Прогнозування відмов програмного забезпечення засобами нейронної мережі RBF
DOI:
https://doi.org/10.15276/opu.2.46.2015.20Ключові слова:
програмне забезпечення, надійність, відмова, RBF нейронні мережі, часові рядиАнотація
До перспективних методів прогнозування надійності програмного забезпечення можна віднести методи на основі непараметричних моделей, зокрема штучних нейронних мереж. В роботі проведено дослідження впливу кількості вхідних нейронів мережі на основі радіально-базисних функцій на ефективність прогнозування відмов програмного забезпечення, представлених у вигляді часових рядів. Часові ряди відмов програмного забезпечення отримували з результатів тестування веб-браузера Chromium та операційної системи Chromium-OS з відкритим вихідним кодом з запропонованою подальшою обробкою у вигляді нормалізованих значень кількості відмов програмних продуктів за рівні інтервали часу з наступним переведенням до людино-днів. Показано, що найкраща точність прогнозування досягалась для функції активації Inverse Multiquadric при 10…20 нейронах вхідного шару та 30 нейронах прихованого шару.
Завантаження
Посилання
Pham, H. System Software Reliability / H. Pham. — London: Springer, 2007. — 440 p.
Khoshgoftaar, T.M. Predicting software quality, during testing, using neural network models: A comparative study / T.M. Khoshgoftaar, R.M. Szabo // International Journal of Reliability, Quality and Safety Engineering. — 1994. — Vol. 1, Issue 3. — PP. 303—319.
Zheng, J. Predicting software reliability with neural network ensembles / J. Zheng // Expert Systems with Applications. — 2009. — Vol. 36, Issue 2. — PP. 2116—2122.
Paliwal, M. Neural networks and statistical techniques: A review of applications / M. Paliwal, U.A. Kumar // Expert Systems with Applications. — 2009. — Vol. 36, Issue 1. — PP. 2—17.
Karlik, B. Performance analysis of various activation functions in generalized MLP architectures of neural networks / B. Karlik, A.V. Olgac // International Journal of Artificial Intelligence and Expert Systems. — 2010. — Vol. 1, Issue 4. — PP. 111—122.
Buhmann, M.D. Radial Basis Functions: Theory and Implementations / M.D. Buhmann. — Cambridge: Cambridge University Press, 2009. — 272 p.
Broomhead, D.S. Multivariable functional interpolation and adaptive networks / D.S. Broomhead, D. Lowe // Complex Systems. — 1988. — Vol. 2, Issue 3. — PP. 321—355.
Yee, P.V. Regularized Radial Basis Function Networks: Theory and Applications / P.V. Yee, S. Haykin. — New York: Wiley, 2001. — 191 p.
Comparing support vector machines with Gaussian kernels to radial basis function classifiers / B. Schölkopf, K.-K. Sung, C.J.C. Burges, etc. // IEEE Transactions on Signal Processing. — 1997. — Vol. 45, Issue 11. — PP. 2758—2765.
Han, X. Approximate interpolation by neural networks with the inverse multiquadric functions / X. Han // Proceedings of Second International Symposium on Advances in Computation and Intelligence (ISICA 2007), Wuhan, China, September 21–23, 2007. — Berlin: Springer-Verlag, 2007. — PP. 296—304.
Yakovyna, V. Influence of the activation function of RBF neural network on software reliability time series prediction / V. Yakovyna, V. Ketsman // Proceedings of the VIIIth International Conference on Perspective Technologies and Methods in MEMS Design (MEMSTECH’2012), Polyana—Svalyava, Ukraine, April 18–21, 2012. — Lviv: Publishing House of Lviv Polytechnic National University, 2012. — PP. 91—92.
On the possibility of software reliability prediction using RBF neural network / V. Yakovyna, O. Synytska, T. Kremen, V. Smirnov // Proceedings of the VIth International Scientific and Technical Conference „Computer Science and Information Technologies“ (CSIT’2011), Lviv, Ukraine, November 16–19, 2011. — Lviv: Publishing House Vezha & Co., 2011. — PP. 39—42.
Chromium: An open-source project to help move the web forward [Електронний ресурс] / Google. — Режим доступу: https://code.google.com/p/chromium/issues/list (Дата звернення: 10.03.2015).
Chromium-OS [Електронний ресурс] / Google. — Режим доступу: https://code.google.com/p/chromium-os/issues/list (Дата звернення: 10.03.2015).
Yakovyna, V. Influence of input neurons count for RBF neural network with Gaussian activation function on software faults prediction efficiency / V. Yakovyna, I. Garandzha // Proceedings of International conference “Intellectual Systems for Decision Making and Problems of Computational Intelligence” (ISDMCI’2013), Yevpatoria, Ukraine, May 20–24, 2013. — Kherson: Kherson National Technical University, 2013. — PP. 520—522.
