CN112631898A - 基于cnn-svm的软件缺陷预测方法 - Google Patents
基于cnn-svm的软件缺陷预测方法 Download PDFInfo
- Publication number
- CN112631898A CN112631898A CN202011430269.5A CN202011430269A CN112631898A CN 112631898 A CN112631898 A CN 112631898A CN 202011430269 A CN202011430269 A CN 202011430269A CN 112631898 A CN112631898 A CN 112631898A
- Authority
- CN
- China
- Prior art keywords
- defect
- cnn
- svm
- software
- sample
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000006870 function Effects 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000011161 development Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000011176 pooling Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于CNN‑SVM的软件缺陷预测方法，从软件历史开发数据中提取软件数据特征，将获得的数据特征进行归一化处理；对归一化后的缺陷样本的数据特征进行SMOTE样本扩充；构建CNN‑SVM模型，正常样本和扩充后的缺陷样本一起输入到CNN‑SVM模型中,先由CNN网络进行卷积、下采样和扁平化处理，完成特征提取后，输入到SVM层进行缺陷预测；采用RMSProp优化器，基于binary_cross_entroy损失函数进行优化拟合，完成CNN‑SVM模型的训练；将目标软件缺陷特征输入训练好的CNN‑SVM模型，输出预测结果。本发明在较为复杂和不平衡问题较大的数据集上，其性能相较于目前性能较好的无监督学习和半监督学习更优。
Description
技术领域
本发明涉及软件可靠性检测技术，具体涉及一种基于CNN-SVM的软件缺陷预测方法。
背景技术
随着社会信息化持续深入发展，软件在我们的日常生活中变得无处不在、无所不在。但随之而来的是，软件缺陷导致的软件出错、失效、崩溃等质量问题层出不穷。软件缺陷是计算机中存在的某种破坏软件和程序正常运行的错误，或者尚未发现的功能缺陷。提前发现软件缺陷并提供解决方案有助于提高软件质量、降低维护成本并增强用户信任度。
如何有效的进行软件缺陷预测一直是软件工程师研究的重要领域。其中，基于机器学习的软件缺陷预测方法是技术研究人员研究的热点内容之一。主要是根据软件历史开发数据中的软件数据特征以及已发现的缺陷，通过机器学习来对目标软件项目中的缺陷数目或缺陷类型等进行预测。一般可以考虑代码、注释、参数、操作数符、调用关系等因素对软件缺陷的影响，或者基于Halstead度量法、 McCabe度量法去提取软件数据特征信息。缺陷的产生与各类软件数据特征具有不尽相同的非线性相关性，同时软件数据特征之间也具有一定的相关性。除此之外，在软件历史开发数据中，缺陷数据数目远小于正常数据，由此带来了样本类不平衡的问题。目前大多缺陷预测算法都在某一特定数据集上进行实验，其不能保证在各类不同的软件数据上具有一致的效果。
发明内容
本发明的目的在于提出一种基于CNN-SVM的软件缺陷预测方法。
实现本发明目的的技术解决方案为：一种基于CNN-SVM的软件缺陷预测方法，包括如下步骤：
步骤1，从软件历史开发数据中提取软件数据特征，将获得的数据特征进行归一化处理；
步骤2，对归一化后的缺陷样本的数据特征进行SMOTE样本扩充；
步骤3，构建CNN-SVM模型，正常样本和扩充后的缺陷样本一起输入到 CNN-SVM模型中,先由CNN网络进行卷积、下采样和扁平化处理，完成特征提取后，输入到SVM层进行缺陷预测；
步骤4，采用RMSProp优化器，基于binary_cross_entroy损失函数进行优化拟合，完成CNN-SVM模型的训练；
步骤5，将目标软件缺陷特征输入训练好的CNN-SVM模型，输出预测结果。
进一步的，步骤1，从软件历史开发数据中提取软件数据特征，将获得的数据特征进行归一化处理，具体方法为：
从软件历史开发数据中提取软件数据特征，包括代码结构信息、代码行数信息、数符信息、可读性信息、McCabe度量信息、Halstead度量信息以及缺陷信息；
将获得的数据特征进行归一化处理，公式为：
其中，xmax与xmin分别为某一数据特征信息列中的最大、最小值，x'为对每一个数据特征信息x作归一化后得到结果。
进一步的，步骤2，对归一化后的缺陷样本的数据特征进行SMOTE样本扩充，其中，SMOTE算法是一种合成少数类的随机过采样技术，算法步骤如下：
1)对于每一个缺陷样本x，基于欧式距离计算其到其他样本y中的距离并得到最近的K个样本，称K近邻样本，欧式距离公式如下，
其中，xi与yi分别为缺陷样本x和其他样本y中的第i个数据特征；
2)根据不平衡比率设置采样比例，确定采样倍率N，之后对每个缺陷样本随机选择若干K近邻样本xk；
3)根据每个选择出的K邻近样本xk，做如下计算获得新样本x'：
x'＝x+rand(0,1)×(x-xk)
进一步的，步骤3，构建CNN-SVM模型，正常样本和扩充后的缺陷样本一起输入到CNN-SVM模型中,先由CNN网络进行卷积、下采样和扁平化处理，完成特征提取后，输入到SVM层进行缺陷预测，具体方法为：
(1)首先设置batch(批次大小)、kernel(卷积核大小)、stride(卷积步长)、epoch(训练次数)这些参数，调整CNN网络结构，根据所设置的网络层数进行一次或多次卷积、下采样操作，完成特征提取；
由于软件缺陷特征并不具有二维结构，因此模型采用一维卷积进行计算，卷积层中使用卷积核进行特征提取和特征映射，卷积核大小设为2，步长设为1，使用softmax函数作为激励函数协助表达输入的复杂特征,卷积计算公式如下：
其中，f是缺陷特征序列，N为缺陷特征序列长度，g是卷积核序列，S是输出序列；
池化层采用maxpooling函数进行下采样操作完成特征选择和过滤，池化层滑动窗口大小设为2，通过滑动窗口对缺陷特征进行采样，将窗口内最大值作为输出，形成池化层缺陷特征输出序列；
然后通过全连接层对选择和过滤后的缺陷特征进行扁平化处理，并将扁平化后的缺陷特征输入SVM层；
(2)SVM层使用SVC分类算法，惩罚系数C取值86，kernel采用线性核函数linear，输出分类结果，得到初步的软件缺陷预测模型。
进一步的，步骤4，采用RMSProp优化器，基于binary_cross_entroy损失函数进行优化拟合，完成基于CNN-SVM的软件缺陷预测模型的训练，供后续软件缺陷预测，其中，RMSProp优化器能够加速梯度下降，加快学习效率，算法过程如下：
1)从训练集中采集包含m个样本{x(1),x(2),…,x(i)}的小批量，将对应的第 i条样本实际缺陷情况用y(i)表示，将模型预测结果用f(x(i)；θ)表示，对θ求偏导以计算梯度g，公式为：
其中，θ为默认参数，L为损失函数；
2)累计平方梯度r，公式为：
r′＝ρr+(1-ρ)g⊙g
其中，⊙为同或运算符，r初始值为0，ρ为衰减速率；
3)更新参数θ
其中，ε为全局学习率，δ为常数，该常数用于确保除数不为0，设为10-6；
4)重复以上步骤直至训练完成。
一种基于CNN-SVM的软件缺陷预测系统，基于所述的方法，进行基于CNN-SVM 的软件缺陷预测。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的方法，进行基于 CNN-SVM的软件缺陷预测。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的方法，进行基于CNN-SVM的软件缺陷预测。
本发明与现有技术相比，其显著优点为：1)CNN是一种包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一，在CNN中，一个卷积层可以利用不同的卷积核模拟不同的视觉神经，每个卷积层提取的特征在深层逐渐合成高阶特征，随着卷积层的不断提取，其特征越来越明显，本发明将这些特征输入到泛化能力更好的SVM预测模块中进行分类，利用CNN优良的特征提取能力和SVM在分类问题上更好的泛化能力，可以得到较好的预测结果，与目前软件缺陷预测中其他监督学习算法相比，基于CNN-SVM的软件缺陷预测方法的识别率和召回率更高，综合性能更强，同时在较为复杂和不平衡问题较大的数据集上，其性能相较于目前性能较好的无监督学习和半监督学习更优。2)根据网络参数设置的不同，可以研究不同的网络参数设置对基于CNN-SVM的软件缺陷预测模型预测效果的影响，得到最佳模型参数并应用到不同的数据集上。
附图说明
图1是基于CNN-SVM的软件缺陷预测方法基本流程。
图2是CNN-SVM模型的架构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
结合图1，基于CNN-SVM的软件缺陷预测方法的具体过程为：
步骤1，从软件历史开发数据中提取软件数据特征，包括代码结构信息、代码行数信息、数符信息、可读性信息、McCabe度量信息、Halstead度量信息以及缺陷信息等。将获得的数据特征进行归一化处理，公式为：
其中，xmax与xmin分别为某一数据特征信息列中的最大、最小值，x'为对每一个数据特征信息x作归一化后得到结果。
步骤2，对归一化后的缺陷样本的数据特征进行SMOTE样本扩充。SMOTE算法是一种合成少数类的随机过采样技术。算法步骤如下：
1)对于每一个缺陷样本x，基于欧式距离，公式如下，计算其到其他样本中的距离并得到最近的K个样本，称K近邻样本；
其中，xi与yi分别为缺陷样本x和其他样本y中的第i个数据特征。
2)根据不平衡比率设置采样比例，确定采样倍率N，之后对每个缺陷样本随机选择若干K近邻样本xk；
3)根据每个选择出的K邻近样本xk，做如下计算获得新样本：
x'＝x+rand(0,1)×(x-xk)
步骤3，将正常样本和扩充后的缺陷样本一起输入到CNN-SVM模型中，如图 2所示。首先进行特征提取，包括设置batch(批次大小)、kernel(卷积核大小)、 stride(卷积步长)、epoch(训练次数)等参数，调整CNN网络结构，根据所设置的网络层数进行一次或多次卷积和下采样操作。
由于软件缺陷特征并不具有二维结构，因此模型采用一维卷积进行计算。卷积层主要使用卷积核进行特征提取和特征映射。每次卷积操作都可以使得输入信号特征增强、噪音降低。卷积层中使用softmax函数作为激励函数以协助表达输入的复杂特征,其计算简单、效果显著。卷积核大小设为2，步长设为1。其计算公式如下：
其中，f是缺陷特征序列，N为缺陷特征序列长度，g是卷积核序列，S是输出序列。
池化层主要采用maxpooling函数进行下采样操作，完成特征选择和过滤，以此去除掉冗余的特征信息，防止过拟合现象。池化层滑动窗口大小设为2。通过滑动窗口对缺陷特征进行采样，将窗口内最大值作为输出，形成池化层缺陷特征输出序列。
然后将缺陷特征进行扁平化处理，并通过全连接层将其与SVM层相连。SVM 层使用SVC分类算法，惩罚系数C取值86，kernel采用线性核函数linear，输出分类结果，得到初步的软件缺陷预测模型。
步骤4，对于整个模型采用RMSProp优化器，binary_cross_entroy损失函数进行优化拟合，最终获得训练完成的基于CNN-SVM的软件缺陷预测模型。
RMSProp优化器能够加速梯度下降，加快学习效率，其算法过程如下：
1)从训练集中采集包含m个样本{x(1),x(2),...,x(i)}的小批量，对应的第i 条样本实际缺陷情况用y(i)表示，f(x(i)；θ)为模型预测结果。对θ求偏导以计算梯度g。
其中，θ为默认参数，L为损失函数。
2)累计平方梯度r。
r'＝ρr+(1-ρ)g⊙g
其中，r初始值为0，ρ为衰减速率。
3)更新参数。
其中，⊙为同或运算符，ε为全局学习率，δ为常数，该常数用于确保除数不为0，设为10-6。
4)重复以上步骤直至训练完成。
步骤5，将目标软件缺陷特征输入模型，输出预测结果，与实际结果进行比较。
实施例
为了验证本发明方案的有效性，进行如下仿真实验。
本实施例基于PC5数据集进行软件缺陷预测，该数据集已经从软件历史开发数据中提取出软件缺陷特征和缺陷信息，并进行了归一化处理。首先对数据集中缺陷样本采用SMOTE方法进行样本扩充，以解决样本类不平衡问题。将扩充后的数据输入CNN-SVM模型中，先进行特征提取，设置网络结构完成卷积和下采样操作，将特征扁平化后通过全连接层与SVM层相连，SVM层采用SVC算法进行分类预测。通过数据集在训练过程中不断对模型参数进行调整，得到最终的基于 CNN-SVM的软件缺陷预测模型。最后，将目标软件缺陷特征输入模型，得出预测结果。
将该模型评估指标与经典算法比较，其结果如下：
表1本发明与经典算法的对比表
可以看出，与目前软件缺陷预测中其他监督学习算法相比，基于CNN-SVM 的软件缺陷预测方法的识别率和召回率更高，综合性能更强，同时在较为复杂和不平衡问题较大的数据集上，其性能相较于目前性能较好的无监督学习和半监督学习更优。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种基于CNN-SVM的软件缺陷预测方法，其特征在于，包括如下步骤：
步骤1，从软件历史开发数据中提取软件数据特征，将获得的数据特征进行归一化处理；
步骤2，对归一化后的缺陷样本的数据特征进行SMOTE样本扩充；
步骤3，构建CNN-SVM模型，正常样本和扩充后的缺陷样本一起输入到CNN-SVM模型中,先由CNN网络进行卷积、下采样和扁平化处理，完成特征提取后，输入到SVM层进行缺陷预测；
步骤4，采用RMSProp优化器，基于binary_cross_entroy损失函数进行优化拟合，完成CNN-SVM模型的训练；
步骤5，将目标软件缺陷特征输入训练好的CNN-SVM模型，输出预测结果。
2.根据权利要求1所述的基于CNN-SVM的软件缺陷预测方法，其特征在于，步骤1，从软件历史开发数据中提取软件数据特征，将获得的数据特征进行归一化处理，具体方法为：
从软件历史开发数据中提取软件数据特征，包括代码结构信息、代码行数信息、数符信息、可读性信息、McCabe度量信息、Halstead度量信息以及缺陷信息；
将获得的数据特征进行归一化处理，公式为：
其中，xmax与xmin分别为某一数据特征信息列中的最大、最小值，x'为对每一个数据特征信息x作归一化后得到结果。
3.根据权利要求1所述的基于CNN-SVM的软件缺陷预测方法，其特征在于，步骤2，对归一化后的缺陷样本的数据特征进行SMOTE样本扩充，其中，SMOTE算法是一种合成少数类的随机过采样技术，算法步骤如下：
1)对于每一个缺陷样本x，基于欧式距离计算其到其他样本y中的距离并得到最近的K个样本，称K近邻样本，欧式距离公式如下，
其中，xi与yi分别为缺陷样本x和其他样本y中的第i个数据特征；
2)根据不平衡比率设置采样比例，确定采样倍率N，之后对每个缺陷样本随机选择若干K近邻样本xk；
3)根据每个选择出的K邻近样本xk，做如下计算获得新样本x'：
x'＝x+rand(0,1)×(x-xk)。
4.根据权利要求1所述的基于CNN-SVM的软件缺陷预测方法，其特征在于，步骤3，构建CNN-SVM模型，正常样本和扩充后的缺陷样本一起输入到CNN-SVM模型中,先由CNN网络进行卷积、下采样和扁平化处理，完成特征提取后，输入到SVM层进行缺陷预测，具体方法为：
(1)首先设置batch、kernel、stride、epoch这些参数，调整CNN网络结构，根据所设置的网络层数进行一次或多次卷积、下采样操作，完成特征提取；
由于软件缺陷特征并不具有二维结构，因此模型采用一维卷积进行计算，卷积层中使用卷积核进行特征提取和特征映射，卷积核大小设为2，步长设为1，使用softmax函数作为激励函数协助表达输入的复杂特征,卷积计算公式如下：
其中，f是缺陷特征序列，N为缺陷特征序列长度，g是卷积核序列，S是输出序列；
池化层采用maxpooling函数进行下采样操作完成特征选择和过滤，池化层滑动窗口大小设为2，通过滑动窗口对缺陷特征进行采样，将窗口内最大值作为输出，形成池化层缺陷特征输出序列；
然后通过全连接层对选择和过滤后的缺陷特征进行扁平化处理，并将扁平化后的缺陷特征输入SVM层；
(2)SVM层使用SVC分类算法，惩罚系数C取值86，kernel采用线性核函数linear，输出分类结果，得到初步的软件缺陷预测模型。
5.根据权利要求1所述的基于CNN-SVM的软件缺陷预测方法，其特征在于，步骤4，采用RMSProp优化器，基于binary_cross_entroy损失函数进行优化拟合，完成基于CNN-SVM的软件缺陷预测模型的训练，供后续软件缺陷预测，其中，RMSProp优化器能够加速梯度下降，加快学习效率，算法过程如下：
1)从训练集中采集包含m个样本{x(1),x(2),...,x(i)}的小批量，将对应的第i条样本实际缺陷情况用y(i)表示，将模型预测结果用f(x(i)；θ)表示，对θ求偏导以计算梯度g，公式为：
其中，θ为默认参数，L为损失函数；
2)累计平方梯度r，公式为：
r′＝ρr+(1-ρ)g⊙g
其中，r初始值为0，ρ为衰减速率，⊙为同或运算符；
3)更新参数θ
其中，ε为全局学习率，δ为常数，该常数用于确保除数不为0，设为10-6；
4)重复以上步骤直至训练完成。
6.一种基于CNN-SVM的软件缺陷预测系统，其特征在于，基于权利要求1-5任一项所述的方法，进行基于CNN-SVM的软件缺陷预测。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1-5任一项所述的方法，进行基于CNN-SVM的软件缺陷预测。
8.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-5任一项所述的方法，进行基于CNN-SVM的软件缺陷预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011430269.5A CN112631898A (zh) | 2020-12-09 | 2020-12-09 | 基于cnn-svm的软件缺陷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011430269.5A CN112631898A (zh) | 2020-12-09 | 2020-12-09 | 基于cnn-svm的软件缺陷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112631898A true CN112631898A (zh) | 2021-04-09 |
Family
ID=75309002
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011430269.5A Pending CN112631898A (zh) | 2020-12-09 | 2020-12-09 | 基于cnn-svm的软件缺陷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112631898A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113254329A (zh) * | 2021-04-30 | 2021-08-13 | 展讯通信(天津)有限公司 | 基于机器学习的Bug处理方法、系统、设备及存储介质 |
| CN113780725A (zh) * | 2021-08-02 | 2021-12-10 | 南方电网深圳数字电网研究院有限公司 | 一次设备的缺陷预测方法和装置、存储介质 |
| CN114706780A (zh) * | 2022-04-13 | 2022-07-05 | 北京理工大学 | 一种基于Stacking集成学习的软件缺陷预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108829607A (zh) * | 2018-07-09 | 2018-11-16 | 华南理工大学 | 一种基于卷积神经网络的软件缺陷预测方法 |
| CN110188047A (zh) * | 2019-06-20 | 2019-08-30 | 重庆大学 | 一种基于双通道卷积神经网络的重复缺陷报告检测方法 |
| CN110504027A (zh) * | 2019-08-20 | 2019-11-26 | 东北大学 | 一种基于深度学习的X-Ray胸片肺炎智能诊断系统与方法 |
-
2020
- 2020-12-09 CN CN202011430269.5A patent/CN112631898A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108829607A (zh) * | 2018-07-09 | 2018-11-16 | 华南理工大学 | 一种基于卷积神经网络的软件缺陷预测方法 |
| CN110188047A (zh) * | 2019-06-20 | 2019-08-30 | 重庆大学 | 一种基于双通道卷积神经网络的重复缺陷报告检测方法 |
| CN110504027A (zh) * | 2019-08-20 | 2019-11-26 | 东北大学 | 一种基于深度学习的X-Ray胸片肺炎智能诊断系统与方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113254329A (zh) * | 2021-04-30 | 2021-08-13 | 展讯通信(天津)有限公司 | 基于机器学习的Bug处理方法、系统、设备及存储介质 |
| CN113780725A (zh) * | 2021-08-02 | 2021-12-10 | 南方电网深圳数字电网研究院有限公司 | 一次设备的缺陷预测方法和装置、存储介质 |
| CN114706780A (zh) * | 2022-04-13 | 2022-07-05 | 北京理工大学 | 一种基于Stacking集成学习的软件缺陷预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112131673B (zh) | 基于融合神经网络模型的发动机喘振故障预测系统及方法 | |
| EP3467723B1 (en) | Machine learning based network model construction method and apparatus | |
| CN112631898A (zh) | 基于cnn-svm的软件缺陷预测方法 | |
| Li et al. | A novel deep autoencoder and hyperparametric adaptive learning for imbalance intelligent fault diagnosis of rotating machinery | |
| Wu et al. | Optimized deep learning framework for water distribution data-driven modeling | |
| CN106778908A (zh) | 一种新异类检测方法与装置 | |
| CN110674636A (zh) | 一种用电行为分析方法 | |
| CN114048468A (zh) | 入侵检测的方法、入侵检测模型训练的方法、装置及介质 | |
| CN109409434B (zh) | 基于随机森林的肝脏疾病数据分类规则提取的方法 | |
| CN106874958A (zh) | 一种基于多元多项式拟合的支持向量机模型近似方法及其应用 | |
| WO2023231374A1 (zh) | 机械设备半监督故障检测分析方法、装置、终端及介质 | |
| CN110838364A (zh) | 一种基于深度学习混合模型的克罗恩病预测方法及装置 | |
| CN115812210A (zh) | 用于增强机器学习分类任务的性能的方法和设备 | |
| CN115274008A (zh) | 基于图神经网络的分子性质预测方法和系统 | |
| CN112085111A (zh) | 一种负荷辨识方法和装置 | |
| CN114239945B (zh) | 短期电力负荷预测方法、装置、设备及存储介质 | |
| Zhu et al. | Loan default prediction based on convolutional neural network and LightGBM | |
| Swetha et al. | Leveraging Scalable Classifier Mining for Improved Heart Disease Diagnosis | |
| CN114118401A (zh) | 基于神经网络的配电网络流量预测方法、系统、装置及存储介质 | |
| CN116704266B (zh) | 一种电力设备故障检测方法、装置、设备及存储介质 | |
| CN117521063A (zh) | 基于残差神经网络并结合迁移学习的恶意软件检测方法及装置 | |
| CN114119191A (zh) | 风控方法、逾期预测方法、模型训练方法及相关设备 | |
| CN112348226A (zh) | 预测数据生成方法、系统、计算机设备及存储介质 | |
| CN116089605A (zh) | 基于迁移学习和改进词袋模型的文本情感分析方法 | |
| Kachuee et al. | Context-aware feature query to improve the prediction performance |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210409 |