[发明专利]基于K-B的软件缺陷预测方法、装置、电子设备及介质

权利要求书

1.一种基于K-B的软件缺陷预测方法，其特征在于，包括：

收集软件历史缺陷数据，将所述软件历史缺陷数据划分为训练数据集与测试数据集；

针对所述训练数据集内的度量元进行降维，获得特征向量；

根据降维后的训练数据集与所述特征向量，进行贝叶斯分类回归计算训练；

调整降维参数与贝叶斯参数，获得最优模型；

根据所述最优模型，针对所述测试数据集内的度量元进行降维，并进行贝叶斯分类回归计算，预测所述测试数据集的缺陷。

2.根据权利要求1所述的基于K-B的软件缺陷预测方法，其中，针对所述训练数据集内的度量元进行降维，获得特征向量包括：

计算所述训练数据集内任意两个样本之间的欧几里得距离值，获得矩阵；

针对所述矩阵进行聚集处理，获得对称核矩阵；

将所述对称核矩阵转化为中心矩阵，获得特征向量。

3.根据权利要求2所述的基于K-B的软件缺陷预测方法，其中，将所述对称核矩阵转化为中心矩阵，获得特征向量包括：

将所述中心矩阵按降序排列，获得前k个特征值对应的特征向量。

4.根据权利要求1所述的基于K-B的软件缺陷预测方法，其中，所述最优模型包括最优降维参数与最优贝叶斯参数。

5.根据权利要求4所述的基于K-B的软件缺陷预测方法，其中，根据所述最优模型，针对所述测试数据集内的度量元进行降维，并进行贝叶斯分类回归计算，预测所述测试数据集的缺陷包括：

根据所述最优降维参数针对所述测试数据集内的度量元进行降维，根据所述最优贝叶斯参数进行贝叶斯分类回归计算，预测所述测试数据集的缺陷。

6.根据权利要求1所述的基于K-B的软件缺陷预测方法，其中，还包括：

针对测试数据集的预测缺陷与实际缺陷进行对比，评价所述最优模型。

7.根据权利要求1所述的基于K-B的软件缺陷预测方法，其中，所述训练数据集与所述测试数据集的数据比例为7:3。

8.一种基于K-B的软件缺陷预测装置，其特征在于，包括：

数据集划分模块，收集软件历史缺陷数据，将所述软件历史缺陷数据划分为训练数据集与测试数据集；

降维模块，针对所述训练数据集内的度量元进行降维，获得特征向量；

训练模块，根据降维后的训练数据集与所述特征向量，进行贝叶斯分类回归计算训练；

最优模型建立模块，调整降维参数与贝叶斯参数，获得最优模型；

预测模块，根据所述最优模型，针对所述测试数据集内的度量元进行降维，并进行贝叶斯分类回归计算，预测所述测试数据集的缺陷。

9.一种电子设备，其特征在于，所述电子设备包括：

存储器，存储有可执行指令；

处理器，所述处理器运行所述存储器中的所述可执行指令，以实现权利要求1-7中任一项所述的基于K-B的软件缺陷预测方法。

10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现权利要求1-7中任一项所述的基于K-B的软件缺陷预测方法。