买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉杭州电子科技大学申请的专利基于流形组合特征和联合分布的跨项目软件缺陷预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114253849B 。

龙图腾网通过国家知识产权局官网在2025-06-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202111564014.2，技术领域涉及：G06F11/3604；该发明授权基于流形组合特征和联合分布的跨项目软件缺陷预测方法是由王兴起;杨令;魏丹;陈滨设计研发完成，并于2021-12-20向国家知识产权局提交的专利申请。

本基于流形组合特征和联合分布的跨项目软件缺陷预测方法在说明书摘要公布了：本发明提出基于流形组合特征和联合分布的跨项目软件缺陷预测方法，本发明选择在流形特征空间中考虑使用具有域适应的全局边缘化降噪自动编码器提取全局可转移特征和具有域适应的局部子集边缘化降噪自动编码器提取局部可转移特征，然后将提取的全局可转移特征和局部可转移特征线性组合为新的组合特征并应用实现联合分布匹配；其次，该方法引入一种迭代学习的伪标签策略，通过在循环中多次更新伪标签来提高伪标签准确率，该策略通过利用新的组合特征实现联合分布匹配，然后通过联合分布匹配获取实例权重训练模型并再次更新标签，并使更新后的标签进行新一轮的组合特征提取、伪标签更新和联合分布匹配，直至最终的预测结果收敛。

本发明授权基于流形组合特征和联合分布的跨项目软件缺陷预测方法在权利要求书中公布了：1.基于流形组合特征和联合分布的跨项目软件缺陷预测方法，其特征在于，该方法具体包括以下步骤：步骤1、获取缺陷数据集和无缺陷数据集，筛选部分数据进行实验验证；步骤2、在流形特征空间中提取数据的全局可转移特征和局部可转移特征；具体操作如下：步骤2-1：在流形特征空间中提取可转移特征；首先通过在格拉斯曼流形Gdk中学习一个映射函数g.，其中，dk是不同项目数据子空间的维度；利用测地线流核GFK来学习g.的计算效率，G·看作是一个dk维的子空间集合；对任意两个数据特征xi、xj构造测地线流，等于将原始特征转换为无限维特征空间；新的特征数据记为z＝gx，新的特征的内积产生一个半正定的GFK： 其中G是半正定矩阵；原始数据x转化为格拉斯曼流形特征，项目实例集合X＝{XS,XT}，其中XS是源项目实例集合，XT是目标项目实例集合；G只是一种表达式，不能直接计算，所以平方根通过Denman-Beavers算法计算；在以下部分中使用作为流形特征表示；步骤2-2：DA-GMDA利用XS和XT来提取具有更多可转移容量的全局特征；假设边缘分布MsxS≠Mtxt和条件分布CsyS|xS≠Ctyt|xt，且边缘分布和条件分布同时匹配；DA-GMDA旨在学习映射矩阵W以重建可转移的全局特征空间；输入数据因噪声概率p而损坏；目标函数定义为： 其中和分别匹配边缘分布和匹配条件分布，是源项目数据XS的损坏版本，是目标项目数据XT的损坏版本；λ是正则化参数；采用双曲正切函数生成源项目全局可转移特征和目标项目全局可转移特征步骤2-3：采用DA-LMDA来提取局部子集的特征；根据标签和伪标签将源项目实例和目标项目实例分为不同的局部子集；其次，通过匹配局部子集分布并重构局部子空间的DA-LMDA，以获得不同子集更丰富的可转移局部特征；DA-LMDA关于带有标签c的局部子集的目标函数定义为： 其中，表示来自源项目的带有标签c的实例,表示来自目标项目的带有标签c的实例；是的损坏版本，是的损坏版本，λ是正则化参数；得到在标签c上的源项目局部可转移特征和目标项目局部可转移特征步骤3、利用线性方式组合为组合特征，将组合特征和联合分布匹配相结合；具体操作如下：即在流形特征空间使用DA-GMDA和DA-LMDA从源项目和目标项目生成全局可转移特征和以及源项目局部可转移特征和目标项目局部可转移特征和然后将和以及和线性组合成新的组合特征和后，首次更新伪标签，并用组合特征计算格拉姆矩阵通过格拉姆矩阵进行联合分布匹配；步骤4、通过联合分布匹配获得实例权重；并基于该权重训练预测模型，最后基于该预测模型进行伪标签的二次更新；步骤5、重复训练预测模型过程中，更新后的标签再次用于提取组合特征并更新伪标签和联合分布匹配，直至最后预测稳定收敛，即可结束训练。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区2号大街；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。