基于机器学习理论的软件可靠性预测研究

由于软件可靠性早期预测在测试前就能够使开发和测试的相关人员对软件的可靠性有一定的了解,所以对于软件如何进一步开发、测试和质量的控制都具有十分重要的作用。该文将支持向量机理论引入到软件可靠性早期预测领域中来,提出了基于支持向量机的软件可靠性早期预测模型。通过对比仿真实验,证实了此模型同传统模型相比具有预测精度更高、泛化能力更强、对样本数量的依赖程度更低的特点。     

遗传优化支持向量机的软件可靠性预测模型

软件可靠性预测在软件开发的早期就能预测出哪些模块有出错倾向。提出一种改进的支持向量机来进行软件可靠性预测。针对支持向量机参数难选择的问题,将遗传算法引入到支持向量机的参数选择中,构造基于遗传算法优化支持向量机的软件可靠性预测模型,并用主成分分析的方法对软件度量数据进行降维,通过仿真实验,证明该模型比支持向量机、BP神经网络、分类回归树和聚类分析等预测模型具有更高的预测精度。     

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。     

组合核相关向量机的软件可靠性预测模型

可靠性作为衡量软件质量的一种重要特性,对软件管理具有重要的意义。针对单一核函数的缺陷,提出一种组合核函数相关向量机的软件可靠性预测模型。首先对当前软件可靠性研究现状进行分析,然后采用组合核函数相关向量机对训练集进行学习和建模,最后通过具体实例对模型的预测性能进行分析。结果表明,本模型获得了理想的软件可靠性预测结果,且其预测性能要优于单一核函数模型,在软件可靠性预测中有重要的应用价值。     

基于灰色支持向量机的城市用水量预测研究

研究城市用水量预测问题,城市需水量具有非线性和随机波动性,城市供水系统是复杂系统,传统灰色模型或支持向量机均无法进行准确预测。为更准确预测城市用水量,建立灰色支持向量机的城市用水量预测模型,以提高预测精度。首先采用灰色模型和支持向量机对城市用水量预测,然后采用多元线性回归确定模型权重系数,最后得到了灰色支持向量机的城市用水量预测结果。仿真结果表明,灰色支持向量机提高了城市用水量的预测精度,预测误差小于单一灰色模型和支持向量机。灰色支持向量机更好地反映出城市用水量变化的总体趋势,可为城市供水系统预测提供参考。     

软件可靠性预测的相关向量机模型

相关向量机是一种解决回归问题非常有效的方法,针对软件失效时间及其之前的m个失效时间数据使用相关向量机进行学习,以建立失效时间之间内在的依赖关系,由此构建新的基于相关向量机的软件可靠性预测模型.在4个数据集上的实验结果表明,新模型在预测能力上较之广泛使用的基于支持向量机或人工神经网络的软件可靠性预测模型有明显的提高,同时也表明现时失效数据的预测能力比很久之前观测的失效数据更强,最后通过实验对合理的m值及不同数据集上核函数参数取值进行研究.     

基于多模型变权重组合的软件可靠性仿真研究

研究提高软件可靠性预测精度问题,对软件可靠性研究已成为当前软件工程的一个研究热点,传统的单一软件可靠性模型由于使用的技术及提取的信息有限,软件可靠性预测精度不高。为提高软件可靠性预测精度,在建立多种单一软件可靠性预测模型的基础上,提出一种样本点的多模型变权重组合模型。将多种预测技术有效地聚合在一起,取长补短,在样本数据有限的情况下,不仅改善了样本内学习能力也增强了样本外的泛化能力,提高了综合预测精度。仿真验证模型无论在样本内还是样本外都较优于经过模拟退火算法优化的BP神经网络(SA-BP)及经过遗传算法优化的最小二乘支持向量机(GA-LSVM),说明变权重组合模型是一种精度更高的软件可靠性失效数据预测模型,具有较好的应用推广价值。     

结合粗糙集与支持向量回归进行油藏物性参数预测

为了更准确的预测油藏物性3个重要参数:孔隙度,渗透率、饱和度,提出了结合粗糙集属性约简和支持向量机回归的方法.首先用粗糙集理论对测井数据样本属性进行约简,从而选出决策属性,构成新的样本数据.然后用支持向量回归理论对数据样本进行训练,建立支持向量回归模型,并且对测试样本进行预测.实验结果表明,该方法获得了较好的拟舍结果,并且减少了支持向量机在训练中的计算复杂度,提高了物性参数预测的准确率.执行该方法可为油藏开发提供决策依据.     

电力负荷短期预测的支持向量回归参数自动赋值研究

电力系统负荷预测是当前国内外的研究热点,支持向量回归算法是一种解决电力系统负荷预测问题非常有效的方法,如何根据特定数据集选择合适的模型参数,以保证建立好的模型有很好的推广性能,成为设计支持向量回归机的关键一步。本文采用了1-范数、2-范数以及v-支持向量回归算法来解决支持向量机参数的自动复制问题。在真实数据集上的实验结果表明,新模型在预测能力上较之一些广泛使用的软件可靠性预测模型有明显的提高。     

基于SVR的软件可靠性预测模型研究

利用软件生命周期中的相关数据进行软件可靠性分析与预测是软件可靠性工程的重要组成部分。首先从软件开发全过程中分析影响软件可靠性的相关因素,对其进行定义并确定度量方法,然后以支持向量回归机(SVR)分析方法为数学工具,建立基于软件质量度量的软件可靠性预测模型,并对该模型进行仿真分析。     

Software fault prediction using particle swarm algorithm with genetic algorithm and support vector machine classifier

Software fault prediction is a process of developing modules that are used by developers in order to help them to detect faulty classes or faulty modules in early phases of the development life cycle and to determine the modules that need more refactoring in the maintenance phase. Software reliability means the probability of failure has occurred during a period of time, so when we describe a system as not reliable, it means that it contains many errors, and these errors can be accepted in some systems, but it may lead to crucial problems in critical systems like aircraft, space shuttle, and medical systems. Therefore, locating faulty software modules is an essential step because it helps defining the modules that need more refactoring or more testing. In this article, an approach is developed by integrating genetics algorithm (GA) with support vector machine (SVM) classifier and particle swarm algorithm for software fault prediction as a stand though for better software fault prediction technique. The developed approach is applied into 24 datasets (12-NASA MDP and 12-Java open-source projects), where NASA MDP is considered as a large-scale dataset and Java open-source projects are considered as a small-scale dataset. Results indicate that integrating GA with SVM and particle swarm algorithm improves the performance of the software fault prediction process when it is applied into large-scale and small-scale datasets and overcome the limitations in the previous studies.     

软件可靠性组合预测模型研究

根据灰色模型、谐波分析和时间序列分析理论,对软件测试阶段的失效数据构成的时间序列进行分析,得到软件可靠性组合预测模型。结合实际数据,给出了具体的实现方法。数据试验结果表明,与单一时间序列预测模型相比,该模型具有较高的预测精度和很好的模型适应性。     

舰船装备软件构件可靠性评估方法

为了解决对当前大型舰船装备软件构件可靠性评估不够直观详细,构件的性能参数缺乏足够的测试数据。针对以上问题进行研究,提出针对舰船装备软件构件的可靠性评估方法、分析和综合评价的工具。本文提出了一种针对舰船装备软件构件可靠性评估方法,接着对其评估过程进行介绍。最后,在开发出的可靠性评估工具上对方法进行验证,它可以实现软件可靠性早期预计以及可靠性分析的自动化实施。该软件可以极为方便的帮助软件可靠性工程师实现舰船装备软件构件可靠性早期预计分析工作,具有重要的工程意义。     

基于排错等待延迟的广义动态集成神经网络模型

软件可靠性增长模型在可靠性评估与保障中具有重要作用,针对软件测试过程中的故障检测和排错等待延迟问题,提出了一种考虑故障排错等待延迟的广义动态集成神经网络模型(RWD-SRGM)。该模型考虑软件工程的多样性,利用神经网络方法构建广义动态集成模型,并考虑排错等待延迟现象完成故障检测和预测。通过2组真实失效数据集(DS1和DS2)的实验,将所提模型与现有的软件可靠性增长模型进行了比较,结果显示考虑故障排错等待延迟的神经网络模型拟合效果最优,表现出了更好的软件可靠性评估性能和模型通用性。     

基于基准比对思想的软件可靠性预测仿真建模研究

可靠性作为衡量软件质量的重要特性,其定量评估和预测已成为人们关注和研究的焦点。本文针对这个问题展开研究,提出一个可用于软件测试之前的早期可靠性预测仿真模型。此仿真模型通过考查影响软件可靠性的过程因素,采用基准比对思想,利用软件过程度量数据,根据相似度比较,预测软件的残留缺陷数。由于该仿真模型仅需要静态历史数据,故可在软件测试之前,用于估计软件的残留缺陷数,从而预测软件的可靠性,为后期软件过程的改进以及软件测试计划的修正提供依据。     

基于优化PSO-SVM模型的软件可靠性预测方法

讨论了传统软件可靠性预测模型的主要弱点;在分析传统PSO-SVM模型和软件可靠性预测特点的基础上,对传统PSO-SVM模型进行改进,建立了优化PSO-SVM软件可靠性预测模型。最后通过仿真结果表明,该优化预测模型具有更好的小样本适应性,训练速度快,预测精度高,能够更好地适用于软件可靠性预测。