برچسب گذاری غیرنظارت یافته برای روش های تشخیص داده های خارج از کنترل نظارت یافته

تشخیص تحت کنترل بودن فرایند، مهم ترین کاری است که در پایش فرایندهای آماری صورت می گیرد و داده هایی که از حالت تحت کنترل پیروی نمی کنند به عنوان داده ی خارج از کنترل، ناهنجاری، شکست یا آلودگی شناخته می شوند. با توجه به اهمیت این موضوع، روش های تشخیصی غیرنظارت یافته و نظارت یافته زیادی ارائه شده است که هر یک از آن ها نقاط قوت و ضعف خود را دارند. در این پژوهش، با استفاده ی هم زمان از روش های نظارت یافته و غیرنظارت یافته، از مزایای هر دو این روش ها استفاده خواهد شد. مدل ارائه شده در این پژوهش شامل سه بخش است 1) خوشه بندی داده های آموزش برای تولید برچسب داده ها از طریق الگوریتم غیرنظارت یافته 2) ساخت مدل نظارت یافته با استفاده از برچسب های تولید شده 3) ارزیابی مدل با استفاده از داده های تست. با انجام این سه مرحله قادریم از الگوریتم های قدرتمند نظارت یافته بدون نیاز به برچسب داده ها استفاده کنیم، برچسب هایی که در بیشتر موارد کاربردی موجود نیستند. به این منظور، از شبکه عصبی خود رمزگذار و نقشه های خودسازمان دهنده برای کاهش ابعاد و برچسب گذاری داده ها استفاده خواهد شد و سپس برچسب های تولید شده و فضای جدید ایجاد شده برای داده ها به عنوان ورودی به الگوریتم های نظارت یافته جنگل تصادفی، ماشین بردار پشتیبان، شبکه عصبی احتمالاتی، نزدیک ترین همسایه و لجستیک رگرسیون داده می شوند. در پایان، نحوه ی عملکرد مدل پیشنهادی بر روی مجموعه داده ی MNIST مورد ارزیابی قرار می گیرد و مشخص می شود که مدل پیشنهادی دقیق تر از الگوریتم های نظارت یافته ای است که با برچسب های اصلی داده ها آموزش داده شده اند.

Keywords:

تشخیص داده های خارج از کنترل , روش های تشخیص نظارت یافته , روش های تشخیص غیرنظارت یافته , نقشه های خود سازمان دهنده , شبکه عصبی خودرمزگذار