计算机科学
計算機科學
계산궤과학
Computer Science
2015年
10期
175-179
,共5页
软件可靠性%泛函网络%多模型综合
軟件可靠性%汎函網絡%多模型綜閤
연건가고성%범함망락%다모형종합
Software reliability%Functional networks%Mutil-model Synthesis
将泛函网络引入软件可靠性预测,利用其比神经网络更好的解释性及其他性能,提出了基于泛函网络的软件可靠性多模型综合预测方法.首先阐述了泛函网络的结构和学习过程,然后将多个单一模型的预测值作为泛函网络的输入,将实际值作为输出,建立泛函网络结构,给出了泛函网络的学习算法,制定了3种训练策略,并进行了实验分析.实验结果表明:在第三种训练策略下,基于泛函网络的软件可靠性多模型综合预测方法有较高的预测精度,其预测效果比单个模型和Lyu提出的线性综合模型都好.
將汎函網絡引入軟件可靠性預測,利用其比神經網絡更好的解釋性及其他性能,提齣瞭基于汎函網絡的軟件可靠性多模型綜閤預測方法.首先闡述瞭汎函網絡的結構和學習過程,然後將多箇單一模型的預測值作為汎函網絡的輸入,將實際值作為輸齣,建立汎函網絡結構,給齣瞭汎函網絡的學習算法,製定瞭3種訓練策略,併進行瞭實驗分析.實驗結果錶明:在第三種訓練策略下,基于汎函網絡的軟件可靠性多模型綜閤預測方法有較高的預測精度,其預測效果比單箇模型和Lyu提齣的線性綜閤模型都好.
장범함망락인입연건가고성예측,이용기비신경망락경호적해석성급기타성능,제출료기우범함망락적연건가고성다모형종합예측방법.수선천술료범함망락적결구화학습과정,연후장다개단일모형적예측치작위범함망락적수입,장실제치작위수출,건립범함망락결구,급출료범함망락적학습산법,제정료3충훈련책략,병진행료실험분석.실험결과표명:재제삼충훈련책략하,기우범함망락적연건가고성다모형종합예측방법유교고적예측정도,기예측효과비단개모형화Lyu제출적선성종합모형도호.
