Reconocimiento de variables multivariantes empleando el estadístico T2 Hotelling y MEWMA mediante las RNA’s

ResumenEn este artículo se presenta la propuesta de un método de reconocimiento de patrones multivariantes empleando redes neuronales artificiales (RNA). El método es de utilidad en la aplicación del control estadístico de procesos para el monitoreo de múltiples variables. El método emplea medidas estadísticas descriptivas y técnicas de control multivariante. Se evalúan tres diferentes RNA's con el fin de identificar la red con mejor eficiencia en el reconocimiento de patrones presentes en cada variable multivariante obtenida a partir de bases de datos. Se analizan dos bases de datos, la primera fue generada por simulación de Montecarlo y la segunda corresponde a una base de datos de dominio público. El método consta de tres etapas: generación de variables multivariantes, análisis multivariado y reconocimiento de patrones con RNA. Para llevar a cabo esta investigación se generaron distintos escenarios multivariantes combinando 2, 3 y 4 patrones en variables multivariantes en los estadísticos T2 de Hotelling y MEWMA, los cuales se analizaron para conocer su comportamiento y características estadísticas. Se realizó la tarea de reconocimiento de patrones de estos estadísticos utilizando las RNA. Los resultados experimentales mostraron un mejor desempeño en el caso de la red de Perceptrón y Retropropagación comparado con la red RBF para ambos casos de estudio.AbstractIn this article, a method for multivariate pattern recognition using artificial neural networks (ANN) is proposed. The method is useful for monitoring multiple variables during the statistical process control. It employs descriptive statistics and multivariate control techniques. Three different ANN's are evaluated to identify the network with higher efficiency during pattern recognition of multivariate variables tasks from data bases. Two data bases are analyzed; the one is generated by simulation using the Montecarlo method, and the second data base was obtained from a public data base repository. The method consists of three stages: multivariate variables generation, multivariate analysis and pattern recognition using ANN's. Several multivariate scenarios were generated using a combination of 2, 3 and 4 patterns in multivariate variables for the Hotelling's T2 and MEWMA stadistics, that were analyzed to know its behavior and to determine their statistical characteristics. The pattern recognition task was evaluated using the ANN. In both study cases, experimental results showed an improved efficiency when using the Perceptron and the Backpropagation networks compared to the RBF network