一种公交智能电子站牌信息显示控制方法及系统

    公开(公告)号:CN107945560A

    公开(公告)日:2018-04-20

    申请号:CN201711397887.2

    申请日:2017-12-21

    CPC classification number: G08G1/127 G08G1/133

    Abstract: 本发明提供一种公交智能电子站牌信息显示控制方法及系统,包括:服务端对采集的公交车实时运行状况信息及线路运营信息等原始数据进行预处理,对预处理后的数据进行车辆到站预测、车厢拥挤度评估、线路路况评估等计算,将计算结果存储在数据库中。根据客户端用户的操作或配置文件,向服务端数据库检索相应站点线路上公交车运行状况和相应线路的运营状况信息,在客户端的图形化界面进行信息展示。本发明改善了现有电子站牌功能单一、效果不佳的现状,能够为候车乘客提供更加丰富和直观的公交服务信息,同时提供的客户端远程管理功能,能够对客户端的运行状况进行实施监控,提高了工作效率。

    一种用于Simulink测试的测试用例优先排序方法

    公开(公告)号:CN115098358B

    公开(公告)日:2024-10-01

    申请号:CN202210557212.4

    申请日:2022-05-19

    Abstract: 本发明公开了一种用于Simulink测试的测试用例优先排序方法,包括:利用测试用例随机生成工具生成测试用例;统计每个测试用例中出现的Simulink模块名、模块出现的次数、子系统层数、僵尸块比例以及相关的测试用例结构信息;利用已统计的测试用例信息计算每个测试用例的特征块、复杂度以及僵尸块比例三大类特征;构建特征向量FV;基于特征向量FV计算每两个测试用例之间的差异度,综合僵尸块比例和差异度对Simulink测试用例进行优先排序;利用差分测试程序对优先排序结果进行测试,该方法解决了差分测试框架下自动测试的有效性问题,为Simulink的加速测试提供了新思路。

    一种基于子系统和数据恢复的Simulink测试方法

    公开(公告)号:CN114816988B

    公开(公告)日:2024-08-13

    申请号:CN202210267643.7

    申请日:2022-03-17

    Abstract: 本发明公开了一种基于子系统和数据恢复的Simulink测试方法,包括:采用随机生成方式生成测试用例,建立测试用例集,收集用于扩大测试用例集的被测试软件的第三方使用案例;对测试用例集中的所有测试用例进行预处理操作,对运行的测试用例进行基突变;创建一个存储测试用例集内每个测试用例中所有模块类型前后连接关系的数据库;采用蒙特卡罗马尔科夫链方式抽样选取测试集中的测试用例,将抽到的测试用例命名为原始测试用例;复制原始测试用例生成新测试用例并命名为变体测试用例,并对变体测试用例进行变异操作;对原始测试用例和生成的变体测试用例进行基于等效模输入的差分测试,同时记录出现错误的软件。

    一种基于强化学习的Simulink软件测试方法

    公开(公告)号:CN114706762B

    公开(公告)日:2024-07-02

    申请号:CN202210272515.1

    申请日:2022-03-18

    Abstract: 本发明公开了一种基于强化学习的Simulink软件测试方法,分为两个部分:用例生成部分和用例测试部分;用例生成部分:①在测试用例库中选择一个初始模型,②将其状态特征输入至强化学习代理,③代理根据输入在动作库中选择模型下一步要执行的动作,④并将动作索引输出给模型,模型执行该动作。用例测试部分:⑤MATLAB对执行动作后的模型进行编译测试,⑥若编译不通过,则对编译错误进行修复,⑦对编译通过后的模型进行差分测试,⑧判断测试结果在功能上是否等价,若等价则认为没有发现bug,若存在差异,认为发现了bug,⑨基于测试结果,更新强化学习代理,使强化学习代理趋向于生成易触发bug的模型。

    一种Simulink代码生成工具测试方法

    公开(公告)号:CN114911694B

    公开(公告)日:2024-06-28

    申请号:CN202210349093.3

    申请日:2022-04-01

    Abstract: 本发明公开了一种基于等价优化变异策略的simulink代码生成工具测试方法,包括:采集并生成测试用例;采用PSO粒子群算法对测试用例库的模型进行优化;对筛选后得到的种子模型进行参数配置和链接时优化得到重构模型,链接时优化模型结构重构过程:利用Simulink代码生成工具为重构模型和原种子模型生成对应目标异构代码;采用差分测试比较重构模型、原种子模型和对应异构c语言代码文件,执行程序的执行轨迹,对种子模型和待测用例进行编译运行,若编译出现错误,则记录该错误信息,分别比较种子模型和待测用例的普通模式和SIL模式的输入输出值,如果三者等价,则完成该用例的测试过程,如果存在差异,并认定为发现bug。

    一种基于图神经网络的代码漏洞检测方法

    公开(公告)号:CN118094562A

    公开(公告)日:2024-05-28

    申请号:CN202410293494.0

    申请日:2024-03-14

    Abstract: 本发明提供了一种基于图神经网络的代码漏洞检测方法,包括如下步骤:S1、获取数据集,将数据集中的代码片段表示为抽象语法树,利用抽象语法树生成控制流图,得到控制流图中的节点和邻接矩阵;S2、将节点和邻接矩阵图嵌入图嵌入到图神经网络模型中,利用图神经网络模型将节点信息和邻接矩阵信息传递给相邻节点,从而利用信息扩散机制来学习图结构数据,根据节点的相连性更新节点状态,得到代码片段的矩阵向量;S3、训练一个多层感知器模型,将矩阵向量输入至MLP模型中,得到预测分数,将预测分数与设定好的阈值相比较来确定代码片段是否有漏洞。本发明基于图的表征相对于序列或树能够显式表征更多维度的代码特征,能够提高软件的开发效率和质量。

    一种基于注意力网络的代码修复方法

    公开(公告)号:CN115016961B

    公开(公告)日:2024-04-26

    申请号:CN202210456344.8

    申请日:2022-04-27

    Inventor: 李辉 刘勇

    Abstract: 本发明公开了一种基于注意力网络的代码修复方法,包括:S1:将源代码中的方法名、变量名进行统一替换并记录替换关系生成预处理数据;S2:生成基于注意力机制的神经网络模型;S3:训练基于注意力机制的神经网络模型,将预处理数据输入神经网络模型中,采用梯度下降方式训练该模型直至收敛,保存神经网络模型参数;S4:将实际应用场景中将有缺陷的源代码执行S1操作获得预处理后数据,将预处理后数据转换成向量输入至完成训练的模型中生成修复补丁,将生成的修复补丁执行一次S1中替换关系的逆过程获得真实修复补丁。该方法通过自注意力网络来学习代码中的缺陷模式从而自动修复软件中的缺陷,提高软件缺陷的修复效率。

    一种基于深度学习的图自信学习软件漏洞检测方法

    公开(公告)号:CN113378178B

    公开(公告)日:2023-08-22

    申请号:CN202110687688.5

    申请日:2021-06-21

    Abstract: 本发明公开了一种基于深度学习的图自信学习软件漏洞检测方法,包括:对源代码进行构图:将唯一的单词表示为顶点,将单词之间的协同表示为边来构造代码的图,获取每个图的连接的边的初始特征以及每个节点的初始特征值;构建深度置信网络模型,将转化为图结构的数据集输入至该模型中,找出数据集中是噪音的样本,把噪音样本从数据集中删除;使用门控图神经网络聚集和传递代码图中相邻代码节点的信息,学习代码节点的特征并进行图级预测从而对软件代码漏洞进行检测。该方法通过深度学习的图自信学习软件漏洞检测方法来训练识别软件漏洞模型,在检测软件漏洞方面取得了良好的效果,提高了在软件性能问题。

    一种基于预测覆盖率的软件测试加速方法

    公开(公告)号:CN115437921A

    公开(公告)日:2022-12-06

    申请号:CN202210963150.7

    申请日:2022-08-11

    Abstract: 本发明公开了一种基于预测覆盖率的软件测试加速方法,包括:收集测试用例并提取测试用例的特征信息;统计每个插桩点是否被执行从而获得测试用例覆盖的模块的代码信息,得出对Simulink每个模块的覆盖率,将测试用例对Simulink每个模块的覆盖率作为一组值并规定为标签;建立预测模型,对新测试用例的覆盖率进行预测;基于覆盖率信息对测试用例进行聚类处理;将bug概率预测模型分为bug预测模型和执行时间预测模型,其中bug预测模型预测输入测试用例触发bug的概率,执行时间预测模型预测输入测试用例的执行时间,将概率除去执行时间作为模型的输出结果;对测试用例进行排序。

    一种基于迁移学习和特征提取的Bug报告严重程度识别方法

    公开(公告)号:CN109614489B

    公开(公告)日:2022-11-18

    申请号:CN201811528863.0

    申请日:2018-12-13

    Abstract: 本发明公开了一种基于迁移学习和特征提取的Bug报告严重程度识别方法,通过将向量化表示的Bugzilla Bug报告信息作为知识库;并使用粗糙集特征提取方法对向量化表示的文本矩阵进行特征提取,将提取的特征作为迁移学习的最终知识库,用于识别Android Bug报告的严重程度。通过上述方法可以实现Android Bug报告管理系统中Bug报告严重程度的自动预测,节省了Bug报告严重程度预测所需的时间成本和人力成本,提升了工作效率。

Patent Agency Ranking