欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022102315049
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于混合项目对抗学习的跨项目软件缺陷预测方法,其特征在于,包括如下步骤:S1:获取跨项目软件缺陷数据集,划分为训练集和测试集,训练集包括源项目和目标项目,测试集包括目标项目,源项目是有标签实例,目标项目是无标签实例;

源项目特征表示为

S2:初始化比例因子λ,λ服从β分布,其值大小在0和1之间;

对训练数据集中源项目和目标项目按照比例因子进行混合,得到一个混合后的项目特征表示为S3:对训练数据集中源项目和目标项目分别进行特征提取;

S3.1:构建一个三层的全连接神经网络作为源项目和目标项目的特征映射网络,经过特征映射网络分别得到关于源项目和目标项目特征的表示为S3.1.1:分类器由两层全连接神经网络组成,设网络映射函数为C(·),通过定义在源项目上的交叉熵损失L交叉熵损失函数L

式中E表示期望,P

S3.1.2:使用监督对比学习损失函数L监督对比学习损失函数L

其中

S4:对来自不同项目中提取的特征按照比例因子进行混合;

S5:将提取的特征分别输入对抗网络模型的生成器,生成器根据输入特征进行特征重构;

在重构特征阶段之前,首先为源项目和目标项目这两个项目以及混合的特征定义一个one-hot类标签向量l式中,

生成器N

S6:对抗网络模型的判别器对重构的特征和原始输入特征进行真假判断;

S6.1:通过对抗训练增强判别器的判别能力,判别器D由三个分支子网络组成,分别是判别器下的域判别子网络D针对来自不同项目数据,判别器分别通过以下损失函数来指导学习:式中

S6.2:在训练过程中,混合特征由源项目和目标项目特征级别上的某个位置混合而成,并且域分类器将预测分数分配到0到1之间;域分类损失式中P

S6.3:引入三元组损失

其中f

S7:根据判别器损失函数,生成器损失函数和监督对比学习损失函数训练对抗网络模型,模型的输出为0或1,模型输出为1表示为是缺陷实例;

S8:待网络收敛后,对测试集的实例进行软件缺陷预测。

2.根据权利要求1所述的基于混合项目对抗学习的跨项目软件缺陷预测方法,其特征在于,所述S4,对来自不同项目中提取的特征按照比例因子进行混合;通过特征混合得到一个源项目和目标项目混合后的特征表示

3.根据权利要求1所述的基于混合项目对抗学习的跨项目软件缺陷预测方法,其特征在于,在生成器对源项目和目标项目进行特征还原时,保证数据的判别特征不丢失,源项目和目标项目的分类损失其中D

4.根据权利要求1-3任一所述的基于混合项目对抗学习的跨项目软件缺陷预测方法,其特征在于,联合模型的生成损失函数、判别损失函数以及监督对比学习的损失函数,采用极大极小博弈策略优化生成模型和判别模型;固定生成器和特征映射网络参数,更新判别器参数;固定判别器参数,更新分类器、生成器和特征映射网络参数。