ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Process Optimization: A Statistical Approach

دانلود کتاب بهینه سازی فرآیند: یک رویکرد آماری

Process Optimization: A Statistical Approach

مشخصات کتاب

Process Optimization: A Statistical Approach

ویرایش: 1 
نویسندگان:   
سری: International Series in Operations Research & Management Science 105 
ISBN (شابک) : 9780387714349, 9780387714356 
ناشر: Springer US 
سال نشر: 2007 
تعداد صفحات: 461 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 12 مگابایت 

قیمت کتاب (تومان) : 39,000



کلمات کلیدی مربوط به کتاب بهینه سازی فرآیند: یک رویکرد آماری: تئوری و روش های آماری، کنترل کیفیت، قابلیت اطمینان، ایمنی و ریسک، آمار، عمومی، مدل سازی ریاضی و ریاضیات صنعتی، طراحی مهندسی، بهینه سازی



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 14


در صورت تبدیل فایل کتاب Process Optimization: A Statistical Approach به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب بهینه سازی فرآیند: یک رویکرد آماری نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب بهینه سازی فرآیند: یک رویکرد آماری



بهینه سازی فرآیند: یک رویکرد آماری یک کتاب درسی برای دوره ای در تکنیک های بهینه سازی تجربی برای فرآیندهای تولید صنعتی و سایر سیستم های \"پر سر و صدا\" است که در آن تاکید اصلی بر بهینه سازی فرآیند است. این کتاب همچنین می تواند به عنوان یک متن مرجع توسط مهندسین صنعتی، کیفیت و فرآیند و آماردانان کاربردی که در صنعت، به ویژه، در تولید نیمه هادی/الکترونیک و در صنایع تولید بیوتکنولوژی کار می کنند، استفاده شود.

ویژگی های عمده < EM>بهینه سازی فرآیند: یک رویکرد آماری عبارتند از:

  • این یک نمایش کامل از تکنیک های اصلی طراحی تجربی، از جمله طرح هایی برای مدل های مرتبه اول و دوم، سطح پاسخ و طرح‌های بهینه؛
  • روش‌های سطح پاسخ جریان اصلی را به تفصیل مورد بحث قرار می‌دهد، از جمله رویکردهای غیرمحدود و محدود (یعنی تحلیل برآمدگی و پاسخ دوگانه و چندگانه).
  • < P>
  • شامل بحث گسترده ای در مورد مسائل طراحی پارامتر قوی (RPD)، از جمله مسائل طراحی تجربی مانند طرح های Split Plot و رویکردهای بهینه سازی اخیر مورد استفاده برای RPD؛
  • <. /P>

  • رویکردهای بهینه‌سازی بیزی را بر اساس داده‌های تجربی (شامل مقدمه‌ای بر استنتاج بیزی)، از جمله بهینه‌سازی پاسخ تک و چندگانه و بهینه‌سازی قوی مدل ارائه می‌کند؛
  • </ P>

  • ارائه عمیقی از مسائل آماری که در مسائل بهینه‌سازی ایجاد می‌شوند، از جمله مناطق اطمینان در تنظیمات بهینه یک فرآیند، قوانین توقف در بهینه‌سازی تجربی و موارد دیگر را ارائه می‌دهد.
  • شامل بحثی در مورد روشهای بهینه سازی قوی که در برنامه نویسی ریاضی استفاده می شود و کاربرد آنها در بهینه سازی سطح پاسخ می باشد.
  • برنامه های نرم افزاری را ارائه می دهد. نوشته شده در MATLAB و MAPLE برای پیاده سازی روش های بهینه سازی فرآیند بیزی و مکرر؛
  • مقدمه ای بر بهینه سازی آزمایش های کامپیوتری و شبیه سازی شامل و مقدمه ای بر تقریب تصادفی و تصادفی ارائه می کند. روش‌های تقریب تصادفی آشفتگی (SPSA)؛
  • شامل مقدمه‌ای بر روش‌های کریجینگ و طراحی آزمایشی برای آزمایش‌های رایانه‌ای است؛
  • < /UL>

    ضمیمه‌های گسترده‌ای را درباره نتایج رگرسیون خطی، ANOVA و بهینه‌سازی ارائه می‌دهد.



توضیحاتی درمورد کتاب به خارجی

PROCESS OPTIMIZATION: A Statistical Approach is a textbook for a course in experimental optimization techniques for industrial production processes and other "noisy" systems where the main emphasis is process optimization. The book can also be used as a reference text by Industrial, Quality and Process Engineers and Applied Statisticians working in industry, in particular, in semiconductor/electronics manufacturing and in biotech manufacturing industries.

The major features of PROCESS OPTIMIZATION: A Statistical Approach are:

  • It provides a complete exposition of mainstream experimental design techniques, including designs for first and second order models, response surface and optimal designs;
  • Discusses mainstream response surface method in detail, including unconstrained and constrained (i.e., ridge analysis and dual and multiple response) approaches;
  • Includes an extensive discussion of Robust Parameter Design (RPD) problems, including experimental design issues such as Split Plot designs and recent optimization approaches used for RPD;
  • Presents a detailed treatment of Bayesian Optimization approaches based on experimental data (including an introduction to Bayesian inference), including single and multiple response optimization and model robust optimization;
  • Provides an in-depth presentation of the statistical issues that arise in optimization problems, including confidence regions on the optimal settings of a process, stopping rules in experimental optimization and more;
  • Contains a discussion on robust optimization methods as used in mathematical programming and their application in response surface optimization;
  • Offers software programs written in MATLAB and MAPLE to implement Bayesian and frequentist process optimization methods;
  • Provides an introduction to the optimization of computer and simulation experiments including and introduction to stochastic approximation and stochastic perturbation stochastic approximation (SPSA) methods;
  • Includes an introduction to Kriging methods and experimental design for computer experiments;

Provides extensive appendices on Linear Regression, ANOVA, and Optimization Results.




فهرست مطالب

Contents......Page 7
Preface......Page 15
PART I: PRELIMINARIES......Page 19
1.1 Introduction......Page 21
1.2 Brief Historical Account of Some Process Optimization Methods for Noisy Processes......Page 25
1.3 Some Basic Ideas in Response Surface Methods......Page 29
1.4 Statistical Inference in Process Optimization: Frequentist and Bayesian Methods......Page 39
1.5 Some Basic Ideas in Experimental Design......Page 41
PART II: ELEMENTS OF RESPONSE SURFACE METHODS......Page 45
2 OPTIMIZATION OF FIRST ORDER MODELS......Page 47
2.1 New Region Exploration......Page 48
2.2 Steepest Ascent/Descent Procedure......Page 49
2.3 Problems......Page 57
3 EXPERIMENTAL DESIGNS FOR FIRST ORDER MODELS......Page 63
3.1 Variance Properties of 2-level Factorial Designs for a First Order Model......Page 64
3.2 Useful 2-level First Order Designs......Page 67
3.3 2^(k−r) Designs. Resolution of a Fractional Factorial. Construction of 2^(k−r) Designs......Page 72
3.4 Plackett-Burman Designs and Other Screening Designs......Page 84
3.5 Randomization and Blocking......Page 87
3.7 Bias Properties of First Order Designs......Page 89
3.8 Adding Center Points to a 2^k (or 2^(k−r)) Design......Page 92
3.9 Adaptive Two Level, One-factor-at-a-time Experimentation**......Page 94
3.10 Problems......Page 99
4 ANALYSIS AND OPTIMIZATION OF SECOND ORDER MODELS......Page 103
4.1 Unconstrained Optimization and Characterization of Second Order Models: “Canonical” Analysis......Page 104
4.2 Constrained Optimization and Analysis of Second Order Models: “Ridge” Analysis......Page 111
4.3 Optimization of Multiple Response Processes......Page 115
4.4 Nonlinear Programming Approaches......Page 122
4.5 Problems......Page 124
5 EXPERIMENTAL DESIGNS FOR SECOND ORDER MODELS......Page 127
5.1 Rotatable Designs......Page 128
5.2 Central Composite Designs......Page 136
5.3 Blocking in Second Order Models......Page 140
5.4 Box-Behnken Designs......Page 143
5.5 Roquemore’s (Hybrid) Designs......Page 147
5.6 Variance Dispersion Graphs......Page 150
5.7 D and G-Optimal Designs......Page 155
5.8 Mixture Experiments......Page 165
5.9 Problems......Page 170
PART III: STATISTICAL INFERENCE IN PROCESSOPTIMIZATION......Page 175
6 STATISTICAL INFERENCE IN FIRST ORDER RSM OPTIMIZATION......Page 177
6.1 Stopping Rules for Steepest Ascent......Page 178
6.2 Confidenc Cone for the Direction of Steepest Ascent/Descent......Page 198
6.3 Setting the Step Size and the Direction Simultaneously for New Region Exploration**......Page 203
6.4 Avoiding Extrapolation in Steepest Ascent Searches**......Page 208
6.5 Problems......Page 209
7.1 Confidenc Intervals on the Eigenvalues of the Matrix of Quadratic Parameter Estimates......Page 211
7.2 Confidenc Region on the Location of a Stationary Point......Page 214
7.3 Confidenc Regions for the Constrained Maximum or Minimum of a Response Function**......Page 220
7.4 Problems......Page 225
8 BIAS VS. VARIANCE......Page 227
8.1 The Applied Statistics Argument......Page 228
8.2 The Case of a First Order Model (d1 = 1) and SecondOrder True Process (d2 = 2)**......Page 230
8.3 The Optimal Design Argument......Page 234
8.4 Conclusions......Page 235
8.5 Problems......Page 237
9 ROBUST PARAMETER DESIGN......Page 241
9.1 Optimization Approaches Suggested by Taguchi......Page 243
9.2 Control × Noise Interaction Effects......Page 247
9.3 Experimental Designs Used in RPD......Page 248
9.4 Split Plot Designs and Robust Parameter Design......Page 252
9.5 Mean and Variance Estimation: A Dual Response Approach to RPD**......Page 264
9.6 Robustness with respect to Noise Factors and Parameter Uncertainty......Page 271
9.7 The Noise Factor Separation Criterion for Experimental Designs Used in Robust Parameter Design......Page 276
9.8 Multiple Response Robust Parameter Design**......Page 281
9.9 Problems......Page 295
PART IV: ROBUST PARAMETER DESIGN AND ROBUSTOPTIMIZATION......Page 239
10.1 Introduction......Page 297
10.2 Minimax Deviation Method......Page 298
10.3 Relation with Stochastic Programming Methods in RSM......Page 302
10.4 Computer Implementation of the Minimax Deviation Method......Page 303
10.5 Problems......Page 305
PART V: BAYESIAN APPROACHES IN PROCESSOPTIMIZATION......Page 307
11.1 Introduction......Page 309
11.2 Basics of Bayesian Inference......Page 310
11.3 Bayes’ Theorem for Events......Page 311
11.4 Bayes’ Theorem for Densities......Page 312
11.6 Simulation of Posterior Quantities......Page 315
11.7 Choice of Prior Distribution......Page 318
11.8 Inferences on Normally Distributed Data (Known Variance)......Page 329
11.9 Inferences on Normally Distributed Data, Both Parameters Unknown......Page 333
11.10 Problems......Page 336
12 BAYESIAN METHODS FOR PROCESS OPTIMIZATION......Page 339
12.1 Bayesian Linear Regression and Process Optimization......Page 340
12.2 A Stopping Rule for Process Optimization Based on the Conjugate Prior Regression Model......Page 349
12.3 Bayesian Multivariate Regression and its Use in Process Optimization and Robust Parameter Design......Page 353
12.4 A Bayesian Approach to Robust Parameter Design......Page 360
12.5 A Connection with Process Control**......Page 364
12.6 Model-Robust Process Optimization**......Page 365
12.7 Model-Robust Optimization with Noise Factors......Page 372
12.8 Bayesian Optimization with Mixture Models......Page 373
12.9 Model-Robust Bayesian Experimental Design......Page 377
12.10 Computer Implementation of Some Bayesian Optimization Methods......Page 378
Matlab Program for the Implementation of Gilmour and Mead’s [61] Stopping Criterion......Page 379
12.11 Problems......Page 380
13.1 Introduction......Page 385
13.2 Newton’s Method and Stochastic Approximation......Page 386
13.3 Stochastic Gradient......Page 388
13.4 Stochastic Perturbation Stochastic Approximation......Page 389
13.5 Statistical Test of KKT Optimality Conditions in Simulation Optimization**......Page 392
13.6 Problems......Page 395
14 KRIGING AND COMPUTER EXPERIMENTS......Page 397
14.1 Kriging**......Page 398
14.2 Space Filling Designs......Page 406
14.3 Problems......Page 411
PART VII: APPENDICES......Page 415
A.1 Ordinary Least Squares......Page 417
A.1.1 Properties of OLS Estimates......Page 420
A.1.3 Estimation and Prediction in Regression......Page 422
A.1.4 Analysis of Residuals and Influenc Diagnostics......Page 423
A.2 Testing Hypothesis on the OLS A.2.1 Significanc of Regression......Page 425
A.2.2 Tests on Individual and Subgroups of Parameters......Page 427
A.2.3 Test for Lack of Fit......Page 428
A.2.4 Single Degree of Freedom Test for Curvature......Page 429
B.1 One Factor ANOVA, Fixed Effects......Page 431
B.1.1 A More Formal Justificatio of ANOVA......Page 436
B.1.2 Expected Sums of Squares, Fixed Effects One Way ANOVA......Page 438
B.1.3 Parameter Estimation in ANOVA Fixed Effects Models......Page 439
B.2 Random Effects Models......Page 441
B.2.1 Derivation of Expected Mean Squares, One-way Random Effects Model......Page 442
B.2.2 ANOVA Method of Estimating the Variance Components......Page 444
C.1.1 Basic Definitions......Page 447
C.1.3 Determinants and Matrix Inverse......Page 449
C.1.4 Generalized Inverses and Solutions of Systems of Linear Equations......Page 451
C.1.5 Eigenvalues, Eigenvectors, and Quadratic Forms......Page 453
C.2 Optimality Conditions......Page 454
Scaled Inverse χ2 and Inverse Gamma Distributions......Page 461
Matrix T Density......Page 462
References......Page 463
Index......Page 473




نظرات کاربران