基于模糊神經(jīng)網(wǎng)絡的軟件質(zhì)量預測模型研究.pdf

1、在軟件開發(fā)的早期階段若能對將要形成的軟件產(chǎn)品的質(zhì)量進行預測，一方面可以盡早發(fā)現(xiàn)軟件設計中的錯誤，避免它們被延續(xù)到開發(fā)的后期階段；另一方面可以針對目標軟件某些質(zhì)量屬性的期望指標找到合適的軟件設計方案，提供給軟件設計人員參考。這對實現(xiàn)最終軟件產(chǎn)品的質(zhì)量控制、減小軟件設計的主觀性、避免昂貴的重設計等具有十分重要的意義。 然而傳統(tǒng)的軟件質(zhì)量預測模型具有以下不足：1)沒有全面有效地描述眾多影響因素對目標軟件質(zhì)量的影響；2)不能同時處理精確

2、及模糊等多種形態(tài)的數(shù)據(jù)；3)模型不能適用于在軟件開發(fā)的早期階段已知信息很少的情況。 針對以上問題，本文開展了基于模糊神經(jīng)網(wǎng)絡的軟件質(zhì)量預測模型研究。由于神經(jīng)網(wǎng)絡具有非線性逼近能力、學習和自適應能力，但是難于處理不確定信息，并且對知識的解釋十分困難。而相反地，模糊邏輯具有較強的推理功能，并且善于運用專家知識和經(jīng)驗來表達不確定信息，但同時，又具有學習能力差、不能自適應的缺點。本文根據(jù)模糊邏輯和人工神經(jīng)網(wǎng)絡具有功能互補的特點，提出了一

3、種具有處理不完全信息、混合形式數(shù)據(jù)及知識解釋能力的模糊神經(jīng)網(wǎng)絡軟件質(zhì)量預測模型，并研究了該模型在軟件生產(chǎn)線和面向?qū)ο蟮能浖|(zhì)量預測中的應用。本文還研究了模型的訓練算法，包括基于批處理模式的BP算法、基于遞增模式的BP算法、總和型遺傳算法及最大值型遺傳算法。最后，通過對模型訓練的仿真實驗對比了各算法的性能。 實驗結(jié)果證明，本文提出的模糊神經(jīng)網(wǎng)絡預測模型很好地實現(xiàn)了對軟件質(zhì)量的預測，并且可以兼容處理模糊數(shù)據(jù)和精確數(shù)據(jù)。同時，在不完全