一些复杂数据的统计过程监控与诊断

With the rapid development of computer and internet technology and the broad applications of automatic sensor devices, the collections of large-scale and complex data are more possibly performed and our modern society is encountering the big data era. According to a lot of statistical problems existing in the big data, there are more difficult challenges for efficiency of methods on statistical process control. Because the scales of real-time data are huge and the information and patterns are varying with time, the accuracy and computing possibility of statistical process control have to be considered at the same time. The project combines new statistical and computation methodologies with context of practical problems and deals with monitoring and diagnosing processes and identifying outliers in big data by using advanced technology effectively. The main contents including in the project are as follows: (1) dynamic tracking and screening with functional data; (2) multivariate statistical process control with distribution free; (3) high-dimensional monitoring with FDR control (4) methodology of statistical process control based on supervising classified study. In our project, we will develop a series of comprehensive theories and numerical analyses on all problems we mentioned above and provide statistical methods, theoretical explanations and rapid algorithms feasibly and effectively. Supported by the capabilities and experiences of our project team, the research productions from.this project achieved international level can be expected.

伴随着计算机科技和互联网的迅猛发展以及自动化传感器等设备的普及应用，大规模的复杂数据快速收集得以实现，当今社会进入了大数据时代。复杂数据中有诸多的统计问题，也为统计过程控制方法(SPC)的有效性提出了很高的挑战。由于实时性高维、复杂数据的体量巨大，且数据所包含的信息、规律是随时间变化的，SPC的精度和计算可能性必须同时考虑。本项目将新的统计、计算方法和具体问题背景相结合，利用现代的科技资源来有效地处理一些复杂数据的过程监控、诊断以及异常模式识别。集中在如下方面： （一）在线函数数据异常变化监控；（二）与分布无关的多元统计过程控制；（三）基于错误发现率控制的高维数据流监控；（四）基于有监督分类学习的统计过程控制方法。我们将对上述问题进行全面的理论、数值分析，对相关的统计问题提出实际可行有效的统计方法、理论解释和快速算法。研究队伍的实力与经验使得我们预期本项目将得到有国际先进水准的成果。

伴随着计算机科技和互联网的迅猛发展以及自动化传感器等设备的普及应用，大规模的复杂数据快速收集得以实现，大数据时代中的复杂数据处理、建模及分析中有诸多的统计问题，也为统计过程控制方法(SPC)的有效性提出了很高的挑战。由于实时性高维、复杂类型、结构的数据的体量巨大，且数据所包含的信息、规律是随时间变化的，SPC的精度和计算可能性必须同时考虑。本项目在具体问题背景下，利用现代的科技资源，提出新的统计模型、统计计算方法，估计及检验方法用以有效处理一些复杂数据的过程监控、诊断以及异常模式识别。集中在如下方面： （一）在线函数数据异常变化监控；（二）与分布无关的多元统计过程控制；（三）基于错误发现率控制的高维数据流监控；（四）基于有监督分类学习的统计过程控制方法。我们将对上述问题进行全面的理论、数值分析，对相关的统计问题提出实际可行有效的统计方法、理论解释和快速算法。. 在本项目中，理论研究方面，主要从在线函数数据异常变化探查、高维数据条件设定下的非参投影检验、与分布无关的多元统计检验问题以及基于FDR检验的动态数据流监控等方面开展研究，，给出了具有创新性的算法及动态检验系统，及时、准确地做出决策，快速、连续地识别行为异常的个体，其中包括基于非参方法构造一阶段控制图，在各种分布条件下可以稳健监控包括位置参数、尺度参数以及形状参数的漂移；给出适用于监控各类高维纵向数据模型漂移的动态控制图等；在学科交叉研究方面，从迁移学习和流行数据的崭新视角讨论了近期的一些统计研究结果以及可以应用于相关领域的方法，包括多来源基于正则化的模型估计问题和迁移学习技术的推断问题等；在应用研究方面，我们针对环境气象、社交媒体、网络平台、工程项目管理等领域中的高维数据和复杂机构模型的生产和服务过程，提出简单、有效的在线分析和监督监控方法，为实际应用者及决策者提供策略及参考意见。. 共发表论文20篇，其中SCI论文9篇，其中国际工业统计顶级杂志Technometrics 1篇，国际工业工程二区杂志Quality Engineering 2篇，EI论文7篇，另有两篇论文被由中国科学院系统科学研究院主办《系统科学与复杂性学报》JSSC接收。