İSTATİSTİKSEL ÖZELLİK TEMELLİ BAYES SINIFLANDIRICI KULLANARAK KONTROL GRAFİKLERİNDE ÖRÜNTÜ TANIMA

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

1. Shewhart W.A., Economic Control of Quality of
2. Manufactured Product. New York: Van
3. Nostrand, 1931.
4. Bozkurt, R. Kalite İyileştirme Araç ve
5. Yöntemleri (İstatistiksel Teknikler), Ankara:
6. MPM Yayınları No:630, 2001.
7. Montgomery DC. Introduction to Statistical
8. Quality Control, 5th edition, John Wiley, NJ,

9. ABD, 2005.
10. Pham D.T., Oztemel E., “Control chart pattern
11. recognition using neural networks”, Journal of
12. Systems Engineering, Cilt No:2, 256–262, 1992.
13. Hwarng H.B., Hubele N.F., “Back-propagation
14. pattern recognisers for X control charts:
15. methodology and performance”, Computers
16. &Industrial Engineering, Cilt 24, 219-235,
17. -
18. Velasco T., Rowe M.R., “Back propagation
19. artificial neural networks for the analysis of
20. quality control charts”, Computers and
21. Industrial Engineering, Cilt 25,397–400, 1993.
22. Cheng C.S., “A neural network approach for the
23. analysis of control chart patterns”, International
24. Journal of Production Research, Cilt No: 35,
25. –697, 1997.
26. Guh R.S., Tannock J.D.T., “Recognition of
27. control chart concurrent patterns using a neural
28. network approach” Interantional Journal of
29. Production Research, Cilt 37,1743–1765, 1999.
30. Guh R.S., Zorriassatine F., Tannock J.D.T,
31. O’Brien C., “On-line control chart pattern
32. detection and discrimination—a neural network
33. approach”, Artifical Intelliegent Engineering,
34. Cilt 13, 413–425, 1999.
35. Perry M.B., Spoerre J.K, Velasco T., “Control
36. chart pattern recognition using back propagation
37. artificial neural networks”, International Journal
38. of Production Research, Cilt 39,3399–3418,
39. -
40. Sagirouglu S., Besdok E., Erler M. “Control chart
41. pattern recognition using artificial neural
42. networks”, Turkish Journal of Electrical
43. Engineering, Cilt 8, 137-147, 2000.
44. Gauri S.K., Chakraborty S., “Feature-based
45. recognition of control chart patterns”, Computers
46. and Industrial Engineering, Cilt 51,726–742,
47. -
48. Ebrahimzadeh A., Ranaee V., “Control chart
49. pattern recognition using an optimized neural
50. network and efficent features”, ISA Transactions,
51. Cilt 49,387-393, 2010.
52. Ranaee V., Ebrahimzadeh A., Ghaderi R.,
53. “Application of the PSO-SVM model for
54. recognition of control chart patterns”, ISA
55. Transactions, Cilt 49, 577-586, 2010.
56. Swift J.A., Mize J.H., “Out-of-control pattern
57. recognition and analysis for quality control charts
58. using lisp-based systems”. Computers &
59. Industrial Engineering, Cilt 28, 81-91, 1995.
60. Le Q., Goal X., Teng L., Zhu M., “A new ANN
61. model and its application in pattern recognition of
62. control charts” Proc. IEEE. WCICA, 1807-1811,
63. -
64. Cheng Z., Ma Y., “A research about pattern
65. recognition of control chart using probability
66. neural network”, Proc. ISECS, 140-145, 2008.
67. Hassan A., Nabi Baksh M.S., Shaharoun A.M.,
68. Jamaluddin H., “Improved SPC chart pattern
69. recognition using statistical features”,
70. International Journal of Production Research,
71. Cilt 41, 1587–1603, 2003.
72. Anagun, A.S., “A Neural Network Applied to
73. Pattern Recognition in Statistical Process Control”, Computers and Industrial
74. Engineering, 35:1-2, 185-188, 1998.
75. Pham D.T., Wani M.A., “Feature-based control
76. chart pattern recognition”, International Journal
77. of Production Research, Cilt 35,1875–1890,
78. -
79. Khoo, Michael B.C. , “Performance Measures for
80. the Shewhart X Control Chart”, Quality
81. Engineering, Vol. 16, No.4, 585-590, 2004.
82. Guh R.S., “Simultaneous process mean and
83. variance monitoring using artifical neuaral
84. networks”, Computers and Industrial
85. Engineering, Cilt 58, 739-753, 2010.
86. Joanes, D.N., Gill C.A., “Comparing measures of
87. sample skewness and kurtosis”, Journal of the
88. Royal Statistical Society (Series D): The
89. Statistician, 47 (1), 183-189, 1998.
90. Ozkan Y., Veri Madenciliği Yöntemleri, Papatya
91. Yayıncılık, İstanbul, 2008.
92. Gauri S.K., Chakraborty S., “Improved
93. recognition of control chart patterns using artifical
94. neural networks”, International Journal of
95. Advanced Manufacturing Technology Cilt 36,
96. - 1201, 2008.
97. Demuth H., Beale M., Neural network toolbox
98. user's guide. Math Works, Natick, MA, ABD,
99. -