基于粒子群优化BP神经网络的可靠性评估模型

CPU的可靠性对计算机系统至关重要。针对神经网络等方法在可靠性分析与评估中参数优化困难、模型评估精度不够准确等问题,提出一种基于粒子群优化BP神经网络的可靠性评估模型。该模型利用由正弦映射优化的PSO算法对BP神经网络的权值和阈值进行优化,提高BP神经网络的收敛速度以及评估精度。基于CPU中各功能模块的可靠度,根据改进的BP神经网络模型建立CPU的可靠性评估模型,通过模型训练与测试完成对CPU的可靠性评估。通过对比实验,验证该模型对辐射环境下CPU可靠性评估的有效性和准确性。     

基于灰色理论和神经网络的拉坯阻力状态预测模型研究

由于拉坯阻力在时域上的非线性特征,漏钢现象产生的信息不完全以及连铸生产环境、工艺复杂等问题,利用灰色理论对传统的使用神经网络进行故障预测的模型进行了改进和优化;文章首先论证了建立灰色一神经网络模型预测拉坯阻力状态的实际需要和可行性,而后阐述了利用灰色理论和神经网络解决问题的方法,最后在论证的基础上利用编程仿真证明了模型建立的可行性和可靠性;文章根据实际现场数据以及生产工艺参数,结合生产故障典型特征,得出更加精确有效的故障诊断模型.     

轻量化卷积神经网络在SAR图像语义分割中的应用

针对合成孔径雷达图像的语义分割问题,构建了一个全新的TerraSAR-X语义分割数据集GDUT-Nansha。然后,为解决传统深度学习方法模型体积大,难以在样本数量偏少的合成孔径雷达图像数据集上应用的问题,对轻量化卷积神经网络ENet模型进行了分析和改造。提出了一种改进的轻量化卷积神经网络模型(revised weighted loss eNet,RWL-ENet);针对合成孔径雷达图像数据集样本不平衡问题,使用了带有权重的损失函数。通过和其他经典卷积神经网络语义分割模型的对比实验,验证了新数据集的可靠性;同时,在参数量和模型体积远远小于其他网络模型的前提下,RWL-ENet模型在像素精度、平均像素精度、平均交并比三个定量指标上分别达到了0.884、0.804和0.645。     

基于构件的Web系统前馈神经网络可靠性模型

对基于构件结构复杂度较高的Web系统进行可靠性评估时,基于状态或基于路径的软件可靠性评估模型计算复杂度较高,鲁棒性不足。为此,提出了一种计算复杂度低、鲁棒性强的基于构件的前馈神经网络可靠性模型CBPRM。CBPRM将Web系统中各构件的可靠性作为前馈神经网络输入,并基于构件可靠性敏感度对神经元进行动态优化,Web系统可靠性评估由前馈神经网络输出实现。理论分析和实验结果表明,在基于构件结构复杂度较高的Web系统可靠性评估中,CBPRM的计算复杂度低于对比模型,并可确保可靠性评估精度。     

神经网络方法在ABO3型稀土复氧化物电阻率特性研究中的应用

研究了神经网络的一典型模型—反向传播(B-P)模型在稀土复氧化物电阻率特性分类中的应用,验证了该方法的可靠性,并与主成分法进行了比较。实验结果与理论分析表明,神经网络方法优于传统的模式识别方法。     

火灾预警的SVR应用研究

针对传统火灾探测系统对火灾特征信号响应灵敏度均匀性差,而基于神经网络的智能处理方法又存在泛化能力差和过学习等问题.建立了一种基于支持向量回归机(SVR)模式识别方法与传感器阵列相结合火灾预警模型.SVR方法根据统计学习理论中结构风险最小化原则,将气体传感器、烟雾传感器和温度传感器组成的传感器阵列数据进行融合,将复杂的非线性问题转化成了高维平面内的线性问题,克服了传统方法和神经网络方法的缺陷.实验结果表明,使用支持向量回归机的火灾预警模型的预测精度优于神经网络方法,提高了火灾预警系统的可靠性和准确度.     

一种基于模糊神经网络的VBR MPEG视频流量预测模型

针对VBR MPEG视频流的复杂特性，充分利用人工智能方法的优势，提出了一种基于模糊神经网络的视频流量预测模型，利用模糊逻辑模型达到减少预测误差的目的，采用神经网络满足网络通信的实时性要求．实验结果表明，该模型比传统AR模型显著提高了预测的准确度和可靠性．     

MBRA在核电厂仪控系统可靠性分析中的应用研究

核电厂仪控系统的可靠性对于核电厂的安全、平稳运行至关重要。为了保证核电厂仪控系统的可靠性,需要在设计过程中对规模庞大且功能复杂的核电厂仪控系统进行可靠性分析。传统的核电厂仪控系统可靠性分析一般基于系统设计文本直接构建可靠性分析模型。模型结构往往与系统结构不匹配,使得模型的构建与检查极为困难。为了解决这个问题,考虑使用基于模型的可靠性评估(MBRA)方法,构建核电厂仪控系统的故障传播模型以进行可靠性分析。使用核电厂仪控系统可靠性分析与设计软件,构建了反应堆保护系统稳压器压力触发安注功能的故障传播模型,对其失效概率进行了故障树分析,并提出了提高安注功能可靠性的改进方式。应用结果表明,使用MBRA方法进行核电厂仪控系统的可靠性分析,降低了可靠性建模的难度,使模型易于检查与确认,提高了可靠性分析的效率、准确性。     

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。     

基于自注意力和胶囊网络的短文本情感分析

短文本的情感分析是一项具有挑战性的任务。针对传统的基于卷积神经网络和循环神经网络无法全面获取文本中蕴含的语义信息的缺点,本文提出一种使用多头自注意力层作为特征提取器,再以胶囊网络作为分类层的模型。该模型可以提取丰富的文本信息。在中文文本上进行实验结果表明,与传统深度学习方法相比,本文提出的模型提高了情感分析的精度,在小样本数据集和跨领域迁移中,相比传统方法精度都有较大的提高。     

基于经验数据的软件可靠性模型研究

软件的可靠性同其正确性和性能同样的重要,软件可靠性模型是软件可靠性定量分析的技术基础.对基于经验数据的软件可靠性模型进行了研究,并进行工程化实现,已应用于多个测试项目的测试评估,对软件的可靠性和测试的充分性进行了定量分析.     

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PSOABC-SVM的软件可靠性预测模型

软件可靠性预测是指在软件开发初期对软件中各模块出错的可能性进行预测,对提高软件的可信性具有重要意义。提出了一种基于粒子群与人工蜂群优化支持向量机的软件可靠性预测模型,将粒子群优化算法与人工蜂群算法相结合的混合算法引入到支持向量机的参数选择中,提高软件可靠性预测的效果。实验结果表明,该模型比BP网络预测模型、粒子群优化支持向量机等预测模型收敛速度更快、预测精度更高,能更好的进行软件可靠性预测。     

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。     

基于随机Petri网的软件可靠性分析方法

软件可靠性模型对于软件可靠性估测起着核心作用.目前提出的模型大多数都不能很好的适应复杂多变的应用环境的要求.针对构件化软件提出了一种基于随机Petri网的软件可靠性分析方法,它符合尽可能在软件开发的上游阶段对软件进行可靠性评估的思想.使用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,尽可能多的考虑了影响软件可靠性的因素,有利于降低软件可靠性描述与分析的复杂度,并可以得到软件系统处于各个状态的瞬时及稳态概率.     

软件可靠性的模糊综合评估模型

文章通过对软件可靠性因素的定义和分析,提出了软件可靠性的综合评估指标体系。在计算软件可靠性因素对软件可靠性影响程度的基础上,实现了软件可靠性的定性评估。该模型改变了通常把软件视为“黑箱”来进行可靠性评估的方法,并起到了对传统模型估计结果的检验和修正的作用。     

软件测试中可靠性模型的设计与研究

软件测试是保证软件质量和提高软件可靠性的关键所在,而软件可靠性是衡量软件质量的重要指标之一,二者有着非常紧密的联系。软件可靠性模型既是软件可靠性进行定量分析的基础和保障,也是软件可靠性进行预测的核心和关键,对保证软件质量起到了非常重要的作用。文中结合软件测试与软件可靠性及其模型的相关理论,通过对Seeding模型的分析与改进,提出了一种适用于软件测试的可靠性模型。实验结果表明,使用文中提出的软件可靠性模型能较好地满足软件对可靠性评估的要求,较好地应用在软件测试中。     

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。     

基于服务更新的网构软件可靠性模型研究

网构软件是在开放、动态和多变的Internet环境下软件系统基本形态的一种抽象。这种新的软件系统,它的构建依赖于开放环境中各异构、自治的软件服务实体之间的有效协同。其可靠性不单取决于拥有自主性的软件服务实体本身,还取决于外部环境的动态变化,主要表现为开放环境下服务实体元素的更新,所以传统的软件可靠性的度量模型已不能适应这种新的软件形态。能否在网构软件形态下建立一个好的可靠性度量模型成为其中一个较为核心的问题。文章以服务更新过程中失效数(failurecounts)为基础,将服务更新强度引入Musa-Okumoto(M-O)模型中,作为M-O模型在新的软件形态下的一个推广。最后讨论了网构软件退化的情形和退化条件,为开放环境下网构软件可靠性研究提供一种思路。     

软件可靠性定量评估过程研究

软件可靠性定量评估过程贯穿软件开发和验收使用的全过程,是软件可靠性的重要评价手段。重点介绍该过程中的关键技术与方法,阐述了软件可靠性参数分析、可靠性预测、可靠性模型选择和可靠性测试充分性等主要内容,对软件可靠性定量评估过程进行较全面的分析探讨。