基于协同进化神经网络集成的控制图模式识别技术研究

摘要

随着生产技术的进步，消费者的需求日益提高。这种需求不仅意味着需求量的增加，更有需求品质的提升。质量管理是现代化工业生产提高市场竞争优势的一个重要方法。在现代化工业生产过程中，稳定的工艺流程是影响产品质量的一个重要因素。统计过程控制中的质量控制图，常被用来监控产品质量的稳定性。然而传统的控制图已不再适应现代化大生产的需求。借助于先进的计算机信息处理技术，把人工智能技术应用工业过程控制中去，实现工业过程中质量控制的实时性、准确性是当前国内外专家学者研究的方向之一。
　　本文总结了在现代化工业生产过程中，关于质量管理领域的控制图模式识别的国内外研究现状和发展趋势，介绍了统计过程控制的基本概念和质量控制图的基本原理，对本文涉及的控制图的判定原则、神经网络的基本理论及其泛化和集成理论、协同进化等相关理论进行了阐述和分析，给本文研究的开展提供了理论支撑。通过分析目前质量控制图模式识别方法中存在的不足和缺陷，结合人工神经网络在处理复杂分类问题方面的特点，利用协同进化的思想提出了一种神经网络集成的设计和训练的方法。通过对神经网络集成泛化误差的分析，将神经网络学习算法和协同进化算法相结合，用个体网络的相关度度量网络集成的误差从而实现个体网络的差异性，个体神经网络的结构在学习过程中自动确定，保持了个体网络的准确性，通过构造方法自动确定神经网络集成的结构，提高了集成学习系统的稳定性和泛化能力。最后利用蒙特卡罗质量特征数据模拟方法生成与实际生产过程相似的质量特征序列，运用MATLAB2012a对控制图6种基本模式识别网络进行编程训练，仿真结果表明所训练的神经网络集成CNNE模型具有很强的识别能力其性能明显优于BP网络和RBF网络等单个的神经网络分类方法，也优于Bagging和Adaboost等传统的集成方法。

目录

声明

摘要

1 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．2．1 控制图模式识别研究现状

1．2．2 神经网络集成的研究现状

1．3 本文研究内容及技术路线

1．4 本章小结

2．1．1 统计过程控制的相关理论

2．1．2 控制图的相关理论

2．2 神经网络集成

2．2．1 神经网络的基本理论

2．2．2 网络的泛化能力

2．2．3 神经网络集成的基本理论

2．2．4．Bagging和Adaboost集成方法

2．3 协同进化

2．3．1 协同进化的相关理论

2．3．2 神经网络学习算法与协同进化算法相结合

2．4 本章小结

3 构建基于协同进化神经网络集成的控制图模式识别模型

3．1 神经网络集成泛化能力的理论分析

3．2 基于协同进化的的神经网络集成

3．3 个体神经网络的生成

3．4 控制图模式识别的模型框架

3．5 本章小结

4 基于协同进化神经网络集成的控制图模式识别仿真分析

4．1 仿真样本数据的构建与预处理

4．2 基于协同进化网络集成的仿真结果及分析

4．2．1 参数设置

4．2．2 仿真结果分析

4．3 与其他方法的比较分析

4．3．1 与单个BP和RBF神经网络的比较分析

4．3．2 与Bagging和Adaboost集成方法的比较分析

4．4 实验总结

4．5 本章小结

5．1 研究结论

5．2 未来展望

参考文献

攻读硕士期间发表的论文及所取得的研究成果

致谢