【技术实现步骤摘要】
本专利技术属于神经网络测试，具体涉及一种面向神经网络的变异测试用例评估与优化方法。
技术介绍
1、随着大数据的爆发和计算能力的提升，人工智能技术，尤其是以神经网络(nn)为代表的技术，正在迅猛发展，并在图像处理、文本分析、语音识别、自动驾驶等领域取得显著的突破。
2、神经网络作为人工智能领域的核心研究方向，通过模仿动物神经网络的特征进行信息处理。这一算法数学模型主要由输入层、隐藏层和输出层构成，其中每层包含若干神经元，上一层的神经元通过权重与下一层相连。通过数据集的训练，不断更新权重等参数，神经网络最终在各种具体任务上取得了良好的表现。
3、近年来，为追求更卓越的性能，神经网络朝着深度神经网络(deep neuralnetworks，dnn)和深度学习(deep learning，dl)方向发展。然而，随着神经网络层数的增加，模型变得更为复杂，可解释性逐渐降低，使神经网络模型更接近于“黑盒”。这带来的潜在威胁和隐患变得更加难以发现，尤其是在神经网络技术应用于自动驾驶系统、疾病预防与检测系统、恶意软件检测系统等安全...
【技术保护点】
1.一种面向神经网络的测试用例评估方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种面向神经网络的测试用例评估方法，其特征在于：步骤1中，所述的对原始测试用例进行变异操作，得到测试用例变异体，具体操作包括：
3.根据权利要求1所述的一种面向神经网络的测试用例评估方法，其特征在于：步骤1中，所述的对原始训练模型进行变异操作，得到训练模型变异体，具体操作包括：
4.一种面向神经网络的测试用例优化方法，其特征在于：包括以下步骤：
5.根据权利要求4所述的一种面向神经网络的测试用例优化方法，其特征在于：S10中，所述...
【技术特征摘要】
1.一种面向神经网络的测试用例评估方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种面向神经网络的测试用例评估方法，其特征在于：步骤1中，所述的对原始测试用例进行变异操作，得到测试用例变异体，具体操作包括：
3.根据权利要求1所述的一种面向神经网络的测试用例评估方法，其特征在于：步骤1中，所述的对原始训练模型进行变异操作，得到训练模型变异体，具体操作包括：
4.一种面向神经网络的测试用例优化...
【专利技术属性】
技术研发人员：杨志斌，杨珍，周勇，苏祥，张海，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。