跳到主要內容

臺灣博碩士論文加值系統

(44.200.86.95) 您好!臺灣時間:2024/05/28 09:50
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:黎科麟
研究生(外文):Ke-lin Li
論文名稱:應用支撐向量機於多變量自我相關製程之探討
論文名稱(外文):A study of monitoring mean vector on Support Vector Machine with Multivariate 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:2009
畢業學年度:97
語文別:中文
論文頁數:37
中文關鍵詞:類神經網路多變量自我迴歸模式支撐向量機多變量自我相關製程
外文關鍵詞:Vector Autoregressive modelArtificial Neural NetworkMultivariate Autocorrelated ProcessSupport Vector Machine
相關次數:
  • 被引用被引用:3
  • 點閱點閱:250
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
隨著科技快速的發展,一次僅針對一個品質特性進行監控的傳統單變量管制圖已不敷使用。並且隨著大量工業自動化的演進,使得品質特性之間產生自我相關性。因此針對多變量自我相關製程進行監控乃是現今相當重要的議題。支撐向量機(Support Vector Machine, SVM)為一種分類的演算法,可利用其分類功能將製程資料二分為管制界限內及管制界限外。本研究利用支撐向量機來針對多變量自我相關製程之平均數進行監控,並採用多變量自我迴歸 (Vector Autoregressive, VAR)模式來模擬多變量自我相關製程,搭配不同的製程偏移量及自我相關程度以進行監控。研究結果發現,當製程間的自我相關程度越大或是製程偏移量越大時,支撐向量機的監控能力則越佳,並且支撐向量機對於多變量自我相關製程的監控能力優於類神經網路。
Along with the technical development, the traditional univariate control chart which aims at a quality characteristic can’t monitor the process well. And as the industrial automation''s development, it makes the autocorrelation between the quality characteristics. Therefore, it is an appealing issue to develop methods that allow simultaneously monitoring of several autocorrelated process variables. SVM is an algorithm for classification and is powerful to separate data into two parts, in control and out of control. The purpose of this research is to apply the SVM to monitor the mean vector of multivariate autocorrelated process VAR(1). The accuracy of the process data will increase as the shift of the mean vector increases or as the autocorrelations of the process variables increase. Further, SVM is better at detecting shift than Artificial Neural Network with multivariate autocorrelated process.
中文摘要 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 研究背景與動機 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 3
2.1 支撐向量機 3
2.1.1 線性支撐向量機 3
2.1.2 非線性支撐向量機 5
2.2支撐向量機參數選取之研究 6
2.3 時間序列模式 8
2.3.1 單變量時間序列 8
2.3.1.1 平穩型時間序列模式 8
2.3.2 多變量時間序列 9
2.3.2.1 VARMA模式 9
2.3.2.2 VAR模式 10
2.3.2.3 VARMA與VAR模式之選擇 10
2.4 單變量自我相關製程 11
2.5 多變量自我相關製程 12
2.6 支撐向量機應用於品質管制 14
第三章 研究方法 16
3.1 研究程序 16
3.2 資料模擬 17
3.3 支撐向量機之分析流程 19
3.4 支撐向量機之分類正確率評估 20
3.5 支撐向量機與類神經網路法之比較 21
第四章 模擬結果與分析 22
4.1實驗步驟 22
4.2 數據分析 23
4.2.1 自我相關程度對正確分類率之影響 27
4.2.2 製程偏移程度對正確分類率之影響 28
4.3支撐向量機與類神經網路之分類正確率比較 29
4.3.1 支撐向量機與類神經網路法比較之結果 30
4.4 實例分析 31
第五章 結論與未來發展方向 33
5.1 結論 33
5.2 未來發展方向 33
參考文獻 35
1.林茂文,2006,時間數列分析與預測 三版,華泰書局。
2.吳柏林,1995,時間數列分析導論,華泰書局。
3.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,國立雲林科技大學工業工程與管理研究所碩士論文。
4.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,國立雲林科技大學工業工程與管理研究所碩士論文。
5.袁瑞駿,2008,支撐向量機參數選取準則於自我相關製程之探討,國立雲林科技大學工業工程與管理研究所碩士論文。
6.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,國立雲林科技大學工業工程與管理研究所碩士論文。
7.Arkat, J., and Niaki, S. T. A., Abbasi, B., 2007, “Artificial neural networks in applying MCUSUM residuals charts for AR(1) processes,” Applied Mathematics and Computation, vol. 189, pp. 1889-1901.
8.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.
9.Cortes, C., and Vapnik, V., 1995, “Support Vector Networks,” Machine Learning, vol. 20, pp. 273-297.
10.Hsu, C. W., Chang, C. C., and Lin, C. J., 2003, “A Practical Guide to Support Vector Classification,” Information Engineering, National Taiwan University.
11.Issam, B. K., and Mohamed, L., 2008, “Support vector regression based residual MCUSUM control chart for autocorrelated process,” Applied Mathematics and Computation, vol. 201, pp. 565-574.
12.Kristof, C., and Dirk, V. P., 2008, “Churn prediction in subscription series: An application of support vector machines while comparing two parameter-selection techniques,” Expert Systems with Applications, vol. 34, pp. 313-327.
13.Lu, C. W., and Reynolds, M. R., 2001, “Cusum charts for monitoring an autocorrelated process,” Journal of Quality Technology, vol. 33, pp. 316-334.
14.Pan, X., 2005, “Notes on shift effects for T2-type charts on multivariate ARMA residuals,” Computer & Industrial Engineering, vol. 49, pp. 381-392.
15.Pan, J. N., 2007, “A study of multivariate pre-control charts,” International Journal of Production Economics, vol. 105, pp. 160-170.
16.Ramjee, R., Carto, N., and Ray, B. K., 2002, “A node on moving average forecasts of long memory processes with an application to quality control” International Journal of Forecasting, vol. 18, pp. 291-297.
17.Reynolds, M. R., and Lu, C. W., 1997, “CONTROL CHARTS FOR
MONITORING WITH AUTOCORRELATED DATA,” Nonlinear Analysis, Theory, Methods & Applications, vol. 30, No. 7, pp. 4059-4067.
18.Staelin, C., 2003, “Parameter Selection for Support Vector Machines,” HP Laboratories Israel.
19.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.
20.Tay, F. E. H., and Cao, L. J., 2001, “A comparative study of saliency analysis and genetic algorithm for feature selection in support vector machines,” Intelligent Data Analysis, vol. 5, pp. 191-209.
21.Vaghefi, J. M., 2002, “Improving performance of multivariate cumulative sum charts in the autocorrelation case,” Unpublished M.S. Thesis, Iran University of Science and Technology, Tehran, Iran.
22.Vapnik, V., 2000, “The Nature of Statistical Learning Theory,” 2nd ed., Springer, New York.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊