专利交易市场

本发明提出基于流形组合特征和联合分布的跨项目软件缺陷预测方法，本发明选择在流形特征空间中考虑使用具有域适应的全局边缘化降噪自动编码器提取全局可转移特征和具有域适应的局部子集边缘化降噪自动编码器提取局部可转移特征，然后将提取的全局可转移特征和局部可转移特征线性组合为新的组合特征并应用实现联合分布匹配；其次，该方法引入一种迭代学习的伪标签策略，通过在循环中多次更新伪标签来提高伪标签准确率，该策略通过利用新的组合特征实现联合分布匹配，然后通过联合分布匹配获取实例权重训练模型并再次更新标签，并使更新后的标签进行新一轮的组合特征提取、伪标签更新和联合分布匹配，直至最终的预测结果收敛。

本发明涉及一种基于数据类不平衡分布的即时软件缺陷预测方法。本发明首先通过对样本近邻集的计算，分析样本的数据分布情况，识别噪声区样本，删除处于噪声区的有缺陷样本，将处于噪声区的无缺陷样本的标签置换为有缺陷样本的标签；再重新计算各样本的近邻集，分析当前相对干净数据集的数据分布，划分边界区和安全区，删除处于边界区的无缺陷样本；最后对训练数据集进行随机欠采样，使得样本得到数量上的平衡。本发明通过对样本数据分布的分析，以更精准的策略除去样本集中的噪声样本以及对有缺陷样本识别有负面影响的样本，以此提升模型对有缺陷样本的识别性能。

本发明涉及一种基于类不平衡学习算法的软件缺陷预测方法。本发明使用SWIM过采样方法合成少数类样本，使数据集由高度不平衡转化为中度不平衡，其次，使用提出的自适应代价矩阵调整策略计算出最适合当前数据集的少数类误分类代价，然后根据训练集训练出K个弱分类器，在此过程中不断地调整样本权重，预测错误的样本增大其权重，预测正确的样本减少其权重，最后，将K个弱分类器组合成一个复合分类器预测待测样本的类别。本发明解决了预测不平衡数据集时少数类样本预测准确率低的问题，可以准确的预测出有缺陷的模块，帮助测试经理寻找软件的缺陷，降低软件开发成本。