一种基于共享隐层自编码器的跨项目软件缺陷预测方法

    公开(公告)号:CN111198820B

    公开(公告)日:2022-08-26

    申请号:CN202010001850.9

    申请日:2020-01-02

    Abstract: 本发明公开了一种基于共享隐层自编码器的跨项目软件缺陷预测方法,首先,对数据集进行预处理并划分训练集和测试集;其次,采用具有共享机制的自编码器进行特征提取,分别提取出训练集和测试集的深度特征;最后,引入焦点损失函数,训练分类器。本发明解决了跨项目软件缺陷预测中的特征分布差异问题以及首次提出了基于焦点损失共享隐层自编码器技术,使得不同的数据分布变得更加相似,利用焦点损失学习技术,给不同类别的样本分配不同的权重来解决类不平衡,同时在容易分类的样本和难分类的样本上给予不同的权重来使得分类器能够更好的学习难以分类的样本。

    石墨烯三维结构及制备方法

    公开(公告)号:CN101837972A

    公开(公告)日:2010-09-22

    申请号:CN201010187509.3

    申请日:2010-05-28

    Abstract: 本发明公开了一种以石墨烯为基本单元构建的三维结构及其制备方法。该石墨烯三维结构是石墨烯通过堆叠组装而成,外形为类圆柱体或多边棱柱体,体积为0.1~100cm3。石墨烯三维结构中可包含水、甲醇、乙醇、乙二醇及其混合物分子;可包含Li+、Na+、K+、Ag+、Ca2+、Ba2+、Mg2+、Ni2+、Co2+、Cu2+、Mn2+、Cd2+、Zn2+、Pb2+、Pt2+、Pd2+、Rh2+、Al3+、Fe3+、Au3+、Ru3+、Pt4+金属离子。石墨烯三维结构拥有丰富的网络空间,可用于填充Ni、Co、Cu、Mn、Fe、Au、Ag、Pt、Ru及其合金纳米粒子;可用于填充聚吡咯、聚苯胺、聚丙烯酸、聚噻吩、聚丙烯酰胺、聚乙烯醇聚合物;可用于填充蛋白、氨基酸、糖和酶生物分子。

    以杨絮和柳絮为原料制备的碳微米管及制备方法

    公开(公告)号:CN102086034B

    公开(公告)日:2012-10-24

    申请号:CN201010590224.4

    申请日:2010-12-13

    Abstract: 本发明公开了一种以杨絮和柳絮为原料制备的碳微米管及制备方法。该碳微米管以杨絮和柳絮为原料,通过碳化方法制备碳微米管。所得到的碳微米管的外径为2~20μm,管壁厚度为0.1~1.0μm左右。本发明中碳微米管的制备方法为:将杨絮或柳絮置于管式炉中的石英管中间区域,在惰性气氛下升温至250~2000℃,碳化10~180min后在惰性气氛下自然冷却至室温得到产物。相对于人工合成碳微米管,本发明中的制备方法具有工艺简单、方便、环保等特点,所制备的碳微米管在催化氧还原反应、电化学电容器等方面展现良好性能。可用于燃料电池和超级电容器的电极,此外,在离子电池、药物传输、微反应器等方面有潜在应用价值。

    以杨絮和柳絮为原料制备的碳微米管及制备方法

    公开(公告)号:CN102086034A

    公开(公告)日:2011-06-08

    申请号:CN201010590224.4

    申请日:2010-12-13

    Abstract: 本发明公开了一种以杨絮和柳絮为原料制备的碳微米管及制备方法。该碳微米管以杨絮和柳絮为原料,通过碳化方法制备碳微米管。所得到的碳微米管的外径为2~20μm,管壁厚度为0.1~1.0μm左右。本发明中碳微米管的制备方法为:将杨絮或柳絮置于管式炉中的石英管中间区域,在惰性气氛下升温至250~2000℃,碳化10~180min后在惰性气氛下自然冷却至室温得到产物。相对于人工合成碳微米管,本发明中的制备方法具有工艺简单、方便、环保等特点,所制备的碳微米管在催化氧还原反应、电化学电容器等方面展现良好性能。可用于燃料电池和超级电容器的电极,此外,在离子电池、药物传输、微反应器等方面有潜在应用价值。

    一种基于共享隐层自编码器的跨项目软件缺陷预测方法

    公开(公告)号:CN111198820A

    公开(公告)日:2020-05-26

    申请号:CN202010001850.9

    申请日:2020-01-02

    Abstract: 本发明公开了一种基于共享隐层自编码器的跨项目软件缺陷预测方法,首先,对数据集进行预处理并划分训练集和测试集;其次,采用具有共享机制的自编码器进行特征提取,分别提取出训练集和测试集的深度特征;最后,引入焦点损失函数,训练分类器。本发明解决了跨项目软件缺陷预测中的特征分布差异问题以及首次提出了基于焦点损失共享隐层自编码器技术,使得不同的数据分布变得更加相似,利用焦点损失学习技术,给不同类别的样本分配不同的权重来解决类不平衡,同时在容易分类的样本和难分类的样本上给予不同的权重来使得分类器能够更好的学习难以分类的样本。

Patent Agency Ranking