Monitoring the mean with least-squares support vector data description
O monitoramento da média com mínimos quadrados suporta a descrição de dados vetoriais
Edgard M. Maboudou-Tchao
Abstract
Keywords
Resumo
Resumo: : Gráficos de controle multivariados são ferramentas essenciais no controle estatístico multivariado de processos (MSPC). Os gráficos do “tipo Shewhart” são gráficos de controle usando subgrupos racionais que são eficazes na detecção de grandes mudanças. Recentemente, o problema de classificação de uma classe atraiu muito interesse. Normalmente, três métodos são usados para resolver esse tipo de problema de classificação. Esses métodos incluem o método k-center, o método do vizinho mais próximo, máquina de vetor de suporte de uma classe (OCSVM) e a descrição de dados de vetor de suporte (SVDD). Em aplicações industriais, como controle estatístico de processo (SPC), os profissionais usaram com sucesso o SVDD para detectar anomalias ou outliers no processo. Neste artigo, reformulamos a descrição de dados vetoriais de suporte padrão e derivamos uma versão de mínimos quadrados do método. Esta descrição de dados de vetor de suporte de mínimos quadrados (LS-SVDD) é usada para projetar um gráfico de controle para monitorar o vetor médio de processos. Comparamos o desempenho do gráfico LS-SVDD com o gráfico SVDD e T2 usando o comprimento médio de execução (ARL) fora de controle como a métrica de desempenho. Os resultados experimentais indicam que o gráfico de controle proposto tem um desempenho muito bom.
Palavras-chave
Referências
Boyd, S., & Vandenberghe, L. (2004).
Camci, F., Chinnam, R. B., & Ellis, R. D. (2008). Robust Kernel distance multivariate control chart using support vector principles.
Choi, Y. S. (2009). Least squares one-class support vector machine.
Cortes, C., & Vapnik, V. (1995). Support-vector network.
Friedman, J., Hastie, T., & Tibshirani, R. (2008). Sparse inverse covariance estimation with the graphical LASSO.
Gani, W., Taleb, H., & Liman, M. (2011). An Assessment of the Kernel-distance-based Multivariate Control Chart through an Industrial Application.
Guo, Y., Xiao, H., & Fu, Q. (2017). Least square support vector data description for HRRP-based radar target recognition.
Guyon, I., Weston, J., Barnhill, S., & Vapnik, V. (2002). Gene selection for cancer classification using support vector machines.
Kang, J. H., & Kim, S. B. (2011). Clustering-Algorithm-based Control Charts for Inhomogeneously Distributed TFT-LCD Processes.
de Kruif, B. J., & de Vries, T. J. A. (2003). Pruning error minimization in least squares support vector machines.
Kumar, S., Choudhary, A. K., Kumar, M., Shankar, R., & Tiwari, M. K. (2006). Kernel distance-based robust support vector methods and its application in developing a robust K-chart.
Kuh, A., & De Wilde, P. (2007). Comments on Pruning Error Minimization in Least Squares Support Vector Machines.
Li, B., Wang, K., & Yeh, A. B. (2013). Monitoring covariance matrix via penalized likelihood estimation.
Liu, C., & Wang, T. (2014). An AK-chart for the Non-Normal Data.
Liu P, Choo KKR, Wang L, Huang F (2016). SVM or deep learning? A comparative study on remote sensing image classification,
Maboudou-Tchao, E. M., & Diawara, N. (2013). A lasso chart for monitoring the covariance matrix.
Maboudou-Tchao, E. M., & Agboto, V. (2013). Monitoring the covariance matrix with fewer observations than variables.
Maboudou-Tchao, E. M., Silva, I., & Diawara, N. (2018). Monitoring the mean vector with Mahalanobis kernels.
Maboudou-Tchao, E. M. (2018). Kernel methods for changes detection in covariance matrices.
Maboudou-Tchao, E. M. (2019). High-dimensional data monitoring using support machines.
Maboudou-Tchao, E. M. (2020). Change detection using least squares one-class classification control chart.
Maboudou-Tchao, E. M. (2021). Support tensor data description.
Montgomery, D. C. (2001).
Ning, X., & Tsung, F. (2013). Improved design of Kernel-Distance-Based charts using Support Vector Methods.
Rodriguez-Lujan, I., Huerta, R., Elkan, C., & Cruz, C. S. (2010). Quadratic programming feature selection.
Sukchotrat, T., Kim, S. B., & Tsung, F. (2009). One-Class classification-based control charts for multivariate process monitoring.
Sun, R., & Tsung, F. A. (2003). Kernel-distance-based multivariate control charts using support vector methods.
Suykens, J. A. K., & Vandewalle, J. (1999). Least squares support vector machine classifiers.
Tax, D., & Duin, R. (1999). Support vector domain description.
Qiu, J., Wu, Q., Ding, G., Xu, Y., & Feng, S. (2016). A survey of machine learning for big data processing.
Yeh, A. B., Li, B., & Wang, K. (2012). Monitoring multivariate process variability with individual observations via penalized likelihood estimation.
Wang, H., & Hu, D. (2005). Comparison of SVM and LS-SVM for regression. In
Weese, M., Martinez, W., & Jones-Farmer, L. A. (2017). On the selection of the bandwidth parameter for the k-Chart.
Weese, M., Martinez, W., Megahed, F. M., & Jones-Farmer, L. A. (2016). Statistical Learning Methods Applied to Process Monitoring: An Overview and Perspective.
Facebook
Google+
Twitter
LinkedIn
Mendeley
StumbleUpon
CiteULike
Reddit
Email