相关实验视频
Updated: Apr 20, 2026
10:56
Long-term Behavioral Tracking of Freely Swimming Weakly Electric Fish
Published on: March 6, 2014
12.5K
基于剩余/混合网络的软件缺陷预测,通过升级的鱼类迁移优化算法进行优化
Zhijing Liu1, Tong Su2, Michail A Zakharov3
1Institute of Innovation and Entrepreneurship, Shandong Huayu University of Technology, Dezhou, 253034, Shandong, China. 18253487107@163.com.
Scientific reports
|February 28, 2025
概括
这项研究引入了一种新的AI方法,使用剩余/混合网络和鱼类迁移优化来准确预测软件缺陷. 这种方法显著提高了缺陷检测的准确性,并减少了软件开发中的手工工作.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 软件工程 软件工程 软件工程
背景情况:
- 软件缺陷带来了重大挑战,增加了开发成本并影响了用户满意度.
- 现有的缺陷预测模型往往需要大量的手工努力,可能缺乏准确性.
- 需要先进的,自动化的方法来提高软件质量.
研究的目的:
- 引入一种新的,准确的方法来预测软件缺陷.
- 为了减少识别软件问题所需的手工工作.
- 为代码分析利用深度学习和元启发学的协同作用.
主要方法:
- 利用剩余/混合 (RS) 网络进行基于深度学习的代码分析.
- 在模型培训中使用了增强的鱼类迁移优化 (UFMO) 算法.
- 从软件代码中提取语义和结构性质.
主要成果:
- 在开源项目中平均达到93%的准确性.
- 与最先进的模型相比,表现出卓越的性能.
- 报告了精度 (78-98%),回忆 (71-98%),F测量 (72-96%) 和AUC (78-99%) 的显著改进.
结论:
- 拟议的模型为缺陷预测提供了一个简单,高效和有效的解决方案.
- 这种人工智能驱动的方法可以通过提高质量和降低成本来彻底改变软件开发.
- 建议对专有软件进行进一步评估,以扩大适用性.
更多相关视频
10:50Using the FishSim Animation Toolchain to Investigate Fish Behavior: A Case Study on Mate-Choice Copying In Sailfin Mollies
Published on: November 8, 2018
10.7K
08:04Fully Automated Leg Tracking in Freely Moving Insects using Feature Learning Leg Segmentation and Tracking FLLIT
Published on: April 23, 2020
6.7K
