84、基于模糊逻辑的支持向量回归（SVR）软件成本估算模型研究

基于模糊逻辑的支持向量回归（SVR）软件成本估算模型研究

1. 模糊逻辑与软件成本估算模型概述

模糊逻辑系统主要包含三个步骤：模糊化、基于规则的系统和去模糊化。模糊化是将精确输入转换为模糊集的方法；基于规则的系统是在逻辑系统中使用“IF - THEN”规则的模糊系统；去模糊化则是将模糊系统的输出转换为精确输出的方法。

在软件成本估算中运用了一些优化技术。首先介绍了基本的COCOMO模型及其成本估算方式，接着阐述了COCOMO II模型，最后提出了FL COCCOMO - II模型，并将其与其他现有模型（如ACO、K - modes、RF模型和基本COCOCMO模型）进行比较。通过比较可以看出，该框架在准确性、召回率、执行时间和运行时间等方面优于其他现有方法。

2. 相关研究回顾

众多软件成本估算领域的研究人员采用机器学习策略开展了大量研究：
- 2017年，Tripathi等人发表论文，强调了将传统技术与机器学习框架进行比较的重要性，研究表明机器学习方法在量化方面优于传统策略，并介绍了机器学习技术和算法评估技术。
- 2017年，Jayaraj等人指出用复杂行动估算各种成本具有很大难度，基于测试方法的组织评估往往会纳入新信息。
- 2017年，Akmel等人研究了以往机器学习的应用对编程能力的提升，探讨了机器学习在信息索引中的应用等问题。
- 2016年，Kumar等人讨论了机器学习计算（如朴素贝叶斯）在软件成本估算和COCOMO II成本中的应用。
- 2016年，Kibi等人提出一种合并方法以提高COCOMO估算性能，该方法显著改善了COCOMO系数。
- 2015年，Shrivastava等