重回归模型在软件开发预估工作量中的应用

软件开发工作量预估是项目开发至关重要的一步,是否精确直接影响组织决策和相关管理任务的安排.预估的方法多种多样,每种技术有其相应的优缺点.如何利用好相关技术更精确地预估软件工作量成为一个主要课题.主要谈论如何利用有效预测项目对象特征选择合适参数建立重回归模型,进一步提高预估的准确性.     

应用于临床生存时间预测的二次学习算法研究

生存时间预测在医学、经济和工程等领域有着广泛的应用。随着机器学习技术和数据挖掘技术的发展和广泛应用,研究人员提出了很多基于机器学习技术的生存时间预测算法。这些算法虽然都取得了良好的效果,但预测精度均有提升的空间。因此,提出了一种基于二次学习风范的生存时间预测算法,并结合最近邻算法在截尾样本估计上的应用以及支持向量机在泛化性能上的优势,实现了对临床生存时间的建模。实验结果表明,该算法能够获取精确的生存时间,且具有预测精度上的性能优势。     

基于二次学习的半监督字典学习软件缺陷预测*

当软件历史仓库中有标记训练样本较少时,有效的预测模型难以构建.针对此问题,文中提出基于二次学习的半监督字典学习软件缺陷预测方法.在第一阶段的学习中,利用稀疏表示分类器将大量无标记样本通过概率软标记标注扩充至有标记训练样本集中.再在扩充后的训练集上进行第二阶段的鉴别字典学习,最后在学得的字典上预测缺陷倾向性.在NASA MDP和PROMISE AR数据集上的实验验证文中方法的优越性.     

二次集成学习在医疗数据挖掘中的应用

CCDM 2014数据挖掘竞赛基于医学诊断数据,提出了实际生活中广泛出现的多类标问题和多类分类问题。针对两个问题出现的类别不平衡现象以及训练样本较少等特点,为了更好地完成数据挖掘任务,借助二次学习和集成学习的思想,提出了一个新的学习框架--二次集成学习。该学习框架通过首次集成学习得到若干置信度较高的样本,将其加入到原始训练集,并在新的训练集上进行二次学习,进而得到泛化性能更高的分类器。竞赛结果表明,与常用的集成学习相比,二次集成学习在两个问题上均取得了非常理想的结果。     

回归效果的探讨及其预测实例

本文从统计学原理出发,简要地阐述了原始数据的搜集、拟合曲线的选择、不同模型下预测精度的比较等手段在统计工作中的应用。笔者运用回归模型对江苏省未来五年内手表销售量进行了成功的预测。     

基于二次回归的时间序列分割算法

提出了基于关键点的时间序列分割算法。首先利用关键点方法压缩时间序列,完成时间序列的表示;然后利用二次回归及DTW方法完成时间序列的分割。分割后的时间序列主要用于异常模式的检测,有较好的效果。     

广义回归神经网络在软件质量预测中的应用

软件质量预测技术是软件质量评价体系中的关键技术,它能够对用户所关心的软件质量特性进行评价。广义回归神经网络在逼近能力、分类能力和学习速度方面具有较强优势。采用基于软件度量的广义回归神经网络构造质量预测模型能够从历史数据中寻找软件度量之间的相关关系。对软件缺陷数进行预测的实验说明了模型的有效性、精确性,实验结果令人满意。     

二次型神经网络模型及其应用

提出一种基于二次型运算和BP算法的计算神经网络模型.通过将输入向量分为若干等份的子向量,并运用二次型运算解决多线性空间的相互区分问题,消除了输入-隐含层的复杂网状连接结构,突出隐含神经元物理意义,从而实现了对传统三层BP神经网络结构的设计改进. 试验对比结果显示,经过改进的模型较标准BP收敛更快并且稳定.     

非参数控制系统的预测二次稳定性研究

首次提出预测二次稳定性概念 ,利用有界不确定对象的非参数模型描述和预测状态反馈 ,研究了系统预测二次稳定性 (predictivequadraticstability,PQS)成立的充分条件 ,给出了确定反馈阵的LMIs(linearmatrixinequali ties) ,并从理论上给出了严格证明 .讨论了存在I/O约束系统PQS成立的充分条件 ,证明了具有PQS稳定性对象的闭环全局稳定性 ,从理论上解决了一类建模简单、易于实现的预测控制系统的鲁棒稳定性问题 .     

协同过率在工作量估算中的应用

工作量估算是软件项目管理的重要内容之一,协同过滤是一种在历史数据中确定相似用户或物品产生推荐的方法,已成功的应用于电子商务、影视推荐等多个领域,本文将协同过滤技术应用于软件工作量的估算。首先对历史项目集中的数值型数据进行归一化,然后采用均值对缺失值进行插补,余弦用于计算项目的相似度,最后确定项目的近邻集对待评估项目的工作量进行估算。从USP05-FT中选择了4个项目作为实例来说明该估算过程,估算结果与实际值有一些偏差是由于协同过滤仅能处理数值型数据。     

机器学习方法及其技术应用

描述了机器学习系统的基本结构模型，结合几种主要策略的基本思想，比较和分析了它们的优越性和各自的局限性，重点介绍了机器学习方法的技术应用。     

一种基于过程分解的工作量估算模型

专家估算在工作量估算的实际运用中得到广泛的应用,但人们对其估算过程的透明性提出了更高的要求。针对专家估算在这方面的不足,本文提出了一种支持专家估算和类比估算的框架模型,借助Delphi方法,基于过程的分解来减小估算人员的主观影响。该框架简单实用,灵活性强,通过增加估算过程中客观因素的记录,使得估算过程具有较强的透明性和可重复性,适合软件组织实施和推广。     

基于机器学习的软件缺陷预测研究

基于机器学习的软件缺陷预测是一种有效的提高软件可靠性的方法。该方法基于软件模块的统计特性预测软件模块可能出现的缺陷数或是否容易出现缺陷。通过对软件模块缺陷状况的预测,软件开发组织可以将有限的资源集中于容易出现缺陷的模块,从而有效地提高软件产品的质量。基于机器学习的软件缺陷预测近年来出现了很多研究成果,文章概述该领域近年来的主要研究成果,并根据各方法的特点进行了分类。     

回归核极限学习机的多标记学习算法

基于极限学习机(ELM)的多标记学习算法多使用ELM分类模式,忽略标记之间存在的相关性.为此,文中提出结合关联规则与回归核极限学习机的多标记学习算法(ML-ASRKELM).首先通过关联规则分析标记空间,提取标记之间的规则向量.然后通过提出的多标记回归核极限学习机(ML-RKELM)得出预测结果.若规则向量不为空,将规则向量与预测结果运算得出最终预测结果,否则最终结果即为ML-RKELM的预测结果.对比实验表明ML-ASRKELM与ML-RKELM性能较优,统计假设检验进一步说明文中算法的有效性.     

基于协同训练的半监督学习研究

半监督学习,与传统的监督学习不同,能同时在少量的已标记数据和大量的未标记数据上进行学习,从而提高性能。协同训练是一种流行的半监督学习算法,已成为目前机器学习和模式识别领域中的一个研究热点。综述半监督学习协同训练的基本思想、研究现状、常用算法,分析目前存在的主要困难,并指出需进一步研究的几个问题。     

软件发布周期费用估算方法研究

本文对软件维护过程中的发布周期费用估算方法进行了研究,提出了基于发布规划的估算原则,并对整个基于发布规划的费用估算的抽象过程进行分析。     

机器学习的主要策略综述

当前人工智能研究的主要障碍和发展方向之一就是机器学习。机器学习与计算机科学、心理学、认知科学等各种学科都有着密切的联系,牵涉的面比较广,许多理论及技术上的问题尚处于研究之中。对机器学习的一些主要策略的基本思想进行了较全面的介绍,同时介绍了一些最新的进展和研究热点。     

学习的机制在软件开发中的应用

人类的知识来源于学习,伴随着人工智能的发展,学习的机制也被广泛地应用于计算机科学的各个领域中.在软件开发中,提高软件适应性是追求的目标之一.本文阐述了如何通过在软件开发中应用学习的机制,包括不依赖于人工智能原理的方法和基于人工智能原理的方法,来提高软件适应性.两个研究实例展示了如何运用这一思想来开发出具备自我学习能力的软件.