مقاله ترجمه شده درباره قابلیت ردیابی نرم افزار پیشرفته معنایی با استفاده از تکنیک های یادگیری عمیق – سال 2017
مشخصات مقاله:
عنوان فارسی مقاله:
قابلیت ردیابی نرم افزار پیشرفته معنایی با استفاده از تکنیک های یادگیری عمیق
عنوان انگلیسی مقاله:
Semantically Enhanced Software Traceability Using Deep Learning Techniques
کلمات کلیدی مقاله:
قابلیت ردیابی (Traceability)، یادگیری عمیق (Deep Learning)، شبکه عصبی بازگشتی (Recurrent Neural Network)، بازنمایی معنایی (Semantic Representation)
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر
مناسب برای گرایش های دانشگاهی زیر:
مهندسی نرم افزار و هوش مصنوعی
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
I. مقدمه
II. یادگیری عمیق برای پردازش زبان طبیعی
A. جاسازی واژه
B. ساختارهای شبکه عصبی
C. شبکه های عصبی بازگشتی (RNN) استاندارد
D. حافظه کوتاه مدت بلند مدت (LSTM)
E. واحد بازگشتی دریچه ای (GRU)
F. دیگر متغیرهای شبکه عصبی بازگشتی (RNN)
III. شبکه ردیابی
A. معماری شبکه
B. آموزش شبکه ردیابی
IV. راه اندازی آزمایش
A. آماده سازی داده ها
B. انتخاب مدل و بهینه سازی اَبَرپارامترها
C. مقایسه روش های ردیابی
V. نتایج و بحث
VI. کارهای مرتبط
VII. تهدید روایی
VIII. نتیجه گیری ها
IX. قدردانی
قسمتی از مقاله انگلیسی و ترجمه آن:
I. Introduction
Requirements traceability plays an essential role in the software development process. Defined as “the ability to describe and follow the life of a requirement in both a forwards and backwards direction through periods of ongoing refinement and iteration” [26], traceability supports a diverse set of software engineering activities including change impact analysis, regression test selection, cost prediction, and compliance verification [25]. In high-dependability systems, regulatory standards, such as the US Federal Aviation Authority’s (FAA) DO178b/c [22], prescribe the need for trace links to be established and maintained between hazards, faults, requirements, design, code, and test cases in order to demonstrate that a system is safe for use [38], [23]. Unfortunately, the tracing task is arduous to perform and error-prone [46], even when industrial tools are used to manually create links or to capture them as a byproduct of the development process [14]. In practice, trace links are often incomplete and inaccurate [16], even in safety-critical systems [45], [56].
I. مقدمه
نیاز به قابلیت ردیابی نقش اساسی را در فرآیند توسعه نرم افزار ایفا می کند. قابلیت ردیابی به عنوان “توانایی توصیف و پیگیری وجود یک نیاز در هر دو راستای پیشرو و پسرو از طریق دوره های پیرایش و تکرار مداوم” تعریف می گردد [26] و از مجموعه متنوعی از فعالیت های مهندسی نرم افزار از جمله: تجزیه و تحلیل تاثیر تغییرات، انتخاب آزمون رگرسیون، پیش بینی هزینه، و تایید انطباق حمایت می کند [25]. در سیستم های با قابلیت اعتماد بالا، استانداردهای نظارتی مانند: DO178b /c اداره هوانوردی فدرال (FAA) ایالات متحده [22]، ضرورت برقراری و حفظ پیوندهای ردیابی بین خطرات، قصورات، الزامات، طراحی، کد، و موارد آزمون را جهت نشان دادن ایمنی استفاده از یک سیستم توصیه می نمایند [23]، [38].
