-
公开(公告)号：CN111400180A
公开(公告)日：2020-07-10
申请号：CN202010177397.7
申请日：2020-03-13
Applicant: 上海海事大学
Abstract: 本发明公开了一种基于特征集划分和集成学习的软件缺陷预测方法，该方法将原始数据集划分为训练数据集和测试数据集，将训练数据集分为若干个特征子集；选择K个基分类器用于集成学习，再根据基分类器及其对应的权重合成每个特征子集的集成分类器；选择出与输入实例最相似的特征子集，并以其集成分类器对输入实例进行缺陷预测，建立软件缺陷预测模型；对测试数据集进行划分并寻找与输入实例最相似的特征子集；搜索质心集和权重集的最优取值，结合测试数据集的最相似特征子集，优化软件缺陷预测模型。其优点是：该方法不仅可以移除缺陷预测数据集中的冗余特征，减小算法的搜索空间，还可以有效缓解软件缺陷历史数据特征维度高的问题。
-
公开(公告)号：CN110738022A
公开(公告)日：2020-01-31
申请号：CN201911006403.6
申请日：2019-10-22
Applicant: 上海海事大学
IPC: G06F40/109 , G06F40/166 , G06F40/154
Abstract: 本发明公开了一种基于操作转换的HTML实时协同编辑方法，包括以下步骤：步骤1：将HTML文档分层建模，生成树形层次结构模型；步骤2：根据树形层次结构模型确定操作节点的地址；步骤3：根据操作节点的地址执行本地操作生成本地操作信息；步骤4：多个用户端协同操作，本地用户端接收远程操作信息，并将本地操作信息发送至其他用户端；步骤5：将本地操作信息与远程操作信息进行依赖检查；若存在依赖关系，则无需进行操作转换；若不存在依赖关系，则进行操作转换，完成实时协同编辑。此方法解决了传统线性序列模型编辑文档局限大和编辑系统复杂、不简便的问题，实现了包含丰富属性数据文档的编辑，保证了基于操作转换的实时协同编辑系统的使用简便性。
-
公开(公告)号：CN109885767A
公开(公告)日：2019-06-14
申请号：CN201910120018.8
申请日：2019-02-18
Applicant: 上海海事大学
IPC: G06F16/9535 , G06F16/958
Abstract: 本发明提供了一种基于GitHub的软件资产推荐的方法及系统。该方法包括：根据GitHub平台的开发人员数据和软件资产数据，呈现出目前开发人员和软件代码开发的情况，有助于开发人员和软件资产的全面统计和分析；建立开发者信息模型A、软件资产信息模型B；收集开发人员对软件和代码开发的行为信息，建立开发者-行为矩阵模型C；利用基于开发者相似性度量和行为预测的协同过滤推荐技术对目标开发者推荐出最符合需求的Top-n个软件资产，即Top-n推荐模块；从而解决了开发者浪费大量时间去寻找最符合需求的软件资产的问题，同时根据软件资产推荐系统，也为软件开发人员提供了有效的开发资源和开发方向，促进了软件资产市场的快速发展。
-
公开(公告)号：CN112527675A
公开(公告)日：2021-03-19
申请号：CN202011532907.4
申请日：2020-12-22
Applicant: 上海海事大学
Abstract: 本发明提供一种轻量级的软件缺陷预测方法。包含步骤：S1、获取用户提交的项目代码；S2、Spotbugs工具分析Java代码文件；S3、同项目历史缺陷数据与本次数据对比；S4、设置最小支持度和最小置信度；S5、FBCM算法进行关联算法分析；S6、项目评级、缺陷、预测结果的可视化、对缺陷留言。本发明区别于常见的代码分析工具只能分析本次提交项目的代码，不仅能反映长时间项目的缺陷情况，还能对软件缺陷进行预测，实现软件项目或产品质量的控制和管理。
-
公开(公告)号：CN104016989A
公开(公告)日：2014-09-03
申请号：CN201410271352.0
申请日：2014-06-18
Applicant: 上海海事大学
IPC: C07D487/04
Abstract: 本发明公开了一种合成蕨藻红素的方法，该方法中，蕨藻红素是以苯肼和3-氧代-1，5-戊二酸二甲酯为原料，经如下合成路线制备： ；具体合成步骤为：步骤1，以苯肼2和3-氧代-1，5-戊二酸二甲酯3为原料，在酸催化剂下，经菲舍尔吲哚反应制备2-（3’-甲氧羰基）吲哚-乙酸甲酯4：步骤2，2-（3’-甲氧羰基）吲哚-乙酸甲酯4在碱催化剂下，经克莱森酯缩合制备中间体5；步骤3，中间体5经催化氢化或NaBH4还原、脱水得到蕨藻红素1。相比已有的蕨藻红素的合成路线，本发明提供的合成方法原料价廉易得；反应条件温和，每步均可常温反应，操作步骤简便，易于较大量合成，能用于工业生产。
-
Patent Agency Ranking
公开(公告)号：CN102079722B
公开(公告)日：2013-07-24
申请号：CN201010131254.9
申请日：2010-03-24
Applicant: 上海海事大学
IPC: C07D213/80 , C07D213/803
Abstract: 本发明所要解决的技术问题在于，提供5-三氟甲基烟酸及其衍生物的合成方法，以式V为底物，在酸中反应得到5-三氟甲基烟酸及其衍生物式VI。其中，所述的R1为-Et酯基、-H基中的一种，R2为氘或-H基。本发明的5-三氟甲基烟酸及其衍生物的制备方法，操作简便，产品质量好，收率高，适合大量制备。
-
公开(公告)号：CN102079722A
公开(公告)日：2011-06-01
申请号：CN201010131254.9
申请日：2010-03-24
Applicant: 上海海事大学
IPC: C07D213/80 , C07D213/803
Abstract: 本发明所要解决的技术问题在于，提供5-三氟甲基烟酸及其衍生物的合成方法，以式V为底物，在酸中反应得到5-三氟甲基烟酸及其衍生物式VI。其中，所述的R1为-Et酯基、-H基中的一种，R2为氘或-H基。本发明的5-三氟甲基烟酸及其衍生物的制备方法，操作简便，产品质量好，收率高，适合大量制备。
-
公开(公告)号：CN111400180B
公开(公告)日：2023-03-10
申请号：CN202010177397.7
申请日：2020-03-13
Applicant: 上海海事大学
IPC: G06F11/36 , G06F18/241 , G06F18/214 , G06N3/126
Abstract: 本发明公开了一种基于特征集划分和集成学习的软件缺陷预测方法，该方法将原始数据集划分为训练数据集和测试数据集，将训练数据集分为若干个特征子集；选择K个基分类器用于集成学习，再根据基分类器及其对应的权重合成每个特征子集的集成分类器；选择出与输入实例最相似的特征子集，并以其集成分类器对输入实例进行缺陷预测，建立软件缺陷预测模型；对测试数据集进行划分并寻找与输入实例最相似的特征子集；搜索质心集和权重集的最优取值，结合测试数据集的最相似特征子集，优化软件缺陷预测模型。其优点是：该方法不仅可以移除缺陷预测数据集中的冗余特征，减小算法的搜索空间，还可以有效缓解软件缺陷历史数据特征维度高的问题。
-
公开(公告)号：CN112559682A
公开(公告)日：2021-03-26
申请号：CN202011405987.7
申请日：2020-12-03
Applicant: 上海海事大学
IPC: G06F16/33 , G06F16/9535 , G06K9/62
Abstract: 本发明提供一种基于GitHub软件仓库数据集的开源项目个性化检索推荐方法，包括：对GitHub活动数据集进行预处理，形成“标题‑描述‑URL”数据集和“标题‑Star‑watch‑fork”数据集；基于Milvus搜索引擎结合Bert预处理模型搭建关键字搜素引擎，并将“标题‑描述‑URL”数据集作为搜索数据源；接收用户输入的查询关键字，使用所述关键字搜索引擎进行软件资源检索定位，获得开源项目候选集；根据所述“标题‑Star‑watch‑fork”数据集对所述开源项目候选集中各个候选项目进行质量评分；根据质量评分结果，将Top‑N的候选项目推荐给用户。本发明对于开源软件项目本身进行质量评估，从而提升搜索结果的质量，提升搜索项目的可参考性。
-
公开(公告)号：CN110674631A
公开(公告)日：2020-01-10
申请号：CN201910899785.3
申请日：2019-09-23
Applicant: 上海海事大学
IPC: G06F40/216 , G06F16/35 , G06Q10/06
Abstract: 本发明公开了一种基于版本提交信息的软件缺陷自动分派方法，包括以下步骤：步骤1：提取commit信息和bug信息，并建立commit信息模型和bug信息模型；步骤2：bug信息模型基于LDA模型进行计算，得到bug-topic列表；步骤3：对commit信息模型和bug信息模型进行相似度匹配，得出bug-fixer列表；步骤4：将bug-topic列表与bug-fixer列表相互映射，得到fixer-topic列表；步骤5：任意一种bug信息对应的bug-topic列表通过fixer-topic列表进行分派比对，匹配出合适的软件缺陷修复者。此方法解决了源码文件定位准确率低和修复者工作量巨大的问题，充分挖掘commit库中有价值的信息，精准定位源码文件及其开发者，有效的提高了缺陷分派的准确度，实现了软件缺陷的自动分派，减小了修复者的工作量。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.018 seconds)
