(3.236.6.6) 您好!臺灣時間:2021/04/22 18:54
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:袁瑞駿
研究生(外文):Ruei-Jyun Yuan
論文名稱:支撐向量機參數選取準則於自我相關製程資料之探討
論文名稱(外文):A Study of Selecting Parameters on Support Vector Machine with Autocorrelated Process
指導教授:邱靜娥邱靜娥引用關係
指導教授(外文):Jing-Er Chiu
學位類別:碩士
校院名稱:國立雲林科技大學
系所名稱:工業工程與管理研究所碩士班
學門:工程學門
學類:工業工程學類
論文種類:學術論文
論文出版年:2008
畢業學年度:96
語文別:中文
論文頁數:48
中文關鍵詞:自我相關製程參數選取支撐向量機
外文關鍵詞:AutocorrelatedSupport vector machineParameter selection
相關次數:
  • 被引用被引用:2
  • 點閱點閱:202
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
支撐向量機(Support Vector Machine, SVM),隨著資料型態的不同,所需要的核心函數及其參數和懲罰參數C不盡相同,支撐向量機所求得之正確率也隨著其參數不同而有高低,使用者往往花費許多時間在尋找參數上,本研究的主要目的是藉由模擬不同資料型態之自我相關製程及其不同參數,並利用支撐向量機中最常使用的核心函數RBF偵測自我相關製程的偏移,並尋找RBF之參數γ及懲罰參數C之參數選取,研究結果顯示,在自我相關製程中,支撐向量機之參數選取並無明顯規則;且AR(1)和IMA(1,1)兩種製程資料之分類正確率會隨著偏移增加而上昇;在製程偏移為小偏移時,AR(1)之分類正確率介於60~70%,但在大偏移時,AR(1)之正確率達到80%以上;IMA(1,1)則在大偏移或小偏移的正確率皆達到80%以上;且經過和類神經網路比較後,支撐向量機之正確分類率相較於類神經網路具有較佳辨識偏移能力。
Support vector machine (SVM) is a learning machine for classification. Before using SVM, we must select the kernel function and it’s parameters. The parameters selection is the very important issue for support vector machine. Along with C and γ are different, the accuracy calculated will be also changed. The purpose of this research is to use the SVM in the Statistic Quality Control to detect the process shift. We can not find the rules with RBF parameter γ and the parameter C. The accuracy of two kinds of processes data AR(1) and IMA(1,1) will increase along with increase of shift. The accuracy of AR(1) be among 60% to 70% when process is small shift. And the accuracy will achieve to 80% when process is big shift. But the accuracy of IMA(1,1) will achieve 80% even any shift. The accuracy of support vector machines has better ability of recognizing shift then neural network.
摘要 I
ABSTRACT II
誌謝 III
目錄 IV
表目錄 VI
圖目錄 VII
第一章 緒論 1
1.1研究動機與背景 1
1.2研究目的 2
1.3研究範圍 2
1.4研究架構 2
第二章 文獻探討 4
2.1 支撐向量機 4
2.1.1 線性支撐向量機 4
2.1.2 非線性支撐向量機 5
2.2 參數選取之研究 8
2.3 時間序列模式 10
2.3.1 平穩型時間序列 10
2.3.2 非平穩型時間序列 11
2.4 自我相關製程管制 12
2.5 支撐向量機於品質管制的應用 14
第三章 研究方法 15
3.1 模擬程序 15
3.2 模擬資料 16
3.2.1 模擬AR(1)製程 16
3.2.2 模擬IMA(1,1)製程 19
3.3 支撐向量機之分析流程 20
3.4 支撐向量機之分類正確率評估 21
第四章 模擬結果與分析 22
4.1實驗步驟 22
4.2 AR(1)數據分析 24
4.2.1 資料偏移量對正確率之影響 27
4.2.2 資料參數對正確率之影響 27
4.3 IMA(1,1)數據分析 28
4.3.1 資料偏移量對正確率之影響 31
4.3.2 資料參數對正確率之影響 32
4.3.3資料型態對正確率之影響 32
4.4.1 支撐向量機與類神經比較之結果 34
第五章 結論與未來發展方向 35
5.1 結論 35
5.2 建議 36
參考文獻 37
1.Venables, W. N., 1997,“Modern Applied Statiistics with S-Plus,”2nd ed., Springer, New York.
2.Lu, C. W., 1999,“Control charts for monitoring the mean and variance of autocorrelated processes,”Journal of Quality Technology, vol. 31, pp 259-274.
3.Vapnik, V. N., 2000,“The Nature of Statistical Learning Theory,”2nd ed., Springer, New York.
4.Nello Cristianini, and John Shawe-Taylor, 2000,“ An Introduction to Support Vector Machines and Other Kernel-based Learning Methods, ” Cambridge University Press.
5.Lu, C. W., and Reynolds, M. R., 2001,“Cusum charts for monitoring an autocorrelated process,” Journal of Quality Technology, vol. 33, pp 316-334.
6.Chinnam, R. B., 2002,“Support vector machines for recognizing shifts in correlated and other manufacturing processes,” International Journal of Production Research, vol. 40, pp 4449-4466.
7.Sun, R., and Tsung, F., 2003,“A kernel-distance-based multivariate control chart using support vector methods,” International Journal of Production Research, vol.41, pp 2975-2989.
8.Kalgonda, A. A., and Kulkarni, S. R., 2004,“Multivariate quality control chart for autocorrelated process,” Journal of Applied Sataistics, vol. 31, pp 317-327.
9.Montgomery, D. C., 2004,“Introduction to Statistical Quality Control,” 5th ed., Wiley, New York.
10.Kristof, C. and Dirk, V. P., 2008,“Churn prediction in subscription services: An application of support vector machines while comparing two parameter-selection techniques,” Expect Systems with Applications vol. 34, pp 313-327.
11.林茂文,1992,時間數列分析與預測,華泰書局。
12.劉家安,2004,以MCEWMA管制圖監控自相關性製程之評估,國立雲林科技大學,碩士論文。
13.李國正,王猛,2004,支持向量機導論,電子工業出版社。
14.黃玉櫻,2005,結合粗略集合理論、支援向量機及最佳化演算法於製造系統之應用,大葉大學,碩士論文。
15.王界人,2005,遺傳演算法應用於支援向量機之參數調整與屬性篩選,華梵大學,碩士論文。
16.黃仁峰,2005,模擬退火法應用於支援向量機之參數調整與屬性篩選,華梵大學,碩士論文。
17.劉波,文忠,曾涯,2006,MATLAB信號處理,電子工業出版社。
18.蔡志欣,2006,應用類神經網路於線上調整EWMA控制器之研究,南台科技大學,碩士論文
19.張善文,雷英傑,逢有前,2007,MATLAB在時間序列分析中的應用,西安電子科技大學出版社。
20.黃婉琦,2007,支撐向量機參數選取準則於多變量製程資料分布之探討,國立雲林科技大學,碩士論文。
21.陳玉英,2007,使用支撐向量機於多變量非常態製程監控之應用,國立雲林科技大學,碩士論文。
22.洪士涵,2007,變動參數X-bar管制圖偵測自我相關製程之研究,國立雲林科技大學,碩士論文。
23.吳瓊玉,2007,變動樣本與抽樣間隔X-bar管制圖偵測自我相關製程之研究,國立雲林科技大學,碩士論文。
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊
 
系統版面圖檔 系統版面圖檔