数学建模-主成分分析法模板
大学生数学建模——主成分分析方法页PPT文档
从以上的分析可以看出，主成分分析的
实质就是确定原来变量xj（j=1，2 ，…， p） 在诸主成分zi（i=1，2，…，m）上的荷载 lij （ i=1，2，…，m； j=1，2 ，…，p）。
从数学上容易知道，从数学上可以证明，
它们分别是的相关矩阵的m个较大的特征值所 对应的特征向量。
二、计算步骤
1540.29 926.35 1501.24 897.36 911.24 103.52 968.33 957.14 824.37 1255.42 1251.03 1246.47 814.21 1124.05 805.67 1313.11
216.39 291.52 225.25 196.37 226.51 217.09 181.38 194.04 188.09 211.55 220.91 242.16 193.46 228.44 175.23 236.29
65.601 1181.54 270.12 18.266 0.162 7.474 12.489
33.205 1436.12 354.26 17.486 11.805 1.892 17.534
16.607 1405.09 586.59 40.683 14.401 0.303 22.932
6 68.337 7 95.416 8 62.901 9 86.624 10 91.394 11 76.912 12 51.274 13 68.831 14 77.301 15 76.948 16 99.265 17 118.505 18 141.473 19 137.761 20 117.612 21 122.781
人) 295.34
x 6：经济 作物占农 作物面积 比例(％)
26.724
x 7：耕地 占土地面 积比率
数学建模-主成分分析聚类分析
随机抽取管理学院10名学生，对其4门课程的考试成绩进行统计，如下表所示，这4门课程分别为多元统计分析1X ，运筹学2X ，经济学3X ，管理学4X . 使用主成分分析方法对学生成绩进行分析.>> x1=[77 63 75 55 31 67 70 66 70 57]; >> x2=[82 78 73 72 55 81 81 81 68 73]; >> x3=[67 80 71 63 60 82 78 73 72 55]; >> x4=[81 81 81 68 73 67 80 71 63 60];>> data=[x1;x2;x3;x4]'; %输入观测值数据矩阵 >> [n,m]=size(data);>> for i=1:m %将数据矩阵中心标准化sddata(:,i)=(data(:,i)-mean(data(:,i)))./std(data(:,i),1); end>> [P,score,egenvalue,t2]=princomp(sddata) %做主成分分析 P =-0.5511 0.3268 -0.3624 0.6769 -0.5588 0.3358 -0.2089 -0.7289 -0.5110 -0.1193 0.8460 0.0944 -0.3505 -0.8753 -0.3307 -0.0398score =-1.3489 -0.2567 -1.2840 -0.0315 -1.2458 -0.9740 0.5341 -0.2698 -0.8704 -0.7467 -0.5863 0.7336 1.1642 0.3096 -0.2225 -0.2707 3.3634 -1.5690 0.3950 -0.0572 -1.1054 0.8480 1.1534 -0.2345 -1.5954 -0.5212 0.0958 -0.1867 -0.6992 0.4872 0.1005 -0.4105 0.4738 0.9799 0.5768 1.03061.8637 1.4430 -0.7628 -0.3031egenvalue = 2.7502 0.9334 0.5275 0.2334 t2 =3.8620 2.4333 3.8297 1.0034 7.0609 3.9724 1.3834 1.1732 6.29124.9906>> for k=1:mgxl(k)=sum(egenvalue(1:k))/sum(egenvalue); end>> gxl %输出累计贡献率 gxl =0.6188 0.8288 0.9475 1.0000>> plot(score(:,1),score(:,2),'r+') %画出第一第二主成分的散点图 >> gname第一主成分43211X X X X Y 0.3505-0.5110-0.5588--0.5511=，所有科目考试成绩的系数均为负，且差异不大，故1Y 可解释为学生的综合学习成绩，该主成分得分越小（散点图中的位置越靠左），综合成绩越好.第二主成分43212X X X X Y 0.8753-0.1193-0.33580.3268+=，数学科目考试成绩的系数均为正，专业科目考试成绩的系数均为负，故2Y 可解释为学生的数学科目与专业科目学习成绩的差异，该主成分得分绝对值越大则差异越大，由散点图可以看出，10号学生的数学科目明显优于其专业科目成绩，而5号学生的数学科目明显差于其专业科目成绩.>> Y1=score(:,1);ZF=(sum(data'))'; %提取第一主成分得分，求每个学生的总分 >>for k=1:norder(k,1)=find(Y1==min(Y1));Y1(order(k,1))=inf; %按第一主成分得分由高到低排序order(k,2)=find(ZF==max(ZF));ZF(order(k,2))=-inf; %按总分由高到低排序 end >> orderorder =7 7 1 1 2 2 6 3 3 6 8 8 9 9 4 4 10 10 5 5两种排序方式下3号学生和6号学生的排序结果相反，原因在于43211X X X X Y 0.3505-0.5110-0.5588--0.5511可见，这四个科目成绩的重要性是依次递减的，3号学生的总分虽略高于6号学生，但他的最高分出现在重要性最低的第4科.>> R=sddata'*sddata./n %求标准化数据的样本相关矩阵R =1.0000 0.7867 0.5322 0.28900.7867 1.0000 0.5749 0.27680.5322 0.5749 1.0000 0.39750.2890 0.2768 0.3975 1.0000建模2011A主成分分析-聚类分析：data1=[7.84 153.80 44.31 20.56 266.00 18.20 35.38 72.35 5.93 146.20 45.05 22.51 86.00 17.20 36.18 94.594.90 439.20 29.07 64.56 109.00 10.60 74.32 218.376.56 223.90 40.08 25.17 950.00 15.40 32.28 117.356.35 525.20 59.35 117.53 800.00 20.20 169.96 726.02 14.08 1092.90 67.96 308.61 1040.00 28.20 434.80 966.738.94 269.80 95.83 44.81 121.00 17.80 62.91 166.739.62 1066.20 285.58 2528.48 13500.00 41.70 381.64 1417.867.41 1123.90 88.17 151.64 16000.00 25.80 172.36 926.848.72 267.10 65.56 29.65 63.00 21.70 36.94 100.415.93 201.40 45.19 24.90 259.00 14.60 35.88 102.659.17 287.00 43.94 45.77 168.00 19.70 62.74 223.165.72 193.70 80.35 26.57 111.00 19.80 57.64 89.084.49 359.50 258.15 123.27 77.00 12.90 106.47 853.985.51 516.40 91.97 89.04 189.00 19.80 121.72 494.80 11.45 1044.50 94.78 136.97 202.00 22.30 472.48 602.046.14 445.40 82.69 167.39 144.00 18.40 111.24 389.807.84 347.90 57.65 97.14 213.00 19.60 70.82 307.247.41 345.70 159.45 71.03 85.00 18.10 89.34 380.928.50 614.00 744.46 130.55 156.00 32.80 228.64 1013.475.51 257.20 54.64 29.01 104.00 13.20 87.68 223.279.84 1213.50 920.84 1364.85 115.00 142.50 181.48 1818.479.39 325.80 172.29 104.89 82.00 31.50 90.90 429.293.30 212.10 50.13 38.62 139.00 10.60 66.98 186.224.09 90.50 35.02 11.82 16.00 10.40 29.09 46.846.14 583.40 95.25 233.70 155.00 21.10 97.47 311.025.31 366.40 42.34 64.65 188.00 17.40 67.11 182.653.69 323.90 35.14 34.66 50.00 13.90 65.48 253.16 21.87 424.50 73.40 59.72 1520.00 27.80 83.70 175.71 18.38 630.00 96.68 114.81 645.00 34.80 130.36 1626.02 10.53 635.30 64.03 101.35 190.00 28.30 162.64 615.103.50 463.40 112.19 72.93 118.00 14.10 60.60 193.376.35 532.00 57.51 83.76 191.00 19.50 73.46 297.14 5.51 778.70 74.66 92.48 330.00 19.70 110.20 351.63 4.49 754.80 99.88 97.92 243.00 24.90 100.79 323.37 3.50 396.30 138.37 58.97 170.00 24.20 91.76 2893.47 5.51 687.80 85.52 72.85 201.00 19.00 103.20 403.27 4.29 526.00 55.31 81.43 93.00 19.90 100.65 369.80 4.29 449.10 67.22 51.64 315.00 15.70 106.97 294.69 6.56 852.70 72.59 158.67 311.00 21.20 124.24 377.14 16.58 459.00 94.79 47.17 1900.00 19.90 71.32 215.10 7.41 337.30 77.27 248.85 90.00 20.10 99.58 210.00 5.93 568.10 75.14 118.16 135.00 23.80 111.54 572.96 4.69 599.00 69.05 122.18 121.00 19.80 102.72 427.044.90 635.50 68.42 227.76 176.00 19.50 96.33 538.985.31 600.70 44.65 45.10 51.00 15.50 65.87 186.334.29 567.60 60.25 48.67 46.00 16.10 63.74 208.065.51 228.50 49.27 30.85 62.00 22.90 45.93 102.04 4.69 568.60 306.02 70.41 900.00 16.80 79.67 196.737.20 214.70 50.33 40.16 156.00 20.80 47.76 403.98 5.31 151.90 47.24 24.44 140.00 17.30 37.49 92.55 4.90 343.30 42.01 58.81 80.00 13.80 79.07 275.82 4.90 293.90 60.29 51.03 53.00 12.60 75.93 278.37 3.89 312.90 33.79 277.82 55.00 14.00 68.24 295.61 3.69 315.90 45.43 34.05 55.00 12.60 62.84 196.33 3.11 416.30 57.88 47.64 167.00 11.90 116.19 242.04 3.89 374.00 45.17 50.19 35.00 15.00 58.11 157.35 3.89 344.30 35.29 47.87 100.00 15.10 133.72 141.022.91 252.90 45.98 71.54 32.14 14.40 42.99 146.223.30 503.40 38.74 30.46 36.43 7.20 53.73 102.864.90 303.80 56.02 65.86 63.21 40.05 90.69 3760.82 4.09 127.00 27.58 23.99 30.00 11.93 57.47 85.61 2.91 265.00 35.66 29.39 24.64 9.23 60.54 122.962.72 278.90 43.43 32.61 64.29 9.90 53.40 135.713.11 751.20 53.11 53.80 27.86 10.46 60.27 155.00 3.30 361.30 47.54 52.28 25.71 9.11 113.46 218.27 3.30 488.00 51.18 34.55 37.50 10.80 54.62 125.926.14 227.00 42.15 67.04 49.29 16.31 34.28 82.963.69 347.40 37.76 19.97 26.79 10.01 54.41 221.224.49 136.00 36.56 23.07 21.43 14.96 34.19 78.98 3.11 327.10 25.98 23.73 25.71 9.79 63.81 138.06 8.06 113.10 52.40 20.81 65.36 19.69 29.56 62.24 3.69 270.50 33.12 57.85 25.71 13.50 62.04 118.16 3.69 160.30 38.29 26.08 25.71 14.29 40.13 82.86 3.50 305.50 39.50 30.86 31.07 14.74 61.89 148.88 2.72 70.90 19.45 9.12 15.007.09 22.73 32.861.77 119.80 15.32 13.34 8.57 6.19 26.31 47.762.53 468.80 37.04 32.03 45.00 12.15 65.25 178.983.69 150.70 59.61 19.00 34.29 24.98 38.47 89.08 6.14 100.30 37.49 20.23 34.29 14.85 29.29 61.94 10.99 109.80 56.07 69.06 58.93 20.70 38.87 63.27 6.35 91.80 36.12 16.91 36.43 12.49 27.01 47.76 30.13 743.90 49.03 26.18 27.86 17.66 72.76 182.04 3.89 416.80 37.04 23.78 22.50 11.48 54.45 105.00 2.91 369.80 36.34 52.48 22.507.99 42.02 84.08 1.96 194.00 18.08 16.17 26.79 6.98 40.27 94.69 6.98 50.10 41.02 14.25 17.14 13.39 26.57 40.92 2.91 198.80 28.21 19.24 13.93 9.56 47.81 94.80 5.93 886.60 42.69 28.12 43.93 21.15 94.64 163.27 5.93 128.90 47.52 16.31 12.86 17.66 33.51 91.73 7.41 114.30 48.34 21.45 35.36 16.54 35.83 63.88 4.29 232.90 29.17 40.02 1714.29 9.79 38.65 95.414.69 132.80 36.11 17.28 20.36 15.53 37.03 82.765.72 1619.80 43.48 15.50 20.36 15.41 30.99 57.556.77 282.50 41.97 52.80 27.86 18.34 49.10 104.90 4.49 180.60 37.23 18.70 27.86 11.93 36.45 63.98 3.11 386.60 35.93 26.38 24.64 12.26 60.00 157.24 2.91 345.00 40.46 152.21 23.57 15.53 58.05 170.71 4.29 95.60 22.49 17.15 85.71 10.13 27.97 67.24 7.63 87.10 45.83 14.83 30.00 14.63 29.25 48.78 5.93 203.00 35.97 16.88 15.00 14.51 45.83 89.49 2.34 353.00 24.53 12.70 11.79 9.00 58.80 89.08 2.91 233.20 24.92 21.62 85.71 8.33 45.20 100.10 5.72 174.30 33.83 29.45 20.36 13.05 42.10 71.43 2.34 87.60 18.46 9.73 13.93 8.89 24.43 43.37 6.56 245.60 36.73 61.30 55.71 14.18 47.24 114.29 4.69 167.90 33.15 18.96 60.00 15.98 33.46 55.71 6.35 111.40 28.82 59.17 206.79 11.70 28.02 61.53 5.10 94.60 77.92 20.34 23.57 28.69 25.92 58.47 4.69 111.60 24.57 12.09 31.07 8.55 27.12 43.883.50 85.50 26.33 24.88 36.43 11.36 26.77 64.084.69 169.50 39.11 22.51 25.71 15.98 39.53 82.96 4.49 138.00 34.52 35.54 50.36 12.60 25.45 52.45 3.30 131.40 35.97 11.29 43.93 11.03 30.06 61.94 2.91 41.00 41.77 12.50 17.14 17.10 19.68 78.374.09 129.70 26.83 10.12 40.71 7.76 28.84 68.165.72 148.00 36.73 14.21 52.50 12.60 27.15 57.86 4.90 108.10 22.729.40 35.36 8.89 32.39 69.39 4.90 132.50 79.52 18.67 42.86 27.68 28.30 92.245.93 88.80 52.41 15.30 10.71 19.91 28.62 63.88 2.91 206.70 17.46 12.02 31.07 5.51 53.79 79.18 2.72 121.80 19.98 7.71 24.648.10 27.30 57.96 2.34 231.10 36.48 12.80 37.50 17.66 29.02 96.532.53 128.60 21.75 9.10 30.00 9.56 22.77 58.063.89 126.80 50.01 12.74 53.57 18.68 29.40 69.90 2.34 79.70 74.36 27.49 9.64 45.45 21.22 87.65 2.34 294.10 42.68 12.27 79.29 15.53 83.44 99.491.96 238.30 19.71 25.22 19.29 6.64 66.24 142.862.72 109.30 18.52 12.55 19.29 9.79 26.06 61.433.11 69.40 22.93 7.56 26.79 7.65 22.09 53.06 3.50 155.70 33.30 12.08 42.86 11.36 28.05 51.53 2.72 109.30 19.83 14.54 19.29 9.45 34.56 47.55 1.77 205.50 173.34 27.81 41.79 74.03 55.71 229.80 3.50 53.20 35.15 7.91 20.36 11.14 24.90 34.39 2.53 40.00 19.08 2.29 15.00 7.88 24.15 54.29 9.17 82.80 63.88 24.85 11.79 31.50 21.68 76.537.41 222.40 31.10 38.50 142.50 8.66 128.60 133.98 5.72 164.80 49.44 27.98 126.43 13.61 37.64 76.12 8.06 194.00 41.79 31.43 213.21 13.61 45.52 127.35 5.72 310.10 56.40 37.11 138.21 16.43 59.63 154.49 8.72 1024.90 77.61 71.24 128.57 19.35 227.40 1389.39 6.77 492.80 37.86 35.61 142.50 13.39 114.13 118.98 6.56 202.30 33.28 37.67 1339.29 11.36 140.62 110.92 6.77 97.20 38.67 18.12 24.64 14.74 28.77 49.90 6.98 208.60 41.00 28.55 67.50 15.19 93.83 84.59 6.14 143.40 41.67 22.57 88.93 12.49 38.14 65.61 6.69 158.10 36.61 16.22 36.00 12.91 31.67 63.57 8.00 332.60 77.06 46.01 240.00 24.47 68.10 259.29 6.69 401.80 84.94 60.11 138.00 19.16 96.76 227.558.23 756.40 42.73 87.52 63.00 19.26 88.74 184.699.35 407.50 55.54 61.83 112.00 24.05 66.82 208.27 8.90 307.30 54.39 57.21 326.00 25.72 131.93 256.94 3.77 242.10 30.93 32.13 28.00 11.56 50.60 144.69 5.41 178.90 29.54 23.73 52.00 9.89 49.84 118.88 7.78 315.50 49.76 28.03 550.00 18.95 45.73 109.29 5.62 134.60 25.33 19.10 45.00 11.66 40.50 87.14 5.41 235.60 36.88 48.80 43.00 14.06 53.61 213.47 4.58 203.80 39.03 24.18 87.00 16.66 53.09 138.88 6.91 568.50 54.59 113.46 264.00 23.22 82.40 399.90 5.00 506.50 59.45 70.71 202.00 26.13 78.01 334.395.62 880.00 78.29 121.12 293.00 25.61 171.14 540.006.91 250.30 39.09 50.46 81.00 20.41 59.17 172.656.26 249.40 54.70 81.74 75.00 25.51 57.92 171.127.56 248.20 42.23 69.39 57.00 16.56 44.54 165.104.79 156.30 41.16 32.40 83.00 14.58 35.50 103.882.77 120.30 49.85 18.38 43.00 25.51 37.93 115.416.26 429.20 54.47 56.60 45.00 19.78 87.50 230.417.34 205.10 43.63 23.51 47.00 19.78 41.33 104.294.17 113.80 37.27 17.06 34.00 14.47 26.74 64.495.00 221.30 30.75 70.32 47.00 16.14 47.20 185.417.56 580.10 39.78 85.46 270.00 17.49 66.69 315.925.62 171.00 31.23 25.73 292.00 15.72 31.09 110.616.05 365.00 35.92 30.91 110.00 17.91 44.75 147.354.79 289.70 42.12 41.10 57.00 17.49 76.80 237.45 23.72 452.10 37.22 43.61 160.00 16.35 73.27 1635.926.47 847.60 53.17 59.00 96.00 19.05 68.82 186.534.17 310.70 40.70 42.64 58.00 14.99 115.59 177.765.00 317.50 42.46 30.96 162.00 17.81 59.94 221.944.17 357.50 38.78 43.89 14901.00 17.70 98.22 349.80 6.26 387.20 38.03 30.06 85.00 21.97 54.98 142.555.00 196.50 50.03 18.56 29.00 25.82 33.90 84.801.61 295.80 15.40 18.35 19.00 4.27 40.42 106.534.58 129.00 31.09 18.93 38.00 15.10 29.76 69.805.41 204.90 40.16 25.86 41.00 16.24 33.28 80.003.57 174.80 31.13 26.21 26.00 11.14 31.77 94.082.00 197.00 78.36 22.98 19.00 24.05 43.73 104.183.37 106.70 16.31 9.04 17.00 7.60 26.89 37.146.47 738.00 47.35 24.07 135.00 19.58 34.09 101.733.37 788.70 28.90 17.62 34.00 15.51 26.04 91.026.91 133.10 40.58 32.64 27.00 22.39 33.97 115.202.38 149.50 27.18 11.19 54.00 14.47 38.35 59.497.56 206.60 55.79 24.44 22.00 28.63 29.73 81.738.67 78.90 58.87 21.65 26.00 23.43 26.52 70.514.79 178.60 32.31 29.01 45.00 14.26 47.98 104.905.41 250.10 34.32 16.25 15.00 18.53 41.29 90.205.83 89.20 54.90 23.28 19.00 21.76 24.95 53.575.62 453.50 37.22 21.92 40.00 16.56 41.51 87.354.38 92.40 38.70 15.03 21.00 13.85 24.22 47.242.77 198.70 18.11 15.33 19.00 9.68 34.15 95.925.41 260.10 43.81 26.46 33.00 13.22 39.49 87.045.62 101.10 49.01 19.96 23.00 20.82 26.00 71.536.69 146.50 43.39 19.89 36.00 17.49 33.24 60.007.56 66.50 49.24 14.67 19.00 17.08 25.48 41.122.77 119.00 27.49 10.62 44.00 10.52 31.94 53.271.61 434.80 21.29 12.84 18.00 8.85 56.14 106.432.97 77.50 16.91 9.95 34.00 7.50 28.15 41.634.58 130.80 35.61 19.59 23.00 16.14 29.87 61.125.20 134.50 29.37 16.33 32.00 13.54 29.83 59.90 3.17 101.80 32.23 10.68 12.00 12.81 33.20 51.12 5.00 232.00 32.43 24.23 37.00 15.10 36.08 101.84 7.56 121.10 62.91 31.03 44.00 27.28 28.36 88.165.20 238.70 47.18 59.66 24.00 19.68 62.57 108.476.05 151.20 92.76 31.43 79.00 32.07 31.57 130.61 2.77 202.60 56.54 18.09 49.00 28.11 26.14 82.14 2.38 351.60 64.86 28.97 65.00 17.28 112.62 105.31 5.20 173.80 58.28 19.99 51.00 22.49 31.61 69.80 8.67 423.30 61.41 117.83 216.00 30.30 178.88 293.16 5.41 645.30 50.27 80.60 113.00 23.32 99.42 358.27 7.12 967.70 36.41 70.71 66.00 16.87 119.35 457.96 4.58 445.70 28.32 132.05 139.00 12.91 87.44 303.06 8.23 420.60 35.81 73.86 561.00 22.49 60.91 241.63 4.58 257.40 42.25 44.84 260.00 19.58 46.90 192.65 6.05 248.70 44.36 42.79 150.00 19.89 72.20 170.10 8.23 350.30 59.07 36.58 177.00 24.57 52.56 170.00 4.17 109.90 29.09 13.71 31.00 11.35 25.08 51.63 3.97 306.20 38.30 36.22 115.00 13.54 60.63 145.51 10.74 306.50 53.98 97.05 255.00 27.91 69.40 177.86 3.77 515.60 28.74 77.47 1801.00 15.10 70.18 178.57 10.27 175.90 57.88 37.50 65.00 26.97 45.34 100.415.20 417.80 35.71 47.58 801.00 16.03 94.93 204.086.47 368.20 44.22 65.70 91.00 18.33 76.88 247.04 6.47 393.00 35.82 70.17 135.00 18.53 72.96 254.80 8.90 117.50 32.54 20.51 41.00 14.47 41.45 56.33 3.37 379.10 32.13 37.81 49.00 13.74 70.37 208.37 6.69 320.30 87.90 66.99 78.00 21.90 123.60 230.11 4.17 613.40 50.34 149.26 133.00 16.60 110.20 447.83 8.23 220.50 61.48 41.96 84.00 22.40 58.37 153.274.38 229.30 32.69 60.40 64.00 13.70 62.62 204.815.20 334.30 47.05 40.37 76.00 18.40 61.03 211.47 5.20 284.30 40.47 44.73 349.00 16.00 119.46 184.61 5.41 230.10 41.65 35.71 57.00 16.90 43.91 118.70 5.00 551.10 71.75 71.23 74.00 22.30 111.62 209.50 9.58 201.00 39.11 25.26 125.00 10.70 99.35 90.07 3.17 203.80 26.57 24.29 23.00 11.90 41.69 94.34 3.77 355.20 26.25 32.87 14.00 9.60 59.22 117.87 9.13 133.70 52.99 22.10 26.00 24.80 37.73 95.48 7.34 95.60 47.85 19.51 14.00 20.80 28.52 57.68 5.62 352.60 44.57 58.98 51.00 13.30 69.95 531.454.79 556.20 50.87 143.31 92.00 19.10 180.05 388.695.20 113.70 41.85 20.73 12.00 19.00 31.87 57.273.37 240.50 28.04 22.63 261.00 11.70 35.74 92.467.34 120.30 54.19 21.90 27.00 23.00 29.63 81.013.57 514.10 42.34 47.67 13800.00 17.30 69.96 269.894.38 246.30 29.90 21.84 84.00 14.10 59.00 95.175.41 158.00 46.86 24.02 31.00 19.30 36.27 79.244.38 211.30 27.79 19.01 34.00 12.00 38.38 81.425.62 236.50 35.95 66.52 199.00 13.90 40.98 193.676.05 193.00 40.60 24.88 27.00 14.40 33.53 84.866.26 169.70 44.26 88.12 46.00 17.20 42.71 97.675.20 320.10 35.92 36.86 68.00 16.50 58.46 162.856.91 180.20 54.08 27.01 37.00 18.40 44.13 118.914.58 351.80 55.39 78.07 87.00 16.90 69.55 188.888.67 245.70 47.79 27.55 35.00 18.40 53.42 98.816.47 86.80 41.12 15.46 23.00 15.90 37.53 70.187.12 367.80 92.02 49.80 97.00 16.30 41.26 321.123.77 467.10 49.03 34.44 45.00 15.40 60.83 132.865.41 364.70 40.34 40.93 79.00 18.70 83.32 175.34 10.97 248.50 40.61 61.52 81.00 17.20 76.19 168.059.81 171.80 75.38 163.20 30.00 26.30 45.27 125.168.23 409.90 44.67 66.92 80.00 36.00 96.85 197.635.41 302.50 34.22 27.60 408.00 14.80 68.70 218.242.77 236.20 42.67 16.35 62.00 9.40 41.88 149.527.78 114.50 56.38 26.96 36.00 22.40 31.24 75.916.47 165.20 73.40 42.73 40.00 19.70 84.13 95.695.62 380.40 46.63 28.31 48.00 14.60 83.82 155.983.77 398.40 29.57 18.64 60.00 10.50 113.84 172.533.57 268.60 28.11 23.20 64.00 12.20 54.52 101.004.38 126.50 28.57 20.57 19.00 12.10 25.17 53.106.91 290.30 47.87 28.90 34.00 14.80 44.26 94.967.12 228.40 40.29 25.15 37.00 15.30 40.10 83.194.38 305.50 52.44 22.92 13.00 19.10 45.21 109.333.97 407.60 35.65 22.33 11.00 18.60 60.36 121.628.00 96.60 19.42 11.26 12.00 7.50 27.54 47.383.57 185.50 23.15 13.42 34.00 9.50 29.49 92.363.37 288.70 26.12 15.10 18.00 10.30 30.14 63.833.17 90.40 16.20 8.30 32.00 7.00 44.31 44.672.97 285.40 26.86 15.00 65.00 13.30 38.63 68.207.12 100.00 46.15 19.43 14.00 23.00 22.01 65.705.62 306.90 42.02 25.21 40.00 19.20 36.99 141.505.83 319.50 43.32 25.89 54.00 15.80 40.98 83.403.97 100.10 21.69 11.96 40.00 7.90 42.79 69.243.17 218.60 39.51 15.26 34.00 10.50 50.98 84.242.77 239.80 26.06 15.82 35.00 10.20 41.43 80.903.17 156.80 19.73 8.34 42.00 7.60 39.21 71.012.97 281.10 28.56 11.42 48.00 12.60 37.95 81.013.17 142.50 36.75 9.93 43.00 13.30 32.61 61.641.80 195.50 28.53 7.32 36.00 9.70 37.41 50.923.17 153.90 20.90 8.21 37.00 7.60 31.37 38.213.77 104.20 30.34 12.34 24.00 11.80 39.31 57.164.79 72.10 65.54 11.55 35.00 19.80 26.04 47.583.57 190.80 31.33 10.67 65.00 15.70 51.56 94.026.47 282.90 52.68 20.34 25.00 22.90 32.53 103.507.34 149.00 44.22 20.14 33.00 16.00 35.43 147.758.23 121.30 43.29 31.63 86.00 11.40 33.21 46.8610.74 479.20 96.28 29.23 98.00 25.30 80.36 112.3511.68 870.50 70.84 35.17 302.00 29.10 78.15 435.447.34 279.00 51.25 27.95 44.00 22.50 51.20 117.666.05 162.00 36.22 17.91 35.00 14.20 36.41 61.025.41 907.00 43.08 36.48 10.00 14.50 41.02 121.206.26 132.90 42.59 16.58 27.00 16.20 35.52 63.316.47 197.00 38.18 21.09 64.00 18.60 40.18 168.056.47 100.70 36.19 13.31 42.00 11.50 34.34 56.234.79 119.10 35.76 19.71 44.00 9.90 39.66 67.067.56 63.50 33.65 21.90 60.00 12.50 41.29 60.509.35 156.00 57.36 31.06 59.00 25.80 51.03 95.90]; %8种重金属元素的浓度原始数据>> bjz=[3.61303113.23512.33169]'; %8种重金属元素的背景值的均值>>[n,m]=size(data1);>> for i=1:m %求污染程度数据矩阵data2(:,i)=data1(:,i)./bjz(:,i);end>>data3=zscore(data2); %将污染程度数据矩阵中心化标准化>> R3=data3'*data3./n %求污染程度矩阵的相关系数矩阵R3 =0.9969 0.2539 0.1884 0.1592 0.0642 0.3156 0.2890 0.24610.2539 0.9969 0.3513 0.3955 0.2639 0.3283 0.6583 0.42980.1884 0.3513 0.9969 0.5299 0.1029 0.7135 0.3816 0.42300.1592 0.3955 0.5299 0.9969 0.4154 0.4930 0.5184 0.38610.0642 0.2639 0.1029 0.4154 0.9969 0.1026 0.2972 0.19520.3156 0.3283 0.7135 0.4930 0.1026 0.9969 0.3058 0.43500.2890 0.6583 0.3816 0.5184 0.2972 0.3058 0.9969 0.49210.2461 0.4298 0.4230 0.3861 0.1952 0.4350 0.4921 0.9969 >> [P,score,egenvalue,t2]=princomp(data3) %对标准化污染程度数据做主成分分析P =-0.2256 0.1861 -0.6932 0.6286 -0.0346 0.0990 -0.0130 0.1659 -0.3767 -0.2624 -0.2875 -0.3676 -0.3346 -0.4944 0.4024 0.2305 -0.3895 0.4140 0.3089 -0.0527 -0.1442 -0.1494 -0.5203 0.5146 -0.4009 -0.1162 0.3718 0.1569 -0.2034 0.6210 0.4560 0.1674 -0.2165 -0.6279 0.3028 0.5121 0.2027 -0.3585 -0.1862 -0.0236 -0.3831 0.4798 0.1932 0.1561 -0.0183 -0.3038 0.2180 -0.6490 -0.4049 -0.2930 -0.2415 -0.2828 -0.2074 0.3297 -0.5166 -0.4396 -0.3704 0.0349 -0.1254 -0.2750 0.8604 0.0909 0.1005 0.1079score =0.5456 0.4760 -0.2385 0.9238 0.0347 0.0562 -0.0448 -0.00680.7236 0.3890 0.1517 0.4457 0.0965 0.0977 -0.0533 -0.04400.1029 -0.6786 -0.3148 -0.6068 -0.1762 0.0955 0.2073 0.26030.5289 -0.0888 0.0282 0.7029 0.1653 -0.1864 0.0361 0.1829-2.2377 -0.8590 -0.8366 -1.0018 0.5103 0.4119 -0.4269 -0.6101 -7.0283 -2.3626 -4.0263 -1.6355 -1.1503 1.6389 -1.4879 -2.1198 -0.3681 0.5809 -0.5586 0.6635 -0.1787 0.0705 -0.4055 0.3925 -15.5620 -6.6945 5.7248 3.5181 -1.3891 6.1650 2.6337 1.0367 -6.0371 -6.9258 1.2082 2.9402 1.8860 -4.2464 -1.0592 -0.2348 -0.0015 0.7581 -0.4581 0.8739 -0.1659 -0.2192 0.1137 0.09280.6954 0.1341 0.0674 0.3664 0.0591 0.0268 -0.0202 0.1885-0.2674 0.3478 -0.8345 0.7230 0.0449 0.1003 0.0674 -0.06300.1822 0.5162 0.2579 0.2336 -0.1541 -0.0185 -0.3874 -0.1035-2.1906 0.7026 0.6746 -1.3487 0.8725 0.3109 -1.5612 1.6705 -1.5324 -0.2124 -0.3571 -0.9523 0.0396 -0.0076 -0.2709 -0.0697 -6.0460 -2.4069 -3.9522 -2.5619 -2.0637 1.4629 -2.7735 -2.3424 -1.3424 -0.2013 -0.2190 -0.5147 -0.1666 0.4430 -0.0608 0.0551 -0.6321 0.1785 -0.4933 0.2850 0.0627 0.1584 0.1581 0.0416 -1.2540 0.6515 -0.1718 -0.1308 -0.0092 0.0480 -0.8613 0.6978 -7.5796 3.7551 1.3460 -1.7726 -0.6913 -0.9056 -5.5039 3.41100.0944 -0.2025 -0.2070 -0.2764 0.0309 0.3363 -0.4892 -0.0266 -17.4212 8.9703 5.9221 -0.0944 -1.4722 -1.2894 0.8421 0.1725 -2.1046 1.4921 -0.2319 0.4977 0.0202 -0.1274 -0.6136 0.04220.6397 -0.3411 0.4288 -0.5322 0.1214 0.3348 -0.3583 0.12191.4171 0.0243 0.4828 0.1015 0.1464 0.3042 -0.1825 0.2053 -1.7146 -0.1366 -0.0385 -0.4983 -0.6268 0.1689 0.4550 0.2763 -0.0550 -0.1538 -0.0622 -0.2113 -0.1635 -0.0413 0.1809 -0.0872 0.3403 -0.3241 0.1514 -0.6483 0.1454 0.0456 0.0582 -0.0361 -2.2528 0.8758 -3.4344 3.6015 -0.4367 -0.2157 -0.1284 0.2580 -4.7160 1.0707 -3.4565 0.9714 2.5440 0.0534 0.4370 0.1119 -2.7709 -0.0334 -1.8314 -0.2652 -0.0324 0.0437 -0.0380 -0.7412 -0.3140 -0.0641 0.5062 -0.8364 -0.3898 -0.3550 -0.1278 0.7118 -0.7990 -0.1320 -0.4332 -0.3535 -0.2162 -0.3231 0.4275 0.1141 -1.6491 -0.6296 -0.6280 -1.1407 -0.6168 -0.6762 0.3947 0.1354 -1.7686 -0.1825 -0.0992 -1.1970 -0.6814 -0.8994 0.3968 -0.0186 -3.9091 0.7415 -0.2673 -2.9500 6.3803 0.2921 0.2126 0.7461 -1.4647 -0.3831 -0.5316 -1.0731 -0.3343 -0.5569 0.1834 0.2274 -0.9190 -0.3578 -0.1369 -1.0095 -0.1176 -0.1736 0.1963 -0.2639 -0.6199 -0.5094 -0.0971 -0.8925 -0.1719 -0.0425 -0.3181 -0.0942 -2.1994 -0.7106 -0.8728 -1.0604 -0.8158 -0.4901 0.6209 0.1088 -1.6930 0.1943 -2.2379 2.4508 -0.2430 -0.4713 -0.3154 0.7789 -1.1941 0.0654 -0.0643 0.2298 -0.5284 0.8791 0.1192 -0.0071 -1.7783 -0.0857 -0.4393 -0.8688 0.1825 -0.1170 0.2485 -0.2336 -1.3269 -0.3879 -0.1961 -1.0676 -0.1696 -0.1690 0.3273 -0.0182 -1.7262 -0.4834 -0.0588 -1.0235 -0.0390 0.1464 0.7781 0.2450 -0.3146 -0.4307 -0.4538 -0.6836 -0.4914 -0.5546 0.5160 0.2878 -0.3077 -0.3195 -0.0877 -0.8476 -0.4049 -0.5604 0.3973 0.3028 0.2697 0.5142 0.2370 0.2496 -0.0752 -0.1768 0.1170 -0.3981 -2.0172 0.7524 1.0532 -0.7316 -0.9341 -1.0987 -1.6186 1.9530 -0.1381 0.5167 -0.2506 0.3730 0.6859 0.0785 0.1171 -0.0865 0.7240 0.3319 0.3071 0.3205 0.0841 0.0607 -0.0694 -0.0735 -0.0150 -0.3424 -0.1356 -0.4977 0.0635 0.2120 -0.0350 0.0194 0.0576 -0.2000 -0.0237 -0.4499 0.1273 0.2745 -0.2710 0.2023 -0.3202 -0.4893 0.6425 -0.4004 -0.0446 1.0314 0.7140 0.1861 0.4307 -0.3085 0.2150 -0.6014 0.0067 0.0449 -0.0530 0.1206 -0.2662 -0.7819 0.0386 -1.1966 -0.2686 0.1909 -0.4906 -0.1128 0.2713 -0.2298 0.2108 -0.5493 -0.1878 -0.1247 0.1894 0.0785 -0.2246 -0.7164 -0.1448 -0.8876 -0.4672 0.4291 -0.5872 -0.7035 0.6481 -0.0998 0.7073 -0.4511 0.0103 0.1054 0.1706 0.0970 0.5783 -0.7979 -0.0027 -0.9507 -0.4412 -0.2953 0.2737 0.6414 -4.9523 1.3451 -0.8451 -2.9211 8.8247 0.5078 1.3004 -0.6180 1.0347 -0.1646 0.3122 -0.1042 0.0719 0.4338 -0.2773 -0.1365 0.8726 -0.4966 0.3722 -0.6675 -0.0569 0.2092 -0.1495 0.1663 0.8251 -0.4207 0.4898 -0.6795 -0.0298 0.0953 -0.0850 0.2530-0.1942 -0.9026 -0.1482 -1.4141 -0.7682 -0.8284 0.6967 0.7609 0.0322 -0.8372 -0.0282 -1.1085 -0.2348 0.4498 -0.5239 -0.0294 0.3535 -0.5388 0.1385 -0.8978 -0.4007 -0.3706 0.2416 0.4858 0.5465 0.2398 0.0786 0.3970 -0.1003 0.1225 0.2374 0.14640.5999 -0.4428 0.0847 -0.6828 0.0925 -0.0251 0.0617 0.33341.0220 0.1884 0.4185 0.1384 0.1096 0.1586 -0.0265 -0.0356 0.7568 -0.6009 0.1811 -0.7472 -0.1007 0.0866 -0.0003 0.1035 0.5791 0.7669 -0.1772 1.0316 0.0466 0.0941 -0.0653 -0.0231 0.5777 -0.2940 0.3178 -0.4222 -0.1304 0.2144 0.0321 -0.0681 0.9969 0.0506 0.5431 -0.1119 0.0623 0.1465 -0.0594 -0.04600.4834 -0.2277 0.2977 -0.5526 -0.0828 -0.0171 0.0098 -0.09351.8398 -0.2509 0.7183 -0.1471 0.2235 0.3812 -0.1144 0.26030.2548 0.4254 -0.5970 0.7625 -0.1701 -0.0364 0.0853 0.10581.8317 -0.4542 0.8235 -0.4658 0.1887 0.3240 -0.0319 0.2644 0.3311 -0.6401 0.2281 -1.0978 -0.2421 -0.2917 0.2434 0.15270.5054 0.7159 0.8483 0.0558 0.0455 -0.2427 -0.0024 -0.58781.0213 0.3558 0.1137 0.5801 0.1244 0.2419 -0.0707 0.06690.1123 0.9352 -0.7452 1.6501 -0.0884 0.4054 -0.0489 0.06351.1602 0.2701 0.0336 0.6235 0.1197 0.3106 -0.1185 0.2258 -2.5152 1.0417 -6.3439 4.2111 -1.0196 -0.1554 0.5575 1.6064 0.5339 -0.4580 0.0262 -0.6347 -0.3144 -0.2299 0.1989 0.28090.8768 -0.5859 0.3732 -0.7010 -0.2629 -0.0286 0.2501 0.53371.4739 -0.5605 0.6379 -0.6457 0.1290 0.2485 -0.0275 0.2146 1.1412 0.4411 -0.0234 0.8324 0.1481 0.3742 -0.2152 0.1941 1.1723 -0.3646 0.4770 -0.4669 0.0490 0.2327 -0.1095 0.1148 -1.2112 -0.6208 -1.0304 -1.0941 -1.0874 -1.2110 0.8126 -0.0459 0.7708 0.4939 0.1799 0.4678 0.1187 0.0905 -0.0748 -0.0563 0.7194 0.5240 -0.1438 0.8025 0.0400 0.2259 -0.1583 0.0648 0.7944 -0.9189 0.5332 0.3728 0.2052 -0.1612 -0.0980 0.2948 0.9803 0.2176 0.3573 0.1695 0.1169 0.1536 -0.0615 -0.0981 -1.5418 -1.3814 -1.7142 -2.0008 -2.1581 -3.1459 2.5861 1.58680.2234 0.2447 -0.2142 0.3473 -0.1840 0.0135 0.1959 -0.03351.0684 -0.0200 0.2915 0.0147 0.0063 0.1445 -0.0589 0.1836 0.5102 -0.4695 0.2141 -0.8049 -0.1532 -0.1505 0.1388 0.11860.1351 -0.3252 0.6881 -0.6096 -0.2194 0.2954 0.4798 0.03551.4382 -0.0785 0.3928 0.1568 0.2213 0.3376 -0.0624 0.1678 0.9228 0.5060 -0.1865 0.9060 0.0832 0.2852 -0.1856 0.2015 0.7335 0.1135 -0.0839 0.2394 -0.0191 0.1308 -0.0519 0.03200.9324 -0.6877 0.3173 -0.9078 -0.2174 -0.0534 0.0507 0.14601.1803 -0.4970 0.4240 -0.5047 0.0370 0.1793 -0.0235 0.23220.8836 0.0599 0.0175 0.2708 -0.0123 0.2535 -0.0508 0.11051.7497 -0.2216 0.8038 -0.2423 0.2205 0.2957 -0.0487 0.1209 0.4705 0.0381 -0.1928 0.3225 -0.0839 0.2425 0.1211 0.1778 0.9697 0.1825 0.3466 0.1776 0.0190 0.0359 0.0621 -0.08941.0486 0.0656 0.0792 0.6619 0.1062 0.4412 0.0459 0.28020.3823 1.2290 0.8225 0.5786 0.0397 -0.3092 -0.0381 -0.57351.4829 -0.1092 0.2502 0.1891 0.1353 0.3403 -0.0917 0.3202 1.4459 -0.0130 0.6431 0.0268 0.2163 0.3198 -0.0399 0.08020.8508 0.1939 0.3332 0.1067 0.0396 0.0881 -0.0200 -0.08441.1861 0.0885 0.4469 0.1916 0.0722 0.2072 0.0544 0.1862 1.3512 -0.0505 0.6217 -0.1298 0.1299 0.1695 -0.1094 0.1650 1.3321 0.4301 1.0120 0.0658 0.3255 0.1041 -0.0609 -0.2046 1.4784 -0.2019 0.3393 -0.0076 0.1701 0.3084 -0.1081 0.3645 1.0978 0.1706 0.1035 0.3954 0.0722 0.1516 -0.0253 0.2451 1.4059 -0.1147 0.1648 0.1935 0.1880 0.3788 -0.1325 0.25140.3092 1.1165 0.7832 0.4217 0.0644 -0.3575 -0.0249 -0.48011.1689 0.0514 0.4286 0.0063 0.1077 0.0795 0.0210 0.11380.7967 0.7055 0.3276 0.6135 0.1147 0.0563 -0.0939 -0.17531.3591 -0.6709 0.3044 -0.5580 0.0136 0.3660 -0.1928 0.2431 1.6505 -0.2852 0.6425 -0.2593 0.1926 0.2667 -0.0500 0.21670.9654 0.1082 0.8399 -0.4113 0.0687 -0.2751 0.2406 -0.19281.6196 -0.2004 0.7395 -0.2598 0.1962 0.1714 0.0319 0.1721 0.9338 0.4434 0.7083 0.1116 0.1093 -0.0636 -0.0446 -0.1938 -0.0224 1.8951 1.8098 0.3005 0.1527 -0.8642 0.4199 -1.80240.4598 -0.3654 0.4884 -0.8496 -0.2460 -0.0137 -0.3065 -0.42171.1199 -0.7696 0.4580 -0.9040 0.0627 0.3781 -0.1954 0.0908 1.6095 -0.1915 0.6996 -0.2041 0.2183 0.2580 0.0036 0.0999 1.7576 -0.1751 0.6513 -0.0680 0.2704 0.3653 -0.1255 0.2795 1.3236 -0.0558 0.5546 -0.1005 0.0772 0.1055 -0.0197 0.1749 1.5568 -0.2528 0.6675 -0.2453 0.1433 0.3254 -0.0999 0.0547 -2.28193.4783 2.5596 0.0509 -0.0632 -1.9845 0.2218 -3.1007 1.5508 0.0924 0.6973 0.0827 0.1982 0.2972 -0.2033 0.1161 1.8592 -0.1918 0.7847 -0.1554 0.3280 0.4086 -0.1762 0.1513 0.0733 1.5738 -0.0808 1.5086 0.0907 -0.2093 0.1524 -0.6012 0.0548 -0.6737 -0.9257 -0.0157 -0.2853 0.9373 -0.9108 -0.2132 0.8116 0.1771 0.1455 0.3367 0.0141 0.1669 -0.1403 0.2165 0.4910 0.1651 -0.4949 0.7257 0.0634 0.2553 -0.1077 0.2680 0.1334 0.0532 -0.0667 -0.0370 -0.1238 -0.0554 -0.0499 0.0735 -4.3058 -1.2052 -2.7072 -2.4707 1.1227 -0.0943 -0.1468 -0.1098 -0.4295 -0.6749 -0.9341 -0.4303 -0.6773 0.0528 -0.2342 -0.1111-0.1933 -1.0926 -0.4721 0.2073 -0.2135 0.6730 -1.1701 -0.5717 1.0010 0.4069 -0.0233 0.7211 0.0926 0.2576 -0.0931 0.1129 0.1729 -0.0758 -0.4896 0.2159 -0.2704 0.4691 -0.5391 -0.3240 0.9282 0.1422 0.0027 0.4359 0.0325 0.2666 -0.1663 0.2209 0.9517 0.2118 -0.1487 0.5521 0.0370 0.1945 -0.0411 0.2519 -0.7175 0.5932 -0.4110 0.4186 -0.0085 -0.2246 -0.0397 -0.1848 -0.7932 0.0804 -0.3808 -0.2108 -0.3324 -0.0177 -0.3394 -0.0270 -1.2166 -0.4314 -1.2681 -0.3538 -0.9096 -0.6028 0.7595 0.1899。
主成分分析(数学建模)
主成分分析
每个人都会遇到有很多变量的数据。
比如全国或各个地区的带有许多经济和社会变 量的数据；各个学校的研究、教学等各种变量 的数据等等。
这些数据的共同特点是变量很多，在如此多的 变量之中，有很多是相关的。人们希望能够找 出它们的少数“代表”来对它们进行描述。
本章就介绍两种把变量维数降低以便于描述、 理 解 和 分 析 的 方 法 ： 主 成 分 分 析 （ principal component analysis ） 和 因 子 分 析 （ factor analysis）。实际上主成分分析可以说是因子 分析的一个特例。在引进主成分分析之前，先 看下面的例子。
• 这里的Initial Eigenvalues就是这里的六个
主轴长度，又称特征值（数据相关阵的特
征值）。头两个成分特征值累积占了总方 差的81.142%。后面的特征值的贡献越来越 少。
• 特征值的贡献还可以从SPSS的所谓碎石图看出
Scree Plot
4
3
2
1
0
1
2
3
4
5
6
Component Number
现:
1.analyze-description statisticdescription-save standardized as variables
2.analyze-data reduction-factor 3.指定参与分析的变量 4.运行factor 过程
• 对于我们的数据，SPSS输出为
成绩数据（student.sav）
100个学生的数学、物理、化学、语文、历 史、英语的成绩如下表（部分）。
从本例可能提出的问题
目前的问题是，能不能把这个数据的6 个变量用一两个综合变量来表示呢？ 这一两个综合变量包含有多少原来的信 息呢？ 能不能利用找到的综合变量来对学生排 序呢？这一类数据所涉及的问题可以推 广到对企业，对学校进行分析、排序、 判别和分类等问题。
数学建模 -的范例
针对问题三，本文首先对主要风险因子进行了灰色预测，计算出未来几年水资源总量、降水量、平均气温、生活用水量、工业用水量。
然后采用问题二中的BP神经网络预测每年的缺水量。
最后通过整合往年的数据，运用问题二中的熵值取权的模糊评价模型预测出未来几年内水资源短缺的风险等级。
由于考虑到降水量和地下储水相关系数高，我们依据历年的降水量估测出平水年，偏枯年，枯水年三种不同年份的水资源总量，并应用问题二的风险评价模型进行评估，得到三种不同年份水资源短缺风险等级依次为高，较高，较低。
最后我们分析了南水北调工程对北京市未来两年水资源短缺的风险等级影响，风险等级依次变为低，偏低，无。
针对问题四，我们从北京市水资源现状及分析、北京市严重缺水的原因探究、北京市水资源开发利用对策三个层面向相关行政主管部门提交建议报告，以求帮助其合理规避水资源短缺风险。
关键字：水资源短缺风险、灰色关联度分析、主成分分析，模糊综合评价、BP 神经网络、熵值取权一、问题重述1.1 问题背景水是生命之源，万物之本，是人类生存和发展不可或缺的物质，是地球上最普遍、最常见同时也是最珍贵的自然资源。
水是人类一切生产活动的基础，有水的地方欣欣向荣，水资源枯竭的地方则文明消失。
长期以来，我们注重经济社会发展，却忽略了水资源的承载能力，注重水资源开发利用，却没有同等重视节约和保护。
随着经济社会发展，1.2 问题重述水资源短缺危险泛指在特定的时空环境下，由于来水和用水的不确定性，室区域水资源系统发生供水短缺的可能性以及有此产生的损失。
近年来我国水资源短缺问题日趋严重，以北京市为例，北京是世界上水资源严重缺乏的大都市之一，属严重缺水地区。
虽然政府采取了一些列措施，如南水北调工程建设, 建立污水处理厂,产业结构调整等。
但是，气候变化和经济社会不断发展，水资源短缺风险始终存在。
如何对水资源风险的主要因子进行识别，对风险造成的危害等级进行划分，对不同风险因子采取相应的有效措施规避风险或减少其造成的危害，这对社会经济的稳定、可持续发展战略的实施具有重要的意义。
数学建模实用教程(主成分分析)
T1 ΣT2 T1T2 T1T1 0
由于 T1 ΣT2 0 ， T1T2 0 ，那么， T1T1 0 ，即有 0 。从而 ( Σ I)T2 0 而且将方程两边同乘以 T2’,有 T2ΣT2
第 K 主成分求法
针 对 一 般 情 形 ， 第 k 主 成 分 应 该 是 在 TkTk 1 且 TkTi 0 或
第 k 个主成分的贡献率： 由主成分的性质可以看出，主成分分析把 p 个原始变量
X1 , X 2 ,, X p 的总方差 tr ( Σ) 分解成了 p 个相互独立的
变量 Y1 , Y2 ,, Yp 的方差之和
k 1
p
k
。主成分分析的目的是
减少变量的个数，所以一般不会使用所有 p 个主成分的， 忽略一些带有较小方差的主成分将不会给总方差带来太 大的影响。这里我们称
其中 D(Y ) 表示方差，Cov表示协方差， 表示X协方差阵
i
主成分确定条件：
T1T1 1 第一主成分为，满足 ， 并且使得 D(Y1 ) T1ΣT1 达到最大的 Y1 T1X 。 Cov(Y2 , Y1 ) Cov(T2X, T1X) 0 第二主成分为，满足 T T 1 ， 使得 D(Y2 ) T2ΣT2 达到最大的 Y2 T2X 。 T T 1 k 一般情形，第 主成分为，满足 ， Cov(Y , Y ) Cov(T X, T X) 0 且 （ i k ），使得 D(Yk ) TkΣTk Yk Tk X 达到最大的 。
解决的问题之三：客观加权
选择评价指标体系后通过对各指标加权的办 法来进行综合。但是，如何对指标加权是一 项具有挑战性的工作。指标加权的依据是指 标的重要性，指标在评价中的重要性判断难 免带有一定的主观性，这影响了综合评价的 客观性和准确性。主成分分析法是根据指标 间的相对重要性进行客观加权，可以避免综 合评价者的主观影响，所以在实际应用中越 来越受到人们的重视。
主成分分析法例子
x7 0.79 0.009 -0.93 -0.046 0.672 0.658 1 -0.03 0.89
x8 0.156 -0.078 -0.109 -0.031 0.098 0.222 -0.03 1
0.29
x9 0.744 0.094 -0.924 0.073 0.747 0.707 0.89 0.29
▲贡献率:
i
p
k
k 1
(i 1,2,, p)
▲合计贡献率:
i
k
k 1
p
k
k 1
(i 1,2,, p)
一般取合计贡献率达85—95%旳特征值 1, 2 ,, m
所相应旳第一、第二、…、第m（m≤p）个主成份。
④各主成份旳得分
l11 l12 l1p x1
Z
l21
l22
l2
p
x2
二主成份z2代表了人均资源量。
③第三主成份z3，与x8呈显出旳正有关程度 最高，其次是x6，而与x7呈负有关，所以能 够以为第三主成份在一定程度上代表了农业 经济构造。
显然，用三个主成份z1、z2、z3替代原来9个变量（x1， x2，…，x9），描述农业生态经济系统，能够使问题更进
一步简化、明了。
x4
0.0042
0.868
0.0037
75.346
x5
0.813
0.444
-0.0011
85.811
x6
0.819
0.179
0.125
71.843
x7
0.933
-0.133
-0.251
95.118
x8
0.197
-0.1
0.97
98.971
主成分分析__原理——大学生数学建模竞赛
的λ都是方阵Ａ的特征值．
定义 称以λ为未知数的一元ｎ次方程 I A 0 为Ａ的特征方程．
29
• 例1:
从一个总体中随机抽取4个样本作三次测量,每一个样本的 观测向量为:
1 X1 2 ,
1
4
X2
2
,
13
7 X3 8 ,
1
8 X4 4
5
计算样本均值M和协方差矩阵S以及
S的特征值和特征向量.
1 n
M n i1 Xi
S 1 BBT n 1
SX X
30
Syntax C = cov(X) AlgorithmThe algorithm for cov is [n,p] = size(X); X = X - ones(n,1) * mean(X); Y = X'*X/(n-1); See Also
• 注意，和二维情况类似，高维椭球的主轴也是互相垂直的。 这些互相正交的新变量是原先变量的线性组合，叫做主成 分(principal component)。
24
•正如二维椭圆有两个主轴，三维椭球有 三个主轴一样，有几个变量，就有几个 主成分。 •选择越少的主成分，降维就越好。什么 是标准呢？那就是这些被选的主成分所 代表的主轴的长度之和占了主轴长度总 和的大部分。有些文献建议，所选的主 轴总长度占所有主轴长度之和的大约 85%即可，其实，这只是一个大体的说 法；具体选几个，要看实际情况而定。
42
例 设 x1, x2, x3 的协方差矩阵为
1 2 0
u11 u12 u1p
令
U
(u1
,,up
)
u21
u22
数学建模案例分析—主成分分析的应用--概率统计方法建模
§8 主成分分析的应用主成分分析的基本思想是通过构造原变量的适当的线性组合，以产生一系列互不相关的新变量，从中选出少数几个新变量并使它们尽可能多地包含原变量的信息（降维），从而使得用这几个新变量替代原变量分析问题成为可能。
即在尽可能少丢失信息的前提下从所研究的m 个变量中求出几个新变量，它们能综合原有变量的信息，相互之间又尽可能不含重复信息，用这几个新变量进行统计分析（例如回归分析、判别分析、聚类分析等等）仍能达到我们的目的。
设有n 个样品，m 个变量（指标）的数据矩阵(1)11121(2)21222()12m m n mn n n nm x x x x x x x x X x x x x ⨯⎛⎫⎛⎫⎪ ⎪ ⎪⎪== ⎪⎪ ⎪ ⎪ ⎪⎝⎭⎝⎭寻找k 个新变量12,,,()k y y y k m ≤ ，使得 1、1122,(1,2,,)l l l lm m y a x a x a x l k =+++= 2、12,,k y y y 彼此不相关这便是主成分分析。
主成分的系数向量12(,,,)l l l lm a a a a = 的分量lj a 刻划出第j 个变量关于第l 个主成分的重要性。
可以证明，若12(,,,)T m x x x x = 为m 维随机向量，它的协方差矩阵V 的m 个特征值为120m λλλ≥≥≥≥ ，相应的标准正交化的特征向量为12,,,m u u u ，则12(,,,)T m x x x x = 的第i 主成分为(1,2,,)T i i y u x i m == 。
称1/mi jj λλ=∑为主成分(1,2,,)Ti i y u x i m == 的贡献率，11/k mj jj j λλ==∑∑为主成分12,,k y y y 的累计贡献率，它表达了前k 个主成分中包含原变量12,,,m x x x 的信息量大小，通常取k 使累计贡献率在85%以上即可。
当然这不是一个绝对不变的标准，可以根据实际效果作取舍，例如当后面几个主成分的贡献率较接近时，只选取其中一个就不公平了，若都选入又达不到简化变量的目的，那时常常将它们一同割舍。
主成分分析的数学模型
一、主成分分析的数学模型假设原来的变量指标为X1，X2…，X k经过标准化后得到标准指标变量X1，X2，…，X K；X j=X j−X js j，j=1,2…，k其中X j是第j个指标变量的均值，s j是第j个指标变量的标准差。
他们的综合指标（新变量指标）为z1，z2，…，z m（m<=k）,则进行线性变换：z1=l11X1+l12X2+⋯+l1k X K z2=l21X1+l22X2+⋯+l2k X K z m=l k1X1+l k2X2+⋯+l k k X K将k个标准变量X1，X2，…，X K转换成了k个新变量z1，z2，…，z m，但是线性变换应满足以下三个条件：●z i和z j独立，i≠j，i，j=1，2，…，k；●vaX(z1)≥vaX(z2)≥…≥vaX(z k) ；●l i12+l i22+⋯+l ik2=1，i=1，2，…，k；z1，z2，…，z m是X1，X2，…，X K的k个主成分，其中z1为第一主成分，z2为第二主成分，z k为第k主成分，称l i j为第i主成分在第j个标准指标量X j上的得分系数，将每一个样本的标准化观察值代入计算公式中，计算得每一个样本的k个主成分值，即为主成分得分。
二、主成分分析的方法步骤主成分分析的过程就是确定原来的变量X j（j=1，2，…，k）在个主成分z j（j=1，2，…，k）上的载荷l i j（i，j=1，2，…，k）。
从主成分分析的数学模型可以看出，主成分分析的任务是估计主成分，确定主成分的个数，解释主成分的实际意义和计算主成分得分。
假设有k个指标X1，X2…，X k，每个指标有n个观测值，它们的标准化变量是X1，X2，…，X K，记录如下表所示计算步骤如下：（1）对原始指标数据进行标准化变换：X ij=X ij−X js j，j=1，2，…，k将原始数据标准化，然后利用标准化的数据计算主成分，X为标准化后的数据矩阵，则：X=X11X12⋯X k1 X21X22⋮⋯X2k⋮X n1X n2⋯X nk（2）计算相关系数矩阵：R=Cov（X）=r11r12⋯rk1r21r22⋮⋯r2k⋮r k1r k2⋯rkk=1r12⋯r k1r211⋮⋯r2k⋮r k1r k2⋯1其中， r i j =（X ki −X）（k ij −X ）n k =1 （X ki −X i）2n k =1 （X kj −X j ）2n k =1（3） 计算相关矩阵的特征值和特征值所对应的特征向量：Cov （X ）L=LV ar （Z 1）0V ar （Z 1）⋱0V ar （Z k ）其中，L=l 11r 12⋯ l k 1l 21r 22⋮⋯l 2k ⋮l k 1r k 2⋯l kk由于R 为半正定矩阵，故可由R 的特征方程R −λI =0求得k 个非负特征值λi （i=1，2，…，k ）将这些值按从大到小排序为 λ1≥λ2≥…≥λk ≥0 再由 R −λ1I l i =0l i ′l i =1i=1,2,…,k解得每一个特征值对应的特征向量l i =(l i 1，l i 2，…，l ik )′，从而求得各主成分：Z i =l i ′X=l i 1X 1+l i 2X 2+⋯+l i k X K ，i=1，2，…，k （4） 计算主成分贡献率及累计贡献率 各个主成分互不相关，即z i 和z j 的相关系数：r z i ,z j =i i Cov Z i ,Z i .Cov (Z j ,Z j )=0(i ≠j)于是各相关系数的矩阵为单位矩阵。
主成分分析法实例
1、主成分法：用主成分法寻找公共因子的方法如下：假定从相关阵出发求解主成分，设有p 个变量，则可找出p 个主成分。
将所得的p 个主成分按由大到小的顺序排列，记为1Y ，2Y ，…，P Y ， 则主成分与原始变量之间存在如下关系：11111221221122221122....................p p p p pp p pp p Y X X X Y X X X Y X X Xγγγγγγγγγ=+++⎧⎪=+++⎪⎨⎪⎪=+++⎩ 式中，ij γ为随机向量X 的相关矩阵的特征值所对应的特征向量的分量，因为特征向量之间彼此正交，从X 到Y 得转换关系是可逆的，很容易得出由Y 到X 得转换关系为：11112121212122221122....................p p p p pp p pp p X Y Y Y X Y Y Y X Y Y Yγγγγγγγγγ=+++⎧⎪=+++⎪⎨⎪⎪=+++⎩ 对上面每一等式只保留钱m 个主成分而把后面的部分用i ε代替，则上式变为：1111212112121222221122....................m m m m p p p mp m p X Y Y Y X Y Y Y X Y Y Y γγγεγγγεγγγε=++++⎧⎪=++++⎪⎨⎪⎪=++++⎩上式在形式上已经与因子模型相一致，且i Y （i=1,2，…，m ）之间相互独立，且i Y 与i ε之间相互独立，为了把i Y 转化成合适的公因子，现在要做的工作只是把主成分i Y 变为方差为1的变量。
为完成此变换，必须将i Y 除以其标准差，由主成分分析的知识知其标准差即为特征根的平方根/i i F Y =，12m ，则式子变为：1111122112211222221122....................m m m m p p p pm m p X a F a F a F X a F a F a F X a F a F a F εεε=++++⎧⎪=++++⎪⎨⎪⎪=++++⎩这与因子模型完全一致，这样，就得到了载荷A 矩阵和 初始公因子(未旋转)。
主成分分析数学建模
cov( F2 , F3 ) 0 a3a3 1
u p3 X p
因为 cov( F , F ) cov(ux, u x) u u u u 0 1 2 1 2 2 1 1 2 1
则，对p维向量 u2 ，有
u3 V ( F3 ) u3
2 2 i (u u ) ( u u ) 3 i 2 3 i i 1 i 3 p p
在社会经济的研究中，为了全面系统的分析
和研究问题，必须考虑许多经济指标，这些指标
能从不同的侧面反映我们所研究的对象的特征， 但在某种程度上存在信息的重叠，具有一定的相 关性。
主成分分析试图在力保数据信息丢失最少 的原则下，对这种多变量的截面数据表进行 最佳综合简化，也就是说，对高维变量空间
进行降维处理。
2 1i 2 2i
u 1
2 pi
主成分之间相互独立，即无重叠的信息。即
Cov （Fi，Fj） 0，i j，i，j 1， 2，
，p
主成分的方差依次递减，重要性依次递减，即
Var （F1） Var ( F2 )
Var ( Fp )
为了方便，我们在二维空间中讨论主成分的几何意义。
精度，用三新变量就取代了原 17 个变量。根
据经济学知识，斯通给这三个新变量分别命
名为总收入 F1 、总收入变化率 F2 和经济发展
或衰退的趋势 F3 。更有意思的是，这三个变
量其实都是可以直接测量的。斯通将他得到
的主成分与实际测量的总收入I、总收入变化
率I以及时间t因素做相关分析，得到下表：
F1
iauiu ia
i 1
p
i (aui ) 2
i 1
数学建模-主成分分析法模板
根据主成分分析的方法，分析……的数据。
步骤如下：Step 1：为了消除不同变量的量纲的影响，首先需要对变量进行标准化，设检测数据样本共有n 个，指标共有p 个，分别设1X ,2X ,p X ，令ij X (i=1,2,…,n;j=1,2,…,p)为第i 个样本第j 个指标的值。
作变换)Var(X )E(X X Y j j j j -=(j=1,2,…,p)得到标准化数据矩阵jjij ij s x x y -=，其中∑==i 1i ij j x n 1x ,∑=-=n 1i 2j ij 2j )x x (n 1sStep 2：在标准化数据矩阵p n ij )y (Y ⨯=的基础上计算p 个原始指标相关系数矩阵其中，∑∑∑===----=n1k n1k 2j k j 2i k in1k j k j i k iij )x x ()x x()x x )(x x(r (i,j=1,2,…,p)Step 3：求相关系数矩阵R 的特征值并排序0p 21≥λ≥≥λ≥λ ,再求出R 的特征值相应的正则化特征向量)e ,,e ,e (e ip i21i i =，则第i 个主成分表示为各指标k X 的组合∑=⋅=p1i k ik i X e Z 。
Step 4：计算累积贡献率确定主成分的数目。
主成分i Z 的贡献率为 累计贡献率为一般取累计贡献率达85%~95%的特征值m 21,,,λλλ 所对应的第1、第2，…，第m （m ≤p ）个主成分。
Step 5：计算主成分载荷，确定综合得分。
当主成分之间不相关时，主成分载荷是主成分和各指标的相关系数，相关系数越大，说明主成分对该指标变量的代表性就越好，计算公式为 Step 6：各主成分的得分，确定综合评分函数。
得到各主成分的载荷以后，可以计算各主成分的得分)p ,,2,1i (p1k ki1k k =λλ∑∑==⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡==⨯nm 2n 1n m 22221m 11211mn ij z z z z z z z z z )z (Z ，其中ij z 表示第i 个样本第j 个主成分得分，则第i 个样本的综合得分∑=⋅=m1k ik k i z w f (i=1,2,…,n);附件中共有 28 个月的数据，这里仅随机选择 2005 年 4 月的数据来说明利 分析进行水质综合评价的过程(同理可进行其他月份的数据分析)。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
根据主成分分析的方法，分析……的数据。
步骤如下：Step 1：为了消除不同变量的量纲的影响，首先需要对变量进行标准化，设检测数据样本共有n 个，指标共有p 个，分别设1X ,2X ,p X ，令ij X (i=1,2,…,n;j=1,2,…,p)为第i 个样本第j 个指标的值。
作变换)Var(X )E(X X Y j j j j -=(j=1,2,…,p)得到标准化数据矩阵jjij ij s x x y -=，其中∑==i 1i ij j x n 1x ,∑=-=n 1i 2j ij 2j )x x (n 1sStep 2：在标准化数据矩阵p n ij )y (Y ⨯=的基础上计算p 个原始指标相关系数矩阵⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎣⎡==⨯pp 2p 1p p 22221p 11211pp ij r r r r r r r r r )r (R ΛM M M M ΛΛ其中，∑∑∑===----=n1k n1k 2j k j 2i k in1k j k j i k iij )x x ()x x()x x )(x x(r (i,j=1,2,…,p)Step 3：求相关系数矩阵R 的特征值并排序0p 21≥λ≥≥λ≥λΛ,再求出R 的特征值相应的正则化特征向量)e ,,e ,e (e ip i21i i K =，则第i 个主成分表示为各指标k X 的组合∑=⋅=p1i k ik i X e Z 。
Step 4：计算累积贡献率确定主成分的数目。
主成分i Z 的贡献率为)p ,,2,1i (w p1k kii Λ=λλ=∑=累计贡献率为)p ,,2,1i (pi1k kΛ=λ∑=一般取累计贡献率达85%~95%的特征值m 21,,,λλλΛ所对应的第1、第2，…，第m （m ≤p ）个主成分。
Step 5：计算主成分载荷，确定综合得分。
当主成分之间不相关时，主成分载荷是主成分和各指标的相关系数，相关系数越大，说明主成分对该指标变量的代表性就越好，计算公式为)p ,,2,1j ,i (e )x ,z (p l ij i j i ij Λ=λ==Step 6：各主成分的得分，确定综合评分函数。
得到各主成分的载荷以后，可以计算各主成分的得分⎪⎪⎩⎪⎪⎨⎧+++=+++=+++=p m p 22m 11m m pp 22221212p p 12121111x l x l x l z x l x l x l z x l x l x l z ΛK K K ΛΛ ⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡==⨯nm 2n 1n m 22221m 11211mn ij z z z z z z z z z )z (Z ΛM M M M ΛΛ，其中ij z 表示第i 个样本第j 个主成分得分，则第i 个样本的综合得分∑=⋅=m1k ik k i z w f (i=1,2,…,n);附件中共有 28 个月的数据，这里仅随机选择 2005 年 4 月的数据来说明利 分析进行水质综合评价的过程(同理可进行其他月份的数据分析)。
调用 MATLAB 统计工具箱 princomp 函数，格式为：[pc,score,latent,tsquare]=princomp(ingredients)其中 ingredients 指标准化后的样本指标矩阵，pc 是指各主成分关于指标的线性组合的系数矩阵，score 为各主成分得分，latent 是方差矩阵的特征值,tsquare 为Hotelling 2T 统计量。
各种指标的相关系数矩阵：（填充数据）各个主成分的贡献率：表1 主成分的贡献率表由表可看出，前三个主成分的累积贡献率已达到（填充数据），取控制参数α=0.06(因为28个月中前三个成分贡献率最低为94%),因此取前三个主成分对（填充文字）进行综合评价。
根据R 的特征值的相应的正则化单位特征向量，前m个主成分关于指标的线性组合为：（填充表达式）（分析）根据线性表达式中的系数及符号，可对各主成分的实际意义作如下解释：第1主成分为除（变量）之外的三项指标的综合；第2主成分与（变量）成正相关，与（变量）成负相关；第3主成分为除（变量）之外的三项指标的综合。
以各个主成分的方差贡献率为权重可得到（文字）的最终综合评价。
表2 XX综合评价表上表给出了XX的综合评价，综合得分越高说明（文字），排名越高x=[0.0581 0.0356 0.0435 0.0680 0.0557 0.1112 0.1194 0.1184 0.1083 0.13920.0423 0.0346 0.0354 0.0770 0.0089 0.0642 0.0483 0.0499 0.0534 0.05440.0407 0.0139 0.0688 0.0234 0.0080 0.0047 0.0151 0.0314 0.0252 0.01830.0139 0.0391 0.0056 0.0093 0.0053 0.0290 0.0087 0.0174 0.0234 0.01580.0097 0.0263 0.0086 0.0028 0.0064 0.0064 0.0045 0.0062 0.0111 0.00750.0315 0.0375 0.0305 0.0198 0.0213 0.0376 0.0243 0.0398 0.0357 0.02780.0253 0.0295 0.0443 0.0286 0.0295 0.0468 0.0304 0.0334 0.0248 0.02330.0321 0.0242 0.0437 0.0203 0.0132 0.0233 0.0153 0.0212 0.0270 0.02130.0431 0.0276 0.0628 0.0142 0.0184 0.0184 0.0206 0.0285 0.0455 0.03160.0610 0.0440 0.0488 0.1853 0.0176 0.1086 0.1848 0.1148 0.0888 0.13520.0250 0.0318 0.0233 0.0444 0.0391 0.0273 0.0284 0.0251 0.0300 0.03270.0286 0.0212 0.0334 0.0408 0.0490 0.0285 0.0192 0.0328 0.0255 0.02850.0250 0.0152 0.0337 0.0361 0.0609 0.0251 0.0215 0.0232 0.0164 0.01990.0200 0.0190 0.0148 0.0085 0.0134 0.0037 0.0100 0.0072 0.0125 0.00890.0271 0.0163 0.0508 0.0223 0.0243 0.0175 0.0200 0.0222 0.0183 0.01640.0060 0.0290 0.0079 0.0195 0.0102 0.0063 0.0179 0.0093 0.0124 0.01590.0197 0.0237 0.0162 0.0078 0.0101 0.0078 0.0072 0.0117 0.0164 0.01160.0259 0.0243 0.0350 0.0214 0.0162 0.0287 0.0197 0.0182 0.0220 0.01820.0327 0.0220 0.0562 0.0391 0.0367 0.0416 0.0282 0.0220 0.0273 0.02320.0286 0.0204 0.0160 0.0180 0.0286 0.0165 0.0166 0.0227 0.0223 0.01680.0344 0.0349 0.0286 0.0255 0.0268 0.0377 0.0259 0.0254 0.0393 0.03170.0271 0.0185 0.0270 0.0105 0.0239 0.0140 0.0139 0.0153 0.0183 0.01440.0318 0.0370 0.0377 0.0793 0.0603 0.0582 0.0754 0.0901 0.0482 0.07350.0056 0.0472 0.0071 0.0692 0.0240 0.0104 0.0791 0.0421 0.0240 0.04560.0133 0.0242 0.0170 0.0039 0.0141 0.0080 0.0064 0.0097 0.0119 0.00900.0025 0.0497 0.0011 0.0024 0.0146 0.0057 0.0049 0.0072 0.0050 0.00480.1428 0.0123 0.0983 0.0292 0.1437 0.0613 0.0385 0.0402 0.0590 0.03870.0466 0.0199 0.0456 0.0200 0.1100 0.0479 0.0240 0.0331 0.0350 0.02900.0149 0.0271 0.0085 0.0076 0.0430 0.0101 0.0085 0.0079 0.0146 0.01010.0220 0.0230 0.0187 0.0123 0.0154 0.0294 0.0224 0.0182 0.0232 0.02030.0313 0.0244 0.0174 0.0125 0.0283 0.0238 0.0175 0.0259 0.0300 0.02130.0134 0.0324 0.0061 0.0100 0.0050 0.0116 0.0073 0.0117 0.0173 0.01330.0062 0.0311 0.0016 0.0024 0.0048 0.0036 0.0021 0.0038 0.0072 0.00530.0044 0.0340 0.0040 0.0022 0.0058 0.0029 0.0032 0.0036 0.0063 0.00430.0074 0.0491 0.0019 0.0063 0.0073 0.0221 0.0109 0.0105 0.0146 0.0125];%原始数据,行为变量,列为样本%x=x';%可有可无;Newdata=zscore(x);%数据进行标准化[PC,SCORE,latent,tsquare]=princomp(Newdata);%stdr=std(x);%求各变量的标准差%[n,m]=size(x);。