چکیده: با توسعه صنعت نرم‌افزار و افزایش کیفیت و قابلیت اتکای محصولات نرم‌افزاری، آزمون نرم‌افزار موردتوجه مهندسین قرار گرفت. اما ازآنجایی‌که آزمون تمام ورودی‌ها حتی برای یک تابع ساده مشکل است و آزمون تمام واحدهای نرم‌افزاری نیز اغلب زمان‌بر و پرهزینه است، معمولاً از انجام آن صرف‌نظر می‌شود. به‌این‌ترتیب برای کاهش هزینه کلی آزمون و کشف خطاهای احتمالی پیش از وقوع آن‌ها، روش پیش‌بینی خطای نرم‌افزار مورداستفاده قرار می‌گیرد. یکی از چالش‌های موجود در زمینه پیش‌بینی خطای نرم‌افزار این است که مدل‌های پیش‎‌بینی قبلی، مدل‌های قدیمی‌ای بودند یا مجموعه داده‌هایی را به کار می‌گرفتند که روی پروژه‌های کوچک، محدود و قدیمی بودند؛ که به دلیل تغییر روند توسعه نرم‌افزارها، این مدل‌ها کارایی چندانی را برای نرم‌افزارهای امروزی ارائه نمی‌دهند. در این تحقیق برای کمک به فرایند پیش‌بینی خطا در مقابل روش‌های قدیمی، مجموعه داده جدیدی به نام باگ‌هانتر مورداستفاده قرارگرفته است. این مجموعه داده ارزشمند و نسبتاً بزرگ، متشکل از 15 برنامه مرسوم و منبع باز جاوا است که امروزه به‌طور گسترده‌ای توسط مهندسین نرم‌افزار استفاده می‌شوند. تاکنون تکنیک‌های گوناگون یادگیری ماشین نظیر بیز ساده، رگرسیون لجستیک، جنگل تصادفی و غیره جهت کشف خطاهای نرم‌افزاری برای این مجموعه‌داده مورداستفاده قرارگرفته است. چالش دیگری که وجود دارد این است که دقت مدل‌های پیش‎بینی موجود، برای این مجموعه داده پایین است. این تحقیق باهدف افزایش عملکرد مدل پیش‌بینی خطا، تکنیک‌ یادگیری عمیق و تکنیک‌ ترکیبی را به کار می‌گیرد و با ترکیب شبکه عصبی و جنگل تصادفی دقت مدل پیش‌بینی را افزایش می‌دهد. شبکه عصبی مورداستفاده در این پروژه پرسپترون چندلایه و طبقه‌بندی کننده مورداستفاده در آن، مدل ترتیبی به همراه چندین لایه متراکم و حذف تصادفی است. روش ترکیبی پیشنهادی نیز از ترکیب یک شبکه عصبی و جنگل تصادفی تشکیل‌شده است. برای ایجاد مدل‌های پیش‌بینی قدرتمند و جلوگیری از جانب‌دار شدن مدل‌ها، تکنیک‌ نمونه‌برداری تصادفی رو به بالا مورداستفاده قرارگرفته است. درنهایت روش پیشنهادی بر روی مجموعه داده باگ‌هانتر اعمال شد و نتایج بهبود روند پیش‌بینی خطا را به‌خصوص برای تکنیک ترکیبی پیشنهادی نشان می‌دهد. به‌طوری‌که مقدار معیار امتیاز اف-1 به‌دست‌آمده توسط تکنیک شبکه عصبی پیشنهادی 74/81% است و توسط تکنیک ترکیبی پیشنهادی 81/84% است که نسبت به بهترین روش قبل، به ترتیب افزایش 8% و 11% داشته است.