發(fā)布時間：2020-04-03 17:55

【摘要】：遺留在軟件中的缺陷會隨著軟件系統(tǒng)長期持續(xù)運行造成計算機內(nèi)存泄露、舍入誤差積累、文件鎖未能及時釋放等現(xiàn)象的發(fā)生,最終導致系統(tǒng)性能衰退甚至崩潰。這些軟件老化現(xiàn)象的發(fā)生不僅降低了系統(tǒng)的可靠性,嚴重時還會危害人的生命財產(chǎn)安全。為了減輕軟件老化帶來的危害,對軟件老化趨勢進行預測,及時采取抗衰策略避免軟件老化現(xiàn)象的發(fā)生就變的尤為重要。反映軟件老化狀態(tài)的一個很重要指標是軟件的平均響應時間,本文通過對軟件平均響應時間的預測來推斷軟件運行狀態(tài)。針對軟件老化預測研究,本文主要工作概述如下:通過對已有預測方法分析并結合軟件運行特點,確定用最小二乘支持向量機作為軟件老化預測方法。通過實驗建立最小二乘支持向量機軟件老化預測模型,并與支持向量機軟件老化預測模型實驗結果進行對比,證明其優(yōu)越性。最小二乘支持向量機預測模型懲罰因子和核函數(shù)參數(shù)的選擇,對模型的預測效果有很大影響。為了提高最小二乘支持向量機的預測結果,本文采用灰狼優(yōu)化算法對最小二乘支持向量機的參數(shù)進行尋優(yōu)。建立基于灰狼優(yōu)化算法的最小二乘支持向量機軟件老化預測模型,并通過實驗與基于遺傳算法的最小二乘支持向量機軟件老化預測模型實驗結果對比,證明其優(yōu)越性,從而為軟件抗衰操作執(zhí)行時機的確定提供重要的參考依據(jù)。
【圖文】：

結章主要包含兩方面的內(nèi)容：一是軟件老化預測概述和預測方法的介紹，環(huán)境的構建與數(shù)據(jù)采集。首先簡單介紹了軟件老化預測的整體流程，然常用的預測方法進行了詳盡的介紹和分析，由于軟件老化預測高實時性度的要求，確定選用最小二乘支持向量機作為軟件老化預測模型。最后方案，搭建實驗平臺。通過多次的實驗，采集實驗數(shù)據(jù)，為軟件老化預建立提供訓練集數(shù)據(jù)和測試集數(shù)據(jù)。

由于 LSSVM 是對 SVM 的改進，，是在 SVM 的基礎上發(fā)展起來的，而 SVM又是基于統(tǒng)計學習理論。本章先對統(tǒng)計學習理論進行介紹，從而引出 SVM 和LSSVM，并對 SVM 和 LSSVM 進行了詳細的介紹。最后建立基于 SVM 軟件老化預測模型和 LSSVM 軟件老化預測模型，通過對測試集數(shù)據(jù)平均響應時間的預測，來證明 LSSVM 軟件老化預測模型的優(yōu)越性。3.1 支持向量機理論3.1.1 機器學習的基本問題機器學習（Machine Learning）實際上是一種對問題真實模型的逼近。通過對樣本數(shù)據(jù)的分析來尋找對象間的規(guī)律，從而構造出預測模型，再運用該模型對未知數(shù)據(jù)預測[47]。機器學習模型由數(shù)據(jù)產(chǎn)生器、訓練器和學習機構成，如圖 3.1 所示[48]。
【學位授予單位】：西安建筑科技大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TP311.5

【相似文獻】

相關期刊論文 前10條

1 王觀鵬;李國偉;陳建忠;;最小二乘中的病態(tài)問題[J];城市地理;2017年16期

2 王樂洋;;總體最小二乘的擾動分析[J];大地測量與地球動力學;2013年01期

3 魯照權;俞宗嘉;胡金東;胡焱東;;廣義最小二乘限定記憶參數(shù)辨識方法與仿真研究[J];安徽大學學報(自然科學版);2009年06期

4 張志云;周永豐;;基于最小二乘和廣義最小二乘的系統(tǒng)偏差估計研究[J];艦船電子工程;2008年08期

5 任勛益;王汝傳;謝永娟;;基于支持向量機和最小二乘支持向量機的入侵檢測比較[J];計算機科學;2008年10期

6 張建玲;;最小二乘與最小一乘[J];科技信息(科學教研);2007年27期

7 王玲,薄列峰,劉芳,焦李成;最小二乘隱空間支持向量機[J];計算機學報;2005年08期

8 劉念;最小二乘插值與擬合推估[J];測繪科學;2002年03期

9 蘇財茂,韓榮德;離散點連續(xù)圓弧替代最小二乘圓徑向誤差分析與改進計算[J];機械設計與制造;2001年04期

10 馮蘭芳;圓度誤差評判的最小二乘圓法[J];鄭州工業(yè)高專學報;1996年01期

相關會議論文 前10條

1 徐淑瓊;袁從貴;張新政;;密度權最小二乘支持向量機[A];中國自動化學會控制理論專業(yè)委員會A卷[C];2011年

2 苗晴;唐斌兵;周海銀;;基于約束最小二乘的空域迭代圖像復原[A];第三屆全國信息獲取與處理學術會議論文集[C];2005年

3 孫明軒;畢宏博;;最小二乘學習辨識[A];中國自動化學會控制理論專業(yè)委員會D卷[C];2011年

4 李方方;趙英凱;賈玉瑩;杜杰;;基于最小二乘支持向量機的油品質量預測[A];第25屆中國控制會議論文集（上冊）[C];2006年

5 袁慶;樓立志;陳瑋嫻;;加權總體最小二乘在三維基準轉換中的應用[A];第二屆中國衛(wèi)星導航學術年會電子文集[C];2011年

6 苑云;朱肇昆;尚洋;;一種加速最小二乘匹配方法[A];第十三屆全國實驗力學學術會議論文摘要集[C];2012年

7 王國慶;商玉寬;孫雨安;孫曉麗;秦建華;;基于多元曲線分辨-交替最小二乘-紫外光譜的地黃炮制過程監(jiān)控[A];中國化學會第26屆學術年會化學信息學與化學計量學分會場論文集[C];2008年

8 康傳會;汪曉東;汪軻;常健麗;;基于最小二乘支持向量機的遲滯建模方法[A];第二十九屆中國控制會議論文集[C];2010年

9 宋衛(wèi)紅;樓琳;李少敏;王敏;任域;;基于總體最小二乘的多測距融合定位模型[A];第九屆中國衛(wèi)星導航學術年會論文集——S10 多源融合導航技術[C];2018年

10 張兆坤;于瀛潔;陳明儀;;用最小二乘迭代法對干涉條紋圖進行插值[A];中國儀器儀表學會第三屆青年學術會議論文集（上）[C];2001年

相關重要報紙文章 前1條

1 本報記者任健;無法承受之輕[N];建筑時報;2005年

相關博士學位論文 前10條

1 陶葉青;總體最小二乘模型及其在礦區(qū)測量數(shù)據(jù)處理中的應用研究[D];中國礦業(yè)大學;2015年

2 魯鐵定;總體最小二乘平差理論及其在測繪數(shù)據(jù)處理中的應用[D];武漢大學;2010年

3 閻綱;基于最小二乘支持向量機的鋁電解過程建模與控制研究[D];中南大學;2012年

4 袁從貴;最小二乘支持向量回歸及其在水質預測中的應用研究[D];廣東工業(yè)大學;2012年

5 胡惠軼;基于分解的系統(tǒng)辨識方法研究[D];江南大學;2014年

6 鄭恩希;非多項式最小二乘有限元法在幾種散射問題中的應用[D];吉林大學;2012年

7 劉京禮;魯棒最小二乘支持向量機研究與應用[D];中國科學技術大學;2010年

8 王學鋒;整體最小二乘和KKT系統(tǒng)[D];中國海洋大學;2007年

9 馬新建;最小二乘無網(wǎng)格法的改進及其拓展應用研究[D];南京理工大學;2012年

10 楊濱;智能計算及應用研究[D];吉林大學;2010年

相關碩士學位論文 前10條

1 侯敏;多輸出最小二乘SVR及在求解混沌系統(tǒng)中的應用[D];聊城大學;2018年

2 李揚;最小二乘法、ε-支持向量回歸機與最小二乘支持向量回歸機的對比研究[D];華東師范大學;2018年

3 王欣;大規(guī)模數(shù)據(jù)樣本下的稀疏最小二乘支持向量機研究[D];西安理工大學;2018年

4 胡銳;基于最小二乘支持向量機的胎兒心電信號提取研究[D];廣東工業(yè)大學;2018年

5 陳珂;基于最小二乘支持向量機的軟件系統(tǒng)老化預測研究[D];西安建筑科技大學;2018年

6 趙英文;總體最小二乘精度評定方法研究[D];東華理工大學;2017年

7 舒托;輸入為張量的回歸問題和分類問題算法研究[D];新疆大學;2017年

8 曹曉莉;最小二乘逆時偏移方法研究[D];中國石油大學(華東);2014年

9 陳沛;一種基于最小二乘映射的減基法及應用[D];湖南大學;2011年

10 于德海;最小二乘小波及其在心電信號識別中的應用[D];北方工業(yè)大學;2005年

本文編號：2613518