摘要：為深入探討基于神經(jīng)網(wǎng)絡(luò)技術(shù)的計(jì)算機(jī)應(yīng)用軟件開(kāi)發(fā)技術(shù)，提升軟件系統(tǒng)開(kāi)發(fā)過(guò)程的智能化、自動(dòng)化水平，本文簡(jiǎn)要分析了神經(jīng)網(wǎng)絡(luò)技術(shù)，從組件開(kāi)發(fā)、程序設(shè)計(jì)、系統(tǒng)安裝三個(gè)方面提出基于神經(jīng)網(wǎng)絡(luò)技術(shù)的計(jì)算機(jī)應(yīng)用軟件開(kāi)發(fā)方法，并借助具體案例進(jìn)行深入分析，以探索神經(jīng)網(wǎng)絡(luò)技術(shù)在計(jì)算機(jī)應(yīng)用軟件開(kāi)發(fā)中的應(yīng)用。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)技術(shù)；計(jì)算機(jī)應(yīng)用；軟件開(kāi)發(fā)

引言

2024年國(guó)務(wù)院《政府工作報(bào)告》中明確提出“人工智能+”戰(zhàn)略行動(dòng)，推動(dòng)人工智能應(yīng)用于各行各業(yè)，為社會(huì)提供更多支持[1]。在計(jì)算機(jī)應(yīng)用軟件開(kāi)發(fā)中，人工智能技術(shù)得到廣泛應(yīng)用，神經(jīng)網(wǎng)絡(luò)技術(shù)作為其重要分支之一，具有強(qiáng)大的學(xué)習(xí)能力，可有效提升計(jì)算機(jī)軟件模型的性能、編程準(zhǔn)確性，逐漸成為軟件工程領(lǐng)域智能化轉(zhuǎn)型的重要驅(qū)動(dòng)力，并且為軟件開(kāi)發(fā)注入新的動(dòng)能。在神經(jīng)網(wǎng)絡(luò)技術(shù)的加持下，軟件開(kāi)發(fā)工具以其強(qiáng)大的代碼理解和生成能力，有效提升了軟件開(kāi)發(fā)的效率。現(xiàn)階段，各大企業(yè)意識(shí)到神經(jīng)網(wǎng)絡(luò)技術(shù)的重要價(jià)值和作用，并將其應(yīng)用至計(jì)算機(jī)應(yīng)用軟件開(kāi)發(fā)中?；诖?，本文主要對(duì)神經(jīng)網(wǎng)絡(luò)技術(shù)下的計(jì)算機(jī)應(yīng)用軟件開(kāi)發(fā)技術(shù)進(jìn)行深入探討，以期為相關(guān)研究人員提供參考。

1. 神經(jīng)網(wǎng)絡(luò)技術(shù)

神經(jīng)網(wǎng)絡(luò)技術(shù)是人工智能領(lǐng)域的重要組成部分，主要基于神經(jīng)生理學(xué)、心理物理學(xué)研究成果，對(duì)生物神經(jīng)網(wǎng)絡(luò)的理論抽象，通過(guò)模擬人腦，以期實(shí)現(xiàn)類人工智能的機(jī)器學(xué)習(xí)技術(shù)[2]。通過(guò)運(yùn)用該技術(shù)來(lái)建立BP（back propagation）神經(jīng)網(wǎng)絡(luò)模型，對(duì)計(jì)算機(jī)應(yīng)用軟件開(kāi)發(fā)中存在的各種風(fēng)險(xiǎn)、問(wèn)題等進(jìn)行評(píng)估、預(yù)測(cè)，方便研發(fā)人員進(jìn)行調(diào)整和優(yōu)化，對(duì)于提高軟件開(kāi)發(fā)質(zhì)量發(fā)揮著重要的作用。神經(jīng)網(wǎng)絡(luò)技術(shù)在計(jì)算機(jī)應(yīng)用軟件開(kāi)發(fā)中的運(yùn)用要素眾多，如做好數(shù)據(jù)預(yù)處理工作，根據(jù)預(yù)處理結(jié)果對(duì)計(jì)算機(jī)應(yīng)用軟件的缺陷進(jìn)行分類，計(jì)算缺陷數(shù)量，并創(chuàng)建預(yù)測(cè)模型，為規(guī)避計(jì)算機(jī)應(yīng)用軟件開(kāi)發(fā)缺陷、提高開(kāi)發(fā)質(zhì)量奠定基礎(chǔ)。

其中，數(shù)據(jù)的預(yù)處理是根據(jù)神經(jīng)網(wǎng)絡(luò)的逆向傳遞原則，由模型學(xué)習(xí)數(shù)據(jù)開(kāi)始，經(jīng)由網(wǎng)絡(luò)的權(quán)重系數(shù)選取與多層模式建構(gòu)，再以此為基礎(chǔ)，使用所建的多個(gè)辨識(shí)模式來(lái)進(jìn)行辨識(shí)，進(jìn)而選取正確率較高的模型。以預(yù)處理結(jié)果為依據(jù)，對(duì)計(jì)算機(jī)應(yīng)用軟件開(kāi)發(fā)中存在的各種缺陷進(jìn)行總結(jié)，并做好分類工作。缺陷類型主要包括兩種，一種為需求缺陷，另一種為錯(cuò)誤內(nèi)容。開(kāi)發(fā)人員需要根據(jù)實(shí)際缺陷類型，采取針對(duì)性的措施進(jìn)行處理。在缺陷分類時(shí)，可以發(fā)現(xiàn)各類型的特征值差異，對(duì)于少量參數(shù)的類別，由于目前的計(jì)算機(jī)軟件很難對(duì)其正確歸類，因此，容易出現(xiàn)缺陷預(yù)測(cè)錯(cuò)誤的情況[3]。神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用則是通過(guò)對(duì)系統(tǒng)內(nèi)在平衡的控制，優(yōu)化系統(tǒng)中的數(shù)據(jù)獲取方式和學(xué)習(xí)方式，使原來(lái)不均衡的學(xué)習(xí)參數(shù)得到均衡調(diào)節(jié)。

對(duì)于缺陷數(shù)量特征的計(jì)算，該技術(shù)能夠根據(jù)軟件缺陷密度公式確定1000行程序中存在的錯(cuò)誤數(shù)目。公式為

（1）

式中，Mq表示計(jì)算機(jī)軟件中所有已知或潛在缺陷數(shù)量；Md表示計(jì)算機(jī)軟件的總代碼行數(shù)，是衡量軟件規(guī)模的重要指標(biāo)，反映軟件開(kāi)發(fā)的投入量及復(fù)雜程度。

在軟件缺陷預(yù)測(cè)中，深度學(xué)習(xí)的應(yīng)用主要是通過(guò)構(gòu)建預(yù)測(cè)模型來(lái)實(shí)現(xiàn)。如圖1所示，為基于軟件度量的缺陷預(yù)測(cè)模型。該模型從開(kāi)放源碼的公用庫(kù)或開(kāi)放源碼團(tuán)體中提取軟件的功能模塊，引入與缺陷密切關(guān)聯(lián)的度量元素，抽取相應(yīng)的測(cè)量特性，實(shí)現(xiàn)故障樣本的構(gòu)建，然后利用該方法對(duì)已有的軟件缺陷進(jìn)行建模，并預(yù)測(cè)軟件缺陷。

2. 基于神經(jīng)網(wǎng)絡(luò)技術(shù)的計(jì)算機(jī)應(yīng)用軟件開(kāi)發(fā)技術(shù)應(yīng)用

2.1 組件開(kāi)發(fā)

在組件開(kāi)發(fā)中，利用神經(jīng)網(wǎng)絡(luò)技術(shù)提取數(shù)據(jù)特征，依據(jù)數(shù)據(jù)具體特征進(jìn)行分類，并對(duì)用戶的行為偏好進(jìn)行分析，預(yù)測(cè)用戶需求。在特征提取中，神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用是通過(guò)卷積神經(jīng)網(wǎng)絡(luò)（CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）等深度學(xué)習(xí)模型來(lái)實(shí)現(xiàn)。CNN用于圖像數(shù)據(jù)處理，經(jīng)過(guò)卷積操作，自動(dòng)提取圖像中的邊緣、角點(diǎn)、紋理等特征；RNN主要擅長(zhǎng)序列數(shù)據(jù)的處理，捕捉時(shí)間序列中的依賴關(guān)系，將序列中的高級(jí)特征提取出來(lái)。在用戶行為分析中，神經(jīng)網(wǎng)絡(luò)技術(shù)通過(guò)GNN和RNN相結(jié)合，GNN對(duì)用戶局部行為隱藏狀態(tài)進(jìn)行捕捉并預(yù)處理，RNN則是對(duì)用戶行為的時(shí)間序列特征進(jìn)行捕捉，全方位對(duì)用戶行為模式進(jìn)行分析，并實(shí)現(xiàn)用戶需求、偏好的有效預(yù)測(cè)[4]。神經(jīng)網(wǎng)絡(luò)技術(shù)在組件開(kāi)發(fā)中的應(yīng)用極大地提高特征提取的自動(dòng)化程度，減少人工干預(yù)，并且可以處理大規(guī)模、高維度的原始數(shù)據(jù)，從海量數(shù)據(jù)中提取出有用的特征，從而提高模型的性能和準(zhǔn)確率。

2.2 程序設(shè)計(jì)

在計(jì)算機(jī)應(yīng)用軟件開(kāi)發(fā)中，程序設(shè)計(jì)非常關(guān)鍵，直接關(guān)系到計(jì)算機(jī)應(yīng)用程序的發(fā)展。為了使計(jì)算機(jī)應(yīng)用程序滿足使用者的要求，可利用自動(dòng)化、人工智能等新技術(shù)，研制一套計(jì)算機(jī)應(yīng)用程序，由自動(dòng)化、智能化模塊直接代替人工完成對(duì)軟件的開(kāi)發(fā)與優(yōu)化。對(duì)于各類計(jì)算機(jī)應(yīng)用程序，在進(jìn)行設(shè)計(jì)時(shí)，必須先熟悉其工作過(guò)程，從效率和安全性等方面來(lái)降低非必要的過(guò)程，加強(qiáng)各個(gè)過(guò)程間的銜接[5]。在神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用下，與開(kāi)發(fā)人員進(jìn)行協(xié)作，生成相應(yīng)的程序框架和局部瑣碎細(xì)節(jié)，從而減少人工編程的工作量。完成程序設(shè)計(jì)后，利用神經(jīng)網(wǎng)絡(luò)自動(dòng)測(cè)試代碼的性能，通過(guò)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，識(shí)別代碼中存在的內(nèi)存泄漏、性能瓶頸等各種問(wèn)題，提高代碼穩(wěn)定性，還可以利用神經(jīng)網(wǎng)絡(luò)技術(shù)補(bǔ)全代碼，提高編程準(zhǔn)確性。

2.3 安裝系統(tǒng)

計(jì)算機(jī)應(yīng)用軟件開(kāi)發(fā)完成后，進(jìn)入系統(tǒng)安裝階段。在系統(tǒng)中，先配置好神經(jīng)網(wǎng)絡(luò)所需的環(huán)境，如安裝Python、Anaconda、TensorFlow或PyTorch等深度學(xué)習(xí)框架，幫助開(kāi)發(fā)者快速搭建神經(jīng)網(wǎng)絡(luò)模型，并進(jìn)行訓(xùn)練和測(cè)試。在系統(tǒng)安裝過(guò)程中，容易遇到一些兼容性問(wèn)題和格式變換的需求，利用神經(jīng)網(wǎng)絡(luò)技術(shù)，學(xué)習(xí)歷史數(shù)據(jù)中的模式，預(yù)測(cè)并解決這些問(wèn)題。在自動(dòng)化決策中，對(duì)于系統(tǒng)無(wú)法自動(dòng)解決的問(wèn)題，借助神經(jīng)網(wǎng)絡(luò)技術(shù)，依據(jù)目前系統(tǒng)狀態(tài)和歷史數(shù)據(jù)，推薦最優(yōu)的解決方案，該技術(shù)的應(yīng)用可有效提升系統(tǒng)的安裝效率。針對(duì)系統(tǒng)安裝中出現(xiàn)的故障問(wèn)題，神經(jīng)網(wǎng)絡(luò)通過(guò)學(xué)習(xí)大量的故障案例，在最短時(shí)間內(nèi)診斷問(wèn)題的根源，并推薦針對(duì)性的修復(fù)方案。通過(guò)這種智能化的故障診斷，可以極大地縮短故障解決時(shí)間，進(jìn)而提高系統(tǒng)的穩(wěn)定性和可靠性[6]。

2.4 基于神經(jīng)網(wǎng)絡(luò)技術(shù)的計(jì)算機(jī)應(yīng)用軟件開(kāi)發(fā)案例

以NeMo Curator數(shù)據(jù)管理軟件為例，其作為人工智能數(shù)據(jù)管理的可擴(kuò)展工具包，包含多個(gè)可擴(kuò)展數(shù)據(jù)挖掘模塊，為大型語(yǔ)言模型數(shù)據(jù)的整理而設(shè)計(jì)。該軟件的開(kāi)發(fā)旨在通過(guò)神經(jīng)網(wǎng)絡(luò)技術(shù)減輕數(shù)據(jù)采集工作量，提高管理質(zhì)量。該軟件集成神經(jīng)網(wǎng)絡(luò)技術(shù)，具有優(yōu)化數(shù)據(jù)處理、預(yù)測(cè)分析及用戶行為模式識(shí)別等高級(jí)功能。該軟件系統(tǒng)的使用者角色有兩種，即一般用戶和管理員。如圖2所示，為具體的業(yè)務(wù)流程。

2.4.1 軟件開(kāi)發(fā)設(shè)計(jì)

在數(shù)據(jù)管理軟件開(kāi)發(fā)中，整體功能包括數(shù)據(jù)傳輸層、服務(wù)層、視圖層、控制器、實(shí)體類包、工具包、數(shù)據(jù)庫(kù)映射、持久層對(duì)象。數(shù)據(jù)庫(kù)包含數(shù)據(jù)庫(kù)表和表間關(guān)系分析，其中，數(shù)據(jù)庫(kù)表又包括多項(xiàng)內(nèi)容，如被試者表、報(bào)告表格回答表、量表回答表、評(píng)量表等[7]。這些不僅是數(shù)據(jù)存儲(chǔ)的載體，還是神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)源。在軟件開(kāi)發(fā)階段，使用Java開(kāi)發(fā)工具，具體選用IntelliJ IDEA，該工具以編寫代碼為主，其作用是對(duì)程序進(jìn)行最優(yōu)處理，并通過(guò)結(jié)合神經(jīng)網(wǎng)絡(luò)框架（如TensorFlow、PyTorch等）的Java API，實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型的集成與調(diào)用，從而提升程序的開(kāi)發(fā)效率[8]。在數(shù)據(jù)存儲(chǔ)上，選用MySQL相關(guān)數(shù)據(jù)庫(kù)，并新增用于存儲(chǔ)神經(jīng)網(wǎng)絡(luò)模型參數(shù)和訓(xùn)練數(shù)據(jù)的專用數(shù)據(jù)庫(kù)表或外部存儲(chǔ)解決方案（如HDFS、云存儲(chǔ)等），其具有較高的可用性、容錯(cuò)特性，在數(shù)據(jù)庫(kù)服務(wù)器出現(xiàn)故障時(shí)，能夠自動(dòng)恢復(fù)。

2.4.2 模型建立和分析

在該軟件開(kāi)發(fā)建模環(huán)節(jié)，以K均值算法為主，引入神經(jīng)網(wǎng)絡(luò)技術(shù)，尤其是自組織映射（self-organizing map，SOM）網(wǎng)絡(luò)和深度學(xué)習(xí)中的聚類方法，并以迭代法來(lái)解決聚類[9]。模型創(chuàng)建的過(guò)程主要包括以下幾個(gè)方面：其一，明確K值；其二，采用隨機(jī)取樣法，從數(shù)據(jù)集中選擇k個(gè)數(shù)據(jù)點(diǎn)，并將其作為質(zhì)心；其三，對(duì)數(shù)據(jù)集中所有數(shù)據(jù)點(diǎn)和質(zhì)心的距離進(jìn)行計(jì)算，根據(jù)計(jì)算結(jié)果劃分?jǐn)?shù)據(jù)點(diǎn)的類型；其四，如果獲得的距離不在既定的閾值范圍內(nèi)，則需要重新選取數(shù)據(jù)點(diǎn)，并再次計(jì)算所有數(shù)據(jù)點(diǎn)和質(zhì)心的間距，直至間距控制在既定閾值范圍內(nèi)；其五，當(dāng)間距在閾值范圍內(nèi)時(shí)，算法終止，并將結(jié)果輸出，完成聚類。

聚類分析使用K均值算法，在一個(gè)數(shù)據(jù)庫(kù)中對(duì)給出的K個(gè)簇聚類算法進(jìn)行解析，然后根據(jù)業(yè)務(wù)的實(shí)際需求，通過(guò)人工設(shè)置或者選取合適的方法來(lái)獲取K值[10]。在此過(guò)程中，采取輪廓系數(shù)法或者誤差平方和的方法，獲得最佳的K值。在該軟件設(shè)計(jì)中，采取誤差平方和的方法，由專家判斷出每一個(gè)最佳K值后，對(duì)每一個(gè)簇內(nèi)的點(diǎn)到聚類中心點(diǎn)之間的誤差平方和進(jìn)行計(jì)算。一般而言，所求的值越小，表明聚類效果越好。SOM網(wǎng)絡(luò)是一種無(wú)監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，在聚類分析中，通過(guò)使用SOM網(wǎng)絡(luò)，對(duì)數(shù)據(jù)進(jìn)行分類，然后基于SOM網(wǎng)絡(luò)的輸出，將其作為K均值算法的初始聚類中心，加速聚類的過(guò)程，并有效提高聚類質(zhì)量。

得到聚類結(jié)果之后，使用輪廓系數(shù)法，對(duì)聚類效果進(jìn)行評(píng)估。先確定i點(diǎn)，然后在該位置上計(jì)算向量i與i所在簇內(nèi)的其他點(diǎn)之間的距離，即e（i），之后再計(jì)算向量i到其他簇之間的點(diǎn)的平均距離，即f（i）。具體計(jì)算公式為

（2）

式中，S（i）表示輪廓系數(shù)；e、f表示距離。依據(jù)該公式可知，輪廓系數(shù)的范圍在[-1，1]，對(duì)于所有點(diǎn)輪廓系數(shù)，計(jì)算出具體的平均值，作為這一次的聚類結(jié)果的輪廓系數(shù)。對(duì)于最終計(jì)算出來(lái)的系數(shù)，越靠近1，表示該聚類能夠達(dá)到較好效果，并且表明本次軟件開(kāi)發(fā)在功能、性能方面具有較好的效果，符合用戶的要求。軟件開(kāi)發(fā)設(shè)計(jì)完成后，通過(guò)使用自動(dòng)化技術(shù)，將該軟件安裝到計(jì)算機(jī)系統(tǒng)當(dāng)中，在這個(gè)過(guò)程中，根據(jù)計(jì)算機(jī)系統(tǒng)的硬件配置、操作系統(tǒng)版本等信息，利用神經(jīng)網(wǎng)絡(luò)模型對(duì)軟件安裝參數(shù)和配置等進(jìn)行自動(dòng)調(diào)整，優(yōu)化軟件的運(yùn)行性能和兼容性。

結(jié)語(yǔ)

在計(jì)算機(jī)應(yīng)用軟件開(kāi)發(fā)中，神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用促使軟件開(kāi)發(fā)方式發(fā)生變化，既能夠提升開(kāi)發(fā)效率和質(zhì)量，還能夠降低開(kāi)發(fā)成本和風(fēng)險(xiǎn)。通過(guò)探討神經(jīng)網(wǎng)絡(luò)技術(shù)在計(jì)算機(jī)軟件開(kāi)發(fā)中的具體應(yīng)用，充分發(fā)揮該技術(shù)的優(yōu)勢(shì)，從而在各種程序設(shè)計(jì)和整合的開(kāi)發(fā)環(huán)境中提高編碼的效率、質(zhì)量。

參考文獻(xiàn)：

[1]國(guó)務(wù)院.政府工作報(bào)告——2024年3月5日在第十四屆全國(guó)人民代表大會(huì)第二次會(huì)議上[R/OL].（2024-03-12）[2024-10-30].https：//www.gov.cn/gongbao/2024/issue_11246/202403/content_6941846.html.

[2]Wang X.Retraction Note：System simulation of computer image recognition technology application by using improved neural network algorithm[J].Soft Computing，2024，（prepublish）：1-1.

[3]Gadani N N.Optimizing Software Development Processes in Cloud Computing Environments Using Agile Methodologies and DevOps Practices[J].Asian Journal of Research in Computer Science，2024（7）：75-83.

[4]段濤，劉華.人工智能的計(jì)算機(jī)應(yīng)用軟件開(kāi)發(fā)技術(shù)研究[J].電子元器件與信息技術(shù)，2023（1）：102-105.

[5]馮景利.基于人工智能的計(jì)算機(jī)應(yīng)用軟件開(kāi)發(fā)技術(shù)應(yīng)用分析[J].信息記錄材料，2022（9）：189-191.

[6]王曉紅.基于人工智能的計(jì)算機(jī)應(yīng)用軟件開(kāi)發(fā)技術(shù)[J].中國(guó)信息界，2024（5）： 37-39.

[7]張海玉.基于人工智能的計(jì)算機(jī)應(yīng)用軟件開(kāi)發(fā)技術(shù)研究[J].軟件，2022（5）：82-84.

[8]畢江會(huì).基于人工智能的計(jì)算機(jī)應(yīng)用軟件開(kāi)發(fā)技術(shù)研析[J].電子元器件與信息技術(shù)，2021（7）：195-196，198.

[9]薛夢(mèng)丹.基于人工智能的計(jì)算機(jī)應(yīng)用軟件開(kāi)發(fā)技術(shù)應(yīng)用分析[J].中國(guó)高新科技，2023（13）：40-42.

[10]李大偉.基于人工智能的計(jì)算機(jī)應(yīng)用軟件開(kāi)發(fā)技術(shù)分析[J].軟件，2023（9）： 124-126.

作者簡(jiǎn)介：趙霏，碩士研究生，zhaofei8201@163.com，研究方向：計(jì)算機(jī)技術(shù)。