本发明属于软件测试领域，具体涉及一种基于dp-ann和软件缺陷模式的软件测试能力评估方法。
背景技术：
1、软件行业的不断进步，软件的规模也随之越来越庞大，复杂程度越来越高，面对大型化、高复杂度的软件，软件测试工作的量同步上升，软件的规模越大，测试的问题必然与之成正比。测试是对软件质量的度量，即使是面对高复杂度的软件，软件测试的工作质量评估通常采用测试问题的种类、测试问题个数等方面考察。
2、为科学高效公正地对大规模高复杂的软件进行软件测试能力评估，通常要以合适的模型对软件测试的结果进行量化，一般情况下，会简单地通过软件问题类别及个数、问题严重程度进行划分，在面对规模小复杂度低的软件，这是一种简单有效的方式，在大型复杂软件中，则需要构建一个适当的良好的软件缺陷模式的模型分层，通过划分软件缺陷模式解决。
3、基于大规模复杂的软件，构建好软件缺陷模式后，在评估软件测试能力的时候，多数评估方法中，层次分析法的主观性较强，在软件规模较小时，简单便捷有效，碰到此类软件，层次分析法中的层次不断增加，无疑会增加各方面的工作，除此之外，指标的数量众多，每个指标的权重需要单独计算，而且划分的层次越深，层次分析法的优势越得不到体现；使用数据包络分析方法(dea，dataenvelopmentanalysis)，确定每个决策单元(decisionmakingunit，dmu)，且每个决策单元具有相同的投入数量以及相同的产出数量，在此情形下，确定投入和产出，具体如何着手需要好好斟酌，不管如何确定，最终投入和产出必然与规模成正比。dea方法对输入和输出数据的选择和定义非常敏感,对于大型数据集和复杂的情况可能难以应用。
技术实现思路
1、(一)要解决的技术问题
2、本发明要解决的技术问题是如何提供一种基于dp-ann和软件缺陷模式的软件测试能力评估方法，以解决大规模复杂的软件的软件测试能力评估问题。
3、(二)技术方案
4、为了解决上述技术问题，本发明提出一种基于dp-ann和软件缺陷模式的软件测试能力评估方法，该方法包括如下步骤：
5、s1、预处理软件缺陷模型的各种类型的缺陷数据，构建软件缺陷模式；
6、s2、建立基于反向传播的bp神经网络算法的软件缺陷模式的软件测试能力评估dp-ann模型，并优化反向传播的梯度计算；
7、s3、根据预处理完成的数据，作为输入，通过建立的dp-ann模型，设置每一层的关联关系，每一层的数据量，训练得出评估模型所需的最优的权值和阈值；
8、s4、将最终的训练结果应用于软件缺陷模式的软件测试能力评估，使用训练得出的最优的权值和阈值形成评估模型，通过实际测试得到的结果，输入到训练好的评估模型中，得到评估值，将其与实际观测值作比较，根据最终的输出值，确立评估结果等级，进行结果分析和讨论。
9、(三)有益效果
10、本发明提出一种基于dp-ann和软件缺陷模式的软件测试能力评估方法，本发明提出一种基于dp-ann和软件缺陷模式的软件测试能力评估方法，适用于软件缺陷模式的评估系统权重的计算，能够提高大规模复杂软件缺陷评估工作的效率，增加权重的客观性。
1.一种基于dp-ann和软件缺陷模式的软件测试能力评估方法，其特征在于，该方法包括如下步骤：
2.如权利要求1所述的基于dp-ann和软件缺陷模式的软件测试能力评估方法，其特征在于，所述s1中，将数据根据缺陷种类进行划分，通过主成分分析法聚类分析法进行预处理，构建软件缺陷模式。
3.如权利要求2所述的基于dp-ann和软件缺陷模式的软件测试能力评估方法，其特征在于，所述s1包括：
4.如权利要求3所述的基于dp-ann和软件缺陷模式的软件测试能力评估方法，其特征在于，软件缺陷模式包括：初始化和复位类、计算和算法类、逻辑设计类、数据处理类、中断时序设计类、总线通信类、安全设计类、内存相关类、编程语言规范类，对不同的软件缺陷模式进行分类管理，根据软件特点，分为必选、可选、有条件选，并进行说明。
5.如权利要求3或4所述的基于dp-ann和软件缺陷模式的软件测试能力评估方法，其特征在于，所述s2包括：
6.如权利要求5所述的基于dp-ann和软件缺陷模式的软件测试能力评估方法，其特征在于，所述s21中，激活函数设置成softsign函数：
7.如权利要求6所述的基于dp-ann和软件缺陷模式的软件测试能力评估方法，其特征在于，所述s24具体包括：
8.如权利要求7所述的基于dp-ann和软件缺陷模式的软件测试能力评估方法，其特征在于，最终的输出分为优秀和良好。
9.如权利要求7所述的基于dp-ann和软件缺陷模式的软件测试能力评估方法，其特征在于，所述s4中，根据构建的软件缺陷模式在对应软件规模下，不同不同检测阶段、不同的危害等级下应有的软件缺陷比例和数量作为特征，将这些数据作为训练数据进行训练得到评估模型，在不同的测评机构参与一个项目时，针对每家测评机构的测试结果，作为预测输入，结合训练好的评估模型，得到优秀和良好的评估能力结果。
10.如权利要求7所述的基于dp-ann和软件缺陷模式的软件测试能力评估方法，其特征在于，所述s4还包括：训练得出的平均绝对误差mae、均方误差mse、均方根误差rmse作为评判dp-ann模型的评估值与实际观测值之间差异的指标，用于判断评估模型在给定数据上的拟合程度。
