English  |  正體中文  |  简体中文  |  全文筆數/總筆數 : 51296/86402 (59%)
造訪人次 : 8152691      線上人數 : 139
RC Version 7.0 © Powered By DSPACE, MIT. Enhanced by NTU Library & TKU Library IR team.
搜尋範圍 查詢小技巧:
  • 您可在西文檢索詞彙前後加上"雙引號",以獲取較精準的檢索結果
  • 若欲以作者姓名搜尋,建議至進階搜尋限定作者欄位,可獲得較完整資料
  • 進階搜尋
    請使用永久網址來引用或連結此文件: http://tkuir.lib.tku.edu.tw:8080/dspace/handle/987654321/76305


    題名: 利用類神經網路進行非線性輪廓資料的監控
    其他題名: Nonlinear Profile Monitoring Using Artificial Neural Network Approach
    作者: 王藝華
    貢獻者: 淡江大學統計學系
    關鍵詞: 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
    日期: 2011
    上傳時間: 2012-05-07 13:40:37 (UTC+8)
    摘要: 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。
    顯示於類別:[統計學系暨研究所] 研究報告

    文件中的檔案:

    沒有與此文件相關的檔案.

    在機構典藏中所有的資料項目都受到原著作權保護.

    TAIR相關文章

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