| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 注释表 | 第9-10页 |
| 第一章 绪论 | 第10-17页 |
| ·数据挖掘研究概述 | 第10-14页 |
| ·数据挖掘一般过程 | 第10-11页 |
| ·数据挖掘任务模型 | 第11-14页 |
| ·研究背景及意义 | 第14-15页 |
| ·论文结构 | 第15-17页 |
| 第二章 软件缺陷预测技术 | 第17-28页 |
| ·软件缺陷定义 | 第17-18页 |
| ·静态缺陷预测 | 第18-23页 |
| ·基于软件度量元预测 | 第18-20页 |
| ·缺陷模块分类预测 | 第20-21页 |
| ·缺陷预测模型 | 第21-23页 |
| ·动态软件缺陷预测 | 第23-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 基于 PSO-BP 的早期软件缺陷预测模型 | 第28-42页 |
| ·神经网络 | 第28-31页 |
| ·神经网络简介 | 第28-29页 |
| ·BP 神经网络算法 | 第29-31页 |
| ·BP 神经网络优缺点 | 第31页 |
| ·粒子群优化算法 | 第31-32页 |
| ·J48 决策树算法 | 第32-34页 |
| ·基于 PSO-BP 的早期软件缺陷预测建模 | 第34-37页 |
| ·软件缺陷预测模型 | 第34页 |
| ·PSO 优化 BP 神经网络 | 第34-37页 |
| ·PSO 优化 BP 神经网络算法步骤 | 第34-36页 |
| ·参数设置问题讨论 | 第36-37页 |
| ·实验与分析 | 第37-41页 |
| ·实验环境与数据 | 第37-39页 |
| ·实验评价标准 | 第39页 |
| ·实验结果与分析 | 第39-41页 |
| ·本章小结 | 第41-42页 |
| 第四章 基于 ESGM 模型的动态缺陷预测模型 | 第42-59页 |
| ·经验模态分解 | 第42-44页 |
| ·灰色理论 | 第44-46页 |
| ·灰色 GM（1,1）模型定义 | 第44页 |
| ·灰色模型建立 | 第44-46页 |
| ·支持向量回归 | 第46-48页 |
| ·支持向量回归定义 | 第46页 |
| ·支持向量回归算法 | 第46-48页 |
| ·ESGM 建模 | 第48-49页 |
| ·实验与分析 | 第49-58页 |
| ·实验数据 | 第49-50页 |
| ·性能评价标准 | 第50-51页 |
| ·MPSO-SVR 模型 | 第51-54页 |
| ·SVR 模型一般结构 | 第51页 |
| ·SVR 模型预测 | 第51-52页 |
| ·参数对支持向量回归的影响 | 第52-53页 |
| ·MPSO-SVR 建模 | 第53-54页 |
| ·MPSO-SVR 模型应用 | 第54页 |
| ·ESGM 模型 | 第54-58页 |
| ·ESGM 模型应用 | 第54-57页 |
| ·模型比较 | 第57-58页 |
| ·本章小结 | 第58-59页 |
| 第五章 结束语 | 第59-61页 |
| ·本文总结 | 第59-60页 |
| ·研究展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 在学期间的研究成果及发表的学术论文 | 第66页 |