选调生和公务员的区别-2013四川高考状元

文档来源为:从网络收集整理.word版本可编辑.欢迎下载支持.
PMF是一个多 变量因素分析工具，它把采样数据矩阵分解成两个矩阵：系
数的贡献（G）和因字数（F），这些因子情 况需要用户利用测得的源配置文件信
息，以及排放或排放清单进行解释，以识别对样品有贡献的的源类型 。该方法
在这里简要回顾，在其他地方更详细地描述。
结果使用约束：没有样品可以有显著负 贡献。PMF的使用样品的浓度和用
户提供的不确定度进行各个点加权。
此功能允许分析 人员占信心在测量。例如，检测限下面的数据可以被保留用于
该模型中，与相关联的调整的不确定度，以 便这些数据点比测量高于检测限的数
据点，对解决方案有较小的影响。
因子贡献和因字数使PMF模型目标函数Q最小化。

Q是PMF的一个关键参数，两 个版本的Q显示在模型运行。Q（真）计算
是包括所有点的拟合优度参数。Q（鲁棒）是计算排除不符合 模型的点（定义为
样品的量的不确定度残差大于4）的拟合优度参数。
Q（真）和Q（鲁棒） 的区别在于测试残差高的数据的影响。这些数据点可
能与来自源的峰值影响相关联
EPA P MF需要底层多线性多次迭代（ME），以帮助识别最优化的因子贡献
和因字数。这是由于在ME算法的 性质 ，用随机生成的因子数开始搜索因子配
置文件。这一因素配置文件使用梯度的方法来绘制的到最佳 的解决方案的最优路
径。在空间方面，该模型利用观察构建多维空间，然后使用梯度的方法来遍历空间 沿着这条道路找到最佳解决方案。最佳的解决方案通常是由沿着路径的最低
Q（稳健）值（即最 小Q）所识别，可以被想象成一个槽的底部在一个多维的空
间中。由于起点的随机性（由种子值和它表示 的路径来确定），不能保证该梯度
方法总能找到多维空间（全球最低）的最深点; 它可能找到一个局部 的最低水平。
为了最大限度地达到全局最小，该模型应为一个开发的解决方案运行20次和100
次对一个最终的解决方案，每次以不同的起点。
因为Q（鲁棒）不被那些没有被PMF拟合的点影响，它被用作一个关键参
1

文档来源为:从网络收集整理.word版本可编辑.欢迎下载支持.
数从多个运行选择最佳的运行。此外，可变性 Q（稳健）提供了一个指示（初
始运行结果是否 有显著变化），因为用来启动梯度算法的随机种子在不同的位置。
如果数据提供稳定的路径到最小，则间 Q（可靠）的值在不同运行之间将会变化
很小（判据）。在其他情况下，该起始点和由数据定义的空间的 组合会影响到最
小值的路径，导致Q（鲁棒）的值变化;最低Q（健壮） 值默认使用，因为它代
表了最优化的解决方案。应当注意的是 Q值的微小的变化并不一定表示该不同
的运行具有的小的差异在源成分之间。
由于化学成分变 化或过程变化引起的变异可能会造成因子配置的显著差异
在PMF运行中。提供两个诊断去评估不同运行 间的差异：内部运行残差分析和
物种分布的因素总结相比那些最低的Q（稳健）运行。用户必须评估PM F中的
所有的错误估计去理解模型结果的稳定性;算法和ME输出 在Paatero等人进行
了描述。 （2014年）。PMF的解决方案的差异可以使用三种方法估计：
1、 自举（BS）分析用于确定是否有一个小的观察组可以不
成比例地影响解决方案 。BS误差区间包括随 机误差
和部分包括旋转歧义的影响。旋转歧义是由PMF产生
的在许多方面相似的无限的解决方 案引起。也就是说，
对于任意一对矩阵，可以通过简单的旋转一对矩阵可
产生无限变化。只有一 个源的贡献非负的约束，不可
能限制这个空间旋转。BS错误估计通常是坚固的和不
被用户指定 的样品的不确定度影响。
2、 替换（DISP）是一种分析方法，它可以帮助用户
了解解决方案的更详细的细节，包括其对微小变化的
敏感性。DISP误差区间包括旋转歧义的影响， 但不包
括数据中的随机误差的影响。数据的不确定度将直接
影响DISP误差估计。因此，向下 加权的物种的误差区
间很可能大
3、 BS- DISP（混合方式）的误差区间包括随机误差和
旋转歧义的影响。 BS- DISP结果比DISP结果更加可
靠，因为BS- DISP的DISP相不像DISP本身那样强烈
2