Destek vektör makinesi ile elde edilen olasılık çıktılarına dayalı yeni bir istatistiksel süreç izleme yöntemi

Zümre Özdemir Güler; M. Akif Bakır; Filiz Kardiyen

doi:10.17341/gazimmfd.1192354

Destek vektör makinesi ile elde edilen olasılık çıktılarına dayalı yeni bir istatistiksel süreç izleme yöntemi

Öz

Çok değişkenli süreç kontrolü durumunda dağılım parametre vektöründeki anlamlı farklılaşmayı yakalamak kadar, bu kaymaya temelde neden olan marjinal dağılımın hangi değişken/değişkenlere ait olduğunun bilinmesi de önemlidir. Literatürde bu konuda geliştirilmiş birçok yöntem bulunmaktadır. Ancak bu yöntemlerin, normallik, bağımsızlık gibi varsayımlar gerektirmesi ve değişken sayısının artması halinde hesaplama güçlükleri ile karşılaşılması gibi birtakım dezavantajları vardır. Bu noktadan hareketle çalışmada çok değişkenli normal dağılıma uyan ve uymayan süreçlerde, değişkenler arasındaki korelasyon yapıları dikkate alınarak, süreç ortalama vektöründe gerçekleşen kaymanın ve bu kaymaya sebep olan değişken/değişkenlerin tespit edilmesi amacıyla, destek vektör makineleri temelinde özgün bir yaklaşım önerilmiştir. Yapılan simülasyon çalışmaları sonucunda önerilen yöntemin geleneksel yöntemlere karşın önemli üstünlüklere sahip iyi bir alternatif olduğu gösterilmiştir.

Anahtar Kelimeler

Kaynakça

[1] Woodall, W.H. ve Montgomery, D.C., Research Issues and Ideas in Statistical Process Control, J Qual Technol, 31(4), 376–386, 1999.
[2] Wang, Y., Si, Y., Huang, B. ve Lou, Z., Survey on the theoretical research and engineering applications of multivariate statistics process monitoring algorithms: 2008-2017, Tha Canadian Journal of Chemical Engineering, 96(10):2073-2085, 2018.
[3] Alt, F. B., Multivariate Quality Control. Encyclopedia of Statistical Sciences, 6, N. L. Johnson ve S. Kotz, (eds.) Wiley, New York, 1985.
[4] Hayter, A. J. ve Tsui, K.-L. Identification and Quantification in Multivariate Quality Control Problems. J Qual Technol, 26(3), 197–208, 1994.
[5] Chua, M. ve Montgomery, D. C., Investigation and Characterization of a Control Scheme for Multivariate Quality Control. Qual Reliab Eng Int, 8(1), 37–44, 1992.
[6] Mason, R. L., Tracy, N. D. ve Young, J. C., Decomposition of T2 for Multivariate Control Chart Interpretation, J Qual Technol, 27(2), 109–119, 1995.
[7] Runger, G. C., Alt, F. B. ve Montgomery, D. C., Contributors to a Multivariate Statistical Process Control Signal. Communications in Statistics—Theory and Methods, 25(10), 2203–2213, 1996b.
[8] Mason, R. L., Tracy, N. D. ve Yong, J. C. A practical approach for interpreting multivariate T2 control chart signals. J Qual Technol, 29(4), 396–406, 1997.

[9] Jackson, J. E. , Quality Control Methods for Several Related Variables. Technometrics, 1, 359, 1959.
[10] Jackson, J. E. ve Mudholkar, G. S., Control Procedures for Residuals Associated with Principal Component Analysis, Technometrics, 21, 341–349, 1979.
[11] Jackson, J. E., Principal Components and Factor Analysis: Part I—Principal Components. Journal of Quality Technology, 12(4), 201–213, 1980.
[12] Sun, R. ve Tsung, F., A Kernel-distance-based multivariate control chart using support vector methods. International Journal Production Research, 41(13), 2975–2989, 2003.
[13] Apsemidis, A., Psarakis, S. ve Moguerza, J. M. , A review of machine learning kernel methods in statistical process monitoring, Comput Ind Eng, 142:1063076, 2020.
[14] Cervantes, J., Garcia-Lamont,F., Rodríguez-Mazahua,L. ve Lopez,A., A comprehensive survey on support vector machine classification: Applications, challenges and trends, Neurocomputing, 408, 189-215, 2020.
[15] Chongfuangprinya, P., Kim, S. B., Park, S.-K. ve Sukchotrat, T., Integration of support vector machines and control charts for multivariate process monitoring. J Stat Comput Simul, 81(9), 1157-1173, 2011.
[16] He, S., Jiang, W. ve Deng, H., A distance-based control chart for monitoring multivariate processes using support vector machines, Ann Oper Res 263:191-207, 2018.
[17] Hastie, T. ve Tibshirani, R., Classification by Pairwise Coupling. The Annals of Statistics, 26(2), 451–471, 1998.
[18] Onel, M., Kieslich, C.A., Guzman, Y. A., Floudas, C. A. ve Pistikopoulos E. N., Big data approach to batch process monitoring: Simultaneous fault detection and diagnosis using nonlinear support vector machine-based feature selection, Computers & Chemical Engineering, 115:46-63, 2018.
[19] Lee, P.-H., Torng, C.-C., Lin, C.-H. Ve Chou, C.-Y., Control chart pattern recognition using spectral clustering technique and support vector machine under gamma distribution, Comp Ind Eng, 171, 108437, 2022.
[20] Burges, C.J.C., A Tutorial on Support Vector Machines for Pattern Recognition, Data Min Knowl Discovery, 2,121–167, 1998.
[21]Shawe-Taylor, J. ve Cristianini, N., An Introduction to Support Vector Machines and Other Kernel-Based Learning Methods, Cambridge University Press, New York, 2000.
[22] Platt, J., Probabilistic outputs for support vector machines and comparison to regularized likelihood methods. Advances in Large Margin Classifiers, Editörler: Smola, A. , Bartlett, P., Scholkopf, B. ve Schuurmans, D., Cambridge, MA, 61–74, 2000.
[23] Efron, B. ve Tibshirani, R., An Introduction to the Bootstrap, Chapman & Hall/CRC, Boca Raton, FL, 1994.

Ayrıntılar

Birincil Dil

Türkçe

Konular

Mühendislik

Bölüm

Araştırma Makalesi

Yazarlar

Zümre Özdemir Güler ^*
0000-0003-2730-4584
Türkiye

M. Akif Bakır
0000-0003-0774-0338
Türkiye

Filiz Kardiyen
0000-0002-8730-2751
Türkiye

Erken Görünüm Tarihi

24 Kasım 2023

Yayımlanma Tarihi

30 Kasım 2023

Gönderilme Tarihi

20 Ekim 2022

Kabul Tarihi

11 Haziran 2023

Yayımlandığı Sayı

Yıl 2024 Cilt: 39 Sayı: 2

DOI

https://doi.org/10.17341/gazimmfd.1192354

IZ

https://izlik.org/JA64YD66DA

Kaynak Göster

RIS / Bibtex

APA

Özdemir Güler, Z., Bakır, M. A., & Kardiyen, F. (2023). Destek vektör makinesi ile elde edilen olasılık çıktılarına dayalı yeni bir istatistiksel süreç izleme yöntemi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 39(2), 1099-1112. https://doi.org/10.17341/gazimmfd.1192354

AMA

1.Özdemir Güler Z, Bakır MA, Kardiyen F. Destek vektör makinesi ile elde edilen olasılık çıktılarına dayalı yeni bir istatistiksel süreç izleme yöntemi. GUMMFD. 2023;39(2):1099-1112. doi:10.17341/gazimmfd.1192354

Chicago

Özdemir Güler, Zümre, M. Akif Bakır, ve Filiz Kardiyen. 2023. “Destek vektör makinesi ile elde edilen olasılık çıktılarına dayalı yeni bir istatistiksel süreç izleme yöntemi”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 39 (2): 1099-1112. https://doi.org/10.17341/gazimmfd.1192354.

EndNote

Özdemir Güler Z, Bakır MA, Kardiyen F (01 Kasım 2023) Destek vektör makinesi ile elde edilen olasılık çıktılarına dayalı yeni bir istatistiksel süreç izleme yöntemi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 39 2 1099–1112.

IEEE

[1]Z. Özdemir Güler, M. A. Bakır, ve F. Kardiyen, “Destek vektör makinesi ile elde edilen olasılık çıktılarına dayalı yeni bir istatistiksel süreç izleme yöntemi”, GUMMFD, c. 39, sy 2, ss. 1099–1112, Kas. 2023, doi: 10.17341/gazimmfd.1192354.

ISNAD

Özdemir Güler, Zümre - Bakır, M. Akif - Kardiyen, Filiz. “Destek vektör makinesi ile elde edilen olasılık çıktılarına dayalı yeni bir istatistiksel süreç izleme yöntemi”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 39/2 (01 Kasım 2023): 1099-1112. https://doi.org/10.17341/gazimmfd.1192354.

JAMA

1.Özdemir Güler Z, Bakır MA, Kardiyen F. Destek vektör makinesi ile elde edilen olasılık çıktılarına dayalı yeni bir istatistiksel süreç izleme yöntemi. GUMMFD. 2023;39:1099–1112.

MLA

Özdemir Güler, Zümre, vd. “Destek vektör makinesi ile elde edilen olasılık çıktılarına dayalı yeni bir istatistiksel süreç izleme yöntemi”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, c. 39, sy 2, Kasım 2023, ss. 1099-12, doi:10.17341/gazimmfd.1192354.

Vancouver

1.Zümre Özdemir Güler, M. Akif Bakır, Filiz Kardiyen. Destek vektör makinesi ile elde edilen olasılık çıktılarına dayalı yeni bir istatistiksel süreç izleme yöntemi. GUMMFD. 01 Kasım 2023;39(2):1099-112. doi:10.17341/gazimmfd.1192354

Cited By

Covıd-19 Tespiti ve Salgın Yönetiminde Makine Öğrenmesi: Kan Gazı Analizine Dayalı Bir Yaklaşım

Doğu Fen Bilimleri Dergisi

https://doi.org/10.57244/dfbd.1492816