实验优化设计教程解析.ppt

实验设计与优化 李硕 DOE（Design of Experiment） 单因素分析法 正交分析 正交表 Factorial design MINITAB 其它应用 混合实验设计 Example 1 Example 2 求解 过程优化 响应面分析法 应用 基本思想 实际案例 得到方程后作图 最优工艺的获得 最佳工艺的验证 因素水平的选择 因素选择（基本判断，析因分析） 水平选择 神经网络优化法 人工神经网络的典型结构 应用 缺陷 步骤 建立模型 验证模型 模型具有良好的延展性 可以利用上述的分析进行最优工艺的推导，对得到的回归方程取一阶偏导数为零得到： 利用机器模仿人类的智能是长期以来人们认识自然、改造自然和认识自身的理想。人工神经网络的发展可分为三个阶段：1943年，美国心理学家W. McCull och和数学家W. Pitts在提出了一个简单的神经元模型，即MP模型。1958年F. RoSenb1att等研制出了感知机（Perceptron）。1982年，美国物理学家J.J. Hopfield提出Hopfield模型，它是一个互联的非线性动力学网络他解决问题的方法是一种反复运算的动态过程。这是符号逻辑处理方法所不具备的性质。1987年首届国际人工神经网络（Artificial Neural Networks, ANN）大会在圣地亚哥召开，国际ANN联合会成立，创办了多种ANN国际刊物。1990年12月，北京召开首届学术会议，这是人工神经网络发展的第二次热潮。 人工神经网络是一类模拟人脑功能的信息加工处理系统，其理论基础是对真实的生理神经网络进行数学抽象而得到人工网络的数学模型。它能够通过对样本的提炼与分析，获取数学模型，再通过对模型输出值与实际测量值之间的比对来不断更正模型本身误差的“训练”过程，获得准确的反应数据内在规律的数学模型。从表现特征上来看，人工神经网络也力求模拟生物神经系统的基本运行方式，它可以通过“训练”过程，将蕴含在一个较大数据集中的数据联系抽象出来。就像人们可以不断的摸索规律、总结经验一样，可以从先前得到的例子按要求产生出新的实例，在一定程度上实现“举一反三”的功能。 BP算法 应用统计软件MATLAB，Braincom 虽然理论上早已经证明，具有1个隐层（采用Sigmoid转换函数）的BP网络可实现对任意函数的任意逼近。但遗憾的是，迄今为止还没有构造性结论。即在给定有限个（训练）样本的情况下，如何设计一个合理的BP网络模型并通过向所给的有限个样本的学习（训练）来满意地逼近样本所蕴含的规律的问题，目前在很大程度上还需要依靠经验知识和设计者的经验。因此，通过训练样本的学习（训练）建立合理的BP神经网络模型的过程，在国外被称为“艺术创造的过程”，是一个复杂而又十分烦琐和困难的过程。 * 单因素分析法 正交分析法 析因分析 混合设计 响应面分析技术 神经网络分析技术 最简单最基本的因素分析 试验设计与数据分析一般分四步，一是试验的设计，二是进行试验，三是数据分析，四是验证试验。 在实际问题中，影响指标的因子往往有很多，这便是多因子的试验设计问题。多因子试验遇到的最大困难是试验次数太多，让人无法忍受。选择哪些条件进行试验十分重要，这便是试验的设计。一个好的设计，可以通过掌上掌上少量试验获得较多信息，达到试验的目的。 众多因素中查找重要影响因素 简要的各因素之间相互的影响 有非常广泛的应用。 Q=3.291X+2.858Y+3.146Z +5.418XY+3.755YZ+ 8.527XZ 多因素对结果的影响是一个复杂的相互作用的过程，而我们进行过程的优化，就是将影响过程的所有因素最佳化，使结果最优。它通常包括一下几个步骤：1所有影响因子的确认；2影响因子的筛选，以确定各个因子的影响程度；3根据影响因子和优化的要求，选择优化策略；4实验结果的数学或统计分析，以确定其最佳条件；5最佳条件的验证。 为了弥补传统的单次单因素法的缺陷，近年来越来越多的统计优化技术得到了广泛的应用，通常的统计优化技术包括一下几个步骤：1实验设计；2实验结果的数据分析，以得到合适的数学模型；3数学模型的检验；4求解最优化值及其校验。常见的优化技术包括有模式识别法，单纯行法，响应面分析法，人工神经网络法等。 响应面分析法（Response Surface Methododlogy, RSM）是于1951年由Box-Wilsong开发的应用于化学过程因素优化的一种综合性方法。响应面法的目的就是试图利用数学模型来描述实验的影响因素与目标响应值之间的关系，并以此为根据，确定最佳条件。该法能