SEM的原理是什么？

分类: 外语/出国

问题描述:

SEM的原理是什么？

解析:

(SEM)扫描电子显微镜的设计思想和工作原理，早在1935年便已被提出来了。1942年，英国首先制成一台实验室用的扫描电镜，但由于成像的分辨率很差，照相时间太长，所以实用价值不大。经过各国科学工作者的努力，尤其是随着电子工业技术水平的不断发展，到

1956年开始生产商品扫描电镜。近数十年来，扫描电镜已广泛地应用在生物学、医学、冶金学等学科的领域中，促进了各有关学科的发展。

一．扫描电镜的特点

和光学显微镜及透射电镜相比，扫描电镜具有以下特点：

(一) 能够直接观察样品表面的结构，样品的尺寸可大至120mm×80mm×50mm。

(二) 样品制备过程简单，不用切成薄片。

(三) 样品可以在样品室中作三度空间的平移和旋转，因此，可以从各种角度对样品进行观察。

(四) 景深大，图象富有立体感。扫描电镜的景深较光学显微镜大几百倍，比透射电镜大几十倍。

(五) 图象的放大范围广，分辨率也比较高。可放大十几倍到几十万倍，它基本上包括了从放大镜、光学显微镜直到透射电镜的放大范围。分辨率介于光学显微镜与透射电镜之间，可达3nm。

(六) 电子束对样品的损伤与污染程度较小。

(七) 在观察形貌的同时，还可利用从样品发出的其他信号作微区成分分析。

二．扫描电镜的结构和工作原理

(一) 结构

1．镜筒

镜筒包括电子枪、聚光镜、物镜及扫描系统。其作用是产生很细的电子束(直径约几个nm)，并且使该电子束在样品表面扫描，同时激发出各种信号。

2．电子信号的收集与处理系统

在样品室中，扫描电子束与样品发生相互作用后产生多种信号，其中包括二次电子、背散射电子、X射线、吸收电子、俄歇(Auger)电子等。在上述信号中，最主要的是二次电子，它是被入射电子所激发出来的样品原子中的外层电子，产生于样品表面以下几nm至

几十nm的区域，其产生率主要取决于样品的形貌和成分。通常所说的扫描电镜像指的就是二次电子像，它是研究样品表面形貌的最有用的电子信号。检测二次电子的检测器(图15(2)的探头是一个闪烁体，当电子打到闪烁体上时，1就在其中产生光，这种光被光导管传送到光电倍增管，光信号即被转变成电流信号，再经前置放大及视频放大，电流信号转变成电压信号，最后被送到显像管的栅极。

3．电子信号的显示与记录系统

扫描电镜的图象显示在阴极射线管(显像管)上，并由照相机拍照记录。显像管有两个，一个用来观察，分辨率较低，是长余辉的管子；另一个用来照相记录，分辨率较高，是短余辉的管子。

4．真空系统及电源系统

扫描电镜的真空系统由机械泵与油扩散泵组成，其作用是使镜筒内达到 10(4～10(5托的真空度。电源系统供给各部件所需的特定的电源。

(二) 工作原理

从电子枪阴极发出的直径20(m～30(m的电子束，受到阴阳极之间加速电压的作用，射向镜筒，经过聚光镜及物镜的会聚作用，缩小成直径约几毫微米的电子探针。在物镜上部的扫描线圈的作用下，电子探针在样品表面作光栅状扫描并且激发出多种电子信号。这些电子信号被相应的检测器检测，经过放大、转换，变成电压信号，最后被送到显像管的栅极上并且调制显像管的亮度。显像管中的电子束在荧光屏上也作光栅状扫描，并且这种扫描运动与样品表面的电子束的扫描运动严格同步，这样即获得衬度与所接收信号强度相对应的扫描电子像，这种图象反映了样品表面的形貌特征。第二节 扫描电镜生物样品制备技术大多数生物样品都含有水分，而且比较柔软，因此，在进行扫描电镜观察前，要对样品作相应的处理。扫描电镜样品制备的主要要求是：尽可能使样品的表面结构保存好，没

有变形和污染，样品干燥并且有良好导电性能。

[Last edit by SeanWen]

1. 列出包所在库的路径

.libPaths()

[1] "C:/Program Files/R/R-3.0.2/library"

2. 安装包，括号里面包的名称要加英文引号，在列出的CRAN镜像站点列表中选择一个进行下载，我一般选的是China(Hefei)

install.packages()

例如,install.packages("ggplot2")

3. 包的载入library()或require()，安装完包后，需要加载才能使用其中的函数，此时括号中不使用引号。两者的不同之处在于library()载入之后不返回任何信息，而require()载入后则会返回TRUE，因此require()适合用于程序的书写。

例如

library(ggplto2)

>require(foreign)

Loading required package: foreign

>is.logical(require(foreign))

[1] TRUE

4. 包的更新

update.packages()

5. 包的帮助信息 格式如下，可以查看包中的函数以及说明

help(package="ggplot2")

6. 查看本地的包

6.1 查看默认加载的包，忽略基本的包

getOption("defaultPackages")

>getOption("defaultPackages")

[1] "datasets" "utils" "grDevices" "graphics" "stats" "methods"

[7] "ggplot2"

6.2 查看当前已经加载过的包

(.packages())

[1] "ggplot2" "stats" "graphics" "grDevices" "utils" "datasets" "methods" "base"

6.3 要显示所有可用的包

(.packages(all.available=TRUE))

>(.packages(all.available=TRUE))

[1] "abind" "agricolae" "aplpack" "base" "bitops"

[6] "boot" "car" "caTools" "class" "cluster"

[11] "codetools" "colorRamps" "colorspace" "compiler" "datasets"

[16] "Defaults" "devtools" "dichromat" "digest" "doBy"

[21] "e1071" "effects" "ellipse" "evaluate" "foreign"

[26] "formatR" "Formula" "gdata" "ggplot2" "ggthemes"

[31] "gmodels" "gplots" "graphics" "grDevices" "grid"

[36] "gtable" "gtools" "highr" "Hmisc" "httr"

[41] "KernSmooth" "knitr" "labeling" "lattice" "latticeExtra"

[46] "leaps" "lme4" "lmtest" "LSD" "manipulate"

[51] "markdown" "MASS" "Matrix" "matrixcalc" "memoise"

[56] "methods" "mgcv" "minqa" "multcomp" "munsell"

[61] "mvtnorm" "nlme" "nnet" "nortest" "parallel"

[66] "pixmap" "plyr" "proto" "psych" "quantmod"

[71] "Rcmdr" "RColorBrewer" "Rcpp" "RcppEigen" "RCurl"

[76] "relimp" "reshape2" "rgl" "rJava" "RODBC"

[81] "rpart" "rstudio" "samplesize" "sandwich" "scales"

[86] "schoolmath" "sciplot" "sem" "spatial" "splines"

[91] "stats" "stats4" "stringr" "survival" "tcltk"

[96] "tcltk2" "TH.data" "tools" "TTR" "utils"

[101] "VennDiagram" "whisker" "XLConnect" "xts" "zoo"

7. 卸载包detach()，这是library()的反向操作，此操作主要是为了避免某些包中的函数名称相同，造成冲突，注意与library()的参数不同，detach()参数为detach(package:包的名称),library(包的名称)。

例如

>library(ggplot2) #加载包

>(.packages()) #列出当前已经加载的包

[1] "ggplot2" "stats" "graphics" "grDevices" "utils" "datasets"

[7] "methods" "base"

>detach(package:ggplot2) # 卸载ggplot2包

>(.packages()) #列出当前已经加载的包

[1] "stats" "graphics" "grDevices" "utils" "datasets" "methods"

[7] "base"

8． 自定义启动时候的加载包

如果需要长期使用某个包的话，每次开启都需要输入library()，比较麻烦，因此可以让R启动时自动加载某些包。在R的安装目录/etc/Rprofile.site加入下载语句：

例如让R启动时自动加载ggplot2包

local({old <- getOption("defaultPackages")

options(defaultPackages = c(old, "ggplot2"))})

9. 在文章中引用R软件包，例如引用ggplot2包：

citation(package="ggplot2")

To cite ggplot2 in publications, please use:

H. Wickham. ggplot2: elegant graphics for data analysis. Springer New

York, 2009.

A BibTeX entry for LaTeX users is

@Book{,

author = {Hadley Wickham},

title = {ggplot2: elegant graphics for data analysis},

publisher = {Springer New York},

year = {2009},

isbn = {978-0-387-98140-6},

url = {http://had.co.nz/ggplot2/book},

}

    结构方程模型(SEM)包括连续潜变量之间的回归模型(Bollen, 1989Browne &Arminger, 1995Joreskog &Sorbom, 1979)。也就是说，这些潜变量是连续的。这里需要注意的是：1. 潜变量(latent variables)是与观察变量(Observed variables)相对的，可通过数据分析观察；2. 观察变量可以是连续的(continuous)、删失的(censored)、二进制的(binary)、有序的(ordinal)、无序的(nominal)、计数的(counts)，或者是这些类别的组合形式。

    SEM有两个部分：一个测量模型(measurement model)和一个结构模型(structural model)。

     测量模型 相当于一个多元回归模型(multivariate regression model)，用于描述一组可观察的因变量和一组连续潜变量之间的关系。在此，这一组可观察的因变量被称为因子指标(factor indicators)，这一组连续潜变量被称为因子(factors)。

    如何描述它们之间的关系？可以通过以下方式：

1. 若因子指标是连续的，用线性回归方程(linear regression equations)；

2. 若因子指标是删失的，用删失回归或膨胀删失回归方程(censored normal or censored-inflated normal regression equations)；

3. 若因子指标是有序的类别变量，用profit或logistic回归方程(probit or logistic regression equations)；

4. 若因子指标是无序的类别变量，用多元logistic回归方程(multinomial logistic regression equations)；

5. 若因子指标是计数的，用Poisson或零膨胀Poisson回归方程(Poisson or zero-inflated Poisson regression equations)。

     结构模型 则在一个多元回归方程中描述了三种变量关系：

1. 因子之间的关系；

2. 观察变量之间的关系；

3. 因子和不作为因子指标的观察变量之间的关系。

    同样，这些变量有不同的种类，所以要根据它们的类别来选择合适的方程进行分析：

1. 若因子为因变量，及可观察的因变量是连续的，用线性回归方程(linear regression equations)；

2. 若可观察的因变量是删失的，用删失回归或膨胀删失回归方程(censored normal or censored-inflated normal regression equations)；

3. 若可观察的因变量是二进制的或者是有序的类别变量，用profit或logistic回归方程(probit or logistic regression equations)；

4. 若可观察的因变量是无序的类别变量，用多元logistic回归方程(multinomial logistic regression equations)；

5. 若可观察的因变量是计数的，用Poisson或零膨胀Poisson回归方程(Poisson or zero-inflated Poisson regression equations)。

    在回归中，有序的类别变量可通过建立比例优势(proportional odds)模型进行说明；最大似然估计和加权最小二乘估计(maximum likelihood and weighted least squares estimators)都是可用的。

    以下特殊功能也可以通过SEM实现：

1. 单个或多组分析(Single or multiple group analysis)；

2. 缺失值(Missing data)；

3. 复杂的调查数据(Complex survey data)；

4. 使用最大似然估计分析潜变量的交互和非线性因子(Latent variable interactions and non-linear factor analysis using maximum likelihood)；

5. 随机斜率(Random slopes)；

6. 限制线性和非线性参数(Linear and non-linear parameter constraints)；

7. 包括特定路径的间接作用(Indirect effects including specific paths)；

8. 对所有输出结果的类型进行最大似然估计(Maximum likelihood estimation for all outcome types)；

9. bootstrap标准误差和置信区间(Bootstrap standard errors and confidence intervals)；

10. 相等参数的Wald卡方检验(Wald chi-square test of parameter equalities)。

    以上功能也适用于CFA和MIMIC。

---