CN105825063A - 一种测试性设计中测试点定量选择方法 - Google Patents
一种测试性设计中测试点定量选择方法 Download PDFInfo
- Publication number
- CN105825063A CN105825063A CN201610161486.6A CN201610161486A CN105825063A CN 105825063 A CN105825063 A CN 105825063A CN 201610161486 A CN201610161486 A CN 201610161486A CN 105825063 A CN105825063 A CN 105825063A
- Authority
- CN
- China
- Prior art keywords
- particle
- test
- centerdot
- test point
- fault
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种测试性设计中测试点定量选择方法,其步骤包括:步骤一,获取系统初始化参数,步骤二,计算种群适应度,建立自适应函数,步骤三,更新粒子个体和种群全局的最优值,步骤四,判断算法是否进入收敛状态,确定惯性权值,步骤五,判断是否达到最大迭代次数,达到最大次数则给出最优测试点。与现有技术相比,本发明能够有效提高测试性设计中测试点定量选择的优选效果,提高测试性设计指标检测率,隔离率,并降低测试性设计成本。
Description
技术领域
本发明属于测试性技术领域,特别涉及一种测试性设计中测试点定量选择方法。
背景技术
由于计算机技术、微电子技术和嵌入式技术的广泛应用,航空电子产品制造设计的技术水平得到飞速发展,目前,航空电子系统进一步向复杂化和规模化发展,测试性的是判别飞机故障诊断与隔离的重要设计特性,必须从设计阶段就予以重视,如何选择测试点更是直接影响诊断性能的高下。但是常规测试点选择方法由于其主观性和经验性,导致诊断能力的不足和测试资源的大量浪费,因此需要设计一种智能测试集优选算法进行定量选择。以提高航电系统的测试和诊断能力,对测试点进行定量选择,使检测率,隔离率更优,且降低测试消耗,使成本更加合理。
发明内容
针对上述问题,本发明的目的在于提供一种测试性设计中测试点定量选择方法,它能够有效提高大规模复杂电路测试性测试点的定量选择效果,提高测试性设计指标检测率,隔离率,并降低测试性设计成本。
本发明的一种测试性设计中测试点定量选择方法,包括以下几个步骤:
步骤一:获取系统初始化参数,包括:种群大小、种群初始位置、速度、加速因子、最大速度、最大迭代次数;
步骤11,对系统进行故障模式分析,建立所有故障模式集合为F={fi}(i=1,2,3…m);F为系统故障,fi为系统中各个单元的故障。
步骤12:选定初选测试点集合T={ti}(i=1,2,3…n)。T为系统测试,ti为系统中各个单元的测试点。
步骤13建立故障模式与测试点之间的相关性矩阵:
所述相关性矩阵是一个布尔矩阵,元素ftij的值由以下公式判定:
对其中行列则有以下含义:对于列Tj=[ft1j,ft2j,…,ftmj]T,代表第j个测试可以检测到的故障。对于行Fi=[fti1,fti2,...,ftin],代表第i个故障可以被哪些测试所检测。
步骤二:计算系统中种群各个粒子的适应度,建立自适应函数:
步骤21:定义故障检测率(FDR):在规定的时间内,用规定的方法正确检测到故障数与被测单元发生的故障总数之比,F′为无法被检测故障;
定义故障隔离率(FIR):在规定的时间内,用规定的方法正确隔离出的故障数与检测出故障总数之比,F*为无法被隔离故障;
定义测试综合成本(C):所有单个测试成本之和,其中,TI为备选测试集,ti为单个测试点,c(ti)表示单个测试点的综合成本。
步骤22:判断是否具有约束惩罚项且为最小化约束,若存在,则利用改进的计算当代粒子适应度的公式
其中,fitness为适应度函数,FIR为故障隔离率,FDR为故障检测率,p(x)为约束,w1,w2,w3为设定的权值,∑C为测试所需的总费用。
步骤23:判断是否具有约束惩罚项且为最大化约束,若存在,则利用改进的计算当代粒子适应度的公式
其中,fitness为适应度函数,FIR为故障隔离率,FDR为故障检测率,p(x)为约束,w1,w2,w3为设定的权值,∑C为测试所需的总费用。
步骤24:判断惯性权值是否具有同一数量级,若具有,则利用改进的同一数量级的粒子适应度公式
其中,min(c(T)表示最低的测试性费用之和,∑C,w1′、w2、w3是设定的权值,FDR是系统检测率,FIR是系统隔离率。
步骤三:更新群体的全局极值以及粒子的个体极值。
步骤31,最大速度的选择,为了避免粒子在搜索空间陷入死循环,粒子速度v会限制在[-vmax,vmax],vmax为最大速度。特殊的,在二进制粒子群中将vi,j限制在[-4.0,4.0]。为最大速度
步骤32,加速因子的选择,c1+c2≤4.0,并通常取c1=c2=2.0。加速因子的选取也可以采取自适应策略。C1、C2为加速因子。
步骤33,粒子位置的选择,群体的全局极值以及粒子的个体极值,并根据公式,
s(vi,j)=1/(1+exp(-vi,j))
if(r<s(vi,j))thenxi,j=1
其中,r是取值在(0,1)的随机数。将vi,j限制在[-4.0,4.0]以防止速度饱和。使得s(vi,j)不会超过[0,1]。
根据如下公式更新粒子速度,粒子速度表示粒子位置改变的概率,
其中,c1、c2是种群加速因子,表示粒子速度,是当前粒子位置最优值,是所有粒子历史最优值,r1,r2是随机数;粒子位置只能取0、1。
步骤四:判断算法是否进入收敛状态,若否,更新惯性权值;若是,给出最优惯性权值。
利用退火算法对粒子群算法中的惯性权值进行更新。
步骤41:判断迭代是否进入收敛,若确认进入收敛则立即进入步骤4,否则以粒子的适应度为目标函数,反复进行单步运算,求最优惯性权值。
步骤42:惯性权值w在它的定义域进行扰动。带入速度公式求解f(n+1)。因为当前适应度确定,所以以f(n+1)k为目标函数(k为退火迭代次数)。在将w带入速度公式求得f(n+1)后,随即判断f(n+1)k+1是否被接受。Δf(n+1)=f(n+1)k+1-f(n+1)k≥0,则接受当前惯性权值,否则以概率:来接受f(n+1)k+1作为新的当前解f(n+1)。
步骤43:给出能带来最优单步效果的w,并带入原粒子群算法继续进行优化。
步骤五:判断是否达到最大迭代次数,达到最大次数则给出最优测试点,否则,转到步骤二。
进一步的,包括,
第一求和模块:计算所有初始测试点成本之和
第二求和模块:对每一次迭代运算中所述完备测试集Tk,计算c(Tk),即完备测试集成本和;
归一化运算模块:对成本C进行的归一化,
本发明的优点在于:
获取系统初始化参数,包括:种群大小、种群初始位置、速度、加速因子、最大速度、最大迭代次数。通过故障模式与测试点的相关性矩阵的建立,清晰得看出各个故障模式与测试点之间的相关关系,且能够通过数学计算方便得出测试性参数如检测率,隔离率等,建立相应目标函数,此目标函数将测试性设计成本考虑在内,并与检测率和隔离率构成多目标优化目标函数,运用基于退火思想的粒子群智能优化算法,计算并比较得出多目标的目标函数最小的方案,即为最优测试方案。且由于约束条件FIR>β的约束,所选的测试性方案,能满足测试性设计指标。所以,本方法在满足测试性基本要求的情况下,能够有效提高检测率、隔离率等测试性指标,降低测试性设计成本。
附图说明
图1为本发明的一种测试性设计中测试点定量选择方法流程图;
图2为本发明的测试性优选预处理示意图;
图3为本发明的成本归一化操作示意图;
图4为本发明的权值更新操作示意图;
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
本发明是一种测试性设计中测试点定量选择方法,流程如图1所示,包括以下几个步骤:
步骤一,获取系统初始化参数,包括:种群大小、种群初始位置、速度、加速因子、最大速度、最大迭代次数;
步骤二,计算系统中种群各个粒子的适应度,建立自适应函数,根据公式:
计算当代粒子的适应度,其中,min(c(T)表示最低的测试性费用之和,∑C,w1′、w2、w3是设定的权值,FDR是系统检测率,FIR是系统隔离率。
步骤三:更新群体的全局极值以及粒子的个体极值;
根据如下公式更新粒子速度,粒子速度表示粒子位置改变的概率, 其中,c1、c2是种群加速因子,表示粒子速度,是当前粒子位置最优值,是所有粒子历史最优值,r1,r2是随机数,粒子位置只能取0、1;
步骤四,判断算法是否进入收敛状态,若否,更新惯性权值;若是,给出最优惯性权值。
步骤五,判断是否达到最大迭代次数,达到最大次数则给出最优测试点,否则,转到步骤二。
如图2所示,在步骤一之前,需要进行测试性优选的预处理过程,包括:
步骤11,对系统进行故障模式分析,建立所有故障模式集合为F={fi}(i=1,2,3…m);F为系统故障,fi为系统中各个单元的故障。
步骤12:选定初选测试点集合T={ti}(i=1,2,3…n)。T为系统测试,ti为系统中各个单元的测试点。
步骤13建立故障模式与测试点之间的相关性矩阵:
所述相关性矩阵是一个布尔矩阵,元素ftij的值由以下公式判定:
对其中行列则有以下含义:对于列Tj=[ft1j,ft2j,…,ftmj]T,代表第j个测试可以检测到的故障。对于行Fi=[fti1,fti2,...,ftin],代表第i个故障可以被哪些测试所检测。
另外,如图3所示,步骤二之前包括:
设故障检测率FDR为:在规定的时间内,用规定的方法正确检测到故障数与被测单元发生的故障总数之比,
F′为无法被检测故障
设故障隔离率FIR为:在规定的时间内,用规定的方法正确隔离出的故障数与检测出故障总数之比,
F*为无法被隔离故障
定义测试综合成本(C):所有单个测试成本之和,其中,TI为备选测试集,ti为单个测试的综合成本。进一步的,搜索算法可以是模拟退火算法、粒子群优化算法或者基于退火思想的粒子群优化算法,因为这些算法都是具有自学习能力的智能优化算法,利用退火算法与粒子群算法的记忆与学习功能可以更有针对性得找到最优解,缩短寻优的时间。
所述的步骤三之前,还包括以下具体步骤:
步骤31,设置最大速度,为了避免粒子在搜索空间陷入死循环,粒子速度v的取值范围为[-vmax,vmax],,vmax为最大速度。在二进制粒子群中,vi,j的取值范围为[-4.0,4.0];
步骤32,设置加速因子,c1+c2≤4.0,或采取自适应策略;
步骤33,设置粒子位置,群体的全局极值以及粒子的个体极值,并根据公式,
s(vi,j)=1/(1+exp(-vi,j))
if(r<s(vi,j))thenxi,j=1
其中,r是取值在(0,1)的随机数;将vi,j限制在[-4.0,4.0]以防止速度饱和;使得s(vi,j)不会超过[0,1];
根据如下公式更新粒子速度,粒子速度表示粒子位置改变的概率:
其中,c1、c2是种群加速因子,表示粒子速度,是当前粒子位置最优值,是所有粒子历史最优值,r1,r2是随机数,粒子位置只能取0、1。
再次,如图4所示,在步骤四之前包括:
步骤41:判断迭代是否进入收敛,若确认进入收敛则立即进入步骤4,否则以粒子的适应度为目标函数,反复进行单步运算,求最优惯性权值。
步骤42:惯性权值w在它的定义域进行扰动。带入速度公式求解f(n+1)。因为当前适应度确定,所以以f(n+1)k为目标函数(k为退火迭代次数)。在将w带入速度公式求得f(n+1)后,随即判断f(n+1)k+1是否被接受。Δf(n+1)=f(n+1)k+1-f(n+1)k≥0,则接受当前惯性权值,否则以概率:来接受f(n+1)k+1作为新的当前解f(n+1)。
步骤43:给出能带来最优单步效果的w,并带入原粒子群算法继续进行优化。
另一方面,本发明提供一种测试性设计中测试点定量选择方法,包括,
1、获取参数,生成矩阵模块
步骤11,对系统进行故障模式分析,建立所有故障模式集合为F={fi}(i=1,2,3…m);F为系统故障,fi为系统中各个单元的故障。
步骤12:选定初选测试点集合T={ti}(i=1,2,3…n)。T为系统测试,ti为系统中各个单元的测试点。
步骤13建立故障模式与测试点之间的相关性矩阵:
所述相关性矩阵是一个布尔矩阵,元素ftij的值由以下公式判定:
对其中行列则有以下含义:对于列Tj=[ft1j,ft2j,…,ftmj]T,代表第J个测试可以检测到的故障。对于行Fi=[fti1,fti2,...,ftin],代表第I个故障可以被哪些测试所检测。
2、变量定义模块
步骤21:定义故障检测率(FDR):在规定的时间内,用规定的方法正确检测到故障数与被测单元发生的故障总数之比,
定义故障隔离率(FIR):在规定的时间内,用规定的方法正确隔离出的故障数与检测出故障总数之比,
F′为无法被检测故障
定义测试综合成本(C):所有单个测试成本之和,其中,TI为备选测试集,ti为单个测试的综合成本。
步骤22:判断是否具有约束惩罚项且为最小化约束,若存在,则利用改进的计算当代粒子适应度的公式
步骤23,:判断是否具有约束惩罚项且为最大化约束,若存在,则利用改进的计算当代粒子适应度的公式
P(x)为约束。
计算当代粒子的适应度,其中,min(c(T)表示最低的测试性费用之和,∑C,w1′、w2、w3是设定的权值,FDR是系统检测率,FIR是系统隔离率。
3、成本归一化模块
用于建立约束条件及优化目标:FIR>β,所述β均为设计要求值,w1、w2、w3均为设定值,C为所采用测试点费用之和;
本步骤在给出测试性设计指标FIR>β的情况下,将成本考虑在内建立了优化函数通过调整w1、w2、w3的大小,可以有效调节故障检测率(FDR)、故障隔离率(FIR)、成本C的权重,有目的得提高某一项或两项指标,实现了在测试性参数,测试性成本组合最优。在某些情况下,比如不用考虑测试成本时,我们只需将c3设为零,则优化目标变成了求得最高的检测率,隔离率。
4、权值更新模块
利用退火算法对粒子群算法中的惯性权值进行更新。
步骤41:判断迭代是否进入收敛,若确认进入收敛则立即进入步骤4,否则以粒子的适应度为目标函数,反复进行单步运算,求最优惯性权值。
步骤42:惯性权值w在它的定义域进行扰动。带入速度公式求解f(n+1)。因为当前适应度确定,所以以f(n+1)k为目标函数(k为退火迭代次数)。在将w带入速度公式求得f(n+1)后,随即判断f(n+1)k+1是否被接受。Δf(n+1)=f(n+1)k+1-f(n+1)k≥0,则接受当前惯性权值,否则以概率:来接受f(n+1)k+1作为新的当前解f(n+1)。
步骤43:给出能带来最优单步效果的w,并带入原粒子群算法继续进行优化。
与现有技术相比:
参数获取和矩阵产生模块1用于产生故障模式与测试点相关性矩阵,通过故障模式与测试点的相关性矩阵的建立,清晰得看出各个故障模式与测试点之间的相关关系,且能够通过公式得出测试性参数如检测率,隔离率等,便于建立目标函数;利用变量定义模块2分别定义了系统检测率(FDR)和系统隔离率(FIR);成本归一化模块3将测试性设计成本考虑在内并设置约束条件,与模块2中的检测率和隔离率构成多目标优化目标函数;利用多目标优化目标函数和相应约束条件我们针对所有可能的测试点选择方案,权值更新模块4运用模拟退火算法、粒子群优化算法和基于退火思想的粒子群优化算法,计算并比较出使目标函数最小的方案,即为最优测试方案。且由于约束条件FIR>β的约束,所选的测试性方案,能满足测试性设计指标。所以,利用本方法在满足基本测试性参数的情况下,可以有效提高检测率,隔离率等测试性指标,降低测试性设计成本。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种测试性设计中测试点定量选择方法,包括以下几个步骤:
步骤一:获取系统初始化参数,包括:种群大小、种群初始位置、速度、加速因子、最大速度、最大迭代次数;
步骤二:获取系统中种群各个粒子的适应度,建立自适应函数;
(1):判断是否具有约束惩罚项且为最小化约束,若存在,则利用改进的计算当代粒子适应度的公式:
其中fitness为适应度函数,FIR为故障隔离率,FDR为故障检测率,p(x)为约束,w1,w2,w3为设定的权值,∑C为测试所需的总费用;
(2):判断是否具有约束惩罚项且为最大化约束,若存在,则利用改进的计算当代粒子适应度的公式:
其中,p(x)为约束;
(3)判断惯性权值是否具有同一数量级,若具有,则利用改进的同一数量级的粒子适应度公式
其中,min(c(T)表示最低的测试性费用之和,∑C,w1′、w2、w3是设定的权值,FDR是系统检测率,FIR是系统隔离率;
步骤三:更新群体的全局极值以及粒子的个体极值,
根据如下公式更新粒子速度,粒子速度表示粒子位置改变的概率;
其中,c1、c2是种群加速因子,表示粒子k时刻的速度,表示粒子k+1时刻的速度,是粒子速度,是当前粒子位置最优值,是所有粒子历史最优值,r1,r2是随机数,粒子位置只能取0、1;
步骤四,判断使用的粒子群算法是否进入收敛状态,若否,更新惯性权值;若是,给出最优惯性权值;
步骤五,判断是否达到最大迭代次数,达到最大次数则给出最优测试点,否则,转到步骤二。
2.根据权利要求1所述的一种测试性设计中测试点定量选择方法,所述的步骤一之前,还包括预处理过程,具体包括以下步骤:
步骤11:对系统进行故障模式分析,建立所有故障模式集合为F={fi},其中,F为系统故障,fi为系统中各个单元的故障,i=1,2,3…m,m表示系统中单元故障模式的总数;
步骤12:选定初选测试点集合T={ti},其中,T为系统测试,ti为系统中各个单元的测试点,i=1,2,3…n,n表示系统中设置的测试点的总数;
步骤13:建立故障模式与测试点之间的相关性矩阵:
相关性矩阵为布尔矩阵,元素ftij的值由以下公式判定:
其中:ftij中列:Tj=[ft1j,ft2j,…,ftmj]T,代表第j个测试能够检测到的故障;ftij中列行:Fi=[fti1,fti2,...,ftin],代表第i个故障能够被哪些测试所检测。
3.根据权利要求1所述的一种测试性设计中测试点定量选择方法,所述的步骤二之前,还包括以下具体步骤:
步骤21:设故障检测率FDR为:在规定的时间内,用规定的方法正确检测到故障数与被测单元发生的故障总数之比,
F′为无法被检测故障
设故障隔离率FIR为:在规定的时间内,用规定的方法正确隔离出的故障数与检测出故障总数之比,
F*为无法被隔离故障
设测试综合成本C为:所有单个测试成本之和,其中,TI为备选测试集,ti为单个测试点,c(ti)表示单个测试点的综合成本。
4.根据权利要求1所述的一种测试性设计中测试点定量选择方法,所述的步骤三之前,还包括以下具体包括以下步骤:
步骤31,设置最大速度,粒子速度v的取值范围为[-vmax,vmax],vmax为最大速度,在二进制粒子群中,vi,j的取值范围为[-4.0,4.0];
步骤32,设置加速因子,c1+c2≤4.0,或采取自适应策略;
步骤33,设置粒子位置,群体的全局极值以及粒子的个体极值,并根据公式,
其中,r是取值在(0,1)的随机数;将vi,j限制在[-4.0,4.0]以防止速度饱和;使得s(vi,j)不会超过[0,1];
根据如下公式更新粒子速度,粒子速度表示粒子位置改变的概率:
其中,c1、c2是种群加速因子,表示粒子速度,是当前粒子位置最优值,是所有粒子历史最优值,r1,r2是随机数,粒子位置只能取0、1。
5.根据权利要求1所述的一种测试性设计中测试点定量选择方法,所述的步骤四之前,还包括以下具体包括以下步骤:
步骤41:判断迭代是否进入收敛,若确认进入收敛则立即进入步骤4,否则以粒子的适应度为目标函数,反复进行单步运算,求最优惯性权值;
步骤42:惯性权值w在定义域进行扰动,带入速度公式求解n+1次迭代后的目标函数f(n+1),以f(n+1)k为第k次退火迭代后的目标函数,k为退火迭代次数,在将w带入速度公式求得f(n+1)后,随即判断f(n+1)k+1是否被接受,Δf(n+1)=f(n+1)k+1-f(n+1)k≥0,则接受当前惯性权值,否则以概率:来接受f(n+1)k+1作为新的当前解f(n+1),Δf(n+1)为n+1次迭代后进行k+1次退火迭代和k次退火迭代的差值;
步骤43:获取最优单步效果的w,并带入原粒子群算法继续进行优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610161486.6A CN105825063A (zh) | 2016-03-21 | 2016-03-21 | 一种测试性设计中测试点定量选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610161486.6A CN105825063A (zh) | 2016-03-21 | 2016-03-21 | 一种测试性设计中测试点定量选择方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105825063A true CN105825063A (zh) | 2016-08-03 |
Family
ID=56524152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610161486.6A Pending CN105825063A (zh) | 2016-03-21 | 2016-03-21 | 一种测试性设计中测试点定量选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105825063A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110221957A (zh) * | 2018-12-10 | 2019-09-10 | 江苏大学 | 一种基于迭代区域均分与定位的自适应随机测试方法 |
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 |
CN111521986A (zh) * | 2020-06-03 | 2020-08-11 | 中国人民解放军32181部队 | 一种雷达通信分机数据融合模块的检测系统 |
CN111898725A (zh) * | 2020-07-07 | 2020-11-06 | 西安建筑科技大学 | 一种空调系统传感器故障检测方法、装置及电子设备 |
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 |
-
2016
- 2016-03-21 CN CN201610161486.6A patent/CN105825063A/zh active Pending
Non-Patent Citations (5)
Title |
---|
WENKUI HOU ET AL: "A Method of Testability Optimization Based on Improved Particle Swarm Optimization", 《2014 PROGNOSTICS AND SYSTEM HEALTH MANAGEMENT CONFERENCE》 * |
WENKUI HOU ET AL: "Improve Testability of Avionics Based on Optimized Particle Swarm Optimization", 《2015 PROGNOSTICS AND SYSTEM HEALTH MANAGEMENT CONFERENCE》 * |
蒋荣华等: "基于离散粒子群算法的测试选择", 《电子测量与仪器学报》 * |
郑申海等: "改进粒子群和模拟退火混合算法及其应用", 《计算机技术与发展》 * |
雷秀娟等: "改进PSO算法的性能分析与研究", 《计算机应用研究》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN110221957A (zh) * | 2018-12-10 | 2019-09-10 | 江苏大学 | 一种基于迭代区域均分与定位的自适应随机测试方法 |
CN110221957B (zh) * | 2018-12-10 | 2023-06-09 | 江苏大学 | 一种基于迭代区域均分与定位的自适应随机测试方法 |
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 |
CN111521986A (zh) * | 2020-06-03 | 2020-08-11 | 中国人民解放军32181部队 | 一种雷达通信分机数据融合模块的检测系统 |
CN111521986B (zh) * | 2020-06-03 | 2022-07-12 | 中国人民解放军32181部队 | 一种雷达通信分机数据融合模块的检测系统 |
CN111898725A (zh) * | 2020-07-07 | 2020-11-06 | 西安建筑科技大学 | 一种空调系统传感器故障检测方法、装置及电子设备 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105825063A (zh) | 一种测试性设计中测试点定量选择方法 | |
Sun et al. | Using Bayesian deep learning to capture uncertainty for residential net load forecasting | |
CN108197648B (zh) | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 | |
CN105893256B (zh) | 基于机器学习算法的软件故障定位方法 | |
Wang et al. | Data-driven mode identification and unsupervised fault detection for nonlinear multimode processes | |
CN104155574A (zh) | 基于自适应神经模糊推理系统的配电网故障分类方法 | |
CN102707256B (zh) | 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法 | |
CN109685366A (zh) | 基于异变数据的装备健康状态评估方法 | |
CN106201871A (zh) | 基于代价敏感半监督的软件缺陷预测方法 | |
CN105842607A (zh) | 一种测试性设计中测试点定量选择方法及装置 | |
CN102208028A (zh) | 一种适用于动态复杂系统的故障预测和诊断方法 | |
CN105678046A (zh) | 修补时空序列数据中的缺失数据的方法及装置 | |
CN106778846A (zh) | 一种基于支持向量机的风电场风速预测方法 | |
CN106022954A (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
CN103455612B (zh) | 基于两阶段策略的非重叠与重叠网络社区检测方法 | |
CN105572572A (zh) | 基于wknn-lssvm的模拟电路故障诊断方法 | |
CN104318110A (zh) | 一种基于重要度和敏感性复合排序的提高大型复杂系统风险设计及维修效率的方法 | |
Zu et al. | A simple gated recurrent network for detection of power quality disturbances | |
CN114357372A (zh) | 一种基于多传感器数据驱动的飞机故障诊断模型生成方法 | |
Wu et al. | An improved convolutional neural network-bidirectional gated recurrent unit algorithm for robust state of charge and state of energy estimation of new energy vehicles of lithium-ion batteries | |
CN106886620A (zh) | 航天器测试资源优化配置方法 | |
CN107918358A (zh) | 数控装备故障分析方法和装置 | |
CN117078035A (zh) | 基于lstm的电力系统暂态稳定性评估方法、系统及存储介质 | |
CN106339357A (zh) | 寻优参数化的网络信息安全检测系统和方法 | |
CN104537416A (zh) | 一种基于hbf神经网络观测器的故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160803 |