[论文解读] Calibrating Function Points Using Neuro-Fuzzy Technique

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

Software Engineering Research参考文献 6被引用 4

一句话总结

本文提出一种神经模糊技术，用于校准功能点分析，以提升软件工作量估算的准确性。通过整合神经网络学习与模糊逻辑推理，该方法在ISBSG发布8.0数据集上验证后，将估算误差降低了22%，显著提升了软件项目成本预测的准确性。

ABSTRACT

The concepts of calibrating Function Points are discussed, whose aims are to fit specific software application, to reflect software industry trend, and to improve cost estimation. Neuro-Fuzzy is a technique which incorporates the learning ability from neural network and the ability to capture human knowledge from fuzzy logic. The empirical validation using ISBSG data repository Release 8 shows a 22% improvement in software effort estimation after calibration using Neuro-Fuzzy technique.

研究动机与目标

• 通过将功能点度量校准至特定项目背景，提升软件工作量估算的准确性。
• 通过结合神经网络与模糊逻辑，整合领域知识与学习能力。
• 使功能点估算能够反映当前软件行业趋势与项目特定特征。
• 利用ISBSG数据仓库中的真实世界数据验证所提出的校准方法。
• 在传统功能点方法基础上，进一步降低软件成本预测的估算误差。

提出的方法

• 神经模糊系统整合了人工神经网络的学习能力与模糊逻辑规则的可解释性。
• 基于影响工作量的软件开发因素的专家知识构建模糊推理规则。
• 利用历史ISBSG发布8.0数据对神经网络组件进行训练，以调整隶属度函数和规则权重。
• 混合模型根据输入的项目属性（如复杂度和规模）动态调整功能点权重。
• 校准过程通过训练好的神经模糊推理引擎，将原始功能点计数映射为调整后的工作量估算。
• 使用均方根误差（RMSE）和相对误差指标，在测试数据上评估模型性能。

实验结果

研究问题

• RQ1 神经模糊系统能否有效校准功能点估算，以降低软件项目的估算误差？
• RQ2 与标准功能点方法相比，神经网络学习与模糊逻辑的结合在多大程度上提升了工作量估算的准确性？
• RQ3 神经模糊模型在多大程度上能够适应项目特定特征与行业趋势？
• RQ4 使用神经模糊方法进行校准后，估算准确性的定量提升程度如何？
• RQ5 该模型在ISBSG数据仓库的真实世界数据上验证时表现如何？

主要发现

• 与基线功能点模型相比，神经模糊校准方法在软件工作量估算准确性上实现了22%的提升。
• 该模型通过学习ISBSG发布8.0历史数据，有效降低了估算误差，同时借助模糊规则保持了可解释性。
• 神经网络学习与模糊逻辑的结合，使模型能够更好地适应项目特定与行业特定因素。
• 结果表明，使用神经模糊技术进行校准可显著增强功能点分析的预测能力。
• 该方法在工业环境中具有显著的实际应用潜力，可用于软件成本估算。
• 本研究证实，混合人工智能技术可显著改进传统软件估算实践。