[發(fā)明專利]一種基于Adaboost的軟件缺陷預(yù)測方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010431568.4
• 申請(qǐng)日: 2020-05-20
• 公開（公告）號(hào): CN111679971B
• 公開（公告）日: 2021-07-20
• 發(fā)明（設(shè)計(jì)）人: 吳玉美;常碩;劉斌
• 申請(qǐng)（專利權(quán)）人: 北京航空航天大學(xué)
• 主分類號(hào): G06F11/36
• 分類號(hào): G06F11/36;G06K9/62
• 代理公司: 北京慕達(dá)星云知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 11465
• 代理人: 曹鵬飛

1.一種基于Adaboost的軟件缺陷預(yù)測方法，其特征在于，包括如下具體步驟：

步驟1：采集軟件缺陷數(shù)據(jù)組成原始訓(xùn)練數(shù)據(jù)集，對(duì)原始訓(xùn)練數(shù)據(jù)集進(jìn)行分類劃分，獲得n組訓(xùn)練數(shù)據(jù)組；

步驟11：輸入原始訓(xùn)練數(shù)據(jù)集S₀；

步驟12：將所述訓(xùn)練數(shù)據(jù)集S₀按標(biāo)簽類別劃分為大類樣本集S_Maj和小類樣本集S_Min；

步驟13：分別計(jì)算所述大類樣本集S_Majk維特征的樣本均值和樣本方差以及大類樣本后驗(yàn)概率，其中k＝1,2,...,m，m為特征數(shù)，樣本類別Y＝0時(shí)，大類樣本X_ik取值為x_ik時(shí)的后驗(yàn)概率為

步驟14：分別計(jì)算所述小類樣本集S_Mink維特征的樣本均值和樣本方差以及小類樣本后驗(yàn)概率，其中k＝1,2,...,m，m為特征數(shù)，所述樣本類別Y＝1時(shí)，所述大類樣本X_ik取值為x_ik時(shí)的所述后驗(yàn)概率為進(jìn)入步驟15；否則輸出重采樣數(shù)據(jù)集S_new；

步驟15：遍歷所述大類樣本集S_Maj中每個(gè)樣本的m個(gè)特征，計(jì)算樣本特征變量D_ik＝P(X_ik＝x_ik|Y＝0)-P(X_ik＝x_ik|Y＝1)；

步驟16：對(duì)m個(gè)所述樣本特征變量D_ik求和得到樣本信息量大小

步驟17：根據(jù)所述樣本信息量大小γ對(duì)所述大類樣本集S_Maj中的所有所述大類樣本進(jìn)行排序并分組，獲得n組樣本子集S₁，S₂，S₃，...S_n；

步驟2：遍歷n組所述訓(xùn)練數(shù)據(jù)組進(jìn)行訓(xùn)練，獲得若干弱分類器，將若干所述弱分類器融合獲得集成分類器；

步驟3：將軟件運(yùn)行數(shù)據(jù)輸入所述集成分類器，輸出軟件缺陷預(yù)測結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種基于Adaboost的軟件缺陷預(yù)測方法，其特征在于，所述步驟2的具體實(shí)現(xiàn)過程為：

步驟21：初始化迭代次數(shù)m＝1，初始化樣本懲罰系數(shù)ω_m＝1/n，初始訓(xùn)練數(shù)據(jù)組A_m＝S_Maj∩S_Min；

步驟22：輸入訓(xùn)練數(shù)據(jù)組A_m，m≤n，根據(jù)所述樣本懲罰系數(shù)ω_m訓(xùn)練所述訓(xùn)練數(shù)據(jù)組A_m并獲得弱分類器G_m；

步驟23：根據(jù)所述弱分類器G_m計(jì)算弱分類器誤差率e_m和弱分類器權(quán)重系數(shù)a_m；

步驟24：根據(jù)所述弱分類器權(quán)重系數(shù)a_m對(duì)所述弱分類器G_m進(jìn)行融合，獲得當(dāng)前集成分類器F_m；

步驟25：如果n組所述訓(xùn)練數(shù)據(jù)組遍歷結(jié)束，則輸出當(dāng)前集成分類器F_m為集成分類器；否則更新所述訓(xùn)練數(shù)據(jù)組A_m+1＝A_m-S_m，S_m為所述樣本子集，令m＝m+1，根據(jù)所述當(dāng)前集成分類器更新所述樣本懲罰系數(shù)ω_m，并返回所述步驟22。