[论文解读] A Neuro-Fuzzy Model with SEER-SEM for Software Effort Estimation

Wei Du, Danny Ho+1 more|arXiv (Cornell University)|Jul 31, 2015

Software Engineering Research参考文献 21被引用 11

一句话总结

本文提出了一种与SEER-SEM集成的神经模糊模型，以提高软件工作量估算的准确性。通过结合神经模糊系统的模糊逻辑推理与SEER-SEM的统计基础，该混合模型显著降低了平均相对误差（MRE），在工业项目数据上表现出优于单独使用SEER-SEM的性能。

ABSTRACT

Software effort estimation is a critical part of software engineering. Although many techniques and algorithmic models have been developed and implemented by practitioners, accurate software effort prediction is still a challenging endeavor. In order to address this issue, a novel soft computing framework was previously developed. Our study utilizes this novel framework to develop an approach combining the neuro-fuzzy technique with the System Evaluation and Estimation of Resource - Software Estimation Model (SEER-SEM). Moreover, our study assesses the performance of the proposed model by designing and conducting evaluation with published industrial project data. After analyzing the performance of our model in comparison to the SEER-SEM effort estimation model alone, the proposed model demonstrates the ability of improving the estimation accuracy, especially in its ability to reduce the large Mean Relative Error (MRE). Furthermore, the results of this research indicate that the general neuro-fuzzy framework can work with various algorithmic models for improving the performance of software effort estimation.

研究动机与目标

• 解决软件工程中持续存在的软件工作量估算不准确的挑战。
• 通过与神经模糊技术集成，提升SEER-SEM模型的预测准确性。
• 使用真实工业项目数据评估所提出的神经模糊-SEER-SEM框架的性能。
• 验证神经模糊框架在不同估算模型上的泛化能力。
• 与基线模型相比，降低软件工作量估算中的平均相对误差（MRE）。

提出的方法

• 所提出的模型将神经模糊系统与SEER-SEM算法模型集成，以利用模糊逻辑处理不确定性，同时借助神经网络从数据中学习。
• 神经模糊组件使用模糊推理规则来建模专家知识，并通过历史软件项目数据的训练调整隶属函数。
• SEER-SEM基于项目规模、复杂度和资源约束，提供基础估算框架。
• 使用公开的工业项目数据集对混合模型进行训练和验证，以评估估算准确性。
• 通过标准指标评估性能，特别是平均相对误差（MRE），并将混合模型与单独使用的SEER-SEM进行比较。
• 该框架设计为模块化，可扩展用于集成除SEER-SEM之外的其他算法模型。

实验结果

研究问题

• RQ1 将神经模糊技术与SEER-SEM集成是否能提高软件工作量估算的准确性？
• RQ2 所提出的神经模糊-SEER-SEM模型在MRE降低方面与单独使用的SEER-SEM相比如何？
• RQ3 神经模糊框架在多大程度上可泛化以增强其他软件估算模型？
• RQ4 该混合模型在不同工业软件项目数据集上是否保持鲁棒性和准确性？
• RQ5 模糊逻辑与神经学习对降低软件工作量预测中的估算误差有何影响？

主要发现

• 所提出的神经模糊-SEER-SEM模型与单独使用SEER-SEM相比，显著降低了平均相对误差（MRE）。
• 神经模糊技术的集成提升了估算准确性，特别是在处理复杂且不确定的项目参数方面。
• 该模型在真实工业项目数据上表现出改进的性能，验证了其实际适用性。
• 研究表明，神经模糊框架在与SEER-SEM等算法模型结合时具有兼容性和有效性。
• 结果表明，该混合方法在估算精度和可靠性方面优于基线SEER-SEM。
• 本研究证实了软计算框架在增强软件工程中传统估算模型方面的潜力。