[發(fā)明專(zhuān)利]一種面向深度學(xué)習(xí)模型的測(cè)試輸入選擇方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010434518.1
• 申請(qǐng)日: 2020-05-21
• 公開(kāi)（公告）號(hào): CN111737110A
• 公開(kāi)（公告）日: 2020-10-02
• 發(fā)明（設(shè)計(jì)）人: 陳俊潔;吳卓;王贊;尤翰墨;閆明
• 申請(qǐng)（專(zhuān)利權(quán)）人: 天津大學(xué)
• 主分類(lèi)號(hào): G06F11/36
• 分類(lèi)號(hào): G06F11/36;G06K9/62;G06N3/08;G06N3/04
• 代理公司: 天津市北洋有限責(zé)任專(zhuān)利代理事務(wù)所 12201
• 代理人: 李素蘭

1.一種面向深度學(xué)習(xí)模型的測(cè)試輸入選擇方法，其特征在于，該方法包括以下步驟：

步驟一，基于Keras和TensorFlow深度學(xué)習(xí)框架進(jìn)行聚類(lèi)特征的提取，將學(xué)習(xí)框架的最后一個(gè)神經(jīng)網(wǎng)絡(luò)隱藏層的輸出作為聚類(lèi)特征；

步驟二、基于步驟一所提取出的聚類(lèi)特征，對(duì)整個(gè)原始測(cè)試集進(jìn)行聚類(lèi)，以區(qū)分具有不同測(cè)試能力的測(cè)試輸入，采用hdbscan 0.8.22進(jìn)行聚類(lèi)操作，具體聚類(lèi)過(guò)程為：將HDBSCAN中的兩個(gè)參數(shù)分別設(shè)置為：簇中最少樣本數(shù)min_cluster_size設(shè)為80，核心點(diǎn)領(lǐng)域范圍內(nèi)最少樣本數(shù)min_samples設(shè)為4；首先構(gòu)造一個(gè)加權(quán)圖，其中數(shù)據(jù)點(diǎn)是頂點(diǎn)，任意兩個(gè)點(diǎn)之間都有一條邊，其權(quán)重等于兩個(gè)點(diǎn)之間的相互可達(dá)距離；然后，HDBSCAN通過(guò)普里姆算法構(gòu)建加權(quán)圖的最小生成樹(shù)，根據(jù)最小生成樹(shù)，通過(guò)按距離的升序?qū)?shù)的邊緣進(jìn)行排名，并通過(guò)為每個(gè)邊創(chuàng)建新的合并簇進(jìn)行迭代，將完全連通的圖轉(zhuǎn)換為連通組件的層次結(jié)構(gòu)；接下來(lái)，根據(jù)最小群集數(shù)將其分解為較小的樹(shù)，最小群集數(shù)即HDBSCAN的一個(gè)參數(shù)即min_cluster_size；最后，通過(guò)計(jì)算每個(gè)簇的穩(wěn)定性得分，提取出穩(wěn)定的聚類(lèi)簇；

步驟三、使用MMD-critic算法在每一簇中進(jìn)行測(cè)試用例的選擇，具體計(jì)算過(guò)程為：計(jì)算原型分布P和整個(gè)簇分布G之間的差異MMD，表達(dá)式如下：

根據(jù)原型分布P和整個(gè)簇分布G之間的差異MMD進(jìn)行原型的選擇，所選原型與整個(gè)簇之間具有最小差異；

步驟四、使用Adaptive Random進(jìn)行少數(shù)空間的探索，具體過(guò)程為：根據(jù)HDBSCAN聚類(lèi)算法提供的_scores_值對(duì)少數(shù)空間中的測(cè)試輸入進(jìn)行排名，取_scores_值最大的測(cè)試輸入作為自適應(yīng)隨機(jī)選擇的第一個(gè)測(cè)試輸入，計(jì)算未選擇的測(cè)試輸入與每個(gè)已選擇的測(cè)試輸入之間的歐式距離d，表達(dá)式如下：

其中，U和S分別代表未選擇的測(cè)試輸入的集合和已選擇的測(cè)試輸入的集合，x和y分別代表未選擇的測(cè)試輸入和已選擇的測(cè)試輸入，EucDist(x,y)代表計(jì)算兩個(gè)測(cè)試輸入之間的歐幾里得距離；

使用最小距離作為未選擇的測(cè)試輸入與已選擇的測(cè)試輸入之間的距離；然后，選擇距離最大的測(cè)試輸入，并將已選擇的測(cè)試輸入作為下一個(gè)測(cè)試輸入。