發(fā)布時(shí)間：2019-09-23 09:41

【摘要】：針對當(dāng)前軟件缺陷序列預(yù)測算法準(zhǔn)確度不高的問題,提出了基于非線性加權(quán)的集成學(xué)習(xí)軟件缺陷序列預(yù)測算法(NLWEPrediction)。該算法在常見線性集成預(yù)測算法的基礎(chǔ)上增加了非線性回歸項(xiàng),回歸項(xiàng)代表了集成預(yù)測算法中基預(yù)測算法之間的相互關(guān)系,修正了線性集成預(yù)測的偏差,并通過梯度下降法求解了模型中的參數(shù)。實(shí)驗(yàn)表明:NLWEPrediction在14個(gè)軟件缺陷數(shù)據(jù)集上的均方誤差均小于250,并且平均絕對誤差均小于13。通過與基預(yù)測算法、集成預(yù)測Bagging、Stacking算法和只考慮兩個(gè)分類器關(guān)系的非線性加權(quán)集成學(xué)習(xí)算法進(jìn)行對比,可以看出,NLWEPrediction預(yù)測算法的均方誤差和平均絕對誤差顯著減小,預(yù)測精度顯著提高,說明在線性集成預(yù)測算法基礎(chǔ)上增加非線性回歸項(xiàng),能夠有效提高集成學(xué)習(xí)算法的分類效果。
【圖文】：

第７期賈曉琳，等：應(yīng)用非線性加權(quán)的集成學(xué)習(xí)軟件缺陷序列預(yù)測算法ｈｔｔｐ：∥ｗｗｗ．ｊｄｘｂ．ｃｎｈｔｔｐ：∥ｚｋｘｂ．ｘｊｔｕ．ｅｄｕ．ｃｎ圖１基預(yù)測算法對ＮＬＷＥＰｒｅｄｉｃｔｉｏｎ算法的影響果基預(yù)測算法在指定數(shù)據(jù)集上預(yù)測精度高，那么ＮＬＷＥＰｒｅｄｉｃｔｉｏｎ算法預(yù)測精度會(huì)更高；反之，如果基預(yù)測算法在指定數(shù)據(jù)集上預(yù)測精度一般，則ＮＬ－ＷＥＰｒｅｄｉｃｔｉｏｎ算法預(yù)測精度會(huì)有所提高，但是相比于強(qiáng)的預(yù)測算法，預(yù)測性能一般。因此，基預(yù)測算法的選擇對ＮＬＷＥＰｒｅｄｉｃｔｉｏｎ預(yù)測算法預(yù)測精度的提高至關(guān)重要。圖２給出了訓(xùn)練集實(shí)例數(shù)對ＮＬＷＥＰｒｅｄｉｃｔｉｏｎ性能的影響。由圖２可知，隨著軟件缺陷序列訓(xùn)練集的增加，算法的性能逐漸提高，當(dāng)訓(xùn)練集的大小是軟件缺陷序列數(shù)據(jù)集大小的２／３時(shí)，預(yù)測算法精度達(dá)到最高，當(dāng)訓(xùn)練集的大小再增加時(shí)，，預(yù)測算法性能會(huì)逐漸降低。經(jīng)多次實(shí)驗(yàn)，確定訓(xùn)練集與測試集的比例為２∶１時(shí)，ＮＬＷＥＰｒｅｄｉｃｔｉｏｎ算法預(yù)測結(jié)果達(dá)到最優(yōu)。圖２訓(xùn)練集實(shí)例數(shù)對ＮＬＷＥＰｒｅｄｉｃｔｉｏｎ性能的影響４結(jié)論基于非線性加權(quán)的集成學(xué)習(xí)時(shí)間序列預(yù)測算法基礎(chǔ)上，本文提出了基于非線性加權(quán)集成學(xué)習(xí)軟件缺陷預(yù)測算法。該算法在常見的線性集成預(yù)測算法基礎(chǔ)上增加了非線性回歸項(xiàng)，將基學(xué)習(xí)器之間的關(guān)聯(lián)關(guān)系引入到集成學(xué)習(xí)中，能夠有效提高集成學(xué)習(xí)器的能力。傳統(tǒng)的線性集成沒有考慮到基分類器之間存在相關(guān)性，或者僅考慮兩個(gè)基分類器之間的關(guān)系，無法全面體現(xiàn)各個(gè)分類器在分類結(jié)果上的關(guān)聯(lián)關(guān)系，ＮＬＷＥＰｒｅｄｉｃｔｉｏｎ算法能夠?qū)⒎诸惼髦g的相關(guān)關(guān)系體現(xiàn)出來，分類效果較

測算法ｈｔｔｐ：∥ｗｗｗ．ｊｄｘｂ．ｃｎｈｔｔｐ：∥ｚｋｘｂ．ｘｊｔｕ．ｅｄｕ．ｃｎ圖１基預(yù)測算法對ＮＬＷＥＰｒｅｄｉｃｔｉｏｎ算法的影響果基預(yù)測算法在指定數(shù)據(jù)集上預(yù)測精度高，那么ＮＬＷＥＰｒｅｄｉｃｔｉｏｎ算法預(yù)測精度會(huì)更高；反之，如果基預(yù)測算法在指定數(shù)據(jù)集上預(yù)測精度一般，則ＮＬ－ＷＥＰｒｅｄｉｃｔｉｏｎ算法預(yù)測精度會(huì)有所提高，但是相比于強(qiáng)的預(yù)測算法，預(yù)測性能一般。因此，基預(yù)測算法的選擇對ＮＬＷＥＰｒｅｄｉｃｔｉｏｎ預(yù)測算法預(yù)測精度的提高至關(guān)重要。圖２給出了訓(xùn)練集實(shí)例數(shù)對ＮＬＷＥＰｒｅｄｉｃｔｉｏｎ性能的影響。由圖２可知，隨著軟件缺陷序列訓(xùn)練集的增加，算法的性能逐漸提高，當(dāng)訓(xùn)練集的大小是軟件缺陷序列數(shù)據(jù)集大小的２／３時(shí)，預(yù)測算法精度達(dá)到最高，當(dāng)訓(xùn)練集的大小再增加時(shí)，預(yù)測算法性能會(huì)逐漸降低。經(jīng)多次實(shí)驗(yàn)，確定訓(xùn)練集與測試集的比例為２∶１時(shí)，ＮＬＷＥＰｒｅｄｉｃｔｉｏｎ算法預(yù)測結(jié)果達(dá)到最優(yōu)。圖２訓(xùn)練集實(shí)例數(shù)對ＮＬＷＥＰｒｅｄｉｃｔｉｏｎ性能的影響４結(jié)論基于非線性加權(quán)的集成學(xué)習(xí)時(shí)間序列預(yù)測算法基礎(chǔ)上，本文提出了基于非線性加權(quán)集成學(xué)習(xí)軟件缺陷預(yù)測算法。該算法在常見的線性集成預(yù)測算法基礎(chǔ)上增加了非線性回歸項(xiàng)，將基學(xué)習(xí)器之間的關(guān)聯(lián)關(guān)系引入到集成學(xué)習(xí)中，能夠有效提高集成學(xué)習(xí)器的能力。傳統(tǒng)的線性集成沒有考慮到基分類器之間存在相關(guān)性，或者僅考慮兩個(gè)基分類器之間的關(guān)系，無法全面體現(xiàn)各個(gè)分類器在分類結(jié)果上的關(guān)聯(lián)關(guān)系，ＮＬＷＥＰｒｅｄｉｃｔｉｏｎ算法能夠?qū)⒎诸惼髦g的相關(guān)關(guān)系體現(xiàn)出來，分類效果較之前的兩種算法要好。因此，本文提出的ＮＬＷＥＰｒｅｄｉｃｔ
【作者單位】： 西安交通大學(xué)電子與信息工程學(xué)院學(xué)院;
【基金】：國家自然科學(xué)基金資助項(xiàng)目(61402355) 中央高�；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)基金資助項(xiàng)目(jj2014050)
【分類號】：TP311.5

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王萬良;正交逼近預(yù)測算法及其在電腦充絨機(jī)中的應(yīng)用[J];信息與控制;1994年04期

2 李文澤;盛光磊;;一種基于粒子群的實(shí)際業(yè)務(wù)流預(yù)測算法[J];微電子學(xué)與計(jì)算機(jī);2014年01期

3 楊斷利;張立梅;籍穎;呂晶;;河北省風(fēng)能特征及其對風(fēng)速預(yù)測算法的改進(jìn)[J];科技傳播;2013年06期

4 朱斌;樊祥;馬東輝;程正東;;窗口大小和權(quán)值模板對固定權(quán)值背景預(yù)測算法的影響[J];紅外與激光工程;2006年S4期

5 王祖儷;程小平;;入侵響應(yīng)中基于事件相關(guān)性的攻擊預(yù)測算法[J];計(jì)算機(jī)科學(xué);2005年04期

6 徐慶飛;張新;李衛(wèi)民;;二維空間中目標(biāo)軌跡預(yù)測算法研究與分析[J];航空電子技術(shù);2012年01期

7 楊雙懋;郭偉;唐偉;;基于FARIMA-GARCH模型的網(wǎng)絡(luò)業(yè)務(wù)預(yù)測算法[J];通信學(xué)報(bào);2013年03期

8 李楚斐;譚長庚;韓宇;;車輛網(wǎng)絡(luò)單跳鏈路斷開時(shí)間預(yù)測算法[J];計(jì)算機(jī)工程;2012年02期

9 周璇;楊建成;;基于支持向量回歸機(jī)的空調(diào)逐時(shí)負(fù)荷滾動(dòng)預(yù)測算法[J];中南大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年03期

10 孫道清;分?jǐn)?shù)線快速預(yù)測系統(tǒng)在普通高校招生工作中的應(yīng)用[J];微型機(jī)與應(yīng)用;2004年06期

相關(guān)會(huì)議論文 前10條

1 朱斌;樊祥;馬東輝;程正東;;窗口大小和權(quán)值模板對固定權(quán)值背景預(yù)測算法的影響[A];2006年全國光電技術(shù)學(xué)術(shù)交流會(huì)會(huì)議文集（D 光電信息處理技術(shù)專題）[C];2006年

2 王峰;姬冰輝;李斗;;一種基于混沌理論的自相似業(yè)務(wù)流預(yù)測算法研究[A];2006北京地區(qū)高校研究生學(xué)術(shù)交流會(huì)——通信與信息技術(shù)會(huì)議論文集（上）[C];2006年

3 錢正祥;徐華;張申浩;;數(shù)字信號序列的向量預(yù)測算法[A];第三屆全國信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2005年

4 郭景峰;代軍麗;馬鑫;王娟;;針對通信社會(huì)網(wǎng)絡(luò)的時(shí)間序列鏈接預(yù)測算法[A];第26屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（A輯）[C];2009年

5 張利萍;李宏光;;改進(jìn)的灰色預(yù)測算法在工業(yè)應(yīng)用中的評價(jià)[A];第二屆全國信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2004年

6 崔冬;;一種改進(jìn)的LRP信道預(yù)測算法[A];2006通信理論與技術(shù)新進(jìn)展——第十一屆全國青年通信學(xué)術(shù)會(huì)議論文集[C];2006年

7 王佳;殷海兵;周冰倩;;一種適合硬件實(shí)現(xiàn)的低復(fù)雜度MAD預(yù)測算法[A];浙江省電子學(xué)會(huì)2011學(xué)術(shù)年會(huì)論文集[C];2011年

8 鄭銘浩;劉志紅;巫瑞波;徐峻;;P450各亞型代謝調(diào)控劑預(yù)測算法[A];中國化學(xué)會(huì)第28屆學(xué)術(shù)年會(huì)第14分會(huì)場摘要集[C];2012年

9 張曉丹;王萍;;一種基于特征的H.264的子塊快速幀內(nèi)預(yù)測算法[A];第七屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2011)論文集【oral】[C];2011年

10 劉志紅;鄭銘浩;嚴(yán)鑫;巫瑞波;徐峻;;基于結(jié)構(gòu)的化合物穩(wěn)定性預(yù)測算法[A];中國化學(xué)會(huì)第28屆學(xué)術(shù)年會(huì)第14分會(huì)場摘要集[C];2012年

相關(guān)博士學(xué)位論文 前2條

1 馬玉韜;基于濾波理論和特征統(tǒng)計(jì)的蛋白質(zhì)編碼區(qū)預(yù)測算法研究[D];天津大學(xué);2013年

2 玄萍;MicroRNA識別及其與疾病關(guān)聯(lián)的預(yù)測算法研究[D];哈爾濱工業(yè)大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 吳智勇;學(xué)術(shù)論文排序預(yù)測算法研究[D];內(nèi)蒙古大學(xué);2015年

2 張勇攀;針對殘缺IP網(wǎng)絡(luò)的鏈路預(yù)測技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2015年

3 應(yīng)超;博物館移動(dòng)導(dǎo)覽中的遠(yuǎn)程展示技術(shù)研究及系統(tǒng)實(shí)現(xiàn)[D];浙江大學(xué);2015年

4 常艷華;基于數(shù)據(jù)驅(qū)動(dòng)模擬電路故障預(yù)測算法實(shí)現(xiàn)與軟件開發(fā)[D];電子科技大學(xué);2015年

5 閆青;基于預(yù)測算法的快速多尺度金字塔時(shí)空特征點(diǎn)計(jì)算算法研究[D];青島科技大學(xué);2016年

6 錢呂見;復(fù)雜網(wǎng)絡(luò)中基于角色傳遞性和對稱性的鏈接預(yù)測算法研究[D];蘭州大學(xué);2016年

7 李小科;無模型自適應(yīng)預(yù)測算法及其在非線性過程控制中的應(yīng)用[D];蘭州大學(xué);2016年

8 周攀;基于姿態(tài)傳感器的人體步態(tài)預(yù)測算法設(shè)計(jì)與實(shí)現(xiàn)[D];西南交通大學(xué);2016年

9 周真爭;基于社團(tuán)綜合屬性的鏈路預(yù)測算法研究[D];南京信息工程大學(xué);2016年

10 任程;DSP+FPGA平臺功耗管理的研究與實(shí)現(xiàn)[D];哈爾濱工業(yè)大學(xué);2016年

本文編號：2540206