预测与配合比设计中的应用

针对模糊系统中规则结论为数值和线性函数的两种表示方式 ,找到了它们的共同点 ,将它们置于同一网络结构中 ,形成规则结论为数值和线性函数 (T -S模型 )的两种模糊神经网络 (FuzzyNeuralNetworks,简称FNN) ,导出了它们的网络模型及其学习算法。并首次将其应用于高强混凝土强度预测和配合比设计中。文章还介绍了一种简单有效地从样本数据中提取模糊规则及确定FNN参数初值的方法。运算结果表明 ,FNN不仅具有很高的预测精度 ,而且网络的结点和权值均具有明确的物理意义 ,可以借此深入分析高强混凝土综合性能与影响它们的因素之间的非线性关系     

模糊神经网络在高强混凝土强度预测与配合比设计中的应用

针对模糊系统中规则结论为数值和线性函数的两种表示方式,找了它们的共同点,将它们置于同一网络结构中,形成规则结论为数值和线性函数（T－S模型）的两种模糊神经网络（Fuzzy Neural Networks,简称FNN）,导出了它们的网络模型及其学习算法。并首次将其应用于高强混凝土强度预测和配合比设计中。文章还介绍了一种简单有效地从样本数据中提取模糊规则及确定FNN参数初值的方法。运算结果表明,FNN不仅具有很高的预测精度,而且网络的结点和权值均具有明确的物理意义,可以借此深入分析高强混凝土综合性能与影响它们的因素之间的非线性关系。     

基于连续型深度置信神经网络的软件可靠性预测

为了提高软件可靠性智能预测的精度,采用连续型深度置信神经网络算法用于软件可靠性预测。首先提取影响软件可靠性的核心要素样本,并获取样本要素的关键特征;然后建立连续型深度置信神经网络(Deep Belief Network,DBN)的软件可靠性预测模型,输入待预测样本,通过多个受限波尔兹曼机(Restricted Boltzmann Machine,RBM)层的预处理训练,以及多次反向微调迭代获取DBN权重等参数,直到达到最大RBM层数和最大反向微调迭代次数;最后获得稳定的软件可靠性预测模型。实验结果证明,通过合理设置DBN隐藏层节点数和学习速率,可以获得良好的软件可靠性预测准确率和标准差。与常用的软件可靠性预测算法相比,所提算法的预测准确度高且标准差小,在软件可靠性预测方面的适用度较高。     

基于双排队系统的软件可靠性增长模型

针对基于有限排队系统的软件可靠性增长模型(SRGM)忽略软件交付与检测之间的时间延迟问题,提出双排队系统建模技术,构建一个引入故障检测等待延迟和排错等待延迟的SRGM。建模中考虑测试工作量函数(TEF)参与构成的复合型故障检测率(FDR)和不完美排错现象,在4个公开发表的失效数据集上与5个经典SRGM进行比较与分析,验证建立模型的拟合能力和预测能力。实验结果表明,建立的模型在软件可靠性评估和预测方面具有良好性能。     

模型输入对模糊神经网络预报模型的影响研究

为了探索模型输入对模糊神经网络预报模型预测性能的影响,研究了通过减少预报模型自变量组合的复共线性影响,并结合相似系数计算分析方法建立了一种新的模糊神经网络预报模型。以气象学科的逐日降水预报作为研究对象,利用这种新的模糊神经网络预报模型进行了实际预报试验,并与常规的模糊神经网络预报方法,中国气象局T213数值预报模式以及逐步回归预报方法的预报结果进行了对比分析。结果表明,这种基于条件数和相似系数计算的模糊神经网络预报新方法对49天降水的独立样本预报平均绝对误差为7.33 mm,预报误差比模糊神经网络预报模型下降了5.9%,比传统的逐步回归方法下降了14.9%,比中国气象局T213数值预报模式的预报结果下降了13.4%。显示了很好的应用前景。     

基于布谷鸟搜索优化BP神经网络的网络安全态势评估方法

针对现有基于神经网络的网络安全态势评估方法效率低等问题,提出基于布谷鸟搜索（CS）优化反向传播（BP）神经网络（CSBPNN）的网络安全态势评估方法。首先,根据态势输入指标数和输出态势值确定BP神经网络（BPNN）的输入输出节点数,根据经验公式和试凑法计算出隐含层节点数;然后,随机初始化各层的连接权值和阈值,使用浮点数编码方式将权值与阈值编码成布谷鸟;最后,使用CS算法对权值和阈值进行优化,得到用于态势评估的CSBPNN模型并对其进行训练,将网络安全态势数据输入到CSBPNN模型中,获取网络的安全态势值。实验结果表明,与BPNN和遗传算法优化BP神经网络方法相比,基于CSBPNN的网络安全态势评估方法的迭代代数分别减少943和47且预测精度提高8.06个百分点和3.89个百分点,所提方法具有较快的收敛速度和较高的预测精度。     

基于CFNN的电火花加工工艺效果预测模型

针时常规神经网络和模糊神经网络的不足,介绍了一种具有快速算法的补偿模糊神经网络,并根据电火花加工的工艺特点及其复杂性,建立了基于补偿模糊神经网络的电火花加工工艺效果预测模型,可实现指定加工条件下的工艺效果预测.仿真结果显示了其良好的预测精度,其性能优于常规模糊神经网络.     

基于模糊神经网络的系统辨识

基于模糊神经网络研究系统辨识问题,提出一种具体的模糊神经网络结构和相应算法,设计了开环系统和闭环系统辨识的结构。针对多个不同的对象进行仿真研究,结果表明用模糊神经网络建模较之传统建模方法能力强。     

基于模糊神经网络的脉冲噪声滤波器

针对一般模糊神经网络结构复杂、不利于硬件实现的问题,提出了一种基于Sugeno型模糊神经网络的新型脉冲噪声滤波器,该滤波器采用神经网络的结构设计,有利于噪声模式的检测,其内含于神经网络中的模糊推理机制不仅能够有效地滤除脉冲噪声,而且又不破坏图象的细节,该滤波器还采用能够获得全局解的遗传算法来对网络进行调整,初步研究表明,该模糊神经滤波器在滤除景物图象中的脉冲噪声方面,优于标准中值滤波器。     

Integrated Biometric Verification System Using Soft Computing Approach

Among various biometric verification systems, fingerprint verification is one of the most reliable and widely accepted. One essential part of fingerprint verification is the minutiae extraction system. Most existing minutiae extraction methods require image preprocessing or post processing resulting in additional complex computation and time. Hence, direct gray-scale minutiae extraction approach on the image is preferred. One of these approaches is the use of Fuzzy Neural Network (FNN) as a recognition system to detect the presence of minutiae pattern. Currently, the development of FNN as a tool of recognition has shown a promising prospect. Some researchers have proposed several types of FNN. In particular, a Generic Self Organizing Fuzzy Neural Network (GENSOFNN) has been shown to excel in comparison with other FNN. Therefore, a new approach to perform direct gray-scale minutiae extraction based on GENSOFNN is proposed in this paper. Experimental results show the potential of using GENSOFNN for real-time point of sale (POS) terminal for verification.     

Bearing condition prediction considering uncertainty: An interval type-2 fuzzy neural network approach

Rolling-element bearings are critical components of rotating machinery. It is important to accurately predict in real-time the health condition of bearings so that maintenance practices can be scheduled to avoid malfunctions or even catastrophic failures. In this paper, an Interval Type-2 Fuzzy Neural Network (IT2FNN) is proposed to perform multi-step-ahead condition prediction of faulty bearings. Since the IT2FNN defines an interval type-2 fuzzy logic system in the form of a multi-layer neural network, it can integrate the merits of each, such as fuzzy reasoning to handle uncertainties and neural networks to learn from data. The interval type-2 fuzzy linguistic process in the IT2FNN enables the system to handle prediction uncertainties, since the type-2 fuzzy sets are such sets whose membership grades are type-1 fuzzy sets that can be used in failure prediction due to the difficult determination of an exact membership function for a fuzzy set. Noisy data of faulty bearings are used to validate the proposed predictor, whose performance is compared with that of a prevalent type-1 condition predictor called Adaptive Neuro-Fuzzy Inference System (ANFIS). The results show that better prediction accuracy can be achieved via the IT2FNN.     

A fuzzy neural network model for predicting clothing thermal comfort

This paper presents a Fuzzy Neural Network (FNN) based local to overall thermal sensation model for prediction of clothing thermal function in functional textile design system. Unlike previous experimental and regression analysis approaches, this model depends on direct factors of human thermal response — body core and skin temperatures. First the local sensation is predicted by a FNN network using local body part skin temperatures, their change rates, and core temperature as inputs; then the overall sensation is predicted. This is also performed by a FNN network. The FNN networks are developed on the basis of the Feed-Forward Back-Propagation (FFBP) network; the advantage of using fuzzy logic here is to reduce the requirement of training data. The simulation result shows a good correlation between predicted and the traditional experimental data.     

基于FNN的覆冰机器人越障机械臂轨迹跟踪控制

覆冰机器人除冰时要跨越各种障碍物。采用卡尔曼滤波学习算法,将自适应模糊神经网络控制器用于覆冰机器人越障时的机械臂轨迹跟踪控制,解决了BP算法实时性差的问题。经过仿真实验论证,该方法对覆冰机器人越障时的机械臂轨迹跟踪控制具有很好的效果,表明控制策略和理论分析的可行性。     

基于Fuzzy ARTMAP神经网络的高分辨率图象土地覆盖分类及其评价

主要讨论了基于Fuzzy ARTMAP神经网络的高分辨率遥感图象土地覆盖分类方法及其实践．首先介绍了Fuzzy ARTMAP神经网络的原理，然后用SPOT XS图象试验数据进行土地覆盖分类．分类结果与传统的最大似然监督分类(MLC)、反馈式(Back Propagation，BP)神经网络的分类结果进行了比较．通过抽取500个样点对3种分类结果进行精度评价表明，Fuzzy ARTMAP神经网络相对其他两种方法，分类精度均有不同程度的改善，具有更好的分类结果，总分类精度比MLC和BP算法分别提高17．41％、7．32％．最后，对不同分类方法对于土地覆盖分类结果的影响进行了评价和分析．试验表明，Fuzzy ARTMAP神经网络用于高分辨图象土地覆盖分类研究可以获得相对较好的分类结果．