軟件規(guī)模和復(fù)雜度的不斷增長(zhǎng)給軟件數(shù)據(jù)帶來(lái)了大量缺陷,而含有缺陷的軟件在運(yùn)行時(shí)會(huì)造成難以想象的后果,嚴(yán)重時(shí)甚至?xí)o社會(huì)帶來(lái)巨大的經(jīng)濟(jì)損失。因此如何提升軟件質(zhì)量目前成為軟件工程領(lǐng)域中最為重要的問(wèn)題。軟件缺陷預(yù)測(cè)技術(shù)能在軟件開(kāi)發(fā)初期,及時(shí)準(zhǔn)確地預(yù)測(cè)出軟件模塊是否具有缺陷,幫助測(cè)試人員合理有效地分配有限的測(cè)試資源,降低軟件維護(hù)成本,進(jìn)而提高軟件質(zhì)量。軟件缺陷預(yù)測(cè)方法的預(yù)測(cè)效果與數(shù)據(jù)集自身的特點(diǎn)有著密切的相關(guān)性,通過(guò)研究發(fā)現(xiàn),目前軟件缺陷預(yù)測(cè)過(guò)程中常出現(xiàn)缺陷數(shù)據(jù)分布不平衡、特征信息冗余以及特征維度過(guò)大的問(wèn)題。針對(duì)這些問(wèn)題,結(jié)合深度學(xué)習(xí)對(duì)數(shù)據(jù)特征強(qiáng)大的學(xué)習(xí)能力,本文提出了基于深度自編碼網(wǎng)絡(luò)的軟件缺陷預(yù)測(cè)方法。本文使用的這種方法包括一種基于無(wú)監(jiān)督學(xué)習(xí)和隨機(jī)采樣的混合采樣方法,解決了數(shù)據(jù)集中類不平衡問(wèn)題,同時(shí)使用深度自編碼網(wǎng)絡(luò)的數(shù)據(jù)特征進(jìn)行降維,有效提升了數(shù)據(jù)樣本的質(zhì)量,進(jìn)而提升缺陷預(yù)測(cè)模型的性能。主要工作內(nèi)容如下:1)閱讀了大量國(guó)內(nèi)外相關(guān)文獻(xiàn),總結(jié)當(dāng)前軟件缺陷預(yù)測(cè)過(guò)程中常見(jiàn)的挑戰(zhàn),包括軟件缺陷數(shù)據(jù)不規(guī)則、缺陷數(shù)據(jù)分布不平衡以及特征信息冗余等問(wèn)題。2)提出了一種基于無(wú)監(jiān)督學(xué)習(xí)和隨機(jī)采樣的采樣方法,該方...

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.1軟件缺陷技術(shù)分類Fig2.1Classificationofdefectpredictiontechniques

圖2.1軟件缺陷技術(shù)分類Fig2.1Classificationofdefectpredictiontechniques①靜態(tài)缺陷預(yù)測(cè)技術(shù)：根據(jù)發(fā)展歷史，可以分為基于度量元的缺陷預(yù)測(cè)技術(shù)、缺陷分布預(yù)測(cè)技術(shù)和缺陷預(yù)測(cè)模型技術(shù)。1）基于度量元的缺陷預(yù)測(cè)技術(shù)：軟件度量元....

圖2.2特征選擇過(guò)程

慶大學(xué)碩士學(xué)位論文2相關(guān)理論基X=X(2用m個(gè)最小的非零特征值對(duì)應(yīng)的特征向量作為最后數(shù)輸出結(jié)果，即經(jīng)過(guò)LPP后的投影矩陣。.2.2特征選擇特征選擇技術(shù)主要是從原始特征中選出一個(gè)子集，得到數(shù)據(jù)更加緊湊的表樣也是軟件缺陷預(yù)測(cè)領(lǐng)域中解決軟件數(shù)據(jù)維數(shù)....

圖2.3篩選器原理

隨機(jī)產(chǎn)生序列選擇算法(簡(jiǎn)稱(簡(jiǎn)稱GA)。隨機(jī)產(chǎn)生序列選擇算法選擇，首先隨機(jī)產(chǎn)生一個(gè)特征子集FS和SBS貪心算法的局部最優(yōu)解。局部最優(yōu)的缺陷，如若最優(yōu)解區(qū)域用評(píng)價(jià)函數(shù)給特征子集評(píng)分，然后特征子集被選中繁殖的概率依賴于ationFunction)：依據(jù)工作原理，(Wrapp....

圖2.4封裝器原理

息增益度量基于信息熵，信息熵的合元素分布越紊亂，信息熵越大。前分類標(biāo)簽D的信息熵，計(jì)算公式()=щ()D的概率。然后計(jì)算選用特征后()=щ(式(2.17)：(....

本文編號(hào)：3903951