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)（十個傳感器的輸出）通過算法降維成兩個新的指標主成分1（PC1）和主成分2（PC2）（二者沒有信息交叉，且指標無量綱），在圖形上顯示分別為X 軸和Y 軸，性質(zhì)相似的樣品，經(jīng)過降維轉(zhuǎn)換后，距離上會很靠近，因此，可以用輸出的圖形來判斷組間的不同和比較組內(nèi)樣品的差異。通過PCA 可以使所有樣品差異Z大化，用X 軸和Y 軸來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，如果兩個變量的總方差貢獻率不低于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 號傳感器W1W 對di一主成分貢獻率大，同理6 號傳感器W1S 對第二主成分貢獻率大。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 是對樣品的分析，Loading 分析是對傳感器的分析，可以分析出傳感器區(qū)分樣品的能力。

分析結(jié)果時，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 思維來分析。數(shù)值在軸上較大的傳感器對于區(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)中對于樣品的區(qū)分作用較小。在當前的模板文件中，Loading分析有利于識別對區(qū)分有用的傳感器。只要他們對區(qū)分過程有負面影響，單一傳感器就可以識別區(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一個步驟。LDA 計算出識別結(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，盡可能使每個數(shù)據(jù)點進行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)該對應(yīng)于至少60 個獨立數(shù)據(jù)點）。