[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

技術領域

本發明屬于軟件可靠性預測領域，可用于軟件可靠性方面的預測，具體是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。

背景技術

隨著信息技術的不斷發展，計算機軟件得到了長足的發展和廣泛的應用。但是由于計算機系統所處環境存在不可控性，常常會由于用戶的錯誤操作而誘發軟件中潛在的錯誤進而導致系統失效，嚴重威脅人們的生命和財產安全。因此人們對高質量軟件的需求越來越迫切，而作為軟件質量重要指標的軟件可靠性，成為了人們所關注的焦點。

軟件可靠性理論發展至今，已經誕生了大量的模型以及變種。傳統的模型往往基于假設而建立，這就導致模型僅僅適用于特定的場合。隨著人工智能技術的不斷發展，神經網絡作為機器學習領域的一種重要方法，由于具有自適應和學習功能，而且在使用時只需要給定足夠多的訓練數據進行訓練，就可以得到一個較傳統模型來說比較理想的預測模型，這些優點使它成為軟件可靠性預測領域的新寵。然而任何單一模型進行預測時，往往隱藏著不健壯的特性，在某些情況下單個模型會不適應軟件工程項目的細微變化而使預測誤差急劇增加，而且由于神經網絡自身存在的過擬合等缺點，使得在使用單一模型進行預測時往往存在諸多問題。

神經網絡集成由Hansen和Salamon于1990年正式提出。Hansen和Salamon實驗證明，通過使用多個神經網絡對同一問題進行學習，然后將他們的預測結果進行合成，可以有效地提高神經網絡的泛化能力。因此本發明提出了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，通過基于距離代價函數的k值優化算法來解決聚類算法中聚類個數需要人工設定的問題，并通過建立基于模糊神經網絡的動態權重模型來解決神經網絡集成的輸出問題。

發明內容

本發明提出了一種選擇性動態權重神經網絡集成的軟件可靠性預測方法，以克服單一神經網絡模型預測時存在的不健壯性和過擬合等問題。

選擇性動態權重神經網絡集成軟件可靠性預測方法主要包括以下四個步驟：

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。；