基于流形學習的軟件缺陷預測方法研究.pdf

1、　　隨著軟件產(chǎn)業(yè)的迅速發(fā)展，為了保證軟件的質(zhì)量，軟件開發(fā)人員需要快速、準確地獲取各種缺陷信息，及時發(fā)現(xiàn)并修改缺陷。軟件度量數(shù)據(jù)是需要獲取的重要軟件預測信息之一，且它是典型的海量高維非線性數(shù)據(jù)。目前存在的軟件缺陷預測方法都是在原始度量數(shù)據(jù)的基礎上進行建模和預測工作，受到分類器和數(shù)據(jù)規(guī)模的限制，其預測精度和執(zhí)行速度都不是特別理想。尤其是在有缺陷傾向的軟件模塊的預測精度和召回率上的表現(xiàn)不佳。而流形學習對處理這類數(shù)據(jù)有獨特的優(yōu)勢，能夠較好的發(fā)現(xiàn)

2、隱藏在其中的非線性流形。本文主要研究了基于流形學習的軟件缺陷預測算法及其在軟件質(zhì)量預測中的應用。主要研究內(nèi)容包括以下幾個方面：
　　1)分析了現(xiàn)有缺陷預測方法中的有缺陷傾向模塊的查準率和召回率低的問題，在軟件缺陷預測技術中引入了流形學習方法，探討了將流形學習應用在軟件缺陷預測領域的意義。
　　2)針對現(xiàn)有預測方法中存在的相關問題，提出了一種基于流形學習的軟件缺陷預測方法，該方法將流形學習與分類算法結合起來，首先利用流形學

3、習算法對軟件度量數(shù)據(jù)提取特征，然后利用分類算法對得到了低維數(shù)據(jù)進行預測。
　　3)在NASA軟件度量數(shù)據(jù)集上，對所提出的方法進行了測試，比較了降維前后的預測結果。實驗中，流形學習算法采用ISOMAP、LLE和LE算法，分類算法采用K近鄰、支持向量機和樸素貝葉斯算法。實驗結果表明，基于流形學習的軟件缺陷預測方法與直接利用分類算法進行預測相比，預測精度和執(zhí)行效率都有了較高的提高，尤其是有缺陷傾向的軟件模塊的查準率和召回率得到了較大的