یادگیری دو مرحله ای حساس به هزینه برای تشخیص عیب نرم افزار
- سال انتشار: 1394
- محل انتشار: اولین همایش چشم انداز تکنولوژی کامپیوتر و شبکه در ۲۰۳۰
- کد COI اختصاصی: MAYCOMP01_030
- زبان مقاله: فارسی
- تعداد مشاهده: 703
نویسندگان
دانشگاه آزاد اسلامی ،واحد رفسنجان ،دانشکده کامپیوتر ،دانشجوی گروه مهندسی کامپیوتر ،کرمان ،ایران
دانشگاه آزاد اسلامی ،واحد رفسنجان ،دانشکده کامپیوتر ،دانشجوی گروه مهندسی کامپیوتر ،کرمان ،ایران
چکیده
تشخیص عیب نرم افزار، ماژول نرم افزار را در دو گروه، در معرض عیب و ایمن از عیب تقسیم بندی می کند که یک راه موثر برای بالا نگه داشتن کیفیت سیستمهای نرم افزاری را فراهم می کند. بسیاری از مدل های موجود در حال تلاش اند برا رسیدن به نرخ خطای طبقه بندی شده ای که به لحظ هزینه ای، کمتر از نرخ خطای مدل طبقه بندی نادرست باشد. با این حال،در بسیاری از برنامه های کاربردی در دنیای واقعی،ماژول های در معرض عیب که درست طبقه بندی نشده اند به لحاظ هزینه ای، بالاتر از همان مدل خودشان، اما از نوع ایمن از عیب هستند.در این مقاله،ما برای اولین بار یک روش جدید، دو مرحله ای و حساس به هزینه یا همان برای را با استفاده ازاطلاعات هزینه نه تنها در سطح طبقه بندی شده بلکه در مرحله انتخاب ویژگی مورد بررسی قرار می دهیم. پس از آن،بطور خاص،مرحله انتخاب ویژگی را انجام می دهیم.ما سه الگوریتم انتخاب ویژگی حساس به هزینه داریم امتیاز واریانس حساس به هزینه، امتیاز لاپلاس حساس به هزینه و امتیاز محدودیت حساس به هزینه را با ترکیب کردن با اطلاعات هزینه و با الگوریتم انتخاب ویژگی قدیمی آنها را گسترش می دهیم. روش پیشنهادی در هفت مجموعه داده ی واقعی از پروژه های ناسا مورد بررسی قرار گرفته است. نتایج آزمایشات نشان می دهدکه روش کارایی بهتری در تشخیص عیب نرم افزار در مقایسه با تک مرحله ای حساس به هزینه ی طبقه بندی شده دارد. همچنین آزمایشهای ما نشان می دهد که روش های انتخاب ویژگی حساس به هزینه پیشنهادی بهتر از روش انتخاب ویژگی قدیمی هزینه کور به لحاظ اثراعتبار با استفاده از اطلاعات هزینه در مرحله انتخاب ویژگی دارد.کلیدواژه ها
تشخیص عیب نرم افزار، یادگیری دو مرحله ای حساس به هزینه ، واریانس، لاپلاس، محدودیت امتیازمقالات مرتبط جدید
- سودآوری مشتریان در خردهفروشی قطعات یدکی ماشین آلات راهسازی با رویکرد یادگیری ماشین
- ارائه روشی کارآمد جهت شناسایی کودکان نیازمند به پیوند مغز استخوان با استفاده از ترکیب طبقه بند ماشین بردار پشتیبان و الگوریتم بهینه سازی فاخته
- استخراج بهینه پارامترهای تاثیر گذار الگوریتم بهینه سازی بوفالوی آفریقایی با هدف استخراج ویژگی های مهم به منظور افزایش کارایی طبقه بندی داده ها
- ارائه روشی کارآمد برای بهبود عملکرد الگوریتم بهینه سازی کلاغ سیاه به منظور افزایش صحت خوشه بندی داده ها
- استفاده از الگوریتم باور بیزین در لایه کاملا متصل شبکه عصبی کانولوشن با هدف افزایش دقت تشخیص تصاویر
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.