| 【中文题名】 | 基于人工神经网络的软件质量预测模型研究 |
| 【英文题名】 | Study on the Software Quality Prediction Model Based on Artificial Neural Network |
| 【学科专业】 | 计算机软件与理论 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-9-14 |
| 【中关键词】 | 软件可靠性,软件质量,软件质量预测模型,学习矢量量化神经,网络,遗传算法 |
| 【英关键词】 | software reliability,software quality,software quality prediction model,learning vector quantization network,genetic algorithm,wavelet neural network,principle components analysis, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>计算技术、计算机技术>计算机软件>程序设计、软件工程>软件工程 |
| 【论文摘要】 |
随着计算机系统应用的范围越来越广泛、越来越深入，计算机软件系统也变得越来越复杂。因此，计算机软件的可靠性问题就越来越受到人们的关注和重视。软件可靠性的度量是以软件可靠性模型为基础对软件的可靠性行为进行评价和预测。
目前的软件可靠性模型基本上都是以关于剩余在软件中的错误的性质、以及故障的随机行为的假设作为基础，而这些假设各有不同，由各个软件可靠性模型所表示的故障行为的类型的差异很大，造成了软件可靠性模型的不一致性问题。因此，选择一个合适的软件质量预测模型，一直是高可信软件领域研究的热点问题之一。训练好的神经网络能对软件的可靠性进行预测，它不需要前提和假设，所以适用于各种场合。
人工神经网络在软件质量预测模型中的研究成果主要分为两个方面：一是以软件错误报告为基础，以软件失效时间作为神经网络输入的软件质量预测模型，二是以软件质量度量参数作为神经网络输入的软件质量预测模型。本文以软件质量度量参数作为神经网络输入，提出了两种软件可靠性预测模型。一种是基于学习矢量量化神经网络的软件模块风险性预测模型，它利用学习矢量量化神经网络不需要调整所有的权值系数、稳定性较好、实现有监督学习和给出分类信息作为... |
| 【论文题纲】 |
|
摘要 |
4-6 |
|
ABSTRACT |
6-11 |
|
第一章 绪论 |
11-18 |
|
1.1 问题的提出 |
11-12 |
|
1.2 研究进展 |
12-15 |
|
1.2.1 软件可靠性模型的研究进展 |
12-13 |
|
1.2.2 基于人工神经网络软件质量预测模型和软件可靠性模型的研究进展 |
13-15 |
|
1.3 论文选题的目的和意义 |
15-16 |
|
1.4 论文的主要研究内容和论文的组织 |
16-18 |
|
第二章 软件可靠性与软件质量预测模型 |
18-26 |
|
2.1 软件可靠性 |
18-22 |
|
2.1.1 软件可靠性概念 |
18-19 |
|
2.1.2 软件可靠性的主要研究内容 |
19 |
|
2.1.3 软件的失效机理 |
19-20 |
|
2.1.4 软件可靠性度量 |
20-21 |
|
2.1.5 软件可靠性需要解决的一些问题 |
21-22 |
|
2.2 软件质量预测模型 |
22-25 |
|
2.2.1 软件质量预测模型概念 |
22 |
|
2.2.2 软件质量预测模型的特点 |
22-23 |
|
2.2.3 软件质量预测模型的建模原理 |
23-24 |
|
2.2.4 软件质量预测模型需要解决的一些问题 |
24-25 |
|
2.3 本章小结 |
25-26 |
|
第三章 基于LVQ神经网络的软件模块风险性预测模型 |
26-38 |
|
3.1 引言 |
26-27 |
|
3.2 软件质量度量 |
27-28 |
|
3.3 学习矢量量化神经网络和误差回传神经网络 |
28-33 |
|
3.3.1 学习矢量量化神经网络 |
28-30 |
|
3.3.2 误差回传神经网络 |
30-33 |
|
3.4 基于LVQ神经网络的软件模块风险性预测模型 |
33-37 |
|
3.4.1 基于LVQ神经网络的软件模块风险性预测模型建模方法 |
33-34 |
|
3.4.2 实验数据 |
34 |
|
3.4.3 基于BP神经网络的软件模块风险性预测模型实验方法 |
34-35 |
|
3.4.4 基于LVQ神经网络的软件模块风险性预测模型实验方法 |
35-36 |
|
3.4.5 两种模型预测结果的比较及分析 |
36-37 |
|
3.5 本章小节 |
37-38 |
|
第四章 基于PCA—小波神经网络的软件质量预测模型 |
38-59 |
|
4.1 引言 |
38-39 |
|
4.2 软件质量和软件质量度量 |
39-40 |
|
4.2.1 软件质量与软件质量度量的相互关系 |
39 |
|
4.2.2 软件质量度量和软件质量预测模型的关系 |
39-40 |
|
4.3 主成分分析方法 |
40-41 |
|
4.4 小波分析 |
41-42 |
|
4.5 小波神经网络和广义回归神经网络 |
42-47 |
|
4.5.1 小波神经网络 |
42-44 |
|
4.5.2 广义回归神经网络 |
44-47 |
|
4.6 遗传算法 |
47-50 |
|
4.7 GA—WNN算法 |
50 |
|
4.8 基于PCA—小波神经网络的软件质量预测模型 |
50-57 |
|
4.8.1 基于PCA—小波神经网络的软件质量预测模型建模方法 |
51 |
|
4.8.2 理论分析 |
51-52 |
|
4.8.3 实验数据 |
52 |
|
4.8.4 实验数据的处理 |
52-54 |
|
4.8.5 三种软件质量预测模型实验方法 |
54-56 |
|
4.8.5.1 基于BP神经网络的软件质量预测模型实验方法 |
54-55 |
|
4.8.5.2 基于GRNN神经网络的软件质量预测模型实验方法 |
55 |
|
4.8.5.3 基于PCA—小波神经网络的软件质量预测模型实验方法 |
55-56 |
|
4.8.6 三种软件质量预测模型实验结果的比较及分析 |
56-57 |
|
4.9 本章小节 |
57-59 |
|
第五章 总结 |
59-61 |
|
5.1 本文的工作和主要贡献 |
59-60 |
|
5.2 进一步的工作 |
60-61 |
|
参考文献 |
61-66 |
|
致谢 |
66-67 |
|
攻读学位期间参加的科研项目 |
67-68 |
|
攻读学位期间录用发表论文情况 |
68 |
|
| 【DOI】 | LunWen.ID:2.2008.388943 |
