دانلود شبیه سازی مقاله بررسی شبکه عصبی رو به جلو و بازگشتی بر اساس مدل های وزن دار دینامیکی

شبکه عصبی بر اساس مدل وزن دار پویا

مدل های رشد قابلیت اطمینان نرم افزار سنتی (SRGMs) بر اساس برخی مفروضات یا توزیع ها است و هیچ یک از این مدل های منحصر به فرد نمی توانند نتایج پیش بینی دقیق را در هر شرایطی تولید کنند. مدل های غیر پارامتری مانند مدل های مبتنی بر شبکه عصبی مصنوعی (ANN) می توانند قابلیت اطمینان نرم افزار را براساس داده هایبدون پیش فرض ارائه دهند.

در این مقاله ابتدا یک مدل ترکیبی وزن پویا (PFFNNDWCM) برای پیش بینی قابلیت اطمینان نرم افزاری بر اساس مدل شبکه عصبی قوی (FFNN) پیشنهاد شده است. چهار روش SRGM سنتی شناخته شده براساس وزن پویایی ارزیابی شده توسط الگوریتم یادگیری FFNN پیشنهاد شده ترکیب می شوند. بر اساس این معماری پیشنهادی FFNN، همچنین یک مدل ترکیبی با وزن پویا (PRNNDWCM) مبتنی بر شبکه عصبی مرکزی (RNN) قوی را برای پیش بینی قابلیت اطمینان نرم افزاری بیشتر قابل قبول پیشنهاد شده است. یک الگوریتم ژنتیک (GA) برای آموزش ANN ها پیشنهاد شده است.

پیش بینی مدل پیشنهادی با مدلهای پایه نرم افزاری موجود بر اساس مدل ANN براساس سه مجموعه داده های خرابی نرم افزار واقعی، مقایسه شده است. همچنین عملکرد مدل های پیشنهادی با مدل هایی که می توان با ترکیب سه یا دو از چهار SRGM توسعه داد، مقایسه شده است. مطالعات تطبیقی ​​نشان می دهد که PFFNNDWCM و PRNNDWCM قابلیت نسبتا دقیق و قابلیت پیش بینی نسبت به دیگر مدل های مبتنی بر ANN را ارائه می دهند. توضیحات عددی و گرافیکی نشان می دهد که PRNNDWCM برای پیش بینی قابلیت اطمینان نرم افزار امیدوار کننده است؛ زیرا خطای پیش بینی و نصب آن بسیار کمتر از روش PFFNNDWCM است.

در ادامه بخشی نتایج شبیه سازی ها در نرم افزار متلب نشان داده شده است.

شبکه عصبی

مدل وزن دار دینامیکی