论文部分内容阅读
随着社会的科技发展和经济进步，以及社会化大生产时代的兴起，产品质量已经成为企业参与市场竞争、长期生存和发展的基础。在企业中，有效的质量管理是获得市场竞争力、提高经济效益的关键因素。质量管理的核心内容是质量控制，主要工具是质量控制图，它是通过产品质量特性对产品生产过程进行实时监控的主要工具。由于质量控制图在企业提高市场竞争力中发挥了巨大的作用，控制图模式识别逐步受到了企业的关注和重视。因此，企业对质量控制图模式识别的准确率提出了更高的要求。
在对质量控制图模式识别研究的基础上，关于提高模式识别准确率的研究将由于企业以及社会的需要而成为必然趋势。本文将蒙特卡罗和BP神经网络结合，借助Minitab软件和Matlab平台，进行初始模式识别;最后，以均方误差(MSE，MeanSquaredError)为根据，对输出值进行转化，将初始识别结果与控制图模式分别对比，并转化为最为类似的控制图模式。主要研究内容如下:
首先，本文根据质量控制图的特点，使用蒙特卡罗方法建立质量控制图六种模式的数学模型，按照该数学模型，通过Minitab软件生成符合质量控制图六种模式特点的样本数据。
其次，根据质量控制图的特点，本文确定了结构为30-14-6的3层反向传播神经网络模型(BP，backpropagation)，采用比例共轭梯度训练算法训练网络，进行初始模式识别，得到初始识别结果，把均方误差(MSE)作为标准，对网络性能进行评价。
然后，将网络初始识别结果与控制图各种模式进行对比，以均方误差(MSE)为评价标准，使其直接转化为最为接近的控制图模式，再次用均方误差(MSE)评价。
最后，本文将最终的均方误差与初始的均方误差进行对比，分析得出本文提出的模型能够大大提高了模式识别准确率的结论，对原有的BP网络进行了改进。