检索结果-内蒙古大学图书馆

西南师范大学学报（自然科学版） 2013年第8期38卷 147-152页

作者：尹然丁晓明李小亮梅莹西南大学计算机与信息科学学院重庆400715 重庆市软件评测中心有限公司重庆400715

探讨了传统BP神经网络的模型与结构,并针对BP神经网络容易陷入局部最优的缺陷,提出用模拟退火技术代替局部梯度下降法修正网络权值的SA-BP算法,用于构建SA-BP神经网络的软件缺陷预测模型,并通过实验证明了SA-BP神经网络模型应用于软件... 详细信息

探讨了传统BP神经网络的模型与结构,并针对BP神经网络容易陷入局部最优的缺陷,提出用模拟退火技术代替局部梯度下降法修正网络权值的SA-BP算法,用于构建SA-BP神经网络的软件缺陷预测模型,并通过实验证明了SA-BP神经网络模型应用于软件缺陷预测的有效性.

关键词： SA-BP神经网络软件缺陷预测模型模拟退火

来源：评论

学校读者我要写书评

暂无评论

基于改进ACO优化BPNN的软件缺陷预测模型

引用

计算机工程与设计 2017年第8期38卷 2137-2141页

作者：李克文王秋宝于明晓中国石油大学计算机与通信工程学院山东青岛266580

针对用BP神经网络进行软件缺陷预测时出现的易陷入局部最优、学习速度缓慢等缺陷问题,提出一种基于信息素初始化和局部路径优化的蚁群优化算法优化BP神经网络的软件缺陷预测模型。对待预测的数据集进行基于互信息和自信息优化的主成分... 详细信息

针对用BP神经网络进行软件缺陷预测时出现的易陷入局部最优、学习速度缓慢等缺陷问题,提出一种基于信息素初始化和局部路径优化的蚁群优化算法优化BP神经网络的软件缺陷预测模型。对待预测的数据集进行基于互信息和自信息优化的主成分分析操作,降低数据的维数,提高运算效率;根据改进后的蚁群优化算法,计算最优的BP神经网络权值和阈值;使用NASA提供的软件缺陷数据集,利用提出的模型进行缺陷预测,基于十折交叉方法进行验证。通过与几种传统方法对比验证了所提方法具有更快的收敛速度和更高的预测准确度。

关键词：软件缺陷预测模型 BP神经网络蚁群优化算法主成分分析互信息

来源：评论

学校读者我要写书评

暂无评论

基于多层特征选择的软件缺陷预测模型研究

基于多层特征选择的软件缺陷预测模型研究

引用

作者：李琦燕山大学

学位级别：硕士

在软件工程中,软件缺陷是对软件质量影响最大的因素。人工审查代码的速度和效率已经日趋不能满足软件系统生产发展的需要,因此,高效的软件缺陷预测变得愈发重要。本文针对软件缺陷预测中的特征选择问题进行了深入研究,以支持向量机为分... 详细信息

在软件工程中,软件缺陷是对软件质量影响最大的因素。人工审查代码的速度和效率已经日趋不能满足软件系统生产发展的需要,因此,高效的软件缺陷预测变得愈发重要。本文针对软件缺陷预测中的特征选择问题进行了深入研究,以支持向量机为分类器,搭建了软件缺陷预测模型,并使用多个评价指标检验软件缺陷模型的性能。主要研究内容如下:首先,提出了一种基于多种关联性指标的综合排序过滤式特征选择算法。为了合理的评价特征与标签的关系,该算法从统计学、概率学和样本关系三个不同角度考虑,基于平等性原则综合评价特征,使用动态自动阈值调整策略自动选择特征子集,根据特征与标签的关联度来对缺陷数据进行降维。其次,本文提出了一种基于聚类的包裹式特征选择算法。为降低特征之间的冗余性,该算法通过皮尔逊相关系数度量特征彼此的关系,使用层次凝聚聚类算法进行特征聚类。按照包裹式特征的思想,采用前向选取策略,逐步选取簇中的最优特征,直至模型性能不再提升,至此完成特征选择。此算法根据特征之间的关系进行聚类分析,降低了特征子集中的冗余性。再次,本文建立了一个基于多层特征选择的软件缺陷预测模型。采用多层特征选择方法,遵循“最大相关最小冗余”策略,使用支持向量机为基础分类器,以此来搭建软件缺陷预测模型,实现对软件缺陷的预测。最后,使用NASA的公共软件缺陷数据集SDP进行了实验,验证了本文所提出的特征选择算法的有效性,并将本文的软件缺陷预测模型与其他学者的模型进行了对比,并对实验结果进行分析。

关键词：软件缺陷预测特征选择算法多层特征选择软件缺陷预测模型

来源：评论

学校读者我要写书评

暂无评论

基于改进ACO优化BP神经网络的软件缺陷预测模型

基于改进ACO优化BP神经网络的软件缺陷预测模型

引用

作者：王秋宝中国石油大学(华东)

学位级别：硕士

软件缺陷是计算机软件固有的属性,同时也是导致软件系统在运行过程中出现异常的主要原因。所以,尽早地发现软件系统中存在的软件缺陷,可以避免或最小化在软件开发后期为修改缺陷所造成的资源浪费,节约开发成本。20世纪70年代,软件缺陷... 详细信息

软件缺陷是计算机软件固有的属性,同时也是导致软件系统在运行过程中出现异常的主要原因。所以,尽早地发现软件系统中存在的软件缺陷,可以避免或最小化在软件开发后期为修改缺陷所造成的资源浪费,节约开发成本。20世纪70年代,软件缺陷预测技术作为一种预测软件缺陷分布的手段逐渐被发展起来,并且在软件工程领域受到了极大关注。经过40多年的发展,各种软件缺陷预测方法相继被提出并取得了良好的效果。基于BP神经网络的软件缺陷预测模型是其中性能较好的一种,它利用软件模块中各种属性以及历史性软件缺陷数据进行分析预测,对含有缺陷的软件模块作出预测。虽然基于BP神经网络的软件缺陷预测模型具有较好的预测效果,但是该模型在输入层信息以及模型参数寻优等方面存在不足,容易导致整个模型的预测准确率并不是很高。所以,为了提高BP神经网络的软件预测模型的预测准确度,本文主要做了如下几项工作:第一,提出基于互信息和自信息改进的主成分分析方法,进行软件缺陷数据特征降维,在保留原始输入信息完整的前提下,最小化模型输入元数量;第二,提出一种基于差异初始化信息素和局部路径优化的蚁群优化算法,用于代替BP神经网络自有的“梯度下降法”优化参数,提高得到预测模型最优参数的概率;第三,建立基于改进ACO优化BP神经网络的软件缺陷预测模型,提高缺陷预测准确率。最后,对本文提出的软件缺陷预测模型进行仿真实验验证模型的性能。使用NASA提供的软件缺陷数据集进行缺陷预测,并对预测结果进行基于十折交叉方法进行准确率、查准率、查全率等计算。通过与几种传统方法对比,证明本文方法可以得到更高的预测准确度。

关键词：软件缺陷预测模型 BP神经网络蚁群优化算法主成分分析互信息

来源：评论

学校读者我要写书评

暂无评论

基于SAPSO-BP网络的软件缺陷预测模型的研究

基于SAPSO-BP网络的软件缺陷预测模型的研究

引用

作者：尹然西南大学

学位级别：硕士

软件缺陷数量是衡量软件质量好坏的一项重要指标,尽早地发现缺陷可以避免在软件开发后期为修改、弥补缺陷造成资源的浪费,保证软件的正常交付。软件缺陷预测模型可用于软件开发初期对软件缺陷的分布或缺陷数量进行预测,使软件开发人员... 详细信息

软件缺陷数量是衡量软件质量好坏的一项重要指标,尽早地发现缺陷可以避免在软件开发后期为修改、弥补缺陷造成资源的浪费,保证软件的正常交付。软件缺陷预测模型可用于软件开发初期对软件缺陷的分布或缺陷数量进行预测,使软件开发人员能够将有限的资源集中于缺陷高发模块,更有效地发现和排除缺陷,满足用户需求,对软件可靠性的提高和软件质量的保证有着非常重要的意义。软件缺陷预测技术自1992年由Briand提出以来,就在软件工程领域受到了极大关注,到目前为止,已有无数学者对此展开了研究,并提出了多种软件缺陷预测的模型。基于BP人工神经网络的软件缺陷预测模型是其中应用较广且效果最为明显的一种,它利用软件模块的属性值和以往缺陷数据进行分析,对软件模块有无缺陷或缺陷数量做出预测。尽管该模型已取得了良好的预测效果,但由于BP算法本身存在一些问题,导致缺陷预测的准确度仍不够理想。针对上述问题,本文在研究传统BP神经网络建立的软件缺陷预测模型的基础上,提出了基于改进后SAPSO-BP网络的软件缺陷预测模型,以期望进一步提高软件缺陷预测能力。本文的主要工作包括以下几个方面：第一,对软件缺陷及软件缺陷预测技术的相关理论进行研究,包括描述缺陷的度量属性,软件缺陷预测模型的建立步骤以及常见缺陷预测模型的分析比较等方面,为研究基于SAPSO-BP网络的缺陷预测模型提供有价值的参考。第二,深入研究基于BP网络的软件缺陷预测模型及该模型目前存在的不足。传统模型由于采用的BP算法在调整权值阈值的过程中采用梯度下降法,使算法存在收敛速度慢,容易陷入局部最优的问题,进而导致预测结果不够精确。第三,针对传统模型的不足,提出基于SAPSO-BP网络的软件缺陷预测模型。为解决传统BP算法存在的问题,本文首先采用粒子群算法对BP网络的参数进行初始化,然后利用模拟退火算法在搜索全局最优解上的突出优势来修正网络的权值和阈值,最后用训练好的网络模型进行缺陷预测。第四,基于上述工作,利用NASA网站上公布的MDP项目的数据集,采用传统BP算法和改进后的SAPSO-BP算法建立的软件缺陷预测模型对软件项目进行缺陷预测,实验结果表明基于SAPSO-BP神经网络的软件缺陷预测模型具有更好的缺陷预测能力。

关键词：软件缺陷预测模型 BP神经网络模拟退火算法粒子群算法

来源：评论

学校读者我要写书评

暂无评论

基于改进旋转策略的量子遗传-神经网络算法的软件缺陷预测模型

引用

西南民族大学学报（自然科学版） 2021年第3期47卷 297-302页

作者：崔梦天吴克奇谢琪周绪川贺春林西南民族大学计算机系统国家民委重点实验室四川成都610041 西华师范大学计算机学院四川南充637009

针对标准量子遗传-神经网络在进行缺陷预测时存在的收敛速度慢、易陷入局部最优等问题,提出了基于改进旋转策略的量子遗传-神经网络算法的预测模型.首先,以标准BP(back propagation)神经网络为基础,确定其拓扑结构.接着,采用动态更新旋... 详细信息

针对标准量子遗传-神经网络在进行缺陷预测时存在的收敛速度慢、易陷入局部最优等问题,提出了基于改进旋转策略的量子遗传-神经网络算法的预测模型.首先,以标准BP(back propagation)神经网络为基础,确定其拓扑结构.接着,采用动态更新旋转角度的策略对旋转角度进行更新.然后,利用改进的算法对神经网络进行优化,并构建预测模型,以提高预测的准确率.最后,在NASA数据集上进行仿真实验,结果表明改进后的预测模型的准确率更高,其平均值达到了90%.

关键词：旋转角度神经网络量子遗传算法软件缺陷预测模型预测准确率

来源：评论

学校读者我要写书评

暂无评论

基于贝叶斯网络的软件缺陷预测技术研究与应用

基于贝叶斯网络的软件缺陷预测技术研究与应用

引用

作者：郑翠芳中国工程物理研究院

学位级别：硕士

据研究表明，在软件开发生命周期过程中越早发现其缺陷越好，可及时纠正，可避免在开发过程后阶段为了修改、弥补与纠正缺陷造成的几何级数的连带堆积工作量的产生，并减少用户抱怨，可相对大大缩短开发周期，提高软件质量和用户需求的... 详细信息

据研究表明，在软件开发生命周期过程中越早发现其缺陷越好，可及时纠正，可避免在开发过程后阶段为了修改、弥补与纠正缺陷造成的几何级数的连带堆积工作量的产生，并减少用户抱怨，可相对大大缩短开发周期，提高软件质量和用户需求的满足程度，降低开发成本。因此，本文以软件开发生命周期的各个阶段为主线，研究分析在过程中以及各个阶段产生缺陷的相关因素，及产生缺陷因素之间的相互关系，借助于缺陷库建立与管理技术，对缺陷实施有效管理和深入分析，积累团队开发软件缺陷知识及其产生的缺陷数，对其进行有效的经验知识的继承和智能性预测，在此基础上本文结合贝叶斯网络，研究提出了比较先进、有效、简便的缺陷预测方法与技术，能够对缺陷进行有效和相对准确的预测，以达到能够尽早有效预测和发现缺陷，尽而纠正缺陷的目的。为此研究目的，首先，研究了软件缺陷管理的理论与技术、软件缺陷分类方法，提出了一种改进模型——基于软件开发过程的软件缺陷管理模式。其次，深入研究分析了软件缺陷产生因素、各缺陷之间的关系，采用贝叶斯网络方法对导致软件缺陷产生的因素进行分析，并分别对软件开发过程的需求分析阶段、设计阶段、编码阶段及测试阶段建立了贝叶斯网络结构图，且对结构图进行了分析。此后，在对目前软件缺陷预测模型进行分析比较的基础上，考虑到软件预测模型既应具有包容众多复杂因素和经验知识积累的能力，又要有构造灵活的功能，因此结合贝叶斯网络，提出了的基于贝叶斯网络的软件缺陷预测模型，并对此模型的计算过程及分析各影响因素的影响程度的步骤进行了描述。同时为了计算方便，在JBuilder2005环境下对该预测模型算法进行了程序化实现，文中给出了算法流程图及算法的伪代码实现。最后引用一个具体实例对基于软件需求分析阶段的简化预测模型进行了实现，并对计算结果进行了分析，同时验证了预测模型的有效性。本项论文研究提出的预测模型结构清晰，采用贝叶斯网络的概率计算有较强理论基础，计算简洁、易于理解。模型中对于产生缺陷的因素选取，可根据团队的技术与管理状况可粗可细，可依据已往的专家经验知识灵活的选取与调整权值数据。同时随着软件缺陷数据的积累与丰富，此模型的预测精度会越来越高，得出的预测结果也会越来越具有实用价值。对研究尽可能早的发现和预测软件缺陷有较强的参考价值。

关键词：软件缺陷软件缺陷管理贝叶斯网络软件缺陷预测模型

来源：评论

学校读者我要写书评

暂无评论

不平衡数据集驱动的缺陷预测模型

不平衡数据集驱动的缺陷预测模型

引用

作者：房祥花中国石油大学(华东)

学位级别：硕士

随着计算机技术的发展,软件在人们的生活和工作中应用越来越普遍,软件系统的规模和复杂度也在日益增大,但能够保证软件质量的软件缺陷预测技术却发展的比较缓慢,软件缺陷预测技术在很大程度上限制了软件应用系统的发展,因而提高软件缺... 详细信息

随着计算机技术的发展,软件在人们的生活和工作中应用越来越普遍,软件系统的规模和复杂度也在日益增大,但能够保证软件质量的软件缺陷预测技术却发展的比较缓慢,软件缺陷预测技术在很大程度上限制了软件应用系统的发展,因而提高软件缺陷预测模型的预测精度是发展软件系统必不可少的重要一环。由于缺陷数据的不平衡性,在建立软件缺陷预测模型时,需要考虑数据集的不平衡问题,而现有的软件缺陷预测模型大多对缺陷数据没有针对性的进行处理,然而高风险模块被错分的代价要远远大于低风险模块被错分的代价。本文在建立软件缺陷预测模型时,首先针对高风险模块的样本也叫正类样本提出了一种基于边界样本过采样的不平衡数据分类算法B-oversampling,该方法是针对正类中容易被错分的边界样本进行过采样。B-oversampling方法使用两类之间的距离确定正类样本的边界样本,并重点在边界样本处使用样本的定义域合成新的正类样本,使其基本与低风险模块样本也叫负类样本的数量持平。这样不但能够增大正类样本的数目,而且能够最大限度的扩展正类的边界,提高正类样本的辨识率。然后又针对负类样本提出一种基于安全样本欠采样的不平衡数据方法,SENN-Bagging方法使用聚类一致性系数确定负类的边界样本和安全样本,在此基础上,使用SENN欠采样规则对安全样本进行欠采样,同时使用Bagging算法来对欠采样后的数据进行分类。SENN-Bagging方法在减少多数类样本同时,可以减少多数类样本重要信息的丢失。在上述两种方法的基础上,建立了基于集成分类器的缺陷预测模型BS-Boosting,该模型由过采样方法B-oversampling和欠采样方法SENN以及Boosting集成分类器组成。BS-Boosting缺陷预测模型首先使用不同的方法确定正类和负类的边界样本,然后对于负类,使用SENN欠采样规则减少负类中的安全样本。对于正类类,采取B-oversampling方法对边界样本过采样,重点增加少数类边界部分的样本数量。在Boosting算法的迭代过程中,不断合成正类样本,并使用分类器对新样本集进行分类,删除被错分的正类合成样本。迭代结束后,将各个基分类器集成就形成了软件缺陷预测模型。BS-boosting缺陷预测模型在缺陷数据处理方面,增大了缺陷数据两类之间的区别,使缺陷数据能够被更准确的区分。在分类器方面,Boosting集成算法可以提高分类器的适应能力,防止分类器过拟合。

关键词：软件缺陷预测模型不平衡数据过采样欠采样 Boosting

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：