回归正交设计

实验内容：P201习题2、5

模版：

实验3 回归正交试验设计

◆实验目的

掌握回归正交试验设计原理及统计分析方法，并能通过SAS编程实现

◆实验内容及实验步骤

1某橡胶制品有橡胶，竖直和改良剂复合而成，为提高撕裂强度，考虑进行一次响应曲面正交设计，三个变量的取值范围分别为：

Z：橡胶中等成分的含量0~20

Z：树脂中等成分的含量10~20

Z：改良剂的阿百分比0.1~0.3

（2）如果在试验中心进行了四次重复试验，结果分别为：417，401，455，439，试检验在区域中心一次响应曲面方程是否合适？

实验步骤：

I)在SAS系统软件中对该数据进行一次相应曲面正交试验设计，程序如下：data raw1;

input tno x1 x2 x3 y @@;

cards;

1 -1 -1 -1 407

2 -1 -1 1 421

3 -1 1 -1 322

4 -1 1 1 371

5 1 -1 -1 230

6 1 -1 1 243

7 1 1 -1 250

8 1 1 1 259

;

proc print data = raw1; proc glm data =raw1; model y= x1 x2 x3 ; Run

;

321625.10375.12375.67875.312x x x y +--=

从方差分析结果来看，2x 和3x 的显著性不高，可推断该曲面方程的忽略了几个变量之间的交互作用，但是拟合度已经达到90.2027%，整个实验还是显著的。 II) 一次响应曲面方程的最大值是403.25，而四次重复试验的结过分别为417，

401，455，439，其中的三个结果都超出了一次相应曲面方程的最大值，所以在区域中心的一次相应曲面方程是不合适的。下面再对三个变量的交互作用进行二次相应曲面方程拟合。程序如下： data raw1;

input tno x1 x2 x3 y @@; cards ;

1 -1 -1 -1 407

2 -1 -1 1 421

3 -1 1 -1 322

4 -1 1 1 371

5 1 -1 -1 230

6 1 -1 1 243

7 1 1 -1 250

8 1 1 1 259

9 0 0 0 417

10 0 0 0 401 11 0 0 0 455

12 0 0 0 439

;

data reg1;set raw1;

x1x2=x1*x2;x1x3=x1*x3;x2x3=x2*x3;

x1x1=x1*x1;x2x2=x2*x2;x3x3=x3*x3;

proc print data=reg1;

proc glm data=reg1;

model y= x1 x2 x3 x1x2 x1x3 x2x3 x1x1 x2x2 x3x3;

run;

结果2

通过上面的图标可以看出，数据的拟合度已经达到了97.6273%，这样的拟合度是相当高的，在该种拟合状况下的二次响应曲面方程式是：

1

132312132112.115875.3125.5375.21625.10375.12375.67428x x x x x x x x x x x y -+-++--=

该种情况下，虽然拟合程度很高，但是我们仍然可以看到，x2、x3、x1x3的显著性不是很好。

表一

表二

实验步骤

1）先对第一个表格中的数据进行二次响应曲面方程拟合，这里有13组数据，所以m=13,取γ=1.414，

e=m+2*γ^2=15,c=e/13.在SAS 统计软件中，该拟合过程所需程序如下： data raw1;

input tno x1 x2 y @@; cards ;

1 -1 -1 54

2 -1 1 45

3 1 -1 32

4 1 1 47

5 -1.414 0 50

6 1.414 0 53

7 0 -1.414 47

8 0 1.414 51

9 0 0 41 10 0 0 39 11 0 0

44 12 0 0 42 13 0 0 40 ;

data reg1;set raw1;

c=15/13;

x1x2=x1*x2;

x11= x1*x1-c;

x22= x2*x2-c;

x1x1=x1*x1;x2x2=x2*x2;

proc print data=reg1;

proc glm data=reg1;

model y= x1 x2 x1x2 X11 X22;

run;

结果2.1

输出结果如下：

由输出结果可以知道相应的二次响应曲面方程应是：

Y=48.3255-1.9700x1+1.4572x2+6x1x2+3.7126x11+2.4622x22 方程仅能解释67.14%的信息，说明拟合方程不理想。

把方程写成矩阵的形式：y=A+x’B+x’Tx.

所以有x=(x1,x2)’;A=48.3255; B=(-1.97,1.4572)’;

T=

.

T的特征值（对角线上的值）是：

要想对方程进行典范分析还需要求出该方程的极值点，

这里求得的极值点X0=（32.66495，-40.09563），Y0=-13.0626

所以该响应曲面的典范形式是

Y=-13.0626+0.0229w1^2+6.1519w2^2,因为这里的两个特征值都大于0，所以Y0在X0处取得极小值。

在LINGO软件里编程如下可以得到极值。

程序如下：

Min=y;

Y=48.3255-1.9700*x1+1.4572*x2+6*x1*x2+3.7126*x1^2 +2.4622*x2^2

;

x1>=-1.414;x1<=1.414;

x2>=-1.414;x2<=1.414;

x3>=-1.414;x3<=1.414;

输出结果如下：

结果2.2

在SAS程序中增加如下程序可以得到下面的两个图：

data reg1;

do x1=-1.414to 1.414by0.05;

do x2=-1.414to 1.414by0.05;

Y=48.3255-1.9700*x1+1.4572*x2+6*x1*x2+3.7126*x1**2+2.4622 *x2**2;

output;

end;

end;

proc g3d;

plot x1*x2=y;

proc gcontour;

plot x1*x2=y;

run;

结果2.3

结果2.4

由上面的两个图，我们可以看出，当X1取负时，随着X1的增加，X2逐渐减小。当X1大于0时，随着X1的增加，X2有小幅度的增加然后又减小。这两组数的改变没有一定的线性关系。

2）对第二个表格中的数据进行二次响应曲面方程拟合，这里有20组数据，所以m=20,这里取γ=1.682，

e=m+2*γ^2=25.6582,c=e/20.在SAS统计软件中，该拟合过程所需程序如下：data raw1;

input tno x1 x2 x3 y @@;

cards;

1 -1 -1 -1 66

2 -1 -1 1 70

3 -1 1 -1 78

4 -1 1 1 60

5 1 -1 -1 80

6 1 -1 1 70

7 1 1 -1 100

8 1 1 1 75

9 -1.682 0 0 100

10 1.682 0 0 80 11 0 -1.682 0 68

12 0 1.682 0 63

13 0 0 -1.682 65

14 0 0 1.682 82

15 0 0 0 113

16 0 0 0 100

17 0 0 0 118

18 0 0 0 88

19 0 0 0 100

20 0 0 0 85;

;

data reg1;set raw1;

c=25.6582/20;

x1x2=x1*x2;x1x3=x1*x3;x2x3=x2*x3; x11= x1*x1-c;

x22= x2*x2-c;

x33= x3*x3-c;

x1x1=x1*x1;x2x2=x2*x2;x3x3=x3*x3;

proc print data=reg1;

proc glm data=reg1;

model y= x1 x2 x3 x1x2 x1x3 x2x3 X11 X22 x33;

run;

输出结果如下：

结果2.5

从上面的分析结果，我们可以得到二次响应曲面方程为：

Y=66.591+1.271*x1+1.361*x2-1.494*x3+2.875*x1*x2-2.625*x1* x3-4.625*x2*x3-4.835*x11-13.495*x22-10.667*x33

该方程的拟合度为71.61%，不是很好。但是当我把几个显著性不好的因素去掉时，拟合度反而更差。

在这个方程中，我们可以将其写成矩阵形式：Y=a+x’b+x’Bx

所以有x=(x1,x2,x3); b=(1.271,1.361,-1.494)’,

B=(-4.835 1.437 -1.312 ; 1.437 -13.495 -2.312; -1.312 -2.312 -10.667) 在MATLAB中生成矩阵为可以求出矩阵B的特征值（对角线上的值）是：

要想对方程进行典范分析还需要求出该方程的极值点，

因为这里的三个特征值都小于0，所以这里的极值点应是极大值点。

在LINHO软件里编程如下可以得到极大值。

max=y;

Y=66.591+1.271*x1+1.361*x2-1.494*x3+2.875*x1*x2-2.625*x1*x3-4.625*x2* x3-4.835*x1**2-13.495*x2**2-10.667*x3**2;

x1>=-1.682;x1<=1.682;

x2>=-1.682;x2<=1.682;

x3>=-1.682;x3<=1.682;

生成结果如下：

结果2.5

由以上输出结果可以知道，极大值y=69.44019

在SAS系统软件中输入一些程序可以得到等高线图：

data reg1;

do x1=-1.682to 1.682by0.05;

do x2=-1.682to 1.682by0.05;

do x3=-1.682to 1.682by0.05;

Y=66.591+1.271*x1+1.361*x2-1.494*x3+2.875*x1*x2-2.625*x1*x3-4.625*x2* x3-4.835*x1**2-13.495*x2**2-10.667*x3**2;

output;

end;

end;

end;

proc g3d;

plot x1*x2=y; plot x3*x2=y; plot x1*x3=y; proc gcontour; plot x1*x2=y; plot x3*x2=y; plot x1*x3=y; run;

结果2.6

等高线图是x1与x2组成的图形，由图可以看出，从曲面图上可以看出，在曲面的四个角，Y值都比较小，而在中间大概是x2[-0.57,0.55]区间内，Y值较平稳。

类似的可以比较分析x1*x2及x2*x3等高线图。

结果2.7

该图是x1和x2的图，x1与x2基本上构成以-0.05为圆心的圆，最内圈的数值为32.86，二数关系不是很大。

的数值为47.73，二数关系比X1与X2的关系数更高。

上图是x1和x3的图，x1与x3基本上是构成以0.70为圆心的圆，最内圈的

数值为32.86，二数关系和X1与X2的关系数相近。

实验小结：

这次实验过程中，在运用SAS软件的基础上，综合运用到MATLAB、LINGO 等软件，分析全面，说服力强。

正交试验设计常用正交表分析

选用正交表。根据提供的因素和水平进行正交表的选择, 选择的方法为试验的水平作为正 交表的水平, 试验的各个因素小于或等于正交表的列数,表格中没有数据的项空掉即可。 可以数据公式分析影响因子，也可以软件表征结果 (1) L 4（23） 任意两列间的交互作用为另外一列 (2) L 8(27) L 8(27)二列间的交互作用表 1 2 3 1 1 1 1 2 1 2 2 3 2 1 2 4 2 2 1 1 2 3 4 5 6 7 1 1 1 1 1 1 1 1 2 1 1 1 2 2 2 2 3 1 2 2 1 1 2 2 4 1 2 2 2 2 1 1 5 2 1 2 1 2 1 2 6 2 1 2 2 1 2 1 7 2 2 1 1 2 2 1 8 2 2 1 2 1 1 2 1 2 3 4 5 6 7 （1） 3 2 6 4 7 6 （2） 1 5 7 4 5 （3） 7 6 5 4 （4） 1 2 3 （5） 3 2 （6） 1 （7） 列 号 试 验 号 列 号 试 验 号 列 号 列 号

L 8(27)表头设计 1 2 3 4 5 6 7 3 A B A ×B C A ×C B ×C 4 A B A ×B C ×D C A ×C B ×D B ×C A ×D D 4 A B C ×D A ×B C B ×D A ×C D B ×C A ×D 5 A D ×E B C ×D A × B C ×E C B ×D A ×C B ×E D A × E B ×C E A ×D (3) L 8(4×24) L 8(4×24)表头设计 1 2 3 4 5 2 A B (A ×B)1 (A ×B)2 (A ×B)3 3 A B C 4 A B C D 5 A B C D E 1 2 3 4 5 1 1 1 1 1 1 2 1 2 2 2 2 3 2 1 1 2 2 4 2 2 2 1 1 5 3 1 2 1 2 6 3 2 1 2 1 7 4 1 2 2 1 8 4 2 1 1 2 列 号 因 子 数 列 号 试 验 号 列 号 因 子 数

回归正交试验设计

回归正交试验设计 一、概述 （1）回归分析与正交试验设计的主要优缺点 回归分析的主要优点是可以由试验数据求出经验公式，用于描述自变量与因变量之间的函数关系。它的主要缺点是毫不关心试验数据如何取得，这样，不仅盲目地增加了试验次数，而且试验数据还往往不能提供充分的信息。因此，有些工作者将经典的回归分析方法描述成：“这是撒大网，捉小鱼，有时还捉不到鱼”。所以说，回归分析只是被动地处理试验数据，并且回归系数之间存在相关关系，若从回归方程中剔除某个不显著因素时，需重新计算回归系数，耗费大量的时间。 正交试验设计的主要优点是科学地安排试验过程，用最少的试验次数获得最全面的试验信息，并对试验结果进行科学分析（如方差分析），从而得到最佳试验条件，但是它的主要缺点是试验结果无法用一个经验公式来表达，从而不便于考察试验条件改变后，试验指标将作如何变化。 （2）回归正交试验设计 回归正交试验设计，实际上就是将线性回归分析与正交试验设计两者有机地结合起来而发展出的一种试验设计方法，它利用正交试验设计法的“正交性”特点，有计划、有目的、科学合理地在正交表上安排试验，并将试验结果用一个明确的函数表达式即回归方程来表示，从而达到既减少试验次数、又能迅速地建立经验公式的目的。 根据回归模型的次数，回归正交试验设计又分为一次回归试验设计和二次回归试验设计。

二、一次回归正交试验设计 （一）一次回归正交试验设计的概念 一次回归设计研究的是一个因素z （或多个因素z 1，z 2，……）与试验指标y 之间的线性关系。当只研究一个因素时，其线性回归模型： y ＝β0＋β1z ＋e (1) 其回归方程为： z y ∧ ∧ ∧ +=10ββ (2) 式中∧ 0β、∧ 1β称为回归系数，e 是随机误差，是一组相互独立、且服从正态分布Ｎ（０，σ２ ）的随机变量。可以证明，∧0β、∧1β和∧ y 是β０、β１和y 的无偏估计，即 Ｅ（∧0β）＝β０，Ｅ（∧1β）＝β1，Ｅ（∧ y ）＝y 一次回归正交试验设计是通过编码公式x ＝f(z) ?? 即变量变换，将式（２）变为： b b y 10+=∧ (3) 且使试验方案具有正交性，即使得编码因素Ｘ的各水平之和为零： ∑==m i i x 1 (4) 式中m 是因素x 的水平数。 在回归分析中，回归系数的计算公式为：

一次回归正交设计

第五讲回归设计及统计分析 设目标性状y与z1、z2……z m等因素有关，我们可以应用回归分析的方法建立y与诸因素的回归方程，以此对y进行预测和控制，或筛选y的最优指标。z1、z2……z m构成一个因子空间，每一组z1、z2……z m值对应一个y值。如何在因子空间中选择最适当的试验点，以最少的试验点寻求y的最优区域，这就要将回归分析与正交设计结合起来应用，称为回归正交设计。按回归模型的次数，回归正交设计又分为一次回归正交设计和二次回归正交设计。 一、一次回归正交设计 一次回归正交设计主要是应用2水平正交表进行设计，其设计和分析步骤如下。 1．确定试验因素的变化范围

例如研究m 个栽培因素z 1、z 2……z m 与作物产量y 的数量关系，首先需确定各个栽培因素的变化范围。设因素z j 的变化区间为(z 1j ，z 2j )，则z 1j 和z 2j 分别为因素z j 的下水平和上水平。那么 1202j j j z z z += 为因素z j 的零水平。 212j j j z z ?=- 为因素z j 的变化区间。 2.对各因素的水平编码 编码就是对各个因素的取值作如下线性变换： 0j j j j z z x =?-

式中x j 为编码值。如： 101211212 12j j j j j j j j j z z z z z x z z =?-+--==- 0000j j j j z z x =?-= 201222212 12j j j j j j j j j z z z z z x z z =?+--==- 这样就建立了z j 与x j 的一一对应关系： 下水平 z 1j x 1j (-1)

正交试验设计方法 讲义及举例

正交试验设计方法讲义及举例 第5章 正交试验设计方法 5．1 试验设计方法概述 试验设计是数理统计学的一个重要的分支。多数数理统计方法主要用于分析已经得到的数据，而试验设计却是用于决定数据收集的方法。试验设计方法主要讨论如何合理地安排试验以及试验所得的数据如何分析等。 例5-1 某化工厂想提高某化工产品的质量和产量，对工艺中三个主要因素各按三个水平进行试验（见表5-1）。试验的目的是为提高合格产品的产量，寻求最适宜的操作条件。 对此实例该如何进行试验方案的设计呢？ 很容易想到的是全面搭配法方案（如图5-1所示）： 此方案数据点分布的均匀性极好，因素和水平的搭配十分全面，唯一的缺点是实验次数多达33＝27次（指数3代表3个因素，底数3代表每因素有3个水平）。因素、水平数 愈多，则实验次数就愈多，例如，做一个6因素3水平的试验，就需36＝729次实验，显然难以做到。因此需要寻找一种合适的试验设计方法。 试验设计方法常用的术语定义如下。 试验指标：指作为试验研究过程的因变量，常为试验结果特征的量（如得率、纯度等）。例1的试验指标为合格产品的产量。 因素：指作试验研究过程的自变量，常常是造成试验指标按某种规律发生变化的那些原因。如例1的温度、压力、碱的用量。 水平：指试验中因素所处的具体状态或情况，又称为等级。如例1的温度有3个水平。温度用T 表示，下标1、2、3表示因素的不同水平，分别记为T 1、T 2、T 3。

常用的试验设计方法有：正交试验设计法、均匀试验设计法、单纯形优化法、双水平单纯形优化法、回归正交设计法、序贯试验设计法等。可供选择的试验方法很多，各种试验设计方法都有其一定的特点。所面对的任务与要解决的问题不同，选择的试验设计方法也应有所不同。由于篇幅的限制，我们只讨论正交试验设计方法。 5．2 正交试验设计方法的优点和特点 用正交表安排多因素试验的方法，称为正交试验设计法。其特点为：①完成试验要求所需的实验次数少。②数据点的分布很均匀。③可用相应的极差分析方法、方差分析方法、回归分析方法等对试验结果进行分析，引出许多有价值的结论。 从例1可看出，采用全面搭配法方案，需做27次实验。那么采用简单比较法方案又如何呢？ 先固定T 1和p 1，只改变m ，观察因素m 不同水平的影响，做了如图2-2（1）所示的三次实验，发现 m ＝m 2时的实验效果最好（好的用 □ 表示），合格产品的产量最高，因此认为在后面的实验中因素m 应取m 2水平。 固定T 1和m 2，改变p 的三次实验如图5-2（2）所示，发现p ＝p ３时的实验效果最好，因此认为因素p 应取p ３水平。 固定p ３和m 2，改变T 的三次实验如图5-2（3）所示，发现因素T 宜取T 2水平。 因此可以引出结论：为提高合格产品的产量，最适宜的操作条件为T 2p ３m 2。与全面搭配法方案相比，简单比较法方案的优点是实验的次数少，只需做9次实验。但必须指出，简单比较法方案的试验结果是不可靠的。因为，①在改变m 值（或p 值，或T 值）的三次实验中，说m 2（或p ３或T 2 ）水平最好是有条件的。在T ≠T １，p ≠p １时，m 2 水平不是最好的可能性是有的。②在改变m 的三次实验中，固定T ＝T ２，p ＝p ３ 应该说也是可以的，是随意的，故在此方案中数据点的分布的均匀性是毫无保障的。③用这种方法比较条件好坏时，只是对单个的试验数据进行数值上的简单比较，不能排除必然存在的试验数据误差的干扰。 运用正交试验设计方法，不仅兼有上述两个方案的优点，而且实验次数少，数据点分布均匀，结论的可靠性较好。 正交试验设计方法是用正交表来安排试验的。对于例1适用的正交表是L 9（34），其试验安排见表5-2。 所有的正交表与L 9（34）正交表一样，都具有以下两个特点： （1） 在每一列中，各个不同的数字出现的次数相同。在表L 9（34）中，每一列有三个水平，水平1、2、3都是各出现3次。 （2） 表中任意两列并列在一起形成若干个数字对， 不同数字对出现的次数也都相同。

一次回归正交设计例子

一次回归正交设计 某冶炼厂排出的废水中含有大量的镉、鉮、铅等有害元素，对环境造成严重污染。考察的试验因素为温度（x1）、碱与硫酸亚铁之比（x2）以及硫酸亚铁用量（x3）对指标除镉效率（y）的影响。不考虑交互作用。已知x l＝60～80℃，x2＝8～12，x3＝1～3ml。 (1)因素水平编码及试验方案的确定 表1 因素水平编码表 编码z j温度（x1） 碱与硫酸亚铁之比 （x2）硫酸亚铁用量 （x3） －1 60 8 1 0 70 10 2 1 80 1 2 3 △j 10 2 1 由于不考虑交互作用，所以建立一个三元线性方程。因素水平编码如表1所示。选正交表L8(27)安排试验，将三个因素分别安排在回归正交表的第1、2、4列，试验方案及试验结果见表2，表中的第9、 10、11号试验为零水平试验。 表2 试验方案及试验结果 试验 号z1 z2 z3 温度（x1） 碱与硫酸亚 铁之比（x2） 硫酸亚铁用 量（x3） 除镉效率 y／％ 1 1 1 1 80 1 2 3 8.0 2 1 1 －1 80 12 1 7. 3

3 1 －1 1 80 8 3 6. 9 4 l －1 －l 80 8 l 6.4 5 －1 1 1 60 12 3 6.9 6 －1 1 －1 60 12 1 6.5 7 －1 －1 l 60 8 3 6.0 8 －1 －1 －1 60 8 1 5.1 9 0 0 0 70 10 2 6.6 10 0 0 0 70 10 2 6.5 11 0 0 0 70 10 2 6.6 ⑵回归方程的建立 表3试验结果及计算表 提取率y y2 z1y z2y z3y 试验号z1 z2 z3 ／％ 1 1 1 1 8.0 64.00 8.0 8.0 8.0 2 1 1 －1 7. 3 53.29 7.3 7.3 －7.3 3 l －1 1 6.9 47.61 6.9 －6.9 6.9 4 1 －1 －1 6.4 40.96 6.4 －6.4 －6.4 5－1 1 1 6.9 47.61 －6.9 6.9 6.9 6 －1 1 －1 6.5 42.25 －6.5 6.5 －6.5 7 －1 －1 1 6.0 36.00 －6.0 －6.0 6.0 8 －1 －1 －1 5.1 26.01 －5.1 －5.1 －5.1

正交实验设计方法--非常有用

L9（34） 序号 1 2 3 4 1 1 1 1 1 2 1 2 2 2 3 1 3 3 3 4 2 1 2 3 5 2 2 3 1 6 2 3 1 2 7 3 1 3 2 8 3 2 1 3 9 3 3 2 1 回首页 正交试验设计法 正交试验设计法的基本思想 正交表 正交表试验方案的设计 试验数据的直观分析 正交试验的方差分析 常用正交表 1．正交试验设计法的基本思想 正交试验设计法，就是使用已经造好了的表格--正交表--来安排试验并进行数据分析的一种方法。它简单易行，计算表格化，使用者能够迅速掌握。下边通过一个例子来说明正交试验设计法的基本想法。 [例1]为提高某化工产品的转化率，选择了三个有关因素进行条件试验，反应温度(A)，反应时间(B)，用碱量(C)，并确定了它们的试验范围： A：80-90℃ B：90-150分钟 C：5-7％ 试验目的是搞清楚因子A、B、C对转化率有什么影响，哪些是主要的，哪些是次要的，从而确定最适生产条件，即温度、时间及用碱量各为多少才能使转化率高。

试制定试验方案。 这里，对因子A，在试验范围内选了三个水平；因子B和C 也都取三个水平： A：Al＝80℃，A2＝85℃，A3=90℃ B：Bl＝90分，B2＝120分，B3=150分 C：Cl＝5％，C2＝6%，C3＝7% 当然，在正交试验设计中，因子可以是定量的，也可以是定性的。而定量因子各水平间的距离可以相等，也可以不相等。 这个三因子三水平的条件试验，通常有两种试验进行方法： (Ⅰ)取三因子所有水平之间的组合，即AlBlC1，A1BlC2，A1B2C1，……，A3B3C3，共有 33=27次 试验。用图表示就是图1 立方体的27个节点。这种试验法叫做全面试验法。 全面试验对各因子与指标间的关系剖析得比较清楚。但试验次数太多。特别是当因子数目多，每个因子的水平数目也多时。试验量大得惊人。如选六个因子，每个因子取五个水平时，如欲做全面试验，则需56＝15625次试验，这实际上是不可能实现的。如果应用正交实验法，只做25次试验就行了。而且在某种意义上讲，这25次试验代表了15625次试验。 图1 全面试验法取点.......... (Ⅱ)简单对比法，即变化一个因素而固定其他因素，如首先固定B、C于Bl、Cl，使A变化之： ↗A1 B1C1 →A2 ↘A3 (好结果) 如得出结果A3最好，则固定A于A3，C还是Cl，使B变化之： ↗B1 A3C1 →B2 (好结果) ↘B3 得出结果以B2为最好，则固定B于B2，A于A3，使C变化之： ↗C1 A3B2→C2 (好结果) ↘C3 试验结果以C2最好。于是就认为最好的工艺条件是A3B2C2。 这种方法一般也有一定的效果，但缺点很多。首先这种方法的选点代表性很差，如按上述方法进行试验，试验点完全分布在一个角上，而在一个很大的范围内没有选点。因此这种试验方法不全面，所选的工艺条件A3B2C2不一定是27个组合中最好的。其次，用这种方法比较条件好坏时，是把单个的试验数据拿来，进行数值上的简单比较，而试验数据中必然要包含着误差成分，所以单个数据的简单比较不能剔除误差的干扰，必然造成结论的不稳定。

正交试验设计

正交试验设计 1 正交试验设计的概念及原理 1.1 基本概念 利用正交表来安排与分析多因素试验的一种设计方法。 特点：在试验因素的全部水平组合中，仅挑选部分有代表性的水平组合进行试验。 通过部分实施的试验结果，了解全面试验情况，从中找出较优的处理组合。 考察增稠剂用量、pH 值和杀菌温度对豆奶稳定性的影响。每个因素设置3个水平进行试验 。 全面试验：可以分析各因素的效应，交互作用，也可选出最优水平组合。 全面试验包含的水平组合数较多，工作量大，在有些情况下无法完成 。 若试验的主要目的是寻求最优水平组合，则可利用正交表来设计安排试验。 ● 正交试验是用部分试验来代替全面试验的，它不可能像全面试验那样对各因素效应、交互作用一一分析； ● 当交互作用存在时，有可能出现交互作用的混杂。 ● 虽然正交试验设计有上述不足，但它能通过部分试验找到最优水平组合，因而很受实际工作者青睐。 1.2 基本原理 在试验安排中，每个因素在研究的范围内选几个水平， 可以理解为在选优区内打上网格， 如果网上的每个点都做试验，就是全面试验。 3个因素的选优区可以用一个立方体表示。 3个因素各取3个水平，把立方体划分成27个格点。 若27个网格点都试验，就是全面试验。 A2 A3 A1B1C1 B3 B2 A 因素：增稠剂用量，A1、A2、A3 B 因素：pH ，B1、B2、B3 C 因素：杀菌温度，C1、C2、C3 3因素 3水平 33 ＝27

1.2 基本原理 正交设计就是从选优区全面试验点（水平组合）中挑选出有代表性的部分试验点（水平组合）来进行试验。

A1B1C1 A1B2C2 A1B3C3 A2B1C2 A2B2C3 A3B1C3 A3B2C1 A3B3C2 A2B3C1 A1B1C3 A1B3C1 A2B1C1 A2B2C1 A2B3C3 A3B1C1 A3B2C3 9个组合

正交试验设计表

正交试验设计表 第十章正交试验设计对于单因素或两因素试验，因其因素少，试验的设计、实施与分析都比较简单。但在实际工作中，常常需要同时考察 3个或3个以上的试验因素，若进行全面试验，则试验的规模将很大，往往因试验条件的限制而难于实施。正交试验设计就是安排多因素试验、寻求最优水平组合的一种高效率试验设计方法。 1.1 正交试验设计的基本概念正交试验设计是利用正交表来安排与分析多因素试验的一种设计方法。它是由试验因素的全部水平组合中，挑选部分有代表性的水平组合进行试验的，通过对这部分试验结果的分析了解全面试验的情况，找出最优的水平组合。例如，要考察增稠剂用量、pH值和杀菌温度对豆奶稳定性的影响。每个因素设置3个水平进行试验。 A因素是增稠剂用量，设A1、A2、A3 3个水平;B因素是pH值，设B1、B2、B3 3个水平;C因素为杀菌温度，设C1、C2、C3 3个水平。这是一个3因素3水平的试验，各因素的水平之间全部可能组合有27种。全面试验:可以分析各因素的效应，交互作用，也可选出最优水平组合。但全面试验包含的水平组合数较多，工作量大，在有些情况下无法完成。若试验的主要目的是寻求最优水平组合，则可利用正交表来设计安排试验。正交试验设计的基本特点是:用部分试验来代替全面试验，通过对部分试验结果的分析，了解全面试验的情况。正因为正交试验是用部分试验来代替全面试验的，它不可能像全面试验那样对各因素效应、交互作用一一分析;当交互作用存在时，有可能出现交互作用的混杂。虽然正交试验设计有上述不足，但它能通过部分试验找到最优水平组合，因而很受实际工作者青睐。如对于上述3因素3水平试验，若不考虑交互作用，可利用正交表L9 34 安排，试验方案仅包含9个水平组合，就能反映试验方案包含27个水平组合的全面试验的情况，找出最佳的生产条件。 1.2 正交试验设计的基本原理在试验安排中，每个因素在研究的范

一次回归正交设计、二次回归正交设计、二次回归旋转设计

一次回归正交设计 某产品的产量与时间、温度、压力和溶液浓度有关。实际生产中，时间控制在30~40min，温度控制在50~600C，压力控制在2*105~6*105Pa，溶液浓度控制在 20%~40%，考察Z 1~Z 2 的一级交互作用。 因素编码 Z j (x j ) Z 1 /min Z 2 /o C Z 3 /*105Pa Z 4 /% 下水平Z 1j （-1）30 50 2 20 上水平Z 2j （+1）40 60 6 40 零水平Z 0j （0）35 55 4 30 变化间距 5 5 2 10 编码公式X 1=（Z 1 -35）/5 X 2 =(Z 2 -55）/5 X 3 =(Z 3 -4)/2 X 4 =(Z 4 -30)/10 选择L8（27)正交表 因素x 1,x 1 ,x 3 ,x 4 依次安排在第1、2、4、7列，交互项安排在第3列。 试验号X0 X1(Z1) X2(Z2) X3(Z3) X4(Z4) X1X2 Yi 1 1 1 1 1 1 1 9.7 2 1 1 1 -1 -1 1 4.6 3 1 1 -1 1 -1 -1 10.0 4 1 1 -1 -1 1 -1 11.0 5 1 -1 1 1 -1 -1 9.0 6 1 -1 1 -1 1 -1 10.0 7 1 -1 -1 1 1 1 7.3 8 1 -1 -1 -1 -1 1 2.4 9 1 0 0 0 0 0 7.9 10 1 0 0 0 0 0 8.1 11 1 0 0 0 0 0 7.4 Bj=∑ xjy 87.4 6.6 2.6 8.0 12.0 -16.0 aj=∑ xj2 11 8 8 8 8 8 bj = Bj /aj 7.945 0.825 0.325 1.000 1.500 -2.00 Qj = Bj2 /aj 393 5.445 0.845 8.000 18.000 32.000 可建立如下的回归方程。 Y=7.945+0.825x1+0.325x2+x3+1.5x4-2x1x2 显著性检验： 1、回归系数检验

正交试验设计常用正交表

(1) L 4（23） 任意两列间的交互作用为另外一列。 (2) L 8(27) L 8(27)二列间的交互作用表 1 2 3 1 1 1 1 2 1 2 2 3 2 1 2 4 2 2 1 1 2 3 4 5 6 7 1 1 1 1 1 1 1 1 2 1 1 1 2 2 2 2 3 1 2 2 1 1 2 2 4 1 2 2 2 2 1 1 5 2 1 2 1 2 1 2 6 2 1 2 2 1 2 1 7 2 2 1 1 2 2 1 8 2 2 1 2 1 1 2 1 2 3 4 5 6 7 （1） 3 2 6 4 7 6 （2） 1 5 7 4 5 （3） 7 6 5 4 （4） 1 2 3 （5） 3 2 （6） 1 （7） 列 号 试 验 号 列 号 试 验 号 列 号 列 号

L 8(27)表头设计 1 2 3 4 5 6 7 3 A B A ×B C A ×C B ×C 4 A B A ×B C ×D C A ×C B ×D B ×C A ×D D 4 A B C ×D A ×B C B ×D A ×C D B ×C A ×D 5 A D ×E B C ×D A × B C ×E C B ×D A ×C B ×E D A × E B ×C E A ×D (3) L 8(4×24) L 8(4×24)表头设计 1 2 3 4 5 2 A B (A ×B)1 (A ×B)2 (A ×B)3 3 A B C 4 A B C D 5 A B C D E 1 2 3 4 5 1 1 1 1 1 1 2 1 2 2 2 2 3 2 1 1 2 2 4 2 2 2 1 1 5 3 1 2 1 2 6 3 2 1 2 1 7 4 1 2 2 1 8 4 2 1 1 2 列 号 因 子 数 列 号 试 验 号 列 号 因 子 数

回归试验设计作业

1、研究氮（N ）、磷（52O P ）、钾（O K 2）对玉米产量的影响。已知施氮、磷、钾肥的下限和上限依次为：氮，0 和17kg/亩；磷，0 和7kg/亩、钾，0 和18kg/亩. 试用二次回归正交设计方法写出它们的因素编码表并制定试验方案。 2、为提高钻头的寿命，在数控机床上进行试验，考察钻头的寿命与钻头轴向振动频率F 及振幅A 的关系。在试验中，F 与A 的变动范围分别为：[125 Hz ，375Hz]与[1.5，5.5]，试写出因素水平编码表并利用二次回归正交旋转组合设计安排试验，并写出参与运算的数据结构矩阵。 3、国内民用剪生产一直是沿袭千百年的传统工艺，近代虽有改进，但绝大多数民用剪的生产工艺仍然存在工序多、工艺流程长、质量不稳定、劳动条件差、生产率低、经济效益少等缺点。在全国民用剪生产新工艺的研究中，某厂确定了最佳工艺参数试验因素及取值范围如下：1z 剪刀运行速度[230，370]；2z 感应器与剪刀的距离[5.18，10.82]；3z 屏极电流[1.24， 1.68]，应用二次回归旋转设计写出因素水平编码表和设计方案。 4、应用二次回归旋转设计寻求有害废水净化的最佳工艺条件。 某冶练厂排出的废水中含有大量的镉、砷、铅等有害元素，对环境造成污染。务了保护环境，消除污染，该厂在铁氧体净化废水工艺中应用正交试验设计和二次回归旋转设计。根据废水净化工艺的需要，进行了三指标四因素试验：考察的试验指标为：镉、砷、铅的净化率，试验因素为温度1z （34~42）、时间2z （30~50）、碱与硫酸亚铁之比（1.34~1.46）3z 和硫酸亚铁用量4z (1.5~2.5),给出试验设计方案. 5、利用通用旋转设计寻求镓溶液导电率与因素1z (镓的浓度)和2z (苛性碱浓度)的二次回归试验设计。已知因素试验考察的范围: 1z :L g /70~30， 2z L g /150~90写出因素水平编码表和设计方案。 6、用3GA 、BA 和多菌灵防治苹果腐烂病的试验，各因素的下水平和上水平分别为： 3GA ： 0kg mg /和200kg mg /；BA 0kg mg /和 200kg mg /；多菌灵：0%和10%

一次回归正交设计二次回归正交设计二次回归旋转设计样本

一次回归正交设计 某产品产量与时间、温度、压力和溶液浓度关于。实际生产中，时间控制在30~40min，温度控制在50~600C，压力控制在2*105~6*105Pa，溶液浓度控制在 20%~40%，考察Z 1~Z 2 一级交互作用。 因素编码 Z j (x j ) Z 1 /min Z 2 /o C Z 3 /*105Pa Z 4 /% 下水平Z 1j （-1）30 50 2 20 上水平Z 2j （+1）40 60 6 40 零水平Z 0j （0）35 55 4 30 变化间距 5 5 2 10 选取L8（27)正交表 因素x 1,x 1 ,x 3 ,x 4 依次安排在第1、2、4、7列，交互项安排在第3列。 实验号X0 X1(Z1) X2(Z2) X3(Z3) X4(Z4) X1X2 Yi 1 1 1 1 1 1 1 9.7 2 1 1 1 -1 -1 1 4.6 3 1 1 -1 1 -1 -1 10.0 4 1 1 -1 -1 1 -1 11.0 5 1 -1 1 1 -1 -1 9.0 6 1 -1 1 -1 1 -1 10.0 7 1 -1 -1 1 1 1 7.3 8 1 -1 -1 -1 -1 1 2.4 9 1 0 0 0 0 0 7.9 10 1 0 0 0 0 0 8.1 11 1 0 0 0 0 0 7.4 Bj=∑ xjy 87.4 6.6 2.6 8.0 12.0 -16.0 aj=∑ xj2 11 8 8 8 8 8 bj = Bj /aj 7.945 0.825 0.325 1.000 1.500 -2.00 Qj = Bj2 /aj 393 5.445 0.845 8.000 18.000 32.000

回归正交试验设计

8 回归正交试验设计 前面介绍的正交试验设计是——种很实用的试验设计方法，它能利用较少的试验次数获得较好的试验结果，但是通过正交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；回归分析是一种有效的数据处理方法，通过所确立的回归方程，可以对试验结果进行预测和优化，但回归分析往往只能对试验数据进行被动的处理和分析，不涉及对试验设计的要求。如果能将两者的优势统一起来，不仅有合理的试验设计和较少的试验次数，还能建立有效的数学模型，这正是我们所期望的。回归正交设计(orthogonal regression design)就是这样一种试验设计方法，它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。 8.1 一次回归正交试验设计及结果分析 一次回归正交设计就是利用回归正交设计原理，建立试验指标(y)与m 个试验因素x 1，x 2，……，x m ，之间的一元回归方程： $1122m m y a b x b x b x =++++L (8－1) 或者 $1 m j j kj k j j k j y a b x b x x =?=++∑∑ k=1，2，…，m －1（j≠k ） (8－2) 8.1.1 一次回归正交设计的基本方法 (1)确定因素的变化范围 根据试验指标y ，选择需要考察的m 个因素x j (j ＝1，2，…，m)，并确定每个因素的取值范围。设因素x j 的变化范围为[x j1，x j2]，分别称x j1和x j2为因素x j 的下水平和上水平，并将它们的算术平均值称作因素x j 的零水平，用x j0。表示。 12j02 j j x x x += (8－3) 上水平与零水平之差称为因素x j 的变化间距，用△j 表示，即： 20j j j x x ?=- (8－4) 或 21 2 j j j x x -?= (8－5) (2)因素水平的编码 编码(coding)是将x j 的各水平进行线性变换，即： j j j x x z j -= ? (8－6) 式(8—6)中z j 就是因素x j 的编码，两者是一一对应的。显然，与x j1，x j0和x j2的编码分别为－1，0和1，即z j1＝－1，z j2＝0，z j2＝1。一般称x j 为自然变量，z j 为规范变量。因素水平的编码结果可表示成表8—1。 对因素x j 的各水平进行编码的目的，是为了使每个因素的每个水平在编码空间是“平等”的，即规范变量z j 的取值范围都在[1，－1]内变化，不会受到自然变量x j 的单位和取值大小的影响。所以编码能将试验结果y 与因素z j (j ＝1，2，…，m)各水平之间的回归问题，转换成试验结果y 与编码值z j 之间的回归问题，

回归正交设计

实验内容：P201习题2、5 模版： 实验3 回归正交试验设计 ◆实验目的 掌握回归正交试验设计原理及统计分析方法，并能通过SAS编程实现 ◆实验内容及实验步骤 1某橡胶制品有橡胶，竖直和改良剂复合而成，为提高撕裂强度，考虑进行一次响应曲面正交设计，三个变量的取值范围分别为： Z：橡胶中等成分的含量0~20 Z：树脂中等成分的含量10~20 Z：改良剂的阿百分比0.1~0.3 （2）如果在试验中心进行了四次重复试验，结果分别为：417，401，455，439，试检验在区域中心一次响应曲面方程是否合适？ 实验步骤： I)在SAS系统软件中对该数据进行一次相应曲面正交试验设计，程序如下：data raw1; input tno x1 x2 x3 y @@; cards; 1 -1 -1 -1 407 2 -1 -1 1 421 3 -1 1 -1 322 4 -1 1 1 371 5 1 -1 -1 230 6 1 -1 1 243 7 1 1 -1 250 8 1 1 1 259 ;

proc print data = raw1; proc glm data =raw1; model y= x1 x2 x3 ; Run ; 321625.10375.12375.67875.312x x x y +--= 从方差分析结果来看，2x 和3x 的显著性不高，可推断该曲面方程的忽略了几个变量之间的交互作用，但是拟合度已经达到90.2027%，整个实验还是显著的。 II) 一次响应曲面方程的最大值是403.25，而四次重复试验的结过分别为417， 401，455，439，其中的三个结果都超出了一次相应曲面方程的最大值，所以在区域中心的一次相应曲面方程是不合适的。下面再对三个变量的交互作用进行二次相应曲面方程拟合。程序如下： data raw1; input tno x1 x2 x3 y @@; cards ; 1 -1 -1 -1 407 2 -1 -1 1 421 3 -1 1 -1 322 4 -1 1 1 371 5 1 -1 -1 230 6 1 -1 1 243 7 1 1 -1 250 8 1 1 1 259

正交试验结果分析的回归分析方法

正交试验结果分析的回归分析方法 方法简述 本节的题目表明，本方法仅仅是对正交试验结果进行分析的一种方法。在对正交试验结果进行分析之前，如何明确试验指标、因素和水平，如何选择正交表，如何进行表头设计，如何做实验等，与本章所讲的常规的正交试验设计方法是完全相同的。本方法实际上是用正交表来设计试验方案，再用逐步回归方法来处理正交试验的实验数据。用正交表来设计试验方案，目的是使数据点的分布均匀合理；用逐步回归方法来处理实验数据，目的是为了得到有多种用途的数学回归式。 回归模型和回归方法 正交试验设计方法特别适合于解决多因素试验问题。化工上，大多数的实际问题都是多因素的问题，而且多数问题都是非线性的问题。一个适用于多元线性和非线性回归的回归模型，是下式所示的多元二次多项式：（以4个自变量为例） （4-7） 可见，在4个自变量时，若包括b0则待求的回归系数就多达15个。为此实验的次数至少应16次，而且求回归系数的过程和应用回归式求y的计算过程都很长，舍入误差较大。实际上，如同在方差分析时有些列在F检验中会不显著一样，在按式（4-7）进行回归分析时有些项在F检验中也会不显著。若只让F检验显著的项进入和保留在回归式中，则所得的回归式肯定会比式（4-7）简化许多。为此，我们推荐使用逐步回归方法来进行多元二次多项式的回归。 逐步回归方法见本书的第3章3.5.5。在这种回归方法中，用每次选入时至多选入一项，每次剔除时至多剔除一项，选入、剔除交替进行的办法来进行回归操作。该选入时，从当前尚在回归式之外的众“项”中选择F值最大且F检验显著的一项，送入回归式。该剔除时，从当前已在回归式之中的众“项”中选择F值最小且F检验不显著的一项，从回归式剔除出去。由此可知，在最后所得的回归式中，每一项回归系数的F检验都是显著的。

EXCEL和SPSS在回归分析、正交试验设计和判别分析中应用

实验2指导：EXCEL和SPSS在回归分析、正交试验设计和判别分析中的应用 实验目的 1. 熟悉EXCEL和SPSS在数据分析中的操作； 2. 使用EXCEL和SPSS进行回归分析、正交试验设计和判别分析。 实验内容 1.一元线性回归分析 例：近年来国家教育部决定将各高校的后勤社会化。某从事饮食业的企业家认为这是一个很好的投资机会，他得到十组高校人数与周边饭店的季销售额的数据资料，并想根据高校的数据决策其投资规模，数据见data.xls的Sheet1。 1)选择数据区域B2:C11，从“插入”菜单中选择“散点图”。Excel将显示相应 散点图。 2)选择图上的点，右键菜单，选择添加趋势线，如下图所示： 3)在趋势线选项，将“显示公式”和“显示R平方”选项打勾，如下图：

结果不仅显示散点图的趋势线，还会显示相应公式，即一元线性回归的回归函数，同时显示R平方值，R即相关系数，其绝对值越接近1，表示两组数据的线性相关程度越高。一元线性回归函数描述了两组数据间存在的线性关系，在上述例子中只要知道其它高校的人数即可根据该公式预测大概的季度销售额。而R 的大小能够用于度量这种预测的准确度。 另外，使用EXCEL自带的函数也能实现一元线性回归： 截距函数INTERCEPT 功能：利用已知的x 值与y 值计算回归直线在y 轴的截距。 语法结构：INTERCEPT(known_y's,known_x's) 斜率函数SLOPE 功能：返回根据known_y‘s 和known_x’s 中的数据点拟合的线性回归直线的斜率。 语法结构：SLOPE(known_y's,known_x's) 相关系数函数RSQ 功能：返回根据known_y‘s 和known_x’s 中数据点计算得出的相关系数的平方。 语法结构：RSQ(known_y's,known_x's) 试比较图表法和函数法计算得出的一元线性回归方程是否一致。 2.多元线性回归分析 例：一家房地产评估公司想对某城市的房地产销售价格（y）与地产的评估价值（x1）和使用面积（x2）建立一个模型，一边对销售价格作出合理的预测。为此收集20栋住宅的房地产评估数据（data.xls的Sheet2）。 由于本问题有两个自变量，因此需要使用多元线性回归，需要借助于Excel 的数据分析功能。 1)点击“数据分析”,跳出回归分析对话框； 2)填充应变量y和自变量x1，x2对应的区域和输出区域，如下图：

正交试验设计方法

第5章 正交试验设计方法 5．1 试验设计方法概述 试验设计是数理统计学的一个重要的分支。多数数理统计方法主要用于分析已经得到的数据，而试验设计却是用于决定数据收集的方法。试验设计方法主要讨论如何合理地安排试验以及试验所得的数据如何分析等。 例5-1 某化工厂想提高某化工产品的质量和产量，对工艺中三个主要因素各按三个水平进行试验（见表5-1）。试验的目的是为提高合格产品的产量，寻求最适宜的操作条件。 对此实例该如何进行试验方案的设计呢？ 很容易想到的是全面搭配法方案（如图5-1所示）： 此方案数据点分布的均匀性极好，因素和水平的搭配十分全面，唯一的缺点是实验次数多达33 ＝27次（指数3代表3个因素，底数3代表每因素有3个水平）。因素、水平数 愈多，则实验次数就愈多，例如，做一个6因素3水平的试验，就需36＝729次实验，显然难以做到。因此需要寻找一种合适的试验设计方法。 试验设计方法常用的术语定义如下。 试验指标：指作为试验研究过程的因变量，常为试验结果特征的量（如得率、纯度等）。例1的试验指标为合格产品的产量。 因素：指作试验研究过程的自变量，常常是造成试验指标按某种规律发生变化的那些原因。如例1的温度、压力、碱的用量。 水平：指试验中因素所处的具体状态或情况，又称为等级。如例1的温度有3个水平。温度用T 表示，下标1、2、3表示因素的不同水平，分别记为T 1、T 2、T 3。 常用的试验设计方法有：正交试验设计法、均匀试验设计法、单纯形优化法、双水平单纯形优化法、回归正交设计法、序贯试验设计法等。可供选择的试验方法很多，各种试

验设计方法都有其一定的特点。所面对的任务与要解决的问题不同，选择的试验设计方法也应有所不同。由于篇幅的限制，我们只讨论正交试验设计方法。 5．2 正交试验设计方法的优点和特点 用正交表安排多因素试验的方法，称为正交试验设计法。其特点为：①完成试验要求所需的实验次数少。②数据点的分布很均匀。③可用相应的极差分析方法、方差分析方法、回归分析方法等对试验结果进行分析，引出许多有价值的结论。 从例1可看出，采用全面搭配法方案，需做27次实验。那么采用简单比较法方案又如何呢？ 先固定T1和p1，只改变m，观察因素m不同水平的影响，做了如图2-2（1）所示的三次实验，发现m＝m2时的实验效果最好（好的用□表示），合格产品的产量最高，因此认为在后面的实验中因素m应取m2水平。 固定T1和m2，改变p的三次实验如图5-2（2）所示，发现p＝p３时的实验效果最好，因此认为因素p应取p３水平。 固定p３和m2，改变T 的三次实验如图5-2（3）所示，发现因素T 宜取T2水平。 因此可以引出结论：为提高合格产品的产量，最适宜的操作条件为T2p３m2。与全面搭配法方案相比，简单比较法方案的优点是实验的次数少，只需做9次实验。但必须指出，简单比较法方案的试验结果是不可靠的。因为，①在改变m值（或p值，或T值）的三次实验中，说m2（或p３或T2）水平最好是有条件的。在T≠T１，p≠p１时，m2水平不是最好的可能性是有的。②在改变m的三次实验中，固定T＝T２，p＝p３应该说也是可以的，是随意的，故在此方案中数据点的分布的均匀性是毫无保障的。③用这种方法比较条件好坏时，只是对单个的试验数据进行数值上的简单比较，不能排除必然存在的试验数据误差的干扰。 运用正交试验设计方法，不仅兼有上述两个方案的优点，而且实验次数少，数据点分布均匀，结论的可靠性较好。 正交试验设计方法是用正交表来安排试验的。对于例1适用的正交表是L9（34），其试验安排见表5-2。 所有的正交表与L9（34）正交表一样，都具有以下两个特点： （1）在每一列中，各个不同的数字出现的次数相同。在表L9（34）中，每一列有三个水平，水平1、2、3都是各出现3次。 （2）表中任意两列并列在一起形成若干个数字对，不同数字对出现的次数也都相同。在表L9（34）中，任意两列并列在一起形成的数字对共有9个：（1,1），（1,2），（1,3），（2,1），（2,2），（2,3），（3,1），（3,2），（3,3），每一个数字对各出现一次。

常用正交设计表附录1

正交试验设计(Orthogonal experimental design) 目录 [隐藏] ? 1 什么是正交试验设计 ? 2 正交试验设计表 o 2.1 正交试验设计表[1] o 2.2 正交表的性质 ? 3 正交试验设计的安排 ? 4 正交试验设计的极差分析 ? 5 较优条件选择 ? 6 正交试验分析方法 ?7 正交试验设计的基本思想 ?8 正交试验设计的过程[1] ?9 正交试验设计法与遗传算法的联系 [2] ?10 正交试验设计的案例分析[3] ?11 参考文献 [编辑] 什么是正交试验设计 正交试验设计是研究多因素多水平的又一种设计方法，它是根据正交性从全面试验中挑选出部分有代表性的点进行试验，这些有代表性的点具备了“均匀分散，齐整可比”的特点，正交试验设计是分式析因设计的主要方法。是一种高效率、快速、经济的实验设计方法。 日本著名的统计学家田口玄一将正交试验选择的水平组合列成表格，称为正交表。例如作一个三因素三水平的实验，按全面实验要求，须进行33 = 27种组合的实验，且尚未考虑每一组合的重复数。若按L9(3)3正交表安排实验，只需作9次，按L18(3)7正交表进行18次实验，显然大大减少了工作量。因而正交实验设计在很多领域的研究中已经得到广泛应用。 正交表是一整套规则的设计表格，用L为正交表的代号，n为试验的次数，t为水平数，c为列数，也就是可能安排最多的因素个数。例如L9(34)，它表示需作9次实验，最多可观察4个因素，每个因素均为3水平。一个正交表中也可以各列的水平数不相等，我们称它为混 合型正交表，如L，此表的5列中，有1列为4水平，4列为2水平。 [编辑] 正交试验设计表 [编辑]