Nowa wersja platformy, zawierająca wyłącznie zasoby pełnotekstowe, jest już dostępna.
Przejdź na https://bibliotekanauki.pl

PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
2015 | nr 235 | 182-193
Tytuł artykułu

Konstrukcja wielowymiarowych kart kontrolnych indywidualnych pomiarów z wykorzystaniem sztucznych sieci neuronowych

Autorzy
Treść / Zawartość
Warianty tytułu
Application of Artificial Neural Networks to Construction of Multivariate Control Charts for Individual Data
Języki publikacji
PL
Abstrakty
Klasyczne metody statystycznego sterowania procesem wykorzystują założenie o rozkładzie normalnym badanej cechy. W sytuacji, gdy warunek ten nie jest spełniony, wykorzystuje się odpowiednie transformacje lub korzysta się ze specyficznych, odpornych na rodzaj rozkładu metod. W pracy przedstawiona zostanie próba wykorzystania sztucznych sieci neuronowych do konstrukcji wielowymiarowych kart kontrolnych. Przeprowadzone zostaną symulacje dla rozkładu normalnego i chi-kwadrat.(abstrakt oryginalny)
EN
In classical statistical process control the assumption of normal distribution is usually valid. When this condition is not satisfied specifically transformation or the specified method are used. This article presents application of artificial neural networks to construct of multivariate control charts for individual data.(original abstract)
Rocznik
Numer
Strony
182-193
Opis fizyczny
Twórcy
  • Uniwersytet Ekonomiczny we Wrocławiu
Bibliografia
  • Bersimis S., Psarakis S., Panaretos J. (2007), Multivariate statistical process control charts: an overview. "Quality and Reliability Engineering International", Vol. 23(5).
  • Cheng C.S. (1995), A Multi-Layer Neural Network Model for Detecting Changes in the Process Mean, "Computers and Industrial Engineering", Vol. 28, No. 1.
  • Hwarng H.B., Hubele N.F. (1993), Back-propagation pattern recognizers for X control charts: methodology and performance, "Computers & Industrial Engineering", Vol. 24(2).
  • Johnson N.L. (1949), System of frequency curves generated by methods of translation, "Biometrika", No. 36.
  • Kanji G.K., Arif O.H. (2000), Median rankit control chart by the quantile approach, "Journal of Applied Statistics", Vol. 27(6).
  • Liu R.Y. (1995), Control charts for multivariate processes, "Journal of the American Statistical Association", Vol. 90(432).
  • Liu R.Y., Singh K., Teng J.H. (2004), DDMA-charts: nonparametric multivariate moving average control charts based on data depth, "Allgemeines Statistisches Archiv", Vol. 88(2).
  • Martin E.B., Morris A.J. (1995), Multivariate Statistics and Neural Networks In Process Fault Detection, "IEE-Colloquium-(Digest)", No. 079.
  • Montgomery D.C. (2007), Introduction to statistical quality control, John Wiley & Sons.
  • Ozturk A., Dale R. (1985), Least squares estimation of the parameters of the Generalized Lambda Distribution, "Technometrics", Vol. 27(1).
  • Peternek P. (2012), Wybrane karty kontrolne indywidualnych pomiarów [w:] S. Forlicz (red.), Zastosowanie metod ilościowych w ekonomii i zarządzaniu, CeDeWu, Warszawa.
  • Peternek P. (2013), Porównanie kart kontrolnych indywidualnych pomiarów uzyskanych z wykorzystaniem uogólnionego rozkładu lambda oraz krzywych Johnsona, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu, nr 309.
  • Peternek P. (2014), O optymalizacji procedury Slifkera i Shapiro estymacji krzywych Johnsona, Prace Naukowe Uniwersytetu Ekonomicznego w Katowicach.
  • Pugh G.A. (1991), A comparison of neural networks to SPC charts, "Computers and Industrial Engineering", Vol. 21(1).
  • Schilling E.G., Nelson P.R. (1976), The effect of non-normality on the control limits of X-bar charts, "Journal of Quality Technology", Vol. 8(4).
  • Slifker J.F., Shapiro S.S. (1980), The Johnson System: Selection and Parameter Estimation, "Technometrics", Vol. 22.
  • Wilson D.J.H., Irwin G.W., Lightbody G. (1997), Neural Networks and Multivariate, "IEE-Colloquium-(Digest)", No. 174.
  • Zorriassatine F., Tannock J.D.T. (1998), A review of neural networks for statistical proces control, "Journal of Intelligent Manufacturing", Vol. 9(3).
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000171414403
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.