一、概念

1、单因素优选法

是指在安排实验时,影响实验指标的因素只有一个。或者是虽然实验指标的因素有多个,但是只考虑一个影响程度最大的因子,而让其余因素都固定在理论或经验上的最优水平保持不变。实验目的就是在一个可能包含最优点的实验范围[a,b]内寻求这个因素的最优取值,以得到优化的实验目标。

2、目标函数

就是度量实验指标的一元函数,可能是单调上升函数、单调下降函数、单峰函数、多峰函数等形式。

转化为单峰函数的方法一般有:减去一个数后取绝对值、以增加值作为实验指标等

二、单因素实验设计方法

(一)均分法

特点:①在实验范围[a,b]内等间隔安排实验点。

②能在对目标函数没有先验认识的场合(y与x的关系未知)下作为了解目标函数的前期工作,也可以确定有效的实验范围。

使用条件:目标函数是单峰函数。

使用技巧:考虑实验成本(比如时间限制)的前提下,尽量通过区组化设计实现批量实验(整体设计),即让各个实验点对应的处理同时进行,“一次过”,从而降低实验成本。

(二)对分法(等分法、平分法)

使用条件:①目标函数是单调函数。

②要求是序贯实验,只有在每一次实验后再确定下一次实验的位置。

举例:比如查找地下输电线路的故障、排水管道的堵塞位置等。

特点:每次实验都可以把查找目标的范围减小一半,通过n次实验就可以把目标范围锁定在长度为的范围内,效率高。

(三)黄金分割法(0.618法)

使用条件:①在实验范围内目标函数为单峰。

②实验因素水平方便精确度量。

特点:①每次在实验范围内选取0.382和0.618这两个对称点做实验。

②来回调试,总是舍弃两端选取中间,不断逼近最优。

③第一步需要做两个实验,以后每步只需要再做一个实验。

④经过n步实验后保留的实验范围至多是最初的倍。

⑤是连续化的斐波那契法。

(四)分数法(斐波那契法)

原理:利用斐波那契(Fibonacci)数列安排实验,数列如下图:

使用条件:①目标函数为单峰。

②实验次数预先给定,因素水平数目仅取整数值或有限个值时更适用。如果因素水平m恰好是某个斐波那契数,就利用那个斐波那契数;如果因素水平数目不是斐波那契数,往往需要增加几个虚拟水平,即选取比其大的最近的一个斐波那契数。

(五)分批实验法

使用条件:单个实验需要很长时间、成本很大。

优点:①预想实验结果,将实验步骤合并,让多个实验同时进行。

②可以在只增加1/3的实验次数时把实验周期减少一半。

实验设计第四讲 单因素优选法相关推荐

  1. 第四节 单因素、多因素方差分析

    第四节 单因素.多因素方差分析 单因素方差分析 适用条件:单因素方a差分析用来检验3组以上的样本数据是否来自均值相等的总体. 原理:单因素方差分析是独立样本t检验的拓展性分析内容,独立样本t检验只能检 ...

  2. 【VisionMaster 行业应用案例】第四讲 单相机螺纹测量应用

    目录 前言 场景介绍 硬件选型 成像分析&方案设计 方案搭建 总结 前言 本案例是真实的"高血压"需求,物料无明显特征,只能观察图像来分析特征,方案设计具有一定挑战性.但是 ...

  3. UA MATH571B 试验设计III 单因素试验设计2

    UA MATH571B 试验设计III 单因素试验设计2 非平衡试验 验证单因素ANOVA的假设 残差图 正态性 Kolmogorov-Smirnov检验 Cramer-von Mises检验 And ...

  4. 深蓝-视觉slam-第四讲学习笔记

    第四讲 相机模型 非线性优化 - 针孔相机模型与图像 - 实践:OpenCV/RGBD图像拼接 - 批量状态估计问题 - 非线性最小二乘法 - 实践:Ceres和g20(非线性优化库,图优化库) 批量 ...

  5. 视觉 SLAM 十四讲 —— 第十三讲 建图

    视觉 SLAM 十四讲 -- 第十三讲 建图 在前端和后端中,我们重点关注同时估计相机运动轨迹与特征点空间位置的问题.然而,在实际使用 SLAM 时,除了对相机本体进行定位之外,还存在许多其他的需求. ...

  6. mse均方误差计算公式_视觉SLAM十四讲实践之真实轨迹和估计轨迹均方根误差

    为了理解RMSE首先介绍一些统计学的概念, 然后介绍SLAM领域里面的计算精度ATE和RPE的用法. 中位数 一组数据按大小顺序排列,位于最中间的一个数据 (当有偶数个数据时,为最中间两个数据的平均数 ...

  7. SLAM十四讲笔记1

    文章目录 ch02 初识SLAM ch02-01 经典视觉SLAM框架 ch02-02 SLAM问题的数学表述 ch03 三维空间刚体运动 ch03.01 旋转矩阵:点和向量,坐标系 01 向量a在线 ...

  8. UA MATH571B 试验设计III 单因素试验设计1

    UA MATH571B 试验设计III 单因素试验设计 单因素ANOVA 模型设定与假设 ANOVA F检验 单因素ANOVA 方差分析(Analysis of Variance,ANOVA)是两样本 ...

  9. 斯坦福大学深度学习与自然语言处理第四讲:词窗口分类和神经网络

    斯坦福大学在三月份开设了一门"深度学习与自然语言处理"的课程:CS224d: Deep Learning for Natural Language Processing,授课老师是 ...

最新文章

  1. 区块链共识机制及其迭代
  2. spss相关性分析_SPSS有话说:如何得出问卷或量表的结构或维度——探索性因素分析...
  3. 008 释放技能call分析
  4. Swift函数_默认参数
  5. 凭证 90000000 保存(帐户确定出错)
  6. pytorch模型部署
  7. C++_类和对象_封装_属性和行为做为整体_封装案例---C++语言工作笔记036
  8. scala-jdbc-scalike操作jdbc数据库
  9. Rust : 闭包、move、复制与移动语义
  10. python jupyter notebook下载_Jupyter notebook 安装
  11. EPLAN P8.2.7 学习版安装教程(适用于 Win10 64位)
  12. linux 蓝牙 profile,Linux_Linux系统下蓝牙立体声配置A2DP profile,系统配置:Linux debian 2.6.22.6 #7 - phpStudy...
  13. 学习matlab(四)——概率与数理统计
  14. python+mysql+基于python的学生成绩管理系统 毕业设计-附源码071143
  15. 数学家闯了红灯会怎样?
  16. Cisco 交换、路由和无线基础期末考试答案
  17. Android之消息推送聊天实现
  18. 数据库学习(十)— 查询演练
  19. 【小松教你手游开发】【unity实用技能】Unity图片变灰的方式
  20. 个人制作的关于Oracle的PPT

热门文章

  1. 闭区间套定理证明实数集不可列
  2. sarscape5.6.2 结果在arcgis中制图(1简洁版)
  3. 用HTML+CSS6音乐吧 7页
  4. 网络经济与企业管理初识(一)
  5. vue2 中 ref 的使用
  6. 服务器上运行Selenium
  7. linux 6 服务搭建,Linux CentOS6.8搭建sftp服务
  8. extjs 添加css样式_ExtJS自定义css样式
  9. Java开发者福音 阿里巴巴宣布连任Java全球管理组织席位
  10. CSS3 Box Shadow