摘要：忽略成员的方法是一种Android特有代码异味,为检测这种异味,提出一种基于集成学习的检测策略。将代码度量与文本信息相融合作为特征集;将融合后的特征集输入所构建的Stacking集成学习模型中进行异味检测。为快速、准确获得机器学习所需的大量标签数据,提出一种基于Android项目自动构建正负样本的方法。选用开源Android数据集对所提出的方法进行实验验证,实验结果表明,较已有检测方法,该策略能够提高异味检测的精确度。

摘要：代码异味是指影响代码维护过程并降低软件质量的糟糕代码设计或实现。因此,代码异味检测在软件重构中非常重要。文章使用五种传统机器学习模型,对Android特有代码异味进行检测。为了获取机器学习模型所需的大量样本数据,文章构建了一个Java代码异味数据集,该数据集包含14,000个样本,并从源代码中提取46个特征。此外,还使用开源Android应用程序进行实验验证。结果表明,随机森林是检测无低内存解析器异味中性能最好的模型,实现了最高的F1值0.928。

摘要：由于现有代码异味检测方法存在多方面的限制,无法准确高效的检测Android代码异味共存,提出基于机器学习的Android代码异味共存检测方法。首先提出并实现工具ASSD得到分离好的正负样本集,提取源代码中的文本信息作为机器学习分类器的输入,从而实现机器学习检测Android代码异味共存。设计对比实验,实验结果表明机器学习可以检测Android代码异味共存,并且检测效果较现有基于静态程序分析的检测方法有较大提升,其中随机森林模型效果最好,其F1值提升了22%。

摘要：针对软件测试实验教学中大量的实践练习需求与学时有限之间的矛盾,提出基于慕测平台的软件测试混合式实验教学模式,从教学内容设计、教学案例应用、教师职业素养提高等方面探讨该教学模式的应用,最后说明教学效果。

摘要：针对计算机组成原理课程教学过程中存在的问题,将三支决策理论引入计算机组成原理教学领域,结合基于成果导向的教育模式(OBE),提出了三支决策和OBE相结合的计算机组成原理课程教学模式(TWD-OBE)。将本科阶段计算机组成原理教学过程分为认知、提升和综合3个阶段,分别对应课堂教学、课程设计和国家级CPU设计大赛。在对教学内容进行重构的基础上,将MOOC资源分布到3个阶段中。在计算机组成原理教学中采用这种循序渐进的方式传授知识和技能,使学生具备设计和实现复杂模型的能力。