一种基于聚类算法的缺陷语句定位技术

由于数据集的不一致,已有的基于频谱覆盖的缺陷定位方法之间的比较并不全面。本研究实现了现有的28种基于频谱覆盖的缺陷定位方法,并在同一数据集上加以比较。 提出一种新的基于k-means聚类算法的缺陷定位技术,利用现有的多种方法计算出特征值,对数据集进行聚类并排序,给出一个新的语句的可疑度序列。实验结果表明:该方法可以取得比较好的结果,能够捕获到个别算法的优越性,较为有效地对程序中的缺陷进行定位。     

基于二维卷积神经网络高层数据特征学习的过程故障检测

针对化工生产过程中高维数据故障特征难以学习和提取的缺点,提出一种基于二维卷积神经网络的化工过程故障检测方法.首先,采集化工过程不同故障的数据构成训练集和测试集;然后,对训练集和测试集中对应的正常样本和故障样本标注标签;最后,将训练集中的样本数据作为卷积神经网络的输入来训练、优化模型.方法应用于田纳西-伊斯曼化工过程,数据结果表明：二维卷积神经网络能够提取出原始数据中样本与样本、变量与变量之间更为抽象的高层数据特征,通过特征提取和学习后的重构特征数据输入到全连接层BP神经网络进行故障分类,比单独使用全连接BP神经网络的检测率提高了14.42 %,误报率降低了2.55 %.     

由排序支持向量机抽取博客文章的摘要

提出了一种用平滑型排序支持向量机(Rank-sSVM)抽取博客文章摘要的方法。使用该排序算法抽取的摘要,反映了评论者的意见和博客文集的特性。自动摘要过程中,首先经人工从文章选择重要句子标记为摘要,作为训练对象;再由机器生成表示文章语句的特征集,共14个特征,包含标签、评论等博客文章独有的信息;最后用Rank-sSVM学习人工摘要后,将文章所有句子排序,选取最靠前的若干语句构成摘要。该方法在一个中文博客数据集上取得良好效果。     

软件故障定位报告质量评估方法

通过对基于静态程序依赖图的软件故障定位报告质量评估方法的分析,指出由于其评分缺乏对程序运行时动态特征的描述,而影响评分质量,提出一种新的改进方法.该方法利用描述程序运行的特征谓词信息和基于失败运行测试用例的程序运行轨迹,将动态特征融入到静态程序依赖图中,构造动态程序依赖图,在此基础上运用基于广度优先搜索算法,得到能够更加真实反映在查错过程中需要排查的程序语句集合.结合软件故障定位模型的实证分析表明,该方法能够有效提高评估质量,促进定位模型的改进.     

基于半监督学习方法的软件故障定位研究

故障定位是软件工程中最为耗时和昂贵的活动之一,为降低软件故障定位的成本及提高故障定位的效率,机器学习方法被广泛应用于自动化软件故障定位中。传统的监督学习方法需要获取大量标记样本,这在实际项目中相当困难,且费用高昂。针对这一问题,提出采用半监督学习方法进行软件故障定位的思想,故障定位基于语句级别,通过应用程序中可执行语句与测试用例执行之间动态属性、以及传统软件故障定位中较有效的若干静态属性实现协同训练目的,得到训练良好的分类器,然后用该分类器对程序其余语句进行分类,从而得到故障语句。文章最后在Siemens Suite数据集中对算法进行验证,通过与传统监督学习算法进行对比,证明半监督学习算法在软件故障定位中的有效性。     

基于车辆关键部位特征的再识别算法

图像识别任务中，要想得到更具辨识度的特征的前提是精准定位到关键位置，汽车的车顶、车窗、前脸为车辆最关键的3个部位。将一种PCB-LS方法用于车辆再识别，基于提取局部特征的思想，使用ResNet50的主干网络提取特征图，然后将特征图平均划分为3个部分，对于3个部位分别训练分类器；对于模型在训练集中出现的过拟合现象，采用标签平滑的正则化方法降低模型对训练集样本的信任度，提高模型在测试集上的准确率；使用VeRi776数据集进行训练和测试，使用PCB-LS方法在测试集上能达到准确率Rank@1、Rank@5、Rank@10分别为93.62%、96.72%、97.74%,mAP为76.17%。PCB-LS方法不仅能获得辨识度高的特征，还有很好的泛化能力。     

基于多尺度特征的图像描述生成模型

针对现有基于深度学习图像描述生成模型,在图像特征编码阶段,由于编码器提取的图像特征较为单一,图像信息利用不充分,造成文字对图片内容描述得不够准确、语义较模糊的问题,在VGG19基础上,改进现有模型对图像特征的编码形式,通过提取和融合图像多尺度特征的方法,获取更丰富的图像信息。在MSCOCO数据集上进行训练和测试,实验结果表明,提出的模型能够生成更加准确、完整,更有意义的图像描述语句。     

结合Spatial CNN的端到端自动驾驶研究

针对当前自动驾驶中端到端深度学习算法需要庞大数据集作为训练支撑且缺少针对性的问题,基于深度迁移的思想,提出了迁移预训练VGG-16网络结合Spatial CNN网络结构的端到端自动驾驶模型.将预训练模型在ImageNet数据集上已经学习到的图像识别能力迁移至转向预测任务上,同时嵌入Spatial CNN网络结构挖掘空间特征信息.研究结果表明:在基于同等少量样本的训练后,迁移学习模型提取的特征更具有相关性,与从零开始训练的DAVE-2模型相比,预测误差率降低11.1％.在测试地图上模型预测值能很好地跟随真实值变化,说明模型能够实现高精度预测.     

PWFT-BERT:一种融合排序学习与预训练模型的检索排序方法

信息检索是从文档集合或互联网中找出用户所需信息的过程,细化为召回和排序两个阶段。针对排序阶段中相关文档的重排序,提出一种称为融合排序学习与预训练模型的检索排序方法(Pair-Wise FineTuned Bidirectional Encoder Representation from Transformers,PWFTBERT)。通过对候选论文数据集使用BM25等算法召回出与查询相关的小范围文档后,可应用PWFT-BERT对召回得到的文档集合进行排序。为构造pair-wise形式的训练数据,提出一种伪负例生成算法生成训练数据,并使用排序学习方法微调预训练模型使其适配排序任务。对比IT-IDF和BM25基线方法,PWFT-BERT在WSDM-DiggSci 2020数据集上的检索结果提升了240%和74%,证明了所提方法的有效性。     

关系数据库关键字查询结果排序方法

为了提高传统排序方法的排序准确率及效率,本文提出一种列表级的并行学习排序方法,用于关系数据库关键字查询结果的排序。采用一种列表级学习排序算法并在此基础上引入并行框架,使训练过程能够在多个节点上并行执行,有效地减少训练时间;并且提出一种基于贪婪搜索算法和排序性能的弱排序器分层构建策略,提高排序模型的训练效率和有效性;分别在公开数据集IMDB和Wikipedia上进行实验。实验结果表明:与传统的排序算法相比,本文方法具有较高的训练效率及排序准确率。     

一种基于测试的消息竞争故障定位方法

针对并发程序中由消息竞争所引发的不确定性故障难以捕获与再现、定位结果不精确等问题,提出一种结合程序频域比对、Delta调试策略的故障定位方法. 该方法首先建立并发程序执行模型,定义同步序列描述程序执行路径的不确定性,并将其抽象成简洁的消息竞争序列; 而后收集、比对正确的测试执行与错误的测试执行中消息竞争序列间的差异,约简故障搜索空间,获得初始故障集合; 最后,为初始故障集合中所对应的每一个失效执行,采用Delta调试策略设计并运行一组附加测试,从而逐步精准地锁定故障根源. 初步实验结果表明,该方法能够有效检测消息竞争故障,提高故障定位效率.     

C#．net利用数据集设计器调用存储过程

在c#．net程序中利用sql Data Adapter或者sql Command渊用存储过程比较方便,但是存在没有测用代码设计的支持,而只有在运行程序时执行到相应的语句,才能检企调用的代码是否有问题的缺点。如果在测试过程没有把所有可能执行到的语句都测试一次,程序往往会出现问题。针对这个缺点,提出利用数据集设计器调用存储过程。将存储过程变为强类型对象,这样编译器就可以在编译期间检查所有可能出现的错误。解决Sql Data Adapter或者Sql Command调用存储过程的不足的同时,还可以简化调用存储过程的复杂度。     

模糊神经网络故障诊断专家系统

模糊诊断和神经网络有机结合能够提高设备故障诊断技术水平，文章阐述了单症兆诊断模型及多症兆诊断模糊模型与神经网络的有机结合；论述以模糊诊断原理为根据发展的扩展神经网络子网和子节点的可塑性学习方法和以模糊模式识别理论指导学习样本的组织方法。简述基于上述模糊神经网络的诊断系统及诊断系统的生产现场实例验证。     

程序表示学习综述

为了提高软件的开发效率,目前已出现应用人工智能技术进行智能化开发的趋势,如何理解程序语义是智能化开发中需要重点解决的问题.针对该问题,出现了一系列程序表示学习的研究,程序表示学习可以自动地从程序中学习有用的特征,将特征表示为低维稠密向量,高效地提取程序语义并使用于相应的下游任务.对程序表示学习的研究工作进行综述,介绍了主流的程序表示学习模型,包括基于图结构和基于token序列的程序表示学习框架.展示了程序表示学习技术在缺陷检测、缺陷定位、代码补全等任务上的应用,总结了程序表示学习的常用工具集和测试集.分析了程序表示学习未来需要应对的挑战.     

基于深度学习的机械轴承故障智能诊断

智能故障诊断对于提高智能制造的可靠性具有重要意义。基于深度学习的故障诊断方法在工业领域已经取得了很大的成功,但是不同的模型提取的特征存在一定的差异。针对数据特征提取不全面等问题,提出一种基于深度学习的融合网络模型(CLOD)。首先通过傅里叶变换对故障信号进行时频分析,得到时频谱样本,然后将样本送入经过LSTM模型和改进的CNN模型融合后的卷积网络模型(CLOD)中训练学习,最后通过更新网络参数来提高模型性能,实现轴承故障精确智能诊断。与传统方法比较,CLOD在保证准确率的基础上,极大的增加了模型的拟合速度和稳定性。     

Fault Diagnosis Method Based on Xgboost and LR Fusion Model under Data Imbalance

Diagnosis methods based on machine learning and deep learning are widely used in the field of motor fault diagnosis. However, due to the fact that the data imbalance caused by the high cost of obtaining fault data will lead to insufficient generalization performance of the diagnosis method. In response to this problem, a motor fault monitoring system is proposed, which includes a fault diagnosis method (Xgb_LR) based on the optimized gradient boosting decision tree (Xgboost) and logistic regression (LR) fusion model and a data augmentation method named data simulation neighborhood interpolation(DSNI). The Xgb_LR method combines the advantages of the two models and has positive adaptability to imbalanced data. Simultaneously, the DSNI method can be used as an auxiliary method of the diagnosis method to reduce the impact of data imbalance by expanding the original data (signal). Simulation experiments verify the effectiveness of the proposed methods.     

启发式学习自动化程序指令的可达性测试

为了测试程序指令的可达性,需要搜索可触发包含该指令的控制流路径执行的测试用例。该问题可等价为路径约束满足问题的自动求解,求解结果即为验证指令可达的测试用例。为了提高自动求解的性能,在前向检测算法基础上改进设计了R_BinSearchFC算法,算法结合了边界测试数据选取和二叉树搜索技术,可有效提高对数据空间的搜索速度,并可扩展到在实数域空间的求解搜索。实验结果表明,采用了启发式学习的R_BinSearch算法可自动生成有效的测试用例,完成对指令的可达性测试。     

基于FSM的感知节点软件故障检测

针对事件驱动程序运行时的故障检测问题,提出了一种基于有限状态机(FSM)的感知节点软件故障检测方法. 用户通过撰写FSM规范,并在程序中添加与FSM执行相关的宏标记,对程序期望行为进行描述. 在节点运行时通过比较FSM规范和收集的FSM执行信息,实现节点软件故障检测. 针对2类典型节点硬件平台,研究了3种故障检测机制的存储和计算开销,最后通过2个实例分析验证了所提方法的有效性.