SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2013 / Cilt: 27 Sayı: 2

İSTATİSTİKSEL ÖZELLİK TEMELLİ BAYES SINIFLANDIRICI KULLANARAK KONTROL GRAFİKLERİNDE ÖRÜNTÜ TANIMA

Mehmet Olgun
Gültekin Özdemir
Pages
—
Publication Date
2013-02-19
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Bayes sınıflandırıcı gerçek zamanlı kontrol grafikleriuygulamalarında örüntü tanıma amaçlı kullanılabilir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:İstatistiksel süreç kontrolünde kullanılan Shewhart kontrol grafikleri, süreçteki anormal değişimleri incelemedeönemli bir araçtır.
📊
Key Findings & Data: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.
💡
Conclusion & Impact:Bayes sınıflandırıcı gerçek zamanlı kontrol grafikleriuygulamalarında örüntü tanıma amaçlı kullanılabilir.
🔬Design:Makale
📍Scope:Comprehensive Sample
⚙️Variables:Kontrol grafikleri · örüntü tanıma · yapay sinir ağları

Özet

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.

🔖

Cite This Article

Olgun, M., Özdemir, G. (2013). İSTATİSTİKSEL ÖZELLİK TEMELLİ BAYES SINIFLANDIRICI KULLANARAK KONTROL GRAFİKLERİNDE ÖRÜNTÜ TANIMA. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 27 Sayı: 2. https://ajindex.com/articles/1078410

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (93)

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