基于Fisher判别分析的一次性塑料手套光谱鉴别

为了建立一种快速准确且无损检材的检验一次性塑料手套的光谱分析方法,利用X-MET7000手持式X荧光光谱能量色散型分析仪,对39个不同品牌不同用途的一次性塑料手套进行检验分析,通过特征元素Cl与Cd将样品分为4组,对于同组样本还可通过Ca/Zn含量比进行进一步认定,效果较好。使用Fisher判别分析法,建立判别函数Y1、Y2与Y3,实现对新数据类别变量取值的预测,同时检验三个判别函数的判别能力。根据判别能力较强的第一和第二判别函数建立判别分布图,图中4组样本质心明显区分。为验证分类结果的准确性,对所得数据进行系统聚类和K-Means快速聚类,根据数据间的亲疏程度,进行分类,此方法为犯罪现场检验此类物证提供依据。     

基于K均值算法的X射线荧光光谱法检验药用铝塑包装片的研究

药用铝塑包装片是犯罪现场勘查过程中常见的物证,研究建立一种准确检验药用铝塑包装片种类的方法,可为法庭科学领域现场物证检验提供技术支撑。实验利用X射线荧光光谱仪(XRF)对30个不同品牌、不同厂家的药用铝塑包装片样品进行测定,按照元素含量对样品初步分组,用Pearson相关系数和假设检验分析样品的相关性;运用Python语言中sklearn模块对元素指标进行K均值聚类分析,通过误差平方和法(SSE)寻找最优K值,用轮廓系数评估聚类结果,最终实现不同样品的精确分类。     

差分拉曼光谱结合聚类分析检验电线塑料外皮研究

为建立一种高效准确的差分拉曼光谱检验电线塑料外皮的方法,利用便携式差分拉曼光谱仪测得了35个不同品牌不同类型的电线塑料外皮的差分拉曼光谱数据;再根据样品的主要成分和所含填料的不同,对样品进行初步分类;利用主成分分析对初步分类后的拉曼数据进行降维,再利用系统聚类将样品分组,最后应用K-均值聚类分析对分组结果准确性进行检验...     

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。     

基于X射线荧光光谱与双标图对鞋底材料的分类研究

鞋底材料在法庭科学中可作为微量物证出现,利用手持式X射线荧光光谱仪(XRF)检验了30个鞋底样品,获取鞋底材料中无机填料的元素含量信息。使用双标图(Biplot)对样品进行分类,结果可分为5类,表现了各样品在无机元素含量上的差别,并挖掘了各样品在变量上的特征信息;使用层次聚类验证分类结果。结果表明,该方法对鞋底XRF数据分类效果理想;XRF与双标图可以从无机填料角度检验并分类鞋底材料,且双标图方法在分析XRF实验数据中有一定应用潜力。     

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。     

X射线荧光光谱法结合HCA-PCA-BPNN实现塑料快递包装袋识别分类

X射线荧光光谱法与机器学习有机结合,建立现场塑料快递包装袋物证科学精准识别分类模型。利用X射线荧光光谱法对72个塑料快递包装袋样品无损检验,并依据光谱数据,利用定性半定量分析法对塑料快递包装袋初步分类。利用z-score标准化进行光谱预处理,并结合层次聚类、主成分分析和BP神经网络(HCA-PCA-BPNN)建立识别分类模型,确定最佳聚类类别。结果显示,72个样品聚为8类时,模型检验集预测判别正确率为97.9%,预测集预测判别正确率仅为72%,模型识别分类准确度较差;72个样品聚为3类时,模型检验集和预测集预测判别正确率均为100%,识别分类准确度较高,72个样品最佳聚类为3类。研究表明,X射线荧光光谱法结合HCA-PCA-BPNN可以为现场塑料快递包装袋物证无损且准确地识别分类提供一种方便可行的模式。     

X射线荧光光谱法结合双标图对IC卡的检验

针对电信诈骗案件中常见的IC卡类物证,建立了一种分类方法.使用手持式X射线荧光光谱仪(XRF)对40个不同来源的IC卡样品进行了检验研究.根据IC卡样品中无机元素成分含量的不同,使用双标图对样品进行分类,结果显示为6类.为判断分类结果的科学准确性,利用系统聚类分析方法处理样品的XRF数据.结果 表明:当并类距离为2时,...     

拉曼光谱结合机器学习识别肥皂

通过拉曼光谱和机器学习对不同品牌、种类的肥皂进行准确和快速识别。通过采集不同厂家、不同品牌生产的56种肥皂的拉曼光谱数据,将拉曼光谱进行预处理后,进行系统聚类对拉曼光谱分类,结合光谱特征峰的比对,把样本分成5类。利用机器学习的SVM、KNN、贝叶斯方法,建立不同方法的判别分析,通过检验三种判别方法的准确度比对,综合比较,得到KNN的模型分类效果最好,分类正确率为96.4%。通过这种方法可以对肥皂样本进行快速准确的检验,帮助勘查人员进行肥皂检材识别。     

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spss数据处理的PE手套检测分析

塑料作为法庭科学中常见的物证之一,其检验具有研究的必要性。塑料类物证中一次性塑料手套可作为犯罪工具使用。一次性塑料手套的主要材质为聚乙烯,常见填料为碳酸钙、二氧化硅等。利用拉曼光谱结合数据降维处理的分析方法,实现对不同品牌不同来源的塑料手套快速无损鉴别。将数据处理方法和光谱学分析方法相结合,实现对光谱数据的多维度分析,保留有效数据,指定提取4个因子,为犯罪现场检验此类物证、追踪犯罪人员提供参考和借鉴。     

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。     

差分拉曼光谱结合机器学习对汽车灯罩的可视化研究

为实现对汽车灯罩的快速无损、高效便捷的分类及预测,提出一种基于差分拉曼光谱结合机器学习对灯罩的可视化鉴别方法。利用差分拉曼光谱仪对32个品牌、9种车型共计46种汽车灯罩样品进行了检测,得到了样品的差分拉曼光谱图。对光谱数据先进行主成分分析降维,用提取到的5个PCA对样品进行自组织映射(SOM)聚类,同时对聚类结果可视化处理,再结合多元无序logistic回归、可优化支持向量机(SVM)对样品进行分类预测。46个样品被分为7类,多元无序logistic回归、可优化支持向量机的准确率皆为100%,实现了对样品的分类及预测。差分拉曼光谱准确高效,谱峰尖锐清晰,可以分析样品的主要成分及填料。SOM函数分类效果较好,所建立的分类模型可以精准地对不同来源汽车灯罩样品进行区分及归属预测,为汽车灯罩物证溯源提供了一种新的思路和技术手段。     

红外光谱法结合化学计量学方法对IC卡的分类研究

集成电路卡(IC卡)在现代社会各个领域被广泛使用,在电信诈骗等案件中IC卡是追溯制作和贩卖假证源头的重要物证,其主要材料是塑料。利用衰减全反射傅里叶变换红外光谱法(ATR-FTIR)对30张IC卡样品进行检验。重点选取2 000～600 cm~(-1)特征区域数据,依据样品红外光谱图中特征吸收峰的不同对IC卡材料进行初步分类,并通过结合化学计量学方法实现对IC卡材料的快速分类。研究表明:ATR-FTIR可以对常见的IC卡材料进行定性分析,为公安机关实际办案提供一种方法。     

基于系统聚类-神经网络的塑料饮料瓶差分拉曼光谱检验

建立塑料饮料瓶物证快速准确检验鉴别方法。利用差分拉曼光谱法检验42个塑料饮料瓶样品，优化积分时间并进行重现性检验。在40 s最优积分时间条件下采集光谱，任选41个样品作为建立模型的数据集，剩余样品作为盲样，对41个样品材质初步定性分为聚对苯二甲酸乙二醇酯(PET)和聚乙烯(PE)两类。建立基于系统聚类(HCA)、多层感知器神经网络和径向基神经网络的PET样品鉴别模型，确定最优鉴别模型及样品最佳分类。结果表明，系统聚类-多层感知器神经网络为最优鉴别模型，PET样品最佳分类为2类。差分拉曼光谱法结合系统聚类和神经网络可实现塑料饮料瓶有效鉴别。     

判别分析结合系统聚类对易拉罐环的XRF检验

为实现对易拉罐环的鉴别分类,利用X射线荧光光谱法(XRF)对28个不同品种的易拉罐环样本成分进行检验。对样本元素的种类和含量进行初步分析后,根据样本中含量最多的5种元素进行系统聚类。经过系统聚类后样本被分为了5个类别,检验分类是否准确后将聚类分类结果作为分析依据进行判别分析,提取累积贡献率为98.2%的两个判别函数绘制判别分类图,发现样本在判别函数平面空间内类别之间明显区分开来,最终交叉验证正确率和原始分类正确率分别为82.1%和96.4%,表明该方法能对易拉罐环进行有效的分类识别。     

红外光谱检验快递塑料包裹袋的研究

为了建立一种简便快速无损的检验快递塑料包裹袋的分析方法,利用傅里叶变换红外光谱仪,采用Smart Performer采样器,对不同快递公司的55个快递塑料包裹袋样品进行了分析检验。依据红外光谱图中特征吸收峰的不同,可以将快递塑料包裹袋样品进行区分。该检验方法操作简便快捷,重现性好,结果准确可靠且无损检材,可用于公安基层实际办案。     

拉曼光谱法检验泡沫塑料的研究

建立一种简便快速、准确无损的检验泡沫塑料的方法,利用RT2000拉曼检测仪,对40个不同品牌、不同用途的泡沫塑料样品进行分析检验。依据拉曼光谱图中拉曼特征峰的不同,对每个样品的拉曼光谱图进行分析比较,根据所用塑料及填料的不同,可以对泡沫塑料样品进行区分。该检验方法操作简便,结果准确可靠,无需特殊的前处理且无损样品,为公安机关实际办案提供一种有效的分析方法。     

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。