基于Kohonen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的一个重要方面。现在还没有一个通用的模型,模型选择问题已成为模型研究的重点。运用聚类思想对软件可靠性模型的选择进行研究。在对软件失效数据进行编码的基础上,采用Kohonen神经网络对其进行聚类分析,从而实现了可靠性模型的选择。最后通过仿真测试,证明了此方法的有效性和可行性。     

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.     

一种基于改进的K-means聚类和PSO的软件可靠性模型选择*

针对软件可靠性选择主要依靠人的主观经验进行判断、缺乏客观性和准确性的问题,提出了一种基于改进的K-means聚类和粒子群优化(PSO)算法的软件可靠性模型选择方法。该方法采用多评价标准编码,选定一种新的规则化距离作为元素间的相似性度量,应用K-means聚类和PSO分析实现了软件可靠性模型的选择。实验结果验证了该方法的有效性,为软件可靠性模型选择提供了一条新途径。     

软件可靠性模型选择研究

软件可靠性模型选择作为模型应用不一致性的主要解决方法已经逐渐成为模型应用的研究重点,基于数据挖掘的软件可靠性模型选择作为新的研究方向已经受到越来越多研究人员的注意.对现有的软件可靠性模型进行分类,分析模型应用不一致性的根源,回顾软件可靠性模型选择的发展历程,阐述其中的重要成果,指出遇到的问题和挑战,展望发展前景.     

软件可靠性及可靠性多模型综合研究

软件可靠性验证阶段的可靠性增长模型的建立与选择是软件可靠性工程人员长期关注的焦点。首先对软件可靠性基本概念及影响因素和工程确认的几种软件可靠性增长模型进行阐述,探讨近年来工程人员对软件可靠性增长模型的改进方法研究进展,提出了基于模型聚类的混合模型方法,并对该方法进行了实验性仿真分析。     

基于聚类思想的软件可靠性模型选择

软件可靠性模型应用的不一致性一直是困扰软件可靠性研究人员的主要问题。模型选择和组合策略作为主要解决方法已成为模型应用的研究重点。该文主要探讨运用聚类思想进行软件可靠性模型选择的方法。根据针对实际失效数据的可靠性模型评价准则值编码,该文采用高斯混合模型进行聚类分析,使用EM算法估计高斯混合模型的参数,贝叶斯准则进行模型选择。为验证此方法的有效性和可行性使用了多个实际项目中的失效数据进行试验。结果表明,此模型选择方法简单有效,有利于软件可靠性模型应用不一致性问题的解决。     

软件测试中可靠性模型的设计与研究

软件测试是保证软件质量和提高软件可靠性的关键所在,而软件可靠性是衡量软件质量的重要指标之一,二者有着非常紧密的联系。软件可靠性模型既是软件可靠性进行定量分析的基础和保障,也是软件可靠性进行预测的核心和关键,对保证软件质量起到了非常重要的作用。文中结合软件测试与软件可靠性及其模型的相关理论,通过对Seeding模型的分析与改进,提出了一种适用于软件测试的可靠性模型。实验结果表明,使用文中提出的软件可靠性模型能较好地满足软件对可靠性评估的要求,较好地应用在软件测试中。     

软件可靠性模型选择的理论研究

为了预测软件中残留的故障,帮助发布软件做出决定,人们建立了各种软件可靠性预测模型.在工程实践中,有一类被称为软件可靠性增长模型(SRGMs)的模型被证明很有价值.然而,现有的模型通常建立在对于开发环境、失效性质、错误发生概率等的一系列特定假设的基础上.这就使得对于一个实际项目,选择恰当的模型存在很多困难.本文中我们采用了一种具有较广泛适用性的方法从理论上对如何在实际项目中选择合适的模型进行了研究.通过实际的例子描述了所提出的选择模型的理论与策略,并解释了为什么我们的方法能够动态地选择出最恰当的模型.分析结果和案例研究都说明了所提方法的有效性,这种方法对于测试阶段选择合适的可靠性模型具有一定的指导意义.     

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.     

基于多准则决策的软件可靠性模型选择方法

针对现有软件可靠性模型选择方法计算复杂和适用性差的问题,提出基于多准则决策的软件可靠性模型选择方法.定义了指导软件可靠性模型选择的若干准则,包括生命周期阶段准则、模型输入要求准则、模型输出要求准则、模型假设吻合准则和失效数据趋势准则,将这些准则分为确定性准则和不确定性准则,阐述了基于这些准则进行软件可靠性模型选择的算法,并实例验证了该方法的简单可行性.指出将这种方法与现有软件可靠性模型选择方法进行综合运用的研究方向.     

基于启发式遗传算法的SVM模型自动选择

支撑矢量机(SVM)模型的自动选择是其实际应用的关键.常用的基于穷举搜索的留一法(LOO)很繁杂且效率很低.到目前为止,大多数的算法并不能有效地实现模型自动选择.本文利用实值编码的启发式遗传算法实现基于高斯核函数的SVM模型自动选择.在重点分析了SVM超参数对其性能的影响和两种SVM性能估计的基础上,确定了合适的遗传算法适应度函数.人造数据及实际数据的仿真结果表明了所提方法的可行性和高效性.     

基于Agent的面向DSS的模型库系统研究

智能性是决策支持系统未来的发展方向,为了提高决策支持系统模型库的智能性,文章将Agent的智能性融人到模型库系统中,提出了一种基于Agent的模型库系统构建方案。主要研究基于Agent的模型表示、模型选择和模型组合技术,模型库系统的架构方案及各功能Agent模型,详细阐述了模型库系统各部分的工作原理,并在JADE平台完成了模型库系统原型的开发。实验证明：所设计的基于Agent的模型库系统能很好的解决模型表示、模型组合和模型选择问题,比传统模型库系统具有更高的智能性。     

面向敏捷供应链的知识服务选择模型研究

为了实现敏捷供应链知识服务体系,针对知识服务组合中的服务选择问题,提出一种结合敏捷供应链特点和整数规划方法的知识服务选择模型。该模型考虑知识用户需求的QoS全局约束,采用线性加权方法将知识用户多目标转化为单目标。应用Matlab优化工具中的bintprog求解器进行模型实例求解,结果表明模型最终求解能满足用户的实际需求,对敏捷供应链知识服务选择方法和服务组合研究有一定的借鉴性。     

Metric-Based Methods for Adaptive Model Selection and Regularization

We present a general approach to model selection and regularization that exploits unlabeled data to adaptively control hypothesis complexity in supervised learning tasks. The idea is to impose a metric structure on hypotheses by determining the discrepancy between their predictions across the distribution of unlabeled data. We show how this metric can be used to detect untrustworthy training error estimates, and devise novel model selection strategies that exhibit theoretical guarantees against over-fitting (while still avoiding under-fitting). We then extend the approach to derive a general training criterion for supervised learning—yielding an adaptive regularization method that uses unlabeled data to automatically set regularization parameters. This new criterion adjusts its regularization level to the specific set of training data received, and performs well on a variety of regression and conditional density estimation tasks. The only proviso for these methods is that sufficient unlabeled training data be available.     

动态因果模型的研究综述

功能磁共振成像技术的发展为揭示脑区间的有效连接机制奠定了基础,而动态因果模型的研究将更有利于连接机制的研究,为揭示脑的奥秘提供了有效、直接的方法。阐述了动态因果模型的基本概念和原理,论述了不同类别的动态因果模型连接方式、方法;分析了不同类别模型间的区别,并通过贝叶斯模型选择进行模型辨识。通过总结前人所做的工作,得出动态因果模型在使用过程中应该遵循的规则,概括了存在的问题。结合已有的动态因果模型研究成果,展望了未来的研究方向和亟待解决的关键问题。     

基于RPCA对高维数据子空间聚类的预测方法

预测子空间聚类PSC算法由于建立在PCA模型下,无法鲁棒地进行主元分析,导致在面对带有强噪声的数据时,聚类性能受到严重影响。为了提高PSC算法对噪声的鲁棒性,利用近年来受到广泛关注的RPCA分解技术得到数据的低秩结构,鲁棒地提取子空间,具体地,通过将RPCA模型融入PSC算法,提出了一种基于RPCA的预测子空间聚类算法。该算法在RPCA模型下检测强影响点,不但可以有效地进行变量选择和模型选择,而且更重要的是改善了PSC算法在噪声环境下的聚类性能。在真实基因表达数据集上的实验结果表明,改进后的算法较之经典的PSC算法无论在无噪声或加噪声环境下都表现出一定聚类优势及良好的鲁棒性。     

The Racing Algorithm: Model Selection for Lazy Learners

Given a set of models and some training data, we would like to find the model that best describes the data. Finding the model with the lowest generalization error is a computationally expensive process, especially if the number of testing points is high or if the number of models is large. Optimization techniques such as hill climbing or genetic algorithms are helpful but can end up with a model that is arbitrarily worse than the best one or cannot be used because there is no distance metric on the space of discrete models. In this paper we develop a technique called racing that tests the set of models in parallel, quickly discards those models that are clearly inferior and concentrates the computational effort on differentiating among the better models. Racing is especially suitable for selecting among lazy learners since training requires negligible expense, and incremental testing using leave-one-out cross validation is efficient. We use racing to select among various lazy learning algorithms and to find relevant features in applications ranging from robot juggling to lesion detection in MRI scans.     

利用统计搭配模型改进基于实例的机器翻译

基于实例的机器翻译(example-based machine translation,简称EBMT)使用预处理过的双语例句作为主要翻译资源,通过编辑与待翻译句子匹配的翻译实例来生成译文.在EBMT系统中,翻译实例选择及译文选择对系统性能影响较大.提出利用统计搭配模型来增强EBMT系统中翻译实例选择及译文选择的能力,提高译文质量.首先,使用单语统计词对齐从单语语料中训练统计搭配模型.然后,利用该模型从3个方面提高EBMT的性能:(1)利用统计搭配模型估计待翻译句子与翻译实例之间的匹配度,从而增强系统的翻译实例选择能力;(2)通过引入候选译文与上下文之间搭配强度的估计来提高译文选择能力;(3)使用统计搭配模型检测翻译实例中被替换词的搭配词,同时根据新的替换词及上下文对搭配词进行矫正,进一步提高EBMT系统的译文质量.为了验证所提出的方法,在基于词的EBMT系统上评价了英汉翻译的译文质量.与基线系统相比,所提出的方法使译文的BLEU得分提高了4.73～6.48个百分点.在半结构化的EBMT系统上进一步检验了基于统计搭配模型的译文选择方法,从实验结果来看,该方法使译文的BLEU得分提高了1.82个百分点.同时,人工评价结果显示,改进后的半结构化EBMT系统的译文能够表达原文的大部分信息,并且具有较高的流利度.     

一种面向物联网服务资源优化的调度模型

随着物联网与SOA的发展,物联网环境下以服务为资源的竞争问题越来越凸显.为了解决该问题,从资源优化的角度对该问题进行了研究与建模分析.利用资源调度机制和服务选择机制建立了服务调度模型;然后运用排队论对本模型进行了时延特性分析.模拟实验结果表明,本文的方法能够在有限的服务资源情况下保持服务请求的公平性,缓解高优先级服务请求的时延及时延抖动性,同时能在一定程度上满足用户的个性化需求.