针对两个正态随机变量比率(Ratio of Two Normal Random Variables,RZ)监控的研究是近年来统计过程控制的重要方向之一。为了进一步提高传统休哈特型RZ控制图对过程中较小或中等参数偏移的灵敏度,本文以指数加权移动平均(Exponentially ...针对两个正态随机变量比率(Ratio of Two Normal Random Variables,RZ)监控的研究是近年来统计过程控制的重要方向之一。为了进一步提高传统休哈特型RZ控制图对过程中较小或中等参数偏移的灵敏度,本文以指数加权移动平均(Exponentially Weighted Moving Average,EWMA) RZ控制图为基础,提出了一种新的RZ控制图。首先,对EWMA-RZ控制图的平滑系数进行两次加权,提出了二次指数加权移动平均(Double EWMA,DEWMA) RZ控制图,并进一步引入了变采样间隔(Variable Sampling Interval,VSI)特性,提出了VSI-DEWMA-RZ控制图;其次,采用蒙特卡罗(Monte-Carlo,MC)仿真模拟所提出控制图的运行链长分布特征,并详细分析了控制图的性能;再次,针对不同的控制图参数,比较了VSI-DEWMA-RZ控制图与DEWMA-RZ和VSI-EWMA-RZ控制图的性能。仿真结果表明,本文提出的VSI-DEWMA-RZ控制图优于DEWMA-RZ控制图,且其对过程中较小和中等偏移的监控效果优于现有的VSI-EWMA-RZ控制图。最后,通过监控食品加工过程中“南瓜籽”和“亚麻籽”的重量,进一步说明了所提出控制图的优越性。展开更多
随着数据获取方式的多样化发展,针对多视图领域的算法研究变得越来越重要,但大多数方法仅通过自表示属性或局部结构获取样本间的相似性关系,在此过程中忽略了整体样本的聚类结构和原始空间的噪声的影响,使得聚类结果存在较大误差。为解...随着数据获取方式的多样化发展,针对多视图领域的算法研究变得越来越重要,但大多数方法仅通过自表示属性或局部结构获取样本间的相似性关系,在此过程中忽略了整体样本的聚类结构和原始空间的噪声的影响,使得聚类结果存在较大误差。为解决此问题,提出了一种基于聚类结构和局部相似性的多视图隐空间聚类方法(multi-view latent subspace clustering with cluster structure and local similarity,MLC2L),通过隐表示融合不同视图上的共享信息并抑制噪声的存在。此外,通过探索隐空间内样本间的局部相似性关系和整体的聚类结构促进样本达到同类聚合、异类远离的目的;最后引入一个交替方向迭代优化算法来快速求解目标函数。实验结果显示,在六个真实数据集的实验中,MLC2L在MSRC-v1、UCI以及100Leaves上的五个评价指标均为最优,在3Sources、WebKB和Prokaryotic等数据集上的五个指标有四个最优,大量的实验分析也证明了融合局部结构和整体聚类结构的MLC2L在多视图聚类任务上的有效性。展开更多
文摘针对两个正态随机变量比率(Ratio of Two Normal Random Variables,RZ)监控的研究是近年来统计过程控制的重要方向之一。为了进一步提高传统休哈特型RZ控制图对过程中较小或中等参数偏移的灵敏度,本文以指数加权移动平均(Exponentially Weighted Moving Average,EWMA) RZ控制图为基础,提出了一种新的RZ控制图。首先,对EWMA-RZ控制图的平滑系数进行两次加权,提出了二次指数加权移动平均(Double EWMA,DEWMA) RZ控制图,并进一步引入了变采样间隔(Variable Sampling Interval,VSI)特性,提出了VSI-DEWMA-RZ控制图;其次,采用蒙特卡罗(Monte-Carlo,MC)仿真模拟所提出控制图的运行链长分布特征,并详细分析了控制图的性能;再次,针对不同的控制图参数,比较了VSI-DEWMA-RZ控制图与DEWMA-RZ和VSI-EWMA-RZ控制图的性能。仿真结果表明,本文提出的VSI-DEWMA-RZ控制图优于DEWMA-RZ控制图,且其对过程中较小和中等偏移的监控效果优于现有的VSI-EWMA-RZ控制图。最后,通过监控食品加工过程中“南瓜籽”和“亚麻籽”的重量,进一步说明了所提出控制图的优越性。
文摘随着数据获取方式的多样化发展,针对多视图领域的算法研究变得越来越重要,但大多数方法仅通过自表示属性或局部结构获取样本间的相似性关系,在此过程中忽略了整体样本的聚类结构和原始空间的噪声的影响,使得聚类结果存在较大误差。为解决此问题,提出了一种基于聚类结构和局部相似性的多视图隐空间聚类方法(multi-view latent subspace clustering with cluster structure and local similarity,MLC2L),通过隐表示融合不同视图上的共享信息并抑制噪声的存在。此外,通过探索隐空间内样本间的局部相似性关系和整体的聚类结构促进样本达到同类聚合、异类远离的目的;最后引入一个交替方向迭代优化算法来快速求解目标函数。实验结果显示,在六个真实数据集的实验中,MLC2L在MSRC-v1、UCI以及100Leaves上的五个评价指标均为最优,在3Sources、WebKB和Prokaryotic等数据集上的五个指标有四个最优,大量的实验分析也证明了融合局部结构和整体聚类结构的MLC2L在多视图聚类任务上的有效性。
