文档介绍：软件工程论文参考范文:基于 PSO
1 引言
随着软件系统在工程应用中不断扩大,软件缺陷危害越来越受到人们的关注。例如,1962年,因Fortran语言少写一个连字符,美国国家航天局(NASA)不得不销毁价值8000万美元的马里纳1号探测器。软件缺陷预测能够在软件开发的早期预测出哪些模块有出错的倾向从而尽早改正缺陷模块,对于提高软件可靠性有着重要的意义。本文提出的预测技术是一种静态预测技术,即基于缺陷相关的度量数据,对缺陷分布进行预测的技术。
目前,软件缺陷预测模型主要包括 Bayesian 模型、线性判别模型(linear discriminant analysis,LDA)、支持向量机模型(support vector machine,SVM )、分类回归树模型(classification andregression tree, CART)、马尔可夫模型。但这些方法尚存在一些问题,例如,Bayesian 模型在因子过多、模型结构较为复杂的情况下,计算效率和推理过程缓慢不易被人接受。分类回归模型泛化能力比较差。
支持向量机参数选择缺乏有效的方法。马尔可夫模型需要提出很多假设,在实际应用中受到许多限制。J48 是一种决策树算法,严格意义上说是一种对ID3 算法的改进。通过信息增益率选择属性避免了偏向属性值高的弊端;在建树的过程中不断剪枝;能够对不完整数据进行处理以及连续属性值的离散化处理;但是在构造树的过程中需要对数据集进行多次的顺序扫描和排序,导致算法低效。
人工神经网络模型(artificial neural Optimization, PSO)由 Kennedy 和 Eberhart于1995年共同提出,具有算法简单、不需要设置参数、以及不要求目标函数可导、可微,甚至不要求有明显的表达式等优点。
为了提高软件模块缺陷预测模型的准确性,本文提出了基于 PSO-BP 的软件缺陷预测模型,即运用粒子群优化算法优化 BP 神经网络的权值和阈值,建立软件缺陷预测模型,最后用于实验预测软件模块是否为缺陷模块。
2 相关工作
神经网络
人工神经网络以数学和物理方法以及从信息处理的角度对人脑神经进行抽象,并建立简化模型,模拟人脑的智能处理行为。BP 神经网络是一种误差反传神经网络,是一种有监督的学习方法。其基本思想:神经网络在外界样本的刺激下反向传播算法不断地动态修整网络的连接权值和阈值,以使网络的输出等同期望或者以设定的误差接近期望输出。曾有研究表明三层网络可较好地解决非线性映射、优化设计等问题。因此本文基于这一成果,选用三层神经网络,即包括输入层、隐藏层、输出层。本文定义的误差平方计算如公式。............
3 软件缺陷预测模型的建立
软件缺陷预测模型
基于 PSO-BP 方法的软件缺陷预测模型主要包括如下几个步骤,; BP 神经网络的软件缺陷预测模型,选择 sigmoid 转移函数,采用 3 层网络结构; PSO 算法优化 BP 网络的权值和阈值;。如果预测结果满足终止条件,则停止优化得到优化的软件预测模型,否则返回步骤 3 继续优化模型。其中,终止条件为模型的预测准确率达到事先设定的阈值或者循环次数达到事先设定的最大值。