[發(fā)明專利]一種軟件質(zhì)量評價方法、裝置、設(shè)備及可讀存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 201811144870.0
• 申請日: 2018-09-28
• 公開（公告）號: CN109117380B
• 公開（公告）日: 2022-02-08
• 發(fā)明（設(shè)計）人: 宋元章;趙宇;李洪雨
• 申請（專利權(quán)）人: 中國科學(xué)院長春光學(xué)精密機(jī)械與物理研究所
• 主分類號: G06F11/36
• 分類號: G06F11/36;G06N3/08
• 代理公司: 北京集佳知識產(chǎn)權(quán)代理有限公司 11227
• 代理人: 羅滿

1.一種軟件質(zhì)量評價方法，其特征在于，包括：

獲取初始評價指標(biāo)體系和目標(biāo)軟件，并利用ReliefF算法對所述初始評價指標(biāo)體系進(jìn)行降維處理，得到目標(biāo)評價指標(biāo)體系；

根據(jù)所述目標(biāo)評價指標(biāo)體系獲取所述目標(biāo)軟件的指標(biāo)數(shù)據(jù)，并將所述指標(biāo)數(shù)據(jù)輸入預(yù)設(shè)的評價神經(jīng)網(wǎng)絡(luò)模型，輸出所述指標(biāo)數(shù)據(jù)對應(yīng)的評價數(shù)據(jù)；

按照預(yù)設(shè)的評價規(guī)則處理所述評價數(shù)據(jù)，得到所述目標(biāo)軟件的評價結(jié)果；

其中，所述評價神經(jīng)網(wǎng)絡(luò)模型為小波神經(jīng)網(wǎng)絡(luò)模型；所述小波神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)包括：層數(shù)為1層的輸入層；層數(shù)為1層的隱含層；層數(shù)為1層的輸出層；所述小波神經(jīng)網(wǎng)絡(luò)模型的參數(shù)配置包括：隱含層傳遞函數(shù)：Morlet小波函數(shù)；輸出層傳遞函數(shù)：sigmoid函數(shù)；用多個小波神經(jīng)網(wǎng)絡(luò)模型處理所述目標(biāo)軟件的指標(biāo)數(shù)據(jù)，得到多個評價數(shù)據(jù)；

其中，所述評價神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建過程包括：

基于所述初始評價指標(biāo)體系采集初始訓(xùn)練樣本數(shù)據(jù)和初始驗(yàn)證樣本數(shù)據(jù)；

基于所述目標(biāo)評價指標(biāo)體系對所述初始采集訓(xùn)練樣本數(shù)據(jù)和所述初始驗(yàn)證樣本數(shù)據(jù)進(jìn)行降維處理，得到目標(biāo)訓(xùn)練樣本數(shù)據(jù)和目標(biāo)驗(yàn)證樣本數(shù)據(jù)；

確定所述評價神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)和參數(shù)配置，并利用所述目標(biāo)訓(xùn)練樣本數(shù)據(jù)對所述評價神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；

當(dāng)訓(xùn)練完成后，將所述目標(biāo)驗(yàn)證樣本數(shù)據(jù)輸入所述評價神經(jīng)網(wǎng)絡(luò)模型，并判斷輸出的評價數(shù)據(jù)與所述目標(biāo)驗(yàn)證樣本數(shù)據(jù)的原始評價數(shù)據(jù)是否一致；若是，則利用訓(xùn)練完成的評價神經(jīng)網(wǎng)絡(luò)模型評價所述目標(biāo)軟件的指標(biāo)數(shù)據(jù)。

2.根據(jù)權(quán)利要求1所述的軟件質(zhì)量評價方法，其特征在于，所述利用ReliefF算法對所述初始評價指標(biāo)體系進(jìn)行降維處理，得到目標(biāo)評價指標(biāo)體系，包括：

將所述初始評價指標(biāo)體系中的指標(biāo)參數(shù)劃分為多個樣本；

確定與每個樣本同類的、最近鄰的第一樣本集，以及不同類的、最近鄰的第二樣本集；

利用預(yù)設(shè)的公式分別更新每個第一樣本集中的特征值的權(quán)重，和每個第二樣本集中的特征值的權(quán)重，獲得權(quán)重集；

將所述權(quán)重集中的小于預(yù)設(shè)閾值的權(quán)重值刪除，獲得目標(biāo)權(quán)重集，并根據(jù)所述目標(biāo)權(quán)重集確定所述目標(biāo)評價指標(biāo)體系。

3.根據(jù)權(quán)利要求2所述的軟件質(zhì)量評價方法，其特征在于，所述按照預(yù)設(shè)的評價規(guī)則處理所述評價數(shù)據(jù)，得到所述目標(biāo)軟件的評價結(jié)果，包括：

按照基本概率賦值規(guī)則處理所述評價數(shù)據(jù)，得到所述目標(biāo)軟件的評價結(jié)果。

4.一種軟件質(zhì)量評價裝置，其特征在于，包括：

獲取模塊，用于獲取初始評價指標(biāo)體系和目標(biāo)軟件，并利用ReliefF算法對所述初始評價指標(biāo)體系進(jìn)行降維處理，得到目標(biāo)評價指標(biāo)體系；

執(zhí)行模塊，用于根據(jù)所述目標(biāo)評價指標(biāo)體系獲取所述目標(biāo)軟件的指標(biāo)數(shù)據(jù)，并將所述指標(biāo)數(shù)據(jù)輸入預(yù)設(shè)的神經(jīng)網(wǎng)絡(luò)模型，輸出所述指標(biāo)數(shù)據(jù)對應(yīng)的評價數(shù)據(jù)；

評價模塊，用于按照預(yù)設(shè)的評價規(guī)則處理所述評價數(shù)據(jù)，得到所述目標(biāo)軟件的評價結(jié)果；

其中，所述神經(jīng)網(wǎng)絡(luò)模型為小波神經(jīng)網(wǎng)絡(luò)模型；所述小波神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)包括：層數(shù)為1層的輸入層；層數(shù)為1層的隱含層；層數(shù)為1層的輸出層；所述小波神經(jīng)網(wǎng)絡(luò)模型的參數(shù)配置包括：隱含層傳遞函數(shù)：Morlet小波函數(shù)；輸出層傳遞函數(shù)：sigmoid函數(shù)；用多個小波神經(jīng)網(wǎng)絡(luò)模型處理所述目標(biāo)軟件的指標(biāo)數(shù)據(jù)，得到多個評價數(shù)據(jù)；

其中，還包括：神經(jīng)網(wǎng)絡(luò)模型構(gòu)建模塊，所述神經(jīng)網(wǎng)絡(luò)模型構(gòu)建模塊包括：

采集單元，用于基于所述初始評價指標(biāo)體系采集初始訓(xùn)練樣本數(shù)據(jù)和初始驗(yàn)證樣本數(shù)據(jù)；

降維單元，用于基于所述目標(biāo)評價指標(biāo)體系對所述初始采集訓(xùn)練樣本數(shù)據(jù)和所述初始驗(yàn)證樣本數(shù)據(jù)進(jìn)行降維處理，得到目標(biāo)訓(xùn)練樣本數(shù)據(jù)和目標(biāo)驗(yàn)證樣本數(shù)據(jù)；

訓(xùn)練單元，用于確定所述神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)和參數(shù)配置，并利用所述目標(biāo)訓(xùn)練樣本數(shù)據(jù)對所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；

驗(yàn)證單元，用于當(dāng)訓(xùn)練完成后，將所述目標(biāo)驗(yàn)證樣本數(shù)據(jù)輸入所述神經(jīng)網(wǎng)絡(luò)模型，并判斷輸出的評價數(shù)據(jù)與所述目標(biāo)驗(yàn)證樣本數(shù)據(jù)的原始評價數(shù)據(jù)是否一致；若是，則利用訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)模型評價所述目標(biāo)軟件的指標(biāo)數(shù)據(jù)。