[发明专利]基于灰色广义回归神经网络的小样本软件可靠性预计方法

权利要求书

1.基于灰色广义回归神经网络的小样本软件可靠性预计方法，其特征在于，包括以下几个步骤：

步骤一：收集测试数据；

通过软件可靠性增长测试，收集测试数据t_i为失效时间，C_i为测试覆盖率，N_i为累计失效数，i＝1，…，N，N为收集到的测试数据的数目；

步骤二：确定失效时间数据和测试覆盖率数据的分布；

将测试数据中的失效时间和测试覆盖率分别看作一维随机序列，首先用概率图法确定各一维随机序列的概率分布类型，确定概率分布类型后，使用最小二乘法确定各一维随机序列各自所服从分布的分布参数；

步骤三：使用改进的Bootstrap方法扩充数据；

根据步骤二所获得的失效时间和测试覆盖率各自所服从的具体的概率分布，随机抽样产生与原数据具有相同统计规律的仿真失效时间数据和仿真测试覆盖率数据，仿真失效时间数据和仿真测试覆盖率数据分别与原始的失效时间和测试覆盖率数据合并后获得扩充失效时间数据和扩充测试覆盖率数据，扩充后失效时间数据为扩充后测试覆盖率数据为其中M为扩充后样本容量，M≥N，然后，采用经验分布函数的方法构造扩充的失效时间-不可靠度曲线和扩充的测试覆盖率-不可靠度曲线，最后，根据这两条曲线，先将不可靠度乘以总的累计失效数转化为对应的累计失效数，得到扩充的累计失效数数据构造扩充的失效时间、测试覆盖率和累计失效数的三维曲线，三维曲线上的数据点集即为扩充的测试数据；

步骤四：使用灰色预测模型GM(1，1)对数据进行处理；

使用灰色预测模型GM(1，1)对步骤三所得的扩充的累计失效数数据进行处理，获得累计失效数数据的灰色模型预计序列得到规律的扩充测试数据

步骤五：建立广义回归人工神经网络；

首先确定网络的输入和输出，将失效时间t_i和测试覆盖率C_i作为网络的输入向量，相应的累计失效数N_i作为目标向量，建立2个输入单元、1个输出单元的广义回归神经网络，根据经验确定网络的初始参数值；

步骤六：训练广义回归神经网络；

使用规律的扩充测试数据对所建立的神经网络进行训练，输入向量集合为相应的目标向量集合为将输入向量和目标向量进行归一化处理，然后输入网络对其进行训练，采用留一交叉验证法训练神经网络，共需进行M轮训练；

步骤七：利用训练好的神经网络进行预计；

将需要预计的点处的失效时间t₀和测试覆盖率C₀作为输入向量输入网络，网络输出值N₀即为对应的累计失效数的预计值。

2.根据权利要求1所述的基于灰色广义回归神经网络的小样本软件可靠性预计方法，其特征在于，所述的步骤六中，神经网络的初始参数值为默认初始值。

3.根据权利要求1所述的基于灰色广义回归神经网络的小样本软件可靠性预计方法，其特征在于，所述的步骤六中留一交叉验证法训练神经网络具体为，首先在每一轮的交叉训练过程中用循环的方法根据训练中网络收敛速度和误差精度要求，在经验解空间中不断调整网络参数扩展速度的值，直到得到最优效果的神经网络，即此时网络在验证数据集上的预测值与期望值之间的均方误差逼近于0；然后，M轮交叉训练所得的M个神经网络中选取在验证数据集上的预测值与期望值之间的均方误差最小的网络作为所得到的最优网络；最后，判断此最优网络是否达到预期的预测精度要求，若达到预期的精度要求则将此最优网络作为训练好的神经网络；否则，需要调整神经网络的结构或参数经验解空间的范围并重新建立和训练神经网络。