关于BP神经网络在软件测试中的应用.pdfVIP

基于BP 神经网络在软件测试中的应用 吴晓南，张璐 辽宁工程技术大学理学院，辽宁阜新（123000 ） E-mail ：godstoy@163.com 摘 要：本文主要阐述了神经网络的基本原理，以及神经网络模型BP 网络算法模型原理， 基于BP 神经网络算法在软件测试设计中的应用。 关键词：神经网络，软件测试，软件故障 1．引言 软件分析，设计过程中难免有各种各样的错误，需要通过测试查找错误，以保证软件的 质量。软件测试是由人工或计算机来执行或评价软件的过程，验证软件是否满足规定的需求 或识别期望的结果和实际结果之间又无差别。大量统计资料表明，软件测试工作量往往占软 件开发总量的 40 ％以上，再极端情况下，如测试有软人的声名安全的软件所花费的成本， 可能会大道软件攻城其它阶段总成本的 3～5 倍。软件测试首先要明确目标，然后要掌握测 试方法策略，确实做到尽可能地将软件存在的问题找出来，以保证软件质量[1].而现今的软件 测试方法和理论仍停留在人工繁琐的工作之上，效率低下，并不能适应现代软件开发的要求， 因此应当在理论于方法上给与软件测试支持。设计测试用例时，尽可能以最少的测试用例集 合，找出更多的潜在错误。设计测试用例方法分为黑盒法和白盒法两类。黑盒法又称功能测 试，其测试用例完全时根据程序的功能说明来设计的。在应用这种测试法时，测试者完全不 考虑程序内部结构盒内部特性，把软件看成时一个黑盒，测试时仅仅关心如何寻找出可能使 程序不按要求运行的情况，因而测试是在程序接口进行的。可以应用神经网络来训练测试用 例 2 ．神经网络原理 神经网络是一个具有高度非线性的超大规模连续时间动力系统。是由大量的处理单元 (神经元)广泛互连而形成的网络。它是在现代神经科学研究成果的基础上提出的，反映了脑 功能的基本特征。但它并不是人脑的真实描写，而只是它的某种抽象、简化与模拟。网络的 信息处理由神经元之间的相互作用来实现；知识与信息的存储表现为网络元件互连间分布式 的物理联系；网络的学习和计算决定于各神经元连接权系的动态演化过程。因此神经元构成 了网络的基本运算单元。每个神经元具有自己的阈值。每个神经元的输入信号是所有与其相 连的神经元的输出信号和加权后的和。而输出信号是其净输入信号的非线性函数。如果输入 信号的加权集合高于其阈值，该神经元便被激活而输出相应的值。在人工神经网络中所存储 的是单元之间连接的加权值阵列。 神经网络的工作过程主要由两个阶段组成，一个阶段是工作期，此时各连接权值固定， 计算单元的状态变化，以求达到稳定状态。另一阶段是学习期( 自适应期，或设计期)，此时 各计算单元状态不变，各连接权值可修改(通过学习样本或其他方法)，前一阶段较快，各单 元的状态亦称短期记忆(STM)，后一阶段慢的多，权及连接方式亦称长期记忆(LTM)[4] 。 3 ．神经网络的训练与学习 系统改善自身性能的任何过程统称为学习，神经网络的学习就是利用应用环境里选出的 - 1 - 一些训练数据（也称样本）来不断调整神经网络中的权矩阵 W ，直到输入－输出结论与实 际相吻合为止。 3.1 监控式学习 此种学习训练方式中，神经网络的输入与输出样本称对给出，设训练数据为 （X ,Y ）,i=1,2,...,n。W 的调整原则是，对给定的输入 X ，由网络计算产生 y ’,然后根据 y i i i i i 与 y ’的误差调整权重W,使输出朝正确方向发展。 i 监控式学习的优点式简单，缺电是要求导师对环境及网络结构充分了解，环境一旦发 生变化，W 也需要重新调整，又人类接受只是的机制并非都是有导师式的，这与存在于婴 儿大脑中的自组织行为不完全一致。 3.2 无监控式学习 在这种学习方式中，训练数据不是成对给出的，只是给出输入，而不指定输出式什么。 训练后的网络应能对给定的任何输入