公开(公告)号：CN111338972A

公开(公告)日：2020-06-26

申请号：CN202010234064.3

申请日：2020-03-30

Applicant: 北京计算机技术及应用研究所

Inventor： 吴超 ,  柯文俊 ,  张在进 ,  高晨 ,  杨雨婷 ,  王坤龙

IPC: G06F11/36

Abstract: 本发明涉及一种基于机器学习的软件缺陷与复杂度关联关系分析方法，涉及人工智能、大数据技术领域。本发明提出一种基于机器学习的软件缺陷与复杂度关联关系分析方法，基于大量的软件测试数据，分别通过单因素方差检验、高斯混合模型的方式探究不同类别软件缺陷的数目与复杂度、软件类型等多因素之间的关系。在高斯混合模型的方式中，通过对复杂度度量结果进行清洗、处理，量化计算软件缺陷数与每一个复杂度度量元之间的影响关系，并基于AOV网络、关联分析等方法客观分析软件缺陷与多软件复杂度度量元之间的涌现特征，进而计算出影响软件缺陷的关键复杂度因素。

公开(公告)号：CN111160535A

公开(公告)日：2020-05-15

申请号：CN201911412304.8

申请日：2019-12-31

Applicant: 北京计算机技术及应用研究所

Inventor： 杨雨婷 ,  吴超 ,  张在进 ,  高晨 ,  陈旭

IPC: G06N3/04 ,  G06N3/08 ,  G06N3/063

Abstract: 本发明涉及一种基于Hadoop的DGCNN加速方法，其中，包括：利用MapReduce实现训练样本和计算答案初始位置与结束位置的并行化，分布式地存储在Hadoop平台的每个节点上，每个节点都存储一个相同的完整的卷积神经网络，对于各小块中的每一个样本，节点都执行一次前向传播和反向传播计算，得出各个权值和偏置的局部改变量以及位置信息，接着汇总每个权值和偏置的局部改变量从而得到全局改变量，多次用全局改变量更新权值之后，获得最终网络；使用CUDA进行特征矩阵、神经元以及权值的并行化，为每一层的特征矩阵启动一个线程格，线程块中每个线程对应一个神经元，使得神经元并行，在误差反向传播中，用一个线程对应一个权值，计算该权值的局部梯度改变量，使得权值并行。

公开(公告)号：CN111160535B

公开(公告)日：2024-01-30

申请号：CN201911412304.8

申请日：2019-12-31

Applicant: 北京计算机技术及应用研究所

Inventor： 杨雨婷 ,  吴超 ,  张在进 ,  高晨 ,  陈旭

IPC: G06N3/098 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明涉及一种基于Hadoop的DGCNN加速方法，其中，包括：利用MapReduce实现训练样本和计算答案初始位置与结束位置的并行化，分布式地存储在Hadoop平台的每个节点上，每个节点都存储一个相同的完整的卷积神经网络，对于各小块中的每一个样本，节点都执行一次前向传播和反向传播计算，得出各个权值和偏置的局部改变量以及位置信息，接着汇总每个权值和偏置的局部改变量从而得到全局改变量，多次用全局改变量更新权值之后，获得最终网络；使用CUDA进行特征矩阵、神经元以及权值的并行化，为每一层的特征矩阵启动一个线程格，线程块中每个线程对应一个神经元，使得神经元并行，在误差反向传播中，用一个线程对应一个权值，计算该权值的局部梯度改变量，使得权值并行。