對軟件項目進行開發(fā)和研究時,將不可避免地產生軟件缺陷,因此,及時發(fā)現和消除所研發(fā)的相關軟件的缺陷也成為了軟件項目工程開發(fā)需要著重開展的關鍵工作。隨著全球經濟科技的不斷發(fā)展,在當前知識經濟時代下,軟件產品充斥著人們的日常生活,與此同時,軟件產品在社會生產生活領域的作用也持續(xù)提升。相應地,軟件產品和系統(tǒng)的質量也越來越為人們所關注。作為軟件工程的關鍵內容,軟件缺陷預測技術以相關經驗數據為依托,借助機器學習的方法,能夠及時幫助軟件開發(fā)者和用戶發(fā)現相關軟件缺陷,進而有效節(jié)省軟件開發(fā)所需資源并提高軟件開發(fā)效率,確保產品質量。經過多年的發(fā)展,軟件預測技術已取得了較大的研究進步,但仍存在不足之處,如對于預測模型的分類并不精確、預測方法選擇的適用性和針對性不強等,這也在一定程度上限制了軟件預測技術在相關行業(yè)領域的應用,也增加了相關軟件系統(tǒng)和產品的隱患。特征選擇是通過從既有的M個特征中挑選出N個有效特征,進而降低數據集的維度,完成系統(tǒng)特定指標最優(yōu)化的過程。特征選擇不僅僅是傳統(tǒng)模式識別中重要的數據預處理技術,而且也是提高學習算法的有效手段,主要包括了Filter和Wrapper兩種類型的算法,二者區(qū)別主要體... 

【文章來源】：吉林大學吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁數】：49 頁

【學位級別】：碩士

【部分圖文】：

軟件缺陷預測體系框架圖

第3章基于互信息的特征選擇3.3，評價函數J（f）中的b（見式（3.12））對于特征選擇過程十分重要。當b=-1時，J（f）類似于Fatemeh的評價函數；當b=0時，J（f）類似于Battiti所提函數（式（3.11））。當b=-3時，相應結果表現為圖3.2和圖3.3中的藍線條，此時，所對應的實驗結果要優(yōu)于其他取值情況。圖3.2IMIFS在NB分類器上的實驗結果具體來看，圖3.2為IMIFS在NB（樸素貝葉斯算法）分類器上的實驗結果。從CM1、JM1、PC1和KC1四個數據集的顯示結果中可發(fā)現，以NB為分類器的情況下，IMIFS對軟件缺陷的預測結果為，維度較小的缺陷特征子集的缺陷預測效果更為突出，且考慮到特征子集的規(guī)模（大�。⿲（f）的非線性影響的IMIFS算法所確定出的最優(yōu)特征子集對于缺陷分類效果的過渡比較平滑，但為考慮這一因素的，則存在一定波動，如CM1和JM1數據集下的分類過渡。此外，特征數（橫坐標）為2時，缺陷特征分類的準確度最高，但這并不意味著缺陷數據集特征維數為2時，所對應的特征子集是最好的，原因是，在使用較低維度的特征子集構建軟件缺陷預測模型時，經常會出現過度擬合的問題。因此，本文認為，基于IMIFS+NB的軟件缺陷預測的最有特征子集大小應選取一個較為恰當的空間，而非是特定值，根據圖3.2所示實驗結果，可選擇[2,7]這一維度空間作為最優(yōu)特征子集維度，確保缺陷預測結果更具參考性。19

第3章基于互信息的特征選擇圖3.3IMIFS在MLP分類器上的實驗結果圖3.3為IMIFS在MLP（多層感知機）上的軟件缺陷預測結果。與NB分類器的相似之處為，同樣是對J（f）受特征子集大小的非線性影響予以考量的IMIFS算法（CM1和PC1）的效果要優(yōu)于其他情況下的IMIFS算法。不同之處在于，在軟件缺陷分類的精確度上，MLP分類器下的精確度峰值主要位于維度相對較大的中間位置，最優(yōu)特征子集的空間維度基本上占據了最初原始特征集維度的45%左右，與NB分類器下的低維度特征空間數據集相比，這一大小的特征子集要顯得更為合理，能夠在減少缺陷特征間冗余度的同時，盡可能保留多的缺陷信息，避免過度擬合的問題。根據上述實驗結果可知，基于改進互信息的特征選擇算法IMIFS在提高軟件缺陷分類的效率和準確度方面具有較為突出的作用。但需要說明的是，在仿真實驗過程中，并未發(fā)現對所有預測模型全部適用的最優(yōu)特征子集，因為對于不同的學習算法而言，其學習能力也具有一定差異。因此，綜合圖3.2和圖3.3所示結果，給出IMIFS算法下適用于不同分類器的最優(yōu)特征子集的維度區(qū)間，以供相關人員參考，如表3.1所示。其中，“()”內的數字為與相應結果對應的最有特征子集內的數據集個數。表3.1IMIFS算法下不同分類器最優(yōu)特征子集維度區(qū)間分類器樸素貝葉斯多層感知機最優(yōu)特征子集維度區(qū)間[2，7](4)[9.14](4)20

【參考文獻】：
期刊論文
[1]面向制造過程數據的兩階段無監(jiān)督特征選擇方法[J]. 張潔,盛夏,張朋,秦威,趙新明.  機械工程學報. 2019(17)
[2]基于差空間融合特征選擇的SVM算法[J]. 景煒,丁衛(wèi)平.  計算機工程與設計. 2019(08)
[3]基于基尼指標和卡方檢驗的特征選擇方法[J]. 陳諶,梁雪春.  計算機工程與設計. 2019(08)
[4]基于卷積神經網絡的代價敏感軟件缺陷預測模型[J]. 邱少健,蔡子儀,陸璐.  計算機科學. 2019(11)
[5]用于軟件缺陷預測的集成模型[J]. 胡夢園,黃鴻云,丁佐華.  計算機科學. 2019(11)
[6]基于實例過濾與遷移的跨項目缺陷預測方法[J]. 范貴生,刁旭煬,虞慧群,陳麗瓊.  計算機工程. 2020(08)
[7]軟件缺陷預測技術研究進展[J]. 宮麗娜,姜淑娟,姜麗.  軟件學報. 2019(10)
[8]基于隨機森林的信用評估特征選擇[J]. 王妍.  黑龍江科學. 2019(14)
[9]基于烏鴉搜索算法的新型特征選擇算法[J]. 王穎,曹捷,邱志洋.  吉林大學學報(理學版). 2019(04)
[10]基于粗糙集和果蠅優(yōu)化算法的特征選擇方法[J]. 方波,陳紅梅,王生武.  計算機科學. 2019(07)

碩士論文
[1]基于程序語義的軟件缺陷預測技術研究與實現[D]. 于悅.北京郵電大學 2019
[2]基于機器學習的軟件缺陷預測方案研究[D]. 李夢奇.北京郵電大學 2019
[3]基于主動學習的軟件缺陷預測方法研究[D]. 吳芳芳.南京大學 2019
[4]基于特征遷移的跨項目軟件缺陷預測[D]. 劉樹毅.內蒙古師范大學 2019
[5]基于集成模型的軟件缺陷預測[D]. 胡夢園.浙江理工大學 2019
[6]基于聯合表示的軟件缺陷預測方法研究[D]. 史作婷.南京郵電大學 2018
[7]特征選擇在軟件缺陷預測技術中的應用研究[D]. 王培.華中師范大學 2013



本文編號：3133204