[發明專利]一種基于卷積神經網絡的多維度軟件項目健康度評估方法

有效

• 申請號: 201810475407.8
• 申請日: 2018-05-17
• 公開（公告）號: CN108711008B
• 公開（公告）日: 2022-03-29
• 發明（設計）人: 韓鵬;錢衛春;潘高展;王紅
• 申請（專利權）人: 北京中軟國際信息技術有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06N3/04
• 代理公司: 北京中南長風知識產權代理事務所(普通合伙) 11674
• 代理人: 鄭海

1.一種基于卷積神經網絡的多維度軟件項目健康度評估方法，其特征在于，包括以下步驟：

步驟1，對FCM模型框架進行結構定義；

步驟2，根據FCM模型框架，收集已完成歷史軟件項目的開發源數據，計算得到度量元值；

步驟3，利用已完成歷史軟件項目在驗收時雙方相互評價，對每個已完成歷史軟件項目的綜合健康分數和多維度要素健康分數進行計算；

步驟4，采用一維卷積神經網絡模型對每個健康要素子模型的權重進行訓練；

步驟5，利用線性回歸模型對綜合健康子模型中的權重進行訓練；

步驟6，選擇合適的FCM模型，計算待評估的軟件項目度量元，再利用FCM模型計算得到軟件項目健康度分數；

所述FCM模型框架為一種四層的樹狀結構模型，除最上層綜合健康度外，依次向下還包括要素層、特性層和度量元層；

所述FCM模型框架中的結構元素由節點和無向邊組成，每個節點表示一種軟件項目健康特征，層次越高的節點表示的特征內容越抽象，描述的特征范圍更寬泛，最上層的父節點表示軟件項目的綜合健康，節點之間的連接邊表示兩個特征之間存在一定的影響關系；每個節點僅可與其相鄰層次的節點進行連接，模型中的每條邊均對應一個權值；

所述軟件項目的開發源數據為軟件在開發過程中存在于平臺系統中的與某個健康特征相關字段的記錄值；

所述步驟2包括：通過下式計算度量元值：

其中，m_ij表示第i個軟件項目的第j個度量元，r_ij表示第i個軟件的第j個度量元對應的軟件項目開發源數據，表示所有軟件的第j個度量元所對應的軟件項目開發源數據的最小值，表示所有軟件的第j個度量元所對應的軟件項目開發源數據的最大值；每個度量元值屬于[0,1]之間；

所述步驟3具體包括：

1)利用甲乙方的文本評論數據，采用貝葉斯線性回歸模型對軟件項目健康度進行分值量化，得到基于文本評論的軟件項目綜合健康評分Q_t；利用甲方和乙方的評價指標進行計算，得到基于評分評價的軟件項目綜合健康評分Q_s；其中，甲方評價指標包括總體評價、需求穩定、驗收客觀、反饋及時、溝通能力、合作精神和評價；乙方評價指標包括總體評價、技術能力、完成質量、響應速度、如期兌現、溝通能力、合作精神和評價；

基于上述兩種評分，計算得到軟件項目的綜合健康評分，計算公式如下：

其中，Q⁽ⁱ⁾表示第i個軟件項目的實際綜合健康評分，γ_t和γ_s為權重參數，取0.5；

2)利用甲方評價指標和乙方評價指標作為軟件項目要素健康評分標準；其中，質量要素分由完成質量、需求穩定、驗收客觀進行算術平均分求得；協作要素分由合作精神、溝通能力進行算術平均分求得；人員要素分由技術能力、溝通能力、合作精神進行算術平均分求得；進度要素分由如期兌現、響應速度、反饋及時求算術平均分求得；

所述一維卷積神經網絡模型的卷積神經網絡為非全連接結構；所述健康要素子模型為FCM模型中以單個要素層節點作為父節點，依次向下拓展的三層樹狀結構模型，用于計算模型中度量元層至要素層單個要素節點的權重；

所述步驟4具體包括：

1)采用一維卷積神經網絡模型對每個健康要素子模型的權重進行計算；創建與FCM模型要素層節點數量相同的健康要素子模型；對于每個健康要素子模型，創建一個一維卷積神經網絡模型進行權重計算；依次輸入與模型輸入對應的度量元值，從度量元層開始，按順序計算上一層的節點值；第i層節點k的計算公式如下：

其中，N_ik表示第i層的第k個節點，w_(i-1)jk表示第i-1層第j個節點與第i層第k個節點之間的權重，|L|表示模型總層數，|N|_i表示第i層的節點數量，且N_(i-1)0≡1，N_ik(k≠0)與N_(i-1)0之間均存在連接；初始時w_(i-1)jk＝0.5，若N_ik與N_(i-1)j之間沒有邊連接，則w_(i-1)jk＝0；

對要素節點的值進行計算，該節點的計算公式如下：

其中，[X_iF]表示第i個維度的要素分值；

2)對要素層的預測誤差進行計算，計算公式如下：

ep＝t_i-op_i； (5)

其中，t_i表示第i個軟件的健康度實際分數，op_i表示第i個軟件的健康度預測分數，ep表示輸出層節點的誤差值；

對其余層的預測誤差進行計算，其計算公式下：

其中，N_ij代表第i層第j個節點輸出值，w_ijk代表第i層第j個節點與第i+1層的中第k個節點的邊權，若N_ij與N_(i+1)k之間沒有邊連接，則w_(i+1)jk＝0；

3)根據上述計算的節點誤差值與分值對模型的邊權進行更新；權值的更新差值計算公式如下：

w′_ijk＝w_ijk+α·ep_(i+1)k·N_ij； (7)

其中，α表示權值的更新速率，設置為0.01；ep_(i+1)k表示第i+1層節點k的計算誤差；N_ij表示第i層節點j的輸出值；

通過計算每項權值的更新率判斷模型是否達到收斂狀態；模型收斂條件計算公式如下：

若未達到收斂條件，返回步驟4中步驟1)繼續執行，反之，則表示度量元層至要素層的模型權重已計算結束；

所述步驟5具體包括：

1)對于每個已完成的歷史軟件項目，依次向綜合健康子模型中輸入對應的要素健康分數；計算每個項目綜合健康分數，其計算公式如下：

其中，[X_jF]⁽ⁱ⁾表示第i個軟件第j個維度的要素健康分數，[X₀F]⁽ⁱ⁾≡1，h_θ(x⁽ⁱ⁾)表示第i個軟件項目的預測綜合健康分數，θ_j表示待訓練的模型參數，|F|表示健康要素子模型的數量，初始時均設置為1；

2)根據預測的綜合健康分數與實際分數誤差對模型中的參數進行更新；對于每個參數，計算公式如下：

其中，α表示權值的更新速率，設置為0.01；θ_j表示模型中第j個參數；Q⁽ⁱ⁾表示第i個軟件項目的實際綜合健康分數；

當所有θ_j的變化程度小于某一閾值時，即達到收斂條件，表示要素層至綜合健康節點的模型權重已計算結束，反之，返回步驟5中步驟1)繼續執行；

所述步驟6具體包括：

1)從訓練得到的FCM模型庫中選擇合適的模型；

2)選擇軟件項目，收集其已進展的項目數據；

3)根據所述項目數據，計算該項目的度量元值；

4)依據FCM模型，依次計算各健康要素評分和綜合健康評分；其中，對于每個健康要素，基于對應的度量元向量，計算上層節點的值，計算方式同公式(3)；計算要素分數，計算方式同公式(4)；計算綜合健康分數，計算方式同公式(9)。