1.基于深度神经网络的软件缺陷定位方法，其特征在于，包括如下步骤：S1：收集待测软件的相关数据

访问缺陷跟踪系统获取软件的缺陷报告，使用GIT工具获取软件的代码文件及API文档；

S2：数据预处理

对S1中收集的缺陷报告进行预处理得到如下数据：缺陷报告集合 每个缺陷报告 xi代表缺陷报告中的一个单词，缺陷报告集合B的个数记为db；

缺陷报告修复时间向量 tl表示缺陷报告 修复的时间；

缺陷报告提交时间向量 tsl表示缺陷报告bl提交的时间；

对S1中获得的代码文件进行预处理得到如下数据：代码文件集合 每个代码文件 yi代表代码文件中的一个单词，代码文件集合S的个数记为ds；

代码文件的名称向量 单词snm表示代码文件 的名称；

对S1中获取的API文档进行预处理得到如下数据：API文档集合 zk代表API文档的一个单词；

API文档的名称向量 dan表示API文档 的名称；

每个缺陷报告 对应一组标签 tagi表示缺陷报告所对应的代码文件的名称；

其中l、m、n，i、j和k均为正整数；

S3：为每个代码文件添加对应的API描述遍历代码文件集合S，对于每一个 遍历向量 若j＝n时，yj＝dan，则构成集合其中S4：提取如下五个特征

S41：文本相似度

分别构造缺陷报告向量空间 和和代码文件的向量空间 用于记录单词和单词出现的次数， 和 初始化为空集；

遍历缺陷报告集合B，对于每一个向量 都将其添加到向量空间 中；

遍历集合S′，对于每一个向量 都将其添加到向量空间 中；

对于 和 保留单词出现次数较多的单词，舍去其余记录的单词，得到新的向量空间V′B和V′S；

将 和 收尾相连形成新的词汇向量 将相同的单词仅保留一个，并将单词出现的次数合并；

记di是缺陷报告集合B中包含单词xi的向量的数量，单词xi对应的逆文档频率遍历缺陷报告集合B，对于每一个向量 设向量 为 在向量空间 上的映射，大小为nbs，若xi属于向量空间 单词xi在向量 中出现的次数记为 则单词xi在向量 中出现的词频 单词xi对应的权重大小记dj是集合S′中包含单词yj的向量的数量，单词yj对应的逆文档频率 遍历集合S′，对于每一个向量 设向量 为 在向量空间 上的映射，大小为nst，若yj属于向量空间 单词yj在向量 中出现的次数记为fj，则单词yj在向量 中出现的词频 单词yj对应的权重大小遍历缺陷报告集合B和集合S′，对于每个向量组 令Nterm为向量 的长度，缺陷报告 和代码文件 的文本相似度S42：基于协同过滤算法的缺陷报告相似度遍历代码文件集合S，对每一个代码文件 建立逆标签集合Cm，并初始化Cm为空集；

遍历缺陷报告集合B，对于每一个缺陷报告 对应的标签 将 与 进行对比，若 便把向量 添加至集合Cm中；

遍历缺陷报告集合B和代码文件集合S，对于每个向量组 遍历集合Cm，若计算 与 的余弦相似度，得相似度向量 其中simn表示 与 的余弦相似度；

将向量 按从大到小的顺序排列，得到 其中每个元素已做正则化处理

计算缺陷报告 和代码文件 的基于协同过滤算法的缺陷报告相似度这里n≤3；

S43：基于缺陷修复历史的相似度新建代码文件修复事件集合 表示代码文件 被修复的历程，初始化为空向量；

遍历缺陷报告集合B，对于每一个缺陷报告 都有其对应的tl和 若 则在向量 中添加元素tl；

遍历集合F，对于每一个向量 将元素从晚到早顺序排列，得遍历向量 和集合F，对于每个缺陷报告 和代码文件 若 对应的提交时间为tsl，对应的修复事件向量为 将 中大于tsl的元素删除，得计算缺陷报告 和代码文件 的基于缺陷修复历史的相似度p为正整数，上述K值根据软件缺陷报告提交的频率决定；

S44：类名相似度

遍历缺陷报告集合B和向量 对于每一个缺陷报告 和代码文件名称snm，若 记缺陷报告 和代码文件 的类名相似度 反之，记 将类名相似度 归一化；

S45：结构信息相似度

将缺陷报告集合B拆分为集合Summary和集合Description，其中Summary是缺陷报告中的summary，记 Description是缺陷报告中的description，记 则将代码文件集合S拆分成四个集合Class、Method、Var和Comment，Class是缺陷报告中的class，Method是缺陷报告中的method，Var是缺陷报告中var，Comment是缺陷报告中的comment，记则

遍历缺陷报告集合B和代码文件集合S，对于缺陷报告 和代码文件 使用简单共有词方法计算如下文本相似度：计算缺陷报告 和代码文件 的结构信息相似度S5：CNN非线性组合

S51：使用步骤S4中的五个特征构造训练数据集，对于每一个缺陷报告 有5×ds个特征值，构造特征值矩阵缺陷报告 对应的标签为

S52：构建卷积神经网络

权重初始化采用标准正态分布；

C1：卷积层共有12个卷积核和12个偏移量，其中

5×1的卷积核3个，分别为 得矩阵 大小为1×ds；

4×1的卷积核3个，分别为 得矩阵 大小为2×ds；

3×1的卷积核3个，分别为 得矩阵 大小为3×ds；

2×1的卷积核3个，分别为 得矩阵 大小为4×ds；

C2：池化层采用单列最大池化策略；

C3：采用矩阵拼接的形式构建新矩阵，共得到如下4个矩阵是由 拼接而成，大小为4×ds；

是由 拼接而成，大小为4×ds；

是由 拼接而成，大小为4×ds；

是由 拼接而成，大小为4×ds；

C4：卷积层共有3个卷积核 和3个偏移量，卷积核大小为3×1，得12个矩阵，大小都为2×ds；

C5：卷积层共有3个卷积核 和3个偏移量，卷积核大小为2×1，得36个矩阵，大小都为1×ds；

C6：全连接层，权重矩阵为 偏移向量B6，C7：分类，将C6展开得 得缺陷报告 的预测值向量Yl满足其中，

误差函数：

采用梯度下降法更新参数；

S6：对于新的缺陷报告 通过S4计算5个特征值，构建特征矩阵，利用S5已训练好的CNN模型，得出对应预测值向量对 到 进行大小排序，得可能具有缺陷的代码文件列表，排名越靠前可能性越大。

2.根据权利要求1所述的基于深度神经网络的软件缺陷定位方法，其特征在于，所述缺陷报告、代码文件以及API文档通过文本分词、去停用词和提取词干的操作进行预处理得到缺陷报告集合B，代码文件集合S以及API文档集合D。