در این تحقیق جهت شناسایی اولیه الگوهای طراحی از دو ابزار خودکار شناسایی “SSA^[52]” و “PINOT^[53]” استفاده شده است. سپس معیارهای فوق به عنوان پیش بینی کننده­ها، جهت عملیات پالایش و تصحیح برچسب روی انواع نمونه­های مثبت کاذب و مثبت صحیح استفاده می­گردند. نمونه الگوهای شناسایی شده اولیه از سه نرم­افزار jhotdraw6، javaio و jrefactory با دو ابزار SSA و PINOTفراهم شده ­اند.
این دو ابزار انتخاب شده ­اند چون:

• • دو تا از بهترین ابزار هایی هستند که به صورت عمومی در دسترس می­باشند.

• • خصوصا ابزار SSA سرعت بالایی دارد.

• • به راحتی قابل استفاده هستند.

• • الگو­های بیشتری را پوشش می­ دهند و در­صد بازیابی بیشتری دارند.

• • روی الگوها غیر از آنهایی که ساختار و عملکرد مشابه دارند، دقت خوبی دارند.

به طور کلی مراحل یادگیری داده به شرح زیر می­باشد :

1. 1. 1. محاسبه معیارها برای نمونه­های مثبت کاذب و مثبت صحیح.

      ( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

1. 1. بررسی صحت یا عدم صحت الگوهای شناسایی شده و برچسب زدن دستی تحت” نام صحیح الگو” یا در صورت نداشتن الگو” بدون الگو”.

1. 1. استفاده از الگوریتم های یادگیری برای خودکارسازی پیشگویی هویت صحیح نمونه­ها.

شکل ۴-۱۴٫ مراحل طی شده جهت ایجاد مدل­های تصمیم گیری با معیارهای استخراج شده
در این کار یک بازبینی دستی به ازای تمام نمونه­های یافت شده توسط ابزارها انجام می­گیرد. سپس یک طبقه بندی چندتایی برای هر نمونه فراهم می­گردد. در این طبقه بندی نمونه­ها بر چسب­های “نام هر الگو” از بین نه الگو و در صورت موجود نبودن الگو در به صورت “بدون الگو ” طبقه بندی می­شوند. در ضمن زمانی که تطبیق یافته­ الگو تطبیق دهنده یا دریافت­کننده الگو فرمان ، الگوی استراتژی باشد به صورت “adapter-strategy ” یا “command-strategy” برچسب می خورد. نمونه ­ای از مجموعه داده تهیه شده در زیر آمده است.

Address(context-state/strategy)

M1^[54]*

M2^[55]*

M3^[56]*

M4^[57]*

Re-labeling

standard.LocatorHandle-framework.Locator

۱

۰

۰

۱۹

Adapter-strategy(decorator)

standard/ToolButton.java-framework/Tool.java

۱

۰

۰

۰

state