(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111491975.5 (22)申请日 2021.12.08 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市下沙高教园区2 号大街 (72)发明人 俞东进　叶佳萍　陈信　陈宇廷　 翁乐辉　 (74)专利代理 机构 杭州君度专利代理事务所 (特殊普通 合伙) 33240 代理人 朱月芬 (51)Int.Cl. G06Q 10/04(2012.01) G06F 8/70(2018.01) G06N 20/00(2019.01) (54)发明名称 一种基于多层迭代的软件维护规模预测方 法 (57)摘要 本发明公开了一种基于多层迭代的软件维 护规模预测方法， 首先进行数据获取： 获取一个 现有公开软件系统中所有可用的类， 记为训练数 据集， 然后度量因子选择： 获取训练数据集中的 各类的原始度量值； 采样度量归一化处理训练数 据集， 再进行训练数据采样： 将归一化后的训练 数据集分为验证集和训练集； 之后构建并训练多 层迭代的预测模 型： 最后通过训练好的多层迭代 的预测模型完成软件维护规模的预测。 本发明通 过设计多层迭代模型不断排除预测效果不好的 中间层模型， 最终获得比较精确的软件维护规模 的预测模型。 使用本发明提出的方法预测软件维 护规模， 最终得到了较好结果， 能够准确地预测 软件的维护规模。 权利要求书3页 说明书7页 附图3页 CN 114154730 A 2022.03.08 CN 114154730 A 1.一种基于多层迭代的软件维护规模预测方法， 其特 征在于， 包括如下步骤： S1.数据获取： 获取一个现有公开软件系统中所有可用的类， 记为训练数据集TR； S2.度量因子 选择： 获取训练数据集TR中的各类的原 始度量值， S3.度量归一 化处理： S4.训练数据采样： 将归一化后的训练数据集LM ′train的数据随机均分为10份， 取其中1 份作为验证集 剩余9份作为训练集 S5.构建并训练多层迭代的预测模型： 构建基于GMDH方法的多层迭代的预测模型， 在训练预测模型的过程中将其每一层的输 出通过择优后， 作为下一层的输入， 不断迭代， 根据终止准则停止训练， 得到最终训练好的 预测模型； S6.通过训练好的多层迭代的预测模型完成软件维护规模的预测。 2.根据权利要求1所述的一种基于多层迭代的软件维护规模预测方法， 其特征在于， 度 量包括： WMC， NOC， LCOM， DIT， RFC， MPC， NOM， DAC， SIZE1， SIZE2， 并选择各类不同版本之间的 代码修改行数CHANGE(包括增加、 删除和更改的行数)作为软件维护规模的指标， 其中各个 度量含义如下： WMC： 类中所有方法的圈 复杂度总和； NOC： 类直接 子类的数量； LCOM： 类中不相交的方法集数量； DIT： 类在继承层次结构中的位置； RFC： 类方法数与类调用方法数之和； MPC： 类中定义的方法被其 他类调用的次数； NOM： 类中方法的数量； DAC： 类中定义的抽象数据类型 数； SIZE1： 类中纯代码的行 数； SIZE2： 类中属性数和方法数的总和； CHANGE： 类两个版本之间更改代码行 数， 包括新增、 删除和修改的代码行 数； 记训练数据集TR的类度量集合LMtrain＝{M1， M2， ...， Ml， ...， Mn}， n代表类的数量， Ml＝< WMC， NOC， LCOM， DIT， RFC， MPC， NOM， DAC， SIZE1， SIZE2， C HANGE>。 3.根据权利要求2所述的一种基于多层迭代的软件维护规模预测方法， 其特征在于， S3 具体方法如下： 对训练数据集TR的类度量集合LMtrain进行归一化处理， 得到归一化后的训练数据集 LM′train＝[M1′， M2′， ...， Ml′， ...， Mn′]， 其中 不失一般性， 记 是度量值xj归一化后的值， 归一 化处理的公式如下： 其中xj代表原始度量值， xmax、 xmin分别是xj对应的LMtrain中该类度量值中的最大值和最权　利　要　求　书 1/3 页 2 CN 114154730 A 2小值。 4.根据权利要求3所述的一种基于多层迭代的软件维护规模预测方法， 其特征在于， S5 具体步骤如下： S5‑1.第1层预测模型训练： 将归一化后的训练集 的每一个Ml′中元素 作为自变量， 将 作为因变量软件维护规模(即CHANGE)的实际值； 其训练方式为： 将 进行两 两组合， 将每一种组合的两个元素 和 代入以下的预测公式， 并将 作为实际值代入 预测公式 中的y， 使用w idrow‑hoff学习规则计算得到 组权值： 其中y是输出值， 表示软件维护规模(即C HANGE)， a0， a1， a2， a3， a4， a5是权值； 再将 组权值代入上述预测公式， 得到 个候选中间模型； S5‑2.第1层预测模型验证： 将验证集 输入由S5 ‑1得出的候选中间模型， 输出软件维护规模(即CHANGE)的 预测值， 将其与对应的输出软件维护规模(即CHA NGE)的真实值计算出每一个候选中间模 型 的平均相对误差值MAE， 获得MAE集合E， 并将当前层最小MAE作为当前层 准则值W1， 每一个候 选中间模型的平均相对误差值MAE的计算公式如下： 其中， m为验证集 类的数目， yi′为验证集软件 维护规模(即CHANGE)真实值， 为对应的模型 预测值； S5‑3.第1层预测模型择优： 从MAE集合E中选取10个最小MAE值对应 的候选中间模型作 为择优模型， 连接 到预测模型的下一层； S5‑4.多层迭代训练预测模型： 根据步骤S5 ‑1～S5‑3的方法不断地重 复进行训练， 即在 第k(k＝2， 3...， 表 示当前训练的层数)层预测模型的训练中， 取第k ‑1层输出的择优模 型作 为输入， 按照 S5‑1将输入两两组合， 计算出每一种组合的权值， 将权值代入预测公式得出候 选中间模 型； 按照步骤S5 ‑2将验证集输入候选中间模 型， 得到相应的预测值， 根据S 5‑2的公 式计算每一个候选中间模型的MAE， 并将当前层最小MAE值作为当前层准则值Wk； 对候选中 间模型进行模型择优， 若在第k层候选中间模 型中， 候选中间模 型的MAE值小于Wk‑1的数量多 于10个， 则选取MAE值最小的10个候选中间模型作为择优模 型连接到预测模 型的下一层， 反 之将MAE值小于Wk‑1的所有候选中间模型作为择优 模型连接 到预测模型的下一层； S5‑5.预测模型的训练终止准则： 当当前层候选中间模型的最小MAE值大于前一层准则值， 停止训练过程， 选取前一层择 优模型中准则值对应的模型作为预测模型的最终层；权　利　要　求　书 2/3 页 3 CN 114154730 A 3