CN101295008A - 一种基于离散粒子群算法的多目标故障测试优化方法 - Google Patents
一种基于离散粒子群算法的多目标故障测试优化方法 Download PDFInfo
- Publication number
- CN101295008A CN101295008A CNA2008100447397A CN200810044739A CN101295008A CN 101295008 A CN101295008 A CN 101295008A CN A2008100447397 A CNA2008100447397 A CN A2008100447397A CN 200810044739 A CN200810044739 A CN 200810044739A CN 101295008 A CN101295008 A CN 101295008A
- Authority
- CN
- China
- Prior art keywords
- fault
- test
- bestid
- particle
- minimum
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Developing Agents For Electrophotography (AREA)
Abstract
本发明公开了一种基于离散粒子群算法的多目标故障测试优化方法,将故障检测率和故障隔离率为100%作为首要目标,并作为粒子适应度函数,用离散粒子群算法对测试点进行优化。引入精英集Xlen1,存放满足首要目标的多个优化结果,后续目标隐藏故障和掩盖故障,在精英集Xlen1内进行优化,其结果为全局最优测试集Xlen2。再在全局最优测试集Xlen2的基础上,找出满足测试电数目最少及测试代价最小故障测试目标的测试集Xlen3,则测试集Xlen3满足故障检测率和故障隔离率为100%、隐藏故障和掩盖故障平均数目最少以及测试点数目最少及测试代价最小的多目标故障测试,达到了故障测试多目标优化的目的。
Description
技术领域
本发明涉及电子系统故障测试领域,具体来讲,涉及一种基于粒子群算法的电子系统多目标故障测试优化方法。
背景技术
现有的故障测试优化方法主要是基于图论和信息论的系统测试点选择和测试代价研究。一般都是以选取最少的测试点数目为研究目标,并未在测试点选择过程中同时考虑掩盖故障(MF)、隐藏故障(HF)以及测试代价等重要的可测性指标。而隐藏故障和掩盖故障容易引起多故障现象,而这种多故障现象其故障特征的表象形式为单故障特征,现有的多故障诊断方法不容易进行诊断,必须在电路设计中尽可能减少掩盖故障和隐藏故障的数目。同时,随着系统规模的增加,系统后期的故障诊断难度增加,系统测试目标还必须侧重于测试时间和测试费用等指标上。
Kennedy和Eberhart在1995年提出了基于群体中的个体(如粒子)行为及数学抽象的粒子群算法(PSO),该算法只能解决连续空间问题。Kennedy和Eberhart于1997年提出了解决离散空间问题的离散粒子群算法(DPSO),离散粒子群算法(DPSO)具有快速收敛性的特点。
发明内容
本发明的目的在于克服现有技术未能综合考虑故障测试的多个目标的不足,提供一种基于离散粒子群算法的多目标故障测试优化方法。
为实现上述发明目的,本发明一种基于离散粒子群算法的多目标故障测试优化方法,包括以下步骤:
(1)、分析电子系统可提供的测试点以及每一测试点所能测试的潜在故障,得到故障-测试依赖矩阵;
(2)、将可测性指标故障检测率和故障隔离率为100%作为首先满足的故障测试目标;
(3)、将故障检测率和故障隔离率作为离散粒子群算法的粒子适应度函数,离散粒子群算法中的种群规模为M,种群中的第i(i=1,2,…,M)个粒子xi为1×N维的二进制向量,N为电子系统测试点数目,粒子xi表示为:
xi=(ai1,ai2,…,aij,…,aiN)
aij表示第j个测试点tj是否被第i个粒子选取;
将种群中的粒子初始化为1×N维的二值矩阵向量,其速度初始化为1×N维的随机值向量,设置最大迭代次数为MaxT,选取初始化粒子中适应度最大的粒子作为全局最优Gbestid t和局部最优Pbestid t的初始值,进入粒子迭代;
(4)、在当前的迭代中,选出种群中最大适应度f(Pbestid t)与前面迭代次数中的全局最优值的适应度f(Pbestid t-1)进行比较,如果f(Pbestid t-1)等于f(Pbestid t),则将全局最优Pbestid t和局部最优Gbestid t值同时存入精英集Xlen1中;如果f(Pbestid t-1)小于f(Pbestid t),则将全局最优Pbestid t的值赋给局部最优Gbestid t,并将原来的精英集Xlen1的值清空,将新的最优粒子加入精英集Xlen1,保证Gbestid t是全局最优值;
(5)、迭代次数大于最大迭代次数为MaxT时,算法中止,精英集Xlen1便为满足故障检测率和故障隔离率为100%的所有测试集集合;
(6)、在精英集Xlen1中,使用离散粒子群算法找出隐藏故障和掩盖故障平均数目最少故障测试目标的全局最优测试集Xlen2;
(7)、在全局最优测试集Xlen2中,找出满足测试电数目最少及测试代价最小故障测试目标的测试集Xlen3,即测试集Xlen3满足故障检测率和故障隔离率为100%、隐藏故障和掩盖故障平均数目最少以及测试点数目最少及测试代价最小的多目标故障测试。
电子系统测试要达到故障检测率和隔离率高、掩盖故障和隐藏故障少以及测试点数目最少及测试代价最小等多目标故障测试优化方面存在冲突。现有技术往往以选取最少的测试点为目标,忽略了其他几个测试指标。本发明将故障检测率和故障隔离率为100%作为首要目标,并作为粒子适应度函数,用离散粒子群算法对测试点进行优化。引入精英集Xlen1,存放满足首要目标的多个优化结果,后续目标隐藏故障和掩盖故障,在精英集Xlen1内进行优化,其结果为全局最优测试集Xlen2。再在全局最优测试集Xlen2的基础上,找出满足测试电数目最少及测试代价最小故障测试目标的测试集Xlen3,则测试集Xlen3满足故障检测率和故障隔离率为100%、隐藏故障和掩盖故障平均数目最少以及测试点数目最少及测试代价最小的多目标故障测试。
本发明采用基于精英集策略的离散粒子算法将逐个目标进行优化,使用精英集将优化的目标集范围逐渐缩小,保证了最后的测试集的全局最优性能,达到了多目标优化的目的。
附图说明
图1是本发明一具体实施方式的故障-测试依赖矩阵;
图2是图1所示的矩阵进行优化后的故障-测试依赖矩阵。
具体实施方式
下面结合附图,对本发明优选具体实施方式进行描述。在以下的描述中,当已有的现有技术的详细描述也许会淡化本发明的主题内容时,这些描述在这儿将被忽略。
在本发明的一具体实施方式中,步骤(3)所述的粒子迭代为:
粒子每次迭代的位置和速度更新公式为(1)(2)
其中:vid t+1为第i个粒子在迭代第t次的速度;Vmind≤vid t≤Vmaxd,Vmind和Vmaxd是对粒子速度的限制,粒子速度太高,容易远离目标区域,粒子速度过低容易陷入局部最优,不能选出最优粒子;cj(j=1,2)为加速常数;r1 t,r2 t是0到1之间的随机数;xid t为第i个粒子在迭代第t次当前位置;Pbestid t为第i个粒子的局部最优;Gbestid t为全局最优。
为防止陷入局部最优,在(1)式中引入惯性权重w,(2)式变为如下(3)式:
惯性权重w描述了上一代速度对于当前速度的影响,控制其取值大小可以控制离散粒子群算法局部和全局寻优能力。w取值越大其全局寻优能力越强,局部寻优能力越弱。初始时,将w取为常数,但经过多次实验发现,动态惯性能够获得比固定值更好的寻优结果,在本实施例中,选用了式(4)的线性变化权值,进行实验取得了很好的效果。
wt=(wini-wend)(Tmax-t)/Tmax+wend (4)
其中,Tmax为最大进化代数,wini为初始惯性权值,t为迭代次数,wend为进化至最大代数时的惯性权值。如果w=0,则粒子速度只取决于它当前位置,速度本身没有记忆,假设一个粒子位于全局最好位置,它将保持静止。而其他粒子则飞向它本身最好位置的加权中心,这种条件下,粒子群将收缩到当前全局最好位置,更像一个局部算法。如果w≠0则粒子有扩展收缩空间的趋势,从而针对不同搜索问题,可调整离散粒子群算法全局和局部搜索能力。在本实施例中,根据多次实验运行效果取值为:
wini=1.2,wend=0.4
在本发明的一具体实施方式中,步骤(6)中:
隐藏故障是:在故障-测试依赖矩阵中,设每个故障对应的测试特征向量为Si,如果当Si为第j个故障特真向量Sj的真子集,则Si为Sj的隐藏故障。
掩盖故障是:当两个或多个故障的征兆的叠加与一个不相关元件的故障征兆相同时,就产生掩盖的虚警故障。如:S1的故障征兆为:{0,1,0},S2的故障征兆为{1,0,1},S3的故障征兆为{1,1,1},则S1和S2为S3的掩盖故障。求解某个掩盖故障的过程就是将所有能够叠加以后产生和该故障相同征兆的所有故障集合就称为掩盖故障。
从以上定义可以看出,要找到精英集Xlen1中的掩盖故障和隐藏故障,其实质是找出故障-测试依赖矩阵中各向量的包含关系,对于故障较少的系统,可直接采用枚举方式找到所有的掩盖故障和隐藏故障,当系统较大时,枚举的方法不再适用。
从上面的定义,我们还可以看出,系统中某故障存在掩盖故障的必要条件是该故障存在隐藏故障。所以只要系统中隐藏故障的数目为最少,则该系统的掩盖故障数目一定最少,所以只需找出精英集Xlen1所含的隐藏故障最少。
实施例
在本实施例中,以超外差收音机系统的多目标故障测试优化为例。在该系统中可供选择的测试点数目N为36个,系统潜在的故障数为22个,其故障-测试依赖矩阵如图1所示。
定义粒子为一个1×36的二进制向量,粒子的种群规模M为50,最大迭代次数MaxT为50次。利用离散粒子群算法,求出满足故障检测率和故障隔离率为100%的精英集Xlen1,在精英集Xlen1中在利用离散粒子群算法找到隐藏故障平均数目最少的最优测试集Xlen2,最优测试集Xlen2见表1:
[1,1,0,1,1,1,1,1,0,1,0,0,1,0,1,1,1,1,1,1,1,1,1,0,0,1,0,1,0,0,1,1,1,1,1,1;
1,1,0,1,1,1,1,1,0,0,0,0,1,0,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,0,1,1,1,1,1,1;
1,1,0,0,1,1,1,1,1,1,0,1,0,0,1,1,0,1,1,1,1,1,1,0,1,1,1,1,0,0,1,1,0,1,1,0;
1,1,0,0,1,0,0,1,1,1,0,1,1,1,1,1,0,1,1,0,1,1,1,0,1,1,1,1,1,0,1,1,0,1,1,0;
0,1,0,0,1,0,1,1,1,1,0,1,1,1,0,1,1,1,1,0,1,1,1,0,1,1,1,1,1,0,1,1,1,1,0,0;
1,1,1,0,0,0,0,1,0,0,1,0,0,1,1,1,0,0,0,1,0,0,0,0,1,1,0,0,0,0,1,1,0,1,1,0;
1,1,1,1,0,1,0,1,1,1,1,0,0,1,1,1,0,0,1,1,1,1,0,0,1,1,1,1,0,0,1,1,0,1,1,0;
0,1,1,1,0,0,0,1,1,1,1,1,0,1,1,1,0,0,1,1,1,0,1,0,1,1,1,0,1,0,1,1,0,1,1,1;
0,1,1,0,0,1,1,1,1,1,1,1,0,1,0,0,0,1,1,1,1,0,1,1,0,1,1,1,1,1,1,1,1,1,0,0;
1,1,1,1,0,0,1,1,1,1,1,1,0,1,1,0,1,0,1,0,1,1,0,1,0,1,1,1,1,1,1,1,1,1,1,1;
1,1,0,1,1,0,1,1,0,1,1,1,1,0,1,0,1,0,1,0,1,1,0,1,1,1,0,1,1,0,1,1,1,1,0,0;
0,1,0,1,1,1,1,1,1,1,1,1,0,0,1,0,0,0,1,0,1,1,0,0,0,1,1,1,1,1,1,1,1,1,0,0;
1,1,1,1,1,1,0,1,1,0,1,1,1,0,1,1,0,1,1,0,1,1,0,1,1,1,1,1,1,1,1,1,1,1,0,0;
0,0,0,0,1,0,0,1,0,0,1,0,0,0,0,0,0,0,0,0,1,1,0,0,1,0,1,0,0,1,0,0,0,1,0,0;
1,1,0,1,1,1,0,1,1,0,1,0,1,1,0,0,0,0,1,0,1,1,1,0,1,1,1,1,1,1,0,0,0,1,0,0;
1,1,0,1,0,1,0,1,1,0,1,1,0,0,1,0,0,0,1,1,1,0,1,1,0,1,0,1,1,1,1,1,1,1,1,1;
1,1,1,1,0,1,0,1,1,0,1,1,1,0,0,0,0,0,1,0,1,1,0,0,0,1,0,1,1,1,1,0,1,1,1,0;
0,1,1,1,0,0,0,1,1,0,1,1,0,0,1,1,0,1,1,0,1,1,1,1,1,1,1,1,1,1,1,0,1,1,1,1;
1,1,1,1,1,1,1,1,1,0,1,1,0,1,1,1,1,1,1,0,1,1,1,1,0,1,1,0,1,1,1,0,0,1,1,0;
1,1,1,1,1,0,1,1,1,0,1,1,0,1,0,1,1,0,1,0,1,1,1,0,0,1,1,1,0,1,1,1,0,1,0,0;
0,1,0,0,1,1,1,1,0,1,0,1,0,1,1,0,0,1,1,1,1,0,0,1,0,1,0,1,1,1,0,0,1,1,0,1;
1,1,0,1,1,1,1,1,1,0,1,1,0,1,0,1,0,0,1,1,1,1,1,1,1,1,1,1,1,1,1,0,1,1,1,0]
表1
在本实施例中,图1所示的超外差收音机系统每个测试点的测试代价均为1,所以在最优测试集Xlen2中只需选出测试点数目最少的最优测试集Xlen3为整个系统的最优测试点集。
在本实施例中,最优测试集Xlen3为:
Xlen3=[0,1,0,0,1,1,1,1,0,1,0,1,0,1,1,0,0,1,1,1,1,0,0,1,0,1,0,1,1,1,0,0,1,1,0,1]
整个系统所选的最优测试点集为:
[t2,t5,t6,t7,t8,t10,t12,t14,t15,t18,t19,t20,t21,t24,t26,t28,t29,t30,t33,t34,t36}
其对应的故障-测试依赖矩阵如图2所示。从图2可以看出,该矩阵的故障隔离率和故障检测率为1,所包含的隐藏故障和掩盖故障的数目较少,测试点数目为21。
尽管上面对本发明说明性的具体实施方式进行了描述,但应当清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (1)
1、一种基于离散粒子群算法的多目标故障测试优化方法,包括以下步骤:
(1)、分析电子系统可提供的测试点以及每一测试点所能测试的潜在故障,得到故障-测试依赖矩阵;
(2)、将可测性指标故障检测率和故障隔离率为100%作为首先满足的故障测试目标;
(3)、将故障检测率和故障隔离率作为离散粒子群算法的粒子适应度函数,离散粒子群算法中的种群规模为M,种群中的第i(i=1,2,…,M)个粒子xi为1×N维的二进制向量,N为电子系统测试点数目,粒子xi表示为:
xi=(ai1,ai2,…,aij,…,aiN)
aij表示第j个测试点tj是否被第i个粒子选取;
将种群中的粒子初始化为1×N维的二值矩阵向量,其速度初始化为1×N维的随机值向量,设置最大迭代次数为MaxT,选取初始化粒子中适应度最大的粒子作为全局最优Gbestid t和局部最优Pbestid t的初始值,进入粒子迭代;
(4)、在当前的迭代中,选出种群中最大适应度f(Pbestid t)与前面迭代次数中的全局最优值的适应度f(Pbestid t-1)进行比较,如果f(Pbestid t-1)等于f(Pbestid t),则将全局最优Pbestid t和局部最优Gbestid t值同时存入精英集Xlen1中;如果f(Pbestid t-1)小于f(Pbestid t),则将全局最优Pbestid t的值赋给局部最优Gbestid t,并将原来的精英集Xlen1的值清空,将新的最优粒子加入精英集Xlen1,保证Gbestid t是全局最优值;
(5)、迭代次数大于最大迭代次数为MaxT时,算法中止,精英集Xlen1便为满足故障检测率和故障隔离率为100%的所有测试集集合;
(6)、在精英集Xlen1中,使用离散粒子群算法找出隐藏故障和掩盖故障平均数目最少故障测试目标的全局最优测试集Xlen2;
(7)、在全局最优测试集Xlen2中,找出满足测试电数目最少及测试代价最小故障测试目标的测试集Xlen3,即测试集Xlen3满足故障检测率和故障隔离率为100%、隐藏故障和掩盖故障平均数目最少以及测试点数目最少及测试代价最小的多目标故障测试。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008100447397A CN101295008B (zh) | 2008-06-19 | 2008-06-19 | 一种基于离散粒子群算法的多目标故障测试优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008100447397A CN101295008B (zh) | 2008-06-19 | 2008-06-19 | 一种基于离散粒子群算法的多目标故障测试优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101295008A true CN101295008A (zh) | 2008-10-29 |
CN101295008B CN101295008B (zh) | 2010-06-23 |
Family
ID=40065421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008100447397A Expired - Fee Related CN101295008B (zh) | 2008-06-19 | 2008-06-19 | 一种基于离散粒子群算法的多目标故障测试优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101295008B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101404071B (zh) * | 2008-11-07 | 2010-07-14 | 湖南大学 | 基于分组粒子群算法的电子电路故障诊断神经网络方法 |
CN104239974A (zh) * | 2014-09-12 | 2014-12-24 | 河海大学常州校区 | 基于分布估计改进离散粒子群算法的引航员指派方法 |
CN104391188A (zh) * | 2014-10-10 | 2015-03-04 | 上海交通大学 | 基于保护信号解析模型的继电保护隐性故障检测方法 |
CN105022864A (zh) * | 2015-06-30 | 2015-11-04 | 北京轩宇信息技术有限公司 | 一种基于扩展依赖矩阵的系统测试点选取方法 |
CN105186556A (zh) * | 2015-08-20 | 2015-12-23 | 国家电网公司 | 基于改进免疫粒子群算法的大型光伏电站无功优化方法 |
CN105243021A (zh) * | 2015-11-03 | 2016-01-13 | 电子科技大学 | 多任务测试性指标分配方法 |
CN106447025A (zh) * | 2016-08-31 | 2017-02-22 | 电子科技大学 | 基于离散粒子群的测试性指标分配与测试选取联合算法 |
CN107657311A (zh) * | 2017-11-03 | 2018-02-02 | 电子科技大学 | 基于多目标粒子群算法的测试优选方法 |
CN109635324A (zh) * | 2018-11-05 | 2019-04-16 | 中国航空工业集团公司西安飞机设计研究所 | 一种故障隔离率的分配方法 |
CN111412795A (zh) * | 2020-03-16 | 2020-07-14 | 中国人民解放军海军航空大学 | 测试点设置方案生成方法及装置 |
CN112949524A (zh) * | 2021-03-12 | 2021-06-11 | 中国民用航空飞行学院 | 一种基于经验模态分解与多核学习的发动机故障检测方法 |
CN113779856A (zh) * | 2021-09-15 | 2021-12-10 | 成都中科合迅科技有限公司 | 一种面向电子系统功能在线重组的离散微粒群算法建模方法 |
CN114429082A (zh) * | 2022-01-10 | 2022-05-03 | 电子科技大学 | 一种考虑测试不确定性的电路测点优选方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2003290752A1 (en) * | 2002-11-12 | 2004-06-03 | Fei Company | Defect analyzer |
US7050922B1 (en) * | 2005-01-14 | 2006-05-23 | Agilent Technologies, Inc. | Method for optimizing test order, and machine-readable media storing sequences of instructions to perform same |
-
2008
- 2008-06-19 CN CN2008100447397A patent/CN101295008B/zh not_active Expired - Fee Related
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101404071B (zh) * | 2008-11-07 | 2010-07-14 | 湖南大学 | 基于分组粒子群算法的电子电路故障诊断神经网络方法 |
CN104239974A (zh) * | 2014-09-12 | 2014-12-24 | 河海大学常州校区 | 基于分布估计改进离散粒子群算法的引航员指派方法 |
CN104391188A (zh) * | 2014-10-10 | 2015-03-04 | 上海交通大学 | 基于保护信号解析模型的继电保护隐性故障检测方法 |
CN104391188B (zh) * | 2014-10-10 | 2017-07-18 | 上海交通大学 | 基于保护信号解析模型的继电保护隐性故障检测方法 |
CN105022864A (zh) * | 2015-06-30 | 2015-11-04 | 北京轩宇信息技术有限公司 | 一种基于扩展依赖矩阵的系统测试点选取方法 |
CN105022864B (zh) * | 2015-06-30 | 2018-03-09 | 北京轩宇信息技术有限公司 | 一种基于扩展依赖矩阵的系统测试点选取方法 |
CN105186556A (zh) * | 2015-08-20 | 2015-12-23 | 国家电网公司 | 基于改进免疫粒子群算法的大型光伏电站无功优化方法 |
CN105186556B (zh) * | 2015-08-20 | 2017-11-14 | 国家电网公司 | 基于改进免疫粒子群算法的大型光伏电站无功优化方法 |
CN105243021A (zh) * | 2015-11-03 | 2016-01-13 | 电子科技大学 | 多任务测试性指标分配方法 |
CN105243021B (zh) * | 2015-11-03 | 2017-10-31 | 电子科技大学 | 多任务测试性指标分配方法 |
CN106447025B (zh) * | 2016-08-31 | 2018-11-06 | 电子科技大学 | 基于离散粒子群的测试性指标分配与测试选取联合方法 |
CN106447025A (zh) * | 2016-08-31 | 2017-02-22 | 电子科技大学 | 基于离散粒子群的测试性指标分配与测试选取联合算法 |
CN107657311A (zh) * | 2017-11-03 | 2018-02-02 | 电子科技大学 | 基于多目标粒子群算法的测试优选方法 |
CN107657311B (zh) * | 2017-11-03 | 2019-10-29 | 电子科技大学 | 基于多目标粒子群算法的测试优选方法 |
CN109635324A (zh) * | 2018-11-05 | 2019-04-16 | 中国航空工业集团公司西安飞机设计研究所 | 一种故障隔离率的分配方法 |
CN109635324B (zh) * | 2018-11-05 | 2023-05-26 | 中国航空工业集团公司西安飞机设计研究所 | 一种故障隔离率的分配方法 |
CN111412795A (zh) * | 2020-03-16 | 2020-07-14 | 中国人民解放军海军航空大学 | 测试点设置方案生成方法及装置 |
CN111412795B (zh) * | 2020-03-16 | 2022-05-31 | 中国人民解放军海军航空大学 | 测试点设置方案生成方法及装置 |
CN112949524A (zh) * | 2021-03-12 | 2021-06-11 | 中国民用航空飞行学院 | 一种基于经验模态分解与多核学习的发动机故障检测方法 |
CN113779856A (zh) * | 2021-09-15 | 2021-12-10 | 成都中科合迅科技有限公司 | 一种面向电子系统功能在线重组的离散微粒群算法建模方法 |
CN114429082A (zh) * | 2022-01-10 | 2022-05-03 | 电子科技大学 | 一种考虑测试不确定性的电路测点优选方法 |
CN114429082B (zh) * | 2022-01-10 | 2023-04-07 | 电子科技大学 | 一种考虑测试不确定性的电路测点优选方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101295008B (zh) | 2010-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101295008B (zh) | 一种基于离散粒子群算法的多目标故障测试优化方法 | |
CN108509335A (zh) | 基于遗传算法优化的软件测试数据生成方法 | |
RU2011129298A (ru) | Идентификация отказов в авиационном двигателе | |
Zhong et al. | Deep actor-critic reinforcement learning for anomaly detection | |
CN108363876B (zh) | 一种考虑关键故障的测试优化选择方法 | |
CN107480386B (zh) | 一种基于响应混叠性度量与遗传算法的测试激励优选方法 | |
CN107576948A (zh) | 一种基于高分辨距离像imf特征的雷达目标识别方法 | |
CN105721209B (zh) | 一种有噪网络的故障检测方法 | |
CN111562569A (zh) | 基于加权群稀疏约束的Weibull背景下多目标恒虚警检测方法 | |
Xiao et al. | Multi-DEPSO: A DE and PSO based hybrid algorithm in dynamic environments | |
CN106093925A (zh) | 一种多雷达联合检测方法 | |
CN113157473A (zh) | 一种对多维日志的故障根因定位方法和装置 | |
CN108768772A (zh) | 基于代价敏感的自组织网络的故障探测方法 | |
CN105589896B (zh) | 数据挖掘方法及装置 | |
CN108090566B (zh) | 基于串并联遗传算法的多目标测试优选方法 | |
Moon et al. | Minority-oriented vicinity expansion with attentive aggregation for video long-tailed recognition | |
CN105260774A (zh) | 一种基于构象空间退火的两阶段差分进化多模态优化方法 | |
CN113723546B (zh) | 基于离散隐马尔可夫模型的轴承故障检测方法和系统 | |
CN116089317B (zh) | 基于路径相似表与个体迁移的多路径测试方法与系统 | |
Alshawabkeh et al. | Feature weighting and selection using hypothesis margin of boosting | |
Paterson et al. | A hybrid approach to network robustness optimization using edge rewiring and edge addition | |
Tang et al. | Parameter estimation using a CLPSO strategy | |
Kou et al. | A parameters selection method of svm | |
Li et al. | A causative attack against semi-supervised learning | |
CN118035125A (zh) | 基于双层次概率选择的随机测试用例生成方法与系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20100623 Termination date: 20130619 |