基于流形學習的面向對象的軟件缺陷預測方法研究.pdf

1、隨著項目開發(fā)規(guī)模的日趨龐大，軟件開發(fā)技術逐步趨于面向對象的開發(fā)，為了更好地描述面向對象的軟件的特性，需要用更多的屬性來度量軟件，導致度量數(shù)據(jù)的維數(shù)越來越高。然而，隨著數(shù)據(jù)維數(shù)的增加，有效地預測軟件中存在的缺陷變得越發(fā)的困難，產(chǎn)生了“維數(shù)災難”問題。因此，為了更準確地預測軟件中存在的各種缺陷從而提高軟件的質量，對高維的軟件度量數(shù)據(jù)進行降維處理是非常必要的。而流形學習方法是處理高維數(shù)據(jù)的一個重要手段，可以發(fā)現(xiàn)隱藏在高維的軟件度量數(shù)據(jù)中的真實

2、結構。本文主要研究如何將流形學習應用到面向對象的軟件缺陷預測中，研究內(nèi)容包括以下幾個方面：
　　1、分析比較了現(xiàn)存的軟件缺陷預測方法，包括支持向量機（SVM）、樸素貝葉斯（NB）、K近鄰（KNN）和BP神經(jīng)網(wǎng)絡等。隨著面向對象技術的普遍應用，為了更加全面地描述面向對象軟件的特征，需要用更多的度量屬性，導致預測軟件缺陷的度量數(shù)據(jù)的維數(shù)越來越高，當軟件缺陷預測數(shù)據(jù)呈現(xiàn)出高維的特性時，這些預測方法并不能達到很好的預測結果。
　　2

3、、針對數(shù)據(jù)的高維特性對預測結果的影響，提出了基于流形學習的面向對象的軟件缺陷預測模型，在該模型中先利用LLE、LE、ISOMAP、PCA等流形學習算法提取面向對象的軟件缺陷數(shù)據(jù)的低維特征，再利用傳統(tǒng)的軟件缺陷預測方法對低維特征進行分類。在兩個數(shù)據(jù)集上驗證了所提模型的有效性，實驗結果表明降維后再分類不但提高了預測方法的預測精度，而且極大地提高預測方法的執(zhí)行效率。
　　3、通過實驗對流形學習算法中的兩個參數(shù)鄰域大小k和低維維數(shù)d進行了