تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله پیش بینی نقص نرم افزار با الگوریتم خوشه بندی k-means بر مبنای خوشه بندی درختی – نشریه IEEE

عنوان فارسی: پیش بینی نقص نرم افزار با استفاده از الگوریتم خوشه بندی k-means بر مبنای خوشه بندی درختی
عنوان انگلیسی: Software Fault Prediction Using Quad Tree-Based K-Means Clustering Algorithm
تعداد صفحات مقاله انگلیسی : 5 تعداد صفحات ترجمه فارسی : 15
سال انتشار : 2012 نشریه : آی تریپل ای - IEEE
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 6504 رفرنس : دارد
محتوای فایل : zip حجم فایل : 2.25Mb
رشته های مرتبط با این مقاله: مهندسی کامپیوتر
گرایش های مرتبط با این مقاله: مهندسی نرم افزار
مجله: نتایج و یافته های بدست آمده در حوزه مهندسی دانش و داده
دانشگاه: گروه علوم و مهندسی کامپیوتر، موسسه تکنولوژی بیرلا، هند
کلمات کلیدی: خوشه بندی k-means، درخت Quad، پیش بینی نقص نرم افزار
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه نشده است
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

چکیده

مقدمه

کارهای مربوطه

مروری بر درخت Quad و مقدار دهی اولیه به الگوریتم فرضی

درخت Quad

مقدار دهی اولیه به الگوریتم فرضی

پارامترها و تعاریف

طرح آزمایشی

مجموعه داده ها

آستانه متریک

پارامترهای ارزیابی

Gain(تقویت)

تنظیم و نتایج آزمایشات

تحلیل نتایج

نتیجه گیری

نمونه متن انگلیسی

ABSTRACT

Unsupervised techniques like clustering may be used for fault prediction in software modules, more so in those cases where fault labels are not available. In this paper a Quad Tree-based K-Means algorithm has been applied for predicting faults in program modules. The aims of this paper are twofold. First, Quad Trees are applied for finding the initial cluster centers to be input to the K-Means Algorithm. An input threshold parameter governs the number of initial cluster centers and by varying the user can generate desired initial cluster centers. The concept of clustering gain has been used to determine the quality of clusters for evaluation of the Quad Tree-based initialization algorithm as compared to other initialization techniques. The clusters obtained by Quad Tree-based algorithm were found to have maximum gain values. Second, the Quad Treebased algorithm is applied for predicting faults in program modules. The overall error rates of this prediction approach are compared to other existing algorithms and are found to be better in most of the cases.

نمونه متن ترجمه

چکیده

اصول غیر نظارتی همانند خوشه بندی برای پیش بینی نقص در ماژول نرم افزاری مورد استفاده قرار می گیرند. در اینجا برچسب ها و نشانه گذاری های ناقص و خراب قابل مورد توجه قرار نمی گیرند. در این مقاله الگوریتم k-means بر مبنای درخت Quad برای پیش بینی نقص در ماژول برنامه ها مورد استفاده قرار می گیرد. این مقاله دو هدف را دنبال می کند: اولا درخت Quad برای پیدا کردن مرکز اولیه خوشه¬های ورودی به الگوریتم k-means استفاده می شود. آستانه ورودی پارامتر ، بر تعداد خوشه های اولیه تسلط داشته و کاربر آن می-تواند خوشه های مرکزی اولیه مورد دلخواه خود را تولید کند. مفهوم خوشه بندی برای تعیین کیفیت دسته ها و خوشه ها بر مبنای ارزیابی الگوریتم درخت Quad استفاده می شود و ما در این مقاله آن را با اصول اولیه دیگر مقایسه می کنیم. خوشه های بدست آمده از این درخت باید حداکثر مقدار را داشته باشند. دومین هدف این مقاله، استفاده از الگوریتم درخت Quad برای پیش بینی نقص در ماژول برنامه است. نرخ خطا در این رویکرد پیش بینی با الگوریتم های موجود مقایسه شده و بهترین آنها بیرون کشیده می شود.