| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 1 绪论 | 第9-19页 |
| ·论文研究的背景与意义 | 第9-10页 |
| ·控制图模式识别概述 | 第10-13页 |
| ·控制图概述 | 第10-11页 |
| ·SPC与控制图模式识别 | 第11-13页 |
| ·国内外研究现状综述 | 第13-17页 |
| ·基于统计分析的人工识别方法研究 | 第13页 |
| ·基于专家系统的识别方法研究 | 第13-14页 |
| ·基于SVM的识别方法研究 | 第14页 |
| ·基于神经网络的识别方法研究 | 第14-16页 |
| ·基于Adaboost算法的识别方法研究 | 第16-17页 |
| ·本文的研究内容与结构 | 第17-19页 |
| 2 控制图与控制图模式识别相关方法 | 第19-28页 |
| ·相关控制图理论 | 第19-22页 |
| ·控制图模式现象 | 第22-24页 |
| ·控制图模式识别诊断方法 | 第24-27页 |
| ·统计模式识别方法 | 第24页 |
| ·专家系统识别方法 | 第24-25页 |
| ·基于SVM的识别方法 | 第25-26页 |
| ·基于Adaboost算法的识别方法 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 3 基于Adaboost算法控制图模式识别理论基础 | 第28-38页 |
| ·分类器与分类器集成学习 | 第28-30页 |
| ·分类器的含义 | 第28-29页 |
| ·分类器集成学习概述 | 第29-30页 |
| ·Adaboost集成学习算法 | 第30-34页 |
| ·AdaboostM2算法优化 | 第32-34页 |
| ·Adaboost算法特性 | 第34页 |
| ·AdaboostM2算法的基分类器选择 | 第34-37页 |
| ·贝叶斯方法概述 | 第35-36页 |
| ·朴素贝叶斯分类器 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 4 基于Adaboost算法优化的控制图模式识别实验仿真 | 第38-47页 |
| ·SPC诊断过程质量异常的问题 | 第38页 |
| ·仿真数据的描述 | 第38-40页 |
| ·控制图模式识别的仿真实验 | 第40-43页 |
| ·仿真实验流程 | 第41页 |
| ·训练/测试数据集的生成 | 第41-43页 |
| ·基分类器的选择 | 第43-46页 |
| ·距离判别方法 | 第43-45页 |
| ·贝叶斯判别方法 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 5 控制图模式识别的性能评估 | 第47-64页 |
| ·单次仿真实验识别效果 | 第47-48页 |
| ·规模化仿真实验识别效果 | 第48-54页 |
| ·不同迭代次数对识别效果的影响 | 第50-52页 |
| ·不同训练样本数对测试效果的影响 | 第52-54页 |
| ·普通情况下控制图模式识别 | 第54-60页 |
| ·不同迭代次数对识别效果的影响 | 第55-58页 |
| ·不同训练样本数对测试效果的影响 | 第58-60页 |
| ·普通情况下控制图模式识别方法改进 | 第60-63页 |
| ·本章小结 | 第63-64页 |
| 6 结束语 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-70页 |