主成分分析理论介绍和举例.pptVIP

吴 海 龙 湖南大学化学生物传感与计量学国家重点实验室 E-mail: hlwu@hnu.net.cn;;Chemometrics ？;一次测量得到一个值 例如： 温度、压力、pH、 单波长的吸光度 等;分析仪器的高性能化 例如： UV-可见分光吸收光谱 IR、 NIR、荧光光谱 GC、LC、MS NMR、等 样品-浓度数据 样品-变量-时间 等等; 分析过程; 分析化学中常用方法;1Principal Component Analysis(PCA);主成分分析 (PCA);PCA 例子;Tmc vs Bmc;X矩阵中含有8个样品和两个变量 方差协方差阵为： 77.71 76.29 76.29 80.86 也即，它使用平均化的X矩阵XTX(列数-1) 特征矢量 # 特征值 B的系数 T的系数 方差百分数 1 155.59 0.6998 0.7144 98.1 2.98 0.7144 -0.6998 1.9 方差= /（样品数-1）;PCA方差协方差矩阵; 夹角余弦 cos(?ij)= (? xik? xjk)/(? ? xik2?? ? xjk2) 相关系数 cos(?ij)=[?(xik-mi)?(xjk-mj)]/(? ?(xik-mi)2?? ? (xjk-mj)2) 其中mi和mj分别表示第i和第j个样本的均值.;PCA;PCA;Lamda: 1 2 155.5876 2.9838 Eigenvector: 0.6998 0.7144 0.7144 -0.6998;特征矢量1和2;特征值与特征矢量;PCA 的术语;PC1和PC2的表示;PCA的优点;;用PC1对X阵近似; 用PC1对X阵近似 ;X 残差;PC1对X阵的贡献;PC2对X阵的贡献;得分的平方和;常用的 PCA;PCA;PCA;以上为8x2的矩阵，可变为2x2的矩阵;Single value decomposition;主成分分析投影的数学意义;主成分分析数学几何意义;投影;主成分分析的数学与几何意义示意图 ;2Principal Component Regression(PCR);Lambert-Beer Law;PCR 方法是采用多元统计中的成分分析方法，先对混合物量测矩阵 Y 矩阵直接进行分解，然后只取其中的主成分来进行回归分析，故有主成分回归之称。;方法模型;PCR Advantages;PCR Disadvantages;3 Partial Least SquaresRegression (PLSR);PLSR 方法不仅直接对混合物量测矩阵 Y 进行正交分解，而且同时对浓度矩阵 C 进行正交分解。;方法模型;NIPLS算法步骤; 9. 进行回归运算：b1=rt1/(tt1t1) 10. EY,1=Y-t1vt1 ; EC,1=C-r1qt1=C-b1t1qt1 11. EY,1用代替Y， EC,1代替C，返回主因子迭代过程9-10，算下一个主因子：r2, qt2, t2, vt2 得到EY,2 ，EC,2，直到得到所有的Y和C的主因子(可用交互校验法和方差比较来决定) 12. 由储存的Vt* Y未知(Y=T*Vt*) t未知 r未知 ( b=rt/(ttt) ) 由储存的Qt* C未知(C=R*Qt*);The geometric representation of PLSR. The X-matrix can be represented as N points in the K dimensional space where each column of X (x_k) defines one coordina