[發明專利]基于灰色廣義回歸神經網絡的小樣本軟件可靠性預計方法

無效

• 申請號: 201010602453.3
• 申請日: 2010-12-23
• 公開（公告）號: CN102073586A
• 公開（公告）日: 2011-05-25
• 發明（設計）人: 吳玉美;楊日盛;陸民燕
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06F11/36
• 分類號: G06F11/36;G06N3/00
• 代理公司: 北京永創新實專利事務所 11121
• 代理人: 趙文利

1.基于灰色廣義回歸神經網絡的小樣本軟件可靠性預計方法，其特征在于，包括以下幾個步驟：

步驟一：收集測試數據；

通過軟件可靠性增長測試，收集測試數據t_i為失效時間，C_i為測試覆蓋率，N_i為累計失效數，i＝1，…，N，N為收集到的測試數據的數目；

步驟二：確定失效時間數據和測試覆蓋率數據的分布；

將測試數據中的失效時間和測試覆蓋率分別看作一維隨機序列，首先用概率圖法確定各一維隨機序列的概率分布類型，確定概率分布類型后，使用最小二乘法確定各一維隨機序列各自所服從分布的分布參數；

步驟三：使用改進的Bootstrap方法擴充數據；

根據步驟二所獲得的失效時間和測試覆蓋率各自所服從的具體的概率分布，隨機抽樣產生與原數據具有相同統計規律的仿真失效時間數據和仿真測試覆蓋率數據，仿真失效時間數據和仿真測試覆蓋率數據分別與原始的失效時間和測試覆蓋率數據合并后獲得擴充失效時間數據和擴充測試覆蓋率數據，擴充后失效時間數據為擴充后測試覆蓋率數據為其中M為擴充后樣本容量，M≥N，然后，采用經驗分布函數的方法構造擴充的失效時間-不可靠度曲線和擴充的測試覆蓋率-不可靠度曲線，最后，根據這兩條曲線，先將不可靠度乘以總的累計失效數轉化為對應的累計失效數，得到擴充的累計失效數數據構造擴充的失效時間、測試覆蓋率和累計失效數的三維曲線，三維曲線上的數據點集即為擴充的測試數據；

步驟四：使用灰色預測模型GM(1，1)對數據進行處理；

使用灰色預測模型GM(1，1)對步驟三所得的擴充的累計失效數數據進行處理，獲得累計失效數數據的灰色模型預計序列得到規律的擴充測試數據

步驟五：建立廣義回歸人工神經網絡；

首先確定網絡的輸入和輸出，將失效時間t_i和測試覆蓋率C_i作為網絡的輸入向量，相應的累計失效數N_i作為目標向量，建立2個輸入單元、1個輸出單元的廣義回歸神經網絡，根據經驗確定網絡的初始參數值；

步驟六：訓練廣義回歸神經網絡；

使用規律的擴充測試數據對所建立的神經網絡進行訓練，輸入向量集合為相應的目標向量集合為將輸入向量和目標向量進行歸一化處理，然后輸入網絡對其進行訓練，采用留一交叉驗證法訓練神經網絡，共需進行M輪訓練；

步驟七：利用訓練好的神經網絡進行預計；

將需要預計的點處的失效時間t₀和測試覆蓋率C₀作為輸入向量輸入網絡，網絡輸出值N₀即為對應的累計失效數的預計值。

2.根據權利要求1所述的基于灰色廣義回歸神經網絡的小樣本軟件可靠性預計方法，其特征在于，所述的步驟六中，神經網絡的初始參數值為默認初始值。

3.根據權利要求1所述的基于灰色廣義回歸神經網絡的小樣本軟件可靠性預計方法，其特征在于，所述的步驟六中留一交叉驗證法訓練神經網絡具體為，首先在每一輪的交叉訓練過程中用循環的方法根據訓練中網絡收斂速度和誤差精度要求，在經驗解空間中不斷調整網絡參數擴展速度的值，直到得到最優效果的神經網絡，即此時網絡在驗證數據集上的預測值與期望值之間的均方誤差逼近于0；然后，M輪交叉訓練所得的M個神經網絡中選取在驗證數據集上的預測值與期望值之間的均方誤差最小的網絡作為所得到的最優網絡；最后，判斷此最優網絡是否達到預期的預測精度要求，若達到預期的精度要求則將此最優網絡作為訓練好的神經網絡；否則，需要調整神經網絡的結構或參數經驗解空間的范圍并重新建立和訓練神經網絡。