| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 软件缺陷预测技术研究现状 | 第9-11页 |
| 1.2.2 分类器融合技术研究现状 | 第11-12页 |
| 1.3 本文研究的主要内容及拟解决的关键问题 | 第12-14页 |
| 1.3.1 本文研究的主要内容 | 第12-13页 |
| 1.3.2 本文拟解决的关键问题 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-15页 |
| 第二章 相关概念及理论基础 | 第15-27页 |
| 2.1 软件缺陷预测 | 第15-17页 |
| 2.1.1 软件缺陷预测概念 | 第15-16页 |
| 2.1.2 软件缺陷预测技术 | 第16-17页 |
| 2.2 分类器融合 | 第17页 |
| 2.2.1 分类器融合概念 | 第17页 |
| 2.2.2 分类器融合技术 | 第17页 |
| 2.3 模糊测度和模糊积分 | 第17-20页 |
| 2.4 遗传算法（GA） | 第20-22页 |
| 2.5 常用分类器 | 第22-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第三章 基于GA-FM模糊积分的静态软件缺陷预测方法 | 第27-35页 |
| 3.1 算法介绍 | 第27-29页 |
| 3.2 仿真实验 | 第29-34页 |
| 3.2.1 预测性能评价标准 | 第29-30页 |
| 3.2.2 实验过程 | 第30-34页 |
| 3.3 实验结果分析 | 第34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 基于不同分类器融合的静态软件缺陷预测方法 | 第35-39页 |
| 4.1 算法介绍 | 第35-36页 |
| 4.2 仿真实验 | 第36-37页 |
| 4.3 实验结果分析 | 第37-38页 |
| 4.4 本章小结 | 第38-39页 |
| 第五章 基于Elman神经网络集成的动态软件缺陷预测方法 | 第39-50页 |
| 5.1 Elman神经网络 | 第39-40页 |
| 5.2 算法介绍 | 第40-41页 |
| 5.2.1 个体神经网络生成 | 第40页 |
| 5.2.2 神经网络个体选择准则 | 第40-41页 |
| 5.2.3 基于误差的加权平均集成法 | 第41页 |
| 5.3 实例验证 | 第41-49页 |
| 5.3.1 评价标准 | 第42页 |
| 5.3.2 仿真实验 | 第42-49页 |
| 5.3.2.1 选取优良个体 | 第42-44页 |
| 5.3.2.2 个体集成 | 第44-49页 |
| 5.4 本章小结 | 第49-50页 |
| 总结与展望 | 第50-52页 |
| 主要工作总结 | 第50页 |
| 工作展望 | 第50-52页 |
| 参考文献 | 第52-58页 |
| 攻读硕士学位期间取得的学术成果 | 第58-59页 |
| 致谢 | 第59页 |