| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 论文研究的主要内容及拟解决的关键问题 | 第13-14页 |
| 1.3.1 本文研究的主要内容 | 第13-14页 |
| 1.3.2 本文拟解决的关键问题 | 第14页 |
| 1.4 论文的组织结构 | 第14-16页 |
| 第二章 相关概念及理论基础 | 第16-32页 |
| 2.1 软件缺陷预测技术 | 第16-22页 |
| 2.1.1 软件缺陷定义 | 第16-17页 |
| 2.1.2 软件缺陷预测技术 | 第17-21页 |
| 2.1.3 预测模型的评估指标 | 第21-22页 |
| 2.2 神经网络技术 | 第22-27页 |
| 2.2.1 神经网络简介 | 第22-23页 |
| 2.2.2 BP神经网络算法 | 第23-26页 |
| 2.2.3 BP神经网络性能分析 | 第26-27页 |
| 2.3 蚁群优化算法 | 第27-31页 |
| 2.3.1 蚁群算法简介 | 第27-28页 |
| 2.3.2 蚁群优化算法数学描述 | 第28-30页 |
| 2.3.3 蚁群优化算法性能分析 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 基于互信息和自信息的主成分分析方法 | 第32-40页 |
| 3.1 主成分分析的方法 | 第32-35页 |
| 3.1.1 主成分分析的基本原理 | 第32-33页 |
| 3.1.2 主成分分析的数学模型 | 第33-34页 |
| 3.1.3 主成分分析的性能分析 | 第34-35页 |
| 3.2 基于互信息和自信息的主成分分析方法研究 | 第35-37页 |
| 3.2.1 互信息和自信息 | 第35-36页 |
| 3.2.2 基于互信息和自信息的主成分分析算法 | 第36-37页 |
| 3.3 实验验证及分析 | 第37-39页 |
| 3.3.1 仿真实验 | 第37-38页 |
| 3.3.2 实验分析 | 第38-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 基于信息素初始化和局部路径优化的蚁群优化方法 | 第40-46页 |
| 4.1 改进信息素初始化机制 | 第40-41页 |
| 4.2 基于遗传变异的局部信息素更新机制 | 第41-42页 |
| 4.3 实验验证及分析 | 第42-45页 |
| 4.3.1仿真实验 | 第42-44页 |
| 4.3.2 实验分析 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 基于改进ACO优化BP神经网络的软件缺陷预测模型 | 第46-55页 |
| 5.1 软件缺陷预测模型 | 第46-47页 |
| 5.2 预测模型算法描述 | 第47-49页 |
| 5.3 仿真实验 | 第49-54页 |
| 5.3.1 实验数据 | 第49-51页 |
| 5.3.2 实验设置 | 第51-52页 |
| 5.3.3 实验分析 | 第52-54页 |
| 5.4 本章小结 | 第54-55页 |
| 总结与展望 | 第55-57页 |
| 主要工作总结 | 第55-56页 |
| 工作展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 攻读硕士学位期间取得的学术成果 | 第61-62页 |
| 致谢 | 第62页 |