基于灰关联和LS-SVM的软件成本预测方法

发布时间：2022-01-22 08:28

　　准确的软件成本预测对于投资决策和开发管控均具有重要意义。文中提出了一种基于灰关联与改进LS-SVM的软件成本预测方法,该方法利用灰色关联度与信息熵生成预测样本子集,降低了弱相关属性和冗余属性对预测的影响。基于LS-SVM构建成本预测模型,提高了小样本与非线性条件下的预测性能,并采用量子粒子群优化LS-SVM的模型参数,实现了软件成本的高性能估算。实验结果表明,该方法具有较高的预测精度,且泛化能力较强。 

【文章来源】：信息技术. 2020,44(09)

【文章页数】：5 页

【部分图文】：

适应度曲线

为了进一步测试算法对软件成本预测的适应性,在COCOMO数据集上分别采用神经网络预测方法、加权类比预测方法和本文方法进行软件成本预测。COCOMO数据集NASA组织统计的93个软件项目开发数据,随机选取其中68个作为训练样本集,剩余25个作为测试样本集,三种方法的软件成本预测相对误差如图2所示。测试结果表明,对于绝大多数测试样本,神经网络预测方法、加权类比预测方法对COCOMO数据集的成本预测误差高于本文方法,进一步验证了本文方法对软件成本预测的有效性和优越性。4 结束语

【参考文献】：
期刊论文
[1]基于综合指标TOPSIS法的电网节点脆弱性评估[J]. 黄虎,苑吉河,张曦,李潮,詹红霞,唐军.  电测与仪表. 2019(02)
[2]软件成本评估方法综述[J]. 赵小敏,费梦钰,曹光斌,朱李楠.  计算机科学. 2018(S2)
[3]基于类推和灰色模型的软件阶段成本预测[J]. 王勇,李逸,王丽丽,朱晓燕.  计算机科学. 2018(S2)
[4]基于加权类比的软件成本估算方法[J]. 赵小敏,曹光斌,费梦钰,朱李楠.  计算机科学. 2018(S2)
[5]基于最小二乘映射和SVM的滚动轴承故障诊断[J]. 赵宇,李可,宿磊,陈鹏.  机械传动. 2017(02)
[6]基于可维护性的装备软件成本估算模型[J]. 孙胜祥,慕林霖,訾书宇.  海军工程大学学报. 2016(06)
[7]基于偏最小二乘回归的COCOMO模型校准方法[J]. 魏来,刘海涛,付祎.  统计与决策. 2016(08)
[8]基于CBR的软件项目成本估算方法[J]. 段美美,于本海,朱萌.  计算机工程与设计. 2014(11)
[9]基于灰色关联与改进FAHP的产品优选模型[J]. 胡振.  信息技术. 2014(04)
[10]基于RBF神经网络的软件成本估算模型[J]. 曾一,李娟.  计算机工程与应用. 2010(23)



本文编号：3601867