基于机器学习算法的软件缺陷预测技术研究
| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第一章 绪论 | 第13-22页 |
| 1.1 引言 | 第13-14页 |
| 1.2 软件缺陷预测及研究现状 | 第14-17页 |
| 1.2.1 软件缺陷预测的基本内容 | 第14-15页 |
| 1.2.2 软件缺陷预测的研究简史 | 第15-17页 |
| 1.3 本文研究内容与创新点 | 第17-20页 |
| 1.3.1 本文研究内容 | 第17-19页 |
| 1.3.2 本文创新点 | 第19-20页 |
| 1.4 本文的组织结构 | 第20-22页 |
| 第二章 软件缺陷预测的相关技术 | 第22-40页 |
| 2.1 软件失效机理 | 第22-23页 |
| 2.2 软件缺陷预测度量 | 第23-28页 |
| 2.2.1 代码度量 | 第23页 |
| 2.2.2 McCabe度量 | 第23-24页 |
| 2.2.3 Halstead度量 | 第24-25页 |
| 2.2.4 CK度量 | 第25-26页 |
| 2.2.5 其它度量指标 | 第26-28页 |
| 2.3 软件缺陷预测的研究种类 | 第28-29页 |
| 2.4 构建软件缺陷预测模型的主要机器学习算法 | 第29-36页 |
| 2.4.1 基于逻辑回归的软件缺陷预测 | 第29-31页 |
| 2.4.2 基于支持向量机的软件缺陷预测 | 第31-34页 |
| 2.4.3 基于高斯判别分析的软件缺陷预测 | 第34-36页 |
| 2.5 软件缺陷预测模型的评估指标 | 第36-39页 |
| 2.6 本章小结 | 第39-40页 |
| 第三章 基于迁移学习的软件缺陷预测 | 第40-56页 |
| 3.1 研究背景 | 第40-42页 |
| 3.2 迁移学习概述 | 第42页 |
| 3.3 迁移成分分析 | 第42-44页 |
| 3.4 基于迁移成分分析的软件缺陷预测 | 第44-48页 |
| 3.4.1 数据预处理 | 第44-45页 |
| 3.4.2 数据归一化选择 | 第45-48页 |
| 3.5 实验和结果 | 第48-55页 |
| 3.5.1 缺陷预测过程 | 第48-49页 |
| 3.5.2 数据集与评估指标简介 | 第49-51页 |
| 3.5.3 实验设置 | 第51-52页 |
| 3.5.4 实验结果与分析 | 第52-55页 |
| 3.6 本章小结 | 第55-56页 |
| 第四章 基于深度信念网络的软件缺陷预测 | 第56-72页 |
| 4.1 研究背景 | 第56-57页 |
| 4.2 基于深度信念网络的软件缺陷预测 | 第57-63页 |
| 4.2.1 提出的方法框架 | 第57-59页 |
| 4.2.2 数据预处理 | 第59-60页 |
| 4.2.3 特征集成 | 第60-62页 |
| 4.2.4 分类器的结构 | 第62-63页 |
| 4.3 实验和结果 | 第63-70页 |
| 4.3.1 实验设置 | 第63-65页 |
| 4.3.2 实验结果与分析 | 第65-70页 |
| 4.4 本章小结 | 第70-72页 |
| 第五章 总结与展望 | 第72-74页 |
| 5.1 全文总结 | 第72-73页 |
| 5.2 展望 | 第73-74页 |
| 参考文献 | 第74-83页 |
| 攻读硕士期间参与的科研项目 | 第83-84页 |
| 致谢 | 第84页 |
