聚類分析方法包括：PCA 主成分分析、Loading 分析、LDA 線性判別分析。

      主成分分析法（PCA）是將原始數(shù)據(jù)（十個(gè)傳感器的輸出）通過(guò)算法降維成兩個(gè)新的指標(biāo)主成分1（PC1）和主成分2（PC2）（二者沒(méi)有信息交叉，且指標(biāo)無(wú)量綱），在圖形上顯示分別為X 軸和Y 軸，性質(zhì)相似的樣品，經(jīng)過(guò)降維轉(zhuǎn)換后，距離上會(huì)很靠近，因此，可以用輸出的圖形來(lái)判斷組間的不同和比較組內(nèi)樣品的差異。通過(guò)PCA 可以使所有樣品差異Z大化，用X 軸和Y 軸來(lái)表示的圖形位置是新變量PC1 和PC2 的數(shù)值，值越高意味著，包含主要原始信息的量越大，如果兩個(gè)變量的總方差貢獻(xiàn)率不低于95%，基本上可以包含樣品的所有原始信息。

        在文本窗口里，包含了模型文件和樣品以及樣品間的區(qū)分度，數(shù)值越接近于1，區(qū)分得越顯著。

     該圖顯示的是棗花的Loading 分析圖，從圖中可以看出7 號(hào)傳感器W1W 對(duì)di一主成分貢獻(xiàn)率大，同理6 號(hào)傳感器W1S 對(duì)第二主成分貢獻(xiàn)率大。Loading 分析的算法與PCA 的算法相同，有很好的相關(guān)性，不同的是，PCA 是對(duì)樣品的分析，Loading 分析是對(duì)傳感器的分析，可以分析出傳感器區(qū)分樣品的能力。

分析結(jié)果時(shí)，具有以下規(guī)則：
（1）傳感器在Loading 分析中所在的方向與PCA 方向一致。在同一軸方向的傳感器可以用PCA 思維來(lái)分析。數(shù)值在軸上較大的傳感器對(duì)于區(qū)分是有作用的。
（2）位于圖中央(0，0)附近的傳感器在PCA 結(jié)構(gòu)中對(duì)于樣品的區(qū)分作用較小。在當(dāng)前的模板文件中，Loading分析有利于識(shí)別對(duì)區(qū)分有用的傳感器。只要他們對(duì)區(qū)分過(guò)程有負(fù)面影響，單一傳感器就可以識(shí)別區(qū)分從而關(guān)閉分析。

      LDA 線性判別分析是區(qū)分-應(yīng)用-分析的di一個(gè)步驟。LDA 計(jì)算出識(shí)別結(jié)果并且類似于PCA-----顯示培訓(xùn)數(shù)據(jù)設(shè)置的二維圖。在PCA 和LDA 的區(qū)別是：LDA 算法利用模型每組的信息，兼顧了組內(nèi)分布和它們間的距離。因此，LDA 收集了所有傳感器的信息盡力提高組間的差異，而PCA 不考慮組間的差異，盡可能使每個(gè)數(shù)據(jù)點(diǎn)進(jìn)行Z大化地區(qū)分。

重要性：DFA/LDA 與PCA 相比，需要更多的數(shù)據(jù)。我們推薦數(shù)據(jù)點(diǎn)至少是所使用傳感器數(shù)量的6 倍（如10 傳感器就應(yīng)該對(duì)應(yīng)于至少60 個(gè)獨(dú)立數(shù)據(jù)點(diǎn)）。