基于历史数据的软件测试数据统计分析研究

从大数据的角度,利用软件测试历史数据,分析和研究软件开发及测试过程,为软件质量保证和项目管理及组织能力建设提供了新的思路。在组织内部建立测试数据收集机制,对软件测试相关数据进行收集,建立数据分析模型,从软件开发过程、软件测试过程、软件缺陷数据等方面对测试数据进行分析,获得多个具有实际意义的量化指标,将此指标反馈到软件开发和软件测试及项目管理等过程中,显著提高了软件产品质量及工作效率,降低了过程风险,提高了组织市场竞争能力。     

基于聚类分析和集成改进支持向量机的序列目标分类算法

针对现有集成支持向量机存在的训练子集随机性强、规模大、算法时空复杂度高等问题,提出了基于聚类分析的集成改进支持向量机算法.该方法首先采用基于对手惩罚策略的竞争学习算法(RPCL)时训练样本进行聚类分析,然后根据其聚类分布选择少量具有代表性的样本,并采用了基于种群收敛速度的自适应扰动的粒子群方法来训练单个支持向量机,最后通过相对多数投票方法得到集成支持向量机.实验表明相对于基于Bagging,Adaboost等方法而言,该方法在序列目标分类中对分类精度有较大提高,该方法构造的集成改进支持向量机具有较高的分类精度和较低的时、空复杂性.     

基于改进粒子群算法和支持向量结合的辅助发声训练系统研究

随着技术进步,尤其是在人工智能领域,全球交流日益紧密,使得跨语言的人机交互技术成为生活中的重要部分。此次研究针对英语发音的问题以及与其相关的设备控制难题,开发了一种结合了优化粒子群算法和支持向量回归的辅助发音训练系统。该系统首先对粒子群算法进行了创新,融入了混沌机制。然后,该机制与支持向量回归算法相结合。研究结果表明,与传统方法相比,这种新的结合策略大大减少了计算次数和成本,标准粒子群算法的平均计算次数是23次,混沌版本为17次,而遗传版本为13次,所提方法只需7次。由此可见,这种新方法在搜索能力和准确性上均有所增强,为实际应用带来了巨大的价值。     

一种基于累加PSO-SVM的网络安全态势预测模型

在网络安全态势感知系统中,态势预测是关键的环节.为了保证及提高态势预测的精度,结合粒子群算法的寻优性能好和支持向量机的预测准确的优势,提出了一种在数据累加预处理基础上的PSO-SVM预测模型.此模型利用将原始序列累加,弱化了原始序列中的不规则扰动影响,增强了序列的规律性的特点,与粒子群优化支持向量机(PSO-SW)相结合,更好地发挥预测精度高的优势,更能保证预测精度.通过仿真实验检验此模型的有效性,并与PSO-SVM预测模型的结果进行对比,验证了其预测精度的优越性.     

基于最小二乘支持向量机的耕地面积预测研究*

针对耕地面积数据的小样本、复杂非线性特点,提出一种基于最小二乘支持向量机的耕地面积预测方法。采用相关系数法选择耕地面积的影响因子,通过粒子群优化算法对最小二乘支持向量机参数进行优化,最后建立耕地面积与影响因子之间复杂的非线性关系模型。采用湖南省耕地面积数据对模型性能进行验证,结果表明,相对于参比模型,最小二乘支持向量机提高了耕地面积的预测精度,是一种有效的耕地面积预测方法。     

基于PSO-SVM的发动机故障诊断研究

针对发动机的故障分类问题,提出了一种基于粒子群(PSO)优化支持向量机(SVM)的发动机故障诊断方法,采用粒子群算法优化支持向量机的惩罚系数C和核宽度系数σ,并在MATLAB环境下对发动机进行故障类别诊断,通过对发动机典型故障的诊断研究表明,采用PSO-SVM算法模型的故障诊断的精确度和效率都得到了提高,该方法与BP神经网络、PSO-BP、标准SVM相比,有较高的分类准确率,准确率可高达100%;与GA-SVM方法相比,诊断效率有所提高,从而验证了该方法在发动机故障诊断中的有效性。     

基于PSO优化SVM的纹理图像分割

针对传统纹理图像分割方法运行时间长,分割准确率较低,提出基于粒子群优化算法(PSO)优化支持向量机(SVM)的纹理图像分割方法。首先在自适应调整惯性权重λ的控制策略中加入PSO中的当前迭代次数和种群数,改进PSO的惯性权重λ的性能;接着运用PSO寻找最优惩罚系数C和高斯核函数中参数γ,然后运用SVM方法对训练样本综合训练建立最佳分类模型,并对纹理图像分割测试。结果表明:对比传统方法,该方法不仅缩短运行时间,分割准确率也得到了提高。同时,对比传统惯性权重对分割结果的影响,改进后的方法使得平均收敛代数减少,寻优时间缩短。     

基于PSO优化的SVM预测应用研究*

支持向量机参数对支持向量机的性能有着重要影响,参数选择问题是支持向量机的重要研究内容。针对此问题,提出一种基于粒子群优化算法的支持向量机参数选择方法。实验结果表明,经粒子群优化算法优化的支持向量机回归模型具有较高的预测精度,粒子群优化算法是选取支持向量机参数的有效方法。     

支持向量回归在飞灰含碳量软测量中的应用

针对目前锅炉飞灰含碳量难以准确测量的问题,应用支持向量回归和粒子群算法相结合建立了飞灰含碳量软测量模型;建模中以某电厂提供的1 000 MW超超临界机组的测试数据为研究对象,对数据进行了预处理,对各种变量进行了关联度分析,采用粒子群算法优化了模型的惩罚参数C和核函数参数g,建立了飞灰含碳量软测量模型;同时利用测试数据和另选的随机数据验证了模型的准确性和泛化能力;仿真结果表明,飞灰含碳量软测量模型的预测精度较高,相对误差被控制在±1%以内,而且泛化能力较强,为锅炉飞灰含碳量的测量提供了一种有效的途径。     

基于粒子群优化的支持向量机在机械模式分类中的应用

机械故障诊断本质上是一个模式分类问题.支持向量机由于解决分类问题有着较好的表现,得到了日益广泛的应用.针对支持向量机的参数对分类性能的影响,采用粒子群算法对支持向量机的惩罚因子和径向基核函数进行优化,使支持向量机的分类性能最优,并将其应用于实例,得到了较好的分类正确率.     

基于智能最小二乘支持向量机的大数据分析与预测

大数据分析方法能发现数据中存在的关系和规则,预测事物未来的发展趋势,从而提高决策的科学性。针对传统预测方法精度低、泛化性差的问题,提出基于智能支持向量机的大数据分析与预测方法。设计一种新的支持向量机模型参数选择准则,即模型残差概率密度函数逼近给定的高斯分布,并按照该准则采用混沌收缩粒子群优化算法确定模型参数,从而提高数据分类或回归处理的精度与泛化性。采用选矿生产过程现场数据进行实验,结果验证了该方法的有效性,并表明其精度比LSSVM方法更高。     

基于自适应粒子群的SVM参数优化研究

针对粒子群算法在优化SVM参数时,存在着易陷入局部最优,早熟收敛的问题,首先提出了一种用自适应权重来代替惯性权重的粒子群算法,再引入自适应变异对粒子群算法进行优化,增强粒子的种群多样性,使其能够跳出局部最优解,从而达到全局最优.最后,将改进后的算法(GPSO-SVM)应用到UCI标准数据集上进行验证,实验结果表明,改进...     

基于粒子群优化算法的网页分类技术

粒子群优化算法由于其高效、容易理解、易于实现,在很多领域得到了应用.网页分类是网络信息检索研究的关键技术之一,在对网页的表示时,将Web页面分解为不同的部分,之后迭代使用SVM算法构造分类器.由于PSO算法是一种基于迭代的优化工具,对训练过程中迭代产生的网页分类器进行优化组合,产生最终分类器,同时也增强了分类器的自适应性.实验结果表明,通过对迭代产生的分类器进行优化组合,以及对网页结构的划分,寻找并利用网页集中蕴藏的规律综合计算特征权值,大大提高了网页分类的正确率和F-measure值,所以这种方法是有效的、稳健的和实用的.     

基于改进粒子群算法的最优特征子集研究

特征选择是模式识别系统的难点.针对高维数据对象,先运用改进粒子群优化(PSO)算法快速、有效地从特征样本中提取一组最优特征子集,然后采用最小二乘支持向量机(LSSVM)分类器对最优特征子集进行分类,验证特征选择的好坏.经大量实验验证,在保证分类正确率的前提下,该方法有效提高了特征选择效率.     

基于PSO-CNN的验证码识别算法研究

伴随着互联网的高速发展,非法用户恶意攻击网站、恶意注册、暴力破解用户密码等事件也随之而来。为了解决这些网络安全问题,作为网络安全第一道防线的验证码技术应运而生。但在实现自动登录合同管理系统的过程中,验证码自动化识别一直是个技术难点,验证码自动化识别准确率直接影响了业务处理效率,故此提出了一种基于PSO-CNN的验证码识别方案。针对一万张验证码图片的数据集进行灰度化、二值化以及降噪三步数据预处理之后,通过PSO优化算法在卷积神经网络训练数据集的过程中找出最佳的网络层数和卷积核大小。经过反复的实验,结果表明基于PSO-CNN的验证码识别算法对数字与字母混合验证码识别准确率可达96.26%,为合同管理系统实现自动登录提供了可靠的技术支持。     

基于支持向量机的迟滞系统建模及性能研究

迟滞系统广泛存在于各工程领域,但由于迟滞非线性系统的不确定性、状态不可测等特性,因此迟滞系统在建模方面存在一定的困难。针对上述问题,提出了一种采用最小二乘支持向量回归机的解决方案,对系统进行建模方法的研究,并利用粒子群算法、量子粒子群算法等对最小二乘支持向量机中的惩罚参数γ和核函数参数σ的组合进行优化,以提高模型性能及泛化能力。仿真结果表明,利用粒子群优化算法的最小二乘支持向量回归机对迟滞系统的模型仿真可以得到较好的结果。     

一种基于改进支持向量机的入侵检测方法研究

提出基于粒子群优化（Particle Swarm Optimization,PSO）算法和支持向量机（Support Vector Machines,SVM）的入侵检测方法,为优化SVM性能,使用PSO的全局搜索特性寻找SVM的最优参数[C]和[σ];为避免PSO算法陷入局部最优,引入变异操作,找到最优参数组合后进行基于PSO_SVM入侵检测算法的训练和检测,解决了入侵检测系统准确度难题。仿真实验表明该方法的检测率为92.8%,误报率为6.911 9%,漏报率为9.708 7%,对KDDCUP竞赛的最佳结果有一定程度的提高,实验结果验证了该算法的有效性和可行性。