[发明专利]基于参数Bootstrap重抽样的软件失效时间预测方法

权利要求书

1.一种基于参数Bootstrap重抽样的软件失效时间预测方法，其特征在于，该方法对一般软件可靠性模型进行优化后再进行软件下一次失效时间的预测，该方法包括：

步骤一、构建一般软件可靠性模型，使用原始失效数据序列计算所述一般软件可靠性模型的参数估计值，所述一般软件可靠性模型包括J-M模型、G-O模型、M-O模型、Schneidewind模型、Duane模型或Littlewood-Verrall模型；

步骤二、基于所述参数估计值构造与所述一般软件可靠性模型相对应的参数分布函数；

步骤三、使用所述参数分布函数进行蒙特卡洛模拟，随机抽样得到Bootstrap样本；

步骤四、基于所述Bootstrap样本重新计算所述一般软件可靠性模型的参数估计值；

步骤五，基于步骤四获得的参数估计值进行软件下一次失效时间的预测；

多次重复所述步骤二至步骤四，以多次计算获得的参数估计值的平均值作为一般软件可靠性模型的参数最终估计值，在所述步骤五中，基于所述参数最终估计值进行软件下一次失效时间的预测；

所述步骤二中构造的参数分布函数具体为：

对于J-M模型，所述参数分布函数为：

其中x_i为第i个失效间隔时间，和为J-M模型中参数N₀、φ的估计值；

对于G-O模型，所述参数分布函数为累计失效数的均值函数，具体为：

其中t为被测软件的累计运行时间，和为G-O模型中参数N₀、φ的估计值；

对于M-O模型，所述参数分布函数为累计失效数的均值函数，具体为：

其中t为被测软件的累计运行时间，和为M-O模型中参数λ₀、φ的估计值；

对于Schneidewind模型，所述参数分布函数为累计失效数的均值函数，具体为：

其中t_i的值与i相等，为被测软件的累计运行时间，和为Schneidewind模型中参数λ₀、φ的估计值；

对于Duane模型，所述参数分布函数为累计失效数的均值函数，具体为：

其中t为被测软件的累计运行时间，和为Duane模型中参数α、β估计值；

对于Littlewood-Verrall模型，所述参数分布函数为：

其中x_i为第i个失效间隔时间，和为Littlewood-Verrall模型中参数α、β₀和β₁估计值；

所述步骤五具体为：

对于J-M模型，将估计获得的参数代入J-M模型，软件的下一次失效时间表示为：

其中MTTF_i+1为下一次失效时间；

对于G-O模型，将估计获得的参数代入G-O模型，软件的下一次失效时间表示为：

其中m(x)＝N₀(1-exp{-φx})，t_n为第n个失效的累计失效时间；

对于M-O模型，将估计获得的参数代入M-O模型，软件的下一次失效时间表示为：

其中t_n为第n个失效的累计失效时间，β₀＝φ^-1，β₁＝λ₀φ；

对于Schneidewind模型，将估计获得的参数代入Schneidewind模型，软件的下一次失效时间表示为：

其中t_n为第n个失效的累计失效时间，表示向下取整；

对于Duane模型，将估计获得的参数代入Duane模型，软件的下一次失效时间表示为：

其中t_n为第n个失效的累计失效时间；

对于Littlewood-Verrall模型，将估计获得的参数代入Littlewood-Verrall模型，软件的下一次失效时间表示为：

2.根据权利要求1所述的基于参数Bootstrap重抽样的软件失效时间预测方法，其特征在于，所述步骤三的具体过程为：

对于J-M模型，令F(x_i)＝λ₁，λ₁为(0,1)的随机数，基于J-M模型的参数分布函数计算获得对应的x_i的值，重复n次获得一组Bootstrap样本，i＝1,2,...,n，n为原始失效数据序列的大小；

对于G-O模型，令m(t)＝λ₂，λ₂为的随机数，基于G-O模型的参数分布函数计算获得对应的t的值，重复n次并进行从小到大的排序后获得一组Bootstrap样本；

对于M-O模型，令m(t)＝λ₃，λ₃为(0,n)的随机数，基于M-O模型的参数分布函数计算获得对应的t的值，重复n次并进行从小到大的排序后获得一组Bootstrap样本；

对于Schneidewind模型，令m(t)＝λ₄，λ₄为的随机数，基于Schneidewind模型的参数分布函数计算获得对应的t的值，重复n次并进行从小到大的排序后获得一组Bootstrap样本；

对于Duane模型，令m(t)＝λ₅，λ₅为(0,n)的随机数，基于Duane模型的参数分布函数计算获得对应的t的值，重复n次并进行从小到大的排序后获得一组Bootstrap样本；

对于Littlewood-Verrall模型，令F(x_i)＝λ₆，λ₆为(0,1)的随机数，基于Littlewood-Verrall模型的参数分布函数计算获得对应的x_i的值，重复n次获得一组Bootstrap样本。