چکیده
در این مقاله، مدلهای گروهی برای دقت پیشبینی قابلیت اطمینان نرمافزار توسعه یافته است. روشهای آماری (رگرسیون خطی چندگانه و رگرسیون خطی چند متغیره) و تکنیکهای هوشمند (شبکه عصبی آموزش دیده پس انتشار، سیستم استنتاج عصبی-فازی پویا و TreeNet) گروهها را ارائه میدهند. سه گروه خطی و یک گروه غیرخطی طراحی و تست شده است. براساس آزمایش روی قابلیت اطمینان دادههای بدست آمده از نرمافزار، مشاهده شده است که مجموعه گروههای غیرخطی عملکرد بهتری نسبت به گروههای دیگر و همچنین روشهای آماری و هوشمند دارند.
1. معرفی
قابلیت اطمینان نرمافزار بهعنوان احتمال خطای عملیات نرمافزار برای یک دوره مشخص از زمان در یک محیط مشخص شده است (تعریف ANSI). مدلسازی قابلیت اطمینان نرمافزار اهمیت بسیاری در سالهای اخیر بهدست آورده است. بحران نرمافزار در بسیاری از برنامههای کاربردی حاضر رو به افزایش است. کاربرد شبکههای شبکه هوشمند و هیبرید عصبی بهجای روشهای آماری سنتی بهبود قابل توجهی در پیشبینی قابلیت اطمینان نرمافزار در سالهای اخیر نشان داده است. در میان روشهای هوشمند و آماری شناسایی بهترین آسان است زیرا عملکرد آنها با تغییر در داده متفاوت است.
در این مقاله، یک رویکرد مبتنی بر گروه برای پیشبینی قابلیت اطمینان نرمافزار تشریح شده است. بهطورخاص، شبکه عصبی غیرخطی پس انتشار با استفاده از گروه آموزش دیده (BPNN) ارائه شده است. روش پیشنهادی تمام قابلیتهای تکنیک پیشبینی را به سمت داده و اختصاص مناسب وزن به هر از تکنیکهای مبتنی بر عملکرد آنها برده است.
این مقاله در نشریه الزویر منتشر شده و ترجمه آن با عنوان روش محاسبات نرم در سایت ای ترجمه به صورت رایگان قابل دانلود می باشد. جهت دانلود رایگان مقاله فارسی و انگلیسی روی عنوان فارسی (آبی رنگ) کلیک نمایید.
منبع:
Software reliability prediction by soft computing techniques