返回
顶部

Unscrambler 11—多变量数据分析软件

软件试用

软件简介


Unscrambler是业界领先的工具,可使用强大的分析和交互式可视化工具进行建模,预测和优化,从而加快产品开发速度,提高产品质量并优化流程。它是需要快速,轻松,准确地分析大型和复杂数据集的25000名科学家,研究人员和工程师的首选工具。

The Unscrambler化学计量学软件符合美国FDA 21 CFR PART 11 标准, 当今已经有3000个公司,300所大学以及分布在25000个用户,正在使用该软件从事他们的研究工作。 The Unscrambler X 11 是CAMO公司推出的新产品,它的安全签字确认功能是过去版本的软件所不能够给予的。为那些授权发布检测结果的政府职能机构给予了电子签名的便利及安全。新版本The Unscrambler X version 11 。


应用领域

Spectroscopy 光谱学
Chemometrics 化学计量学
Sensormetrics 传感学
Quality Control 质量控制
Process Analytical Technology 过程分析技术
Product Development 产品开发
常规应用:

Exploratory Statistics 检测数据统计
Regression Analysis 数据回归分析
Design of Experiments 实验设计
Data Pretreatments 数据预处理
Classification 数据分类

  • 专为工业数据构建的分析

    使用Python的强大的多元方法和机器学习,具有光谱和化学计量学的独特功能。

  • 轻松导入所有类型的数据

    轻松导入来自30多种不同格式的各种类型的数据,例如材料,传感器,过程和光谱数据,并轻松添加新格式。

  • Python无限的新方法

    Python提供了成千上万的免费脚本供Unscrambler使用,并提供了导入,预处理和机器学习的其他方法。

  • 快速轻松地分析光谱数据

    轻松导入大多数光谱和仪器数据格式,并具有易于绘制,预处理和建模光谱数据的广泛功能。

  • 基于项目的工作流程

    基于项目的工作流程和功能可简化分析过程的所有阶段,从而使工作更智能,更高效。

  • 安全合规

    合规模式,电子签名,用户身份验证和审核跟踪,并符合21 CFR Part 11和EU附件11。

Unscrambler 11发布:

解读器现在提供比以往更多的方式来探索和理解数据,并将您的分析提高到一个新的水平。 工程师,研究人员和领域科学家希望数据能够交互且可访问,并且Unscrambler可提供数据导入到发现的完整探索性分析经验。 新的Unscrambler提供增强的分析体验,重点放在灵活性,可用性和速度上。


Unscrambler 11中的亮点:

更高的灵活性:
Unscrambler现在提供对Python脚本的支持,用户只需要单击几下,即可在Unscrambler中选择并运行数千个Python脚本涵盖了从数据导入和预处理到机器学习的内容,以及用户编写自己的脚本的可能性。
改进的可用性:
通过更新的用户界面,新的解密器通过响应性更强的对话框和更自动化的任务(如处理缺少的时间戳或样品ID)提供了增强的分析体验。
更高的速度:
新型Unscrambler增强的分析体验中的一部分是,更有效的分析工作,更好的数据处理,更快的计算和更少的用户鼠标单击。
与以前一样,Unscrambler完全符合 21 CFR Part 11 和EU Annex 11的要求,并随附Design-Expert® 版本12,该版本是用于实验褶积的工具。


The Unscramber® X 功能

资料汇入
通用导入格式,例如ASCII(文本),MS Excel,Matlab,JCAMP-DX,NetCDF,JEOL,以及通用数据库导入
供应商特定的格式,包括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。轻松添加新格式

合并或减少数据
转置
沿样本或变量减少(平均)
使用行/列主音,顺次或水平进行整形
扩展或追加两个或更多个尺寸匹配的矩阵
根据列标题名称追加两个或多个矩阵
通过轮询,事件,样品ID,样品ID中的事件进行灵活的样品比对
使用PCA,PCR,PLSR减少单个变量块的尺寸

散射校正和其他光谱变换
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)
相关优化翘曲(COW)

描述性统计
缺失值
级别(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,等方差t检验,不等方差t检验)
方差相等(F检验,Levene检验,Bartlett检验)
正态性(Kolmogorov-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),包括单链接,完全链接,平均链接,中位链接和Ward方法

回归方法
多元线性回归(MLR)
主成分回归(PCR)
偏最小二乘回归(PLSR)
支持向量机回归(SVR)
L-PLS回归,包含三个数据表

分类方法
使用PCA,PCR或PLSR模型进行投影
类比的软独立建模(SIMCA)
带有线性,二次方,Mahalonobis选项的线性判别分析(LDA)
PCA-LDA,用于通过LDA分类关联数据
支持向量机分类(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

一般和方差转换
各种中心和比例选项
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脚本支持
资料汇入
Python资源

批量建模 (插件–单独出售)
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

系统要求

Windows Server 2016
Windows 10 (32/64-bit)
Windows Server 2012
Windows 2008 R2
Windows 2008 (32/64-bit)
Windows 8 (32/64-bit)
Windows 7 (32-64-bit)
任何1GHZ或更快的Intel或AMD处理器
建议至少有2GB的内存。可用系统内存的数量将限制数据矩阵的大小。
至少有1GB的可用硬盘空间
NET Framework 4.0及更高版本
Internet Explorer 7或更高版本
建议屏幕分辨率至少为1024像素宽





软件推荐