| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 注释表 | 第10-11页 |
| 缩略词 | 第11-12页 |
| 第一章 绪论 | 第12-16页 |
| 1.1 研究背景及选题依据 | 第12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文的主要研究工作 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-16页 |
| 第二章 软件缺陷预测相关技术 | 第16-30页 |
| 2.1 软件缺陷预测概述 | 第16-22页 |
| 2.1.1 软件缺陷预测的概念 | 第16页 |
| 2.1.2 软件缺陷预测技术分类 | 第16-18页 |
| 2.1.3 软件缺陷预测模型 | 第18-22页 |
| 2.2 特征选择技术 | 第22-25页 |
| 2.2.1 特征选择概述 | 第22-24页 |
| 2.2.2 特征选择方法 | 第24-25页 |
| 2.3 深度学习理论 | 第25-29页 |
| 2.3.1 深度信念网 | 第25-27页 |
| 2.3.2 降噪自动编码器 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 基于深度信念网与支持向量机的软件缺陷预测模型 | 第30-40页 |
| 3.1 问题描述 | 第30-31页 |
| 3.2 DBN-SVM软件缺陷预测模型框架 | 第31-32页 |
| 3.3 实验与性能评估 | 第32-36页 |
| 3.3.1 数据预处理 | 第32-33页 |
| 3.3.2 算法设计 | 第33-34页 |
| 3.3.3 实验结果 | 第34-36页 |
| 3.4 结果统计与分析 | 第36-38页 |
| 3.5 本章小结 | 第38-40页 |
| 第四章 基于降噪编码器与支持向量机的软件缺陷预测模型 | 第40-50页 |
| 4.1 问题描述 | 第40页 |
| 4.2 DA-SVM软件缺陷预测模型框架 | 第40-41页 |
| 4.3 实验与性能评估 | 第41-43页 |
| 4.3.1 算法设计 | 第41-43页 |
| 4.3.2 实验内容 | 第43页 |
| 4.4 实验与性能评估 | 第43-49页 |
| 4.4.1 未剔除数据实验结果 | 第44-46页 |
| 4.4.2 剔除数据后的实验结果 | 第46-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第五章 软件缺陷预测框架及系统实现 | 第50-60页 |
| 5.1 软件缺陷预测框架 | 第50页 |
| 5.2 学习规则的组成 | 第50-56页 |
| 5.2.1 数据预处理 | 第51-53页 |
| 5.2.2 特征选择算法 | 第53页 |
| 5.2.3 学习算法 | 第53-56页 |
| 5.3 软件缺陷预测系统实现 | 第56-59页 |
| 5.3.1 软件缺陷预测系统整体框架 | 第56页 |
| 5.3.2 系统实现相关技术 | 第56-57页 |
| 5.3.3 预测系统工具实现 | 第57-59页 |
| 5.4 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 本文的主要工作 | 第60-61页 |
| 6.2 本文的不足和未来的研究工作 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67-68页 |
| 在学期间的研究成果及发表的学术论文 | 第68页 |