CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

ارایه یک روش ترکیبی برای پیش بینی خطای نرم افزار برپایه الگوریتم های ژنتیک، درخت تصمیم گیری و شبکه های عصبی

اعتبار موردنیاز PDF: ۱ | تعداد صفحات: ۱۸ | تعداد نمایش خلاصه: ۴۶ | نظرات: ۰
سال انتشار: ۱۳۹۶
کد COI مقاله: CEITCONF01_080
زبان مقاله: فارسی
حجم فایل: ۳۳۸.۶۸ کیلوبایت (فایل این مقاله در ۱۸ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

متن کامل این مقاله دارای ۱۸ صفحه در فرمت PDF قابل خریداری است. شما می توانید از طریق بخش روبرو فایل PDF این مقاله را با پرداخت اینترنتی ۳,۰۰۰ تومان بلافاصله دریافت فرمایید
قبل از اقدام به دریافت یا خرید مقاله، حتما به فرمت مقاله و تعداد صفحات مقاله دقت کامل را مبذول فرمایید.
علاوه بر خرید تک مقاله، می توانید با عضویت در سیویلیکا مقالات را به صورت اعتباری دریافت و ۲۰ تا ۳۰ درصد کمتر برای دریافت مقالات بپردازید. اعضای سیویلیکا می توانند صفحات تخصصی شخصی روی این مجموعه ایجاد نمایند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۸ صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله ارایه یک روش ترکیبی برای پیش بینی خطای نرم افزار برپایه الگوریتم های ژنتیک، درخت تصمیم گیری و شبکه های عصبی

  سیده فهیمه موسوی میبدی - دانشجوی کارشناسی ارشد ، دانشگاه آزاد واحد میبد
  محمدرضا ملاحسینی اردکانی - مربی، دانشگاه آزاد واحد میبد
  کمال میرزایی بدرآبادی - استادیار، دانشگاه آزاد واحد میبد
  محمدرضا ملاخلیلی میبدی - استادیار، دانشگاه آزاد واحد میبد

چکیده مقاله:

کیفیت یکی از مسایل مهم در فرآیند تولید و توسعه ی نرم افزار است. جهت افزایش کیفیت، نقص های نرم افزار باید قبل از انتشار تشخیص داده شوند. از جمله روشهای معتبرسازی سنتی برای تشخیص نقص، آزمون نرم افزار و بازرسی کد است که این روشها از نظر زمانی و منابع بسیار پرهزینه هستند. با توجه به اینکه اکثر نقصهای نرم افزار در بخش کوچکی از ماژولهای آن رخ میدهد، پیش بینی و تشخیص نقصها در مراحل اولیهی توسعهی نرم افزار سبب افزایش کیفیت محصول تولیدی نرم افزار میشود. یکی از موثرترین تکنیکهای پیش بینی نقص نرم افزار، طبقهبندی متریک های نرم افزاری در دو کلاس مستعد نقص و غیر مستعد نقص است. در این تکنیک از روشهای یادگیری ماشین استفاده میشود. از جمله روشهای یادگیری ماشین، شبکه عصبی و درخت تصمیم گیری است که در این پژوهش مورد استفاده قرار میگیرد.دراین تحقیق از مجموعه دادهیKC1 در پایگاه داده NASA استفاده شده است. هر یک از رکوردهای این پایگاه داده معرف یک ماژول است که برای هر ماژول نرم افزاری 21متریک به همراه یک برچسب (مستعد یا غیر مستعد بودن نقص در ماژول) شامل میشود. در این تحقیق دو هدف دنبال میشود.یکی انتخاب بهترین متریک ها از بین 21 متریک نرم افزاری که بهتر کار کلاسبندی را انجام میدهند ودیگری ساخت یک مدل پیش بینی نقص نرم افزار مبتنی بر تکنیکهای یادگیری ماشین و با استفاده از متریک های نرم افزاری برگزیده از مرحله قبل. برای اولین هدف، 6 متریک نرم افزاری با استفاده از الگوریتم ژنتیک به دست آمد و برای دومین هدف از کلاسهبند شبکه عصبی و درخت تصمیمگیری C4.5 جهت ساخت مدل های پیش بینی نقص بهره گرفته شد. برای کلاسه بند درخت تصمیم گیری C4.5 و کلاسه بند شبکه عصبی میانگین صحت به ترتیب برابر با مقادیر 88.5% و 88.37% به دست آمدند که در مقایسه با تحقیقات مشابه، قابل توجه هستند.

کلیدواژه‌ها:

پیش بینی نقص نرم افزار،یادگیری ماشین،شبکه عصبی،الگوریتم ژنتیک،درخت تصمیم

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-CEITCONF01-CEITCONF01_080.html
کد COI مقاله: CEITCONF01_080

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
موسوی میبدی, سیده فهیمه؛ محمدرضا ملاحسینی اردکانی؛ کمال میرزایی بدرآبادی و محمدرضا ملاخلیلی میبدی، ۱۳۹۶، ارایه یک روش ترکیبی برای پیش بینی خطای نرم افزار برپایه الگوریتم های ژنتیک، درخت تصمیم گیری و شبکه های عصبی، کنفرانس ملی کامیپوتر،فناوری اطلاعات و کاربردهای هوش مصنوعی، اهواز، دانشگاه شهید چمران اهواز، https://www.civilica.com/Paper-CEITCONF01-CEITCONF01_080.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (موسوی میبدی, سیده فهیمه؛ محمدرضا ملاحسینی اردکانی؛ کمال میرزایی بدرآبادی و محمدرضا ملاخلیلی میبدی، ۱۳۹۶)
برای بار دوم به بعد: (موسوی میبدی؛ ملاحسینی اردکانی؛ میرزایی بدرآبادی و ملاخلیلی میبدی، ۱۳۹۶)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه آزاد
تعداد مقالات: ۳۰۰۷
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مدیریت اطلاعات پژوهشی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

مقالات پیشنهادی مرتبط

مقالات مرتبط جدید

شبکه تبلیغات علمی کشور

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.