CN108446214B - 基于dbn的测试用例进化生成方法 - Google Patents
基于dbn的测试用例进化生成方法 Download PDFInfo
- Publication number
- CN108446214B CN108446214B CN201810097805.0A CN201810097805A CN108446214B CN 108446214 B CN108446214 B CN 108446214B CN 201810097805 A CN201810097805 A CN 201810097805A CN 108446214 B CN108446214 B CN 108446214B
- Authority
- CN
- China
- Prior art keywords
- test case
- individuals
- population
- distance
- dbn
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3684—Test management for test design, e.g. generating new test cases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Abstract
本发明公开了一种基于DBN的测试用例生成方法,属于软件测试领域。本发明包括:通过软件需求文档,构造不同的测试用例作为训练集用于训练基于DBN的测试用例分类器;结合自适应的遗传算法来进化生成测试用例。通过测试用例分类器的分类结果,自适应得调整遗传操作中的变异率和交叉率。采用选择、交叉和变异的方式来产生新个体,从而能更好地产生新的个体摆脱局部极值搜索到全局最优解。对产生的新个体继续进行分类,如果符合测试需求,就输出测试用例,如果不符合,继续进行遗传操作,直到所需的测试用例的个数达到规定个数。本发明能够解决应用传统遗传算法生成测试用例过程中存在的早熟收敛问题,通过种群分类的形式能够增加种群的多样性,提高生成测试用例的效率。
Description
技术领域
本发明属于软件测试领域,具体涉及一种基于DBN的测试用例进化生成方法。
背景技术
软件测试,描述一种用来促进鉴定软件的正确性、完整性、安全性和质量的过程;是一种实际输出与预期输出之间的审核或者比较过程。软件测试是软件开发过程中的一个重要的环节,同时也是一个成本高昂的环节,统计数据表明,该环节一般占软件开发总成本的50%以上。近年来,软件测试越来越受到人们的普遍重视和广泛研究,测试数据的自动生成一直是软件测试的核心。
为了能以较少数目的测试用例实现程序结构元素的全覆盖,通常采用一些元启发式搜索算法来生成测试数据,近年来该方向成为软件测试领域一个极为活跃的分支。一些诸如模拟退火、遗传算法等经典的元启发式搜索算法及其变体,均被改造用于测试数据生成问题,并取得了较为理想的效果。
基于神经网络的测试数据生成方法逐渐被应用。传统的基于路径覆盖的测试数据进化生成是将数据生成问题转化为优化问题,对每个测试数据,都要运行插桩后的程序获得分支距离、层接近度等信息,从而计算其适应值,然后利用遗传算法生成测试用例,这样就需要消耗大量的时间。为了降低计算成本,减少运行程序带来的时间消耗,有学者使用BP神经网络模拟插桩后的适应值的计算过程,将随机生成的输入数据运行插桩程序获得分支距离、层接近度等信息,并计算适应值;然后将输出数据和适应值作为训练样本训练神经网络;最后结合训练好BP神经网络使用遗传算法自动生成测试数据。但是传统的神经网络只能进行“浅层学习”,无法对数据特征进行深度挖掘。
深度信念网络的出现,改变了这一现状,它是由Geoffrey Hinton于2006年提出,是使用层受限制的叠波尔兹曼机组成深度神经网络的方法,是一种良好的无监督学习方法,具有较强的从样本中提取特征的能力和容错特性,性能优于BP神经网络和支持向量机的方法,已经在其他领域证明了这一点,尤其是把它用作分类器,用于识别分类,取得了比较好的效果。在软件测试领域,也有将深度信念网络用于构建软件缺陷预测模型,并且对比传统的神经网络预测模型,预测的准确性有了明显的提高。同时,传统的遗传算法往往采用固定的控制参数,导致全局搜索能力差,存在未成熟等现象。改进的自适应遗传算法能够根据种群适应度的集中分散的程度非线性地自适应调节遗传算法进化的运算流程和交叉概率、变异概率,从而能够更好的产生新的个体。
因此,可以将DBN融入到遗传算法中去,利用DBN训练一种测试数据分类器,根据分类结果自适应的调节交叉和变异过程中的概率,形成一种新的自适应的遗传算法,来解决传统遗传算法容易早熟收敛的问题,从而提高测试用例生成的质量。
发明内容
本发明的目的是对传统遗传算法生成测试用例方法进行改进,在传统遗传算法的基础上,将机器学习中的DBN融入到其中,自适应调整遗传算法中的变异率和交叉率,解决传统遗传算法中存在的早熟收敛问题。
本发明解决其技术问题所采用的技术方案如下:将DBN网络融入到遗传算法中,通过已有软件测试需求文档构建用于训练基于DBN的测试用例分类器的训练集,然后构建DBN网络并训练得到测试用例分类器;随机产生初始种群,对初始种群数据进行归一化之后,输入到DBN网络进行种群分类,得到A、B、C、D、E这5类种群,设定A为优质类可直接输出,E为淘汰类,直接舍弃。对B、C、D这三类进行遗传操作,从而产生新的个体,对新产生的个体重复进行分类操作,直到产生足够数量的优质测试用例为止。
为实现上述目标,本发明提出了一种基于DBN的测试数据进化生成方法,包括如下步骤:
(1)根据待测软件的需求文档的需求,构造测试用例集T作为训练DBN网络的训练集,设定所需生成的测试用例个数为N;
(2)插桩待测软件,并将测试用例集T中的所有测试用例在插桩后的软件中运行,从而获取测试用例集T中每个测试用例所对应的个体距离、分支距离和节点覆盖率,并根据这些数据计算测试用例集T中的每个个体的适应度函数值Fit;
(3)对获取的Fit值进行降序排序,将对应的测试用例划分成A、B、C、D、E这5大类;用来表示测试用例集T中测试用例的优劣等级,其中,优质程度为A>B>C>D>E,A类为优质测试用例,B、C、D类为待优化的测试用例,E类为劣质测试用例;
(4)将步骤(2)中获取到的个体距离、分支距离和节点覆盖率作为用于训练DBN网络的特征数据,并对这些数据进行归一化处理至[0,1]范围内;
(5)构建DBN网络,并用步骤(3)中归一化处理后的数据,对DBN网络进行训练,得到基于DBN的测试用例分类器;
(6)随机产生测试用例集,作为初始种群;
(7)将种群中的每个测试用例个体都输入到插桩后的被测程序中,获取到个体距离、分支距离和节点覆盖率并归一化数据范围至[0,1],并输入到已经训练得到的DBN分类器中进行分类,将所有的个体分成A、B、C、D、E,这5大类;A类测试用例视为优质测试用例,直接用于输出,B、C、D类为待进化的测试用例,E类为劣质的测试用例,直接进行淘汰;
(8)分别计算B、C、D类个体的数量占种群个体总量的比重并根据计算的比重自适应调节变异率和交叉率;
(9)根据(8)中计算得到的变异率和交叉率,对B、C、D类个体进行交叉、变异产生新的个体;
(10)将产生的新个体作为种群,然后重复步骤(7)~(9),直到输出的A类测试用例的个数达到需求值N为止;
(11)输出测试用例。
优选的,所述的步骤(2)中计算个体距离、分支距离、节点覆盖率、适应度函数值的方法为:
计算种群的个体距离公式为:
式中,d(x,y)表示两个个体之间的曼哈顿距离,xi和yj表示第k个群中的任意两个不同个体;
分支距离的计算公式为:
式中,Odistance表示分支距离,S是覆盖目标路径的路径数目,θ为大于零的常数;
节点覆盖率的计算公式为:
式中,Ncr表示节点覆盖率,τ是覆盖目标路径节点的节点数目,ω为目标路径的节点数目。
个体适应度函数为:
fit(xi,t)=αOdistance(xi,t)+βNcr(xi,t)+γd(xi,xj,t)
式中,fit(xi,t)表示个体适应度函数,Odistance(xi,t)、Ncr(xi,t)和d(xi,xj,t)分别是第t代中第k个种群中个体xi的分支距离、节点覆盖率和个体距离,α+β+γ=1,α是覆盖率影响因子,β是分支谓词影响因子,γ是种群多样性影响因子;
种群多样性的计算公式为:
Vk=ηDk+(1-η)fitk
调整原来的适应度函数:
式中,Fit表示调整后的适应度函数,Q(xi,t)是个体xi的贡献度。
按照计算得到的适应度函数值对T种的个体进行排序,适应度值越大则个体约优秀,按照降序排序的方式排列,分别按照5%、20%、30%、30%、15%的比重将测试用例分成A、B、C、D、E,5类。
优选的,所述的步骤(3)中,将个体距离、分支距离和节点覆盖率归一化的方法为通过下式:
将数据归一化到[0,1]区间,其中,x为待归一化数据,min(x)为数据的最小值,max(x)为最大值,归一化后输出向量y。
优选的,所述的步骤(7)中,根据计算的比重自适应调节变异率和交叉率的方法为:
交叉率Pc的计算公式:
变异率Pm的计算公式:
其中,PCB=0.3,PCC=0.5、PCD=0.7,N表示种群中所有个体的个数,NB、NC、ND分别表示分类后得到的B、C、D类的个体的总数。
优选的,所述的步骤(3)中的测试用例或步骤(7)中的个体的分类方法为:根据优劣程度排序,从优到劣按照5%、20%、30%、30%、15%的数量比例进行划分分类;分别对应A、B、C、D、E五类,优质程度为A>B>C>D>E。
附图说明
图1是基于DBN的测试用例分类器获取流程图;
图2是基于DBN的测试用例进化生成方法流程图;
图3是单层RBM结构图。
具体实施方式
下面结合附图并通过具体实施方式来进一步描述本发明。
图1为本发明方法中实施的基于DBN的测试用例分类器获取流程图。
本发明所述的基于DBN的测试用例进化生成方法,将DBN网络与自适应遗传算法相结合,解决了传统遗传算法中易于陷入局部最优的问题,采用DBN训练的测试用例分类器对测试用例进行分类,从而评价个体的优劣程度,根据分类情况自适应的调整变异率和交叉率,从而避免传统遗传算法中因采用定值而无法保证后期种群的多样性,从而形成一种基于DBN的测试用例进化生成方法,如图2所示,包括以下步骤:
步骤1:根据待测软件的需求文档的需求,人为构造测试用例集T作为训练DBN网络的训练集。
步骤2:插桩待测软件,并将T中的所有测试用例在插桩后的软件中运行,从而获取T中每个测试用例所对应的个体距离、分支距离、节点覆盖率和适应度函数。
步骤2.1:计算种群的个体距离公式为:
式中,d(x,y)表示两个个体之间的曼哈顿距离,xi和yj表示第k个群中的任意两个不同个体。
步骤2.2:分支距离的计算公式为:
式中,Odistance表示分支距离,S是覆盖目标路径的路径数目,θ为大于零的常数。
步骤2.3:节点覆盖率的计算公式为:
式中,Ncr表示节点覆盖率,τ是覆盖目标路径节点的节点数目,ω为目标路径的节点数目。
步骤2.4:先计算个体适应度函数为:
fit(xi,t)=αOdistance(xi,t)+βNcr(xi,t)+γd(xi,xj,t)
式中,fit(xi,t)表示个体适应度函数,Odistance(xi,t)、Ncr(xi,t)和d(xi,xj,t)分别是第t代中第k个种群中个体xi的分支距离、节点覆盖率和个体距离,α+β+γ=1,α是覆盖率影响因子,β是分支谓词影响因子,γ是种群多样性影响因子。
然后,计算种群多样性的计算公式为:
Vk=ηDk+(1-η)fitk
最后,调整原来的适应度函数:
式中,Fit表示调整后的适应度函数,Q(xi,t)是个体xi的贡献度;
适应度函数值的计算旨在构建优秀的测试用例训练集时,用于评价训练集中测试用例优劣程度从而作为分类标准。在后续的测试用例生成上均将计算获取得到的个体距离、分支距离和节点覆盖率作为数据输入到测试用例分类器当中。
步骤3:对获取的Fit值进行降序排序,按照5%、20%、30%、30%、15%的比例将对应的测试用例划分成A、B、C、D、E这5大类。
以上的分类比例可按照实际项目中的具体情况进行调节。
步骤4:按照如下公式对种群的个体距离、分支距离、节点覆盖率进行归一化处理:
上式将数据归一化到[0,1]区间。其中,x为待归一化数据,min(x)为数据的最小值,max(x)为最大值,归一化后输出向量y。
由于以上数据的单位不一样,数据范围可能存在较大的差别,会对后面DBN的训练过程中收敛以及分类过程中的精度产生影响,所以在步骤3中需要对它们进行归一化处理。由于DBN网络中会采用S型激活函数,并且S型激活函数的值域限制在(0,1)区间内。
步骤5:编程构建DBN网络,并用归一化后的数据训练DBN,得到基于DBN的测试用例分类器。
DBN网络构建原理:
DBN网络是一种概率生成模型,建立一个观察数据和标签之间的联合概率分布,对P(Observation|Label)和P(Label|Observation)均做了评估。结构上,它是由多个受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)堆叠而成,单层RBM的结构图,如图3所示RBM包含一个可视层v和一个隐含层h,每层单元之间无连接,层与层之间全连接。训练时采用逐层训练的方法,解决了传统神经网络训练方法不适用于多层网络的训练问题,整个DBN的训练分为预训练和调优两个阶段。
预训练实质上就是初始化网络参数的过程,采用逐层无监督特征优化算法进行,需要初始化的网络参数是层与层之间的连接权值及各层神经元的偏置值。
预训练完成之后,每层RBM可以得到初始化的参数,组成了DBN的初步框架,接下来需要对DBN作调优训练,进一步优化网络各层的参数,以使得网络的判别性能更好。调优过程是有监督学习过程,即采用标签数据进行训练,利用BP算法对网络参数进行微调,最终使网络达到全局最优。
步骤6:通过编程,随机产生测试用例集,作为初始种群。
步骤7:将种群中的每个测试用例个体都输入到插桩后的被测程序中,获取到个体距离、分支距离和节点覆盖率并归一化数据范围至[0,1],并输入到已经训练得到的DBN分类器中进行分类,将所有的个体分成A、B、C、D、E,这5大类。A类测试用例视为优质测试用例,直接用于输出。B、C、D类为待进化的测试用例。E类为劣质的测试用例,直接进行淘汰。
步骤8:计算B、C、D类个体的数量占种群个体总量的比重并根据计算的比重自适应调节变异率和交叉率。
交叉和变异操作过程中,按照分类的结果,自适应地调节变异率和交叉率:
变异率Pc:
交叉率Pm:
其中,PCB=0.3,PCC=0.5、PCD=0.7,N表示种群中所有个体的个数,NB、NC、ND分别表示分类后得到的B、C、D类的个体的总数。通过分类结果来自适应调节交叉率和变异率可以避免传统遗传算法中存在的由于采用定值导致的易于陷入局部最优问题以及新个体缺乏种群多样性的问题。
步骤9:根据步骤7中计算得到的变异率和交叉率,对B、C、D类个体进行交叉、变异产生新的个体。
步骤10:将产生的新个体作为种群,然后重复步骤(7)~(9),直到输出的A类测试用例的个数达到需求值N为止。
步骤11:输出测试用例。
鉴于深度信念网络类比于BP神经网络、SVM等神经网络具有较强的隐含数据特征提取功能且具有收敛速度快、效率高的特点,并在图像识别领域作为分类器已经具有突出表现。因此本发明将深度信念网络融入到自适应遗传算法当中,用于构建测试用例分类器,同时运用自适应遗传算法来进化生成测试用例,根据基于DBN的测试用例分类器对测试用例分类的结果自适应调整遗传算法中的变异率和交叉率有助于在后期保持种群多样性,能提高遗传算法在生成测试用例过程中的效率。
Claims (5)
1.一种基于DBN的测试用例进化生成方法,其特征在于,包括如下步骤:
(1)根据待测软件的需求文档的需求,构造测试用例集T作为训练DBN网络的训练集,设定所需生成的测试用例个数为N;
(2)插桩待测软件,并将测试用例集T中的所有测试用例在插桩后的软件中运行,从而获取测试用例集T中每个测试用例所对应的个体距离、分支距离和节点覆盖率,并根据这些数据计算测试用例集T中的每个个体的适应度函数值Fit;
(3)对获取的Fit值进行降序排序,将对应的测试用例划分成A、B、C、D、E这5大类;用来表示测试用例集T中测试用例的优劣等级,其中,优质程度为A>B>C>D>E,A类为优质测试用例,B、C、D类为待优化的测试用例,E类为劣质测试用例;
(4)将步骤(2)中获取到的个体距离、分支距离和节点覆盖率作为用于训练DBN网络的特征数据,并对这些数据进行归一化处理至[0,1]范围内;
(5)构建DBN网络,并用步骤(3)中归一化处理后的数据,对DBN网络进行训练,得到基于DBN的测试用例分类器;
(6)随机产生测试用例集,作为初始种群;
(7)将种群中的每个测试用例个体都输入到插桩后的被测程序中,获取到个体距离、分支距离和节点覆盖率并归一化数据范围至[0,1],并输入到已经训练得到的DBN分类器中进行分类,将所有的个体分成A、B、C、D、E,这5大类;A类测试用例视为优质测试用例,直接用于输出,B、C、D类为待进化的测试用例,E类为劣质的测试用例,直接进行淘汰;
(8)分别计算B、C、D类个体的数量占种群个体总量的比重并根据计算的比重自适应调节变异率和交叉率;
(9)根据(8)中计算得到的变异率和交叉率,对B、C、D类个体进行交叉、变异产生新的个体;
(10)将产生的新个体作为种群,然后重复步骤(7)~(9),直到输出的A类测试用例的个数达到需求值N为止;
(11)输出测试用例。
2.根据权利要求1所述的一种基于DBN的测试用例进化生成方法,其特征在于所述的步骤(2)中计算个体距离、分支距离、节点覆盖率、适应度函数值的方法为:
计算种群的个体距离公式为:
式中,d(xi,xj)表示两个个体之间的曼哈顿距离,xi和yj表示第k个群中的任意两个不同个体;
分支距离的计算公式为:
式中,Odistance表示分支距离,S是覆盖目标路径的路径数目,θ为大于零的常数;
节点覆盖率的计算公式为:
式中,Ncr表示节点覆盖率,τ是覆盖目标路径节点的节点数目,ω为目标路径的节点数目;
个体适应度函数为:
fit(xi,t)=αOdistance(xi,t)+βNcr(xi,t)+γd(xi,xj,t)
式中,fit(xi,t)表示个体适应度函数,Odistance(xi,t)、Ncr(xi,t)和d(xi,xj,t)分别是第t代中第k个种群中个体xi的分支距离、节点覆盖率和个体距离,α+β+γ=1,α是覆盖率影响因子,β是分支谓词影响因子,γ是种群多样性影响因子;
种群多样性的计算公式为:
Vk=ηDk+(1-η)fitk
调整原来的适应度函数:
式中,Fit表示调整后的适应度函数,Q(xi,t)是个体xi的贡献度;
按照计算得到的适应度函数值对T种的个体进行排序,适应度值越大则个体约优秀,按照降序排序的方式排列,分别按照5%、20%、30%、30%、15%的比重将测试用例分成A、B、C、D、E,5类。
5.根据权利要求1所述的一种基于DBN的测试用例进化生成方法,其特征在于所述的步骤(3)中的测试用例或步骤(7)中的个体的分类方法为:根据优劣程度排序,从优到劣按照5%、20%、30%、30%、15%的数量比例进行划分分类;分别对应A、B、C、D、E五类,优质程度为A>B>C>D>E。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810097805.0A CN108446214B (zh) | 2018-01-31 | 2018-01-31 | 基于dbn的测试用例进化生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810097805.0A CN108446214B (zh) | 2018-01-31 | 2018-01-31 | 基于dbn的测试用例进化生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108446214A CN108446214A (zh) | 2018-08-24 |
CN108446214B true CN108446214B (zh) | 2021-02-05 |
Family
ID=63191547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810097805.0A Active CN108446214B (zh) | 2018-01-31 | 2018-01-31 | 基于dbn的测试用例进化生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108446214B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110895506A (zh) * | 2018-09-13 | 2020-03-20 | 北京京东尚科信息技术有限公司 | 测试数据的构造方法和构造系统 |
CN109977030B (zh) * | 2019-04-26 | 2022-04-19 | 北京信息科技大学 | 一种深度随机森林程序的测试方法及设备 |
CN110533150B (zh) * | 2019-07-05 | 2023-05-23 | 江西财经大学 | 基于支持向量机回归模型的测试生成与重用系统及方法 |
CN112328496A (zh) * | 2020-11-27 | 2021-02-05 | 杭州新州网络科技有限公司 | 全栈式的循环神经网络深度学习系统安全分析与检测方法 |
US20220188627A1 (en) * | 2020-12-15 | 2022-06-16 | International Business Machines Corporation | Reinforcement learning for testing suite generation |
CN112948277A (zh) * | 2021-04-30 | 2021-06-11 | 上海大学 | 一种基于耦合自编码器的模糊测试用例生成系统和方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1904853A (zh) * | 2006-08-21 | 2007-01-31 | 北京中星微电子有限公司 | 一种嵌入式软件装载调试方法及其系统 |
CN104951425A (zh) * | 2015-07-20 | 2015-09-30 | 东北大学 | 一种基于深度学习的云服务性能自适应动作类型选择方法 |
CN106919504A (zh) * | 2017-02-14 | 2017-07-04 | 浙江理工大学 | 一种基于impe‑ga算法的测试数据进化生成方法 |
CA3060085A1 (en) * | 2016-04-22 | 2017-10-26 | Lin Tan | Method for determining defects and vulnerabilities in software code |
CN107408209A (zh) * | 2014-12-03 | 2017-11-28 | 科磊股份有限公司 | 无需取样及特征选择的自动缺陷分类 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7181376B2 (en) * | 2003-06-03 | 2007-02-20 | International Business Machines Corporation | Apparatus and method for coverage directed test |
-
2018
- 2018-01-31 CN CN201810097805.0A patent/CN108446214B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1904853A (zh) * | 2006-08-21 | 2007-01-31 | 北京中星微电子有限公司 | 一种嵌入式软件装载调试方法及其系统 |
CN107408209A (zh) * | 2014-12-03 | 2017-11-28 | 科磊股份有限公司 | 无需取样及特征选择的自动缺陷分类 |
CN104951425A (zh) * | 2015-07-20 | 2015-09-30 | 东北大学 | 一种基于深度学习的云服务性能自适应动作类型选择方法 |
CA3060085A1 (en) * | 2016-04-22 | 2017-10-26 | Lin Tan | Method for determining defects and vulnerabilities in software code |
CN106919504A (zh) * | 2017-02-14 | 2017-07-04 | 浙江理工大学 | 一种基于impe‑ga算法的测试数据进化生成方法 |
Non-Patent Citations (2)
Title |
---|
A DBN-Based Classifying Approach to Discover the Internet Water Army;Weiqiang Sun等;《 8th International Conference on Intelligent Information Processing (IIP)》;20141031;第78-89页 * |
基于自适应粒子群优化的组合测试用例生成方法;包晓安;《计算机科学》;20170630;第44卷(第6期);第177-181页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108446214A (zh) | 2018-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108446214B (zh) | 基于dbn的测试用例进化生成方法 | |
Song et al. | Multi-view ensemble learning based on distance-to-model and adaptive clustering for imbalanced credit risk assessment in P2P lending | |
Zhang et al. | Co-representation network for generalized zero-shot learning | |
CN109034194B (zh) | 基于特征分化的交易欺诈行为深度检测方法 | |
CN103729678B (zh) | 一种基于改进dbn模型的水军检测方法及系统 | |
CN111814871A (zh) | 一种基于可靠权重最优传输的图像分类方法 | |
CN110472817A (zh) | 一种结合深度神经网络的XGBoost集成信用评价系统及其方法 | |
CN108898479B (zh) | 信用评价模型的构建方法及装置 | |
CN110598598A (zh) | 基于有限样本集的双流卷积神经网络人体行为识别方法 | |
CN109800875A (zh) | 基于粒子群优化和降噪稀疏编码机的化工故障检测方法 | |
CN108304316B (zh) | 一种基于协同迁移的软件缺陷预测方法 | |
CN112685504B (zh) | 一种面向生产过程的分布式迁移图学习方法 | |
CN106845528A (zh) | 一种基于K‑means与深度学习的图像分类算法 | |
CN109685653A (zh) | 一种融合深度信念网络和孤立森林算法的信贷风险监测的方法 | |
CN107644057A (zh) | 一种基于迁移学习的绝对不平衡文本分类方法 | |
CN108921197A (zh) | 一种基于特征选择和集成算法的分类方法 | |
CN110298434A (zh) | 一种基于模糊划分和模糊加权的集成深度信念网络 | |
CN109214444B (zh) | 基于孪生神经网络和gmm的游戏防沉迷判定系统及方法 | |
CN108647772B (zh) | 一种用于边坡监测数据粗差剔除的方法 | |
CN112949954B (zh) | 基于识别学习建立财务欺诈识别模型的方法 | |
CN112101473A (zh) | 一种基于小样本学习的烟雾检测算法 | |
CN109460872B (zh) | 一种面向移动通信用户流失不平衡数据预测方法 | |
CN105512675A (zh) | 一种基于记忆性多点交叉引力搜索的特征选择方法 | |
CN104537383A (zh) | 一种基于粒子群的海量组织机构数据分类方法及系统 | |
CN112990371B (zh) | 一种基于特征扩增的无监督夜间图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |