基于孔压静力触探试验测试数据的原位固结系数物理信息神经网络反演方法

固结系数是软基沉降计算和稳定性分析的关键参数,现有固结系数原位测试方法存在耗时长且精度低的缺点。根据孔压静力触探试验(piezoconepenetrationtest,简称CPTU)贯入机制与锥肩超孔隙水压力消散模式,采用圆孔扩张理论和轴对称固结方程描述CPTU锥肩超孔隙水压力的形成、发展和消散过程,利用神经网络自动微分功能将轴对称固结方程嵌入深度神经网络,通过物理方程损失函数、边界条件损失函数和初始条件损失函数形成神经网络的物理信息约束,同时将CPTU孔压测试数据作为数据驱动项,以最小化超孔隙水压力损失函数为优化目标,建立了CPTU孔压测试数据反演场地原位固结系数的物理信息神经网络(physics-informed neural networks,简称PINNs)模型。通过已有离心模型试验数据反演验证了PINNs模型反演场地原位固结系数的有效性,并利用CPTU孔压测试数据分析了PINNs模型反演原位固结系数的鲁棒性。结果表明:提出的PINNs模型能够有效利用CPTU孔压测试数据快速准确地反演场地原位固结系数;由于模型融入了物理机制约束,所需训练数据量少,且对有噪声的孔压测试数据具有较强的鲁棒性和泛化性能,为准确、快速可靠测试场地原位固结系数提供了有效途径。

基于遗传算法优化的SOFM神经网络生成测试数据集的方法

智能算法正成为软件测试领域新兴研究方向,运用智能算法生成复杂软件的测试数据已成为一种广受推崇的方法。采用基于遗传算法的技术生成测试数据,能够生成满足测试覆盖要求的少量测试数据。然而,对于生成大量测试数据集的情况来说,该方法并不适用。为了能够快速生成满足测试覆盖要求的数据集,提出一种基于遗传算法优化的自组织特征映射(SOFM)神经网络生成测试数据集的方法:首先,利用遗传算法的全局搜索能力,从海量数据中筛选出少量满足测试覆盖要求的代表性数据。接着,以这些遗传算法生成的测试数据为基础,结合SOFM神经网络强大的侧向联想能力,旨在生成大量满足测试覆盖要求的测试数据集。实验结果表明,该方法有效提高了测试数据集生成的效率。

免疫粒子群算法的测试数据生成

为有效改善粒子群算法进化后期收敛速度慢,克服易陷入局部极值的缺陷,提出一种自适应免疫粒子群算法并在面向路径的测试数据生成中得到应用。本文提出自适应的惯性权重的调整方法和学习因子的调节策略,加快算法的搜索速率;引入免疫算法中的免疫算子,提出抗体的浓度调节机制,使得粒子群的多样性更加丰富,提升算法的寻优能力;通过免疫选择操作,避免算法的早熟收敛;以分支函数叠加法构造适应度函数。实验结果表明,该算法避免了粒子群算法早熟收敛现象的发生,有效地提高了测试数据自动生成的效率。

基于体育测试数据的学生个性化体育教学策略

随着教育改革的不断深入,体育教育作为学生全面素质发展的重要组成部分,越来越受到重视。该文提出基于体育测试数据的学生个性化体育教学策略,通过分析基于体育测试数据的学生个性化体育教学的优势和原则,探讨体育测试数据在学生个性化体育教学中存在的问题,并提出相应的优化策略。研究发现,基于体育测试数据的学生个性化体育教学,可以进一步提高体育教学效果和智能化水平。

集成电路测试数据分析系统的设计与实现

阐述集成电路芯片测试数据治理的关键因素,探讨测试数据大规模化、测试数据多样性、测试数据一致性所面临的技术挑战,从而全面了解集成电路测试数据的数据质量重要性。通过案例分析,提出有效的实施策略。同时,围绕集成电路测试数据所面临的数据质量问题,挖掘数据质量特征,通过数据质量的主要评价标准及技术效果,提出和实施可行的数据治理方案。

基于强化学习选择策略的路径覆盖测试数据生成算法

面向路径覆盖的测试是软件测试的重要方法之一。如何快速生成高质量测试数据使其满足路径覆盖要求,一直是研究热点问题。为解决现有智能优化方法运行时间长、探索过程不稳定以及生成测试用例冗余的问题,提出一种基于强化学习思想的选择策略,用于以路径覆盖为准则的测试数据生成中。通过将可执行路径定义为智能体状态,算法每一轮迭代更新后的数据选择定义为智能体动作,并将奖励函数与状态变化关联,在状态更新过程中使用贪心策略来引导输入数据不断向未获取状态变异更新,以此不断选择能够覆盖新可执行路径的数据,从而实现对待测程序所有执行路径覆盖的目标。实验结果表明,与其他算法相比,所提策略的运行时间和迭代次数明显降低,同时覆盖率快速提高。结合理论分析可以得出结论:所提策略在实际运用中能够有效实现路径覆盖并提高测试数据生成效率。

基于ART优化选择策略的遗传算法生成测试数据方法

测试数据自动生成方法是软件测试领域研究的热点。基于遗传算法的启发式搜索算法是一种路径覆盖生成测试数据的方法。文中提出了一种基于自适应随机测试(Adaptive Random Testing,ART)算法更新种群的方法,将ART融入遗传算法,优化选择操作,动态更新种群,从而增加种群进化过程中的个体多样性,提高了收敛速度,有效地减少了陷入局部最优。实验结果显示,与传统遗传算法生成测试数据的方法相比,改进的算法明显提高了路径覆盖率,减少了种群平均进化代数。

基于协议模型的嵌入式软件接口测试数据生成

随着嵌入式软件的广泛应用,嵌入式软件接口测试成为软件测试领域的研究重点。针对传统的接口测试采用人工方式创建测试数据且测试工具不支持通用化的问题,围绕接口测试数据的设计和生成两个方面,设计了一种通用化接口协议帧格式建模工具,辅助测试人员完成协议帧格式的构建。在此基础上,进一步制定数据生成的扰动规则,自动生成测试数据。实验结果表明,所提方法可实现嵌入式软件接口测试数据的自动生成,提升测试效率,提高数据的准确率与缺陷覆盖率。

基于改进深度神经网络的桩身内力测试数据自动定时采集算法

为了提高桩身内力测试数据的采集性能,进一步保证深基坑施工效果,提出一种基于改进深度神经网络的桩身内力测试数据自动定时采集算法。根据改进深度神经网络的结构,建立桩身位移在每一层神经元的输出函数,利用映照关系,判断深基坑施工中桩身的位置,预测桩身位移,利用地基抗力系数模型,获得桩身位移预测结果,初步确认桩身在工作阶段和张拉阶段的受力情况,搭建桩身的挠曲线控制方程,构建桩身受力分析模型,完成桩身的受力分析,通过桩身内力测试数据采集总量的最大化约束,建立跳数与采集节点接收数据总量的函数关系,利用最短采集路径优化的目标函数,实现桩身内力测试数据自动定时采集。实验结果表明,文中方法在采集桩身内力测试数据的冗余度不超过5%,实时性方面表现较好,可以有效提高桩身内力测试数据质量。

基于测试数据自动化生成的分析

背景介绍:随着互联网科技的快速发展,业务不断变革,产品不断更新迭代。为了提高产品质量和业务水平,需要大量的测试工作。然而,传统的手工测试效率低下,仅依赖人工手动创建测试数据无法满足目前互联网科技产品业务的快速迭代测试数据需求。因此,考虑采用自动生成测试数据的策略,以提升测试效率和准确性,确保产品的高质量交付。目的和意义:本文主要概述了如何利用自动生成测试数据方式,显著提升测试工作的效率和准确性,同时降低测试成本。这种策略为业务发展注入了新的活力,同时也为后续实现测试数据自动化实现提供参考价值的范例。

测试数据精准协同准备工作机制研究与实践

针对测试数据准备过程中的难点、痛点问题,本文结合业界前沿理念和创新实践,尝试提出了一套全新的测试数据精准协同准备工作机制和系统,以更好配合农业银行“所测即所投”的工作要求,并结合系统落地的试点场景和实效,进一步展望了其在项目投产后的应用价值。

基于改进樽海鞘群算法的测试数据自动生成

为了提高软件测试数据自动生成的可靠性,研究了一种改进的樽海鞘群算法自动生成测试数据。首先对樽海鞘群算法引入了人工鱼群算法中的随机行为,改善了樽海鞘个体容易陷入局部最优的问题,充分平衡迭代过程中的探索行为与开发行为;然后根据樽海鞘个体寻优结果引入末位淘汰机制,选择性舍弃适应度值最低的个体,并在搜索空间内随机生成一个新的个体进行种群补充;最后将改进后的樽海鞘群算法应用于基准程序的测试数据自动生成。实验结果表明,改进后的算法能够有效改善个体容易陷入局部最优的问题,正确搜寻到满足测试条件的数据,具有一定的优越性。

一种测试数据的管理系统设计

阐述一种测试数据管理系统的设计,能够实现产品维修检测数据和检验数据的实时采集、结构化存储和交互应用,解决测试数据手工记录和统计的传统管理模式,实现数字化管理。

一种相邻游程增量编码的测试数据压缩方案

随着集成电路制造工艺的高速发展,其构造越来越复杂,测试成本也越来越高,而压缩测试数据是降低测试成本的有效方法之一。本文在双游程交替编码基础上,提出了一种相邻游程增量编码的测试数据压缩方案。先通过编码表获得当前游程编码长度N,然后得到当前游程减去前一游程的差值M,当M不为负数且比N-1小时,使用M+1个0表示当前游程。在压缩过程中,通过实时对比两种编码的长度,并选择长度小的编码以进一步压缩数据,实验证明本方案有着良好的压缩效果。

一种基于元胞自动机的综合测试数据压缩方案

为降低IC测试成本,压缩测试数据量是一种非常有效的解决途径。首先依据元胞自动机产生的随机向量数组,通过穷举法寻找测试集处理的最佳变换规则,把原始测试集拆分为主分量集和残存集两部分,其中主分量集可由元胞自动机生成,随后对残存集采用VariableTail编码进行压缩。实验结果表明,所提方案与传统编码压缩方法及其优化方案相比,具有更高的平均压缩率,且对无关位较少、复杂度较高电路的压缩效果更加明显。

基于改进型Stackelberg博弈的自动驾驶测试数据定价模型

针对自动驾驶测试数据兼具连续与离散变量,且包含时间戳和经纬度等间接信息特征的特点,利用特征挖掘过滤、连续变量离散化、驾驶模式加权等方法对传统信息熵方法进行适应性调整,提出基于特征工程的驾驶模式加权信息熵方法,确定自动驾驶测试数据信息量;引入信息量构建数据消费者效用方程,提出考虑信息量和平台利润率约束的改进型Stackelberg博弈数据定价模型。以上海市自动驾驶实际测试数据开展典型案例分析,结果表明,基于改进型Stackelberg博弈的数据定价模型可有效评估数据信息量,合理分配数据生产者、数据平台和数据消费者交易三方的利润率,并显著提升数据交易量和数据交易三方总效用,从而增强自动驾驶测试数据交易市场的活力。

融合变异测试的路径覆盖测试数据进化生成方法

针对检测缺陷的测试数据生成效率低下问题,提出变异测试和路径覆盖测试技术结合的测试数据生成方法。首先,采用变异测试技术生成的变异分支融入程序,生成新的被测程序;然后,在原路径集中挑选目标路径,通过分析变异分支与路径关联关系,将变异分支融入路径。最后,基于遗传算法生成覆盖路径的测试数据。实验结果表明,多种群遗传算法生成测试数据的时间,比单种群遗传算法节约了41.15%。由此可见,对于覆盖多路径测试数据生成,多种群遗传算法的效率比单种群遗传算法高。

基于Hadoop的多维测试数据高效存储平台设计与实现

电子信息工程领域测试数据具有多维度、半结构化、数据量大的特点,对数据的存储、查询、统计分析效率要求较高,现有基于文件或数据库的数据存储方式单一,难以兼顾功能及效率。本文在关系型数据库的基础上引入基于Hadoop的块式数据存储结构,结合关系型数据库和二进制大文件读写,在兼顾统计分析能力的基础上,实现了海量原始测试数据的高效存储及读取,相比传统的存储方式实现了较大幅度的效率提升。

融入蜕变关系的杂交粒子群算法及在测试数据生成中的应用

粒子群算法作为一种智能优化算法,因算法收敛速度快和简单易实现的优点,在测试数据生成中应用广泛.为了提升测试数据生成的效率,本文引入蜕变关系以覆盖待测程序的多条路径,提出融入蜕变关系的杂交粒子群算法并应用于软件测试数据生成中.首先,提出粒子群算法的自适应惯性权重调节方案,提高算法的收敛速度;其次,为避免粒子群算法陷入局部极值,呈现早熟性,本文提出杂交粒子群算法,将在遗传算法中交配的主要操作引入粒子群算法中;然后,对于已生成的测试数据,利用待测程序的蜕变关系衍生出新的测试数据以覆盖待测程序的其他路径.最后,通过实验结果验证,本文提出的方法在收敛速度和生成多路径的测试数据上有明显优势.

医学人工智能产品测试数据集通用化描述方法研究

介绍了目前医学人工智能产品测试数据集的构建情况及存在的问题,提出了设计底层通用医学数据模块并通过模块灵活组配所需测试数据集的构建模式,制订了具有一定灵活性的测试数据集通用化描述方法,为有效检测医学人工智能产品的准确性、实用性等性能提供了数据支撑。