第二章 EM类型与特点简介
分类 em算法
分类em算法摘要：1.引言2.EM 算法的基本原理3.EM 算法的分类应用4.结论正文：1.引言EM 算法，全称Expectation-Maximization 算法，是一种常见的概率模型优化算法。
该算法在统计学、机器学习等领域具有广泛的应用，特别是在分类问题上表现出色。
本文将重点介绍EM 算法在分类问题上的应用及其基本原理。
2.EM 算法的基本原理EM 算法是一种迭代优化算法，主要通过两个步骤进行：E 步（Expectation）和M 步（Maximization）。
在E 步中，根据观测数据计算样本的隐含变量的期望值；在M 步中，根据隐含变量的期望值最大化模型参数的似然函数。
这两个步骤交替进行，直至收敛。
EM 算法的基本原理可以概括为：对于一个包含隐含变量的概率模型，通过迭代优化模型参数，使得观测数据的似然函数最大化。
在这个过程中，EM 算法引入了Jensen 不等式，保证了算法的收敛性。
3.EM 算法的分类应用EM 算法在分类问题上的应用非常广泛，典型的例子包括高斯混合模型（GMM）和隐马尔可夫模型（HMM）。
（1）高斯混合模型（GMM）在传统的分类问题中，我们通常使用极大似然估计（MLE）来求解最佳分类模型。
然而，当数据分布复杂时，MLE 可能无法得到一个好的解。
此时，我们可以引入EM 算法，通过迭代优化模型参数，提高分类的准确性。
在GMM 中，EM 算法可以有效地处理数据的多峰分布，从而提高分类效果。
（2）隐马尔可夫模型（HMM）HMM 是一种基于序列数据的概率模型，广泛应用于语音识别、时间序列分析等领域。
在HMM 中，EM 算法被用于求解最优路径和状态转移概率。
通过EM 算法，我们可以有效地处理观测序列与隐状态之间的不确定性，从而提高分类效果。
4.结论EM 算法作为一种强大的概率模型优化算法，在分类问题上表现出色。
通过引入隐含变量和迭代优化，EM 算法可以有效地处理数据的复杂性和不确定性，提高分类的准确性。
EM在畜牧业中的应用及发展前景
EM在畜牧业中的应用及发展前景刘炳义１，邱海芳，王守江，陈飞，李振华，于光芝（潍坊市畜牧局, 山东省，潍坊市，261041）摘要：EM作为一种纯天然、无公害的生物制剂，由多种正常菌群微生物制成，在加强肠道防御、防治疾病、提高饲料转化率、提高畜禽产品质量等方面发挥着重要的作用，在畜牧生产中有广泛的应用前景。
本文就EM种类及其特点、作用机理、应用现状、影响因素与发展前景进行简要概述。
认为应积极推广应用EM制剂, 以促进畜牧业健康持续发展。
关键词：EM，作用机理，应用现状，影响因素，发展前景The Applied and Foreground of Microorganisms（EM）inAnimal ProductionLIU Bin-yi, QIU Hai-fang, WANG Shou-jiang, CHEN Fei, LI Zheng-hua, YU Guang-zhi (Weifang Animal Husbandry Bureau, Shandong, Weifang, 261041)Abstract: EM preparation is a kind of pure natural, harmless biologic agents; it is made by many kinds of normal microbial flora. EM plays an important role in protection intestinal tract, prevention and cure disease, enhancing feed reward, improving product quality. It has an extensive application prospect. This article gives an overview of characteristics, mechanisms, application, influencing factor and foreground. In order to promote the husbandry healthily and continuously, EM should be popularized and applied positively.Key words: EM, effective organisms, application, influencing factor, foregroundEM是日本比嘉照夫教授发明的一种新型复合微生物菌剂，有5科10属80多种功能各异的有效微生物群组成，经独特工艺复合培养而成。
电路中em的值
电路中em的值
在电路中，em代表电动势（Electromotive Force），它的单位是伏特（V）。
电动势是指电源或电池的电压，表示电源或电池的电能转化为电流的能力。
它是电路中的重要参数，决定了电路中电流的大小和方向。
电动势的值取决于电源或电池的性质和工作状态。
在交流电路中，特别是正弦交流电路中，电动势的最大值通常表示为Em。
这个值是根据电磁感应定律得出的，Em=NBSω，其中N是线圈匝数，B是磁感应强度，S是线圈的面积，ω是角频率。
对于固定完成后的发电机，这些参数都是常量，因此电动势的最大值Em是一个定值。
在电路中，电动势与电流的关系由欧姆定律给出，即I=V/R，其中I是电流，V是电压（电动势），R是电阻。
因此，电动势的大小决定了电路中电流的大小。
请注意，电动势的值可以是正值也可以是负值，这取决于电源或电池的极性。
当电源或电池的电压为正时，电子会从负极流向正极；当电压为负时，电子会从正极流向负极。
在交流电路中，电动势的值会随时间作周期性变化。
统计学习中的EM算法
统计学习中的EM算法EM算法是一种常用的统计学习方法，它可以用于估计未知参数，特别是那些需要通过观察到的数据加以估计的复杂模型。
本文将介绍EM算法的基本原理、应用场景以及优缺点。
一、基本原理EM算法（Expectation Maximization）相当于是用一种迭代的方式，在“期望”（Expectation）和“最大化”（Maximization）之间进行交替，来求解模型参数的一种方法。
EM算法的基本思想是：在训练数据样本中，往往存在隐含变量，而且无法直接观测到。
我们需要发掘这些隐含变量的概率分布，从而求解最优的模型参数。
具体来说，EM算法的步骤如下：首先，选择一个初始化的参数值；然后，使用这些参数值来计算隐含变量的概率分布；接下来，根据这些概率分布来重新估计参数的值；不断重复以上三个步骤，直到收敛，得到最优的模型参数值。
EM算法通过迭代来求解未知的参数值，对于一些需要最大化其似然函数的模型，EM算法可以找到使得似然函数最大的参数值。
最常见的应用场景是在高斯混合模型（GMM）以及隐马尔可夫模型（HMM）中。
二、应用场景1、高斯混合模型高斯混合模型是一种将多个高斯分布加权叠加的模型，它常被用于描述复杂数据的分布情况。
举个例子，在股票市场上，可以将不同的股票价格看成不同的高斯分布，然后用高斯混合模型来描述整个市场的波动情况。
在这种情况下，EM算法可以用来估计每个高斯分布的权重、均值和方差。
2、隐马尔可夫模型隐马尔可夫模型是一种包含隐含状态的动态变化模型。
它常被用于语音识别、自然语言处理、图像处理等领域。
在隐马尔可夫模型中，我们需要估计各个状态转移概率以及各个隐含状态下的观测值概率分布。
EM算法可以用来求解这些参数值。
三、优缺点1、优点EM算法可以用来处理包含隐含变量的模型，在实际应用中非常普遍。
EM算法可以求解似然函数的最大值或者后验概率的最大值。
这样，在目标函数为凸函数的情况下，EM算法可以获得全局最优解。
EM解析
EM 算法解析EM 算法为一种无监督的参数估计的方法，此方法能够从未知样本的类别号的情况下估计出模型的参数类别。
一般我们估计样本集的模型参数需要首先知道样本集中样本的标签类别，即知道哪个样本属于哪种模型，首先从有监督的参数估计入手，其中由于最大似然估计简单有效，因此我们从最大似然函数入手，还有一个原因就是EM 算法最后也会用到最大似然估计。
先假设有样本集X ，其中X 中的样本只由一种随机变量的统计模型产生，设样本集X 种的样本都独立，且其设概率密度函数为p(x)，则最大似然估计就是求下面的最大值1()()Nj j L p x θ==∏对上式转换到对数函数中，则有1ln(())ln(())Nj j L p x θ==∑求解最大就是令导数为0，即1ln(())ln(())0N jj p x L θθθ=∂∂==∂∂∑即这里知道j x 都是为一种符合同分布的随机变量。
对于X 集中每一个样本来至两种分布的随机变量问题，如果每一个样本x 都知道了标签类型，那么可以将相同类别的样本从X 集中选择出来，然后各个类进行单独参数估计。
但实际情况是：很多时候我们不知道样本的类别号，这样的话该怎么办呢？当然，我们可以随机选择数据了，即将X 集合随机分成两部分12X X X =⋃，其中用X1来估算模型1的参数，用X2来估计模型2的参数。
这样做是不是不可思议，是的，这造成估计出来的参数十分的不可靠。
那么下面来看一下EM 算法是怎么做的：假设样本集X 和模型数量J ，问题为样本集中的样本是由J 个随机变量分布模型产生的，但是哪个样本由哪种分布模型产生是未知的。
即每一个样本由如下混合的模型产生 1()(|;)()Jk k k p x p x w P w θ==∑ 其中(|;)k p x w θ为x 在模型类别k w 下的概率密度函数，()k P w 为类别k w 的先验概率。
在这个问题中我们只能假设(|;)k p x w θ模型类型（即高斯模型或均匀分布模型等），这个可以已知，但是我们要解决的还有参数θ及()k P w 。
干货必备机器学习基础之EM算法学习
干货必备机器学习基础之EM算法学习重磅干货，第一时间送达一、简介EM算法，又叫做期望最大化算法，该算法可以通过反复迭代来求解带有不可观察的隐变量的概率模型中的参数，本质上每次迭代都是对参数做最大似然估计。
在机器学习建模中，可以用来建模的因素如此之多，我们不可能将所有的因素都考虑进来，因此在模型中往往会有那些被我们忽略或者我们没有观测到的建模因素。
这些因素被称为隐变量。
EM算法可以将这些隐变量考虑到建模因素中，EM算法的过程如下图所示如图为完全数据的极大似然函数，但是由于存在隐变量我们没办法得出的正确式子。
因此我们定义了极大似然函数的下界函数当前仅当时，两函数的值才相等。
因此在E步，我们已有一个估计的参数值（初始化或上次迭代计算出的参数），但是此时这个参数值对应的的值不等于的值。
因此在E步中我们以当前的估计参数极大化，使得该参数对应的与的函数值相等。
结果如上图所示，处极大似然函数与下界函数的函数值相等。
然后在M步，我们求出使得取得极大的参数。
然后将作为下一次迭代的当前参数值。
EM算法通过反复的迭代一定可以收敛到某个局部最优，但不能保证能收敛到全局最优，因此，EM算法对初值敏感。
二、EM算法详解Q函数Q函数被定义为，完全数据的对数似然函数关于给定的观测数据Y和当前参数的条件下，对未观测数据Z的条件概率分布的期望。
即这里的Q函数和上面提到的下界函数是等价的，因此EM算法的E步是求解当前参数和观测值对应的Q函数，在M步求出使Q函数极大的参数。
EM算法的导出完全数据的对数似然函数为假设是使得上式达到极大的参数值，那么对于任意的参数估计值都会有且上式恒大于等于0，更进一步由琴生不等式可以得到因此我们可以定义下界函数为在M步我们要求使得下界函数取得极大的最终我们发现下界函数与Q函数是等价的。
EM算法的收敛性我们知道每次迭代后的参数都使得似然估计变大，由于极大似然函数有界，因此必有极限。
并且由下图我们可以知道，如果初始的参数很小的话，EM算法则会收敛到一个局部极大。
【机器学习】EM算法详细推导和讲解
【机器学习】EM算法详细推导和讲解 今天不太想学习，炒个冷饭，讲讲机器学习⼗⼤算法⾥有名的EM算法，⽂章⾥⾯有些个⼈理解，如有错漏，还请读者不吝赐教。
众所周知，极⼤似然估计是⼀种应⽤很⼴泛的参数估计⽅法。
例如我⼿头有⼀些东北⼈的⾝⾼的数据，⼜知道⾝⾼的概率模型是⾼斯分布，那么利⽤极⼤化似然函数的⽅法可以估计出⾼斯分布的两个参数，均值和⽅差。
这个⽅法基本上所有概率课本上都会讲，我这就不多说了，不清楚的请百度。
然⽽现在我⾯临的是这种情况，我⼿上的数据是四川⼈和东北⼈的⾝⾼合集，然⽽对于其中具体的每⼀个数据，并没有标定出它来⾃“东北⼈”还是“四川⼈”，我想如果把这个数据集的概率密度画出来，⼤约是这个样⼦： 好了不要吐槽了，能画成这个样⼦我已经很⽤⼼了= = 其实这个双峰的概率密度函数是有模型的，称作⾼斯混合模型（GMM），写作： 话说往博客上加公式真是费劲= =这模型很好理解，就是k个⾼斯模型加权组成，α是各⾼斯分布的权重，Θ是参数。
对GMM模型的参数估计，就要⽤EM算法。
更⼀般的讲，EM算法适⽤于带有隐变量的概率模型的估计，什么是隐变量呢？就是观测不到的变量，对于上⾯四川⼈和东北⼈的例⼦，对每⼀个⾝⾼⽽⾔，它来⾃四川还是东北，就是⼀个隐变量。
为什么要⽤EM，我们来具体考虑⼀下上⾯这个问题。
如果使⽤极⼤似然估计——这是我们最开始最单纯的想法，那么我们需要极⼤化的似然函数应该是这个： 然⽽我们并不知道p(x;θ)的表达式，有同学说我知道啊，不就是上⾯那个混个⾼斯模型？不就是参数多⼀点麽。
仔细想想，GMM⾥的θ可是由四川⼈和东北⼈两部分组成哟，假如你要估计四川⼈的⾝⾼均值，直接⽤GMM做似然函数，会把四川⼈和东北⼈全考虑进去，显然不合适。
另⼀个想法是考虑隐变量，如果我们已经知道哪些样本来⾃四川，哪些样本来⾃东北，那就好了。
⽤Z=0或Z=1标记样本来⾃哪个总体，则Z就是隐变量，需要最⼤化的似然函数就变为： 然⽽并没有卵⽤，因为隐变量确实不知道。
EM算法简介
GMM中的EM算法
高斯分布： 代入高斯分布的密度函数，计算得到如下的迭代公式： 第t次的估计为 则第t+1次的估计为
GMM中EM算法的迭代过程
GMM_EM求的参数为 (0.5958,-2.0767,1.9973,0.4042,2.9956,1.0044) 答案为 ( 1 , 1 , 1 , 2 , 2 , 2 ) ( 0 . 6 , 2 , 2 , 0 . 4 , 3 ,1) 调用的接口为： estS = gmmb_em(rawdata', 'init', 'cmeans1', 'components', 2, 'thr', 1e-8); Matlab程序包的网址： http://www.it.lut.fi/project/gmmbayes/downloads/src/gmmbayest b/gmmbayestb-v1.0.tar.gz
极大似然估计(MLE)
独立同分布(IID)的数据 ( X , X , , X 其概率密度函数为 f ( x | ) 似然函数定义为 L ( | ) f ( | ) f ( X | ) log似然函数定义为l ( | ) log L ( | )
f ( X i , Yi | ) f ( X i , Yi | ) f ( X i | Y i , ) f ( Y i | ))
log
i 1 n
log(
i 1
EM—Expectation
观测数据X已知，参数的当前值 已知， 在完整似然函数中，缺失数据(隐含变量) Y未知，完整log似然函数对Y求期望。 定义
EM算法new
EM算法过程：
1、用随机函数初始化K个高斯分布的参数， 同时保证
k 1
K
k
1
Expectation 2、依次取观察数据x，比较x在K个 高斯函数 中概率的大小，把x归类到这K个高斯 1 e 2 中概率最大的一个。
( x k )( x k )T 2 k 2 k k
Maximum 3、 用最大似然估计，使观察数据是x的概率 最大，因为已经在第2步中分好类了，所 以，即简单问题的求法。 1
• Variational EM 有些时候， 是丌能显式的计算出来，这个时候最 大化 就显得相当困难。这个时候，可以考虑丌一定 保证Jensen丌等式一定要取等号，如果给定 某种形 式，就得到variational EM算法。 • EM for MAP 上面讲的是针对MLE估计的EM算法，其实也有针对MAP估 计的EM算法。 • Online EM 上面讲的是EM可以归亍batch EM一类，还有文献介绍关 亍online EM的论述。可以在文献[2]中阅读到有关online EM的内容。
四 EM算法举例
• EM算法就是通过迭代地最大化完整数据的对数似然函数的期 望，来最大化丌完整数据的对数似然函数。当然，针对各种 EM的变形，它们又有各自的应用景。 • 丼例： • 设有n个样本，它们是由高斯混合分布产生； • 高斯混合分布是由k个丌同的高斯分布混合生成，每个 分布都相互独立。 • 用EM算法估计高斯混合分布参数：确定每个高斯分布 的（1）均值和（2）斱差及（3）先验概率；
独立.且 ，
亍是，
• (4) 引入两个函数：
• 这时， 可以简化为：
• 注意， ，等号在p=q时成立。所以 是 的下界。而EM算法的思路就是靠丌断的提高下界 ， 来找到 的最大值。再回顾一下，直接计算 有时候 是件困难/复杂的事情。丌过计算 是比较容易的。那 么如何提高下呢？EM算法的E步和M步正是来实现这个目 标的。 • E步：假设当前的参数为 ，固定 ，找一个分布q(Z)， 使得 最大。但是注意到 不Z无关，所以使 最大， 等价亍使 最小(=0)，也就是说 。 • M步：固定q(Z)，找新参数 ，使得 最大。当 然， 的增大可能来自亍两部分： 和 ，毕 竟此时 和 一般是丌同的，所 以 。
em算法——精选推荐
em算法期望最⼤化算法（EM）或Dempster Laird Rubin算法是⼀种最⼤似然估计（MLE），MLE通常⽤作Newton Raphson⽅法的替代⽅法，以估计具有潜在变量或不完整数据的概率模型的参数。
EM算法的标准计算框架由E步骤和M步骤交替组成。
算法的收敛性可以确保迭代⾄少接近局部最⼤值。
EM算法是MM算法的特例之⼀。
有⼏种改进的版本，包括使⽤贝叶斯推理的EM算法，EM 梯度算法，⼴义EM算法等。
由于迭代规则易于实现并且可以灵活地考虑隐藏变量，因此EM 算法被⼴泛⽤于处理缺失数据以及许多机器学习（机器学习）算法，包括⾼斯混合模型（GMM）和隐马尔可夫模型（HMM）参数估算。
EM算法的研究源于统计误差分析问题。
1886年，美国数学家西蒙·纽科姆（Simon Newcomb）使⽤⾼斯混合模型（GMM）解释观测误差的长尾效应时，提出了⼀种类似于EM算法的迭代求解技术。
最⼤似然估计（MLE）出现后，英国学者安德森·麦肯德⾥克（Anderson McKendrick）于1926年提出了纽康理论，并将其应⽤于医学样本中。
1956年，Michael Healy和Michael Westmacott 提出了⼀种迭代⽅法来估计统计实验中的缺失数据，这被认为是EM 算法的特例。
1970年，B。
J. n。
light使⽤MLE讨论指数族分布的I型检查数据。
Rolf Sundberg从1971年到1974年进⼀步发展了指数族分布样本的MLE，并给出了迭代计算的完整推导。
EM算法由美国数学家Arthur Dempster，Nan laird和Donald Rubin正式提出。
他们于1977年发表的研究总结了以前的EM算法作为特例，并给出了标准算法的计算步骤。
EM算法也称为Dempster Laird Rubin算法。
1983年，美国数学家c.f. Jeff Wu 给出了指数族分布之外的EM算法收敛性的证明。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
生物电子显微技术 扫描透射式电镜（ 第三节 扫描透射式电镜（STEM） ）
工作原理介于TEM与SEM之间，兼顾SEM及 TEM的优点、功能更强大、又弥补各自的缺点。
（一） 类型
1. 超高真空的场发射式 超高真空的场发射式STEM 使用场发射电子枪，单晶钨针尖灯丝，可以获得 很高的亮度10－8－10－10A/cm2立体弧度，分辨率 0.3-0.5nm，真空度10－10torr，价格极高。 2.附件型 附件型STEM 附件型 附件附加在TEM或SEM上，分辨率较低，TEM 电镜附件型分辨率1－1.5nm; SEM电镜附件型分辨 率4－6nm,附件型STEM主要用于X－ray能谱、波 谱分析或电子损失谱分析，用以观察元素分布图
（一） 分析电镜的类型
生物电子显微技术
（1）分析 ）分析TEM： ： 也称生物分析电镜（BATEM:biologic analysis ） 生物分析电镜（ 生物分析电镜 TEM+EDS（or：WDS），分辨率高δ =1.5 Å 、 分析性能好。目前很多100KV和 200KV TEM都 可以装上X射线检测附件，进行样品的元素分析。 2）分析SEM： （2）分析SEM： 在SEM上配备X射线能谱仪（或波谱仪）后，便可兼有 电子探针分析样品化学成分的功能。 （3）扫描俄歇电镜： ）扫描俄歇电镜： 把SEM与俄歇电子能量分析仪相结合，即成为扫描俄歇 电镜，它能对样品表面进行微区元素分析，是一种表面 微观分析电镜。
（三）、观察对象： ）、观察对象
观察样品表面、内部，获取样品的明场及暗场图像
第四节 分析类电镜
生物电子显微技术
分析电镜是利用电子束（射线） 分析电镜是利用电子束（射线）轰击 是利用电子束 样品所产生的X射线或俄歇电子等信号 样品所产生的 射线或俄歇电子等信号 对样品元素进行分析的一类电镜。 对样品元素进行分析的一类电镜。 其基本特点： 其基本特点： 能在观察超微结构的同时， 能在观察超微结构的同时，对样品中 一个极微小的区域进行化学分析， 一个极微小的区域进行化学分析，从而 在超微结构水平上测定各种细胞结构的 化学成分及其变化规律。 化学成分及其变化规律。
生物电子显微技术
四、场发射电子枪SEM 场发射电子枪SEM
场发射电子枪SEM优点 优点: 场发射电子枪 优点
场发射电子枪具有亮度高、能量分散少， ⑴ 场发射电子枪具有亮度高、能量分散少， 阴极源尺寸小等优点， 阴极源尺寸小等优点， 其分辨率已达到 0.3-0.4nm。 。 可在低加速电压下进行高分辨率观察， ⑵ 可在低加速电压下进行高分辨率观察， 因此可以直接观察绝缘体而不发生充、 因此可以直接观察绝缘体而不发生充、 放电现象。 放电现象。
生物电子显微技术
生物电子显微技术
生物电子显微技术
二、超高压透射电镜（UHVEM:ultra-high生物电子显微技术
voltage electron microscope）
HV<500kv为常规及高压电镜,一般TEM：100~200KV HV>500kv为超高压电镜，Hvmax=1MV（法），3MV， 15MV（美），10MV（日）
1、特点： 、特点：
⑴穿透能力强、可观察较厚的样品 µm 级 ⑵分辨率高，2 Å（晶格分辨率） ⑶单色性好，色差小，成像质量好 ⑷加速电压越高，散射截面越小，辐射损伤减小 ⑸场深大，可获取样品的三维结构信息 ⑹样品室一般为环境样品室，可观察活体生物样品 2、缺点： 、缺点： 体积庞大、结构复杂、价格昂贵、需专用的防护装置 3、观察对象：主要研究非生物材料的晶格结构、观察细胞骨架 、观察对象： 系统（微梁、微丝），人工培养细胞、血细胞等
生物电子显微技术
（二）扫描电－声显微镜的成像原理 扫描电－
成像过程及原理框图
生物电子显微技术
生物电子显微技术
(三) SEAM观察的对象： 三 观察的对象
可以显示样品表面或表面下不同层次的微观 热性质的差异，适宜检测有晶格结构或有分层 结构的金属、陶瓷、半导体材料、有机介质等 样品，进行生物样品表面和亚表面 生物样品表面和亚表面分析，进行 生物样品表面和亚表面 晶体界面分析和亚表面无损分析。 如：生物组织、大分子结构的分层研究和检测， 组织损伤研究等。
2、特点： 、特点 ⑷ 倍率连续可变，从4倍~~15万 ⑸ 可配附件，进行微区的定量、 定性分析 3、观察对象 、观察对象： 主要用于观察样品的表面形貌、 割裂面结构，管腔内表面的结构等
二、环境扫描电镜（ESEM） 环境扫描电镜（ESEM）
1、特点： 、特点：
生物电子显微技术
① 多种真空状态：高、低、超低真空 1Torr（乇）=1mmHg柱压力=ቤተ መጻሕፍቲ ባይዱ/760标准大气压=133.3Pa 粗真空：760~10乇 低真空：10~10-3乇 低气压空间 10 高真空：10-3~10-8乇 超高真空：10-8乇以下 多种真空条件下可得SEI像、BEI像，且δ =4nm ② 样品室可充气体:水气、氮气 ③ 动态分析：样品温度从-185℃ ~1000℃ ④ 制样简单：样品无须镀膜、脱水、干燥等处理 真正的“环境”条件，可直接观察含水、含油样品
六 扫描电－声电镜 SEAM
生物电子显微技术
（Scanning Electron Acoustic Microscope） ）
成像原理基于样品微热学和弹性性 质的变化建立图像的，优点如下： 质的变化建立图像的，优点如下： (一) 优点： 一 优点：
1. 电子束斑直径小 电子束斑直径小10nm，分辨率高 ， 2. 能交换显示同一样品的二次电子像和扫描电－－声像。 能交换显示同一样品的二次电子像和扫描电－－声像。 －－声像 3. 能显示样品表面和亚表面不同层次的图像，并且不 能显示样品表面和亚表面不同层次的图像， 破坏成像的剖面。 破坏成像的剖面。 4. 节省费用，对现有的 节省费用，对现有的SEM稍加改装即可一机两用 稍加改装即可一机两用 比较振幅和相位的成像结果， 比较振幅和相位的成像结果，可以区别表面和 亚表面的结构差异。 亚表面的结构差异。
生物电子显微技术
三、低压扫描电镜（LVSEM: low voltage）
1、类型： 、类型：
⑴ 高分辨型低压扫描电镜 ⑵ 新型“减速”低压扫描电镜
2、特点 、
⑴ 加速电压降低，增强反差 ⑵ 试样不易发生充放电效应， ⑶ Hv=2－3Kv时也可获得1nm的分辨率
3、观察对象： 、
可观察绝缘物质、生物样品、半导体材料
生物电子显微技术
连续X-ray 连续
特征X-ray 特征
波长与能量之间的关系： 波长与能量之间的关系：
生物电子显微技术
EKev =12.396 / λ
特征X射线的波长与加速电压无 特征 射线的波长与加速电压无 关系，只与样品的种类有关系。 关系，只与样品的种类有关系。 分析电镜中X射线显微分析的理论依据： 分析电镜中 射线显微分析的理论依据： 射线显微分析的理论依据 特征X-ray的波长和能量随样品中各元素 的不同而异 ，可用于定量、定性分析 Z↗激发的特征X-ray能量E↗波长↘ 只要是同一种原子， 即：只要是同一种原子，不论其所处的物 理或化学状态如何，它们所发出的特征X 理或化学状态如何，它们所发出的特征 射线均应具有相同的波长或能量。 射线均应具有相同的波长或能量。
（二）分析电镜的原理
（AEM: analysis electron microscope )
连续X-ray 特征X-ray
生物电子显微技术
背底扣除 能量：Z 特征X-ray的能量
波长： Z 特征X-ray的波长 1、波谱仪（WDS） Wavelength-disperse spectrometer 微区定量分析，4Be 92U 慢20~60分，灵敏度高 2、能谱仪（EDS） Energy- disperse spectrometer 微区定性分析，11Na 92U 快2~3分，灵敏度低
生物电子显微技术
1、原理：
利用量子隧道效应获取样品表面结构。 利用量子隧道效应获取样品表面结构。 其关键部件是有一个加上一定电压的精密探针， 其关键部件是有一个加上一定电压的精密探针，当探针 加上一定电压的精密探针 接近物质时， 由于‘ 隧道效应’ 而有电子飞出， 接近物质时 ， 由于 ‘ 隧道效应 ’ 而有电子飞出 ， 从而在探 针与物质之间有电流通过。 针与物质之间有电流通过。
五、生物用SEM 生物用SEM
优点： 优点：
生物电子显微技术
装备有冰冻、冷热样品台， 装备有冰冻、冷热样品台，可把含水生物样 冰冻 品迅速冷冻并对冰冻样品进行观察， 品迅速冷冻并对冰冻样品进行观察，可以减少 化学处理引起的人为变化， 化学处理引起的人为变化，使观察样品更接近 于自然状态。 于自然状态。 若要观察内部结构， 若要观察内部结构，还可用冷刀把样品进行 观察内部结构 切开，加温使冰升华， 切开，加温使冰升华，并在其上喷镀一层金属 再进行观察，所有这些过程都在SEM中不破坏 再进行观察，所有这些过程都在 中不破坏 真空的状态下进行。 真空的状态下进行。
生物电子显微技术
日立超高压 电镜H-3000 （3MV）
生物电子显微技术
第二节 扫描式电镜
依据性能不同主要分为： （1）常规（一般）SEM （2）环境扫描电镜 （3）低压扫描电镜 （4）场发射电子枪SEM （5）生物用SEM （6）扫描电－声电镜
一、常规扫描电镜（SEM） 常规扫描电镜（SEM）
生物电子显微技术
第二章
电子显微镜的类型与特点简介
生物电子显微技术
第一节 透射式电镜 第二节 扫描式电镜 第三节 扫描透射式电镜 第四节 第四节 分析类电镜 第五节 扫描探针式显微镜 第六节 激光共聚焦显微镜
生物电子显微技术
第一节 透射式电子显微镜
根据加速电压的大小分为： 一般（常规）TEM：100KV 高压TEM：200KV 超高压TEM：500Kv、1MV、3MV