【摘要】 了说明数据聚类在EELS数据集中的应用，生成了一个人工EELSSI。

利用Fe3O4/Mn3O4核/壳纳米颗粒的模拟和实验数据对三种不同的数据聚类方法进行了测试。第一种方法是将数据聚类直接应用于获得的光谱。第二种方法是在给定的数据集群内分析光谱主成分分析(PCA)的变化。最后，讨论了PCA评分图上的数据聚类问题。研究了各种方法的优点和要求。研究结果显示，聚类技术可以在用户输入最少的情况下，从EELS数据中恢复成分和氧化状态信息，为其在电致发光光谱分析中的应用提供了广阔的前景。

 

为了说明数据聚类在EELS数据集中的应用，生成了一个人工EELSSI。128×128像素的SI每个包含1024通道频谱，这反映了图1A所示模型的组成。它被选为具有四个主要区域的粒子:一个成分恒定的FeO核心，一个FeCoO区域(好像它是一个沉淀物)，一个内部空隙，最后是一个具有不同Fe/O比的壳层。壳体中铁边强度从颗粒边缘到核心区呈线性增加，而氧边强度则以相同的比例减小。对于这些区域中的每一个，每个像素中的光谱都是由若干因素组成的线性模型。首先，使用幂律背景。对每个元素加入相应的氢截面，其强度与选择的元素浓度成正比。用两条高斯曲线模拟Fe(710eV和724eV)和Co(781eV和796eV)的白线。最后，加入了高斯和泊松噪声，其信噪比(SNR)为10:1，从而得到图1C中图1B中突出显示的位置的光谱。

 

图1A)模拟光谱图像的模型。B)该面板中的灰度级与每个像素中所有光谱通道的总和有关。C)来自b中标记位置的光谱):红色是氧化铁钴的样本光谱，绿色是来自氧化铁外壳的氧化铁光谱，蓝色是来自中心氧化铁的光谱。D)781eV通道的强度相对于710通道的强度，其中每个点对应一个频谱。E)数据聚类结果:每个像素根据其光谱所属的聚类给出一种颜色。F)来自每个簇的平均归一化光谱。

 

在图1D中，对应于781eV能量损失的通道强度与通道710eV的强度作图，其中每个模拟频谱由一个点表示。后一个面板用于讨论SI内的谱方差分配。显然，即使有噪音存在，数据表格组别与样本内的不同成分有关，表明EELS数据并不符合适用于主成分分析的正常分配。通过这种可视化，可以评价EELS中数据聚类的充分性。

 

通过数据聚类，可以得到电子发射光谱的化学组成信息，甚至还原出ELNES信息。作者认为，这里提出的三种不同的策略将使数据聚类在广泛的问题中得以使用，从而使EELS数据探索变得容易和快速。值得注意的是，这种方法并不局限于SI，也可能用于EELS断层扫描，以提供直观的体分割。所得结果清楚地表明了数据聚类方法在处理大型EELS数据集时的有效性。

 

Pau Torruella, Marta Estrader, Alberto López-Ortega, Maria Dolors Baró, Maria Varela, Francesca Peiró, Sònia Estradé, Clustering analysis strategies for electron energy loss spectroscopy (EELS), Ultramicroscopy, Volume 185, 2018, Pages 42-48, ISSN 0304-3991, https://doi.org/10.1016/j.ultramic.2017.11.010.

 

科学指南针提供各类科研测试服务，愿您总能获得想要的结果。我们收到的测试样品来自各地，种类繁多，如果我们回复不及时，还请再次联系，或直接语音电话联络，若您对我们的服务不满意，或对测试结果有疑问，请果断联系我们或直接拨打400-831-0631，我们对每个数据及结果，会负责到底！科研可能很苦，但坚持一定很苦，愿您顺利！

 

免责声明：部分文章整合自网络，因内容庞杂无法联系到全部作者，如有侵权，请联系删除，我们会在第一时间予以答复，万分感谢。