基于排序集成的软件并发缺陷动态预测算法

并发程序由于其随机性高的特点,容易导致并发缺陷。当并发缺陷出现时,会引起软件数据竞争,难以对软件完成调试。提出基于排序集成的软件并发缺陷动态预测算法。提取并发缺陷特征,通过层次聚类法构建特征簇。将互信息作为特征相关性的衡量标准,经过特征聚类,建立目标特征子集,设定合理阈值选出最具代表性的特征集。将敏感分析和属性权重相结合,确定代表特征的敏感权重,提高预测敏感性。使用多核分类器算法,采集软件运行数据初始样本,将样本分割为缺陷和非缺陷部分。经过boosting的反复训练,减小分类器误差。以boosting训练结果作为预测依据,判断样本是否存在并发缺陷,实现软件并发缺陷的动态预测。仿真结果表明,所提方法的预测结果和实际情况相符,且预测速率不受软件样本数据量多少影响。

基于熵驱动域适应学习的弱光照图像阴影去除

针对日常图像获取与处理过程中由于拍摄光线较差等问题,导致图像出现部分阴影,影响图像处理效果等问题,提出基于熵驱动域适应学习的弱光照图像阴影去除方法。通过熵驱动域适应学习技术构建多核分类器,获取弱光照图像的最大平均差异值,完成弱光照图像的预处理。将图像光照分解设定为图像分解与重光照,获取图像最小像素值,根据图像亮度以及RGB方向相似度建立局部像素的约束,完成弱光照图像的分解;采用区域生长法,以检测到的弱光照图像阴影边缘作为基准点,选择灰度值较重部分作为阴影生长起始点,确定弱光照图像的纹理特征值,利用光照补偿方法恢复图像光照,完成弱光照图像阴影去除。仿真结果表明,采用所提方法对弱光照图像阴影去除的效果较好,改善了弱光照图像的质量。