CN109885482A - 基于少样本数据学习的软件缺陷预测方法 - Google Patents
基于少样本数据学习的软件缺陷预测方法 Download PDFInfo
- Publication number
- CN109885482A CN109885482A CN201910040317.0A CN201910040317A CN109885482A CN 109885482 A CN109885482 A CN 109885482A CN 201910040317 A CN201910040317 A CN 201910040317A CN 109885482 A CN109885482 A CN 109885482A
- Authority
- CN
- China
- Prior art keywords
- sample
- data
- study
- learning
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于少样本数据学***衡的数据集上获得更好的预测效果，而且在不同的不平衡率下，性能更加稳定；还能够在较少数据和时间等条件下，取得更好的预测结果。
Description
技术领域
本发明属于软件工程领域，涉及一种基于少样本数据学习的软件缺陷预测方法。
背景技术
软件缺陷预测是用已有的历史数据来预测软件中是否存在缺陷，它是软件维护中的一项重要任务，直接关系到软件成本和软件质量。目前主要利用机器学***衡的，传统的机器学习算法不但需要大量的数据来对所构建的模型进行训练，还很难从高维数据中学得有效的深度表征，特别是在软件测试的早期阶段。
针对有限的软件缺陷数据，LinChen等人(L.Chen,B.Fang,Z.Shang,Y.Tang,Negative samples reduction in cross-company software defects prediction,Information and Software Technology 62(1)(2015)67-77.)提出两阶段迁移学习促进算法从跨公司数据中提取最相似的样本作为训练集，增加训练集样本量，但容易引入新的冗余样本。Yu等人(Q.Yu,S.Jiang,Y.Zhang,A feature matching and transfer approachfor cross-company defect prediction,Journal of Systems and Software 132(2017)366-378.)使用特征匹配算法将异构特征转化为匹配特征，来提高模型AUC值的准确性，但算法复杂度高。Ma等人(Y.Ma,G.Luo,X.Zeng,A.Chen,Transfer learning for cross-company software defect prediction,Inform.Softw.Technol.54(3)(2012)248–256.)从预测应该与分布相关的数据特征出发，提出了基于实例特征转移的贝叶斯迁移学习模型，根据软件缺陷数据特征对训练数据进行重新加权，但该算法需调控的参数较多。
针对高维的软件缺陷数据，Tong等人(H.Tong,B.Liu,S.Wang,Software defectprediction using stacked denoising autoencoders and two-stage ensemblelearning,Information and Software Technology 96(2018)94-111.)利用叠加去燥自编码器来学习高维数据的深度表征，叠加去燥自编码器是由多个去燥自编码器组成的一种强大的深度学习模型，它是一种具有输入层、输出层和隐藏层的前馈神经网络；Dam等人(H.K.Dam,T.Pham,S.W.Ng,T.Tran,J.Grundy,A.Ghose,T.Kim,C.J.Kim,A deep tree-based model for software defect prediction,eprint arXiv:1802.00921(2018)1–10.)通过长短记忆神经网络(LSTM)来学习软件高维历史数据的抽象语法树；Yuan等人(J.Yuan,H.Guo,Z.Jin,H.Jin,X.Zhang,J.Luo,Oneshot learning for fine-grainedrelation extraction via convolutional siamese neural network,in:IEEEInternational Conference on Big Data,2017,pp.2194–2199.)利用卷积神经网络获取高维数据的语义结构信息和高维属性的深度表征；Lu等人(G.Lu,Z.Lie,L.Hang,Deepbelief network software defect prediction model,Computer Science 44(4)(2017)229–233.)直接利用深度信念网络对高维的历史数据进行深度表征学习和预测模型构建。但以上的深度学习模型均需要大量的训练时间和数据才能取得良好效果。
针对类不平衡的软件缺陷数据，Cieslak等人(D.A.Cieslak and N.V.Chawla,Start globally,optimize locally,predict globally:Improving performance onimbalanced data,in Data Mining,2008.ICDM’08.Eighth IEEE InternationalConference on.IEEE,2008,pp.143–152.)认为数据大多是多模态的，处理不平衡数据的重采样方法应该用于局部而不是全局，因此提出基于数据分区的重采样方法。Liao等人(Jui-Jung Liao,Ching-Hui Shih,Tai-Feng Chen,and Ming-Fu Hsu:“An ensemble-basedmodel for two-class imbalanced financial problem”,Economic Modeling,Vol.37,pp.175-183,2014)提出了集成学***衡数据，然后利用BP神经网络来选择特征，最后依据粗糙集理论来构建集成学***衡缺陷数据转化为多类平衡数据，通过特定的编码策略来避免类不平衡问题，但编码方法较为复杂。Mariral等人(Mairal J,Bach F,Ponce J.Task-driven dictionary learning.IEEE Trans.PatternAnal.Mach.Intell.,2012,34(2):791–804)通过训练分类编码器系数，将稀疏编码误差和分类误差集成到目标函数中，提出基于字典学***衡数据比使学得的字典更趋向于无缺陷数据。
根据文献分析，现有技术存在如下几个问题：1)算法复杂度高；2)模型性能依赖于大量的训练样本数据；3)不存在一种有效的软件预测模型能够同时处理有限的、高维的和不平衡的软件缺陷历史数据。
发明内容
有鉴于此，本发明的目的在于提供一种基于少样本数据学***衡的软件缺陷数据没有能够统一处理的预测模型，将有限的、高维的和不平衡的软件缺陷数据看着是一个少样本学***衡问题。
为达到上述目的，本发明提供如下技术方案：
一种基于少样本数据学习的软件缺陷预测方法，具体包括以下步骤：
S1：构建基于孪生网络(Siamese networks)的深度学习网络(Siamese Denseneural networks,SDNN)，即孪生全连接网络；
S2：输入正样本和负样本数据，通过SDNN网络进行少样本学习，提取样本对数据的高层次深度特征；
S3：采用度量学习函数对步骤S2中提取的高层次深度特征进行比较学习和概率输出，调节正负样本比例，设置函数学习参数，使度量学习函数更加关注对有缺陷数据特征的学习；
S4：获得预测结果。
进一步，步骤S1中，所述孪生全连接网络是一对完全相同的全连接网络，结构的层次和参数设置相同，用于学习高维数据特征。
进一步，步骤S3中，所述度量学习函数包括距离度量函数和余弦相似度距离度量函数；
距离学习：如果输入的向量X1和X2表示正负样本数据对，w表示SDNN网络共享参数，Hw(X1)和Hw(X2)表示输入向量对的特征映射空间，则孪生全连接网络的距离度量函数定义为：
Dw(X1,X2)＝||Hw(X1)-Hw(X2)||
其中，Dw(X1,X2)表示欧几里得距离，用来度量学习输入样本对间的距离。
进一步，步骤S3中，相似学习：欧氏距离主要度量学习了样本对间的类间距离，而忽略了样本对的类内距离。因此，在距离度量函数的基础上，本发明引入类内距离学习函数，即余弦相似度距离度量函数(cosine-proximity)，用来加强样本对类内相似性学习，增强正负样本对的判别能力；则所述余弦相似度距离度量函数定义为：
其中，i表示第i层网络，N是所有样本，y(i)代表第i层网络样本的标签值，Li(w,y,X1,X2)的值在[-1,1]之间，如果它的值越接近1则代表样本对类内间的相似度越高；为了加强正负样本对间的判别能力，取余弦相似距离度量函数值的相反数作为鉴别度添加到度量学习函数中，则最终的度量学习函数定义为：
Lend＝-αLi(w,y,X1,X2)+Dw(X1,X2)
其中，α是正负样本比例调节系数，通过它控制正负样本量学习。
进一步，步骤S3中，如果输出的概率值小于0.5，则学习的样本对数据属于同一类，如果输出的概率值大于0.5，则输入学习的样本对属于不同类数据。
本发明的有益效果在于：本发明所采用的方法与现有技术相比，能在有限的、高维的、不平衡的数据集上获得更好的预测效果，而且在不同的不平衡率下，性能更加稳定；还能够在较少数据和时间等条件下，取得更好的预测结果，优于现有技术。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为本发明所述方法的框架流程图；
图2为SDNN网络结构图；
图3为不同方法在基准数据集上关于PD和PF的散点图；
图4为不同方法在不同不平衡率下的性能曲线图。
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述。
针对软件缺陷有限的历史数据，本发明提出了一种基于孪生网络(Siamesenetworks)的深度学***衡的软件缺陷数据作为少样本学***衡问题。如图1所示的***方法流程。
软件缺陷预测目的是根据已有的软件缺陷数据来构建基于数据驱动的预测模型，并利用该模型去识别和预测未知数据特性，降低人工测试和软件维护成本，提高软件缺陷识别和预测效率。SDNN是孪生全连接网络(网络结构图见图2)，由两个完全相同的全连接网络组成，每一个全连接网络分别处理输入的批量数据，它接受不同的批量数据输入。顶端由度量学***衡高层次深度特征。SDNN网络结构具有如下特点：
(1)SDNN借鉴了孪生网络一次学习和少样本学习的优点。孪生网络依据人具有单样本的学习能力，能将从未学过的物体从已有的相似知识中高效识别出来，从而减轻计算复杂度，不需要大量的训练数据和复杂的网络结构。
(2)利用孪生网络共享参数特性。孪生网络中的各子网络结构一致，共享所有参数，即所有权重值、偏值和训练参数共享，便于通过底层网络统一对孪生网络参数进行更新和管理，减少了参数量和参数运算复杂性。
(3)借鉴孪生网络的相似特性。孪生网络是一对彼此完全一致的深度神经网络，通过顶端连接的比较度量函数进行相似性判别学习。本发明在比较度量函数基础上，加强了正负样本相似性的鉴别，添加了相似度量学习函数，使得正负样本对能被更好的学习和判别。
(4)利用深度学习技术挖掘高维数据特征。当前深度神经网络是高维数据进行特征学习和提取的最好工具之一，根据软件缺陷数据的属性特性，本发明设计了孪生全连接网络进行高层次特征学习和提取。
如图2所示，SDNN网络的构造细节情况如下：
(1)网络中H1(x1)和H2(x2)是一对完全相同的全连接网络，它们具有相同的结构的层数和参数设置，主要用来学习高维数据特征。
(2)网络的输入1和输入2代表正样本和负样本数据，通过SDNN网络进行少样本学习，提取样本对数据的高层次深度表征。
(3)度量学习函数对学得的深度特征进行比较学习，调节正负样本比例，设置函数学习参数，使度量学习函数更加关注对有缺陷数据特征的学习。
(4)效果评估，用五个指标(PD、PF、F-measure、MCC、AUC)对设计的模型性能进行了全面评估。
SDNN网络的顶端连着度量学习函数，当成对的样本数据通过孪生网络学习后，并通过度量学习函数对提取的高层次特征进行比较学习和概率输出。如果输出的概率值小于0.5，则学习的样本对数据属于同一类，如果输出的概率值大于0.5，则输入学习的样本对属于不同类数据。所述度量学习函数包括：
A、距离学习：如果输入的向量X1和X2表示正负样本数据对，w表示SDNN网络共享参数，Hw(X1)和Hw(X2)表示输入向量对的特征映射空间，则孪生全连接网络的距离度量函数定义为：
Dw(X1,X2)＝||Hw(X1)-Hw(X2)||
其中，Dw(X1,X2)表示欧几里得距离，用来度量学习输入样本对间的距离。
B、相似学习：欧氏距离主要度量学习了样本对间的类间距离，而忽略了样本对的类内距离。因此，在距离度量函数的基础上，本发明引入类内距离学习函数，即余弦相似度距离度量函数(cosine-proximity)，用来加强样本对类内相似性学习，增强正负样本对的判别能力；则所述余弦相似度距离度量函数定义为：
其中，i表示第i层网络，N是所有样本，y(i)代表第i层网络样本的标签值，Li(w,y,X1,X2)的值在[-1,1]之间，如果它的值越接近1则代表样本对类内间的相似度越高；为了加强正负样本对间的判别能力，取余弦相似距离度量函数值的相反数作为鉴别度添加到度量学习函数中，则最终的度量学习函数定义为：
Lend＝-αLi(w,y,X1,X2)+Dw(X1,X2)
其中，α是正负样本比例调节系数，通过它控制正负样本量学习。
具体实施例：
(1)实验数据
NASA数据仓库包含着许多不同的软件缺陷数据集，实验从该仓库中抽取10个数据集进行实验分析，它们分别是AR1,AR4,AR6,CM1,KC1,KC2,MW1,PC1,PC3和PC4。抽取原则是所有实验数据来源于公开机器学习数据库，使得发明的方法便于验证和应用；并且所选数据集具有相同的度量指标，实验过程中可以在不丢失任何度量信息的情况下直接使用实验数据。
注意这些数据集的属性维度不统一，最小维度是21，最大维度是57，它们的类也是不平衡的，最小的不平衡度是3，最大不平衡度是12。而且每个数据集的实例是有限的，最低为87个，最多是2032个。因此，常规的机器学习技术很难依据以上的数据训练出有效的软件缺陷预测模型。
(2)对比方法
将会选取SDNN一、DNN、LSTM、DBN、LR、BAG、NB、TNB、DTB与本发明所述的SDNN进行各项性能上的比较，其中DNN、LSTM、LR是2018年以来提出的最新方法；DBN是2017年提出的基于深度学习的软件缺陷预测方法；NB、TNB、DTB、BAG是近年提出的效果较好的方法；SDNN一是为了对比没引入相似学习函数的模型效果。
(3)评价指标
PD(Probability of Detection)缺陷检出率，也被称为召回率(recall)，衡量预测正确的有缺陷数据占缺陷总数的比例：
PF(Probability of False alarm)缺陷误报率，衡量预测错误的无缺陷模块占总体无缺陷模块数的比例：
F-measure是PD和precision的综合评价指标，分布范围在0到1之间，PD和precision越高，则F-measure的值越大。
MCC(Matthews Correlation Coefficient)也是常用于不平衡数据集识别结果的综合评价指标，其计算最为复杂，包含了混淆矩阵中的所有元素，值分布在-1到1之间，分类器将所有的样本均分类正确时得到最大值1。
AUC(Area Under ROC Curve)是通过ROC曲线计算得到的值，ROC曲线是由分类器取不同的阈值得到的PD和PF点对，在ROC平面上进行绘制得到，AUC是由计算曲线以下组成的面积得到，它能很好综合PD和PF的性能。
(4)实验结果
首先，验证SDNN方法在少样本数据上的性能，通过与9个基准方法对比，在同数据集不同数据量的实验中，表1、图3分别给出不同方法的实验结果。从表1可以得出，我们的方法获得了最好的PD均值和最低的PF均值，图3也验证了发明方法的最优性，它在右下角具有更多的点分布。表2中的两个综合指标结果也再次验证了发明方法的优越性，在F-measure值方面，对比DNN、LSTM、DBN、NB和LR方法，SDNN方法在10个数据集上全超越，对比SDNN一、TNB和LR，只有一个数据集性能相当，对比DTB方法，10个数据集中只有一个数据集性能低于DTB方法。
表1所有方法在实验数据集上的平均PD和PF
表2所有方法在实验数据集上的综合指标F-measure和MCC
然后，分析了SDNN方法能否在可接受的时间内取得更好的结果。求解了每个模型在10个基准数据集上的平均训练时间和测试时间，表3给出了每个模型的时间花费结果。从表3中数据可知，本发明方法的平均训练时间和测试时间都不是最差的，它能在可接受的时间范围内获得更好的预测结果。
表3所有方法在测试集和验证集上的平均时间/单位(秒)
最后，在不同的类不平衡下验证了所发明方法的性能稳定性。图4给出了在不同的类不平衡下每种方法的性能变化曲线。从图中可知，NB、DNN、DBN、LSTM和LR这五种方法在大多数数据集上的性能不稳定，它们的预测效果受不平衡率的影响大；SDNN一、TNB和Bag这三种方法的性能受不平衡率的影响次之，在部分数据集上的性能较稳定；而本文发明的SDNN方法和DTB方法在所有数据集上的性能保持相对稳定，但是从预测效果评估，本文发明所述的SDNN方法的预测效果要比DTB方法的预测效果更好。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。
Claims (5)
1.基于少样本数据学习的软件缺陷预测方法，其特征在于，该方法具体包括以下步骤：
S1：构建基于孪生网络(Siamese networks)的深度学习网络(Siamese Dense neuralnetworks,SDNN)，即孪生全连接网络；
S2：输入正样本和负样本数据，通过SDNN网络进行少样本学习，提取样本对数据的高层次深度特征；
S3：采用度量学习函数对步骤S2中提取的高层次深度特征进行比较学习和概率输出，调节正负样本比例，设置函数学习参数，使度量学习函数更加关注对有缺陷数据特征的学习；
S4：获得预测结果。
2.根据权利要求1所述的基于少样本数据学习的软件缺陷预测方法，其特征在于，步骤S1中，所述孪生全连接网络是一对完全相同的全连接网络，结构的层次和参数设置相同，用于学习高维数据特征。
3.根据权利要求1所述的基于少样本数据学习的软件缺陷预测方法，其特征在于，步骤S3中，所述度量学习函数包括距离度量函数和余弦相似度距离度量函数；
距离学习：如果输入的向量X1和X2表示正负样本数据对，w表示SDNN网络共享参数，Hw(X1)和Hw(X2)表示输入向量对的特征映射空间，则孪生全连接网络的距离度量函数定义为：
Dw(X1,X2)＝||Hw(X1)-Hw(X2)||
其中，Dw(X1,X2)表示欧几里得距离，用来度量学习输入样本对间的距离。
4.根据权利要求3所述的基于少样本数据学习的软件缺陷预测方法，其特征在于，步骤S3中，相似学习：引入类内距离学习函数，即余弦相似度距离度量函数(cosine-proximity)，用来加强样本对类内相似性学习，增强正负样本对的判别能力；则所述余弦相似度距离度量函数定义为：
其中，i表示第i层网络，N是所有样本，y(i)代表第i层网络样本的标签值，Li(w,y,X1,X2)的值在[-1,1]之间，如果它的值越接近1则代表样本对类内间的相似度越高；为了加强正负样本对间的判别能力，取余弦相似距离度量函数值的相反数作为鉴别度添加到度量学习函数中，则最终的度量学习函数定义为：
Lend＝-αLi(w,y,X1,X2)+Dw(X1,X2)
其中，α是正负样本比例调节系数，通过它控制正负样本量学习。
5.根据权利要求4所述的基于少样本数据学习的软件缺陷预测方法，其特征在于，步骤S3中，如果输出的概率值小于0.5，则学习的样本对数据属于同一类，如果输出的概率值大于0.5，则输入学习的样本对属于不同类数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910040317.0A CN109885482A (zh) | 2019-01-16 | 2019-01-16 | 基于少样本数据学习的软件缺陷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910040317.0A CN109885482A (zh) | 2019-01-16 | 2019-01-16 | 基于少样本数据学习的软件缺陷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109885482A true CN109885482A (zh) | 2019-06-14 |
Family
ID=66926138
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910040317.0A Pending CN109885482A (zh) | 2019-01-16 | 2019-01-16 | 基于少样本数据学习的软件缺陷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109885482A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110570397A (zh) * | 2019-08-13 | 2019-12-13 | 创新奇智(重庆)科技有限公司 | 一种基于深度学习模版匹配算法检测成衣印花缺陷的方法 |
| CN111209211A (zh) * | 2020-01-16 | 2020-05-29 | 华南理工大学 | 一种基于长短期记忆神经网络的跨项目软件缺陷预测方法 |
| CN111612763A (zh) * | 2020-05-20 | 2020-09-01 | 重庆邮电大学 | 手机屏幕缺陷检测方法、装置及***、计算机设备及介质 |
| CN112579477A (zh) * | 2021-02-26 | 2021-03-30 | 北京北大软件工程股份有限公司 | 一种缺陷检测方法、装置以及存储介质 |
| CN112598163A (zh) * | 2020-12-08 | 2021-04-02 | 国网河北省电力有限公司电力科学研究院 | 一种基于对比学习和度量学习的接地网不开挖腐蚀预测模型 |
| CN112668527A (zh) * | 2020-12-31 | 2021-04-16 | 华南理工大学 | 一种超声导波半监督成像检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596958A (zh) * | 2018-05-10 | 2018-09-28 | 安徽大学 | 一种基于困难正样本生成的目标跟踪方法 |
| CN109213675A (zh) * | 2017-07-05 | 2019-01-15 | 瞻博网络公司 | 软件分析平台 |
-
2019
- 2019-01-16 CN CN201910040317.0A patent/CN109885482A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109213675A (zh) * | 2017-07-05 | 2019-01-15 | 瞻博网络公司 | 软件分析平台 |
| CN108596958A (zh) * | 2018-05-10 | 2018-09-28 | 安徽大学 | 一种基于困难正样本生成的目标跟踪方法 |
Non-Patent Citations (1)
| Title |
|---|
| LINCHANG ZHAO 等: "Siamese Dense Neural Network for Software Defect Prediction With Small Data", 《IEEE ACCESS》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110570397A (zh) * | 2019-08-13 | 2019-12-13 | 创新奇智(重庆)科技有限公司 | 一种基于深度学习模版匹配算法检测成衣印花缺陷的方法 |
| CN110570397B (zh) * | 2019-08-13 | 2020-12-04 | 创新奇智(重庆)科技有限公司 | 一种基于深度学习模版匹配算法检测成衣印花缺陷的方法 |
| CN111209211A (zh) * | 2020-01-16 | 2020-05-29 | 华南理工大学 | 一种基于长短期记忆神经网络的跨项目软件缺陷预测方法 |
| CN111612763A (zh) * | 2020-05-20 | 2020-09-01 | 重庆邮电大学 | 手机屏幕缺陷检测方法、装置及***、计算机设备及介质 |
| CN111612763B (zh) * | 2020-05-20 | 2022-06-03 | 重庆邮电大学 | 手机屏幕缺陷检测方法、装置及***、计算机设备及介质 |
| CN112598163A (zh) * | 2020-12-08 | 2021-04-02 | 国网河北省电力有限公司电力科学研究院 | 一种基于对比学习和度量学习的接地网不开挖腐蚀预测模型 |
| CN112598163B (zh) * | 2020-12-08 | 2022-11-22 | 国网河北省电力有限公司电力科学研究院 | 一种基于对比学习和度量学习的接地网不开挖腐蚀预测模型 |
| CN112668527A (zh) * | 2020-12-31 | 2021-04-16 | 华南理工大学 | 一种超声导波半监督成像检测方法 |
| CN112579477A (zh) * | 2021-02-26 | 2021-03-30 | 北京北大软件工程股份有限公司 | 一种缺陷检测方法、装置以及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109885482A (zh) | 基于少样本数据学习的软件缺陷预测方法 | |
| CN111882446B (zh) | 一种基于图卷积网络的异常账户检测方法 | |
| CN106845717B (zh) | 一种基于多模型融合策略的能源效率评价方法 | |
| CN110213222A (zh) | 基于机器学习的网络入侵检测方法 | |
| CN110213244A (zh) | 一种基于时空特征融合的网络入侵检测方法 | |
| CN105487526B (zh) | 一种Fast RVM污水处理故障诊断方法 | |
| CN112070128A (zh) | 一种基于深度学习的变压器故障诊断方法 | |
| Shimada et al. | Class association rule mining with chi-squared test using genetic network programming | |
| CN106250442A (zh) | 一种网络安全数据的特征选择方法及*** | |
| Arqawi et al. | Predicting Employee Attrition and Performance Using Deep Learning | |
| CN110794360A (zh) | 一种基于机器学习预测智能电能表故障的方法及*** | |
| CN114897085A (zh) | 一种基于封闭子图链路预测的聚类方法及计算机设备 | |
| Zhou et al. | Credit card fraud identification based on principal component analysis and improved AdaBoost algorithm | |
| Arefeen et al. | Transjury: Towards explainable transfer learning through selection of layers from deep neural networks | |
| CN108763926A (zh) | 一种具有安全免疫能力的工业控制***入侵检测方法 | |
| CN108898157B (zh) | 基于卷积神经网络的数值型数据的雷达图表示的分类方法 | |
| CN115277159B (zh) | 一种基于改进随机森林的工业互联网安全态势评估方法 | |
| Wang et al. | An improved K_means algorithm for document clustering based on knowledge graphs | |
| CN116582309A (zh) | 一种基于GAN-CNN-BiLSTM的网络入侵检测方法 | |
| CN114143210B (zh) | 一种基于深度学习的指挥控制网络关键节点识别方法 | |
| Yamin et al. | Research on matching method for case retrieval process in CBR based on FCM | |
| CN112465253B (zh) | 一种城市路网中的链路预测方法及装置 | |
| Gao et al. | Fault detection of electric vehicle charging piles based on extreme learning machine algorithm | |
| Yang et al. | An improved probabilistic neural network with ga optimization | |
| Li et al. | Rolling Bearing Fault Classification Utilizing Adaptive Density Peaks Search Clustering Based on Wavelet Packet Transform |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190614 |
|
| RJ01 | Rejection of invention patent application after publication |