基于支持向量數(shù)據(jù)描述的MEWMA控制圖.pdf

1、很長一段時間以來,統(tǒng)計過程控制都是進行質(zhì)量控制的重要手段,初期主要是利用控制圖技術(shù)對一元數(shù)據(jù)進行監(jiān)控,在一元控制的效果難以滿足要求后,學(xué)者們又進一步提出了多元統(tǒng)計控制技術(shù)。無論是一元控制圖還是多元控制圖都受到數(shù)據(jù)本身分布情況的制約或參數(shù)的制約,應(yīng)用范圍有限。然而,科技總是在不斷進步,機器學(xué)習(xí)的蓬勃發(fā)展給控制圖技術(shù)帶來新的動力。機器學(xué)習(xí)中的分類方法如人工神經(jīng)網(wǎng)絡(luò)、決策樹和支持向量機等均被學(xué)者們應(yīng)用到控制圖技術(shù)當(dāng)中,構(gòu)建了新型的控制圖。這些

2、機器學(xué)習(xí)分類方法都或多或少都存在著缺陷,于是有學(xué)者在支持向量機的基礎(chǔ)上提出了支持向量數(shù)據(jù)描述算法(Support Vector Data Description,SVDD),它不僅具備了支持向量機的優(yōu)點,能夠應(yīng)用于小樣本、高維度問題,對過程中的數(shù)據(jù)分布無要求,而且是一種單類分類算法,可以只利用目標(biāo)類數(shù)據(jù)進行學(xué)習(xí),非常適合數(shù)據(jù)分布不平衡的情況。本文對支持向量數(shù)據(jù)描述算法進行了研究,在其基礎(chǔ)之上提出了基于支持向量數(shù)據(jù)描述定義下的距離D2的多

3、元指數(shù)加權(quán)移動平均(SVDD-based Multivariate Exponentially Weighted Moving Average,S-MEWMA)控制圖,這種控制圖能夠應(yīng)用在樣本分布未知的情況。首先本文通過仿真實驗確定了支持向量數(shù)據(jù)描述算法的參數(shù),并對一種不需要仿真只通過計算來確定參數(shù)的判別算法進行了研究;之后再利用仿真實驗確定控制圖的性能,并與D2控制圖進行了對比,仿真結(jié)果表明,無論過程數(shù)據(jù)服從正態(tài)分布還是非正態(tài)分布,S