[發明專利]一種基于選擇性偽標記子空間學習的跨項目缺陷預測方法

有效

• 申請號: 202011079349.0
• 申請日: 2020-10-10
• 公開（公告）號: CN112214406B
• 公開（公告）日: 2021-06-15
• 發明（設計）人: 荊曉遠;孫瑩;孔曉輝;姚永芳;王許輝;吳松松;黃鶴
• 申請（專利權）人: 廣東石油化工學院
• 主分類號: G06F11/36
• 分類號: G06F11/36;G06N3/08;G06K9/62
• 代理公司: 北京金智普華知識產權代理有限公司 11401
• 代理人: 楊采良

1.一種基于選擇性偽標記子空間學習的跨項目缺陷預測方法，其特征在于，所述基于選擇性偽標記子空間學習的跨項目缺陷預測方法包括：

計算映射矩陣；更新映射矩陣具體包括：

(1)，通過最小化目標函數學習最優變換矩陣P，最小化目標函數如下：

其中相似性矩陣為目標數據以及已經被標記的目標數據，通過變換上目標函數變為：

其中L＝D-W，D為對角陣，上述目標以被轉換為對下公式求特征項問題：

(2)，用表示源項目第i個原始數據，表示目標項目的第i個原始數據，其中表示處理后源項目第i個數據，其中表示處理目標項目第i個數據；

計算基于最近鄰預測偽標記置信度；

計算基于結構預測偽標記置信度；

選擇置信度高的偽標記對目標數據進行標記，判斷是否全部目標數據進行標記，若未標記完全返回計算映射矩陣步驟。

2.如權利要求1所述的基于選擇性偽標記子空間學習的跨項目缺陷預測方法，其特征在于，所述計算基于最近鄰預測偽標記置信度具體包括下述步驟：

1)，計算源數據y類的數據中心計算公式如下：

其中當當

2)，計算基于最近鄰預測偽標記置信度p_nnp(y|x^t)，計算公式如下：

其中|c|表示類的數目。

3.如權利要求1所述的基于選擇性偽標記子空間學習的跨項目缺陷預測方法，其特征在于，所述計算基于結構預測偽標記置信度具體按照下述步驟進行：

(a)，使用K-means對集群z^t進行聚類，利用源項目類別中心進行初始化，然后將目標項目中的簇與源項目中的類進行匹配，使匹配對的距離之和最小化；目標函數如下：

其中，對于任意的i，對于任意的j，L表示源項目和目標項目之間的平均相似性；進行求解，當B_ij＝1意味著源項目i與目標項目j的標簽相同，得到目標項目的標簽；

(b)，計算基于結構預測偽標記置信度p_sp(y|x^t)，計算公式如下：

4.如權利要求1所述的基于選擇性偽標記子空間學習的跨項目缺陷預測方法，其特征在于，所述選擇置信度高的偽標記對目標數據進行標記，判斷是否全部目標數據進行標記，若未標記完全返回計算映射矩陣步驟，具體按照下述步驟進行：

(i)，結合基于最近鄰預測偽標記以及基于結構預測偽標記得到最終的標簽，計算公式如下：

逐步選擇在k次迭代中具有高置信度的kn/T目標實例，其中T是迭代次數；

(ii)，將進行標記的目標項目數據加入到對進行更新，當依然存在未標記目標數據時，回到更新映射矩陣。

5.一種基于選擇性偽標記子空間學習的跨項目缺陷預測系統，其特征在于，所述基于選擇性偽標記子空間學習的跨項目缺陷預測系統包括：

映射矩陣運算模塊，用于計算映射矩陣；更新映射矩陣具體包括：

(1)，通過最小化目標函數學習最優變換矩陣P，最小化目標函數如下：

其中相似性矩陣為目標數據以及已經被標記的目標數據，通過變換上目標函數變為：

其中L＝D-W，D為對角陣，上述目標以被轉換為對下公式求特征項問題：

(2)，用表示源項目第i個原始數據，表示目標項目的第i個原始數據，其中表示處理后源項目第i個數據，其中表示處理目標項目第i個數據；

最近鄰預測偽標記置信度運算模塊，用于計算基于最近鄰預測偽標記置信度；

結構預測偽標記置信度運算模塊，用于計算基于結構預測偽標記置信度；

全部目標數據標記判讀模塊，用于選擇置信度高的偽標記對目標數據進行標記，判斷是否全部目標數據進行標記，若未標記完全返回計算映射矩陣步驟。