[發明專利]一種基于選擇性動態權重神經網絡集成的軟件可靠性預測方法

有效

• 申請號: 201310276933.9
• 申請日: 2013-07-03
• 公開（公告）號: CN103294601A
• 公開（公告）日: 2013-09-11
• 發明（設計）人: 李克文;趙康
• 申請（專利權）人: 中國石油大學（華東）
• 主分類號: G06F11/36
• 分類號: G06F11/36;G06N3/02
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于選擇性動態權重神經網絡集成的軟件可靠性預測方法，其特征在于，包括以下步驟：?

A.生成神經網絡個體：選取Elman神經網絡作為網絡個體，通過Bagging算法產生n個神經網絡個體；?

B.個體優選：對生成的神經網絡個體，首先通過K值優化算法確定聚類個數，然后通過K-均值聚類算法對神經網絡個體進行聚類來增大個體差異，最終將聚類后的個體進行集成；?

C.動態模型建立：利用優選個體擬合數據的誤差，構建基于模糊神經網絡的動態權重模型；?

D.集成輸出：將優選個體的預測結果與動態權重模型生成的權重相結合生成最終預測結果；?

進一步，在上述步驟A中結合Elman神經網絡，并利用Bagging算法進行個體的生成，具體包括以下主要步驟：?

1）給定原始訓練集X=(x₁,y₁),(x₂,y₂),(x₃,y₃)…(x_n,y_n)，其中n為原始訓練集的容量，訓練的最大迭代次數為T，初始神經網絡集成E為空集；?

2）初始化訓練集采用Bootstrap重采樣方法抽取m個訓練樣本組成子訓練集X_t；?

3）通過訓練集X_t訓練t個神經網絡h_t；?

進一步，在上述步驟B中利用生成的神經網絡個體執行如下步驟：?

1）將每個神經網絡個體在訓練集上的輸出結果（其中m為訓練輸出樣本點的個數），組成矩陣Y(y₁,y₂,…,y_n)，然后對矩陣Y進行聚類分析；?

2）對k=1,2,…,T循環：?

（1）通過K-均值聚類算法將矩陣Y分為k組；?

（2）計算當前k值下的錯誤!不能通過編輯域代碼創建對象；?

3）搜尋1到T之間距離代價最小值錯誤!不能通過編輯域代碼創建對象；?

4）使用k值對矩陣Y進行聚類，在每簇數據中選擇擬合精度最高的個體作為候選個體，一共產生k個神經網絡個體；?

進一步，在上述步驟C中利用優選后的神經網絡個體執行如下步驟：?

1）用訓練好的k個神經網絡對訓練樣本數據進行預測，分別求出錯誤!不能通過編輯域代碼創建對象，錯誤!不能通過編輯域代碼創建對象，錯誤!不能通過編輯域代碼創建對象；?

2）建立基于模糊神經網絡的動態權重模型，三個輸入分別為第i個預測模型在t時刻的?相對誤差絕對值為e_i(t)，第i個預測模型在t時刻以及前k-1時刻的相對誤差絕對值的平均記為E_i(t)，第i個預測模型在t時刻的相對誤差絕對值的變化率c_i(t)，輸出為e_i(t+1)，對模型進行訓練；?

3）使用測試數據作為動態權重輸入，預測網絡個體在不同時刻的相對誤差絕對值錯誤!不能通過編輯域代碼創建對象。，由錯誤!不能通過編輯域代碼創建對象。便可以計算出t時刻第i個模型的權重為：錯誤!不能通過編輯域代碼創建對象。，其中，錯誤!不能通過編輯域代碼創建對象；?

4）用訓練好的m個模型對測試數據進行預測，使用第3)步得到的權值與預測結果進行加權集成，最終神經網絡集成預測模型預測結果為：錯誤!不能通過編輯域代碼創建對象。?