Con el fin de mejorar la calidad del software y la eficiencia de las pruebas, este documento implementa la predicción de defectos de software basada en el aprendizaje profundo. De acuerdo con las respectivas ventajas y desventajas del algoritmo de enjambre de partículas y el algoritmo de enjambre de lobos, los dos algoritmos se mezclan para realizar las ventajas complementarias de los algoritmos. Al mismo tiempo, el algoritmo híbrido se utiliza en la búsqueda de optimización de hiperparámetros del modelo, la función de pérdida del modelo se utiliza como la función de aptitud, y la capacidad de búsqueda colaborativa de la población de inteligencia de enjambre se utiliza para encontrar la solución óptima global en múltiples espacios de solución local. A través del análisis de los resultados experimentales de seis conjuntos de datos, en comparación con el método tradicional de optimización de hiperparámetros y un único algoritmo de inteligencia de enjambre, el modelo que utiliza el algoritmo híbrido tiene mayores y mejores indicadores. Y, bajo el procesamiento del autoencoder, el rendimiento del modelo se ha mejorado aún más.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Influencia del pH, la concentración del precursor, el tiempo de crecimiento y la temperatura en la morfología de las nanoestructuras de ZnO obtenidas por el método hidrotérmico
Artículo:
Formación ósea con mineral óseo bovino desproteinizado o fosfato cálcico bifásico en presencia de lisado plaquetario autólogo: Investigación comparativa en conejo
Artículo:
Resina epoxi modificada con nanoplaquetas de grafeno para plásticos reforzados con fibra de carbono con propiedades mejoradas
Artículo:
Servicios de comunicación médica tras una lesión medular traumática
Artículo:
Avances en nanomateriales multiferroicos ensamblados con clusters