:دانلود فایل متن کامل پایان نامه در سایت sabzfile.com

دانلود متن کامل پایان نامه مقطع کارشناسی ارشد

برای رعایت حریم خصوصی نام نگارنده پایان نامه درج نمی گردد

(در فایل دانلودی نام نویسنده موجود می باشد)

تکه هایی از متن پایان نامه به عنوان نمونه : جستجو در سایت :   

(ممکن می باشد هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود اما در فایل دانلودی همه چیز مرتب و کامل می باشد)

مقدمه

آن چیز که که بین تمام علوم مشترک می باشد، حجم وسیعی از اطلاعات و داده به شکل­های مختلف می باشد، که همراه با پیشرفت و وسعت علوم بزرگتر و ارزشمندتر می­گردد. با رشد سریع علوم کامپیوتر و بهره گیری از آن در چند دهه اخیر، تقریبا همه سازمان­ها در پروژه­های مختلف خود حجم عظیمی داده در پایگاه­های داده ذخیره می­کنند. این سازمان­ها و کسانی که به نوعی در پروژه­ها سهیم هستند به فهم این داده­ها و بهتر بگوییم کشف دانش نهفته در آن نیازمندند. این نیاز، باعث به­وجود آمدن حوزه جدید میان رشته­ای کشف دانش و داده­کاوی[1] شده می باشد، که حوزه­های مختلف همچون پایگاه داده، آمار، یادگیری ماشین را برای کشف دانش ارزشمند نهفته در اطلاعات و داده­ها را با هم تلفیق می­کند. اصطلاح Data­ Mining همان­گونه که از ترجمه آن به معنی داده­کاوی مشخص می گردد، به مفهوم استخراج اطلاعات نهان، و یا الگوها وروابط مشخص در حجم زیادی از داده‌ها در یک یا چند بانک اطلاعاتی بزرگ می باشد.

هر نرم­افزار در طول فرآیند­تولید و پس از آن، انبوهی از اطلاعات ­و مستندات دارد که قابل کاوش و بهره گیری­ مفید می باشد. این داده­ها معمولا در پایگاه­ داده­هایی به­نام مخازن نرم­افزاری[2] ذخیره و نگهداری می­شوند. مخازن نرم­افزاری نمایش دقیقی از مسیر­تولید یک سیستم ­نرم­افزاری ارائه می­دهند]1 .[هدف ازکاوش مخازن نرم­افزاری[3]MSR بهره گیری هوشمند از تحلیل داده­های نهفته در آن­ها برای کمک به تصمیم­گیری های بهتر و سریعتر در پروژه تولید و پشتیبانی آن­ها می باشد. آن­چه که در اینجا مورد توجه این پژوهش می باشد، استخراج اطلاعات مهم برای همه ذینفعان پروژه نرم­افزاری می باشد. این اطلاعات از مجموعه داده­های مرتبط با خطا­های رخ داده در طول تولید و پشتیبانی پروژه استخراج می گردد.

در سال­های گذشته مدل­های مختلفی با بهره گیری از الگوریتم­های داده­کاوی، تشابه متن و دسته­بندی و خوشه­بندی داده­ها ارائه شده. اما از آن­جا که جستجو و استخراج اطلاعات از میان داده­های متنی نیازمند روشی هوشمند برای تطبیق جنبه­های معنایی و دستوری می باشد، نیاز به مدل­هایی که از الگوریتم­ها معنایی بهره گیری­کنند هست.در پژوهش­های مورد مطالعه این نیاز حس می­گردد.

 

 

 

کوشش بر این شده که با بهره گیری از الگوریتم معنایی برپایه مجموعه تشابه جملات[4]بر پایه LCS[5]]3[ و تشابه کلمات (SOC-PMI[6] )]3[، روی مستندات ذخیره­ شده در مخازن خطای نرم­افزار، مانند راه­حل­های ارائه ­شده برای خطا­های مشابه مدل­های قبلی را تکمیل­کرده و جوابی بهینه و سریع­تر برای خطای پیش آمده پیدا کنیم. همچنین می­توان زمانی تخمینی نیز برای تصحیح خطا پیش­بینی نمود تا راهنمای تیم توسعه و ذینفعان دیگر نرم­افزار باشد. همچنین دید بهتری نسبت به طریقه پیشرفت و تکامل نرم­افزار مورد نظر ارائه ­گردد.

 

2.1. تعریف مسئله

یکی ­از مراحل مهم و اساسی در مهندسی ­و تولید نرم­افزار مرحله یافتن و رفع خطا­های موجود در نرم­افزار می باشد. این مرحله از تولید نرم­افزار جزء وقت­گیرترین و پرهزینه ­ترین مراحل به­ حساب  می­آید]4[. سال­هاست که دانش داده­کاوی و استخراج دانش به کمک مهندسین نرم­افزار آمده­می باشد. رفع خطا در فرآیند تولید بسته به مدل توسعه نرم­افزار چندین بار انجام می­گیرد. خطا­ها و معضلات برطرف ­شده معمولا به روش­های مختلف تحت عنوان مخازن خطای نرم افزار، مستند­سازی و ذخیره می­گردد. این مخازن منابع عظیم دانش هستند، که کمک بزرگی در تسریع زمان تولید نرم­افزار و پایین­آوردن هزینه­ها خواهد­بود]5[. روش­هایی نیاز­می باشد که این دانش و اطلاعات مفید استخراج گردد. در این پژوهش روشی برای سرعت بخشیدن به رفع­خطای جدید با بهره گیری از اطلاعات موجود در مخازن خطای نرم­افزار، ارائه شده­می باشد. مدل­های زیادی تا به­حال ارائه­شده که یا مکمل هم بوده یا از الگوریتم­های جدید بهره گیری شده­می باشد. مدل­های پیشنهادی با بهره گیری از تشابه متن همگی از الگوریتم­های معمولی و ساده بهره گیری کرده اند. در این مدل ها به این نکته مهم کمتر توجه شده که مخازن حجم بالا و پیچیده­ای از اطلاعات را شامل می­شوند، که بعضاً تشابه بین کلمات و معانی مختلف یک جمله نتیجه­گیری را سخت­تر می­کند. پس نیاز به الگوریتم­های معنایی در مطالعه تشابه متن احساس می­گردد. همچنین بایستی به این نکته مهم توجه نمود که الگوریتم معنایی انتخاب ­شده بهینه می باشد و قادر باشد میان این حجم اطلاعات که از سوی کاربران مختلف ثبت می­گردد، بهترین جواب با تشابه بیشتر را انتخاب کند. اگرچه تا به­حال روش­های بسیاری برای تکمیل مخازن خطا و بهره گیری از دانش نهفته در آن صورت­گرفته اما می­توان گفت که ضرورت اهمیت به تشابه معنایی بین داده­ها در نظر گرفته نشده ­می باشد. در این پژوهش کوشش شده که این اشکال در جستجو و بهره­گیری دانش نهفته در این مخازن داده پوشش داده ­گردد.

مدل ارائه ­شده در اینجا آغاز لیستی از خطا­های مشابه خطای جدید با بهره گیری ازیک الگوریتم تشابه معنایی مناسب، با در نظر داشتن اطلاعات متنی ذخیره­شده ارائه می­دهد. در مرحله بعد این خطا­ها براساس چرخه ­عمر خطا با بهره گیری از روش خوشه­بندی K-means، خوشه بندی می­شوند.

همچنین میانگین تشابه هر دسته به خطای جدید، گروه منتخب را مشخص می کند. خطاهای موجود در این گروه، راه حل­های پیشنهادی برای هر کدام، کمکی برای تسهیل و تسریع در رفع خطا می باشد و میانگین طول­عمر گروه تخمینی بر پیچیدگی و زمان حل­مشکل خواهد بود.

تعداد صفحه : 85

قیمت : 14700 تومان

بلافاصله پس از پرداخت لینک دانلود فایل در اختیار شما قرار می گیرد

و در ضمن فایل خریداری شده به ایمیل شما ارسال می گردد.

پشتیبانی سایت :        ****       [email protected]

در صورتی که مشکلی با پرداخت آنلاین دارید می توانید مبلغ مورد نظر برای هر فایل را کارت به کارت کرده و فایل درخواستی و اطلاعات واریز را به ایمیل ما ارسال کنید تا فایل را از طریق ایمیل دریافت کنید.

***  *** ***