[发明专利]一种差分小波神经网络软件故障预测技术的构建方法

说明书

一种差分小波神经网络软件故障预测技术的构建方法，步骤如下：1、筛选有效故障案例；2、计算故障间隔时间，构建原始混沌间隔时间序列；3、构建训练和预测样本；4、对训练和预测样本进行差分预处理，构建训练差分时间序列和预测差分时间序列；5、通过相空间重构构建训练网络的输入矩阵和预期输出矩阵；6、构建基于差分小波神经网络的故障预测算法；7、完成差分小波神经网络的训练，构建故障预测系统；8、输入预测差分时间序列，预测最新的故障差分时间；9、通过差分还原法将输出的差分预测值转换成软件最新的故障间隔时间预测值；10、将预测的差分时间加入预测差分时间序列，运用迭代法实现多步故障预测。本发明具有实际应用价值。

技术领域

本发明提供一种差分小波神经网络软件故障预测技术的构建方法，它涉及一种差分小波神经网络软件故障预测技术的实现，属于软件可信性、软件故障预测领域。

背景技术

神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。它具有大规模并行处理和分布式存储各类图像信息的功能，有很强的容错性、联想和记忆能力，因而被广泛地应用于故障诊断、故障预测、模式识别、联想记忆、复杂优化、图像处理以及计算机领域。小波神经网络是基于小波分析理论所构造的一种分层的、多分辨率的新型人工神经网络，即用非线性小波基函数取代了通常的非线性Sigmoid函数。小波神经网络有以下优点：可避免BP神经网络等结构设计上的盲目性；可避免局部最优等非线性优化问题；有较强的函数学习能力。

差分则是一种常见的数据预处理方法，又名差分函数或差分运算，差分的结果反映了离散量之间的一种变化，是研究离散数学的一种工具，它将原函数 f(x)映射到f(x+a)-f(x+b)。

近年来，基于神经网络的混沌时间序列预测技术表现出较快的发展势头，每一种新的神经网络方法都促进了混沌预测技术的丰富和改进。一般来说，如果将预测任务当作一个静态函数逼近问题，则可通过非线性回归方法来解决，比如使用多层前向网络、支持向量机等。另一方面，混沌时间序列本身源自动态系统，因此可使用递归神经网络来模拟动态系统。作为动态系统的递归神经网络常常比静态的多层前向网络更有效。

由于软件变得越来越复杂，规模越来越大，软件发生故障的次数与时机也越来越难以预计。将一个软件的故障发生时间间隔作为一个时间序列，那么它可能具有强烈的非平稳性，甚至可能是一个统计意义上的白噪声序列，这也让软件故障发生时间的预测变得愈加困难。现有的诸如BP神经网络、RBF神经网络、小波神经网络、ESN神经网络等的单一使用也难以对软件故障的发生时间进行准确的预测。针对这一状况，我们将提出一种差分小波神经网络软件故障预测技术的构建方法，在这项技术中，对于已有的原始历史软件故障时间序列进行差分预处理，使其变得平稳化，再将差分后的时间序列作为小波神经网络的输入和输出，以此进行训练，再使用训练好的网络来进行预测，最后将预测出的时间序列进行差分还原，即可得所需要的软件故障时间预测。使用这一技术可以克服单一使用神经网络进行预测的预测误差过大的问题，可以得出较为准确的预测值。

该故障预测技术结合差分数据预处理方法和小波神经网络技术进行构建，形成较为准确的差分小波神经网络软件故障预测技术，在提高软件故障时间预测精度的同时，达到提高软件可信性、安全性、可用性的目的。

发明内容