Ein Markov Kettenmodell Für Das Multivariate Exponentiell Gewichtete Gleitende Durchschnittskontrolldiagramm

Ein Markov-Kettenmodell für die multivariaten exponentiell gewichteten Moving Average Control Chart Die Eigenschaften von MCUSUM wurden von mehreren Autoren wie Woodall und Ncube 17, Healy 18, Crosier 19, Pignatiello und Runger 20, Runger und Testik 21 untersucht Lowry et al. 22, Rigdon 23, Runger und Prabhu 24, Kramer und Schmid 25, Runger et al. 26, Tseng et al. 27, Testik et al. 28 und Testik und Borror 29 trugen zur Entwicklung des MEWMA-Verfahrens bei. Im Falle eines p-variate-Prozesses ist die Wurzelanalyse komplizierter, verglichen mit dem Prozess, der nur eine Variable umfasst, wenn der Prozess, der eine spezielle Ursache (n) verlässt, sich zu einer Out-Control-Bedingung ändert. Zeigen Sie Zusammenfassung Zusammenfassung verstecken ABSTRAKT: Wenn ein Prozeß zu einer außer Kontrolle Zustand verschiebt, sollte eine Suche eingeleitet werden, um die speziellen Ursache (n) zu identifizieren und zu beseitigen, die zu den technischen Spezifikation (en) des Prozesses manifestiert werden. Im Falle eines Verfahrens (oder eines Produkts), das mehrere korrelierte technische Spezifikationen beinhaltet, ist die Analyse der Gelenkeffekte der korrelierten Spezies komplizierter als bei einem Verfahren, das nur eine technische Spezifikation einbezieht. Die meisten realen Fälle beziehen sich auf Prozesse mit mehr als einer Variablen. Die Komplexität einer Lösung, um den Zustand dieser Prozesse zu überwachen, den Änderungspunkt zu schätzen und weiteres Wissen zu identifizieren, das zur Ursachenanalyse führt, motivierte Forscher, Lösungen auf der Grundlage von Articial Neural Networks (ANN) zu entwickeln. Dieses Papier liefert, analytisch, eine umfassende Literaturrecherche zur Überwachung multivariater Prozesse, die künstliche neuronale Netze nähern. Analyse der Stärke und Schwäche der vorgeschlagenen Systeme, zusammen mit dem Vergleich ihrer Fähigkeiten und Eigenschaften. Werden ebenfalls berücksichtigt. Einige Möglichkeiten für neue Untersuchungen zur Überwachung multivariater Umgebungen werden in diesem Papier zur Verfügung gestellt Volltext-Artikel Dezember 2015 Karim Atashgar quotDie stündlichen Kosten für den Betrieb in der in-Kontroll-Zustand ist 10 und in der out-of-control Zustand ist 100. Numerische Daten von Wird dieses Beispiel brieey wie folgt dargestellt: 28 vorgeschlagen, die Anzahl der Zustände, wenn der Prozeß in der Regelung m ist, gleich 25 ist. Ferner werden die Parameter m & sub1; und m & sub2; im Außer - In der Tat sind die Parameter von m, m 1 und m 2 die Eingangsparameter im Markov-Kettenalgorithmus für die In-Kontrolle und die Außer-Steuer-ARL-Berechnung. ZUSAMMENFASSUNG: Die Kostenparameter in ökonomisch-statistischen Modellen von Kontrollkarten werden in der Literatur gewöhnlich deterministisch angenommen. Die Unsicherheit in den Kostenparametern von Kontrollkarten ist in der Anwendung sehr häufig. So nutzten mehrere Forscher Szenario-basierte Ansatz für robuste ökonomisch-statistische Gestaltung von Kontrollkarten. In diesem Aufsatz konzentrieren wir uns konkret auf die multivariate Exponential Weighted Moving Average (MEWMA) - Regelkarte und berücksichtigen die Intervallunsicherheit in den Kostenparametern der MEWMA-Kontrollkarte und entwickeln eine robuste ökonomisch-statistische Auslegung der MEWMA-Kontrollkarte durch Intervall-robuste Optimierung Technik. In der Zwischenzeit wird die Lorenzen - und Vance-Kostenfunktion verwendet, und um das durchschnittliche Lauflängenkriterium zu berechnen, wird der Markov-Kettenansatz angewendet. Dann wird der genetische Algorithmus zum Erhalten einer optimalen Lösung des vorgeschlagenen robusten Modells verwendet, und die Wirksamkeit dieses Modells wird durch ein numerisches Beispiel veranschaulicht. Auch wird ein Vergleich mit einer bestimmten Situation der Kostenparameter durchgeführt. Schließlich wird eine Sensitivitätsanalyse durchgeführt, um den Einfluss der Veränderung der Intervalle von Kostenparametern des Lorenzen - und Vance-Modells auf die optimalen Lösungen zu untersuchen. Darüber hinaus wird eine Sensitivitätsanalyse für die anderen Kostenparameter des Lorenzen - und Vance-Modells durchgeführt. Vollständiger Text Artikel Juni 2015 A. Amiri A. Sherbaf Moghaddam Z. Aghababaee quotSeveral Autoren einschließlich Woodall und Ncube 4, Healy 5, Crosier 6, Pignatiello und Runger 7, Ngai und Zhang 8, Chan und Zhang 9, Qiu und Hawkins 10, 11 und Runger und Testik 12 auf MCUSUM. Viele Forscher wie Lowry et al. 13, Rigdon 14, Yumin 15, Runger und Prabhu 16, Kramer und Schmid 17, Prabhu und Runger 18, Fasso 19, Borror et al. 20, Runger et al. 21, Tseng et al. 22, Yeh et al. 23, Testik et al. 24, Testik und Borror 25 und Chen et al. 26 trug zur Leistung von MEWMA bei. Die Hauptfähigkeit aller in der Literatur eingeführten Kontrolldiagramme wird als Erfassen des Außerbetriebszustandes bezeichnet, wenn eine zuordenbare Ursache einen Platz in dem Prozeß einnimmt. Zusammenfassung Zusammenfassung Zusammenfassung ABSTRAKT: Wenn sich eine zuordenbare Ursache (n) in einem multivariaten Prozess manifestiert und der Prozess zu einer Out-of-Control-Bedingung verschoben wird, sollte eine Qualitätsanalyse durch Qualitätsingenieure initiiert werden, um die zuordenbare Ursache zu identifizieren und zu eliminieren S) den Prozess beeinflusst. Eine Ursachenanalyse in einem multivariaten Prozess ist im Vergleich zu einem univariaten Prozess komplexer. Im Falle eines Prozesses, der mehrere korrelierte Variablen umfasst, kann eine effektive Ursachenanalyse nur dann erfahren werden, wenn es möglich ist, das erforderliche Wissen einschließlich der Out-of-Control-Bedingung, des Änderungspunkts und der Variablen, die dafür verantwortlich sind, zu identifizieren Die außer Kontrolle Zustand, alle gleichzeitig. Obwohl die Literatur verschiedene Systeme zur Überwachung multivariater Prozesse anspricht, findet man wenige wissenschaftliche Berichte, die sich auf das gesamte erforderliche Wissen konzentrieren. Nach dem besten Wissen der Autoren ist dies das erste Mal, dass ein Multi-Task-Modell, das auf künstlichem neuronalen Netz (ANN) basiert, alle erforderlichen Erkenntnisse gleichzeitig für einen multivariaten Prozess mit mehr als zwei korrelierten Qualitätsmerkmalen überwacht. Die Leistung des vorgeschlagenen Schemas wird numerisch ausgewertet, wenn verschiedene Stufenverschiebungen den mittleren Vektor beeinflussen. Die durchschnittliche Lauflänge wird verwendet, um die Leistung des vorgeschlagenen Multitaskmodells zu untersuchen. Die simulierten Ergebnisse zeigen, dass das Multitask-Schema alle erforderlichen Kenntnisse effektiv durchführt. Akte Daten Mai 2015 Scientia Iranica Karim Atashgarby Bowei Xi, George Michailidis, Vijayan N. Nair. Aktive Netzwerk-Tomographie bezieht sich auf eine interessante Klasse von großen inverse Probleme, die bei der Schätzung der Qualität der Service-Parameter von Computer-und Kommunikationsnetze entstehen. Dieser Artikel konzentriert sich auf die Schätzung der Verlustquoten der internen Links eines Netzwerks mit End-to-End-Messungen. Aktive Netzwerk-Tomographie bezieht sich auf eine interessante Klasse von großen inverse Probleme, die bei der Schätzung der Qualität der Service-Parameter von Computer-und Kommunikationsnetze entstehen. Dieser Artikel konzentriert sich auf die Schätzung der Verlustraten der internen Links eines Netzwerks mit Hilfe von End-to-End-Messungen von Knoten an der Peripherie. Es wird eine Klasse von flexiblen Experimenten zum aktiven Sondieren des Netzwerks eingeführt, und Bedingungen, unter denen alle Informationen auf der Verbindungsebene schätzbar sind, werden erhalten. Die maximale Wahrscheinlichkeitsschätzung unter Verwendung des EM-Algorithmus, die Struktur des Algorithmus und die Eigenschaften der Maximum-Likelihood-Schätzer werden untersucht. Dazu gehören Simulationsstudien mit dem ns (Netzwerksimulator), um einen realistischen Netzwerkverkehr zu erhalten. Der optimale Entwurf von Sondierungsexperimenten wird ebenfalls untersucht. Schließlich wird die Anwendung der Ergebnisse auf die Netzwerküberwachung kurz dargestellt. Von Changliang Zou, Fugee Tsung, Zhaojun Wang - Technometrics. 2007. Wir schlagen ein Schema der statistischen Prozesskontrolle (SPC) vor, das in der industriellen Praxis implementiert werden kann, wobei die Qualität eines Prozesses durch ein allgemeines lineares Profil charakterisiert werden kann. Wir beginnen mit der Überprüfung des allgemeinen linearen Profilmodells und der bestehenden Überwachungsmethoden. Darauf basierend basiert ein Roman. Wir schlagen ein Schema der statistischen Prozesskontrolle (SPC) vor, das in der industriellen Praxis implementiert werden kann, wobei die Qualität eines Prozesses durch ein allgemeines lineares Profil charakterisiert werden kann. Wir beginnen mit der Überprüfung des allgemeinen linearen Profilmodells und der bestehenden Überwachungsmethoden. Basierend darauf wird für ein solches Profil ein neuartiges multivariates exponentiell gewichtetes gleitendes durchschnittliches Monitoring (MEWMA) - Schema vorgeschlagen. Drei Verbesserungsmerkmale werden eingeführt, um die Leistungsfähigkeit des vorgeschlagenen Schemas weiter zu verbessern, die 1) das variable Abtastintervall, 2) die Selbststartfunktion und 3) den parametrischen diagnostischen Ansatz umfassen. Während dieses Beitrags wird ein Beispiel für ein Beispiel eines reaktiven Ionenätzens (DRIE) aus der Halbleiterfertigung verwendet, das ein Profil aufweist, das zu einem quadratischen Polynomregressionsmodell passt und die Implementierung des vorgeschlagenen Ansatzes illustriert. 1 1 durch Manuel Cabral Morais, Antnio Pacheco - Kommunikation in der Statistik Simulation und Berechnung. Längen-Prozentpunkte, Wahrscheinlichkeit eines irreführenden Signals. Änderungen des Prozeßmittels () oder der Prozeßstandardabweichung () sollten als Hinweis darauf gesehen werden, daß ein Produktionsprozeß außer Kontrolle gerät. Dieses Papier berücksichtigt das Problem der gemeinsamen Überwachung dieser beiden Parameter. Längen-Prozentpunkte, Wahrscheinlichkeit eines irreführenden Signals. Änderungen des Prozeßmittels () oder der Prozeßstandardabweichung () sollten als Hinweis darauf gesehen werden, daß ein Produktionsprozeß außer Kontrolle gerät. Dieses Papier betrachtet das Problem der gemeinsamen Überwachung dieser beiden Parameter, wenn das Qualitätsmerkmal einer Normalverteilung folgt, unter Verwendung eines kombinierten Exponential Weighted Moving Average (CEWMA) Schemas. Drei Leistungsmaßstäbe dieses gemeinsamen Steuerungsschemas werden unter Verschiebungen des Prozeßmittels oder der Inflationen der Prozeßstandardabweichung und unter der Annahme von Kopfstarts untersucht: die durchschnittliche Lauflänge, die Lauflängenprozentpunkte und die Wahrscheinlichkeit eines irreführenden Signals. Die Anpassung dieser drei Leistungsindikatoren erfolgt unter Berücksichtigung einer zweidimensionalen Markov-Kette. Die Unabhängigkeit zwischen den horizontalen und vertikalen Übergängen dieser approximierenden zweidimensionalen Markov-Kette spielt eine wichtige Rolle bei der Bereitstellung einfacher Ausdrücke für jene Leistungsmaße, die die Berechnung einer Wahrscheinlichkeitsübergangsmatrix mit ungewöhnlichen Dimensionen vermeiden. Es wird auch ein numerischer Vergleich zwischen diesen drei Leistungsmaßen und den entsprechenden korrespondierenden kombinierten Shewhart (CShewhart) Schema X, S 2 () vorgestellt, was zu der Schlussfolgerung führt, dass die Substitution dieses kombinierten Schemas durch das CEWMA - Gemeinsame Überwachung des Prozessmittels und der Standardabweichung. 1 von Christian Sonesson, Christian Sonesson. 2001. Mehrere Versionen des EWMA-Verfahrens ("Exponential Weighted Moving Average") zur Überwachung eines Prozesses mit dem Ziel, eine Verschiebung im Mittel zu detektieren, werden sowohl für den einseitigen als auch den zweiseitigen Fall untersucht. Die Auswirkungen der Verwendung von Barrieren für die einseitige Alarmstatistik werden ebenfalls untersucht. Ein Important. Mehrere Versionen des EWMA-Verfahrens ("Exponential Weighted Moving Average") zur Überwachung eines Prozesses mit dem Ziel, eine Verschiebung im Mittel zu detektieren, werden sowohl für den einseitigen als auch den zweiseitigen Fall untersucht. Die Auswirkungen der Verwendung von Barrieren für die einseitige Alarmstatistik werden ebenfalls untersucht. Ein wichtiges Thema ist die Wirkung verschiedener Arten von Alarmgrenzen. Es werden verschiedene Bewertungsmaßstäbe wie die erwartete Verzögerung, die ARLI, die Wahrscheinlichkeit einer erfolgreichen Detektion und der prädiktive Wert eines Alarms betrachtet, um ein breites Bild der Merkmale der Verfahren zu liefern. Die Ergebnisse werden sowohl für einen festen ARLO als auch für eine feste Wahrscheinlichkeit eines falschen Alarms dargestellt. Die Unterschiede unterstreichen das wesentliche Problem, wie die Vergleichbarkeit zwischen den Überwachungsmethoden zu definieren ist. Die Ergebnisse stammen aus einer umfangreichen Simulationsstudie. Besondere Aufmerksamkeit gilt der Wirkung auf das Vertrauen in die Endergebnisse durch die stochastische Variation der Kalibrierung der Methoden. Es scheint, dass zwischen den ein - und zweiseitigen Versionen der Methoden wichtige Unterschiede zu einem inferentiellen Gesichtspunkt bestehen. Es wird gezeigt, dass die Methode, die in der Regel als bequeme Approximation betrachtet wird, in vieler Hinsicht gegenüber der genauen Version bevorzugt ist. Von Changliang Zou, Peihua Qiu. Dieses Papier entwickelt eine neue multivariate statistische Prozesskontrolle (SPC) - Methode auf der Anpassung der LASSO Variable Auswahl Methode, um die SPC-Problem. Die LASSO-Methode hat die Eigenschaft sparsity, dass sie genau die Menge von Regressionskoeffizienten ungleich Null in der multivariaten Regression m auswählen kann. Dieses Papier entwickelt eine neue multivariate statistische Prozesskontrolle (SPC) - Methode auf der Anpassung der LASSO Variable Auswahl Methode, um die SPC-Problem. Die LASSO-Methode hat die Eigenschaft sparsity, dass sie genau die Menge von Regressionskoeffizienten ungleich Null in der multivariaten Regressionsmodellierung auswählen kann, was besonders dann nützlich ist, wenn die Anzahl der Koeffizienten kleiner Null kleiner ist. In multivariaten SPC-Anwendungen verschieben sich Prozessmittelvektoren oft in einer kleinen Anzahl von Komponenten. Unser Hauptziel ist es, eine solche Verschiebung so schnell wie möglich zu erkennen und die verschobenen mittleren Komponenten zu identifizieren. Unter Verwendung dieser Verbindung zwischen den beiden Problemen wird eine LASSO-basierte multivariate Teststatistik vorgeschlagen, die dann in das multivariate EWMA-Diagrammschema für die multivariate Phasenüberwachung der Phase II integriert wird. Es zeigt sich, dass dieser Ansatz den Schutz vor verschiedenen Schiebeebenen und Verschiebungsrichtungen ausgleicht und somit ein effektives Werkzeug für multivariate SPC-Anwendungen darstellt. Schlüsselwörter: Hotellings T 2 - Statistik Modellauswahl Multivariate statistische Prozesskontrolle Strafwahrscheinlichkeit Regressionsspezifische Variablen. Von Alexander Novikov, Nino Kordzakhia. 2006. Unter Verwendung des Martingalansatzes finden wir genügend Bedingungen für die exponentielle Beschränktheit der ersten Durchlaufzeiten über ein Niveau für autoregressive Sequenzen der ergodischen ersten Ordnung (AR (1)). Ferner beweisen wir eine Martingale-Identität, die verwendet werden kann, um explizite Grenzen für die Erwartung der ersten Passage zu erhalten. Unter Verwendung des Martingalansatzes finden wir genügend Bedingungen für die exponentielle Beschränktheit der ersten Durchlaufzeiten über ein Niveau für autoregressive Sequenzen der ergodischen ersten Ordnung (AR (1)). Ferner beweisen wir eine Martingale-Identität, die verwendet werden kann, um explizite Grenzen für die Erwartung der ersten Durchlaufzeiten zu erhalten. Wenn H (1) (x, a). In Anwendungen werden die Verteilung und Erwartung solcher Durchlaufzeiten gewöhnlich über Monte-Carlo-Simulation oder unter Verwendung von Markov-Kettennäherungen approximiert (siehe z. B. -16-). Es sind jedoch auch analytische Grenzen von Interesse (z. B. um eine Genauigkeit von Simulationsalgorithmen zu steuern). In dieser Arbeit beschreiben wir einige Martingale im Zusammenhang mit AR (1) Sequenzen in dem Fall, wenn die in. Von Marion R. Reynolds, Zachary G. Stoumbos. 2008. Bei der Überwachung eines Prozesses, der multivariate normale Variablen aufweist, ist das Shewing-Steuerelement (Hotelling (1947)), das traditionell für die Überwachung des Prozessmittelvektors verwendet wird, wirksam zum Erfassen großer Verschiebungen, aber zum Erfassen kleiner Verschiebungen ist es effektiver, das Multivariat zu verwenden Exponen Bei der Überwachung eines Prozesses, der multivariate normale Variablen aufweist, ist das Shewing-Steuerelement (Hotelling (1947)), das traditionell für die Überwachung des Prozessmittelvektors verwendet wird, wirksam zum Erfassen großer Verschiebungen, aber zum Erfassen kleiner Verschiebungen ist es effektiver, das Multivariat zu verwenden Exponentiell gewichteter gleitender Durchschnitt (MEWMA) von Lowry et al. (1992). Es wurde vorgeschlagen, dass eine bessere Gesamtleistung beim Erfassen kleiner und großer Verschiebungen im Mittel durch Verwendung des MEWMA-Diagramms 1 in Kombination mit dem Shewhart-Diagramm erhalten werden kann. Hier untersuchen wir die Leistungsfähigkeit dieser Kombination im Kontext des allgemeineren Problems der Erfassung von Änderungen des Mittelwerts oder der Erhöhung der Variabilität. Reynolds und Cho (2006) untersuchten vor kurzem Kombinationen des MEWMA-Diagramms für die Mittel - und MEWMA-Diagramme auf der Grundlage von quadrierten Abweichungen der Beobachtungen vom Ziel und fanden heraus, dass diese Kombinationen eine ausgezeichnete Leistung bei der Erfassung nachhaltiger Verschiebungen im Mittelwert oder in der Variabilität aufweisen . Hier betrachten wir sowohl anhaltende als auch vorübergehende Verschiebungen und zeigen, dass eine Kombination von zwei MEWMA-Diagrammen eine bessere Gesamtleistung als die Kombination der MEWMA - und Shewhart-Diagramme aufweist. Wir betrachten auch eine Drei-Chart-Kombination bestehend aus dem MEWMA-Diagramm für den Mittelwert, einem MEWMA-Diagramm mit quadratischen Abweichungen vom Ziel und dem Shewhart-Diagramm. Wenn die Stichprobengröße n & sub1; ist, scheint diese Drei-Chart-Kombination keine bessere Gesamtleistung als die Kombination der beiden MEWMA-Diagramme zu haben. Wenn nampgt 1 die Drei-Diagramm-Kombination hat deutlich bessere Leistung für einige mittlere Verschiebungen, aber etwas schlechter Leistung für Veränderungen in der Variabilität. . Zusammenfassung: Das standardisierte multivariate Kontrolldiagramm verwendet in der Regel eine feste Stichprobengröße im festen Stichprobenintervall (FSI), um einen Prozess zu überwachen. In dieser Studie wird ein multivariat exponentiell gewichteter gleitender Durchschnitt (MEWMA) mit variablen Stichprobenintervallen (VSI) untersucht. Das MEWMA-Diagramm mit VS. Zusammenfassung: Das standardisierte multivariate Kontrolldiagramm verwendet in der Regel eine feste Stichprobengröße im festen Stichprobenintervall (FSI), um einen Prozess zu überwachen. In dieser Studie wird ein multivariat exponentiell gewichteter gleitender Durchschnitt (MEWMA) mit variablen Stichprobenintervallen (VSI) untersucht. Das MEWMA-Diagramm mit VSI variiert das Abtastintervall aus dem Prozess in Abhängigkeit von den Daten des Prozesses. Das Leistungsmaß des VSI-MEWMA-Diagramms wird durch einen Markov-Ketten-Ansatz erhalten und wird mit dem entsprechenden Standard-FSI-MEWMA-Diagramm in Bezug auf die durchschnittliche Zeit bis zum Signal für eine unterschiedliche Größe der Verschiebungen im Prozessmittel verglichen. Es wird gezeigt, dass das VSI MEWMA-Diagramm effizienter ist als das entsprechende Standard-FSI-MEWMA-Diagramm bei der Erfassung von Verschiebungen im Prozessmittel. D, wenn es keine solche Angabe gibt. Das Ziel dieser Studie ist es, ein VSI-MEWMA-Diagramm zur Verbesserung der Leistung der Kontrollkarte zu präsentieren. Der Markov-Kettenansatz, der in Runger und Prabhu -9 beschrieben ist, wird modifiziert, um die durchschnittliche Zeit bis zum Signal (ATS) des VSI-MEWMA-Diagramms zu bewerten. Dann wird die Leistung der VSI MEWMA-Tabelle mit dem entsprechenden Standard-FSI-MEWMA-Diagramm verglichen. 2 Entwurf von V. von F. Camciy, R. B. Chinnamz, R. D. Ellisz. 2005. Es ist wichtig, die Herstellungsprozesse zu überwachen, um die Produktqualität zu verbessern und die Produktionskosten zu senken. Statistische Prozesskontrolle (SPC) ist die am häufigsten verwendete Methode für die Prozessüberwachung, insbesondere die Unterscheidung zwischen Variationen, die auf die normale Prozessvariabilität zurückzuführen sind. Es ist wichtig, die Herstellungsprozesse zu überwachen, um die Produktqualität zu verbessern und die Herstellungskosten zu senken. Statistische Prozesskontrolle (SPC) ist die am häufigsten verwendete Methode für die Prozessüberwachung, insbesondere die Unterscheidung zwischen Variationen, die auf normale Prozessvariabilität zurückzuführen sind, auf die durch spezielle Ursachen hervorgerufen werden. Die meisten SPC - und multivariaten SPC - (MSPC) - Methoden sind parametrisch, da sie Annahmen über die Verteilungseigenschaften und die Autokorrelationsstruktur von In-Control-Prozessparametern machen und bei der Bewältigung von Fehlalarmen - Positiven und Falschnegativen - wirksam sind. Wenn jedoch Prozesse diese Annahmen nicht erfüllen, wird die Wirksamkeit der SPC-Methoden beeinträchtigt. Mehrere nichtparametrische Kontrolldiagramme, die auf sequentiellen Reihen von Datentiefenmessungen basieren, sind in der Literatur vorgeschlagen worden, aber ihre Entwicklung und Implementierung waren in der industriellen Prozeßsteuerung ziemlich langsam. Mehrere nicht-parametrische Kontrolldiagramme, die auf maschinellen Lernprinzipien basieren, wurden ebenfalls in der Literatur vorgeschlagen, um einige dieser Einschränkungen zu überwinden. Im Gegensatz zu konventionellen SPC-Methoden, diese nicht-parametrischen Multi-Variablen (Montgomery 2001). Eine Art von MSPC sind multivariate Diagramme, die von univariaten SPC-Methoden erweitert wurden, darunter Hotellings T2-Diagramm (Hotelling 1947), multivariate EWMA (Lowry et al. 1992, Runger und Prabhu 1996, Testik und Borror 2004) und multivariate CUSUM-Diagramme (Ngai Und Zhang 2001, Runger und Testik 2004). Ein anderer Typ von MSPC basiert auf einer latenten Variablenprojektion, wie der Hauptkomponentenanalyse. Von unbekannten Autoren. Aktive Netzwerk-Tomographie bezieht sich auf eine interessante Klasse von großen inverse Probleme, die bei der Schätzung der Qualität der Service-Parameter von Computer-und Kommunikationsnetze entstehen. Dieser Artikel konzentriert sich auf die Schätzung der Verlustraten der internen Links eines Netzwerks durch Ende-zu-Ende-Maßnahmen. Aktive Netzwerk-Tomographie bezieht sich auf eine interessante Klasse von großen inverse Probleme, die bei der Schätzung der Qualität der Service-Parameter von Computer-und Kommunikationsnetze entstehen. Dieser Artikel konzentriert sich auf die Schätzung der Verlustraten der internen Links eines Netzwerks mit Hilfe von End-to-End-Messungen von Knoten auf der Peripherie. Es wird eine Klasse von flexiblen Experimenten zum aktiven Sondieren des Netzwerks eingeführt, und Bedingungen, unter denen alle Informationen auf der Verbindungsebene schätzbar sind, werden erhalten. Die maximale Wahrscheinlichkeitsschätzung unter Verwendung des EM-Algorithmus, die Struktur des Algorithmus und die Eigenschaften der Maximum-Likelihood-Schätzer werden untersucht. Dazu gehören Simulationsstudien mit dem ns (Netzwerksimulator), um einen realistischen Netzwerkverkehr zu erhalten. Der optimale Entwurf von Sondierungsexperimenten wird ebenfalls untersucht. Schließlich wird die Anwendung der Ergebnisse auf die Netzwerküberwachung kurz dargestellt. Zugrunde liegenden Prozess über die Kontrollgrenzen hinweg (ein - oder zweiseitige Grenzen). Die am weitesten verbreitete Methode zur Berechnung von ARLs (abgesehen von der Simulation) verwendet eine Markov-Kettennäherung (Brook und Evans 1972 - Ringer und Prabhu 1996) durch Diskretisierung des Zustandsraums. Crowder (1987) entwickelte einen besseren Integralgleichungsansatz für EWMA-basierte Statistiken. Numerische Routinen sind verfügbar in SAS für die Berechnung der ARLs, wenn die unde. A hybride Ameisenkolonie, Markov Kette und experimentelle Design-Ansatz für die statistisch beschränkte wirtschaftliche Gestaltung von MEWMA-Kontrollkarten Die multivariate exponentiell gewichtete gleitende Durchschnitt, MEWMA, Kontrolldiagramm ist eine effektive statistische Werkzeug zum Erfassen kleiner Verschiebungen in Prozeßmittelvektoren. Einerseits beinhaltet der ökonomische Entwurfsprozess eines MEWMA-Kontrollschemas die Bestimmung der Hauptparameter des Diagramms, nämlich die Stichprobengröße n. Das Abtastintervall h. Die Glättungskonstante r. Und die Steuergrenze L, so dass eine Qualitätskostenfunktion minimiert wird. Auf der anderen Seite ist die statistisch beschränkte ökonomische Gestaltung des MEWMA-Diagramms die Bestimmung der Diagrammparameter, so dass eine Kostenfunktion minimiert wird, während die statistische Leistung des Diagramms auf einem Wunschniveau gehalten wird. In diesem Papier wird das statistisch eingeschränkte ökonomische Designmodell der MEWMA-Kontrollkarte zunächst um die Taguchi-Verlustfunktion erweitert, um deren Wirksamkeit zu verbessern. Als nächstes wird ein Ant-Kolonie-Optimierungsalgorithmus vorgeschlagen, um das Modell zu lösen, bei dem ein Markov-Ketten-Ansatz entwickelt wird, um die durchschnittlichen Lauflängen, ARLs, zu berechnen. Dann werden die Hauptparameter des verwendeten Ameisenkoloniealgorithmus mittels einer Antwortflächenmethodologie, RSM, Annäherung abgestimmt. Schließlich wird eine Sensitivitätsanalyse zu den Hauptparametern sowohl der Kostenfunktion als auch der Kontrollkarte unter Verwendung eines experimentellen Entwurfsansatzes durchgeführt. Die Ergebnisse zeigen, dass das Vergrößern einer geeigneten statistischen nichtlinearen Einschränkung für das Modell die Wirksamkeit des Modells ohne signifikante Erhöhung der Kosten verbessert. MEWMA Ant Kolonie RSM Statistisch beschränkte ökonomische Gestaltung Taguchi Verlustfunktion Markov Kette Korrespondierender Autor. Tel. 98 21 66165740 Fax: 98 21 66022702. 1 Tel. 98 913 2035649 Fax: 98 21 66022702. Copyright-Kopie 2011 Elsevier Ltd. Alle Rechte vorbehalten. Cookies werden von dieser Website verwendet. Weitere Informationen finden Sie auf der Cookieseite. Copyright 2017 Elsevier B. V. oder seine Lizenzgeber oder Mitwirkenden. ScienceDirect ist ein eingetragenes Warenzeichen von Elsevier B. V.