精选优质文档-倾情为你奉上PMF是一个多变量因素分析工具，它把采样数据矩阵分解成两个矩阵：系数的贡献（G）和因字数（F），这些因子情况需要用户利用测得的源配置文件信息，以及排放或排放清单进行解释，以识别对样品有贡献的的源类型 。该方法在这里简要回顾，在其他地方更详细地描述。结果使用约束：没有样品可以有显著负贡献。PMF的使用样品的浓度和用户提供的不确定度进行各个点加权。 此功能允许分析人员占信心在测量。例如，检测限下面的数据可以被保留用于该模型中，与相关联的调整的不确定度，以便这些数据点比测量高于检测限的数据点，对解决方案有较小的影响。因子贡献和因字数使PMF模型目标函数Q最小化。Q是PMF的一个关键参数，两个版本的Q显示在模型运行。Q（真）计算是包括所有点的拟合优度参数。Q（鲁棒）是计算排除不符合模型的点（定义为样品的量的不确定度残差大于4）的拟合优度参数。Q（真）和Q（鲁棒）的区别在于测试残差高的数据的影响。这些数据点可能与来自源的峰值影响相关联EPA PMF需要底层多线性多次迭代（ME），以帮助识别最优化的因子贡献和因字数。这是由于在ME算法的
