主成分分析报告操作步骤

主成分分析操作步骤

1）先在spss中录入原始数据。

2）菜单栏上执行【分析】——【降维】——【因子分析】，打开因素分析对话框，将要分析的变量都放入【变量】窗口中。

3）设计分析的统计量

点击【描述】：选中“Statistics”中的“原始分析结果”和“相关性矩阵”中的“系数”。（选中原始分析结果，SPSS自动把原始数据标准差标准化，但不显示出来；选中系数，会显示相关系数矩阵）然后点击“继续”。

点击【抽取】：“方法”里选取“主成分”；“分析”、“输出”、“抽取”均选中各自的第一个选项即可。

点击【旋转】：选取第一个选项“无”。（当因子分析的抽取方法选择主成分法时，且不进行因子旋转，则其结果即为主成分分析）

点击【得分】：选中“保存为变量”，方法中选“回归”；再选中“显示因子得分系数矩阵”。

点击【选项】：选择“按列表排除个案”。

4）结果解读

5）A. 相关系数矩阵：是6个变量两两之间的相关系数大小的方阵。通过相关系

数可以看到各个变量之间的相关，进而了解各个变量之间的关系。

相關性矩陣

食品衣着燃料住房交通和通讯娱乐教育文化相關食品 1.000 .692 .319 .760 .738 .556 衣着.692 1.000 -.081 .663 .902 .389 燃料.319 -.081 1.000 -.089 -.061 .267 住房.760 .663 -.089 1.000 .831 .387 交通和通讯.738 .902 -.061 .831 1.000 .326 娱乐教育文化.556 .389 .267 .387 .326 1.000

B. 共同度：给出了这次主成分分析从原始变量中提取的信息，可以看出交通和

通讯最多，而娱乐教育文化损失率最大。

Communalities

起始擷取

食品 1.000 .878

衣着 1.000 .825

燃料 1.000 .841

住房 1.000 .810

交通和通讯 1.000 .919

娱乐教育文化 1.000 .584

擷取方法：主體元件分析。

C. 总方差的解释：系统默认方差大于1的为主成分。如果小于1，说明这个主

因素的影响力度还不如一个基本的变量。所以只取前两个，且第一主成分的方差

为3.568，第二主成分的方差为1.288，前两个主成分累加占到总方差的80.939%。

說明的變異數總計

元件

起始特徵值擷取平方和載入

總計變異的 % 累加 % 總計變異的 % 累加 %

1 3.568 59.474 59.474 3.568 59.474 59.474

2 1.288 21.466 80.939 1.288 21.466 80.939

3 .600 10.001 90.941

4 .358 5.97

5 96.916

5 .142 2.372 99.288

6 .043 .712 100.000

擷取方法：主體元件分析。

D.主成分载荷矩阵：

元件矩陣a

元件

1 2

食品.902 .255

衣着.880 -.224

燃料.093 .912

住房.878 -.195

交通和通讯.925 -.252

娱乐教育文化.588 .488

擷取方法：主體元件分析。

a. 擷取 2 個元件。

特别注意：

该主成分载荷矩阵并不是主成分的特征向量，即不是主成分1和主成分2的系数。主成分系数的求法：各自主成分载荷向量除以各自主成分特征值得算数平方根。则第1主成分的各个系数是向量（0.925，0.902，0.880，0.878，0.588，0.093）.3后才得到的，即（0.490，0.478，0.466，0.465，0.311，0.049）除以568

才是主成分1的特征向量，满足条件是系数的平方和等于1，分别乘以6个原始变量标准化之后的变量即为第1主成分的函数表达式（作业中不用写公式）：=0.490*Z交+0.478*Z食+0.466*Z衣+0.465*Z住+0.311*Z娱+0.049*Z燃

Y

1

同理可求出第2主成分的函数表达式。

E.主成分得分系数矩阵

元件評分係數矩陣

元件

1 2

食品.253 .198

衣着.247 -.174

燃料.026 .708

住房.246 -.152

交通和通讯.259 -.196

娱乐教育文化.165 .379

擷取方法：主體元件分析。

元件評分。

该矩阵是主成分载荷矩阵除以各自的方差得来的，实际上是因子分析中各个因子的系数，在主成分分析中可以不考虑它。

元件評分共變異數矩陣

元件 1 2

1 1.000 .000

2 .000 1.000

擷取方法：主體元件分析。

元件評分。

6）因子得分

在之前的“得分”对话框中，由于选中了“保存为变量”，方法中的“回归”；又选中了“显示因子得分系数矩阵”，因此SPSS的输出结果和原始数据一起显示在数据窗口里：

7）主成分得分

特别提醒：

后两列的数据是北京等16个地区的因子1和因子2的得分，不是主成分1和主成分2的得分。主成分的得分是相应的因子得分乘以相应的方差的算数平方根。即：主成分1得分=因子1得分乘以3.568的算数平方根

主成分2得分=因子2得分乘以1.288的算数平方根

得出各地区主成分1和主成分2的得分如下表：

后两列就是16个地区主成分1和主成分2的得分。（有兴趣的同学可以验证一下：上面推导出来的主成分的函数关系式计算出来的主成分得分是否与该数据栏的的得分一致）

8）综合得分及排序：

每个地区的综合得分是按照下列公式计算的：

按照此公式计算出各地区的综合得分Y为：

点击【数据】——【排序个案】

特别提醒：

1.若主成分分析中有n个变量，则特征值（或方差）之和就等于n；

2.特征向量（或主成分的系数）中各个数值的平方和等于1，否则就不是特征向量，也不是主成分系数；

3.主成分载荷向量各系数的平方和等于其对应的主成分的方差；

本例中0.9252 + 0.9022 + 0.8802 + 0.8782 + 0.5882 + 0.0932 = 3.568

4.SPSS没有专门的主成分分析模块，是在因子分析模块进行的。它只输出主成分载荷矩阵和因子得分值，而我们最想得到的主成分的系数（特征向量）和主成分则需要另外计算。

5.若计算没有错误，因子1、因子2、主成分1、主成分2和综合得分Y，它们各自的数值之和都等于0；

6.主成分分析应该计算出综合得分并排序。

PCA主成分分析计算步骤

主成分分析（ Principal Component Analysis ， PCA ）是一种掌握事物主要矛盾的统计分析方法，它可以从多元事物中解析出主要影响因素，揭示事物的本质，简化复杂的问题。计算主成分的目的是将高维数据投影到较低维空间。给定 n 个变量的 m 个观察值，形成一个 n*m 的数据矩阵， n 通常比较大。对于一个由多个变量描述的复杂事物，人们难以认识，那么是否可以抓住事物主要方面进行重点分析呢？如果事物的主要方面刚好体现在几个主要变量上，我们只需要将这几个变量分离出来，进行详细分析。但是，在一般情况下，并不能直接找出这样的关键变量。这时我们可以用原有变量的线性组合来表示事物的主要方面， PCA 就是这样一种分析方法。 PCA 的目标是寻找 r （ r

材料分析方法实验报告

篇一：材料分析方法实验报告 篇二：材料分析方法课程设计报告 材料分析测试方法 课程设计（论文） 题目：磁控溅射c/w多层膜成分及微观分析 学院材料科学与工程 专业材料化学 班级材化082 学生王维娜 学号 3080101296 指导教师陈迪春 起止时间 2010.12.27-2011.1.1 年 材料分析测试方法课程设计任务书 课程设计内容要求： 掌握高分辨透射电子显微镜样品制备方法，学习并了解真空镀膜 技术-磁控溅射技术，多层膜制备过程，以及其微观结构分析，成分 分析所用仪器和原理。 学生（签名） 月日 材料分析测试方法课程设计评语 指导教师（签名） 年日 目录 材料分析测试方法 ............................................................................. .. (1) 1.1 磁控溅射 ............................................................................. (5) 1.2 x射线衍射仪 ............................................................................. . (5) 1.3 透射电子显微镜 ............................................................................. (6) 1.4 x射线光电子能谱仪（xps） ........................................................................ (7) 第二章实验方法 ............................................................................. .. (9) 2.1 tem样品的制备方法 .............................................................................

主成分分析原理及详解

第14章主成分分析 1 概述 1.1 基本概念 1.1.1 定义 主成分分析是根据原始变量之间的相互关系，寻找一组由原变量组成、而彼此不相关的综合变量，从而浓缩原始数据信息、简化数据结构、压缩数据规模的一种统计方法。 1.1.2 举例 为什么叫主成分，下面通过一个例子来说明。 假定有N 个儿童的两个指标x1与x2，如身高和体重。x1与x2有显著的相关性。当N较大时，N观测量在平面上形成椭圆形的散点分布图，每一个坐标点即为个体x1与x2的取值，如果把通过该椭圆形的长轴取作新坐标轴的横轴Z1，在此轴的原点取一条垂直于Z1的直线定为新坐标轴的Z2，于是这N个点在新坐标轴上的坐标位置发生了改变；同时这N个点的性质也发生了改变，他们之间的关系不再是相关的。很明显，在新坐标上Z1与N个点分布的长轴一致，反映了N个观测量个体间离差的大部分信息，若Z1反映了原始数据信息的80%，则Z2只反映总信息的20%。这样新指标Z1称为原指标的第 358

一主成分，Z2称为原指标的第二主成分。所以如果要研究N个对象的变异，可以只考虑Z1这一个指标代替原来的两个指标（x1与x2），这种做法符合PCA提出的基本要求，即减少指标的个数，又不损失或少损失原来指标提供的信息。 1.1.3 函数公式 通过数学的方法可以求出Z1和Z2与x1与x2之间的关系。 Z1=l11x1+ l12x2 Z2=l21x1+ l22x2 即新指标Z1和Z2是原指标x1与x2的线性函数。在统计学上称为第一主成分和第二主成分。 若原变量有3个，且彼此相关，则N个对象在3维空间成椭圆球分布，见图14-1。 通过旋转和改变原点（坐标0点），就可以得到第一主成分、第二主成分和第三主成分。如果第二主成分和第三主成分与第一主成高度相关，或者说第二主成分和第三主成分相对于第一主成分来说变异很小，即N个对象在新坐标的三维空间分布成一长杆状时，则只需用一个综合指标便能反映原始数据中3个变量的基本特征。 359

主成分分析法的原理应用及计算步骤..

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 11112121...p p F a X a X a X =+++,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

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

主成分分析的计算步骤

主成分分析的计算步骤 样本观测数据矩阵为： ??????? ??=np n n p p x x x x x x x x x X 21 2222111211 第一步：对原始数据进行标准化处理 )var(*j j ij ij x x x x -= ),,2,1;,,2,1(p j n i == 其中 ∑==n i ij j x n x 1 1 21 )(11)var(j n i ij j x x n x --=∑= ),,2,1(p j = 第二步：计算样本相关系数矩阵 ?????? ????????=pp p p p p r r r r r r r r r R 212222111211 为方便，假定原始数据标准化后仍用X 表示，则经标准化处理后的数据的相关系数为: tj n t ti ij x x n r ∑=-=1 11 ),,2,1,(p j i = 第三步：用雅克比方法求相关系数矩阵R 的特征值（p λλλ 21,）和相应的特征向量()p i a a a a ip i i i 2,1,,,21==。 第四步：选择重要的主成分，并写出主成分表达式 主成分分析可以得到p 个主成分，但是，由于各个主成分的方差是递减的，包含的信息量也是递减的，所以实际分析时，一般不是选取p 个主成分，而是根据各个主成分累计贡献率的大小选取前k 个主成分，这里贡献率就是指某个主成分的方差占全部方差的比重，

实际也就是某个特征值占全部特征值合计的比重。即 贡献率=∑=p i i i 1λ λ 贡献率越大，说明该主成分所包含的原始变量的信息越强。主成分个数k 的选取，主要根据主成分的累积贡献率来决定，即一般要求累计贡献率达到85%以上，这样才能保证综合变量能包括原始变量的绝大多数信息。 另外，在实际应用中，选择了重要的主成分后，还要注意主成分实际含义解释。主成分分析中一个很关键的问题是如何给主成分赋予新的意义，给出合理的解释。一般而言，这个解释是根据主成分表达式的系数结合定性分析来进行的。主成分是原来变量的线性组合，在这个线性组合中个变量的系数有大有小，有正有负，有的大小相当，因而不能简单地认为这个主成分是某个原变量的属性的作用，线性组合中各变量系数的绝对值大者表明该主成分主要综合了绝对值大的变量，有几个变量系数大小相当时，应认为这一主成分是这几个变量的总和，这几个变量综合在一起应赋予怎样的实际意义，这要结合具体实际问题和专业，给出恰当的解释，进而才能达到深刻分析的目的。 第五步：计算主成分得分 根据标准化的原始数据，按照各个样品，分别代入主成分表达式，就可以得到各主成分下的各个样品的新数据，即为主成分得分。具体形式可如下。 ?????? ? ??nk n n k k F F F F F F F F F 212222111211 第六步：依据主成分得分的数据，则可以进行进一步的统计分析 其中，常见的应用有主成份回归，变量子集合的选择，综合评价等。

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 教育经费投 0.881 0.893 1.000 入

材料分析(SEM)实验报告

材料专业实验报告 题目：扫描电镜(SEM)物相分析实验学院：先进材料与纳米科技学院专业：材料物理与化学 姓名： 学号：1514122986 2016年6月30日

扫描电镜(SEM)物相分析实验 一．实验目的 1.了解扫描电镜的基本结构与原理 2.掌握扫描电镜样品的准备与制备方法 3.掌握扫描电镜的基本操作并上机操作拍摄二次电子像 4.了解扫描电镜图片的分析与描述方法 二．实验原理 1.扫描电镜的工作原理 扫描电镜（SEM）是用聚焦电子束在试样表面逐点扫描成像。试样为块状或粉末颗粒，成像信号可以是二次电子、背散射电子或吸收电子。其中二次电子是最主要的成像信号。由电子枪发射的电子，以其交叉斑作为电子源，经二级聚光镜及物镜的缩小形成具有一定能量、一定束流强度和束斑直径的微细电子束，在扫描线圈驱动下，于试样表面按一定时间、空间顺序作栅网式扫描。聚焦电子束与试样相互作用，产生二次电子发射以及背散射电子等物理信号，二次电子发射量随试样表面形貌而变化。二次电子信号被探测器收集转换成电讯号，经视频放大后输入到显像管栅极，调制与入射电子束同步扫描的显像管亮度，得到反映试样表面形貌的二次电子像。 本次实验中主要通过观察背散射电子像及二次电子像对样品进行分析表征。 1）背散射电子 背散射电子是指被固体样品原子反射回来的一部分入射电子，其中包括弹性背反射电子和非弹性背反射电子。弹性背反射电子是指被样品中原子和反弹回来的，散射角大于90度的那些入射电子，其能量基本上没有变化（能量为数千到数万电子伏）。非弹性背反射电子是入射电子和核外电子撞击后产生非弹性散射，不仅能量变化，而且方向也发生变化。非弹性背反射电子的能量范围很宽，从数十电子伏到数千电子伏。背反射电子的产生范围在100nm-1mm深度。背反射电子产额和二次电子产额与原子序数的关系背反射电子束成像分辨率一般为50-200nm（与电子束斑直径相当）。背反射电子的产额随原子序数的增加而增加，所以，利用背反射电子作为成像信号不仅能分析形貌特征，也可以用来显示原子序数衬

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。

主成分分析原理

主成分分析原理 （一）教学目的 通过本章的学习，对主成分分析从总体上有一个清晰地认识，理解主成分分析的基本思想和数学模型，掌握用主成分分析方法解决实际问题的能力。 （二）基本要求 了解主成分分析的基本思想，几何解释，理解主成分分析的数学模型，掌握主成分分析方法的主要步骤。 （三）教学要点 1、主成分分析基本思想，数学模型，几何解释 2、主成分分析的计算步骤及应用 （四）教学时数 3课时 （五）教学内容 1、主成分分析的原理及模型 2、主成分的导出及主成分分析步骤 在实际问题中，我们经常会遇到研究多个变量的问题，而且在多数情况下，多个变量之间常常存在一定的相关性。由于变量个数较多再加上变量之间的相关性，势必增加了分析问题的复杂性。如何从多个变量中综合为少数几个代表性变量，既能够代表原始变量的绝大多数信息，又互不相关，并且在新的综合变量基础上，可以进一步的统计分析，这时就需要进行主成分分析。 第一节主成分分析的原理及模型 一、主成分分析的基本思想与数学模型 （一）主成分分析的基本思想 主成分分析是采取一种数学降维的方法，找出几个综合变量来代替原来众多的变量，使这些综合变量能尽可能地代表原来变量的信息量，而且彼此之间互不相关。这种将把多个变量化为少数几个互相无关的综合变量的统计分析方法就叫做主成分分析或主分量分析。

主成分分析所要做的就是设法将原来众多具有一定相关性的变量，重新组合为一组新的相互无关的综合变量来代替原来变量。通常，数学上的处理方法就是将原来的变量做线性组合，作为新的综合变量，但是这种组合如果不加以限制，则可以有很多，应该如何选择呢？如果将选取的第一个线性组合即第一个综合变量记为1F ，自然希望它尽可能多地反映原来变量的信息，这里“信息”用方差来测量，即希望)(1F Var 越大，表示1F 包含的信息越多。因此在所有的线性组合中所选取的1F 应该是方差最大的，故称1F 为第一主成分。如果第一主成分不足以代表原来p 个变量的信息，再考虑选取2F 即第二个线性组合，为了有效地反映原来信息，1F 已有的信息就不需要再出现在2F 中，用数学语言表达就是要求0),(21=F F Cov ，称2F 为第二主成分，依此类推可以构造出第三、四……第p 个主成分。 （二）主成分分析的数学模型 对于一个样本资料，观测p 个变量p x x x ,,21，n 个样品的数据资料阵为： ?? ? ? ? ? ? ??=np n n p p x x x x x x x x x X 2 1 22221 11211 ()p x x x ,,21= 其中：p j x x x x nj j j j ,2,1, 21=???? ?? ? ??= 主成分分析就是将 p 个观测变量综合成为p 个新的变量（综合变量），即 ?? ???? ?+++=+++=+++=p pp p p p p p p p x a x a x a F x a x a x a F x a x a x a F 22112222121212121111 简写为： p jp j j j x x x F ααα+++= 2211 p j ,,2,1 = 要求模型满足以下条件：

spss进行主成分分析的步骤图文)

主成分分析の操作过程 原始数据如下（部分） 调用因子分析模块（Analyze―Dimension Reduction―Factor），将需要参与分析の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の，保持默认即可），如下图所示，然後点击Continue按钮，回到主对话框： 其他の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の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，得到の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球形检验の显着性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，其展示了变量の共同度，Extraction下面各个共同度の值都大於0.5，说明提取の主成分对於原始变量の解释程度比较高。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，提取了特征值大於1の两个主成分，两个主成分の方差贡献率分别是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： 根据数理统计の相关知识，主成分分析の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の数学关系如下面这个公式： 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，将因子载荷矩阵中の各个载荷值复制进去，如下图所示： 计算变量（Transform-Compute Variables）の公式分别如下二张图所示： 计算变量得到の两个特征向量U1和U2如下图所示（U1和U2合起来就是主成分载荷矩阵）： 所以可以得到两个主成分Y1和Y2の表达式如下：

合金材料分析报告

综合实验报告 一、实验目的 通过对所需钢原材料准备、熔炼、及对所炼钢坯进行锻造、取样、热处理后观察测试其晶相组织，测定试样硬度，了解中频炉炼钢的方法及步骤，熟悉试样的成分分析方法，掌握金相显微镜试样的制备过程和基本方法，对实验中发生的问题进行讨论分析，从而掌握相关各专业知识，培养和提高综合应用及分析解决问题的能力。 二、实验原理 1、真空感应炉的加热原理 10kg真空感应电炉是利用中频感应加热的真空熔炼设备，炉体内部设有一只螺旋型管事线圈，当线圈通过中频电流时，产生交变磁场，金属炉料在交变磁场作用下，感应出电势，产生环形电流，这种电流在本身的磁场作用下集中在金属炉料的表面（即所谓的集肤效应），使外层金属料具有很高的电流密度，从而产生集中而强大的热效应，以致把金属炉料加热或融化。 2、比色分析的基本原理 由比尔定律得知：当一束单色光通过均匀溶液时，其吸光度与溶液的浓度和厚度的乘积成正比。 比尔定律其数学表达式为：A=Log Io/I=KCL A—吸光度 Io—入射光的强度 I—透过光的强度 C—溶液的浓度 L—溶液厚度 Io/I—透过率的倒数 K—吸光系数 化学反应原理： （1）用硝酸作溶样酸，加入过硫酸铵氧化，使磷转化为正磷酸。

（2）锰Mn 硝酸银—过硫酸铵光度法。 锰在钢中存在的形式，主要是以MnS 、MnC 、MnSi 或FeMnSi 等状态存在，在试样以酸溶解后，以硝酸银作催化剂，以过硫酸铵将二价锰氧化成七价锰，在530nm 出进行比色。 （3）磷P 抗坏血酸—铋盐光度法。 磷在钢中以磷化物（F e 2P 、Fe 3P ）形态存在，试样以酸溶后，砷的干扰用抗坏血酸掩蔽。加入磷显色试剂，形成稳定的磷蓝在700nm 处进行比色。 （4）硅Si 草酸—硫酸亚铁铵光度法。 硅在钢中主要以固溶体形式存在，还可以形成硅化物。其形式有MnSi 或FeMnSi 等。试样以酸溶解后，使硅转化为可溶性酸。在PH=1左右的溶液中，正硅酸与钼酸铵形成硅钼杂多酸（硅钼黄），在草酸存在下，硫酸亚铁铵将硅钼黄还原成硅钼兰，在700nm 处进行比色。 3、金相显微镜的基本原理 金相显微镜是依靠光学系统实现放大作用的，其基本原理如图1所示。光学系统主要包括物镜、目镜及一些辅助光学零件。对着被观察物体A B 的一组透镜叫物镜O1；对着眼睛的一组透镜叫目镜O2。现代显微镜的物镜和目镜都是由复杂的透镜系统所组成。 图1 金相显微镜的光学放大原理示意图 （1）放大倍数 显微镜的放大倍数为物镜放大倍数M 物和目镜放大倍数子M 目的乘积，即： 目 物目物f D f L M M M ?= ?=

主成分分析法的步骤和原理

（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X1，X2…X p来表示，这p个变量构成的p维随机向量为X=(X1，X2…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=μX+μX+…μX Z=μX+μX+…μX ……………… Z=μX+μX+…μX 主成分是不相关的线性组合Z1，Z2……Z p，并且Z1是X，X…X的线性组合中方差最大者，Z2是与Z1不相关的线性组合中方差最大者，…，Z是与Z1，Z2……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

主成分分析操作步骤

主成分分析操作步骤 1）先在spss中录入原始数据。 2）菜单栏上执行【分析】——【降维】——【因子分析】，打开因素分析对话框，将要分析的变量都放入【变量】窗口中。

3）设计分析的统计量 点击【描述】：选中“Statistics”中的“原始分析结果”和“相关性矩阵”中的“系数”。（选中原始分析结果，SPSS自动把原始数据标准差标准化，但不显示出来；选中系数，会显示相关系数矩阵）然后点击“继续”。 点击【抽取】：“方法”里选取“主成分”；“分析”、“输出”、“抽取”均选中各自的第一个选项即可。

点击【旋转】：选取第一个选项“无”。（当因子分析的抽取方法选择主成分法时，且不进行因子旋转，则其结果即为主成分分析） 点击【得分】：选中“保存为变量”，方法中选“回归”；再选中“显示因子得分系数矩阵”。 点击【选项】：选择“按列表排除个案”。

4）结果解读 5）A. 相关系数矩阵：是6个变量两两之间的相关系数大小的方阵。通过相关系 数可以看到各个变量之间的相关，进而了解各个变量之间的关系。 相關性矩陣 食品衣着燃料住房交通和通讯娱乐教育文化相關食品 1.000 .692 .319 .760 .738 .556 衣着.692 1.000 -.081 .663 .902 .389 燃料.319 -.081 1.000 -.089 -.061 .267 住房.760 .663 -.089 1.000 .831 .387 交通和通讯.738 .902 -.061 .831 1.000 .326 娱乐教育文化.556 .389 .267 .387 .326 1.000 B. 共同度：给出了这次主成分分析从原始变量中提取的信息，可以看出交通和 通讯最多，而娱乐教育文化损失率最大。 Communalities 起始擷取 食品 1.000 .878 衣着 1.000 .825 燃料 1.000 .841 住房 1.000 .810 交通和通讯 1.000 .919 娱乐教育文化 1.000 .584 擷取方法：主體元件分析。 C. 总方差的解释：系统默认方差大于1的为主成分。如果小于1，说明这个主 因素的影响力度还不如一个基本的变量。所以只取前两个，且第一主成分的方差 为3.568，第二主成分的方差为1.288，前两个主成分累加占到总方差的80.939%。 說明的變異數總計 元件 起始特徵值擷取平方和載入 總計變異的% 累加% 總計變異的% 累加% 1 3.568 59.474 59.474 3.568 59.474 59.474 2 1.288 21.466 80.939 1.288 21.466 80.939 3 .600 10.001 90.941 4 .358 5.97 5 96.916 5 .142 2.372 99.288 6 .043 .712 100.000 擷取方法：主體元件分析。

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

主成分分析原理

第七章主成分分析 （一）教学目的 通过本章的学习，对主成分分析从总体上有一个清晰地认识，理解主成分分析的基本思想和数学模型，掌握用主成分分析方法解决实际问题的能力。 （二）基本要求 了解主成分分析的基本思想，几何解释，理解主成分分析的数学模型，掌握主成分分析方法的主要步骤。 （三）教学要点 1、主成分分析基本思想，数学模型，几何解释 2、主成分分析的计算步骤及应用 （四）教学时数 3课时 （五）教学内容 1、主成分分析的原理及模型 2、主成分的导出及主成分分析步骤 在实际问题中，我们经常会遇到研究多个变量的问题，而且在多数情况下，多个变量之间常常存在一定的相关性。由于变量个数较多再加上变量之间的相关性，势必增加了分析问题的复杂性。如何从多个变量中综合为少数几个代表性变量，既能够代表原始变量的绝大多数信息，又互不相关，并且在新的综合变量基础上，可以进一步的统计分析，这时就需要进行主成分分析。 第一节主成分分析的原理及模型 一、主成分分析的基本思想与数学模型 （一）主成分分析的基本思想 主成分分析是采取一种数学降维的方法，找出几个综合变量来代替原来众多的变量，使这些综合变量能尽可能地代表原来变量的信息量，而且彼此之间互不相关。这种将把多个变量化为少数几个互相无关的综合变量的统计分析方法就叫做主成分分析或主分量分析。

主成分分析所要做的就是设法将原来众多具有一定相关性的变量，重新组合为一组新的相互无关的综合变量来代替原来变量。通常，数学上的处理方法就是将原来的变量做线性组合，作为新的综合变量，但是这种组合如果不加以限制，则可以有很多，应该如何选择呢？如果将选取的第一个线性组合即第一个综合变量记为1F ，自然希望它尽可能多地反映原来变量的信息，这里“信息”用方差来测量，即希望)(1F Var 越大，表示1F 包含的信息越多。因此在所有的线性组合中所选取的1F 应该是方差最大的，故称1F 为第一主成分。如果第一主成分不足以代表原来p 个变量的信息，再考虑选取2F 即第二个线性组合，为了有效地反映原来信息，1F 已有的信息就不需要再出现在2F 中，用数学语言表达就是要求0),(21=F F Cov ，称2F 为第二主成分，依此类推可以构造出第三、四……第p 个主成分。 （二）主成分分析的数学模型 对于一个样本资料，观测p 个变量p x x x ,,21，n 个样品的数据资料阵为： ??????? ??=np n n p p x x x x x x x x x X 21 222 21112 11()p x x x ,,21= 其中：p j x x x x nj j j j ,2,1,21=?????? ? ??= 主成分分析就是将p 个观测变量综合成为p 个新的变量（综合变量），即 ???????+++=+++=+++=p pp p p p p p p p x a x a x a F x a x a x a F x a x a x a F 22112222121212121111 简写为： p jp j j j x x x F ααα+++= 2211 p j ,,2,1 = 要求模型满足以下条件：

用SPSS进行详细的主成分分析步骤

怎样用SPSS进行主成分分析 怎样用SPSS进行主成分分析 一、基本概念与原理 主成分分析（principal component analysis） 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。但是，在用统计分析方法研究这个多变量的课题时，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。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。 （1）主成分分析的原理及基本思想。 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总和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，也是数学上处理降维的一种方法。 基本思想：主成分分析是设法将原来众多具有一定相关性（比如P个指标），重新组合成一组新的互相无关的综合指标来代替原来的指标。通常数学上的处理就是将原来P个指标作线性组合，作为新的综合指标。最经典的做法就是用F1（选取的第一个线性组合，即第一个综合指标）的方差来表达，即Var(F1)越大，表示F1包含的信息越多。因此在所有的线性组合中选取的F1应该是方差最大的，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F2即选第二个线性组合，为了有效地反映原来