提出了一种软件系统的非线性有源自回归(Nonlinear AutoRegressive models with eXogenous Inputs,NARX)网络模型的老化检测方法。解决了目前软件老化方法未考虑多变量间关联性及历史数据的延迟影响的问题。该方法首先通过对实验采集的H...提出了一种软件系统的非线性有源自回归(Nonlinear AutoRegressive models with eXogenous Inputs,NARX)网络模型的老化检测方法。解决了目前软件老化方法未考虑多变量间关联性及历史数据的延迟影响的问题。该方法首先通过对实验采集的HelixServer-VOD服务器性能数据进行主成分分析,确定网络的输入维数,根据AIC准则确定最佳模型阶数,最终选取合理的网络模型结构;使用已知的未老化状态样本对NARX网络进行训练,建立系统的辨识模型;然后运用序贯概率比检验(Sequential Probability Ratio Test,SPRT)对NARX辨识模型的残差进行假设检验,判断系统的老化状态。实验分析表明,基于NARX网络模型的故障检测方法能够有效地应用于软件老化的检测。展开更多
文摘提出了一种软件系统的非线性有源自回归(Nonlinear AutoRegressive models with eXogenous Inputs,NARX)网络模型的老化检测方法。解决了目前软件老化方法未考虑多变量间关联性及历史数据的延迟影响的问题。该方法首先通过对实验采集的HelixServer-VOD服务器性能数据进行主成分分析,确定网络的输入维数,根据AIC准则确定最佳模型阶数,最终选取合理的网络模型结构;使用已知的未老化状态样本对NARX网络进行训练,建立系统的辨识模型;然后运用序贯概率比检验(Sequential Probability Ratio Test,SPRT)对NARX辨识模型的残差进行假设检验,判断系统的老化状态。实验分析表明,基于NARX网络模型的故障检测方法能够有效地应用于软件老化的检测。
文摘极限学习机(Extreme learning machine,ELM)是一种单隐层前馈神经网络(SLFNs),它随机选择网络的隐含层节点及其参数,训练时仅需调节输出层权值,因此ELM以极快的学习速度获得良好的推广性。考虑到ELM的特征映射函数未知时,可以将核矩阵引入到ELM中。针对模型未知的强非线性连续搅拌反应釜(Continuous Stirred Tank Reactor,CSTR),提出一种基于核极限学习机(Extreme Learning Machine with Kernels,KELM)的NARX模型辨识方法。以仿真的CSTR过程实例进行辨识实验,建立基于NARX-KELM的辨识模型。实验结果表明,在相同条件下,与带动量因子的BP神经网络、模糊神经网络(FNN)、GAP-RBF、MGAP-RBF神经网络、回声状态网络(ESN)、ELM等方法相比,KELM能够有效地改进辨识精度,而且性能更好,这表明了所提方法的有效性和应用潜力。
