字典學(xué)習(xí)算法在軟件缺陷檢測中應(yīng)用

　　針對目前存在的字典學(xué)習(xí)方法不能有效構(gòu)造具有鑒別能力字典的問題，提出具有鑒別表示能力的字典學(xué)習(xí)算法，并將其應(yīng)用于軟件缺陷檢測。首先，重新構(gòu)建稀疏表示模型，通過在目標(biāo)函數(shù)中設(shè)計字典鑒別項學(xué)習(xí)具有鑒別表示能力的字典，使某一類的字典對于本類的樣本具有較強(qiáng)的表示能力，對于異類樣本的表示效果則很差；其次，添加Fisher準(zhǔn)則系數(shù)鑒別項，使得不同類的表示系數(shù)具有較好的鑒別能力；最后對設(shè)計的字典學(xué)習(xí)模型進(jìn)行優(yōu)化求解，以獲得具有強(qiáng)鑒別和稀疏表示能力的結(jié)構(gòu)化字典。選擇經(jīng)過預(yù)處理的NASA軟件缺陷數(shù)據(jù)集作為實驗數(shù)據(jù)，與主成分分析（PCA）、邏輯回歸、決策樹、支持向量機(jī)（SVM）和代表性的字典學(xué)習(xí)方法進(jìn)行對比，結(jié)果表明所提出的具有鑒別表示能力的字典學(xué)習(xí)算法的準(zhǔn)確率與F-measure值均有提高，能在改善分類器性能的基礎(chǔ)上提高檢測精度。