精华内容
下载资源
问答
  • 试验设计是数理统计学领域的一个分支。它是以概 率论、数理统计、线性代数等为理论基础,科学地设计 试验方案,正确合理地分析试验结果,以较少的试验工 作量和较低的成本获取足够、可靠的有用信息。
  • 正交试验设计实例

    2014-08-24 11:37:55
    可以通过此实例研究分析正交试验设计与数据分析。
  • 为研究激光功率、扫描速度和光斑直径等因素对38CrMoAlA钢激光相变硬化效果影响的主次程度并对工艺参数进行优化,依据三因素三水平L9(33)正交试验表对该钢的激光相变硬化进行了正交试验,采用双立方二维插值法预测了...
  • 小巧好用的专业正交试验设计软件,使用简单高效,只要输入实验结果,就可立马显示分析结果及优化配方,是科研和生产中都比必不可少的软件。
  • 正交试验设计原理与实例,课程幻灯片,好资源。
  • 正交试验设计

    2015-06-06 11:51:25
    六西格码黑带的DQ实验中的正交实验设计,六西格码认证是质量工程中重要的环节,是一种解决问题的思想和工具,值得推荐.
  • 为提高对多维输入变量模型有效分析研究的能力,找出试验设计中正交性与填充空间性质的结合点,减少试验设计算法本身的复杂度,结合正交试验设计和均匀试验设计,应用对正交性及均匀性的多重度量方法提出了一种近正交...
  • 为了解决多指标正交试验方法中存在的计算工作量大,权重的确定不够合理等问题,利用矩阵分析法对多指标正交试验设计进行优化。建立正交试验的三层结构模型和层结构矩阵,将各层矩阵相乘得出试验指标值的权矩阵,并计算...
  • 正交试验设计.ppt

    2015-11-02 15:52:14
    小喇叭广播开始了:正交试验设计.ppt已上传,有需要的快来啊 教大家怎么设计正交试验,
  • 正交试验设计软件.rar

    2010-01-06 14:37:36
    正交试验设计的一个辅助软件,可以用来进行正交试验.
  • 正交试验设计,内容详尽,数学建模,正交试验
  • 正交试验设计方法

    2014-06-27 09:26:15
    正交试验设计方法
  • 以小回沟煤矿2#煤层开采形成地面沉陷为背景,结合地表实测数据及岩体弹塑性理论,通过三维数值模拟,运用"正交试验设计"法建立了一套确定岩体物理力学参数的方法。试验中以沉陷量为评价指标,模拟计算各参数不同水平组合...
  • 利用网络和其他途径,针对一定的受众进行市场调查,采用正交试验设计法分析消费者对包装设计的喜好,介绍正交试验设计法的应用过程,并给出了一个应用实例。对18~25岁的护肤品消费者进行调查分析,采用正交试验设计...
  • 这是我找的,从网络上发现的。比叫使用的和好的设计
  • 为了充分回收煤泥中的可燃体,利用煤泥筛分、浮沉试验及分步释放试验对该厂的煤泥性质进行了分析,采用正交试验设计方法分别对煤泥混合浮选、分级浮选与二次浮选3种流程进行试验研究。研究结果表明,二次浮选工艺最适宜...
  • 针对粒子群优化(particle swarmopti mization,PSO)算法在进化初期收敛速度快但容易陷入局部最优、在进化后期收敛速度变慢且精度低的缺陷,为了提高粒子群算法的收敛速度和全局寻优能力,提出了基于正交试验设计的...
  • 第五章 方差分析与正交试验设计 在科研和生产中,影响一个事物的因素有很多个。有些因素影响大,有些因素影响小。为了保证优质、高产、低消耗,就必须找出对产品质量与产量有显著影响的那些因素。 本章介绍如何充分...

    learning why, thinking what, then forgetting how.

    随着时间的流逝,知识总会被遗忘和被沉淀,我们无法选择去遗忘那一部分,但是我们可以选择去沉淀那一部分

    教材为:《数理统计(孙海燕等)》


    第五章 方差分析与正交试验设计

    在科研和生产中,影响一个事物的因素有很多个。有些因素影响大,有些因素影响小。为了保证优质、高产、低消耗,就必须找出对产品质量与产量有显著影响的那些因素。

    本章介绍如何充分利用试验诗句进行分析、推断因素影响显著性的方差分析方法。其主要任务是通过对数据的分析处理,搞清各试验条件以及它们所处的状态对试验结果的影响,以便有效地指导实践,提高经济效益或科研水平。

    本章主要介绍方差分析正交试验设计


    5.1 单因素方差分析

    为了考察某个因素对试验指标的影响,应该把影响试验指标的其他因素相对固定,而让所考虑的因素改变。其中,因素所处的不同状态称为水平

    检验单因素是否显著的问题,转化为推断具有相同方差正态总体均值是否相等的问题。

    这里判断正态均值是否相等不能使用 t-检验法:即使任两个正态总体 t-检验的显著水平为 α=0.05,当正态总体个数增多时,使用 t-检验法进行两两检验,累计误差将导致犯第一类错误的概率大大增加。Fisher 提出方差分析法,可同时推断多个正态总体均值是否相等

    方差分析的目的就是要确定数据差异主要是由随机误差引起的还是由所研究的因素的水平变化引起的。

    • 单因素试验方差分析表
    方差来源平方和 S S S自由度 f f f均方和 S ‾ \overline S S F F F
    A A A S A = ∑ i = 1 p n i ( x ‾ i ⋅ − x ‾ ) 2 S_A = \sum^p_{i=1} n_i (\overline x_{i·} - \overline x)^2 SA=i=1pni(xix)2p-1 S ‾ A = S A p − 1 \overline S_A = \frac {S_A} {p-1} SA=p1SA F = S ‾ A S ‾ e F = \frac {\overline S_A} {\overline S_e} F=SeSA
    e e e S e = ∑ i = 1 p ∑ j = 1 n i ( x i j − x ‾ i ⋅ ) 2 S_e = \sum^p_{i=1} \sum^{n_i}_{j=1} (x_{ij} - \overline x_{i·})^2 Se=i=1pj=1ni(xijxi)2n-p S ‾ e = S e n − p \overline S_e = \frac {S_e} {n-p} Se=npSe
    ∑ \sum S T = ∑ i = 1 p ∑ j = 1 n i ( x i j − x ‾ ) 2 S_T = \sum^p_{i=1} \sum^{n_i}_{j=1} (x_{ij} - \overline x)^2 ST=i=1pj=1ni(xijx)2n-1 S ‾ T = S T n − 1 \overline S_T = \frac {S_T} {n-1} ST=n1ST

    其中,组间平方和 S A S_A SA,组内平方和或误差平方和 S e S_e Se,离差平方和 S T S_T ST,且因素 A 有 p 个水平,对 A = A i A = A_i A=Ai 进行了 n i n_i ni 次试验。

    自由度确定

    • S A S_A SA:共 p 个变量,满足 1 个线性约束。
    • S e S_e Se:共 n 个变量,满足 p 个线性约束。
    • S T S_T ST:共 n 个变量,满足 1 个线性约束。

    且当假设因素 A 的水平变化对试验结果无影响时, S A S e \frac {S_A} {S_e} SeSA应该有取值偏小的趋势,则:

    • 假设 H 0 H_0 H0:因素 A 的水平变化对试验结果无影响
    • 检验统计量为: F = S ‾ A S ‾ e = S A / ( p − 1 ) S e / ( n − p ) ~ F ( p − 1 , n − p ) F = \frac {\overline S_A} {\overline S_e} = \frac {S_A / (p-1)} {S_e / (n-p)} ~ F(p-1, n-p) F=SeSA=Se/(np)SA/(p1)F(p1,np)
    • 给定显著性水平 α: P H 0 { F ≥ F 1 − α ( p − 1 , n − p ) } = α P_{H_0} \{F ≥ F_{1-α} (p-1, n-p)\} =α PH0{FF1α(p1,np)}=α
    • 拒绝域为: W = { F : F ≥ F 1 − α ( p − 1 , n − p ) } W = \{F: F ≥ F_{1-α} (p-1, n-p)\} W={F:FF1α(p1,np)}

    如果进行 F-检验后拒绝了原假设 H 0 H_0 H0,则说明因素 A 的水平变化对试验结果有影响。而至于那些因素水平下存在差别,还需要借助多重比较方法来解决,用这个方法还可以确定因素的最优水平

    在进行方差分析时,试验结果必须满足三个条件:

    1. 独立性:在试验过程中,只要很好地确保各次试验独立进行,试验结果的独立性一般很容易满足。
    2. 正态性:检验正态性的常用方法有 P e a r s o n χ 2 Pearson χ^2 Pearsonχ2 检验法等。
    3. 方差齐性:比正态性要求更为重要,在实际应用中宁可偏离正态性,也要尽可能保证方差齐性。通过检验,如果数据不具有方差齐性,可以通过适当变换,使变换后的数据具有方差齐性。

    5.2 双因素方差分析

    在两个因素的试验中,不但每一个因素单独对试验结果起作用,而且两个因素联合起来往往也会起作用,称这种作用为两个因素的交互作用。在多因素方差分析中,把交互作用当成一个新因素来处理

    无重复试验的方差分析

    无重复试验的意思是对因素 A 与因素 B 的每种搭配仅进行一次独立试验,实际上是假设因素 A 与因素 B 之间无交互作用。因为只进行了一次试验,所以将交互作用归为随机误差

    • 无重复试验的双因素试验方差分析表
    方差来源平方和 S S S自由度 f f f均方和 S ‾ \overline S S F F F
    A A A S A = q ∑ i = 1 p ( x ‾ i ⋅ − x ‾ ) 2 S_A = q \sum^p_{i=1} (\overline x_{i·} - \overline x)^2 SA=qi=1p(xix)2p-1 S ‾ A = S A p − 1 \overline S_A = \frac {S_A} {p-1} SA=p1SA F A = S ‾ A S ‾ e F_A = \frac {\overline S_A} {\overline S_e} FA=SeSA
    B B B S B = p ∑ i = 1 q ( x ‾ ⋅ j − x ‾ ) 2 S_B = p \sum^q_{i=1} (\overline x_{·j} - \overline x)^2 SB=pi=1q(xjx)2q-1 S ‾ B = S B p − 1 \overline S_B = \frac {S_B} {p-1} SB=p1SB F B = S ‾ B S ‾ e F_B = \frac {\overline S_B} {\overline S_e} FB=SeSB
    e e e S e = ∑ i = 1 p ∑ j = 1 q ( x i j − x ‾ i ⋅ − x ‾ ⋅ j + x ‾ ) 2 S_e = \sum^p_{i=1} \sum^q_{j=1} (x_{ij} - \overline x_{i·} - \overline x_{·j} + \overline x)^2 Se=i=1pj=1q(xijxixj+x)2(p-1)(q-1) S ‾ e = S e ( p − 1 ) ( q − 1 ) \overline S_e = \frac {S_e} {(p-1)(q-1)} Se=(p1)(q1)Se
    ∑ \sum S T = ∑ i = 1 p ∑ j = 1 q ( x i j − x ‾ ) 2 S_T = \sum^p_{i=1} \sum^q_{j=1} (x_{ij} - \overline x)^2 ST=i=1pj=1q(xijx)2pq-1 S ‾ T = S T p q − 1 \overline S_T = \frac {S_T} {pq-1} ST=pq1ST

    其中,组间平方和 S A , S B S_A, S_B SA,SB,组内平方和或误差平方和 S e S_e Se,离差平方和 S T S_T ST,且因素 A 有 p 个水平,因素 B 有 q 个水平。

    自由度确定

    • S A S_A SA:共 p 个变量,满足 1 个线性约束。
    • S B S_B SB:共 q 个变量,满足 1 个线性约束。
    • S T S_T ST:共 pq 个变量,满足 1 个线性约束。
    • S e : f ( S T ) − f ( S A ) − f ( S B ) S_e:f(S_T) - f(S_A) - f(S_B) Sef(ST)f(SA)f(SB)

    且当

    • 假设因素 A 的水平变化对试验结果无影响时, S A S e \frac {S_A} {S_e} SeSA应该有取值偏小的趋势
    • 假设因素 B 的水平变化对试验结果无影响时, S B S e \frac {S_B} {S_e} SeSB应该有取值偏小的趋势

    等重复试验的方差分析

    等重复试验的意思是对因素 A 与因素 B 的每种搭配进行了 r 次独立试验,将交互作用与随机误差分离开

    • 等重复试验的双因素试验方差分析表
    方差来源平方和 S S S自由度 f f f均方和 S ‾ \overline S S F F F
    A A A S A = q r ∑ i = 1 p ( x ‾ i ⋅ ⋅ − x ‾ ) 2 S_A = qr \sum^p_{i=1} (\overline x_{i··} - \overline x)^2 SA=qri=1p(xix)2p-1 S ‾ A = S A p − 1 \overline S_A = \frac {S_A} {p-1} SA=p1SA F A = S ‾ A S ‾ e F_A = \frac {\overline S_A} {\overline S_e} FA=SeSA
    B B B S B = p r ∑ i = 1 q ( x ‾ ⋅ j ⋅ − x ‾ ) 2 S_B = pr \sum^q_{i=1} (\overline x_{·j·} - \overline x)^2 SB=pri=1q(xjx)2q-1 S ‾ B = S B p − 1 \overline S_B = \frac {S_B} {p-1} SB=p1SB F B = S ‾ B S ‾ e F_B = \frac {\overline S_B} {\overline S_e} FB=SeSB
    A X B A X B AXB S A X B = r ∑ i = 1 p ∑ j = 1 q ( x i j − x ‾ i ⋅ ⋅ − x ‾ ⋅ j ⋅ + x ‾ ) 2 S_{A X B} = r \sum^p_{i=1} \sum^q_{j=1} (x_{ij} - \overline x_{i··} - \overline x_{·j·} + \overline x)^2 SAXB=ri=1pj=1q(xijxixj+x)2(p-1)(q-1) S ‾ A X B = S A X B ( p − 1 ) ( q − 1 ) \overline S_{A X B} = \frac {S_{A X B}} {(p-1)(q-1)} SAXB=(p1)(q1)SAXB F A X B = S ‾ A X B S ‾ e F_{A X B} = \frac {\overline S_{A X B}} {\overline S_e} FAXB=SeSAXB
    e e e S e = ∑ i = 1 p ∑ j = 1 q ∑ k = 1 r ( x i j k − x ‾ i j ⋅ ) 2 S_e = \sum^p_{i=1} \sum^q_{j=1} \sum^r_{k=1} (x_{ijk} - \overline x_{ij·})^2 Se=i=1pj=1qk=1r(xijkxij)2pq(r-1) S ‾ e = S e p q ( r − 1 ) \overline S_e = \frac {S_e} {pq(r-1)} Se=pq(r1)Se
    ∑ \sum S T = ∑ i = 1 p ∑ j = 1 q ∑ k = 1 r ( x i j k − x ‾ ) 2 S_T = \sum^p_{i=1} \sum^q_{j=1} \sum^r_{k=1} (x_{ijk} - \overline x)^2 ST=i=1pj=1qk=1r(xijkx)2pqr-1 S ‾ T = S T p q r − 1 \overline S_T = \frac {S_T} {pqr-1} ST=pqr1ST

    其中,组间平方和 S A , S B S_A, S_B SA,SB,交互作用引起的数据离差平方和 S A X B S_{A X B} SAXB,组内平方和或误差平方和 S e S_e Se,离差平方和 S T S_T ST,且因素 A 有 p 个水平,因素 B 有 q 个水平,每种搭配共进行了 r 次试验。

    自由度确定

    • S A S_A SA:共 p 个变量,满足 1 个线性约束。
    • S B S_B SB:共 q 个变量,满足 1 个线性约束。
    • S T S_T ST:共 pqr 个变量,满足 1 个线性约束。
    • S e S_e Se:共 pqr 个变量,满足 pq 个线性约束。
    • S A X B : f ( S T ) − f ( S A ) − f ( S B ) − f S e S_{A X B}:f(S_T) - f(S_A) - f(S_B) - f{S_e} SAXBf(ST)f(SA)f(SB)fSe

    且当

    • 假设因素 A 的水平变化对试验结果无影响时, S A S e \frac {S_A} {S_e} SeSA应该有取值偏小的趋势
    • 假设因素 B 的水平变化对试验结果无影响时, S B S e \frac {S_B} {S_e} SeSB应该有取值偏小的趋势
    • 假设交互作用 A X B 的对试验结果无影响时, S A X B S e \frac {S_{A X B}} {S_e} SeSAXB应该有取值偏小的趋势

    进行 F-检验后,如果拒绝了原假设,可以用多重比较方法辨识哪些水平的影响有显著差别,以及选取因素的最优水平。


    5.3 正交试验设计的极差分析

    正交试验设计法是利用一套现成的规格化的正交表科学地安排和分析多因素试验的方法。它的主要优点是:能在很多试验方案中挑选出代表性强的少数试验方案,并通过对这些少数试验方案试验结果的分析,推断出最优方案或生产工艺。同时它还可以做很多进一步的分析,提供出比试验结果本身多得多的对各因素的分析

    随着所考虑的因素个数及其水平数的增多,试验次数和计算量都是很大的。若有 p 个因素,每个因素有 q 个水平,每个因素的水平搭配进行 r 次重复试验,总共就要做 n = r ∗ q p n = r * q^p n=rqp 次试验,而且,对这么多试验数据进行统计分析计算,也是非常繁重的任务。 如果使用正交设计来安排试验,则试验次数会大大减少,而统计分析的计算也将会变得简单。使用正交设计可使试验次数达到至少 q 2 q^2 q2

    对正交试验结果的分析,通常采用两种方法:

    • 极差分析法
    • 方差分析法

    正交表

    • L 9 ( 3 4 ) L_9(3^4) L9(34) 正交表

    在这里插入图片描述

    如图所示, L 9 ( 3 4 ) L_9(3^4) L9(34) 正交表最多可以安排 4 个 3 水平的因子,需要做 9 次试验。值得强调的是,在正交试验设计分析中将相互作用也看成因子

    正交表的两个性质:

    1. 每个水平在每列都出现了,且每列中不同水平出现的次数相同。
      • 每个因子的各个不同水平在试验中都出现了,且出现的次数相同
    2. 在任何两列中,所有各种可能的有序对出现的次数都相同。
      • 任何两个因子各个不同水平的搭配在试验中都出现了,且出现的次数相同

    因此,正交试验设计安排的试验方案是有代表性的,能够比较全面地反映各因子、各个水平对指标影响的大致情况,并且大大地减少了试验次数。

    正交表的构造原理:forgetting how

    无交互作用的正交试验的极差分析

    1. 选择一张合适的正交表,要求试验次数要尽可能少。
    2. 安排试验,一个因子占有一列,称此为表头设计未安排因子的列称为空列,它在正交试验设计的方差分析中起着重要作用
    • 极差分析

    在这里插入图片描述

    度量 T 1 j , T 2 j , T 3 j T_{1j}, T_{2j}, T_{3j} T1j,T2j,T3j 之间差异程度大小最简单的量是极差

    极差越大,说明这个因素的水平改变对试验结果影响就越大,因而极差最大的那一列所安排的因素就是对试验结果影响最大的因素,也就是最主要的因素。依照极差从大到小的排序,就可以对影响试验结果的因素主次进行排序。习惯上,用分号将极差相差过大的因子隔开,用逗号将极差相差不大的因子隔开。

    最优试验方案的确定涉及到要选取每个因素的最优水平,而选取水平的策略与所考虑的指标有关。如果指标取值越大越好,则应该选取各列中 T 1 j , T 2 j , T 3 j T_{1j}, T_{2j}, T_{3j} T1j,T2j,T3j 达到最大的那个水平;反之选取最小的那个水平。

    需要指出的时,最优试验常常不在已做过的试验方案之中。这是因为正交表安排的试验是全部可能搭配的试验的典型代表,通过正交表安排的试验能从所有可能搭配的试验中挑选出最好的搭配方案,这正体现了正交试验设计的优越性

    有交互作用的正交试验的极差分析

    用正交表安排有交互作用的试验时,由于要把交互作用看成一个因子,因此它要在正交表上占有一列或几列,称所占的列为交互作用列

    交互作用列的位置由交互作用列表确定,安排了交互作用的列不能再安排其他因素,否则在这列上就会出现混杂现象,导致无法区分该列的极差是由交互作用引起的还是由所安排的其他因素引起的。

    • L 8 ( 2 7 ) L_8(2^7) L8(27) 的交互作用列表

    在这里插入图片描述

    在进行表头设计时,应避免混杂现象。当所考察的因子和交互作用较多时,较小的表无法避免混杂,可以选择更大的正交表,而这会使试验次数增多,试验成本提高。当选定正交表后,若混杂不可避免:

    1. 避免交互作用与单独因子的混杂;
    2. 避免重点考察的交互作用之间的混杂;
    3. 避免重点考察的交互作用与其他交互作用的混杂;
    4. 否则,就只能选择更大的正交表。

    交互作用所在列内的水平无任何实际意义,并不代表任何实际水平,它对决定试验方案不起任何作用,仅在做方差分析时要用到,仅仅依安排因素的列内水平来安排相应的试验即可。

    • 极差分析

    在这里插入图片描述

    当所研究的指标不是单增或单减时,可以进行适当的变换,使其为单增或单减。

    在选择最优方案时,水平的选择次要因子应该服从主要因子。若交互作用对试验结果的影响在单独因子之前,最优水平要从交互作用来考虑。通常将两个因素的各种水平搭配下对应的试验结果之和列成表格,称为搭配表二元表

    • 因素 A 与 B 的水平搭配表

    在这里插入图片描述

    • 因素 B 与 C 的水平搭配表

    在这里插入图片描述

    在实际应用中,为了提高统计分析结果的可靠性,条件允许时,往往会对正交试验安排的每一个试验方案进行多次试验,分别计算平均值,将其看成各试验方案下的试验数据。

    若所考察的因素有 3 个或以上水平,则交互作用的分析比较复杂,不便于应用极差分析法,通常采用方差分析法


    5.4 正交试验设计的方差分析

    极差分析方法的优点是简单直观,但是没有将试验过程中由因素水平变化引起的数据波动同由试验随机误差引起的数据波动区分开来,因而不能真正区分试验结果的差异究竟是由水平变化所引起的,还是由试验随机误差所引起的。进一步,我们需要一个客观标准来判断所考察的因素对试验结果的影响是否显著

    不考虑交互作用的正交试验的方差分析

    方差分析除了计算极差,还计算了总离差平方和各个因素水平变化引起的离差平方和

    • 方差分析

    在这里插入图片描述

    空列误差列,其方差平均值为误差平方和

    • 离差平方和小于误差平方和的因素可以认为其影响不显著,并归为误差处理
    • 给定显著性水平 α,根据因素的 F-值来判断其影响是否显著;或者使用 p-值来判断其影响是否显著
      • F 因 = S 因 / f 因 S e / f e ~ F ( f 因 , f e ) F_因 = \frac {S_因 / f_因} {S_e / f_e} ~ F(f_因, f_e) F=Se/feS/fF(f,fe)
      • 拒绝域为: W 因 = { F 因 ≥ F 1 − α ( f 因 , f e ) } W_因 = \{F_因 ≥ F_{1-α}(f_因, f_e)\} W={FF1α(f,fe)}

    考虑交互作用的正交试验的方差分析

    在有交互作用的情形下,若用正交表 L n ( t m ) L_n(t^m) Ln(tm) 来安排试验,则每一列的自由度为 t-1,而任意两列的交互作用的自由度为 (t-1)(t-1),因此任意两列的交互作用都要在正交表 L n ( t m ) L_n(t^m) Ln(tm) 上占用 t-1 列。(在交互作用列表上可以查到 t-1 列

    求解:forgetting how


    5.5 均匀设计

    所有的试验设计方法本质上都是在试验的范围内给出挑选代表性点的一个方法。

    正交设计是根据正交性来挑选代表点,在挑选代表点时有两个特点:均匀分散,整齐可比。但为了在达到整齐可比,正交设计的试验点并没有能做到充分均匀分散,而也使得其试验布点的数目比较多。

    均匀设计是基于试验点在整个试验范围内均匀散布的从均匀性角度出发的一种试验设计方法,是数论方法中的伪蒙特卡罗方法的一个应用。均匀设计可极大地降低试验的次数,正交试验必须至少要做 q 2 q^2 q2 次试验,而均匀设计只需要 q 次试验,其中 q 为因素的水平数。均匀设计失去了正交设计的整齐可比性,但更注重了均匀性,在选点方面有更大的灵活性。

    • 水平数多,因素数多:均匀设计
    • 水平数少,因素数少:正交设计
    • 正交设计和均匀设计结合使用

    求解:forgetting how

    展开全文
  • 正交试验设计的基本步骤

    千次阅读 2019-09-06 10:49:28
    一般正交试验过程为:设计试验方案、进行试验和记录、分析处理试验结果;(三个阶段) 实验步骤: 1.明确试验目的和试验指标; 2.确定试验因子,合理选择因子水平; 3.正确选择正交表,设计试验方案; 4.按照试验...

    一般正交试验过程为:设计试验方案、进行试验和记录、分析处理试验结果;(三个阶段)
    实验步骤
    1.明确试验目的和试验指标;
    2.确定试验因子,合理选择因子水平;
    3.正确选择正交表,设计试验方案;
    4.按照试验设计方案进行试验和记录数据;
    5.进行极差计算;
    6.确定主次要因子;
    7.在正交表中选出最优组合;
    8.确定最优组合。

    展开全文
  • 正交试验设计PPT教程

    2018-07-10 17:00:15
    正交试验设计PPT教程 正交试验设计PPT教程
  • 正交试验设计

    2020-03-23 17:36:59
    正交实验设计法是指从大量的()中挑选出适量的、有代表性的点,理论依据Glois理论导出“正交表”,从而合理的安排实验。 正确答案: 第一空: 实验点 我的答案: 第一空: 实验点 2【填空题】 正交实验...

    1【填空题】

    正交实验设计法是指从大量的()中挑选出适量的、有代表性的点,理论依据Glois理论导出“正交表”,从而合理的安排实验。           

     

    正确答案:

    第一空: 

    实验点

    我的答案:

    第一空: 

    实验点

    2【填空题】

    正交实验设计法包含了()()()3个关键因素。

     

    正确答案:

    第一空: 

    指标

    第二空: 

    因子

    第三空: 

    因子的状态

    我的答案:

    第一空: 

    指标

    第二空: 

    因子

    第三空: 

    因子的状态

    3【填空题】

    正交表最大的特点是()、齐整可比,每一列中每种数字出现的次数都相等,即每种状态的取值次数相等。  

     

    正确答案:

    第一空: 

    取点均匀分散

    我的答案:

    第一空: 

    取点均匀分散

    展开全文
  • 为了解决多指标正交试验方法中存在的计算工作量大,权重的确定不够合理等问题,利用矩阵分析法对多指标正交试验设计进行优化。建立正交试验的三层结构模型和层结构矩阵,将各层矩阵相乘得出试验指标值的权矩阵,并...
  • 在分解炉计算机仿真试验平台进行仿真试验的基础上提出了正交试验设计方法,并以DD型分解炉为例进行了分解炉结构参数的优化设计,经过对试验结果的统计分析和方差分析,得到了影响显著性因子R1和优化结果:分解炉下...
  • 以杭州城市污水处理厂脱水污泥为原料,基于正交试验设计的理论基础,开展了污泥低温热解制取固、液、气三相燃料产物的反应条件优化研究.以三相产物的产率和热值为评价指标,确定了影响低温热解性能的因素主次关系...
  • 根据正交试验设计原理,考虑聚合物浓度、聚合物用量、注入速度、注采比四个因素,每个因素取三个水平,进行正交试验设计,以采收率增量、吨聚增油量和综合指标为评价指标,优化得到最优的注聚参数组合,以减少试验的...
  • 正交试验设计论文.doc

    2021-10-03 12:08:18
    正交试验设计论文.doc

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 5,004
精华内容 2,001
关键字:

正交实验设计