精彩導(dǎo)讀

《軟件工程》期刊始終以反映軟件工程理論、方法和技術(shù)創(chuàng)新成果，傳播軟件知識(shí)，推廣軟件應(yīng)用為己任，期望可以為促進(jìn)中國(guó)軟件工程學(xué)科和軟件產(chǎn)業(yè)發(fā)展略盡綿薄之力。

★本期重點(diǎn)推薦論文

心磁圖攜帶心電活動(dòng)的信息，能夠提供更高的時(shí)空分辨率的電活動(dòng)定位，在臨床試驗(yàn)中有較好的效果。本期發(fā)表的論文《基于機(jī)器學(xué)習(xí)心肌梗死患者的心磁信號(hào)診斷》，使用機(jī)器學(xué)習(xí)方法對(duì)心磁數(shù)據(jù)樣本有無(wú)疾病進(jìn)行診斷分類(lèi)。首先從心磁數(shù)據(jù)中提取除極階段的數(shù)據(jù)構(gòu)建磁場(chǎng)圖，然后求解電流密度圖，從電流密度圖中提取相關(guān)的磁場(chǎng)特征。針對(duì)非平衡數(shù)據(jù)分類(lèi)問(wèn)題，分別使用樣本加權(quán)的SVM、LR、KNN、Adaboost和XGBoost學(xué)習(xí)模型進(jìn)行訓(xùn)練，在此基礎(chǔ)上設(shè)計(jì)使用加權(quán)的LR和KNN為初級(jí)學(xué)習(xí)器、SVM為次級(jí)學(xué)習(xí)器的結(jié)合學(xué)習(xí)模型對(duì)樣本數(shù)據(jù)進(jìn)行訓(xùn)練。采用結(jié)合學(xué)習(xí)模型對(duì)73 名非患者和47 名心肌梗死患者的36 通道心磁數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，結(jié)果顯示，采用樣本加權(quán)處理的單個(gè)機(jī)器學(xué)習(xí)模型較沒(méi)有進(jìn)行樣本加權(quán)處理的機(jī)器學(xué)習(xí)模型的預(yù)測(cè)效果好;采用樣本加權(quán)后的結(jié)合學(xué)習(xí)模型會(huì)獲得較好的預(yù)測(cè)效果。

★優(yōu)秀期刊及其論文推薦

IEEE Transactions on Software Engineering，簡(jiǎn)稱(chēng)TSE，中文譯為《IEEE軟件工程學(xué)報(bào)》，網(wǎng)址為https：//www.computer.org/csdl/journal/ts，1975 年創(chuàng)刊（月刊），由IEEE COMPUTER SOCIETY出版，其2020 年的影響因子為6.226，排在計(jì)算機(jī)科學(xué)軟件工程領(lǐng)域前列，并被收入《科學(xué)引文索引擴(kuò)展版》（SCIE）。

《IEEE軟件工程學(xué)報(bào)》關(guān)注定義明確的理論結(jié)果和經(jīng)驗(yàn)研究，以及這些結(jié)果和研究對(duì)軟件構(gòu)建、分析或管理的潛在影響，其研究范圍從制定原則的機(jī)制到將這些原則應(yīng)用于特定的環(huán)境，對(duì)軟件工程研究或?qū)嵺`者都是很有價(jià)值的。

《IEEE軟件工程學(xué)報(bào)》重點(diǎn)主題包括開(kāi)發(fā)和維護(hù)方法及模型、評(píng)估方法、軟件項(xiàng)目管理、工具和環(huán)境、系統(tǒng)問(wèn)題等。它涵蓋了軟件系統(tǒng)的規(guī)范、設(shè)計(jì)和實(shí)現(xiàn)的技術(shù)與原則，包括符號(hào)和過(guò)程模型，軟件測(cè)試和驗(yàn)證、可靠性模型，生產(chǎn)率因素、成本模型，特定工具、集成工具環(huán)境，硬件和軟件權(quán)衡，等等。

2021 年9 月發(fā)表的“Deep Learning Based Code Smell Detection”一文提出，代碼異味是源代碼中暗示重構(gòu)可能性的結(jié)構(gòu)。因此，開(kāi)發(fā)人員可以通過(guò)檢測(cè)代碼異味來(lái)識(shí)別重構(gòu)機(jī)會(huì)。但是，手動(dòng)識(shí)別代碼異味是具有挑戰(zhàn)性且乏味的。為此，人們已經(jīng)提出了許多自動(dòng)或半自動(dòng)的方法識(shí)別代碼異味?，F(xiàn)有大部分的代碼異味識(shí)別依賴(lài)于手動(dòng)設(shè)計(jì)的啟發(fā)式方法，將手動(dòng)選擇的源代碼指標(biāo)映射到預(yù)測(cè)中。然而，手動(dòng)選擇最佳特征是具有挑戰(zhàn)性的，手動(dòng)構(gòu)建最佳啟發(fā)式算法也很困難。為此，文中提出了一種基于深度學(xué)習(xí)的新方法來(lái)檢測(cè)代碼異味。關(guān)鍵是深度神經(jīng)網(wǎng)絡(luò)和先進(jìn)的深度學(xué)習(xí)技術(shù)可以自動(dòng)選擇源代碼的特征進(jìn)行代碼異味檢測(cè)，并可以自動(dòng)構(gòu)建這些特征和預(yù)測(cè)之間的復(fù)雜映射。深度學(xué)習(xí)通常需要大量標(biāo)記的訓(xùn)練數(shù)據(jù)（以調(diào)整所采用的深度神經(jīng)網(wǎng)絡(luò)中的大量參數(shù)），而現(xiàn)有的代碼異味檢測(cè)數(shù)據(jù)集都很小，這對(duì)基于深度學(xué)習(xí)的代碼異味檢測(cè)無(wú)疑是一個(gè)巨大的挑戰(zhàn)。為此，文中提出了一種為基于神經(jīng)網(wǎng)絡(luò)的分類(lèi)器生成標(biāo)記訓(xùn)練數(shù)據(jù)的自動(dòng)方法，此方法不需要任何人工干預(yù)。經(jīng)過(guò)初步嘗試，將此方法應(yīng)用于四種常見(jiàn)且眾所周知的代碼異味，即特性依戀、長(zhǎng)方法、過(guò)大類(lèi)和錯(cuò)位類(lèi)。對(duì)開(kāi)源應(yīng)用程序的評(píng)估結(jié)果表明，此方法對(duì)現(xiàn)有最先進(jìn)的水平仍有顯著的提高作用。

《軟件工程》期刊會(huì)持續(xù)為廣大讀者提供軟件工程領(lǐng)域方面的最新學(xué)術(shù)訊息，歡迎大家繼續(xù)支持我刊，我們共同關(guān)注軟件工程領(lǐng)域的發(fā)展動(dòng)向，努力做好學(xué)術(shù)研究和交流工作。