買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉南京郵電大學(xué);江蘇拓郵信息智能技術(shù)研究院有限公司申請的專利基于深度學(xué)習(xí)的多源異構(gòu)軟件數(shù)據(jù)缺陷預(yù)測方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN120429725B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-08-29發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202510933263.6，技術(shù)領(lǐng)域涉及：G06F18/241；該發(fā)明授權(quán)基于深度學(xué)習(xí)的多源異構(gòu)軟件數(shù)據(jù)缺陷預(yù)測方法是由亓?xí)x;李文杰;孫瑩;張燕;孫雁飛;董振江;林軍設(shè)計研發(fā)完成，并于2025-07-08向國家知識產(chǎn)權(quán)局提交的專利申請。

本基于深度學(xué)習(xí)的多源異構(gòu)軟件數(shù)據(jù)缺陷預(yù)測方法在說明書摘要公布了：本發(fā)明提供一種基于深度學(xué)習(xí)的多源異構(gòu)軟件數(shù)據(jù)缺陷預(yù)測方法，通過從K+1個不同的軟件數(shù)據(jù)源收集軟件缺陷數(shù)據(jù)，并得到多源異構(gòu)缺陷數(shù)據(jù)；得到預(yù)處理后的數(shù)據(jù)；構(gòu)建多源異構(gòu)缺陷預(yù)測模型，多源異構(gòu)缺陷預(yù)測模型包括特征映射模塊、多領(lǐng)域?qū)鼓K、領(lǐng)域?qū)R模塊和標簽預(yù)測模塊，特征映射模塊對輸入數(shù)據(jù)進行特征提取與映射后分別輸出特征表示給多領(lǐng)域?qū)鼓K、領(lǐng)域?qū)R模塊和標簽預(yù)測模塊；使用預(yù)處理后的數(shù)據(jù)對多源異構(gòu)缺陷預(yù)測模型進行訓(xùn)練后，得到訓(xùn)練后的模型；獲得預(yù)測結(jié)果；該方法能夠?qū)W習(xí)多源異構(gòu)數(shù)據(jù)間的相關(guān)性，顯著減少多源異構(gòu)數(shù)據(jù)之間邊緣分布的差異，充分挖掘出多個源數(shù)據(jù)之間可遷移的信息，能夠提高缺陷預(yù)測準確性和穩(wěn)定性。

本發(fā)明授權(quán)基于深度學(xué)習(xí)的多源異構(gòu)軟件數(shù)據(jù)缺陷預(yù)測方法在權(quán)利要求書中公布了：1.一種基于深度學(xué)習(xí)的多源異構(gòu)軟件數(shù)據(jù)缺陷預(yù)測方法，其特征在于：包括以下步驟， S1、從K+1個不同的軟件數(shù)據(jù)源收集軟件缺陷數(shù)據(jù)，并得到多源異構(gòu)缺陷數(shù)據(jù)包括K個源域的原始數(shù)據(jù)以及目標域原始數(shù)據(jù)； S2、對多源異構(gòu)缺陷數(shù)據(jù)進行預(yù)處理后，得到預(yù)處理后的數(shù)據(jù)包括源域和目標域，其中，源域表示收集軟件缺陷數(shù)據(jù)的第k個不同軟件數(shù)據(jù)源對應(yīng)的數(shù)據(jù)集，k=1,2，...，K，目標域表示待預(yù)測軟件數(shù)據(jù)所屬的數(shù)據(jù)集； S3、構(gòu)建多源異構(gòu)缺陷預(yù)測模型，多源異構(gòu)缺陷預(yù)測模型包括特征映射模塊、多領(lǐng)域?qū)鼓K、領(lǐng)域?qū)R模塊和標簽預(yù)測模塊，特征映射模塊對輸入數(shù)據(jù)進行特征提取與映射后分別輸出特征表示給多領(lǐng)域?qū)鼓K、領(lǐng)域?qū)R模塊和標簽預(yù)測模塊，多領(lǐng)域?qū)鼓K采用對抗訓(xùn)練方法對輸入的特征表示進行處理得到調(diào)整后的特征表示并輸出給領(lǐng)域?qū)R模塊和標簽預(yù)測模塊，領(lǐng)域?qū)R模塊對輸入的調(diào)整后的特征表示計算調(diào)整多個領(lǐng)域特征的類內(nèi)分布和類間分布；標簽預(yù)測模塊由輸入的特征表示進行類別標簽預(yù)測，分別得到預(yù)測概率，將預(yù)測概率最高的類別標簽作為預(yù)測結(jié)果； 多源異構(gòu)缺陷預(yù)測模型中，多領(lǐng)域?qū)鼓K包括用于對抗訓(xùn)練的域鑒別器D和特征映射網(wǎng)絡(luò)，其中，域鑒別器D的表達式為： ， 其中，表示域鑒別器D的輸出特征，表示特征拼接，表示域鑒別器D的網(wǎng)絡(luò)參數(shù)，表示第k個源域經(jīng)過兩層特征映射網(wǎng)絡(luò)后的輸出特征，表示目標域經(jīng)過兩層特征映射網(wǎng)絡(luò)后的輸出特征； 領(lǐng)域?qū)R模塊中，計算調(diào)整多個領(lǐng)域特征的類內(nèi)分布和類間分布，具體為， 1）類內(nèi)分布和類間分布的計算分別如下： ， ， 其中，C表示源域和目標域的類別數(shù)量，K表示源域的總數(shù)，表示第個源域中第類數(shù)據(jù)樣本的數(shù)量，和分別表示目標域中第類和第類的帶標簽樣本數(shù)量，表示第k個源域中類別為的數(shù)據(jù)樣本經(jīng)過兩層特征映射網(wǎng)絡(luò)后的輸出特征，和分別表示目標域中第類和第類數(shù)據(jù)樣本經(jīng)過兩層特征映射網(wǎng)絡(luò)后的輸出特征； 2）對類內(nèi)分布進行最小化，對類間分布進行最大化； 標簽預(yù)測模塊中，得到預(yù)測概率f： ， 其中，表示分類器，表示特征拼接，表示分類器參數(shù)，表示第k個源域經(jīng)過兩層特征映射網(wǎng)絡(luò)后的輸出特征，表示目標域經(jīng)過兩層特征映射網(wǎng)絡(luò)后的輸出特征； S4、使用預(yù)處理后的數(shù)據(jù)對多源異構(gòu)缺陷預(yù)測模型進行訓(xùn)練后，得到訓(xùn)練后的模型； 步驟S4中，采用以下整體優(yōu)化目標函數(shù)對多源異構(gòu)缺陷預(yù)測模型進行訓(xùn)練： ， 其中，和分別為損失權(quán)重，表示特征映射模塊輸出的特征表示，表示域鑒別器D的輸出特征，表示預(yù)測概率，特征映射模塊中第二層特征映射網(wǎng)絡(luò)參數(shù)的差異損失，其中，K表示源域的總數(shù)，表示L2范數(shù)，表示第個源域輸入的第二層特征映射網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)，表示目標域輸入的第二層特征映射網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)；分類器的分類損失，其中，表示第個源域中第個帶標簽樣本的真實類別標簽的獨熱編碼，表示目標域中第個帶標簽樣本的真實類別標簽的獨熱編碼，表示第個源域中第個數(shù)據(jù)樣本經(jīng)過特征映射模塊處理后用于分類計算的特征表示，表示目標域中第個數(shù)據(jù)樣本經(jīng)過特征映射模塊處理后用于分類計算的特征表示，為第個源域的數(shù)據(jù)樣本數(shù)量，表示目標域中帶標簽樣本的數(shù)量；損失，其中，表示第個源域的反轉(zhuǎn)樣本域的域標簽的獨熱編碼中第i個元素，表示目標域的反轉(zhuǎn)樣本域的域標簽的獨熱編碼中第個元素，表示域鑒別器對第個源域中第個樣本特征表示的輸出，表示域鑒別器對目標域中第個樣本特征表示的輸出，為目標域的數(shù)據(jù)樣本數(shù)量；分布損失LIIA=類內(nèi)分布Lintra-類間分布Linter；域鑒別損失，其中，表示第個源域的域標簽的獨熱編碼中第i個元素，表示目標域的域標簽的獨熱編碼中第個元素； S5、將待預(yù)測軟件數(shù)據(jù)經(jīng)過預(yù)處理后，輸入到訓(xùn)練后的模型進行預(yù)測，獲得預(yù)測結(jié)果。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人南京郵電大學(xué);江蘇拓郵信息智能技術(shù)研究院有限公司，其通訊地址為：210003 江蘇省南京市鼓樓區(qū)新模范馬路66號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。