基于AdaBoost算法的BP神经网络在软件老化测试中的应用.docVIP

基于AdaBoost算法的BP神经网络在软件老化测试中的应用 　　摘要：为提高BP神经网络的预测精度，克服自身容易陷入局部极值和收敛速度慢的缺陷，将AdaBoost算法和BP神经网络结合起来，建立基于AdaBoost算法的BP神经网络模型。该模型将多个BP神经网络作为弱预测器，然后采用AdaBoost算法将多个弱预测器组成强预测器进行预测。将该模型应用于软件老化测试，实验结果表明，该模型相比单个BP神经网络具有更好的预测精度。 　　关键词：BP神经网络；AdaBoost算法；软件老化测试 　　DOIDOI：10.11907/rjdk.161726 　　中图分类号：TP319 　　文献标识码：A文章编号2016）010013603 　　0引言 　　软件老化是指软件系统在长时间运行中由于数据没有得到及时更新、文件锁未及时释放、内存发生泄漏、计算时四舍五入误差的积累、存储空间碎片等导致软件性能下降，有时甚至出现系统崩溃或者直接宕机的现象[1]。为了应对软件老化，Y.Huang等[1]提出了软件再生的思想，即在软件系统性能严重下降时，采取暂停正在运行的程序、清理系统内存、释放不必要的资源等措施恢复软件系统的性能，降低损失。 　　软件老化预测在软件再生中至关重要，软件系统老化点判断的准确性影响软件再生的最佳时机。很多学者以BP神经网络为基础，进行各