LSTM预测驱动的软件系统主动自适应方法

针对反应式自适应软件系统调整滞后的问题,提出了一种基于长短期记忆(long short-term memory,LSTM)网络预测驱动的主动自适应方法。该方法将LSTM神经网络预测技术嵌入监测-分析-决策-执行-知识控制模型的分析环节,利用自适应环境、质量及目标相关的运行数据和历史数据进行分类预测,形成自适应预警机制,在减小传统自适应决策滞后性影响的同时有效提高了软件系统的主动自适应能力。为了说明所提方法的主动性、鲁棒性、有效性,在经典的分布式远程辅助系统上对该方法进行实验评估。结果表明:该方法能够针对自适应需求提前预警,推动软件系统在必要时进行主动的自适应调整。

基于数据挖掘的一回路小泄漏故障预警研究

一回路小泄漏的过度演变有可能引起严重事故,为防止事故发生,提出一种基于多特征参数综合的改进高斯混合模型-灰色关联度法-熵权法(GMM-GRA-EWM)的故障预警方法。首先,对一回路小泄漏的动态运行特性进行机理分析,确定了预警特征参数。然后,根据已确定的预警特征参数,结合熵权法和灰色关联度法,建立多参数综合预警模型。最后,采用相关性分析、改进高斯混合模型算法有效学习了大量数据的统计特性,使预警阈值在不同工况下具有自适应能力。结果表明,该方法在变工况运行条件下,可以有效达到预警。相较于单参数和固定阈值预警,该方法具有更好的稳定性,预警更加准确、有效、及时,可为实现一回路系统的状态监测提供参考。