郑 鹏

(莆田学院 信息工程学院， 福建 莆田 351100)

0 引 言

随着国家软件产业进入高速发展阶段，软件质量评价问题引起了人们的广泛关注。由于传统的评价方法存在很多不足，支持向量机(Support Vector Machine， SVM)算法作为基于统计学的一种新的机器学习算法，克服了主观赋权法的主观性和维数灾的问题，其全局寻优也解决了神经网络法中的局部极值问题。文中将模糊数学和SVM结合，提出模糊支持向量机(Fuzzy Support Vector Machine， FUZZY-SVM)模型，旨在为软件质量的综合评价提供一个新的思路。

1 软件质量的度量

软件质量度量指的是对软件质量在开发过程进行质量控制、在验收阶段进行评价评估。为了可以提供一个科学度量的标准，ISO发布了ISO/IEC 25010软件质量度量模型[1]。该模型根据最小关联与独立的原则把软件产品划分为8个质量特性和31个质量子特性。质量特性是代表软件质量的一个方面，用于描述和评价软件的某方面属性。子特性是质量特性的细分，一个质量特性可以由多个子特性表达，某个子特性也可以属于多个质量特性。ISO/IEC 25010模型是一个成熟全面的度量模型，文中将选其作为度量模型。

2 SVM、FUZZY-SVM模型

2.1 SVM

SVM算法是基于统计学习理论体系，由Cortes等[2]提出的一种解决线性不可分问题的新型通用机器学习方法。

假设线性可分样本集为(xi,yi),i=1,2,…,n,x∈Rc,y∈{+1,-1}，其中y为类别符号。在维度为c的空间中，将线性判别函数的形式一般表示为：

f(x)=ωx+b

分类线性方程表示为:

ωx+b=0

将判别函数进行归一化，使样本满足

|f(x)|=1

此时分类间隔等于‖w‖/2。要使分类间隔最大，即‖w‖最小，需要满足：