[发明专利]一种基于CS-ANN的软件缺陷预测方法

权利要求书

1.一种基于CS-ANN的软件缺陷预测方法，其特征在于，所述基于CS-ANN的软件缺陷预 测方法分为训练和预测两个过程，训练过程是使用历史数据对模型进行训练，得到此数据 集的最佳权值和阈值；预测过程是使用训练过程得到的权值和阈值对新的数据进行预测， 输出新的数据集中的模块有无缺陷，预测时输入的新数据的属性应和经过特征选择之后的 数据有相同的属性。

2.如权利要求1所述的基于CS-ANN的软件缺陷预测方法，其特征在于，所述基于CS-ANN 的软件缺陷预测方法具体包括：

输入原始数据集Db，使用WEKA工具里的CFS算法进行特征选择，得到训练数据集Da；

对原始数据进行处理之后，输入模型对模型进行训练，给出执行过程的伪码：

输入：数据集Da；

输出：最佳权值Wbest和阈值Tbest；

初始化神经网络参数，隐藏层大小hidden_layer_size；

初始化布谷鸟搜索参数//鸟窝W即是所以搜索的神经网络的权值，鸟窝大小n，初始化 鸟窝W，发现概率p，搜索域Lb/Ub，迭代次数iter；

把Da分为Dtrain和Dtest，十折交叉验证；

While(迭代次数小于iter){

通过Lévy飞行方式在[Lb,Ub]内搜索鸟窝W

将W和Dtrain输入神经网络算法，计算代价，保留当前最优鸟窝Wbest

通过局部搜索过程，利用概率p淘汰部分不好的鸟窝，同时搜索新的鸟窝；

将W和Dtrain输入神经网络算法，计算代价，保留当前最优鸟窝Wbest}//endwhile；

将Wbest和Dtest输入神经网络进行测试，得出预测值；

使用测试得到的预测值，设置不同的阈值计算F1值，保留使得F1值最大的阈值Tbest；

returnWbest，Tbest；

预测过程是把训练得到的Wbest和Tbest以及新数据输入神经网络算法计算预测值，根 据阈值Tbest标记模块是否有缺陷，若预测值大于Tbest则标记此模块有缺陷倾向，若小于 测阈值，则标记为无缺陷倾向。