Multivariate analytics of chromatographic data: Visual computing based on moving window factor models

مدل های فاکتور حرکتی برای استخراج مهم ترین اطلاعات، با تمرکز بر تفاوت بین نمونه ها مورد استفاده قرار گرفت. نمونه اولیه به عنوان ابزار تجسم تعاملی برای تجزیه و تحلیل اکتشافی مجموعه داده های پیچیده اجرا شد. ما متوجه شدیم که این ابزار باعث می شود که متناسب بودن واریانس در یک مجموعه داده های چند بعدی مناسب باشد و اجازه می دهد تفاوت بین قابل انعطاف قابل توضیح و غیر قابل توضیح باشد. با شروع از یک توصیفگر فرضی جهانی در هر نمونه، تجزیه و تحلیل به دست می آید با مقادیر توصیفگرایی تفاوت وابسته به زمان موقت، فکر به عنوان نقطه شروع برای تجزیه و تحلیل دقیق داده های خام زیرزمینی است.