English  |  正體中文  |  简体中文  |  Items with full text/Total items : 49266/83828 (59%)
Visitors : 7144201      Online Users : 80
RC Version 7.0 © Powered By DSPACE, MIT. Enhanced by NTU Library & TKU Library IR team.
Scope Tips:
  • please add "double quotation mark" for query phrases to get precise results
  • please goto advance search for comprehansive author search
  • Adv. Search
    HomeLoginUploadHelpAboutAdminister Goto mobile version
    Please use this identifier to cite or link to this item: http://tkuir.lib.tku.edu.tw:8080/dspace/handle/987654321/76305


    Title: 利用類神經網路進行非線性輪廓資料的監控
    Other Titles: Nonlinear Profile Monitoring Using Artificial Neural Network Approach
    Authors: 王藝華
    Contributors: 淡江大學統計學系
    Keywords: 輪廓監控;類神經網路;放射基底;EWMA管制圖;profile monitoring;artificial neural network (ANN);radial basis functions;EWMA control charts
    Date: 2011
    Issue Date: 2012-05-07 13:40:37 (UTC+8)
    Abstract: 近年來,統計製程管制(SPC)方法已經廣泛地應用在工業界上,在SPC 的應用上, 製程品質的好壞大多可藉由重要品質特徵的分布是發生變化來決定。然而有些產品或製 程的品質好壞藉由反應變數與解釋變數間是否滿足的某個函數關係來表示會更為適當, 此種的資料型態即稱為輪廓資料,而輪廓監控就是用來監控此函數關係是否發生改變。 在此情況下,一但此函數關係發生改變則代表此製程或產品的品質發生改變。當我們監 控的輪廓資料無法得知是否處於管制狀態下且此輪廓資料為滿足任意一個函數關係時, 如何有效且精確地估出此函數關係是重要且困難的。因此,本研究計畫我們考慮使用一 個三層的類神經網路,並使用放射基底 (radial basis)作為隱藏神經元(hidden neurons)中的 結合函數來估計此輪廓資料的函數關係。首先會討論使用類神經網路來估計函數參數會 遇到的不可辨認性問題,並推導當隨機誤差項的變異數沒有發生改變下,所使用來監控 函數關係是否發生改變的最大概似比統計量近似值以及找出隨機誤差項變異數估計値。 最後使用EWMA管制圖來監控此函數關係以及隨機誤差項的變異數是否發生變化。
    Appears in Collections:[統計學系暨研究所] 研究報告

    Files in This Item:

    There are no files associated with this item.

    All items in 機構典藏 are protected by copyright, with all rights reserved.


    DSpace Software Copyright © 2002-2004  MIT &  Hewlett-Packard  /   Enhanced by   NTU Library & TKU Library IR teams. Copyright ©   - Feedback