پیش بینی ماژولهای خطادارنرم افزار با قواعدرابطه ای استنتاج شده توسط الگوریتم رقابت استعماری
Publish place: The first national conference on computers, information technology and Islamic communications in Iran
Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 516
This Paper With 8 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICCONF01_064
تاریخ نمایه سازی: 14 آذر 1394
Abstract:
برای اطمینان ازکیفیت نرم افزار ازمون نرم افزار یک مرحله اساسی درمهندسی نرم افزار است که فرایندی پرهزینه و زمان بر می باشد یکی ازفاکتورهایی که برای کاهش هزینه و بهبود فرایند ازمون نرم افزار بکارمیرود تعیین ماژول ها و یاکلاسهای مستعدخطا می باشد به همین دلیل تکنیک های مختلفی درزمینه پیش بینی ماژولهای مستعدخطا به وجود آمده است تاعمل ازمون روی ماژول هایی ازنرم افزار معطوف شود که مستعدخطا هستند تحقیقات دراین زمینه بیشتر معطوف به استفاده ازتکنیک های اماری و یادگیری ماشین برای ایجادمدلهای پیش بینی خطا بوده است اما ایراد این روشها این است که علاوه براینکه هنگام مواجه شدن با داده های نامتوازن به درستی عمل نمی کنند قابلیت درک پایینی نیز دارند دراین مقالهیک مدل طبقه بندی تک کلاسه برای مسئله پیش بینی خطا ارایه داده میشود که ازمفهوم قواعد رابطه ای موجود درقواعدانجمنی رابطه ای الهام گرفته شده است و برای کشف این نوع قواعد ازالگوریتم رقابت استعماری ICA استفاده میشود تابرمشکلات عنوان شده غلبه گردد درمدل ارایه شده علاوه براینکه قاعده های استنتاج شده توسط الگوریتم قابلیت درک بالایی داشته و به اسانی توسط ازمون کننده ها قابل تفسیر می باشد دقت پیش بینی مناسبی نیز درمقایسه با دیگر مدلهای یادگیری ماشین دارد
Keywords:
Authors
اصغر محبی
دانشجوی کارشناسی ارشددانشگاه آزاد اسلامی واحدتبریز گروه مهندسی کامپیوتر تبریز ایران
محمدباقر کریمی
هیئت علمی دانشگاه آزاد اسلامی واحدتبریز گروه مهندسیکامپیوتر تبریز ایران
یوسف عبدی
کارشناس ارشددانشگاه آزاد اسلامی واحدشبستر گروه مهندسی کامپیوتر شبستر ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :