基于支持向量机的软件可靠性早期预测研究

摘要

随着计算机技术的飞速发展，人们对计算机系统的依赖性越来越高。而在造成计算机系统错误的因素中，软件占了绝大部分。因此，如何保证软件质量，设计并开发出可靠的软件已经成为当务之急。由于软件可靠性早期预测在测试前就能够使开发和测试的相关人员对软件的可靠性有一个大致的了解，所以对于软件如何进一步开发、测试和质量的控制都具有十分重要的作用。 支持向量机是建立在统计学习理论中VC维和结构风险最小化基础上的一种全新的学习机器。它根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷，以期获得最好的推广能力。与传统建模方法相比，基于支持向量机的方法具有显著的先进性，能够解决人工神经网络中结构难于确定、拟合不充分或过拟合、容易陷入局部极小点等诸多问题，并且具有出色的小样本性能。本文概述了国内外关于软件可靠性早期预测方法的研究现状，重点分析了多元线性回归和人工神经网络这两种经典建模方法，并指出其不足。由此，将支持向量机理论引入到软件可靠性早期预测领域中来，并结合聚类分析、主成分分析、特异样本点判别、数据归一化、交叉验证、非启发式深度优先搜索等数学工具，提出了基于支持向量机的软件可靠性早期预测模型。通过对比仿真分析，证实了新模型同传统模型相比预测精度更高，泛化能力更强，对样本数量的依赖程度更低。并在此基础上设计了一个软件可靠性早期预测软件系统，来帮助实现软件可靠性早期预测工作的自动化。

目录

文摘

英文文摘

论文说明：答辩委员会签名、插图清单、表格清单

独创性声明及学位论文版权使用授权书

致谢

第1章绪论

1.1问题的背景

1.2研究现状及存在的问题

1.2.1研究现状

1.2.2存在的问题

1.3本文的研究意义

1.4论文的组织结构

第2章软件可靠性早期预测的经典模型介绍

2.1多元线性回归方法

2.1.1多元线性回归模型的形式和参数估计

2.1.2多元线性回归模型的假设检验

2.1.3多元线性回归的评述

2.2人工神经网络方法

2.2.1人工神经元的结构

2.2.2多层前向网络及BP学习算法

2.2.3人工神经网络的评述

第3章统计学习理论和支持向量机

3.1机器学习的一般原理

3.1.1学习问题的表示

3.1.2经验风险最小化原则及其缺陷

3.2统计学习理论

3.2.1函数集的VC维和推广性的界

3.2.2结构风险最小化原则

3.3支持向量机

3.3.1最优分类超平面

3.3.2广义最优分类超平面

3.3.3支持向量机思想

3.3.4支持向量回归估计

第4章基于支持向量机的软件可靠性早期预测模型

4.1预测目标

4.2可靠性早期预测的一般模型

4.3对一般模型的进一步假设

4.4基于支持向量机的软件可靠性早期预测模型的建立

4.4.1模型输入指标的选取

4.4.2数据采集

4.4.3数据预处理

4.4.4模型形式和核函数的选择

4.4.5模型参数和核参数的选择

4.4.6用模型进行预测

第5章基于支持向量机的软件可靠性早期预测模型仿真分析

5.1实验原始数据

5.2实验安排

5.3实验过程

5.3.1数据标准化

5.3.2主成分分析

5.3.3特异样本点的判定

5.3.4基于主成分回归的预测方法

5.3.5基于BP网络的预测方法

5.3.6基于支持向量机的预测方法

5.4实验结果及分析

5.4.1实验一

5.4.2实验二

第6章软件可靠性早期预测软件系统的设计

6.1系统概述

6.2系统总体结构

6.3系统流程

6.3.1系统的数据流程图

6.3.2系统的逻辑流程图

6.4核心模块和关键技术介绍

6.4.1数据预处理模块

6.4.2参数选择模块

6.4.3训练模块及预测模块

6.4.4历史信息管理模块

第7章总结和展望

7.1本文的主要成果和创新点

7.2下一步的工作

参考文献