[发明专利]一种基于二次评价的软件质量评价方法及系统

说明书

本发明提供了一种基于二次评价的软件质量评价方法及系统，选取软件质量评价指标空间，构建软件质量评价结果识别框架；采集样本数据、待评价软件数据；确定BP神经网络的个数、拓扑结构；并行地对各BP神经网络进行训练、计算可信度；将待评价软件的质量评价指标数据分别输入到训练好的各BP神经网络，根据BP神经网络的输出结果得到初步评价结果；结合BP神经网络的可信度对初步评价结果进行修正处理，生成识别框架中各命题的基本概率赋值分配，利用DS证据理论对各证据进行融合，获得融合结果；基于决策准则对融合结果进行决策生成最终评价结果。本发明能够有效的实现软件质量的评价。

技术领域

本发明涉及软件质量评价技术领域，尤其涉及一种基于二次评价的软件质量评价方法及系统。

背景技术

软件质量是软件产品满足规定和隐含需求能力有关的所有特征和所有特性的总和。软件质量评价是使用合适的技术对被评价软件的质量特性、子特性等进行度量并对度量的结果进行评价，从而给出软件产品能否满足特定需求的评价结果。软件质量评价可以定量的给出软件的质量水平，可以根据软件质量的评价结果数据对软件进行相应的管理和质量改进。

目前，软件质量的评价方法主要有：

1、层次分析法：根据某种标准对影响软件质量的各种因素进行分解，形成不同的层次，由各专家对同层次的因素两两比对，从而得到对比矩阵。但是，当同一层次的比较因素较多时，专家容易出现混乱甚至矛盾的判断，而且对比矩阵庞大、复杂度较高。

2、模糊综合评价法：采用模糊数学中构造隶属度函数的方法对指标的评价标准进行模糊处理，利用最大隶属度原则保证依据该评价标准做出的评价更加符合人们的思维方式。但是，模糊数学的缺陷性会导致该原则经常失效，从而出现评价结果失真、均化和跳跃等现象，而且根据实际情况选择合适的隶属度函数比较困难。

3、基于支持向量机：支持向量机在处理小样本问题时具有得天独厚的优势，它避开了传统的统计学习方法从归纳到演绎的过程，大大简化了传统的分类和回归等问题。但是，支持向量机针对大规模的训练样本难以实施，对多分类问题的解决能力稍差。

4、基于神经网络：这是当前准确率最高的一种复杂软件系统质量评价方法。利用样本数据对神经网络进行训练，将其训练为“软件质量评价领域专家”，然后将待评价软件的质量评价指标数据输入到神经网络中从而得到评价结果。但是，神经网络的计算比较复杂，参数配置对输出结果的影响较大，特别是当维数较大时，收敛速度较慢，甚至会出现不收敛、误判或漏判等情况。

综上所述，如何有效的实现软件质量的评价是一项亟待解决的问题。

发明内容

有鉴于此，本发明提供了一种基于二次评价的软件质量评价方法及系统，能够有效解决现有技术中软件质量评价方法的准确率不高、受专家主观因素影响较大、可扩展性较弱等问题。

本发明提供了一种基于二次评价的软件质量评价方法，包括：

选取软件质量评价指标空间，构建软件质量评价结果识别框架；

按照软件质量评价指标空间和软件质量评价结果识别框架采集样本数据以及采集待评价软件的软件质量评价指标数据；

确定BP神经网络的个数，按照所述软件质量评价指标空间和所述软件质量评价结果识别框架确定每个BP神经网络的拓扑结构；

对于每个BP神经网络，将样本数据划分为训练样本集、测试样本集，利用训练样本集对BP神经网络进行训练，利用测试样本集计算各BP神经网络的可信度；

将待评价软件的质量评价指标数据分别输入到训练好的各BP神经网络，根据BP神经网络的输出结果得到初步评价结果；

结合BP神经网络的可信度对初步评价结果进行修正处理，生成识别框架中各命题的基本概率赋值分配，利用DS证据理论对各证据进行融合，获得融合结果；