人工神经网络在软件质量预测中的应用

软件质量预测建模技术是软件质量评价体系中的关键技术，它能够对用户所关心的软件质量特性进行评价。预测模型常常用来发现度量数据和质量要素两者之间的关系，但二者的关系常常复杂而非线性，传统的建模方法受到限制，而人工神经网络技术是一种对非线性关系的建模方法。     

软件质量预测技术概述

软件质量预测是对软件质量进行早期预测和控制的方法,其原理是在软件开发的早期根据与软件质量有关的度量数据,使用机器学习或者统计学方法来构建软件质量模型,通过分析计算得到软件质量的预测值,从而对软件系统中潜在的错误进行预测和预警。从软件质量预测的概念、模型框架、应用、发展前景和面临的挑战等方面对软件质量预测进行了系统的概述。     

一种改进的软件过程质量度量方法

为了有效地对软件过程进行度量分析,生产高质量软件产品,提出了一种改进的软件过程质量度量方法。该方法将软件过程分解为软件需求、设计、编码、测试以及运行维护等5个阶段,从共性和个性两个不同的角度将每个阶段分解为若干质量因素,根据多级模糊综合评价方法对各质量因素进行评判,最后通过实例验证了该方法的有效性和合理性。     

基于RBF神经网络的组合导航软件可靠性滚动预测

针对组合导航系统软件可靠性的预测问题,研究了系统累积故障数与系统运行时间的关系,提出一种基于RBF神经网络的软件可靠性预测模型,取得了理想的短期预测效果。为了获得较好的长期预测效果,采取滚动式训练、在线调整网络结构的方法对之加以改进。仿真结果表明,该模型拟合精度优于J-M模型、与G-O模型相当,预测精度高;该模型不需假...     

某测控系统软件的可靠性预计

论述了运用两种NHPP增长型模型进行某测控系统软件可靠性预计的方法,以及它们的数学解析式,并阐明了两者的关系。针对某发射测控系统软件的测试调试过程,初步估计了软件的程序窖量。根据所得到的数据。运用两种NHPP模型计算了模型参数的估计值。预测了软件的可靠性水平和需要进行的各项软件测试的时间。     

基于代价敏感神经网络算法的软件缺陷预测

软件缺陷预测作为软件工程领域的重要研究内容已有近30年。近年来,随着机器学习技术的发展,传统机器学习技术基于静态代码属性的软件缺陷预测领域得到广泛应用。然而,传统的机器学习算法并未考虑软件缺陷预测过程中,常见的代价敏感问题与类不均衡问题。文中将基于过采样技术和阈值移动技术的代价敏感神经网络算法应用于软件缺陷预测领域,从而解决该领域的代价敏感问题与类不均衡问题。在NASA软件缺陷预测标准数据集上的实验证明了其有效性。     

基于Bayes网的软件需求预测技术探讨

软件需求贯穿于整个软件开发周期,是影响软件质量的重要因素。在项目开展之前控制住软件需求的质量,对提高软件质量、合理控制软件开发过程有着重要的意义。考虑到影响软件需求质量的因素多而不确定,而Bayes网把用概率分布表示的科学严格性与用专家经验表示的验前信息有机结合起来,能很好地处理不确定问题。于是建立了基于Bayes网的软件需求质量预测模型,并用贝叶斯公式对出现的预测结果进行了分析。提出预测模型结构清晰,采用贝叶斯网络的概率计算有较强理论基础,计算简洁、易于理解。     

如何开展软件的质量管理

举例说明了随着计算机的应用范围日益广泛，软件质量的重要性。介绍了国内外的软件质量管理概况及美国国防部制定的一系列软件规范。阐述了软件质量管理应开展的基础工作，包括软件工程的基本原理以及软件工程标准化、软件分级分类管理、软件文档管理等。并对软件过程改进应着手展开的工作作了简要的介绍，以便软件设计和管理人员对软件质量管理有个初步的认识。     

基于BBNs的软件故障预测方法

本文在分析已有软件故障预测方法后指出：单纯从软件开发过程的某个阶段或基于几种度量来预测软件故障是不充分的．提出综合利用软件开发过程信息构建基于BBNs软件故障预测模型．本文从一个基本的贝叶斯信念网（BBNs）故障预测模型出发，扩展基本节点，得到了一个较完善的故障预测模型，结合已有的关于软件度量的研究成果，提出利用软件度量和专家知识确定节点状态概率分布．仿真实验结果表明该模型与实际情况相符合，具有一定的故障预测能力．     

模糊综合评判在装备软件质量评价中的应用

研究模糊综合评判理论在装备软件质量评价中的应用,实现装备软件质量的评价由定性转为定量,提高武器装备软件测试的科学性。以软件质量6个标准特性为基础,建立模糊综合评判模型,并结合实例运用评判模型,取得模糊评判结果。为装备软件质量综合评价体系的建立提供了理论依据和应用基础。     

质量管理技术在软件评价中的应用

本文讨论了软件的质量评价问题,分析了通用软件评价体系的评价过程及其弱点,利用质量管理技术提出了对软件进行质量评价的数学模型量化新算法,并利用实例验证了该算法.     

软件产品工程化与质量监督

随着微电子技术、计算机技术、网络技术和多媒体技术的迅速发展和广泛应用,软件产品的作用发生了根本性变化,软件产品质量日益重要.软件产品的质量监督成为普遍关注的一项重大课题.从软件产品工程化、软件产品的质量监督以及关于软件产品建设等几方面进行了探讨,重在阐述如何进行软件的质量监督.     

软件测试与质量保证

软件测试是在软件投入运行前对软件的需求分析、设计规格说明和编码的最终复审，是软件质量保证的关键步骤。在软件测试过程中记载出错数据，进行可靠性分析，以控制软件的质量是至关重要的。介绍了软件测试的基础知识、软件质量保证的内容以及两者间的关系。     

浅谈如何提高电子装备的软件质量

随着信息化建设的不断推进，软件已成为电子装备的核心组成部分，需严格按照质量管理体系和国家军用标准加强软件质量的管理，通过分析目前电子装备软件质量存在的问题，提出几条提高电子装备软件质量的具体措施。     

通信软件可维护性的一种计算方法

软件可维护性的量化和波动效应的示踪是软件维护工程中的两大难题，本文基于ＣＣＩＴＴ推荐的ＳＤＬ语言和关于波动效应分析理论的研究成果，构造了一个量化通信软件系统可维护性的计算模型，并实现了一个相应的自动工具。     

数据驱动的软件缺陷预测研究综述

数据驱动的软件缺陷预测是提高软件测试效率、保证软件可靠性的重要途径之一,近几年已成为实证软件工程的研究热点.首先介绍了数据驱动软件缺陷预测的研究背景;然后总结了已有软件缺陷数据属性度量方法的特点,并按照软件开发中缺陷预测的使用场景,以数据来源为主线从基于版本内数据、跨版本数据和跨项目数据实现缺陷预测三个方面对近10年（2005~2015）已有的研究工作进行分类归纳和比较;最后对该领域未来的研究趋势进行了展望.     

用神经网络预测负荷的路由选择方法

电信网路由选择方法的优劣直接影响着网络的接通率和负荷平衡程度.我国电信网的接通率只有45%左右.据介绍,若其接通率提高一个百分点,收益可达10亿元.本文针对目前所使用的路由选择方法的不足,提出基于神经网络预测的新的路由选择方法,包括性能指标、选路思想和递归神经网络预测等.然后,分析和比较仿真结果.这个方法因良好的分布特性和智能决策能力而优于其它方法,这为提高业务接通率和平衡网络负荷提供了良好途径.     

装备软件质量保证的现状和思考

结合电子对抗装备软件的现状,提出了软件质量改进的方法、措施,指出软件的质量保证要在有效地建立和实施软件工程化规范的基础上,通过组织、目标、计划、实施、考核等覆盖全过程的软件质量活动才能得到真正的实现。     

基于质量成本的软件测试模型研究及构建

通过分析和比较当前典型的软件测试类型．构建了一个新颖的QC 3-D软件测试模型。该模型融合了软件测试过程、软件质量成本和测试等级三个部分，并定义了软件质量成本的量化公式。通过软件质量成本均衡概念，平衡软件质量成本中的控制成本和故障成本，从而调整软件测试的阶段和等级，以达到软件质量最优同时成本消耗最小的最佳值目标。     

Dual‐Phase Approach to Improve Prediction of Heart Disease in Mobile Environment

In this paper, we propose a dual‐phase approach to improve the process of heart disease prediction in a mobile environment. Firstly, only the confident frequent rules are extracted from a patient's clinical information. These are then used to foretell the possibility of the presence of heart disease. However, in some cases, subjects cannot describe exactly what has happened to them or they may have a silent disease — in which case it won't be possible to detect any symptoms at this stage. To address these problems, data records collected over a long period of time of a patient's heart rate variability (HRV) are used to predict whether the patient is suffering from heart disease. By analyzing HRV patterns, doctors can determine whether a patient is suffering from heart disease. The task of collecting HRV patterns is done by an online artificial neural network, which as well as learning knew knowledge, is able to store and preserve all previously learned knowledge. An experiment is conducted to evaluate the performance of the proposed heart disease prediction process under different settings. The results show that the process's performance outperforms existing techniques such as that of the self‐organizing map and gas neural growing in terms of classification and diagnostic accuracy, and network structure.