基于非線性降維的復雜輪廓異常點識別方法研究.pdf

1、基于非線性降維的復雜輪廓異常點識別方法研究DetectingOutliersinComplexProfileswithNonlinearReductionMethods專業(yè)：笪理型堂皇王猩作者姓名：奎塞亞指導教師：聶筮副數攮管理與經濟學部2015年12月摘要隨著質量認識與以控制圖為主導的統(tǒng)計思想的深入，質量管理進入到統(tǒng)計質量控制階段，統(tǒng)計方法逐漸滲透進管理質量中設計、制造、裝配、服務全過程。進入21世紀后，統(tǒng)計過程控制在得到廣泛應用后繼

2、續(xù)細分，對產品或者服務進行具有相關關系的多重質量特性監(jiān)控的輪廓監(jiān)控便是其中一個很重要的分支。SPC過程一般被分為兩個階段：第一階段是以采集到的歷史數據作為基礎，提取穩(wěn)定有效的數據，建立穩(wěn)定狀態(tài)模型；第二階段根據已有的模型，在制造過程中對實時數據逐個進行分析，及時發(fā)現動態(tài)過程中的變異，調整過程狀態(tài)。在輪廓監(jiān)控第一階段中，現有的監(jiān)控方法已較為成熟，但是當一組輪廓的維度過高且參數擬合困難時，這些識別方法很難取得良好的效果。因此，為降低這類輪廓

3、監(jiān)控難度、提高異常點識別準度，本文在采用非參數方法進行第一階段處理前進行降維處理。異常點識別是第一階段輪廓監(jiān)控里的重要部分，是正確模型構建的必要前序工作。異常點的存在容易造成分析錯誤，如以此基礎建立模型，將嚴重影響到第二階段的判斷。因此在進行第一階段歷史數據建模前，篩選并剔除異常點是有必要的。礦控制圖是現有的效果比較明顯的異常點識別方法，并且對數據的限制比較低，適合用于情況復雜的輪廓監(jiān)控。本文引入基于流形學習的非線性降維技術，并與礦控制