具体的优化方法如下：（1）声明一个桩点信息数组P[n]以及一个记录桩点序列的数组S[n]（维数相同），并对序列数组的标志位进行初始化flag＝0。

　　（2）声明一个维数比较适当的用来传送桩信息的数组T[m]。

　　（3）在桩点处插入P[i]的赋值函数，P[i]=true。

　　（4）从S[i]的标志位flag 之后顺序选取前m 个相应P[i]的元素为true 的序列号作为被传送数据的对象赋给T[m]。

　　（5）如果f 标志位之后所有满足的P[i]值为true 的数量j<m，则从f 标志位前补充作为T[i]的元素进行赋值。

　　（6）对序列数组S[i]进行更新，将被传送出的数组的序号元素与标志位后最近的没有被选择传输的元素进行交换，并修改标志位flag（f之前的元素均是传送过的桩信息数组的序号），此步骤的程序添加在通信模块后面，实现在通信的同时执行，节省时间。

　　（7）同样在宿主机上也声明这样的3 个数组，并通过相反的算法解码得到桩点的信息进行实时覆盖率的计算。（8）如果程序没有结束则转到（4）。

　　（9）仿真测试结束，得到最终覆盖率图。

　　5、实验对比

　　5.1 实验内容

　　以某型飞机的控制软件为测试对象。在某型飞机的飞行控制软件仿真过程中，控制律程序和全量方程的计算分别运行在目标机的VxWorks 操作系统和宿主机的Windows 操作系统中。它们之间的相互联系在于控制律程序。根据宿主机传来的状态信息产生控制指令，

　　然后把控制指令传送到宿主机，最后经全量方程的计算得出飞行过程中的状态信息。该系统的一个周期为50 ms。由这个过程可以看出，该系统是一个交互性很强的系统。实验过程中目标机与宿主机之间的通信采用网络套接字的方式实现。

　　首先，采用本文所述的优化方法对插桩后的通信模块进行修改；然后，将修改后的控制律程序重新编译并下载到VxWorks 操作系统的目标机中运行。主机控制界面将得到覆盖率的实时变化曲线以及各模块的执行次数等动态数据。

　　5.2 实验结果

　　对同一飞行控制软件进行3 组实验，每组都使用相同的测试用例进行了20 次测试，并统计程序运行时间进行对比。第1 组运行的是没有经过插桩的源程序；第2 组是使用传统插桩方法进行测试的程序；最后一组是按照前一部分内容对其中，i ∈{H，E，C}；Ni 为训练集或检验集里{H，E，C}的总数目。

　　5.3 仿真结果

　　采用7 重交叉验证方法对模型进行验证，以7 次预测结果的平均值作为最终预测结果。网络初始化时，隐层和输出层节点的权值在-1 和1 之间随机赋值，BP 算法的迭代次数设定为1 000。程序用C 语言实现，实验平台为1.6 GHz P4 处理器，768 MB 内存，Windows XP Professional。

　　预测精度最低的个体网络相比，复合网络的整体预测准确率要高出8.5%，而且这个结果较文献的预测结果高出2.1%。方法提高了5.31%，较其他基于2 层结构的DSC， PREDATOR方法分别提高了1.21%和0.92%，并且与基于同源信息的PHD

　　方法的预测精度接近，说明本模型是有效的，能很好地提高预测的精度。

　　6、结束语

　　本模型通过增加第1 层结构中各子网的差异性提高了复合网络的泛化能力，使用“相对多数”原则对各子网的结果进行整合，降低了预测结果的不确定性，提高了结构预测的精度。基于相邻残基之间的相关性，

　　在第1层网络的基础上引入第2 层网络，并且把表征第1层网络预测结果的可靠性指标（RS）信息融合到第2层网络的编码中，进一步提高了预测精度。本文提出的网络模型可以很好地预测蛋白质二级结构。尽管目前该方法还不如PHD 方法的预测精度高，但是本模型只是基于单序列进行结构预测，没有引入可以将预测精度提高5%~10%的同源信息。

　　以一种全新的方法启发人们从另外一个角度来考虑蛋白质二级结构预测问题，从而将预测精度提高到一个新的水平。