KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2012 / Cilt: 27 - Sayı: 2

İSTATİSTİKSEL ÖZELLİK TEMELLİ BAYES SINIFLANDIRICI KULLANARAK KONTROL GRAFİKLERİNDE ÖRÜNTÜ TANIMA

Mehmet OLGUN
Gültekin ÖZDEMİR
Sayfa
0
Yayın Tarihi
2013-02-19
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Sonuç olarak, Bayes örüntü tanıyıcının yapay sinir ağlarına nazaran daha iyi sınıflandırmaperformansının olduğu sonucuna varılmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:İstatistiksel süreç kontrolünde kullanılan Shewhart kontrol grafikleri, süreçteki anormal değişimleri incelemedeönemli bir araçtır.
📊
Temel Bulgular & Veri: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 & Katkı:Sonuç olarak, Bayes örüntü tanıyıcının yapay sinir ağlarına nazaran daha iyi sınıflandırmaperformansının olduğu sonucuna varılmıştır.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler: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.

🔖

Bu Makaleye Atıf Yap

OLGUN, M., ÖZDEMİR, G. (2013). İSTATİSTİKSEL ÖZELLİK TEMELLİ BAYES SINIFLANDIRICI KULLANARAK KONTROL GRAFİKLERİNDE ÖRÜNTÜ TANIMA. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 27 - Sayı: 2, 0. https://ajindex.com/articles/20605

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (11)

  1. Shewhart W.A., Economic Control of Quality of Manufactured Product. New York: Van Nostrand, 1931.
  2. Bozkurt, R. Kalite İyileştirme Araç ve Yöntemleri (İstatistiksel Teknikler), Ankara: MPM Yayınları No:630, 2001. Montgomery DC. Introduction to Statistical Quality Control, 5th edition, John Wiley, NJ, ABD, 2005.
  3. Pham D.T., Oztemel E., “Control chart pattern recognition using neural networks”, Journal of Systems Engineering, Cilt No:2, 256–262, 1992.
  4. Hwarng H.B., Hubele N.F., “Back-propagation pattern recognisers for X control charts: methodology and performance”, Computers &Industrial Engineering, Cilt 24, 219-235, - Velasco T., Rowe M.R., “Back propagation artificial neural networks for the analysis of quality control charts”, Computers and Industrial Engineering, Cilt 25,397–400, 1993. Cheng C.S., “A neural network approach for the analysis of control chart patterns”, International Journal of Production Research, Cilt No: 35, –697, 1997.
  5. Guh R.S., Tannock J.D.T., “Recognition of control chart concurrent patterns using a neural network approach” Interantional Journal of Production Research, Cilt 37,1743–1765, 1999.
  6. Guh R.S., Zorriassatine F., Tannock J.D.T, O’Brien C., “On-line control chart pattern detection and discrimination—a neural network approach”, Artifical Intelliegent Engineering, Cilt 13, 413–425, 1999.
  7. Perry M.B., Spoerre J.K, Velasco T., “Control chart pattern recognition using back propagation artificial neural networks”, International Journal of Production Research, Cilt 39,3399–3418, - Sagirouglu S., Besdok E., Erler M. “Control chart pattern recognition using artificial neural networks”, Turkish Journal of Electrical Engineering, Cilt 8, 137-147, 2000.
  8. Gauri S.K., Chakraborty S., “Feature-based recognition of control chart patterns”, Computers and Industrial Engineering, Cilt 51,726–742, - Ebrahimzadeh A., Ranaee V., “Control chart pattern recognition using an optimized neural network and efficent features”, ISA Transactions, Cilt 49,387-393, 2010.
  9. Ranaee V., Ebrahimzadeh A., Ghaderi R., “Application of the PSO-SVM model for recognition of control chart patterns”, ISA Transactions, Cilt 49, 577-586, 2010.
  10. Swift J.A., Mize J.H., “Out-of-control pattern recognition and analysis for quality control charts using lisp-based systems”. Computers & Industrial Engineering, Cilt 28, 81-91, 1995.
  11. Le Q., Goal X., Teng L., Zhu M., “A new ANN model and its application in pattern recognition of control charts” Proc. IEEE. WCICA, 1807-1811, - Cheng Z., Ma Y