买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜江苏大学申请的专利一种基于聚类的神经网络测试多方法混合挑选输入方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN112529156B 。

龙图腾网通过国家知识产权局官网在2025-02-18发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202011418759.3，技术领域涉及：G06N3/0464；该发明授权一种基于聚类的神经网络测试多方法混合挑选输入方法是由黄如兵;毛青青;陈锦富设计研发完成，并于2020-12-07向国家知识产权局提交的专利申请。

本一种基于聚类的神经网络测试多方法混合挑选输入方法在说明书摘要公布了：本发明公开了一种基于聚类的神经网络测试多方法混合挑选输入方法，旨在将传统的机器学习与传统的软件测试算法相结合，通过使用聚类算法，按照其聚类效果，把所有的测试用例分成两大类：一部分可聚类的多个性能类，以及另一部分无法聚类的噪音类。在两种类别中分别使用传统的机器学习与传统的软件测试中表现突出的算法，在保证两者局部最优的情况下，实现测试用例挑选全局最优化，进而有效的提升再训练神经网络模型的性能。本发明提出的方法与ARS‑DNNT相比，就挑选的效果而言，无论挑选测试用例取值是高是低，CMS‑DNNT的有效性实验效果均优于ARS‑DNNT。实验结果表明，CMS‑DNNT所挑用例再训练模型的精度相比ARS‑DNNT至少提升了26％。

本发明授权一种基于聚类的神经网络测试多方法混合挑选输入方法在权利要求书中公布了：1.一种基于聚类的神经网络测试多方法混合挑选输入方法，其特征在于，包括如下步骤：S1，确定已经预训练过的待测神经网络模型D′以及对抗样本集合S；S2，提取对抗样本特征集合V；S3，获取两种不同的类别：第一类别为占多数的若干性能类l1,l2...lj，第二类别为占少数的噪音类l0；所述步骤S3的具体过程包括：S3.1，使用密度分层聚类算法,把所有的测试用例按照测试性能归在不同的类别中；S3.2，判断所得类中测试用例个数是否小于阈值50，将所有阈值≦50的类汇聚成一个噪音类l0，将剩余的类l1,l2,…,lj定义为若干性能类；S4，设置两种类别的挑选比例值α，并且α0.5；S5，针对两种不同的类别，将传统的机器学习与传统的软件测试算法相结合，在挑选用例个数为n时，分别挑选测试用例α*n个和1-α*n个；所述S5的具体过程包括如下：S5.1，即针对若干性能类，选取机器学习中，在测试能力较一致的用例中挑选能力突出的最大均值差异算法MMD，挑选出测试用例个数α*n，每个性能类中挑选测试用例个数依据该性能类所具有的测试用例个数占总性能类测试用例个数总和的比例值挑选；S5.2，针对噪音类，选取传统软件测试中，在较为分散用例中表现性能较强的基于固定候选集的自适应随机测试FSCS-ART方法，挑选测试用例个数1-α*n；具体的：S5.2.1，使用特征欧几里得距离来进行测试用例之间的相似性度量，距离越近，表明这两个测试用例的相似性越高；S5.2.2，根据步骤S2所得V，初始化已执行测试用例集E以及候选测试用例集CX；E初始值t0为随机选取的一个非异常对抗样本向量特征向量v0，C大小固定为10；S5.2.3，计算C中每一个候选测试用例ci与E中每一个元素ei的特征欧氏距离，选择最小距离为该候选测试用例的相似性值，选择候选测试用例中相似性值最低，即最小距离最大的测试用例为下一个待测用例t1；特征欧式距离定义如下：测试用例ta和tb之间的欧式距离记作FEDta,tb，针对m维的特征向量，有测试用例ta＝va＝{a1,a2,…,am}和测试用例tb＝vb＝{b1,b2,…,bm}，则： S5.2.4，如果t1检测到了异常，将t1加入到E中，重复步骤5.2.3，直到所挑选用例个数达到1-α*n。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人江苏大学，其通讯地址为：212013 江苏省镇江市京口区学府路301号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。