典型文献
基于One-class SVM的自相关线性轮廓监控研究
文献摘要：
在复杂产品的制造过程中,轮廓(profile)数据是一类广泛存在的质量数据类型.为了能够尽快监测出线性轮廓内自相关过程中的异常,针对质量数据仅存在正常样本的情况,提出了基于一类支持向量机(one-class Support Vector Machine,OCSVM)的监控方法.首先,介绍OCSVM方法原理;其次,构建OCSVM监控模型,通过数值仿真实验模拟得到平均运行长度,并给出详细的仿真过程;再次,以平均运行长度为准则,分析高斯核函数与多项式核函数对OCSVM方法监控性能的影响,结果表明:监控AR(1)模型时,多项式核函数具有优势;最后,将多项式核函数的仿真结果与传统的一些控制图进行对比,结果表明:当标准差以及斜率、截距同时发生变化时,OCSVM方法监控效果优于其他控制图;当自相关系数ρ=0.1(弱相关)截距发生较大偏移以及ρ=0.9(强相关)截距发生偏移时,OCSVM方法监控效果优于其他控制图.
文献关键词：
线性轮廓;一类支持向量机;自相关过程;平均运行长度
中图分类号：
作者姓名：
薛丽;贾元忠;曹逗逗
作者机构：
郑州航空工业管理学院 管理工程学院,河南 郑州 450046
文献出处：
引用格式：
[1]薛丽;贾元忠;曹逗逗-.基于One-class SVM的自相关线性轮廓监控研究)[J].郑州航空工业管理学院学报,2022(01):89-98
A类：
线性轮廓
B类：
One,class,复杂产品,制造过程,profile,质量数据,数据类型,出线,自相关过程,对质,仅存,一类支持向量机,one,Support,Vector,Machine,OCSVM,方法原理,监控模型,数值仿真实验,实验模拟,平均运行长度,高斯核函数,多项式,数具,控制图,截距,自相关系数,大偏移
AB值：
0.308824
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
