İSTATİSTİKSEL ÖZELLİK TEMELLİ BAYES SINIFLANDIRICI KULLANARAK KONTROL GRAFİKLERİNDE ÖRÜNTÜ TANIMA

Yıl 2012, Cilt: 27 Sayı: 2, 0 - , 19.02.2013

Mehmet Olgun Gültekin Özdemir

Öz

İstatistiksel süreç kontrolünde kullanılan Shewhart kontrol grafikleri, süreçteki anormal değişimleri incelemedeönemli bir araçtır. Süreçte zaman içinde oluşabilecek değişimlerin tespit edilmesi, sürecin kontrol altındatutulması ve önlemlerin alınması amacıyla süreçteki anormal değişimlerin örüntülerini tanımlamaya yönelikYapay Sinir Ağları ve Bayes örüntü tanıma sistemleri oluşturulmuştur. Oluşturulan örüntü tanıyıcılarınınsınıflandırma performansları ölçülmüştür. Doğru sınıflandırma performansını artırmak için örüntüleri oluşturangözlem değerlerinden, altı adet istatistiksel özellik çıkarılmış ve sınıflandırma performansları karşılaştırılmıştır.yapay sinir ağları ve Bayes örüntü tanıyıcılarının, ilgili özellikler tanımlandıktan sonra daha yüksek performansverdiği görülmüştür. Sonuç olarak, Bayes örüntü tanıyıcının yapay sinir ağlarına nazaran daha iyi sınıflandırmaperformansının olduğu sonucuna varılmıştır. Bayes sınıflandırıcı gerçek zamanlı kontrol grafikleriuygulamalarında örüntü tanıma amaçlı kullanılabilir.

Anahtar Kelimeler

Kontrol grafikleri, örüntü tanıma, yapay sinir ağları, Bayes sınıflandırıcı, seçilmiş istatistiksel özellikler.

Kaynakça

• Shewhart W.A., Economic Control of Quality of
• Manufactured Product. New York: Van
• Nostrand, 1931.
• Bozkurt, R. Kalite İyileştirme Araç ve
• Yöntemleri (İstatistiksel Teknikler), Ankara:
• MPM Yayınları No:630, 2001.
• Montgomery DC. Introduction to Statistical
• Quality Control, 5th edition, John Wiley, NJ,
• ABD, 2005.
• Pham D.T., Oztemel E., “Control chart pattern
• recognition using neural networks”, Journal of
• Systems Engineering, Cilt No:2, 256–262, 1992.
• Hwarng H.B., Hubele N.F., “Back-propagation
• pattern recognisers for X control charts:
• methodology and performance”, Computers
• &Industrial Engineering, Cilt 24, 219-235,
• -
• Velasco T., Rowe M.R., “Back propagation
• artificial neural networks for the analysis of
• quality control charts”, Computers and
• Industrial Engineering, Cilt 25,397–400, 1993.
• Cheng C.S., “A neural network approach for the
• analysis of control chart patterns”, International
• Journal of Production Research, Cilt No: 35,
• –697, 1997.
• Guh R.S., Tannock J.D.T., “Recognition of
• control chart concurrent patterns using a neural
• network approach” Interantional Journal of
• Production Research, Cilt 37,1743–1765, 1999.
• Guh R.S., Zorriassatine F., Tannock J.D.T,
• O’Brien C., “On-line control chart pattern
• detection and discrimination—a neural network
• approach”, Artifical Intelliegent Engineering,
• Cilt 13, 413–425, 1999.
• Perry M.B., Spoerre J.K, Velasco T., “Control
• chart pattern recognition using back propagation
• artificial neural networks”, International Journal
• of Production Research, Cilt 39,3399–3418,
• -
• Sagirouglu S., Besdok E., Erler M. “Control chart
• pattern recognition using artificial neural
• networks”, Turkish Journal of Electrical
• Engineering, Cilt 8, 137-147, 2000.
• Gauri S.K., Chakraborty S., “Feature-based
• recognition of control chart patterns”, Computers
• and Industrial Engineering, Cilt 51,726–742,
• -
• Ebrahimzadeh A., Ranaee V., “Control chart
• pattern recognition using an optimized neural
• network and efficent features”, ISA Transactions,
• Cilt 49,387-393, 2010.
• Ranaee V., Ebrahimzadeh A., Ghaderi R.,
• “Application of the PSO-SVM model for
• recognition of control chart patterns”, ISA
• Transactions, Cilt 49, 577-586, 2010.
• Swift J.A., Mize J.H., “Out-of-control pattern
• recognition and analysis for quality control charts
• using lisp-based systems”. Computers &
• Industrial Engineering, Cilt 28, 81-91, 1995.
• Le Q., Goal X., Teng L., Zhu M., “A new ANN
• model and its application in pattern recognition of
• control charts” Proc. IEEE. WCICA, 1807-1811,
• -
• Cheng Z., Ma Y., “A research about pattern
• recognition of control chart using probability
• neural network”, Proc. ISECS, 140-145, 2008.
• Hassan A., Nabi Baksh M.S., Shaharoun A.M.,
• Jamaluddin H., “Improved SPC chart pattern
• recognition using statistical features”,
• International Journal of Production Research,
• Cilt 41, 1587–1603, 2003.
• Anagun, A.S., “A Neural Network Applied to
• Pattern Recognition in Statistical Process Control”, Computers and Industrial
• Engineering, 35:1-2, 185-188, 1998.
• Pham D.T., Wani M.A., “Feature-based control
• chart pattern recognition”, International Journal
• of Production Research, Cilt 35,1875–1890,
• -
• Khoo, Michael B.C. , “Performance Measures for
• the Shewhart X Control Chart”, Quality
• Engineering, Vol. 16, No.4, 585-590, 2004.
• Guh R.S., “Simultaneous process mean and
• variance monitoring using artifical neuaral
• networks”, Computers and Industrial
• Engineering, Cilt 58, 739-753, 2010.
• Joanes, D.N., Gill C.A., “Comparing measures of
• sample skewness and kurtosis”, Journal of the
• Royal Statistical Society (Series D): The
• Statistician, 47 (1), 183-189, 1998.
• Ozkan Y., Veri Madenciliği Yöntemleri, Papatya
• Yayıncılık, İstanbul, 2008.
• Gauri S.K., Chakraborty S., “Improved
• recognition of control chart patterns using artifical
• neural networks”, International Journal of
• Advanced Manufacturing Technology Cilt 36,
• - 1201, 2008.
• Demuth H., Beale M., Neural network toolbox
• user's guide. Math Works, Natick, MA, ABD,
• -