[發(fā)明專利]基于少樣本數(shù)據(jù)學(xué)習(xí)的軟件缺陷預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910040317.0
• 申請(qǐng)日: 2019-01-16
• 公開（公告）號(hào): CN109885482A
• 公開（公告）日: 2019-06-14
• 發(fā)明（設(shè)計(jì)）人: 趙林暢;尚趙偉;趙靈;王敏全;周曄
• 申請(qǐng)（專利權(quán)）人: 重慶大學(xué)
• 主分類號(hào): G06F11/36
• 分類號(hào): G06F11/36;G06K9/62;G06K9/66;G06N3/04
• 代理公司: 北京同恒源知識(shí)產(chǎn)權(quán)代理有限公司 11275
• 代理人: 趙榮之

1.基于少樣本數(shù)據(jù)學(xué)習(xí)的軟件缺陷預(yù)測(cè)方法，其特征在于，該方法具體包括以下步驟：

S1：構(gòu)建基于孿生網(wǎng)絡(luò)(Siamese networks)的深度學(xué)習(xí)網(wǎng)絡(luò)(Siamese Dense neuralnetworks,SDNN)，即孿生全連接網(wǎng)絡(luò)；

S2：輸入正樣本和負(fù)樣本數(shù)據(jù)，通過(guò)SDNN網(wǎng)絡(luò)進(jìn)行少樣本學(xué)習(xí)，提取樣本對(duì)數(shù)據(jù)的高層次深度特征；

S3：采用度量學(xué)習(xí)函數(shù)對(duì)步驟S2中提取的高層次深度特征進(jìn)行比較學(xué)習(xí)和概率輸出，調(diào)節(jié)正負(fù)樣本比例，設(shè)置函數(shù)學(xué)習(xí)參數(shù)，使度量學(xué)習(xí)函數(shù)更加關(guān)注對(duì)有缺陷數(shù)據(jù)特征的學(xué)習(xí)；

S4：獲得預(yù)測(cè)結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于少樣本數(shù)據(jù)學(xué)習(xí)的軟件缺陷預(yù)測(cè)方法，其特征在于，步驟S1中，所述孿生全連接網(wǎng)絡(luò)是一對(duì)完全相同的全連接網(wǎng)絡(luò)，結(jié)構(gòu)的層次和參數(shù)設(shè)置相同，用于學(xué)習(xí)高維數(shù)據(jù)特征。

3.根據(jù)權(quán)利要求1所述的基于少樣本數(shù)據(jù)學(xué)習(xí)的軟件缺陷預(yù)測(cè)方法，其特征在于，步驟S3中，所述度量學(xué)習(xí)函數(shù)包括距離度量函數(shù)和余弦相似度距離度量函數(shù)；

距離學(xué)習(xí)：如果輸入的向量X₁和X₂表示正負(fù)樣本數(shù)據(jù)對(duì)，w表示SDNN網(wǎng)絡(luò)共享參數(shù)，H_w(X₁)和H_w(X₂)表示輸入向量對(duì)的特征映射空間，則孿生全連接網(wǎng)絡(luò)的距離度量函數(shù)定義為：

D_w(X₁,X₂)＝||H_w(X₁)-H_w(X₂)||

其中，D_w(X₁,X₂)表示歐幾里得距離，用來(lái)度量學(xué)習(xí)輸入樣本對(duì)間的距離。

4.根據(jù)權(quán)利要求3所述的基于少樣本數(shù)據(jù)學(xué)習(xí)的軟件缺陷預(yù)測(cè)方法，其特征在于，步驟S3中，相似學(xué)習(xí)：引入類內(nèi)距離學(xué)習(xí)函數(shù)，即余弦相似度距離度量函數(shù)(cosine-proximity)，用來(lái)加強(qiáng)樣本對(duì)類內(nèi)相似性學(xué)習(xí)，增強(qiáng)正負(fù)樣本對(duì)的判別能力；則所述余弦相似度距離度量函數(shù)定義為：

其中，i表示第i層網(wǎng)絡(luò)，N是所有樣本，y⁽ⁱ⁾代表第i層網(wǎng)絡(luò)樣本的標(biāo)簽值，L_i(w,y,X₁,X₂)的值在[-1,1]之間，如果它的值越接近1則代表樣本對(duì)類內(nèi)間的相似度越高；為了加強(qiáng)正負(fù)樣本對(duì)間的判別能力，取余弦相似距離度量函數(shù)值的相反數(shù)作為鑒別度添加到度量學(xué)習(xí)函數(shù)中，則最終的度量學(xué)習(xí)函數(shù)定義為：

L_end＝-αL_i(w,y,X₁,X₂)+D_w(X₁,X₂)

其中，α是正負(fù)樣本比例調(diào)節(jié)系數(shù)，通過(guò)它控制正負(fù)樣本量學(xué)習(xí)。

5.根據(jù)權(quán)利要求4所述的基于少樣本數(shù)據(jù)學(xué)習(xí)的軟件缺陷預(yù)測(cè)方法，其特征在于，步驟S3中，如果輸出的概率值小于0.5，則學(xué)習(xí)的樣本對(duì)數(shù)據(jù)屬于同一類，如果輸出的概率值大于0.5，則輸入學(xué)習(xí)的樣本對(duì)屬于不同類數(shù)據(jù)。