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。 传感器与微系统第38卷度学习传统模型自动编码器的基础上加入了稀疏性惩罚项，如图1所示。优势在于通过寻找某些基础特征来更高效地表示样本数据，网络的软件缺陷预测-电动折弯机数控滚圆滚弧机张家港液压滚圆机弯管机滚弧机即通过一组基向量的线性组合来表示输入向量，且尽可能少的几个基就可以表示输入信号，可以在不丢失数据本质特征的基础上尽量减少数据维度。本文由张家港弯管机网站

转载中国知网整理!www.wangaunjimuju.net在稀疏约束条件下学习相对稀疏简明的数据特征，可以更好地表达输入数据。图1稀疏自编码器编码过程最终需要得到优化的参数θ={W，b}，可通过最小化SAE神经网络的代价函数得到θ=式中前半部分是均方误差重构项;后半部分是稀疏惩罚项;β为惩罚系数;ρ为稀疏性参数，一般接近于0(如ρ=0．05);^ρJ为所有隐含层神经元的平均激活值，为了对每个神经元约束，即让^ρJ尽可能接近ρ，加入惩罚因子KL(ρ‖^ρJ)实现约束。KL(ρ‖^ρJ)为测量两个分布差异的相对信息熵KL(ρ‖^ρJ)=ρlogρ^ρJ+(1－ρ)log1－ρ1－^ρJ。2改进的SAE神经网络SAE旨在找到比原始特征更适合分类任务的特征表示方式，但在误差计算和传递的过程中，SAE网络对于不同类别是平等对待的并没有加以区分。在缺陷预测过程中，正常的样本量一般远多于有缺陷的样本量，很容易造成缺陷漏报的现象。针对软件缺陷数据存在严重不平衡以及特征冗余的特性，提出一种结合SMOTE［5］和SAE神经网络的优点的分类模型。将原始数据样本作为SMOTE算法［6］的输入，再将SMOTE算法的输出作为SAE神经网络的输入，利用SAE神经网络进行训练学习和特征抽象，最后使用网络的软件缺陷预测-电动折弯机数控滚圆滚弧机张家港液压滚圆机弯管机滚弧机本文由张家港弯管机网站 转载中国知网整理!www.wangaunjimuju.net