论文部分内容阅读
软件可靠性预测是一个研究难度非常大的课题,预测结果的准确程度直接影响到工程人员对软件质量的判断,进而影响到软件的开发,测试和应用等诸多方面。在目前的各种预测方法中,相对于其他经典模型而言,使用前馈神经网络进行预测得到的效果比较好。为了进一步提高神经网络的预测能力,提出了一种前馈神经网络混合学习算法,并将其应用于组合神经网络。该算法是由一种模式提取算法(Alopex)和伪逆算法组成,适用于多层前馈神经网络。在该混合学习算法中,网络的学习任务被分解为两个部分:隐藏层神经元的权值先随机给定,然后使用Alopex算法不断地对其进行扰动;输出层的权值使用伪逆运算确定。所使用的组合神经网络由多个结构相同的前馈神经网络组成,每个前馈神经网络都使用混合学习算法(采用不同的初值)进行训练。实验结果表明:这种组合神经网络能够显著提高软件可靠性的预测精度。另外,对凹型软件可靠性增长模型数据曲线的斜率和曲率进行了研究,提出了一种新的数据变换预处理方法,该预处理方法通过改变原始数据曲线的斜率和曲率,使得预测对象更加光滑,从而间接提高神经网络在该类模型上的预测效果。