基于流形学习的面向对象的软件缺陷预测方法分析

《基于流形学习的面向对象的软件缺陷预测方法分析》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、河北工业大学硕士学位论文摘要随着项目开发规模的日趋庞大，软件开发技术逐步趋于面向对象的开发，为了更好地描述面向对象的软件的特性，需要用更多的属性来度量软件，导致度量数据的维数越来越高。然而，随着数据维数的增加，有效地预测软件中存在的缺陷变得越发的困难，产生了“维数灾难”问题。因此，为了更准确地预测软件中存在的各种缺陷从而提高软件的质量，对高维的软件度量数据进行降维处理是非常必要的。而流形学习方法是处理高维数据的一个重要手段，可以发现隐藏在高维的软件度量数据中的真实结构。本文主要研究如何将流形学习应用到面向对象的软件缺陷预测中，研究内容包括

2、以下几个方面：1、分析比较了现存的软件缺陷预测方法，包括支持向量机（SVM）、朴素贝叶斯（NB）、K近邻（KNN）和BP神经网络等。随着面向对象技术的普遍应用，为了更加全面地描述面向对象软件的特征，需要用更多的度量属性，导致预测软件缺陷的度量数据的维数越来越高，当软件缺陷预测数据呈现出高维的特性时，这些预测方法并不能达到很好的预测结果。2、针对数据的高维特性对预测结果的影响，提出了基于流形学习的面向对象的软件缺陷预测模型，在该模型中先利用LLE、LE、ISOMAP、PCA等流形学习算法提取面向对象的软件缺陷数据的低维特征，再利用传统的软件

3、缺陷预测方法对低维特征进行分类。在两个数据集上验证了所提模型的有效性，实验结果表明降维后再分类不但提高了预测方法的预测精度，而且极大地提高预测方法的执行效率。3、通过实验对流形学习算法中的两个参数邻域大小k和低维维数d进行了估计，根据实验结果选择较优的参数，并比较了利用几种流形学习算法提取特征对预测结果的影响，通过实验结果可以发现，利用LE算法提取特征的预测结果最好。关键字：流形学习面向对象LE算法软件度量软件缺陷预测I基于流形学习的面向对象的软件缺陷预测方法研究AbstractWiththescaleofprojectsdevelopm

4、enthaveincreasinglylarge,softwaredevelopmenttechnologygraduallybecomeobject-orienteddevelopment,inordertobetterdescribethecharacteristicsofobject-orientedsoftware,softwaremetricmodelneedtousemoreattributestomeasuresoftwarewhichleadtothedimensionsofdataishigherandhigher.Ho

5、wever,withtheincreasingofthedimensionofdata,effectivepredictsoftwaredefectsbecomesmoreandmoredifficult,resultingina“dimensiondisaster’’problem.Therefore,inordertopredicttheexistenceofdefectsinthesoftwaremoreaccuratelysoastoimprovethequalityofthesoftware,softwaremetricsfor

6、high-dimensionaldatareducesdimensionalityisnecessary.Manifoldlearningmethodisanimportantmeansfordealingwithhigh-dimensionaldata,itcanbefoundhiddeninthestructureofsoftwaremetricsofhigh-dimensionaldata.Thispapermainlystudieshowtousethemanifoldlearningisappliedtoobject-orien

7、tedsoftwaredefectmodel,researchcontentsincludethefollowingaspects:1、AnalysisandComparingtheeffectofthesoftwaredefectpredictionmethod.IncludingSVM,NB,KNNandBPneuralnetwork.Withthewidelyapplicationoftheobject-orientedtechnology,inordertodescribethecharacteristicsofobject-or

8、ientedsoftwaremorecomprehensivesoneedtousemoremetricsproperties,leadtoincreasinglyhighdimensiono