了解如何创建查找模型以链接到外部.csv文件中的表格数据,运行运行矩阵类型的DOE以导入查找.csv文件中的数据,以及使用FAST(通过训练自动选择拟合)构建预测模型。
在开始之前,请将本教程中使用的模型文件从 /HS-3015/ 复 制到您的工作目录。
打开FAST_data.csv文件并查看其内容。
.csv文件包含两个变量(x和y)和三个响应。
1.启动HyperStudy。
2.通过以下方式开始新研究:
a)在菜单栏中,单击File>New。
b)在功能区上,单击。
3.在Add Study对话框中,输入研究名称,选择研究的位置,然后单击OK。
4.转到Define Models步骤。
5.通过将FAST_data.csv文件从Directory拖放到工作区来添加Lookup模型。
6.导入变量。
a)单击Import Variables。
此时将打开Import Variables对话框。
b)在Number of design variables字段中,输入2。
c)单击OK。
输入变量应位于前两列中,其余列被解释为输出响应。
7.转到Define Input Variables步骤。
8.查看输入变量。
输入变量的边界基于FAST_data.csv文件的内容。初始值设置为.csv文件中的第一个条目。
1.转到Test Models步骤。
2.单击Run Define。
在study Directory中创建approaches/setup_1-def/ 目录。approaches/setup_1-def/run__00001/m_1目录包含输入文件,该文件是试运行的结果。
1.转到Define Output Responses步骤。
2.查看输出响应。
一个输出响应名为Highly Nonlinear,两个是多项式。
1.添加DOE。
a)在Explorer中,右键单击并从上下文菜单中选择Add。
此时将打开Add对话框。
b)对于Definition from ,选择一种方法。
c)选择DOE,然后单击OK。
2.转到DOE 1>Specifications步骤。
3.在工作区中,将Mode设置为Run Matrix。
4.从Settings选项卡的Matrix File字段中,导航到您的工作目录并选择FAST_data.csv文件。
5.单击Apply。
DOE矩阵使用FAST_data.csv文件中的输入变量值进行填充。
6.转到DOE 1>Evaluate步骤。
7.单击Evaluate Tasks。
1.添加Fit。
a)在Explorer中,右键单击并从上下文菜单中选择Add。
b)在Add对话框中,选择Fit,然后单击OK。
2.导入矩阵。
a)转到Fit 1>Specifications步骤。
b)单击Add Matrix。
c)在工作区中,将Matrix Source设置为Doe 1(doe_1)。
d)单击Apply。
3.定义规范。
a)验证分配给每个输出响应的Fit Type是否为FAST – Fit Automatically Selected by Training(由训练自动选择拟合)。
默认情况下,FAST会自动从所有可用的Fit中选择最佳Fit类型。您可以通过在工作区域中突出显示一个或多个响应,然后从Settings选项卡中选择Fits,手动选择FAST可以选择的Fit类型。
b)单击Apply。
4.评估任务。
a)转到Fit 1>Evaluate步骤。
b)单击Evaluate Tasks。
**Note:**最佳可用Fit的选择因每个输出响应而异,这可能会导致这些循环与选择单个特定的Fit时相比非常耗时。每个输出响应的步骤都是互斥的,因此您可以使用Multi-Execution选项来加速此过程。
5.转到Fit 1>Post-Processing步骤。
6.查看诊断。
a)单击Diagnostics选项卡。
高度非线性响应使用RBF,而其他响应使用LSR。在每种情况下,FAST都选择了具有最高验证R平方值的细节。R平方可以解释为模型可以解释的数据方差的百分比。
b)单击Regression Terms并通过在工作区中单独选择Poly1和Poly2来比较它们。
Poly1和Poly2正在使用逐步回归,这意味着回归的系数被降低到足以对数据进行建模的最小集 合。Poly1仅使用x,而Poly2使用x和y^2。
c)如果需要,请从Diagnostics表的Fit Type和Fit Specifics列中复 制数据,并将其粘贴到Specification步骤中的Fit Type和Fit Specifics列中。
此步骤将Fit规范显式设置为从FAST确定的结果;如果必须重新运行Fit,此步骤可以节省时间,因为FAST不需要搜索最佳设置。
7.单击Trade-Off选项卡以绘制所有函数并查看预测数据点与已知数据点。
在每种情况下,拟合模型都紧密跟随数据,而不管高度非线性响应对多项式响应的简单 平面数据中的正弦函数如何。