基于机器学习的无低内存解析器异味检测方法

代码异味是指影响代码维护过程并降低软件质量的糟糕代码设计或实现。因此,代码异味检测在软件重构中非常重要。文章使用五种传统机器学习模型,对Android特有代码异味进行检测。为了获取机器学习模型所需的大量样本数据,文章构建了一个Java代码异味数据集,该数据集包含14,000个样本,并从源代码中提取46个特征。此外,还使用开源Android应用程序进行实验验证。结果表明,随机森林是检测无低内存解析器异味中性能最好的模型,实现了最高的F1值0.928。     

三支决策和MOOC相结合的 软件测试教学模式探究

根据目前软件测试教学过程中存在的问题,将三支决策理论引入软件测试教学领域,并结合基于MOOC的混合式教学方式,提出三支决策和MOOC相结合的软件测试课程教学模式(TWDMOOC)。     

保持语义不变的C克隆代码预处理方法

克隆代码检测工具的输出结果由于存在克隆检测不一致性缺陷的误检和检测出的克隆代码不能直接用于重构的问题,需要对检测工具的输出结果进行预处理。为了解决该问题,提出一种新的克隆代码预处理方法。首先,将自适应K-最近邻聚类方法与程序依赖图相结合,用于降低克隆不一致性相关缺陷检测的误检。然后,使用基于代价-收益分析的评估方法,在消除缺陷后的克隆代码中识别可重构的克隆代码。实验结果表明,该预处理方法,不仅降低了克隆不一致性相关缺陷检测工具产生的误检,提高了可重构克隆代码的数量,而且将克隆代码检测与克隆代码重构两个过程连接为一个有机的整体,有利于提高软件的质量,降低软件维护的成本。     

基于小波系数和BP神经网络的电力系统短期负荷预测

提出了一种基于小波系数和BP神经网络相结合的电力系统短期负荷预测新方法.把过去直接对负荷序列的预测替代为对小波系数的预测,并对小波细节系数作分层软阈值处理.详细介绍了小波系数结合BP神经网络进行预测的新方法,并给出算例验证.     

一种基于DBSCAN算法的代码包层次重构改进方法

在包层次的代码重构研究中,为了得到"高内聚、低耦合"的软件结构,层次聚类算法因其简单有效、聚类精度高等特点被认为是一种较好的软件聚类方法.但是,层次聚类算法时间复杂度高,不利于处理较大规模的软件.而基于密度聚类的DBSCAN算法则与之相反,具有较快的聚类速度,但是精度却较低.因此,提出一种基于DBSCAN的软件层次聚类...     

基于小波系数和BP神经网络的电力系统短期负荷预测

提出了一种基于小波系数和BP神经网络相结合的电力系统短期负荷预测新方法。把过去直接对负荷序列的预测替代为对小波系数的预测,并对小波细节系数作分层软阈值处理。详细介绍了小波系数结合BP神经网络进行预测的新方法,并给出算例验证。     

基于小波系数和BP神经网络的电力系统短期负荷预测

提出了一种基于小波系数和BP神经网络相结合的电力系统短期负荷预测新方法。把过去直接对负荷序列的预测替代为对小波系数的预测,并对小波细节系数作分层软阈值处理。详细介绍了小波系数结合BP神经网络进行预测的新方法,并给出算例验证。     

机器学习在Android代码异味检测中的应用

由于现有代码异味检测方法存在多方面的限制,无法准确高效的检测Android代码异味共存,提出基于机器学习的Android代码异味共存检测方法。首先提出并实现工具ASSD得到分离好的正负样本集,提取源代码中的文本信息作为机器学习分类器的输入,从而实现机器学习检测Android代码异味共存。设计对比实验,实验结果表明机器学习可以检测Android代码异味共存,并且检测效果较现有基于静态程序分析的检测方法有较大提升,其中随机森林模型效果最好,其F1值提升了22%。     

Android应用程序中代码异味共存现象的实证研究

相对于单一类型的代码异味,代码异味共存现象更具危害性。已有实证研究大多聚焦于分析桌面应用程序中代码异味的共存现象,缺少对Android应用程序中代码异味共存现象的研究。为了研究Android应用程序中代码异味的共存现象,并与桌面应用程序中代码异味共存现象进行比较,分别对285个Android应用程序和30个桌面应用程序进行检测,对检测出来的10种异味进行分析。首先,根据检测结果计算受到多种异味影响的类的百分比。然后,使用公式计算代码异味共存的频率,最后,使用Spearman相关系数分析代码异味共存与应用程序规模的关系。结论如下：a）在Android应用程序中受到一种以上代码异味共同干扰的类占有异味的类的总数的31.04%;b）在两个平台的应用程序中,两对代码异味brain class—brain method和god class—brain method共存的频率较高;c）一种异味、两种异味共存、三种异味共存与Android应用程序的规模具有较强的相关性。