Στατιστικός έλεγχος ποιότητας σε αυτοσυσχετισμένες πολυμεταβλητές χρονοσειρές μέσω αναδρομικών νευρωνικών
δικτύων

Νικόλης, Θεμιστοκλής; Nikolis, Themistoklis

dc.contributor.author	Νικόλης, Θεμιστοκλής	el
dc.contributor.author	Nikolis, Themistoklis	en
dc.date.accessioned	2022-01-10T09:48:15Z
dc.date.available	2022-01-10T09:48:15Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54279
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21977
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-sa/3.0/gr/	*
dc.subject	ΣΕΠ	el
dc.subject	SPC	en
dc.subject	Χρονοσειρές	el
dc.subject	Αυτοσυσχέτιση	el
dc.subject	Πολυμεταβλητότητα	el
dc.subject	RNN	en
dc.subject	Time-series	en
dc.subject	Autocorrelation	en
dc.subject	Multivariance	en
dc.title	Στατιστικός έλεγχος ποιότητας σε αυτοσυσχετισμένες πολυμεταβλητές χρονοσειρές μέσω αναδρομικών νευρωνικών δικτύων	el
dc.title	Statistical quality control on autocorrelated multivariate time series with recurrent neural networks	en
heal.type	bachelorThesis
heal.classification	Mathematics	en
heal.classification	Statistics	en
heal.classification	Deep learning	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-07-07
heal.abstract	Υπό το πλαίσιο των εφαρμόσιμων στατιστικών κλάδων, ο Στατιστικός ́Ελεγχος Ποιότητας αφορά στην παρακολούθηση διεργασιών με σκοπό την αξιολόγηση και τον έλεγχο τους μέσω εργαλείων βα- σισμένα σε στατιστικά, μεθόδους λανθάνουσας δομής και μεθόδους ανάλυσης χρονοσειρών. Μια καινή προοπτική, ανεξάντλητης ισχύος, τα νευρωνικά δίκτυα, συνεχώς διευρύνουν το φάσμα εφαρμογής τους και την αποτελεσματικότητα μοντελοποίησης τους, καθιστώντας τα ένα σημαντικό υποψήφιο για την αξιολόγηση διεργασιών. Η παρούσα διπλωματική εργασία δοκιμάζει την εφαρμογή της δομής ενός αναδρομικού νευρωνικού δικτύου προς μοντελοποίηση πραγματικών και προσομοιωμένων δεδομένων για την παραγωγή υπολοίπων ως χρονοσειρά δεδομένων. Η πρακτική αυτή, εν συνεχεία, συγκρίνεται με τις συνήθεις πρακτικές του Στατιστικού Ελέγχου Ποιότητας καταλήγοντας σε πλέον αξιόλογα αποτελέσματα εφαρμογής αναδρομικών δικτύων. Η εργασία δομείται ως ακολούθως. Στο πρώτο εισαγωγικό κεφάλαιο θεμελιώνονται οι απαραίτητες αρχές και έννοιες για την ολότητα του περιεχόμενου της εργασίας. Στο δεύτερο κεφάλαιο παρουσιάζον- ται οι συμβατικές πρακτικές του Στατιστικού Ελέγχου Ποιότητας για την αξιολόγηση διεργασιών. Στο τρίτο κεφάλαιο αναπτύσσονται οι ιδιότητες και τα δημοφιλέστερα μοντέλα χρονοσειρών. Στο τέταρτο κεφάλαιο, αναλύεται η δομή και η λειτουργία των αναδρομικών νευρωνικών δικτύων. Τέλος, στο πέμπτο κεφάλαιο, πραγματοποιείται η σύγκριση και σχολιάζονται τα αποτελέσματα εφαρμογής των μεθόδων πάνω σε πραγματικά και προσομοιωμένα δεδομένα.	el
heal.abstract	Under the applicable statistical disciplines, Statistical Quality Control refers to the monitoring of processes for the purpose of their evaluation and control through tools based on statistics, latent structure methods and time series analysis methods. A new perspective, of inexhaustible power, neural networks are constantly expanding their range of application and modeling efficiency, making them an important candidate for process evaluation. This thesis tests the application of the structure of a recurrent neural network to model real and simulated data for the production of residuals as a time series of data. This practice is then compared with the usual practices of Quality Statistical Control resulting in remarkable results for the application of the recurrent neural network. The thesis is structured as follows. The first introductory chapter establishes the necessary prin- ciples and concepts for the completeness of the content of the work. The second chapter presents the conventional practices of Statistical Quality Control for process evaluation. The third chapter develops the properties and the most popular time series models. In the fourth chapter, the structure and function of recurrent neural networks is analyzed. Finally, in the fifth chapter, the comparison is made and the results of the application of the methods on real and simulated data are commented.	en
heal.advisorName	Κουκουβίνος, Χρήστος	el
heal.committeeMemberName	Κουκουβίνος, Χρήστος	el
heal.committeeMemberName	Στεφανέας, Πέτρος	el
heal.committeeMemberName	Καρώνη - Ρίτσαρντσον, Χρυσηΐς	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών. Τομέας Μαθηματικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	130 σ.	el
heal.fullTextAvailability	false