基于迁移学习的软件缺陷预测模型研究
发布时间：2022-07-07 12:59
软件缺陷预测技术可以用于预测软件缺陷是否存在以及其可能存在的数目,以决定软件是否可以交付,对于软件性能的提升、质量的保证和测试成本的控制有着重要的意义。已有的软件缺陷预测模型大多利用机器学习算法进行训练和构建,传统机器学习的应用则存在缺少原始数据、数据之间不满足独立同分布等固有限制,这些限制条件制约了该项技术的发展。迁移学习可以较好的弥补这一缺陷。因此本课题针对迁移学习与缺陷预测相关算法进行了深入研究和优化。首先本文对迁移学习分类和软件缺陷预测的基础理论及相关技术进行了研究,并针对跨项目的软件缺陷预测问题,重点分析和研究了现有的软件缺陷分布预测技术。对相关技术的核心步骤进行了可优化性关键要素分析,具体包括数据预处理阶段的特征选择和构建预测模型的相关算法。然后在软件预测模型构建过程中,首先对数据预处理技术进行了研究和分析,基于过滤式特征选择方法和SMOTE抽样方法开展研究工作。然后针对TrAdaboost和Rareboost两个算法,分析了其样本权值变更和子分类器构建方式,对软件缺陷问题的不平衡性特征,设计出了一个新的TrRareboost算法,且对其合理性和正确性进行了分析。并结合Ad...
【文章页数】：65 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 课题背景及研究的目的和意义
1.2 国内外研究现状
1.2.1 国外研究现状
1.2.2 国内研究现状
1.3 论文主要研究内容与架构
1.3.1 论文主要研究内容
1.3.2 论文架构
第2章 迁移学习与软件缺陷预测相关技术
2.1 迁移学习相关技术
2.1.1 机器学习与迁移学习
2.1.2 迁移学习定义
2.1.3 迁移学习分类
2.2 软件缺陷预测相关理论及技术
2.2.1 软件可靠性及其度量
2.2.2 软件缺陷预测相关理论
2.3 软件缺陷预测问题所属类别分析
2.4 本章小结
第3章 基于迁移学习的软件缺陷预测算法
3.1 数据预处理方法研究与优化
3.1.1 数据预处理方法研究
3.1.2 数据预处理方法优化
3.2 软件缺陷预测算法
3.2.1 bagging、Boosting和 Adaboost算法研究
3.2.2 TrAdaboost算法
3.3 缺陷预测算法优化设计
3.3.1 问题定义
3.3.2 算法描述
3.3.3 TrRareboost算法分析
3.4 TRADABOOST算法优化
3.4.1 算法优化思想
3.4.2 算法描述
3.4.3 算法合理性分析
3.5 软件缺陷预测模型评价指标
3.6 本章小结
第4章 实验设计及相关分析
4.1 实验环境简介
4.2 实验数据集简介
4.3 实验设计及相关结论
4.3.1 实验一:对比Rareboost同 Adaboost算法
4.3.2 实验二:对比TrRareboost同 TrAdaboost算法
4.3.3 实验三:对比TrAdaboost与 TrAdaboost优化算法
4.3.4 实验四:验证特征选择在Adaboost等算法中的效果
4.3.5 实验五:验证抽样在Adaboost算法中的效果
4.3.6 实验六:验证NN-filter抽样在迁移学习中的预测效果
4.4 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其它成果
致谢
【参考文献】：
期刊论文
[1]基于特征迁移和实例迁移的跨项目缺陷预测方法[J]. 倪超,陈翔,刘望舒,顾庆,黄启国,李娜. 软件学报. 2019(05)
[2]一种多源异构软件缺陷预测方法[J]. 杨杰,范贵生,虞慧群. 小型微型计算机系统. 2019(04)
[3]开源软件缺陷预测技术与迁移学习[J]. 任俊桦,刘峰. 软件和集成电路. 2018(05)
[4]基于失效数据的软件可靠性测试方法[J]. 顾吉堂. 电脑知识与技术. 2018(01)
[5]基于半监督集成学习的软件缺陷预测[J]. 王铁建,吴飞,荆晓远. 模式识别与人工智能. 2017(07)
[6]软件产品质量的度量和评估方法[J]. 王蕊. 中国管理信息化. 2017(04)
[7]基于不平衡数据集的软件缺陷预测[J]. 张晓风,张德平. 计算机应用研究. 2017(07)
[8]基于迁移学习的软件缺陷预测[J]. 程铭,毋国庆,袁梦霆. 电子学报. 2016(01)
[9]迁移学习研究进展[J]. 庄福振,罗平,何清,史忠植. 软件学报. 2015(01)
[10]软件缺陷预测技术[J]. 王青,伍书剑,李明树. 软件学报. 2008(07)
博士论文
[1]软件缺陷预测中数据预处理关键技术研究及应用[D]. 刘望舒.南京大学 2017
[2]基于机器学习的软件缺陷预测研究[D]. 陈琳.重庆大学 2016
[3]基于度量元的软件缺陷预测技术[D]. 杨晓杏.中国科学技术大学 2014
本文编号：3656462
【文章页数】：65 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 课题背景及研究的目的和意义
1.2 国内外研究现状
1.2.1 国外研究现状
1.2.2 国内研究现状
1.3 论文主要研究内容与架构
1.3.1 论文主要研究内容
1.3.2 论文架构
第2章 迁移学习与软件缺陷预测相关技术
2.1 迁移学习相关技术
2.1.1 机器学习与迁移学习
2.1.2 迁移学习定义
2.1.3 迁移学习分类
2.2 软件缺陷预测相关理论及技术
2.2.1 软件可靠性及其度量
2.2.2 软件缺陷预测相关理论
2.3 软件缺陷预测问题所属类别分析
2.4 本章小结
第3章 基于迁移学习的软件缺陷预测算法
3.1 数据预处理方法研究与优化
3.1.1 数据预处理方法研究
3.1.2 数据预处理方法优化
3.2 软件缺陷预测算法
3.2.1 bagging、Boosting和 Adaboost算法研究
3.2.2 TrAdaboost算法
3.3 缺陷预测算法优化设计
3.3.1 问题定义
3.3.2 算法描述
3.3.3 TrRareboost算法分析
3.4 TRADABOOST算法优化
3.4.1 算法优化思想
3.4.2 算法描述
3.4.3 算法合理性分析
3.5 软件缺陷预测模型评价指标
3.6 本章小结
第4章 实验设计及相关分析
4.1 实验环境简介
4.2 实验数据集简介
4.3 实验设计及相关结论
4.3.1 实验一:对比Rareboost同 Adaboost算法
4.3.2 实验二:对比TrRareboost同 TrAdaboost算法
4.3.3 实验三:对比TrAdaboost与 TrAdaboost优化算法
4.3.4 实验四:验证特征选择在Adaboost等算法中的效果
4.3.5 实验五:验证抽样在Adaboost算法中的效果
4.3.6 实验六:验证NN-filter抽样在迁移学习中的预测效果
4.4 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其它成果
致谢
【参考文献】：
期刊论文
[1]基于特征迁移和实例迁移的跨项目缺陷预测方法[J]. 倪超,陈翔,刘望舒,顾庆,黄启国,李娜. 软件学报. 2019(05)
[2]一种多源异构软件缺陷预测方法[J]. 杨杰,范贵生,虞慧群. 小型微型计算机系统. 2019(04)
[3]开源软件缺陷预测技术与迁移学习[J]. 任俊桦,刘峰. 软件和集成电路. 2018(05)
[4]基于失效数据的软件可靠性测试方法[J]. 顾吉堂. 电脑知识与技术. 2018(01)
[5]基于半监督集成学习的软件缺陷预测[J]. 王铁建,吴飞,荆晓远. 模式识别与人工智能. 2017(07)
[6]软件产品质量的度量和评估方法[J]. 王蕊. 中国管理信息化. 2017(04)
[7]基于不平衡数据集的软件缺陷预测[J]. 张晓风,张德平. 计算机应用研究. 2017(07)
[8]基于迁移学习的软件缺陷预测[J]. 程铭,毋国庆,袁梦霆. 电子学报. 2016(01)
[9]迁移学习研究进展[J]. 庄福振,罗平,何清,史忠植. 软件学报. 2015(01)
[10]软件缺陷预测技术[J]. 王青,伍书剑,李明树. 软件学报. 2008(07)
博士论文
[1]软件缺陷预测中数据预处理关键技术研究及应用[D]. 刘望舒.南京大学 2017
[2]基于机器学习的软件缺陷预测研究[D]. 陈琳.重庆大学 2016
[3]基于度量元的软件缺陷预测技术[D]. 杨晓杏.中国科学技术大学 2014
本文编号：3656462
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3656462.html
