增量式Huber-支持向量回归机算法研究

传统的面向支持向量回归的一次性建模算法中样本增加时,均需从头开始学习,而增量式算法可以充分利用上一阶段的学习成果。SVR的增量算法通常基于ε-不敏感损失函数,该损失函数对大的异常值比较敏感,而Huber损失函数对异常值敏感度低。所以在有噪声的情况下,Huber损失函数是比ε-不敏感损失函数更好的选择,在现实情况当中。基于此,本文提出了一种基于Huber损失函数的增量式Huber-SVR算法,该算法能够持续地将新样本信息集成到已经构建好的模型中,而不是重新建模。与增量式ε-SVR算法和增量式RBF算法相比,在对真实数据进行预测建模时,增量式Huber-SVR算法具有更高的预测精度。     

单边合格品链长中位数控制图设计

针对过程数据存在异常值的问题,为了监控过程均值的偏移,采用中位数统计量(X)代替传统均值(X)统计量,提出了一种单边合格品链长X(Sided Sensitive Conforming Run Length X, SCRL & X)控制图。采用马尔科夫链方法研究了SCRL & X控制图的性能,首先推导出其一步状态转移矩阵,进一步根据马尔科夫链的性质得到其平均链长(Average Run Length, ARL)。为了获得控制图的最优设计参数和性能指标值,保证其处于过程受控状态下的性能,并使其处于过程失控状态下的平均链长最小。研究结果表明,提出的SCRL & X控制图的统计性能优于传统的双边合格品链长X(Conforming Run Length, CRL & X)控制图,尤其针对过程均值产生较小偏移的情形,其优势较为明显。     

考虑调整随机误差的设置调整问题研究

针对存在设置偏差的小批量离散制造过程,研究了每次调整成本固定且调整存在随机误差情形下的质量控制问题。在建立过程状态空间方程模型的基础上,通过贝叶斯方法估计过程的未知参数,利用动态规划的方法得到了边界形式的过程最优调整策略。通过算例验证了所提出调整策略的有效性,并利用仿真对本文提出的调整策略与其他调整策略进行了比较分析,结果表明,本文提出的方法能够更好地减少过程总体质量损失。