1.一种面向软件缺陷类分布不平衡的规则学习分类器集成方法，其特征在于，其包括如下步骤：步骤S1：采用主成分分析法从软件模块所包含的原始特征中提取最有效特征，具体包括如下步骤：步骤S101：构建软件缺陷数据集矩阵XN×M，所述矩阵的行数N表示所述软件缺陷数据集中样本的个数，所述矩阵的列数M表示每个所述样本的特征数目；

步骤S102：按列计算所述矩阵XN×M的均值，从而得到均值矩阵 并将所述矩阵XN×M中的每一行元素均减去所述均值矩阵 得到样本HN×M，并对其进行中心化；

步骤S103：计算中心化后的样本HN×M的协方差矩阵HHT，并对所述协方差矩阵HHT进行特征值分解，求得对应的M个特征向量ω，然后将M个特征值λ进行降序排序，排序结果为λ1≥λ2≥...≥λM，最后，设定一个阈值为0.95，通过计算贡献率 确定满足贡献率不小于所述阈值的数值d，取最大的d个特征值所对应的特征向量ω1,ω2,...,ωd，得到投影矩阵W*＝(ω1,ω2,...,ωd)，所述d为通过主成分分析法进行特征选择后的维度；

步骤S2：执行ADASYN过采样和无放回随机采样相结合的组合采样方法，包括以下具体步骤：步骤S201：从所述软件缺陷数据集中选取的样本中构造一个含有0和1两个类别的训练数据集D，其中包括m个所述样本{xi,yi},i＝1,2,...,m，其中xi为n维空间的一个样本，yi∈{0,1}为所述样本xi的标签，yi＝0代表为少数类，yi＝1为多数类，其中m0和m1分别代表少类和多类样本数量；

步骤S202：计算类不平衡度l＝m0/m1，式中l∈(0,1]；

步骤S203：计算需要合成的所述少类样本总量G：G＝(m1-m0)×β，式中β∈[0,1]为系数；

步骤S204：找出每个所述少类别样本xi的K近邻，并计算：Γi＝Δi/K,i＝1,2,...,m，其中Δi是xi的K近邻中多类样本的数目，因此，Γi∈(0,1]；

步骤S205：根据 正则化Γi，则 为概率分布，并且

步骤S206：计算每个所述少类样本xi需要合成的样本数目： 并从每个所述少类样本xi的K近邻中随机选择一个少类样本xj，合成gi个新的少类样本，所述合成新的少类样本为Sz＝xi+(xj-xi)×λ，λ∈[0,1]为随机数；

步骤S207：将所述合成新的少数类样本添加到所述训练数据集D中；

步骤S208：利用无放回随机采样，设定采样率，降低采样容量，提取更小的数据集D1；

步骤S3：对处理后的数据选取基于规则学习的基分类器进行集成，构建软件缺陷预测模型，包括以下具体步骤：步骤S301：采用规则学习的基分类器，包括以下具体步骤：

步骤S3011：根据类的出现频率进行递增排序；

步骤S3012：清空规则集，然后向规则集添加前件，直到规则集可以扩展到覆盖整个数据集为止；

步骤S3013：进行规则剪枝，利用数值C判断是否到达到了最精简的规则，当C不再变大时，停止剪枝；所述数值C为：所述公式中，hk是规则所覆盖的样本个数，hp是没有被覆盖样本个数；

步骤S302：进行集成，包括以下具体步骤：

步骤S3021：设T为需要进行集成的基分类器个数，并将基分类器分为k组，Ii为第i组迭代终止标志变量，在进行集成时，T个基分类器最多迭代T轮，Ii计算公式如下：步骤S3022：将所述训练数据集D1＝{(x1,y1),(x2,y2),...,(xa,ya)}中的每个样本的权重均设置为1,形成数据集S′，当每个基分类器组迭代终止时，对S′中的数据重新进行服从连续泊松分布的权重设置且进行归一化处理，再进行下一个基分类器组的迭代；在每次基分类器迭代中，每个基分类器的误差为 基分类器对最终组合分类模型的输出权重设为βt(t＝1,...,T)，根据εt每次取值范围的不同，分为3种情况：若εt＞0.5，则直接将所述分类器舍弃，并对所述训练数据集S′进行服从连续泊松分布的权重设置且进行归一化处理，进入下一个基分类器组，直至εt≤0.5；

若εt＝0，则βt＝10-10，并再对所述训练数据集S′进行服从连续泊松分布的权重设置且进行归一化处理，再进入下一个基分类器组；

若0＜εt≤0.5，则设置 对S′中的每个样本,被错误分类的样本的权重除以2εt，被正确分类的样本乘以2(1-εt),但最小权重为10-8，最终的分类函数为：

2.根据权利要求1所述的面向软件缺陷类分布不平衡的规则学习分类器集成方法，其特征在于，所述步骤2中所述的ADASYN过采样和无放回随机采样相结合的组合采样方法的采样率设定为[0.7，1.0]，步长为0.1。

3.根据权利要求1所述的面向软件缺陷类分布不平衡的规则学习分类器集成方法，其特征在于，所述步骤S3021中的所述迭代次数T的设定为[10,30]，步长为10。