یک مدل بهینه مبتنی بر شبکه عصبی در حوزه داده کاوی جهت پیش بینی نقایص نرم افزار
Publish place: پنجمین کنفرانس بین المللی مهندسی کامپیوتر ،برق و الکترونیک
Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 439
This Paper With 11 Page And PDF and WORD Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
NSOECE05_057
تاریخ نمایه سازی: 10 تیر 1396
Abstract:
متدهای بسیاری جهت پیش بینی نقص نرم افزار وجود دارد. برای شروع فرآیند پیش بینی، باید به مجموعه داده ای با کیفیت که شامل اطلاعات کاملی از ویژگی هایی خاص از نرم افزار است، دست پیدا کرد. به این ویژگی ها اصطلاحا متریک های نرم افزار می-گویند. پس از آن، مدل مناسب جهت پیش بینی نقص نرم افزار انتخاب می گردد. الگوریتم های بسیاری مانند روش های آماری، داده کاوی و غیره به عنوان مدل های پیش بینی نقص نرم افزار مورد استفاده قرار می گیرند. همچنین ابزارهای بسیاری نظیر شبکه عصبی ، الگوریتم ژنتیک ، درخت تصمیم و ماشین بردار پشتیبان نیز برای نتیجه گیری بهتر به کمک آمده اند. با آنالیز مقادیر متریک های انتخاب شده توسط الگوریتم مورد نظر، پیش بینی نقص نرم افزار انجام می گیرد. پارامترهایی مانند دقت، جامعیت و منحنی ROC نیز جهت نشان دادن کیفیت پیش بینی و در واقع ارزیابی عملکرد مدل پیش بینی استفاده می شوند. تحقیقات صورت گرفته نشان می دهد که یک منبع مهم تعیین بخش های مستعد نقص، سابقه رفتاری یک نرم افزار است. با دسترسی به بانک سوابق یک نرم افزار و استفاده از تکنیک های داده کاوی احتمال پیش بینی مناسب تقویت می گردد. در این مقاله تلاش می شود تا با انتخاب تکنیک های مناسب در حوزه داده کاوی و اعمال اصلاحاتی در این زمینه، باعث بهبود در کیفیت پارامترهای ارزیابی مدل نظیر ROC شویم.
Authors
مهسا هادیان
دانشجوی کارشناسی ارشد، دانشگاه آزاد اسلامی واحد آشتیان، ایران
ضیاالدین شریفی
کارشناس ارشد، دانشگاه شاهد، تهران، 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 :