基于测地线流核的神经网络软件缺陷预测方法技术

本发明专利技术揭示了一种基于测地线流核的神经网络软件缺陷预测方法，包括如下步骤：S1、将数据集降维到对应的子空间中，并确定最优的子空间维度；S2、利用数据集降维得到的特征表示构建测地线流；S3、计算测地线流核，根据测地线流核计算得到源数据和目标数据的变换矩阵及特征空间；S4、根据得到的特征空间对神经网络分类器进行训练，最终得到预测结果。本发明专利技术将迁移学习中的测地线流核和神经网络分类器相结合，通过将源数据和目标数据投影到具有相同分布的子空间中的方式，解决了不同数据集上的数据分布不同以及数据量大时计算效率低下的问题，进而实现了跨项目的软件缺陷预测。

Neural Network Software Defect Prediction Method Based on Geodetic Stream Kernel

【技术实现步骤摘要】
基于测地线流核的神经网络软件缺陷预测方法
本专利技术涉及一种软件缺陷预测算法，具体而言，涉及一种基于测地线的神经网络软件缺陷预测方法，属于流形学习和神经网络算法

技术介绍
近年来，随着软件规模的逐渐扩大、软件复杂度日益增加，随之而来的是软件维护成本逐步上升。在软件的开发过程中对软件缺陷进行预测，能够合理的分配测试资源，提高软件开发的效率。近年来,软件缺陷预测在软件工程领域引起了研究者的广泛关注,基于机器学习的软件缺陷预测方法也成为研究的热点。然而在实际的应用过程中，这类方法通常都会面临一个问题：当需要对新的项目进行缺陷预测时，所拥有的训练样本过少，从而导致难以训练正确的模型。另一方面，一类项目通常含有大量的相似项目，由这些相似项目训练的软件缺陷预测模型并不能直接用来预测。假设我们已经训练了大量的C++编写的项目的缺陷分类器，而目前又有一个新的Java项目，通常的做法是在当前项目下利用有限的样本标记重新训练分类器，但是这种方式忽略了项目之间的相关性，尽管项目的语言不同，其内部的程序设计架构和算法机理一样，因此项目之间有很强的相关性，如果利用这种相关性进行迁移训练，将会大大缩小本文档来自技高网...

【技术保护点】
1.一种基于测地线流核的神经网络软件缺陷预测方法，其特征在于，包括如下步骤：S1、将数据集降维到对应的子空间中，并确定最优的子空间维度；S2、利用数据集降维得到的特征表示构建测地线流；S3、计算测地线流核，根据测地线流核计算得到源数据和目标数据的变换矩阵及特征空间；S4、根据得到的特征空间对神经网络分类器进行训练，最终得到预测结果。

【技术特征摘要】
1.一种基于测地线流核的神经网络软件缺陷预测方法，其特征在于，包括如下步骤：S1、将数据集降维到对应的子空间中，并确定最优的子空间维度；S2、利用数据集降维得到的特征表示构建测地线流；S3、计算测地线流核，根据测地线流核计算得到源数据和目标数据的变换矩阵及特征空间；S4、根据得到的特征空间对神经网络分类器进行训练，最终得到预测结果。2.根据权利要求1所述的基于测地线流核的神经网络软件缺陷预测方法，其特征在于：S1中所述数据集包括源数据集和目标数据集。3.根据权利要求2所述的基于测地线流核的神经网络软件缺陷预测方法，其特征在于，S1具体包括如下步骤：S11、对源数据集和目标数据集进行PCA降维处理，分别得到新的特征表示PCAS和PCAT，计算将所述源数据集和目标数据集合并在一起时的子空间PCAS+T，子空间的不一致度D(d)被定义为，D(d)＝0.5[sinαd+sinβd]，其中，αd表示在PCAS和PCAS+T之间第d个主成分角，βd表示在PCAT和PCAS+T之间第d个主成分角，sinαd和sinβd为最小相关距离；S12、采用贪心算法，确定最优的子空间维度，计算公式为，d*＝min{d|D(d)＝1}，其中，d*的数值大小与子空间维度的最优程度呈正相关。4.根据权利要求2所述的基于测地线流核的神经网络软件缺陷预测方法，其特征在于，S2具体包括如下步骤：S21、依据S1中得到的结果，将测地线流参数化，令PS、PT分别代表源数据和目标数据的两个子空间的基序列，P...

【专利技术属性】
技术研发人员：荆晓远，孙静，孙莹，吴飞，董西伟，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32