基于流形學(xué)習(xí)的面向?qū)ο蟮能浖毕蓊A(yù)測(cè)方法研究.pdf

1、隨著項(xiàng)目開發(fā)規(guī)模的日趨龐大，軟件開發(fā)技術(shù)逐步趨于面向?qū)ο蟮拈_發(fā)，為了更好地描述面向?qū)ο蟮能浖奶匦?，需要用更多的屬性?lái)度量軟件，導(dǎo)致度量數(shù)據(jù)的維數(shù)越來(lái)越高。然而，隨著數(shù)據(jù)維數(shù)的增加，有效地預(yù)測(cè)軟件中存在的缺陷變得越發(fā)的困難，產(chǎn)生了“維數(shù)災(zāi)難”問(wèn)題。因此，為了更準(zhǔn)確地預(yù)測(cè)軟件中存在的各種缺陷從而提高軟件的質(zhì)量，對(duì)高維的軟件度量數(shù)據(jù)進(jìn)行降維處理是非常必要的。而流形學(xué)習(xí)方法是處理高維數(shù)據(jù)的一個(gè)重要手段，可以發(fā)現(xiàn)隱藏在高維的軟件度量數(shù)據(jù)中的真實(shí)

2、結(jié)構(gòu)。本文主要研究如何將流形學(xué)習(xí)應(yīng)用到面向?qū)ο蟮能浖毕蓊A(yù)測(cè)中，研究?jī)?nèi)容包括以下幾個(gè)方面：
　　1、分析比較了現(xiàn)存的軟件缺陷預(yù)測(cè)方法，包括支持向量機(jī)（SVM）、樸素貝葉斯（NB）、K近鄰（KNN）和BP神經(jīng)網(wǎng)絡(luò)等。隨著面向?qū)ο蠹夹g(shù)的普遍應(yīng)用，為了更加全面地描述面向?qū)ο筌浖奶卣鳎枰酶嗟亩攘繉傩?，?dǎo)致預(yù)測(cè)軟件缺陷的度量數(shù)據(jù)的維數(shù)越來(lái)越高，當(dāng)軟件缺陷預(yù)測(cè)數(shù)據(jù)呈現(xiàn)出高維的特性時(shí)，這些預(yù)測(cè)方法并不能達(dá)到很好的預(yù)測(cè)結(jié)果。
　　2

3、、針對(duì)數(shù)據(jù)的高維特性對(duì)預(yù)測(cè)結(jié)果的影響，提出了基于流形學(xué)習(xí)的面向?qū)ο蟮能浖毕蓊A(yù)測(cè)模型，在該模型中先利用LLE、LE、ISOMAP、PCA等流形學(xué)習(xí)算法提取面向?qū)ο蟮能浖毕輸?shù)據(jù)的低維特征，再利用傳統(tǒng)的軟件缺陷預(yù)測(cè)方法對(duì)低維特征進(jìn)行分類。在兩個(gè)數(shù)據(jù)集上驗(yàn)證了所提模型的有效性，實(shí)驗(yàn)結(jié)果表明降維后再分類不但提高了預(yù)測(cè)方法的預(yù)測(cè)精度，而且極大地提高預(yù)測(cè)方法的執(zhí)行效率。
　　3、通過(guò)實(shí)驗(yàn)對(duì)流形學(xué)習(xí)算法中的兩個(gè)參數(shù)鄰域大小k和低維維數(shù)d進(jìn)行了