基于迁移学习和PU学习的软件故障预测方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究目的与意义 | 第10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.2.1 软件故障预测 | 第10-11页 |
| 1.2.2 正例未标注学习 | 第11页 |
| 1.2.3 迁移学习 | 第11-12页 |
| 1.2.4 集成学习 | 第12页 |
| 1.3 研究内容 | 第12-13页 |
| 1.4 技术路线 | 第13-14页 |
| 1.5 论文组织结构 | 第14-16页 |
| 第二章 软件故障预测及相关研究 | 第16-26页 |
| 2.1 软件故障预测 | 第16-21页 |
| 2.1.1 软件故障预测流程 | 第16-17页 |
| 2.1.2 软件度量指标 | 第17-18页 |
| 2.1.3 软件故障预测模型 | 第18-19页 |
| 2.1.4 跨项目、跨公司故障预测 | 第19-21页 |
| 2.2 PU学习 | 第21页 |
| 2.3 迁移学习 | 第21-24页 |
| 2.3.1 迁移学习基本概念及分类 | 第21-23页 |
| 2.3.2 贝叶斯跨类迁移 | 第23-24页 |
| 2.4 本章小结 | 第24-26页 |
| 第三章 PU场景下基于实例迁移的软件故障预测 | 第26-35页 |
| 3.1 实例迁移 | 第26-31页 |
| 3.1.1 PU场景随机森林算法 | 第26-27页 |
| 3.1.2 问题定义 | 第27-28页 |
| 3.1.3 POSTRF算法 | 第28-31页 |
| 3.2 模型构建 | 第31-34页 |
| 3.2.1 基于POSC4.5 算法训练模型 | 第31-34页 |
| 3.2.2 目标概念权重P(c)估计 | 第34页 |
| 3.3 本章小结 | 第34-35页 |
| 第四章 实验结果与分析 | 第35-54页 |
| 4.1 实验设置 | 第35-39页 |
| 4.1.1 实验环境 | 第35页 |
| 4.1.2 数据集设置 | 第35-36页 |
| 4.1.3 特征空间映射 | 第36-37页 |
| 4.1.4 倾斜数据平衡化处理 | 第37-38页 |
| 4.1.5 PU数据构建 | 第38-39页 |
| 4.2 评估指标 | 第39-40页 |
| 4.3 实验设计与结果分析 | 第40-52页 |
| 4.3.1 基于 0kc3数据集的实验 | 第40-47页 |
| 4.3.2 基于cm1数据集的实验 | 第47-50页 |
| 4.3.3 时空分析 | 第50页 |
| 4.3.4 参数bagSize分析 | 第50-51页 |
| 4.3.5 参数r分析 | 第51-52页 |
| 4.3.6 参数M分析 | 第52页 |
| 4.4 本章小结 | 第52-54页 |
| 第五章 总结与展望 | 第54-55页 |
| 5.1 总结 | 第54页 |
| 5.2 展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-60页 |
| 作者简介 | 第60页 |
