準確的軟件成本預(yù)測對于投資決策和開發(fā)管控均具有重要意義。文中提出了一種基于灰關(guān)聯(lián)與改進LS-SVM的軟件成本預(yù)測方法,該方法利用灰色關(guān)聯(lián)度與信息熵生成預(yù)測樣本子集,降低了弱相關(guān)屬性和冗余屬性對預(yù)測的影響。基于LS-SVM構(gòu)建成本預(yù)測模型,提高了小樣本與非線性條件下的預(yù)測性能,并采用量子粒子群優(yōu)化LS-SVM的模型參數(shù),實現(xiàn)了軟件成本的高性能估算。實驗結(jié)果表明,該方法具有較高的預(yù)測精度,且泛化能力較強。 

【文章來源】：信息技術(shù). 2020,44(09)

【文章頁數(shù)】：5 頁

【部分圖文】：

適應(yīng)度曲線

為了進一步測試算法對軟件成本預(yù)測的適應(yīng)性,在COCOMO數(shù)據(jù)集上分別采用神經(jīng)網(wǎng)絡(luò)預(yù)測方法、加權(quán)類比預(yù)測方法和本文方法進行軟件成本預(yù)測。COCOMO數(shù)據(jù)集NASA組織統(tǒng)計的93個軟件項目開發(fā)數(shù)據(jù),隨機選取其中68個作為訓(xùn)練樣本集,剩余25個作為測試樣本集,三種方法的軟件成本預(yù)測相對誤差如圖2所示。測試結(jié)果表明,對于絕大多數(shù)測試樣本,神經(jīng)網(wǎng)絡(luò)預(yù)測方法、加權(quán)類比預(yù)測方法對COCOMO數(shù)據(jù)集的成本預(yù)測誤差高于本文方法,進一步驗證了本文方法對軟件成本預(yù)測的有效性和優(yōu)越性。4 結(jié)束語

【參考文獻】：
期刊論文
[1]基于綜合指標(biāo)TOPSIS法的電網(wǎng)節(jié)點脆弱性評估[J]. 黃虎,苑吉河,張曦,李潮,詹紅霞,唐軍.  電測與儀表. 2019(02)
[2]軟件成本評估方法綜述[J]. 趙小敏,費夢鈺,曹光斌,朱李楠.  計算機科學(xué). 2018(S2)
[3]基于類推和灰色模型的軟件階段成本預(yù)測[J]. 王勇,李逸,王麗麗,朱曉燕.  計算機科學(xué). 2018(S2)
[4]基于加權(quán)類比的軟件成本估算方法[J]. 趙小敏,曹光斌,費夢鈺,朱李楠.  計算機科學(xué). 2018(S2)
[5]基于最小二乘映射和SVM的滾動軸承故障診斷[J]. 趙宇,李可,宿磊,陳鵬.  機械傳動. 2017(02)
[6]基于可維護性的裝備軟件成本估算模型[J]. 孫勝祥,慕林霖,訾書宇.  海軍工程大學(xué)學(xué)報. 2016(06)
[7]基于偏最小二乘回歸的COCOMO模型校準方法[J]. 魏來,劉海濤,付祎.  統(tǒng)計與決策. 2016(08)
[8]基于CBR的軟件項目成本估算方法[J]. 段美美,于本海,朱萌.  計算機工程與設(shè)計. 2014(11)
[9]基于灰色關(guān)聯(lián)與改進FAHP的產(chǎn)品優(yōu)選模型[J]. 胡振.  信息技術(shù). 2014(04)
[10]基于RBF神經(jīng)網(wǎng)絡(luò)的軟件成本估算模型[J]. 曾一,李娟.  計算機工程與應(yīng)用. 2010(23)



本文編號：3601867