本文關鍵詞：模型不確定下的穩(wěn)健參數(shù)設計研究　出處：《南京理工大學》2016年博士論文　論文類型：學位論文

  更多相關文章： 模型不確定 組合模型 區(qū)間估計 穩(wěn)健參數(shù)設計 損失函數(shù)

【摘要】：質量設計作為持續(xù)質量改進活動的重要支撐技術,主要應用在產(chǎn)品/過程的設計階段,因此能夠從源頭上減小和控制產(chǎn)品實現(xiàn)過程中的波動。然而,在實際的生產(chǎn)過程中,由于人員、機器、原料、方法、環(huán)境、測試因素將在一定程度上影響試驗數(shù)據(jù)的精確性或影響產(chǎn)品/過程的顯著性變量無法準確地獲知,故模型不確定性廣泛存在于產(chǎn)品/過程的質量設計過程中。組合模型與區(qū)間估計作為解決模型不確定下穩(wěn)健參數(shù)設計(包括響應曲面構建及優(yōu)化策略構建兩個問題)的重要手段,不僅能夠確保建模的精確性,而且能夠提高質量設計的有效性。因此在組合模型與區(qū)間估計的框架下實現(xiàn)產(chǎn)品/過程的質量設計具有重要的理論意義和實用價值。本文以模型不確定下的質量設計問題為研究對象,綜合運用了組合建模、區(qū)間估計、貝葉斯統(tǒng)計、隨機搜索技術以及智能優(yōu)化算法等技術和方法,以實證研究與仿真試驗為手段,系統(tǒng)地研究了模型不確定下的穩(wěn)健參數(shù)設計問題,本文的主要研究內(nèi)容包括:(1)基于改進BMA(Bayesian Model Averaging)模型的穩(wěn)健性建模技術。針對BMA模型中子模型的先驗選擇問題,本文在BMA模型的框架下將試驗設計的因子效應原則(效應層次原則和效應遺傳原則)融入先驗信息的構建中,在此基礎上結合樣本信息計算了符合因子效應原則的貝葉斯后驗概率。然后,以實例與仿真試驗驗證所提建模技術不僅確保了所構建的模型不會違背因子效應原則,而且在系統(tǒng)波動增加的情況下保持了較好的預測性能和穩(wěn)健性能。(2)基于包容性檢驗的響應曲面構建。針對傳統(tǒng)組合模型中子模型集的選擇問題,采用包容性檢驗的方法消除子模型集間存在的冗余信息,進而確定最佳的子模型集,并采用線性加權的方法提出了基于包容性檢驗的組合建模技術。以實例與仿真試驗為驗證對象,結果表明所提方法不僅改善了模型的預測性能及其穩(wěn)健性能,而且通過篩選子模型減少了建模所需的工作量。(3)基于損失函數(shù)法的穩(wěn)健參數(shù)設計。在多響應的穩(wěn)健參數(shù)設計中,位置效應與散度效應在確定最優(yōu)輸入變量時往往起著至關重要的作用。針對現(xiàn)有損失函數(shù)忽視了最優(yōu)解的穩(wěn)健性問題,本文在同時考慮二次損失的位置效應與散度效應的基礎上,構建了穩(wěn)健的損失函數(shù)優(yōu)化策略。同時,在上述研究的基礎上,進一步從模型預測區(qū)間的角度考慮了模型不確定對最優(yōu)輸入變量的影響。最后,結合工業(yè)實例展示了所提方法的有效性。(4)基于區(qū)域分析法的穩(wěn)健參數(shù)設計。針對模型不確定下的優(yōu)化策略構建問題,本文從模型預測區(qū)域的角度,借鑒穩(wěn)健優(yōu)化的思想,同時考慮最差策略與最好策略以構建穩(wěn)健的損失函數(shù)。由于所提的損失函數(shù)為兩層嵌套優(yōu)化問題,故采用遺傳算法與模式搜索技術的混合算法對其進行參數(shù)優(yōu)化。結合工業(yè)實例,分析結果表明所構建的損失函數(shù)不僅降低了模型不確定對最優(yōu)輸入變量的影響,而且進一步擴展了質量損失函數(shù)的內(nèi)涵。(5)輸入?yún)?shù)存在波動下的穩(wěn)健參數(shù)設計。針對模型參數(shù)與噪聲變量中參數(shù)不確定的穩(wěn)健參數(shù)設計問題,本文從區(qū)間估計的角度,同時考慮最差策略與最好策略,構建了基于二次損失的位置效應與散度效應。然后,采用數(shù)據(jù)驅動的方法求得位置效應與散度效應的最佳權重,并構建了穩(wěn)健的損失函數(shù);最后,采用遺傳算法與模式搜索技術的混合算法優(yōu)化所提損失函數(shù)。從工業(yè)案例與仿真試驗兩個角度,分析比較了所提優(yōu)化策略與其它優(yōu)化策略的優(yōu)劣勢。本文所構建的損失函數(shù)不僅將模型參數(shù)不確定融入目標函數(shù)的優(yōu)化中,而且考慮了噪聲變量中參數(shù)的估計不確定性,大大提高了穩(wěn)健參數(shù)設計的有效性。最后,在總結以上研究成果的基礎上,指出了該研究領域一些值得進一步研究的問題。
[Abstract]:In this paper , based on the empirical research and simulation test , this paper studies the problem of robust parameter design based on the principle of factor effect . The result shows that the proposed method not only improves the accuracy of the model , but also can improve the effectiveness of the design . ( 4 ) Based on the robust parameter design of the region analysis method , a robust parameter design based on the theory of genetic algorithm and pattern search is proposed .

【學位授予單位】：南京理工大學
【學位級別】：博士
【學位授予年份】：2016
【分類號】：F224;F406.3

【相似文獻】

相關期刊論文 前10條

1 肖筱南;一類理想二次損失函數(shù)下多參數(shù)統(tǒng)計模型的風險估計[J];西安石油學院學報(自然科學版);2003年03期

2 程巖,吳喜之;基于非對稱損失函數(shù)的參數(shù)設計[J];應用概率統(tǒng)計;2005年04期

3 程巖;白宇欣;吳喜之;;基于非對稱損失函數(shù)指數(shù)分布總體的參數(shù)設計[J];數(shù)學的實踐與認識;2006年06期

4 張斌;韓之俊;湯陽;;基于質量損失函數(shù)的最優(yōu)過程均值和質量投資決策[J];統(tǒng)計與決策;2008年18期

5 陳本晶;;非對稱質量損失函數(shù)系數(shù)的參數(shù)設計[J];甘肅聯(lián)合大學學報(自然科學版);2009年03期

6 黃維忠;;平衡損失函數(shù)下風險相依回歸信度模型[J];華東師范大學學報(自然科學版);2013年01期

7 李新鵬;吳黎軍;;平衡損失函數(shù)下具有時間變化效應的信度保費[J];重慶理工大學學報(自然科學);2013年04期

8 王天宇;韓萱;楊永愉;;基于平衡損失函數(shù)下的信度模型[J];北京化工大學學報(自然科學版);2013年03期

9 劉金泉;一類加權損失函數(shù)下正態(tài)分布均值參數(shù)的同時估計[J];吉林大學自然科學學報;1990年02期

10 徐興忠;損失函數(shù)的選擇[J];應用概率統(tǒng)計;1994年02期

相關會議論文 前5條

1 張月義;宋明順;韓之俊;;動態(tài)特性質量損失函數(shù)研究[A];質量——持續(xù)發(fā)展的源動力：中國質量學術與創(chuàng)新論壇論文集（下）[C];2010年

2 李靜茹;錢偉民;;ε-不敏感損失函數(shù)下的Bayes估計方法[A];中國現(xiàn)場統(tǒng)計研究會第12屆學術年會論文集[C];2005年

3 張增明;陳套;丁澤軍;;Mo和Ta的有效電子能量損失函數(shù)[A];2006年全國電子顯微學會議論文集[C];2006年

4 吳佳金;楊志豪;林原;林鴻飛;;基于改進Pairwise損失函數(shù)的排序學習方法[A];第六屆全國信息檢索學術會議論文集[C];2010年

5 周學君;;Rademacher復雜性與學習機器推廣性的界[A];第一屆中國智能計算大會論文集[C];2007年

相關博士學位論文 前5條

1 歐陽林寒;模型不確定下的穩(wěn)健參數(shù)設計研究[D];南京理工大學;2016年

2 張月義;質量損失函數(shù)與測量系統(tǒng)校準研究[D];南京理工大學;2010年

3 黃維忠;相依風險及平衡損失函數(shù)下的信度理論[D];華東師范大學;2013年

4 王快妮;支持向量機魯棒性模型與算法研究[D];中國農(nóng)業(yè)大學;2015年

5 艾摩爾;多元重復測量模型和估計的比較[D];華東師范大學;2004年

相關碩士學位論文 前10條

1 薛嬌;Entropy損失函數(shù)下若干分布參數(shù)的Bayes估計及其性質[D];蘭州交通大學;2015年

2 揣瑞;平衡損失函數(shù)下Stein估計的優(yōu)良性研究[D];吉林大學;2016年

3 黃婷婷;基于損失函數(shù)的最優(yōu)過程均值優(yōu)化設計的研究[D];南京理工大學;2016年

4 徐萬奎;加權損失函數(shù)下的信度保費[D];新疆大學;2011年

5 李春飛;兩類損失函數(shù)的質量水平與參數(shù)設計[D];東北師范大學;2007年

6 蘇美紅;機器學習中損失函數(shù)問題研究[D];西北大學;2015年

7 鄧海松;一類穩(wěn)健損失函數(shù)的構造與應用及多元Laplace分布[D];南京理工大學;2006年

8 吳佳金;排序學習損失函數(shù)的研究[D];大連理工大學;2011年

9 徐嫣菊;危險率的估計及預測[D];吉林大學;2008年

10 諸幼玲;基于損失函數(shù)的匯率變動選擇[D];復旦大學;2011年

，

本文編號：1427287