| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 注释表 | 第11-12页 |
| 缩略词 | 第12-13页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.3 论文主要工作 | 第16-17页 |
| 1.4 论文组织结构 | 第17-19页 |
| 第二章 软件缺陷预测与深度学习 | 第19-28页 |
| 2.1 软件缺陷预测 | 第19-22页 |
| 2.1.1 软件缺陷 | 第19页 |
| 2.1.2 软件度量 | 第19-20页 |
| 2.1.3 评价指标 | 第20-22页 |
| 2.2 深度学习 | 第22-25页 |
| 2.2.1 浅层学习与深度学习 | 第22-23页 |
| 2.2.2 常见的深度学习算法 | 第23-25页 |
| 2.3 相关学习算法 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于堆叠降噪稀疏自动编码器的软件缺陷预测方法 | 第28-47页 |
| 3.1 传统自动编码器 | 第28-32页 |
| 3.1.1 自动编码器 | 第28-29页 |
| 3.1.2 传统自动编码器的不足 | 第29-32页 |
| 3.2 改进的自动编码器 | 第32-35页 |
| 3.2.1 基于交叉熵的损失代价函数 | 第32-33页 |
| 3.2.2 基于L1规则的稀疏性约束方法 | 第33页 |
| 3.2.3 改进的降噪稀疏自动编码器 | 第33-35页 |
| 3.3 基于堆叠降噪稀疏自动编码器的软件缺陷预测 | 第35-39页 |
| 3.3.1 堆叠降噪稀疏自动编码器 | 第35-37页 |
| 3.3.2 基于堆叠降噪稀疏自动编码器的软件缺陷预测方法 | 第37-39页 |
| 3.4 实验设置与结果分析 | 第39-46页 |
| 3.4.1 实验数据集 | 第39页 |
| 3.4.2 实验设置与实验方法 | 第39-40页 |
| 3.4.3 实验结果与分析 | 第40-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 基于深度堆叠森林的软件缺陷预测方法 | 第47-61页 |
| 4.1 深度森林 | 第47-49页 |
| 4.1.1 深度森林算法 | 第47-48页 |
| 4.1.2 深度森林不足 | 第48-49页 |
| 4.2 改进的深度森林 | 第49-55页 |
| 4.2.1 基于正类概率的特征向量生成方法 | 第49-50页 |
| 4.2.2 基于随机抽样的特征变换方法 | 第50-52页 |
| 4.2.3 基于堆叠森林的逐层学习方法 | 第52-54页 |
| 4.2.4 深度堆叠森林 | 第54-55页 |
| 4.3 基于深度堆叠森林的软件缺陷预测 | 第55-56页 |
| 4.4 实验设置与结果分析 | 第56-60页 |
| 4.4.1 实验设置与实验方法 | 第56页 |
| 4.4.2 实验结果与分析 | 第56-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第五章 基于深度学习的软件缺陷预测应用 | 第61-71页 |
| 5.1 面向商用飞机智能制造的大数据建模平台系统简介 | 第61-64页 |
| 5.2 软件缺陷预测的研究框架 | 第64-65页 |
| 5.3 基于深度学习的大数据建模平台系统缺陷预测 | 第65-70页 |
| 5.3.1 设计大数据建模平台系统的软件度量元 | 第65-67页 |
| 5.3.2 构建大数据建模平台系统缺陷预测模型 | 第67-68页 |
| 5.3.3 大数据建模平台系统缺陷预测结果与分析 | 第68-70页 |
| 5.4 本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 论文总结 | 第71页 |
| 6.2 研究展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-78页 |
| 在学期间的研究成果及发表的论文 | 第78页 |
