應用k最近鄰資料描述法建立多變量管制圖：以監控印刷電路板雷射鑽孔製程為例

何應; 鄭春生; 謝定緁

doi:10.6220/joq.201812_25(6).0003

山西大学，您好！

感谢采购，人社期刊库｜人社论文库，期间：2025/01/01~2025/12/31

感谢试用，科学期刊库｜科学论文库，期间：2024/10/20~2025/01/20

浏览高级检索

关闭
检索检索高级检索出版物检索
浏览期刊主题浏览核心期刊浏览期刊拼音浏览

关闭

查询符号(半角)	查询符号意义说明
空格	表示为「AND」两个查询词之交集
双引号 ( " " )	片语以双引号标示开始及结束，而且只寻找出现顺序相同的字词，例： " image process "
?	表示一个字母切截，输入两个?表两个字母，依此类推，例：输入「Appl?」，查得结果应为appl e , appl y … ( 常用于英文字查询 )
*	表示不限字母切截，由0~n. 例：输入「appl*」，查得结果应为appl e , appl es , appl y , appl ied , appl ication … ( 常用于英文字查询 )
AND、OR、NOT	布尔逻辑组合关键字，用来扩大或缩小查询范围的技巧。 (1) AND ：缩小查询范围 (2) OR ：扩大查询范围(3) NOT：排除不相关的范围

DOI 是数位物件识别码（ D igital O bject I dentifier ）的简称，
为物件在网路上的唯一识别码，可用于永久连结并引用目标物件。

使用DOI作为永久连结

每个DOI号前面加上「 http://dx.doi.org/ 」便成为永久网址。
如以DOI号为 10.5297/ser.1201.002 的文献为例，此文献的永久连结便是： http://dx.doi.org/ 10.5297/ser.1201.002 。
日后不论出版单位如何更动此文献位置，永久连结所指向的位置皆会即时更新，不再错失重要的研究。

引用含有DOI的文献

有DOI的文献在引用时皆应同时引用DOI。若使用APA、Chicago以外未规范DOI的引用格式，可引用DOI永久连结。

DOI可强化引用精确性、增强学术圈连结，并给予使用者跨平台的良好使用经验，目前在全世界已有超过五千万个对象申请DOI。如想对DOI的使用与概念有进一步了解，请参考（）。

ACI:

数据来源：Academic Citation Index，简称ACI

台湾最大的引用文献资料库，目前收录台湾与港澳地区所出版的人文学、社会学领域学术期刊之书目资料与参考文献，总期刊量超过690种，每年定期公布收录期刊的影响指数(Impact Factor)等指标给大众，并提供专家学者与学术单位实用的计量与分析功能。

五年影响指数（5-Year Impact Factor）：某一期刊前五年所出版的文章在当年度的平均被引用次数。

公式：（前五年发表论文在统计年的被引用次数）÷（前五年论文产出论文总篇数）

例如：A期刊2017年之五年影响指数

(A期刊2012-2016年发表论文在2017年的被引总次数)/(A期刊2012-2016年发表的论文总数)

什么是预刊文章？

为提供读者最前线之学术资讯，于期刊文献获同意刊登后、纸本印制完成前，率先于网路线上发表之文章即为预刊文章。预刊文章尚未有卷期、页次及出版日期资讯，但可藉由DOI号识别。 DOI号是文献的数位身份证字号，不论预刊或正式出版皆不会改变，读者可点击DOI连结，或于DOI号前面加上「 http://dx.doi.org/ 」连结到文献目前最新版本。

如何引用预刊文章？

请使用预刊文章的线上发表日期及DOI号来引用该篇文献。

引用范例(视不同引文格式规范可能有所差异)：

作者姓名。文章篇名。期刊名称。 YYYY/MM/DD线上预先发表。

doi:DOI 号

来源数据

P399 - 413

社会科学 > 管理学

DOI： 10.6220/joq

书目管理工具

相关连结

问题回报

全文下载

应用k最近邻资料描述法建立多变量管制图：以监控印刷电路板雷射钻孔制程为例

THE APPLICATION OF k NEAREST NEIGHBORS DATA DESCRIPTION FOR MULTIVARIATE PROCESS MONITORING: A CASE STUDY OF PRINTED CIRCUIT BOARD LASER DRILLING PROCESS

何应(Ying Ho) ；郑春生(Chuen-Sheng Cheng) ；谢定緁(Ting-Chien Hsien)

品质学报； 25 卷 6 期 (2018 / 12 / 30) ， P399 - 413

繁体中文 DOI： 10.6220/joq.201812_25(6).0003

k最近邻资料描述演算法；支援向量回归；平均连串长度；多变量制程管制； k nearest neighbors data description ； support vector regression ； average run length ； multivariate process control

0 个人觉得这篇文章赞

摘要 │ 参考文献 (22) │ 国际计量

摘要〈TOP〉

并列摘要〈TOP〉

In this research, we propose a multivariate process control method by integrating the k nearest neighbors data description (kNNDD) algorithm and support vector regression (SVR). The proposed method does not require any distributional assumptions. The research considers the situation that there is an in-control dataset only in the chart building. The monitoring statistics of the proposed method are obtained from the novelty scores of the kNNDD algorithm. We propose two control chart designs for multivariate process. In the first design, a one-class kNNDD-based control chart is proposed. This research addresses the issues on determining the important parameters. In the second design, a one-class classification-based control chart is converted to a prediction problem based on SVR algorithm. A procedure to build the two-class training dataset for SVR is proposed. With optimized kNNDD procedure, some observations that are obviously different from in-control observations are labeled as out-of-control class. With two classes of observations, an SVR-based control procedure can be developed. An extensive simulation study was conducted to examine the properties of the proposed control chart under various scenarios and compare it with existing multivariate control charts in terms of average run length (ARL) criterion. The results indicate that the proposed method performs better than traditional control chart. The applicability of the proposed approach is also demonstrated with real data collected from printed circuit board (PCB) laser drilling process.

参考文献 ( 22 ) 〈TOP〉

Breunig, M. M.,Kriegel, H.-P.,Ng, R. T.,Sander, J.(2000).LOF: identifying density-based local outliers.Proceedings of the 2000 ACM SIGMOD International Conference on Management Data,Dallas, TX:
Burges, C. J. C.(1998).A tutorial on support vector machines for pattern recognition.Data Mining and Knowledge Discovery,2(2),121-167.
Chang, C.-C.,Lin, C.-J.(2011).LIBSVM: a library for support vector machines.ACM Transactions on Intelligent Systems and Technology,2(3),27.
Chawla, N. V.,Bowyer, K. W.,Hall, L. O.,Kegelmeyer, W. P.(2002).SMOTE: synthetic minority oversampling technique.Journal of Artificial Intelligence Research,16,321-357.
Cheng, C. S.,Chien, M. C.,Ho, H. Y.(2016).Multivariate process monitoring using support vector data description method.Proceedings of the Asian Network for Quality Congress 2016,Vladivostok, Russia:

国际计量

〈TOP〉

E-mail ：

文章公开取用时，将寄通知信至您填写的信箱地址