基于主动学习的跨项目软件缺陷预测方法

通过软件缺陷预测可以有效地提高软件测试效率,保证软件产品的质量。针对新开发的项目面临训练数据不足,标注代价高以及源项目与目标项目的缺陷模式难以匹配的问题,提出了基于主动学习的跨项目软件缺陷预测方法。首先使用主动学习方法对目标项目进行筛选标注,其次将得到的标签集与跨项目数据进行数据融合和模式匹配,最后构建跨项目软件缺陷预测模型。采用真实的软件缺陷数据进行实验,在保证预测率的前提下,曲线下面积(area under curve, AUC)能够达到0.692,与传统方法相比综合性能均有显著提升。结果表明：所提方法可以通过模式匹配有效提高跨项目软件缺陷预测模型的性能。     

改进的基于PCA的软件缺陷预测方法

为了避免在变量多重情况下基于PCA的软件缺陷预测出现明显失误,对传统PCA方法的缺陷加以改进,利用UML软件工程组织网站上公布的某中等规模软件公司项目功能点数据,采用改进的PCA方法对项目综合性能进行软件缺陷预测,并与传统PCA方法的预测结果进行了对比．结果表明,改进的PCA方法对软件系统的综合性能有较好的预测能力．     

一种软件缺陷预测改进模型的研究

研究考虑缺陷移除失败的软件缺陷预测改进模型,以提高缺陷预测能力.分析了传统Rayleigh模型的不足,在考虑缺陷移除失败因素的基础上,建立缺陷预测改进模型,并使用经验值及最大似然法估计获得模型参数.实例验证表明,改进模型可以有效地提高软件缺陷预测值与实际值的拟合度.     

软件缺陷管理与防范

本文研究了软件缺陷的产生原因,介绍了软件缺陷的分类及属性,详细地研究了对软件缺陷进行的管理方法和防范措施。通过这些方法和措施,可以大大提高软件质量。     

基于迁移学习的软件缺陷预测方法研究

针对传统的软件缺陷预测方法难以在单独的项目中利用小规模训练数据的问题,提出了一种基于迁移学习的软件缺陷预测技术,利用已有的项目辅助新项目的预测.该方法在源项目和目标项目之间寻找一个公共特征空间,使得在公共特征空间上2个项目的数据分布距离最小.在这个公共空间进行模型训练,以达到迁移分类的效果.实验结果显示该方法相对传统的缺陷预测算法有更好的预测性能,并且充分利用了原始训练数据,可以更高效地运用于各种软件缺陷预测任务.     

软件缺陷管理系统的研究

研究了软件缺陷管理的应用模型,提出了应用模型的解决方案,在此基础上给出了一个完整的软件缺陷管理系统的框架,并设计和实现了该系统.     

软件缺陷管理中分类及度量方法研究

本文以软件缺陷为研究对象,介绍了几种常用的、基于缺陷分类的缺陷分析方法,并对这些方法在缺陷分析过程中的应用进行了讨论。通过对这些缺陷分析方法的剖析,提出软件缺陷管理分类和度量分析方法,对不同类型软件缺陷进行收集、跟踪、处理和分析,在软件开发过程中,能够较好的预防引入同类缺陷;在软件测试阶段,利用设计好的缺陷分类方法,设计测试用例发现缺陷,提高软件系统的质量。     

基于ODC的软件缺陷度量研究及应用

利用软件缺陷度量技术对软件项目进行评估是现今软件企业常用的评估手段.探讨了软件缺陷的分类技术,给出了利用正交分类法进行软件缺陷度量的一般方法.在此基础上对一个实例系统的缺陷进行度量,实验结果说明了从缺陷数据可以较好的评估软件项目.     

可缓解类重叠问题的跨版本软件缺陷预测方法

针对软件缺陷预测过程中未充分使用源代码语义特征以及训练数据集中的类重叠问题,提出一种面向类重叠的跨版本软件缺陷深度特征学习方法.该方法采用混合式最近邻清理策略缓解深度学习语义特征中存在的类重叠问题.在PROMISE公开数据集上进行测试的结果表明,该策略能提升基于深度语义学习的软件缺陷预测性能,分类性能最多在中值上提升1...     

基于数据集扩充的即时软件缺陷预测方法

即时软件缺陷预测针对项目开发与维护过程中的代码提交来预测是否会引入缺陷。在即时软件缺陷预测研究领域,模型训练依赖于高质量的数据集,然而已有的即时软件缺陷预测方法尚未研究数据集扩充方法对即时软件缺陷预测的影响。为提高即时软件缺陷预测的性能,提出一种基于数据集扩充的即时软件缺陷预测(prediction based on data augmentation,PDA)方法。PDA方法包括特征拼接、样本生成、样本过滤和采样处理4个部分。增强后的数据集样本数量充足、样本质量高且消除了类不平衡问题。将提出的PDA方法与最新的即时软件缺陷预测方法(JIT-Fine)作对比,结果表明：在JIT-Defects4J数据集上,F₁指标提升了18.33%;在LLTC4J数据集上,F₁指标仍有3.67%的提升,验证了PDA的泛化能力。消融实验证明了所提方法的性能提升主要来源于数据集扩充和筛选机制。     

基于SA-BP神经网络的软件缺陷预测模型的研究

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.     

基于三维零件特征提取的装配过程质量缺陷率预测

对传统单工位装配复杂度质量预测理论进行了研究,结合机械行业自身特点,总结了与复杂度理论相关的参数量,并对其权重进行了分析.基于该理论,引入了三维特征提取与专家系统相结合的模式,在UG三维建模的环境下,直接获取复杂度参数值,实现了在设计阶段对装配过程质量缺陷率的自动预测,并分析该缺陷率是否符合3σ质量标准.     

一种特征选择的信息论算法

特征选择在模式识别技术中起着非常重要的作用,用信息论的方法进行特征选择还是一个新课题.MIFS和MIFS-U是两种用信息论方法进行特征选择的近似算法,MIFS和MIFS-U算法都有一个考虑输入特征之间信息冗余的权重系数,MIFS-U算法还有一个条件限制.当条件不满足或权重系数取值不合适时,这两种算法的特征选择性能就会下降.通过研究这两种算法,借助互信息的概念提出一种新的信息论特征选择算法MIFS-D.和MIFS、MIFS-U算法相比,MIFS-D是一种更精确的算法,去掉了限制条件和权重系数.将3种算法应用于几个分类问题,结果表明MIFS-D算法具有相对更好的特征选择性能.     

一种基于特征选择的入侵检测方法

针对入侵检测中网络数据高维度、 大规模所带来的问题, 基于特征选择方法Fisher在网络安全数据集中的应用, 提出一种基于特征选择的通用入侵检测框架. 该方法通过提取关键特征, 降低安全数据的维度; 采用K近邻方法作为分类器, 验证特征选择后的检测效果. 实验结果表明, 该方法能在较少特征的情况下达到较高的检测率, 具有较好的可行性.     

基于特征选择的神经网络集成方法

将特征选择技术ReliefF引入Bagging方法中,提出了一种新的神经网络集成方法——ReBag．实验结果表明,本方法的泛化能力优于Bagging方法,与Attribute Bagging方法相当但效率更高．     

第一特征选择的信息论方法

提出一种第一特征选择的信息论方法．该方法考虑了第一特征和其他特征组合共同包含的类别信息．即使在非线性分类问题中也表现出良好的第一特征选择性能．