基于连续型深度置信神经网络的软件可靠性预测
为了提高软件可靠性智能预测的精度,采用连续型深度置信神经网络算法用于软件可靠性预测.首先提取影响软件可靠性的核心要素样本,并获取样本要素的关键特征;然后建立连续型深度置信神经网络(Deep Belief Network,DBN)的软件可靠性预测模型,输入待预测样本,通过多个受限波尔兹曼机(Restricted Boltzmann Machine,RBM)层的预处理训练,以及多次反向微调迭代获取DBN权重等参数,直到达到最大RBM层数和最大反向微调迭代次数;最后获得稳定的软件可靠性预测模型.实验结果证明,通过合理设置DBN隐藏层节点数和学习速率,可以获得良好的软件可靠性预测准确率和标准差.与常用的软件可靠性预测算法相比,所提算法的预测准确度高且标准差小,在软件可靠性预测方面的适用度较高.
深度置信神经网络、软件可靠性、软件失效、学习速率
48
TP311.5(计算技术、计算机技术)
国家重大科研仪器研制项目;国家自然科学基金;山西省关键核心技术;共性技术研发专项;山西省科技厅重点研发项目
2021-06-04(万方平台首次上网日期,不代表论文的发表时间)
共5页
86-90