软件故障预测模型的模糊推理系统及其基本指标研究

Journalof King Saud University沙特国王大学沙特国王大学学报www.ksu.edu.sawww.sciencedirect.com故障预测模型开发中识别相互作用程度的模糊推理Rinkaj Goyal*，Pravin Chandra，Yogesh Singh信息和通信技术学院，Guru Gobind Singh Indraprastha大学，Sector 16 C，Dwarka，Delhi 78，印度接收日期：2014年10月8日;修订日期：2014年12月24日;接受日期：2014年2015年11月3日在线发布摘要为了提高软件质量，基于不同建模技术的软件故障预测模型在过去的三十年里得到了广泛的研究。在研究人员使用的分析技术中，模糊建模及其变体占据了主要份额引起了研究界的注意。在这项工作中，我们展示了通过数据驱动的模糊推理系统开发的模型。由这样一个推理系统诱导的一套全面的规则，随后是一个简化过程，提供了对语言识别的交互水平的更深入的了解这项工作利用了一个公开的数据存储库的四个软件模块，提倡在模型开发中考虑复合效应，特别是在软件测量领域。一个相关的目标是识别故障预测模型开发中的基本指标。模糊规则本质上代表了模糊输入之间的一种相互作用形式。对这些规则的分析表明，基于继承的指标的低和非（高）级别对模型的F-度量估计有显著贡献。此外，在这项实证研究中，发现缺乏方法内聚性（LCOM）指标无意义©2015作者。制作和主办由爱思唯尔B.V.代表沙特国王大学。 这是CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍软件模块的故障倾向性是外部度量，并且故障预测模型将建模技术应用于故障预测模型。*通讯作者。联系电话：+91 8826020315。电子邮件地址：rinkajgoyal@gmail.com（R.戈亚尔），钱德拉。pravin@gmail.com（P. Chandra），ys66@rediffmail.com（Y.Singh）。沙特国王大学负责同行审查内部软件度量来预测故障倾向（Catal和Diri，2007; Fenton和Neil，1999）。由于面向对象技术在工业中的实践增加，已经提出了面向对象度量的广泛使用，并且努力集中在构建预测有缺陷的模块的模型上（Arisholm等人，2010年）。这些度量不仅指示对象的复杂性及其与其他对象的关联（交互），而且还测量质量模型的不同特性。本文使用了广泛使用的Chidamber和Kemerer（CK）度量标准以及代码行数（Lines of Code，缩写为LLS）度量标准进行实证研究。新的故障预测模型可以从先前报道的经统计验证的改进模型开发，或者可以http://dx.doi.org/10.1016/j.jksuci.2014.12.0081319-1578© 2015作者。制作和主办由爱思唯尔B.V.代表沙特国王大学。 这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier关键词软件故障预测;模糊推理系统;经验度量;面向对象度量94R. Goyal等-开发自己的定制模型。这种自定义模型的增长反映了软件项目的必要性，并应用了操作中受影响的人员的专业知识（Weyuker等人， 2007年）。基于模糊的模型将对过程的主观理解和专业知识转化为数学上可解释的数字和规则，以生成具有一定程度不确定性的系统。在实验软件工程中使用模糊逻辑对软件演化过程的各个方面进行建模，越来越多地获得研究界的认可（Ahmed和Muzaffar，2009年; Aljahdali和Sheta，2011年;Bouktif等人，2010; Chiu，2011; Engel和Last，2007; Gray和 MacDonell ， 1997;Khoshgoftaar 和 Seliya ， 2003;MacDonell，2003; Meneely等人， 2008;Ozcan等人，2009;Pandey和Goyal，2009; So等人，2002年;Verma和Sharma，2010年）。本研究讨论了在 使用GUAJE框架开发故障预测模型时使用模糊推理机制来识别最显著的规则（Alonso和Magdalena，2011 a，b;Alonso等人， 2012年）。本研究利用了NASA数据库中四个软件模块的数据集进行实验（Jureczko和Madeyski，2010）。虽然在本文中，我们从数据本身获得知识。然而，模糊推理机制允许在模糊规则的制定中加入专家经验在本文中，变量之间的相互作用不是概念化为乘法项（通常用于回归分析），而是这里分析的相互作用类型由FIS算子调制。本文的其余部分组织如下：第2节介绍了一个模糊推理系统的核心成分和一个典型的fingram的语义;第3节描述了数据集和FIS模拟参数;第4节介绍了得出的结果，并进一步阐述了准确性措施开发的FIS。我们的结论在第5节中给出。2. 模糊推理系统与图形语义数据驱动模糊推理系统的核心要素是：1. 模糊化模块：使用隶属函数将清晰的输入转换为模糊值。在数据驱动模糊推理系统的构造中，数据集变量的清晰值的模糊划分实现了这一模糊过程。2. 模糊推理系统（FIS）：以规则的形式完成语言交流信息的输入输出映射。不同的潜在构建算法通过从数据中学习来归纳这些规则3. 简化模块：保持规则的数量小，并保持一致的规则库。虽然这个模块在模糊推理过程中是可选的，GUAJE框架提供了使用这个模块生成的模糊规则的可读性提高。4. Defuzzi fication：将模糊输出转录回清晰值。图1阐明了上面讨论的数据驱动模糊推理系统的核心元素（Guillaume和Charnomordic，2011）。承认专业知识图1模糊推理系统的核心元素。是不可访问的，该图没有明确地赋予来自用户的反馈观点，并且规则归纳仅仅通过可用信息发生。在这项研究中使用的仿真环境创建了一些不同大小的模糊分区行使三种机制，即定期分区，k-均值算法与不同数量的组和层次模糊分区（HFP）。结合划分系数（PC）、划分熵（PE）和Chen指数（CI）等标准确定合适的划分。一个可靠的划分使熵最小化，并使划分系数和Chen指数最大化（Guillaume and Charnomordic，2011）。为了从模糊化的输入数据中归纳出规则，实验使用了快速原型算法（FPA）。FPA基于规则匹配度和数据集中的记录数生成规则。FPA产生的图案数量相当大。因此，简化模块保护了最强的交互，并排除了其他变量，这些变量只出现在某些规则中。派生FIS使用归一化熵作为分类问题的标准，以保持精度和可解释性之间的平衡。从上述模糊推理机制获得的结果利用图形对强相互作用和其他有用的结果进行视觉分析。在fingram中，圆形节点制定规则，其大小作为覆盖数据样本的比较大小。圆圈的分类颜色描述了不同类别的数据集。例如，在图2中。在数据集中有两个类，由图1B中的图例描述。 二、类1.0和2.0分别代表无故障和故障数据样本，本文构造的所有指形图的解释中使用相同的每个圆圈表示cov、G、Ci的值，其解释如下（Pancho等人，2013年a）：1. 节点覆盖率（cov）：覆盖的数据样本与样本总数的比率（与解释fingram相关）。2. Goodness（G）：表示规则对数据样本进行分类的优度。它的值从1到1不等。负值表示正确分类的数据样本数量较少。3. 节点的相对覆盖率（Ci）：这是指对应于输出类的规则的覆盖率。它是由该规则覆盖的数据样本数量与该类中数据样本总数的故障预测模型开发中识别相互作用程度的模糊推理95表1FIS。数据集用于生成数据集案件数量缺陷率%Lucene34059.71POI44263.37速度22934.06Xalan74148.119图2一个字母图的结构。链接的层次、颜色和厚度具有重要的意图。标签衡量的是烧结程度，通过链接的厚度进行视觉渲染。绿色的链接指向同一个类的节点。而红色链接指向另一个类的节点。如图2所示，规则R1包括一个类的最大数据样本，规则R3最大限度地覆盖另一个类的实例。这种可视化将主要有助于分析规则的覆盖范围，同时还演示了在FIS中同时触发的规则。在知识库设计中同时对这些重要规则进行分类，将进一步帮助对基本指标进行编目本文的结果和讨论部分解释并评估了与生成的图形设计一起存储的3. 数据集和FIS模拟参数在这项工作中，我们使用来自公开可用的promise数据库的具有合理缺陷的中小型数据集（Jureczko和Madeyski，2010）。本实证研究使用了四个软件系统，即Lucene，Poi，Synapse，Velocity和Xalan。表1显示了所使用的数据集的描述性统计，表2提供了本研究中广泛使用的Chidamber和Kemerer（CK）度量的简要总结，以量化面向对象系统开发的不同特征（Chidamber和Kemerer，1994; Chidamber等人，1 9 9 8 ; Basili等人，1996年）。我们利用6个类级别的源代码度量和代码行（Lines of Code，缩写为DNC）度量以及其他可用度量。表3描述了本研究中观察到的单个软件模块对于所有四个软件模块，以下参数用于生成FIS：1. FIS运算符：合取最小，析取最大。2. 解模糊：最大清晰度。3. 规则归纳：快速原型算法。4. Fingram生成：良好阈值高= 0.5，低=0.1通过采用迄今为止在不同领域（如Scientometrics和社交网络分析）中使用的分析技术，指画在视觉上表示FIS的整体行为（Pancho等人，2013年a）。在Scientometrics中，scientogram视觉表示共同引用，即其他人同时引用两个文献的重复（Pancho等人，2013年b）。社会网络分析（Social Network Analysis，SNA）使用网络理论来观察节点和边缘之间的社会关系。缩放算法在节点之间采取不同的邻近度度量来绘制简化的底层组织，这促进了数据中相关模式的自然推理（Pancho等人，2013年b）。本研究中使用的缩放算法是路径查找算法（PFA）。该算法具有出色的能力，对称，非对称的关系和显着的关系模型中存在的数据。在网络中实现Path finder的结果是一个被称为PFNET的修剪网络（Alonso et al.，2011;Guillaume and Charnomordic，2011）.4. 结果和讨论实验结果来自开发的模糊推理系统（FIS）的四个软件模块。4.1. 使用Lucene模块进行下表4显示了融合过程的结果。清晰数据的模糊建模使用了第3节中讨论的模糊划分。BUG变量是这里的分类器其值1.0和2.0分别表示无故障和故障数据样本。这些规则是使用快速原型算法从数据中归纳出来的，如第1节中简要强调的那样。表5显示了典型FIS的简化模块的结果，即减少的规则数量，表6列出了减少的规则数量，对应于这些减少的规则数量;图3显示了生成的图。从图中可以明显看出（4.5节）规则R1和R2同时发生，规则1覆盖了具有显著优度水平的故障类的96R. Goyal等表2类级别源代码度量的描述。指标名称说明每类加权方法（WMC）缺乏方法的内聚性（LCOM）具有明显的特征，质量模型可维护性、可重用性和可理解性效率和可重用性响应类（RFC）此度量与类中实现的方法相关，并由总结类中实现的所有方法的圈复杂度这个度量指标表明类设计的组件内部的统一性。它是通过计算类中不共享相同类实例变量的具有零相似性的方法对来估计的此指标与请求（消息）有关，对象向其他对象发出，并计算为类中实现的所有方法中的方法计数，这些方法可以远程调用以响应发送的消息。这意味着本地方法和可以远程调用的方法的总数该度量揭示了设计中一个类对其他类的依赖性。这种依赖性可能是由于消息传递机制或继承而发生的。它是通过对与其他类这个度量显示了类设计中的继承级别，并表示继承层次结构中从给定类到根类的最长路径的长度。虽然继承促进了类的可重用性，但使维护和调试更加复杂这个度量与继承特性有关，类似于DIT，通过计算从给定类继承的直接子类的数量来虽然NOC的大值增强了可重用性，但使类难以测试可理解性，可维护性和可测试性之间的耦合对象类（CBO）可重用性和效率继承的深度树（DIT）效率，可重用性，可理解性和可测试性的儿童（国家奥委会）可重用性、效率和测试性规则R1：如果dit为低，noc为低，cbo为非（高），则bug为2.0。规则R2：如果wmc不是（高）和dit是更多或更少（平均）和noc是低和cbo是平均，那么bug是2.0。因此，RFC和LCOM指标不会出现在故障预测中的上述重要规则中。这可以根据RFC度量与CBO（表3）显著相关的事实来解释，并且CBO在规则1和规则2中都发生在语言术语的较高一侧。类似地，LCOM与RFC高度相关，并且RFC的效果已经被CBO捕获。从Lucene模块导出的结果支持低端NOC和DIT语言术语，而CBO和WMC则支持高端（语言术语）。4.2. 使用Poi模块进行Poi软件模块的观察性研究（Jureczko和Madeyski，2010）复制了Lucene软件模块的考虑因素。为了实现数据集的模糊化，FPA的使用带来了19条规则，简化过程将规则数量减少到4条（表7Fingram对这些简化规则的研究建立了随后的结果（图4）。运用语法构成的分类法，R1和R2规则是错误案例分类中著名的规则。此外，由于设计中的吸收优良因子，规则1比规则2具有优势。规则1：如果wmc是低和dit是低和noc是低和cbo是不是（高）和rfc是不是（高）那么bug是2.0。规则2：如果wmc不是（高）和dit不是（高）和noc是低和cbo不是（高）和rfc是平均，那么bug是2.0。在这里，LCOM和ESTA并没有出现在规则中。根据Poi模块的相关矩阵，RFC和LCOM之间的相关值最高，两者都是。通过对主要规则的考察，发现RFC在语言学上的发生倾向于更高的一侧，从而具有LCOM和RCOM的预测能力4.3. 使用Velocity模块进行为了突出本文所述路线图的鲁棒性，对Velocity模块进行了 与 前 两 个 模 块 类 似 的 实 验 和 讨 论 （ Jureczko 和Madeyski，2010）。表10-对生成的图形的总结（图5）确立了规则1和规则3的优越性。规则1：如果wmc是低和dit是低和rfc是不（高）和loc是低，那么bug是2.0。规则3：如果wmc是或多或少（平均值），并且dit是低的，并且rfc是低的，并且loc是低的，那么bug是2.0。参考速度模块LCOM的相关矩阵（表3），CBO和NOC度量与WMC度量具有最高的相关系数值。因此，可以看出，坚决的指标集显著减少，LCOM、CBO和NOC指标在现行规则列表中没有上升。4.4. Xalan模块与前几个模块类似的实证研究是针对相对较大的Xalan数据集进行的。 表13Fingram解释（图6）确立了规则1、规则2和规则3的最高地位。故障预测模型开发中识别相互作用程度的模糊推理97表3数据集四个软件模块的相关矩阵。WMC DIT NOCCBORFCLcomLOC故障LuceneWMCDITNOCCBORFCLCOM故障10.01230.49210.92640.84880.84470.2473-0.09731-0.1817-0.1852-0.0367-0.0809-0.0976-0.07910.350.0268-0.0723-0.175-0.050710.44620.43760.26990.093210.79990.85180.275610.78120.111110.26541POIWMCDITNOCCBORFCLCOM故障速度WMCDITNOCCBORFCLCOM故障XALANWMCDIT0.24770.85930.71890.53380.1831-0.01361-0.03171-0.0687-0.0876-0.0988-0.0147-0.0831-0.3221-0.139110.10830.50170.86560.80860.7360.1710.0728-0.0694-0.0848-0.0705-0.3634-0.062110.33290.07030.03140.0387-0.001510.43790.43350.17410.016310.66510.62550.215710.56030.095910.131411-0.15991表4 Lu c e ne 模块数据集的模糊化。语言变量语言值范围WMC低、中、高[1，166]DIT低、中、高[1、5]NOC低、中、高[0，17]CBO低、中、高【0，128】RFC低、中、高【1392】Lcom低、中、高【0，6747】LOC低、中、高【1，8474】表5为Lucene应用简化过程后的规则列表规则语言规则R1如果dit为低且noc为低且cbo为NOT（高），则bug为2.0R2如果wmc不是（高）和dit是或多或少（平均）和noc是低和cbo是平均，那么bug是2.0R3如果wmc是低和dit是更多或更少（平均）和noc不是（高）和cbo是低，那么错误是1.0R4如果wmc是低和dit是低和noc是平均和cbo是平均那么错误是1.010.391910.00650.37411-0.01010.22210.662110.00760.20360.58570.4091-0.04870.13950.26910.13550.227710.1357-0.0178 10.4237-0.0079 0.31421RFC 0.8645-0.0621 0.09320.47881LCOM 0.7989-0.1051 0.10240.33550.61921LOC0.47020.03020.07860.18390.54320.33081故障0.3181-0.21740.04370.28530.38350.13190.10741规则1：如果dit是low，noc是low，rfc是NOT（high），那么bug就是2.0。规则2：如果wmc不是（高）和noc不是（高）和cbo是更多或更少（平均）和rfc不是（高）那么bug是2.0。规则3：如果wmc不是（高）和dit不是（高）和noc是低和cbo是低和rfc是平均，那么bug是2.0。最强规则列表中没有出现LCOM和RISK指标。这是因为LCOM和LCOM与RFC高度相关，RFC正朝着语言学术语的更高方向发展。FIS生成的规则表示变量之间的相互作用，从而为复杂的非线性函数提供有利的建模。规则（基本规则）在98R. Goyal等表6Lucene应用简化过程后的变量列表表Poi.8应用简化过程后的规则列表可变语言值范围规则语言规则WMC低，平均，高[1，166]R1如果wmc为低且dit为低且noc为低且cbo为DIT低，或多或少（平均）[1、5]NOT（high）AND rfc is NOT（high）THEN bug is 2.0NOC低，平均，高[0，17]R2如果wmc不是（高）且dit不是（高）且noc是CBO低，平均，高【0，128】low AND cbo is NOT（high）AND rfc is average THENbugBUG1.0，2.0[第1、2项]为2.0R3如果wmc为低且dit为NOT（低）且noc为低且R4cbo低且rfc低，则bug为1.0如果wmc是平均值，且dit是低值，且noc是低值，且cbo是低值，且rfc是低值，则bug为1.0表9关于Poi应用简化过程可变语言值范围WMC低、中、高【0，134】DIT低、中、高[1、6]NOC低，或多或少（平均）【0，134】CBO低、中、高【0，214】RFC低、中、高【0，390】BUG1.0，2.0[第1、2项]图3Fingram对应于Lucene的精简规则集。表7Poi数据集的模糊化可变语言值范围WMC低、中、高【0，134】DIT低、中、高[1、6]NOC低、中、高【0，134】CBO低、中、高【0，214】RFC低、中、高【0，390】Lcom低、中、高【0，7059】LOC低、中、高【0，9886】BUG1.0，2.0[第1、2项]简化过程表示变量之间的有效相互作用。图7描绘了所有四个软件模块的基本规则中不同模糊化水平下变量的频率。由于本研究中创建的FIS也将规则的一致性作为衡量规则影响的重要因素，因此同一变量可能会在表格的多个单元格然而，在这种情况下，分配给变量的额外计数不会改变结果的可解释性。从图7中可以明显看出，基于固有性的度量的低度（隶属度）对识别错误类有很大贡献。故障预测模型开发中识别相互作用程度的模糊推理99图4Fingram对应于Poi模块的精简规则集。DIT和NOC的频率计数分别为6和5，这比其他变量的计数更突出很明显，最显著的丰富来自变量的低和非（高）水平的相互作用。在文献中，内聚测度（LCOM）已被报道为分类故障倾向类的关键度量但是，在这项研究中，LCOM与频率计数为空无关。由于指标通常是相关的，LCOM的交互作用100R. Goyal等表10速度模块数据集的模糊化。可变语言术语范围表12对速度模块表13Xalan模块的数据集的模糊化。可变语言值范围WMC低、中、高【0，130】DIT低、中、高[1，8]NOC低、中、高[0，29]CBO低、中、高【0，173】RFC低、中、高【0，391】Lcom低、中、高【0，7393】表15对Xalan模块应用简化过程后的变量列表。可变语言值范围WMC低、中、高【0，130】DIT低、中、高[1，8]NOC低、中、高[0，29]CBO低，或多或少（平均）【0，173】RFC低、中、高【0，391】表11对velocity模块规则语言规则R1如果wmc为低且dit为低且rfc为NOT（高）且loc为低，则bug为2.0R2如果wmc低且dit或多或少（平均值）且rfc为平均值且loc低，则bug为2.0R3如果wmc或多或少（平均值）且dit较低且rfc较低且loc较低，则bug为2.0R4如果wmc低且dit或多或少（平均值）且rfc低且loc低则bug为1.0R5如果wmc或多或少（平均值）且dit低且rfc平均且loc低则bug为1.0WMC低、中、高【0，153】可变语言值范围DIT低、中、高[1、5]WMC低，或多或少（平均）【0，153】NOC低、中、高[0，39]DIT低，或多或少（平均）[1、5]CBO低、中、高[0，80]RFC低、中、高【0，250】RFC低、中、高【0，250】LOC低，或多或少（平均）【0，13175】Lcom低、中、高【0，8092】BUG1.0，2.0[第1、2项]LOC低、中、高【0，13175】BUG1.0，2.0[第1、2项]图5Fingram对应于Velocity模块的精简规则集。表14对Xalan模块应用简化过程后的规则列表。规则语言规则R1如果dit为低且noc为低且rfc为NOT（高），则bug为2.0R2如果wmc不是（高）且noc不是（高）且cbo是更多或更少（平均）且rfc不是（高）则bug为2.0R3如果wmc不是（高）且dit不是（高）且noc是低且cbo是低且rfc是平均值，则bug为2.0R4如果wmc是平均值，且dit是平均值，且noc是低值，且cbo是低值，且rfc是低值，则bug为2.0R5如果wmc低且dit高且noc低且cbo低且rfc低则bug为2.0R6如果wmc低且dit是平均值且noc低且cbo低且rfc低则bug为1.0R7如果wmc低且dit低且noc平均且cbo低且rfc低则bug为1.0故障预测模型开发中识别相互作用程度的模糊推理101图6Fingram对应于Xalan模块的精简规则集。图7模糊变量102R. Goyal等可能会被其他指标所取代。前面的章节已经用相关矩阵的相应条目证明了这一事实.本研究探讨了在模型开发中，主要是在软件工程领域，促进复合效应概念的度量之间的相互作用程度。一个相关的目标是识别突出的指标。4.5. 开发模型以下情况出现，同时检查FIS在分类问题中的执行情况（Alonso和Magdalena，2011 b）1. 未分类案例（Unclassified cases）：数据样本中至少有一条规则的激活度超过了规则的激活度阈值2. 歧义原因：数据样本中有多个规则以不同的激活级别被触发。3. 错误情况：数据样本，其中观察到的和推断的输出不同。4. 歧义情况：可以进一步归类为一个单独的类别，其中歧义指向错误情况。基于上述情况，使用以下统计测量来确定本研究中模型的性能（Alonso等人， 2012年）;1. 精确度：正确分类的数据样本数量与数据样本总数的比率（正确分类和错误分类为正确）。从概率上讲，这是类相关性的平均概率。它表示为比率精度=真阳性/（真阳性+假阳性）2. 召回率：正确分类的数据样本数量与数据样本总数（正确分类和错误分类为错误）的比率。从概率上讲，这是正 确 分 类 的 平 均 概 率 。 它 表 示 为 比 率 Recall= TruePositive/（True Positive+假阴性）3. F-measure：精确度和召回率的调和平均值，表示为：F-measure= 2 *（（精确度 * 召回率）/（精确度+召回率））下表显示了所有四个软件模块的FIS准确度。FIS在精度部分的表现也相当不错。表16中列出的结果与已发表研究中报告的估计值相当（Okutan和Yildiz，2012）。特定度量的有效性可能会随着与项目相关的内部程序实现而变化，并且在此报告中通常会报告不一致的结论。表16FIS的准确性测量模块精度回忆（灵敏度）F-measureLucene0.5190.5050.508POI0.6290.5630.517速度0.7660.7550.759Xalan0.6530.6480.650域这进一步加强了在使用回归分析的分析中所做的推理（Goyal等人，2013a，b，2014，2015），互动问题发挥着重要作用。5. 结论软件开发是一项人类活动，模糊建模不仅有效地管理了以人为中心的系统分析中的不确定性，而且即使在历史数据有限的情况下，也能模拟定制预测模型的开发。本研究提出了基于FIS的机制，以包含不同的交互特征，同时也对错误类进行了相当可靠的分类。FIS保持逐步增加专家经验，以表达有效的互动。利益冲突作者声明，发表本文不存在利益冲突。致谢通讯作者将借此机会感谢Jose M，Alonso博士，副研究员（欧洲软计算中心，西班牙）为GUAJE框架的运作提供了宝贵的支持。引用Ahmed，文学硕士，Muzaffar，Z.，2009.处理软件开发工作量预测中的不精确和不确定性：一个基于2型模糊逻辑的框架。信息软件Technol.51（3），640-654.Aljahdali，S.，Sheta，A.F.，2011.用模糊逻辑预测软件系统的可靠性。2011年第八届信息技术国际会议：新一代（ITNG）。IEEE，pp. 36比40阿隆索，J.M.，马格达莱纳湖2011年a。在java环境下产生可理解且精确的模糊规则系统。在：模糊逻辑和应用，卷。十五岁施普林格，pp. 212- 219阿隆索，J.M.，马格达莱纳湖2011年b。HILK++：一种可解释性指导的模糊建模方法，用于学习可读和可理解的模糊规则分类器。软. Comput. 15（10），1959-1980年。阿隆索，J.M.，科登岛，奎林，A.，马格达莱纳湖2011.用模糊推理图分析模糊规则系统的可解释性。上一篇：World Congresson Soft Computing阿隆索，J.M.，潘乔，D.P.，马格达莱纳湖2012.增强模糊建模工具GUAJE与一个新的模块为基础的模糊规则库的分析。2012年IEEEInternationalConferenceonFuzzySystems （ FUZZ-IEEE）。IEEE，pp. 1-8号。Arisholm，E.，Briand，L.C.，Johannessen，E.B.，2010.对建立和评估故障预测模型的方法进行系统和全面的研究。J. 系统软件。 83（1），2-17。巴西利，V.R.，Briand，L.C.，Melo，W.L.，1996.面向对象设计度量作为质量指标的验证. IEEE Trans. Softw. Eng.22（10），751-761。Bouktif，S.，艾哈迈德，F.哈利勒岛，安东尼，G.，2010.一种改进软件质量预测的新型复合模型方法。信息软件Technol.52（12），1298-1311.加塔尔角，Diri，B.，2007.基于人工免疫识别系统的面向对象度量软件故障预测。产品聚焦。软件。过程改进， 300- 314故障预测模型开发中识别相互作用程度的模糊推理103Chidamber，S.R.，Kemerer，C.F.，1994.面向对象设计的度量套件。IEEE Trans.软件。Eng. 20（6），476-493.Chidamber，S.R.，D.P.达西Kemerer，C.F.，1998.面向对象软件度量的管理性使用：探索性分析。IEEE Trans. Softw. Eng.24（8），629-639.Chiu，N.，2011.软件质量分类的组合技术：综合决策网络方法。专家系统应用38（4），4618-4625。Engel，A.，最后，M，2007.使用模糊逻辑范例建立软件测试成本与风险模型。J. 系统软件。 80（6），817-835。芬顿，东北部，Neil，M.，1999.软件缺陷预测模型的批判。IEEETrans.软件。Eng. 25（5），675-689。戈亚尔河，巴西-地Chandra，P.，Singh，Y.，2013年a。故障预测的组合度量方法中交互作用的影响。软件。质量。教授（ASQ）15（3），15-23。戈亚尔河，巴西-地Chandra，P.，Singh，Y.，2013年b。故障预测组合度量方法中的基本度量识别。第627章（一）戈亚尔河，巴西-地Chandra，P.，Singh，Y.，2014. KNN回归在基于交互的软件故障预测模型开发中的适用性。IERI Procedia6，15-21.戈亚尔河，巴西-地Chandra，P.，Singh，Y.，2015. M5'模型树与MLR在开发涉及度量之间交互作用的故障预测模型中的比较。在：网络，计算，电子学习，系统科学和工程的新趋势，施普林格国际出版社，pp。149比155Gray，A.，MacDonell，S.，1997.模糊逻辑在软件度量模型开发工作量估算中的应用。在：模糊信息处理社会。IEEE，pp.394-399.Guillaume，S.，Charnomordic，B.， 2011. 用FisPro学习可解释的模糊推理系统。信息科学181（20），4409- 4427。Jureczko，M.，马代斯基湖2010.关于缺陷预测的软件项目群识别。在：第六届软件工程预测模型国际会议论文集，第9卷。ACM。Khoshgoftaar，T.M.，Seliya，N.，2003.软件质量评估的基于类比的实用分类规则。恩皮尔软件。Eng. 8（4），325-350。MacDonell，S. G.，2003.使用模糊逻辑建模的软件源代码大小。信息软件Technol.45（7），389-404.Meneely，A.，威廉斯湖，斯奈普斯，W.，Osborne，J.，2008.通过 开 发 者 网 络 和 社 交 网 络 分 析 预 测 失 败 。 第 16 届 ACMSIGSOFT软件工程基础国际研讨会论文集。ACM，pp. 13比23Okutan，A.，Yildiz，O.T.，2012.使用贝叶斯网络进行软件缺陷预测。恩皮尔软件。工程师：1-28Ozcan，F.，Atbackslashcs，C.D.，Karahan，2009年。人工神经网络和模糊逻辑模型预测硅粉混凝土长期抗压强度的比较。高级工程师软件。40（9），856-863.潘乔，D.P.，阿隆索，J.M.，马格达莱纳湖2013年a。探索模糊建模工具GUAJE中的fingrams支持的互可预测性-准确性权衡。国际计算机内特尔System. 6（sup1），46-60. 潘乔，D.P.，阿隆索，J.M.， Alcala'-Fdez，J.，2013年b。 一种新的基于模糊图的软件工具，用于模糊关联规则的可视化表示和分析。2013 年IEEE国际会议模糊系统（FUZZ）。IEEE，pp. 1-7号。Pandey，A.K.，Goyal，N.K.，2009.利用过程成熟度和软件度量进行 早 期 软 件 故 障 预 测 的 模 糊 模 型 。 Int. J. Electron. Eng. 1（2），239-245.那么，S. S Cha，S.D.，Kwon，Y.R.，2002.基于模糊逻辑的软件质量预测模型的实证评估。模糊集系统 127（2），199-208。Verma，H.K.，夏尔马，V.，2010.在软件开发中使用模糊逻辑预测工作量来处理输入的不精确性。2010年IEEE第二届国际先进计算会议（IACC）。IEEE，pp. 436- 442Weyuker，E.J.，Ostrand，T.J.，贝尔，R.M.，2007.使用开发人员信息作为故障预测的因素。在：第三届软件工程预测模型国际研讨会论文集，第8卷。IEEE计算机协会。