基于神經網絡的軟件缺陷預測研究.pdf

1、近年來，互聯(lián)網行業(yè)的迅速發(fā)展，催促著軟件產業(yè)向前發(fā)展，而軟件產業(yè)是互聯(lián)網行業(yè)的基石，軟件的安全性關系到互聯(lián)網整個行業(yè)的發(fā)展，對國家經濟、軍事、政治乃至國民生活的方方面面都有著十分重要的影響。所以對軟件缺陷進行預測研究，及時的發(fā)現(xiàn)和消除缺陷，確保其能夠安全的為人們所用是非常有意義的。
　　對軟件產品進行研究，消除軟件漏洞，提高軟件質量是一個非常重要的課題?；谲浖臍v史缺陷數(shù)據(jù)來進行軟件缺陷預測，指導對軟件模塊進行改進以及功能擴充，

2、對新模塊的開發(fā)起到一定的輔助支持作用。本文從機器學習的角度對軟件缺陷的特點進行分析，同時分析了當前已存在的軟件缺陷預測方法中的不足和缺點:
　　(1)在進行軟件缺陷預測時，數(shù)據(jù)集不同，數(shù)據(jù)具有不同的屬性特點，稀疏性不同。故，傳統(tǒng)的預測方法脆弱，難以適應各種不同的數(shù)據(jù)集。
　　(2)人工來對軟件進行檢查是不現(xiàn)實的，這樣既費時又費力。目前，通過利用機器學習算法建立軟件缺陷預測模型來進行軟件缺陷預測，但是存在對軟件的信息收集不足，

3、很難對軟件缺陷進行合理有效的預測的問題。
　　本文方法是對粒子群算法進行改進，用于對神經網絡算法進行優(yōu)化的組合的混合機器學習算法用于軟件缺陷預測領域，提高預測的精確度，論文的主要貢獻如下:
　　(1)本文首先分析了傳統(tǒng)的預測方法存在的問題和不足，提出利用粒子群算法優(yōu)化神經網絡，相比于傳統(tǒng)的遺傳算法，它使遺傳算法不再使用固有的選擇、交叉及變異等操作，而是根據(jù)自己的速度進行收索，縮短了神經網絡的訓練時間，加快其收斂速度，以達到提

4、高神經網絡的泛化能力的目的。
　　(2)PSO(Particle Swarm Optimization，PSO)算法是一種群體智能的全局搜索的優(yōu)化算法，針對標準粒子群算法的容易陷入局部最優(yōu)值的缺點，本文提出將其改進為帶變異概率的非線性權重更新的IVPSO(Improved Variation PSO)算法，這樣它不但克服了原來的缺點，而且還適用于對BP網絡進行優(yōu)化。
　　(3)對于軟件缺陷預測技術，本文首先分析BP算法的特性