计算机科学
計算機科學
계산궤과학
COMPUTER SCIENCE
2013年
11期
169-173
,共5页
周雁舟%乔辉%吴晓萍%邵楠%惠文涛
週雁舟%喬輝%吳曉萍%邵楠%惠文濤
주안주%교휘%오효평%소남%혜문도
软件可靠性早期预测%特征选择%LASSO回归方法%LARS算法%LVQ神经网络
軟件可靠性早期預測%特徵選擇%LASSO迴歸方法%LARS算法%LVQ神經網絡
연건가고성조기예측%특정선택%LASSO회귀방법%LARS산법%LVQ신경망락
Software reliability early prediction%Feature selection%LASSO regression method%LARS algorithm%LVQ neural network
针对软件可靠性早期预测中软件复杂性度量属性维数灾难问题,提出了一种基于最小绝对值压缩与选择方法(The Least Absolute Shrinkage and Select Operator,LASSO)和最小角回归(Least Angle Regression,LARS)算法的软件复杂性度量属性特征选择方法.该方法筛选掉一些对早期预测结果影响较小的软件复杂性度量属性,得到与早期预测关系最为密切的关键属性子集.首先分析了LASSO回归方法的特点及其在特征选择中的应用,然后对LARS算法进行了修正,使其可以解决LASSO方法所涉及的问题,得到相关的复杂性度量属性子集.最后结合学习向量量化(Learning Vector Quantization,LVQ)神经网络进行软件可靠性早期预测,并基于十折交叉方法进行实验.通过与传统特征选择方法相比较,证明所提方法可以显著提高软件可靠性早期预测精度.
針對軟件可靠性早期預測中軟件複雜性度量屬性維數災難問題,提齣瞭一種基于最小絕對值壓縮與選擇方法(The Least Absolute Shrinkage and Select Operator,LASSO)和最小角迴歸(Least Angle Regression,LARS)算法的軟件複雜性度量屬性特徵選擇方法.該方法篩選掉一些對早期預測結果影響較小的軟件複雜性度量屬性,得到與早期預測關繫最為密切的關鍵屬性子集.首先分析瞭LASSO迴歸方法的特點及其在特徵選擇中的應用,然後對LARS算法進行瞭脩正,使其可以解決LASSO方法所涉及的問題,得到相關的複雜性度量屬性子集.最後結閤學習嚮量量化(Learning Vector Quantization,LVQ)神經網絡進行軟件可靠性早期預測,併基于十摺交扠方法進行實驗.通過與傳統特徵選擇方法相比較,證明所提方法可以顯著提高軟件可靠性早期預測精度.
침대연건가고성조기예측중연건복잡성도량속성유수재난문제,제출료일충기우최소절대치압축여선택방법(The Least Absolute Shrinkage and Select Operator,LASSO)화최소각회귀(Least Angle Regression,LARS)산법적연건복잡성도량속성특정선택방법.해방법사선도일사대조기예측결과영향교소적연건복잡성도량속성,득도여조기예측관계최위밀절적관건속성자집.수선분석료LASSO회귀방법적특점급기재특정선택중적응용,연후대LARS산법진행료수정,사기가이해결LASSO방법소섭급적문제,득도상관적복잡성도량속성자집.최후결합학습향량양화(Learning Vector Quantization,LVQ)신경망락진행연건가고성조기예측,병기우십절교차방법진행실험.통과여전통특정선택방법상비교,증명소제방법가이현저제고연건가고성조기예측정도.
