r>[0042] 對于神經(jīng)網(wǎng)絡的學習，需要設置期望輸出，當網(wǎng)絡的輸出與期望輸出不等時，存在 輸出誤差E，定義如下：
[0043] ,_ ^ (2)
[0044] 本發(fā)明中所采用的變換函數(shù)f(netj)為線性函數(shù)，其表達式為：
[0045] f (netj) =netj (3)
[0046] 對式(2)展開至輸入層可得：
[0047]
(4)
[0048] 由上式可看出網(wǎng)絡輸入誤差是權值Wij的函數(shù)，因此調整權值可改變誤差E。
[0049] 權值調整的原則是使誤差不斷的減小，因此應使權值的調整量與誤差的梯度 下降成正比，故有權值調整量計算公式如下：
[0050]
(5)
[0051] 式中負號表示梯度下降，常數(shù)rie(〇，l)表示比例系數(shù)，在訓練中反映了學習速率。
[0052] 式(5)是對權值調整思路的數(shù)學表達，而不是具體的權值調整量計算公式。下面推 導兩層神經(jīng)網(wǎng)絡學習算法的計算式。
[0053] 式(5)可以改寫為：
[0054]
(6)
[0055] 對輸出層定義一個誤差信號其計算公式為：
[0056]
(7)
[0057] 綜合式(1)和式(7)，可將式(6)的權值調整量計算公式改寫為：
[0058] Δ wij = ri5jXi (8)
[0059] 可以看出，只要計算出式⑶中的誤差信號即可得到權值調整量AWlJ。
[0060] 對于輸出層，心可展開為：
[0061]
(9)
[0062] 其中，f (netj)表示變換函數(shù)f(netj)的導數(shù)，顯然本發(fā)明中f (netj) = l。
[0063] 對式（9)中的網(wǎng)絡誤差對輸出層的偏導，利用式（2)可得：
[0064]
(10)
[0065]將以上結果代入式(9)，可得：
[0066] 5j = dj-〇j (11)
[0067] 至此誤差信號的推導完成，將式（11)代回到式(8)，得到本發(fā)明權值調整量計算公 式為：
[0068] Δ wij = ri(dj-〇j)xi (12)
[0069] 可以看出，兩層神經(jīng)網(wǎng)絡學習算法中，權值量由三個因素決定:學習率η、輸出的誤 差信號\以及輸入信號X，其中輸出誤差信號即網(wǎng)絡的期望輸出與實際輸出之差，直接反映 了輸出誤差。
[0070] 假設某系統(tǒng)有Μ個上級模塊，Ν個下級模塊，其測試性指標分配有如下表達式：
[0071](13) t=l
[0072] 其中，Plj表示下級模塊i在上級模塊j中的故障率，γι表示下級模塊i的測試性指 標分配值，A表示上級模塊j的最低測試性要求。
[0073] 本發(fā)明的發(fā)明目的是將測試性指標通過兩層神經(jīng)網(wǎng)絡來進行分配，使系統(tǒng)中各個 下級模塊分配得到的測試性指標能夠同時滿足每個上級模塊的測試性指標要求。為了達到 該發(fā)明目的，本發(fā)明將系統(tǒng)中各個模塊的故障率作為兩層神經(jīng)網(wǎng)絡的輸入，將各上級模塊 的測試性指標最低要求作為兩層神經(jīng)網(wǎng)絡的期望輸出，各個下級模塊所分配的測試性指標 作為兩層神經(jīng)網(wǎng)絡的權值，利用兩層神經(jīng)網(wǎng)絡的學習來得到各下級模塊的測試性指標分配 值。
[0074] 圖2是本發(fā)明基于兩層神經(jīng)網(wǎng)絡的測試性指標分配方法的【具體實施方式】流程圖。 如圖2所示，本發(fā)明基于兩層神經(jīng)網(wǎng)絡的測試性指標分配方法包括以下步驟：
[0075] S201:獲取系統(tǒng)映射矩陣：
[0076]首先將系統(tǒng)中的上級模塊按照優(yōu)先級從大到小進行排序，上級模塊的優(yōu)先級指標 可以根據(jù)需要來選擇，例如可以根據(jù)上級模塊的重要性來判定優(yōu)先級，也可以用測試性指 標的大小來判定。根據(jù)系統(tǒng)的結構獲取下級模塊與上級模塊的映射矩陣H，映射矩陣Η中的 元素表示第i個模塊與第j個上級模塊的關聯(lián)，也就是第i個模塊是否屬于第j個上級模 塊，其中i = l，2,…，N，j = l，2,…，M，N表示下級模塊數(shù)量，Μ表示上級模塊數(shù)量。hij = l，表示 對應下級模塊與上級模塊存在關聯(lián)，hu = 0表示對應下級模塊與上級模塊不存在關聯(lián)。 [0077] S202:構建兩層神經(jīng)網(wǎng)絡：
[0078]構建兩層神經(jīng)網(wǎng)絡，其中輸入層神經(jīng)單元數(shù)量為N，輸出層神經(jīng)單元數(shù)量為M。
[0079] S203:確定兩層神經(jīng)網(wǎng)絡輸入：
[0080]在本發(fā)明中，由于一個下級模塊可能屬于兩個以上的上級模塊，因此在將分配因 素作為兩層神經(jīng)網(wǎng)絡的輸入時，需要根據(jù)下級模塊與上級模塊的映射矩陣Η來對各模塊的 分配因素進行歸一化處理，處理方法為:記每個下級模塊i的對應的平均無故障時間為 對于每個上級模塊j，統(tǒng)計映射矩陣中h^ = l的下級模塊，將這些下級模塊的平均無故障時 間求和，得到每個上級模塊j的平均無故障時間和比，然后根據(jù)以下公式得到下級模塊i對 應上級模塊j的故障率Xij:
[0081 ]
(14)
[0082] 根據(jù)得到的所有故障率Xij構建得到Μ個輸入向量Xj = (Xlj，x2j，…，xNj)T。
[0083] S204 :初始化權值矩陣：
[0084] 根據(jù)下級模塊與上級模塊的映射矩陣Η，對兩層神經(jīng)網(wǎng)絡的權值矩陣W進行初始 化，初始化方法為:如果hij = 0，其對應的下級模塊i到上級模塊j權值Wij = 0，如果hij = 1，其 對應的權值wi/=釣，識為(〇，1)范圍內的隨機數(shù)?？梢钥闯?，每個下級模塊指向不同上級模 塊的權值都是相同的，這是因為每個下級模塊所分配的測試性指標是唯一的，不能同時給 一個下級模塊分配多個不同的測試性指標。
[0085] S205:獲取兩層神經(jīng)網(wǎng)絡輸出：
[0086] 依次將Μ個輸入向量X」作為兩層神經(jīng)網(wǎng)絡的輸入，也就是說，第j次輸入時，輸入層 神經(jīng)單元i的輸入為xij。得到當前權值矩陣W對應的輸出，將上級模塊j的Μ個輸出記為 Ujy， =1，2，···，M，計算上級模塊j的輸出〇j:
[0087]
(15 ) -一 J 二I
[0088] S206:計算系統(tǒng)誤差：
[0089] 根據(jù)預設的各個上級模塊的測試性指標最低要求山和步驟S205的輸出計算系統(tǒng) 誤差e。系統(tǒng)誤差的計算公式可以根據(jù)需要來選擇，實用中多采用均方根誤差，其計算公式 為：
[0090]
(16)
[0091] S207:判斷系統(tǒng)誤差e是否小于預設閾值eT，如果是，進入步驟S209,否則進入步驟 S208〇
[0092] S208:調整權值矩陣：
[0093] 由于本發(fā)明的兩層神經(jīng)網(wǎng)絡中，表示下級模塊i到上級模塊j的權值，因此對其 影響最大的輸入應當為XU。并且在調整權值矩陣時，只需要調整非零的權值。因此可得本發(fā) 明中權值調整量計算公式如下：
[0094]
(17) I " "
[0095] 因為本發(fā)明中，每個下級模塊i的非零權值必須相同，如果依照各自的調整量進行 調整，就會導致各個模塊出現(xiàn)多個不同的測試性指標，這是不符合實際情況的。因此將采用 不同輸入計算得到的權值調整量平均，從而計算得到新的權值。在權值調整時，還需要考 慮權值的取值范圍為〇到1，權值的上限為1。綜上所述可以得到權值調整公式如下：
[0096]
(18)
[0097] 其中，&表示上級模塊j所關聯(lián)的下級模塊數(shù)量，也就是映射矩陣中h^ = l的下級 Μ 模塊的數(shù)量。顯然，根據(jù)式（17)可知由于為零的權值其調整量為0,因此實際計算的 Μ 就是I個非零權值的調整量平均值。
[0098] 得到新的權值矩陣后，返回步驟S205。
[0099] S209:局部調整權值：
[0100]當系統(tǒng)誤差e小于預設閾值eT時，保證了算法的權值調整中的系統(tǒng)誤差滿足誤差 要求，但是并不能保證調整后的權值能保證每個上級模塊達到測試性指標最低要求，因此 需要逐一檢驗每個上級模塊，若不滿足要求則上調該指標，直到滿足最低要求。圖3是局部 調整權值的流程圖。如圖3所示，局部調整權值的步驟包括：
[0101] S301:令上級模塊序號j = l。
[0102] S302:判斷上級模塊j對應的輸出是否達到其測