[發明專利]一種基于VAE與WGAN的軟件度量缺陷數據增廣方法

在審

• 申請號: 202211081859.0
• 申請日: 2022-09-06
• 公開（公告）號: CN115630612A
• 公開（公告）日: 2023-01-20
• 發明（設計）人: 郭曌陽
• 申請（專利權）人: 郭曌陽
• 主分類號: G06F40/126
• 分類號: G06F40/126;G06F18/214;G06N3/0475;G06N3/045
• 代理公司: 深圳泛航知識產權代理事務所(普通合伙) 44867
• 代理人: 鄧愛軍

1.一種基于VAE與WGAN的軟件度量缺陷數據增廣方法，其特征在于，數據增廣方法使用VEA和WGAN兩種模型，包括以下步驟：

S1：利用數據集對VEA進行訓練；

S2：將原始數據重新輸入已經訓練好的VEA中的編碼器，產生數據對應潛向量，即編碼Y；

S3：將步驟S2中VEA產生的編碼Y作為訓練WGAN的真實數據；

S4：利用已經訓練好的WGAN生成“潛向量”，即編碼Y；

S5：將生成的編碼Y輸入步驟S2中已經訓練好的VEA的解碼器，產生數據樣本SAMPLE。

2.根據權利要求1所述的一種基于VAE與WGAN的軟件度量缺陷數據增廣方法，其特征在于,所述VEA和WGAN網絡均采用多層感知器架構。

3.根據權利要求1所述的一種基于VAE與WGAN的軟件度量缺陷數據增廣方法，其特征在于，所述WGAN包括生成器和判斷器。

4.根據權利要求1所述的一種基于VAE與WGAN的軟件度量缺陷數據增廣方法，其特征在于，WGAN的損失函數包括Generator和Discriminator,所述損失函數如下所述：

d＝D[G(random_x)]-D(x) (1)

g＝D(x)-D[G(random_x)] (2)

在所述損失函數中，x為真實的樣本，即編碼Y，G(random_x)為WGAN中Generator生成的樣本，即編碼Y，公式(1)和公式(2)分別表示判斷器和生成器的損失函數，所述判斷器隨d值減小方向訓練，即-D(x)和D[G(random_x)]遞減，所述D(x)遞增；所述生成器Generator隨g值減小方向訓練，D[G(random_x)]遞減，D[G(random_x)]遞增。

5.根據權利要求4所述的一種基于VAE與WGAN的軟件度量缺陷數據增廣方法，其特征在于，所述生成器損失函數包含生成器原有損失函數以及引入方差：

G＝D(x)-D[G(random_x)]+|var_a-var_G(randomx)|(3)

在所述引入方差的損失函數中包括原生網絡迭代函數和方差因素部分，所述原生網絡迭代函數為D(x)-D[G(random_x)]，所述方差因素部分為|var_a-var_G(randomx)|，所述var_a表示方差的上限，所述var_G(randomx)為生成器訓練過程中實時生成的Y方差。

6.根據權利要求1所述的一種基于VAE與WGAN的軟件度量缺陷數據增廣方法，其特征在于，在步驟所述S1中，對VEA訓練以軟件度量數據為主，所述數據包括缺陷型和非缺陷型。

7.根據權利要求1所述的一種基于VAE與WGAN的軟件度量缺陷數據增廣方法，其特征在于，所述生成器與判斷器均由單層全連接與激活函數的結構構成。

8.根據權利要求5所述的一種基于VAE與WGAN的軟件度量缺陷數據增廣方法，其特征在于，在所述公式(3)和公式(4)中，當生成器的Y方差與Y的方差大時，所述方差因素部分梯度大；生成的數據與真實數據方差接近時，所述方差因素部分損失小。