差分拉曼光谱结合XRF对塑料药瓶的多元分类研究

目的 构建一种药瓶的分类及预测模型。方法 利用差分拉曼光谱和X射线荧光光谱对54个不同品牌和产地的塑料药瓶进行分析检验。结果 得到了54个样品的差分拉曼谱图及Cl、Ca、Ti、Fe、Zn等元素的含量。利用主成分分析对差分拉曼光谱数据进行降维,再利用系统聚类将降维后的数据分为8类,并以此为依据建立判别分析模型,最终判别模型经交叉验证可知准确率达到90.7%,多层感知器的分类准确率为100%,分类效果较好。结论 差分拉曼光谱可以根据谱图中的特征峰推断样品的分子结构,并且可以根据峰位对样品进行分类,并建立分析模型,X射线荧光光谱可以通过各元素的种类和含量的不同对样品进行区分,实现组内的细化。差分拉曼光谱和X射线荧光光谱可以分别从有机和无机的角度对药瓶进行分类,在分析上可以优势互补,可为公安机关实际办案探索出一种新的光谱联用角度和方法。     

差分拉曼光谱结合化学计量学对白色购物纸袋的检验研究

目的 建立差分拉曼光谱用于无损识别白色购物纸袋的方法。方法 对收集到的60种不同品牌、不同规格的白色购物纸袋进行拉曼光谱测定,对样品的拉曼光谱图进行预处理,根据光谱图对样品进行初步分类,并结合化学计量方法对样品进行分组。应用Fisher判别分析方法对分类结果进行验证。最后应用RBF模型对未知样本进行分类判别。结果 结合样品中所含的碳酸钙、滑石粉、硫酸钡的不同,可初步将白色购物纸袋样品分为五大类,采用K-均值聚类方法继续细分,通过Fisher判别方法对样品分结果进行验证,判别准确率为100%。应用神经网络RBF模型对未知样本进行判别分析,准确率达到89.48%。结论 该方法简便易行,为白色购物纸袋的分类提供了科学的依据,也为公安基层工作的开展提供了便捷的办法。     

红外光谱结合主成分分析对纸质快递文件袋的分类研究

目的 建立一种快速无损的检验纸质快递文件袋的分析方法。方法 利用傅里叶变换红外光谱对63个纸质快递文件袋样品进行检验，分析样品的红外光谱吸收峰的峰位，结合主成分分析对光谱数据进行了降维处理并分类。利用费歇尔判别对快递文件袋的分类结果进行分析和验证。同时建立多层感知器神经网络和径向基函数神经网络2种分类模型，进行分析和验证。结果 63个纸质快递文件袋样品可被分成四大类，利用费歇尔分类模型进行验证，准确率为100%；多层感知器神经网络分类模型准确率为95.23%，径向基函数神经网络分类模型准确率为92.06%。通过比较发现，费歇尔判别可以实现对纸质快递文件袋更加有效地分类。结论 该方法简单快速，样品用量少且无损样品，可为快递文件袋类的物证鉴定提供科学依据。     

红外光谱结合统计学方法对纸质包装盒的检验研究

目的 建立一种高效准确的红外光谱检验纸质包装盒的研究方法。方法 利用傅里叶变换红外光谱仪测得了56个不同类型不同来源的纸质包装盒的红外光谱数据;根据纸盒主要填料的不同,将样品初步分为三大类;利用主成分分析对初步分类后的数据降维,提取出4个主成分,再利用系统聚类将样品最终分为6组,使用K-means聚类算法结合Pearson卡方检验进行验证,与最终分类的结果基本吻合。基于该分组,训练朴素贝叶斯分类、随机森林模型、XGBoost分类3种判别模型,实现对新样品组别的分类预测。结果 56个快递包装纸盒样品被分为3类,而后进一步细分为6组,3种判别预测模型均有较高的准确率,其中随机森林模型的准确率最高。结论 该方法快速方便地实现了对样品的区分,并且可以实现无损检验,为犯罪现场纸质包装盒的鉴别提供依据,从而为公安侦查工作的开展提供帮助。     

红外光谱法结合化学计量学对快递包装纸盒的检验研究

目的 研究一种红外光谱法与化学计量学相结合的方法，以对现场提取的快递包装纸盒样品进行快速检验分类。方法 利用红外光谱法对53个快递包装纸盒样品进行检验，依据其主要填料差异进行分类，并利用系统聚类进行分组。基于该分组，训练随机森林模型、多层感知器判别、Fisher判别3种预测模型，实现对新样品组别的分类预测。结果 53个快递包装纸盒样品被分为3类，而后进一步细分为9组，训练得到的3种判别模型中的Fisher判别预测准确率较高。结论 该检验方法快速、无损、准确，依据化学计量学实现对快递包装纸盒样品的快速检验，为公安机关检验此类物证提供依据。     

近红外透射光谱聚类分析快速鉴别食用油种类

以8种食用油纯油的43个样品为对象,研究了近红外透射光谱结合聚类分析法快速鉴别食用油种类的可行性.采集样品在12 500~4 000 cm-1范围内的傅立叶变换近红外透射光谱,利用光谱模式识别法中的聚类分析法对图谱进行定性分类鉴别.实验证明,光谱经二阶导数预处理后,最短距离法、最长距离法和方差平方和法均可准确无误地将食用油样品分为8类,判别模型对预测集样品的准确率达到100%.研究表明,近红外透射光谱结合聚类分析法可以为快速无损鉴别食用油种类提供一种准确可靠的方法.     

差分拉曼光谱对香水样品的分类研究

为建立一种快速检验香水样品的方法,利用SERDS Portable Base型差分拉曼光谱仪对26个香水样品进行无损检测分析。首先,根据1 044 cm^-1,1 274 cm^-1,1 454 cm^-1三处差分拉曼光谱特征峰差异可将样品归为4个类别,利用Pearson系数进行相关性分析验证分类的准确性。最后,通过主成分分析(PCA)对差分拉曼光谱数据进行降维,并根据提取出的前三个主成分构建径向基函数(RBF)神经网络,选取80.8%的样本用于训练,19.2%的样本用于测试集,分类准确率达100%。结果表明,PCA-RBF模型结合可以为香水物证鉴别研究提供依据,该方法无损检材且准确度高。     

差分拉曼光谱法对塑料瓶的鉴别分析

利用差分拉曼光谱对收集的42个不同品牌不同厂家不同容量的塑料瓶进行检验,根据差分拉曼光谱图可将样品分为聚乙烯与聚对苯二甲酸乙二醇酯两大类,每类样品的拉曼特征峰存在一定差异。使用判别分析法对处理后的光谱数据进行分析,建立8个判别函数,实现对数据变量取值的预测,同时检验上述判别函数的判别能力,并建立判别分布图,判别图中9组样品质心明显区分,效果较好。对拉曼光谱数据进行系统聚类、K-Means快速聚类和皮尔逊相关系数分析,验证判别结果的准确性,为塑料瓶类物证的检验提供依据,可用于公安实际办案。     

差分拉曼光谱法结合聚类分析检验食品塑料包装盒

目的 建立一种高效、无损、准确的区分检验食品塑料包装盒的方法.方法 采用SERDS Porta-ble-Standard便携式差分拉曼光谱仪,在激发光源为785 nm,激光功率为380 mW,扫描时间为10 s,扫描范围为250～2800 cm-1的实验条件下,对53个不同来源、不同品牌的食品塑料包装盒样品进行测量,对得到的差分拉曼光谱数据进行凝聚性系统聚类分析,并结合皮尔逊相关性系数对其进行检验,对食品塑料包装样品进行区分.结果 53个样品根据差分拉曼谱图被分为7类,根据不同样品的差分拉曼特征峰聚类结果将32个PP类样品分为4类.结论 该方法无损检测、操作便捷、实验结果稳定,可以为微量物证检验和侦查破案提供一定帮助.     

差分拉曼光谱对眼药水塑料瓶的分类研究

目的 建立一种便捷精准无损检验眼药水塑料瓶的方法。方法 使用便携式差分拉曼光谱仪检测33个塑料眼药水瓶，根据获得的各样品数据，包括差分拉曼光谱图的峰位、峰数等对样品进行成分分析，并通过统计分析软件“统计产品与服务解决方案”(SPSS 26.0)对样品进行K均值聚类，利用轮廓系数优选K值。对分类结果中样品数目较多的一类样品进行填料分析，利用皮尔逊相关系数验证分析结果的准确性。结果 样品主要成分为聚乙烯和聚对苯二甲酸乙二醇酯，利用轮廓系数优选K值为2，K均值聚类算法对样品的分类结果与成分分析结果能够相互印证。以聚乙烯类样品为例，根据填料不同可将其分为7组。皮尔逊相关系数计算结果能够证明上述分类分组结果可靠。结论 利用该方法能够准确无损地检测眼药水塑料瓶，并对其进行分类研究。     

基于判别分析与ANN的药品铝塑包装泡罩XRF分析

目的针对案件现场常见的药品铝塑包装泡罩,为达到对其分类识别的目的,提出系列检验分析、数据处理方法。方法采用X射线荧光光谱法对45个药品铝塑包装泡罩样本所含元素进行检验并讨论分析。对检验结果进行无监督的系统聚类,利用离差平方和法计算欧氏距离进而将未知样本分为5类。结果将分类结果作为变量进行判别分析,选取累积方差百分比为97.8%的2个判别函数,其类内平方和与总平方和之比为0.015和0.394,具有较强的解释能力。绘制的样本判别分类图将5类样本类之间相互区分开来,样本总体判别正确率为95.6%。提取样本在判别函数上的判别得分构建了人工神经网络,最终分类正确率为97.8%。结论利用X射线荧光光谱法对药品铝塑包装泡罩进行检验,将元素种类及含量作为变量进行了分类,并构建了45个药品铝塑包装泡罩样本的人工神经网络分类模型,可借助该模型进一步实现对于案件现场未知类别的药品铝塑包装泡罩样本的分类识别。     

基于化学计量学对药品铝塑包装片的差分拉曼光谱分析

目的 为快速无损地检验犯罪案件现场遗留的药品铝塑包装片。方法 采用最新的差分拉曼光谱仪,并基于化学计量学对收集的51个药品铝塑片样本进行分析。结果 共对收集的药品铝塑包装片样本提取出了9个有效光谱成分因子,累积占原始光谱数据99.54%的有效信息,并将51个样本分为4大类,通过相关性比较,可知分类结果较好。结论 实验方法简便,无损检材重现性实验结果较好,为药品铝塑包装片类物证的检验提供依据,可为公安工作的开展提供有效帮助。     

基于神经网络的塑料打包带高光谱模式识别

目的 建立一种快速、准确、无损的塑料打包带的检验及分类方法。方法 利用高光谱在波长为350～990 nm的条件下采集52个不同来源的塑料打包带样品的高光谱数据,并对样品进行Savitzky-Golay平滑处理,同时结合主成分分析对样品进行降维。将提取到的主成分进行K-Means聚类,以聚类结果为依据建立径向基函数神经网络（RBFNN）与BP神经网络模型（BPNN）。结果 打包带样品的高光谱谱图在400～500 nm、600～700 nm处有较大区别。实验共提取了5个初始特征值大于1的主成分,可以解释96.633%的原始数据。通过K-means聚类将塑料打包带样品分为6类,Calinski-Harabasz指数为28.76,RBFNN分类准确率为86.7%;BPNN分类准确率为98.1%,BPNN的分类效果更好。结论 研究表明神经网络在高光谱谱图分类处理上具有较高的准确度,同时也验证了高光谱在区分检验塑料打包带类物证的可行性与科学性,为公安机关提供了一种新的检验方法。     

基于集成分类器的泡罩包装药品缺陷识别

目的 针对药品生产包装过程中常出现缺陷泡罩包装药品的问题,研究一种基于多特征构建与集成分类器的泡罩包装药品缺陷识别方法.方法 该方法通过集成2个不同的分类器算法分别对药品图像类别进行预测,并采用联合判定函数对2个预测输出值进行联合决策,得到最终分类结果.第1个分类器模型通过将图像转化到HSV颜色空间,分割出泡罩区域和药片区域,进行特征设计,并在提取多项特征参数后构建BP神经网络分类算法给定药品类别预测.第2个分类器模型应用多层卷积神经网络取代传统算法对图像特征进行提取,并输出药品图像类别的预测值.根据2个分类器的性能进行算法集成,构成最终集成分类器.结果 实验结果表明,该集成分类模型对数据集中泡罩包装药品图像进行分类识别测试,准确率达97％以上.结论 集成分类模型不仅提高了单一分类器的识别准确率,也具有更佳的稳定性.该方法取得了卓越的分类效果,具有较高应用性.     

Screening of oil samples on the basis of excitation-emission room-temperature phosphorescence data and multiway chemometric techniques. Introducing the second-order advantage in a classification study

Room-temperature phosphorescence excitation-emission matrices and multiway methods have been analyzed as potential tools for screening oil samples, based on full matrix information for polyaromatic hydrocarbons. Crude oils obtained from different sources of similar geographic origin, as well as light and heavy lubricating oils, were analyzed. The room-temperature phosphorescence matrix signals were processed by applying multilayer perceptron artificial neural networks, parallel factor analysis coupled to linear discriminant analysis, discriminant unfolded partial least-squares, and discriminant multidimensional partial least-squares (DN-PLS). The ability of the latter algorithm to classify the investigated oils into four categories is demonstrated. In addition, the combination of DN-PLS with residual bilinearization allows for a proper classification of oils containing unsuspected compounds not present in the training sample set. This second-order advantage concept is applied to a classification study for the first time. The employed approach is fast, avoids the use of laborious chromatographic analysis, and is relevant for oil characterization, identification, and determination of accidental spill sources.