CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

یادگیری دو مرحله ای حساس به هزینه برای تشخیص عیب نرم افزار

اعتبار موردنیاز : ۱ | تعداد صفحات: ۱۶ | تعداد نمایش خلاصه: ۹۱ | نظرات: ۰
سال انتشار: ۱۳۹۴
کد COI مقاله: MAYCOMP01_030
زبان مقاله: فارسی
حجم فایل: ۳۵۹.۲۸ کیلوبایت (فایل این مقاله در ۱۶ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۶ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله یادگیری دو مرحله ای حساس به هزینه برای تشخیص عیب نرم افزار

  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

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.

کلیدواژه‌ها:

تشخیص عیب نرم افزار، یادگیری دو مرحله ای حساس به هزینه ، واریانس، لاپلاس، محدودیت امتیاز

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-MAYCOMP01-MAYCOMP01_030.html
کد COI مقاله: MAYCOMP01_030

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:
محمدی, احسان و عظیم محمدخانی، ۱۳۹۴، یادگیری دو مرحله ای حساس به هزینه برای تشخیص عیب نرم افزار، اولین همایش چشم انداز تکنولوژی کامپیوتر و شبکه در 2030، میبد یزد، دانشگاه آزاد اسلامی واحد میبد، https://www.civilica.com/Paper-MAYCOMP01-MAYCOMP01_030.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: (محمدی, احسان و عظیم محمدخانی، ۱۳۹۴)
برای بار دوم به بعد: (محمدی و محمدخانی، ۱۳۹۴)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 :

  • C. Wohlin and P. Runeso, "Defect content estimations from reviev ...
  • methods, " IEEf Trans. Software Eng., vol. 19, pp. 1045-1054, ...
  • based capture- recapture method in software code inspections, " Empir. ...
  • of capture- recapture models and the detection profile method, " ...
  • _ M. Khoshgoftaar, E. B. Allen, W. D. Jones, and ...
  • design, " IEEE Tran, Software Eng., vol. 20 pp. 476-493, ...
  • ، 22] L. Pelayo and S. Dick, "Evaluating stratification alternatives ...
  • selection, " J. Mach. Learn. Res, vol. 3, pp. 1157-1182, ...
  • pp. 1462-1477, 1988. , ث costs, " IEEE Trans. Software ...
  • boosting in software quality modeling, " in Proc. 7th IEEE ...
  • pre-release defect density, " in Proc. ۲۷h Int. Conf. Software ...
  • reasoning classifiers for predicting high- risk software components, " J. ...
  • in Proc. 30th Int. Conf. Software Eng., Leipzig, Germany, 2008, ...
  • using tempo ral features and non linear models, _ 9th ...
  • in Proc. 21st IEEE Int. Conf. Software Maintenance, 2006, pp. ...
  • S. Kim, Z. T. J. Whitehead, and A. Zeller, "Predicting ...
  • K. Ganesan, T. M. Khoshgoftar, and E. B. Allen, :Case-based ...
  • of software quality, " in Proc. 3rd Int. Conf. Reliab. ...
  • hybrid genetic decision tree induction algorithm, " J. Artif. Intell. ...
  • _ M. Khoshgoftaar, M. P. Evett, E. B. Allen, and ...
  • /52] S. Dick and A. Sadia, "Fuzzy clustering of open-source ...
  • _ vectormachines, _ Syst. Software, vol 81, pp. 649-660, _ ...
  • _ support vector machine, " in Proc. IEEE Int. Conf. ...
  • IEEE Trans. Inf. Foren. Sec, vol. 8, pp. 510-519, 2013. ...
  • Pattern Anat., vol. 32, pp. 1758-1769, 2010. ...
  • _ _ T. Fawcett and . Provost, "Adaptive fraud detection, ...
  • learning from imblanced data sets, _ SIGKDD Explorations Newslett, vol. ...
  • wvith methods addressing the class imbalance problem, _ Trans. Knowl. ...
  • Int. Joint Conf. Artif Intell, Seattle, WA, USA, 2001, pp. ...
  • in Proc. 21st National Conf: Artificial Intelligence, 2006, pp. 567-572. ...
  • cost-sensitive learning, " in Proc. 10th ACM SIGKDD Inf Conf. ...
  • modeling for intrusion detection and response, " J. Computer .2002 ...
  • Y. Sun, M. S. Kamel, A. K C. Wong, and ...
  • boosting, " in Proc. 16th Int. Conf. Machine Learning, 1999, ...
  • C. Seiffert, T. M. Khoshgoftar, .J. V. Hulse, and A. ...
  • /74] A. R. Webb, Statistical Pattern Recognition. : Wiley, 2002. ...
  • IEEE Trans. Pattern Ana., vol. 27, pp. 1226-1238, 2005. ...
  • D. Zhang, S. Chen, and Z. Zhou, :Constraint Score: A ...
  • with pairwise constraints, " Pattern Recogn. vol. 43, pp. 2106-2118, ...
  • C. M. Bishop, Neural Networks for Pattern Recognition. London, U.K.: ...
  • X. He, D. Cai, and P. Niyogi, "Laplacian score for ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه آزاد
    تعداد مقالات: ۱۱۰۸
    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 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.