测试用例集扩充问题(Test Suite Augmentation)是回归测试研究的一个最新研究热点。在完成代码修改影响分析后,对已有测试用例集的充分性进行评估,若不充分则设计新的测试用例,以确保对代码修改的充分测试。但到目前为止,国内外学者并...测试用例集扩充问题(Test Suite Augmentation)是回归测试研究的一个最新研究热点。在完成代码修改影响分析后,对已有测试用例集的充分性进行评估,若不充分则设计新的测试用例,以确保对代码修改的充分测试。但到目前为止,国内外学者并未对该研究问题的已有研究成果进行系统总结和展望。首先介绍了测试用例集扩充问题的研究背景和问题描述,然后总结出研究框架并对已有研究工作进行分类和系统比较,接着对常用评测数据集和评测指标进行了分析,最后对该问题值得关注的未来研究方向进行展望。展开更多
有限集模型预测控制(finite control set model predictive control,FCS-MPC)处理优化问题有较大优势,但其控制精度在低采样频率下会急剧下降。以三相电压源整流器为例,现有解决方法多采用扩充矢量或改用调制型预测控制(modulated model...有限集模型预测控制(finite control set model predictive control,FCS-MPC)处理优化问题有较大优势,但其控制精度在低采样频率下会急剧下降。以三相电压源整流器为例,现有解决方法多采用扩充矢量或改用调制型预测控制(modulated model predictive control,M-MPC),其本质在于通过增加开关频率提升控制精度,并未起到优化效果。为解决FCS-MPC在低采样频率下控制效果差的问题,同时为了能以较低的开关频率最大限度地提升控制精度,在分析FCS-MPC开关频率与控制误差间非线性关系的基础上,提出一种新的控制集扩充方法。通过构建12个新的电压矢量来扩充控制集,显著提升了FCS-MPC在低采样频率下的控制精度,且带来的开关频率增加较小。同时,在相同开关频率下,所提方法能够取得更优于M-MPC的控制效果。此外,通过调节目标矢量的权重还可改变其扩充模式,保留了FCS-MPC简单、直接的特点。最后,通过对比仿真及实验验证所提方法的有效性。展开更多
虚拟样本是一种在学习过程中引入先验知识的有效手段,一定程度上提高了分类器的性能。然而由于生成的虚拟样本集的数据分布与原始训练集的分布不一致,因此利用虚拟样本扩充后的训练样本集进行学习的分类器分类性能上存在波动。针对这种...虚拟样本是一种在学习过程中引入先验知识的有效手段,一定程度上提高了分类器的性能。然而由于生成的虚拟样本集的数据分布与原始训练集的分布不一致,因此利用虚拟样本扩充后的训练样本集进行学习的分类器分类性能上存在波动。针对这种不足,提出一种基于权重选择虚拟样本的新分类算法。该方法首先利用TrAdaBoost算法对扩充后的样本集进行预处理,然后选取权重大于某一给定阈值的样本构造新训练样本集,最后根据新样本集进行训练得到分类器。由于排出了不重要的样本,因此在新样本集上得到的分类器具有更高的精度。在部分UCI标准数据集与KDD cup 99网络入侵检测数据集上的对比实验说明了该算法较不产生虚拟样本的直接分类算法和利用虚拟样本全集进行训练的分类算法具有更高的精度。展开更多
文摘测试用例集扩充问题(Test Suite Augmentation)是回归测试研究的一个最新研究热点。在完成代码修改影响分析后,对已有测试用例集的充分性进行评估,若不充分则设计新的测试用例,以确保对代码修改的充分测试。但到目前为止,国内外学者并未对该研究问题的已有研究成果进行系统总结和展望。首先介绍了测试用例集扩充问题的研究背景和问题描述,然后总结出研究框架并对已有研究工作进行分类和系统比较,接着对常用评测数据集和评测指标进行了分析,最后对该问题值得关注的未来研究方向进行展望。
文摘有限集模型预测控制(finite control set model predictive control,FCS-MPC)处理优化问题有较大优势,但其控制精度在低采样频率下会急剧下降。以三相电压源整流器为例,现有解决方法多采用扩充矢量或改用调制型预测控制(modulated model predictive control,M-MPC),其本质在于通过增加开关频率提升控制精度,并未起到优化效果。为解决FCS-MPC在低采样频率下控制效果差的问题,同时为了能以较低的开关频率最大限度地提升控制精度,在分析FCS-MPC开关频率与控制误差间非线性关系的基础上,提出一种新的控制集扩充方法。通过构建12个新的电压矢量来扩充控制集,显著提升了FCS-MPC在低采样频率下的控制精度,且带来的开关频率增加较小。同时,在相同开关频率下,所提方法能够取得更优于M-MPC的控制效果。此外,通过调节目标矢量的权重还可改变其扩充模式,保留了FCS-MPC简单、直接的特点。最后,通过对比仿真及实验验证所提方法的有效性。
文摘虚拟样本是一种在学习过程中引入先验知识的有效手段,一定程度上提高了分类器的性能。然而由于生成的虚拟样本集的数据分布与原始训练集的分布不一致,因此利用虚拟样本扩充后的训练样本集进行学习的分类器分类性能上存在波动。针对这种不足,提出一种基于权重选择虚拟样本的新分类算法。该方法首先利用TrAdaBoost算法对扩充后的样本集进行预处理,然后选取权重大于某一给定阈值的样本构造新训练样本集,最后根据新样本集进行训练得到分类器。由于排出了不重要的样本,因此在新样本集上得到的分类器具有更高的精度。在部分UCI标准数据集与KDD cup 99网络入侵检测数据集上的对比实验说明了该算法较不产生虚拟样本的直接分类算法和利用虚拟样本全集进行训练的分类算法具有更高的精度。
