导读:本文包含了度量元论文开题报告文献综述及选题提纲参考文献，主要关键词:跨项目,机器学习,软件缺陷预测,迁移学习
度量元论文文献综述
娄丰鹏,吴迪,荆晓远,吴飞[1]（2018）在《增加度量元的迁移学习跨项目软件缺陷预测》一文中研究指出目前,结合机器学习方法和软件缺陷预测技术自动地学习模型来发现软件中的缺陷,已经成为跨项目缺陷预测的主要方法。由于源项目和目标项目之间的特征分布差异,跨项目相关性预测的表现通常较差。针对该问题,可以使用从源项目中提取知识并将其转移到目标项目的转移学习技术来提高预测性能,并提出了一种增加度量元的迁移学习方法进行跨项目的软件缺陷预测。该方法首先使用分类器对数据集进行一次项目内预测,并将预测结果作为新的度量元加入数据集。然后采用迁移学习方法将源项目中提取的知识转移至目标项目,并使用分类器预测目标项目。在AEEEM数据集上的实验结果表明,该算法提高了跨项目软件缺陷预测效率。(本文来源于《计算机技术与发展》期刊2018年07期）
常瑞花[2]（2015）在《基于密集度量元的近邻传播聚类算法》一文中研究指出聚类是数据挖掘领域中发现数据隐含模式的有效方法之一.针对传统近邻传播聚类算法中采用欧式距离表示数据相似度,不能有效处理复杂结构数据的不足,提出了一种基于密集度量元的近邻传播聚类算法.该算法首先引入密度的思想,然后在近邻传播算法的框架下定义密度因子,设计新的空间一致性距离测度类欧式距离,构造基于密度敏感的相似性度量元,提高了传统算法处理复杂结构数据的性能.最后通过仿真实验验证了该算法的有效性.(本文来源于《微电子学与计算机》期刊2015年05期）
常瑞花,贾鹏[3]（2015）在《基于度量元的静态软件缺陷预测技术》一文中研究指出软件缺陷预测技术是当前软件工程领域的一个热点研究问题。回顾和综述了基于度量元的静态软件缺陷预测技术研究的起源与国内外最新进展动态,并对常用缺陷预测技术的评价指标进行对比和分析,指出其优缺点和适用范围。最后对静态软件缺陷预测技术的可能发展方向进行预测。(本文来源于《火力与指挥控制》期刊2015年02期）
李澍文[4]（2014）在《基于信息需求的业务流程度量元模型的设计与实现》一文中研究指出云计算和大数据的时代,为业务流程管理带来了新的挑战,迫使传统的业务流程管理需以云服务的形式提供给客户。而作为流程优化和重组的基础,业务流程度量服务的研究显得尤为迫切。本文充分考虑度量干系人的信息需求以及流程数据的上下文,针对基于信息需求的业务流程度量元模型及建模工具进行了研究。旨在提高用户的参与度,为其量体裁衣,以期得到用户对度量价值的最大认同。主要内容如下：1)总结了国内外业务流程度量及度量工具的研究现状,对现有研究成果中存在的不足进行了详细的分析。2)对BPaaS (Business Process as a Service)、工作流以及流程度量等相关技术进行总结,提出基于信息需求和工作流数据模式的业务流程度量元模型,并给出了元模型的术语定义。3)建立业务流程度量信息模型,分析流程数据上下文,在此基础上,进一步给出了度量元的详细设计。4)设计并实现了业务流程度量建模工具(Business Process Metric Modelling Tool, BPMMT),该工具与基于云平台的YAWL系统(Yet Another Workflow Language System)集成,为用户提供度量建模等功能。(本文来源于《西北大学》期刊2014-12-01）
杨晓杏[5]（2013）在《基于度量元的软件缺陷预测技术》一文中研究指出基于度量元的软件缺陷预测是利用软件模块的各种特征(如代码长度、代码变化等)构造模型,用于预测新的软件模块的缺陷相关信息。最为常见的预测目标包括预测软件模块是否含有缺陷,以及预测软件模块含有缺陷的个数。模型预测的软件模块的缺陷相关信息不但能反映软件模块的质量,还能用于指导测试资源的分配。比如,通过预测新的软件模块是否含有缺陷,我们可以只对含有缺陷的软件模块进行测试,从而节省检测正确软件模块的资源。根据软件缺陷预测的目标,目前基于度量元的软件缺陷预测技术大致分为两类：分类任务的软件缺陷预测技术和排序任务的软件缺陷预测技术。本文根据两类软件缺陷预测技术的不同研究现状,分别对它们进行研究。分类任务的软件缺陷预测的目的是预测软件模块是否含有缺陷,从而引导软件开发人员对含有缺陷的软件模块进行检测。分类任务的软件缺陷预测模型不但要求较高的缺陷模块检测率,并且要求较低的资源浪费率(错误预测正确模块所引起的资源浪费率)。而这二者往往是冲突的。并且,不同的应用对缺陷模块的检测率、能允许的资源浪费率的要求并不相同。当前的研究往往以二者的折中为目标构造预测模型,这样构造的模型不一定满足实际应用对二者的具体要求。于是,本文提出将缺陷模块检测率以及模型引起的资源浪费率看成两个目标,并使用多目标方法Non-dominated Sorting Genetic Algorithm (NSGA)-Ⅱ结合代价敏感支持向量方法,同时优化这两个目标,构造一组缺陷模块检测率不同且相应的资源浪费率较低的模型。实验证明,这样的方法不但能构造出多样性的模型以满足不同应用的不同要求,并且当缺陷模块检测率以及资源浪费率的折中一定时,这种方法也能构造出比单目标学习方法更好的模型。排序任务的软件缺陷预测模型适用于测试资源未知的情况——测试资源少时,只对含缺陷个数很多的软件模块进行测试；当测试资源多时,含缺陷个数较少的软件模块也能得到测试。对于此类软件缺陷预测模型而言,精准地预测软件模块所含的缺陷个数是不必要的,在数据质量不高的情况很难做到。换句话说,排序任务的软件缺陷预测关注的是模型给出的模块排序。然而,目前排序任务的软件缺陷预测模型的主要构造算法是回归或者分类算法,由最小二乘法或者最大似然法得到,以拟合度为目标。这样构造排序任务的软件缺陷预测模型存在的问题是,拟合度好的模型给出的模块排序不一定好。因此,本文提出排序学习算法,即通过直接优化软件缺陷预测模型的排序性能来构造模型。实验结果表明,与最小二乘法、最大似然法相比,直接优化模型的排序性能得到的预测模型能给出更好的模块排序,特别是在软件度量元个数较多的情况。并且,与现有方法的比较进一步证明了排序学习算法在构造排序任务的软件缺陷预测模型的优势。软件缺陷预测主要包括两个部分：数据和建模。软件缺陷预测的数据是根据软件特征(即软件度量元)进行收集,所以数据的质量由度量元决定。随着软件的发展,越来越多的度量元被引进。这些度量元的建模有效性也受到了关注。现有的针对排序任务的软件缺陷预测进行的度量元分析方法主要有两种——不同类别度量元的对比分析以及相关系数分析。不同类别的度量元的对比分析无法反映具体哪个度量元对建模有效,而相关系数分析则不一定能反映度量元的建模有效性。于是,本文提出使用针对排序任务的度量元分析方法,并在两组公开数据集上对度量元进行综合研究。分析表明,相比现有的方法,针对排序任务的度量元分析方法更适合研究度量元构造排序任务软件缺陷预测模型的有效性。实验结果表明在这两组数据集上,最佳建模的度量元个数依赖于建模方法和数据集,且对于建模最有效的具体度量元也依赖于数据集。(本文来源于《中国科学技术大学》期刊2013-05-01）
袁成[6]（2011）在《基于GQM的度量元筛选方法的研究》一文中研究指出随着信息时代的快速发展,软件已经被广泛应用到社会的各个领域,但软件开发工程中存在的软件危机越来越受到人们的重视,为了解决这种危机,软件度量被应用到软件开发过程中进行管理。在软件度量过程中,首先需要精确地定义度量,并筛选出对利益攸关者最有价值的度量元,然后才能实施度量活动,从而指导和改进软件开发过程,选用的度量元的优劣直接关系到软件度量的结果。本文介绍了常用的筛选方法,并分析了现有方法存在的问题；介绍了层次分析法的步骤、优点；提出了将层次分析法用于度量元筛选的实施步骤,以及实施中需要注意的问题,并进行了实例研究；然后根据层次分析法原理构建出一个基于GQM(Goal Question Metric)的度量元筛选模型；最后设计并实现了度量元筛选系统,同时证明了实例中的数据,给出了可供参考的结果。该系统从利益攸关者的角度出发,对备选度量元进行合理的权重赋值,突出了利益攸关者的地位,保证了软件开发的最终目的符合利益攸关者的预期。(本文来源于《西北大学》期刊2011-06-30）
李虎,杨海燕,高仲仪[7]（2001）在《软件质量度量元的理想取值区间反推技术》一文中研究指出针对软件质量度量元理想取值区间难以确定的问题，指出在推导一个度量元的理想取值区间时，应结合特定的（用户关心的）外部质量指标进行考虑，研究并提出了基于正交设计思想的度量元理想取值区间反推技术，该技术能够量化地给出度量元的理想取值区间，初步解决了度量元质量需求定义的问题。(本文来源于《计算机工程与应用》期刊2001年17期）
李世清,钟武[8]（1992）在《基于度量元集的软件质量评价策略》一文中研究指出本文提出了一种软件质量综合评价的方法,用该方法对一组程序进行了评测,给出了这组程序的优劣顺序及优劣程度.(本文来源于《小型微型计算机系统》期刊1992年06期）
度量元论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
聚类是数据挖掘领域中发现数据隐含模式的有效方法之一.针对传统近邻传播聚类算法中采用欧式距离表示数据相似度,不能有效处理复杂结构数据的不足,提出了一种基于密集度量元的近邻传播聚类算法.该算法首先引入密度的思想,然后在近邻传播算法的框架下定义密度因子,设计新的空间一致性距离测度类欧式距离,构造基于密度敏感的相似性度量元,提高了传统算法处理复杂结构数据的性能.最后通过仿真实验验证了该算法的有效性.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
度量元论文参考文献
[1].娄丰鹏,吴迪,荆晓远,吴飞.增加度量元的迁移学习跨项目软件缺陷预测[J].计算机技术与发展.2018
[2].常瑞花.基于密集度量元的近邻传播聚类算法[J].微电子学与计算机.2015
[3].常瑞花,贾鹏.基于度量元的静态软件缺陷预测技术[J].火力与指挥控制.2015
[4].李澍文.基于信息需求的业务流程度量元模型的设计与实现[D].西北大学.2014
[5].杨晓杏.基于度量元的软件缺陷预测技术[D].中国科学技术大学.2013
[6].袁成.基于GQM的度量元筛选方法的研究[D].西北大学.2011
[7].李虎,杨海燕,高仲仪.软件质量度量元的理想取值区间反推技术[J].计算机工程与应用.2001
[8].李世清,钟武.基于度量元集的软件质量评价策略[J].小型微型计算机系统.1992