随着计算机技术的飞速发展,人们对计算机系统的依赖性越来越高。而在造成计算机系统错误的因素中,软件占了绝大部分。因此,如何保证软件质量,设计并开发出可靠的软件已经成为当务之急。由于软件可靠性早期预测在测试前就能够使开发和测试的相关人员对软件的可靠性有一个大致的了解,所以对于软件如何进一步开发、测试和质量的控制都具有十分重要的作用。 支持向量机是建立在统计学习理论中VC维和结构风险最小化基础上的一种全新的学习机器。它根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷,以期获得最好的推广能力。与传统建模方法相比,基于支持向量机的方法具有显著的先进性,能够解决人工神经网络中结构难于确定、拟合不充分或过拟合、容易陷入局部极小点等诸多问题,并且具有出色的小样本性能。 本文概述了国内外关于软件可靠性早期预测方法的研究现状,重点分析了多元线性回归和人工神经网络这两种经典建模方法,并指出其不足。由此,将支持向量机理论引入到软件可靠性早期预测领域中来,并结合聚类分析、主成分分析、特异样本点判别、数据归一化、交叉验证、非启发式深度优先搜索等数学工具,提出了基于支持向量机的软件可靠性早期预测模型。通过对比仿真分析,证实了新模型同传统模型相比预测精度更高,泛化能力更强,对样本数量的依赖程度更低。并在此基础上设计了一个软件可靠性早期预测软件系统,来帮助实现软件可靠性早期预测工作的自动化。