主成分分析在作物科学研究中的应用
主成分分析法的原理应用及计算步骤
F1 a11 X1 a21 X 2 ... a p1 X p
,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
U1 称为第一主成分,U2 称为第二主成分,…,Up 称为第 p 主成分。 5 、对 m 个主成分进行综合评价 对 m 个主成分进行加权求和，即得最终评价值，权数为每个主成分的方差贡献率。
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，
l (Zi ,X j ) i aij (i 1, 2,
, m; j 1, 2,
, p)
在 SPSS 软件中主成分分析后的分析结果中， “成分矩阵”反应的就是主成分 载荷矩阵。 （5）计算主成分得分 计算样品在 m 个主成分上的得分：
不同激素处理下谷子主要农艺性状的相关和主成分分析
不同激素处理下谷子主要农艺性状的相关和主成分分析
麻慧芳;史关燕;王娟菲;薛红丽;任果香
【期刊名称】《天津农业科学》
【年(卷),期】2024(30)3
【摘要】为综合评价不同激素对谷子生物性状及农艺性状的影响,选取生产上种植面积最大的谷子品种晋谷21号,在拔节初期和孕穗期分别喷施8种激素,以清水为
对照,试验设置3次重复,田间测定不同处理下叶片的净光合速率、蒸腾速率、胞间浓度、气孔导度,成熟期测定株高、穗长、顶叶长、顶叶宽、节间数、鞘茎粗、根
条数和根干质量等9个主要农艺性状,对数据进行变异系数、相关性和主成分分析。
结果表明:不同性状间变异系数的变幅为1%~22%,其中根干质量变异较大,性状选
择潜力大;顶叶宽与净光合速率呈正相关性,与胞间CO_(2)浓度呈显著性正相关,株
高与穗长、净光合速率呈显著正相关;前4个主成分对变异累积贡献率达94.57%,
主成分的总方差和贡献率是选择主成分的主要依据,这些性状与谷子的光合作用有关。
因此,在对谷子进行遗传改良时,应充分考察农艺性状与光合性能对产量贡献,栽培时可充分利用外源生长激素调控农艺性状,提高其光合效率进而提高产量。
【总页数】6页(P30-35)
【作者】麻慧芳;史关燕;王娟菲;薛红丽;任果香
【作者单位】山西农业大学经济作物研究所
【正文语种】中文
【中图分类】S515
【相关文献】
1.不同生态区谷子创新种质主要农艺性状与产量相关性分析
2.谷子主要农艺性状的相关和主成分分析
3.山西谷子品种主要农艺性状的相关和主成分分析
4.基于主成分分析的谷子种质资源主要农艺性状综合评价
因版权原因，仅展示原文概要，查看原文内容请购买。
主成分分析法原理及应用
主成分分析法原理及应用主成分分析的基本思想是将高维数据转化为一个新的低维坐标系，新的坐标系由特征向量构成。
特征向量是通过对数据矩阵进行特征值分解得到的，每一个特征向量都代表数据的一个主成分，同时也代表了原始数据在该主成分上的投影。
通过选择前N个主成分，可以将原始数据的维度从D维降低到N维。
1.对原始数据进行标准化处理，即将每个维度上的数据减去其均值并除以标准差；2.构建数据的协方差矩阵；3.对协方差矩阵进行特征值分解，得到特征向量和特征值；4.将特征值按降序排列，选择前N个特征向量作为主成分。
1.数据降维：主成分分析可以将高维数据降低到低维空间中，从而减少数据的维度。
这对于处理高维数据而言非常重要，可以减少计算复杂度，并且有助于解决维度灾难问题。
2.特征提取：主成分分析可以通过选择前N个主成分来提取最具代表性的特征。
这对于处理大规模数据集、挖掘数据的基本模式和结构非常有用。
3.数据可视化：主成分分析可以将多维数据映射到二维或三维的空间中。
这样做可以简化数据的可视化和分析过程，帮助人们更好地理解数据的结构和关系。
4.噪声过滤：主成分分析可以通过去除数据的主成分中的低方差部分来剔除数据中的噪声。
这对于提高数据质量和预测性能非常有帮助。
5.数据预处理：主成分分析可以用于数据的预处理，比如去除冗余特征、去除缺失值等。
通过去除无关和缺失的特征，可以提高后续分析的准确性和效率。
总之，主成分分析是一种非常实用的数据分析技术。
它可以帮助人们更好地理解数据的结构和关系，并从中提取有用的信息。
在实际应用中，人们可以根据具体的需求和问题选择适当的主成分数目，以获得最佳的结果。
主成分分析
主成分分析科技名词定义中文名称：主成分分析英文名称：principal component analysis定义：一种统计方法，它对多变量表示数据点集合寻找尽可能少的正交矢量表征数据信息特征。
应用学科：地理学（一级学科）；数量地理学（二级学科）以上内容由全国科学技术名词审定委员会审定公布百科名片主成分分析（Principal Component Analysis，PCA），将多个变量通过线性变换以选出较少个数重要变量的一种多元统计分析方法。
又称主分量分析。
在实际课题中，为了全面分析问题，往往提出很多与此有关的变量（或因素），因为每个变量都在不同程度上反映这个课题的某些信息。
主成分分析首先是由K.皮尔森对非随机变量引入的，尔后H.霍特林将此方法推广到随机向量的情形。
信息的大小通常用离差平方和或方差来衡量。
目录主成分分析内容展开主成分分析内容展开编辑本段主成分分析简介在用统计分析方法研究多变量的课题时，变量个数太多就会增加课题的复杂性。
人们自然希望变量个数较少而得到的信息较多。
在很多情形，变量之间是有一定的相关关系的，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。
主成分分析是对于原先提出的所有变量，建立尽可能少的新变量，使得这些新变量是两两不相关的，而且这些新变量在反映课题的信息方面尽可能保持原有的信息。
原理设法将原来变量重新组合成一组新的互相无关的几个综合变量，同时根据实际需要从中可以取出几个较少的综合变量尽可能多地反映原来变量的信息的统计方法叫做主成分分析或称主分量分析，也是数学上用来降维的一种方法。
应用学科主成分分析作为基础的数学分析方法，其实际应用十分广泛，比如人口统计学、数量地理学、分子动力学模拟、数学建模、数理分析等学科中均有应用，是一种常用的多变量分析方法。
成分分析成分分析（包含成分检测、成分测试项目）是通过微观谱图对未知成分进行分析的技术方法，因该技术普遍采用光谱，色谱，能谱，热谱，质谱等微观谱图，行业内统称为“微谱分析”。
主成分分析法的原理应用及计算步骤
主成分分析法的原理应用及计算步骤1.计算协方差矩阵：首先，我们需要将原始数据进行标准化处理，即使每个特征都有零均值和单位方差。
假设我们有m个n维样本，数据集为X，标准化后的数据集为Z。
那么，计算协方差矩阵的公式如下：Cov(Z) = (1/m) * Z^T * Z其中，Z^T为Z的转置。
2.计算特征向量：通过对协方差矩阵进行特征值分解，可以得到特征值和特征向量。
特征值表示了新坐标系中每个特征的重要性程度，特征向量则表示了数据在新坐标系中的方向。
将协方差矩阵记为C，特征值记为λ1, λ2, ..., λn，特征向量记为v1, v2, ..., vn，那么特征值分解的公式如下：C*v=λ*v计算得到的特征向量按特征值的大小进行排序，从大到小排列。
3.选择主成分：从特征向量中选择与前k个最大特征值对应的特征向量作为主成分，即新坐标系的基向量。
这些主成分可以解释原始数据中大部分的方差。
我们可以通过设定一个阈值或者看特征值与总特征值之和的比例来确定保留的主成分个数。
4.映射数据：对于一个n维的原始数据样本x，通过将其投影到前k个主成分上，可以得到一个k维的新样本，使得新样本的方差最大化。
新样本的计算公式如下：y=W*x其中，y为新样本，W为特征向量矩阵，x为原始数据样本。
PCA的应用：1.数据降维：PCA可以通过主成分的选择，将高维数据降低到低维空间中，减少数据的复杂性和冗余性，提高计算效率。
2.特征提取：PCA可以通过寻找数据中的最相关的特征，提取出主要的信息，从而减小噪声的影响。
3.数据可视化：通过将数据映射到二维或三维空间中，PCA可以帮助我们更好地理解和解释数据。
总结：主成分分析是一种常用的数据降维方法，它通过投影数据到一个新的坐标系中，使得投影后的数据具有最大的方差。
通过计算协方差矩阵和特征向量，我们可以得到主成分，并将原始数据映射到新的坐标系中。
PCA 在数据降维、特征提取和数据可视化等方面有着广泛的应用。
主成分分析
主成分分析法主成分分析是多元统计分析的一个分支。
20世纪30年代，由于费希尔、霍特林、许宝禄及罗伊等人的一系列奠基工作，多元统计分析成为应用数学的一个重要分支。
主成分分析法是处理多元变量数据的一种数学方法，它从众多的观测变量中找出几个相互独立的因素来解释原有的变量，这些因素称为主成分。
通过主成分分析法的数学处理，可以将互相间有联系的多变量复杂系统简化成几个可以解释这些变量的综合因素，这样可以清楚的解释系统的本质及相互间的关系。
抽取抽取综合因素及如何定义要按综合因素与原变量的关系而定，即按综合和因素对变量的影响程度，称为变量在综合因素上的“负荷”。
最终还可以计算出受测样本在综合因素上的水平，称为主成分分析。
主成分分析发广泛应用于复杂系统的相互比较研究中。
设一个系统共有P个指标表示，而且这P个指标中可能有些指标互相有影响。
主成分分析法就是要用几个综合因素反映原来几个指标的信息，而且这些因素又是相互无关的。
一基本原理现实生活中，人们常常遇到多指标问题。
在大多数情况下，不同指标之间具有一定的相关性，这就增加了分析处理问题的难度。
于是统计学家们就设法将指标重新组合成一组相互独立的少数几个综合指标来代替原有指标，并且反映原有指标的主要信息。
这种将多指标化为少数独立的综合指标的方法就称为主成分分析法。
主成分分析(Principal Component Analysis,PCA),首先是由英国的皮尔生（Karl Pearosn）对非随机变量引入的，而后美国的数理统计学家霍特林在1933年将此法推广到随即向量的情形。
主成分分析法的降维思想从一开始就很好的为综合评价提供了有力的理论和技术支持。
主成分分析是研究如何将多指标问题转化为较少的综合指标的一种重要统计方法，它能将高维空间的问题转化到低维空间去处理，使问题变得比较简单、直观，而且这些较少的综合指标之间互不相关，又能提供原有指标的绝大部分信息。
主成分分析除了降低多变量数据系统的维度外，同时还简化了变量系统的统计数字特征。
基于主成分分析的西部地区农业经济发展水平研究
作者简介 ： 汪慧玲（ ９ ３ ） 女， １６一 ， 甘肃 民勤人 ， 教授 ， 士， 博 博士研究生 导师 ， 主要从 事数量经 济学 、 区域经济 学研究 ； 淑萍 （ ９ ８ ） 刘 １８ 一 女， 江苏常州人 ， 硕士研究生 ， 主要从事数量经济学研究 。
域辽阔， 但是大都人 口稀少 ， 经济 落后 。西部 十二
省是指 我 国 西 南 五 省 市 （ 庆 、 重 四川 、 州 、 南 、 贵 云 西藏 ） 西北 五省 市 （ 西 、 肃 、 海 、 ， 陕 甘 青 宁夏 、 疆 ） 新 和 内蒙古 、 广西 两省 。
农业 是人 类衣 食 之 源 、 存 之 本 ， 一 切 生 产 生 是 的首 要条 件 ， 直 以来 ， 一 国家 都 高度 重 视 各 地 区 农 业经 济 的发展 。农 业经济 是 国 民经济 的基础 ， 发 其
并 不均衡 ， 现 出 明显 的 区域 差异 。２ １ 表 ０ ０年 ， 部 西
分 分析 的概 念 。主成 分 分 析 是通 过 对 一 组 变 量 的 几 个线性 组合 来 解 释 这 组变 量 的方 差 和协 方 差 结 构， 以达 到数 据压缩 和数 据解 释 的 目的。也 就是 将
十 二 省 的农 林 牧 渔 业 总 产 值 占全 国 的 ２ ． ％ ， ５ ５评价指标 ； 态环境 ； 生 综合评价 【 中图分 类号】Ｆ２ １７ 【 文献标志码 】 Ａ 【 文章编号 】１７ — ３２ ２ １）５ ０５ — ６ ６４ ２６ （０２ ０ — ０６ ０
我 国 的西 部地 区包 括西南 地 区和西 北 地 区 ， 地
和环 境条 件也 不相 同 ， 于资 源 的利 用程 度及 利 用 对
主成分分析法原理及应用
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）。
主成分分析法研究及其在特征提取中的应用
主成分分析法研究及其在特征提取中的应用一、本文概述本文旨在深入研究和探讨主成分分析法（Principal Component Analysis, PCA）的理论基础及其在特征提取领域中的广泛应用。
主成分分析作为一种强大的统计分析工具，已经广泛应用于各个领域，特别是在高维数据处理和降维、模式识别、数据挖掘、图像处理、生物医学、经济学等领域中发挥着重要作用。
本文首先将对主成分分析法的基本原理进行详细介绍，包括其数学基础、算法流程以及主要特点。
随后，本文将重点探讨主成分分析法在特征提取中的应用，包括其在特征降维、特征选择、特征融合等方面的具体实践。
本文还将对主成分分析法的优缺点进行分析，并探讨其在实际应用中可能面临的挑战和未来的发展趋势。
通过本文的研究，我们期望能够为读者提供一个全面而深入的主成分分析法及其在特征提取中的应用的理解，为相关领域的研究和实践提供有益的参考和启示。
二、主成分分析法理论基础主成分分析（Principal Component Analysis, PCA）是一种广泛使用的多元统计分析方法，其理论基础主要基于线性代数和概率论。
PCA通过正交变换将原始数据中的多个变量（即特征）转换为新的、互不相关的变量，这些新的变量称为主成分。
这些主成分按照其解释的原始数据中的方差大小进行排序，第一主成分解释最大的方差，第二主成分解释次大的方差，以此类推。
方差最大化原理：PCA通过最大化每个主成分的方差来提取数据中的主要特征。
这是因为方差是衡量数据离散程度的一个重要指标，方差越大，说明该主成分所代表的特征在数据中的变化越明显，越能反映数据的核心信息。
正交性原理：PCA要求提取出的主成分之间相互正交，即它们的协方差为零。
这样做可以消除原始特征之间的相关性，使得每个主成分都代表一个独立的、互不干扰的特征。
降维原理：PCA通过保留方差最大的几个主成分，可以实现对原始数据的降维处理。
这种降维处理不仅简化了数据结构，还有助于消除数据中的噪声和冗余信息，提高后续分析的准确性和效率。
主成分分析方法及其应用策略优化
主成分分析方法及其应用策略优化主成分分析（Principal Component Analysis，简称PCA）是一种常用的多元统计分析方法，用于降低数据复杂度和提取主要特征。
本文将介绍PCA的基本原理和应用策略，并提出一些优化方法。
一、PCA的基本原理主成分分析是一种无监督学习方法，旨在通过将原始数据集投影到一个新的坐标系上，找到数据中的主要分量。
具体步骤如下：1. 数据标准化：首先对原始数据进行标准化处理，使各个特征具有相同的尺度。
2. 计算协方差矩阵：根据标准化后的数据计算协方差矩阵，用于衡量不同特征之间的相关性。
3. 求解特征值和特征向量：对协方差矩阵进行特征值分解，得到特征值和对应的特征向量。
4. 选择主成分：按照特征值的大小降序排列，选择前k个特征向量作为主成分，其中k为希望保留的维度。
5. 数据转换：将原始数据投影到选定的主成分上，得到降维后的数据集。
二、PCA的应用策略PCA广泛应用于数据降维、特征提取和数据可视化等领域。
下面介绍一些常见的PCA应用策略：1. 数据降维：通过PCA可以降低数据的维度，减少存储空间和计算负载，同时保持数据的主要特征。
2. 特征提取：通过PCA提取数据中的主要特征，去除冗余信息，提高后续任务的效果，如图像识别、人脸识别等。
3. 数据压缩：利用PCA可以将高维数据集压缩成低维表示，减少存储和传输的开销，同时保留数据的主要结构和特征。
4. 数据可视化：通过PCA将高维数据映射到二维或三维空间中，方便进行数据可视化，发现隐藏在数据中的结构和规律。
三、PCA方法的优化尽管PCA在许多领域被广泛应用，但仍存在一些问题，例如对于大规模数据集，计算协方差矩阵的时间和空间复杂度较高。
以下是一些常用的PCA方法优化策略：1. 近似方法：使用近似方法来计算特征值和特征向量，如随机采样法、迭代法等，可以减少计算复杂度，加快计算速度。
2. 分布式计算：对于大规模数据集，在集群或分布式系统上进行PCA计算，实现并行化处理，提高计算效率。
- 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)。
低 的性 状选 择 。王彩杰 等嘲 对不 同生 态类 型的 大豆 品种 的产 量 与主要 性状 进行 了相关 与 主成分 分 析 。这
些 研究 结果 基本 吻提 供 了判断依 据 。另外 ，主成分 分析 和
聚类 分析 方法 相结 合可用 于 大豆 品种 的筛选 。张 玉革 等［ 采 用 主成 分 和 聚类 分 析方 法 研 究 了 １ 大 豆 ４ Ｏ个
长 江 大 学 学 报 （ 然 科 学 版 ） ２１ 年 ５ 第 ９ 第 ５ ：农学 自 ０２ 月 卷 期 Ｊ ｕｎｌ ｆ ａ ｇ ｅＵ ｉ ｒｉ （ ａ ｃ Ｅ ｉ Ｍａ ０ ２ ｏ ｒａ ｏ ｎ ｔ ｎｖ ｓ ｙ Ｎ ｔ ｉ ｄｔ Ｙ ｚ ｅ ｔ Ｓ ） ｙ２ １ ，Ｖ １９Ｎｏ ５：Ａｇｉ ｃ ｏ． ． ｒＳｉ
［ 收稿日期］２ １ —０ ０ ２ ４—１ １ ［ 基金项目］湖北省教育厅优秀 中青年人才项 目 （ ０ ０ ３ ８ 。 Ｑ２ １ １ １ ） ［ 者简介］宋登蓉 （９９ ） 作 １ ８ 一 ，女 ，湖 北 恩 施 人 ，研 究 方 向 为作 物 分子 育 种 。
主成分 分 析是一 种 旨在利 用降 维 ，把 多个 指标 转化 为少数 几个 综合 指标 的多元 统计分 析 方法 。在 多 指标 的研 究 中 ，由于相 关的指 标个 数太 多 ，各 个 指标之 间很 可能存 在一 定 的相关性 ，主成分 分析 就是 通 过线 性变 换 ，将各 指标 间相互 重叠 的信 息通 过少 数几个 综合 的指标 反 映 出来 ，使 这些综 合 的因 子之 间尽 量相 互独 立 ，而且 能够 最真 实地反 应原 指标 的信 息 ，从 而达 到简 化 目的 。这 些新 的变 量按 照方差 依次 递
差 贡献 最大 ，说 明穗 重对 产量影 响最 大 ，所 以改 良以穗重 为代 表 的穗 部性 状可 以较 为有 效地 改 良产量组
成 系统 ，从 而实 现高产 育 种 目标 。王 曙光 等［ 通 过对 杂交 中籼稻 新组 合 的经济性 状进 行 主成分 分 析 ，结 ６ 论 显示 高 产育种 中在 适宜 穗数 的基 础上应 注重 选择 大穗 型 的组 合 ，这与 孔德伟 等［ 及李 培富 等［ 对宁 夏 ５ ］ ７ ］
水稻 品种 主要农 艺 性状分 析 的结果 相似 。 在小 麦研究 中 ，周竹 青等 ［ 长江 中游麦 区 １ 个小 麦 品种 的 １ 对 １ ３个 与粒重 密切 相关 的农 艺性 状 和生
理指 标进 行 了主成 分分 析 ，将 其综 合 为 ４个 独立 的新 指标 ；并 以主成分 值 为指标 进行 系统 聚类分 析 ，将 １ 个 品种 分为 ３大类 型 ，说 明不 同类 型 品种 主成 分 值 的 大小 和 相互 协 调方 式 不 同 ，直 接导 致 品 种 粒重 １
ｄ ｉ ０ ３ ６ ／． ｉｓ ． １ ７ ｏ ：１ ． ９ ９ ｊ ｓ ｎ ６ ３—１ ０ （ ） ２ １ ． ５ ０ ３ ４ ９ Ｓ ． ０ ２ ０ ． ０
主 成 分 分 析 在 作 物 科 学 研 究 中 的 应 用 ・
宋 登 蓉 ，张 文 英 （ 长江大学农学院， 湖北 荆州 ４４２） ３０５
品种 在沈 阳地 区种 植 的适 应性 。
在水 稻农 艺性 状研究 中 ，孔德 伟等 运用 主成 分分 析法 考察 了杂交 水稻 ８个农 艺性 状 与产量 的相 互
关 系 ；通过 主成 分分析 选取 了充 实度 、剩余 库 容 、生 物产量 、单株产 量 ４个 因子 ，其 中充实度 因子 的方
减 的顺 序排列 ，在 数学 变换 中保 持变量 的 总方差 不 变 ，使 第 一变 量 具有 最 大 的方 差 ，称 为 第一 主成 分 ， 第 二变 量 的方 差 次大 ，并且 和第 一 变 量不 相 关 ，称 为 第 二 主 成 分 ；依 次 类 推 ，１个 变 量 就 有 １个 主 成 分 。在 主成 分分 析 中 ，方差 代表 了性 状在 主成分 方 向上 的分散 程度 ，方差 越大 ，主成 分在 样本 数据 分析 中所起 的作 用越 大 。一般 根据分 析 后方 差 累 积 贡献 率 大 于 ８ 的原 则 提 取 主要 的 主成 分 因 子 。随着 计 ５
算 机 在各个 领 域 的普 及 ，主成 分分 析不仅 普遍 应用 于现 代经 济分析 、环 境评 价和 医学诊 断 ，还广 泛应用 于农 作物 的产 量性状 分 析 、品质性 状分析 以及 种质 资源研 究 和抗逆 性鉴 定指 标等 的研究 中。
１ 在作物产量 及农艺性状分析中的应 用
近 年来 ，主成 分分 析法 较多 地应用 于 大豆农 艺性 状 及产 量 性 状 的研 究 中 。李 向华 等［ 对 ８ １ ］ ９个 中 国 春 大豆 品种 的 １ ８个数量 性状 进行 了主成分 分析 。韩 秉进 等［ 对 ３个 主栽 大 豆 品种 的农 艺性 状 进 行 主成 ２ ］ 分 分析 ，找 出 了大豆 产量 的主导 因子 ，提 出在 育种 上需加 强生 物量 大 、３粒荚 和 ４粒 荚 数 多 、结 荚 节位
［ 要 ］ 综 述 了主 成 分 分 析 法 在 农 作 物 产 量 性 状 、 品质 性 状 分 析 以及 种 质 资 源 鉴 定 和 抗 逆 性 鉴 定 等 方 面 的 摘 应 用 情 况 ，指 出 了该 分 析 方 法今 后 在 作 物科 学研 究 中 的应 用 方 向 。 ［ 键 词 ］ 主 成 分 分 析 ；产 量 性 状 ； 品质 性 状 ； 种 质 资 源 ；抗 逆 鉴定 关 ［ 中臣 分 类 号 ］ Ｓ １ １ ４ ［ 献标识码］Ａ 文 ［ 文章 编 号］ １ ７ —１０ （０ ２ ０ Ｓ ０ —０ ６ ３ ４ ９ ２ １ ） ５一 ０ ８ ４