專利名稱：組合樣品庫的設計方法和系統(tǒng)的制作方法
技術領域：
本發(fā)明涉及一種高效的試驗方法-高通量實驗方法，更具體地講，涉及其中的組合樣品庫的設計領域。
背景技術：
針對材料的許多特性，如熱傳導性、發(fā)光性、催化活性等，均可利用組合材料的發(fā)現(xiàn)方法和系統(tǒng)，來鑒別新材料或優(yōu)化已有的材料。目前的組合研究方法在樣品空間中通過格點搜索，‘用蠻力’地合成大量的樣品，然后根據所需特性篩選這些樣品。然而，這種方法幾乎沒有考慮樣品有關組分的已知的經驗知識。即使考慮這樣的經驗知識，也缺乏適當?shù)姆椒▉碓O計在樣品空間中充分隨機化了的樣品庫。
因此，有必要開發(fā)一種全新的組合實驗設計體系和方法，以有效地將經驗知識整合到樣品庫設計中，而在此經驗知識之外樣品的取樣則應是完全隨機的以避免人為因素的干擾。另外，我們需要知道需合成的樣品是哪些、最具代表性的樣品的總數(shù)是多少等信息。

發(fā)明內容
本發(fā)明的目的在于提供一種全新的組合實驗設計體系和方法，以有效地將經驗知識整合到樣本庫的設計中。
本發(fā)明提供了一種可整合經驗知識來設計組合樣品庫的方法。具體地，這種經驗知識可體現(xiàn)為樣品的諸個組分、與組分相關的諸個變量以及這些變量的約束條件。
本發(fā)明同時提供了一種包括以下步驟的設計樣品庫的方法(1)提供目標樣品中的組分；(2)為每一組分設定變量；(3)為上述變量設定至少一個約束條件；
(4)產生偽樣品庫；(5)選取偽樣品中滿足約束條件的合格樣品；在一實施方案中，變量的約束條件是由經驗或以前已知知識決定的變量之間的關系。在又一實施方案中，經驗知識是由變量表示的物理或化學自然定律。
在一實施方案中，偽樣品可通過隨機取樣產生。在一實施方案中，上述的隨機取樣是通過采用一組變量，其中每個變量對應一個組分并且在一定間隔內隨機取值，來進行的。隨機取樣的一個例子包含蒙特卡羅(Monte Carlo)模擬。在又一個某實施方案中，隨機取值是由通過隨機數(shù)字發(fā)生器產生的。在又一實施方案中，隨機取值與概率分布或概率密度相關。該概率分布是均勻分布(uniform distribution)或非均勻分布。其中，非均勻分布包括柏努利分布(Bernoulli distribution)、貝它分布(beta distribution)、X平方分布(Chi-square distribution)、指數(shù)分布、F分布、伽馬分布、高斯分布(Gaussiandistribution)、正態(tài)分布(例如對數(shù)正態(tài)、多變量正態(tài)分布和單變量正態(tài)分布)、非中心X平方分布、非中心F分布、二項式分布、負二項式分布、多項式分布、帕雷托分布(Pareto distribution)、柏松分布(Poisson distribution)、學生t分布和薩利斯分布(Tsallis distribution)。概率分布包括均勻分布、正態(tài)分布和高斯分布。
本發(fā)明的又一方面提供了一種在樣品庫中得到所需數(shù)量的樣品的方法，該方法包括以下步驟(1)提供組成樣品的諸個組分；(2)為每一組分設定一個變量；(3)為變量設定至少一個約束條件；(4)提供樣品的所需數(shù)量；(5)產生隨機的偽樣品；(6)根據偽樣品的變量是否滿足約束條件，確定該偽樣品是否為合格樣品；(7)重復步驟(5)和(6)，直至合格樣品的數(shù)量達到所需數(shù)量。
再一方面，本發(fā)明提供了一種測算需要進行設計和/或合成的樣品最佳數(shù)量的方法，該方法包括以下步驟(1)提供組成樣品的諸個組分；
(2)為每一組分設定一個變量；(3)為變量設定至少一個約束條件；(4)在給定區(qū)間為每一變量提供所需的分割段；(5)產生偽樣品；(6)選擇滿足約束條件的偽樣品作為合格樣品；(7)由合格樣品數(shù)量除以偽樣品數(shù)量確定出合格樣品比率；(8)計算樣品的數(shù)量；以及(9)確定樣品的最佳數(shù)量，其中，樣品的最佳數(shù)量可通過用樣品的數(shù)量乘以合格樣品比率計算而得。
該方法進一步包括確定由合格樣品數(shù)量除以偽樣品數(shù)量得出合格樣品比率的步驟。
另一方面，本發(fā)明也提供了一種包含計算機軟件的計算機產品。該計算機軟件一旦運行，即可執(zhí)行本發(fā)明的方法和計算。例如。該計算機軟件可以進行隨機取樣。
附圖簡介

圖1是通過蒙特卡洛模擬方法產生的二組分樣品示意圖，每一樣品由鈰(Ce)和鐵(Fe)組成。圖中所有圓點(包括空心、灰色、黑色)代表由各自均勻分布的、獨立隨機產生的鈰變量和鐵變量構成的偽樣品；鈰變量和鐵變量之間沒有任何約束。圖中灰點和黑點代表滿足第一約束條件的偽樣品。黑點代表同時滿足第一和第二兩個約束條件的偽樣品(詳細描述參考實施例1)。
圖2是通過蒙特卡洛模擬方法產生的四組分樣品的三維圖，每一樣品由鈰(Ce)、鐵(Fe)、鎢(W)和鎳(Ni)組成。所有點代表由四變量各自均勻分布的、獨立隨機產生的偽樣品，其間沒有任何約束。
圖3是圖2中滿足第一約束條件的偽樣品示意圖。
圖4是圖3中進一步滿足第二約束條件的偽樣品示意圖。
圖5是允許使用者設計多組分樣品庫的圖形用戶界面(GUI)，其為每一組分提供一變量、變量的范圍和所需的分隔段。
圖6是選定一組分和相應的變量后給出的圖形用戶界面。
圖7是允許使用者對變量規(guī)定一個或多個約束條件的圖形用戶界面。
圖8所示的圖形用戶界面允許使用者選擇1)是否執(zhí)行蒙特卡洛模擬方法；2)如何執(zhí)行蒙特卡洛模擬方法。
圖9所示的圖形用戶界面允許使用者輸入指定的需要獲得的樣品數(shù)以及輸入樣品的指定的組分數(shù)。
圖10所示的圖形用戶界面允許使用者指定每一組分。
圖11所示的圖形用戶界面允許使用者用變量來定義約束條件。
圖12所示的圖形用戶界面允許使用者指定約束條件公差。
具體實施例方式
本發(fā)明涉及一種組合樣品庫的設計策略以便根據樣品性質來設計、合成、篩選并測量樣品庫。
本發(fā)明的一個方面提供了樣品庫的設計方法，包括提供樣品的多個組分。這里所說的“組合樣本庫”是指包括多個樣品的集合，“樣品”是指包含多種組分的材料?！敖M分”是指一種物質，包括如元素、分子、化合物、物質、物塊等，或這些物質的組合。
在本發(fā)明的一實施方案中，某樣品包括n種不同的組分，C1、C2、C3...Ci...Cn，其中n是整數(shù)，指樣品中不同組分的數(shù)量。每一組分Ci所具有的質量表示為MWi，其中i∈{0，1，2...n}，樣品中組成數(shù)量表示為Xi，相應組成比率表示為Ri。質量MWi指該組分的分子量或原子量。所謂的組成數(shù)量Xi是指樣品中第i個組分的數(shù)量，因此該樣品可表示為(C1)X1(C2)X2...(Ci)Xi...(Cn)Xn，其中i∈{0，1，2...n}，組成比率可以表征為樣品中一種組分的相對重量數(shù)量，其可用公式1表示Ri=(MWi×Xi)Σi=1nMWi×Xi]]>公式1組成數(shù)量Xi也可以指樣品中第i個組分的摩爾比率。在這種情況下，組成比率也可以表示為樣品中某一組分的摩爾分數(shù)，其取值在0到1之間，可由以下公式2予以定義Ri=XiΣi=1nXi]]>公式2組成比率還可進一步表示為樣品中某一組分的百分比，其取值在0％到100％之間。
在庫的任何樣品中，所有組分的全部組成比率之和為1。如公式3所示Σi=1nRi=1]]>公式3例如，葡萄糖分子C6H12O6可看作是包含三個組分的樣品碳元素(C)、氫元素(H)和氧元素(O)，每一組分有組成數(shù)量，如C的是6，H的是12，O的是6。每一組分的物質質量(MW)可以由各原子質量得出，C是12，H是1，而O是16。因此，C的(重量)組成比率是0.4或40％，(12*6/(12*6+1*12+16*6))；H是0.067或6.7％；O是0.533或53.3％.三個組分的組成比率的總和是1。
組合樣品庫的另一特征是，樣品庫中每一樣品都由相同類型的組分組成，但這些組分具有不同的組成比率。
本發(fā)明另一方面提供的組合樣品庫的設計方法包括為多組分樣品的每一組分提供一個變量。換言之，變量與樣品中組分一一對應。假設變量V是在區(qū)間[Vmin，Vmax]中的一隨機值，其中Vmin不小于0，Vmax不大于1，并且Vmin≤Vmax。在一實施方案中，該區(qū)間為
。如果假設變量V為離散區(qū)間{V1，V2，...Vx}的中的值，則V可以是離散的，其中該離散值落在區(qū)間[Vmin，Vmax](如
)中。如果設定V是區(qū)間[Vmin，Vmax]的隨機值，則其可以是連續(xù)值。當變量與組分相關而無任何約束條件或與其它變量均無關，則第一變量隨機值的設定不受第二變量假定的約束。如果變量是連續(xù)的，則從同一變量的區(qū)間內設定隨機值的過程，取決于該變量可能取值的分布概率或概率密度。如果該變量是離散的，則隨機值的設定取決于區(qū)間中各自的離散值的特定概率。
例如，Vi是第一組分Ci的變量，Vj是組分第二Cj的變量。Vi可設定為[Vi，min，Vi，max]區(qū)間的隨機值，Vj可設定為[Vj，min，Vj，max]區(qū)間的隨機值，Vi取值與Vj無關。當Ci、Cj是由C1、C2、...Ci、...Cj、...Cn組成的樣品中的組分，其中I，j∈{0，1，2...n}，該合成變量Vi變成了組分Ci的組成比率Ri，合成變量Vj變成了組成比率Rj，而樣品中所有組分的變量總和滿足以下公式4Σi=1nVi=1]]>公式4本發(fā)明的另一方面在于在所提供的組合樣品庫的設計方法中為樣品中的至少一個變量提供或設定至少一個約束條件?！凹s束條件”一詞指至少一變量的條件或者變量之間的關系。特別是，約束條件是樣品中一變量或多個變量必須滿足的限制條件。換言之，在有效或合格的樣品中一組取值{Vi}的變量必須滿足至少一個約束條件或一組特定的約束條件。例如，假定樣品包括組分C1、C2...Cn，且每一組分Ci具有變量Vi，其中i∈{0，1，2...n}，那么，在有效樣品中，組分變量的總和必須滿足以下約束條件，公式51-Δ≤Σi=1nVi≤1+Δ]]>公式5其中Δ是誤差(如約束公差或約束偏差)，Δ是0到0.2之間變化的值。在優(yōu)選的實施方式中，Δ是0.01，0.02，0.03，0.04，0.05，0.06，0.07，0.08，0.09，或0.10。當Δ逼近0，該約束逼近如公式5中所示等式。
另外，樣品庫設計中，關于樣品的組分的經驗知識可以體現(xiàn)為多個變量之間的關系，也可以理解為約束。換言之，我們可以通過設定約束來實現(xiàn)經驗知識中的若干個組分之間的關系。例如，根據之前的經驗，由C1、C2...Cn組成的樣品中，也許Ci與Cj的組成比率之比應該為2∶1，其中i∈{0，1，2...n}，j∈{0，1，2...n}，且i≠j。此時，除公式4所示的固有的約束外，一有效樣品的組分的變量必須滿足第二約束Vi∶Vj＝2∶1。再例如，要達到Ci和Cj的組成比率之和是x，其中x是0到1之間的值。此處，一有效樣品的組分的變量必須滿足第二約束Vi+Vj＝x，其中i，j∈{0，1，2...n}且i≠j。
本發(fā)明提供的組合樣品庫的設計方法包括產生偽樣品。“偽樣品”是指一個多組分的假定樣品，其每一個組分都有一個獨立的變量使得某一個變量的任意賦值是相對于另一個變量任意賦值的獨立事件并且偽樣品的全體變量都不受任何約束條件的限制。換言之，其變量可以滿足或不滿足約束條件。例如，一偽樣品包括C1、C2...Ci，...Cj，...Cn，其中i，j∈{0，1，2...n}且i≠j，Vi和Vj是
區(qū)間中的隨機值，Vi可取
間的某一個值，Vj可取
間的另一個值。這些變量值的和無需符合公式4和5的要求。
偽樣品可以對應也可不對應一個真實的物理樣品，偽樣品是沒有任何約束的獨立的假定變量取值的樣品點。因此大量的偽樣品組成一個樣品空間。
偽樣品可采用隨機取樣來產生。隨機取樣方法是一種通過為一個樣品點的每個組份隨機賦值來產生樣品點的方法。在區(qū)間[Vmin，Vmax]中產生隨機數(shù)值的方法是明確的，其中Vmin不小于0，且Vmax不大于1。請參考Carter的《隨機數(shù)字的產生和應用(第四維)》(“The Generation and Application of RandomNumbers(Fourth Dimensions)”，Vol.XVI，1994)。隨機數(shù)生成器的算法和計算程序是計算機科學領域所熟知的，請參考D.E.Knuth的《計算機程序的藝術-半數(shù)值算法》(第2卷，阿狄森-韋斯利第二版，1981年出版)(“The Art of ComputerProgramming-Seminumerical Algorithms”Vol.2，2ndEd.Addison-Wesley，1981)；Press等著的《數(shù)值法處方—科學計算的藝術》(“Numerical RecipesThe Art of ScientificComputing”Cambridge University Press，1986；及“Numerical Recipes(FORTRAN)”，第191-225頁，1988)；以及S.L.Anderson所著《在向量超型計算機和其它先進體系上的隨機數(shù)生成器》(“Random Number Generators on Vector Supercomputers andOther Advanced Architectures”，SIAM Rev，，32221-225，1990年)。
隨機產生的數(shù)值是事件的發(fā)生或在特定區(qū)間[Vmin，Vmax]中的可能賦值的變量(V)，其中該事件發(fā)生的概率取決于該變量的概率密度或概率分布。因此，變量進一步由概率函數(shù)對變量間隔所包含的值的賦值來定義。例如，離散變量可通過給區(qū)間中的每一離散值指定相關概率來定義。連續(xù)變量可通過給包括所有變量可能取值的區(qū)間指定概率分布來定義。
這里所采用的概率分布指反映其觀測或理論出現(xiàn)頻率的變量取值的排列。該技術領域中熟知的概率分布包括均衡分布和非均衡分布。非均衡分布包括柏努利分布、貝它分布、X平方分布、指數(shù)分布、F分布、伽馬分布、高斯分布、正態(tài)分布(例如，對數(shù)正態(tài)、多變量正態(tài)分布和單變量正態(tài)分布)、非中心X平方分布、非中心F分布、二項式分布、負二項式分布、多項式分布、帕雷托分布、柏松分布、學生氏t分布、薩利斯分布以及以上分布的任意聯(lián)合。
在一實施方案中，隨機變量由非均衡概率分布賦值，例如，包括正態(tài)分布、柏松分布和高斯分布。在另一實施方案中，變量的隨機產生值由均衡分布賦值或與其相關，因此，均衡分布的隨機變量可在區(qū)間[Vmin，Vmax](Vmin≥0，Vmax≤1)以相同概率假定任何隨機值。
本領域一般技術人員可知，非均衡分布隨機值(或數(shù))可通過隨機數(shù)字發(fā)生器產生(如線性疊合發(fā)生器)。該線性疊合發(fā)生器的一般公式是Vi＝(aVi-1+c)mod m，其中a、c和m是預先設定的常數(shù)，a是乘數(shù)值，c是增量，m是系數(shù)。請參考Park和Miller的《隨機數(shù)字發(fā)生器好的難找》(“Random NumberGeneratorsGood Ones are Hard to Find”，Comm.ACM 311192-1201，1988)。隨機數(shù)字發(fā)生器包括Kirkpatrick和Stoll所著的《快速移轉寄存器序列隨機數(shù)字發(fā)生器》(“A Very Fast Shift-Register Sequence Random Number Generator”，Journal ofComputational Physics 40517-526，1981)中所描述的移轉寄存器序列。此外，隨機數(shù)字發(fā)生器也包括準隨機的數(shù)字發(fā)生器，請參考Press和Teukolsky的《準隨機數(shù)》(“Quasi Random Numbers”，Computers in Physics 376-79，1989)。
非均衡分布隨機值，如正態(tài)分布或高斯分布隨機值，也可通過相關領域熟知的方法產生。請參考魯賓斯坦《模擬和蒙特卡羅方法》(Rubinstein，“Simulation and the Monte Carlo Method”由John Wiley & Sons出版1981年)。方法之一包括轉化函數(shù)，如著名的博克士墨勒轉換，用以將均衡分布隨機變量轉換成新一組非均衡分布的隨機變量(例如，高斯或正態(tài)分布)，請參考博克士墨勒的《隨機偏離產生的一個注釋》(Box & Muller，“A Note on the Generation ofRandom Deviates”，Annals Math.Stat.29610-611，1958)。
在一實施方案中，隨機取樣方法包括蒙特卡羅方法或模擬。這里的“蒙特卡羅方法”或“蒙特卡羅模擬”一詞指隨機技術的一種或用來研究問題并獲得解決問題概率近似值的隨機取樣方法。特別地，這里所用的“蒙特卡羅方法”或“蒙特卡羅模擬”一詞特別是指產生隨機事件的過程(如任意給定變量的隨機發(fā)生值)。該過程通常通過計算機運算法則達成，該過程重復多次，且分析和計算所有的試驗結果用以提供近似解答。蒙特卡羅模擬請參考米特羅泊勒斯和烏拉姆的《蒙特卡羅方法》(美國統(tǒng)計協(xié)會期刊44335-341，1949年)(Metropolis and Ulam，“The Monte Carlo Method”，Journal of American StatisticalAssociation 44335-341 1949)；壽柏爾的《蒙特卡羅方法》(Sobol，“The Monte CarloMethod”，The University of Chicago Press，1974)；穆尼的《蒙特卡羅模擬》(Mooney，“Monte Carlo Simulation”，Sage University Paper，1997)。
蒙特卡羅方法在本領域不斷得到發(fā)展。例如，該方法最初應用于通過在標準坐標(被正方形外切的一圓周)上投擲飛鏢估計π的數(shù)值上。通過大量試驗，發(fā)現(xiàn)飛鏢擊中圓周與正方形的數(shù)量分別與圓周面積和正方形面積成比例，并具有相當?shù)木_度。相應地，飛鏢擊中圓周和正方形次數(shù)的比率近似于π值的分數(shù)，請參考羅斯《概率第一課》(Ross，“A First Course in Probability”2ndEdition，Macmillan，1976)。
另一例子，蒙特卡羅模擬可應用于估計以下積分公式6
N=∫i,mini,maxV(x)dx]]>公式6在該例中，函數(shù)V(x)周圍有一范圍框，V(x)的積分可理解為范圍框中在V(x)的部分。如果范圍框中點的選取隨機且非均一，那么點位于V(x)中的概率則由V(x)在框中所占的面積部分確定。蒙特卡羅模擬于是在框中產生大量隨機點(隨機發(fā)生值)并計算V(x)中點的數(shù)量以獲得面積。作為結果，公式6的積分可表達為以下公式7N≈ABC]]>公式7其中A是V(x)中點的數(shù)量，B是框中產生的所有點的數(shù)量，C是范圍框的面積。另外，比率A/B與V(x)在范圍框中相對所占面積比例相關。
蒙特卡羅模擬的另一實例包括生成由經驗知識加以側重的隨機變量值。例如，關于組分(或組分比率)的經驗知識要求賦予變量在不同的特定區(qū)間以不同的概率密度(連續(xù)變量)，或要求賦予變量在不同的值以不同的取值概率(離散變量)。另一蒙特卡羅模擬的例子包括馬爾可夫鏈運算。馬爾可夫運算是一個隨機值序列，它的每一事件發(fā)生的概率依賴于產生于前一時刻的值。請參考弗蘭克和史密斯的《了解分子模擬從算法到應用》(Frenkel & Smith，“Understanding Molecular SimulationFrom Algorithm to Applications”Academic Press，1996)。
本發(fā)明另一方面是關于從偽樣品中選擇合格樣品的方法。這里的“合格樣品”一詞指通過本發(fā)明中所述方法所產生的，變量滿足一個或多個特定約束的偽樣品，非合格樣品的偽樣品被稱為不合格樣品。本發(fā)明一個實施例中，偽樣品通過隨機取樣方法產生(如蒙特卡羅模擬)，即在大量試驗中，在區(qū)間[Vmin，Vmax](Vmin≥0且Vmax≤1)中按均勻分布隨機產生的值被賦予給若干組分變量，以產生不受任何約束的偽樣品。每一偽樣品通過檢查(考察)，譬如用一個計算機算法，被判定其是否滿足特定的一個或多個約束。挑選滿足約束的偽樣品作為合格樣品存儲起來。同時，與每一合格樣品相關的諸個值被記錄成一個矢量，并與組分比率對應起來，以便在樣品庫中合成和設計合格樣品，因為在合格樣品中，該些值正是諸組分比率。
本發(fā)明的另外一個方面為在樣品庫產生給定數(shù)量的樣品提供了一種方法。該方法包括以下步驟
(1)提供組成樣品的若干組分；(2)賦予每一個組分一變量；(3)為變量設定至少一個約束條件；(4)提供所需要的樣品數(shù)量；(5)產生偽樣品；(6)如果偽樣品的變量滿足該約束條件，確定該偽樣品為合格樣品；(7)重復步驟(5)和(6)，直至合格樣品數(shù)量達到所需數(shù)量。
本發(fā)明另一方面揭示了一種計算合格樣品比率的方法，這里的“合格樣品比率(Rqs)”一詞是指，在隨機取樣方法中，變量滿足一個或多個約束的偽樣品的比例。在一實施方案中，合格樣品比率(Rqs)可以由隨機取樣方法中合格樣品數(shù)量(Nqs)除以偽樣品數(shù)量(Nps)來估計(公式8)。
Rqs≈NqsNps]]>公式8當Nps增大，計算精確度變小，變化規(guī)則跟從以下公式9Accuracy~±1N]]>公式9其中N是隨機模擬(如蒙特卡羅)試驗數(shù)量。當進行了大量蒙特卡羅模擬試驗后，隨著1/N不斷減少，合格樣品比率變動減小且精確度增加。換言之，當進行足夠數(shù)量的試驗后，合格樣品的比率可達到相當高的精確度和準確度。例如，就約束條件1-Δ≤Σi=1nVi≤1+Δ,]]>蒙特卡羅模擬的樣品(Vi)越多，精確度越高。
在一實施方案中，在采用微軟的隨機數(shù)字發(fā)生器(C++編譯器7.1.3091版，2003年)產生隨機數(shù)字函數(shù)的蒙特卡羅試驗操作中，觀測到獲得一個合格樣品(如Nqs＝1)的計算的精確度達到-100％到100％；當Nqs達到10時，其精確度在-30％到30％之間；當Nqs達到102，其精確度在-10％到10％之間；當Nqs達到103，其精確度在-3％到3％之間；當Nqs達到104，其精確度在-1％到1％之間。
另一方面，本發(fā)明還揭示了估計合格樣品最佳數(shù)量的方法。這里的“合格樣品最佳數(shù)量”一詞指，滿足特定一個或多個約束且能恰當?shù)乇憩F(xiàn)樣品空間的隨機取樣的樣品數(shù)。
在本發(fā)明一實施方案中，合格樣品最佳數(shù)量通過檢測所有由離散變量產生的可能的偽樣品并識別滿足特定約束的偽樣品來獲得。對于到離散變量，通過將區(qū)間[Vi，min，Vi，max]分割(均勻或非均勻地)成M部分或格賦予特定變量Vi來產生一組離散值，從而產生一組該區(qū)間的定義值。如果區(qū)間被均勻分成M部分，變量的離散值可為{Vi}中任意值，其中Vi＝Vi，min+l*(Vi，max-Vi，min)/Mi，l∈{0，1，2，...M}。M是正整數(shù)且可以是1到1,000,000之間的任意數(shù)。在一實施方案中，M∈{1，2，3，4，5，6，7，8，9，10，11，12，13，14，15，16 17，18，...20..25...30...40..50..102.103..104..105.106}。
如果變量僅設定為區(qū)間中的離散數(shù)值，偽樣品(Z)的總數(shù)可由變量的特定格子的數(shù)量產生。例如，在任意包含組分C1、C2...Cn的樣品中，每一組分Ci具有變量Vi，其中i∈{0，1，2...n}，每個Vi被分隔成Mi部分或格子或點，因此Vi取在區(qū)間[Vmin，Vmax](Vmin≥0且Vmax≤1)的一組離散值。根據我們對組分所對應的變量的經驗來確定這種分隔，它可以是均勻的分段或非均勻的分段。如果不考慮或沒有提供變量的約束條件，基于一組{Mi}的偽樣品總數(shù)量(Z)代表了n維樣品空間的樣品點，Z可以由以下公式10計算得出Z=Πi=1NMi]]>公式10當給定至少一個約束時，可以檢測所有偽樣品，選出變量滿足該約束的偽樣品并存儲到矢量中構成合格樣品集。當全部樣品空間(整個Z個偽樣品)被檢測后，合格樣品的數(shù)量，亦即上述矢量的數(shù)目，就是對應于給定一組離散值的樣品空間中合格樣品的最佳數(shù)量。
如果有關組分(或變量)數(shù)量增多，且每個組分的分段數(shù)量也增加，則通過樣品空間的完全搜尋會變得相當繁重。例如，對一個由五個組分且每組分變量的每一特定區(qū)間被分隔成100格所構成的樣品庫，樣品空間是五維空間，所有偽樣品(Z)的總數(shù)是1005(或1010，10,000,000,000)。當引入一個或多個約束，計算會變得更復雜。盡管可通過檢測每一偽樣品來識別其是否滿足該一個或多個約束，但可采用另一方法，即通過進行這里所述的隨機取樣(如蒙特卡羅模擬)來提供最佳數(shù)值的近似估計。
因此，在一實施方案中，我們通過隨機模擬產生偽樣品，檢測該偽樣品是否滿足所述約束，根據本發(fā)明所述的方法獲得合格樣品和合格樣品比率。在該隨機模擬中，隨機數(shù)可以是基于一組離散值來產生的，其中每一離散值位于變量所假定的區(qū)間中并具有一定的概率。隨機數(shù)也可以是對應某一區(qū)間的具有特定概率分布的任意取值。因此，合格樣品的最佳數(shù)量取決于Z與Rqs的乘積。可以預期，合格樣品的最佳數(shù)量會有變動，這取決于一組參數(shù)。該參數(shù)的舉例包括樣品中變量分割(M)數(shù)、產生隨機數(shù)字的方法、變量的統(tǒng)計分布狀態(tài)、蒙特卡羅模擬方式、蒙特卡羅試驗次數(shù)、變量約束、公差限制以及所需的準確度或精度。
可以理解，隨機取樣(如蒙特卡羅模擬)與概率分布相關的隨機數(shù)的產生，根據本發(fā)明所提供方法所作的合格樣品的選擇與計算，通常都是通過計算機系統(tǒng)或服務器系統(tǒng)來執(zhí)行的。
本發(fā)明中的計算機系統(tǒng)(如服務器系統(tǒng))是指設計并配置成用于執(zhí)行本發(fā)明所描述的部分或全部方法的計算機或計算機可讀媒體。這里采用的計算機(如服務器)可以是任何多種類型普通用途的計算機，如個人電腦、網絡服務器、工作站或現(xiàn)今或日后發(fā)展的其它計算機平臺。本領域所熟知的，計算機特別地包括有如處理器、操作系統(tǒng)、計算機存儲器、輸入設備以及輸出設備這些部件的部分或全部。計算機可進一步包括如高速緩沖存儲器、數(shù)據備份單元以及一些其它設備。本領域一般技術人員可以理解，這些計算機部件可以有許多其它可能的構造。
這里所采用的處理器可包括一個或多個微處理器、可域編程邏輯陣列，或一個或多個對應于特種應用的專門的集成電路。舉例說，處理器包括但不限于英特爾公司的奔騰系列處理器、Sun公司的微處理器、Sun公司的工作站系統(tǒng)處理器、摩托羅拉公司的個人臺式機處理器、MIPS科技有限公司的MIPs處理器、Xilinx公司的最高系列可域編程邏輯陣列以及其它一些處理器。
這里所采用的操作系統(tǒng)包括機器代碼，通過處理器的執(zhí)行，能協(xié)調和執(zhí)行計算機內其它部分的功能，且?guī)椭幚砥鲌?zhí)行可能用多種程序語言編寫的不同計算機程序的功能。除管理計算機中其它部分的數(shù)據流之外，操作系統(tǒng)也提供調度安排、輸入輸出控制、文件數(shù)據管理、內存管理和通訊控制以及相關服務，所有這些都是現(xiàn)有技術。典型操作系統(tǒng)包括如微軟公司的視窗操作系統(tǒng)、由諸多供應商提供的Unix或Linux操作系統(tǒng)、另外一些或將來發(fā)展的操作系統(tǒng)，以及這些操作系統(tǒng)的組合。
這里所采用的計算機存儲器可是任意不同類型的記憶存儲裝置。例如包括隨處可見的隨機存取存儲器、永久性硬盤或磁帶等磁介質存儲、讀寫激光唱盤等光學介質，或其它存取存儲裝置。記憶存儲裝置可以是任意一種現(xiàn)有或將來發(fā)展的裝置，包括激光唱盤驅動器、磁帶驅動器、可移動硬盤驅動器或磁盤驅動器。這些類型的記憶存儲裝置一般是從計算機程序存儲介質中讀取或寫入到該介質中，如光盤、磁帶、可移動硬盤或軟盤。所有這些計算機程序存儲介質都可以被認為是計算機程序的產物。這些計算機程序的產物通常存儲計算機軟件程序和/或數(shù)據。計算機軟件程序一般被存儲在系統(tǒng)存儲器和/或記憶存儲裝置中。
本領域一般技術人員很容易了解到，本發(fā)明中的計算機軟件程序可以通過用某種輸入設備來載入系統(tǒng)存儲器和/或記憶存儲裝置中從而執(zhí)行。另一方面，所有或部分該軟件程序也可存在于只讀存儲器或類似的記憶存儲裝置中，這樣的裝置不需要該軟件程序首先通過輸入裝置被載入。相關領域的一般技術人員可以理解，該軟件程序或其某些部分可以通過現(xiàn)有方式由處理器來載入至系統(tǒng)存儲器或高速緩沖存儲器或二者的結合，以利于執(zhí)行和進行隨機取樣。
在本發(fā)明一實施方案中，軟件被存儲在計算機服務器中，該計算機服務器通過數(shù)據線、無線線路或網絡系統(tǒng)與使用終端、輸入設備或輸出設備連接。本技術領域一般熟知的，網絡系統(tǒng)包括在計算機或裝置中電性連接在一起的硬件和軟件。例如網絡系統(tǒng)可包括互聯(lián)網、10/1000以太網、電氣電子工程協(xié)會802.11x、電氣電子工程協(xié)會1394、xDSL、藍牙、局域網、無線局域網、GSP、CDMA、3G、PACS或任何其它ANSI認可標準的介質基礎上的設備。
前面已經對本發(fā)明進行一般描述，接下來例舉一些特定的實施例進一步描述，以助了解本發(fā)明。
實施例1本實施例顯示如何從蒙特卡羅模擬方式產生的由兩個組分(鈰和鐵)組成的偽樣品中選擇合格樣品。鈰的變量VCe在0到1之間取值，鐵的變量VFe同樣也是在0到1之間取值。蒙特卡羅模擬采用均勻分布的隨機產生的0到1之間的VCe和VFe值來進行，該模擬中VCe的隨機產生值與VFe的隨機產生值相互獨立。且在該模擬中，VCe和VFe并無任何關系或約束的強制限定。蒙特卡羅模擬的結果是產生了偽樣品群。如圖1中所示點(包括空心、灰色和深色)的全部構成偽樣品集合。
我們可以利用經驗知識來減少合格樣品的數(shù)目，這是通過引入約束條件實現(xiàn)的。第一約束條件定義為0.2＜VCe＜0.8且0.2＜VFe＜0.8。當選擇過程考慮了第一約束后，選擇出的一組偽樣品顯示為如圖1所示的黑點或灰點。第二約束定義為1-Δ＜VCe+VFe＜1+Δ，當在第一約束條件的基礎上進一步考慮到該第二約束條件，選擇出同時滿足兩個約束條件的一組偽樣品顯示為如圖1所示的黑點。
因此，在設計由Ce和Fe組成的樣品庫時，該蒙特卡羅模擬通過該兩個約束將經驗引進了設計，并得到了設計樣品庫的確定信息。如，既然滿足兩個約束的偽樣品數(shù)量相關的數(shù)字已知，那么合格樣品的數(shù)量可以知道。如表I中所示，我們可知各個合格樣品的組分比率。表I顯示通過蒙特卡羅模擬產生的偽樣品值，以斜體字顯示數(shù)字是滿足第一約束的偽樣品值，方框中的數(shù)字是滿足第一和第二約束的偽樣品值。
若變量由特定格點分割，樣品的最佳數(shù)量可根據本發(fā)明所提供的方法獲得。
表I蒙特卡羅模擬中的VCe和VFe的值FeCe0.040000 0.1600000.120000 0.3400000.440000 0.120000 0.160000 0.0400000.460000 0.0200000.460000 0.0400000.460000 1.0000000.560000 0.0600000.860000 0.0400000.960000 0.0200000.000000 0.1800000.000000 0.5000000.000000 0.720000
0.600000 0.000000 0.760000 0.1400001.000000 0.2600001.000000 0.7600000.180000 0.0200000.280000 0.080000 0.820000 0.6200000.820000 0.6600000.840000 0.4400000.960000 0.220000 0.820000 0.7400000.820000 0.7800000.860000 0.3200000.040000 0.6200000.060000 0.4600000.120000 0.8800000.180000 0.2800000.320000 0.8800000.420000 0.880000 0.940000 0.6800000.020000 0.960000
0.020000 0.9800000.520000 0.9400000.720000 0.980000 0.820000 0.9400000.840000 0.7400000.880000 0.3200000.880000 0.3600000.980000 0.3200000.980000 0.3400000.540000 0.8400000.180000 0.5800000.240000 0.9800000.340000 0.920000 0.880000 0.5800000.980000 0.520000 0.360000 0.8200000.560000 0.8400000.860000 0.8800000.560000 0.960000 0.860000 0.9200000.880000 0.7600000.580000 0.8600000.680000 0.960000 0.240000 0.200000
0.440000 0.2000000.540000 1.000000 0.740000 0.060000 0.100000 0.5600000.100000 0.6400000.200000 0.160000 0.500000 0.980000 0.700000 0.1200000.700000 0.8400000.800000 0.1400000.800000 0.2800000.900000 0.8000000.060000 0.2000000.360000 0.1000000.360000 0.200000
0.860000 0.1000000.860000 0.6000000.960000 0.7000000.380000 0.100000 0.480000 0.800000 0.120000 0.0800000.520000 1.0000000.720000 1.0000000.920000 0.0200000.020000 0.1800000.620000 0.160000實施例2本實施例顯示如何從蒙特卡羅模擬方式產生的由四個組分(鈰、鐵、鎢和鎳)組成的偽樣品中選擇合格樣品。鈰、鐵、鎢和鎳的變量VCe、VFe、VW、VNi都在0到1之間取值。蒙特卡羅模擬中我們對每個變量采用均勻分布的隨機產生的0到1的數(shù)值，該模擬中的隨機產生值相互獨立且不受任何約束限定。蒙特卡羅模擬的結果為四維空間的樣品點(偽樣品)，該四維樣品點在三維空間中的投影如圖2中所示。
為選擇對應于物理上真實的樣品這里提出了第一約束條件，它定義為VCe+VFe+VW+VNi＝1。當選擇過程中考慮到第一約束時，選擇出的滿足該第一約束條件的一組偽樣品(第一偽樣品)顯示在圖3中。
假想某種經驗使我們得出結論說鈰與鐵的組分之和總是等于鎢和鎳的組分之和，那么我們可以引入第二約束，它定義為VCe+VFe＝VW+VNi。當在第一約束條件的基礎上進一步考慮到該第二約束條件，選擇出的同時滿足該兩個約束條件的一組偽樣品(第二偽樣品)被顯示為分散在三圍空間中的一個二維平面上(如圖4所示)。圖4中所顯示的該合格樣品點是從二維平面的一側觀測的。
因此，考慮到兩個約束的該蒙特卡羅模擬提供了關于設計由四個組分組成的、具備該兩個約束的樣品庫的確定信息。例如，合格樣品比率可通過用偽樣品全部數(shù)量去除滿足兩個約束的偽樣品數(shù)量來計算。既然滿足兩個約束的偽樣品數(shù)量相關的數(shù)字已知，那么合格樣品的數(shù)量可以知道。記錄每一合格樣品中變量的組分比率，可知該合格樣品的組分比率。若變量被特定格點分割，樣品的最佳數(shù)量同樣可根據本發(fā)明所提供的方法獲得。
在上述蒙特卡羅模擬中，獲得全部28561個偽樣品，其中460個滿足第一約束，47個同時滿足兩個約束，因此該偽樣品滿足兩個約束的合格樣品比率是0.0016456。
實施例3本實施例說明了允許使用者通過圖形用戶界面輸入信息并執(zhí)行計算和模擬(包括蒙特卡羅模擬)以設計合格樣品庫的計算機程序。
如圖5所示，圖形用戶界面允許使用者選擇設計樣品所需組分。例如，一個由組分A、B和C組成的樣品，組分A可以是從由釩(V)、鈮(Nb)和鉬(Mo)組成的元素組中的任意一個，組分A的變量(Va)變化范圍在0到1之間(請參考圖5中所示的0.00到1.00的范圍)，該變量變化范圍被分成10部分(如圖5所示的10段)。其結果是，組分A被賦予在0到1之間取值的變量(Va)(請參考圖6)，同樣地，組分B和C也被賦予相應的變量(Vb和Vc)(請參考圖6)。
作為將經驗知識納入取樣設計的一種方式，圖形用戶界面允許使用者提供指定一個變量或多個變量間的約束條件。變量Va、Vb和Vc默認的或第一隱藏約束是Va+Vb+Vc＝1±Δ。Δ是誤差(或約束公差)，且在本例中給定為0.01(請參考圖6)。所需的第二約束是Va∶Vb＝2∶1，并通過圖形用戶界面輸入(請參考圖7)。
圖形用戶界面進一步允許使用者決定如何估算合格樣品的最佳數(shù)量。如圖8所示，圖形用戶界面提供六個不同準確級別的計算。在其中的精確計算中，偽樣品根據本發(fā)明所示的無任何約束的公式10所產生，然后由計算機檢測該偽樣品并僅選擇滿足約束的部分。在該例子中，198個樣品滿足約束。另外，還獲得了所有198個合格樣品的組分比率。
當計算精確度在-100％到100％之間時被認為是很低的，當其在-30％到30％之間認為是低，在-10％到10％的精確度是中等，而在-3％到3％之間是高，在-1.0％到1.0％之間則是非常高的精確度。
實施例4本實施例顯示了獲得指定數(shù)量的合格樣品點的計算機程序。該計算機程序允許使用者通過圖形用戶界面輸入信息并執(zhí)行計算和模擬(包括蒙特卡羅模擬)，以此得出這些樣品點中每一個樣品點的諸組分比率。
圖9顯示圖形用戶界面允許使用者輸入指定的總樣品點125，其中每個樣品點都具有4個組分。圖形用戶界面也允許使用者指定想要的組分(請參考圖10)，并定義變量的約束條件(請參考圖11)。在定義約束公差后(請參考圖12)，開始執(zhí)行模擬試驗，其間每一偽樣品都檢查是否滿足所設約束。當合格樣品的數(shù)量達到125時停止模擬，以此得到125樣品點中四個組分(元素Pd、Pt、Ce和V)的組分比率(如表II所示)。
表IIPd Pt Ce V0.0394740.1052630.0394740.8157890.0657890.1184210.1447370.6710530.0789470.1710530.6842110.0657890.0526320.1447370.7763160.0263160.0789470.1842110.6842110.0526320.0131580.1184210.7236840.1447370.0263160.1578950.6973680.1184210.0394740.1052630.7236840.1315790.0526320.1052630.4078950.4342110.0526320.1315790.6973680.1184210.0657890.1052630.5526320.2763160.0657890.1184210.3815790.4342110.0657890.1447370.3815790.4078950.0131580.1842110.4078950.3947370.0263160.1447370.5526320.2763160.0394740.1842110.3815790.3947370.0526320.1052630.3552630.4868420.0657890.1447370.2105260.578947
0.0131580.1578950.8157890.0131580.0394740.1578950.6447370.1578950.0789470.1052630.6710530.1447370.1052630 0.6447370.250.1842110 0.0657890.750.0657890.1315790.4210530.3815790.0789470.1578950.3026320.4605260.0789470.1842110.4473680.2894740.1052630 0.750.1447370.1842110 0.3157890.50.0263160.1447370.5394740.2894740 0 0.3026320.6973680.0394740.1578950.4078950.3947370.0789470.1447370.0263160.750.0789470.1447370.2763160.50.0526320.1447370.5526320.250.0131580.0263160.7763160.1842110.0131580.0921050.6184210.2763160.0131580.0921050.7105260.1842110.0921050.0921050.4473680.3684210 0.1710530.5263160.3026320.0394740.1184210.750.0921050.0394740.0131580.5131580.4342110.0657890 0.0921050.8421050.1710530.0131580.2105260.6052630.1710530.0394740.1842110.6052630.0263160.0131580.3421050.6184210.1710530.0263160.1447370.6578950.1710530.0921050.3947370.3421050.1842110.0131580.1842110.6184210.1842110.0921050.5921050.131579
0.0131580.0526320.6052630.3289470.0131580.0789470 0.9078950.0394740 0.0526320.9078950.0263160.0921050.7368420.1447370.1842110.0526320.4342110.3289470.1842110.0921050.6842110.0394740.0263160.0131580.1052630.8552630.0657890.0263160.7763160.1315790.1052630.0394740.3421050.5131580.1184210.1315790.0394740.7105260.1842110.0131580.5921050.2105260.0131580.0131580.4078950.5657890.0131580.0394740.5657890.3815790.0526320.0263160.3421050.5789470.0657890.0921050.8157890.0263160.0789470.0131580.8815790.0263160.1052630.0526320.1315790.7105260.1447370.0263160.1842110.6447370.1447370.0921050.1184210.6447370.1578950.1842110.0263160.6315790.1710530.0921050.5789470.1578950.1842110.0263160.0526320.7368420.0263160.0394740.5526320.3815790.0263160.0921050.3157890.5657890.0526320.0263160.7236840.1973680.0526320.0526320.5921050.3026320.0789470.0921050.6184210.2105260.0921050.0526320.5526320.3026320.1052630.0263160.2763160.5921050.1052630.0526320.3947370.4473680.1842110.0789470.3026320.434211
0.0131580.0789470.7236840.1842110.0263160.0657890.7236840.1842110.0394740.0394740.7368420.1842110.0526320.0657890.7894740.0921050.0657890.0394740.8026320.0921050.1052630.0263160.3947370.4736840.1447370.0921050.0263160.7368420.1710530.0394740.0263160.7631580 0.1184210.3552630.5263160.0921050.0263160.2368420.6447370.1842110.0263160.3026320.4868420 0.1052630.4473680.4473680.0263160.0657890.5526320.3552630.0789470.0263160.8157890.0789470.1315790.0526320.6842110.1315790.1578950.0394740.1842110.6184210.1578950.0526320.6842110.1052630 0.1710530.7894740.0394740.0131580.0394740.1447370.8026320.0526320.0394740.4736840.4342110.0526320.0657890.7236840.1578950.0657890.0789470.7894740.0657890.0921050.1710530.73684200.1052630.0657890.1052630.7236840.1184210.0131580.8421050.0263160.1315790.0789470.4342110.3552630.1578950.0263160.5131580.3026320.0263160.0789470.7368420.1578950.0394740.0526320.2105260.6973680.0657890.0131580.3157890.6052630.0921050.0789470.1184210.710526
0.0921050.0789470.2105260.6184210.1052630.0394740.5921050.2631580.1842110.0131580.2105260.5921050 0.1578950.2236840.6184210 0.1842110.6184210.1973680.0131580.0789470.3157890.5921050.0657890.0789470.8026320.0526320.0789470.0263160.3815790.5131580.1052630.0657890.6842110.1447370.1315790.0131580.6184210.2368420.1578950.0921050.5394740.2105260.1578950.1447370.0789470.6184210.0131580.1184210.86842100.1052630.0131580.2236840.657895本發(fā)明申請中所列論文和專利均是作為參考文獻所援引的。上述例舉的實施方案中所涉及的描述，舉例和數(shù)據僅作為演示和例證之用，并非限定本發(fā)明的范圍。任何根據本發(fā)明所做的非實質性修改加工皆落入本發(fā)明權利要求范圍內。因此，附件權利要求書的精神和范圍不局限于本申請對該發(fā)明的說明版本。
權利要求
1.一種組合樣品庫的設計方法，包括以下步驟(1)提供組成該樣品的諸個組分；(2)為每一所述的組分提供一變量，該變量在一定區(qū)間內取值；(3)為其中至少一個所述變量設定至少一個約束條件；(4)產生偽樣品；(5)檢驗該偽樣品，確定其是否為合格樣品；(6)重復步驟(4)和(5)，直至確定出至少一個所述的合格樣品。
2.權利要求1所述的方法中，組分變量的取值區(qū)間由經驗知識確定。
3.權利要求1所述的方法中，約束條件是由經驗知識確定的上述變量之間的關系。
4.權利要求1所述的方法進一步包括確定合格樣品比率的步驟，該合格樣品比率是用所述的合格樣品數(shù)量除以所述的偽樣品數(shù)量得出的。
5.權利要求1所述的方法中，偽樣品是通過隨機取樣的方法產生的。
6.權利要求5所述的方法中，隨機取樣是一種蒙特卡羅模擬。
7.權利要求5所述的方法中，隨機取樣是通過利用具有某種概率分布的變量值來完成的。
8.權利要求7所述的方法中，概率分布是均勻分布。
9.權利要求7所述的方法中，概率分布是非均勻分布。
10.權利要求9所述的方法中，非均勻分布是選自于如下一組中的一個或多個柏努利分布、貝它分布、X平方分布、指數(shù)分布、F分布、伽馬分布、高斯分布、正態(tài)分布(例如對數(shù)正態(tài)、多變量正態(tài)分布和單變量正態(tài)分布)、非中心X平方分布、非中心F分布、二項式分布、負二項式分布、多項式分布、帕雷托分布、柏松分布、學生t分布和薩利斯分布。
11.權利要求7所述的方中，變量值是由隨機數(shù)發(fā)生器隨機產生的。
12.權利要求11所述的方法中，隨機數(shù)字發(fā)生器是選自于一組線性同余發(fā)生器、移轉寄存序列發(fā)生器和準隨機數(shù)字發(fā)生器。
13.一種提供指定數(shù)量的合格樣品的樣品庫的方法，包括以下步驟(1)提供所需設計的樣品的數(shù)量；(2)提供組成所述樣品的諸個組分；(3)為每一所述組分提供一變量，其中該變量在一定區(qū)間內取值；(4)為至少一個所述變量設定至少一個約束條件；(5)產生偽樣品；(6)檢驗該偽樣品，確定其是否為合格樣品；重復步驟(4)和(5)，直至達到(1)中所預定的合格樣品數(shù)量。
14.權利要求13所述的方法中，組分變量的取值區(qū)間是由經驗知識確定的。
15.權利要求13所述的方法中，約束條件是由經驗知識確定的上述變量之間的關系。
16.一種確定組合樣品庫中樣品的最佳數(shù)量的方法，包括以下步驟(1)提供組成所述樣品的諸個組分；(2)為每一所述組分提供一變量，其中該變量在一定區(qū)間內取值；(3)為至少一個所述變量設定至少一個約束條件；(4)產生偽樣品；(5)從偽樣品中確定出合格樣品；(6)確定出合格樣品比率，該合格樣品比率是用合格樣品數(shù)量除以偽樣品數(shù)量得出的；(7)決定樣品數(shù)量；(8)計算實驗的最佳數(shù)量，其中，所述的最佳數(shù)量是所述合格樣品比率與所述樣品數(shù)量的乘積。
17.權利要求16所述的方法中，變量取值區(qū)間是由經驗知識確定的。
18.權利要求16所述的方法中，約束條件是由經驗知識確定的上述變量之間的關系。
19.一種存儲指令的計算機可讀介質，當該介質在一個或多個處理器中被執(zhí)行時，能使所述的一個或多個處理器執(zhí)行如權利要求1-18之一所述的方法。
20.一種設計組合樣品庫的系統(tǒng)，其包括(1)一種能提供組成所述樣品的諸個組分的方法；(2)一種能為每一所述的組分提供一變量，且該變量在一區(qū)間內取值的方法；(3)一種為其中至少一個所述變量設定至少一個約束條件的方法；(4)一種產生偽樣品的方法；(5)一種檢驗該偽樣品的方法，以確定其是否為合格樣品；以及(6)一種能確定出至少一個所述合格樣品的方法。
全文摘要
本發(fā)明提供了一種設計組合樣品庫的方法，使人們可以最大程度地利用已有的知識或給定的假設來減少樣品實驗的次數(shù)或增加固定次數(shù)樣品實驗的有效信息量。本方法包括以下步驟(1)提供組成樣品的多個組分；(2)為每一組分提供變量，該變量在一定間隔取值；(3)為至少一個變量設定至少一個約束條件；(4)產生偽樣品；(5)檢測該偽樣品，確定其是否為合格樣品；(6)重復步驟(4)和(5)，直至確定出至少一個合格樣品。本發(fā)明的方法可避免樣品設計時的系統(tǒng)偏差，高效準確。
文檔編號C40B30/00GK1948559SQ20051003050
公開日2007年4月18日 申請日期2005年10月13日 優(yōu)先權日2005年10月13日
發(fā)明者華新雷, 馮希臣 申請人:亞申科技研發(fā)中心(上海)有限公司