物质的组成成份分析方法
常见的化学成分分析方法
一、化学分析方法
化学分析从大类分就是指经典的重量分析与容量分析。重量分析就是指根据试样经过化学实验反应后生成的产物的质量来计算式样的化学组成,多数就是指质量法。容量法就是指根据试样在反应中所需要消耗的标准试液的体积。容量法即可以测定式样的主要成分,也可以测定试样的次要成分。
1、1重量分析
指采用添加化学试剂就是待测物质转变为相应的沉淀物,并通过测定沉淀物的质量来确定待测物的含量。
1、2容量分析
滴定分析主要分为酸碱滴定分析、络合滴定分析、氧化还原滴定分析、沉淀滴定分析。
酸碱滴定分析就是指以酸碱中与反应为原理,利用酸性标定物来滴定碱性物质或利用碱性标定物来滴定酸性待测物,最后以酸碱指示剂(如酚酞等)的变化来确定滴定的终点,通过加入的标定物的多少来确定待测物质的含量。
络合滴定分析就是指以络合反应(形成配合物)反应为基础的滴定分析方法。如EDTA与金属离子发生显色反应来确定金属离子的含量等。络合反应广泛地应用于分析化学的各种分离与测定中,如许多显色剂,萃取剂,沉淀剂,掩蔽剂等都就是络合剂,因此,有关络合反应的理论与实践知识,就是分析化学的重要内容之一。
氧化还原滴定分析:就是以溶液中氧化剂与还原剂之间的电子转移为基础的一种滴定分析方法。氧化还原滴定法应用非常广泛,它不仅可用于无机分析,而且可以广泛用于有机分析,许多具有氧化性或还原性的有机化合物可以用氧化还原滴定法来加以测定。通常借助指示剂来判断。有些滴定剂溶液或被滴定物质本身有足够深的颜色,如果反应后褪色,则其本身就可起指示剂的作用,例如高锰酸钾。而可溶性淀粉与痕量碘能产生深蓝色,当碘被还原成碘离子时,深蓝色消失,因此在碘量法中,通常用淀粉溶液作指示剂。
沉淀滴定分析:就是以沉淀反应为基础的一种滴定分析方法,又称银量法(以硝酸银液为滴定液,测定能与Ag+反应生成难溶性沉淀的一种容量分析法)。虽然可定量进行的沉淀反应很多,但由于缺乏合适的指示剂,而应用于沉淀滴定的反应并不多,目前比较有实际意义的就是银量法。
二、仪器分析
2、1电化学分析
就是指应用电化学原理与技术,就是利用原电池模型的原理来分析所测样品的电极种类及电解液的组成及含量与两者之间的电化学性质的关系而建立起来的一类分析方法。现在一般就是使用电化学工作站来对样品进行测试。其特点就是灵敏度高,选择性好,设备简单,操作方便,应用范围广。根据测量的电信号不同,电化学分析法可分为电位法、电解法、电导法与伏安法。
电位法就是通过测量电极电动势以求得待测物质含量的分析方法。若根据电极电位测量值,直接求算待测物的含量,称为直接电位法;若根据滴定过程中电极电位的变化以确定滴定的终点,称为电位滴定法。
电解法就是根据通电时,待测物在电她电极上发生定量沉积的性质以确定待测物含量的分析方法。
电导法就是根据电解质溶液中溶质溶度的不同,其电导率也不同的原理,而测量分析溶液的电导以确定待测物含量的分析方法。
伏安法就是将一微电极插入待测溶液中,根据被测物质在电解过程中的电流-电压变化曲线来进行定性或定量分析的一种电化学分析方法。
2、2光化学分析
光化学分析就是基于能量作用于物质后,根据物质发射、吸收电磁辐射以及物质与电磁辐射的相互作用来进行分析的化学分析方法。其主要可分为光谱法与非光谱法两大类。光谱法就是基于辐射能与物质相互作用时,测量有无之内不
发生量子化的能级之间的跃迁而产生的发射、吸收或散射辐射的波长与强度而进行分析的方法。主要有原子吸收光谱法(AAS)、原子发射光谱法(AES)、原子荧光分析法(AFS)、红外光谱法(IR)等。非光谱法就是基于光的波动性而对物质进行测试,主要有分光光度法与旋光法等。
2、2、1原子吸收光谱法(AAS)
原子吸收光谱法就是利用气态原子可以吸收一定波长的光辐射,使原子中外层的电子从基态跃迁到激发态的现象而建立的。由于各种原子中电子的能级不同,将有选择性地共振吸收一定波长的辐射光,这个共振吸收波长恰好等于该原子受激发后发射光谱的波长,由此可作为元素定性的依据,而吸收辐射的强度可作为定量的依据。
其基本原理就是每一种元素的原子不仅可以发射一系列特征谱线,也可以吸收与发射线波长相同的特征谱线。当光源发射的某一特征波长的光通过原子蒸气时,即入射辐射的频率等于原子中的电子由基态跃迁到较高能态(一般情况下都就是第一激发态)所需要的能量频率时,原子中的外层电子将选择性地吸收其同种元素所发射的特征谱线,使入射光减弱。特征谱线因吸收而减弱的程度称吸光度A,与被测元素的含量成正比:A=KC 式中K为常数;C为试样浓度;K包含了所有的常数。此式就就是原子吸收光谱法进行定量分析的理论基础由于原子能级就是量子化的,因此,在所有的情况下,原子对辐射的吸收都就是有选择性的。由于各元素的原子结构与外层电子的排布不同,元素从基态跃迁至第一激发态时吸收的能量不同,因而各元素的共振吸收线具有不同的特征。
2、2、2原子发射光谱法(AES)
原子发射光谱法就是依据各种元素的原子或离子在热激发或电激发下,发射特征的电磁辐射,而进行元素的定性与定量分析的方法,就是光谱学各个分支中最为古老的一种,可同时检测一个样品中的多种元素。
其基本原理就是各物质的组成元素的原子的原子核外围绕着不断运动的电子,电子处在一定的能级上,具有一定的能量。从整个原子来瞧,在一定的运动状态下,它也就是处在一定的能级上,具有一定的能量。在一般情况下,大多数原子处在最低的能级状态,即基态。基态原子在激发光源(即外界能量)的作用下,获得足够的能量,其外层电子跃迁到较高能级状态的激发态,这个过程叫激发。处在激发态的原子就是很不稳定的,在极短的时间内(10s)外层电子便跃迁回基态或其它较低的能态而释放出多余的能量。释放能量的方式可以就是通过与其它粒子的碰撞,进行能量的传递,这就是无辐射跃迁,也可以以一定波长的电磁波形式辐射出去,其释放的能量及辐射线的波长(频率)要符合波尔的能量定律。
2、2、3原子荧光分析法(AFS)
原子荧光分析法就是以原子在辐射能激发下发射的荧光强度进行定量分析的发射光谱分析法。但所用仪器与原子吸收光谱法相近。原子荧光光谱分析法具有很高的灵敏度,校正曲线的线性范围宽,能进行多元素同时测定。原子荧光光谱就是介于原子发射光谱与原子吸收光谱之间的光谱分析技术。
其基本原理就是通过测量待测元素的原子蒸气在一定波长的辐射能激发下发射的荧光强度而进行定量分析。原子荧光的波长在紫外、可见光区。气态自由原子吸收特征波长的辐射后,原子的外层电子从基态或低能态跃迁到高能态,约经10-8秒,又跃迁至基态或低能态,同时发射出荧光。若原子荧光的波长与吸收线波长相同,称为共振荧光;若不同,则称为非共振荧光。共振荧光强度大,分析中应用最多。在一定条件下,共振荧光强度与样品中某元素浓度成正比,从而通过测试共振荧光的强度来确定待测元素的含量。
2、2、4分光光度法
分光光度法就是通过测定被测物质在特定波长处或一定波长范围内光的吸光度或发光强度,对该物质进行定性与定量分析的方法。
其基本原理就是在分光光度计测试中,将不同波长的光连续地照射到一定浓度的样品溶液时,便可得到与不同波长相对应的吸收强度。再以波长(λ)为横坐标,吸收强度(A)为纵坐标,就可绘出该物质的吸收光谱曲线。利用该曲线进行物质定性、定量的分析方法,称为分光光度法,也称为吸收光谱法。用紫外光源测定无色物质的方法,称为紫外分光光度法;用可见光光源测定有色物质的方法,称为可见光光度法。
2、2、5旋光法
旋光法就是基于许多物质都具有旋光性(又称光学活性)如含有手征性碳原子的有机化合物,从而利用物质的旋光性质测定溶液浓度的方法。
其基本原理就是将样品在指定的溶剂中配成一定浓度的溶液,采用旋光计测得样品的旋光度并算出比旋光度,然后与标准比较,或以不同浓度溶液制出标准曲线即工作曲线,求出含量。
2、3色谱分析
色谱分析就是指通过利用不同物质在不同相态的选择性分配,以流动相对固定相中的混合物进行洗脱,混合物中不同的物质会以不同的速度沿固定相移动,最终达到分离的效果。色谱法中有两个相,一个相就是流动相,另一个相就是固定相。如果用液体作流动相,就叫液相色谱,用气体作流动相,就叫气相色谱。
2、3、1气相色谱法
气相色谱法的基本原理就是利用气相色谱仪中的一根流通型的狭长管道(色谱柱)。在色谱柱中,不同的样品由于具有不同的物理与化学性质,与特定的柱填充物(固定相)有着不同的相互作用而被气流(载气,流动相)以不同的速率带动。当化合物从柱的末端流出时,它们被检测器检测到,产生相应的信号,并被转化为电信号输出。在色谱柱中固定相的作用就是分离不同的组分,使得不同的组分在不同的时间(保留时间)从柱的末端流出。其它影响物质流出柱的顺序及保留时间的因素包括载气的流速,温度等。而气相色谱法中可以使用的检测器有很多种,最常用的有火焰电离检测器(FID)与热导检测器(TCD)。
2、3、2液相色谱法
液相色谱法的基本原理就是基于混合物中各组分对两相亲与力的差别。根据固定相的不同,液相色谱分为液固色谱、液液色谱与键合相色谱。应用最广的就是以硅胶为填料的液固色谱与以微硅胶为基质的键合相色谱。根据固定相的形式,液相色谱法可以分为柱色谱法、纸色谱法及薄层色谱法。按吸附力可分为吸附色谱、分配色谱、离子交换色谱与凝胶渗透色谱。近年来,在液相柱色谱系统中加上高压液流系统,使流动相在高压下快速流动,以提高分离效果,因此出现了高效(又称高压)液相色谱法。检测器主要有紫外吸收检测器、荧光检测器、电化学检测器与折光示差检测器,其中以紫外吸收检测器使用最广。
2、4波谱分析
波谱分析就是指物质在光(电磁波)的照射下,引起分子内部某种运动,从而吸收或散射某种波长的光,将入射光强度变化或散射光的信号记录下来,得到一张信号强度与光的波长或波数(频率)或散射角度的关系图,用于物质结构、组成及化学变化的分析,这就叫波谱法。波谱法主要包括红外光谱、紫外光谱、核磁共振与质谱,简称为四谱。除此之外还包含有拉曼光谱等。
2、4、1红外光谱法(IR)
红外光谱法就是分子吸收光谱的一种,就是通过将一束不同波长的红外射线照射到物质的分子上,某些特定波长的红外射线被吸收,形成这一分子的红外吸收光谱。每种分子都有由其组成与结构决定的独有的红外吸收光谱,据此可以对分子进行结构分析与鉴定。主要就是应用于测试有机分子的价键结构以及官能团的种类等。
其基本原理就是当一束具有连续波长的红外光通过物质,物质分子中某个基团的振动频率或转动频率与红外光的频率一样时,分子就吸收能量由原来的基态振(转)动能级跃迁到能量较高的振(转)动能级,分子吸收红外辐射后发生振动与转动能级的跃迁,该处波长的光就被物质吸收。所以,红外光谱法实质上就是一种根据分子内部原子间的相对振动与分子转动等信息来确定物质分子结构与鉴别化合物的分析方法。
2、4、2紫外光谱法(UV)
紫外光谱法就是测定物质分子在紫外光区吸收光谱的分析方法。其基本原理就是物质吸收紫外光后,其价电子从低能级向高能级跃迁,须吸收波长在200～1000 nm范围内的光,此波长恰好落在紫外-可见光区域,从而产生相应的吸收峰。
主成分分析法
一、概述 在处理信息时，当两个变量之间有一定相关关系时，可以解释为这两个变量反映此课题的信息有一定的重叠，例如，高校科研状况评价中的立项课题数与项目经费、经费支出等之间会存在较高的相关性；学生综合评价研究中的专业基础课成绩与专业课成绩、获奖学金次数等之间也会存在较高的相关性。而变量之间信息的高度重叠和高度相关会给统计方法的应用带来许多障碍。 为了解决这些问题，最简单和最直接的解决方案是削减变量的个数，但这必然又会导致信息丢失和信息不完整等问题的产生。为此，人们希望探索一种更为有效的解决方法，它既能大大减少参与数据建模的变量个数，同时也不会造成信息的大量丢失。主成分分析正式这样一种能够有效降低变量维数，并已得到广泛应用的分析方法。 主成分分析以最少的信息丢失为前提，将众多的原有变量综合成较少几个综合指标，通常综合指标（主成分）有以下几个特点： 主成分个数远远少于原有变量的个数 原有变量综合成少数几个因子之后，因子将可以替代原有变量参与数据建模，这将大大减少分析过程中的计算工作量。 主成分能够反映原有变量的绝大部分信息 因子并不是原有变量的简单取舍，而是原有变量重组后的结果，因此不会造成原有变量信息的大量丢失，并能够代表原有变量的绝大部分信息。 主成分之间应该互不相关 通过主成分分析得出的新的综合指标（主成分）之间互不相关，因子参与数据建模能够有效地解决变量信息重叠、多重共线性等给分析应用带来的诸多问题。
主成分具有命名解释性 总之，主成分分析法是研究如何以最少的信息丢失将众多原有变量浓缩成少数几个因子，如何使因子具有一定的命名解释性的多元统计分析方法。 二、基本原理 主成分分析是数学上对数据降维的一种方法。其基本思想是设法将原来众多的具有一定相关性的指标X1，X2，…，XP（比如p个指标），重新组合成一组较少个数的互不相关的综合指标Fm来代替原来指标。那么综合指标应该如何去提取，使其既能最大程度的反映原变量Xp所代表的信息，又能保证新指标之间保持相互无关（信息不重叠）。 设F1表示原变量的第一个线性组合所形成的主成分指标，即 ,由数学知识可知，每一个主成分所提取的信息量可用其方差来度量，其方差 Var(F1)越大，表示F1包含的信息越多。常常希望第一主成分F1所含的信息量最大，因此在所有的线性组合中选取的F1应该是X1，X2，…，XP的所有线性组合中方差最大的，故称F1为第一主成分。如果第一主成分不足以代表原来p个指标的信息，再考虑选取第二个主成分指标F2，为有效地反映原信息，F1已有的信息就不需要再出现在F2中，即F2与F1要保持独立、不相关，用数学语言表达就是其协方差Cov(F1, F2)=0，所以F2是与F1不相关的X1，X2，…，XP的所有线性组合中方差最大的，故称F2为第二主成分，依此类推构造出的F1、F2、……、Fm为原变量指标X1、X2……XP第一、第二、……、第m个主成分。 根据以上分析得知：
SPSS进行主成分分析的步骤(图文)精编版
主成分分析的操作过程 原始数据如下（部分） 调用因子分析模块（Analyze―Dimension Reduction―Factor），将需要参与分析的各个原始变量放入变量框，如下图所示：
单击Descriptives按钮，打开Descriptives次对话框，勾选KMO and Bartlett’s test of sphericity选项（Initial solution选项为系统默认勾选的，保持默认即可），如下图所示，然后点击Continue按钮，回到主对话框： 其他的次对话框都保持不变（此时在Extract次对话框中，SPSS已经默认将提取公因子的方法设置为主成分分析法），在主对话框中点OK按钮，执行因子分析，得到的主要结果如下面几张表。 ①KMO和Bartlett球形检验结果：
KMO为0.635>0.6，说明数据适合做因子分析；Bartlett球形检验的显著性P值为 0.000<0.05，亦说明数据适合做因子分析。 ②公因子方差表，其展示了变量的共同度，Extraction下面各个共同度的值都大于0.5，说明提取的主成分对于原始变量的解释程度比较高。本表在主成分分析中用处不大，此处列出来仅供参考。 ③总方差分解表如下表。由下表可以看出，提取了特征值大于1的两个主成分，两个主成分的方差贡献率分别是55.449%和29.771%，累积方差贡献率是85.220%；两个特征值分别是3.327和1.786。 ④因子截荷矩阵如下：
根据数理统计的相关知识，主成分分析的变换矩阵亦即主成分载荷矩阵U 与因子载荷矩阵A 以及特征值λ的数学关系如下面这个公式： λi i i A U = 故可以由这二者通过计算变量来求得主成分载荷矩阵U 。 新建一个SPSS 数据文件，将因子载荷矩阵中的各个载荷值复制进去，如下图所示： 计算变量（Transform-Compute Variables ）的公式分别如下二张图所示：
主成分分析法及其在SPSS中的操作
一、主成分分析基本原理 概念：主成分分析是把原来多个变量划为少数几个综合指标的一种统计分析方法。从数学角度来看，这是一种降维处理技术。 思路：一个研究对象，往往是多要素的复杂系统。变量太多无疑会增加分析问题的难度和复杂性，利用原变量之间的相关关系，用较少的新变量代替原来较多的变量，并使这些少数变量尽可能多的保留原来较多的变量所反应的信息，这样问题就简单化了。 原理：假定有n 个样本，每个样本共有p 个变量，构成一个n ×p 阶的数据矩阵， 记原变量指标为x 1，x 2，…，x p ，设它们降维处理后的综合指标，即新变量为 z 1，z 2，z 3，… ，z m (m ≤p)，则 系数l ij 的确定原则： ①z i 与z j （i ≠j ；i ，j=1，2，…，m ）相互无关； ②z 1是x 1，x 2，…，x P 的一切线性组合中方差最大者，z 2是与z 1不相关的x 1，x 2，…，x P 的所有线性组合中方差最大者； z m 是与z 1，z 2，……，z m －1都不相关的x 1，x 2，…x P ， 的所有线性组合中方差最大者。 新变量指标z 1，z 2，…，z m 分别称为原变量指标x 1，x 2，…，x P 的第1，第2，…，第m 主成分。 从以上的分析可以看出，主成分分析的实质就是确定原来变量x j （j=1，2 ，…， p ）在诸主成分z i （i=1，2，…，m ）上的荷载 l ij （ i=1，2，…，m ； j=1，2 ，…，p ）。 ?????? ? ???????=np n n p p x x x x x x x x x X 2 1 2222111211 ?? ??? ? ?+++=+++=+++=p mp m m m p p p p x l x l x l z x l x l x l z x l x l x l z 22112222121212121111............
主成分分析法matlab实现,实例演示
利用Matlab 编程实现主成分分析 1.概述 Matlab 语言是当今国际上科学界 (尤其是自动控制领域) 最具影响力、也是 最有活力的软件。它起源于矩阵运算，并已经发展成一种高度集成的计算机语言。它提供了强大的科学运算、灵活的程序设计流程、高质量的图形可视化与界面设计、与其他程序和语言的便捷接口的功能。Matlab 语言在各国高校与研究单位起着重大的作用。主成分分析是把原来多个变量划为少数几个综合指标的一种统计分析方法，从数学角度来看，这是一种降维处理技术。 1.1主成分分析计算步骤 ① 计算相关系数矩阵 ?? ? ???? ???? ?? ?=pp p p p p r r r r r r r r r R 2 122221 11211 （1） 在（3.5.3）式中，r ij （i ，j=1，2，…，p ）为原变量的xi 与xj 之间的相关系数，其计算公式为 ∑∑∑===----= n k n k j kj i ki n k j kj i ki ij x x x x x x x x r 1 1 2 2 1 )() () )(( （2） 因为R 是实对称矩阵（即r ij =r ji ），所以只需计算上三角元素或下三角元素即可。
② 计算特征值与特征向量 首先解特征方程0=-R I λ，通常用雅可比法（Jacobi ）求出特征值 ),,2,1(p i i =λ，并使其按大小顺序排列，即0,21≥≥≥≥p λλλ ；然后分别求 出对应于特征值i λ的特征向量),,2,1(p i e i =。这里要求i e =1，即112 =∑=p j ij e ，其 中ij e 表示向量i e 的第j 个分量。 ③ 计算主成分贡献率及累计贡献率 主成分i z 的贡献率为 ),,2,1(1 p i p k k i =∑=λ λ 累计贡献率为 ) ,,2,1(11 p i p k k i k k =∑∑==λ λ 一般取累计贡献率达85—95%的特征值m λλλ,,,21 所对应的第一、第二，…，第m （m ≤p ）个主成分。 ④ 计算主成分载荷 其计算公式为 ) ,,2,1,(),(p j i e x z p l ij i j i ij ===λ （3）
主成分分析分析法
第四节 主成分分析方法 地理环境是多要素的复杂系统，在我们进行地理系统分析时，多变量问题 是经常会遇到的。 变量太多， 无疑会增加分析问题的难度与复杂性， 而且在许多 实际问题中， 多个变量之间是具有一定的相关关系的。 因此，我们就会很自然地 想到，能否在各个变量之间相关关系研究的基础上， 用较少的新变量代替原来较 多的变量，而且使这些较少的新变量尽可能多地保留原来较多的变量所反映的信 息？事实上， 这种想法是可以实现的， 本节拟介绍的主成分分析方法就是综合处 理这种问题的一种强有力的方法。 第一节 主成分分析方法的原理 主成分分析是把原来多个变量化为少数几个综合指标的一种统计分析方法， 从数学角度来看， 这是一种降维处理技术。 假定有 n 个地理样本， 每个样本共有 p 个变量描述，这样就构成了一个 n ×p 阶的地理数据矩阵： 如何从这么多变量的数据中抓住地理事物的内在规律性呢？要解决这一问 题，自然要在 p 维空间中加以考察，这是比较麻烦的。为了克服这一困难，就需 要进行降维处理， 即用较少的几个综合指标来代替原来较多的变量指标， 而且使 这些较少的综合指标既能尽量多地反映原来较多指标所反映的信息， 同时它们之 间又是彼此独立的。那么，这些综合指标（即新变量 ） 应如何选取呢？显然，其 最简单的形式就是取原来变量指标的线性组合， 适当调整组合系数， 使新的变量 指标之间相互独立且代表性最好。 如果记原来的变量指标为 x 1， 为 x 1，x 2，?， zm （m ≤p ） 。则 x 2 ，?， x p ，它们的综合指标——新变量指标
在（2）式中，系数l ij 由下列原则来决定： （1）z1 2与z j（i ≠j ；i ，j=1 ，2，?，m）相互无关； （2）z 1是x1，x2，?，x p的一切线性组合中方差最大者；z2是与z1不相关的x1，x2，?，x p的所有线性组合中方差最大者；??；z m是与z1，z2，??z m-1 都不相关的x1，x2，?，x p的所有线性组合中方差最大者。 这样决定的新变量指标z1，z2，?，zm分别称为原变量指标x1，x2，?，x p 的第一，第二，?，第m主成分。其中，z1在总方差中占的比例最大，z2，z3，?，z m的方差依次递减。在实际问题的分析中，常挑选前几个最大的主成分，这样既减少了变量的数目，又抓住了主要矛盾，简化了变量之间的关系。 从以上分析可以看出，找主成分就是确定原来变量x j（j=1 ，2，?，p）在诸主成分z i （i=1 ，2，?，m）上的载荷l ij （i=1 ，2，?，m；j=1 ，2，?，p），从数学上容易知道，它们分别是x1，x2，?，x p的相关矩阵的m个较大的特征值所对应的特征向量。 第二节主成分分析的解法 主成分分析的计算步骤 通过上述主成分分析的基本原理的介绍，我们可以把主成分分析计算步骤归纳如下：在公式（3）中，r ij （i ，j=1 ，2，?，p）为原来变量x i与x j的相关系数，其计 算公式为 因为R是实对称矩阵（即r ij =r ji ），所以只需计算其上三角元素或下三角元素即可。 1 计算相关系数矩阵 2 计算特征值与特征向量
材料测试分析方法(究极版)
绪论 3分析测试技术的发展的三个阶段？ 阶段一：分析化学学科的建立；主要以化学分析为主的阶段。 阶段二：分析仪器开始快速发展的阶段 阶段三：分析测试技术在快速、高灵敏、实时、连续、智能、信息化等方面迅速发展的阶段4现代材料分析的内容及四大类材料分析方法？ 表面和内部组织形貌。包括材料的外观形貌（如纳米线、断口、裂纹等）、晶粒大小与形态、各种相的尺寸与形态、含量与分布、界面（表面、相界、晶界）、位向关系（新相与母相、孪生相）、晶体缺陷（点缺陷、位错、层错）、夹杂物、内应力。 晶体的相结构。各种相的结构，即晶体结构类型和晶体常数，和相组成。 化学成分和价键（电子）结构。包括宏观和微区化学成份（不同相的成份、基体与析出相的成份）、同种元素的不同价键类型和化学环境。 有机物的分子结构和官能团。 形貌分析、物相分析、成分与价键分析与分子结构分析四大类方法 四大分析：1图像分析：光学显微分析（透射光反射光），电子（扫描，透射），隧道扫描，原子力2物象：x射线衍射，电子衍射，中子衍射3化学4分子结构：红外，拉曼，荧光，核磁 获取物质的组成含量结构形态形貌及变化过程的技术 材料结构与性能的表征包括材料性能，微观性能，成分的测试与表征 6.现代材料测试技术的共同之处在哪里？ 除了个别的测试手段（扫描探针显微镜）外，各种测试技术都是利用入射的电磁波或物质波（如X射线、高能电子束、可见光、红外线）与材料试样相互作用后产生的各种各样的物理信号（射线、高能电子束、可见光、红外线），探测这些出射的信号并进行分析处理，就课获得材料的显微结构、外观形貌、相组成、成分等信息。 9.试总结衍射花样的背底来源，并提出一些防止和减少背底的措施 衍射花样要素：衍射线的峰位、线形、强度 答:(I)花材的选用影晌背底; (2)滤波片的作用影响到背底;(3)样品的制备对背底的影响 措施：（1）选靶靶材产生的特征x射线（常用Kα射线）尽可能小的激发样品的荧光辐射，以降低衍射花样背底，使图像清晰。（2）滤波，k系特征辐射包括Ka和kβ射线，因两者波长不同，将使样品的产生两套方位不同得衍射花样;选择浪滋片材料，使λkβ靶<λk滤<λkα，Ka射线因因激发滤波片的荧光辐射而被吸收。(3)样品，样品晶粒为50μm左右，长时间研究，制样时尽量轻压，可减少背底。 11.X射线的性质; x射线是一种电磁波，波长范围:0.01~1000à X射线的波长与晶体中的原子问距同数量级，所以晶体可以用作衍射光栅。用来研究晶体结构，常用波长为0.5~2.5à 不同波长的x射线具有不同的用途。硬x射线:波长较短的硬x封线能量较高，穿透性较强，适用于金属部件的无损探伤及金属物相分析。软x射线:波长较长的软x射线的能量较低，穿透性弱，可用干分析非金属的分析。用于金属探伤的x射线波长为0.05~0.1à当x射线与物质(原子、电子作用时，显示其粒子性，具有能量E＝h 。产生光电效应和康普顿效应等 当x射线与x射线相互作用时，主要表现出波动性。 x射线的探测:荧光屏（ZnS），照相底片，探测器
主成分分析法精华讲义及实例
主成分分析 类型：一种处理高维数据的方法。 降维思想：在实际问题的研究中，往往会涉及众多有关的变量。但是，变量太多不但会增加计算的复杂性，而且也会给合理地分析问题和解释问题带来困难。一般说来，虽然每个变量都提供了一定的信息，但其重要性有所不同，而在很多情况下，变量间有一定的相关性，从而使得这些变量所提供的信息在一定程度上有所重叠。因而人们希望对这些变量加以“改造”，用为数极少的互补相关的新变量来反映原变量所提供的绝大部分信息，通过对新变量的分析达到解决问题的目的。 一、总体主成分 1.1 定义 设 X 1，X 2，…，X p 为某实际问题所涉及的 p 个随机变量。记 X=(X 1，X 2，…,Xp)T ，其协方差矩阵为 ()[(())(())], T ij p p E X E X X E X σ?∑==-- 它是一个 p 阶非负定矩阵。设 1111112212221122221122T p p T p p T p p p p pp p Y l X l X l X l X Y l X l X l X l X Y l X l X l X l X ?==+++? ==+++?? ??==+++? （1） 则有 ()(),1,2,...,, (,)(,),1,2,...,. T T i i i i T T T i j i j i j V ar Y V ar l X l l i p C ov Y Y C ov l X l X l l j p ==∑===∑= （2） 第 i 个主成分： 一般地，在约束条件 1T i i l l =
及 (,)0,1,2,..., 1.T i k i k C ov Y Y l l k i =∑==- 下，求 l i 使 Var(Y i )达到最大，由此 l i 所确定的 T i i Y l X = 称为 X 1，X 2，…，X p 的第 i 个主成分。 1.2 总体主成分的计算 设 ∑是12(,,...,) T p X X X X =的协方差矩阵，∑的特征值及相应的正交单位化特 征向量分别为 120p λλλ≥≥≥≥ 及 12,,...,, p e e e 则 X 的第 i 个主成分为 1122,1,2,...,,T i i i i ip p Y e X e X e X e X i p ==+++= （3） 此时 (),1,2,...,,(,)0,. T i i i i T i k i k V ar Y e e i p C ov Y Y e e i k λ?=∑==??=∑=≠?? 1.3 总体主成分的性质 1.3.1 主成分的协方差矩阵及总方差 记 12(,,...,) T p Y Y Y Y = 为主成分向量，则 Y=P T X ，其中12(,,...,)p P e e e =，且 12()()(,,...,),T T p Cov Y Cov P X P P Diag λλλ==∑=Λ= 由此得主成分的总方差为 1 1 1 ()()()()(),p p p T T i i i i i i V ar Y tr P P tr P P tr V ar X λ ==== =∑=∑=∑= ∑∑∑ 即主成分分析是把 p 个原始变量 X 1，X 2，…，X p 的总方差
主成分分析计算方法和步骤
主成分分析计算方法和步骤： 在对某一事物或现象进行实证研究时,为了充分反映被研究对象个体之间的差异, 研究者往往要考虑增加测量指标,这样就会增加研究问题的负载程度。但由于各指标都是对同一问题的反映,会造成信息的重叠,引起变量之间的共线性,因此,在多指标的数据分析中,如何压缩指标个数、压缩后的指标能否充分反映个体之间的差异,成为研究者关心的问题。而主成分分析法可以很好地解决这一问题。 主成分分析的应用目的可以简单地归结为: 数据的压缩、数据的解释。它常被用来寻找和判断某种事物或现象的综合指标,并且对综合指标所包含的信息给予适当的解释, 从而更加深刻地揭示事物的内在规律。 主成分分析的基本步骤分为: ①对原始指标进行标准化,以消除变量在数量极或量纲上的影响;②根据标准化后的数据矩阵求出相关系数矩阵 R; ③求出 R 矩阵的特征根和特征向量; ④确定主成分,结合专业知识对各主成分所蕴含的信息给予适当的解释;⑤合成主成分,得到综合评价值。 结合数据进行分析 本题分析的是全国各个省市高校绩效评价，利用全国2014年的相关统计数据(见附录)，从相关的指标数据我们无法直接评价我国各省市的高等教育绩效，而通过表5-6的相关系数矩阵，可以看到许多的变量之间的相关性很高。如：招生人数与教职工人数之间具有较强的相关性，教育投入经费和招生人数也具有较强的相关性，教工人数与本科院校数之间的相关系数最高，到达了0.963，而各组成成分之间的相关性都很高，这也充分说明了主成分分析的必要性。 表5-6 相关系数矩阵 本科院校 数招生人数教育经费投入 相关性师生比0.279 0.329 0.252 重点高校数0.345 0.204 0.310 教工人数0.963 0.954 0.896 本科院校数 1.000 0.938 0.881 招生人数0.938 1.000 0.893
主成分分析法实例
1、主成分法： 用主成分法寻找公共因子的方法如下： 假定从相关阵出发求解主成分，设有p 个变量，则可找出p 个主成分。将所得的p 个主成分按由大到小的顺序排列，记为1Y ，2Y ，…，P Y ， 则主成分与原始变量之间存在如下关系： 11111221221122221122....................p p p p p p p pp p Y X X X Y X X X Y X X X γγγγγγγγγ=+++?? =+++??? ?=+++? 式中，ij γ为随机向量X 的相关矩阵的特征值所对应的特征向量的分量，因为特征向量之间彼此正交，从X 到Y 得转换关系是可逆的，很容易得出由Y 到 X 得转换关系为： 11112121212122221122....................p p p p p p p pp p X Y Y Y X Y Y Y X Y Y Y γγγγγγγγγ=+++?? =+++??? ?=+++? 对上面每一等式只保留钱m 个主成分而把后面的部分用i ε代替，则上式变为： 111121211 2121222221122................. ...m m m m p p p mp m p X Y Y Y X Y Y Y X Y Y Y γγγεγγγεγγγε=++++??=++++????=++++? 上式在形式上已经与因子模型相一致，且i Y （i=1,2，…，m ）之间相互独立，且i Y 与i ε之间相互独立，为了把i Y 转化成合适的公因子，现在要做的工作只是把主成分i Y 变为方差为1的变量。为完成此变换，必须将i Y 除以其标准差，由主成分分析的知识知其标准差即为特征根的平方根 i λ/i i i F Y λ=， 1122m m λγλγλγ，则式子变为：
主成分分析法概念及例题
主成分分析法 主成分分析（principal components analysis，PCA）又称：主分量分析，主成分回归分析法 [编辑] 什么是主成分分析法 主成分分析也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标。 在统计学中，主成分分析（principal components analysis,PCA）是一种简化数据集的技术。它是一个线性变换。这个变换把数据变换到一个新的坐标系统中，使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上，依次类推。主成分分析经常用减少数据集的维数，同时保持数据集的对方差贡献最大的特征。这是通过保留低阶主成分，忽略高阶主成分做到的。这样低阶成分往往能够保留住数据的最重要方面。但是，这也不是一定的，要视具体应用而定。 [编辑] 主成分分析的基本思想
在实证问题研究中，为了全面、系统地分析问题，我们必须考虑众多影响因素。这些涉及的因素一般称为指标，在多元统计分析中也称为变量。因为每个变量都在不同程度上反映了所研究问题的某些信息，并且指标之间彼此有一定的相关性，因而所得的统计数据反映的信息在一定程度上有重叠。在用统计方法研究多变量问题时，变量太多会增加计算量和增加分析问题的复杂性，人们希望在进行定量分析的过程中，涉及的变量较少，得到的信息量较多。主成分分析正是适应这一要求产生的，是解决这类题的理想工具。 同样，在科普效果评估的过程中也存在着这样的问题。科普效果是很难具体量化的。在实际评估工作中，我们常常会选用几个有代表性的综合指标，采用打分的方法来进行评估，故综合指标的选取是个重点和难点。如上所述，主成分分析法正是解决这一问题的理想工具。因为评估所涉及的众多变量之间既然有一定的相关性，就必然存在着起支配作用的因素。根据这一点，通过对原始变量相关矩阵内部结构的关系研究，找出影响科普效果某一要素的几个综合指标，使综合指标为原来变量的线性拟合。这样，综合指标不仅保留了原始变量的主要信息，且彼此间不相关，又比原始变量具有某些更优越的性质，就使我们在研究复杂的科普效果评估问题时，容易抓住主要矛盾。上述想法可进一步概述为：设某科普效果评估要素涉及个指标，这指标构成的维随机向量为。对作正交变换，令，其中为正交阵，的各分量是不相关的，使得的各分量在某个评估要素中的作用容易解释，这就使得我们有可能从主分量中选择主要成分，削除对这一要素影响微弱的部分，通过对主分量的重点分析，达到对原始变量进行分析的目的。的各分量是原始变量线性组合，不同的分量表示原始变量之间不同的影响关系。由于这些基本关系很可能与特定的作用过程相联系，主成分分析使我们能从错综复杂的科普评估要素的众多指标中，找出一些主要成分，以便有效地利用大量统计数据，进行科普效果评估分析，使我们在研究科普效果评估问题中，可能得到深层次的一些启发，把科普效果评估研究引向深入。 例如，在对科普产品开发和利用这一要素的评估中，涉及科普创作人数百万人、科普作品发行量百万人、科普产业化（科普示范基地数百万人）等多项指标。经过主成分分析计算，最后确定个或个主成分作为综合评价科普产品利用和开发的综合指标，变量数减少，并达到一定的可信度，就容易进行科普效果的评估。 [编辑] 主成分分析法的基本原理 主成分分析法是一种降维的统计方法，它借助于一个正交变换，将其分量相关的原随机向量转化成其分量不相关的新随机向量，这在代数上表现为将原随机向量的协方差阵变换成对角形阵，在几何上表现为将原坐标系变换成新的正交坐标系，使之指向样本点散布最开的p 个正交方向，然后对多维变量系统进行降维处理，使之能以一个较高的精度转换成低维变量系统，再通过构造适当的价值函数，进一步把低维系统转化成一维系统。 [编辑] 主成分分析的主要作用
材料分析方法__试卷2
材料现代分析方法试题2 材料学院材料科学与工程专业年级班级材料现代分析方法课程200—200学年第学期（）卷期末考试题（ 120 分钟） 考生姓名学号考试时间 主考教师：阅卷教师： 一、基本概念题（共10题，每题5分） 1．实验中选择X射线管以及滤波片的原则是什么？已知一个以Fe为主要成分的样品，试选择合适的X射线管和合适的滤波片？ 2．下面是某立方晶系物质的几个晶面，试将它们的面间距从大到小按次序重 新排列：（12），（100），（200），（11），（121），（111），（10），（220），（130），（030），（21），（110）。 3．衍射线在空间的方位取决于什么？而衍射线的强度又取决于什么？ 4．罗伦兹因子是表示什么对衍射强度的影响？其表达式是综合了哪几方面考虑而得出的？ 5．磁透镜的像差是怎样产生的? 如何来消除和减少像差? 6．别从原理、衍射特点及应用方面比较X射线衍射和透射电镜中的电子衍 射在材料结构分析中的异同点。 7．子束入射固体样品表面会激发哪些信号? 它们有哪些特点和用途? 8．为波谱仪和能谱仪？说明其工作的三种基本方式，并比较波谱仪和能谱 仪的优缺点。 9．如何区分红外谱图中的醇与酚羟基的吸收峰？ 10．紫外光谱常用来鉴别哪几类有机物？ 二、综合分析题（共5题，每题10分） 1．试比较衍射仪法与德拜法的优缺点？ 2．试述X射线衍射单物相定性基本原理及其分析步骤？
3．扫描电镜的分辨率受哪些因素影响? 用不同的信号成像时，其分辨率有何不同? 所谓扫描电镜的分辨率是指用何种信号成像时的分辨率? 4．举例说明电子探针的三种工作方式(点、线、面)在显微成分分析中的应用。5．分别指出谱图中标记的各吸收峰所对应的基团? 材料现代分析方法试题2（参考答案） 一、基本概念题（共10题，每题5分） 1．实验中选择X射线管以及滤波片的原则是什么？已知一个以Fe为主要成分的样品，试选择合适的X射线管和合适的滤波片？ 答：实验中选择X射线管的原则是为避免或减少产生荧光辐射，应当避免使用比样品中主元素的原子序数大2~6（尤其是2）的材料作靶材的X射线管。 选择滤波片的原则是X射线分析中，在X射线管与样品之间一个滤波片，以滤掉Kβ线。滤波片的材料依靶的材料而定，一般采用比靶材的原子序数小1或2的材料。 分析以铁为主的样品，应该选用Co或Fe靶的X射线管，它们的分别相应选择Fe和Mn为滤波片。 2．下面是某立方晶系物质的几个晶面，试将它们的面间距从大到小按次序重 新排列：（12），（100），（200），（11），（121），（111），（10），（220），（130），（030），（21），（110）。 答：它们的面间距从大到小按次序是：（100）、（110）、（111）、（200）、（10）、（121）、（220）、（21）、（030）、（130）、（11）、（12）。3．衍射线在空间的方位取决于什么？而衍射线的强度又取决于什么？ 答：衍射线在空间的方位主要取决于晶体的面网间距，或者晶胞的大小。
R语言主成分分析的案例
R 语言主成分分析的案例
R 语言也介绍到案例篇了，也有不少同学反馈说还是不是特别明白一些基础的东西，希望能 够有一些比较浅显的可以操作的入门。其实这些之前 SPSS 实战案例都不少，老实说一旦用 上了开源工具就好像上瘾了，对于以前的 SAS、clementine 之类的可视化工具没有一点 感觉了。本质上还是觉得要装这个、装那个的比较麻烦，现在用 R 或者 python 直接简单 安装下，导入自己需要用到的包，活学活用一些命令函数就可以了。以后平台上集成 R、 python 的开发是趋势，包括现在 BAT 公司内部已经实现了。 今天就贴个盐泉水化学分析资料的主成分分析和因子分析通过 R 语言数据挖掘的小李 子： 有条件的同学最好自己安装下 R，操作一遍。 今有 20 个盐泉，盐泉的水化学特征系数值见下表.试对盐泉的水化学分析资料作主成分分 析和因子分析.（数据可以自己模拟一份）
其中 x1:矿化度(g/L);
x2:Br?103/Cl; x3:K?103/Σ 盐; x4:K?103/Cl; x5:Na/K; x6:Mg?102/Cl; x7:εNa/εCl.
1.数据准备
导入数据保存在对象 saltwell 中 >saltwell<-read.table("c:/saltwell.txt",header=T) >saltwell
2.数据分析
1 标准误、方差贡献率和累积贡献率
>arrests.pr<- prcomp(saltwell, scale = TRUE) >summary(arrests.pr，loadings=TRUE)
2 每个变量的标准误和变换矩阵
>prcomp(saltwell, scale = TRUE)
3 查看对象 arests.pr 中的内容
>> str(arrests.pr)
主成分分析法概念及例题
主成分分析法 主成分分析(principal components analysis,PCA)又称:主分量分析,主成分回归分析法 [编辑] 什么就是主成分分析法 主成分分析也称主分量分析,旨在利用降维的思想,把多指标转化为少数几个综合指标。 在统计学中,主成分分析(principal components analysis,PCA)就是一种简化数据集的技术。它就是一个线性变换。这个变换把数据变换到一个新的坐标系统中,使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上,第二大方差在第二个坐标(第二主成分)上,依次类推。主成分分析经常用减少数据集的维数,同时保持数据集的对方差贡献最大的特征。这就是通过保留低阶主成分,忽略高阶主成分做到的。这样低阶成分往往能够保留住数据的最重要方面。但就是,这也不就是一定的,要视具体应用而定。 [编辑] 主成分分析的基本思想
在实证问题研究中,为了全面、系统地分析问题,我们必须考虑众多影响因素。这些涉及的因素一般称为指标,在多元统计分析中也称为变量。因为每个变量都在不同程度上反映了所研究问题的某些信息,并且指标之间彼此有一定的相关性,因而所得的统计数据反映的信息在一定程度上有重叠。在用统计方法研究多变量问题时,变量太多会增加计算量与增加分析问题的复杂性,人们希望在进行定量分析的过程中,涉及的变量较少,得到的信息量较多。主成分分析正就是适应这一要求产生的,就是解决这类题的理想工具。 同样,在科普效果评估的过程中也存在着这样的问题。科普效果就是很难具体量化的。在实际评估工作中,我们常常会选用几个有代表性的综合指标,采用打分的方法来进行评估,故综合指标的选取就是个重点与难点。如上所述,主成分分析法正就是解决这一问题的理想工具。因为评估所涉及的众多变量之间既然有一定的相关性,就必然存在着起支配作用的因素。根据这一点,通过对原始变量相关矩阵内部结构的关系研究,找出影响科普效果某一要素的几个综合指标,使综合指标为原来变量的线性拟合。这样,综合指标不仅保留了原始变量的主要信息,且彼此间不相关,又比原始变量具有某些更优越的性质,就使我们在研究复杂的科普效果评估问题时,容易抓住主要矛盾。上述想法可进一步概述为:设某科普效果评估要素涉及个指标,这指标构成的维随机向量为。对作正交变换,令,其中为正交阵,的各分量就是不相关的,使得的各分量在某个评估要素中的作用容易解释,这就使得我们有可能从主分量中选择主要成分,削除对这一要素影响微弱的部分,通过对主分量的重点分析,达到对原始变量进行分析的目的。的各分量就是原始变量线性组合,不同的分量表示原始变量之间不同的影响关系。由于这些基本关系很可能与特定的作用过程相联系,主成分分析使我们能从错综复杂的科普评估要素的众多指标中,找出一些主要成分,以便有效地利用大量统计数据,进行科普效果评估分析,使我们在研究科普效果评估问题中,可能得到深层次的一些启发,把科普效果评估研究引向深入。 例如,在对科普产品开发与利用这一要素的评估中,涉及科普创作人数百万人、科普作品发行量百万人、科普产业化(科普示范基地数百万人)等多项指标。经过主成分分析计算,最后确定个或个主成分作为综合评价科普产品利用与开发的综合指标,变量数减少,并达到一定的可信度,就容易进行科普效果的评估。 [编辑] 主成分分析法的基本原理 主成分分析法就是一种降维的统计方法,它借助于一个正交变换,将其分量相关的原随机向量转化成其分量不相关的新随机向量,这在代数上表现为将原随机向量的协方差阵变换成对角形阵,在几何上表现为将原坐标系变换成新的正交坐标系,使之指向样本点散布最开的p 个正交方向,然后对多维变量系统进行降维处理,使之能以一个较高的精度转换成低维变量系统,再通过构造适当的价值函数,进一步把低维系统转化成一维系统。 [编辑] 主成分分析的主要作用
主成分分析法概念及例题
主成分分析法 [ 编辑 ] 什么是主成分分析法 主成分分析也称 主分量分析 ，旨在利用降维的思想，把多 指标 转化为少数几个综合指标。 在 统计学 中，主成分分析（ principal components analysis,PCA ）是一种简化数据集的技 术。它是一个线性变换。 这个变换把数据变换到一个新的坐标系统中， 使得任何数据投影的第一 大方差 在第一个坐标 （称为第一主成分 ）上，第二大方差在第二个坐标 （第二主成分 ）上，依次类推。 主成分分析经常用减少数据集的维数， 同时保持数据集的对 方差 贡献最大的特征。 这是通过保留 低阶主成分，忽略高阶主成分做到的。这样低阶成分往往能够保留住数据的最重要方面。但是， 这也不是一定的，要视具体应用而定。 [ 编辑 ] ， PCA ） 又称： 主分量分析，主成分回归分析法 主成分分析（ principal components analysis
主成分分析的基本思想 在实证问题研究中，为了全面、系统地分析问题，我们必须考虑众多影响因素。这些涉及的因素一般称为指标，在多元统计分析中也称为变量。因为每个变量都在不同程度上反映了所研究问题的某些信息，并且指标之间彼此有一定的相关性，因而所得的统计数据反映的信息在一定程度上有重叠。在用统计方法研究多变量问题时，变量太多会增加计算量和增加分析问题的复杂性，人们希望在进行定量分析的过程中，涉及的变量较少，得到的信息量较多。主成分分析正是适应这一要求产生的，是解决这类题的理想工具。 同样，在科普效果评估的过程中也存在着这样的问题。科普效果是很难具体量化的。在实际评估工作中，我们常常会选用几个有代表性的综合指标，采用打分的方法来进行评估，故综合指标的选取是个重点和难点。如上所述，主成分分析法正是解决这一问题的理想工具。因为评估所涉及的众多变量之间既然有一定的相关性，就必然存在着起支配作用的因素。根据这一点，通过对原始变量相关矩阵内部结构的关系研究，找出影响科普效果某一要素的几个综合指标，使综合指标为原来变量的线性拟合。这样，综合指标不仅保留了原始变量的主要信息，且彼此间不相关，又比原始变量具有某些更优越的性质，就使我们在研究复杂的科普效果评估问题时，容易抓住主要矛盾。上述想法可进一步概述为：设某科普效果评估要素涉及个指标，这指标构成的维随机向量为。对作正交变换，令，其中为正交阵，的各分量是不相关的，使得的各分量在某个评估要素中的作用容易解释，这就使得我们有可能从主分量中选择主要成分，削除对这一要素影响微弱的部分，通过对主分量的重点分析，达到对原始变量进行分析的目的。的各分量是原始变量线性组合，不同的分量表示原始变量之间不同的影响关系。由于这些基本关系很可能与特定的作用过程相联系，主成分分析使我们能从错综复杂的科普评估要素的众多指标中，找出一些主要成分，以便有效地利用大量统计数据，进行科普效果评估分析，使我们在研究科普效果评估问题中，可能得到深层次的一些启发，把科普效果评估研究引向深入。 例如，在对科普产品开发和利用这一要素的评估中，涉及科普创作人数百万人、科普作品发行量百万人、科普产业化（科普示范基地数百万人）等多项指标。经过主成分分析计算，最后确定个或个主成分作为综合评价科普产品利用和开发的综合指标，变量数减少，并达到一定的可信度，就容易进行科普效果的评估。 [ 编辑] 主成分分析法的基本原理 主成分分析法是一种降维的统计方法，它借助于一个正交变换，将其分量相关的原随机向量转化成其分量不相关的新随机向量，这在代数上表现为将原随机向量的协方差阵变换成对角形阵，在几何上表现为将原坐标系变换成新的正交坐标系，使之指向样本点散布最开的p 个正交方向，然后对多维变量系统进行降维处理，使之能以一个较高的精度转换成低维变量系统，再通过构造适当的价值函数，进一步把低维系统转化成一维系统。 [ 编辑] 主成分分析的主要作用
主成分分析法的步骤和原理 (1)
（一）主成分分析法的基本思想 主成分分析（Principal Component Analysis ）是利用降维的思想，将多个变量转化为少数几个综合变量（即主成分），其中每个主成分都是原始变量的线性组合，各主成分之间互不相关，从而这些主成分能够反映始变量的绝大部分信息，且所含的信息互不重叠。[2] 采用这种方法可以克服单一的财务指标不能真实反映公司的财务情况的缺点，引进多方面的财务指标，但又将复杂因素归结为几个主成分，使得复杂问题得以简化，同时得到更为科学、准确的财务信息。 （二）主成分分析法代数模型 假设用p 个变量来描述研究对象，分别用X 1，X 2…X p 来表示，这p 个变量构成的p 维随机向量为X=(X 1，X 2…X p )t 。设随机向量X 的均值为μ，协方差矩阵为Σ。对X 进行线性变化，考虑原始变量的线性组合： Z 1=μ11X 1+μ12X 2+…μ1p X p Z 2=μ21X 1+μ22X 2+…μ2p X p …… …… …… Z p =μp1X 1+μp2X 2+…μpp X p 主成分是不相关的线性组合Z 1，Z 2……Z p ，并且Z 1是X 1，X 2…X p 的线性组合中方差最大者，Z 2是与Z 1不相关的线性组合中方差最大者，…，Z p 是与Z 1，Z 2 ……Z p-1都不相关的线性组合中方差最大者。 （三）主成分分析法基本步骤 第一步：设估计样本数为n ，选取的财务指标数为p ，则由估计样本的原始数据可得矩阵X=(x ij )m ×p ，其中x ij 表示第i 家上市公司的第j 项财务指标数据。 第二步：为了消除各项财务指标之间在量纲化和数量级上的差别，对指标数据进行标准化，得到标准化矩阵（系统自动生成）。 第三步：根据标准化数据矩阵建立协方差矩阵R ，是反映标准化后的数据之间相关关系密切程度的统计指标，值越大，说明有必要对数据进行主成分分析。其中，R ij （i ，j=1，2，…，p ）为原始变量X i 与X j 的相关系数。R 为实对称矩阵 （即R ij =R ji ），只需计算其上三角元素或下三角元素即可，其计算公式为： 2211)()() ()(j kj n k i kj j kj n k i kj ij X X X X X X X X R -=--=-=∑∑ 第四步：根据协方差矩阵R 求出特征值、主成分贡献率和累计方差贡献率，确定主成分个数。解特征方程0=-R E λ，求出特征值λi （i=1，2，…，p ）。 因为R 是正定矩阵，所以其特征值λi 都为正数，将其按大小顺序排列，即λ1≥λ2≥…≥λi ≥0。特征值是各主成分的方差，它的大小反映了各个主成分的影响力。主成分Z i 的贡献率W i =∑=p j j j 1λλ，累计贡献率为
材料的成分分析
材料的成分分析 913000730018 鲁皓辰一、成分分析的定义 材料的成分分析是指通过谱图对产品或样品的成分进行分析，对各个成分进行定性定量分析的技术方法。成分分析主要用于对未知物及未知成分等进行分析，通过快速确定目标样品中的组成成分来鉴别材料的材质、原材料、助剂、特定成分及含量、异物等信息。 二、成分分析的分类 按照结论来区分，成分分析可以分为定性分析和定量分析两部分。定性分析主要是确定物质的组分种类，而定量分析是在定性分析后进行相应的定量分析，得出各种组分的分配比例。按照科学技术，定量分析只能做到无限接近真实情况，但却无法 100%保证准确。 1、指定成分含量分析 指定成分含量分析是材料成分分析的重要组成部分之一，能够针对性的对材料中某种或几种指定物质的含量进行定量分析。因指定成分含量分析的目的性强，结果一般干扰极小，准确度极高。 除部分材料中的某些物质有相关国家标准规定外，大多数指定成分的含量分析需要借助高精密仪器来完成，如光谱、色谱、质谱等。 常规材料指定成分含量分析项目： ◆无机物含量分析◆有机物含量分析◆高分子化合物含量分析 2、元素含量分析
元素含量分析也是材料成分分析的重要组成部分之一，能够针对性的对材料中某种或几种指定元素的含量进行定量分析。元素含量分析的准确度极高，一般能达到 ppm 级别（百万分之一）。元素含量分析仅对材料中的元素组成情况进行鉴定，而不能提供材料中具体的化合物组分的 组成情况，因此一般适合金属、合金、矿石等主要需求元素组成情况的材料的分析。常用的元素含量分析手段包括 X 射线衍射（XRD）、X 射线荧光光谱（XRF）、电感耦合等离子体 放射光谱（ICP-AES）等。 常规材料元素含量分析项目： ◆金属元素含量分析◆非金属元素含量分析◆全元素含量分析 3、材质鉴定分析 材质鉴定是材料成分分析的主要组成部分之一，能够对材料中主要组分的含量进行定性或定量分析，或者足以鉴别材料类型的某种或几种成分或元素含量进行分析。部分材料如钢材等的材质鉴定有相关国家标准的规范。 材质鉴定集中对材料的主要组成成分进行定性或定量分析，得到的是材料的大致组成情况，一般不涵盖材料中的全部组分，因此适合企业或个人在进行采购、使用等过程时对材料进行质量的基础控制，既节约了成本，又保证了质量。 常规材质鉴定项目： ◆钢材材质鉴定◆其他合金材质鉴定◆材料主成分定性分析◆材料主成分定量分析 三、成分分析的可用材料服务领域