基于支持向量机的测试用例生成方法研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 软件测试的概述 | 第8-12页 |
| 1.2 研究背景及意义 | 第12-13页 |
| 1.3 研究主要内容 | 第13-14页 |
| 1.4 本文组织结构 | 第14-15页 |
| 第2章 研究现状 | 第15-20页 |
| 2.1 常规的功能性测试用例生成方法 | 第15-16页 |
| 2.2 基于模型的测试用例生成方法 | 第16-17页 |
| 2.3 基于机器学习的测试用例生成方法 | 第17-19页 |
| 2.3.1 基于神经网络的测试用例生成方法 | 第17页 |
| 2.3.2 基于支持向量机的测试用例生成方法 | 第17-19页 |
| 2.3.3 基于其他机器学习的测试用例生成方法 | 第19页 |
| 2.4 本章小结 | 第19-20页 |
| 第3章 相关研究 | 第20-30页 |
| 3.1 功能性测试 | 第20-22页 |
| 3.1.1 功能性测试的定义 | 第20页 |
| 3.1.2 功能性测试的方法 | 第20-22页 |
| 3.2 支持向量机 | 第22-29页 |
| 3.2.1 监督学习的执行框架 | 第22-23页 |
| 3.2.2 SVM算法的原理 | 第23-27页 |
| 3.2.3 SVM算法步骤与特点 | 第27-28页 |
| 3.2.4 核函数 | 第28-29页 |
| 3.3 本章小结 | 第29-30页 |
| 第4章 基于支持向量机的测试用例生成方法 | 第30-46页 |
| 4.1 输入数据的自动产生 | 第30-33页 |
| 4.1.1 PICT工具 | 第31-32页 |
| 4.1.2 输入参数的覆盖标准 | 第32-33页 |
| 4.2 SVM模型的建立 | 第33-40页 |
| 4.2.1 典型样本的设计 | 第33-35页 |
| 4.2.2 SVM模型组的建立 | 第35-37页 |
| 4.2.3 SVM模型的参数优化 | 第37-39页 |
| 4.2.4 SVM的多分类问题 | 第39-40页 |
| 4.3 SVM模型的评估 | 第40-43页 |
| 4.3.1 混淆矩阵 | 第40-41页 |
| 4.3.2 评价指标 | 第41-43页 |
| 4.4 预期输出的自动生成 | 第43-44页 |
| 4.5 本章小结 | 第44-46页 |
| 第5章 实验及分析 | 第46-56页 |
| 5.1 活动图模型文件验证实例的简介 | 第46-47页 |
| 5.2 典型样本的设计 | 第47-50页 |
| 5.2.1 数据预处理 | 第47页 |
| 5.2.2 输入数据的自动生成 | 第47-50页 |
| 5.3 SVM模型的建立 | 第50-55页 |
| 5.4 测试用例的生成 | 第55页 |
| 5.5 本章小结 | 第55-56页 |
| 第6章 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56-57页 |
| 6.2 展望 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 攻读硕士学位期间参与课题情况 | 第63-64页 |
| 攻读硕士期间发表论文、软件著作权及获奖情况 | 第64-65页 |
| 致谢 | 第65-66页 |
