检索结果

Select

1. 基于蚁群算法优化反向传播神经网络的软件质量预测

朱嘉豪, 郑巍, 杨丰玉, 樊鑫, 肖鹏

《计算机应用》唯一官方网站 2023, 43 (11): 3568-3573. DOI: 10.11772/j.issn.1001-9081.2022101600

摘要（128）

HTML （3）

PDF （1715KB）（67）

针对基于反向传播神经网络（BPNN）的软件质量预测模型存在收敛慢、模型精度不高的问题，提出一种基于蚁群算法优化BPNN的软件质量预测（SQP-ACO-BPNN）方法。首先，选择软件质量评价指标，确立软件质量评价体系；其次，采用BPNN构建初始软件质量预测模型，并利用蚁群优化（ACO）算法确定若干网络结构、网络初始连接权值和阈值；再次，给出网络结构评价函数，选择神经网络模型的最佳结构、网络初始连接权值和阈值；最后，通过BP算法训练该网络，得到最终的软件质量预测模型。在机载嵌入式软件质量预测数据上的实验结果表明，优化后的BPNN模型有效提高了预测的准确率、精确率、召回率和F1值，并且模型能够更快收敛，验证了SQP-ACO-BPNN方法的有效性。

图表 | 参考文献 | 相关文章 | 多维度评价

Select

2. 基于网络表征学习的混合缺陷预测模型

刘成斌, 郑巍, 樊鑫, 杨丰玉

计算机应用 2019, 39 (12): 3633-3638. DOI: 10.11772/j.issn.1001-9081.2019061028

摘要（328）

PDF （946KB）（237）

针对软件系统模块间具有依赖关系的问题，通过对软件系统网络结构进行分析，构建了基于网络表征学习的混合缺陷预测模型。首先，将软件系统以模块为单位转换成软件网络；然后，使用网络表征技术来无监督学习软件网络中每个模块的系统结构特征；最后，结合系统结构特征和卷积神经网络学习的语义特征构建一个混合缺陷预测模型。实验结果表明：在Apache三个开源软件poi、lucene和synapse上所提混合缺陷预测模型具有更好的缺陷预测效果，其F1指标比最优模型——基于卷积神经网络（CNN）的缺陷预测模型分别提高了3.8%、1.0%、4.1%。软件网络结构特征分析为缺陷预测模型的构建提供了有效的研究思路。

参考文献 | 相关文章 | 多维度评价

Select

3. 一种基于UML动态视图的测试场景生成方法

赵欣刘琳岚罗海平樊鑫

计算机应用 2009, 29 (05): 1385-1392.

摘要（1181）

PDF （738KB）（1194）

本文提出一种基于UML动态视图的测试场景生成方法。通过将状态图中对象的状态信息加入顺序图，构建一个基于UML动态视图的测试模型，将其转化为扩展的十字链表结构的有向图；针对测试模型中存在的普通、条件、循环消息类型提出相应的处理方法，采用深度优先算法遍历生成测试场景。在将复杂的UML图转化为测试模型的过程中，应用该方法可以提高所生成场景路径的完整性，同时降低生成场景的冗余度。