[發(fā)明專利]一種基于稀疏代價(jià)矩陣的軟件BUG分類方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010538383.3
• 申請(qǐng)日: 2020-06-12
• 公開(kāi)（公告）號(hào): CN111723010A
• 公開(kāi)（公告）日: 2020-09-29
• 發(fā)明（設(shè)計(jì)）人: 李輝;楊溪;張?zhí)靷?/a>;李陽(yáng);陳榮;李博
• 申請(qǐng)（專利權(quán)）人: 大連海事大學(xué)
• 主分類號(hào): G06F11/36
• 分類號(hào): G06F11/36;G06F16/906;G06N3/04;G06N3/08
• 代理公司: 大連東方專利代理有限責(zé)任公司 21212
• 代理人: 姜玉蓉;李洪福

1.一種基于稀疏代價(jià)矩陣的軟件BUG分類方法，其特征在于包括：包括以下步驟：

S1：獲取軟件BUG報(bào)告、對(duì)BUG報(bào)告進(jìn)行分類得到類別數(shù)C；

S2：對(duì)軟件BUG報(bào)告數(shù)據(jù)進(jìn)行編碼操作，將每條軟件BUG報(bào)告處理為相同長(zhǎng)度的向量，將軟件BUG報(bào)告的類別編碼為one-hot格式；

S3：初始化稀疏代價(jià)矩陣，其中矩陣規(guī)模與軟件BUG類別C有關(guān)；

S4：使用編碼后的數(shù)據(jù)訓(xùn)練加權(quán)極限學(xué)習(xí)機(jī)、使其輸出正確的報(bào)告分類結(jié)果；

S5：使用訓(xùn)練好的加權(quán)極限學(xué)習(xí)機(jī)求出該加權(quán)極限學(xué)習(xí)機(jī)的局部泛化誤差；

S6：使用差分進(jìn)化算法中的交叉變異策略產(chǎn)生新的軟件BUG稀疏權(quán)重矩陣；

S7：使用新的稀疏權(quán)重矩陣在相同不平衡數(shù)據(jù)集上訓(xùn)練新的加權(quán)極限學(xué)習(xí)機(jī)、并計(jì)算加權(quán)極限學(xué)習(xí)機(jī)的局部泛化誤差；

S8：重復(fù)S6-S7操作直至無(wú)法得到更低的局部泛化誤差；

S9：使用能夠得到最低的局部泛化誤差的加權(quán)極限學(xué)習(xí)機(jī)預(yù)測(cè)未知的軟件BUG報(bào)告、得到其相應(yīng)的報(bào)告分類結(jié)果。

2.根據(jù)權(quán)利要求1所述的方法，其特征還在于：S4中具體采用如下方式：

使用稀疏代價(jià)矩陣對(duì)極限學(xué)習(xí)機(jī)進(jìn)行加權(quán)，該稀疏代價(jià)矩陣為對(duì)角矩陣，設(shè)該代價(jià)矩陣為W，其對(duì)角線上的每一個(gè)值cost_i,i＝1,…,C，且W_ii＝0,i≠j,i,j＝1,…,C，

原極限學(xué)習(xí)機(jī)的優(yōu)化目標(biāo)為：

其中公式中的第一項(xiàng)為l₂正則項(xiàng)，H為極限學(xué)習(xí)機(jī)中的隱層輸出矩陣，β為隱層與輸出層之間的連接權(quán)重，Y為數(shù)據(jù)集標(biāo)簽；

極限學(xué)習(xí)機(jī)加入代價(jià)矩陣后，其優(yōu)化目標(biāo)為：

加權(quán)極限學(xué)習(xí)機(jī)輸出層權(quán)重矩陣β其解為：

求出輸出層權(quán)重矩陣后通過(guò)該矩陣與隱層輸出矩陣H得到分類結(jié)果在訓(xùn)練集中

3.根據(jù)權(quán)利要求1所述的方法，其特征還在于：S5中具體采用如下方式：

S51：將局部泛化誤差定義為：

給定Q＞0和任意一個(gè)擾動(dòng)向量Δx，使代表訓(xùn)練數(shù)據(jù)x_i的Q近鄰，表示除了x_i之外不可見(jiàn)的所有樣例，S_Q表示所有S_Q(x_i)的集合，p(x)表示真實(shí)的概率密度函數(shù)，Loss(F(x；θ),f(x))表示求得分布與真實(shí)分布之間的差距；

局部泛化誤差可以表示為：

其中輸入擾動(dòng)引起的輸出波動(dòng)通過(guò)隨機(jī)靈敏度測(cè)量，即A,B,η分別表示目標(biāo)輸出的最大最小值之間的差、損失函數(shù)的最大值、以及約束的可信度；

此時(shí)有

局部泛化誤差為：

基于S4中加權(quán)極限學(xué)習(xí)機(jī)的定義有：

最終結(jié)果即為在該加權(quán)極限學(xué)習(xí)機(jī)上的局部泛化誤差，該值表示在所有未知的BUG報(bào)告上該分類器的誤差有多大，即該值越大則該分類器的分類結(jié)果越不準(zhǔn)確。

4.根據(jù)權(quán)利要求1所述的用于軟件BUG分類的基于稀疏代價(jià)矩陣的進(jìn)化極限學(xué)習(xí)機(jī)，其特征還在于：S6中具體采用如下方式。

S61：隨機(jī)初始化多個(gè)稀疏代價(jià)矩陣，每個(gè)稀疏代價(jià)矩陣包含與BUG類別個(gè)數(shù)相同的代價(jià)權(quán)重；

S62：從初始化后的稀疏代價(jià)矩陣中隨機(jī)選取三個(gè)不同的代價(jià)矩陣，分別為：cost¹,cost²,cost³；

S63：使用選取的三個(gè)代價(jià)矩陣做突變操作產(chǎn)生一個(gè)新的代價(jià)矩陣：

h＝cost¹+P_m·(cost²-cost³)

其中Pm表示突變因子，新產(chǎn)生的代價(jià)矩陣為h；

S64：對(duì)新產(chǎn)生的代價(jià)矩陣做交叉操作、與上一代中相應(yīng)的個(gè)體實(shí)現(xiàn)基因遺傳：

其中i表示當(dāng)前個(gè)體中的第幾位，C表示所有類的個(gè)數(shù)，P_c表示交叉因子，cost表示上一代中與該新產(chǎn)生的個(gè)體相對(duì)應(yīng)的個(gè)體，此時(shí)獲得該次進(jìn)化得到的稀疏權(quán)重矩陣。