基于SVR的软件可靠性预测模型研究

合集下载

基于SVR的军用装备软件可靠性模型研究

基于SVR的军用装备软件可靠性模型研究
马振宇;张威;吴纬;刘福胜;高飞
【期刊名称】《微电子学与计算机》
【年(卷),期】2018(35)7
【摘要】在软件可靠性建模时,有效的提高可靠性的预测精度,对于指导可靠性测试,提高军用装备软件可靠性具有十分重要的作用.从特种车辆软件测评中心收集了相关数据.将支持向量回归算法应用到军用装备软件的可靠性模型中,并与13种其他机器学习算法模型进行比较.结果表明SVR算法提高了军用软件可靠性预测准确率,分别在均方根误差、平均绝对误差、相对平方根误差、相对绝对误差这四个方面体现出来.
【总页数】6页(P72-77)
【关键词】可靠性测试;缺陷密度;SVR;可靠性预测
【作者】马振宇;张威;吴纬;刘福胜;高飞
【作者单位】装甲兵工程学院;北京特种车辆研究所;中国人民解放军95942部队【正文语种】中文
【中图分类】TP311.5
【相关文献】
1.基于舰载装备军用软件典型的质量评价技术 [J], 徐文元;吉洋;穆晓斌;王媛
2.基于特征分析的军用电子装备仿真训练软件开发环境建模 [J], 卫翔;齐新战;孙春生
3.靶场测试装备应用软件可靠性模型分析方法研究 [J], 邢维艳;张治政;王康相
4.基于优化SVR的军用软件可靠性预测方法 [J], 马振宇; 张威; 吴纬; 韩坤; 刘福胜因版权原因，仅展示原文概要，查看原文内容请购买。

一种基于SVR回归的机场航迹预测方法

信息通信INFORMATION&COMMUNICATIONS2019 (Sum.No199)2019年第7期(总第199期)一种基于SVR回归的机场航迹预测方法林毅(中国民航大学计算机科学与技术学院，天津300300)摘要：文章针对新机场噪音预测问题建立一种利用旧有数据进行预测的机器学习方法。

该方法使用原机场噪声观测记录与其飞行计划建立噪声预测模型，然后使用该模型以及新机场飞行计划预测新机场航迹分布作为噪音预测的基础。

为保证该预测结果准确性，引入交叉验证方法，将预测数据与原有数据混合建立验证模型评估预测准确率。

使用长期机场噪音数据进行的验证实验表明，该方法具有可靠的准确率。

关键词：SVR;回归算法;轨迹预测;机场航道中图分类号:V355文献标识码:A文章编号:1673-1131(2019)07-0058-021概述随着国内各个机场的扩建，飞机噪声对居民的影响也越发受到人们的关注，机场及航班数量的高速增加造成了机场周边居民与机场之间的矛盾。

因此,在新机场建设规划时，必须对新机场可能造成的噪声污染情况进行预测，为新机场的合理规划提供有价值的参考。

目前，使用标准噪音模型是进行机场噪声预测的主流方法，该方法的代表性应用是噪声预测软件INM。

但是该方法并非根据国内机场情况进行设计,也没有有效利用国内航班的历史数据，因此，作为标准模型方法的合理补充，可以使用国内机场的旧有数据利用机器学习方法进行预测。

而在能够影响机场产生噪音分布的各个因素中，航班飞行航迹占有重要的地位。

本文将历史航迹同机场飞行程序建立联系，得到一种能够相对可靠的表达航迹分布的指标，为使用回归方法对航迹分布展开预测提供了基础。

并提出一种基于迁移学习的SVR 支持向量机回归方法，有效减弱了机场数据之间由于航迹分布不同带来的矛盾。

并使用已有机场数据建立模型，将预测目标的相关参数导入该模型，最终得到一种能保存有效信息的迁移学习方法。

2SVR训练机构建及样本修正支持向量机回归SVR(support vector regression)是支持向量机在函数回归上的应用，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。

一种基于PSO-SVR的软件可靠性评估方法

模型对建模数据要求较高，而又存在结构难以确定、学习不足、拟合不足或过拟合以及容易陷入局部极小点等问题，模型本身也过于复杂，训练时间较长。针对上述不足，文提出一种基于粒子群组合本寻优的支持向量回归的软件可靠性评估方法，该方法利用ＰＯ组合寻优的优势，ＳＲ参数进行组合ｓ对Ｖ寻优，寻找最优参数组合。再结合分层聚类算法对原始数据进行预处理，剔除异常数据，使数据在时间域上分布更均匀；利用反馈校正方法对预测值进行校正，以得到更加准确的预测值，从而获得较好的评估结果。
ｖｒｎｎｏｏｔｒｐｌｃｔｏｉｏｍｅｔｆｒｓｆｗａｅａｐｉａｉｎ．
Ｋｅｒｓｏｔｒｅｉｉｔｓｓｍｅｔｍｏｅ；ｖｃｏｅｒｓｉｎ；ｐｒｉｌｗｒｐｍｉｔｎｙｗｏｄ：ｓｆｅｒｌｌｙａｅｓｎｄｌｅｔｒｒｇｅｓｗａｂａｉｓｏａｔｅｓａｌｏｔｚｉｃｎｉａｏ
学习机器置信范围和经验风险的比例，以使学习机器具有最好的推广能力。优的Ｃ根据不同的数据最
维数；和ｃ是学习因子，常取为２ｔｃ：通；ｏ是权重
因子。
为了确保其收敛性，避免基本粒子群优化算法
在解空间内搜索时，子在全局最优解附近 “ 荡 ” 粒振的现象，鉴文献［］的改进方法，借７随着叠代进行，
ｒｅｔｈｂｏａｄｔａｄｃｎｔｃａｓｆａｅｒｌｉｔａｓｓｎｔｏａｅｎＰＯＳＲｘｅｃｔａｎｒｌａａｎｏｓｕｔｏｔｒｅａｌｓｅｓｔｈｄｂｓｄｏＳ・Ｖ．Ｅ — ｊｅｍｒｗｉｉｂｙｍｅｍｅ

基于神经网络的软件可靠性模型共3篇

基于神经网络的软件可靠性模型共3篇基于神经网络的软件可靠性模型1基于神经网络的软件可靠性模型随着计算机技术的发展，软件已经成为了人们生活中不可或缺的一部分。

然而，由于软件开发者可能会疏忽或者存在代码漏洞，软件出现故障的情况时有发生。

软件的故障不仅会给用户带来不便，还可能导致巨大的经济损失，因此如何提升软件的可靠性成为了大家的关注点。

近年来，基于神经网络的软件可靠性模型逐渐成为了研究的热点。

神经网络是一种模拟人脑神经元的计算模型，它由大量的节点和连接线组成，并采用反向传播算法进行训练，以实现对数据的自主分类和预测。

基于神经网络的软件可靠性模型使用神经网络来建模，将软件运行中的数据作为输入，通过训练使其能够准确地预测软件的可靠性。

为了准确预测软件的可靠性，需要选取合适的输入数据。

一般来说，可以从软件的运行日志、编译代码、测试集等方面获得数据。

在选择输入数据之后，需要对数据进行预处理，比如去除异常值、归一化等，以便神经网络更好地学习和预测。

接下来，需要设计神经网络的结构和参数，通常包括输入层、隐藏层和输出层。

其中，输入层的节点数为软件的特征数目；输出层的节点数为软件可靠性的类别数目；隐藏层的节点数根据数据的复杂程度和预测目标而定。

在设计神经网络的结构和参数时，需要使用交叉验证、过拟合检测等方法来评估模型的性能，以确保模型具有较好的泛化能力。

建立基于神经网络的软件可靠性模型的过程需要注意以下几个问题。

首先，需要确保选择的数据质量高，能够反映出软件实际运行中的情况。

其次，需要合理选择神经网络的结构和参数，以确保模型具有较好的性能和泛化能力。

此外，需要合理选择训练方法和评估方法，以确保模型的收敛性和可靠性。

基于神经网络的软件可靠性模型具有许多优点。

首先，它能够自动学习和调整模型参数，使得模型的预测结果更加准确。

其次，它能够应对复杂的软件环境和多变的运行数据，减少人工干预的成本。

同时，基于神经网络的软件可靠性模型具有一定的扩展性，可以通过增加节点或层数等方式进行扩展，以适应更多的软件应用场景。

软件可靠性预计方法研究及实现

软件可靠性预计方法研究及实现摘要：软件可靠性评估可以估计和预计软件可靠性水平, 为了解决软件可靠性预计过程中存在的问题，提出了一种软件可靠性预计方法, 该方法通过分析和改进模型的预计质量来选择模型进行预计，对模型预计质量的分析使用了U图、U图和对数PLR图，再标定法和组合法被用于改进模型的预计质量, 在该方法的基础上开发了软件可靠性分析工具，此工具可以进行多种软件可靠性模型的原始预计、预计质量分析和改进原始模型的预计质量。

引言：在软件的开发过程中，软件的测试和修改是一个不断反复的过程, 什么时候软件达到了要求的可靠性水平从而能够投入使用是一个关键问题,过早地将软件投入使用，可能造成重大事故及损失, 而测试到了一定阶段后，软件可靠性增长缓慢，继续进行测试将是无谓的活动，浪费人力、财力，对于商业软件来说，影响其进入市场的时机，从而造成损失；甚至不能补偿开发成本, 从这方面讲，定量地评估软件当前的可靠性、预计将来的可靠性显得尤为重要。

在软件可靠性研究的发展过程中，建立了许多种不同的可靠性模型, 在实际应用模型进行可靠性预计时，会遇到在众多的模型中不知选择哪一个，预计的结果不知是否可信等问题, 由于各个模型的假设条件难以验证，操作人员对各种模型不是很了解，所以趋向于盲目的选择模型进行预计,引言：在可靠性预计中有很多的不一致性，如不同模型对同一软件系统会给出不同的预计结果；同一模型用于预计不同数据其预计质量有很大的差别；对同一失效数据同一模型在不同的预计阶段进行的预计，预计质量也不同, 有时有使用一个或几个模型进行预计时预计质量都很低的问题,为解决软件可靠性预计中的上述问题，在当前软件可靠性预计技术的基础上提出了一种相对可信的软件可靠性预计方法。

1、可靠性预计方法软件的可靠性预计中存在的问题有以下3方面：1）、由于没有模型应用的先验知识，导致盲目的选取模型；2）模型预计中存在很多的不一致性；3）有时选择一个或多个模型进行预计，预计质量都很低。

基于MABC-SVR的边坡安全系数预测模型

基于MABC-SVR的边坡安全系数预测模型王芬;刘阳;郝建斌;魏兴梅【摘要】为避免原始人工蜂群算法(原始ABC算法)搜索时陷入局部最优解,提出一种改进的人工蜂群算法(MABC算法),该方法先将原始蜜源的适应度进行排序,找出适应度最高的蜜源,再在其周围搜索更优解,并采用MABC算法对支持向量回归(SVR)模型参数进行优化,实现对边坡安全系数的回归分析与预测.通过对两种算法进行函数测试,结果表明:MABC算法较原始ABC算法收敛速度快、全局性好.选取实例边坡数据构造训练集和测试集,采用MABC-SVR方法基于建立的边坡安全系数预测模型进行预测,结果表明:均方根误差为0.004 6,最大相对误差为7.62％,回归系数为0.967 2.可见,建立的边坡安全系数预测模型准确度较高,可推广使用.【期刊名称】《安全与环境工程》【年(卷),期】2019(026)002【总页数】6页(P178-182,189)【关键词】改进的人工蜂群算法;支持向量回归;边坡稳定性;安全系数预测【作者】王芬;刘阳;郝建斌;魏兴梅【作者单位】长安大学地质工程与测绘学院,陕西西安710054;长安大学地质工程与测绘学院,陕西西安710054;长安大学地质工程与测绘学院,陕西西安710054;长安大学地质工程与测绘学院,陕西西安710054【正文语种】中文【中图分类】X948;TU43由于边坡所处的地质条件具有高度复杂性和非线性的特征，边坡变形的破坏机制也极其复杂，边坡的安全系数与各个不确定变量之间很难利用线性或非线性显式函数表达。

因此，利用一种可靠的数学模型来反映具有高度非线性边坡破坏机制的方法成为众多学者研究的热点问题。

遗传算法、蚁群算法、人工蜂群算法、粒子群算法和支持向量机等各种人工智能计算方法相继出现，以解决非线性的边坡工程问题。

如吕文杰等[1]选择二进制编码的遗传算法搜索最危险滑裂面，尤其对于复杂边坡，搜索效果较好;徐飞等[2]采用蚁群优化算法对支持向量机参数进行了选择优化，提出了蚁群优化最小二乘支持向量机模型，并利用该模型进行了边坡稳定性分析；刘佳等[3]采用自适应智能搜索机制对人工蜂群算法进行了改进，以此来搜索最危险滑动面，求解边坡的最小安全系数，并通过实际工程算例验证了该方法的可靠性。

基于SVR组合模型的边坡位移预测研究

基于SVR组合模型的边坡位移预测研究刘小生;于良;冯腾飞【摘要】为解决传统支持向量机预测模型的不足,造成矿山边坡位移预测精度低的问题.提出了一种基于自适应惯性权重PSO算法的支持向量回归机(SVR)组合预测模型.将其运用到某矿边坡滑坡位移预测中,并与基于灰色预测模型、基于传统SVR 预测模型预测结果对比,结果表明:基于SVR组合预测模型的矿山边坡位移预测的精度更具优势.%The shortages existing in prediction model of traditional support vector machine result in the low prediction precision of mine slope displacement.To solve this problem,a kind of combination model based on SVR was put forward and applied to the slope landslide displacement prediction in the mine.The prediction comparison of the combination model with the grey prediction model and the SVR prediction model,shows that the SVR forecast combination model has a more prediction accuracy than other models.【期刊名称】《金属矿山》【年(卷),期】2018(000)002【总页数】4页(P184-187)【关键词】支持向量回归机;组合模型;边坡位移预测【作者】刘小生;于良;冯腾飞【作者单位】江西理工大学建筑与测绘工程学院,江西赣州341000;江西理工大学建筑与测绘工程学院,江西赣州341000;江西理工大学建筑与测绘工程学院,江西赣州341000【正文语种】中文【中图分类】P258边坡变形是现今边坡普遍存在的现象，伴随着矿产越来越多的开采，边坡变形超限造成滑坡泥石流等灾难也越来越多。

基于SVR的CET-4成绩预测模型研究

2 SVR 算法
CET-4 成绩预测是典型的连续数据值预测，可参考的特征属性数据包括历史 CET-4 的各分项成绩，学生日常学习的过程数据，以及相关学生基础信息，目标属性为 CET-4 的总成绩，因此选用线性预测模型具有较好的适用性[2]。机器学习算法中常见的线性预测模型包括多元线性回归、岭回归、Lasso 回归和 SVR 算法等，其中，SVR 算法能够充分运用已经采集的大量基础数据、过程数据和分项成绩，通过核函数有效控制预测模型复杂度，对非线性时间序列情况下也具有较好预测效果[3]。因此，本文使用 SVR 算法作为基础算法开展 CET-4 成绩预测模型研究。
考阅读成绩，上次等考写作成绩，本次等考成绩），其中学号为
标识码，中间 9 项为特征属性，分别标注为 F1-F9，本次等考成
绩为目标属性，标定为 F0。由于需要依托上次等考成绩为训练
数据属性，因此，主要针对学校多次参考 CET-4 的学生进行预
测分析，首次参加考试不做预测，这也符合英语教学和 CET-4
线性回归模型是构建形如 y=f(x)=Wx+b 的预测函数，其中 x 为特征属性，y 为目标数据，f(x)为回归函数，包括两个参数 W 为各特征属性的权重向量，b 为函数常量。SVR 是将原来的支持向量机 SVM 的分类模型转化为回归模型，将原来训练数据集的数据点远离自己类别一侧的支持向量，转为每个数据点拟合到
设定阈值，如 0.8 或 0.75，即完成了 F1-F9 特征的关键特征
提取。
3.3 预测模型构建
根据第 2 节 SVR 模型构建的方法，在数据预处理和关键特
本栏目责任编辑：王力
数据库与信息管理
27
Computer Knowledge and Technology 电脑知识与技术

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)。

文章编号：０２８３（０７１－１００文献标识码：中图分类号：Ｐ１．２１０ — ３１２０）３０２ —４ＡＴ３５１
软件可靠性定量评估与预测是软件可靠性工程的重要组
．
ｃｒｅａｉｅａｔｒ，ｉｈｈｖｉｆｅｃｏｓｆｒｒｌｂｌｙｕｎｈｄｖｌｐｎｏｓｆａｅｒｃｓ，ｒａａｙｅｄｆｅｏｒｌｔｆｃｏｗｈｃａｅｎｕｎｅｎｏｔｅｅｉｉｔｄｒｇｔｅｅｅｏｍｅｔｆｏｔｒｐｏｅｓａｅｎｌｚｄｅｎｄｖｓｌｗａａｉｉｗｉ
维普资讯
１０２２０，３１）０７４（３
Ｃｍｕｅｏｐｔｒ西聊ｅ凡ｎｐｌａｉｓ计算机Ｓ程与应用ｇａｄＡｐｉｔｎｃｏ－
基于ＳＲ的软件可靠性预测模型研究Ｖ
Ｅｎｉｅｒｎｎｐｉａｉｎ，０７，３（３）１０１３ｇｎｅｉｇａｄＡｐｌｔｓ２０４１：２－２．ｃｏ
ＡｂｔａｔＡｎｉｏｔｎｔｏｒｌｔｅｄｔｕｎｏｔｒｉｃｃｅｉｓｄｔｎｌｚｎｒｄｃｏｔａｅｒｌｂｌｙＦｒｔｓｒｃ：ｓａｍｐｒａｔｍｅｈｄ，ｅａｉａａｄｒｇｓｆｖｉｗａｅｌｅｙｌｓｕｅｏａａｙｅａｄｐｅｉｔｓｆｒｅｉｉｔｉｓｙｆｗａｉｌ
ｏｕｌｙｍｅｓｒｍｅｔｏｏｔａｅａｄｔｅｍｏｅｓｅｌｔｄｉｈｎ．ｎｑａｉａｕｅｎｆｓｆｗｒｎｈｄｌｉｍｕａｅｎｔｅｅｄｔＫｅｒｓ：ｓｆｒｅｉｂｌｙｐｅｉｔｎｍｏｅ；ｕｐｒＶｅｔｒＲｅｒｓｉｎ；ｎｅＣｄｉｌｔｅｅｌｔｎｙｗｏｄｏｔｅｒｌｉｔ；ｒｄｃｉｄｌＳｐｏｃｏｇｅｓｏＭｏｔａｏｓｍｕａｉｍｕａｉｗａａｉｏｔｖｏ
，
ａｄｑａｔｅ．ｆｒｔａＶＲ（ｕｐｒＶｅｔｒＲｅｒｓｉｎｓｍａｅｕｅｏｏｅｔｂｉｒｄｃｉｎｍｏｅｆｓｆａｅｒｌｂｌｙｂｓｄｎｕｎｉｄＡｅｈｔＳｉｆｔＳｐｏｔｃｏｇｅｓｏ）ｉｄｓｆｔｓａｌｈｐｅｉｔｄｌｏｏｔｒｅｉｉｔａｅｓｏｗ中的相关数据进行软件可靠性分析与预测是软件可靠性工程的重要组成部分。先从软件开发全过程利首
中分析影响软件可靠性的相关因素，其进行定义并确定度量方法，对然后以支持向量回归机（Ｖ）ＳＲ分析方法为数学工具．立基建于软件质量度量的软件可靠性预测模型，并对该模型进行仿真分析。关键词：件可靠性；测模型；软预支持向量回归机（Ｖ；ＳＲ）蒙特卡罗模拟仿真
３河北省教育考试院．家庄０ｏ３．石５０６１ｒｎｎｅＴｃｎｌｙＩｓｔｔ，ｒｎｎｅＥｇｅｒｇＣｌｇ，ｈｉｈａｇ０００，ｈｎ．ｄａｃｅｈｏｇｎｔｕｅＯｄａｃｎｉｅｎｏｌｅＳ￣ａｕｎ５０３ＣｉａＯｏｉｎｉｅｚ
２ＤｐｒｎｏｏｐｔｒＩｆｒｔｎＥｇｎｅｎｒｆｓｏｏｅｅＳｉａｈａｇ００３，ｈｎ．ｅａｔｔｆＣｍｕｅ，ｏｉｎｉｅｒｇＰｏｓｎＣｌｇ，ｈｊｚｕｎ５０５Ｃｉａｍｅｎｍａｏｉｅｉｌｉ
３ＨｅｅｎｔｕｅｏｄｃｔｎａｄＥｘｍｉａｉｎ．ｈｊａｈａｇ００３Ｃｉａ．ｂｉＩｓｔｔｆＥｕａｉｎａｎｔｏＳｉｚｕｎ５０６．ｈｎｉｏｉ
马飒飒，冯哲，守伟赵
ＭＡＳ — ａ，ＥＮＧＺｅ，ＨＡＯＳｏ — ｉａｓＦｈＺｈｕｗｅ
１械工程学院军械技术研究所．家庄０ｏ０．军石５０３
２石家庄信息工程职业学院计算机系．家庄００３．石５０５
Ｅ— ｉ：ａａ＠ｓａｅｍｍａｌｓｓｍａｉ．ｏｎ
ＭＡＳ — ａ，ＥＮＧＺｅ．ａｓＦｈＺＨＡＯＳｏｗｅ．ｓａｃｏｐｅｉｔｏｏｅｏｏｔｒｒＨｂｉｂｓｄｏＳｈｕ— ｉＲｅｅｒｈｎｒｄｃｎｍｄｌｆｓｆｗａｅｅａｆｔｉｌｙａｅｎＶＲ．ｍｐｔｒＣｏｕｅ