CN111122973A - 一种提高自动测试覆盖率的方法、系统及电子设备 - Google Patents
一种提高自动测试覆盖率的方法、系统及电子设备 Download PDFInfo
- Publication number
- CN111122973A CN111122973A CN201911172907.5A CN201911172907A CN111122973A CN 111122973 A CN111122973 A CN 111122973A CN 201911172907 A CN201911172907 A CN 201911172907A CN 111122973 A CN111122973 A CN 111122973A
- Authority
- CN
- China
- Prior art keywords
- sample data
- module
- data
- binary decision
- formula
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种提高自动测试覆盖率的方法、系统及电子设备,首先采集第一预设数量的样本数据,并对其进行SVM模型映射后分析得到二值决策函数,并利用K折交叉验证法对对其进行训练得到多个二值SVM分类器,并根据所述二值SVM分类器作为二度非叶结点,所述二值决策函数分类结果作为叶结点,来构造二叉决策树,求叶结点最大值对应的种类即位分类结果,并将二叉决策树加入到自动测试程序中,在自动测试时,不需人工干预,就能实现对测试结果的自动分类,由此实现了一种利用人工智能提高自动测试覆盖率的方法。
Description
技术领域
本发明涉及自动测试技术领域,尤其涉及一种利用人工智能提高自动测试覆盖率的方法、系统及电子设备。
背景技术
目前,在信息信号的测试过程中例如有些电气指标,在频谱仪上显示的是定性的谱形,由于谱形非定量,不能由传统的数值方法进行判断,需要人工对其进行判读,而且干扰模拟器输出的干扰信号,不需要特别精准的数量指标,一般在测试过程中到这一步,由人工作出判断。由于定性谱形的存在,人工的介入,只能是半自动化测试,在测试效率和专业性上受到影响。
因此,如何提高自动测试的覆盖率是业内亟待解决的技术问题。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种利用人工智能提高自动测试覆盖率的方法、系统及电子设备。
本发明的一种提高自动测试覆盖率的方法的技术方案如下:
S1、采集第一预设数量的样本数据并对其分别进行归一化处理形成相对应的归一化样本数据,并对各所述采集的样本数据进行人工判读后分为两层数据;
S2、预设将所有的所述采集的样本数据分为N类,引入逻辑数值并通过SVM模型对各所述归一化样本数据进行映射形成相对应的样本映射数据,并根据各所述样本映射数据构造出二值决策函数,并对人工判读的两层数据采用K折交叉验证法对所述样本映射数据进行训练,得到个二值SVM分类器,其中,N为正整数;
S3、以投票表决策略根据所述二值SVM分类器作为二度非叶结点,所述二值决策函数分类结果作为叶结点,来构造二叉决策树,求所述叶结点最大值对应的种类即位分类结果;
S4、将所述二叉决策树加入到自动测试程序中。
本发明的一种提高自动测试覆盖率的方法的有益效果是:首先采集第一预设数量的样本数据,并对其进行SVM模型映射后分析得到二值决策函数,并利用K折交叉验证法对对其进行训练得到多个二值SVM分类器,并根据所述二值SVM分类器作为二度非叶结点,所述二值决策函数分类结果作为叶结点,来构造二叉决策树,并将二叉决策树加入到自动测试程序中,在自动测试时,不需人工干预,就能实现对测试结果的自动分类,由此实现了一种利用人工智能提高自动测试覆盖率的方法。
在上述方案的基础上,本发明的一种提高自动测试覆盖率的方法还可以做如下改进。
进一步,S2中得到所述二值决策函数的过程,具体包括如下步骤:
其中,yi,yj表示所述分类种类映射的逻辑数值且yi,yj∈{+1,-1},表示待分类对象数据;l为正整数且用于表示所述样本数据的数量、所述归一化样本数据的数量、所述样本映射数据的数量;表示第i个归一化样本数据,i=1,2,.....l;表示第j个归一化样本数据,j=1,2,.....l,表示第j个归一化样本数据,ω表示分类超平面间隔参数,惩罚参数C为正数,ζi表示第i个归一化样本数据的松弛参数且ζi≥0,αi表示核函数对应的拉格朗日乘子,0≤ai≤C,表示第i个拉格朗额日乘子的最优解,T为矩阵向量转置符号,b表示分类超平面偏移量,i≠j。
采用上述进一步方案的有益效果是:结合SVM对各归一化样本数据进行映射为各自相对应的样本映射数据,并根据各映射数据构造出二值决策函数,进而构造出二值决策函数。
采用上述进一步方案的有益效果是:设置第一约束条件和第二约束条件,约束条件是分类的关键。
进一步,S2中利用K折交叉验证法结合人工判读的结果对各所述样本数据映射数据进行训练的的过程,具体包括如下步骤:
S200、将人工判读的两层数据随机分为M份;
S210、选中其中任一份作为测试集,剩余的M-1份作为训练集,人工预设惩罚参数C的值、径向基核函数中的σ值;
S220、重复执行S210 M-1次,人工优化M个惩罚参数C的值和M个所述径向基核函数中的σ值;
S230、重复执行S200至S220,人工优化剩余的个的各所述惩罚参数C的值和各所述径向基核函数中的σ值,并对各所述惩罚参数C的值和各所述径向基核函数中的σ值根据第二公式Fsecond进行平均,其中,第二公式Fsecond为:
其中,s为正整数且1≤s≤N,m为正整数且1≤m≤M,Csm表示第s类、第m份的惩罚参数,Cs表示对Cs1、Cs2......Csm的平均值,σsm表示第s类、第m份的σ值,σs表示对σs1、σs2......σsm的平均值;
采用上述进一步方案的有益效果是:人工判读的两层数据采用K折交叉验证法对各所述样本数据映射数据进行训练,且M份数据均有机会做为测试集,由此使训练的样本残差平方和最小,使计算出的个二值SVM分类器的准确度更高,进而提高自动测试的准确率。
进一步,S1具体包括如下步骤:
S10、搭建样本数据采集平台,所述样本数据采集平台包括计算机、干扰模拟器和频谱仪,并相互之间建立连接,其中,所述频谱仪的采样范围为(fcen-fBW)~(fcen+fBW);
其中,fcen表示所述干扰模拟器的工作中心频率,fBW表示所述干扰模拟器的工作带宽,oldP表示任一所述特征值,newP表示所述特征值为oldP时相应的归一化特征值,min表示所有所述特征值中的最小的特征值,max表示所有所述特征值中的最大的特征值。
采用上述进一步方案的有益效果是:由于传统的模式识别是在样本数据的数量足够大的前提下进行研究的,而在现实应用中,样本数据的数量是有限的,甚至有些样本数据难以采集,因此,通过搭建样本数据采集平台,获得足够数量的样本数据是必要的。
进一步,S3中应用所述二值决策函数进行投票表决的过程为:为类的二值决策函数,表明任一所述样本数据属于第r类时,则投票至第r类,即第r的投票数量加一,若否,则投票至第q类,即第q类的投票数量加一,其中,r为正整数且1≤r≤N,q为正整数且1≤q≤N,r≠q,其中,t是第r类和第q类样本数据的数量之和,Krq()表示类的径向基核函数,brq *表示类分类超平面偏移量。
采用上述进一步方案的有益效果是:当某一样本数据属于某一类时,则该类必然具有最对的投票数量。
本发明的提高自动测试覆盖率的系统的技术方案如下:
包括采集归一化模块、人工判读模块、SVM模块、训练模块、投票模块和加入模块,
所述采集归一化模块用于采集第一预设数量的样本数据并对其分别进行归一化处理形成相对应的归一化样本数据,所述人工判读模块用于对各所述采集的样本数据进行人工判读后分为两层数据;
预设将所有的所述采集的样本数据分为N类,所述SVM模块用于引入逻辑数值并通过SVM模型对各所述归一化样本数据进行映射形成相对应的样本映射数据,并根据各所述样本映射数据构造出二值决策函数;所述训练模块对人工判读的两层数据采用K折交叉验证法对映射数据进行训练,得到个二值SVM分类器,其中,N为正整数;所述投票模块用于利用投票表决策略根据所述二值SVM分类器作为二度非叶结点,所述二值决策函数分类结果作为叶结点,来构造二叉决策树,求所述叶结点最大值对应的种类即位分类结果;所述加入模块将所述二叉决策树加入到自动测试程序中。
本发明的一种提高自动测试覆盖率的系统的有益效果是:首先采集第一预设数量的样本数据,并对其进行SVM模型映射后分析得到二值决策函数,并利用K折交叉验证法对对其进行训练得到多个二值SVM分类器,并根据所述二值决策函数分类结果作为叶结点,根据所述二值SVM分类器作为二度非叶结点,所述二值决策函数分类结果作为叶结点,来构造二叉决策树,并将二叉决策树加入到自动测试程序中,在自动测试时,不需人工干预,就能实现对测试结果的自动分类,由此实现了一种利用人工智能提高自动测试覆盖率的系统。
本发明的一种电子设备的技术方案如下:包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序,所述处理器执行所述程序时实现如上述任一项所述的一种提高自动测试覆盖率方法的步骤。
本发明的一种电子设备的技术效果如下:首先采集第一预设数量的样本数据,并对其进行SVM模型映射后分析得到二值决策函数,并利用K折交叉验证法对对其进行训练得到多个二值SVM分类器,并根据所述二值决策函数分类结果作为叶结点,以二值SVM分类器作为二度非叶结点,来构造二叉决策树,并将二叉决策树加入到自动测试程序中,在自动测试时,不需人工干预,就能实现对测试结果的自动分类,由此实现了一种利用人工智能提高自动测试覆盖率的电子设备。
附图说明
图1为本发明实施例的一种提高自动测试覆盖率的方法的流程示意图;
图2为样本数据采集平台的结构示意图;
图3、K折交叉验证法的示意图;
图4为二叉决策树的示意图;
图5为本发明实施例的一种提高自动测试覆盖率的系统的结构示意图;
具体实施方式
本实施例的一种提高自动测试覆盖率的方法,如图1所示,包括如下步骤:
S1、采集第一预设数量的样本数据并对其分别进行归一化处理形成相对应的归一化样本数据,并对各所述采集的样本数据进行人工判读后分为两层数据;
S2、预设将所有的所述采集的样本数据分为N类,引入逻辑数值并通过SVM模型对各归一化样本数据进行映射形成相对应的样本映射数据,并根据各所述样本映射数据构造出二值决策函数,并对人工判读的两层数据采用K折交叉验证法对所述样本映射数据进行训练,得到个二值SVM分类器,其中,N为正整数;
S3、以投票表决策略根据所述二值SVM分类器作为二度非叶结点,所述二值决策函数分类结果作为叶结点,来构造二叉决策树,求所述叶结点最大值对应的种类即位分类结果;
S4、将所述二叉决策树加入到自动测试程序中。
首先采集第一预设数量的样本数据,并对其进行SVM模型映射后分析得到二值决策函数,并利用K折交叉验证法对对其进行训练得到多个二值SVM分类器,并根据所述二值决策函数分类结果作为叶结点,以二值SVM分类器作为二度非叶结点,来构造二叉决策树,并将二叉决策树加入到自动测试程序中,在自动测试时,不需人工干预,就能实现对测试结果的自动分类,由此实现了一种利用人工智能提高自动测试覆盖率的方法。其中,覆盖率不是实施例中各数据之间的覆盖,而是指技术方案中自动化范围的扩大。
其中第一预设数量可设置为400、500、600等,N是实际分类数量,需注意的是,“K折交叉验证法”是完整的名称。
较优地,在上述技术方案中,S2中得到所述二值决策函数的过程,具体包括如下步骤:
其中,yi,yj表示所述分类种类映射的逻辑数值且yi,yj∈{+1,-1},表示待分类对象数据;l为正整数且用于表示所述样本数据的数量、所述归一化样本数据的数量、所述样本映射数据的数量;表示第i个归一化样本数据,i=1,2,.....l;表示第j个归一化样本数据,j=1,2,.....l,表示第j个归一化样本数据,ω表示分类超平面间隔参数,惩罚参数C为正数,ζi表示第i个归一化样本数据的松弛参数且ζi≥0,αi表示核函数对应的拉格朗日乘子,0≤ai≤C,表示第i个拉格朗额日乘子的最优解,T为矩阵向量转置符号,b表示分类超平面偏移量,i≠j。
结合SVM对各归一化样本数据进行映射为各自相对应的样本映射数据,并根据各映射数据构造出二值决策函数,进而构造出二值决策函数。
设置第一约束条件和第二约束条件,约束条件是分类的关键。
较优地,在上述技术方案中,S2中利用K折交叉验证法结合人工判读的结果对各所述样本数据映射数据进行训练的的过程,具体包括如下步骤:
S200、将人工判读的两层数据随机分为M份;
S210、选中其中任一份作为测试集,剩余的M-1份作为训练集,人工预设惩罚参数C的值、径向基核函数中的σ值;
S220、重复执行S210 M-1次,人工优化M个惩罚参数C的值和M个所述径向基核函数中的σ值;
S230、重复执行S200至S220,人工优化剩余的个的各所述惩罚参数C的值和各所述径向基核函数中的σ值,并对各所述惩罚参数C的值和各所述径向基核函数中的σ值根据第二公式Fsecond进行平均,其中,第二公式Fsecond为:
其中,s为正整数且1≤s≤N,m为正整数且1≤m≤M,Csm表示第s类、第m份的惩罚参数,Cs表示对Cs1、Cs2......Csm的平均值,σsm表示第s类、第m份的σ值,σs表示对σs1、σs2......σsm的平均值,其中,M可设置为3、4、5等。
人工判读的两层数据采用K折交叉验证法对各所述样本数据映射数据进行训练,且M份数据均有机会做为测试集,由此使训练的样本残差平方和最小,使计算出的个二值SVM分类器的准确度更高,进而提高自动测试的准确率。
较优地,在上述技术方案中,S1具体包括如下步骤:
S10、搭建样本数据采集平台,所述样本数据采集平台包括计算机101、干扰模拟器102和频谱仪104,并相互之间建立连接,其中,所述频谱仪104的采样范围为(fcen-fBW)~(fcen+fBW);
其中,fcen表示所述干扰模拟器102的工作中心频率,fBW表示所述干扰模拟器102的工作带宽,oldP表示任一所述特征值,newP表示所述特征值为oldP时相应的归一化特征值,min表示所有所述特征值中的最小的特征值,max表示所有所述特征值中的最大的特征值。
由于传统的模式识别是在样本数据的数量足够大的前提下进行研究的,而在现实应用中,样本数据的数量是有限的,甚至有些样本数据难以采集,因此,通过搭建样本数据采集平台,获得足够数量的样本数据是必要的。其中,第二预设数量可选用200、300等,干扰模拟器102的工作中心频率fcen和工作带宽fBW由所选用的干扰模拟器102决定。
其中,所搭建的样本数据采集平台如图2所示,电源103向干扰模拟器102供电,计算机101通过网线向干扰模发送工作状态指令,并通过有网线向频谱仪104发送设置命令和读取样本数据,干扰模拟器102通过射频电缆向频谱仪104发送样本数据。
由于干扰模拟器102的工作带宽为fBW,可将频谱仪104的测试带宽设置为2fBW,为得到平滑的样本数据,设置频谱仪104采用Trace模式。
较优地,在上述技术方案中,S3中应用所述二值决策函数进行投票表决的过程为:为类的二值决策函数,表明任一所述样本数据属于第r类时,则投票至第r类,即第r的投票数量加一,若否,则投票至第q类,即第q类的投票数量加一,其中,r为正整数且1≤r≤N,q为正整数且1≤q≤N,r≠q,t是第r类和第q类样本数据的数量之和,Krq()表示类的径向基核函数,brq *表示类分类超平面偏移量。
当某一样本数据属于某一类时,则该类必然具有最对的投票数量。
基于上述所搭建的样本数据采集平台,通过下面另外一个实施例,对本申请中的的一种提高自动测试覆盖率的方法做进一步阐述:
其中,样本数据1包括P0至P200共200个特征值,且其针对f0点至f200点共200个采集点,对样本数据2至样本数据400的各特征值也均对此200个采集点;利用上述第三公式对各特征值进行归一化形成各样本数据的归一化样本数据,然后根据S20至S25得到二值决策函数;然后根据S200至S240得到个二值SVM分类器,具体地:
设置M=5,选中(分类1→分类2)的样本数据,将其样本数据分成5份,如图3所示。将第1份作为测试集,剩余的4份作为训练集,进行第1次迭代,计算出C11和σ11;将第2份作为测试集,将剩余的4份作为训练集,进行第2次迭代,计算出C12和σ12;依次类推,计算出C13和σ13、C14和σ14、C15和σ15,带入第二公式得:
即:和针对个二值SVM分类器的二值决策函数计算出C2和σ2、C3和σ3、C4和σ4........C10和σ10,然后对其进行一对一组合后,得到所述的个二值SVM分类器,然后构造出二叉决策树,后并将其以插件形式或动态链接库形式加入到自动测试程序中,如图4所示,其中,用SVMrq表示第r类与第q类一对一组合后所得的二维SVM分类器,用Sgnrq表示利用该分类器针对于第r类与第q类所计算出来的值,当该值表明任一所述样本数据属于第r类时,则投票至第r类,即第r的投票数量加一,若否,则投票至第q类,即第q类的投票数量加一,其中,brq表示从第r类指向第q类的分类偏差参数,例如,针对一条待测数据,经SVM12......SVMrq,再分别利用其值Sgn12......Sgnrq进行投票表决,最后统计出各类的投票数量,将该条待测数据分到投票数量最多的类,即Clabel=Max{X1,X2,......,XN},其中,XN表示该条待测数据在第N类的投票数量,Clabel表示类中最大投票数量,也就是将该条待测数据分到第label类,其中,label为正整数且1≤label≤N。
如图5所示,本发明实施的一种提高自动测试覆盖率的系统200,包括采集归一化模块210、人工判读模块220、SVM模块230、训练模块240、投票模块250和加入模块260,所述采集归一化模块210用于采集第一预设数量的样本数据并对其分别进行归一化处理形成相对应的第一预设数量的归一化样本数据,所述人工判读模块220用于对所述各所述采集的样本数据进行人工判读后分为两层数据;
预设将所有的所述采集的样本数据分为N类,所述SVM模块230用于引入逻辑数值并通过SVM模型对各归一化样本数据进行映射为各自相对应的样本映射数据,并根据各所述样本数据映射数据构造出二值决策函数;所述训练模块240对人工判读的两层数据采用K折交叉验证法对各所述样本数据映射数据进行训练,得到个二值SVM分类器,其中,N为正整数;所述投票模块250用于投票表决策略根据所述二值SVM分类器作为二度非叶结点,所述二值决策函数分类结果作为叶结点,来构造二叉决策树,求所述叶结点最大值对应的种类即位分类结果;所述加入模块260将所述二叉决策树加入到自动测试程序中。
首先采集第一预设数量的样本数据,并对其进行SVM模型映射后分析得到二值决策函数,并利用K折交叉验证法对对其进行训练得到多个二值SVM分类器,并根据所述二值决策函数分类结果作为叶结点,以二值SVM分类器作为二度非叶结点,来构造二叉决策树,并将二叉决策树加入到自动测试程序中,在自动测试时,不需人工干预,就能实现对测试结果的自动分类,由此实现了一种利用人工智能提高自动测试覆盖率的系统200。
较优地,在上述技术方案中,所述SVM模块230中包括映射模块和二值决策函数求解模块,
结合SVM对各归一化样本数据进行映射为各自相对应的样本数据映射数据,并根据各所述样本数据映射数据构造出二值决策函数,进而构造出二值决策函数。
通过设置第一约束条件和第二约束条件,约束条件是分类的关键。
较优地,在上述技术方案中,所述训练模块240包括分份模块和二值SVM分类器求解模块,
所述分份模块用于将人工判读的两层数据随机分为M份;
所述二值SVM分类器求解模块用于选中其中任一份作为测试集,剩余的M-1份作为训练集,人工预设所述惩罚参数C的值、所述径向基核函数中的σ值。
所述分份模块重复执行M-1次,得到M个惩罚参数C的值和M个所述径向基核函数中的σ值;
并重复执行估算M个惩罚参数C的值和M个所述径向基核函数中的σ值的过程,同样方法得到剩余的个的各所述惩罚参数C的值和各所述径向基核函数中的σ值,并对各所述惩罚参数C的值和各所述径向基核函数中的σ值根据第二公式Fsecond进行平均,其中,第二公式Fsecond为:
人工判读的两层数据采用K折交叉验证法对各所述样本数据映射数据进行训练,且M份数据均有机会做为测试集,由此使训练的样本残差平方和最小,使计算出的个二值SVM分类器的准确度更高,进而提高自动测试的准确率。
较优地,在上述技术方案中,所述采集归一化模块210还用于搭建样本数据采集平台,所述样本数据采集平台包括计算机101、干扰模拟器102和频谱仪104,并相互之间建立连接,其中,所述频谱仪104的采样范围为(fcen-fBW)~(fcen+fBW),设置每个样本数据包括第二预设数量的特征值,设置所述频谱仪104的采样间隔为所述干扰模拟器102随机发出干扰信号,采集所述第二预设数量的样本数据;根据第三公式计算出各特征值的归一化特征值,其中,所述第三公式为根据每个样本数据的各各特征值的归一化特征值得到相应的归一化样本数据
其中,fcen表示所述干扰模拟器102的工作中心频率,fBW表示所述干扰模拟器102的工作带宽,oldP表示任一所述特征值,newP表示所述特征值为oldP时相应的归一化特征值,min表示所有所述特征值中的最小的特征值,max表示所有所述特征值中的最大的特征值。
由于传统的模式识别是在样本数据的数量足够大的前提下进行研究的,而在现实应用中,样本数据的数量是有限的,甚至有些样本数据难以采集,因此,通过搭建样本数据采集平台,获得足够数量的样本数据是必要的。
较优地,在上述技术方案中,所述投票模块250还用于当类的二值决策函数表明任一所述样本数据属于第r类时,则投票至第r类,即第r的投票数量加一,若否,则投票至第q类,即第q类的投票数量加一,其中,r为正整数且1≤r≤N,q为正整数且1≤q≤N,r≠q,其中,Krq()表示类的径向基核函数,brq *表示类分类超平面偏移量。
当某一样本数据属于某一类时,则该类必然具有最对的投票数量。
且上述关于本发明的一种提高自动测试覆盖率的系统200的各参数和步骤,可参考上文中关于一种提高自动测试覆盖率的方法的实施例中的各参数和步骤,在此不做赘述。
本发明实施例的一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如上述任一实施例中所述的一种提高自动测试覆盖率的方法的步骤。
其中,电子设备可以选用电脑、手机等,相对应地,其程序为电脑软件或手机APP等。
且上述关于本发明的一种电子设备中的各参数和步骤,可参考上文中关于上述的一种提高自动测试覆盖率的方法的实施例中的各参数和步骤,在此不做赘述。
在本发明中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种提高自动测试覆盖率的方法,其特征在于,包括如下步骤:
S1、采集第一预设数量的样本数据并对其分别进行归一化处理形成相对应的归一化样本数据,并对各所述采集的所述样本数据进行人工判读后分为两层数据;
S2、预设将所有的所述采集的样本数据分为N类,引入逻辑数值并通过SVM模型对各所述归一化样本数据进行映射形成相对应的样本映射数据,并根据各所述样本映射数据构造出二值决策函数,并对人工判读的两层数据采用K折交叉验证法对所述样本映射数据进行训练,得到个二值SVM分类器,其中,N为正整数;
S3、以投票表决策略根据所述二值SVM分类器作为二度非叶结点,所述二值决策函数分类结果作为叶结点,来构造二叉决策树,求所述叶结点最大值对应的种类即位分类结果;
S4、将所述二叉决策树加入到自动测试程序中。
2.根据权利要求1所述的一种提高自动测试覆盖率的方法,其特征在于,S2中得到所述二值决策函数的过程,具体包括如下步骤:
S22、通过对所述原始公式Finit设置第一约束条件、对所述第一公式Ffirst设置第二约束条件,得到所述第一公式Ffirst的最优解a*为:
4.根据权利要求3所述的一种提高自动测试覆盖率的方法,其特征在于,S2中利用K折交叉验证法结合人工判读的结果对各所述样本数据映射数据进行训练的的过程,具体包括如下步骤:
S200、将人工判读的两层数据随机分为M份;
S210、选中其中任一份作为测试集,剩余的M-1份作为训练集,人工预设所述惩罚参数C的值、所述径向基核函数中的σ值;
S220、重复执行S210M-1次,人工优化M个所述惩罚参数C的值和M个所述径向基核函数中的σ值;
S230、重复执行S200至S220,人工优化剩余的个的各所述惩罚参数C的值和各所述径向基核函数中的σ值,并对各所述惩罚参数C的值和各所述径向基核函数中的σ值根据第二公式Fsecond进行平均,其中,第二公式Fsecond为:
其中,s为正整数且m为正整数且1≤m≤M,Csm表示第s个二值分类样本集、第m份的惩罚参数,Cs表示对Cs1、Cs2……Csm的平均值,σsm表示第s类、第m份的σ值,σs表示对σs1、σs2……σsm的平均值;
5.根据权利要求4所述的一种提高自动测试覆盖率的方法,其特征在于,S1具体包括如下步骤:
S10、搭建样本数据采集平台,所述样本数据采集平台包括计算机、干扰模拟器和频谱仪,并相互之间建立连接,其中,所述频谱仪的采样范围为{fcen-fBW)~(fcen+fBW);
其中,fcen表示所述干扰模拟器的工作中心频率,fBW表示所述干扰模拟器的工作带宽,oldP表示任一所述特征值,newP表示所述特征值为oldP时相应的归一化特征值,min表示所有所述特征值中的最小的特征值,max表示所有所述特征值中的最大的特征值。
7.一种提高自动测试覆盖率的系统,其特征在于,包括采集归一化模块、人工判读模块、SVM模块、训练模块、投票模块和加入模块;
所述采集归一化模块用于采集第一预设数量的样本数据并对其分别进行归一化处理形成相对应的归一化样本数据,所述人工判读模块用于对所述各所述采集的样本数据进行人工判读后分为两层数据;
8.根据权利要求7所述的一种提高自动测试覆盖率的系统,其特征在于,所述SVM模块中包括映射模块和二值决策函数求解模块,
9.根据权利要求8所述的一种提高自动测试覆盖率的系统,其特征在于,所述训练模块包括分份模块和二值SVM分类器求解模块;
所述分份模块用于将人工判读的两层数据随机分为M份;
所述二值SVM分类器求解模块用于选中其中任一份作为测试集,剩余的M-1份作为训练集,人工预设所述惩罚参数C的值、所述径向基核函数中的σ值;
所述分份模块重复执行M-1次,得到M个惩罚参数C的值和M个所述径向基核函数中的σ值;
并重复执行估算M个惩罚参数C的值和M个所述径向基核函数中的σ值的过程,同样方法得到剩余的个的各所述惩罚参数C的值和各所述径向基核函数中的σ值,并对各所述惩罚参数C的值和各所述径向基核函数中的σ值根据第二公式Fsecond进行平均,其中,第二公式Fsecond为:
10.一种电子设备,包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述的一种提高自动测试覆盖率的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911172907.5A CN111122973A (zh) | 2019-11-26 | 2019-11-26 | 一种提高自动测试覆盖率的方法、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911172907.5A CN111122973A (zh) | 2019-11-26 | 2019-11-26 | 一种提高自动测试覆盖率的方法、系统及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111122973A true CN111122973A (zh) | 2020-05-08 |
Family
ID=70496665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911172907.5A Pending CN111122973A (zh) | 2019-11-26 | 2019-11-26 | 一种提高自动测试覆盖率的方法、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111122973A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183535A (zh) * | 2011-03-11 | 2011-09-14 | 天津大学 | 基于sem图像的低维纳米材料识别方法 |
CN103336243A (zh) * | 2013-07-01 | 2013-10-02 | 东南大学 | 基于分合闸线圈电流信号的断路器故障诊断方法 |
KR20150133027A (ko) * | 2014-05-19 | 2015-11-27 | 고려대학교 산학협력단 | 대규모 데이터를 위한 서포트 벡터 머신 이진 트리 구조 갱신 장치 및 방법 |
CN105426842A (zh) * | 2015-11-19 | 2016-03-23 | 浙江大学 | 基于支持向量机的表面肌电信号多类手部动作识别方法 |
CN106407406A (zh) * | 2016-09-22 | 2017-02-15 | 国信优易数据有限公司 | 一种文本处理方法和系统 |
CN106529576A (zh) * | 2016-10-20 | 2017-03-22 | 天津大学 | 基于测度学习改进支持向量机的钢琴乐谱难度识别算法 |
CN106545337A (zh) * | 2016-11-25 | 2017-03-29 | 西南石油大学 | 一种基于支持向量机的沉积微相测井识别方法 |
CN110070141A (zh) * | 2019-04-28 | 2019-07-30 | 上海海事大学 | 一种网络入侵检测方法 |
-
2019
- 2019-11-26 CN CN201911172907.5A patent/CN111122973A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183535A (zh) * | 2011-03-11 | 2011-09-14 | 天津大学 | 基于sem图像的低维纳米材料识别方法 |
CN103336243A (zh) * | 2013-07-01 | 2013-10-02 | 东南大学 | 基于分合闸线圈电流信号的断路器故障诊断方法 |
KR20150133027A (ko) * | 2014-05-19 | 2015-11-27 | 고려대학교 산학협력단 | 대규모 데이터를 위한 서포트 벡터 머신 이진 트리 구조 갱신 장치 및 방법 |
CN105426842A (zh) * | 2015-11-19 | 2016-03-23 | 浙江大学 | 基于支持向量机的表面肌电信号多类手部动作识别方法 |
CN106407406A (zh) * | 2016-09-22 | 2017-02-15 | 国信优易数据有限公司 | 一种文本处理方法和系统 |
CN106529576A (zh) * | 2016-10-20 | 2017-03-22 | 天津大学 | 基于测度学习改进支持向量机的钢琴乐谱难度识别算法 |
CN106545337A (zh) * | 2016-11-25 | 2017-03-29 | 西南石油大学 | 一种基于支持向量机的沉积微相测井识别方法 |
CN110070141A (zh) * | 2019-04-28 | 2019-07-30 | 上海海事大学 | 一种网络入侵检测方法 |
Non-Patent Citations (2)
Title |
---|
王宏力: "《惯性测量组合智能故障诊断及预测技术》", 31 May 2017, 国防工业出版社 * |
陈伯志 等: "改进二叉树支持向量机及其TE过程故障诊断", 《西南科技大学学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113792825B (zh) | 一种用电信息采集设备故障分类模型训练方法及装置 | |
CN110798417B (zh) | 一种基于循环残差网络的信号调制识别方法及装置 | |
CN111537884B (zh) | 获取动力电池寿命数据的方法、装置、计算机设备及介质 | |
CN110717806B (zh) | 产品信息推送方法、装置、设备及存储介质 | |
CN116596095B (zh) | 基于机器学习的碳排放量预测模型的训练方法及装置 | |
CN111368648B (zh) | 雷达辐射源个体识别方法、装置、电子设备及其存储介质 | |
CN111163487A (zh) | 通信波形综合传输性能评价方法及系统 | |
CN110647461B (zh) | 多信息融合的回归测试用例排序方法及系统 | |
CN117434429A (zh) | 芯片的稳定性测试方法及相关装置 | |
CN117407313A (zh) | 一种基于机器学习分析自动化测试质量的方法及系统 | |
CN103076595B (zh) | 一种多元离散雷达辐射源信号的异常类型识别方法 | |
CN112766402A (zh) | 算法选择方法、装置和电子设备 | |
CN111122973A (zh) | 一种提高自动测试覆盖率的方法、系统及电子设备 | |
CN109743200B (zh) | 基于资源特征的云计算平台计算任务成本预测方法及系统 | |
CN111523798A (zh) | 一种自动建模的方法、装置、系统、及其电子设备 | |
CN111177640A (zh) | 一种数据中心运维工作绩效评价系统 | |
CN111309608B (zh) | 测试用例的选择方法、装置、电子设备和可读存储介质 | |
CN114519520A (zh) | 模型评估方法、装置及存储介质 | |
CN111949530B (zh) | 测试结果的预测方法、装置、计算机设备及存储介质 | |
CN112464164A (zh) | 一种人因可靠性评估的方法、装置和信息处理设备 | |
Wang et al. | Application of improved Naive Bayes classification algorithm in 5G signaling analysis | |
CN116662853B (zh) | 一种自动识别出污染来源解析结果的方法及系统 | |
CN114339855B (zh) | 无线网络覆盖率评估方法、装置及计算设备 | |
CN110490216A (zh) | 一种自学式数据分类系统和方法 | |
CN116564423B (zh) | 一种微生物宏基因组数据库构建方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20200508 |