-
公开(公告)号：CN109978051A
公开(公告)日：2019-07-05
申请号：CN201910225643.9
申请日：2019-03-25
Applicant: 北京理工大学
Abstract: 本发明涉及一种监督分类方法，即基于混合神经网络的监督分类方法，属于计算机与信息科学技术领域。该方法包括：使用K‑means算法完成数据划分的初始化；训练局部NN模型；使用EM算法联合优化门控函数和专家模型；通过随机梯度下降(SGD)更新门控网络参数，重新划分数据，利用新划分的数据子集重新训练局部NN模型；重复以上步骤直到收敛。由于本发明提供的监督分类方法将混合神经网络融合至监督分类，既将具有异质性的数据划分为多个同质性数据子集，在每个子集中学习局部专家模型，有效提高分类准确率，又在分类准确率上优于其他多数监督分类算法。
-
公开(公告)号：CN112199287B
公开(公告)日：2022-03-29
申请号：CN202011100263.1
申请日：2020-10-13
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于强化混合专家模型的软件缺陷预测方法，属于计算机与信息科学技术领域。主要解决跨项目软件缺陷预测中混合专家模型未能学习跨项目软件的全局信息造成软件缺陷预测性能下降的问题。本发明首先全局训练随机森林，由森林中的树经过挑选与强化构成专家，然后经过改进的EM算法计算每个样本的后验概率并迭代执行专家模型的挑选与强化过程，最后根据迭代重构后的子簇训练门控网络，组合优化好的专家模型构成完整的强化混合专家模型，预测本项目待预测软件模块的缺陷。结果表明本发明能达到较好的分类效果，进一步提升了跨项目软件缺陷预测的准确率。
-
公开(公告)号：CN112199287A
公开(公告)日：2021-01-08
申请号：CN202011100263.1
申请日：2020-10-13
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于强化混合专家模型的软件缺陷预测方法，属于计算机与信息科学技术领域。主要解决跨项目软件缺陷预测中混合专家模型未能学习跨项目软件的全局信息造成软件缺陷预测性能下降的问题。本发明首先全局训练随机森林，由森林中的树经过挑选与强化构成专家，然后经过改进的EM算法计算每个样本的后验概率并迭代执行专家模型的挑选与强化过程，最后根据迭代重构后的子簇训练门控网络，组合优化好的专家模型构成完整的强化混合专家模型，预测本项目待预测软件模块的缺陷。结果表明本发明能达到较好的分类效果，进一步提升了跨项目软件缺陷预测的准确率。
-
-
Search Results
3
records
(took 0.013 seconds)
