[发明专利]基于贝叶斯模型和粒子群优化的软件缺陷预测方法

权利要求书

1.一种软件缺陷的预测方法，其特征在于，包括：

输入源项目数据集；

计算每一维特征的平均值；

对源目标数据集的每一维特征进行平均值的计算；

根据每一维特征平均值将训练集分为大于均值和小于均值的两部分数据；

使用平均一阶依赖贝叶斯模型分别在两部分数据上进行训练；

将训练得到的两个子模型共同构建一个基分类器；

对每一维度的属性都构造两个基于属性平均值分类的SPODE组成的基分类器；

将上述构造的多个基分类器组成初始种群；

将初始种群输入到基于Pareto熵的多目标粒子群优化方法中；

得到最优组合权重得基分类器组合；

输入目标项目数据集；

利用基分类器组合在目标项目数据集上进行分类；

输出分类的结果；

结束；

所述使用平均一阶依赖贝叶斯模型分别在两部分数据上进行训练，包括：

选择每个属性依次做公共的父节点；

根据父节点构建SPODE模型；

输出所有模型的后验概率累加求和再平均后的结果；

判断是否有剩余维度的特征；

若是，将下一维特征作为当前特征；

重复选择每个属性依次做公共的父节点；根据父节点构建SPODE模型；输出所有模型的后验概率累加求和再平均后的结果；直到判断是否有剩余维度的特征为否；

若否，判断是否有剩余样本；

若是，将下一个样本作为当前样本；

重复选择每个属性依次做公共的父节点；根据父节点构建SPODE模型；输出所有模型的后验概率累加求和再平均后的结果；判断是否有剩余维度的特征；直到判断是否有剩余样本结果为否；

若否，训练结束；

所述将初始种群输入到基于Pareto熵的多目标粒子群优化方法中，包括：

将迭代器计数器为0；

计算F1-measure和AUC的值；

按照适应度基于Pareto支配关系排序；

运用锦标赛选择策略选取个体最好位置；

选取种群最佳位置；

更新种群；

更新迭代器；

判断是否达到规定迭代次数；

若是，输出最终基分类器组合；

若否，重复计算F1-measure和AUC的值；按照适应度基于Pareto支配关系排序；运用锦标赛选择策略选取个体最好位置；选取种群最佳位置；更新种群；更新迭代器；直到判断是否达到规定迭代次数结果为是；

所述利用基分类器组合在目标项目数据集上进行分类，包括：

统计基分类器预测结果；

判断是否分类器预测结果多数为有缺陷；

若是，判定为有缺陷；

若否，判定为无缺陷。