[发明专利]基于相关向量回归估计的软件失效时间预测方法

说明书

【技术领域】

本发明涉及软件可靠性测试以及评估过程中下一次或未来较长时间内软件失效时间数据预测方法。 

【背景技术】

软件可靠性指在规定条件下，在规定时间内，软件不发生失效的概率。在解决可靠性预测问题是，传统解决方法反映了大样本统计学的哲学，容易出现过学习以及适用性差等问题。 

统计学习理论是建立在一套较坚实的理论基础之上的，为解决有限样本学习问题提供了一个统一的框架。它能将很多现有方法纳入其中，有望帮助解决许多原来难以解决的问题，如神经网络结构选择问题、局部极小点问题等。相关向量机（relevance vector machine，RVM）是Tipping于2001年所提出的一种稀疏贝叶斯学习模型，在很多方面取得了非常不错的应用，如物体的跟踪，3D姿态估计，3D模型恢复等，电力负荷预测，信道均衡预测等。 

【发明内容】

本发明所要解决的技术问题是提供一种基于相关向量回归估计的软件失效时间预测方法，能实现软件可靠性的自适应预测。为此，本发明采用以下技术方案，它包含如下步骤： 

（1）、首先观测并记录顺序软件失效数据集，并把所有的输入输出数据归一化； 

（2）、通过合理抽象与假设，把软件失效时间预测问题转化为一个函数回归问题； 

（3）、选择用于预测的核函数，并给定参数的初始化值； 

（4）、选择用于学习的失效数据数目； 

（5）、采用相关向量回归估计算法针对不同失效数据集进行学习优化； 

（6）、最后选用优化后的参数对新的失效时间进行预测。 

进一步地，步骤（2）所述的把软件失效时间预测问题转化为一个函数回归问题，采用如下方法： 

假设已发生的软件失效时间为t₁,t₂,L,t_n，令t_l＝f(t_l-m,t_l-m+1，L,t_l-1)，则t_l服从固定但未知的条件分布函数F(t_l|t_l-m,t_l-m+1，L,t_l-1)，在t₁,t₂,L,t_k已知条件下对t_k+1进行预测变为：已知k-m个观测(T₁,t_m+1),(T₂,t_m+2),L,(T_k-m,t_k)和第k-m+1个输入T_k-m+1的情况下，估计第k-m+1个输出值其中，T_i表示m维向量[t_i,t_i+1，L,t_m-i]； 

步骤（3）中用到的核函数为高斯核函数，其参数初始值g＝1。 

步骤（4）中的失效数据数目为5-8之间的整数。 

进一步地，步骤（5）所述的采用相关向量回归估计算法针对不同失效数据集进行学习优化，包括如下过程： 

（5.1）、给定一群向量与对应的目标值作为输入，假设x与t的对应关系符合以下的函数： 

p(t_i)＝N(t_i|y(x_i;w),σ²) 

（5.2）、令t的概率分布为：