[论文解读] Software Effort Estimation using Radial Basis and Generalized Regression Neural Networks

P. V. G. D. Prasad Reddy, K. Sudha+2 more|arXiv (Cornell University)|May 21, 2010

Software Engineering Research参考文献 7被引用 59

一句话总结

本文提出径向基函数（RBF）和广义回归神经网络（GRNN）模型用于软件工作量估算，以解决传统COCOMO模型存在的不准确性问题。基于COCOMO81数据集，RBF模型在多个指标上优于中间COCOMO模型，展现出在处理不完整和不确定的项目数据方面更优的准确性。

ABSTRACT

Software development effort estimation is one of the most major activities in software project management. A number of models have been proposed to construct a relationship between software size and effort; however we still have problems for effort estimation. This is because project data, available in the initial stages of project is often incomplete, inconsistent, uncertain and unclear. The need for accurate effort estimation in software industry is still a challenge. Artificial Neural Network models are more suitable in such situations. The present paper is concerned with developing software effort estimation models based on artificial neural networks. The models are designed to improve the performance of the network that suits to the COCOMO Model. Artificial Neural Network models are created using Radial Basis and Generalized Regression. A case study based on the COCOMO81 database compares the proposed neural network models with the Intermediate COCOMO. The results were analyzed using five different criterions MMRE, MARE, VARE, Mean BRE and Prediction. It is observed that the Radial Basis Neural Network provided better results

研究动机与目标

• 解决早期开发阶段因项目数据不完整、不一致或不确定而导致的软件工作量估算不准确的长期挑战。
• 改进传统模型（如中间COCOMO）在处理数据不确定性及缺乏精度方面的不足。
• 开发基于神经网络的工作量估算模型，以更好地处理现实世界软件项目中常见的噪声和稀疏输入数据。
• 使用标准化的准确度指标，评估并比较RBF和GRNN模型与COCOMO81的性能表现。
• 证明人工神经网络在提升软件工作量估算可靠性方面的可行性与有效性。

提出的方法

• 采用径向基函数（RBF）神经网络，通过非线性映射建模软件规模与工作量之间的关系。
• 将广义回归神经网络（GRNN）作为回归型工作量估算的替代神经网络方法实现。
• 在包含历史软件项目数据（含规模与工作量属性）的COCOMO81数据集上训练RBF和GRNN模型。
• 采用案例研究方法，将模型预测结果与COCOMO81数据库中的实际工作量值进行对比。
• 应用五项性能指标——MMRE、MARE、VARE、Mean BRE和Prediction，评估并比较模型的准确性。
• 优化网络参数，以提升泛化能力并减少现实场景中的估算误差。

实验结果

研究问题

• RQ1 与中间COCOMO模型相比，RBF和GRNN神经网络能否提升软件工作量估算的准确性？
• RQ2 在存在不完整或不确定属性的真实世界软件项目数据上，RBF和GRNN模型表现如何？
• RQ3 在MMRE、MARE和预测准确率方面，哪种神经网络架构——RBF或GRNN——能获得更优的估算结果？
• RQ4 在数据不一致和不确定性存在的情况下，神经网络模型在多大程度上能降低估算误差？
• RQ5 神经网络能否有效建模早期项目阶段软件规模与工作量之间的非线性关系？

主要发现

• 径向基函数（RBF）神经网络模型在平均相对误差绝对值（MMRE）上达到最低，表明其整体估算准确性更优。
• 在全部五项评估标准（MMRE、MARE、VARE、Mean BRE和预测率）上，RBF均优于中间COCOMO模型。
• GRNN模型表现出具有竞争力的性能，但在所有关键指标上均持续落后于RBF模型。
• 两种神经网络模型在处理不完整和不确定的项目数据方面均表现出鲁棒性，这正是传统模型的关键局限。
• RBF模型实现了更高的预测率，即更多估算值落在可接受的25%误差范围内。
• 本研究证实，人工神经网络（尤其是RBF）在现实环境中能有效提升软件工作量估算的准确性。