Tag Archive: شبکه عصبی عمیق LSTM متلب

فروش پروژه روش بهبود یافته برای پیش بینی خطای نرم افزار با یادگیری ماشین ترکیبی با MATLAB

کد پروژه: 3149

عنوان پروژه: فروش پروژه روش بهبود یافته برای پیش بینی خطای نرم افزار با یادگیری ماشین ترکیبی با MATLAB

قالب بندی: m – داکیومنت

دسته: کامپیوتر – MATLAB

قیمت: 150.000 تومان

قابلیت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه روش بهبود یافته برای پیش بینی خطای نرم افزار با یادگیری ماشین ترکیبی با MATLAB

در این تحقیق به ارائه یک مدل بهینه با دقتی بالا جهت پیش بینی خطای نرم افزار از داده های PROMISE پرداخته شده است. رویکرد این تحقیق بدین صورت است که در ابتدا داده ها وارد شبکه عصبی عمیق LSTM شده و سپس آموزش و آزمون آن ها به صورت احتمالاتی انجام می گیرد که ساختار شبکه به صورت P-LSTM در نظر گرفته می شود. چون LSTM جز شبکه های عصبی عمیق از نوع بازگشتی می باشد و حالت احتمالاتی یا P-LSTM نیز ساختاری احتمالاتی-بازگشتی دارد، لذا ممکن است نتایج پیش بینی آن دقیق نباشد و حتی به دلیل این که حجم داده ها و ویژگی های PROMISE زیاد است، در یک بهینه محلی و بیش برازش به دام بیفتد و برنامه مدام اجرا شود و هرگز پاسخی مشخص نگردد و پیش بینی صورت نگیرد. لذا تابع کارایی و عملکرد P-LSTM به عنوان تابع برازش الگوریتم بهینه سازی سیاه چاله مدنظر قرار می گیرد تا بتوان یک مدل بهینه سازی دقیق برای پیش بینی خطاهای نرم افزاری ارائه کرد. استفاده از معیارهای کارایی شامل نرخ ضمانت مهلت زمانی نهایی، تاخیر وظیفه متوسط، شاخص مقیاس پذیری سیستم، شاخص مصرف منابع و شاخص استفاده از منابع و همین طور معیارهای ارزیابی میانگین مربعات خطا، دقت، حساسیت، نرخ ویژگی ها و منحنی ROC با نرخ AUC، مدنظر واقع شده اند که نتایج، دقت 95% در پیش بینی خطای نرم افزاری را نشان می دهد و عملکرد مناسب نسبت به روش های پیشین را نمایش داده است.

عکس خروجی برنامه

عکس 1

http://www.nn4e.com/namira/3100/3149_1.jpg

عکس 2

http://www.nn4e.com/namira/3100/3149_2.jpg

عکس 3

http://www.nn4e.com/namira/3100/3149_3.jpg

عکس 4

http://www.nn4e.com/namira/3100/3149_4.jpg

 

برای خرید این پروژه با شماره 09360703858

یا آدرس ایمیل nn4e@aol.com در تماس باشید.