Pca ve Optimize Edilmiş Lstm'ye Dayalı Yeni Yazılım Kusur Tahmin Yöntemi

Abstract

Bu çalışmada, PCA tabanlı LSTM uygulayarak yazılım hatası tahmini için yeni bir yaklaşım sunulmuştur. Bu çalışma, PCA tarafından gerçekleştirilen özellik seçimi ve LSTM tarafından yürütülen sınıflandırma bölümünden oluşmaktadır. PCA'Nin öznitelik seçimi olarak uygulanmasının amacı, etkilenmeyen öznitelikleri kaldırarak hesaplama süresini azaltmak için girdi özniteliklerinin boyutunu küçültmektir. Ardından, PCA'Nin çıkışı, giriş yazılımı kusur özelliklerini iki sınıfa (kusurlu ve normal) sınıflandıran zaman serisi sınıflandırıcısı olan LSTM'ye bağlanır. En iyi doğruluğu elde etmek için LSTM'nin ağırlığını ve tabanını güncelleyerek LSTM'nin performansını optimize etmek için uygulanan PSO. Elde edilen sonuçlar bu alanda sunulan yaygın çalışmalarla karşılaştırılmıştır.

In this thesis, new approach presented for software defect prediction applying PCA based LSTM. This study consists from two parts feature selection executed by PCA and classification part executed by LSTM. The aim applying PCA as feature selection is to reduce the size of input features to decrease the computation time by removing unaffected features. Then, the output of PCA wired to the LSTM that is time series classifier which classify the input software defect features to the two classes (defect and normal). The PSO applied to optimize the performance of the LSTM by updating the weight and basis of the LSTM to obtain best accuracy. The obtained results compared with common studies presented in this field.