字典学习算法在软件缺陷检测中应用

　　针对目前存在的字典学习方法不能有效构造具有鉴别能力字典的问题，提出具有鉴别表示能力的字典学习算法，并将其应用于软件缺陷检测。首先，重新构建稀疏表示模型，通过在目标函数中设计字典鉴别项学习具有鉴别表示能力的字典，使某一类的字典对于本类的样本具有较强的表示能力，对于异类样本的表示效果则很差；其次，添加Fisher准则系数鉴别项，使得不同类的表示系数具有较好的鉴别能力；最后对设计的字典学习模型进行优化求解，以获得具有强鉴别和稀疏表示能力的结构化字典。选择经过预处理的NASA软件缺陷数据集作为实验数据，与主成分分析（PCA）、逻辑回归、决策树、支持向量机（SVM）和代表性的字典学习方法进行对比，结果表明所提出的具有鉴别表示能力的字典学习算法的准确率与F-measure值均有提高，能在改善分类器性能的基础上提高检测精度。