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。
引文
[1]YENNUN HUANG,N DUDLEY FULTON,NICK KOLETTIS.Software rejuvenation:analysis,module and applications[C].1995:381-390.
[2]陈小勇.基于蚁群神经网络的软件老化趋势预测[D].哈尔滨:哈尔滨工程大学,2011.
[3]林已杰,张为群,周敏,等.一种基于MM&MBPNN的软件衰退预测方法研究[J].计算机科学,2010,37(4):163-166.
[4]闫雪梅,王晓华,崔欣欣,等.软件老化过程建模、预测及软件再生策略研究[J].北京理工大学学报,2007,27(7):625-629.
[5]陈能技.性能测试诊断分析与优化[M].北京:电子工业出版社,2012.
[6]EK BLUM,LK LI.Approximation theory and feedforward networks[J].Neural Networks,1991,4(4):511-515.