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。

安徽省铜陵矿集区狮子山岩浆流体系统地球化学测试数据集

铜陵矿集区是中国最著名的铜、金、铁产地之一,该矿集区内成矿与岩浆作用关系密切。狮子山岩浆流体系统分布最为广泛,是铜陵矿集区岩浆活动与成矿作用的主体,为众多地质学家所重视。狮子山岩浆流体系统地球化学测试数据集包括系统内具有代表性的34件岩石样品主微量元素数据、32件流体包裹体显微测温数据;5件石英包裹体稀土、微量元素数据;28件样品C-H-O同位素数据及27件样品的硫同位素测试数据。全部测试均在国家知名测试数据实验室进行,数据质量可靠。该数据集可以反映狮子山岩浆子系统的岩浆活动特征、成矿流体特征、成矿物质来源,为揭示矿床成因、成矿流体来源及演化等科学问题提供数据支撑。

基于改进遗传算法的接口测试数据集的生成方法

针对用电信息采集统一接口平台需要大量包含足够测试用例占比的测试数据这一难题,提出基于改进遗传算法的用电信息采集系统统一接口平台测试数据集的生成方法;在对原始数据预处理的基础上,采用基于相似度的交叉算子对原始群体扩充,使用提出基于群体趋势不变的染色体变异算法,在保持群体数据集特性的情况下增大测试用例占比,从而形成测试数据的自动生成方法;应用该测试数据集生成方法,基于某省级电力公司2016年7—9月300万个典型用电客户用电数据进行数据集生成实验,利用熵原理比较无变异因子、插值法变异和改进遗传算法分别生成的测试数据与原始数据的重合度。结果表明,改进遗传算法生成的测试数据集,具有同用电信息采集系统采集数据相同的属性和属性值分布以及类似的属性关联关系,能够满足测试用例需求。

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。

辐射源个体识别测试数据集及性能评估方法

对辐射源个体识别的测试数据集产生方法及辐射源个体识别的性能评估方法进行了研究,提出了基于软件无线电平台的辐射源个体识别测试数据集构建方法,针对辐射源个体识别的正确性、适应性和时效性分别建立对应的性能评估指标体系。

入侵检测数据集KDD CUP99研究

为了更好评价各种入侵检测算法的性能,指出了入侵检测数据集应当具备的特点。分析了两种有影响的入侵检测数据集:MITLL入侵检测数据集和由此整理形成的KDDCUP99入侵检测数据集的特点及构成,重点分析了KDDCUP99训练数据集和测试数据集的各攻击类型及详细分布、数据集中每条连接的特征分类及其各个特征的含义,并对数据集的使用进行了说明。最后,对KDD CUP数据集存在的问题及相应改进措施给出了建议。

基于改进DPSO的组合测试数据生成算法

对离散粒子群优化算法进行改进,提出一种两两覆盖的组合测试数据生成算法。以一个粒子代表一个测试数据集,从整体上评价测试数据集对各个因素组合的覆盖情况,以测试数据中各因素离散值出现的次数为依据,随机产生粒子位置。实例分析表明,该算法与初始值无关,可有效生成测试数据且收敛速度快。

一种基于规范和程序域分析的软件测试方法

虽然软件规范规定了输入变量的定义域 (功能域 ) ,但程序实现本身也定义了其定义域 (运行域 ) 如果二者不能完全重合 ,那么某些软件故障就可检测出来 为此 ,提出了一种基于规范和程序域分析的软件测试方法 ,介绍了一个运行域自动确定系统ADSOD ,并讨论了边界测试数据的选取原则 对特殊表达式 ,采用程序切片技术 ,构造基于表达式的可执行模块 ,通过执行该模块 ,识别其输入变量的奇异值 ,进而确定其输入变量的取值范围 通过分析功能域和运行域的边界测试数据集 ,检测二者的重合性 ,并根据其分析结果产生测试用例 实验表明 :所提方法产生的测试用例 。

基于表征参量的标准测试数据集构建技术研究

几何要素拟合作为测量评价软件中评定误差的关键步骤,不同逼近方法、评价策略的选择及有效数字的取舍等都会对评价结果产生影响,导致不同测量分析软件对同一测量数据生成不同的评价结果。面向几何要素拟合评价算法难以认证的问题,分析和讨论了标准输入测试数据集的生成依据和规则,以及由此确定了不同几何要素的表征参量,实现了基于表征参量的标准输入测试数据集的动态构建。基于标准输入测试数据,通过研究最小二乘双重拟合算法及几何公差评价算法,实现了标准输出测试数据集的生成,最后将评价结果与蔡司测量分析软件CALYPSO进行了比对验证。通过动态构建的标准输出测试数据集与测量评价软件的评价结果进行比对,以完成测量评价软件中不同几何要素基于最小二乘拟合评价算法的认证。

基于约束和树模型的两两组合测试方法

提出了一种新的基于约束和树模型的两两组合测试方法;该方法在树模型的基础上,利用约束关系对树进行裁剪,在此基础上使用回溯法搜索解空间树,选择出符合两两覆盖标准的最小规模的测试数据集,最后利用贪心算法补足测试数据集;实验数据表明在某些存在参数约束的软件系统中,使用该方法可以生成尽可能小的两两组合覆盖测试用例集,较大幅度地提高了搜索效率。

基于多个连续数据复制的幂次划分数据压缩方法

基于多个连续数据复制压缩方法是将整个测试数据集根据2的幂次方长度划分成多个连续的若干不定长块,不定长块有几种可能:全1序列,全0序列,01序列,10序列或者不定序列。对于全0序列、全1序列或者01、10序列,在标志位用1的个数来表示连续块的长度,标志位和编码字之间用0来分隔,后缀用两位连续位编码。对于不连续也不交替的前缀用0标志,代码字就是原代码复制。这种根据数据连续性划分利用数据的重复性降低编码中出现的冗余,减少了还原时间,能够很好的对连续或者连续的交替块压缩。

IP数据分组传送性能的研究

一、引言 进入90年代以来,因特网(Internet)的发展呈现为爆炸性增长的趋势,国际标准研究织组也正面对巨大的挑战,须重新考虑其工作方向和重点。几十年来,国际电信联盟(ITU)

基于CTPN+CRNN模型的文字检测和识别的功能与实现

本文通过对基于深度学习(Deep Learning,DL)技术处理文字检测和识别相关任务模型的功能研究,针对文献中水平分布的文字选取适合的模型,搭建模型环境并建立训练数据集和测试数据集,对模型进行实验和测试。结果表明,深度学习模型处理相关任务在理论和现实情况下都具有可行性,并提出了优化模型的可行性建议,以此展望此类模型未来在图书馆实施的业务场景。

基于深度学习的精准营销推送算法设计与仿真

针对目前用于精准营销推送的用户画像模型普遍存在全面性与深入性差等问题,文中基于深度学习技术研究用于精准营销推送的用户画像模型构建算法。该算法利用结巴分词算法与SIFT方法对短文本与图片进行预处理与融合,借助PGBN深度学习模型及吉布斯向上-向下的采样方法对用户画像模型进行构建与训练,从而获取用户的兴趣、爱好等信息。对测试数据集进行的仿真计算结果表明,该文算法由于融合图片与文本数据,相较于普通算法,能够较为全面地获取用户的属性特征,因此在精准营销推送中发挥着重要作用。

多示例学习及其研究现状

较全面地介绍和分析了第4种机器学习框架的多示例学习(MIL).首先通过数学表达式对多示例学习进行描述,概括了其主要性质;然后总结了目前主要的求解多示例学习问题的算法,剖析了这些算法的主要思想;最后对多示例学习的未来发展作了展望.

竞争算法优化BP神经网络性能研究

针对诸多群智能算法容易陷入局部最优、收敛速度慢的特点,提出一种参数设置少,全局搜索能力强的竞争算法.通过10个基准函数与粒子群算法的比较, 30次试验下竞争算法的平均值与最小值均优于粒子群算法,验证了该算法的有效性.用竞争算法优化BP神经网络,并对11个测试数据集进行分类,实验结果表明,用竞争算法优化后的BP神经网络在11个测试集上性能均优于原始算法,且在大部分测试集上性能优于用遗传算法优化的BP神经网络.该算法能有效提高分类正确率,增强鲁棒性.

图嵌入方法与应用:研究综述

图模型越来越广泛地应用于数据管理、知识发现和信息服务等问题中,图嵌入作为图分析和应用的重要技术手段,成为了人工智能领域研究的热点之一.本文从图嵌入研究中面临的挑战出发,主要介绍了基于矩阵分解、基于随机游走和基于深度学习的图嵌入方法.接着,介绍了图嵌入方法常用的测试数据集、评测标准和典型应用.最后,总结了图嵌入未来研究的趋势和方向.

MR血管成像的深度学习:脑动脉瘤的自动检测

目的开发和评估一种用在时间飞跃法MR血管成像中检测脑动脉瘤的深度学习的支持算法,以对放射科医师的诊断进行再评估。材料与方法2006年11月—2017年10月期间,从4个机构获取由放射科医生报告的包含动脉瘤的MR影像。

A scheme on automated test data generation and its evaluation

By analyzing some existing test data generation methods, a new automated test data generation approach was presented. The linear predicate functions on a given path was directly used to construct a linear constrain system for input variables. Only when the predicate function is nonlinear, does the linear arithmetic representation need to be computed. If the entire predicate functions on the given path are linear, either the desired test data or the guarantee that the path is infeasible can be gotten from the solution of the constrain system. Otherwise, the iterative refining for the input is required to obtain the desired test data. Theoretical analysis and test results show that the approach is simple and effective, and takes less computation. The scheme can also be used to generate path-based test data for the programs with arrays and loops.