İSTATİSTİKSEL ÖZELLİK TEMELLİ BAYES SINIFLANDIRICI KULLANARAK KONTROL GRAFİKLERİNDE ÖRÜNTÜ TANIMA.

CONTROL CHART PATTERN RECOGNITION USING STATISTICAL-FEATURE BASED BAYES CLASSIFIER.

Shewhart control charts for statistical process control are important tools to examination abnormal changes in a process. Artificial Neural Networks and Bayesian pattern recognition systems are formed to identify patterns of abnormal changes in a process to identify changes that may occur over time, to keep a process under control and to take necessary actions in a process. Classification performance of the generated pattern recognizers was measured. Six statistical features are issued from observations, that patterns were created, and classification performances were compared to improve the performance of correct classification. It is observed that Artificial Neural Networks and Bayesian pattern recognizers have higher performance after related features are defined. In conclusion, it is concluded that Bayesian pattern recognizer has better classification performance than artificial neural networks. Bayesian classifier can be used in real-time control charts for pattern recognition applications. [ABSTRACT FROM AUTHOR]

İstatistiksel süreç kontrolünde kullanılan Shewhart kontrol grafikleri, süreçteki anormal değişimleri incelemede önemli bir araçtır. Süreçte zaman içinde oluşabilecek değişimlerin tespit edilmesi, sürecin kontrol altında tutulması ve önlemlerin alınması amacıyla süreçteki anormal değişimlerin örüntülerini tanımlamaya yönelik Yapay Sinir Ağları ve Bayes örüntü tanıma sistemleri oluşturulmuştur. Oluşturulan örüntü tanıyıcılarının sınıflandırma performansları ölçülmüştür. Doğru sınıflandırma performansını artırmak için örüntüleri oluşturan gözlem değerlerinden, altı adet istatistiksel özellik çıkarılmış ve sınıflandırma performansları karşılaştırılmıştır. yapay sinir ağları ve Bayes örüntü tanıyıcılarının, ilgili özellikler tanımlandıktan sonra daha yüksek performans verdiği görülmüştür. Sonuç olarak, Bayes örüntü tanıyıcının yapay sinir ağlarına nazaran daha iyi sınıflandırma performansının olduğu sonucuna varılmıştır. Bayes sınıflandırıcı gerçek zamanlı kontrol grafikleri uygulamalarında örüntü tanıma amaçlı kullanılabilir. [ABSTRACT FROM AUTHOR]

Copyright of Journal of the Faculty of Engineering & Architecture of Gazi University / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, is the property of Gazi University, Faculty of Engineering & Architecture and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)