The objective of this research work is to improve the degree of excellence by removing the number of exceptions from the software. The modern age is more concerned with the quality of software. Extensive research is being carried out in this direction. The rate of improvement of quality of software largely depends on the development time. This development time is chiefly calculated in clock hours. However development time does not reflect the effort put in by the developer. A better parameter can be the rate of improvement of quality level or the rate of improvement of the degree of excellence with respect to time. Now this parameter needs the prediction of error level and degree of excellence at a particular stage of development of the software. This paper explores an attempt to develop a system to predict rate of improvement of the software quality at a particular point of time with respect to the number of lines of code present in the software. Having calculated the error level and degree of excellence at two points in time, we can move forward towards the estimation of the rate of improvement of the software quality with respect to time. This parameter can estimate the effort put in while development of the software and can add a new dimension to the understanding of software quality in software engineering domain. In order to obtain the results we have used an indigenous tool for software quality prediction and for graphical representation of data, we have used Microsoft office 2007 graphical chart.


翻译:这项研究工作的目标是通过取消软件的例外数目来提高优异程度,现代时代更关注软件的质量,正在朝这个方向进行广泛的研究。软件质量的提高速度在很大程度上取决于开发时间。开发时间主要以时钟计。开发时间并不反映开发者所作的努力。一个更好的参数可以是质量水平的提高速度或时间优异程度的提高速度。现在,这一参数需要预测软件开发特定阶段的差错程度和优异程度。本文探讨如何建立一个系统,预测软件质量在特定时间的改进速度,因为软件的编码线数是按时钟计算的。在计算出错误程度和优异程度之后,我们可以在两个时间点上着手估计软件质量的提高速度。这个参数可以估计软件开发过程中所作的努力,并在软件开发领域的特定阶段对软件质量的理解增加一个新的层面。本文探讨了如何建立一个系统,以预测软件质量在特定时间的改进程度。2007年,我们使用了一个局域的图表,我们使用了一个局域的图表,用于对2007年的图像进行我们所使用的数据分析。

0
下载
关闭预览

相关内容

Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
已删除
AI掘金志
7+阅读 · 2019年7月8日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
RL 真经
CreateAMind
5+阅读 · 2018年12月28日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【推荐】用Python/OpenCV实现增强现实
机器学习研究会
15+阅读 · 2017年11月16日
【推荐】YOLO实时目标检测(6fps)
机器学习研究会
20+阅读 · 2017年11月5日
【推荐】MXNet深度情感分析实战
机器学习研究会
16+阅读 · 2017年10月4日
Arxiv
6+阅读 · 2018年3月28日
Arxiv
3+阅读 · 2018年3月2日
Arxiv
5+阅读 · 2017年12月14日
Arxiv
3+阅读 · 2017年10月1日
VIP会员
相关资讯
已删除
AI掘金志
7+阅读 · 2019年7月8日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
RL 真经
CreateAMind
5+阅读 · 2018年12月28日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【推荐】用Python/OpenCV实现增强现实
机器学习研究会
15+阅读 · 2017年11月16日
【推荐】YOLO实时目标检测(6fps)
机器学习研究会
20+阅读 · 2017年11月5日
【推荐】MXNet深度情感分析实战
机器学习研究会
16+阅读 · 2017年10月4日
Top
微信扫码咨询专知VIP会员