[发明专利]一种基于不平衡数据集的软件测试方法及系统

权利要求书

1.一种基于不平衡数据集的软件测试方法，其特征在于，包括以下步骤：

获取不平衡的软件缺陷的样本数据，对所述样本数据进行预处理；

根据预处理之后的样本数据的不平衡特性为所述样本数据中的数据类别设定代价敏感系数；

根据包括所述代价敏感系数的样本数据训练代价敏感核宽度学习系统分类模型；

通过网格搜索确定最优惩罚系数，根据所述最优惩罚系数确定训练后所述代价敏感核宽度学习系统分类模型的目标参数；

根据所述目标参数构建得到目标分类模型，通过所述目标分类模型对测试实例进行分类预测，输出预测结果。

2.根据权利要求1所述的一种基于不平衡数据集的软件测试方法，其特征在于，所述获取不平衡的软件缺陷的样本数据，对所述样本数据进行预处理，包括：

通过所述样本数据的均值对缺失值进行填补，或者删除所述缺失值；

确定进行缺失值处理之后的所述样本数据的标签，并肩编码处理后的所述标签添加至所述样本数据。

3.根据权利要求1所述的一种基于不平衡数据集的软件测试方法，其特征在于，所述根据预处理之后的样本数据的不平衡特性为所述样本数据中的数据类别设定代价敏感系数，包括：

根据所述样本数据的样本数量确定第一权重矩阵，根据所述第一权重矩阵确定所述数据类别的惩罚参数；

根据所述惩罚参数确定所述数据类别对应的所述代价敏感系数。

4.根据权利要求1所述的一种基于不平衡数据集的软件测试方法，其特征在于，所述根据包括所述代价敏感系数的样本数据训练代价敏感核宽度学习系统分类模型，包括：

通过径向基核函数确定所述样本数据之间的内积矩阵，根据所述内积矩阵构建映射层，并确定所述映射层与输入层之间的第一连接权重；

将所述映射层的节点作为输入，通过所述径向基核函数进行映射得到增强层，并确定所述增强层与所述映射层之间的第二连接权重；

根据所述映射层、所述增强层、所述第一连接权重以及所述第二连接权重构建得到所述代价敏感核宽度学习系统分类模型。

5.根据权利要求4所述的一种基于不平衡数据集的软件测试方法，其特征在于，所述内积矩阵的计算公式为：

其中，Ω_i，j表征所述内积矩阵，x_a表征第a个样本数据的特征向量，x_b表征第b个样本数据的特征向量，σ表征径向基核函数的参数，N为正整数。

6.根据权利要求4所述的一种基于不平衡数据集的软件测试方法，其特征在于，所述根据所述映射层、所述增强层、所述第一连接权重以及所述第二连接权重构建得到所述代价敏感核宽度学习系统分类模型，包括：

根据所述第一连接权重以及所述第二连接权重确定所述代价敏感核宽度学习系统分类模型中隐藏层的第二权重矩阵；所述隐藏层由所述映射层与所述增强层进行拼接得到；

根据所述第二权重矩阵构建所述代价敏感核宽度学习系统分类模型中的目标函数。

7.根据权利要求4所述的一种基于不平衡数据集的软件测试方法，其特征在于，所述通过径向基核函数确定所述样本数据之间的内积矩阵，根据所述内积矩阵构建映射层，并确定所述映射层与输入层之间的第一连接权重这一步骤中，所述第一连接权重的计算公式如下：

其中，λ表征正则项参数，I表征单位矩阵，Ω_m表征所述映射层的距离矩阵，X表征输入的所述样本数据。

8.根据权利要求4所述的一种基于不平衡数据集的软件测试方法，其特征在于，所述将所述映射层的节点作为输入，通过所述径向基核函数进行映射得到增强层，并确定所述增强层与所述映射层之间的第二连接权重这一步骤中，所述第二连接权重的计算公式如下：

其中，λ表征正则项参数，I表征单位矩阵，Ω_m表征所述映射层的距离矩阵，Ω_e表征所述增强层的距离矩阵。