基于离散Hopfield网络的自相关过程控制方法

对于自相关过程的统计控制;传统统计学方法虚发警报的概率较大;而BP人工神经网络方法权值训练困难;灵敏度不高。提出一种基于联想学习与离散Hopfield网络的自相关过程控制方法。不需任何训练样本;通过正交化编码将过程状态以吸引子的形式存储到Hopfield网络中;并利用网络的联想功能来检测自相关过程的阶跃型突变。算例研究表明;与Elman网络和EWMA方法相比;过程正常时;所提方法的平均链长（ARL）分别提高了27.9%和55.0%;过程异常时;所提方法的ARL分别降低了74.1%与81.8%以上。说明了方法的有效性与优越性。