YAPAY SİNİR AĞLARIYLA KONTROL ŞEMALARINDA ÖRÜNTÜ TANIMA

Year 2017, Issue: 60, 431 - 451, 01.05.2017

Şebnem Koltan Yılmaz , M. Mustafa Yücel

Abstract

Kontrol şemaları, süreç değişkenlerinin analizi için kullanılan istatistik araçlardır. Süreç kontrol altında olduğu sürece şema üzerinde normal dağılıma uygun bir şekil; özel nedenlerin etkisiyle kontrol dışına çıktığında ise farklı şekiller meydana gelmektedir. Doğal ve doğal olmayan örüntüleri tanıma, kontrol altındaki süreç koşullarını sürdürmek ve değişkenliğe sebep olan potansiyel nedenleri belirlemek için İstatistiki Süreç Kontrolü (İSK) içerisinde önemli bir görevdir. Örüntü tanıma için, örnekler yardımıyla öğrenen Yapay Sinir Ağları (YSA) kullanılmasıyla bilgi ve deneyimlerin aktarıldığı otomatik sistemlerin süreç hakkında bilgi üretmesi sağlanabilmektedir. Bu çalışmada amaç, YSA kullanılarak yapılan Kontrol Şemalarında Örüntü Tanıma (KŞÖT) çalışmalarını incelemek, bu çalışmada kullanılan modelleri ve üstünlüklerini ortaya koymaktır. Diğer çalışmalarından farklı olarak bu araştırmada, YSA modellerine göre sınıflandırma yapılmış ve modellerin topolojileri çıkartılmıştır. Bununla birlikte farklı YSA modellerinin hem kendi aralarında hem de alternatif yöntemlere göre karşılaştırmalarına yer verilmiştir. Çalışmaların ve uygulamaların saptanmasını, incelenmesini ve yorumlanmasını amaçlayan bu araştırma için veriler nitel araştırma yöntemlerinden doküman incelemesi yoluyla toplanmış ve ulaşılan çalışmaların içerik analizleri yapılmıştır. Sonuçlar, farklı tipteki YSA modellerinin örüntü tanımada başarıyla kullanıldığını, en çok kullanılan modelin Çok Katmanlı Algılayıcılar (ÇKA), ÇKA modeli için en çok kullanılan öğrenme algoritmasının Geri Yayılım olduğunu göstermektedir. Karşılaştırmalı çalışmalarda, YSA kendi aralarında kıyaslandığında ÇKAdan daha üstün modellerin olduğu; alternatif yöntemlerle kıyaslandığında ise YSA daha üstün performans göstermesine karşın daha yüksek tanıma oranı gösteren yöntemlerin de olduğu belirlenmiştir. YSA topolojileri incelendiğinde; girdi, çıktı ve katman sayılarının model önemli olmaksızın farklılık gösterdiği; ayrıca, YSA eğitim parametreleri grubunun ve yapılandırmasının farklı yöntemler aracılığıyla geliştirilebileceği de yine bu çalışmaların sonuçlarında görülmektedir.

Keywords

İstatistiki Süreç Kontrolü, Kontrol Şemalarında Örüntü Tanıma, Yapay Sinir Ağları, Çok Katmanlı Algılayıcılar, Doğrusal Vektör Kuantizasyon

Control Charts Pattern Recognition with Artifıcial Neural Networks

Abstract

Control Charts is a statistical tool used for analysis of process variability. As long as the process is under control there are shapes suitable for normal distribution on the control charts but when the process out of control as a result of special causes the different shapes are formed. Recognition of natural and unnatural patterns is an important task in Statistical Process Control (SPC) to maintain controlled process conditions and to determine variability which are originate from potential causes. Automated systems which are transferred to knowledge and experience can be produced knowledge about process with using Artificial Neural Networks (ANN) who learn the help of examples. The goal in this study is to review the Control Charts Pattern Recognition (CCPR) studies having use of ANN and to demonstrate the model used in and their superiority. Unlike other studies, in this research, classification was made according to YSA models and topologies of the models were determined. However, different ANN models have been compared among the others and alternative methods. For this research, which aims at the identification, examination and interpretation of studies and applications, datas are collected through document review. And then, content analyzes of the studies were conducted. The results show that different types of ANNs are successfully used in pattern recognition, the most widely used model is Multi Layered Perceptrons (MLP) and the most widely used learning algorithm for the MLP is Back Propagation. In comparative studies; there are superior ANN models than MLP when they compared among themselves. Although ANNs performed better, it is determined that there are also methods with a higher recognition rate when they compared with alternative methods. When ANN topologies are examined; the numbers of input, output and layer are different whatever the model is. It is also seen in the results of these studies that the group of ANNs training parameters can be developed through different methods.

Keywords

Statistical Process Control, Control Charts Pattern Recognition, Artificial Neural Networks, Multi Layered Perceptrons, Linear Vector Quantization.