发酵优化设计

发酵优化设计思维导图：包含试验设计方法，PB设计-因子筛选（二水平的部分试验设计，通过对每个因子取两水平来进行分析，通过比较各个因子两水平之间的差异来确定因子的显著性）等等

发酵优化设计

• 试验设计方法
  • 单因素法
    • 单次单因子法，繁琐，不适用与多因素情况
      • 现主要用于正式因子筛选试验之前对同类因子进行比较
  • 正交法
    • 利用正交表进行试验设计，简单易行，计算表格化，但无法在给定区域内找到具体的最佳组合和响应
  • 响应面法
    • 综合试验设计和数学建模，采用多元二次回归方程来拟合因素与响应值之间的关系并对各因子水平及其交互作用进行优化
  • pB
    • 用于显著因素的筛选，一般位于爬坡实验之前
  • 子主题
    • 均匀设计
      • y利用均匀设计表进行试验设计，试验次数大大减少，只要求在实验范围内的均匀分散
  • 最陡爬坡试验
    • 用于多个因素，寻找各个因素中心点，一般用于pB试验之后
  • 神经网络-遗传算法
    • 模拟人类神经元网络拓扑结构，非线性的
  • 期望函数
    • 满意度函数
• PB设计-因子筛选
  • 二水平的部分试验设计，通过对每个因子取两水平来进行分析，通过比较各个因子两水平之间的差异来确定因子的显著性
  • 不能区分主效应与交互效应，但对有显著效应的因子可以确定出来，从而达到筛选目的
  • 原则
    • 每行高水平（+）的数目为N/2个
    • 每行低水平（-）的数目为N/2-1个
    • 每列包含的高、低水平数相等，都为N/2个
• 数值分析方法
  • 多元一次方程
  • R2、P值、F检验或t检验、误差
• 爬坡
  • 步长
  • 爬坡方向
  • 四个因素
    • pB实验结果中p值最小的，即影响最显著的因素的步长不变，步长1/步长2=+系数1/系数2，系数值为正，则正向爬坡系数为负，则负向爬坡
• 正交法
  • 正交设计是利用正交表来安排与分析多因素实验的一种方法
  • 所选择试验点在优选区内分布是均衡的
  • 正交表的特性
    • 任一列中，不同数字出现的次数相等，即一个因素每一水平出现的次数相等
    • 任两列中，同一横行所组成的数字对出现的次数相等，即每个因素的一个水平与另一因素的各个水平相互碰撞次数相等，表明任意两列各个数字之间的搭配是均匀的
  • 正交表的选择
    • 水平数恰好等于括号内底数
    • 因素个数应不大于正交表括号内指数
    • 自由度之和要小于所选择正交表的总自由度
• 响应面法
  • 中心组合
    • 使设计在最优值未知情况下各个方向上提供精确度的估计
  • 回归分析内容
    • T或F检验、P值、总模型的方差分析、回归方程系数显著性检验
    • 图的观察：等高线、两个因素是否相互影响显著
• 期望函数
  • 
• 均匀设计法
  • 每个因素的每个水平做一次且仅做一次试验，任两个因素的试验点在平面的格子点是，每行每列有且仅有一个试验点