-
公开(公告)号：CN104200139A
公开(公告)日：2014-12-10
申请号：CN201410467066.1
申请日：2014-09-12
Applicant: 南通大学
IPC: G06F21/16
CPC classification number: G06F21/16 , G06F2221/07
Abstract: 本发明涉及一种Java软件水印虚方法中指令代码的生成方法，基于BCEL类库，包括如下步骤：1）通过BCEL类库载入待嵌入指令的Java类文件，对所述类文件进行解析，转化成符合BCEL处理要求的Java类文件对象；2）从所述Java类文件对象中获取类文件的参数信息，所述参数信息包括类中的方法，再从获取的方法中找到并取出虚方法；3）根据获取的虚方法与参数信息创建一个新的虚方法，用于取代原先的虚方法；4）产生用于嵌入水印信息的指令代码，将它们添加到所述新虚方法的指令集合中；5）将所述新虚方法套入所述Java类文件中。有益效果为：利用本发明，可以通过计算机程序在虚方法中自动产生用于嵌入水印信息的指令代码，解决了以往需要专业人员人工编写，不具通用性，不便实际应用的问题。
-
公开(公告)号：CN115269377B
公开(公告)日：2023-07-11
申请号：CN202210717428.2
申请日：2022-06-23
Applicant: 南通大学
IPC: G06F11/36 , G06F18/2113 , G06F18/22 , G06F18/243 , G06F18/214
Abstract: 本发明提供一种基于优化实例选择的跨项目软件缺陷预测方法，包括如下步骤：S1、构建项目向量集PVS；S2、构建目标实例优化索引IPI；S3、构建预训练集TPRED；S4、构建目标项目的优化索引TPOI；S5、构建基于优化实例选择的训练集BOD；S6、构建基于优化实例选择的跨项目软件缺陷预测方法BOICP。本发明提出一种基于优化实例选择的跨项目软件缺陷预测方法，通过构建目标实例全局特征向量实现源实例选择，然后使用相关性分析进一步优化实例选择，使用该方法构建的训练集有利于选择可靠的实例数据，实现更好的跨项目缺陷预测效果。
-
公开(公告)号：CN115269378A
公开(公告)日：2022-11-01
申请号：CN202210717461.5
申请日：2022-06-23
Applicant: 南通大学
Abstract: 本发明提供一种基于域特征分布的跨项目软件缺陷预测方法，包括如下步骤：S1、构建项目向量集PVS；S2、构建源域实例候选索引集SDCI；S3、构建源域实例候选集SDCS；S4、构建适应域特征分布索引DFDI；S5、构建适应域特征分布的训练集DFDD；S6、构建基于域特征分布的跨项目软件缺陷预测方法DFDCP。本发明提出一种基于域特征分布的跨项目软件缺陷预测方法，在源域实例候选集中，由目标实例的去均值化向量进行实例再选择，构建适应域特征分布的实例集，使用该方法构建的训练集有利于进一步建立精确的跨项目缺陷预测模型，实现更好的跨项目缺陷预测效果。
-
公开(公告)号：CN112966095B
公开(公告)日：2022-09-06
申请号：CN202110368686.X
申请日：2021-04-06
Applicant: 南通大学
IPC: G06F16/335 , G06F8/71
Abstract: 本发明提供一种基于JEAN的软件代码推荐方法，主要用于解决在软件开发中向开发人员推荐代码段的问题。包括如下步骤：S1、构建JEAN模型；S2、从GitHub上收集带有描述的java代码段数据集，并对其预处理用作训练集，用来训练JEAN模型；S3、构建代码库，使用JEAN模型中的代码嵌入表示模块将代码库中的所有代码段嵌入成代码向量；S4、开发人员进行在线搜索代码，输入查询后，JEAN模型中的描述嵌入表示模块将查询嵌入成查询向量；S5、使用余弦相似性计算查询向量和代码库中的所有代码向量之间的相似性，返回与查询向量最相关的向量的代码段。本发明能够有效地帮助软件开发人员根据自己的需求推荐合适的代码段，具有较高的精确率和效率。
-
公开(公告)号：CN114896150A
公开(公告)日：2022-08-12
申请号：CN202210503567.5
申请日：2022-05-09
Applicant: 南通大学
Abstract: 本发明属于软件缺陷预测技术领域，提供一种基于实例选择的跨项目缺陷预测方法，包括如下步骤：S1、构建分类实例集CID；S2、将分类实例集中的所有度量值中心化EMC；S3、组合分布特征向量CDFV；S4、实例间距离计算BIDCM；S5、构建最相似源实例索引集；S6、构建训练集ND；S7、构建跨项目缺陷预测分类方法；S8、构建基于实例选择的跨项目缺陷预测方法ISCPDP。本发明通过选择组合分布特征向量与目标组合分布特征向量最相似的实例集组建训练集，优化后的训练集有利于建立精确的缺陷预测模型，进一步提高跨项目缺陷预测效率。
-
Patent Agency Ranking
公开(公告)号：CN114647418A
公开(公告)日：2022-06-21
申请号：CN202210336803.9
申请日：2022-03-31
Applicant: 南通大学
Abstract: 本发明提供一种树序列化嵌入的软件代码推荐方法，主要用于解决开发过程中出现的代码功能实现问题，包括如下步骤：步骤1、通过解析抽象语法树AST分别将向量化的代码和注释嵌入到向量空间中并计算相似度，建立TCDEnn模型；步骤2、收集java代码，通过AST节点提取进行预处理构建训练集和测试集，用来训练和测试TCDEnn模型；步骤3、收集高质量的java代码，建立代码搜索库,开发人员输入描述查询代码搜素库，对搜索代码库中的AST向量与功能描述向量计算相似度，将相似度值最高的k个代码向量返回给开发人员。本发明可以通过直接描述功能需求的形式得到对应代码，有效节省开发时间，提高开发效率。
-
公开(公告)号：CN112906397B
公开(公告)日：2021-11-19
申请号：CN202110366911.6
申请日：2021-04-06
Applicant: 南通大学
IPC: G06F40/295 , G06F16/35 , G06N3/04
Abstract: 本发明提供一种基于深度学习的短文本实体消歧方法，主要用于解决语句中的实体在不同的短文本中存在含义不同指向的问题，包括如下步骤：步骤1、使用jieba分词技术对语句进行分词，找出待消歧实体，并且使用上市公司实体及其缩写作为词典；步骤2、对句子以待消歧实体为中心，32字大小进行切分；步骤3、将含有待消歧实体的语句转换为Bidirectional Encoder Representation from Transformers(BERT)词向量模型；步骤4、将词向量模型分批次放入到Long‑Short Term Memory RNN(LSTM)模型中，通过交叉熵进行损失函数计算，不断优化参数，获得最终模型。本发明不仅可以在特殊领域如公司实体上取得很好的结果，也可以在一般领域取得不错的结果。
-
公开(公告)号：CN109656202A
公开(公告)日：2019-04-19
申请号：CN201811485741.8
申请日：2018-12-06
Applicant: 南通大学
IPC: G05B19/418
Abstract: 本发明公开了基于局部和结构一致性流形GMM的多模态过程监测方法，利用GMM将多模数据划分成多个局部数据块，分析局部数据块的局部切空间，计算局部切空间之间的主角，研究局部数据块之间的相似关系，构建局部和结构一致性流形图谱，根据不同模态对应子流形的结构关系获取过程模态变化情况，设计一致性流形平滑的监测统计量，实施故障检测。与一般的流形GMM监测方法相比，本发明根据不同高斯成分对应的数据块，获取局部切空间的相似度，并融合局部和结构一致性信息，构建流形学习的图谱，分析多个子流形之间的关系，避免了交叉重叠数据块的错误划分，准确描述多模态过程数据在低维嵌入空间的几何结构，实施精确的故障检测，达到更好的监测效果。
-
公开(公告)号：CN108363910A
公开(公告)日：2018-08-03
申请号：CN201810067125.4
申请日：2018-01-23
Applicant: 南通大学
IPC: G06F21/16
Abstract: 本发明涉及基于HTML代码的网页水印的嵌入方法，包括如下步骤：步骤1）对水印信息进行预处理，将水印字符串转换成一定形式的编码，所述编码由若干码元组成；步骤2）设定若干空样式，每个空样式对应一所述码元，形成一个空样式表；步骤3）将空样式作为一个叠加的样式嵌入到当前网页的HTML代码中已存在的样式之后。有益效果：本方法以空样式的方式将水印嵌入到网页的HTML代码中，不易被察觉和发现，具有很好的隐蔽性。
-
公开(公告)号：CN116383046A
公开(公告)日：2023-07-04
申请号：CN202310284459.8
申请日：2023-03-22
Applicant: 南通大学
Abstract: 本发明属于DNN错误定位技术领域，具体涉及一种针对深度神经网络DNN训练问题的错误定位方法。本发明包括以下步骤：S1、DNN模型准备；S2、DNN训练监控和数据收集；S3、第一次错误识别ADetection；S4、第二次错误识别DDetection；S5、错误定位ASTAnalysis。本发明提出的方法，可以精确地定位常见的DNN训练问题中的bug，该方法能有效提高定位DNN训练问题中的bug的效率，减少模型训练和调试的时间。本发明能够帮助软件开发人员提高DNN模型训练的效率，找到性能更好的DNN模型，进而改进软件的性能。
-
-
-
-
-
-
-
-
-
Search Results
62
records
(took 0.034 seconds)
