PMF正交矩阵因子分解软件翻译.doc

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 PMF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有哪些信誉好的足球投注网站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PMF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：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本身强烈的置换这些方法在三个空气污染数据集中被应用在Brown等人。 （2014年）。本文提供了基于环保局误差估计应用的解释。Paatero等人（2014）和布朗等人（2014年）文献是美国环保署的PMF的重要参考两者都提供了错误估计的详细信息和他们的解释，这只简要介绍在本指南中。多线性发动机如上所述两种常见的方案解决了PMF的问题，最初， PMF2解决方案（Paatero，1997）被使用。在PMF2，非负约束可能被加在因子元素和最小二乘拟合时测量将会被单独进行基于不确定度有了这些功能，PMF2是环境数据的受体模型的显著改进对以前的主成分分析（PCA）技术。然而PMF2是有局限的，因为它被设计来解决一个非常具体的PMF问题。在20世纪90年代后期，，一个更灵活的方案，开发出来（Paatero，1999）。这个方案，目前在它的第二个版本，并称为ME-2中，包括与PMF2许多相同的特征（例如，用户能够进行单独的加权测量，并提供非负约束条件）;然而，不像PMF2，ME-2的结构使得它可以用来解决各种多线性问题，包括双线性，三线性和混合模型ME-2是通过将两个单独的步骤结合来解决PMF问题。首先，用户定义感兴趣的PMF模型的表。然后，一个自动化的二次程序读取表格模型参数，并计算该解决方案。当采用EPA PMF解决 PMF问题，第一步是通过由所述EPA PMF的用户界面产生的输入文件取得。一旦指定了模型，数据和用户规格由EPA PMF送入二次ME-2