响应面方法讲解.ppt

多种模型方差分析 方差来源 平方和 自由度 均方 F值 概率F 平均模型总计 51795.84 1 51795.84 建议采用 线性模型平均模型 2042.27 3 680.76 2.2353 0.1236 双因素 线性模型 249.23 3 83.08 0.2336 0.8714 二次方程 双因素 2490.45 3 830.15 3.8916 0.0443 建议采用 三次方程二次方程 1852.62 5 370.52 6.6029 0.0294 较差 剩余方差 280.58 5 56.12 总计 58710.98 20 2935.55 R2综合分析 类型 标准 R2 R2 R2 预测残差 偏差 校正值 预测值 平方和 线性模型 12.900 0.307 0.146 -0.167 3639.323 双因素 13.831 0.387 0.019 -0.966 6133.650 二次方程 6.946 0.892 0.752 -0.673 5219.480 建议采用 三次方程 1.789 0.996 0.984 较差 拟合公式的处理方法，一般取默认即可 点击该处可以让一些变量在图中不显示 选项卡取默认值，再点击选项卡 模型要求显著 失拟项要求不显著 这两个参数是衡量有益于响应面分析的指标 例如本试验中，拟合的方程显著性不好，显示为不显著 方差分析（ ）选项卡，方差显著性检验、系数显著性检验、回归方程。 再点击选项卡 编码自变量A、B、C的二次多项回归方程 真实自变量停留时间 、 值、 比的二次多项回归方程 拟合方程中的系数值 二次方程模型置信度分析 因素 参数估计 自由度 标准偏差 95%置信区间 95%置信区间 显著因素 取值 58.200 1 3.107 50.854 65.546 停留时间 2.613 1 2.456 -3.195 8.420 1.000 值 -4.050 1 2.456 -9.857 1.757 1.000 比 9.813 1 2.456 4.005 15.620 1.000 4.675 1 3.473 -3.538 12.888 1.000 -1.150 1 3.473 -9.363 7.063 1.000 -6.275 1 3.473 -14.488 1.938 1.000 A2 14.175 1 3.385 6.170 22.180 1.006 B2 11.700 1 3.385 3.695 19.705 1.006 C2 2.775 1 3.385 -5.230 10.780 1.006 响应面设计与实验数据处理 响应面优化法 响应面优化法（相应曲面法； ， ），是20世纪90年代初西方所兴起的一种实验统计方法。响应曲面等值线的分析寻求最优工艺参数，将复杂的未知的函数关系，在小区域内用简单的一次或二次多项式模型来拟合因素与响应值之间函数关系的一种统计方法。适宜于解决非线性数据处理的相关问题。 囊括了试验设计、建模、检验模型适合性、寻求最佳组合条件等众多实验和统计技术；通过对过程的回归拟合和响应曲面与等高线的绘制、可方便地求出响应于各因素水平的响应值。在各因素水平的响应值的基础上，找出预测的响应最优值以及相应的实验条件。 前提：设计的实验点应包括最佳的实验条件，如果实验点的选取不当，使用响应面优化法是不能得到很好的优化结果的。因而，在使用响应面优化法之前，应当确立合理的实验的各因素与水平。 响应面即回归的正交试验设计，考虑了实验随机误差；可以在因素的试验范围内选择适当的试验点，用较少的试验建立一个精度高，统计性质好的回归方程，并能解决试验优化问题。 所获得的预测模型是连续的，与正交实验相比，其优势是：在实验条件寻优过程中，可以连续的对实验的各个水平进行分析，而正交实验只能对一个个孤立的试验点进行分析。 正交试验设计所得到的优方案只能限制在已定的水平上，而不是一定试验范围内的最优方案；回归分析可以对结果进行预测和优化，但只能被动的处理和分析。两者的优势结合起来，有合理的试验设计和较少的试验次数，建立有效的数学模型。 许多试验设计与优化方法，特别是在做回归分析过程中，都未能给出直观的图形，因而也不能凭直觉观察其最优化点，虽然能找出最优值，但难以直观地判别优化区域。 响应面分析是将体系的响应（如萃取化学中的萃取率）作为一个或多个因素（如萃取剂浓度、酸度等）的函数，运用图形技术将这种函数关系显示出来，以供我们凭借直觉的观察来选择试验设计中的最优化条件。 响应面设计模型种类 中心组合设计（ ，包括通用旋转组合设计、二次组合设计等） 设计（设计） 二次饱和和最优设计（设计） 均匀设计 田口设计 ...... 可以进行响应面分析的实验设计有多种，比如