申请/专利权人:北京理工大学
申请日:2020-10-13
公开(公告)日:2021-01-08
公开(公告)号:CN112199287A
主分类号:G06F11/36(20060101)
分类号:G06F11/36(20060101);G06K9/62(20060101);G06N20/10(20190101)
优先权:
专利状态码:有效-授权
法律状态:2022.03.29#授权;2021.02.12#实质审查的生效;2021.01.08#公开
摘要:本发明涉及一种基于强化混合专家模型的软件缺陷预测方法,属于计算机与信息科学技术领域。主要解决跨项目软件缺陷预测中混合专家模型未能学习跨项目软件的全局信息造成软件缺陷预测性能下降的问题。本发明首先全局训练随机森林,由森林中的树经过挑选与强化构成专家,然后经过改进的EM算法计算每个样本的后验概率并迭代执行专家模型的挑选与强化过程,最后根据迭代重构后的子簇训练门控网络,组合优化好的专家模型构成完整的强化混合专家模型,预测本项目待预测软件模块的缺陷。结果表明本发明能达到较好的分类效果,进一步提升了跨项目软件缺陷预测的准确率。
主权项:1.基于强化混合专家模型的跨项目软件缺陷预测方法,其特征在于,包括以下步骤:步骤1,提取跨项目软件模块数据,首先抽取跨项目软件模块的历史数据,然后提取跨项目软件模块的度量特征,最后标注所有跨项目软件模块的缺陷属性;步骤2,提取跨项目软件模块数据中的全局信息,首先对所有跨项目软件模块数据进行k均值聚类,将全局数据划分为多个子集,然后基于所有跨项目软件模块数据,全局训练随机森林;步骤3,基于划分得到的不同簇,迭代执行预专家模型的分配和强化,提取跨项目软件模块数据中的局部信息,首先设置阈值,为聚类获得的每个子集分配专家模型,然后使用每个子集中的局部数据优化预专家模型,再根据预专家模型的分类性能对样本点重新分配,最后重复执行预专家模型的强化与重构过程,直到模型的性能最优;步骤4,根据迭代重构后的子集划分结果训练门控网络,组合优化好的专家模型构成完整的强化混合专家模型;步骤5,用训练得到的强化混合专家模型预测本项目软件模块是否存在缺陷。
全文数据:
权利要求:
百度查询: 北京理工大学 基于强化混合专家模型的跨项目软件缺陷预测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。