一种基于PDSA-ANN模型的软件测试方法与流程

本发明涉及软件测试，特别涉及一种基于pdsa-ann模型的软件测试方法。

背景技术：

1、随着计算机软件需求的不断增多，软件的复杂度越来越大。开发起来也随着变的越来越困难。如今各行各业都对软件有一定的依赖，软件在运行过程中一旦出错，就可能造成非常严重的后果，造成这一后果的根本原因就是软件中存在缺陷。软件工程理论指出，测试能证明软件中存在缺陷，不能证明软件中没有缺陷。可见在实际开发过程中，找出软件的缺陷是非常困难的。并且还受到开发资源和时间等因素的限制，能够在有限的资源下尽可能多的准确找出软件中存在的缺陷是现在所面临的问题。至今，已经有很对研究者开发和验证了一些软件测试模型，这些模型都是用机器学习和统计学技术建立的。为了提高模型的性能，他们使用了不同类型的软件度量和多种多样的特征选择技术。机器学习算法如神经网络、支持向量机和集成算法等都被用来构建软件测试模型。其他学者也提出了基于机器学习算法的改进算法，在某些特定的领域也取得了不错的效果，如集成学习，神经网络等，以及结合一些启发式算法，如人工蜂群和遗传算法，提出的模型。软件测试模型旨在识别有缺陷倾向的软件组件，从而权衡质量保证qa活动。有了软件测试模型，qa测试小组就可以集中关注软件模块的部分子集，从而能在有限的时间和资源下，尽可能多的找出软件中存在的缺陷。

2、pdsa循环在软件测试中是一个有用的质量管理方法，它有助于不断改进软件测试流程和提高测试质量。pdsa循环在软件测试中可以帮助测试团队持续改进测试过程、识别问题和缺陷，从而提高软件质量和可靠性。背景技术和工具的选择应根据具体项目和测试需求来确定，以确保达到预期的测试目标。

3、软件测试过程中，在pdsa循环里面融入软件测试模型ann，若能将这两个方法结合使用有助于提高软件测试的效率和质量。

技术实现思路

1、本发明要解决的技术问题是提供一种基于pdsa-ann模型的软件测试方法，以解决上述背景技术中的技术问题。

2、为了解决上述技术问题，本发明的技术方案为：

3、一种基于pdsa-ann模型的软件测试方法，包括以下步骤：

4、(1)数据的采集：采集待测软件的原始数据，采集成功后并对数据进行存储；

5、(2)数据的预处理：使用数据清洗data cleaning来处理数据中的缺失值、异常值、重复数据，同时将预处理后的数据分为训练数据、测试数据、验证数据，并加以存储；

6、(3)确定初始的权值和偏差：将训练数据分为样本数据和标签值，使用最小随机赋值法确定初始的权值和偏差；

7、(4)前向传播：把确定好的训练数据和初始权值、偏差按照符合网络结构的数据大小输入至前向传播中的输入层；将训练数据、权值、偏差经过计算输入至隐藏层中，同样经过计算最终数据输入至输出层中；

8、(5)损失值计算：通过算法对输出层输出的结果和样本标签数据进行计算得出损失值；

9、(6)权值和偏差的确定：通过反向传播算法和梯度下降算法来更新权值和偏差，用更新后的权值和偏差进行下一轮训练，通过激励函数计算得到损失值，使得损失值在每一轮都会收敛，这样每一轮都将会更新权值和偏差，直至损失值达到预期的阈值，确定最终的权值和偏差；

10、(7)训练、预测、评估和部署ann测试模型；

11、(8)在pdsa循环中使用ann测试模型。

12、进一步的，步骤1中，数据采集方式使用api采集和数据库采集，在确保数据的合法性、准确性和完整性的同时以多线程的方式运行加快采集的速率。

13、进一步的，步骤1中数据的存储方式包括关系数据库和nosql数据库，并制定合适的数据管理和维护策略，以确保数据的完整性和可用性。

14、进一步的，步骤7具体包括：

15、a.使用小的随机值来确定网络结构的初始化权重参数和偏差值；

16、b.定义网络结构选择神经网络的结构，包括输入层、隐藏层和输出层的神经元数量以及激活函数的类型；定义损失函数，根据任务类型选择适当的损失函数；

17、c.前向传播，通过输入数据将数据逐层传递到神经网络，计算每个神经元的输出；对于每层计算加权输入、应用激活函数，然后输出传递到下一层；

18、d.计算损失，使用损失函数来度量模型的输出与真实标签之间的差距；

19、e.反向传播计算损失函数相对于模型参数的梯度，从输出层向输入层逐层传播梯度，以确定如何更新参数，使用链式法则计算每个神经元的梯度；

20、f.参数更新，使用梯度下降算法，根据梯度更新模型的参数；

21、g.重复迭代，重复进行前向传播、损失计算、反向传播和参数更新，通常多次迭代，直到损失函数足够小或达到一定的迭代次数，监测模型性能，以确保不出现过拟合；

22、h.模型评估，使用验证集评估模型的性能，以确定是否需要进行更多的训练或调整超参数；

23、i.测试模型，最终使用独立的测试集来评估模型的泛化性能，估计模型在新数据上的表现；

24、j.模型部署，一旦模型性能满足要求，将模型部署到生产环境中，用于实际的预测和推断任务。

25、进一步的，梯度下降算法包括sgd、adam、rmsprop。

26、进一步的，步骤8包括：

27、测试计划：在这个阶段，制定测试策略和计划，确定测试目标、范围和测试计划，包括测试环境的设置、测试用例的编写和测试资源的分配；

28、执行：在这个阶段，执行测试计划并记录测试结果，执行测试用例，检查软件系统的功能、性能和稳定性，确保测试过程按照计划进行，并记录任何发现的缺陷或问题；

29、测试结果：将记录的测试结果，按照ann网络模型的结构数据向量化，输入ann测试模型进行结果预测，并将预测的结果记录下来；

30、研究：在这个阶段，分析和评估ann模型的预测结果，比较预期结果与实际预测的结果，识别潜在的问题和改进机会，收集和分析各项测试指标和度量数据，以评估测试的效果和质量水平；

31、行动：在这个阶段，采取行动来改进测试过程，基于对测试结果的分析和评估，确定改进措施和行动计划，包括修改测试策略、优化测试用例、改进测试环境或提供方案和技术支持。

32、本发明的优点在于：

33、本发明的方法基于pdsa-ann模型对软件进行测试，在软件测试过程中使用pdsa循环，在pdsa循环中使用ann测试模型，使得study研究过程中，得到的分析结果更加准确，提高了软件测试的效率性和准确性。

技术特征：

1.一种基于pdsa-ann模型的软件测试方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于pdsa-ann模型的软件测试方法，其特征在于：步骤1中，数据采集方式使用api采集和数据库采集，在确保数据的合法性、准确性和完整性的同时以多线程的方式运行加快采集的速率。

3.根据权利要求1所述的基于pdsa-ann模型的软件测试方法，其特征在于：步骤1中数据的存储方式包括关系数据库和nosql数据库，并制定合适的数据管理和维护策略，以确保数据的完整性和可用性。

4.根据权利要求1所述的基于pdsa-ann模型的软件测试方法，其特征在于：步骤7具体包括：

5.根据权利要求4所述的基于pdsa-ann模型的软件测试方法，其特征在于：所述梯度下降算法包括sgd、adam、rmsprop。

6.根据权利要求1所述的基于pdsa-ann模型的软件测试方法，其特征在于：步骤8包括：

技术总结
本发明公开了一种基于PDSA‑ANN模型的软件测试方法，包括以下步骤：1)数据的采集；2)数据的预处理；3)确定初始的权值和偏差；4)前向传播；5)损失值计算：通过算法对输出层输出的结果和样本标签数据进行计算得出损失值；6)权值和偏差的确定；7)训练、预测、评估和部署ANN测试模型；8)在PDSA循环中使用ANN测试模型。本发明的方法基于PDSA‑ANN模型对软件进行测试，在软件测试过程中使用PDSA循环，在PDSA循环中使用ANN测试模型，使得Study研究过程中，得到的分析结果更加准确，提高了软件测试的效率性和准确性。

技术研发人员：李建州,杨红,张硕,杨兴荣,杨兴海
受保护的技术使用者：世纪恒通科技股份有限公司
技术研发日：
技术公布日：2024/2/19