14.7
Методология поверхности отклика, или RSM, — это статистический метод, который анализирует несколько входных переменных или факторов, потенциально влияющих на переменную отклика.
Первым шагом в RSM является проведение экспериментов для понимания закономерностей и эффектов входных переменных, как по отдельности, так и в различных комбинациях. В этих экспериментах обычно используются факторные или центральные композитные конструкции.
Второй шаг включает в себя построение математической модели, описывающей взаимосвязь между входными переменными и переменными ответа.
Полиномиальная модель часто подгоняется к данным, чтобы как можно точнее аппроксимировать истинную поверхность отклика в пределах интересующей области.
Затем оценивается значимость каждой переменной, их эффекты взаимодействия между переменными и общее соответствие модели.
Затем аппроксимированная модель используется для прогнозирования реакции для различных комбинаций входных переменных, а методы оптимизации применяются для определения оптимальных условий.
Наконец, оптимальные условия, выявленные моделью, проверяются в дополнительных экспериментах.
Методология поверхности отклика (RSM) представляет собой набор статистических и математических методов, используемых для разработки, улучшения и оптим…
Методология поверхности отклика, или RSM, — это статистический метод, который анализирует несколько входных переменных или факторов, потенциально влияющих на переменную отклика.
Первым шагом в RSM является проведение экспериментов для понимания закономерностей и эффектов входных переменных, как по отдельности, так и в различных комбинациях. В этих экспериментах обычно используются факторные или центральные композитные конструкции.
Второй шаг включает в себя построение математической модели, описывающей взаимосвязь между входными переменными и переменными ответа.
Полиномиальная модель часто подгоняется к данным, чтобы как можно точнее аппроксимировать истинную поверхность отклика в пределах интересующей области.
Затем оценивается значимость каждой переменной, их эффекты взаимодействия между переменными и общее соответствие модели.
Затем аппроксимированная модель используется для прогнозирования реакции для различных комбинаций входных переменных, а методы оптимизации применяются для определения оптимальных условий.
Наконец, оптимальные условия, выявленные моделью, проверяются в дополнительных экспериментах.
View the full transcript and gain access to JoVE Core videos
Explore Related Chapters
















From Chapter 14:
Now Playing
Biostatistics
1.0K Views
Biostatistics
5.0K Views
Biostatistics
2.8K Views
Biostatistics
2.9K Views
Biostatistics
2.2K Views
Biostatistics
752 Views
Biostatistics
1.9K Views
Biostatistics
2.7K Views
Biostatistics
2.5K Views
Biostatistics
2.4K Views
Biostatistics
1.3K Views
Biostatistics
678 Views
Biostatistics
1.9K Views
Biostatistics
1.8K Views
Biostatistics
1.8K Views
See More