基于SVR数据中心空调系统瞬态热参数预测

数据中心空调系统是维持数据中心的关键设备,直接影响到数据中心的安全运行,目前对空调系统的研究大多集中在节能降耗以及气流优化等领域。在空调故障影响等瞬态变化领域的研究仍然较少。因此有必要探究空调系统故障对机房气流组织的影响,建立针对空调失效极端工况下的快速温度预测模型,为能效控制系统及运行系统提供参考。本文根据空调系统故障实验分别建立了空调冷冻水泵失效及风机失效情况下的关键位置的温度变化时间序列预测模型,模型基于线性核函数支持向量回归机。研究表明相较于非线性核函数支持向量机,线性核函数支持向量机更适合进行冷冻水泵失效时的热参数预测。     

基于Lasso回归和SVR模型的消费者信心指数的预测

消费者信心指数是反映消费者消费趋向的重要指标,为了掌握消费者信心指数的发展趋势,本文对消费者信心指数进行预测.首先,构建与消费者信心指数相关的关键词作为其影响指标;其次,收集2011～2019年的百度指数数据,并采用Lasso回归等方法对变量进行筛选;最后,建立SVR模型进行预测,并比较在使用不同核函数时,SVR模型的预测效果.结果表明,使用高斯核函数时,SVR模型的预测效果最好,能够较好地预测消费者信心指数,从而为有关部门政策的制定提供参考.     

基于混合核的PSO-SVM的L形天线谐振频率建模

人工神经网络进行建模时通常需要准备大量的数据样本,同时,网络结构一般都比较复杂;而采用支持向量机（SVM）进行建模时,不同核函数有不同的效果,各有利弊,且选取SVM模型参数的理论支撑尚不完整。为了解决这些问题,文中提出了一种基于粒子群优化（PSO）算法的新的SVM混合核函数,这种混合核函数是将局部核函数中的柯西核函数和全局核函数中的多项式核函数进行线性组合,且组合系数和各个核函数中的参数采用PSO算法来优化选取。采用UCI数据库中的wine-red数据集对该混合核函数进行了验证,仿真结果表明,该混合核函数可以提高模型的学习能力和泛化能力。最后,将基于混合核函数的PSO SVM方法用于L形微带天线谐振频率建模,进一步证明了这种方法是可行的和有效的。     

采用混合核支持向量机的DOA估计

人工神经网络( ANN)进行建模时通常需要准备大量的数据样本,同时网络结构一般都比较复杂;而采用支持向量机( SVM)进行建模时,不同核函数有不同的效果,各有利弊,且选取SVM模型参数的理论支撑尚不完整。为了解决这些问题,提出了一种基于混合核函数的支持向量机来改善来波到达角( DOA)的估计性能,并结合二进制粒子群算法( PSO)来对混合核函数进行参数寻优。该混合核函数由全局核函数和局部核函数构成,提高了SVM的泛化能力和学习能力。首先通过拟合多项式函数,验证了该混合核SVM的有效性。将该方法用于DOA估计建模,在不同信噪比和快拍数下,通过与径向基函数( RBF)神经网络、基于各单一核函数的SVM和MUSIC算法预测结果对比,混合核SVM均方差有所降低,提高了DOA估计的精度且有更好的稳定性。     

基于VMD和DAIPSO-GPR解决容量再生现象的锂离子电池寿命预测研究

锂离子电池应用时表现出的时变、动态、非线性等特征,以及容量再生现象,导致传统模型对锂离子电池剩余使用寿命(RUL)预测的准确性低,该文将变分模态分解(VMD)和高斯过程回归(GPR)以及动态自适应免疫粒子群(DAIPSO)结合,建立RUL预测模型。首先利用等压降放电时间分析法,提取健康因子,利用VMD对其进行分解处理,挖掘数据内在信息,降低数据复杂度,并针对不同分量,利用不同协方差函数建立GPR预测模型,有效捕获了数据的长期下降趋势和短期再生波动。利用DAIPSO算法优化GPR模型,实现核函数超参数的优化,建立了更准确的退化关系模型,最终实现剩余使用寿命的准确预测,以及不确定性表征。最后利用NASA电池数据进行验证,离线预测结果表明所提方法具有较高预测精度和泛化适应能力。     

基于退化数据与失效数据的导弹雷达导引头竞争失效状态预测

针对导弹雷达导引头测试数据获取困难、失效机理多样的问题,在分析导弹雷达导引头退化数据和失效数据特点的基础上,提出了一种退化失效与突发失效相关的竞争失效状态预测模型。针对退化数据的小样本、非线性和不确定性的特点,采用相关向量机(RVM)对其分布参数序列进行回归预测,并基于量子粒子化算法(QPSO)和Hannan-Quinn(H-Q)准则分别对核参数和嵌入维数进行寻优;考虑到突发失效与退化失效之间的相关性,引入位置-尺度模型描述突发失效分布参数与退化数据间的相关关系,进而对下一阶段导弹雷达导引头的失效状态进行预测。实例预测结果验证了模型的可行性及合理性。     

概率神经网络用于舌诊的近红外光谱分类

为了快速无创客观地检测舌体所携带的病理信息,提出了基于概率神经网络舌诊归一化反射率近红外光谱分类诊断模型。采集了健康人、脂肪肝患者、肝炎患者三类受试者舌尖的光谱数据,进行归一化反射率预处理,各获得32个样本数据,随机从三类受试者各抽取24个舌尖的光谱数据用于建模,其余的24个用于预测,并分析了径向基函数的扩展速度（SPREAD）对网络的影响。得出SPREAD在0.0065～0.0077之间取值时对网络模型的预测效果和泛化能力较好,用该模型对24个预测样本进行预测,其正确率为95.8%。实验结果表明利用概率神经网络对舌诊近红外光谱的分类是可行的,说明舌表面的光谱信息能客观的反映人体的病理信息,利用此方法对疾病的快速无创地进行初步的筛查成为可能。     

基于内核时变回归模型的电能预测分析与研究

为实现“双碳”发展目标和满足新型电力系统应用需求，亟需对用电进行精准预测。为了应对周期长、变化幅度大的数据，将KTR模型应用于电能负荷预测的实际场景中。该模型在时变系数回归的方法上进行改进，能够应对较长的时间序列，避免出现过拟合的情况；以及根据不同数据变化情况自适应地使用不同的核函数，保证模型学习与数据特征匹配。实验结果表明，使用通过最佳参数构建的KTR模型进行预测，其总体的电能负荷数据预测值和原始值的SMAPE为8.46%。此外，将文中方法与Prophet和SARIMA模型预测结果进行了对比，结果表明，文中方法的预测精度比另外两种模型分别高2.57%和9.23%，验证了该方法电能预测的准确性。     

基于Matlab的电池剩余放电时间的建模预测

本文针对铅酸电池在不同的额定电流强度下放电后剩余放电时间预测问题进行研究:①使用MATLAB得出模型,计算出不同恒定电流强度放电下电池剩余放电时间.②依据50A恒定电流强度放电数据采样,借助MATLAB拟合函数图像并构建数学模型,并对该模型进行分析对比,确定所建模型的合理性.③用MATLAB模拟函数的图像并得到对应的函数表达式求得其完整放电时间.     

一种新的直方图核函数及在图像分类中的应用

基于核方法的支持向量机(SVM)以其良好的推广性在图像分类等领域已经得到广泛应用,运用支持向量机的关键是设计有效的核函数。为克服传统核函数较少融合先验知识的弱点,该文提出基于数据驱动的核函数构建方法;并结合词包(BOW)模型,设计了一种基于TF-IDF规则的加权二次卡方(Weighted Quadritic Chisquared, WQC)距离的直方图核函数;在计算直方图之间距离时充分考虑到不同量化区间的不同区分性能,从而增强核函数对不同类别的区分能力。在Caltech101/256等多个经典图像数据集上的分类实验结果验证了该文方法的有效性。     

Bayes predictive analysis of a fundamental software reliabilitymodel

The concepts of Bayes prediction analysis are used to obtain predictive distributions of the next time to failure of software when its past failure behavior is known. The technique is applied to the Jelinski-Moranda software-reliability model, which in turn can show an improved predictive performance for some data sets even when compared with some more sophisticated software-reliability models. A Bayes software-reliability model is presented which can be applied to obtain the next time to failure PDF (probability distribution function) and CDF (cumulative distribution function) for all testing protocols. The number of initial faults and the per-fault failure rate are assumed to be s -independent and Poisson and gamma distributed respectively. For certain data sets, the technique yields better predictions than some alternative methods if the frequential likelihood and U-plot criteria are adopted     

基于W模型的移动软件自动化测试技术研究

与传统的手工软件测试技术相比,自动化软件测试技术可以构造手工测试过程中难以实现的临界条件,节省大量的人工和时间成本,取得了较好的测试效果。构建W模型检验软件工程各个阶段测试任务,分析移动应用软件与传统PC应用软件不同之处,探索如何测试移动应用软件。实验结果显示。基于W模型的移动软件自动化测试技术能够有效地解决测试过程中的各种临界问题。     

基于决策树的软件可靠性模型选择

软件可靠性建模是软件可靠性评估的主要方法之一。现在还没有一个可适用于所有软件项目的通用模型,所以可靠性模型的选择已成为一个重要的研究方向。决策树是数据挖掘的一种算法。文中首先介绍数据挖掘与软件可靠性模型选择的结合应用概念,然后重点分析决策树的生成算法。最后以一组数据仿真决策树生成过程,并验证此方法的可行性和准确性。     

Software-reliability evaluation of the TROPICO-R switching system

The analysis and evaluation of the software of the TROPICO-R switching system are described. Failure data were collected over 27 months, including validation phase, field trial phase, and operational life. During this period 461 failure reports have been recorded. Two models (exponential and S-shaped) have been applied to these failure data, and have been analyzed according to their repetitive and predictive capabilities. It is found that it is difficult for the models to reproduce the observed failure data when changes in trend do not follow the model assumptions. The Laplace trend test is a major tool for guiding the partitioning of failure data according to the assumptions of model reliability growth. Only the S-shaped model has been considered for the analysis according to trend periods. Prediction yields good results over a time period of a few months, showing that reliability modeling is a major tool for test/maintenance planning and follow-up     

基于迁移学习的软件缺陷预测

传统软件缺陷预测方法在解决跨项目缺陷预测过程中适应能力不足,主要是因为源项目和目标项目之间存在不同的特征分布.为了解决这个问题,提出一种新的加权贝叶斯迁移学习算法,算法首先收集训练数据和测试数据的特征信息,然后计算特征差异,将不同项目数据之间差异转化为训练数据权重,最后基于这些权重数据建立预测模型.在8个开源项目数据集上进行实验比较,实验结果表明与其他方法相比本文方法显著提高跨项目缺陷预测性能.     

基于存储库数据挖掘的开源软件成功度量方法

开源软件已广泛应用于各软件领域,例如操作系统、容器等,但目前尚没有一种能够综合度量开源软件的方法.我们在用户兴趣度量和开发参与度量的基础上,提出了一种能够克服度量维度单一的局限性的度量方法.基于DM模型、软件生存力模型等相关文献研究和开源软件存储库数据挖掘,通过对项目过程数据进行聚类、主成分分析、回归分析和对开发过程的思考,本文提出一种基于存储库数据和统计学算法的开源软件成功度度量模型.并通过与用户兴趣度量结果和开发参与度量结果对比分析,证明本文的度量模型能够基于可自动无扰采集的存储库数据,更全面的衡量开源软件项目的成功.度量模型可应用于企业选择优质开源项目、学术研究、智能项目推荐等领域.     

Failure correlation in software reliability models

Perhaps the most stringent restriction in most software reliability models is the assumption of statistical independence among successive software failures. The authors research was motivated by the fact that although there are practical situations in which this assumption could be easily violated, much of the published literature on software reliability modeling does not seriously address this issue. The research work in this paper is devoted to developing the software reliability modeling framework that can consider the phenomena of failure correlation and to study its effects on the software reliability measures. The important property of the developed Markov renewal modeling approach is its flexibility. It allows construction of the software reliability model in both discrete time and continuous time, and (depending on the goals) to base the analysis either on Markov chain theory or on renewal process theory. Thus, their modeling approach is an important step toward more consistent and realistic modeling of software reliability. It can be related to existing software reliability growth models. Many input-domain and time-domain models can be derived as special cases under the assumption of failure s-independence. This paper aims at showing that the classical software reliability theory can be extended to consider a sequence of possibly s-dependent software runs, viz, failure correlation. It does not deal with inference nor with predictions, per se. For the model to be fully specified and applied to estimations and predictions in real software development projects, we need to address many research issues, e.g., the detailed assumptions about the nature of the overall reliability growth, way modeling-parameters change as a result of the fault-removal attempts     

基于复合式神经网络的二进制软件漏洞检测方法

在软件漏洞检测领域,传统神经网络模型和图神经网络模型是已被验证的有效方法。目前,方案大多针对源代码进行漏洞检测,运用神经网络模型对二进制软件进行漏洞检测的研究相对较少,更是缺乏对图神经网络在二进制软件漏洞检测方面的研究。为充分研究神经网络模型在二进制软件漏洞检测方面的有效性,提出了一种基于复合式神经网络的二进制软件漏洞检测方法。将二进制代码向量化表示为同时支持传统神经网络模型和图神经网络模型训练的图数据结构;使用传统神经网络模型和图神经网络模型相结合的复合式神经网络模型对图数据结构进行学习和验证;在公开的二进制软件漏洞数据集上进行实验和对比分析,结果表明该方法能够有效提升漏洞检测能力,在准确率、精确度等性能指标方面都有明显提升。     

Some new models of software testing with performance comparisons

Two models of software testing, developed previously by T. Downs (see IEEE Trans. Software Eng., vol.SE-11, no.4, p.375-86, 1985, and IEEE Trans. Software Eng., vol.SE-12, no.9, p.979-87, 1986), are generalized to incorporate a greater degree of realism. This generalization leads to three new models. A fourth model, which has been developed using a different line of reasoning, is also presented. The performance of these models as reliability predictors is assessed by applying them to 16 sets of failure data collected from various software development projects. Comparisons of performance are made with the two earlier models and with two variants of the model of B. Littlewood and L. Verall (1973). Three distinct measurers of performance are employed. The performance of the new models is generally superior to that of the older models with one model showing outstanding performance under all three measures     

软件风险管理过程的研究与应用

软件风险是导致软件项目延迟、超预算或者失败的重要因素,风险管理是项目管理中一个重要的部分,自从巴里.鲍伊姆(Barry Boehm)把风险管理引入软件界以来,软件风险管理已经成为软件工程界的一个热点问题。针对风险管理的过程提出了多个模型,以其中得到广泛应用的持续风险管理模型为基础,介绍了风险管理过程,在此基础上重点讨论了对传统的风险计算公式的改进,并引入趋势分析进行风险预测。