基于LOF算法的多维混合型数据控制图设计

为了解决含顺序型和名义型变量混合型数据的监测问题，提出了一种基于LOF算法的多维混合型数据控制图(mixed-type data local outlier factor control chart, MLOF)。在监测过程变量变化的过程中，该控制图充分考虑了顺序型变量的等级特性和名义型变量的信息熵，基于数据的密度来衡量观测点的异常程度。分别使用基于信用卡申请数据集的仿真案例和基于德国信用卡数据集的实例，对比MLOF控制图和现有混合型数据控制图在异常点检测上的表现。仿真案例共模拟了30种监测场景。结果表明，在57%的场景中，MLOF控制图的综合表现都是最好的。而实例也验证了MLOF控制图更适用于数据量大、聚类情况复杂的混合型数据监测过程中。     

基于R-Vine Copula的多维混合型数据控制图设计

多维混合型数据监测问题一直是质量控制和质量管理中的重点和难点。混合型数据包括名义型、顺序型和数值型3种类型。传统的多变量控制图往往只考虑数值型的数据，在应用中存在一定的局限性。同时，在实际场景中，各类变量之间往往存在一定的相关性，这也是在传统控制图中容易被忽略的关键点。本文通过引入Copula-Vine模型，充分利用了顺序型变量的秩相关性，建立了一种新的基于R-Vine Copula的混合型数据控制图（R-Vine Copula control chart， RVC）。通过算例比较，验证了该控制图相对于现有模型在混合型数据监测方面更强的灵活性和有效性。