ChemPattern®的化学计量学解析过程与仪器分析步骤密切相关，并完全满足开展定量分析的要求。分析过程系统集成了包括自变量筛选、数据预处理、数据降维，以及交叉验证等在内的一系列数据解析流程。各类核心算法均经过参数优化设计，易于操作掌握，通常只需点击几下鼠标即可获得详尽的交互式图表计算结果。具体功能组成介绍如下。

数据预处理

样品的原始采样数据通常需要经过信号提取、校正和规范化等必要处理后方能生成符合化学计量学分析要求的数据内容。在ChemPattern®中上述操作可方便地按需要分10个步骤独立执行。

多元统计分析

多元统计分析亦称多变量数据分析，其能够同时综合处理分析样本的全部自变量以及与之相关的多个因变量，进而获得变量间的联系和数据结构等信息，因而显著区别于以个别变量为研究对象的经典统计学方法。

聚类分析

多元统计中的聚类分析方法在分析化学与化学计量学中有着广泛应用。ChemPattern®提供单向和双向系统聚类分析，以及基于人工神经网络的自组织映射非线性聚类分析等多种方法。

相似度分析

相似度算法是对用于评价构成样本的向量或矩阵之间相似程度的一大类算法的统称，其在信息学相关领域有着广泛的应用。ChemPattern®对其中普遍用用的以及体现化学指纹图谱相似度评价特点的多种算法提供支持。

回归建模

回归分析是对在自变量与因变量相关性计算的基础上建立回归方程，即回归预测模型的一类方法的统称。回归分析在化学计量学中具有广泛的应用，是仪器分析中含量测定所使用的核心方法，包括标准曲线法及多元校正定量模型等，对此ChemPattern®提供了广泛使用的多元线性回归与偏最小二乘回归方法。

化学模式识别

ChemPattern®先进的化学模式识别功能提供对分析化学中复杂体系样本进行分类、估计和预测的功能。其包括各类有监督和无监督学习算法、训练集与测试集设定，建模参数优化配置、模型质量评价等在内的详尽功能。在算法方面所提供的6种方法各具特色，代表了该类技术在化学计量学领域的最新进展。

定量谱效分析

ChemPattern®所提供的包括多组分同步含量测定技术在内的定量分析方法为化学计量学特别是定量谱效分析提供了有力保证，并进一步实现了不同类型分析化学数据的共平台定量分析的目的。

支持向量机与人工神经网络

ChemPattern®对于近年来所涌现出的机器学习领域的先进技术给予全面的化学计量学支持，包括支持向量机，以及人工神经网络为代表的人工智能等技术。这些方法在复杂体系分析中均展示了较好的适用性和优异的性能。

高内涵分析与数据挖掘

ChemPattern®化学计量学分析过程充分利用分析仪器高维数据所携带的全部有效信息，包括化合物性质、组成、分类等特征，并结合样本量化指标量测，从自变量分析、回归预测、分类判别等多重角度对样本进行深度数据挖掘，最终可获得过去采用传统数据分析方法所无法获知的关于复杂体系的内在质量、组成结构，以及演化规律等在内的各类丰富信息。