基于神经网络组合模型的软件可靠性评估研究

合集下载

基于神经网络的一种组合预测的构建与应用

型，并在此基础之上，助神经网络对三个模型进行了组合，借构造了一种新的组合预测模型．通过对几种
模型的分析比较，出这种组合预测具有很高的预测精度．得而且，测表明组合模型比单一模型的预测预
更加稳健．
关键词：经网络；神组合预测；回归分析；色预测灰中图分类号：１７Ｏ５文献标识码：Ａ文章编号：６４— ３Ｘ２１）２— ０５— ４１７３０（００００１０
神经网络是由研究大脑和神经系统获得启示而
建立单一预测模型，然后建立三种预测的组合预测
模型．
收稿日期：０９—１０２０２— ３基金项目：国家大学生创新性实验计划支持项目（８０７１）０１４６２．作者简介：杜云飞（９６，河南新乡，１８一）男，人学士，主要从事组合数学与神经网络方面的研究
信息的操作系统．
法的选取，即如何建立恰当的数学模型．随着市场经济的迅猛发展，竞争日趋激烈，预测对各领域越来越
重要，预测模型的研究也随之迅速发展起来．本文分别以非线性回归、色预测、灰神经网络等建立模型，并在此基础上进行组合预测．
（）一）１一（ｎ；当为其他情况时，
＝

（＿），中Ｅ，差权ｘ；ｊ其＝Ｏ误对ｋ
＝．
并依据该方程进行预测．回归分析法是定量预测方法之一，包括线性回归和非线性回归，它依据的是事物内部的发展规律，所以比较精确，本文选取的是非

一种基于神经网络的网络流量组合预测模型

ｎｕａｅｗｏｋｈｒｕｈｏｅｓｐａｄｍｕｔｓｐｐｅｉｔｎｓｍｕａｏｓｏｆｒｎｉｄｆｔ￣ｃｒｓｅｔｅｙｔｉｖｒｅｅｒｌｎｔｒ．Ｔｏｇｎ — ｔｌｉｔｒｄｃｉｉｌｔｎｎｄｅｅｔｎｓｏａｅｐｃｉｌ，ｉｓｅｆｅｎ —ｅｏｉｉｋｒｖｉｄｉｔａｈｏｉｅｄｅａｒｄｃｒｒｃｓｌｈｎｔｅｉｄｖｄａｄｅ．ｈｔｔｅｃｍｂｎｄｍｏｌｎｐｅｉｔｍｏｐｅｉｙｔａｎｉｕｍｏ１Ｃｅｅｈｉｌ
果通过ＢＰ神经网络合成为最终预测结果。通过对不同流量的一步预测和多步预测仿真，证了组验
合模型比单一模型具有更高的预测精度。关键词：流量；关；平稳；经网络；测相非神预中图分类号：Ｎ１．ｌＴ９５０文献标识码：ＡＣｏｍｂｎｄｐｅｉｔｎｍｏｅｆＩｔｒｅｒｆｃｂｓｄｏｅｒｌｎｔｒｉｅｒｄｃｉｄｌｏｎｅｎｔｔａｏｉａｅｎｎｕａｅｗｏｋ
（ｅｒｅｗｒ）ｎｄＥｍＮｗｒｕｅｅｐｃｉｌｔｍａｅｐｅｉｉ．Ｔｅｆ，ｔｅｃｒｌｏｄｎｎｓｔｎｒＮｕａＮｔｏｋｌａｌａＮｅｅｓｄｒｅｔｅｏｋｒｃｏｈｒｏｈｏｅａｎａｏ —ａｏａｎｓｖｙｄｔｎｅｒｅｒｔｎｉｔｉｙ

数学建模论文题目优选专业题目128个

数学建模论文题目优选专业题目128个1. 基于偏最小二乘法的回归模型研究2. 城市道路网优化设计模型研究3. 基于多元时间序列的股票价格预测模型4. 基于PCA的图像压缩算法研究5. 基于神经网络的手写数字识别模型研究6. 基于逻辑回归的信用评分模型研究7. 基于多元回归的考试成绩预测模型8. 基于分层抽样的调查数据分析模型研究9. 基于粒子群算法的车辆路径规划模型10. 基于高斯混合模型的人脸识别模型研究11. 基于时间序列的气象预测模型研究12. 基于模糊数学的交通运输成本评价模型13. 基于Bayesian模型的风险管理模型研究14. 基于熵权法的供应链绩效评价模型研究15. 基于人工神经网络的物流配送路径规划模型16. 基于聚类分析的消费者购物行为模型研究17. 基于ARIMA模型的股票价格预测研究18. 基于线性规划的资源优化配置模型研究19. 基于灰色关联分析的品牌效应评价模型20. 基于神经网络的信用卡欺诈检测模型研究21. 基于分类决策树的客户流失预测模型22. 基于支持向量机的情感分类模型研究23. 基于聚类分析的企业竞争战略研究24. 基于随机森林算法的文本分类研究25. 基于多元回归的商品价格预测模型研究26. 基于模糊层次分析法的公共设施优化布局模型27. 基于BP神经网络的电网负荷预测模型研究28. 基于熵增资金流动模型的投资组合优化研究29. 基于支持向量机的时序自然语言处理模型研究30. 基于贝叶斯网络的风险评估模型研究31. 基于特征选择的糖尿病研究模型32. 基于ARMA-GARCH模型的黄金价格预测研究33. 基于随机森林算法的房价预测模型研究34. 基于半监督学习的数据建模方法研究35. 基于神经网络的新闻情感分析模型研究36. 基于多元回归的用户购买意愿预测研究37. 基于主成分分析法的医学数据挖掘模型研究38. 基于熵增二次规划的环保决策模型研究39. 基于支持向量机的产品缺陷分析模型研究40. 基于遗传算法的旅游路线规划模型研究41. 基于BP神经网络的房产估价模型研究42. 基于多元线性回归的企业税收影响因素研究43. 基于LDA主题模型的新闻推荐模型研究44. 基于半监督学习的文本分类方法研究45. 基于动态规划的优化管理模型研究46. 基于人工神经网络的汽车质量控制模型研究47. 基于SVM的留学生综合评价模型研究48. 基于熵权法的企业绩效评价模型研究49. 基于色彩分类的图像检索模型研究50. 基于PCA的公司财务分析模型研究51. 基于最小二乘法的时序预测模型研究52. 基于BP神经网络的信用风险评估模型研究53. 基于ARIMA模型的国际贸易数据预测研究54. 基于分层抽样的公共政策效果评价模型研究55. 基于遗传算法的网络优化模型研究56. 基于Logistic回归的客户流失模型研究57. 基于主成分回归的能源消费预测模型研究58. 基于熵增多目标规划的医院资源配置模型研究59. 基于LSTM的短期气温预测模型研究60. 基于支持向量机的销售预测模型研究61. 基于偏最小二乘法的时间序列分析模型研究62. 基于线性规划的物流成本控制模型研究63. 基于粒子群算法的生产排程问题研究64. 基于K-Means算法的用户购物行为分析模型研究65. 基于BP神经网络的就业市场预测模型研究66. 基于多元回归的房价分析模型研究67. 基于PCA-LDA算法的股票投资组合优化研究68. 基于熵增法的金融客户信用评估模型研究69. 基于ARIMA模型的出口贸易预测研究70. 基于主成分回归的汽车销售预测研究71. 基于支持向量机的客户信贷风险评估模型研究72. 基于自回归模型的煤矿生产数据分析模型研究73. 基于半监督学习的文本聚类算法研究74. 基于偏最小二乘法的多元时间序列预测模型研究75. 基于数据挖掘的酒店客户消费分析模型研究76. 基于BP神经网络的固定资产折旧预测模型研究77. 基于LSTM的外汇汇率预测模型研究78. 基于GARCH模型的期货价格波动预测研究79. 基于随机森林算法的个人信用评估模型研究80. 基于分层抽样的医院评价模型研究81. 基于主成分回归的员工绩效评价模型研究82. 基于特征选择的电商商品分类预测研究83. 基于组合多目标规划的供应链资源配置模型研究84. 基于支持向量机的农村扶贫模型研究85. 基于因子分析法的股票投资风险评估模型研究86. 基于熵权法的环境效益评价模型研究87. 基于ARMA-GJR模型的期权价格波动预测研究88. 基于线性规划的房地产项目开发决策模型研究89. 基于支持向量机的人体姿势识别模型研究90. 基于逻辑回归的疾病风险评估模型研究91. 基于随机森林算法的人群画像建模研究92. 基于特征选择的电商用户购买行为模型研究93. 基于主成分回归的债券价格预测研究94. 基于半监督学习的视频分类方法研究95. 基于GARCH模型的黄金价格波动预测研究96. 基于线性规划的物流配送网络优化模型研究97. 基于神经网络的推荐系统算法研究98. 基于多元回归的城市房价分析模型研究99. 基于决策树的产品质量评估模型研究100. 基于熵增的生态系统评价模型研究101. 基于ARMA-GARCH模型的汇率波动预测研究102. 基于偏最小二乘法的长期股票价格预测模型研究103. 基于支持向量机的广告点击率预测模型研究104. 基于最小二乘法的用户行为分析模型研究105. 基于主成分分析的国际贸易影响因素研究106. 基于熵权法的固体废物处置模型研究107. 基于BP神经网络的猪价预测模型研究108. 基于多元回归的医疗保险费用预测模型研究109. 基于半监督学习的语义分析方法研究110. 基于GARCH模型的股票市场风险度量研究111. 基于多元回归的房屋安全预测模型研究112. 基于主成分回归的银行收益预测模型研究113. 基于支持向量机的人脸识别模型研究114. 基于逻辑回归的考生录取预测模型研究115. 基于随机森林算法的股票涨跌预测模型研究116. 基于线性规划的生产物流系统优化研究117. 基于支持向量机的非线性预测模型研究118. 基于LSTM的股票走势预测模型研究119. 基于因子分析法的环保技术影响因素分析研究120. 基于聚类分析的电商平台用户行为分析研究121. 基于人工神经网络的物流配送路线优化模型研究122. 基于多元回归的房产投资模型分析研究123. 基于主成分回归的教育支出预测研究124. 基于熵增的商业银行绩效评价模型研究125. 基于遗传算法的能源资源优化配置模型研究126. 基于半监督学习的情感分类方法研究127. 基于GARCH模型的商品期货价格波动研究128. 基于支持向量机的房地产投资风险评估模型研究。

组合模型在软件可靠性预测中的建模与仿真

ｗａｅｒｌａｉｉｒｅｉｂｌｔＩｒｅｏｉｒｖｈｅｃｉｎｐｅｉｉｎｏｏｔｒｅｉｂｌｙ，ｔｉａｅｒｓｎｓａｃｍｂｎｔｏｙ．ｎｏｄｒｔｍｐｏｅｔｅｐｒｄｉｔｏｒｃｓｏｆｓｆｗａｅｒｌａｉｉｔｈｓｐｐｒｐｅｅｔｏｉａｉｎｐｒｄｉｔｏｏｌｂｓｄｏｎｒｐｅｈｄ．Ｆｉｓ，ｔｅｍｏｅｅｒｎｉｌｃｍｐｏｅｔａａｙｉｏｅｉｎｔｈｅｍｕｌ — ｅｃｉｎｍｄｅａｅｎｅｔｏｙｍｔｏｒｔｈｄｌｕｓｄｐｃｐａｏｉｎｎｎｌｓｓｔｌｍｉａｅｔｔｉ
ｐｅｌｅｒａｎｈｏｔａｅｒｌｂｌｙｆｃｏｓａｄａｃｌｒｔｅｒｉｇｓｅｄｌｉａｍｏｇｔｅｓｆｒｅｉｉｔａｔｒｎｃｅｅａｅｌａｎｎｐｅ．ＴｅｄｌａｄＲＢｅｒｌｎｔｎｗａｉｈｎＡＲｍｏｅｎＦｎｕａｅ — ｗｒｅｅｒｓｅｔｅｙｕｅｏｐｅｉｔｔｅｓｆａｅｒｌｂｌｙＬｓｌｏｋｗｒｅｐｃｉｌｓｄｔｒｄｃｈｏｔｒｅｉｉｔ．ａｔｖｗａｉｙ，ｅｔｏｙｍｅｈｄｗｓｕｅｏｄｔｒｎｈｎｒｐｔｏａｓｄｔｅｅｍｉｅｔｅｗｉｈｓｏｗｄｌ，ｔｅｅｙｔｅｓｆｒｅｉｂｌｙｐｅｉｔｎｒｓｌｒｂａｎｄｆｏｔｅｃｍｉａｉｎｆｒｃｔｅｇｔｆｔｏｍｏｅｓｈｒｂｈｏｔｅｒｌｉｔｒｄｃｉｅｕｔｗｅｅｏｔｉｅｒｍｈｏｂｎｔｏｅａｗａａｉｏｓｏｓｍｏｅ．ＵｉｇＮＡ’ ｓｆｒｔｃｄｔｅｔｈｄｌｒｄｃｉｎｐｒｒａｃ，ｔｅｒｓｌｈｗｔａｈｏｉｄ１ｓｎＡＳＳｏｗａｅｍｅｒａａｔｔｓｔｅｍｏｅｅｉｔｅｆｍｎｅｈｅｕｔｓｏｈｔｅｃｍｂ・ｔｉｏｐｏｏｓｔｎｔｎｐｅｉｔｎｍｏｅｃｎｉｒｖｏｗａｅｒｌｉｔｒｄｃｉｎａｃｒｃｂｉｕｌａｉｒｄｃｉｄｌａｍｐｏｅｓｆｒｅｉｌｙｐｅｉｔｃｕａｙｏｖｏｓｏｏｔｂａｉｏｙ，ａｄｉｆａｉｌｒｓｆｒｅｎｅｓｅｆｏｔｅｒ — ｓｂｏｗａ

基于神经网络的数字预失真模型验证

基于神经网络的数字预失真模型验证数字预失真（Digital Pre-Distortion，简称DPD）技术是一种用来抵消无线通信系统中功率放大器产生的非线性失真的方法。

它能提高无线信号传输质量，降低功耗，并且能够适应复杂的通信场景。

神经网络是一种强大的工具，能够在模型训练和预测中发挥重要作用。

本文将探讨基于神经网络的数字预失真模型验证方法。

一、数字预失真技术简介数字预失真技术通过引入逆模型，对信号进行预处理，使功放输出的信号与原始信号尽可能保持线性关系。

这种方法能够降低功率放大器非线性失真带来的误码率增加、功耗增加等问题。

二、神经网络在数字预失真中的应用神经网络是一种用于模式识别和函数逼近的算法，具有强大的非线性建模能力。

在数字预失真中，神经网络可以通过学习输入和输出之间的关系，生成一个功能强大的预失真模型。

1. 数据集准备为了训练神经网络，我们需要准备一组带有已知输入和输出的样本数据。

这组数据应当包含大量的不同输入和输出组合，以便神经网络能够学习到各种不同情况下的预失真关系。

2. 网络结构设计根据预失真系统的需求，我们可以设计不同种类的神经网络结构。

例如，可以选择多层感知机（Multilayer Perceptron，简称MLP）结构，也可以选择卷积神经网络（Convolutional Neural Network，简称CNN）结构。

3. 模型训练使用准备好的数据集和设计好的网络结构，我们可以对神经网络进行训练。

训练过程中，神经网络会不断调整自身的参数，以使得输入和输出之间的误差尽可能小。

4. 模型验证训练完成后，我们需要对神经网络进行验证，以评估其在未知数据上的性能。

通常会将一部分数据从训练集中分离出来作为验证集，用于评估神经网络的泛化能力。

三、数字预失真模型验证的意义与挑战数字预失真模型验证是保证预失真系统性能的重要环节。

通过验证，可以确保预失真模型的准确性和可靠性，提高整个系统的性能。

1. 意义数字预失真模型验证可以帮助我们确定预失真系统的设计是否满足要求，是否能够在实际应用中有效降低功放带来的非线性失真。

基于神经网络的多目标优化算法研究

基于神经网络的多目标优化算法研究引言随着人工智能的快速发展，神经网络作为一种强大的模型已成为多领域研究的焦点。

多目标优化是现实应用中的常见问题之一，传统的优化算法在解决多目标问题时常常面临着效率低下和解的精度问题。

因此，基于神经网络的多目标优化算法的研究变得尤为重要。

本文将对基于神经网络的多目标优化算法进行研究和总结，包括网络结构设计、训练策略和应用案例。

章节一：神经网络在多目标优化中的应用概述本章节首先介绍神经网络在多目标优化中的应用场景，包括资源分配、路径规划和组合优化等。

接着，介绍传统的多目标优化算法存在的问题，并分析神经网络在解决多目标优化问题中的优势。

最后，提出本文的研究目标和内容。

章节二：基于神经网络的多目标优化算法设计本章节介绍基于神经网络的多目标优化算法的设计。

首先，详细介绍神经网络的基本原理和常用的网络结构，包括多层感知机、卷积神经网络和循环神经网络等。

接着，讨论在多目标优化中使用的目标函数的设计方法。

最后，针对不同的多目标优化问题，提出相应的神经网络模型设计策略，包括网络深度、神经元数量和激活函数的选择等。

章节三：基于神经网络的多目标优化算法训练策略本章节介绍基于神经网络的多目标优化算法的训练策略。

首先，讨论数据集的采集和处理方法，包括数据预处理、特征选择和数据平衡等。

接着，介绍常用的神经网络训练方法，包括反向传播算法、梯度下降算法和遗传算法等。

最后，探讨如何有效评估和优化训练结果，提高算法的性能和泛化能力。

章节四：基于神经网络的多目标优化算法的应用案例本章节选取几个典型的应用案例，介绍基于神经网络的多目标优化算法在实际问题中的应用。

案例包括电力系统调度、物流路径规划和金融投资组合优化等。

通过具体的案例分析，验证了基于神经网络的多目标优化算法的有效性和实用性。

结论本文对基于神经网络的多目标优化算法进行了深入研究和总结。

通过网络结构设计、训练策略和应用案例的探讨，揭示了基于神经网络的多目标优化算法在解决实际问题中的潜力和优势。

基于神经网络的预测模型的比较研究

Ｃｏｐａａｉｅｒｓａｃｎｆｒｃｓｉｏｌａｅｎｍｒｔｖｅｅｒｈｏｏｅａｔｎｇｍｄｅｓｂｓｄｏ
ｎｕａｔｒｓｅｒｌｎｅｗｏｋ
ＬＵＸｕ，ＹＵＧｕ－ｉｎＩｏｘａｇ，ＳＨＥＮＸｉｉｇ－ｎｔ
基于神经网络的预测模型的比较研究
刘旭于国祥沈西挺，，
（．１河北工业大学计算机软件学院，天津３０３２航天科工集团八三五七所，０１０；．天津３０４）０１１
摘
要：随着经济预测、电力预测等各种预测的兴起，预测对各种领域的重要性开始显现。针对在建立预测模
ｐｅ，ｈｃｕａｙｏｏｏｅａｔｎｏｌｓｔｓｅｉｔｅａｃｒｃｆｓｍｅｆｒｃｓｉｇｍｄｅｓｉｅｔｄ．Ｔｈｒｄｃｉｎｒｓｌｓｓｏｔｔｉｏｅａｔｎｒｃｓｏｅｐｅｉｔｅｕｔｈｗｈａｔｆｒｃｓｉｇｐｅｉｉｎｏｓ
ｎｔｏｋａｅｉｔｏｕｅｅｒｒｎｒｄｃｄ．Ｂｅｉｅ，ｈｏｒｓｏｄｎｄａｔｇｓａｄｄｓｄａｔｇｓｏｈｍｒｕｍａｉｅｎｗｓｄｓｔｅｃｒｅｐｎｉｇａｖｎａｅｎｉａｖｎａｅｆｔｅａｅｓｍｒｚｄａｄ
ｉｓａｐｉａｌｃｐｅｉｌｏｉｔｏｕｅＴｋｎａｅｏｕｆａｃｒｂｔｅｙｆｃｏｎｒｃｎｅｒｓｔｘｍ— ｔｐｌｃｂｅｓｏｓａｓｎｒｄｃｄ．ａｉｇｓｌｓｖｌｍｅｏａａｔｒａｔｒｉｅｅｔｙａｓａｈｅｅａｙ

基于神经网络专家系统的研究与应用

摘要现代化的建设需要信息技术的支持，专家系统是一种智能化的信息技术，它的应用改变了过去社会各领域生产基层领导者决策的盲目性和主观性，缓解了我国各领域技术推广人员不足的矛盾，促进了社会的持续发展。

但传统专家系统只能处理显性的表面的知识，存在推理能力弱，智能水平低等缺点，所以本文引入了神经网络技术来克服传统专家系统的不足，来试图解决专家系统中存在的关系复杂、边界模糊等难于用规则或数学模型严格描述的问题。

本文采用神经网络进行大部分的知识获取及推理功能，将网络输出结果转换成专家系统推理机能接受的形式，由专家系统的推理机得到问题的最后结果。

最后，根据论文中的理论建造了棉铃虫害预测的专家系统，能够准确预测棉铃虫的发病程度，并能给用户提出防治建议及措施。

有力地说明了本论文中所建造的专家系统在一定程度上解决了传统专家系统在知识获取上的“瓶颈”问题，实现了神经网络的并行推理，神经网络在专家系统中的应用具有较好的发展前景。

关键词神经网络专家系统推理机面向对象知识获取AbstractModern construction needs the support of IT, expert system is the IT of a kind of intelligence, its application has changed past social each field production subjectivity and the blindness of grass-roots leader decision-making, have alleviated the contradiction that each field technical popularization of our country has insufficient people, the continued development that has promoted society. But traditional expert system can only handle the surface of dominance knowledge, existence has weak inference ability, intelligent level is low, so this paper has led into artificial neural network technology to surmount the deficiency of traditional expert system, attempt the relation that solution has in expert system complex, boundary is fuzzy etc. are hard to describe strictly with regular or mathematics model. This paper carries out the most of knowledge with neural network to get and infer function , changes network output as a result into expert system, inference function the form of accepting , the inference machine from expert system gets the final result of problem. Finally, have built the expert system of the cotton bell forecast of insect pest according to the theory in this thesis, can accurate forecast cotton bell insect become sick degree, and can make prevention suggestion and measure to user. Have proved on certain degree the expert system built using this tool have solved traditional expert system in knowledge the problem of " bottleneck " that gotten , the parallel inference that has realized neural network, Neural network in expert system application has the better prospect for development.Key words Neural network Expert system Reasoning engineObject-orientation Knowledge acquisition目录摘要 (I)Abstract (II)第1章绪论 (1)1.1 论文研究的背景 (1)1.1.1 国内外研究现状 (1)1.1.2 专家系统在开发使用中存在的缺点 (2)1.1.3 神经网络的局限性 (3)1.2 论文研究的主要内容 (3)1.3 论文研究的目标及意义 (4)1.4 论文的组织结构和安排 (4)第2章神经网络和专家系统的基本理论 (5)2.1 神经网络的基本理论 (5)2.1.1 神经网络的概述及工作原理 (5)2.1.2 神经网络的基本特征及优点 (6)2.1.3 BP神经网络模型 (8)2.1.4 BP网络结构设置 (10)2.2 专家系统的基本理论 (12)2.2.1 专家系统的功能 (12)2.2.2 专家系统的基本结构及组成 (13)第3章基于神经网络专家系统的研究 (16)3.1 神经网络专家系统整体设计 (16)3.1.1 神经网络专家系统总体结构 (16)3.1.2 神经网络专家系统的组成及功能 (16)3.2 知识表示 (17)3.2.1 传统知识表示方法 (18)3.2.2 面向对象知识表示方法 (19)3.2.3 本论文采用的知识表示方法 (20)3.3 知识获取 (21)3.3.1 知识获取的基本方法 (22)3.3.2 神经网络知识获取方法 (23)3.4 推理机 (25)3.4.1 专家系统推理机制 (25)3.4.2 神经网络专家系统的推理机制 (26)3.5 知识存储与维护更新 (26)3.5.1 神经网络知识存储 (26)3.5.2 神经网络知识维护更新 (27)3.6 用户界面 (27)第4章基于神经网络专家系统的应用 (29)4.1 例子的建造背景 (29)4.2 例子的建造过程 (30)4.2.1 特征因子选择 (30)4.2.2 网络参数配置 (30)4.2.3 样本数据处理 (31)4.2.4 训练网络 (31)4.2.5 网络训练结果分析 (34)4.2.6 专家建议 (34)4.3 例子的结果分析 (34)结论 (36)致谢 (37)参考文献 (38)附录1 外文资料中文翻译 (40)附录2 外文资料原文 (45)第1章绪论1.1 论文研究的背景专家系统(Expert System，缩写ES)是人工智能领域应用研究最活跃的领域之一，日益得到广泛的应用。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

由于神经网络可以用于多种问题领域，在软件可靠性研
１引言
随着软件工业的发展及软件系统的广泛使用，软件的可靠性评估问题越来越引起人们的注意。为了实现对未来失效的预测，提高软件可靠性的预测精度，究人员已经提出研了很多种软件可靠性模型，但是没有一种模型能够适用于所
ｎｔｏｋｔｂａｎｓｔｓａｔｒｅｒｉａｉｎ．Ｔｈｅｕｔｆｅｐｒｍｅｔｓｏｔａｈｅｎｕａｔｏｋｃｍｂｎａｉｎｒｏｅｒｏｏｔｉａｉｆｃｏｙｇｎｅａｚｔｏｗｌｅｒｓｌｓｏｘｅｉｎｈｗｈｔｔｅｒｌｎｅｒｏｉｔｄ・ｗｏｏｅａｆｅｔｅｙｉｒｖｈｅｆｒｃｓｉｇａｃｒｃｆｓｆｒｅｉｉｉｙｌｃｎｅｆｃｉｌｍｐｏｅｔｏｅａｔｎｃｕａｙｏｏｗａｅｒｌａｌｔ．ｖｔｂＫＥＹＷＯｌＤＳ：ｍｂｉｄｍｏｅ；ｕａｔＳｆｒｅｉｂｌｔｓｅｓｎｉＣｏｎｅｄｌＮｅｒｌｎｅ；ｏｔｅｒｌａｉｉｙａｓｓｍｅｔｗａ
ｆｒｆｎｔｎｃｒｅｐｎｉｇｔｈｅｅｔｄｂｓｄ１ｈｅｒｌｎｔｒｏｉａｉｎｍｏｅａｓｍａｌｒｓｚｅｕｃｉｏｒｓｏｄｎｏｔｅｓｌｃｅａｅｍｏｅ．Ｔｅｎｕａｅｗｏｋｃｍｂｎｔｄｌｃｎｕｅａｓｌｅｉｅｏｏ
ＷＡＮＧｏ—Ｚ，ｅＧａＵＬＩＷｉ—ｈａＸＵｎ—ｌｇｕ，Ｙａｉｎ
（．ＳｈｏｏＣｍｐｔ，ｏｈ— ｅｔｏｔｈｉｌｎｖｒｔ，ｉｎＳａｘ７０７，ｈｎ；１ｃｏｌｆｏｕｅＮｒｗｓＰｌｅｎａＵｉｓｙＸ’ ｈｎｉ０２Ｃｉａｒｔｙｃｃｅｉａ１２ＡＩｉｎＦｉｔｕｏａｃＣｎｒｅｅｒｈＩｓｔｔ，ｉｎＳａｘ７０６，Ｃｉａ）．ＶＣＸ’ ｌｈＡｔｔｏｔｌｓａｎｔｕｅＸ’ ｈｎｉ１０５ｈ；ａｇｍｉｏＲｃｉａｎ
究方面，研究人员也开展了基于神经网络的软件可靠性建模
研究，软件的失效数预测方面取得了较好的预测效在
果一。但由于传统的神经网络存在收敛速度慢和易于陷入局部极小问题，限制了神经网络的应用和预测精度的进一
ＡＢＳＲＡＣＴ：ＩｒｅｒｖｅａｃｒｃｆｏｔａｅｒｌｂｌｙｐｅｉｔｎｂｓｄｏｎｌｚｎｅｃａｓｃｏｔＴｎｏｄｒｔｉｏｅｔｃｕａｙｏｆｒｅｉｉｔｒｄｃｉ，ａｅｎａａｙｉｇｔｌｓｉａｓｆｏｍｐｈｓｗａｉｏｈｌ — ｗｒｅｉｂｌｙｍｏｅｓａｄｎｕａｅｒｄ１ｅｒ１ｎｔｏｋｓｆａｅｒｌｉｔｏｉａｉｎｍｏｅｓｐｅｅ — ａｅｒｌｉｔａｉｄｌｎｅｒｌｎｔｋｍｏｅ．ａｎｕａｅｒｏｔｒｅｉｌｙｃｍｂｎｔｄ１ｒｓｎｗｏｗｗｂａｉｏｉ
２．西安飞行自动控制研究所，陕西西安７０６）１０５摘要：在软件可靠性评估问题的研究中，构件存在动态失效的问题。为了提高软件可靠性的预测精度，在分析经典软件可靠性模型与神经网络可靠性模型研究的基础上，采用了一种神经网络组合软件可靠性模型。模型通过构造与所选基模型相适应的传递函数，实现了经典软件可靠性模型和神经网络的有机结合，这种神经网络组合模型可以用较小的网络规模获得满
第２卷第８７期
文章编号：０６—９４（００００７０１０３８２１）８— １
２１年８００月
基于神经网络组合模型的软件可靠性评估研究
王高祖李伟华徐艳玲，，
（．西北工业大学计算机学院，蘸西安７０７；１陕１０２
ｔｄ．Ｔｈｄｅｅｌｚｓｔｏｉａｉｎｏｈｏｔｒｅｉｂｌｙｍｏｌａｅｒｌｎｔｏｋｂｙｃｎｔｕｔｎｈｅｔａｓｅｅｍｏｌｒａｉｅｈｅｃｍｂｎｔｏｆｔｅｓｆｗａｅｒｌａｉｉｄｅｎｄｎｕａｅｔｗｒｏｓｒｃｉｇｔｒｎ－
意的泛化特性。进行仿真的结果表明，神经网络组合模型能够有效提高软件可靠性的预测精度和效率。关键词：组合模型；神经网络；软件可靠性评估
中图分类号：Ｐ９Ｔ３１文献标识码：Ａ
ＲｅｅｒｈｏｏｔｒｌａｌｔｓｓｍｅｔＢａｅｎｓａｃｆＳｆｗａｅＲｅｉｂｉｙＡｓｅｓｎｓｄｏｉＮｅｒｌＮｅｍｂｉａｉｎＭｏｅｕａｔＣｏｎｔｏｄｌ