[发明专利]基于深度神经网络和概率决策森林的软件缺陷预测模型

摘要

本发明公开了一种基于深度神经网络和概率决策森林的静态软件缺陷预测模型。该模型使用概率决策森林为分类器，将深度神经网络的特征学习和概率决策森林相结合进行端到端训练，并提出一套完整、全局的端到端参数优化方法。该模型首先从软件的代码修改中提取传统特征并使用深度神经网络进行高维映射，然后改进了随机森林，提出概率决策森林，并使用概率决策森林进行分类。将概率决策森林中决策树的分裂节点与深度神经网络的输出节点直接相连，使分裂节点由深度神经网络自动学习得到，因此可以使网络的特征学习过程受分类结果所约束。最后，使用集成学习将上述模型集成，并进行缺陷预测。使用该模型可以有效的提高对代码修改进行缺陷预测的准确率。

主权项

1.一种基于深度神经网络和概率决策森林的软件缺陷预测模型，其特征在于含有以下步骤：步骤1、从软件代码修改中提取用来区分有缺陷修改和无缺陷修改的传统特征；步骤2、使用深度神经网络对所提取的传统特征进行高维映射，学习出传统特征的高维特征表达；步骤3、设计一种概率决策森林作为分类器，并将此概率决策森林和深度神经网络的特征学习相结合得到预测模型，对该预测模型进行端到端的训练，进行完整的、联合的、全局的深度学习参数优化；该预测模型能够将深度神经网络学习到的特征输入到概率决策森林中实现分类，分为有缺陷和无缺陷两类，同时，通过分类性能来限制深度神经网络的学习过程，从而使深度神经网络学习出使得分类性能最优的高维特征，因此可以最大限度的提高预测性能；步骤4、使用集成学习的思想将步骤3中的预测模型进行集成，并进行最终的缺陷预测。