108 A kísérletek célja egy speciális anyag optimális előállítási körülményeinek meghatározása volt. A célfüggvény a kihozatal %. melynek maximális értékét.

Slides:



Advertisements
Hasonló előadás
Készítette: Kosztyán Zsolt Tibor
Advertisements

2005. október 7..
Fejmozgás alapú gesztusok felismerése
Előadás 1 MAKROÖKONÓMIA Előadás 1.
SOBAC S.A.R.L - Zone Artisanale LIOUJAS – Tél. : Fax : GABONÁK  UNCAA/UCA Bringolo,Ramsès módszer  Kisérlet helye.

MI 2003/ A következőkben más megközelítés: nem közvetlenül az eloszlásokból indulunk ki, hanem a diszkriminancia függvényeket keressük. Legegyszerűbb:
6) 7) 8) 9) 10) Mennyi az x, y és z értéke? 11) 12) 13) 14) 15)
A fejlesztő munka eredményei A projekt azonosító száma:
Koordináta transzformációk
Koordináta transzformációk
Regresszió számítás Mérnöki létesítmények ellenőrzése, terveknek megfelelése Geodéziai mérések – pontok helyzete, pontszerű információ Lineáris regresszió.
Makromolekulák Simon István.
Horváth Gábor: A geometriai optika biológiai alkalmazása - Biooptika
Makromolekulák_2010_11_ 23 Simon István. N-terminális 5pti: BOVINE PANCREATIC TRYPSIN INHIBITOR.
Egy kis lineáris algebra
Gazdaságmatimatika Gyakorló feladatok.
Függvénytranszformációk
Főkomponensanalízis Többváltozós elemzések esetében gyakran jelent problémát a vizsgált változók korreláltsága. A főkomponenselemzés segítségével a változók.
Aszociációs kolloidok, micellaképződés
Statisztika II. VI. Dr. Szalka Éva, Ph.D..
Statisztika II. II. Dr. Szalka Éva, Ph.D..
Ozsváth Károly TF Kommunikációs-Informatikai és Oktatástechnológiai Tanszék.
Lineáris programozás Modellalkotás Grafikus megoldás Feladattípusok
Delphi programozás alapjai
A GEOMETRIA MODELLEZÉSE
Címszámítás Számítógép hálózatok gyakorlata
Levegőtisztaság-védelem 7. előadás
Alternatív tápanyag- gazdálkodási munkapontok meghatározásának kísérleti és biometriai elemzése Tolner László 1 –– Kiss Szendille 2 – Vágó Imre 2 –Biczók.
Regresszióanalízis 10. gyakorlat.
Változó képlethez változó kép
Lineáris transzformáció sajátértékei és sajátvektorai
EGÉSZÉRTÉKŰ PROGRAMOZÁS
Nem-paraméteres eljárások, több csoport összehasonlítása
Kovarianciaanalízis Tételezzük fel, hogy a kvalitatív tényező(k) hatásának azonosítása után megmaradó szóródás egy részének eredete ismert, és nem lehet,
Dr. Szalka Éva, Ph.D.1 Statisztika II. VI.. Dr. Szalka Éva, Ph.D.2 Regresszióanalízis.
Lineáris programozás Definíció: Olyan matematikai programozási feladatot nevezünk lineáris programozási feladatnak, amelyekben az L halmazt meghatározó.
1 Belső modellek a QIS4-ben Boziné Kristóf Katalin március 20.

Egytényezős variancia-analízis
Függvények.
Fejmozgás alapú gesztusok felismerése Bertók Kornél, Fazekas Attila Debreceni Egyetem, Informatikai Kar Debreceni Képfeldolgozó Csoport KÉPAF 2013, Bakonybél.
Koordináta-geometria
Kiegészítés a Minőségbiztosítás II. oktatási segédlethez (BSC) A 2. konzultáción kiemelt diasorszámok: 7-10, 17,18-23,31,34-44,59,66,75-82,85-86,88- 90, ,
Kétismeretlenes elsőfokú (lineáris) egyenletrendszerek
Idősor elemzés Idősor : időben ekvidisztáns elemekből álló sorozat
Lineáris programozás.
Lineáris programozás Elemi példa Alapfogalmak Általános vizsg.
Problémás függvények : lokális optimalizáció nem használható Globális optimalizáció.
Lokális optimalizáció Feladat: f(x) lokális minimumának meghatározása 0.Adott egy kezdeti pont: x 0 1.Jelöljünk ki egy új x i pontot, ahol (lehetőleg)
Lineáris programozás és a szimplex módszer
Optimalizáció modell kalibrációja Adott az M modell, és p a paraméter vektora. Hogyan állítsuk be p -t hogy a modell kimenete az x bemenő adatokon a legjobban.
Többváltozós adatelemzés
Következtető statisztika 9.
A sztochasztikus kapcsolatok (Folyt). Korreláció, regresszió
Alapsokaság (populáció)
Lineáris regresszió.
Torlódás (Jamming) Kritikus pont-e a J pont? Szilva Attila 5. éves mérnök-fizikus hallgató.
Műholdas navigációs rendszerek…
A KOMPLEX DÖNTÉSI MODELL MATEMATIKAI ÖSSZEFÜGGÉSRENDSZERE Hanyecz Lajos.
Rövid összefoglaló a függvényekről
Parametrikus programozás
Dr. Bánkuti Gyöngyi Klingné Takács Anna
Funkciós blokkok A funkciós blokkok áttekintése Az alkalmazás előnyei.
Bevezetés a méréskiértékelésbe (BMETE80ME19) Intervallumbecslések 2014/
A HATÁROZOTT INTEGRÁL FOGALMA
Bevezetés a méréskiértékelésbe (BMETE80ME19) 2014/
Lineáris regressziós modellek
2. Regresszióanalízis Korreláció analízis: milyen irányú, milyen erős összefüggés van két változó között. Regresszióanalízis: kvantitatív kapcsolat meghatározása.
3. Varianciaanalízis (ANOVA)
Előadás másolata:

108 A kísérletek célja egy speciális anyag optimális előállítási körülményeinek meghatározása volt. A célfüggvény a kihozatal %. melynek maximális értékét kell elérni. Faktorok : z 1 reakcióidő, min; z 2 hőmérséklet, °C; z 3 fordulatszám, 1/min; z 4 katalizátor koncentrációja, %; z 5 felesleg, %; z 6 nyomás, bar; z 7 szennyezés-koncentráció, %.. 4. példa: részfaktorterv+fold-over. centrumponttal

109 z 1 reakcióidő, min; z 2 hőmérséklet, °C; z 3 fordulatszám, 1/min; z 4 katalizátor koncentrációja, %; z 5 felesleg, %; z 6 nyomás, bar; z 7 szennyezés-koncentráció, %

110 ;;; Az 1. blokk: rész-faktorterv, 3 ismétlés a centrumpontban:

111

112 A 2. blokk: fold-over (3 centrumponttal)

113

114 A felesleget (x 5 ill. z 5 ) nem lehet tovább növelni. így azt a fölső szintjén rögzítették ( ). Az illesztett lineáris függvény: A célfüggvény maximumát (optimum) az x 1 és x 2 független változók terében keressük tovább.

115 Box és Wilson módszere az optimum megközelítésére

116 ahol a j-edik koordinátatengely irányába mutató egységvektor.

117 A gradiens-függvény: A gradiens irányában úgy haladhatunk, ha az x 1 tengely mentén b 1, az x 2 tengely mentén b 2 nagyságú stb. lépést teszünk. Az x j koordinátában az egységnyi lépés a z j eredeti fizikai skálán  z j.

118 A tervpontokra illesztett modell: tervpontok  lépésterv A gradiens:

példa: a 4. példa folytatása; lépésterv a gradiens mentén A tervpontokra illesztett egyenlet:

120

121 x1x x2x

példa: az 5. példa folytatása; 2 2 terv az optimum közelében

123 Másodfokú modell illesztésére alkalmas terv szükséges!

124 Másodfokú kísérleti tervek A centrum-ponti kísérletekből csak azt látjuk. hogy valamelyik faktorra nem jó a lineáris függvény. A másodfokú modell paraméterei nem becsülhetők a 2 p és 2 p-r tervek eredményeiből. A 2 p kétszintes tervek kiegészíthetők háromszintesekké: 3 p. Minőségi faktorok kettőnél több szinten csak varianciaanalízissel vizsgálhatók. mert szintjeik nem értelmezhetők intervallum-skálán.

terv:

126 Két faktorra a 3 2 kísérleti terv centering and scaling

másodfokú terv:

128 A 3 p tervben az elvégzendő kísérletek száma a faktorok p számával rohamosan. a becsülhető együtthatók l száma pedig kevésbé nő:

129 Kompozíciós tervek magja egy 2p típusú teljes faktoros kísérleti terv (p  5 esetén részfaktorterv). 2p csillagpont a centrumtól  távolságra és k c centrumbeli kísérlet. N=2p+2p+k c Az  értékének megválasztása szerint a terv lehet ortogonális vagy forgatható. Ortogonális terv és k c =1 esetére:

130 Kompozíciós terv három faktorra    2 3 kétszintes terv  centrumpont * csillagpontok  távolságra       * * * * * * 

131 Box-Behnken terv 3 faktorra a terv centruma

példa: a 2 2 terv módosítása kompozíciós tervvé 2 2 terv Csillagpontok és centrumpont

133 A blokk nem szignifikáns

134

135

136 Maximum: 92.5 min; °C; 95.16%