基于深度学习的软件缺陷预测方法研究与应用

摘要

为了提高面向商用飞机智能制造的大数据建模平台系统的质量和可靠性，合理利用项目资源，降低测试成本，提高研发效率，研究和实现了基于深度学习的软件缺陷预测方法。主要工作内容如下： 首先，提出一种基于堆叠降噪稀疏自动编码器的软件缺陷预测方法。将深度学习理论中的自动编码器应用于软件缺陷预测的特征提取，并对其损失代价函数及稀疏性约束方法进行改进，同时为了消除噪声对数据的影响，提出一种基于堆叠降噪稀疏自动编码器的软件缺陷预测方法。该方法可以从原始数据中主动地学习特征，通过设置不同的隐藏层数、稀疏规则化参数和加噪比率，直接高效地从原始数据中提取出所需的各层次特征，然后结合Logistic回归分类器对提取的特征进行分类和预测。利用Eclipse缺陷数据集的实验结果表明，该方法较传统特征提取的软件缺陷预测方法具有更好的预测性能。 其次，提出一种基于深度堆叠森林的软件缺陷预测方法。深度神经网络在训练时需要大规模的训练数据，对于小规模数据的任务会由于训练欠拟合而达不到理想的效果，并且深度神经网络的超参数太多，调参复杂且困难。针对这些问题，将深度森林算法应用于软件缺陷预测，并对其特征向量生成方法、特征变换方法和逐层学习方法进行了改进，提出一种基于深度堆叠森林的软件缺陷预测方法。该方法首先用随机抽样方法对原始数据进行特征变换，再使用堆叠森林对变换的特征做逐层表征学习。实验结果表明，该方法在预测性能和时间效率上均比基于深度森林的软件缺陷预测方法有明显的提升。 最后，使用提出的两种软件缺陷预测方法对大数据建模平台系统进行缺陷预测。首先抽取软件系统的程序模块，设计度量元并进行度量，得出特征数据，其次从所有程序模块中随机抽取部分程序模块进行人工测试并标记标签，然后以有标签程序模块的缺陷数据集为训练集构建软件缺陷预测模型，预测无标签程序模块的缺陷倾向性。最后比较预测结果与实际人工测试结果，验证所提软件缺陷预测方法的有效性。

目录

第一个书签之前