一种差分小波神经网络软件故障预测技术的构建方法技术

一种差分小波神经网络软件故障预测技术的构建方法，步骤如下：1、筛选有效故障案例；2、计算故障间隔时间，构建原始混沌间隔时间序列；3、构建训练和预测样本；4、对训练和预测样本进行差分预处理，构建训练差分时间序列和预测差分时间序列；5、通过相空间重构构建训练网络的输入矩阵和预期输出矩阵；6、构建基于差分小波神经网络的故障预测算法；7、完成差分小波神经网络的训练，构建故障预测系统；8、输入预测差分时间序列，预测最新的故障差分时间；9、通过差分还原法将输出的差分预测值转换成软件最新的故障间隔时间预测值；10、将预测的差分时间加入预测差分时间序列，运用迭代法实现多步故障预测。本发明专利技术具有实际应用价值。

【技术实现步骤摘要】
一种差分小波神经网络软件故障预测技术的构建方法
本专利技术提供一种差分小波神经网络软件故障预测技术的构建方法，它涉及一种差分小波神经网络软件故障预测技术的实现，属于软件可信性、软件故障预测领域。
技术介绍
神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。它具有大规模并行处理和分布式存储各类图像信息的功能，有很强的容错性、联想和记忆能力，因而被广泛地应用于故障诊断、故障预测、模式识别、联想记忆、复杂优化、图像处理以及计算机领域。小波神经网络是基于小波分析理论所构造的一种分层的、多分辨率的新型人工神经网络，即用非线性小波基函数取代了通常的非线性Sigmoid函数。小波神经网络有以下优点：可避免BP神经网络等结构设计上的盲目性；可避免局部最优等非线性优化问题；有较强的函数学习能力。差分则是一种常见的数据预处理方法，又名差分函数或差分运算，差分的结果反映了离散量之间的一种变化，是研究离散数学的一种工具，它将原函数f(x)映射到f(x+a)-f(x+b)。近年来，基于神经网络的混沌时间序列预测技术表现出较快的发展势头，每一种本文档来自技高网...

【技术保护点】
一种差分小波神经网络软件故障预测技术的构建方法，其特征在于：其步骤如下：步骤1、搜集大量被诊断软件的历史故障案例，针对被诊断软件系统的特点，依据故障信息相关、完整、非重复、非人为错误操作四原则，筛选有效故障案例，按照故障发生时间的顺序加入至创建的故障知识案例库；步骤2、计算故障间隔时间，按照故障知识案例库中的排序，构建原始混沌间隔时间序列；所述的“构建原始混沌间隔时间序列”的做法如下：假设共收集了m个故障发生时间数据，构成原始混沌时间序列{t1，t2，...,tm}，计算故障间隔时间Ti＝ti+1‑ti,(i＝1,2,…m‑1)后，共m‑1个故障间隔时间数据，构成m‑1维时间序列{T1，T2，...

【技术特征摘要】
1.一种差分小波神经网络软件故障预测技术的构建方法，其特征在于：其步骤如下：步骤1、搜集大量被诊断软件的历史故障案例，针对被诊断软件系统的特点，依据故障信息相关、完整、非重复、非人为错误操作四原则，筛选有效故障案例，按照故障发生时间的顺序加入至创建的故障知识案例库；步骤2、计算故障间隔时间，按照故障知识案例库中的排序，构建原始混沌间隔时间序列；所述的“构建原始混沌间隔时间序列”的做法如下：假设共收集了m个故障发生时间数据，构成原始混沌时间序列{t1，t2，...,tm}，计算故障间隔时间Ti＝ti+1-ti,(i＝1,2,…m-1)后，共m-1个故障间隔时间数据，构成m-1维时间序列{T1，T2，…，Tm-1}；步骤3、结合拓展后的多维时间序列，构建故障间隔时间预测信息的训练样本和预测样本；步骤4、对训练样本和预测样本进行差分预处理，构建训练差分时间序列和预测差分时间序列；步骤5、通过相空间重构法获得多维差分时间序列；构建训练网络的输入矩阵和预期输出矩阵，该输出矩阵会根据与网络实际输出的差别来调整连接权值，完成训练的过程；步骤6、构建基于差分小波神经网络的故障预测算法；首先要实现其核心技术，即基于故障知识案例库数据的网络函数初始化，结合样本分类和预测输出，实现网络权值修正和网络参数数据的自动学习，并以此为依据判断算法是否结束；算法结束后，即意味着网络训练结束，然后使用训练好的网络进行预测；步骤7、结合差分小波神经网络算法训练样本和预期输出的多维时间序列拓展方法，完成差分小波神经网络的训练过程，构建基于故障时间信息的软件故障预测系统；步骤8、在软件故障预测系统中输入预测差分时间序列，预测软件最新的故障差分间隔时间信息；所述的“预测软件最新的故障差分间隔时间信息”是指将序列{Tp(m-k-1)，Tp(m-k)，…，Tp(m-2)}作为故障预测系统的输入，系统会输出一个差分预测值Tp(m-1)；步骤9、结合多维时间序列预测样本，通过差分还原法将输出的预测值转换成软件最新的故障间隔时间预测数据；步骤10、将上一轮故障差分间隔的预测时间信息视为已知预测差分序列，运用迭代法实现多步故障预测技术指南，构建软件故障间隔时间信息数据库；通过上述步骤，能完成对差分小波神经网络软件故障预测技术的构建，将经过差分预处理后的故障间隔时间数据作为小波神经网络的输入，然后经过差分还原，即能进行软件故障间隔时间的预测；本发明适用于解决实际问题中的软件故障时间预测问题，能帮助软件开发者利用已知的软件故障时间信息，不需要其他数据，即能预知未来可能发生的故障的具体时间，以便在软件实际发生故障前做出应对，减小损失，具有很好的实际应用价值。2.根据权利要求1所述的一种差分小波神经网络软件故障预测技术的构建方法，其特征在于：在步骤1中所述的“筛选有效故障案例”的做法，主要有以下几点：(1)判断故障报告信息是否相关；(2)判断故障报告信息是否完整；(3)判断故障报告是否重复；(4)判断故障是否是由人员的错误操作造成；若故障信息相关、完整、不重复、不是人员的错误操作造成，那么能认为故障是由软件代码本身固有的缺陷被触发而导致的故障，即有效故障；其中故障信息相关表示故障报告是因为软件本身发生故障而提出，而不是因为需求新的功能而提出。3.根据权利要求1所述的一种差分小波神经网络软件故障预测技术的构建方法，其特征在于：在步骤3中所述的“训练样本和预测样本”，是指拓展的多维时间序列，将其分为差分小波神经网络的训练部分和预测部分；令k＝n-1，对于m-1个故障间隔时间数据，我们规定训练部分m-k-2个故障间隔时间数据，用于差分小波神经网络的训练，预测部分k+1个数据，用于故障间隔时间的预测。4.根据权利要求1所述的一种差分小波神经网络软件故障预测技术的构建方法，其特征在于：在步骤4中所述的“进行差分预处理”的做法如下：根据差分公式有训练样本差分故障间隔时间T(i-1)＝Ti-Ti-1(i＝2,3,…m-k-2)，其中T(i-1)即为差分，{Tt(1)，Tt(2)，…，Tt(m-k-3)}即构成训练差分序列，共m-k-3个差分数据；对于预测样本，则有Tp(i-1)＝Ti-Ti-1(i＝m-k,m-k+1,…，m-1)，将预测部分的k+1个故障间隔时间序列值转化为差分序列{Tp(m-k-...

【专利技术属性】
技术研发人员：杨顺昆，苟晓冬，周鑫，李大庆，林欧雅，陶飞，佘志坤，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11