动态预测法范文

动态预测法范文（精选3篇）

动态预测法 第1篇

关键词：煤矿,动态安全评价,预测技术,研究

煤炭行业在国民经济中占有重要的地位, 但是煤炭开采过程中的安全评估与管理问题一直未得到妥善的解决, 总体形势并不乐观, 职业危险也较为严重, 我国煤矿尘肺病患者保持着每年新增1万人的增长速率, 风湿、腰肌劳损也是常见的职业病, 我国煤矿每年因人身事故引发的经济损失高达35亿以上, 煤矿生产带来的安全事故不仅时时刻刻威胁着生产人员的生命健康安全, 对企业与社会也将造成巨大的损失。造成煤矿生产安全事故频频发生的原因是多种多样的, 那么如何在短时间内改进并取得可观的效果则为煤矿企业安全管理工作的核心, 所以, 实施煤矿动态安全评价及预测技术的探究工作, 使煤矿运行系统的安全分析、与预测作为安全管理的重要部分, 使其在煤矿安全生产管理的作用得到充分的发挥。

1 动态安全评价及预测技术的基本概念

1.1 安全与事故

事故的普遍性说明了不存在绝对的安全, 与其他事物相比, 事故也有自身发生、发展、消失的过程, 这提示我们事故是具有可控性的, 系统预防原则要求在事故预防的工作中, 不但要将人为因素纳入考虑范围, 还应综合考虑机、环境、管理其他要素。安全工作的最终目的是避免一切事故发生的可能性, 或尽最大程度降低事故发生后所导致的损失, 因此, 一定要采取措施将有可能引发安全事故的一切危险因素于其引发损失之前予以消除, 与此同时鉴别事故的危险程度, 对事故进行分析与评价。

1.2 安全评价

安全评价主要是对当前系统所存在的危险系数开展评估, 并为整个煤矿运行系统的安全水平进一步改进与事故的预防提供信息参考依据。在生产过程中, 对隐藏于目标评价系统中的风险因素进行确认并进行量与性的分析, 从而对当前系统整体状态下的所存在的风险因子给出有关定论与定量的分析结论, 并制定出相应的解决错略, 凭借现有的技术水平对危险因子逐步消除或降低危险程度, 使被评价系统处于安全状态之下。

1.3 安全预测

虽然事故表面具有偶发性或随机性, 但实质上也具有一定的规律可循。虽然极个别安全事故带有不确定性, 但大多数事故还是呈现出规律性, 因此, 进行事故预测是具有可操作性的。安全预测技术涉及事故的预测, 但并非仅仅为事故预测, 安全预测可根据当前煤矿系统总体运行状态与既往运行状态下危险系数的不同, 通过构建数学预测技术模型, 对未来某个时间段下的煤矿系统运行时的危险程度实施预测分析, 以此达到控制危险系数增长的目的, 将煤矿运行系统维持于安全的状态下, 安全预测技术的首要之务就是建立相应的数学安全预测技术模型。

2 基于神经网络的煤矿动态安全评价模型的构建

神经网络即为人工神经网络, 在神经网络的诸多算法中, 误差反向传播算法 (BP) 是被广泛使用的方法, 因此, 使用BP的神经网络又被称为BP神经网络。BP网络被广泛用于数据压缩、模式识别/分类等, 是人工神经网络的核心所在, 以下笔者将着重分析BP神经网络在安全评价体系中的应用及煤矿动态安全评价模型的构建。

2.1 BP神经网络算法[1]

BP法即为迭代法, 由工作信号的正向传播与误差信号的反向传播所构成。r代表神经元输入, T代表目标矢量, P代表网络输入, A代表输出, Sl表示隐含层神经元数, fl表示神经元激活函数;S2表示输出层神经元数, f2表示神经元激活函数。

1) 工作信号的正向传播:若输入的工作信号进入输出层却无法以预计效果进行输出, 则可以误差信号的方式实施反向传播。

第i个神经元的输出表达式 (隐含层) :

第k个神经元的输出 (输出层) 表达式为:

定义误差函数为:

2) 误差信号的反向传播:实际网络输出与预期网络输出间的差即为误差信号, 由误差反向传播来对网络权值实施调节, 可通过调整权值使误差降至最小, 实际网络输出与预期网络输出更接近。

输出层权值的变化:

第i个输入第k个输出间权值的变化:

隐含层权值的变化:

第j个输入第i个输出间权值的变化:

可得出:∆b1i=ηδij。

基于确定煤矿安全动态评价体系与各个指标的安全分级标准的前提下, 将安全评价指标体系的权值分解为反映评价指标不同属性对煤矿安全影响的权值, 以及不同安全等级下属的各区域评价指标值对煤矿安全影响程度等级权值。

3 安全预测技术的研究

煤矿安全预测技术实质上是对时间数据的预计与分析处理工作, 是非线性系统, 一般采用NARMA模型进行预测, 但该模型要想找到适当的参数估计方法有一定的困难。所以, 将神经网络用于非线性系统模型的构建与识辨, 更利于给出可行的算法。

3.1 煤矿安全预测参数的选取

可反映煤矿安全状况的因素较多, 但在时间序列预测中应考虑可全面体现安全动态性变化的预测指标。百万吨死亡率一直是为煤矿企业与外界所公认的可体现煤矿生产运行系统安全情况的有力依据, 也可作为煤矿安全考核的重要参照, 所以, 将百万吨死亡率作为预测模型的参数较为适合。但若目标煤矿近年来的百万吨死亡率为0, 则可考虑使用千人负伤率来作为替代[2]。

3.2 预测技术模型的构建要素

基于神经网络下的误差反向传播法来作为构建安全预测技术模型的基础, 在使用BP神经网络的过程中, 需遵循以下步骤与方法:

将数据输至输入层, 当输入层接收到传入的信息之后, 迅速计算出权值之和, 再使用传递函数将信号输入中间层, 然后再传输至输出层, 如下所示:

将实际网络输出与预期输出间的数据进行对比, 若数据误差超出规定值范围, 则将误差由输出层传送至输入层。在此环节中, 对单元间的连接权重进行相应的修改, 权值变量为:△Wij=lrEf (I) 。待输出层的误差返回至中间层后, 采用初步计算时所采用的权值进行计算。每个输出层所得的误差权值之和为中间层的净误差, 公式为:

3.3 预测误差值的测量

用己经完成训练的神经网络来对时间序列进行预测, 对训练过的网络性能进行评价时要用检验时间序列来进行评价。若已知网络预测值Oi、序列实际值ti、第i项预测的实值, 则用以评价网络总体性能的指标与方法主要分以下几类:[3]

1) 均方根RMS法:根据下式得到n次试验结果的平均方差, RMS为绝对值, 与被预测序列的幅值无直接关联。

2) 平均相对误差 (MRE) :实际值没有0出现时, 可用下式计算得出:

3) 均方差 (MSE) :n次试验结果的均方差, 可由下式得到:

3.4 网络参数的选取

网络内部参数主要由网络权值矢量W、偏差矢量B组成。有如下确定方法:采用函数发生器中的自动变量来赋初值;或根据当前系统的实际情况来使用人工赋值。考虑到神经网络自身的特征, 通过函数发生器来给出赋初值不会对网络结果的精准度造成影响。因此, 笔者在实际工作中采用函数发生器对变量赋初值。

4 结论

本文以煤矿动态安全评价及预测技术的几个基本概念为切入点, 为煤矿的安全评价与管理工作的有效开展提供了理论支撑。在对矿井安全状况开展分析、评估、研究的基础上, 建立了以神经网络为基础的煤矿动态安全评价体系及以神经网络为基础的安全预测技术, 在考虑到神经网络技术特性的前提下, 确立了具有误差反向传播作用并能对网络形态实施动态训练的BP神经网络作为煤矿安全评估的模型, 笔者还介绍了煤矿网络系统下的安全性评估设计与学习的步骤, 建立了基于神经网络的非线性安全评价模型, 建立了在拥有历史数据基础预测问题上的神经网络预测技术, 总结出了一套对煤矿安全评价与安全生产管理皆具指导性意义的成果。

参考文献

[1]赵红梅, 陈开岩, 王超.关于我国煤矿百万吨死亡率的灰色预测探讨[J].矿业安全与环保, 2006, 4:38-40.

[2]杨智懿, 熊亚选, 张乾林.工作面瓦斯涌出量的神经网络模型预测研究[J].煤炭工程, 2004, 10:73-75.

动态分支预测技术分析与量化研究 第2篇

动态分支预测技术在现代高性能处理器设计中被广泛采用,成为高性能处理器的标志之一。如何采用更有效的方法来预测分支指令的方向(转移失败或成功)和计算分支转移地址,即如何在尽量节省硬件的前提下实现准确率(包括分支方向准确率和分支地址准确率)更高的预测技术已经成为高性能微处理器设计的研究热点。

1 动态分支预测技术分析

1.1 基于分支地址预测的动态分支预测技术

动态分支预测技术的核心思想是基于分支指令执行的历史情况来做出预测或调整分支预测的策略。首先介绍基于分支地址预测的动态分支预测技术。这种预测技术首要关注的是分支目的地址的计算延迟。

分支目标缓冲(Branch Target Buffer,BTB)技术被广泛采用以实现对分支地址的动态预测。该技术采用一个小容量的高速缓冲栈来保存最近执行的k条转移指令的PC值,以及其相对应的分支目的地址。其中,转移指令的PC值作为该BTB的索引标示。在IF阶段,所有取出的指令地址都要与BTB中的转移指令地址逐一进行比较。若发现有相等的,就认为取出的该指令为转移指令,且预测为转移成功,同时将BTB中该行的分支目标地址作为取出的指令的分支目标地址。图1所示为BTB流水工作示意图。

1.2 基于分支方向预测的动态分支预测技术

基于分支地址预测的动态分支预测技术致力于减少分支开销,而基于分支方向预测的动态分支预测技术则致力于提高预测的准确率。对于复杂条件转移指令,分支方向的预测的延时要大于分支地址的计算,分支方向预测的准确率成为影响流水线的性能高低的主要因素。

1.2.1 2bC预测法

n-bit动态分支方向预测方法的基本思想是基于分支历史表(Branch History Table,BHT)查找本次分支预测的策略。具体的实现方法为:在一片存储区域或直接在指令Cache中设置一个n-bit位宽的字段,称为BHT。当执行一条转移指令时,把这条转移指令最近K次转移成功或不成功的信息记录在这个BHT中,并且预测错误后更新BHT中的该条记录。

现有微处理器大多采用2bit Counter来记录最近一次转移是否成功的信息,称为2bC预测法或2-bit预测法,其状态转换情况如图2所示。图中的两位二进制表示历史上最近两次执行这条转移指令时转移是否成功:11表示最近两次转移都成功;10表示最近一次转移不成功,再前一次转移成功;01表示最近一次转移成功,再前一次转移不成功;00表示最近两次转移都不成功。其分支预测策略为:若Counter的值大于等于2,则预测分支转移成功,否则预测分支转移失败。BHT更新策略为:仅当预测错误连续发生两次时才改变预测方向。

1.2.2 2 level预测

首先引入相关预测(Correlative Prediction)的概念:将某条分支指令的最近K次执行的历史情况(称为局部历史,Part History)和最近执行的前M个转移指令的历史情况(称为全局历史,Global History)均记录下来,并基于这些历史信息对该条分支指令做出分支方向预测。相关预测对应的实现方法称为2 level预测法。其核心思想为:用分支历史寄存器(Branch History Register,BHR)和模式历史表(Pattern History Table,PHT)分别存储GH和PH。目前,具有较高预测准确率的2-Level预测法主要有以下五种。

(1)GAg预测法:由一个M-bit的BHR和一张拥有2M个入口地址的PHT实现。其中,BHR记录最近执行的前M次转移指令是否转移成功的历史情况:1表示转移成功,0表示转移不成功。再由这M-bit二进制数对PHT进行寻址,而PHT每个入口则是一个2bC预测器,用来记录对应于某一种BHR状态的分支模式历史。通过当前分支指令对应的BHR值去索引该PHT,便可得到本次分支方向的预测值。

(2)GAp预测法:由一个M-bit的BHR和S张总共拥有S*2M个入口地址(S=2T)的PHT实现。该预测法采用分支指令的低T位地址与M-bit BHR相拼接来对PHT进行寻址:不同的分支指令对应不同的PHT;在同一张PHT内,用M-bit的BHR对其寻址。与GAg预测法相比,GAp预测法考虑了不同PC值对PHT的影响。

(3)PAg预测法:由S个M-bit的BHR(S=2T)和一张拥有2M个入口地址的PHT实现。首先用分支指令的低T位地址去索引S个BHR(寄存器堆);然后用选中的M-bit的BHR去对PHT进行编址。与GAg预测法相比,PAg预测法考虑了不同的PC值对BHR的影响。

(4)PAp预测法:由N个M-bit的BHR和S张总共拥有S*2M个入口地址(S=2T)的PHT实现,如图3所示。该预测法用分支指令的低T位地址同时去索引BHR和PHT而得到分支方向预测的策略。与GAg预测法相比,PAp预测法同时考虑了不同PC值分别对BHR和PHT的影响。

(5)G-share预测法:G-share预测器的执行包含一个M位宽的BHR和一张拥有2T个2bC预测器入口的PHT,如图4所示。对任意一个条件分支,分支指令的地址的低T位与BHR中的值经过异或运算得出来一个T位的值,再由这个T-bit值去索引具有2T个入口的PHT。

2 动态分支预测技术SPEC性能评估

本节采用Simple Scalar和SPEC 2000基准测试程序对上述6种动态预测技术进行模拟与性能评估。评估指标为:分支地址预测准确率和分支方向预测准确率,如图5-8所示。

通过对大量测试数据进行统计,得出以下结论:(1)无论是分支地址预测准确率还是分支方向预测准确率,都随着Entry Number的数目的增多而缓慢增大,但当Entry Number=4096(BTB size:512,关联度:8)后,预测准确率几乎不再随Entry Number的增多而增大。(2)对于2 level预测法,预测准确率随着硬件复杂度的增大而增大;当拥有8个8-bit位宽的BHR和65536个入口的PHT时(PAp预测法),其分支方向预测准确率可达97%。

3 结束语

本文通过对六种动态分支预测技术进行模拟和SPEC性能测试,然后对大量的测试数据进行统计,得到了一些预测准确率与硬件结构参数之间的量化规律,对高性能低复杂度的CPU设计具有一定的参考价值。

参考文献

[1]John L Hennessy,David A Patterson.计算机系统结构——量化研究方法[M].电子工业出版社,2007.

[2]郑纬民,等.计算机系统结构[M].清华大学出版社,1998.

[3]张晨曦,王志英,等.计算机体系结构[M].高等教育出版社,2008.

[4]焦永,陈跃跃.分支预测及几种新的分支预测技术[J].中国计算机学会,2003.

[5]曲亚东.动态分支预测的改进[C].第七届联合国际计算机会议论文集,2000.

[6]金立忠,窦勇.微处理器体系结构模拟器SimpleScalar分析与优化[J].计算机应用研究,2006(8):197-202.

[7]陈剑龙,傅忠传,崔刚.Simple Scalar模拟器内核分析与应用[J].哈尔滨工业大学学报,2004,5(36-5):652-654,696.

基于动态缺陷预测的缺陷收敛判定 第3篇

缺陷预测和预防是现代软件质量管理领域内一个核心研究方向, 缺陷预测一般可以分为静态缺陷预测和动态缺陷预测两类, 静态缺陷预测是指根据软件的相关静态度量数据, 进行量化分析, 对软件缺陷的数量或者功能分布进行预测, 一般可以应用到整个项目的生命周期, 对项目质量进行宏观的指导;动态缺陷预测是指基于缺陷在项目中产生的时间, 预测项目缺陷随时间的分布趋势[1], 这是一种专门针对测试项目或者项目各测试阶段的预测方法。动态缺陷预测的核心是数学模型, 目前使用最为广泛的动态缺陷预测模型有指数分布模型[1]、Rayleigh分布模型[2,3]、Delayed-S分布模型[4]、Inflection-S分布模型[5,6]、Gompertz模型[7,8,9]等。但是到目前为止, 缺陷预测仍然大多停留在理论研究阶段, 真正能在企业实际应用中起到作用的少之又少, 尤其是动态缺陷预测, 因为动态缺陷预测需要高度信息化的测试管理平台作为基础来支撑, 其预测模型的建立对于数据规范和真实性的要求很高, 而企业也缺乏在缺陷预测应用方面的成功经验和参考案例。针对“理论易, 应用难”的情况, 本文详细阐述了动态缺陷预测技术在指导实际项目进行测试质量管理和控制的过程中的使用方法, 并做出标准化建议。

2 最优化模型判定

动态缺陷预测的模型很多, 事实上根据项目的不同所适用的最优化缺陷预测模型也不尽相同, 要提升预测的准确度。一方面可以通过对模型本身进行优化, 另一方面也可以对于模型的选择进行优化, 而实际应用中, 对模型的选择进行优化远远要比对模型本身进行优化更具有实用性。

目前对模型效果进行验证比较普遍的指标是平均绝对偏差Mean Absolute Deviation (MAD) 和平均平方误差Mean Squared Error (MSE) , 这两种检验残差的指标对于模型的效果验证都有一定效果, 尤其是在模型的横向比较上, 不同模型MAD和MSE的大小直观的体现了不同模型拟合效果的优劣, 但是, MAD和MSE都不是归一化的指标, 无法直接说明单一模型在拟合以及预测方面的准确度。经济学家Theil在1966年提出了一种归一化的指标来判定模型预测的精度[10,11], 这个指标在预测经济学界广泛引用, 也被用到很多模型精度的检验中, 被称为泰尔不等系数 (Theil's Coefficient of Inequality) [12], 其计算方法是:

式中:Ai表示观测值, Pi表示预测值, Theil不等系数是一个在零到一范围内的值。当Theil=0时, 表示观察值与模型完全吻合, Theil值越大, 表示模型越不准确。

然而, 对于预测模型来说, 模型与训练集的拟合度并不是判断模型优劣的唯一条件, 更重要的是需要判断模型的预测值与未来实际发生的真实值之间的差距, 因此, 我们根据泰尔不等系数对于缺陷预测模型的判定需要分为两部分:

因此, 在实际项目中, 我们可以对每一个项目进行不同的模型拟合, 计算不同模型的整体泰尔不等系数, 对模型的拟合效果进行横向比较, 选定对项目缺陷预测最为准确的模型, 再用最优模型的泰尔不等系数与泰尔不等系数控制线进行比较, 只有泰尔不等系数在控制线以内的模型, 我们才认为是可信的, 否则, 即使是在所有模型中选出的最优模型, 也不能作为可信的缺陷预测模型。如图2所示, 对于同样的项目数据, 同时拟合Delayed-S, Inflection-S, Exponential, Gompertz模型, 得到的泰尔不等系数分别是0.024, 0.018, 0.034, 0.016, 假设泰尔不等系数控制线为0.05, 则说明4个模型都能满足我们对缺陷预测的精度要求, 但是由于Gompertz的泰尔不等系数最小, 是最为适合这个项目的缺陷预测模型。

显然, 在上述情况下, 我们就会选择误差最小的Gompertz模型来预测缺陷。但是, 这样我们会遇到另外一个问题:Gompertz模型是不是在整个项目的执行过程中都是最优的?图2中的缺陷预测是在项目的80%左右进行的, 但是如果从项目开始到项目结束期间每次拟合所得到的最优缺陷预测模型都不相同, 那么80%时对项目进行预测的得到的最优模型只能说是局部最优模型, 不能作为整个项目的整体最优化预测模型。考虑到缺陷预测模型的作用和特点, 一般来说, 缺陷预测模型在数据点越多的情况下, 训练模型所使用的数据信息量越大, 预测越具有可信度, 换而言之, 从理论上讲, 在动态缺陷预测中, 越是接近项目尾声, 缺陷预测模型越是准确, 而事实上, 项目越是接近尾声, 我们对缺陷预测的可信度要求也越高, 因此, 我们可以放宽在测试初期的缺陷预测精度标准, 但是必须严格控制在测试后期的预测精度标准, 在应用中的表现是预测模型的精度能随着项目的实施越来越高, 并且在最后一段时间内稳定的收敛在泰尔不等系数的控制线内。因此, 为了得到模型的全局最优解, 我们设定以下的模型最优化判定条件:

(1) 模型的平均泰尔不等系数最小;

(2) 模型的泰尔不等系数达到对模型预测精度的要求;

(3) 模型的精度随测试的执行越来越好;

(4) 随着测试的执行, 模型的精度变化波动越来越小, 即模型越来越稳定。

基于上述条件, 我们设泰尔不等系数的模型为:

k是缺陷预测模型的编号

如果最优化模型仍然不能满足预测的精度都在要求的范围内的情况 (即能满足第一个和第三个条件, 不能满足第二个条件) , 则意味着目前可用的模型对于项目的预测精度都无法达到组织的要求, 虽然仍然可以以这样的最优化模型来做预测, 但是预测的实用性和参考价值会大大降低。

3 缺陷收敛判定

由于动态缺陷预测在项目完成百分比越高的时候, 预测的准确度越高, 动态缺陷预测最具可靠性和指导价值的应用就是在项目末期对项目缺陷收敛情况进行判定, 帮助决策者判断项目的交付质量是否可靠, 测试是否可以结束, 有没有必要加测。

对于项目缺陷收敛的判定需要根据真实缺陷的出现趋势以及对缺陷出现趋势的预期两方面来看:

一方面, 项目的缺陷预测模型对项目未来的缺陷走势预期是收敛的。

另一方面, 项目实际缺陷的出现趋势是收敛的。

具体来说, 缺陷收敛需要满足以下六个判定准则。

(1) 实际软件测试所发现的缺陷数能够较好的符合所拟合的软件预测模型;

(2) 软件预测模型所预测的缺陷数增长率越来越慢;

(3) 软件预测模型所预测的缺陷数在缺陷收敛判定日小于控制线;

(4) 在判定收敛日往前连续几天内, 实际测试所发现的缺陷数与预测模型所得到的预测值之间误差在一定的控制范围之内;

(5) 实际测试所发现的缺陷数从判定收敛日的前几天开始, 没有出现缺陷连续几天持续增长的情况。

(6) 在判定收敛日往前连续几天内, 实际测试所发现的缺陷数总量在一定范围内;

假设软件测试项目计划从第1天开始, 到第N天结束, 当前测试日期为T, 预测模型的概率密度函数为f (t) , 累积密度函数为F (t) , 实际值概率密度函数为r (t) , 累积密度函数为R (t) , 则软件缺陷收敛判定准则可表达为:

(2) f (T) ’<0, 表示预测缺陷的增长率是逐步减小的;

(3) f (T) <控制线, 表示预测收敛判定当日出现的缺陷个数在我们的控制范围之内;

4 结束语

以下是某些项目在结束时对项目缺陷进行收敛判定的结果示例, 这些项目都以90%的数据作为训练样本建立预测模型F (t) , 以90%到100%之间的数据作为检验样本, 设全量数据的泰尔不等系数控制线为0.05, 最后10%数据的泰尔不等系数控制线为0.025, 收敛判定当日允许出现的缺陷数为项目日均缺陷的50%, 项目最后10%阶段出现的缺陷总数不超过总缺陷数的5%, 图中黑色实线为真实数据 (累积) , 蓝色实现为预测模型 (累积) , 绿色实现为概率密度分布, 紫色实线为概率密度函数的变化率, 高亮的六条子判定结果对应着上述的六条判定条件, 则有:

项目一:最优化模型为Inflection-S模型, 满足所有六个收敛判定条件, 判定结果:项目缺陷收敛。

项目二:最优化模型为Gompertz模型, 无法满足缺陷收敛判定的第六个条件, 即在项目进行到90%至100%之间的缺陷总数超过了我们对于最后阶段缺陷总数的控制范围, 判定结果:项目缺陷不收敛。

项目三:最优化模型为Inflection-S模型, 无法满足缺陷收敛判定的第四个条件, 即预测模型在项目最后10%阶段的预测精度不满足要求, 项目在进行到90%之后发生了较重大的变化, 判断结果:项目缺陷不收敛。

根据大量真实项目数据的实验, 我们发现上述缺陷收敛判定结果的应用效果显著, 可以有效地辅助项目管理人员判断项目的缺陷是否收敛, 决策项目测试能都按时交付, 是否需要加测等。

不同组织在应用缺陷最优化模型判定以及缺陷收敛判定时, 需要根据组织的实际情况制定相应的控制线标准, 文章中所设定的控制线只是基于经验的建议值, 在组织没有经验的情况下可以作为判定条件的初值。

摘要：缺陷预测作为一个在软件质量管理领域的研究热点, 各种理论层出不穷, 但是大多是聚集在对于方法的研究上, 在实际项目中很少能得到应用。文章以成熟的动态缺陷预测模型为基础, 利用泰尔不等系数对项目测试在不同时间的缺陷预测效果进行判定, 提出了基于泰尔不等系数的在不同预测点的变化来确定最优化动态缺陷预测模型的方法, 并由此制定了一套在软件测试阶段判定软件缺陷收敛的标准, 以指导缺陷预测在的实际项目中的应用。

关键词：软件质量管理,缺陷预测,缺陷收敛,泰尔不等系数

参考文献

[1]王青, 伍书剑, 李明树.软件缺陷预测技术[J].Journal of Software, 2008 (7) 1565-1580.

[2]Lyu M.Handbook of Software Reliability Engineering.Singapore:Mc Graw-Hill, 1996.

[3]Xie M.Software Reliability Modelling.Singapore:Word Scientific Publishing Co.Pte.Ltd, 1991.

[4]Yamada S, Ohba M, Osaki S.S-Shaped reliability growth modeling for software error detection.IEEE Trans.on Reliability, 1983, 32 (5) :475-478.

[5]Ohba M.Software reliability analysis models.IBM Journal of Research and Development, 1984, 28 (4) :428-443.

[6]N.Ahmad and Md.Zafar Imam.Software Reliability Growth Models with Log-logistic Testing-Effort Function:A Comparative Study.International Journal of Computer Applications, 2013.

[7]Dimitri K, Jiang Siyuan, Pantelakis V.The modified Compertz reliability growth model[C]//Proceedings Annual Reliability and Maintain Ability Symposium, Anaheim, California, 1994.

[8]任卫军, 贺昱曜, 张卫钢, 基于Gompertz模型的软件质量与测试过程评估[J].计算机工程与应用, 2008, 44 (9) :87-89.

[9]解敏, 任平安, 马建峰.改进的软件测试预测模型[J].计算机工程与应用, 2010, 46 (31) :64-67.

[10]Theil, Henry.Applied Economic Forecasts.Amsterdam, North Holland, 1966.

[11]Theil, Henry.Economic Forecasts and Policy.Amsterdam:North Holland, 1965.