公开(公告)号：CN109272225A

公开(公告)日：2019-01-25

申请号：CN201811046244.8

申请日：2018-09-07

Applicant: 大连海事大学

Inventor： 李辉 ,  高国峰 ,  陈荣 ,  郭世凯 ,  葛新 ,  高健 ,  李霄

IPC: G06Q10/06 ,  G06Q10/10 ,  G06F16/901

Abstract: 本发明提供一种Bug追踪系统测试人员重要性排序方法，至少包括以下步骤：建立测试人员关系网络，计算每个连接的权重；多次迭代计算每个测试人员的重要性值直至每个测试人员的重要性值收敛；比较所述每个测试人员的重要性值，所述重要性值越大则测试人员越重要。本发明通过使用该方法得到的测试人员重要性排序结果与测试人员的实际工作表现相符合，通过随机删除和选定删除排名较高的测试人员后的数据集所得实验结果表明该方法具有稳定性，因此可以采用该方法评估测试人员对测试阶段的贡献度，为测试人员的报酬分配提供参考依据，进而帮助系统管理人员提高软件测试和Bug追踪的工作效率。

公开(公告)号：CN104200423A

公开(公告)日：2014-12-10

申请号：CN201410432790.0

申请日：2014-08-27

Applicant: 大连海事大学

Inventor： 谢兄 ,  张维石 ,  史金余 ,  曹志英 ,  李辉 ,  翟华伟 ,  陈修权

IPC: G06T1/00

Abstract: 本发明涉及一种基于多控制点的矢量图形上下边界线形状自动调整方法，采用本发明在调整矢量图形边界线形状时，只需要确定建模线上有限个数的控制点位置，所有矢量图形的边界线自动依据建模线的形态调整自己的边界线形状，无需手动调整边界线上的每一个控制点，通过该方法可以绘制平滑、美观的边界线，从而大大降低了工作量，进而提高了工作效率。因此，本发明可以适用于计算机矢量图形绘制及图形上、下边界线形状的调整。

公开(公告)号：CN117931676A

公开(公告)日：2024-04-26

申请号：CN202410170177.X

申请日：2024-02-06

Applicant: 大连海事大学

Inventor： 李辉 ,  赵凌霄 ,  郭世凯 ,  李晓晨 ,  江贺

IPC: G06F11/36 ,  G06F21/57 ,  G06F40/30 ,  G06F16/35 ,  G06F18/15 ,  G06F18/22 ,  G06N3/0455 ,  G06N3/0499 ,  G06N3/084 ,  G06N3/048

Abstract: 本发明提供了一种基于语义感知的补丁正确性评估方法，涉及计算机软件技术领域，包括如下步骤：S1、建立缺陷数据集，在缺陷数据集上收集并生成补丁，同时对缺陷数据集内的缺陷和补丁进行词嵌入，得到预处理后的数据集；S2、对预处理后的数据集中的缺陷和补丁进行特征提取；多头注意力层来转化为向量或矩阵形式的分布式表示，残差和归一化层调整注意力层输出信息以提取缺陷和补丁描述信息；S3、对S2向量或矩阵化后的缺陷和补丁进行余弦相似度计算，得到缺陷和补丁之间的相似度得分；S4、根据相似度得分判断补丁是正确还是错误。本发明提供的技术方案利用自注意力机制可以捕获长距离依赖关系，大大缓解了传统注意力机制的长距离依赖问题。

公开(公告)号：CN111723010B

公开(公告)日：2024-02-23

申请号：CN202010538383.3

申请日：2020-06-12

Applicant: 大连海事大学

Inventor： 李辉 ,  杨溪 ,  张天伦 ,  李阳 ,  陈荣 ,  李博

IPC: G06F11/36 ,  G06F18/2431 ,  G06N3/0499 ,  G06N3/086

Abstract: 本发明公开了一种基于稀疏代价矩阵的软件BUG分类方法，包括以下步骤：S1：获取软件BUG报告；S2：对软件BUG报告数据进行编码操作，S3：初始化稀疏代价矩阵；S4：使用编码后的数据训练加权极限学习机、使其输出正确的报告分类结果；S5：使用训练好的加权极限学习机求出该加权极限学习机的局部泛化误差；S6：使用差分进化算法中的交叉变异策略产生新的软件BUG稀疏权重矩阵；S7：使用新的稀疏权重矩阵在相同不平衡数据集上训练新的加权极限学习机、S8：直至无法得到更低的局部泛化误差；S9：使用能够得到最低的局部泛化误差的加权极限学习机预测未知的软件BUG报告、得到其相应的报告分类结果。

公开(公告)号：CN116708952A

公开(公告)日：2023-09-05

申请号：CN202310705274.X

申请日：2023-06-14

Applicant: 大连海事大学

Inventor： 李辉 ,  金克 ,  李浩然 ,  陈荣 ,  郭世凯

IPC: H04N21/8549 ,  H04N21/44 ,  H04N7/18 ,  G06V20/40 ,  G06V10/74 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/049 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明公开了一种训练适用于视频监控设备的视频摘要方法：包括如下步骤：使用监控设备收集原始视频；采用帧采样策略对原始视频进行下采样处理，获取每个视频帧的特征向量，将特征向量输入至时序卷积网络建立帧之间的长期依赖关系；将获取的一系列视频帧的特征向量输入到深度摘要网络中，采用双向时序卷积和自注意力机制将视频两个方向的上下文信息进行整合，从而捕获视频帧之间的长期依赖关系；将原始视频输入特征提取模块获取视频帧的特征，通过深度摘要网络获取视频帧特征之间的长期依赖关系，分别计算视频帧级重要性分数，通过背包算法选取分数高的部分组合成视频摘要。

公开(公告)号：CN113378176B

公开(公告)日：2023-06-23

申请号：CN202110652749.4

申请日：2021-06-11

Applicant: 大连海事大学

Inventor： 李辉 ,  曲阳 ,  刘慧江 ,  汪海博 ,  赵娇茹 ,  刘勇 ,  郭世凯 ,  陈荣

IPC: G06F21/57

Abstract: 本发明公开了一种基于图神经网络检测带有权重偏差的软件漏洞识别方法，包括：将源代码中的单词和符号视为一个节点，将源代码采用构成图表示，获得每个节点的初始特征值和每个图的连接的边的初始特征；将产生的构成图作为输入，最终将获得重置门输出的信息和更新门输出的信息、以及自身节点的信息三者进行合并，再通过Sigmoid激活函数输出节点激活值，作为最终时刻的节点状态；当单词节点被充分更新后所述单词被聚合到函数代码的图形级表示、并基于该表示生成最终漏洞识别结果；使用–Dice系数将有缺陷的软件漏洞损失值最小化，从而识别软件漏洞。

公开(公告)号：CN116257247A

公开(公告)日：2023-06-13

申请号：CN202310035255.0

申请日：2023-01-10

Applicant: 大连海事大学

Inventor： 李辉 ,  戚学欣

IPC: G06F8/41 ,  G06F18/2431 ,  G06N5/01 ,  G06N3/08

Abstract: 本发明公开了一种Simulink模型到C语言的优化参数自动配置方法，包括：从Simulink数据库中获取Simulink模型并获得破环模型；分析破环模型中块的属性、块与块之间的数据类型以及采样频率的关系；提取构建模型的特征信息，针对模型的特性，分析模型的特征用于创建模型的向量化表示。然后使用Manhattan Distance计算差异性，用以评估多样性；把优化参数分为五类，每一个类对应一个智能体，使用多智能体强化学习的方法预测最佳优化参数序列，该序列的参数配置为最优参数配置。本发明提供的技术方案通过使用多智能体强化学习的方法来实现自动配置Simulink模型到C语言的优化参数，在优化空间的开发和探索之间取得平衡，从而以提高这个阶段参数调优的效率。

公开(公告)号：CN116226752A

公开(公告)日：2023-06-06

申请号：CN202310112490.3

申请日：2023-02-14

Applicant: 大连海事大学

Inventor： 李辉 ,  戚学欣 ,  徐志豪 ,  郭世凯 ,  李晓晨 ,  江贺

IPC: G06F18/2415 ,  G06F18/214

Abstract: 本发明公开了一种提高JIT缺陷预测性能的方法，包括：获取CLI模型的输入信息，其中输入信息包含由SZZ注释的有噪声标签实例的数据集；采用不平衡数据概率预测组件获得数据集的预测概率矩阵；根据预测概率矩阵使用自信学习组件估计噪声标签和真实标签的联合分布，重新训练自信学习组件中的分类器；基于分类器判断数据集中的缺陷修改是否正确；根据分类器的预测结果，判断未被标签的缺陷修改是否正确。本方法可以使用CLI作为我们的去噪方法，通过将CLI应用于JIT预测，可以获得高质量的训练集，从而使JIT预测模型能够学习到更准确的类别信息，从而提高预测性能。

公开(公告)号：CN116168323A

公开(公告)日：2023-05-26

申请号：CN202310067028.6

申请日：2023-02-01

Applicant: 大连海事大学

Inventor： 李辉 ,  金克 ,  李浩然 ,  戚学欣 ,  陈荣 ,  郭世凯

IPC: G06V20/40 ,  G06V10/82 ,  G06V10/74 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/0455 ,  G06N3/049 ,  G06N3/048 ,  G06N3/047 ,  G06N3/088 ,  G06N3/0475 ,  G06N3/094

Abstract: 本发明提供一种基于时序卷积网络的视频摘要方法，包括：获取视频数据集；基于获取的视频数据集，提取视频特征；将提取的视频特征输入深度摘要网络，捕获视频帧的重要性；通过判别器指导深度摘要网络的训练；对深度摘要网络进行训练；基于训练后的深度摘要网络，进行视频摘要。本发明通过使用时序卷积网络和自注意力的方法来训练视频摘要模型，不仅考虑了视频帧之间的长期依赖关系，还考虑了视频固有的时间顺序属性，并且能够利用GPU并行计算的优势加快训练速度，最后还使用基于GAN的无监督的方法解决了对于人工注释的依赖，可以在一定程度上提高视频摘要传达原始视频含义的能力，并且能够提高摘要效率。

公开(公告)号：CN110413792B

公开(公告)日：2022-10-21

申请号：CN201910728451.X

申请日：2019-08-08

Applicant: 大连海事大学

Inventor： 李辉 ,  王思文 ,  杨溪 ,  陈荣 ,  郭世凯 ,  唐文君

IPC: G06F16/35 ,  G06K9/62

Abstract: 本发明公开了一种高影响力缺陷报告识别方法，本方法将不平衡学习技术与多类分类方法相结合，解决了错误报告组件分类问题。使用四种不平衡处理策略RUS、ROS、SMOTE和Adacost算法来处理数据并获得平衡的数据集。然后使用基于NBM，KNN和SVM分类器的OVO和OVA多类别分类方法对平衡之后的数据集进行错误报告组件分类。通过探究不平衡学习策略和分类别分类算法的不同组合，找到具有错误报告组件分类最佳性能的变体。通过使用错误组件分类来确定为错误报告分配合适的开发人员，从而更好地解决了错误报告的分类问题。该方法不仅可以减少原始训练集的单词维度，提高训练集的质量，也提高错误报告的分类性能。