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.     

软件可靠性模型应用中的不一致性与软件可靠性专家系统

关于软件系统故障行为的统计假设,是软件可靠性模型的理论基础 。由此产生应用中的不一致性,使用户对这些估测结果迷惑不解,“谁的结果最可信”？我们以“故障数据是软件可靠性分析的基础”为原则,采用人工智能技术,建立软件可靠性专家系统（SRES：Software Reliability Expert System),以解决软件可靠性模型应用中的不一致性难题。最后,报告该系统的使用及与国外一些软件可靠性量测工具的比较。     

软件可靠性混沌神经网络模型

基于经验模态分解算法、混沌分析和神经网络理论提出了一种软件可靠性建模及预测的混沌神经网络模型。首先应用经验模态分解算法把软件失效数据序列分解成不同尺度的基本模态分量,并在此基础上进一步分析,表明软件失效数据是否存在混沌特性;再经神经网络进行组合预测,提高模型对目标函数的学习能力,有效提高预测精度;最后基于两组真实软件失效数据集,将所提出的方法与基于支持向量回归机以及单纯使用神经网络的软件可靠性预测模型进行比较分析。结果表明,基于混沌分析、结合经验模态分解和神经网络的软件可靠性预测模型具有更为显著的模型拟合能力与精确的预测效果。     

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。     

软件可靠性工程模型的研究

软件可靠性是七十年代由软件工程与可靠性学科相结合产生的一个新分支，是一个很有发展前途的新领域。现在，可靠性学科的一些基本原理和方法已逐步渗透到软件生存期的设计、测试和维护等各个阶段。本文主要介绍了与分析／设计阶段有关的软件可靠性分配模型，用于对软件产品的可靠性作出定量预测和评估的软件可靠性预测模型；另外，本文还讨论了软件维护阶段对软件可靠性的影响。     

软件可靠性Schneidewind模型的特性分析

文中对软件可靠性的Ｓｃｈｎｅｉｄｅｗｉｎｄ计时模型的参数估计进行了了解结构的理论分析，并在此基础上给出了方便实用的参数估计算法。     

基于组件的软件可靠性模型

首先对不同的软件体系结构描述语言（ADL）进行分析，找出体系结构的共性，用抽象代数和一代阶逻辑理论对组件，连接器和软件体系结构的属性和动态行为进行讨论和描述，探讨不同连接形式下的软件体系结构，给出基于组件的软件可靠性模型，在此模型基础上，对基于组件的软件系统的可靠性计算模型进行研究，提出一种半Markov模型，并在理论上证明该模型的可用性，最后通过CORBA应用系统说明该可靠性模型在系统设计和可靠性计算方面的应用。     

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MATLAB的软件可靠性BP神经网络模型

研究并分析了BP神经网络的结构和特点,针对不足之处提出改进方法.在改进的基础上建立神经网络软件可靠性新模型.通过MATLAB仿真工具进行了实例仿真,证实该新模型比传统模型预测精度高,泛化能力强.     

基于BP神经网络的软件可靠性模型选择

软件可靠性模型是软件可靠性工程研究的一个重要方面.如何在缺乏可靠性数据的情况下,选择合适的软件可靠性模型是对软件可靠性进行量化分析的关键.参照软件可靠性模型评价准则,根据聚类思想,对失效数据编码,采用反向传播神经网络进行聚类计算,从而实现了软件可靠性模型的选择.最后通过仿真实验证明了该方法的正确性和有效性.     

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。     

一种软件可靠性增长模型选择与综合方法

软件可靠性增长模型可以预测软件在将来某个时刻的可靠性,以此作为软件是否发布的依据.而目前常见的各种模型对不同失效数据集的预测能力并不一致.提出了一种软件可靠性增长模型选择和应用的框架,利用可靠性模型评价准则,对特定的失效数据集选择优选模型集,根据优选模型集利用神经网络较好的学习预测能力计算可靠性.利用此方法对实际软件项目中的失效数据进行了分析,并验证了它的有效性.     

基于构件的软件可靠性分析

现代软件工程的一个重要目标是实现聚合性和重用性，构件技术就是以此为目标的。随着该技术的快速发展，以构件设计复杂软件系统的软件开发方法日趋成熟。但是基于该技术的软件可靠性分析却比较落后。目前，在这领域的研究中，多数是使用软件可靠性增长模型（SGRM），对于软件系统的可靠性预测研究较少。在已有的文献中，给出了基于组件的具有层次结构的系统可靠性预测分析，但没有考虑模块之间循环调用的可靠性问题。循环调用在软件中是经常发生的事件，对软件系统的可靠性具有举足轻重的作用。本文在对已有模型的不足进行分析后，增加了循环调用的可靠性预测分析，建立了一个较为全面的系统可靠性预测分析模型。     

基于神经网络的失效树算法选择

失效树分析广泛应用于工业系统的可靠性分析。有几种算法可以实现。尽管这种分析使用广泛，但是当处理大型失效树结构时就会显示出在精确性和有效性方面的局限性。本文着眼于通过神经网络从一系列算法选项中选择一个最佳算法。经过神经网络的两次筛选，对于任意失效树，其选择最佳算法的预测能力是90％。     

一种软件可靠性的随机测试模型研究

本文提出一种基于随机测试模型的软件可靠性测试方法、评判准则和测试策略,并利用蒙特卡罗方法进行了分析。通过实例证明了该模型在软件测试中的实用性和有效性,使用该模型可以提高软件测试的准确性和正确率、缩短软件测试的周期。     

广义动态模糊神经网络对软件质量的预测

软件质量预测是软件质量评价体系中的关键技术,针对软件质量预测过程中难以建立精确数学模型的特点,提出了将广义动态模糊神经网络应用于软件质量预测模型中。以模糊占的完备性作为高斯函数宽度的确定准则,避免了初始化过程中选择的随机性,同时,能对模糊规则和输入变量的重要性作出评价,从而使每条规则的输入变量的宽度可以根据它对系统性能贡献的大小实施在线自适应调整。通过对软件可靠性的仿真实验结果证明,广义动态模糊神经网络不仅适合模糊规则抽取也可用于系统建模,而且具有较高的辨识精度和效率。     

基于泛函网络的软件可靠性多模型综合预测方法

将泛函网络引入软件可靠性预测,利用其比神经网络更好的解释性及其他性能,提出了基于泛函网络的软件可靠性多模型综合预测方法。首先阐述了泛函网络的结构和学习过程,然后将多个单一模型的预测值作为泛函网络的输入,将实际值作为输出,建立泛函网络结构,给出了泛函网络的学习算法,制定了3种训练策略,并进行了实验分析。实验结果表明:在第三种训练策略下,基于泛函网络的软件可靠性多模型综合预测方法有较高的预测精度,其预测效果比单个模型和Lyu提出的线性综合模型都好。     

基于软件测试的软件可靠性评价技术研究

提出了利用软件测试结果进行软件可靠性评价的技术和方法,并结合具体的软件项目,计算出了软件模块的可靠性以及软件的可靠性.该方法能够有效满足在软件开发的不同阶段对软件可靠性进行评价的需要.     

基于软件可靠性工程的测试模型

软件可靠性工程是软件工程的一个重要分支,主要建立在操作剖面、软件可靠性模型、概率论和软件测试等理论的基础之上。该文结合软件可靠性、软件可靠性工程和软件测试的相关理论,设计了可靠性测试模型,并在市政交通一卡通工程系统中进行了实际验证。