基于支持向量机的软件可靠性模型研究
| 摘要 | 第1-8页 |
| Abstract | 第8-10页 |
| 符号表(Symbols) | 第10-11页 |
| 缩略词(Acronyms) | 第11-12页 |
| 第1章 绪论 | 第12-16页 |
| ·研究背景及意义 | 第12-13页 |
| ·国内外研究现状 | 第13-14页 |
| ·主要研究内容与论文结构 | 第14-16页 |
| 第2章 软件可靠性相关理论与技术 | 第16-34页 |
| ·软件可靠性的基本概念 | 第16-19页 |
| ·软件可靠性的定义 | 第16页 |
| ·软件可靠性的度量 | 第16-18页 |
| ·软件失效机理 | 第18页 |
| ·软件可靠性因素 | 第18-19页 |
| ·软件可靠性评估技术 | 第19-20页 |
| ·软件可靠性模型与应用 | 第20-26页 |
| ·软件可靠性模型的概念 | 第20-21页 |
| ·软件可靠性增长模型 | 第21-24页 |
| ·软件可靠性模型的分类 | 第24页 |
| ·软件可靠性模型的建模原理 | 第24-25页 |
| ·建模的一般过程 | 第25-26页 |
| ·经典的软件可靠性模型 | 第26-32页 |
| ·经典SRG模型的假设及其局限性 | 第26-27页 |
| ·Goel-Okumoto模型 | 第27-29页 |
| ·Jelinski-Moranda模型 | 第29-32页 |
| ·经典软件可靠性评估工具 | 第32-34页 |
| ·AT&T的软件可靠性工具箱 | 第32页 |
| ·统计建模和软件可靠性功能估计(SMERFS) | 第32页 |
| ·统计模型和可靠性程序(SRMP) | 第32-33页 |
| ·计算机辅助软件可靠性工程(CASRE)工具 | 第33页 |
| ·经济停止测试模型(ESTM)工具 | 第33-34页 |
| 第3章 软件复杂性度量 | 第34-37页 |
| ·前言 | 第34页 |
| ·HALSTEAD度量 | 第34-35页 |
| ·McCabe度量 | 第35-36页 |
| ·C&K度量 | 第36-37页 |
| 第4章 支持向量机理论 | 第37-46页 |
| ·前言 | 第37-38页 |
| ·统计学习理论 | 第38-42页 |
| ·数据驱动的机器学习问题 | 第38-39页 |
| ·学习过程的一致性 | 第39-41页 |
| ·学习机推广能力的界 | 第41-42页 |
| ·结构风险最小化准则 | 第42页 |
| ·支持向量机 | 第42-46页 |
| ·最优分类超平面 | 第42-43页 |
| ·支持向量分类 | 第43-44页 |
| ·支持向量回归 | 第44-46页 |
| 第5章 基于SVR的软件可靠性模型 | 第46-55页 |
| ·前言 | 第46页 |
| ·数据源 | 第46-48页 |
| ·SVR模型的建立 | 第48-49页 |
| ·核函数的选择 | 第48页 |
| ·交叉验证和网格搜索 | 第48-49页 |
| ·SVRSRG模型算法步骤 | 第49页 |
| ·SVRSRG模型的实现方法 | 第49-52页 |
| ·实验结论与模型评价 | 第52-55页 |
| ·模型评价指标 | 第52-53页 |
| ·模型评价结论 | 第53-55页 |
| 第6章 基于SVM的软件可靠性早期预测模型 | 第55-60页 |
| ·数据集 | 第55-59页 |
| ·主分量分析 | 第59-60页 |
| ·实验结论 | 第60页 |
| 第7章 工作总结 | 第60-62页 |
| 第8章 工作展望 | 第62-63页 |
| 参考文献(Bibliography) | 第63-66页 |
| 致谢(Acknowledgements) | 第66-68页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第68页 |
| 附录B 数据表 | 第68-70页 |
| 表B1 观测数据及三模型预测值 | 第68-69页 |
| 表B2 SVRSRG模型数据文件 | 第69-70页 |
