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.     

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。     

基于PCA的RBF神经网络预测方法研究

主成分分析(PCA)法可以提取样本集的主成分,实现样本的最优压缩,从而降低样本的维数。针对用RBF神经网络进行多因素时间序列预测时样本特征指标过多的问题,提出用统计理论的PCA方法对数据进行预处理,再选出几个主成分作为神经网络的输入节点.仿真实验表明,基于PCA的RBF神经网络模型在拟合预测中与一般的RBF神经网络模型相比有较好效果,简化了网络结构,改善了预测精度.     

基于特征选择的软件缺陷预测方法

软件缺陷对软件功能的实现具有不可预知的危险,是软件产品的固有成分,提高软件的可靠性,关键在于降低软件缺陷出现的概率,而如何利用已有缺陷数据构建预测系统框架是研究的重点.针对传统软件测试技术虽然能够有效发现软件缺陷,但需要消耗大量的时间和精力,制约软件开发效率的缺点,提出基于特征选择的软件缺陷预测方法,算法对软件缺陷模型的经验数据集进行多特征选择,进而克服数据集之间的冗余性移除无关特征,得到缺陷模型的分类,最终实现软件缺陷的精确预测.实验表明,基于特征选择的软件缺陷预测方法具有较好的预测效果和较高的应用价值.     

基于PCA的BP神经网络股票预测研究

股票市场是国民经济发展变化的"晴雨表",股票价格的涨跌也是政治、经济、社会等诸多因素的综合反映.近几年来,神经网络取得较大发展已经成为热点研究并在各个领域中得到应用.文章基于主成分分析和BP神经网络,以中国石化100天股票历史技术指标数据作为训练样本对收盘价进行预测,20天数据进行检验,并通过图像仿真拟合来验证神经网络股票预测的可行性和准确性.     

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。     

应用非线性加权的集成学习软件缺陷序列预测算法

针对当前软件缺陷序列预测算法准确度不高的问题,提出了基于非线性加权的集成学习软件缺陷序列预测算法(NLWEPrediction)。该算法在常见线性集成预测算法的基础上增加了非线性回归项,回归项代表了集成预测算法中基预测算法之间的相互关系,修正了线性集成预测的偏差,并通过梯度下降法求解了模型中的参数。实验表明:NLWEPrediction在14个软件缺陷数据集上的均方误差均小于250,并且平均绝对误差均小于13。通过与基预测算法、集成预测Bagging、Stacking算法和只考虑两个分类器关系的非线性加权集成学习算法进行对比,可以看出,NLWEPrediction预测算法的均方误差和平均绝对误差显著减小,预测精度显著提高,说明在线性集成预测算法基础上增加非线性回归项,能够有效提高集成学习算法的分类效果。     

基于KPCA及SVM的蛋白质O-糖基化位点的预测

为了提高蛋白质O-糖基化位点的预测准确率,提出了把核主成分分析（KPCA）与支持向量机（SVM）相结合的方法。实验样本用稀疏编码方式编码,窗口长度为21。首先,用核主成分分析提取了样本的核主成分（特征）;然后,在特征空间中用改进的支持向量机（ISVM）进行分类（预测）。在使用支持向量机分类时,设置了一个边界系数来减少运算的复杂度。实验结果表明,使用KPCA ISVM的方法预测的效果优于PCA SVM的预测效果。预测准确率为87%。更进一步,用不同长度的样本做实验(w=5,7,9,11,21,31,41,51),使用多数投票法综合各子分类器的优势。结果表明,组合分类器的预测准确率优于子分类器的预测准确率,预测准确率为88%。     

基于改进PCA的DOA估计方法

提出了一种改进的主分量分析迭代算法,进行了仿真实验,得出的结论为本算法在估计弱信号性能时要比多重信号分类算法方便。     

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.     

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.     

改进灰色神经网络的作动系统功率预测

为提高飞机上作动系统的功率预测精度,建立了改进的多变量灰色神经网络预测模型。考虑了对系统功率需求有较大影响的相关因素,采用主成分分析法提取综合变量作为输入,在提升准确性的基础上有效减少了输入维数;在利用递增方式对初始值进行选择的过程中,引入粒子群优化算法快速求解最优初始值和背景值,模型预测的平均误差由13.35%降为7.53%;考虑到序列波动对预测精度的影响,采用BP神经网络对预测值进行误差修正,进一步将模型的平均预测误差降为4.07%。仿真实验表明,含主成分分析的改进灰色神经网络对飞机作动系统的功率有较高的预测精度,有利于飞机的电能调度。     

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...     

改进主元法在故障检测中的应用

提出一种改进的主元分析法，在线检测当前时间窗口内过程数据的主元子空间，与稳态无故障数据的主元子空间相比较，以判断是否发生了故障．仿真中，将改进主元法与常规主元法同时应用于Tennessee EaStman过程，结果表明：两者都能检测出对过程影响较大的故障，改进主元法可以更好地检测出对过程影响较小的故障。     

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.     

基于改进Real AdaBoost算法的软件可靠性预测

针对基于单一神经网络的软件可靠性模型预测精度低和可信性差的问题,提出一种基于加权信息熵(WIE)的Real BP-AdaBoost算法。首先,用BP神经网络个体代替Real AdaBoost算法的基分类器,构建Real BP-AdaBoost算法。然后,对Real BP-AdaBoost算法的加权方式进行改进,以基分类器对训练样本的整体分类权值与基分类器对测试样本的个体分类权值的乘积作为最终的加权系数,得到WIE Real BP-AdaBoost算法。最后,通过2组软件实际失效数据对WIE Real BP-AdaBoost算法的有效性进行验证,并与SVM、BP网络、Elman网络和Real BP-AdaBoost算法进行比较研究。实验结果显示,WIE Real BP-AdaBoost算法对2组数据预测的均方误差分别为0.442 87和0.284 71,均低于4个对比模型的均方误差,说明了WIE Real BP-AdaBoost算法模型具有更高的预测精度和可信性。