支持向量机与特征融合在控制图模式识别中的应用

"论文研究-基于融合特征与支持向量机的控制图模式识别.pdf" 本文探讨的是控制图模式识别的问题，旨在提高识别精度。控制图是一种统计过程监控工具，用于检测生产过程中的异常变化，以确保产品质量。传统的控制图分析依赖于人工观察，而现代方法则倾向于利用计算机算法进行自动化识别。 在该研究中，作者提出了一种新的方法，该方法结合了控制图模式的原始特征和形状特征，形成一种融合特征，用于支持向量机(SVM)的模式分类。原始特征通常包含过程数据的统计信息，如平均值、标准差等，这些信息反映了整个过程的状态。而形状特征则是对控制图中模式的具体形态进行描述，如曲线的弯曲程度、峰谷位置等，这些特征有助于区分局部的细节差异。 特征融合是该方法的关键步骤，它旨在保留原始特征的全局信息，同时通过形状特征强化局部几何特性，特别是对于那些容易混淆的模式。这种融合使得不同模式之间的边界更加清晰，提高了分类的准确性。支持向量机作为一种有效的监督学习模型，尤其擅长处理高维特征空间和小样本问题，因此被选为模式分类器，能够保证在复杂情况下仍能取得良好的识别效果。 实验部分，作者进行了仿真实验，将提出的融合特征与支持向量机方法与其他基于形状特征的控制图模式识别方法进行了比较。结果显示，新方法在识别精度上有显著提升，证明了其优越性。 这篇论文的研究贡献在于提供了一种新的控制图模式识别策略，通过特征融合增强了模式识别的效能，特别是在处理控制图模式的局部特性时。这对于质量控制和制造系统工程等领域具有实际应用价值，可以提高生产过程的自动监测和异常检测能力，从而降低不良品率，提升生产效率。