基于改进稀疏自编码神经网络的软件缺陷预测

• 作者: 徐海涛 苏娜 高莹
• 来源期刊: 传感器与微系统
• 学科: 工学
• 关键词: 过采样 稀疏自编码 神经网络 软件缺陷预测 不平衡
• 年，卷（期）: 2019,（2）
• 所属期刊栏目: 研究与探讨
• 页码范围: 49-51,62
• 页数: 4页
• 分类号: TP183
• 字数: 3233字
• 语种: 中文
• DOI: 10.13873/J.1000-9787(2019)02-0049-03

摘要

针对软件缺陷预测时普遍存在的样本缺陷数据不平衡、特征冗余等问题,引进稀疏自编码(SAE)神经网络并加以改进,提出了一种新的分类模型.模型结合了SAE神经网络和少数样本合成过采样技术(SMOTE)的优点,可弥补传统分类方法在软件缺陷预测时忽视少数类分类效果、不能很好地保留数据内部特征等不足.基于NASA软件缺陷公共数据库中多个数据集的实验结果表明:提出的模型在软件缺陷预测方面的分类效果明显优于其他算法,尤其提高了不平衡数据集中少数类的分类精度.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	徐海涛	杭州电子科技大学计算机学院	15	57	4.0	7.0
2	高莹	杭州电子科技大学计算机学院	1	1	1.0	1.0
3	苏娜	杭州电子科技大学计算机学院	2	3	1.0	1.0