一种基于模糊神经网络的测试性评估方法及系统技术方案

本发明专利技术涉及电子设备设计技术领域，尤其涉及一种基于模糊神经网络的测试性评估方法及系统。所述方法包括：S1，确定设备测试性评估指标体系；S2，输入数据的模糊化处理；S3，采用训练好的所述BP神经网络进行测试性评估；S4，对所述测试性评估结果去模糊化处理；所述系统包括指标设定模块、模糊化处理模块、BP神经网络评估模块、去模糊化处理模块；本发明专利技术实施例所述系统执行上述方法，通过对测试性指标样本数据的模糊化处理，计算过程简便，信息处理速度快，采用了模糊化的运行机制，加强系统的容错能力，提高计算的准确性。

A test evaluation method and system based on Fuzzy Neural Network

【技术实现步骤摘要】
一种基于模糊神经网络的测试性评估方法及系统
本专利技术涉及电子设备设计
，尤其涉及一种基于模糊神经网络的测试性评估方法及系统。
技术介绍
在电子设备设计时，测试性设计已经引起人们的普遍重视。良好的测试性设计不仅能有效地提高设备的可用性，维修性，保障性，而且能大大缩减设备的全寿命周期费用。为了判断测试性设计是否达到测试性需求，应进行测试性评估。传统的测试性评估方法是通过对测试性指标，如故障检测率、故障隔离率以及故障虚警率等直接进行定量计算从而作出评价，这种方法对于单机设备具有很好的适用性。现有技术存在以下问题：对于复杂系统来说信息处理量大、范围广，此时存在准确性和运算效率不高。
技术实现思路
为克服现有技术存在的问题，本专利技术实施例提供一种基于模糊神经网络的测试性评估方法及系统，提高了测试性评估方法的准确性和效率，是一种有效的测试性评估。一方面本专利技术实施例提供一种基于模糊神经网络的测试性评估方法，包括以下步骤：S1，确定设备测试性评估指标体系；具体包括故障检测率、故障隔离率、故障虚警率、故障检测准确率、关键功能检测覆盖率、关键性能检测覆盖率构成；S2，输入数据的模糊化处理；具体包括选择高斯型隶属度函数对测试性指标样本数据的模糊化处理；所述高斯型隶属度函数m公式如下：这里参数z代表测试性指标样本数据，用于指定变量的论域，c代表函数中心点，σ代表函数曲线的宽度，e是自然对数的底数；S3，采用训练好的所述BP神经网络进行测试性评估；具体包括将模糊化处理后的所述测试指标样本输入训练好的所述BP神经网络进行测试性评估；S4，对所述测试性评估结果去模糊化处理；具体包括当所述测试性评估结果超过设定的测试性评估阈值时就可判定为满足要求。另一方面本专利技术实施例提供一种基于模糊神经网络的测试性评估系统，包括：指标设定模块，确定设备测试性评估指标体系；具体包括故障检测率、故障隔离率、故障虚警率、故障检测准确率、关键功能检测覆盖率、关键性能检测覆盖率构成；模糊化处理模块，输入数据的模糊化处理；具体包括选择高斯型隶属度函数对测试性指标样本数据的模糊化处理；所述高斯型隶属度函数m公式如下：这里参数z代表测试性指标样本数据，用于指定变量的论域，c代表函数中心点，σ代表函数曲线的宽度，e是自然对数的底数；BP神经网络评估模块，采用训练好的所述BP神经网络进行测试性评估；具体包括将模糊化处理后的所述测试指标样本输入训练好的所述BP神经网络进行测试性评估；去模糊化处理模块，对所述测试性评估结果去模糊化处理；具体包括当所述测试性评估结果超过设定的测试性评估阈值时就可判定为满足要求。本专利技术实施例提供一种基于模糊神经网络的测试性评估方法及系统，通过对测试性指标样本数据的模糊化处理，计算过程简便，信息处理速度快，采用了模糊化的运行机制，加强系统的容错能力，提高计算的准确性。附图说明为了更清楚地说明本专利技术的技术方案，下面将对本专利技术技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例一种基于模糊神经网络的测试性评估方法流程示意图；图2为本专利技术实施例BP神经网络带动量的批处理梯度下降方法流程示意图；图3为本专利技术实施例一种基于模糊神经网络的测试性评估系统结构示意图；图4为本专利技术实施例BP神经网络结构示意图；附图标记：指标设定模块-1模糊化处理模块-2BP神经网络评估模块-3去模糊化处理模块-4。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。图1为本专利技术实施例一种基于模糊神经网络的测试性评估方法流程示意图；如图1所示，包括以下步骤：S1，确定设备测试性评估指标体系；具体包括故障检测率、故障隔离率、故障虚警率、故障检测准确率、关键功能检测覆盖率、关键性能检测覆盖率构成；S2，输入数据的模糊化处理；具体包括选择高斯型隶属度函数对测试性指标样本数据的模糊化处理；所述高斯型隶属度函数m公式如下：这里参数z代表测试性指标样本数据，用于指定变量的论域，c代表函数中心点，σ代表函数曲线的宽度，e是自然对数的底数；S3，采用训练好的所述BP神经网络进行测试性评估；具体包括将模糊化处理后的所述测试指标样本输入训练好的所述BP神经网络进行测试性评估；S4，对所述测试性评估结果去模糊化处理；具体包括当所述测试性评估结果超过设定的测试性评估阈值时就可判定为满足要求。具体地，复杂信息数据计算量大，范围广，对此选择高斯型隶属度函数对测试性指标样本数据的模糊化处理；模糊神经网络除具有一般神经网络的性质和优点外，还可以有一些特殊的性质：由于采用了模糊数学中的计算方法，使得一些处理单元的计算变得较为简便，信息处理的速度显著加快；由于采用了模糊化的运行机制，系统的容错能力大大加强。最主要的是，模糊神经网络扩大了系统处理信息的范围，即系统可同时处理确定性信息和非确定性信息；同时它大大强化了系统处理信息的手段，使系统处理信息的方法变得更加灵活。例如下表为测试性指标样本：对以上数据样本采用模糊神经网络进行模糊化处理，得到模糊化处理后的测试性指标样本，如下表：BP神经网络是一种单向传播的多层前向网络。这种网络不仅有输入节点、输出节点，而且还有一层或多层隐层节点，同层节点中没有任何耦合。对于输入信号，要先向前传播到隐层节点上经过各单元的激活函数运算后，把隐层节点的输出信息传播到输出节点，最后给出输出结果；网络的学习过程由正向和反向传播两部分组成；在正向传播过程中，每一层神经元的状态只影响到下一层神经元网络；如果输出层不能得到期望输出，即不能满足实际输出值与期望输出值之间有误差，那么转入反向传播过程，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，逐次地向输入层传播去进行计算，再经过正向传播过程，这两个过程的反复运用，使得误差信号最小；将模糊化处理后的所述测试指标样本输入训练好的所述BP神经网络进行测试性评估。通常采用的去模糊化方法主要有最大隶属度法和阈值法，前者主要用于的分类及模式识别，后者通过人为设定测试性评估阈值来判断是否发生故障。本专利技术实施例采用的是阈值法，即当测试性评估结果隶属度超过设定的测试性评估阈值时就可判定为测试性设计满足要求；例如：设置的测试性评估阈值为0.95，测试性评估结果0.9651>0.95，满足要求。...

【技术保护点】
1.一种基于模糊神经网络的测试性评估方法，其特征在于，包括以下步骤：/nS1，确定设备测试性评估指标体系；具体包括故障检测率、故障隔离率、故障虚警率、故障检测准确率、关键功能检测覆盖率、关键性能检测覆盖率构成；/nS2，输入数据的模糊化处理；具体包括选择高斯型隶属度函数对测试性指标样本数据的模糊化处理；所述高斯型隶属度函数m公式如下：/n

【技术特征摘要】
1.一种基于模糊神经网络的测试性评估方法，其特征在于，包括以下步骤：
S1，确定设备测试性评估指标体系；具体包括故障检测率、故障隔离率、故障虚警率、故障检测准确率、关键功能检测覆盖率、关键性能检测覆盖率构成；
S2，输入数据的模糊化处理；具体包括选择高斯型隶属度函数对测试性指标样本数据的模糊化处理；所述高斯型隶属度函数m公式如下：



这里参数z代表测试性指标样本数据，用于指定变量的论域，c代表函数中心点，σ代表函数曲线的宽度，e是自然对数的底数；
S3，采用训练好的所述BP神经网络进行测试性评估；具体包括将模糊化处理后的所述测试指标样本输入训练好的所述BP神经网络进行测试性评估；
S4，对所述测试性评估结果去模糊化处理；具体包括当所述测试性评估结果超过设定的测试性评估阈值时就可判定为满足要求。


2.根据权利要求1所述的一种基于模糊神经网络的测试性评估方法，其特征在于，所述步骤S3中训练好的所述BP神经网络，采用带动量的批处理梯度下降方法进行训练；具体包括待全部输入样本到齐，将全部误差求和累加，根据总误差修正权值。


3.根据权利要求2所述的一种基于模糊神经网络的测试性评估方法，其特征在于，所述带动量的批处理梯度下降方法包括以下步骤：
S31，初始化权值和阈值；
S32，给定所述输入样本x和输出值y；
S33，计算所述BP神经网络实际输出值yk；公式如下：



其中，f为转移函数，n为节点数，Wij为权值，xj为输入值；
S34，修改权值；具体包括在修改权值计算时加入动量项；计算公式如下：



Wij(t+1)＝Wij(t)+ΔWij(t+1)



其中，ΔWij为权值增量，η为动量因子，α为学习因子，E为神经网络总输出误差，Ek为k层神经网络总输出误差，为神经网络输出误差对权值的梯度向量，yik为神经网络节点输出，为yik平均值；ΔWij(t+1)为修正后的权值增量；
S34，达到给定误差精度或重复S32～S33步骤达到循环次数要求，输出结果。...

【专利技术属性】
技术研发人员：许芳，
申请(专利权)人：中国船舶重工集团公司第七零九研究所，
类型：发明
国别省市：湖北;42