买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜杭州电子科技大学申请的专利一种基于数据类不平衡分布的即时软件缺陷预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114138632B 。

龙图腾网通过国家知识产权局官网在2025-06-03发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202111341822.2，技术领域涉及：G06F11/3604；该发明授权一种基于数据类不平衡分布的即时软件缺陷预测方法是由王兴起;许锴;魏丹;陈滨设计研发完成，并于2021-11-12向国家知识产权局提交的专利申请。

本一种基于数据类不平衡分布的即时软件缺陷预测方法在说明书摘要公布了：本发明涉及一种基于数据类不平衡分布的即时软件缺陷预测方法。本发明首先通过对样本近邻集的计算，分析样本的数据分布情况，识别噪声区样本，删除处于噪声区的有缺陷样本，将处于噪声区的无缺陷样本的标签置换为有缺陷样本的标签；再重新计算各样本的近邻集，分析当前相对干净数据集的数据分布，划分边界区和安全区，删除处于边界区的无缺陷样本；最后对训练数据集进行随机欠采样，使得样本得到数量上的平衡。本发明通过对样本数据分布的分析，以更精准的策略除去样本集中的噪声样本以及对有缺陷样本识别有负面影响的样本，以此提升模型对有缺陷样本的识别性能。

本发明授权一种基于数据类不平衡分布的即时软件缺陷预测方法在权利要求书中公布了：1.一种基于数据类不平衡分布的即时软件缺陷预测方法，其特征在于，包含如下步骤：步骤1数据预处理；计算度量之间的相关性，处理高度相关的度量，对度量执行对数转换；步骤2获得各样本的近邻集；步骤2-1：计算样本间距离；假设对于任意样本xi，xil表示样本xi的各个属性值，Yi表示样本xi的标签，n表示样本xi的属性个数，表示样本xi的近邻集；用公式6计算样本xi与样本xj之间的距离dxi,xj； 步骤2-2：根据样本间距dxi,xj确定样本的近邻集；样本xi通过对dxi,xj升序排列，选择前k个样本，得到距离样本xi最近的K个样本，组成样本xi的近邻集其中k为自行设定的参数；步骤3识别并处理训练样本集中的噪声样本；步骤3-1：计算训练样本集的缺陷密度；假设原始训练集为T，其中有缺陷的样本为少数类，表示为T+；无缺陷的样本为多数类，表示为T-；使用公式1计算训练样本集的缺陷密度DT，其中numsT+表示有缺陷样本集T+中样本的数量，numsT表示原始训练集T的样本数量；DT＝numsT+umsT1步骤3-2：计算样本的缺陷密度；通过公式2计算各个样本的近邻集的缺陷密度Di，其中Ynsj表示近邻集中第j个样本的标签，Ynsj为0表示近邻集的第j个样本为无缺陷样本，Ynsj为1表示近邻集的第j个样本为有缺陷样本； 步骤3-3：对样本进行区域划分；如公式3所示，如果样本xi为无缺陷样本，通过对当前样本xi的近邻集的缺陷密度Di与训练样本集缺陷密度DT的比较，划分样本xi的区域；当缺陷密度Di大于训练样本集的缺陷密度DT，将样本xi划分到噪声区；当缺陷密度Di小于训练样本集的缺陷密度DT，将样本xi判断为非噪声区；如公式4所示，如果样本xi为有缺陷样本，当缺陷密度Di等于0时，也就是当前有缺陷样本xi的近邻集中全都是无缺陷样本，则判断样本xi处于噪声区；当缺陷密度Di大于0时，将样本xi划分到非噪声区；无缺陷样本: 有缺陷样本: 步骤3-4：处理噪声区样本；如公式5所示，丢弃处于噪声区的有缺陷样本；将噪声区的无缺陷样本的标签转换成有缺陷样本的标签，以此增加有缺陷样本的数量； 步骤4识别并处理边界样本；步骤4-1：通过步骤3获得了相对干净的训练样本集T′后，进入数据处理的第二阶段，对处于边界区的无缺陷样本进行识别及处理；步骤4-2：回到步骤3重新计算各个样本的近邻集步骤4-3：判断样本xi是否是无缺陷样本；如果样本xi是无缺陷样本，进入步骤3-2计算当前样本xi的缺陷密度Di′；当样本xi的缺陷密度Di′大于0，也就是说，当前无缺陷样本周围的k个邻居中存在有缺陷样本，则认为该样本处于边界区域，丢弃处于边界区域的无缺陷样本，形成新的训练样本集T″；步骤5平衡数据集；步骤6使用随机森林训练模型。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区2号大街；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。