[发明专利]一种基于多维卡尔曼滤波修正的故障主动预测方法

权利要求书

1.一种基于多维卡尔曼滤波修正的故障主动预测方法，其特征在于：其具体实施步骤如下：

步骤1：获取复数个用于软件预测的度量的历史版本数据；

步骤2：将所述复数个度量的历史版本数据进行相关性分析，筛选出至少三个度量；

步骤3：基于筛选出的度量建立复数种模型，分别基于该复数种模型估计历史版本数据变量中的缺失数据；

步骤4：选取至少三个历史版本的数据对当前版本的故障数据进行估计，记为第一故障数据；

步骤5：基于复数种估计模型，分别建立卡尔曼滤波状态更新方程，计算卡尔曼增益以及估计误差；

步骤6：估计下一版本的故障数据，记为第二故障数据；

步骤7：当第二故障数据比第一故障的数据更趋近于真实故障数据时，将所述步骤5的过程进行递归重复；

步骤8：基于最后一次卡尔曼滤波状态更新方程，预测未知版本的故障数据；

通过上述步骤，能实现未知版本的软件故障数据的预测，并且能够根据卡尔曼滤波所提供的状态更新方程以及卡尔曼增益，计算出模型的估计误差，进而自适应的调整系统模型的相关参数，实时适应故障数据预测模型的变化情况，从而实现高精度的估计。

2.根据权利要求1所述的一种基于多维卡尔曼滤波修正的故障主动预测方法，其特征在于：

在步骤1中所述的“获取复数个用于软件预测的度量的历史版本数据”，其具体作法如下：在故障主动预测技术中，根据给定的软件，以函数为节点，以调用关系为边，建立函数调用关系网络，基于该复杂网络，获取多个度量元，该度量元可以是静态的拓扑结构指标，如：节点数量、边、平均度、聚集系数、平均路径和社团数量，也可以是动态的拓扑结构指标，如：渗流值；所述度量元为软件的多个历史版本中获取得到。

3.根据权利要求1所述的一种基于多维卡尔曼滤波修正的故障主动预测方法，其特征在于：

在步骤2中所述的“将所述复数个度量的历史版本数据进行相关性分析，筛选出至少三个度量”，其具体作法如下：在一种实施方式中，分别计算任何度量与故障数据之间的相关系数，进而选取相关的度量元，或将所述复数个度量数据的多个历史版本数据进行归一化处理后，置于同一时序图中，选取与所述故障数据折线趋势接近的折线所对应的度量元。

4.根据权利要求1所述的一种基于多维卡尔曼滤波修正的故障主动预测方法，其特征在于：

在步骤3中所述的“基于筛选出的度量建立多种模型，分别基于该多种模型估计历史版本数据变量中的缺失数据”，其具体作法如下：将所述筛选出的度量元进行平稳性分析，分别建立与所述故障数据间的回归模型，基于该模型，估计多个度量的历史版本数据中的缺失数据，或基于所述筛选出的多个度量元建立面板数据模型，得到所述故障数据与多个度量分布之间的方程关系，进而估计缺陷数据的历史版本数据中的缺失数据，或基于差分小波神经网络的软件故障预测方法，构建差分还原模型，从而将模型中输出的预测值转换为最新故障间隔时间的预测数据。

5.根据权利要求1所述的一种基于多维卡尔曼滤波修正的故障主动预测方法，其特征在于：

在步骤4中所述的“选取至少三个历史版本的数据对当前版本的故障数据进行估计，记为第一故障数据”，其具体作法如下：选取版本数据的前k个版本的数据作为历史参考数据，同时为本预测方法的输入数据，基于多种估计方法建立所述历史参考数据与预测值之间的线性方程，其中所述估计方法包括：线性回归方程法，面板数据分析法，以及差分小波神经网络的差分还原法，分别将每个模型输出的预测值与实际值间的差值记为残差，基于各个估计方法得到的k+1版本的故障数据记为每种估计模型的第一故障数据。