本文關鍵詞：基于機器學習的錯誤定位方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：錯誤定位是整個軟件調試過程中最耗時最困難的部分,錯誤定位過程中的任何改進都可以大大降低軟件成本。傳統(tǒng)的錯誤定位方法一般是利用開發(fā)工具手動地設置斷點,不但耗費精力,而且效率低下。因此,利用機器學習的理論與技術,使在調試過程中的錯誤定位實現(xiàn)自動化,是當前研究的重點�；跈C器學習的錯誤定位方法首先是根據(jù)選擇的測試用例執(zhí)行得到源程序的語句覆蓋信息和執(zhí)行結果,然后,利用機器學習模型計算出每條語句的可疑度值,最后按照可疑度值由高到低的順序逐條檢查程序的可疑語句進行錯誤定位。本文在充分分析程序測試用例的覆蓋信息基礎上,以減少查找錯誤語句、提高錯誤定位效率為目的,對一些傳統(tǒng)的機器學習模型進行了改進。本文有以下幾點創(chuàng)新之處:第一,基于增強徑向基函數(shù)神經(jīng)網(wǎng)絡的錯誤定位方法。結合徑向基函數(shù)神經(jīng)網(wǎng)絡與正交試驗設計理論,提出了一種增強徑向基函數(shù)神經(jīng)網(wǎng)絡錯誤定位算法,通過正交試驗設計方法可以自適應地調整神經(jīng)網(wǎng)絡中的參數(shù)值,從而達到優(yōu)化錯誤定位模型的目的。第二,基于基因表達式編程的錯誤定位方法。結合基因表達式編程技術以及基于頻譜的錯誤定位方法,找到適應程序的高效秩函數(shù),提出了一種新的錯誤定位方法,再利用此高效秩函數(shù)去計算出每條語句的可疑度值,提高錯誤定位效率。第三,基于數(shù)據(jù)分組處理因果關系的錯誤定位方法。針對普通因果檢驗方法只能檢驗兩個變量之間因果關系的不足,從檢測多維變量間因果關系的理論出發(fā),提出了一種改進型的因果關系錯誤定位方法。最后,為了驗證所提出機器學習錯誤定位方法的有效性,本文采用真實的測試數(shù)據(jù)集Siemens Suite作為研究對象,分別對以上三個模型進行實驗性能對比,結果表明,本文所提出的所有錯誤定位方法較之前的傳統(tǒng)方法具有更精確的錯誤定位效果和更顯著的定位效率。
【關鍵詞】：錯誤定位 機器學習 軟件調試 徑向基神經(jīng)網(wǎng)絡 基因表達式編程 因果關系
【學位授予單位】：南京航空航天大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TP311.53;TP181
【目錄】：

• 摘要4-5
• abstract5-10
• 注釋表10-11
• 第一章 緒論11-18
• 1.1 課題研究背景11-12
• 1.2 錯誤定位技術研究現(xiàn)狀與趨勢12-15
• 1.2.1 國內外研究現(xiàn)狀13-14
• 1.2.2 近年研究趨勢14-15
• 1.3 課題研究內容15-16
• 1.4 論文組織結構16-17
• 1.5 本章小結17-18
• 第二章 程序數(shù)據(jù)采集與建模技術研究18-25
• 2.1 錯誤定位的建模過程18-19
• 2.2 實驗數(shù)據(jù)19-21
• 2.3 數(shù)據(jù)采集技術研究21-23
• 2.3.1 GCOV程序覆蓋工具21-22
• 2.3.2 LCOV覆蓋信息顯示工具22-23
• 2.4 錯誤定位模型性能指標23-24
• 2.5 本章小結24-25
• 第三章 基于增強徑向函數(shù)神經(jīng)網(wǎng)絡的錯誤定位方法25-37
• 3.1 徑向基函數(shù)神經(jīng)網(wǎng)絡模型25-28
• 3.1.1 RBFN的內部結構25-26
• 3.1.2 RBFN的參數(shù)訓練26-28
• 3.2 增強徑向基函數(shù)神經(jīng)網(wǎng)絡模型28-32
• 3.2.1 正交試驗設計28-30
• 3.2.2 ERBFN模型技術研究30-32
• 3.3 基于ERBFN的錯誤定位方法32-34
• 3.4 實驗結果與分析34-36
• 3.5 本章小結36-37
• 第四章 基于基因表達式編程的錯誤定位方法37-49
• 4.1 基于頻譜的錯誤定位方法37-39
• 4.2 基因表達式編程算法39-43
• 4.3 基于GEP的錯誤定位方法43-45
• 4.4 實驗結果與分析45-48
• 4.5 本章小結48-49
• 第五章 基于數(shù)據(jù)分組處理因果關系的錯誤定位方法49-57
• 5.1 因果關系概述49-50
• 5.2 GMDH算法50-51
• 5.3 基于GMDH的錯誤定位方法51-54
• 5.3.1 初步定性分析51-53
• 5.3.2 GMDH因果關系檢驗53-54
• 5.3.3 錯誤定位54
• 5.4 實驗結果與分析54-56
• 5.5 本章小結56-57
• 第六章 模型結果分析及引發(fā)的新探討57-61
• 6.1 模型實驗比較57-59
• 6.2 影響模型定位性能的主要因素59-60
• 6.2.1 程序語句規(guī)模因素59
• 6.2.2 程序測試用例規(guī)模因素59-60
• 6.2.3 程序結構因素60
• 6.3 本章小結60-61
• 第七章 總結與展望61-62
• 參考文獻62-67
• 致謝67-68
• 在學期間的研究成果及發(fā)表的學術論文68

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 張明玉,倪志偉;基于機器學習的智能決策支持系統(tǒng)[J];淮南師范學院學報;2005年03期

2 楊凌霄;武建平;;機器學習方法在人臉檢測中的應用[J];計算機與數(shù)字工程;2008年03期

3 ;第十一屆中國機器學習會議[J];智能系統(tǒng)學報;2008年02期

4 ;第14屆中國機器學習會議[J];智能系統(tǒng)學報;2012年06期

5 費宗銘;呂建;王志堅;陳道蓄;徐家福;;機器學習[J];計算機科學;1991年01期

6 趙沁平;魏華;王軍玲;;機器學習技術與機器學習系統(tǒng)[J];計算機科學;1993年05期

7 姚敏;機器學習及其發(fā)展方向[J];計算機時代;1994年04期

8 ;第31屆機器學習國際會議(英文)[J];智能系統(tǒng)學報;2014年01期

9 黃海濱;機器學習及其主要策略[J];河池師范高等專科學校學報(自然科學版);2000年04期

10 佘玉梅;一種協(xié)調機器學習方法研究[J];云南民族學院學報(自然科學版);2000年03期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 王玨;;歸納機器學習[A];2001年中國智能自動化會議論文集（上冊）[C];2001年

2 王昊;李銀波;紀志梁;;利用機器學習方法預測嚴重藥物不良反應-呼吸困難[A];中國化學會第28屆學術年會第13分會場摘要集[C];2012年

3 吳滄浦;;智能系統(tǒng)與機器學習的新領域[A];西部大開發(fā) 科教先行與可持續(xù)發(fā)展——中國科協(xié)2000年學術年會文集[C];2000年

4 周晴杰;徐立鴻;吳啟迪;;機器學習串級結構的初步探討[A];1998年中國控制會議論文集[C];1998年

5 李剛;郭崇慧;林鴻飛;楊志豪;唐煥文;;基于詞典法和機器學習法相結合的蛋白質名識別[A];大連理工大學生物醫(yī)學工程學術論文集（第2卷）[C];2005年

6 徐禮勝;李乃民;王寬全;張冬雨;耿斌;姜曉睿;陳超海;羅貴存;;機器學習在中醫(yī)計算機診斷識別系統(tǒng)中的應用思考[A];第一屆全國中西醫(yī)結合診斷學術會議論文選集[C];2006年

7 蔡健平;林世平;;基于機器學習的詞語和句子極性分析[A];第三屆全國信息檢索與內容安全學術會議論文集[C];2007年

8 黃金鐵;李景銀;周建常;;對高爐爐況評價模型參數(shù)的機器學習——一個三類線性模式分類器的實現(xiàn)[A];1995中國控制與決策學術年會論文集[C];1995年

9 程國建;蔡磊;潘華賢;;核向量機在大規(guī)模機器學習中的應用[A];第十一屆中國青年信息與管理學者大會論文集[C];2009年

10 張鈸;張鈴;;統(tǒng)計學習理論及其應用[A];2001年中國智能自動化會議論文集（上冊）[C];2001年

中國重要報紙全文數(shù)據(jù)庫 前10條

1 黎驪/文 [美] Tom M.Mitchell 著;機器學習與智能化社會[N];中國郵政報;2003年

2 IBM大數(shù)據(jù)專家 James Kobielus　范范 編譯;機器學習已成為大數(shù)據(jù)基石[N];網(wǎng)絡世界;2014年

3 本報記者 房琳琳;合久必分：分布式“機器學習”應運而生[N];科技日報;2014年

4 雨辰;機器學習類圖書為什么火爆[N];中華讀書報;2014年

5 百度公司技術副總監(jiān) 多媒體部負責人 余凱;深度學習與多媒體搜索技術演進[N];中國信息化周報;2013年

6 本報記者 余建斌;機器學習與互聯(lián)網(wǎng)搜索[N];人民日報;2011年

7 本報記者 張曄邋通訊員 李瑋;周志華：永不墨守成規(guī)[N];科技日報;2008年

8 記者　 彭德倩;機器學習精度提升近6個百分點[N];解放日報;2006年

9 本報記者 閔杰;大數(shù)據(jù)熱 高端人才缺[N];中國電子報;2013年

10 沈建苗 編譯;如何成為大數(shù)據(jù)科學家[N];計算機世界;2013年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 董春茹;機器學習中的權重學習與差分演化[D];華南理工大學;2015年

2 趙玉鵬;機器學習的哲學探索[D];大連理工大學;2010年

3 胡巍;面向格結構的機器學習[D];上海交通大學;2009年

4 張義榮;基于機器學習的入侵檢測技術研究[D];國防科學技術大學;2005年

5 錢線;快速精確的結構化機器學習方法研究[D];復旦大學;2010年

6 梁錫軍;稀疏優(yōu)化在機器學習中的若干應用[D];大連理工大學;2013年

7 蔣剛;核機器學習方法若干問題研究[D];西南交通大學;2006年

8 陳慧靈;面向智能決策問題的機器學習方法研究[D];吉林大學;2012年

9 周偉達;核機器學習方法研究[D];西安電子科技大學;2003年

10 熊毅;基于機器學習的蛋白質結合位點特征化和預測方法研究[D];武漢大學;2011年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 毛海斌;基于半監(jiān)督機器學習的情感分類領域適應問題研究[D];南京理工大學;2015年

2 安軍輝;基于微博數(shù)據(jù)的微博用戶性別判斷研究[D];華中師范大學;2015年

3 陳召陽;基于機器學習的改性麥槽吸附重金屬構效關系模型研究[D];江西理工大學;2014年

4 王成;基于半監(jiān)督機器學習的文本情感分析技術[D];南京理工大學;2015年

5 孫科;基于Spark的機器學習應用框架研究與實現(xiàn)[D];上海交通大學;2015年

6 劉江龍;基于機器學習的射頻指紋定位方法研究[D];電子科技大學;2015年

7 張蕾;基于機器學習的網(wǎng)絡輿情采集技術研究與設計[D];電子科技大學;2014年

8 施宇;基于數(shù)據(jù)挖掘和機器學習的木馬檢測系統(tǒng)設計與實現(xiàn)[D];電子科技大學;2014年

9 施應敏;基于機器學習的Femtocell信道頻譜與功率資源分配算法的研究[D];南京郵電大學;2015年

10 張柯;基于機器學習的錯誤定位方法研究[D];南京航空航天大學;2015年

  本文關鍵詞：基于機器學習的錯誤定位方法研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：254091