지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 이재헌
- 발행연도
- 2015
- 저작권
- 중앙대학교 논문은 저작권에 의해 보호받습니다.
이용수3
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
현대의 제조공정은 컴퓨터의 발전과 통신 및 네트워크의 발달로 컴퓨터통합제조가 가능해 졌다. 이로 인해 고품질 제품의 고속생산이 가능해졌고, 공정에서 실시간으로 전송되는 품질변수들의 데이터는 급속도로 축적되었다. 이를 관리하기 위해서 다변량 통계적 공정관리의 자동화 시스템이 필요하게 되었다.
전통적으로 사용하는 다변량 통계적 공정관리도는 이상상태 발생시 이상신호를 전달하지만 그 원인에 대한 설명이 어려운 단점이 있다. 이를 보완하기 위해 쉽고 빠르게 적용할 수 있는 방법으로 데이터마이닝과 기계학습이 있다. 본 논문에서는 다변량 공정관리에 의사결정나무 학습 기법을 적용했다.
여기서는 이변량 경우의 다변량 공정관리도 모의실험을 계획했다. 모의실험 결과를 통해서 상관계수에 따른 이상상태 탐지능력은 비슷한 성능을 보였고, 이상상태에 대한 분류 정확도는 상관계수와 이상원인의 형태에 따라 차이가 나는 것을 알 수 있다.
전통적으로 사용하는 다변량 통계적 공정관리도는 이상상태 발생시 이상신호를 전달하지만 그 원인에 대한 설명이 어려운 단점이 있다. 이를 보완하기 위해 쉽고 빠르게 적용할 수 있는 방법으로 데이터마이닝과 기계학습이 있다. 본 논문에서는 다변량 공정관리에 의사결정나무 학습 기법을 적용했다.
여기서는 이변량 경우의 다변량 공정관리도 모의실험을 계획했다. 모의실험 결과를 통해서 상관계수에 따른 이상상태 탐지능력은 비슷한 성능을 보였고, 이상상태에 대한 분류 정확도는 상관계수와 이상원인의 형태에 따라 차이가 나는 것을 알 수 있다.
목차
제1장 서론 1제1절 연구의 배경과 목적 1제2절 논문의 구성 3제2장 데이터마이닝 4제1절 데이터마이닝과 기계학습 4제2절 데이터마이닝 방법론 42.1. 회귀분석 52.2. 차원축소기법 52.3. 신경망분석 62.4. 의사결정나무 분석 62.5. 기타분석 8제3절 앙상블 83.1. 배깅 93.2. 부스팅 93.3. 랜덤 포레스트 9제3장 의사결정나무 학습 알고리즘 10제1절 의사결정나무 학습 모델을 적용한 다변량 공정관리 10제2절 의사결정나무 학습 모델 112.1. 다변량 공정에서 데이터 생성 122.2. 입력데이터의 크기 설정 14제3절 의사결정나무 학습 과정 153.1. 의사결정나무 학습 알고리즘 153.2. 의사결정나무 모델에서 학습 데이터 생성 과정 15제4장 모의실험을 통한 모델 검증 17제1절 제안된 모델의 이변량 관리도 17제2절 학습데이터의 변화시점 설정 17제3절 상관계수에 따른 관리도의 효율 19제5장 결론 26참고문헌 27부록 28국문초록 35Abstract 36
최근 본 자료
댓글(0)
0