| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 图录 | 第11-13页 |
| 表录 | 第13-14页 |
| 第一章 绪论 | 第14-24页 |
| 1.1 研究背景及意义 | 第14-16页 |
| 1.2 软件缺陷预测及研究现状 | 第16-20页 |
| 1.2.1 软件失效机理 | 第16-17页 |
| 1.2.2 软件缺陷预测 | 第17-18页 |
| 1.2.3 国内外研究现状 | 第18-19页 |
| 1.2.4 存在的不足 | 第19-20页 |
| 1.3 论文的主要工作 | 第20页 |
| 1.4 论文的组织结构 | 第20-24页 |
| 第二章 软件缺陷预测框架 | 第24-34页 |
| 2.1 软件度量 | 第24-25页 |
| 2.1.1 软件度量概念 | 第24页 |
| 2.1.2 软件度量属性的选取 | 第24-25页 |
| 2.2 软件复杂性度量 | 第25-28页 |
| 2.2.1 代码度量 | 第25-26页 |
| 2.2.2 McCabe度量 | 第26-27页 |
| 2.2.3 Halstead度量 | 第27-28页 |
| 2.3 软件缺陷预测 | 第28-29页 |
| 2.3.1 软件复杂性度量与缺陷预测关系 | 第28页 |
| 2.3.2 软件缺陷预测原理 | 第28-29页 |
| 2.4 软件缺陷预测框架 | 第29-32页 |
| 2.4.1 总体思想 | 第29-30页 |
| 2.4.2 数据预处理 | 第30-31页 |
| 2.4.3 复杂性度量特征选择 | 第31页 |
| 2.4.4 软件缺陷预测模型 | 第31-32页 |
| 2.4.5 测试与评价 | 第32页 |
| 2.5 本章小结 | 第32-34页 |
| 第三章 软件复杂性度量特征选择 | 第34-56页 |
| 3.1 软件复杂性度量数据质量与特征选择 | 第34-36页 |
| 3.1.1 软件复杂性度量数据存在的问题 | 第34-35页 |
| 3.1.2 特征选择的引入及形式化描述 | 第35页 |
| 3.1.3 软件复杂性度量特征选择框架 | 第35-36页 |
| 3.2 软件复杂性度量初选 | 第36-38页 |
| 3.2.1 错误数据的类型 | 第36-37页 |
| 3.2.2 错误数据的处理 | 第37-38页 |
| 3.3 软件复杂性度量优选 | 第38-49页 |
| 3.3.1 LASSO方法 | 第39-42页 |
| 3.3.2 LARS算法 | 第42-45页 |
| 3.3.3 CD算法 | 第45-48页 |
| 3.3.4 AIC截断准则 | 第48-49页 |
| 3.4 仿真实验 | 第49-54页 |
| 3.4.1 实验环境及实验数据 | 第49-50页 |
| 3.4.2 软件复杂性度量初选 | 第50页 |
| 3.4.3 软件复杂性度量优选 | 第50-53页 |
| 3.4.4 结果分析 | 第53-54页 |
| 3.5 本章小结 | 第54-56页 |
| 第四章 软件缺陷预测模型 | 第56-78页 |
| 4.1 概述 | 第56-57页 |
| 4.2 学习向量量化神经网络 | 第57-62页 |
| 4.2.1 神经网络概述 | 第57-59页 |
| 4.2.2 LVQ神经网络的结构 | 第59-61页 |
| 4.2.3 LVQ神经网络的学习算法 | 第61-62页 |
| 4.2.4 LVQ神经网络的优缺点 | 第62页 |
| 4.3 自适应遗传算法 | 第62-66页 |
| 4.3.1 遗传算法概述 | 第62-64页 |
| 4.3.2 遗传算法存在着的不足 | 第64页 |
| 4.3.3 遗传算法的改进 | 第64-66页 |
| 4.4 基于AGA-LVQ神经网络的软件缺陷预测模型 | 第66-71页 |
| 4.4.1 AGA算法优化LVQ神经网络概述 | 第66-67页 |
| 4.4.2 基于神经网络的软件缺陷预测模型构建 | 第67-68页 |
| 4.4.3 软件缺陷预测模型算法实现的详细描述 | 第68-71页 |
| 4.5 仿真实验 | 第71-77页 |
| 4.5.1 实验数据 | 第72页 |
| 4.5.2 实验步骤 | 第72-75页 |
| 4.5.3 实验分析 | 第75-77页 |
| 4.6 本章小结 | 第77-78页 |
| 第五章 总结与展望 | 第78-80页 |
| 5.1 论文工作总结 | 第78-79页 |
| 5.2 研究工作展望 | 第79-80页 |
| 致谢 | 第80-81页 |
| 参考文献 | 第81-85页 |
| 作者简历 | 第85页 |