2022/10/12学习心得

今天主要是对论文中的数据进行验证与判断，论文题目Assessment and optimization of grinding process on AISI 1045 steel in terms of green manufacturing using orthogonal experimental design and grey relational analysis，主要原则是通过灰色关联度分析将多个目标变量通过标准化、灰色关联度分析将多目标变量进行统计，主要是采用灰色关联度系数系数来进行极差分析，通过极差分析与主效应图来得出满足单一目标时的最佳方案，每个单一目标的优化实验下，依据每一列变量下的均值、在所有变量中所占的比例来得出每个变量的权值，方便计算最终的灰色关联度。

对于之前的灰色关联度分析中采取主成分分析法来计算权值，今天对于主成分分析的理解加深，主成分分析主要步骤如下：

先将数据建立起来一个决策矩阵，将数据每一个成分的均值、平均值、方差等描述性变量进行计算，通过标准化计算将数据固定在0~1之间，之后计算决策矩阵的转置矩阵，并计算决策矩阵与转置决策矩阵的乘积，由于决策矩阵已经标准化，所以方差都为一，之后的相关系数矩阵也就与之前的转置决策矩阵与决策矩阵之间的乘积相同，计算相应的矩阵的特征值与特征向量。

将特征向量除以对应的根号特征值，得到成分矩阵；

提取特征值与方差贡献率大于85%的主成分，将提取出来的成分矩阵与对应的方差贡献率相乘并除以提取出来成分的方差贡献率的和（已经提取出来的方差贡献率，假如第一个占0.65691，第二个占0.20727

0.65691

0.20727

归一化后的方差贡献率为

0.760154135

0.239845865

使用​​​​​​​​​​​​​​主成分系数矩阵乘提取主成分后成分的方差贡献率归一化值

 

相乘后得到一个单列的系数矩阵，

0.349789211
-0.33982212
0.190864195
-0.006724849
0.339868361
-0.277736722
0.253568319
0.308404082
0.095962924

对应的系数矩阵归一化得到提取出来的主成分的权值，方便对于多数变量、因素之间的简化，但是对于论文中的权值的提取，采用的是标准化后的单列变量均值在其中的比例，这个方法更易于理解，方便使用。

在文中一个重要的点就是对于变量中的性质，谁越小越好，谁越大越好，是需要在之前的处理进行变化，就论文中的数据处理是将所有标准化后的数据，性质越小越好的用1-x来表示，性质越大的保持不变，常采用极差处理法也需要注意，当目标是越小越好的化，就需要进行处理。同样的在前面学习的TOPSIS方法中，同样采用是的与方案中的数据与理想值的距离来判断方案的好坏，如果是找出方案中的最小值，需要将数据预处理变为（Xmax-X）/（Xmax-Xmin），这样就将距离变为与最小的值之间的距离，还有许多的预处理方法，都是方便数据处理的准确性。

这个星期学习的两篇论文分别采用了灰色关联度分析法和TOPSIS熵权分析法，两种方法都是将多目标问题通过数学处理变为单目标问题，但是采用的都是极差分析法、主效应分析法和响应曲面法，并且通过拟合二项式回归曲线、方差分析来求出每个因素之间的贡献率，判断谁是最终要的因素，总之就是得出那个实验方案是最重要的，那么想要通过方案最终得分来得出最优的解，需要的是实验的方案的多，只有试验方案多才能保证数据的多样性。

对哦，对于贡献度除了主成分分析法、灰色关联度分析中每个变量均值在所有均值所占的比例，还有方差分析，用方差分析中各个变量的F值在SST中的比例来计算贡献度。