[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

说明书

技术领域

本发明涉及一种软件可靠性测试中的软件可靠性预计方法，具体涉及一种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，属于软件可靠性预计技术领域。

背景技术

随着计算机技术的飞速发展，人们对计算机软件的依赖性日益增强，对软件的可靠性要求也越来越高。软件可靠性预计面临着要对可靠性要求高、测试数据个数少的软件进行预计建模的问题。此外，如果要在软件可靠性测试的早期进行软件可靠性预计也存在数据个数少，难以满足传统预计方法对样本容量要求的问题。若按照传统的方法，等到测试的后期收集到足够的数据后再进行软件可靠性预计的建模，则等待的时间会难以承受，同时也存在着用于预计的样本数据个数少的风险。

软件可靠性预计方法的研究主要指的是对软件可靠性增长模型的研究，是利用软件可靠性增长测试中获得的失效数据来对软件可靠性进行估计和预计的模型。传统的软件可靠性增长模型的建模思路是：首先对软件的失效模式或行为进行一定的假设，然后在这些假设的基础上运用统计理论建立数学模型。在这些模型中包含了模型参数的显式定义，而这些模型参数往往具有明确的物理意义。最后，用这一模型来拟合失效数据曲线，从而确定模型参数，获得软件可靠性的估计并进行预计。

目前，软件可靠性预计建模普遍存在的难以解决的问题是：不少软件可靠性增长模型对某些失效数据能给出较好的预计结果，但对另一些失效数据给出的预计结果却差强人意，这称为软件可靠性模型研究中的不一致性问题，它严重地阻碍了软件可靠性技术的推广。造成这一问题的原因主要是建立模型时提出的假设可能与实际不符。

此外，这种软件可靠性建模方法仅依赖于软件失效数据，对软件信息的挖掘不够全面，导致了预计的准确度不足。因此，如何综合考虑软件可靠性测试得到的失效数据和软件交付确认之前的一些历史信息，如程序员的技能、测试努力度、测试覆盖率和程序规格说明书的改动频率等来建立综合模型，力图全面考虑影响软件可靠性的各种信息进行软件可靠性的建模与评估成为一种新的思路。然而这些信息或因素通常相互之间高度相关且与可靠性呈非线性关系。这就使得现存的基于相互独立性和线性的统计建模方法在对这些数据建模时具有很大的局限性。

因此，能够处理多种因素且能够在理论上以任意精度逼近任意非线性映射的神经网络建模方法近年来吸引了人们的注意并取得了一些研究成果。

人工神经网络作为一种模仿人脑神经网络行为特征进行分布式并行信息处理的算法数学模型，能够从已知的数据中通过调整网络内部大量结点之间的相互连接关系来学习和提取这些数据中的内在规律，具有很强的非线性映射能力。人工神经网络具有以下几个突出优点：1.高度的并行性；2.高度的非线性全局作用；3.良好的容错性和联想记忆功能；4.十分强的自适应、自学习功能。

广义回归神经网络(General Regression Neural Network，简称GRNN)是由The LockheedPalo Alto研究实验室的Donald Specht在1991年提出的，是概率神经网络的一种拓展形式。广义回归神经网络建立在数理统计基础之上，能够根据样本数据逼近其中隐含的映射关系，即使样本数据稀少，网络的输出结果也能够收敛于最优回归表面，而且网络的学习算法简单，在结构方面也具有高度的并行性。

广义回归神经网络作为径向基函数神经网络(Radius Basic Function Neural Network，简称RBFNN)的一种改进形式，相比于目前广泛使用的反向传播神经网络(Back PropagationNeural Network，简称BPNN)具有收敛速度快以及不易陷入局部极小等优点。此外，相比于普通的RBFNN，GRNN还具有更强的非线性映射逼近能力和学习速度、柔性网络结构以及高度的容错性和鲁棒性，并且在样本数据较少时，预计效果也比较好，还可以处理不稳定的数据。

人工神经网络其实是一种“黑盒”方法，它相对于传统方法的优点在于建模时对被建模对象的经验知识要求不多，一般不必事先知道有关被建模对象的结构、参数和动态特性等方面的知识，只需给出对象的输入/输出数据，通过网络本身的学习功能就可以得到输入与输出的映射关系。

然而，与基于统计理论的软件可靠性建模一样，基于神经网络的软件可靠性建模需要一定数量的样本数据，当样本的容量很少时，难以建立可用的模型，预计的精度可能会很差。