CN107544907A - 一种自动化测试方法及装置 - Google Patents
一种自动化测试方法及装置 Download PDFInfo
- Publication number
- CN107544907A CN107544907A CN201710801045.2A CN201710801045A CN107544907A CN 107544907 A CN107544907 A CN 107544907A CN 201710801045 A CN201710801045 A CN 201710801045A CN 107544907 A CN107544907 A CN 107544907A
- Authority
- CN
- China
- Prior art keywords
- mrow
- formula
- msup
- msub
- best fit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种自动化测试方法及装置,该方法包括:使用优化算法确定现有数据的变化规律模型的最佳拟合参数;将当前的最佳拟合参数传递至所述变化规律模型;利用当前的变化规律模型进行试验,获得试验结果;在判断出试验结果不位于相应预设阈值范围内时,根据试验结果调节最佳拟合参数,并将调节后的最佳拟合参数再次传递至变化规律模型,并执行后续流程,如此循环,直至获得的试验结果符合要求。这一测试方法可以自动迭代出最佳拟合参数以方便测试,且无需人工执行,故本发明能够提高测试效率。
Description
技术领域
本发明涉及计算机技术领域,特别涉及一种自动化测试方法及装置。
背景技术
随着测试需求的多样化和复杂化,软件定义的仪器***已成为测试测量行业最重要的发展趋势和主流技术。机器学习(Machine Learning,ML)是一门多领域交叉学科,用于专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。
目前,可以采用人工手动测试,比如根据经验法则手动的调节测试参数,并根据测试结果回调局部参数,进而测试观察回调效果。
由于需要人工手动测试调节,故现有实现方式的测试效率较低。
发明内容
本发明提供了一种自动化测试方法及装置,能够提高测试效率。
为了达到上述目的,本发明是通过如下技术方案实现的:
一方面,本发明提供了一种自动化测试方法,包括:
S1:使用优化算法确定现有数据的变化规律模型的最佳拟合参数;
S2:将当前的最佳拟合参数传递至所述变化规律模型;
S3:利用当前的变化规律模型进行试验,获得试验结果;
S4:判断所述试验结果是否位于相应预设阈值范围内,若否,根据所述试验结果调节所述最佳拟合参数,并以调节后的最佳拟合参数作为当前的最佳拟合参数,执行S2。
进一步地,所述根据所述试验结果调节所述最佳拟合参数,包括:通过BP(Backpropagation algorithm,反向传播)技术,根据所述试验结果调节所述最佳拟合参数。
进一步地,所述优化算法包括:梯度下降法、K-means(K-均值)算法、HMM(HiddenMarkov Model,隐马尔科夫模型)、牛顿法、决策树、随机森林、XGBOOST(eXtreme GradientBoosting)中的任意一种。
进一步地,所述现有数据包括:结构化数据格式的数值型数据。
进一步地,所述S1,包括:针对建立现有数据的变化规律模型所需用到的Sigmoid函数,根据所述Sigmoid函数的特性,获得公式一和公式二;
所述公式一包括:
P(y=1|x;θ)=hθ(x)
其中,θ为参数,x为样本,h(x)为变化规律模型,P(y=1|x;θ)为样本x属性正类(y=1)的条件概率;
所述公式二包括:
P(y=0|x;θ)=1-hθ(x)
其中,P(y=0|x;θ)为样本x属性负类(y=0)的条件概率;
将所述公式一和所述公式二合并成公式三;
所述公式三包括:
P(y|x;θ)=(hθ(x))y(1-hθ(x))1-y
根据所述公式三,生成公式四;
所述公式四包括:
其中,l(θ)为所有样本生成的概率,m为样本的总数,x(i)为所有样本中第i个样本,y(i)为所有样本中第i个样本的类别,且θ和x(i)是多维向量;
使用梯度下降法以对所述公式四求偏导,获得公式五;
所述公式五包括:
根据所述公式五和确定的公式六,生成公式七;
所述公式六包括:
其中,θT为θ的转置;
所述公式七包括:
其中,a为优化系数,θj为第j个参数,θj:为最佳拟合参数;
根据所述公式七,确定所述变化规律模型的最佳拟合参数。
另一方面,本发明提供了一种自动化测试装置,包括:
确定单元,用于使用优化算法确定现有数据的变化规律模型的最佳拟合参数;
第一处理单元,用于将当前的最佳拟合参数传递至所述变化规律模型;
第二处理单元,用于利用当前的变化规律模型进行试验,获得试验结果;
第三处理单元,用于判断所述试验结果是否位于相应预设阈值范围内,若否,根据所述试验结果调节所述最佳拟合参数,并以调节后的最佳拟合参数作为当前的最佳拟合参数,触发所述第一处理单元。
进一步地,所述第三处理单元,具体用于通过BP技术,根据所述试验结果调节所述最佳拟合参数。
进一步地,所述优化算法包括:梯度下降法、K-means算法、HMM、牛顿法、决策树、随机森林、XGBOOST中的任意一种。
进一步地,所述现有数据包括:结构化数据格式的数值型数据。
进一步地,所述确定单元,具体用于针对建立现有数据的变化规律模型所需用到的Sigmoid函数,根据所述Sigmoid函数的特性,获得公式一和公式二;
所述公式一包括:
P(y=1|x;θ)=hθ(x)
其中,θ为参数,x为样本,h(x)为变化规律模型,P(y=1|x;θ)为样本x属性正类(y=1)的条件概率;
所述公式二包括:
P(y=0|x;θ)=1-hθ(x)
其中,P(y=0|x;θ)为样本x属性负类(y=0)的条件概率;
将所述公式一和所述公式二合并成公式三;
所述公式三包括:
P(y|x;θ)=(hθ(x))y(1-hθ(x))1-y
根据所述公式三,生成公式四;
所述公式四包括:
其中,l(θ)为所有样本生成的概率,m为样本的总数,x(i)为所有样本中第i个样本,y(i)为所有样本中第i个样本的类别,且θ和x(i)是多维向量;
使用梯度下降法以对所述公式四求偏导,获得公式五;
所述公式五包括:
根据所述公式五和确定的公式六,生成公式七;
所述公式六包括:
其中,θT为θ的转置;
所述公式七包括:
其中,a为优化系数,θj为第j个参数,θj:为最佳拟合参数;
根据所述公式七,确定所述变化规律模型的最佳拟合参数。
本发明提供了一种自动化测试方法及装置,使用优化算法确定现有数据的变化规律模型的最佳拟合参数;将当前的最佳拟合参数传递至所述变化规律模型;利用当前的变化规律模型进行试验,获得试验结果;在判断出试验结果不位于相应预设阈值范围内时,根据试验结果调节最佳拟合参数,并将调节后的最佳拟合参数再次传递至变化规律模型,并执行后续流程,如此循环,直至获得的试验结果符合要求。这一测试方法可以自动迭代出最佳拟合参数以方便测试,且无需人工执行,故本发明能够提高测试效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种自动化测试方法的流程图;
图2是本发明一实施例提供的Sigmoid函数的示意图;
图3是本发明一实施例提供的一种现有数据对应的变化规律模型的示意图;
图4是本发明一实施例提供的另一种自动化测试方法的流程图;
图5是本发明一实施例提供的一种自动化测试装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供了一种自动化测试方法,可以包括以下步骤:
步骤101:使用优化算法确定现有数据的变化规律模型的最佳拟合参数。
步骤102:将当前的最佳拟合参数传递至所述变化规律模型。
步骤103:利用当前的变化规律模型进行试验,获得试验结果。
步骤104:判断所述试验结果是否位于相应预设阈值范围内,若是,结束当前流程,否则,根据所述试验结果调节所述最佳拟合参数,并以调节后的最佳拟合参数作为当前的最佳拟合参数,执行步骤102。
本发明实施例提供了一种自动化测试方法,使用优化算法确定现有数据的变化规律模型的最佳拟合参数;将当前的最佳拟合参数传递至所述变化规律模型;利用当前的变化规律模型进行试验,获得试验结果;在判断出试验结果不位于相应预设阈值范围内时,根据试验结果调节最佳拟合参数,并将调节后的最佳拟合参数再次传递至变化规律模型,并执行后续流程,如此循环,直至获得的试验结果符合要求。这一测试方法可以自动迭代出最佳拟合参数以方便测试,且无需人工执行,故本发明实施例能够提高测试效率。
在本发明的一个实施例中,上述预设阈值范围可以为预先确定的SPEC(SoftwareRequirement Specification,软件规格说明书)范围。
在本发明的一个实施例中,为了说明一种可能的参数调节方式,所以,所述根据所述试验结果调节所述最佳拟合参数,包括:通过BP技术,根据所述试验结果调节所述最佳拟合参数。
详细地,在确定出最佳拟合参数后,可以将其传递至变化规律模型以验证该最佳拟合参数的准确程度。比如,若获得的试验结果位于预设SPEC范围内,说明当前的最佳拟合参数较为准确,否则,说明其不太准确,故可以基于这一试验结果,采用反向传播算法以进行参数调节。这一调节方式使得参数调节更为快速、直接和准确。
在本发明的一个实施例中,所述优化算法包括:梯度下降法、K-means算法、HMM、牛顿法、决策树、随机森林、XGBOOST中的任意一种。
优选地,可以使用梯度下降法这一优化算法。详细地,利用梯度下降法可以快速确定变化规律模型中的波谷位置,同时,梯度下降法取负时,可以快速确定变化规律模型中的波峰位置,这一实现方式有助于快速准确的确定变化规律模型的最佳拟合参数。
在本发明的一个实施例中,所述现有数据包括:结构化数据格式的数值型数据。
详细地,在数据准备阶段,由于需要进行距离计算,故可以要求数据类型为数值型。此外,结构化数据格式则最佳。
在本发明的一个实施例中,所述步骤101,包括:针对建立现有数据的变化规律模型所需用到的Sigmoid函数,根据所述Sigmoid函数的特性,获得下述公式(1)和下述公式(2);
P(y=1|x;θ)=hθ(x) (1)
其中,θ为参数,x为样本,h(x)为变化规律模型,P(y=1|x;θ)为样本x属性正类(y=1)的条件概率;
P(y=0|x;θ)=1-hθ(x) (2)
其中,P(y=0|x;θ)为样本x属性负类(y=0)的条件概率;
将上述公式(1)和上述公式(2)合并成下述公式(3);
P(y|x;θ)=(hθ(x))y(1-hθ(x))1-y (3)
根据上述公式(3),生成下述公式(4);
其中,l(θ)为所有样本生成的概率,m为样本的总数,x(i)为所有样本中第i个样本,y(i)为所有样本中第i个样本的类别,且θ和x(i)是多维向量;
使用梯度下降法以对上述公式(4)求偏导,获得下述公式(5);
根据上述公式(4)和确定的下述公式(6),生成下述公式(7);
其中,θT为θ的转置;
其中,a为优化系数,θj为第j个参数,θj:为最佳拟合参数;
根据上述公式(7),确定所述变化规律模型的最佳拟合参数。
详细地,可以首先根据现有数据建立其对应的变化规律模型,再使用优化算法确定变化规律模型的最佳拟合参数。其中,请参考图2,由于其单增以及反函数单增、将变量映射到0和1之间等性质,建立变化规律模型时可以用到Sigmoid函数,即f(x)=1/(1+e-x)。
基于最优化方法,最佳拟合参数可以通过如下内容进行确定:
由sigmoid函数的输入可以记为z,比如z=W0X0+W1X1+W2X2+...+WnXn。
由于sigmoid函数的特性,我们可作出如下的假设:如上述公式(1)和公式(2)所示。其中,这两个公式可以为在已知样本X和参数θ的情况下,样本X属性正类(y=1)和负类(y=0)的条件概率。
将上述公式(1)和公式(2)合并成一个,可以得到上述公式(3)。
假定样本与样本之间相互独立,那么整个样本集生成的概率即为所有样本生成概率的乘积。如此,可以得到上述公式(4)。
详细地,对于上述公式(4),同样可以表示为如下述公式(8)所示。
其中,m为样本的总数,y(i)表示第i个样本的类别,x(i)表示第i个样本,需要注意的是θ是多维向量,x(i)也是多维向量。
用梯度上升的方法进行优化,对函数求偏导,可以得到上述公式(5)。
在本发明一个实施例中,上述公式(5)的生成过程可以如下所示:
首先,
对于上述公式(9)中的第一项,存在下述公式(10);
再者,对于上述公式(9)中的第二项,基于下述公式(11),可以得到下述公式(12);
最后,对于上述公式(9)中的第三项,存在下述公式(13);
把上述公式(10)、公式(12)、公式(13)均代入上述公式(9),经变换格式以消除分母后,即可获得上述公式(5)。
基于上述内容,根据上述公式(1)至公式(6)这六个公式,可以得到梯度迭代公式为上述公式(7)。
最后,分析数据,可以画出决策边界,如图3所示。
请参考图3,图3中的斜线可以为圆点和方点的分界线,如此,所有圆点大多均位于分界线的上方,所有方点大多均位于分界线的下方。若分界线的分界效果不佳时,可以通过该分界线的最佳拟合参数的自动调整,以对该分界线进行微调。
如图4所示,本发明一个实施例提供了另一种自动化测试方法,具体包括以下步骤:
步骤401:采集现有数据。
详细地,可以采用任意方法收集数据。其中,由于需要进行距离计算,可以要求数据类型为数值型。另外,结构化数据格式则最佳。
步骤402:使用梯度下降法,确定现有数据的变化规律模型的最佳拟合参数。
步骤403:将当前的最佳拟合参数传递至变化规律模型。
详细地,将确定出的最佳拟合参数传递至变化规律模型后,可以利用变化规律模型进行试验以获得试验结果,进而可以根据试验结果来验证最佳拟合参数的准确性。
步骤404:基于当前的变化规律模型进行试验,获得试验结果。
步骤405:判断试验结果是否位于预先确定的SPEC范围内,若是,结束当前流程,否则,通过BP技术,根据试验结果调节最佳拟合参数,并以调节后的最佳拟合参数作为当前的最佳拟合参数,执行步骤403。
详细地,若试验结果位于SPEC范围内,说明当前的最佳拟合参数合适,故无需调节,可结束当前流程。
在本发明一个实施例中,可以根据上述公式(1)至公式(7),以通过梯度迭代的方式以调节最佳拟合参数。
比如,在公式(7)中,θj可以为当前的最佳拟合参数,a为优化系数,为经计算可求得的优化量,θj:为调节后的最佳拟合参数。
在本发明一个实施例,上述任一自动化测试方法的部分实验代码可以如下所示:
综上所述,本发明实施例提供的任一自动化测试方法,可以提高测试效率,节省测试时间,提高测试精度。
如图5所示,本发明一个实施例提供了一种自动化测试装置,包括:
确定单元501,用于使用优化算法确定现有数据的变化规律模型的最佳拟合参数;
第一处理单元502,用于将当前的最佳拟合参数传递至所述变化规律模型;
第二处理单元503,用于利用当前的变化规律模型进行试验,获得试验结果;
第三处理单元504,用于判断所述试验结果是否位于相应预设阈值范围内,若是,结束当前流程,否则,根据所述试验结果调节所述最佳拟合参数,并以调节后的最佳拟合参数作为当前的最佳拟合参数,触发所述第一处理单元502。
在本发明一个实施例中,所述第三处理单元504,具体用于通过BP技术,根据所述试验结果调节所述最佳拟合参数。
在本发明一个实施例中,所述优化算法包括:梯度下降法、K-means算法、HMM、牛顿法、决策树、随机森林、XGBOOST中的任意一种。
在本发明一个实施例中,所述现有数据包括:结构化数据格式的数值型数据。
在本发明一个实施例中,所述确定单元501,具体用于针对建立现有数据的变化规律模型所需用到的Sigmoid函数,根据所述Sigmoid函数的特性,获得上述公式(1)和上述公式(2);
将上述公式(1)和上述公式(2)合并成上述公式(3);
根据上述公式(3),生成上述公式(4);
使用梯度下降法以对上述公式(4)求偏导,获得上述公式(5);
根据上述公式(5)和确定的上述公式(6),生成上述公式(7);
根据上述公式(7),确定所述变化规律模型的最佳拟合参数。
本发明一个实施例提供了一种可读介质,包括执行指令,当存储控制器的处理器执行所述执行指令时,所述存储控制器执行上述任一所述的自动化测试方法。
本发明一个实施例提供了一种存储控制器,包括:处理器、存储器和总线;
所述存储器用于存储执行指令,所述处理器与所述存储器通过所述总线连接,当所述存储控制器运行时,所述处理器执行所述存储器存储的所述执行指令,以使所述存储控制器执行上述任一所述的自动化测试方法。
上述装置内的各单元之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
综上所述,本发明的各个实施例至少具有如下有益效果:
1、本发明实施例中,使用优化算法确定现有数据的变化规律模型的最佳拟合参数;将当前的最佳拟合参数传递至所述变化规律模型;利用当前的变化规律模型进行试验,获得试验结果;在判断出试验结果不位于相应预设阈值范围内时,根据试验结果调节最佳拟合参数,并将调节后的最佳拟合参数再次传递至变化规律模型,并执行后续流程,如此循环,直至获得的试验结果符合要求。这一测试方法可以自动迭代出最佳拟合参数以方便测试,且无需人工执行,故本发明实施例能够提高测试效率。
2、本发明实施例中,提供的任一自动化测试方法,可以提高测试效率,节省测试时间,提高测试精度。
需要说明的是,在本文中,诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个······”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储在计算机可读取的存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后需要说明的是:以上所述仅为本发明的较佳实施例,仅用于说明本发明的技术方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种自动化测试方法,其特征在于,包括:
S1:使用优化算法确定现有数据的变化规律模型的最佳拟合参数;
S2:将当前的最佳拟合参数传递至所述变化规律模型;
S3:利用当前的变化规律模型进行试验,获得试验结果;
S4:判断所述试验结果是否位于相应预设阈值范围内,若否,根据所述试验结果调节所述最佳拟合参数,并以调节后的最佳拟合参数作为当前的最佳拟合参数,执行S2。
2.根据权利要求1所述的方法,其特征在于,
所述根据所述试验结果调节所述最佳拟合参数,包括:通过反向传播BP技术,根据所述试验结果调节所述最佳拟合参数。
3.根据权利要求1所述的方法,其特征在于,
所述优化算法包括:梯度下降法、K-均值K-means算法、隐马尔科夫模型HMM、牛顿法、决策树、随机森林、XGBOOST中的任意一种。
4.根据权利要求1所述的方法,其特征在于,
所述现有数据包括:结构化数据格式的数值型数据。
5.根据权利要求1至4中任一所述的方法,其特征在于,所述S1,包括:针对建立现有数据的变化规律模型所需用到的Sigmoid函数,根据所述Sigmoid函数的特性,获得公式一和公式二;
所述公式一包括:
P(y=1|x;θ)=hθ(x)
其中,θ为参数,x为样本,h(x)为变化规律模型,P(y=1|x;θ)为样本x属性正类(y=1)的条件概率;
所述公式二包括:
P(y=0|x;θ)=1-hθ(x)
其中,P(y=0|x;θ)为样本x属性负类(y=0)的条件概率;
将所述公式一和所述公式二合并成公式三;
所述公式三包括:
P(y|x;θ)=(hθ(x))y(1-hθ(x))1-y
根据所述公式三,生成公式四;
所述公式四包括:
<mrow>
<mi>l</mi>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>h</mi>
<mi>&theta;</mi>
</msub>
<mo>(</mo>
<msup>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>)</mo>
<mo>)</mo>
</mrow>
<msup>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
</msup>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>h</mi>
<mi>&theta;</mi>
</msub>
<mo>(</mo>
<msup>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
</mrow>
</msup>
</mrow>
其中,l(θ)为所有样本生成的概率,m为样本的总数,x(i)为所有样本中第i个样本,y(i)为所有样本中第i个样本的类别,且θ和x(i)是多维向量;
使用梯度下降法以对所述公式四求偏导,获得公式五;
所述公式五包括:
<mrow>
<mfrac>
<mo>&part;</mo>
<mrow>
<mo>&part;</mo>
<msub>
<mi>&theta;</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mi>l</mi>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>-</mo>
<msub>
<mi>h</mi>
<mi>&theta;</mi>
</msub>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
</mrow>
根据所述公式五和确定的公式六,生成公式七;
所述公式六包括:
<mrow>
<msub>
<mi>h</mi>
<mi>&theta;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>&theta;</mi>
<mi>T</mi>
</msup>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msup>
<mi>&theta;</mi>
<mi>T</mi>
</msup>
<mi>x</mi>
</mrow>
</msup>
</mrow>
</mfrac>
</mrow>
其中,θT为θ的转置;
所述公式七包括:
<mrow>
<msub>
<mi>&theta;</mi>
<mi>j</mi>
</msub>
<mo>:</mo>
<mo>=</mo>
<msub>
<mi>&theta;</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<mi>a</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>-</mo>
<msub>
<mi>h</mi>
<mi>&theta;</mi>
</msub>
<mo>(</mo>
<msup>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>)</mo>
<mo>)</mo>
</mrow>
<msubsup>
<mi>x</mi>
<mi>j</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mrow>
其中,a为优化系数,θj为第j个参数,θj:为最佳拟合参数;
根据所述公式七,确定所述变化规律模型的最佳拟合参数。
6.一种自动化测试装置,其特征在于,包括:
确定单元,用于使用优化算法确定现有数据的变化规律模型的最佳拟合参数;
第一处理单元,用于将当前的最佳拟合参数传递至所述变化规律模型;
第二处理单元,用于利用当前的变化规律模型进行试验,获得试验结果;
第三处理单元,用于判断所述试验结果是否位于相应预设阈值范围内,若否,根据所述试验结果调节所述最佳拟合参数,并以调节后的最佳拟合参数作为当前的最佳拟合参数,触发所述第一处理单元。
7.根据权利要求6所述的自动化测试装置,其特征在于,
所述第三处理单元,具体用于通过反向传播BP技术,根据所述试验结果调节所述最佳拟合参数。
8.根据权利要求6所述的自动化测试装置,其特征在于,
所述优化算法包括:梯度下降法、K-均值K-means算法、隐马尔科夫模型HMM、牛顿法、决策树、随机森林、XGBOOST中的任意一种。
9.根据权利要求6所述的自动化测试装置,其特征在于,
所述现有数据包括:结构化数据格式的数值型数据。
10.根据权利要求6至9中任一所述的自动化测试装置,其特征在于,所述确定单元,具体用于针对建立现有数据的变化规律模型所需用到的Sigmoid函数,根据所述Sigmoid函数的特性,获得公式一和公式二;
所述公式一包括:
P(y=1|x;θ)=hθ(x)
其中,θ为参数,x为样本,h(x)为变化规律模型,P(y=1|x;θ)为样本x属性正类(y=1)的条件概率;
所述公式二包括:
P(y=0|x;θ)=1-hθ(x)
其中,P(y=0|x;θ)为样本x属性负类(y=0)的条件概率;
将所述公式一和所述公式二合并成公式三;
所述公式三包括:
P(y|x;θ)=(hθ(x))y(1-hθ(x))1-y
根据所述公式三,生成公式四;
所述公式四包括:
<mrow>
<mi>l</mi>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>h</mi>
<mi>&theta;</mi>
</msub>
<mo>(</mo>
<msup>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>)</mo>
<mo>)</mo>
</mrow>
<msup>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
</msup>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>h</mi>
<mi>&theta;</mi>
</msub>
<mo>(</mo>
<msup>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
</mrow>
</msup>
</mrow>
其中,l(θ)为所有样本生成的概率,m为样本的总数,x(i)为所有样本中第i个样本,y(i)为所有样本中第i个样本的类别,且θ和x(i)是多维向量;
使用梯度下降法以对所述公式四求偏导,获得公式五;
所述公式五包括:
<mrow>
<mfrac>
<mo>&part;</mo>
<mrow>
<mo>&part;</mo>
<msub>
<mi>&theta;</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mi>l</mi>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>-</mo>
<msub>
<mi>h</mi>
<mi>&theta;</mi>
</msub>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
</mrow>
根据所述公式五和确定的公式六,生成公式七;
所述公式六包括:
<mrow>
<msub>
<mi>h</mi>
<mi>&theta;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>&theta;</mi>
<mi>T</mi>
</msup>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msup>
<mi>&theta;</mi>
<mi>T</mi>
</msup>
<mi>x</mi>
</mrow>
</msup>
</mrow>
</mfrac>
</mrow>
其中,θT为θ的转置;
所述公式七包括:
<mrow>
<msub>
<mi>&theta;</mi>
<mi>j</mi>
</msub>
<mo>:</mo>
<mo>=</mo>
<msub>
<mi>&theta;</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<mi>a</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>-</mo>
<msub>
<mi>h</mi>
<mi>&theta;</mi>
</msub>
<mo>(</mo>
<msup>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>)</mo>
<mo>)</mo>
</mrow>
<msubsup>
<mi>x</mi>
<mi>j</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mrow>
其中,a为优化系数,θj为第j个参数,θj:为最佳拟合参数;
根据所述公式七,确定所述变化规律模型的最佳拟合参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710801045.2A CN107544907A (zh) | 2017-09-07 | 2017-09-07 | 一种自动化测试方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710801045.2A CN107544907A (zh) | 2017-09-07 | 2017-09-07 | 一种自动化测试方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107544907A true CN107544907A (zh) | 2018-01-05 |
Family
ID=60958101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710801045.2A Pending CN107544907A (zh) | 2017-09-07 | 2017-09-07 | 一种自动化测试方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107544907A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106405640A (zh) * | 2016-08-26 | 2017-02-15 | 中国矿业大学(北京) | 基于深度信念神经网络的微震信号到时自动拾取方法 |
CN106786560A (zh) * | 2017-02-14 | 2017-05-31 | 中国电力科学研究院 | 一种电力***稳定特征自动提取方法及装置 |
CN106874693A (zh) * | 2017-03-15 | 2017-06-20 | 国信优易数据有限公司 | 一种医疗大数据分析处理***及方法 |
-
2017
- 2017-09-07 CN CN201710801045.2A patent/CN107544907A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106405640A (zh) * | 2016-08-26 | 2017-02-15 | 中国矿业大学(北京) | 基于深度信念神经网络的微震信号到时自动拾取方法 |
CN106786560A (zh) * | 2017-02-14 | 2017-05-31 | 中国电力科学研究院 | 一种电力***稳定特征自动提取方法及装置 |
CN106874693A (zh) * | 2017-03-15 | 2017-06-20 | 国信优易数据有限公司 | 一种医疗大数据分析处理***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023197613A1 (zh) | 一种小样本微调方法、***及相关装置 | |
CN104182630A (zh) | 基于简化最小二乘支持向量机的蓄电池剩余容量检测方法 | |
Robbes et al. | Leveraging small software engineering data sets with pre-trained neural networks | |
CN110309308A (zh) | 一种文字信息的分类方法、装置及电子设备 | |
CN116629235B (zh) | 大规模预训练语言模型微调方法、装置、电子设备及介质 | |
CN111339292A (zh) | 文本分类网络的训练方法、***、设备及存储介质 | |
CN114706986A (zh) | 一种多类别情感分类方法、装置以及计算机存储介质 | |
CN115186780A (zh) | 学科知识点分类模型训练方法、***、存储介质及设备 | |
CN108763418A (zh) | 一种文本的分类方法及装置 | |
US20230121404A1 (en) | Searching for normalization-activation layer architectures | |
Fujiwara et al. | Modify mistral large performance with low-rank adaptation (lora) on the big-bench dataset | |
CN107544907A (zh) | 一种自动化测试方法及装置 | |
CN111753554A (zh) | 一种意图知识库的生成方法及装置 | |
CN116566061A (zh) | 一种并网逆变器***稳定性在线监测方法及*** | |
JP4994199B2 (ja) | 機械学習装置及び機械学習方法 | |
Todorovski et al. | Theory revision in equation discovery | |
Rauh et al. | Verification and reachability analysis of fractional-order differential equations using interval analysis | |
CN115907192A (zh) | 风电功率波动区间预测模型的生成方法、装置及电子设备 | |
Xue et al. | A simplified multilayer perceptron detector for the hybrid WENO scheme | |
CN109376241A (zh) | 一种基于DenseNet面向电力领域的电话诉求文本分类算法 | |
Fan et al. | A medical pre-diagnosis system for histopathological image of breast cancer | |
CN106708595A (zh) | 程序语句形式化转换的方法及装置 | |
Wen et al. | Learning auxiliary categorical information for speech synthesis based on deep and recurrent neural networks | |
Li et al. | Construction of the Ability Quality Model of Business English Major Students in Colleges and Universities Considering the Informationized Teaching Environment Level | |
CN116563642B (zh) | 图像分类模型可信训练及图像分类方法、装置、设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180105 |
|
RJ01 | Rejection of invention patent application after publication |