2023年全國(guó)碩士研究生考試考研英語(yǔ)一試題真題(含答案詳解+作文范文)_第1頁(yè)
已閱讀1頁(yè),還剩146頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶(hù)提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、隨著軟件產(chǎn)業(yè)的迅猛發(fā)展,軟件規(guī)模越來(lái)越大,開(kāi)發(fā)過(guò)程也隨之越來(lái)越難以控制,而且軟件失效所帶來(lái)的損失也愈加嚴(yán)重,軟件質(zhì)量預(yù)測(cè)系統(tǒng)在這種情況下應(yīng)運(yùn)而生。這一系統(tǒng)致力于在軟件開(kāi)發(fā)的早期發(fā)現(xiàn)有失效傾向的模塊,從而在后續(xù)的開(kāi)發(fā)和系統(tǒng)測(cè)試中能夠優(yōu)化資源配置,以達(dá)到最大限度地降低軟件失效數(shù)量的目的。實(shí)踐證明,該系統(tǒng)的應(yīng)用能夠有效地縮短軟件產(chǎn)品的開(kāi)發(fā)周期,降低軟件維護(hù)成本并同時(shí)提高軟件的質(zhì)量。本文以朗訊科技光網(wǎng)絡(luò)有限公司的某三個(gè)大型商用軟件產(chǎn)品為基礎(chǔ)對(duì)軟

2、件質(zhì)量預(yù)測(cè)模型中的屬性選擇、分類(lèi)器集成和規(guī)則抽取等問(wèn)題進(jìn)行了重點(diǎn)研究。 本文首先提出了軟件質(zhì)量預(yù)測(cè)系統(tǒng)的框架,將軟件質(zhì)量預(yù)測(cè)系統(tǒng)劃分為三個(gè)部分:前端、核心和后端,并闡明了每個(gè)部分的主要任務(wù)。在系統(tǒng)的前端,主要進(jìn)行數(shù)據(jù)的預(yù)處理和屬性選擇。經(jīng)過(guò)數(shù)據(jù)預(yù)處理和屬性選擇以后的數(shù)據(jù)被劃分為訓(xùn)練集和測(cè)試集進(jìn)入系統(tǒng)的核心部分。在核心部分,根據(jù)選定的算法對(duì)軟件質(zhì)量預(yù)測(cè)模型進(jìn)行訓(xùn)練,并用測(cè)試集數(shù)據(jù)進(jìn)行測(cè)試。核心部分得到的結(jié)果包括訓(xùn)練好的模型描述和模

3、型在測(cè)試集上的預(yù)測(cè)結(jié)果。后端的主要任務(wù)則是對(duì)已有的模型描述進(jìn)行規(guī)則提取,并根據(jù)模型在測(cè)試集上的預(yù)測(cè)結(jié)果對(duì)其進(jìn)行比較和評(píng)估。 其次,在軟件質(zhì)量預(yù)測(cè)的前端,本文提出了一種基于遺傳算法的屬性選擇方法(CFGA),它在同一個(gè)遺傳進(jìn)化過(guò)程中完成聚類(lèi)和屬性選擇兩個(gè)動(dòng)作,以聚類(lèi)的效果作為屬性選擇進(jìn)化的適應(yīng)度函數(shù),可以通過(guò)調(diào)整參數(shù)來(lái)使聚類(lèi)得到的簇變得緊密或者疏松。這一方法既可以適用于無(wú)經(jīng)驗(yàn)數(shù)據(jù)的情況,也適用于有經(jīng)驗(yàn)數(shù)據(jù)的情況。對(duì)于無(wú)經(jīng)驗(yàn)數(shù)據(jù)的情

4、況,聚類(lèi)的結(jié)果將由軟件領(lǐng)域?qū)<覀冞M(jìn)行進(jìn)一步的分析。而經(jīng)過(guò)聚類(lèi)和屬性選擇后的數(shù)據(jù)集將會(huì)大大減少專(zhuān)家的工作量。對(duì)于有經(jīng)驗(yàn)數(shù)據(jù)的情況,聚類(lèi)后得到的簇將會(huì)被分為三類(lèi):孤點(diǎn)簇、高純度簇和低純度簇。孤點(diǎn)簇中的樣本由于其特殊性將會(huì)由領(lǐng)域?qū)<疫M(jìn)行專(zhuān)門(mén)分析;低純度簇可以由經(jīng)驗(yàn)數(shù)據(jù)訓(xùn)練的監(jiān)督學(xué)習(xí)模型進(jìn)行再分類(lèi)從而得到較高的預(yù)測(cè)準(zhǔn)確率;而高純度簇可以本身就具有較高的預(yù)測(cè)準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明,與Sprint-Sliq、TreeDisc和S-PLUS這三種最新的

5、軟件質(zhì)量預(yù)測(cè)模型相比,CFGA具有更高的預(yù)測(cè)準(zhǔn)確率。 再次,本文在軟件質(zhì)量預(yù)測(cè)的核心部分,提出了一個(gè)基于Kohonen網(wǎng)絡(luò)的多分類(lèi)器集成系統(tǒng)來(lái)提高分類(lèi)器的預(yù)測(cè)準(zhǔn)確率。Kohonen網(wǎng)絡(luò)能夠模仿人腦決策的過(guò)程,通過(guò)對(duì)多個(gè)分量分類(lèi)器的集成來(lái)得出最后的結(jié)論。這種分類(lèi)器集成策略在三個(gè)不同產(chǎn)品數(shù)據(jù)集上的預(yù)測(cè)準(zhǔn)確率都高于加權(quán)投票策略、簡(jiǎn)單投票策略和求和規(guī)則這三種目前常用的集成策略。同時(shí),本文還在集成網(wǎng)絡(luò)中引入了動(dòng)態(tài)選擇機(jī)制,動(dòng)態(tài)選擇網(wǎng)絡(luò)的作

6、用是為每個(gè)分量分類(lèi)器限定局部有效空間,使分量分類(lèi)器作用在局部的有效空間上,即在全部的樣本空間中表現(xiàn)出差異性,而不是對(duì)所有的樣本都表現(xiàn)出共同性。從數(shù)據(jù)結(jié)果看,這種作用在分量分類(lèi)器數(shù)量較大時(shí),能夠明顯地提高預(yù)測(cè)準(zhǔn)確率,消除越界表決的情況。 最后,本文在軟件質(zhì)量預(yù)測(cè)系統(tǒng)的后端提出了一種基于遺傳算法的神經(jīng)網(wǎng)絡(luò)規(guī)則提取算法。這是一種分解型規(guī)則提取算法,它首先從訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中抽取出輸入層和隱層之間的權(quán)值和偏置,然后把隱層的激躍值用輸入單

7、元、權(quán)值和偏置表示,接下來(lái)在這些由隱層單元表示的數(shù)據(jù)集上應(yīng)用遺傳算法進(jìn)行聚類(lèi),最后從聚類(lèi)中,得到IF-THEN形式的規(guī)則集。在遺傳算法的進(jìn)化過(guò)程中討論了兩種不同的進(jìn)化策略:以聚類(lèi)結(jié)果為導(dǎo)向的進(jìn)化策略和以抽取規(guī)則質(zhì)量為導(dǎo)向的進(jìn)化策略。以聚類(lèi)結(jié)果為導(dǎo)向的進(jìn)化策略定義的適應(yīng)度函數(shù)致力于表現(xiàn)聚類(lèi)結(jié)果,并通過(guò)調(diào)整權(quán)值使簇的進(jìn)化朝著疏松或者緊密的方向發(fā)展。而以抽取規(guī)則質(zhì)量為導(dǎo)向的進(jìn)化策略適應(yīng)度函數(shù)的定義則直接反應(yīng)了規(guī)則的精度、可理解性和保真度,使進(jìn)

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶(hù)所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶(hù)上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶(hù)上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶(hù)因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論