ارائه یک مدل براساس ترکیب خوشه بندی و طبقه بندی تک کلاسه مبتنی برقواعد برای پیش بینی خطاهای نرم افزارCECIT
محل انتشار: کنگره ملی مهندسی برق، کامپیوتر و فناوری اطلاعات
سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,438
فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
CECIT01_431
تاریخ نمایه سازی: 14 شهریور 1392
چکیده مقاله:
برای اطمینان ازکیفیت نرم افزارازمون نرم افزار یک مرحله اساسی درمهندسی نرم افزار است که فرایندی پرهزینه و زمان برمیب اشد یکی ازفاکتورهایی که برای کاهش هزینه و بهبود فرایند ازمون نرم افزاربکارمیرود تعیین ماژول ها و یا کلاسهای مستعدخطا می باشد به همین دلیل تکنیکهای مختلفی درزمینه پیش بینی ماژولهای مستعدخطا بهوجود آمده اهست تا عمل ازمون روی ماژولهایی ازنرم افزار معطوف شود که مستعدخطا هستند تحقیقات دراین زمینه بیشتر معطوف به استفاده ازتکنیکهای اماری و یادگیری ماشین برای ایجاد مدلهای پیش بینی خطا بود هاست اما ایراد این روشها این است که علاوه براینکه هنگام مواجه شدن با داده های نامتوازن به درستی عمل نمی کنند قابلیت درک پایینی نیز دارند دراین مقاله با ترکیب الگوریتم خوشه بندی کرنل K-means و الگوریتم بهینه سازی ازدحام ذرات چندهدفه مبتنی برفاصله ازدحامی DSMOPSO یک مدل پیش بینی با استفاده ازمفهوم جوابهای پارتو معرفی شده است درمدل ارایه شده علاوه براینکه قاعده های استنتاج شده توسط الگوریتم قابلیت درک بالای داشته و به اسانی توسط ازمون کننده ها قابل تفسیر می باشد دقت پیش بینی مناسبی نیز درمقایسه با دیگرمدلهای یادگیری ماشین دارد.
کلیدواژه ها:
نویسندگان
یوسف عبدی
دانشگاه آزاد اسلامی شبستر
سعید پارسا
دانشگاه علم و صنعت
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :