基于结合模拟退火算法的动态模糊神经网络的软件可靠性增长模型

›› 2012, Vol. 42 ›› Issue (05): 1225-1230.

基于结合模拟退火算法的动态模糊神经网络的软件可靠性增长模型

刘逻^1,2, 郭立红¹, 肖辉¹, 王建军¹, 王改革^1,2

1. 中国科学院长春光学精密机械与物理研究所,长春 130033;
2. 中国科学院研究生院,北京 100039

收稿日期:2011-11-15 出版日期:2012-09-01 发布日期:2012-09-01
通讯作者: 郭立红(1964-),女,研究员.研究方向:光电对抗装备总体设计.E-mail:guolh@ciomp.ac.cn E-mail:guolh@ciomp.ac.cn
基金资助:
中国科学院知识创新项目(KGCX2-YW-911-2).

Software reliability growth model based on SAA-DFNN

LIU Luo^1,2, GUO Li-hong¹, XIAO Hui¹, WANG Jian-jun¹, WANG Gai-ge^1,2

1. Changchun Institute of Optics, Fine Mechanics and Physics, Chinese Academy of Science, Changchun 130033, China;
2. Graduate University of the Chinese Academy of Sciences, Beijing 100039, China

Received:2011-11-15 Online:2012-09-01 Published:2012-09-01

摘要/Abstract

摘要： 利用模拟退火算法对动态模糊神经网络的自身参数进行动态调整(SAA-DFNN),并将其应用于软件可靠性增长模型(SRGM)的研究。用软件失效数据在对动态模糊神经网络进行训练的过程中,用模拟退火算法求得动态模糊神经网络自身参数的优化解,根据得到的参数建立基于动态模糊神经网络的软件失效数据预测模型。根据3组软件缺陷数据,将SAA-DFNN建立的SRGM与模糊神经网络(FNN)、BP神经网络(BPN)、G-O模型建立的SRGM的预测能力进行比较,仿真结果表明,根据SAA-DFNN建立的SRGM的单步向前预测能力稳定,预测误差小,并具有一定的通用性。

关键词: 人工智能, 软件可靠性增长模型, 动态模糊神经网络, 模拟退火算法, 单步向前预测

Abstract: Simulated Annealing Algorithm (SAA) is used to dynamically adjust the parameters of Dynamic Fuzzy Neural Network (SAA-DFNN). The SAA-DFNN is applied to study Software Reliability Growth Model (SRGM). The SAA is used to resolve the optimal solution of DFNN parameters in the DFNN software failure data training process. Then according to the obtained DFNN optimal parameters SAA sets up software failure data prediction model. Using three groups of software defect data, the predictive ability of the SRGM established by SAA-DFNN is compared with that of the SRGM established by Fuzzy Neural Network (FNN) and by BP Neural Network (BPN)and G-O model. Simulation results confirm that the SRGM established by SAA-DFNN has steady single-step ahead predictive ability with certain versatility and the prediction error is smaller.

Key words: artificial intelligence, software reliability, dynamic fuzzy neural network, simulated annealing algorithm, single-step ahead prediction

中图分类号:

TP183

刘逻, 郭立红, 肖辉, 王建军, 王改革. 基于结合模拟退火算法的动态模糊神经网络的软件可靠性增长模型[J]. , 2012, 42(05): 1225-1230.

LIU Luo, GUO Li-hong, XIAO Hui, WANG Jian-jun, WANG Gai-ge. Software reliability growth model based on SAA-DFNN[J]. , 2012, 42(05): 1225-1230.

参考文献

[1] 赵靖,张汝波,顾国昌,等. 考虑故障相关的软件可靠性增长模型研究[J]. 计算机学报, 2007, 30(10): 1713-1720. Zhao Jing, Zhang Ru-bo, Gu Guo-chang, et al. Study on software reliability growth model considering failure dependency[J]. Chinese Journal of Computers, 2007, 30(10): 1713-1720.
[2] Pai Ping-Feng, Hong Wei-Chiang. Software reliability forecasting by support vector machines with simulated annealing algorithms[J]. The Journal of Systems and Software, 2006, 79 (6):747-755.
[3] 刘喜成. 软件可靠性工程手册[M]. 北京:电子工业出版社,1997.
[4] 伍世虔,徐军. 动态模糊神经网络-应用与设计[M]. 北京:清华大学出版社,2008.
[5] 柳朝军,廖晓钟,张宇河. 动态模糊神经网络控制器在伺服系统中的应用[J]. 控制与决策,2001, 16(3):347-350. Liu Chao-jun,Liao Xiao-zhong,Zhang Yu-he.Application in servo system of dynamical neuro-fuzzy network controller[J]. Control and Decision,2001,16(3):347-350.
[6] 陈彦,李月明. 基于动态模糊神经网络的变桨距系统辨识[J]. 电气技术, 2011(1):18-20. Chen Yan,Li Yue-ming. Identification of variable-pitch system based on dynamic fuzzy neural network[J]. Electrical Engineering, 2011(1):18-20.

相关文章 15

[1]	代存杰,李引珍,马昌喜,柴获,牟海波. 不确定条件下危险品配送路线多准则优化[J]. 吉林大学学报(工学版), 2018, 48(6): 1694-1702.
[2]	董飒, 刘大有, 欧阳若川, 朱允刚, 李丽娜. 引入二阶马尔可夫假设的逻辑回归异质性网络分类方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1571-1577.
[3]	顾海军, 田雅倩, 崔莹. 基于行为语言的智能交互代理[J]. 吉林大学学报(工学版), 2018, 48(5): 1578-1585.
[4]	王旭, 欧阳继红, 陈桂芬. 基于垂直维序列动态时间规整方法的图相似度度量[J]. 吉林大学学报(工学版), 2018, 48(4): 1199-1205.
[5]	张浩, 占萌苹, 郭刘香, 李誌, 刘元宁, 张春鹤, 常浩武, 王志强. 基于高通量数据的人体外源性植物miRNA跨界调控建模[J]. 吉林大学学报(工学版), 2018, 48(4): 1206-1213.
[6]	黄岚, 纪林影, 姚刚, 翟睿峰, 白天. 面向误诊提示的疾病-症状语义网构建[J]. 吉林大学学报(工学版), 2018, 48(3): 859-865.
[7]	李雄飞, 冯婷婷, 骆实, 张小利. 基于递归神经网络的自动作曲算法[J]. 吉林大学学报(工学版), 2018, 48(3): 866-873.
[8]	刘杰, 张平, 高万夫. 基于条件相关的特征选择方法[J]. 吉林大学学报(工学版), 2018, 48(3): 874-881.
[9]	王旭, 欧阳继红, 陈桂芬. 基于多重序列所有公共子序列的启发式算法度量多图的相似度[J]. 吉林大学学报(工学版), 2018, 48(2): 526-532.
[10]	杨欣, 夏斯军, 刘冬雪, 费树岷, 胡银记. 跟踪-学习-检测框架下改进加速梯度的目标跟踪[J]. 吉林大学学报(工学版), 2018, 48(2): 533-538.
[11]	刘雪娟, 袁家斌, 许娟, 段博佳. 量子k-means算法[J]. 吉林大学学报(工学版), 2018, 48(2): 539-544.
[12]	曲慧雁, 赵伟, 秦爱红. 基于优化算子的快速碰撞检测算法[J]. 吉林大学学报(工学版), 2017, 47(5): 1598-1603.
[13]	李嘉菲, 孙小玉. 基于谱分解的不确定数据聚类方法[J]. 吉林大学学报(工学版), 2017, 47(5): 1604-1611.
[14]	邵克勇, 陈丰, 王婷婷, 王季驰, 周立朋. 无平衡点分数阶混沌系统全状态自适应控制[J]. 吉林大学学报(工学版), 2017, 47(4): 1225-1230.
[15]	王生生, 王创峰, 谷方明. OPRA方向关系网络的时空推理[J]. 吉林大学学报(工学版), 2017, 47(4): 1238-1243.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed