| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 项目内部软件缺陷预测 | 第13-14页 |
| 1.2.2 跨项目软件缺陷预测 | 第14-16页 |
| 1.3 论文的研究内容 | 第16-17页 |
| 1.4 论文的组织结构 | 第17-18页 |
| 第二章 相关理论和技术 | 第18-26页 |
| 2.1 有监督学习算法 | 第18-20页 |
| 2.1.1 支持向量机 | 第18-19页 |
| 2.1.2 朴素贝叶斯 | 第19页 |
| 2.1.3 分类与回归树 | 第19-20页 |
| 2.2 集成学习算法 | 第20-22页 |
| 2.2.1 Bagging算法 | 第20-21页 |
| 2.2.2 Boosting算法 | 第21-22页 |
| 2.2.3 Stacking算法 | 第22页 |
| 2.3 迁移方法 | 第22-25页 |
| 2.3.1 遗传算法 | 第22-23页 |
| 2.3.2 过滤算法 | 第23-24页 |
| 2.3.3 迁移成分分析 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于基线变换和转换函数的跨项目缺陷预测 | 第26-42页 |
| 3.1 基线变换法的理论基础 | 第26-27页 |
| 3.2 基线变换的定义 | 第27-29页 |
| 3.3 数据集处理和度量指标选择 | 第29-31页 |
| 3.3.1 数据集处理 | 第29-30页 |
| 3.3.2 指标计算方法 | 第30-31页 |
| 3.4 实验结果与分析 | 第31-41页 |
| 3.4.1 实验平台 | 第31页 |
| 3.4.2 数据集 | 第31页 |
| 3.4.3 评价指标 | 第31-32页 |
| 3.4.4 实验设置 | 第32页 |
| 3.4.5 实验分析 | 第32-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 基于预处理和分类器迁移的综合预测模型 | 第42-61页 |
| 4.1 混合模型构造方法 | 第42-45页 |
| 4.1.1 遗传算法阶段 | 第42-44页 |
| 4.1.2 集成学习阶段 | 第44-45页 |
| 4.2 基于混合模型构造方法的改进 | 第45-46页 |
| 4.2.1 阈值延迟生成 | 第45-46页 |
| 4.2.2 适应度指标选择 | 第46页 |
| 4.3 实验结果与分析 | 第46-60页 |
| 4.3.1 实验平台 | 第46-47页 |
| 4.3.2 数据集 | 第47页 |
| 4.3.3 评价指标 | 第47页 |
| 4.3.4 实验设置 | 第47-48页 |
| 4.3.5 实验分析 | 第48-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第五章 基于目标项目标记未知及基线转换法粒度的改进 | 第61-73页 |
| 5.1 目标项目寻找基线方法 | 第61页 |
| 5.2 特征层面基线变换法 | 第61-62页 |
| 5.3 实验结果与分析 | 第62-72页 |
| 5.3.1 实验平台 | 第62页 |
| 5.3.2 数据集 | 第62-63页 |
| 5.3.3 评价指标 | 第63页 |
| 5.3.4 实验设置 | 第63-64页 |
| 5.3.5 实验分析 | 第64-72页 |
| 5.4 本章小结 | 第72-73页 |
| 第六章 总结和展望 | 第73-75页 |
| 6.1 工作总结 | 第73-74页 |
| 6.2 未来工作展望 | 第74-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-81页 |
| 附录 | 第81-82页 |
| 详细摘要 | 第82-84页 |