通過統(tǒng)計過程控制圖的模式識別可以判斷生產(chǎn)狀態(tài)的類型,幫助管理人員及時調(diào)整生產(chǎn)線以維持高質(zhì)量的產(chǎn)品生產(chǎn)。文章首先將統(tǒng)計過程控制圖的統(tǒng)計特征和形狀特征進行整理,通過主成分分析方法進行降維,將高維特征數(shù)據(jù)進行線性組合并向低維空間投影,減少分類器輸入維數(shù);之后利用支持向量機進行控制圖的多分類模式識別;最后通過仿真數(shù)據(jù)集和實例數(shù)據(jù)集進行比較驗證。結(jié)果表明,基于主成分分析的統(tǒng)計過程控制圖模式識別方法在分類準確率方面有顯著提升,在漏報率和虛警率方面有顯著降低,測試結(jié)果穩(wěn)定,更適合統(tǒng)計過程控制圖的模式識別。 

【文章來源】：統(tǒng)計與決策. 2020,36(24)北大核心CSSCI

【文章頁數(shù)】：5 頁

【參考文獻】：
期刊論文
[1]基于隨機森林的統(tǒng)計控制圖模式識別研究[J]. 王海燕,侯琳娜.  工業(yè)工程. 2019(05)
[2]基于統(tǒng)計特征的動態(tài)過程質(zhì)量異常模式識別[J]. 劉玉敏,劉莉.  統(tǒng)計與決策. 2017(19)
[3]基于支持向量機的納西東巴象形文字符識別[J]. 王海燕,王紅軍,徐小力.  云南大學(xué)學(xué)報(自然科學(xué)版). 2016(05)
[4]基于多特征PCA融合的SVM質(zhì)量異常識別[J]. 劉玉敏,張帥.  河南大學(xué)學(xué)報(自然科學(xué)版). 2014(06)
[5]基于多特征的PSO-MSVM動態(tài)過程質(zhì)量異常模式識別[J]. 劉玉敏,周昊飛.  計算機應(yīng)用研究. 2015(03)
[6]基于融合特征與支持向量機的控制圖模式識別[J]. 宋李俊,趙虎.  計算機應(yīng)用研究. 2014(03)
[7]基于SVM的控制圖模式識別方法研究[J]. 趙方方,何楨.  組合機床與自動化加工技術(shù). 2009(08)
[8]智能統(tǒng)計工序質(zhì)量控制的體系研究[J]. 吳少雄.  計算機集成制造系統(tǒng). 2006(11)



本文編號：3416278