聚類分析方法包括：PCA 主成分分析、Loading 分析、LDA 線性判別分析。

      主成分分析法（PCA）是將原始數據（十個傳感器的輸出）通過算法降維成兩個新的指標主成分1（PC1）和主成分2（PC2）（二者沒有信息交叉，且指標無量綱），在圖形上顯示分別為X 軸和Y 軸，性質相似的樣品，經過降維轉換后，距離上會很靠近，因此，可以用輸出的圖形來判斷組間的不同和比較組內樣品的差異。通過PCA 可以使所有樣品差異Z大化，用X 軸和Y 軸來表示的圖形位置是新變量PC1 和PC2 的數值，值越高意味著，包含主要原始信息的量越大，如果兩個變量的總方差貢獻率不低于95%，基本上可以包含樣品的所有原始信息。

        在文本窗口里，包含了模型文件和樣品以及樣品間的區分度，數值越接近于1，區分得越顯著。

     該圖顯示的是棗花的Loading 分析圖，從圖中可以看出7 號傳感器W1W 對di一主成分貢獻率最大，同理6 號傳感器W1S 對第二主成分貢獻率最大。Loading 分析的算法與PCA 的算法相同，有很好的相關性，不同的是，PCA 是對樣品的分析，Loading 分析是對傳感器的分析，可以分析出傳感器區分樣品的能力。

分析結果時，具有以下規則：
（1）傳感器在Loading 分析中所在的方向與PCA 方向一致。在同一軸方向的傳感器可以用PCA 思維來分析。數值在軸上較大的傳感器對于區分是有作用的。
（2）位于圖中央(0，0)附近的傳感器在PCA 結構中對于樣品的區分作用較小。在當前的模板文件中，Loading分析有利于識別對區分有用的傳感器。只要他們對區分過程有負面影響，單一傳感器就可以識別區分從而關閉分析。

      LDA 線性判別分析是區分-應用-分析的di一個步驟。LDA 計算出識別結果并且類似于PCA-----顯示培訓數據設置的二維圖。在PCA 和LDA 的區別是：LDA 算法利用模型每組的信息，兼顧了組內分布和它們間的距離。因此，LDA 收集了所有傳感器的信息盡力提高組間的差異，而PCA 不考慮組間的差異，盡可能使每個數據點進行Z大化地區分。

重要性：DFA/LDA 與PCA 相比，需要更多的數據。我們推薦數據點至少是所使用傳感器數量的6 倍（如10 傳感器就應該對應于至少60 個獨立數據點）。