软件工程中知识的显著复用影响因素的多元逐步回归分析#61472;

发布时间：2016-12-04 10:43

  本文关键词：软件工程知识的显著复用影响因素识别方法，由笔耕文化传播整理发布。

阅读技巧：Ctrl+D 收藏本篇文章
　　

摘　要：摘要：软件工程领域的知识复用，有助于改进软件过程整体实施的质量。选用高适用度的软件工程知识，能够为软件项目开发构造坚实的实施基础。情形是软件工程知识得以共享和复用的重要基础。然而，当前软件工程知识复用涉及众多实际情形因素；另一方面软件工程知识已经呈现出丰富、多样化的事态。选用高适用的软件工程知识的一个复杂性问题是如何确定影响其复用效果的显著情形要素。为缓解此问题，本文研究了一种基于统计学的软件工程知识的显著复用影响因素识别方法，用以识别软件工程知识适用性的关键情形因素。 毕业论文

关键词：关键词：软件工程； 多元逐步回归分析；回归方程；知识复用；情形属性

总结大全

中图分类号：TP39 文献标识码：A 文章编号：

1.引言
　 在生产活动、科学实验与经济现象中，我们研究的变量往往受多个因素的影响。处理这类问题，我们常常借助于统计学中的回归分析方法。该方法能够支持研究和分析因变量与自变量之间的关联关系及相关关系的强弱，并且通过回归方程的形式描述和反映出这种关系。所以，它帮助人们准确地把握变量受其它一个或多个变量影响的程度，进而为控制和预测提供科学依据。 然而回归分析法必须采用人工选择回归因子，这不仅需要预测者有较为丰富的工作经验和较高的判断能力，而且可能会由于人的主观原因最终无法得到因变量和自变量之间准确的相互关系，影响了预测的公正性及准确性。而多元逐步回归分析理论给出了一种筛选影响因子的方法，它支持将所有可能的影响因素都代入到计算机处理程序中，由计算机从中优选出那些对因变量影响较大的影响因子。
　 我们将影响软件工程知识的各种因素称为情形[1]，它反映了软件工程中的不同知识在不同条件下的适用性。知识情形要素[2,3]包括：软件工程项目特征、软件工程组织特征、软件工程过程特征、软件工程知识效用和软件工程知识特征等五个维度，包含110余项的情形因素。这些因素已经基本形成了可用于软件工程知识情形适用性评价[4~6]的指标集。针对较少的情形要素时，工程师可根据经验判断高适用性知识，但针对大型集成软件系统庞大的软件工程项目很难凭经验挑选。所以，本文从知识复用角度出发确定软件工程知识复用有显著影响的关键情形因素，达到在新项目情形中快速选用高适用性的软件工程知识的目的。

总结大全

2.显著情形属性的识别
　 软件工程知识情形适用性评价解决问题如下：
　 1）Yi={Yi1，Yi2，Yi3，…，Yin}属性集合的确定，包括软件工程知识显著影响的情形属性；
　 2）Yi={Yi1，Yi2，Yi3，…，Yin}属性集合weight(权重)的确定。权重必须反映情形属性对知识复用的显著程度。
2.1情形属性集的建立
　 情形属性集X={x1，x2，…，x10}。其中x1:软件工程项目可用性，x2: 软件工程范围， x3: 软件工程产品类型，x4组织与客户关系，，x5软件工程领域熟悉度，x6: 软件工程中需求工程 论文网

过程效用指标，x7: 软件工程项目成本， x8: 软件工程用户参与度指标，x9: 软件工程过程效率指标，x10: 软件工程组织标准规范性指标。
　 情形指标的适用性指标评价术语集E={e1，e2，…，em}，其中ej(j=1，2，…，n)表示由高到低的各级评分。本文中取n=5。其评价分为1.绝对适用(e1); 2.比较适用(e2); 3.大部分适用 (e3);4少部分适用(e4);5.完全不适用(e5)；确定的评价等级集合为E={e1，e2，e3，e4，e5}。为了量化评估分析确定评语等级分值分别为：0.9（e1），0.7（e2），0.5（e3），0.3(e4)，0.1(e5)。
2.2 模型建立
　 设情形属性与各个适用性指标之间存在多元线性回归关系，则我们可构造线性回归模型为：
　 Y = a + b1X1+b2X2+b3X3+b4X4+b5X5+b6X6+b7X7+b8X8+b9X9+b10X10 (1)
　 由方程可知Y为因变量，Xi为自变量。
　 因变量Y与各个自变量Xi之间都存在较强的相关性，如果我们剔除了属性集中的某一个元素，则回归分析的优良性将会受到影响。所以我们采取将情形属性集中的各个元素全部带入到我们建立的回归方程(1)当中，即建立了全模型的回归系数方程。
则我们可以得到回归方程如示：
　 Y=0.102+0.313X1+0.675X2+0.44X3-0.719X4-0.305X5+0.888X6+0.688X7-2.952X8+0.293X9+1.486X10(2)

论文网

　 为了使我们得到的回归方程能达到一种最优的效果，则我们选取得自变量必须满足以下两个条件：
　 1、在线性回归分析模型中，要包括所有对因变量有影响的自变量Xi，同时我们必须将那些对因变量没有显著影响的自变量Xj剔除。
　 2、在我们建立的模型中，所有的自变量之间不能够存在线性或类线性关系。
作文

　 在实际的应用中，须软件工程范围、服务对象等情况确定标志检验水平的阀值Fa。若Ft大于Fa时，说明该因子xk1对y有显著影响，说明这个xk1引人成功。
　 Step2）引入情形属性集中因子xk2
　 其中xk2是所有xi (i=1，2，…，n)中与xk1配合时，对y独立贡献最大的一个变量，也就是最显著的因子。倘若此时Ft大于Fa时，说明该因子xk2对y有显著影响，这个因子引人成功；若相反，则说明该回归方程只有因子xk1，逐步回归过程结束。
　 Step3）比较调整因子
　 调整xk1和xk2，考虑xk1在xk2配合下的独立贡献。倘若此时Ft小于Fa时，则剔除因子xk1;否则，则认为已引入两个因子的变量组合，继续下一步计算。
　 Step4）逐步回归验证影响因子
　 引人第3个变量……重复循环Step2, Step3步骤。
　 Step5）当引入与剔除因子完毕后，得到逐步回归分析方程。该方程依照已有评价数据逐步反复回调存在的潜在显著因子并最终得到最好的回归方程。
　 从表4列出了被引入回归方程的自变量，即回归方程中引入自变量X2，X1，X6，也就是情形属性集合当中的项目类型适用性，项目规模适用性，需求工程过程效用适用性。
3.分析与讨论
.　 将逐步回归模型Y = Y = -0.361+0.601X2+0.599X1+0.347X6应用到实际当中，当X2=0.9，X1=0.7，X6=0.5，可以得到Y=0.7727，这与实际的指标集0.7相差了0.0727,所以我们可以认为建立的模型拟和程度是优良的。我们可以通过次方法从情形属性集合中挑选出显著性水平较好的情形属性。

代写论文

参考文献
[1] 张小帝. 应用回归分析[M]. 杭州:浙江大学出版社，1991.8，22- 23
[2] 于秀林、任学松. 多元统计分析[M]，中国统计出版社，2001
[3] Guo Shuhang, Lan Yuqing, Jin Maozhong. A Requirement Analysis Pattern Selection Method for E-Business Project Situation [C]. In Proceedings of IEEE International Conference on e-Business Engineering (ICEBE 2007). October 24-26, 2007, HongKong, China, Pages:347-351 总结大全

毕业论文搜集整理：毕业论文网 毕业论文 论文网

  本文关键词：软件工程知识的显著复用影响因素识别方法，由笔耕文化传播整理发布。

本文编号：204019