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 ...
详细信息
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。
本文提出了一种将特征生成和长短期记忆(long short term memory, LSTM)模型相结合的网络流量分类方法。该方法采用矩阵乘法特征生成方式,分析对比了不同特征生成方法的分类性能。通过实验比较了原数据和特征数据在分类问题上的准确性,...
详细信息
本文提出了一种将特征生成和长短期记忆(long short term memory, LSTM)模型相结合的网络流量分类方法。该方法采用矩阵乘法特征生成方式,分析对比了不同特征生成方法的分类性能。通过实验比较了原数据和特征数据在分类问题上的准确性,并比较了卷积神经网络(convolutional neural network, CNN)和本文方法用于网络流分类的效果。在统计特征时采用核函数,使其可以适应LSTM输入维度,获得更佳的分类效果。对真实网络流数据的实验结果表明,本文方法在细分类中的准确度可达93.9%,而在粗分类任务中可达99.2%,其性能明显优于现有其他分类方法。
暂无评论