基于流形学习的面向对象的软件缺陷预测方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 软件缺陷预测的研究现状 | 第10-12页 |
| 1.3 流形学习的研究现状 | 第12-14页 |
| 1.4 论文章节安排 | 第14-17页 |
| 第二章 流形学习简介 | 第17-25页 |
| 2.1 流形学习概述 | 第17页 |
| 2.2 线性流形学习算法简介 | 第17-19页 |
| 2.2.1 主成分分析法 | 第18-19页 |
| 2.2.2 经典多维尺度变换法 | 第19页 |
| 2.3 非线性流形学习算法简介 | 第19-23页 |
| 2.3.1 等距特征映射法 | 第20页 |
| 2.3.2 局部线性嵌入法 | 第20-21页 |
| 2.3.3 拉普拉斯特征映射法 | 第21-22页 |
| 2.3.4 局部切空间排列法 | 第22-23页 |
| 2.4 本章小结 | 第23-25页 |
| 第三章 软件度量及缺陷预测方法概述 | 第25-37页 |
| 3.1 软件度量概述 | 第25-26页 |
| 3.2 软件度量与缺陷预测的相关性 | 第26-27页 |
| 3.3 面向结构的软件度量模型 | 第27-29页 |
| 3.3.1 Halstead 度量模型 | 第27-28页 |
| 3.3.2 McCabe 度量模型 | 第28-29页 |
| 3.4 面向对象的软件度量模型 | 第29-33页 |
| 3.4.1 C&K 度量模型 | 第29-31页 |
| 3.4.2 MOOD 度量模型 | 第31-33页 |
| 3.5 常用的缺陷预测方法概述 | 第33-36页 |
| 3.5.1 支持向量机 | 第33-34页 |
| 3.5.2 朴素贝叶斯 | 第34页 |
| 3.5.3 K 近邻法 | 第34-35页 |
| 3.5.4 BP 神经网络 | 第35-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第四章 流形学习在面向对象的软件缺陷预测中的应用 | 第37-49页 |
| 4.1 基于流形学习的面向对象的软件缺陷预测模型 | 第37-38页 |
| 4.2 数据集及评估指标 | 第38-40页 |
| 4.2.1 数据集 | 第38-39页 |
| 4.2.2 评估指标 | 第39-40页 |
| 4.3 实验分析 | 第40-47页 |
| 4.3.1 实验流程 | 第40页 |
| 4.3.2 直接预测的实验结果 | 第40-41页 |
| 4.3.3 降维算法及参数的选择 | 第41-45页 |
| 4.3.4 基于 LE 算法的实验结果 | 第45-47页 |
| 4.4 本章小结 | 第47-49页 |
| 第五章 结论 | 第49-51页 |
| 5.1 工作总结 | 第49页 |
| 5.2 工作展望 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 致谢 | 第55-56页 |
