软件可靠性预测模型的优选问题研究

针对软件可靠性预测模型过多且难以选择的实际问题,基于混合专家网络,采用基于梯度下降法的变步长LMS算法,解决软件可靠性预测模型选择优化问题．并通过实例分析,验证了该算法应用于模型优选的有效性．     

孤岛运行光储微电网控制策略研究

光储微电网孤岛运行时存在电能质量差、系统稳定性差等问题。系统的控制策略多为基于PI控制的双闭环控制算法,导致动态响应速度慢。针对这一问题,提出了一种考虑新能源波动的多步预测有限集模型预测控制（FCS-MPC）策略。首先,对DC-DC变换器采用稳压控制,为逆变器提供稳定的直流电压提高系统的稳定性;然后,对光伏逆变器采用恒功率控制策略维持稳定的功率输出,对储能逆变器采用基于多步长改进模型预测控制（MPC）的下垂控制,以实现对参考电压的快速跟踪及负荷功率的合理分配,而且多步长改进MPC可降低传统MPC的预测误差,提高系统的稳定性;最后,利用MATLAB搭建仿真模型,仿真结果验证了所提控制策略的有效性。     

基于熵理论的Markov链对粮食生产年景的预测——以河南省为例

将度量系统状态不确定性的熵引入到Markov链中,从而使随机过程的Markov链分析方法与信息熵结合起来,构造了一种熵权的Markov方法,用不同步长的Markov链熵权和来预测系统的状态,实现了对粮食生产年景的动态预测.     

基于Markov链的软件可靠性早期评估研究

针对Markov链使用模型缺乏软件失效信息,提出了一种改进Markov链使用模型进行软件可靠性早期评估的方法。该方法首先扩展Markov链使用模型,在其中加入失效状态及执行概率,构建软件可靠性早期评估模型;然后,依据软件可靠性早期评估模型生成算法得到软件可靠性。最后,通过一个SCS软件实例,对本文方法性能进行了验证。实验结果表明,该方法可以自动输出多种软件可靠性评估指标,有效评估软件可靠性。     

软件可靠性模型分析

软件可靠性模型直接决定着软件可靠性测试的结果,文章论述了软件可靠性模型的评价准则和选取原则.对经典的软件可靠性模型(J-M模型,GM模型)进行分析,并且指出了软件可靠性模型的局限性.对软件可靠性模型的发展前景进行了展望.     

基于Logistic增长神经网络模型的软件测试方法

软件可靠性评估性能直接影响软件测试的工作量,本文针对软件测试工作中的故障检测和校正处理问题,提出一种基于Logistic增长神经网络的软件测试方法。该方法考虑到软件工程的多样性,利用Logistic增长曲线构建神经网络模型完成故障检测,并结合指数分布校正时间完成故障校正过程。通过两组真实失效数据集(Ohba与Wood)的试验,将所提方法与现有的软件可靠性增长模型(software reliability growth model,SRGM)进行了比较。结果显示Logistic增长神经网络模型的模型拟合效果最优,表现出了更好的软件可靠性评估性能及模型适应性。     

负指数分布排错时间的软件可靠性模型

传统的软件可靠性模型大多假设排除错误的时间忽略不计,基于假设过于苛刻,影响了模型应用的范围和精度。因此在JM模型的基础上,提出了排错时间为负指数分布的软件可靠性模型及本模型的极大似然参数估计方法。通过用马尔可夫过程描述系统的状态,分析了模型的数值求解方法,并讨论了使用在本模型中的失效预测、剩余错误预测和等待排出的错误数预测公式。同时利用实际的工程数据对本模型的应用过程进行了验证。     

基于动态贝叶斯网络的变幅载荷下疲劳裂纹扩展预测方法

针对当前疲劳裂纹扩展预测研究中较少考虑不确定因素而导致预测结果偏差大的问题,提出基于动态贝叶斯网络（DBN）的疲劳裂纹扩展预测方法. 以变幅载荷作用下的疲劳裂纹扩展为具体对象,利用统一疲劳寿命预测（UFLP）模型构建疲劳裂纹扩展的物理状态方程;分析疲劳裂纹扩展过程典型不确定因素之间的联系,基于动态贝叶斯网络建立疲劳裂纹扩展动态性能退化模型;采用粒子滤波（PF）推断算法,向动态性能退化模型输入裂纹观测数据,修正预测结果,降低不确定因素的影响. 根据已有的裂纹扩展实验数据,给出具有不确定因素疲劳裂纹扩展预测的仿真算例,结果表明,所提出的基于动态贝叶斯网络的变幅载荷作下疲劳裂纹扩展预测方法较现有方法能够取得更好的预测精度.     

基于变步长FOA—Richards模型的 地表沉降动态预计

针对地表动态沉降的非线性和随机性特征,且沉降大致呈现"S"形曲线发展,最终趋向于稳定状态,采用Richards函数进行动态预计。基于采动区地表下沉Richards模型求取参数较为复杂,引入变步长果蝇优化算法(FOA)思想,建立采动区地表下沉动态预计的变步长FOA—Richards模型,以提高预测精度。工程实例分析表明,变步长FOA—Richards模型符合理想的时间函数特征,能够较好地预计出动态下沉值及下沉速度,且精度可靠性较高。     

交通流量预测的时间异质性图注意力网络

采用注意力模型研究交通流量预测问题,提出并设计一种基于时间异质性结合噪声滤除的交通流量预测方法,有效预测美国加州高速公路未来1 h的交通流量。在构建预测方案过程中,分析交通流量数据特性,分别针对相对时间间隔和绝对时间进行建模,挖掘时间异质性;使用基于节点固有属性的动态噪声滤除方法,解决空间中噪声干扰问题;对预测模型的工作性能和结果进行详细分析,并结合基线模型进行对比评价。试验结果表明,挖掘时间异质性并动态滤除噪声的改进注意力机制预测模型具有一定的预测精度。     

基于LS-SVM与GPC算法的锅炉燃烧优化控制

基于LS-SVM算法和反馈网络建立了非线性对象全参数动态模型,实现了对非线性系统动态特性的多步预测;考虑控制的实时性,研究了将非线性LS-SVM动态模型在线线性化和构造对象实时线性CARIMA动态模型的方法;并结合GPC算法,提出了LSSVM-GPC动态优化控制策略。文中验证了LSSVM-GPC动态优化控制算法的跟踪能力和抗干扰能力,通过仿真试验给出了该算法对电站锅炉燃烧系统具有优秀的动态调节性能。     

基于改变控制时域时间步长的智能车轨迹跟踪控制

为了解决模型预测控制设计智能车轨迹跟踪控制器存在求解计算时间长、在线实时性低的问题,借助于矩阵分块化策略,提出了一种基于控制时域变步长的模型预测轨迹跟踪控制方法。通过矩阵分块化改变控制时域步长,并融入到二次规划的求解过程中,重构目标函数形式和系统约束条件,以减少求解过程中最优控制序列中待求解变量的数量,降低求解计算时间。在Simulink与Carsim联合仿真平台中,将本文方法与传统模型预测控制方法进行仿真对比分析。结果表明,相比于传统模型预测控制方法,本文方法在保证轨迹跟踪精度的前提下,平均求解计算时间降低了24.39%,最大单次计算时间降低了45.05%,采用“前密后疏”的分块矩阵,其控制器性能优于“平均化”的分块矩阵。     

软件可靠性加速测试与评估方法

为提高软件可靠性测试效率,提出了一种基于混合测试的软件可靠性加速测试方法,将针对性测试方法与软件可靠性测试方法相结合,并给出了相应的混合加速测试过程.利用次序统计量理论构建了基于混合测试过程的软件可靠性评估模型.以一个仿飞机外挂物管理系统为对象进行了实例应用,给出了具体测试过程并进行软件可靠性评估,结果表明该加速测试方法克服了软件可靠性测试中普遍存在的饱和效应问题,可以有效地加快测试过程,同时提出的软件可靠性评估模型表现了较好的拟合效果并能够给出较为准确的软件可靠性评估预计结果.     

基于信息熵的概念漂移检测

文章针对概念漂移检测分类器很难维持较高的分类性能,存在错误检测和延迟检测等问题,提出了一种基于信息熵的概念漂移检测算法。首先,使用信息熵对动态数据流中的概念漂移进行检测;然后,将检测到的概念漂移信息,在概念池中进行汇总和统计;最后,使用了两种公开的真实数据和一种人造概念漂移数据进行实验,并对实验结果进行分析,验证了模型的有效性和正确性。实验结果表明,该算法可以有效地检测概念漂移和更新分类器,同时表现出较好的分类性能。     

基于实测车辆荷载的拱桥吊杆疲劳性能研究

拱桥吊杆是系杆拱桥的主要承重构件,对桥梁结构的安全性、完整性和使用寿命起着重要的作用。通过动态称重系统（ＷＩＭ）监测现场时变的车辆载荷,可以获得吊杆的时间应力。提出了一种利用动态称重数据的完整信息并结合有限元模型研究拱桥吊杆疲劳性能的新方法,该方法包括４个步骤：生成吊杆受力影响线;转换时变车辆荷载为吊杆拉力;计算吊杆的应力时程,讨论不同计算时间步长对吊杆时间应力历程的影响;评估吊杆的疲劳损伤和寿命。基于九堡大桥的动态称重数据与有限元模型,该评估方法可以逐日精确地评估吊杆的疲劳损伤程度,进而预测其疲劳寿命。     

基于信息熵加权的Elman神经网络状态趋势预测

为克服预测神经网络输入值对网络输出预测值贡献程度基本等同的缺陷,提出一种信息熵加权的神经网络智能预测方法。提出信息熵权值的计算方法和延时重构的加权前处理方法,并以Elman神经网络为基础,构建基于信息熵加权Elman神经网络的预测模型。烟气轮机状态趋势预测实例表明,基于信息熵加权Elman神经网络预测方法的预测效果较好,为状态趋势预测提供了一种新方法。     

基于混合深度学习模型的企业中央空调蒸汽预测

为解决企业生产车间多空调能耗与生产任务、气候环境匹配的精准供能问题,实现多台大型中央空调机组蒸汽消耗预测,提出一种基于GRU和3DConv-PredRNN++的混合深度学习预测模型. 针对多台空调机组动态联动关系,使用三维卷积和PredRNN++方法提取机组间蒸汽损耗关系作为空间因素特征参与模型预测; 为捕捉蒸汽消耗量序列的总体趋势和局部变化,数据集采用平滑过程模式、趋势性模式和周期性模式作为模型输入; 为提高模型预测性能,基于门控循环单元(GRU)耦合外部因素特征并捕捉时间因素特征; 最后通过参数矩阵融合方式来构建模型. 通过与多种预测模型的对比实验,证明混合深度学习模型预测精度的优越性和空间因素特征参与模型预测的必要性. 与现有模型相比,所提模型平均能耗折标(ASEC)降低了60.09%.     

时序多层网络熵值结构洞节点重要性建模

分析动态多层复杂网络时空演化过程中的网络节点重要性序结构，提出时序多层网络熵值结构洞节点重要性辨识模型.分析时序网络节点局部信息熵的属性与节点全局K-shell信息集结偏好信息熵.依据复杂网络结构洞系数，提出节点熵值结构洞节点重要性辨识模型.时序化处理节点演化信息，提出节点重要性时序网络计算模型.通过SIR模型检验节点传播效率，开展实证网络仿真.本文的时序多层网络节点演化重要性排序结果与经典时序网络模型相比，Kendall值有了显著的提高.     

基于结合模拟退火算法的动态模糊神经网络的软件可靠性增长模型

利用模拟退火算法对动态模糊神经网络的自身参数进行动态调整(SAA-DFNN),并将其应用于软件可靠性增长模型(SRGM)的研究。用软件失效数据在对动态模糊神经网络进行训练的过程中,用模拟退火算法求得动态模糊神经网络自身参数的优化解,根据得到的参数建立基于动态模糊神经网络的软件失效数据预测模型。根据3组软件缺陷数据,将SAA-DFNN建立的SRGM与模糊神经网络(FNN)、BP神经网络(BPN)、G-O模型建立的SRGM的预测能力进行比较,仿真结果表明,根据SAA-DFNN建立的SRGM的单步向前预测能力稳定,预测误差小,并具有一定的通用性。     

基于层次结构Markov链的软件可靠性建模方法

在当前主流的基于体系结构的软件可靠性建模方法中,基于Markov链的状态模型是一种广泛应用的可靠性模型。现有基于状态的可靠性模型适用于构件转移满足Markov过程的软件,当程序中同时存在确定性转移和非确定性转移时,特别是存在多个构件对某构件的调用时,现有的办法不能得出精确的结果,甚至可能会引入不存在路径。为解决这一问题,文章基于UML模型和Markov模型,提出一种层次结构方法,用组合结点替代构件间的调用关系,建立层次结构的Markov链模型。最后通过一个实例对新方法的性能进行了验证。 