Abnormal control chart pattern classification optimisation using multi layered perceptron and bees algorithm

Mitra Mahdani (P56085)

Please use this identifier to cite or link to this item: https://ptsldigital.ukm.my/jspui/handle/123456789/476376

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	Noraidah Sahari, Prof. Dr.
dc.contributor.author	Mitra Mahdani (P56085)
dc.date.accessioned	2023-10-06T09:17:20Z	-
dc.date.available	2023-10-06T09:17:20Z	-
dc.date.issued	2013-11-11
dc.identifier.other	ukmvital:84546
dc.identifier.uri	https://ptsldigital.ukm.my/jspui/handle/123456789/476376	-
dc.description	In today's industry, control charts are widely used to monitor production process. The abnormal patterns of a quality control chart could reveal problems that occur in the process. The abnormal patterns could be identified using nine existing shape features that assist the classification. These features are supposed to identify appropriate control chart patterns (CCP) and to achieve the best efficiency. On the other hand the use of these nine features is not efficient since the extracted shape features may provide similar information. The objectives of this study are to select the appropriate combination of shape features to be used in CCP classification and to compare the classification with two other classifications (without features and with all nine features). The experiment consists of two phases: feature selection and pattern classification. Appropriate combination of features are identified using bees algorithm (BA) whereas pattern classification is conducted using six training algorithm of multilayered perceptron (MLP) neural network classifier as ANN technique. Bees algorithm is one of the most recent and powerful algorithm based on collective intelligence and its efficiency in optimization has been proven. As a result, the dimension of input feature has been reduced from nine to four by using BA. The performance of proposed technique (BA +ANN) is compared with two other techniques: ANN model and ANN model with features. Simulation results show that the proposed method (BA+ANN) by using MLP classifier gives high accuracy and speed in recognition. This high efficiency is achieved with 99.58 % recognition accuracy rate by the scaled conjugate gradient (SCG) training algorithm of MLP classifier with only few features, which have been selected using BA. This result confirms that the proposed system performs much better than the other two techniques using the SCG algorithm of MLP classifier: ANN model with 98.55% recognition accuracy rate and ANN model with nine features with the recognition accuracy of 99.28%. Therefore, bees algorithm has been successfully applied in combining features to optimize CCP classification.,Dalam industri hari ini, carta kawalan digunakan secara meluas untuk memantau proses pengeluaran. Corak tak normal carta kawalan kualiti boleh mendedahkan masalah yang berlaku dalam proses. Corak tak normal boleh dikenal pasti menggunakan sembilan ciri bentuk sedia ada yang membantu klasifikasi. Ciri ini sepatutnya mengenal pasti corak carta kawalan (CCK) sesuai dan untuk mencapai kecekapan yang terbaik. Sebaliknya, penggunaan sembilan ciri ini tidak cekap kerana beberapa ciri bentuk yang diekstrak boleh memberi maklumat yang sama. Objektif kajian ini adalah untuk memilih kombinasi yang sesuai bagi ciri bentuk yang akan digunakan dalam klasifikasi CCK dan untuk membandingkan klasifikasi ini dengan dua kelas yang lain (tanpa ciri dan dengan semua sembilan ciri). Eksperimen ini terdiri daripada dua fasa: pilihan ciri dan klasifikasi corak. Kombinasi ciri yang sesuai dikenal pasti menggunakan algoritma lebah (BA) manakala klasifikasi corak dilakukan dengan menggunakan enam algoritma latihan Multilayered perceptron (MLP) sebagai teknik pengelas rangkaian neural (ANN). Algoritma lebah adalah salah satu algoritma yang paling baharu dan berkuasa berdasarkan kecerdasan kolektif dan kecekapannya dalam pengoptimuman yang telah terbukti. Hasilnya, sembilan dimensi ciri input telah dikurangkan menjadi empat dengan menggunakan BA. Prestasi teknik yang dicadangkan (BA + ANN) dibandingkan dengan dua teknik lain: model ANN dan model ANN dengan ciri. Keputusan simulasi menunjukkan bahawa kaedah yang dicadangkan (BA + ANN) dengan menggunakan pengelas MLP memberikan ketepatan dan kelajuan yang tinggi dalam pengecaman. Kecekapan yang tinggi ini dicapai dengan 99.58% kadar ketepatan pengecaman oleh algoritma latihan SCG sebagai pengelas MLP dengan hanya beberapa ciri yang telah dipilih menggunakan BA. Keputusan ini mengesahkan bahawa sistem yang dicadangkan mempunyai prestasi lebih baik daripada dua teknik lain menggunakan algoritma SCG pengelas MLP: model ANN dengan 98.55% kadar ketepatan pengecaman dan model ANN dengan sembilan ciri dengan ketepatan pengecaman sebanyak 99.28%. Justeru, algoritma lebah telah berjaya digunakan dalam menggabungkan ciri untuk mengoptimumkan klasifikasi CCK.,Master/Sarjana
dc.language.iso	eng
dc.publisher	UKM, Bangi
dc.relation	Faculty of Information Science and Technology / Fakulti Teknologi dan Sains Maklumat
dc.rights	UKM
dc.subject	Calculus of variations
dc.subject	Algorithms
dc.title	Abnormal control chart pattern classification optimisation using multi layered perceptron and bees algorithm
dc.type	theses
dc.format.pages	122
dc.identifier.callno	QA9.58.M337 2013 3 tesis
dc.identifier.barcode	002078
Appears in Collections:	Faculty of Information Science and Technology / Fakulti Teknologi dan Sains Maklumat

Files in This Item:

File	Description	Size	Format
ukmvital_84546+SOURCE1+SOURCE1.1.PDF Restricted Access		1.96 MB	Adobe PDF	View/Open

Show simple item record Recommend this item