-
Patent Agency Ranking
公开(公告)号：CN106201871B
公开(公告)日：2018-10-02
申请号：CN201610513167.7
申请日：2016-06-30
Applicant: 重庆大学
IPC: G06F11/36
Abstract: 本发明涉及基于代价敏感半监督的软件缺陷预测方法，包括如下步骤，S1通过版本控制工具收集待预测软件的源代码文件；S2所述S1得到的源代码文件由I个模块组成，从所述源代码文件中提取度量元值；S3通过采样的方式通过度量元值选取模块得到采样结果集；S4标注后采样结果集和无标记样本集构建训练集；S5提出目标函数，求解使目标函数值最小的分类函数，S6通过分类函数对待预测集中的模块进行预测，并输出预测结果。该方法融合半监督和代价敏感思想构建软件缺陷预测模型，解决了软件缺陷预测中缺陷数据难以获取和类不平衡两个问题，极大提高了预测结果的准确性。
-
公开(公告)号：CN106201871A
公开(公告)日：2016-12-07
申请号：CN201610513167.7
申请日：2016-06-30
Applicant: 重庆大学
IPC: G06F11/36
CPC classification number: G06F11/3608
Abstract: 本发明涉及基于代价敏感半监督的软件缺陷预测方法，包括如下步骤，S1通过版本控制工具收集待预测软件的源代码文件；S2所述S1得到的源代码文件由I个模块组成，从所述源代码文件中提取度量元值；S3通过采样的方式通过度量元值选取模块得到采样结果集；S4标注后采样结果集和无标记样本集构建训练集；S5提出目标函数，求解使目标函数值最小的分类函数，S6通过分类函数对待预测集中的模块进行预测，并输出预测结果。该方法融合半监督和代价敏感思想构建软件缺陷预测模型，解决了软件缺陷预测中缺陷数据难以获取和类不平衡两个问题，极大提高了预测结果的准确性。
-
公开(公告)号：CN108459955B
公开(公告)日：2020-12-22
申请号：CN201710903133.3
申请日：2017-09-29
Applicant: 重庆大学
Abstract: 本发明涉及基于深度自编码网络的软件缺陷预测方法，包括如下步骤，S1通过版本控制工具收集待预测软件的源代码文件；S2所述S1得到的源代码文件由I个模块组成，从所述源代码文件中提取度量元值，所有度量元值构成一个集合X；S3对S2得到集合X进行预处理；S4通过采样的方式通过度量元值选取模块得到采样结果集；S5深度自编码网络构建预测模型；S6对待预测版本进行预测并输出预测结果。该方法简单有效，实验结果表明在数据维度较大，并且冗余特征较多的数据集中，效果非常明显。
-
公开(公告)号：CN108459955A
公开(公告)日：2018-08-28
申请号：CN201710903133.3
申请日：2017-09-29
Applicant: 重庆大学
CPC classification number: G06F11/3608 , G06K9/6227 , G06K9/6259
Abstract: 本发明涉及基于深度自编码网络的软件缺陷预测方法，包括如下步骤，S1通过版本控制工具收集待预测软件的源代码文件；S2所述S1得到的源代码文件由I个模块组成，从所述源代码文件中提取度量元值，所有度量元值构成一个集合X；S3对S2得到集合X进行预处理；S4通过采样的方式通过度量元值选取模块得到采样结果集；S5深度自编码网络构建预测模型；S6对待预测版本进行预测并输出预测结果。该方法简单有效，实验结果表明在数据维度较大，并且冗余特征较多的数据集中，效果非常明显。
-
公开(公告)号：CN103996043A
公开(公告)日：2014-08-20
申请号：CN201410234012.0
申请日：2014-05-29
Applicant: 重庆大学
Abstract: 本发明涉及图像不变特征区域的检测方法，它包括如下步骤，首先提取图像的边缘轮廓，并对边缘轮廓进行平滑；其次，定义角点的响应函数，检测平滑后的图像的边缘轮廓的角点Q；第三步，分别沿角点Qi两侧检查与角点Qi相邻的角点Qi-1、Qi+1，分别计算角点Qi-1和Qi+1到角点Qi之间的像素距离，将与角点Qi之间像素距离的角点记为目标点，计算目标点与角点Qi之间欧式距离l，然后以角点Qi为圆心，以l为半径所圈成的区域即为角点Qi的不变特征区域，最后，所有角点Q的不变特征区域构成所述图像的不变特征区域。该检测方法速度快，计算量小，而且具有较强的鲁棒性，具有广泛的实用性。
-
-
-
-
Search Results
5
records
(took 0.015 seconds)
