1.一种结合神经网络的双集成软件缺陷预测方法，其特征在于，包括如下步骤：步骤1，将数据集按照9：1的比例划分训练集和测试集，使用贪心前向选择方法，对训练集进行特征选择，以得到最佳特征子集；

步骤2，使用交叉验证的方法以及得到的特征子集对数据集进行训练，分别建立七个不同的集成基分类器；

步骤3，使用stacking集成方法，将七个不同分类模型的输出当作训练集送入到神经网络模型中训练，建立双集成缺陷预测模型；

步骤4，使用最终得到的模型对测试集中的数据进行缺陷预测；根据所得到的预测结果，与现有的集成缺陷预测模型进行比较，验证提出的方法的有效性；

所述步骤1中获取最佳特征子集的具体实现包括如下步骤：

步骤1.1，使用贪心前向选择方法，AUC分数为标准，首先获得最高分类性能的特征并将其添加到保留的特征子集中，同时将AUC分数以及对应的特征子集保存在scores和features_select_list中；

步骤1.2，遍历数据集余下的特征，依次与保留的特征子集中的特征进行组合，找出获得最高分类性能的特征组合，如步骤1.1进行添加及保存；

步骤1.3，重复1.2步骤，并设置阈值k，当特征子集的数量达到k时停止遍历，缩短特征选择时间；

步骤1.4，从特征子集列表features_select_list中选择具有最大AUC分数对应的特征子集为该数据集的最佳特征子集；

所述步骤2的具体实现包括如下步骤：

步骤2.1，使用10倍交叉验证的方法训练数据集，即将训练集分为10份，依次选择1份作为验证集，其余9份作为训练集，便可根据该方法产生的10种不同数据集分别建立10个子分类器；

步骤2.2，根据步骤2.1得到的10个子分类器，每个子分类器输出的是预测软件组件属于缺陷类的概率，由各个子分类器在验证集上的结果，计算并保存各个子分类器的权重；

步骤2.3，根据获得的10个子分类器以及权重，基分类器取各个子分类器的加权平均结果，建立集成随机森林分类器；

步骤2.4，重复以上步骤，依次获得七个不同的集成基分类器，分别是支持向量机分类器、多项贝叶斯分类器、贝叶斯分类器、随机森林分类器、梯度增加分类器、随机梯度下降分类器、逻辑回归分类器；

所述步骤3的具体实现包括如下步骤：

步骤3.1，获取训练集中N条数据在七个基分类器中的预测结果，即N*7维的数据；

步骤3.2，构建神经网络模型，使用4层全连接层，输入层主要是将分类器输出的结果进行合并送入到网络中；前3层的激活函数使用ReLU函数，最后一层的激活函数使用sigmod函数，各隐藏层使用dropout策略，避免模型训练出现过拟合；

步骤3.3，使用stacking集成方法，将步骤3.1获得的数据输入到神经网络的模型中进行训练，获得最终的双集成缺陷预测模型。