| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第1章 绪论 | 第13-42页 |
| 1.1 研究背景和意义 | 第13-15页 |
| 1.2 众包质量保证的研究现状 | 第15-33页 |
| 1.2.1 任务分派 | 第15-22页 |
| 1.2.2 结果处理 | 第22-25页 |
| 1.2.3 用户参与度 | 第25-29页 |
| 1.2.4 信用度评价 | 第29-33页 |
| 1.3 众包软件测试的研究现状分析 | 第33-39页 |
| 1.4 当前存在的主要问题 | 第39-40页 |
| 1.5 本文的组织结构 | 第40-42页 |
| 第2章 基于多任务匹配的众包协作测试方法 | 第42-62页 |
| 2.1 引言 | 第42页 |
| 2.2 PM2CT模型 | 第42-47页 |
| 2.2.1 模型描述 | 第42-44页 |
| 2.2.2 Web协作测试问题形式化 | 第44-47页 |
| 2.3 PM2CT任务划分和分配 | 第47-50页 |
| 2.3.1 任务划分算法(TPA) | 第47-49页 |
| 2.3.2 多任务匹配算法(MMA) | 第49-50页 |
| 2.4 实验设计 | 第50-54页 |
| 2.4.1 系统实现 | 第50-52页 |
| 2.4.2 实验设置 | 第52-53页 |
| 2.4.3 评价标准 | 第53-54页 |
| 2.5 实验结果 | 第54-60页 |
| 2.6 本章小结 | 第60-62页 |
| 第3章 基于特征选择和RSMOTE的高影响Bug报告识别 | 第62-82页 |
| 3.1 引言 | 第62-63页 |
| 3.2 基础知识 | 第63-70页 |
| 3.2.1 特征选择算法 | 第63-66页 |
| 3.2.2 不平衡算法 | 第66-68页 |
| 3.2.3 超限学习机(ELM) | 第68-70页 |
| 3.3 RSMOTE模型 | 第70-73页 |
| 3.3.1 模型介绍 | 第70-71页 |
| 3.3.2 RSMOTE方法 | 第71-73页 |
| 3.4 实验设计 | 第73-75页 |
| 3.4.1 实验数据 | 第73-74页 |
| 3.4.2 评价标准 | 第74-75页 |
| 3.5 实验结果 | 第75-81页 |
| 3.6 本章小结 | 第81-82页 |
| 第4章 基于实例模糊熵和RSOMTE的Bug严重性识别 | 第82-109页 |
| 4.1 引言 | 第82页 |
| 4.2 基础知识 | 第82-87页 |
| 4.2.1 实例选择算法 | 第82-86页 |
| 4.2.2 模糊KNN理论基础 | 第86-87页 |
| 4.3 FER模型 | 第87-92页 |
| 4.3.1 概述 | 第87-88页 |
| 4.3.2 计算类模糊度算法(CFCMD) | 第88-91页 |
| 4.3.3 选择边界Bug报告算法(BRS) | 第91-92页 |
| 4.3.4 RSMOTE方法 | 第92页 |
| 4.4 实验设计 | 第92-95页 |
| 4.4.1 实验数据 | 第92-93页 |
| 4.4.2 实验设置 | 第93-94页 |
| 4.4.3 评价标准 | 第94-95页 |
| 4.5 实验结果 | 第95-108页 |
| 4.6 本章小结 | 第108-109页 |
| 第5章 基于多分类器模糊集成的Bug严重性识别 | 第109-127页 |
| 5.1 引言 | 第109页 |
| 5.2 模糊积分理论基础 | 第109-110页 |
| 5.2.1 模糊测度 | 第109-110页 |
| 5.2.2 模糊积分 | 第110页 |
| 5.3 Choquet模糊积分集成多RSMOTE方法模型 | 第110-115页 |
| 5.3.1 概述 | 第110-111页 |
| 5.3.2 数据约减方法 | 第111-112页 |
| 5.3.3 RSMOTE方法 | 第112页 |
| 5.3.4 模糊积分集成多RSMOTE方法 | 第112-115页 |
| 5.4 实验设计 | 第115-117页 |
| 5.4.1 实验数据 | 第115-117页 |
| 5.4.2 评价标准 | 第117页 |
| 5.5 实验结果 | 第117-126页 |
| 5.6 本章小结 | 第126-127页 |
| 第6章 Bug严重性识别的迁移学习 | 第127-144页 |
| 6.1 引言 | 第127-128页 |
| 6.2 粗糙集理论基础 | 第128-133页 |
| 6.2.1 基础知识 | 第128-129页 |
| 6.2.2 集合的上近似集和下近似集 | 第129-130页 |
| 6.2.3 知识的约减和核 | 第130-131页 |
| 6.2.4 知识的相对约减和相对核 | 第131页 |
| 6.2.5 知识的信息熵和互信息 | 第131-133页 |
| 6.3 基于粗糙集特征提取模型 | 第133-136页 |
| 6.3.1 模型描述 | 第133页 |
| 6.3.2 预处理模型 | 第133-135页 |
| 6.3.3 基于重要度的粗糙集属性约减方法 | 第135-136页 |
| 6.4 实验设计 | 第136-139页 |
| 6.4.1 实验数据 | 第136-138页 |
| 6.4.2 评价标准 | 第138-139页 |
| 6.5 实验结果 | 第139-143页 |
| 6.6 本章小结 | 第143-144页 |
| 第7章 结论与展望 | 第144-147页 |
| 7.1 结论 | 第144-145页 |
| 7.2 展望 | 第145-147页 |
| 参考文献 | 第147-160页 |
| 攻读博士学位期间科研成果及科研项目 | 第160-163页 |
| 致谢 | 第163-164页 |
| 作者简介 | 第164页 |
