یادگیری دو مرحله ای حساس به هزینه برای تشخیص عیب نرم افزار
سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 583
فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
MAYCOMP01_030
تاریخ نمایه سازی: 5 بهمن 1395
چکیده مقاله:
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:
نویسندگان
احسان محمدی
دانشگاه آزاد اسلامی ،واحد رفسنجان ،دانشکده کامپیوتر ،دانشجوی گروه مهندسی کامپیوتر ،کرمان ،ایران
عظیم محمدخانی
دانشگاه آزاد اسلامی ،واحد رفسنجان ،دانشکده کامپیوتر ،دانشجوی گروه مهندسی کامپیوتر ،کرمان ،ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :