基于聚类集成学习的软件缺陷预测方法

    公开(公告)号:CN118626384A

    公开(公告)日:2024-09-10

    申请号:CN202410817614.2

    申请日:2024-06-24

    摘要: 本发明公开了基于聚类集成学习的软件缺陷预测方法,涉及软件缺陷预测技术领域。本发明与之前的软件缺陷预测方法相比,解决了现有软件缺陷预测方法需要大量数据进行对比,耗费大量时间及运行成本;只通过单一的聚类方法从特定的角度分析和处理数据,无法全面捕捉数据的特征和模式的问题;结合卡方检验和稀疏主成分分析的特征选择策略来进行特征选择;首先用卡方检验筛选出最具有统计显著性的特征,再使用稀疏主成分分析对这些显著特征进行降维;还基于谱聚类、纽曼聚类、流体聚类和CNM聚类四种方法组成的聚类集成方法进行软件缺陷预测。在性能上取得了显著的改善;为未来工作提供了有益的指导,强调了聚类集成方法在无监督学习中的潜在优势。

    基于Java开源软件的版本间兼容性可信性量化评估方法

    公开(公告)号:CN118963832A

    公开(公告)日:2024-11-15

    申请号:CN202411036321.7

    申请日:2024-07-31

    IPC分类号: G06F8/76 G06F8/71

    摘要: 本发明公开了基于Java开源软件的版本间兼容性可信性量化评估方法,涉及计算机技术领域。本发明与之前的软件版本间的兼容性问题评估方法相比,解决了现有技术中暂未有对软件版本之间的兼容性进行可信性度量的研究的问题;提供一种可信量化分析框架来评估软件版本间的兼容性。包括不兼容度量指标的设计、检测工具的制作、兼容性可信性度量模型的构建以及度量分级模型的实现,来评估不同版本之间的兼容性。以确保软件在不同环境和使用情境下都能正常运行,可以为软件开发人员提供更全面的开源软件版本间兼容性评估方法和工具,以帮助他们更好地管理软件版本升级过程中的兼容性问题,从而提高软件的质量和可靠性。

    基于迁移学习的跨项目软件缺陷数量预测方法

    公开(公告)号:CN117056226A

    公开(公告)日:2023-11-14

    申请号:CN202311043463.1

    申请日:2023-08-18

    IPC分类号: G06F11/36 G06F8/41 G06N3/096

    摘要: 本发明公开了基于迁移学习的跨项目软件缺陷数量预测方法,包括步骤:S1、源代码解析和向量映射:通过对Java项目源码进行转换,得到由抽象语法树转化的数字向量;S2、神经网络模型构建与特征提取:将数字向量输入到神经网络模型中,并引入迁移学习算法来提取不同项目间可迁移的语义特征;S3、构造缺陷数量预测模型;S4、使用目标项目对跨项目缺陷数量预测模型进行评估,判断每个模块中存在的缺陷数量。本发明结合迁移学习和深度学习方法来进行跨项目缺陷数量预测,通过使用神经网络模型来提取语义特征,然后使用迁移学习方法匹配项目间相似度高的特征,并和度量元特征进行联合,提高了模型在跨项目缺陷数量预测方面的性能。