| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第一章 绪论 | 第11-18页 |
| ·课题背景分析 | 第11-13页 |
| ·软件危机 | 第11-12页 |
| ·软件可靠性 | 第12-13页 |
| ·软件缺陷 | 第13页 |
| ·国内外研究现状及不足 | 第13-16页 |
| ·静态缺陷预测技术 | 第14-15页 |
| ·动态缺陷预测技术 | 第15-16页 |
| ·缺陷预测技术未来发展方向 | 第16页 |
| ·本文结构 | 第16-18页 |
| 第二章 度量元与软件缺陷的关联分析 | 第18-23页 |
| ·软件度量 | 第18页 |
| ·度量元 | 第18-20页 |
| ·代码度量元 | 第18-19页 |
| ·McCabe度量元 | 第19-20页 |
| ·Halstead度量元 | 第20页 |
| ·数据分析技术 | 第20-22页 |
| ·主成分分析 | 第20-21页 |
| ·信息熵法 | 第21页 |
| ·灵敏度分析法 | 第21-22页 |
| ·输入输出关联法 | 第22页 |
| ·小结 | 第22-23页 |
| 第三章 基于软件缺陷回归预测的最优度量元提取模型 | 第23-44页 |
| ·人工神经网络 | 第23-26页 |
| ·BP神经网络的学习过程及算法实现 | 第24-26页 |
| ·BP神经网络的优缺点 | 第26页 |
| ·粒子群优化算法 | 第26-28页 |
| ·基于BP神经网络和PSO的合并算法 | 第28-32页 |
| ·算法描述 | 第28-29页 |
| ·算法的设计及实现流程 | 第29-32页 |
| ·基于PSO-BPNN软件缺陷回归预测的最优度量元提取模型 | 第32-33页 |
| ·数据预处理 | 第32-33页 |
| ·构建基于缺陷回归预测的最优度量元提取模型 | 第33页 |
| ·仿真实验 | 第33-43页 |
| ·JM1数据集的实验分析 | 第35-41页 |
| ·KC1数据集的实验分析 | 第41-43页 |
| ·小结 | 第43-44页 |
| 第四章 软件缺陷预测模型 | 第44-59页 |
| ·支持向量机概况 | 第44-45页 |
| ·基本思想 | 第44页 |
| ·主要特点及应用 | 第44-45页 |
| ·支持向量机分类原理 | 第45-50页 |
| ·线性可分 | 第46-48页 |
| ·近似线性可分 | 第48-49页 |
| ·非线性可分 | 第49-50页 |
| ·核函数 | 第50-51页 |
| ·PSO和C-SVM的合并算法 | 第51-53页 |
| ·混淆矩阵 | 第53页 |
| ·基于PSO-SVM的软件缺陷预测模型 | 第53-55页 |
| ·仿真实验 | 第55-57页 |
| ·基于JM1最优度量元的预测模型实验分析及多模型性能比较 | 第55-56页 |
| ·基于KC1最优度量元的预测模型实验分析及多模型性能比较 | 第56-57页 |
| ·小结 | 第57-59页 |
| 第五章 结论 | 第59-61页 |
| ·总结 | 第59页 |
| ·进一步的研究工作 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 在校期间发表的论文、科研成果等 | 第65-66页 |
| 致谢 | 第66页 |
