CN112905436A - 一种面向复杂软件的质量评估预测方法 - Google Patents

Abstract

本发明公开了一种面向复杂软件的质量评估预测方法，包括以下步骤：1)BP网络结构设计；2)初始化网络；3)选择样本；4)训练网络；5)计算误差；6)调整权值。本发明属于软件评价技术领域，具体是提供了一种解决传统软件评价定性，评价不准确，未能提前预估最终版本软件质量水平的问题，在传统BP神经网络算法基础上，引入附加动量法，采用经典的三层框架，以质量特征个数的一半代表隐含层节点数设计BP神经网络结构，智能评估预测复杂软件质量的面向复杂软件的质量评估预测方法。

Description

一种面向复杂软件的质量评估预测方法

技术领域

本发明属于软件评价技术领域，具体是指一种面向复杂软件的质量评估预测方法。

背景技术

计算机软件是计算机的内部核心，是计算机系统最重要的组成部分也是保证计算机发挥作用和正常运行的前提。计算机系统不可能脱离计算机软件独立存在，在现代社会，计算机软件已经涉及到国防、航天、金融、建筑、服务等各行各业，其中计算机软件中应用频率最高的模式就是对数据的处理模式，计算机可以将任何内容形式的数据资料进行整理和分析，现阶段我国大多数的企业都选择凭借计算机的这一功能实现对自己企业的数据处理，并逐步达到了企业内部信息和资源的共享需求大大提高了企业的工作效率。另一方面，当前有许多大众通讯和生活软件已经渗透到人们日常的生活中，这些软件都能和大众的实际生活联系在一起，也更加充分说明现在计算机软件的应用范围会越来越广泛，为实现我国各行各业的自动化做出重要的贡献。同时，计算机软件的复杂度在不断上升，因此未来对计算机软件质量评估尤为重要。

BP神经网络是一种多层前馈神经网络，由输入层、隐含层和输出层组成，层与层之间采用全互连方式，同一层之间不存在相互连接，隐含层可以有一层或多层。层与层之间有两种信号在流通，一种是工作信号(用实线表示)，它是施加输入信号后向前传播直到在输出端产生实际输出的信号，是输入和权值的函数；另一种是误差信号，网络实际输出与期望输出间的差值即为误差，它由输出端开始逐层向后传播。BP网络的学习过程由前向计算过程和误差反向传播过程组成。在前向计算过程中，输入量从输入层经隐含层逐层计算，并传向输出层，每层神经元的姿态。如输出层不能得到期望的输出，则转入误差反向传播过程，误差信号沿原来的连接通路返回，逐次调整网络各层的权值和阈值，直至到达输入层，再重复向计算。这两个过程依次反复进行，不断调整各层的权值和阈值，使得网络误差最小或达到人们所期望的要求时，学习过程结束。

目前，在进行软件质量评价时，尚无有效的评价方法，更多的是由有经验的开发人员作为质量陪审员进行质量评价，质量评审员分别对单项指标评价，部分指标评价过程中，可以采取相应工具完成，如代码覆盖率工具等；然而例如易安装性、客户满意度、易替代性等指标，更多是采用主观经验定性判断的方式。在评价过程中，单项指标的评价较为容易，但由于评价指标多元化，综合质量评价较为困难，同时由于质量评审员专业不同，不同质量评审员从不同角度给出的评价时不一样的，因此如何综合评价软件质量是现在软件评估的重要问题。同时软件开发是一较长的周期，有些质量指标可以提前衡量，但是某些指标却得在软件完全开发完成才可以评价，待软件开发完成再进行质量评价会拉长软件开发周期。因此如何加强质量过程把控，如何实现对过程中对某些软件质量指标评估后就可以预估软件综合质量、进行相应调整并确保软件高质量按时交付成为亟需解决的问题。因此，急需建立一种预测机制，对某些软件质量指标评测后，就可以预测最终软件质量水平，有助于及时发现软件错误并做出调整。

发明内容

为解决上述现有难题，本发明提供了一种解决传统软件评价定性，评价不准确，未能提前预估最终版本软件质量水平的问题，基于动量法改进的神经网络智能评估预测复杂软件质量的面向复杂软件的质量评估预测方法。

本发明采用的技术方案如下：一种面向复杂软件的质量评估预测方法，包括以下步骤：

1)BP网络结构设计：在传统BP神经网络算法基础上，引入附加动量法，采用经典的三层框架，以质量特征个数的一半代表隐含层节点数设计BP神经网络结构；

2)初始化网络：初始化BP神经网络结构与学习参数；

3)选择样本：参考ISO/IEC25010软件质量模型和Trustie可信软件技术标准，并结合质量特性划分和子特性情况，基于综合化复杂软件质量评价指标空间的选取设定为U＝{T1，T2，…，T30}，上述评价指标空间中各属性值的取值范围为[0,1]，步进为0.1，共11个等级，取值越大代表该属性重要程度越高，依据选择的软件质量评价指标空间在软件科研生产单位相关的软件工程和过程评审中采集不少于20组评价数据作为样本数据，采用交叉验证法将采集的样本数据划分为训练样本数据集和测试样本数据集；

4)训练网络：开始训练网络，直到满足学习要求为止，设样本中属性的数值为X_ij,其中X_ij表示第i个样本中第j个属性的数值，以此作为训练样本的输入值，节点t的输入综合为Xit，输出记为yit，y_it＝f(x_it)，采用S型函数，即

作为传输函数，S型函数是神经网络中采用较多的激活函数，能实现从输入到输出的任意非线性映射，该函数所划分的区域是一个非线性超平面组成的区域，是柔和光滑的界面，因此它的分类性能比线性的更精确；

5)计算误差：将输入值代入训练网络，得到yit，与期望值dit比较，若有误差，通过下列公式计算误差：

将误差沿原有链接通道返回，执行步骤6)，若所有网络输出与期望值一致，表明训练结束；

6)调整权值：通过调整权值Wij，使得总误E达到最小值，权值调整公式为：

W_ij＝W_ij(k)+η·δ_it·y_it+α(W_ij(k)-W_ij(k-1))

其中，为学习速率，α为动量因子，采用S型函数，即

作为传输函数，得到调整后的权值，返回步骤4)。

进一步地，步骤2)所述初始化BP神经网络结构与学习参数包括对权值W_ij、学习步长L、误差函数E、计算精度值ε、最大训练次数n的初始化。

进一步地，步骤3)所述的训练样本与测试样本的比例设置为3:1。

采用上述方案本发明取得有益效果如下：本发明面向复杂软件的质量评估预测方法,利用神经网络算法为复杂软件质量评估和预测建立了一种智能算法，基于工程人员和设计人员对软件各个属性的单指标评价以及综合评价历史数据，通过BP神经网络算法，对神经网络模型进行训练，建立神经网络拓扑结构，多轮迭代训练确保模型的准确性和适应性，通过学习历史软件各属性质量评价的特征，找到软件质量综合评价的项目和权重，以及各评价指标之间的关联性，在处理过程，通过引入动量法加快搜索速度，并降低模型陷于局部最优鞍点的可能性，通过用历史软件质量评价数据对神经网络训练，得到软件质量的评估和预测方法，由于软件的某些指标必须要完成才可以测量，通过该算法可以在软件开发过程中就对最终质量进行评估和预测，根据预测结果适当调整目前软件质量要求从而确保最终软件满足质量要求，形成软件质量的过程把控机制，而且通过人工智能方式的辅助评价，可以大大减少质量评审员的工作，降低软件研发成本。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明一种面向复杂软件的质量评估预测方法的BP神经网络结构的结构示意图。

具体实施方式

下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

一种面向复杂软件的质量评估预测方法，其特征在于，包括以下步骤：

1)BP网络结构设计：在传统BP神经网络算法基础上，引入附加动量法，采用经典的三层框架，以质量特征个数的一半代表隐含层节点数设计BP神经网络结构；

2)初始化网络：初始化BP神经网络结构与学习参数；

3)选择样本：参考ISO/IEC25010软件质量模型和Trustie可信软件技术标准，并结合质量特性划分和子特性情况，基于综合化复杂软件质量评价指标空间的选取设定为U＝{T1，T2，…，T30}，上述评价指标空间中各属性值的取值范围为[0,1]，步进为0.1，共11个等级，取值越大代表该属性重要程度越高，依据选择的软件质量评价指标空间在软件科研生产单位相关的软件工程和过程评审中采集不少于20组评价数据作为样本数据，采用交叉验证法将采集的样本数据划分为训练样本数据集和测试样本数据集；

4)训练网络：开始训练网络，直到满足学习要求为止，设样本中属性的数值为X_ij,其中X_ij表示第i个样本中第j个属性的数值，以此作为训练样本的输入值，节点t的输入综合为Xit，输出记为yit，y_it＝f(x_it)，采用S型函数，即

作为传输函数；

5)计算误差：将输入值代入训练网络，得到yit，与期望值dit比较，若有误差，通过下列公式计算误差：

将误差沿原有链接通道返回，执行步骤6)，若所有网络输出与期望值一致，表明训练结束；

6)调整权值：通过调整权值Wij，使得总误E达到最小值，权值调整公式为：

W_ij＝W_ij(k)+η·δ_it·y_it+α(W_ij(k)-W_ij(k-1))

其中，为学习速率，α为动量因子，采用S型函数，即

作为传输函数，得到调整后的权值，返回步骤4)。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (3)

1.一种面向复杂软件的质量评估预测方法，其特征在于，包括以下步骤：

1)BP网络结构设计：在传统BP神经网络算法基础上，引入附加动量法，采用经典的三层框架，以质量特征个数的一半代表隐含层节点数设计BP神经网络结构；

2)初始化网络：初始化BP神经网络结构与学习参数；

3)选择样本：参考ISO/IEC25010软件质量模型和Trustie可信软件技术标准，并结合质量特性划分和子特性情况，基于综合化复杂软件质量评价指标空间的选取设定为U＝{T1，T2，…，T30}，上述评价指标空间中各属性值的取值范围为[0,1]，步进为0.1，共11个等级，取值越大代表该属性重要程度越高，依据选择的软件质量评价指标空间在软件科研生产单位相关的软件工程和过程评审中采集不少于20组评价数据作为样本数据，采用交叉验证法将采集的样本数据划分为训练样本数据集和测试样本数据集；

4)训练网络：开始训练网络，直到满足学习要求为止，设样本中属性的数值为X_ij,其中X_ij表示第i个样本中第j个属性的数值，以此作为训练样本的输入值，节点t的输入综合为Xit，输出记为yit，y_it＝f(x_it)，采用S型函数，即

作为传输函数；

5)计算误差：将输入值代入训练网络，得到yit，与期望值dit比较，若有误差，通过下列公式计算误差：

将误差沿原有链接通道返回，执行步骤6)，若所有网络输出与期望值一致，表明训练结束；

6)调整权值：通过调整权值Wij，使得总误E达到最小值，权值调整公式为：

W_ij＝W_ij(k)+η·δ_it·y_it+α(W_ij(k)-W_ij(k-1))

其中，为学习速率，α为动量因子，采用S型函数，即

作为传输函数，得到调整后的权值，返回步骤4)。

2.根据权利要求1所述的一种面向复杂软件的质量评估预测方法，其特征在于，步骤2)所述初始化BP神经网络结构与学习参数包括对权值W_ij、学习步长L、误差函数E、计算精度值ε、最大训练次数n的初始化。

3.根据权利要求1所述的一种面向复杂软件的质量评估预测方法，其特征在于，步骤3)所述的训练样本与测试样本的比例设置为3:1 。

Images