[发明专利]一种软件缺陷预测方法和软件缺陷预测系统

摘要

本发明提供了一种软件缺陷预测方法和软件缺陷预测系统，用以解决现有的软件缺陷预测精度不高的问题。包括：降维处理单元、SVM训练单元和缺陷预测单元；其中步骤一、根据局部线性嵌入算法LLE对第一训练数据集进行降维处理，得到第一训练数据集中每个样本点映射到低维空间中的低维向量，得到由各低维向量组成的第二训练数据集；步骤二、根据所述第二训练数据集对支持向量机SVM分类器进行训练，得到SVM分类器的最优分类超平面函数，进而得到训练好的SVM分类器；步骤三、根据所述训练好的SVM分类器对待预测软件进行缺陷预测。

主权项

1.一种软件缺陷预测方法,其特征在于，包括以下步骤：步骤一、根据局部线性嵌入算法LLE对第一训练数据集进行降维处理，得到第一训练数据集中每个样本点映射到低维空间中的低维向量，得到由各低维向量组成的第二训练数据集，其中所述第一训练数据集为NASA MDP软件缺陷数据集；其中，第二训练数据集的获得方法如下：1.1设第一训练数据集为{x1,x2,...,xN},xi∈RD，其中xi是属于D维空间的向量；1.2计算第一训练数据集中每个样本点xi的K个近邻点；1.3利用每个样本点的K个近邻点根据公式1计算出局部重建权值矩阵W；其中，N为样本点数量，wij代表第i个样本点xi使用第j个近邻点表示的系数；第一训练数据集中所有样本点xi使用其近邻点表示的系数组成了局部重建权值矩阵W；1.4根据得到的局部重建权值矩阵W和样本点的近邻点并依据公式2计算出每个样本点对应的低维向量；其中，I是单位阵，M＝(I‑W)T(I‑W)；步骤二、根据所述第二训练数据集对支持向量机SVM分类器进行训练，得到SVM分类器的最优分类超平面函数，进而得到训练好的SVM分类器；其中，训练好的SVM分类器的获得方法如下：根据公式3求解SVM分类器的最优分类超平面函数其中，ω是正交于分类超平面的d维向量，b是偏差项，C是惩罚系数，ξi是松弛变量，φ(x)是SVM分类器使用的核函数；其中，所述核函数为径向基核函数，形式为：其中，σ是径向基核函数的宽度参数；步骤三、根据所述训练好的SVM分类器对待预测软件进行缺陷预测；上述的得到SVM分类器的最优分类超平面函数中，采用网格搜索方法和十折交叉验证方法对SVM分类器的参数C以及核函数参数σ进行寻优，找到使SVM分类准确率最高的那对参数C和σ的取值，以确定SVM分类器的最优分类超平面函数；上述的采用网格搜索方法和十折交叉验证方法对SVM分类器的参数C以及核函数参数σ进行寻优包括：对选定的每组参数C、σ得到在此组参数取值下的分类准确率，采用十折交叉方法进行验证，取使分类准确率最高的那组参数作为最佳的参数取值；其中，采用十折交叉方法进行验证是指将第二数据集分为10个子集，1个子集做测试集，其余9个子集做训练集，得到在选定的某组参数下的1个分类准确率，如此重复10次；得到在这组参数下的10个分类准确率，将这10个分类准确率的平均数作为评价每一组参数优劣的指标，然后，比较选定的每组参数的分类准确率的平均数，将平均数最高的那组参数C，σ作为最佳的参数取值。