基于神经网络的软件质量预测模型的规则提取
为了能够及时的将高质量的软件产品投入市场,软件开发工程师必须在开发过程中将资源集中在那些有出错倾向(FP)块上.软件质量预测模型基于对以往产品的数据挖掘,从而能在新的相似的软件产品开发中识别那些有出错倾向(FP)的模块,这样就有可能在产品发布之前提高软件的质量.许多研究人员都曾经应用神经网络来预测软件的质量.尽管神经网络在解决复杂问题的时候显示出其强大的优势,它”黑箱”的特性使得它无法在软件质量预测中得到广泛的应用.这是神经网络的一个致使的弱点,因为如果无法作出易于理解的决策,很难让人相信它可以解决实际生活中的问题.在本文中,我们介绍了一种用于软件质量预测的可解释的软件可靠性模型.首先,我们训练一个三层前向神经网络,它的隐层单元是sigmoid函数,输出层单元是恒等函数.用来训练神经网络的数据是从一个大型通信软件系统中收集的.然后用遗传聚类算法对这个训练好的神经网络进行规则提取.我们用提取到的规则对软件中有出错倾向的模块进行预测,然后与神经网络的结果进行比较.比较的结果显示虽然提取的规则集的预测准确率比神经网络略低,但是它更加容易解释.
软件工程 神经网络 遗传聚类算法 软件质量预测
王琪 于波 朱杰
上海交通大学电子工程系 朗讯科技光网络有限公司
国内会议
西安
中文
466-477
2004-08-26（万方平台首次上网日期，不代表论文的发表时间）