公共文化服务平台

共 7 条记录，以下是 1-6

全选清除导出

排序方式：

测试方法对软件失效数据影响的实验分析: 2014年; 失效数据常被用于评估软件的质量、监测和预测软件的运行情况,不同的测试方法对失效数据的影响是研究的重点。采用随机测试、分支覆盖测试和分块覆盖测试这3种不同的测试方法选取测试用例集,运用Daikon动态地获取程序不变量,再从这些不变量中提取失效数据,比较分析哪种方法可以获取更多的失效数据。通过实验得出结论:在3种测试方法中,随机测试方法可以获得更多的失效数据。; 李晓雪丁佐华胡觉亮; 关键词：测试用例集程序不变量

基于UML活动图的无人车变道可靠性预测被引量：1: 2022年; 车辆变道是很频繁的驾驶行为,对无人车的变道行为进行可靠性预测尤为必要。为更好地实现可靠性预测,使用UML活动图对基于长短期记忆网络(LSTM)的无人车变道行为进行建模。考虑到LSTM神经网络的鲁棒性,基于6000组实验数据对LSTM模块的错误渗透率加以计算,从而度量模块间的故障传播概率。将UML模型转换为离散时间马尔可夫链(DTMC)模型,通过PRISM工具得到可靠性预测值。实验结果显示,LSTM模块的错误渗透率为0.3025。通过基于UML模型映射和基于构件转移图所得的DTMC模型进行预测时,可靠性值分别为76.47%和90.19%。结果表明,对基于LSTM的无人车变道行为进行可靠性计算时,LSTM模块的错误渗透率不可忽视。通过映射所得的DTMC模型对模块的刻画更为细致,更适用于无人车变道可靠性预测。; 吴兆贤吴培培; 关键词：可靠性 UML

基于吸收态马尔可夫链的智能无人车系统实时性能分析: 2021年; 随着人工智能技术的进步和人机物融合系统的发展,智能无人车系统成为了新一代人工智能研究的前沿。智能无人车系统根据车辆和环境数据进行实时决策以控制无人车运行,因而该系统具有较高的实时性能要求,对系统实时性的分析是保障系统安全可靠的方法之一。为了对智能无人车系统的实时性能进行分析,以智能无人车变道系统为例,首先使用MARTE模型对智能无人车变道系统进行建模,在系统设计早期就引入性能需求参数;然后,通过模型转换将MARTE模型转化为吸收态马尔可夫链;最后,利用吸收态马尔可夫链的相关理论和公式综合估算了智能无人车系统的实时性能指标,并针对影响整个系统实时性的关键模块进行了分析。实验结果表明,文中所提模型和分析方法可以较好地分析智能无人车系统的实时性能。分析发现系统中智能模块的准确率与响应时间相互制约,在不同的运行场景下需要找到二者之间的平衡点以获得更优的实时性能。; 吴培培吴兆贤唐文兵

基于GCL语言的测试用例生成方法被引量：1: 2014年; 提出一种基于GCL语言生成程序测试用例的形式化方法.程序的语义为测试用例的生成提供了基本框架,而由Hoare等人提供的规则保证了用例的正确性.作者的这种方法可被认为是一种严格的,自动生成测试用例的方法.这种方法的优点在于:所获得的测试用例都是可行的,在测试用例生成过程中可以避免状态爆炸问题,而且该方法可以延拓到任何目标语言.据此开发了一个基于Haskell语言的原型工具来支持作者的方法.; 丁佐华JeffSanders江明月张娜蒲戈光; 关键词：测试用例软件测试

复模糊微分方程的初始值问题: 2014年; 复模糊微分方程的初始值问题是近年来研究的热点问题。首先证明了复模糊域上的牛顿-莱布尼茨公式,并建立了微分和积分之间的关系,然后定义了复模糊微分方程的初始值问题,最后给出了基于经典的不动点定理和基于Zadeh在复数域上的扩展原理两种初始值问题存在的结论。然后在此基础上对初始值进行求解。; 吴丹韩维樊太和; 关键词：初始值问题牛顿-莱布尼茨公式

基于模糊信息分解与控制规则的移动机器人沿墙导航被引量：4: 2020年; 由于机器人导航任务对实时性要求高,以及机器人自身的非线性导致很难精确建模,而基于规则的控制可解释性好,可以实时响应。因此,文中提出了一种基于模糊信息分解(Fuzzy-based Information Decomposition,FID)与控制规则的机器人沿墙导航方法。在UCI机器人导航数据集上,首先用FID对原始类别不平衡数据集进行过采样,之后训练支持向量机(SVM),然后从SVM中提取控制规则。在提取规则过程中,仅使用支持向量以减少规则数量和提高实时性,使用这些支持向量训练随机森林,然后从中提取控制规则。实验结果表明,在相同数据集上,相较于决策树等6个经典模型,所提方法的平均F1值为0.994,对小类样本的召回率平均提升8.09%。与其他提取规则的模型相比,从SVM中提取规则的方法能平均减少171.33条规则,在测试样本上的平均单个样本决策时间仅为3.145μs。; 方梦琳唐文兵黄鸿云丁佐华; 关键词：支持向量机

全选清除导出

共1页<1>

国家自然科学基金(61210004)