一种基于协同迁移的软件缺陷预测方法，包括以下步骤：1)通过四种不同的标准化方法与TCA迁移学习方法同时结合，将原源项目数据集扩充进四个的新的同等规模源项目数据集；2)利用基于协同迁移的软件缺陷预测算法对目标项目构建协同分类器；3)对目标项目中新的待预测样本进行缺陷预测。本发明选取四种不同的标准化方法同时与TCA迁移学习方法结合来扩充源项目数据集，丰富了源项目数据的信息表达，为每一个源项目生成一个子分类器，并依据PSO算法对子分类器进行自适应权重分配，从而构建协同分类器，对目标项目中的待测样本进行缺陷预测。
📄 2017114175946
📂 G06F11_36
👤 浙江工业大学
📅 2017-12-25
本发明公开了一种跨项目软件缺陷预测方法及系统，针对跨项目方法的优势，融合朴素贝叶斯和最近邻的优点，将区别目标项目的所有项目的历史样本整合成训练集，结合朴素贝叶斯模型特点，使用0和0.5对目标项目中所有实例进行第一次标记，来将目标项目分为两类，值的大小表示缺陷的严重程度；利用最近邻模型的特质，二次标记目标实例，将所有实例标记为值0、0.5和1，根据标记结果，预测目标实例是否存在缺陷。
📄 2019110941697
📂 G06F11_36
👤 南京邮电大学
📅 2019-11-11
本发明公开了一种基于四目标优化的故障更改代码预测方法，属于软件质量保障领域。包括如下步骤：(1)通过挖掘软件项目托管的版本控制系统和缺陷跟踪系统，搜集用于构建更改代码故障预测模型的数据集。(2)基于四个优化目标，借助遗传算法，最终会构建出多个具备非帕累托支配关系的模型。其中四个优化目标分别为最大化方法识别出的故障代码变更数量、最小化开发人员执行的代码审查量、减少开发人员的上下文切换次数以及减少方法对故障代码变更的误报数量。(3)在步骤(2)结束后，会构建出多个具备非帕累托支配关系的模型，因此在实际预测的时候，该发明可以根据开发人员对目标的偏好，从这些模型中进行灵活选择。
📄 2018100213542
📂 G06F11_36
👤 江苏工程职业技术学院
📅 2018-01-10
一种基于特征分布对齐和邻域实例选择的跨项目缺陷预测方法，具体包括以下步骤：从软件缺陷数据集中选择源项目，合并所有源项目构成源项目集，并选择一个目标项目；计算源项目集的协方差矩阵、目标项目的协方差矩阵；消除源项目集的特征间相关性，并将目标项目的特征相关性填充到至其中，输出特征对齐后的源项目集数据#imgabs0#在#imgabs1#中选择与目标项目中实例相似度较高的实例构成训练实例集TS；使用训练实例集TS训练Logistic模型，再用此对目标项目中的每个实例进行缺陷预测分类。本发明通过采用特征分布对齐方法和邻域实例选择方法实现模型所需的训练数据的选择，有效解决跨项目软件缺陷预测方法中项目之间以及实例之间的差异性，提高缺陷预测性能。
📄 2021102851889
📂 G06F11_36
👤 江苏师范大学
📅 2021-03-17
本发明提供了一种基于图神经网络与双向GRU特征抽取的缺陷预测方法，首先对软件系统进行网络建模，使用神经网络模型学习网络结构，获得软件依赖关系特征；然后将软件系统源文件构建成抽象语法树，提取令牌序列，使用双向门控递归单元进行建模，获得软件系统的深层语义特征；再将获得的软件依赖关系特征与获得的源代码的语义特征结合，得到最终的混合特征，并训练一个分类器，用于基于得到的混合特征进行缺陷预测，由于结合了结合这两种不同类型的度量指标来构建预测模型，使用双向GRU提取软件源代码的深层语义特征，使用图神经网络提取软件模块之间的依赖关系特征，并结合两种特征用于预测缺陷，提高了预测的准确性。
📄 2022103231125
📂 G06F11_36
👤 湖北大学
📅 2022-03-29
本发明涉及一种面向跨公司软件缺陷预测的数据变换方法。本发明首先使用聚类算法提取源项目和目标项目的代表属性，并将代表属性进行一对一属性匹配得到其之间的属性匹配对，使用该匹配对对源项目和目标项目的原始数据进行转化，使用欧式距离作为度量相似的方式，筛选与目标项目样本相似的源项目样本，将筛选出的源项目样本的频次作为训练缺陷预测模型的源项目样本权重。最后使用处理后的源项目样本构建模型预测目标项目中样本的缺陷情况。本发明解决了传统软件缺陷预测方法中源项目与目标项目属性不统一以及属性利用不充分的问题，同时将源项目与目标项目间的异构问题近似的转化为同构问题，对以后的异构缺陷预测研究具有可参考性。
📄 2020101325627
📂 G06F11_36
👤 杭州电子科技大学
📅 2020-02-29
本发明公开了一种面向软件缺陷预测的加权朴素贝叶斯方法，现有技术中朴素贝叶斯方法没有考虑到训练集数据与测试集数据之间的相似性对预测结果的影响。已有的朴素贝叶斯的改进方法没有考虑到某一特征值在该特征属性中所占的概率大小的影响，所计算的相似性不够准确，因此对样本权重计算不够精确，会影响分类效果的准确性。本发明所提出的一种面向软件缺陷预测的加权朴素贝叶斯方法能够根据训练集样本与测试集样本的相似度为训练集样本加权，并且能够考虑到某一特征值在该特征属性中所占的概率大小的影响。因此，本发明可以提高朴素贝叶斯的预测性能。
📄 2019107005174
📂 G06F11_36
👤 杭州电子科技大学
📅 2019-07-31
本发明公开一种面向软件缺陷类分布不平衡的规则学习分类器集成方法，其包括如下步骤：步骤S1：采用主成分分析(PCA)法从原始特征中提取最有效特征从而去除无关和冗余属性，达到降维去噪目的；步骤S2：执行ADASYN过采样和无放回随机采样相结合的组合采样方法，从而解决软件缺陷数据的类分布不平衡性问题，通对采样率的设定提高了软件缺陷预测效率；步骤S3：选取基于规则学习的基分类器进行集成，构建软件缺陷预测模型。本方法利用基于规则学习算法先处理最不频繁的类最后处理最频繁类的机制，以及集成学习能够有效降低偏差和方差，进而降低分类误差的特点，使得模型在处理不平衡数据时具有良好的性能，提升了软件缺陷预测性能以及预测效率。
📄 2019108939839
📂 G06K9_62
👤 燕山大学
📅 2019-09-20
本发明公开了一种可缓解类重叠问题的跨版本深度缺陷预测方法，包括如下：1、跨版本软件缺陷预测中面向深度语义学习的整体框架；2、基于卷积神经网络的语义特征学习模型；3、面向深度语义学习的混合式最近邻清理策略。本发明采用混合式最近邻清理策略来缓解深度学习学出的语义特征中存在的类重叠问题。具体来说对源代码对应的抽象语法树，采用卷积神经网络学出深度语义特征，继而采用混合式最近邻清理策略对标注数据集进行重采样与数据清理。采用混合式最近邻清理策略能够处理类不平衡问题与类重叠问题，对数据的统计分析结果表明该策略能够提升基于深度语义学习的软件缺陷预测的性能。
📄 2020105815837
📂 G06F11_36
👤 江苏工程职业技术学院
📅 2020-06-23
本发明公开了一种基于混合式主动学习策略的软件缺陷预测方法，采用基于代价敏感的信息熵与相对熵协同主动学习方法，该方法使用常见的信息熵作为优质样例的评价指标，对于信息熵较高的样例手工标注，同时使用相对熵来进一步分析低信息熵的样例，更加有效的扩充标注数据集。通过实验表明，本发明可以提高软件缺陷预测性能，减少人工标注成本，更加高效。
📄 2018113196193
📂 G06F11_36
👤 江苏工程职业技术学院
📅 2018-11-07
本发明提供了一种基于特征映射和属性值转换的软件缺陷预测模型。包括：步骤1，利用交叉验证合理划分数据集，对测试所用到的样本集进行采样与归一化预处理，以得到更加平衡的缺陷数据集；步骤2，应用度量补偿方法解决源项目与目标项目间数据分布差异问题，使目标项目的数据分布与源项目的数据分布更加契合；步骤3，利用迁移学习技术将源数据与目标数据的数据距离映射到特征空间并加以最小化；步骤4，根据步骤3得到的训练样本集与测试样本集，利用决策树分类模型对数据进行缺陷分类。
📄 2021108517162
📂 G06F11_36
👤 江苏大学
📅 2021-07-27
本发明提供一种基于域特征分布的跨项目软件缺陷预测方法，包括如下步骤：S1、构建项目向量集PVS；S2、构建源域实例候选索引集SDCI；S3、构建源域实例候选集SDCS；S4、构建适应域特征分布索引DFDI；S5、构建适应域特征分布的训练集DFDD；S6、构建基于域特征分布的跨项目软件缺陷预测方法DFDCP。本发明提出一种基于域特征分布的跨项目软件缺陷预测方法，在源域实例候选集中，由目标实例的去均值化向量进行实例再选择，构建适应域特征分布的实例集，使用该方法构建的训练集有利于进一步建立精确的跨项目缺陷预测模型，实现更好的跨项目缺陷预测效果。
📄 2022107174615
📂 G06F11_36
👤 南通大学
📅 2022-06-23
柿子坊 · 知识产权运营
柿子坊知识产权运营平台