[论文解读] Improving Software Effort Estimation Using Neuro-Fuzzy Model with SEER-SEM

Wei Du, Danny Ho+1 more|arXiv (Cornell University)|Jul 24, 2015

Software Engineering Research参考文献 3被引用 14

一句话总结

本文提出了一种与SEER-SEM工作量估算算法集成的神经模糊模型，以提高软件工作量估算的准确性。通过结合神经网络的学习能力和泛化能力与模糊逻辑的可解释性，该模型利用连续输入和语言输入，减少了估算偏差，提升了性能，在工业数据和公开数据的实证评估中优于单独使用SEER-SEM的表现。

ABSTRACT

The aims of our research are to evaluate the prediction performance of the proposed neuro-fuzzy model with System Evaluation and Estimation of Resource Software Estimation Model (SEER-SEM) in software estimation practices and to apply the proposed architecture that combines the neuro-fuzzy technique with different algorithmic models. In this paper, an approach combining the neuro-fuzzy technique and the SEER-SEM effort estimation algorithm is described. This proposed model possesses positive characteristics such as learning ability, decreased sensitivity, effective generalization, and knowledge integration for introducing the neuro-fuzzy technique. Moreover, continuous rating values and linguistic values can be inputs of the proposed model for avoiding the large estimation deviation among similar projects. The performance of the proposed model is accessed by designing and conducting evaluation with published projects and industrial data. The evaluation results indicate that estimation with our proposed neuro-fuzzy model containing SEER-SEM is improved in comparison with the estimation results that only use SEER-SEM algorithm. At the same time, the results of this research also demonstrate that the general neuro-fuzzy framework can function with various algorithmic models for improving the performance of software effort estimation.

研究动机与目标

• 评估增强SEER-SEM的神经模糊模型在软件工作量估算中的预测性能。
• 通过同时引入连续值和语言描述输入值，解决相似项目间的估算偏差问题。
• 证明将神经模糊技术与SEER-SEM等算法模型结合，可有效提升估算准确性。
• 开发一种可推广的框架，可适配于各种估算算法。

提出的方法

• 所提出的模型将SEER-SEM算法与神经模糊系统集成，以同时利用统计估算和模糊逻辑推理的优势。
• 使用模糊推理规则来解释项目规模或复杂度等语言输入，实现类人的推理过程。
• 神经网络组件使模型能够从历史数据中学习，并通过训练调整模糊规则权重。
• 该模型接受连续数值评分和语言描述作为输入，提升了灵活性并降低了对输入变化的敏感性。
• 采用混合学习机制，同步更新模糊规则参数和网络权重，以提高泛化能力并减少估算误差。
• 利用工业数据和公开的软件项目数据对框架进行验证，以评估其相对于基线SEER-SEM的性能表现。

实验结果

研究问题

• RQ1 与单独使用SEER-SEM相比，集成SEER-SEM的神经模糊模型是否能提升软件工作量估算的准确性？
• RQ2 同时引入语言输入和连续输入值对相似项目间估算偏差的影响如何？
• RQ3 该神经模糊框架在不同算法模型中的可推广程度如何？
• RQ4 知识集成与学习能力对估算性能的影响是什么？

主要发现

• 与单独使用SEER-SEM相比，所提出的SEER-SEM增强型神经模糊模型显著降低了估算误差。
• 同时引入连续输入和语言输入可降低相似项目间的估算偏差。
• 由于采用混合学习机制，该模型表现出良好的泛化能力，并降低了对输入变化的敏感性。
• 神经模糊框架通过整合领域知识和自适应学习，成功提升了SEER-SEM的性能。
• 基于工业数据和公开数据的实证评估证实了该模型在准确性和鲁棒性方面的改进。
• 研究结果表明，神经模糊架构在与各种算法模型结合时具有良好的适应性和有效性，适用于软件工作量估算。