Non-Homogeneous Autoregressive Processes for Tracking (Software) Reliability Growth, and Their Bayesian Analysis
跟踪软件可靠性增长的非齐次自回归过程及贝叶斯分析AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确采用非齐次自回归过程、状态空间表示与自适应滤波，分类依据是时间序列方法而非宏观应用。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
跟踪软件可靠性增长的非齐次自回归过程及贝叶斯分析
- 研究问题
- 研究如何用非齐次自回归过程跟踪可靠性增长，并缓解高于一阶的此类过程在缺少重复序列测量时的最小二乘估计限制。
- 方法与思路
- 作者提出系数可交换和系数具有自回归结构的两种贝叶斯方案，将其写为状态空间形式，使用 Kalman 滤波及 Lindley 近似。
- 材料陈述的贡献
- 摘要称两种方案缓解相关最小二乘限制，第二种产生新的自适应滤波方法，并通过软件失效数据展示程序。
- 阅读关注点
- 核对非齐次系数的演化方式、两类先验的差异、Kalman 表示所需条件，以及 Lindley 近似误差和软件数据的评估设计。
- 阅读边界
- 仅据 Crossref 摘要。摘要未报告预测误差、近似精度或先验敏感性，不能据此认定方法优于所有替代方案或推断其他版本变化。
原文摘要
SUMMARY We motivate a non-homogeneous autoregressive process as a model for reliability growth and consider two formulations, both Bayesian, which alleviate a limitation that least squares estimators for such processes of order greater than 1 exist only when repeated measurements of the time series are available. In one formulation, the prior assumption involves exchangeability of coefficients, whereas in the other an autoregressive structure is imposed on them. Both formulations enable us to cast the resulting processes in state space form for which the Kalman filter algorithm can be used. The first formulation involves an adaptation of standard techniques whereas the second results in a new methodology for adaptive filtering which is facilitated by an approximation due to Lindley. The procedures are demonstrated via a consideration of some data on software failures.