[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

摘要

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。

主权项

1.一种差分小波神经网络软件故障预测技术的构建方法，其特征在于：其步骤如下：步骤1、搜集大量被诊断软件的历史故障案例，针对被诊断软件系统的特点，依据故障信息相关、完整、非重复、非人为错误操作四原则，筛选有效故障案例，按照故障发生时间的顺序加入至创建的故障知识案例库；步骤2、计算故障间隔时间，按照故障知识案例库中的排序，构建原始混沌间隔时间序列；所述的构建原始混沌间隔时间序列的做法如下：假设共收集了m个故障发生时间数据，构成原始混沌时间序列{t1，t2，...,tm}，计算故障间隔时间Ti＝ti+1-ti后，共m-1个故障间隔时间数据，构成m-1维时间序列{T1，T2，…，Tm-1}；其中，i＝1,2,…m-1；步骤3、结合拓展后的多维时间序列，构建故障间隔时间预测信息的训练样本和预测样本；步骤4、对训练样本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；步骤5、通过相空间重构法获得多维差分时间序列；构建训练网络的输入矩阵和预期输出矩阵，该输出矩阵会根据与网络实际输出的差别来调整连接权值，完成训练的过程；步骤6、构建基于差分小波神经网络的故障预测算法；首先要实现其核心技术，即基于故障知识案例库数据的网络函数初始化，结合样本分类和预测输出，实现网络权值修正和网络参数数据的自动学习，并以此为依据判断算法是否结束；算法结束后，即意味着网络训练结束，然后使用训练好的网络进行预测；步骤7、结合差分小波神经网络算法训练样本和预期输出的多维时间序列拓展方法，完成差分小波神经网络的训练过程，构建基于故障时间信息的软件故障预测系统；步骤8、在软件故障预测系统中输入预测差分时间序列，预测软件最新的故障差分间隔时间信息；所述的预测软件最新的故障差分间隔时间信息是指将预测差分时间序列{Tp(m-k-1)，Tp(m-k)，…，Tp(m-2)}作为故障预测系统的输入，系统会输出一个差分预测值Tp(m-1)；步骤9、结合多维时间序列预测样本，通过差分还原法将输出的预测值转换成软件最新的故障差分间隔的时间预测数据；步骤10、通过步骤9得到的故障差分间隔的预测时间信息视为已知预测差分序列，运用迭代法实现多步故障预测技术指南，构建软件故障间隔时间信息数据库；通过上述步骤，能完成对差分小波神经网络软件故障预测技术的构建，将经过差分预处理后的故障间隔时间数据作为小波神经网络的输入，然后经过差分还原，即能进行软件故障间隔时间的预测。