基于代码异味的软件重构预测方法

    公开(公告)号:CN114138328A

    公开(公告)日:2022-03-04

    申请号:CN202111468006.8

    申请日:2021-12-03

    Abstract: 本发明公开了一种基于代码异味的软件重构预测方法。该方法基于LGBM和Logistic Regression来实现软件重构的预测,合理利用了存在于源代码文件中蕴含的结构性信息、代码异味的强度和历史性信息,凭借不同信息度量之间强大的互补性提高了预测的效果。此外,通过过采样技术SMOTE解决了样本比例不均衡的问题。通过本发明方法能够高效预测软件的重构时机,对于软件的可维护性和可拓展性的提升具有非常重要的意义。

    一种基于多层迭代的软件维护规模预测方法

    公开(公告)号:CN114154730A

    公开(公告)日:2022-03-08

    申请号:CN202111491975.5

    申请日:2021-12-08

    Abstract: 本发明公开了一种基于多层迭代的软件维护规模预测方法,首先进行数据获取:获取一个现有公开软件系统中所有可用的类,记为训练数据集,然后度量因子选择:获取训练数据集中的各类的原始度量值;采样度量归一化处理训练数据集,再进行训练数据采样:将归一化后的训练数据集分为验证集和训练集;之后构建并训练多层迭代的预测模型:最后通过训练好的多层迭代的预测模型完成软件维护规模的预测。本发明通过设计多层迭代模型不断排除预测效果不好的中间层模型,最终获得比较精确的软件维护规模的预测模型。使用本发明提出的方法预测软件维护规模,最终得到了较好结果,能够准确地预测软件的维护规模。

    一种基于多层迭代的软件维护规模预测方法

    公开(公告)号:CN114154730B

    公开(公告)日:2025-05-06

    申请号:CN202111491975.5

    申请日:2021-12-08

    Abstract: 本发明公开了一种基于多层迭代的软件维护规模预测方法,首先进行数据获取:获取一个现有公开软件系统中所有可用的类,记为训练数据集,然后度量因子选择:获取训练数据集中的各类的原始度量值;采样度量归一化处理训练数据集,再进行训练数据采样:将归一化后的训练数据集分为验证集和训练集;之后构建并训练多层迭代的预测模型:最后通过训练好的多层迭代的预测模型完成软件维护规模的预测。本发明通过设计多层迭代模型不断排除预测效果不好的中间层模型,最终获得比较精确的软件维护规模的预测模型。使用本发明提出的方法预测软件维护规模,最终得到了较好结果,能够准确地预测软件的维护规模。

Patent Agency Ranking