论文部分内容阅读
随着软件应用的日益广泛及其重要性的不断增强，人们对软件质量的要求也越来越高。软件可靠性作为衡量软件质量的重要标准，其定量评估和预测已成为人们关注和研究的焦点。
可靠性模型是研究可靠性的重要方法，可以分为两类:分析型模型和数据驱动型模型。分析型模型是用随机分析法对软件可靠性进行建模，这类模型的缺点是对模型的假设太多，不具有广泛的适应性。而数据驱动型模型几乎不用对模型进行假设，具有广泛的适应性，人工神经网络模型就是用数据驱动的模型之一。
人工神经网络是一种大型并行非线性系统，具有很强的泛化运算能力。用人工神经网络对软件可靠性进行建模必须解决网络结构和算法问题:传统上神经网络的结构是有经验的神经网络专家根据实际经验得来的；算法基本上采用BP算法，而BP算法容易使网络陷入局部最优解、收敛速度慢或出现震荡。本文对以上缺点提出了改进。
多数软件可靠性模型都假设错误一旦发现则立即排除，这些模型研究的只是错误发现过程。实际上，一个错误发现以后，还得经过错误报告、错误诊断、错误消除、错误证实等步骤，所以错误纠正过程也是不容忽视的。本文认为错误发现和错误纠正是一个交互的过程。
本文在对错误纠正过程和错误发现过程及神经网络模型学习和研究的基础上，提出了一种新的神经网络错误发现过程和错误纠正过程模型，该模型用遗传算法同时优化神经网络的结构和初始权值和阈值。通过和已有模型进行仿真试验对比，显示本文提出的模型对实际数据有很好的预测精度，具有很好的工程实践意义。