基于人工神經(jīng)網(wǎng)絡的軟件質(zhì)量預測模型研究.pdf

1、隨著計算機系統(tǒng)應用的范圍越來越廣泛、越來越深入，計算機軟件系統(tǒng)也變得越來越復雜。因此，計算機軟件的可靠性問題就越來越受到人們的關(guān)注和重視。軟件可靠性的度量是以軟件可靠性模型為基礎對軟件的可靠性行為進行評價和預測。 目前的軟件可靠性模型基本上都是以關(guān)于剩余在軟件中的錯誤的性質(zhì)、以及故障的隨機行為的假設作為基礎，而這些假設各有不同，由各個軟件可靠性模型所表示的故障行為的類型的差異很大，造成了軟件可靠性模型的不一致性問題。因此，選擇一

2、個合適的軟件質(zhì)量預測模型，一直是高可信軟件領域研究的熱點問題之一。訓練好的神經(jīng)網(wǎng)絡能對軟件的可靠性進行預測，它不需要前提和假設，所以適用于各種場合。 人工神經(jīng)網(wǎng)絡在軟件質(zhì)量預測模型中的研究成果主要分為兩個方面：一是以軟件錯誤報告為基礎，以軟件失效時間作為神經(jīng)網(wǎng)絡輸入的軟件質(zhì)量預測模型，二是以軟件質(zhì)量度量參數(shù)作為神經(jīng)網(wǎng)絡輸入的軟件質(zhì)量預測模型。本文以軟件質(zhì)量度量參數(shù)作為神經(jīng)網(wǎng)絡輸入，提出了兩種軟件可靠性預測模型。一種是基于學習矢量

3、量化神經(jīng)網(wǎng)絡的軟件模塊風險性預測模型，它利用學習矢量量化神經(jīng)網(wǎng)絡不需要調(diào)整所有的權(quán)值系數(shù)、穩(wěn)定性較好、實現(xiàn)有監(jiān)督學習和給出分類信息作為指導信號的良好性能，提高了對軟件模塊風險性預測的精確度，實驗結(jié)果表明此模型比基于BP神經(jīng)網(wǎng)絡的軟件模塊風險性預測模型在模塊高風險性和模塊低風險性預測中的預測精度分別提高了1倍和4倍。另一種是基于PCA一小波神經(jīng)網(wǎng)絡的軟件質(zhì)量預測模型，它通過主成分分析方法來剔除實驗數(shù)據(jù)的多重共線性，減少了數(shù)據(jù)的維數(shù)，但是卻