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: 2022108495789
申请人: 南通大学
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:

1.一种融合遗传算法和深度神经网络的软件缺陷预测方法,其特征在于,包括以下步骤:S1:对公开PROMIS,NASA,ReLink,AEEEM数据集进行编码,初始化种群,并设计合适的适应度函数,评价个体的优劣;

S2:通过贝叶斯优化改进的遗传算法对种群进行选择,交叉和贝叶斯优化改进的变异的操作,筛选出合适的特征子集;

S3:将源项目和目标项目选择后的特征子集映射到一个隐式特征空间中,利用变分自编码器对其进行无监督预训练;

所述步骤S3中将源项目和目标项目映射到隐式特征空间中进行无监督预训练,包括如下步骤:S31:将经过特征选择后的源项目和目标项目进行特征补零,使它们具有相同的特征维度;

S32:将两个项目的数据放到一个变分自编码器中,使得它们学习隐式特征空间;

S33:从后验分布进行采样,获得的新的编码输入生成网络中生成新的特征表示x;

S4:引入最大均值差异约束源项目和目标项目间隐式特征分布的均值参数的距离,捕获源项目和目标项目的共性特征,由隐含层输出的均值向量表示,两者的特征差异用方差向量表示;

所述步骤S4中学习源项目和目标项目的共性特征,包括如下步骤:S41:从源项目采用一半样本,从目标项目采样另一半样本,变分自编码器能够同时学习两者的分布信息;

S42:根据源项目和目标项目的隐式特征分布得到它们的均值参数之间的最大均值差异;

S43:从均值相近的高斯分布中,隐式特征进行重采样,得到源项目和目标项目的真正差异;

S5:通过加入判别网络提取高层特征表示,来保证该隐式特征空间具有较为良好的可靠性;

所述步骤S5根据追加的一层非线性感知机作为判别网络提取高层特征表示:基于该贝叶斯优化改进的遗传算法和深度神经网络的混合软件缺陷预测方法采用交叉熵计算,将包含的缺陷的概率和缺陷的标记是否真实作为损失项。

2.根据权利要求1所述的融合遗传算法和深度神经网络的软件缺陷预测方法,其特征在于,所述步骤S2中通过贝叶斯改进的遗传算法筛选特征子集,包括如下步骤:S21:采用经典的选择方式,轮盘赌进行优秀个体的选择,当个体的适应度越高,其被选择的概率也就越大;

S22:采用单点交叉的方式,随机选择某个点,将两条染色体在这个点处进行交叉操作;

S23:当被选择出来进行交叉的个体基因型一致时,将第一个个体交叉点的前半段基因型不变,后半末段和第二个个体交叉点后的倒叙编码保持一致;

S24:以交叉后剩余的个体作为已知点,带入贝叶斯优化模型,得到两个参数值,将这两个参数值作为新的个体加入到种群当中。