基于光谱分类模型的保险杠物证无损研究

采用中红外光谱结合化学计量学的方法对车用保险杠碎片进行鉴别，分别对52个车用保险杠碎片样本的全波段光谱数据、指纹区光谱数据和主成分分析降维后的光谱数据建立Fisher判别分析和K近邻算法2种分类模型，并对分类结果进行比较。结果表明，主成分分析提取特征变量后构建的分类模型，分类的准确率更高，对聚丙烯（PP）、PP/滑石粉、PP/滑石粉/碳酸钙（CaCO₃）3种类型的样本分类准确率达到92.3 %，对PP/滑石粉类型中的10种品牌样本分类准确率达到88.9 %，分类结果理想；在构建的2种分类模型中，Fisher判别分析模型的分类率远高于K近邻算法模型，分析认为K近邻算法模型受到样本不均衡的影响；中红外光谱结合化学计量学可以实现对车用保险杠碎片的准确区分，且满足快速、无损的检验要求。     

基于径向基函数的水性木器漆喇曼光谱鉴别

水性木器漆是一种犯罪现场常见的微量物证,在法庭科学领域广受关注。为了实现对水性木器漆中复杂化学成分的检测分类,采用具有较高分辨能力和无损检验特点的喇曼光谱,结合主成分分析和径向基函数神经网络两种数据挖掘技术,对3种品牌共38个水性木器漆样本的喇曼光谱进行了数据分析。结果表明,径向基函数模型下可得到准确率为78.9%的分类识别。采用傅里叶变换喇曼光谱结合径向基函数模型实现对水性木器漆的鉴别与分类,为实践中木器漆的分类研究提供新思路。     

红外指纹区光谱结合多阶导数融合技术无损分类鞋底物证

为了提高检验效率,降低检验鉴定成本,实现对鞋底的快速无损分类。采用傅里叶变换红外指纹光谱及其多阶导数光谱对5类不同品牌共计50个样本的鞋底进行分析,并构建Bayes判别和支持向量机2种分类模型。结果表明,在鞋底鉴别过程中,基于原始数据、一阶导数数据和二阶导数数据建立的融合模型,初级融合模型的区分效果优于单一模型和中级融合模型,总体分类准确率能达到80 %以上。而基于初级模型进行的成分特征提取中,BDA结合原始数据结合一阶导数模型是最好的,总体分类准确率达到92 %。红外指纹光谱结合一阶求导、二阶求导构建不同的融合模型进行区分对比,选择最为有效的融合模型可实现对日常皮鞋、运动鞋鞋底快速的无损鉴别,对今后的治安工作作具有借鉴意义,不仅缩小排查范围,也为案件的快速侦破提供了一种新的方式。     

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。     

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。