Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Hidden Markov Models for Analysis of Defective Industrial Machine Parts

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F46747885%3A24210%2F14%3A%230006649" target="_blank" >RIV/46747885:24210/14:#0006649 - isvavai.cz</a>

  • Výsledek na webu

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Hidden Markov Models for Analysis of Defective Industrial Machine Parts

  • Popis výsledku v původním jazyce

    Monthly counts of industrial machine part errors are modeled using two-state hidden Markov models (HMMs) in order to describe the effect of machine part error correction on the likelihood of the machine parts to be in a ?defective? or ?non-defective? state. A Bayesian framework is used for parameter estimation. The study finds that the machine part error correction does not improve the machine part status of individual part, but there is a very strong month-to-month dependence of machine part states. Acomparison shows that the proposed HMM has a better performance than the traditional Poisson generalized estimating equations (GEE) that directly model the counts.

  • Název v anglickém jazyce

    Hidden Markov Models for Analysis of Defective Industrial Machine Parts

  • Popis výsledku anglicky

    Monthly counts of industrial machine part errors are modeled using two-state hidden Markov models (HMMs) in order to describe the effect of machine part error correction on the likelihood of the machine parts to be in a ?defective? or ?non-defective? state. A Bayesian framework is used for parameter estimation. The study finds that the machine part error correction does not improve the machine part status of individual part, but there is a very strong month-to-month dependence of machine part states. Acomparison shows that the proposed HMM has a better performance than the traditional Poisson generalized estimating equations (GEE) that directly model the counts.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

    JR - Ostatní strojírenství

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach<br>I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Ostatní

  • Rok uplatnění

    2014

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Proceedings of the International MultiConference of Engineers and Computer Scientists 2014

  • ISBN

    978-988-19253-3-6

  • ISSN

    2078-0958

  • e-ISSN

  • Počet stran výsledku

    5

  • Strana od-do

    1100-1104

  • Název nakladatele

  • Místo vydání

    Hong Kong

  • Místo konání akce

    Hong Kong

  • Datum konání akce

    1. 1. 2014

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku