發(fā)布時(shí)間：2025-01-04 00:54

　　在科學(xué)技術(shù)迅速發(fā)展的今天,隨著社會(huì)信息化建設(shè)不斷推進(jìn),信息技術(shù)廣泛應(yīng)用,各行各業(yè)都離不開計(jì)算機(jī)軟件的支持,軟件的可靠性正逐漸成為人們關(guān)注的焦點(diǎn)。軟件存在的缺陷越少,軟件的可靠性就越高,系統(tǒng)也就越穩(wěn)定。因此,軟件缺陷預(yù)測(cè)是一個(gè)重要的研究課題。然而在實(shí)際研究中,經(jīng)常因缺乏足夠的標(biāo)記樣本導(dǎo)致預(yù)測(cè)模型得不到有效的訓(xùn)練。另外,缺陷樣本集存在嚴(yán)重的類不平衡問題,數(shù)據(jù)分布不平衡影響模型的預(yù)測(cè)結(jié)果。同時(shí),樣本數(shù)據(jù)包含大量的冗余特征信息,這也會(huì)影響模型的預(yù)測(cè)性能。因此,本文綜合考慮軟件缺陷預(yù)測(cè)中常常遇到的標(biāo)記樣本不足、類不平衡和特征冗余問題,提出以下解決方案,并選用NASA、AEEEM和MORPH公開數(shù)據(jù)集開展實(shí)驗(yàn):首先,針對(duì)缺陷數(shù)據(jù)的類不平衡問題,本文對(duì)數(shù)據(jù)集先做欠采樣再做SMOTE過采樣以降低數(shù)據(jù)的不平衡度。與不做數(shù)據(jù)采樣的原始數(shù)據(jù)及隨機(jī)欠采樣、隨機(jī)過采樣、SMOTE過采樣進(jìn)行實(shí)驗(yàn)比對(duì),證明了數(shù)據(jù)重采樣的必要性和混合采樣的有效性。其次,針對(duì)特征冗余問題,本文使用SMA優(yōu)化算法選擇最優(yōu)特征。與不做特征選擇的原始數(shù)據(jù)及PSO、GWO算法進(jìn)行實(shí)驗(yàn)比對(duì),證明了數(shù)據(jù)普遍存在冗余或無關(guān)特征的結(jié)論和SMA優(yōu)化算法的...

【文章頁數(shù)】：53 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖４－１．?ＨＳＲＦ算法的流程圖??Ｆｉｇ．４－１?Ｆｌｏｗ?ｃｈａｒｔ?ｏｆ?ＨＳＲＦ?ａｌｇｏｒｉｔｈｍ??

?基寧集成學(xué)習(xí)的軟件缺陷預(yù)測(cè)研宄???習(xí)器（即隨機(jī)森林）。??這里需要指出的是，為了方便計(jì)算，運(yùn)用ＳＭＯＴＥ進(jìn)行過采樣時(shí)，將隨機(jī)選擇??的近鄰個(gè)數(shù)設(shè)為１０，?Ｓ：ｌＥ類樣本的個(gè)數(shù)達(dá)到總體樣本數(shù)的２０％時(shí)，就停止采樣。??ＨＳＲＦ算法的具體流程如圖４－１所示：??＾?？?１￣ｒ??....

圖５－１．算法的流程圖??Ｆｉｇ．５－１?Ａｌｇｏｒｉｔｈｍ?ｆｌｏｗ?ｃｈａｒｔ??

，ＦＳＣＥＲＳ方法將基??于條件信息熵的屬性約簡(jiǎn)技術(shù)與隨機(jī)子空間融合在一起，能夠同時(shí)發(fā)揮這兩種特征??選擇［５８］技術(shù)的優(yōu)勢(shì)。ＦＳＣＥＲＳ方法所選擇的特征包括兩個(gè)部分：一方面，利用基于??條件信息熵的屬性約簡(jiǎn)技術(shù)來選擇一部分特征，這部分特征能夠保留初始特征集的??分類能力，從而保....

圖2-1Bagging算法操作圖

基于混合采樣與集成學(xué)習(xí)的軟件缺陷預(yù)測(cè)研究14輸入樣本擾動(dòng)：基于原始數(shù)據(jù)集，構(gòu)建多個(gè)數(shù)據(jù)子集，再利用不同的數(shù)據(jù)子集訓(xùn)練出不同的基分類器。常見方法為采樣法。輸入屬性擾動(dòng)：基于原始屬性集，構(gòu)建若干個(gè)屬性子集，再利用不同的屬性子集訓(xùn)練出不同的基分類器。該方法適用于數(shù)據(jù)集中包含較多冗余屬性....

圖5-1.ASP_Stacking算法的流程圖

基于混合采樣與集成學(xué)習(xí)的軟件缺陷預(yù)測(cè)研究44圖5-1.ASP_Stacking算法的流程圖Fig.5-1ASP_Stackingalgorithmflowdiagram如圖5-1所示，ASP_Stacking算法首先對(duì)初....

本文編號(hào)：4022650