| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究目标和内容 | 第10-12页 |
| 1.3 论文结构 | 第12-13页 |
| 2 相关技术与研究现状分析 | 第13-25页 |
| 2.1 软件缺陷预测技术 | 第13-18页 |
| 2.1.1 概念 | 第13-14页 |
| 2.1.2 预测特征 | 第14-17页 |
| 2.1.3 预测算法 | 第17-18页 |
| 2.2 跨项目缺陷预测研究现状分析 | 第18-21页 |
| 2.2.1 数据预处理 | 第19-20页 |
| 2.2.2 项目相似性分组 | 第20页 |
| 2.2.3 自适应预测模型 | 第20页 |
| 2.2.4 企业数据加密 | 第20-21页 |
| 2.2.5 现状分析小结 | 第21页 |
| 2.3 迁移学习技术 | 第21-24页 |
| 2.3.1 迁移学习的特点和分类 | 第22-23页 |
| 2.3.2 基于特征方法 | 第23-24页 |
| 2.3.3 基于实例方法 | 第24页 |
| 2.4 本章小结 | 第24-25页 |
| 3 跨项目缺陷预测总体框架 | 第25-36页 |
| 3.1 跨项目缺陷预测的挑战和思路 | 第25-26页 |
| 3.2 预测框架 | 第26-27页 |
| 3.3 跨项目缺陷预测建模 | 第27页 |
| 3.4 相关算法的选择 | 第27-29页 |
| 3.4.1 特征选择算法 | 第28-29页 |
| 3.4.2 缺陷预测算法 | 第29页 |
| 3.5 预测结果的评估 | 第29-31页 |
| 3.6 实验数据 | 第31-34页 |
| 3.7 本章小结 | 第34-36页 |
| 4 基于特征迁移的跨项目缺陷预测方案评估与模型训练 | 第36-52页 |
| 4.1 TrSchema Eval方法的设计 | 第36-38页 |
| 4.2 数据筛选迁移 | 第38-42页 |
| 4.2.1 数据筛选 | 第38-40页 |
| 4.2.2 基于特征的数据迁移 | 第40-42页 |
| 4.3 预测方案评估 | 第42-44页 |
| 4.4 实验 | 第44-51页 |
| 4.4.1 实验数据选择 | 第44-45页 |
| 4.4.2 数据筛选迁移对比实验 | 第45-47页 |
| 4.4.3 项目内缺陷预测与TrSchemaEval对比实验 | 第47-51页 |
| 4.5 本章小结 | 第51-52页 |
| 5 基于实例迁移的跨项目缺陷预测模型训练 | 第52-69页 |
| 5.1 TrAda Boost算法与多源改进方案 | 第52-54页 |
| 5.1.1 TrAdaBoost算法及优缺点分析 | 第52-54页 |
| 5.1.2 TrAdaBoost算法的多源适应性改进 | 第54页 |
| 5.2 Merge TrAdaBoost算法的设计 | 第54-57页 |
| 5.3 MultiTrAdaBoost算法的设计 | 第57-59页 |
| 5.4 实验 | 第59-68页 |
| 5.4.1 TrAdaBoost实验 | 第59-63页 |
| 5.4.2 MergeTrAdaBoost和MultiTrAdaBoost实验 | 第63-68页 |
| 5.5 本章小结 | 第68-69页 |
| 6 综合对比分析实验 | 第69-79页 |
| 6.1 本文算法对比实验 | 第69-73页 |
| 6.2 与现有跨项目缺陷预测技术对比实验 | 第73-77页 |
| 6.2.1 实验数据选择 | 第73页 |
| 6.2.2 对比实验 | 第73-77页 |
| 6.3 本章小结 | 第77-79页 |
| 7 总结与展望 | 第79-81页 |
| 7.1 本文工作小结 | 第79-80页 |
| 7.2 展望 | 第80-81页 |
| 参考文献 | 第81-86页 |
| 致谢 | 第86-87页 |
| 攻读学位期间发表的学术论文 | 第87-89页 |
