CN113778862A - 一种基于长短期记忆网络和lasso算法的软件缺陷预测方法 - Google Patents
一种基于长短期记忆网络和lasso算法的软件缺陷预测方法 Download PDFInfo
- Publication number
- CN113778862A CN113778862A CN202110969332.0A CN202110969332A CN113778862A CN 113778862 A CN113778862 A CN 113778862A CN 202110969332 A CN202110969332 A CN 202110969332A CN 113778862 A CN113778862 A CN 113778862A
- Authority
- CN
- China
- Prior art keywords
- defect prediction
- gate
- software
- software defect
- input
- 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 70
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000015654 memory Effects 0.000 title claims abstract description 18
- 238000005259 measurement Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000012795 verification Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 6
- 238000007477 logistic regression Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000009471 action Effects 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000003313 weakening effect Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 description 5
- 230000006403 short-term memory Effects 0.000 description 5
- 230000007787 long-term memory Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000013522 software testing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F11/3604—Software analysis for verifying properties of programs
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于长短期记忆网络和LASSO算法的软件缺陷预测方法，该方法包括：提取待预测软件产品的度量元特征，并将待预测软件产品的历史数据分为训练集、验证集和测试集；采用LASSO logistic回归模型对提取到的度量元特征进行特征挑选，得到对软件缺陷预测有价值的特征；基于长短期记忆网络LSTM构建软件缺陷预测模型，并使用挑选出的对软件缺陷预测有价值的特征作为训练数据对所述软件缺陷预测模型进行训练；在训练过程中，采用验证集对所述软件缺陷预测模型的输出结果进行观察，进而进行模型参数调整，得到最优模型；采用所述最优模型对测试集中的程序样本数据进行预测识别，得到程序样本数据的缺陷预测结果。
Description
技术领域
本发明涉及软件测试技术领域，尤其涉及一种基于长短期记忆网络和LASSO算法的软件缺陷预测方法。
背景技术
随着软件系统的发展速度越来越快，需求的增加、功能的集成、插件的应用等，使得软件系统的规模越来越大，也使得软件系统越来越复杂，伴随着软件系统的不断发展，软件或者程序中不可避免的存在各种各样的不可预测的问题、错误或者故障，这些潜在的缺陷如果不能够提前知道的话，可能会对软件系统的质量和可靠性造成致命的损害，会造成无法挽回的损失。为了保证软件系统的质量，增强软件的可靠性和可用性，必须及时地对软件的功能进行测试，尽可能早、尽可能多地发现并修正软件中存在的问题和缺陷，对于保证软件质量显得尤为重要。
近年来，深度学习取得了长足的进步，已经在许多领域得到了广泛应用。深度学习模拟人的大脑从简单的概念入手，然后逐渐的抽象为高级的概念，通过构建含有大量隐含层的深层次的网络，通过大数据量的训练，可以使深度学习网络从底层特征，逐层的抽象为高层的接近于人的理解的高层语义特征，克服了浅层网络学习能力不足的问题。2015年，Yang用深度信念网络DBN对软件缺陷数据进行特征提取，然后结合Logistic回归分类器构建软件缺陷预测模型。2017年，Gan提出了利用深度学习中的降噪自动编码器算法，对软件缺陷数据集的数据特征进行学习，然后构建了DA-SVM模型对软件缺陷进行预测。2018年，Xue将深度森林应用于软件缺陷预测，提出了基于深度堆叠森林的软件缺陷预测方法。尽管现有的利用深度学习的方法对软件缺陷进行预测已经有了一些初步的结果，但是上述方法均忽略了软件数据特征之间复杂的相关性，而发明人发现，软件数据特征之间的相关性会影响软件缺陷的预测结果的准确率。
发明内容
由于现有的软件缺陷方法忽略了软件数据特征之间的时序性，导致目前方法存在软件缺陷的预测结果准确率较低的问题，为了解决该技术问题，本发明提供一种基于长短期记忆网络(LSTM，Long Short-Term Memory)和LASSO算法的软件缺陷预测方法。
本发明提供一种基于长短期记忆网络和LASSO算法的软件缺陷预测方法，包括下述步骤：
步骤1：提取待预测软件产品的度量元特征，并将待预测软件产品的历史数据分为训练集、验证集和测试集；所述度量元特征包括面向过程的McCabe度量元、Halstead度量元和面向对象的CK度量元；
步骤2：采用LASSO logistic回归模型对提取到的度量元特征进行特征挑选，得到对软件缺陷预测有价值的特征；
步骤3：基于长短期记忆网络LSTM构建软件缺陷预测模型，并使用挑选出的对软件缺陷预测有价值的特征作为训练数据对所述软件缺陷预测模型进行训练；在训练过程中，采用验证集对所述软件缺陷预测模型的输出结果进行观察，进而进行模型参数调整，得到最优模型；
步骤4：采用所述最优模型对测试集中的程序样本数据进行预测识别，得到程序样本数据的缺陷预测结果。
进一步地，所述McCabe度量元特征用于描述程序内部结构的复杂度，通过程序控制流图的复杂程度定量计算程序复杂性；
所述Halstead度量元，用于根据程序中的操作符数和操作数来衡量计算程序复杂性；
所述CK度量元，用于描述面向对象程序中的继承性、耦合性和内聚性。
进一步地，按照公式(1)更新所述LASSOlogistic回归模型的回归系数β：
其中，λ表示非负的正则化参数，N表示训练集中的样本个数，xi表示对第i个样本提取的度量元特征组成的p维向量，yi表示第i个样本的缺陷结果。
进一步地，基于长短期记忆网络LSTM构建软件缺陷预测模型具体包括如下步骤：
步骤3.1：设置LSTM中遗忘门的遗忘门限，利用遗忘门将具有相关性的特征的作用减弱，将预测性能较强的特征挑选出来；
步骤3.2：利用LSTM中的输入门分析当前输入特征和以前特征之间的相关性，进而决定当前输入特征需要抛弃或者保持的信息，从而实现将当前输入特征和以前特征进行融合，得到当前时刻t的单元状态Ct；
步骤3.3：设置LSTM中输出门的输出门限，利用输出门决定当前时刻t的单元状态Ct的输出信息，该输出信息即为对软件缺陷预测有价值的特征。
进一步地，步骤3.1中，按照公式(2)确定所述遗忘门的遗忘门限ft：
ft＝σ(Wf[ht-1,xt]+bf) (2)
其中，σ表示Sigmoid层函数，ht-1表示上一个时刻的状态输出，xt表示当前时刻t的状态输入，bf为遗忘门中的偏移量，Wf表示遗忘门中的权值矩阵。
进一步地，步骤3.2具体包括：
按照公式(3)确定所述输入门的输入门限it，以及按照公式(4)根据当前时刻t的状态输入xt通过tanh层创建新的候选值向量
it＝σ(Wi[ht-1,xt]+bi) (3)
其中，σ表示Sigmoid层函数，tanh表示tanh层函数，ht-1表示上一个时刻的状态输出，xt表示当前时刻t的状态输入，bi为输入门中的偏移量，bC为计算候选值向量的偏移量，Wi表示输入门中的权值矩阵，WC表示计算候选值向量的权值矩阵。
根据遗忘门的遗忘门限、输入门的输入门限和候选值向量
按照公式(5)更新得到当前时刻t的单元状态Ct：
其中，ft表示遗忘门的遗忘门限，Ct-1表示上一个时刻的单元状态，*表示点乘。
进一步地，步骤3.3中，按照公式(6)确定所述输出门的输出门限ot，对应地，所述输出门按照公式(7)决定当前时刻t的单元状态Ct的输出信息ht：
ot＝σ(Wo[ht-1,xt]+bo) (6)
ht＝ot*tanh(Ct) (7)
其中，σ表示Sigmoid层函数，tanh表示tanh层函数，ht-1表示上一个时刻的状态输出，xt表示当前时刻t的状态输入，bo是输出门中的偏移量，Wo表示输出门中的权值矩阵，*表示点乘。
本发明的有益效果：
本发明提供的基于长短期记忆网络和LASSO算法的软件缺陷预测方法，通过构建基于长短期记忆网络LSTM和LASSO算法的预测模型对软件的缺陷进行预测，利用McCabe度量元、Halstead度量元和CK度量元的定义和标准提取软件特征，通过LASSO算法进行特征挑选，选出与软件缺陷相关性较大的特征，将筛选出来的特征输入基于LSTM的循环神经网络中进行训练，拟合得到一个准确率较高的深度神经网络模型，用来对测试集中的数据样本进行软件缺陷的预测。该方法利用LASSO算法对软件特征进行筛选，采用LSTM网络进行相关性分析，将LSTM网络分析序列信号的优势转化为多类型特征之间相关性的学习，从而实现了多重特征之间复杂的相关性在深度神经网络中的表征，提高了软件缺陷预测的准确率。
附图说明
图1为本发明实施例提供的基于长短期记忆网络和LASSO算法的软件缺陷预测方法的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，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他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供一种基于长短期记忆网络和LASSO算法的软件缺陷预测方法，包括：
S101：提取待预测软件产品的度量元特征，并将待预测软件产品的历史数据分为训练集、验证集和测试集；所述度量元特征包括面向过程的McCabe度量元、Halstead度量元和面向对象的CK度量元；
具体地，软件产品的度量元特征可以理解为描述软件产品特性的指标或参数。所述McCabe度量元特征用于描述程序内部结构的复杂度，通过程序控制流图的复杂程度定量计算程序复杂性；所述Halstead度量元，用于根据程序中的操作符数和操作数来衡量计算程序复杂性；所述CK度量元，用于描述面向对象程序中的继承性、耦合性和内聚性。
作为一种可实施方式，McCabe度量元和Halstead度量元一共提取37个软件特征；CK度量元可有效评估程序特征与软件缺陷之间的相关性，一共提取20个软件特征；如此，三种度量元共提取57维软件特征。
S102：采用LASSO logistic回归模型对提取到的度量元特征进行特征挑选，得到对软件缺陷预测有价值的特征；
具体地，步骤S101提取得到的度量元特征为高维的软件度量元特征，需要对其进行进一步筛选得到对软件缺陷预测有价值的特征。将提取的软件特征输入LASSO回归模型可以进行软件特征挑选。LASSO回归是在最小二乘拟合的基础上加入L1正则化项来提高线性回归模型的精度，它的惩罚函数是回归系数的绝对值，这可使一些参数估计结果等于零，系数不为零的特征就被挑选了出来，从而得到一个稀疏的解。
作为一种可实施方式，本发明实施例按照公式(1)更新所述LASSOlogistic回归模型的回归系数β：
其中，λ表示非负的正则化参数，N表示训练集中的样本个数，xi表示对第i个样本提取的度量元特征组成的p维向量，yi表示第i个样本的缺陷结果。
S103：基于长短期记忆网络LSTM构建软件缺陷预测模型，并使用挑选出的对软件缺陷预测有价值的特征作为训练数据对所述软件缺陷预测模型进行训练；在训练过程中，采用验证集对所述软件缺陷预测模型的输出结果进行观察，进而进行模型参数调整，得到最优模型；
具体地，LSTM是一种特殊的循环神经网络，可以用来处理时序信号，具有能够学习的长期依赖能力，是一种具有三个门结构的特殊网络，由遗忘门、输入门和输出门构成。作为一种可实施方式，基于长短期记忆网络LSTM构建软件缺陷预测模型包括下述子步骤：
S1031：设置LSTM中遗忘门的遗忘门限，利用遗忘门将具有相关性的特征的作用减弱，将预测性能较强的特征挑选出来；
作为一种可实施方式，按照公式(2)确定所述遗忘门的遗忘门限ft：
ft＝σ(Wf[ht-1,xt]+bf) (2)
其中，σ表示Sigmoid层函数，ht-1表示上一个时刻的状态输出，xt表示当前时刻t的状态输入，bf为偏移量，Wf表示遗忘门中的权值矩阵。
S1032：利用LSTM中的输入门分析当前输入特征和以前特征之间的相关性，进而决定当前输入特征需要抛弃或者保持的信息，从而实现将当前输入特征和以前特征进行融合，得到当前时刻t的单元状态Ct；
具体地，当前时刻t的单元状态Ct可以理解为将当前输入特征和以前特征进行融合后得到的当前特征和以前特征的相关性表达。在单元状态中存储新的信息，由两部分信息组成，通过遗忘门和输入门叠加得到。作为一种可实施方式，该输入门得到当前时刻t的单元状态Ct的过程如下：
按照公式(3)确定所述输入门的输入门限it，以及按照公式(4)根据当前时刻t的状态输入xt通过tanh层创建新的候选值向量
it＝σ(Wi[ht-1,xt]+bi) (3)
其中，σ表示Sigmoid层函数，tanh表示tanh层函数，ht-1表示上一个时刻的状态输出，xt表示当前时刻t的状态输入，bi为输入门中的偏移量，bC为计算候选值向量的偏移量，Wi表示输入门中的权值矩阵，WC表示计算候选值向量的权值矩阵。
根据遗忘门的遗忘门限、输入门的输入门限和候选值向量
按照公式(5)更新得到当前时刻t的单元状态Ct：
其中，ft表示遗忘门的遗忘门限，Ct-1表示上一个时刻的单元状态，*表示点乘。
S1033：设置LSTM中输出门的输出门限，利用输出门决定当前时刻t的单元状态Ct的输出信息，该输出信息即为对软件缺陷预测有价值的特征。
作为一种可实施方式，按照公式(6)确定所述输出门的输出门限ot，对应地，所述输出门按照公式(7)决定当前时刻t的单元状态Ct的输出信息ht：
ot＝σ(Wo[ht-1,xt]+bo) (6)
ht＝ot*tanh(Ct) (7)
其中，σ表示Sigmoid层函数，tanh表示tanh层函数，ht-1表示上一个时刻的状态输出，xt表示当前时刻t的状态输入，bo是输出门中的偏移量，Wo表示输出门中的权值矩阵，*表示点乘。
将步骤S102中经过LASSO算法挑选出来的软件特征作为LSTM网络的输入，训练LSTM网络的参数，利用LSTM网络对时序信号的学习能力，转化为对多类型特征之间相关性的学习，从而在具有多重共线性的高维特征中，将预测性能更好的特征进一步挑选出来。
S104：采用所述最优模型对测试集中的程序样本数据进行预测识别，得到程序样本数据的缺陷预测结果。
具体地，将测试集中的程序样本数据经过步骤S102中的LASSO算法进行特征挑选，将挑选出来的软件特征输入基于LSTM网络的最优预测模型，得到软件缺陷预测的结果。
本发明提出的基于长短期记忆网络LSTM和LASSO算法的软件缺陷预测方法，首先定义McCabe度量元特征、Halstead度量元特征和CK度量元特征的提取方式，提取得到基于三种不同度量元的软件特征；接着利用LASSO算法对提取的特征进行筛选，挑选出与软件缺陷预测相关性大的特征；最后构建一个长短期记忆网络LSTM模型，利用挑选出来的特征数据优化该模型的网络参数，得到最优的软件缺陷预测模型来对软件产品的缺陷进行预测，对提高软件的质量起到了至关重要的作用。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于长短期记忆网络和LASSO算法的软件缺陷预测方法，其特征在于，包括：
步骤1：提取待预测软件产品的度量元特征，并将待预测软件产品的历史数据分为训练集、验证集和测试集；所述度量元特征包括面向过程的McCabe度量元、Halstead度量元和面向对象的CK度量元；
步骤2：采用LASSO logistic回归模型对提取到的度量元特征进行特征挑选，得到对软件缺陷预测有价值的特征；
步骤3：基于长短期记忆网络LSTM构建软件缺陷预测模型，并使用挑选出的对软件缺陷预测有价值的特征作为训练数据对所述软件缺陷预测模型进行训练；在训练过程中，采用验证集对所述软件缺陷预测模型的输出结果进行观察，进而进行模型参数调整，得到最优模型；
步骤4：采用所述最优模型对测试集中的程序样本数据进行预测识别，得到程序样本数据的缺陷预测结果。
2.根据权利要求1所述的一种基于长短期记忆网络和LASSO算法的软件缺陷预测方法，其特征在于，所述McCabe度量元特征用于描述程序内部结构的复杂度，通过程序控制流图的复杂程度定量计算程序复杂性；
所述Halstead度量元，用于根据程序中的操作符数和操作数来衡量计算程序复杂性；
所述CK度量元，用于描述面向对象程序中的继承性、耦合性和内聚性。
3.根据权利要求1所述的一种基于长短期记忆网络和LASSO算法的软件缺陷预测方法，其特征在于，按照公式(1)更新所述LASSOlogistic回归模型的回归系数β：
其中，λ表示非负的正则化参数，N表示训练集中的样本个数，xi表示对第i个样本提取的度量元特征组成的p维向量，yi表示第i个样本的缺陷结果。
4.根据权利要求1所述的一种基于长短期记忆网络和LASSO算法的软件缺陷预测方法，其特征在于，基于长短期记忆网络LSTM构建软件缺陷预测模型具体包括如下步骤：
步骤3.1：设置LSTM中遗忘门的遗忘门限，利用遗忘门将具有相关性的特征的作用减弱，将预测性能较强的特征挑选出来；
步骤3.2：利用LSTM中的输入门分析当前输入特征和以前特征之间的相关性，进而决定当前输入特征需要抛弃或者保持的信息，从而实现将当前输入特征和以前特征进行融合，得到当前时刻t的单元状态Ct；
步骤3.3：设置LSTM中输出门的输出门限，利用输出门决定当前时刻t的单元状态Ct的输出信息，该输出信息即为对软件缺陷预测有价值的特征。
5.根据权利要求4所述的一种基于长短期记忆网络和LASSO算法的软件缺陷预测方法，其特征在于，步骤3.1中，按照公式(2)确定所述遗忘门的遗忘门限ft：
ft＝σ(Wf[ht-1，xt]+bf) (2)
其中，σ表示Sigmoid层函数，ht-1表示上一个时刻的状态输出，xt表示当前时刻t的状态输入，bf为遗忘门中的偏移量，Wf表示遗忘门中的权值矩阵。
6.根据权利要求4所述的一种基于长短期记忆网络和LASSO算法的软件缺陷预测方法，其特征在于，步骤3.2具体包括：
按照公式(3)确定所述输入门的输入门限it，以及按照公式(4)根据当前时刻t的状态输入xt通过tanh层创建新的候选值向量
it＝σ(Wi[ht-1，xt]+bi) (3)
其中，σ表示Sigmoid层函数，tanh表示tanh层函数，ht-1表示上一个时刻的状态输出，xt表示当前时刻t的状态输入，bi为输入门中的偏移量，bC为计算候选值向量的偏移量，Wi表示输入门中的权值矩阵，WC表示计算候选值向量的权值矩阵。
根据遗忘门的遗忘门限、输入门的输入门限和候选值向量
按照公式(5)更新得到当前时刻t的单元状态Ct：
其中，ft表示遗忘门的遗忘门限，Ct-1表示上一个时刻的单元状态，*表示点乘。
7.根据权利要求4所述的一种基于长短期记忆网络和LASSO算法的软件缺陷预测方法，其特征在于，步骤3.3中，按照公式(6)确定所述输出门的输出门限ot，对应地，所述输出门按照公式(7)决定当前时刻t的单元状态Ct的输出信息ht：
ot＝σ(Wo[ht-1，xx]+bo) (6)
ht＝ot*tanh(Ct) (7)
其中，σ表示Sigmoid层函数，tanh表示tanh层函数，ht-1表示上一个时刻的状态输出，xt表示当前时刻t的状态输入，bo是输出门中的偏移量，Wo表示输出门中的权值矩阵，*表示点乘。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110969332.0A CN113778862A (zh) | 2021-08-23 | 2021-08-23 | 一种基于长短期记忆网络和lasso算法的软件缺陷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110969332.0A CN113778862A (zh) | 2021-08-23 | 2021-08-23 | 一种基于长短期记忆网络和lasso算法的软件缺陷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113778862A true CN113778862A (zh) | 2021-12-10 |
Family
ID=78838927
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110969332.0A Pending CN113778862A (zh) | 2021-08-23 | 2021-08-23 | 一种基于长短期记忆网络和lasso算法的软件缺陷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113778862A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110825615A (zh) * | 2019-09-23 | 2020-02-21 | 中国科学院信息工程研究所 | 基于网络嵌入的软件缺陷预测方法及系统 |
| CN111400927A (zh) * | 2020-03-31 | 2020-07-10 | 中国石油大学(北京) | 基于广义可加模型的管道内腐蚀增长预测方法及装置 |
| CN111949535A (zh) * | 2020-08-13 | 2020-11-17 | 西安电子科技大学 | 基于开源社区知识的软件缺陷预测装置及方法 |
| CN111988130A (zh) * | 2020-08-18 | 2020-11-24 | 中南大学 | 离散量子密钥分发中针对器件缺陷的攻击检测方法 |
| CN112149254A (zh) * | 2020-09-24 | 2020-12-29 | 上海电力大学 | 一种基于Lasso-RF模型的燃气轮机启动过程预测方法 |
| CN112949945A (zh) * | 2021-04-15 | 2021-06-11 | 河海大学 | 一种改进双向长短期记忆网络的风电功率超短期预测方法 |
-
2021
- 2021-08-23 CN CN202110969332.0A patent/CN113778862A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110825615A (zh) * | 2019-09-23 | 2020-02-21 | 中国科学院信息工程研究所 | 基于网络嵌入的软件缺陷预测方法及系统 |
| CN111400927A (zh) * | 2020-03-31 | 2020-07-10 | 中国石油大学(北京) | 基于广义可加模型的管道内腐蚀增长预测方法及装置 |
| CN111949535A (zh) * | 2020-08-13 | 2020-11-17 | 西安电子科技大学 | 基于开源社区知识的软件缺陷预测装置及方法 |
| CN111988130A (zh) * | 2020-08-18 | 2020-11-24 | 中南大学 | 离散量子密钥分发中针对器件缺陷的攻击检测方法 |
| CN112149254A (zh) * | 2020-09-24 | 2020-12-29 | 上海电力大学 | 一种基于Lasso-RF模型的燃气轮机启动过程预测方法 |
| CN112949945A (zh) * | 2021-04-15 | 2021-06-11 | 河海大学 | 一种改进双向长短期记忆网络的风电功率超短期预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| ANNIBALE PANICHELLA等: "A Search-based Training Algorithm for Cost-aware Defect Prediction", 《GECCO "16: PROCEEDINGS OF THE GENETIC AND EVOLUTIONARY COMPUTATION CONFERENCE 2016》 * |
| Y. WANG等: "LASSO and LSTM Integrated Temporal Model for Short-Term Solar Intensity Forecasting", 《IEEE INTERNET OF THINGS JOURNAL》 * |
| 乔辉: "软件缺陷预测技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 苏智韬: "基于改进RNN的LSTM软件缺陷预测技术的研究", 《现代信息科技》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102354112B1 (ko) | 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법 | |
| CN112036084B (zh) | 一种相似产品寿命迁移筛选方法和系统 | |
| Nguyen et al. | Model selection for degradation modeling and prognosis with health monitoring data | |
| Saxena et al. | Evaluating prognostics performance for algorithms incorporating uncertainty estimates | |
| KR100936892B1 (ko) | 배터리의 장기 특성 예측 시스템 및 방법 | |
| CN114925623B (zh) | 油气藏产量预测方法及系统 | |
| Bučar et al. | A neural network approach to describing the scatter of S–N curves | |
| CN107730127B (zh) | 基于输出特性初始分布的继电器贮存退化数据预测方法 | |
| KR20090020362A (ko) | 배터리의 장기 특성 예측 시스템 및 방법 | |
| Wu et al. | A study of incorporation of deep learning into software reliability modeling and assessment | |
| CN111695607A (zh) | 基于lstm增强模型的电子设备故障预测方法 | |
| CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
| CN114015825A (zh) | 基于注意力机制的高炉热负荷异常状态监测方法 | |
| Jahani et al. | Stochastic prognostics under multiple time-varying environmental factors | |
| US20220101198A1 (en) | Automated generation of a machine learning model from computational simulation data | |
| KR102622895B1 (ko) | 지도 학습 모델 및 비지도 학습 모델의 앙상블 구조를 이용한 대기질 데이터의 이상 판정 방법 및 시스템 | |
| CN116842853B (zh) | 用于不确定度量化的导弹气动特性预测模型构建方法 | |
| CN111783930B (zh) | 一种基于路径状态的神经网络测试充分性评估方法 | |
| CN116754949A (zh) | 一种锂离子电池智能健康状态预测方法 | |
| CN113778862A (zh) | 一种基于长短期记忆网络和lasso算法的软件缺陷预测方法 | |
| CN116381510A (zh) | 一种锂电池剩余寿命的预测方法、系统及存储介质 | |
| CN114970674A (zh) | 一种基于关联度对齐的时序数据概念漂移适配方法 | |
| CN115389743A (zh) | 一种变压器油中溶解气体含量区间预测方法、介质及系统 | |
| Tian et al. | Structure feature extraction for hierarchical alarm flood classification and alarm prediction | |
| CN111881040A (zh) | 一种基于循环神经网络的抽象状态模型的测试数据生成方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211210 |