动态需求跟踪方法及跟踪精度问题研究

在对动态需求跟踪现有研究综述的基础上,详细分析了动态需求跟踪面临的精度问题,并提出了解决方案——动态需求跟踪框架.该框架以自动化的需求跟踪为核心,组合了变更请求、影响分析、变更控制等活动,利用工作产品的特点和迭代过程中累积的变更信息来辅助建立需求跟踪关系,提高了需求跟踪关系的精度.     

一种基于句法分析的跟踪关系恢复方法

软件需求跟踪已被公认为影响软件项目成败的一个关键因素。针对大多数基于信息检索的需求跟踪方法都严重依赖于软件制品中的文本质量,提出了一种基于句法分析的动态需求跟踪方法。该方法能够从制品中抽取最有可能刻画自身特征的标引词,并减少制品中噪音对需求跟踪带来的不利影响。为了验证该方法的有效性,在多个来自不同项目且类型不同的软件制品上,比较了基于不同标引词集合的动态需求跟踪方法所建立的跟踪关系。实验结果表明,基于句法分析的动态需求跟踪方法能够有效地提高跟踪关系的准确性。     

动态需求跟踪中多义关键词的语义判断方法

虽然与信息检索（IR）方法相比，基于本体的动态需求跟踪方法能提高跟踪链的精度，但构建一个合理、有效的本体特别是领域本体是一个相当复杂和繁琐的过程。为了减小构建领域本体带来的时间成本和人力成本，通过将修饰词和通用本体相结合，提出基于修饰词本体的关键词语义判断方法（MOKSJM）。首先，对关键词和修饰词的搭配关系进行分析；然后，采用修饰词本体结合规则的方式来确定关键词的语义，以避免关键词的多义性对动态需求跟踪结果造成的偏差；最后，根据上述分析的结果，对关键词语义作出调整，并通过相似度得分来体现其语义。修饰词在需求文档、设计文档等中数量较少，因此建立修饰词本体所带来的时间成本和人力成本相对较小。实验结果表明，MOKSJM与基于领域本体的动态跟踪方法在召回率相当时，精度差距更小；与向量空间模型（VSM）方法相比，MOKSJM能有效提高需求跟踪结果的精度。     

需求描述前的需求跟踪模型研究

对需求描述前的需求进行跟踪可以减少需求错误、有助于需求变更的处理和软件组织的过程改进。针对传统需求跟踪方法没有对需求描述前的需求跟踪提供合适支持的问题，文章剖析了需求分析过程中产生的中间产品及其之间的各种关联，基于分析结果，提出了一个需求描述前的需求跟踪模型，包括过程模型和数据模型：过程模型描述跟踪过程，数据模型描述原始需求和中间产品。最后应用模型跟踪一个设备租赁系统中费用计算的需求，结果表明利用该模型能够准确跟踪到需求来源，发现需求错误、遗漏和不一致，并消除错误影响，从而改进需求质量，其有效性得到了验证。     

目标跟踪中辅助目标的选择、跟踪与更新

在目标的动态背景中存在有利于目标跟踪的信息.使用辅助目标来描述目标的动态背景,在跟踪目标的同时建立辅助目标与目标之间的运动依赖关系.用多个辅助目标预测目标的位置,将辅助目标预测结果与目标跟踪器预测结果融合得到目标位置.方法包括,利用辅助目标与目标之间的运动依赖关系和辅助目标自身跟踪精度的辅助目标选择方法;使用多个低精度辅助目标跟踪器获得良好的目标预测结果的辅助目标跟踪和目标预测方法;以及根据目标跟踪结果更新辅助目标跟踪参数的方法.辅助目标具有多样性和独立性.基于辅助目标的目标跟踪方法可以与其他目标跟踪器结合,具有推广泛化能力.实验结果表明,辅助目标在目标跟踪中发挥重要作用,与其他目标跟踪方法对比结果表明,有更好的鲁棒性和目标跟踪精度.     

需求跟踪方法研究

对需求跟踪方法进行了分析、归纳,认为需求跟踪方法应易于掌握、能跟踪复杂系统、能自动生成跟踪链、跟踪链维护简单、有工具和文档支持等特性。     

基于车载环境的交通目标跟踪

针对车载环境下小目标难以识别和相机动态移动造成的目标跟踪精度下降问题, 提出一种基于改进YOLOv5与ByteTrack的交通目标跟踪方法. 首先, 引入Transformer与加权特征金字塔(BiFPN)结构的思想重构YOLOv5检测网络, 有效捕获了特征的全局依赖关系, 缓解了深层卷积小目标信息丢失问题, 改善了车载环境下的目标检测性能. 此后, 以ByteTrack为基础提出了添加相机移动补偿的CMC-ByteTrack跟踪方法, 更精准地描述了视频前后帧的数据关联关系, 提高了相机大幅位移时的跟踪精度. 实验结果表明, 改进YOLOv5的平均检测精度(mAP)达到了82.2%, 相比原算法提高了3.9%, 与CMC-ByteTrack结合后的跟踪准确性(MOTA)相比改进前的跟踪方法提高了2.8%.     

一种改进的机动再入目标自适应跟踪算法

在机动再入目标高精度跟踪问题的研究中,由于目标变化速度快,动态模型为非线性,传统的Jerk分段均匀假设和随机模型近似思想建立的机动再入目标分段匀Jerk模型和过程噪声自适应方法中,存在加速度的方差期望近似瞬时方差的固有误差.为解决上述问题,提出了改进的机动再入目标自适应模型及相应的容积卡尔曼滤波跟踪算法,采用加速度状态协方差修正项来近似加速度的瞬时方差,同时引入强跟踪渐消因子增强加速度状态修正项近似瞬时方差的能力,给出了更精 确的机动再入目标自适应模型;结合状态扩展方法和容积卡尔曼滤波算法实现了机动再入目标的高精度自适应跟踪.仿真结果表明:改进后的算法对机动再入目标跟踪具有更高的精度和稳定性,对目标机动性变化有更低敏感性.     

基于开发者协作关系和信息检索的需求跟踪系统

目前自动化需求跟踪的研究广泛使用文本信息检索技术。然而信息检索会遗漏一些文本不相似但是实际相关的软件制品,导致自动化跟踪的精度不高。针对上述问题,提出利用开发者协作关系来进行优化,研发了基于开发者协作关系和信息检索的需求跟踪系统。该系统在进行需求跟踪时,首先用信息检索推荐与需求文本上相似的代码,然后从代码提交日志中挖掘开发者协作关系,根据开发者协作关系再推荐相关代码,用户根据两次推荐的结果确定正确的需求代码跟踪关系。试验结果表明该系统能够找到信息检索遗漏的需求跟踪关系,能够提高自动化跟踪的准确性,节省跟踪时间。     

需求描述前的需求跟踪问题

需求描述前的需求跟踪问题一直是软件工程中非常重要的一个方面，同时又是研究较少的一个方面。需求描述前的需求跟踪的提供者和使用者总存在一些难以解决的矛盾，本文首先从这一角度出发分析了需求描述前的需求跟踪问题。与传统技术一样，而向对象技术有保证需求描述前的需求可跟踪性的自动获取，为此文章讨论了在面向对象 支持需求描述前的需求跟踪能力的必要条件，在此基础上，文章介绍了一个支持需求跟踪的原型系统（ＯＯＲＴＳ