王二威，崔春生，田艳

（1.北京理工大学珠海学院管理与经济学院，广东珠海519085；2.河南财经政法大学计算机学院，河南郑州450002）

随着计算机软件进入越来越多的领域，软件可靠性问题已经引起了人们的普遍重视，软件可靠性的研究也成为人们关注的焦点。到目前为止软件可靠性模型的研究取得了很大的成果，提出了近百种软件可靠性模型，如JM模型、GO模型等，这里称此类模型为经典模型。由于这些模型在对软件可靠性进行评估时根据开发环境等做了很多的假设，而软件在实际运行时却受到各种随机因素的综合作用，使得软件的故障多种多样，情况比较复杂。用一些固定的假设去套用各种各样的软件环境，显然是不合适的；而针对每一种情况都去开发一个新的模型既费时又费力[1]。

软件可靠性研究发展到90年代，人们在经典模型的基础上将更新的理论如：神经网络、贝叶斯网络、遗传算法、支持向量机、混沌理论、泛函网络等应用于软件可靠性建模和优化，产生了许多新的预测方法。由于神经网络能够从背景不清楚和不完全的数据中自动提取反映事物内在规律和特点的知识，并能够应用通过学习所获取的知识来进行问题的求解，比较多的研究者关注于基于神经网络的方法[2-6]。基于神经网络的软件可靠性模型可以对不同数据不同复杂情况有针对性地构建模型，通过训练确定参数；但它不能很直观的去解释网络权重[2]，且网络结构、归一化方法、激励函数都会对模型预测性能产生很大的影响，Cai[6]就在大量对比实验的基础上指出，大多数情况下基于神经网络的方法很难得出满意的量化预测结果。……