2.3 传感器阵列优化聚类分析结合典型指标筛选法 对100个分析样本、12个属性进行聚类分析。具体参数设置为聚类方法Further neighbor；变量间相似性测度方法为Pearson Correlation，分类结果见图1。

    从图1可以看出初步聚为2类：S1，S7，S8，S9，S10，S11，S12和S2，S3，S4，S5，S6。另外，还可以进一步具体查看，如果聚为3类，各类组成为：S1；S7，S8，S9，S10，S11，S12；S2，S3，S4，S5，S6。4类，5类以此类推，冰柱图的最终分类结果需结合实际情况而定。在本研究中，对12根传感器进行了方差分析，结果显示聚为4组较为合理。A组 S1；B组 S7，S8，S9，S10，S11，S12；C组 S4，S5；D组 S2，S3，S6。

    采用Bivariate Correlation相关分析分别对B，C，D组进行典型指标的筛选。参数设置为Correlation Coefficients：Pearson。以B组变量为例，说明筛选过程 ......