基于优化PSO-SVM模型的软件可靠性预测方法

doi:10.3724/SP.J.1087.2011.01762

计算机应用 ›› 2011, Vol. 31 ›› Issue (07): 1762-1764.DOI: 10.3724/SP.J.1087.2011.01762

基于优化PSO-SVM模型的软件可靠性预测方法

张晓南¹,刘安心²,刘斌²,张宏梅²,青星²

1. 解放军理工大学工程兵工程学院
2. 解放军理工大学工程兵工程学院，南京 210007

收稿日期:2010-12-14 修回日期:2011-02-17 发布日期:2011-07-01 出版日期:2011-07-01
通讯作者: 张晓南
作者简介:张晓南（1982-），男，辽宁丹东人，博士研究生，主要研究方向：军用装备保障、军用软件可靠性设计；刘安心（1967-），男，安徽宣城人，教授，博士生导师，主要研究方向：军事装备保障管理；刘斌(1964-)，男，江苏丹阳人，副教授，硕士，主要研究方向：机械设计与自动化；张宏梅(1974-)，女，安徽天长人，副教授，博士，主要研究方向：机械设计与自动化；青星（1985-），男，四川成都人，硕士研究生，主要研究方向：可靠性分析与设计。

Software Reliability Prediction Based on the improved PSO-SVM Model

Xiao-nan ZHANG,An-xin LIU,Bin LIU,Hong-mei ZHANG,Xing Qing

Engineering Institute of Engineer Corps，PLA University of Science and Technology, Nanjing Jiangsu 210007, China

Received:2010-12-14 Revised:2011-02-17 Online:2011-07-01 Published:2011-07-01
Contact: Xiao-nan ZHANG

摘要/Abstract

摘要： 讨论了传统软件可靠性预测模型的主要弱点；在分析传统PSO-SVM模型和软件可靠性预测特点的基础上，对传统PSO-SVM模型进行改进，建立了优化PSO-SVM软件可靠性预测模型。最后通过仿真结果表明，该优化预测模型具有更好的小样本适应性,训练速度快,预测精度高，能够更好地适用于软件可靠性预测。

关键词: 粒子群优化算法, 支持向量机, 软件可靠性, 预测

Abstract: The major disadvantages of the current software reliability models were discussed. And then based on analyzing classic PSO-SVM model and the characteristics of software reliability prediction, some measures of the improved PSO-SVM model were proposed and an improved model was established. Lastly, the simulation results show that compared with classic models，the improved model has better prediction precision，better generalization ability and lower dependence on the number of sample, which is more applicable for software reliability prediction.

Key words: Particle Swarm Optimization (PSO), Support Vector Machine (SVM), software reliability, prediction

张晓南刘安心刘斌张宏梅青星. 基于优化PSO-SVM模型的软件可靠性预测方法[J]. 计算机应用, 2011, 31(07): 1762-1764.

Xiao-nan ZHANG An-xin LIU Bin LIU Hong-mei ZHANG Xing Qing. Software Reliability Prediction Based on the improved PSO-SVM Model[J]. Journal of Computer Applications, 2011, 31(07): 1762-1764.

[1]	蔡彪, 李蕊岑, 吴媛媛. 相似性特征对链路预测的影响与增强[J]. 计算机应用, 2021, 41(9): 2569-2577.
[2]	安鑫, 杨海娇, 李建华, 任福继. 热安全约束下异构多核系统动态映射方法[J]. 计算机应用, 2021, 41(9): 2631-2638.
[3]	代雨柔, 杨庆, 张凤荔, 周帆. 基于自监督学习的社交网络用户轨迹预测模型[J]. 计算机应用, 2021, 41(9): 2545-2551.
[4]	丁尹, 桑楠, 李晓瑜, 吴飞舟. 基于循环神经网络的电信行业容量数据预测方法[J]. 计算机应用, 2021, 41(8): 2373-2378.
[5]	张盟, 郭健全. 需求和回收不确定的闭环供应链渠道结构选择[J]. 计算机应用, 2021, 41(7): 2100-2107.
[6]	武维, 李泽平, 杨华蔚, 林川, 王忠德. 融合内容特征和时序信息的深度注意力视频流行度预测模型[J]. 计算机应用, 2021, 41(7): 1878-1884.
[7]	张元钧, 张曦煌. 基于图卷积与长短期记忆网络的动态网络表示学习模型[J]. 计算机应用, 2021, 41(7): 1857-1864.
[8]	李洋莹, 陈智军, 张子豪, 游兰. 基于改进Elman神经网络的制糖企业原糖需求预测模型[J]. 计算机应用, 2021, 41(7): 2113-2120.
[9]	倪水平, 李慧芳. 基于一维卷积神经网络与长短期记忆网络结合的电池荷电状态预测方法[J]. 计算机应用, 2021, 41(5): 1514-1521.
[10]	贾鹤鸣, 姜子超, 李瑶, 孙康健. 基于改进斑点鬣狗优化算法的同步优化特征选择[J]. 计算机应用, 2021, 41(5): 1290-1298.
[11]	徐国保, 陈媛晓, 王骥. 基于图卷积网络的药物靶标关联预测算法[J]. 计算机应用, 2021, 41(5): 1522-1526.
[12]	李旭娟, 皮建勇, 黄飞翔, 贾海朋. 基于自生成深度神经网络的4D航迹预测[J]. 计算机应用, 2021, 41(5): 1492-1499.
[13]	余东昌, 赵文芳, 聂凯, 张舸. 基于LightGBM算法的能见度预测模型[J]. 计算机应用, 2021, 41(4): 1035-1041.
[14]	张欣环, 刘宏杰, 施俊庆, 毛程远, 孟国连. 基于时空特征向量的长短期记忆人工神经网络的城市公交旅行时间预测[J]. 计算机应用, 2021, 41(3): 875-880.
[15]	唐延强, 李成海, 宋亚飞. 基于改进粒子群优化和极限学习机的网络安全态势预测[J]. 计算机应用, 2021, 41(3): 768-773.

基于优化PSO-SVM模型的软件可靠性预测方法

Software Reliability Prediction Based on the improved PSO-SVM Model

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics