排序方式: 共有12条查询结果,搜索用时 0 毫秒
1.
软件缺陷预测能够提高软件开发和测试的效率,保障软件质量。无监督缺陷预测方法具有不需要标签数据的特点,从而能够快速应用于工程实践中。提出了基于概率的无监督缺陷预测方法—PCLA,将度量元值与阈值的差值映射为概率,使用概率评估类存在缺陷的可能性,然后再通过聚类和标记来完成缺陷预测,以解决现有无监督方法直接根据阈值判断时对阈值比较敏感而引起的信息丢失问题。将PCLA方法应用在NetGen和Relink两组数据集,共7个软件项目上,实验结果表明PCLA方法在查全率、查准率、F-measure上相对现有无监督方法分别平均提升4.1%、2.52%、3.14%。 相似文献
2.
3.
4.
5.
6.
7.
8.
9.
本文提出一种新的模糊图像分割方法。根据任一像素点与相邻像素点的关系,计算局部均值均方差向量,并建立像素间的模糊相似关系,采用最大树方法进行模糊聚类分析.在模糊意义下实现图像分割。模糊逻辑下的图像分割,具有刻画视觉系统不精确度量特性的优点。由于待处理图像像素点数目巨大,采用最大树方法分类,能够大幅度减少工作量。因此,用最大树方法进行模糊聚类,实现图像分割,是一种既简便又高效的智能化的处理方法。 相似文献
10.
软件缺陷预测是提升软件质量的有效方法,而软件缺陷预测方法的预测效果与数据集自身的特点有着密切的相关性。针对软件缺陷预测中数据集特征信息冗余、维度过大的问题,结合深度学习对数据特征强大的学习能力,提出了一种基于深度自编码网络的软件缺陷预测方法。该方法首先使用一种基于无监督学习的采样方法对6个开源项目数据集进行采样,解决了数据集中类不平衡问题;然后训练出一个深度自编码网络模型。该模型能对数据集进行特征降维,模型的最后使用了三种分类器进行连接,该模型使用降维后的训练集训练分类器,最后用测试集进行预测。实验结果表明,该方法在维数较大、特征信息冗余的数据集上的预测性能要优于基准的软件缺陷预测模型和基于现有的特征提取方法的软件缺陷预测模型,并且适用于不同分类算法。 相似文献