针对软件可靠性早期预测中软件复杂性度量属性维数灾难问题,提出了一种基于最小绝对值压缩与选择方法(The Least Absolute Shrinkage and Select Operator,LASSO)和最小角回归(Least Angle Regression,LARS)算法的软件复杂性度量属性特...
详细信息
针对软件可靠性早期预测中软件复杂性度量属性维数灾难问题,提出了一种基于最小绝对值压缩与选择方法(The Least Absolute Shrinkage and Select Operator,LASSO)和最小角回归(Least Angle Regression,LARS)算法的软件复杂性度量属性特征选择方法。该方法筛选掉一些对早期预测结果影响较小的软件复杂性度量属性,得到与早期预测关系最为密切的关键属性子集。首先分析了LASSO回归方法的特点及其在特征选择中的应用,然后对LARS算法进行了修正,使其可以解决LASSO方法所涉及的问题,得到相关的复杂性度量属性子集。最后结合学习向量量化(Learning Vector Quantization,LVQ)神经网络进行软件可靠性早期预测,并基于十折交叉方法进行实验。通过与传统特征选择方法相比较,证明所提方法可以显著提高软件可靠性早期预测精度。
[Algebra Colloquium,2005,12(3):431-442]提出与群G的素图有关的次数型D(G).群G称为k-重OD-刻画的,如果恰好有k个不同构的群M使得|G|=|M|且D(G)=D(M).并且1-重OD-刻画的群简称可OD-刻画的.以下单群能被其阶和次数型唯一决定:散在单群,交错群A_p(素数p≥5)及某些李型单群.关于群G的素图连通时对该问题的研究比较困难.本文进行了这一研究,证明了对称群S_(81)和S_(82)均是可3-重OD刻画的.另外,本文也证明了交错群A_(130)和A_(140)是可OD-刻画的,该结果对文献[Frontiers of Mathematics in China,2009,4(4):669-680]提出的猜想给予了肯定的回答.
暂无评论