Unscrambler多变量数据分析和实验设计软件

温馨提示：如需咨询购买软件，请联系我们了解当前报价。

Unscrambler用于使用多元统计分析和交互式可视化进行建模、预测和优化。通过比以往任意时候都方便地分析大型数据集，快地开发产品、提高质量并优化流程。

通过分析全部类型的数据以优化产品开发、质量和制造流程，快、好地解决实际问题。利用具有光谱和化学计量学特有功能的多元统计分析方法。以您所需的全部格式导入材料、传感器、工艺和光谱数据，并具有易于绘制、预处理和建模光谱数据的功能。提供好的产品分类，以提供一致的产品质量。使用基于项目的工作流，智能地工作并简化分析过程的全部阶段。

Unscramber探索多功能

资料汇入

通用导入格式，例如ASCII（文），MS Excel，Matlab，JCAMP-DX，NetCDF，JEOL，以及通用数据库导入

供应商的格式，Thermo Fisher Scientific（GRAMS，OMNIC），Bruker（OPUS），Perten，rap-ID，Brimrose，ASD( Indico)，Varian，Guided Wave（SpectrOn，Class-PA，Nirojson），FOSS（NSAS）,PerkinElmer , DeltaNu , VisioTec和Viavi（MicroNIR Pro）

还可以导入Design-Expert和早期版本的Unscrambler中的数据和模型

上面未列出的某些格式和数据库连接可以作为插件使用。添加新格式

合并或减伤数据

转置

沿样本或变量减少（平均）

使用行/列主，顺序或水平方向重塑

扩充或追加两个或多个具有匹配尺寸的矩阵

根据列标题名附加矩阵

通过轮询，时间，样品ID中的事件进行的样品比对

使用PCA，PCR，PLSR减少单个变量块的尺寸

散射校正和光谱变换

使用移动平均，高斯滤波器，中值滤波器，Savitzky-Golay进行平滑

解析

归一化为通用均值，大值，范围，曲线下面积，单位矢量归一化，峰归一化

使用偏移或直线进行基线校正

趋势

使用Gap，Gap-Segment，Savitzky-Golay到4阶的导数

标准正态变量（SNV）

乘法散射校正（MSC）

扩展乘法信号校正（EMSC）

正交信号校正（OSC）

相关翘曲（COW）

描述性统计

缺失值

（平均，中位数，四分位数）

范围（标准，方差，RMS）

分布（偏度、峰度）

散射效应

统计检验

均值均等（配对t检验）

方差相等（F检验，Levene检验，Bartlett检验）

正态性（Kolomogorov-Smirnov检验，多变量正态性的Mardia检验）

权变分析

聚类分析

K均值，K中位数

层次聚类分析（HCA），单链接，链接，平均链接，中位链接和Ward方法

探索性方法

主成分分析（PCA）

旋转PCA

多元曲线分辨率（MCR）

回归方法

多元性回归（MLR）

主成分回归（PCR）

偏小二乘回归（PLSR）

向量机回归（SVR）

L-PLS回归，三个数据表

分类方法

使用PCA , PCR或PLSR模型进行投影

类比的单一建模（SIMCA）

线性判别分析（LDA），具有线性，二次方，Mahalonobis选项

PCA-LDA，用于通过LDA分类关联数据

向量机分类（SVC）

校准转移

偏差和斜率校正

分段直接标准化（PDS）

光谱转换

反射率/透射率的吸收率

反射率/吸光率

对Kubelka-Munk的反射

衰减全反射（ATR）校正

和方差转换

中心和比例选项

相互作用和平方效应

常规计算，具有log（X），1/x等操作

分位数归一化

控制图

具有能力分析的统计过程控制（SPC）

移动块方法（均值，标准，相对标准，F检验）

Python脚本

资料汇入

Python资源

批量建模（插件-单一出售）

在相对时间内建模批次进度

对数据的仍和处理（例如光谱）都存在模型中并应用于新批次

该方法与采样时间，采样周期，批次进度和不相等的批次长度无关

动态限制单个组件和整个模型的分数

到模型的剩余距离的动态（F剩余统计量）

下钻功能的贡献图

预测过程中没有缺失值问题

实验设计

两级析因筛选设计

析因研究

响应面法（RSM）

混合物设计技巧

过程因素，混合物成分和分类因素的组合

分隔图的设计和分析

购买须知：

1. 关于软件

Unscrambler软件正版销售，睿驰科技正版代理，软件购买咨询，安装升级服务。

2. 关于我们