Прогнозування відмов програмного забезпечення з використанням нейронної мережі на основі радіально-базисних функцій

Автори: 
Яковина В. С.

In this paper the radial-basis neural network was used for software failures prediction. The influence of activation function of the RBF neural net on the learning efficiency and software failures prediction is studied. It is shown that the optimal activation function is Inverse Multiquadric with 10 neurons in the input layer and 30 neurons in the hidden one (square of Pearson correlation coefficient is 0.997 and mean deviation is 14.4).

1. Бобало Ю. Я. Математичні моделі та методи аналізу надійності радіоелектронних, електротехнічних та програмних систем: монографія / Ю. Я. Бобало, Б. Ю. Волочій, О. Ю. Лозинський, Б. А. Мандзій, Л. Д. Озірковський, Д. В. Федасюк, С. В. Щербовських, В. С. Яковина. — Львів: Видавництво Львівської політехніки, 2013. — 300 с.
2. Половко А. М., Гуров С. В. Основы теории надежности. — СПб.: БХВ-Петербург, 2008. — 704 c.
3. Hoang Pham, Michelle Pham. Software Reliability Models for Critical Applications // EGG—2663 Technical Report (1991). Idaho National Engineering Laboratory, EG&G Idaho Inc. — 98 p.
4. Hoang Pham. System software reliability. — Springer-Verlag London Limited, 2006. — 440 p.
5. Tariq Hussain Sheakh, S.M.K. Quadri, and VijayPal Singh. A Study of Analytically Improving the Reliability of Software // International Journal of Research and Reviews in Computer Science, Vol. 3, No. 1, February 2012, P. 1404–1406.
6. Тейер Т., Липов М., Нельсон Э. Надежность программного обеспечения. Пер. с англ. — М.: Мир, 1981. — 323 с.
7. Липаев В.В. Надежность программных средств. — М.: СИНТЕГ, 1998. — 232 с.
8. Goel A. L. Software reliability models: assumptions, limitations, and applicability // IEEE Trans. on software engineering SE-11 (1985), No 12, 1411–1423.
9. Khoshgoftaar T. M., Szabo R. M. Predicting software quality, during testing, using neural network models: A comparative study // International Journal of Reliability, Quality and Safety Engineering 1 (1994), 303–319.
10. Su Y.-S., Huang C.-Y. Neural-network-based approaches for software reliability estimation using dynamic weighted combinational models // The Journal of Systems and Software 80 (2007) 606–615.
11. Cai K. Y., Cai L., Wang W. D., Yu Z. Y., Zhang D. On the neural network approach in software reliability modeling // The Journal of Systems and Software 55 (2001), 47–62.
12. Zheng J. Predicting software reliability with neural network ensembles // Expert Systems with Applications 36 (2009), 2116–2122.
13. НейроПроект. Аналитические технологии для прогнозирования и анализа данных [Електронний ресурс]: книга / Компания «НейроПроект» — Електорон. дан.
(1 файл). — 2005. — 1с. — Режим доступу: http://www.neuroproject.ru/forecasting_tutorial.php. — Назва з екрана.
14. Dohi T., Nishio Y., Osaki S. Optimal software release scheduling based on artificial neural networks // Annals of Software Engineering, Vol. 8 (1999). — P. 167–185.
15. Denghua Mei. Early Software Reliability Prediction with Wavelet Networks Models // The 2007 International Conference on Intelligent Systems and Knowledge Engineering, Oct. 15–16, 2007.
16. Karunanithi N., Whitley D., Malaiya Y. K. Using neural networks in reliability prediction // IEEE Software, Vol. 9 (1992), no. 4. — P. 53–59.
17. Salmeron M., Ortega J., Puntonet C. G. and Damas M. Parallel Computation of an Adaptive Optimal RBF Network Predictor // LNCS, Vol. 2687 (2003). P. 425–432.
18. Sing J. K., Thakur S., Basu D. K, Nasipuri M., Kundu M. High-speed face recognition using self-adaptive radial basis function neural networks // Neural Computing and Applications, Vol. 18 (2009). — P. 979–990.
19. Вороновский Г. К., Махотило К. В., Петрашев С. Н., Сергеев С. А. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. — Харків: Основа, 1997. — 112 с.
20. Yakovyna V., Synytska O., Kremen T., Smirnov V. On the possibility of software reliability prediction using RBF neural network // Proc. VI-th Int. Sci. Tech. Conf. «Computer Science and Information Technologies» CSIT 2011, Lviv, Ukraine, 39–42.
21. Paliwal M., Kumar U. A. Neural networks and statistical techniques: A review of applications // Expert Systems with Applications 36 (2009), 2–17.
22. Heaton Research. Encog Java and DotNet Neural Network Framework. About the Encog project [Електронний ресурс]: (проект) / Проект Heaton Research — Електр. дан. (1 файл). — 2005. — 1 с. — Режим доступу: http://www.heatonresearch.com/encog. — Назва з екрана.

Яковина В. С. Прогнозування відмов програмного забезпечення з використанням нейронної мережі на основі радіально-базисних функцій / В. С. Яковина // Вісник Національного університету "Львівська політехніка". – 2014. – № 805 : Інформаційні системи та мережі. – С. 230–236. – Бібліографія: 22 назви.