买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南京邮电大学;江苏拓邮信息智能技术研究院有限公司申请的专利基于深度学习的多源异构软件数据缺陷预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120429725B 。

龙图腾网通过国家知识产权局官网在2025-08-29发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510933263.6，技术领域涉及：G06F18/241；该发明授权基于深度学习的多源异构软件数据缺陷预测方法是由亓晋;李文杰;孙莹;张燕;孙雁飞;董振江;林军设计研发完成，并于2025-07-08向国家知识产权局提交的专利申请。

本基于深度学习的多源异构软件数据缺陷预测方法在说明书摘要公布了：本发明提供一种基于深度学习的多源异构软件数据缺陷预测方法，通过从K+1个不同的软件数据源收集软件缺陷数据，并得到多源异构缺陷数据；得到预处理后的数据；构建多源异构缺陷预测模型，多源异构缺陷预测模型包括特征映射模块、多领域对抗模块、领域对齐模块和标签预测模块，特征映射模块对输入数据进行特征提取与映射后分别输出特征表示给多领域对抗模块、领域对齐模块和标签预测模块；使用预处理后的数据对多源异构缺陷预测模型进行训练后，得到训练后的模型；获得预测结果；该方法能够学习多源异构数据间的相关性，显著减少多源异构数据之间边缘分布的差异，充分挖掘出多个源数据之间可迁移的信息，能够提高缺陷预测准确性和稳定性。

本发明授权基于深度学习的多源异构软件数据缺陷预测方法在权利要求书中公布了：1.一种基于深度学习的多源异构软件数据缺陷预测方法，其特征在于：包括以下步骤， S1、从K+1个不同的软件数据源收集软件缺陷数据，并得到多源异构缺陷数据包括K个源域的原始数据以及目标域原始数据； S2、对多源异构缺陷数据进行预处理后，得到预处理后的数据包括源域和目标域，其中，源域表示收集软件缺陷数据的第k个不同软件数据源对应的数据集，k=1,2，...，K，目标域表示待预测软件数据所属的数据集； S3、构建多源异构缺陷预测模型，多源异构缺陷预测模型包括特征映射模块、多领域对抗模块、领域对齐模块和标签预测模块，特征映射模块对输入数据进行特征提取与映射后分别输出特征表示给多领域对抗模块、领域对齐模块和标签预测模块，多领域对抗模块采用对抗训练方法对输入的特征表示进行处理得到调整后的特征表示并输出给领域对齐模块和标签预测模块，领域对齐模块对输入的调整后的特征表示计算调整多个领域特征的类内分布和类间分布；标签预测模块由输入的特征表示进行类别标签预测，分别得到预测概率，将预测概率最高的类别标签作为预测结果； 多源异构缺陷预测模型中，多领域对抗模块包括用于对抗训练的域鉴别器D和特征映射网络，其中，域鉴别器D的表达式为： ， 其中，表示域鉴别器D的输出特征，表示特征拼接，表示域鉴别器D的网络参数，表示第k个源域经过两层特征映射网络后的输出特征，表示目标域经过两层特征映射网络后的输出特征； 领域对齐模块中，计算调整多个领域特征的类内分布和类间分布，具体为， 1）类内分布和类间分布的计算分别如下： ， ， 其中，C表示源域和目标域的类别数量，K表示源域的总数，表示第个源域中第类数据样本的数量，和分别表示目标域中第类和第类的带标签样本数量，表示第k个源域中类别为的数据样本经过两层特征映射网络后的输出特征，和分别表示目标域中第类和第类数据样本经过两层特征映射网络后的输出特征； 2）对类内分布进行最小化，对类间分布进行最大化； 标签预测模块中，得到预测概率f： ， 其中，表示分类器，表示特征拼接，表示分类器参数，表示第k个源域经过两层特征映射网络后的输出特征，表示目标域经过两层特征映射网络后的输出特征； S4、使用预处理后的数据对多源异构缺陷预测模型进行训练后，得到训练后的模型； 步骤S4中，采用以下整体优化目标函数对多源异构缺陷预测模型进行训练： ， 其中，和分别为损失权重，表示特征映射模块输出的特征表示，表示域鉴别器D的输出特征，表示预测概率，特征映射模块中第二层特征映射网络参数的差异损失，其中，K表示源域的总数，表示L2范数，表示第个源域输入的第二层特征映射网络的网络参数，表示目标域输入的第二层特征映射网络的网络参数；分类器的分类损失，其中，表示第个源域中第个带标签样本的真实类别标签的独热编码，表示目标域中第个带标签样本的真实类别标签的独热编码，表示第个源域中第个数据样本经过特征映射模块处理后用于分类计算的特征表示，表示目标域中第个数据样本经过特征映射模块处理后用于分类计算的特征表示，为第个源域的数据样本数量，表示目标域中带标签样本的数量；损失，其中，表示第个源域的反转样本域的域标签的独热编码中第i个元素，表示目标域的反转样本域的域标签的独热编码中第个元素，表示域鉴别器对第个源域中第个样本特征表示的输出，表示域鉴别器对目标域中第个样本特征表示的输出，为目标域的数据样本数量；分布损失LIIA=类内分布Lintra-类间分布Linter；域鉴别损失，其中，表示第个源域的域标签的独热编码中第i个元素，表示目标域的域标签的独热编码中第个元素； S5、将待预测软件数据经过预处理后，输入到训练后的模型进行预测，获得预测结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京邮电大学;江苏拓邮信息智能技术研究院有限公司，其通讯地址为：210003 江苏省南京市鼓楼区新模范马路66号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。