İstatistiksel süreç kontrolünde kullanılan Shewhart kontrol grafikleri süreçteki anormal değişimleri incelemede önemli bir araçtır. Süreçte zaman içinde oluşabilecek değişimlerin tespit edilmesi, sürecin kontrol altında tutulması ve önlemlerin alınması amacıyla süreç boyunca oluşabilecek anormal değişimlerin örüntülerini tanımlamaya yönelik Yapay Sinir Ağları ve Bayes örüntü tanıma sistemleri oluşturulmuştur. Oluşturulan örüntü tanıyıcılarının sınıflandırma performansları ölçülmüştür. Doğru sınıflandırma performansını artırmak için örüntüleri oluşturan gözlem değerlerinden, altı adet istatistiksel özellik çıkarılmış ve sınıflandırma performansları karşılaştırılmıştır. Yapay Sinir Ağları ve Bayes örüntü tanıyıcılarının, ilgili özellikler tanımlandıktan sonra daha yüksek performans verdiği görülmüştür. Ayrıca, Bayes örüntü tanıyıcının yapay sinir ağlarına nazaran daha iyi sınıflandırma performansının olduğu sonucuna varılmıştır. Bayes sınıflandırıcının gerçek zamanlı kontrol grafikleri uygulamalarında örüntü tanıma amaçlı kullanabileceği düşünülmüştür. Anahtar Kelimeler: Kontrol Grafikleri, Örüntü Tanıma, Yapay Sinir Ağları, Bayes Sınıflandırıcı, Seçilmiş İstatistiksel Özellikler.
Shewhart control charts for statistical process control used in the examination process is an important tool for abnormal changes. When the process changes that may occur in the detection process in order to be kept under control and measures resulting from the process patterns (abnormal changes) in order to determine Artificial Neural Networks and Bayesian pattern recognition systems are formed. Recognizer classification performance of the generated pattern was measured. To improve the performance of correct classification by observing patterns of property values, issued six statistical classification performances are compared. Artificial Neural Networks and Bayesian pattern recognizers, the performance was higher after the removal of property. Moreover, Bayesian pattern recognizer is concluded that the classification performance better than neural networks. Bayesian classifier can use real-time control charts applications pattern recognition is considered. Keywords: Control Charts, Pattern Recognition, Artifical Neural Networks, Bayes Classifier, Selected Statistical Feature
Tez (Yüksek Lisans)- Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü, Endüstri Mühendisliği Anabilim Dalı, 2011.
Kaynakça var.
İstatistiksel süreç kontrolünde kullanılan Shewhart kontrol grafikleri süreçteki anormal değişimleri incelemede önemli bir araçtır. Süreçte zaman içinde oluşabilecek değişimlerin tespit edilmesi, sürecin kontrol altında tutulması ve önlemlerin alınması amacıyla süreç boyunca oluşabilecek anormal değişimlerin örüntülerini tanımlamaya yönelik Yapay Sinir Ağları ve Bayes örüntü tanıma sistemleri oluşturulmuştur. Oluşturulan örüntü tanıyıcılarının sınıflandırma performansları ölçülmüştür. Doğru sınıflandırma performansını artırmak için örüntüleri oluşturan gözlem değerlerinden, altı adet istatistiksel özellik çıkarılmış ve sınıflandırma performansları karşılaştırılmıştır. Yapay Sinir Ağları ve Bayes örüntü tanıyıcılarının, ilgili özellikler tanımlandıktan sonra daha yüksek performans verdiği görülmüştür. Ayrıca, Bayes örüntü tanıyıcının yapay sinir ağlarına nazaran daha iyi sınıflandırma performansının olduğu sonucuna varılmıştır. Bayes sınıflandırıcının gerçek zamanlı kontrol grafikleri uygulamalarında örüntü tanıma amaçlı kullanabileceği düşünülmüştür. Anahtar Kelimeler: Kontrol Grafikleri, Örüntü Tanıma, Yapay Sinir Ağları, Bayes Sınıflandırıcı, Seçilmiş İstatistiksel Özellikler.
Shewhart control charts for statistical process control used in the examination process is an important tool for abnormal changes. When the process changes that may occur in the detection process in order to be kept under control and measures resulting from the process patterns (abnormal changes) in order to determine Artificial Neural Networks and Bayesian pattern recognition systems are formed. Recognizer classification performance of the generated pattern was measured. To improve the performance of correct classification by observing patterns of property values, issued six statistical classification performances are compared. Artificial Neural Networks and Bayesian pattern recognizers, the performance was higher after the removal of property. Moreover, Bayesian pattern recognizer is concluded that the classification performance better than neural networks. Bayesian classifier can use real-time control charts applications pattern recognition is considered. Keywords: Control Charts, Pattern Recognition, Artifical Neural Networks, Bayes Classifier, Selected Statistical Feature