实验设计第六讲 均匀设计

一、正交设计与均匀设计的对比

1、正交设计的特点
①更适用于因素数目较多而因素水平不多的实验;

②为了保证整齐可比性,实验次数至少是因素水平数的平方。

2、均匀设计的特点

①用于多因素多水平的实验设计中具有很大的优越性;

②只有均匀分散性(保证选取的样本点具有代表性),没有整齐可比性(不能用直观分析法);

③实验次数一般是因素水平的数目,或者是因素水平数目的倍数,而不是水平数目的平方,因此当因素数目较多时实验次数也不多。

二、均匀设计表

1、均匀设计表的特点:

①分成加“✳”和不加“✳”两个类型。加“✳”的均匀设计表有更好的均匀性,应该优先使用。

②加“✳”的 n 表通常是将不加“✳”的 n+1 表去掉其最后一行而得到。

③有n行m列,每一列都是{1,2,...,n}的一个置换,每一行是{1,2,...,n}的一个子集

④当实验次数 n 是素数时,可以获得 n-1 列,当 n 不是素数时,列数总是小于 n-1 列,有时候我们会将不是素数的 n 加一来变成素数,从而可以安排更多的实验因素。

2、均匀设计表的构造:

 第一步,确定表的第1行。第1行由 {1,2,...,n} 之间与n互素(最大公因子是1)的整数构成。因此,均匀设计表的列数 s 完全是由 n 决定的。

第二步,确定表的其他行。表的其余行由第1行生成。对应单元格的数字就是第一行对应数字与列号的乘积,如果结果大于 n ,就是减去 n 之后的得数。

三、均匀设计表的使用表:

1、使用表的作用

①用来指导如何从设计表中选用适当的列,以及由这些列所组成的实验方案的均匀度。因此在进行均匀设计的时候,实验因素不能自由放置

②最后1列D刻画均匀度,D越小代表均匀度越好

四、均匀设计结果的分析

往往需要建立回归方程,自变量的形式可以多种(倒数、乘积、平方...),每个自变量的系数要显著,方程的拟合优度最好在85%以上。回归系数的含义可以解释。

根据实验指标的特性(望大特性、望小特性、望目特性),选取自变量合适的取值,与实验结果进行比对。

  • 3
    点赞
  • 11
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
培养基优化 培养基优化,是指面对特定的微生物,通过实验手段配比和筛选找到一种最适合其生长及发酵的培养基,在原来的基础上提高发酵产物的产量,以期达到生产最大发酵产物的目的。发酵培养基的优化在微生物产业化生产中举足轻重,是从实验室到工业生产的必要环节。能否设计出一个好的发酵培养基,是一个发酵产品工业化成功中非常重要的一步。 目录 1试验设计 单因素法 正交实验设计 均匀设计 全因子实验设计 部分因子设计 Plackett-Burman设计 中心组合设计 Box–Behnken设计 2技术实验统计 响应曲面分析法 改进单纯形优化法 遗传算法 培养基优化试验设计 在工业化发酵生产中,发酵培养基的设计是十分重要的,因为培养基的成分对产物浓度、菌体生长都有重要的影响。实验设计方法发展至今可供人们根据实验需要来选择的余地也很大。 培养基优化单因素法 单因素方法(One at a time)的基本原理是保持培养基中其他所有组分的浓度不变,每次只研究一个组分的不同水平对发酵性能的影响。这种策略的优点是简单、容易,结果很明了,培养基组分的个体效应从图表上很明显地看出来,而不需要统计分析。这种策略的主要缺点是:忽略了组分间的交互作用,可能会完全丢失最适宜的条件;不能考察因素的主次关系;当考察的实验因素较多时,需要大量的实验和较长的实验周期。但由于它的容易和方便,单因素方法一直以来都是培养基组分优化的最流行的选择之一。 培养基优化正交实验设计 试验优化设计方案全文共3页,当前为第1页。正交设计(Orthogonal design)就是从"均匀分散、整齐可比"的角度出发,是以拉丁方理论和群论为基础,用正交表来安排少量的试验,从多个因素中分析出哪些是主要的,哪些是次要的,以及它们对实验的影响规律,从而找出较优的工艺条件。石炳兴等利用正交实验设计优化了新型抗生素AGPM 的发酵培养基,结果在优化后的培养基上单位发酵液的活性比初始培养基提高了18.9倍。正交实验不能在给出的整个区域上找到因素和响应值之间的一个明确的函数表达式即回归方程,从而无法找到整个区域上因素的最佳组合和响应值的最优值。而且对于多因素多水平试验,仍需要做大量的试验,实施起来比较困难。 试验优化设计方案全文共3页,当前为第1页。 培养基优化均匀设计 均匀设计 (Uniform design)是我国数学家方开泰等独创的将数论与多元统计相结合而建立起来的一种试验方法。这一成果已在我国许多行业中取得了重大成果。均匀设计最适合于多因素多水平试验,可使试验处理数目减小到最小程度,仅等于因素水平个数。虽然均匀设计节省了大量的试验处理,但仍能反映事物变化的主要规律。 培养基优化全因子实验设计 在全因子设计(Full factorial design)中各因素的不同水平间的各种组合都将被实验。全因子的全面性导致需要大量的试验次数。一般利用全因子设计对培养基进行优化实验都为两水平,是能反映因素间交互作用(排斥或协同效应)的最小设计。全因子试验次数的简单算法为(以两因素为例):两因素设计表示为 a ×b,第一个因素研究为a个水平,第二个因素为b个水平。Thiel等试验了两个因素:7个菌株在8种培养基上,利用7 ×8(56个不同重复)。Prapulla等试验了三个因素:碳源(糖蜜4%,6%,8%,10%,12%),氮源(NH4NO3 0g/L、0.13g/L、0.26g/L、0.39g/L、0.52g/L、)和接种量(10%、20%),利用5 × 5 × 2设计(50个不同重复)。 培养基优化部分因子设计 当全因子设计(fractional factorial design)所需试验次数实际不可行时部分重复因子设计是一个很好的选择。在培养基优化中经常利用二水平部分因子设计,但也有特殊情况,如Silveira 等试验了11种培养基成分,每成分三水平,仅做了27组实验,只是311全因子设计177147组当中的很小一部分。两水平部分因子设计表示为:2n–k,n是因子数目,1/2k 是实施全因子设计的分数。这些符号告诉你需要多少次试验。虽然通常部分因子设计没有提供因素的交互作用,但它的效果比单因素试验更好。 培养基优化Plackett-Burman设计 由Plackett 和Burman (Plackett-Burman design)提出,这类设计是两水平部分因子试验,适用于从众多的考察因素中快速、有效的筛选出最为重要的几个因素,供进一步详细研究用。理论上PB试验应该应用在因子存在累加效应,没有交互作用—因子的效应可以被其他因子所提高或削弱的试验上。实际上,倘若因子水平选择恰当,设计可以得到有用的结果。Castro等利用PB试验对培养基中的20种组分仅进行了24次试验,使γ-干扰素的产量提高了近45%。 培养基优化

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值