鞋底材料的中红外光谱可视化快速鉴别

借助中红外分析技术和化学计量分析,建立常见鞋底材料种类鉴别的分类模型,为鞋底种类鉴别提供有效的新方法。基于鞋底红外光谱矩阵数据,建立了层次聚类模型和K近邻模型。结果表明,K近邻模型中,43个样本分为7类,这与层次聚类模型中,组间平均距离为8时样本的分类结果一致;K近邻下,分类样本呈5个聚集区域,其中H、G、K 3类样本分布情况明显,相比较A类,E类分布较为集中,聚敛程度较大,L类分在E类,M类分在A类;模型总分类准确率达95.35 %,分类结果理想;选取各类中的一个样本,对其开展谱图解析,得到样本主要成分有顺丁橡胶、乙烯醋酸乙烯酯共聚物、聚氨酯、异戊橡胶、聚氯乙烯和苯乙烯丁二烯苯乙烯嵌段共聚物;中红外光谱技术结合化学计量分析可作为鞋底材料种类鉴别的一种无损、快速、准确的分析方法。     

基于光谱数据融合和人工神经网络的汽车灯罩鉴别

针对法庭科学领域对物证快速、无损、准确的检验需求，采用红外光谱原始数据和导数数据相结合的光谱数据融合技术对汽车灯罩样本进行分析。对收集的44个汽车灯罩样本采集红外谱图，采用自动基线校正、峰面积归一化、Savitzky?Golay 算法平滑对谱图进行预处理，并对处理后的数据进行一阶求导，结合人工神经网络（ANN）算法构建分类模型。在径向基函数神经网络（RBF）模型中，结合主成分分析对光谱原始数据、一阶导数数据和融合的数据进行分类，分类准确率分别为81.2 %、84.1 %和90.9 %；在多层感知器神经网络（MLP）模型中，结合主成分分析对光谱原始数据、一阶导数数据和融合的数据进行分类，分类准确率分别为84.1 %、86.4 %和97.7 %，且在对44个汽车灯罩样本的12种品牌进行分类时，分类准确率也达到97.7 %，实验结果理想。结果表明，基于红外光谱原始数据和导数数据相结合的光谱数据融合技术能够实现对汽车灯罩样本的准确分析，且满足快速、无损、准确的检验要求，可以为光谱融合技术在法庭科学领域中物证的检验提供一定参考。     

基于判别分析与K近邻算法对塑料吸管的红外光谱分析

为建立一种塑料吸管物证的高效、准确分类方法,利用红外光谱法对来自全国的4个品牌共42个塑料吸管样本进行了检验。经过前期光谱预处理后,利用主成分分析法提取出了25个主成分,累积方差贡献率为99. 689%,并将其作为判别变量进行判别分析。判别结果区分效果良好但交叉验证正确率仅为73. 8%,有待进一步提高。因此将判别得分作为特征变量导入K值为1的K近邻算法中,构建起了分类正确率为100%的K近邻算法模型,实现了对塑料吸管物证的准确分类。     

基于近红外光谱建立PE、PP和PET的识别分类模型

利用近红外高光谱成像仪在900~1 700 nm的范围采集PE、PP和PET样本的高光谱图像,并进行黑白校正,提取感兴趣区域的反射率光谱数据;利用主成分分析法对提取的数据去噪降维。结果表明,前3个主成分的累计贡献率达98.89%。把前3个主成分的载荷系数对波长作图,得到了6个特征波长;利用特征波长对应的反射率光谱数据进行判别分析,并建立了3种塑料的识别分类模型;用预测样本对模型进行检验,结果显示,预测样本的识别准确率为95.24%,表明该模型可准确有效地对PE、PP和PET进行识别分类。     

基于PCA⁃LDA的车用保险杠显微激光拉曼光谱模式分类

为实现对案发现场车用保险杠物证快速、无损、准确的分类与识别,提出了一种显微激光拉曼光谱分析技术结合多元建模用于车用保险杠模式分类方法。选择自动基线校正、峰面积归一化、Savitzky-Golay平滑（3次多项式,7点平滑）作为预处理方法,借助主成分分析和线性判别分析构建分类模型。结果表明,前27个主成分下,除了奥迪品牌的2个样本被误判在了广汽品牌的样本当中,其他不同品牌的样本均实现了100.00 %的准确区分,总体分类准确率为95.24 %,分类效果较为理想;针对实际案件中的未知样本,借助该方法确定其属于别克品牌,这与实际案件中物证信息相吻合;利用显微激光拉曼光谱分析技术多元建模分析可实现对不同品牌保险杠样本准确的识别与分类,可为微量物证鉴定方面的相关研究提供一定的思路与参考。     

拉曼光谱结合化学计量学在不同品位磷矿快速分类中的应用

采用拉曼光谱技术结合化学计量学探讨不同品位磷矿快速鉴别和分类的可行性。采用共聚焦显微拉曼光谱系统分析了高、中、低三类不同品位的4种磷矿样品在200～1 950 cm^(-1)范围内的拉曼光谱特性,并对经过自适应迭代重加权惩罚最小二乘(airPLS)算法校正、一阶导和二阶导3种光谱预处理方法处理后的拉曼光谱结合主成分分析(PCA)和系统聚类分析(HCA)建立判别模型。结果显示,在主成分分析(PCA)中,经过3种预处理方法后的拉曼光谱均能实现对4种磷矿样本的聚类,且前两种预处理方式中,在第1主成分上,4种样品随品位值呈规律分布。使用PCA降维后的一阶导数光谱结合系统类分析(HCA)对4种磷矿样品进行分类,准确率为98.75%。结果表明,利用拉曼光谱技术结合化学计量学能够实现不同品位磷矿的快速鉴别和分类,为磷矿品位现场快速检测和评估打下基础。     

拉曼光谱结合化学计量学在不同品位磷矿快速分类中的应用

采用拉曼光谱技术结合化学计量学探讨不同品位磷矿快速鉴别和分类的可行性。采用共聚焦显微拉曼光谱系统分析了高、中、低三类不同品位的4种磷矿样品在200～1 950 cm~(-1)范围内的拉曼光谱特性,并对经过自适应迭代重加权惩罚最小二乘(airPLS)算法校正、一阶导和二阶导3种光谱预处理方法处理后的拉曼光谱结合主成分分析(PCA)和系统聚类分析(HCA)建立判别模型。结果显示,在主成分分析(PCA)中,经过3种预处理方法后的拉曼光谱均能实现对4种磷矿样本的聚类,且前两种预处理方式中,在第1主成分上,4种样品随品位值呈规律分布。使用PCA降维后的一阶导数光谱结合系统类分析(HCA)对4种磷矿样品进行分类,准确率为98.75%。结果表明,利用拉曼光谱技术结合化学计量学能够实现不同品位磷矿的快速鉴别和分类,为磷矿品位现场快速检测和评估打下基础。     

基于Fisher判别⁃支持向量机的汽车灯罩显微激光拉曼光谱研究

为实现对司法鉴定工作中经常遇到的汽车灯罩类物证进行数据化、可视化的无损高效率鉴别,采用PCA主成分分析前处理结合FDA-SVM（RBF）组合分析鉴别物证的方法,对获取的“奥迪”“别克”等18个品牌的173组拉曼红外光谱数据进行了实验和理论分析。借助Pearson相关性分析和PCA主成分分析的结果选择特征位移,分别建立基于Fisher判别分析和SVM支持向量机的数据分类模型。结果表明,FDA模型和SVM（RBF）模型对灯罩样本的综合区分准确率分别为97 %和51.85 %,SVM模型对“奔驰”“别克”等8个品牌的区分准确率达到了100 %,FDA与SVM模型互相补充的FDA-SVM（RBF）模型可对不同品牌灯罩拉曼红外光谱进行准确区分,分类效果较好。该方法高效、准确,对侦查破案中借助灯罩物证鉴定缩小侦察范围有一定的参考意义。     

融合互近邻和可信度的K-近邻分类算法

文章提出一种融合互近邻和可信度的K近邻算法,根据互近邻的概念删除噪声数据;利用由近邻诱导待分类样本标签的可信度,避免待分类样本近邻中大类吃小类的概率。该算法不仅可以减小噪声数据对分类的影响,而且一定程度上增强了K近邻分类算法的稳定性。该算法在UCI标准数据集上进行了测试,性能相当或优于其他分类器。     

基于近红外的Fisher判别法鉴别废塑料

通过对化学计量学方法的分析研究,提出了一种基于近红外光谱的丙烯腈–丁二烯–苯乙烯塑料、聚对苯二甲酸乙二酯、聚氯乙烯、聚丙烯、聚苯乙烯和聚乙烯6种塑料的一次性鉴别模型,为近红外塑料识别软件的二次开发提供有效程序。结果表明,光谱经3次多项式、13窗口S–G最小二乘拟合平滑+sym17函数、分解2层小波分析+主成分分析+特征波长选择+Fisher判别处理,可得5个判别函数式。由这些函数式建立的判别模型可以实现6种塑料的一次性识别,其校正集样本自身验证和交叉验证的识别率分别为100%和84.9%,表明该模型稳定;预测集样本进行模型外部检验的准确率为100%,表明该模型可行。     

多维度结合XRF对塑钢窗的快速检验

为建立一种检验塑钢窗物证的方法，利用X射线荧光光谱仪对收集到的40个不同品牌、同一品牌不同系列、同一品牌同一系列不同批次塑钢窗进行检验。采用Niton XL3t GOLDD+手持式荧光光谱仪，通过预实验确定了检测条件：Ag作阳极靶；检测电压为50kV；检测电流为200μA；采集时间为70s，在此条件下对样品进行检测，根据不同塑钢窗样本所测出的特征元素种类及质量分数可对样本进行区分。为了使分类结果科学准确，首先利用主成分分析法对实验结果进行降维处理，指定提取了4个因子，再利用系统聚类和K?Means快速聚类方法对样品数据进行聚类处理，将40个样本分为28类，并利用Fisher判别分析法验证了分类结果的科学合理性。该方法结合谱图分析和化学计量学，能快速、准确、无损地对样品做出分类，为公安基层实际办案提供帮助。     

Hyperplane distance neighbor clustering based on local discriminant analysis for complex chemical processes monitoring

The collected training data often include both normal and faulty samples for complex chemical processes. However, some monitoring methods, such as partial least squares (PLS), principal component analysis (PCA), independent component analysis (ICA) and Fisher discriminant analysis (FDA), require fault-free data to build the normal operation model. These techniques are applicable after the preliminary step of data clustering is applied. We here propose a novel hyperplane distance neighbor clustering (HDNC) based on the local discriminant analysis (LDA) for chemical process monitoring. First, faulty samples are separated from normal ones using the HDNC method. Then, the optimal subspace for fault detection and classification can be obtained using the LDA approach. The proposed method takes the multimodality within the faulty data into account, and thus improves the capability of process monitoring significantly. The HDNC-LDA monitoring approach is applied to two simulation processes and then compared with the conventional FDA based on the K-nearest neighbor (KNN-FDA) method. The results obtained in two different scenarios demonstrate the superiority of the HDNC-LDA approach in terms of fault detection and classification accuracy.     

红外光谱法结合K⁃均值聚类与神经网络对饮料瓶的检验研究

利用傅里叶变换红外光谱法对41个不同品牌的塑料饮料瓶进行快速无损检测。谱图数据在经过预处理后可将样品分为聚对苯二甲酸乙二醇酯和聚乙烯两类。每一类内部的各个样品红外特征峰存在差异。对于数量最多的一类样品,通过主成分分析将样品光谱数据降维并提取主成分,然后结合K-均值聚类对样品进一步分组。最后以聚类结果作为因变量,构建神经网络算法对数据进行训练,用来预测样品分类情况。借助随机数发生器,随机选取86.5 %的样品作为训练集,13.5 %的样品作为测试集。结果表明,训练集和测试集的正确率均达到了100 %,同时也验证了K-均值聚类结果的准确性,建立了塑料饮料瓶的快速分类模型;此分类模型方法可操作性好,结果准确可靠,为公安基层实际办案提供了参考。     

近红外漫反射分析技术在测定聚丙烯粉料中二甲苯可溶物方面的应用

文章探讨了利用近红外分析技术快速判断聚丙烯粉料中的二甲苯可溶物含量的应用。用近红外漫反射法收集了样品的近红外光谱图。参照化学计量学分析方法测定聚丙烯样品的二甲苯可溶物含量。利用偏最小二乘法线性回归法建立了聚丙烯二甲苯可溶物的近红外光谱预测模型。将近红外法测定结果与化学分析方法测定结果进行了比较,对光谱测量的重复性进行了考察。结果表明,利用近红外光谱法与化学分析法的测定结果无显著差异。     

Localized Fisher discriminant analysis based complex chemical process monitoring

Complex chemical process is often corrupted with various types of faults and the fault‐free training data may not be available to build the normal operation model. Therefore, the supervised monitoring methods such as principal component analysis (PCA), partial least squares (PLS), and independent component analysis (ICA) are not applicable in such situations. On the other hand, the traditional unsupervised algorithms like Fisher discriminant analysis (FDA) may not take into account the multimodality within the abnormal data and thus their capability of fault detection and classification can be significantly degraded. In this study, a novel localized Fisher discriminant analysis (LFDA) based process monitoring approach is proposed to monitor the processes containing multiple types of steady‐state or dynamic faults. The stationary testing and Gaussian mixture model are integrated with LFDA to remove any nonstationarity and isolate the normal and multiple faulty clusters during the preprocessing steps. Then the localized between‐class and within‐class scatter mattress are computed for the generalized eigenvalue decomposition to extract the localized Fisher discriminant directions that can not only separate the normal and faulty data with maximized margin but also preserve the multimodality within the multiple faulty clusters. In this way, different types of process faults can be well classified using the discriminant function index. The proposed LFDA monitoring approach is applied to the Tennessee Eastman process and compared with the traditional FDA method. The monitoring results in three different test scenarios demonstrate the superiority of the LFDA approach in detecting and classifying multiple types of faults with high accuracy and sensitivity. © 2010 American Institute of Chemical Engineers AIChE J, 2011     

藜麦产地的红外光谱鉴别

种植环境差异导致不同产地的藜麦有差异,故对不同产地的藜麦进行区分鉴别对商家、消费者具有重要参考价值。将中红外光谱与主成分分析(PCA)、线性判别分析(LDA)及混淆矩阵结合对不同产地藜麦进行鉴别研究。结果显示:藜麦的红外光谱主要由淀粉、蛋白质和脂质谱峰组成,且在蛋白质和糖类谱峰上有差异。用600~4000 cm^-1范围的原始光谱进行PCA分析,前两个主成分(PC)取得了92%的累计方差贡献率,基于PCA分析生成的PC进行LDA分析,取得了96.25%的分类精度。基于预测结果的混淆矩阵作为综合评价指标,得到PCA-LDA分类模型的精确度、召回率及特异性分别为96.25%、96.59%和99.48%,说明使用PCA-LDA模型可以对藜麦产地进行有效鉴别。研究表明红外光谱结合多元统计分析方法是鉴别藜麦产地的有效方法。     

藜麦产地的红外光谱鉴别

种植环境差异导致不同产地的藜麦有差异,故对不同产地的藜麦进行区分鉴别对商家、消费者具有重要参考价值。将中红外光谱与主成分分析(PCA)、线性判别分析(LDA)及混淆矩阵结合对不同产地藜麦进行鉴别研究。结果显示:藜麦的红外光谱主要由淀粉、蛋白质和脂质谱峰组成,且在蛋白质和糖类谱峰上有差异。用600~4000 cm^-1范围的原始光谱进行PCA分析,前两个主成分(PC)取得了92%的累计方差贡献率,基于PCA分析生成的PC进行LDA分析,取得了96.25%的分类精度。基于预测结果的混淆矩阵作为综合评价指标,得到PCA-LDA分类模型的精确度、召回率及特异性分别为96.25%、96.59%和99.48%,说明使用PCA-LDA模型可以对藜麦产地进行有效鉴别。研究表明红外光谱结合多元统计分析方法是鉴别藜麦产地的有效方法。