面向高频多元数据的非参数控制图
机器学习
2018-07-23 v3 应用统计
统计方法学
机器学习
摘要
支持向量数据描述（SVDD）是一种用于单类分类和离群点检测的机器学习技术。基于SVDD的K图（K-chart）由Sun和Tsung首次提出，用于在过程参数或质量特性的底层分布偏离正态时监控多元过程。该方法首先在从过程的稳定或受控运行中获得的数据上训练SVDD模型，以获得阈值 和核中心 a。对于每个新观测，计算其距核中心 a 的核距离。将核距离与阈值 比较，以确定观测是否在控制限内。当底层多元数据的分布非正态或未知时，非参数K图提供了传统控制图（如Hotelling's 图）的一种有吸引力的替代方案。但在实际部署K图时存在挑战。K图需要计算每个新观测的核距离，但关于如何解释核距离图并推断过程均值偏移或过程变异变化，没有指导方针。这限制了K图在大数据应用（如设备健康监测）中的应用，其中观测以极高频率生成。在这种情况下，使用K图的分析师被极高频率的核距离结果所淹没，通常没有任何手段来检测是否存在可归因的变异原因。我们提出了一种基于SVDD的新控制图，称为 图，它解决了将K图用于大数据应用时遇到的挑战。 图可用于同时跟踪过程变异和集中趋势。我们使用田纳西-伊斯曼过程数据说明了 图的成功应用。
引用
@article{arxiv.1607.07423,
title = {A Non-Parametric Control Chart For High Frequency Multivariate Data},
author = {Deovrat Kakde and Sergriy Peredriy and Arin Chaudhuri and Anya Mcguirk},
journal= {arXiv preprint arXiv:1607.07423},
year = {2018}
}