共查询到20条相似文献,搜索用时 66 毫秒
1.
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。 相似文献
2.
3.
4.
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。 相似文献
5.
6.
7.
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。 相似文献
8.
9.
10.
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。 相似文献
11.
12.
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。 相似文献
13.
14.
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。 相似文献
15.
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。 相似文献
16.
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。 相似文献
17.
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。 相似文献
18.
19.
20.
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。 相似文献