[发明专利]一种基于选择性动态权重神经网络集成的软件可靠性预测方法

摘要

本发明属于软件可靠性预测领域，具体是一种基于选择性动态权重神经网络集成的软件可靠性预测方法。主要分为四个步骤：A.生成神经网络个体：选取Elman神经网络作为网络个体，通过Bagging算法产生n个神经网络个体；B.个体优选：对生成的神经网络个体，首先通过K值优化算法确定聚类个数，然后通过K-均值聚类算法对神经网络个体进行聚类来增大个体差异，最终将聚类后的个体进行集成；C.动态模型建立：利用优选个体的拟合数据的误差，构建基于模糊神经网络的动态权重模型；D.集成输出：将优选个体的预测结果与动态权重模型生成的权重相结合生成最终预测结果。本发明将神经网络集成算法应用于软件可靠性预测，具有精度高、稳定性好的优点。

主权项

1.一种基于选择性动态权重神经网络集成的软件可靠性预测方法，其特征在于，包括以下步骤： A.生成神经网络个体：选取Elman神经网络作为网络个体，通过Bagging算法产生n个神经网络个体； B.个体优选：对生成的神经网络个体，首先通过K值优化算法确定聚类个数，然后通过K-均值聚类算法对神经网络个体进行聚类来增大个体差异，最终将聚类后的个体进行集成； C.动态模型建立：利用优选个体拟合数据的误差，构建基于模糊神经网络的动态权重模型； D.集成输出：将优选个体的预测结果与动态权重模型生成的权重相结合生成最终预测结果； 进一步，在上述步骤A中结合Elman神经网络，并利用Bagging算法进行个体的生成，具体包括以下主要步骤： 1）给定原始训练集X=(x₁,y₁),(x₂,y₂),(x₃,y₃)…(x_n,y_n)，其中n为原始训练集的容量，训练的最大迭代次数为T，初始神经网络集成E为空集； 2）初始化训练集采用Bootstrap重采样方法抽取m个训练样本组成子训练集X_t； 3）通过训练集X_t训练t个神经网络h_t； 进一步，在上述步骤B中利用生成的神经网络个体执行如下步骤： 1）将每个神经网络个体在训练集上的输出结果（其中m为训练输出样本点的个数），组成矩阵Y(y₁,y₂,…,y_n)，然后对矩阵Y进行聚类分析；2）对k=1,2,…,T循环： （1）通过K-均值聚类算法将矩阵Y分为k组； （2）计算当前k值下的错误!不能通过编辑域代码创建对象； 3）搜寻1到T之间距离代价最小值错误!不能通过编辑域代码创建对象； 4）使用k值对矩阵Y进行聚类，在每簇数据中选择拟合精度最高的个体作为候选个体，一共产生k个神经网络个体； 进一步，在上述步骤C中利用优选后的神经网络个体执行如下步骤： 1）用训练好的k个神经网络对训练样本数据进行预测，分别求出错误!不能通过编辑域代码创建对象，错误!不能通过编辑域代码创建对象，错误!不能通过编辑域代码创建对象； 2）建立基于模糊神经网络的动态权重模型，三个输入分别为第i个预测模型在t时刻的 相对误差绝对值为e_i(t)，第i个预测模型在t时刻以及前k-1时刻的相对误差绝对值的平均记为E_i(t)，第i个预测模型在t时刻的相对误差绝对值的变化率c_i(t)，输出为e_i(t+1)，对模型进行训练； 3）使用测试数据作为动态权重输入，预测网络个体在不同时刻的相对误差绝对值错误!不能通过编辑域代码创建对象。，由错误!不能通过编辑域代码创建对象。便可以计算出t时刻第i个模型的权重为：错误!不能通过编辑域代码创建对象。，其中，错误!不能通过编辑域代码创建对象； 4）用训练好的m个模型对测试数据进行预测，使用第3)步得到的权值与预测结果进行加权集成，最终神经网络集成预测模型预测结果为：错误!不能通过编辑域代码创建对象。