参照优秀论文B
pro1
1.1
对附件 1 中每种催化剂组合,分别研究乙醇转化率、C4 烯烃的选择性与温度的关系。
1.数据预处理
根据不同指标进行分组,绘制散点图进行观察。
2.皮尔逊相关系数判断相关性
皮尔逊相关系数:用一个数来描述两个变量之间的相关联的程度。
统计学三大相关系数之皮尔森(pearson)相关系数_皮尔森相关系数-CSDN博客
相关系数——皮尔逊相关系数的公式及其理解_皮尔逊相关系数公式-CSDN博客
皮尔逊相关(Pearson correlation)系数概述及其计算例_皮尔逊相关系数-CSDN博客
3.非线性回归曲线拟合
选取不同拟合方式得拟合图像(origin复现时用过,应该也行)
基于spss的非线性回归(non-linear regression)_spss非线性回归-CSDN博客
4.相关性检验
比较不同拟合方式的相关系数,最大值即为最合适关系
1.2
对附件 2 中 350 度时给定的催化剂组合在一次实验不同时间的测试结 果进行分析
1.预处理
降维分类,利用spass的Q聚类为主要附加产物和次要附加产物两类。绘制系谱图
2.非线性拟合
观察不同产物随温度变化趋势图,选取合适函数拟合,得到表达式。分析变化趋势
pro2
1.预处理
有对照实验,将组分进行拆分,选取合适因变量和自变量
2.多元线性回归
研究变量之间的影响关系时,首当其冲想到的就是回归分析。其中的多元线性回归分析凭借其成熟度和广泛应用性,占据了举足轻重的地位
(1)方差分析
分析方差齐次检验表及主体间效应检验后,可进行回归模型的建立
spss方差齐性检验怎么操作 spss方差齐性检验结果怎么分析-IBM SPSS Statistics 中文网站 (mairuan.com)
(2)建立多元回归模型
3.偏最小二乘法回归模型
在实际问题中,经常遇到需要研究两组多重相关变量间的相互依赖关系,并研究用 一组变量(常称为自变量或预测变量)去预测另一组变量(常称为因变量或响应变量),除了最小二乘准则下的经典多元线性回归分析(MLR),提取自变量组主成分的主成分回归分析(PCR)等方法外,还有近年发展起来的偏最小二乘(PLS)回归方法。
偏最小二乘回归提供一种多对多线性回归建模的方法,特别当两组变量的个数很多,且都存在多重相关性,而观测数据的数量(样本量)又较少时,用偏最小二乘回归建立的模型具有传统的经典回归分析等方法所没有的优点。 偏最小二乘回归分析在建模过程中集中了主成分分析,典型相关分析和线性回归分析方法的特点,因此在分析结果中,除了可以提供一个更为合理的回归模型外,还可以 同时完成一些类似于主成分分析和典型相关分析的研究内容,提供更丰富、深入的一些 信息。
【建模应用】PLS偏最小二乘回归原理与应用 - pigcv - 博客园 (cnblogs.com)
偏最小二乘(Partial Least Squares,PLS)原理及模型建立_pls模型-CSDN博客
深度探索:机器学习偏最小二乘回归(PLS)算法原理及其应用_pls人工智能-CSDN博客
偏最小二乘回归(一):模型介绍_交叉有效性检验-CSDN博客
4.模型对比与检验
比较拟合效果,常用残差平方和。
绘制预测图和回归系数图进行解释。
pro3
如何选择催化剂组合与温度,使得在相同实验条件下 C4 烯烃收率尽可能高;若使温度低于 350 度,又如何选择催化剂组合与温度,使得 C4 烯烃收率尽可能高。
1.数据预处理
参照pro1的聚类结果,利用阈值初筛,剔除对照不佳的实验
2.单目标优化模型
优化算法是指在满足一定条件下,在众多方案中或者参数中最优方案,或者参数值,以使得某个或者多个功能指标达到最优,或使得系统的某些性能指标达到最大值或者最小值。
数学建模学习(8):单目标和多目标规划_单目标规划模型-CSDN博客
MATLAB数学建模(五)| 还在为不会写多目标优化算法代码而发愁吗? - 知乎 (zhihu.com)
3.基于多元线性回归的模型优化
利用spass对C4烯烃收率进行拟合得目标函数表达式。
4.基于方差分析的模型优化
因变量间有互相影响,故将其作为相互作用因子,得到新的变量,进行多元线性回归拟合。
pro4
如果允许再增加 5 次实验,应如何设计,并给出详细理由。
1.均匀设计
利用前面的偏最小二乘回归系数直方图,得到均匀设计中各因素水平。
均匀设计篇之二:均匀设计方法 - 知乎 (zhihu.com)
实验设计第六讲 均匀设计_均匀设计和正交设计的区别-CSDN博客
灵敏度分析