[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

说明书

本发明提供一种基于多维卡尔曼滤波修正的故障主动预测方法，步骤包括：获取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；建立多种模型，估计历史版本数据变量中的缺失数据；对当前版本的故障数据进行估计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；估计下一版本的故障数据，进行递归重复；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。

技术领域

本发明提供了一种基于多维卡尔曼滤波修正的故障主动预测方法，属于软件预测技术领域。

技术背景

随着软件技术的不断发展，软件版本在不断的更新。版本的增多导致软件测试的任务量增大，在下一版本软件发行之前，技术人员热衷于依据可能对软件缺陷造成影响的度量元对缺陷数据进行预测，通常，技术人员通过建立数学模型作为估计和预测的关键技术，也即是，当缺陷数据呈现出很强的时间性与周期规律性时，采用相关分析，提取出相关的度量数据作为建模和估计方法的输入，进行缺陷预测。

但是常规的预测方法能大致描述数据的走势，但因为数据的波动较大，导致预测的结果误差较大,偏离真实值，于是本发明考虑到采用卡尔曼滤波的线性递推滤波方法，对所建立的多个模型进行不断的修整，基于多维卡尔曼滤波修正进行软件的故障预测，以预测-实测-修正的顺序递推，根据系统的量测值消除随机干扰，进而实现有效的预测。

发明内容

(一)目的

为了解决常规的预测方法能大致描述数据的走势，但因为数据的波动较大，导致预测的结果误差较大,偏离真实值，本发明提供了一种基于多维卡尔曼滤波修正的故障主动预测方法。

(二)技术方案

本发明提供了一种基于多维卡尔曼滤波修正的故障主动预测方法，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；

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：基于多种估计模型，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：当第二故障数据较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，可以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。

其中，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。