一种面向跨项目软件缺陷预测的特征过滤与实例迁移框架

在跨项目软件缺陷预测中,源项目与目标项目的特征关联度与实例分布差异性是影响预测模型性能的主要因素。本文从特征过滤与实例迁移2个角度出发,提出一种跨项目软件缺陷预测框架KCF-KMM(K-medoids Cluster Filtering- Kernel Mean Matching)。在特征过滤阶段,该方法基于K-medoids聚类算法来筛选特征子集,过滤与目标项目关联度低的特征。在实例迁移阶段,通过KMM算法计算源项目与目标项目实例间的分布差异度,以此分配每个训练实例的影响权重。最后,结合目标项目中少量有标注数据建立混合缺陷预测模型。为了验证KCF-KMM的有效性,本文从准确率和F1值的角度出发,分别与经典的跨项目软件缺陷预测方法TCA+、TNB和NNFilter相比,KCF-KMM的预测性能在Apache数据集上可以分别提升34.1%、0.8%、21.1%和14.4%、3.7%、10.6%。     

基于动态角色分配的一致性协同无人机编队控制

随着微电子技术、数字通信技术的飞速发展,无人机编队已应用到许多领域。针对无人机编队保持和编队中能耗问题,提出了一种基于动态角色分配的一致性协同无人机编队控制方法。根据无人机运动学模型设计了一种反馈线性化姿态控制器。在此基础上,基于长机僚机模式设计了一种一致性编队控制算法,提升了编队系统的鲁棒性。同时,设计了一种基于匈牙利算法动态角色分配方法,使多无人机在执行任务过程中可依据具体的周围环境情况来重新制定编队方案确定各无人机位置以此来缩小执行任务周期,同时减小整体能量消耗,并以5架无人机构成编队为例开展了编队飞行仿真分析。仿真结果表明,基于动态角色分配的一致性协同无人机编队控制算法保证了编队控制系统的控制精度和鲁棒性,有效地减小了整体的能量消耗。