5个研究背景和意义示例,教你写计算机软件度量论文

今天分享的是关于软件度量的5篇计算机毕业论文范文, 如果你的论文涉及到软件度量等主题,本文能够帮助到你

基于Struts的缺陷度量和管理系统的研究与实现

这是一篇关于MVC,Struts,软件缺陷,软件度量,缺陷度量的论文, 主要内容为缺陷管理作为软件项目管理中的重要环节，目前其管理模式依然是：找出缺陷、修改缺陷、进行回归测试这种面向流程处理的传统模式。如何有效的对软件缺陷进行管理?如何对缺陷进行分类从而确定缺陷的优先级，以方便管理?如何从缺陷管理中获得更多项目管理需要的信息?如何通过缺陷管理来分析软件的可靠性，分析软件质量等一系列问题从现有的缺陷管理工具和管理方法中是无法找到答案的。本文针对以上问题和实际缺陷管理中迫切需要解决的需求，应用在WEB开发中非常流行的MVC模式的实现框架Struts，并对Struts框架做了详细的分析；在与数据库操作数据方面采用了JAVA持久化技术的Hibernata技术；将软件度量理论引入到缺陷管理之中，对传统的缺陷管理模式进行了改进，实现了缺陷度量和管理软件。使得整个缺陷管理过程进入一种可以量化的阶段，同时提高了整个缺陷监控和处理的效率，并能够向项目的决策者提供更多的有关软件质量和软件开发过程控制的信息，最终在现有缺陷管理模式的基础上有所创新，以充分发挥缺陷管理在项目开发管理阶段的作用。本文的主要研究内容和创新点： 1．详细分析了当前国内外流行的缺陷管理工具的现状和特点。 2．全面分析了软件度量理论的发展现状和特点。 3．全面介绍了MVE模式和Struts框架的基本概念和特点。 4．针对当前缺陷管理中所存在的问题和软件度量理论的基本思想，提出了一种新的基于度量的缺陷管理方法。 5．提出了具体的计划和实施缺陷度量的整个处理过程和缺陷度量数据的分析方法。 6．将本文中所研究的理论转化为实际的成果。

基于数据挖掘的软件缺陷管理

这是一篇关于软件缺陷,软件度量,数据挖掘,模糊聚类分析的论文, 主要内容为随着全球软件开发相关技术日新月异的发展和人们对软件质量与软件功能的需求水平的日益提高,软件开发规模越来越大,复杂程度越来越高,从而使得软件测试中所收集的缺陷度量数据量越来越多甚至达到海量。数据挖掘是使用模式识别技术,统计和数学技术,在大量的,不完整的,随机的数据中,提取隐含在其中,但又是潜在的有用的信息和知识。本文研究了数据挖掘技术在软件度量数据分析中的应用,同时在分析了现有的软件缺陷管理工具的主要特点和局限性的基础上,提出了一个基于数据挖掘技术的度量数据分析的软件缺陷管理平台。最后,本文采用Java与jsp语言开发了一个基于数据挖掘技术的度量数据分析的软件缺陷管理系统,初步实现了对缺陷度量数据的自动收集,分类和分析,以及对分析结果的可视化显示等功能。

基于Boosting的设计模式识别方法研究

这是一篇关于设计模式识别,Boosting算法,特征提取,软件度量,微结构的论文, 主要内容为设计模式广泛应用于软件开发中,是针对软件开发常出现的问题,总结出处理软件复杂逻辑的方案,同时提供优秀的软件架构。设计模式可以有效提高面向对象系统的开发人员的工作效率,并且提高面向对象程序的可维护性和可靠性。然而,当开发的文档记录不够充分或过时,设计模式在目标系统的使用情况就会丢失,开发人员无法利用已有的设计模式进行理解或者重构程序。因此,在面向对象的系统源代码中,识别出已使用的设计模式具有重要意义。由于系统代码的动态行为信息难以获取,导致对于行为型设计模式以及变体的识别比较困难。鉴于Boosting模型算法应用在各种领域性能优异,且鲁棒性比较强。为提高对于结构型、创建型以及行为型设计模式的识别准确度,对不同分类模型识别设计模式的性能进行研究,提出基于Boosting模型的设计模式识别方法,主要研究工作如下:(1)数据集标注。首先需要对代码数据进行收集和分析,本文选取了组合模式、单例模式、工厂模式、对象适配器模式以及观察者设计模式。根据设计模式的特点,对这五类设计模式结合基础特征和人工纠偏的方式进行Java代码数据集标注。(2)特征提取与处理。传统机器学习方法提取的特征不够完善,仅包含静态的结构信息,比较单一。提取计数向量时需要对代码数据采用类似于文本处理的方式去除多余特征,减少数据噪声。后续引入计数向量、软件度量和微结构进行完善特征,更全面的获取系统代码中的结构和行为信息,以提高机器学习分类模型识别的准确率。并且计数向量可以降低数据标注成本,获取代码的语义信息可作为辅助识别特征。特征处理主要采用SMOTE增强数据和Minmax归一化预处理方法提高数据的稳定性。(3)研究机器学习分类模型的训练过程。在分类模型训练阶段,对比二分类任务与多分类任务在各种分类模型的训练结果,确定出Boosting模型。同时通过调整数据集的划分、交叉验证方法来确保训练效果,最后采用正交调参的方法来优化Boosting模型。(4)实验环节分阶段对实验结果进行分析。选取JRefactory v2.9.19等经典开源项目分阶段实验并分析结果,并且通过多个实验指标与其他方法对比,验证本文方法可以有效地提高对于结构型、创建型以及行为型设计模式的识别准确率。

基于复杂网络的软件缺陷评估模型研究

这是一篇关于复杂网络,软件缺陷评估,软件度量,软件网络的论文, 主要内容为随着软件的应用领域不断扩大,人们对软件服务的要求越来越高,软件的规模与复杂程度日益剧增,软件系统存在着各类软件缺陷,软件质量难以保障。传统的软件度量方法主要关注软件局部特征,度量的粒度较小,导致应用传统软件度量方法的软件缺陷评估模型具有一定的局限性。软件系统结构中复杂网络特性的发现给软件结构特征度量研究提供了新的思路,可以运用复杂网络理论与方法从软件网络的角度度量软件结构特征,发现软件中较为复杂或者重要的软件实体,因此,利用复杂网络理论与方法研究软件缺陷评估模型具有重要意义。本文从软件网络的角度出发,运用复杂网络理论与方法,并结合结构化程序度量方法和面向对象软件度量方法,对软件结构特征进行度量,将软件缺陷评估看作3个分类或回归的子问题,包括每个类是否存在缺陷、软件缺陷严重度评估和软件缺陷优先级评估,根据软件结构特征的度量数据与软件缺陷数据,进行机器学习,构建出基于复杂网络的软件缺陷评估模型,该模型可以评估类层次的软件缺陷,给出每个类有无缺陷、缺陷的严重度及缺陷的优先级。本文在Windows 7环境下针对开源软件Hibernate构建了基于复杂网络的软件缺陷评估模型,经过实验数据对比,每个子模型均选用随机森林模型,实验结果表明了该软件缺陷评估模型的有效性和准确性。