基于深度信念网络算法支持向量机的软件缺陷预测方法技术

本发明专利技术公开了一种基于深度信念网络算法支持向量机DBN‑SVM的软件缺陷预测方法，采用深度信念网络DBN对从待预测软件提取的软件度量属性进行降维；降维后的数据进入支持向量机SVM进行分类，得到软件缺陷预测结果。本发明专利技术采用新型的软件缺陷分布预测模型——DBN‑SVM，解决软件缺陷分布的预测中，由多维测量引起的数据冗余所导致的预测精度降低的问题。

Software defect prediction method based on Support Vector Machine Based on deep belief network algorithm

The invention discloses a software defect prediction method based on deep belief network algorithm support vector machine DBN SVM, which uses deep belief network DBN to reduce dimensionality of software metrics attributes extracted from the software to be predicted, and after dimensionality reduction, data are classified into support vector machine SVM to obtain software defect prediction results. The invention adopts a new software defect distribution prediction model, DBN SVM, to solve the problem of reducing prediction accuracy caused by data redundancy caused by multi-dimensional measurement in software defect distribution prediction.

【技术实现步骤摘要】
基于深度信念网络算法支持向量机的软件缺陷预测方法
本专利技术涉及软件缺陷预测技术，尤其涉及一种基于深度信念网络算法支持向量机的软件缺陷预测方法。
技术介绍
软件缺陷分布预测在软件开发过程中起着重要的作用，对缺陷软件模块的及时准确预测将能够大大提高软件测试资源的有效配置。静态分析能够在软件发布前发现软件中存在的缺陷，且不会降低软件运行的效率。因此近年来，许多研究人员通过提取软件模块的软件度量属性形成训练样本，并利用机器学习技术构建软件缺陷分布预测模型，将机器学习技术应用于软件缺陷静态预测领域。传统的缺陷预测模型主要指在缺陷数据充足的情况下，利用常用的有监督的机器学习算法，对同一软件中的缺陷数据进行训练和预测的模型，其中常用到的机器学习算法主要包括决策树(DT)、随机森林(RF)、朴素贝叶斯(NB)、逻辑回归(LR)、支持向量机(SVM)、人工神经网络(ANN)等。但随着现代大规模软件系统在软件规模和软件复杂性方面的增长，使用机器学习方法构建软件缺陷预测模型需要面对巨大的高维度数据。在软件缺陷预测过程中，过多的度量属性将会导致数据冗余，从而导致较高的预测成本和较低的预测精度，同时由于数据本文档来自技高网...

【技术保护点】
1.一种基于深度信念网络算法支持向量机DBN‑SVM的软件缺陷预测方法，其特征在于，包括：采用深度信念网络DBN对从待预测软件提取的软件度量属性进行降维；降维后的数据进入支持向量机SVM进行分类，得到软件缺陷预测结果。

【技术特征摘要】
1.一种基于深度信念网络算法支持向量机DBN-SVM的软件缺陷预测方法，其特征在于，包括：采用深度信念网络DBN对从待预测软件提取的软件度量属性进行降维；降维后的数据进入支持向量机SVM进行分类，得到软件缺陷预测结果。2.如权利要求1所述的方法，其特征在于，DBN-SVM模型的样本数据集来自美国国家航空航天局NASA的软件缺陷预测数据集MDP。3.如权利要求2所述的方法，其特征在于，选取MDP中的JM1、MC1和PC5数据集进行训练和验证。4.如权利要求1所述的方法，其特征在于，DBN-SVM模型的训练包括如下步骤：步骤1、...

【专利技术属性】
技术研发人员：单纯，熊雯洁，位华，胡昌振，毛俐旻，
申请(专利权)人：北京理工大学，北京计算机技术及应用研究所，
类型：发明
国别省市：北京,11